EF Predict — พยากรณ์ความเสี่ยงพัฒนาการ EF ในเด็กปฐมวัย
เครื่องมือ Machine Learning ที่ช่วยศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลคัดกรองความเสี่ยงด้านทักษะสมอง EF (Executive Function) ตั้งแต่ปฐมวัย เพื่อส่งต่อการดูแลก่อนปัญหาพัฒนาการจะลุกลาม
ทักษะสมองที่กำหนดอนาคต
EF (Executive Function) คือทักษะสมองด้านการวางแผน จดจ่อ ความจำใช้งาน และการจัดการหลายอย่างพร้อมกัน งานวิจัยชี้ว่าการพัฒนา EF ตั้งแต่ปฐมวัยช่วยลดความเสี่ยงปัญหาพฤติกรรมในอนาคต ทั้งความก้าวร้าว การใช้สารเสพติด และการพนัน ระบบนี้ถูกออกแบบให้ใช้โดยศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลเท่านั้น ผลลัพธ์อาจมีความคลาดเคลื่อน และต้องใช้ควบคู่กับการสังเกตและประเมินพัฒนาการอย่างต่อเนื่อง ไม่ใช่การวินิจฉัยเดี่ยว ๆ
จากข้อมูลภาคสนาม สู่โมเดลพยากรณ์
ทีมงานร่วมกับครู แพทย์ นักวิชาการสาธารณสุข และผู้เชี่ยวชาญปฐมวัย ออกแบบชุดเก็บข้อมูล เก็บข้อมูลจากเด็กปฐมวัยราว 2,000 คนในศูนย์พัฒนาเด็กเล็กพื้นที่ลพบุรี ผ่านแบบฟอร์มออนไลน์ที่ครูกรอก แล้วนำมาวิเคราะห์ความสัมพันธ์ระหว่าง 27 ปัจจัยกับ EF 5 ด้าน ก่อนคัดเลือก 13 ปัจจัยที่มีความสัมพันธ์สูงสุดมาสร้างโมเดล
ฐานข้อมูลจริง ผูกกับคะแนน EF มาตรฐาน
เชื่อมข้อมูลปัจจัยแวดล้อมเด็กเข้ากับคะแนนประเมิน EF จริง (MU.EF-101/102) จากศูนย์วิจัยประสาทวิทยาศาสตร์ มหาวิทยาลัยมหิดล
โมเดล XGBoost แบบ 2 ชั้นโหวตกัน
หลังพบว่าโมเดลพื้นฐาน (Logistic Regression, Decision Tree, SVM) แม่นยำเพียง 30-40% จึงเปลี่ยนมาใช้ XGBoost กับสองโมเดลย่อย (EF101 ด้านพัฒนาการ, EF102 ด้านพฤติกรรม) โหวตร่วมกัน
คัดกรอง 5 ด้านของ EF
Inhibitory control, Shift (ความยืดหยุ่นทางความคิด), การควบคุมอารมณ์, ความจำใช้งาน (Working Memory), การวางแผน/จัดระบบ จากข้อมูล 13 ข้อ เช่น ลำดับการเกิด อาหาร เวลาเล่นอิสระ เวลาหน้าจอ
ไม่เก็บข้อมูลผู้ใช้งาน
ระบบลืมข้อมูลที่กรอกทันทีหลังประมวลผล ไม่มีการบันทึกไว้ เพื่อความเป็นส่วนตัวของเด็กและครอบครัว
โมเดลมีค่า Recall (ตัวชี้วัดความแม่นยำที่ทีมงานเลือกใช้ เนื่องจากให้ความสำคัญกับการไม่พลาดเคสเสี่ยงมากกว่า) อยู่ระหว่าง 49–87% ขึ้นกับด้านของ EF และชุดป้ายกำกับ ทีมงานเองระบุตรงไปตรงมาว่าความสัมพันธ์รายปัจจัยยังค่อนข้างอ่อน (ค่า Pearson r สูงสุดเพียง 0.05–0.14) จึงไม่มีปัจจัยใดปัจจัยหนึ่งที่ทำนายได้แม่นยำโดยลำพัง
เนื่องจากระบบไม่บันทึกข้อมูลการใช้งานเลย จึงไม่มีตัวเลขจำนวนเด็กที่ถูกคัดกรองจริงผ่านเครื่องมือ หรือจำนวนศูนย์/โรงเรียนที่ใช้งานอยู่ในปัจจุบัน — เป็นข้อจำกัดเชิงโครงสร้างของระบบเอง ไม่ใช่ข้อมูลที่หายไป
พัฒนาโดย
ChangeFusion
พื้นที่เก็บข้อมูลและทดลองใช้
โครงการ High-Scope ศูนย์พัฒนาเด็กเล็ก อำเภอท่าวุ้ง จังหวัดลพบุรี ดำเนินการโดยโรงพยาบาลท่าวุ้ง
ผู้สนับสนุน
สำนักงานกองทุนสนับสนุนการสร้างเสริมสุขภาพ (สสส.)
