Research-Extract จากงานวิจัยที่ผมและทีมร่วมตีพิมพ์ใน The Journal of Mind and Behavior ปี 2026
วันนี้ขออนุญาตเขียนเรื่องมวยสากลสมัครเล่นสักหน่อย หลังจากที่ผมหันหลังให้กับมันตั้งแต่ ปี 2010 หลังจากที่ เสธ.ทวีป โดนไอบ้า แบน และ กกท ก็สั่งไม่ให้ใช้คำว่าแห่งประเทศไทย ตั้งแต่นั้นเป็นต้นมา หลังจากโอลิมปิกเกมส์ ปี 2008 ผมได้มีโอกาสไปช่วยทีมมวยสากลสมัครเล่นของประเทศไทย สิ่งที่น่าสนใจคือ เราให้ความสำคัญกับ ความพร้อมของนักกีฬาเป็นอย่างมาก หรือ Athletes Readiness การที่นักกีฬาจะมีความพร้อมสำหรับการแข่งขัน ความพร้อมสำหรับการแข่งขัน ไม่ใช่ความพร้อมทางร่างกายเท่านั้น แต่เป็นความพร้อมทุกด้าน ร่างกาย จิตใจ รวมทั้ง เทคนิคแทคติก ที่เป็นส่วนสำคัญ ทำให้ประเทศไทย ประสบความสำเร็จในโอลิมปิกเกมส์ หลังจากนั้น ผมก็ไม่ได้เข้าไปกับทีมมวยสากลสมัครเล่นอีกเลย แต่เมื่อไม่นานมานี้ อ.จุ๊ จาก มรภ.นครราชสีมา ได้เข้าไปเก็บข้อมูลนักกีฬามวยสากลสมัครเล่นหญิง ทีมชาติไทย มา อ.จุ๊ เรียนปริญญาเอก อยู่ที่ มศว ภายใต้การดูแลของท่านหัวหน้าภาค อ.ดร.นุชรี ก็หอบข้อมูลมาปรึกษา ว่าเก็บข้อมูลทีมชาติมาเป็นประมาณนี้
ในวงการมวยสากลหญิงระดับชั้นนำของโลก ไทยก็อยู่ในนั้น ไม่กี่ปีที่ผ่านมา ผลงานนักกีฬามวยสากลสมัครเล่นทีมชาติไทย ก้าวขึ้นมาโดดเด่นอย่างเห็นได้ชัด ภายใต้การทำงานของ ดร.ภาคภูมิ แจ้งโพธิ์นาค (เอ็ม 16 บขส) ที่เข้ามาดูแลทีมและทำให้นักกีฬามวยสากลสมัครเล่นหญิง คว้าเหรียญทองแดง อลป มาได้สองสมัย ตั้งแต่ น้องแต้ว สุดาพร สีสอนดี และ น้องบี จันทร์แจ่ม ในโอลิมปิคครั้งล่าสุด มักจะมีคำถามคลาสสิคอยู่ในนั้น คำถามที่โค้ชต้องตอบให้ได้ทุกวันคือ “วันนี้นักกีฬาของเราพร้อมหรือยัง?”
