การจำแนกฐานความผิดในคดียาเสพติดด้วยการเรียนรู้ของเครื่อง
Main Article Content
บทคัดย่อ
การพิจารณาเอกสารคำฟ้องในคดียาเสพติดต้องใช้เวลาและความรอบคอบ ซึ่งเป็นอุปสรรคต่อการทำงานของเจ้าหน้าที่ การนำเทคโนโลยีการเรียนรู้ของเครื่องช่วยจำแนกข้อความในเอกสารคำฟ้อง เพื่อแยกประเภทฐานความผิด สามารถลดภาระการอ่านและเพิ่มประสิทธิภาพการดำเนินงานในกระบวนการยุติธรรมให้รวดเร็วและเป็นอัตโนมัติได้ ด้วยเหตุนี้ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพแบบจำลองการจำแนกฐานความผิดในคดียาเสพติดด้วยการเรียนรู้ของเครื่อง โดยดำเนินการ 5 ขั้นตอน ได้แก่ 1) รวบรวมข้อมูลคดียาเสพติดจากศาลจังหวัดสุพรรณบุรี 1,651 ตัวอย่าง (ม.ค. 2565 – พ.ค. 2567) 2) สำรวจข้อมูล 3) เตรียมข้อมูลด้วย PyThaiNLP และ TF-IDF 4) พัฒนาแบบจำลองการจำแนกฐานความผิด แบ่งเป็น 2 ลำดับขั้น ได้แก่ ลำดับที่ 1 จำแนกชนิดยาเสพติด ใช้วิธีจำแนกประเภทแบบหลายคลาส กลยุทธ์ OneVsRest และลำดับที่ 2 จำแนกลักษณะการกระทำความผิด ใช้วิธีจำแนกประเภทแบบหลายป้าย กลยุทธ์ Classifier Chains 5) ทั้งสองลำดับเปรียบเทียบประสิทธิภาพระหว่าง 3 เทคนิค ได้แก่ SVM, Logistic Regression และ Random Forest โดยทดสอบแบบจำลองด้วยวิธี 5-Fold Cross Validation พบว่า Random Forest มีประสิทธิภาพและเสถียรภาพสูงสุดในการจำแนกทั้งสองลำดับ โดยลำดับที่ 1 ได้ค่า F1-Score ร้อยละ 99.55 และลำดับที่ 2 ได้ค่า F1-Score ร้อยละ 97.70 พร้อมค่า Hamming Loss ร้อยละ 1.58 ซึ่งแสดงให้เห็นว่าแบบจำลองมีศักยภาพสูงและสามารถนำไปประยุกต์ใช้ในการจำแนกฐานความผิดในคดียาเสพติดได้
Article Details
เอกสารอ้างอิง
กัญญารัตน์ พูลเพิ่ม, และแกมกาญจน์ สมประเสริฐศรี. (2565). การจำแนกโครงการตามแผนแม่บทภายใต้ยุทธศาสตร์ชาติโดยใช้เทคนิคเหมืองข้อความ. วารสารวิชาการการจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม, 9(2), 54–65.
จินตรัย พุทธิพรชัย. (2565). การจำแนกประเภทแบบหลายฉลากของบทความในฐานข้อมูลวารสารวิชาการไทยจากบทคัดย่อ [ปริญญามหาบัณฑิต, จุฬาลงกรณ์มหาวิทยาลัย]. Chulalongkorn University Theses and Dissertations (Chula ETD). https://digital.car.chula.ac.th/chula-etd/6481
เทวัน เทียนวรรณ. (2566). การประเมินข้อความทวิตเตอร์ที่เกี่ยวกับทัศนคติด้านสุขภาพในสถานการณ์การแพร่ระบาดของโควิด-19 เพื่อวิเคราะห์ความรู้สึกโดยใช้อัลกอริทึมการเรียนรู้ของเครื่องแบบมีผู้สอน. วารสารเภสัชกรรมไทย มหาวิทยาลัยสงขลานครินทร์, 16(3), 769–786.
ประมวลกฎหมายยาเสพติด. (2564). ประมวลกฎหมายยาเสพติด พ.ศ. 2564. ราชกิจจานุเบกษา, เล่ม 138 ตอนที่ 73 ก, หน้า 1–80.
