ปัญหาพิเศษนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพการทำนายดัชนีคุณภาพอากาศ (AQI) ด้วยวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่ม 5 วิธี ได้แก่ วิธีป่าสุ่ม วิธี XGBoost วิธี CatBoost วิธีรวมกลุ่มป่าสุ่มและ XGBoost และวิธีรวมกลุ่มป่าสุ่ม SVR และ MLP โดยใช้ชุดข้อมูลจากกรมควบคุมมลพิษกลางของประเทศอินเดีย (CPCB) ซึ่งชุดข้อมูลประกอบด้วยตัวแปรด้านมลพิษ 15 ตัวแปร และข้อมูลด้านสภาพอากาศ 9 ตัวแปร เก็บรวบรวมตั้งแต่มกราคม ค.ศ. 2021 ถึงธันวาคม ค.ศ. 2023 มีจำนวนข้อมูล 1,024,920 ค่า และวิธีการที่ใช้วัดประสิทธิภาพ 3 วิธี ได้แก่ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error : RMSE) ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (Mean Absolute Error : MAE) และสัมประสิทธิ์การกำหนด (Coefficient of Determination) ผลการศึกษาพบว่าวิธีรวมกลุ่มป่าสุ่มและ XGBoost มีค่าวัดประสิทธิภาพทั้ง 3 วิธีดีที่สุด โดยมีค่า RMSE น้อยที่สุดเท่ากับ 0.1040 ค่า MAE น้อยที่สุดเท่ากับ 0.0675 และค่า มากที่สุดเท่ากับ 0.8128 แล้วทำการอธิบายผลลัพธ์จากการเรียนรู้ของเครื่องสำหรับสร้างแผนภาพด้วย SHAP ของวิธีการเรียนรู้ของเครื่องทั้ง 5 วิธี ทุกวิธีได้ข้อสรุปในทำนองเดียวกันคือตัวแปรที่มีผลกระทบต่อ ค่าทำนายโดยรวมมากที่สุด 2 อันดับแรกคือตัวแปร PM2.5 และ PM10 ตามลำดับ
ทั่วโลกกำลังเผชิญกับวิกฤตมลพิษทางอากาศที่รุนแรงที่สุดในประวัติศาสตร์ การเพิ่มขึ้นของสารมลพิษในอากาศ เช่น ฝุ่นละอองขนาดเล็ก PM2.5 PM10 ก๊าซโอโซน ก๊าซคาร์บอนมอนอกไซด์ ไนโตรเจนไดออกไซด์ และซัลเฟอร์ไดออกไซด์ ซึ่งส่งผลกระทบต่อระบบทางเดินหายใจและระบบไหลเวียนโลหิตของมนุษย์ นอกจากนี้ยังมีผลกระทบทางลบต่อพืชและสัตว์ในระบบนิเวศอีกด้วย หลายพื้นที่ทั่วโลกเผชิญกับค่า PM2.5 เกินมาตรฐานอย่างต่อเนื่อง องค์การอนามัยโลก (World Health Organization : WHO) ประกาศเตือนว่า PM2.5 เป็นสารก่อมะเร็ง ส่งผลให้เกิดโรคทางเดินหายใจ โรคหัวใจ และโรคหลอดเลือดสมอง PM2.5 เป็นมลพิษทางอากาศที่อันตรายที่สุด ส่งผลต่อระบบทางเดินหายใจและเพิ่มความเสี่ยงต่อมะเร็งปอด สถิติปี 2020 มีผู้เสียชีวิตจากมะเร็งปอด 1.79 ล้านคน และคาดว่าจำนวนผู้เสียชีวิตจะเพิ่มมากขึ้นทุกปีอย่างต่อเนื่อง ดัชนีคุณภาพอากาศ (Air Quality Index : AQI) เป็นตัวชี้วัดสำคัญในการประเมินคุณภาพอากาศและบ่งชี้ถึงระดับของมลพิษ โดยใช้ข้อมูลความเข้มข้นของมลพิษในอากาศคำนวณเป็นค่าดัชนีคุณภาพอากาศที่ช่วยให้ประชาชนทราบถึงระดับความปลอดภัยของอากาศ ดังนั้นหากในชีวิตประจำวันสามารถทำนายดัชนีคุณภาพอากาศได้ ประชาชนจะสามารถวางแผนการเดินทางหรือการทำกิจกรรมกลางแจ้ง โดยหลีกเลี่ยงบริเวณที่มีมลพิษสูงได้ โดยเฉพาะกลุ่มเสี่ยง เช่น