วงล้อสุ่มชื่อเลือกผู้ชนะอย่างยุติธรรม: อคติและการทดสอบ

ในทุกๆ วัน ครูในห้องเรียน สตรีมเมอร์บน YouTube และ Twitch หัวหน้าทีมในการประชุม และผู้จัดกิจกรรมแจกของรางวัล ต่างให้ผู้คนวางใจในวงกลมหมุนได้บนหน้าจอ วงล้อหลากสีสันหมุนอย่างรวดเร็ว ส่งเสียงคลิกผ่านเข็มชี้ และค่อยๆ ชะลอความเร็วจนกระทั่งลูกศรหยุดลงที่ชื่อใดชื่อหนึ่ง

แต่เมื่อใดก็ตามที่มีของรางวัล เกรด หรือความน่าเชื่อถือเป็นเดิมพัน คำถามที่หลีกเลี่ยงไม่ได้ย่อมตามมาเสมอ: วงล้อสุ่มชื่อนี้โกงหรือล็อคผลหรือไม่?

ความสงสัยเป็นเรื่องธรรมชาติ เมื่อผู้คนไม่สามารถตรวจสอบโค้ดที่อยู่เบื้องหลังการสุ่มได้ วงล้อดิจิทัลก็ดูไม่ต่างจากกล่องดำ ผู้เข้าร่วมที่เห็นชื่อตัวเองแพ้ติดต่อกัน 5 รอบอาจสงสัยว่าผู้สร้างแอบถ่วงน้ำหนักหรือไม่ หรือเซิร์ฟเวอร์กำลังแอบเปลี่ยนผลลัพธ์

ในบทความนี้ เราจะพาคุณเจาะลึกวิทยาการคอมพิวเตอร์และทฤษฎีความน่าจะเป็นเบื้องหลัง เครื่องมือสุ่มชื่อที่ยุติธรรมอย่างแท้จริง เราจะอธิบายว่าทำไมฟังก์ชันทั่วไปอย่าง Math.random() จึงมีอคติซ่อนอยู่ ตัวสร้างตัวเลขสุ่มเทียมที่ปลอดภัยด้วยการเข้ารหัส (CSPRNG) เข้ามาแก้ปัญหานี้อย่างไร Rejection Sampling กำจัด Modulo Bias ได้อย่างไร และคุณจะตรวจสอบความยุติธรรมด้วยการทดสอบทางสถิติ Chi-Square ด้วยตัวเองได้อย่างไร

ทำไมตัวเลขสุ่มเทียมทั่วไปจึงไม่เหมาะกับการจับสลากสำคัญ

คอมพิวเตอร์เป็นเครื่องจักรที่ทำงานตามคำสั่งที่แน่นอน เมื่อได้รับข้อมูลนำเข้าและชุดคำสั่งเดิม โปรเซสเซอร์จะให้ผลลัพธ์เดิมทุกครั้ง เพื่อสร้างสิ่งที่ดูเหมือน “การสุ่ม” ภาษาโปรแกรมส่วนใหญ่จึงใช้สูตรอัลกอริทึมที่เรียกว่า ตัวสร้างตัวเลขสุ่มเทียม (PRNG)

ในการพัฒนาเว็บทั่วไป JavaScript มีฟังก์ชัน Math.random() ให้ใช้งาน ซึ่งเบราว์เซอร์สมัยใหม่สร้างขึ้นด้วยอัลกอริทึมที่ชื่อว่า xorshift128+ สำหรับเอฟเฟกต์ภาพทั่วไป เช่น การทำหิมะโปรยบนหน้าเว็บ หรือการเปลี่ยนสีพื้นหลัง xorshift128+ นั้นรวดเร็ว ประหยัดหน่วยความจำ และเพียงพออย่างยิ่ง

ทว่าสำหรับการตัดสินที่ต้องอาศัยความโปร่งใส Math.random() มีจุดอ่อนร้ายแรง 2 ประการ:

