การจำแนกความรู้สึกเกี่ยวกับผลิตภัณฑ์เงินฝากจากข้อความบนสื่อสังคมออนไลน์ โดยใช้เทคนิคการเรียนรู้ของเครื่อง

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลสำหรับจำแนกอารมณ์จากความคิดเห็นของผู้ใช้งานที่เกี่ยวข้องกับผลิตภัณฑ์เงินฝาก โดยรวบรวมข้อมูลจากแพลตฟอร์มเฟซบุ๊ก (Facebook) ของธนาคารพาณิชย์และสถาบันการเงินเฉพาะกิจในประเทศไทย รวมทั้งสิ้น 7,245 ความคิดเห็น ข้อความต้นฉบับซึ่งเป็นภาษาไทยได้ถูกแปลเป็นภาษาอังกฤษเพื่อนำไปใช้ในการฝึกโมเดล BERT-base-uncased สำหรับการจำแนกอารมณ์แบบหลายป้ายกำกับ (Multi-Label Classification) ใน 10 ประเภท ได้แก่ ความสุข ความโกรธ ความเศร้า ความกลัว ความไว้วางใจ ความรังเกียจ ความประหลาดใจ ความคาดหวัง อารมณ์เชิงบวก และอารมณ์เชิงลบ ผลการประเมินโมเดลที่ผ่านการฝึกจำนวน 5 รอบ (Epochs) พบว่าโมเดลสามารถจำแนกอารมณ์ได้อย่างแม่นยำ โดยมีค่า Precision เท่ากับ 0.9194, Recall เท่ากับ 0.8526, F1-score เท่ากับ 0.8847, ROC AUC เท่ากับ 0.9614 และ Accuracy เท่ากับ 0.6796 ผลการวิจัยชี้ให้เห็นว่าเทคนิคการเรียนรู้เชิงลึกสามารถนำมาประยุกต์ใช้เพื่อวิเคราะห์ความคิดเห็นของลูกค้าในเชิงอารมณ์ได้อย่างมีประสิทธิภาพ และมีศักยภาพในการนำไปใช้งานจริง เช่น ระบบวิเคราะห์ความรู้สึกลูกค้า ระบบแจ้งเตือนอัตโนมัติเมื่อเกิดความคิดเห็นด้านลบ หรือการออกแบบแคมเปญทางการตลาดที่ตอบสนองต่ออารมณ์ของผู้ใช้บริการ ได้ดียิ่งขึ้น