การยกระดับประสิทธิภาพการให้อาหารหนอนไหมตามช่วงวัยด้วยเทคโนโลยีแชทบอทเพื่อเพิ่มกำลังการผลิตผ้าไหม จังหวัดสุรินทร์
DOI:
https://doi.org/10.65205/jcct.2026.e3896คำสำคัญ:
การสร้างข้อมูลเสริมด้วยการค้นคืน, แชทบอทด้านการเกษตร, การจัดการการให้อาหารไหม, โมเดลการยอมรับเทคโนโลยี, จังหวัดสุรินทร์บทคัดย่อ
เกษตรกรผู้เลี้ยงไหมในจังหวัดสุรินทร์ยังคงเผชิญกับความท้าทายอย่างต่อเนื่อง อันเป็นผลมาจากคำแนะนำในการให้อาหารที่แตกต่างกันไปตามช่วงวัยของหนอนไหม แต่ส่วนใหญ่ยังคงพึ่งพาความจำและความรู้ที่ไม่เป็นทางการถ่ายทอดกันมาระหว่างรุ่น การศึกษานี้ได้พัฒนาและประเมิน MaiKham AI ซึ่งเป็นแชทบอทเฉพาะทางที่สร้างขึ้นบนสถาปัตยกรรม Retrieval-Augmented Generation (RAG) ซึ่งออกแบบมาเพื่อให้คำแนะนำการให้อาหารตามช่วงวัยผ่านการโต้ตอบ ด้วยข้อความ เสียง และภาพ การวิจัยนี้มีวัตถุประสงค์ 2 ข้อ ได้แก่ การประเมินประสิทธิภาพทางเทคนิคของแชทบอท และการวัดผลต่อผลผลิตการเลี้ยงไหมและการยอมรับเทคโนโลยีของเกษตรกร ใช้รูปแบบการวิจัยกึ่งทดลอง คัดเลือกเกษตรกร ผู้เลี้ยงไหม 50 คนในจังหวัดสุรินทร์แบบเจาะจง แบ่งเป็นกลุ่มที่ใช้แชทบอท (n = 25) หรือกลุ่มการปฏิบัติตามวิธีการดั้งเดิม (n = 25) ระบบ RAG ซึ่งได้มาจากคู่มือการเลี้ยงไหมที่โหลดลงในฐานความรู้ของ Google AI Studio โดยใช้ Gemini 1.5 Pro ในการสร้างคำตอบที่อิงจากความรู้ในสาขานั้น การประเมินจากผู้เชี่ยวชาญให้คะแนนระบบที่ 4.58 จาก 5.00 (S.D. = 0.24) เกษตรกรที่ใช้ MaiKham AI ผลิตรังไหมที่มีน้ำหนักมากกว่าและไหมที่มีคุณภาพสูงกว่ากลุ่มควบคุม (p < 0.001) โดยมี การเพิ่มผลผลิต 70–90% ตลอดรอบการเลี้ยง ด้านการยอมรับเทคโนโลยี เกษตรกรให้คะแนน การรับรู้ประโยชน์ที่ 4.38 (S.D. = 0.78) และการรับรู้ถึงความง่ายในการใช้งานที่ 4.46 (S.D. = 0.87) โดยเฉพาะเกษตรกรผู้สูงอายุ สามารถปรับตัวได้เร็วกว่าที่คาดไว้เมื่อมีการป้อนข้อมูลด้วยเสียง หลังจากการฝึกอบรมแบบมีโครงสร้าง ผู้เข้าร่วม 94% สามารถใช้งานระบบได้อย่างอิสระ งานวิจัยนี้ชี้ว่าแชทบอทบนสถาปัตยกรรม RAG สามารถนำไปใช้จริงในการเลี้ยงไหมระดับครัวเรือนได้ โดยเฉพาะในกลุ่มเกษตรกรสูงอายุที่มีทักษะดิจิทัลจำกัด RAG
Downloads
เอกสารอ้างอิง
Adamopoulou, E., & Moussiades, L. (2020). An Overview of Chatbot Technology. In Maglogiannis, I., Iliadis, L., & Pimenidis, E. (Eds), Artificial Intelligence Applications and Innovations (584, 373–383). Springer International Publishing. https://doi.org/10.1007/978-3-030-49186-4_31 DOI: https://doi.org/10.1007/978-3-030-49186-4_31
Asolo, E., Gil-Ozoudeh, I., & Ejimuda, C. (2024). AI-Powered Decision Support Systems for Sustainable Agriculture using AI-Chatbot Solution. Journal of Digital Food, Energy & Water Systems, 5(1), 1-10. https://doi.org/10.36615/2ar4w994 DOI: https://doi.org/10.36615/2ar4w994
Beck, K., Beedle, M., Bennekum, A. V., Cockburn, A., Cunningham, W., Fowler, M., Grenning, J., Highsmith, J., Hunt, A., Jeffries, R., Kern, J., Marick, B., Martin, R. C., Mellor, S., Schwaber, K., Sutherland, J., & Thomas, D. (2001). Manifesto for Agile Software Development. https://agilemanifesto.org
Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008 DOI: https://doi.org/10.2307/249008
