บทที่ 3 ระเบียบวิธีวิจัย

3.1 รูปแบบการวิจัย

งานวิจัยฉบับนี้เป็นการวิจัยเชิงประยุกต์ร่วมกับการวิจัยเชิงทดลอง โดยมีวัตถุประสงค์เพื่อพัฒนากรอบการทำงานปัญญาประดิษฐ์เชิงลึกที่สามารถอธิบายได้สำหรับการวิเคราะห์และประเมินคุณภาพจลนศาสตร์ของการเคลื่อนไหวในการฝึกท่าม้วนไหมของมวยไท้เก๊กสกุลเฉิน การดำเนินงานครอบคลุมการสร้างชุดข้อมูลมาตรฐานเชิงชีวกลศาสตร์ การพัฒนาและเพิ่มประสิทธิภาพแบบจำลองเชิงลึกฝั่งไคลเอนต์แบบโลคอลสมบูรณ์ การพัฒนากลไกอธิบายผล และการประเมินผลทั้งเชิงเทคนิคและเชิงผู้ใช้[1]

ลักษณะของงานวิจัยจึงเป็นการบูรณาการองค์ความรู้ด้านคอมพิวเตอร์วิทัศน์ ปัญญาประดิษฐ์เชิงลึก วิทยาศาสตร์การกีฬา และการออกแบบระบบช่วยเรียนรู้ เพื่อให้ได้ระบบที่สามารถประเมินการเคลื่อนไหวแบบอิสระได้อย่างแม่นยำและให้ข้อมูลป้อนกลับที่อธิบายได้ ทั้งนี้ โครงสร้างของการดำเนินการวิจัยสามารถสรุปเป็นระยะการวิจัยหลัก 4 ระยะดังแสดงในตาราง 3.1[1]

ตาราง 3.1 ระยะการดำเนินการวิจัย

ระยะการวิจัย	ชื่อระยะ	สาระสำคัญ	ผลลัพธ์ที่คาดหวัง
ระยะที่ 1	การสร้างชุดข้อมูลจลนศาสตร์	เก็บข้อมูลการเคลื่อนไหวจากผู้เชี่ยวชาญ สกัดพิกัดข้อต่อ 3 มิติ และทำ annotation เชิงชีวกลศาสตร์ [1]	ชุดข้อมูลมาตรฐานสำหรับฝึกและทดสอบโมเดล [1]
ระยะที่ 2	การพัฒนาและเพิ่มประสิทธิภาพแบบจำลองฝั่งไคลเอนต์	พัฒนา ST-GCN ร่วมกับ Transformer และวิจัยวิธีการบีบอัดลดรูปโมเดล (Quantization/Pruning) เพื่อรันในเบราว์เซอร์ผ่าน WebGPU [1]	แบบจำลองประเมินคุณภาพเวอร์ชันออฟไลน์ที่ผ่านการรีดประสิทธิภาพ [1]
ระยะที่ 3	การพัฒนาระบบ XAI และ feedback แบบรันโลคอล	สร้าง attention mapping และโครงสร้างประโยคคำแนะนำผ่าน Template-based NLP แบบออฟไลน์ [1]	ระบบอธิบายเหตุผลให้ข้อมูลป้อนกลับที่มีความปลอดภัยสูง [1]
ระยะที่ 4	การทดสอบและประเมินผล	ประเมินทั้งด้านความแม่นยำ ประสิทธิภาพระบบ และประสบการณ์ผู้ใช้ [1]	รายงานผลการประเมินเชิงเทคนิคและเชิงผู้ใช้ [1]

จากตาราง 3.1 จะเห็นได้ว่างานวิจัยนี้ไม่ได้มุ่งพัฒนาเฉพาะแบบจำลองจำแนกผลการเคลื่อนไหวเท่านั้น แต่ให้ความสำคัญกับทั้งคุณภาพของข้อมูลอ้างอิง ความสามารถในการอธิบายผล และความเหมาะสมต่อการใช้งานจริงในบริบทการฝึกมวยไท้เก๊ก[1]

3.2 ประชากรและกลุ่มตัวอย่าง

ประชากรของงานวิจัยนี้แบ่งออกเป็น 2 กลุ่มหลัก ได้แก่ กลุ่มผู้เชี่ยวชาญมวยไท้เก๊กสกุลเฉิน และกลุ่มผู้ฝึกมวยไท้เก๊กระดับเริ่มต้นถึงระดับกลาง กลุ่มผู้เชี่ยวชาญมีบทบาทในการแสดงท่าต้นแบบ ให้ป้ายกำกับเชิงชีวกลศาสตร์ และตรวจสอบความสมเหตุสมผลของข้อมูลป้อนกลับที่ระบบสร้างขึ้น ส่วนกลุ่มผู้ฝึกทำหน้าที่เป็นกลุ่มเป้าหมายสำหรับการทดลองใช้งานระบบและการประเมินประสบการณ์ผู้ใช้[1]

