[2023-02-12] 오늘의 자연어처리

Sentiment analysis and opinion mining on educational data: A survey

 

Sentiment analysis AKA opinion mining is one of the most widely used NLP applications to identify human intentions from their reviews. In the education sector, opinion mining is used to listen to student opinions and enhance their learning-teaching practices pedagogically. With advancements in sentiment annotation techniques and AI methodologies, student comments can be labelled with their sentiment orientation without much human intervention. In this review article, (1) we consider the role of emotional analysis in education from four levels: document level, sentence level, entity level, and aspect level, (2) sentiment annotation techniques including lexicon-based and corpus-based approaches for unsupervised annotations are explored, (3) the role of AI in sentiment analysis with methodologies like machine learning, deep learning, and transformers are discussed, (4) the impact of sentiment analysis on educational procedures to enhance pedagogy, decision-making, and evaluation are presented. Educational institutions have been widely invested to build sentiment analysis tools and process their student feedback to draw their opinions and insights. Applications built on sentiment analysis of student feedback are reviewed in this study. Challenges in sentiment analysis like multi-polarity, polysemous, negation words, and opinion spam detection are explored and their trends in the research space are discussed. The future directions of sentiment analysis in education are discussed.

 

감정 분석 AKA 의견 마이닝은 가장 널리 사용되는 NLP 중 하나이다 리뷰에서 인간의 의도를 식별하기 위한 애플리케이션. 교육에서 부문, 의견 마이닝은 학생들의 의견을 듣고 그들의 의견을 향상시키기 위해 사용된다 교육학적으로 학습과 학습의 실천. 감정의 진보와 함께 주석 기법과 AI 방법론, 학생 주석에 라벨을 붙일 수 있다 인간의 개입 없이 감정적인 성향으로 말이야. 이 점에서. 리뷰 기사, (1) 우리는 교육에서 감정 분석의 역할을 고려한다 문서 수준, 문장 수준, 실체 수준 및 측면의 네 가지 수준에서 수준, (2) 어휘 기반을 포함한 감정 주석 기술 감독되지 않은 주석에 대한 말뭉치 기반 접근법을 탐구한다. (3) 역할 기계 학습과 같은 방법론을 사용한 감정 분석에서 AI의 학습, 그리고 변압기가 논의된다, (4) 감정 분석의 영향 교육학, 의사 결정 및 평가를 향상시키기 위한 교육 절차에 대해 표시됩니다. 교육 기관들은 건설하기 위해 광범위하게 투자되어 왔다 감정 분석 도구와 그들의 학생 피드백을 처리하여 그들을 끌어낸다 의견과 통찰력. 학생의 정서 분석을 기반으로 한 애플리케이션 피드백은 이 연구에서 검토된다. 다음과 같은 감정 분석의 과제 다중 키워드, 다의어, 부정 단어, 의견 스팸 탐지는 다음과 같다 연구 공간에서 탐구되고 그들의 경향이 논의된다. 미래 교육에서 감정 분석의 방향이 논의된다. 

 

 

A Large-Scale Analysis of Persian Tweets Regarding Covid-19 Vaccination

 

The Covid-19 pandemic had an enormous effect on our lives, especially on people's interactions. By introducing Covid-19 vaccines, both positive and negative opinions were raised over the subject of taking vaccines or not. In this paper, using data gathered from Twitter, including tweets and user profiles, we offer a comprehensive analysis of public opinion in Iran about the Coronavirus vaccines. For this purpose, we applied a search query technique combined with a topic modeling approach to extract vaccine-related tweets. We utilized transformer-based models to classify the content of the tweets and extract themes revolving around vaccination. We also conducted an emotion analysis to evaluate the public happiness and anger around this topic. Our results demonstrate that Covid-19 vaccination has attracted considerable attention from different angles, such as governmental issues, safety or hesitancy, and side effects. Moreover, Coronavirus-relevant phenomena like public vaccination and the rate of infection deeply impacted public emotional status and users' interactions.