คำถามที่ดูเหมือนง่าย แต่ในทางปฏิบัติแล้วซับซ้อนกว่าที่คิดมาก เพราะ “ความพร้อม” (readiness) ของนักมวยหญิงไม่ใช่เรื่องของกำลังกายอย่างเดียว แต่เป็นปฏิสัมพันธ์ของภาระการฝึก (training load) พฤติกรรมการนอน (sleep behaviour) การฟื้นตัวด้วยการกำกับตนเอง (recovery self-regulation) และสภาพจิตใจ ที่ส่งผลต่อกันแบบ ไม่เป็นเส้นตรง สิ่งที่น่าสนใจมากกว่านั้นก็คือ ในวิทยาศาสตร์การกีฬา เรามักจะมองความสัมพันธ์เป็นความสัมพันธ์เชิงเส้น Linear แต่ลืมนึกถึงความสัมพันธ์แบบอื่นๆ บ่อยครั้งที่เราใช้สถิติอนุมานแบบเดียว เลยทำให้ความสัมพันธ์แบบอื่นๆที่มีประโยชน์ ไม่ถูกนับรวมเข้าไป แต่ในปัจจุบัน ไม่ใช่แบบนั้น
บทความนี้ผมขอนำเสนองานวิจัยล่าสุดที่ผมร่วมเป็นผู้เขียนกับทีมจาก มศว ที่ใช้วิธี data-driven และ deep learning เพื่อตอบคำถามนี้อย่างเป็นระบบ และที่สำคัญกว่านั้น คือสิ่งที่เราสามารถ ถอดข้อมูลออกมาใช้จริง ในสนามฝึกซ้อม
ปัญหา: ทำไมการดูแค่ฟอร์มบนเวทีถึงไม่พอ
แนวทางการประเมินความพร้อมแบบดั้งเดิมในมวยสากลมักพึ่งพา “สายตาโค้ช” และ “การวิเคราะห์การเคลื่อนไหว” เป็นหลัก ซึ่งเป็นข้อมูลที่จับต้องได้ แต่จับได้แค่ผิวเผิน
นักมวยที่ดูฟอร์มดีในการฝึกซ้อม อาจมีความเหนื่อยล้าสะสม ที่ส่งผลต่อการนอนไม่พอ ความวิตกกังวลก่อนการแข่งขัน หรือกระบวนการฟื้นตัวที่ผิดปกติ ซึ่งทั้งหมดนี้จะกลายมาเป็นปัญหาในวันแข่งจริง
งานของ Aydın และคณะ (2026) ชี้ชัดว่า การติดตามผลโดยใช้ตัวชี้วัดทางสรีรวิทยาเพียงด้านเดียวไม่เพียงพอที่จะจับภาพรวมความพร้อมที่มีหลายมิติ ขณะที่ Doherty และคณะ (2021) เน้นย้ำว่าการนอนไม่ใช่แค่ “พักร่างกาย” แต่เป็นกระบวนการทางสรีรวิทยาเชิงรุก (active physiological process) ที่จำเป็นต่อการฟื้นฟูกล้ามเนื้อ ความสามารถทางการคิด และสมดุลฮอร์โมน ที่ร่างกายใช้ในการซ่อมแซมตนเอง ให้กลับมาสู่ในสภาวะสมดุล Homeostesis นี่คือช่องว่างที่เราพยายามอุดในงานชิ้นนี้
เราใช้ข้อมูล 5,200 รายการ ของนักมวยหญิงอาชีพในช่วงก่อนแข่ง (pre-competition phase) เก็บข้อมูลครอบคลุม 4 มิติพร้อมกัน:
- ภาระการฝึก วัดผ่าน TRIMP score (ช่วง 300–900)
- พฤติกรรมการนอน ทั้งระยะเวลาและประสิทธิภาพการนอน (sleep efficiency) จาก wearable
- การฟื้นตัวและการกำกับตนเอง ใช้แบบสอบถามมาตรฐาน
- มิติจิตใจ ความวิตกกังวลเชิงแข่งขัน ความมั่นใจในตนเอง การรับรู้ต่อคู่ต่อสู้ และความสามัคคีของทีม
จากนั้นใช้โมเดล deep learning ที่เราพัฒนาขึ้นชื่อว่า DMBO-Att-VAE (Dynamic Monarch Butterfly Optimized Attention-Vision AutoEncoder) ในการจำแนกกลุ่มความพร้อม โมเดลทำความแม่นยำได้ 98.76% และ F1-score 97.52% สูงกว่า baseline อย่าง BERT + 3D-ResNet และ 3D CNN + BERT + Fusion อย่างชัดเจน
แต่ในฐานะคนทำวิจัย ผมต้องบอกตรงๆ ว่า ตัวเลขความแม่นยำของโมเดลไม่ใช่ประเด็นที่น่าสนใจที่สุด สิ่งที่น่าสนใจกว่าและเอาไปใช้ได้จริงคือ “อะไรคือสัญญาณบ่งชี้ความพร้อม ที่โมเดลเรียนรู้แล้วถอดให้เราเห็น?”
