ระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ-Final (2)

ตารางที่3. 4 การคำนวณหาคา่ ความถี่และนำ้ หนักของคำ

คำ TF
ความโกร
(Words) ความสขุ (Anger)

(Happiness) 1/7 = 0.142857
0/7 = 0
เรา 1/7 = 0.142857 1/7 = 0.142857
1/7 = 0.142857
รัก 1/7 = 0.142857 0/7 = 0
1/7 = 0.142857
เกลยี ด 0/7 = 0 1/7 = 0.142857

มัน 0/7 = 0

สนบั สนนุ 1/7 = 0.142857

อี 0/7 = 0

มธสุ อน 1/7 = 0.142857

จากที่ตารางที่3.4 จะเห็นว่า TF-IDF ของคำทั่วไปมีค่าเท่ากับศูนย์
“สนบั สนนุ ” นั้นไมใ่ ชค่ ่าท่ีเป็นศูนย์ แสดงว่าคำเหล่าน้ีมคี วามหมายนัยสำคัญไ
, “เกลียด” น้ันไม่ใชค่ ่าทเ่ี ปน็ ศนู ยเ์ ชน่ เดยี วกัน แสดงวา่ คำเหลา่ นม้ี ีความหมาย

การคำนวณค่าความถี่และน้ำหนักของคำ สามารถที่จะนำผลลัพธ์ข
รปู แบบของคำแตล่ ะสภาพอารมณใ์ นขัน้ ตอนของการสอนใหเ้ ครื่องเรยี นรู้ (M

30

IDF TF-IDF

รธ ความสขุ ความโกรธ

) (Happiness) (Anger)

log (2/2) =0 0 0

log (2/1) =0.30103 0.043004 0

log (2/1) =0.30103 0 0.043004

log (2/1) =0.30103 0 0.043004

log (2/1) =0.30103 0.043004 0

log (2/1) =0.30103 0 0.043004

log (2/2) =0 0 0

ซึ่งแสดงว่าไม่มีนัยสำคัญกับอารมณ์นั้น ๆ ในทางกลับกัน TF-IDF ของคำว่า “รัก” ,
ไปในทิศทางของอารมณ์ความสุข (Happiness) และ TF-IDF ของคำว่า “อี” , “มัน”
ยนยั สำคญั ไปในทศิ ทางของอารมณค์ วามโกรธ (Anger)

ของความถี่ที่อยู่ในรูปแบบของข้อมูลเชิงเวกเตอร์ เพื่อสอนให้เครื่องเรียนรู้และจดจำ
Model Learning)

31

3.4 การวิเคราะห์ความต้องการของผใู้ ช้

แพทย์ผู้เชี่ยวชาญทางด้านสุขภาพจิต คลินิกเวชกรรมเฉพาะทางจิตเวชเด็กและวัยรุ่น
โรงพยาบาลสงขลานครนิ ทร์ ต้องการทจ่ี ะทราบข้อมลู ดังต่อไปนี้ 1) การแสดงความเหน็ หรือการโพสต์
ขอ้ ความต่อหนงึ่ ทวีตจะทำให้เกดิ อารมณ์ประเภทใดบา้ ง? 2) คา่ เฉล่ยี ของอารมณ์ในระยะเวลาหนึ่งวัน
จากการทวตี มแี นวโน้มในทิศทางใด?

จากการศึกษาพฤติกรรมของผู้ใช้สื่อสังคมออนไลน์ผ่านข้อความพบว่าข้อความส่วนใหญ่
สามารถแบ่งประเภทดังภาพที่ 1 ประกอบด้วย ความสุข (Happiness) ความโกรธ (Anger) ความ
เศร้า (Sadness) และความกลวั (Fear) โดยในแตล่ ะอารมณจ์ ะสอ่ื ความหมายดังต่อไปน้ี

3.4.1 ความต้องการด้านการระบสุ ภาพอารมณบ์ นส่ือสังออนไลน์

ประเภทที่ 1 : ความสขุ (Happiness)

ความสุขที่เป็นอารมณ์ท่ีผู้คนแสดงออกถึงความปรารถนาและอยากท่ีจะครอบครอง
จากการทวีตที่เกี่ยวกับเหตุการณ์นั้น ๆ ซึ่งความสุขสามารถแสดงออกได้หลากหลายรูปแบบ
เชน่ ความพึงพอใจ การหวั เราะ ปลาบปล้มื รวมไปถงึ ความสมหวงั จากส่ิงต่าง ๆ ท้งั ตอ่ ตนเอง
และคนรอบข้าง ความสุขเป็นสิ่งทำให้การดำเนินชีวิตนำไปสู่การมีสุขภาพจิตที่ดี ทำให้การ
พฒั นาตนเองการมีสมั พันธภาพทด่ี ีกับคนรอบขา้ งและสงั คม เช่น ขอ้ ความทวตี ทแี่ สดงออกถึง
การมีความสุข “เซอร์ไพรส์ มากที่รูว้ ่าแมช่ มเลือกเพลง พีพรี อ้ งดีมากจนนึกว่าเพลงโปรดเพลง
ถนัด ทำไมเกง่ ขนาดนีป้ ลมื้ ใจ”

ประเภทท่ี 2 : ความโกรธ (Anger)

ความโกรธเป็นการตอบสนองของผู้ใช้ต่อส่ิงท่ีไม่พอใจ ความโกรธจะมีคุณสมบัติที่
ตรงข้ามกับความสุข ความโกรธจะเป็นจุดเร่ิมตน้ ที่จะนำไปสู่ความเครียดไปจนถึงมีความทุกข์
ซึ่งจะนำไปการแสดงออกในลักษณะของความรุนแรง ความโกรธจะส่งผลร้ายต่อผู้คนทั้งต่อ
ตนเองและคนรอข้าง การปล่อยปละละเลยให้ความโกรธเกิดขึ้นนำไปสู่การสร้างความ
เสยี หายในระยะยาว

ประเภทท่ี 3 : ความเศรา้ (Sadness)

ความเศร้าเป็นสภาวะอารมณ์ของผู้ใช้ที่มีลักษณะของความผิดหวัง ความโศกเศร้า
ความสน้ิ หวัง และความแปรปรวนทางอารมณ์ ความเศรา้ คอื สิง่ ท่ที กุ คนสามารถพบเจอได้

32

เป็นครั้งคราว ในบางกรณีผู้คนอาจได้สัมผัสกับช่วงเวลาแห่งความเศร้าที่ยืดเยื้อและรุนแรง
ซึ่งสามารถเปลี่ยนไปเป็นภาวะซึมเศร้าได้ อาจจะทำให้การใช้ชีวิตประจำวันไม่มีความสุขอีก
ต่อไป ยกตัวอย่างข้อความทวีตที่แสดงถึงความเศร้า “นางงามไทยเวลาแข่งในบา้ นดูสง่า พอ
ไปเวทีโลกดูไมส่ ดใสเหมอื นกดดนั ตลอดเวลา จรติ เอกิ้ อา้ กก็ไมม่ ี ถึงมีก็ไมเ่ ป็นธรรมชาติ”

ประเภทที่ 4 : ความกลวั (Fear)

ความกลวั คือการผู้ใชม้ ีตอบสนองทางอารมณ์ตอ่ การคุกคามในทนั ทหี รือภัยคุกคามท่ี
คาดว่าจะเกิดขึ้น โดยทั่วไปแล้วความกลัวจะนำไปสู่ความกังวล ยกตัวอย่างข้อความทวีตท่ี
แสดงถึงความกลัว “น่ากลัวอะ รู้ว่ามคี นติดโควดิ แต่ยงั จับขังรวม ไม่ต่างกบั การจงใจเพาะเช้ือ
เลยนะ แล้วติดกันเป็นหลายร้อยคน ไม่ได้รับการรักษา แถมภูมิคุ้มกันน่าจะไม่มีกันด้วย เขา
จงใจเลยี้ งไขโ้ ควิดชัดๆเลยอะ”

การวิเคราะห์แนวโน้มสภาพอารมณ์จากข้อความจำนวนมากที่ผู้ใช้งานบนสื่อสังคมออนไลน์
ได้ทวีตนั้นมีแนวโน้มอารมณที่แตกต่างกันในแต่ละเหตุการณ์ที่เกิดขึ้น ซึ่งในแต่ละแนวโน้มสภาพ
อารมณ์จะมคี วามเส่ียงท่ีสง่ ผลตอ่ สขุ ภาพจติ ทแ่ี ตกตา่ งกัน

3.4.2 ความตอ้ งการด้านการวิเคราะห์แนวโนม้ สภาพอารมณ์

แพทย์ผู้เชี่ยวชาญทางด้านสุขภาพจิต คลินิกเวชกรรมเฉพาะทางจิตเวชเด็กและ
วยั รนุ่ ระบุการแสดงความเห็นต่อเหตุการณ์หนงึ่ ๆ บนสื่อสอ่ื สังคมไลน์นับเปน็ การขับเคล่ือน
สังคมในทิศทางใดทิศทางหนึ่ง และสภาพอารมณ์ของคนหมู่มากจะสะท้อนแนวโน้มการ
เคลื่อนไหวของสังคม เช่น อารมณ์โกรธสะท้อนความตึงเครียดของสังคมที่จะอาจจะกระทบ
เชิงอุปทานหมู่ (Mass Hysteria) ซึ่งจะสามารถแพร่กระจายอารมณ์ดังกล่าวออกไปในวง
กวา้ ง

การวิเคราะห์แนวโน้มสภาะอารมณ์สามารถแสดงผลการวิเคราะห์แนวโน้มสภาพ
อารมณข์ องผู้ใชส้ ่ือสงั คมออนไลน์ เป็นสีท่ีสามารถส่ือความหมายได้ ดงั ต่อไปนี้

