ระบบประเมนิ และวเิ คราะห์แนวโน้มสภาพอารมณ์ของผูใ้ ชส้ อ่ื สงั คมออนไลน์ แบบอตั โนมตั ิ Automatic Assessment and Analysis of Online User Emotional Trends on based Social Media นางสาวนิรวรรณ อุส่าหก์ าร Nirawan Ausakan นางสาวดารารัตน์ ขันงงั่ Dararat Khanngang โครงงานนเ้ี ป็นสว่ นหนึง่ ของการศึกษาตามหลักสูตรปริญญาตรี วทิ ยาศาสตร์บัณฑิต สาขาวชิ านวตั กรรมสารสนเทศทางการแพทย์ มหาวิทยาลยั วลยั ลกั ษณ์ A Project Submitted in Partial Fulfillment of the Requirements for the Degree of Bachelor of Science Program in Innovation of Medical Informatics Walailak University 2565
ระบบประเมนิ และวเิ คราะห์แนวโน้มสภาพอารมณข์ องผูใ้ ชส้ อ่ื สงั คมออนไลน์ แบบอตั โนมัติ Automatic Assessment and Analysis of Online User Emotional Trends on based Social Media นางสาวนิรวรรณ อสุ ่าหก์ าร Nirawan Ausakan นางสาวดารารัตน์ ขนั ง่งั Dararat Khanngang โครงงานนเ้ี ป็นสว่ นหนึง่ ของการศกึ ษาตามหลักสูตรปริญญาตรี วทิ ยาศาสตร์บัณฑิต สาขาวชิ านวตั กรรมสารสนเทศทางการแพทย์ มหาวิทยาลยั วลยั ลกั ษณ์ A Project Submitted in Partial Fulfillment of the Requirements for the Degree of Bachelor of Science Program in Innovation of Medical Informatics Walailak University 2565
บทคัดย่อ ทวิตเตอร์เป็นไมโครบล็อกสำหรับการสื่อสารแบบเรียลไทม์ โดยผู้ใช้สามารถแสดงความเหน็ ข้อความในมิติต่าง ๆ เช่น ด้านความบันเทิง เศรษฐกิจ และการเมือง โครงงานน้ีมีวัตถุประสงค์เพื่อ สกดั สารสนเทศและวิเคราะห์แนวโนม้ สภาพอารมณ์ของผู้ใชส้ อื่ สงั คมออนไลน์แบบอัตโนมัติ โดยอาศัย ข้อความบนแพลตฟอร์มของทวิตเตอร์เป็นกรณีศึกษา การวิเคราะห์แนวโน้มในโครงงานนี้จะคำนึงถงึ 4 อารมณ์หลัก ประกอบด้วย 1) ความสุข 2) ความเศร้า 3) ความโกรธ และ 4) ความกลัว ในการ วิเคราะห์ข้อมูลจะใช้เทคโนโลยีการประมวลผลภาษาธรรมชาติ (Natural Language Processing [NLP]) เพ่ือการประมวลผล และการเรยี นรู้ของเคร่ือง (Machine Learning [ML]) ผา่ น อัลกอรทิ ึม 7 อัลกอริทึม คือ K-Nearest Neighbors(KNN) , Support Vector Machine (SVM) , Support Vector Classifier (SVC) , Stochastic Gradient Descent (SGD) , Random Forest (RFC) , Naive Bayes (NB), Decision tree (DT) จากการทดสอบ ประสทิ ธิภาพของอัลกอริทึมแตล่ ะตวั พบวา่ SVM มีความแม่นยำในการระบุอารมณ์ประเภทอารมณ์ 88 % ผลของอารมณ์จะแสดงในรูปแบบของเว็บ แอปพลิเคชัน เพื่อเป็นประโยชน์ให้กับ แพทย์ผู้เชี่ยวชาญทางด้าน สุขภาพจิต หรือกระทรวงการ พัฒนาสังคมและความมั่นคงของมนุษย์ ที่สามารถ นำไปสู่การวางแผนและรับมือกับ สภาพอารมณ์ ของผใู้ ชเ้ พื่อป้องกันความรนุ แรงทจี่ ะเกดิ ขน้ึ ได้ในอนาคต ค ำ ส ำ ค ั ญ Social network analysis, Twitter, Ranking , Emotion analysis ,Social media mental health
School of Informatics Walailak University Project Title Automatic Assessment and Analysis of Online User Emotional Trends on based Social Media Author Nirawan Ausakan Dararat Khanngang Major Program Innovation of Medical Informatics Academic Year 2022 Abstract Microblogging is a popular tool that teenagers employ to express their feelings and opinions in the form of messages such as politics and entertainment. It is challenging to use Microblogging to understand political movements. This project aims to extract information based on Twitter's platform on how people express their emotions relevant to political movements. We consider four emotions that consist of happiness, sadness, anger, and fear. We apply Natural Language Processing (NLP) and Machine Learning to develop a political model, and use seven algorithms including K-Nearest Neighbors (KNN) , Support Vector Machine (SVM) , Support Vector Classifier (SVC) , Stochastic Gradient Descent (SGD) , Random Forest (RFC) , Naive Bayes (NB), Decision tree (DT). We found that SVM reaches the highest accuracy at around 88%. The model can be applied by a web application that benefits physicians that let them understand teenagers who suffer from mental health caused by political movements.
Keywords Social network analysis, Twitter, Ranking, Emotion analysis, Social media mental health
กิตติกรรมประกาศ โครงงานระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบ อัตโนมัติ สามารถดำเนินการจนประสบความสำเร็จลุล่วงไปด้วยดีด้วยความกรุณาจากอาจารย์ดร. บูคอรี ซาเหาะ อาจารย์ที่ปรึกษาโครงงาน ที่ได้ให้คำปรึกษาและแนะนำตลอดจนตรวจทานแก้ไข ข้อบกพร่องต่าง ๆ ด้วยความเอาใจใสเ่ ป็นอย่างย่งิ จงึ ขอขอบพระคณุ เป็นอย่างสงู ไว้ ณ ที่ นี้ ขอขอบพระคุณแพทย์ผู้เชี่ยวชาญจากคลินิกเวชกรรมเฉพาะทางจิตเวชเด็กและวัยรุ่นสถิติ ด้านสุขภาพจิตเด็กและวัยรุ่น โรงพยาบาลสงขลานครินทร์ที่ได้เปิดโอกาสในการสัมภาษณ์เกี่ยวกับ ประเด็นปัญหาสภาพจิตใจของเยาวชนที่ได้รับผลกระทบจากเหตุการณ์ต่าง ๆ จากการการรับรู้และ แสดงความคิดเห็นบนสื่อสังคมออนไลน์ และขอขอบพระคุณอาจารย์มัลลิกา เกลี้ยงเคล้า ที่ได้กรุณา ให้ความรู้และช่วยเหลือในส่วนการแสดงผลของระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติด้วย Firebase ให้สำเร็จไปด้วยดีตามวัตถุประสงค์ของ โครงงาน และขอขอบคุณอาจารย์ประจำหลักสูตรนวัตกรรมสารสนเทศทางการแพทย์ และ คณะกรรมการการสอบโครงงานที่ได้ให้คำแนะนำเกี่ยวกับโครงงาน ตลอดจนเพื่อนๆที่ให้กำลังใจ สนับสนนุ เปน็ อย่างดีมาโดยตลอด ขอบคณุ มา ณ โอกาสนี้ สุดท้ายนี้ผูพ้ ัฒนาหวงั ว่าระบบประเมินและวเิ คราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสงั คม ออนไลนแ์ บบอัตโนมตั จิ ะเปน็ ประโยชน์ใหก้ บั ทางแพทย์ผเู้ ชยี่ วชาญทางดา้ นสุขภาพจติ หรือกรมพัฒนา สังคมและมนษุ ย์ ตลอดจนหนว่ ยงานทเี่ ก่ียวข้อง หรอื เป็นประโยชนใ์ หก้ บั ผทู้ ี่สนใจศึกษาและถ้าหากว่า โครงงานเล่มนี้ มีข้อผิดพลาดประการใดกข็ ออภยั ไว้ ณ ที่ นี้ นริ วรรณ อสุ า่ หก์ าร ดารารตั น์ ขันงงั่
สารบัญ หน้า บทคดั ย่อ........................................................................................................................................... 4 Abstract........................................................................................................................................... 5 กิตตกิ รรมประกาศ ............................................................................................................................ 7 สารบัญ.............................................................................................................................................. 8 สารบัญตาราง.................................................................................................................................. 12 หน้า ................................................................................................................................................ 12 สารบัญภาพ .................................................................................................................................... 14 บทที่ 1 .............................................................................................................................................. 1 บทนำ................................................................................................................................................ 1 1.1 ความสำคญั และท่มี าของปญั หา ............................................................................................ 1 .1.2 วตั ถปุ ระสงค์ ......................................................................................................................... 1 1.3 ขอบเขตงาน.......................................................................................................................... 2 1.4 ประโยชน์ที่คาดวา่ จะได้รบั .................................................................................................... 2 1.5 ผลทีค่ าดว่าจะไดร้ บั .............................................................................................................. 2 1.6 แผนการปฏิบัติงาน ............................................................................................................... 3 1.7 เครอื่ งมือที่ใช้ ........................................................................................................................ 5 บทท่ี 2 .............................................................................................................................................. 6 ทฤษฎีและเทคโนโลยีทเี่ กยี่ วข้อง........................................................................................................ 6 2.1 ทฤษฎที ี่เกีย่ วข้อง.................................................................................................................. 6 2.1.1 สือ่ สงั คมออนไลนแ์ ละสุขภาพจติ (Social Media and Mental Health) .................... 6 2.1.2 ทวติ เตอร์ (Twitter)...................................................................................................... 8
