การตรวจจับกลุ่มเสี่ยงแฝงต่อความรุนแรงในครอบครัวแบบสองขั้นตอนด้วยแบบจำลองไฮบริดแบบไม่มีผู้สอน
Main Article Content
บทคัดย่อ
การตรวจจับกลุ่มเสี่ยงแฝงของความรุนแรงในครอบครัวเป็นงานที่ท้าทาย เนื่องจากข้อมูลที่มีอยู่มักไม่ได้ระบุป้ายกำกับ ซึ่งงานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอแบบจำลองไฮบริดสองขั้นตอนแบบไม่มีผู้สอน ออกแบบมาเพื่อตรวจจับและระบุกลุ่มเสี่ยงสูงแฝง โดยบูรณาการจุดแข็งของแบบจำลองส่วนผสมเกาส์เซียน (Gaussian Mixture Model; GMM) ออโตเอ็นโค้ดเดอร์(Autoencoder; AE) และตัวประกอบค่าผิดปกติเฉพาะที่ (Local Outlier Factor; LOF) ในขั้นตอนแรกแบบจำลองจะแยกกลุ่มเสี่ยงสูงอย่างชัดเจน (59 รายการ จากทั้งหมด 1,161 รายการ) ออกจากชุดข้อมูลทั้งหมด ขั้นตอนที่สองใช้รายการข้อมูลที่เหลือ 1,102 รายการ เพื่อระบุกลุ่มเสี่ยงสูงแฝงผ่านกลยุทธ์การผสานผลลัพธ์ด้วยตรรกะและ (AND) ตรรกะหรือ (OR) และการถ่วงน้ำหนัก (Weighted Fusion) คุณภาพเชิงโครงสร้างของการจัดกลุ่มถูกประเมินโดยใช้ดัชนีซิลูเอท (Silhouette Index) ดัชนีคาลินสกี้ฮาราบาสซ์ (Calinski–Harabasz Index; CH) และดัชนีเดวีส์-โบลดิน (Davies–Bouldin Index; DBI) พร้อมทั้งตรวจสอบความแตกต่างทางสถิติด้วยการทดสอบครัสคัล-วัลลิส (Kruskal–Wallis test) และการทดสอบไคสแควร์(Chi square test) สำหรับตัวแปรเชิงหมวดหมู่ ผลการทดลองแสดงให้เห็นว่าแบบจำลอง GAAL ที่เสนอ (GMM + AE + LOF พร้อมตรรกะและ : AND) ให้ค่าคะแนนดัชนีซิลูเอทสูงสุดและค่าดัชนีเดวีส์-โบลดินต่ำสุด (2.8478) ซึ่งบ่งชี้ถึงความชัดเจนของคลัสเตอร์และเสถียรภาพเชิงโครงสร้างที่เหนือกว่าการแสดงภาพด้วย เทคนิคการลดมิติข้อมูลแบบที-เอสเอ็นอี (t-distributed Stochastic Neighbor Embedding; t-SNE) ยืนยันการแยกตัวของกลุ่มอย่างชัดเจนและสอดคล้องกับตัวชี้วัดเชิงปริมาณ นอกจากนี้พบว่าตัวแปรอายุ (Age) มีความแตกต่างอย่างมีนัยสำคัญระหว่างคลัสเตอร์ตามการทดสอบครัสคัล-วัลลิสผลการวิจัยสะท้อนถึงคุณภาพเชิงโครงสร้างและความสามารถในการตรวจจับของวิธีการแบบผสมผสานในการค้นหารูปแบบความเสี่ยงที่ซ่อนอยู่จากข้อมูลทางสังคมที่ไม่ได้ติดป้ายกำกับ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
World Health Organization. (2021). Violence against women: Intimate partner and sexual violence against women. [Online]. Available: https://www.who.int/news-room/fact-sheets/ detail/violence-against-women
A. T. Vazsonyi, D. J. Flannery, and M. DeLisi, Eds., The Cambridge Handbook of Violent Behavior and Aggression, 2nd ed. Cambridge, UK: Cambridge University Press, 2018.
