การวิเคราะห์ความคิดเห็นของประชาชนไทยเกี่ยวกับวัคซีนโควิด-19 โดยใช้เทคนิคเหมืองข้อมูลข้อความ
คำสำคัญ:
เหมืองข้อมูลข้อความ, การประมวลภาษาธรรมชาติ, การจัดกลุ่มหัวข้อ, การวิเคราะห์ความรู้สึก, วัคซีนโควิด-19บทคัดย่อ
การศึกษานี้ใช้เทคนิคเหมืองข้อมูลข้อความเพื่อวิเคราะห์ความคิดเห็นของประชาชนไทยเกี่ยวกับวัคซีนโควิด-19 ที่แตกต่างกัน ข้อมูลถูกเก็บจาก ทวิตเตอร์ ตั้งแต่เดือนมีนาคมถึงตุลาคม 2564 รวมทั้งสิ้น 451,209 ข้อความที่เกี่ยวข้องกับวัคซีน AstraZeneca, Sinovac, Sinopharm, Pfizer และ Moderna การวิเคราะห์ใช้วิธีการจัดกลุ่มหัวข้อโดย Latent Dirichlet Allocation (LDA) และการวิเคราะห์ความรู้สึกโดยใช้ Multinomial Logistic Regression เพื่อจำแนกความคิดเห็นเกี่ยวกับวัคซีนแต่ละประเภท ผลการวิจัยพบว่าการสนทนาเกี่ยวกับวัคซีน AstraZeneca มุ่งเน้นไปที่การฉีดแบบผสม วัคซีน Sinovac มีการกล่าวถึงการฉีดให้บุคคลมีชื่อเสียง วัคซีน Sinopharm พบปัญหาด้านการจอง วัคซีน Pfizer ถูกกล่าวถึงเรื่องการขาดแคลน และ Moderna มุ่งเน้นไปที่ปัญหาการจัดซื้อ ผลการวิเคราะห์ความรู้สึกพบว่า ความคิดเห็นส่วนใหญ่เป็นกลาง รองลงมาคือเชิงลบเกี่ยวกับปัญหาการขาดแคลนวัคซีน การบริหารจัดการของภาครัฐ และผลข้างเคียง ผลลัพธ์ของงานวิจัยนี้สามารถนำไปใช้เพื่อปรับปรุงนโยบายด้านสาธารณสุขและการสื่อสารเพื่อเสริมสร้างความมั่นใจในวัคซีนของประชาชน
เอกสารอ้างอิง
กรมควบคุมโรค, “รายงานความก้าวหน้าการให้บริการฉีดวัคซีนโควิด19,” [ออนไลน์]. แหล่งที่มา: https://ddc.moph.go.th/. ¬[วันที่เข้าถึง 31 มีนาคม 2565].
กรมควบคุมโรค, “เผยวัคซีนไฟเซอร์ 1.5 ล้านโดส ถึงไทยตามกำหนด,” [ออนไลน์]. แหล่งที่มา: https://ddc.moph.go.th/brc/news.php?news=21341&deptcode=brc. ¬[วันที่เข้าถึง 31 มีนาคม 2565].
กระทรวงการท่องเที่ยวและกีฬา, “สถิตินักท่องเที่ยว,” [ออนไลน์]. แหล่งที่มา: https://mots.go.th/more_news_new.php?cid=411.¬[31 มีนาคม 2565].
กระทรวงสาธารณสุข, “สธ.เซ็นสัญญาซื้อวัคซีนแอสตร้าเซนเนก้า 60 ล้านโดสสำหรับปี 2565,” [ออนไลน์]. แหล่งที่มา: https://pr.moph.go.th/?url=pr/detail/2/04/164808/.¬[วันที่เข้าถึง 31 มีนาคม 2565].
กานดา แผ่วัฒนากุล, “การวิเคราะห์เหมืองข้อเสนอแนะจากบทรายการโทรทัศน์,” วิทยานิพนธ์วิทยาศาสตรมหาบัณฑิต, สาขาบริหารเทคโนโลยีสารสนเทศ คณะสถิติประยุกต์, สถาบันบัณฑิตพัฒน บริหารศาสตร์, 2555.
กิริฎา เภาพิจิตร และกิตติพัฒน์ บัวอุบ, “เศรษฐกิจไทยปี 64 ในวิกฤติโควิดระลอกใหม่,” [ออนไลน์]. แหล่งที่มา: https://tdri.or.th/2021/01/economic-outlook-2021/. ¬[วันที่เข้าถึง 3 เมษายน 2565].
ธนกร ญานกาย และวนิดา แก่นอากาศ, “การเพิ่มประสิทธิภาพแบบจำลองหัวข้อด้วยสภาพแวดล้อมแบบข้อมูลขนาดใหญ่,” วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี., ปีที่ 21, ฉบับที่ 3, น. 166-174, 2562.