รายละเอียดของประชากรและบทบาทของกลุ่มตัวอย่างแต่ละกลุ่มแสดงไว้ในตาราง 3.2[1]

ตาราง 3.2 ประชากรและกลุ่มตัวอย่างของการวิจัย

กลุ่ม	บทบาทในการวิจัย	วิธีคัดเลือก	รายละเอียด
ผู้เชี่ยวชาญมวยไท้เก๊กสกุลเฉิน	แสดงท่าต้นแบบ ให้ป้ายกำกับเชิงชีวกลศาสตร์ และตรวจสอบ feedback ของระบบ [1]	การเลือกแบบเจาะจง (purposive sampling) [1]	ครูผู้สอนหรือผู้มีประสบการณ์สูงในมวยไท้เก๊กสกุลเฉิน [1]
ผู้ฝึกระดับเริ่มต้น	ทดลองใช้งานระบบ ประเมิน usability และการเรียนรู้ [1]	การคัดเลือกตามคุณสมบัติและความสมัครใจ [1]	ผู้ฝึกที่ต้องการเครื่องมือช่วยฝึกด้วยตนเอง [1]
ผู้ฝึกระดับกลาง	ใช้เปรียบเทียบผลการใช้งานและตรวจสอบความเหมาะสมของ feedback [1]	การคัดเลือกตามคุณสมบัติและความสมัครใจ [1]	ผู้ใช้ที่มีพื้นฐานการฝึกและสามารถสะท้อนผลการใช้งานได้ลึกขึ้น [1]

ในการกำหนดกลุ่มตัวอย่าง ผู้วิจัยใช้วิธีการเลือกแบบเจาะจงสำหรับกลุ่มผู้เชี่ยวชาญ เพื่อให้ได้ผู้เข้าร่วมที่มีความรู้และประสบการณ์ตรงตามขอบเขตของงานวิจัย สำหรับกลุ่มผู้ฝึก ใช้วิธีการคัดเลือกตามคุณสมบัติที่กำหนดร่วมกับความสมัครใจเข้าร่วม โดยมุ่งเน้นผู้ฝึกระดับเริ่มต้นถึงระดับกลางซึ่งเป็นกลุ่มเป้าหมายหลักของระบบ[1]

เกณฑ์การคัดเลือกกลุ่มตัวอย่างทั้งสองกลุ่มสรุปไว้ในตาราง 3.3[1]

ตาราง 3.3 เกณฑ์การคัดเลือกกลุ่มตัวอย่าง

กลุ่ม	เกณฑ์คัดเข้า	เกณฑ์คัดออก
ผู้เชี่ยวชาญ	มีประสบการณ์สอนหรือฝึกมวยไท้เก๊กสกุลเฉินในระดับสูง สามารถปฏิบัติท่าที่อยู่ในขอบเขตการวิจัยได้ [1]	ไม่สะดวกให้ข้อมูลครบถ้วน หรือไม่ยินยอมให้ใช้ข้อมูลในการวิจัย
ผู้ฝึก	อยู่ในระดับเริ่มต้นถึงระดับกลาง สามารถปฏิบัติตามขั้นตอนการทดลองได้ และยินยอมเข้าร่วมการวิจัย [1]	มีข้อจำกัดทางร่างกายที่ทำให้ไม่สามารถปฏิบัติท่าฝึกได้ หรือถอนตัวยินยอมระหว่างการทดลอง

จากตาราง 3.3 จะเห็นว่าการกำหนดเกณฑ์คัดเข้าและคัดออกช่วยให้ได้กลุ่มตัวอย่างที่เหมาะสมกับวัตถุประสงค์ของแต่ละระยะการวิจัย ทั้งในส่วนการสร้างชุดข้อมูลและการทดลองใช้งานระบบ ในฉบับดุษฎีนิพนธ์สมบูรณ์ ผู้วิจัยควรระบุจำนวนกลุ่มตัวอย่างจริงในแต่ละกลุ่ม พร้อมเหตุผลในการกำหนดขนาดตัวอย่างอย่างชัดเจน[1]

3.3 เครื่องมือที่ใช้ในการวิจัย

เครื่องมือที่ใช้ในการวิจัยแบ่งออกเป็น 4 ประเภท ได้แก่ เครื่องมือสำหรับการเก็บข้อมูลการเคลื่อนไหว เครื่องมือสำหรับการประมวลผลและสร้างชุดข้อมูล เครื่องมือสำหรับการพัฒนาแบบจำลองปัญญาประดิษฐ์ และเครื่องมือสำหรับการประเมินผล รายละเอียดแสดงดังตาราง 3.4[1]

