การจำแนกประเด็นด้านความยั่งยืนและวิเคราะห์อารมณ์จากรายงานประจำปี 56-1 one report ด้วยเทคนิคการเรียนรู้ของเครื่อง: กรณีศึกษา กลุ่มบริษัทในดัชนี SET ESG ประจำปี 2567

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองการจำแนกประเด็นด้านความยั่งยืนและการวิเคราะห์อารมณ์จากรายงานประจำปี 56-1 One Report ของบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทยโดยแบ่งการวิเคราะห์ออกเป็น 2 ส่วน ได้แก่ การจำแนกประเด็นด้านความยั่งยืนใน 3 ด้าน (Environment, Social, Governance) และการวิเคราะห์อารมณ์ของข้อความ (Positive, Neutral, Negative) โดยใช้เทคนิคการเรียนรู้ของเครื่องทั้งแบบดั้งเดิม (Traditional Machine Learning) และโครงข่ายประสาทเทียมเชิงตื้น (Shallow Neural Network) ในขั้นตอน Contextual Embedding สำหรับการจำแนกประเด็นด้านความยั่งยืน ผู้วิจัยเปรียบเทียบ WangchanBERTa ซึ่งผ่านการฝึกด้วยข้อมูลภาษาไทยทั่วไป กับ FinBERT-ESG ซึ่งได้รับการฝึกด้วยข้อมูลด้านการเงินและ ESG โดยเฉพาะ ส่วนในการวิเคราะห์อารมณ์ของข้อความ เปรียบเทียบระหว่าง WangchanBERTa กับ FinBERT-Tone ซึ่งถูกปรับแต่งด้วยข้อความจากรายงานการวิเคราะห์ทางการเงิน สำหรับขั้นตอน Classification ได้เปรียบเทียบประสิทธิภาพของ Neural Network กับ Decision Tree ผลการทดลองพบว่า WangchanBERTa ร่วมกับ Neural Network ให้ผลลัพธ์ดีที่สุด โดยการจำแนกประเด็นด้านความยั่งยืนมีค่า Accuracy เท่ากับ 0.8343 และ F1-score เฉลี่ย 0.8236 ส่วนการวิเคราะห์อารมณ์มีค่า Accuracy เท่ากับ 0.87 และ F1-score เฉลี่ย 0.8648 ในขณะที่การใช้ Contextual Embedding จาก FinBERT ซึ่งต้องแปลข้อความจากภาษาไทยเป็นภาษาอังกฤษก่อน มีประสิทธิภาพต่ำกว่า โดยเฉพาะในงานวิเคราะห์อารมณ์ซึ่งมีความอ่อนไหวต่อบริบททางภาษา ส่งผลให้เกิดสัญญาณรบกวน (Noise) ต่อการเรียนรู้ของโมเดล ผลลัพธ์ดังกล่าวแสดงให้เห็นถึงความสำคัญของการเลือกใช้โมเดลที่สามารถประมวลผลบริบทของภาษาไทยได้โดยตรง หากในอนาคตมีการพัฒนาโมเดลภาษาไทยที่ผ่านการฝึกด้วยข้อมูลทางการเงินและเนื้อหาด้านความยั่งยืนโดยเฉพาะ ซึ่งเหมาะสมกับบริบทของข้อมูลในรายงานประจำปี 56-1 One Report ก็อาจส่งผลให้การจำแนกประเด็น ESG และการวิเคราะห์อารมณ์มีประสิทธิภาพมากขึ้น