Creación de un clasificador de sentimientos de alumnos mediante minería de opinión
Fecha:
06/02/2023Palabra clave:
bolsa de palabras; clasificación; comentarios; extracción de características; minería de opinión; Naïve Bayes Multinomial; pasivo agresivo; sentimientos; SVC; TF-IDF; validación cruzada; aprendizaje automático; bag of words; classification; comments; cross validation; feature extraction; Multinomial Naïve Bayes; opinion mining; passive aggresive; sentiments; machine learning; Máster Universitario en Inteligencia Artificial
Tipo de Ítem:
masterThesis
Resumen:
Para un profesor, reconocer la opinión de un alumno sobre él puede ser bastante difícil.
Cuando hay mucha información, leerla toda puede ser complicado, y se necesita una herramienta
que permita extraer todos estos datos. En este trabajo se propone una aplicación
que permite a los profesores conocer la opinión de sus alumnos.
Como parte de la operación de minería de opinión, los comentarios han pasado por
varios procesos: se han corregido palabras mal escritas, se han convertido en sinónimos
algunas relacionadas al ámbito educativo, y se han convertido en sus respectivos lemas.
Para representar los comentarios como datos numéricos se han analizado dos algoritmos
de extracción de características: bolsa de palabras y TF-IDF. Por otro lado, para aprender
a clasificar los datos, se han explorado tres algoritmos: SVC, Naïve Bayes multinomial y
Pasivo Agresivo.
El modelo de aprendizaje automático en el que se basa el proyecto ha sido entrenado
utilizando comentarios de la Universidad Mariana de Colombia, y alcanza más de un 90%
de precisión.
Descripción:
For a professor, acknowledging a student’s opinion about him can be quite difficult.
When there is a lot of information, reading all of it can be complicated, and a tool to mine
all this data is required. In this work an application that allows teachers to know their
students’ opinion is proposed.
As part of the opinion mining operation, comments have gone through various processes:
misspelt words have been corrected, some related to the educational field have been
turned to synonyms, and they have been turned into their respective lemmas.
With regard to represent comments as numerical data two feature extraction algorithms
have been analyzed: Bag of Words and TF-IDF. On the other hand, in order to learn how
to classify data, three algorithms have been explored: SVC, Multinomial Na¨ıve Bayes and
Passive Aggressive.
The machine learning model on which the project is based has been trained using
comments from the Mariana University in Colombia, and achieves over 90% accuracy.
Ficheros en el ítem
