面向讨论论坛帖子紧迫性可泛化检测的研究
机器学习
2023-07-18 v1 计算与语言
摘要
修读在线课程（如 MOOC）的学生在遇到问题时，会使用课程讨论论坛提问或联系讲师。然而，阅读并回复学生问题因需逐一考量每条消息而难以规模化，导致关键问题可能得不到解决，学生也可能失去继续课程的动力。为帮助解决该问题，我们构建了自动判定每条论坛帖子紧迫性的预测模型，以便将这些帖子提请讲师注意。本文超越以往工作，不仅预测二值决策截断，而是预测帖子在 7 点量表上的紧迫性水平。首先，我们在宾夕法尼亚大学 MOOC 含 3,503 条帖子的原始数据集上训练并交叉验证若干模型。其次，为确定模型的可泛化性，我们在斯坦福大学 MOOC 含 29,604 条帖子的独立已发布数据集上测试其性能。以往关于帖子紧迫性的工作仅用单一数据集，而我们跨不同数据集与课程评估了预测。性能最佳的模型为基于帖子 Universal Sentence Encoder 嵌入训练的支持向量回归器，在训练集上 RMSE 为 1.1，测试集上为 1.4。理解论坛帖子紧迫性可使讲师更有效地分配时间，从而更好地支持学生学习。
引用
@article{arxiv.2307.07614,
title = {Towards Generalizable Detection of Urgency of Discussion Forum Posts},
author = {Valdemar Švábenský and Ryan S. Baker and Andrés Zambrano and Yishan Zou and Stefan Slater},
journal= {arXiv preprint arXiv:2307.07614},
year = {2023}
}
备注
Published in EDM 2023 conference proceedings, see https://educationaldatamining.org/EDM2023/proceedings/2023.EDM-short-papers.29/2023.EDM-short-papers.29.pdf