Original Title: A case study of incorporating digital technologies into audio-visual-oral English teaching in the context of digital humanities
Source: doi.org/10.1051/shsconf/202418104041
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ករណីសិក្សាអំពីការបញ្ចូលបច្ចេកវិទ្យាឌីជីថលទៅក្នុងការបង្រៀនភាសាអង់គ្លេសផ្នែកសោតទស្សន៍ និងការនិយាយ នៅក្នុងបរិបទមនុស្សសាស្ត្រឌីជីថល

ចំណងជើងដើម៖ A case study of incorporating digital technologies into audio-visual-oral English teaching in the context of digital humanities

អ្នកនិពន្ធ៖ Weijia Hu (School of Foreign Languages, Zhejiang Gongshang University Hangzhou College of Commerce, 311508 Hangzhou, China)

ឆ្នាំបោះពុម្ព៖ 2024 SHS Web of Conferences (ICDEBA 2023)

វិស័យសិក្សា៖ Digital Humanities and Education Technology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ អត្ថបទនេះដោះស្រាយបញ្ហានៃការផ្លាស់ប្តូរផ្នែកអប់រំឌីជីថល ដោយផ្តោតលើតម្រូវការក្នុងការអនុវត្តជាក់ស្តែងនៃការបញ្ចូលបច្ចេកវិទ្យាឌីជីថលទៅក្នុងការបង្រៀនភាសាអង់គ្លេសផ្នែកសោតទស្សន៍ និងការនិយាយ (audio-visual-oral) ដែលនៅមានកម្រិតនៅឡើយ។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះកត់ត្រាពីការអនុវត្តរយៈពេលបីឆ្នាំនៃការបញ្ចូលបច្ចេកវិទ្យាទៅក្នុងការបង្រៀន ដោយប្រើប្រាស់ប្រព័ន្ធគ្រប់គ្រងការសិក្សា និងគំរូវាយតម្លៃផ្សេងៗផ្អែកលើទិន្នន័យ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Traditional Online Teaching (Version 1.0)
ការបង្រៀនអនឡាញបែបប្រពៃណី (គ្រាន់តែចម្លងថ្នាក់រៀនផ្ទាល់ទៅអនឡាញ)
ងាយស្រួលក្នុងការអនុវត្តដំបូង និងមិនទាមទារការរៀបចំរចនាសម្ព័ន្ធមេរៀនឡើងវិញច្រើន។ មិនបានទាញយកអត្ថប្រយោជន៍ពេញលេញពីធនធានឌីជីថល មានភាពអសកម្ម និងខ្វះអន្តរកម្មរវាងគ្រូនិងសិស្ស។ ត្រូវបានចាត់ទុកថាជាវិធីសាស្ត្រហួសសម័យដែលត្រូវអភិវឌ្ឍបន្តទៅជំនាន់ទី២ (Version 2.0)។
Digital-enhanced Blended Learning via Platforms
ការសិក្សាចម្រុះដោយប្រើប្រាស់ផ្លាតហ្វមអប់រំឌីជីថល (ឧ. Fanya, WELearn)