Ekanayake, J., & Saputhanthri, L. (2020). E-AGRO: Intelligent Chat-Bot. IoT and Artificial Intelligence to Enhance Farming Industry. AGRIS On-Line Papers in Economics and Informatics, 12(1), 15–21. https://doi.org/10.7160/aol.2020.120102 DOI: https://doi.org/10.7160/aol.2020.120102
Jantavongso, S. (2022). Toward Global Digital Literate Citizens: A Case of Thailand ’s Aging Generation. The Electronic Journal of Information Systems in Developing Countries, 88(2), e12207. https://doi.org/10.1002/isd2.12207 DOI: https://doi.org/10.1002/isd2.12207
Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep Learning in Agriculture: A Survey. Computers and Electronics in Agriculture, 147, 70–90. https://doi.org/10.1016/j.compag.2018.02.016 DOI: https://doi.org/10.1016/j.compag.2018.02.016
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W. -T., Rocktäschel, T., Riedel, S., Kiela, D. (2020, December 6-12). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. 34th Conference on Neural Information Processing Systems, 9459-9474. Curran Associates.
Sawangloke, W., Chanthes, S., & Nuttee, S. (2023). Measuring the Labour Productivity of Sericultural Farmers in Mahasarakham Province, Thailand. African Journal of Food, Agriculture, Nutrition and Development, 23(8), 24383–24405. https://doi.org/10.22004/ag.econ.340749 DOI: https://doi.org/10.18697/ajfand.123.23330
Schwaber, K., & Sutherland, J. (2020). The Scrum Guide. https://scrumguides.org/docs/scrumguide/v2020/2020-Scrum-Guide-US.pdf
Shoaib, M., Sadeghi-Niaraki, A., Ali, F., Hussain, I., & Khalid, S. (2025). Leveraging Deep Learning for Plant Disease and Pest Detection: A Comprehensive Review and Future Directions. Frontiers in Plant Science, 16, 1538163. https://doi.org/10.3389/fpls.2025.1538163 DOI: https://doi.org/10.3389/fpls.2025.1538163
Thar, S. P., Ramilan, T., Farquharson, R. J., Pang, A., & Chen, D. (2021). An Empirical Analysis of the Use of Agricultural Mobile Applications among Smallholder Farmers in Myanmar. The Electronic Journal of Information Systems in Developing Countries, 87(2), e12159. https://doi.org/10.1002/isd2.12159 DOI: https://doi.org/10.1002/isd2.12159
Vaportzis, E., Giatsi Clausen, M., & Gow, A. J. (2017). Older Adults Perceptions of Technology and Barriers to Interacting with Tablet Computers: A Focus Group Study. Frontiers in Psychology, 8, 1687. https://doi.org/10.3389/fpsyg.2017.01687 DOI: https://doi.org/10.3389/fpsyg.2017.01687
Yu, H., Gan, A., Zhang, K., Tong, S., Liu, Q., & Liu, Z. (2025). Evaluation of Retrieval-Augmented Generation: A Survey. In Zhu, W., Xiong, H., Cheng, X., Cui, L., Dou, Z., Dong, J., Pang, S., Wang, L., Kong, L., & Chen, Z. (Eds), Big Data (2301, 102–120). Springer Nature Singapore. https://doi.org/10.1007/978-981-96-1024-2_8 DOI: https://doi.org/10.1007/978-981-96-1024-2_8
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารคอมพิวเตอร์และเทคโนโลยีสร้างสรรค์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
