This study aims to (1) examine the effectiveness of the Convolutional Gated Recurrent Network for Fake News Detection (CGRN4FakeNews) model in fake news classification and (2) compare its performance with baseline methods across different datasets. The model was evaluated using the PolitiFact and GossipCop subsets of the FakeNewsNet dataset. The research process involved text preprocessing and data cleaning, including word tokenization, lowercasing, the removal of URLs, HTML tags, numerical values, punctuation marks, and redundant whitespace, as well as stopword handling. The processed text data were then transformed into vector representations using a word embedding technique for model training and evaluation. The model performance was assessed based on Accuracy, Precision, Recall, F1-score, and Confusion Matrix metrics. The experimental results indicate that the proposed CGRN4FakeNews model effectively distinguishes between real and fake news articles, achieving classification accuracies of 95.75% on the PolitiFact dataset and 91.12% on the GossipCop dataset. These findings demonstrate the effectiveness and suitability of the CGRN4FakeNews model for fake news detection tasks.

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.

The rapid dissemination of fake news through online news platforms and social media has become a major challenge, significantly influencing public opinion, political decision-making, and social stability. Recent fake news detection methods have achieved promising performance using deep contextual language models such as Bidirectional Encoder Representations from Transformers (BERT). However, most existing approaches process news articles independently and primarily focus on textual semantics while overlooking structural relationships among related news articles. Consequently, valuable graph-based information, including semantic similarity, shared entities, common publishers, and topical relationships, remains underutilized. This paper proposes GraphBERT4FakeNews, a graph transformer framework that jointly learns contextual semantic representations and graph structural information for English fake news detection. First, BERT generates contextualized embeddings from news articles. A news graph is then constructed by connecting semantically related articles according to contextual similarity. Subsequently, a GraphBERT encoder performs graph-aware self-attention to capture both local and long-range structural dependencies without relying on conventional graph convolution operations. Finally, a classification layer predicts whether a news article is genuine or fake. The proposed framework is evaluated on the publicly available FakeNewsNet benchmark, including the GossipCop and PolitiFact datasets. Experimental results demonstrate that GraphBERT4FakeNews effectively integrates semantic understanding with graph structural reasoning, leading to improved fake news detection performance compared with conventional language models and graph neural network approaches.

งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อศึกษาประสิทธิภาพของเทคนิคโครงข่ายประสาทเทียมแบบ ความจำระยะสั้น–ยาว (Long Short-Term Memory: LSTM) ในการตรวจจับข่าวปลอม และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาวกับเทคนิคพื้นฐานในการ ตรวจจับข่าวปลอม การดำเนินการวิจัยใช้ข้อมูลข่าวจากสถานการณ์จริงทั่วโลก จำนวนทั้งสิ้น 20,800 ข่าว ประกอบด้วยข่าวปลอมจำนวน 10,413 ข่าว และข่าวจริงจำนวน 10,387 ข่าว แบ่งข้อมูลออกเป็นชุดข้อมูล ฝึกสอนร้อยละ 80 และชุดข้อมูลทดสอบร้อยละ 20 การวิเคราะห์ข้อมูลดำเนินการด้วยการจำแนกประเภท ข่าวโดยใช้โครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียม แบบความจำระยะสั้น–ยาว มีประสิทธิภาพในการตรวจจับข่าวปลอม โดยมีค่าความถูกต้อง (accuracy) เท่ากับร้อยละ 97.78 และ (2) เมื่อเปรียบเทียบประสิทธิภาพกับเทคนิคพื้นฐาน ได้แก่ เทคนิคต้นไม้ตัดสินใจ และเทคนิคป่าต้นไม้สุ่ม พบว่าโครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว มีประสิทธิภาพสูงกว่า ทั้งนี้ เนื่องจากโครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว มีความสามารถในการเรียนรู้เชิงลึกและการเรียนรู้ ลำดับข้อมูลเชิงเวลา ซึ่งเหมาะสมกับข้อมูลข้อความข่าว

