បញ្ហា (The Problem)៖ ការដាក់បញ្ចូលបញ្ញាសិប្បនិម្មិត (AI) និងកុំព្យូទ័រអារម្មណ៍ (Affective Computing) ក្នុងការអប់រំទាមទារឱ្យគ្រូបង្រៀនមានការយល់ដឹង និងការជឿជាក់ ប៉ុន្តែគេនៅមិនទាន់ដឹងច្បាស់ថា តើគ្រូបង្រៀនគាំទ្រ (Support Teachers) ដែលកំពុងទទួលការបណ្តុះបណ្តាលមានការត្រៀមខ្លួនរួចរាល់ក្នុងការប្រើប្រាស់បច្ចេកវិទ្យាទាំងនេះកម្រិតណានោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការស្ទង់មតិស្វែងយល់ដោយប្រើប្រាស់កម្រងសំណួរដែលបានកែសម្រួល ដើម្បីវាយតម្លៃការយល់ឃើញ និងអាកប្បកិរិយារបស់គ្រូបង្រៀនចំពោះបច្ចេកវិទ្យា AI។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Godspeed Scale (Adapted for AI) រង្វាស់ Godspeed (ការវាស់ស្ទង់ការយល់ឃើញលើលក្ខណៈមនុស្ស និងអន្តរកម្មរបស់ AI) |
វាយតម្លៃយ៉ាងលម្អិតលើការយល់ឃើញអំពីលក្ខណៈដូចមនុស្ស (Anthropomorphism) ភាពរស់រវើក ភាពវៃឆ្លាត និងសមានចិត្តរបស់ប្រព័ន្ធ AI ដែលងាយស្រួលយល់។ | វាផ្តោតខ្លាំងលើលក្ខណៈរូបវន្ត និងអន្តរកម្មទូទៅ ដោយមិនសូវវាស់ស្ទង់ពីកត្តាប្រើប្រាស់ជាក់ស្តែងក្នុងការបង្រៀននៅក្នុងថ្នាក់រៀននោះទេ។ | គ្រូបង្រៀនយល់ថា AI មានភាពរស់រវើក និងមានប្រយោជន៍ (មធ្យមភាគ Animacy = ៣.០៣-៣.១៨) ប៉ុន្តែខ្វះស្មារតីពិតប្រាកដ (Perceived consciousness = ២.៧៥/៥)។ |
| UTAUT-based Scale (Heerink et al.) រង្វាស់ផ្អែកលើទ្រឹស្តី UTAUT (ការវាស់ស្ទង់ការទទួលយកបច្ចេកវិទ្យា) |
អាចវាស់ស្ទង់ពីចេតនាក្នុងការប្រើប្រាស់ (Intention to Use) ភាពមានប្រយោជន៍ (Perceived Usefulness) និងកម្រិតទំនុកចិត្ត (Trust) ជាក់ស្តែងនៅក្នុងវិស័យអប់រំ។ | មានអថេរ (Variables) ច្រើនដែលទាមទារការបកស្រាយស្មុគស្មាញ និងទាមទារការយល់ដឹងពីបរិបទ និងកត្តាជំរុញ ឬរារាំងផ្សេងៗ។ | ចេតនាប្រើប្រាស់មានកម្រិតខ្ពស់ (៣.២/៥) និងចាត់ទុកថាមានប្រយោជន៍ (៣.១៨/៥) ប៉ុន្តែទំនុកចិត្តទៅលើ AI នៅមានកម្រិតទាប (២.៣៧/៥)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនតម្រូវឱ្យមានធនធានបច្ចេកវិទ្យាស្មុគស្មាញសម្រាប់ការអនុវត្តនោះទេ ដោយសារវាជាការស្រាវជ្រាវបែបស្ទង់មតិបរិមាណ (Quantitative Survey) តាមប្រព័ន្ធអនឡាញ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសអ៊ីតាលី នៅសាកលវិទ្យាល័យ Foggia ដោយមានអ្នកចូលរួមភាគច្រើនជាស្ត្រី (៨២.