กรอบพัฒนาวิธีการจำแนกประเภทข้อความสนทนาด้วยเทคนิคการเรียนรู้เชิงลึกร่วมกับเทคนิคการเพิ่มข้อมูล

ปัจจุบันมีการสนทนาผ่านช่องทางออนไลน์มากขึ้น โดยเฉพาะในรั้วมหาวิทยาลัย นักศึกษามักมีการสอบถามเกี่ยวกับเรื่องต่าง ๆ เช่น การลงทะเบียนเรียน การชำระค่าเทอม และการแจ้งจบ ซึ่งฝ่ายที่ต้องตอบคำถามนักศึกษาคือเจ้าหน้าที่ผู้ดูแลสำนักงานทะเบียนนักศึกษามหาวิทยาลัยธรรมศาสตร์ อย่างไรก็ตาม การตอบคำถามมีข้อจำกัดในเรื่องของเวลา เนื่องจากนักศึกษามีคำถามเข้ามาตลอดเวลา โดยเฉพาะอย่างยิ่งการลงทะเบียนเป็นกระบวนการที่ต้องจัดการกับข้อความจำนวนมากในระยะเวลาที่จำกัด แต่เนื่องจากเจ้าหน้าที่มีจำนวนน้อย จึงไม่สามารถตอบสนองต่อปริมาณข้อความที่เข้ามาได้อย่างมีประสิทธิภาพ ในการวิจัยนี้ได้นำเสนอกรอบการพัฒนาวิธีการจำแนกประเภทข้อความสนทนาโดยใช้เทคนิคการเรียนรู้เชิงลึก ร่วมกับเทคนิคการเพิ่มข้อมูล เพื่อปรับปรุงความสามารถในการจัดการและจำแนกประเภทข้อความที่เข้ามาในช่วงลงทะเบียนที่มีปริมาณมาก ผลลัพธ์ที่ได้จากการวิจัยนี้แสดงให้เห็นถึงความสามารถในการจัดการข้อความจำนวนมากได้อย่างมีประสิทธิภาพมากขึ้น และลดภาระงานของเจ้าหน้าที่ในการตอบสนองต่อคำถาม การใช้โมเดลจำแนกข้อความอัตโนมัติสามารถช่วยแก้ไขปัญหาในเรื่องภาระงานของเจ้าหน้าที่ได้ จึงได้นำเทคนิคการเพิ่มข้อมูลมาใช้เพื่อเสริมความหลากหลายของข้อมูล โดยใช้เครื่องมือเพิ่มปริมาณข้อมูลต่าง ๆ ได้แก่ การเพิ่มข้อมูลด้วยเทคนิคความคล้ายคลึงกันของข้อความ (Thai2FitAug) เครื่องมือแปลภาษาของสถาบันวิทยสิริเมธี (VISTEC) และการแทนที่คำพ้องความหมาย (WordNetAug) ข้อมูลที่ได้ถูกนำมาสร้างร่วมกับโมเดลการเรียนรู้เชิงลึกต่าง ๆ ได้แก่ โมเดล CNN โมเดล BiLSTM โมเดล CNN-BiLSTM และโมเดล Att-Based CNN-BiLSTM การทดสอบประสิทธิภาพโมเดลจำแนกประเภทข้อความและเปรียบเทียบผลกับโมเดลที่สร้างจากข้อมูลต้นฉบับ พบว่าโมเดลจำแนกประเภทข้อความสนทนาที่สร้างจากข้อมูลเพิ่มปริมาณโดยเทคนิคความคล้ายคลึงกันของข้อความ (Text Similarity) พัฒนาโดยโครงการ PyThaiNLP และ เทคนิคการแทนที่คำพ้องความหมาย (Synonym Replacement) พัฒนาโดยโครงการ PyThaiNLP มีการปรับปรุงค่าความถูกต้องเมื่อเปรียบเทียบโมเดลที่สร้างจากข้อมูลต้นฉบับ