Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userAnalyzing University Students' Attitudes Through Social Media
تحليل توجهات الطلاب الجامعيين عن طريق وسائل التواصل الاجتماعي (تطبيق رأي خاص بطلاب الجامعة الافتراضية)
1916
2 1
0.0
(
0
)
Created by
Shamra Editor
Ask ChatGPT about the research
قمنا في هذا البحث باتباع نهج تحليل المشاعر المعتمد على المعجم لتحديد التوجه العام للطلاب، ايجابي او سلبي او محايد، اذ قمنا بداية ببناء معجم مشاعر انطلاقا من بعض المعاجم المعدة مسبقا ليتم اعتماده في عملية تحليل المشاعر، ثم قمنا بوضع نموذج يوجد رأي الطلاب العام بالاعتماد على المعجم السابق، يعالج النموذج الكتابي الكلمات التي تزيد من حدة المشاعر والرموز التعبيرية وبعض حالات النفي، وقمنا باضافة تفاعلات المستخدمين الأخرين مع المنشورات عند ايجاد التوجه العام بهدف اخذ أراء الطلاب الذين لم يعبروا عن أرائهم بنصوص مكتوبة.
No English abstract
Artificial intelligence review:
Research summary
تتناول هذه الأطروحة تحليل توجهات الطلاب الجامعيين من خلال وسائل التواصل الاجتماعي، مع التركيز على الجامعة الافتراضية السورية. تهدف الدراسة إلى تصميم وبناء نظام يحلل منشورات ومراجعات الطلاب المنشورة باللغة العربية على وسائل التواصل الاجتماعي لتحديد الرأي العام لهم، سواء كان إيجابيًا أو سلبيًا أو محايدًا. تعتمد الدراسة على مفاهيم وتقنيات تحليل المشاعر والتنقيب عن الآراء. تم بناء معجم مشاعر خاص باللهجة السورية، ومعالجة النصوص باستخدام تقنيات معالجة اللغات الطبيعية. كما تم إدخال تفاعلات المستخدمين الآخرين مع المنشورات في الحسابات النهائية لتحديد التوجه العام. تم اختبار النموذج المقترح باستخدام مجموعة من المراجعات المصنفة يدويًا، وأظهرت النتائج دقة جيدة في تحديد التوجهات العامة للطلاب.
Critical review
تعتبر هذه الأطروحة خطوة مهمة في مجال تحليل المشاعر باللغة العربية، وخاصة اللهجات المحكية. ومع ذلك، يمكن الإشارة إلى بعض النقاط التي قد تحتاج إلى تحسين. أولاً، الاعتماد على معاجم مشاعر مترجمة من لغات أخرى قد يؤثر على دقة النتائج، لذا يفضل تطوير معاجم محلية دقيقة. ثانيًا، لم يتم تناول تأثير السخرية بشكل كافٍ، وهو عنصر مهم في تحليل المشاعر. ثالثًا، يمكن تحسين النموذج بإدخال تقنيات تعلم الآلة لتعزيز دقة التصنيف. وأخيرًا، يمكن توسيع الدراسة لتشمل منصات تواصل اجتماعي أخرى غير فيسبوك للحصول على نتائج أكثر شمولية.
Questions related to the research
-
ما هو الهدف الرئيسي من هذه الأطروحة؟
الهدف الرئيسي هو تصميم وبناء نظام يحلل منشورات ومراجعات الطلاب المنشورة باللغة العربية على وسائل التواصل الاجتماعي لتحديد الرأي العام لهم، سواء كان إيجابيًا أو سلبيًا أو محايدًا.
-
ما هي التحديات الرئيسية التي تواجه تحليل المشاعر باللغة العربية؟
تشمل التحديات الرئيسية تعقيد اللغة العربية، نقص الموارد المتاحة، تنوع اللهجات المحكية، وصعوبة التعامل مع السخرية والأخطاء الإملائية والنحوية في النصوص.
-
كيف تم جمع بيانات المراجعات المستخدمة في الدراسة؟
تم جمع بيانات المراجعات من صفحة الجامعة الافتراضية السورية على فيسبوك باستخدام واجهة التطبيقات المقدمة من فيسبوك (Facebook Graph API).
-
ما هي المعايير المستخدمة لتقييم دقة النموذج المقترح؟
تم تقييم دقة النموذج باستخدام ثلاثة معايير رئيسية: الدقة (Accuracy)، الضبط (Precision)، والاستجابة (Recall).