สเี หลอื ง สภาพอารมณ์อยใู่ นเกณฑ์ทมี่ ีความสุข

สนี ำ้ เงิน สภาพอารมณอ์ ยูใ่ นเกณฑท์ ม่ี คี วามเศร้า

สีแดง สภาพอารมณอ์ ยใู่ นเกณฑท์ ม่ี ีความโกรธ

33

สเี ทา สภาพอารมณ์อยใู่ นเกณฑท์ ม่ี คี วามกลัว
ซึ่งแนวโน้มสภาพอารมณ์ดังกล่าวสามารถที่จะช่วยให้แพทย์ผู้เชี่ยวชาญทางด้าน
สุขภาพจิตหรือเจ้าหน้าที่ที่เกี่ยวข้องแนะนำแนวทางปฏิบัติเบื้องต้นเพื่อลดการเผชิญกับ
ปญั หาทางดา้ นจิตใจ

บทที่ 4

วธิ กี ารดำเนินโครงการ

วิธกี ารดำเนินโครงการมีเป้าหมายเพ่ือให้การพฒั นาระบบเป็นไปอย่างมีลำดบั แบบแผนและเป็นระบบ
ซึง่ จะส่งผลให้กระบวนการพฒั นาระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์
แบบอตั โนมัตเิ ป็นไปตามวัตถุประสงค์ โดยวธิ กี ารดำเนินโครงการของระบบมรี ายละเอยี ดดังนี้

4.1 สถาปัตยกรรมซอฟตแ์ วรข์ องระบบ
การพัฒนาระบบประเมินและวเิ คราะห์แนวโน้มสภาพอารมณ์ของผู้ใชส้ ่ือสังคมออนไลน์แบบอตั โนมตั ิ

โดยจะใชข้ อ้ มูลท่มี าจาก Twitter เพือ่ วิเคราะหแ์ นวโนม้ สภาพอารมณ์ของผู้ใชโ้ ซเชยี ลมเี ดยี โดยจะเน้นไปท่ีการ
วิเคราะห์อารมณ์ของคนรุ่นใหม่ท่ีมีการแสดงออกเชิงอารมณ์ต่อเหตุการณ์บ้านเมือง โดยระบบประเมินและ
วิเคราะห์แนวโน้มดังกล่าวจะมีองค์ประกอบพื้นฐานสำคัญ คือ 1) กระบวนการสอนให้เครื่องเรียนรู้งานเพ่ือ
แก้ปัญหา (Training Process) และ 2) การทดสอบกระบวนการเรียนรู้ดังกล่าวว่าเครื่องสามารถแก้ปัญหาได้
หรือไม่ (Testing Process) โดยขั้นตอนในองค์ประกอบพื้นฐานของกระบวนการสอนให้เครื่องเรียนรู้
(Training Process) จะประกอบไปด้วย การดึงข้อความจากฐานข้อมูลทวิตเตอร์ (Tweet Streaming) การ
ให้ผลเฉลยกับข้อความ (Tweet Labelling) กระบวนการเตรียมข้อมูล (Preprocessing) การสอนให้เครื่อง
เรียนรู้ (Model Learning) ในส่วนของกระบวนการทดสอบเครื่อง (Testing Process) จะมีกระบวนการดึง
การเตรียมข้อมูลจากฐานข้อมูลทวิตเตอร์ จากนั้นเข้าสู่กระบวนการทำนายอารมณ์ (Predicted Emotions)
โดยจะอาศัยตัวแบบจากขั้นตอนการเรียน และนำผลลัพธ์ดังกล่าวส่งไปยังขั้นตอน การแสดงผลอารมณ์
(Result Emotions Visualization)

Signals Tweet Streaming Transactions Preprocessing Vectors Model Learning
Labeled Entities Fitted Model
Textual Determining
Tweet Labelling Vectors
Texts Predicted Emotions
Signals Tweet Streaming Transactions Tokenization and
Noise Removal

Tokens
TF-IDF-based
Vectorization

ภาพท4ี่ . 1สถาปัตยกรรมระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผูใ้ ช้ส่อื สังคมออนไลน์แบบ
อัตโนมัติ

35

ผู้พัฒนาได้นำองค์ประกอบพื้นฐานเหล่านี้มาประยุกต์และออกแบบสถาปัตยกรรมให้สอดคล้องกับ
ระบบประเมินและวเิ คราะหแ์ นวโนม้ สภาพอารมณ์ของผใู้ ชส้ ือ่ สังคมออนไลน์แบบอตั โนมตั ิ ดังภาพท่ี4.1

จากภาพที่4.1 จะพบว่ากระบวนการของระบบจะสามารถแบ่งออกเป็น 2 ส่วนคือ 1) กระบวนการ
สอนให้เครื่องเรียนรู้งานเพื่อแก้ปัญหาจะแสดงองค์ประกอบด้วยเส้นประ และ 2) การทดสอบกระบวนการ
เรียนรู้ดังกล่าวว่าเครื่องสามารถแก้ปัญหาได้โดยจะแสดงด้วยเส้นทึบ การทำงานของแต่ละกระบวนการมี
รายละเอียดดงั ตอ่ ไปน้ี

4.1.1 กระบวนการสอนใหเ้ ครือ่ งเรยี นรู้งานเพอ่ื แก้ปัญหา (Training Process)
1. การดึงขอ้ ความจากฐานข้อมลู ทวิตเตอร์ (Tweet Streaming)

การดึงข้อความจากฐานข้อมูลทวิตเตอร์เป็นขั้นตอนในการดึงข้อความที่มีการแสดงความ
คิดเห็นต่อประเด็นต่าง ๆ ที่เกิดขึ้น โดยข้อมูลเหล่านี้จะแสดงอยู่ในรูปแบบของภาษาธรรมชาติ เช่น
เช่น ข้อมูลทวีต “ไม่มีปัญญาจัดการอะไรสักอย่างตั้งแต่อยู่มาจนถึงปัจจุบันไม่มีประโยชน์อะไรเลยอี
ควาย ไม่มสี มองอเี ห้ียยย” ซึ่งข้อความดังกล่าวสามารถอ่าน วเิ คราะห์ และตีความโดยมนุษย์แต่เครื่อง
ไม่สามารถเขา้ ใจความหมายจึงไม่สามารถนำไปใช้ประประโยชน์ได้โดยตรง ดังนนั้ ขอ้ มูลดงั กล่าวจะถูก
สง่ ไปยังข้ันตอนถัดไปเพื่อระความหมาย

2. การกำกับผลเฉลยของขอ้ ความ (Tweet Labelling)

การกำกับผลเฉลยของข้อความทำหน้าที่เสมือนผู้สอน ผลเฉลยดังกล่าวมากจากการตีความ
ของผ้เู ชย่ี วชาญ ท้ังน้ขี อ้ มูลและผลเฉลยจะถูกนำไปใชเ้ พ่ือฝึกฝนเครื่องใหส้ ามารถจำแนกและแยกแยะ
สภาพอารมณ์ต่าง ๆ ได้ เช่น ข้อมูลตัวอย่างทวีต “ไม่มีปัญญาจัดอะไรสักอย่างตั้งแต่อยู่มาจนถึง
ปัจจุบันไม่มปี ระโยชนอ์ ะไรเลยอีควาย ไม่มีสมองอีเหี้ยยย” สามารถกำกับผลเฉลยหรือให้ความหมาย
ได้วา่ ผ้แู สดงความเหน็ มี “อารมณ์โกรธ”

3. กระบวนการเตรยี มขอ้ มลู (Preprocessing)

เป็นขั้นตอนสำคัญที่ช่วยให้ระบบเครื่องสามารถวิเคราะห์และตีความข้อมูลที่อยู่ในรูปของ
ภาษาธรรมชาติ ไปจนถึงการแยกแยะ จำแนกอารมณ์และความรู้สึกที่แฝงอยู่ในการสื่อสาร เพื่อให้
ข้อมูลเหล่านั้นสามารถนำไปประมวลผลได้อย่างมีประสิทธิภาพ โดยขั้นตอนนี้จะมีกระบวนการย่อย
การกำหนดขอบเขตของคำ (Textual Determination) ในโดเมนที่เกี่ยวข้อง การตัดคำตามขอบเขต
ดังกล่าว (Tokenization) และการลบคำขยะหรือคำที่ไม่สื่อความหมาย (Noise Removal) จาก
ตวั อย่างในข้างต้นสามารถตัดคำตามขอบเขตด้านอารมณ์เป็น “ไม่มีปัญญา | จดั การอะไร | สักอย่าง |
ตั้งแต่ | อยู่มา | จนถึง | ปัจจุบัน | ไม่มีประโยชน์ | อะไรเลย | อีควาย | ไม่มีสมอง | อีเหี้ยยย |” และ

36

เมื่อผ่านการลบคำที่ไม่สือ่ ความเชิงอารมณ์จะได้ “ไม่มีปัญญา | ไม่มีประโยชน์ | อีควาย | ไม่มีสมอง |
อเี ห้ียยย |”เป็นต้น

อยา่ งไรกต็ ามกล่มุ คำดงั กล่าวแสดงอยู่ในรูปของข้อความซง่ึ เคร่ืองไม่สามารถนำไปประมวลผล
ได้โดยตรง ดังนน้ั จำเปน็ ต้องเปลย่ี นข้อความของแตล่ ะอารมณ์ให้อยู่ในรูปแบบตวั เลขเชงิ เวกเตอร์ (TF-
IDF-based Vectorization) ซง่ึ เก็บความถี่ของคำและนำ้ หนักของคำดังกลา่ วทสี่ ง่ ผลต่ออารมณ์แต่ละ
แบบเพื่อให้ง่ายต่อเครื่องที่จะเรียนรู้และจำจำรูปแบบของแต่ละอารมณ์ตามความถี่และน้ำหนักที่
ปรากฏ

4. การเรียนรขู้ องเครื่อง (Model Learning)

การเรียนรู้ของเครื่องเป็นขั้นตอนการนำผลเวกเตอร์ความถี่ของคำและน้ำหนักที่อ้างอิงถึง
ข้อความจากทวิตเตอร์และเฉลยเข้าสูงอัลกอริทึมเพื่อให้เครื่องจดจำสภาพอารมณ์ต่าง ๆ โดย
อัลกอริทึมจะเรียนรู้และจดจำสภาพอารมณ์ 4 ประเภท ดังนี้ ความสุข (Happiness) ความโกรธ
(Anger) ความเศร้า (Sadness) ความกลวั (Fear)

