การพัฒนาระบบสกัดองค์ความรู้จากตำรายาอีสานโบราณโดยใช้เทคนิคการรู้จำชื่อเฉพาะแบบ Bi-LSTMs
Article Sidebar
Main Article Content
บทคัดย่อ
ตำรายาอีสานโบราณบันทึกองค์ความรู้ด้านการแพทย์พื้นบ้านที่สะท้อนถึงภูมิปัญญาท้องถิ่นในการดูแลสุขภาพของคนอีสานในอดีต ซึ่งยังคงได้รับการสืบทอดและนำมาประยุกต์ใช้ในปัจจุบัน โดยเฉพาะสมุนไพรไทยหลายชนิดถูกนำมาบูรณาการใช้ร่วมกันกับยาแผนปัจจุบันอย่างมีประสิทธิภาพและปลอดภัยยิ่งขึ้น รวมถึงศักยภาพในการพัฒนาเป็นผลิตภัณฑ์ที่มีมูลค่าเพิ่มในภาคอุตสาหกรรม อย่างไรก็ตาม ตำรายาอีสานโบราณมีลักษณะเฉพาะด้านภาษาและคำศัพท์เฉพาะทางที่ซับซ้อน จึงเป็นเรื่องยากต่อการอ่าน โดยเฉพาะสำหรับผู้ที่ไม่มีพื้นฐานทางภาษาและเนื้อหา งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบสกัดองค์ความรู้จากตำรายาอีสานโบราณแบบอัตโนมัติ ประกอบด้วยชื่อยา ชื่อโรค และชื่อสมุนไพร วิธีดำเนินการวิจัยประกอบด้วยการรวบรวมข้อมูลและฝึกฝนโมเดลรู้จำชื่อเฉพาะด้วยเทคนิค Bi-LSTMs พัฒนาระบบสกัดองค์ความรู้ด้วยภาษา Python และจัดเก็บองค์ความรู้ที่สกัดได้ในฐานข้อมูล SQLiteStudio ประสิทธิภาพของระบบประเมินจากความแม่นยำของโมเดลด้วย F1-score แยกรายคลาส และแบบค่าเฉลี่ยถ่วงน้ำหนักทุกคลาส ประเมินความพึงพอใจของผู้ใช้งานที่มีต่อการออกแบบและพัฒนาระบบ และการออกแบบและพัฒนาฐานข้อมูล โดยกลุ่มผู้ประเมินประกอบด้วยผู้เชี่ยวชาญด้านการออกแบบและพัฒนาโปรแกรมคอมพิวเตอร์ นักภาษาโบราณ และผู้ใช้งานทั่วไป รวมทั้งสิ้น 12 คน การประเมินประสิทธิภาพของโมเดล ค่าเฉลี่ย F1-score แบบถ่วงน้ำหนักอยู่ที่ร้อยละ 94 ระดับรายคลาส ได้แก่ ชื่อสมุนไพร ร้อยละ 96 ชื่อโรค ร้อยละ 82 และชื่อยา ร้อยละ 7 สำหรับการประเมินความพึงพอใจของผู้ใช้งานที่มีต่อระบบพบว่า การออกแบบและพัฒนาระบบอยู่ในระดับมากที่สุด (x̄ = 4.44, SD = 0.57) และการออกแบบฐานข้อมูลอยู่ในระดับมาก (x̄ = 4.05, SD = 0.50) ผลการวิจัยชี้ให้เห็นความเป็นไปได้ในการใช้เทคนิคการรู้จำชื่อเฉพาะเพื่อพัฒนาระบบสกัดองค์ความรู้จากตำรายาอีสานโบราณแบบอัตโนมัติได้อย่างมีประสิทธิภาพ
Article Details
เอกสารอ้างอิง
จินตนา พลศรี, นิศาชล จำนงศรี, และจีรยุทธ ไชยจารุวณิช. (2565). การพัฒนาคลังศัพท์สำหรับการแปลงคำปริวรรตของอักษรไทยน้อยเป็นคำอ่านภาษาไทยถิ่นอีสานด้วยคอมพิวเตอร์ [Development of a lexicon for computerized transliteration of Thai Noi script into Isan Thai dialect readings]. วารสารวิทยาศาสตร์ประยุกต์, 22(1), 1–14.
