本研究使用机器学习和自然语言处理技术（NaiveBayes，Maximum Entropy，Long Short-Term Memory，Bi-Directional Long Short-Term Memory）对来自大学的越南学生反馈语料库进行情感分析，得出使用双向长短期记忆算法进行情感分类的结果最好，可帮助学校识别出问题并提出改进方法。

Nov, 2019

本文综述了情感分析在教育领域的四个级别及其在教学决策制定以及对教学质量的提升的作用，描述了使用AI方法和情感标注技术对学生反馈进行分析的过程和工具，并讨论了情感分析领域中的挑战和未来趋势。

Feb, 2023

通过研究23名香港中学学生的故事写作，我们发现AI生成的文本对提高学生写作质量有一定帮助，并可以帮助教育工作者设计更好的AI工具和教学活动。

Mar, 2023

本文旨在利用机器学习的方法来分析学生的课程反馈，使用自然语言处理的技术和嵌入式词和深度神经网络等现代方法，使用RoBERTa 模型获得95.5%的准确率和84.7%的F1-macro，提供给大学和课程提供商以一个使用NLP模型自我评估和改进的指导。

Apr, 2023

利用最新的人工智能和自然语言处理技术，本文介绍了自动化反馈的前沿领域，分析了其伦理问题，并提出了一个框架，以帮助学者负责地开发这样的系统。

Aug, 2023

本文综述了数字学习环境在K-12教育中教授自然语言处理（NLP）的应用情况，探讨了现有的数字学习工具如何支持特定的NLP任务与流程，并研究了它们在教育背景下的可解释性和评估结果。通过检验这些工具的优点和限制，本文研究揭示了K-12教育中自然语言处理学习工具的现状，旨在指导未来的研究努力改善现有工具，开发新工具，并探索更有效和包容的NLP整合策略。

Oct, 2023

自然语言处理（NLP）旨在通过计算机科学领域的技术来分析文本，适用于医疗、商业和教育领域的应用。本文回顾了近期在教育领域解决问题方面的NLP的最新进展，介绍相关背景，提出NLP在教育领域的分类体系，并基于该体系讨论任务定义、挑战以及相应技术。随后展示了该领域中的一些现有演示，并给出未来方向的结论。

Jan, 2024

通过对教育文本的深度洞察，本文探讨了计算机辅助文本分析在提高教学质量方面的转变潜力，结合Richard Elmore的教学核心框架，研究了人工智能和机器学习方法特别是自然语言处理在分析教育内容、教师论述和学生反馈方面的作用，从教师指导、学生支持和内容开发等关键领域发现了AI/ML集成的重要优势，并揭示了AI/ML的模式，不仅可以简化行政任务，还可以为个性化学习引入新的途径，为教育工作者提供可操作的反馈，为教学动态提供更深入的理解。本文强调将AI/ML技术与教学目标相一致，实现其在教育环境中的充分潜力，提倡平衡的方法，包括考虑道德考虑、数据质量和融合人类专业知识。

Mar, 2024

通过分析大学教师对人工智能语言模型的经验和态度，本研究填补了文献中对人工智能在教育中的应用以及其对教学和学习的潜在影响的研究空白。该研究调查了高等教育中语言模型和生成式人工智能工具的意识水平、整体态度以及影响这些态度的因素。研究结果显示，教育工作者对这些工具的认识程度逐渐增加，总体上持积极态度。教学风格与对生成式人工智能的态度之间没有相关性。最后，相较于其他领域的教育工作者，计算机科学教育工作者对生成式人工智能工具在技术上的理解更有信心，对其持更加积极的态度，但在检测人工智能生成作品的能力上并不更有信心。

Mar, 2024

本研究解决了缺乏有效方法量化学生课外活动效果的难题，提出了一种利用机器学习和自然语言处理的工作流程，通过情感分析评估学生组织活动的有效性。研究结果表明，使用BERT大型语言模型能够有效分析学生的情感反应，从而为教育机构的决策提供数据驱动的实用示例，展现了机器学习在教育领域的潜在影响。

Aug, 2024