มุมมองของ Anderson
คาดการณ์ความรุนแรงล่วงหน้าด้วย AI

ประเด็นสำคัญการคาดการณ์ความรุนแรงก่อนที่มันจะเกิดขึ้นมีความเสี่ยงที่จะสะท้อนถึงความกลัวแบบดิสโทเปียใ…
ดูเพิ่มเติม
- การคาดการณ์ความรุนแรงก่อนที่มันจะเกิดขึ้นมีความเสี่ยงที่จะสะท้อนถึงความกลัวแบบดิสโทเปียใน Minority Report
- การผสมผสานลักษณะใบหน้ากับสัญญาณเสียงและการเคลื่อนไหวให้ผลดีกว่าสัญญาณใดสัญญาณหนึ่งเพียงอย่างเดียว
- Https://www.youtube.com/watch?v tDSXPQcpybU การทดสอบ (ที่ไม่ใช่ของจริง) สำหรับระบบตรวจจับความรุนแรงจาก IVS
แนวทางทั่วไปในการตั้งคำถามว่า “AI ทำสิ่งนี้ให้เป็นระบบอัตโนมัติได้หรือไม่” คือป้อนตัวอย่างหลายรายการของสิ่งที่มีลักษณะเฉพาะที่ต้องการแยกแยะ แล้วดูว่าโมเดลที่ฝึกด้วยข้อมูลดังกล่าวจะตรวจจับลักษณะนั้นในข้อมูลที่คล้ายกันซึ่งไม่ได้ใช้ฝึกได้หรือไม่:

แผนผังโครงการ AI แบบ «เดิมพันครั้งสุดท้าย»: แบ่งตัวอย่างที่ติดป้ายกำกับออกเป็นชุดฝึกและชุดทดสอบ โดยให้โมเดลเรียนรู้จากชุดแรก จากนั้นทดสอบด้วยตัวอย่างที่ไม่เคยเห็นจากชุดที่สอง หากโมเดลเรียนรู้ลักษณะที่สนใจได้จริง แทนที่จะจดจำข้อมูลฝึก ก็ควรตรวจจับรูปแบบเดียวกันในชุดทดสอบได้ แหล่งที่มา
นี่เป็นการ «เดิมพันครั้งสุดท้าย» อยู่ไม่น้อย เพราะการทดลองเช่นนี้ตั้งอยู่บนสมมติฐานว่า หาก AI พิจารณาชุดข้อมูลต่อไป ลักษณะที่สนใจก็จะค่อย ๆ ปรากฏให้เห็นในข้อมูล และมี «แนวโน้มแฝง» บางอย่างอยู่จริงให้ค้นพบ หากเราสามารถสังเกตลักษณะนั้นได้ง่าย ๆ ก็อาจไม่จำเป็นต้องใช้โมเดล AI เลย หรืออาจใช้เพียงเพื่อทำงานประจำให้เป็นระบบอัตโนมัติเท่านั้น
โดยทั่วไปแล้วไม่ได้เป็นเช่นนั้น งานวิจัยลักษณะนี้ส่วนใหญ่เป็นการ «สำรวจหา» รูปแบบแฝงที่อาจเรียนรู้ให้จดจำได้ก็ด้วยการใส่ใจทำซ้ำอย่างเหนือมนุษย์เท่านั้น
บ่อยครั้งรูปแบบดังกล่าวกลับตรวจจับได้ยาก และอาจไม่มีอยู่จริงด้วยซ้ำ เพราะเหตุการณ์และลักษณะบางอย่างอาจเกิดขึ้นโดยบังเอิญล้วน ๆ หรือไม่เช่นนั้น ข้อมูลก็อาจไม่เพียงพอ ได้รับการคัดสรรอย่างไม่เหมาะสม หรือผ่านการฝึกมาอย่างไม่มีประสิทธิภาพ
มองไปข้างหน้า
ในบางกรณี ผลลัพธ์ที่ต้องการมีคุณค่ามหาศาล (เช่น รักษามะเร็งให้หาย ทำให้เกิดปฏิกิริยานิวเคลียร์ฟิวชัน หรือเอาชนะกฎทางอุณหพลศาสตร์ เป็นต้น) และ «ดึงดูดใจในทางการเมือง» มากเสียจนงานวิชาการยังคงหวนกลับมาศึกษาประเด็นเหล่านี้ซ้ำแล้วซ้ำเล่า เพื่อดูว่าข้อมูลหรือเทคนิคที่ดีขึ้นจะช่วยเผยให้เห็นรูปแบบเฉพาะได้หรือไม่
