Executive Functions (EF) คือกระบวนการด้านจิตใจที่ทำให้มนุษย์สามารถวางแผน จดจ่อ จำคำสั่ง และทำงานหลายๆ อย่างพร้อมกันได้อย่างสำเร็จ สมองของคนต้องการทักษะนี้เพื่อคัดกรองสิ่งที่เบี่ยงเบนความสนใจ จัดลำดับความสำคัญของงานต่างๆ ตั้งและดำเนินการเพื่อบรรลุเป้าหมาย และควบคุมแรงขับดิบๆ ตามสัญชาติญาณ (1)
สำหรับเด็กเล็ก หากได้รับการพัฒนา EF เด็กจะมีความพร้อมและผลสัมฤทธิ์ในการเรียนรู้ที่ดี รวมทั้งลดความเสี่ยงในการเกิดปัญหาพฤติกรรมเมื่อโตขึ้น ไม่ว่าจะเป็นอารมณ์ก้าวร้าวรุนแรง ทะเลาะเบาะแว้ง ติดเหล้า บุหรี่ การพนัน และยาเสพติด ดังนั้นการพัฒนา EF ในเด็กเล็กจึงมีความสำคัญเป็นอย่างมากต่อทั้งตัวเด็กเองและสังคมโดยรวม (2)
ในประเทศไทยมีศูนย์พัฒนาเด็กเล็ก 19,193 ศูนย์ทั่วประเทศซึ่งอยู่ในการดูแลขององค์การบริหารส่วนตำบล (3) โดยดูแลเด็กปฐมวัยช่วงอายุ 3-5 ปีถึง 57% ของประเทศ หรือประมาณ 437,000 คน (4) ครอบครัวที่ต้องไปทำงานในเวลากลางวันมักจะ "ฝาก" ลูกหลานไว้ที่ศูนย์เด็กเล็กเหล่านี้ โดยมาส่งในตอนเช้าและมารับในช่วงบ่าย ดังนั้นจะเห็นว่าเด็กอายุ 3-5 ขวบกว่าครึ่งประเทศใช้เวลา 5 วันต่อสัปดาห์ที่ศูนย์เด็กเล็ก ดังนั้น กิจกรรมที่เกิดขึ้นในศูนย์จึงสำคัญมากต่อพัฒนาการของเด็กในช่วงวัยที่สมองกำลังเติบโต
สถาบันชีววิทยาศาสตร์โมเลกุล มหาวิทยาลัยมหิดล ได้เคยทำการวิจัยหาค่า EF ของเด็กอายุ 2-6 ปี จำนวน 2,965 คนจากทั่วทุกภาคของประเทศไทย โดยใช้แบบประเมินพัฒนาการ/ปัญหาพฤติกรรมด้านความคิดเชิงบริหาร MU.EF101/102 พบว่าเด็กเกือบ 30% พัฒนาการด้านการคิดเชิงบริหารโดยรวมล่าช้ากว่าเกณฑ์เฉลี่ย ส่วนผลประเมินโดยแบบ MU.EF102 ก็พบว่าเด็กวัย 2-6 ปีกว่า 30% มีปัญหาพฤติกรรมด้านการคิดเชิงบริหารมากกว่าเกณฑ์เฉลี่ย คณะวิจัยได้สรุปว่า เด็กเหล่านี้จะมีปัญหาในการกำกับตนเอง หุนหันพลันแล่น ทำโดยไม่คิด ใจร้อนรอคอยไม่เป็น สมาธิสั้นวอกแวกง่าย ไม่สามารถทำงานที่ยากให้สำเร็จได้ ในระยะยาวจึงเป็นอุปสรรคต่อความสำเร็จในด้านการเรียน การทำงาน การอยู่ร่วมกับผู้อื่นในสังคม รวมทั้งมีโอกาสเกิดปัญหาสังคมอื่นๆ ตามมา (5)
ที่ผ่านมา ศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลหลายแห่ง ได้ริเริ่มการนำหรือพัฒนาหลักสูตรการเรียนรู้ที่เสริมสร้างพัฒนาการที่ดีของเด็กมาใช้ ซึ่งหลายแห่งก็ได้ผลดี โดย EF เป็นหนึ่งในตัวชี้วัดและชุดเครื่องมือในการพัฒนาเด็กที่นิยมนำมาใช้
อย่างไรก็ตาม ปัจจุบันยังไม่มีวิธีการที่ศูนย์ฯ หรือโรงเรียนอนุบาล รวมทั้งพ่อแม่ จะสามารถรู้ระดับ EF ของเด็กได้อย่างสะดวก รวดเร็ว โดยในปัจจุบัน หน่วยงานที่สนใจจะหาค่า EF จะต้องขอรับบริการจากหน่วยงานวิจัยที่ศึกษาเรื่องนี้โดยตรง ข้อจำกัดนี้เป็นอุปสรรคในการเผยแพร่แนวคิด EF ให้สามารถปฏิบัติได้จริงอย่างกว้างขวางในศูนย์พัฒนาเด็กเล็กและโรงเรียนอนุบาลทั่วประเทศ ทำให้เด็กจำนวนมากในแต่ละปีเสียโอกาสที่จะได้รับการส่งเสริมพัฒนาการอย่างทันท่วงที
ด้วยสาเหตุนี้ สถาบัน ChangeFusion จึงได้ร่วมมือกับโครงการศูนย์พัฒนาเด็กเล็ก High-scope จังหวัดลพบุรี โดยโรงพยาบาลท่าวุ้ง โดยได้รับการสนับสนุนจากสำนักงานกองทุนสนับสนุนการสร้างเสริมสุขภาพ (สสส.) ในการพัฒนาโมเดลการพยากรณ์ EF เพื่ออำนวยความสะดวกให้หน่วยงานและบุคคลที่สนใจ ให้สามารถประมาณค่า EF ของเด็กได้ โดยใช้แนวทางการเรียนรู้ด้วยเครื่อง (Machine learning) ซึ่งเป็นแนวทางหนึ่งของเทคโนโลยีปัญญาประดิษฐ์ (AI)