2.2 เทคโนโลยีท่เี กีย่ วขอ้ ง............................................................................................................ 8 2.2.1 ไพธอน (Python) ......................................................................................................... 9 2.2.2 Twitter API (Application Programming Interface)............................................... 9 2.2.3 การประมวลผลภาษาธรรมชาติ (Natural language processing [NLP]) ................... 9 2.2.4 การร้จู ำอารมณ์ (Emotion Recognition) ................................................................. 13 2.2.5 การเรยี นรขู้ องเครื่อง (Machine Learning [ML])...................................................... 13 2.2.6 เทคโนโลยกี ารตดั คำสำหรับภาษาไทย......................................................................... 15 2.2.7 Scikit-Learn.............................................................................................................. 14 2.2.8 การแสดงผล (User Interface) .................................................................................. 14 2.3 การทบทวนวรรณกรรมทเี่ ก่ียวข้อง...................................................................................... 18 บทท่ี 3 ............................................................................................................................................ 22 การวิเคราะห์ขอ้ มลู .......................................................................................................................... 22 3.1 การทำความเข้าใจปัญหา (Business Understanding)...................................................... 22 3.2 การทำความเข้าใจข้อมลู (Data Understanding).............................................................. 22 3.3 การเตรียมข้อมูล (Data Preparation) ............................................................................... 24 3.3.1 การกำหนดขอบเขตของคำ (Data Determining)...................................................... 24 3.3.2 การตัดคำตามขอบเขตและการลบคำขยะหรือคำท่ไี มส่ ือ่ ความหมาย (Tokenization and Noise Removal)........................................................................................................... 26 3.3.3 การคำนวณค่าความถแี่ ละนำ้ หนกั ของคำ (TF-IDF Based Vectorization)................ 29 3.4 การวเิ คราะห์ความต้องการของผใู้ ช้..................................................................................... 31 3.4.1 ความตอ้ งการดา้ นการระบสุ ภาพอารมณ์บนส่ือสงั ออนไลน์......................................... 31 บทที่ 4 ............................................................................................................................................ 34 วิธีการดำเนินโครงการ..................................................................................................................... 34 4.1 สถาปตั ยกรรมซอฟต์แวร์ของระบบ..................................................................................... 34
4.1.1 กระบวนการสอนให้เคร่ืองเรียนรู้งานเพื่อแกป้ ัญหา (Training Process).................... 35 4.1.2 กระบวนการทดสอบประสิทธิภาพการทำงานของเครื่อง (Testing Process) ............. 36 4.2 การดงึ ข้อความจากฐานข้อมูลทวติ เตอร์ (Tweet Streaming)............................................ 37 4.3 การกำหนดผลเฉลยให้กับข้อความทวตี (Tweet Labelling) .............................................. 41 4.4 กระบวนเตรียมข้อมลู (Data Preprocessing).................................................................... 41 4.5 การเรียนรูแ้ ละการทำนายของเครื่อง (Machine Learning and Prediction)..................... 42 4.6 การออกแบบสว่ นแสดงผล (Output Design)..................................................................... 44 บทที่ 5 ............................................................................................................................................ 46 การพฒั นาโมเดลและโปรแกรมประยุกต์.......................................................................................... 46 5.1 การพฒั นาโมเดล................................................................................................................. 46 5.1.1 การสรา้ งโมเดล (Modeling) ...................................................................................... 46 5.1.2 การประเมนิ โมเดล (Evaluation) ............................................................................... 46 5.1.3 การนำโมเดลไปใชง้ าน (Deployment)...................................................................... 53 5.2 การพัฒนาโปรแกรมประยุกต์.............................................................................................. 53 5.2.1 โครงสรา้ งของไฟล์โปรแกรม ....................................................................................... 53 5.2.2 โครงสร้างของไฟลข์ อ้ มูล............................................................................................. 55 บทท่ี 6 ............................................................................................................................................ 56 สรปุ ผลการดำเนนิ งาน..................................................................................................................... 56 6.1 สรปุ ผลการดำเนินงาน......................................................................................................... 56 6.2 ปัญหาในการดาํ เนินงาน...................................................................................................... 56 6.3 ขอ้ เสนอแนะ....................................................................................................................... 57 บรรณานุกรม................................................................................................................................... 58 ภาคผนวก ....................................................................................................................................... 60 ภาคผนวก ก................................................................................................................................ 61
ตารางแสดงคา่ พารามเิ ตอร์ของโมเดล ..................................................................................... 61 ประวัติผู้จดั ทำ................................................................................................................................. 65