ផ្តល់ទិន្នន័យវិភាគ (Learning Analytics) សម្រាប់ការវាយតម្លៃបន្តបន្ទាប់ និងអនុញ្ញាតឱ្យសិស្សរៀនតាមល្បឿនរៀងៗខ្លួន។ ជួយឱ្យគ្រូដឹងពីចំណុចខ្សោយសិស្សបានទាន់ពេល។ ទាមទារឱ្យគ្រូមានចំណេះដឹងផ្នែកវិភាគទិន្នន័យ (Data analysis) និងចំណាយពេលច្រើនក្នុងការរៀបចំឯកសារមុនចូលថ្នាក់។ សិស្សចំនួន ៨៨.៣៧% បានបង្កើតទម្លាប់អាននិងត្រៀមមេរៀនមុន (preview habit) ដោយជោគជ័យ។
Project-Based Learning via Video Contests
ការរៀនតាមរយៈគម្រោងដោយបញ្ចូលការប្រកួតប្រជែងវីដេអូខ្លី
ជំរុញទឹកចិត្តសិស្សឱ្យស្រាវជ្រាវ លើកកម្ពស់ការគិតស៊ីជម្រៅ ចំណេះដឹងឌីជីថល និងជំនាញធ្វើការជាក្រុម។ បំប្លែងការរៀនឱ្យទៅជាការអនុវត្តជាក់ស្តែង។ ត្រូវការការណែនាំពីអ្នកជំនាញផ្នែកផ្សេងៗ (ដូចជាសិល្បៈនិងការកាត់ត) និងប្រើប្រាស់ពេលវេលាសិក្សាច្រើនក្នុងការផលិត។ ក្រុមនិស្សិតឆ្នាំទី១ ដែលបានឈានទៅការប្រកួតវីដេអូថ្នាក់ជាតិកើនឡើងពី ១ ក្រុម ទៅ ៤ ក្រុម។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារឱ្យមានហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យាអប់រំ និងការបណ្តុះបណ្តាលសមត្ថភាពគ្រូបង្រៀនកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Zhejiang Gongshang ក្នុងទីក្រុង Hangzhou ប្រទេសចិន ដោយផ្តោតលើនិស្សិតឆ្នាំទី១ ផ្នែកភាសាអង់គ្លេស។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទនៃការអប់រំនៅប្រទេសចិនដែលមានហេដ្ឋារចនាសម្ព័ន្ធឌីជីថលរឹងមាំរួចជាស្រេច។ សម្រាប់ប្រទេសកម្ពុជា វាជារឿងសំខាន់ក្នុងការពិចារណាលើគម្លាតហេដ្ឋារចនាសម្ព័ន្ធអ៊ីនធឺណិតនៅតាមបណ្តាខេត្ត និងកម្រិតចំណេះដឹងឌីជីថលរបស់សិស្ស-គ្រូ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនៃការបង្រៀនភាសាអង់គ្លេសដោយផ្អែកលើទិន្នន័យនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅកម្ពុជា ដើម្បីពង្រឹងគុណភាពអប់រំ និងជំនាញទន់។

ការផ្លាស់ប្តូរតួនាទីរបស់គ្រូពី 'អ្នកបញ្ជូនចំណេះដឹង' ទៅជា 'អ្នកណែនាំ' រួមផ្សំជាមួយបច្ចេកវិទ្យា នឹងជួយបង្កើតធនធានមនុស្សនៅកម្ពុជាឱ្យមានសមត្ថភាពគិតស៊ីជម្រៅ និងឆ្លើយតបនឹងតម្រូវការសេដ្ឋកិច្ចឌីជីថល។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. រៀបចំហេដ្ឋារចនាសម្ព័ន្ធអប់រំអនឡាញ (Setup Online LMS): សាកលវិទ្យាល័យគួររៀបចំប្រព័ន្ធគ្រប់គ្រងការសិក្សាដោយប្រើ MoodleCanvas ដើម្បីផ្ទុកឯកសារមេរៀន វីដេអូ និងតម្រូវឱ្យនិស្សិតចូលអាននិងធ្វើតេស្តសាកល្បងមុនចូលថ្នាក់។
