เครื่องมือตรวจจับข้อความที่เป็นการระรานทางไซเบอร์สำหรับภาษาไทยบนสื่อสังคมออนไลน์
Article Sidebar
Main Article Content
บทคัดย่อ
ความขัดแย้งของคนบนสังคมออนไลน์ในประเทศไทยที่ดำเนินมาอย่างต่อเนื่องนั้น หนึ่งในสาเหตุหลักมีผลมาจากการระรานทางไซเบอร์บนเครือข่ายทางสังคมออนไลน์แทบทั้งสิ้น โดยมีวัตถุประสงค์เพื่อให้ร้ายต่อบุคคลอื่นให้เกิดความเสียหาย โดยเฉพาะอย่างยิ่งในเรื่องของการเมือง บทความวิจัยนี้ได้พัฒนาแบบจำลองทางภาษาเพื่อใช้ในการตรวจจับข้อความที่เป็นการระรานทางไซเบอร์บนเครือข่ายสังคมออนไลน์ แบบจำลองที่พัฒนาขึ้นใช้พื้นฐานของ “จีอาร์ยู” ซึ่งก่อนถึงขั้นตอนการดำเนินงานของจีอาร์ยูนั้น จะมีอัลกอริทึมสำหรับลดมิติของข้อมูล โดยตั้งชื่อว่า “ทีจีเอฟ” ซึ่งรวมกันเรียกว่า “ทีจีเอฟ-จีอาร์ยู” โดยที่แบบจำลองดังกล่าวนี้ได้ถูกสร้างและคำนวณมาจากโพสต์หรือความคิดเห็นข้อความภาษาไทยจากเฟซบุ๊กจำนวน 10,900 ข้อความ ผลการทดลองแสดงให้เห็นว่า ทีจีเอฟสามารถช่วยเพิ่มความแม่นยำให้กับจีอาร์ยูได้ถึงร้อยละ 8.41 กับเวลาในการประมวลผลที่เพิ่มมาอีกเล็กน้อย อย่างไรก็ตาม การใช้ภาษาไทยเพื่อการสื่อสารนั้นเป็นที่รู้กันในท้องถิ่นว่ามีคำพ้องความหมาย คำพ้องรูป และการประชด ซึ่งจะมีผลให้การตรวจจับข้อความภาษาไทยโดยใช้คอมพิวเตอร์มีโอกาสผิดพลาด โดยสรุปแบบจำลองทีจีเอฟ-จีอาร์ยู สามารถใช้เป็นเครื่องมือเสริมทางปัญญาประดิษฐ์ของเฟซบุ๊กสำหรับตรวจจับข้อความภาษาไทยที่ไม่เหมาะสม ก่อนที่ผู้ใช้จะทำการโพสต์หรือแสดงความคิดเห็นได้ ในอนาคตอันใกล้นี้ข้อความที่เป็นการระรานทางไซเบอร์ (เช่น การดูหมิ่น ความคิดเห็นที่เกี่ยวกับเพศ คำพูดที่สร้างความเกลียดชัง ข่าวลือ การใส่ร้ายป้ายสี และการระรานรูปแบบอื่น ๆ) จะถูกตรวจจับและกรองออกอัตโนมัติทันที และเมื่อนั้นชนวนที่จะทำให้เกิดความแตกแยกในสังคมก็จะค่อย ๆ ลดลง โดยให้เครื่องมือตรวจจับข้อความที่เป็นการระรานทางไซเบอร์ทำงานด้วยตัวของมันเอง
Article Details
- เนื้อหาและข้อมูลในบทความที่ตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง กองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
- บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ หรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักอักษรณ์จากวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ก่อนเท่านั้น
เอกสารอ้างอิง
Satienkoses, Y. (1981). Essays on Thai Folklore. Bangkok: Duang Kamol.
Inthajakra, L., Prachyapruit, A. & Chantavanich, S. (2016). The Emergence of Communication Intellectual History in Sukhothai and Ayutthaya Kingdom of Thailand. Social Science Asia, 2(4): 32-41.
World Bank. (2018). Population, Total. Retrieved on May 15, 2019, from https://data.worldbank.org/indicator/SP.POP.TOTL?locations=TH
Haruechaiyasak, C., Kongyoung, S. & Dailey, M. (2008). A comparative study on Thai word segmentation approaches. In proceedings of the 5th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (125-128). Krabi, Thailand: IEEE.
Klahan, A., et al. (2018). Thai Word Safe Segmentation with Bounding Extension for Data Indexing in Search Engine. In Proceedings of the 14th International Conference on Computing and Information Technology (83-92). Chiang Mai, Thailand: Springer.
W3 Techs. (2018). Historical trends in the usage of content languages for websites. Retrieved on May 15, 2019, from https://w3techs.com/technologies/history_overview/content_language
Smith, P. K., et al. (2008). Cyberbullying: its nature and impact in secondary school pupils. The Journal of Child Psychology and Psychiatry, 49(4): 376-385.
