考虑学生的认知能力——基于实体层面和整体层面的教学评价情感分析

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Considering Student's Cognitive Abilities-Entity Level and Entirety Level Sentiment Analysis of Teaching Evaluation

学生教学反馈情感分析（STFSA）在评估教学效果中至关重要，但现有研究难以整合细粒度实体情感与整体情感分析。本文提出基于学生认知能力的EETSC策略，采用双注意力机制构建实体级情感分析网络，并通过整合个性化认知能力优化整体级情感分析网络。实验表明，实体级情感识别准确率提升2.19%，整体级准确率提升0.76%，有效缓解教学评价中的情感极性冲突问题，为教育领域自然语言处理提供新方法。

　　

摘要

学生教学反馈情感分析（STFSA）在评估教学效果方面起着至关重要的作用，其分析结果受到教学过程组织方式以及学生对课程认知程度的影响。然而，当前对学生反馈的情感分析在整合细粒度实体级情感和多极情感方面存在挑战。因此，我们提出了一种新的情感分析策略，用于实体级和整体级的教学评估情感分析，该策略考虑了学生的认知能力（EETSC）。该策略采用了两级网络：一层基于双重注意力机制的实体级网络，用于对学生反馈进行细粒度的情感分析；另一层为整体情感分析网络，该网络整合了学生的个性化认知能力，以调整不同实体的情感特征，从而在整体层面获得更准确、更合理的情感表达。实验结果表明，与现有的最佳方法相比，EETSC在识别六种类型教学实体情感时的准确率为86.34%，F1分数为77.13%，分别提高了2.19%和2.18%；在整体情感识别方面，EETSC的准确率为87.36%，F1分数为78.02%，分别提高了0.76%和1.21%。进一步的实验分析表明，EETSC能够缓解教学评估中情感极性冲突的问题，并为将学生的认知状态整合到教育自然语言处理领域的情感分析中提供了解决方案。