ผลลัพธท์ ไี่ ด้จากกระบวนการสอนใหเ้ ครื่องเรยี นรู้งานเพือ่ แกป้ ญั หาเปน็ ตัวแบบการจดจำสภาพอารมณ์
(ML Model) ท่พี รอ้ มตอ่ การนำไปประยกุ ต์ใช้เพ่ือพยากรณ์ในระบบอัตโนมตั ิ

4.1.2 กระบวนการทดสอบประสิทธิภาพการทำงานของเคร่อื ง (Testing Process)
กระบวนการทดสอบประสิทธิภาพการทำงานของเครื่องจะมีหลักการทำงานเหมือนกระบวนการการ

เรียนรู้ของเครื่อง ประกอบด้วย 2 ส่วนคือ 1) การให้เครื่องทำนายอารมณ์ (Predicted Emotions) 2) การ
แสดงผลอารมณ์ (Result Emotions Visualization) โดยจะมีรายละเอยี ดดงั ตอ่ ไปน้ี

1. การใหเ้ ครื่องทำนายอารมณ์ (Predicted Emotions)

โดยในข้ันตอนการทำนายจะอาศัยตวั แบบที่ได้จากกระบวนการการเรียนรขู้ องเครื่อง ตัวแบบ
ดังกล่าวจะทำนายสภาพอารมณ์จากข้อความที่มีการแสดงความคิดเห็นผ่านทวิตเตอร์ได้ ซึ่งจะอิง
ความรู้จากผู้เชี่ยวชาญที่ได้สอนผ่านการกำกับผลเฉลยของข้อความ ยกตัวอย่างหากระบบสามารถ
ประเมนิ และวเิ คราะหแ์ นวโน้มสภาพอารมณข์ องผ้ใู ช้ จากขอ้ ความในตารางท่ี 4.1 ดงั นี้

37

ตารางท4่ี . 1 ตวั อย่างการพยากรณ์อารมณ์จากข้อความ

ขอ้ ความ ผลการพยากรณ์

“ไล่อยู่ทุกวัน ชี้ให้เห็นความเน่าเฟะความยอดแย่ของรัฐบาลชุดนี้ พวก ความโกรธ (Anger)
พรรคการเมืองดีแต่ปากก็เยอะ ปากบอกอยากพัฒนา แตโ่ หวตใหเ้ ผด็จการ
อยู่ต่อคืออะไร ไม่เคยเห็นจะสนับสนุนคนรุ่นใหม่ มีแต่กดให้ต่ำ พอเด็กเขา
ไม่ยอมก็บอกเป็นเด็กไม่ดี เห็นแต่ผลประโยชน์ตัวเองทั้งนั้น บ้าอำนาจ ผู้
ใหญ่หว่ ยๆ”

“เราแคโ่ ชคร้ายทเ่ี กดิ มาเปน็ คนไทยในยุคไอเห้ยี ตู่” ความเศรา้ (Sadness)

2. การแสดงผลอารมณ์ (Result Emotions Visualization)

เป็นการนำเสนอบทสรุปเชิงความหมายจากการดึงข้อมูลบนทวิตเตอร์ในช่วงเวลา 1 วัน ซึ่ง
การแสดงผลดังกล่าวอาจอยู่ในรูปเเบบของ Dashboards เช่น สัดส่วนเปอร์เซ็นของอารมณ์ความ
โกรธและอารมณ์เศรา้ ในรอบหนึง่ วนั ท้ังน้เี พ่ือเป็นประโยชนต์ อ่ ผ้เู กี่ยวข้องสามารถมองเห็นทศิ ทางและ
แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์และนำไปสู่การวางแผนและรับมือกับสภาพอารมณ์
ของผใู้ ชเ้ พอื่ ป้องกนั ความรุนแรงที่จะเกดิ ขึ้นในอนาคต

การพัฒนาระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอตั โนมตั ิ
จำเป็นต้องสอนให้เครื่องเรียนรู้และจดจำอารมณ์จากข้อมูล ดังนั้นในหัวข้อถัดไปจะนำเสนอขั้นตอนการ
กำหนดค่าเพอ่ื ทำการดงึ ขอ้ ความจากฐานข้อมลู ของทวิตเตอร์โดยมรี ายละเอยี ดดังต่อไปนี้

4.2 การดงึ ข้อความจากฐานข้อมูลทวติ เตอร์ (Tweet Streaming)
การดึงข้อความจากฐานข้อมูลทวิตเตอร์ของระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของ

ผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ จะต้องอาศัย Twitter API (Application Programming Interface) ซึ่ง
เป็นโปรแกรมประยุกตท์ ี่ช่วยให้นักพัฒนาโปรแกรมสามารถเข้าถึงฐานข้อมูลของ Twitter ได้ โดยใช้ tweepy
เปน็ Twitter API ที่ผู้พฒั นาสามารถใช้งานผ่านสว่ นเสริมไลบรารีของ Python โดยขั้นตอนดงั กล่าวแบ่งอออก
เป็น 2 ส่วน คือ 1) การเข้าถึงฐานข้อมูลของทวิตเตอร์ (Twitter App) 2) การดึงข้อความจากทวิตเตอร์
(Tweet Streaming)

38

Cloud-based Computing

(Twitter Platform)

Twitter Developer
Identification

Key Configuration Tweet Gathering Twitter Transactions

Python-based Development

(Dev Platform)

ภาพท4ี่ . 2 ข้นั ตอนการดึงข้อความจากฐานข้อมลู ทวติ เตอร์

จากภาพที่4.2 จะพบว่าขั้นตอนในการดึงข้อความจากฐานข้อมูลทวิตเตอร์แบ่งออกเป็น 2 ส่วน โดยมี
รายละเอียดของแต่ละข้นั ตอนดังต่อไปนี้

1 การระบุตัวตนผ่านรหัส (Key Configuration)

ขอ้ มลู ตา่ ง ๆ บน Twitter มีความละเอียดออ่ นทางด้านลิขสทิ ธ์ิและเสรภี าพของผู้โพส ดงั น้นั การเข้าถึง
ข้อมูลจึงไม่สามารถกระทำได้โดยคนทั่วไป โดยการเข้าถึงข้อมูลจะต้องได้รับหนังสือรับรองจาก Twitter เพื่อ
เปลยี่ นสถานะเป็นสว่ นหน่งึ Twitter Developer Team ซ่ึงจะสามารถเขา้ ถงึ ขอ้ มลู ต่าง ๆ ได้

สถานะ Twitter Developer จะต้องระบุตัวตันผา่ นรหัสเฉพาะ (Authentication codes) ซึ่งจะเป็น
การยนื ยนั สถานะตัวตนในการใช้ข้อมูลใหเ้ ป็นไปตามวัตถุประสงค์ เชน่ นกั วเิ คราะห์ข้อมูลเพื่อการนักวิจัย เพื่อ
ธุรกิจ หรือเพื่อการเมืองและสังคม การยืนยันตัวตนเพื่อเข้าถึงข้อมูลจะอาศัยรหัสสำคัญ ดังแสดงในตารางท่ี
4.2

ตารางท่ี4. 2 การระบุตัวตนผ่านรหัสเพื่อเข้าถึงข้อมูลด้วยสถานะ Twitter Developer Team

ท่ี รหัส คำอธิบาย

1. API Key การระบุช่ือและประเภทผูใ้ ช้งาน

2. API Key Secret การระบรุ หสั ผา่ นของผูใ้ ช้งาน

3. Access Token การระบชุ ือ่ และประเภทผู้ใช้งานรว่ มกบั บัญชี Twitter

4. Access Token Secret การระบรุ หสั ผ่านของผู้ใช้งานร่วมกบั บญั ชี Twitter

5. Bearer Token การระบุสถานะโปรเจกต์ในการเข้าถึงข้อมูล

39

จากตารางที่4.2 รหัสต่าง ๆ จะเชื่อมไปยังกระบวนการประมวลผลบนก้อนเมฆของ Twitter โดย
ผู้พัฒนาจะส่งข้อมูลผ่านข้อตกลง (Protocol) ผ่าน tweepy พัฒนาด้วยภาษา Python เมื่อการระบุตัวตน
ถกู ตอ้ งแลว้ ผู้พฒั นาจะส่งพารามเิ ตอรท์ ่บี ง่ ช้ีสิทธก์ ารเข้าถงึ ข้อมลู ไปยังขนั้ ตอนการรวบรวมข้อมูล

2 การรวบรวมข้อมลู ทวติ เตอร์ (Tweet Gathering)

การรวบบวมข้อความจากฐานข้อมูลทวิตเตอร์สามารถกำหนดเงื่อนไขที่เกี่ยวข้องกับประเด็นหรือ
เกี่ยวขอ้ งกบั หวั ขอ้ ท่ีสนใจ เชน่ กำหนดผ่านแฮช็ แทก็ (Hash Tag) หรอื คำสำคญั (Key Words) ตา่ ง ๆ

ในโครงการนี้จะอาศัยการรวบรวมข้อมูลแบบอัตโนมัติผ่านการกำหนดเงื่อนไขแฮชแท็กที่ได้รับความ
นิยม ในรอบ 24 ช่ัวโมง โดยจะกำหนดพื้นที่ของการใช้งานในประเทศไทย (ผ่านการกำหนด ละตจิ ดู ลองจิจูด)
และกำหนดเงื่อนไขจำเพาะคือ ข้อมูลต่าง ๆ จะอยู่ในรูปแบบของภาษาไทย ข้อมูลที่เกี่ยวข้องกับแฮชแท็กจะ
ถูกรวบรวมมากจากฐานข้อมูลบนก้อนเมฆมาจัดเก็บเป็นรายการในแฟ้มข้อมูล (Tweet Transaction) ที่จะ
ประกอบด้วย 7 คุณลักษณะ ได้แก่ 1) ข้อความทวีต 2) เวลา 3) รหัสการทวีต 4) ชื่อผู้ใช้บัญชี 5) จำนวน
ผู้ติดตาม 6) จำนวนคนที่ถูกใจทวตี 7) จำนวนการรีทวิต โดยตัวอย่างรายการขอ้ มูลท่ีรวบรวมได้จะแสดงไว้ใน
ตารางที่ 4.3

