បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយក្តីបារម្ភផ្នែកក្រមសីលធម៌ដែលកំពុងកើនឡើងទាក់ទងនឹងការប្រើប្រាស់បញ្ញាសិប្បនិម្មិតក្នុងការអប់រំ (AIEd) ជាពិសេសបញ្ហាឯកជនភាពទិន្នន័យ ភាពលំអៀងនៃក្បួនដោះស្រាយ (Algorithmic bias) និងការបាត់បង់ស្វ័យភាពរបស់អ្នកសិក្សា និងគ្រូបង្រៀន ខណៈដែលបច្ចេកវិទ្យានេះវិវឌ្ឍពីប្រព័ន្ធបង្រៀនសាមញ្ញទៅជាឧបករណ៍វិភាគ និងតាមដានដ៏ស្មុគស្មាញ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានធ្វើការត្រួតពិនិត្យ និងវិភាគបែបប្រវត្តិសាស្រ្ត (Longitudinal review) ទៅលើការវិវឌ្ឍនៃវិស័យនេះ ដោយតាមដានការអភិវឌ្ឍឧបករណ៍ AIEd ចាប់ពីទសវត្សរ៍ឆ្នាំ ១៩៧០ រហូតមកដល់បច្ចុប្បន្ន ដោយបែងចែកឧបករណ៍ទាំងនោះទៅតាមក្រុមគោលដៅអ្នកប្រើប្រាស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Learner-Facing Tools (Intelligent Tutoring Systems) ឧបករណ៍សម្រាប់អ្នកសិក្សា (ប្រព័ន្ធបង្រៀនឆ្លាតវៃ) |
មានសមត្ថភាពសម្របខ្លួនទៅតាមតម្រូវការ និងស្ថានភាពអារម្មណ៍របស់អ្នកសិក្សា (Affective states) និងផ្តល់លទ្ធផលសិក្សាល្អប្រសើរជាងការបង្រៀនក្នុងថ្នាក់រៀនធម្មតា។ | មានហានិភ័យខ្ពស់ពាក់ព័ន្ធនឹងឯកជនភាពទិន្នន័យ ហើយប្រសិទ្ធភាពនៅតែទាបជាងគ្រូបង្រៀនម្នាក់ទល់នឹងសិស្សម្នាក់ (Human tutor)។ | ទទួលបានទំហំនៃឥទ្ធិពល (Effect size) 0.47 ធៀបនឹងការបង្រៀនក្នុងថ្នាក់ និង 0.19 ទាបជាងការបង្រៀនដោយគ្រូផ្ទាល់។ |
| Teacher-Facing Tools (Orchestration Systems) ឧបករណ៍សម្រាប់គ្រូបង្រៀន (ប្រព័ន្ធសម្របសម្រួល) |
ជួយគ្រូក្នុងការគ្រប់គ្រងថ្នាក់រៀនតាមរយៈការបង្ហាញស្ថានភាពសិស្សភ្លាមៗ (Real-time monitoring) និងជួយគ្រូឱ្យដឹងថាគួរជួយសិស្សណាមុន។ | អាចបង្កើតជាការឃ្លាំមើលហួសហេតុ (Surveillance) និងអាចក្លាយជាដំណោះស្រាយបណ្តោះអាសន្ន (Band-Aid) ដែលមិនបានដោះស្រាយបញ្ហាឫសគល់។ | ប្រព័ន្ធ Lumilo ប្រើវ៉ែនតា AR ដើម្បីបង្ហាញនិមិត្តសញ្ញាពីលើក្បាលសិស្ស ដែលបង្ហាញពីស្ថានភាពរៀនសូត្ររបស់ពួកគេ។ |
| Administrator-Facing Tools (Predictive Analytics) ឧបករណ៍សម្រាប់អ្នកគ្រប់គ្រង (ការវិភាគព្យាករណ៍) |
