Hình 3.23. Bảng phân tích chi tiết ý kiến phản hồi của sinh viên đối với học phần
Bƣớc 4: Sau khi phân tích xong, nhấn vào nút Xuất biểu đồ để tải xuống
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN
1. Kết luận
Trong đề tài này, nhĩm nghiên cứu đã trình bày một nghiên cứu về bài tốn Phân tích cảm xúc theo khía cạnh trên ý kiến phản hồi của sinh viên với các mục tiêu đã đạt đƣợc nhƣ sau:
(1) Thu thập, xây dựng và gán nhãn thủ cơng một bộ dữ liệu với kích thƣớc 5010 câu ý kiến bao gồm 11 khía cạnh và mỗi khía cạnh sẽ đƣợc gán bởi 3 trạng thái cảm xúc khác nhau;
(2) Nhĩm nghiên cứu cũng đã cài đặt các phƣơng pháp máy học, học sâu trên bộ dữ liệu xây dựng để làm nền tảng cho sự phát triển bài tốn này ở các cơng trình tiếp theo. Kết quả thực nghiệm đã minh chứng mơ BERT cho kết quả hiệu quả hơn so với các mơ hình khác với chỉ số F1 là 82,53% cho bài tốn phát hiện khía cạnh và 79,39% cho bài tốn phát hiện khía cạnh và trạng thái cảm xúc tƣơng ứng.
(3) Xây dựng một ứng dụng web kết hợp giữa lập trình web và kết nối AI để xây dựng ứng dụng hỗ trợ phân tích ý kiến phản hồi của sinh viên.
2. Hƣớng phát triển
Dựa trên những nghiên cứu trong đề tài này, nhĩm nghiên cứu đề xuất nên nâng cao số lƣợng dữ liệu gán nhãn bởi vì đây là một bài tốn thách thức với số lƣợng nhãn lớn những dữ liệu hiện tại tƣơng đối ít. Do đĩ, các hƣớng nghiên cứu cần tập trung xây dựng dữ liệu lớn hơn. Bên cạnh đĩ, nhĩm nghiên cứu cũng đề xuất thử nghiệm các mơ hình hiệu quả hơn nhƣ mơ hình đồ thị để nâng cao hiệu quả dự đốn.
Để đảm bảo đủ minh chứng cho cơng tác kiểm định chất lƣợng và quản lý giáo dục của Phân hiệu và của Trƣờng thì cần phân tích dữ liệu tổng thể với tất cả các câu hỏi đĩng và mở cho nên định hƣớng phát triển của phần mềm xây dƣng thêm Phân hệ lấy ý kiến khảo sát sinh viên, để làm nguồn dữ liệu đầu vào cho phân tích.
3. Kiến nghị
3.1. Triển khai phần mềm vào thực tế
Để triển khai vào thực tế phân hiệu cần thực hiện việc sau:
- Mua thêm phân hệ khảo sát ý kiến của UniSoft để lấy ý kiến khảo sát ý kiến của sinh viên;
- Thuê máy chủ ảo (virtual private server - VPS) với cấu hình nhƣ bên dƣới để nhĩm nghiên cứu cài đặt phần mềm VasfSoft.
+ Bộ xử lý Intel® Xeon® E5-2680 v2 + Bộ nhớ trong 4 GB
+ Ổ cứng SSD: 100 GB + Winserver 2016
3.2. Phát triển phần mềm trong tƣơng lai
Để nâng cấp phần mềm cĩ độ chính xác cao hơn và cĩ nhiều tính năng hơn đáp ứng nhu cầu trong tƣơng lai của Phân hiệu thì Phân hiệu cần đầu tƣ thêm kinh phí phù hợp và tạo điều kiện về thời gian để nhĩm nghiên cứu tiếp tục nghiên cứu và phát triển phần mềm.
TÀI LIỆU THAM KHẢO
1 Christopher J. C. Burges (1998), "A Tutorial on Support Vector Machines
for Pattern Recognition", Journal Data Mining and Knowledge Discovery,
vol. 2, no. 2, pp. 121-167.
2 Devlin, Jacob, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova (2018), "Bert: Pre-training of deep bidirectional transformers for language
understanding." arXiv preprint arXiv:1810.04805.
3 Dat Quoc Nguyen and Anh Tuan Nguyen (2020), "PhoBERT: Pre-trained
language models for Vietnamese.", In Findings of the Association for
Computational Linguistics: EMNLP 2020, pages 1037–1042, Online. Association for Computational Linguistics.
4 Hai Son Le, Thanh Van Le, and Tran Vu Pham (2015), "Aspect Analysis for Opinion Mining of Vietnamese Text", In Proceedings of the 2015
International Conference on Advanced Computing and Applications (ACOMP) (ACOMP '15): IEEE Computer Society, Washington, DC, USA. 5 Kim Schouten and Flavius Frasincar (2016), "Survey on Aspect-Level
Sentiment Analysis", IEEE Transactions on Knowledge and Data
Engineering, vol. 28, no. 3, pp. 813-830.
6 Kim, Yoon. (2014), "Convolutional Neural Networks for Sentence
Classification", Proceedings of the 2014 Conference on Empirical Methods
in Natural Language Processing (EMNLP).
