បញ្ហា (The Problem)៖ ការស្រាវជ្រាវកន្លងមកលើការតាមដានអារម្មណ៍ភាគច្រើនធ្វើឡើងក្នុងបន្ទប់ពិសោធន៍ដែលមានការគ្រប់គ្រងខ្លាំង និងផ្តោតលើអារម្មណ៍មូលដ្ឋាន ដែលពិបាកនឹងយកមកអនុវត្តជាក់ស្តែងក្នុងបរិយាកាសថ្នាក់រៀនពិតប្រាកដដែលមានសភាពអ៊ូអរ និងស្មុគស្មាញ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រមូលទិន្នន័យវីដេអូពីសិស្សដែលកំពុងលេងហ្គេមអប់រំរូបវិទ្យានៅក្នុងបន្ទប់កុំព្យូទ័ររបស់សាលា ហើយបានបង្ហាត់ម៉ូដែលរៀនដោយម៉ាស៊ីន (Machine Learning) ដើម្បីស្វែងរកអារម្មណ៍ដែលទាក់ទងនឹងការសិក្សាដោយស្វ័យប្រវត្តិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Face-based Affect Detection (Using Video & FACET) ការតាមដានអារម្មណ៍តាមរយៈផ្ទៃមុខ (ប្រើប្រាស់វីដេអូ និងកម្មវិធី FACET) |
មានភាពត្រឹមត្រូវខ្ពស់ក្នុងការចាប់យកអារម្មណ៍មួយចំនួន (ដូចជាភាពសប្បាយរីករាយ) ដោយមិនរំខានដល់ការសិក្សារបស់សិស្សផ្ទាល់។ | មិនអាចដំណើរការបានល្អនៅពេលដែលពន្លឺខ្សោយ ឬសិស្សយកដៃបាំងមុខ ដែលបណ្តាលឱ្យបាត់បង់ទិន្នន័យប្រហែល ៣៤% នៃករណីសរុប។ | ទទួលបានភាពត្រឹមត្រូវកម្រិតមធ្យម (Mean AUC = .668) ដោយអត្រាខ្ពស់បំផុតសម្រាប់ភាពសប្បាយរីករាយ (Delight AUC = .867) និងអាកប្បកិរិយាមិនផ្ដោតការសិក្សា (Off-task AUC = .816)។ |
| Interaction-based Affect Detection (Log files) ការតាមដានអារម្មណ៍តាមរយៈអន្តរកម្មកុំព្យូទ័រ (ប្រើ Log files) |
មិនពឹងផ្អែកលើកាមេរ៉ា ឬពន្លឺ ដែលធ្វើឱ្យវាមានភាពអាចយកទៅអនុវត្តបានខ្ពស់សឹងតែគ្រប់ពេលវេលា (៩៨% នៃករណីសរុប)។ | មានភាពត្រឹមត្រូវក្នុងការស្មានអារម្មណ៍ទាបជាងការប្រើប្រាស់វីដេអូវិភាគផ្ទៃមុខ។ | មានភាពអាចយកទៅអនុវត្តបានខ្ពស់រហូតដល់ ៩៨% នៃករណីសរុប ប៉ុន្តែភាពត្រឹមត្រូវទាបជាងវីដេអូ (Mean AUC = .569)។ |
| Multimodal Affect Detection (Video + Log files) ការតាមដានអារម្មណ៍បែបពហុមធ្យោបាយ (វីដេអូ រួមបញ្ចូលជាមួយ Log files) |
ទាញយកអត្ថប្រយោជន៍ទាំងភាពត្រឹមត្រូវនៃវីដេអូផ្ទៃមុខ និងភាពអាចអនុវត្តបានគ្រប់ពេលនៃទិន្នន័យអន្តរកម្ម។ | ទាមទារការរៀបចំស្មុគស្មាញ និងការធ្វើសមកាលកម្ម (Synchronization) រវាងប្រភពទិន្នន័យច្រើន។ | ផ្តល់ភាពត្រឹមត្រូវប្រហាក់ប្រហែលនឹងការប្រើវីដេអូ (Mean AUC = .637) ហើយរក្សាបាននូវភាពអាចអនុវត្តបានខ្ពស់រហូតដល់ ៩៨% នៃករណីសរុប។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រ កម្មវិធីកុំព្យូទ័រចក្ខុ (Computer Vision) ក៏ដូចជាអ្នកសង្កេតការណ៍ដែលទទួលបានការបណ្តុះបណ្តាលត្រឹមត្រូវ។
