Сочинение на тему Анализ настроений пользователей LMS с использованием алгоритма опорных векторов
- Опубликовано: 07.08.2020
- Предмет: Бизнес, образование
- Темы: Обучение, управление
Исследователи использовали качественный метод исследования, чтобы собрать и проанализировать данные, необходимые о восприятии, ожидании и беспокойстве в LMS. Используемая анкета была сформулирована и подтверждена исследователем социальных наук, который состоит из двух (2) открытых вопросов. Эти вопросы были даны непосредственно, чтобы узнать мнение студентов и преподавателей относительно использования LMS в качестве учебного пособия. Данные, собранные исследователями, имеют в общей сложности 1321 ответ для восприятия, опасений и ожиданий пользователя в отношении использования LMS в образовании. Структура метода этого исследования состоит из сбора данных, очистки данных, аннотирования данных посредством ручной классификации восприятия на положительное или отрицательное и машинного обучения обучающего набора, который показан на рисунке 1. Исследователи вручную классифицировали собранные ответы на отрицательные восприятие или положительное восприятие. Чтобы проверить оценку эффективности модели классификации, исследователи использовали 10-стратифицированную перекрестную проверку с алгоритмом опорных векторов, который применяется в инструментах машинного обучения. Одной из наиболее быстро растущих технических областей сегодня является машинное обучение, которое лежит на пересечении информатики и статистики и лежит в основе науки о данных, где в этом исследовании оно используется для проверки эффективности модели данных, после чего ожидания и опасения классифицируются через тематическое моделирование [10].
2.1 Сбор данных и источник данных
Вопросы об опросах были опубликованы в Интернете через Документы / Google. Исследователи дали студентам и преподавателям возможность ответить на два (2) открытых вопроса, а именно: как вы оцениваете использование LMS в качестве инструмента для учебного процесса; и каковы ваши ожидания и проблемы при использовании системы управления обучением в качестве инструмента обучения. Данные респондентов и их ответы были сохранены в электронной таблице для очистки данных.
2.2 Очистка данных
Поскольку собранные данные являются зашумленными, исследователи подвергаются процессу очистки данных в виде удаления дубликатов, символов, цифр и заглавных слов. Для удаления дубликатов использовались инструменты машинного обучения – среда Вайкато для анализа знаний (WEKA). Notepad ++ использовался для обработки символов, прописных и строчных букв с помощью регулярных выражений. После очистки данных было сохранено только 770 ответов на восприятие.
2.3 Аннотация данных
Исследователи вручную классифицировали собранные данные ответов восприятия на положительное или отрицательное восприятие, в то время как ожидания и проблемы будут определяться посредством тематического моделирования с использованием инструмента молотка. Отрицательные ответы классифицируются исследователем, если ответ содержит отрицательные вспомогательные слова, такие как «нет», «нет» и т. Д. В таблице 1 показан пример очищенного классифицированного положительного и отрицательного ответа:
- Положительный ответ Отрицательный ответ
- полезный инструмент, многие обсуждаемые темы достигают глубоких знаний, а не хорошего учебного инструмента
2.4 Инструменты машинного обучения и алгоритмы классификации
Для идентификации и оценки восприятия исследователя, классифицированного и помеченного вручную, в этом исследовании в качестве инструмента для машинного обучения использовалась среда анализа знаний (Weka) Waikato. В обучающих инструментах машинного обучения для классификации позитивного и негативного восприятия использовалось контролируемое обучение. Контролируемое обучение означает, что исследователи уже вручную классифицировали и маркировали восприятия на позитивные и негативные восприятия для обучения инструментам машинного обучения. Чтобы проверить эффективность классификационной модели восприятий, исследователи используют стратифицированную перекрестную проверку с десятью (10) сгибами. В исследовании под названием «Автоматическая классификация связанных с бедствиями твитов» указывалось, что процесс машинного обучения в многослойной перекрестной проверке с десятью (10) сгибами состоит в том, что набор данных случайным образом разбивается на 10 равных размеров подмножеств, модель классификации вручную Обучается, обучается и тестируется 10 раз, причем 9-кратное число используется в качестве набора обучающих данных, а оставшееся 1-кратное значение – в качестве набора проверочных данных [11].
В данном исследовании использовались алгоритмы классификатора Support Vector Machine (SVM). Одним из наиболее часто используемых алгоритмов машинного обучения для классификации является машина опорных векторов, которая используется для двоичной классификации. Поиск гиперлана, который оптимально разделяет d-мерные данные на два класса, является основной целью SVM [12]. Однако для облегчения разделения данных в SVM интегрированы концепции ядра, которое превращает пространство функций в пространство более высоких измерений [13].
После классификации и маркировки ответов на восприятие исследователь измеряет надежность классификации и маркировки восприятий с помощью коэффициента корреляции внутрикласса (ICC) или коэффициента Каппа для нескольких оценок, который автоматически вычисляется инструментами машинного обучения. Коэффициент внутриклассовой корреляции является наилучшей мерой надежности для непрерывных данных [14]. Стандартные показатели, такие как точность, точность, отзыв и f-мера, использовались для проверки оценки эффективности тренировочного набора, которая показана в таблице 2.
Если взглянуть на школы в Ричмонде, штат Калифорния, и сравнить их со школами в Конкорде, штат Калифорния, можно увидеть огромную разницу. Мало того, что жилой
Преподавание существительных в важной области интересов в преподавании английского языка, которая всегда привлекала мое внимание и внимание моих учеников. Это обширная область, которая может связать
В графическом романе Элисон Бешдель «Веселый дом» она рассказывает о своей семье, но больше о своих отношениях с отцом. Она изображает своего отца эмоционально разъединенным