Appication of machine learning algorithms in the Classification of Specialized Knowledge of Physics Teachers
DOI:
https://doi.org/10.33448/rsd-v9i11.10584Keywords:
Machine learning; Knowledge classification; PTSK; Doc2vec; J48.Abstract
The success of Artificial Intelligence has attracted researchers from different areas to use computational techniques in tasks of extracting knowledge from unstructured data, such as textual documents, presenting itself as a possible solution for the classification of Specialized Knowledge of Physics Teachers , which consists of an analytical tool that describes the Knowledge of Physics (PK) and Didactic knowledge of Content (PCK), considered very important to assist in the identification and analysis of knowledge mobilized by teachers in their teaching practices. However, the task of identifying and classifying knowledge present in textual documents presents some challenges, such as: investigating textual documents is laborious, time-consuming and involves the labor of specialized people. In this sense, the objective of the research is to analyze the effectiveness of the algorithms used in the automatic classification of Expert Knowledge of Physics Teachers (PTSK) in texts from a previously classified database. The methodological approach is quantitative, exploratory and applied to predict the class Knowledge of Physics (PK) or Didactic Knowledge of Content (PCK) to characterize knowledge. For this, two algorithms were used: doc2vec and J48 and the results were analyzed based on the results achieved in the validation metrics. The best result was achieved with doc2vec, obtaining an 88% success rate. Based on the results achieved, it can be concluded that the strategy of using artificial intelligence for the automatic classification of knowledge of Physics teachers is a plausible solution.
References
Almeida, L. M., Padilha, T. P. P., Oliveira, F. L.de & Previero, C. A. (2003). Uma Ferramenta para Extração de Padrões. REIC. Revista Eletrônica de Iniciação Científica.
Ausubel, D. P., Novak, J. D. & Hanesian, H. (1980). Psicologia educacional. Tradução Eva Nick. Rio de Janeiro: Interamericana.
Ball, D. L., Thames, M. H. & Phelps, G. (2008). Content Knowledge for Teaching: What Makes It Special? Journal of teacher education.
Breve, F. A. (2010). Aprendizado de máquina em redes complexas. Tese (Doutorado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos.
Carrillo, J., Avila, D. I. E., Mora, D. V. & Medrano, E. F. (2014). Un marco teórico para el conocimiento especializado del profesor de matemáticas. Huelva, Espanha: Universidad de Huelva Publicaciones.
Carrillo, J., Climent, N., Contreras, L. C. & Muñoz-Catalán, M. C. (2013). Determining Specialised Knowledge For Mathematics Teaching. In: Ubuz, B.; Haser, C., et al. (Ed.). VIII Congress of the European Society for Research in Mathematics Education (CERME 8). 8. Antalya, Turkey: Middle East Technical University, Ankara.
Contreras, J. (2002). A autonomia de professores. São Paulo: Cortez.
Feldman, R., & Sanger, J. (2006). Text Mining Handbook. Cambridge (MA): Cambridge University Press.
Fernandez, C. (2015). Revisitando a Base de Conhecimentos e o Conhecimento Pedagógico do Conteúdo (PCK) de Professores de Ciências. Ensaio: Pesquisa em Educação em Ciências.
Gauthier, C. (1998). Por uma teoria da Pedagogia: pesquisas contemporâneas sobre o saber docente. Ijuí: Unijuí.
Giasson, E., Hartemink, A. E., Tornquist, C. G., Teske, R., & Bagatini, T. (2013) Avaliação de cinco algoritmos de árvores de decisão e três tipos de modelos digitais de elevação para mapeamento digital de solos a nível semidetalhado na Bacia do Lageado Grande, RS, Brasil. Ciência Rural (UFSM).
Gil, A. C. (1999). Métodos e técnicas de pesquisa social. (5a ed.), São Paulo.
Grossman, P. L. (1990). The making of a teacher: teacher knowledge and teacher education. New York: Teachers College Press.
Hall, M. (2009). The WEKA Data Mining Software: an update. SIGKDD Explorations Newsletter.
Han, J., Kamber, M. & Pei, J. (2011). Data Mining: Concepts and Techniques (3a ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.
He, K., Zhang, X., Ren, S. & Sun, J. (2015). Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. In: Proceeding ICCV '15 Proceedings of the 2015 IEEE International Conference on Computer Vision (ICCV).
Kilpatrick, J., & Spangler, D. A. (2015) Educating Future Mathematics Education Professors. Handbook of International Research in Mathematics Education.
Lima, S. S. (2018). Conhecimento especializado de professores de física: uma proposta de modelo teórico. Dissertação (Mestrado em Ensino) - Programa de Pós-Graduação Stricto Sensu em Ensino, Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso – IFMT, Cuiabá.
Lima, S. S., Darsie, M. M. P., & Mello, G. J. (2020). Análise comparativa dos modelos usados como ferramenta metodológica nas pesquisas sobre o Conhecimento Pedagógico de Conteúdo (PCK) de professores de Física no Brasil. Caderno Brasileiro de Ensino de Física.
Loughran, J., Milroy, P., Berry, A., Gunstone, R. & Mulhall, P. (2001) Documenting science teachers' pedagogical content knowledge through PaP-eRs. Research in Science Education.
