ระบบจัดเก็บและค้นหางานวิจัยอัจฉริยะ

การจําแนกข้อความ SMS ภาษาไทย จากมิจฉาชีพ ด้วย Machine Learning

ผศ.สุรเทพ แป้นเกิด | การประมวลผลภาษาธรรมชาติ การจำแนกข้อความ ข้อความสแปม

จำนวนผู้เข้าชม

Creative Commons License

การจําแนกข้อความ SMS ภาษาไทย จากมิจฉาชีพ ด้วย Machine Learning is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 3.0 Thailand License.

เปิดลิงก์เอกสาร

EndNote OpenURL

Collection	RMUTK Research Repository (RMUTK IR) วารสารวิชาการ — e-Journal Articles
ID RMUTK Digital	RMUTK000017
Title	การจําแนกข้อความ SMS ภาษาไทย จากมิจฉาชีพ ด้วย Machine Learning
Alternative title	Classifying Thai SMS Messages from Scammers using Machine Learning
Authors	ผศ.สุรเทพ แป้นเกิด ผู้แต่งหลัก
Faculty	คณะบริหารธุรกิจ
Journal Title	วารสารวิทยาศาสตร์และเทคโนโลยี มทร.กรุงเทพ
ISSN	2392-5647
Volume / Issue / Pages	Vol.3 \| No.1 \| pp.12-18
Published	2026-04-30
Year	2569
Level	ระดับชาติ (TCI) TCI กลุ่ม 2
Abstract	การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อการจําแนกข้อความ SMS ภาษาไทยจากมิจฉาชีพด้วย Machine Learning 2) ศึกษาการใช้อัลกอริทึม PyThaiNLP ร่วมกับเทคนิค TF-IDF ในการสกัดคุณลักษณะข้อความ และประยุกต์ใช้เทคนิค SMOTE เพื่อแก้ไขปัญหาความไม่สมดุลของข้อมูล ก่อนนําไปฝึกด้วยอัลกอริทึม Naïve Bayes และ 3) ศึกษาผลของแบบจําลองในการจําแนกข้อความ SMS ภาษาไทยออกเป็น 3 กลุ่ม ได้แก่ ข้อความปกติ ข้อความมิจฉาชีพ และข้อความส่งเสริมการขาย โดยใช้ข้อมูลจํานวน 5,000 รายการผลการทดลองด้วยอัลกอริทึม Naïve Bayes พบว่า กลุ่มข้อความปกติมีค่า Precision (ความแม่นยํา) 0.94 Recall (ความระลึก) 0.84 และ F1-Score (ค่าความถ่วงดุล) 0.88 กลุ่มข้อความส่งเสริมการขายมีค่า Precision 0.57 Recall 0.81 และ F1-Score 0.67 และกลุ่มข้อความมิจฉาชีพมีค่า Precision 0.84 Recall 0.91 และ F1-Score 0.87 ซึ่งแสดงให้เห็นถึงประสิทธิภาพที่ดีของแบบจําลอง โดยเฉพาะในการตรวจจับข้อความมิจฉาชีพนอกจากนี้ การประยุกต์ใช้เทคนิค SMOTE ช่วยเพิ่มประสิทธิภาพของแบบจําลอง โดยให้ค่าความถูกต้อง (Accuracy) สูงสุดร้อยละ 85.00 พร้อมทั้งให้ค่าความแม่นยํา ความระลึก และค่าความถ่วงดุลอยู่ในระดับดีเยี่ยม สรุปได้ว่าแนวทางดังกล่าวสามารถนําไปใช้ในการตรวจจับข้อความ SMS มิจฉาชีพได้อย่างมีประสิทธิภาพ
Abstract (EN)	This research aims to: 1) classify Thai SMS messages related to scams using Machine Learning; 2) investigate the use of PyThaiNLP combined with TF-IDF for text feature extraction and apply the SMOTE technique to address class imbalance before training with the Naïve Bayes algorithm; and 3) evaluate the performance of the model in classifying Thai SMS messages into three categories: normal, scam, and promotional messages, using a dataset of 5,000 samples.The experimental results using the Naïve Bayes algorithm show that the normal class achieved a Precision (accuracy of positive predictions) of 0.94, Recall (ability to detect actual positives) of 0.84, and F1-Score (balance between Precision and Recall) of 0.88. The พีรพล ศรีบุญ, พรมนัสวรรณศรี,จีรวัตร ไร่เจริญ,วาสนาด้วงเหมือนและ สุรเทพ แป้นเกิด13promotional class obtained a Precision of 0.57,Recall of 0.81, and F1-Score of 0.67, while the scam class achieved a Precision of 0.84, Recall of 0.91, and F1-Score of 0.87. These results indicate that the model performs well, particularly in detecting scam messages.Furthermore, applying the SMOTE technique improvedthe model performance, achieving the highest Accuracy of 85.00%, with Precision, Recall, and F1-Score at a good level. In conclusion, this approach is effective for Thai SMS scam detection and can be applied in real-world scenarios.
Keywords (TH)	การประมวลผลภาษาธรรมชาติ การจำแนกข้อความ ข้อความสแปม Naïve Bayes การเรียนรู้ของเครื่อง
Keywords (EN)	Natural Language Processing Text Classification Spam SMS Naïve Bayes Machine Learning
Access Level	Open Access (เปิดสาธารณะ)

ลิงก์แหล่งเผยแพร่

เอกสารฉบับเต็ม (ลิงก์ภายนอก)

https://li04.tci-thaijo.org/index.php/stjrmutk/article/view/10358/2162

เปิดลิงก์