การวิเคราะห์การจัดกลุ่มข้อมูลเพื่อระบุบุคคลไทยที่มีความเสี่ยงสูงต่อความรุนแรงในครอบครัวและปัญหาสุขภาพจิต โดยใช้เทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
จากสถานการณ์ความรุนแรงในครอบครัวและปัญหาสุขภาพจิตในประเทศไทยยังคงเป็นปัญหาสำคัญที่ส่งผลต่อคุณภาพชีวิตและความมั่นคงของสังคม โดยเฉพาะอย่างยิ่งในช่วงวิกฤตเศรษฐกิจและการแพร่ระบาดของโรค COVID-19 ที่มีแนวโน้มการเพิ่มขึ้นของเหตุการณ์ความรุนแรงภายในครอบครัว อย่างไรก็ตาม งานวิจัยที่ผ่านมายังขาดการวิเคราะห์เชิงลึกโดยใช้เทคนิควิทยาการข้อมูลเพื่อจำแนกกลุ่มบุคคลที่มีความเสี่ยงสูง การวิจัยนี้มีวัตถุประสงค์เพื่อจำแนกกลุ่มบุคคลไทยที่มีความเสี่ยงสูงต่อปัญหาสุขภาพจิตและความรุนแรงในครอบครัว โดยประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่อง ด้วยวิธีการจัดกลุ่มข้อมูลแบบไม่มีการกำกับ (Unsupervised Learning) ได้แก่ K-means, Hierarchical Clustering (HC) และ Gaussian Mixture Models (GMMs) และเปรียบเทียบประสิทธิภาพของแต่ละเทคนิคด้วยตัวชี้วัดภายในเพื่อหาวิธีการที่เหมาะสมที่สุดในการแยกกลุ่มความเสี่ยง การวิจัยครั้งนี้ใช้ข้อมูลผู้กระทำความรุนแรงในครอบครัวจำนวน 1,162 รายการที่ได้จากแหล่งข้อมูลสาธารณะ สำนักงานพัฒนารัฐบาลดิจิทัล (DGA) ผลการวิเคราะห์พบว่า HC มีประสิทธิภาพดีที่สุด (Silhouette Score = 0.429, Calinski-Harabasz Index = 61.790, Davies-Bouldin Index = 1.034) สามารถจำแนกกลุ่มความเสี่ยงได้ชัดเจน โดยกลุ่มเสี่ยงสูงมีลักษณะสำคัญคือ เพศชาย อายุช่วงวัยกลางคน มีปัญหาสุขภาพจิต มีการใช้สารเสพติด และความเครียดทางเศรษฐกิจ ผลการวิจัยนี้สะท้อนให้เห็นถึงศักยภาพของการใช้เทคนิคการเรียนรู้ของเครื่องในการจำแนกกลุ่มเสี่ยงเพื่อสนับสนุนการออกแบบมาตรการป้องกันเฉพาะกลุ่มได้อย่างมีประสิทธิภาพ หรือหน่วยงานที่เกี่ยวข้องสามารถนำผลการศึกษาไปพัฒนาระบบแจ้งเตือนความเสี่ยงเชิงป้องกันหรือวางแผนเชิงนโยบายเพื่อป้องกันความรุนแรงในครอบครัวและส่งเสริมสุขภาพจิตของประชาชนอย่างยั่งยืน
Article Details
เอกสารอ้างอิง
ณัฐวุฒิ แถมเงิน, ปกรณ์ ล่องทอง, พงศศรัณย์ ทองหนูนุ้ย, กนกวรรณ ละอองศรี, อนามัย เทศกะทึก, พีรพล ศิริพงศ์วุฒิกร, และณฐนนท์ เทพตะขบ, และวิริยะ มหิกุล. (2567). การเรียนรู้ของเครื่องเพื่อทำนายระดับความรุนแรงของความผิดปกติของความยืดหยุ่นปอดของพนักงานโรงงาน. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 43(2), 84–95.
