Summarizing Students’ Free Responses for an Introductory Algebra-Based Physics Course Survey Using Cluster and Sentiment Analysis
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
In Physics Higher Education (PHE), Student Evaluation of Teaching (SET) surveys are widely used to collect students’ feedback on courses and instructions. In our research, we propose a more efficient way to summarize students’ free responses from the Student Assessment of their Learning Gains (SALG) survey [1], a form of the SET survey, of an algebra-based introductory physics course at a large Canadian research university. Specifically, we use cluster and sentiment analysis methods such as K-means [2] and Valence Aware Dictionary for sEntiment Reasoning (VADER) [3] to summarize students’ free responses. For cluster analysis, we extract popular keywords and summaries of responses in different clusters that reflect students’ dominant opinions toward each aspect of the course. Notably, we obtain an average silhouette coefficient of 0.480. In addition, we analyze sentiments in students’ free responses that are determined through applying VADER. Intriguingly, we see that VADER (micro F1 = 0.57, macro F1 = 0.55) can better classify responses with positive (F1 = 0.62) and neutral sentiment (F1 = 0.59). However, evident disagreements arise with negative sentiment responses (F1 = 0.42). In addition, our research suggests that some Likert-scale summaries deviate from the sentiment of free response summaries due to the limitations of Likert-scale responses. By creating various visualizations, we discover that Natural Language Processing (NLP) methods, such as cluster and sentiment analysis, effectively summarize students’ free responses, with several limitations.
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 | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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