ตารางที่4. 3 ตวั อย่างรายการขอ้ มลู ทวีต
ท่ี รหัสการทวตี

1. 1457704160 รู้และ! ทำไม #ประยุทธ์ออกไป ถึงให้ปลูก #ผักชี 1 1 /

476920000 ในค่ายทหาร ทั้ง ๆ ที่ผักตัวอื่นก็ราคาแพงขึ้นมา 1:38

อย่างมาก #เดลินิวส์ #totล่ม #ม็อบ7พฤศจิกา64

#ม็อบ8พฤศจกิ า64

2. 1457700823 โอ้ยยยย นำ้ ทว่ มนนค่าาาา ระวังตวั กันด้วยนะคะ # 1 1 /

178250000 โหนกระแส #คลบั เฮาสt์ oxic #มอ็ บ7พฤศจกิ า64 1:25

3. 1457692162 ( นาทีที่ 15 : 54 เป็นต้นไป ) เหตุการณ์โดยรวม 11/

234060000 ตั้งแต่ ไทยรักไทย ถูกยุบพรรคไปจนถึงเหตุการณ์ 12:5

รัฐประหาร รัฐบาลทักษิณ ใน ปี 2549 ผู้บงการ

และผู้ที่อยู่เบื้องหลังคือ คนในวัง #คนอีสาน #

ยกเลิก112 #โหนกระแส #ม็อบ7พฤศจิกา64 #

มอ็ บ8พฤศจกิ า64

4. 1457677376 @VanillSoCool มันแค่อยากมาโกงเอาเงินก็งี้ 11/

737850000 แหละค่ะ #ม็อบ7พฤศจิกา64 11:5

... … ... ...

1000 1457384989 ขอบคุณอีสลิ่มที่ช่วยปั่นแท็ก แต่ซีนเหี้ยไปนะรู้ม้ัย 11/

771770000 #มอ็ บ7พฤศจกิ า64 4:30

40

เวลา ช่ือผู้ใช้บญั ชี จำนวน จำนวนการ จำนวนการ

/ 8 / 2 0 2 1 Value_Talk ผู้ตดิ ตาม กดถูกใจทวีต กดรีทวิต
8:49 PM
11801 1 4

/ 8 / 2 0 2 1 pomex189 0 3 6
0
5:33 PM

8/ 2021 PhiwanT 461 0

51:08 PM

8/ 2021 Reaperart2 12 0 0
52:23 AM
… … …
… 147 1 2
7/ 2021 Po1Coolboyzq
0:33 PM

41

จากตารางที่4.3 ตัวอย่างรายการข้อมูล ประกอบด้วย 7 คุณลักษณะ ดังนี้ 1) รหัสการทวีต
(ข้อมูลเอกลักษณ์) ที่สามารถอ้างถึงแหล่งข้อมูลบนแพลตฟอร์มทวิตเตอร์ โดยรหัสดังกล่าวจะมี
ขอ้ ความ 2) ทวตี ซึ่งเป็นอีกคุณลักษณะสำคัญท่ี 3) ผูใ้ ชบ้ ญั ชี จะแสดงความคิดเหน็ เกีย่ วกับเหตุการณ์
ต่าง ๆ โดยการบรรยายในข้อความดังกล่าวจะอาจแสดงออกถงึ สภาพจิตใจและอารมณข์ องผู้ใช้งาน ณ
ขณะเวลาหน่งึ โดยจะอาศยั คุณลักษณะท่ี 4) วันท่แี ละเวลาในการทวีตเปน็ ดัชนี อยา่ งไรก็ตามข้อมูลที่
รวบรวมไดไ้ ม่สามารถนำมาวิเคราะห์ได้ท้ังหมดเน่ืองจากบัญชตี า่ ง ๆ ของ ชื่อผู้ใช้ อาจะเป็นบัญชีทีไ่ ม่
มีความน่าเชื่อถือ เช่น ข้อความขยะหรือไม่สื่อความหมายจาก บอท หรือ ไอโอจากหน่วยงานรัฐบาล
(Government Information Operations) ทม่ี ีเจตนาบิดเบือนข้อเท็จจริงและทวีตข้อความที่ซ้ำซ้อน
ไม่สื่อความหมาย เป็นต้น ดังนั้นการพิจารณาทวตี ทีน่ า่ เชื่อถือจะต้องพิจารณาบัญชีผูใ้ ช้งานดงั กลา่ วมี
5) จำนวนผู้ติดตาม เช่น จำนวนผู้ติดตามมากกว่าหรือเท่ากับ 10 จึงจะสามารถบ่งบอกถึงความ
น่าเชื่อถือของบัญชีผู้ใช้งานได้ นอกจากนี้ทวีตทีม่ ี 6) จำนวนการกดที่ถูกใจ และ 7) จำนวนการรีทวติ
เช่น จำนวนการกดที่ถูกใจหรือจานวนการรีทวิตมากกว่าหรือเท่ากับ 5 จะสะท้อนความน่าเชื่อถือถึง
การเป็นที่ยอมรับในความเห็น โดยในโครงงานจะอาศัยคุณลักษณะทั้ง 7 ประการดังกล่าวในการคัด
กรองขอ้ ความท่นี า่ เชื่อถอื แบบอัตโนมตั ิการเง่อื นไขในขา้ งต้นซึ่งสามารถหลีกเล่ยี งข้อความขยะตา่ ง ๆ

4.3 การกำหนดผลเฉลยให้กบั ขอ้ ความทวีต (Tweet Labelling)
การกำหนดผลเฉลยทำหนาที่เสมือนผู้สอนเพื่อชี้นำให้ตัวแบบเรียนรู้กลุ่มคำชนิดใดสะท้อน

สภาพอารมณ์ประเภทใด โดยยึดหลักหลักการเช่นเดียวกันกับการเรียนรู้ของมนุษย์ เช่น เมื่อลูกใช้
ถ้อยคำยาบคายเช่น | อีควาย | ไม่มีสมอง | อีเหี้ยยย | แล้วพ่อแม่จะให้ความหมายได้ว่าลูกกำลังมี
“อารมณ์โกรธ” ซึ่งจะนำไปสู้แนวทางการสอนวธิ ีการจัดการกับอารมณ์ดังกล่าวต่อไปได้ ในโครงงานนี้
ข้อมูลจากทวีตจะมีผู้เชี่ยวชาญร่วมกำกับความหมายของคำเสมือนเป็นผู้สอนตัวแบบของเครื่องให้
สามารถเรียนรู้และแบง่ แยกอารมณ์ในทิศทางเดียวกับมนุษย์ ตวั อย่างการให้ความหมายหรือกำกับผล
เฉลยจะสอดคล้องกบั ตัวอย่างใน ตารางท่ี 4.1

ข้อมูลและผลเฉลยในข้างต้นจะอยู่ในรูปแบบของภาษาธรรมชาติ มนุษย์สามารถที่จะอ่าน
และวิเคราะห์ได้ แต่เครื่องไม่สามารถที่จะเข้าใจความหมายของข้อมูลดังกล่าวได้ จึงต้องนำข้อมูล
เหล่าน้นั มาประมวลผลในกระบวนการถัดไป

4.4 กระบวนเตรียมขอ้ มลู (Data Preprocessing)
ขน้ั ตอนของการเตรียมข้อมูลเพื่อท่ีจะให้ระบบเคร่ืองสามารถทีจ่ ะวิเคราะห์และตีความข้อมูล

ที่อยู่ในรูปแบบของภาษาธรรมชาติ โดยจะผ่านกระบวนการย่อยต่าง ๆ เพื่อที่จะให้การประมวลผล

42

ขอ้ มูลมปี ระสทิ ธภิ าพมากยิ่งขน้ึ ซง่ึ ประกอบดว้ ย 3 ขัน้ ตอนดังนี้ 1) การกำหนดขอบเขตของคำ (Data
Determining) 2) การตัดคำตามขอบเขตและการลบคำขยะหรือคำที่ไม่สื่อความหมาย
(Tokenization and Noise Removal) 3) การคำนวณค่าความถี่และนำ้ หนกั ของคำ (TF-IDF-based
Vectorization) โดยรายละเอียดของกระบวนการย่อยต่าง ๆ ดังระบุในหัวข้อ 3.3 การเตรียมข้อมูล
(Data Preparation)
4.5 การเรยี นรู้และการทำนายของเครือ่ ง (Machine Learning and Prediction)

การเรียนรู้และการทำนายของเครื่องในระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์
ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ ซึ่งจะมีขั้นตอนการเรียนรู้ของเครื่องเพื่อให้สามารถทำนาย
ขอ้ ความจากทวติ เตอร์ โดยจะแสดงดงั รปู ภาพท4่ี .3 ดงั น้ี

ภาพท4ี่ . 3 การเรียนรู้และการทำนายของเคร่ือง

จากภาพที่4.3 การเรียนรู้และการทำนายของเครื่อง จะมีกระบวนการ 3 ขั้นตอน คือ ส่วน
การนำเข้า (Input) ส่วนของกระบวนการ (Process) และส่วนของผลลัพธ์ (Output) โดยมี
รายละเอยี ดดงั นี้

1.สว่ นการนำเข้า (Input) เปน็ การนำข้อความทีม่ ีการแสดงความคิดเห็นหรืออารมณ์ผ่านทวิต
เตอร์ เพือ่ ที่จะทำนายและวเิ คราะห์อารมณจ์ ากข้อความ

