បញ្ហា (The Problem)៖ ឯកសារនេះផ្តោតលើបញ្ហាប្រឈមដែលអ្នកអប់រំជួបប្រទះ ក្នុងការបន្សាំយុទ្ធសាស្ត្របង្រៀននិងការវាយតម្លៃ ដើម្បីរក្សាសមធម៌ និងសុចរិតភាពសិក្សាក្នុងយុគសម័យដែលមានការកើនឡើងនូវការប្រើប្រាស់ Large Language Models (LLMs) ដូចជា ChatGPT។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះអនុវត្តវិធីសាស្ត្រស្រាវជ្រាវបែបគុណភាព (Qualitative Research) ដើម្បីប្រមូល និងវិភាគបទពិសោធន៍ផ្ទាល់របស់អ្នកអប់រំជុំវិញការប្រើប្រាស់ AI ក្នុងការអប់រំ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional Written Assignments (Unregulated LLM Use) ការសរសេរកិច្ចការស្រាវជ្រាវធម្មតា (គ្មានការគ្រប់គ្រង AI) |
ងាយស្រួលក្នុងការរៀបចំ និងសន្សំពេលវេលាសម្រាប់គ្រូបង្រៀនក្នុងការដាក់ពិន្ទុ។ | ងាយរងគ្រោះដោយសារការលួចចម្លងពី AI ដែលធ្វើឱ្យសិស្សពឹងផ្អែកខ្លាំងពេក និងមិនបានរៀនស៊ីជម្រៅ។ | សិស្សអាចប្រគល់កិច្ចការដោយមិនមានការយល់ដឹងពិតប្រាកដ ដែលធ្វើឱ្យបាត់បង់សុចរិតភាព និងសមធម៌ក្នុងការសិក្សា។ |
| Oral Defenses / Live Presentations ការការពារផ្ទាល់មាត់ / ការធ្វើបទបង្ហាញផ្ទាល់ |
អាចវាយតម្លៃការយល់ដឹងពិតប្រាកដរបស់សិស្សបានយ៉ាងច្បាស់លាស់ និងកាត់បន្ថយការបន្លំដោយប្រើ AI។ | ទាមទារពេលវេលាច្រើនពីគ្រូបង្រៀនក្នុងការវាយតម្លៃសិស្សម្នាក់ៗ និងអាចធ្វើឱ្យសិស្សមានសម្ពាធ។ | ជួយបញ្ជាក់ថាមានការចូលរួមគិតពិចារណាពិតប្រាកដ ទោះបីជាសិស្សប្រើប្រាស់ AI សម្រាប់រៀបចំមាតិកាជាមុនក៏ដោយ។ |
| Problem-Based Learning & Case Studies ការរៀនផ្អែកលើការដោះស្រាយបញ្ហា និងការសិក្សាករណីជាក់ស្តែង |
ជំរុញការគិតបែបស៊ីជម្រៅ (Critical Thinking) និងភាពច្នៃប្រឌិត ដែល AI មិនអាចជំនួសបានទាំងស្រុង។ | តម្រូវឱ្យគ្រូបង្រៀនត្រូវរៀបចំកម្មវិធីសិក្សា និងរចនាសំណួរវាយតម្លៃឡើងវិញទាំងស្រុង។ | ធ្វើឱ្យការវាយតម្លៃមានអត្ថន័យជាងមុន និងការពារមិនឱ្យសិស្សអាចឆ្លើយសំណួរដោយពឹងផ្អែកតែលើ LLMs ទាំងស្រុង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានផ្តោតលើការចំណាយផ្នែករឹង (Hardware) នោះទេ ប៉ុន្តែវាទាមទារការវិនិយោគយ៉ាងខ្លាំងលើពេលវេលា និងធនធានមនុស្សដើម្បីសម្របខ្លួនទៅនឹងបច្ចេកវិទ្យា។
