اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدتحليل توجهات الطلاب الجامعيين عن طريق وسائل التواصل الاجتماعي (تطبيق رأي خاص بطلاب الجامعة الافتراضية)
Analyzing University Students' Attitudes Through Social Media
1215
2 1
0.0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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
المراجع المستخدمة
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).
قيم البحث
اقرأ أيضاً
اللغة المسيئة هي ظاهرة متزايدة على منصات وسائل التواصل الاجتماعي. يمكن أن تصل آثارها إلى ما بعد السياق عبر الإنترنت، والمساهمة في الضغط العقلي أو العاطفي على المستخدمين. يمكن للأدوات التلقائية للكشف عن سوء المعاملة تخفيف المشكلة. في الممارسة العملية،
تعتمد تطوير طرق تلقائية للكشف عن لغة مسيئة على بيانات ذات نوعية جيدة. ومع ذلك، هناك حاليا نقص المعايير لإنشاء مجموعات البيانات في هذا المجال. وتشمل هذه المعايير تعريفات لما يعتبر لغة مسيئة وإرشادات التوضيحية والإبلاغ عن العملية. تقدم هذه الورقة إطارا شرحا مستوحى من المفاهيم القانونية لتحديد اللغة المسيئة في سياق المضايقات عبر الإنترنت. يستخدم الإطار مقياسا Likert 7 نقاط للوضع العلامات بدلا من التسميات الفئة. نحن نقود أيضا Alyt - مجموعة بيانات من لغة مسيئة على YouTube. يتضمن Alyt تعليقات YouTube باللغة الإنجليزية من مقاطع الفيديو حول موضوعات مختلفة مثيرة للجدل ومسمى طلاب القانون. تم أخذ عينات من التعليقات من البيانات التي تم جمعها فعليا، دون أساليب اصطناعية لزيادة المحتوى المسيء. تصف الورقة عملية التوضيحية بدقة، بما في ذلك جميع المبادئ التوجيهية وخطوات التدريب.
تصف هذه الورقة مساهمة Helsinki - Ljubljana المهمة المشتركة في عام 2021 في مجال تحديد الموقع الجغرافي للوسائط الجغرافية الاجتماعية.بعد مشاركتنا الناجحة في 32020، اقترحنا مرة أخرى أنظمة مقيدة وغير مقيدة بناء على بنية بيرت.في هذه الورقة، نقوم بالإبلاغ ع
ن تجارب مع إعدادات التكوين المختلفة ونماذج مختلفة تم تدريبها مسبقا، وننظر إلى نهج الانحدار الخالي من المعلمة مع مخططات التصنيف المختلفة التي اقترحها المشاركين الآخرون في كل من التعليمات الفاردة 2020. كل من التعليمات البرمجية وأفضل أداء مسبقا مسبقايتم تقديم النماذج بحرية المتاحة.
البحث الحديث في التعدين في الرأي أساليب النمذجة القائم على الكلمات القائمة على الكلمات التي توفر متماسكة متفوقة مقارنة بنمذجة الموضوع التقليدية. في هذه الورقة، نوضح كيف يمكن استخدام هذه الطرق لعرض نماذج موضوع مرتبطة على نصوص الوسائط الاجتماعية باستخد
ام SocialVistum، لدينا مجموعة أدوات التصور التفاعلية المقترحة. يعرض رسم بياني مع موضوعات كعقدات وارتباطاتهم كحضب. يتم عرض مزيد من التفاصيل بشكل تفاعلي لدعم استكشاف مجموعات نصية كبيرة، على سبيل المثال، الكلمات والجمل التمثيلية والجمل من المواضيع، وتوزيع الموضوع والشعور، وتجميع موضوعات التسلسل الهرمي، وتسميات موضوعية قابلة للتخصيص وموضوعية محددة مسبقا. تعمل مجموعة الأدوات تلقائيا على البيانات المخصصة للتماسك الأمثل. نعرض مثالا عاما من مجموعة الأدوات على البيانات الزحف من مناقشات وسائل التواصل الاجتماعي الإنجليزية حول استهلاك الأغذية العضوية. تؤكد التصور نتائج دراسة بحثية مستهلكية نوعية. SocialVistum وإجراءات التدريب الخاصة به يمكن الوصول إليها عبر الإنترنت.
تشعر الدراسات المرتبطة بالتبغ المعاصرة في الغالب بمنصة وسائط اجتماعية واحدة أثناء تفويتها على جمهور أوسع.علاوة على ذلك، فإنها تعتمد بشدة على مجموعات البيانات المسمى، وهي مكلفة لجعلها.في هذا العمل، نستكشف المعنويات وتحديد المنتج على النص المتعلق بالتب
غ من منصات وسائط التواصل الاجتماعي.نطلق سراح مجموعات البيانات المرسلة - Twitter و Relismoke-Reddit، إلى جانب مخطط شرح شامل لتحديد شعور منتجات التبغ.ثم نقوم بإجراء تجارب تصنيف النص باستخدام النماذج الحديثة، بما في ذلك بيرت روبرتا، والتقطير.تظهر تجاربنا نتائج F1 تصل إلى 0.72 لتحديد المعنويات في DataSet Twitter، 0.46 لتحديد المعنويات، و 0.57 للحصول على تحديد المنتج باستخدام تعلم شبه إشرافه Reddit.
يستخدم عمل خطاب الشكوى من قبل البشر للتواصل مع عدم وجود عدم تطابق سلبي بين الواقع والتوقعات كرد فعل على وضع غير موات. تصنف النظرية اللغوية للبراغماتية شكاوى إلى مستويات شدة مختلفة تعتمد على تهديد الوجه الذي يرغب فيه الشكوى في القيام به. هذا مفيد بشكل
خاص لفهم نية الشكوكيين وكيف يطور البشر استراتيجيات اعتذار مناسبة. في هذه الورقة، ندرس مستوى شدة الشكاوى لأول مرة في اللغويات الحاسوبية. لتسهيل ذلك، فإننا نشعر بإثراء مجموعة بيانات متاحة للجمهور من الشكاوى مع أربع فئات شدة وتدريب شبكات مختلفة قائمة على المحولات جنبا إلى جنب مع المعلومات اللغوية التي تحقق 55.7 ماكرو F1. كما نقوم بالاشتراك في تصنيف تصنيف الشكاوى الثنائية وشدة الشكاوى في إعدادات متعددة المهام التي تحقق نتائج جديدة لتحقيق نتائج جديدة على اكتشاف الشكاوى الثنائية تصل إلى 88.2 ماكرو F1. أخيرا، نقدم تحليلا نوعيا لسلوك نماذجنا في التنبؤ بمستويات شدة الشكوى.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
