Computer Sciences Commons^™

Assessment Of The Impact Of Various Feature Extraction Techniques On The Effectiveness Of Music Genre Classification In Neural Network Models., Sabhdh Grace

ICT

This research focuses on Music Genre Classification (MGC) using Convolutional Neural Networks (CNNs) and various datasets, including raw audio files (WAV) and extracted features such as Mel Spectrograms (MS), Mel-Frequency Cepstral Coefficients (MFCC), and Chroma Features (CF). The study employs Explanatory Sequential Mixed Methods (ESMM), combining qualitative research and experimental analysis to explore different model inputs and their performance. Several CNN-based models, including 2D CNN, 2D CNN-LSTM, 1D CNN, and 1D CNN-LSTM, were tested. However, the models generally underperformed, with most achieving accuracy of 10% or lower, and the best model (raw audio 1D CNN) reaching only 20%. The research …

Deep Learning Model Compression For Resource-Constrained Environments., Stephen Burke

ICT

This study examines the effects of three Deep Neural Network compression techniques—Quantisation, Pruning, and Weight Sharing/Clustering—on CNN and ANN models trained for image classification tasks. The models were tested on the CIFAR-10 dataset for multiclass classification and a binary classification task using a dataset derived from COCO. The best validation accuracy achieved was 74.7% with a CNN on CIFAR-10 and 53% with the best ANN. On the COCO dataset, a modified CIFAR-10 CNN model achieved 75%. The models were compressed using the three techniques and benchmarked on a ThinkPad laptop and Raspberry Pi 3B+ based on metrics relevant for resource-constrained …

Data Analysis Of Twitter’S Nasdaq100 Sentiments And Topics As Indicators For News Articles Retrieval: Fine-Tuning Roberta And Rag., Kagan Timur

ICT

This study investigates the combination of sentiment analysis using the VADER lexicon and semantic analysis through Latent Dirichlet Allocation (LDA) to identify real-life events, focusing on Twitter datasets. The research shows that while sentiment analysis alone may be insufficient, combining it with semantic analysis improves the process, particularly for identifying relevant news articles and understanding brand perception on social media. The study also fine-tunes the RoBERTa model for question-answering tasks, yielding significant improvements in the SQuAD evaluation metric. The exact match (EM) score rose dramatically from 2.06% to 62%, and the F1 score improved from 9.41% to 65%. A retrieval …

Development And Optimisation Of Convolutional Neural Networks (Cnns) To Predict The Nutrition And Sustainability Scores Of Foods From Crowd Sourced Images., Cormac Mcelhinney

ICT

This research explores the use of Convolutional Neural Networks (CNNs) for the automated classification and profiling of food products based on publicly sourced data. With the vast array of food products available worldwide and the complexity of labelling regulations, food business operators face challenges in ensuring compliance, while regulators struggle to verify adherence. This study addresses the need for efficient and accurate methods for food classification and eco/nutritional profiling. It begins with a comprehensive literature review on the application of CNNs in food product classification, followed by the collection of a large-scale dataset from Open Food Facts. A CNN architecture …

Evaluating The Performance Of Different Long Short-Term Memory Networks (Lstm’S) On Financial Timeseries Data Using Mean Squared Error In Order To Identify The Optimum Lstm Variant For Regression Performance On Financial Timeseries Data., Patrick O’ Connor

ICT

This study explores the use of Long Short Term Memory (LSTM) networks, a variant of Recurrent Neural Networks (RNNs), in the context of financial forecasting, specifically oil price prediction. The research follows the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology and tests six different LSTM variants. The models are evaluated based on Mean Squared Error (MSE), aiming to determine the optimal parameter settings for each LSTM type. Among the variants tested, the Gated Recurrent Unit (GRU) emerged as the highest performer, achieving an MSE of 0.100. This was surprising, as simpler variants outperformed more complex ones, suggesting that simpler …

Ml Predictive Model For Earthquakes Integrating Mass, Distance, Gravity, And Magnitude., Aadarsh Kushwaha

ICT

This research investigates the application of machine learning regression models to improve earthquake prediction by integrating geophysical and astronomical factors such as Earth-Moon gravitational forces, their varying distances, and localized gravity fluctuations. Using data from 2011 to 2024, sourced from the US Geological Survey (USGS) and web scraping, the study tested models across four dataset proportions (25%, 50%, 80%, and 100%) with a 70:30 train-test split. The XGBRegressor model emerged as the best performer, achieving an R² score of 0.8706 on training data and 0.8632 on test data, along with a Mean Squared Error (MSE) of 0.1114 and Mean Absolute …

Maize Crop Pests And Diseases Classification Using Hybrid Models., Diana Flora Namaemba

ICT

This research focuses on improving the detection and classification of maize crop pests and diseases to enhance agricultural yield and food security. A dataset comprising 5389 images of maize conditions (healthy, pest-affected, and disease-affected) across seven classes was used. The images underwent preprocessing, including resizing to 299x299, class balancing using augmentation techniques, and noise reduction with Gaussian filtering.

