បញ្ហា (The Problem)៖ ឯកសារនេះស្រាវជ្រាវពីរបៀបដែលមតិកែលម្អរបស់គ្រូបង្រៀន និងបញ្ញាសិប្បនិម្មិតបង្កើតជាអត្ថបទ (GenAI) មានភាពខុសគ្នាក្នុងការជំរុញការចូលរួមផ្លូវចិត្ត និងប្រសិទ្ធភាពការងារនៅក្នុងបរិយាកាសសិក្សាគណិតវិទ្យាដោយប្រើចលនារាងកាយ (Embodied Learning)។ ការសិក្សានេះក៏ស្វែងរកសក្តានុពលនៃការបញ្ចូលគ្នានូវប្រព័ន្ធបញ្ញាកូនកាត់ (Hybrid Intelligence) ផងដែរ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់ការរចនាបែបបែងចែកក្រុម (Between-group design) ដោយប្រៀបធៀបសិស្សដែលទទួលបានមតិកែលម្អពីគ្រូ និងពី GenAI តាមរយៈប្រព័ន្ធខ្សែបន្ទាត់លេខឌីជីថលទំហំប៉ុនរាងកាយ (Body-scale digital number line)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Teacher Feedback (Control Group) មតិកែលម្អពីគ្រូបង្រៀនដោយផ្ទាល់ (ក្រុមត្រួតពិនិត្យ) |
ជំរុញឱ្យសិស្សមានការឆ្លុះបញ្ចាំងស៊ីជម្រៅ (Critical reflection) និងប្រើប្រាស់កាយវិការចលនារាងកាយកាន់តែច្រើនដើម្បីស្វែងយល់ប្រធានបទ។ វាលើកកម្ពស់ជំនាញគិតបែបមេតាកូញីត (Metacognitive skills) របស់សិស្ស។ | ទាមទារការប្រឹងប្រែងខួរក្បាលច្រើន ដែលបណ្តាលឱ្យមានបន្ទុកផ្លូវចិត្ត (Cognitive load) ខ្ពស់ និងអាចធ្វើឱ្យប៉ះពាល់ដល់ប្រសិទ្ធភាពនៃល្បឿនក្នុងការដោះស្រាយបញ្ហា។ | មិនមានភាពខុសគ្នានៃលទ្ធផលការងារធៀបនឹង AI ប៉ុន្តែមានពិន្ទុបន្ទុកផ្លូវចិត្តខ្ពស់ជាង (t(26.12) = 2.89, p < 0.01) និងប្រើប្រាស់យុទ្ធសាស្ត្រគិតបែបសកល (Global processing strategies) ច្រើនជាង (p < 0.001)។ |
| GenAI Feedback (Experimental Group) មតិកែលម្អបង្កើតដោយបញ្ញាសិប្បនិម្មិត (ក្រុមពិសោធន៍) |
ជួយកាត់បន្ថយបន្ទុកផ្លូវចិត្ត និងជំរុញប្រសិទ្ធភាពនៃការសិក្សាដោយផ្តល់នូវការណែនាំសង្ខេបៗ និងជាក់លាក់ផ្តោតលើការផ្ទៀងផ្ទាត់កិច្ចការ។ | កាត់បន្ថយការបង្ហាញចលនារាងកាយ និងខ្វះការជំរុញឱ្យសិស្សឆ្លុះបញ្ចាំងស៊ីជម្រៅលើកំហុសរបស់ពួកគេ ដែលអាចកម្រិតដល់ការអភិវឌ្ឍជំនាញគិតកម្រិតខ្ពស់។ | មិនមានភាពខុសគ្នានៃលទ្ធផលការងាររួមនោះទេ (t(31.63) = 0.73, p > 0.05) ប៉ុន្តែសិស្សចំណាយពេលច្រើនផ្តោតលើជម្រើសចម្លើយត្រឹមត្រូវ និងខ្សែបន្ទាត់លេខ (p < 0.05) ជាងការអានមតិកែលម្អ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការរៀបចំបរិយាកាសសិក្សាគណិតវិទ្យាដោយប្រើចលនារាងកាយ (Embodied Learning) និងបញ្ញាសិប្បនិម្មិតនេះ ទាមទារនូវឧបករណ៍រឹងទំនើប និងផ្នែកទន់បញ្ជូនទិន្នន័យជាក់លាក់ដែលតម្រូវឱ្យមានការវិនិយោគធនធានខ្ពស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាលាមធ្យមសិក្សាមួយក្នុងទីក្រុង Trondheim ប្រទេសន័រវេស (Norway) ដោយមានការចូលរួមពីសិស្សតែ ៣០ នាក់ប៉ុណ្ណោះ ដែលមានអាយុចន្លោះពី ១១-១៣ ឆ្នាំ។ ទិន្នន័យនេះមានទំហំតូច និងផ្អែកទាំងស្រុងលើបរិបទអប់រំនៅអឺរ៉ុបដែលមានបរិក្ខារទំនើបៗ។ សម្រាប់ប្រទេសកម្ពុជា ការទាញយកលទ្ធផលនេះទៅអនុវត្តត្រូវប្រុងប្រយ័ត្ន ដោយសារភាពខុសគ្នានៃហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា ចំនួនសិស្សក្នុងថ្នាក់ធំ និងកម្រិតនៃការយល់ដឹងពីបច្ចេកវិទ្យាឌីជីថល (Digital literacy) របស់សិស្ស។
ទោះបីជាការរៀបចំប្រព័ន្ធពហុទម្រង់នេះមានតម្លៃថ្លៃ ការប្រើប្រាស់គំនិតបញ្ញាកូនកាត់ (Hybrid Intelligence) ដើម្បីជួយគ្រូបង្រៀន គឺជាជម្រើសដ៏មានសក្តានុពលសម្រាប់ការអប់រំ STEM នៅកម្ពុជា។
ជារួម បច្ចេកវិទ្យានេះផ្តល់ជាគំនិតផ្តួចផ្តើមដ៏ល្អក្នុងការរួមបញ្ចូល AI ជាមួយគ្រូបង្រៀន (កាត់បន្ថយការងាររដ្ឋបាល និងផ្តល់មតិកែលម្អមូលដ្ឋាន) ដើម្បីទុកពេលវេលាឱ្យគ្រូជំរុញការគិតស៊ីជម្រៅនៅក្នុងប្រព័ន្ធអប់រំកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Embodied learning | ជាវិធីសាស្ត្រគរុកោសល្យដែលភ្ជាប់ដំណើរការនៃការគិតទៅនឹងសកម្មភាពរាងកាយ ដោយតម្រូវឱ្យសិស្សប្រើប្រាស់ចលនារាងកាយ និងកាយវិការដើម្បីស្វែងយល់និងដោះស្រាយបញ្ហា ពិសេសលើមុខវិជ្ជាអរូបីដូចជាគណិតវិទ្យា។ | ដូចជាការរៀនរាប់លេខ និងធ្វើប្រមាណវិធីដោយការបោះជំហានដើរលើដីផ្ទាល់ ជាជាងការអង្គុយទន្ទេញតែក្នុងខួរក្បាលនៅលើតុ។ |
| Hybrid intelligence | ជាប្រព័ន្ធដែលរួមបញ្ចូលគ្នានូវភាពសុក្រឹតនិងល្បឿនរបស់បញ្ញាសិប្បនិម្មិត (AI) ជាមួយនឹងសមត្ថភាពវិភាគនិងការយល់ពីអារម្មណ៍របស់មនុស្ស (ដូចជាគ្រូបង្រៀន) ដើម្បីផ្តល់ការគាំទ្រដល់សិស្សប្រកបដោយប្រសិទ្ធភាព។ | ដូចជាការធ្វើការងារជាក្រុមរវាងម៉ាស៊ីនគិតលេខដ៏រហ័សដែលអាចរកកំហុសបានភ្លាមៗ និងមនុស្សដែលមានគំនិតច្នៃប្រឌិតដែលអាចពន្យល់ពីមូលហេតុនៃកំហុសនោះយ៉ាងកក់ក្តៅ។ |
