Hybrid Model For Text Classification

Ingole, Priyanka; Bhoir, Smita; Vidhate, Amarsinh

doi:10.1109/iceca.2018.8474738

Cited by 8 publications

(7 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The services offered by social media platforms have expanded so well that they have provided their users with extensive possibilities for exchanging information in various fields such as education, health, culture, entertainment, sports, and other domains of knowledge (Mislove et al, 2007;Ghosh et al, 2012). As a result, with the passage of time, a huge amount of user-generated data through social networking (i.e., social data) is being accumulated on social media servers (Ingole et al, 2018). Social data is defined as large amounts of multi-structured user-generated data being collected at social network data servers as a result of user interactions within social networking and online community sites (Memon et al, 2021).…”

Section: Introductionmentioning

confidence: 99%

“…This social big data offers numerous opportunities for data researchers and analysts to re-use the already available data in different ways and generate various relevant insights for specific purposes Memon and Meyer, 2015;Ali et al, 2016;Tian, 2020). For example, students' casual talks on these media can be helpful in understanding their experiences, opinions, feelings, and emotions about the learning and educational institutes (Ingole et al, 2018). Similarly, users' reviews and informal discussions over these media regarding a particular product or service can be helpful in understanding the feedback and determining the acceptance or needs for improvement for the business organization.…”

Section: Introductionmentioning

confidence: 99%

“…Usually, text tagging can be achieved manually or automatically. However, manually tagging unstructured data can be a difficult, ineffective, timeconsuming, and expensive task (Ingole et al, 2018;Kowsari et al, 2018). Therefore, the researchers have made substantial efforts to devise approaches for the automatic classification of unstructured data (Kowsari et al, 2019).…”

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

A corpus-based real-time text classification and tagging approach for social data

Memon,

Sootahar,

Luhana

et al. 2024

Front. Comput. Sci.

View full text Add to dashboard Cite

With the rapid accumulation of large amounts of user-generated content through social media, social data reuse and integration have gained increasing attention recently. This has made it almost obsolete for software applications to collect, store, and work with their own data stored on local servers. While, with the provision of Application Programming Interfaces from the leading social networking sites, data acquisition and integration has become possible, the meaningful usage of such unstructured, non-uniform, and incoherent data collections needs special procedures of data summarization, understanding, and visualization. One particular aspect in this regard that needs special attention is the procedures for data (text snippets in the form of social media posts) categorization and concept tagging to filter out the relevant and most suitable data for the particular audience and for the particular purpose. In this regard, we propose a corpus-based approach for searching and successively categorizing and tagging the social data with relevant concepts in real time. The proposed approach is capable of addressing the semantical and morphological similarities, as well as domain-specific vocabularies of query strings and tagged concepts. We demonstrate the feasibility and application of our proposed approach in a web-based tool that allows searching Facebook posts and provides search results together with a concept map for further navigation, filtering, and refining of search results. The tool has been evaluated by performing multiple search queries, and resultant concept maps and annotated texts are analyzed in terms of their precision. The approach is thereby found effective in achieving its stated goal of classifying text snippets in real time.

show abstract

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

A corpus-based real-time text classification and tagging approach for social data

Memon,

Sootahar,

Luhana

et al. 2024

Front. Comput. Sci.

View full text Add to dashboard Cite

show abstract

“…Para destacar los trabajos relacionados con el presente estudio, se elaboró una tabla comparativa que permite identificar, por una parte, las tareas de la extracción de datos, las técnicas utilizadas para el análisis de datos, así como el propósito de cada uno. De los 14 estudios, diez de ellos utilizan Twitter como fuente para extraer la información, a través de la búsqueda de términos, hashtags o temas relacionados a problemas de ingeniería (Abdelhamid et al, 2020;Chen et al, 2014;Desai y Mehta, 2016;Greeshma y Veigas, 2020;Hasan et al, 2014;Ingole et al, 2018;Joshi y Sharma, 2021;Patel y Mistry, 2015;Patil y Kulkarni, 2018;Sambhaji, 2021). Tres de ellos tienen como datos de entrada, las huellas digitales de los estudiantes (Azcona et al, 2019;Blikstein, 2011;Blikstein et al, 2014) y un estudio extrae información de un blog (T. Oanh y Thanh, 2017).…”

Section: Introductionunclassified

Predicción de dificultades estudiantiles mediante técnicas de minería de textos

Pérez-Suasnavas¹,

Hasperué²,

Bustamante³

et al. 2022

S. F. J. of Dev.

View full text Add to dashboard Cite

Uno de los problemas a los que se enfrenta el docente universitario, se relaciona con la falta de retroalimentación por parte de los estudiantes, que le permita conocer las dificultades que ellos enfrentan a la hora de adquirir conocimientos nuevos en clase. Algunos esfuerzos de investigación se han realizado para identificar y clasificar los problemas de los estudiantes, con datos provenientes de las redes sociales, pero limitando los criterios de búsqueda y recuperación de los datos. El presente artículo pretende cubrir la brecha dejada por los trabajos anteriores, mediante la creación de una metodología para predecir las dificultades de los estudiantes universitarios, que utiliza técnicas de extracción de datos provenientes de la red social Twitter y que ha sido plasmada en un flujo de trabajo, que integra técnicas de Minería de Textos, Procesamiento de Lenguaje Natural y Aprendizaje Profundo, usando Algoritmos Supervisados y Redes Neuronales Recurrentes. Para probar la metodología propuesta, se construyó un modelo de clasificación, cuya evaluación es prometedora, pues se alcanzó una precisión y exactitud del 80%. Los resultados obtenidos garantizan la predicción de las dificultades estudiantiles, dotando al docente de una herramienta efectiva para identificar las áreas que demanden mayor atención y poder así brindar ayuda oportuna a los estudiantes que tienen dificultades en el aula.