Feature extraction utilised EfficientNetB0 and InceptionV3 architectures, with PCA employed for feature selection. Classification was conducted using a Support Vector Machine (SVM) with a One-vs-One strategy, alongside a baseline 2D CNN model. Data engineering included label encoding, standardisation, and an 80:10:10 train-test-validation …

Efficient High-Resolution Time Series Classification Via Attention Kronecker Decomposition, Aosong Feng, Jialin Chen, Juan Garza, Brooklyn Berry, Francisco Salazar, Yifeng Gao, Rex Ying, Leandros Tassiulas

Computer Science Faculty Publications

The high-resolution time series classification problem is essential due to the increasing availability of detailed temporal data in various domains. To tackle this challenge effectively, it is imperative that the state-of-theart attention model is scalable to accommodate the growing sequence lengths typically encountered in highresolution time series data, while also demonstrating robustness in handling the inherent noise prevalent in such datasets. To address this, we propose to hierarchically encode the long time series into multiple levels based on the interaction ranges. By capturing relationships at different levels, we can build more robust, expressive, and efficient models that are capable of …

Self Pre-Training With Topology- And Spatiality-Aware Masked Autoencoders For 3d Medical Image Segmentation, Pengfei Gu, Yejia Zhang, Huimin Li, Chaoli Wang, Danny Z. Chen

Computer Science Faculty Publications

Masked Autoencoders (MAEs) have been shown to be effective in pre-training Vision Transformers (ViTs) for natural and medical image analysis problems. By reconstructing missing pixel/voxel information in visible patches, a ViT encoder can aggregate contextual information for downstream tasks. But, existing MAE pre-training methods, which were specifically developed with the ViT architecture, lack the ability to capture geometric shape and spatial information, which is critical for medical image segmentation tasks. In this paper, we propose a novel extension of known MAEs for self pre-training (i.e., models pre-trained on the same target dataset) for 3D medical image segmentation. (1) We propose …

The Hazard Prediction Problem, Mary E. Helander, Brendan Smith, Sylvia Charchut, Erika Swiatowy, Calvin Nau, Gregory Cavaretta, Timothy Schuler, Adam Schunk, Héctor Ortiz-Peña

Social Science - All Scholarship

This work formulates the hazard prediction problem while addressing the research question: Can machine learning create a model to automatically recognize patterns that correspond to hazard state conditions during a mission-critical operation? Supervised learning models were trained and tested on data observed from mission simulators, which allowed for safe observation of dynamic system states and undesirable casualty events. The prediction task was formulated as a binary classification problem, producing the probability of being in a hazard state at time t and providing situational awareness of a possible imminent loss. Several modeling architectures were investigated: neural networks, logistic regression, a support …

Chatting With Ai: Deciphering Developer Conversations With Chatgpt, Esteban Parra Rodriguez, Suad Mohamed, Abdullah Parvin

Funded Scholarship

Large Language Models (LLMs) have been widely adopted and are becoming ubiquitous and integral to software development. However, we have little knowledge as to how these tools are being used by software developers beyond anecdotal evidence and word-of-mouth reports. In this work, we present a study toward understanding how developers engage with and utilize LLMs by reporting the results of an empirical study identifying patterns in the conversation that developers have with LLMs. We identified a total of 19 topics describing the purpose of the developers in their conversations with LLMs. Our findings reveal that developers use LLMs to facilitate …

An Efficient And Trusted Deep Learning Framework For Real-Time Ppe Detection In Secure Iomt Environment, Anusha Verma

Browse all Theses and Dissertations

Occupationally-acquired infections impact thousands of healthcare workers (HCWs) in the U.S., with many cases preventable through proper use of personal protective equipment (PPE). This study seeks to develop a robust system to enhance PPE compliance and reduce infection risks among HCWs. The objectives of this thesis are twofold: (1) to create a hybrid machine learning model that combines object detection and keypoint detection to ensure correct donning and doffing of PPE, and (2) to design a real-time feedback system using LED indicators and a display interface to offer actionable guidance to HCWs during PPE usage. The goal is to optimize …

An Enhanced Real-Time Object Detection Of Helmets And License Plates Using A Lightweight Yolov8 Deep Learning Model, Mounika Thatikonda