មានប្រសិទ្ធភាពក្នុងការកំណត់អត្តសញ្ញាណសិស្សដែលប្រឈមនឹងការបោះបង់ការសិក្សា ឬបរាជ័យ ដើម្បីផ្តល់អន្តរាគមន៍ទាន់ពេលវេលា។ | អាចមានភាពលំអៀង (Bias) ក្នុងការសម្រេចចិត្ត និងបង្កើតកំហុសវិជ្ជមានមិនពិត (False positives) ដែលប៉ះពាល់ដល់អនាគតសិស្ស។ | ការទស្សន៍ទាយមានភាពត្រឹមត្រូវខ្ពស់ (>90%) ក្នុងការវិភាគទិន្នន័យអតីតកាល ប៉ុន្តែមានហានិភ័យខ្ពស់នៅពេលអនុវត្តជាក់ស្តែង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធទាំងនេះទាមទារហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យឌីជីថលដ៏រឹងមាំ និងការវិនិយោគលើឧបករណ៍បច្ចេកវិទ្យា ដែលមិនត្រូវបានបញ្ជាក់តម្លៃលម្អិតក្នុងឯកសារ។
ការសិក្សាភាគច្រើនដែលបានលើកឡើងគឺផ្អែកលើទិន្នន័យពីប្រទេសលោកខាងលិច (អាមេរិក អឺរ៉ុប) និងចិន។ សម្រាប់កម្ពុជា នេះជាក្តីបារម្ភមួយព្រោះគំរូ AI ដែលបង្វឹកលើទិន្នន័យបរទេសអាចនឹងមិនឆ្លុះបញ្ចាំងត្រឹមត្រូវពីបរិបទវប្បធម៌ ភាសាខ្មែរ និងឥរិយាបថសិក្សារបស់សិស្សកម្ពុជាឡើយ ដែលនាំឱ្យមានភាពលំអៀងនៃក្បួនដោះស្រាយ (Algorithmic bias)។
បច្ចេកវិទ្យានេះមានសារៈសំខាន់ណាស់សម្រាប់កម្ពុជា ខណៈដែលក្រសួងកំពុងជំរុញការអប់រំឌីជីថល ប៉ុន្តែត្រូវមានការប្រុងប្រយ័ត្នខ្ពស់ផ្នែកក្រមសីលធម៌។
ការអនុវត្ត AIEd នៅកម្ពុជានឹងផ្តល់អត្ថប្រយោជន៍ធំធេងប្រសិនបើមានការបង្កើតបទប្បញ្ញត្តិការពារទិន្នន័យ និងការបណ្តុះបណ្តាលគ្រូឱ្យយល់ពីដែនកំណត់នៃបច្ចេកវិទ្យានេះ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Learner-facing tools | ជាប្រព័ន្ធបច្ចេកវិទ្យា AI ដែលត្រូវបានរចនាឡើងដើម្បីធ្វើអន្តរកម្មផ្ទាល់ជាមួយសិស្ស ដោយដើរតួជាគ្រូជំនួយ (Tutor) ដើម្បីបង្រៀនមេរៀន ផ្តល់លំហាត់ និងកែតម្រូវការបង្រៀនទៅតាមសមត្ថភាពជាក់ស្តែងរបស់សិស្សម្នាក់ៗ។ | ដូចជាគ្រូឯកជនម្នាក់ដែលអង្គុយជិតអ្នក ហើយប្តូរលំហាត់ឱ្យងាយស្រួល ឬពិបាកភ្លាមៗ ទៅតាមចម្លើយដែលអ្នកបានឆ្លើយ។ |
| Teacher-facing tools | ជាឧបករណ៍ដែលជួយគ្រូបង្រៀនក្នុងការគ្រប់គ្រងថ្នាក់រៀន និងតាមដានវឌ្ឍនភាពសិស្ស។ វាមិនបង្រៀនសិស្សផ្ទាល់ទេ ប៉ុន្តែវិភាគទិន្នន័យដើម្បីប្រាប់គ្រូថា តើសិស្សណាត្រូវការជំនួយ ឬសិស្សណាកំពុងរៀនបានល្អ។ | ដូចជាកុងទ័រឡានដែលប្រាប់អ្នកបើកបរ (គ្រូ) ថាមានបញ្ហាអ្វីកើតឡើងចំពោះម៉ាស៊ីន (សិស្ស) ដើម្បីឱ្យគាត់ដោះស្រាយទាន់ពេល។ |
