So sánh hiệu quả của đặc trưng ngữ nghĩa PhoBERT và Naive Bayes trong phân loại chủ đề và đánh giá mức độ hài lòng từ bình luận của sinh viên

Bài báo này trình bày một nghiên cứu so sánh giữa mô hình học máy truyền thống NBC và phương pháp phân loại dựa trên PhoBERT trong bài toán phân tích phản hồi bằng tiếng Việt của sinh viên, bao gồm hai nhiệm vụ là phân loại chủ đề phản hồi và đánh giá mức độ cảm xúc. Tập dữ liệu được thu thập từ khảo sát phản hồi của sinh viên Đại học Duy Tân, trong đó các bình luận được gán nhãn theo ba chủ đề gồm giảng dạy, cơ sở vật chất và học phí, cùng năm mức độ cảm xúc từ rất không hài lòng đến rất hài lòng. Hai mô hình được huấn luyện và đánh giá trên cùng tập dữ liệu với quy trình và thước đo thống nhất nhằm đảm bảo tính công bằng. Kết quả thực nghiệm cho thấy cả hai mô hình đều đạt hiệu năng rất cao trong bài toán phân loại chủ đề, trong khi PhoBERT thể hiện ưu thế rõ rệt trong bài toán đánh giá mức độ cảm xúc với mức cải thiện F1-score từ khoảng 8% đến 10% so với NBC. Kết quả nghiên cứu cho thấy NBC phù hợp với các hệ thống yêu cầu tốc độ xử lý nhanh và chi phí thấp, trong khi PhoBERT là lựa chọn hiệu quả cho các ứng dụng phân tích cảm xúc chuyên sâu trong giáo dục đại học.