ការសិក្សានេះពឹងផ្អែកលើទិន្នន័យពីគ្រូបង្រៀនចំនួនត្រឹមតែ ៨ នាក់ប៉ុណ្ណោះ (Purposeful sampling) មកពីស្ថាប័នផ្សេងៗគ្នា ហើយភាគច្រើនជាការរាយការណ៍ដោយខ្លួនឯង (Self-reported)។ វាមិនបានរាប់បញ្ចូលមតិរបស់សិស្សនោះទេ ដែលអាចបណ្តាលឱ្យមានលម្អៀងក្នុងការសន្និដ្ឋាន។ សម្រាប់ប្រទេសកម្ពុជា ការយកគំរូតាមការសិក្សានេះត្រូវគិតគូរពីបរិបទវប្បធម៌ កម្រិតហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា និងការយល់ដឹងអំពី AI របស់សិស្សានុសិស្សនៅតាមតំបន់នីមួយៗ។
វិធីសាស្ត្រក្នុងការផ្លាស់ប្តូរការវាយតម្លៃ និងការបង្រៀននេះ គឺមានសារៈសំខាន់ និងអាចអនុវត្តបានយ៉ាងល្អសម្រាប់ប្រព័ន្ធអប់រំនៅកម្ពុជា។
សរុបមក ការរៀបចំគោលការណ៍ណែនាំច្បាស់លាស់ និងការបណ្តុះបណ្តាលគ្រូបង្រៀន គឺជាជំហានចាំបាច់បំផុតដើម្បីធានាថានិស្សិតកម្ពុជាទទួលបានអត្ថប្រយោជន៍ពី AI ដោយមិនបាត់បង់សមត្ថភាពគិតពិចារណាដោយខ្លួនឯង។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Large Language Models (LLMs) | ជាប្រព័ន្ធបញ្ញាសិប្បនិម្មិតដែលត្រូវបានបង្ហាត់បង្រៀនដោយប្រើទិន្នន័យអត្ថបទដ៏ច្រើនសន្ធឹកសន្ធាប់ ដើម្បីយល់ដឹង បង្កើត និងឆ្លើយតបជាភាសាមនុស្ស។ ជាក់ស្តែង វាអាចសរសេរអត្ថបទ ឆ្លើយសំណួរ និងជួយសិស្សក្នុងការស្រាវជ្រាវដោយស្វ័យប្រវត្តិ។ | ដូចជាបណ្ណាល័យដ៏ធំមួយដែលមានសៀវភៅរាប់លានក្បាល ហើយមានបណ្ណារក្សវេទមន្តម្នាក់ដែលអាចអាននិងសង្ខេបសៀវភៅទាំងអស់នោះប្រាប់អ្នកវិញក្នុងរយៈពេលប៉ុន្មានវិនាទី។ |
| Algorithmic bias | ជាកំហុសប្រព័ន្ធ ឬភាពលម្អៀងនៅក្នុងកូដកុំព្យូទ័រ ដែលធ្វើឱ្យការសម្រេចចិត្តរបស់ AI ផ្តល់ផលប្រយោជន៍ដល់ក្រុមមនុស្សមួយក្រុម និងរើសអើងក្រុមមួយផ្សេងទៀត (ឧទាហរណ៍៖ ការដាក់ពិន្ទុទាបដល់សិស្សមកពីតំបន់ជាក់លាក់ណាមួយ) ដោយសារតែទិន្នន័យដែលយកមកបង្ហាត់មានភាពលម្អៀងពីដំបូង។ | ដូចជាការបង្រៀនក្មេងម្នាក់ឱ្យស្គាល់តែផ្លែប៉ោមពណ៌ក្រហម ដូច្នេះនៅពេលគេឃើញផ្លែប៉ោមពណ៌ខៀវ គេប្រកែកដាច់អហង្ការថានោះមិនមែនជាផ្លែប៉ោមទេ។ |
