ปัจจุบันเยาวชนขาดความสนใจและไม่เห็นความสำคัญของการเรียนวรรณคดี เพราะคิดว่าเป็นเรื่องยาก, ซับซ้อน และขาดสื่อการเรียนรู้ที่ทันสมัยและน่าสนใจ ดังนั้นผู้วิจัยจึงเลือกวรรณคดีเรื่องขุนช้างขุนแผนตอนขุนช้างถวายฎีกาที่ใช้สอนในระดับชั้นมัธยมศึกษาปีที่ 6 มาพัฒนาเนื่องจากเป็นวรรณคดีที่สะท้อนวิถีชีวิต ประวัติศาสตร์ ขนบธรรมเนียมประเพณี สถานที่ท่องเที่ยวที่มีอยู่จริง โดยจะพัฒนาสื่อประชาสัมพันธ์ให้ทันสมัย เหมาะกับเยาวชนเพื่อแก้ปัญหาจากการเรียนวรรณคดีดังที่กล่าวมา นอกจากนี้สื่อประชาสัมพันธ์ที่สร้างขึ้นสามารถใช้เพื่อส่งเสริมการท่องเที่ยวและเศรษฐกิจเชิงสร้างสรรค์ของจังหวัดสุพรรณบุรี โดยกลุ่มเป้าหมายของงานวิจัยคือเยาวชนอายุ 15-25 ปี มีจุดประสงค์ "เพื่อสร้างสื่อประชาสัมพันธ์สำหรับเยาวชนเรื่องขุนช้างขุนแผนตอนขุนช้างถวายฎีกา ที่สามารถ 1. สร้างความสนใจในการเรียนรู้วรรณคดี และ 2. สร้างแรงจูงใจในการท่องเที่ยวจังหวัดสุพรรณบุรีให้แก่เยาวชนอย่างมีนัยสำคัญทางสถิติที่ระดับ.05” งานวิจัยโครงการนี้จะแบ่งออกเป็น 3 โครงการย่อยที่ผสมทั้งงานวิจัยเชิงคุณภาพ เชิงปริมาณ และการปฏิบัติเข้าด้วยกันได้แก่ 1. การสร้างองค์ความรู้กรอบแนวคิดในการวิจัยสำหรับการออกแบบสื่อประชาสัมพันธ์วรรณคดีเรื่องขุนช้างขุนแผน (เชิงคุณภาพโดยการสัมภาษณ์ผู้ทรงคุณวุฒิ 10 ท่าน และเชิงปริมาณโดยใช้แบบสอบถาม 600 ชุด) 2. การผลิตสื่อประชาสัมพันธ์ที่ผสมสื่อมัลติมีเดียสำหรับเยาวชน ที่เชื่อมโยงกับสื่อโซเชียลมีเดียเรื่องขุนช้างขุนแผนตอนขุนช้างถวายฎีกา (การวิจัยเชิงปฏิบัติเพื่อสร้างสรรค์ผลงานประกอบด้วย e-book 1 ฉบับ, Youtube channel จำนวน 5 ตอน, Page Facebook และ Instagram) 3. การเผยแพร่และประเมินผลสื่อประชาสัมพันธ์เรื่องขุนช้างขุนแผน (เชิงปริมาณโดยใช้แบบสอบถาม 600 ชุดกับเยาวชนใน 6 ภาค)
ปัจจุบันเยาวชนขาดความสนใจและไม่เห็นความสำคัญของการเรียนวรรณคดี เพราะคิดว่าเป็นเรื่องยาก, ซับซ้อน และขาดสื่อการเรียนรู้ที่ทันสมัยและน่าสนใจ ดังนั้นผู้วิจัยจึงเลือกวรรณคดีเรื่องขุนช้างขุนแผนตอนขุนช้างถวายฎีกาที่ใช้สอนในระดับชั้นมัธยมศึกษาปีที่ 6 มาพัฒนาเนื่องจากเป็นวรรณคดีที่สะท้อนวิถีชีวิต ประวัติศาสตร์ ขนบธรรมเนียมประเพณี สถานที่ท่องเที่ยวที่มีอยู่จริง โดยจะพัฒนาสื่อประชาสัมพันธ์ให้ทันสมัย เหมาะกับเยาวชนเพื่อแก้ปัญหาจากการเรียนวรรณคดีดังที่กล่าวมา นอกจากนี้สื่อประชาสัมพันธ์ที่สร้างขึ้นสามารถใช้เพื่อส่งเสริมการท่องเที่ยวและเศรษฐกิจเชิงสร้างสรรค์ของจังหวัดสุพรรณบุรี
คณะบริหารธุรกิจ
อุปกรณ์ตรวจวัดคุณภาพอากาศพร้อมการควบคุมอุปกรณ์ภายนอก เป็นอุปกรณ์ตรวจวัดพร้อมบันทึกสภาวะของอากาศ พร้อมความสามารถในการควบคุมอุปกรณ์ภายนอก (เช่น พัดลม หรือ เครื่องฟอกอากาศ) ให้ทำงานตามสภาวะของอากาศและเงื่อนไขที่ผู้ใช้งานกำหนดไว้ได้
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
สถานการณ์ในปัจจุบันและความไม่แน่นอน นำมาสู่แนวคิดความมั่นคงทางอาหาร การนำเอานวัตกรรมและเทคโนโลยีเข้ามาปรับใช้เพื่อให้เกิดการให้ผลผลิตที่มากในพื้นที่จำกัด โดยปรับปรุงอาคารเก่าในพื้นที่เมืองที่ไม่ถูกใช้งานมาปรับปรุงให้เหมาะสมกับการปลูกพืช จัดทำเป็นพื้นที่เรียนรู้การปลูกพืชในเมือง นำเสนอวิธีการปลูกพืชแบบต่างๆ รวบรวมเป็นนวัตกรรมการปลูกพืชกว่า 35 รายการ สำหรับเผยแพร่ความรู้ เพื่อสร้างความมั่นคงทางอาหาร พึ่งพาตนเอง การอยู่อาศัยอย่างยั่งยืน
คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า