题目:Exploring Online Learners' Interactive Dynamics by Visually Analyzing Their Time-anchored Comments
作者: Ching-Ying Sung , Xun-Yi Huang, Yicong Shen等,台湾交通大学
发表:CGF
因为这篇论文和目前的工作关联不是特别大,所以→
本文切入点
在学生和在线MOOC视频之间的互动中有潜在的丰富的学生行为信息,可以帮助教师和内容生产者调整和完善在线课程,而且目前没有此类论文
一句话概括本文要干什么
从学生在观看视频时对特定时间点留下的时间锚定的评论中,提取和可视化(ToPIN和ThemeRiver)有用信息
数据处理:评论分析
采用文本处理和机器学习技术,开发了几个分析组件:
- 情感分析:学生是否满意教师的课程、课程材料、教学风格等。使用朴素贝叶斯分类器分析后归为三类:积极、中立、消极
- 课程相关性分析:分析评论与课程相关的程度可以帮助教师发现学习者的专注状态,使用朴素贝叶斯分类器分析后分为两类:与课程有关、无关
- 内容分析:一些特殊事件对教师来说很重要,如提问、意见和投诉,这些事件可以直接表达学习者的要求或状态。文章采用教师的建议,遵循现有的方案[MRM13],将评论的内容分为六种类型:一般对话、笔记、意见、问题、抱怨和赞扬
- 主题分析与聚类:系统应用余弦相似度聚类(k-means)评论,成主题类,并为每个聚类总结关键词
数据处理结果可视化
本文利用ToPIN(下)可视化方法,显示主题、每个主题的情感基调&课程相关性,以提供定性的评论分析;利用ThemeRiver(上)描述评论类型变化的定量分析。
ToPIN可视化视图描绘主题演化,x轴为时间轴,y轴展示用户选择的属性的值。每个box被一串各种颜色的曲线连在x轴上,每条线代表一个评论,线与x轴交点为评论发出的视频时间。颜色指示评论类型。主题热度用box面积表示。box色度代表平均情感值。