การใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) เพื่อจัดหมวดหมู่วารสารอัตโนมัติ สำนักวิทยบริการ มหาวิทยาลัยนครพนม
Article Sidebar
Main Article Content
บทคัดย่อ
การพัฒนาระบบจัดหมวดหมู่วารสารอัตโนมัติด้วยเทคโนโลยีปัญญาประดิษฐ์ (AI) สำหรับสำนักวิทยบริการ มหาวิทยาลัยนครพนม ครั้งนี้ ใช้โครงสร้างการจัดหมวดหมู่ตามระบบทศนิยมของดิวอี้ (DDC) จำนวน 20 หมวด ข้อมูลที่ใช้ในการพัฒนาโมเดล ประกอบด้วย ระเบียนวารสาร จำนวน 7,000 ระเบียน ซึ่งรวมวารสารหลักของสำนักวิทยบริการ จำนวน 2,150 รายการ ข้อมูลถูกแบ่งเป็นชุดฝึก (80%) และชุดทดสอบ (20%) โมเดลที่นำมาทดลอง ได้แก่ Naïve Bayes, Support Vector Machine (SVM) และ Thai2BERT ผลการทดสอบ พบว่า Thai2BERT ให้ประสิทธิภาพสูงสุด โดยมีค่า Accuracy เท่ากับ 92.35% ค่า Precision เท่ากับ 91.80% ค่า Recall เท่ากับ 92.10% และค่า F1-Score เท่ากับ 0.919 ซึ่งสูงกว่า Naïve Bayes และ SVM ในภาพรวม ระบบสามารถลดระยะเวลาในการจัดหมวดหมู่ และมีระดับความพึงพอใจของผู้ใช้อยู่ในระดับมาก บทความวิชาการนี้แสดงให้เห็นถึงศักยภาพของ AI ในการสนับสนุนการจัดการทรัพยากรสารสนเทศของสำนักวิทยบริการได้อย่างมีประสิทธิภาพ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
จิราพร ขวัญใจ. (2567). การใช้เทคโนโลยีปัญญาประดิษฐ์เพื่อเพิ่มประสิทธิภาพการจัดหมวดหมู่เอกสารในห้องสมุดไทย. วารสารวิทยบริการไทย, 8(3), 15–28.
Carroll, N., Hassan, N. R., Junglas, I., Hess, T., & Morgan, L. (2023). Transform or be transformed: The importance of research on managing and sustaining digital transformations. European Journal of Information Systems, 32(3), 347–353. https://doi.org/10.1080/0960085X.2023.2187033
Curcic, D. (2023, June 21). Number of Academic Papers Published per Year. https://wordsrated.com/number-of-academic-papers-published-per-year/
Divya Venkatesh, J., Jaiswal, A., & Nanda, G. (2024). Comparing human text classification performance and explainability with large language and machine learning models using eye-tracking. Scientific Reports, 14, 14295. https://doi.org/10.1038/s41598-024-65080-7
Joulin, A., Grave, E., Bojanowski, P., & Mikolov, T. (2017). Bag of tricks for efficient text classification. Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics, 2, 427–431. https://doi.org/10.18653/v1/e17-2068
Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4), 150. https://doi.org/10.3390/info10040150
Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607–610. https://doi.org/10.1177/001316447003000308
Mustafa, A. A., & Abdulazeez, A. M. (2024). A review of text classification based on ML & data mining algorithms. Indonesian Journal of Computer Science, 13(3). https://doi.org/10.33022/ijcs.v13i3.4027
Reusens, M., Stevens, A., Tonglet, J., De Smedt, J., Verbeke, W., Vanden Broucke, S., & Baesens, B. (2024). Evaluating text classification: A benchmark study. Expert Systems with Applications, 254, 124302. https://doi.org/10.1016/j.eswa.2024.124302
Russell, S. J., & Norvig, Peter. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
Sumbal, M. S., Amber, Q., Tariq, A., Raziq, M. M., & Tsui, E. (2024). Wind of change: How ChatGPT and big data can reshape the knowledge management paradigm. Industrial Management & Data Systems, 124(9), 2736–2757.
Yadav, A., Khan, F. A., & Singh, V. (2024). A multi-architecture approach for offensive language identification combining classical natural language processing and BERT-variant models. Applied Sciences, 14(23), 11206. https://doi.org/10.3390/app142311206
