ปัญญาประดิษฐ์สามารถวิเคราะห์ความรู้สึกของประชาชน
ที่แสดงความคิดเห็นในสื่อสังคมออนไลน์ต่อสถานการณ์ COVID-19 ได้หรือไม่

บทความโดย
ดร.นรพัชร์ อัศววัลลภ
ดร.สมิทธิ์ธนา ชัยเจนกิจ
ดร.กวิน เอี่ยมตระกูล

1.บทนำ

ในช่วงหลายปีที่ผ่านมา ฐานข้อมูลขนาดใหญ่ (Big Data) ได้กลายเป็นเครื่องมือที่สำคัญในการรวบรวม และเชื่อมโยงข้อมูลที่มีหลากหลายไว้ด้วยกัน ทำให้ผู้ใช้งานสามารถวิเคราะห์ข้อมูลเชิงลึกทั้งในแง่ปริมาณและคุณภาพได้มากขึ้นและรวดเร็ว ประกอบกับความก้าวหน้าทางเทคโนโลยีและปัญญาประดิษฐ์ (Artificial Intelligence) ทำให้ข้อความ (Text Data) มีประโยชน์ในการติดตามสถานการณ์เศรษฐกิจ สังคม และการเมืองเพิ่มมากขึ้น แต่ Text Data ยังมีข้อจำกัด คือ มีโครงสร้างข้อมูลที่ไม่มีรูปแบบที่ชัดเจน (Unstructured Data) ทำให้จำเป็นต้องใช้ Text Mining ในการสกัดข้อความให้เป็นข้อมูลที่เหมาะสมและสามารถวิเคราะห์โดยใช้หลักทางสถิติได้ พร้อมกันนี้ยังจำเป็นต้องใช้ Natural Language Processing (NLP) โดยให้โปรแกรมคอมพิวเตอร์ประมวลผลภาษาที่ประชาชนสื่อสารให้อยู่ในรูปแบบความรู้สึก (Sentiment) และอารมณ์ (Emotion)

ในระยะหลัง งานศึกษาจำนวนมากได้ใช้ประโยชน์จากข้อความ (Text) ทั้งจากหนังสือพิมพ์และสื่อสังคมออนไลน์ สำหรับวิเคราะห์สถานการณ์ทางเศรษฐกิจมากขึ้น เช่น Baker และคณะ (2016)[1] ได้สร้างดัชนีวัดความไม่แน่นอนด้านนโยบายเศรษฐกิจ (Economic Policy Uncertainty) Baker และคณะ (2020)[2] ศึกษาผลกระทบของสถานการณ์ COVID-19 ที่มีต่อตลาดหลักทรัพย์ และ Shihabeldeen (2019)[3] ได้ใช้ความรู้สึกของประชาชน มาคาดการณ์อัตราแลกเปลี่ยน เป็นต้น

นับตั้งแต่ต้นปี 2563 เป็นต้นมา การแพร่ระบาดของโรคติดเชื้อไวรัส COVID-19 ได้ส่งผลกระทบทั้งด้านเศรษฐกิจและสังคมในหลายประเทศ ส่งผลให้ประชาชนได้แสดงความคิดเห็นต่อสถานการณ์ดังกล่าวจำนวนมากผ่านทางสื่อสังคมออนไลน์ โดยเฉพาะในช่วงที่มีการแพร่ระบาดเป็นวงกว้าง โดยงานศึกษาต่างประเทศในระยะแรกที่ใช้ Text Mining ในการวิเคราะห์ทางด้านภาษาศาสตร์และตีความข้อมูล สำหรับติดตามสถานการณ์การแพร่ระบาดของโรคติดเชื้อ (Infectious Diseases) เช่น งานศึกษาของ Jahanbin และคณะ (2017)[4] ได้รวบรวมข้อความ (Text) จากเว็บไซต์ข่าวและ Twitter ที่เกี่ยวข้องกับโรคติดเชื้อทั่วโลก ผลการศึกษาพบว่า ข้อความ Twitter ที่โพสต์เกี่ยวกับโรคหัดและโรคอีโบลามีความสอดคล้องกับจำนวนผู้ป่วยของโรคดังกล่าวที่รายงานใน CDS และ WHO ซึ่งสะท้อนว่าข้อความจาก Twitter มีศักยภาพเพียงพอในการติดตามโรคติดเชื้อ อย่างไรก็ดี งานศึกษานี้ยังมีข้อจำกัด คือ ไม่สามารถใช้ติดตามโรคติดเชื้อในพื้นที่ยากจนและไม่สามารถเข้าถึงเครือข่ายสังคมออนไลน์ได้