ตาราง 3.4 เครื่องมือที่ใช้ในการวิจัย

ประเภทเครื่องมือ	รายการ	วัตถุประสงค์
เครื่องมือเก็บข้อมูล	กล้องวิดีโอหรือกล้องเว็บแคม [1]	บันทึกการเคลื่อนไหวของผู้เชี่ยวชาญและผู้ฝึก
เครื่องมือเก็บข้อมูล	แบบฟอร์มข้อมูลพื้นฐานและแบบยินยอมเข้าร่วม [1]	เก็บข้อมูลประกอบและดำเนินการตามหลักจริยธรรม
เครื่องมือประมวลผล	ระบบ pose estimation สำหรับสกัดพิกัดข้อต่อ 3 มิติ [1]	แปลงวิดีโอเป็นข้อมูล landmarks เชิงจลนศาสตร์
เครื่องมือประมวลผล	โปรแกรมทำความสะอาดข้อมูลและ T-pose scaling [1]	ปรับมาตรฐานข้อมูลเพื่อลดผลต่างระหว่างบุคคล
เครื่องมือวิจัยหลัก	แบบจำลอง ST-GCN และ Transformer (ONNX Format สำหรับ WebGPU) [1]	วิเคราะห์ความสัมพันธ์เชิงพื้นที่-เวลาและประเมินคุณภาพจลนศาสตร์ฝั่งไคลเอนต์แบบออฟไลน์
เครื่องมืออธิบายผล	On-device Attention mapping และ skeleton heatmap [1]	แสดงจุดพิกัดหรือเฟรมเวลาที่โมเดลไคลเอนต์ใช้ตัดสินใจชี้ข้อผิดพลาด
เครื่องมือให้ข้อมูลป้อนกลับ	Local Template-based NLP Engine และ Web Speech API [1]	แปลงผลวิเคราะห์จลนศาสตร์เป็นประโยคข้อความสอนมวยและเสียงโดยไร้เซิร์ฟเวอร์
เครื่องมือประเมินผล	แบบประเมิน SUS [1]	วัดความสามารถในการใช้งานของระบบ
เครื่องมือประเมินผล	แบบประเมินทักษะ แบบสัมภาษณ์ และคำถามปลายเปิด [1]	วัดผลเชิงทักษะ ความพึงพอใจ และความคิดเห็นเชิงคุณภาพ

เมื่อพิจารณาตาราง 3.4 จะเห็นได้ว่าเครื่องมือวิจัยมีลักษณะเชื่อมโยงต่อเนื่องกันตั้งแต่ต้นน้ำถึงปลายน้ำ กล่าวคือ เริ่มจากการเก็บข้อมูลวิดีโอ การแปลงเป็นข้อมูลเชิงโครงสร้าง การนำไปฝึกแบบจำลอง และการประเมินผลการใช้งานจริง โครงสร้างเช่นนี้ทำให้สามารถติดตามความสัมพันธ์ระหว่างคุณภาพข้อมูลอินพุตกับผลลัพธ์ของระบบได้อย่างเป็นระบบ[1]

นอกจากการระบุเครื่องมือแล้ว งานวิจัยยังต้องกำหนดว่าข้อมูลใดถูกสร้างขึ้นจากเครื่องมือแต่ละชนิด ซึ่งสรุปไว้ในตาราง 3.5[1]

ตาราง 3.5 ข้อมูลที่ได้จากเครื่องมือวิจัย

เครื่องมือ	ข้อมูลนำเข้า	ผลลัพธ์ที่ได้
กล้องวิดีโอ	การเคลื่อนไหวของผู้เข้าร่วม	วิดีโอลำดับการเคลื่อนไหว [1]
Pose estimation	วิดีโอ	พิกัดข้อต่อสามมิติแบบ time-series [1]
แบบฟอร์ม annotation โดยผู้เชี่ยวชาญ	วิดีโอหรือ skeleton sequence	คะแนน continuity, stability, movement sequence และหมายเหตุข้อผิดพลาด [1]
ONNX Optimized ST-GCN + Transformer (รันบน WebGPU)	พิกัดข้อต่อ 3 มิติในหน่วยความจำเบราว์เซอร์ชั่วคราว	คะแนนประเมินรวมจลนศาสตร์เชิงลึก (AQA Score) แบบรันโลคอล [1]
On-device XAI & Template NLP	attention weights จากโมเดลโลคอลและกฎ Heuristics	skeleton heatmap และรายงานข้อเสนอแนะเชิงภาษาสอนมวยแบบออฟไลน์ [1]
SUS และแบบสัมภาษณ์	ประสบการณ์ใช้งานระบบของผู้ใช้	คะแนน usability และข้อมูลเชิงคุณภาพ [1]