| Generative AI | ជាប្រភេទបញ្ញាសិប្បនិម្មិតដែលអាចបង្កើតមាតិកាថ្មីៗស្រឡាង ដូចជាអត្ថបទ រូបភាព ឬកូដកុំព្យូទ័រ ដោយខ្លួនឯង ផ្អែកលើទិន្នន័យដែលវាធ្លាប់បានរៀនពីមុន មិនមែនគ្រាន់តែជាការទាញយកព័ត៌មានដែលមានស្រាប់មកបង្ហាញនោះទេ។ | ដូចជាមេចុងភៅម្នាក់ដែលធ្លាប់ភ្លក់ម្ហូបរាប់ពាន់មុខ រួចអាចច្នៃបង្កើតរូបមន្តម្ហូបថ្មីមួយដោយខ្លួនឯងដែលមិនធ្លាប់មានអ្នកធ្វើពីមុនមក។ |
| Ignorant bias | គឺជាបាតុភូតដែលប្រព័ន្ធ AI ផ្តល់ចម្លើយខុសទាំងស្រុង ប៉ុន្តែសរសេរក្នុងទម្រង់ដែលមើលទៅគួរឱ្យជឿជាក់ខ្លាំង ដែលធ្វើឱ្យសិស្សានុសិស្សដែលមិនទាន់មានចំណេះដឹងរឹងមាំក្នុងមុខវិជ្ជានោះ ជឿជាក់និងចម្លងតាមដោយងងឹតងងុល។ | ដូចជាមនុស្សម្នាក់ដែលមិនចេះផ្លូវសោះ ប៉ុន្តែប្រាប់ផ្លូវអ្នកដទៃដោយទឹកមុខជឿជាក់បំផុត ធ្វើឱ្យអ្នកសួរត្រូវវង្វេងផ្លូវកាន់តែឆ្ងាយ។ |
| Learning Analytics (LA) | គឺជាការប្រមូល វិភាគ និងប្រើប្រាស់ទិន្នន័យពីសកម្មភាពសិក្សារបស់សិស្ស (ដូចជាពិន្ទុ អត្រាវាយតម្លៃ ការចូលរួម) ដើម្បីទស្សន៍ទាយពីលទ្ធផលសិក្សា ឬកំណត់រកសិស្សដែលងាយប្រឈមនឹងការបោះបង់ការសិក្សា ក្នុងគោលបំណងជួយពួកគេឱ្យទាន់ពេលវេលា។ | ដូចជាគ្រូពេទ្យពិនិត្យមើលចង្វាក់បេះដូង និងសម្ពាធឈាមរបស់អ្នកជំងឺជាប្រចាំ ដើម្បីដឹងមុនថាតើអ្នកជំងឺអាចនឹងមានបញ្ហាសុខភាពធ្ងន់ធ្ងរនៅពេលណា។ |
| Substantive algorithmic fairness | ជាទស្សនទាននៃការរៀបចំប្រព័ន្ធ AI ឱ្យមានយុត្តិធម៌ ដោយមិនគ្រាន់តែពឹងផ្អែកលើរូបមន្តគណិតវិទ្យាប៉ុណ្ណោះទេ ប៉ុន្តែត្រូវគិតគូរដល់បរិបទសង្គម វិសមភាព និងប្រវត្តិសាស្រ្ត ដើម្បីធានាថាការសម្រេចចិត្តរបស់ AI ពិតជាផ្តល់សមធម៌ដល់ក្រុមជនងាយរងគ្រោះក្នុងការអនុវត្តជាក់ស្តែង។ | ដូចជាការផ្តល់កៅអីអង្គុយបន្ថែមឱ្យអ្នកដែលមានកម្ពស់ទាបឈរមើលការប្រកួតកីឡាបានច្បាស់ ជាជាងការផ្តល់កៅអីកម្ពស់ស្មើៗគ្នាដល់មនុស្សគ្រប់គ្នាទោះខ្ពស់ឬទាប។ |
| Demographic parity | ជាគោលការណ៍រង្វាស់សមធម៌មួយក្នុងប្រព័ន្ធកុំព្យូទ័រ ដែលតម្រូវឱ្យលទ្ធផលនៃការសម្រេចចិត្ត (ឧទាហរណ៍៖ អត្រានៃការទទួលយកឱ្យចូលរៀន) ត្រូវតែមានសមាមាត្រស្មើគ្នាសម្រាប់គ្រប់ក្រុមទាំងអស់ ទោះបីជាពួកគេមានភេទ សាសន៍ ឬសាវតាខុសគ្នាក៏ដោយ។ | ដូចជាការច្បាប់តម្រូវថាការជ្រើសរើសបុគ្គលិក១០០នាក់ ត្រូវតែមានបុរស៥០នាក់ និងស្ត្រី៥០នាក់ស្មើគ្នាជានិច្ច ដោយមិនគិតពីកត្តាផ្សេងឡើយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
