This study proposes BERTGRU4Sentiment, a deep learning model that combines fine-tuned Bidirectional Encoder Representations from Transformers (BERT) with a Gated Recurrent Unit (GRU) for multilingual sentiment analysis. The proposed model is evaluated on four benchmark datasets: Wongnai (Thai), Amazon Reviews (English), Twitter/X (English), and IMDB (English), covering both three-class (negative, neutral, positive) and two-class (negative, positive) classification tasks. To address class imbalance, a mixed over- and under-sampling strategy is applied to all datasets. Results demonstrate that BERTGRU4Sentiment consistently outperforms traditional baseline models including Decision Tree, Random Forest, XGBoost, and LSTM across all datasets, achieving accuracy of 69.49% on Wongnai, 93.67% on Amazon Reviews, 71.73% on Twitter, and 83.97% on IMDB. The findings confirm that BERTGRU4Sentiment enables richer contextual feature extraction, and the proposed architecture is effective for multilingual sentiment classification tasks.

งานวิจัยนี้มีวัตถุประสงค์หลักเพื่อ (1) วิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB Large Movie Review Dataset ด้วยโครงข่ายประสาทเทียมแบบ Long Short-Term Memory (LSTM) และ (2) เปรียบเทียบ ประสิทธิภาพการวิเคราะห์ความรู้สึกระหว่างโมเดล LSTM กับเทคนิคพื้นฐาน ได้แก่ Decision Tree และ Random Forest โดยดำเนินการเก็บข้อมูลจาก IMDB Large Movie Review Dataset ซึ่งเป็นชุดข้อมูลรีวิว ภาพยนตร์ภาษาอังกฤษ และประยุกต์ใช้เทคนิคการประมวลผลภาษาธรรมชาติ (Natural Language Processing) ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียมแบบ LSTM สามารถจำแนกความรู้สึกจากรีวิวภาพยนตร์ที่มีความ ซับซ้อนเชิงบริบทได้อย่างมีประสิทธิภาพ โดยสามารถจัดกลุ่มความคิดเห็นเชิงบวกและเชิงลบได้อย่างเป็นระบบ และ (2) จากการเปรียบเทียบประสิทธิภาพพบว่า โมเดล LSTM ให้ประสิทธิภาพสูงสุด โดยมีค่าความถูกต้อง แม่นยำ (Accuracy) เท่ากับ 0.8945 รองลงมา คือ Random Forest (Accuracy = 0.8519) และ Decision Tree (Accuracy = 0.7226) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่ายประสาทเทียมที่สามารถเรียนรู้ ความสัมพันธ์เชิงลำดับ (Sequential Data) เช่น LSTM มีความเหมาะสมในการวิเคราะห์ข้อมูลข้อความที่มีความ ยาวและบริบทต่อเนื่องมากกว่าเทคนิคพื้นฐาน ซึ่งสามารถนำไปต่อยอดในการพัฒนาระบบแนะนำภาพยนตร์และ เครื่องมือวิเคราะห์ทัศนคติผู้บริโภคในอุตสาหกรรมสื่อดิจิทัลต่อไป

งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อวิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB ด้วยโครงข่ายประสาท เทียมแบบ GRU และ (2) เพื่อเปรียบเทียบประสิทธิภาพจากชุดข้อมูล IMDB ด้วยโครงโครงข่ายประสาทเทียม ด้วย GRU กับเทคนิคพื้นฐาน โดยใช้ข้อมูลรีวิวภาพยนตร์ภาษาอังกฤษจำนวนทั้งสิ้น 50,000 รีวิว ประกอบด้วย รีวิวเชิงบวก (Positive) จำนวน 25,000 รีวิว และรีวิวเชิงลบ (Negative) จำนวน 25,000 รีวิว แบ่งข้อมูล ออกเป็นชุดฝึกสอนร้อยละ 80 (40,000 รีวิว) และชุดทดสอบร้อยละ 20 (10,000 รีวิว) ผลการวิจัยพบว่า (1) แบบจำลองโครงข่ายประสาทเทียมแบบ GRU ให้ประสิทธิภาพสูงที่สุด โดยมีค่าความถูกต้อง (Accuracy) เท่ากับ 0.8705 ค่า Precision เท่ากับ 0.8653 ค่า Recall เท่ากับ 0.8762 และค่า F1-Score เท่ากับ 0.8707 ตามลำดับ และ (2) ผลการเปรียบเทียบแบบจำลองโครงข่ายประสาทเทียมแบบ GRU มีประสิทธิภาพดีที่สุด เมื่อเทียบกับ Random Forest (Accuracy = 0.8525) และ Decision Tree (Accuracy = 0.7266) ตามลำดับ ผลการวิจัยดังกล่าวแสดงให้เห็นถึงประสิทธิภาพของแบบจำลอง GRU ในการวิเคราะห์ความรู้สึก จากชุดข้อมูลข้อความขนาดใหญ่