論文の概要: Sentiment Analysis of AI Adoption in Indonesian Higher Education Using Machine Learning and Transformer-Based Models

• arxiv url: http://arxiv.org/abs/2604.27439v1
• Date: Thu, 30 Apr 2026 05:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.934522
• Title: Sentiment Analysis of AI Adoption in Indonesian Higher Education Using Machine Learning and Transformer-Based Models
• Title（参考訳）: 学習モデルとトランスフォーマーモデルを用いたインドネシアの高等教育におけるAI導入の感性分析
• Abstract要約: 本研究は、高等教育における人工知能の導入に関するインドネシアの学生の意見を分析する。 データセットは2,295のラベル付きサンプルで構成され、1,154人の学生の意見と追加の語彙的感情データを組み合わせた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study analyzes Indonesian student opinions on the adoption of artificial intelligence in higher education using two approaches: TF-IDF-based machine learning and Transformer-based deep learning. The dataset consists of 2,295 labeled samples, combining 1,154 student opinions with additional lexical sentiment data. LightGBM, Random Forest, and Support Vector Machine (SVM) are evaluated as machine learning models, while DistilBERT is fine-tuned for binary sentiment classification. The results show that SVM achieves the best performance among the machine learning models with 82.14% test accuracy and F1-score, while DistilBERT performs best overall with 84.78% accuracy and 84.75% F1-score. These findings indicate that Transformer-based models better capture contextual information, although SVM remains a competitive and efficient alternative for sentiment classification.
• Abstract（参考訳）: 本研究では,高校における人工知能の導入に関するインドネシアの学生の見解を,TF-IDFベースの機械学習とTransformerベースのディープラーニングの2つのアプローチを用いて分析した。 データセットは2,295のラベル付きサンプルで構成され、1,154人の学生の意見と追加の語彙的感情データを組み合わせた。 LightGBM、Random Forest、Support Vector Machine(SVM)は機械学習モデルとして評価され、DistilBERTはバイナリ感情分類のために微調整されている。 その結果、SVMはテスト精度82.14%、F1スコアで、SVMは84.78%、F1スコアは84.75%である。 これらの結果から,SVMは感情分類の競合的かつ効率的な代替手段でありながら,トランスフォーマーベースのモデルの方が文脈情報をよりよく捉えたことが示唆された。

関連論文リスト

• Benchmarking LightGBM and BiLSTM for Sentiment Analysis on Indonesian E-Commerce Reviews [0.0]
  本評価は,Hugging Faceをベースとしたインドネシアのeコマースレビューデータセットを用いて,感情分析タスクで実施する。 BiLSTMアーキテクチャは、インドネシアのレビューテキストのシーケンシャルなコンテキストをキャプチャする能力が高く、この特定の分類タスクにおいて優れたモデルとなっている。
  論文  参考訳（メタデータ） (2026-05-02T08:38:18Z)
• Benchmarking PyCaret AutoML Against BiLSTM for Fine-Grained Emotion Classification: A Comparative Study on 20-Class Emotion Detection [0.0]
  本研究では、20クラスの感情分類のための古典的機械学習とディープラーニングアプローチをベンチマークする。 その結果, BiLSTMは89%の精度, 重み付きF1スコア0.89で最高の総合性能を達成できた。
  論文  参考訳（メタデータ） (2026-04-29T05:31:45Z)
• AI Generated Text Detection [0.0]
  本稿では,従来の機械学習モデルとトランスフォーマーベースアーキテクチャの両方を含む,AIテキスト検出手法の評価を行う。 我々は、HC3とDAIGT v2という2つのデータセットを使用して、統一されたベンチマークを構築し、情報漏洩を防止するためにトピックベースのデータ分割を適用する。 その結果、文脈モデリングは語彙的特徴よりもはるかに優れていることが示され、話題記憶の緩和の重要性が強調された。
  論文  参考訳（メタデータ） (2026-01-07T11:18:10Z)
• Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy [0.0]
  本稿では,ブルームの分類に基づく試験質問と学習結果の自動分類について検討する。 6つの認知カテゴリをラベル付けした600文の小さなデータセットを、従来の機械学習(ML)モデルを用いて処理した。
  論文  参考訳（メタデータ） (2025-11-14T02:31:12Z)
• Strengthening False Information Propagation Detection: Leveraging SVM and Sophisticated Text Vectorization Techniques in comparison to BERT [0.0]
  本研究では,機械学習と自然言語処理,具体的にはSVM(Support Vector Machines)とBERTを用いて偽ニュースを検出する。 SVMには、TF-IDF(Term Frequency Inverse Document Frequency)、Word2Vec(Word2Vec)、Bag of Words(BoW)の3つの異なるテキストベクトル化手法を用いる。 これらの手法を変換器の大規模言語モデルであるBERTと比較し,最も効果的な手法を決定する。
  論文  参考訳（メタデータ） (2024-11-19T18:15:46Z)
• GuReT: Distinguishing Guilt and Regret related Text [44.740281698788166]
  本稿では,罪悪感と後悔感との関係を識別するためのデータセットについて紹介する。 提案手法では,罪悪感と後悔の認識を二項分類タスクとして扱い,新たに作成したデータセットをベンチマークするために3つの機械学習と6つの変圧器ベースのディープラーニング技術を用いる。
  論文  参考訳（メタデータ） (2024-01-29T20:20:44Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Transformer-based approaches to Sentiment Detection [55.41644538483948]
  テキスト分類のための4種類の最先端変圧器モデルの性能について検討した。 RoBERTa変換モデルは82.6%のスコアでテストデータセット上で最高のパフォーマンスを示し、品質予測に非常に推奨されている。
  論文  参考訳（メタデータ） (2023-03-13T17:12:03Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• Scaling Vision Transformers [82.08465256393514]
  本研究では,Vision Transformerがエラー率,データ,計算の関係をスケールし,特徴付ける方法について検討する。 我々は20億のパラメータを持つViTモデルをトレーニングし、ImageNetの90.45%のトップ-1の精度で新たな最先端技術を実現する。 このモデルは、例えば、ImageNetで84.86%のトップ-1の精度を達成し、1クラスにつき10のサンプルしか持たないような、数ショット学習でもうまく機能する。
  論文  参考訳（メタデータ） (2021-06-08T17:47:39Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)

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。