多輪同儕審查中基於面向的情感演變及其與審查輪數之關聯研究
arXiv - Human-Computer InteractionRuxue Hana, Haomin Zhoua, Jiangtao Zhong, Chengzhi Zhang
本研究利用深度學習分析多輪審查評論，發現隨著審查輪數增加，正面情感比例上升且負面情感下降。
AI 幫你先抓重點
AI 重點 1
從粗粒度分析轉向細粒度（Aspect-level）的情感追蹤
滑鼠懸停看 AI 判斷理由
過去研究多僅關注整體情緒，但本研究證明了針對特定學術面向（如實驗、結果）進行動態分析，才能真正理解科學評估過程中的質變與演進。
AI 重點 2
審查過程中的情感演變具有預測性趨勢
滑鼠懸停看 AI 判斷理由
理解情感隨輪數變化的規律，有助於建立自動化監測系統，在學術評估過程中及早識別出可能導致審查陷入僵局或需要更多修正的關鍵面向。
核心研究發現
- 1
研究開發了 LCF-BERT-CDM 深度學習模型，在處理細粒度審查面向的情感分類任務中，達到了 82.65% 的 Macro-F1 分數。
- 2
統計分析顯示，隨著審查輪數的增加，審查評論中的正面情感比例呈現上升趨勢，而負面情感比例則隨之下降。
- 3
情感分數與總審查輪數呈負相關，其中「實驗」、「研究意義」與「結果分析」等面向的情感變化與輪數的關聯性最強。
對教育工作者的啟發
對於教育科技開發者而言，此研究展示了如何利用 NLP 技術將非結構化的反饋（如同儕評語、作業回饋）轉化為結構化的數據。在設計自動化評量系統時，不應僅評估「好或壞」，而應設計能識別「特定面向」（如邏輯、實驗、論證）的情感分析功能。此外，研究結果提醒我們，反饋是一個動態過程，教學設計者在提供反饋時，應關注學生在不同階段（如初稿與終稿）對特定知識點的情感與理解變化，以優化學習支持的時機。
原始文獻資訊
- 英文標題：
- Aspect-Based Sentiment Evolution and its Correlation with Review Rounds in Multi-Round Peer Reviews: A Deep Learning Approach
- 作者：
- Ruxue Hana, Haomin Zhoua, Jiangtao Zhong, Chengzhi Zhang
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。