2.ส่วนของกระบวนการ (Process) เป็นการใช้ ML เพื่อการจดจำอารมณ์ โดยเลือกใช้โมเดล
7 ตัว เพื่อใช้ในการเรียนรู้และการทำนายของเครื่อง ซึ่งในการทำนาย (predict) ข้อความที่มีการ
นำเข้ามา (Input) แตล่ ะคร้ังจะเลือกใช้โมเดลตัวทีด่ ีทีส่ ุดจากการทดสอบประสิทธภิ าพของโมเดล โดย
รายละเอยี ดคา่ พารามิเตอร์ทใ่ี ชใ้ นการสร้างโมเดลแตล่ ะตวั น้ันจะปรากฎในภาคผนวก

43

3.ส่วนของผลลัพธ์ (Output) ผลลัพธ์ที่ได้จากการเรียนรู้ของเครื่องในการจดจำอารมณ์และ
การทำนายข้อความนั้น จะแบ่งอารมณ์ออกเป็น 4 ประเภท คือ ความสุข (Happiness) ความเศร้า
(Sadness) ความโกรธ (Anger) และความกลวั (Fear)

4.6 การออกแบบสว่ นแสดงผล (Output Design)
การแสดงผลของระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใ

รูปแบบของ Dashboard โดยมีการแสดงผลแนวโน้มสภาพอารมณ์ 4 ประเภท ประก
และความกลัว (Fear) จากการโพสต์หรอื แสดงความคิดเห็นในรอบหน่ึงนาทีและมีกา
ส่วนแสดงผล ดงั ภาพตัวอย่างการแสดงผลดงั ต่อไปน้ี

1) การแสดงผลของเทรนทวติ เตอร์
ภาพท4่ี . 4 การแสดงผลแนว

44

ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ จะแสดงผล ผ่าน Web Application ใน
กอบด้วย ความสุข (Happiness) ความโกรธ (Anger) ความเศร้า (Sadness)
ารแสดงค่าเฉล่ียแนวโน้มสภาพอารมณ์ในรอบหนึ่งวัน ซึ่งผู้พัฒนาได้ออกแบบ

2) การแสดงผลอารมณ์ของความโกรธ
วโน้มสภาพอารมณ์

45

จากภาพที่4.4 ในส่วนของภาพตัวอย่างที่ 1) เป็นการแสดงเหตุการณ์ที่เกิดขึ้นในประเทศไทยที่
กำลังเป็นท่ีนยิ มอยูใ่ นขณะนั้น ซึ่งผู้ใช้ (User) สามารถที่จะเลือกเกี่ยวกบั ประเด็นเหตุการณ์ท่ีสนใจได้
จากเเฮชเเทกตา่ งๆได้

ในสว่ นของภาพตวั อย่างที่ 2) เป็นการแสดงแนวโน้มสภาพอารมณ์ของผู้ใช้ส่ือสังคมออนไลน์แบบ
อัตโนมัติ ผลที่แสดงจะได้จากการวเิ คราะห์ในส่วนท่ีเป็นข้อความจากแฮชแทกทวติ เตอร์ โดยที่แพทย์
ผู้เชี่ยวชาญทางด้านสุขภาพจิตหรือเจ้าหน้าที่ที่เกี่ยวข้องสามารถติดตามผลสภาพอารมณ์ได้ภาพรวม
ของการแสดงผลมี 2 ส่วน คือ 1) การแสดงผลแนวโน้มสภาพอารมณ์จากการโพสต์หรือแสดงความ
คิดเห็นในรอบหน่ึงนาที 2) การแสดงค่าเฉลี่ยแนวโนม้ สภาพอารมณ์ในรอบหน่ึงวัน โดยมีรายละเอยี ด
ดงั ตอ่ ไปนี้

จากผลของการแสดงสภาพอารมณ์จะสื่อให้แพทย์ผู้เชี่ยวชาญทางด้านสุขภาพจิตหรือ
เจ้าหน้าที่ท่ีเก่ียวข้องสามารถมองเหน็ สภาพอารมณ์ที่เกิดจากการแสดงความคิดเห็นผ่านแฮชแท็กนัน้
ๆ ยกตัวอยา่ งขอ้ ความทวีต “น่ากลัวอะ รู้วา่ มีคนตดิ โควิดแต่ยังจับขังรวม ไม่ตา่ งกบั การจงใจเพาะเชื้อ
เลยนะ แล้วตดิ กันเปน็ หลายร้อยคน ไมไ่ ดร้ ับการรักษา แถมภมู ิค้มุ กนั นา่ จะไมม่ ีกันด้วย เขาจงใจเล้ียง
ไข้โควิดชัดๆเลยอะ #เรือนจำกระบี่” ซึ่งข้อความทวีตดังกล่าวจัดอยู่ในสภาพอารมณ์ที่บ่งบอกถึง
ความกลัว ผ่านแฮชแท็ก #เรือนจำกระบ่ี

• แสดงค่าเฉลีย่ ของอารมณ์ในระยะเวลาหน่งึ วนั

จากส่วนของการแสดงความคิดเห็นผ่านแฮชแท็ก #เรือนจำกระบี่ ที่ได้กล่าวมาข้างต้นน้ัน
แพทย์ผู้เชี่ยวชาญทางด้านสุขภาพจิตหรือเจ้าหน้าที่ที่เกี่ยวข้องสามารถติดตามผลค่าเฉลี่ยที่เกิดจาก
แฮชแทก็ นั้น ๆ ในรอบหนง่ึ วัน เพอ่ื มองเห็นแนวโน้มสภาพอารมณ์ท่ีเกดิ ขนึ้ จากเหตกุ ารณน์ ้ัน ๆได้

บทท่ี 5

การพัฒนาโมเดลและโปรแกรมประยกุ ต์

เมื่อดำเนินการในขั้นตอนของการเตรียมข้อมูล (Data Preprocessing) และการจำแนกคำ
ออกตามประเภทอารมณ์ต่าง ๆ ได้แล้ว ดัง ที่ ได้อธิบายไว้ในบทท่ี3 หัวข้อ3.3 ขั้นตอนต่อไปเป็นการ
พฒั นาโมเดล และ การพฒั นาโปรแแกรมประยกุ ต์

5.1 การพฒั นาโมเดล
สำหรับการจัดทำโครงการนี้มีการพัฒนาโมเดลที่มีการควบคุมผ่านภาษาไพทอน โดยการ

ประยุกต์ใช้การเรยี นร้ขู องเครือ่ งผ่าน Scikit-Learn เพ่อื เปน็ เทคโนโลยใี นการกำหนดชดุ คำสง่ั ใหเ้ ครื่อง
เรยี นรูแ้ ละจดจำรปู แบบอารมณ์ตา่ ง ๆ ของ ผู้ใช้สอ่ื สงั คมออนไลนบ์ น Twitter ทสี่ ื่อสารกันในรูปแบบ
ข้อความ โดยผลลัพธ์ที่ได้จาก Scikit-Learn คือตัวแบบ ที่สามารถรู้จำอารมณ์และสามารถนำไป
วเิ คราะห์อารมณข์ องขอ้ ความทจ่ี ะเกิดขน้ึ ในอนาคตได้

5.1.1 การสรา้ งโมเดล (Modeling)
การสรา้ งโมเดล ML ของระบบประเมนิ และวิเคราะหแ์ นวโน้มสภาพอารมณ์ของผู้ใช้ส่ือสังคม
ออนไลน์แบบอัตโนมัติ จะมีการใช้ชุดข้อมูล (Dataset) ที่ได้ผ่านขั้นตอนการเตรียมข้อมูลดังที่ได้
อธิบายไว้ในบทที่ 3 หัวข้อ 3.3 เพื่อที่จะใช้ในกระบวนการสอนให้เครื่องเรียนรู้ (Training Process)
และกระบวนการทดสอบประสิทธิภาพการทำงานของเครื่อง (Testing Process) โดยทางผู้พัฒนาได้
เลือกใช้ 10 Fold Cross Validation เพื่อที่จะแบ่งชุดข้อมูลให้โดยอัตโนมัติเพื่อใช้ในการสอนโมเดล
และ ทดสอบประสิทธิภาพของโมเดล ซึ่งขั้นตอนการเรียนรู้ของเครื่องจะประกอบจาก 3 ขั้นตอน
ด้วยกัน คือ 1) Input 2). Process 3). Output โดยรายละเอยี ดของข้นั ตอน ผู้พัฒนาได้อธิบายในบท
ที่ 4 หัวข้อที่ 4.5 การเรียนรู้และการทำนายของเครื่อง เพื่อใช้กระบวนการสอนและทดสอบ
ประสิทธิภาพการทำงานของเครื่อง เพื่อที่จะให้ผลลัพธ์ที่ได้จากการทดสอบนั้นมีประสิทธิภาพและ
คล้ายคลงึ กับการเรียนรขู้ องมนุษย์มากทส่ี ุด

5.1.2 การประเมนิ โมเดล (Evaluation)
การประเมินโมเดล (Evaluation) ถอื เปน็ สว่ นสำคัญของกระบวนการพัฒนาแบบจำลอง เพ่ือ
ประเมินว่าโมเดลที่ได้ทำการทดสอบกับเคร่ืองมีประสิทธิภาพมากพอทจี่ ะนำไปใช้ระบุตัวแบบโมเดลท่ี
ดที ่สี ดุ เพื่อนำโมเดลไปใชง้ านได้ (Deployment

47

ปัจจุบันในการประเมินโมเดล (Evaluation) จำเป็นจะต้องคำนวณหาค่าที่แท้จริง แต่
เน่ืองจากการคำนวณหาความถูกต้องและความแม่นยำของข้อมลู ที่มจี ำนวนมากนัน้ ทางผู้พัฒนาได้ใช้
ไลบรารี่ Scikit-learn มาช่วยในการคำนวนหาค่าต่าง ๆ ดังนี้ 1) Precision Score เพื่อทำการ
ตรวจสอบความแม่นยำของโมเดล 2) Recall Score เพื่อทำการตรวจสอบความถูกต้องของโมเดล
และ 3) F1 Score เพอื่ ทำการหาคา่ เฉล่ียของท้ัง Precision และ Recall