៣%) និងបង្រៀននៅកម្រិតអនុវិទ្យាល័យ។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទអប់រំនៅអឺរ៉ុប ដែលអាចមានភាពខុសគ្នាយ៉ាងខ្លាំងពីប្រទេសកម្ពុជា ទាក់ទងនឹងចំណេះដឹងផ្នែកឌីជីថល (Digital Literacy) អាកប្បកិរិយាចំពោះបច្ចេកវិទ្យា និងធនធានហេដ្ឋារចនាសម្ព័ន្ធនៅតាមសាលារៀន។
ទោះបីជាមានភាពខុសគ្នានៃបរិបទក្តី វិធីសាស្ត្រស្ទង់មតិនេះមានសារៈសំខាន់ និងអាចយកមកអនុវត្តនៅកម្ពុជា ដើម្បីវាយតម្លៃការត្រៀមខ្លួនរបស់គ្រូបង្រៀនមុននឹងដាក់បញ្ចូល AI ក្នុងប្រព័ន្ធអប់រំ។
ការយល់ដឹងពីកម្រិតទំនុកចិត្ត និងឧបសគ្គនានារបស់គ្រូបង្រៀន គឺជាជំហានដំបូងដ៏ចាំបាច់ ដើម្បីធានាថាការដាក់បញ្ចូល AI នៅក្នុងថ្នាក់រៀននៅកម្ពុជាទទួលបានជោគជ័យ ប្រកបដោយបរិយាបន្ន និងក្រមសីលធម៌។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Affective Computing | គឺជាសាខាមួយនៃបញ្ញាសិប្បនិម្មិតដែលសិក្សាពីការបង្កើតប្រព័ន្ធកុំព្យូទ័រដែលអាចចាប់យក ស្គាល់ វិភាគ និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់មនុស្ស (ដូចជាការស្គាល់ទឹកមុខ ឬកាយវិការ) ដើម្បីជួយរៀបចំការបង្រៀនឱ្យស្របតាមកម្រិតអារម្មណ៍របស់សិស្ស។ | ដូចជាការមានជំនួយការម្នាក់ដែលអាចមើលដឹងថាអ្នកកំពុងសប្បាយចិត្ត ឬធុញថប់ ហើយចេះកែសម្រួលវិធីនិយាយដើម្បីជួយឱ្យអ្នកមានអារម្មណ៍ល្អប្រសើរ។ |
| Large Language Models | ជាប្រភេទម៉ូដែលបញ្ញាសិប្បនិម្មិតដែលត្រូវបានបង្ហាត់បង្រៀនដោយប្រើប្រាស់ទិន្នន័យអត្ថបទយ៉ាងច្រើនសន្ធឹកសន្ធាប់ ដើម្បីយល់ដឹងពីភាសាធម្មជាតិរបស់មនុស្ស និងអាចបង្កើតអត្ថបទឆ្លើយតប ឬសន្ទនាដែលមានន័យត្រឹមត្រូវតាមបរិបទ។ | ដូចជាមនុស្សម្នាក់ដែលបានអានសៀវភៅរាប់លានក្បាល ហើយអាចទាយដឹងថាពាក្យអ្វីគួរនិយាយបន្ទាប់ ដើម្បីបង្កើតជាប្រយោគដ៏ត្រឹមត្រូវ និងមានន័យ។ |
| Anthropomorphism | គឺជាទំនោរផ្លូវចិត្តរបស់មនុស្សក្នុងការចាត់ទុក ឬសន្មតថាវត្ថុគ្មានជីវិត (ដូចជាម៉ាស៊ីន កុំព្យូទ័រ ឬ AI) មានចរិតលក្ខណៈ អារម្មណ៍ ឬស្មារតីដឹងខុសត្រូវដូចជាមនុស្សពិតៗ។ | ដូចជាពេលដែលយើងខឹងនឹងកុំព្យូទ័រដែលដើរយឺត ហើយនិយាយស្តីបន្ទោសឱ្យវា ហាក់បីដូចជាវាជាមនុស្សដែលមានចេតនាធ្វើឱ្យយើងខឹង។ |
