คู่มือและแผนการเก็บรวบรวมข้อมูลชุดข้อมูลไท้เก๊ก (TaijiFlow Dataset Collection Guidelines)

เอกสารฉบับนี้จัดทำขึ้นเพื่อกำหนดมาตรฐานและคำแนะนำในการเก็บรวบรวมข้อมูลพิกัดร่างกาย (Dataset Collection) สำหรับโครงการดุษฎีนิพนธ์ TaijiFlow AI เพื่อใช้เป็นข้อมูลนำเข้าคุณภาพสูง (AI-ready Dataset) ในการฝึกสอนโมเดล Deep Learning และทวนสอบสมรรถภาพการเคลื่อนไหวในการวิจัยระยะที่ 1 และระยะที่ 4 ของโครงการ

---

1. รูปแบบท่ารำ (ยืนตรงผ่อนคลาย, ยืนย่อเข่า)

ในการเก็บรวบรวมข้อมูลพิกัดเพื่อความเสถียรของโมเดล AI และความปลอดภัยของอาสาสมัคร มีแนวทางในการจัดการสรีระชีวกลศาสตร์ (Biomechanics) ดังนี้:

1.1 ยืนตรงผ่อนคลาย (Standing High Stance) เป็นทางเลือกหลักสำหรับผู้สูงอายุ / ผู้เริ่มฝึก

• เหตุผลหลัก: ช่วยป้องกันแรงกดสะสมและถนอมข้อเข่าในกลุ่มผู้สูงอายุหรือผู้มีภาวะเข่าตึง ทรงตัวลำบาก โดยระบบยังคงสามารถตรวจสอบกฎแกนกลางกระดูกสันหลัง "จงติ้ง" (Central Equilibrium) และการถ่ายน้ำหนัก (Weight Shift) ได้ครบถ้วนผ่านกล้องในระดับแนวดิ่งที่สูงขึ้น
• แนวปฏิบัติ: ยืนทรงตัวตรง ศีรษะตั้งตรง ปล่อยข้อต่อสะโพกตามสบาย และผ่อนคลายหัวเข่าเล็กน้อย (ซงเข่า - ไม่เหยียดเข่าตึงสนิท)

1.2 ยืนย่อเข่าระดับกลาง/ต่ำ (Standing Low Stance) สำหรับผู้ใช้ทั่วไป / ผู้เชี่ยวชาญ

• เหตุผลหลัก: เพื่อสร้างแรงส่งจากล่างขึ้นบนตามหลักการส่งกำลังที่ถูกต้อง (Waist Initiation) และการหยั่งรากขาสองข้างอย่างสม่ำเสมอ
• แนวปฏิบัติ: ผู้ฝึกย่อระดับจุดศูนย์ถ่วงลงต่ำ (ท่านม้า หรือ ท่าก้าวธนู) ตามมาตรฐานของท่ารำแต่ละท่า โดยยังรักษาสมดุลแนวกระดูกสันหลังให้ขนานดิ่งแกนโลก

🚫 นั่งรำ (Seated) ตัดออกจากขอบเขตการเก็บข้อมูลหลัก (Excluded from Current RCT)

• เหตุผลหลัก: การนั่งรำจะไม่มีพิกัดความเคลื่อนไหวของข้อต่อท่อนล่าง (สะโพก ขา และเท้า) ซึ่งจะทำให้ฟังก์ชันการประเมินการทรงตัวและการถ่ายน้ำหนักทำงานไม่ได้ และการนำพิกัดท่านั่งมารวมในชุดข้อมูลเดียวจะสร้างอคติ (Bias) ให้กับโมเดล AI ในปัจจุบัน
• แนวปฏิบัติ: ห้ามนำข้อมูลท่านั่งไปบันทึกปนในชุดข้อมูล RCT ครั้งนี้โดยเด็ดขาด (หากต้องการพัฒนาสำหรับกลุ่มผู้ป่วยฟื้นฟูกายภาพในอนาคต จะต้องทำเป็นงานวิจัยแยกส่วนและฝึกโมเดลเฉพาะทางแยกต่างหาก)

💡 ข้อเสนอแนะในการบันทึกฐานข้อมูล (Database Schema Support)

ควรเก็บ Metadata ของระดับท่ารำในก้อนพิกัด JSON และตาราง training_sessions บนฐานข้อมูล โดยเพิ่มคีย์ดังนี้:

• stance_type: "standing_high" (ยืนตรงผ่อนคลาย) หรือ "standing_low" (ยืนย่อเข่า)
• camera_height: "eye_level" (ระดับสายตา) หรือ "chest_level" (ระดับอก)

---

2. ขอบเขตท่ารำ

ระบบประเมินไท้เก๊กของ TaijiFlow ออกแบบมาเพื่อวัดผลการฝึกซ้อมแบบเป็นขั้นเป็นตอน (Curriculum-based Learning) โดย โปรโตคอลการเก็บข้อมูลของโครงการนี้กำหนดให้ 1 เซสชัน = รำครบทั้ง 12 ท่าต่อเนื่องในครั้งเดียว ทำให้ทุกท่าได้รับจำนวนตัวอย่างที่เท่าเทียมกันโดยอัตโนมัติ (Class-balanced Dataset)

2.1 ท่ารำมือเดียว (Single-Hand Poses: ท่าที่ 1 - 4)

• ตัวอย่างท่า: หมุนมือขวาตามเข็ม (Right Hand CW), หมุนมือขวาทวนเข็ม (Right Hand CCW), หมุนมือซ้ายตามเข็ม, หมุนมือซ้ายทวนเข็ม
• เป้าหมาย: 50 - 75 Sessions ต่อท่า (เท่ากับท่าสองมือ — เนื่องจากอยู่ใน session เดียวกัน)
• ลักษณะเชิงเทคนิค:
  • เป็นท่าพื้นฐานสำหรับผู้เริ่มต้น มีองศาความเป็นอิสระ (Degrees of Freedom) ต่ำ ความแปรปรวนของท่ารำน้อยกว่า
  • การตรวจวิเคราะห์พิกัดมือเดียวผ่านกล้อง 2D Webcam มักไม่มีปัญหาข้อต่อบังกันเอง (No Joint Occlusion) ทำให้ได้ชุดข้อมูลที่สะอาดได้ง่าย
  • เหมาะสำหรับการนำมาทำลูปการประเมินเบื้องต้นและทดสอบความเที่ยงตรงของกฎ Rules 1 - 9

2.2 ท่ารำสองมือ (Double-Hand Poses: ท่าที่ 5 - 12)

