การทำนายแนวโน้มภาวะซึมเศร้าจากข้อความภาษาไทยด้วยเทคนิคการประมวลผลภาษาธรรมชาติ

Predicting trends of depression from Thai Text using natural language processing techniques

Name: วรัณรัชญ์ วิริยะวิทย์

Organization : มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ

Name: วัชรพงศ์ อยู่ขวัญ

Organization : มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ

Name: สุภาวดี ศรีคำดี

Organization : มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ

Name: อธิตา อ่อนเอื้อน

Organization : มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ

ThaSH: การประมวลผลภาษาธรรมชาติ (วิทยาการคอมพิวเตอร์)

Classification :.DDC: 006

ThaSH: ความซึมเศร้า

ThaSH: ความเศร้า -- พยากรณ์

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของโมเดลปัญญาประดิษฐ์ในการตรวจจับภาวะซึมเศร้าจากข้อความภาษาไทย โดยใช้วิธีการประมวลผลภาษาธรรมชาติ (NLP) และเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เนื่องจากข้อมูลจากงานวิจัยที่เกี่ยวข้องกับภาษาไทยยังมีอยูaอยaางจำกัด งานวิจัยนี้จึงมุ่งเน้นการสร้างชุดข้อมูลคุณภาพสูงจาก 3 แหล่งที่แตกต่างกัน ได้แก่ บันทึกประจำวันของนิสิตจากคณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา บทสนทนาจากบทภาพยนตร์ และกระทู้สุขภาพจิตจากเว็บไซต์ Pantip.com ผลการวิจัยพบว่าโมเดลที่พัฒนาขึ้นสามารถจำแนกภาวะซึมเศร้าจากข้อความภาษาไทยได้อย่างมีประสิทธิภาพในระดับที่แตกต่างกันตามประเภทของข้อมูล ข้อมูลจากบันทึกประจำวันของอาสาสมัครโมเดลสถาปัตยกรรม Transformer สามารถทำนายได้ด้วยความแม่นยำสูงถึง 85.61% เมื่อใช้ข้อมูลที่ผ่านการกำกับโดยโมเดล Gemini 1.5 Flash สำหรับข้อมูลจากบทภาพยนตร์ งานวิจัยนี้ได้วิเคราะห์บทสนทนา โดยพบว่าการวิเคราะห์ข้อความในรูปแบบบทสนทนาให้ประสิทธิภาพที่ดีกว่าการวิเคราะห์ประโยคเดี่ยวอย่างมีนัยสำคัญ โมเดล LSTM แสดงประสิทธิภาพสูงสุดที่ 84.37% บนชุดข้อมูลที่ได้รับการเพิ่มจำนวนด้วยเทคนิค Data Augmentation โดยใช้ ChatGPT เพื่อแก้ไขปัญหาความไม่สมดุลของข้อมูล ในส่วนของข้อมูลจากกระทู้ Pantip แม้จะมีความท้าทายจากความหลากหลายของการใช้ภาษาในชุมชนออนไลน์แต่โมเดล LSTM ยังคงสามารถให้ความแม่นยำได้ที่ 78.00% ผลการวิจัยนี้แสดงให้เห็นถึงความเป็นไปได้ในการประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์เพื่อสนับสนุนการตรวจจับภาวะซึมเศร้าในผู้ใช้ภาษาไทย และสร้างรากฐานสำคัญสำหรับการพัฒนาระบบช่วยเหลือด้านสุขภาพจิตในอนาคต

Abstract: This study aims to develop and evaluate the performance of artificial intelligence models for detecting depression from Thai text using Natural Language Processing (NLP) and Machine Learning techniques. Due to the limited availability of research data related to the Thai language, this study focuses on creating high-quality datasets from three different sources: daily journals from students at the Faculty of Informatics, Burapha University; dialogue from movie scripts; and mental health forum posts from Pantip.com. The study demonstrate that the developed models can effectively classify depression from Thai text with varying levels of performance depending on the data type. The data from volunteer daily journals yielded the best results, with the Transformer architecture achieving the highest accuracy of 85.61% when using data supervised by the Gemini 1.5 Flash model. For movie script data, this study analyzed dialogue and found that analyzing text in conversational significantly outperformed single-sentence analysis. The LSTM model showed the highest performance at 84.37% on datasets enhanced through data Augmentation techniques using ChatGPT to address data imbalance issues. Regarding Pantip forum data, despite challenges from the diverse language usage in online communities, the LSTM model still achieved an accuracy of 78.00%. These research findings demonstrate the feasibility of applying artificial intelligence technology to support depression detection among Thai language users and establish an important foundation for developing mental health assistance systems in the future.

มหาวิทยาลัยบูรพา. สำนักหอสมุด

Address: ชลบุรี

Email: buulibrary@buu.ac.th

Name: คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา

Role: ผู้ให้ทุน

Created: 2567

Modified: 2569-02-18

Issued: 2569-02-17

งานวิจัย/Research report

application/pdf

CallNumber: 006.35 ว295ก

tha

©copyrights มหาวิทยาลัยบูรพา

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	2569-494.pdf	11.73 MB

ใช้เวลา

0.036126 วินาที