បញ្ហា (The Problem)៖ ប្រព័ន្ធបង្រៀនឆ្លាតវៃភាគច្រើនបច្ចុប្បន្នផ្តោតតែលើការរកឃើញអារម្មណ៍មូលដ្ឋាន (ដូចជាសប្បាយ ឬកើតទុក្ខ) ប៉ុន្តែមិនទាន់មានសមត្ថភាពគ្រប់គ្រាន់ក្នុងការចាប់យកអារម្មណ៍ដែលទាក់ទងនឹងការរៀនសូត្រផ្ទាល់ ដូចជាការធុញទ្រាន់ ឬការតានតឹងចិត្ត ដើម្បីផ្តល់ការឆ្លើយតបឱ្យសមស្របដល់សិស្សនោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវប្រព័ន្ធវិភាគមនោសញ្ចេតនា (Sentiment Analyzer) ដោយប្រើប្រាស់បច្ចេកវិទ្យា Deep Learning ដើម្បីសម្គាល់អារម្មណ៍សិស្សពីអត្ថបទភាសាអេស្ប៉ាញនៅក្នុងបរិបទនៃការរៀនសូត្រផ្នែកវិទ្យាសាស្ត្រកុំព្យូទ័រ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| CNN + LSTM (Deep Learning) ការរួមបញ្ចូលគ្នារវាងបណ្តាញសរសៃប្រសាទ CNN និង LSTM |
មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកទំនាក់ទំនងរវាងពាក្យ និងបរិបទនៃប្រយោគ ដែលនាំឱ្យទទួលបានលទ្ធផលល្អបំផុត។ | ទាមទារទិន្នន័យច្រើនសម្រាប់ការបង្វឹក (Training) និងធនធានកុំព្យូទ័រខ្លាំងជាងវិធីសាស្ត្រធម្មតា។ | ភាពត្រឹមត្រូវ (Accuracy)៖ ៨៨.២៦% |
| Bernoulli Naïve Bayes វិធីសាស្ត្រស្ថិតិលក្ខណៈប្រូបាប៊ីលីតេ |
ដំណើរការបានល្អចំពោះការបែងចែកអត្ថបទ និងមិនសូវរងផលប៉ះពាល់ពីទិន្នន័យរំខាន (Irrelevant features)។ | មានកម្រិតទាបជាង Deep Learning ក្នុងការយល់ពីអត្ថន័យស៊ីជម្រៅនៃប្រយោគ។ | ភាពត្រឹមត្រូវ (Accuracy)៖ ៧៦.៧៧% |
| K-Nearest Neighbors (KNN) ក្បួនដោះស្រាយពឹងផ្អែកលើទិន្នន័យនៅជិតបំផុត |
ងាយស្រួលយល់ និងអនុវត្តសម្រាប់ការបែងចែកក្រុមសាមញ្ញ។ | ទទួលបានលទ្ធផលទាបជាងគេនៅក្នុងការពិសោធន៍នេះ។ | ភាពត្រឹមត្រូវ (Accuracy)៖ ៦៨.៤៦% |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះទាមទារធនធានសំខាន់ៗលើផ្នែកទិន្នន័យ និងសមត្ថភាពកុំព្យូទ័រសម្រាប់ការបង្វឹកម៉ូដែល Deep Learning ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅប្រទេសម៉ិកស៊ិក ដោយប្រើប្រាស់ទិន្នន័យជាភាសាអេស្ប៉ាញពីនិស្សិតផ្នែកវិស្វកម្មកុំព្យូទ័រ។ នេះជាចំណុចសំខាន់សម្រាប់កម្ពុជា ព្រោះការយកគំរូនេះមកប្រើផ្ទាល់គឺមិនអាចទៅរួចទេ ដោយសារភាពខុសគ្នានៃភាសា (Khmer vs Spanish) និងវប្បធម៌នៃការបញ្ចេញមតិរបស់សិស្ស។
បច្ចេកវិទ្យានេះមានសារៈសំខាន់ណាស់សម្រាប់ការអភិវឌ្ឍវិស័យអប់រំឌីជីថល (EdTech) នៅកម្ពុជា ប៉ុន្តែត្រូវការការកែសម្រួលលើផ្នែកភាសា។
