基于情感分类与主题挖掘的MOOC课程评论研究

在线精品课程作为MOOC中的高质量教育资源,有效促进了教育公平和均衡发展。但在保持快速增长的态势时,仍存在质量参差不齐的困境。为促进教师深度反思,支持教学问题的诊断与改进,提升课程质量,构建在线精品课程评论情感分类与主题挖掘研究模型。首先,采用网络爬虫技术采集MOOC平台中25门“教育技术学”专业在线精品课程评论数据,并进行数据预处理和情感分类;其次,对负性课程评论进行词云分析、社会网络分析和主题挖掘。结果表明:教师教学能力、学习资源质量、课程内容设计、互动和反馈机制、课程考核评价是导致学生差评、影响课程学习体验和学习质量的主要因素。据此,提出促进在线教育中教师教学能力专业化提升、开发优质在线精品课程学习资源、打造实用生动的在线精品课程内容、优化互动和反馈机制、优化在线精品课程考核评价等课程优化建议。

基于BiLSTM算法的课程评论情感分类及其成因探究

设计了一种基于BiLSTM算法的中文评论情感分类模型,针对在线教育平台的学生评论进行情感分析,分为“Positive”“Negative”和“Neutral”三类。利用网易云课程平台的评论数据,结合Bert预训练模型进行词向量训练。结合SVM分类原理与重采样技术进行模型优化,实验结果显示优化后的模型在精确率、准确率、召回率和F1值上表现优异。通过层次聚类与语义网络分析,可视化展示评论的情感成因,为课程改进提供科学依据。

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Selenium的课程评论自动爬取软件设计与实现

针对获取网络课程评论文本工作量大、课程评价不够直观的问题,设计了一种能够自动爬取课程评论并生成词云图的软件。该软件基于Selenium框架,使用Wordcloud、PySimpleGUI、OpenCV-Python等第三方库,以“中国大学MOOC”为例,实现了操作界面显示、MOOC课程评论自动爬取、词云图生成、定制词云图背景4项核心功能,课程评论与词云分别以文本、图片的格式保存在用户计算机中。经实践验证,该方案切实可行,对于从事在线学习、教育测量与评价研究的相关人员有一定帮助。

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。

基于LDA主题模型的MOOC课程评论文本分析

为深入探究在线课程评论文本数据,有效识别出参与在线学习过程中学习者关注的话题,改进在线学习效果,该研究利用LDA主题模型对课程评论文本进行主题挖掘。实验结果表明,学习者在线课程评论话题主要聚焦在授课方式、受众群体、学习平台、教学效果、课程质量五个方面。因此,可以根据这五个主题对在线学习平台进行建设,进而提高学生在线学习效果。

基于BiLSTM-CRF的MOOC课程评论抽取研究

文中主要研究从MOOC课程评论中抽取评价对象和评价词的方法。将MOOC课程评论评价对象和评价词的抽取问题看作序列标注问题,利用BiLSTM模型获取MOOC课程评论中评价对象和评价词的上下文信息,利用CRF模型获取MOOC课程评论中评价对象和评价词的整体信息,从而标注出MOOC课程评论中评价对象和评价词。提出的MOOC课程评论评价对象和评价词抽取方法的准确率为82.62%,召回率为84.10%,F1值为83.35%。实验结果表明,文中提出的BiLSTMCRF模型可以有效地从MOOC课程评论中抽取评价对象和评价词。

MOOC课程评论可视化分析系统构建--以中国大学MOOC平台为例

[目的/意义]旨在为学习者、教学者、平台管理者决策提供支持。[方法/过程]从学习者、教学者、平台管理者需求出发,设计了慕课课程评论可视化分析系统的框架,并通过Python语言对各模块进行实现。[结果/结论]设计与实现的慕课课程评论可视化分析系统通过对课程评论相关信息的自动化统计,能够直观展示出慕课课程常规数据的可视化以及基于课程评论的主题发现可视化。

追寻稳定、自主与平衡——《澳大利亚课程评论》述评

澳大利亚国家课程颁布三年后,政府于2014年1月正式成立了国家课程评估小组,围绕课程的稳定性、自主性和平衡性,对其开发与实施进行评估与检讨,并颁布了最终报告《澳大利亚课程评论》。该报告主要从国家课程的开发与实施、课程结构、各学习领域、课程开发治理的未来走向四个方面来阐释评估结果。通过解读《澳大利亚课程评论》,总结出四点启示:关注学生核心素养的培养,重视潜在价值观的指导;建立专业的学业评价团队,推动课程改革制度化和规范化建设;注重学生多元文化能力的培养;开创"自下而上"新机制,促进公众理解。