หนึ่งในสาขาดังกล่าวคือการทำความเข้าใจวิดีโอโดยอัตโนมัติ โดยเฉพาะในบริบทที่เกี่ยวข้องกับพื้นที่สาธารณะและงานที่มีตำรวจเข้ามาเกี่ยวข้อง ตัวอย่างเช่น ในปีนี้ งานวิจัยชิ้นใหม่ใช้วิดีโอเหตุการณ์จริงของความพยายามฆ่าตัวตายเพื่อระบุแนวโน้มการ «อยู่ในบริเวณนั้น» ก่อนที่บุคคลจะพยายามฆ่าตัวตาย และสร้างระบบคาดการณ์ที่ตรวจจับรูปแบบการเคลื่อนไหวเฉพาะของบุคคลบนชานชาลารถไฟสาธารณะก่อนกระโดดได้:

จากบทความปี 2026 เรื่อง ‘การประเมินความเสี่ยงต่อการฆ่าตัวตายจากระบบเฝ้าระวังวิดีโอที่ขับเคลื่อนด้วย AI: กรอบการทำงานที่ตีความได้เพื่อการป้องกันในสถานีรถไฟใต้ดิน’ การคาดการณ์จากภาพสองเฟรม โดยเฟรมหนึ่งแสดงเหตุการณ์พยายามฆ่าตัวตายบนรางรถไฟจริง ส่วนอีกเฟรมเป็นกรณีที่ไม่มีเหตุเกิดขึ้น แผนที่ความร้อนข้างเฟรมแต่ละภาพแสดงบริเวณที่มีความเสี่ยงสูงและต่ำบนชานชาลา โดยพิจารณาจาก «แนวโน้มการอยู่ในบริเวณนั้น» ของบุคคลใกล้ปากอุโมงค์ และรูปแบบที่พบจากเหตุพยายามฆ่าตัวตายก่อนหน้านี้ แหล่งที่มา
ในกรณีนี้ «รูปแบบการอยู่ในบริเวณนั้น» (ที่ด้านซ้ายสุดและขวาสุดของภาพด้านบน) ซึ่งเป็นลักษณะของผู้ที่กำลังคิดจะกระโดดขวางหน้ารถไฟ ดูเหมือนจะมีลักษณะเฉพาะที่ชัดเจน และอาจนำไปใช้เป็นระบบแจ้งเตือนจากการจดจำรูปแบบในระบบเฝ้าระวังอัตโนมัติได้
งานวิจัยอีกแนวทางหนึ่งที่ได้รับความนิยมในสาขานี้คือการตรวจจับ/จดจำความรุนแรง ซึ่งอาจพัฒนาระบบเฝ้าระวังที่ไม่มีผู้ควบคุมให้สามารถจดจำการกระทำรุนแรง เพื่อนำเรื่องดังกล่าวไปแจ้งให้มนุษย์ทราบโดยเร็ว และแม้กระทั่งสั่งการเพิ่มเติมได้ เช่น ทำเครื่องหมายกำกับวิดีโอเพื่อเก็บรักษาไว้ในระยะยาว และตรวจสอบให้แน่ใจว่าการบันทึกกำลังเกิดขึ้นจริง รวมถึงมาตรการอื่น ๆ
การทดสอบระบบตรวจจับความรุนแรง (ที่ไม่ใช่เหตุการณ์จริง) จาก IVS แหล่งที่มา
