Predicting User Satisfaction in Online Education Platforms: A Large Language Model Based Multi-Modal Review Mining Framework

📄 arXiv: 2604.11723v1 📥 PDF

作者: Arman Bekov, Azamat Nurgali

分类: cs.GR

发布日期: 2026-04-13

💡 一句话要点

提出基于LLM的多模态框架，用于预测在线教育平台的用户满意度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 在线教育 用户满意度预测 大型语言模型 多模态融合 情感分析 行为分析 学习分析

📋 核心要点

  1. 现有方法难以准确预测在线教育平台用户满意度，因为评论文本短、噪声大且具有多维度。
  2. 提出基于LLM的多模态框架，融合主题分布、情感表示和行为特征，提升预测精度。
  3. 实验表明，该框架优于传统模型和单模态方法，验证了联合建模多种信息源的有效性。

📝 摘要（中文）

在线教育平台在过去十年经历了爆炸式增长，产生了大量的用户生成内容，包括评论、评分和行为日志。这些异构信号为理解学习者满意度提供了前所未有的机会，而学习者满意度是课程保留率、参与度和长期学习成果的关键决定因素。然而，由于在线评论的篇幅短、噪声大、上下文依赖性强以及多维性，准确预测满意度仍然具有挑战性。本文提出了一个统一的、基于大型语言模型（LLM）的多模态框架，用于预测平台级和课程级的学习者满意度。该框架集成了三个互补的信息来源：（1）捕获潜在主题结构的短文本主题分布，（2）从预训练的基于Transformer的语言模型中学习到的上下文情感表示，以及（3）从学习者活动日志中提取的行为交互特征。这些异构表示在一个混合回归架构中融合，以产生准确的满意度预测。我们在从多个公共平台收集的大规模MOOC评论数据集上进行了广泛的实验。实验结果表明，所提出的基于LLM的多模态框架始终优于传统的纯文本模型、浅层情感基线和单模态回归方法。全面的消融研究进一步验证了联合建模主题语义、深度情感表示和行为分析的必要性。我们的研究结果突出了大规模上下文语言表示在推进学习分析中的关键作用，并为平台设计、课程改进和个性化推荐提供了可操作的见解。

🔬 方法详解

问题定义：论文旨在解决在线教育平台中用户满意度预测的问题。现有方法主要依赖于文本分析，忽略了用户行为数据和评论的上下文信息，导致预测精度不高。此外，在线评论通常篇幅短、噪声大，给情感分析和主题提取带来了挑战。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大表示能力，融合评论文本的主题信息、情感信息以及用户的行为数据，从而更全面地理解用户满意度。通过多模态融合，可以弥补单一模态信息的不足，提高预测的准确性和鲁棒性。

技术框架：该框架包含三个主要模块：1) 短文本主题建模模块，用于提取评论文本的潜在主题分布；2) 基于Transformer的情感分析模块，用于学习评论文本的上下文情感表示；3) 行为特征提取模块，用于从用户活动日志中提取行为交互特征。这三个模块的输出被融合到一个混合回归架构中，最终预测用户满意度。

关键创新：该论文的关键创新在于将大型语言模型应用于在线教育用户满意度预测，并提出了一种多模态融合框架，有效地整合了文本、情感和行为数据。与传统的文本分析方法相比，该方法能够更好地捕捉用户满意度的多维度特征。

关键设计：在主题建模模块中，使用了LDA等主题模型。情感分析模块采用了预训练的Transformer模型，并针对在线评论的特点进行了微调。行为特征包括用户的学习时长、课程完成率、互动次数等。混合回归架构可以采用线性回归、支持向量回归或神经网络等模型。损失函数通常采用均方误差或交叉熵损失。

📊 实验亮点

实验结果表明，提出的LLM多模态框架在多个MOOC数据集上显著优于传统文本模型、浅层情感基线和单模态回归方法。消融实验验证了主题语义、深度情感表示和行为分析联合建模的必要性。具体性能提升数据未在摘要中明确给出，但强调了框架的一致性和有效性。

🎯 应用场景

该研究成果可应用于在线教育平台的课程推荐、平台设计优化和个性化学习路径规划。通过准确预测用户满意度，平台可以及时发现问题课程并进行改进，提升用户体验，提高课程保留率和学习效果。此外，该方法还可以扩展到其他用户生成内容分析领域，如电商评论分析、社交媒体情感分析等。

📄 摘要（原文）

Online education platforms have experienced explosive growth over the past decade, generating massive volumes of user-generated content in the form of reviews, ratings, and behavioral logs. These heterogeneous signals provide unprecedented opportunities for understanding learner satisfaction, which is a critical determinant of course retention, engagement, and long-term learning outcomes. However, accurately predicting satisfaction remains challenging due to the short length, noise, contextual dependency, and multi-dimensional nature of online reviews. In this paper, we propose a unified \textbf{Large Language Model (LLM)-based multi-modal framework} for predicting both platform-level and course-level learner satisfaction. The proposed framework integrates three complementary information sources: (1) short-text topic distributions that capture latent thematic structures, (2) contextualized sentiment representations learned from pretrained Transformer-based language models, and (3) behavioral interaction features derived from learner activity logs. These heterogeneous representations are fused within a hybrid regression architecture to produce accurate satisfaction predictions. We conduct extensive experiments on large-scale MOOC review datasets collected from multiple public platforms. The experimental results demonstrate that the proposed LLM-based multi-modal framework consistently outperforms traditional text-only models, shallow sentiment baselines, and single-modality regression approaches. Comprehensive ablation studies further validate the necessity of jointly modeling topic semantics, deep sentiment representations, and behavioral analytics. Our findings highlight the critical role of large-scale contextual language representations in advancing learning analytics and provide actionable insights for platform design, course improvement, and personalized recommendation.