បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានៃការលំបាក និងការចំណាយពេលវេលាច្រើនក្នុងការវិភាគមតិត្រឡប់របស់សិស្ស (Student Feedback) ដោយផ្ទាល់ដៃនៅក្នុងថ្នាក់រៀន ដែលធ្វើឱ្យគ្រូបង្រៀនពិបាកក្នុងការឆ្លើយតបភ្លាមៗ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានស្នើឡើងនូវប្រព័ន្ធមួយដែលប្រើប្រាស់ ការវិភាគមនោសញ្ចេតនា (Sentiment Analysis) និងបច្ចេកទេសរៀនរបស់ម៉ាស៊ីន (Machine Learning) ដើម្បីវិភាគ និងបង្ហាញលទ្ធផលមតិយោបល់របស់សិស្សជាលក្ខណៈទិន្នន័យរូបភាព។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Complement Naive Bayes (CNB) ក្បួនដោះស្រាយ Complement Naive Bayes |
មានសមត្ថភាពខ្ពស់ក្នុងការដោះស្រាយជាមួយសំណុំទិន្នន័យមិនមានតុល្យភាព (Unbalanced Datasets) ជាពិសេសនៅពេលមានថ្នាក់ 'អព្យាក្រឹត' (Neutral class) ច្រើន ឬតិចពេក។ | អាចមានភាពស្មុគស្មាញបន្តិចជាង Naive Bayes ធម្មតា ហើយមិនសូវមានការប្រើប្រាស់ទូលំទូលាយនៅក្នុងការស្រាវជ្រាវកន្លងមក។ | ជាម៉ូដែលដែលល្អបំផុតសម្រាប់ការរកឃើញអារម្មណ៍ (Emotion) និងការចំអក (Sarcasm) ដោយមានអត្រា Recall ខ្ពស់បំផុត ៦៣% សម្រាប់ការចំអក។ |
| Support Vector Machine (SVM - Linear Kernel) ក្បួនដោះស្រាយ Support Vector Machine (ប្រភេទ Linear) |
ផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់បំផុត (Highest Accuracy) សម្រាប់ការបែងចែកប៉ូលអារម្មណ៍ (Polarity) ទូទៅ (វិជ្ជមាន/អវិជ្ជមាន)។ | មានដំណើរការមិនល្អក្នុងការរកឃើញការចំអក (Sarcasm) និងមានប្រសិទ្ធភាពទាបនៅពេលបញ្ចូលថ្នាក់ 'អព្យាក្រឹត' ទៅក្នុងម៉ូដែល។ | ទទួលបានភាពត្រឹមត្រូវ (Accuracy) រហូតដល់ ៩៤% សម្រាប់ការរកឃើញប៉ូលអារម្មណ៍ ដោយមិនរាប់បញ្ចូលថ្នាក់អព្យាក្រឹត។ |
| Maximum Entropy (ME) ក្បួនដោះស្រាយ Maximum Entropy |
មិនសន្មតថាមានទំនាក់ទំនងរវាងលក្ខណៈពិសេស (Independence assumption) ដូច Naive Bayes ទេ ដែលធ្វើឱ្យវាដំណើរការល្អលើការបញ្ចូលគ្នានៃពាក្យ។ | ត្រូវការពេលវេលា និងធនធានច្រើនក្នុងការបង្វឹក (Training) ជាងពពួក Naive Bayes ។ | ទទួលបានលទ្ធផលល្អបំផុតសម្រាប់ dataset ដែលមាន ៣ ថ្នាក់ (3-Class dataset) ក្នុងការរកឃើញអារម្មណ៍។ |