ไพชยนต์ คงไชย. (2565). การสร้างแบบจำลองโดยใช้การเรียนรู้เชิงลึกเพื่อจำแนกข้อความการสนทนาจากแอปพลิเคชันไลน์. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 43(1), 16–24.
วรวรรณ วันดี. (2564). การจำแนกประเภทแบบมัลติเลเบลสำหรับหัวเรื่องหนังสือทางบรรณารักษศาสตร์ [ปริญญามหาบัณฑิต, มหาวิทยาลัยธรรมศาสตร์]. Thammasat University Digital Collections. https://doi.org/10.14457/TU.the.2021.478
สำนักงานส่งเสริมงานตุลาการ. (2566, 27 ตุลาคม). การเรียกข้อมูลจากสำนักงานอัยการสูงสุดเข้าสู่ระบบสารสนเทศสำนวนคดีศาลชั้นต้นโดยอัตโนมัติ. สำนักงานศาลยุติธรรม. https://oja.coj.go.th/th/content/category/detail/id/21/iid/379504
สุภัทรลักษณ์ โพธิ์หา. (2565). แบบจำลองวิเคราะห์ความรู้สึกผู้ใช้บริการที่มีต่อการให้บริการของโรงพยาบาลมาตรฐาน JCI ในประเทศไทย [ปริญญามหาบัณฑิต, มหาวิทยาลัยธรรมศาสตร์]. Thammasat University Digital Collections. https://doi.org/10.14457/TU.the.2022.1519
เอกชัย ฉัตรพงศ์เลอเลิศ. (2567). การจำแนกข้อความตามทฤษฎีการวิเคราะห์การสื่อสารสัมพันธ์ระหว่างบุคคลด้วยเทคนิคการเรียนรู้ของเครื่อง [ปริญญามหาบัณฑิต, มหาวิทยาลัยธรรมศาสตร์]. Thammasat University Digital Collections. https://doi.org/10.14457/TU.the.2024.52
Buntoro, G. A., Wibawa, A. D., & Purnomo, M. H. (2021). Text mining in healthcare for disease classification using machine learning algorithm. IEEE Access, 9, Article 9593998. https://doi.org/10.1109/IES53407.2021.9593998
Costa, J. A. F., Silva, S. O., Silva, E. D. S. A., & Dantas, N. C. D. (2024). Multi-label classification of legal cases according to the Sustainable Development Goals using machine learning algorithms. In 2024 IEEE Latin American Conference on Computational Intelligence (LA-CCI). IEEE. https://doi.org/10.1109/LA-CCI62337.2024.10814740
Mahdi, Z. M., Istiqomah, R. F., Alfarelzi, Astuti, S., Asror, I., & Mayasari, R. (2024). Text classification using NLP by comparing LSTM and machine learning method. In 2024 10th International Conference on Wireless and Telematics (ICWT). IEEE. https://doi.org/10.1109/ICWT62080.2024.10674679
Memoon, M., Umar, M., Rani, S., Khalid, M., & Shaheen, S. (2024). Twitter news classification using machine learning. In 2024 International Conference on Engineering & Computing Technologies (ICECT). IEEE. https://doi.org/10.1109/ICECT61618.2024.10581173
Morales-Hernández, R. C., Gutiérrez Jagüey, J., & Becerra-Alonso, D. (2022). A comparison of multi-label text classification models in research articles labeled with sustainable development goals. IEEE Access, 10, 123534–123547. https://doi.org/10.1109/ACCESS.2022.3223094
Naseeba, B., Challa, N. P., Doppalapudi, A., Chirag, S., & Nair, N. S. (2023). Machine learning models for news article classification. In 2023 5th International Conference on Smart Systems and Inventive Technology (ICSSIT). IEEE. https://doi.org/10.1109/ICSSIT55814.2023.10061095
Rizqi, F. N., Bijaksana, M. A., & Bunyamin. (2025). Multi-label classification of Al-Qur’an verses using ensemble method and BERT. In 2025 International Conference on Advancement in Data Science, E-learning and Information System (ICADEIS). IEEE. https://doi.org/10.1109/ICADEIS65852.2025.10933388
Sinha, A., Nazma, M., Naskar, B. J., Pandey, M., & Rautaray, S. S. (2022). IMDB movie review text classification model using different weighting techniques and classifiers. In 2022 OITS International Conference on Information Technology (OCIT) (pp. 1–6). IEEE. https://doi.org/10.1109/OCIT56763.2022.00029