จากตาราง 3.5 จะเห็นได้ว่าข้อมูลในงานวิจัยนี้มีทั้งลักษณะเชิงปริมาณและเชิงคุณภาพ โดยมีการไหลของข้อมูลจากวิดีโอดิบไปสู่ข้อมูลเชิงโครงสร้าง ผลทำนายของโมเดล และข้อมูลสะท้อนกลับจากผู้ใช้[1]

3.4 การสร้างและตรวจสอบคุณภาพเครื่องมือวิจัย

เครื่องมือที่ผู้วิจัยพัฒนาขึ้นเอง เช่น เกณฑ์การให้คะแนนเชิงชีวกลศาสตร์ แบบฟอร์ม annotation และแบบประเมินเพิ่มเติม จำเป็นต้องผ่านการตรวจสอบคุณภาพก่อนนำไปใช้จริง การตรวจสอบดังกล่าวครอบคลุมทั้งความตรงเชิงเนื้อหา ความชัดเจนของรายการประเมิน และความน่าเชื่อถือของผลการให้คะแนน[1]

แนวทางการตรวจสอบคุณภาพเครื่องมือวิจัยสรุปไว้ในตาราง 3.6[1]

ตาราง 3.6 แผนการตรวจสอบคุณภาพเครื่องมือวิจัย

เครื่องมือ	วิธีตรวจสอบคุณภาพ	ผลที่คาดหวัง
เกณฑ์การให้คะแนนเชิงชีวกลศาสตร์	ตรวจสอบความตรงเชิงเนื้อหาโดยผู้เชี่ยวชาญ [1]	เกณฑ์คะแนนสะท้อนหลักการมวยอย่างเหมาะสม
แบบฟอร์ม annotation	ทดลองใช้กับกลุ่มนำร่อง [1]	ผู้เชี่ยวชาญเข้าใจตรงกันและใช้งานได้สะดวก
ผลการให้คะแนนจากผู้เชี่ยวชาญ	วิเคราะห์ inter-rater reliability [1]	ได้ข้อมูลอ้างอิงที่น่าเชื่อถือ
แบบสอบถาม usability และความพึงพอใจ	ตรวจสอบความชัดเจนของภาษาและลำดับคำถาม	เก็บข้อมูลจากผู้ใช้ได้ครบและแปลผลได้ง่าย

ตามตาราง 3.6 ผู้วิจัยต้องให้ความสำคัญกับการตรวจสอบความสอดคล้องระหว่างผู้ประเมินเป็นพิเศษ เนื่องจากข้อมูล annotation จากผู้เชี่ยวชาญจะถูกใช้เป็น ground truth สำหรับการฝึกและประเมินแบบจำลอง หากข้อมูลอ้างอิงมีความคลาดเคลื่อนสูง ย่อมส่งผลต่อความน่าเชื่อถือของผลการทดลองในภาพรวม[1]

3.5 การเก็บรวบรวมข้อมูล

การเก็บรวบรวมข้อมูลของงานวิจัยนี้แบ่งออกเป็น 2 ส่วนสำคัญ ได้แก่ การเก็บข้อมูลเพื่อสร้างชุดข้อมูลจลนศาสตร์ และการเก็บข้อมูลเพื่อประเมินระบบกับผู้ใช้จริง ขั้นตอนโดยรวมแสดงไว้ในตาราง 3.7[1]

ตาราง 3.7 สรุปขั้นตอนการเก็บรวบรวมข้อมูล

ขั้นตอน	กลุ่มเป้าหมาย	ข้อมูลที่เก็บ	ผลลัพธ์
บันทึกวิดีโอท่าต้นแบบ	ผู้เชี่ยวชาญ	วิดีโอการเคลื่อนไหว [1]	ข้อมูลต้นแบบสำหรับสร้าง dataset
สกัดพิกัดข้อต่อ 3 มิติ	ผู้เชี่ยวชาญและผู้ฝึก	time-series ของ landmarks [1]	ข้อมูลจลนศาสตร์
ให้ป้ายกำกับโดยผู้เชี่ยวชาญ	ผู้เชี่ยวชาญ	คะแนนเชิงชีวกลศาสตร์ [1]	ground truth สำหรับการฝึกโมเดล
ทดลองใช้งานระบบ	ผู้ฝึกระดับเริ่มต้นถึงระดับกลาง [1]	คะแนนทักษะ SUS และความคิดเห็น	ข้อมูลประเมินเชิงผู้ใช้