| Preprocessing Levels (Low vs High) កម្រិតនៃការកែច្នៃទិន្នន័យ (ទាប ធៀបនឹង ខ្ពស់) |
ការកែច្នៃកម្រិតទាប (Low preprocessing) រក្សាទុកព័ត៌មានសំខាន់ៗដូចជា សញ្ញាឧទាន ឬ Hashtags ដែលមានប្រយោជន៍សម្រាប់អារម្មណ៍។ | ការកែច្នៃកម្រិតខ្ពស់ (High preprocessing) អាចបាត់បង់អត្ថន័យមួយចំនួនដែលលាក់នៅក្នុងការប្រើប្រាស់សញ្ញា ឬពាក្យកាត់។ | ការកែច្នៃកម្រិតទាប (Low Level) ផ្តល់លទ្ធផលល្អប្រសើរជាងសម្រាប់ការរកឃើញអារម្មណ៍ និងការចំអក។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានកុំព្យូទ័រទូទៅ ដោយមិនតម្រូវឱ្យមានឧបករណ៍ពិសេសថ្លៃៗនោះទេ ប៉ុន្តែទាមទារការរៀបចំទិន្នន័យដោយដៃ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅចក្រភពអង់គ្លេស (University of Portsmouth) និងប្រទេសហ្ស៊កដានី ដោយប្រើប្រាស់ភាសាអង់គ្លេសជាគោល។ ទិន្នន័យភាគច្រើនបានមកពីនិស្សិតផ្នែកវិទ្យាសាស្ត្រកុំព្យូទ័រ ដែលអាចមានភាពស្ទាត់ជំនាញបច្ចេកវិទ្យាជាងនិស្សិតដទៃ។ សម្រាប់កម្ពុជា នេះជាបញ្ហាប្រឈមព្រោះការបញ្ចេញមតិភាគច្រើនអាចជាភាសាខ្មែរ ឬខ្មែរលាយអង់គ្លេស (Code-switching) ដែលត្រូវការការកែច្នៃខុសគ្នា។
វិធីសាស្ត្រនេះមានប្រយោជន៍ខ្លាំងសម្រាប់កម្ពុជា ក្នុងការធ្វើទំនើបកម្មប្រព័ន្ធអប់រំ ប៉ុន្តែត្រូវការការសម្របសម្រួលលើផ្នែកភាសា។
ប្រព័ន្ធនេះនឹងជួយគ្រូបង្រៀននៅកម្ពុជាឱ្យយល់ពីអារម្មណ៍សិស្សបានប្រសើរជាងមុន ជាពិសេសក្នុងថ្នាក់រៀនដែលមានចំនួនសិស្សច្រើន ប៉ុន្តែការអភិវឌ្ឍន៍ NLP សម្រាប់ភាសាខ្មែរគឺចាំបាច់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Complement Naive Bayes (CNB) | CNB គឺជាប្រភេទមួយនៃក្បួនដោះស្រាយ Naive Bayes ដែលត្រូវបានកែសម្រួលដើម្បីដោះស្រាយបញ្ហាទិន្នន័យមិនស្មើគ្នា (Unbalanced Data)។ ជំនួសឱ្យការគណនាប្រូបាប៊ីលីតេនៃថ្នាក់មួយ (Class) ដោយផ្ទាល់ វាគណនាដោយផ្អែកលើទិន្នន័យនៃថ្នាក់ផ្សេងៗទៀតទាំងអស់ដែលមិនមែនជាថ្នាក់នោះ។ | ដូចជាការទាយថាផ្លែឈើនេះជាអ្វី ដោយផ្អែកលើការដឹងថាវាមិនមែនជាចេក មិនមែនជាក្រូច និងមិនមែនជាទំពាំងបាយជូរ ជាជាងការស្គាល់វាដោយផ្ទាល់។ |