สารบัญตาราง หนา้ ตารางท1ี่ . 1 แผนการปฏบิ ัติงาน ....................................................................................................... 3 ตารางท1ี่ . 2 แผนการปฏบิ ัตงิ าน (ตอ่ )............................................................................................... 4 ตารางท2ี่ . 1 โมเดลทีใ่ ช้ในการเรยี นรู้และจดจำสภาพอารมณ์.......................................................... 15 ตารางท2ี่ . 2 การทบทวนวรรณกรรมทเ่ี กีย่ วข้อง.............................................................................. 18 ตารางท2่ี . 3 การทบทวนวรรณกรรมทีเ่ กีย่ วข้อง (ต่อ) ..................................................................... 18 ตารางท2่ี . 4 การทบทวนวรรณกรรมท่เี กี่ยวข้อง (ต่อ) ..................................................................... 20 ตารางท3่ี 1ตวั อยา่ งการกำหนดขอบเขตของคำตามกลมุ่ อารมณ์ ..................................................... 24 ตารางท3่ี 2 เทคนคิ การตดั คำ.......................................................................................................... 27 ตารางท3่ี .3 ตวั อยา่ งข้อมลู ท่ีใชใ้ นการหาค่าความถ่แี ละน้ำหนกั ....................................................... 29 ตารางท3่ี . 4 การคำนวณหาค่าความถี่และน้ำหนกั ของคำ ............................................................... 23 ตารางท4ี่ . 1 ตวั อย่างการพยากรณอ์ ารมณ์จากข้อความ.................................................................. 37 ตารางท4ี่ . 2 การระบุตวั ตนผ่านรหัสเพื่อเขา้ ถึงข้อมูลดว้ ยสถานะ Twitter Developer Team ...... 38 ตารางท4ี่ . 3 ตวั อย่างรายการข้อมูล................................................................................................. 40 ตารางท5ี่ . 1 ตารางเปรียบเทียบประสทิ ธภิ าพของโมเดลในเเตล่ ะอารมณจ์ ากชดุ ข้อมลู จำนวน 2000 ทวีต................................................................................................................................................. 47 ตารางท5ี่ . 2 ตารางเปรียบเทียบประสิทธภิ าพของโมเดลในเเต่ละอารมณ์จากชดุ ขอ้ มลู จำนวน 2000 ทวตี (ตอ่ ).......................................................................................................................................... 47 ตารางท5่ี . 3 ตารางเปรยี บเทียบประสทิ ธิภาพของโมเดลในเเต่ละอารมณจ์ ากชุดขอ้ มูลที่ผา่ นเทคนิค วิธกี ารของ Over-sampling............................................................................................................ 49 ตารางท5่ี . 4 ตารางเปรยี บเทียบประสทิ ธภิ าพของโมเดลในเเต่ละอารมณ์จากชุดขอ้ มลู ที่ผา่ นเทคนคิ วธิ ีการของ Over-sampling (ต่อ) ................................................................................................... 49 ตารางท5ี่ . 5 ตารางเปรยี บเทียบประสทิ ธภิ าพของโมเดลในเเต่ละอารมณจ์ ากชุดขอ้ มลู ทเ่ี กบ็ เพิ่มเตมิ ........................................................................................................................................................ 52
ตารางท5่ี . 6 ตารางเปรียบเทียบประสทิ ธภิ าพของโมเดลในเเต่ละอารมณจ์ ากชดุ ขอ้ มลู ท่เี กบ็ เพ่ิมเตมิ (ตอ่ )................................................................................................................................................. 52
สารบัญภาพ หนา้ ภาพท3ี่ .1 สัดส่วนอารมณจ์ ากการรวบรวมขอ้ ความทวตี .................................................................. 22 ภาพท4ี่ .1สถาปตั ยกรรมระบบประเมนิ และวเิ คราะหแ์ นวโนม้ สภาพอารมณ์ของผใู้ ชส้ ่ือสังคมออนไลน์ แบบอัตโนมตั ิ................................................................................................................................... 34 ภาพท4่ี .2 ขนั้ ตอนการดงึ ข้อความจากฐานข้อมูลทวิตเตอร์.............................................................. 38 ภาพท4ี่ .3 ขนั้ ตอน Input Process Output................................................................................... 42 ภาพท4่ี .4 การแสดงผลแนวโน้มสภาพอารมณ์................................................................................. 44 ภาพท5ี่ . 1การเปรยี บเทยี บ f1 score ของโมเดลในแต่ละอารมณ์ ................................................... 52 ภาพท5ี่ . 2 ตวั อยา่ ง Domain ทไี่ ด้มีการ Deploy Hosting ............................................................ 53 ภาพท5ี่ . 3 โครงสร้างของข้อมูลท่มี ีการจัดเกบ็ เปน็ Real time Database ..................................... 55
บทที่ 1 บทนำ 1.1 ความสำคัญและท่มี าของปญั หา เครือข่ายสงั คมออนไลนท์ ีผ่ คู้ นใช้ในปจั จบุ นั ไดร้ บั การพฒั นาในชว่ งต้นปี 2000 และในปัจจุบนั นี้มีผู้ใช้งานเว็บไซตเ์ หล่านี้มากกว่า 3 พันล้านคน ซึ่งผู้ใช้งานเวบ็ ไซต์เหลา่ นีม้ าจากจากหลายประเทศ หลากหลายกลุ่มอายุ รวมไปถึงมีความหลากหลายทางอาชีพ แน่นอนว่าวัตถุประสงค์จากการใช้งาน ยอ่ มมีความแตกตา่ งกัน ไมว่ ่าจะเปน็ การใช้ในการตดิ ต่อสื่อสาร ใช้เพ่อื ความบนั เทงิ และการหาความรู้ หรือเหตุผลที่เกี่ยวข้องกับวิชาชีพนั้น แม้ว่าการใช้โซเชียลมีเดียจะใช้เพื่ออำนวยความสะดวกในเรื่อง ต่าง ๆ แต่การใชโ้ ซเชยี ลมเี ดยี มากเกนิ ไปอาจเกิดผลเสยี ต่อสุขภาพจิตของผู้ใช้ ในปัจจุบันนี้อินเตอร์เน็ตหรือโซเชียลมีเดียเข้ามามีบทบาทในชีวิตประจำวันของผู้คนมาก ยิ่งขึ้น การเผยแพร่ข้อมูลหรือการรับรู้ข่าวสาร จากสื่อออนไลน์เป็นไปด้วยความสะดวกสบายและ รวดเร็ว ทกุ คนมโี ซเชียลมีเดยี (Social Media) อยู่ในมือทำให้เกดิ Social Movement ในหลากหลาย ด้าน ที่เห็นได้ชัดเจนที่สุดคือ แฮชแท็กต่าง ๆ ใน Twitter จากข่าวสารของบ้านเมืองในตอนนี้ ทำให้ เกิดหัวข้อหรือประเด็นต่าง ๆ ในโลกออนไลน์ เกิดเป็นกระเเส ผู้คนออกมาแสดงความคิดเห็นที่จะ ช่วยกันขับเคล่ือนสังคมเกีย่ วกบั ประเด็นต่าง ๆ แต่ในขณะเดียวกันเองนั้นก็มีอีกด้านหนึ่งที่สะท้อนให้ เห็นถึงการใช้อินเตอร์เน็ตเพื่อสร้างความเกลียดชังและความรุนแรงที่เกิดจากความคิดเห็นที่แตกต่าง กัน การโต้ตอบกันด้วยความรุนแรง อาจจะนำไปสู่การเสพตดิ โซเชยี ลและสง่ ผลเสยี ต่อสุขภาพจิตของ ผใู้ ชง้ านได้ จากที่กล่าวมาข้างต้นทำให้เกิดความสนใจในการนำข้อมูลมาวิเคราะห์โดยใช้ข้อมูลทาง Twitter มาเป็นกรณีศึกษาเนื่องจากเป็นแพลตฟอร์มที่ได้รับความนิยมมากที่สุดสำหรับงานวิเคราะห์ อารมณ์โดยจะรวบรวมข้อมูลผ่านระบบเพื่อที่จะสร้างตัวจำแนกอารมณ์ในการกำหนดระดับอารมณ์ ของบคุ คลทีใ่ ช้งานได้ .1.2 วตั ถปุ ระสงค์ 1.2.1 เพ่อื สกัดสารสนเทศที่เกย่ี วขอ้ งกบั สภาพอารมณ์จากข้อมูลบน Twitter 1.2.2 เพื่อพัฒนาตัวแบบการวิเคราะห์สารสนเทศและหาแนวโน้มสภาพอารมณ์ของผู้ใช้ Twitter
2 1.2.3 เพื่อพฒั นาโปรแกรมประยกุ ตส์ ำหรบั แสดงผลการวเิ คราะหใ์ หก้ ับผใู้ ช้งาน 1.3 ขอบเขตงาน 1.3.1 ดึงข้อมูลจาก Twitter ที่ไม่ซ้ำกันอย่างน้อย 4000 ทวีตสำหรับข้อมูลสอนเครื่อง ใช้ ทดสอบเครอ่ื ง 1.3.2 วิเคราะหแ์ นวโนม้ สภาพอารมณ์ : ความสขุ ความเศร้า ความกลัว ความโกรธ 1.3.3 แสดงผลแนวโน้มสภาพอารมณ์เฉลยี่ ในรอบ 1 วัน ในรูปแบบ Dashboards 1.4 ประโยชนท์ ค่ี าดว่าจะได้รบั 1.4.1 ได้ระบบอัตโนมัติเพื่อแสดงแนวโน้มของสภาพอารมณ์เพื่อสนับสนุนการทำงานของ ผู้เชี่ยวชาญด้านสุขภาพจิต กรมสุขภาพจิต และนักวิเคราะห์กระแสสังคม กรม พัฒนาสงั คมและความมน่ั คงของมนุษย์ 1.4.2 ผลการวิเคราะห์ในรปู แบบ Dashboards ทีผ่ ้ใู ช้งานสามารถเข้าใจได้ 1.5 ผลที่คาดวา่ จะได้รับ 1.5.1 ไดต้ ัวแบบการวิเคราะห์อารมณ์ของผูใ้ ช้ Twitter แบบอัตโนมตั ิ 1.5.2 ได้ Web Application เพ่อื แสดงผลแนวโน้มในรปู แบบ Dashboards
1.6 แผนการปฏบิ ัตงิ าน ตารางท่ี1. 1 แผนการปฏบิ ตั ิงาน ระยะเ กจิ กรรม ม.ิ ย. ก.ค. ส.ค. ก.ย. 1234123412341234 1.Planning 1.1 ศึกษาปัญหาที่เกิดจากการใช้ สอ่ื สงั คมออนไลน์ (Twitter) 1.2 ศึกษาบทความที่เกี่ยวข้อง เพื่อหาแนวทางและขั้นตอนการ แกป้ ัญหา 1.3 กำหนดที่มาและความสำคัญ และวัตถปุ ระสงค์ของโครงการ 1.4 กำหนดประโยชน์ที่คาดว่าจะ ไดร้ บั 1.5 กำหนดขอบเขตของโครงการ ให้เหมาะสม 2. Data Streaming
2 เวลาการดำเนินงาน 2564 - 2565 ต.ค. พ.ย. ธ.ค. ม.ค. ก.พ. ม.ี ค 123412341234123412341 234
1.6 แผนการปฏิบตั ิงาน ตารางท่ี1. 2 แผนการปฏิบัติงาน กิจกรรม มิ.ย. ก.ค. ส.ค. ก 12341234123412 1.Planning 1.1 ศึกษาปัญหาที่เกิดจากการใช้ สือ่ สังคมออนไลน์ (Twitter) 1.2 ศึกษาบทความที่เกี่ยวข้อง เพื่อหาแนวทางและขั้นตอนการ แกป้ ัญหา 1.3 กำหนดที่มาและความสำคัญ และวตั ถปุ ระสงค์ของโครงการ 1.4 กำหนดประโยชน์ที่คาดว่าจะ ไดร้ บั 1.5 กำหนดขอบเขตของโครงการ ให้เหมาะสม 2. Data Streaming
3 ระยะเวลาการดำเนินงาน 2564 - 2565 ก.ย. ต.ค. พ.ย. ธ.ค. ม.ค. ก.พ. ม.ี ค 234123412341234123412341 234