Browse all Theses and Dissertations

Traffic surveillance and enforcement heavily depend on the real-time detection of helmets and license plates, particularly in high-density urban environments. This study presents a dynamic and optimized lightweight model, the proposed G-YOLOv8n, designed for resource constrained edge devices like the Raspberry Pi. By integrating the GhostNet module into the YOLOv8n architecture, this research achieves a nearly 50% reduction in model size and computational load, while maintaining comparable detection accuracy to the original YOLOv8n. These enhancements enable real-time processing capabilities crucial for traffic monitoring operations. The growing demand for real-time, low-power solutions in intelligent transportation systems necessitates lightweight, efficient detection models. …

Fairness And Fair Use In Generative Ai, Matthew Sag

Faculty Articles

Although we are still a long way from the science fiction version of “artificial general intelligence” that thinks, feels, and refuses to “open the pod bay doors,” recent advances in machine learning and artificial intelligence (AI) have captured the public’s imagination and lawmakers’ interest. We now have large language models (LLMs) that can pass the bar exam, carry on (what passes for) a conversation about almost any topic, create new music, and create new visual art. These artifacts are often indistinguishable from their human-authored counterparts and yet can be produced at a speed and scale surpassing human ability.

“Generative AI” …

Enhance Gnn-Based Social Recommendation Using User Dynamic Characteristics, Janekhwan Kitsupapaisan

Chulalongkorn University Theses and Dissertations (Chula ETD)

In recent developments, social recommendation frameworks have increasingly employed Graph Neural Networks (GNNs) to model social connections among users, encompassing both immediate and more distant relationships within the network. Nonetheless, current advanced models encounter challenges related to the limited number of propagation steps they can perform on the graph. Messages originating from distant nodes often diminish the distinct features of the target user, resulting in more homogeneous representations that are difficult to differentiate. This issue is known as over-smoothing. Several approaches have been proposed to address this, aiming to preserve individual user traits by incorporating auxiliary information into GNN-based models. …

Dementia Detection Using Transfer Learning From Recorded Speech, Gun Wirojburapa

Chulalongkorn University Theses and Dissertations (Chula ETD)

Dementia is an irreversible and progressive condition that affects cognitive impairment, and millions of people are affected. Early detection provides patients with premature treatment and improves their quality of life. Traditional methods for dementia detection, such as cognitive assessment and neurological analysis, are expensive and time-consuming. Therefore, this thesis aims to research alternative methods to detect dementia, such as speech analysis. This thesis performs dementia classification by using transfer learning and machine learning techniques. Samples in the dataset consist of English and Chinese speakers. This study found transfer learning and machine learning techniques able to classify the speakers between dementia …

Thai-English Supported Automatic Speech Recognition For Endoscopic Reporting, Arpanant Saeng-Xuto

Chulalongkorn University Theses and Dissertations (Chula ETD)

This thesis presents the automatic speech recognition (ASR) system for endoscopic reporting that supports Thai-English code-switching. During endoscopic procedures, gastroenterologists are required to use both hands to handle instruments, thereby complicating the real-time documentation of abnormal findings. While recent advances in speech recognition offer promising solutions, existing models face difficulties with Thai-English code-switching and tend to overfit when fine-tuned on limited datasets. To overcome these limitations, we propose an ASR model enhanced with the Mixture of Experts (MoE) technique to improve transcription accuracy. Furthermore, the Named Entity Recognition (NER) model extracts gastrointestinal (GI) terminology from the transcriptions and classifies its …

Enhancing Large Language Models For Thai Legal Chatbots, Supachoke Hanwiboonwat

Chulalongkorn University Theses and Dissertations (Chula ETD)

Currently, developing a Thai legal question-answering system for the general public is highly challenging due to the complex, difficult-to-understand language and the extensive content of legal codes. This research proposes a Thai legal question-answering system designed for the public, aiming to establish best practices for developing effective legal QA systems. To improve performance, we created our own Thai legal QA dataset and incorporated data from various sources. We conducted comparative experiments to identify the most suitable language model for Thai legal contexts, and fine-tuned the models with diverse datasets for enhanced capabilities in legal QA and legal examinations. Additionally, we …

Emotion Recognition Through Advanced Signal Fusion And Kolmogorov-Arnold Networks, Aung Myo Thant

Chulalongkorn University Theses and Dissertations (Chula ETD)

Emotion recognition is an important aspect of affective computing that has many applications including human computer interaction and mental health care. In this thesis, Kolmogorov-Arnold Networks (KANs) are explored for the purpose of multimodal emotion recognition from EEG (Electroencephalogram) and eye movement signals of the SEED-V dataset. Both modalities were represented by Differential Entropy (DE) features and a two-branch KAN architecture was used which composed of seven KAN variants, namely, Efficient KAN, Jacobi KAN, Hermite KAN, Fourier KAN, Chebyshev KAN, RBF KAN, and Wavelet KAN (with different wavelet types including DOG, Morlet, Mexican hat, and Meyer). The strengths of two …

