បញ្ហា (The Problem)៖ ការសិក្សានេះផ្តោតលើបញ្ហានៃការវាយតម្លៃមតិកែលម្អក្នុងបរិស្ថានសិក្សានិម្មិត (Virtual Learning Environments) ដោយសារតែការវាយតម្លៃដោយមនុស្សត្រូវចំណាយពេលយូរនិងអាចមានភាពលំអៀង។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះស្នើឡើងនូវវិធីសាស្ត្រវាយតម្លៃមតិកែលម្អដោយស្វ័យប្រវត្តិបែបកូនកាត់ (Hybrid approach) ដោយប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត ជាពិសេសម៉ូដែលភាសា Google BERT ដែលត្រូវបានកែសម្រួល (Fine-tuned) សម្រាប់កិច្ចការនេះ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Fine-tuned Google BERT (Proposed) ម៉ូដែល Google BERT ដែលបានកែសម្រួល (ម៉ូដែលស្នើឡើង) |
មានសមត្ថភាពខ្ពស់ក្នុងការយល់ពីបរិបទនិងអត្ថន័យស៊ីជម្រៅនៃពាក្យក្នុងប្រយោគ (Bidirectional context)។ ផ្តល់លទ្ធផលត្រឹមត្រូវខ្ពស់បំផុត។ | ទាមទារធនធានកុំព្យូទ័រធំ និងប្រើពេលយូរក្នុងការហ្វឹកហាត់ (Fine-tuning)។ | ទទួលបានភាពត្រឹមត្រូវ (Accuracy) 93.4% និង F1-Score 0.88។ |
| RoBERTa ម៉ូដែល RoBERTa |
ជាម៉ូដែល State-of-the-Art ដែលត្រូវបានបង្កើនប្រសិទ្ធភាពការហ្វឹកហាត់បានយ៉ាងល្អ និងមានភាពរឹងមាំក្នុងការវិភាគអត្ថបទ។ | ត្រូវការទំហំទិន្នន័យហ្វឹកហាត់ និងកម្លាំងម៉ាស៊ីន (Compute power) ច្រើនជាង BERT ទូទៅ។ | ទទួលបាន F1-Score 0.87 ល្អជាងគេលំដាប់ទី២។ |
| Deep Learning (GRU / LSTM) ម៉ូដែលបណ្ដាញសរសៃប្រសាទកម្រិតជ្រៅ (GRU និង LSTM) |
មានប្រសិទ្ធភាពក្នុងការទាញយកលក្ខណៈពិសេសពីទិន្នន័យអត្ថបទដែលជាលំដាប់លំដោយ (Sequential text data)។ | មិនអាចចាប់យកបរិបទបានទូលំទូលាយដូចម៉ូដែលប្រភេទ Transformer (ដូចជា BERT) នោះទេ។ | ទទួលបាន F1-Score 0.83 សម្រាប់ GRU និង 0.81 សម្រាប់ LSTM។ |
| Support Vector Machine (SVM) ម៉ូដែលរៀនដោយម៉ាស៊ីនទូទៅ (SVM) |
ងាយស្រួលក្នុងការអភិវឌ្ឍ ស៊ីធនធានម៉ាស៊ីនតិច និងដំណើរការបានលឿន។ | មានដែនកំណត់ក្នុងការយល់ដឹងពីអត្ថន័យស្មុគស្មាញនៃភាសា ដែលធ្វើឱ្យការវាយតម្លៃមិនសូវច្បាស់លាស់។ | ទទួលបាន F1-Score ទាបត្រឹមតែ 0.73 ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍម៉ូដែលផ្អែកលើ BERT ទាមទារការវិនិយោគខ្ពស់លើកម្លាំងកុំព្យូទ័រ និងទំហំទិន្នន័យ។
