បញ្ហា (The Problem)៖ ការបង្រៀនតាមអនឡាញជួបប្រទះបញ្ហាក្នុងការវាយតម្លៃការចូលរួម និងអារម្មណ៍របស់សិស្ស ដោយសារកង្វះទំនាក់ទំនងផ្ទាល់មុខ ដែលធ្វើឱ្យពិបាកក្នុងការដឹងថា តើសិស្សកំពុងយល់ ឬមានអារម្មណ៍យ៉ាងណាចំពោះមេរៀន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវគំរូសិក្សាស៊ីជម្រៅ (Deep Learning) ដោយប្រើបច្ចេកទេសវិភាគរូបភាព ដើម្បីចាប់យក និងវិភាគអារម្មណ៍សិស្សតាមរយៈការបញ្ចេញទឹកមុខ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| 3D Convolutional Neural Network (3DCNN) - Proposed Model បណ្តាញសរសៃប្រសាទកែច្នៃរូបភាព 3វិមាត្រ (3DCNN) |
ផ្តល់នូវកម្រិតភាពត្រឹមត្រូវខ្ពស់បំផុត និងមានប្រសិទ្ធភាពក្នុងការចាប់យកលក្ខណៈពិសេសនៃអារម្មណ៍ពីរូបភាព។ | ទាមទារធនធានកុំព្យូទ័រខ្លាំងក្នុងការបង្វឹក (Training) បើធៀបនឹងម៉ូដែលសាមញ្ញ។ | ភាពត្រឹមត្រូវ (Accuracy): ៩៨.៩% និង F-Score: ៨៨.៧% |
| Support Vector Machine (SVM) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVM) |
មានដំណើរការល្អគួរសម និងចំណាយពេលបង្វឹកតិចជាង Deep Learning សម្រាប់ទិន្នន័យតូច។ | មិនសូវមានប្រសិទ្ធភាពដូច 3DCNN ក្នុងការវិភាគរូបភាពដែលមានភាពស្មុគស្មាញ។ | ភាពត្រឹមត្រូវ (Accuracy): ៩៦.៧% |
| K-Nearest Neighbour (K-NN) វិធីសាស្ត្រ K-NN |
ងាយស្រួលក្នុងការអនុវត្ត និងយល់ដឹងអំពីដំណើរការ។ | ទទួលបានលទ្ធផលទាបជាងគេក្នុងការពិសោធន៍នេះ និងយឺតក្នុងការទស្សន៍ទាយលើទិន្នន័យធំ។ | ភាពត្រឹមត្រូវ (Accuracy): ៩៣.៥% |
| Artificial Neural Network (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
ជាមូលដ្ឋានគ្រឹះនៃការសិក្សាម៉ាស៊ីន ប៉ុន្តែមិនសូវល្អចំពោះទិន្នន័យរូបភាពដូច CNN។ | បាត់បង់ព័ត៌មានអំពីទីតាំង (Spatial information) នៅក្នុងរូបភាព។ | ភាពត្រឹមត្រូវ (Accuracy): ៩៣.៧% |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគំរូនេះទាមទារការប្រើប្រាស់បច្ចេកវិទ្យា Deep Learning ដែលត្រូវការធនធានផ្នែករឹងខ្លាំងគួរសម។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យសាធារណៈ 'fer-2013' ដែលភាគច្រើនជាមុខរបស់ជនជាតិបរទេស (Western/Caucasian)។ សម្រាប់បរិបទកម្ពុជា នេះអាចជាបញ្ហា (Bias) ព្រោះម៉ូដែលអាចនឹងមិនមានភាពត្រឹមត្រូវខ្ពស់ក្នុងការសម្គាល់ទឹកមុខសិស្សខ្មែរ ប្រសិនបើមិនបានបង្វឹកបន្ថែមជាមួយទិន្នន័យក្នុងស្រុក។
បច្ចេកវិទ្យានេះមានសារៈសំខាន់ខ្លាំងសម្រាប់វិស័យអប់រំនៅកម្ពុជា ជាពិសេសក្នុងបរិបទដែលការរៀនតាមអនឡាញកំពុងកើនឡើង។
