Pesquisa sobre construção de informação do gráfico do conhecimento baseado na recuperação de literatura na aprendizagem de inglês
Palavras-chave:
Pesquisa em linguagem controlada, Visibilidade dos documentos, Tecnologias da informaçãoResumo
O objetivo deste estudo foi explorar a construção de um gráfico de conhecimento da língua inglesa baseado na recuperação de literatura para apoiar a educação inteligente. Um questionário foi administrado para coletar dados sobre as experiências dos alunos com abordagens de aprendizagem tradicionais e aprimoradas pela tecnologia. A literatura também foi recuperada e analisada para preencher os domínios do gráfico de conhecimento. Os resultados mostraram que a implementação de um gráfico de conhecimento melhorou significativamente a personalização da aprendizagem e promoveu um maior envolvimento dos alunos em comparação com métodos de ensino convencionais. A análise em tempo real e o feedback contínuo otimizaram ainda mais o processo de aprendizagem. As avaliações pós- implementação encontraram ganhos notáveis no desempenho acadêmico dos alunos e na inclinação para o aprendizado do inglês. O ambiente de aprendizagem personalizado e adaptativo facilitado pelo gráfico de conhecimento sustentou de forma mais eficaz o interesse e promoveu o desempenho. Em conclusão, os gráficos de conhecimento construídos através da análise da literatura têm um potencial promissor para o avanço da educação de inglês quando incorporados em sistemas de tutoria inteligentes. Ao mapear as interconexões dentro do domínio da disciplina visual e computacionalmente, eles podem fornecer instruções altamente personalizadas, adaptadas às necessidades individuais.
Downloads
Referências
Aouichaoui, A. R. N. et al. G.Uncertainty estimation in deep learning-based property models: Graph-based on literature retrieval neural networks applied to the critical properties. AIChE Journal, v. 68, n. 6, e17696, 2022. Doi : https://doi.org/10.1002/aic.17696
Charifi, R. et al. A. Sedimentary phosphate classification based on spectral analysis and machine learning. Computers & Geosciences, v. 150, 2021.
Chiu, C. K.; Tseng, J. C. R. A Bayesian Classification Network-Based Learning Status Management System in an Intelligent Classroom. Educational Technology & Society, v. 24, n. 24, p. 67-78, 2021.
Cui, Q. Multimedia Teaching for Applied Linguistic Smart Education System. International Journal of Human-Computer Interaction, v. 56, n. 56, p. 89-101, 2023. Doi: https://doi.org/10.1080/10447318.2022.2122111
Eng, K.; Wolock, D. M.; Wieczorek, M. Predicting baseflow recession characteristics at ungauged stream locations using a physical and machine learning approach. Advances in Water Resources, v. 11, n. 15, p. 45-58, 2023. Doi: https://doi.org/10.1016/j.advwatres.2023.104440
Geisler, E. L. et al. A Role for Artificial Intelligence in the Classification of Craniofacial Anomalies. Journal of Craniofacial Surgery, v. 32, n. 3, p. 967-969, 2021. Doi: https://doi.org/10.1097/SCS.0000000000007369
Huang, W. et al. A generic intelligent routing method using deep reinforcement learning with graphs based on literature retrieval neural networks. IET Communications, v. 69, p. 69-77, 2022. Doi https://doi.org/10.1049/cmu2.12487
Jiang, D. et al. Multiview feature augmented neural network for knowledge graph based on literature retrieval embedding. Knowledge-Based Systems, v. 56, n. 56, p. 65-77, 2022. Doi: https://doi.org/10.1016/j.knosys.2022.109721
Liu, Y. F.; Hwang, W. Y.; Liu, Z. Y. Effects of Mobile Drama With Authentic Contexts on English Learning based on Literature Retrieval: Journal of Educational Computing Research, v. 59, n. 7, p. 1294-1318, 2021. Doi: https://doi.org/10.1177/0735633121994289
Matthews, S.; Proctor, M. D. Can Public Health Workforce Competency and Capacity be Built through an Agent-based Online, Personalized Intelligent Tutoring System? Educational Technology & Society, v. 24, n. 1, p. 77-86, 2021.
Menekse, M. Envisioning the future of learning and teaching engineering in the artificial intelligence era: Opportunities and challenges. Journal of Engineering Education, v. 233, n. 233, p. 45-59, 2023. Doi: https://doi.org/10.1002/jee.20539
Moore, S. K.; Schneider, D.; Strickland, E. How Deep Learning Works: Inside the Neural Networks that Power Today’s AI. IEEE Spectrum, v. 10, n. 58, 2021. Doi: https://doi.org/10.1109/MSPEC.2021.9563965
Roberts, G. J. Tall trees; weak roots? A model of barriers to English language proficiency confronting displaced medical healthcare professionals: Language Teaching Research, v. 27, n. 4, p. 820-836, 2023. Doi: https://doi.org/10.1177/1362168820968366
Ruiz, S.; Rebuschat, P.; Meurers, D. The effects of working and declarative memory on instructed second language vocabulary learning: Insights from intelligent CALL: Language Teaching Research, v. 25, n. 4, p. 510-539, 2021. Doi: https://doi.org/10.1177/1362168819872859
Shiranirad, M.; Burnham, C. J.; English, N. J. Machine-learning-based many-body energy analysis of argon clusters: Fit for size? Chemical Physics, v. 552, e111347, 2021.
Xin, D. Application Value of Multimedia Artificial Intelligence Technology in English learning Based on literature retrieval Practice. Hindawi Limited, v. 45, n. 45, p. 23-40, 2021.
Xu, Z. et al. The effects of web-based text structure strategy instruction on adult Chinese ELLs’ reading comprehension and reading strategy use. Language Teaching Research, v. 28, n. 4, p. 1288-1310, 2024. Doi: https://doi.org/10.1177/13621688211022308
Yang, C. et al. Machine Learning-Based Student Modeling Methodology for Intelligent Tutoring Systems: Journal of Educational Computing Research, v. 59, n. 6, p. 1015-1035, 2021. Doi: https://doi.org/10.1177/0735633120986256
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Transinformação
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
