បញ្ហា (The Problem)៖ បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតបង្កើតថ្មី (Generative AI) បង្កបញ្ហាប្រឈមធ្ងន់ធ្ងរដល់សុចរិតភាពនៃការសិក្សា ដោយធ្វើឱ្យព្រិលព្រំដែនរវាងស្នាដៃផ្ទាល់របស់និស្សិត និងលទ្ធផលដែលបង្កើតដោយ AI ដែលទាមទារឱ្យមានការគិតគូរឡើងវិញលើការរចនាការវាយតម្លៃ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រចម្រុះ ដោយរួមបញ្ចូលការវិភាគទ្រឹស្តីលើគោលការណ៍ណែនាំរបស់សាកលវិទ្យាល័យ និងការស្ទង់មតិដើម្បីប្រមូលទស្សនៈជាក់ស្តែងរបស់និស្សិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Staged Assessments (A3) ការវាយតម្លៃតាមដំណាក់កាល |
មានតម្លៃនៃការសិក្សាខ្ពស់ ផ្តោតលើការផ្តល់មតិកែលម្អ (feedback) ជាប្រចាំ និងត្រូវបាននិស្សិតចាត់ទុកថាមានយុត្តិធម៌បំផុត។ | ទាមទារពេលវេលាច្រើនពីសាស្រ្តាចារ្យក្នុងការតាមដាន និងវាយតម្លៃរាល់ដំណាក់កាលនីមួយៗ។ | តម្លៃសិក្សា: Strong, ភាពធន់នឹង AI: Moderate, សុពលភាព: Strong |
| In-class Supervised Tasks (A6) ការបំពេញការងារផ្ទាល់ក្នុងថ្នាក់ក្រោមការត្រួតពិនិត្យ |
មានភាពធន់ខ្ពស់បំផុតក្នុងការទប់ស្កាត់ការលួចបន្លំ ឬការប្រើប្រាស់ AI ខុសគោលការណ៍។ | គុណតម្លៃនៃការរៀនសូត្រមានកម្រិតទាប ដោយសារវាផ្តោតសំខាន់លើការវាស់ស្ទង់យកពិន្ទុជាជាងការអភិវឌ្ឍចំណេះដឹង។ | តម្លៃសិក្សា: Limited, ភាពធន់នឹង AI: Strong, សុពលភាព: Strong |
| Oral Assessments (A7) ការវាយតម្លៃផ្ទាល់មាត់ |
អាចការពារការប្រើប្រាស់ AI បានយ៉ាងមានប្រសិទ្ធភាព និងអាចវាស់ស្ទង់ការយល់ដឹងពិតប្រាកដរបស់និស្សិត។ | ផ្តល់សម្ពាធ និងភាពតានតឹង (Stress) ខ្លាំងបំផុតដល់និស្សិត បើប្រៀបធៀបនឹងវិធីសាស្ត្រផ្សេងៗ។ | តម្លៃសិក្សា: Limited, ភាពធន់នឹង AI: Strong, សុពលភាព: Moderate |
| Authentic Assessments (A5) ការវាយតម្លៃផ្អែកលើស្ថានភាពជាក់ស្តែង |
លើកទឹកចិត្តឱ្យមានការរៀនសូត្រស៊ីជម្រៅ ព្រោះកិច្ចការទាំងនេះពិបាកនឹងឱ្យ AI ធ្វើជំនួសបានទាំងស្រុង។ | មានភាពស្មុគស្មាញក្នុងការធានាថាសុពលភាពនៃការវាយតម្លៃស្របតាមលទ្ធផលសិក្សាស្តង់ដារ (Constructive Alignment)។ | តម្លៃសិក្សា: Strong, ភាពធន់នឹង AI: Strong, សុពលភាព: Moderate |
| Incorporating AI Tools (A8) ការអនុញ្ញាតឱ្យប្រើ AI ក្នុងកម្រិតកំណត់ |