ការសិក្សានេះត្រូវបានវាយតម្លៃដោយប្រើប្រាស់សំណុំទិន្នន័យ OULA (Open University Learning Analytics) ដែលសុទ្ធសឹងជាអត្ថបទភាសាអង់គ្លេស។ សម្រាប់ប្រទេសកម្ពុជា នេះគឺជាបញ្ហាប្រឈមដ៏ធំ ដោយសារភាសាខ្មែរមានរចនាសម្ព័ន្ធវេយ្យាករណ៍ និងការកាត់ពាក្យខុសពីភាសាអង់គ្លេសដាច់ស្រឡះ ដែលទាមទារឲ្យមានការបង្កើតសំណុំទិន្នន័យភាសាខ្មែរ (Khmer Corpus) ផ្ទាល់ខ្លួនទើបអាចប្រើប្រាស់បាន។
បើទោះបីជាមានឧបសគ្គផ្នែកទិន្នន័យភាសាក៏ដោយ វិធីសាស្ត្រនេះពិតជាមានសក្តានុពលខ្លាំងក្នុងការអភិវឌ្ឍប្រព័ន្ធអប់រំឌីជីថលនៅកម្ពុជា។
សរុបមក ការយកបច្ចេកវិទ្យានេះមកអនុវត្តនៅកម្ពុជានឹងទទួលបានជោគជ័យ និងមានភាពទូលំទូលាយ លុះត្រាតែមានការស្រាវជ្រាវ និងវិនិយោគលើសំណុំទិន្នន័យ NLP ភាសាខ្មែរជាមុនសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Google BERT | គឺជាម៉ូដែលបញ្ញាសិប្បនិម្មិតកម្រិតខ្ពស់របស់ក្រុមហ៊ុន Google ដែលមានសមត្ថភាពអាន និងយល់ន័យរបស់ពាក្យនីមួយៗក្នុងប្រយោគដោយពិនិត្យមើលបរិបទទាំងសងខាង (ពាក្យខាងមុខ និងខាងក្រោយ) ក្នុងពេលតែមួយ។ | ដូចជាមនុស្សអានសៀវភៅដែលមិនត្រឹមតែប្រែពាក្យម្តងមួយៗ ប៉ុន្តែអានប្រយោគទាំងមូលដើម្បីយល់អត្ថន័យពិតប្រាកដមុននឹងទាញសេចក្តីសន្និដ្ឋាន។ |
| Natural Language Processing (NLP) | គឺជាផ្នែកមួយនៃវិទ្យាសាស្ត្រកុំព្យូទ័រ និងបញ្ញាសិប្បនិម្មិត (AI) ដែលផ្តល់លទ្ធភាពឱ្យកុំព្យូទ័រអាចអាន យល់ វិភាគ និងទាញយកអត្ថន័យពីភាសារបស់មនុស្ស។ | ដូចជាអ្នកបកប្រែភាសាដែលបំប្លែងភាសាមនុស្ស (ខ្មែរ អង់គ្លេស) ទៅជាភាសាដែលម៉ាស៊ីនកុំព្យូទ័រអាចយល់ និងធ្វើការងារជំនួសយើងបាន។ |
| Fine-tuning | គឺជាដំណើរការយកម៉ូដែល AI ដែលត្រូវបានបង្វឹកជាមុនលើទិន្នន័យទូទៅដ៏ច្រើនសន្ធឹកសន្ធាប់ មកហ្វឹកហាត់បន្ថែមលើសំណុំទិន្នន័យជាក់លាក់ណាមួយ ដើម្បីឱ្យវាមានជំនាញច្បាស់លាស់ក្នុងការបំពេញការងារនោះ។ | ដូចជាការយកនិស្សិតដែលទើបបញ្ចប់បរិញ្ញាបត្រទូទៅ មកបណ្តុះបណ្តាលជំនាញឯកទេសបន្ថែមនៅកន្លែងធ្វើការ ដើម្បីឱ្យគាត់ក្លាយជាអ្នកជំនាញក្នុងផ្នែកនោះ។ |
