СРАВНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ТОНАЛЬНОСТИ В ЭЛЕКТРОННОМ ОБУЧЕНИИ

Або-Рашед Кнаан, Польщиков Константин Александрович, Головко Ярослав Юрьевич

Анализ тональности играет ключевую роль в понимании опыта студентов в условиях электронного обучения. Это исследование рассматривает сравнительную эффективность четырех различных моделей машинного обучения - наивного Байеса, метода опорных векторов, деревьев решений и случайного леса - в анализе тональности 3000 твитов, связанных с электронным обучением. Оценка моделей основывается на таких параметрах, как точность, полнота, специфичность и F1-мера. Выбор идеальной модели должен уравновешивать такие факторы, как вычислительные ресурсы, интерпретируемость и адаптивность. Эти результаты предлагают ценные выводы для администраторов платформ электронного обучения и преподавателей, потенциально направляя улучшения содержания курса, его проведения и пользовательского опыта. Исследование признает потенциальные ограничения, связанные с предвзятостью модели и сложностью обобщения выводов на другие платформы электронного обучения. Направления будущих исследований включают смягчение предвзятости и улучшение применимости этих моделей к различным платформам и источникам данных. Эта работа вносит существенный вклад в развивающуюся область применения машинного обучения в анализе тональности в электронном обучении.

Ключевые слова:Анализ тональности текста, Электронное обучение, Машинное обучение, Наивный Байес, Метод опорных векторов, Деревья решений, Случайный лес