การจำแนกประโยคภาษาไทยสำหรับการเรียนรู้แบบร่วมมือ

Thai sentence classification for collaborative learning.

Name: ธัญญรัตน์ น้อมพลกรัง

ThaSH: การประมวลผลภาษาธรรมชาติ (วิทยาการคอมพิวเตอร์)

ThaSH: การเรียนรู้ร่วมกัน

ThaSH: เหมืองข้อมูล

Abstract: การเรียนรู้แบบร่วมมือเป็นกิจกรรมการเรียนรู้ที่เน้นผู้เรียนเป็นศูนย์กลาง ด้วยการทำกิจกรรมกลุ่มร่วมกันผ่านการแสดงความคิดเห็น ซึ่งข้อความในการสนทนา สามารถแสดงถึงการปฏิสัมพันธ์ที่เกิดขึ้นภายในกลุ่ม ซึ่งมีข้อความที่ใช้สื่อสารอยู่ในรูปแบบที่ไม่แน่นอนทำให้ยากต่อการตีความ การวิเคราะห์ประโยคสนทนาสามารถช่วยให้การอธิบายรูปแบบการปฎิสัมพันธ์ที่ในกลุ่ม เพื่อนำไปใช้พิจารณาความก้าวหน้า ปัญหาระหว่างการทำงาน ซึ่งเป็นข้อมูลที่นำไปสู่การแนะนำข้อมูลที่จำเป็นต่อการทำกิจกรรม งานวิจัยนี้นำเทคนิคการทำเหมืองข้อความมาใช้ในจำแนกประเภทของประโยคสนทนาในกลุ่มการเรียนโดยแบ่งประโยคสนทนาตามหน้าที่ของประโยคออกเป็น 5 ประเภท คือ ประโยคบอกเล่าแบบประโยคความเดียว ประโยคบอกเล่าแบบประโยคความรวม ประโยคคำถาม ประโยคคำสั่งหรือขอร้อง และประโยคปฏิเสธ และเพื่อแก้ไขปัญหารูปแบบของข้อความสนทนาที่ไม่แน่นอน ในงานวิจัยได้นำเสนอกระบวนการในการจัดแบ่งประโยคในข้อความสนทนาก่อนนำไปจำแนกประเภทประโยค สำหรับการจำแนกประโยคนั้นได้มีการนำเทคนิคการทำเหมืองข้อความได้ถูกนำมาใช้ในการสร้างแบบจำลอง โดยแบบจำลองนำไปสู่การเปรียบเทียบประสิทธิภาพใน2 มิติ คือ มิติแรกเป็นการเปรียบเทียบประสิทธิภาพของการแทนคุณลักษณะของประโยคซึ่งมี2 รูปแบบคือ 1) ค่าความถี่ของคำกำกับหน้าที่2) ค่าความจริงของวลีสำคัญและค่าความถี่ของคำกำกับหน้าที่และมิติที่สองคือประสิทธิภาพของอัลกอริทึมที่ใช้ในการจำแนกประเภทประกอบด้วยซัพพอร์ตเวกเตอร์แมชชีน ต้นไม้ตัดสินใจ เนอีฟเบย์และเคเนียร์เนสเนเบอร์ โดยผลลัพธ์จากการวิจัยในมิติแรกนั่นแสดงให้เห็นการแทนคุณลักษณะของประโยคในรูปแบบที่ 2 มีประสิทธิภาพสูงกว่ารูปแบบที่ 1 ในทุกอัลกอริทึมและผลลัพธ์ในมิติที่สองเป็นการเปรียบเทียบประสิทธิภาพของอัลกอริทึมในการจำแนกประเภทซึ่งพบว่าอัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีนมีประสิทธิภาพสูงที่สุด รองลงมาคืออัลกอริทึมต้นไม้ตัดสินใจเนอีฟเบย์และเคเนียร์เรสเนเบอร์ตามลำดับ ในการทดลองใช้งานการวิเคราะห์ประโยคภาษาไทยสำหรับการเรียนรู้แบบร่วมมือ นั่นได้ทำการทดลองกับข้อความสนทนาในกลุ่มการเรียน โดยผลการวิเคราะห์ประโยคภาษาไทยสามารถนำไปใช้ในการแสดงรูปแบบการปฏิสัมพันธ์ในกลุ่มการเรียนรู้ ด้วยค่าความถี่ของประโยคสนทนาแต่ละประเภท โดยรายงานผลในสองระดับคือค่าความถี่ของประโยคในแต่ละกลุ่มและค่าความถี่ของประโยคที่สมาชิกกลุ่มแต่ละคนใช้ในการสื่อสารระหว่างการทำกิจกรรมการเรียนรู้ นอกจากค่าความถี่และยังสามารถแสดงข้อความสนทนาและประโยคย่อย เพื่อเป็นการแสดงให้เห็นข้อความที่ใช้ในการสื่อกสารที่จะนำไปสู่การแนะนำผู้เรียนระหว่างการทำกิจกรรมการเรียนรู้แบบร่วมมือต่อไป

Abstract: Online collaborative learning is a student-centered learning that students can express their opinions via an online discussion board. The discussion can reflect the collaboration behavior among them. However, such discussions do not have concrete patterns which make difficult of interpretations. The classification of discussion sentences on the board is an essential mechanism used to describe students’ interaction patterns, in order to consider the progress and/or the problems of collaboration. Text mining technic was used to classify the discussion sentences into 5 types, according to the sentence function, including declarative sentence, compound sentence, negative sentence, interrogative sentence, and imperative sentence. In order to overcome the problems of uncertain patterns of discussion sentences, feature extraction was used to extract the features of Thai sentences before classification step. The performance of classification models were compared in 2 dimensions. The first dimension was performance of feature extraction, which can extract the sentences into 2 main features, i.e. Term Frequency (TF) of part-of-speech (POS), and Term Binary (TB) of key phrase with Term Frequency (TF) of part-of-speech (POS). The second dimension was performance of classification, which 4 algorithms – Support Vector Machine (SVM), Decision Tree, Naïve Bayes, and k-Nearest Neighbor – were used. The results of comparisons showed that, in the 1st dimension, the performance of TB with TF of POSwas higher than the performance of only TB feature extraction. For the 2nd dimension, the performance of SVM was highest, then Decision Tree, Naïve Bayes, and k-Nearest Neighbor respectively. The research experiment was performed on the discussion sentences of collaborative learning group. The result showed that analysis of Thai sentences in collaborative learning can identify the interaction behavior in group using the frequency of each type of sentences. Such identification can be divided into 2 levels, including the sentence frequency in each group and the sentence frequency that each student used for communication in group. The research results can be used to recommend for collaborative learning activities in the future.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: จรัญ แสนราช

Role: ที่ปรึกษาดุษฎีนิพนธ์

Email : jsr@kmutnb.ac.th

Created: 2557

Modified: 2020-09-06

Issued: 2558-11-19

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: ดพ DTCT ธ452น

tha

DegreeName: ปรัชญาดุษฎีบัณฑิต

Level: ปริญญาเอก

Descipline: คอมพิวเตอร์ศึกษา

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15926783.pdf	4.67 MB	436	2026-05-26 18:16:01

ใช้เวลา

0.026759 วินาที