ตารางที่1. 3 แผนการปฏิบัติงาน (ตอ่ ) กจิ กรรม ม.ิ ย. ก.ค. ส.ค. ก 12341234123412 3. Data Preprocessing 4. Topic Detection 5. Ranking 6. Application 7. การนำระบบไปใช้ 8. สรุปผลจากงานวิจัยและ จดั ทำเอกสาร
4 ระยะเวลาการดำเนนิ งาน 2564 - 2565 ก.ย. ต.ค. พ.ย. ธ.ค. ม.ค. ก.พ. ม.ี ค 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 41 2 3 4 1 2 3 4
5 1.7 เคร่ืองมอื ท่ใี ช้ 1.7.1 Python: เปน็ ภาษาในการพฒั นาโปรแกรม 1.7.2 Twitter API based Tweepy: เป็นโปรแกรมประยุกต์ที่สามารถให้นักพัฒนา โปรแกรมเข้าถึงฐานขอ้ มลู ของ Twitter 1.7.3 Natural Language Toolkit: เป็นโปรแกรมประยุกต์สำหรับการจัดการกับข้อมูลท่ี อยู่ในรปู แบบของภาษาธรรมชาติ เช่น ขอ้ มลู ทอ่ี ยู่ใน Twitter 1.7.4 SciKit-Learn: เป็นแพลตฟอร์มสำหรับการสร้างตัวแบบจากการเรียนรู้ของเครื่องที่ จะถูกนำไปใชร้ ะบบรจู้ ำความรแู้ บบอัตโนมตั ิ เช่น การรจู้ ำอารมณ์
บทท่ี 2 ทฤษฎีและเทคโนโลยีท่เี กยี่ วข้อง บทท่ี 2 จะกลา่ วทฤษฎีและเทคโนโลยีทเี่ กีย่ วข้องกับโครงการ โดยมรี ายละเอยี ดดังตอ่ ไปน้ี 2.1 ทฤษฎที ี่เกย่ี วข้อง ทฤษฎีและหลักการสำคัญที่จะนำไปสู่การพัฒนาระบบประเมินและวิเคราะห์แนวโน้มสภาพ อารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ ต้องพิจารณา 2 ประเด็นที่สำคัญคือ 1) สื่อสังคม ออนไลนแ์ ละสุขภาพจิต (Social Media and Mental Health) และ 2) ทวิตเตอร์ (Twitter) 2.1.1 สือ่ สงั คมออนไลน์และสขุ ภาพจิต (Social Media and Mental Health) โซเชียลมีเดีย (Social Media) หรือ สื่อสังคมออนไลน์ เป็นเทคโนโลยีทางคอมพิวเตอร์ท่ี อำนวยความสะดวกในการแบ่งปันความคิด และข้อมูลผ่านการสร้างเครือข่ายและชุมชนเสมือนจริง โซเชียลมีเดียจะใช้อินเทอร์เน็ตช่วยใหผ้ ู้ใช้สื่อสารเนื้อหาทางอิเล็กทรอนิกส์ได้อย่างรวดเร็ว ผู้คนส่วน ใหญพ่ ึ่งพาแพลตฟอรม์ โซเชยี ลมเี ดยี เชน่ Facebook Twitter Snapchat YouTube และ Instagram เพื่อค้นหาและเชือ่ มต่อซึง่ กันและกัน อย่างไรก็ตามหากใช้เวลามากเกินไปกับโซเชียลมีเดียอาจจะเกดิ ความรู้สึกเศร้า ความไม่พอใจ ความคับข้องใจ หรือความเหงาที่จะส่งผลกระทบต่อการใช้ชีวิต (Lawrence Robinson and Melinda Smith, 2021) Twitter เป็นโซเชียลมีเดียที่ได้เข้ามามีอิทธิพลด้านการสื่อสาร แลกเปลี่ยนข้อมูล และเปิด กว้างเรื่องการแสดงความคิดเห็นเป็นอย่างมาก เห็นได้จากการแสดงความเห็นผ่านแพลตฟอร์ม Twitter ของผู้คนจะสามารถสื่อถึงอารมณ์ (Emotion) หรือความคิด (Thought) เกิดขึ้นมากมาย ที่ เกี่ยวข้องปรากฏการณ์ใดปรากฏการณ์หนึ่งที่ทำให้มีอิทธิพลส่งผลต่อความรู้สึกที่มีความสุข ความ โกรธ ความเศร้า ความความสขุ เปน็ ต้น ผู้ใช้งานโซเซยี ลมเี ดยี มหี ลากหลายอารมณข์ ้ึนอยกู่ บั แต่ละสถานการณ์ และอารมณ์ ความร้สู กึ หรือความคิดต่าง ๆ จากโลกเสมือนในโซเซียลมีเดียกลับมีอิทธิพลกับในการใช้ชีวิตบนโลกของความ เป็นจริง นักจิตวิทยาได้จำแนกความแตกต่างของอารมณ์เหล่านั้นออกมาผ่านทฤษฎีและหลักการต่าง ๆ เพ่ืออธิบายอารมณ์ของมนุษย์ โดยจัดแนวโน้มสภาพอารมณ์ออกเป็น 6 ประเภทดังนี้ (Cherry, 2021) 1. ความสุข (Happiness) ความสุขท่ีเปน็ อารมณ์ที่ผู้คนปรารถนาและอยากครอบครอง ความสขุ สามารถแสดงออก ได้หลากหลายรูปแบบ เช่น ความพึงพอใจ การหวั เราะ ปลาบปลมื้ รวมไปถงึ ความสมหวัง
7 จากสิ่งต่าง ๆ ทั้งต่อตนเองและคนรอบข้าง ความสุขเป็นสิ่งทำให้การดำเนินชีวิตนำไปสู่ การมีสขุ ภาพจิตท่ดี ี ทำใหก้ ารพัฒนาตนเองการมีสมั พนั ธภาพทีด่ กี ับคนรอบขา้ งและสงั คม 2. ความโกรธ (Anger) ความโกรธเป็นการตอบสนองของผู้คนต่อสงิ่ เรา้ ท่ีเกิดขึน้ จากความไม่พอใจ ความโกรธจะ มีคุณสมบัติที่ตรงข้ามกับความสุข ความโกรธจะเป็นจุดเริ่มต้นที่จะนำไปสู่ความเครียดไป จนถึงมีความทุกข์ซึ่งจะนำไปการแสดงออกในลักษณะของความรุนแรง ความโกรธจะส่ง ผลร้ายต่อผู้คนทั้งต่อตนเองและคนรอบข้าง การปล่อยปละละเลยให้ความโกรธเกิดขึ้นจะ นำไปสู่การสร้างความเสียหายตอ่ สงั คมในระยะยาว 3. ความเศรา้ (Sadness) ความเศรา้ เป็นสภาวะอารมณช์ ่วั คราวท่ีมลี กั ษณะของความผิดหวัง ความโศกเศร้า ความ ส้ินหวัง และความแปรปรวนทางอารมณ์ ความเศร้าคือสิ่งท่ีทุกคนสามารถพบเจอได้เป็นครง้ั คราว ในบางกรณีผู้คนอาจได้สัมผัสกับช่วงเวลาแห่งความเศร้าที่ยืดเยื้อและรุนแรง ซ่ึง สามารถเปลี่ยนไปเป็นภาวะซึมเศร้าได้ อาจจะทำให้การใช้ชีวิตประจำวันไม่มีความสุขอีก ต่อไป 4. ความความสขุ (Happiness ) ความรู้สึกความสุขเป็นอารมณ์อันเกิดจากการกระทบกับสิ่งที่ไม่พึงปรารถนา ซ่ึง ความรู้สึกความสุขนี้สามารถเกิดขึ้นได้จากหลายสิ่งหลายอย่างที่ไม่พึงประสงค์ สายตา หรือ กลิ่น ความรู้สึกความสขุ สามาราถพฒั นาเป็นปฏิกริ ิยาท่อี าจจะเป็นอนั ตรายต่อการใชช้ ีวิต 5. ความประหลาดใจ (Surprise) ความประหลาดใจเป็นอารมณ์ที่ก่อให้เกิดการเปลี่ยนแปลงของสิ่งเร้าในระบบประสาท อย่างฉับพลัน มคี วามนกึ คดิ ท่อี าจอยู่ในรปู แบบของความต่ืนเต้น ตืน่ ตระหนกตกใจ ซงึ่ เป็นไป ไดท้ ้ังด้านบวกและดา้ นลบ 6. ความกลวั (Fear) ความกลัวคือการตอบสนองทางอารมณ์ต่อการคุกคามในทันทีหรือภยั คุกคามที่คาดว่าจะ เกดิ ขนึ้ โดยทว่ั ไปแล้วความกลวั จะนำไปสวู่ ่าเปน็ ความกังวล จากการศึกษาข้อมูลที่เกี่ยวข้องสภาพอารมณ์ที่กล่าวมาข้างต้น ทั้ง 6 อารมณ์ที่มีการแสดง ออกมาในรูปแบบที่แตกต่างกันเป็นพื้นฐานความคิดของมนุษย์ การแสดงออกของอารมณ์ที่ผู้คนรู้สึก นึกคดิ สามารถแสดงอารมณผ์ ่านการสือ่ สารทง้ั ในโลกของความเปน็ จรงิ และโลกเสมอื นผา่ นตัวอักษรท่ี
8 เป็นข้อความต่าง ๆ ซึ่งการวิเคราะห์อารมณ์ผ่านข้อความจึงมีความสำคัญที่จะนำไปสู่การทำความ เข้าใจผ้คู นในสงั คมทก่ี ำลงั ตอบสนองตอ่ สถานการณืใดสถานการณห์ น่งึ 2.1.2 ทวิตเตอร์ (Twitter) Twitter เป็นแพลตฟอร์มสังคมออนไลน์ที่เน้นความเร็วในการส่งข้อความเข้าสู่สังคมเสมือน โลกความจริง ผู้ใช้ Twitter สามารถติดตามความเคลื่อนไหวในประเด็นที่สนใจได้ เป็นไมโครบล็อก สำหรับการสื่อสารแบบเรียลไทม์โดยผู้ใช้จะเห็นข้อความในทันทีและรองรับการเข้าถึงข้อมูลของผู้คน และองค์กรหลายล้านคน ผู้ใช้ Twitter ติดต่อกันโดยการโพสต์อัปเดตที่เรียกว่า \"ทวีต\" ไปยังเว็บไซต์ เพื่อแบ่งปันแลกเปลี่ยนและค้นหาข้อมูล ประเด็นสำคัญที่ส่งผลให้ Twitter ได้รับความนิยมคือ มี ความรวดเร็วในการติดต่อส่ือสาร เปน็ สื่อสังคมเสมือนจริง ง่ายตอ่ การแลกเปล่ียนความรู้ เผยแพร่ข่าว ข้อเท็จจริง Twitter เป็นแพลตฟอร์มที่อนุญาตการแลกเปลี่ยนความรู้โดยเน้นสารสนเทศ ณ เวลาใด เวลาหนึ่งที่ผู้คนสารมารถนำไปใช้เพื่อรับรู้และใช้ในการตัดสินใจต่อไป นอกจากนี้ Twitter ยังเป็น ช่องทางให้ผู้คนเข้าถึงสื่อสารมวลชนได้โดยตรง เมื่อเทียบกับสังคมในรูปแบบเดิมที่ผู้คนต้องรอข้อมูล ข่าวสารทางเดียว เช่น รับข่าวโทรทัศน์ ที่อาจจะไม่ได้รับรู้ได้ทันที ในขณะที่ Twitter สามารถ แก้ปัญหาดังกล่าวได้ที่อนุญาตให้ผู้ข่าวสารมารถติดตามข่าวสารเหล่านั้นได้ทุกที่ทุกเวลา (Webwise, 2021) สำหรับความรวดเร็วของ Twitter ในการติดต่อสื่อสาร เช่น อัปเดตเทรนด์ล่าสุดผ่านการ ติดตามแฮชแท็กยอดนิยม คนไทยนิยมใช้ในการติดตามเรื่องราวข่าวสารและบทสนทนาสาธารณะใน ประเด็นด้านกระแสสังคม ไม่ว่าจะเป็นเรื่องเกี่ยวกับละคร วงการบันเทิง ดารา หรือเหตุการณ์ต่าง ๆ ผ่าน แฮชแทก็ ยอดนยิ ม เชน่ อะไรก็ตามท่เี กิดขึน้ จะเกิดข้ึนบน Twitter #WhatsHappenig Twitter ยังเป็นแพลตฟอร์มที่อิงตามความสนใจของผู้ใช้ หรือเป็นสื่อสังคมเสมือนจริง โดย ผ้ใู ชง้ าน Twitter สามารถมีสว่ นรว่ มในบทสนทนาในหวั ข้อต่าง ๆ ได้ผา่ นการใชแ้ ฮชแท็กที่จะเชื่อมโยง ผู้คนทสี่ นใจและให้ความสำคญั ในประเดน็ เดยี วกนั (POSITIONING, 2021) 2.2 เทคโนโลยีทีเ่ ก่ียวขอ้ ง เทคโนโลยีทส่ี ำคัญทน่ี ำไปสู่การพัฒนาระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของ ผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติต้องพิจารณา 8 ประเด็นสำคัญคือ 1) ไพธอน (Python) 2) Twitter API (Application Programming Interface) 3) การประมวลผลภาษาธรรมชาติ (Natural language processing [NLP]) 4) การรู้จำอารมณ์ (Emotion Recognition) 5) การเรียนรู้ของ เครื่อง (Machine Learning [ML]) 6) เทคโนโลยีการตัดคำสำหรับภาษาไทย 7) Scikit-Learn และ 8) การแสดงผล (User Interface)
