การศึกษาศักยภาพของเครื่องมือออกแบบสูตรอาหาร Recipe Model Canvas 1.0 ผ่านกรณีศึกษามายองเนส สมุนไพรไทย
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อทดลองใช้แนวคิด Recipe Model Canvas (RMC) ซึ่งผู้วิจัยเคยพัฒนาขึ้นมาก่อน ให้กลายเป็นเครื่องมือ RMC 1.0 ที่สามารถประยุกต์ใช้ได้จริงในการออกแบบสูตรอาหารอย่างเป็นระบบ โดยเครื่องมือนี้ครอบคลุมองค์ประกอบสำคัญ ได้แก่ อัตลักษณ์วัตถุดิบ เทคนิคการปรุง การจัดเสิร์ฟ และการสื่อสารเมนู ผู้วิจัยใช้ระบบปัญญาประดิษฐ์ (AI) ได้แก่ ChatGPT, Claude และ Gemini เพื่อพัฒนาแนวคิดและสูตรต้นแบบของมายองเนสสมุนไพรไทยจำนวน 4 สูตร ได้แก่ สูตรจาก AI เพียงอย่างเดียว (F1) และสูตรที่เกิดจากการผสาน AI กับ RMC (F2–F4) จากนั้นนำไปประเมินด้วยการทดสอบทางประสาทสัมผัสโดยผู้บริโภค 50 คน โดยใช้แบบประเมิน 9-point hedonic scale และแบบสอบถามเกี่ยวกับความเป็นไทย ความแปลกใหม่ และความเข้ากันกับอาหาร
ผลการวิเคราะห์ ANOVA พบว่าสูตรที่พัฒนาด้วยการผสาน AI กับ RMC มีคะแนนความชอบสูงกว่าสูตรที่ได้จาก AI เพียงอย่างเดียวอย่างมีนัยสำคัญทางสถิติ (p < 0.05) โดยเฉพาะสูตร F2 (ChatGPT + RMC) ที่ได้คะแนนสูงสุดในด้านรสชาติ กลิ่น และความพึงพอใจโดยรวม นอกจากนี้ การวิเคราะห์ค่าสหสัมพันธ์พบว่า “ความเป็นไทย” (r = 0.449) และ “ความแปลกใหม่” (r = 0.405) มีความสัมพันธ์ในทางบวกกับ “ความชอบโดยรวม” อย่างมีนัยสำคัญทางสถิติ (p < 0.05)
ผลวิจัยนี้แสดงให้เห็นว่า RMC 1.0 มีศักยภาพในการเป็นเครื่องมือออกแบบสูตรอาหารที่มีความเป็นระบบ และสามารถสนับสนุนการพัฒนาผลิตภัณฑ์อาหารที่สอดคล้องกับบริบททางวัฒนธรรมได้อย่างมีประสิทธิภาพ
Article Details
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารเทคโนโลยีคหกรรมศาสตร์และนวัตกรรม มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรีและคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
เอกสารอ้างอิง
Andersen, B. V., & Hyldig, G. (2015). Consumers’ view on determinants to food satisfaction. A qualitative approach. Appetite, 95, 9–16. https://doi.org/10.1016/j.appet.2015.06.011
Buathong, R. & Duangsrisai, S. (2023). Plant ingredients in Thai food: a well-rounded diet for natural bioactive associated with medicinal properties. PeerJ, 11, e14568. https://doi.org/10.7717/peerj.14568
Cho, E. & Kim, S. (2015). Cronbach’s coefficient alpha: Well known but poorly understood. Organizational Research Methods, 18(2), 207–230. https://doi.org/10.1177/1094428114555994
Convenience Store News. (2024, April 10). Heinz debuts Mayoracha sauce.
Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, 78(1), 98–104. https://doi.org/10.1037/0021-9010.78.1.98
Cui, Z., Qi, C., Zhou, T., Yu, Y., Wang, Y., Zhang, Z., Zhang, Y., Wang, W. & Liu, Y. (2025). Artificial intelligence and food flavor: How AI models are shaping the future and revolutionary technologies for flavor food development. Comprehensive Reviews in Food Science and Food Safety, 24, e70068.
https://doi.org/10.1111/1541-4337.70068
Davis, L. A. & Running, C. A. (2023). Good is sweet and bad is bitter: Conflation of affective value of aromas with taste qualities in untrained participants. Journal of Sensory Studies, 38(3), e12820. https://doi.org/10.1111/joss.12820
Drake, M. A., Watson, M. E. & Liu, Y. (2023). Sensory Analysis and Consumer Preference: Best Practices. Annual review of food science and technology, 14, 427–448. https://doi.org/10.1146/annurev-food-060721-023619
Exploding Topics. (2024). The most popular AI tools in 2024. https://explodingtopics.com/blog/most-popular-ai-tools
Gisslen, W. (2018). Professional cooking (9th ed.). John Wiley & Sons.