| Sentiment Analysis | គឺជាដំណើរការប្រើប្រាស់កុំព្យូទ័រដើម្បីកំណត់ និងចាត់ថ្នាក់មតិយោបល់ដែលមាននៅក្នុងអត្ថបទ ថាជាវិជ្ជមាន អវិជ្ជមាន ឬអព្យាក្រឹត។ វាជួយឱ្យយើងយល់ពីអារម្មណ៍របស់អ្នកសរសេរតាមរយៈអត្ថបទដែលពួកគេបានសរសេរ។ | ដូចជាម៉ាស៊ីនមួយដែលអាចអានសាររាប់ពាន់ ហើយប្រាប់យើងភ្លាមៗថា តើគេកំពុងសរសើរ ឬរិះគន់។ |
| N-grams | គឺជាបច្ចេកទេសក្នុងការពុះបំបែកអត្ថបទទៅជាបំណែកតូចៗដែលមានចំនួន N ពាក្យជាប់គ្នា។ ឧទាហរណ៍ Unigrams គឺមួយពាក្យ (N=1), Bigrams គឺពីរពាក្យជាប់គ្នា (N=2)។ វាជួយឱ្យកុំព្យូទ័រចាប់យកអត្ថន័យនៃឃ្លាបានល្អជាងការពឹងផ្អែកលើពាក្យតែមួយ។ | ដូចជាការផ្គុំរូបភាព (Jigsaw) ដោយចាប់ផ្តើមមើលពីរបីដុំដែលនៅជាប់គ្នា ដើម្បីយល់ន័យរូបភាពធំ ជាជាងមើលមួយដុំៗដាច់ដោយឡែក។ |
| Preprocessing | គឺជាជំហាននៃការរៀបចំ និងសម្អាតទិន្នន័យឆៅ (Raw Data) មុនពេលយកទៅវិភាគ។ ក្នុងអត្ថបទ វារួមបញ្ចូលការលុបសញ្ញា លុបពាក្យដែលមិនសំខាន់ (Stop words) ឬការបម្លែងអក្សរទៅជាអក្សរតូចទាំងអស់ ដើម្បីឱ្យកុំព្យូទ័រងាយស្រួលធ្វើការ។ | ដូចជាការលាងបន្លែ និងចិតសំបកចេញឱ្យស្អាត មុនពេលយកទៅចម្អិនម្ហូប។ |
| Feature Selection | គឺជាដំណើរការជ្រើសរើសយកតែព័ត៌មាន ឬលក្ខណៈពិសេសដែលសំខាន់បំផុតពីទិន្នន័យ ដើម្បីយកទៅបង្វឹកម៉ូដែលកុំព្យូទ័រ។ ការធ្វើបែបនេះជួយកាត់បន្ថយភាពស្មុគស្មាញ និងធ្វើឱ្យម៉ូដែលដំណើរការលឿនជាងមុន និងមានប្រសិទ្ធភាពជាងមុន។ | ដូចជាពេលយើងសង្ខេបមេរៀន ដោយជ្រើសរើសយកតែចំណុចសំខាន់ៗមកចាំ ដើម្បីត្រៀមប្រឡង មិនមែនទន្ទេញទាំងសៀវភៅទេ។ |
| Support Vector Machine (SVM) | គឺជាក្បួនដោះស្រាយសម្រាប់ចាត់ថ្នាក់ទិន្នន័យ ដោយព្យាយាមរកខ្សែបន្ទាត់ ឬប្លង់ (Hyperplane) ដែលបែងចែកក្រុមទិន្នន័យពីរដាច់ពីគ្នាបានច្បាស់បំផុត។ វាមានប្រសិទ្ធភាពខ្ពស់ចំពោះទិន្នន័យដែលមានលក្ខណៈស្មុគស្មាញ។ | ដូចជាការគូសបន្ទាត់មួយនៅលើដី ដើម្បីបែងចែកក្រុមសិស្សប្រុស និងសិស្សស្រីឱ្យដាច់ពីគ្នា។ |
| Cross-validation | គឺជាវិធីសាស្ត្រស្ថិតិសម្រាប់វាយតម្លៃប្រសិទ្ធភាពនៃម៉ូដែល ដោយបែងចែកទិន្នន័យជាច្រើនចំណែក ហើយធ្វើការសាកល្បងម្ដងហើយម្ដងទៀត ដើម្បីធានាថាម៉ូដែលនោះមិនដំណើរការល្អតែលើទិន្នន័យមួយដុំតូចនោះទេ។ | ដូចជាការឱ្យសិស្សធ្វើលំហាត់សាកល្បងច្រើនប្រភេទផ្សេងៗគ្នា ដើម្បីប្រាកដថាគាត់ពិតជាចេះមេរៀននោះមែន មិនមែនគ្រាន់តែចាំលំហាត់តែមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