9 2.2.1 ไพธอน (Python) Python เป็นหนึ่งในภาษาเชิงโครงสร้างที่ง่ายต่อการทำความเข้าใจ สามารถสื่อสารเชิงวัตถุ (object-oriented) ทีส่ ือ่ ความหมายและง่ายตอ่ การปรับเปล่ียน แก้ไข และนำกลับมาใช้ใหม่ Python ไดร้ บั ความนยิ มย่างกว้างขวางในการพฒั นาโปรแกรมเพอ่ื งานต่าง ๆ เน่ืองจากเป็นภาษาที่มีไวยกรณ์ที่ เรยี บง่าย กระชบั งา่ ยตอ่ การทดสอบและบำรุงรกั ษาชดุ คำสัง่ ตา่ ง ๆ Python มไี ลบราร่รี องรับท่คี รอบคลมุ การทำงานท่หี ลากหลายเพอ่ื นำไปประยุกต์ใช้แก้ปัญหา ต่าง ๆ เช่น มีไลบรารี่สำหรับการประมวลผลภาษาธรรมชาติ (Natural Language Processing [NLP]) ในรูปแบบต่าง ๆ นอกจากนี้ยังมีไลบรารี่สำหรับให้ระบบคอมพิวเตอร์สามารถเรียนรู้ได้ด้วย ตนเอง (Machine Learning [ML]) โดย NLP และ ML มีบทบาทสำคัญในการพัฒนาเทคโนโลยีด้าน ปัญญาประดิษฐ์เพื่อนำไปสู่การสร้างระบบที่ฉลาดและเป็นเครื่องมือที่สนับสนุนการตัดสินใจของ มนษุ ย์ (Python , 2021) จากความโดดเด่นดังกล่าว ในการจัดทำโครงการนี้ได้พิจารณาภาษา Python ในการจัดการ ขอ้ มูลดว้ ยกระบวนการตา่ ง ๆ เพื่อทจี่ ะนำขอ้ มลู ไปใช้ในการวิเคราะห์แนวโน้มสภาพอารมณ์ เนื่องจาก มีไลบราร่ีท่เี กย่ี วขอ้ งและเหมาะสมในการจัดการกบั ข้อมลู บน Twitter 2.2.2 Twitter API (Application Programming Interface) Twitter API (Application Programming Interface) เป็นโปรแกรมประยุกต์ที่ช่วยให้ นักพัฒนาโปรแกรมสามารถเข้าถึงฐานข้อมูลของ Twitter เช่น ข้อความ รูปภาพ ภาพเคลื่อนไหว ไป จนถึงข้อมูลของผู้ให้ข้อมูล Twitter อนุญาตให้นักพัฒนาดึงข้อมูลอดีตผ่านการสืบค้นคำสำคัญโดย อาศัย REST API และยังอนุญาตให้นักพัฒนาดึงข้อมูลตามเวลาจริงซึ่งจะเรียกว่าข้อมูลสตรีมมิ่ง ซึ่ง ข้อมูลสตรีมมิ่งจะไหลเข้าสู่ระบบคอมพิวเตอร์ผ่าน Streaming API เพื่อเชื่อมต่อระหว่าง โปรแกรม ประยุกต์กับแหล่งข้อมูลสตรีมมิ่ง สำหรับสตรีมมิ่งจำเป็นต้องมีการกำหนดค่าและติดตั้งชุดคำสั่งท่ี จำเปน็ โดยข้ันตอนวธิ ีและการตั้งคา่ มีรายละเอยี ดดังนี้ : Step 1 : ยืนยันสิทธกิ ารเขา้ ถงึ ข้อมลู การเข้าถึงข้อมูลต่าง ๆ บน Twitter ไม่สามารถเข้าถึงได้โดยคนทั่วไป การเข้าถึง ขอ้ มูลเพื่อนำไปวิเคราะห์เชงิ ธรุ กจิ ต้องเสียค่าใช้จ่าย นอกจากการเขา้ ถึงเพ่ือศึกษาและวิจัยใน ฐานะนักพฒั นา ซ่งึ จะตอ้ งระบตุ วั ตนั ผา่ นรหัสเฉพาะ (Authentication codes) Step 2 : เชือ่ มตอ่ กับ (API Connect to the API) และ Data Employment
10 เมื่อตั้งค่าสมบูรณ์แล้วผู้พัฒนาจะต้องกำหนดรูปแบบการเชื่อมต่อผ่าน Protocols ท่ี Twitter เปน็ ผกู้ ำหนดชุดคำสง่ั เพื่อยนิ ยอมให้ผู้พัฒนาสามารถเข้าถงึ ขอ้ มลู ตามเง่ือนไขที่ได้ ตกลงทั้งในรูปแบบ REST API และ Streaming API เมื่อการยืนยันตัวตนถูกต้องผู้พัฒนา สามารถดึงชุดข้อมูลซึ่งจะอยู่ในรูปแบบ JSON ที่ผู้พัฒนาต้องดึงส่วนที่เกี่ยวข้องมาวิเคราะห์ เพื่อนำไปสังเคราะห์เป็นองค์ความรู้ในเรื่องใดเรื่องหนึ่งซึ่งจะเป็นสารสนเทศที่ช่วยให้ผู้คน นำไปประกอบการตดั สินใจไดด้ ยี ิง่ ขึ้น (Developer Platform, 2021) โครงงานนี้จะใช้ Twitter API ในการเข้าถึงฐานข้อมูล Twitter ที่เกี่ยวข้องกับสภาพอารมณ์ ของผู้ใช้งานที่ได้แสดงความเห็นต่อเหตุการณ์ต่าง ๆ โดยจะใช้ REST API เพื่อดึงข้อมูลที่เกิดขึ้นและ นำไปให้ความหมาย (Label) ที่จะถูกนำไปใช้ในการฝึกฝนให้ระบบคอมพิวเตอร์สามารถจำแนกและ แยกแยะสภาพอารมณ์ต่าง ๆ ได้ นอกจากนี้จะใช้ Streaming API สำหรับดึงข้อมูลที่เกิดขึ้นจริงเพื่อ นำไปประมวลผลผ่านระบบแยกแยะอารมณ์และเพื่อที่นำไปแสดงผลในรูปแบบของ Dashboards ตอ่ ไป 2.2.3 การประมวลผลภาษาธรรมชาติ (Natural language processing [NLP]) การประมวลผลภาษาธรรมชาติ หรือ Natural language processing (NLP) เป็นวิทยาการ แขนงหนึ่งในหมวดหมู่ของเทคโนโลยีปัญญาประดิษฐ์ หรือ Artificial Intelligence ซึ่งช่วยให้ คอมพิวเตอร์สามารถเข้าใจภาษาของมนุษย์ ตลอดจนตีความและใช้งานภาษาปกติที่มนุษย์ใช้สื่อสาร ได้ โดยเทคโนโลยี NLP นี้ มีรากฐานจากวิทยาการหลากหลายสาขาด้วยกนั โดยเฉพาะด้านวิทยาการ คอมพิวเตอร์ (Computer Science) และภาษาศาสตร์เชิงคำนวณ (Computational Linguistics) เพ่อื วัตถุประสงคใ์ นการปิดชอ่ งวา่ งทางการสอ่ื สารระหวา่ งมนุษยแ์ ละระบบคอมพิวเตอร์ กระบวนการของการประมวลผล NLP นั้นจะเริ่มจากการรับข้อมูลเข้า (Input) ที่เป็น ข้อความภาษาธรรมชาติ จากนั้นระบบจะประมวลผล (Process) โดยการวิเคราะห์ข้อมูลเข้าไปทั้งใน เชงิ โครงสรา้ งและความหมายทางภาษาโดยอาศยั การทำงานร่วมกับฐานความร้เู พ่ือหาคำตอบ ก่อนจะ แทนความหมายและสร้างเป็นข้อมูลนำออก (Output) ที่เป็นภาษาธรรมชาติให้ผู้ใช้สามารถอ่านและ เข้าใจข้อมลู ได้ ความสำคัญของการประมวลผลภาษาธรรมชาติ NLP เป็นเทคโนโลยที ชี่ ว่ ยให้ระบบคอมพวิ เตอรส์ ามารถวเิ คราะหแ์ ละตีความข้อมูลทอ่ี ยู่ในรูป ของภาษาธรรมชาติ เชน่ ชดุ ข้อความ NLP จะสนับสนนุ ให้ระบบคอมพิวเตอร์สามารถเขา้ ใจการ
11 สื่อสารของมนุษย์ได้และสามารถตอบสนองต่อความต้องการสื่อสารได้อย่างเป็นเหตุและผล และดำเนนิ การทำงานต่าง ๆ ทเ่ี กีย่ วข้องกับภาษาได้ ยกตัวอย่างเช่น NLP ช่วยให้ระบบคอมพิวเตอร์สามารถอ่านอักขระภาษาธรรมชาติ หรือทำ ความเข้าใจและตีความคำพูดของมนุษย์ ไปจนถึงการแยกแยะและจำแนกอารมณ์และ ความรู้สึกท่ี แฝงอยู่ในการสื่อสารเหล่านั้น NLP สามารถประมวลผลข้อมูลได้แบบอัตโนมัติซึ่งมักจะถูกนำไปใช้ใน การวิเคราะห์ข้อมูลที่มีขนาดมหาศาลและเกินความสามารถของมนุษย์ โดยเฉพาะอย่างยิ่งชุดข้อมูล บน Twitter ทผ่ี ้ใู ช้งานมหาศาล นอกจากนีข้ ้อมูลตา่ ง ๆ จะถกู สอ่ื สารในรูปแบบของภาษาธรรมชาติซ่ึง จะม่งุ เนน้ ใหม้ นษุ ย์ด้วยกันสามารถเขา้ ใจและตีความได้ NLP จึงมีบทบาทสำคัญในโครงการนี้เนื่องจากการวิเคราะห์อารมณ์ของผู้ใช้ Twitter ที่มี ข้อมูลในปริมาณมหาศาลและการสื่อสารอย่างรวดเร็ว จึงทำให้การประยุกต์ใช้ NLP นั้นมีความท้า ทาย การตดั คำ (Tokenization) คุณลักษณะที่สำคัญของข้อมูลบน Twitter คือการสื่อสารผ่านข้อความโดยเฉพาะอย่างยิ่ง สำหรับภาษาที่ไม่มีขอบเขตระหว่างคำอย่างภาษาไทยซึ่งเป็นภาษาที่รูปประโยคจะเป็นการเรียงตัว ของตัวอักษรที่เรียงกันเป็นสายอักขระ ที่ไม่มีตัวชี้วดั ชดั เจนในการกำหนดคำ ดังนั้นข้อมูลเหล่านี้ตอ้ ง ผ่านการประมวลผลที่เรียกวา่ การตัดคำ การตัดคำ หมายถึง การแบ่งชุดตัวอักษรจากสายอักขระที่เรียงต่อกัน (String) และหา ขอบเขตของแต่ละหน่วยคำ (Morpheme) การตัดคำสำหรับภาษาไทยจะประมวลผลด้วยเทคนิคต่าง ๆ เชน่ การตัดคำโดยใช้พจนานุกรม (Dictionary Based Approach) และการตัดคำโดยใช้คลังข้อมูล (Corpus Based Approach) เคร่ืองมอื การตัดคำจะทำหน้าที่ในการแบ่งสายอักษร (String) ออกเป็น คำโดยเฉพาะอย่างยิ่งชื่อเฉพาะหรือชื่อที่ไม่รู้จัก เพื่อให้ข้อมูลเหล่านั้นสามารถนำไปประมวลผลได้ อย่างมปี ระสิทธิภาพ การใชช้ อ่ งว่างระหว่างคำ (White Space Tokenization) เป็นหลักการพื้นฐานที่นยิ มใช้ตามคุณลกั ษณะของภาษาโดยเฉพาะภาษาอังกฤษตัวอย่างเชน่ “I have a major in IMI” สามารถแบ่งคำตามช่องว่างได้ “| I | | have | | a | | major | in | | IMI |” อย่างไรก็ตามคุณลักษณะของภาษาไทยไม่มีช่องว่างระหว่างกันแต่มีคุณลักาณะเป็นอั กขระเรียง ตอ่ เน่ืองซง่ึ ไม่มสี ามารถตัดคำไดด้ ้วยวิธีดังกล่าว เช่น ข้อมูลทวตี “กอุ ายมากท่เี กิดเป็นคนไทย นอกจาก จะมนี ายกโงแ่ ลว้ ยงั มคี นทไี่ มม่ จี ิตสำนึกเร่อื งลิขสิทธ์อิ กี ”สามารถตดั คำได้เป็น “กุ | อายมาก | ที่ | เกดิ
12 เป็น| คนไทย นอกจาก | จะ | มี | นายกโง่ | แล้ว ยังมี | คน | ที่ | ไม่มีจิตสำนึก | เรื่อง | ลขิ สิทธ์ิ | อกี ” ซง่ึ ตอ้ งการวธิ กี ารที่เหมาะสมกบั คุณลักษณะดงั กลา่ วได้ หลกั การประมวลผลเพื่อตดั คำภาษาไทยสามารถแบ่งไดห้ ลายรปู แบบโดยในแต่ละรูปแบบจะ มีรายละเอียดดังน้ี 1) หลักการตดั คำโดยใชพ้ จนานุกรม (Dictionary Based Approach) วิธีการนี้จะเลือกคำที่ยาวที่สุดโดยเริ่มจากตัวอักษรซ้ายสุดของข้อความนั้นไปยัง ตัวอักษร ถัดไป จนกว่าจะพบว่าเป็นคำที่มีอยู่ในพจนานุกรม จากนั้นค้นหาคำถัดไปจนกว่าจะครบข้อความ ใน กรณที พ่ี บวา่ เปน็ คำในพจนานุกรมจากจดุ เร่ิมตน้ เดียวกนั จะเลือกคำที่ยาวที่สุด 1.1 วธิ กี ารตดั คำแบบยาวทสี่ ุด (Longest Matching) วิธีการนี้จะเลือกคำที่ยาวที่สุดโดยเริ่มจากตัวอักษรซ้ายสุดของข้อความนั้นไปยัง ตัวอักษรถัดไป จนกว่าจะพบว่าเป็นคำที่มีอยู่ในพจนานุกรม จากนั้นค้นหาคำถัดไปจนกว่าจะ ครบข้อความ ในกรณีที่พบว่าเป็นคำในพจนานุกรมจากจุดเริ่มต้นเดียวกัน จะเลือกคำที่ยาว ทีส่ ุด 1.2 วธิ กี ารตัดคำแบบสอดคลอ้ งมากท่สี ดุ (Maximal Matching) วิธีการนี้จะเป็นวิธีการตัดคำโดยใช้วิธีการตัดคำที่สามารถจะเป็นไปได้ทั้งหมดและ เลือกข้อความท่แี บง่ คำแลว้ มจี ำนวนคำน้อยทีส่ ดุ 2. หลักการตดั คำโดยใช้การเรียนร้ขู องเครื่องจักร (Machine Learning-Based Approach) หลักการตัดคำโดยใช้คลังข้อมูลเป็นการตัดคำโดยใช้วิธกี ารจดจำรูปแบบของภาษาธรรมชาติ โดยการประมวลผลจะใช้คลังข้อมูลทางภาษา (Corpus) ที่เป็นฐานความรู้เพื่อใช้ในการฝึกฝน ทั้งนี้ เพื่อแก้ปัญหาคำที่ไม่ปรากฏในพจนานุกรม เช่น ชื่อเฉพาะ คำที่ยืมมาจากภาษาต่างประเทศ และ ความคลุมเครือในการแบ่งขอบเขตของคำได้อย่างถูกต้อง การตัดคำโดยใช้การเรียนรู้ของเครื่องจักร แบง่ ไดเ้ ปน็ 2 แนวทาง ไดแ้ ก่ 2.1 การตดั คำโดยอาศยั ความนา่ จะเป็น (Probabilistic Word Segmentation) วิธีการนี้จะนำเอาค่าทางสถิติการเกิดของคำและลำดับของหน้าที่ของคำ( Part-of- Speech) เข้ามาช่วยในการคำนวณหาความน่าจะเป็น เพื่อที่จะใช้เลือกแบบที่มีโอกาสเกิด มากทส่ี ุด
