ترجمه فارسی مقاله کمیت اثربخشی فعالیتهای سازمان دانشجویی با استفاده از پردازش زبان طبیعی

چکیده

Student extracurricular activities play an important role in enriching the students’ educational experiences. With the increasing popularity of Machine Learning and Natural Language Processing, it becomes a logical step that incorporating ML-NLP in improving extracurricular activities is a potential focus of study in Artificial Intelligence (AI). This research study aims to develop a machine learning workflow that will quantify the effectiveness of student-organized activities based on student emotional responses using sentiment analysis. The study uses the Bidirectional Encoder Representations from Transformers (BERT) Large Language Model (LLM) called via the pysentimiento toolkit, as a Transformer pipeline in Hugging Face. A sample data set from Organization C, a Recognized Student Organization (RSO) of a higher educational institute in the Philippines, College X, was used to develop the workflow. The workflow consisted of data preprocessing, key feature selection, LLM feature processing, and score aggregation, resulting in an Event Score for each data set. The results show that the BERT LLM can also be used effectively in analyzing sentiment beyond product reviews and post comments. For the student affairs offices of educational institutions, this study can provide a practical example of how NLP can be applied to real-world scenarios, showcasing the potential impact of data-driven decision making.

چکیده به فارسی (ترجمه ماشینی)

فعالیت های فوق برنامه دانشجویی نقش مهمی در غنی سازی تجربیات آموزشی دانش آموزان دارد.با افزایش محبوبیت یادگیری ماشین و پردازش زبان طبیعی ، این یک گام منطقی است که ترکیب ML-NLP در بهبود فعالیت های خارج از برنامه ، تمرکز بالقوه مطالعه در هوش مصنوعی (AI) است.این مطالعه پژوهشی با هدف توسعه یک گردش کار یادگیری ماشینی است که اثربخشی فعالیت های سازمان یافته دانشجویی را بر اساس پاسخ های عاطفی دانش آموزان با استفاده از تجزیه و تحلیل احساسات تعیین می کند.در این مطالعه از بازنمایی رمزگذار دو طرفه از ترانسفورماتورها (BERT) مدل زبان بزرگ (LLM) که از طریق ابزار ابزار pysentimiento نامیده می شوند ، به عنوان یک خط لوله ترانسفورماتور در بغل کردن صورت استفاده می کند.از داده های نمونه ای از سازمان C ، یک سازمان دانشجویی شناخته شده (RSO) از یک موسسه آموزشی عالی در فیلیپین ، کالج X ، برای توسعه گردش کار استفاده شد.گردش کار شامل پیش پردازش داده ها ، انتخاب ویژگی های کلیدی ، پردازش ویژگی های LLM و تجمع نمره بود و در نتیجه نمره رویداد برای هر مجموعه داده ایجاد می شود.نتایج نشان می دهد که BERT LLM همچنین می تواند به طور مؤثر در تجزیه و تحلیل احساسات فراتر از بررسی محصول و ارسال نظرات استفاده شود.برای دفاتر امور دانشجویی مؤسسات آموزشی ، این مطالعه می تواند نمونه ای عملی از نحوه استفاده NLP در سناریوهای دنیای واقعی را ارائه دهد ، و تأثیر بالقوه تصمیم گیری مبتنی بر داده را نشان می دهد.