จากตาราง 3.7 จะเห็นได้ว่าการเก็บข้อมูลในระยะแรกเน้นการสร้างฐานข้อมูลคุณภาพสูงจากผู้เชี่ยวชาญ ขณะที่ระยะหลังเน้นข้อมูลผลกระทบของระบบต่อการเรียนรู้และประสบการณ์ใช้งานจริง การแบ่งกระบวนการเช่นนี้ช่วยให้ผู้วิจัยสามารถวิเคราะห์ได้ทั้ง “โมเดลทำงานได้ดีเพียงใด” และ “ระบบมีประโยชน์ต่อผู้ใช้จริงเพียงใด”[1]

3.5.1 การเก็บข้อมูลเพื่อสร้างชุดข้อมูลจลนศาสตร์

ในระยะนี้ ผู้วิจัยจะบันทึกวิดีโอการเคลื่อนไหวของผู้เชี่ยวชาญตามชุดท่าที่กำหนด ได้แก่ ท่าม้วนไหมมือเดียว ท่าม้วนไหมสองมือ และท่ามือเมฆในทิศทางต่าง ๆ ตามขอบเขตของงานวิจัย การบันทึกจะดำเนินการภายใต้สภาพแวดล้อมมาตรฐานเดียวกัน เช่น มุมกล้อง ระยะห่าง ความละเอียด และแสงสว่าง เพื่อควบคุมความแปรปรวนที่ไม่เกี่ยวข้องกับคุณภาพการเคลื่อนไหว[1]

ภายหลังจากการบันทึกวิดีโอ ผู้วิจัยจะประมวลผลวิดีโอด้วยระบบ pose estimation เพื่อสกัดพิกัดข้อต่อสามมิติ และดำเนินการทำความสะอาดข้อมูลด้วยการกรองสัญญาณ การลบเฟรมผิดปกติ และการปรับมาตรฐานข้อมูลด้วย T-pose scaling จากนั้นจึงส่งต่อข้อมูลให้ผู้เชี่ยวชาญทำการให้คะแนนตามตัวชี้วัดที่กำหนดไว้ ซึ่งรายละเอียดของตัวชี้วัดและลักษณะข้อมูลที่ได้สอดคล้องกับตาราง 3.5[1]

3.5.2 การเก็บข้อมูลเพื่อประเมินระบบกับผู้ใช้จริง

หลังจากพัฒนาระบบต้นแบบแล้ว ผู้วิจัยจะเชิญผู้ฝึกระดับเริ่มต้นถึงระดับกลางเข้าร่วมการทดลองใช้งานระบบ ผู้เข้าร่วมจะได้รับคำชี้แจงเกี่ยวกับขั้นตอนการทดลอง วิธีใช้งานระบบ และเงื่อนไขการประเมินก่อนเริ่มฝึกตามชุดท่าที่กำหนด[1]

ในการออกแบบการทดลอง ผู้วิจัยอาจแบ่งผู้เข้าร่วมออกเป็นกลุ่มที่ใช้ระบบ heuristic-based เดิม และกลุ่มที่ใช้ระบบ deep learning พร้อม XAI เพื่อเปรียบเทียบผลลัพธ์ระหว่างสองแนวทาง ข้อมูลที่ได้จากผู้ใช้จริง ได้แก่ คะแนนพัฒนาการเชิงทักษะ คะแนนความสามารถในการใช้งานของระบบ และข้อคิดเห็นเชิงคุณภาพ ซึ่งเชื่อมโยงกับรายการข้อมูลในตาราง 3.7[1]

3.6 วิธีดำเนินการวิจัย

งานวิจัยนี้แบ่งการดำเนินงานออกเป็น 4 ระยะหลักตามวัตถุประสงค์ของการวิจัย ได้แก่ การสร้างชุดข้อมูลจลนศาสตร์ การพัฒนาและเพิ่มประสิทธิภาพแบบจำลองฝั่งไคลเอนต์ การพัฒนาระบบ XAI และการทดสอบประเมินผล ความสอดคล้องระหว่างวัตถุประสงค์การวิจัย วิธีดำเนินการ และผลลัพธ์ที่คาดหวัง แสดงไว้ในตาราง 3.8[1]