ការសិក្សានេះធ្វើឡើងនៅសាលារដ្ឋភាគអាគ្នេយ៍នៃសហរដ្ឋអាមេរិក លើសិស្សថ្នាក់ទី៨ និងទី៩ ដែលមានសិស្សស្បែកស (Caucasian) ចំនួន ៥៧%។ ចំណុចនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ពីព្រោះសិស្សកម្ពុជាមានទម្រង់មុខ និងទម្លាប់នៃការបញ្ចេញអារម្មណ៍ខុសពីសិស្សអាមេរិក ដែលចាំបាច់ទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីបង្ហាត់ម៉ូដែលឡើងវិញឱ្យបានសុក្រឹត។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់សម្រាប់ការអប់រំបែបឌីជីថល និងសាលារៀនជំនាន់ថ្មីនៅកម្ពុជា ក្នុងការតាមដាន និងជួយសិស្ស។
ទោះបីជាអាចមានបញ្ហាប្រឈមរឿងបរិយាកាសពន្លឺក្នុងបន្ទប់រៀននៅកម្ពុជាក៏ដោយ ការអនុវត្តបច្ចេកវិទ្យានេះ (ជាពិសេសការរួមបញ្ចូលវីដេអូ និង Log files) អាចជួយលើកកម្ពស់គុណភាពនៃការរៀនតាមកុំព្យូទ័រឱ្យកាន់តែមានប្រសិទ្ធភាព និងឆ្លើយតបត្រូវនឹងអារម្មណ៍សិស្ស។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Learner Affect | ស្ថានភាពនៃអារម្មណ៍ដែលសិស្សជួបប្រទះក្នុងពេលកំពុងសិក្សា ដូចជា ការយល់ច្រឡំ ការធុញទ្រាន់ ការខកចិត្ត ឬការយកចិត្តទុកដាក់ខ្ពស់។ ក្នុងបរិបទនៃការស្រាវជ្រាវនេះ វាជាគោលដៅដែលប្រព័ន្ធកុំព្យូទ័រត្រូវចាប់សញ្ញាឱ្យបាន ដើម្បីកែតម្រូវការបង្រៀនឱ្យស្របតាមអារម្មណ៍សិស្ស។ | ដូចជាគ្រូបង្រៀនដ៏ពូកែម្នាក់ដែលចេះសង្កេតមើលទឹកមុខសិស្សថាគេកំពុងយល់ ឬកំពុងធុញ ដើម្បីប្តូររបៀបបង្រៀនឱ្យទាន់ពេល។ |
| Action Units (AUs) | ចលនាជាក់លាក់នៃបណ្តុំសាច់ដុំនៅលើផ្ទៃមុខ (ឧទាហរណ៍៖ ការញញឹម ការញាក់ចិញ្ចើម ការខាំមាត់) ដែលកុំព្យូទ័រអាចចាប់យករូបភាពនិងវាស់ស្ទង់ជាទិន្នន័យលេខបាន មុននឹងប្រមូលផ្តុំវាដើម្បីបកប្រែថាតើវាជាការបញ្ចេញអារម្មណ៍អ្វីពិតប្រាកដ។ | ដូចជាអក្ខរក្រមនៃភាសាកាយវិការផ្ទៃមុខអញ្ចឹង ពោលគឺយកចលនាសាច់ដុំតូចៗមករួមបញ្ចូលគ្នាដើម្បីបង្កើតជាន័យនៃអារម្មណ៍មួយ (ឧទាហរណ៍៖ លើកចិញ្ចើម + បើកភ្នែកធំៗ = ភ្ញាក់ផ្អើល)។ |
| Receiver Operating Characteristic curve (AUC) | រង្វាស់គណិតវិទ្យាដែលប្រើសម្រាប់វាយតម្លៃថាតើម៉ូដែល AI មួយមានសមត្ថភាពអាចបែងចែកភាពខុសគ្នារវាងក្រុមគោលដៅបានល្អកម្រិតណា (ឧ. ការញែកឱ្យដាច់រវាងសិស្សធុញ និងមិនធុញ) ជាពិសេសនៅពេលទិន្នន័យមានភាពលម្អៀងឬមិនស្មើគ្នា។ តម្លៃ ០.៥ ស្មើនឹងការទាយដោយចៃដន្យ ហើយ ១.០ គឺត្រឹមត្រូវឥតខ្ចោះ។ | ដូចជាពិន្ទុវាយតម្លៃសមត្ថភាពរបស់ចៅក្រមអញ្ចឹង បើពិន្ទុកាន់តែខិតជិត ១ មានន័យថាគាត់បែងចែកអ្នកខុស និងអ្នកត្រូវ បានកាន់តែច្បាស់លាស់ ដោយមិនលម្អៀង។ |
