25、E - 学习中学习者意见分析及算法比较

E - 学习中学习者意见分析及算法比较

1. 引言

计算机为学校的学生和教师做出了重大贡献。自适应方法和技术的引入，使得自适应课程系统得以应用，每个学生在学习阶段都能获得个性化的输入。为了实现个性化，需要将每个学生的信息存储在一个学生模型中，这依赖于正确信息的获取和分析。自适应电子学习方法的目标包括期望、学习风格、意愿、心理状态、目的、过往行为等。

互联网的出现以及丰富的网络意见工具（如网站评级、在线论坛和博客，统称用户生成内容）的迅速兴起，让消费者能够利用大量人的观点，这在以往是无法大规模实现的。

在过去十年里，电子学习网络的学生数量迅速增长。电子学习项目对学生往往有益，其中的学习材料可以以自然的形式处理、组织并分发给学习者，还能进行测试并提供结果。常见的学习框架有 CCNet BlackBoard Learning 平台和 ALEKS 等。

本文提出自动情感分析，从电子学习者的角度出发，专注于课程学习、信息提取（如去除无关信息、识别观点主题、总结等）。通过开发者定义的数据，可以聚焦特定领域，让用户更多地关注和投入相关主题。同时，会计算朴素贝叶斯分类、随机森林和 K - 近邻算法的准确率、精确率和召回率，并进行比较，以确定哪种算法最适合电子学习情感分析方法。

2. 相关工作

• 电子学习的广泛关注 ：电子学习受到了公司、教育机构和个人的广泛关注。作为一种教育模式，电子学习系统越来越普遍，通常指通过计算机向非计算机环境传递信息的教学方式。要有效实施电子学习项目，了解消费者观点并进行评估至关重要。
• Facebook 情感研究 </