基于文本分析法的高校主观教学评价研究

创新创业理论研究与实践 ›› 2024, Vol. 7 ›› Issue (9): 10-16.

基于文本分析法的高校主观教学评价研究

丁学君¹, 甘甜^1,2, 田勇³

1.东北财经大学管理科学与工程学院,辽宁大连 116025;
2.宁波诺丁汉大学商学院,浙江宁波 315100;
3.辽宁师范大学物理与电子技术学院,辽宁大连 116029

出版日期:2024-05-10 发布日期:2024-07-16
通讯作者: 田勇（1975—）,男,黑龙江绥化人,博士研究生,教授,研究方向：智能感知、高等教育等,电子邮箱：tianyong@lnnu.edu.cn。
作者简介:丁学君（1978—）,女,辽宁辽阳人,博士研究生,教授,研究方向：网络舆情、文本分析、机器学习等。
基金资助:
国家自然科学基金项目“多重社交网络环境下突发事件谣言治理：耦合传播、协同演化及最优控制”（72374040）; 国家自然科学基金项目“多源混合干扰环境下基于无线被动感知的运动人体目标多维信息识别研究”（62076114）; 辽宁省教育科学“十三五”规划项目“融媒体环境下高校舆情治理与课程思政协同创新机制研究”（JG20DB142）; 辽宁师范大学研究生教育教学改革研究资助项目“基于PBL教学法的研究生课程柔性化教学改革的探索与实践”（YJSJG202308）

Subjective Evaluation of University Teaching Based on Text Analysis

DING Xuejun¹, GAN Tian^1,2, TIAN Yong³

1. School of Management Science and Engineering, Dongbei University of Finance and Economics, Dalian Liaoning, 116025, China;
2. Business School, University of Nottingham Ningbo China, Ningbo Zhejiang, 315100, China;
3. School of Physics and Electronic Technology, Liaoning Normal University, Dalian Liaoning, 116029, China

Online:2024-05-10 Published:2024-07-16

摘要/Abstract

摘要： 分析高校主观教学评价对于提升高校课堂教学质量具有重要意义。该文构建了基于5个纬度的高校主观教学评价情感分析模型,对主观教学评价反馈文本进行分析;在此基础上,利用机器学习中的K近邻算法（K-Nearest Neighbor,KNN）,提出了可实现“褒、贬、中立”三分类的主观教学评价分类方法。实验结果表明：该文提出的基于文本分析法的高校主观教学评价方法可以获得较高的教学评价分类准确度。

关键词: 教学评价, 文本分析, 情感分析, 语义规则, 机器学习, K近邻算法

Abstract: Analyzing teaching subjective evaluation has important guiding significance for improving teaching quality. A five-latitude university teaching subjective evaluation sentiment analysis model is constructed to analyze the teaching subjective evaluation feedback text. And on the basis of this model, a K-nearest neighbor (KNN) based classification algorithm is proposed to realize the three classifications of“commendation, derogation, and neutrality”. The experimental results show that the subjective evaluation method of university teaching based on text analysis proposed in this paper can obtain a high classification accuracy.

Key words: Teaching evaluation, Text analysis, Sentiment analysis, Semantic rules, Machine learning, K-Nearest neighbor algorithm

中图分类号:

G640

丁学君, 甘甜, 田勇. 基于文本分析法的高校主观教学评价研究[J]. 创新创业理论研究与实践, 2024, 7(9): 10-16.

DING Xuejun, GAN Tian, TIAN Yong. Subjective Evaluation of University Teaching Based on Text Analysis[J]. The Theory and Practice of Innovation and Enntrepreneurship, 2024, 7(9): 10-16.

参考文献

[1] 刘贤友. 面向电子商务的评论文本情感分析研究[D]. 合肥:中国科学技术大学, 2015.
[2] BO P, LLLIAN L.Thembs up: sentiment cassification using machine leamning techniques[C]//Proceedings of the ACL-02 Conference on Empirical Methods in Naturral Language Processing-Volume 10. Association for Computational Linguistic, 2002: 79-86.
[3] REBECCA S H.Current use of student evaluations of teaching in anatomy education[J]. The Faseb Journal, 2020, 34(S1): 1.
[4] 罗美淑, 刘世勇, 夏春艳. 数据挖掘技术在教学评价中的应用研究[J]. 教育探索, 2013(2): 81-82.
[5] 汤小瑾. 从教学评价角度浅析当代美术课堂教学模式[J]. 西部皮革, 2019, 41(22): 160-161.
[6] 吴有昌, 高凌飚. SOLO分类法在教学评价中的应用[J]. 华南师范大学学报(社会科学版) , 2008(3): 95-99.
[7] 刘爽, 赵景秀, 杨红亚, 等. 文本情感分析综述[J]. 软件导刊, 2018, 17(6): 1-4,21.
[8] 陈平平, 耿笑冉, 邹敏, 等. 基于机器学习的文本情感倾向性分析[J]. 计算机与现代化, 2020(3): 77-81,92.
[9] 李丽华, 胡小龙. 基于深度学习的文本情感分析[J].湖北大学学报(自然科学版), 2020, 42(2): 142-149.
[10] 樊娜. 基于词项分布的特征选择和特征加权方法研究[D].长春:东北师范大学, 2017.
[11] 梅莉莉, 黄河燕, 周新宇, 等. 情感词典构建综述[J].中文信息学报, 2016, 30(5): 19-27.
[12] 杨立月, 王移芝.微博情感分析的情感词典构造及分析方法研究[J].计算机技术与发展, 2019, 29(2): 13-18.
[13] HATZIVASSILOGLOU V, MCKEOWN K R.Predicting the semantic orientation of adjectives[J]. Proceedings of the ACL, 1997: 174-181.
[14] ERCAN G,HAZIYEV F.Synset expansion on translation graph for automatic WordNet construction[J]. Information Processing and Management, 2019, 56(1): 130-150.
[15] 刘群, 李素建. 基于知网的词汇语义相似度的计算[C]. 第三届汉语词汇语义学研讨会(台北), 2002: 59-76.
[16] 徐琳宏, 林鸿飞, 潘宇, 等. 情感词汇本体的构造[J]. 情报学报, 2008, 27(2): 180-185.
[17] 曾小芹, 余宏. 基于Python的商品评论文本情感分析[J]. 电脑知识与技术, 2020, 16(8): 181-183.
[18] 王勇, 吕学强, 姬连春, 等. 基于极性词典的中文微博客情感分类[J]. 计算机应用与软件, 2014(1): 34-37.
[19] PERRUSQUÍA A, YU W. Robust control under worst‐case uncertainty for unknown nonlinear systems using modified reinforcement learning[J]. International Journal of Robust and Nonlinear Control, 2020, 30(7): 2920-2936.
[20] NIMA T,LAURA J, QIAN L, et al.Embracing imperfect datasets: A review of deep learning solutions for medical image segmentation[J]. Medical Image Analysis, 2020, 63: 693-696.
[21] TOKTAM K, NOOSHIN R.Proposing feature engineering method based on deep learning and K-NNs for ECG beat classification and arrhythmia detection[J].Australasian Physical & Engineering Sciences in Medicine, 2020, 43(1): 49-68.