បញ្ហា (The Problem)៖ ការសិក្សានេះស្វែងយល់អំពីទំនាក់ទំនងទៅវិញទៅមកនៃកម្រិតនៃការយល់ឃើញពីសមត្ថភាពខ្លួនឯងពាក់ព័ន្ធនឹងកុំព្យូទ័រ អក្ខរកម្មព័ត៌មាន និងការស្រាវជ្រាវវិទ្យាសាស្ត្ររបស់គរុនិស្សិត (អ្នកដែលត្រៀមខ្លួនធ្វើជាគ្រូបង្រៀន)។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានប្រើប្រាស់វិធីសាស្ត្របរិមាណវិស័យដោយប្រមូលទិន្នន័យពីគរុនិស្សិតចំនួន ១៩៧ នាក់ តាមរយៈការប្រើប្រាស់កម្រងសំណួរវាយតម្លៃ ដែលត្រូវបានវិភាគតាមបែបស្ថិតិកម្រិតខ្ពស់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Exploratory Factor Analysis (EFA) ការវិភាគកត្តាស្វែងរក (EFA) |
ជួយកំណត់រចនាសម្ព័ន្ធកត្តានៃកម្រងសំណួរដែលបានបកប្រែឱ្យស្របនឹងបរិបទថ្មី (ឧ. កាត់បន្ថយពី ២៩ ទៅ ១៧ សំណួរសម្រាប់កម្រងសំណួរកុំព្យូទ័រ)។ វាស័ក្តិសមសម្រាប់ដំណាក់កាលដំបូងនៃការរៀបចំឧបករណ៍វាស់វែង។ | វាគ្រាន់តែស្វែងរកទំនាក់ទំនងបឋមរវាងសំណួរនិងកត្តាប៉ុណ្ណោះ ដោយមិនអាចបញ្ជាក់ពីភាពត្រឹមត្រូវនៃទំនាក់ទំនងទ្រឹស្តី ឬសាកល្បងសម្មតិកម្មបានទាំងស្រុងនោះទេ។ | បានបង្ហាញតម្លៃ KMO ខ្ពស់ (0.90 សម្រាប់ផ្នែកកុំព្យូទ័រ និង 0.82 សម្រាប់អក្ខរកម្មព័ត៌មាន) ដែលបញ្ជាក់ពីភាពស័ក្តិសមនៃទិន្នន័យសម្រាប់ការវិភាគបន្ត។ |
| Confirmatory Factor Analysis (CFA) & Structural Equation Modeling (SEM) ការវិភាគកត្តាបញ្ជាក់ (CFA) និងការធ្វើគំរូសមីការរចនាសម្ព័ន្ធ (SEM) |
អាចបញ្ជាក់យ៉ាងច្បាស់ពីទំនាក់ទំនងរវាងអថេរនិងសាកល្បងទ្រឹស្តី។ ផ្តល់សូចនាករច្បាស់លាស់ដើម្បីពិនិត្យមើលភាពស័ក្តិសមនៃគំរូទិន្នន័យ (Model Fit Indices) ជាមួយនឹងទិន្នន័យជាក់ស្តែង។ | ទាមទារទំហំសំណាកធំ និងចំណេះដឹងផ្នែកស្ថិតិកម្រិតខ្ពស់ ព្រមទាំងតម្រូវឱ្យប្រើប្រាស់កម្មវិធីវិភាគស្មុគស្មាញ។ | គំរូមានភាពស័ក្តិសមល្អ (GFI=0.922, CFI=0.951, RMSEA=0.062) និងបង្ហាញពីឥទ្ធិពលវិជ្ជមានជាបន្តបន្ទាប់ពីជំនាញកុំព្យូទ័រ ទៅអក្ខរកម្មព័ត៌មាន (β=0.42) និងទៅកាន់ជំនាញស្រាវជ្រាវ (β=0.54)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនបានបញ្ជាក់យ៉ាងលម្អិតអំពីតម្លៃធនធាននោះទេ ប៉ុន្តែផ្អែកលើវិធីសាស្ត្រ វាទាមទារទិន្នន័យស្ទង់មតិពីក្រុមគោលដៅ និងកម្មវិធីស្ថិតិកម្រិតខ្ពស់។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Firat ប្រទេសតួកគី ដោយផ្តោតលើគរុនិស្សិតតែ ១៩៧ នាក់ប៉ុណ្ណោះ។ ដោយសារបរិបទវប្បធម៌ កម្មវិធីសិក្សា និងកម្រិតនៃការទទួលបានបច្ចេកវិទ្យានៅប្រទេសតួកគីមានភាពខុសគ្នាពីកម្ពុជា ការទាញយកលទ្ធផលនេះមកអនុវត្តផ្ទាល់អាចមានភាពលម្អៀង (Bias)។ សម្រាប់កម្ពុជា ការសិក្សាបែបនេះគួរតែត្រូវបានធ្វើឡើងជាថ្មី ដើម្បីឆ្លុះបញ្ចាំងពីស្ថានភាពជាក់ស្តែងនៃអក្ខរកម្មឌីជីថលរបស់និស្សិតខ្មែរ។
ទោះបីជាមានដែនកំណត់ខាងទិន្នន័យក្តី វិធីសាស្ត្រ និងទ្រឹស្តីនៃការសិក្សានេះមានសារៈសំខាន់ខ្លាំងសម្រាប់ការអភិវឌ្ឍវិស័យអប់រំឧត្តមសិក្សានៅកម្ពុជា។
សរុបមក ការយល់ដឹងពីឥទ្ធិពលជាបន្តបន្ទាប់នៃជំនាញទាំងបីនេះ នឹងជួយស្ថាប័នអប់រំកម្ពុជារៀបចំលំដាប់លំដោយនៃមុខវិជ្ជាក្នុងកម្មវិធីសិក្សាបានកាន់តែមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Self-efficacy (ប្រសិទ្ធភាពផ្ទាល់ខ្លួន / ជំនឿជាក់លើសមត្ថភាពខ្លួនឯង) | ជាការយល់ឃើញ ឬជំនឿចិត្តរបស់បុគ្គលម្នាក់ៗទៅលើសមត្ថភាពផ្ទាល់ខ្លួន ក្នុងការរៀបចំ និងអនុវត្តសកម្មភាពផ្សេងៗដើម្បីសម្រេចបាននូវគោលដៅ ឬលទ្ធផលរំពឹងទុកណាមួយ។ វាមិនមែនគ្រាន់តែជាការមានជំនាញនោះទេ តែជាការជឿជាក់ថាខ្លួនឯងអាចប្រើជំនាញនោះបានជោគជ័យ។ | ដូចជាកីឡាករម្នាក់ជឿជាក់យ៉ាងមុតមាំថា ខ្លួនឯងមានកម្លាំង និងបច្ចេកទេសគ្រប់គ្រាន់ក្នុងការទាត់បាល់បញ្ចូលទីនៅចំពោះមុខឧបសគ្គ។ |
| Information literacy (អក្ខរកម្មព័ត៌មាន) | ជាសមត្ថភាពក្នុងការដឹងពីពេលដែលខ្លួនត្រូវការព័ត៌មាន និងអាចស្វែងរក វាយតម្លៃ ព្រមទាំងប្រើប្រាស់ព័ត៌មានទាំងនោះបានយ៉ាងមានប្រសិទ្ធភាព និងត្រឹមត្រូវតាមក្រមសីលធម៌ ដើម្បីដោះស្រាយបញ្ហាអ្វីមួយ។ | ដូចជាចុងភៅដែលដឹងច្បាស់ថាត្រូវប្រើគ្រឿងផ្សំអ្វីខ្លះ ទៅរកទិញនៅឯណា និងចេះរើសគ្រឿងផ្សំដែលស្រស់ល្អយកមកធ្វើម្ហូបដ៏ឆ្ងាញ់មួយមុខ។ |
| Exploratory Factor Analysis (ការវិភាគកត្តាស្វែងរក / EFA) | ជាវិធីសាស្ត្រស្ថិតិដែលគេប្រើដើម្បីបង្រួមទិន្នន័យពីសំណួរច្រើន (ឧទាហរណ៍ សំណួរ២៩) ទៅជាក្រុម ឬកត្តាធំៗមួយចំនួនតូច និងដើម្បីស្វែងរកទម្រង់លាក់កំបាំងនៃទិន្នន័យដោយមិនមានទ្រឹស្តីកំណត់ទុកជាមុនយ៉ាងតឹងរ៉ឹង។ | ដូចជាការដែលយើងមានសម្លៀកបំពាក់រាយប៉ាយរាប់រយកំប្លេ ហើយយើងរៀបចំចាត់ថ្នាក់វាជាក្រុមៗ (ខោ អាវ ស្រោមជើង) ដើម្បីងាយស្រួលរក ដោយមិនទាន់មានទូដាក់ច្បាស់លាស់។ |
