論文の概要: Bloom-epistemic and sentiment analysis hierarchical classification in course discussion forums

• arxiv url: http://arxiv.org/abs/2402.01716v1
• Date: Fri, 26 Jan 2024 08:20:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 16:28:10.728646
• Title: Bloom-epistemic and sentiment analysis hierarchical classification in course discussion forums
• Title（参考訳）: 講義フォーラムにおけるブルーム・エピステミックと感情分析の階層分類
• Authors: H. Toba, Y. T. Hernita, M. Ayub, M. C. Wijanto
• Abstract要約: 提案手法はBloom-Epistemic and Sentiment Analysis (BE-Sent) の階層的アプローチである。 本研究は,議論フォーラムのテキストレビューに基づいて意見を評価する授業学習サブシステムの構築に成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Online discussion forums are widely used for active textual interaction between lecturers and students, and to see how the students have progressed in a learning process. The objective of this study is to compare appropriate machine-learning models to assess sentiments and Bloom\'s epistemic taxonomy based on textual comments in educational discussion forums. Our proposed method is called the hierarchical approach of Bloom-Epistemic and Sentiment Analysis (BE-Sent). The research methodology consists of three main steps. The first step is the data collection from the internal discussion forum and YouTube comments of a Web Programming channel. The next step is text preprocessing to annotate the text and clear unimportant words. Furthermore, with the text dataset that has been successfully cleaned, sentiment analysis and epistemic categorization will be done in each sentence of the text. Sentiment analysis is divided into three categories: positive, negative, and neutral. Bloom\'s epistemic is divided into six categories: remembering, understanding, applying, analyzing, evaluating, and creating. This research has succeeded in producing a course learning subsystem that assesses opinions based on text reviews of discussion forums according to the category of sentiment and epistemic analysis.
• Abstract（参考訳）: オンラインディスカッションフォーラムは、講義者と学生の間のアクティブなテキストインタラクションや、学習プロセスにおける学生の進歩を確認するために広く利用されている。 本研究の目的は、感情を評価するための適切な機械学習モデルと、教育討論フォーラムのテキストコメントに基づくブルームの疫学分類を比較することである。 提案手法はBloom-Epistemic and Sentiment Analysis (BE-Sent) の階層的アプローチである。 研究手法は3つの主要なステップから構成される。 最初のステップは、内部ディスカッションフォーラムからのデータ収集と、WebプログラミングチャネルのYouTubeコメントである。 次のステップはテキスト前処理で、テキストに注釈を付け、重要でない単語をクリアする。 さらに、クリーン化に成功しているテキストデータセットでは、テキストの各文で感情分析と認識論的分類が行われる。 感情分析は、ポジティブ、ネガティブ、中立の3つのカテゴリに分けられる。 bloom\の認識論は、記憶、理解、応用、分析、評価、創造の6つのカテゴリに分けられる。 本研究は,議論フォーラムのテキストレビューに基づいて,感情分析と認識分析のカテゴリに基づいて意見を評価する授業学習サブシステムの構築に成功した。

関連論文リスト

• Lexicon-Based Sentiment Analysis on Text Polarities with Evaluation of Classification Models [1.342834401139078]
  本研究は,レキシコン法を用いて感情分析を行い,テキストデータを用いた分類モデルの評価を行った。 語彙に基づく手法は、単語レベルでの感情と主観性の強さを識別する。 この研究は、テキストが正、負、中立とラベル付けされているというマルチクラスの問題に基づいている。
  論文  参考訳（メタデータ） (2024-09-19T15:31:12Z)
• Multi-turn Dialogue Comprehension from a Topic-aware Perspective [70.37126956655985]
  本稿では,話題認識の観点から,マルチターン対話をモデル化することを提案する。 対話文のセグメント化アルゴリズムを用いて、対話文を教師なしの方法でトピック集中フラグメントに分割する。 また,トピックセグメントを処理要素として扱う新しいモデルとして,トピック認識デュアルアテンションマッチング(TADAM)ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T11:03:55Z)
• Classifying text using machine learning models and determining conversation drift [4.785406121053965]
  様々な種類のテキストの分析は、意味的意味と関連性の両方を理解するのに有用である。 テキスト分類は文書を分類する方法である。 コンピュータテキスト分類と自然言語処理を組み合わせて、テキストを集約して分析する。
  論文  参考訳（メタデータ） (2022-11-15T18:09:45Z)
• Textual Entailment Recognition with Semantic Features from Empirical Text Representation [60.31047947815282]
  テキストが仮説を包含するのは、仮説の真の価値がテキストに従う場合に限る。 本稿では,テキストと仮説のテキストの包含関係を同定する新しい手法を提案する。 本手法では,テキスト・ハイブリッド・ペア間の意味的含意関係を識別できる要素ワイド・マンハッタン距離ベクトルベースの特徴を用いる。
  論文  参考訳（メタデータ） (2022-10-18T10:03:51Z)
• Discourse Analysis for Evaluating Coherence in Video Paragraph Captions [99.37090317971312]
  ビデオ段落のコヒーレンスを評価するための,新しい談話に基づく枠組みを検討中である。 ビデオのコヒーレンスに条件付き段落のコヒーレンスをモデル化する上で,ビデオの談話表現が中心となる。 実験の結果,提案手法は,ビデオ段落のコヒーレンスをベースライン法よりも有意に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-01-17T04:23:08Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• BiERU: Bidirectional Emotional Recurrent Unit for Conversational Sentiment Analysis [18.1320976106637]
  会話感情分析と単文感情分析の主な違いは、文脈情報の存在である。 既存のアプローチでは、会話内の異なるパーティを区別し、コンテキスト情報をモデル化するために複雑なディープラーニング構造を採用している。 本稿では,会話感情分析のための双方向感情的反復単位という,高速でコンパクトでパラメータ効率のよい非依存フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-31T11:13:13Z)
• A computational model implementing subjectivity with the 'Room Theory'. The case of detecting Emotion from Text [68.8204255655161]
  本研究は,テキスト分析における主観性と一般的文脈依存性を考慮した新しい手法を提案する。 単語間の類似度を用いて、ベンチマーク中の要素の相対的関連性を抽出することができる。 この方法は、主観的評価がテキストの相対値や意味を理解するために関係しているすべてのケースに適用できる。
  論文  参考訳（メタデータ） (2020-05-12T21:26:04Z)
• Segmenting Scientific Abstracts into Discourse Categories: A Deep Learning-Based Approach for Sparse Labeled Data [8.635930195821265]
  我々は、PubMedから構造化された抽象概念に基づいて深層ニューラルネットワークをトレーニングし、それを手書きのコンピュータサイエンス論文の小さなコーパスで微調整する。 本手法は,データが疎結合である抽象文の自動セグメンテーションにおいて,有望な解であると考えられる。
  論文  参考訳（メタデータ） (2020-05-11T20:21:25Z)
• Survey on Visual Sentiment Analysis [87.20223213370004]
  本稿では、関連する出版物をレビューし、視覚知覚分析の分野の概要を概観する。 また,3つの視点から一般的な視覚知覚分析システムの設計原理について述べる。 様々なレベルの粒度と、異なる方法でイメージに対する感情に影響を与えるコンポーネントを考慮し、問題の定式化について論じる。
  論文  参考訳（メタデータ） (2020-04-24T10:15:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。