Using Sentiment Analysis to Improve Course Recommendations for MOOCs

Using Sentiment Analysis to Improve Course Recommendations for MOOCs. Solbjørg, I. A. Master's thesis, NTNU, 2023. Accepted: 2023-10-04T17:21:54Z

Paper abstract bibtex

Massive åpne nettkurs (MOOCer) har blitt brukt i e-læring det siste tiåret, og fremveksten deres eksploderte under COVID-19-pandemien. Nye kurs blir stadig tilgjengeliggjort, noe som gjør at studentene blir overveldet og sliter med å finne kurs som passer deres interesser. Dette, kombinert med at frafallet på MOOCer er 90%, gjør det enda viktigere for studentene å finne passende kurs. Som et resultat har anbefalingssystemer blitt utviklet for å redusere tiden som brukes på å finne kurs, ved å filtrere ut irrelevante kurs og anbefale de mest relevante til studentene. Disse systemene må imidlertid forbedres for å hjelpe studentene med å finne passende kurs og redusere frafallet fra MOOCer. Nylig forskning innen andre fagområder viser at det å kombinere anmeldelser med tallvurderinger forbedrer anbefalinger. Målet med denne oppgaven er å adoptere denne ideen ved å utvikle et anbefalingssystem som inkorporerer sentiment fra kursanmeldelser i kursenes tallvurderinger. Sentimentene uthentes gjennom sentimentanalyse ved hjelp av en BERT-modell, og kombineres deretter med de opprinnelige tallvurderingene ved bruk av vekter. En rekke anbefalingsalgoritmer ble implementert for å analysere innvirkningen av de justerte tallvurderingene. Deretter ble anbefalingssystemet evaluert på COCO-datasettet, som inneholder 4,5 millioner kursanmeldelser. Alle anbefalingsalgoritmene presterte noe bedre med de justerte tallvurderingene. Algoritmen med den største forbedringen var ALSImplicitMF, som forbedret sin nDCG-score med 1,54%. Imidlertid var algoritmene generelt dårlige sammenlignet med lignenede forskning, blant annet siden datasettet har få interaksjoner per student og kurs.

@mastersthesis{solbjorg_using_2023,
	title = {Using {Sentiment} {Analysis} to {Improve} {Course} {Recommendations} for {MOOCs}},
	url = {https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3094283},
	abstract = {Massive åpne nettkurs (MOOCer) har blitt brukt i e-læring det siste tiåret, og fremveksten deres eksploderte under COVID-19-pandemien. Nye kurs blir stadig tilgjengeliggjort, noe som gjør at studentene blir overveldet og sliter med å finne kurs som passer deres interesser. Dette, kombinert med at frafallet på MOOCer er 90\%, gjør det enda viktigere for studentene å finne passende kurs. Som et resultat har anbefalingssystemer blitt utviklet for å redusere tiden som brukes på å finne kurs, ved å filtrere ut irrelevante kurs og anbefale de mest relevante til studentene. Disse systemene må imidlertid forbedres for å hjelpe studentene med å finne passende kurs og redusere frafallet fra MOOCer.

Nylig forskning innen andre fagområder viser at det å kombinere anmeldelser med tallvurderinger forbedrer anbefalinger. Målet med denne oppgaven er å adoptere denne ideen ved å utvikle et anbefalingssystem som inkorporerer sentiment fra kursanmeldelser i kursenes tallvurderinger. Sentimentene uthentes gjennom sentimentanalyse ved hjelp av en BERT-modell, og kombineres deretter med de opprinnelige tallvurderingene ved bruk av vekter. En rekke anbefalingsalgoritmer ble implementert for å analysere innvirkningen av de justerte tallvurderingene. Deretter ble anbefalingssystemet evaluert på COCO-datasettet, som inneholder 4,5 millioner kursanmeldelser.

Alle anbefalingsalgoritmene presterte noe bedre med de justerte tallvurderingene. Algoritmen med den største forbedringen var ALSImplicitMF, som forbedret sin nDCG-score med 1,54\%. Imidlertid var algoritmene generelt dårlige sammenlignet med lignenede forskning, blant annet siden datasettet har få interaksjoner per student og kurs.},
	language = {eng},
	urldate = {2025-08-01},
	school = {NTNU},
	author = {Solbjørg, Ingrid Amalie},
	year = {2023},
	note = {Accepted: 2023-10-04T17:21:54Z},
}

