การประเมินภาวะทางอารมณ์ของผู้เรียนในห้องด้วยแอปพลิเคชันปัญญาประดิษฐ์

Main Article Content

ภาณุภณ พสุชัยสกุล
ชัยวิชิต เชียรชนะ
ศจีมาจ ณ วิเชียร

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อ สร้างแอปพลิเคชันประเมินภาวะทางอารมณ์ของผู้เรียนในห้องด้วยปัญญาประดิษฐ์ และทดลองใช้แอปพลิเคชันกับกลุ่มตัวอย่างโรงเรียนในสังกัดสำนักงานคณะกรรมการการอาชีวศึกษา ที่มีอายุ 18 ปีขึ้นไป โดยใช้ใบหน้าจากอาสาสมัคร ในจังหวัดกาญจนบุรี 23 คน และนนทบุรี 17 คน เพื่อนำใบหน้ามาสร้างและทดสอบโมเดลร่วมกับภาพจากชุดข้อมูลโอเพนซอร์ส FER2013 และกลุ่มตัวอย่างที่ใช้ในการทดลองแอปพลิเคชันที่สร้างขึ้น คือ จังหวัดนครนายก 13 คน พิจิตร 33 คน ขอนแก่น 30 คน และกรุงเทพมหานคร 20 คน มีวิธีการสร้างแอปพลิเคชันด้วยเทคโนโลยีคอมพิวเตอร์วิทัศน์กับอัลกอริทึมการตรวจจับใบหน้าของ Haar และส่งให้โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ทำการทำนายอารมณ์และนับจำนวนความถี่สะสมของแต่ละอารมณ์ทั้ง 7 โดยอารมณ์เชิงบวก คือ กลุ่มอารมณ์ปกติ ความสุข และความประหลาดใจ ด้านอารมณ์เชิงลบ คือ ความเศร้า ความกลัว ความโกรธ และขยะแขยง นำโมเดลจากการฝึกมาเขียนโปรแกรมเพื่อให้ปัญญาประดิษฐ์วิเคราะห์ใบหน้าจำนวน 7 อารมณ์ของผู้เรียนในห้อง ด้วยกล้องเว็บแคมที่เชื่อมต่อกับเครื่องคอมพิวเตอร์แบบพกพา ระหว่างการเรียนการสอนในห้อง เป็นเวลาไม่เกิน 1 ชั่วโมง โดยไม่มีการบันทึกวิดีโอและไม่ส่งข้อมูลออกไปเก็บที่เครื่องแม่ข่ายออนไลน์บนคลาวน์ เพื่อป้องกันข้อมูลความเป็นส่วนตัวของอาสาสมัคร ซึ่งงานวิจัยนี้ได้ผ่านการอนุมัติจากคณะกรรมการจริยธรรมการวิจัยในมนุษย์ ผลการวิจัยพบว่า 1) การสร้างแอปพลิเคชันมีค่า Val accuracy อยู่ที่ 0.6288 และมีค่าความเที่ยง Interrater reliability ที่มีผลความแม่นยำเฉลี่ยของทุกภาวะอารมณ์อยู่ที่ 0.8 หรือร้อยละ 80 ซึ่งเป็นค่าที่ยอมรับได้ 2) การทดลองแอปพลิเคชัน พบสภาพแวดล้อมของห้องที่มีรูปแบบการจัดการเรียนการสอนที่ต่างกัน ส่งผลต่อความคลาดเคลื่อนของการวิเคราะห์ใบหน้าผ่านกล้อง สิทธิส่วนบุคคลของผู้เรียน ส่งผลต่อการบันทึกภาวะอารมณ์ทางใบหน้าขณะเรียนในห้องด้วยปัญญาประดิษฐ์ และการประเมินภาวะทางอารมณ์ของผู้เรียนมีภาวะอารมณ์ปกติสูงที่สุด และไม่พบนักศึกษาที่มีภาวะอารมณ์ที่ขยะแขยง เมื่อนำมาวิเคราะห์ พบว่า กลุ่มอารมณ์เชิงบวกของ 4 วิทยาลัยอยู่ที่ 71.19% และกลุ่มอารมณ์เชิงลบ 28.81% ผลการวิจัยในครั้งนี้นำไปใช้เพื่อประโยชน์การเฝ้าระวังอาการภาวะซึมเศร้าของผู้เรียน และปรับปรุงหลักสูตรหรือวิธีการสอนของครูผู้สอนต่อไป

