IMPACTOS DA UTILIZAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO EM ENGENHARIA: UMA ABORDAGEM EXPLORATÓRIA
Bibliographic record
Abstract
Este artigo examina os impactos da utilização da Inteligência Artificial (IA) na educação em engenharia, com foco nas áreas de personalização, engajamento, eficiência, considerações éticas e direções futuras.A integração da IA na educação em engenharia apresenta oportunidades para instrução personalizada, adaptando a experiência de aprendizagem às necessidades e habilidades individuais dos alunos.Laboratórios virtuais e ambientes de aprendizagem remotos impulsionados por IA aprimoram o engajamento dos alunos, fornecendo experiências práticas e autênticas, superando barreiras geográficas.O uso de assistentes virtuais inteligentes apoia a jornada de aprendizagem dos alunos, oferecendo orientação personalizada e feedback em tempo real.No entanto, considerações éticas, como privacidade e segurança dos dados, devem ser abordadas ao coletar e analisar informações dos alunos.A confiabilidade dos sistemas de IA também é uma preocupação, exigindo algoritmos transparentes e processos de tomada de decisão imparciais.O desenvolvimento profissional dos educadores desempenha um papel vital na integração efetiva das tecnologias de IA, considerando os diferentes níveis de familiaridade tecnológica entre os professores.As futuras direções de pesquisa abrangem a integração da IA em laboratórios virtuais e remotos, o desenvolvimento de sistemas inteligentes de tutoria e a avaliação do impacto da IA nos resultados de ensino e aprendizagem.Em última análise, a integração responsável e ética da IA na educação em engenharia promete aprimorar a experiência educacional, preparando os alunos para os desafios do futuro.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.018 | 0.072 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".