พิทยา สังข์แก้ว, รุ่งทิวา เสาวนีย์, และอารยา หาอุปละ. (2565). การสำรวจความรุนแรงในครอบครัวในสถานการณ์การแพร่ระบาดของโรคโควิด-19 กรุงเทพมหานคร. Rama Medical Journal, 45(3), 33–41. https://doi.org/10.33165/rmj.2022.45.3.257258
สำนักงานพัฒนารัฐบาลดิจิทัล. (2567). ข้อมูลผู้กระทำความรุนแรงในครอบครัว [ชุดข้อมูล]. ศูนย์กลางข้อมูลเปิดภาครัฐ. https://gdcatalog.go.th/dataset/gdpublish-dwf-pb-dmv01-050507-04 (เข้าถึงเมื่อ 3 มีนาคม 2568)
อรรคพล ดำเนินผล. (2564). บทบาทศูนย์พัฒนาครอบครัวในชุมชนกับปัญหาความรุนแรงในครอบครัว: กรณีศึกษาศูนย์พัฒนาครอบครัวในชุมชน ตำบลท่าทราย จังหวัดนนทบุรี (สารนิพนธ์ปริญญารัฐประศาสนศาสตรมหาบัณฑิต). จุฬาลงกรณ์มหาวิทยาลัย, Chula Digital Collections. https://digital.car.chula.ac.th/chulaetd/8052
Amer, A. A., Al-Razgan, M., Abdalla, H. I., Al-Asaly, M., Alfakih, T., & Al-Hammadi, M. (2024). Neighboring-aware hierarchical clustering: A new algorithm and extensive evaluation. International Journal on Semantic Web and Information Systems, 20(1). https://doi.org/10.4018/IJSWIS.346377
Analytics Vidhya. (2021, January 12). In-depth intuition of K-means clustering algorithm in machine learning. https://www.analyticsvidhya.com/blog/2021/01/in-depth-intuition-of-k-means-clustering-algorithm-in-machine-learning/
AntixK. (2024, January 12). Extending Mahalanobis distance to Gaussian mixtures. https://antixk.netlify.app/blog/gmm_mahalanobis/
Arora, N., Singh, A., Al-Dabagh, M. Z. N., & Maitra, S. K. (2022). A novel architecture for diabetes patients’ prediction using K-means clustering and SVM. Mathematical Problems in Engineering, 2022, 4815521. https://doi.org/10.1155/2022/4815521
Budiarto, A., Mahesworo, B., Hidayat, A. A., Nurlaila, I., & Pardamean, B. (2021). Gaussian mixture model (GMMs) implementation for population stratification estimation from genomics data. Procedia Computer Science, 179, 202–210. https://doi.org/10.1016/j.procs.2020.12.026
BuiltIn. (2024). The elbow method for clustering explained. https://builtin.com/data-science/elbow-method
GeeksforGeeks. (2020, May 8). Elbow method for optimal value of k in KMeans. https://www.geeksforgeeks.org/elbow-method-for-optimal-value-of-k-in-kmeans/
Georgiou, K. (2024). Thematic analysis: A practical guide. European Journal of Psychotherapy & Counselling. https://doi.org/10.1080/13642537.2024.2391666
Hasan, M. K., Alam, M. A., Das, D., Hossain, E., & Hasan, M. (2020). Diabetes prediction using ensembling of different machine learning classifiers. IEEE Access, 8, 76516–76531. https://doi.org/10.1109/ACCESS.2020.2989857
Hassan, B. A., Rashid, T. A., & Hamarashid, H. K. (2021). A novel cluster detection of COVID-19 patients and medical disease conditions using improved evolutionary clustering algorithm star. Computers in Biology and Medicine, 138, Article 104866. https://doi.org/10.1016/j.compbiomed.2021.104866
Hemad, B. A., Ibrahim, N. M. A., Fayad, S. A., & Talaat, H. E. A. (2022). Hierarchical clustering-based framework for interconnected power system contingency analysis. Energies, 15(15), Article 5631. https://doi.org/10.3390/en15155631
Huang, H., Liao, Z., Wei, X., & Zhou, Y. (2023). Combined Gaussian mixture model and pathfinder algorithm for data clustering. Entropy, 25(6), Article 946. https://doi.org/10.3390/e25060946
Jewkes, R., Flood, M., & Lang, J. (2015). From work with men and boys to changes of social norms and reduction of inequities in gender relations: A conceptual shift in prevention of violence against women and girls. The Lancet, 385(9977), 1580–1589. https://doi.org/10.1016/S0140-6736(14)61683-4
Lima, S. P., & Cruz, M. D. (2020). A genetic algorithm using Calinski–Harabasz index for automatic clustering problem. Revista Brasileira de Computação Aplicada, 12(3), 97–106. https://doi.org/10.5335/rbca.v12i3.11117
Liu, Y., Li, Z., Xiong, H., Gao, X., & Wu, J. (2021). Understanding of internal clustering validation measures. Information Sciences, 575, 346–364. https://doi.org/10.1016/j.ins.2021.07.021
Müllner, D. (2020). Modern hierarchical, agglomerative clustering algorithms. arXiv. https://arxiv.org/pdf/2005.03197
Murtagh, F., & Legendre, P. (2014). Ward’s hierarchical agglomerative clustering method: Which algorithms implement Ward’s criterion? Journal of Classification, 31(2), 274–295. https://doi.org/10.1007/s00357-014-9161-z
Rizman Žalik, K., & Žalik, M. (2023). Comparison of K-means, K-means++, X-means and single value decomposition for image compression. In 27th International Conference on Circuits, Systems, Communications and Computers (CSCC) (pp. 295–301). IEEE. https://doi.org/10.1109/CSCC58962.2023.00055
Scikit-learn developers. (2023). sklearn.metrics.silhouette_score. https://scikit-learn.org/stable/modules/generated/sklearn.metrics.silhouette_score.html
Supakorn, S. (2021, December 14). K-means clustering: การแบ่งกลุ่มย่อยเพื่อหาศูนย์กลาง! Medium. https://medium.com/@si.supakorn_st/k-means-clustering-67a018f8cfb6
Wang, F., Franco-Penya, H.-H., Kelleher, J. D., Pugh, J., & Ross, R. (2017). An analysis of the application of simplified silhouette to the evaluation of k-means clustering validity. In P. Perner (Ed.), Machine learning and data mining in pattern recognition. MLDM 2017. Lecture notes in computer science (Vol. 10358, pp. 291–305). Springer. https://doi.org/10.1007/978-3-319-62416-7_21
World Health Organization. (2024, March 25). Violence against women. https://www.who.int/news-room/fact-sheets/detail/violence-against-women
Zhang, T., Ju, L., Singh, P., & Toor, S. (2025). InfoHier: Hierarchical information extraction via encoding and embedding. arXiv. https://arxiv.org/abs/2501.08717
