การทบทวนวรรณกรรมอย่างเป็นระบบโดยใช้ปัญญาประดิษฐ์กับการตรวจสอบข่าวปลอม
DOI:
https://doi.org/10.60027/iarj.2024.273480คำสำคัญ:
ปัญญาประดิษฐ์; , การประมวลผลภาษาธรรมชาติ; , ข่าวปลอมบทคัดย่อ
ภูมิหลังและวัตถุประสงค์: ประชากรไทยมีการใช้อินเทอร์เน็ตเป็นจำนวนมากในการเป็นสื่อกลางในการรับข่าวสาร ข่าวปลอม กระจายในสื่อสังคมออนไลน์เป็นจำนวนมาก ปัญญาประดิษฐ์ถือกำเนิดขึ้นเครื่องคอมพิวเตอร์มีความสามารถที่จะเรียนรู้เองสามารถสรุปสิ่งที่มนุษย์สร้างขึ้นได้ คือการประมวลผลภาษาธรรมชาติ การวิเคราะห์ข้อมูลต่าง ๆ และการสร้างแบบจำลองจากข้อมูลเหล่านั้นด้วยศาสตร์ทางด้านการเรียนรู้ของเครื่อง วัตถุประสงค์ของบทความนี้คือ 1)เพื่อศึกษาวิธีการและแบบจำลองการตรวจสอบข่าวปลอมด้วยปัญญาประดิษฐ์ 2)เพื่อเสนอแนวทางการใช้ปัญญาประดิษฐ์ตรวจสอบข่าวปลอม เพื่อให้การทบทวนวรรณกรรมโปร่งใสและตรงตามหลักการทางวิทยาศาสตร์ซึ่งสามารถพิสูจน์ซ้ำได้
ระเบียบวิธีการวิจัย: เป็นการนำกระบวนการในการทบทวนวรรณกรรมอย่างเป็นระบบมาประยุกใช้กับงานวิจัยนี้ โดยแบ่งออกเป็น 3 ขั้นตอน 1) กำหนดประเด็นการสืบค้น 2) ทบทวนวรรณกรรมและตรวจสอบคุณภาพงานวิจัย 3) สังเคราะห์ข้อมูลเพื่อสรุปเป็นองค์ความรู้ ซึ่งเกณฑ์ในการพิจารณาวรรณกรรมจะถูกพิจารณาเป็นลำดับ แบ่งออกเป็น 4 ลำดับ ได้แก่ 1) งานวิจัยที่ตีพิมพ์ไม่เกิน 5 ปี 2) พิจารณาชื่อวรรณกรรม ตรงมาหัวข้อ ข่าวปลอมปัญญาประดิษฐ์ และการประมวลภาษาธรรมชาติ 3) วรรณกรรมอยู่ในรูปแบบภาษาอังกฤษ 4) พิจารณาบทคัดย่อวรรณกรรม โดยเกณฑ์ในการพิจารณาแสดงถึงการตรวจสอบข่าวปลอมด้วยกระบวนการปัญญาประดิษฐ์ และพิจารณาวรรณกรรมฉบับเต็ม จึงทำการศึกษาจากงานวิจัยที่ทำด้านการตรวจสอบข่าวปลอมด้วยปัญญาประดิษฐ์ จำนวน 10 เรื่อง
ผลการวิจัย: ปัญญาประดิษฐ์สามารถตรวจสอบข่าวปลอมได้ถูกต้องเป็นที่น่าพอใจสูงที่มากกว่าร้อยละ 90 และได้แนวทางในการใช้ปัญญาประดิษฐ์ตรวจสอบข่าวปลอม แต่อย่างไรก็ตาม มีข้อสังเกตในการวิเคราะห์ข้อมูลที่ใช้ในการใช้สอนเครื่องคอมพิวเตอร์นั้น จะเหมาะสมกับแบบจำลองนั้น ๆ เสมอ แต่บนสื่อสังคมออนไลน์มีข่าวสารเกิดขึ้นทุกวินาที จึงจำเป็นต้องศึกษาพัฒนาปัญญาประดิษฐ์ตรวจสอบข่าวปลอม เพิ่มเติมเพื่อการตรวจสอบข่าวปลอมด้วยปัญญาประดิษฐ์ที่ทันเหตุการณ์
สรุปผล: ปัญญาประดิษฐ์สามารถตรวจสอบข่าวปลอมอย่างแม่นยำเกิน 90% และมีแนวทางในการใช้ปัญญาประดิษฐ์ในการตรวจสอบข่าวปลอม อย่างไรก็ตาม การใช้ข้อมูลในการสอนเครื่องคอมพิวเตอร์ต้องเป็นไปตามลักษณะของแบบจำลอง และเนื่องจากข่าวสารบนสื่อสังคมออนไลน์เป็นเหตุการณ์ทุกวินาที การพัฒนาปัญญาประดิษฐ์ต่อเพื่อตรวจสอบข่าวปลอมที่ทันเหตุการณ์เป็นสิ่งจำเป็น
เอกสารอ้างอิง
เฉลิมชัย ก๊กเกียรติกุล และ ธัญนนทณัฐ ด่านไพบูลย์. (2018). Fake News: Problems and Challenge. NBTC Journal, 2(2), 173 - 192. Retrieved from https://so04.tci-thaijo.org/index.php/NBTC_Journal/article/view/146058
ส.อ.ห.สพธอ. (2016). รู้จัก พ.ร.บ. คอมพิวเตอร์ฯ ฉบับที่ 2 พ.ศ. 2560. Retrieved from: https://www.etda.or.th/th/newsevents/pr-news/ICT-LAW/รจก-พ-ร-บ-คอมพวเตอรฯ-ฉบบท-2-พ-ศ-2560.aspx
