[论文解读] Sentiment Analysis for Education with R: packages, methods and practical applications

Michelangelo Misuraca, Alessia Forciniti+2 more|ArXiv.org|May 8, 2020

Advanced Text Analysis Techniques参考文献 35被引用 12

一句话总结

本文全面回顾了用于教育情境下情感分析（SA）的R包，评估了其方法、性能及实际应用。研究展示了如何通过基于R的工具对学生成绩反馈进行文本分析，从而提升教学评估与学习体验。

ABSTRACT

Sentiment Analysis (SA) refers to a family of techniques at the crossroads of statistics, natural language processing, and computational linguistics. The primary goal is to detect the semantic orientation of individual opinions and comments expressed in written texts. There are several practical applications of SA in several domains. In an educational context, the use of this approach allows processing students' feedback, aiming at monitoring the teaching effectiveness of instructors and enhancing the learning experience. This paper wants to review the different R packages that can be used to carry on SA, comparing the implemented methods, discussing their characteristics, and showing how they perform by considering a simple example.

研究动机与目标

• 评估并比较用于教育文本分析的R包中的情感分析方法。
• 识别在教育环境中处理学生成绩反馈时最有效的R包。
• 展示情感分析在监测教学有效性方面的实际应用。
• 为研究人员和教育工作者提供使用R实现情感分析以改善学习体验的指南。
• 评估不同情感分析方法在真实教育反馈数据上的性能表现。

提出的方法

• 系统性回顾与比较专为情感分析设计的R包，包括其底层算法与实现技术。
• 在学生成绩反馈样本数据集上应用多种情感分析方法——基于词典的方法、机器学习方法以及深度学习方法。
• 使用tidytext、sentimentr和syuzhet等标准R库进行文本预处理与情感打分。
• 通过教育文本的情感分类准确率的定性与定量分析，评估各方法的性能表现。
• 实施文本预处理步骤，包括分词、停用词移除与词形还原，以准备数据用于分析。
• 利用真实学生成绩评价数据集对不同情感打分技术进行基准测试。

实验结果

研究问题

• RQ1 在教育反馈中，哪些R包在情感分析方面表现最有效？
• RQ2 不同情感分析方法（基于词典 vs. 机器学习）在教育文本数据上的表现如何？
• RQ3 使用情感分析评估教学有效性的实际意义是什么？
• RQ4 如何通过分析学生成绩反馈，利用情感分析改善学习体验？
• RQ5 现有基于R的情感分析工具在教育情境下的优势与局限性是什么？

主要发现

• R包'sentimentr'由于整合了经过验证的情感词典并具备强大的文本处理能力，在情感打分方面表现出色。
• 在小型教育反馈数据集上，基于词典的方法相比机器学习方法展现出更高的稳定性和可解释性。
• tidytext包实现了高效文本预处理，并成功将情感分析流程集成至tidyverse生态系统中。
• 使用R工具进行情感分析成功识别出学生成绩反馈中的模式，例如对特定教师或课程环节的正向或负向情感。
• 本研究证实，情感分析可有效应用于教育数据，以支持教学的持续改进。
• 各包性能表现不一，'syuzhet'对情感基调更敏感，但在短篇教育文本上的精确度较低。