Hwang, A. H., Badreddine, S., Gifford, F. & Besold, T. R. (2023). Recipe 2.0: Information presentation for AI-supported culinary idea generation. In Proceedings of the 14th International Conference on Computational Creativity (pp. 443–452). https://computationalcreativity.net/iccc23/papers/ICCC-2023_paper_34.pdf
Itharat, A., Tiyao, V., Sutthibut, K. & Davies, N. M. (2021). Potential Thai herbal medicine for COVID-19. Asian Medical Journal and Alternative Medicine, 21(Suppl. 1), S58. https://doi.org/10.14456/amjam.2021.21
Jiso, A., Khemawoot, P., Techapichetvanich, P., Soopairin, S., Phoemsap, K., Damrongsakul, P., Wongwiwatthananukit, S. & Vivithanaporn, P. (2022). Drug-herb interactions among Thai herbs and anticancer drugs: A scoping review. Pharmaceuticals, 15(2), 146. https://doi.org/10.3390/ph15020146
Kim, H., Choi, S. & Shin, H. H. (2025). Artificial intelligence in the kitchen: Can humans be replaced in recipe creation and food production? International Journal of Contemporary Hospitality Management, 37(5), 1641–1661. https://doi.org/10.1108/IJCHM-04-2024-0549
Marques e Melo, J., Alves, J. C. R., Palma, G. R., de Freitas, S. M. & Rodrigues de Lara, I. A. (2025). Unified multivariate ordinal model for analysis of sensory attributes [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2502.11990
Noever, D. & Miller Noever, S. E. (2023). The multimodal and modular AI chef: Complex recipe generation from imagery [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2304.02016
Munialo, C. D. (2026). A viewpoint on the role of artificial intelligence in food processing and production: Promise, pitfalls, and the path forward. Translational Food Sciences, 2, vxaf023. https://doi.org/10.1093/trfood/vxaf023
Nualkhair, C. & Taylor, L. L. (2023). Real Thai cooking: Recipes and stories from a Thai food expert. Tuttle Publishing.
Oz, E. & Oz, F. (2025). Artificial intelligence-enabled ingredient substitution in food systems: A review and conceptual framework for sensory, functional, nutritional, and cultural optimization. Foods, 14(22), 3919. https://doi.org/10.3390/foods14223919
Ruiz-Capillas, C. & Herrero, A. M. (2021). Sensory analysis and consumer research in new product development. Foods, 10(3), 582. https://doi.org/10.3390/foods10030582
Sick, J., Hartmann, A. L. & Frøst, M. B. (2024). Hedonic rating coupled with sensory profiles using CATA for six whole roasted or deep fried insects among Danish 11–13 year old children. Food Quality and Preference, 114, Article 105094. https://doi.org/10.1016/j.foodqual.2023.105094
Su, Y., Wang, H., Wu, Z., Zhao, L., Huang, W., Shi, B., He, J., Wang, S., & Zhong, K. (2022). Sensory description and consumer hedonic perception of ultra high temperature (UHT) milk. Foods, 11(9), 1350.
https://doi.org/10.3390/foods11091350
Swiader, K. & Marczewska, M. (2021). Trends of using sensory evaluation in new product development in the food industry in countries that belong to the EIT Regional Innovation Scheme. Foods, 10(2), 446.
https://doi.org/10.3390/foods10020446
Thankhanithikun, T. & Nikomtat, J. (2023). The antioxidant properties of skunk vine (Paederia foetida L.) crude extracts and its application in butter cookie. Burapha Science Journal, 28(2), 1110–1127.
Yang, H., Jiao, W., Zouyi, L., Diao, H. & Xia, S. (2025). Artificial intelligence in the food industry: Innovations and applications. Discover Artificial Intelligence, 5, 60. https://doi.org/10.1007/s44163-025-00296
Vongsantivanich, V., Rungjindarat, N., Inthalak, W., & Tantiwet, P. (2025). แผนผังต้นแบบสูตรอาหาร: เครื่องมือสร้างสรรค์สูตรอาหารอย่างเป็นระบบ. วารสารคหกรรมศาสตร์และวัฒนธรรมอย่างยั่งยืน, 7(1), 162–178.