พันธมิตรวิชาการ
ศูนย์วิจัยประสาทวิทยาศาสตร์ สถาบันชีววิทยาศาสตร์โมเลกุล มหาวิทยาลัยมหิดล — เจ้าของชุดคะแนนประเมิน EF ที่ใช้เป็นค่าอ้างอิง
ทีมงานระบุตรงไปตรงมาว่าโมเดลสะท้อนรูปแบบของพื้นที่ลพบุรีเท่านั้น การเก็บข้อมูลระดับประเทศเพื่อให้โมเดลใช้งานได้กว้างขึ้น "ยังไม่อยู่ในวิสัยที่จะดำเนินการได้ในขณะนี้" แต่ทีมงานยินดีให้คำปรึกษาแก่ผู้ที่สนใจริเริ่มเก็บข้อมูลระดับประเทศต่อไป
0 รายการ
ทุกรายการที่ทีมพื้นที่บันทึกไว้ เรียงจากล่าสุด
ยังไม่มีบันทึกในโครงการนี้
เราช่วยอะไร
คุณได้บ้าง
เลือกคำถามที่ตรงกับบทบาทของคุณ คำตอบสรุปจากบันทึกการทำงานจริงของเรา และคุยต่อกับทีมงานได้จากทุกการ์ด
งานนี้สร้างการเปลี่ยนแปลงอะไร และรู้ได้อย่างไรว่าได้ผล?
เราได้พัฒนาโมเดลคัดกรองความเสี่ยง EF โดยมีค่า Recall 49–87% ตามด้าน EF และชุดป้ายกำกับ แต่ยังไม่มีตัวเลขผลลัพธ์ต่อเด็กหลังการคัดกรอง
EF Predict เป็นเครื่องมือคัดกรองความเสี่ยงด้านทักษะสมอง EF ในเด็กปฐมวัย เพื่อช่วยให้ศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลส่งต่อการดูแลก่อนปัญหาพัฒนาการจะลุกลาม โครงการนี้ เราใช้ข้อมูลเด็กปฐมวัยราว 2,000 คนในพื้นที่ลพบุรีฝึกและตรวจสอบโมเดล โดยเชื่อมข้อมูลปัจจัยแวดล้อมกับคะแนนประเมิน EF มาตรฐาน โครงการนี้
โมเดลมีค่า Recall อยู่ระหว่าง 49–87% ขึ้นกับด้านของ EF และชุดป้ายกำกับ โดยเราเลือกให้ความสำคัญกับการไม่พลาดกรณีเสี่ยง โครงการนี้ อย่างไรก็ตาม ความสัมพันธ์รายปัจจัยยังค่อนข้างอ่อน โดยค่า Pearson r สูงสุดอยู่ที่ 0.05–0.14 จึงไม่มีปัจจัยเดียวที่ใช้ทำนายได้แม่นยำโดยลำพัง โครงการนี้
เรายังไม่มีตัวเลขจำนวนเด็กที่ถูกคัดกรองจริง หรือข้อมูลว่าการคัดกรองนำไปสู่ผลลัพธ์ต่อเด็กอย่างไร เพราะระบบไม่บันทึกข้อมูลการใช้งาน โครงการนี้
งานนี้ทำอย่างไร และได้บทเรียนอะไรที่นำไปใช้ต่อได้?