จากงานวิจัยชิ้นใหม่ของ University of Alabama งานวิชาการที่ผ่านมาให้ความสำคัญกับการจดจำความรุนแรงเมื่อเหตุการณ์กำลังเกิดขึ้นแล้ว สำหรับงานชิ้นใหม่นี้ นักวิจัยฝึกโมเดลด้วยวิดีโอที่บันทึกไว้เฉพาะก่อนเกิดเหตุรุนแรง (หรือช่วงที่ไม่มีเหตุการณ์ เพื่อให้ข้อมูลมีความสมดุลทางสถิติ) เพื่อดูว่าอาจมีลักษณะ «ก่อนเกิดความรุนแรง» ที่เกิดซ้ำและฝึกให้โมเดลเรียนรู้ได้หรือไม่ ในกรณีนี้ ลักษณะดังกล่าวประกอบด้วยการเคลื่อนไหวร่างกาย สีหน้า และเสียง ซึ่งเมื่อนำมาพิจารณาร่วมกันอาจเป็นสัญญาณคาดการณ์การกระทำรุนแรงได้ แทนที่จะเพียงตอบสนองหลังเหตุการณ์เกิดขึ้นแล้ว

ตัวอย่างลำดับเหตุการณ์ก่อนเกิดเหตุที่ «มีความเสี่ยง» จากการศึกษาเรื่อง «เราคาดการณ์ความรุนแรงล่วงหน้าได้หรือไม่? การเรียนรู้หลายรูปแบบจากสัญญาณพฤติกรรมก่อนเกิดเหตุ» ซึ่งแสดงภาพต่อเนื่องกันสี่เฟรม ระบบติดตามข้อต่อและการเคลื่อนไหวของร่างกายในช่วงเวลาหนึ่ง โดยมองหาการเปลี่ยนแปลงของท่าทาง ความเร็ว และรูปแบบปฏิสัมพันธ์ ซึ่งอาจช่วยแยกแยะสถานการณ์ที่ทวีความตึงเครียดขึ้นได้ก่อนที่ความรุนแรงจะปรากฏให้เห็น แหล่งที่มา
แน่นอนว่า งานลักษณะนี้มีแนวโน้มที่จะก่อให้เกิดความกังวล หากมีการพัฒนาหรือนำไปใช้ ดังที่ฉันเคยกล่าวไว้ก่อนหน้านี้ เรื่องแต่งอย่างซีรีส์โทรทัศน์ Person of Interest และภาพยนตร์แอ็กชันไซไฟปี 2002 เรื่อง Minority Report ก็สะท้อนความหวาดกลัวของสาธารณชนต่อเทคโนโลยีการคาดการณ์ที่อยู่ในมือของตำรวจหรือหน่วยงานกำกับดูแล เช่นเดียวกับเรื่องอื่น ๆ อีกมากมาย
ในสถานการณ์ปัจจุบัน การคาดการณ์การกระทำรุนแรงจากสัญญาณด้านร่างกาย ใบหน้า และเสียง (แทนที่จะใช้ปัจจัยอย่างบริบท ช่วงเวลาของวัน สถานที่ หรือสถิติอาชญากรรมในอดีต) ยังเป็นประเด็นที่ยังหาข้อสรุปไม่ได้ เนื่องจากงานวิจัยด้านนี้เพิ่งเริ่มต้นขึ้น ตามที่ผู้เขียนบทความฉบับใหม่ระบุ
ในการทดสอบ นักวิจัยเปรียบเทียบสัญญาณจากลักษณะใบหน้า เสียง และการเคลื่อนไหวของร่างกาย ทั้งแบบแยกกันและแบบผสมผสาน โดยใช้โครงข่ายพื้นฐานด้านการมองเห็นสามแบบ ผลลัพธ์ที่ดีที่สุดเกิดขึ้นเมื่อรวมสัญญาณทั้งสามประเภทเข้าด้วยกัน ซึ่งบ่งชี้ว่าผลด้านการคาดการณ์ไม่ได้เกิดจากสัญญาณประเภทใดประเภทหนึ่งเพียงอย่างเดียว:
«การกำหนดค่าที่ให้ผลดีที่สุด คือ Deit-Tiny ที่ใช้เสียง ลักษณะใบหน้า และการเคลื่อนไหว มีความแม่นยำ 91.21% ความแม่นยำแบบสมดุล 88.96% คะแนน F1 93.65% และค่า ROC-AUC 96.38% เมื่อทดสอบกับชุดข้อมูลทดสอบที่กันไว้ต่างหาก»
«ผลลัพธ์เหล่านี้ชี้ให้เห็นว่า สัญญาณเสริมกันจากลักษณะภายนอก เสียง และการเคลื่อนไหวของร่างกายให้ข้อมูลที่เป็นประโยชน์ต่อการตรวจจับความเสี่ยงก่อนเกิดเหตุที่เพิ่มสูงขึ้น»