• ตัวอย่างท่า: มือเมฆ (Cloud Hands), ท่าไขว้มือ (Hand-Crossing), ท่าดึงกลับ (Roll-Back) ทั้งแบบตามและทวนเข็มนาฬิกา
• เป้าหมาย: 50 - 75 Sessions ต่อท่า (เท่ากับท่ามือเดียว — เนื่องจากอยู่ใน session เดียวกัน)
• ลักษณะเชิงเทคนิค:
  • เป็นท่ารำระดับกลางถึงสูงที่เป็นหัวใจของแอปพลิเคชัน TaijiFlow และทดสอบกฎสำคัญอย่าง Rules 10 - 12 (สมมาตรแกนไหล่-สะโพก, ทิศทางสวนทางหยินหยาง, สัดส่วนความเร็วสองมือ และความต่างเฟส ${180}^{\circ }$)
  • มีความซับซ้อนสูงมากและมีโอกาสเกิดปัญหา พิกัดบดบังกันเอง (Skeleton Occlusion) เมื่อมือซ้าย-ขวาเคลื่อนตัดผ่านหน้าลำตัว
  • จำเป็นต้องมีข้อมูลที่หลากหลาย (Data Diversity) จากผู้ฝึกหลายสรีระและหลายความเร็ว เพื่อให้ AI สามารถเกลี่ยสัญญาณรบกวน (Smooth noise) และคาดการณ์วิถีโค้งของข้อมือได้อย่างแม่นยำ

NOTE

เนื่องจาก 1 session ครอบคลุม 12 ท่า จึงไม่มีความเสี่ยง Class Imbalance ระหว่างท่ามือเดียวและท่าสองมืออีกต่อไป ทุกท่ารำได้รับจำนวนตัวอย่างที่เท่าเทียมกันทุก session

---

3. มาตรฐานกระบวนการเก็บข้อมูล (Data Collection Protocol)

เพื่อให้ได้ชุดข้อมูลพิกัด (JSON Landmarks) ที่เสถียรและมีคุณภาพสูง ควรให้ทีมผู้ฝึกซ้อมทำตามแนวทางดังต่อไปนี้:

หัวข้อ	ข้อกำหนดมาตรฐาน	เหตุผลสนับสนุนด้านเทคนิค
ระยะห่างกล้อง	ห่างจากกล้อง 2.5 - 3.0 เมตร	เพื่อให้ MediaPipe มองเห็นทั้งร่างกายตั้งแต่ศีรษะจรดเท้า (Full-body Skeleton)
ระดับความสูงกล้อง	ระดับอกหรือข้อศอกของผู้รำ (Chest Level)	ป้องกันมุมมองมุมก้มหรือมุมเงย (Perspective Distortion) ที่ส่งผลต่อการวัดความลึก (Z-axis)
แสงสว่างของห้อง	แสงสว่างสม่ำเสมอ หลีกเลี่ยงแสงย้อน (Backlight)	แสงย้อนจะทำให้รายละเอียดข้อมือหายไป และพิกัดข้อมือ/นิ้วมือจะกระตุก (Jitter)
พื้นหลัง (Background)	พื้นหลังเรียบ ไม่มีผู้อื่นเดินผ่านในฉาก	ป้องกัน MediaPipe ไปตรวจจับพิกัดโครงกระดูกของบุคคลอื่นเข้ามาปน
ระยะเวลาต่อเซสชัน	1 ถึง 3 นาที ต่อการบันทึก 1 ครั้ง	ระยะแนะเก็บข้อมูลสูงสุด: แนะนำ 3 นาที (จุดสมดุลที่สุด) หรือ 1 นาที (สำหรับผู้เริ่มต้น/ผู้สูงอายุ) เพื่อหลีกเลี่ยงความเมื่อยล้าสะสมของร่างกาย (Muscle Fatigue) ในช่วงท้าย (เช่น นาทีที่ 4-5 ของแบบ 5 นาที) ซึ่งจะส่งผลให้พิกัดสั่นเพี้ยนปนเข้ามาใน Dataset และเพื่อคุมขนาดไฟล์ JSON ให้อยู่ในช่วงปลอดภัยประมาณ 1 - 2.5 MB ป้องกันระบบล่มหรืออัปโหลดล้มเหลว

NOTE

ข้อจำกัดเวลา 1-3 นาทีนี้บังคับใช้เฉพาะ "ขั้นตอนการเก็บข้อมูลต้นแบบจากผู้เชี่ยวชาญ (Dataset Collection)" เพื่อสร้าง Ground Truth ที่สะอาดที่สุด ส่วนระบบแอปพลิเคชันฝึกซ้อมจริงสำหรับผู้ใช้งาน (Practice App) จะยังคงสนับสนุนตัวเลือกปรับเวลาอิสระ (1, 3, 5, 10, 15 นาที) ตามปกติ

3.1 คำชี้แจงสำคัญ: ทำไมต้องคุมเรื่องแสงและเครื่องแต่งกายในการเก็บข้อมูล? (Technical Rationale)

มีความเข้าใจผิดบ่อยครั้งในการพัฒนา AI ว่า "ควรเก็บข้อมูลในสภาพแวดล้อมที่แย่ (เช่น แสงน้อย หรือเสื้อสีกลืนกับผนัง) เพื่อให้ AI เรียนรู้และทนทานขึ้น" แต่สำหรับระบบ TaijiFlow นั้นมีหลักการทำงานแตกต่างออกไปเนื่องจากใช้สถาปัตยกรรมแบบ 2-Step Pipeline:

1. Step 1 (MediaPipe - Image to Coordinates): แปลงภาพวิดีโอสดเป็นพิกัดตัวเลข 33 จุด (X, Y, Z) รันบนฝั่งเบราว์เซอร์
2. Step 2 (TaijiFlow AI Classifier - Coordinates to Skill Scoring): นำพิกัดตัวเลขที่เป็น Time-series (ไม่มีพิกเซลรูปภาพเหลืออยู่แล้ว) ไปวิเคราะห์ด้วยโมเดลที่เราจะเทรนในเฟส 3

IMPORTANT

โมเดล AI ที่เราจะเทรนในเฟส 3 จะเห็นเฉพาะตัวเลขพิกัดเท่านั้น ไม่ได้เห็นภาพจริง

• หากสภาพแวดล้อมการบันทึกแย่ (แสงมืด/เสื้อกลืนกับพื้นหลัง) MediaPipe (Step 1) จะตรวจจับเพี้ยนหรือพิกัดกระโดดอย่างรุนแรง
• การนำพิกัดที่เสีย (Jitter/Noisy landmarks) ไปใส่ในชุดข้อมูลสำหรับสอน (Training Set) จะทำให้ AI จำข้อมูลที่เพี้ยนนั้นเป็นรูปแบบการรำ ส่งผลให้โมเดลประเมินผลผิดพลาด
• สรุป: ในขั้นตอนการเก็บ Dataset เราจำเป็นต้องคุมสภาพแวดล้อมให้เหมาะสมที่สุด เพื่อให้ได้พิกัดโครงกระดูกที่ตรงกับสรีระจริงของผู้รำมากที่สุด (Clean Ground Truth Coordinates)

