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

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

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

This research paper examines the effectiveness of different machine learning (ML) models in analyzing how library usage influences the academic performance of Thammasat University students. By leveraging a comprehensive dataset that contains library interactions such as library of things (LoT) services, book borrowing and returning, and space services, this study evaluates five ML models: decision tree, k-nearest neighbors, Naïve Bayes, random forest, and support vector machine. The primary goal is to identify which library services and facilities significantly impact student success to provide actionable insights for customizing library offerings and enhancing academic outcomes. Results were that the decision tree model was particularly effective, delivering precise, reliable classification of factors affecting student academic performance into training data and data testing, using the 10-fold cross-validation procedure. These findings help demonstrate practical applications of ML in educational contexts and facilitate library strategic planning and management.