แนวทาง
ชุดข้อมูลที่คัดสรรขึ้นสำหรับการศึกษานี้พัฒนามาจากคลังข้อมูล XD-Violence และประมวลผลข้อมูลสามรูปแบบร่วมกัน ได้แก่ ลักษณะใบหน้า เสียง และการเคลื่อนไหวที่ประมาณจากท่าทาง:

กระบวนการประมวลผลของการศึกษา คลิปแต่ละรายการจะได้รับการกำกับป้ายกำกับตามระดับความเสี่ยง โดยจำแนกเป็น «ไม่มีความเสี่ยง» หรือ «มีความเสี่ยง» จากนั้นจึงแบ่งเป็นชุดฝึก ชุดตรวจสอบ และชุดทดสอบ ระบบวิเคราะห์ภาพวิดีโอที่มีความยาวไม่เกินสี่วินาทีผ่านสามสายงาน ได้แก่ ลักษณะใบหน้าในแต่ละเฟรม เสียงที่แปลงเป็นสเปกโตรแกรม และการเคลื่อนไหวของร่างกายที่ได้จากจุดสำคัญซึ่งติดตามไว้ เช่น ความเร็วและความเร่ง จากนั้นนำคุณลักษณะด้านใบหน้า เสียง และการเคลื่อนไหวที่ได้มารวมเป็นตัวแทนข้อมูลชุดเดียว แล้วส่งต่อไปยังตัวจำแนกขั้นสุดท้าย ซึ่งจะกำหนดความน่าจะเป็นที่คลิปนั้นจะไม่มีความเสี่ยงหรือมีความเสี่ยง
ชุดข้อมูลที่คัดสรรแล้วมีคลิปก่อนเกิดเหตุทั้งหมด 443 คลิป (เราจะกล่าวถึงตัวเลขนี้ในตอนท้ายบทความ)
บทความระบุว่า วิดีโอที่คัดเลือกจากคลังข้อมูล XD-Violence เหมาะสำหรับใช้เป็นหัวข้อในการวิเคราะห์ที่มุ่งเน้นมนุษย์ตามที่โครงการตั้งใจดำเนินการ ในทางกลับกัน แนวทางก่อนหน้านี้ที่คล้ายกันจำนวนมากมุ่งพิจารณาภาพเหตุการณ์โดยรวมทั้งหมดเพื่อใช้เป็นบริบทในการคาดการณ์
คลิปที่ใช้มีความยาวไม่เกินสี่วินาที และสุ่มตัวอย่างที่อัตรา 8 เฟรมต่อวินาที โดยใช้ Transformer แบบชั้นเดียวที่มีหัวกลไกความสนใจแปดหัว เพื่อรวบรวมตัวอย่างเฟรมทั้ง 32 เฟรมที่ได้ ขณะที่การฝังตำแหน่งที่เรียนรู้ได้ช่วยรักษาลำดับของเฟรมไว้ โครงข่ายพื้นฐานถูกตรึงน้ำหนักไว้ระหว่างการฝึกแบบหลายรูปแบบ เพื่อหลีกเลี่ยงการฟิตเกิน
ก่อนหน้านี้ในบทความมีการแสดงตัวอย่างแผนที่การกระตุ้น (รวมถึงภาพใบหน้า) สำหรับการกระตุ้นแบบ «มีความเสี่ยง» ส่วนด้านล่างนี้เป็นตัวอย่างที่ไม่มีความเสี่ยง:

ตัวอย่างที่ไม่มีความเสี่ยงจากสายงานวิเคราะห์ใบหน้าของการศึกษา ซึ่งช่วยเสริมตัวอย่างการเคลื่อนไหวที่มีความเสี่ยงซึ่งแสดงไว้ก่อนหน้านี้ ภาพใบหน้าที่ครอบตัดจากต้นฉบับปรากฏทางด้านซ้าย ตามด้วยแผนที่การกระตุ้นจากชั้นต่าง ๆ ของโมเดลการมองเห็น DeiT-Tiny ที่ลึกขึ้นตามลำดับ บริเวณที่มีสีโทนอุ่นกว่าบ่งชี้การตอบสนองของคุณลักษณะที่แรงกว่า แสดงให้เห็นว่าจุดสนใจของโมเดลเปลี่ยนไปและมีความเป็นนามธรรมมากขึ้นอย่างไรเมื่อภาพผ่านโครงข่าย