---

3.2 ข้อกำหนดเครื่องแต่งกายและแสงสว่างในการเก็บข้อมูล (Clothing & Lighting Standards)

เพื่อความเสถียรสูงสุดในการแปลงค่าพิกัด ให้กำหนดมาตรฐานผู้ฝึกขณะบันทึกข้อมูลดังนี้:

• เครื่องแต่งกาย (Clothing):
  • สีเสื้อผ้าตัดกับพื้นหลังอย่างชัดเจน: หลีกเลี่ยงเสื้อผ้าที่มีสีเดียวกันหรือกลมกลืนกับผนังห้อง (เช่น หากผนังสีขาว ไม่ควรสวมเสื้อขาวเด็ดขาด)
  • สวมเสื้อผ้ากระชับสัดส่วน: ไม่ควรสวมชุดไทเก๊กที่หลวมโคร่งหรือพองเกินไป เนื่องจากผ้าที่พริ้วและกว้างเกินจริงจะทำให้ MediaPipe ตรวจจับจุดข้อศอก เข่า และสะโพกคลาดเคลื่อนจากตำแหน่งจริง
  • หลีกเลี่ยงลวดลายสะท้อนแสงหรือลายตารางถี่: ลายดังกล่าวอาจทำให้การจับภาพของเว็บแคมเกิด Noise
• แสงสว่าง (Lighting):
  • แสงสว่างที่เพียงพอ (Well-lit): ควรเก็บข้อมูลในห้องที่มีแสงสว่างชัดเจน (เช่น แสงจากหลอดไฟทั่วไปในอาคาร หรือแสงธรรมชาติช่วงกลางวัน)
  • ไม่มีแสงน้อยหรือสลัว: สภาพแสงสลัวจะทำให้เฟรมเรตของกล้องตกลง (Camera shutter speed ช้าลง) ส่งผลให้เกิด Motion Blur เมื่อมีการขยับข้อมืออย่างรวดเร็ว และพิกัดจะหลุด
  • หลีกเลี่ยงแสงสะท้อนและเงาเข้ม: แสงที่แรงเกินไปจากด้านข้างจนเกิดเงาเข้มทับซ้อนบนร่างกาย จะทำให้คอมพิวเตอร์วิทัศน์สับสนจุดข้อต่อซ้าย-ขวาได้

---

3.3 อัตราการข้ามเฟรมของกล้องและการประเมินข้อมูล (Frame Throttling & Sampling Rate Dynamics)

ในการรวบรวม Dataset มีตรรกะทางสถาปัตยกรรมที่ผู้วิจัยและทีมบันทึกข้อมูลต้องทำความเข้าใจเกี่ยวกับความถี่ของเฟรมเรตและระยะเวลาฝึกซ้อม ดังนี้:

• การบันทึกและวิเคราะห์แบบข้ามเฟรม (Frame Skipping/Throttling):
  • ระบบเว็บแอปพลิเคชันไม่ได้ดึงและบันทึกทุก ๆ 30 เฟรมต่อวินาที (30 FPS) จากกล้องเว็บแคม แต่มีการทำ Frame Throttling เพื่อลดความละเอียดทางเวลาลงตาม Performance Mode (เช่น ข้าม 3 เฟรมใน Balanced Mode ทำให้ได้ประมาณ 7.5 FPS)
  • ทั้งการตรวจสอบ Heuristics และการบันทึกข้อมูลลงไฟล์ JSON จะประมวลผลบนเฟรมที่สกัดโครงร่างได้เรียบร้อยแล้วเท่านั้น
• ข้อดีต่อการเทรน AI ใน Phase 3:
  1. ลดความซ้ำซ้อนของข้อมูล (Data Redundancy Reduction): เนื่องจากท่ารำไทเก๊กขยับตัวช้ามาก (ประมาณ 10-15 วินาทีต่อ 1 วงรอบวง) การบันทึกที่ 30 FPS จะทำให้ได้ข้อมูลที่แทบไม่ต่างกันเลยในระยะประชิด การข้ามเฟรมจึงช่วยให้เหลือเฉพาะเฟรมที่มีประโยชน์จริง ๆ และล้างสถิติซ้ำซ้อนออกไป
  2. ความยาวลำดับที่เหมาะสม (Sequence Length Control): โมเดล LSTM หรือ Transformer มักประมวลผลลำดับข้อมูลได้จำกัด (เช่น ถ้า 15 วินาทีที่ 30 FPS = 450 เฟรม ซึ่งยาวเกินความจำเป็นและเสี่ยงต่อปัญหา Overfitting) การลดลงเหลือ 7.5 FPS จะทำให้ได้ความยาว sequence ที่มีคุณภาพเพียงประมาณ 100 เฟรม ซึ่งทำให้ AI จำและจับลักษณะการหมุนมือและท่วงท่าได้มีประสิทธิภาพสูงสุด
  3. ความทนทานต่ออุปกรณ์ (Device Invariance): AI จะได้เรียนรู้ข้อมูลที่มีความเร็วเชิงเวลาสม่ำเสมอ ไม่เบี่ยงเบนตามความเร็วของเบราว์เซอร์ผู้ใช้งาน
• เหตุผลการเลือกความยาวเซสชัน 1 หรือ 3 นาที (ไม่ใช่ 5 นาที):
  • ขจัดข้อมูลสั่นไหวจากความเมื่อยล้า (Muscle Fatigue Outliers): ท่ารำไทเก๊กแบบย่อเข่า (Bow Stance / 馬步) หากต้องรำต่อเนื่องนานถึง 5 นาที จะทำให้ผู้ฝึกเกิดความล้าสะสม กล้ามเนื้อเข่า/สะโพกจะเริ่มสั่นไหว และศีรษะจะเริ่มค่อมลง ซึ่งทำให้พิกัดโครงกระดูกในช่วง 2 นาทีสุดท้ายเพี้ยนไปจาก "สรีระที่ถูกต้องจริง" (Outlier Data) การจำกัดไว้ที่ 1-3 นาที จึงได้ข้อมูลที่มีคุณภาพสูงสุด (Clean Ground Truth)
  • ความปลอดภัยของขนาดไฟล์: อนุกรมเวลา 1-3 นาทีจะมีขนาดไฟล์ประมาณ 1-2.5 MB เท่านั้น ทำให้เซสชันถูกอัปโหลดขึ้น Supabase Storage ได้อย่างรวดเร็วและปลอดภัยจากการส่งข้อมูลขาดหาย (Network timeout)

