បញ្ហា (The Problem)៖ ឯកសារនេះជាកម្រងអត្ថបទស្រាវជ្រាវដែលដោះស្រាយលើការវិភាគទិន្នន័យធំៗ (Large Data Sets) ដែលទទួលបានពីកម្មវិធីអប់រំ និងពិន្ទុតេស្តរបស់សិស្ស ដើម្បីឆ្លើយតបទៅនឹងសំណួរស្រាវជ្រាវអប់រំ សិក្សាពីរបៀបរៀនរបស់សិស្ស និងកែលម្អប្រព័ន្ធបង្រៀនឆ្លាតវៃ (Intelligent Tutoring Systems)។
វិធីសាស្ត្រ (The Methodology)៖ សន្និសីទនេះបានប្រមូលផ្តុំនូវវិធីសាស្ត្រគណនាចម្រុះពីវិទ្យាសាស្ត្រកុំព្យូទ័រ ចិត្តវិទ្យា ចិត្តមាត្រ និងស្ថិតិ ដើម្បីវិភាគទិន្នន័យអប់រំ ដោយផ្តោតលើវិធីសាស្ត្រសំខាន់ៗមួយចំនួន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Static Assessment ការវាយតម្លៃបែបប្រពៃណី ឬឋិតិវន្ត |
ងាយស្រួលក្នុងការអនុវត្ត និងមិនទាមទារប្រព័ន្ធបច្ចេកវិទ្យា ឬកម្មវិធីកុំព្យូទ័រស្មុគស្មាញឡើយ។ | មិនអាចវាស់ស្ទង់ពីដំណើរការនៃការរៀនសូត្ររបស់សិស្ស ឬផ្តល់ជំនួយភ្លាមៗនៅពេលសិស្សជួបការលំបាកបានទេ។ | ផ្តល់តែលទ្ធផលចុងក្រោយ (ខុស ឬ ត្រូវ) ដែលមិនសូវមានប្រសិទ្ធភាពក្នុងការទស្សន៍ទាយសមត្ថភាពពិតប្រាកដ ឬការកែលម្អការរៀនសូត្រ។ |
| Dynamic Assessment (via Intelligent Tutoring Systems) ការវាយតម្លៃសកម្ម តាមរយៈប្រព័ន្ធបង្រៀនឆ្លាតវៃ |
អាចវាយតម្លៃនិងបង្រៀនក្នុងពេលតែមួយ ព្រមទាំងអាចតាមដានបរិមាណនិងប្រភេទនៃជំនួយដែលសិស្សត្រូវការ។ | ត្រូវការចំណាយពេលវេលា និងធនធានច្រើនក្នុងការអភិវឌ្ឍប្រព័ន្ធ និងទាមទារឱ្យមានទិន្នន័យច្រើនដើម្បីដំណើរការក្បួនដោះស្រាយ។ | ផ្តល់ភាពសុក្រឹតខ្ពស់ក្នុងការទស្សន៍ទាយពិន្ទុតេស្តរបស់សិស្ស (R-squared ខ្ពស់ជាង) ដោយផ្អែកលើការឆ្លើយតបនិងការសុំជំនួយរបស់ពួកគេ។ |
| Bayesian Knowledge Tracing (BKT) ការតាមដានចំណេះដឹងតាមគោលការណ៍បេស |
អាចតាមដានការវិវត្តនៃចំណេះដឹងរបស់សិស្សតាមពេលវេលាជាក់ស្តែង និងប៉ាន់ស្មានប្រូបាប៊ីលីតេនៃការយល់ដឹង។ | អាចជួបប្រទះបញ្ហាក្នុងការប៉ាន់ស្មានប៉ារ៉ាម៉ែត្រ (Parameter plausibility) ប្រសិនបើមិនមានទិន្នន័យគ្រប់គ្រាន់។ | ផ្តល់សមត្ថភាពក្នុងការកំណត់យ៉ាងច្បាស់អំពីពេលវេលាដែលសិស្សទើបតែទទួលបានចំណេះដឹងថ្មី (Moment of learning)។ |
| Machine Learning Classifiers for Behavior Detection ការប្រើប្រាស់ Machine Learning ដើម្បីចាប់យកអាកប្បកិរិយា |
អាចរកឃើញដោយស្វ័យប្រវត្តិនូវការបាត់បង់ការយកចិត្តទុកដាក់ (Off-task) ឬការលេងស៊ីកេងប្រព័ន្ធ (Gaming the system)។ | ទាមទារនូវការកត់ត្រា និងបែងចែកចំណាត់ថ្នាក់ទិន្នន័យវីដេអូ ឬសកម្មភាពដោយមនុស្សផ្ទាល់ (Text Replay Tagging) ជាមុនសិន ដែលចំណាយពេលយូរ។ | មានអត្រាភាពត្រឹមត្រូវមធ្យមប្រមាណ 74% ក្នុងការចាប់យកស្ថានភាពអារម្មណ៍ និងការផ្តោតអារម្មណ៍របស់សិស្សក្នុងអំឡុងពេលសិក្សា។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវ និងការអនុវត្តប្រព័ន្ធនៅក្នុងឯកសារនេះទាមទារនូវប្រព័ន្ធកុំព្យូទ័រ ធនធានទិន្នន័យធំៗ និងអ្នកជំនាញអន្តរវិស័យដើម្បីដំណើរការប្រកបដោយប្រសិទ្ធភាព។