13 2.2 การตัดคำโดยอาศัยคณุ ลกั ษณะของคำ (Feature Based Word Segment) วิธีการนี้จะพิจารณาจากบริบท (Context) และการเกิดร่วมกันของคำ หรือหน้าที่ ของคำ (Collocation) เขา้ มาชว่ ยในการตดั วิธีการตดั คำโดยใชค้ ลงั ขอ้ มลู นี้จำเปน็ ท่ีจะต้องมี ฐานข้อมูลเปน็ จำนวนมาก และจะต้องมีการเรยี นรูก้ ารสร้างคำในบรบิ ท หรือการเกิดร่วมกัน ของคำแตล่ ะคำ เพอื่ ให้มีข้อมูลทน่ี ำมาใช้ในการตดั คำ จากการศึกษารูปแบบการตัดคำ โครงการนี้จะเลือกวิธีการตัดคำที่ใช้หลักการตัดคำโดยใช้ พจนานกุ รม โดยจะเลือกใชว้ ิธกี ารตัดคำแบบยาวทีส่ ุด (Longest Matching) เนอื่ งจากหลักการตัดคำ โดยใช้พจนานุกรมเป็นวิธีที่สามารถกำหนดกลุ่มคำในขอบเขตที่เก่ี ยวข้องได้โดยการกำหนดลงใน พจนานกุ รม ซ่งึ ความถูกต้องของการตดั คำจะขน้ึ อยูก่ ปั ริมาณของคำศัพทบ์ รรจุลงในพจนานุกรม 2.2.4 การรจู้ ำอารมณ์ (Emotion Recognition) การรู้จำอารมณ์ หมายถึง การกำหนดและระบุประเภทของนิพจน์ผ่านการสื่อสารในรูปแบบ ข้อความบนTwitterอาจจะประกอบ นิพจน์เป็นประเภทสื่ออารมณ์ ความสุข ความเศร้า ความโกรธ หรือความความสุข ความกลัว ความประหลาดใจ การรู้จำประเภทนิพจน์เป็นพื้นฐานสำคัญสำหรับ งานวิจัยในด้านปัญญาประดิษฐ์หรือการสร้างความฉลาดให้คอมพิวเตอร์ เพราะถ้าหากการระบุ ประเภทของนิพจน์มีความถูกต้องจะส่งผลให้การประมวลผลในขั้นตอนต่าง ๆ มีประสิทธิภาพมาก ยิ่งข้ึน เชน่ จากตัวอยา่ งในข้างตน้ กลุ่มนพิ จน์ “กุอายมากทเ่ี กิดเปน็ คนไทย นอกจากจะมีนายกโง่แล้ว ยังมคี นที่ไม่มีจิตสำนึกเรื่องลิขสิทธ์ิอีก” ถ้าระบบสามารถรู้จำไดว้ ่านิพจน์ “อายมาก” “นายกโง”่ และ “ไม่มีจิตสำนึก”เป็นประเภทคำด้านลบประเภทไม่พอใจ แล้วระบบจะสามารถให้คำอธิบายเชิง ความหมายกบั นพิ จน์ดงั กล่าวว่ากำลงั บง่ ชี้ถึงอารมณ์ โกรธ ไดถ้ ูกตอ้ ง 2.2.5 การเรียนรู้ของเคร่ือง (Machine Learning [ML]) ML เปน็ กระบวนการที่เคร่ืองเรยี นร้จู ากประสบการณ์หรือเรียนรู้จากขอ้ มูล (Data Training) โดยมีจุดมุ่งหมายให้เครื่องได้เรียนรู้จากข้อมูลและผลเฉลย (Labels) เพื่อแก้ปัญหางานใดงานหนึ่ง โดยตัวเครื่องสามารถที่จะพัฒนาการเรียนรู้ได้ดียิ่งขึ้นจากการใช้ข้อมูลที่ถูกป้อนให้ เรียนรู้ซ้ำไปซ้ำมา ดังนั้น ML ที่ใช้สำหรับวิเคราะห์อารมณ์จึงเป็นการเรียนรู้ขั้นตอนวิธีจดจำรูปแบบของอารมณ์แต่ละ ประเภท (Task) โดยที่เครื่องสามารถเรียนรู้จากอารมณ์ต่าง ๆ ที่เป็นเหตุการณ์ในอดีตซึ่งนับเป็น บทเรียน (Experience) เพื่อนำไปสู่การทำนายอารมณ์ต่าง ๆ ท่ีจะเกิดขึ้นในอนาคตได้อย่างถูกต้อง และแม่นยำยงิ่ ขึ้น (Improvement)นี้ (Garg, 2021) ระบบประเมนิ และวเิ คราะหแ์ นวโนม้ สภาพอารมณ์ของผู้ใชส้ อ่ื สงั คมออนไลนแ์ บบอตั โนมัติอ อาศัยการเรียนรูแ้ บบมผี ู้สอน (Supervised Learning) โดยจะถูกแบ่งออกเปน็ 3 แบบกลุม่
14 กลุ่ม Geometry เป็นการวิเคราะห์คุณลักษณะอารมณ์ผ่านการหาระยะหา่ งของแต่ละคลาส โดยเครื่องจะเลือกจับกลุ่มกับคลาสที่ อยู่ใกล้ที่สุด ยกตัวอย่างอัลกอริทึม เช่น Artificial Neural Network (ANN), k-Nearest Neighbors (k-NN) และ Support Vector Machine (SVM) กล่มุ Probability เป็นการวเิ คราะหค์ ณุ ลักษณะอารมณผ์ ่านการหาความน่าจะเป็นของคลาส แต่ละคลาส ซึ่งจะมีการคำนวณโดยใช้การแจกแจงความน่าจะเป็นแบบมีเงื่อนไข P (Y | X) โดยที่ เครื่องจะแบ่งประเภทให้กับคลาสที่มีค่าความน่าจะเป็นมากที่สุด ยกตัวอย่างอัลกอริทึมเช่น Naive Bays กลุ่ม Logical Expression เป็นการวเิ คราะหค์ ณุ ลักษณะอารมณผ์ ่านการใชก้ ฎเชงิ ตรรกะ (If- Part Expression) ซึ่งจะมีการใช้ฟังก์ชันค่าBoolean (If X then-part Y) เพื่อที่จะให้เครื่องสามารถ แบ่งประเภทคลาสผ่านตรรกะที่แตกต่างกัน ยกตัวอย่างอัลกอริทึม เช่น Decision Tree และ Random Forest ดังนั้นทางผู้พัฒนาระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสัง คม ออนไลน์แบบอัตโนมัติ มีความต้องการที่จะทดลองใช้อัลกอริทึมในทุก ๆ กลุ่ม ดังที่ได้ระบุไปด้านบน เพื่อที่จะให้ทราบได้ว่าข้อมูลทวิตเตอร์ที่มีการดึงมาเหมาะกับอัลกอริทึมใดและจัดอยู่กลุม่ ใดที่สามรถ ทำนายอารมณ์ที่เกิดขึ้น โดยใช้อัลกอริทึมแบบใดถึงจะมีประสิทธิภาพที่ดีที่สุดจะถูกนำไปใช้ในระบบ ดังกล่าว อัลกอริทึมหรือโมเดลที่ใช้ในการเรียนรู้และจดจำสภาพอารมณ์จากกลุ่มต่าง ๆ แสดงดัง ตารางที่ 2.1
15 ตารางที่2. 1 โมเดลท่ีใช้ในการเรียนรแู้ ละจดจำสภาพอารมณ์ ลำดบั โมเดล (Model) 1 K-Nearest Neighbors 2 Decision Tree 3 Naïve Bayes 4 Support Vector Classifier (SVC) 5 Support Vector Machine (SVM) 6 Random Forest 7 Stochastic Gradient Descent (SGD) 2.2.6 เทคโนโลยีการตัดคำสำหรบั ภาษาไทย การสื่อสารผ่านข้อความเป็นภาษาธรรมชาติของมนุษย์ประเภทหนึ่งท่ีใช้ในชีวิตประจำวันทัง้ โดยข้อความในรูปแบบของภาษาไทยมักจะเรียงเป็นรูปประโยคความยาวแบบไม่มีขอบเขตแบ่งคำ ชัดเจน แตกต่างจากภาษาอังกฤษที่จะใสช่องว่างระหว่างคำ เมื่อมนุษย์อ่านแล้วจะเข้าใจความหมาย แต่คอมพิวเตอร์ไม่สามารถเข้าใจได้ ดังนั้นจำเป็นต้องมีการนำข้อความเหล่านั้นเข้าสู่กระบวนการ ประมวลผลภาษาธรรมชาติ ในโครงงานน้ีจะอาศยั Thai Natural Language Processing in Python (PyThaiNLP) เป็นโปรแกรมประยุกต์สำหรับจัดการกับข้อมูลที่อยู่ในรูปแบบของภาษาธรรมชาติของ มนุษย์ PyThaiNLP เป็นแพลตฟอร์มมาตรฐานด้านการประมวลผลภาษาธรรมชาติบนพื้นฐานการ เขียนชดุ คำสั่งผ่านภาษา Python PyThaiNLP สารมารถเรียกใช้งานง่ายผ่านการเรียกใช้วิธีการต่าง ๆ เช่น การตัดคำ การลบคำขยะ และการกำหนดประเภทของคำ (คำนาม คำกิริยา หรือคำวิเศษ เป็น ตน้ ) โดยฐานขอ้ มูลคำศัพท์มาตรฐาน เชน่ กลมุ่ คำศัพท์ WordNet ทร่ี องรับการประมวลผลคำพ้องรูป พ้องเสียง หรือลำดับชั้นของคำ (เช่นลำดับ การแสดงออก ร้องไห้ บ่งชี้พฤติกรรม เศร้าใจ ซึ่งเป็นส่วน หนึ่งของ อารมณ์) เป็นต้น การเรียกใช้เครื่องมือการตัดคำผ่าน PyThaiNLP สามารถรองรับเทคนิค ต่าง ๆ ทั้ง หลักการตัดคำโดยใช้พจนานุกรมและหลักการตัดคำโดยใช้การเรียนรู้ของเครื่องจักร ทั้งน้ี ความหลากหลายดังกล่าวจะช่วยในการประมวลผลภาษาธรรมชาติของมนุษย์เพื่อให้อยู่ในรูปแบบที่ คอมพวิ เตอรส์ ามารถท่ีจะเขา้ ใจได้ เช่น ขอ้ ความบน Twitter
16 โดยโครงงานนี้จะมีแพลตฟอร์ม PyThaiNLP ซึ่งมีบทบาทสำคัญในการจัดรูปแบบของ ขอ้ ความและการเตรียมขอ้ ความเพื่อท่จี ะเข้าสู่กระบวนการเรยี นรขู้ องเครื่อง (Machine Learning) 2.2.7 Scikit-Learn Scikit-Learn เป็นไลบรารีแบบไม่มีค่าใช้จ่าย โดยนักพัฒนาสามารถเรียนใช้ขั้นตอนวิธีและ การประมวลผลต่าง ๆ ได้เต็มรูปแบบผ่านชุดคำสั่งภาษา Python ในลักษณะการโปรแกรมเชิงวัตถุ Scikit-Learn ถูกพัฒนาเต็มรูปแบบเพื่อรองรับการใช้งานด้าน ML โดยจุดเด่นคือสามารถนำไปใช้ใน การแบ่งประเภทข้อมลู (Data Classification) การแบง่ กลุ่มข้อมลู (Cluster Analysis) การวิเคราะห์ การถดถอย (Regression) Scikit-Learn ถูกออกแบบสามารถใช้ร่วมกับไลบรารีระเบียบวิธีเชิงตัวเลข (Numerical Method: NumPy) ไลบรารีระเบียบวิธีการคำนวนเชิงวิทยาศาสตร์ (Scientific Computing Tools for Python: SciPy) ของ Python โดยเฉพาะนักวเิ คราะห์ข้อมูลจะอาศยั Scikit-Learn เป็นเครือ่ งมือ ในการประมวลผลเนื่องจากการใช้งานที่เรียบง่ายแต่มีประสิทธิภาพสูง สามารถเข้าถึงได้ง่ายไม่มี เงื่อนไข รองรับการปรบั เปลย่ี นและใชง้ านซำ้ ได้ (ActiveState, 2021) สำหรับการจัดทำโครงการนี้มีการประยุกต์ใช้การเรียนรู้ของเคร่ืองผ่าน Scikit-Learn เพ่ือ เป็นเทคโนโลยีในการกำหนดชุดคำสั่งให้เครื่องเรียนรู้และจดจำรูปแบบอารมณ์ต่าง ๆ ผู้ใช้สื่อสังคม ออนไลน์บน Twitter สื่อสารในรูปแบบข้อความ โดยผลลัพธ์ที่ได้จาก Scikit-Learn คือตัวแบบท่ี สามารถรจู้ ำอารมณ์ซ่งึ สามารถนำไปรู้จำอารมณ์ของข้อความทจ่ี ะเกิดขน้ึ ในอนาคต 2.2.8 การแสดงผล (User Interface) สำหรับการพัฒนาหรือออกแบบโปรแกรม นอกเหนอื จากส่วนท่เี ป็นการนำเข้าข้อมูลผู้พัฒนา ได้ออกแบบตวั แบบในการนำเข้าข้อมูลนน้ั เพื่อใชใ้ นการในการจดั การกบั ตวั ระบบเพ่ือให้ไดผ้ ลลพั ธ์ตาม วัตถุประสงค์และอีกส่วนที่มีความสำคัญมากเช่นเดียวกันคือ ส่วนที่ใช้ในการเชื่อมต่อกับผู้ใช้งาน (User Interface) เป็นส่วนที่ให้ผู้ใช้งานสามารถโต้ตอบกับการใช้งานของระบบได้ ซึ่งจะมุ่งเน้นไปท่ี เรอ่ื งของหนา้ ตา การออกแบบ และการดีไซน์ ยกตวั อย่างเชน่ หนา้ จอ แพลตฟอรม์ เมนู ฟอรม์ ต่าง ๆ การวางภาพ ขนาดตวั อักษร เป็นต้น (ธนศรีพนิชชยั , 2021) ผู้พัฒนาต้องให้ความสำคัญกับส่วนที่ใช้เชื่อมต่อกับผู้ใช้งานเพื่อที่จะให้ตัวระบบกับผู้ใช้งาน สามารถทจี่ ะประสานหรอื ติดตอ่ กบั ระบบงานได้อยา่ งมปี ระสทิ ธิภาพ สำหรบั การออกแบบในส่วนนี้แต่ ละรูปแบบงานน้นั ผพู้ ฒั นาจะมกี ารออกแบบหรือจดั การกบั ส่วนทเี่ ป็น User Interface จะมีการ
