Jan, 2024

课程讨论论坛中的 Bloom 认知和情感分析层次分类

PDF
TL;DR本研究旨在比较适用的机器学习模型，根据教育讨论区中的文本评论来评估情感和布鲁姆的认识论层级。采用了 Bloom-Epistemic 和情感分析的分层方法，并成功开发出一个基于文本评论的课程学习子系统，按照情感和认识论分析的类别评估意见。
发现论文，激发创造
  • 多模态方面基情感分析技术用于社交媒体用户观点提取

    该研究使用机器学习技术分析社交媒体上用户的意见与经验，通过建立自动化数据分析流程找到图片和特定词汇，应用基于方面的情感分析方法发现用户对选择的主题的看法，提出了新的语义计算方法，为建筑专家等领域的研究者提供了新的见解。

    Oct, 2022

  • 课程评论的意见挖掘和主题分类的深度学习

    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

  • 多源社交媒体情感分析的比较研究

    本文使用多种技术，如基于词典的、机器学习和深度学习方法，对社交媒体上的评论数据进行情感分析，并提供了比较分析结果。在本研究中，我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。

    Dec, 2022

  • 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

  • 基于层次模型的方面情感分析

    通过建模评论中的句子之间的相互依赖关系，我们提出了一种基于分层双向 LSTM 的情感分析方法，在五个多语种、多领域的数据集上取得了竞争状态下最先进结果，并优于其它两种基线模型，而且不需要使用手工特征或外部资源。

    Sep, 2016

  • 优化基于布鲁姆认知目标的问题设计，减轻 ChatGPT 对教育的负面影响

    本文提出了一种演化方法，旨在确定 Bloom's taxonomy 最佳关键词集，以生成 ChatGPT 难以回答的问题，以解决生成文本 AI 工具对学生学术表现的潜在负面影响和教育者评估学生成果所面临的挑战问题。使用澳大利亚堪培拉新南威尔士大学的数据结构和表示课程的问题进行的案例研究表明，优化算法能够找到不同认知水平的关键词，创造出 ChatGPT 有困难回答的问题，从而为教育者制定更有效的问题，促进学生的批判性思维提供了有价值的见解。

    Mar, 2023

  • 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

  • 在线社交网络中利用情感分析研究群体行为

    本研究利用社交媒体内容评估情感分析技术，创建主观性与群体行为和聚类系数之间的关联，并尝试预测 2021 年西孟加拉邦选举结果。

    Jul, 2021

  • 一种层次化的端到端模型，用于同时改善文本摘要和情感分类

    提出了一种使用分层端到端模型联合学习文本摘要和情感分类的方法，将情感分类标签视为文本摘要输出的进一步 “摘要”，实现了摘要和分类两个任务的统一，该模型在亚马逊在线评论数据集上表现优于强基准系统。

    May, 2018

  • 使用机器学习和自然语言处理方法进行情感分析中 Reddit 评论的性能评估

    使用 GoEmotions 数据集评估情感分析模型的效能并扩展研究范围，发现 RoBERTa 模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。

    May, 2024