นอกจากนี้ Han และคณะ (2020)[5] ได้ใช้ข้อความ (Text) จากการโพสต์ในเว็บไซต์ Weibo (รูปแบบ Twitter ของประเทศจีน) ในช่วงระยะแรกที่ COVID-19 เริ่มระบาด เพื่อวัดความคิดเห็นของประชาชนที่มีต่อโรคดังกล่าว และเมื่อใช้เทคนิค Machine Learning อย่าง Latent Dirichlet Allocation Model and Random Forest ทำให้สามารถจัดหมวดหมู่การโพสต์ได้ ผลการศึกษาพบว่า หัวข้อโพสต์ในเว็บไซต์ Weibo มีความสัมพันธ์กับระดับความรุนแรงของการระบาด COVID-19 ในภาคตะวันออกและภาคกลางของประเทศจีน โดยเฉพาะเมืองอู่ฮั่น ปักกิ่ง เทียนจิน เหอเป่ย และพื้นที่สามเหลี่ยมปากแม่น้ำแยงซีเกียง นอกจากนี้ คณะผู้เขียนยังพบว่า การเปิดเผยข้อมูลเกี่ยวกับการระบาดแบบ Real Time ของรัฐบาล จะมีส่วนสำคัญให้ประชาชนมีความมั่นใจมากขึ้น ทำให้การแสดงความคิดเห็นเริ่มเป็นไปในทิศทางที่ดีขึ้น ดังนั้น Text Mining จึงเป็นเครื่องมือที่มีประโยชน์ ในการช่วยให้รัฐบาลเข้าใจความคิดเห็นของประชาชนมากขึ้นและสามารถดำเนินนโยบายที่ตอบสนองต่อความต้องการของประชาชนได้อย่างทันท่วงที และหากพิจารณาประโยชน์ของ Text Mining และ Natural Language Processing (NLP) ในบริบทของ COVID-19 แล้ว งานศึกษาของ Nguyen (2020)[6] ได้ทบทวนวรรณกรรมที่ประยุกต์ใช้ Text Mining บนเว็บไซต์ Twitter พบว่า สามารถนำมาใช้กับการประมาณการติดเชื้อ และการเปลี่ยนแปลงนโยบายของรัฐบาลเพื่อตอบสนองต่อสถานการณ์การแพร่ระบาดของ COVID-19 ได้เช่นกัน

ทั้งนี้ จากการทบทวนวรรณกรรมต่างประเทศ พบว่า ความคิดเห็นของประชาชนผ่านสื่อสังคมออนไลน์มีประโยชน์ในการติดตามภาวะเศรษฐกิจและสังคม ดังนั้น งานศึกษาฉบับนี้จึงมีวัตถุประสงค์เพื่อใช้ปัญญาประดิษฐ์ (Artificial Intelligence) ในการสร้างแบบจำลอง Logistic Regression สำหรับการวิเคราะห์ความรู้สึก (Sentiment Analysis) ของประชาชนในประเทศไทยที่มีต่อสถานการณ์ COVID-19 ระหว่างวันที่ 1 สิงหาคม 2564 ถึง 28 พฤศจิกายน 2564 ควบคู่ไปกับการสร้างแบบจำลองเชิงเส้นอย่างง่าย (Simple Regression) สำหรับการทดสอบความสัมพันธ์ระหว่างความรู้สึกของประชาชนและเครื่องชี้ทางเศรษฐกิจและสังคม เช่น ดัชนีความเคลื่อนไหว (Google Mobility Index) เครื่องชี้การท่องเที่ยว (Travel Insights with Google) และจำนวนผู้ติดเชื้อ COVID-19 รายใหม่รายวัน

---

[1] Baker, S. R., Bloom, N., & Davis, S. J. (2016). Measuring economic policy uncertainty. The quarterly journal of economics, 131(4), 1593-1636.