| SMOTE | បច្ចេកទេសនៃវិទ្យាសាស្ត្រទិន្នន័យ សម្រាប់បង្កើតទិន្នន័យសិប្បនិម្មិត (ក្លែងក្លាយតែមានលក្ខណៈស្រដៀងទិន្នន័យពិត) សម្រាប់ក្រុមគោលដៅណាដែលមានចំនួនតិចតួចពេក ដើម្បីជួយឱ្យប្រព័ន្ធរៀនដោយម៉ាស៊ីន (Machine Learning) មានតុល្យភាព និងអាចរៀនចំណាំទិន្នន័យក្រុមតូចនោះបានល្អជាងមុន។ | ដូចជាពេលយើងមានរូបថតសត្វខ្លាតិចពេកសម្រាប់បង្រៀនក្មេងឱ្យស្គាល់ យើងក៏យកកុំព្យូទ័រមកបង្កើតរូបខ្លាថ្មីៗបន្ថែមដោយលាយឡំលក្ខណៈពិសេសរបស់រូបខ្លាដែលមានស្រាប់ ដើម្បីឱ្យក្មេងមានរូបមើលបានច្រើន និងងាយចាំ។ |
| Cross-validation | ដំណើរការសាកល្បងម៉ូដែល AI ដោយបែងចែកទិន្នន័យជាច្រើនចំណែក រួចយកមួយចំណែកទៅធ្វើតេស្ត និងចំណែកដែលនៅសល់ទៅបង្រៀនម៉ូដែល (Train) ដោយធ្វើបែបនេះឆ្លាស់គ្នារហូតអស់ទិន្នន័យ។ ការធ្វើបែបនេះគឺដើម្បីប្រាកដថាម៉ូដែលពិតជាអាចដំណើរការបានល្អលើទិន្នន័យថ្មីដែលវាមិនធ្លាប់ឃើញពីមុនមក។ | ដូចជាការឱ្យសិស្សធ្វើលំហាត់សាកល្បងជាច្រើនទម្រង់ខុសៗគ្នា មុននឹងឱ្យទៅប្រឡងពិតប្រាកដ ដើម្បីធានាថាសិស្សពិតជាចេះក្បួនដោះស្រាយមែន មិនមែនគ្រាន់តែទន្ទេញចាំចម្លើយ។ |
| Generalizability | សមត្ថភាពរបស់ម៉ូដែល AI ក្នុងការរក្សាបាននូវភាពត្រឹមត្រូវនៃការទស្សន៍ទាយដដែល នៅពេលយកវាទៅអនុវត្តលើស្ថានភាពថ្មីៗ ពេលវេលាខុសគ្នា ឬក្រុមមនុស្សផ្សេងគ្នា (ឧទាហរណ៍៖ យកប្រព័ន្ធដែលបង្ហាត់នៅអាមេរិក មកប្រើជាមួយសិស្សនៅកម្ពុជា) ជំនួសឱ្យការធ្វើបានល្អតែក្នុងបន្ទប់ពិសោធន៍។ | ដូចជាអ្នករៀនបើកបរឡានដែលអាចបើកបានយ៉ាងរលូនមិនថានៅលើផ្លូវលំ ផ្លូវកៅស៊ូ ពេលថ្ងៃ ឬពេលយប់ គឺគាត់មានសមត្ថភាពទូទៅក្នុងការបើកបរគ្រប់កាលៈទេសៈ។ |
| BROMP | ពិធីការ ឬក្បួនខ្នាតសម្រាប់វាយតម្លៃសិស្សដោយសង្កេតផ្ទាល់នៅក្នុងថ្នាក់រៀន ដោយតម្រូវឱ្យអ្នកជំនាញដើរមើលសិស្សម្នាក់ម្តងៗជាវង់រង្វិលក្នុងរយៈពេលជាក់លាក់ណាមួយ ដើម្បីវាយតម្លៃ និងកត់ត្រាពីអារម្មណ៍ និងអាកប្បកិរិយារបស់សិស្ស ទុកសម្រាប់ធ្វើជាទិន្នន័យគោល (Ground Truth) ផ្ទៀងផ្ទាត់ជាមួយកុំព្យូទ័រ។ | ដូចជាគ្រូពេទ្យពិនិត្យជំងឺតាមស្តង់ដារមួយ ដែលតម្រូវឱ្យដើរពិនិត្យអ្នកជំងឺតាមគ្រែម្តងមួយៗ ដោយមើលទាំងទឹកមុខ កាយវិការ និងសកម្មភាពទូទៅ ដើម្បីកត់ត្រារោគសញ្ញាពិតប្រាកដ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