1. สภาวะอัลกอริทึมที่คาดเดาได้: เนื่องจาก xorshift128+ เป็นสมการทางคณิตศาสตร์ล้วนๆ การสังเกตผลลัพธ์ที่ต่อเนื่องกันเพียงไม่กี่ครั้งก็เพียงพอที่จะถอดรหัสสภาวะภายในขนาด 128 บิตได้ เมื่อทราบสภาวะนี้แล้ว ค่าสุ่มในอนาคตทั้งหมดจะสามารถคาดเดาได้อย่างแม่นยำ 100%
2. ขาดการดึงสัญญาณรบกวนจากฮาร์ดแวร์จริง: อัลกอริทึม PRNG ทั่วไปไม่ได้ดึงความผันผวนจากสภาพแวดล้อมทางกายภาพ (เช่น อุณหภูมิซีพียู หรือจังหวะการกดแป้นพิมพ์) แต่เป็นการคำนวณความสัมพันธ์เวียนเกิดจากค่าเริ่มต้น (Seed) เท่านั้น

เมื่อมีคนจัดกิจกรรมจับฉลากบริษัท มอบทุนการศึกษา หรือแบ่งกลุ่มนักเรียนด้วย ตัวแบ่งกลุ่มสุ่ม การพึ่งพาการสุ่มที่คาดเดาได้ย่อมสร้างความเสี่ยง หากมีใครล่วงรู้ค่า Seed ความน่าเชื่อถือของการจับรางวัลก็จะหมดไปทันที

มาตรฐานรหัสลับ: การทำงานของ CSPRNG

เพื่อให้มั่นใจในความยุติธรรมที่ไม่อาจโต้แย้งได้ วงล้อสุ่มชื่อ ยุคใหม่จึงจำเป็นต้องใช้ ตัวสร้างตัวเลขสุ่มเทียมที่ปลอดภัยด้วยการเข้ารหัส (CSPRNG) ซึ่งเบราว์เซอร์ในปัจจุบันรองรับผ่านเมธอด window.crypto.getRandomValues()

แทนที่จะใช้สูตรคำนวณที่เริ่มทำงานตอนเปิดหน้าเว็บ CSPRNG จะเชื่อมต่อโดยตรงกับแหล่งรวบรวมเอนโทรปี (Entropy Pool) ของระบบปฏิบัติการ:

• บน Linux, Android และ macOS เบราว์เซอร์จะเชื่อมต่อกับเคอร์เนล เช่น /dev/urandom และอัลกอริทึม CPRNG ที่ใช้ ChaCha20
• บน Windows เบราว์เซอร์จะขอชุดไบต์สุ่มจาก Windows Cryptography API: Next Generation (CNG) ผ่าน ProcessPrng

แหล่งเอนโทรปีเหล่านี้รวบรวมสัญญาณรบกวนทางกายภาพที่ไม่สามารถคาดเดาได้ เช่น ความผันผวนของอุณหภูมิซีพียู จังหวะการประมวลผลของฮาร์ดดิสก์ ความแปรปรวนของแพ็กเก็ตเน็ตเวิร์ก และจังหวะเวลาระหว่างการกดแป้นพิมพ์ ระบบปฏิบัติการจะแปลงสัญญาณเหล่านี้เป็นชุดข้อมูลที่ไม่สามารถคาดเดาหรือย้อนรอยได้

เมื่อคุณกดหมุนวงล้อบน Spin Names Now ระบบของเราจะเรียกใช้:

const buffer = new Uint32Array(1);
window.crypto.getRandomValues(buffer);
const rawRandomValue = buffer[0];

คำสั่งนี้จะสร้างจำนวนเต็มแบบไม่มีเครื่องหมายขนาด 32 บิต (u32) ที่กระจายตัวอย่างสม่ำเสมอในช่วง 2³² = 4,294,967,296 ค่า (ตั้งแต่ 0 ถึง 4,294,967,295) ทุกจำนวนเต็มในช่วงกว่า 4.29 พันล้านค่านี้มีโอกาสถูกเลือกเท่ากันอย่างสมบูรณ์:

P(X = k) = 1 / 4,294,967,296 ≈ 2.3283 × 10⁻¹⁰

กับดักที่มองไม่เห็น: Modulo Bias คืออะไรและบิดเบือนโอกาสอย่างไร?

การสร้างตัวเลขสุ่ม 32 บิตที่ยุติธรรมเป็นเพียงครึ่งแรกของกระบวนการ แต่วงล้อทั่วไปไม่ได้มี 4.29 พันล้านช่อง วงล้อของคุณมักมีเพียง 7 รายชื่อ นักเรียน 15 คน หรือผู้เข้าร่วม 40 คน

คอมพิวเตอร์แปลงตัวเลข 32 บิตขนาดใหญ่ให้เข้ากับรายชื่อขนาดสั้น $N$ ได้อย่างไร?

