งานวิจัยนี้มีวัตถุประสงค์เพื่อทดสอบและเปรียบเทียบประสิทธิภาพของแบบจำลองการจำแนกคำบาลีและสันสกฤตในภาษาไทยโดยใช้เทคนิคการเรียนรู้ของเครื่อง เน้นการพัฒนาความแม่นยำในการแยกแยะคำศัพท์ที่มาจากสองภาษานี้ ซึ่งมีความใกล้เคียงกันในด้านการออกเสียงและการเขียน ในการวิจัยใช้แบบจำลอง 5 ชนิด ได้แก่ แบบจำลองป่าไม้สุ่ม แบบจำลองต้นไม้ตัดสินใจ แบบจำลองการคำนวณเพื่อนบ้านใกล้สุด แบบจำลองนาอีฟเบย์ และแบบจำลองซัพพอร์ตเวกเตอร์แมชชีน ผ่านกระบวนการตรวจสอบ 10-fold cross-validation เพื่อวัดประสิทธิภาพของแต่ละแบบจำลอง ผลการวิจัยพบว่า แบบจำลองซัพพอร์ตเวกเตอร์แมชชีน มีความสามารถสูงสุดในการจำแนกคำบาลีและสันสกฤตในภาษาไทย โดยมีค่าความแม่นยำสูงถึงร้อยละ 95.75 และค่าความถูกต้องร้อยละ 90.90 รองลงมา คือ แบบจำลองการคำนวณเพื่อนบ้านใกล้สุดมีค่าความแม่นยำร้อยละ 92.86 และแบบจำลองนาอีฟเบย์ที่มีค่าความแม่นยำร้อยละ 81.29 ขณะที่แบบจำลองแบบจำลองป่าไม้สุ่มมีประสิทธิภาพต่ำที่สุด โดยมีค่าความแม่นยำเพียงร้อยละ 55.27 ข้อค้นพบเหล่านี้แสดงให้เห็นถึงความเหมาะสมของการใช้แบบจำลองซัพพอร์ตเวกเตอร์แมชชีน ในการแยกแยะภาษาบาลีและสันสกฤตได้อย่างมีประสิทธิภาพ และสามารถนำผลลัพธ์ไปประยุกต์ใช้ในงานด้านการจำแนกภาษา การแปลภาษา รวมถึงการพัฒนาเครื่องมือด้านการเรียนการสอนภาษาในอนาคต

This research compares the capability of data classification models to predict consistent results for a subject’s depression potentiality, track the subject behaviour and recognise facial expressions during PHQ-9 assessments. This research is motivated by the necessity for depression screening and diagnosis, which traditionally relies on observations by experienced physicians or clinical psychologists of symptoms in conjunction with data from questionnaires. However, the field still requires a suitable technological approach that gives more accurate and consistent results. All data used in the present research were collected by combining technologies and compared by using classification models, the goal being to find the machine-learning model that most accurately predicts consistent results for the subjects’ PHQ-9 assessment, behaviours and emotions. The subjects were screened by clinical psychologists and divided into three groups: (i) subjects suffering from depression but not receiving treatment (undertreated subjects), (ii) subjects undergoing depression treatment (subjects undergoing treatment) and (iii) subjects without depression disorder (normal subjects). Related studies have compared the accuracy of classification models to one another. The four most frequently applied classification models in depression-related studies are (i) decision tree (ii) support vector machine, (iii) naïve Bayes and (iv) neural network. All models were analysed, designed and developed before being tested experimentally. The accuracy of the experimental results was tested by using the data analysis tool RapidMiner Studio. The results show that the decision tree model is not only the most accurate for predicting depression potentiality, tracking behaviour and recognising facial expressions during PHQ-9 assessments but also the most suitable.