การเปรียบเทียบประสิทธิภาพแบบจำลองการจำแนกคำบาลีและสันสกฤตในภาษาไทยด้วยเทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อทดสอบและเปรียบเทียบประสิทธิภาพของแบบจำลองการจำแนกคำบาลีและสันสกฤตในภาษาไทยโดยใช้เทคนิคการเรียนรู้ของเครื่อง เน้นการพัฒนาความแม่นยำในการแยกแยะคำศัพท์ที่มาจากสองภาษานี้ ซึ่งมีความใกล้เคียงกันในด้านการออกเสียงและการเขียน ในการวิจัยใช้แบบจำลอง 5 ชนิด ได้แก่ แบบจำลองป่าไม้สุ่ม แบบจำลองต้นไม้ตัดสินใจ แบบจำลองการคำนวณเพื่อนบ้านใกล้สุด แบบจำลองนาอีฟเบย์ และแบบจำลองซัพพอร์ตเวกเตอร์แมชชีน ผ่านกระบวนการตรวจสอบ 10-fold cross-validation เพื่อวัดประสิทธิภาพของแต่ละแบบจำลอง ผลการวิจัยพบว่า แบบจำลองซัพพอร์ตเวกเตอร์แมชชีน มีความสามารถสูงสุดในการจำแนกคำบาลีและสันสกฤตในภาษาไทย โดยมีค่าความแม่นยำสูงถึงร้อยละ 95.75 และค่าความถูกต้องร้อยละ 90.90 รองลงมา คือ แบบจำลองการคำนวณเพื่อนบ้านใกล้สุดมีค่าความแม่นยำร้อยละ 92.86 และแบบจำลองนาอีฟเบย์ที่มีค่าความแม่นยำร้อยละ 81.29 ขณะที่แบบจำลองแบบจำลองป่าไม้สุ่มมีประสิทธิภาพต่ำที่สุด โดยมีค่าความแม่นยำเพียงร้อยละ 55.27 ข้อค้นพบเหล่านี้แสดงให้เห็นถึงความเหมาะสมของการใช้แบบจำลองซัพพอร์ตเวกเตอร์แมชชีน ในการแยกแยะภาษาบาลีและสันสกฤตได้อย่างมีประสิทธิภาพ และสามารถนำผลลัพธ์ไปประยุกต์ใช้ในงานด้านการจำแนกภาษา การแปลภาษา รวมถึงการพัฒนาเครื่องมือด้านการเรียนการสอนภาษาในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Alzoubi, Y. I., Topcu, A. E., & Erkaya, A. E. (2023). Machine learning-based text classification comparison: Turkish language context. Applied Sciences, 13(16), Article 9428. https://doi.org/10.3390/app13169428
Bradley, D. (2024). Sociolinguistics in Mainland Southeast Asia. In M. J. Ball, R. Mesthrie & C. Meluzzi (Eds.), The Routledge handbook of sociolinguistics around the world (2nd ed., pp. 227-237). Routledge. https://doi.org/10.4324/9781003198345-21
Brena, R. F., Zuvirie, E., Preciado, A., Valdiviezo, A., Gonzalez-Mendoza, M., & Zozaya-Gorostiza, C. (2021). Automated evaluation of foreign language speaking performance with machine learning. International Journal on Interactive Design and Manufacturing (IJIDeM), 15(2), 317-331. https://doi.org/10.1007/s12008-021-00759-z
Dinesh, P., Vickram, A. S., & Kalyanasundaram, P. (2024). Medical image prediction for diagnosis of breast cancer disease comparing the machine learning algorithms: SVM, KNN, logistic regression, random forest and decision tree to measure accuracy. AIP Conference Proceedings, 2853(1). Article 020140. https://doi.org/10.1063/5.0203746
Duraiswamy, D. (2024). Cultural and trade links between India and Siam: Their impact on the Maritime Silk Road. Acta Via Serica, 9(1), 67-90. https://doi.org/10.22679/avs.2024.9.1.003
Gudadhe, S. R., Bardekar, A. A., & Ranit, A. B. (2024). Integrating machine learning and NLP: Efficient retrieval of characters in Pali script preservation. Juni Khyat Journal (जूनी ख्यात), 14(4), 94-103.
