基于R-Boson的在线课程评论情感分析模型研究

随着在线教育平台的普及,蕴含丰富情感信息的在线课程评论文本不断涌现,其对于优化在线教育平台和提升教学效果具有重要意义。故构建一种基于R-Boson情感词典的在线课程评论情感分析模型。首先,爬取B站课程评论并运用jieba等技术进行数据预处理;其次,根据评论特点建立教育领域否定词和程度副词词典;最后,使用R-Boson情感分析模型计算评论情感倾向。结果表明,与基础Boson词典相比,添加否定词和程度副词的R-Boson模型性能有所提升,其F1值从93%提升至95%,负向召回率从54%提升至79%,负向精确率从76%提升至87%;同时,模型在递增数据规模下F1值从89%逐渐提升至95%。

基于集成算法的在线课程评论情感识别与主题挖掘研究

本文构建了集成算法对在线课程评论进行多元分类情感识别与主题挖掘的模型,通过Adaboost多个弱分类器之间的相互加权组合成强分类器对课程评论进行三分类情感识别,提取到不同特征样本下的在线课程评论情感的分类结果,并运用LDA主题模型挖掘评论的隐藏主题,最后搭建语义网络,帮助学习者从整体把握课程的优劣属性及关注主题。以MOOC平台的10583条评论为对象,进行情感识别模型构建,并与机器学习的单独分类模型进行实验对比。实验结果发现,该模型能够有效地识别评论主体的情感,准确率优于单独的分类器,准确值高达88.12%,并能较好地抽取评论关注主题及课程属性,为学习者在选择课程时提供策略支持,帮助学习者做出正确决策,这说明集成学习算法在帮助学习者挑选课程做决策的性能上适应度较高。

基于LDA-LSTM模型在线课程评论情感分析研究

终身化学习背景下,MOOC作为普及性在线学习形式已受到学术界的日益关注。同时,MOOC课程质量与学习者满意度问题亟待解决。研究基于理性选择理论与联通主义理论构建LDA-LSTM深度主题情感分析模型,进而挖掘学习者理性因素与情感极性。实验结果表明,学习者考虑的因素主要具备全面性与多样性的特点;学习者对教师与学习效果普遍给予肯定评价,较少负面评价则针对教师授课风格、课程资源与平台服务质量。研究据此给出了建议策略。

在线课程评论的情感倾向识别与话题挖掘技术

伴随信息技术的快速发展,为各行业领域注入新鲜的活力。以教育领域为例,较多互动学习平台逐渐被引入其中,特别其中包含的学习者评论数据,均可为教学质量改善、用户选课以及平台支持提供参考,然而现有的平台运行中并未充分利用这些反馈信息,需行之有效的完善策略。本次研究将对情感倾向识别与话题挖掘技术做简单介绍,在此基础上提出在线课程评论样本处理与特征提取方法、情感倾向识别算法以及在线课程评论话题挖掘技术等。

融合BERT与LDA的在线课程评论关键词提取方法

为了高效提取高度集中、覆盖范围广和差异性明显的慕课网用户评论关键词,文中提出一种融合BERT和LDA⁃TextRank的关键词提取方法。实现关键词提取的第一步是获取候选关键词,在获得候选关键词之前需对爬取的课程评语进行预处理,再通过BERT模型训练得到慕课网在线评语的词向量;然后利用LDA主题模型得到候选关键词的主题分布;最后结合TextRank算法计算各主题的关系词及生成评论文本的词主题挖掘。基于此,文中利用BERT文本表示方法,能够更好地联系不同词语之间的相关性;在传统的LDA主题抽取模型的基础上结合TextRank方法,并在节点运算中通过迭代算法计算各词的得分,将权值的转移概率作为词语之间的相似度,使得关键词提取性能得到了提升。实验结果表明,与传统方法相比,所提方法的困惑程度值明显降低,证实了该方法的有效性。

高校学生在线课程评论的动态变化研究

文章针对学生在线学习持续性弱、学习需求多变及学习体验差的问题,以精细加工可能性模型为基础,构建学生在线课程评论的动态评价方法,并以爱课程国家精品课程中学生在线评论为实际案例,分析应用过程及有效性。探析学生在线课程评论变化评价指标体系,为教师掌握学生学习行为的变化过程,有针对性提供个性化教学课程及学习资源提供思路。