ในปี 2562-2563 โครงการศูนย์พัฒนาเด็กเล็ก High-scope จังหวัดลพบุรี โดยโรงพยาบาลท่าวุ้ง ได้ร่วมมือกับศูนย์วิจัยประสาทวิทยาศาสตร์ สถาบันชีววิทยาศาสตร์โมเลกุล มหาวิทยาลัยมหิดล ในการประเมิน EF ของเด็กปฐมวัยจำนวนประมาณ 2,000 คนในศูนย์พัฒนาเด็กเล็กทั่วทั้งจังหวัดลพบุรี จากนั้นจึงได้ร่วมมือกับสถาบัน ChangeFusion ในการเก็บข้อมูลเด็กกลุ่มเดียวกันเพิ่มเติม เพื่อนำมาจับคู่กับข้อมูลผลคะแนน EF เพื่อพัฒนาโมเดลการพยากรณ์ EF
แนวคิดหลักของโมเดล คือการมีสมมติฐานว่า ปัจจัยทางสุขภาพ ครอบครัว และการเลี้ยงดู มีความสัมพันธ์กับระดับ EF จนน่าจะเป็นตัวบ่งชี้ระดับ EF ได้ไม่มากก็น้อย ดังนั้น เราน่าจะสามารถสร้างโมเดลพยากรณ์ระดับ EF โดยการเชื่อมโยงปัจจัยต่างๆ ดังกล่าวเข้ากับคะแนน EF จริงที่ผ่านการประเมินตามวิธีการทางวิชาการอย่างถูกต้องมาแล้ว
ขั้นตอนในการพัฒนาโมเดลพยากรณ์ EF ของโครงการ มีดังต่อไปนี้
ขั้นที่ 1 ออกแบบหัวข้อรายการข้อมูลที่จะเก็บ: ทีมงานได้หารือร่วมกับครู แพทย์ นักวิชาการสาธารณสุข และผู้เชี่ยวชาญด้านเด็กปฐมวัย เพื่อออกแบบรายการข้อมูลที่จะเก็บจากเด็กปฐมวัย 2,000 คนในจังหวัดลพบุรี โดยพิจารณาจากความรู้และประสบการณ์ว่าปัจจัยใดน่าจะมีผลกับ EF โดยหัวข้อรายการข้อมูลที่จัดเก็บ มี 4 หมวด ดังนี้
ขั้นที่ 2 เก็บข้อมูล: โครงการฯ ได้รับทุนสนับสนุนจากสสส. เป็นค่าใช้จ่ายในการเก็บข้อมูลตามหัวข้อรายการที่ออกแบบไว้ในขั้นตอนที่ 1 โดยขอความร่วมมือจากครูในศูนย์พัฒนาเด็กเล็กทั่วจังหวัดลพบุรี ในการเก็บและกรอกข้อมูลดังกล่าวลงใน Web form ที่ออกแบบไว้
ขั้นที่ 3 ทำความสะอาดข้อมูล แปลงข้อมูลให้ได้มาตรฐาน และเชื่อมโยงข้อมูลกับระดับ EF ที่แท้จริงของเด็กแต่ละคน: เมื่อเก็บข้อมูลครบแล้ว ทีมงาน ChangeFusion ได้นำข้อมูลมาทำความสะอาด (Clean), ตัดรายการที่มีข้อมูลไม่ครบ, แปลงข้อมูลประเภทหมวดหมู่ (Categorical data) ให้เป็นตัวเลขเพื่อให้คำนวนได้ (Numerisation) โดยใช้เทคนิคที่เหมาะสม เช่น One-hot encoding, และต่อเชื่อมข้อมูลแต่ละรายการเข้ากับชุดข้อมูลผล EF (Concatenate) จบขั้นตอนนี้ ได้ชุดข้อมูล (Dataset) ที่พร้อมในการนำมาวิเคราะห์และสร้างโมเดล
ขั้นที่ 4 วิเคราะห์ความสัมพันธ์: นำชุดข้อมูลมาวิเคราะห์หาระดับความสัมพันธ์ (Correlation analysis) ระหว่างปัจจัยต่างๆ กับผล EF ซึ่งมี 5 ส่วน ได้แก่
โดยผลลัพธ์ที่ได้จะอธิบายในส่วน ปัจจัยที่เกี่ยวข้องกับ EF
ขั้นที่ 5 สร้างโมเดลพยากรณ์: คัดเลือกปัจจัยที่มีระดับความสัมพันธ์กับ EF มาก จำนวน 13 หัวเรื่อง มาสร้างโมเดล Machine learning ทดสอบและปรับแต่งโมเดลให้มีความแม่นยำ ในระหว่างการพัฒนาโมเดล ทีมพัฒนาได้คัดเลือก Algorithm ต่างๆ เพื่อเปรียบเทียบและปรับแต่งค่า (Hyper-parameter) ต่างๆ โดยมีจุดประสงค์เพื่อเพิ่มระดับความแม่นยำของโมเดลและแก้ไขจุดอ่อนที่ส่งผลต่อความแม่นยำและการตีความให้มากที่สุดเท่าที่จะเป็นไปได้
โดยรายละเอียดของการคัดเลือกและปรับแต่งโมเดล จะอธิบายในส่วน โมเดลพยากรณ์ EF