បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះផ្តោតលើការដោះស្រាយបញ្ហានៅក្នុងប្រព័ន្ធបង្រៀនឆ្លាតវៃ (Intelligent Tutoring Systems) ដែលកន្លងមកតែងតែសន្មតថាសិស្សមានស្ថានភាពផ្លូវចិត្តតែមួយ ជំនួសឱ្យការយល់ដឹងពីស្ថានភាពផ្លូវចិត្តច្រើនដែលកើតឡើងក្នុងពេលតែមួយ (Co-occurring affective states)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រើប្រាស់ប្រព័ន្ធសិក្សាតាមកុំព្យូទ័រ បូករួមនឹងវិធីសាស្ត្រវាយតម្លៃស្ថានភាពផ្លូវចិត្ត ដើម្បីកំណត់ពីអារម្មណ៍ និងអាកប្បកិរិយារបស់សិស្ស។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Association Rule Mining: Lift ការប្រើប្រាស់រង្វាស់ Lift ក្នុងការជីកកកាយទិន្នន័យ |
អាចប្រៀបធៀបប្រូបាប៊ីលីតេនៃការកើតឡើងព្រមគ្នានៃស្ថានភាពផ្លូវចិត្តពីរ ធៀបនឹងការកើតឡើងដោយចៃដន្យបានយ៉ាងច្បាស់លាស់។ វាជួយកម្ចាត់ភាពលម្អៀងនៃទិន្នន័យចៃដន្យ។ | មិនអាចបង្ហាញពីទំនាក់ទំនងនៃឥទ្ធិពលទៅវិញទៅមក (Directionality) ថាអារម្មណ៍មួយណាជាអ្នកទាញឱ្យមានអារម្មណ៍មួយទៀតនោះទេ។ | បានរកឃើញគូអារម្មណ៍ចំនួនពីរ (Curiosity + Flow/Engagement និង Confusion + Frustration) ដែលកើតឡើងលើសកម្រិតចៃដន្យធម្មតា។ |
| Association Rule Mining: Confidence ការប្រើប្រាស់រង្វាស់ Confidence ក្នុងការជីកកកាយទិន្នន័យ |
អាចប៉ាន់ស្មានប្រូបាប៊ីលីតេនៃអារម្មណ៍មួយ (Y) ដែលកើតឡើងដោយសារមានវត្តមាននៃអារម្មណ៍មួយទៀត (X) ដែលជួយដល់ការកំណត់រចនាសម្ព័ន្ធអន្តរាគមន៍ក្នុងប្រព័ន្ធ។ | ទាមទារចំនួនទិន្នន័យគូអារម្មណ៍ច្រើន (Large sample size) ទើបអាចធ្វើការវិភាគបានសុក្រឹត និងអាចជឿទុកចិត្តបាន។ | រកឃើញថា ការខកចិត្ត (Frustration) បង្ហាញពីការកើតឡើងនៃភាពច្របូកច្របល់ (Confusion) ក្នុងអត្រា ៦៧.២% ដែលច្រើនជាងច្រាសមកវិញ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារធនធានកុំព្យូទ័រ កម្មវិធីកត់ត្រាសកម្មភាព និងចំណាយពេលវេលាច្រើនសម្រាប់សិស្សក្នុងការវាយតម្លៃអារម្មណ៍របស់ពួកគេឡើងវិញ (Retrospective judgment) បន្ទាប់ពីការសិក្សា។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យមួយក្នុងសហរដ្ឋអាមេរិក ដោយមាននិស្សិតត្រឹមតែ ៤៦ នាក់ (អាយុជាមធ្យម ១៩.