บทเรียนสอนเขียนโปรแกรมเบื้องต้นส่วนใหญ่มักแนะนำให้ใช้เครื่องหมายหารเอาเศษ หรือ Modulo (%):

// WARNING: Naive implementation that suffers from modulo bias!
const winnerIndex = rawRandomValue % numberOfNames;

บรรทัดโค้ดสั้นๆ นี้คือจุดที่โปรแกรมสุ่มจำนวนมากสร้างความลำเอียงขึ้นมาโดยไม่รู้ตัว ข้อบกพร่องทางคณิตศาสตร์นี้เรียกว่า Modulo Bias (อคติจากการหารเอาเศษ)

ตัวอย่างเข้าใจง่ายของ Modulo Bias

เพื่อให้เห็นภาพการทำงานของ Modulo Bias อย่างชัดเจนโดยไม่ต้องสับสนกับตัวเลขหลักพันล้าน ลองดูตัวอย่างจำลองนี้:

• สมมติว่าตัวสร้างสุ่มสร้างตัวเลขระหว่าง 0 ถึง 9 ด้วยความน่าจะเป็นเท่ากัน (มี 10 ผลลัพธ์ที่เป็นไปได้)
• คุณมี 3 รายชื่อ บนวงล้อ: แอน (ลำดับ 0), บอย (ลำดับ 1) และ ชล (ลำดับ 2)
• คุณแปลงตัวเลข 0–9 ไปยัง 3 รายชื่อด้วยสูตร ค่า % 3:

สังเกตเห็นอะไรไหม?

• แอน จะชนะหากตัวเลขออกเป็น 0, 3, 6 หรือ 9 (4 ใน 10 ผลลัพธ์ = โอกาส 40.0%)
• บอย ชนะเมื่อออก 1, 4 หรือ 7 (3 ใน 10 ผลลัพธ์ = โอกาส 30.0%)
• ชล ชนะเมื่อออก 2, 5 หรือ 8 (3 ใน 10 ผลลัพธ์ = โอกาส 30.0%)

เนื่องจาก 10 หารด้วย 3 ไม่ลงตัว เศษที่เหลือจึงวนกลับไปเอื้อประโยชน์ต่อรายชื่อแรกๆ แอนจึงมี โอกาสชนะมากกว่าคนอื่นถึง 33% เพียงเพราะวิธีการหารตัวเลข!

แม้ผลกระทบจะดูน้อยลงเมื่อนำ 2³² (4,294,967,296) มาหารด้วยรายชื่อ แต่ในหลักการสุ่มที่แท้จริง ความเอนเอียงเพียงเล็กน้อยก็ถือว่าละเมิดความยุติธรรมแล้ว

Rejection Sampling ช่วยกำจัด Modulo Bias ได้อย่างไร

ผู้เชี่ยวชาญด้านรหัสลับและระบบสุ่มที่น่าเชื่อถือแก้ปัญหานี้อย่างไร? คำตอบคือเทคนิคทางคณิตศาสตร์ที่เรียกว่า Uniform Rejection Sampling (การสุ่มแบบคัดออกให้สม่ำเสมอ)

แทนที่จะยอมรับตัวเลขทั้งช่วง อัลกอริทึมจะคำนวณหาจำนวนเต็มที่เป็นผลคูณร่วมที่มากที่สุดของขนาดรายชื่อ $N$ ที่ยังอยู่ภายในขอบเขต 32 บิต หากตัวเลขสุ่มที่ได้ตกอยู่ในช่วงเศษเกินที่อยู่เหนือขอบเขตนั้น ตัวเลขนั้นจะถูกตัดทิ้งทันที และระบบจะสุ่มตัวเลขใหม่ขึ้นมาแทนในเสี้ยววินาที

นี่คือโค้ดจริงที่ทำงานอยู่เบื้องหลังระบบของเรา (src/lib/random.ts):

const MAX_U32 = 0x100000000; // 2^32 = 4,294,967,296

export function secureRandomInt(maxExclusive: number): number {
  if (maxExclusive <= 1) return 0;

  const cryptoObj = window.crypto;
  const max = Math.floor(maxExclusive);

  // Calculate the largest multiple of `max` that fits inside 2^32
  const limit = MAX_U32 - (MAX_U32 % max);
  const buf = new Uint32Array(1);
  let val: number;

