การพัฒนาโมเดลการวิเคราะห์อารมณ์ครูในชั้นเรียนผ่านการรู้จำคำพูดโดยใช้การเรียนรู้เชิงลึก

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