นิทานดนตรีเสริมทักษะความคิดของเด็กอายุ 0-3 ปี โดยใช้ทักษะ EF เป็นตัวเสริมสร้างพัฒนาการสำหรับเด็กโดยเน้นเรื่องทักษะพื้นฐาน 3 อย่าง 1. ความจำเพื่อใช้งาน (Working Memory) 2. การยั้งคิดไตร่ตรอง (Inhibitory Control) 3. การยืดหยุ่นความคิด (Cognitive Flexibility)
ทักษะการคิดเชิงบริหาร หรือ Executive Function เป็นทักษะสำคัญในเด็กยุคปัจจุบัน ที่ช่วยให้เด็กสามารถกำกับความคิด อารมณ์ และพฤติกรรม เพื่อให้บรรลุเป้าหมายที่ต้องการได้สำเร็จ โดยหน้าที่ของทักษะการคิดเชิงบริหารประกอบด้วย 3 อย่างหลักได้แก่ ความสามารถในการจดจำ (Working Memory) ความยืดหยุ่นทางความคิด (Cognitive Flexibility) และความสามารถในการควบคุมและยับยั้งตนเอง (Inhibitory Control) อย่างไรก็ดีทักษะการคิดเชิงบริหารไม่ใช่สิ่งที่มีติดตัวมาตั้งแต่เกิด แต่เป็นสิ่งที่สองพัฒนาขึ้นได้ โดยหากเปรียบเทียบตามพัฒนาการทางด้านประสาทวิทยาจะพบว่าสมองในช่วง 3 ขวบปีแรกนั้นมีการไซแนปส์ (Synapse) หรือการเกิดจุดประสานระหว่างเซลล์ประสาทที่เกิดจากการเรียนรู้และประสบการณ์มากที่สุดในช่วงชีวิต ก่อนเกิดการตัดแต่งวงจรสมอง (Pruning) และสลายจุดเชื่อมต่อระหว่างเซลล์ประสาทที่ไม่ได้ใช้ทิ้งไป เพื่อจัดระเบียบการทำงาน การเรียกข้อมูลของสมองอันเป็นกระบวนการตามธรรมชาติของมนุษย์เพื่อรักษา ในปัจจุบันมีการศึกษาผลของการจัดกิจกรรมดนตรีเพื่อพัฒนาทักษะการคิดเชิงบริหารจำนวนมาก และได้ผลไปในทิศทางเดียวกันว่ากิจกรรมดนตรีสามารถช่วยให้เด็กมีทักษะการคิดเชิงบริหารสูงขึ้น หรือมากกลุ่มที่ไม่ได้เข้าร่วมกิจกรรมดนตรี อย่างไรก็ดีในประเทศไทยการเข้ากิจกรรมดนตรีสำหรับเด็กโดยเฉพาะในช่วง 0-3 ขวบ ที่ยังไม่ได้เข้าเรียนในโรงเรียนนั้นจำเป็นต้องใช้ค่าใช้จ่ายจำนวนมาก ความถี่ในการทำกิจกรรมไม่มากอาจเพียงสัปดาห์ละครั้งและต้องเดินทางไปที่โรงเรียนพิเศษซึ่งต้องใช้เวลามาก กลับกันในแทบทุกบ้านมักมีหนึ่งกิจกรรมที่ผู้ปกครองที่มีลูกเล็กมักทำเป็นประจำ ใช้ค่าใช้จ่ายน้อยและสามารถทำได้ที่บ้านในทุกๆ วัน นั้นคือการเล่านิทาน จากที่มาและความสำคัญข้างต้นผู้วิจัยจึงเห็นว่าการพัฒนานิทานดนตรีเพื่อส่งเสริมทักษะการคิดเชิงบริหาร สำหรับเด็ก 0-3 ปี จะเป็นประโยชน์ต่อผู้ปกครองลดค่าใช้จ่าย ลดเวลา และสามารถทำกิจกรรมร่วมกับลูกได้ที่บ้านเป็นประจำ อันจะส่งผลต่อคุณภาพของเด็กที่จะมาเป็นกำลังสำคัญของชาติในอนาคตต่อไป
คณะวิศวกรรมศาสตร์
งานวิจัยนี้นำเสนอการออกแบบเครื่องมือระบบการนับยุง ยุงที่ถูกนับตายเพื่อไม่ให้วัดข้อมูลการนับซ้ำ ทันทีที่เครื่องนับแหล่งที่มาอินพุตตรวจจับยุงได้ สัญญาณทริกเกอร์เดี่ยวจะถูกส่งไปยังระบบ IOT เพื่อขัดจังหวะเซิร์ฟเวอร์ทันที จำนวนยุงจริงไม่ได้ส่งสัญญาณไปยัง IOT แต่เป็นเพียงสัญญาณรบกวนเซิร์ฟเวอร์เท่านั้น เซิร์ฟเวอร์จะบันทึกจำนวนสัญญาณขัดจังหวะด้วยนาฬิกาแบบเรียลไทม์ จากนั้นข้อมูลขัดจังหวะจะได้รับการจัดการต่อไป เครื่องนับส่วนหน้าประกอบด้วยเครื่องสร้างไฟฟ้าแรงสูงที่มีค่าแรงดันไฟฟ้าและระยะห่างของอิเล็กโทรดที่เหมาะสมกับขนาดยุงที่ต้องการ สัญญาณพัลส์ทริกเกอร์ต่ำของยุงที่ถูกฆ่าด้วยไฟฟ้าแรงสูงจะถูกส่งไปยังชุดควบคุม ทันที สัญญาณการนับจำนวนยุงรบกวนจะถูกส่งไปยังการรวบรวมข้อมูลกระแสใหญ่บนระบบ IOT โดยเทคนิคการประทับเวลา สร้างผลการตรวจวัดตัวอย่างยุงตัวเป็นๆ จำนวน 10 ตัว ในกล่องพื้นที่จำกัดในการบิน โดยเครื่องนับแสดงว่าผลการนับถูกต้อง 100%
คณะครุศาสตร์อุตสาหกรรมและเทคโนโลยี
ภาควิชาครุศาสตร์วิศวกรรม สจล. มีการจัดการเรียนการสอนวิชาทางด้านปฏิบัติการอิเล็กทรอนิกส์กำลัง ซึ่งมีการใช้งานชุดปฏิบัติการที่ต้องนำเข้าจากต่างประเทศ ทีมีราคาแพง ซึ่งทำให้สูญเสียรายได้ของประเทศในการจัดซื้อชุดฝึกดังกล่าว ทางผู้จัดทำจึงเสนอชุดปฏิบัติการอิเล็กทรอนิกส์กำลัง ที่สามารถใช้งานได้เทียบเท่าหรือดีกว่าชุดฝึกนำเข้าจากต่างประเทศ พร้อมทั้งมีราคาที่ถูกกว่า เพื่อใช้ในการทดลองสำหรับนักศึกษา
คณะวิทยาศาสตร์
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