Constructing a sentiment analysis model for LibQUAL+ comments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to establish a data mining model for performing sentiment analysis on open-ended qualitative LibQUAL+ comments, providing a further method for year-to-year comparison of user satisfaction, both of the library as a whole and individual topics. Design/methodology/approach A training set of 514 comments, selected at random from five LibQUAL+ survey responses, was manually reviewed and labeled as having a positive or negative sentiment. Using the open-source RapidMiner data mining platform, those comments provided the framework for creating library-specific positive and negative word vectors to power the sentiment analysis model. A further process was created to help isolate individual topics within the larger comments, allowing for more nuanced sentiment analysis. Findings Applied to LibQUAL+ comments for a Canadian mid-sized academic research library, the model suggested a fairly even distribution of positive and negative sentiment in overall comments. When filtering comments into affect of service, information control and library as place, the three dimensions’ relative polarity mirrored the results of the quantitative LibQUAL+ questions, with highest scores for affect of service and lowest for library as place. Practical implications The sentiment analysis model provides a complementary tool to the LibQUAL+ quantitative results, allowing for simple, time-efficient, year-to-year analysis of open-ended comments. Furthermore, the process provides the means to isolate specific topics based on specified keywords, allowing individual institutions to tailor results for more in-depth analysis. Originality/value To best account for library-specific terminology and phrasing, the sentiment model was created using LibQUAL+ open-ended comments as the foundation for the sentiment model’s classification process. The process also allows individual topics, chosen to meet individual library needs, to be isolated and independently analyzed, providing more precise examination.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle