Chulalongkorn University Theses and Dissertations (Chula ETD)

Other Title (Parallel Title in Other Language of ETD)

An analysis of natural language text relating to Thai criminal law

Year (A.D.)


Document Type


First Advisor

สุกรี สินธุภิญโญ


Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Department (if any)

Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)

Degree Name


Degree Level


Degree Discipline





วิทยานิพนธ์นี้วิเคราะห์การบังคับใช้กฎหมายอาญาของประเทศไทย ในภาค1 บทบัญญัติทั่วไป และภาค2 เฉพาะความผิดเกี่ยวกับชีวิต มาตรา 288 และมาตรา 289 ในลักษณะ10 ความผิดเกี่ยวกับชีวิตและร่างกาย ตามประมวลกฎหมายอาญาของไทย ส่วนแรกของวิทยานิพนธ์นี้ใช้ความรู้ด้านกฎหมายอาญาและคำพิพากษาของศาลฎีกาในการสร้างกฎในการพิจารณาที่มนุษย์สามารถเข้าใจได้ และส่วนที่สองคือการฝึกฝนแบบจำลองด้วยชุดข้อมูลจากคำพิพากษาด้วยเทคนิคการเรียนรู้เชิงลึก โดยแก้ปัญหาความไม่สมดุลของกลุ่มข้อมูลฝึกสอนด้วยการสังเคราะห์ตัวอย่างข้อมูลในกลุ่มอื่น ๆ ให้มีจำนวนเท่ากับกลุ่มที่มากที่สุด และฝึกสอนด้วยโครงข่ายหน่วยความจำระยะสั้นแบบยาวทิศทางเดียวและสองทิศทาง ซึ่งเป็นโครงข่ายประสาทเทียมแบบวกกลับประเภทหนึ่ง และเมื่อวัดประสิทธิภาพแบบจำลองด้วยค่าเฉลี่ยมหภาคเอฟวัน พบว่าแบบจำลองของหน่วยความจำระยะสั้นแบบยาวสองทิศทางให้ประสิทธิภาพสูงกว่าแบบทิศทางเดียว และการใช้ค่าถ่วงน้ำหนักเริ่มต้นจากเรียนรู้ด้วยคลังข้อมูลขนาดใหญ่อื่น ให้ประสิทธิภาพที่สูงกว่าการใช้เฉพาะข้อมูลฝึกสอน และท้ายสุดทำการทดสอบความแม่นยำของแบบจำลองจากข่าวอาชญากรรมด้วยเทคนิคการหาค่าเฉลี่ยความน่าจะเป็น เพื่อใช้เป็นข้อมูลขาเข้าของกฎการพิจารณา พบว่าสอดคล้องกับความเห็นของนักกฎหมาย 59 %

Other Abstract (Other language abstract of ETD)

This work analyses Thailand's criminal law enforcement in book 1, general provisions; book 2, specific offences causing death specified in ; sections 288 and 289 of title 10, offenses affecting life and body under the Thai Criminal Code. The first part of this work is using criminal law domain knowledge and supreme court judgment results, to be the initial domain information and result is the rules that humans can understand. The second part of this work is bringing training data set from the final judgment to train with deep learning methods. Due to the training set which have severe imbalances, the Synthetic Minority Over-Sampling TEchnique (SMOTE) is used to solve this problem. Models are trained on the training set using unidirectional Long Short-Term Memory (LSTM) networks and bidirectional Long Short-Term Memory (BiLSTM) are type of Recurrent Neural Networks (RNN). BiLSTM macro-average F1 scores are higher than LSTM. Pre-trained word embeddings are then used to make the macro-average F1 scores higher than before. Finally, using models to predict online crime news, the highest average probability of each model is selected by using Soft Voting as input to the rules. The test results compared with the predictions of our methods with the opinion of the lawyer, corresponding 59%.



To view the content in your browser, please download Adobe Reader or, alternately,
you may Download the file to your hard drive.

NOTE: The latest versions of Adobe Reader do not support viewing PDF files within Firefox on Mac OS and if you are using a modern (Intel) Mac, there is no official plugin for viewing PDF files within the browser window.