35、MOOC课程评论极性不一致：基于用户与情感分析方法的研究

MOOC课程评论极性不一致：基于用户与情感分析方法的研究

1. 引言

情感分析（SA）近年来因网络和社交媒体的兴起而广受欢迎，它专注于分析人们对产品、服务、组织、问题或个人的态度，旨在开发计算机方法来识别情感并提取信息，辅助决策者。许多组织采用情感分析方法（SAMs）来改善决策，深入了解消费者行为和对业务或产品的看法。

大规模开放在线课程（MOOC）为学习者提供了全球优质学习资源。在线教育正从内容收集阶段向内容筛选阶段转变，学生渴望选择合适的课程，并在评论区分享观点。这些评价包含了重要反馈，了解学生对课程及其主要工具的看法对改进MOOC至关重要。

研究提出了两个问题：人们是否常在同一句子中使用冲突极性的表述？Coursera评论评分能否准确反映每个观点中句子的极性？为解决这些问题，研究人员从Kaggle网站收集了六个MOOC课程的76,382条学生评论，运用四种情感分析方法，研究其极性与用户评价的关联。

2. 文献综述

• Walsh的研究 ：使用多种分类算法（如MaxEnt分类器、Naive Bayes分类器和Stanford分类器）分析斯坦福课程调查的观点，有助于教师、学生和管理人员对课程调查进行分组，了解学生对课程的感受。研究发现，Naive Bayes（NB）分类器中的一元模型表现较好，但某些情况下独立性假设会导致错误。
• Wen等人的研究 ：提出在MOOC中进行综合情感调查，以了解学生对课程及其工具的看法。该研究可能揭示课程讨论中的情绪与学生退出数量之间的紧密联系，但需要完善的MOOC词典来改进策略。