គំរូស្ថាបត្យកម្ម CNN-LSTM គឺល្អប្រសើរ ប៉ុន្តែដើម្បីអនុវត្តនៅកម្ពុជា ដាច់ខាតត្រូវតែបង្កើតឃ្លាំងទិន្នន័យភាសាខ្មែរ (Khmer Corpus) ជាមុនសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Sentiment Analysis | ដំណើរការប្រើប្រាស់កុំព្យូទ័រដើម្បីវិភាគអត្ថបទ និងស្វែងយល់ពីអារម្មណ៍របស់អ្នកសរសេរ ថាពួកគេកំពុងមានអារម្មណ៍វិជ្ជមាន អវិជ្ជមាន ឬអារម្មណ៍ជាក់លាក់ដូចជាធុញទ្រាន់ជាដើម។ | ដូចជាពេលដែលគ្រូបង្រៀនអានសំបុត្ររបស់សិស្ស ហើយដឹងថាសិស្សកំពុងសប្បាយចិត្ត ឬកើតទុក្ខដោយមិនចាំបាច់ឃើញមុខ។ |
| Convolutional Neural Network (CNN) | ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Deep Learning) ដែលពូកែក្នុងការស្កេនរកលំនាំ (Patterns) ឬលក្ខណៈពិសេសនៅក្នុងទិន្នន័យអត្ថបទ ដើម្បីបែងចែកក្រុម។ | ប្រៀបដូចជាការប្រើហាយឡាយ (Highlighter) គូសចំណាំពាក្យសំខាន់ៗក្នុងសៀវភៅ ដើម្បីឆាប់យល់អត្ថន័យរួម។ |
| Long Short Term Memory (LSTM) | បច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យកុំព្យូទ័រ 'ចងចាំ' ពាក្យដែលបានសរសេរពីមុន ដើម្បីយល់អត្ថន័យនៃពាក្យបច្ចុប្បន្ននៅក្នុងប្រយោគមួយ ដែលមានសារៈសំខាន់ខ្លាំងសម្រាប់ការយល់បរិបទ។ | ដូចការអានរឿងនិទានដែលអ្នកនៅចាំឈ្មោះតួអង្គពីទំព័រដើម ដើម្បីយល់ថាពាក្យ 'គាត់' នៅទំព័រចុងក្រោយសំដៅលើនរណា។ |
| Intelligent Tutoring Systems (ITS) | ប្រព័ន្ធកម្មវិធីកុំព្យូទ័រដែលអាចបង្រៀន ផ្តល់លំហាត់ និងផ្តល់មតិត្រឡប់ (Feedback) ដល់សិស្សដោយស្វ័យប្រវត្តិ ដោយកែតម្រូវតាមកម្រិតសមត្ថភាពរបស់សិស្សម្នាក់ៗ។ | ដូចមានគ្រូឯកទេសផ្ទាល់ខ្លួនម្នាក់នៅក្បែរ ប៉ុន្តែគ្រូនោះគឺជាកម្មវិធីកុំព្យូទ័រដ៏ឆ្លាតវៃ។ |
| One hot encoding | វិធីសាស្ត្របំប្លែងពាក្យ ឬអក្សរទៅជាទម្រង់លេខ (ប៊ីត 0 និង 1) ដើម្បីឱ្យម៉ូដែលកុំព្យូទ័រអាចយកទៅធ្វើការគណនា និងវិភាគបាន។ | ដូចការផ្តល់លេខកូដសម្គាល់ខ្លួនឱ្យសិស្សម្នាក់ៗ ដើម្បីឱ្យកុំព្យូទ័រងាយស្រួលគ្រប់គ្រងឈ្មោះរបស់ពួកគេ។ |
| Learning Centered Emotions | អារម្មណ៍ដែលកើតឡើងជាក់លាក់នៅក្នុងបរិបទនៃការសិក្សា (ដូចជា ការធុញទ្រាន់ ការតានតឹង ឬការជក់ចិត្ត) ដែលខុសពីអារម្មណ៍ទូទៅ (ដូចជា សប្បាយ ឬ កើតទុក្ខ)។ | មិនមែនជាអារម្មណ៍សប្បាយព្រោះបានញ៉ាំឆ្ងាញ់ទេ តែជាអារម្មណ៍ 'ស្មុគស្មាញ' ពេលដោះស្រាយលំហាត់មិនចេញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
