ระบบจัดเก็บและค้นหางานวิจัยอัจฉริยะ

การตรวจจับข่าวปลอมจากชุดข้อมูล Fake News ด้วยโครงข่ายประสาทเทียมแบบ LSTM

ผศ.ดร.นิกร กรรณิกากลาง | การตรวจจับข่าวปลอม โครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว การจำแนกประเภทข้อมูล

จำนวนผู้เข้าชม

939

การตรวจจับข่าวปลอมจากชุดข้อมูล Fake News ด้วยโครงข่ายประสาทเทียมแบบ LSTM

ยังไม่มีไฟล์เอกสาร

Collection	RMUTK Research Repository (RMUTK IR) บทความประชุมวิชาการ — Proceedings
ID RMUTK Digital	RMUTK000065
Title	การตรวจจับข่าวปลอมจากชุดข้อมูล Fake News ด้วยโครงข่ายประสาทเทียมแบบ LSTM
Alternative title	Fake News Detection on the Fake News Dataset Using LSTM
Authors	ผศ.ดร.นิกร กรรณิกากลาง ผู้แต่งหลัก ผศ.วาสนา ด้วงเหมือน Corresponding
Faculty	คณะบริหารธุรกิจ
Volume / Issue / Pages	pp.3373-3382
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	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
Abstract (EN)	The objectives of this research were: (1) to investigate the effectiveness of the Long Short-Term Memory (LSTM) technique for fake news detection, and (2) to compare the performance of the LSTM technique with baseline machine learning methods in fake news detection. The study was conducted using real-world fake news data collected from global news sources, consisting of a total of 20,800 news articles, including 10,413 fake news articles and 10,387 real news articles. The dataset was divided into a training set (80%) and a testing set (20%). News classification was performed using a deep learning approach based on the LSTM neural network. The results showed that: (1) the LSTM neural network achieved high effectiveness in fake news detection, with an accuracy of 97.78%; and (2) when compared with baseline techniques, namely Decision Tree and Random Forest, the LSTM model demonstrated superior performance. This performance gain can be attributed to the deep learning capability of the LSTM model in capturing complex sequential patterns in textual data.
Keywords (TH)	การตรวจจับข่าวปลอม โครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว การจำแนกประเภทข้อมูล
Keywords (EN)	Fake news detection long short-term memory classification analysis
Access Level	Open Access (เปิดสาธารณะ)

เอกสารดิจิทัล

ยังไม่มีไฟล์เอกสาร