17 ออกแบบและจัดวางการแสดงผลท่ีแตกต่างกัน ซึ่งในการจัดทำโครงการระบบประเมินและวิเคราะห์ แนวโน้มสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์แบบอัตโนมัติ ได้จัดทำเป็น Web Application เพ่ือ แสดงผลแนวโน้มในรูปแบบ Dashboards ที่ได้จากการวิเคราะสภาพอารมณ์ของผู้ใช้สื่อสังคม ออนไลนบ์ น Twitter การพัฒนาระบบในส่วนการแสดงผลของระบบจะใช้ภาษาโปรแกรมคอมพิวเตอร์ 3 ภาษา เป็นตัวช่วยในการสร้างเว็บไซต์ ประกอบด้วย 1) Hyper Text Markup Language (HTML) 2) Cascading Style Sheets ( CSS ) 3) JavaScript (JS ) ทั้งสามภาษาเป็นภาษาที่ใช้กันอย่าง แพร่หลาย ในปจั จบุ นั นี้ คนส่วนใหญ่กำลังเรยี นรทู้ ้งั สามภาษา ซึง่ เป็นความรู้ท่ีทำใหเ้ ว็บไซต์เติบโตขึ้น ทกุ วัน และนำไปสู่การแขง่ ขนั ท่เี พ่มิ ขนึ้ จงึ เปน็ เหตผุ ลท่ที ำให้ผพู้ ฒั นาเลือกใช้ 1.Hyper Text Markup Language (HTML) เป็นภาษาที่ใช้ในการแสดงผลในลักษณะของ ข้อความ รูปภาพ รวมไปถึงเสียง วิดีโอและภาพเคลื่อนไหวต่าง ๆ ภาษา HTML เป็นภาษาที่ง่ายต่อ การเรยี นรู้ สามารถกำหนดรปู แบบและโครงสร้างไดง้ ่าย ทำให้ ไดร้ บั ความนยิ ม และมีการพัฒนาอย่าง ต่อเนื่องเพื่อให้ใช้งานง่ายขึ้น และตอบสนองต่องานด้านกราฟิก มากยิ่งขึ้น (วิชาการพัฒนาเว็บไซต์ ทางธรุ กิจเบอ้ื งต้น BC10203, 2022) 2.Cascading Style Sheets (CSS) ภาษาสไตลช์ ีตทีมรี ปู แบบการเขียน Syntax ท่ีเฉพาะ ใช้ เพื่อจัดรูปแบบเช่นสี พื้นหลัง สไตล์ แบบอักษร ฯลฯ เพื่อให้เว็บไซต์มีความน่าสนใจ ซึ่งผู้พัฒนา สามารถที่จะแก้ไข ปรับปรุง หรือควบคุมการนำเสนอในส่วนข้อมลู ตา่ ง ๆของเว็บไซต์ผ่านตวั CSS ได้ สะดวกและรวดเรว็ CSS นี้จะถกู กำหนดมาตรฐาน โดย W3C (World Wide Web Consortium) ใน การกำหนดค่าต่าง ๆ ของเอกสาร HTML หรือ XHTML ที่ถูกสร้างขึ้นมา (WYNNSOFT SOLUTION CO,LTD., 2022) 3.JavaScript (JS) เป็นภาษาโปรแกรมที่ได้รับความนิยมมากที่สุดในโลก ง่ายต่อการเรียนรู้ ได้ถกู ออกแบบมาเพอื่ ใชเ้ ป็นส่วนเพมิ่ ขยายในภาษา HTML โดยเฉพาะ ช่วยให้สามารถควบคมุ เว็บเพจ ได้อย่างง่ายดาย ซึ่ง JavaScript สามารถติดต่อกับส่วนต่าง ๆ ที่ผู้พัฒนาได้กำหนดกับหน้าเว็บไซต์ และ JavaScript สามารถนำมาใช้แสดงหรือกำหนดคุณสมบัติของเว็บไซต์ที่ผู้พัฒนาได้ออกแบบไว้ (จันทีนอก, 2000)
2.3 การทบทวนวรรณกรรมทเ่ี ก่ียวขอ้ ง การทบทวนวรรณกรรมทเ่ี กย่ี วข้องจะมุ่งเนน้ ศกึ ษางานงานวิจัยทวี่ เิ คร ต่าง ๆ โดยการวิเคราะห์ดังกล่าวจะอาศัยการประมวลผลแบบอัตโนมัติ กา เก่ียวข้องซ่ึงจะพิจารณาเบ้ืองต้นผ่านช่ือบทความ 2) รูปแบบขอ้ มูลที่ใช้ในการ วเิ คราะหอ์ ารมณ์ และ 5) ความถูกตอ้ งแม่นยำในการวเิ คราะหอ์ ารมณ์ตา่ ง ๆ ตารางท่ี2. 2 การทบทวนวรรณกรรมที่เกี่ยวข้อง Title Datatype E (Problem Solving) Neutral (Concern Twitter trends: A ranking twitter 4 หมวดหม algorithm analysis on real ความสขุ ความเศร้า time data ( Hikmat Ullah ความโกรธ ความกล Khan, 2021) ประหลาดใ Role of Emotion in twitter Excessive Use of Twitter During COVID-19 Imposed Lockdown in India (Anshika Arora, 2021)
18 ราะห์อารมณ์ของผใู้ ช้งานบนส่ือสังคมออนไลน์ผา่ นการแสดงความเห็นต่อสถานการณ์ ารทบทวนวรรณกรรมนี้จะพิจารณาประเด็นหลัก ๆ ซึ่งจะประกอบด้วย 1) ปัญหาที่ รวิเคราะห์ 3) กลุ่มอารมณ์ท่ีสามารถวิเคราะห์ได้ 4) วิธีการหรือขั้นตอนวิธีที่ใช้ในการ ซง่ึ สามารถอธิบายได้ดังตารางท่ี 2.1 Emotions Method Accuracy/P value N/A (Analysis) Emotion ranking algorithms ning on Fact) มู่อารมณ์: 1 . Algorithm K- mean ความแมน่ ยำ 95% clustering 2. Statistically significant ธหรือความความสุข analysis ( IBM SPSS ล ั ว ห ร ื อ ค ว า ม Statistics 26.0 โปรแกรม ใจ วเิ คราะหท์ างสถิต)ิ
ตารางท่ี2. 3 การทบทวนวรรณกรรมที่เกี่ยวข้อง (ต่อ) Title Datatype E (Problem Solving) Emotion Detection and Social media เช่น Twitter, 6 หมวดหม Analysis on Social Media Facebook ความสขุ (Bharat Gaind, 2019) ความเศรา้ ความกลัว ความโกรธ ความประห ความความ Automatic Detection of Twitter 7หมวดหม Emotions in Twitter Data ความเศร้า - A Scalable Decision ความสุขสบ Tree Classification ความเช่อื ใจ Method (Jaishree ความความ Ranganathan, 2018) ความโกรธ ความกลวั ความประห
19 Emotions Method Accuracy/P value มู่อารมณ์: (Analysis) ธ 1. Natural language SMO ความแมน่ ยำ 91.7% หลาดใจ มสุข processing J48 ความแมน่ ยำ 85.4% มู่อารมณ์ 2. Machine Learning บายใจ จ classification algorithms มสุข ธ 2.1 SMO หลาดใจ 2.2 J48 Algorithm: ML- based ความแมน่ ยำ 96.45% Decision Tree
ตารางท่ี2. 4 การทบทวนวรรณกรรมท่ีเก่ยี วข้อง (ต่อ) Title Datatype E (Problem Solving) 6 หมวดหม ความสุข Twitter Discussions and Twitter ความเศรา้ ความกลัว Emotions About the ความโกรธ ความประห COVID- 19 Pandemic: ความความ Machine Learning Approach (Xue J, 2020)
20 Emotions Method Accuracy/P value มอู่ ารมณ์ : (Analysis) ธ หลาดใจ 1. Algorithm Machine ข้อมูล Twitter มีความสำคญั มสุข Learning Unsupervised ก ั บ อ า ร ม ณ ์ ข อ ง ผ ู ้ ค น ใ น 2. Algorithm Dirichlet สถานการณ์โรคระบาดโควิด- Allocation (LDA) 19 (P<0.001) 3. Natural language processing 4 . Statistically significant analysis
21 จากตารางที่ 2.2-2.4 จะเห็นได้ว่าวรรณกรรมที่กล่าวมาข้างต้นจะใช้ข้อมูลที่มาจาก Twitter โดย Twitter เป็นทางเลือกที่ได้รับความนิยมในการใช้ติดต่อสื่อสารหรือติดตามข่าวสาร เนื่องจาก Twitter เอื้อให้ ผู้ใช้งานสามารถใช้งานได้ง่ายและสามารถแสดงออกเชิงอารมณ์และความคิดได้อย่างเสรี ในส่วนข องกลุ่ม อารมณ์จะพบว่าแต่ละวรรณกรรมจะวเิ คราะห์ถงึ อารมณโ์ ดยตรง เชน่ ความสุข หรือ ความโกรธ หรอื วิเคราะห์ ทางออ้ มทจ่ี ะสอ่ื ความหมายอารมณ์ถงึ ความเปน็ Negative และ Positives สว่ นวธิ ีการทีน่ ิยมมากท่ีสุดกจ็ ะมี 3 แบบด้วยกัน คอื Machine Learning Approaches Rule-based Approachesและ Hybridge Approaches ความแม่นยำของวธิ กี ารในวรรณกรรมยงั ไม่ระบแุ ต่บางวรรณกรรมระบคุ วามแมน่ ยำของวธิ กี ารแลว้ จากการศึกษาวรรณกรรมที่เกี่ยวข้องทำให้ทราบถึงแนวทางที่นำมาใช้ในการพัฒนาโครงการระบบ ประเมินและวเิ คราะห์แนวโนม้ สภาพอารมณ์ของผใู้ ช้สื่อสังคมออนไลนแ์ บบอัตโนมตั ิ โดยโครงการน้ีจะใช้ข้อมูล ที่มาจาก Twitter เพื่อวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้โซเชียลมีเดีย โดยจะเน้นไปที่การวิเคราะห์ อารมณ์ของคนรุ่นใหม่ ซึ่งคือวัยรุ่นที่มีการแสดงออกเชิงอารมณ์ต่อเหตุการณ์บ้านเมือง และในส่วนของกลุ่ม อารมณ์ที่สามารถวิเคราะห์ได้ จะแบ่งออกเป็น 6 อารมณ์ด้วยกัน คือ ความสุข ความเศร้า ความกลัว ความ โกรธ ความประหลาดใจ และความความสขุ วธิ ีการทใ่ี ช้ในการวิเคราะห์อารมณ์ทีเ่ ลือกใช้ คือวิธีการเรียนรู้ของ เครือ่ ง (Machine Learning) เพอ่ื ใหเ้ ครือ่ งสามารถแกป้ ญั หาการรู้จำอารมณ์ตา่ ง ๆ
บทที่ 3 การวิเคราะห์ข้อมลู การวิเคราะห์ข้อมูลของโครงการระบบระบบประเมินและวิเคราะห์แนวโน้มสภาพอารมณ์ของผู้ใช้สอื่ สังคมออนไลน์ ซึ่งมีเป้าหมายเพื่อศึกษาสภาพอารมณ์ของผู้ใช้สื่อสังคมออนไลน์ที่เกิดจากการแสดงความ คดิ เห็นตอ่ ประเด็นต่าง ๆ บนแพลตฟอร์มทวติ เตอร์ เพื่อที่จะนำปญั หาดังกล่าวนี้ไปใช้ในการออกแบบและสร้าง ระบบ เพื่อที่จะให้ระบบที่ออกแแบบและสร้างขึ้นจะเป็นไปตามวตั ถุประสงค์ โดยจะมีการวิเคราะหข์ ้อมูลของ ระบบดังกล่าวซึ่งมรี ายละเอยี ดดังน้ี 3.1 การทำความเข้าใจปัญหา (Business Understanding) ปจั จบุ นั สื่อสังคมออนไลน์เข้ามามีบทบาทในชวี ติ ประจำวันของผู้คนมากยิ่งข้ึน โดยเฉพาะการรับรู้และ แสดงความคิดเห็นต่อประเด็นข่าวสารต่าง ๆ ซึ่งจะเห็นว่าทวิตเตอร์หรือเฟสบุคเป็นแพลตฟอร์มที่มีการโพสต์ หรือแสดงความคิดเห็นต่อเหตุการณ์ที่เกิดขึ้นได้อย่างรวดเร็ว โดยจะพบว่าผู้คนมักจะมีการแสดงข้อความ เพื่อที่จะระบายความรู้สึกของตัวเองผ่านการสื่อสารด้วยความโกรธ ความเศร้า และความวิตกกังวลจาก เหตุการณ์ทีเ่ กดิ ขึน้ ซึ่งการโพสตด์ งั กล่าวจะสง่ ผลเสยี ต่อสขุ ภาพจิตของผใู้ ชส้ อื่ สงั คมออนไลน์ จากปัญหาดังกล่าวทำใหแ้ พทยผ์ เู้ ชี่ยวชาญด้านสุขภาพจิต ตอ้ งการท่จี ะเขา้ ใจปัญหาของวัยรุ่นที่มีการ แสดงความคิดเห็นบนส่ือสังคมออนไลน์ จากการสัมภาษณ์แพทยผ์ ู้เชีย่ วชาญจากคลนิ กิ เวชกรรมเฉพาะทางจติ เวชเด็กและวัยรุ่นสถิติด้านสุขภาพจิตเด็กและวัยรุ่น โรงพยาบาลสงขลานครินทร์ พบว่า เจ้าหน้าที่ต้องการ ติดตามเพื่อดูพฤติกรรมอารมณ์ของผู้คนบนสื่อสังคมออนไลน์รวมถึงแนวโน้มสภาพจิตใจของเยาวชนที่ได้รับ ผลกระทบจากเหตุการณ์ต่าง แต่พบข้อจำกัดเนื่องจากข้อมูลที่มีการแสดงความคิดเห็นนั้นมีการอัพเดตอยู่ ตลอดเวลาและมีจำนวนมหาศาลในขณะทีเ่ จ้าหน้าที่ทเี่ กี่ยวข้องมีจำนวนจำกัด ทำให้ผู้เชยี่ วชาญด้านสุขภาพจิต ไม่สามารถทจ่ี ะจดั การกบั ข้อมลู เหลา่ นั้นได้ 3.2 การทำความเข้าใจข้อมลู (Data Understanding) ข้อมูลท่ีมกี ารโพสต์หรือแสดงความคิดเหน็ บนแพลตฟอร์มของทวิตเตอรเ์ ป็นข้อมูลที่อยู่ในรูปแบบของ ภาษาธรรมชาติทม่ี ีความยาวเรียงต่อกนั และมกั จะมคี วามคลุมเครือ คอมพิวเตอร์ไมส่ ามารถทจ่ี ะประมวลผลได้ ซึ่งจัดอยู่ในรูปแบบของข้อมูลที่ไม่มีโครงสร้าง (Unstructured Data) ข้อมูลประเภทนี้ไม่สามารถระบุ โครงสร้างที่ชัดเจนได้ ทำให้เกิดความยากในการเข้าใจความหมายของข้อมูล ดังนั้นจึงนำข้อมูลเหล่านี้มาระบุ ความหมายในเชงิ มิตดิ า้ นอารมณ์เพื่อใหเ้ กิดความชดั เจนในการทำความเข้าใจขอ้ มลู เช่น ขอ้ ความทวตี “โอมคิ