កាត់បន្ថយភាពតានតឹងរបស់និស្សិតបានល្អបំផុត និងជួយសម្រួលដល់សុខុមាលភាពផ្លូវចិត្ត។ | ភាពធន់ក្នុងការការពារការប្រើប្រាស់ខុស និងសុពលភាពនៃការវាយតម្លៃដើម្បីវាស់ស្ទង់សមត្ថភាពបុគ្គលមានកម្រិតទាប។ | តម្លៃសិក្សា: Moderate, ភាពធន់នឹង AI: Limited, សុពលភាព: Limited |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់ពីតម្រូវការផ្នែករឹង (Hardware) នោះទេ ប៉ុន្តែវាទាមទារការវិនិយោគពេលវេលា និងសមត្ថភាពរបស់សាស្រ្តាចារ្យក្នុងការរចនាការវាយតម្លៃឡើងវិញ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យចំនួន ៥ ក្នុងរដ្ឋ Victoria ប្រទេសអូស្ត្រាលី ដោយផ្តោតលើនិស្សិតបរិញ្ញាបត្រផ្នែកវិទ្យាសាស្ត្រ និងវិស្វកម្មតែ ៨៥ នាក់ប៉ុណ្ណោះ។ ទិន្នន័យនេះអាចមិនឆ្លុះបញ្ចាំងទាំងស្រុងពីបរិបទសង្គម-វប្បធម៌ កម្រិតអក្ខរកម្មបច្ចេកវិទ្យា ឬធនធានអប់រំនៅកម្ពុជានោះទេ ជាពិសេសនៅតាមសាកលវិទ្យាល័យនៅតាមបណ្តាខេត្ត។
ទោះបីជាយ៉ាងណាក៏ដោយ វិធីសាស្ត្រនិងទ្រឹស្តីនៅក្នុងការសិក្សានេះមានសារៈសំខាន់ខ្លាំងសម្រាប់ប្រព័ន្ធឧត្តមសិក្សានៅកម្ពុជា ដែលកំពុងប្រឈមនឹងការរំខានពីបច្ចេកវិទ្យា AI ដូចគ្នា។
សរុបមក គ្រឹះស្ថានឧត្តមសិក្សានៅកម្ពុជាមិនគួរប្រកាន់យកយុទ្ធសាស្ត្រហាមឃាត់ការប្រើ AI ទាំងស្រុងឡើយ ប៉ុន្តែត្រូវផ្លាស់ប្តូរទៅរកការវាយតម្លៃបែបចម្រុះដែលរក្សាតុល្យភាពរវាងសុចរិតភាព និងគុណភាពនៃការរៀនសូត្រ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Generative AI | បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដែលអាចបង្កើតមាតិកាថ្មីៗ ដូចជាអត្ថបទ រូបភាព ឬកូដ ដោយស្វ័យប្រវត្តិផ្អែកលើទិន្នន័យដែលវាធ្លាប់បានរៀនពីមុន។ នៅក្នុងការអប់រំ វាត្រូវបានប្រើប្រាស់ដោយនិស្សិតដើម្បីសរសេរតែងសេចក្តី ឬដោះស្រាយលំហាត់ដែលបង្កបញ្ហាប្រឈមដល់ការវាយតម្លៃរបស់គ្រូ។ | ដូចជាជំនួយការឌីជីថលដ៏ឆ្លាតវៃម្នាក់ ដែលអាចសរសេរអត្ថបទ ឬឆ្លើយសំណួរបានភ្លាមៗនៅពេលយើងបញ្ជា (ឧទាហរណ៍៖ ChatGPT)។ |
| Constructive Alignment | ទ្រឹស្តីរចនាការអប់រំដែលតម្រូវឱ្យមានភាពស៊ីសង្វាក់គ្នាយ៉ាងតឹងរ៉ឹងរវាង "លទ្ធផលសិក្សាដែលរំពឹងទុក" (Learning Outcomes) "សកម្មភាពបង្រៀន" (Learning Activities) និង "វិធីសាស្ត្រវាយតម្លៃ" (Assessment) ដើម្បីធានាថានិស្សិតពិតជាត្រូវបានវាស់ស្ទង់ចំគោលដៅមេរៀន។ | ដូចជាការគូរប្លង់ផ្ទះ (គោលដៅ) ការសាងសង់ (ការបង្រៀន) និងការត្រួតពិនិត្យគុណភាពផ្ទះ (ការប្រឡង) ដែលត្រូវតែដើរស្របគ្នានិងត្រឹមត្រូវតាមស្តង់ដារតែមួយមិនអាចខុសគ្នាបានឡើយ។ |
