Development of Thai Subjective Scoring System Based on Cosine-Similarity Measure
Article Sidebar
Main Article Content
Abstract
The purposes of the research were to develop a Thai subjective scoring system based on cosine-similarity measure and to evaluate a satisfaction assessment of development of Thai subjective scoring system based on cosine-similarity measure. The statistic used to analyze the data is the mean ( ) and standard deviation (S.D.). The target group of computer science lecturer and students is the sample and 170 answers are used to evaluate.
The research findings showed that the development of Thai subjective scoring system based on cosine-similarity measure divided users into 2 groups who are the question makers and answering-students. The processes are starting from creating questions with theirs answers which are saved into database, applying the answer following as the natural language processing technique (NLP). This NLP technique arranges to preprocessing data, word weight calculation, and cosine-similarity calculation between answer-lecturer and answer-student through a web application as python web framework. The development system can be used with high quality, and the result of user satisfaction achievement is at high level ( =4.05, S.D. = 0.81).
Article Details
References
SAS Institute Inc. (2562). การประมวลผลภาษาธรรมชาติ (Natural Language Processing). เรียกใช้เมื่อ 31 ตุลาคม 2563 จาก https://www.sas.com/th_th/insights/analytics/what-is-natural-language-processing-nlp.html
Ferreira‐Mello, R., André, M., Pinheiro, A., Costa, E., & Romero, C. (2019). Text mining in education. Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(6), e1332.
เศรษฐชัย ใจฮึก และสรุศักดิ์ มังสิงห์. (2563). ระบบตรวจข้อสอบอัตนัยภาษาไทยอัตโนมัติด้วยการสืบค้นเชิงความหมาย. วารสาร
เทคโนโลยีสารสนเทศ, 16(1), 15-23.
Korakot Chaovavanich, Charin Polpanumas, Arthit Suriyawongkul, Lalita Lowphansirikul, & Pattarawat Chormai Wannaphong Phatthiyaphaibun. (27 June 2016). PyThaiNLP: Thai Natural Language Processing in Python. เรียกใช้เมื่อ 1 November 2019 จาก https://pythainlp.github.io/docs/2.2/
Webb G.I. (eds) Sammut C. (2011). TF-IDF. (Boston, MA. Springer, บ.ก.) Encyclopedia of Machine Learning.
Han L. Li B. (2013). Distance Weighted Cosine Similarity Measure for Text Classification. ใน Yin H. et al. (eds), และ Yin H. et al. (eds) (บ.ก.), Intelligent Data Engineering and Automated Learning – IDEAL 2013, Lecture Notes in Computer Science (เล่มที่ 8206). Berlin, Heidelberg: Springer.
Armin Ronacher. (2015). Flask web development one drop at a time. เรียกใช้เมื่อ 31 ตุลาคม 2563 จาก https://flask.palletsprojects.com/
มาสวีร์ มาศดิศรโชติ. (มกราคม-ธันวาคม 2557). การทำเหมืองความคิดเห็นภาษาไทย. ศรีปทุมปริทัศน์ ฉบับวิทยาศาสตร์และเทคโนโลยี, 6(1), 120-128.
นราธร มั่นสุวรรณ. (2559). อิทธิพลของภาษาต่อประสิทธิผลการสื่อสารของธนาคารแห่งประเทศไทย. กรุงเทพมหานคร: จุฬาลงกรณ์มหาวิทยาลัย.
ทัศนีย์ อุทัยสุริ. (2556). การสกัดคำสำคัญจากบทคัดย่อภาษาอังกฤษ. กรุงเทพมหานคร: มหาวิทยาลัยศิลปากร.
P. Saipech and P. Seresangtakul. (2018). Automatic Thai Subjective Examination using Cosine Similarity. Proceeding of the 5th International Conference on Advanced Informatics: Concept Theory and Applications (ICAICTA) (หน้า 214-218). IEEE.
ไกรศักดิ์ เกษร. (มกราคม-มิถุนายน 2555). การแสดงผลลัพธ์การค้นหาข้อมูล : จุดเล็ก ๆ ที่สำคัยและไม่ควรมองข้ามสำหรับเสริชเอ็นจิน. วารสารเทคโนโลยีสารสนเทศ, 8(1), 62-68.
Y. B., Loo, W. K., Tham, W. Y., & Tan, S. F. Leau. (2012). Software Development Life Cycle AGILE vs Traditional Approaches. In Proceeding of International Conference on Information and Network Technology (ICINT 2012), 37.
Rensis Likert. (1932). A Technique for the Measurement of Attitudes. Archives of Psychology, 140, 1-55.
