การตรวจจับข่าวปลอมจากชุดข้อมูล Fake News ด้วยโครงข่ายประสาทเทียมแบบ GRU
จำนวนผู้เข้าชม
30
Creative Commons License
ยังไม่มีไฟล์เอกสาร
| Collection | RMUTK Research Repository (RMUTK IR) บทความประชุมวิชาการ — Proceedings |
| ID RMUTK Digital | RMUTK000066 |
| Title | การตรวจจับข่าวปลอมจากชุดข้อมูล Fake News ด้วยโครงข่ายประสาทเทียมแบบ GRU |
| Alternative title | Fake News Detection on the Fake News Dataset Using GRU |
| Authors | ผศ.ดร.นิกร กรรณิกากลาง ผู้แต่งหลัก ผศ.วาสนา ด้วงเหมือน Corresponding |
| Faculty | คณะบริหารธุรกิจ |
| Volume / Issue / Pages | pp.3383-3393 |
| Conference | การจัดการในยุคเทคโนโลยีนำการเปลี่ยนแปลง ครั้งที่ 8 ประจำปี 2569 (MDTE 2026) |
| Conference Date | 2026-04-24 |
| Conference Location | วิทยาลัยนวัตกรรมการจัดการ มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ (รูปแบบออนไลน์) |
| Year | 2569 |
| Level | ระดับชาติ |
| DOI | - |
| ISBN / ISSN | 978-616-8387-16-0 |
| Funding Source | มทร.กรุงเทพ |
| Abstract | งานวิจัยนี้มีวัตถุประสงค์เพื่อ (1) ศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบ Gated Recurrent Unit (GRU) ในการตรวจจับข่าวปลอม และ (2) เปรียบเทียบประสิทธิภาพของโมเดล GRU กับ เทคนิคพื้นฐานในการจำแนกข่าวจริงและข่าวปลอม โดยใช้ชุดข้อมูลข่าวจากแหล่งข้อมูลสาธารณะเป็น กรณีศึกษา คือ ชุดข้อมูลข่าวปลอม (Fake News Dataset) ประกอบด้วยข่าวจริงและข่าวปลอมอย่าง ละ 10,400 รายการ รวมทั้งหมด 20,800 รายการ กระบวนการวิจัยประกอบด้วยการเตรียมและทำความ สะอาดข้อมูลข้อความ ได้แก่ การตัดคำ การลบคำหยุด และการปรับรูปแบบข้อความ จากนั้นแปลงข้อมูล ข้อความให้อยู่ในรูปแบบเวกเตอร์ด้วยเทคนิค การฝังคำ เพื่อนำไปใช้ในการฝึกสอนและทดสอบโมเดล GRU และโมเดลพื้นฐาน โดยทำการแบ่งชุดข้อมูลออกเป็นชุดฝึกสอน (Training Set) ร้อยละ 80 และชุดทดสอบ (Testing Set) ร้อยละ 20 ของข้อมูลทั้งหมด โดยชุดฝึกสอนประกอบด้วยข้อมูลจำนวน 16,640 รายการ ใช้สำหรับการเรียนรู้และปรับค่าพารามิเตอร์ของแบบจำลอง ขณะที่ชุดทดสอบประกอบด้วยข้อมูลจำนวน 4,160 รายการ ใช้สำหรับประเมินประสิทธิภาพของแบบจำลองหลังจากกระบวนการฝึกสอนเสร็จสิ้น การประเมินประสิทธิภาพของโมเดลดำเนินการโดยใช้ตัวชี้วัด ได้แก่ ความแม่นยำ ความเที่ยงตรง ความ ครอบคลุม ค่าคะแนนเอฟหนึ่ง และ ตารางคอนฟิวชัน ผลการวิจัยพบว่า (1) โมเดล GRU สามารถจำแนกข่าว จริงและข่าวปลอมได้อย่างมีประสิทธิภาพในระดับสูง และ (2) โมเดล GRU มีค่าความแม่นยำเท่ากับร้อยละ 97.19 ซึ่งสูงกว่าเทคนิคพื้นฐานที่นำมาเปรียบเทียบ แสดงให้เห็นว่าโครงข่ายประสาทเทียมแบบ GRU มีศักยภาพในการคัดกรองข่าว เพื่อช่วยลดผลกระทบจากการเผยแพร่ข่าวปลอมในสังคมดิจิทัล |
| Abstract (EN) | This research aims to (1) investigate the effectiveness of the Gated Recurrent Unit (GRU) neural network for fake news detection and (2) compare the performance of the GRU model with baseline techniques in classifying real and fake news. The study utilized publicly available fake news dataset consisting of 20,800 news articles, including 10,400 real and 10,400 fake instances. The research process involved text preprocessing and cleaning, including word segmentation, stop-word removal, and text normalization. The textual data were subsequently transformed into vector representations using word embedding techniques for training and testing both the GRU model and baseline models. The dataset was divided into a training set (80%) and a testing set (20%), where 16,640 samples were used for model training and parameter optimization, and 4,160 samples were used for performance evaluation. Model performance was evaluated using Accuracy, Precision, Recall, F1-Score, and Confusion Matrix. The results indicate that (1) the GRU model effectively classifies real and fake news with a high level of performance; and (2) the GRU model achieved an accuracy of 97.19%, outperforming the baseline techniques. These findings demonstrate that the GRU neural network has strong potential for automated news screening to mitigate the impact of fake news dissemination in the digital society. |
| Keywords (TH) | ข่าวปลอมการเรียนรู้เชิงลึกการจำแนกข้อความ |
| Keywords (EN) | Fake newsdeep learningtext classification |
| Access Level | Open Access (เปิดสาธารณะ) |
เอกสารดิจิทัล
ยังไม่มีไฟล์เอกสาร
รายการที่เกี่ยวข้อง
การพัฒนาระบบแจ้งซ่อมและติดตามการซ่อมออนไลน์
ผศ.สุรเทพ แป้นเกิด · 2569 · 1,056
GraphBERT4FakeNews: Graph-aware Bidirectional Transformer Learning for
ผศ.ดร.นิกร กรรณิกากลาง · 2569 · 757
Professional Competency for it Outsourcing: Thai Banking Experience
ผศ.ดร.ณัฐรฐนนท์ กานต์รวีกุลธนา · 2559 · 727
การผลิตไฟฟ้าจากหม้อไอน้ำขนาดเล็ก
ดร.ปฏิพงษ์ เจริญเวียงเหนือ · 2569 · 676