การพัฒนาคลังศัพท์สำหรับระบบวิเคราะห์ความรู้สึก เพื่อวัดคุณภาพของสื่อ ที่นําเสนอต่อสังคม

Main Article Content

วศินี หนุนภักดี
ชนัญสรา อรนพ ณ อยุธยา
ศศิธร ยุวโกศล

บทคัดย่อ

          งานวิจัยเรื่อง “การพัฒนาคลังศัพท์สำหรับระบบวิเคราะห์ความรู้สึก เพื่อวัดคุณภาพของสื่อที่นําเสนอต่อสังคม” มีวัตถุประสงค์เพื่อพัฒนาคลังศัพท์สำหรับระบบวิเคราะห์ความรู้สึก ในการวัดคุณภาพของสื่อที่นําเสนอต่อสังคม โดยวิธีดำเนินการวิจัย ประกอบด้วย 3 ขั้นตอน ได้แก่ 1) การสร้างคำค้นหา 2) การวิเคราะห์และปรับปรุงคำค้นหา และ 3) การนำคำค้นหามาทดลองวัดคุณภาพของสื่อที่นําเสนอต่อสังคม โดยดำเนินการทดลองวัดคุณภาพจากรายการทั้งสิ้นจำนวน 25 รายการ แบ่งเป็นรายการประเภทข่าวสาร จำนวน 15 รายการ และรายการเพื่อเด็ก เยาวชน และครอบครัว จำนวน 10 รายการ
          ในการวิเคราะห์และปรับปรุงคำค้นหา พบปัญหาเกี่ยวกับการตัดคำ ได้แก่ การจับคำค้นหาผิด และการจับคำค้นหาไม่ครบ ซึ่งได้ดำเนินการแก้ไขโดยปรับเปลี่ยนคำค้นหา ให้ตรงกับประเด็นเชิงคุณภาพมากขึ้น และกรองคำค้นหาที่มีแนวโน้มไม่เกี่ยวข้องออกจากระบบ สำหรับปัญหาเกี่ยวกับการแยกแยะประเด็น ซึ่งได้แก่


การพบคำค้นหาเชิงบวก ในประโยคเชิงลบ และความหมายของประโยคไม่ตรงกับประเด็นเชิงคุณภาพที่พิจารณา ได้ดำเนินการแก้ไขโดยใช้ “คน” ในการตรวจสอบข้อความ โดยเฉพาะการแสดงความคิดเห็นที่เป็นลักษณะการประชดประชัน และการแสดงความคิดเห็นในส่วนของเนื้อหาข่าว โดยไม่ได้แสดงความคิดเห็นเกี่ยวกับคุณภาพของข่าว
          ผลการวิจัยได้นำเสนอคลังศัพท์สำหรับระบบวิเคราะห์ความรู้สึก ซึ่งประกอบด้วยคำค้นหา เป็นจำนวนทั้งสิ้น 15,383 คำ แบ่งเป็นประเด็นเชิงบวกและเชิงลบ เพื่อดึงคำที่แสดงคุณลักษณะของสื่อที่มีคุณภาพ 4 ด้าน ได้แก่ 1) ด้านเนื้อหา 2) ด้านผู้ดำเนินรายการ 3) ด้านเทคนิคการนำเสนอ และ 4) ด้านอื่น ๆ โดยผลการนำคำค้นหามาทดลองวัดคุณภาพของสื่อที่นําเสนอต่อสังคม ของรายการประเภทข่าวสาร และรายการเพื่อเด็ก เยาวชน และครอบครัว พบว่า รายการทั้งสองประเภท มีการแสดงความคิดเห็นในประเด็นด้านเนื้อหามากที่สุด หากพิจารณาในประเด็นเชิงบวกและเชิงลบ พบว่ารายการข่าวมีการแสดงความคิดเห็นในเชิงลบ 25.86% ในขณะที่รายการเด็กมีการแสดงความคิดเห็นเชิงลบเพียง 0.37% และจากการประเมินผลด้วย F-score สามารถคำนวณค่า F-score ได้ 87% ซึ่งผลการศึกษาในครั้งนี้ สามารถนำไปใช้ในการออกแบบพัฒนาเครื่องมือวัดคุณภาพสื่อ เพื่อประเมินคุณภาพในแต่ละมิติของคุณภาพของรายการ และสามารถใช้เป็นแนวทางในการปรับปรุงคุณภาพของสื่อ ซึ่งจะก่อให้เกิดองค์ความรู้และนวัตกรรมสื่อที่สําคัญต่อไป

Article Details

บท
บทความวิจัย

References

มนัสวินี จันทะเลิศ. (2548). เกณฑ์ในการประเมินคุณภาพรายการเพื่อเด็กทางโทรทัศน์ (วิทยานิพนธ์ปริญญามหาบัณฑิต). กรุงเทพฯ: คณะนิเทศศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

Bowornlertsutee, P., & Paireekreng, W. (2022). The Model of Sentiment Analysis for Classifying the Online Shopping Reviews. Journal of Engineering and Digital Technology (JEDT), 10(1), 71-79. (in Thai)

Ding, Y., Korolov, R., Wallace, W., & Wang, X. (2021). How are sentiments on autonomous vehicles influenced? An analysis using Twitter feeds. Transportation Research Part C: Emerging Technologies, 131.

Drus, Z., & Khalid, H. (2019). Sentiment Analysis in Social Media and Its Application: Systematic Literature Review. Procedia Computer Science, 161, 707-714.

Kiawkaew, T.-a. (2018). Polite Response to Customer Feedback Suggestion for Thai Texts (Master of Science in Information Technology). Prince of Songkla University. (in Thai)

Kumar, A., Beri, T., & Sobti, T. (2021). A Survey of Sentiment Analysis and Opinion Mining. Paper presented at the Emerging Technologies in Data Mining and Information Security, Singapore.

McQuail, D. (1997). Audience Analysis.

Melton, C. A., Olusanya, O. A., Ammar, N., & Shaban-Nejad, A. (2021). Public sentiment analysis and topic modeling regarding COVID-19 vaccines on the Reddit social media platform: A call to action for strengthening vaccine confidence. Journal of Infection and Public Health, 14(10), 1505-1512.

Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking: " O'Reilly Media, Inc.".

Rosengren, K. E., Carlsson, M., & Ta ̈gerud, Y. (1996). Quality in programming: Views from the north. In S. Ishikawa (Ed.), Quality assessment of television (pp. 3-48). Luton, UK: John Libbey Media.

Shamir, Jacob. (2007). Quality Assessment of Television Programs in Israel: Can Viewers Recognize Production Value?, Journal of Applied Communication Research, 35(3), 320-341.

Wang, G., Chen, G., & Chu, Y. (2018). A new random subspace method incorporating sentiment and textual information for financial distress prediction. Electronic Commerce Research and Applications, 29, 30-49.

Xu, Q. A., Chang, V., & Jayne, C. (2022). A systematic review of social media-based sentiment analysis: Emerging trends and challenges. Decision Analytics Journal, 3, 100073.

Yang, H.-L., & Chao, A. F. Y. (2018). Sentiment annotations for reviews: an information quality perspective. Online Information Review, 42(5), 579-594.

Žitnik, S., Blagus, N., & Bajec, M. (2022). Target-level sentiment analysis for news articles. Knowledge-Based Systems, 249.