បញ្ហា (The Problem)៖ ការវាយតម្លៃចម្លើយពណ៌នា និងការសរសេរកូដដោយដៃ ចំណាយពេលច្រើន ងាយមានកំហុស និងអាចមានភាពលំអៀង ដែលទាមទារឱ្យមានប្រព័ន្ធស្វ័យប្រវត្តិកម្មដែលមានប្រសិទ្ធភាពជាងវិធីសាស្ត្ររាប់ពាក្យសាមញ្ញ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់បច្ចេកទេសកែច្នៃភាសាធម្មជាតិ (NLP) និងការរៀនស៊ីជម្រៅ (Deep Learning) ដើម្បីបង្កើតម៉ូដែលមួយឈ្មោះថា EvalBERT សម្រាប់វាយតម្លៃចម្លើយ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Multinomial Naïve Bayes (MNB) ការប្រើប្រាស់គំរូ MNB (Multinomial Naïve Bayes) ដែលជាវិធីសាស្ត្រស្ថិតិប្រូបាប |
មានល្បឿនលឿនក្នុងការដំណើរការ និងសាមញ្ញក្នុងការអនុវត្តសម្រាប់ការចាត់ថ្នាក់អត្ថបទ។ | មិនបានពិចារណាលើលំដាប់នៃពាក្យ (Word order) ដែលធ្វើឱ្យបាត់បង់អត្ថន័យបរិបទសំខាន់ៗ។ | ទទួលបានភាពត្រឹមត្រូវទាបបំផុតត្រឹម ៨០.០៨% (ជាមួយ Cosine Similarity)។ |
| Bi-LSTM (Bidirectional LSTM) បណ្តាញប្រសាទសិប្បនិម្មិតដែលអាចចងចាំព័ត៌មានទាំងទៅមុខ និងត្រឡប់ក្រោយ |
អាចចាប់យកបរិបទនៃប្រយោគបានល្អជាង MNB ដោយពិចារណាលើទំនាក់ទំនងរវាងពាក្យ។ | ត្រូវការពេលវេលាបណ្តុះបណ្តាលយូរជាង MNB និងមិនមានប្រសិទ្ធភាពស្មើ BERT ក្នុងការយល់អត្ថន័យស៊ីជម្រៅ។ | ទទួលបានភាពត្រឹមត្រូវ ៨៧.៨៩%។ |
| BERT (Base Model) គំរូ BERT មូលដ្ឋានដែលបានបណ្តុះបណ្តាលលើទិន្នន័យទូទៅ |
មានសមត្ថភាពខ្ពស់បំផុតក្នុងការយល់បរិបទនៃភាសា (Contextual understanding)។ | នៅមានកម្រិតនៅពេលជួបពាក្យបច្ចេកទេស ឬទិន្នន័យសិក្សាដែលមិនធ្លាប់ជួបក្នុងទិន្នន័យទូទៅ។ | ទទួលបានភាពត្រឹមត្រូវ ៨៨.៧៤%។ |
| EvalBERT (Proposed Method) គំរូ BERT ដែលត្រូវបានបណ្តុះបណ្តាលបន្ថែមលើទិន្នន័យសិក្សា និងកូដ C ជាក់លាក់ |
មានភាពត្រឹមត្រូវខ្ពស់បំផុត និងអាចវាយតម្លៃទាំងអត្ថបទពណ៌នា និងកូដកុំព្យូទ័រ។ | ទាមទារធនធានកុំព្យូទ័រខ្ពស់ (GPU) សម្រាប់ការបណ្តុះបណ្តាល។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុត ៩៤.៨៦% (ខ្ពស់ជាងគេ ១.២២%)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារធនធានកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់ និងទិន្នន័យជាក់លាក់សម្រាប់ការបណ្តុះបណ្តាលម៉ូដែល។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីការប្រឡងរបស់សាកលវិទ្យាល័យនៅប្រទេសឥណ្ឌា ដែលផ្តោតសំខាន់លើភាសាអង់គ្លេស និងមុខវិជ្ជាវិទ្យាសាស្ត្រកុំព្យូទ័រ។ សម្រាប់កម្ពុជា នេះជាបញ្ហាប្រឈមប្រសិនបើយកមកប្រើប្រាស់ផ្ទាល់លើមុខវិជ្ជាដែលបង្រៀនជាភាសាខ្មែរ ប៉ុន្តែវាមានប្រយោជន៍សម្រាប់កម្មវិធីសិក្សាអន្តរជាតិ។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់សម្រាប់គ្រឹះស្ថានឧត្តមសិក្សានៅកម្ពុជា ជាពិសេសសម្រាប់មុខវិជ្ជាបច្ចេកទេស។
