Analyse de Sentiments envers l'apprentissage en ligne: Appliquer les méthodes ensemblistes pour sur les réseaux sociaux pour évaluer l'apprentissage en ligne

Sentiment Analysis on Online Learning: Applying Ensemble Methods on SocialNetworks Students Reviews to assess online education

• Auteur / Autrice : Souha Al katat
• Direction : Lionel Trojman, Hussein Hazimeh
• Type : Projet de thèse
• Discipline(s) : Sciences de l'ingénieur
• Date : Inscription en doctorat le 01/01/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, Signal et Image, Électronique et Télécommunication

Mots clés

Mots clés libres

Apprentissage profond

Méthodes ensemblistes

Apprentissage en ligne

Réseaux Sociaux

Nlp

Deep Learning

Ensemble methods

Online learning

Social networks

Nlp

Résumé

Le changement radical dans l'apprentissage numérique a montré des défis, des forces et des faiblesses dans les perspectives des enseignants et des étudiants. Du côté mental et émotionnel, l'apprentissage en ligne aide les élèves à devenir des apprenants plus indépendants, mais les recherches ont montré que les étudiants préfèrent encore l'apprentissage en classe pour de nombreuses raisons. Les étudiants de différents âges et de différents domaines expriment leurs pensées, commentaires et interactions sur les réseaux sociaux. Le but de ce travail est d'abord d'appliquer des techniques de fouille de texte pour comprendre le langage utilisé sur les réseaux sociaux, et trouver la nature de l'opinion; par la suite, trouver les facteurs forts et faibles dans l'éducation en ligne afin d'avoir un enseignement en ligne efficace. Deuxièmement, trouver le modèle en utilisant des méthodes d'ensemble qui classifient, extraient et analysent les sentiments des étudiants, partagés sur les réseaux sociaux, vers l'apprentissage en ligne, La performance du modèle proposé est évaluée par rapport à différents modèles indépendants, en utilisant Bagging, Boosting et Random Forest. Le travail consiste ainsi à améliorer la précision avec la méthode d'ensemble proposée pour analyser les sentiments.

The drastic change in digitalizing learning showed challenges, strengths, and weaknesses in instructors' and students' perspectives. From the mental and emotional side, online learning helps students to become more independent learners, yet, researches showed that students still prefer classroom learning for many reasons. Students of different ages and different domains express their thoughts, comments, and interactions on social networks. The aim of this work is first to apply text mining techniques to understand social network language, and find the opinion; subsequently, find the strong and weak factors in online education in order to have effective online teaching. Second, to find the model using ensemble methods that classify, extracts, and analyzes students' sentiments, shared on social networks, towards online learning, The performance of the proposed model will be evaluated compared to different individual classifiers and individual algorithms, by using Bagging, Boosting, and Random Forest. The work also involves improving accuracy with the proposed novel ensemble method to analyze sentiments.