| Summative feedback | ជាការផ្តល់មតិកែលម្អនៅចុងបញ្ចប់នៃកិច្ចការ ឬសកម្មភាពសិក្សាមួយ ដើម្បីវាយតម្លៃសរុបពីលទ្ធផលការងារ និងប្រាប់ពីចំណុចដែលសិស្សធ្វើបានត្រឹមត្រូវ ឬខ្វះខាតក្នុងដំណើរការនោះ។ | ដូចជាការប្រកាសពិន្ទុ និងយោបល់របស់គ្រូនៅពេលសិស្សប្រលងបញ្ចប់ឆមាសរួចរាល់។ |
| Multimodal data | ជាការប្រមូលផ្តុំទិន្នន័យពីប្រភពឧបករណ៍និងទម្រង់ខុសៗគ្នា ដូចជាកំណត់ត្រាពីប្រព័ន្ធកុំព្យូទ័រ (Log) ទិន្នន័យចលនាភ្នែក កាយវិការ និងទីតាំងរាងកាយ ដើម្បីយកមកវិភាគឱ្យយល់ច្បាស់ពីសកម្មភាពទាំងមូលរបស់សិស្ស។ | ដូចជាការវាយតម្លៃសុខភាពមនុស្សម្នាក់ដោយមើលទាំងលទ្ធផលឈាម វាស់ចង្វាក់បេះដូង និងស្តាប់ការរៀបរាប់ពីអាការៈរបស់គាត់ ជំនួសឱ្យការមើលតែមួយមុខ។ |
| Cognitive load | ជាកម្រិតនៃកម្លាំងខួរក្បាល និងការចងចាំរយៈពេលខ្លី (Working Memory) ដែលសិស្សត្រូវប្រើប្រាស់ដើម្បីផ្តោតអារម្មណ៍ ដោះស្រាយបញ្ហា ឬប្រមូលព័ត៌មានថ្មីៗមកដំណើរការក្នុងពេលតែមួយ។ | ដូចជាទំហំ RAM របស់កុំព្យូទ័រ ដែលអាចគាំង ឬដើរយឺត ប្រសិនបើកុំព្យូទ័រនោះបើកកម្មវិធីធ្ងន់ៗច្រើនក្នុងពេលតែមួយ។ |
| Generative AI | ជាប្រភេទម៉ូដែលបញ្ញាសិប្បនិម្មិត (ដូចជា GPT-4) ដែលអាចបង្កើតមាតិកាថ្មីៗ មិនថាជាអត្ថបទ រូបភាព ឬសំឡេង ដោយផ្អែកលើទិន្នន័យបញ្ជាដែលវាទទួលបាន ដើម្បីបង្កើតមតិកែលម្អផ្ទាល់ខ្លួនសម្រាប់សិស្សម្នាក់ៗ។ | ដូចជាអ្នកសរសេរអត្ថបទដ៏ឆ្លាតវៃម្នាក់ដែលអាចតែងនិពន្ធរឿង ឬសរសេរចម្លើយពន្យល់បានភ្លាមៗតាមអ្វីដែលយើងប្រាប់។ |
| Information Processing Index (IPI) | ជារង្វាស់មួយដែលគេទាញយកពីទិន្នន័យចលនាភ្នែក (Eye-tracking) ដើម្បីកំណត់ថាតើមនុស្សម្នាក់កំពុងប្រើប្រាស់យុទ្ធសាស្ត្រគិតបែបសកល (មើលជារួមដើម្បីយល់អត្ថន័យ) ឬការគិតបែបលម្អិត (ផ្តោតលើចំណុចតូចៗ)។ | ដូចជាការមើលផែនទី ដែលជួនកាលយើងមើលរូបរាងប្រទេសទាំងមូល (សកល) ហើយជួនកាលយើងពង្រីកមើលតែផ្លូវតូចមួយក្នុងភូមិ (លម្អិត)។ |
| Multisensory environments (MSEs) | ជាបរិយាកាសសិក្សាដែលត្រូវបានរចនាឡើងដោយមានការប្រើប្រាស់បច្ចេកវិទ្យាបញ្ចូលគ្នា ដើម្បីដាស់ញាណច្រើនរបស់មនុស្ស ដូចជាការប្រើប្រាស់ពន្លឺ (ការមើលឃើញ) សំឡេង (ការស្តាប់) និងចលនា (ការប៉ះពាល់) ក្នុងពេលតែមួយ។ | ដូចជារោងកុន 4D ដែលមានទាំងរូបភាព សំឡេង កៅអីញ័រ និងមានខ្យល់បក់ ដែលធ្វើឱ្យយើងមានអារម្មណ៍ចូលតួដូចនៅក្នុងរឿងពិត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