ภูมิรพี ภูมิค้า, “เทคนิคการเรียนรู้เชิงลึกเพื่อวิเคราะห์ความรู้สึกจากผู้ใช้ผลิตภัณฑ์,” วิทยานิพนธ์วิศวกรรมศาสตรมหาบัณฑิต, สาขาวิศวกรรมโทรคมนาคมและคอมพิวเตอร์, มหาวิทยาลัยเทคโนโลยีสุรนารี, 2562.
ราชวิทยาลัยจุฬาภรณ์, “ราชวิทยาลัยจุฬาภรณ์ กระทรวงสาธารณสุข และ อย. ผสานความร่วมมือนำเข้าวัคซีนโควิดทางเลือก ซิโนฟาร์ม,” [ออนไลน์]. แหล่งที่มา: https://www.chulabhornchannel.com/news-activities/vaccine/2021/05/. [วันที่เข้าถึง 16 มีนาคม 2565].
วาทิตย์ คำพรมมา, จักรชัย โสอินทร์ และเพรช อิ่มทองคำ, “แบบจำลองกำรวิเคราะห์ความรู้สึกแบบผสมสำหรับความคิดเห็นต่อโรงแรมในประเทศไทยโดยใช้ K-means และ K-NN,” ในการประชุมวิชาการระดับชาติ สารสนเทศศาสตร์วิชาการ 2019, 2562.
D. M. Blei, A. Y. Ng, M. I. Jordan, 2003. “Latent dirichlet allocation,” Journal of Machine Learning Research., vol. 3, pp. 993–1022, 2003.
D. Buenaño-Fernandez, M. González, D. Gil and S. Luján-Mora, "Text mining of open-ended questions in self-assessment of university teachers: an LDA topic modeling approach," in IEEE Access, vol. 8, pp. 35318-35330, 2020.
H. Cherfi, A. Napoli and Y. Toussaint, “Towards a text mining methodology using association rule extraction,” Soft Computing., vol. 10, no. 5, pp. 431-441, 2005.
Data Reportal, “Digital 2021: Thailand.” [ออนไลน์]. แหล่งที่มา: https://datareportal.com/reports/digital-2021-thailand. ¬[วันที่เข้าถึง 3 เมษายน 2565].
R. Feldman and J. Sanger, The Text Mining Handbook, Boston: Cambridge University Press, 2006.
L. Huangfu, Y. Mo, P. Zhang, D. D. Zeng, S. He, “COVID-19 vaccine tweets after vaccine rollout: sentiment–based topic modeling,” Journal of Medical Internet Research., vol. 24, no. 2, pp. e31726, 2022.
B. Liu, Sentiment Analysis and Opinion Mining, California: Morgan & Claypool Publishers, 2012.
J. C. Lyu, E. L. Han and G. K. Luli, “COVID-19 Vaccine–Related Discussion on Twitter: Topic modeling and sentiment analysis,” Journal of Medical Internet Research., vol. 23, no. 6, pp. 24303, 2021.
MGR Online, “Twitter ไทย อัดแน่นข้อความเกี่ยวกับโควิด-19 ทะลุ 73 ล้านทวีต,” [ออนไลน์]. แหล่งที่มา: https://mgronline.com/cyberbiz/detail/9640000086249. [วันที่เข้าถึง 8 เมษายน 2565].
T. C W. Na, D. Li, W. Lu and H. Li, “Insight from NLP Analysis: Covid-19 Vaccines Sentiments on Social Media,” [ออนไลน์]. แหล่งที่มา: https://arxiv.org/abs/2106.04081. [วันที่เข้าถึง 8 เมษายน 2565].
S. Petrović, “Collocation Extraction Measures for Text Mining Applications,” Doctoral dissertation, Fakultetelektrotehnike i računarstva, Sveučilište u Zagrebu, 2007.
SV. Praveen, J. M. Lorenz, R. Ittamalla, K. Dhama, C. Chakraborty, C. V. S. Kumar and T. Mohan, “twitter-based sentiment analysis and topic modeling of social media posts using natural language processing, to understand people’s perspectives regarding COVID-19 booster vaccine shots in india: crucial to expanding vaccination coverage,” Vaccines, vol. 10, no. 11, pp. 1929, 2022.
World Health Organization, “Coronavirus (COVID-19) question and answers,” [Online]. Available: https://www.who.int/thailand/emergencies/novel-coronavirus-2019/q-a-on-covid-19. [Accessed 4 March 2022].
H. Yin, X. Song, S. Yang, J. Li, “sentiment analysis and topic modeling for COVID-19 vaccine discussions,” World Wide Web., vol. 25, no. 1, pp. 1067-1083, 2022.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
