Ứng dụng mô hình học máy để phân tích cảm xúc của người dân trên mạng xã hội đối với luật giao thông đường bộ mới ban hành

Abstract

Trong bối cảnh Nghị định 168/2024/NĐ-CP – Luật Giao thông đường bộ mới (có hiệu lực từ 01/01/2025) gây ra nhiều tranh luận trên mạng xã hội, việc nắm bắt và phân tích cảm xúc dư luận trở thành yêu cầu thiết yếu đối với các cơ quan quản lý nhà nước và các tổ chức liên quan. Thay vì dựa vào khảo sát thủ công tốn thời gian và dễ bị sai lệch, nghiên cứu này đề xuất một hệ thống phân tích cảm xúc tự động kết hợp xử lý ngôn ngữ tự nhiên (NLP) và mô hình học sâu (Deep Learning), nhằm hỗ trợ ra quyết định chính sách và truyền thông một cách kịp thời, chính xác. Bộ dữ liệu gồm 2.431 bình luận được thu thập từ Facebook và các báo điện tử (VnExpress, Tuổi Trẻ) trong giai đoạn 01/12/2024 – 01/04/2025, được gán nhãn theo ba nhóm cảm xúc (tích cực, trung lập, tiêu cực). Nghiên cứu triển khai và so sánh hiệu suất của bốn mô hình: Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), PhoBERT và PhoBERT + MLP. Các chỉ số đánh giá bao gồm Accuracy, Precision, Recall, F1-score và ma trận nhầm lẫn. Kết quả cho thấy PhoBERT + MLP đạt kết quả tốt nhất với Accuracy 80.11% và F1-score cân bằng, chứng minh hiệu quả khi kết hợp mô hình ngôn ngữ tiền huấn luyện với bộ phân loại struyền thống. PhoBERT vẫn cho thấy tiềm năng mạnh, còn MLP và LSTM giữ độ chính xác khoảng 75%. Về ứng dụng, hệ thống này có thể tích hợp vào dashboard phân tích dư luận theo thời gian thực cho cơ quan nhà nước, doanh nghiệp truyền thông hoặc tổ chức nghiên cứu chính sách. Nhờ khả năng giám sát liên tục và phát hiện sớm các vấn đề gây tranh cãi, đơn vị quản lý có thể điều chỉnh thông điệp truyền thông, tối ưu chiến dịch tuyên truyền, hoặc đề xuất thay đổi chính sách phù hợp với kỳ vọng xã hội. Cách tiếp cận này vừa tiết kiệm thời gian và chi phí, vừa nâng cao tính minh bạch, hiệu quả quản trị công và năng lực phản ứng nhanh trước biến động của dư luận.