งานวิจัยมีวัตถุประสงค์เพื่อ 1)พัฒนาแบบจ าลองตรวจจับข้อบกพร่องของรอยเชื่อมด้วยสถาปัตยกรรม YOLO จ านวน 3 เวอร์ชัน2) เปรียบเทียบประสิทธิภาพของแบบจ าลอง YOLOv11l, YOLOv12lและ YOLOv26lภายใต้เงื่อนไขการทดลองเดียวกัน 3) วิเคราะห์ผลการตรวจจับข้อบกพร่องของรอยเชื่อมรายคลาส ได้แก่ รอยแตก (Crack), รูพรุน (Porosity), สะเก็ดเชื่อม (Spatter) และแนวเชื่อม (Weld Line)4) พัฒนาเว็บแอปพลิเคชันต้นแบบส าหรับการตรวจจับข้อบกพร่องของรอยเชื่อมโดยท าการศึกษาชุดข้อมูลจาก Roboflow Universe จ านวน 5,544 ภาพ และท าการประเมินผลด้วยตัวชี้วัด ผลการทดลองพบว่า YOLOv26l ให้ประสิทธิภาพสูงที่สุด โดยเฉพาะเมื่อฝึกที่ 300 epochs ซึ่งให้ค่า Precision = 0.91, Recall = 0.876, mAP50 = 0.908,mAP50–95 = 0.773และ F1-score = 0.89แสดงถึงความสามารถในการตรวจจับและระบุต าแหน่งข้อบกพร่องได้อย่างแม่นย าเหนือกว่าโมเดลอื่น นอกจากนี้ผลการวิเคราะห์รายคลาสชี้ว่าโมเดลสามารถจ าแนก Crack และ Weld Line ได้ดีอย่างสม ่าเสมอ ขณะที่ Porosity และ Spatter ยังคงมีความท้าทายเนื่องจากความคล้ายคลึงกับพื้นหลัง ทั้งนี้โมเดล YOLOv26l ถูกน าไปประยุกต์ใช้งานบนเว็บแอปพลิเคชันที่พัฒนาขึ้น ซึ่งสามารถใช้ตรวจจับข้อบกพร่องในสภาพแวดล้อมจริงได้อย่างมีประสิทธิภาพ สะท้อนศักยภาพของสถาปัตยกรรม YOLO รุ่นใหม่ส าหรับการตรวจสอบคุณภาพรอยเชื่อมในภาคอุตสาหกรรมอย่างไรก็ตามงานวิจัยนี้ยังมีข้อจ ากัดจากการใช้ชุดข้อมูลสาธารณะเพียงชุดเดียว จึงอาจยังไม่ครอบคลุมสภาพแวดล้อมจริงทั้งหมด

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบแปลภาษามือตัวอักษรภาษาอังกฤษแบบเรียลไทม์โดยใช้แนวคิดการประมวลผลแบบไฮบริดระหว่างเว็บไคลเอนต์และอุปกรณ์ IoT ระบบใช้ MediaPipe ส าหรับสกัดพิกัดจุดข้อต่อของมือจ านวน 42 ค่าแทนการใช้ภาพถ่ายดิบ เพื่อลดความซับซ้อนของข้อมูลและเพิ่มประสิทธิภาพในการประมวลผล จากนั้นน าข้อมูลพิกัดไปจ าแนกด้วยโมเดลโครงข่ายประสาทเทียมแบบหลายชั้น (MLP) บนไมโครคอนโทรลเลอร์ ESP32 โดยประยุกต์ใช้แนวคิดรูปแบบมาตรฐาน (Canonical Form) เพื่อแก้ปัญหาความแตกต่างระหว่างมือซ้ายและขวา ผลการทดลองพบว่าระบบสามารถแปลภาษามือตัวอักษรภาษาอังกฤษ A–Z (ยกเว้น J และ Z) ได้อย่างมีประสิทธิภาพ โดยมีค่าความถูกต้องเฉลี่ยเท่ากับ 91.67% และสามารถท างานได้อย่างเสถียรในสภาพแวดล้อมที่แตกต่างกัน งานวิจัยนี้แสดงให้เห็นว่าการใช้ข้อมูลเชิงโครงสร้างร่วมกับสถาปัตยกรรมแบบไฮบริดช่วยให้ระบบแปลภาษามือมีความแม่นย าสูง เหมาะสมกับการประยุกต์ใช้บนอุปกรณ์ IoT ที่มีข้อจ ากัดด้านทรัพยากร

การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อการจําแนกข้อความ SMS ภาษาไทยจากมิจฉาชีพด้วย Machine Learning 2) ศึกษาการใช้อัลกอริทึม PyThaiNLP ร่วมกับเทคนิค TF-IDF ในการสกัดคุณลักษณะข้อความ และประยุกต์ใช้เทคนิค SMOTE เพื่อแก้ไขปัญหาความไม่สมดุลของข้อมูล ก่อนนําไปฝึกด้วยอัลกอริทึม Naïve Bayes และ 3) ศึกษาผลของแบบจําลองในการจําแนกข้อความ SMS ภาษาไทยออกเป็น 3 กลุ่ม ได้แก่ ข้อความปกติ ข้อความมิจฉาชีพ และข้อความส่งเสริมการขาย โดยใช้ข้อมูลจํานวน 5,000 รายการผลการทดลองด้วยอัลกอริทึม Naïve Bayes พบว่า กลุ่มข้อความปกติมีค่า Precision (ความแม่นยํา) 0.94 Recall (ความระลึก) 0.84 และ F1-Score (ค่าความถ่วงดุล) 0.88 กลุ่มข้อความส่งเสริมการขายมีค่า Precision 0.57 Recall 0.81 และ F1-Score 0.67 และกลุ่มข้อความมิจฉาชีพมีค่า Precision 0.84 Recall 0.91 และ F1-Score 0.87 ซึ่งแสดงให้เห็นถึงประสิทธิภาพที่ดีของแบบจําลอง โดยเฉพาะในการตรวจจับข้อความมิจฉาชีพนอกจากนี้ การประยุกต์ใช้เทคนิค SMOTE ช่วยเพิ่มประสิทธิภาพของแบบจําลอง โดยให้ค่าความถูกต้อง (Accuracy) สูงสุดร้อยละ 85.00 พร้อมทั้งให้ค่าความแม่นยํา ความระลึก และค่าความถ่วงดุลอยู่ในระดับดีเยี่ยม สรุปได้ว่าแนวทางดังกล่าวสามารถนําไปใช้ในการตรวจจับข้อความ SMS มิจฉาชีพได้อย่างมีประสิทธิภาพ

การวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาผลกระทบความเสี่ยงด้านการสื่อสารข้ามวัฒนธรรมที่ส่งผลต่อประสิทธิภาพการบริหารโครงการ เพื่อตอบคำถามการวิจัยที่ว่าอะไรคือความเสี่ยงในการสื่อสารข้ามวัฒนธรรมที่มีอิทธิพลต่อประสิทธิภาพการบริหารโครงการเทคโนโลยีสารสนเทศของบริษัทไอทีข้ามชาติในประเทศไทย โดยเป็นการวิจัยเชิงผสมผสาน กลุ่มตัวอย่างคือ บุคลากรจากบริษัทไอทีข้ามชาติ ในตำแหน่งผู้จัดการโครงการ หัวหน้าทีม และวิศวกรซอฟต์แวร์ รวมทั้งสิ้น 385 คน ได้จากการสุ่มแบบเจาะจงและการสุ่มหลายขั้นตอน เครื่องมือวิจัยคือ แบบสอบถามที่ผ่านการตรวจสอบความตรงเชิงเนื้อหาและความเชื่อมั่น เท่ากับ 0.85 และการประชุมกลุ่มผู้เชี่ยวชาญเพื่อยืนยัน ผลการวิเคราะห์ข้อมูลด้วยการวิเคราะห์องค์ประกอบเชิงสำรวจ การวิเคราะห์องค์ประกอบเชิงยืนยัน และการวิเคราะห์สมการเชิงโครงสร้าง ผลการวิจัยพบว่า ความเสี่ยงด้านวัฒนธรรม โครงสร้างองค์กร และเทคโนโลยี โดยความร่วมมือของทีมข้ามวัฒนธรรมมีอิทธิพลโดยตรงต่อประสิทธิภาพการสื่อสารและความสำเร็จของโครงการที่ระดับนัยสำคัญทางสถิติที่ .001 นอกจากนี้ การประเมินความเสี่ยงยังสะท้อนว่า ความเสี่ยงด้านวัฒนธรรมมีอิทธิพลสูงสุดต่อการทำงานร่วมกันในทีม ผลการตอบรับความเสี่ยงเสนอแนวทางการลดความเสี่ยง และการแบ่งปันความเสี่ยง เพื่อลดความไม่แน่นอนและเพิ่มประสิทธิภาพการสื่อสาร ดังนั้น ผลการศึกษานี้ช่วยขยายองค์ความรู้เชิงประจักษ์ด้านการบริหารความเสี่ยงข้ามวัฒนธรรมและเป็นกรอบแนวทางเชิงปฏิบัติสำหรับองค์กรในการกำหนดกลยุทธ์และสมรรถนะการสื่อสารทางวัฒนธรรมเพื่อยกระดับความสำเร็จของโครงการ