ទោះបីជាលទ្ធផលបង្ហាញថាមានប្រសិទ្ធភាពខ្ពស់ ប៉ុន្តែការអនុវត្តជាក់ស្តែងនៅកម្ពុជាទាមទារឱ្យមានការប្រមូលទិន្នន័យមុខសិស្សខ្មែរ ដើម្បីកាត់បន្ថយភាពលំអៀង (Data Bias) និងធានាបាននូវសុក្រឹតភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Affective Computing | បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យកុំព្យូទ័រយល់ ដឹង និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់មនុស្ស។ នៅក្នុងបរិបទនៃការសិក្សានេះ វាគឺជារបៀបដែលកុំព្យូទ័រវិភាគទឹកមុខសិស្ស ដើម្បីដឹងថាពួកគេកំពុងសប្បាយចិត្ត ធុញទ្រាន់ ឬមិនយល់មេរៀន។ | ដូចជាគ្រូបង្រៀនដែលពូកែសង្កេតទឹកមុខសិស្ស ដើម្បីដឹងថាសិស្សកំពុងយល់ ឬអត់។ |
| Convolutional Neural Network (CNN) | ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (AI) ដែលជំនាញខាងវិភាគរូបភាព។ វារៀនចាប់យកលក្ខណៈពិសេសពីរូបភាព (ដូចជា ខ្សែ ជ្រុង និងរូបរាង) ដោយស្វ័យប្រវត្តិ ដើម្បីកំណត់ថាវាជារូបអ្វី។ | ប្រៀបដូចជាភ្នែក និងខួរក្បាលរបស់កុំព្យូទ័រ ដែលអាចមើលរូបភាព ហើយស្គាល់ថាវាជារូបឆ្មា ឬឆ្កែ ដោយផ្អែកលើលក្ខណៈរបស់វា។ |
| Discrete Wavelet Transform (DWT) | ជាវិធីសាស្ត្រគណិតវិទ្យាសម្រាប់បំបែករូបភាពទៅជាផ្នែកតូចៗ និងកាត់បន្ថយទំហំទិន្នន័យ (Dimensionality reduction) ប៉ុន្តែនៅតែរក្សាព័ត៌មានសំខាន់ៗរបស់រូបភាពនោះសម្រាប់ការវិភាគ។ | ដូចជាការបង្រួមរូបភាពឱ្យតូច ដើម្បីឱ្យកុំព្យូទ័រដំណើរការលឿន ប៉ុន្តែរូបភាពនៅតែច្បាស់ល្មមអាចមើលយល់។ |
| Kernel Principal Component Analysis (KPCA) | បច្ចេកទេសស្ថិតិដែលជួយសម្រួលទិន្នន័យដែលមានភាពស្មុគស្មាញ (Non-linear) ឱ្យមកនៅត្រឹមលក្ខណៈសំខាន់ៗបំផុត (Principal Components) ដើម្បីងាយស្រួលឱ្យកុំព្យូទ័រធ្វើការវិភាគ និងចំណាយពេលតិច។ | ដូចជាការសង្ខេបសៀវភៅមួយក្បាលឱ្យនៅសល់តែចំណុចសំខាន់ៗ ដើម្បីងាយស្រួលយល់ និងចំណាយពេលអានតិច។ |
| Confusion Matrix | តារាងដែលប្រើដើម្បីវាយតម្លៃលទ្ធផលនៃការទស្សន៍ទាយរបស់ម៉ាស៊ីន (Model)។ វាបង្ហាញចំនួនដងដែលម៉ាស៊ីនទាយត្រូវ និងទាយខុស ដោយបែងចែកតាមប្រភេទអារម្មណ៍នីមួយៗ (ដូចជា សប្បាយ ខឹង ឬភ័យ)។ | ដូចជាតារាងពិន្ទុដែលបង្ហាញថា សិស្សឆ្លើយត្រូវប៉ុន្មានសំណួរ និងឆ្លើយខុសប៉ុន្មានសំណួរក្នុងមុខវិជ្ជានីមួយៗ។ |
| F-Score | ជាតម្លៃរង្វាស់មួយដែលរួមបញ្ចូលភាពត្រឹមត្រូវ (Precision) និងសមត្ថភាពរកឃើញ (Recall) របស់ម៉ាស៊ីន។ វាប្រើដើម្បីវាស់ថាតើម៉ាស៊ីនដំណើរការបានល្អប៉ុណ្ណា ជាពិសេសនៅពេលទិន្នន័យមានភាពមិនស្មើគ្នា។ | ជាពិន្ទុរួមមួយដែលប្រាប់យើងថា តើប្រព័ន្ធ AI ឆ្លាតវៃប៉ុណ្ណាក្នុងការទាយអារម្មណ៍ឱ្យត្រូវផង និងមិនឱ្យខុសផង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