Luís, M., Monteiro, R. & Carrillo, J. (2015). Conhecimento Especializado do Professor para Ensinar Ciências. In: Encontro Nacional De Educação Em Ciências, XVI. Lisboa, Portugal. Anais. Lisboa: APEduC.
Maimon, O., & Rokach, L. (2005). Data mining and knowledge discovery handbook. Springer.
Malanchen, J., Negrão, R. & Santos, S. A. (2012). Formação de professores: Diferentes enfoques e algumas contradições. In: IX ANped Sul, 2012, Caxias do Sul. A pós-graduação e suas interlocuções com a educação básica.
Marconi, M. De A. & Lakatos, E. M. (2001). Metodologia científica: ciência e conhecimento científico, métodos científicos, teoria, hipóteses e variáveis, metodologia jurídica. 3. ed. rev. e ampl. São Paulo.
Morais, E. A. M. & Ambrósio, A. P. L. (2007) Mineração de textos. Relatório Técnico–Instituto de Informática (UFG).
Moreira, M. A. (2017) Grandes desafios para o ensino da física na educação contemporânea. Revista do Professor de Física, Brasília.
Moriel Junior, J. G. (2014). Conhecimento especializado para ensinar
divisão de frações. 2014. 162 p. Tese de doutorado (Pós-Graduação em Educação
em Ciências e Matemática – PPGECEM/REAMEC) – Universidade Federal de Mato
Grosso, Cuiabá.
Moriel Junior, J. G., & Alencar, E. S. (2020). Pesquisa e formação docente com MTSK em Mato Grosso e Mato Grosso do Sul. Research, Society and Development.
Moriel Junior, J. G., & Wielewski, G. D. (2017). Base de Conhecimento de Professores de Matemática: do Genérico ao Especializado. Revista de Ensino, Educação e Ciências Humanas.
Nóvoa, A. (1991). Para o estudo sócio-histórico da gênese e desenvolvimento da profissão docente. Teoria & Educação.
Park, S., & Oliver, S. (2008). Revisiting the conceptualization of pedagogical content knowledge (PCK): PCK as a conceptual tool to understand teachers as professionals. Research in Science Education. NewYork.
Pellucci, P. R. S., Ribeiro, R. P., Oliveira, W. B. & Ladeira, A. P. (2011) Utilização de Técnicas de Aprendizado de Máquina no reconhecimento de entidades nomeadas no Português. Exacta, Belo Horizonte.
Pimenta, S. G. (2012). Saberes pedagógicos e atividade docente. São Paulo: Cortez.
Pimenta, S. G. (1997). Formação de professores - saberes da docência e identidade do professor. Revista da Educação da Aec do Brasil, São Paulo.
Quinlan, J. R. (1993). C4.5: programs for machine learning. Sydney, Austrália: Morgan Kaufmann Publishers.
Richardson, R. J. (1999) Pesquisa social: métodos e técnicas. (3a ed.), São Paulo.
Salem, S. (2012). Perfil, evolução e perspectivas da Pesquisa em Ensino de Física no Brasil. 2012. 385f. Tese (Doutorado) – Universidade de São Paulo, São Paulo.
Santos, R. M. M. dos. (2016). Técnicas de aprendizagem de máquina utilizadas na previsão de desempenho acadêmico. 2016. 90 p. Dissertação (Mestrado Profissional) – Programa de Pós-Graduação em Educação, Universidade Federal dos Vales do Jequitinhonha e Mucuri, Diamantina.
Shulman, L. (1987). Knowledge and teaching: Foundations of the new reform. Harvard Educational Review. Feb.
Shulman, L. (1986). Those who understand: knowledge growth in teaching. Educational Researcher. Washington.
Soares, S. T. C. (2019). Conhecimento Especializado de Professores de Química: Proposta de Modelo com detalhamento do Conhecimento dos Tópicos. Dissertação (Mestrado em Ensino) Programa de Pós-Graduação Stricto Sensu em Ensino, Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso – IFMT, em associação com Universidade de Cuiabá.
Tardif, M. (2010). Saberes docentes e formação profissional. (12a ed.), Petrópolis (RJ): Vozes.
Vasco, D., Moriel Junior, J. G. & Contreras, L. C. (2017). Subdominios KoT y KSM del Mathematics Teacher’s Specialised Knowledge (MTSK): definición, categorías y ejemplos. In: III Jornadas de Investigación en Didáctica de las Matemáticas, Huelva.
Vergara, S. C. (2000). Projetos e relatórios de pesquisa em administração. (3a ed.), Rio de Janeiro: Atlas.
Waikato. (2020, junho 16). Weka 3: Data Mining Software in Java. 2015. Recuperado de: http://www.cs.waikato.ac.nz/ml/weka/.
Witten, I. H., & Frank. E. (2005) Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, San Francisco, 2nd edition.
Ye, N. (2003). The Handbook of Data Mining. London: Taylor & Francis.
Zikmund, W. G. (2000). Business research methods. (5a ed.) Fort Worth, TX: Dryden.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2020 Tamara Aguiar Tavares Mascarenhas; Jeferson Gomes Moriel Junior ; Raphael de Souza Rosa Gomes; Geison Jader Mello
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.