Design Of Web-Based Application To Increase Corporate Income Tax Planning Knowledge Of Small And Medium Enterprises’ Entrepreneurs In Thailand, Chanyanut Atjanapotjanee

Chulalongkorn University Theses and Dissertations (Chula ETD)

Small and medium enterprises (SMEs) play an important role in Thailand’s economy, however, many entrepreneurs lack sufficient knowledge of corporate income tax planning, with three main issues in deductible expense, tax calculation, and filing a tax report. This study aimed to design and to evaluate a web-based application that improves corporate income tax planning knowledge among SME entrepreneurs, and indicate factors impacting the tax planning knowledge. The methodologies consisted of user requirement gathering, web-based application design and testing, and hypothesis testing. Eleven SME entrepreneurs from manufacturing, merchandise, and service business type participated in the study. Knowledge gains were measured through …

ปัจจัยที่ส่งผลต่อความตั้งใจใช้แอปพลิเคชันสั่งอาหารที่ขายไม่หมด, พัชรพรรณ จิตไพศาลโสภณ

Chulalongkorn University Theses and Dissertations (Chula ETD)

ขยะอาหารเป็นปัญหาที่สำคัญระดับโลก แม้ในขณะที่อาหารจำนวนมากยังสามารถบริโภคได้ กลับถูกทิ้งไป ส่งผลกระทบทั้งต่อสิ่งแวดล้อมและความมั่นคงทางอาหาร จากบริบทนี้ แอปพลิเคชันสั่งอาหารที่ขายไม่หมดจึงถูกพัฒนาขึ้นเพื่อเป็นทางเลือกในการลดปริมาณขยะอาหาร โดยการนำอาหารส่วนเกินมาจัดจำหน่ายในราคาพิเศษให้ผู้บริโภคเข้าถึงอาหารคุณภาพดีในราคาย่อมเยา งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยที่ส่งผลต่อความตั้งใจใช้งานแอปพลิเคชันสั่งอาหารที่ขายไม่หมด โดยอิงจากทฤษฎีรวมของการยอมรับและการใช้เทคโนโลยี 2 (UTAUT2) และแนวคิดพฤติกรรมรักษ์สิ่งแวดล้อม กลุ่มตัวอย่างคือบุคคลที่เกิดระหว่างปี พ.ศ. 2524–2539 และไม่เคยใช้งานแอปพลิเคชันดังกล่าว จำนวน 230 คน โดยใช้แบบสอบถามออนไลน์ในการเก็บข้อมูล และวิเคราะห์ข้อมูลด้วยสถิติสัมประสิทธิ์สหสัมพันธ์แบบสเปียร์แมนผลการศึกษาพบว่า ตัวแปรต้นทั้งหมด ได้แก่ ความคาดหวังในประสิทธิภาพ ความคาดหวังในความพยายามใช้งาน อิทธิพลทางสังคม สิ่งสนับสนุนจากสิ่งแวดล้อม ความคาดหวังในความสนุกสนาน คุณค่าด้านราคา และความเคยชิน มีความสัมพันธ์เชิงบวกต่อความตั้งใจใช้งานแอปพลิเคชันสั่งอาหารที่ขายไม่หมดอย่างมีนัยสำคัญทางสถิติ โดยเฉพาะในภาพรวม และกลุ่มที่มีพฤติกรรมรักษ์สิ่งแวดล้อมต่ำพบว่า ความคาดหวังในคุณค่าด้านราคา มีค่าสัมประสิทธิ์สหสัมพันธ์สูงสุด ขณะที่กลุ่มที่มีพฤติกรรมรักษ์สิ่งแวดล้อมสูง ปัจจัยที่มีค่าสัมประสิทธิ์สูงสุดคือ ความคาดหวังในความสนุกสนาน ทั้งนี้ ทุกตัวแปรในกลุ่มที่มีพฤติกรรมรักษ์สิ่งแวดล้อมต่ำมีค่าสัมประสิทธิ์สูงกว่ากลุ่มที่มีพฤติกรรมรักษ์สิ่งแวดล้อมสูง ผลการศึกษานี้สามารถนำไปประยุกต์ใช้ในการออกแบบและพัฒนาแอปพลิเคชันให้ตรงกับความต้องการของกลุ่มเป้าหมาย และส่งเสริมการบริโภคอย่างยั่งยืนในสังคมที่ให้ความสำคัญกับสิ่งแวดล้อมมากยิ่งขึ้น