基于高效Transformer的中文在线课程评论方面情感分析

准确挖掘在线课程评论中蕴涵的情感信息对在线课程的健康发展极具价值。现有中文在线课程评论情感分析研究大多为分析整条评论句子情感极性的粗粒度模型,无法准确表达课程评论句子中各个方面的细粒度情感。为此,提出一种基于高效Transformer的中文在线课程评论方面情感分析模型。首先,通过ALBERT预训练模型获得评论文本方面和上下文的动态字向量编码;然后,采用可以并行输入字向量的高效Transformer分别对课程评论文本的方面和上下文进行语义表征;最后,使用交互注意机制交互地学习课程评论文本中方面和上下文的重要部分,并输入方面和上下文的最终表示到情感分类层进行在线课程评论情感极性预测。在中国MOOC网真实数据集上的实验结果表明,高效Transformer中文在线课程评论方面情感分析模型与基线模型相比,在更低的时间开销下准确率达到了80%以上。

基于情感词典的课程评论情感分析

采用极性计算方法,对MOOCs上的课程评论进行情感分析.首先,从MOOCs上搜集课程评论,并对所有评论按学习者、授课方式、课件、平台和视频这5个属性进行分类.其次,基于情感词典对各属性评论进行极性计算,得到各属性的正向评论、负向评论、中性评论和无效评论,将正向评论和负向评论作用于课程评分.最后,分别计算课程评论与5个属性在网页中的共现频率,并将单个共现频率与总共现频率之比作为评分的权重,从教育者角度、学习者角度和平台角度对课程进行评分.将本文方法应用于某高校的课程分析中,结果表明本文方法所得的结果客观、合理.

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。

新文科背景下混合式教学在新闻评论课程中的运用

在新文科背景下,文章探讨混合式教学在新闻评论课程中的运用具有重要的现实意义,有助于培养学生夯实新闻评论基础,掌握新闻评论技能,成为新时代新闻评论人才,满足新闻媒体需求。文章立足新闻评论课程的改革背景,分析混合式教学在新闻评论课程中的优势,结合新闻评论课程的教学目标,探究混合式教学在新闻评论课程中的实施及考核评价,从而把混合式教学作为新闻评论课程革新的重要抓手,助力新文科背景下的课程提质与教学创新。

场景协同下新闻评论课程对大学生思想政治教育的影响与探索

随着社会的迅速发展和信息技术的迭代进步,大学生面临着前所未有的信息冲击和挑战。他们需要具备批判性思维和辨别真伪的能力,以应对复杂多变的时事问题。新闻评论课程作为一种重要的思想政治教育形式,具有独特的优势和潜力。如何通过创新教学模式促进大学生思想政治教育的全面发展已成为当前亟待解决的问题。在此背景下,文章聚焦于场景协同下的新闻评论课程,通过分析场景协同教学模式的概念和特点,探讨场景协同教学模式下,新闻评论课程对大学生思想政治教育的影响,并提出一系列建议,包括打造课堂场景,融合思政学习内容、延伸学习场景,提供丰富学习资源、拓展实践场景,组织合作调研活动以及完善评价场景,加强实际成果反思。文章研究发现,学生在课堂场景中能够更好地理解和应用所学知识,在学习场景中能够拓宽他们的知识视野,在实践场景中能够提升他们对新闻事件的分析能力,在评价场景中能够提高他们的思想政治素养。通过这些探索和实践,能够不断推进场景协同教学模式在新闻评论课程中的科学应用,更好地培养学生的综合能力,提高他们对社会、政治和伦理问题的理解与应对能力,从而为大学生思想政治教育的深入开展提供有益借鉴。

基于对话理论的新闻传播专业课程创新路径—以新闻编辑与评论课程为例

在“十四五”时期,我国教育进入高质量发展阶段。当前,部分高校新闻传播专业教师在新闻传播专业课程教学过程中依然存在学生学习主动性不足、对课堂依赖较弱等问题,这主要源于当前高校新闻传播专业教师和学生之间并未建立起平等、和谐、共生的对话关系。对话理论强调对话是一切的中心,对话者之间平等且独立,对话是获取真理与知识的重要方式。因此,高校新闻传播专业教师基于对话理论,在新闻传播专业课程中搭建“创境—沟通—联动”的教学模型,能够有效实现学生自主学习、深度学习与探究式学习,从而更好地发挥课程功能,实现课堂价值。

高校新闻评论课程之实践教学研究

高校新闻评论实践教学应该摆脱以往被忽视,甚至缺席的局面。实施新闻评论实践教学环节需注重从阶段性设计、板块划分来合理规划,并予以科学的运作,如此才能培养具有创新能力的新闻评论人才。

“互动式”教学模式在“新闻评论学”课程中的应用

本文阐述"互动式"教学模式在"新闻评论学"课程中的应用,以最大限度地激发学生学习的主动性,提升教学效果。