ส่วนประกอบเสียงที่ได้จากคลิปต้นทางถูกปรับอัตราการสุ่มเป็น 16kHz และทำให้สอดคล้องกันด้วยการปรับมาตรฐานและจัดแนวให้ตรงกับช่วงภาพที่เกี่ยวข้อง ก่อนแปลงเป็น สเปกโตรแกรมลอการิทึมของขนาดมาตรฐาน โดยใช้การแปลงฟูเรียร์ช่วงสั้น 512 จุด และหน้าต่างแฮนน์ขนาด 400 ตัวอย่าง:

เปรียบเทียบรูปแบบเสียงเฉลี่ยของคลิปก่อนเกิดเหตุที่จัดอยู่ในกลุ่มปกติและกลุ่มเสี่ยง แถวบนแสดงคลิปปกติ ส่วนแถวล่างแสดงคลิปเสี่ยง โดยไล่จากรูปคลื่นและสเปกโตรแกรมต้นฉบับไปจนถึงคุณลักษณะที่เรียนรู้ได้จากความลึกของโครงข่ายสามระดับต่อเนื่องกัน คลิปเสี่ยงมีความแปรผันตามเวลามากกว่า รวมถึงมีกิจกรรมทางเสียงเพิ่มขึ้นในช่วงท้ายของหน้าต่างเวลา 4 วินาที ขณะที่โครงข่ายค่อย ๆ แปลงความแตกต่างเหล่านี้เป็นคุณลักษณะระดับสูงขึ้น
สำหรับส่วนการเคลื่อนไหว ระบบแปลงการเคลื่อนไหวของร่างกายให้เป็นชุดตัวบ่งชี้เชิงตัวเลขที่ได้จากจุดสำคัญ COCO-17 ซึ่งตรวจจับด้วยตัวประมาณท่าทาง YOLO
คำนวณตัวชี้วัด 12 รายการ ซึ่งประกอบด้วยความเร็วเฉลี่ยและความเร็วสูงสุด, ความเร่งและอัตราการเปลี่ยนแปลงของความเร่ง, ความแปรผันของความเร็ว, ความเร็วของข้อมือและข้อเท้า และพลังงานการเคลื่อนไหวโดยรวม ค่าดังกล่าวปรับให้เป็นมาตรฐานตามขนาดร่างกาย เพื่อไม่ให้ผู้ที่มีร่างกายใหญ่กว่าถูกนับโดยอัตโนมัติว่าเคลื่อนไหวมากกว่า นอกจากนี้ ยังรวมค่าที่วัดได้จากหลายคนในคลิปเดียวกันเข้าด้วยกัน
หลังจากปรับมาตรฐานโดยอ้างอิงข้อมูลฝึกแล้ว คุณลักษณะการเคลื่อนไหวถูกขยายเป็นรูปแทนข้อมูล 64 มิติ และส่งผ่าน Transformer เชิงเวลา ซึ่งช่วยให้พิจารณาการเปลี่ยนแปลงของการเคลื่อนไหวตลอดทั้งคลิปเป็นลำดับ แทนที่จะมองเป็นเฟรมแยกจากกัน
จากนั้นจึงผสานข้อมูลทั้งสามสายให้เป็นรูปแทนข้อมูลเดียว โดยให้น้ำหนักกับรูปลักษณ์ใบหน้ามากที่สุด ตามด้วยเสียงและการเคลื่อนไหว หลังจากปรับมาตรฐานและใช้ดรอปเอาต์ ตัวจำแนกขั้นสุดท้ายจะแปลงรูปแทนข้อมูลที่ผสานแล้วให้เป็นความน่าจะเป็นของคลิปที่ «ปกติ» และ «เสี่ยง» โดยใช้ 0.5 เป็นเกณฑ์ตัดสิน