Sittichai, R. & Smith, P. K. (2018). Bullying and Cyberbullying in Thailand: Coping Strategies and Relation to Age, Gender, Religion and Victim Status. Journal of New Approaches in Educational Research, 7(1): 24-30.
Social Media Today. (2018). Facebook Reaches 2.38 Billion Users, Beats Revenue Estimates in Latest Update. Retrieved on May 15, 2019, from https://www.socialmediatoday.com/news/facebook-reaches-238-billion-users-beats-revenue-estimates-in-latest-upda/553403/
Koanantakool, T., Karoonboonyanan, T. & Wutiwiwatchai, C. (2009). Computers and the Thai Language. IEEE Annals of the History of Computing, 31(1): 46-61.
Sornlertlamvanich, V., et al. (2000). The state of the art in Thai language processing. In proceedings of the 38th Annual Meeting on Association for Computational Linguistics(1-2). Stroudsburg, PA, USA: ACM.
Mittrapiyanuruk, P., et al. (2000). Issues in Thai Text-to-Speech Synthesis: The NECTEC Approach. In proceeding of NECTEC Annual Conference (483-495). Bangkok, Thailand: NECTEC.
Chinathinmatmongkhon N., Suchato, A. & Punyabukkana, P. (2008). Implementing Thai Text-to-Speech Synthesis for Hand-held Devices. In proceeding of the 5th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (125-128). Krabi, Thailand: IEEE.
Wutiwiwatchai, C. & Furui S. (2007). Thai speech processing technology: A review. Journal Speech Communication. 49(1): 8-27.
Assawinjaipetch, P., et al. (2016). Recurrent Neural Network with Word Embedding for Complaint Classification. In proceedings of the Third International Workshop on Worldwide Language Service Infrastructure and Second Workshop on Open Infrastructures and Analysis Frameworks for Human Language Technologies (36-43). Osaka, Japan: ACL Technology.
Nomponkrang, T. & Sanrach C. (2016). The Comparison of Algorithms for Thai-Sentence Classification. International Journal of Information and Education Technology. 6(10): 801-808.
Sukakanya, U. & Porkaew , K. (2009). Comparison of Classification Techniques for Thai Web Document Classification. World Academy of Science, Engineering and Technology. 2009: 895-901.
Haruechaiyasak, C., et al. (2013). S-Sense: A Sentiment Analysis Framework for Social Media Sensing. In proceedings of the 6th International Joint Conference on Natural Language Processing (6-13). Nagoya, Japan: The Association for Computational Linguistics.
Nararatwong, R., et al. (2018). Improving Thai Word and Sentence Segmentation Using Linguistic Knowledge. IEICE Transactions on Information and Systems. E101.D(12): 3218-3225.
Lapjaturapit, T., Viriyayudhakom, K. & Theeramunkong, T. (2018). Multi-Candidate Word Segmentation using Bi-directional LSTM Neural Networks. In proceedings of the 2018 International Conference on Embedded Systems and Intelligent Technology & International Conference on Information and Communication Technology for Embedded Systems (1-6). Khon Kaen, Thailand: IEEE.
Theeramunkong, T. & Usanavasin S. (2003). Non-dictionary-based Thai word segmentation using decision trees. In proceedings of the first international conference on Human language technology research (1-5). San Diego: ACM.
Theeramunkong, T. & Tanhermhong T. (2004). Pattern-Based Features vs. Statistical-Based Features in Decision Trees for Word Segmentation. IEICE TRANSACTIONS on Information and Systems. E87-D(5): 1254-1260.
Boonkwan, P. & Supnithi, T. (2017). Bidirectional Deep Learning of Context Representation for Joint Word Segmentation and POS Tagging. In proceedings of the 5th International Conference on Computer Science, Applied Mathematics and Applications. Berlin, Germany: Springer.
Lyons, S. (2016). Quality of Thai to English Machine Translation. In proceedings of Pacific Rim Knowledge Acquisition: Workshop on Knowledge Management and Acquisition for Intelligent Systems (261-270). Phuket, Thailand: Springer.
Luekhong, P., et al. (2016). A Study of a Thai-English Translation Comparing on Applying Phrase-Based and Hierarchical Phrase-Based Translation. In proceeding of international Symposium on Natural Language Processing (38-48). Ayutthaya, Thailand: Springer.
Sutantayawalee, V., et al. (2017). Improvement of Statistical Machine Translation using Charater Based Segmentation with Monolingual and Bilingual Information. In proceedings of the 28th Pacific Asia Conference on Language, Information and Computation (145-151). Phuket, Thailand: ACL Technology.
Chung, J., et al. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. arXiv. 1412.3555: 1-9.
