បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការប្រើប្រាស់កម្មវិធីចាប់សញ្ញាអារម្មណ៍ពាណិជ្ជកម្ម ដែលជាទូទៅចាប់បានតែអារម្មណ៍មូលដ្ឋាន (Basic emotions) ដើម្បីស្វែងយល់ពីអារម្មណ៍សមិទ្ធផល (Achievement emotions) ដែលចាំបាច់សម្រាប់ការយល់ដឹងពីការសិក្សាក្នុងបរិយាកាសផ្អែកលើកុំព្យូទ័រ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រមូលទិន្នន័យពីសិស្សថ្នាក់ទី៦ ចំនួន៦៥នាក់ ដែលប្រើប្រាស់ប្រព័ន្ធ Betty’s Brain រយៈពេល៤ថ្ងៃ ដោយប្រើប្រាស់ម៉ូដែលរៀនដោយម៉ាស៊ីន (Machine Learning) ដើម្បីស្វែងរកទំនាក់ទំនងរវាងប្រភេទអារម្មណ៍ទាំងពីរ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest (RF) ម៉ូដែលរៀនដោយម៉ាស៊ីន Random Forest |
ដំណើរការល្អបំផុតក្នុងការទស្សន៍ទាយ (មាន AUC ខ្ពស់ជាងគេ) ដោយសារតែការចងក្រង និងយកមធ្យមភាគពីមែកធាងសម្រេចចិត្តជាច្រើន ដែលជួយកាត់បន្ថយ Bias និង Variance។ | ពិបាកក្នុងការបកស្រាយ (black-box) បើប្រៀបធៀបនឹងម៉ូដែលមែកធាងសម្រេចចិត្ត ធ្វើឱ្យពិបាកយល់ពីមូលហេតុនៃការសម្រេចចិត្ត។ | សម្រេចបាន AUC ០.៨៥ សម្រាប់ការទស្សន៍ទាយការប្រមូលផ្តុំផ្តោតអារម្មណ៍ (Engaged concentration) និង AUC ០.៧៦ សម្រាប់ភាពខកចិត្ត។ |
| Decision Tree (DT) ម៉ូដែលមែកធាងសម្រេចចិត្ត |
ងាយស្រួលបកស្រាយ និងស្វែងយល់ពីទំនាក់ទំនងរវាងលក្ខណៈពិសេសរបស់អារម្មណ៍ (glass-box) ព្រមទាំងមានប្រសិទ្ធភាពខ្ពស់លំដាប់ទី២។ | ងាយនឹងរងឥទ្ធិពលពី Overfitting ទោះបីជាមានការកាត់មែក (Forward pruning) ក៏ដោយ ហើយដំណើរការខ្សោយជាង Random Forest បន្តិច។ | សម្រេចបាន AUC ០.៨៣ សម្រាប់ការទស្សន៍ទាយការប្រមូលផ្តុំផ្តោតអារម្មណ៍ (Engaged concentration) និងអាចផ្តល់រូបភាពបកស្រាយបានយ៉ាងច្បាស់។ |
| Logistic Regression (LR) & Naive Bayes (NB) ម៉ូដែល Logistic Regression និង Naïve Bayes |
ងាយស្រួលប្រើប្រាស់ និងដើរតួជាបន្ទាត់គោល (Baseline models) សម្រាប់វាស់ស្ទង់និងប្រៀបធៀបសមត្ថភាពរបស់ម៉ូដែលផ្សេងទៀត។ | មានសមត្ថភាពខ្សោយក្នុងការទស្សន៍ទាយទិន្នន័យស្មុគស្មាញ និងទិន្នន័យដែលមានទំហំតូច និងមិនស្មើគ្នា។ | ទទួលបាន AUC ទាបបំផុតចន្លោះពី ០.៥៤ ទៅ ០.៦២ សម្រាប់គ្រប់ប្រភេទអារម្មណ៍សមិទ្ធផល។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការវិនិយោគលើផ្នែកទន់ពាណិជ្ជកម្មកម្រិតខ្ពស់ ក៏ដូចជាឧបករណ៍ថតវីដេអូស្តង់ដាររួមជាមួយនឹងម៉ាស៊ីនកុំព្យូទ័រសម្រាប់ដំណើរការទិន្នន័យសិស្ស។
