โครงงานการวิเคราะห์ข้อมูลเชิงสำรวจ (EDA) — ชุดข้อมูลวิชาการ Scopus 10 สาขาวิชา

วิชา: การวิเคราะห์ข้อมูลเชิงสำรวจ (Exploratory Data Analysis - EDA)
งานสอบกลางภาค (Midterm Examination): Project-Based Examination (คะแนนเต็ม 20 คะแนน)
อาจารย์ผู้สอน: ผู้ช่วยศาสตราจารย์ ดร.โอฬาริก สุรินต๊ะ
ภาคการศึกษาที่ 1 ปีการศึกษา 2569

---

สมาชิกกลุ่มผู้จัดทำ

1. นายณัฐวุฒิ พละศักดิ์ รหัสนิสิต 67011211017
2. นายพงศกร ไชยรงศรี รหัสนิสิต 67011211039
3. นายอนุรักษ์ งามจันอัด รหัสนิสิต 67011211062
4. นายปภังกร กุศล รหัสนิสิต 67011211035

---

ลิงก์สำหรับเข้าชมผลงานออนไลน์ (Interactive Visualization Dashboard)

👉 https://wayu15244.github.io/ScopusDataMidTerm/
(หรือเปิดไฟล์ docs/index.html )

---

สรุปภาพรวมของโครงงาน (Project Overview)

โครงงานนี้มุ่งเน้นการสืบค้น วิเคราะห์เชิงสำรวจ (EDA) และเตรียมคุณลักษณะ (Feature Engineering) ข้อมูลงานวิจัยทางวิทยาการคอมพิวเตอร์ (Computer Science) จากฐานข้อมูลวิชาการระดับสากล Scopus ครอบคลุม 10 สาขาวิชาย่อย (Subject Areas) เพื่อเข้าใจโครงสร้างความสัมพันธ์ของคำสำคัญ ความเชื่อมโยงข้ามศาสตร์ และเตรียมความพร้อมของข้อมูลสำหรับนำไปฝึกฝนโมเดล Machine Learning ในการสกัดเวกเตอร์ความหมาย (Text Embedding) ด้วยโมเดล SPECTER2

10 สาขาวิชาที่ทำการรวบรวมและวิเคราะห์ (Computer Science)

1. Artificial Intelligence (ข้อมูลสะอาด 697 รายการ)
2. Computational Theory and Mathematics (ข้อมูลสะอาด 699 รายการ)
3. Computer Graphics and Computer-Aided Design (ข้อมูลสะอาด 702 รายการ)
4. Computer Networks and Communications (ข้อมูลสะอาด 690 รายการ)
5. Computer Vision and Pattern Recognition (ข้อมูลสะอาด 704 รายการ)
6. Hardware and Architecture (ข้อมูลสะอาด 692 รายการ)
7. Human-Computer Interaction (ข้อมูลสะอาด 703 รายการ)
8. Information Systems (ข้อมูลสะอาด 702 รายการ)
9. Signal Processing (ข้อมูลสะอาด 702 รายการ)
10. Software (ข้อมูลสะอาด 700 รายการ)

ทุกสาขาวิชามีจำนวนบทความเกินเกณฑ์ขั้นต่ำ 600 รายการตามข้อกำหนดของอาจารย์ผู้สอนอย่างครบถ้วน (รวมข้อมูลสะอาดทั้งสิ้น 6,991 รายการ จากข้อมูลดิบ 7,280 รายการ)

---

สคริปต์ประมวลผลข้อมูลหลัก (scopus_eda_analysis.py)

ในโครงงานนี้ได้จัดเตรียมสคริปต์ภาษา Python หลักสำหรับแสดงกระบวนการทำงานจริงตามโจทย์ของรายวิชา:

python scopus_eda_analysis.py

ขั้นตอนการทำงานของสคริปต์:

