บทความภายใน/วิชาสัมมนา

การป้องกันการออกกลางคันของผู้เรียนในสถานศึกษาขนาดเล็กยังคงเป็นความท้าทายที่ สำคัญ เนื่องจากลักษณะที่เป็น 'กล่องดำ' (Black-box) ของปัญญาประดิษฐ์แบบดั้งเดิม และข้อจำกัดในการปรับตัวให้เข้ากับสภาพแวดล้อมที่มีทรัพยากรจำกัด งานวิจัยฉบับนี้จึงนำเสนอโครงร่าง AI-based Early Warning and Dropout Surveillance (AI-EWDS) ซึ่งเป็นสถาปัตยกรรมอัจฉริยะรูปแบบใหม่ที่ออกแบบมาเพื่อยกระดับความโปร่งใสในการทำนายและความสอดคล้องตามบริบทการใช้งานข้อเด่นทางเทคนิคหลักของงานวิจัยนี้คือการบูรณาการสถาปัตยกรรม AI Agent อัตโนมัติ เข้ากับ ปัญญาประดิษฐ์ที่อธิบายได้ (Explainable Artificial Intelligence: XAI) โดยใช้เทคนิค SHAP และ Feature Importance เพื่อให้ผู้สอนสามารถเข้าใจกระบวนการตัดสินใจของระบบได้ ในขณะเดียวกัน โครงร่างนี้ยังได้รวมกลไก Human-in-the-Loop (HITL) ซึ่งช่วยให้เกิดวงจรการตอบกลับอย่างต่อเนื่องเพื่อปรับปรุงกระบวนการเรียนรู้ของโมเดลให้สอดคล้องกับบริบทของโรงเรียนในแต่ละพื้นที่สถาปัตยกรรมที่นำเสนอนี้ผ่านการประเมินโดยผู้เชี่ยวชาญด้วยกระบวนการตรวจสอบที่เข้มงวด ซึ่งผลการประเมินแสดงให้เห็นถึงความเหมาะสมในระดับสูง โดยมีค่าเฉลี่ยอยู่ที่ 4.73 และสูงสุดที่ 4.78 ในมิติด้านคุณภาพการเรียนรู้และความฉลาดในการปรับตัว (Learning Quality and Adaptive Intelligence) โครงร่างงานวิจัยนี้จึงเป็นรากฐานทางเทคนิคที่แข็งแกร่งสำหรับการติดตั้งระบบเตือนภัยล่วงหน้าที่มีความโปร่งใสและยืดหยุ่นในสถานศึกษาที่มีลักษณะเฉพาะ คำสำคัญ Early Warning System, Student Dropout, Artificial Intelligence, Rural Education, Framework Validation, Explainable AI (XAI)