Understanding students’ sentiment from feedback with a new feature selection and semantics networks
Notice bibliographique
Résumé
Sentiment analysis of students’ feedback using machine learning algorithms has emerged as a valuable tool for understanding students’ sentiments and improving educational outcomes. Currently, existing systems use frequency-based methods for feature selection (e.g., Term Frequency-Inverse Document Frequency (TF-IDF) and Bag of Words (BoW)) not to capture the subtleties of emotions expressed in student feedback and do not provide insights into the specific concerns of students via topics or themes. In this study, we propose the Student Sentiment from Feedback (SSF) framework, which includes four main procedures: pre-processing, feature selection, classification, and theme finding. The SSF framework classifies student sentiments and subsequently groups feedback into themes using semantic networks based on word co-occurrence. Our innovative feature selection approach combines TF-IDF with sentiment-based features derived from SentiWordNet and intensifiers, creating a robust feature vector that enhances the dataset’s richness and improves classification accuracy and robustness. In the experiments, we utilize a public dataset from Kaggle, applying our proposed method and various machine learning models (e.g., k-nearest neighbor, decision tree, random forest, multilayer perceptron, support vector machine, gradient boosting, and extreme gradient boosting). The experimental results show that our concatenated features achieve the highest accuracy across all machine learning models (greater than 0.82). Our study demonstrates the efficacy of this hybrid feature selection method, contributing to better understanding and decision-making in educational settings.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».