1. การโหลดและตรวจสอบข้อมูลดิบ: โหลดชุดข้อมูล 7,280 รายการจาก data/scopus_10subjects_raw.csv ตรวจสอบมิติและชนิดของคอลัมน์
2. การขจัดข้อมูลซ้ำซ้อน (Deduplication): ตรวจจับบทความที่ปรากฏซ้ำข้ามสาขาด้วยชื่อบทความ และคงไว้เพียงสาขาเดียว (ตัดออก 175–180 รายการ)
3. การกรองข้อมูลที่ไม่เกี่ยวข้อง (Cleaning & Filtering):
   • กรองบทความภาษาต่างประเทศที่ไม่ใช่ภาษาอังกฤษ (25 รายการ)
   • กรองบทความที่ไม่มีบทคัดย่อหรือบทคัดย่อสั้นกว่าเกณฑ์ (30 รายการ)
   • คัดแยกบทความนอกศาสตร์คอมพิวเตอร์ เช่น ดัชนีอสังหาริมทรัพย์ในดูไบ, การจัดการโรงแรม, รากฟันเทียม และผลผลิตข้าวสาลี (59–60 รายการ)
4. การคำนวณสถิติเชิงพรรณนา: คำนวณค่าเฉลี่ย มัธยฐาน และการกระจายตัวของ Citations และปีที่ตีพิมพ์
5. การสร้างข้อความรวม (Text Concatenation): รวม Title, Abstract, Author Keywords และ Index Keywords พร้อมแท็กระบุส่วน
6. การสกัด Feature Vector และ L2 Normalization: จำลองการสกัดเวกเตอร์มิติ 768 และปรับขนาดด้วย L2 Norm ($||v||_2 = 1.0$) พร้อมสำหรับงาน Machine Learning

---

แพลตฟอร์มการแสดงผลด้วยภาพแบบโต้ตอบ (Interactive Visualizations)

แดชบอร์ดได้รับการออกแบบใหม่ทั้งหมดโดยประยุกต์ใช้เทคโนโลยี Apache ECharts พร้อมระบบ Force-directed Physics Simulation ป้องกันปัญหาตัวอักษรและโหนดซ้อนทับกันอย่างสิ้นเชิง ประกอบด้วย 6 มุมมองหลัก:

1. Interactive Knowledge Network: กราฟเครือข่ายความสัมพันธ์คำสำคัญแบบฟิสิกส์แรงผลัก ขนาดโหนดแทน Document Frequency และความหนาของเส้นแทน Co-occurrence Weight แบ่งเป็น 5 Thematic Clusters พร้อมระบบคลิกโหนดเพื่อดูรายการบทความจริงในแถบด้านข้าง
2. Dynamic Semantic Word Cloud: คลาวด์คำสำคัญจัดวางแบบไร้การซ้อนทับ (Collision-free Layout) กรองดูแนวโน้มรายปี (2020–2026) และคลิกเพื่อนำคำสำคัญไปค้นหาในบทความได้ทันที
3. Cross-Disciplinary Topic Overlap Heatmap: แผนภูมิความร้อนแบบไล่ระดับสีต่อเนื่อง (Continuous Gradient) แสดงการกระจายตัวของเทคโนโลยีสำคัญ (เช่น Machine Learning, Cloud, Optimization) ข้ามทั้ง 10 สาขาวิชา
4. Strategic Topic Growth & Evolution Quadrant: จตุภาคประเมินการเติบโตเชิงยุทธศาสตร์: คำนวณอัตราการเติบโตเชิงสัมพัทธ์ $log_2(Recent/Prior)$ เทียบกับปริมาณบทความจริง แบ่งออกเป็น 4 โซน: High-Volume Emerging, Core Established, Emerging Niche, และ Specialized Topics
5. EDA Descriptive Metrics: แดชบอร์ดสรุปสถิติเชิงพรรณนา กราฟแท่งเปรียบเทียบข้อมูลดิบกับข้อมูลสะอาด และกราฟพื้นที่แนวโน้มปีที่ตีพิมพ์
6. Scopus Literature Explorer: ระบบค้นหาบทความวิจัย ค้นหาตามชื่อเรื่อง ผู้แต่ง หรือคำสำคัญ กรองตามสาขาวิชา และเรียงตามการอ้างอิง พร้อมหน้าต่าง Modal แสดงบทคัดย่อฉบับเต็มและลิงก์ DOI

---

การเตรียมคุณลักษณะข้อความ (Feature Vector & Text Embedding)

1. การรวมฟิลด์ข้อความ: บูรณาการ Title, Abstract, Author Keywords และ Index Keywords โดยมีแท็กระบุนำหน้าชัดเจน
2. ข้อจำกัดความยาวโทเค็น (512 Tokens): รองรับโมเดลเฉพาะทางด้านวิทยาศาสตร์ SPECTER2 (allenai/specter2_base + proximity adapter) ซึ่งข้อมูลส่วนใหญ่มีความยาวเฉลี่ยประมาณ 160–318 โทเค็น
3. L2 Normalization: ปรับขนาดเวกเตอร์ 768 มิติ ให้มีความยาวเท่ากับ 1 หน่วย ช่วยให้การวัด Cosine Similarity ผ่าน Dot Product ทำได้อย่างรวดเร็ว
4. Machine Learning Readiness: ข้อมูลพร้อมนำไปประยุกต์ใช้งานในโจทย์ Subject Classification, Semantic Clustering (K-Means / HDBSCAN) และ Paper Recommendation

---

โครงสร้างไฟล์ใน Repository

├── data/
│   ├── scopus_10subjects_raw.csv         # ชุดข้อมูลดิบจาก Scopus (7,280 รายการ)
│   └── scopus_10subjects_cleaned.csv     # ชุดข้อมูลที่ผ่านการคลีนแล้ว (6,991 รายการ)
├── docs/                                 # เว็บไซต์ Interactive Visualization สำหรับ GitHub Pages
│   ├── index.html                        # แดชบอร์ดนำเสนอผลงานแบบโต้ตอบได้สมบูรณ์ (6 มุมมอง)
│   ├── css/style.css                     # สไตล์ชีทโมเดิร์น
│   ├── js/
│   │   ├── app.js                        # จาวาสคริปต์ควบคุมการทำงานและการวาดกราฟ ECharts
│   │   ├── echarts.min.js                # ไลบรารี Apache ECharts (ออฟไลน์ 100%)
│   │   └── echarts-wordcloud.min.js      # ปลั๊กอิน Word Cloud แบบไร้การซ้อนทับ
│   └── data/viz_data.json                # ข้อมูลสถิติและกราฟสำหรับหน้าเว็บ
├── report/
│   ├── EDA_Scopus_Report.docx            # รายงานวิชาการฉบับสมบูรณ์ (รูปแบบ Word ฟอนต์ TH Sarabun New)
│   ├── EDA_Scopus_Report.pdf             # รายงานวิชาการฉบับสมบูรณ์ (รูปแบบ PDF)
│   └── figures/                          # รูปภาพแผนภูมิความละเอียดสูงที่ใช้ในเล่มรายงาน
├── slides/
│   ├── EDA_Scopus_Presentation.pptx      # สไลด์นำเสนอ 16:9 สไตล์ Modern Minimal พร้อม Speaker Notes
│   └── EDA_Scopus_Presentation.pdf       # สไลด์นำเสนอรูปแบบ PDF
├── scopus_eda_analysis.py                # สคริปต์ Python หลักแสดงการทำงาน EDA & ML Pipeline
├── README.md                             # เอกสารแนะนำโครงงาน
└── .gitignore                            # การตั้งค่าคัดกรองไฟล์

---

การประเมินคะแนน (20 คะแนน)

• Visualization: 5 คะแนน (ผ่านการส่งมอบเว็บแอพ Interactive ECharts Dashboard 6 มุมมอง)
• Slide Presentation: 5 คะแนน (ผ่านการส่งมอบไฟล์ PPTX และ PDF ดีไซน์ 16:9 มี Speaker Notes ครบถ้วน)
• Report: 10 คะแนน (ผ่านการส่งมอบเล่มรายงาน DOCX และ PDF ครบทั้ง 3 ส่วนตามข้อกำหนด)