การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อการจําแนกข้อความ SMS ภาษาไทยจากมิจฉาชีพด้วย Machine Learning 2) ศึกษาการใช้อัลกอริทึม PyThaiNLP ร่วมกับเทคนิค TF-IDF ในการสกัดคุณลักษณะข้อความ และประยุกต์ใช้เทคนิค SMOTE เพื่อแก้ไขปัญหาความไม่สมดุลของข้อมูล ก่อนนําไปฝึกด้วยอัลกอริทึม Naïve Bayes และ 3) ศึกษาผลของแบบจําลองในการจําแนกข้อความ SMS ภาษาไทยออกเป็น 3 กลุ่ม ได้แก่ ข้อความปกติ ข้อความมิจฉาชีพ และข้อความส่งเสริมการขาย โดยใช้ข้อมูลจํานวน 5,000 รายการผลการทดลองด้วยอัลกอริทึม Naïve Bayes พบว่า กลุ่มข้อความปกติมีค่า Precision (ความแม่นยํา) 0.94 Recall (ความระลึก) 0.84 และ F1-Score (ค่าความถ่วงดุล) 0.88 กลุ่มข้อความส่งเสริมการขายมีค่า Precision 0.57 Recall 0.81 และ F1-Score 0.67 และกลุ่มข้อความมิจฉาชีพมีค่า Precision 0.84 Recall 0.91 และ F1-Score 0.87 ซึ่งแสดงให้เห็นถึงประสิทธิภาพที่ดีของแบบจําลอง โดยเฉพาะในการตรวจจับข้อความมิจฉาชีพนอกจากนี้ การประยุกต์ใช้เทคนิค SMOTE ช่วยเพิ่มประสิทธิภาพของแบบจําลอง โดยให้ค่าความถูกต้อง (Accuracy) สูงสุดร้อยละ 85.00 พร้อมทั้งให้ค่าความแม่นยํา ความระลึก และค่าความถ่วงดุลอยู่ในระดับดีเยี่ยม สรุปได้ว่าแนวทางดังกล่าวสามารถนําไปใช้ในการตรวจจับข้อความ SMS มิจฉาชีพได้อย่างมีประสิทธิภาพ

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.