| Assessment for Learning | វិធីសាស្រ្តនៃការវាយតម្លៃដែលមិនមែនគ្រាន់តែដើម្បីផ្តល់ពិន្ទុនោះទេ ប៉ុន្តែផ្តោតលើការផ្តល់មតិកែលម្អ (Feedback) ស្ថាបនាក្នុងអំឡុងពេលសិក្សា ដើម្បីជួយឱ្យនិស្សិតដឹងពីចំណុចខ្វះខាត និងអភិវឌ្ឍសមត្ថភាពរបស់ខ្លួនជាបន្តបន្ទាប់។ | ដូចជាគ្រូបង្វឹកកីឡាដែលប្រាប់ពីកំហុសរបស់អ្នកលេងពេលកំពុងហ្វឹកហាត់ ដើម្បីឱ្យពួកគេកែតម្រូវ និងលេងបានកាន់តែល្អ មុនពេលឈានដល់ការប្រកួតផ្លូវការយកពានរង្វាន់។ |
| Theory of Planned Behaviour | ទ្រឹស្តីចិត្តសាស្រ្តដែលពន្យល់ថា អាកប្បកិរិយារបស់មនុស្ស (ឧ. ការសម្រេចចិត្តលួចបន្លំដោយប្រើ AI) ត្រូវបានជះឥទ្ធិពលដោយកត្តា៣យ៉ាង៖ អាកប្បកិរិយាផ្ទាល់ខ្លួនចំពោះទង្វើនោះ សម្ពាធពីសង្គមឬមិត្តភក្តិជុំវិញខ្លួន និងជំនឿលើសមត្ថភាពខ្លួនឯងក្នុងការធ្វើសកម្មភាពនោះដោយជោគជ័យ។ | ដូចជាការសម្រេចចិត្តទិញទូរស័ព្ទថ្មី ដែលអាស្រ័យលើការយល់ឃើញថាវាល្អ (អាកប្បកិរិយា) ការឃើញមិត្តភក្តិប្រើវាច្រើន (សម្ពាធសង្គម) និងលទ្ធភាពថវិកាដែលមាន (ការគ្រប់គ្រងសកម្មភាព)។ |
| Technology Acceptance Model | ទ្រឹស្តីដែលសិក្សាពីមូលហេតុដែលមនុស្សម្នាក់សម្រេចចិត្តប្រើប្រាស់ឬមិនប្រើប្រាស់បច្ចេកវិទ្យាថ្មីមួយ (ដូចជា AI) ដោយពឹងផ្អែកលើការយល់ឃើញកត្តាពីរយ៉ាងគឺ៖ "តើវាមានប្រយោជន៍សម្រាប់ការងាររបស់ពួកគេឬទេ?" និង "តើវាងាយស្រួលប្រើដែរឬទេ?"។ | ដូចជាការសម្រេចចិត្តប្រើកម្មវិធីកក់កង់បី (PassApp/Grab) ព្រោះវាជួយឱ្យធ្វើដំណើរបានលឿន (មានប្រយោជន៍) ហើយគ្រាន់តែចុចលើទូរស័ព្ទប៉ុន្មានដងក៏ហៅបាន (ងាយស្រួលប្រើ)។ |
| Deterrence Theory | ទ្រឹស្តីដែលលើកឡើងថា មនុស្សនឹងមិនហ៊ានប្រព្រឹត្តបទល្មើស ឬការលួចបន្លំក្នុងការសិក្សា (Academic misconduct) នោះទេ ប្រសិនបើពួកគេជឿជាក់ថាមានហានិភ័យខ្ពស់ក្នុងការត្រូវបានគេចាប់បាន ហើយនឹងត្រូវទទួលទោសធ្ងន់ធ្ងរ។ | ដូចជាអ្នកបើកបរមិនហ៊ានជិះហួសល្បឿនកំណត់ នៅពេលដឹងច្បាស់ថាមានកាមេរ៉ាចាប់ល្បឿន និងត្រូវរងការផាកពិន័យយ៉ាងធ្ងន់ធ្ងរនៅខាងមុខ។ |
| Authentic assessments | ការរចនាការវាយតម្លៃដែលតម្រូវឱ្យនិស្សិតអនុវត្តចំណេះដឹង និងជំនាញរបស់ពួកគេទៅដោះស្រាយស្ថានភាព ឬបញ្ហាស្មុគស្មាញដែលកើតមានពិតប្រាកដនៅក្នុងសង្គម ការងារ ឬជីវិតជាក់ស្តែង ដែលធ្វើឱ្យ AI ពិបាកនឹងជួយឆ្លើយជំនួសបាន។ | ជំនួសឱ្យការប្រឡងសរសេរទ្រឹស្តីពីការធ្វើម្ហូបនៅលើយន្តហោះ គ្រូឱ្យសិស្សចម្អិនម្ហូបមួយមុខផ្ទាល់ដើម្បីភ្លក់មើលរស់ជាតិពិតប្រាកដតែម្តង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