ការសិក្សានេះត្រូវបានធ្វើឡើងលើសំណាកតូចមួយ គឺសិស្សថ្នាក់ទី៦ ចំនួនត្រឹមតែ ៦៥នាក់ នៅក្នុងសាលារដ្ឋមួយនៅតំបន់ភាគអាគ្នេយ៍នៃសហរដ្ឋអាមេរិក។ ទិន្នន័យនេះមានភាពជាក់លាក់ទៅនឹងវប្បធម៌លោកខាងលិច (Western demographic) ដែលវាមានសារៈសំខាន់ណាស់សម្រាប់កម្ពុជា ព្រោះការបង្ហាញអារម្មណ៍តាមទឹកមុខអាចមានភាពខុសគ្នារវាងវប្បធម៌ ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីតម្រូវម៉ូដែលឡើងវិញ។
ទោះបីជាមានបញ្ហាដែនកំណត់ទិន្នន័យបន្តិចក្តី ការប្រើប្រាស់ម៉ូដែលបកស្រាយអារម្មណ៍នេះមានសក្តានុពលខ្ពស់សម្រាប់ការអភិវឌ្ឍប្រព័ន្ធសិក្សាអេឡិចត្រូនិកទំនើបនៅកម្ពុជា។
ជារួម ការប្រើប្រាស់កាមេរ៉ាកុំព្យូទ័រធម្មតាដើម្បីទាញយកអារម្មណ៍ស្មុគស្មាញរបស់សិស្ស គឺជាវិធីសាស្ត្រដ៏មានសក្តានុពលក្នុងការធ្វើបរិវិត្តកម្មគុណភាពនៃការអប់រំឌីជីថល (Digital Education) នៅក្នុងប្រទេសកម្ពុជា ប្រសិនបើត្រូវបានអនុវត្តយ៉ាងត្រឹមត្រូវ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Basic emotions | អារម្មណ៍ជាសកលរបស់មនុស្សដែលងាយស្រួលសម្គាល់តាមរយៈទឹកមុខ ដូចជា សប្បាយ កំហឹង ភ័យខ្លាច ខ្ពើមរអើម ភ្ញាក់ផ្អើល មើលងាយ និងសោកសៅ ដែលត្រូវបានសិក្សាយ៉ាងទូលំទូលាយក្នុងផ្នែកចិត្តសាស្ត្រ។ | ដូចជាពណ៌គោលទាំងបី (ក្រហម លឿង ខៀវ) ដែលជាមូលដ្ឋានគ្រឹះនៃពណ៌ទាំងអស់នៅលើលោក។ |
| Achievement emotions | អារម្មណ៍ស្មុគស្មាញដែលកើតឡើងដោយសារសកម្មភាពសិក្សា ឬការសម្រេចគោលដៅក្នុងការសិក្សា ដូចជា ការផ្តោតអារម្មណ៍ (engaged concentration), ភាពច្របូកច្របល់ (confusion) និងការខកចិត្ត (frustration)។ | ដូចជាអារម្មណ៍ដែលយើងទទួលបាននៅពេលខិតខំដោះស្រាយលំហាត់គណិតវិទ្យាដ៏ពិបាកមួយ រហូតដល់រកឃើញចម្លើយ ឬបោះបង់ចោល។ |
| Facial Action Coding System (FACS) | ប្រព័ន្ធសម្រាប់វាស់ស្ទង់ និងចាត់ថ្នាក់ចលនានៃសាច់ដុំផ្ទៃមុខរបស់មនុស្សទៅជាឯកតាសកម្មភាព (Action Units) ដើម្បីកំណត់ថាតើគាត់កំពុងបង្ហាញអារម្មណ៍អ្វី។ | ដូចជាវចនានុក្រមមួយដែលបកប្រែចលនាជ្រួញចិញ្ចើម ឬការញញឹម ទៅជាភាសានៃអារម្មណ៍។ |