Multibehavior recommendation aims to leverage diverse user interaction types—such as views, clicks, and purchases—to better understand user intent and enhance recommendation accuracy. However, effectively modeling these heterogeneous behaviors remains challenging due to the sparsity, noise, over-smooth embedding, and dynamic nature of interaction sequences. To address these issues, we propose GCTMR (Graph Contrastive Transformer for Multibehavior Recommendation), a framework that integrates graph-based contrastive learning with a behavior-aware Transformer architecture. Specifically, the methodological contribution lies in three key innovations: 1) an adaptive sparse attention mechanism employing α -entmax that dynamically filters out noisy or irrelevant interactions to preserve the distinctiveness of user behavior representations; 2) a frequency-aware multibehavior encoder using FFT/IFFT decomposition that disentangles stable long-term preferences from short-term behavioral shifts across different interaction types; and 3) a simplified focal loss function that emphasizes hard-to-predict instances, improving robustness under data sparsity and behavioral ambiguity. The empirical validation is exceptionally strong, demonstrating improving of 22.43% on Tmall and 18.10% on Beibei over state-of-the-art baselines in HR@10 metrics, with particularly remarkable performance under sparse data conditions where traditional methods struggle most. Comprehensive ablation studies confirm that each component contributes meaningfully to the overall performance, while extensive hyperparameter analyses demonstrate the framework’s stability and practical applicability.

Sequential-social recommendation systems are essential for understanding users’ evolving interests and predicting their future behaviors. While existing methods employing bidirectional graph modeling have shown promising results in capturing user interactions, they face significant challenges in effectively leveraging bidirectional information and addressing dynamic user preferences. To overcome these limitations, we propose Bidirectional Transformer Graphs for Sequential-Social Recommendation (BiTG4Rec), a novel framework that integrates both supervised and self-supervised learning to analyze dynamic user preferences at sequential and social levels through bidirectional graphs. Our approach comprises three core components: 1) a Bidirectional Dynamic Graph Convolutional Network (BiDGCN) that models long-term sequential preferences, 2) a Bidirectional Dynamic Graph Attention Network (BiDGAT) that captures short-term sequential preferences, and 3) a Bidirectional Hyperbolic Graph Contrastive Learning module (BiHGCL) that extracts social preferences. To unify these diverse signals, we introduce a TransformerGated mechanism that dynamically integrates long-term, short-term, and social preferences. Extensive experiments on multiple real-world datasets demonstrate that BiTG4Rec consistently outperforms state-of-the-art methods, validating its effectiveness for sequential-social recommendation tasks.

The integration of sequential and social recommendations using a graph-based co-attention architecture marks a significant advancement in deep learning, substantially improving recommender system performance. This innovation enables effective representation learning of user interactions by capturing dynamic preferences influenced by both sequential and social contexts. While prior research has attempted to model evolving user preferences, existing approaches suffer from two key limitations: 1) ineffective modeling of complex sequential dependencies and 2) overlooking the hierarchical nature of social influence, resulting in suboptimal performance. To address these challenges, we propose GCA4Rec (Graph-Based Co-Attention Networks for Sequential and Social Recommendation), a novel framework designed to handle the complexities of user preference dynamics across sequential and social domains. Our model combines a graph attention contrastive learning module to track sequential preference shifts, while a hyperbolic graph attention isomorphism network models social-level preference dynamics. Additionally, we introduce fusionGated, a novel gating mechanism that effectively integrates co-attention signals from both levels. Extensive experiments on real-world benchmark datasets demonstrate that GCA4Rec outperforms state-of-the-art methods in Top-k recommendation tasks and exhibits robustness under varying degrees of data sparsity.

This research compares the capability of data classification models to predict consistent results for a subject’s depression potentiality, track the subject behaviour and recognise facial expressions during PHQ-9 assessments. This research is motivated by the necessity for depression screening and diagnosis, which traditionally relies on observations by experienced physicians or clinical psychologists of symptoms in conjunction with data from questionnaires. However, the field still requires a suitable technological approach that gives more accurate and consistent results. All data used in the present research were collected by combining technologies and compared by using classification models, the goal being to find the machine-learning model that most accurately predicts consistent results for the subjects’ PHQ-9 assessment, behaviours and emotions. The subjects were screened by clinical psychologists and divided into three groups: (i) subjects suffering from depression but not receiving treatment (undertreated subjects), (ii) subjects undergoing depression treatment (subjects undergoing treatment) and (iii) subjects without depression disorder (normal subjects). Related studies have compared the accuracy of classification models to one another. The four most frequently applied classification models in depression-related studies are (i) decision tree (ii) support vector machine, (iii) naïve Bayes and (iv) neural network. All models were analysed, designed and developed before being tested experimentally. The accuracy of the experimental results was tested by using the data analysis tool RapidMiner Studio. The results show that the decision tree model is not only the most accurate for predicting depression potentiality, tracking behaviour and recognising facial expressions during PHQ-9 assessments but also the most suitable.