El Impacto de la Inteligencia Artificial en el Álgebra Lineal. Una revisión bibliométrica
DOI:
https://doi.org/10.62776/rse.v2i2.48Palabras clave:
Inteligencia Artificial, Álgebra Lineal, Educación Superior, Revisión BibliométricaResumen
En el presente artículo se realizó un análisis bibliométrico sobre el impacto de la Inteligencia Artificial (IA) en el Álgebra Lineal, con el objetivo de identificar patrones y tendencias en la producción científica en esta área. Se llevó a cabo una revisión sistemática de la literatura indexada en la base de datos Scopus, aplicando técnicas bibliométricas mediante herramientas especializadas como Bibliometrix y VOSviewer. Se revisaron 779 publicaciones, seleccionando 496 documentos para un análisis detallado, cubriendo un período de 55 años (1969-2024). Desde 2018, las publicaciones han crecido exponencialmente, alineándose con el desarrollo de la IA en la educación superior. Se destacaron los autores más influyentes, como Zhang, Y. y Zhang, S., y las revistas de mayor impacto, incluyendo Lecture Notes in Computer Science. El análisis semántico identificó dos áreas principales de desarrollo: la fundamentación matemática del Álgebra Lineal y su aplicación en redes neuronales y aprendizaje automático. Se observó una baja proporción de colaboraciones internacionales, indicando la necesidad de promover redes de cooperación entre instituciones. El estudio concluyó que la IA facilita la construcción de conocimiento en álgebra lineal al automatizar la extracción de conceptos clave, personalizar el aprendizaje según los datos del estudiante y optimizar el procesamiento algebraico con nuevos algoritmos y hardware, así mismo, las herramientas como ChatGPT hacen las veces de asistentes educativos que median el aprendizaje interactivo, potenciando la comprensión conceptual. En síntesis, la IA transforma tanto la enseñanza como la aplicación del álgebra lo que implica nuevas oportunidades para el desarrollo cognitivo y científico. Se recomienda analizar otras bases de datos e investigar el impacto de la Inteligencia Artificial en la enseñanza del Álgebra Lineal, así como en otras ramas de la matemática mediante estudios empíricos.
Citas
Bagno, E., Dana-Picard, T., & Reches, S. (2024). ChatGPT in Teaching Linear Algebra: Strides Forward, Steps to Go. Open Education Studies, 6(1). Scopus. https://doi.org/10.1515/edu-2024-0031
Bianchini, B., de Lima, G., & Gomes, E. (2021). Linear algebra in engineering: An analysis of Latin American studies. ZDM - Mathematics Education, 51(7), 1097-1110. Scopus. https://doi.org/10.1007/s11858-019-01081-5
Bibliometrix. (2024). Bibliometrix-Home. https://www.bibliometrix.org/home/
Chen, Z., Dongarra, J., Luszczek, P., & Roche, K. (2003). Self-adapting software for numerical linear algebra library routines on clusters. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2659, 665-672. Scopus. https://doi.org/10.1007/3-540-44863-2_65
Cherkassky, V., Fassett, K., & Vassilas, N. (1991). Linear Algebra Approach to Neural Associative Memories and Noise Performance of Neural Classifiers. IEEE Transactions on Computers, 40(12), 1429-1435. Scopus. https://doi.org/10.1109/12.106229
Feng, K., Kong, T., Koul, K., Melchert, J., Carsello, A., Liu, Q., Nyengele, G., Strange, M., Zhang, K., Nayak, A., Setter, J., Thomas, J., Sreedhar, K., Chen, P., Bhagdikar, N., Myers, Z. A., D’Agostino, B., Joshi, P., Richardson, S., … Raina, P. (2020). Amber: A 16-nm System-on-Chip With a Coarse- Grained Reconfigurable Array for Flexible Acceleration of Dense Linear Algebra. IEEE Journal of Solid-State Circuits, 59(3), 947-959. Scopus. https://doi.org/10.1109/JSSC.2023.3313116
Kjamilji, A., & Güney, O. (2023). Highly efficient secure linear algebra for private machine learning classifications over malicious clients in the post-quantum world. Journal of King Saud University - Computer and Information Sciences, 35(9). Scopus. https://doi.org/10.1016/j.jksuci.2023.101718
Li, F., Ye, Y., Tian, Z., & Zhang, X. (2021). CPU versus GPU: which can perform matrix computation faster—Performance comparison for basic linear algebra subprograms. Neural Computing and Applications, 31(8), 4353-4365. Scopus. https://doi.org/10.1007/s00521-018-3354-z
Luna, M., & Luna, E. (2024). La biblioteca y el bibliotecario: El punto de vista de los usuarios de centros CONAHCYT. Biblioteca Universitaria, 26(2), Article 2. https://doi.org/10.22201/dgbsdi.0187750xp.2023.2.1512
Mannocci, P., Pedretti, G., Giannone, E., Melacarne, E., Sun, Z., & Ielmini, D. (2021). A Universal, Analog, In-Memory Computing Primitive for Linear Algebra Using Memristors. IEEE Transactions on Circuits and Systems I: Regular Papers, 68(12), 4889-4899. Scopus. https://doi.org/10.1109/TCSI.2021.3122278
Margaritis, K., Adamopoulos, M., Goulianas, K., & Evans, D. (2023). Artificial neural networks and iterative linear algebra methods. Parallel Algorithms and Applications, 3(1-2), 31-44. Scopus. https://doi.org/10.1080/10637199408962524
Nasiri, M., Minaei, B., & Sharifi, Z. (2017). Adjusting data sparsity problem using linear algebra and machine learning algorithm. Applied Soft Computing Journal, 61, 1153-1159. Scopus. https://doi.org/10.1016/j.asoc.2017.05.042
Peng, C., Chen, W., & Wei, A. (2021). Teaching capm for a pre-finance graduate program at the stem undergraduate level: Linear algebra perspective. Mathematics, 9(14). Scopus. https://doi.org/10.3390/math9141668
Rende, R., Viteritti, L., Bardone, L., Becca, F., & Goldt, S. (2024). A simple linear algebra identity to optimize large-scale neural network quantum states. Communications Physics, 7(1). Scopus. https://doi.org/10.1038/s42005-024-01732-4
Strahan, J., Guo, S., Lorpaiboon, C., Dinner, A., & Weare, J. (2023). Inexact iterative numerical linear algebra for neural network-based spectral estimation and rare-event prediction. Journal of Chemical Physics, 159(1). Scopus. https://doi.org/10.1063/5.0151309
VOSviewer. (2024). VOSviewer-Visualizing scientific landscapes. VOSviewer. https://www.vosviewer.com//
Zhang, J. (2024). Exploration of Innovative Teaching Methods in the Teaching Reform of Linear Algebra Course in the Internet Era. Applied Mathematics and Nonlinear Sciences, 9(1). Scopus. https://doi.org/10.2478/amns-2024-0278