| Tokenization | គឺជាវិធីសាស្ត្រក្នុងការកាត់បំបែកអត្ថបទវែងៗ ឬប្រយោគ ទៅជាចំណែកតូចៗ (ដូចជាពាក្យ ឬព្យាង្គ) ដើម្បីឱ្យម៉ូដែល AI អាចយកទិន្នន័យទាំងនោះទៅរៀបចំ និងវិភាគបន្តបាន។ | ដូចជាការកាត់នំប៉័ងមួយដើមធំជាចំណិតតូចៗ ដើម្បីងាយស្រួលក្នុងការទំពារញ៉ាំ និងរំលាយក្នុងក្រពះ។ |
| Word Embedding Matrix | គឺជាការបំប្លែងពាក្យនីមួយៗទៅជាតួលេខគណិតវិទ្យា (វ៉ិចទ័រ) ក្នុងទម្រង់ជាម៉ាទ្រីស ដែលជួយឱ្យកុំព្យូទ័រដឹងពីទំនាក់ទំនង និងភាពស្រដៀងគ្នានៃអត្ថន័យពាក្យទាំងនោះ។ | ដូចជាការដាក់លេខកូដសម្គាល់លើសៀវភៅក្នុងបណ្ណាល័យ ដែលសៀវភៅមានសាច់រឿង ឬអត្ថន័យស្រដៀងគ្នាត្រូវបានរៀបចំទុកនៅជិតគ្នាលើធ្នើរ។ |
| Masked Language Modelling (MLM) | គឺជាបច្ចេកទេសហ្វឹកហាត់ម៉ូដែល AI ដោយលាក់ពាក្យមួយចំនួននៅក្នុងប្រយោគដោយចៃដន្យ រួចតម្រូវឱ្យម៉ូដែលនោះទាយរកពាក្យដែលបាត់ ដោយផ្អែកលើពាក្យដែលនៅសល់ជុំវិញវា។ | ដូចជាការធ្វើលំហាត់បំពេញចន្លោះនៅក្នុងសៀវភៅពុម្ព ដែលសិស្សត្រូវអានប្រយោគទាំងមូលដើម្បីទាយថាតើពាក្យអ្វីដែលស័ក្តិសមយកមកបំពេញក្នុងចន្លោះនោះ។ |
| Virtual Learning Environments (VLE) | គឺជាប្រព័ន្ធអប់រំតាមប្រព័ន្ធអ៊ីនធឺណិត (Web-based platform) ដែលអនុញ្ញាតឱ្យគ្រូ និងសិស្សអាចរៀនសូត្រ ផ្លាស់ប្តូរឯកសារ និងវាយតម្លៃការសិក្សាពីចម្ងាយបានដោយស្វ័យប្រវត្តិ។ | ដូចជាសាលារៀនសិប្បនិម្មិតនៅលើកុំព្យូទ័រ ដែលសិស្សអាចចូលរៀន អានសៀវភៅ ពិភាក្សា និងប្រឡង ដោយមិនបាច់ធ្វើដំណើរទៅសាលាផ្ទាល់។ |
| Next Sentence Prediction (NSP) | គឺជាកិច្ចការមួយដែលបង្វឹកម៉ូដែល AI ឱ្យចេះវិភាគប្រយោគពីរ ហើយទស្សន៍ទាយថា តើប្រយោគទីពីរគឺជារបារបន្តបន្ទាប់ពីប្រយោគទីមួយ ឬក៏គ្រាន់តែជាប្រយោគផ្សេងគ្នាដែលគ្មានទំនាក់ទំនងនឹងគ្នា។ | ដូចជាការលេងល្បែងផ្គុំរូប (Jigsaw puzzle) ដែលអ្នកត្រូវទាយថាតើបំណែកនៃប្រយោគទាំងពីរនេះអាចផ្គុំចូលគ្នាបានយ៉ាងស៊ីចង្វាក់គ្នាឬអត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