[2] Baker, S. R., Bloom, N., Davis, S. J., Kost, K., Sammon, M., & Viratyosin, T. (2020). The unprecedented stock market reaction to COVID-19. The review of asset pricing studies, 10(4), 742-758

[3] Shihabeldeen, H.Y. (2019). Using Text Mining to Predicate Exchange Rates with Sentiment Indicators. Journal of Business Theory and Practice, 7(2),60-75.

[4] Jahanbin, K., Rahmanian, F., Rahmanian, V., & Jahromi, A. S. (2019). Application of Twitter and web news mining in infectious disease surveillance systems and prospects for public health. GMS hygiene and infection control, 14.

[5] Han, X., Wang, J., Zhang, M., & Wang, X. (2020). Using social media to mine and analyze public opinion related to COVID-19 in China. International Journal of Environmental Research and Public Health, 17(8), 2788.

[6] Nguyen, T. T., Nguyen, Q. V. H., Nguyen, D. T., Hsu, E. B., Yang, S., & Eklund, P. (2020). Artificial intelligence in the battle against coronavirus (COVID-19): a survey and future research directions. arXiv preprint arXiv:2008.07343

2.วิธีการศึกษา

ในลำดับแรกคณะผู้เขียนได้รวบรวมข้อความ (Text) ที่ปรากฏในสื่อสังคมออนไลน์ (Social Media) ได้แก่ Facebook Instagram Twitter Tiktok Website Webboard และ Youtube โดยใช้คำค้นหา (Keyword) คือ COVID และใช้เทคนิค Web Crawler[7] เพื่อดึงข้อมูลอัตโนมัติจากฐานข้อมูลสื่อสังคมออนไลน์ดังกล่าว และใช้เทคนิค Text Mining ในการสกัดข้อมูล ควบคู่ไปกับเทคนิค Natural Language Processing (NLP) ซึ่งเป็นเทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence) ที่ใช้โปรแกรมคอมพิวเตอร์แปลภาษาจากข้อความให้ออกมาในรูปแบบความรู้สึก (Sentiment)

ทั้งนี้ คณะผู้เขียนได้ดำเนินการเก็บรวบรวมข้อความตั้งแต่วันที่ 1 สิงหาคม 2564 ถึงวันที่ 28 พฤศจิกายน 2564 จำนวน 338,758 ข้อความ ของประเทศไทย และในขั้นต่อมาได้จัดการข้อความ (Clean Text) ที่โปรแกรมคอมพิวเตอร์ไม่สามารถระบุความรู้สึกได้จำนวน 4,380 ข้อความ และความรู้สึกที่เป็นกลาง (Neutral) จำนวน 173,471 ข้อความ เนื่องจากมีรูปแบบที่ไม่คงที่ ทำให้มีข้อความเหลือทั้งสิ้นจำนวน 160,906 ข้อความ แบ่งเป็นความเห็นต่อ COVID ในทางบวก (Positive) จำนวน 83,314 และทางลบ (Negative) จำนวน 77,565 ข้อความ รายละเอียดดังรูปที่ 1 และหากพิจารณาข้อมูลเป็นรายวันแล้วจะพบว่า ประชาชนกลุ่มตัวอย่างโพสต์ข้อความเกี่ยวกับ COVID-19 ลดลง และการเปลี่ยนแปลงของระดับความรู้สึกรายวัน (Change in Sentiment Level) ก็ลดลงเช่นกัน รายละเอียดดังรูปที่ 2 และ 3 ตามลำดับ สอดคล้องกับจำนวนผู้ติดเชื้อ COVID-19 รายใหม่ ที่ลดลงอย่างต่อเนื่อง หลังจากผ่านจุดสูงสุดจำนวน 23,418 คน ณ วันที่ 13 สิงหาคม 2564 สะท้อนว่าประชาชนมีแนวโน้มที่จะคลายความกังวลจากสถานการณ์ COVID-19 นอกจากนี้ หากพิจารณาประเภทของสังคมออนไลน์ (Social Media) พบว่า ข้อความที่มีผู้ให้ความเห็นสูงสุด 3 อันดับแรก ได้แก่ Facebook Twitter และ Instagram โดยข้อสังเกตที่เห็นได้ชัดเจนคือ ข้อความจาก Instagram จะมีการแสดงความรู้สึกเป็นบวก (Positive) สูงถึงร้อยละ 77.9 ขณะที่ Facebook และ Twitter จะมีการแสดงความรู้สึกเป็นลบ (Negative) สูงกว่าที่ร้อยละ 55.8 และ 53.3 ตามลำดับ รายละเอียดดังรูปที่ 4

---

[7] ได้รับความอนุเคราะห์ข้อมูลจากศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร สำนักงานปลัดกระทรวงการคลัง

ในขั้นตอนถัดไป คณะผู้เขียนจะใช้โปรแกรม Python[8] สำหรับการตัดคำ (Word Tokenize)  ตัดคำที่เจอบ่อย (Stopword) แต่ไม่ได้สื่อความหมายอะไรมาก เช่น “การ” “ความ” “ที่” “คือ” “ซึ่ง” เป็นต้น และแยกเครื่องหมายวรรคตอน (Punctuation) ออกจากข้อความ พร้อมกับเปลี่ยนข้อความให้มีช่องว่างระหว่างคำ (ให้เหมือนภาษาอังกฤษ) เพื่อนำไปสร้างคำที่มีความถี่ในการใช้บ่อย (Word Cloud) ให้เกิดขึ้นสำหรับใช้ในขั้นตอนต่อไป ซึ่งจะทำให้ทราบว่าคำส่วนใหญ่ที่ปรากฏในข้อความมีอะไรบ้าง ทั้งนี้ หาก Word Cloud มีขนาดใหญ่เท่าไรก็หมายความว่าคำคำนั้นมีความถี่ที่ปรากฏในข้อความจำนวนมาก โดย Word Cloud ของข้อความแสดงความรู้สึกทางบวก (Positive) ส่วนใหญ่จะเป็นคำว่า ตรวจโควิด ชุดตรวจ และหน้ากากอนามัย รายละเอียดดังรูปที่ 5 ขณะที่ Word Cloud ของข้อความแสดงความรู้สึกทางลบ (Negative) ส่วนใหญ่จะเป็นคำว่า ติดเชื้อ เสียชีวิต ผู้ป่วย และระบาด รายละเอียดดังรูปที่ 6

---

[8] ปรับปรุงการเขียน Code Python จาก Yongsiriwit, K. (2021, May 29). เขียน Python สร้างแบบจำลองการวิเคราะห์รู้สึก (Sentiment Analysis) สำหรับภาษาไทย. https://karnyong.medium.com/เขียน-python-สร้างแบบจำลองการวิเคราะห์รู้สึก-sentiment-analysis-สำหรับภาษาไทย-cdb43de08e9a

หลังจากนั้น ก่อนที่จะดำเนินการสร้างแบบจำลองวิเคราะห์ความรู้สึกจากข้อความจำเป็นต้องนับจำนวนคำ (Count) และจัดเก็บในรูปแบบ Vector เมื่อได้จำนวนคำแล้ว จะทำการสร้างคลังคำศัพท์จากข้อความทั้งหมดแต่ละคำ (ที่ไม่ซ้ำกัน) หรือที่เรียกว่า Bag-of-Words (BoW) และต่อมาจะนำข้อความมาจัดเป็นจำนวนคำที่ปรากฏในแต่ละข้อความ รายละเอียดดังตารางที่ 1

	โควิด	ร้ายแรง	ทำให้	เจ็บป่วย	และ	ตัวร้อน
โควิดร้ายแรง	1	1	0	0	0	0
โควิดทำให้เจ็บป่วย	1	0	1	1	0	0
โควิดทำให้ตัวร้อน	1	0	1	0	0	1

ในขั้นถัดไปจะสร้างแบบจำลอง Logistic Regression เพื่อทดสอบว่าข้อมูลที่ต้องการฝึกฝน (Train) ว่าสามารถอธิบายข้อมูลที่ต้องการทดสอบ (Test) ได้แม่นยำเพียงใด โดยแบ่งข้อมูลแบ่ง Trainning Set และ Test Set ในสัดส่วนร้อยละ 70: 30 และจะตรวจสอบความถูกต้องและแม่นยำของแบบจำลองดังกล่าว ส่วนขั้นสุดท้ายคณะผู้เขียนจะสร้างแบบจำลองสมการถดถอยอย่างง่าย (Simple Regression) เพื่อทดสอบว่าความรู้สึกของประชาชนที่มีต่อสถานการณ์ COLVID-19 จะสามารถอธิบายตัวแปรทางเศรษฐกิจและสังคม ได้แก่ 1) ดัชนีความเคลื่อนไหว (Google Mobility Index) ในหมวด Retail and Recreation และหมวด Grocery and Pharmacy 2) เครื่องชี้การท่องเที่ยว (Travel Insights with Google) และ 3) จำนวนผู้ติดเชื้อ COVID-19 รายใหม่รายวัน ได้หรือไม่ ทั้งนี้ สรุปขั้นตอนการศึกษาได้ดังรูปที่ 7

3.ผลการศึกษา

3.1 แบบจำลอง Logistic Regression

หลังจากแบ่งข้อมูลแบ่ง Trainning Set และ Test Set ในสัดส่วนร้อยละ 70: 30 แล้ว คณะผู้เขียนได้ใช้แบบจำลอง Logistic Regression เพื่อศึกษาว่าตัวแปรข้อความ (Text Data) จะสามารถทำนายความรู้สึกในทางบวกหรือทางลบ ได้หรือไม่ ทั้งนี้ เมื่อนำ Confusion Matrix ซึ่งเป็นเครื่องมือที่ใช้ประเมินผลลัพธ์ของการทำนาย  (Prediction) ของแบบจำลองที่สร้างขึ้นกับข้อมูลจริงมาประเมินประสิทธิภาพของการทำนายแบบจำลอง รายละเอียดดังตารางที่ 2 พบว่า ตัวชี้วัดทั้ง 3 ประเภท ได้แก่ 1) Precision 2) Recall และ 3) F1 score สามารถทำนายความรู้สึกทั้งทางบวกและทางลบจากข้อความได้สูงถึงร้อยละ 90 และเมื่อพิจารณาความถูกต้อง (Accuracy) ของแบบจำลองในภาพรวมก็สูงถึงร้อยละ 90 เช่นกัน รายละเอียดดังตารางที่ 3 นอกจากนี้ คณะผู้เขียนได้สร้างข้อความใหม่ขึ้นมา คือ “โครงการดี ช่วยผู้ป่วยโควิด” และ “มีผู้ป่วยจากโควิดจำนวนมาก”เพื่อเป็นการทดสอบแบบจำลอง และก็พบว่าแบบจำลองสามารถทำนายข้อความดังกล่าวได้ว่าเป็นการแสดงความรู้สึกทางบวกและทางลบ ตามลำดับ ดังนั้น การสร้างแบบจำลองเพื่อฝึกฝนข้อมูล (Train) โดยให้โปรแกรมเรียนรู้ว่าข้อความประเภทใดควรจะจัดให้อยู่ในการแสดงความรู้สึกทางบวกหรือทางลบ จึงมีความถูกต้องและแม่นยำในการทำนายความรู้สึกได้สูง

	Actually Positive	Actually Negative
Predicted Positive	True Positives (TP) = 21,118	False Positives (FP) = 2,557
Predicted Negative	False Negatives (FN) = 2,197	True Negatives (TN) = 22,400

	Precision	Recall	F1 score
Positive	0.89	0.91	0.90
Negative	0.91	0.90	0.90

3.2 การทดสอบความสัมพันธ์ระหว่างความรู้สึกและเครื่องชี้เศรษฐกิจและสังคม

ในลำดับถัดไป คณะผู้เขียนจะทดสอบความสัมพันธ์ระหว่างจำนวนความรู้สึกทั้งหมด (Total Sentiment) ของประชาชนในประเทศไทยที่มีต่อสถานการณ์ COVID-19 กับเครื่องชี้เศรษฐกิจและสังคมที่เกี่ยวข้อง ได้แก่ 1) ดัชนีความเคลื่อนไหว (Google Mobility Index) ในหมวด Retail and Recreation และหมวด Grocery and Pharmacy 2) เครื่องชี้การท่องเที่ยว (Travel Insights with Google) และ 3) จำนวนผู้ติดเชื้อ COVID-19 รายใหม่รายวัน โดยคำนวณ Robust Standard Error และใช้เกณฑ์ในการเลือกแบบจำลองที่แสดงค่า Akaike Infomration Criterion (AIC) ต่ำที่สุด รายละเอียดดังนี้

ตัวแปรตาม (Y) : เครื่องชี้เศรษฐกิจและสังคม	Retail and Recreation	Grocery and Pharmacy	Travel Insights with Google	จำนวนผู้ติดเชื้อ COVID-19
ตัวแปรอิสระ (X) : จำนวนความรู้สึกทั้งหมด (Total Sentiment)	-0.0077***	-0.0046***	-0.0127***	3.0570***
R-square	0.6395	0.3819	0.6853	0.7616

จากตารางที่ 4 จะพบว่าจำนวนความรู้สึกทั้งหมด (Total Sentiment) มีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติที่ระดับร้อยละ 99 กับเครื่องชี้ทางเศรษฐกิจและสังคมที่นำมาทดสอบทั้ง 4 เครื่องชี้ โดยมีความสัมพันธ์ในทิศทางตรงกันข้ามกับดัชนีความเคลื่อนไหวของ Google ในหมวด Retail and Recreation และหมวด Grocery and Pharmacy และเครื่องชี้การท่องเที่ยว (Travel Insights with Google) ตัวอย่างเช่น หากประชาชนที่แสดงความคิดเห็นต่อสถานการณ์ COVID-19 ผ่านสื่อสังคมออนไลน์เพิ่มขึ้น 1 ครั้ง ในช่วง 3 วันก่อนหน้า จะส่งผลให้การเคลื่อนที่ของประชาชนผ่านการเรียกใช้งานแผนที่ Google Map ไปยังสถานที่ Retail and Recreation ในช่วงเวลาปัจจุบัน โดยเฉลี่ยลดลงร้อยละ 0.0077 อย่างไรก็ดี จำนวนความรู้สึกทั้งหมด (Total Sentiment) มีความสัมพันธ์ในทิศทางเดียวกันกับจำนวนผู้ติดเชื้อ COVID-19 โดยความคิดเห็นของประชาชนที่มีต่อ COVID-19 ผ่านสื่อสังคมเพิ่มขึ้น 1 ครั้ง ในช่วง 4 วันก่อนหน้า จะทำให้จำนวนผู้ติดเชื้อในปัจจุบันเพิ่มขึ้นประมาณ 3 คนโดยเฉลี่ย

ตารางที่ 5 ผลการทดสอบความสัมพันธ์ระหว่างจำนวนความรู้สึกและเครื่องชี้เศรษฐกิจและสังคม จำแนกตามประเภทสื่อสังคมออนไลน์ (ช่วงเวลาที่ทำการศึกษา 1 ส.ค. 64 – 28 พ.ย. 64)

ตัวแปรตาม (Y) : เครื่องชี้เศรษฐกิจและสังคม	Retail and Recreation	Grocery and Pharmacy	Travel Insights with Google	จำนวนผู้ติดเชื้อ COVID-19
ตัวแปรอิสระ (X) : จำนวนความรู้สึกทั้งหมด (Total Sentiment)
Facebook R-square	-0.0169*** 0.6322	-0.0101*** 0.3719	-0.0275*** 0.6651	6.590*** 0.7290
Instagram R-square	-0.0469*** 0.7659	-0.0303*** 0.5279	-0.0770*** 0.8201	18.40*** 0.8906
Twitter R-square	-0.0279*** 0.6778	-0.0171*** 0.4207	-0.0460*** 0.7431	11.17*** 0.8253

หมายเหตุ ***. **, * ระดับนัยสำคัญทางสถิติที่ร้อยละ 99 95 และ 90 ตามลำดับ
AIC ต่ำสุดของจำนวนความรู้สึกของ Facebook และ Twitter ที่ทดสอบกับ Retail and Creation คือ ณ ช่วงเวลา t-3 ขณะที่ จำนวนความรู้สึกของ Instagram คือ ณ ช่วงเวลา t-2
AIC ต่ำสุดของจำนวนความรู้สึกของ Facebook Instagram และ Twitter ที่ทดสอบกับ Grocery and Pharmacy คือ ณ ช่วงเวลา t-3
AIC ต่ำสุดของจำนวนความรู้สึกของ Facebook และ Instagram ที่ทดสอบกับ Travel Insights with Google คือ ณ ช่วงเวลา t-3 ขณะที่ จำนวนความรู้สึกของ Twitter คือ ณ ช่วงเวลา t-4
AIC ต่ำสุดของจำนวนความรู้สึกที่ทดสอบกับจำนวนผู้ติดเชื้อ COVID-19 คือ ณ ช่วงเวลา t-4
ที่มา คำนวณโดยคณะผู้เขียน

นอกจากนี้ เมื่อพิจารณาจำแนกตามประเภทสื่อสังคมออนไลน์ก็ได้ผลลัพธ์ที่สอดคล้องกับการวิเคราะห์ในภาพรวม แต่มีข้อสังเกตที่สำคัญคือ ค่าสัมประสิทธิ์สหสัมพันธ์ (Correlation) ของผู้ใช้งาน Instagram จะมีค่าสูงกว่าผู้ใช้งาน Facebook และ Twitter โดยเฉพาะเมื่อผู้ใช้งาน Instagram ให้ความคิดเห็นเพิ่มขึ้น 1 ครั้ง จะส่งผลให้จำนวนผู้ติดเชื้อ COVID-19 รายใหม่ โดยเฉลี่ยเพิ่มขึ้น 18 คน

อย่างไรก็ดี งานศึกษาฉบับนี้ยังมีข้อจำกัด คือ เมื่อพิจารณาแยกการทดสอบจำนวนความรู้สึกเป็นทั้งทางบวกและทางลบ จะพบว่ามีทิศทางของความสัมพันธ์ตรงกันข้ามกับสมมุติฐานที่ตั้งไว้ นั้นคือ ถ้าผู้ใช้งานในสื่อสังคมออนไลน์แสดงความรู้สึกทางบวกเพิ่มขึ้น ทำให้การเคลื่อนที่เดินทางลดลงและจำนวนผู้ติดเชื้อเพิ่มขึ้น ในทางตรงกันข้าม การแสดงความรู้สึกทางลบ กลับทำให้การเคลื่อนที่เดินทางเพิ่มขึ้นและจำนวนผู้ติดเชื้อลดลง ดังนั้น งานศึกษาในอนาคตอาจต้องเพิ่มช่วงเวลาทำการศึกษาให้มากขึ้น หรือมีคำค้นหาอื่นที่อาจเกี่ยวข้องกับ COVID-19 มาใช้ทดสอบให้มากขึ้น

4. บทสรุป

งานศึกษาฉบับนี้มีวัตถุประสงค์เพื่อใช้ปัญญาประดิษฐ์ (Artificial Intelligence) ในการสร้างแบบจำลอง Logistic Regression สำหรับการวิเคราะห์ความรู้สึก (Sentiment Analysis) ของประชาชนในประเทศไทยที่มีต่อสถานการณ์ COVID-19 ระหว่างวันที่ 1 สิงหาคม 2564 ถึง 28 พฤศจิกายน 2564 ควบคู่ไปกับการสร้างแบบจำลองเชิงเส้นอย่างง่าย (Simple Regression) สำหรับการทดสอบความสัมพันธ์ระหว่างความรู้สึกของประชาชนและเครื่องชี้ทางเศรษฐกิจและสังคม เช่น ดัชนีความเคลื่อนไหว (Google Mobility Index) เครื่องชี้การท่องเที่ยว (Travel Insights with Google) และจำนวนผู้ติดเชื้อ COVID-19 รายใหม่รายวัน ผลการศึกษาพบว่า แบบจำลอง Logistic Regression เมื่อนำข้อมูลมาฝึกฝน (Train) ให้โปรแกรมเรียนรู้ว่าข้อความประเภทใดควรจะจัดให้อยู่ในการแสดงความรู้สึกทางบวกหรือทางลบ จะสามารถอธิบายข้อมูลที่ต้องการทดสอบ (Test) ได้ถูกต้องและแม่นถึงร้อยละ 90 และในส่วนของการทดสอบด้วยแบบจำลองเชิงเส้นอย่างง่าย พบว่า จำนวนความรู้สึกมีความสัมพันธ์ในทางตรงกันข้ามกับดัชนีความเคลื่อนไหวของ (Google Mobility Index) และเครื่องชี้การท่องเที่ยว (Travel Insights with Google) ขณะที่มีความสัมพันธ์ในทิศทางเดียวกันกับจำนวนผู้ติดเชื้อ COVID-19 รายวัน ไม่ว่าจะทดสอบในภาพรวมหรือจำแนกตามประเภทสื่อสังคมออนไลน์

artificial intelligence Covid-19 sentiment analysis ดร.กวิน เอี่ยมตระกูล นรพัชร์ อัศววัลลภ สมิทธิ์ธนา ชัยเจนกิจ