ตาราง 3.8 ความสอดคล้องระหว่างวัตถุประสงค์การวิจัยกับวิธีดำเนินการ

วัตถุประสงค์การวิจัย	วิธีดำเนินการ	ผลลัพธ์ที่คาดหวัง
เพื่อสร้างชุดข้อมูลการเคลื่อนไหวของท่าม้วนไหมที่มีการระบุป้ายกำกับเชิงชีวกลศาสตร์ [1]	เก็บวิดีโอจากผู้เชี่ยวชาญ สกัดพิกัด 3 มิติ และทำ annotation โดยผู้เชี่ยวชาญหลายท่าน [1]	ชุดข้อมูล Taiji Silk Reeling Dataset [1]
เพื่อพัฒนาและทดสอบสถาปัตยกรรม ST-GCN + Transformer ฝั่งไคลเอนต์ [1]	พัฒนาและเพิ่มประสิทธิภาพแบบจำลองโลคอล รันการประเมิน เปรียบเทียบ baseline และทำ ablation study [1]	แบบจำลอง deep learning ที่ผ่านการบีบอัดสำหรับการประเมินคุณภาพการเคลื่อนไหว [1]
เพื่อพัฒนาระบบ XAI สำหรับการให้ข้อมูลป้อนกลับเชิงคุณภาพ [1]	ดึง attention weights สร้าง heatmap และสร้าง feedback เชิงภาษาและเสียง [1]	ระบบ feedback ที่อธิบายเหตุผลได้ [1]

จากตาราง 3.8 จะเห็นได้ว่าการดำเนินการในแต่ละระยะเชื่อมโยงโดยตรงกับวัตถุประสงค์การวิจัยที่กำหนดไว้ใน proposal โครงสร้างดังกล่าวช่วยให้บทระเบียบวิธีวิจัยมีความสอดคล้องเชิงตรรกะและสามารถตรวจสอบย้อนกลับได้ว่าผลลัพธ์แต่ละชิ้นเกิดจากขั้นตอนใด[1]

3.6.1 ระยะที่ 1 การสร้างชุดข้อมูลจลนศาสตร์

ระยะที่ 1 มีวัตถุประสงค์เพื่อจัดทำชุดข้อมูลจลนศาสตร์ของการเคลื่อนไหวที่มีการระบุป้ายกำกับเชิงชีวกลศาสตร์โดยผู้เชี่ยวชาญหลายท่าน ข้อมูลดังกล่าวจะถูกใช้เป็นฐานสำหรับการฝึกและการทดสอบแบบจำลองในระยะถัดไป[1]

ขั้นตอนสำคัญในระยะนี้ ได้แก่ การกำหนดชุดท่าฝึกตามขอบเขตการวิจัย การบันทึกวิดีโอภายใต้สภาพแวดล้อมมาตรฐาน การสกัดพิกัดข้อต่อสามมิติ การทำความสะอาดข้อมูล และการให้คะแนนโดยผู้เชี่ยวชาญ โครงสร้างของกระบวนการเก็บข้อมูลและชนิดของผลลัพธ์ที่ได้สามารถอ้างอิงได้จากตาราง 3.7 และตาราง 3.8[1]

3.6.2 ระยะที่ 2 การพัฒนาและเพิ่มประสิทธิภาพแบบจำลองฝั่งไคลเอนต์

ในระยะนี้ ผู้วิจัยจะนำข้อมูลพิกัดข้อต่อสามมิติที่ผ่านการปรับมาตรฐานแล้วมาสร้างเป็นกราฟโครงกระดูก โดยมีข้อต่อเป็นโหนดและความสัมพันธ์ทางกายวิภาคเป็นเส้นเชื่อม เพื่อใช้เป็นอินพุตของแบบจำลอง ST-GCN แบบจำลองดังกล่าวจะทำหน้าที่เรียนรู้ความสัมพันธ์เชิงพื้นที่ของข้อต่อและกระดูกตามลักษณะของห่วงโซ่จลนศาสตร์[1]

ผลลัพธ์จาก ST-GCN จะถูกส่งต่อเข้าสู่ Transformer เพื่อวิเคราะห์ลำดับเวลาตลอด sequence โดยในเฟสนี้ ผู้วิจัยจะเน้นน้ำหนักการทำวิจัยประเด็นการประหยัดหน่วยความจำ VRAM (เช่น การบีบอัดและปรับพาร์ทิชันกราฟจลนศาสตร์ DSTAP) เพื่อให้แบบจำลองสามารถรันบนเว็บไคลเอนต์ด้วย WebGPU ได้อย่างราบรื่น ขั้นตอนนี้สอดคล้องกับวัตถุประสงค์และผลลัพธ์ที่คาดหวังตามตาราง 3.8 และใช้ข้อมูลจากระยะที่ 1 ตามโครงสร้างข้อมูลในตาราง 3.5[1]

3.6.3 ระยะที่ 3 การพัฒนาระบบ XAI และ feedback engine แบบรันโลคอล

ระยะที่ 3 มุ่งแก้ปัญหาความเป็นกล่องดำของแบบจำลองเชิงลึก โดยพัฒนากลไกที่สามารถแสดงให้เห็นได้ว่าแบบจำลองใช้ข้อมูลใดประกอบการตัดสินใจ ผู้วิจัยจะดึง attention weights จากชั้น self-attention ของ Temporal Transformer มาสร้างเป็น heatmap หรือ visualization บน skeleton และลำดับเวลา[1]