---

3.4 ระเบียบวิธีจำแนกท่วงท่าแบบรำอิสระเชิงปฏิบัติ (Sliding Window Inference)

เพื่อหลีกเลี่ยงความซับซ้อนในการเก็บข้อมูลและการติดป้ายกำกับรายเฟรมด้วยมือ (Manual Temporal Segmentation) ซึ่งใช้เวลานานและเสี่ยงต่อความล่าช้าของงานวิจัย งานวิจัยนี้จะใช้เทคนิค "การแบ่งส่วนข้อมูลอัตโนมัติควบคู่กับการประเมินแบบหน้าต่างเลื่อน" (Auto-Segmentation & Sliding Window Inference):

• การจัดเตรียมข้อมูลจดจำท่ารำโดยไม่ต้องบันทึกรอบสอง (Zero-Labeling Overhead):
  • ผู้เชี่ยวชาญทำบันทึกข้อมูลเฉพาะ "แบบแยกทีละท่ารำ" (Per-Pose) ความยาวเซสชันละ 1-3 นาทีตามปกติ (ไม่ต้องมีเซสชันรำสลับท่าต่อเนื่องในการรวบรวม Dataset)
  • ผู้วิจัยจะใช้คำสั่ง Python Script ทำการ หั่นข้อมูลอัตโนมัติ (Auto-Segmentation) โดยตัดแบ่ง JSON ไฟล์รำเดี่ยวความยาว 3 นาทีออกเป็นท่อนย่อยเชิงเวลา (Temporal Windows) ท่อนละ 1.5 - 2.0 วินาที
  • ชิ้นส่วนย่อยเหล่านี้จะถูกติดป้ายกำกับประเภทท่ารำ (เช่น "cloud_hands", "seated_single_hand") ให้โดยอัตโนมัติตามชื่อไฟล์หลัก เพื่อนำไปใช้เป็นชุดข้อมูลสำหรับฝึกสอน (Train) ตัวจำแนกท่าทาง
• กลไกการจำแนกประเภทแบบ Sliding Window (Inference):
  • ระหว่างการรำจริงในแอปพลิเคชัน (Free-form Practice) ระบบจะเก็บข้อมูลพิกัดสะสมย้อนหลัง 1.5 - 2.0 วินาทีล่าสุด
  • ส่งชิ้นส่วนพิกัดสั้นๆ นี้เข้าสู่โมเดลจำแนกท่าทางตัวจิ๋ว (Lightweight Action Classifier - เช่น Simple ST-GCN หรือ MLP) เพื่อทำนายว่าผู้เรียนกำลังทำท่ารำใดในจังหวะนั้น
  • เมื่อตรวจพบท่ารำที่เปลี่ยนไป ระบบจะสลับไปเรียกใช้ชุด Heuristic Rules 12 ข้อที่สอดคล้องกับท่านั้นๆ โดยอัตโนมัติทันที
• ประโยชน์เชิงระเบียบวิธีวิจัย:
  • 🟢 ลดภาระงานลงอย่างมีนัยสำคัญ: ปราศจากการนั่งลงรายละเอียดเฟรม (Start/End) ด้วยมือของผู้วิจัยและผู้เชี่ยวชาญ ทำให้ทำงานได้สำเร็จรวดเร็วขึ้น
  • 🟢 มีความน่าเชื่อถือทางวิทยาศาสตร์: สอดคล้องกับมาตรฐานการใช้งานจริงในทางปฏิบัติที่เน้นประสิทธิผลระดับเวลาจริง (Real-time Efficiency)

---

4. ข้อกำหนดประชากรและสัดส่วนกลุ่มเป้าหมาย (Participant Demographics & Distribution)

เพื่อให้ชุดข้อมูลครอบคลุมความหลากหลายทางสรีระและสามารถประเมินความแตกต่างของทักษะ (Skill Classification) ได้อย่างครอบคลุมและมีนัยสำคัญทางสถิติ จึงกำหนดข้อกำหนดของผู้เข้าร่วมวิจัย (Participants) และสัดส่วนการเก็บข้อมูลดังนี้:

4.1 จำนวนผู้เข้าร่วมวิจัยและการกระจายระดับทักษะ (Sample Size & Skill Level)

กำหนดเป้าหมายเก็บข้อมูลจากผู้เข้าร่วมจำนวน 20 - 30 คน โดยแบ่งตามระดับทักษะ (Skill Levels) ดังนี้:

1. ระดับเริ่มต้น (Beginner - L1) [สัดส่วน 30% / ~6-9 คน]:
   • คำนิยาม: ผู้ฝึกใหม่ หรือผู้ที่ไม่เคยมีประสบการณ์มวยไทเก๊กมาก่อน (หรือฝึกมาน้อยกว่า 6 เดือน)
   • บทบาทใน Dataset: เพื่อรวบรวมตัวอย่างพิกัดร่างกายที่มีข้อผิดพลาดทั่วไป (Negative Samples) เช่น ลำตัวเอียง ข้อศอกลอย น้ำหนักไม่ถ่ายเท สำหรับให้ AI เรียนรู้ลักษณะท่วงท่าที่ไม่ถูกต้อง
2. ระดับกลาง (Intermediate - L2) [สัดส่วน 40% / ~8-12 คน]:
   • คำนิยาม: ผู้ฝึกทั่วไปที่จดจำท่วงท่าและโครงสร้างหลักได้ มีประสบการณ์ฝึกซ้อม 6 เดือน ถึง 3 ปี
   • บทบาทใน Dataset: เพื่อเก็บความหลากหลายของจังหวะ ความสม่ำเสมอ และข้อผิดพลาดเล็ก ๆ น้อย ๆ ที่อยู่กึ่งกลาง
3. ระดับเชี่ยวชาญ (Expert/Instructor - L3) [สัดส่วน 20% - 30% / ~3-5 คน]:
   • คำนิยาม: อาจารย์ผู้สอนมวยไทเก๊ก หรือผู้ฝึกที่มีประสบการณ์สูงมากกว่า 3 ปีขึ้นไป (กลุ่มตัวอย่างนี้สามารถรวมตัวผู้วิจัยหลักที่มีคุณสมบัติและประสบการณ์ตรงตามเกณฑ์ร่วมเป็น 1 ในผู้เข้าร่วมกลุ่มรำต้นแบบได้ โดยมีการควบคุมอคติด้วยการประเมินคะแนนแบบปกปิดตัวตนโดยผู้ประเมินร่วมภายนอก)
   • บทบาทใน Dataset: เพื่อทำหน้าที่เป็น "ข้อมูลอ้างอิงต้นแบบที่ดีที่สุด" (Positive/Ideal Templates) ในการวิเคราะห์และประเมินคุณภาพเชิงชีวกลศาสตร์ (เนื่องจากอาจารย์ผู้เชี่ยวชาญมวยสกุลเฉินในเชิงปฏิบัติมีจำนวนจำกัด การใช้ผู้เชี่ยวชาญจำนวน 3 - 5 คนถือว่าเพียงพอทางวิชาการ โดยใช้วิธีเพิ่มจำนวนรอบการบันทึกทดแทน)

