การประยุกต์ใช้วิทยาศาสตร์ข้อมูลในการวิเคราะห์ข้อมูลจากการวิเคราะห์ผลกระทบและประเมินผลสัมฤทธิ์ของกฎหมาย

ผู้แต่ง

  • พีรพัฒ โชคสุวัฒนสกุล คณะนิติศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย
  • ศดานันท์ อาศัยบุญ คณะอักษรศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย
  • อรรถพล ธํารงรัตนฤทธิ์ คณะอักษรศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

คำสำคัญ:

ปัญญาประดิษฐ์, วิทยาศาสตร์ข้อมูล, การประมวลผลภาษาธรรมชาติ, การวิเคราะห์ความรู้สึก, วิเคราะห์ข้อมูลกฎหมาย, การรับฟังความคิดเห็น, พระราชบัญญัติหลักเกณฑ์การจัดทำร่างกฎหมายและการประเมินผลสัมฤทธิ์ของกฎหมาย พ.ศ. 2562, การวิเคราะห์ผลกระทบและประเมินผลสัมฤทธิ์ของกฎหมาย, การสร้างแบบจำลองหัวข้อ

บทคัดย่อ

พระราชบัญญัติหลักเกณฑ์การจัดทำร่างกฎหมายและการประเมินผลสัมฤทธิ์ของกฎหมาย พ.ศ. 2562 ซึ่งออกตามหลักการในมาตรา 77 ของรัฐธรรมนูญแห่งราชอาณาจักรไทย พุทธศักราช 2560 ได้มีการวางหลักการในการวิเคราะห์ผลกระทบและประเมินผลสัมฤทธิ์ของกฎหมายไว้ โดยให้ความสำคัญเป็นอย่างยิ่งต่อการรับฟังความคิดเห็นของประชาชนและผู้มีส่วนเกี่ยวข้อง โดยกำหนดให้หน่วยงานของรัฐดำเนินการรับฟังความคิดเห็นผ่านระบบกลางเป็นหลัก อย่างไรก็ดีทรัพยากรและความสามารถการวิเคราะห์ข้อมูลความคิดเห็นที่ได้จากระบบดังกล่าวของหน่วยงานของรัฐนั้นมีความแตกต่างกันขึ้นอยู่กับทรัพยากรและข้อจำกัดในแต่ละบริบท ประกอบกับการวิเคราะห์ข้อมูลที่เป็นตัวอักษรโดยมนุษย์นั้นสิ้นเปลืองทั้งเวลาและทรัพยากรมากกว่าการวิเคราะห์ข้อมูลที่เป็นโครงสร้างหรือข้อมูลเชิงปริมาณ บทความนี้จึงได้นำเสนอวิธีการศึกษา ตีความข้อมูลเชิงลึกในเชิงกฎหมายโดยนำเทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence) และองค์ความรู้ด้านการประมวลผลภาษาธรรมชาติ (Natural Language Processing) ในที่นี้เลือกศึกษาจากข้อมูลกฎหมายข้อเสนอแนะของผู้แสดงความคิดเห็นในโครงการแก้ไขเพิ่มเติมพระราชบัญญัติกองทุนเงินให้กู้ยืมเพื่อการศึกษา พ.ศ. 2560 โดยใช้เทคนิคการสร้างแบบจำลองหัวข้อ (Topic modeling) เพื่อวิเคราะห์หาหัวข้อเรื่องที่ปรากฏอยู่ในความคิดเห็น และการวิเคราะห์ความรู้สึก (Sentiment analysis) เพื่อวิเคราะห์อารมณ์ความรู้สึกของผู้แสดงความเห็น ซึ่งกระบวนการวิเคราะห์ดังกล่าวจะแสดงให้เห็นถึงประโยชน์และชี้ให้เห็นถึงแนวทางในการวิเคราะห์ข้อมูลความคิดเห็นในกระบวนการรับฟังความคิดเห็นภายใต้พระราชบัญญัติหลักเกณฑ์การจัดทำร่างกฎหมายและการประเมินผลสัมฤทธิ์ของกฎหมาย พ.ศ. 2562 หรือภายใต้บริบทอื่น ๆ ต่อไป

References

Alarie, Benjamin, Anthony Niblett, and Albert H. Yoon. ‘Using Machine Learning to Predict Outcomes in Tax Law’. Can. Bus. LJ 58 (2016): 231.

Albalawi, R., M. Benyoucef, and T.H. Yeap. ‘Using Topic Modeling Methods for Short-Text Data: A Comparative Analysis’, 2020. https://doi.org/10.3389/frai.2020.00042.

Aletras, N., D. Tsarapatsanis, D. Preotiuc-Pietro, and V. Lampos. ‘Predicting Judicial Decisions of the European Court of Human Rights: A Natural Language Processing Perspective’. PeerJ Computer Science 2:e93 (2016). https://doi.org/10.7717/peerj-cs.93.