  // Discard any number in the uneven trailing tail
  do {
    cryptoObj.getRandomValues(buf);
    val = buf[0];
  } while (val >= limit);

  return val % max;
}

ด้วยกระบวนการนี้:

1. ตัวเลขที่นำมาใช้ทุกลำดับจะมาจากช่วงที่หารด้วยจำนวนรายชื่อ max ลงตัวพอดีเสมอ
2. เนื่องจากช่วงที่ถูกตัดทิ้งมีขนาดเล็กมาก (ไม่เกิน max - 1 ค่า จากกว่า 4.29 พันล้านค่า) โอกาสที่จะต้องสุ่มใหม่จึงน้อยกว่า $0.00001%$ และทำงานเสร็จในระดับไมโครวินาที
3. แต่ละช่องบนวงล้อจะมีโอกาสถูกเลือกเท่ากันอย่างสมบูรณ์จนถึงทศนิยมตำแหน่งสุดท้าย

ความเร็วหรือระยะเวลาในการหมุนมีผลต่อผู้ชนะหรือไม่?

คำถามยอดฮิตจากผู้ใช้งานคือความสัมพันธ์ระหว่างภาพแอนิเมชันที่เห็นกับอัลกอริทึม ผู้คนมักถามว่า:

• «คลิกแรงขึ้นจะทำให้วงล้อหมุนไปไกลขึ้นหรือไม่?»
• «ถ้าใช้มือกวาดวงล้อบนมือถือ จะเลือกจุดหยุดได้ไหม?»
• «คอมพิวเตอร์ที่แรงกว่าจะทำให้ตำแหน่งลูกศรเปลี่ยนไปหรือไม่?»

คำตอบสั้นๆ คือ ไม่มีผลเลย

ในวงล้อสุ่มชื่อที่ได้มาตรฐาน ผู้ชนะจะถูกเลือกโดยฟังก์ชัน secureRandomInt() ในเสี้ยววินาทีก่อนที่วงล้อจะเริ่มขยับเสียด้วยซ้ำ ลำดับของผู้ชนะถูกบันทึกไว้ในหน่วยความจำเรียบร้อยแล้ว

ภาพการหมุนที่เกิดขึ้นหลังจากนั้นถูกควบคุมด้วยสมการการชะลอความเร็วทางฟิสิกส์ (เช่น Cubic Bezier) ระบบจะคำนวณองศาการหมุนรวมที่จำเป็นล่วงหน้า:

Total Rotation Angle = (360° × N_spins) + Winner_Slice_Offset

จากนั้นวงล้อจะหมุนอย่างรวดเร็วและค่อยๆ ผ่อนความเร็วลงอย่างนุ่มนวลเป็นเวลา 2-3 วินาทีเพื่อสร้างความตื่นเต้นให้แก่ผู้ชม โดยรับประกันว่าลูกศรจะหยุดลงตรงกลางช่องผู้ชนะที่ถูกสุ่มไว้ตั้งแต่ต้นอย่างแม่นยำ

เนื่องจากผลลัพธ์ถูกตัดสินด้วยรหัสลับทางคณิตศาสตร์ ไม่ใช่แรงเสียดทานทางกายภาพ จึงไม่มี “จุดบอด” ไม่มีการสึกหรอของกลไก และไม่ขึ้นอยู่กับอัตรารีเฟรชของหน้าจอหรือความเร็วของอุปกรณ์

วิธีทดสอบและตรวจสอบความยุติธรรมด้วยการทดสอบ Chi-Square

ในทางวิทยาศาสตร์ ความยุติธรรมต้องไม่ขึ้นอยู่กับความเชื่อเพียงอย่างเดียว แต่ต้องพิสูจน์ได้ด้วยการทดสอบทางสถิติ

การทดสอบมาตรฐานที่ใช้ประเมินการกระจายตัวแบบเอกรูปคือ การทดสอบภาวะสารูปสนิทดีแบบไคสแควร์ของเพียร์สัน (Pearson’s Chi-Square Goodness-of-Fit Test) (χ²)

1. การตั้งสมมติฐาน

เมื่อทดสอบวงล้อที่มี k ช่องขนาดเท่ากัน:

• สมมติฐานหลัก (H₀): วงล้อมีความยุติธรรมสมบูรณ์แบบ ทุกช่องมีโอกาสชนะเท่ากัน P_i = 1 / k
• สมมติฐานทางเลือก (H₁): วงล้อมีความเอนเอียง มีอย่างน้อยหนึ่งช่องที่มีโอกาสชนะต่างจาก 1 / k