  2. អនុវត្តគំរូ SAMR ក្នុងការបង្រៀន: គ្រូបង្រៀនត្រូវផ្លាស់ប្តូរការប្រើបច្ចេកវិទ្យាពីកម្រិតជំនួសធម្មតា ទៅកម្រិតបង្កើតថ្មីតាមគំរូ SAMR Model ឧទាហរណ៍៖ ប្រើប្រាស់កម្មវិធី Edpuzzle ដើម្បីដាក់សំនួរចូលក្នុងវីដេអូស្តាប់ ធ្វើឱ្យមានអន្តរកម្ម។
  3. វិភាគទិន្នន័យសម្រាប់ការវាយតម្លៃជួយកែលម្អ (Formative Assessment): ទាញយកទិន្នន័យវិភាគ (Learning Analytics) ពីប្រព័ន្ធ LMS ដើម្បីស្វែងយល់ពីចំណុចខ្សោយរបស់សិស្សម្នាក់ៗលើប្រភេទសំនួរផ្សេងៗ រួចផ្តល់ការណែនាំជាឯកត្តជន (Personalized Feedback) មុនការប្រឡងធំ។
  4. ដាក់បញ្ចូលការប្រកួតប្រជែងជាគម្រោងជាក់ស្តែង: រៀបចំការប្រកួតប្រជែងបង្កើតវីដេអូខ្លីជាភាសាអង់គ្លេសដោយផ្អែកលើប្រធានបទទាក់ទងនឹងវប្បធម៌ ឬអាជីវកម្មខ្មែរ។ អនុញ្ញាតឱ្យសិស្សប្រើ CapCut និងឧបករណ៍ AI (e.g., ChatGPT, Grammarly) សម្រាប់រៀបចំអត្ថបទ និងចំណងជើងរង។
  5. បណ្តុះបណ្តាលគ្រូបង្រៀនជាប្រចាំលើជំនាញឌីជីថល: រៀបចំសិក្ខាសាលាផ្ទៃក្នុងស្តីពី Data Analytics និងការប្រើប្រាស់ Generative AI ដល់សាស្ត្រាចារ្យ ដើម្បីជួយពួកគេយល់ដឹងស៊ីជម្រៅពីរបៀបវិភាគទិន្នន័យសិក្សារបស់និស្សិតឱ្យមានប្រសិទ្ធភាព។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Digital Humanities គឺជាការរួមបញ្ចូលគ្នារវាងមុខវិជ្ជាមនុស្សសាស្ត្រ (ដូចជាអក្សរសាស្ត្រ ប្រវត្តិសាស្ត្រ និងភាសា) ជាមួយនឹងបច្ចេកវិទ្យាកុំព្យូទ័រ ដើម្បីស្រាវជ្រាវ វិភាគ និងទាញយកទិន្នន័យថ្មីៗតាមរយៈការប្រើប្រាស់ឧបករណ៍ឌីជីថល។ ដូចជាការយកម៉ាស៊ីនកុំព្យូទ័រមកជួយអាន និងវិភាគសៀវភៅរាប់ពាន់ក្បាលក្នុងពេលតែមួយ ដើម្បីរកអត្ថន័យលាក់កំបាំងដែលមនុស្សមិនអាចចំណាយពេលអានអស់។
SAMR Model ជាគំរូទ្រឹស្តីសម្រាប់វាយតម្លៃការប្រើប្រាស់បច្ចេកវិទ្យាក្នុងការអប់រំ ដែលបែងចែកជា៤កម្រិត (ជំនួស បន្ថែម កែប្រែ និងបង្កើតថ្មី) ដើម្បីជួយគ្រូបង្រៀនផ្លាស់ប្តូរពីការគ្រាន់តែយកបច្ចេកវិទ្យាមកជំនួសសៀវភៅ ទៅជាការបង្កើតវិធីសាស្ត្ររៀនថ្មីៗដែលមិនធ្លាប់មាន។ ដូចជាការវិវត្តពីការដើរ (ជំនួសដោយកង់) ទៅជិះម៉ូតូ (បន្ថែមល្បឿន) ទៅជិះឡាន (កែប្រែភាពងាយស្រួល) និងចុងក្រោយជិះយន្តហោះ (បង្កើតវិធីធ្វើដំណើរថ្មីស្រឡាង)។
