ระบบสร้างเรซูเม่อัจฉริยะบนสถาปัตยกรรมเว็บสมัยใหม่ด้วยปัญญาประดิษฐ์เชิงสร้างสรรค์
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของระบบสร้างเรซูเม่อัจฉริยะที่สามารถปรับเนื้อหาให้สอดคล้องกับลักษณะงานที่ต้องการ โดยบูรณาการเทคโนโลยีปัญญาประดิษฐ์เข้ากับสถาปัตยกรรม Serverless Edge Computing ระบบพัฒนาด้วย Next.js, Tailwind CSS, Hono Framework บน Cloudflare Workers และ Cloudflare D1 พร้อมประยุกต์ใช้ Gemini 2.5 Flash API สำหรับวิเคราะห์ แนะนำ และสรุปเนื้อหาเรซูเม่อัตโนมัติ ผลการวิจัยพบว่าระบบสามารถรองรับกระบวนการสร้างเรซูเม่ได้อย่างครบวงจร ตั้งแต่การกรอกข้อมูล การเลือกเทมเพลต การประมวลผลด้วย AI จนถึงการส่งออกไฟล์ PDF และสามารถตอบสนองต่อการใช้งานได้อย่างรวดเร็วผ่าน Cloudflare Edge Network ผลการประเมินประสิทธิภาพโดยรวมอยู่ในระดับมาก ( = 3.94, S.D. = 1.00) โดยรายการประเมินที่มีคะแนนสูงสุดคือการเลือกใช้สี โทนหน้าเว็บ และขนาดตัวอักษรมีความเหมาะสม (
= 4.38, S.D. = 0.83) รองลงมาคือเว็บแอปพลิเคชันตอบสนองการใช้งานได้อย่างรวดเร็ว (
= 4.22, S.D. = 0.94) และการแสดงผลตัวอย่างเรซูเม่ได้อย่างถูกต้อง (
= 4.19, S.D. = 1.00) ผลการวิจัยสะท้อนให้เห็นว่าระบบที่พัฒนาขึ้นสามารถช่วยเพิ่มประสิทธิภาพในการจัดทำเรซูเม่ และแสดงศักยภาพของการประยุกต์ใช้ AI ร่วมกับเว็บแอปพลิเคชันสมัยใหม่ในการพัฒนาระบบอัจฉริยะในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
##default.contextSettings.thaijo.licenseTerms##เอกสารอ้างอิง
ชูศรี วงศ์รัตนะ. (2564). เทคนิคการใช้สถิติเพื่อการวิจัย (พิมพ์ครั้งที่ 15). กรุงเทพฯ : ศูนย์หนังสือจุฬาลงกรณ์ มหาวิทยาลัย.
สถาบันวิจัยเพื่อการพัฒนาประเทศไทย. (2561). ปรับทิศทางเศรษฐกิจไทยให้พร้อมสู่ยุคแห่งความปั่นป่วน
ทางเทคโนโลยี (TDRI Report ฉบับที่ 142). เข้าถึงได้จาก : https://tdri.or.th/wp-content/ uploads/2018/09/wb142.pdf (สืบค้นเมื่อ : 9 พฤศจิกายน 2568).
สำนักงานสถิติแห่งชาติ. (2569). สรุปผลการสำรวจภาวะการทำงานของประชากร ไตรมาสที่ 4 พ.ศ. 2568. กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม. เข้าถึงได้จาก : https://www.nso.go.th/nsoweb/storage/ survey_detail/2026/20260223141532_13518.pdf (สืบค้นเมื่อ : 9 มีนาคม 2569).
Anil, R., Borgeaud, S., Wu, Y., Cai, J.-F., Firat, O., Zhong, L., ... & Gemini Team. (2024). Gemini: A family of highly capable multimodal models. arXiv preprint arXiv:2312.11805.
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., & Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
Cloudflare. (2024). Cloudflare Workers and D1. Available at: https://developers.cloudflare.com (Accessed: 9 December 2025).
Flanagan, D. (2020). JavaScript: The Definitive Guide: Master the World's Most-Used Programming Language. O’Reilly Media.
Gan, C., Zhang, Q., & Mori, T. (2024). Application of LLM agents in recruitment: A novel framework for resume screening. arXiv preprint arXiv:2401.08315.
Google. (2024). Gemini API. Available at: https://ai.google.dev (Accessed: 12 October 2025).
Hipp, R. (2024). SQLite. Available at: https://www.sqlite.org (Accessed: 30 October 2025).
Hono contributors. (2024). Hono. Available at: https://hono.dev (Accessed: 8 December 2025).
Jadhav, P., Deshmukh, A., & Kulkarni, S. (2025). CLEVERCV: Gen-AI Driven Resume Builder Enhancing Resume Creation and ATS Optimization. International Journal of Creative Research Thoughts (IJCRT), 13(1), 458–467.
Jonas, E., Schleier-Smith, J., Sreekanti, V., Tsai, C.-C., Khandelwal, A., Pu, Q., & Patterson, D. A. (2019). Cloud programming simplified: A Berkeley view on serverless computing. arXiv preprint arXiv:1902.03383.
Mardan, A. (2017). React and React Native. Apress.
Min, B., Ross, H., Sulem, E., Veyseh, A. P. B., Nguyen, T. H., Sainz, O., & Roth, D. (2023). Recent advances in natural language processing via large pre-trained language models: A survey. ACM Computing Surveys, 56(2), 1–40.
Mungi, N. V. S. R. (2022). Resume Screening Using Machine Learning. Journal of Engineering Sciences, 13(09), 23–28.
Norman, D. (2013). The Design of Everyday Things: Revised and Expanded Edition. Basic Books.
Riva, M. (2022). Real-World Next.js: Build Scalable, High-Performance, and Modern Web Applications Using Next.js. Packt Publishing.
Tailwind Labs. (2024). Tailwind CSS. Available at: https://tailwindcss.com (Accessed: 5 February 2026).
Tayal, S., Sharma, T., Singhal, S., & Thakur, A. (2024). Resume Screening using Machine Learning. International Journal of Scientific Research in Computer Science, Engineering and Information Technology, 10(2), 182–189.
Torvalds, L., & Git contributors. (2024). Git. Available at: https://git-scm.com/ (Accessed: 24 March 2026).
Vercel. (2024). Next.js Documentation. Available at: https://nextjs.org/docs (Accessed: 15 January 2026).
Yelubolu, S. C., Vinay, T., Mahesh, D. Y. S. R., Lukeshbabu, P., Surya, D. N. V. S., & Krishna, O. S. R. (2026). Automated ATS-Optimized Resume Builder with Dynamic Templates. International Journal for Research in Applied Science and Engineering Technology (IJRASET), 14(3), 115–124.