Ahmed, S., Hinkelmann, K., & Corradini, F. (2022). Development of Fake News Model using Machine Learning through Natural Language Processing. International Scholarly and Scientific Research & Innovation. 14(12), 454-460.
https://doi.org/10.48550/arXiv.2201.07489
Andrea Carson, K.F. (2019). The real news on ‘fake news’: politicians use it to discredit media, and journalists need to fight back. Retrieved from https://theconversation.com/the-real-news-on-fake-news-politicians-use-it-to-discredit-media-and-journalists-need-to-fight-back-123907
bbc. (2017). A brief history of fake news. Retrieved from https://www.bbc.co.uk/bitesize/articles/zwcgn9q
Briner, R.B., & Denyer, D. (2012). Systematic review and evidence synthesis as a practice and scholarship tool. In D. M. Rousseau, The Oxford handbook of evidence-based management (pp. 112–129). Oxford University Press.
Brown, T.B., et al. (2020). Language Models are Few-Shot Learners. CS.CL. doi:
https://doi.org/10.48550/arXiv.2005.14165
Chen, B. (2020). What is One-Hot Encoding and how to use Pandas get_dummies function. Retrieved from: https://towardsdatascience.com/what-is-one-hot-encoding-and-how-to-use-pandas-get-dummies-function-922eb9bd4970
Cueva, E., Ee, G., Iyer, A., Pereira, A.S., Roseman, A.S., & Martinez, D. (2020). Detecting Fake News on Twitter Using Machine Learning Models. 2020 IEEE MIT Undergraduate Research Technology Conference (URTC), 1-5. DOI:10.1109/urtc51696.2020.9668872
Deepak, S., & Chitturi, B. (2020). Deep neural approach to Fake-News identification. Procedia Computer Science, 167, 2236-2243. DOI:10.1016/j.procs.2020.03.276
Derakhshan, C. W. a. H. (2018). Thinking about ‘information disorder’: formats of misinformation, disinformation, and mal-information. Journalism, ‘Fake News’ & Disinformation. UNESCO. 2018. Retrieved from: https://en.unesco.org/sites/default/files/f._jfnd_handbook_module_2.pdf
Devarajan, G.G., Nagarajan, S.M., Amanullah, S.I., Mary, S.A.S.A., & Bashir, A.K. (2023). AI-Assisted Deep NLP-Based Approach for Prediction of Fake News from Social Media Users. IEEE Transactions on Computational Social Systems, 1-11. doi:10.1109/TCSS.2023.3259480
Garg, S., & Kumar Sharma, D. (2022). Linguistic features-based framework for automatic fake news detection. Computers & Industrial Engineering, 172, 108432. doi: https://doi.org/10.1016/j.cie.2022.108432
Harbert, T. (2021). Tapping the power of unstructured data. Retrieved from https://mitsloan.mit.edu/ideas-made-to-matter/tapping-power-unstructured-data
