CHẤM ĐIỂM CẢM XÚC LIÊN TỤC VÀ SOFT VOTING ĐA API TRONG PHÂN TÍCH PHẢN HỒI SINH VIÊN: KẾT QUẢ SƠ BỘ TRÊN UIT-VSFC

Tóm tắt

Phân tích cảm xúc phản hồi sinh viên thường được tiếp cận như một bài toán phân loại rời rạc, trong đó mỗi phản hồi được gán vào một trong các lớp cảm xúc như tiêu cực, trung tính hoặc tích cực.
Cách tiếp cận này thuận tiện cho đánh giá mô hình, nhưng có thể làm mất đi thông tin về cường độ cảm xúc và mức độ bất định của mô hình, đặc biệt đối với các phản hồi ngắn, mơ hồ hoặc chứa đồng thời tín hiệu tích cực và tiêu cực. Nghiên cứu này đề xuất một hướng tiếp cận sơ bộ dựa trên chấm điểm cảm xúc liên tục bằng các mô hình ngôn ngữ lớn thông qua API, sau đó tổng hợp bằng soft voting có trọng số bằng nhau. Thay vì yêu cầu mô hình sinh trực tiếp nhãn cảm xúc, mỗi mô hình được yêu cầu gán một điểm cảm xúc trong khoảng [-1, 1], trong đó -1 biểu thị cảm xúc rất tiêu cực, 0 biểu thị trung tính hoặc không rõ thiên hướng cảm xúc, và 1 biểu thị cảm xúc rất tích cực. Trên phần dữ liệu đã được hai API cùng xử lý của bộ UIT-VSFC, nghiên cứu sử dụng 950 phản hồi có kết quả đồng thời từ Gemini/Gemma và Groq/ Llama. Dữ liệu này được chia tạm thời theo tỷ lệ xấp xỉ 70% huấn luyện, 15% xác thực và 15% kiểm tra theo hướng bảo toàn phân bố lớp. Với ngưỡng cố định -0,33 và 0,33, mô hình soft voting đạt accuracy 0,7832 và macro-F1 0,6272 trên tập kiểm tra. Kết quả sơ bộ cho thấy soft voting giúp cải thiện macro-F1 so với từng mô hình đơn lẻ, mặc dù accuracy của Groq/Llama cao hơn một chút trong thử nghiệm này.
Nghiên cứu góp phần minh họa khả năng sử dụng điểm cảm xúc liên tục và tổng hợp đa mô hình như một hướng tiếp cận linh hoạt cho phân tích phản hồi sinh viên trong bối cảnh hạn chế tài nguyên tính toán.