References used
Bekkali, M., & Lachkar, A. (2019, March). Arabic Sentiment Analysis based on Topic Modeling. In Proceedings of the New Challenges in Data Sciences: Acts of the Second Conference of the Moroccan Classification Society(p. 17). ACM.
Rao, K. P., Koneru, A., & Raju, D. N. (2019). OEFC Algorithm—Sentiment Analysis on Goods and Service Tax System in India. In Cognitive Informatics and Soft Computing (pp. 441-451). Springer, Singapore
Guellil, I., Adeel, A., Azouaou, F., & Hussain, A. (2018, July). Sentialg: Automated corpus annotation for algerian sentiment analysis. In International Conference on Brain Inspired Cognitive Systems (pp. 557-567). Springer, Cham
Abdellaoui, H., & Zrigui, M. (2018). Using tweets and emojis to build TEAD: an Arabic dataset for sentiment analysis. Computación y Sistemas, 22(3).
rate research
Read More
Abusive language is a growing phenomenon on social media platforms. Its effects can reach beyond the online context, contributing to mental or emotional stress on users. Automatic tools for detecting abuse can alleviate the issue. In practice, develo
ping automated methods to detect abusive language relies on good quality data. However, there is currently a lack of standards for creating datasets in the field. These standards include definitions of what is considered abusive language, annotation guidelines and reporting on the process. This paper introduces an annotation framework inspired by legal concepts to define abusive language in the context of online harassment. The framework uses a 7-point Likert scale for labelling instead of class labels. We also present ALYT -- a dataset of Abusive Language on YouTube. ALYT includes YouTube comments in English extracted from videos on different controversial topics and labelled by Law students. The comments were sampled from the actual collected data, without artificial methods for increasing the abusive content. The paper describes the annotation process thoroughly, including all its guidelines and training steps.
This paper describes the Helsinki--Ljubljana contribution to the VarDial 2021 shared task on social media variety geolocation. Following our successful participation at VarDial 2020, we again propose constrained and unconstrained systems based on the
BERT architecture. In this paper, we report experiments with different tokenization settings and different pre-trained models, and we contrast our parameter-free regression approach with various classification schemes proposed by other participants at VarDial 2020. Both the code and the best-performing pre-trained models are made freely available.
Recent research in opinion mining proposed word embedding-based topic modeling methods that provide superior coherence compared to traditional topic modeling. In this paper, we demonstrate how these methods can be used to display correlated topic mod
els on social media texts using SocialVisTUM, our proposed interactive visualization toolkit. It displays a graph with topics as nodes and their correlations as edges. Further details are displayed interactively to support the exploration of large text collections, e.g., representative words and sentences of topics, topic and sentiment distributions, hierarchical topic clustering, and customizable, predefined topic labels. The toolkit optimizes automatically on custom data for optimal coherence. We show a working instance of the toolkit on data crawled from English social media discussions about organic food consumption. The visualization confirms findings of a qualitative consumer research study. SocialVisTUM and its training procedures are accessible online.
Contemporary tobacco-related studies are mostly concerned with a single social media platform while missing out on a broader audience. Moreover, they are heavily reliant on labeled datasets, which are expensive to make. In this work, we explore senti
ment and product identification on tobacco-related text from two social media platforms. We release SentiSmoke-Twitter and SentiSmoke-Reddit datasets, along with a comprehensive annotation schema for identifying tobacco products' sentiment. We then perform benchmarking text classification experiments using state-of-the-art models, including BERT, RoBERTa, and DistilBERT. Our experiments show F1 scores as high as 0.72 for sentiment identification in the Twitter dataset, 0.46 for sentiment identification, and 0.57 for product identification using semi-supervised learning for Reddit.
The speech act of complaining is used by humans to communicate a negative mismatch between reality and expectations as a reaction to an unfavorable situation. Linguistic theory of pragmatics categorizes complaints into various severity levels based o
n the face-threat that the complainer is willing to undertake. This is particularly useful for understanding the intent of complainers and how humans develop suitable apology strategies. In this paper, we study the severity level of complaints for the first time in computational linguistics. To facilitate this, we enrich a publicly available data set of complaints with four severity categories and train different transformer-based networks combined with linguistic information achieving 55.7 macro F1. We also jointly model binary complaint classification and complaint severity in a multi-task setting achieving new state-of-the-art results on binary complaint detection reaching up to 88.2 macro F1. Finally, we present a qualitative analysis of the behavior of our models in predicting complaint severity levels.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