Jadhav, S.S., & Thepade, S.D. (2019). Fake News Identification and Classification Using DSSM and Improved Recurrent Neural Network Classifier. Applied Artificial Intelligence, 33(12), 1058-1068. doi:10.1080/08839514.2019.1661579
Jain, A., Shakya, A., Khatter, H., & Gupta, A. K. (2019). A smart System for Fake News Detection Using Machine Learning. Paper presented at the 2019 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT). DOI:10.1109/ICICT46931.2019.8977659
Kaliyar, R. K., Goswami, A., Narang, P., & Sinha, S. (2020). FNDNet – A deep convolutional neural network for fake news detection. Cognitive Systems Research, 61, 32-44. doi: https://doi.org/10.1016/j.cogsys.2019.12.005
Moher, D., Shamseer, L., Clarke, M., Ghersi, D., Liberati, A., Petticrew, M., Group, P.-P. (2015). Preferred reporting items for systematic review and meta-analysis protocols (PRISMA-P) 2015 statement. Systematic Reviews, 4 (1), 1. https://doi.org/10.1186/2046-4053-4-1
Mookdarsanit, P., & Mookdarsanit, L. (2021). The COVID-19 fake news detection in Thai social texts. Bulletin of Electrical Engineering and Informatics.10(2), 988-998. DOI:10.11591/eei.v10i2.2745
Nichols, J. (2020). Freedom of the Press, Fake News, and Disinformation. Retrieved from: https://www.uua.org/international/blog/freedom-press-fake-news-disinformation
Panyachot. (2021). Breaking news in the digital age. Retrieved from https://www.depa.or.th/th/article-view/News-consumption-in-the-digital-age
Prasertsom, P. (2020). Text Extraction with Basic Language Processing Techniques: TF-IDF, Part 1. Retrieved from https://bigdata.go.th/big-data-101/tf-idf-1/
Prasertsom, P. (2021). Finding Semantic Placeholders of Text: Word2Vec Word Embedding, Part I. Retrieved from https://bigdata.go.th/big-data-101/word2vec/
Sedik, A., Abohany, A.A., Sallam, K.M., Munasinghe, K., & Medhat, T. (2022). Deep fake news detection system based on concatenated and recurrent modalities. Expert Systems with Applications, 208, 117953. doi: https://doi.org/10.1016/j.eswa.2022.117953
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2024 Sarawut Kedthawon
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ในบทความใดๆ ใน Interdisciplinary Academic and Research Journal ยังคงเป็นของผู้เขียนภายใต้ ภายใต้ Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License การอนุญาตให้ใช้ข้อความ เนื้อหา รูปภาพ ฯลฯ ของสิ่งพิมพ์ ผู้ใช้ใดๆ เพื่ออ่าน ดาวน์โหลด คัดลอก แจกจ่าย พิมพ์ ค้นหา หรือลิงก์ไปยังบทความฉบับเต็ม รวบรวมข้อมูลเพื่อจัดทำดัชนี ส่งต่อเป็นข้อมูลไปยังซอฟต์แวร์ หรือใช้เพื่อวัตถุประสงค์ทางกฎหมายอื่นใด แต่ห้ามนำไปใช้ในเชิงพาณิชย์หรือด้วยเจตนาที่จะเป็นประโยชน์ต่อธุรกิจใดๆ