ค้นพบที่นำไปใช้ได้จริง 4 ประเด็นที่ผมอยากชวนคิด
- ประสิทธิภาพการนอน 90% คือเส้นแบ่งสำคัญ
นี่คือการค้นพบที่ practical ที่สุดในมุมมองของผม นักมวยกลุ่ม high readiness ส่วนใหญ่มีประสิทธิภาพในการนอนหลับ sleep efficiency เกิน 90% ขณะที่กลุ่ม low readiness กระจายอยู่ในช่วง 80–88% Sleep efficiency คือสัดส่วนเวลาที่ “หลับจริง” ต่อเวลาที่อยู่บนเตียง ซึ่งวัดได้จาก wearable ทั่วไปงานวิจัยนี้ใช้ Polar ซึ่งเป็นอุปกรณ์ที่มีความแม่นยำสูง ในมิติของการวัดการนอนหลับ นั่นหมายความว่า ถ้าคุณเป็นโค้ชหรือนักกีฬาเอง การมี dashboard ติดตาม sleep efficiency รายวัน มีค่ามากกว่า การเก็บแค่ตัวเลข “ชั่วโมงนอน” เพราะนักมวยที่นอน 8 ชั่วโมงแต่หลับจริงแค่ 6.5 ชั่วโมง (efficiency ~81%) จะแสดงสัญญาณ low readiness ทั้งที่ตัวเลขชั่วโมงนอนดูปกติบนกระดาษ
การนำไปประยุกต์ใช้ : เปลี่ยนคำถามจาก “เมื่อคืนนอนกี่ชั่วโมง?” เป็น “Sleep efficiency เมื่อคืนมีค่าเท่าไร?”
- ภาระการฝึก ≠ การฟื้นตัวเชิงเส้นตรง
ผลการทดสอบ Wilcoxon Signed-Rank ในงานเราแสดงว่า TRIMP score มีความสัมพันธ์เชิงลบกับ recovery อย่างมีนัยสำคัญ (Z = −6.32, p < 0.001, effect size r = 0.41) แต่ความสัมพันธ์นี้ ไม่ใช่เส้นตรง มันเป็น nonlinear interaction ที่ผันแปรไปตามตัวแปรทางจิตใจ
ในทางปฏิบัติ หมายความว่า การเพิ่ม training load 20% ไม่ได้ทำให้ recovery แย่ลงแบบเป็นสัดส่วน นักกีฬาบางคนอาจรับมือได้ดี (ถ้านอนดี จิตใจมั่นคง) ขณะที่บางคนอาจพังตั้งแต่ load เพิ่มขึ้นแค่ 10% ถ้ามีปัจจัยจิตใจไม่เอื้อ นี่คือเหตุผลที่ผมไม่เชื่อในสูตร “เพิ่ม volume สัปดาห์ละ 10%” แบบ one-size-fits-all เพราะมันไม่สนใจบริบทอื่นๆ ที่กำหนดความสามารถในการรับ load ของนักกีฬาคนนั้นในช่วงเวลานั้น
การนำไปประยุกต์ใช้ ก่อนปรับ training load ขึ้น ให้ดู context รอบข้างก่อน sleep ดีไหม stress level เป็นยังไง? competition cycle อยู่ตรงไหน เห็นไหมว่า การปรับโปรแกรมใน Periodization ไม่ใช่การปรับตามหลักการที่เราเคยเรียนกันอีกต่อไป แต่ต้องดูจากการตอบสนองต่อโปรแกรมในการฝึกซ้อมของนักกีฬาเป็นหลัก ถ้าหากเราพูดถึงหลักความเป็นปัจเจกบุคคล Individual Difference แน่นอนว่า นักกีฬาแต่ละคนก็ย่อมตอบสนองต่อโปรแกรมในการฝึกซ้อมที่แตกต่างกัน ดังนั้น การออกแบบโปรแกรมในลักษณะที่เป็น Open Loop จะทำให้โปรแกรมมีประสิทธิภาพมากกว่า
- จิตใจไม่ใช่ “ของแถม” แต่เป็น “ตัวบ่งชี้หลัก”
T-test เปรียบเทียบระหว่างกลุ่ม high vs low readiness แสดงความต่างอย่างมีนัยสำคัญในทุกตัวแปรจิตใจ (p < 0.001):
