Deriving Insights From Open-Ended Learner Feedback: An Exploration of Natural Language Processing Approaches
Notice bibliographique
Résumé
INTRODUCTION: Open-ended feedback from learners offers valuable insights for adapting continuing health education to their needs; however, this feedback is burdensome to analyze with qualitative methods. Natural language processing offers a potential solution, but it is unclear which methods provide useful insights. We evaluated natural language processing methods for analyzing open-ended feedback from continuing professional development training at a psychiatric hospital. METHODS: The data set consisted of survey responses from staff participants, which included two text responses on how participants intended to use the training ("intent to use"; n = 480) and other information they wished to share ("open-ended feedback"; n = 291). We analyzed "intent-to-use" responses with topic modeling, "open-ended feedback" with sentiment analysis, and both responses with large language model (LLM)-based clustering. We examined outputs of each approach to determine their value for deriving insights about the training. RESULTS: Our results indicated that because the "intent-to-use" responses were short and lacked diversity, topic modeling was not useful in differentiating content between the topics. For "open-ended feedback," sentiment scores did not accurately reflect the valence of responses. The LLM-based clustering approach generated meaningful clusters characterized by semantically similar words for both responses. DISCUSSION: LLMs may be a useful approach for deriving insights from learner feedback because they capture context, making them capable of distinguishing between responses that use similar words to convey different topics. Future directions involve exploring other methods involving LLMs, or examining how these methods fare on other data sets or types of learner feedback.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,087 | 0,183 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».