Тенденції розвитку досліджень у сфері штучного інтелекту в освіті: тематичне моделювання за допомогою латентного розподілу Діріхле
DOI:
https://doi.org/10.30977/BUL.2219-5548.2025.108.0.17Ключові слова:
штучний інтелект, освіта, персоналізація, машинне навчання, латентний розподіл Діріхле, тематичне моделюванняАнотація
Штучний інтелект ініціює радикальну трансформацію освітнього середовища, модифікуючи методології навчання, механізми оцінювання та інструменти персоналізації освітніх процесів. У даному дослідженні здійснено аналіз наукових трендів інтеграції штучного інтелекту в освіту з використанням тематичного моделювання. На основі даних з Web of Science, виокремлено перспективні вектори розвитку інтелектуальних освітніх технологій, які становлять основу для формування інноваційних освітніх парадигм.
Посилання
Бобро Н. Переваги та недоліки упроваджен-ня штучного інтелекту у освітній процес. Молодий вчений. 2024. № 4 (128). С. 72–76.
International Artificial Intelligence in Education Society. About the International AIED Society. URL: https://iaied.org/about (дата звернення 05.03.2025).
Nejdl W., Rensing C., Caballé S., Larriba-Pey J. L. Artificial Intelligence in Education: Challenges and Opportunities. European School Education Platform.
Rizzo G., De Pietro G., De Pietro L. Artificial Intelligence in Education: A Review. Technics and Informatics in Education. 2022. № 22. С. 223–228.
Dillenbourg P., Kasyanov M. M., Dillenbourg P. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Le Monde. 2024.
Holmes W., Bialik M., Fadel C. Artificial Intelligence: Challenges for Education and Research. Nursing Science Quarterly. 2023. Т. 36, № 3. С. 227–229.
Blei D. M., Ng A. Y., Jordan M. I. Latent dirichlet allocation. Journal of Machine Learning Research. 2003. Т. 3. С. 993–1022.
Schwarz C. ldagibbs: A command for topic modeling in Stata using latent Dirichlet allocation. The Stata Journal. 2018. Т. 18, № 1. С. 101–117.
Egger R. Topic modelling. Modelling hidden semantic structures in textual data. Applied Data Science in Tourism. Interdisciplinary Approaches, Methodologies and Applications / за ред. R. Egger. Berlin: Springer, 2022. С. 18.
Obadimu A., Mead E., Agarwal N. Identifying latent toxic features on YouTube using non-negative matrix factorization. The Ninth International Conference on Social Media Technologies, Communication, and Informatics (Valencia, 2019). С. 1–6.
Chen Y., Zhang H., Liu R., Ye Z., Lin J. Experimental explorations on short text topic mining between LDA and NMF based Schemes. Knowledge-Based Systems. 2019. Т. 163. С. 1–13.
Lee D. D., Seung H. S. Learning the parts of objects by non-negative matrix factorization. Nature. 1999. Т. 401. С. 788–791.