การฝึกฝนและประเมินตัวแบบจะอาศัยข้อมูลชุดแรกจำนวน 2,000 ชุด โดยสัดส่วนข้อมูล
ฝึกฝนและประเมินจะอาศัยการแบ่งวิธีการแบบ 10 Fold Cross Validation โดยผลทดสอบโมเดล
จากชดุ ขอ้ มลู ดงั กล่าวจะแสดงไดด้ งั ตารางที่ 5.1

ตารางท่ี5. 1 ตารางเปรยี บเทียบประสทิ ธิภาพของโมเดลในแต่ละอารมณ์จาก

Classes K-Nearest Neighbors Decision

Precision Recall F1- Precision Rec

score

anger 0.61 0.11 0.18 0.21 0.18

sadness 0.00 0.00 0.00 0.70 0.71

happiness 0.72 0.94 0.81 0.68 0.69

fear 0.85 0.84 0.84 0.00 0.00

Overall average 0.54 0.47 0.46 0.40 0.40

ตารางที่5. 2 ตารางเปรียบเทียบประสทิ ธภิ าพของโมเดลในแต่ละอารมณจ์ าก

Classes Support Vector Machine

anger Precision Recall F1-score Precis
sadness 0.71
happiness 0.84 0.82 0.83 1.00
fear 0.28
Overall average 0.72 0.93 0.81 0.78
0.69
0.65 0.12 0.20

0.00 0.00 0.00

0.55 0.47 0.46

48

กชุดข้อมูลจำนวน 2,000 ทวตี

Tree Naïve Bayes Support Vector Classifier

call F1- Precision Recall F1- Precision Recall F1-

score score score

8 0.20 0.48 0.10 0.17 0.65 0.09 0.16

1 0.71 0.86 0.77 0.82 0.77 0.85 0.81

9 0.68 0.70 0.94 0.80 0.72 0.91 0.80

0 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0 0.40 0.51 0.45 0.45 0.54 0.46 0.44

กชุดข้อมูลจำนวน 2,000 ทวตี (ต่อ)

Random Forest Stochastic Gradient Descent
sion Recall F1-score Precision Recall F1-score
0.68 0.94 0.79
0.85 0.77 0.83 0.74 0.79
0.04 0.08 0.67 0.09 0.16
0.10 0.14 0.00 0.00 0.00
0.80 0.79 0.55 0.44 0.43
0.45 0.45

49

จากตารางที่ 5.1 และ 5.2 เป็นตารางเปรียบเทียบประสิทธิภาพของโมเดลในเเต่ละอารมณ์
จากชุดข้อมูลจำนวน 2,000 ทวีต โดยจะเห็นจาก Overall average ของแต่ละโมเดลที่มีค่าความ
แม่นยำและความความถูกต้องในการพยากรณ์อารมณ์ของทุกอารมณ์ประมาณ 40%-46% และมาก
ที่สุดประมาณ55%-69% ซึ่งผลลัพธ์ที่ได้จากการทดสอบการทำงานของเครื่องนั้นอยู่ในเกณฑ์ที่ไม่
สามารถนำไปประยุกต์ใช้ในระบบจริง เนื่องจากชุดข้อมูลมีปริมาณของคลาสในชุดข้อมูลไม่สมดุลกัน
ซง่ึ จะเหน็ ได้จากคา่ F1-Score ของโมเดลแต่ละตวั ที่เฉล่ียของอารมณ์บางอารมณ์ มีคา่ เทา่ กบั 0

ผู้พัฒนาจงึ ต้องมกี ารจัดการชุดข้อมลู ด้วยเทคนิควธิ กี ารของ Over-sampling โดยการสุ่มเพ่ิม
ข้อมูลในคลาสที่มีจำนวนน้อย ให้มีจำนวนใกล้เคียงกับข้อมูลในคลาสที่มีจำนวนมาก เพื่อที่จะนำชุด
ข้อมลู (Dataset) ทผ่ี ่านเทคนคิ วธิ กี ารของ Over-sampling สอนใหเ้ ครื่องเรยี นรู้ (Training Process)
และทดสอบการทำงาน (Testing Process) อีกครั้ง ผลลัพธ์ที่ได้จากการทดสอบนั้นมีประสิทธิภาพ
โดยจะแสดงค่าทีไ่ ด้จากการทดสอบโมเดลจากชุดขอ้ มูลที่ผ่านเทคนคิ วิธีการของ Over-sampling ดัง
ตารางท่ี 5.3

ตารางที่5. 3 ตารางเปรียบเทียบประสทิ ธภิ าพของโมเดลในเเตล่ ะอารมณ์จากชุดข้อมูล

Classes K-Nearest Neighbors Decision Tree

Precision Recall F1- Precision Recall F

score sc

anger 0.82 0.87 0.85 0.79 0.73 0.7

sadness 0.98 1.00 0.99 0.79 0.89 0.8

happiness 0.79 0.81 0.80 1.00 1.00 1.0

fear 0.88 0.77 0.82 0.78 0.73 0.7

Overall average 0.87 0.86 0.86 0.84 0.84 0.8

ตารางที่5. 4 ตารางเปรียบเทียบประสทิ ธิภาพของโมเดลในเเตล่ ะอารมณ์จากชดุ ข้อมลู

Classes Support Vector Machine Ran
Precision
anger Precision Recall F1-score 0.87 0
sadness 0.88 0
happiness 1.00 1.00 1.00 0.80 0
fear 1.00 1
Overall average 0.83 0.81 0.82 0.89 0

0.80 0.89 0.84

0.90 0.79 0.84

0.88 0.87 0.87

50

ลที่ผา่ นเทคนิควธิ ีการของ Over-sampling

Naïve Bayes Support Vector Classifier

F1- Precision Recall F1- Precision Recall F1-

core score score

76 0.68 0.64 0.66 1.00 1.00 1.00

84 0.98 0.96 0.97 0.79 0.69 0.74

00 0.82 0.78 0.80 0.82 0.78 0.80

75 0.69 0.77 0.73 0.70 0.81 0.75

84 0.79 0.79 0.79 0.83 0.82 0.82

ลท่ีผา่ นเทคนิควธิ ีการของ Over-sampling (ต่อ)

ndom Forest Stochastic Gradient Descent
Recall F1-score Precision Recall F1-score
0.86 0.78 0.82
0.82 0.84 0.75 0.66 0.70
0.77 0.82 0.99 1.00 0.99
0.92 0.86 0.64 0.75 0.69
1.00 1.00 0.81 0.78 0.80
0.88 0.88

51

จากการตารางที่ 5.3 และ 5.4 เป็นตารางเปรียบเทียบประสิทธิภาพของโมเดลในเเต่ละ
อารมณ์จากชุดข้อมูลทีผ่ ่านเทคนิควิธีการของ Over-sampling ผลลัพธ์ที่ได้จากการทดสอบนั้นถือวา่
อยใู่ นเกณฑท์ น่ี ่าพอใจ

จากการใช้ Over-Sampling Method ทำให้สรุปได้ว่าความไม่สมดุลของชุดข้อมูลมีผลต่อ
การเรียนรูข้ องเครอ่ื งอย่างเห็นได้ชัด อย่างไรกต็ าม Over-Sampling Method เปน็ เพียงการสุ่มข้อมูล
ซ้ำซึ่งอาจจะไม่สอดคล้องกับสภาพปัญหาที่แท้จริง เพื่อให้ตัวแบบการเรียนรู้มีความถูกต้องตามความ
เป็นจริงมากที่สุดทางผู้พัฒนาจึงมีการเก็บข้อความทวีตเพิ่มอีกจำนวนหนึ่งเพื่อใช้ในการสอนและการ
ทดสอบเคร่อื ง เพอ่ื ให้คลา้ ยคลึงกบั การเรยี นรู้ของมนุษย์มากทีส่ ุด โดยจะแสดงค่าท่ไี ดจ้ ากการทดสอบ
โมเดลจากชุดขอ้ มลู ดงั ตารางที่ 5.5

ตารางที่5. 5 ตารางเปรียบเทียบประสทิ ธภิ าพของโมเดลในเเตล่ ะอารมณ์จากชุดข้อมลู

Classes K-Nearest Neighbors Decision Tree

Precision Recall F1- Precision Recall F

score sc

anger 0.82 0.72 0.77 0.76 0.66 0.7

sadness 0.89 0.90 0.89 0.76 0.82 0.7

happiness 0.75 0.81 0.78 0.86 0.87 0.8

fear 0.96 1.00 0.98 0.97 1.00 0.9

Overall average 0.86 0.86 0.86 0.84 0.84 0.8

ตารางที่5. 6 ตารางเปรียบเทียบประสทิ ธิภาพของโมเดลในเเตล่ ะอารมณ์จากชดุ ข้อมูล

Classes Support Vector Machine Ran
Precision
anger Precision Recall F1-score 0.80 0
sadness 1.00 1
happiness 0.78 0.83 0.80 0.77 0
fear 0.89 0
Overall average 0.80 0.77 0.79 0.87 0

0.91 0.90 0.90

1.00 1.00 1.00

0.87 0.87 0.88

52

ลทเ่ี กบ็ เพ่ิมเตมิ

Naïve Bayes Support Vector Classifier

F1- Precision Recall F1- Precision Recall F1-

core score score

71 0.62 0.69 0.65 1.00 1.00 1.00

79 0.72 0.68 0.70 0.68 0.67 0.68

86 0.97 0.96 0.97 0.68 0.67 0.68

99 0.89 0.87 0.88 0.89 0.90 0.89

84 0.80 0.80 0.80 0.81 0.81 0.81

ลทเี่ กบ็ เพิ่มเติม (ต่อ)

ndom Forest Stochastic Gradient Descent
Recall F1-score Precision Recall F1-score
0.99 1.00 1.00
0.75 0.77 0.68 0.64 0.66
1.00 1.00 0.90 0.91 0.90
0.82 0.79 0.70 0.72 0.71
0.90 0.89 0.82 0.82 0.82
0.86 0.86