| ตัวแปร | High Readiness |
Low Readiness |
| ความเหนื่อยล้า (Fatigue) | 3.21 ± 0.88 | 6.47 ± 1.02 |
| ความวิตกกังวลเชิงแข่งขัน | 2.94 ± 0.76 | 6.12 ± 1.15 |
| ความมั่นใจในตนเอง | 8.12 ± 0.91 | 4.37 ± 1.08 |
| การรับรู้ต่อคู่ต่อสู้ | 3.56 ± 0.72 | 5.89 ± 0.95 |
ความต่างขนาดนี้ ที่ วัดได้ก่อนนักกีฬาขึ้นเวที เป็นข้อมูลที่โค้ชควรเก็บอย่างเป็นระบบ ไม่ใช่ปล่อยให้เป็นเรื่อง “ความรู้สึก” หรือ “ดูจากแววตา” ความพร้อมของนักกีฬาจากการสังเกตอีกต่อไป ในสนามจริง การเก็บข้อมูลพวกนี้ทำได้ด้วยแบบสอบถามสั้นๆ ก่อนซ้อมแต่ละวัน 4–5 ข้อ ใช้เวลา 30 วินาที แต่ให้ข้อมูลที่ทำนายความพร้อมได้ดีกว่าการดูฟอร์มในวอร์มอัพ
- การฝึกการกำกับตนเอง (self-regulation training)
งานของ Proietti และคณะ (2024) แสดงว่าการฝึก self-regulation เช่น mindfulness, cognitive restructuring, และ goal-setting ช่วยเพิ่ม stress resilience ในนักกีฬาได้จริง ซึ่งสอดคล้องกับข้อมูลในการศึกษาของเราที่พบว่า psychological dimension เป็นปัจจัยจำแนกความพร้อมที่ชัดเจน
ผมอยากให้โค้ชไทยเลิกมอง mental training ว่าเป็น “soft skill” หรือ “ของเสริม” มันคือการฝึกที่มีฐานทางวิทยาศาสตร์ ที่ควรบรรจุเข้าโปรแกรมร่วมกับการฝึกกาย โดยเฉพาะในช่วง pre-competition phase ที่ความวิตกกังวลพุ่งขึ้นและ self-confidence ผันผวน จากประสบการณ์ของผู้เขียน ในการแข่งขันโอลิมปิคปี 2008 นักกีฬามวยสากลสมัครเล่น มีการฝึก และวางโปรแกรมตั้งแต่ในช่วง pre-competition และสามารถนำไปใช้จริงตอนแข่งขันได้เป็นอย่างดี
ในฐานะหนึ่งในผู้เขียน ผมขอพูดให้ตรงเรื่องข้อจำกัด เพราะการพูดถึงงานวิจัยตัวเองโดยไม่พูดข้อจำกัด คือการไม่ซื่อสัตย์กับผู้อ่าน
- กลุ่มตัวอย่างยังเล็ก และเป็น context-specific (นักมวยหญิงในช่วง pre-competition) การ generalize ตัวเลข 98.76% ไปยังนักกีฬากลุ่มอื่น เช่น มวยไทย MMA หรือมวยปล้ำ ต้องระวัง
- มี class imbalance ในข้อมูล ซึ่งอาจทำให้โมเดลเรียนรู้ pattern บางกลุ่มได้ดีกว่ากลุ่มอื่น
- โมเดล deep learning ยังเป็น black box อยู่พอสมควร แม้เราใส่ attention mechanism เพื่อพยายามให้ interpretable แต่ในการตัดสินใจขั้นสุดท้ายว่า “นักกีฬาคนนี้พร้อมหรือไม่” ยังต้องอาศัยการตัดสินใจของโค้ชและทีมแพทย์เป็นหลัก โมเดลเป็น เครื่องมือเสริม ไม่ใช่ตัวตัดสิน
สิ่งที่ผมอยากให้โค้ชและนักกีฬาไทยกลับไปทำ
- เก็บข้อมูล sleep efficiency ไม่ใช่แค่ชั่วโมงนอน ใช้ wearable ที่มีอยู่แล้วก็ได้ และใช้ 90% เป็น threshold ในการตัดสินใจ