สำหรับสตรีมลักษณะใบหน้า มีการใช้โมเดลแกนหลัก 3 รุ่นที่ผ่านการฝึกล่วงหน้าด้วย ImageNet ได้แก่ Swin-Tiny, ViT-Tiny และ DeiT-Tiny
การทดสอบ
ในการทดสอบ มีการกำหนดป้ายกำกับให้คลิปด้วยตนเองหนึ่งใน 4 ระดับ ได้แก่ ไม่มีความเสี่ยง, ความเสี่ยงต่ำ, ความเสี่ยงปานกลาง หรือ ความเสี่ยงสูง โดยพิจารณาจากพฤติกรรมที่มองเห็นได้ การเคลื่อนไหว และเสียง สำหรับงานจำแนกแบบสองกลุ่มขั้นสุดท้าย ได้นำหมวดหมู่ความเสี่ยงทั้งสามมารวมเป็น «เสี่ยง» ส่วน ไม่มีความเสี่ยง จัดเป็น «ปกติ» เพื่อลดข้อมูลรั่วไหลระหว่างชุดฝึกกับชุดประเมิน คลิปจากวิดีโอต้นทางเดียวกันจึงถูกจัดให้อยู่ในพาร์ติชันชุดข้อมูลเดียวกัน
เหตุการณ์รุนแรงถูกตัดออกจากคลิปเสี่ยงทุกคลิป โดยเหลือไว้เฉพาะพฤติกรรมก่อนเกิดเหตุให้โมเดลใช้ประเมิน:

ผลการทดสอบแสดงให้เห็นว่าประสิทธิภาพเปลี่ยนแปลงอย่างไรเมื่อใช้รูปลักษณ์ใบหน้า เสียง และการเคลื่อนไหวแยกกันหรือร่วมกัน โดยทดสอบกับแบ็กโบนภาพทั้งสามแบบ การทดลองตัดองค์ประกอบออกช่วยแยกให้เห็นว่าสายข้อมูลแต่ละส่วนมีส่วนช่วยอย่างไร คะแนนที่สูงกว่าหมายถึงประสิทธิภาพที่ดีกว่า และค่าตัวหนาแสดงผลลัพธ์ที่ดีที่สุดในแต่ละตัวชี้วัด
ดังที่กล่าวไปแล้ว ผลลัพธ์โดยรวมที่ดีที่สุดมาจากการใช้ DeiT-Tiny ร่วมกับข้อมูลทั้งสามรูปแบบ การทดลองตัดองค์ประกอบออกช่วยให้เห็นชัดขึ้นว่าแต่ละสายข้อมูลมีส่วนช่วยอย่างไร โดยรูปลักษณ์ใบหน้าเป็นตัวทำนายที่มีประสิทธิภาพอยู่แล้วเมื่อใช้เพียงอย่างเดียว ขณะที่การเคลื่อนไหวให้ผลในระดับปานกลาง และเสียงให้ผลอ่อนกว่ามากเมื่อใช้เพียงลำพัง
ผลลัพธ์ที่ดีที่สุดได้จากการผสานข้อมูลใบหน้า เสียง และการเคลื่อนไหวเข้าด้วยกัน ซึ่งแสดงให้เห็นว่าสายข้อมูลที่มีประสิทธิภาพน้อยกว่ายังคงเพิ่มข้อมูลเสริมที่เป็นประโยชน์ให้แก่สัญญาณภาพ
แม้โมเดลจะฝึกมาเพื่อจำแนกเฉพาะ «ปกติ» กับ «เสี่ยง» แต่ยังมีการเปรียบเทียบผลลัพธ์กับป้ายกำกับดั้งเดิม 4 ระดับ ได้แก่ ไม่มีความเสี่ยง, ความเสี่ยงต่ำ, ความเสี่ยงปานกลาง และ ความเสี่ยงสูง ดังที่แสดงด้านล่าง คะแนนความเสี่ยงที่คาดการณ์ได้มีแนวโน้มเพิ่มขึ้นตามระดับความเสี่ยงดังกล่าวในชุดฝึก ชุดตรวจสอบความถูกต้อง และชุดทดสอบ:

คะแนนความเสี่ยงที่คาดการณ์ไว้ในหมวดหมู่ความเสี่ยงดั้งเดิมทั้งสี่หมวด แม้โมเดลจะได้รับการฝึกให้แยกเฉพาะคลิปปกติกับคลิปเสี่ยง แต่โดยทั่วไปคะแนนจะเพิ่มขึ้นตามลำดับตั้งแต่ไม่มีความเสี่ยงไปจนถึงความเสี่ยงสูง ในชุดฝึก ชุดตรวจสอบความถูกต้อง และชุดทดสอบ เส้นประแสดงเกณฑ์การตัดสินที่ 0.50