Article Details

บท
บทความวิจัย

References

Artino, A. R. (2012). Emotions in online learning environments: Introduction to the special issue. The Internet and Higher Education, 15(3), 137-140. https://doi.org/10.1016/j.iheduc.2012.04.001

Bouhlal, M., Aarika, K., AitAbdelouahid, R., Elfilali, S., & Benlahmar, E. (2020). Emotions recognition as innovative tool for improving students’ performance and learning approaches. Procedia Computer Science, 175, 597-602. https://doi.org/10.1016/J.PROCS.2020.07.086

Chandra, Y. (2021). Online education during COVID-19: perception of academic stress and emotional intelligence coping strategies among college students. Asian Education and Development Studies, 10(2), 229-238. https://doi.org/10.1108/AEDS-05-2020-0097

Chiurco, A., Frangella, J., Longo, F., Nicoletti, L., Padovano, A., Solina, V., Mirabelli, G., & Citraro, C. (2022). Real-time detection of worker’s emotions for advanced human-robot interaction during collaborative tasks in smart factories. Procedia Computer Science, 200, 1875-1884. https://doi.org/10.1016/J.PROCS.2022.01.388

FER-2013. (2020). Kaggle. https://www.kaggle.com/datasets/msambare/fer2013

Fredrickson, B. L. (1998). What good are positive emotions? Review of General Psychology, 2, 300-319. https://doi.org/10.1037/1089-2680.2.3.300

Hfocus. (2021, October 8). Pramœ̄n sukkhaphāp čhit dek læ wairun thai yok wā 1.8 sǣn rāi phop khrīat sūng yong sưmsao tit čhō̜ tit kēm ʻō̜ nalai māk khưn!! [Assessing the mental health of more than 180,000 Thai children and teenagers, found high stress and increased risk of depression. More addicted to the screen and online games!!]. Hfocus. https://www.hfocus.org/content/2021/10/23307

Hsieh, Y. H., & Huang, F. Y. (2020). The effects of a mindfulness curriculum on the emotional regulation and interpersonal relationships of fifth-grade children. Bulletin of Educational Psychology, 52(1), 25-49. https://doi.org/10.6251/BEP.202009_52(1).0002

Mohamed, A. A., Bilal, K. H., & Elmutasim, I. E. (2021). Face recognition by artificial neural network using MATLAB. 2021 IEEE 6th International Conference on Computing, Communication and Automation (ICCCA). https://ieeexplore.ieee.org/document/9666434

Nixon, D., Mallappa, V. V., Petli, V., HosgurMath, S., & Kiran K, S. (2022). A novel AI therapy for depression counseling using face emotion techniques. Global Transitions Proceedings. https://doi.org/10.1016/J.GLTP.2022.03.008

Plutchik, R. (2001). The nature of emotions: Human emotions have deep evolutionary roots, a fact that may explain their complexity and provide tools for clinical practice. American Scientist, 89, 344-350. https://www.academia.edu/43620307/The_Nature_of_Emotions_Plutchik_2001_

Ramsay, A., & Ahmad, T. (Ed.). (2023). Machine learning for emotion analysis in python. Packt Publishing.

Rasheed, L., Khadam, U., Majeed, S., Ramzan, S., Bashir, S., & Iqbal, M. (2022). Face recognition emotions detection using haar cascade classifier and convolutional neural network. https://doi.org/10.21203/rs.3.rs-2048290/v1

Reeja, S. R., Cherian, R., Waghmare, K., & Jothimani. (2021). EEG signal-based human emotion detection using an artificial neural network. Handbook of Decision Support Systems for Neurological Disorders (pp. 107-124). https://doi.org/10.1016/B978-0-12-822271-3.00007-4

Shin, J. G., Choi, G. Y., Hwang, H. J., & Kim, S. H. (2021). Evaluation of emotional satisfaction using questionnaires in voice-based human–ai interaction. Applied Sciences (Switzerland), 11(4), Article 1920. https://doi.org/10.3390/app11041920

Wongvanit, S. (2021). Design research in education (2nd ed., Vol. 1200). CU Press.