Tópicos e tendências no ensino de física utilizando inteligência artificial

Autores

  • Erick Ghuron Universidade de São Paulo
  • Daniel Trugillo Martins Fontes Universidade de São Paulo. Programa de Pós-Graduação Interunidades em Ensino de Ciências
  • André Machado Rodrigues Universidade de São Paulo. Instituto de Física

Palavras-chave:

Aprendizado de máquina, Tecnologia da informação e comunicação, Análise quantitativa, Revisão bibliográfica

Resumo

Este trabalho investiga a aplicação do aprendizado de máquina, particularmente utilizando o algoritmo Latent Dirichlet Allocation, para identificar tópicos e tendências em revistas acadêmicas de ensino de Física no contexto latino-americano. As revistas analisadas foram a Revista Brasileira de Ensino de Física (RBEF) e a Revista de Enseñanza de la Física (REF), abrangendo o período de 2001 a 2022. Foram coletados 1664 artigos da RBEF e 885 da REF, representando 79% e 85% dos artigos publicados nesses períodos, respectivamente. Os resultados indicaram tópicos dominantes em cada revista e suas respectivas tendências ao longo do tempo. Enquanto a RBEF mostrou um declínio em tópicos relacionados à Educação e um aumento nas publicações sobre Física Geral, a REF apresentou uma predominância de tópicos relacionados à Educação, com um aumento significativo em publicações sobre Laboratório Virtual e Ensino. Estas descobertas proporcionam informações valiosas sobre a evolução dos temas de pesquisa em ensino de Física nos contextos brasileiro e argentino e quais são as potencialidades de se utilizar o aprendizado de máquina em pesquisas de ensino de Física.

Referências

Bird, S. (2016). Natural language processing with python. O’Reilly Media.

Blei, D. M., Ng, A. Y. & Jordan, M. I. (2003). Latent Dirichlet Allocation. J. Mach. Learn. Res., 3, 993–1022.

Carter, L. (2008). Sociocultural influences on science education: innovation for contemporary times. Science Education, 92(1), 165-181. DOI: 10.1002/sce.20228

Chen, X., Zou, D., Cheng, G. & Xie, H. (2020). Detecting latent topics and trends in educational technologies over four decades using structural topic modeling: A retrospective of all volumes of Computers & Education. Computers & Education, 151, 103855. DOI: 10.1016/j.compedu.2020.103855

Chollet, F. (2018). Deep learning with Python. Manning Publications.

Fontes, D. T. M. y Rodrigues, A. M. (2022). Tendencias de investigación en la enseñanza de la física en revistas académicas iberoamericanas. Revista De Enseñanza De La Física, 34(2), 33–45. DOI: 10.55767/2451.6007.v34.n2.39481

Goulart, B. N. K., Pastorio, D. P. e Vidmar, M. P. (2023). O papel do professor diante das tecnologias digitais de informação e comunicação no contexto do ensino remoto emergencial de Física e Ciências. Revista De Enseñanza De La Física, 35(1), 17–26. DOI: 10.55767/2451.6007.v35.n1.41387

Mitchell, R. E. (2018). Web scraping with Python: Collecting more data from the modern web (Second edition). O’Reilly Media.

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

Odden, T. O. B., Marin, A. & Caballero, M. D. (2020). Thematic analysis of 18 years of physics education research conference proceedings using natural language processing. Physical Review Physics Education Research, 16(1), 010142. DOI: 10.1103/PhysRevPhysEducRes.16.010142

Odden, T. O. B., Marin, A. & Rudolph, J. L. (2021). How has Science Education changed over the last 100 years? An analysis using natural language processing. Science Education, 105(4), 653–680. DOI: 10.1002/sce.21623

Röder, M., Both, A. & Hinneburg, A. (2015). Exploring the Space of Topic Coherence Measures. Proceedings of the Eighth ACM International Conference on Web Search and Data Mining, 399–408. DOI: 10.1145/2684822.2685324

Syed, S. & Spruit, M. (2017). Full-Text or Abstract? Examining Topic Coherence Scores Using Latent Dirichlet Allocation. 2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA), 165–174. DOI: 10.1109/DSAA.2017.61

Downloads

Publicado

2023-12-01

Edição

v. 35: Número Extra: Selección de Trabajos presentados a REF

Seção

Trabajos presentados a REF

Licença

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:

  1. Los autores/as conservarán sus derechos de copiar y redistribuir el material, bajo los términos estipulados en la  Licencia de reconocimiento, no comercial, sin obras derivadas de Creative Commons que permite a terceros compartir la obra bajo las siguientes condiciones:

    • Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
    • NoComercial — No puede utilizar el material para una finalidad comercial.
    • SinObraDerivada — Si remezcla, transforma o crea a partir del material, no puede difundir el material modificado.
     
     
  2. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
  3. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).

Como Citar

Tópicos e tendências no ensino de física utilizando inteligência artificial. (2023). Revista De Enseñanza De La Física, 35, 167-173. https://revistas.psi.unc.edu.ar/index.php/revistaEF/article/view/43304