งานวิจัยนี้มีวัตถุประสงค์ (1) เพื่อศึกษาประสิทธิภาพของเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลู ชัน (Convolutional Neural Network: CNN) ในการวิเคราะห์และจำแนกรูปภาพตัวเลขลายมือเขียน และ (2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิค CNN กับเทคนิคพื้นฐาน ในการวิเคราะห์รูปภาพตัวเลข โดยใช้ ชุดข้อมูล Digit-MNIST ซึ่งเป็นชุดข้อมูลมาตรฐานที่ประกอบด้วยภาพตัวเลขลายมือเขียนตั้งแต่เลข 0 ถึง 9 เป็นข้อมูลในการทดลอง การสร้างโมเดลสำหรับการจำแนกรูปภาพด้วยเทคนิค CNN และเทคนิคพื้นฐาน ผล การศึกษาพบว่า (1) เทคนิค CNN ให้ประสิทธิภาพในการจำแนกรูปภาพตัวเลข คิดเป็น 98.64% และ (2) เทคนิค CNN มีประสิทธิภาพสูงกว่าเทคนิคพื้นฐาน คือ HOG + SVM มีประสิทธิภาพ 95.75% และ LBP + kNN มีประสิทธิภาพ 35.32% ตามลำดับ แสดงให้เห็นว่าเทคนิค CNN มีความเหมาะสมและมีประสิทธิภาพสูง สำหรับการประมวลผลและวิเคราะห์รูปภาพตัวเลข และสามารถนำไปประยุกต์ใช้กับงานด้านการรู้จำรูปภาพ ในด้านอื่น ๆ ได้อย่างมีประสิทธิภาพ

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) เพื่อศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) สำหรับการจำแนกภาพจากชุดข้อมูล CIFAR-10 และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) กับเทคนิคพื้นฐาน สำหรับการ จำแนกภาพจากชุดข้อมูล CIFAR-10 โดยวิธีการเรียนรู้เชิงลึก (Deep Learning) ผ่านการออกแบบสถาปัตยกรรม โครงข่ายประสาทเทียมแบบคอนโวลูชัน ประกอบด้วย ชั้นคอนโวลูชัน ชั้นพูลลิง และชั้นเชื่อมต่อเต็มรูปแบบ พร้อม ทั้งใช้เทคนิคการปรับปรุงประสิทธิภาพของโมเดล เช่น การใช้ฟังก์ชันกระตุ้น การลดปัญหา overfitting และการ ปรับพารามิเตอร์ของโมเดล วิเคราะห์ข้อมูลด้วยการวัดค่าความแม่นยำ (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัย พบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชัน สามารถเรียนรู้คุณลักษณะของภาพจากชุด ข้อมูล CIFAR-10 ได้อย่างมีประสิทธิภาพ และ (2) ผลการเปรียบเทียบประสิทธิภาพ พบว่าโครงข่ายประสาทเทียม แบบคอนโวลูชัน มีประสิทธิภาพสูงสุด ด้วยค่าความถูกต้องแม่นยำ เท่ากับ 0.7015 รองลงมา คือ HOG + SVM (Accuracy = 0.6208) และ LBP + k-NN (Accuracy = 0.1012) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่าย ประสาทเทียมแบบคอนโวลูชัน มีศักยภาพในการนำไปประยุกต์ใช้กับงานด้านการประมวลผลภาพจริง

งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อศึกษาประสิทธิภาพของเทคนิค CNN ในการจำแนกประเภท รูปภาพแฟชั่น จากชุดข้อมูล Fashion-MNIST และ (2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิค CNN กับ เทคนิคพื้นฐานทางการเรียนรู้ของเครื่อง ในการจำแนกประเภทรูปภาพแฟชั่น โดยใช้ชุดข้อมูลรูปภาพ แฟชั่น Fashion-MNIST ซึ่งประกอบด้วยภาพเสื้อผ้าแบบขาวดำ จำนวนทั้งหมด 70,000 ภาพ แบ่งเป็น 10 หมวดหมู่ โดยแบ่งชุดข้อมูลสำหรับการฝึกสอนแบบจำลองจำนวน 60,000 ภาพ และชุดข้อมูลสำหรับการ ทดสอบแบบจำลองจำนวน 10,000 ภาพ การวิเคราะห์ข้อมูลดำเนินการด้วยการจำแนกประเภทรูปภาพโดยใช้ โครงข่ายประสาทเทียมแบบคอนโวลูชัน และประเมินประสิทธิภาพของแบบจำลองด้วยค่าความถูกต้อง (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชันมี ความสามารถในการจำแนกประเภทรูปภาพแฟชั่นได้อย่างมีประสิทธิภาพ โดยมีค่าความถูกต้องเท่ากับร้อยละ 88.84 และ (2) เมื่อเปรียบเทียบกับเทคนิคพื้นฐาน ได้แก่ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน (SVM) และเทคนิค เค-เนียร์เรสต์เนเบอร์ (k-NN) พบว่าโครงข่ายประสาทเทียมแบบคอนโวลูชันมีประสิทธิภาพสูงกว่า ทั้งนี้ เนื่องจากโครงข่ายประสาทเทียมแบบคอนโวลูชันสามารถเรียนรู้คุณลักษณะเชิงพื้นที่และลำดับชั้นของภาพได้ โดยอัตโนมัติ ซึ่งเหมาะสมกับงานประมวลผลและวิเคราะห์ภาพแฟชั่น