Students’ informal conversations on

Students’ informal conversations on social media (e.g., Twitter, Facebook) shed light into their educational experiences—
opinions, feelings, and concerns about the learning process. Data from such uninstrumented environments can provide valuable
knowledge to inform student learning. Analyzing such data, however, can be challenging. The complexity of students’ experiences
reflected from social media content requires human interpretation. However, the growing scale of data demands automatic data
analysis techniques. In this paper, we developed a workflow to integrate both qualitative analysis and large-scale data mining
techniques. We focused on engineering students’ Twitter posts to understand issues and problems in their educational experiences.
We first conducted a qualitative analysis on samples taken from about 25,000 tweets related to engineering students’ college life. We
found engineering students encounter problems such as heavy study load, lack of social engagement, and sleep deprivation. Based on
these results, we implemented a multi-label classification algorithm to classify tweets reflecting students’ problems. We then used the
algorithm to train a detector of student problems from about 35,000 tweets streamed at the geo-location of Purdue University. This
work, for the first time, presents a methodology and results that show how informal social media data can provide insights into students’
experiences.

ผลลัพธ์ (ไทย) 1:

นักเรียนสนทนาอย่างไม่เป็นทางสังคม (เช่น Twitter, Facebook) หลั่งน้ำตาแสงในประสบการณ์การศึกษา —ความคิดเห็น ความรู้สึก และความกังวลเกี่ยวกับกระบวนการเรียนรู้ ข้อมูลจากสภาพแวดล้อมเช่น uninstrumented ให้มีคุณค่ารู้แจ้งนักเรียนที่เรียนรู้ การวิเคราะห์ข้อมูลดังกล่าว แต่ สามารถเป็นสิ่งที่ท้าทาย ความซับซ้อนของประสบการณ์ของนักเรียนสะท้อนจากสังคม เนื้อหาต้องการตีความของมนุษย์ อย่างไรก็ตาม อัตราเจริญเติบโตของข้อมูลต้องการข้อมูลโดยอัตโนมัติเทคนิคการวิเคราะห์ ในเอกสารนี้ เราได้พัฒนาลำดับงานรวมทั้งวิเคราะห์คุณภาพและการทำเหมืองข้อมูลขนาดใหญ่เทคนิคการ เราเน้นวิศวกรรมนักทวิตเตอร์โพสต์ให้เข้าใจปัญหาและปัญหาของพวกเขาประสบการณ์ทางการศึกษาเราต้องดำเนินการวิเคราะห์คุณภาพเป็นตัวอย่างที่นำมาจากประมาณ 25000 เข้ามาเกี่ยวข้องกับชีวิตของนักศึกษาวิทยาลัยวิศวกรรมศาสตร์ เราพบวิศวกรรมนักเรียนพบปัญหาโหลดหนักศึกษา ขาดความผูกพันทางสังคม และภาวะขาดการนอนหลับ ขึ้นอยู่กับผลลัพธ์เหล่านี้ เราใช้อัลกอริทึมป้ายหลายประเภทเพื่อจัดประเภทเข้ามาสะท้อนให้เห็นถึงปัญหาของนักเรียน เราใช้แล้วแบบอัลกอริทึมการรถไฟจับนักเรียนปัญหาจากการส่งกระแสข้อมูลที่ตั้งทางภูมิศาสตร์ของมหาวิทยาลัยเพอร์ดูฟีดประมาณ 35000 นี้นำเสนองาน ครั้งแรก วิธีการและผลลัพธ์ซึ่งแสดงว่าเป็นสังคมข้อมูลให้ลึกนักประสบการณ์

ผลลัพธ์ (ไทย) 2:

นักศึกษาสนทนาทางการในสื่อสังคม (เช่น Twitter, Facebook) หลั่งน้ำตาแสงเข้า experiences-
ของพวกเขาการศึกษาความคิดเห็นความรู้สึกและความกังวลเกี่ยวกับกระบวนการเรียนรู้ ข้อมูลจากสภาพแวดล้อม uninstrumented
ดังกล่าวสามารถให้บริการที่มีคุณค่าความรู้ที่จะแจ้งให้เรียนรู้ของนักเรียน การวิเคราะห์ข้อมูลดังกล่าว แต่สามารถเป็นสิ่งที่ท้าทาย
ความซับซ้อนของประสบการณ์ของนักเรียนสะท้อนจากเนื้อหาของสื่อทางสังคมที่ต้องตีความของมนุษย์
อย่างไรก็ตามระดับการเติบโตของข้อมูลความต้องการข้อมูลอัตโนมัติเทคนิคการวิเคราะห์
ในบทความนี้เราได้พัฒนาขั้นตอนการทำงานที่จะบูรณาการวิเคราะห์ทั้งเชิงคุณภาพและขนาดใหญ่การทำเหมืองข้อมูลเทคนิค เรามุ่งเน้นวิศวกรรมนักเรียนโพสต์ทวิตเตอร์ที่จะเข้าใจปัญหาและปัญหาในการประสบการณ์การศึกษาของพวกเขา.
ก่อนอื่นเราดำเนินการวิเคราะห์คุณภาพตัวอย่างที่นำมาจากประมาณ 25,000 ทวีตที่เกี่ยวข้องกับนักศึกษาวิศวกรรม 'ชีวิตวิทยาลัย
เราพบว่านักศึกษาวิศวกรรมพบปัญหาเช่นการศึกษาการโหลดหนักขาดการมีส่วนร่วมทางสังคมและการกีดกันการนอนหลับ
ขึ้นอยู่กับผลการเหล่านี้เราดำเนินการขั้นตอนวิธีการจัดหมวดหมู่หลายป้ายที่จะจัดทวีตสะท้อนให้เห็นถึงปัญหาของนักเรียน จากนั้นเราจะใช้อัลกอริทึมในการฝึกอบรมตรวจจับปัญหานักเรียนจากประมาณ 35,000 ทวีตสตรีมในตำแหน่งทางภูมิศาสตร์ของมหาวิทยาลัยเพอร์ดู นี้ทำงานเป็นครั้งแรกที่มีการจัดวิธีการและผลที่แสดงให้เห็นว่าทางการข้อมูลสื่อสังคมสามารถให้ข้อมูลเชิงลึกของนักเรียนประสบการณ์