ผู้สูงอายุ เด็กเล็ก และผู้ป่วยเรื้อรัง ในช่วงหลายปีที่ผ่านมา มีงานวิจัยที่ได้พัฒนาวิธีการทำนายดัชนีคุณภาพอากาศโดยนักวิจัยได้ประยุกต์ใช้วิธีการเรียนรู้ของเครื่อง (Machine Learning) เพื่อการทำนายคุณภาพอากาศให้ดียิ่งขึ้น ในงานวิจัยนี้ คณะผู้วิจัยจึงมีความสนใจนำวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่มมาใช้ในการทำนายดัชนีคุณภาพอากาศ จากการทบทวนวรรณกรรมเกี่ยวกับงานวิจัยที่เกี่ยวข้อง คณะผู้วิจัยพบว่าในงานวิจัยของ Zhang et al. (2023) ที่ศึกษาในกลุ่มเมืองของจีน 6 แห่ง ด้วยข้อมูลมลพิษและสภาพอากาศ พบได้ว่าวิธีป่าสุ่มมีประสิทธิภาพดีที่สุดเมื่อวัดด้วย MAE ต่อมาในงานวิจัยของ Dao et al. (2022) ที่ได้ใช้ข้อมูลมลพิษในอินเดีย พบว่าวิธี XGBoost มีประสิทธิภาพดีที่สุด เช่นเดียวกับงานวิจัยของ Kumar and Pande (2023) ในขณะที่ Ravindiran et al. (2023) ได้ศึกษาด้วยข้อมูลมลพิษและสภาพอากาศในรัฐอานธรประเทศ พบว่าวิธี CatBoost มีประสิทธิภาพดีที่สุด และอีก 2 งานวิจัยที่ได้อาศัยแนวทางการรวมกลุ่มแบบ Stacking ได้แก่ งานวิจัยของ Sharma et al. (2024) ที่ศึกษาในหลายเมืองของอินเดียโดยได้ใช้วิธีการรวมกลุ่มของต้นไม้ตัดสินใจหลายวิธี หนึ่งในนั้นคือวิธีการรวมกลุ่มป่าสุ่มและ XGBoost ซึ่งก็พบว่าวิธีดังกล่าวมีประสิทธิภาพดีที่สุด และ Emeç and Yurtsever (2024) ได้ศึกษาการทำนายความเข้มข้นของ PM2.5 ซึ่งเป็นหนึ่งในมลพิษสำคัญที่ส่งผลต่อดัชนีคุณภาพอากาศของเมืองอิสตันบลูและปักกิ่งโดยใช้วิธีการเรียนรู้ของเครื่อง 3 วิธีมารวมกันเป็นวิธีรวมกลุ่มป่าสุ่ม, SVR และ MLP พบว่าวิธีนี้มีประสิทธิภาพดีกว่าการใช้ทั้ง 3 วิธีแยกกัน ดังนั้นคณะผู้วิจัยจึงสนใจนำวิธีการเรียนรู้ของเครื่องแบบรวมกลุ่มทั้ง 5 วิธี ได้แก่ วิธีป่าสุ่ม วิธี XGBoost วิธี CatBoost วิธีรวมกลุ่มป่าสุ่มและ XGBoost และวิธีรวมกลุ่มป่าสุ่ม, SVR และ MLP โดยใช้ข้อมูลเกี่ยวกับค่ามลพิษและสภาพอากาศจากสถานีตรวจวัดในรัฐเดลี ประเทศอินเดีย ซึ่งเป็นพื้นที่ที่มีปัญหาด้านคุณภาพอากาศเป็นอันดับต้น ๆ ของโลก โดยใช้ข้อมูลตั้งแต่วันที่ 1 มกราคม 2021 ถึง 31 ธันวาคม 2023 และวิธีการวัดประสิทธิภาพ 3 วิธี ได้แก่ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย และสัมประสิทธิ์การกำหนด (Coefficient of Determination) เปรียบเทียบประสิทธิภาพของวิธีการต่าง ๆ และระบุแนวทางที่เหมาะสมที่สุดในการทำนายดัชนีคุณภาพอากาศ
คณะวิทยาศาสตร์
