Artificial Intelligence in Education: A Bibliometric Study on Its Role in Transforming Teaching and Learning
Notice bibliographique
Résumé
This study aimed to present a comprehensive bibliometric analysis of 1,726 academic studies from among those indexed by the Web of Science database platform between 2013 and 2023, to provide a general framework for the concept of artificial intelligence in education (AIEd). Trends in publications and citations across countries, institutions, academic journals, and authors were identified, as well as collaborations among these elements. Several bibliometric analysis techniques were applied, and for each analysis, the motivations behind the execution and method of producing findings were documented. Our findings showed that the number of studies on the concept of AIEd has increased significantly over time, with the U.S. and China being the most common countries of origin. Institutions in the U.S. stand out from those around the world. Pioneering journals in education have also emerged as prominent in the field of AIEd. On the other hand, collaboration between authors has been limited. The study was supplemented with keyword analysis to reveal thematic AIEd concepts and to reflect changing trends. For those exploring artificial intelligence in education, our insights on popular topics offer valuable guidance toward greater understanding of the latest advancements and key research areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,086 | 0,197 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».