การพัฒนาเครื่องมือประเมินความเสี่ยงที่จะมีความบกพร่องในการเรียนรู้โดยใช้เสียงพูดภาษาไทยและการตอบคำถามการคำนวณสำหรับคนไทย : เฟสที่ 2 พัฒนาชุดตรวจคัดกรอง Computer Based

Abstract

พัฒนาแอปพลิเคชันสำหรับคัดกรองผู้ที่มีความเสี่ยงต่อความชุดทดสอบในรูปแบบแอปพลิเคชันบนแท็บเลตเสร็จสิ้น โดยนำแอปพลเคชันที่พัฒนาขึ้นมาใช้สำหรับเก็บรวบรวมข้อมูลจากอาสาสมัครกลุ่มปกติจากโรงเรียนสาธิตจุฬาลงกรณ์มหาวิทยาลัยจำนวน 60 ราย และกลุ่มเสี่ยงจากโรงพยาบาลจุฬาลงกรณ์อีก 50 ราย (ภายใต้เอกสารรับรองโครงการวิจัย โรงพยาบาลจุฬาลงกรณ์หมายเลขที่ 448/61) ข้อมูลเสียงพูดที่เก็บรวบรวมจากอาสาสมัครถูกนำมาวิเคราะห์ โดยการสลัดลักษณะเด่น 988 ลักษณะเด่นจากเสียงพูดโดยใช้โปรแกรม openSMILE และสร้างแบบจำลองโดยใชhโปรแกรม Weka โดยใช้วิธีการตรวจสอบไขว้ 5 ส่วน พบว่าสำหรับการวิเคราะห์ผลต่ออาสาสมัครมีจำนวนลักษณะเด่นที่สำคัญต่อการจำแนกอาสาสมัครที่เกิดซ้ำกันอย่างน้อย 3 ใน 5 ส่วน เฉลี่ยเท่ากับ 30 ลักษณะเด่น โดยแบบจำลอง random forest สามารถจำแนกข้อมูลอาสาสมัครกลุ่มปกติและกลุ่มเสียงได้มีประสิทธิภาพสูงสุด โดยได้ค่าความไวเท่ากับร้อยละ 93.18 ± 7.42 (ค่าเฉลี่ย ± ส่วนเบี่ยงเบนมาตรฐาน) ความจำเพาะเท่ากับร้อยละ 92.52 ± 8.30 และพื้นที่ใต้กราฟเส้นโค้งเท่ากับ 0.96 ± 0.05 เนื่องจากการวิเคราะห์โดยการใช้สัญญาณเสียงเพียงสัญญาณเดียว (ที่เกิดจากการเชื่อมสัญญาณเสียงในแต่ละชุดทดสอบย่อยเข้าด้วยกันในการวิเคราะห์ผลต่ออาสาสมัคร) อาจส่งให้ผลลัพธ์ที่ได้ไม่สอดคล้องกับส่วนที่สำคัญของข้อมูล ผู้วิจัยจึงวิเคราะห์เพิ่มเติมโดยการวิเคราะห์แยกแต่ละชุดทดสอบย่อยออกจากกัน ทำให้ลักษณะเด่นจากเดิม 988 ลักษณะเด่น เพิ่มเป็น 988 x 13 = 12,844 ลักษณะเด่น โดยมีจำนวนลักษณะเด่นที่สำคัญต่อการจำแนกอาสาสมัครที่เกิดซ้ำกันอย่างน้อย 3 ใน 5 ส่วน เฉลี่ยเท่ากับ 47 ลักษณะเด่น โดยแบบจำลอง random forest สามารถจำแนกข้อมูลอาสาสมัครกลุ่มปกติและกลุ่มเสี่ยงได้มีประสิทธิภาพสูงสด โดยได้ค่าความไวเท่ากับร้อยละ 86.9 ± 8.24 (ค่าเฉลี่ย ± ส่วนเบี่ยงเบนมาตรฐาน) ความจำเพาะเท่ากับร้อยละ 83.72 ± 16.13 และพื้นที่ใต้กราฟเส้นโค้งเท่ากับ 0.98 ± 0.05 โดยลักษณะเด่นทั้ง 47 ตัวมาจาก 3 ชุด ทดสอบการสร้างหน่วยคำ (10 ลักษณะเด่น) การลบหน่วยคำ (8 ลักษณะเด่น) และการแทนที่หน่วยเสียง (8 ลักษณะเด่น) คณะผู้วิจัยมีแผนงานในอนาคตที่จะนำแบบจำลองที่พัฒนาขึ้นพัฒนาเชื่อมต่อกับแอปพลิเคชันที่พัฒนาขึ้น เพื่อให้สามารถประมวลผลได้อย่างอัตโนมัติ รวมถึงการวิเคราะห์ผลการใช้งานชุดทดสอบสำหรับคัดกรองผู้มีความบกพร่องทางการเรียนรู้ในรูปแบบแอปพลิเคชันที่ลดจำนวนหัวข้อทดสอบลงจาก 24 หัวข้อย่อยเหลือ 3 หัวข้อย่อย ซึ่งใช้เวลาลดลงอย่างมีนัยสำคัญจากการใช้เวลาประมาณ 1 ชั่วโมงต่ออาสาสมัคร เหลือเพียงประมาณไม่เกิน 10 นาที และวัดประสิทธิภาพเมื่อเทียบกับอาสาสมัครที่มีอยู่ทั่วประเทศ Our research team has developed an application for screening people who are at risk of learning disability using test kits in the form of applications on tablets. The developed application was used to collect data from 60 volunteers from the Chulalongkorn University Demonstration School and 50 risk groups from Chulalongkorn Hospital (under the research certification document Chulalongkorn Hospital No. 448/61). Speech data collected from volunteers were analyzed by 988 distinctive features of speech by using openSMILE and creating a model using Weka using 5 -fold cross validation method. It was found that for analysis of results on subjects there were a number of important features for classification Thirty features were extracted in common based on 3 out of 5 rounds. The random forest model was able to identify the normal and the risk groups. The sensitivity is 93.18 ± 7.42 percent (mean ± standard deviation), the specificity is 92.52 ± 8.30 percent and the area under the curve is 0.96 ± 0.05 due to the analysis using only a single signal (caused by connecting the audio signals in each subtest together in the analysis of results to volunteers) that may result in results that are inconsistent with important parts of the data. The researcher then further analyzed each subtest. Make the feature from the original 988 features increased to 988 x 13 = 12,844 features, with the number of features that are important to classify the recurring subjects at least 3 out of 5 rounds with the average of 47 features. The random forest model can Identify the most effective data for normal and risk groups. The sensitivity is 86.9 ± 8.24 percent (mean ± standard deviation), the specificity is 83.72 ± 16.13 percent and the area under the curve is equal to 0.98 ± 0.05. All 47 features are from 3 test sets. To create morphemes (10 features), morphemes (8 features) and phonemes substitution (8 features). the research team has plans in the future that the model will be developed to connect with mobile application to be able to process automatically Including analysis of test set usage for screening for learning disabilities in the form of an application. This can reduce the number of test topics from 2 4 sub-topics to 3 sub-topics, which takes significantly less time Important from spending about 1 hour per volunteer to only about 10 minutes left and measured performance compared to existing volunteers across the country.