เนื่องจากสายพันธุ์ Enterococcus lactis มีความใกล้ชิดกับ E. faecium และ ด้านคุณสมบัติที่เป็นประโยชน์และมีผลทางโปรไบโอติก ในการศึกษานี้ สายพันธุ์ RRS4 ถูกแยกจากหัวไช้เท้าดอง (Raphanus sativus Linn.) และทำการระบุชนิดโดยอาศัยลักษณะทางฟีโนไทป์และจีโนไทป์ สายพันธุ์ RRS4 แสดงความสามารถในการอยู่รอดในสภาวะแวดล้อมที่มี NaCl 2-8% ค่า pH ระหว่าง 4 ถึง 9 และอุณหภูมิระหว่าง 4°C ถึง 45°C การวิเคราะห์จีโนมแบบครอบคลุมยืนยันว่า RRS4 เป็น E. lactis นอกจากนี้ E. lactis RRS4 ยังแสดงฤทธิ์ยับยั้งเชื้อ E. faecalis JCM 5803 ที่ดื้อต่อวานโคมัยซิน การประเมินความปลอดภัยโดยใช้วิธี in silico รวมถึงการวิเคราะห์ด้วย KEGG annotation พบว่า E. lactis RRS4 ไม่มียีนที่เกี่ยวข้องกับความรุนแรงของเชื้อหรือยีนที่ไม่พึงประสงค์ การวิเคราะห์ด้วย VirulenceFinder พบว่ายีนที่เกี่ยวข้องกับความรุนแรงของเชื้อมีความสอดคล้องกับยีนใน E. lactis สามสายพันธุ์ และ E. faecium สี่สายพันธุ์ แม้ว่าจะพบว่ายีนต้านทานยาปฏิชีวนะยังคงมีอยู่ แต่ไม่มีความสัมพันธ์กับลักษณะการก่อโรคที่สำคัญ นอกจากนี้ การประเมินความปลอดภัยยังชี้ให้เห็นว่า E. lactis RRS4 มีความปลอดภัยโดยทั่วไป แม้ว่าจะมียีนที่เกี่ยวข้องกับการดื้อยาปฏิชีวนะก็ตาม สุดท้ายนี้ เราขอเสนอแนวทางในการประเมินความปลอดภัยของสายพันธุ์จุลินทรีย์โดยใช้การวิเคราะห์จีโนมทั้งหมด ซึ่งผลการศึกษานี้เป็นก้าวสำคัญในการวิจัยโปรไบโอติก
วิทยาลัยการจัดการนวัตกรรมและอุตสาหกรรม
ผลิตภัณฑ์ไฮยาอินทผลัมเป็นเซรั่มที่พัฒนาขึ้นจากสารสกัดอินทผลัม ซึ่งมีสารต้านอนุมูลอิสระสูง ช่วยลดเลือนริ้วรอย และกักเก็บความชุ่มชื้นให้กับผิวหน้า โดยผสานกับกรดไฮยาลูรอนิคเพื่อเพิ่มประสิทธิภาพการบำรุง ผลิตภัณฑ์นี้เกิดจากการวิจัยเกี่ยวกับปัจจัยที่มีผลต่อการตั้งใจซื้อของผู้บริโภค พบว่าผู้บริโภคให้ความสำคัญกับคุณสมบัติด้านการชะลอวัย ความปลอดภัย และแหล่งที่มาของส่วนผสม การพัฒนาเซรั่มนี้จึงมุ่งเน้นที่การใช้วัตถุดิบจากธรรมชาติ เพื่อเป็นตัวเลือกใหม่ในตลาดผลิตภัณฑ์บำรุงผิว
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
ผลงานศิลปนิพนธ์หัวข้อเรื่อง “สงครามในม่านหมอก” เป็นการนำเสนอเรื่องราวที่ดัดแปลงมาจากเรื่องสั้นชื่อเดียวกันของ ผศ. ชาติณรงค์ วิสุตกุล เมื่อปี 2546 เกี่ยวกับโลกอนาคตที่ผู้คนแก่งแย่งและเห็นแก่ตัวจนก่อให้เกิดสงครามทำให้ผู้คนต้องพึ่งพา “เครื่องหายใจ” ในการใช้เพื่ออยู่รอดใน “หมอกพิษสีแดง” ภาคิน เด็กหนุ่มวัย 15 ต้องเดินทางร่วมกับกลุ่มผู้อพยพ พวกเขาเดินทางผ่านเมืองร้าง และบังเอิญพบเข้ากับเด็กชายไร้เครื่องหายใจที่พึ่งกำพร้าพ่อ ภาคินตัดสินใจช่วยเหลือ แม้คนอื่นจะไม่เห็นด้วยก็ตาม เด็กชายพยายามจะปลิดชีวิตตัวเองโดยการปิดเครื่องหายใจ ภาคินที่เข้าไปยื้อชีวิตเด็กกลับหมดสติลงจากการหายใจเอาอากาศพิษเข้าไป คนอื่น ๆ ที่เห็นสิ่งที่ภาคินทำเพื่อช่วยเพื่อนมนุษย์ ได้สำนึกและร่วมมือกันช่วยชีวิตทั้งสอง ภาคินทำให้ทุกคนรู้ว่า ในช่วงเวลาที่ยากลำบาก มนุษย์เราต้องร่วมมือ ช่วยเหลือกันไม่ใช่แตกแยก และเห็นแก่ตัว