23 รอนไอสสั นรก ไอเปรตมาบา้ นกูทำไมว่ะ” ซึง่ ผู้พัฒนาได้ใหค้ วามหมายของข้อความทวีตดงั กล่าวน้ีว่าผู้ โพสมีความโกรธ ณ ขณะการตอบสนองตอ่ ปรากฏดังกลา่ ว จากการที่ผู้พัฒนาได้รวบรวมข้อมูลจำนวน 2,000 ความเห็นจากแพลตฟอร์มทวิตเตอร์ (หนึ่งทวีตต่อ หนึง่ ความเห็น) และได้กำกับความหมายของอารมณ์ต่าง ๆ ที่ผ้โู พสไดใ้ ห้ความเห็นจึงพบว่าสัดส่วนอารมณ์ต่าง ๆ สามารถแสดงได้ดังภาพที่ 3.1 Emotions anger fear happiness sadness 15% 49% 34% 2% ภาพท3ี่ . 1 สัดส่วนอารมณ์จากการรวบรวมข้อความทวตี จากภาพที่ 3.1 เป็นภาพที่แสดงสัดส่วนอารมณ์จากการรวบรวมข้อความทวีต จะเห็นได้ว่าแนวโน้ม สภาพอารมณ์โกรธมีสัดส่วนเปอร์เซ็นต์ที่มากที่สุด ณ ช่วงเวลาที่ได้ทำการรวบรวมข้อมูล เพราะผู้คนมักจะ โพสต์หรือแสดงความคิดเห็นด้วยความโกรธและความเกลียดต่อเหตุการณ์ที่ผู้ใช้งานไมพ่ ึงพอใจ ซึ่งรองลงมาก็ จะเป็นสดั ส่วนแนวโน้มสภาพอารมณม์ คี วามสขุ ความเศรา้ และความกลัว ตามลำดับ จากตัวอย่างการกระจายของอารมณใ์ นข้างต้นจะพบว่าอารมณ์โกรธซึ่งเป็นภาพสะท้อนของผู้คนส่วน ใหญ่นั้นจำเป็นต้องได้รับการดูแลหรือให้คำแนะนำแก้ผู้ใช้สื่อสังคมเพื่อป้องกันผลกระทบต่ อจิตใจ (Psychological Violence) ทั้งนี้เพื่อเป็นการป้องกันภาวะอันตรายจากอารมณ์โกรธที่เกิดขึ้นยาวนานจน อาจจะนำไปสู่อุปนิสัยการแสดงออกของพฤติกรรมความรุนแรงและกลายเป็นโรคเรื้อรังซ่ึ งยากต่อการรักษา (รุ่งสาง, 2563) สื่อสังคมออนไลน์กลายเป็นเครื่องมือหรือพื้นที่ที่เยาวชนจะแสดงออกความรุนแรงซึ่งข้อมูลอารมณ์ ดังกล่าวนั้นเป็นปัจจัยสำคัญต่อการนำไปใช้เพื่อการจัดการพฤติกรรมก้าวร้าวรุนแรงในวัยรุ่น (Managing Violence Among Adolescents)
24 3.3 การเตรียมขอ้ มูล (Data Preparation) เพื่อจัดการกับข้อมูลทีไ่ ม่มีโครงสร้างท่ีอยู่ในรูปแบบของภาษาธรรมชาติ โดยจะผ่านกระบวนการย่อย ต่าง ๆ เพื่อที่จะให้การประมวลผลข้อมูลมีประสิทธิภาพมากยิ่งขึ้น ซึ่งประกอบด้วย 3 ขั้นตอนดังนี้ 1) การ กำหนดขอบเขตของคำ (Data Determining) 2) การตัดคำตามขอบเขตและการลบคำขยะหรือคำที่ไม่สื่อ ความหมาย (Tokenization and Noise Removal) 3) การคำนวณค่าความถี่และน้ำหนักของคำ (TF-IDF- based Vectorization) 3.3.1 การกำหนดขอบเขตของคำ (Data Determining) การกำหนดขอบเขตของคำเป็นการอธิบายถึงความเป็นธรรมชาติของภาษาธรรมชาติที่จะ เปลี่ยนแปลงตามประเด็นปัญหาต่าง ๆ เชน่ ในขอบเขตการจำแนกอารณ์จะต้องมีการกำหนดขอบเขต เฉพาะตัวอย่างเช่น “โนสนโนแคร์” “ชั้นต่ำ” “ไร้จิตสำนึก” “บุกจับ” “หิวแสง” ไม่สามารถแบ่งคำ ออกจากกันได้ถึงแม้คำเหล่านี้สามารถแยกออกจากกันและสื่อความหมายที่แตกต่างกัน “หิว” เป็น กิริยาสะท้อนพฤติกรรมของมนุษย์ที่ต้องการอาหาร ในขณะท่ี “แสง” เป็นเป็นคำนามของพลังงาน ชนิดหนึ่งที่ช่วยให้สิ่งมีชีวิตมองเห็นวัตถุต่าง ๆ ได้ อย่างไรก็ตามในมิติของอารมณ์ “หิวแสง” กลับมี ความหมายเชิงความสุขที่ผูแ้ สดงความเห็นสะทอ้ นถึงเหตกุ ารณท์ ่เี กิดขึน้ การกำหนดขอบเขตคำต่าง ๆ ในโครงงานนี้แบ่งตามกลุ่มอารมณ์ 4 อารมณ์ คือ ความกลัว (Fear) ความเศร้า (Sad) ความสขุ (Happiness) และความโกรธ (Angry) ดังที่แสดงในตารางท่ี 3.1
ตารางท่ี3 1ตัวอยา่ งการกำหนดขอบเขตของคำตามกล่มุ อารมณ์ อารมณ์ (Emotions) คำ (Word) ความกลวั (Fear : F) F = {“อกตญั ญ”ู , “โปรดอยา่ ท้งิ ”, “ไม่ยตุ ธิ ความสขุ (Happy : H) H = {“นา่ รกั ”, “ปังมากแม”่ , “สวยงาม”, ความเศรา้ (Sad : S) S = {“ผิดหวัง”, “เศร้า”, “น้อยใจ”, “ส้นิ ห ความโกรธ (Angry : A) A = {“สงิ่ ชวั่ รา้ ย”, “ผีเบ๋อ”, “อยา่ โง”่ , “ต จากตารางที่3.1 เป็นการยกตัวอย่างของกลมุ่ คำท่ีผ่านการกำหนดขอ การตัดคำ ซึ่งจะสามารถสอนเครือ่ งให้เกดิ การเรียนรแู้ ละจดจำสภาพอารมณต์
25 ธรรม”, “อรี ัฐบาล”, “แย่จงั ”, “ระแวง”, “ร้องไห”้ ,..., “ไมส่ นใจ”} “ไพเราะ”, “ตา๊ ชมาก”, “ปังมาก”, “สุดยอด”, “ชอบ” ,..., “เพลิน”} หวงั ”,“อดทน”, “ทกุ ข”์ , “ทรมาน”, “คราบนำ้ ตา”, “ขม่ เหง” ,..., “รงั แก}” ตำ่ ”, “เลกิ เหยยี ด”, “เลกิ บลู ลี่”, “น่าเกลียด”, “โกงชาต”ิ ,...,”ทุเรศ”} อบเขตของคำ โดยจะนำคำเหลา่ นี้มาสรา้ งเปน็ พจนานุกรมคำศพั ทเ์ พ่ือใช้ในขัน้ ตอน ต่าง ๆได้
26 3.3.2 การตัดคำตามขอบเขตและการลบคำขยะหรือคำที่ไม่สื่อความหมาย (Tokenization and Noise Removal) ขั้นตอนของการตัดคำจากประโยคข้อความต่าง ๆ จะประมวลผลตามฐานคำศัพท์มาตรฐาน ซึ่งในโครงงานนี้จะอาศัยฐานข้อมูลร่วมกับ National Electronics and Computer Technology Center หรือ NECTEC ที่ได้พัฒนาคำศัพท์พื้นฐานข้อมูล Lexitron นอกจากนี้เพื่อให้การตัดคำ สอดคล้องกับโดเมนการวิเคราะห์อารมณ์ โครงงานนี้จะอิงข้อมูลจากขัน้ ตอนของการกำหนดขอบเขต ของคำเพื่อให้ได้กลุ่มคำที่สื่อความหมายและสะท้อนอารมณ์ตามเจตนาของผู้ใช้ทวีตให้เป็นธรรมชาติ เชน่ ขอ้ มลู ทวตี “เสียภาษีมาเพื่อโดนยิงหรอ การออกมาเรียกร้องประชาธิปไตยทำไมต้องโดนทำร้ายขนาดนี้ ประชาชนเขาไมไ่ ดม้ อี าวุธเลย เทยี บกับพวกตำรวจทหารท่ีมีปนื มีกระบอง มอี าวุธครบมือ บางคนแม่ง ทำเพื่อความสะใจของตัวเอง พวกกูออกมาเรียกร้องเผลอๆพวกเดนนรกห่านี่แม่งได้ผลประโยชน์ไป ดว้ ย #ม็อบ14พฤศจกิ า64” มูลทวีตดงั กล่าว ถูกโพสเม่อื วนั ท่ี 14 เดือน พฤศจกิ ายน พุทธศกั ราช 2564 ในเวลา 12:44:28 น. โดยเจ้าของบัญชีใช้ชื่ออ้างอิง @gwhtr3pieks มีรหัสการทวีตคือ 1459864812687530000 มี จำนวนผู้ติดตาม 28 คน จำนวนการกดถูกใจทวีต 1 คน เเละมีจำนวนการรีทวีต 3 ครั้ง จึงสามารถ สรุปได้ว่าข้อความดังกล่าวสะท้อนจากผู้ใช้งานจริงและไม่ได้เป็นข้อมูลจากบอทหรือ หน่วย IO ของ ภาครฐั จากตัวอย่างข้อมูลทวีตข้างต้นสามารถนำมาตัดคำตามขอบเขตโดยทดลองใช้เทคนิค Pythainlp ซึ่งจะมวี ธิ ตี า่ ง ๆ ดังทีป่ รากฏในตารางที่ 3.2
ตารางท่ี3 2 เทคนิคการตัดคำ ลำดบั เทคนคิ เสยี ภาษี | มา | เพ่อื | 1. Customized Dictionary- based | ทำร้าย | ขนาดนี้ | | ที่ | มี | ปืน | | มี |กร longest- Matching based on ตัวเอง | | พวกกู | ออ Emotional Terminology (CDLMT) ด้วย | | # | มอ็ บ | 14 (Our propose) | เสียภาษี | มา | เพื่อ 2. Maximal Matching Algorithm and โดน | ทำรา้ ย | ขนาด Thai Character Cluster ( MMA- ทหาร | ที่ | มี | ปืน | | TCC) | ของ | ตัวเอง | | พว ผลประโยชน์ | ไป | ดว้ 3. Dictionary- based Longest- Matching Thai Word | เสียภาษี | มา | เพื่อ segmentation (DLMT) โดน | ทำร้าย | ขนาด ทหาร | ท่ี | มี | ปืน | | ของ | ตัวเอง | | พวก ประโยชน์ | ไป | ดว้ ย
27 ผลลัพธ์ โดนยงิ | หรอ | | การ | ออก | มา | เรยี กรอ้ ง | ประชาธิปไตย | ทำไม | ต้อง | โดน ประชาชน | เขา | ไม่ได้ | มี | อาวุธ | เลย | | เทียบ | กับ | พวก |ตำรวจ | ทหาร | ระบอง | | มี |อาวุธ | ครบมือ | | บางคน | แม่ง | ทำ | เพื่อ |ความสะใจ | ของ | อกมา | เรียกร้อง | เผลอๆ | พวก | เดนนรก | ห่านี่ | แม่ง |ได้ | ผลประโยชน์ | ไป 4 | พฤศจิกา | 64 อ | โดน | ยิง | หรอ | | การ | ออกมา | เรียกร้อง | ประชาธิปไตย | ทำไม | ต้อง | | นี้ | | ประชาชน | เขา | ไม่ | ได้ | มี | อาวุธ | เลย | | เทยี บ | กบั | พวก |ตำรวจ | |มี | กระบอง | | มี | อาวุธ | ครบมือ | | บางคน | แม่ | ง | ทำ | เพือ่ | ความ | สะใจ วก | กู | ออกมา | เรียกร้อง | เผลอ | ๆ | พวก | เดนนรก | ห่า |น่ี | แม่ | ง | ได้ | วย | | # | ม็อบ | 14 | พฤศจกิ า | 64 | อ | โดน | ยิง | หรอ | | การ | ออกมา | เรียกร้อง | ประชาธิปไตย | ทำไม | ต้อง | ด| นี้ | | ประชาชน |เขา | ไม่ | ได้ | มี | อาวุธ | เลย | | เทียบ | กับ| พวก |ตำรวจ | |มี | กระบอง | | มี | อาวธุ | ครบมอื | |บางคน | แม่ | ง | ทำ | เพอ่ื |ความ | สะใจ | ก | กู | ออกมา | เรียกร้อง | เผลอๆ | พวก | เดนนรก | ห่า | นี่ | แม่ | ง | ได้ผล | | | # | มอ็ บ | 14 | พฤศจกิ า | 64 |
Search