4.2 ข้อมูลประชากรศาสตร์ (Demographic Diversity)

• เพศ (Gender): กำหนดสัดส่วนชายและหญิงอย่างละประมาณกึ่งหนึ่ง (ชาย 50% / หญิง 50% หรือใกล้เคียง) เพื่อให้สอดคล้องกับความแตกต่างด้านสัดส่วนโครงสร้างสรีระ (Anthropometric differences) และขจัดอคติด้านเพศของโมเดล AI ในการประมวลผลความยาวกระดูก
• ช่วงอายุ (Age Range): ครอบคลุมผู้เข้าร่วมอายุระหว่าง 18 - 65 ปี เพื่อยืนยันว่าระบบประเมิน AI สามารถทำงานได้อย่างเที่ยงตรงไม่ว่าจะใช้กับกลุ่มวัยรุ่น วัยทำงาน หรือกลุ่มผู้สูงอายุที่ใช้รำเพื่อการฟื้นฟูสุขภาพ
• ความหลากหลายด้านส่วนสูง (Height Diversity): ครอบคลุมช่วงส่วนสูงที่หลากหลายอย่างสมดุล (เช่น 150 - 185 ซม.) เพื่อทวนสอบความน่าเชื่อถือและประสิทธิภาพการทำงานข้ามขนาดสรีระร่างกายที่แตกต่างกันของระบบ (Scale-invariance Verification)
• ความหลากหลายด้านน้ำหนักและรูปร่าง (Weight/BMI Diversity): คัดเลือกอาสาสมัครที่มีค่าดัชนีมวลกายและน้ำหนักตัวแตกต่างกัน (ผอม, สมส่วน, น้ำหนักเกิน) เพื่อศึกษาและทวนสอบความเที่ยงของแบบจำลองในการทำนายพิกัดข้อต่อภายใต้การบดบังของเนื้อหรือเสื้อผ้าตัวหนา (Self-occlusion robustness)
• ข้อมูลประวัติที่ต้องจัดเก็บ (Required Demographic Metadata):
  • รหัสผู้เข้าร่วม (Participant ID) เพื่อปกปิดตัวตนเชิงจริยธรรมการวิจัย (เช่น P01 - P30)
  • เพศ, อายุ
  • ส่วนสูง (Height - ซม.) และน้ำหนัก (Weight - กก.) -> สำคัญมากสำหรับใช้ประมวลผลในโมดูลสเกลพิกัดสรีระ (T-Pose Scaling)
  • ประสบการณ์ฝึกซ้อม (จำนวนปี/เดือน)
  • มือข้างที่ถนัด (Dominant Hand)

4.3 ข้อกำหนดจำนวนเซสชันต่อผู้เข้าร่วม (Sessions per Participant)

เนื่องจากโปรโตคอลกำหนดให้ 1 เซสชัน = รำครบทั้ง 12 ท่าต่อเนื่อง จำนวนเซสชันของผู้เข้าร่วมจึงเท่ากับจำนวนตัวอย่างที่ทุกท่าได้รับโดยตรงและเท่าเทียมกัน:

• จำนวนเซสชันต่อคน (Sessions per Participant):

  • กลุ่ม L1 (Beginner) และ L2 (Intermediate): บันทึกคนละ 3 เซสชัน (เพดานสูงสุด ไม่เกิน 5 เซสชัน เพื่อป้องกัน Demographic Weight Bias ที่ข้อมูลเอียงไปยังสรีระของบุคคลใดบุคคลหนึ่ง)
  • กลุ่ม L3 (Expert/Instructor): บันทึกคนละ 5 เซสชัน (เพดานสูงสุด ไม่เกิน 10 เซสชัน เพื่อรักษาสมดุลน้ำหนักของฐานข้อมูลเชิงอ้างอิง)

• สูตรคำนวณขนาดข้อมูล (ทุกท่าเท่ากัน):

  $$\text{กลุ่ม L1/L2 ( 17-25 คน)}\times \text{3-5 session}+\text{กลุ่ม L3 ( 3-5 คน)}\times \text{5-10 session}=\mathbf{51}\mathbf{-}\mathbf{175}\text{ sessions/ท่า (ทั้ง 12 ท่าเท่ากัน)}$$

  เมื่อประยุกต์ Auto-segmentation (window ละ 1.5-2.0 วินาที ที่ 7.5 FPS ≈ 11-15 เฟรม/window) จากเซสชันความยาว 1-3 นาทีต่อท่า จะได้จำนวน sequences ประมาณ:

  $$75\text{ sessions}\times 80\text{ windows/session}=\sim \mathbf{6,000}\text{ sequences/ท่า}\times 12\text{ ท่า}=\sim \mathbf{72,000}\text{ sequences รวม}$$

  ซึ่งเพียงพอสำหรับการฝึก Lightweight Classifier และสูงกว่าเป้าหมายขั้นต่ำ ($\ge \mathrm{1,200}$ raw sessions) อย่างมีนัยสำคัญ

• การป้องกันความล้า (Fatigue Management):

  • เนื่องจาก 1 session ครอบคลุม 12 ท่า × 3 นาที/ท่า ใช้เวลาฝึกจริง 36 นาที จึงแบ่งโครงสร้างการพักออกเป็น 3 กลุ่ม กลุ่มละ 4 ท่า พร้อมพักยาว 2 ครั้ง:

  ช่วง	เนื้อหา	เวลา
  กลุ่มที่ 1	ท่าที่ 1-4 (มือเดียว) + พักย่อย 1 นาที ×3 ครั้ง	15 นาที
  พักยาวครั้งที่ 1	หยุดพัก / ดื่มน้ำ / ยืดเหยียด	5 นาที
  กลุ่มที่ 2	ท่าที่ 5-8 (สองมือ ระดับกลาง) + พักย่อย 1 นาที ×3 ครั้ง	15 นาที
  พักยาวครั้งที่ 2	หยุดพัก / ดื่มน้ำ / ยืดเหยียด	5 นาที
  กลุ่มที่ 3	ท่าที่ 9-12 (สองมือ ระดับสูง) + พักย่อย 1 นาที ×3 ครั้ง	15 นาที
  รวมทั้งหมด		≈ 55 นาที (ไม่เกิน 1 ชั่วโมง)