Downloads: 0

{"_id":"9c3LpJfivxCEnYQYf","bibbaseid":"solbjrg-usingsentimentanalysistoimprovecourserecommendationsformoocs-2023","author_short":["Solbjørg, I. A."],"bibdata":{"bibtype":"mastersthesis","type":"mastersthesis","title":"Using Sentiment Analysis to Improve Course Recommendations for MOOCs","url":"https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3094283","abstract":"Massive åpne nettkurs (MOOCer) har blitt brukt i e-læring det siste tiåret, og fremveksten deres eksploderte under COVID-19-pandemien. Nye kurs blir stadig tilgjengeliggjort, noe som gjør at studentene blir overveldet og sliter med å finne kurs som passer deres interesser. Dette, kombinert med at frafallet på MOOCer er 90%, gjør det enda viktigere for studentene å finne passende kurs. Som et resultat har anbefalingssystemer blitt utviklet for å redusere tiden som brukes på å finne kurs, ved å filtrere ut irrelevante kurs og anbefale de mest relevante til studentene. Disse systemene må imidlertid forbedres for å hjelpe studentene med å finne passende kurs og redusere frafallet fra MOOCer. Nylig forskning innen andre fagområder viser at det å kombinere anmeldelser med tallvurderinger forbedrer anbefalinger. Målet med denne oppgaven er å adoptere denne ideen ved å utvikle et anbefalingssystem som inkorporerer sentiment fra kursanmeldelser i kursenes tallvurderinger. Sentimentene uthentes gjennom sentimentanalyse ved hjelp av en BERT-modell, og kombineres deretter med de opprinnelige tallvurderingene ved bruk av vekter. En rekke anbefalingsalgoritmer ble implementert for å analysere innvirkningen av de justerte tallvurderingene. Deretter ble anbefalingssystemet evaluert på COCO-datasettet, som inneholder 4,5 millioner kursanmeldelser. Alle anbefalingsalgoritmene presterte noe bedre med de justerte tallvurderingene. Algoritmen med den største forbedringen var ALSImplicitMF, som forbedret sin nDCG-score med 1,54%. Imidlertid var algoritmene generelt dårlige sammenlignet med lignenede forskning, blant annet siden datasettet har få interaksjoner per student og kurs.","language":"eng","urldate":"2025-08-01","school":"NTNU","author":[{"propositions":[],"lastnames":["Solbjørg"],"firstnames":["Ingrid","Amalie"],"suffixes":[]}],"year":"2023","note":"Accepted: 2023-10-04T17:21:54Z","bibtex":"@mastersthesis{solbjorg_using_2023,\n\ttitle = {Using {Sentiment} {Analysis} to {Improve} {Course} {Recommendations} for {MOOCs}},\n\turl = {https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3094283},\n\tabstract = {Massive åpne nettkurs (MOOCer) har blitt brukt i e-læring det siste tiåret, og fremveksten deres eksploderte under COVID-19-pandemien. Nye kurs blir stadig tilgjengeliggjort, noe som gjør at studentene blir overveldet og sliter med å finne kurs som passer deres interesser. Dette, kombinert med at frafallet på MOOCer er 90\\%, gjør det enda viktigere for studentene å finne passende kurs. Som et resultat har anbefalingssystemer blitt utviklet for å redusere tiden som brukes på å finne kurs, ved å filtrere ut irrelevante kurs og anbefale de mest relevante til studentene. Disse systemene må imidlertid forbedres for å hjelpe studentene med å finne passende kurs og redusere frafallet fra MOOCer.\n\nNylig forskning innen andre fagområder viser at det å kombinere anmeldelser med tallvurderinger forbedrer anbefalinger. Målet med denne oppgaven er å adoptere denne ideen ved å utvikle et anbefalingssystem som inkorporerer sentiment fra kursanmeldelser i kursenes tallvurderinger. Sentimentene uthentes gjennom sentimentanalyse ved hjelp av en BERT-modell, og kombineres deretter med de opprinnelige tallvurderingene ved bruk av vekter. En rekke anbefalingsalgoritmer ble implementert for å analysere innvirkningen av de justerte tallvurderingene. Deretter ble anbefalingssystemet evaluert på COCO-datasettet, som inneholder 4,5 millioner kursanmeldelser.\n\nAlle anbefalingsalgoritmene presterte noe bedre med de justerte tallvurderingene. Algoritmen med den største forbedringen var ALSImplicitMF, som forbedret sin nDCG-score med 1,54\\%. Imidlertid var algoritmene generelt dårlige sammenlignet med lignenede forskning, blant annet siden datasettet har få interaksjoner per student og kurs.},\n\tlanguage = {eng},\n\turldate = {2025-08-01},\n\tschool = {NTNU},\n\tauthor = {Solbjørg, Ingrid Amalie},\n\tyear = {2023},\n\tnote = {Accepted: 2023-10-04T17:21:54Z},\n}\n\n","author_short":["Solbjørg, I. A."],"key":"solbjorg_using_2023","id":"solbjorg_using_2023","bibbaseid":"solbjrg-usingsentimentanalysistoimprovecourserecommendationsformoocs-2023","role":"author","urls":{"Paper":"https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/3094283"},"metadata":{"authorlinks":{}}},"bibtype":"mastersthesis","biburl":"https://api.zotero.org/users/6655/collections/3TB3KT36/items?key=VFvZhZXIoHNBbzoLZ1IM2zgf&format=bibtex&limit=100","dataSources":["7KNAjxiv2tsagmbgY"],"keywords":[],"search_terms":["using","sentiment","analysis","improve","course","recommendations","moocs","solbjørg"],"title":"Using Sentiment Analysis to Improve Course Recommendations for MOOCs","year":2023}