| Confirmatory Factor Analysis (ការវិភាគកត្តាបញ្ជាក់ / CFA) | ជាវិធីសាស្ត្រស្ថិតិកម្រិតខ្ពស់ដែលធ្វើឡើងបន្ទាប់ពី EFA ឬនៅពេលមានទ្រឹស្តីច្បាស់លាស់ ដើម្បីផ្ទៀងផ្ទាត់ និងបញ្ជាក់ថាតើទិន្នន័យជាក់ស្តែងពិតជាស៊ីសង្វាក់គ្នាទៅនឹងរចនាសម្ព័ន្ធ ឬម៉ូដែលដែលបានកំណត់ទុកមុនមែនឬអត់។ | ដូចជាការយកប្លង់ផ្ទះដែលគូសរួចរាល់ ទៅផ្ទៀងផ្ទាត់មើលថា តើផ្ទះដែលសង់រួចពិតជាមានទម្រង់និងរចនាសម្ព័ន្ធត្រឹមត្រូវតាមប្លង់នោះមែនឬទេ។ |
| Structural Equation Modeling (ការធ្វើគំរូសមីការរចនាសម្ព័ន្ធ / SEM) | ជាបណ្តុំនៃបច្ចេកទេសស្ថិតិដ៏ស្មុគស្មាញ ដែលអនុញ្ញាតឱ្យអ្នកស្រាវជ្រាវធ្វើតេស្តសម្មតិកម្មអំពីទំនាក់ទំនង និងឥទ្ធិពលរវាងអថេរច្រើន ទាំងអថេរដែលអាចវាស់វែងបានផ្ទាល់ និងអថេរលាក់កំបាំង (ដូចជាអាកប្បកិរិយា ឬជំនឿចិត្ត) ក្នុងពេលតែមួយ។ | ដូចជាការសាងសង់ម៉ូដែលប្រព័ន្ធផ្លូវទឹកខ្នាតតូចមួយ ដើម្បីសាកល្បងមើលថាតើទឹកហូរពីអាងមួយ (ជំនាញកុំព្យូទ័រ) ទៅអាងមួយទៀត (ជំនាញស្រាវជ្រាវ) មានល្បឿននិងបរិមាណប៉ុន្មាន។ |
| Standardized regression coefficients (មេគុណតំរែតំរង់ស្តង់ដារ) | ជាតម្លៃស្ថិតិ (ជាញឹកញាប់តំណាងដោយនិមិត្តសញ្ញា β) ដែលបង្ហាញពីទំហំ និងទិសដៅនៃឥទ្ធិពលដែលអថេរមួយ មានទៅលើអថេរមួយទៀត ដោយធ្វើឱ្យខ្នាតរង្វាស់របស់ពួកវាមានស្តង់ដារដូចគ្នា។ តម្លៃវាកាន់តែខិតជិត ១ ឬ -១ បង្ហាញពីឥទ្ធិពលកាន់តែខ្លាំង។ | ដូចជាឧបករណ៍វាស់កម្រិតសំឡេង ដែលប្រាប់យើងថា បើយើងមួលប៊ូតុងសំឡេងបាស (Bass) ឡើង ១កម្រិត តើសំឡេងចម្រៀងសរុបនឹងឮខ្លាំងជាងមុនប៉ុន្មានភាគរយ។ |
| Goodness of Fit Index (សូចនាករភាពស័ក្តិសម / GFI) | ជាតម្លៃស្ថិតិ (ចន្លោះពី ០ ដល់ ១) ដែលវាយតម្លៃថាតើគំរូទ្រឹស្តីដែលអ្នកស្រាវជ្រាវបានបង្កើតឡើង ស៊ីសង្វាក់គ្នាជាមួយទិន្នន័យជាក់ស្តែងដែលប្រមូលបានកម្រិតណា។ ជាទូទៅ តម្លៃលើសពី ០.៩០ ចាត់ទុកថាស័ក្តិសមល្អ។ | ដូចជាការសាកល្បងពាក់ស្បែកជើងថ្មី បើវាមានទំហំប៉ុនជើងយើងបេះបិទ (១.០) នោះមានន័យថាវាស័ក្តិសមឥតខ្ចោះ។ |
| Kaiser-Meyer-Olkin value (តម្លៃ KMO) | ជារង្វាស់ស្ថិតិដែលប្រាប់យើងថាតើទំហំសំណាក និងទំនាក់ទំនងនៃទិន្នន័យដែលយើងមាន ស័ក្តិសមគ្រប់គ្រាន់សម្រាប់ការយកទៅធ្វើការវិភាគកត្តា (Factor Analysis) ដែរឬទេ។ តម្លៃ KMO ដែលធំជាង ០.៦ គឺអាចទទួលយកបាន។ | ដូចជាការពិនិត្យមើលគុណភាពដី ថាតើដីនេះមានជីជាតិគ្រប់គ្រាន់សម្រាប់ដាំដំណាំ (ធ្វើការវិភាគ) ដែរឬទេ មុននឹងយើងចាប់ផ្តើមជីកដាំដុះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