 

코로나19 범유행은 특히 우리의 삶에 엄청난 영향을 끼쳤다 사람들의 상호 작용. 코로나19 백신을 도입함으로써 양성과 백신 접종 여부를 놓고 부정적인 의견이 제기됐다. 인 이 논문은 트윗과 사용자를 포함하여 트위터에서 수집한 데이터를 사용한다 프로파일, 우리는 이란의 여론에 대한 포괄적인 분석을 제공한다 코로나 백신. 이를 위해 검색 질의 기법을 적용하였다 주제 모델링 접근법과 결합하여 백신 관련 트윗을 추출한다. 우리가 트랜스포머 기반 모델을 활용하여 트윗의 내용을 분류하고 백신 접종을 중심으로 주제를 추출합니다. 우리는 또한 감정을 진행했다 이 주제에 대한 대중의 행복과 분노를 평가하기 위한 분석. 우리들의 결과는 코로나19 백신이 상당한 관심을 끌고 있다는 것을 보여준다 정부 문제, 안전 또는 등의 다른 각도에서 주의를 기울인다 망설임, 그리고 부작용. 게다가, 코로나바이러스 관련 현상은 다음과 같다 공공 백신과 대중의 정서에 깊은 영향을 미치는 감염률 상태 및 사용자 상호 작용. 

 

 

Explanation Selection Using Unlabeled Data for In-Context Learning

 

Recent work has addressed textual reasoning tasks by prompting large language models with explanations via the chain-of-thought paradigm. However, subtly different explanations can yield widely varying downstream task accuracy, so explanations that have not been "tuned" for a task, such as off-the-shelf explanations written by nonexperts, may lead to mediocre performance. This paper tackles the problem of how to optimize explanation-infused prompts in a black-box fashion. We first generate sets of candidate explanations for each example in the prompt using a leave-one-out scheme. We then use a two-stage framework where we first evaluate explanations for each in-context example in isolation according to proxy metrics. Finally, we search over sets of explanations to find a set which yields high performance against a silver-labeled development set, drawing inspiration from recent work on bootstrapping language models on unlabeled data. Across four textual reasoning tasks spanning question answering, mathematical reasoning, and natural language inference, results show that our proxy metrics correlate with ground truth accuracy and our overall method can effectively improve prompts over crowdworker annotations and naive search strategies.

 

최근 연구는 큰 언어를 사용하여 텍스트 추론 작업을 해결했다 생각의 연쇄 패러다임을 통한 설명이 있는 모델. 하지만, 미묘하게 서로 다른 설명은 매우 다양한 다운스트림 작업 정확도를 산출할 수 있다 기성품과 같이 작업에 대해 "준비"되지 않은 설명 비전문가들에 의해 쓰여진 설명들은 평범한 성과로 이어질 수 있다. 이것. 논문은 설명에 영향을 받은 프롬프트를 최적화하는 방법의 문제를 다룬다 블랙박스 패션. 우리는 먼저 각각의 후보 설명 세트를 생성한다 예를 들어 프롬프트에서 하나만 빼기 방식을 사용합니다. 그런 다음 2단계를 사용합니다 우리가 먼저 각각의 내부 예제에 대한 설명을 평가하는 프레임워크 프록시 메트릭에 따라 분리합니다. 마지막으로, 우리는 다음의 집합을 검색한다 a에 대해 높은 성능을 산출하는 세트를 찾기 위한 설명 은색 레이블이 있는 개발 세트, 최근 작업에서 영감을 끌어냅니다 레이블이 없는 데이터에서 언어 모델을 부트스트래핑합니다. 네 가지 텍스트 추론을 통해 질문 답변, 수학적 추론 및 자연어에 걸친 작업 추론, 결과는 우리의 프록시 메트릭이 근거 진실과 상관관계가 있음을 보여준다 정확성과 우리의 전반적인 방법은 효과적으로 프롬프트를 개선할 수 있다 크라우드 워커 주석 및 단순 검색 전략.