Apr, 2023

课程评论的意见挖掘和主题分类的深度学习

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 用于商业评论情感分类的卷积神经网络

    本文使用卷积神经网络并采用单词嵌入技术，通过对 Yelp 2017 挑战数据集业务评论进行多次实验处理，取得了与传统方法相当的分类效果。

    Oct, 2017

  • 深度学习与传统分类器在越南学生反馈语料库上的对比

    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

  • 基于深度学习的情感分析：一项比较研究

    本文综述了在自然语言处理（NLP）方面使用深度学习模型进行情感分析的最新研究，评估了使用词频-逆文档频率（TF-IDF）和词嵌入技术的不同模型和输入特征，并对实验结果进行了比较研究。

    Jun, 2020

  • 基于联合方面-情感主题嵌入的弱监督方面为基础的情感分析

    本文提出了一种基于弱监督的方法进行情感分析，通过词嵌入空间下的<情感，方面>联合主题嵌入来实现预测，通过预训练分类器和自我训练来利用词级别的判别信息。

    Oct, 2020

  • 支持学生选课的开放式MOOC评论的大规模分析

    通过分析不同平台上的 240 万个 MOOC 评论，研究结果表明，数值评分存在偏见，而文本评论的 NLP 驱动情感分析和主题发现技术反映了课程广告、实际应用性和难度等主题，为在线教育评论提供更透明的方法。

    Jan, 2022

  • 基于机器学习情感分析的生命科学课程学生综合评价工具以提高反馈效能

    通过Python、LaTeX和谷歌自然语言处理API，我们提出了一种将学生对课程的观点进行情感分析并归类为主题特定分报告的新方法。

    Jan, 2023

  • 采用自然语言处理方法进行教育反馈分析的趋势和挑战综述

    本文概述了人工智能在教育领域的应用，针对学生反馈数据，提出了利用自然语言处理技术来识别教育基础设施、学习管理系统、教学实践和学习环境的改进方向，并重点介绍了情感标注、实体注释、文本摘要和主题建模等文本分析技术在教育领域的应用及其存在的挑战。

    Jan, 2023

  • 教育数据的情感分析和舆情挖掘: 一项调查

    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

  • 从Google应用程序评论中察觉大学生的意见

    通过机器学习和深度学习算法，使用情感分析明确揭示和解释应用市场评论的情绪，该研究通过探索性分析对应用程序评论进行情感分类，并确定大学生对应用市场的行为。

    Dec, 2023

  • 基于自然语言处理量化学生组织活动的有效性

    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