การเปรียบเทียบประสิทธิภาพการวิเคราะห์ความพึงพอใจเกี่ยวกับการจัดการเรียนการสอนด้วยกระบวนการวิเคราะห์ความรู้สึก โดยใช้เทคนิคการรวมกลุ่มเพื่อจำแนกข้อมูล
คำสำคัญ:
การวิเคราะห์ความรู้สึก, เหมืองข้อความ, เทคนิควิธีการรวมกลุ่มเพื่อจำแนกข้อมูลบทคัดย่อ
ปัจจุบันสถาบันการศึกษาให้ความสำคัญกับการประเมินผลการจัดการเรียนรู้ของครูผู้สอนเป็นอย่างมาก นอกจากการประเมินทางตรงยังมีการประเมินทางอ้อมด้วยการสำรวจความพึงพอใจของผู้เรียนโดยใช้แบบสอบถาม ซึ่งการวิเคราะห์ข้อมูลคำถามปลายปิดในแบบสอบถามนั้นสามารถทำได้ง่าย แต่คำถามปลายเปิดจะทำได้ยาก และซับซ้อนรวมทั้งอาจเกิดความไม่แม่นยำเนื่องจากอคติจากผู้วิเคราะห์ข้อมูลได้ ในงานวิจัยนี้ได้ใช้กระบวนการวิเคราะห์ความรู้สึก เพื่อวิเคราะห์ความคิดเห็นที่ได้จากแบบสอบถามจำนวน 1,577 ข้อความให้เป็นขั้วความพึงพอใจ และเปรียบเทียบประสิทธิภาพการจำแนกโดยใช้เทคนิคการรวมกลุ่มเพื่อจำแนกข้อมูล ได้แก่ Vote, Bagging และ Random Forest กับเทคนิควิธีมาตรฐาน ได้แก่ Decision Tree, Naïve Bayes และ K-NN พบว่าเทคนิควิธีการรวมกลุ่มเพื่อจำแนกข้อมูลแบบ Vote มีประสิทธิภาพมากที่สุด
เอกสารอ้างอิง
Balahadia FF, Fernando MCG, Juanatas IC. Teacher’s performance evaluation tool using opinion mining with sentiment analysis. In: 2016 IEEE Region 10 Symposium (TENSYMP). 2016. p. 95–98.
Ravi K, Ravi V. A survey on opinion mining and sentiment analysis: tasks, approaches and applications. Knowledge-Based Systems. 2015;89:14–46.
Hussein DME-DM. A survey on sentiment analysis challenges. Journal of King Saud University - Engineering Sciences. 2018;30(4):330–338.
Songpan W. The analysis and prediction of customer review rating using opinion mining. In: Proceeding of the 2017 IEEE 15th International Conference on Software Engineering Research, Management and Applications (SERA). 2017. p. 71-77.
Pinmuang N, Jaree T. Classify Thai opinions on online media using text mining. Journal of Science & Technology MSU [Internet]. 2018;37(3). Available from: http://journal.msu.ac.th/upload/articles/article2153_38473.pdf. Thai.
Ravisuda T, Nives J. Thai Sentiment Analysis of Product Review Online Using Support Vector Machine. Engineering Journal of Siam University. 2017;18(1). Thai.
Pattaraporn C, Wararat S, Somjit A, Saiyan S. Analysis of Affecting Factors to Customer Reviews using Opinion Mining. In: Proceeding of the Thirteenth National Conference on Computing and Information Technology. 2017. p. 44–50. Thai.
Kechaou Z, Ammar MB, Alimi AM. Improving e-learning with sentiment analysis of users’ opinions. In: Proceeding of the 2011 IEEE Global Engineering Education Conference (EDUCON). 2011. p. 1032–1038.
Munezero M, Montero CS, Mozgovoy M, Sutinen E. Exploiting Sentiment Analysis to Track Emotions in Students’ Learning Diaries. In: Proceedings of the 13th Koli Calling International Conference on Computing Education Research [Internet]. New York, NY, USA: ACM; 2013. p. 145–152. (Koli Calling ’13). Available from: http://doi.acm.org/10.1145/2526968.2526984
Rani S, Kumar P. A Sentiment Analysis System to Improve Teaching and Learning. Computer. 2017 May;50(5): 36–43.
Barnaghi P, Ghaffari P, Breslin JG. Opinion mining and sentiment polarity on twitter and correlation between events and sentiment. In: Proceeding of the 2016 IEEE Second International Conference on Big Data Computing Service and Applications (BigDataService). IEEE; 2016. p. 52–57.
Sukhum K, Nitsuwat S, Haruechaiyasak C. Opinion detection in Thai political news columns based on subjectivity analysis. In: Proceeding of the 7th International Conference on Computing and Information Technology. 2011.
Fang X, Zhan J. Sentiment analysis using product review data. Journal of Big Data. 2015;2(1):5.
Puttida S, Charun S, Thanrat S. The Comparison of Data Classification Efficiency by using ENSEMBLE Technique for Analysis of Factors Affecting on the National Educational Test Results of Vocational Education (V-NET). In: Proceeding of the 13th National Conference on Computing and Information Technology. p. 674–679. Thai.
Araque O, Corcuera-Platas I, Sánchez-Rada JF, Iglesias CA. Enhancing deep learning sentiment analysis with ensemble techniques in social applications. Expert Systems with Applications. 2017;77:236–246.
Supathep S, Phayung M, Piyanoot V. Ensemble for Highly Imbalanced Text Classification base in Deep Learning with Feature Selection and Data Balancing Techniques. In: Proceeding of the 13th National Conference on Computing and Information Technology. p. 20–25.