เราเก็บข้อมูลจากครู เชื่อมกับคะแนน EF มาตรฐาน แล้วใช้ 13 ปัจจัยสร้างโมเดล XGBoost สองโมเดลย่อยร่วมโหวต บทเรียนคือควรใช้ผลคัดกรองร่วมกับการสังเกตต่อเนื่อง ไม่ใช้วินิจฉัยลำพัง
เราเริ่มจากออกแบบชุดเก็บข้อมูลร่วมกับครู แพทย์ นักวิชาการสาธารณสุข และผู้เชี่ยวชาญปฐมวัย ครูกรอกแบบฟอร์มออนไลน์เพื่อเก็บข้อมูลเด็กปฐมวัยราว 2,000 คนในศูนย์พัฒนาเด็กเล็กพื้นที่ลพบุรี โครงการนี้ จากนั้นวิเคราะห์ 27 ปัจจัยกับ EF 5 ด้าน แล้วเลือก 13 ปัจจัยที่มีความสัมพันธ์สูงสุดมาสร้างโมเดล โดยใช้คะแนนประเมิน EF มาตรฐานเป็นค่าอ้างอิง โครงการนี้
โมเดลพื้นฐานอย่าง Logistic Regression, Decision Tree และ SVM มีความแม่นยำเพียง 30-40% เราจึงเปลี่ยนมาใช้ XGBoost สองโมเดลย่อย ซึ่งโหวตร่วมกันในด้านพัฒนาการและพฤติกรรม โครงการนี้ เครื่องมือคัดกรอง Inhibitory control, Shift, การควบคุมอารมณ์, ความจำใช้งาน และการวางแผนหรือจัดระบบ โครงการนี้
บทเรียนสำคัญคือผลโมเดลอาจคลาดเคลื่อน และความสัมพันธ์ของแต่ละปัจจัยยังอ่อน จึงต้องใช้ควบคู่กับการสังเกตและประเมินพัฒนาการอย่างต่อเนื่อง ไม่ใช่ใช้วินิจฉัยเพียงลำพัง โครงการนี้ ระบบยังลืมข้อมูลที่กรอกทันทีหลังประมวลผลและไม่มีการบันทึกข้อมูลผู้ใช้งาน เพื่อคุ้มครองความเป็นส่วนตัวของเด็กและครอบครัว โครงการนี้
แนวทางนี้เหมาะกับพื้นที่แบบไหน และต้องมีอะไรบ้างจึงจะเริ่มในพื้นที่ของเราได้?
โมเดลนี้สร้างจากข้อมูลพื้นที่ลพบุรีและออกแบบให้ศูนย์พัฒนาเด็กเล็กกับโรงเรียนอนุบาลใช้ แต่เรายังไม่มีบันทึกข้อกำหนดสำหรับเริ่มดำเนินงานในพื้นที่อื่น
โมเดลนี้พัฒนาจากข้อมูลเด็กปฐมวัยในศูนย์พัฒนาเด็กเล็กพื้นที่ลพบุรี จึงสะท้อนรูปแบบของพื้นที่ดังกล่าวเท่านั้น โครงการนี้ กลุ่มผู้ใช้ที่ออกแบบไว้คือศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาล และการคัดกรองต้องใช้ร่วมกับการสังเกตและประเมินพัฒนาการอย่างต่อเนื่อง โครงการนี้
วิธีพัฒนาที่ใช้คือทำงานกับครู แพทย์ นักวิชาการสาธารณสุข และผู้เชี่ยวชาญปฐมวัย ออกแบบชุดเก็บข้อมูล แล้วให้ครูกรอกแบบฟอร์มออนไลน์ โครงการนี้ ข้อมูลที่ใช้ฝึกโมเดลเชื่อมปัจจัยแวดล้อมของเด็กกับคะแนนประเมิน EF มาตรฐาน และระบบไม่บันทึกข้อมูลที่กรอกหลังประมวลผล โครงการนี้
ทีมงานระบุว่าการเก็บข้อมูลระดับประเทศเพื่อขยายการใช้งานยังไม่อยู่ในวิสัยที่จะดำเนินการได้ในขณะนี้ โครงการนี้ เรายังไม่มีบันทึกข้อกำหนดด้านทรัพยากร ขั้นตอน หรือเงื่อนไขสำหรับเริ่มใช้หรือสร้างโมเดลในพื้นที่อื่น
มีวิธีการหรือเครื่องมืออะไรที่เริ่มใช้ได้เลย?
