Volume 1,Issue 3
Fall 2025
基于深度学习的优质在线课程影响因素分析及方法研究
随着信息技术和互联网资源的快速发展，大数据已深入到生活的各个领域，深度学习技术已成为不可或缺的战略资源。在全球化与科技双重驱动的教育新时代，优质在线课程的需求日益增长，深度学习成为提升教育质量的关键。尽管在线课程取得显著成就，但是课程质量参差不齐的问题仍制约其发展，亟需技术手段去解决。本文采用多学科交叉视角，运用文本挖掘技术分析在线课程评论，提出神经网络的卷积核结合 BLSTM更好地提取局部和全局的特征信息，揭示优质课程的关键因素，为在线教育优化提供理论支持和实践建议。研究通过自然语言处理方法比较卷积核结合 BLSTM模型在情感分析中表现优异，有效解决了文本深层信息提取问题，为在线教育发展提供科学建议。
[1]Taboada M, Brooke J, Tofiloski M. Lexicon Based Methods for Sentiment Analysis ［J］．Computational Linguistics,2011,37(2):267-307.
[2]陶梦园．基于文本挖掘的民宿房客满意度分析［D］．云南财经大学，2023.
[3]林江豪，周咏梅，阳爱民等．基于词向量的领域情感词典构建［J］．山东大学学报（工学版），2018,48(03):40-47.
[4]黄天元．文本数据挖掘［M］．北京：机械工业出版社，2021:92-94.
[5]潘越，高雪芬．大学数学精品慕课课程质量影响因素研究——基于评论文本挖掘的视角［J］．浙江理工大学学报（社会科学版），2024,(3):1-9.
[6]李晶，罗泰晔．基于文本挖掘的5G技术研究热点分析［J］．科技管理研究，2020,40(19):153-158.
[7]赵殿国．面向无监督学习的大数据聚类方法及其应用研究［J］．统计与咨询，2023,(06):7-11.
[8]Kandhro I A, Wasi S, Kumar K, et al. Sentiment Analysis of Students’ Comment Using Longshort Term Model［J］．Indian Journal of Science and Technology, 2019,
12(8): 1-16.
[9]Imran A S, Daudpota S M, Kastrati Z, et al. Cross-cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning on COVID-19 Related Tweets［J］．
Ieee Access, 2020, 8: 181074-181090.
[10]Edalati M, Imran A S, Kastrati Z, et al. The Potential of Machine Learning Algorithms for Sentiment Classification of Students’ Feedback on MOOC［C］．Intelligent
Systems and Applications: Proceedings of the 2021 Intelligent Systems Conference Volume 3. Springer International Publishing, 2022: 11-22.
[11]Yang Z, Dai Z, Yang Y, et al. XLNet: Generalized Autoregressive Pretraining for Language Understanding［J］．Advances in Neural Information Processing Systems,
2019, 32.
[12]Ma D, Li S, Zhang X, et al. Interactive Attention Networks for Aspect-Level Sentiment Classification［C］．Proceedings of the 26th International Joint Conference on Artificial Intelligence. 2017: 4068-4074.