อิทธิพลของประสบการณ์การท่องเที่ยวเสมือนจริงต่อความตั้งใจในการเยี่ยมชมสถานที่จริง, นรินทร์ ขำแจ่ม

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้เป็นการวิจัยเชิงสำรวจที่มีจุดมุ่งหมายเพื่อศึกษาผลของประสบการณ์การท่องเที่ยวเสมือนจริงต่อความตั้งใจในการเยี่ยมชมสถานที่จริง โดยใช้โมเดลเอส-โอ-อาร์ (Stimulus-Organism-Response) โดยมีกลุ่มตัวอย่างทั้งสิ้น 338 คือ คนไทยเจเนอเรชันวาย จำนวน 192 คน และเจเนอเรชันแซด จำนวน 146 คน ที่ไม่เคยท่องเที่ยวในสถานที่ที่ใช้ในการศึกษามาก่อน แบ่งหน่วยตัวอย่างเป็น 2 กลุ่ม คือ 1) กลุ่มที่รับประสบการณ์การท่องเที่ยวเสมือนจริง และ 2) กลุ่มที่รับชมวิดีโอ เพื่อวิเคราะห์ตัวแปร 6 ด้าน ได้แก่ การรับรู้คุณภาพของข้อมูล การรับรู้คุณภาพของการบริการ การรับรู้คุณภาพของระบบ การรับรู้ความสนุกสนาน การปรากฏตัวทางไกลเสมือนจริง และความจดจ่อ ที่มีต่อความตั้งใจในการเยี่ยมชมสถานที่จริง ผลการศึกษาพบว่ากลุ่มที่รับประสบการณ์การท่องเที่ยวเสมือนจริง มีค่าตัวแปรทั้ง 6 ด้าน และความตั้งใจเยี่ยมชมสถานที่จริง สูงกว่ากลุ่มที่ได้รับชมวิดีโออย่างมีนัยสำคัญทางสถิติ โดยตัวแปรทั้ง 6 ตัวแปรมีความสัมพันธ์เชิงบวกต่อความตั้งใจเยี่ยมชมสถานที่จริงอย่างมีนัยสำคัญทางสถิติ การวิเคราะห์ถดถอยพหุคูณ พบว่า มีเพียงตัวแปรเดียว ที่สามารถทำนายความตั้งใจในการเยี่ยมชมสถานที่จริง คือ ความจดจ่อ ซึ่งผู้วิจัยหวังว่าผลการวิเคราะห์จากงานวิจัยนี้จะเป็นประโยชน์ต่อองค์กรหรือผู้ที่มีส่วนเกี่ยวข้อง โดยสามารถนำผลลัพธ์ที่ได้จากงานวิจัยไปใช้พัฒนาเทคโนโลยีที่เกี่ยวกับการท่องเที่ยวให้ดีขึ้น และผู้ประกอบการในธุรกิจท่องเที่ยวสามารถนำผลการวิจัยมาใช้สร้างกลยุทธ์ เพิ่มแรงจูงใจให้นักท่องเที่ยวตัดสินใจที่จะมาเยี่ยมชมสถานที่ท่องเที่ยวจริง รวมถึงนำไปใช้ปรับปรุงการท่องเที่ยวเสมือนจริงให้มีคุณภาพ เพื่อส่งเสริมการท่องเที่ยวแบบยั่งยืน

การวิเคราะห์เชิงประจักษ์ของพฤติกรรมการแวะชมและการใช้จ่ายที่เว็บไซต์แอมะซอน: ผลของโรคโควิด 19, ลภัสรดา บำรุงจิตต์