จินตนา พลศรี. (2564). กรอบการทำงานในการแปลงคำปริวรรตของอักษรไทยน้อยเป็นคำอ่านภาษาไทยถิ่นอีสาน [A framework for transliterating Thai Noi script into Isan Thai dialect readings] [Doctoral dissertation, Suranaree University of Technology].
สำนักงานคณะกรรมการพัฒนาการเศรษฐกิจและสังคมแห่งชาติ. (2555). แผนพัฒนาเศรษฐกิจและสังคมแห่งชาติ ฉบับที่ 11 พ.ศ. 2555–2559 [The 11th National Economic and Social Development Plan, 2012–2016]. https://www.nesdb.go.th/download/article/article_20160323112431.pdf
สำนักเลขาธิการนายกรัฐมนตรี ทำเนียบรัฐบาล. (2567). "เดชอิศม์" หนุนยกระดับสมุนไพรไทย นวดไทย ขับเคลื่อนเศรษฐกิจประเทศ [“Dechis” supports elevating Thai herbal medicine and Thai massage to drive the national economy]. https://www.thaigov.go.th/news/contents/details/89674
Chalamkate, T., Thinnachote, C., & Thamrongrattanarit, A. (2022). The development of geo-names extraction from Twitter texts data by conditional random fields. Journal of Engineering and Digital Technology (JEDT), 10(2), 1–10.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Kannikaklang, N., Thamviset, W., & Wongthanavasu, S. (2024). BiLSTCAN: A novel SRS-based bidirectional long short-term capsule attention network for dynamic user preference and next-item recommendation. IEEE Access, 12, 6879–6899. https://doi.org/10.1109/ACCESS.2024.3351283
Kuran, E. C., Elen, A., & Kuran, U. (2024). A hybrid BiLSTM-CRF model with BERT embeddings for named entity recognition on confidential synthetic data. Proceedings of the V. International Science and Innovation Congress (INSI). https://www.researchgate.net/publication/385101301
Li, J., Sun, A., Han, J., & Li, C. (2020). A survey on deep learning for named entity recognition. IEEE Transactions on Knowledge and Data Engineering, 34(1), 50–70. https://doi.org/10.1109/TKDE.2020.2981314
Likert, R. (1961). New patterns of management. McGraw-Hill.
Makarenkov, V., Rokach, L., & Shapira, B. (2019). Choosing the right word: Using bidirectional LSTM tagger for writing support systems. Engineering Applications of Artificial Intelligence, 84, 1–10.
Mansouri, A., Affendey, L. S., & Mamat, A. (2008). Named entity recognition approaches. International Journal of Computer Science and Network Security, 8(2), 339–344.
Polsri, J. (2024). CRF-named entity recognition model for ancient Isan medicine texts. In Proceedings of the 2024 12th International Electrical Engineering Congress (iEECON) (pp. 1–5). IEEE.
Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11), 2673–2681. https://doi.org/10.1109/78.650093
Werbos, P. J. (1990). Backpropagation through time: What it does and how to do it. Proceedings of the IEEE, 78(10), 1550–1560. https://doi.org/10.1109/5.58337
Yadav, V., & Bethard, S. (2018). A survey on recent advances in named entity recognition from deep learning models. In Proceedings of the 27th International Conference on Computational Linguistics (pp. 2145–2158). Association for Computational Linguistics.
Zhang, Y., & Wang, L. (2023). Named entity recognition in electronic health records: A hybrid approach. National Center for Biotechnology Information. https://pmc.ncbi.nlm.nih.gov/articles/PMC10651400/