  • เหตุผลที่แบ่ง 4+4+4 แทน 6+6: ช่วง 15 นาทีต่อกลุ่มช่วยป้องกันความเมื่อยล้าของกล้ามเนื้อขาล่างก่อนเข้าสู่ท่าสองมือระดับสูง (ท่า 9-12) เหมาะสมโดยเฉพาะสำหรับกลุ่ม L1 และผู้สูงอายุ
  • ลำดับท่าที่กำหนดตายตัว (Fixed Order 1→12): ระบบล็อคลำดับเสมอเพื่อควบคุม Order Effect และให้เปรียบเทียบข้ามผู้เข้าร่วมได้อย่างเที่ยงตรง ระบบแอปจะแสดงชื่อท่าปัจจุบัน นับถอยหลังเวลาพักย่อย และแสดงหน้าจอพักยาวชัดเจนทั้ง 2 ครั้งโดยอัตโนมัติ

4.4 รูปแบบและขั้นตอนในการบันทึกข้อมูลทางปฏิบัติ (Data Collection Protocol)

เพื่ออำนวยความสะดวกแก่อาสาสมัคร ลดภาระการเดินทาง (Participant Burden) และจำกัดการนัดหมายที่ทำได้ยาก โครงการนี้จึงกำหนดใช้ "ระเบียบวิธีการบันทึกแบบผสมผสานออนไลน์ (Hybrid Online Data Collection Protocol)" เป็นมาตรฐานเพียงหนึ่งเดียวสำหรับกลุ่ม L1 และ L2 โดยแบ่งลำดับขั้นดังนี้:

ขั้นตอนการบันทึกข้อมูล (Hybrid Online Flow):

1. ครั้งที่ 1 (In-person Controlled Baseline) [ณ ห้องปฏิบัติการ]: อาสาสมัครเดินทางมาพบผู้วิจัยที่ห้องปฏิบัติการที่มีการควบคุมแสงไฟและตำแหน่งกล้อง เพื่อชี้แจงจริยธรรม ลงทะเบียนสัดส่วน และบันทึกเซสชันแรก (Session 1) ครบทั้ง 12 ท่ารำโดยมีผู้วิจัยควบคุมการทำงาน พร้อมทั้งฝึกหัดทดลองใช้งานระบบ Calibrate เบื้องต้น
2. ครั้งที่ 2 และ 3 (Online Remote Sessions) [จากที่บ้าน]: อาสาสมัครเข้าสู่ระบบเพื่อบันทึกเซสชันที่เหลือ (Session 2 และ 3) จากสถานที่และมุมกล้องของตนเอง ผ่านทางเว็บแอปพลิเคชันออนไลน์ของ TaijiFlow

• การควบคุมคุณภาพข้อมูลฝั่งออนไลน์ (Data Quality Control):
  • Enforced App Calibration: ระบบออนไลน์ของแอปพลิเคชันจะบังคับสเต็ปตรวจสอบมุมกล้อง (visibility > 0.60) และตรวจวัดความสว่างของแสงในห้องจริง (calculatePixelBrightness > 60) เสมอก่อนกดเริ่มรำและส่งพิกัดข้อต่อ
  • ความเที่ยงตรงเชิงธรรมชาติ (Ecological Validity): การเปิดช่องทางให้รำจากที่บ้านช่วยยืนยันความทนทาน (Robustness) ของอัลกอริทึมวิเคราะห์พิกัด AI นอกห้องแล็บ ซึ่งช่วยสร้างมิติความเป็นไปได้ในการประยุกต์ใช้งานจริง (Real-world usability) ปริญญาเอก
  • การปรับพิกัดสัดส่วน: ข้อมูลพิกัดจากบ้านจะถูกนำมาคำนวณปรับแต่งความกว้างและสเกลด้วย T-Pose Scaling ทันทีที่อัปโหลดขึ้นสู่ Supabase เพื่อขจัดผลกระทบของขนาดห้องและระยะตัวตนที่ต่างกันในแต่ละบ้านให้เท่าเทียมกัน

4.5 วิธีการแบ่งข้อมูลเพื่อตรวจสอบความเที่ยงตรงของโมเดล (Subject-wise Split Strategy)

เพื่อป้องกันการเกิดปัญหา ข้อมูลสรีระรั่วไหล (Data Leakage) ซึ่งเกิดจากระบบนำข้อมูลเฟรมพิกัดของอาสาสมัครคนเดียวกันไปกระจายปนอยู่ในทั้งชุดข้อมูลฝึกสอน (Training Set) และชุดข้อมูลทดสอบ (Testing Set) โครงการดุษฎีนิพนธ์นี้จะควบคุมการแบ่งกลุ่มข้อมูลในการทวนสอบความเที่ยงตรงของแบบจำลองแบบ Subject-wise Split (หรือ Leave-One-Subject-Out: LOSO Cross-validation) อย่างเคร่งครัด

• หลักปฏิบัติ: ในการแบ่งพับข้อมูล (Cross-validation folds) ชุดข้อมูลพิกัดทั้งหมดของอาสาสมัครคนใดคนหนึ่งจะถูกแบ่งแยกออกไปเป็นชุดทดสอบ (Testing Fold) ทางโครงสร้างทั้งหมดแต่เพียงผู้เดียว โดยไม่มีส่วนหนึ่งส่วนใดของข้อมูลสรีระบุคคลนั้นไปปรากฏในชุดฝึกสอน (Training Fold) เพื่อรับประกันความสามารถของปัญญาประดิษฐ์ในการประเมินผลจลนศาสตร์กับบุคคลภายนอกที่ไม่เคยผ่านการฝึกโมเดลมาก่อนได้อย่างแม่นยำและไม่ลำเอียง

4.6 การขยายปริมาณข้อมูลโดยการสะท้อนกลับซ้าย-ขวา (Symmetrical Mirror Augmentation)

เพื่อเพิ่มประสิทธิภาพความคุ้มค่าของการเก็บข้อมูล ลดภาระการคัดสรรอาสาสมัครเพิ่มเติม และเพิ่มความหลากหลายของการฝึกสอนโมเดลระบบคอมพิวเตอร์วิทัศน์:

• หลักการทำงาน: โครงการวิจัยใช้เทคนิคการจำลองข้อมูลแบบกระจกเงาสะท้อน (Mirror Augmentation) โดยแปลงพิกัด 3D ข้อต่อจากภาพต้นฉบับแนวนอนกลับด้านด้วยสูตรคณิตศาสตร์:$$X_{\text{mirrored}}=1.0-X$$พร้อมจับคู่สลับชื่อจุดพิกัดฝั่งซ้ายและขวาออกจากกัน (เช่น สลับข้อมือซ้ายเป็นขวา, เข่าซ้ายเป็นขวา)
• ประโยชน์เชิงวิชาการ: อัลกอริทึมนี้จะแปลงท่ารำมือขวาตามเข็มนาฬิกาเป็นท่ารำมือซ้ายทวนเข็มนาฬิกาได้อย่างสมบูรณ์แบบตามหลักกายวิภาคธรรมชาติ (Anatomically Natural) ซึ่งช่วยขยายจำนวนชุดข้อมูลจาก ~72,000 sequences ขึ้นเป็น ~144,000 sequences ได้ทันทีโดยอัตโนมัติ ทำให้โมเดล AI จดจำโครงสร้างร่างกายได้ทั้งแบบคนถนัดขวาและถนัดซ้ายโดยไม่ต้องสรรหาอาสาสมัครจำนวนเพิ่มขึ้น

