បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមក្នុងការសម្របខ្លួន និងទទួលយកការប្រើប្រាស់ម៉ូឌុលសិក្សាអន្តរកម្ម (JESI) របស់និស្សិតសាកលវិទ្យាល័យនៅប្រទេសហ្វីលីពីន ជាពិសេសការព្រួយបារម្ភលើភាពងាយស្រួលក្នុងការប្រើប្រាស់និងឯកជនភាពទិន្នន័យ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់ការរចនាស្រាវជ្រាវបរិមាណបែបសហសម្ព័ន្ធមិនមែនពិសោធន៍ ដោយប្រមូលទិន្នន័យតាមរយៈកម្រងសំណួរ Likert ៥កម្រិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Partial Least Squares Structural Equation Modeling (PLS-SEM) ម៉ូដែលសមីការរចនាសម្ព័ន្ធ PLS-SEM |
អាចធ្វើការប៉ាន់ស្មានទំនាក់ទំនងហេតុនិងផលស្មុគស្មាញរវាងអថេរច្រើន និងដំណើរការបានយ៉ាងល្អទោះបីជាមានទំហំគំរូតូចក៏ដោយ។ | ត្រូវការកម្មវិធីកុំព្យូទ័រជាក់លាក់ និងទាមទារចំណេះដឹងផ្នែកស្ថិតិកម្រិតខ្ពស់ដើម្បីបកស្រាយសូចនាករវាយតម្លៃម៉ូដែល (Model Fit Indices)។ | បញ្ជាក់ថា Perceived Usefulness មានឥទ្ធិពលផ្ទាល់យ៉ាងខ្លាំងទៅលើ Attitude (β = 0.495) និង Behavioral Intention (β = 0.594)។ |
| Descriptive Statistics ស្ថិតិពណ៌នាតាមរយៈកម្មវិធី Jamovi |
ងាយស្រួលក្នុងការប្រើប្រាស់ ផ្តល់នូវទិដ្ឋភាពទូទៅនៃទិន្នន័យបានយ៉ាងរហ័ស និងជាកម្មវិធីឥតគិតថ្លៃ (Open-source)។ | មិនអាចទាញរកទំនាក់ទំនងស៊ីជម្រៅ ឬឥទ្ធិពលប្រយោល (Indirect effects) រវាងអថេរនៃការសិក្សាបានទេ។ | បានបូកសរុបទិន្នន័យកម្រងសំណួរពីនិស្សិតចំនួន ២៦៩នាក់ ប្រកបដោយប្រសិទ្ធភាពជាមូលដ្ឋានសម្រាប់ការវិភាគបន្ត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនទាមទារធនធានផ្នែករឹង (Hardware) ធំដុំនោះទេ ប៉ុន្តែចាំបាច់ត្រូវមានកម្មវិធីវិភាគទិន្នន័យ និងចំណេះដឹងផ្នែកស្ថិតិស៊ីជម្រៅ។
ការសិក្សានេះធ្វើឡើងនៅសាកលវិទ្យាល័យ Mindanao ប្រទេសហ្វីលីពីន ដោយពឹងផ្អែកលើទិន្នន័យរាយការណ៍ដោយខ្លួនឯង (Self-reported data) ពីនិស្សិត ដែលអាចបង្កឱ្យមានភាពលម្អៀង (Social desirability bias)។ សម្រាប់កម្ពុជា ទោះបីជាមានបរិបទអប់រំនៅប្រទេសកំពុងអភិវឌ្ឍន៍ស្រដៀងគ្នាក្តី ប៉ុន្តែកត្តាវប្បធម៌ ល្បឿនអ៊ីនធឺណិត និងបទពិសោធន៍ប្រើប្រាស់បច្ចេកវិទ្យារបស់និស្សិត អាចធ្វើឱ្យលទ្ធផលមានភាពខុសប្លែកគ្នា។
ការរកឃើញ និងវិធីសាស្ត្រនៅក្នុងឯកសារនេះ មានសារៈសំខាន់ខ្លាំងសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធអប់រំឌីជីថលនៅកម្ពុជាឱ្យស្របតាមតម្រូវការជាក់ស្តែងរបស់អ្នកសិក្សា។