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์พฤติกรรมการแวะชมและการซื้อสินค้าของผู้บริโภคบนเว็บไซต์อเมซอน ในช่วงก่อนและระหว่างการแพร่ระบาดของโรคโควิด 19 โดยเฉพาะในหมวดหมู่สินค้าประเภทเวชภัณฑ์และเครื่องแต่งกาย การศึกษานี้ใช้ข้อมูลทุติยภูมิจากฐานข้อมูล Comscore ของ Wharton Research Data Services ซึ่งเก็บรวบรวมข้อมูลจากผู้ใช้งานเว็บไซต์อเมซอน ในปี 2019 และ 2021 เพื่อเปรียบเทียบพฤติกรรมในสองช่วงเวลาดังกล่าว การวิเคราะห์ข้อมูลในงานวิจัยนี้มุ่งเน้นไปที่ตัวแปรสำคัญ ได้แก่ จำนวนหน้ามีหน่วยคือหน้า ระยะเวลาการแวะชมเว็บไซต์มีหน่วยคือนาที และมูลค่าการซื้อสินค้ามีหน่วยคือดอลลาร์ โดยผลการศึกษาพบว่าพฤติกรรมการแวะชมและการซื้อสินค้าบนเว็บไซต์อเมซอน มีความแตกต่างกันอย่างมีนัยสำคัญระหว่างช่วงก่อนและระหว่างการแพร่ระบาดของโรคโควิด19 กล่าวคือความต้องการซื้อสินค้าในหมวดหมู่สินค้าประเภทเวชภัณฑ์เพิ่มขึ้นอย่างมาก เนื่องจากผู้บริโภคให้ความสำคัญกับความปลอดภัยและสุขภาพ ในขณะที่หมวดเครื่องแต่งกายมีการแวะชมน้อยลง เนื่องจากผู้บริโภคให้ความสำคัญกับการปลอดโรคในชีวิตประจำวันมากกว่าการซื้อเสื้อผ้าแฟชั่นใหม่ ผลการศึกษานี้ชี้ให้เห็นว่าการแพร่ระบาดของโรคโควิด 19 มีบทบาทสำคัญในการเปลี่ยนแปลงพฤติกรรมการซื้อสินค้าของผู้บริโภค ส่งผลให้พาณิชย์อิเล็กทรอนิกส์กลายเป็นช่องทางหลักในการซื้อสินค้าที่จำเป็นในชีวิตประจำวัน ข้อมูลที่ได้รับจากการวิจัยครั้งนี้สามารถนำไปใช้ในการวางแผนกลยุทธ์ และการปรับปรุงการดำเนินงานของธุรกิจพาณิชย์อิเล็กทรอนิกส์ให้ตอบสนองต่อความต้องการที่เปลี่ยนแปลงไปของผู้บริโภคได้อย่างมีประสิทธิภาพ

ปัจจัยที่ส่งผลต่อความตั้งใจใช้แอปพลิเคชันบริการรถรับส่งสำหรับผู้สูงอายุ, เจนชินา กิตติวศิน

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้มีวัตถุประสงค์ เพื่อศึกษาปัจจัยที่ส่งผลต่อความตั้งใจใช้แอปพลิเคชันบริการรถรับส่งสำหรับผู้สูงอายุ ในผู้ใช้เจเนอเรชันเอ็กซ์และวาย ที่มีผู้สูงอายุในครอบครัวและไม่เคยใช้แอปพลิเคชันประเภทนี้มาก่อน กรอบแนวคิดอิงตามทฤษฎี UTAUT2 และเพิ่มตัวแปรความกตัญญูในการศึกษา ใช้กลุ่มตัวอย่างจำนวน 263 คน เครื่องมือที่ใช้ในการเก็บข้อมูลคือแบบสอบถามออนไลน์ วิเคราะห์ข้อมูลด้วยค่าสัมประสิทธิ์สหสัมพันธ์แบบสเปียร์แมน พบว่า ตัวแปรต้นทั้ง 8 ตัว ได้แก่ ความคาดหวังด้านประสิทธิภาพ ความคาดหวังในความพยายามใช้งาน อิทธิพลทางสังคมสภาพแวดล้อมที่สนับสนุน ความคาดหวังในคุณค่าด้านราคา ความเคยชิน ความคาดหวังในความเป็นส่วนตัวและความปลอดภัย และความกตัญญู มีความสัมพันธ์เชิงบวกต่อความตั้งใจใช้แอปพลิเคชันบริการรถรับส่งสำหรับผู้สูงอายุอย่างมีนัยสำคัญทางสถิติ การวิเคราะห์ถดถอยพหุคูณในภาพรวม และเมื่อนำตัวแปรช่วงอายุเข้ามาร่วมพิจารณา พบว่า มี 4 ตัวแปร ที่สามารถทำนายความตั้งใจใช้แอปพลิเคชันได้ ได้แก่ ความคาดหวังด้านประสิทธิภาพ อิทธิพลทางสังคม สภาพแวดล้อมที่สนับสนุน และความคาดหวังในความเป็นส่วนตัวและความปลอดภัย ขณะที่เมื่อนำตัวแปรอัตลักษณ์ทางเพศเข้ามาร่วมพิจารณา พบว่า มี 5 ตัวแปร ที่สามารถทำนายความตั้งใจใช้แอปพลิเคชันได้ ได้แก่ ความคาดหวังด้านประสิทธิภาพ อิทธิพลทางสังคม ความคาดหวังในความเป็นส่วนตัวและความปลอดภัย ความกตัญญู และอัตลักษณ์ทางเพศ ผลการศึกษานี้ให้แนวทางในการพัฒนาแอปพลิเคชันบริการรถรับส่งสำหรับผู้สูงอายุและกลยุทธ์การสื่อสารที่สอดคล้องกับบริบทวัฒนธรรมไทย

