Sentiment Analysis of AI Adoption in Indonesian Higher Education Using Machine Learning and Transformer-Based Models
Diese Studie bewertet die Stimmung indonesischer Studierender gegenüber der KI-Einführung im Hochschulbereich, indem sie traditionelle Machine-Learning-Modelle mit dem Transformer-basierten DistilBERT vergleicht und feststellt, dass DistilBERT zwar durch eine bessere Kontexterfassung eine überlegene Genauigkeit von 84,78 % erreicht, SVM jedoch mit einer Genauigkeit von 82,14 % eine wettbewerbsfähige und effiziente Alternative bleibt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen belebten Universitätscampus in Indonesien vor, auf dem Studierende voller Meinungen zu einem neuen, mächtigen Werkzeug schwirren: Künstliche Intelligenz (KI). Einige sehen darin einen Zauberstab für das Lernen; andere befürchten, es sei ein Spickzettel, der ihr kritisches Denken ruinieren wird. Die Forscher in dieser Studie wollten diesen „Summen" zuhören und herausfinden, was genau die Studierenden fühlen. Sie fragten nicht nur ein paar Personen; sie sammelten über 2.000 schriftliche Meinungen ein und nutzten zwei verschiedene Arten von „digitalen Ohren", um sie zu hören und in Glücklich/Unterstützend oder Besorgt/Negativ zu sortieren.
Hier ist, wie sie es taten, einfach erklärt:
Die zwei „digitalen Ohren" (Die Methoden)
Die Forscher testeten zwei verschiedene Wege, um diese studentischen Meinungen zu verstehen, wie einen Vergleich zwischen einer schnellen, effizienten Bibliothekarin und einem tiefgründig denkenden Professor.
1. Die schnelle Bibliothekarin (Maschinelles Lernen mit SVM)
- Funktionsweise: Diese Methode verwendet eine Technik namens TF-IDF. Stellen Sie sich vor, Sie nehmen jedes Wort, das ein Student geschrieben hat, und zählen, wie oft es vorkommt. Wenn ein Student schreibt „KI ist großartig", notiert das System, dass „großartig" ein starkes Wort für ihn ist. Es behandelt den Text wie einen Sack voller Wörter und sucht nach spezifischen Schlüsselwörtern, die Glück oder Sorge signalisieren.
- Das Werkzeug: Sie verwendeten ein Modell namens SVM (Support Vector Machine). Stellen Sie sich SVM als einen sehr scharfen, effizienten Sortierer vor. Es zieht eine Linie im Sand, um „Positive" Wörter von „Negative" Wörtern zu trennen. Es ist schnell, benötigt nicht viel Rechenleistung und eignet sich hervorragend, um Muster in einfachen Wortlisten zu erkennen.
- Das Ergebnis: Diese „Bibliothekarin" war sehr gut! Sie lag bei etwa 82% der Meinungen richtig. Sie war die beste der traditionellen Methoden und bewies, dass man manchmal keinen Supercomputer braucht, um eine gute Einschätzung einer Gruppe zu erhalten.
2. Der tiefgründig denkende Professor (Transformer mit DistilBERT)
- Funktionsweise: Diese Methode verwendet DistilBERT, eine Art KI, die auf „Transformern" basiert. Im Gegensatz zur Bibliothekarin, die nur Wörter zählt, liest der Professor den ganzen Satz und versteht den Kontext. Er weiß, dass „KI ist nicht großartig" sehr unterschiedlich ist von „KI ist großartig", obwohl sie dieselben Wörter teilen. Er versteht die Nuance, den Ton und die verborgene Bedeutung.
- Das Werkzeug: DistilBERT ist eine „Lite"-Version eines massiven KI-Gehirns. Es ist wie ein Professor, der das gesamte Internet gelesen hat, aber klein genug ist, um auf einen Standard-Laptop zu passen.
- Das Ergebnis: Dieser „Professor" war der Champion und lag bei etwa 85% der Meinungen richtig. Er war dem Bibliothekar leicht überlegen, weil er die Gefühle hinter den Wörtern verstand, nicht nur die Wörter selbst.
Der Versuchsaufbau
- Die Daten: Sie sammelten 2.295 studentische Kommentare ein. Es war ein fairer Kampf: Etwa die Hälfte der Studierenden war negativ (besorgt über Betrug oder den Verlust von Fähigkeiten), und die andere Hälfte war positiv (begeistert über Lerneffizienz).
- Der Test: Sie teilten die Daten in drei Stapel auf:
- Training (80%): Unterrichten der Modelle.
- Validierung (10%): Überprüfen ihrer Hausaufgaben.
- Test (10%): Die Abschlussprüfung, um zu sehen, wer tatsächlich gelernt hat.
Das Duell: Wer gewann?
| Der Herausforderer | Der Stil | Endpunktzahl (Genauigkeit) | Geschwindigkeit |
|---|---|---|---|
| LightGBM | Der Sprinter | ~50% (Verfehlt das Ziel) | Super Schnell |
| Random Forest | Der Teamplayer | ~59% (Okay, aber nicht großartig) | Schnell |
| SVM | Der effiziente Bibliothekar | 82,14% | Schnell |
| DistilBERT | Der tiefe Professor | 84,78% | Langsamer (benötigt Minuten zum Trainieren) |
- Der Gewinner: DistilBERT holte sich die Goldmedaille mit der höchsten Genauigkeit. Es bewies, dass das Verständnis des Kontexts eines Satzes Ihnen eine bessere Einschätzung menschlicher Emotionen gibt.
- Der Zweitplatzierte: SVM kam auf den zweiten Platz. Obwohl es nicht gewann, stellt die Studie fest, dass es immer noch eine „starke, kostengünstige Alternative" ist. Wenn Sie eine schnelle Antwort benötigen und keinen Supercomputer haben, ist der Bibliothekar (SVM) immer noch eine sehr zuverlässige Wahl.
Das Fazit
Die Studie kommt zu dem Schluss, dass der „tiefe Professor" (DistilBERT) zwar am genauesten darin ist zu verstehen, wie indonesische Studierende über KI in ihren Schulen denken, der „effiziente Bibliothekar" (SVM) jedoch immer noch ein sehr mächtiges Werkzeug ist, das viel schneller und günstiger zu betreiben ist.
Schließlich hörten die Forscher nicht nur bei den Zahlen auf. Sie bauten eine Live-Web-App (unter Verwendung eines Tools namens Gradio), bei der jeder einen Satz eingeben kann, und das System wird ihm sofort mitteilen, ob die Stimmung positiv oder negativ ist, komplett mit einem Vertrauenswert. Es ist wie ein digitaler Stimmungsring für studentische Meinungen.
Kurz gesagt: Um studentische Gefühle gegenüber KI zu verstehen, können Sie einen schnellen, schlüsselwortbasierten Sortierer (SVM) oder einen intelligenten, kontextbewussten Leser (DistilBERT) verwenden. Der intelligente Leser gewinnt bei der Genauigkeit, aber der schnelle Sortierer ist immer noch ein sehr nützliches Werkzeug.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.