4.7 สถาปัตยกรรมประเมินแบบแยกหน้าที่ (Divergent Evaluation Architecture: Classification vs. Heuristic Rules)

การออกแบบเชิงวิศวกรรมระบบ TaijiFlow AI ได้กำหนดการสลายภารกิจออกเป็น 2 โมดูลย่อยที่มีหน้าที่ต่างกันโดยสิ้นเชิง เพื่อขจัดปัญหาความจำเป็นในการจัดทำข้อมูลท่ารำผิด (Negative Samples) ปริมาณมหาศาล:

1. โมดูลวิเคราะห์ท่ารำ (Pose Classifier - Machine Learning): มีหน้าที่ตรวจจับและทำนายประเภทของท่ารำย่อยใน 12 ท่า (เช่น จำแนกว่านี่คือท่ามวยใด) โดยใช้โครงข่ายประสาท (MLP/ST-GCN) ที่เทรนขึ้นจากเฟสที่ 1 ซึ่งการจดจำรูปทรงภาพใหญ่นี้แม้ว่าผู้ฝึกใหม่จะรำเอียงหรือเข่าสั่น ตัวโมเดล AI ก็ยังคงระบุได้ถูกต้องว่าเป็นท่ารำใด ส่งผลให้ความจำเป็นในการจูนข้อมูลผิดปกติแบบตั้งใจ (Simulated/Acted Errors) ลดลงเหลือน้อยมาก
2. โมดูลประเมินความถูกต้อง (Biomechanical Evaluation - Heuristic Rule Engine): เมื่อระบบระบุชื่อท่าฝึกได้จากข้อที่ 1 แล้ว แอปพลิเคชันจะดึงสูตรคณิตศาสตร์ของกฎชีวกลศาสตร์ (Heuristic Rules) มาประเมินองศา ระยะ และความสม่ำเสมอทันทีด้วยสมการตายตัว เช่น คำนวณความเสถียรศีรษะ หรือมุมดิ่งของข้อเข่า-ข้อเท้า

• ความน่าเชื่อถือทางวิจัย: วิธีการนี้ช่วยรับประกันความเที่ยงตรง (Mathematical Rigor) ในการตัดสินคะแนน เนื่องจากใช้กฎจลนศาสตร์ที่พิสูจน์ได้ตามหลักฟิสิกส์ ไม่สุ่มเสี่ยงต่อความไม่แน่นอนหรืออคติที่โมเดลปัญญาประดิษฐ์ (Deep Learning) อาจตัดสินคะแนนคลาดเคลื่อนจากผลลัพธ์ของข้อมูลที่ไม่สมดุล (Imbalanced Data)

---

5. กระบวนการตรวจสอบคุณภาพข้อมูลอัตโนมัติ (Data Quality Pipeline)

เมื่อเก็บรวบรวมข้อมูลผ่านระบบหน้าเว็บเสร็จแล้ว ก่อนจะนำข้อมูลไปใช้ฝึกโมเดล AI ในเฟสที่ 3 ให้รันตรวจสอบคุณภาพด้วยสคริปต์ Python ที่เตรียมไว้ดังนี้:

1. ตรวจสอบความพร้อมของเซสชันที่อัปโหลดเข้าคลาวด์:

   python3 research/validate_dataset.py --cloud --limit 100

2. ตรวจสอบคุณภาพไฟล์เฉพาะโฟลเดอร์ในเครื่องโลคอล:

   python3 research/validate_dataset.py --path research/datasets/

สคริปต์จะทำการคัดกรองเฟรมที่มีพิกัดเสีย (NaN, null), นับจำนวนข้อต่อต้องครบ 33 จุด, เช็คว่าทศนิยมถูกบีบเหลือ 4 ตำแหน่ง และยืนยันความพร้อมในการนำเข้าแปลงเป็น NumPy Array รูปทรง (N, 33, 4) ทันที

---

6. แนวปฏิบัติและการป้องกันพิกัดพังเมื่อใช้งานจริง (Real-World Deployment & UX Guidelines)

ในการเปิดบริการให้ผู้ใช้ภายนอกใช้งานจริง (Production) ทางโครงการมีข้อแนะนำทั้งทางฝั่ง User Interface (UI/UX) และฝั่ง อัลกอริทึม (Algorithms) เพื่อลดปัญหาแสง/สีเสื้อผ้าลง ดังนี้:

6.1 การออกแบบฝั่ง UI/UX เพื่อเตรียมความพร้อมผู้ใช้

เพื่อป้องกันไม่ให้ผู้ใช้งานยืนรำในมุมหรือสภาพแวดล้อมที่มืดเกินไปจนระบบพัง ควรทำระบบช่วยเหลือการตั้งค่ากล้องก่อนเริ่มฝึก (Calibration Page):

1. Camera Setup Checklist: แสดงคำแนะนำสั้น ๆ ด้วยภาพก่อนการเริ่มจับเวลา เช่น "สวมเสื้อที่สีตัดกับพื้นหลัง", "รำในห้องที่มีแสงสว่างเพียงพอ" และ "ถอยห่างจนมองเห็นเข่าและข้อเท้า"
2. Skeleton Tracking Status: บนหน้าเว็บแอป ให้แสดงโครงกระดูกจำลอง (Overlay Skeleton) วาดทับบนตัวผู้ใช้แบบ Real-time พร้อมแสดงสัญลักษณ์สีเพื่อบอกความเสถียร:
   • สีเขียว: พิกัดมั่นคง ตรวจจับได้ครบ
   • สีแดง: มีพิกัดบางจุดสั่นหรือหาไม่พบ (แนะนำให้ผู้ใช้ขยับมุมกล้องหรือเพิ่มไฟ)

6.2 การตรวจจับคุณภาพพิกัดแบบ Real-time (Confidence Thresholding)

ในวัตถุพิกัดของ MediaPipe Pose จะส่งค่า visibility (ค่าความเชื่อมั่นในการตรวจจับข้อต่อ อยู่ระหว่าง 0 ถึง 1) กลับมาด้วย