ការយល់ដឹងស៊ីជម្រៅអំពីការវាយតម្លៃអាកប្បកិរិយា និងចេតនាប្រើប្រាស់ នឹងជួយស្ថាប័នអប់រំនៅកម្ពុជាកសាងប្រព័ន្ធបច្ចេកវិទ្យាដែលទទួលបានការគាំទ្រ និងអត្រាប្រើប្រាស់ខ្ពស់ពីសំណាក់សិស្សនិស្សិត។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Technology Acceptance Model (TAM) | គំរូទ្រឹស្តីដែលយកមកទស្សន៍ទាយថាតើមនុស្សនឹងព្រមទទួលយកការប្រើប្រាស់បច្ចេកវិទ្យាថ្មីឬអត់ ដោយវាយតម្លៃលើកត្តាចម្បងពីរគឺ៖ តើវាមានប្រយោជន៍ទេ? និងតើវាងាយស្រួលប្រើទេ? | ដូចជាការទស្សន៍ទាយថាតើសិស្សនឹងព្រមប្រើកម្មវិធីរៀនថ្មីឬអត់ ដោយមើលថាវាងាយស្រួលចុច និងជួយឲ្យរៀនពូកែជាងមុនឬអត់។ |
| Partial Least Squares Structural Equation Modeling (PLS-SEM) | វិធីសាស្ត្រស្ថិតិកម្រិតខ្ពស់សម្រាប់គណនា និងវិភាគទំនាក់ទំនងស្មុគស្មាញរវាងកត្តាជាច្រើនក្នុងពេលតែមួយ ដើម្បីរកមើលថាតើកត្តាណាមានឥទ្ធិពលខ្លាំងជាងគេទៅលើលទ្ធផលណាមួយ។ | ដូចជាការប្រើប្រព័ន្ធកុំព្យូទ័រដើម្បីគណនារកមើលថា ក្នុងចំណោមការខិតខំរៀន ម៉ោងគេង និងរបបអាហារ តើមួយណាជាមូលហេតុចម្បងធ្វើឲ្យសិស្សប្រឡងជាប់លេខ១។ |
| Perceived Usefulness (PU) | ការយល់ឃើញឬការជឿជាក់របស់អ្នកប្រើប្រាស់ម្នាក់ថា បច្ចេកវិទ្យាឬប្រព័ន្ធណាមួយពិតជាអាចជួយសម្រួលដល់ការងារ ឬការសិក្សារបស់គេឲ្យកាន់តែមានប្រសិទ្ធភាព។ | ដូចជាការគិតថាការជិះកង់ទៅសាលាគឺលឿន និងចំណេញពេលជាងការដើរដោយថ្មើរជើង។ |
| Perceived Ease of Use (PEOU) | ការវាយតម្លៃរបស់អ្នកប្រើប្រាស់ទៅលើបច្ចេកវិទ្យាមួយថាវាងាយស្រួលយល់ ងាយស្រួលប្រើ ដោយមិនចាំបាច់ប្រឹងប្រែងគិតច្រើន ឬរៀនពីរបៀបប្រើប្រាស់យូរនោះទេ។ | ដូចជាការដែលយើងអាចចេះប្រើប្រាស់កម្មវិធីទូរស័ព្ទថ្មីមួយបានភ្លាមៗ ដោយមិនបាច់ត្រូវការអ្នកណាមកបង្រៀន ឬអានសៀវភៅណែនាំ។ |
| Average Variance Extracted (AVE) | វិធីគណនាដើម្បីបញ្ជាក់ថាសំណួរស្ទង់មតិដែលយើងសួរ ពិតជាតំណាងឲ្យអ្វីដែលយើងចង់វាស់វែងប្រាកដមែន (ជាទូទៅត្រូវមានតម្លៃចាប់ពី ០.៥០ ឡើងទៅ)។ | ដូចជាការធ្វើតេស្តបញ្ជាក់ថាសំណួរប្រឡងគណិតវិទ្យាដែលគ្រូបានចេញ ពិតជាកំពុងវាស់ស្ទង់ចំណេះដឹងគណិតវិទ្យាប្រាកដមែន មិនមែនវាស់ស្ទង់ចំណេះដឹងអក្សរសាស្ត្រនោះទេ។ |
| Heterotrait-Monotrait Ratio (HTMT) | សូចនាករសម្រាប់ត្រួតពិនិត្យមើលថា តើកត្តាពីរដែលយើងកំពុងសិក្សា (ឧទាហរណ៍៖ អាកប្បកិរិយា និង ចេតនាប្រើប្រាស់) ពិតជាខុសគ្នាដាច់ស្រឡះពីគ្នា ឬក៏មានន័យស្រដៀងគ្នាពេក។ | ដូចជាការភ្លក់រសជាតិម្ហូបពីរចាន ដើម្បីឲ្យប្រាកដថាវាពិតជាធ្វើពីសាច់ពីរប្រភេទខុសគ្នា មិនមែនជារបស់តែមួយនោះទេ។ |
| Variance Inflation Factor (VIF) | រង្វាស់សម្រាប់ឆែកមើលថាតើកត្តាដែលយើងយកមកសិក្សាមានភាពត្រួតស៊ីគ្នា (Multicollinearity) ខ្លាំងពេកឬទេ ដែលបញ្ហានេះអាចធ្វើឲ្យលទ្ធផលវិភាគមានភាពលម្អៀង។ | ដូចជាការពិនិត្យមើលថាតើមានសិស្សពីរនាក់សរសេរចម្លើយលួចចម្លងគ្នាឬអត់ មុននឹងគ្រូដាក់ពិន្ទុឲ្យ ព្រោះបើចម្លងគ្នា លទ្ធផលពិន្ទុមិនឆ្លុះបញ្ចាំងពីសមត្ថភាពពិតទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