53

ภาพท5ี่ . 1การเปรยี บเทยี บ f1 score ของโมเดลในแตล่ ะอารมณ์
จากการตารางที่ 5.5 และ 5.6 เป็นตารางเปรียบเทียบประสิทธิภาพของโมเดลในแต่ละ
อารมณ์จากชุดข้อมูลที่ผู้พัฒนาได้เก็บข้อมูลเพิ่มเติม โดยจะเห็นจาก Overall average ของแต่ละ
โมเดลที่มีค่าความแม่นยำและความความถูกต้องในการพยากรณ์อารมณ์ของทุกอารมณ์ประมาณ
80% - 85% และมากที่สุดประมาณ 86% - 88% ซึ่งจะเห็นได้ถึงความแตกต่างของ Overall
average ของชดุ ข้อมลู แรกที่ได้มีการนำมาทดสอบเพ่ือประเมนิ โมเดล โดยจะเหน็ ถึงค่าเฉล่ียที่เพ่ิมขึ้น
จากการทดสอบชุดขอ้ มลู ประมาณ 40%
ภาพ ที่ 5.1 การเปรียบเทียบ F1-Score ของโมเดลในแต่ละอารมณจ์ ากชุดข้อมูลดงั กลา่ ว ซ่ึง
เห็นว่าคา่ F1-Score ของโมเดลแตล่ ะตัวท่เี ฉลยี่ ของท้ัง 4 อารมณพ์ บว่า โมเดลท่ีมีค่า F1-Score สูงสุด
แสดงว่ามีความแมน่ ยำเยอะสุด ณ ตอนทไ่ี ด้ทำการทดสอบโมเดลนั้น คือ Support Vector Machine
(SVM ) 0.88 ดังนั้นทางผู้พัฒนาจึงเลือกใช้ Support Vector Machine (SVM ) เป็นโมเดลที่ใช้ใน
งานจริง

54

5.1.3 การนำโมเดลไปใช้งาน (Deployment)
การนำโมเดลไปใช้งาน (Deployment) เป็นการเลือกใช้โมเดลที่มีค่าความแม่นยำสูงสุดจาก
การทดสอบประสิทธิภาพของโมเดลซึ่งก็คือ Support Vector Machine (SVM ) โดยทางผู้พัฒนาได้
เลอื กใช้ไลบรารี่ pickle เพอื่ ทจี่ ะเป็นตัวบันทึกโมเดลในการนำโมเดลไปใชง้ านจรงิ (Deployment)
5.2 การพฒั นาโปรแกรมประยกุ ต์
5.2.1 โครงสร้างของไฟล์โปรแกรม
เนื่องจากวัตถุประสงค์ของระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อ
สังคมออนไลน์แบบอัตโนมัติ ต้องการที่จะนำเสนอข้อมูลที่เป็นแบบเรียลไทม์ ทางผู้พัฒนาจึงได้
เลือกใช้เทคโนโลยี Cloud Base Real Time Processing ซึ่งเป็นเคร่ืองมอื ที่เอือ้ ต่อการนำขอ้ มูลที่ได้
จากการทำนายอารมณ์เพื่อทจ่ี ะสามารถแสดงผลแบบเรียลไทม์ ทำให้แพทย์ผู้เชย่ี วชาญได้ติดตามและ
วิเคราะห์ข้อมูล โดยทางผู้พัฒนาจึงได้เลือกใช้ Firebase ซึ่งเป็นเครื่องมือที่ถูกพัฒนาโดย Google
Plat from และ Firebase Real time Database เป็น NoSQL cloud database ที่เก็บข้อมูลใน
รูปแบบของ JSON และมีการ Sync ข้อมูลแบบ Real time กับทุกอุปกรณ์ที่เชื่อมต่อแบบอัตโนมัติ
ซึ่งมี Security Rules ที่ทำให้ผู้พัฒนาสามารถออกแบบเงื่อนไขการเข้าถึงไดต้ ามความต้องการ โดยท่ี
ผ้พู ฒั นาจะใช้ Hosting เป็นตวั ทจ่ี ะ Deploy อพั โหลดไฟล์ข้อมูลต่าง ๆ ท่ี อยใู่ นเครอื่ งท่ีได้มีการสร้าง
ไว้ เช่น HTML CSS JavaScript ขึ้นไปบน Server เพื่อที่จะแสดงผลในหน้า Web Application โดย
จะแสดงตวั อยา่ ง Domain ทีไ่ ด้มีการ Deploy Hosting เรียบร้อยแลว้ ดงั รปู ภาพท่ี 5.2

ภาพท่ี5. 2 ตวั อยา่ ง Domain ทีไ่ ด้มีการ Deploy Hosting

55

5.2.2 โครงสร้างของไฟล์ขอ้ มูล
การที่ผพู้ ัฒนาจะนำข้อมูลทเี่ กี่ยวกบั ข้อความทวิตแตล่ ะทวติ และการทำนายอารมณ์ที่เกิดจาก
ทวิตมาแสดงในรูปแบบเรียลไทม์ได้นั้น ทางผู้พัฒนาได้มีการออกแบบโครงสร้างของข้อมูลเพื่อที่จะ
นำไปแสดงผลในหน้า Web Application ของระบบประเมนิ และวิเคราะห์แนวโน้มสภาพอารมณ์ของ
ผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ โดยจะแสดงโครงสร้างของข้อมูลที่มีการจัดเก็บเป็น Real time
Database ดงั รูปภาพท่ี 5.3

ภาพท5ี่ . 3 โครงสร้างของข้อมลู ท่ีมีการจัดเกบ็ เป็น Real time Database
จากภาพที่ 5.3 โครงสร้างของข้อมูลที่มีการจัดเก็บเป็น Real time Database โดยจะมีการ
จัดเก็บข้อมูลต่าง ๆ ภายใต้ Root ที่ชื่อว่า Label_data ภายใน Root จะประกอบจาก Node ของ
วันที่และเวลาที่มีการดึงข้อมูลจากทวิตเตอร์ซึ่งจะประกอบด้วย 10 ลำดับเทรนด์ทวิตเตอร์ ณ ตอนท่ี
ทำการดงึ ข้อมูล โดยภายใน Node ของแฮชแทกประกอบดว้ ย รหสั การทวีต โดยองค์ประกอบสำคัญมี
รายละเอียดดงั น้ี
1. คุณลักษณะต่าง ๆ ที่ผู้พัฒนาต้องการดึงข้อมูล ซึ่งได้มีการระบุถึงรายละเอียดของ
คุณลักษณะตา่ ง ๆ ในหัวข้อที่ 4.2 การดงึ ข้อความจากฐานข้อมลู ทวติ เตอร์
2. อารมณท์ ่ีเกดิ จากการทำนายข้อความทวิตผ่านการเรยี นรขู้ องเครื่อง
โดยคุณลักษณะและการพยากรณ์เหล่านี้เป็นสารสนเทศที่พร้อมต่อต่อการนำไปแสดงผลให้
ผู้เกี่ยวข้องเข้าถึงเพื่อใช้ในการตัดสินใจ ดังนั้นผู้พัฒนาจึงนำสารสนเทศดังกล่าวมาแสดงผ่าน Web
Application ในหัวข้อถดั ไป

บทท่ี 6

สรปุ ผลการดำเนินงาน

6.1 สรปุ ผลการดำเนินงาน
ระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ

สามารถที่จะสกัดสารสนเทศที่ผู้คนได้แสดงความคิดเห็นต่อเหตุการณ์ต่าง ๆที่เกิดขึ้น ที่มีความ
เกี่ยวข้องกับสภาพอารมณ์ที่มีจัดหมวดหมู่ออกเป็น 4 อารมณ์ ประกอบด้วย 1.ความสุข 2.ความเศรา้
3.ความโกรธ 4.ความกลวั จากข้อมูลบน Twitter ได้

ระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ
สามารถพฒั นาตัวแบบ (Model) ที่นำมาใชใ้ นการวเิ คราะหส์ ารสนเทศ ที่มีความแมน่ ยำและคล้ายคลึง
กับการเรียนรู้ของมนุษย์มากที่สุด ซงึ่ จะทำให้แพทยผ์ ู้เช่ียวชาญทางดา้ นสุขภาพจิต หรือกระทรวงการ
พัฒนาสังคมและความมั่นคงของมนุษย์ สามารถนำไปสู่การวางแผนและรับมือกับสภาพอารมณ์ของ
ผู้ใช้ Twitter ท่มี ีการรับรูข้ ่าวสารตา่ ง ๆ หรอื การแสดงความคดิ เหน็ ตอ่ เหตุการณท์ เ่ี กดิ ข้นึ เพือ่ ป้องกัน
ความรุนแรงที่จะเกิดขึ้นในอนาคตได้ จากการทดลองในการประเมิณประสิทธิภาพโมเดลของระบบ
ประเมินและวิเคราะห์แนวโน้มภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ ได้มีการทดสอบ
หลายๆครงั้ แล้วปรากฎว่าคา่ F1-Score ของโมเดลแต่ละตัวที่เฉลยี่ ของทั้ง 4 อารมณพ์ บว่า โมเดลที่มี
ค่า F1-Score สูงสุดแสดงว่ามีความแม่นยำเยอะสุด ณ ตอนที่ได้ทำการทดสอบโมเดลนั้น คือ
Support Vector Machine (SVM ) 0.88 คิอเป็น 88% ดังนั้นทางผู้พัฒนาจึงเลือกใช้ Support
Vector Machine (SVM ) เป็นโมเดลที่ไปใช้งาน โดยจะเลือกใช้ไลบรารี่ pickle เพื่อที่จะเป็นตัว
บันทกึ โมเดลในการนำไปงานจริง