• ตรรกะในระบบ: หากพบว่าค่า visibility เฉลี่ยของจุดข้อต่อหลัก (ข้อมือ ซอก ไหล่ สะโพก ข้อเท้า) ต่ำกว่า 0.60 เกิน 15 เฟรมติดต่อกัน ให้แอปพลิเคชันขึ้นคำเตือนบนหน้าจอทันที เช่น "แสงสว่างน้อยเกินไป หรือระยะกล้องไม่เหมาะสม กรุณาปรับแสงสว่างก่อนฝึกซ้อม"

6.3 การทำความสะอาดข้อมูลแบบ Real-time ในเบราว์เซอร์ (Algorithmic Filtering)

แม้ห้องของผู้ใช้จะมีแสงน้อยหรือเกิดเงาทับซ้อน เราสามารถลดอาการกระตุกของเส้นโครงกระดูกได้โดยใช้ฟิลเตอร์กรองสัญญาณรบกวนในไฟล์ JS:

1. One Euro Filter / Exponential Moving Average (EMA):
   • นำตัวเลขพิกัดที่ผ่านเข้ามารันผ่าน EMA เพื่อเกลี่ยจุดสะดุดชั่วคราวให้มีความนุ่มนวลขึ้น
   • ปรับตั้งค่า $\alpha$ (ความหน่วง) ให้สัมพันธ์กับความสม่ำเสมอของจังหวะรำไทเก๊กที่ปกติจะเคลื่อนไหวช้าและนุ่มนวล
2. Missing Keypoint Interpolation (การเติมเต็มจุดที่หายไปชั่วคราว):
   • หากมีบางเฟรมที่มือหมุนตัดผ่านลำตัวจนเกิดเงาและมือหลุดไป 2-3 เฟรม ให้ใช้ค่าพิกัดในเฟรมก่อนหน้าและเฟรมถัดมารันหาค่ากลาง (Linear/Spline Interpolation) แทนการโยนค่าพิกัดกระเด็นไปขอบจอ เพื่อให้ AI ฝั่งประเมินผลเห็นเส้นทางที่ต่อเนื่องกัน

---

7. ระบบโหมดเก็บข้อมูลวิจัยอัตโนมัติและการจัดกลุ่มอัจฉริยะ (Automated Research Mode & Grouping System)

เพื่อลดความเสี่ยงในการจัดเตรียมข้อมูลและการทำงานหลังบ้านของผู้วิจัย ระบบหน้าเว็บแอปพลิเคชันได้รับการติดตั้ง "ระบบโหมดเก็บข้อมูลวิจัยแบบล็อคสิทธิ์และจัดกลุ่มอัตโนมัติ" โดยมีแนวทางการควบคุมดังนี้:

7.1 การระบุสิทธิ์และลงทะเบียนอัตโนมัติ (Access Code Mapping)

อาสาสมัครสามารถล็อกอินและสแกน QR Code เข้าสู่กลุ่มข้อมูลเฉพาะทางผ่านรหัสความปลอดภัยของหน้าสมัครใช้งาน (Sign Up Options):

• รหัสสมัคร TAIJI_DATA_2026: สำหรับกลุ่มเก็บข้อมูลสร้าง Dataset ในระยะที่ 1 ระบบจะตั้งค่าฟิลด์ research_group ในตาราง users เป็น 'data_collection' และบังคับเปลี่ยนหน้ากากแอปเข้าสู่ Research Mode อัตโนมัติทันทีที่ลงทะเบียนหรือล็อกอินเข้าสู่ระบบ
• รหัสสมัคร TAIJI_EXP_2026: สำหรับอาสาสมัครกลุ่มทดลองเฟส 4 RCT (research_group: 'experimental') ที่ฝึกซ้อมพร้อมเส้นกระดูกฟีดแบ็ก AI
• รหัสสมัคร TAIJI_CTRL_2026: สำหรับอาสาสมัครกลุ่มควบคุมเฟส 4 RCT (research_group: 'control') ที่ฝึกแบบปิดระบบประเมิน AI

7.2 ระบบกรอกข้อมูลอัตโนมัติผ่าน QR Code (URL Parameter Auto-fill)

ผู้วิจัยสามารถสแกนหรือส่งลิงก์ที่มีตัวแปรต่อท้ายในรูปแบบ https://ai.taijiflow.org/app.html?code=TAIJI_DATA_2026 เมื่อผู้ใช้เปิดหน้าเว็บ:

1. ตัวเว็บจะตรวจจับตัวแปร code ใน Query Parameter และนำไปบันทึกลงหน่วยความจำเบราว์เซอร์
2. สลับแท็บไปที่หน้าสมัครสมาชิก (Sign Up) ให้อัตโนมัติโดยที่ผู้ใช้ไม่ต้องกดสลับเอง
3. ป้อนรหัส Access Code ลงกล่องข้อความทันทีพร้อมตั้งสิทธิ์ป้องกันการแก้ไข (readonly) เพื่อป้องกันผู้ใช้พิมพ์รหัสผิดพลาด

7.3 การเปรียบเทียบเพดานเป้าหมายเซสชันแบบไดนามิก (Dynamic Sessions Constraints)

เมื่อเข้าสู่โหมดเก็บข้อมูลวิจัยอัตโนมัติ (Research Mode) ตัวแอปพลิเคชันจะเช็คระดับผู้ฝึกสอนหรืออาสาสมัครจากตารางฐานข้อมูลและควบคุมพฤติกรรมบน UI ดังนี้:

กลุ่มเป้าหมาย	ระดับที่เช็คในโปรไฟล์	เป้าหมายหลัก (Target)	เพดานสูงสุด (Max Limit)	พฤติกรรมแสดงบน Dashboard UI
กลุ่มอาสาสมัครทั่วไป	L1 / L2	3 เซสชัน	5 เซสชัน	แสดงผล 1 / 3 (มีคำอธิบายให้ทำเซสชันเสริมออนไลน์ได้สูงสุด 5 รอบ)
กลุ่มผู้เชี่ยวชาญ/ครูฝึก	L3 / Expert / Admin	5 เซสชัน	10 เซสชัน	แสดงผล 1 / 5 (มีคำอธิบายให้ทำเซสชันเสริมอ้างอิงสูงสุด 10 รอบ)

• กลไกการจบท่วงท่าวิจัย: เมื่ออาสาสมัครฝึกจบแต่ละเซสชันหลัก ระบบจะมีเสียงสังเคราะห์และป๊อปอัปแจ้งความยินดีระบุตัวเลขเซสชัน หากรำครบเป้าหมายหลักจะเชิญชวนให้ทำเซสชันเสริมออนไลน์ได้ต่อตามใจสมัคร และจะปิดรับข้อมูลเมื่ออาสาสมัครทำจนครบเพดานสูงสุด (Max Limit) เพื่อความสมบูรณ์ในการคุมสถิติวิจัยเชิงวิชาการ