รายละเอียดโครงงาน
หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2568
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
ระบบสำรวจรายวิชาเชิงความหมายโดยใช้การสกัดทักษะเป็นตัวกลางด้วยสถาปัตยกรรม RAG หลายขั้นตอน
ชื่อโครงงานภาษาอังกฤษ
A Semantic Course Exploration System Using Skill Abstraction as an Intermediate Representation in a Multi-Stage RAG Architecture
ผู้พัฒนา
6510503565 พรเทพ หอมเกษร
อาจารย์ที่ปรึกษาหลัก
จิตติ นิรมิตรานนท์
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
ความสนใจของผู้เรียนมักถูกอธิบายผ่านทักษะหรือบทบาทในโลกการทำงาน ขณะที่รายวิชาในมหาวิทยาลัยถูกนำเสนอด้วยภาษาทางวิชาการและผลลัพธ์การเรียนรู้ที่มีโครงสร้าง ความแตกต่างเชิงความหมายดังกล่าวทำให้การเชื่อมโยงความสนใจกับรายวิชาเป็นเรื่องท้าทาย งานวิจัยนี้นำเสนอการออกแบบและพัฒนาต้นแบบระบบสำรวจทักษะโดยอาศัยสถาปัตยกรรมการสร้างข้อความโดยมีการค้นคืนสารสนเทศช่วยเสริม (Retrieval-Augmented Generation: RAG) ระบบใช้โมเดลภาษาขนาดใหญ่ในการวิเคราะห์คำถามของผู้ใช้และสกัดทักษะในฐานะตัวแทนเชิงความหมายระดับกลาง เพื่อนำไปใช้ค้นคืนรายวิชาที่เกี่ยวข้อง พร้อมกลไกการคัดกรองผลลัพธ์เพื่อลดสัญญาณรบกวนก่อนการสร้างคำตอบ การประเมินครอบคลุมความยึดโยงของคำตอบกับข้อมูลที่ค้นคืน ประสิทธิภาพการค้นคืน และประสิทธิภาพของการคัดกรอง โดยใช้โมเดลภาษาในบทบาทผู้ตัดสินร่วมกับตัวชี้วัดเชิงปริมาณ ผลการทดลองจากชุดคำถามทดสอบ 26 คำถามพบว่า ค่า Answer Faithfulness เฉลี่ยอยู่ที่ 4.81 จาก 5 คะแนน และมีค่า Precision@5 และ Precision@10 เท่ากับ 0.667 และ 0.614 ตามลำดับ ขณะที่กลไกการคัดกรองมีความสอดคล้องกับการตัดสินของโมเดลภาษาร้อยละ 89 ผลลัพธ์สะท้อนศักยภาพของการใช้ทักษะเป็นตัวกลางเชิงความหมายในการเชื่อมโยงคำถามปลายเปิดกับผลลัพธ์การเรียนรู้ของรายวิชาอย่างมีประสิทธิภาพ
Abstract
Learners often describe their interests in terms of skills or professional roles, whereas university courses are presented using formal academic language and structured learning outcomes. This semantic difference makes it challenging to connect personal interests with relevant courses. This study presents the design and development of a prototype skill exploration system based on a Retrieval-Augmented Generation (RAG) architecture. The system employs a large language model to analyze user queries and extract skills as intermediate semantic representations, which are then used to retrieve semantically related courses. A filtering mechanism is applied to reduce irrelevant results before response generation. The evaluation covers answer faithfulness to retrieved content, retrieval effectiveness, and filtering performance, using a Large Language Model in the role of judge (LLM-as-a-Judge) together with quantitative metrics. Experimental results from 26 test queries show an average Answer Faithfulness score of 4.81 out of 5, with Precision@5 and Precision@10 of 0.667 and 0.614, respectively, and 89% agreement between the filtering mechanism and LLM-based judgment. These results reflect the potential of using skills as intermediate semantic representations to support exploratory interest discovery and effective semantic alignment between extracted skills and university courses.
คำสำคัญ (Keywords)
การสร้างข้อความโดยมีการค้นคืนสารสนเทศช่วยเสริม
การเชื่อมโยงรายวิชา
การค้นคืนข้อมูลเชิงความหมาย
โมเดลภาษาขนาดใหญ่
เว็บไซต์โครงงาน
https://skill-aligner-fe.vercel.app/
วีดีโอคลิปของโครงงาน
ที่เก็บเวอร์ชันซอร์สโค้ด
https://github.com/ArKaRaShi/skill-aligner-fe.git
https://github.com/ArKaRaShi/skill-aligner-be.git
สถานะการนำเข้าข้อมูล
ผู้นำเข้าข้อมูลครั้งแรก
พรเทพ
หอมเกษร
(b6510503565)
แก้ไขครั้งสุดท้าย
เมื่อ March 14, 2026, 8:41 p.m. โดย
พรเทพ
หอมเกษร
(b6510503565)
สถานะการอนุมัติ
รออนุมัติ