Arun, R., V. Suresh, C. E. Veni Madhavan, and M. N. Narasimha Murthy. ‘On Finding the Natural Number of Topics with Latent Dirichlet Allocation: Some Observations’. In Advances in Knowledge Discovery and Data Mining, edited by Mohammed J. Zaki, Jeffrey Xu Yu, B. Ravindran, and Vikram Pudi, 391–402. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer, 2010. https://doi.org/10.1007/978-3-642-13657-3_43.

Bail, C. ‘Topic Modeling’, 2018. https://cbail.github.io/SICSS_Topic_Modeling.html.

Chalkidis, I., I. Androutsopoulos, and N. Aletras. ‘Neural Legal Judgment Prediction in English’. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 4317–23. Florence, Italy: Association for Computational Linguistics, 2019. https://doi.org/10.18653/v1/P19-1424.

Collomb, A.A., L. Brunie, and C. Costea. ‘A Study and Comparison of Sentiment Analysis Methods for Reputation Evaluation’, 2013. https://www.semanticscholar.org/paper/A-Study-and-Comparison-of-Sentiment-Analysis-for-Collomb-Brunie/0e6e72c40f438c5c0e5c7ca47448d57e0a8c6e54.

Dunn, Matthew, Levent Sagun, Hale Sirin, and Daniel L. Chen. ‘Early Predictability of Asylum Court Decisions’. In Proceedings of the Association for Computing Machinery Conference on Artificial Intelligence and the Law, 2017. https://users.nber.org/~dlchen/papers/Early_Predictability_of_Asylum_Court_Decisions.pd.

Gandal, Neil, Michael Kende, and Rafael Rob. ‘The Dynamics of Technological Adoption in Hardware/Software Systems: The Case of Compact Disc Players’. The Rand Journal of Economics, 2000, 43–61.

Katz, D.M., Blackman Bommarito MJ, II, and J. ‘A General Approach for Predicting the Behavior of the Supreme Court of the United States’. PLoS ONE 12, no. 4 (2017): 0174698. https://doi.org/10.1371/journal.pone.0174698.

Khurana, D., A. Koli, K. Khatter, and S. Singh. ‘Natural Language Processing: State of the Art, Current Trends and Challenge’, 2017.

Kruglyak, I. ‘Natural Language Processing: Tasks and Application Areas’, 2020. https://www.avenga.com/magazine/natural-language-processing-application-areas/.

Melton, C.A., O.A. Olusanya, N. Ammar, and A. Shaban-Nejad. ‘Public Sentiment Analysis and Topic Modeling Regarding COVID-19 Vaccines on the Reddit Social Media Platform: A Call to Action for Strengthening Vaccine Confidence’. Journal of Infection and Public Health 14, no. 10 (2021): 1505–12.

Mimno, D. ‘Mimno’, 2008. https://mimno.github.io/Mallet/topics.

O’Neill, J., C. Robin, L. O’Brien, and P. Buitelaar. ‘An Analysis of Topic Modelling for Legislative Texts’. In ASAIL@ICAIL, 2017.

Parente, Stephen L., and Edward C. Prescott. ‘Barriers to Technology Adoption and Development’. Journal of Political Economy 102, no. 2 (1994): 298–321.

Poria, S., D. Hazarika, N. Majumder, and R. Mihalcea. ‘Beneath the Tip of the Iceberg: Current Challenges and New Directions in Sentiment Analysis Research’. IEEE Transactions on Affective Computing 1 (2020). https://doi.org/10.1109/TAFFC.2020.3038167.

Soh, J., H.K. Lim, and I.E. Chai. ‘Legal Area Classification: A Comparative Study of Text Classifiers on Singapore Supreme Court Judgments’. In Proceedings of the Natural Legal Language Processing Workshop 2019, 67–77. Minneapolis, Minnesota: Association for Computational Linguistics, 2019. https://doi.org/10.18653/v1/W19-2208.

Tomar, Ankur. ‘Topic Modeling Using Latent Dirichlet Allocation (LDA) and Gibbs Sampling Explained!’ Analytics Vidhya (blog), 25 July 2019. https://medium.com/analytics-vidhya/topic-modeling-using-lda-and-gibbs-sampling-explained-49d49b3d1045.

MonkeyLearn Blog. ‘Topic Modeling: An Introduction’, 26 September 2019. https://monkeylearn.com/blog/introduction-to-topic-modeling/.

โค้วสีหวัฒน์, กานกวิญจน์. ‘แบบจําลองคําทํานายผลคําตัดสินและประเด็นในคดีอาญาที่เรียนรู้จากคำพิพากษาฎีกาไทย โดยใช้เทคนิคการเรียนรู้เชิงลึก’, 2018.

พีรพัฒ โชคสุวัฒนสกุล และ อรรถพล ธำรงรัตนฤทธิ์. การวิเคราะห์คดีละเมิดด้วยปัญญาประดิษฐ์. กรุงเทพ, ประเทศไทย: สำนักงานวิจัยแห่งชาติ (วช.), 2565.

Downloads

เผยแพร่แล้ว

2023-06-30