Phân tích ý kiến theo khía cạnh trên bình luận phản hồi của sinh viên cho tiếng Việt

Bài viết 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.
Nội dung trích xuất từ tài liệu:
Phân tích ý kiến theo khía cạnh trên bình luận phản hồi của sinh viên cho tiếng Việt TNU Journal of Science and Technology 226(18): 48 - 55 ASPECT-BASED SENTIMENT ANALYSIS ON STUDENT’S FEEDBACK IN VIETNAMESE Ton Nu Thi Sau*, Do Phuoc Sang, Pham Thi Thu Trang Hanoi University of Home Affairs Campus in HCM City ARTICLE INFO ABSTRACT Received: 29/9/2021 In recent years, universities are interested in surveying and analyzing student’s feedbacks to improve teaching effectiveness as well as Revised: 18/11/2021 training quality. However, the manual analysis will be costly in terms Published: 18/11/2021 of effort and time-consuming with the large data. Therefore, in this paper, we introduce a new dataset on student’s feedback of aspect KEYWORDS categories detection and aspect-sentiment classification tasks. Our data consists of 5,010 sentences which are annotated by 11 pre-defined Vietnamese dataset aspect categories (teacher behavior, teaching skills…) and 3 sentiment Machine learning polarities (positive, negative, neutral) with annotation agreements of Deep learning 88.95% and 80.52% according to two tasks. In addition, we present a series of experiments on the dataset based on a combination model Aspect based sentiment analysis BiLSTM-CNN, compared with other machine learning approaches. The Ensemble architecture experimental results show that our combination method achieves the best scores with the F1-score of 78.93% and 73.78% for the aspect category detection task and aspect-sentiment classification task, respectively. Experimental results demonstrate the effectiveness of our ensemble architecture. 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 Phân hiệu Trường Đại học Nội vụ Hà Nội tại Thành phố Hồ Chí Minh THÔNG TIN BÀI BÁO TÓM TẮT Ngày nhận bài: 29/9/2021 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 Ngày hoàn thiện: 18/11/2021 lượng đào tạo. Tuy nhiên việc phân tích một cách thủ công sẽ tốn Ngày đăng: 18/11/2021 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 TỪ KHÓA 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 Dữ liệu tiếng Việt nhãn theo 11 khía cạnh khác nhau (hành vi, kỹ năng giảng dạy…) và Máy học 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 Học sâu cũng trình bày một chuỗi thí nghiệm dựa trên bộ dữ liệu dựa trên mô Phân tích ý kiến theo khía cạnh hình kết hợp BiLSTM-CNN so sánh với các mô hình máy học khác. Mô hình kết hợp 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. DOI: https://doi.org/10.34238/tnu-jst.5101 * Corresponding author. Email: sauvtc@gmail.com http://jst.tnu.edu.vn 48 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(18): 48 - 55 1. Giới thiệu Trong các năm gần đây, ngành giáo dục ở Việt Nam đã có những thay đổi đáng kể từ chương trình đào tạo, chất lượng đội ngũ giảng viên cho đến môi trường học tập với mục đích giúp sinh viên tiếp thu kiến thức hiệu quả hơn. Đặc biệt hiện nay chương trình đào tạo, chất lượng đội ngũ giảng viên, cơ sở vật chất,… được các trường đại học rất quan tâm và cố gắng cải thiện cho phù hợp với nhu cầu của người học, đáp ứng sự phát triển của xã hội. Để giải quyết được vấn đề này, các trường đại học thường khảo sát để lấy ý kiến phản hồi của người học liên quan đến chương trình học, nội dung các môn học, hoạt động giảng dạy của giảng viên... Thông thường các ý kiến này được phân tích một cách thủ công bởi các nhân viên. Tuy nhiên, việc phân tích ý kiến phản hồi theo cách thủ công sẽ làm mất nhiều thời gian và không tổng hợp được một cách chính xác các vấn đề mà sinh viên đề cập đến. Bài toán phân tích ý kiến phản hồi theo khía cạnh được các nhà nghiên cứu đặt ra với mục đích nghiên cứu ra các thuật toán, mô hình phân tích các ý kiến một cách tự động với độ chính xác cao. Trong 5 năm trở lại đây, hầu hết các nghiên cứu đều sử dụng bộ dữ liệu được công bố bởi hội thảo SemEval-2016 [1]. Hội thảo này đã công bố tổng cộng 19 bộ dữ liệu trên 8 ngôn ngữ cho 7 lĩnh vực khác nhau. Tuy nhiên, trong đó không có các lĩnh vực giáo dục. Chính vì thế, các nhóm nghiên cứu [2]-[4] đã trình bày các nghiên cứu tập trung vào lĩnh ...