นอกจากนี้ ระบบจะต้องแปลงผลการวิเคราะห์เชิงเทคนิคให้เป็นคำอธิบายที่สอดคล้องกับหลักการฝึกมวยไท้เก๊ก เช่น การอธิบายการถ่ายน้ำหนัก การทรงตัว หรือความต่อเนื่องของการส่งแรง ขอบเขตของข้อมูลที่ใช้และผลลัพธ์ที่ได้ในขั้นตอนนี้สัมพันธ์กับตาราง 3.4 ตาราง 3.5 และตาราง 3.8[1]

3.6.4 ระยะที่ 4 การทดสอบและประเมินผล

ระยะสุดท้ายของการวิจัยคือการประเมินผลทั้งในเชิงเทคนิคและเชิงผู้ใช้ การประเมินเชิงเทคนิคจะใช้ชุดข้อมูลทดสอบที่แยกไว้เพื่อวัดความแม่นยำและประสิทธิภาพของแบบจำลอง ขณะที่การประเมินเชิงผู้ใช้จะศึกษา usability ความพึงพอใจ และผลต่อการเรียนรู้ของผู้ฝึก[1]

เพื่อให้เห็นกรอบการประเมินอย่างเป็นระบบ ผู้วิจัยได้สรุปตัวแปร ตัวชี้วัด และวิธีประเมินในตาราง 3.9[1]

ตาราง 3.9 กรอบการประเมินผลการวิจัย

มิติการประเมิน	ตัวแปร	ตัวชี้วัด / วิธีประเมิน
เชิงเทคนิค	ความสามารถของแบบจำลอง	Accuracy, Precision, Recall และความสอดคล้องกับคะแนนผู้เชี่ยวชาญ [1]
เชิงเทคนิค	สมรรถนะของระบบ	FPS และ Latency บนอุปกรณ์ทั่วไป [1]
เชิงผู้ใช้	ความสามารถในการใช้งาน	คะแนน System Usability Scale (SUS) [1]
เชิงผู้ใช้	พัฒนาการเชิงทักษะ	ผลการประเมินก่อน–หลัง หรือเปรียบเทียบระหว่างกลุ่ม [1]
เชิงผู้ใช้	ประสบการณ์และความคิดเห็น	แบบสัมภาษณ์และคำถามปลายเปิด [1]

จากตาราง 3.9 จะเห็นว่าการประเมินผลครอบคลุมทั้งมุมมองของระบบและมุมมองของผู้ใช้ ทำให้งานวิจัยสามารถสะท้อนคุณค่าของระบบได้อย่างครบถ้วน[1]

3.7 การวิเคราะห์ข้อมูล

การวิเคราะห์ข้อมูลแบ่งออกเป็น 2 ส่วน ได้แก่ การวิเคราะห์ข้อมูลเชิงเทคนิคและการวิเคราะห์ข้อมูลเชิงผู้ใช้ โดยรายละเอียดของตัวแปร แหล่งข้อมูล วิธีวิเคราะห์ และสถิติที่ใช้ สรุปไว้ในตาราง 3.10[1]

ตาราง 3.10 แผนการวิเคราะห์ข้อมูล

ประเด็นวิเคราะห์	แหล่งข้อมูล	วิธีวิเคราะห์	สถิติ / เทคนิคที่ใช้
คุณภาพการทำนายของโมเดล	ผลลัพธ์จาก ST-GCN + Transformer และ ground truth จากผู้เชี่ยวชาญ [1]	เปรียบเทียบผลทำนายกับค่าจริง	Accuracy, Precision, Recall, Correlation [1]
ความน่าเชื่อถือของ annotation	คะแนนจากผู้เชี่ยวชาญหลายท่าน [1]	วิเคราะห์ความสอดคล้องระหว่างผู้ประเมิน	Inter-rater reliability [1]
สมรรถนะของระบบ	ผลการทดสอบระบบบนอุปกรณ์ทั่วไป [1]	วิเคราะห์ประสิทธิภาพการประมวลผล	FPS, Latency [1]
ความสามารถในการใช้งาน	คะแนน SUS จากผู้ใช้ [1]	วิเคราะห์เชิงพรรณนาและเปรียบเทียบ	ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และสถิติเปรียบเทียบตามความเหมาะสม
พัฒนาการเชิงทักษะ	คะแนนก่อน–หลังหรือคะแนนระหว่างกลุ่ม [1]	วิเคราะห์ความแตกต่างของผลการฝึก	t-test หรือ ANOVA ตามแบบแผนการทดลอง
ข้อมูลเชิงคุณภาพ	แบบสัมภาษณ์และคำถามปลายเปิด [1]	วิเคราะห์เนื้อหา	Content analysis