- ติดตามจิตใจอย่างเป็นระบบ ด้วยแบบสอบถามสั้นๆ ก่อนซ้อมแต่ละวัน ถามเรื่อง fatigue, anxiety, confidence แค่ 4–5 ข้อ
- อย่ามอง training load แยกจากบริบทอื่น load เท่ากันส่งผลต่างกันในนักกีฬาต่างคน ขึ้นกับ sleep และ mental state ที่นั่ง ณ ขณะนั้น
งานวิจัยนี้ไม่ใช่ปลายทาง แต่เป็นจุดเริ่มของการคิดเรื่อง readiness แบบหลายมิติในมวยหญิงไทย และเป็นโจทย์ที่ผมและทีมจะทำต่อในรุ่นถัดไป โดยขยับไปยังบริบทของ MMA และมวยไทย ที่มีเงื่อนไขการ recovery และ weight management ต่างออกไป
ถ้าคุณเป็นโค้ช นักวิทยาศาสตร์การกีฬา หรือนักกีฬาเองที่กำลังคิดเรื่องการประเมินความพร้อมอย่างเป็นระบบ ผมยินดีแลกเปลี่ยนเรียนรู้ครับ แต่ถ้าหากคุณอยากศึกษางานวิจัย เกี่ยวกับนักกีฬา ที่ภาควิชาวิทยาศาสตร์การกีฬา มศว ทีมงานจิตวิทยาการกีฬาและวิทยาศาสตร์การเคลื่อนไหว เรามีงานวิจัยสนุกๆ ที่จะเข้ามาพัฒนานักกีฬา เห็นช่วงนี้กำลังเปิดรับสมัครอยู่นะครับ
อ้างอิง
- Rattanasateankij W, Senakham T, Punthipayanon S, Puttasimma T, Senakham N. Training stress, sleep behaviour, and recovery self-regulation in elite female boxers: A behavioural pattern analysis using data-driven methods. The Journal of Mind and Behavior. 2025;46(3):109–29. https://jmb-online.com/article-view.php?id=206
- Aydın AS, Altuğ T, Yılmaz C, Badau A, Söyler M. Weekly fluctuations in internal load and neuromuscular performance across a 10-week training period in elite female boxers. Life. 2026;16(3):386.
- Doherty R, Madigan SM, Nevill A, Warrington G, Ellis JG. The sleep and recovery practices of athletes. Nutrients. 2021;13(4):1330.
- Proietti G, Borozan M, Chaigneau A, Cannito L, Palumbo R, Thouvarecq R, et al. Self-regulation training improves stress resilience in elite pre-pubescent female gymnasts. Frontiers in Psychology. 2024;15:1341437.
- Kużdżał A, Bilianskyi O, Wroński Z, Magoń G, Olaniszyn G, Hagner-Derengowska M, et al. Effects of weight-cutting practices on sleep, recovery, and injury in combat sports: A scoping review. Journal of Functional Morphology and Kinesiology. 2025;10(3):319.
- Temm DA, Standing RJ, Best R. Training, wellbeing and recovery load monitoring in female youth athletes. International Journal of Environmental Research and Public Health. 2022;19(18):11463.