2. สูตร Chi-Square

หากเราหมุนวงล้อ N ครั้ง จำนวนครั้งที่คาดหวังว่าจะชนะสำหรับแต่ละช่อง i คือ:

Expected Wins (E_i) = Total Spins (N) / Slices (k)

ค่าสถิติ Chi-Square จะวัดผลรวมของความแตกต่างระหว่างค่าที่สังเกตได้จริง (O_i) กับค่าที่คาดหวัง (E_i):

χ² = Σ [ (Observed_i - Expected_i)² / Expected_i ]

3. องศาความเป็นอิสระและค่า p-value

องศาความเป็นอิสระสำหรับการทดสอบคำนวณจาก:

Degrees of Freedom (df) = k - 1

จากฟังก์ชันการแจกแจงสะสมของ Chi-square เราสามารถคำนวณหา ค่า p-value:

• ค่า p-value แสดงถึงโอกาสที่จะพบความคลาดเคลื่อนขนาดนี้หากวงล้อมีความยุติธรรมจริง
• ตามหลักสถิติทั่วไป หาก p-value มากกว่า 0.05 ($p > 0.05$) เราจะไม่ปฏิเสธสมมติฐานหลัก ถือว่าผลลัพธ์อยู่ในเกณฑ์ความผันแปรตามธรรมชาติ
• หากวงล้อถูกล็อคผล (เช่น ช่องที่ 1 ถูกตั้งค่าให้มีโอกาสชนะ 2 เท่า) การหมุนทดสอบ 1,000 ครั้งจะให้ค่า $\chi^2$ ที่สูงมากและค่า p-value จะต่ำกว่า $0.0001$ ซึ่งพิสูจน์ความไม่เป็นธรรมได้อย่างชัดเจน

ใน แล็บความยุติธรรม ของเรา ผู้ใช้สามารถกำหนดจำนวนรายชื่อ สั่งหมุนทดสอบอัตโนมัติได้สูงสุดถึง 500,000 ครั้งในเบื้องหลัง (Web Worker) และตรวจดูกราฟการกระจายตัว ค่าเบี่ยงเบนมาตรฐาน และค่า p-value ได้แบบสดๆ แบบเรียลไทม์

ข้อแนะนำสำหรับการจัดกิจกรรมจับสลากอย่างโปร่งใส

หากคุณกำลังจัดกิจกรรมจับรางวัล การตอบคำถามในห้องเรียน หรือการจับสลากในชุมชน เทคโนโลยีเป็นเพียงส่วนหนึ่งของความน่าเชื่อถือ ความโปร่งใสในกระบวนการจัดงานจะช่วยสร้างความมั่นใจให้แก่ผู้ร่วมกิจกรรมทุกคน

บทสรุป: ความโปร่งใสย่อมดีกว่ากล่องดำที่ซ่อนเร้น

ในยุคที่เต็มไปด้วยอัลกอริทึมที่มองไม่เห็น ผู้ใช้ทุกคนสมควรได้รับรู้ว่าเครื่องมือดิจิทัลที่ตนเองใช้งานอยู่นั้นทำงานอย่างไร วงล้อสุ่มชื่อ ไม่ควรเป็นเรื่องลึกลับ ด้วยการขับเคลื่อนของ Web Crypto API บนเบราว์เซอร์ การใช้ Rejection Sampling เพื่อป้องกัน Modulo Bias และการเปิดให้ตรวจสอบผ่านสถิติ วงล้อดิจิทัลจึงทำหน้าที่ได้อย่างสมบูรณ์แบบในการเป็นตัวตัดสินแห่งโอกาสที่สนุก ยุติธรรม และไร้อคติอย่างแท้จริง

ไม่ว่าคุณจะใช้เลือกคนพูดคนแรกในการประชุมประจำวัน มอบรางวัลแก่ผู้ติดตามไลฟ์สด หรือแบ่งกลุ่มทำกิจกรรมในชั้นเรียนด้วย ตัวแบ่งกลุ่มสุ่ม ของเรา คุณก็สามารถหมุนวงล้อได้อย่างสบายใจ เพราะทุกคนมีโอกาสชนะเท่ากันตามหลักคณิตศาสตร์อย่างแท้จริง