show abstract

“…Seguidamente se encuentra el estudio realizado por Patel y Mistry (2015), quienes brindan un sistema clasificador que permite identificar y clasificar los tweets, que reflejan los problemas y los aspectos positivos de los estudiantes, de un número determinado de palabras claves. Por último, Ingole et al (2018) proporciona un flujo de trabajo para comprender los problemas de aprendizaje e inquietudes de los estudiantes utilizando sus tweets, mediante la combinación de términos relacionados a ingeniería.…”

Section: Tipo De Aprendizaje Semipresencialunclassified

Minería de textos para la extracción de conocimiento en actividades educativas con información proveniente de redes sociales

Pérez Suasnavas

View full text Add to dashboard Cite

La presente investigación se desarrolló en el campo de las tecnologías aplicadas a la educación, de forma particular, mediante el uso de técnicas de Minería de Datos y la integración de redes sociales. La Minería de Datos es un campo interdisciplinario, que integra diferentes áreas como la estadística y las ciencias de la computación; con el propósito de descubrir patrones de forma automática en grandes volúmenes de datos, para la posterior toma de decisiones. Por su característica, la Minería de Datos puede ser aplicada en diversas áreas como: las Finanzas, Ventas, Medicina, Educación, entre otras; donde se dispone de un variado conjunto de técnicas o métodos de Minería de Datos que son aplicadas con diferentes propósitos y objetivos, como los modelos predictivos y modelos descriptivos, con tareas de clasificación y regresión, así como de asociación y agrupamiento respectivamente. En el área de la educación, se ha evidenciado el uso de distintas técnicas de Minería de Datos, con diferentes objetivos, entre los que se puede mencionar: detección de los estudiantes en riesgo de reprobar o desertar, análisis de los sentimientos y emociones de los estudiantes, predicción del rendimiento académico, mejora de la comunicación de docentes-estudiantes, entre otros; mediante la extracción de datos provenientes de las redes sociales. Sin embargo, pocos estudios refieren al uso de prácticas pedagógicas que, integren el uso de técnicas de Minería de Datos y la red social Twitter, que permita predecir las dificultades expresadas por los estudiantes con datos provenientes de esta red, y que permita mejorar los procesos de enseñanza y aprendizaje de los estudiantes universitarios. El objetivo de la presente tesis doctoral, consiste en proponer una estrategia didáctica que integre técnicas de Minería de Datos para predecir las dificultades que experimentan los estudiantes universitarios en una sesión de clase, mediante la extracción de datos provenientes de la red social Twitter; con el propósito de que, el docente cuente con una herramienta que le permita brindar ayuda oportuna a los estudiantes, en los temas que demandan mayor atención en la enseñanza de la asignatura de Programación 1, en la Universidad Central del Ecuador, ubicada en la ciudad de Quito. La estrategia didáctica propuesta, denominada Justo a Tiempo para Enseñar con Twitter «Just in Time to Teach with Twitter» (JiTTwT), contempla 4 fases; cada una está compuesta por diferentes actividades y tareas, que integran tanto orientaciones pedagógicas como tecnológicas. Con estas dos orientaciones, se desarrolló una herramienta en el lenguaje de programación Python, denominada «API Issues», que cumple 4 funcionalidades: 1) extracción de los datos provenientes de Twitter; 2) preprocesamiento de los datos; 3) construcción y evaluación del modelo; y 4) predicción del tipo de dificultad. Con la API Issues se logró automatizar las diferentes fases de la Estrategia Didáctica JiTTwT, de manera que, el docente cuente con una herramienta de apoyo en su labor docente, anticipando las dificultades que los estudiantes pueden experimentar durante las clases presenciales, mediante la visualización de un mapa de los temas más relevantes. Para alcanzar los objetivos propuestos, se realizó una revisión sistemática de la literatura, que permitió identificar los vacíos de las investigaciones previas, de manera que, la Estrategia Didáctica JiTTwT cuente con características de innovación en el campo de la educación superior, mediante el uso de técnicas de Minería de Datos y la red social Twitter. La estrategia didáctica fue aplicada en dos instancias, de manera que permita validar su desarrollo. Los índices de reprobación de la asignatura de Programación 1 son elevados; por lo que, se espera que la Estrategia Didáctica JiTTwT permita al docente tomar acciones anticipadas, para minimizar los problemas identificados en los estudiantes. Así, esta estrategia se constituye en un aporte en el área de las Ciencias de la Computación, donde se imparte programación en la educación superior; sin descartar la posibilidad de ser utilizada en otros niveles de educación. Además, la herramienta «API Issues» posee cuatro funcionalidades, dos de las cuales pueden ser empleadas como instrumento de automatización de algunos procesos del KDD, esto es: la extracción de los datos provenientes de Twitter y el preprocesamiento de los datos; por lo que podría ser aplicada en otras áreas de trabajo futuro, y con las otras dos funcionalidades, es posible realizar la predicción del aprendizaje o predicción de la participación estudiantil.

show abstract

Hybrid Model For Text Classification

Cited by 8 publications

References 8 publications

A corpus-based real-time text classification and tagging approach for social data

A corpus-based real-time text classification and tagging approach for social data

Predicción de dificultades estudiantiles mediante técnicas de minería de textos

Minería de textos para la extracción de conocimiento en actividades educativas con información proveniente de redes sociales

Contact Info

Product

Resources

About