ผู้เขียนให้ความเห็นว่า:
‘ผลลัพธ์นี้สำคัญ เพราะโมเดลไม่ได้รับการฝึกอย่างชัดเจนให้แยกความเสี่ยงระดับต่ำ ปานกลาง และสูง ถึงอย่างนั้น การคาดการณ์ของโมเดลก็ยังเป็นไปตามลำดับระดับความเสี่ยงดั้งเดิม
‘สิ่งนี้ชี้ว่าโมเดลกำลังจับการเปลี่ยนแปลงที่มีความหมายของพฤติกรรมก่อนเกิดเหตุการณ์ ไม่ใช่แค่เรียนรู้เส้นแบ่งง่าย ๆ ระหว่างปกติกับเสี่ยงเท่านั้น ผลลัพธ์นี้ยังเป็นหลักฐานว่ามีสัญญาณบ่งชี้พฤติกรรมที่เป็นประโยชน์ปรากฏขึ้นได้ก่อนเหตุการณ์ที่มีการใส่คำอธิบายประกอบจะเริ่มต้นขึ้น’
และพวกเขาสรุปว่า:
‘ผลการศึกษานี้ชี้ว่าอาจมีข้อมูลที่เป็นประโยชน์ต่อการจำแนกอยู่ในช่วงเวลาก่อนเกิดเหตุการณ์ ซึ่งสะท้อนให้เห็นถึงศักยภาพของการขยายการวิเคราะห์ความรุนแรงจากการตรวจจับเหตุการณ์ที่กำลังเกิดขึ้น ไปสู่การรับรู้ความเสี่ยงได้ตั้งแต่เนิ่น ๆ’
บทสรุป
นักวิจัยค้นพบชุดคุณลักษณะ «ก่อนเกิดความรุนแรง» จริงหรือไม่? การทดลองใช้คลิปเพียง 443 คลิป จึงมีความเสี่ยงที่จะเกิดการปรับโมเดลให้เข้ากับข้อมูลฝึกมากเกินไป โดยเฉพาะโมเดลหลายรูปแบบและโครงข่ายประสาทเทียมด้านการมองเห็นที่ผ่านการฝึกมาก่อน ซึ่งมีแนวโน้มจะเกิดปัญหานี้เป็นพิเศษ การศึกษาลดความเสี่ยงดังกล่าวได้บางส่วนด้วยการตรึงโครงข่ายประสาทเทียมด้านการมองเห็น แยกวิดีโอต้นทางระหว่างชุดฝึก ชุดตรวจสอบความถูกต้อง และชุดทดสอบ ตลอดจนทดสอบการผสมผสานรูปแบบข้อมูลหลายแบบ
ผลการทำงานที่ดีบนชุดข้อมูลขนาดเล็กไม่ได้พิสูจน์ว่ารูปแบบที่อยู่เบื้องหลังนั้นเห็นได้ชัดหรือมีอยู่จริงด้วยซ้ำ เพราะผลดังกล่าวอาจสะท้อนสัญญาณเฉพาะของชุดข้อมูล อคติในการใส่คำอธิบายประกอบ การรั่วไหลของข้อมูลจากแหล่งที่มา ซึ่งการแบ่งชุดข้อมูลตรวจไม่พบ หรือชุดทดสอบที่ง่ายผิดปกติได้เช่นกัน
อย่างไรก็ตาม ผลลัพธ์นี้น่าสนใจ เพราะชุดข้อมูลมีขนาดเล็กมาก และดูเหมือนว่ามีการป้องกันปัญหาการปรับโมเดลให้เข้ากับข้อมูลฝึกมากเกินไปอย่างเพียงพอแล้ว ถึงกระนั้น จำเป็นต้องทำซ้ำการศึกษากับชุดข้อมูลขนาดใหญ่กว่านี้ ก่อนจะถือว่ารูปแบบที่โมเดลเรียนรู้มี «ความทนทานต่อความเปลี่ยนแปลง»
เผยแพร่ครั้งแรกเมื่อวันพฤหัสบดีที่ 1 ตุลาคม 2026












