บทความภายใน/วิชาสัมมนา

งานวิจัยนี้มุ่งแก้ไขปัญหาช่องว่างทางทักษะ (Skill Gap) และความไม่สอดคล้องของการจับคู่สหกิจศึกษาในยุคอุตสาหกรรม 5.0 ซึ่งกระบวนการดั้งเดิมมักขาดความโปร่งใสและประสบปัญหาข้อมูลประวัติที่มีความเบาบาง (Sparse Data) งานวิจัยนี้จึงเสนอการพัฒนา ระบบจับคู่การศึกษาแบบสหกิจศึกษาด้วยปัญญาประดิษฐ์บนแนวทางกราฟความรู้ (KGAT) โดยใช้โมเดล KG-Ability-Aware ที่ผสานโครงข่ายประสาทเทียมแบบกราฟ (GNN) เข้ากับกลไกความสนใจ (Attention Mechanism) เพื่อทานายความเหมาะสมระหว่างบุคคลกับงาน (Person-Job Fit) ได้อย่างแม่นยาและเป็นองค์รวม จุดเด่นสาคัญของระบบคือความเป็น ปัญญาประดิษฐ์ที่อธิบายได้ (Explainable AI) ซึ่งสามารถแสดงผลผ่านเส้นทางความเชื่อมโยงบนกราฟ (Reasoning Paths) เพื่ออธิบายเหตุผลของการจับคู่ พร้อมทั้งวิเคราะห์และแสดงรายงาน ช่องว่างทักษะ (Skill Gap Analysis) ช่วยให้นักศึกษาตระหนักรู้ถึงสมรรถนะที่ต้องพัฒนาและเตรียมความพร้อมก่อนเข้าสู่ตลาดแรงงาน การวิจัยดาเนินการตามวงจรการพัฒนาระบบ (SDLC) และทดสอบกับกลุ่มตัวอย่าง ณ คณะวิทยาศาสตร์และเทคโนโลยี มทร.สุวรรณภูมิ ผลลัพธ์ที่คาดหวังคือโมเดลที่มีค่าความแม่นยา (Accuracy) ไม่ต่ากว่า 0.90 และสามารถเพิ่มอัตราความสาเร็จของการจับคู่สหกิจศึกษาได้ร้อยละ 10-20 เมื่อเทียบกับวิธีเดิม ระบบนี้จะช่วยลดข้อจากัดในการเข้าถึงคาแนะนาอาชีพ สร้างความโปร่งใสในกระบวนการคัดเลือก และสนับสนุนการปรับปรุงหลักสูตรให้สอดคล้องกับความต้องการของภาคอุตสาหกรรมอย่างยั่งยืน คำสำคัญ ระบบจับคู่สหกิจศึกษา, กราฟความรู้ (Knowledge Graph), Graph Attention Network (KGAT), ปัญญาประดิษฐ์ที่อธิบายได้ (Explainable AI), ช่องว่างทางทักษะ (Skill Gap)