การพัฒนาโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนผ่านการรู้จำคำพูดโดยใช้การเรียนรู้เชิงลึก

จิระเมศร์ รุจิกรหิรัณย์

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/82686

Title:	การพัฒนาโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนผ่านการรู้จำคำพูดโดยใช้การเรียนรู้เชิงลึก
Other Titles:	Development of teachers’ emotional analysis model in classroom via speech recognition using deep learning
Authors:	จิระเมศร์ รุจิกรหิรัณย์
Advisors:	สิวะโชติ ศรีสุทธิยากร
Other author:	จุฬาลงกรณ์มหาวิทยาลัย. คณะครุศาสตร์
Issue Date:	2565
Publisher:	จุฬาลงกรณ์มหาวิทยาลัย
Abstract:	งานวิจัย เรื่อง การพัฒนาโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนผ่านการรู้จำคำพูดด้วยการเรียนรู้เชิงลึกมีวัตถุประสงค์ (1) เพื่อพัฒนาโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนจากการวิเคราะห์ความรู้สึกผ่านทางข้อความที่ได้จากกระบวนการรู้จำคำพูดโดยใช้การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก และ (2) เพื่อวิเคราะห์ความเหมาะสมของโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนที่ได้พัฒนาขึ้น ข้อความที่ใช้ในการพัฒนาโมเดลมีจำนวนทั้งสิ้น 23,974 ข้อความ เก็บรวบรวมจากแหล่งข้อมูล 2 แหล่ง ได้แก่ วีดิทัศน์การสอนของครูในชั้นเรียนรายวิชาสังคมศึกษา ศาสนาและวัฒนธรรม จำนวน 11 วีดิทัศน์ที่ได้รับการแปลงเป็นข้อความผ่านกระบวนรู้จำคำพูด และฐานข้อมูล Wisesight Sentiment Analysis ในการพัฒนาโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียน ผู้วิจัยใช้โมเดลการเรียนรู้ของเครื่อง 3 กลุ่ม ได้แก่ กลุ่มที่ 1 โมเดลกลุ่มที่มีการจัดกระทำข้อมูลก่อนการวิเคราะห์และทำการวิเคราะห์จำแนกอารมณ์ครูด้วยการเรียนรู้ของเครื่อง จำนวน 4 โมเดล กลุ่มที่ 2 โมเดลที่มีการสกัดคุณลักษณะจากข้อความด้วยการเรียนรู้เชิงลึกโดยใช้ autoencoder และมีการวิเคราะห์จำแนกอารมณ์ครูด้วยการเรียนรู้ของเครื่องจำนวน 4 โมเดล และกลุ่มที่ 3 โมเดลกลุ่มที่มีการจัดกระทำข้อมูลก่อนการวิเคราะห์และทำการวิเคราะห์จำแนกอารมณ์ครูด้วยการเรียนรู้เชิงลึก จำนวน 2 โมเดล ผู้วิจัยดำเนินการจัดเตรียมข้อความให้อยู่ในรูปแบบที่พร้อมสำหรับการนำไปวิเคราะห์ด้วยการสกัดคุณลักษณะจากข้อความด้วยวิธี TF-IDF และมีการลดจำนวนคุณลักษณะด้วยกระบวนการ Principle Component Analysis (PCA) แก้ไขปัญหาความไม่สมดุลกันของจำนวนข้อมูลในตัวแปรตามจึงใช้เทคนิค SMOTE และโมเดลทั้งสามกลุ่มมีการปรับแต่งไฮเพอร์พารามิเตอร์ของโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนด้วยวิธีการตรวจสอบไขว้ (Cross validation) การเปรียบเทียบประสิทธิภาพของโมเดลพิจารณาจากค่าดัชนี ความถูกต้อง ความแม่นยำ และความไวในการจำแนกกลุ่ม ผลการวิจัยที่ได้ พบว่า 1. จากทั้ง 3 กลุ่ม พบว่า โมเดล LSTM ที่มีการปรับไฮเพอร์พารามิเตอร์มีค่าความถูกต้องของโมเดลที่ใช้ในการจำแนกอารมณ์สูงที่สุด ร้อยละ 71 โดยมีความแม่นยำและความไวในการจำแนกกลุ่มทั้งสามประเภทโดยภาพรวมได้ดีที่สุด 2. โมเดลกลุ่มที่ 1 โมเดล Support Vector Machine ที่มีการกำหนดไฮเพอร์พารามิเตอร์ มีค่าความถูกต้องในการจำแนกอยู่ที่ 66% สำหรับโมเดลกลุ่มที่ 2 ที่ใช้โมเดล Multilingual Universal Sentence Encoder ในการสกัดคุณลักษณะควบคู่กับการจำแนกด้วยการเรียนรู้ของเครื่องของโมเดล Support Vector Machine และ โมเดล Logistic Regression ที่ปรับไฮเพอร์พารามิเตอร์แล้ว ทั้งสองโมเดลจำแนกมีค่าความถูกต้องใกล้เคียงกัน ประมาณร้อยละ 68 และโมเดลในกลุ่มที่ 3 พบว่า โมเดล LSTM มีค่าความถูกต้องในการจำแนกสูงที่สุด ร้อยละ 71 ซึ่งสูงที่สุดเมื่อเทียบกับทุกโมเดล