២ ឆ្នាំ) ដែលផ្តល់ទិន្នន័យគ្រប់គ្រាន់។ ទិន្នន័យនេះអាចមានភាពលម្អៀងខាងវប្បធម៌ (Cultural bias) ព្រោះការបញ្ចេញអារម្មណ៍របស់និស្សិតអាមេរិកអាចខុសពីនិស្សិតកម្ពុជា ដែលជារឿយៗតែងតែលាក់បាំងអារម្មណ៍ខកចិត្ត ឬច្របូកច្របល់នៅក្នុងថ្នាក់រៀនដោយសារភាពអៀនខ្មាស។
វិធីសាស្ត្រក្នុងការតាមដានស្ថានភាពផ្លូវចិត្តនេះ មានសារៈសំខាន់ណាស់សម្រាប់ការអភិវឌ្ឍប្រព័ន្ធអប់រំឌីជីថល និងប្រព័ន្ធសិក្សាពីចម្ងាយនៅកម្ពុជា។
ការយល់ដឹងពីស្ថានភាពផ្លូវចិត្តដែលកើតឡើងព្រមគ្នារបស់សិស្ស អាចជួយឱ្យស្ថាប័នអប់រំនៅកម្ពុជាបង្កើតប្រព័ន្ធជំនួយស្វ័យប្រវត្តិ ដែលឆ្លើយតបទៅនឹងតម្រូវការផ្លូវចិត្តសិស្សបានទាន់ពេលវេលា ទោះបីជាខ្វះខាតគ្រូបង្រៀនក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Co-occurring affective states | ស្ថានភាពដែលសិស្សមានអារម្មណ៍ ឬស្ថានភាពផ្លូវចិត្តពីរឬច្រើនកើតឡើងក្នុងពេលតែមួយក្នុងកំឡុងពេលសិក្សា ឧទាហរណ៍ដូចជាមានអារម្មណ៍ចង់ដឹងចង់ឃើញផង និងផ្ដោតអារម្មណ៍ខ្លាំងផង។ | ដូចជាការញ៉ាំម្ហូបមួយមុខដែលយើងមានអារម្មណ៍ថាវាមានរសជាតិជូរផង និងហឹរផងក្នុងពេលតែមួយ មិនមែនដឹងតែជូរមុខ ឬហឹរមុខនោះទេ។ |
| Intelligent tutoring systems (ITSs) | ប្រព័ន្ធកុំព្យូទ័របង្រៀនដែលប្រើប្រាស់បញ្ញាសប្បនិម្មិតដើម្បីតាមដានយល់ដឹងពីសកម្មភាពសិស្ស និងផ្តល់ការណែនាំ ឬជំនួយត្រឡប់ទៅវិញដោយស្វ័យប្រវត្តិស្របតាមតម្រូវការនិងសមត្ថភាពរបស់សិស្សម្នាក់ៗ។ | ដូចជាមានគ្រូបង្រៀនផ្ទាល់ខ្លួនម្នាក់ឈរមើលពីក្រោយខ្នងយើងពេលកំពុងធ្វើលំហាត់ ហើយប្រាប់យើងពេលយើងធ្វើខុស។ |
| Retrospective judgment protocol | វិធីសាស្ត្រក្នុងការប្រមូលទិន្នន័យផ្លូវចិត្ត ដោយតម្រូវឱ្យអ្នកចូលរួមមើលវីដេអូសកម្មភាពនិងផ្ទៃមុខរបស់ខ្លួនឯងឡើងវិញ បន្ទាប់ពីបញ្ចប់ការងារអ្វីមួយ ដើម្បីរំលឹក និងកត់ត្រាថាពេលនោះពួកគេមានអារម្មណ៍បែបណា ដោយមិនរំខានដល់ពួកគេនៅពេលកំពុងបញ្ចេញសកម្មភាព។ | ដូចជាកីឡាករបាល់ទាត់មើលវីដេអូប្រកួតឡើងវិញ ដើម្បីប្រាប់គ្រូបង្វឹកថាពេលនោះគេគិត ឬមានអារម្មណ៍យ៉ាងម៉េចទើបសម្រេចចិត្តទាត់បាល់របៀបនោះ។ |
