Aplicación de algoritmos de aprendizaje automático en la Clasificación de Conocimientos Especializados de Profesores de Física
DOI:
https://doi.org/10.33448/rsd-v9i11.10584Palabras clave:
Aprendizaje automático; Clasificación del conocimiento; PTSK; Doc2vec; J48.Resumen
El éxito de la Inteligencia Artificial ha atraído a investigadores de diferentes áreas a utilizar técnicas computacionales en tareas de extracción de conocimiento a partir de datos no estructurados, como documentos textuales, presentándose como una posible solución para la clasificación de Conocimientos Especializados de Profesores de Física. , que consiste en una herramienta analítica que describe el Conocimiento de la Física (PK) y el Conocimiento Didáctico de los Contenidos (PCK), considerados muy importantes para ayudar en la identificación y análisis de los conocimientos movilizados por los docentes en sus prácticas docentes. Sin embargo, la tarea de identificar y clasificar el conocimiento presente en los documentos textuales presenta algunos desafíos, tales como: investigar documentos textuales es laborioso, requiere mucho tiempo e implica el trabajo de personas especializadas. En este sentido, el objetivo de la investigación es analizar la efectividad de los algoritmos utilizados en la clasificación automática del Conocimiento Experto de Profesores de Física (PTSK) en textos de una base de datos previamente clasificada. El enfoque metodológico es cuantitativo, exploratorio y aplicado para predecir la clase Conocimiento de la Física (PK) o Conocimiento Didáctico del Contenido (PCK) para caracterizar conocimientos. Para ello se utilizaron dos algoritmos: doc2vec y J48 y los resultados se analizaron en base a los resultados obtenidos en las métricas de validación. El mejor resultado se logró con doc2vec, obteniendo una tasa de éxito del 88%. A partir de los resultados obtenidos, se puede concluir que la estrategia de utilizar la inteligencia artificial para la clasificación automática del conocimiento de los profesores de Física es una solución plausible.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Tamara Aguiar Tavares Mascarenhas; Jeferson Gomes Moriel Junior ; Raphael de Souza Rosa Gomes; Geison Jader Mello
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