ปัจจัยที่ส่งผลต่อความตั้งใจซื้อคอนโดมิเนียมจากการชมวิดีโอความเป็นจริงเสมือน, คุณานนท์ น้อยจันทร์

Chulalongkorn University Theses and Dissertations (Chula ETD)

งานวิจัยนี้ได้ศึกษาถึงปัจจัยที่ส่งผลต่อความตั้งใจซื้อคอนโดมิเนียมจากการชมวิดีโอความเป็นจริงเสมือน โดยพิจารณาความสัมพันธ์ของปัจจัยการกระตุ้นด้วยเทคโนโลยีความเป็นจริงเสมือน กับ คุณค่าเชิงสุนทรียรส คุณค่าเชิงอรรถประโยชน์ และความเชื่อมั่น ซึ่งเป็นตัวแปรสำคัญที่มีอิทธิพลต่อความตั้งใจซื้อ เป็นการวิจัยเชิงปริมาณเก็บข้อมูลผ่านแบบสอบถามจากกลุ่มตัวอย่างประชากรไทยอายุ 20 ปีขึ้นไป ซึ่งสามารถครอบครองอสังหาริมทรัพย์ได้ และไม่เคยใช้เทคโนโลยีความเป็นจริงเสมือนในการเลือกซื้อคอนโดมิเนียมมาก่อน ในกลุ่มเบบี้บูมเมอร์ เจเนอเรชันเอ็กซ์ เจเนอเรชันวาย และเจเนอเรชันแซด จากหน่วยตัวอย่างจำนวน 541 คน ในการวิเคราะห์ข้อมูลใช้สถิติเชิงพรรณนาและสถิติเชิงอนุมาน โดยใช้ Spearman Rank Correlation ในการทดสอบความสัมพันธ์ของปัจจัยแต่ละกลุ่ม และ Kruskal-Wallis ในการเปรียบเทียบความตั้งใจซื้อระหว่างกลุ่ม ผลการวิจัยพบว่ามีค่าความสัมพันธ์เชิงบวกสูงที่สุดสำหรับในกลุ่มเบบี้บูมเมอร์ได้แก่ปัจจัยการกระตุ้นด้วยเทคโนโลยีความเป็นจริงเสมือนมีความสัมพันธ์ชิงบวกต่อความเชื่อมั่น คุณค่าเชิงสุนทรียรส และคุณค่าเชิงอรรถประโยชน์ (r = 0.710, 0.668 และ 0.523 ตามลำดับ) ซึ่งปัจจัยความเชื่อมั่น และคุณค่าเชิงสุนทรียรส มีความสัมพันธ์บวกต่อความตั้งใจซื้อคอนโดมิเนียม (r = 0.614 และ 0.421 ตามลำดับ) แต่ปัจจัยคุณค่าเชิงอรรถประโยชน์มีความสัมพันธ์ชิงบวกต่อความตั้งใจซื้อคอนโดมิเนียมมากที่สุดในกลุ่มเจเนอเรชันวาย (r = 0.441) สูงที่สุด ส่วนความตั้งใจซื้อคอนโดมิเนียมโดยเฉลี่ยพบว่ามีความแตกต่างกันที่ระดับนัยสำคัญ 0.01

Leveraging Gpt-4 For Thai Land And Building Tax Calculation In The Bangkok Area, Sadanan Arsaibun

Chulalongkorn University Theses and Dissertations (Chula ETD)

This paper explores the application of large language models (LLMs), particularly GPT-4, in the context of Thai land and building tax computation. We address challenges arising from the complexity of Thai tax regulations, the scarcity of Thai-language training data, and the structured, multi-variable nature of tax computation tasks. To enhance model performance, we employ few-shot prompting, decomposition-based reasoning, and retrieval-augmented generation (RAG). We further introduce a JSON-style output format to support structured conversational interactions, allowing the model to identify missing user inputs and guide data collection. A secondary o3-mini pass is used as an answer verifier, helping to assess the …

End-To-End Development Of Mandible Reconstruction Using Machine Learning, Nattapon Kamboonsri

Chulalongkorn University Theses and Dissertations (Chula ETD)

Virtual surgical planning (VSP) is a critical step in mandible reconstruction surgery, which involves preoperative planning and implant design to restore mandibular defects. This study focuses on two essential components of VSP: (1) mandible segmentation, specifically the separation of healthy and defective regions, which currently relies on manual annotation, and (2) generation of the complete mandible, where traditional approaches such as mirroring the contralateral side often fail in scenarios involving midline-crossing defects. While recent automated methods have addressed mandible segmentation from CT scans, they typically focus only on binary segmentation and often utilize conventional UNet-based architectures that suffer from limited …