ទោះបីជាវាមានប្រសិទ្ធភាពខ្ពស់ ប៉ុន្តែការដាក់ឱ្យប្រើប្រាស់នៅកម្ពុជាទាមទារឱ្យមានការកែសម្រួលដើម្បីគាំទ្រភាសាខ្មែរ ឬប្រើប្រាស់សម្រាប់តែកម្មវិធីសិក្សាភាសាអង់គ្លេសប៉ុណ្ណោះ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| BERT (Bidirectional Encoder Representations from Transformers) | ជាម៉ូដែល AI ដ៏មានឥទ្ធិពលដែលរៀនយល់អត្ថន័យនៃភាសាដោយអានប្រយោគទាំងមូល (ទាំងឆ្វេងនិងស្តាំ) ព្រមគ្នា ដើម្បីចាប់យកបរិបទនៃពាក្យនីមួយៗបានយ៉ាងច្បាស់លាស់ ជាជាងការអានម្តងមួយពាក្យ។ | ដូចជាការអានប្រយោគមួយចប់សិន ទើបយើងយល់អត្ថន័យពិតនៃពាក្យពិបាកៗនៅក្នុងនោះ មិនមែនអានម្តងមួយពាក្យៗនោះទេ។ |
| Bi-LSTM (Bidirectional Long Short-Term Memory) | ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network) ដែលអាចចងចាំព័ត៌មានពីអតីតកាល និងអនាគតក្នុងប្រយោគមួយ ដើម្បីយល់ពីទំនាក់ទំនងរវាងពាក្យដែលនៅឆ្ងាយពីគ្នា។ | ប្រៀបដូចជាការស្តាប់ចម្រៀងដែលយើងចាំទំនុកច្រៀងពីដើមដល់ចប់ ដើម្បីយល់អត្ថន័យរួមនៃបទចម្រៀងនោះ។ |
| Word Mover's Distance (WMD) | ជាវិធីសាស្ត្រវាស់វែងភាពស្រដៀងគ្នារវាងអត្ថបទពីរ ដោយគណនាថា តើត្រូវចំណាយ "កម្លាំង" ឬការផ្លាស់ប្តូរប៉ុន្មាន ដើម្បីប្លែងពាក្យពីអត្ថបទមួយឱ្យទៅជាអត្ថន័យនៃអត្ថបទមួយទៀត។ | ដូចជាការគណនាថាតើត្រូវចំណាយកម្លាំងប៉ុន្មាន ដើម្បីរៀបចំគ្រឿងសង្ហារិមក្នុងបន្ទប់មួយ ឱ្យដូចគ្នាបេះបិទទៅនឹងបន្ទប់មួយទៀត។ |
| Fine-tuning | ដំណើរការនៃការយកម៉ូដែល AI ដែលមានចំណេះដឹងទូទៅស្រាប់ (Pre-trained Model) មកបង្រៀនបន្ថែមជាមួយទិន្នន័យជាក់លាក់ ដើម្បីឱ្យវាមានជំនាញច្បាស់លាស់លើការងារណាមួយ។ | ដូចជាការយកគ្រូពេទ្យទូទៅម្នាក់ មកបណ្តុះបណ្តាលបន្ថែមឱ្យក្លាយជាវេជ្ជបណ្ឌិតឯកទេសវះកាត់បេះដូង។ |
| Cosine Similarity | ជាការគណនាគណិតវិទ្យាដើម្បីវាស់ថាតើអត្ថបទពីរមានភាពស្រដៀងគ្នាខ្លាំងប៉ុណ្ណា ដោយវាស់មុំរវាងវ៉ិចទ័រនៃពាក្យក្នុងអត្ថបទទាំងនោះ។ | ដូចជាការប្រៀបធៀបទិសដៅនៃព្រួញពីរ បើវាចង្អុលទៅទិសដៅតែមួយ មានន័យថាវាដូចគ្នាខ្លាំង។ |
| Word Embeddings | បច្ចេកទេសបំប្លែងពាក្យទៅជាតួលេខ (វ៉ិចទ័រ) ដើម្បីឱ្យកុំព្យូទ័រអាចយល់ន័យ និងទំនាក់ទំនងរវាងពាក្យ ដូចជាដឹងថា "ស្តេច" និង "រាជិនី" មានន័យស្រដៀងគ្នា។ | ដូចជាការផ្តល់លេខកូដសម្គាល់ទីតាំង GPS ឱ្យពាក្យនីមួយៗ ដើម្បីដឹងថាពាក្យណាខ្លះមានន័យកៀកគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
