PHÂN TÍCH Ý KIẾN THEO KHÍA CẠNH TRÊN BÌNH LUẬN PHẢN HỒI  CỦA SINH VIÊN CHO TIẾNG VIỆT

Tôn Nữ Thị Sáu; Đỗ Phước Sang; Phạm Thị Thu Trang

doi:10.34238/tnu-jst.5101

PHÂN TÍCH Ý KIẾN THEO KHÍA CẠNH TRÊN BÌNH LUẬN PHẢN HỒI CỦA SINH VIÊN CHO TIẾNG VIỆT

Thông tin bài báo

Ngày nhận bài: 29/09/21 Ngày hoàn thiện: 18/11/21 Ngày đăng: 18/11/21

Các tác giả

1. Tôn Nữ Thị Sáu , Phân hiệu Trường Đại học Nội vụ Hà Nội tại Thành phố Hồ Chí Minh
2. Đỗ Phước Sang, Phân hiệu Trường Đại học Nội vụ Hà Nội tại Thành phố Hồ Chí Minh
3. Phạm Thị Thu Trang, Phân hiệu Trường Đại học Nội vụ Hà Nội tại Thành phố Hồ Chí Minh

Tóm tắt

Trong vài năm gần đây, các trường đại học thường khảo sát, thu thập ý kiến của sinh viên để nâng cao hiệu quả giảng dạy và cải thiện chất lượng đào tạo. Tuy nhiên việc phân tích một cách thủ công sẽ tốn nhiều chi phí về công sức và thời gian khi kích thước phản hồi lớn. Do đó, trong bài báo này, chúng tôi giới thiệu một bộ dữ liệu trên phản hồi của sinh viên cho bài toán phát hiện khía cạnh và phân loại cảm xúc theo khía cạnh. Bộ dữ liệu của chúng tôi bao gồm 5010 câu được gán nhãn theo 11 khía cạnh khác nhau (hành vi, kỹ năng giảng dạy…) và theo ba cảm xúc (tích cực, tiêu cực và trung tính) với độ đồng thuận là 88,95% và 80,52% tương ứng hai bài toán. Bên cạnh đó, chúng tôi cũng trình bày một chuỗi thí nghiệm dựa trên bộ dữ liệu dựa trên mô hình kết hợp BiLSTM-CNN so sánh với các mô hình máy học khác. Kết quả nghiên cứu cho thấy rằng phương pháp kết hợp BiLSTM-CNN đạt kết quả tốt hơn các phương pháp khác với chỉ số F1 là 78,93% và 73,78% tương ứng cho bài toán phát hiện khía cạnh và phân loại trạng thái cảm xúc theo khía cạnh. Kết quả thử nghiệm chứng minh tính hiệu quả của kiến trúc tổng thể của chúng tôi.

Từ khóa

Dữ liệu tiếng Việt; Máy học; Học sâu; Phân tích ý kiến theo khía cạnh; Mô hình kết hợp

Toàn văn:

PDF

Tài liệu tham khảo

[1] M. Pontiki, D. Galanis, H. Papageorgiou, I. Androutsopoulos, S. Manandhar, M. Al-Smadi, and G. Eryiğit, “SemEval-2016 task 5: Aspect based sentiment analysis,” In International workshop on semantic evaluation, 2016, pp. 19-30.

[2] M. Sivakumar and U. Srinivasulu Reddy, “Aspect based sentiment analysis of students opinion using machine learning techniques,” In 2017 International Conference on Inventive Computing and Informatics (ICICI), IEEE, 2017, pp. 726-731.

[3] G. S. Chauhan, P. Agrawal, and Y. K. Meena, “Aspect-based sentiment analysis of students’ feedback to improve teaching–learning process,” In Information and Communication Technology for Intelligent Systems, Springer, Singapore, 2019, pp. 259-266.

[4] Z. Kastrati, A. S. Imran, and A. Kurti, “Weakly supervised framework for aspect-based sentiment analysis on students’ reviews of MOOCs,” IEEE Access, vol. 8, pp. 106799-106810, 2020.

[5] T. M. H. Nguyen, V. H. Nguyen, T. Q. Ngo, X. L. Vu , M. V. Tran, X. B. Ngo, and A. C. Le, “VLSP shared task: sentiment analysis,” Journal of Computer Science and Cybernetics, vol. 34, no. 4, pp. 295-310, 2018.

[6] V. T. Dang, D. N. Vu, V. K. Nguyen, and L. T. N. Nguyen, “A transformation method for aspect-based sentiment analysis,” Journal of Computer Science and Cybernetics, vol. 34, no. 4, pp. 323-333, 2018.

[7] V. T. Dang, D. N. Vu, V. K. Nguyen, and L. T. N. Nguyen, “Deep learning for aspect detection on vietnamese reviews,” In 5th NAFOSTED Conference on Information and Computer Science (NICS), IEEE, 2018, pp. 104-109.

[8] T. T. T. Nguyen, X. B. Ngo, and M. P. Tu, “Leveraging Foreign Language Labeled Data for Aspect-Based Opinion Mining,” 2020 RIVF International Conference on Computing and Communication Technologies (RIVF), IEEE, 2020.

[9] K. T. Tran and T. T. Phan, “Deep learning application to ensemble learning—the simple, but effective, approach to sentiment classifying,” Applied Sciences 9, no. 13, p. 2760, 2019.

[10] V. T. Dang, L. T. N. Nguyen, T. M. Truong, L. S. Le, and T. D. Vo, “Two New Large Corpora for Vietnamese Aspect-based Sentiment Analysis at Sentence Level,” Transactions on Asian and Low-Resource Language Information Processing, vol. 20, no. 4, pp. 1-22, 2021.

[11] V. K. Nguyen, V. D. Nguyen, X. V. P. Nguyen, T. H. T. Truong, and L. T. N. Nguyen, “UIT-VSFC: Vietnamese students’ feedback corpus for sentiment analysis,” In 10th International Conference on Knowledge and Systems Engineering (KSE), IEEE, 2018, pp. 19-24.

[12] Y. Kim, “Convolutional neural networks for sentence classification,” Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1746-1751.

[13] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural computation, vol. 9, no. 8, pp. 1735-1780, 1997.

DOI: https://doi.org/10.34238/tnu-jst.5101

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