Online-course evaluation using stakeholders’ feedback analysis
Year: 2023
Type: dissertation
Abstract: La popularité croissante et l’utilité des plateformes d’apprentissage en ligne ont grandement bénéficié tant aux étudiants qu’aux employeurs en renforçant leurs connaissances et compétences. Ces plateformes éduquent les utilisateurs à travers des cours en ligne, après lesquels ils fournissent des commentaires. La principale difficulté réside dans l’évaluation efficace du cours en se basant sur les retours donnés par les étudiants. La solution proposée consiste à prédire les commentaires des utilisateurs, qu’ils soient étudiants, employeurs ou autres utilisateurs des cours en ligne. Afin d’améliorer le cours à l’avenir, il est important de déterminer si les avis sont positifs ou négatifs. Grâce à cette analyse prédictive, les enseignants et les administrateurs de plateformes peuvent mieux comprendre les points forts et les points faibles du cours et décider comment l’améliorer. Le scraping web a été utilisé pour collecter les ensembles de données de cette étude à partir de sites d’apprentissage en ligne bien connus tels que Coursera, Udemy et Future Learn. Le scraping a été réalisé dans le but de recueillir des données cruciales de ces plateformes, telles que le nom du cours, le nom de l’étudiant, le commentaire et la note. Ces ensembles de données sont des outils utiles pour analyser et prévoir les commentaires des utilisateurs. L’objectif est de classer les avis comme étant positifs ou négatifs en fonction de leur contenu. Des techniques de traitement du langage naturel sont utilisées dans le projet pour extraire des caractéristiques du texte des commentaires et former différents modèles de classification. Un grand ensemble d’évaluations d’étudiants provenant de cours en ligne constitue l’ensemble de données utilisé pour l’apprentissage et l’évaluation. Les données textuelles sont nettoyées à l’aide de techniques de prétraitement telles que la tokenisation, la racinisation et la suppression des mots vides. Les données nettoyées sont ensuite utilisées pour former des modèles d’apprentissage en profondeur et d’apprentissage automatique. Le modèle SVM a atteint une précision remarquable de 99% pour l’ensemble de données de Coursera (109 677 échantillons), tandis que le modèle LSTM s’est bien comporté avec une précision de 98%. Le modèle SVM a obtenu un taux de précision de 92%, et le modèle GRU a atteint 91% de précision sur l’ensemble de données d’Udemy (22 129 échantillons). Le modèle LSTM a obtenu une précision de 99% sur l’ensemble de données de Future Learn (22 466 échantillons), tandis que le modèle Random Forest s’est distingué avec une précision de 99%. La précision du modèle BERT, qui était de 97%, était également bonne. Le modèle Perceptron multicouche a atteint une précision de 94% dans l’ensemble de données combiné (154 272 échantillons), tandis que le modèle GRU a démontré une forte capacité prédictive avec une précision remarquable de 99%.
DOI: 10.60713/pist-200331
Authors: Majouri, Hatem, Hadj Kacem, Yessine
Institution: University of Gafsa
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
SDG: Quality education
Open Access status: green
OpenAlex ID: W7124539259