World Health Organization. (2025, Nov.). Lifetime toll: 840 million women faced partner or sexual violence. [Online]. Available: https:// www.who.int/news/item/19-11-2025-lifetimetoll-- 840-million-women-faced-partner-orsexual- violence
United Nations Office on Drugs and Crime and UN Women. (2024). Femicides in 2023: Global estimates of intimate partner/family member femicides. [Online]. Available: https://www.unwomen.org/en/digital-library/ publications/2024/11/femicides-in-2023-globalestimates- of-intimate-partner-family-memberfemicides.
N. Duvvury, C. Grown, and J. Redner, “Estimating the economic costs of violence against women,” Washington, DC: World Bank, 2013.
Department of Women's Affairs and Family Development. (2025). Domestic violencesituation report 2023. [Online]. Available: https://www.dwf.go.th/storage/91029/20c2b8ee- 0623-43f1-b579-cd5e19664c70-document- 16358.pdf (in Thai)
Department of Women's Affairs and Family Development. (2025). Domestic violence situation, 2024. [Online]. Available: https:// www.dwf.go.th/contents/71825 (in Thai).
Department of Women's Affairs and Family Development. (2022). Report on the domestic violence situation in Thailand under section 17 of the domestic violence victim protection act B.E. 2550. [Online]. Available: https://dwf.go.th/ contents/48156 (in Thai).
P. Thooltham and M. Nakham, “The construction of social networks to tackle domestic violence: A case analysis of Huay Sam Pad Subdistrict, Thailand,” Humanities, Arts and Social Sciences Studies, vol. 25, no. 1, pp. 54–66, 2025 (in Thai), doi: 10.69598/hasss.25.1.267448.
F. Başaran and P. Duru, “Determining domestic violence against women using machine learning methods: The case of Türkiye,” Journal of Evaluation in Clinical Practice, vol. 31, no. 3, Art. no. e14180, Apr. 2025, doi: 10.1111/jep. 14180.
K. de Boer, J. L. Mackelprang, M. Nedeljkovic, D. Meyer, and R. Iyer, “Using artificial intelligence to detect risk of family violence: Protocol for a systematic review and meta-analysis,” JMIR Research Protocols, vol. 13, Dec. 2024, Art. no. e54966, doi: 10.2196/54966.
M. C. Cruz-Mendoza, R. A. Melendez-Armenta, J. Canul-Reich, and J. Muñoz-Benítez, “Machine learning applied to improve prevention of, response to, and understanding of violence against women,” Informatics, vol. 12, no. 2, 2025, Art. no. 40, doi: 10.3390/informatics 12020040.
A. Oluwasegun and J.-C. Jung, “A multivariate Gaussian mixture model for anomaly detection in transient current signature of control element drive mechanism,” Nuclear Engineering and Design, vol. 402, 2023, Art. no. 112098, doi: 10.1016/j.nucengdes.2022.112098.
M. Sakurada and T. Yairi, “Anomaly detection using autoencoders with nonlinear dimensionality reduction,” in Proceedings 2nd Workshop on Machine Learning for Sensory Data Analysis, Gold Coast, Australia, 2014, pp. 4–11, doi: 10.1145/2689746.2689747.
O. Alghushairy, R. Alsini, T. Soule, and X. Ma, “A review of local outlier factor algorithms for outlier detection in big data streams,” Big Data and Cognitive Computing, vol. 5, no. 1, Jan. 2021, Art. no. 1, doi: 10.3390/bdcc5010001.
N. Saini, V. B. Kasaragod, K. Prakasha, and A. K. Das, “A hybrid ensemble machine learning model for detecting APT attacks based on network behavior anomaly detection,” Concurrency and Computation: Practice and Experience, vol. 35, 2023, Art. no. e7865, doi: 10.1002/cpe.7865.
S. Nazat, W. Alayed, L. Li, and M. Abdallah, “Ensemble learning framework for anomaly detection in autonomous driving systems,” Sensors, vol. 25, no. 16, 2025, Art. no. 5105, doi: 10.3390/s25165105.
A. Restrepo, N. Montoya, and L. Zuluaga, “Typologies of intimate partner violenceagainst women in five Latin-American countries: A latent class analysis,” International Journal of Public Health, vol. 67, 2022, Art. no. 1604000, doi: 10.3389/ijph.2022.1604000.
Ministry of Social Development and Human Security. (2023). Domestic violence offenders classified by issues or causes. Government Data Catalog (MSDHS). [Online]. Available: https://gdcatalog.m-society.go.th/dataset/ dwf050507_pb_dmv01_03 (in Thai).
