Aug, 2024

基于自然语言处理量化学生组织活动的有效性

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 使用BERT进行团队合作维度分类

    通过自然语言处理和BERT模型的深层迁移学习方法，开发了一种自动化评估学生团队合作能力的方法，该方法能够更全面地理解文本的语境以及在不同团队聊天背景和团队成员群体中使用语言的潜力，从而为团队合作评估和反馈提供了改进的学习分析工具。

    Dec, 2023

  • 基于深度学习的奥运会推文情感分析

    通过深度学习模型分析推文，研究全球观众对奥运会的情绪，结果显示BERT模型在与奥运会相关的情感分类上实现了99.23%的最高准确率。

    Jul, 2024

  • 基于集成学习和BERT架构的学生社交网络文本情感分类模型

    本研究针对中学生心理健康评估中的社交网络文本情感分类问题，提出了一种基于BERT的集成学习网络模型。通过结合多个分类器并采用多数投票法，该模型在性能上优于基础模型，体现了在预测效果与效率之间的平衡，同时指出更深层BERT网络在训练时的优势。

    Aug, 2024

  • 利用语言模型进行教育中的情感和行为分析

    本研究解决了传统教育中情感和行为分析方法的隐私和可扩展性问题。通过利用大型语言模型（LLMs）和特定提示的创新方法，我们能够非侵入性地分析学生的文本数据，显著提高了准确性和上下文理解能力。这一研究表明，结合LLMs与提示工程可以为教育情感和行为分析提供切实有效的工具。

    Aug, 2024

  • 利用大型语言模型对师范生反思的情感分析

    本研究解决了师范生反思分析中定性、定量和计算分析之间的差距，采用大型语言模型（如GPT-4、Gemini和BERT）进行情感分析。研究发现，针对教师教育的有效整合需要开发既全面又相关的分析方法和结果格式，以便更好地满足师范生和教师教育者的需求。

    Aug, 2024