[论文解读] Aspect-Based Sentiment Analysis in Education Domain

Rinor Hajrizi, Krenare Pireva|arXiv (Cornell University)|Oct 3, 2020

Sentiment Analysis and Opinion Mining参考文献 40被引用 9

一句话总结

本文对教育领域中的方面级情感分析（ABSA）进行了全面综述，重点探讨了用于分析学生反馈的分析方法、数据集及机器学习技术。研究强调了预处理、词嵌入以及监督/非监督模型（尤其是SVM、NB和深度学习）在方面类别抽取与情感极性分类中的重要性，结论指出，缺乏大规模标注数据集仍是制约该领域发展的主要瓶颈。

ABSTRACT

Analysis of a large amount of data has always brought value to institutions and organizations. Lately, people's opinions expressed through text have become a very important aspect of this analysis. In response to this challenge, a natural language processing technique known as Aspect-Based Sentiment Analysis (ABSA) has emerged. Having the ability to extract the polarity for each aspect of opinions separately, ABSA has found itself useful in a wide range of domains. Education is one of the domains in which ABSA can be successfully utilized. Being able to understand and find out what students like and don't like most about a course, professor, or teaching methodology can be of great importance for the respective institutions. While this task represents a unique NLP challenge, many studies have proposed different approaches to tackle the problem. In this work, we present a comprehensive review of the existing work in ABSA with a focus in the education domain. A wide range of methodologies are discussed and conclusions are drawn.

研究动机与目标

• 综述并分析教育领域中方面级情感分析（ABSA）的最新研究方法。
• 识别并比较用于教育文本数据ABSA的关键方法，包括监督学习与非监督学习技术。
• 评估数据预处理、词嵌入和语义表示在提升ABSA性能中的作用。
• 评估不同机器学习模型（如SVM、朴素贝叶斯和集成方法）在教育反馈中方面与情感分类中的影响。
• 突出显示诸如标注数据集有限和领域特定模型适配等挑战，并为未来研究提供见解。

提出的方法

• 本研究对教育领域ABSA的现有研究论文进行了系统性综述，重点关注文本挖掘流程，包括数据收集、预处理、模型构建与评估。
• 分析了多种预处理技术，如分词、停用词去除和词形还原，以在分析前提升数据质量。
• 评估了支持向量机（SVM）、朴素贝叶斯（NB）和集成方法（随机森林、梯度提升）等监督学习模型在情感分类中的表现。
• 分析了非监督与混合方法，包括主题建模（LDA）和词嵌入（word2vec），以捕捉教育文本中的语义含义。
• 研究结合本体论语义增强与词性标注，以提升文档表示与概念理解能力。
• 性能评估基于F1值、精确率、召回率和准确率等标准指标，在多个数据集和领域中进行。

实验结果

研究问题

• RQ1 在教育领域中，方面级情感分析主要采用哪些主流方法与机器学习模型？
• RQ2 数据预处理与语义表示技术（如词嵌入和主题建模）如何影响教育反馈中ABSA的性能？
• RQ3 在教育文本中应用ABSA时面临的主要挑战是什么，特别是数据质量与标注方面？
• RQ4 监督学习与非监督学习方法在课程评价中对方面与情感分类的性能如何比较？
• RQ5 语义增强与本体论集成在多大程度上提升了教育文本中方面与情感检测的准确性？

主要发现

• 当有足够标注数据时，监督学习模型（如SVM和朴素贝叶斯）在ABSA任务中表现出色。
• 集成模型（如随机森林和梯度提升）在自动化干预场景中表现更优，因其具备更强的鲁棒性与泛化能力。
• 词嵌入（如word2vec）与主题建模（如LDA）显著提升了文本表示，从而改善了教育反馈中的方面与情感检测效果。
• 通过本体论与词性标注实现的语义增强，提升了ABSA框架中的概念理解与文档表示能力。
• 尽管已有进展，但缺乏大规模、公开可用且标注良好的数据集，仍是推动教育领域ABSA发展的主要瓶颈。
• 在所有领域中，没有单一模型或技术始终优于其他方法，表明需要进行领域特定的适配与混合方法的应用。