Bibliometric Analysis of Artificial Intelligence in STEM Education
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study conducts a bibliometric analysis of artificial intelligence (AI) in STEM education research from 2020 to 2024. The study uses citation analysis to examine publication trends, country contributions, top authors, cited journals, and influential articles in this field. Data was collected from the Dimensions database using the keywords "artificial intelligence" AND "stem education." The analysis reveals a significant increase in publications and citations in 2024 compared to previous years. The United States emerges as the leading country in the number of documents (9) and citations (103). China follows with five documents but no citations. The most cited authors include Nesra Yannier, Kenneth R. Koedinger, and Scott E. Hudson, each with 55 citations. The International Journal of Artificial Intelligence in Education is the most cited journal, with 55 citations. The most influential article, "Active Learning is About More Than Hands-On: A Mixed-Reality AI System to Support STEM Education," received 55 citations. Carnegie Mellon University stands out as the most cited institution, with 55 citations. The findings highlight the growing importance of AI in STEM education research, focusing on personalized learning, advanced analytics, and instructional automation, inspiring us all with the potential of AI to transform the future of education. This bibliometric analysis provides valuable insights for researchers, educators, and policymakers interested in the intersection of AI and STEM.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,073 | 0,191 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle