ข้อค้นพบสำคัญ
- XLM-R จำแนกหัวข้อได้แม่นยำกว่า BiLSTM ในชุดข้อมูลเดียวกัน • การปรับปรุงเด่นอยู่ที่ความคิดเห็นเป็นกลางและเชิงลบซึ่งมักจำแนกยาก • กรอบงานครอบคลุมการทำความสะอาด กำกับป้าย สร้างแบบจำลอง และวิเคราะห์ข้อผิดพลาดเพื่อใช้งานจริง
ทำไมจึงมีความสำคัญระดับโลก
กรอบนี้ช่วยลดภาระอ่านข้อคิดเห็นจำนวนมากและทำให้มหาวิทยาลัยติดตามปัญหาการสอน หลักสูตร และสิ่งอำนวยความสะดวกได้เป็นระบบขึ้น อีกทั้งเป็นตัวอย่างการประยุกต์โมเดลพหุภาษากับภาษาที่ไม่มีการเว้นคำสม่ำเสมอ
บทบาทของนักวิจัยไทย
Tanagrit Chansaeng, Nasith Laosen, Boonmee Nissaidee และ Pita Jarupunphol จากมหาวิทยาลัยราชภัฏภูเก็ตพัฒนากรอบจากความคิดเห็นนักศึกษาไทย และเปิดข้อมูลสนับสนุนผ่าน GitHub ตามบทคัดย่อ
ข้อจำกัดที่ควรรู้
ชุดข้อมูลมาจากระบบการศึกษาอาชีวะแห่งหนึ่งและลดเหลือ 2,873 ระเบียนหลังเตรียมข้อมูล ผลอาจเปลี่ยนเมื่อใช้กับสถาบัน ภาษาถิ่น หัวข้อ หรือสัดส่วนอารมณ์ต่างกัน และความแม่นยำยังไม่เท่ากับความพร้อมตัดสินใจอัตโนมัติ