Research on MOOC Reviews Oriented Sentiment Analysis by Awareness of Emotional Distinctions
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
It is essential for MOOCs to understand the learner’s emotions. This study aims to develop a novel sentiment analysis model to automatically classify the emotions of MOOC learners, which is beneficial to educators and instructors in improving the quality of courses and platform design in MOOCs. Firstly, a robust and interpretable model was proposed, named BB-OAM, which incorporated BERT, attention method, and BiLSTM to extract features of forum reviews as accurately as possible. To capture and differentiate among various affective tendencies more effectively in sentiment analysis, we have taken a breakthrough by introducing an orthogonal attention mechanism to enhance the model’s performance for emotion-ambiguous sentences. Compared with models in previous studies including SVM, Tree-CRF, BiRNN, LSTM, and BiLSTM, our method improved the accuracy value of sentiment analysis by 24%, 24%, 19%, 17%, and 9% respectively. Ablation experiments were conducted to systematically evaluate the impact of the orthogonal attention mechanism on sentiment analysis. Through visualization analysis, the model showed higher sensitivity in capturing sentiment-related contents, which further validated the reliability and effectiveness of the proposed method in sentiment classification tasks of MOOC reviews. In essence, this study has great methodological and theoretical insights to help educators and instructors gain a deeper understanding of the actual needs of learners, so as to optimize the efficiency of utilizing MOOC platforms and courses, and to promote effective interactions and collaboration between learners and educators.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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