การจำแนกความคิดเห็นโซเชียลมีเดียไทยเกี่ยวกับวัคซีนป้องกันโควิดโดยใช้เหมืองข้อความ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์ เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองจำนวน 5 เทคนิค ได้แก่ เทคนิคนาอีฟเบย์ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน เทคนิคริปเปอร์ เทคนิคฟิวเรีย และ เทคนิคป่าสุ่ม มาสร้างแบบจำลอง เพื่อจำแนกความคิดเห็นของคนไทยในสังคม ว่ามีความคิดเห็นต่อ การฉีดวัคซีนป้องกันโรคโควิด-19 ให้กับเด็ก โดยข้อมูลนั้นถูกรวบรวมมาจากเครือข่ายสังคมออนไลน์ จำนวนทั้งหมด 2,466 ความคิดเห็น คำคุณลักษณะคำกริยา คำกริยาวิเศษณ์ คำคุณศัพท์ ได้ถูกเลือกมาใช้ในการสร้างแบบจำลอง โดยคำคุณลักษณะประเภทนี้สามารถระบุความรู้สึกในเชิงบวก และเชิงลบได้อย่างชัดเจน ในงานวิจัยนี้ 10 โฟลด์ครอสวาลิเดชั่นได้ถูกนำมาใช้ในการแบ่งกลุ่มข้อมูล เป็นชุดเรียนรู้ และชุดทดสอบ นอกจากนี้ค่าความแม่นยำ ค่าความระลึก และค่าความถูกต้องได้ถูกนำมาคำนวณ เพื่อใช้ในการเปรียบเทียบประสิทธิภาพของแบบจำลอง ผลการทดลองแสดงให้เห็นว่า นาอีฟเบย์เป็นเทคนิคสร้างแบบจำลองที่มีประสิทธิภาพสูงสุดที่ค่าความแม่นยำร้อยละ 95.40 ค่าความระลึกที่ร้อยละ 95.40 และค่าความถูกต้องที่ร้อยละ 95.40
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นลิขสิทธิ์ของวารสารวารสารวิทยาศาสตร์และเทคโนโลยีหากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวารสารวิทยาศาสตร์และเทคโนโลยี ก่อนเท่านั้น
เอกสารอ้างอิง
Angelopoulou, A., Mykoniatis, K., & Smith, A. E. (2024). Analysis of Public Sentiment on COVID-19 Mitigation Measures in Social Media in the United States Using Machine Learning. IEEE Transactions on Computational Social Systems, 11(1), 307-318. https://doi.org/10.1109/TCSS.2022.3214527
Banluesapy, S., & Jirapanthong, W. (2022). Towards Machine Learning Algorithm for Screening Prediction of COVID-19 Patients. JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, 12(1), 47-60. https://doi.org/10.14456/jist.2022.5
Devi, N. S., & Sharmila, K. (2021). Fine Grainded Sentiment Analysis on COVID-19 Vaccine. 2021 10th International Conference on System Modeling & Advancement in Research Trends (SMART).
Karthika, P., Murugeswari, R., & Manoranjithem, R. (2019). Sentiment Analysis of Social Media Network Using Random Forest Algorithm. 2019 IEEE International Conference on Intelligent Techniques in Control, Optimization and Signal Processing (INCOS).
Khan, F. H., Bashir, S., & Qamar, U. (2014). TOM: Twitter opinion mining framework using hybrid classification scheme. Decision Support Systems, 57, 245-257. https://doi.org/https://doi.org/10.1016/j.dss.2013.09.004
Kovacs, E. R., Cotfas, L. A., Delcea, C., & Florescu, M. S. (2023). 1000 Days of COVID-19: A Gender-Based Long-Term Investigation into Attitudes With Regards to Vaccination. IEEE Access, 11, 25351-25371. https://doi.org/10.1109/ACCESS.2023.3254503
Phung, T. K., Te, N. A., & Ha, T. T. T. (2021). A machine learning approach for opinion mining online customer reviews. 2021 21st ACIS International Winter Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/Distributed Computing (SNPD-Winter)
Suharsono, T. N., Fauzan, A., & Mardiati, R. (2022). Sentiment Analysis of Covid-19 on Indonesian Twitter by Implementing the Naïve Bayes Method. 2022 8th International Conference on Wireless and Telematics (ICWT)
Vyas, P., Reisslein, M., Rimal, B. P., Vyas, G., Basyal, G. P., & Muzumdar, P. (2022). Automated Classification of Societal Sentiments on Twitter With Machine Learning. IEEE Transactions on Technology and Society, 3(2), 100-110. https://doi.org/10.1109/TTS.2021.3108963
Zope, T., & Rajeswari, K. (2022). Sentiment Analysis of Covid-19 Tweets using Twitter Database–A Global Scenario. 2022 IEEE 4th International Conference on Cybernetics, Cognition and Machine Learning Applications (ICCCMLA)
คำประสิทธิ์, อ. (2022). การพัฒนารูปแบบการบริหารการพยาบาลในสถานการณ์การระบาดของโควิด-19 แผนกผู้ป่วยใน โรงพยาบาลโนนไทย. วารสารศูนย์อนามัยที่ 9, 16.
ปพิชญา กลางนอก, & จารี ทองคำ. (2019). การประยุกต์ใช้เทคนิคแบบรวมเพื่อเพิ่มประสิทธิภาพแบบจำลองตามกฎ ในเหมืองข้อมูล. วารสารเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี, 9(1), 97-108. https://ph01.tci-thaijo.org/index.php/jitubru/article/view/183422
ประกายแก้ว ศิริพูล, ไพรินทร์ ยอดสุบัน, เรืองอุไร อมรไชย, อรรถพงษ์ ฤทธิทิศ, เวหา เกษมสุข, นิตยา บัวสาย, นลินี กินาวงศ์, ชลิตดา ขันแก้ว, & สุภา เพ่งพิศ. (2022). สถานการณ์และปัญหาการรับวัคซีนโควิด 19 ในเด็กอายุ 5-11 ปี ในชุมชน: การวิจัยเชิงคุณภาพ. วารสารการพยาบาลและการดูแลสุขภาพ, 40(3), 34-43. https://he01.tci-thaijo.org/index.php/jnat-ned/article/view/258141
พิศิษฐ์ บวรเลิศสุี, & วรภัทร ไพรีเกรง. (2022). ตัวแบบการวิเคราะห์ความรู้สึกทางอารมณ์ สำหรับจำแนกประเภทบทความแนะนำสินค้าออนไลน์. Journal of Engineering and Digital Technology (JEDT), 10(1), 71-79.
สุรัยยา หมานมานะ, โสภณ เอี่ยมศิริถาวร, & สุมนมาลย์ อุทยมกุล. (2020). โรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19). วารสารสถาบันบำราศนราดูร, 14(2), 124 - 133. https://he01.tci-thaijo.org/index.php/bamrasjournal/article/view/240349