Automated Cecum Identification In Colonoscopy Using Deep Learning Approach, Kittipoom Sutthinuntakorn

Chulalongkorn University Theses and Dissertations (Chula ETD)

Colonoscopy is essential for the early detection and prevention of colorectal cancer. Identifying the cecum is a vital element of this process. However, most existing automated methods rely on still images or temporal cues alone, without incorporating camera motion awareness, and are rarely suitable for real-time use. In this paper, we present a real-time cecum detection method that integrates spatial features, temporal modeling, and camera motion cues. We deploy ConvNeXtV2 for spatial feature extraction, LTContext for temporal modeling, and Depth Anything in Robotic Endoscopic Surgery (DARES) to enhance understanding of endoscope positioning and camera motion. The dataset used in this …

Craftjai: Llm-Enhanced Generative Ai For Gamified Mood Journal, Kingrak Phairoh

Chulalongkorn University Theses and Dissertations (Chula ETD)

Mood journaling helps promote emotional self-awareness, but maintaining user motivation remains difficult. This study presents CRAFTJAI, a generative AI system that enhances journaling through emotionally aligned visual feedback. Instead of replacing diary entries, the system adds character-based imagery to support intrinsic motivation and symbolic emotional reflection. It consists of emotional feature extraction using a large language model, emotion-labeled dataset construction based on eight core moods, and LoRA fine-tuning of a diffusion-based text-to-image model to improve emotional fidelity and stylistic consistency. A web-based prototype was developed with Gradio for real-time evaluation. Drawing on gamification and self-determination theory, the system integrates emotional …

แบบจำลองวุฒิภาวะด้านการวิเคราะห์ผลป้อนกลับของผู้ใช้สำหรับการบำรุงรักษาซอฟต์แวร์, ภัทรพงศ์ วิโรจน์ปกรณ์

Chulalongkorn University Theses and Dissertations (Chula ETD)

การวิเคราะห์ผลป้อนกลับของผู้ใช้ซอฟต์แวร์เป็นองค์ประกอบสำคัญของการบำรุงรักษาซอฟต์แวร์ เนื่องจากช่วยให้เข้าใจโดยตรงถึงวิธีที่ผู้ใช้จริงมีปฏิสัมพันธ์กับระบบ อุปสรรคที่ผู้ใช้เผชิญ และการปรับปรุงที่ผู้ใช้ต้องการ องค์กรที่พัฒนาซอฟต์แวร์อาจมีช่องทางหลากหลายในการรวบรวมผลป้อนกลับของผู้ใช้ แต่ประสิทธิภาพขององค์กรในการนำผลป้อนกลับเหล่านั้นไปใช้อาจมีความแตกต่างกันอย่างมาก งานวิจัยนี้เสนอแบบจำลองวุฒิภาวะด้านการวิเคราะห์ผลป้อนกลับของผู้ใช้ซอฟต์แวร์ (SFAMM) ซึ่งเป็นกรอบแนวคิดสำหรับประเมินระดับวุฒิภาวะของกระบวนการวิเคราะห์ผลป้อนกลับของผู้ใช้ซอฟต์แวร์ (SFAP) ขององค์กรพัฒนาซอฟต์แวร์ โดย SFAMM แบ่งระดับวุฒิภาวะออกเป็น 6 ระดับ ซึ่งแต่ละระดับประกอบด้วย 4 ปัจจัยหลักและปัจจัยย่อยของแต่ละปัจจัยหลัก SFAMM ได้รับการทวนสอบความถูกต้องผ่านการเชื่อมโยงกับมาตรฐาน ISO/IEC 15504 ซึ่งเป็นมาตรฐานสำหรับการประเมินกระบวนการ นอกจากนี้ SFAMM ยังมาพร้อมกับแบบสอบถามสำหรับประเมินวุฒิภาวะด้านการวิเคราะห์ผลป้อนกลับของผู้ใช้ซอฟต์แวร์ (SFAA) เพื่อให้องค์กรสามารถประเมินตนเองได้ว่าอยู่ในระดับใด และสามารถกำหนดแนวทางในการปรับปรุงกระบวนการวิเคราะห์ผลป้อนกลับของผู้ใช้ งานวิจัยยังได้เสนอผลสำรวจวุฒิภาวะด้านการวิเคราะห์ผลป้อนกลับของผู้ใช้ซอฟต์แวร์ขององค์กรพัฒนาซอฟต์แวร์ในประเทศไทย