| Random Forest | ក្បួនរៀនដោយម៉ាស៊ីន (Machine Learning) មួយប្រភេទដែលបង្កើតមែកធាងសម្រេចចិត្ត (Decision Trees) ជាច្រើនដោយចៃដន្យ រួចយកចម្លើយភាគច្រើនដើម្បីធ្វើការទស្សន៍ទាយឲ្យកាន់តែសុក្រឹត និងកាត់បន្ថយកំហុសឆ្គង។ | ដូចជាការសួរយោបល់ពីវេជ្ជបណ្ឌិត១០០នាក់ ដើម្បីរោគវិនិច្ឆ័យជំងឺមួយ ជាជាងជឿលើការសន្និដ្ឋានរបស់វេជ្ជបណ្ឌិតតែម្នាក់។ |
| Decision Tree | ម៉ូដែលទស្សន៍ទាយដែលធ្វើការសម្រេចចិត្តជាជំហានៗតាមលក្ខខណ្ឌ (បើក-បិទ ឬ ត្រូវ-ខុស) រហូតទទួលបានលទ្ធផលចុងក្រោយ ដែលមានទម្រង់ដូចមែកធាង និងងាយស្រួលយល់ពីមូលហេតុនៃការសម្រេចចិត្ត (Interpretable)។ | ដូចជាការលេងហ្គេមសួរសំណួរ "តើវាជាសត្វមានជើងបួនមែនទេ?" ដើម្បីកាត់រករូបភាពសត្វដែលលាក់ទុក។ |
| SMOTE (Synthetic Minority Over-sampling Technique) | បច្ចេកទេសសម្រាប់ដោះស្រាយបញ្ហាទិន្នន័យមិនស្មើគ្នា (Imbalanced data) ដោយបង្កើតទិន្នន័យក្លែងក្លាយ (Synthetic data) បន្ថែមសម្រាប់ក្រុមដែលមានទិន្នន័យតិច ដើម្បីឲ្យម៉ាស៊ីនរៀនបានដោយតុល្យភាព។ | ដូចជាការថតចម្លងឯកសារមេរៀនដែលខ្វះខាតចែកឲ្យសិស្ស ដើម្បីឲ្យសិស្សគ្រប់រូបមានឯកសារអានគ្រប់គ្រាន់ស្មើៗគ្នា។ |
| Area Under the Curve (AUC) | រង្វាស់ស្តង់ដារសម្រាប់វាស់ស្ទង់សមត្ថភាពរបស់ម៉ូដែលចំណាត់ថ្នាក់ (Classifier) ថាតើវាអាចបែងចែករវាងថ្នាក់ខុសៗគ្នា (ឧទាហរណ៍៖ ធុញទ្រាន់ vs មិនធុញទ្រាន់) បានល្អកម្រិតណា ទោះបីជាចំនួនទិន្នន័យមិនស្មើគ្នាក៏ដោយ។ | ដូចជាពិន្ទុប្រឡងបញ្ចប់ឆ្នាំដែលបង្ហាញពីសមត្ថភាពរួមរបស់សិស្សក្នុងការបែងចែកចម្លើយត្រូវនិងខុសបានយ៉ាងច្បាស់លាស់។ |
| Affective computing | វិស័យមួយនៃការសិក្សាស្រាវជ្រាវ និងអភិវឌ្ឍប្រព័ន្ធកុំព្យូទ័រ ដែលអាចដឹង ស្គាល់ បកស្រាយ និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់មនុស្ស។ | ដូចជាការបង្រៀនកុំព្យូទ័រឲ្យមានបេះដូង ដែលអាចដឹងថាយើងកំពុងសប្បាយចិត្ត ឬខឹង តាមរយៈការមើលទឹកមុខរបស់យើង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
