我从 Coursera 平台上的 11 门免费课程中提取了大约 550 个视频脚本（字幕） 。我已经在标点符号去除、停用词去除、标记化、词干提取和词形还原方面对它们进行了预处理。现在，我被告知对于我的任务，我可以尝试使用简单的 Bag of Words。但是我不确定这将如何帮助我将我的文本分类为六类之一。这些类别与创建视频材料的意图有关，更准确地说，哪一部分解释了一个概念，哪一部分讨论了一个例子，哪一部分给出了实用的建议等。以下是我的类别：

ConceptDescription-> 主要概念的解释
ConceptMention-> 提及一个与主要概念相关的概念
Methodology / Technique-> 要实现某件事，应该做什么
Summary-> 讨论的材料或整个课程的总结
Application-> 实用建议概念
Example-> 概念示例

通过手动阅读其中 3 门课程的多个文件，我创建了一个字典，其中包含口语单词，这可以帮助我识别特定句子/段落属于哪个类别。但是我没有分类器的训练数据集。所以我的想法是使用该字典来标记我的数据，例如句子 1 为Summary，句子 4 为ConceptDescription，句子 12 为Example，然后将句子 2 和 3 标记为 1，将句子 5-11 标记为句子 4 等。

我的问题是，这个想法太蹩脚了吗？有没有办法以非手动的方式创建至少一个平均质量的训练数据集？或者，如果手动检查是唯一的选择，是否有一个选项我只需要对一小部分文件进行手动标记，比如 550 个文件中的 50 个，并且分类仍然会产生平均到好的结果？我不追求完美的结果，但由于时间有限，我的目标是不那么耗时的事情。

我也玩过输出术语的 tf-idf，但当然，这不是我真正需要的，所以这有点随机。

在此先感谢您的帮助。任何具体的想法和算法都将受到欢迎。