เครื่องมือคือระบบคัดกรองความเสี่ยง EF สำหรับศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาล โดยใช้ร่วมกับการสังเกตต่อเนื่อง แต่เรายังไม่มีบันทึกวิธีเข้าถึงหรือเริ่มใช้งาน
เครื่องมือที่พัฒนาคือ EF Predict ระบบ Machine Learning สำหรับช่วยศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลคัดกรองความเสี่ยงด้านทักษะสมอง EF ในเด็กปฐมวัย โครงการนี้ ระบบพิจารณา 5 ด้าน ได้แก่ Inhibitory control, Shift, การควบคุมอารมณ์, ความจำใช้งาน และการวางแผนหรือจัดระบบ จากข้อมูล 13 ข้อ เช่น ลำดับการเกิด อาหาร เวลาเล่นอิสระ และเวลาหน้าจอ โครงการนี้
ผลคัดกรองไม่ใช่การวินิจฉัยเดี่ยว ๆ เพราะผลลัพธ์อาจคลาดเคลื่อน จึงควรใช้คู่กับการสังเกตและประเมินพัฒนาการอย่างต่อเนื่อง โครงการนี้ ในการพัฒนา เราใช้ข้อมูลเด็กปฐมวัยราว 2,000 คนจากศูนย์พัฒนาเด็กเล็กพื้นที่ลพบุรี และโมเดลมีค่า Recall 49–87% ตามด้าน EF และชุดป้ายกำกับ โครงการนี้
เรายังไม่มีบันทึกช่องทางเข้าถึงเครื่องมือ ขั้นตอนเริ่มใช้ หรือสถานะการเปิดให้หน่วยงานนำไปใช้ในปัจจุบัน
งานนี้เชื่อมกับปัญหาเชิงระบบอย่างไร และต้องการความร่วมมือแบบไหน?
งานนี้ตอบโจทย์การคัดกรองความเสี่ยงพัฒนาการ EF ตั้งแต่ปฐมวัย และพัฒนาร่วมกับผู้เชี่ยวชาญหลายกลุ่ม แต่เรายังไม่มีบันทึกความร่วมมือที่ต้องการจากภาคีในระยะต่อไป
EF Predict ทำงานที่ต้นทางของปัญหาพัฒนาการ โดยช่วยคัดกรองความเสี่ยงด้านทักษะสมอง EF ในเด็กปฐมวัย เพื่อให้ศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลส่งต่อการดูแลก่อนปัญหาจะลุกลาม โครงการนี้ งานนี้สอดคล้องกับกรอบสุขภาวะเด็กและเยาวชนที่มองพัฒนาการหลายมิติ ไม่จำกัดเพียงการเรียนหรือสุขภาพกาย ประเด็นเด็ก เยาวชน และสุขภาวะ
การพัฒนาอาศัยความร่วมมือกับครู แพทย์ นักวิชาการสาธารณสุข และผู้เชี่ยวชาญปฐมวัยในการออกแบบการเก็บข้อมูล โครงการนี้ พื้นที่เก็บข้อมูลและทดลองใช้คือโครงการ High-Scope ศูนย์พัฒนาเด็กเล็ก อำเภอท่าวุ้ง จังหวัดลพบุรี ซึ่งดำเนินการโดยโรงพยาบาลท่าวุ้ง และคะแนน EF อ้างอิงมาจากศูนย์วิจัยประสาทวิทยาศาสตร์ มหาวิทยาลัยมหิดล โครงการนี้
ข้อเรียนรู้คือโมเดลสะท้อนรูปแบบของพื้นที่ลพบุรีเท่านั้น และการเก็บข้อมูลระดับประเทศเพื่อให้ใช้งานได้กว้างขึ้นยังไม่อยู่ในวิสัยที่จะดำเนินการได้ในขณะนี้ โครงการนี้ เรายังไม่มีบันทึกว่าต้องการความร่วมมือจากภาคีประเภทใดเพิ่มเติม หรือมีรูปแบบความร่วมมือและทรัพยากรที่ต้องใช้ในระยะต่อไปอย่างไร