| Deep Learning | ជាបច្ចេកទេសមួយនៃម៉ាស៊ីនរៀន (Machine Learning) ដែលប្រើប្រាស់ស្រទាប់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Networks) ច្រើនជាន់ ដើម្បីទាញយកលក្ខណៈពិសេស និងរៀនដោះស្រាយបញ្ហាពីទិន្នន័យស្មុគស្មាញដោយស្វ័យប្រវត្តិដោយមិនបាច់មានមនុស្សប្រាប់។ | ដូចជារបៀបដែលខួរក្បាលយើងរៀនស្គាល់មុខសត្វឆ្មា ដោយដំបូងមើលឃើញរាងទូទៅ បន្ទាប់មកមើលត្រចៀក ភ្នែក រហូតដល់អាចសន្និដ្ឋានបានថាវាពិតជាសត្វឆ្មា។ |
| Transformers | ជាស្ថាបត្យកម្ម Deep Learning ថ្មីមួយដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងការដំណើរការភាសាធម្មជាតិ ដោយវាមានសមត្ថភាពអាចផ្តោតលើផ្នែកសំខាន់ៗជាច្រើននៃប្រយោគក្នុងពេលតែមួយ ដែលជួយពន្លឿនការបង្ហាត់ម៉ូដែល និងកាត់បន្ថយចំណាយ។ | ដូចជាពេលអ្នកអានសៀវភៅ ហើយអ្នកអាចសម្លឹងមើលពាក្យគន្លឹះសំខាន់ៗក្នុងប្រយោគក្នុងពេលតែមួយ ដើម្បីយល់ន័យទាំងមូលភ្លាមៗ ដោយមិនបាច់អានមួយពាក្យម្តងៗ។ |
| Unified Theory of Acceptance and Use of Technology | ជាទ្រឹស្តី និងកម្រងសំណួរដែលប្រើសម្រាប់វាយតម្លៃ និងព្យាករណ៍ពីថាតើមនុស្សម្នាក់នឹងទទួលយក និងប្រើប្រាស់បច្ចេកវិទ្យាថ្មីមួយឬអត់ ដោយពឹងផ្អែកលើកត្តាដូចជា ភាពមានប្រយោជន៍ កត្តាសម្រួល និងឥទ្ធិពលសង្គមជុំវិញខ្លួន។ | ដូចជាបញ្ជីសំណួរដែលសួរអ្នកថា 'ហេតុអ្វីអ្នកចង់ទិញទូរស័ព្ទថ្មី?' ដើម្បីទាយថាតើអ្នកពិតជានឹងទិញវាឬក៏អត់ ដោយផ្អែកលើការគិតថាវាស្រួលប្រើ និងមានប្រយោជន៍។ |
| Godspeed scale | គឺជាឧបករណ៍វាស់ស្ទង់ស្តង់ដារមួយ (ជាទម្រង់កម្រងសំណួរ) ដែលប្រើដើម្បីវាយតម្លៃពីការយល់ឃើញរបស់មនុស្សនៅពេលធ្វើអន្តរកម្មជាមួយប្រព័ន្ធស្វ័យប្រវត្តិ ឬមនុស្សយន្ត ដោយផ្តោតលើភាពរស់រវើក ភាពវៃឆ្លាត និងកម្រិតនៃភាពដូចមនុស្ស។ | ដូចជាតារាងពិន្ទុសម្រាប់ដាក់ពិន្ទុឱ្យមនុស្សយន្តថា តើវាមើលទៅដូចមនុស្សពិតកម្រិតណា មានភាពឆ្លាតវៃកម្រិតណា និងធ្វើឱ្យយើងមានអារម្មណ៍សុវត្ថិភាពកម្រិតណាពេលនៅក្បែរវា។ |
| hallucinates | ក្នុងបរិបទនៃម៉ូដែល AI នេះគឺជាបាតុភូតដែល AI បង្កើតចម្លើយខុសពីការពិត ឬប្រឌិតព័ត៌មានដែលមិនមានទាល់តែសោះ ប៉ុន្តែវាបង្ហាញចម្លើយនោះដោយទំនុកចិត្តខ្ពស់ហាក់បីដូចជាវាជាការពិត។ | ដូចជាសិស្សដែលមិនចេះមេរៀនសោះ ប៉ុន្តែប្រឌិតចម្លើយយ៉ាងក្បោះក្បាយ និងម៉ឺងម៉ាត់ស្តាប់ទៅដូចជាត្រឹមត្រូវ ដើម្បីបញ្ឆោតគ្រូកុំឱ្យដឹងថាខ្លួនមិនចេះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