ระบบประเมินและวิเคราะห์แนวโน้มภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ
สามารถที่จะพัฒนาโปรแกรมประยุกต์เพื่อใช้ในการแสดงผลการวิเคราะห์ที่เป็นแบบเรี ยลไทม์ให้กับ
ผู้ใช้งานเพื่อให้สามารถติดตามและทราบถึงแนวโน้มสภาพอารมณ์ของผู้ใช้ Twitter ในรูปแบบของ
Web Application
6.2 ปญั หาในการดาํ เนินงาน

6.2.1 เนื่องด้วยภาษาที่ใช้ในทวิตเตอร์หรือเทรนด์จะมีการเปลี่ยนแปลงอยู่ตลอดเวลา จึง
ต้องมีการเกบ็ ขอ้ มลู ใหมอ่ ยเู่ ร่ือยๆเพ่ืออัปเดตให้เคร่ืองเรียนรู้ไดอ้ ย่างแมน่ ยำ

6.2.2 ค่าความแม่นยำที่ได้จากการทดสอบและประเมินโมเดลยังมีช่องว่างที่ยังไม่มี
ประสิทธภิ าพมากพอ จึงตอ้ งระมดั ระวงั ในการใชง้ าน

57

6.2.3 Web Application ในการแสดงผลความเรียลไทม์อาจจะยังมีความล่าช้า 1-2 นาที
ทไี่ ม่ตรงกับความตอ้ งการ เนือ่ งจากการใชแ้ พลตฟอรม์ ทฟ่ี รี จงึ มีข้อจำกัดในการแสดงผล

6.2.4 การใช้งานของ Web Application ไม่ครอบคลุมทุกอุปกรณ์ จะใช้ได้เฉพาะบน
คอมพวิ เตอร์และแอนดรอยดท์ ุกชนิด
6.3 ขอ้ เสนอแนะ

6.3.1 ควรเพิ่มชุดข้อมูลที่จะใช้สอนให้เครื่องเกิดการเรียนรู้และการทดสอบเครื่อง เพราะ
จะทำให้โมเดลทีเ่ ป็นตัววเิ คราะห์ขอ้ ความทวีต สามารถท่ีจะทำนายอารมณไ์ ด้แมน่ ยำย่ิงขึน้

6.3.2 ในการแสดงผลแบบเรียลไทม์อาจจะต้องมีค่าใช้จ่ายในการซื้อ service เพื่อที่จะให้
การแสดงผลตรงตามความต้องการ

6.3.3 ระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบ
อัตโนมัติ เหมาะแกก่ ารใชร้ ะบบในพ้นื ที่ ทอี่ ินเทอรเ์ นต็ มีความเสถียร

6.3.4 ในอนาคตสามารถที่จะพัฒนา การใช้งานของ Web Application ให้ครอบคลุมทุก
อุปกรณ์

ฏ

บรรณานุกรม

ActiveState. ( 2021, October 9) . What Is Scikit- Learn In Python? Retrieved from
ActiveState: https://www.activestate.com/

Chen J , Hu R , Chen C , Zheng C , Su Y , & Zhu T Xue J. (2020). Twitter Discussions
and Emotions About the COVID- 1 9 Pandemic: Machine Learning Approach.
Journal of medical Internet research, 22(11), e20550.

Cherry, K. (2021, October 9). The 6 Types of Basic Emotions and Their Effect on Human
Behavior. Retrieved from verywellmind: https://www.verywellmind.com

Developer Platform. ( 2021, August 20) . Consuming streaming data. Retrieved from
Developer Platform: https://developer.twitter.com/

Garg, R. ( 2021, October 10) . 7 Types of Classification Algorithms. Retrieved from
Analytics India Magazine: https://analyticsindiamag.com/

Lawrence Robinson and Melinda Smith, M. (2021, August 15). Social Media and Mental
Health. Retrieved from helpguide: https://www.helpguide.org/

Nikhil Hedge,Allen S. Irudayaraj,Angelina A. Tzacheva Jaishree Ranganathan. (2018).
Automatic Detection of Emotions in. In Proceedings of the Workshop on
Opinion Mining, Summarization and Diversification (pp. 1-10).

Pinaki Chakraborty, M. P. S. Bhatia & Prabhat Mittal Anshika Arora. (2021). Role of
emotion in excessive use of Twitter during COVID- 1 9 imposed lockdown in
India. Journal of Technology in Behavioral Science, 6(2), 370-377.

POSITIONING. (15 August 2021). 4 เหตุผลที่คนไทยใช้ทวิตเตอร์. เข้าถึงได้จาก POSITIONING:
https://positioningmag.com/

Python . ( 2021, October 9) . What is Python? Executive Summary. Retrieved from
Python : https://www.python.org/

ฐ

Shumaila Nasir, Kishwar Nasim, Danial Shabbir, Ahsan Mahmood Hikmat Ullah Khan.
(2021). Twitter trends: A ranking algorithm analysis on real time data. Expert
Systems with Applications, 164, 113990.

Varun Syal,Sneha Padgalwar Bharat Gaind. (2019). Emotion Detection and Analysis on
Social Media. arXiv preprint arXiv:1901.08458.

Webwise. ( 2021, August 15) . Explained: What is Twitter? Retrieved from Webwise:
https://www.webwise.ie

WYNNSOFT SOLUTION CO,LTD. (20 February 2022). Wynnsoft-solution. เข้าถึงได้จาก
Wynnsoft-solution.com: https://www.wynnsoft-solution.net/th/article/view/80/

เบญจมาภรณ์ รุง่ สาง. (2563). ลกั ษณะของพฤติกรรมก้าวรา้ วในวัยรุน่ . การจดั การพฤติกรรมก้าวร้าว
ในวัยรุน่ , 94-98.

ธนศรีพนิชชัย, ส. (2021, October 9). บทที่ 5 ส่วนการจดั การส่ือประสานกบั ผู้ใช้ (User Interface
Management) . Retrieved from samawan Thanasripanitchai:
https://academic.udru.ac.th/~samawan/index.php#

วิชาการพัฒนาเว็บไซต์ทางธุรกิจเบื้องต้น BC10203. (20 February 2022). บทที่ 1 HTML (Hyper
Text Markup Language) , หน้า 1.

อาจารยเกรียงศักดิ์ จันทีนอก. (20 Febuary 2000). บทเรียนเกี่ยวกับภาษา JavaScript.
JavaScript, หนา้ 2.

ภาคผนวก

ภาคผนวก ก
ตารางแสดงคา่ พารามเิ ตอรข์ องโมเดล

ระบบประเมินและวิเคราะหแ์ นวโนม้ สภาพอารมณ์ของผู้ใช้สอื่ สังคมอ
โมเดล 7 ตัว เพ่ือใชใ้ นการเรียนรู้และการทำนายของเครื่อง ซึง่ ในการทำนาย
จากการทดสอบประสิทธภิ าพของโมเดล โดยรายละเอยี ดค่าพารามิเตอร์ของโ

ตารางแสดงคา่ พารามิเตอร์ท่ใี ชใ้ นการสรา้ งโมเดล

Algorithms Algorithms Scikit-learn
1.K-Nearest Neighbors KNeighborsClassifier

2.Decision Tree DecisionTreeClassifier

3.Naïve Bayes MultinomialNB

ณ

ออนไลนแ์ บบอตั โนมัติใช้ Machine Learning เพือ่ การจดจำอารมณ์ โดยเลือกใช้
ย (predict) ขอ้ ความที่มีการนำเขา้ มา (Input) แตล่ ะคร้ังจะเลือกใช้โมเดลตวั ทีด่ ที ี่สุด
โมเดลแต่ละตัวน้ันจะปรากฎดังตารางตอ่ ไปนี้

n Parameters Values
n_neighbors 25, 30, 35, 45
weights uniform, distance
leaf_size 25, 30, 35
criterion gini, entropy
splitter best, random
max_depth None, 90, 95, 100
max_features None, auto, sqrt, log2
random_state 25, 30, 35
fit_prior True, False

ตารางแสดงค่าพารามิเตอร์ทใ่ี ช้ในการสรา้ งโมเดล (ต่อ)

Algorithms Algorithms Scikit-learn
5. Support Vector Machine (SVM) svm.SVC

4.Support Vector Classifier (SVC) LinearSVC

6.Random Forest RandomForestClassifier

n Parameters ด
C
gamma Values
kernel 0.1, 1, 10, 100, 1000
loss 1, 0.1, 0.01, 0.001, 0.0001
multi_class rbf
fit_intercept hinge, squared_hinge
random_state ovr, crammer_singer
max_iter True, False
criterion 42
bootstrap
max_depth 900, 1000, 1100
max_features gini, entropy
n_estimators True, False
random_state 85, 90, 95, 100
sqrt, log2
60, 80, 90
42

ตารางแสดงค่าพารามเิ ตอร์ท่ใี ช้ในการสร้างโมเดล (ตอ่ )

Algorithms Algorithms Scikit-learn

7.Stochastic Gradient Descent (SGD) SGDClassifier

n Parameters ต
loss
penalty Values
alpha hinge', 'log', 'perceptron
early_stopping l2, l1
max_iter 0.0001, 0.0003, 0.0010
random_state True
1000, 1500
42

ถ

ประวตั ผิ ้จู ดั ทำ

ช่ือ นางสาว นริ วรรณ อุส่าห์การ
รหสั ประจำตวั 62105077
สำนักวิชา สารสนเทศศาสตร์
สาขา นวัตกรรรมสารสนเทศทางการแพทย์
วนั เดอื นปเี กดิ 29 เมษายน 2543
ท่ีอยู่ 8/5 หม.ู่ 1 ตำบลเกาะยาวใหญ่ อำเภอเกาะยาว จังหวัด พังงา 82160

ช่ือ นางสาว ดารารัตน์ ขันงัง่
รหัสประจำตัว 62103452
สำนักวิชา สารสนเทศศาสตร์
สาขา นวัตกรรรมสารสนเทศทางการแพทย์
วนั เดือนปเี กิด 3 สิงหาคม 2543
ท่ีอยู่ 40/3 หมู่ 4 ตำบลปากพนังฝั่งตะวนั ตก อำเภอปากพนัง จังหวดั นครศรีธรรมราช 80370