Ministry of Social Development and Human Security. (2024). Domestic violence offenders classified by issues or causes. Government Data Catalog (MSDHS). [Online]. Available: https://gdcatalog.m-society.go.th/dataset/ dwf050507_pb_dmv01_04 (in Thai).
A. Dudek, “Silhouette index as clustering evaluation tool,” in Classification and Data Analysis: Theory and Applications, K. Jajuga, J. Batóg, and M. Walesiak, Eds. Cham, Switzerland: Springer, 2020, pp. 19–33, doi: 10.1007/978-3-030-52348-0_2.
P. Patel, B. Sivaiah, and R. Patel, “Approaches for finding optimal number of clusters using K-Means and agglomerative hierarchical clustering techniques,” 2022 International Conference on Intelligent Controller and Computing for Smart Power, Hyderabad, India, 2022, pp. 1–6, doi: 10.1109/ICICCSP 53532.2022.9862439.
D. L. Davies and D. W. Bouldin, “A cluster separation measure,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI- 1, no. 2, pp. 224–227, Apr. 1979, doi: 10.1109/ TPAMI.1979.4766909.
N. Senawong, S. Wichitchan, and O. Kumphon, “Large-scale data classification based on K-means clustering and deep learning,” Journal of King Mongkut's University of Technology North Bangkok, vol. 32, no. 4, pp. 957–965, 2022 (in Thai), doi: 10.14416/ j.kmutnb.2021.03.012.
P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” Journal of Computational and Applied Mathematics, vol. 20, pp. 53–65, 1987, doi: 10.1016/0377-0427(87)90125-7.
A. Field, Discovering Statistics Using IBM SPSS Statistics, 5th ed. London, UK: SAGE Publications, 2021.
L. van der Maaten and G. Hinton, “Visualizing data using t-SNE,” Journal of Machine Learning Research, vol. 9, pp. 2579–2605, 2008
Y. Benjamini and Y. Hochberg, “Controlling the false discovery rate: A practical and powerful approach to multiple testing,” Journal of the Royal Statistical Society: Series B, vol. 57, no. 1, pp. 289–300, 1995, doi: 10.1111/j.2517- 6161.1995.tb02031.x.
A. Ben-Hur, A. Elisseeff, and I. Guyon, “A stability based method for discovering structure in clustered data,” Pacific Symposium on Biocomputing, vol. 7, 2002, pp. 6–17, doi: 10.1142/9789812799623_0002.
A. Ghasemi and S. Zahediasl, “Normality tests for statistical analysis: A guide for non-statisticians,” International Journal of Endocrinology and Metabolism, vol. 10, no. 2, pp. 486–489, 2012, doi: 10.5812/ijem.3505.
P. Mishra, C. M. Pandey, U. Singh, A. Gupta, C.Sahu, and A. Keshri, “Descriptive statistics and normality tests for statistical data,” Annals of Cardiac Anaesthesia, vol. 22, no. 1, pp. 67–72, Jan. 2019, doi: 10.4103/aca.ACA_157_18.
T. Sutthison and P. Pienkhawsook, “Hybrid model for forecasting time series data of monthly household electrical distribution units in Thailand,” Journal of King Mongkut's University of Technology North Bangkok, vol. 34, no. 2, pp. 1–18, 2024 (in Thai), doi: 10.14416/j.kmutnb.2024.02.003.
N. Tuntitippawan and K. Asawarungsaengkul, “A memory integrated artificial bee colony algorithm with local search for vehicle routing problem with backhauls and time windows,” KMUTNB International Journal of Applied Science and Technology, vol. 11, no. 2, pp. 85–92, 2018, doi: 10.14416/j.ijast.2018.03.001.
P. Kaewkerd and P. Thammakorn, “Big data and business operations in the digital age,” Journal of Business and Industrial Development, vol. 3, no. 1, pp. 92–99, 2023 (in Thai), doi: 10.14416/j.bid.2023. 04.008.
K. Allen, G. J. Melendez-Torres, T. Ford, C. Bonell, and V. Berry, “Parental domestic violence and abuse, mental ill-health, and substance misuse and the impact on child mental health: A secondary data analysis using the UK Millennium Cohort Study,” BMC Public Health, vol. 24, 2024, Art. no. 2310, doi: 10.1186/s12889-024-19694-1.
