Using Sentiment Analysis to Analyze the Feedback of Students with Open-ended Questions

본 연구는 강의 평가에 대한 학생의 피드백을 분석하여 학생들의 선호도를 측정하였다. 학생들의 피드백은 강의평가에서 개방형 질문에 대한 답으로 구성되었으며, 분석은 텍스트 마이닝 방법 중 하나인 감성분석을 사용하였다. 이 분석을 기반으로, 본 연구는 강의에 대한 품질을 정성적으로 측정하여 강의 내용, 강의 방법, 강의 품질 등의 개선 방향을 제시하였다. 따라서 본 연구의 목적은 학생의 강의 평가 피드백을 질적으로 분석하여 강의에 대한 학생의 강의 인식을 보다 직접적이고 포괄적으로 탐구하고자 하였다. 이를 위해 개방형 질문에 대한 답변을 수집하고 긍정, 중립, 부정 극성으로 분류했다. 감성 분석 결과 422개의 문서가 추출되었고, 그 중 82.23% 인 327개의 문서가 긍정 극성을, 44개 문서가 부정 극성으로 나타났다. 기계 학습기반 나이브 베이지안 분류(NBC) 방법을 기반으로 한 본 연구의 극성 분류 모델은 정확도, 재현도 및 정밀도 측정에서 모두 0.96이상으로 성공적인 분류임을 보이고 있다. 본 연구는 텍스트 마이닝 및 감성 분석을 사용하여 개방형 질문에 대한 학생들의 피드백을 활용하는 방법을 보여줌으로서 오늘날 정량적인 강의평가를 보완하는 것으로 기여할 수 있다. 또한 학생들의 개방형 질문 강의 평가 분석을 정량적이고 정성적인 방법인 혼합방법을 제시하였다.

This study measures students’ preferences by analyzing their feedback about the lectures they have been attending based on open-ended questions on the course evaluation using the sentiment analysis method, one of the text mining methods. Based on this analysis, the quality of lectures was measured to suggest future changes made for improving teaching methods, directions for improving lecture quality, and its contents. This study aims to analyze qualitatively the feedback of student evaluation to examine student’s perceptions about the lecture more directly and comprehensively. To this end, answers of open-ended questions were collected and classified with positive, neutral, negative opinions or polarity. As a result of sentiment analysis 422 words are extracted. Among them 327 words (82.2%) were positive as opposed to 44. To measure our model’s accuracy, recall and precision and all of them are over 0.96 which indicates that machine learning model using NBC method successfully classified the data. This study could contribute to the course evaluation because it shows how to utilize students’ feedback of open-ended questions using text mining and sentiment analysis. It also gives solid measurement of the subjective point of view of students.