7 Kiet Van Nguyen, Vu Duc Nguyen, Phu. X. V. Nguyen, Tham. T. H. Truong and Ngan Luu Thuy Nguyen (2018), "UIT-VSFC: Vietnamese Students’ Feedback Corpus for Sentiment Analysis", 2018 10th
International Conference on Knowledge and Systems Engineering (KSE), Ho Chi Minh City, pp. 19-24.
8 Kukreja, H., Bharath, N., Siddesh, C. S., & Kuldeep, S. (2016), "An
introduction to artificial neural network", Int J Adv Res Innov Ideas
Educ, 1, 27-30.
9 Liddy, E. D. (2001). "Natural language processing".
10 Marzieh Saeidi, Guillaume Bouchard, Maria Liakata, Sebastian Riedel (2016), “SentiHood: Targeted Aspect Based Sentiment Analysis Dataset for
Urban Neighbourhoods”, Proceedings of COLING 2016, the 26th
International Conference on Computational Linguistics: Technical Papers, pages 1546– 1556, Osaka, Japan, December 11-17 2016.
11 Maria Pontik, Dimitrios Galanis, John Pavlopoulos, Haris Papageorgiou, Ion Androutsopoulos, Suresh Manandhar (2014), “SemEval-2014 Task 4:
Aspect Based Sentiment Analysis”, Proceedings of the 8th International
Workshop on Semantic Evaluation (SemEval 2014), pages 27–35, Dublin, Ireland, August 23-24, 2014.
12 Maria Pontiki, Dimitris Galanis, Haris Papageorgiou, Ion Androutsopoulos, Suresh Manandhar, Mohammad AL-Smadi, Mahmoud Al-Ayyoub, Yanyan Zhao, Bing Qin, Orphée De Clercq, Véronique Hoste, Marianna Apidianaki, Xavier Tannier, Natalia Loukachevitch, Evgeniy (2016),
"SemEval-2016 Task 5: Aspect Based Sentiment Analysis", in Proceedings
of the 10th International Workshop on Semantic Evaluation (SemEval- 2016), San Diego, California, 2016.
13 Marianna Apidianaki, Xavier Tannier, Cécile Richart (2016), "Datasets for
AspectBased Sentiment Analysis in French", in Proceedings of the Tenth
International Conference on Language Resources and Evaluation (LREC 2016), Portorož, Slovenia, 2016.
14 Mejova, Y. (2009), "Sentiment analysis: An overview", University of Iowa, Computer Science Department.
15 Mahesh, B. (2020), "Machine learning algorithms-a review", International Journal of Science and Research (IJSR),[Internet], 9, 381-386.
16 Nguyen Thi Thanh Thuy, Ngo Xuan Bach, Tu Minh Phuong (2018),
"Cross-Language Aspect Extraction for Opinion Mining", in 10th
International Conference on Knowledge and Systems Engineering (KSE), Ho Chi Minh City, Vietnam, 2018.
17 Nguyen Thi Minh Huyen, Nguyen Viet Hung, Ngo The Quyen, Vu Xuan Luong, Tran Mai Vu, Ngo Xuan Bach, Le Anh Cuong (2018), "VLSP SHARED TASK: SENTIMENT ANALYSIS", Journal of Computer Science
and Cybernetics, vol. 34, no. 4, p. 295–310.
18 Quang Hoang Vo, Huy Tien Nguyen, Bac Le, Minh Le Nguyen (2017),
"Multi-channel LSTM-CNN model for Vietnamese sentiment analysis" 2017
9th International Conference on Knowledge and Systems Engineering (KSE), Hue, pp. 24-29. doi: 10.1109/KSE.2017.8119429.
19 Son Trinh, Luu Nguyen, Minh Vo, and Phuc. Do. (2016), “Lexicon-Based Sentiment Analysis of Facebook Comments in Vietnamese Language”,
Cham: Springer International Publishing, pages 263–276.
20 Vu Tien Thanh, Pham Huyen Trang, Luu Cong To, Ha Quang Tthuy (2011)., "A Feature-Based Opinion Mining Model on Product Reviews in
21 Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, and Illia Polosukhin (2017),
"Attention is all you need." Advances in neural information processing
systems 30.
22 Tran, Tri Cong-Toan, Thien Phu Nguyen, and Thanh-Van Le, "HSUM-HC:
Integrating Bert-based hidden aggregation to hierarchical classifier for Vietnamese aspect-based sentiment analysis."(2021), 2021 8th NAFOSTED Conference on Information and Computer Science (NICS). IEEE.
23 Van Thin, Dang, et al, "A Joint Multi-task Architecture for Document-level
Aspect-based Sentiment Analysis in Vietnamese." (2022), International Journal of Machine Learning and Computing 12.4 (2022).
24 Van Thin, Dang, et al, "Two new large corpora for vietnamese aspect-based sentiment analysis at sentence level." (2021) Transactions on Asian and
Low-Resource Language Information Processing 20.4 (2021): 1-22.
25 Giáo dục và Đào tạo. Cơng văn số 7324/ BGD ĐT-NGCBQLGD ngày 08/10/2013, về hƣớng dẫn tổ chức lấy ý kiến hản hồi từ ngƣời học về hoạt động giảng dạy của giảng viên. , (2013).
26 Tụng, Đ. T., Hƣờng, N. T. B., & My, N. T. H, “Cơng tác lấy ý kiến phản
hồi của người học ở các trường đại học và cao đẳng hiện nay”, Journal of