| Open Learner Models | ជាបច្ចេកវិទ្យាដែលបង្ហាញទិន្នន័យអំពីចំណេះដឹងរបស់សិស្ស (ដែលប្រព័ន្ធ AI បានវាយតម្លៃ) ឱ្យសិស្សបានឃើញផ្ទាល់ ដើម្បីឱ្យពួកគេដឹងពីចំណុចខ្លាំង និងចំណុចខ្សោយរបស់ខ្លួនឯង និងអាចចូលរួមកែតម្រូវបាន។ | ដូចជាការមើលឃើញកម្រិតឈាម ឬថាមពល (Level Bar) នៅក្នុងហ្គេម ដើម្បីឱ្យអ្នកដឹងថាត្រូវហ្វឹកហាត់ជំនាញមួយណា បន្ថែមទៀត។ |
| Affective states | សំដៅលើស្ថានភាពអារម្មណ៍របស់អ្នកសិក្សាដូចជា ការធុញទ្រាន់ ការតានតឹង ឬការយកចិត្តទុកដាក់។ ប្រព័ន្ធ AI ទំនើបព្យាយាមចាប់យកអារម្មណ៍ទាំងនេះ ដើម្បីផ្លាស់ប្តូរវិធីសាស្ត្របង្រៀនឱ្យសិស្សមានកម្លាំងចិត្តឡើងវិញ។ | ដូចជាមិត្តភក្តិដែលសង្កេតឃើញថាអ្នកកំពុងមុខស្ងួត ហើយព្យាយាមនិយាយលេងឱ្យអ្នកសើចសិន មុននឹងបន្តនិយាយរឿងសំខាន់។ |
| Metacognition | ការយល់ដឹងអំពីដំណើរការនៃការគិតរបស់ខ្លួនឯង ឬការចេះវាយតម្លៃលើរបៀបដែលខ្លួនឯងកំពុងរៀន (រៀនពីរបៀបរៀន)។ AI ជួយជំរុញសិស្សឱ្យគិតថា តើហេតុអ្វីបានជាពួកគេឆ្លើយខុស ឬត្រូវ។ | ដូចជាកីឡាករបាល់ទាត់ដែលមើលវីដេអូនៃការប្រកួតរបស់ខ្លួនឯងឡើងវិញ ដើម្បីយល់ពីកំហុស និងរៀនពីយុទ្ធសាស្ត្ររបស់ខ្លួនឯង។ |
| Surveillance capitalism | ជាគំរូសេដ្ឋកិច្ចដែលក្រុមហ៊ុនបច្ចេកវិទ្យាប្រមូលទិន្នន័យឯកជនរបស់អ្នកប្រើប្រាស់ (ក្នុងករណីនេះគឺសិស្ស) ដើម្បីយកទៅលក់ ឬប្រើប្រាស់សម្រាប់រកប្រាក់ចំណេញ ដោយមិនផ្តោតលើផលប្រយោជន៍អប់រំជាចម្បង។ | ដូចជាហាងមួយដែលឱ្យអ្នកចូលញ៉ាំអីដោយមិនគិតលុយ ប៉ុន្តែពួកគេលួចថតសំឡេង និងតាមដានទម្លាប់របស់អ្នក ដើម្បីយកព័ត៌មាននោះទៅលក់ឱ្យអ្នកផ្សាយពាណិជ្ជកម្ម។ |
| Mixed-initiative | យុទ្ធសាស្ត្របង្រៀនដែលអនុញ្ញាតឱ្យទាំងសិស្ស និងប្រព័ន្ធ AI អាចចាប់ផ្តើមសួរសំណួរ ឬដឹកនាំការសន្ទនាបានដូចគ្នា មិនមែនមានតែ AI ជាអ្នកសួរ ហើយសិស្សចាំតែឆ្លើយនោះទេ។ | ដូចជាការជជែកលេងរវាងមិត្តភក្តិពីរនាក់ដែលម្នាក់ៗអាចសួរសំណួរទៅវិញទៅមកបាន មិនមែនដូចការសួរចម្លើយដែលមានតែម្ខាងជាអ្នកសួរនោះទេ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