| Association rule mining | បច្ចេកទេសក្នុងវិទ្យាសាស្ត្រទិន្នន័យដែលប្រើសម្រាប់ស្វែងរកលំនាំ ឬទំនាក់ទំនងដែលកើតឡើងញឹកញាប់រវាងអថេរផ្សេងៗនៅក្នុងសំណុំទិន្នន័យធំៗ។ | ដូចជាម្ចាស់ផ្សារទំនើបសង្កេតឃើញថា អតិថិជនដែលទិញនំប៉័ង ច្រើនតែទិញប៊ឺរទៅជាមួយគ្នាដែរ។ |
| Lift | រង្វាស់មួយក្នុងបច្ចេកទេស Association rule mining ដែលវាស់ស្ទង់ថាតើព្រឹត្តិការណ៍ពីរ (ឧ. អារម្មណ៍ពីរ) កើតឡើងជាមួយគ្នាញឹកញាប់ប៉ុនណា បើប្រៀបធៀបទៅនឹងការរំពឹងទុកថារបស់ទាំងពីរនោះកើតឡើងដោយចៃដន្យដាច់ដោយឡែកពីគ្នា។ | បើ Lift ធំជាង ១ មានន័យថាព្រឹត្តិការណ៍ទាំងពីរនោះពិតជាមិត្តសម្លាញ់នឹងគ្នាពិតមែន (ទៅណាក៏ទៅជាមួយគ្នាដែរ) មិនមែនគ្រាន់តែចៃដន្យដើរជួបគ្នាតាមផ្លូវនោះទេ។ |
| Confidence | រង្វាស់គណិតវិទ្យាដែលបង្ហាញពីប្រូបាប៊ីលីតេ (ភាគរយ) នៃព្រឹត្តិការណ៍ Y ដែលនឹងកើតឡើង នៅពេលដែលយើងដឹងថាព្រឹត្តិការណ៍ X បានកើតឡើងរួចហើយ។ វាយកមកវាស់ពីឥទ្ធិពលនៃអារម្មណ៍មួយទៅលើអារម្មណ៍មួយទៀត។ | ដូចជាការទស្សន៍ទាយថា បើមេឃងងឹត (X) នោះមានឱកាស ៨០% ថាភ្លៀងនឹងធ្លាក់ (Y)។ ៨០% នោះគឺជារង្វាស់ Confidence។ |
| Scaffolded learning | ដំណើរការនៃការបង្រៀនដែលប្រព័ន្ធ ឬគ្រូ ផ្តល់ការគាំទ្រជាជំហានៗ និងផ្តល់ពត៌មានណែនាំបន្តិចម្តងៗដល់សិស្ស ដើម្បីឱ្យពួកគេអាចរៀនដោះស្រាយបញ្ហាថ្មីៗបាន រួចទើបដកការគាំទ្រចេញនៅពេលសិស្សចេះធ្វើដោយខ្លួនឯង។ | ដូចជាការបង្រៀនក្មេងជិះកង់ដោយមានការជួយទប់ពីក្រោយ ហើយយើងលែងដៃបន្តិចម្តងៗនៅពេលពួកគេចាប់ផ្តើមចេះរក្សាលំនឹងដោយខ្លួនឯង។ |
| Flow/Engagement | ស្ថានភាពផ្លូវចិត្តដែលមនុស្សម្នាក់កំពុងផ្តោតអារម្មណ៍យ៉ាងខ្លាំងក្លា និងលិចលង់ចូលទៅក្នុងការងារអ្វីមួយរហូតដល់ភ្លេចពេលវេលា និងបរិយាកាសជុំវិញខ្លួន។ | ដូចជាពេលយើងកំពុងលេងហ្គេមសប្បាយខ្លាំងពេក រហូតដល់ភ្លេចហូបបាយ ឬមិនដឹងថាមេឃងងឹតតាំងពីពេលណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