Other Abstract:	This study has 2 objectives. (1) To create a model for analysing teacher emotions in the classroom using machine learning and deep learning approaches to analyse the sentiment of text derived from speech recognition. (2) To assess the model's applicability for analysing teacher emotions in the classroom. A total of 23,974 text samples from two sources were used in the study. These contained 11 films of teachers teaching social studies, religion, and culture lessons that were transcribed using speech recognition technology and then turned into text. Additionally, data from the Wisesight Sentiment Analysis database was utilised. Three categories of machine learning models were used by the researchers: Group 1 consists of four models that preprocess data before analysis and categorise teacher emotions using machine learning techniques; Group 2 consists of four models that extract features from text using autoencoders and categorise teacher emotions using deep learning techniques; and Group 3 consists of two models that preprocess data before analysis and categorise teacher emotions using deep learning techniques. By using TF-IDF (Term Frequency-Inverse Document Frequency) to extract features from the text, the researchers prepared the text data for analysis. They also used Principal Component Analysis (PCA) to minimise the dimensionality of the feature set. They used the SMOTE approach to address the problem of unbalanced data. All three groups of models also underwent cross-validation hyperparameter tuning. On the basis of accuracy, precision, recall, and F1-score, the models' performances were compared in the study. These are the conclusions: 1. It was discovered that, out of the three groups, LSTM models with tuned hyperparameters had the highest accuracy for classifying emotions, coming in at 71%. Overall, these models performed well in terms of accuracy and F1-score. 2. In Group 1, Support Vector Machine (SVM) models with tuned hyperparameters achieved an accuracy rate of 66% for emotion classification. In Group 2, which combined SVM and Logistic Regression models with tuned hyperparameters for feature extraction, both models demonstrated similar performance with an approximate accuracy rate of 68%. In Group 3, LSTM models outperformed other models with the highest accuracy rate of 71%.
Description:	วิทยานิพนธ์ (ค.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565
Degree Name:	ครุศาสตรมหาบัณฑิต
Degree Level:	ปริญญาโท
Degree Discipline:	วิธีวิทยาการพัฒนานวัตกรรมทางการศึกษา
URI:	https://cuir.car.chula.ac.th/handle/123456789/82686
URI:	http://doi.org/10.58837/CHULA.THE.2022.789
metadata.dc.identifier.DOI:	10.58837/CHULA.THE.2022.789
Type:	Thesis
Appears in Collections:	Edu - Theses

Files in This Item:

File	Description	Size	Format
6380027227.pdf		3.38 MB	Adobe PDF	View/Open

Show full item record