Datafication ជាដំណើរការនៃការប្រមូល និងបំប្លែងសកម្មភាពសិក្សា ឬព័ត៌មានប្រចាំថ្ងៃរបស់សិស្ស (ដូចជាការឆ្លើយសំនួរ កំហុស ឬរយៈពេលមើលវីដេអូ) ទៅជាទិន្នន័យលេខស្ថិតិ ដើម្បីយកទៅវិភាគរកចំណុចខ្លាំងនិងខ្សោយ។ ដូចជាការបំពាក់នាឡិកាឆ្លាតវៃ (Smartwatch) លើកីឡាករ ដើម្បីយកទិន្នន័យចង្វាក់បេះដូងនិងល្បឿនរត់ មកវិភាគថាតើគាត់គួរហ្វឹកហាត់បន្ថែមត្រង់ណា។
Intellectualization នៅក្នុងបរិបទអប់រំនេះ គឺសំដៅលើការប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI) ដើម្បីបង្កើតជាប្រព័ន្ធ ឬជំនួយការដ៏ឆ្លាតវៃ ដែលអាចស្តាប់ វាយតម្លៃកម្រិតភាសា និងឆ្លើយតបទៅសិស្សវិញបានដូចមនុស្ស ដើម្បីជួយណែនាំការសិក្សាតាមតម្រូវការបុគ្គល។ ដូចជាការមានគ្រូបង្វឹកផ្ទាល់ខ្លួនម្នាក់ដែលជាកម្មវិធីកុំព្យូទ័រ ចាំជួយស្តាប់ កែតម្រូវ និងផ្តល់ដំបូន្មានដល់អ្នកគ្រប់ពេលវេលា។
Learning Analytics ជាមុខងារនៃការប្រមូលនិងវិភាគទិន្នន័យពីសកម្មភាពសិក្សារបស់សិស្សនៅលើប្រព័ន្ធអនឡាញ ដើម្បីជួយគ្រូឱ្យដឹងភ្លាមៗថា សិស្សណាត្រូវការជំនួយ សិស្សណាធ្វើខុសត្រង់ណាខ្លះ និងមានវឌ្ឍនភាពកម្រិតណា។ ដូចជាផ្ទាំងកុងទ័រ (Dashboard) នៅក្នុងឡាន ដែលប្រាប់អ្នកបើកបរឱ្យដឹងពីល្បឿន កម្រិតសាំង និងបញ្ហាម៉ាស៊ីន ដើម្បីអាចកែតម្រូវបានទាន់ពេលវេលា។
Formative assessment គឺជាការវាយតម្លៃសមត្ថភាពសិស្សជាបន្តបន្ទាប់ក្នុងកំឡុងពេលកំពុងសិក្សា (មិនមែនរង់ចាំដល់ប្រឡងចុងឆមាសទើបធ្វើតេស្តនោះទេ) ដើម្បីយកលទ្ធផលនោះមកកែតម្រូវវិធីបង្រៀន និងជួយបំពេញចំណុចខ្វះខាតរបស់សិស្សបានទាន់ពេល។ ដូចជាចុងភៅដែលឧស្សាហ៍ភ្លក់រសជាតិសម្លខណៈពេលកំពុងចម្អិន ដើម្បីថែមថយគ្រឿងឱ្យឆ្ងាញ់ មុននឹងដួសយកទៅឱ្យភ្ញៀវបរិភោគ។
Blended learning ជាវិធីសាស្ត្របង្រៀនចម្រុះ ដែលរួមបញ្ចូលគ្នារវាងការរៀននៅក្នុងថ្នាក់ផ្ទាល់ជាមួយគ្រូ ជាមួយនឹងការរៀនតាមប្រព័ន្ធអនឡាញដោយខ្លួនឯង ដោយផ្តល់ភាពបត់បែន និងពង្រីកការរៀនសូត្រឱ្យលើសពីជញ្ជាំងថ្នាក់រៀនធម្មតា។ ដូចជាការទៅហាត់ប្រាណនៅក្លឹបផ្ទាល់ផង និងមើលវីដេអូហាត់បន្ថែមនៅផ្ទះតាមទូរស័ព្ទផង ដើម្បីទទួលបានលទ្ធផលលឿនជាងការធ្វើតែមួយមុខ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