Hemal, S. H., Khan, M. A. R., Ahammad, I., Rahman, M., Khan, M. A. S. D., & Ejaz, S. (2024). Predicting the impact of internet usage on students’ academic performance using machine learning techniques in Bangladesh perspective. Social Network Analysis & Mining, 14(1), Article 66. https://doi.org/10.1007/s13278-024-01234-9
Joshi, A., Dabre, R., Kanojia, D., Li, Z., Zhan, H., Haffari, G., & Dippold, D. (2024). Natural language processing for dialects of a language: A survey. arXiv. https://doi.org/10.48550/arXiv.2401.05632
Kaewpanitch, C., & Tongngam, S. (2020). Analysis of key features affecting the effectiveness of English language learning among undergraduate students utilizing the data mining techniques. NIDA Development Journal, 60(1-2), 1-29. (in Thai)
Kanraweekultana, N., Waijanya, S., Promrit, N., Nopnapaporn, U., Korsanan, A., & Poolphol, S. (2024). Comparison of capability of data classification models to predict consistent results for depression analysis based on user-behaviour tracking and facial expression recognition during PHQ-9 assessment. Engineering and Applied Science Research, 51(1), 11-21. https://doi.org/10.14456/easr.2024.2
Kashif, K., Alwan, A., Wu, Y., De Nardis, L., & Di Benedetto, M. G. (2024). MKELM based multi-classification model for foreign accent identification. Heliyon, 10(16), Article e36460. https://doi.org/10.1016/j.heliyon.2024.e36460
Khairy, M., Mahmoud, T. M., Omar, A., & Abd El-Hafeez, T. (2024). Comparative performance of ensemble machine learning for Arabic cyberbullying and offensive language detection. Language Resources and Evaluation, 58(2), 695-712. https://doi.org/10.1007/s10579-023-09683-y
Li, A. (2024). Nominalizations and its grammaticalization in Standard Thai. Folia Linguistica, 58(2), 449-481. https://doi.org/10.1515/flin-2024-2006
Makayasa, B. A., Siregar, M. U., Sugiantoro, B., & Fatwanto, A. (2024). Comparison of classification algorithm and language model in accounting financial transaction record: A natural language processing approach. International Journal on Advanced Science, Engineering & Information Technology, 14(3), 1044-1052. https://doi.org/10.18517/ijaseit.14.3.19179
Maqsood, S., Shahid, A., Afzal, M. T., Roman, M., Khan, Z., Nawaz, Z., & Aziz, M. H. (2022). Assessing English language sentences readability using machine learning models. PeerJ Computer Science, 8, Article e818. https://doi.org/10.7717/peerj-cs.818
Modhugu, V. R., & Ponnusamy, S. (2024). Comparative analysis of machine learning algorithms for liver disease prediction: SVM, logistic regression, and decision tree. Asian Journal of Research in Computer Science, 17(6), 188-201. https://doi.org/10.9734/ajrcos/2024/v17i6467
Mousa, A., Shahin, I., Nassif, A. B., & Elnagar, A. (2024). Detection of Arabic offensive language in social media using machine learning models. Intelligent Systems with Applications, 22, Article 200376. https://doi.org/10.1016/j.iswa.2024.200376
Perroni, M. G., Veiga, C. P. D., Forteski, E., Marconatto, D. A. B., da Silva, W. V., Senff, C. O., & Su, Z. (2024). Integrating relative efficiency models with machine learning algorithms for performance prediction. SAGE Open, 14(2), Article 21582440241257800. https://doi.org/10.1177/21582440241257800
Phann, R., Soomlek, C., & Seresangtakul, P. (2023). Multi-class text classification on Khmer news using ensemble method in machine learning algorithms. Acta Informatica Pragensia, 12(2), 243-259. https://doi.org/10.18267/j.aip.210
Saechan, A., & Ruangjaroon, S. (2024). The influences of orthographic forms, stress placement and consonantal manners on syllabification and acoustic durations of intervocalic consonants with geminate graphemes by Thai L2 speakers of English [Doctoral dissertation, Srinakharinwirot University]. Srinakharinwirot University. http://ir-ithesis.swu.ac.th/dspace/handle/123456789/2717
Saputra, N., Antoni, R., Widodo, A., Solissa, E. M., & Arief, I. (2024). Improving foreign language proficiency in society by decision tree classification. AIP Conference Proceedings, 3001(1). Article 070006. https://doi.org/10.1063/5.0183888
Tammanam, K., Promrit, N., & Waijanya, S. (2021). A hybrid approach to Pali Sandhi segmentation using BiLSTM and rule-based analysis. Engineering and Applied Science Research, 48(5), 614-626. https://doi.org/10.14456/easr.2021.63
Wang, Z., Pang, Y., & Lin, Y. (2024). Smart expert system: Large language models as text classifiers. arXiv. https://doi.org/10.48550/arXiv.2405.10523
Wei, Y. (2024). Chinese and English text classification techniques incorporating CHI feature selection for ELT cloud classroom. Open Computer Science, 14(1), Article 20240007. https://doi.org/10.1515/comp-2024-0007
Zhang, C., Hofmann, F., Plößl, L., & Gläser-Zikuda, M. (2024). Classification of reflective writing: A comparative analysis with shallow machine learning and pre-trained language models. Education and Information Technologies, 29, 21593-21619. https://doi.org/10.1007/s10639-024-12720-0
Zhong, X., Jin, C., An, M., & Cambria, E. (2024). XTime: A general rule-based method for time expression recognition and normalization. Knowledge-Based Systems, 297, Article 111921. https://doi.org/10.1016/j.knosys.2024.111921
