แบบจำลองปัญญาประดิษฐ์สำหรับประเมินผลพัฒนาการผ่านภาพวาดของเด็กปฐมวัย ระดับชั้น อนุบาล 1-3 : การพัฒนาและการตรวจสอบความถูกต้องเชิงข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาแบบจำลองปัญญาประดิษฐ์ที่สามารถจำแนกประเภทภาพวาดของเด็กปฐมวัยระดับอนุบาล 1–3 ตามโจทย์มาตรฐาน และ 2) ทดสอบความแม่นยำของแบบจำลองและประเมินความเป็นไปได้ในการประยุกต์ใช้ในระบบเว็บเพื่อการติดตามพัฒนาการเด็กปฐมวัย งานวิจัยนี้เป็นการวิจัยเชิงประยุกต์ กลุ่มตัวอย่างประกอบด้วยภาพวาดจากเด็กปฐมวัยจำนวน 150 คน ซึ่งดำเนินกิจกรรมวาดภาพตามโจทย์มาตรฐาน 5 ประเภท ได้แก่ เส้นตรง เส้นโค้งต่อเนื่อง วงกลม สี่เหลี่ยม และสามเหลี่ยม โดยใช้คู่มือการประเมินสำหรับครูปฐมวัยเป็นเกณฑ์อ้างอิง เครื่องมือวิจัยประกอบด้วยแบบจำลองปัญญาประดิษฐ์สถาปัตยกรรม EfficientNetV2-S ร่วมกับเทคนิค Data Augmentation โดยใช้ CrossEntropyLoss และ Adam Optimizer ในกระบวนการเรียนรู้ ผลการวิจัยพบว่า แบบจำลองสามารถจำแนกภาพวาดของเด็กปฐมวัยออกเป็น 3 ระดับ ได้แก่ เก่ง ปานกลาง และอ่อน โดยให้ค่าความแม่นยำรวม (Accuracy) เท่ากับ 0.61 ค่าความเที่ยงตรง (Precision) เท่ากับ 0.58 ค่าความครอบคลุม (Recall) เท่ากับ 0.61 และค่า F1-score เท่ากับ 0.59 ขณะที่ค่า Loss ในขั้นตรวจสอบความถูกต้องอยู่ในช่วง 0.83–1.04 นอกจากนี้ แบบจำลองยังแสดงศักยภาพในการนำไปประยุกต์ใช้ในระบบเว็บเพื่อช่วยครูติดตามพัฒนาการเด็กอย่างต่อเนื่อง ลดความคลาดเคลื่อนจากการประเมินเชิงอัตวิสัย และสนับสนุนการออกแบบกิจกรรมส่งเสริมพัฒนาการอย่างเป็นระบบ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
1. ทัศนะและข้อคิดเห็นใดๆ ในวารสารนวัตกรรมสังคมและการเรียนรู้ตลอดชีวิตเป็นทัศนะของผู้เขียน กองบรรณาธิการไม่จำเป็นต้องเห็นพ้องด้วยกับทัศนะเหล่านั้นและไม่ถือว่าเป็นความรับผิดชอบของกองบรรณาธิการ
2. ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทเป็นของผู้เขียนแต่ละท่าน กรณีมีการฟ้องร้องเรื่องการละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้เขียนแต่เพียงฝ่ายเดียว
3. ลิขสิทธิ์บทความเป็นของผู้เขียนและมหาวิทยาลัยฟาร์อีสเทอร์นได้รับการสงวนสิทธิ์ตามกฎหมาย การตีพิมพ์ซ้ำต้องได้รับอนุญาตโดยตรงจากผู้เขียนและมหาวิทยาลัยฟาร์อีสเทอร์นเป็นลายลักษณ์อักษร
เอกสารอ้างอิง
de Belen, R. A. J., Bednarz, T., Sowmya, A., & Del Favero, D. (2020). Computer vision in autism spectrum disorder research. Translational Psychiatry, 10(1), 333. https://doi.org/10.1038/s41398-020-01015-w
Chen, L., Xu, Y., & Zhang, H. (2021). Web-based deep learning system for automated childhood handwriting assessment: Accuracy evaluation and feasibility study. Computers in Human Behavior, 120, 106734. https://doi.org/10.1016/j.chb.2021.106734
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An image is worth 16×16 words: Transformers for image recognition at scale. In Proceedings of the International Conference on Learning Representations (ICLR). https://doi.org/10.48550/arXiv.2010.11929
Feng, X., Li, Y., & Zhou, W. (2024). Comprehensive assessment and early prediction of gross motor performance in toddlers with graph convolutional networks–based deep learning. JMIR Formative Research, 8, e51996. https://doi.org/10.2196/51996
He, K., Zhang, X., Ren, S., & Sun, J. (2016).Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
Liu, H., Wang, S., & Zhang, Y. (2023). AI-assisted research on intelligent evaluation system for preschool education. Education and Information Technologies, 28, 11589–11605. https://doi.org/10.1007/s10639-023-11875-6
Nguyen, T., & Chen, L. (2023). The key artificial intelligence technologies in early childhood education: Opportunities and challenges. Artificial Intelligence Review, 56, 12871–12899. https://doi.org/10.1007/s10462-023-10637-7
Puckett, M. B., & Black, J. K. (2020). The young child: Development from prebirth through age eight (7th ed.). Pearson Education.
Reinhart, L., Bischops, A. C., Kerth, J.-L., Hagemeister, M., Heinrichs, B., Eickhoff, S. B., Dukart, J., Konrad, K., Mayatepek, E., & Meissner, T. (2024). Artificial intelligence in child development monitoring: A systematic review on usage, outcomes and acceptance. Intelligence-Based Medicine, 9, 100134. https://doi.org/10.1016/j.ibmed.2024.100134
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4510–4520). https://doi.org/10.1109/CVPR.2018.00474
Shen, S., Zhou, Y., & Li, J. (2023). Multiview child motor development dataset for AI-driven analysis. GigaScience, 12(1), giad039. https://doi.org/10.1093/gigascience/giad039
Skinner, B. F. (1953). Science and human behavior. Free Press.
Trilling, B., & Fadel, C. (2009). 21st century skills: Learning for life in our times. Jossey-Bass.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Wang, S., Liu, W., Wang, J., Yi, Y., & Xu, J. (2025). DrawAA-Net: An AI-supported evaluation tool for children’s drawings. In Proceedings of the International Conference on Artificial Intelligence in Education (AIED 2025) (pp. 309–322). Lecture Notes in Computer Science (LNAI, Vol. 15877). Springer. https://doi.org/10.1007/978-3-031-98414-3_22
Ye, J., Wang, C., & Wu, Y. (2018). Computer vision analysis captures atypical attention in toddlers with autism spectrum disorder. Journal of the American Academy of Child & Adolescent Psychiatry, 57(11), 896–904. https://doi.org/10.1016/j.jaac.2018.07.879
Zhang, Y., Wang, M., He, J., Li, N., Zhou, Y., & Huang, H. (2024). AestheNet: Revolutionizing aesthetic perception diagnosis in education with hybrid deep nets. IEEE Transactions on Learning Technologies, 17, 2063–2075. https://doi.org/10.1109/TLT.2024.3405966