จากตาราง 3.10 การวิเคราะห์ข้อมูลเชิงเทคนิคจะเน้นตรวจสอบความสามารถของแบบจำลองในการประเมินคุณภาพการเคลื่อนไหวเมื่อเทียบกับข้อมูลอ้างอิงจากผู้เชี่ยวชาญ ส่วนการวิเคราะห์ข้อมูลเชิงผู้ใช้จะเน้นประเมินว่า feedback และระบบที่พัฒนาขึ้นสามารถสนับสนุนการเรียนรู้และการใช้งานจริงได้มากน้อยเพียงใด[1]

3.8 สถิติที่ใช้ในการวิจัย

สถิติที่ใช้ในการวิจัยประกอบด้วยสถิติเชิงพรรณนาและสถิติอนุมาน สถิติเชิงพรรณนาใช้สำหรับสรุปลักษณะทั่วไปของกลุ่มตัวอย่างและผลการประเมินต่าง ๆ เช่น ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน ร้อยละ และค่ากลางอื่นที่เหมาะสม[1]

ส่วนสถิติอนุมานใช้ในการทดสอบความแตกต่างหรือความสัมพันธ์ของข้อมูล เช่น การเปรียบเทียบผลก่อนและหลังการใช้ระบบ การเปรียบเทียบผลระหว่างกลุ่มผู้ใช้ระบบต่างประเภท และการวิเคราะห์ความสัมพันธ์ระหว่างคะแนนจากแบบจำลองกับคะแนนจากผู้เชี่ยวชาญ ภาพรวมของสถิติที่ใช้สอดคล้องกับแผนการวิเคราะห์ข้อมูลในตาราง 3.10[1]

3.9 ประเด็นด้านจริยธรรมการวิจัย

เนื่องจากงานวิจัยนี้เกี่ยวข้องกับการเก็บข้อมูลวิดีโอการเคลื่อนไหวและข้อมูลการประเมินจากมนุษย์ ผู้วิจัยจึงต้องดำเนินการตามหลักจริยธรรมการวิจัยในมนุษย์อย่างเคร่งครัด ผู้เข้าร่วมทุกคนจะต้องได้รับข้อมูลเกี่ยวกับวัตถุประสงค์ ขั้นตอน ประโยชน์ ความเสี่ยงที่อาจเกิดขึ้น และสิทธิในการถอนตัวจากการวิจัยได้ทุกเมื่อ[1]

ข้อมูลส่วนบุคคลและข้อมูลวิดีโอจะถูกจัดเก็บอย่างปลอดภัย ใช้เพื่อวัตถุประสงค์ทางการวิจัยเท่านั้น และจะไม่เปิดเผยตัวตนของผู้เข้าร่วมในรายงานผลการวิจัย นอกจากนี้ เครื่องมือเก็บข้อมูลที่เกี่ยวข้องกับการยินยอมและการคุ้มครองข้อมูลได้ระบุไว้แล้วในตาราง 3.4 ซึ่งสะท้อนว่ามิติด้านจริยธรรมถูกผนวกเข้าไว้ในกระบวนการวิจัยตั้งแต่ต้น[1]

3.10 สรุปบท

บทนี้ได้นำเสนอระเบียบวิธีวิจัยของโครงการ TaijiFlow AI อย่างเป็นระบบ ครอบคลุมรูปแบบการวิจัย ประชากรและกลุ่มตัวอย่าง เครื่องมือวิจัย การตรวจสอบคุณภาพเครื่องมือ การเก็บรวบรวมข้อมูล วิธีดำเนินการวิจัย การวิเคราะห์ข้อมูล สถิติที่ใช้ และประเด็นด้านจริยธรรม โดยมีการสรุปสาระสำคัญผ่านตาราง 3.1 ถึงตาราง 3.10 เพื่อให้เห็นความเชื่อมโยงระหว่างวัตถุประสงค์ ข้อมูล เครื่องมือ และแผนการประเมินผลอย่างชัดเจน[1]

ระเบียบวิธีวิจัยดังกล่าวถูกออกแบบให้สอดคล้องกับเป้าหมายของการพัฒนาระบบที่สามารถวิเคราะห์การเคลื่อนไหวแบบอิสระได้อย่างแม่นยำ อธิบายเหตุผลของการประเมินได้ และนำไปใช้จริงในการสนับสนุนการฝึกมวยไท้เก๊กสกุลเฉินในบริบทการเรียนรู้ด้วยตนเอง[1]