ការស្រាវជ្រាវភាគច្រើនបំផុតត្រូវបានអនុវត្តនៅក្នុងសហរដ្ឋអាមេរិក (ឧទាហរណ៍ រដ្ឋ Massachusetts និង Pennsylvania) ដោយប្រើប្រាស់ទិន្នន័យសិស្សកម្រិតមធ្យមសិក្សា និងសាកលវិទ្យាល័យ ដែលមានប្រព័ន្ធបច្ចេកវិទ្យាទំនើប។ នេះជាបញ្ហាប្រឈមមួយសម្រាប់កម្ពុជា ដោយសារបរិបទនៃការអប់រំ កម្រិតហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា និងទម្លាប់នៃការរៀនសូត្ររបស់សិស្សនៅកម្ពុជាមានភាពខុសគ្នាស្រឡះពីសិស្សនៅតំបន់ទាំងនោះ។
ទោះបីជាមានគម្លាតផ្នែកបរិបទ និងកម្រិតបច្ចេកវិទ្យាក៏ដោយ គោលគំនិតនៃការទាញយកទិន្នន័យអប់រំ (EDM) នេះនៅតែអាចយកមកកែច្នៃ និងអនុវត្តបានយ៉ាងមានសក្តានុពលសម្រាប់ប្រព័ន្ធអប់រំឌីជីថលនៅកម្ពុជា។
ការចាប់ផ្តើមប្រមូល និងវិភាគទិន្នន័យពីប្រព័ន្ធគ្រប់គ្រងការសិក្សាដោយប្រើប្រាស់បច្ចេកទេស EDM នឹងជួយស្ថាប័នអប់រំកម្ពុជាផ្លាស់ប្តូរពីការវាយតម្លៃដោយរង់ចាំលទ្ធផលចុងតំណាក់កាល ទៅជាការជួយជ្រោមជ្រែងសិស្សឲ្យបានទាន់ពេលវេលា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Bayesian Knowledge Tracing (BKT) | វាជាវិធីសាស្ត្រគណនាប្រូបាប៊ីលីតេដើម្បីតាមដានថាតើសិស្សម្នាក់បានយល់ដឹងពីជំនាញណាមួយកម្រិតណា ដោយផ្អែកលើប្រវត្តិដែលគាត់ឆ្លើយខុសឬត្រូវកន្លងមក ដែលជួយប្រព័ន្ធឱ្យដឹងថាពេលណាគួរឈប់ដាក់លំហាត់ប្រភេទដដែលៗ។ | ដូចជាគ្រូពេទ្យសង្កេតមើលអាការៈអ្នកជំងឺបន្តិចម្តងៗ តាមរយៈសញ្ញាផ្សេងៗ រហូតដល់ប្រាកដចិត្ត១០០%ថាអ្នកជំងឺពិតជាបានជាសះស្បើយមែន ទើបឈប់ឲ្យថ្នាំ។ |
| Intelligent Tutoring Systems (ITS) | វាជាប្រព័ន្ធកុំព្យូទ័រអប់រំដែលអាចសម្របខ្លួនទៅតាមសមត្ថភាពរបស់សិស្សម្នាក់ៗ ដោយផ្តល់នូវលំហាត់ ជំនួយ (hints) និងការណែនាំភ្លាមៗនៅពេលសិស្សជួបការលំបាក ជំនួសឱ្យការគ្រាន់តែផ្តល់ពិន្ទុខុសឬត្រូវនៅចុងបញ្ចប់។ | ដូចជាមានគ្រូបង្រៀនផ្ទាល់ខ្លួនម្នាក់អង្គុយក្បែរអ្នក តាមមើលរាល់សកម្មភាពធ្វើលំហាត់របស់អ្នក ហើយប្រាប់គន្លឹះភ្លាមៗនៅពេលអ្នកគិតលែងចេញ។ |
| Hidden Markov Models (HMM) | វាជាម៉ូដែលស្ថិតិដែលត្រូវបានប្រើដើម្បីទស្សន៍ទាយស្ថានភាពលាក់កំបាំង (ឧទាហរណ៍៖ ដំណើរការគិត ឬការយល់ដឹងរបស់សិស្ស) ដោយធ្វើការសង្កេតវិភាគទៅលើសកម្មភាពជាក់ស្តែងដែលបញ្ចេញមកក្រៅជារៀងរាល់ជំហាន (ឧទាហរណ៍៖ ការចុចកណ្តុរកុំព្យូទ័រ ឬរយៈពេលដែលសិស្សចំណាយ)។ | ដូចជាការទស្សន៍ទាយថាតើមិត្តភក្តិរបស់អ្នកកំពុងសប្បាយចិត្ត ឬខឹងបាក់ទឹកចិត្ត (ស្ថានភាពលាក់កំបាំង) ដោយគ្រាន់តែសង្កេតមើលរបៀបដែលគេដើរ ឬបិទទ្វារ (សកម្មភាពជាក់ស្តែងដែលអាចមើលឃើញ)។ |
| Expectation Maximization (EM) algorithm | វាជាក្បួនដោះស្រាយគណិតវិទ្យាដែលប្រើសម្រាប់ស្វែងរកតម្លៃប៉ារ៉ាម៉ែត្រល្អបំផុតនៅក្នុងម៉ូដែលស្ថិតិ នៅពេលដែលមានទិន្នន័យខ្លះបាត់បង់ ឬមិនអាចសង្កេតឃើញដោយផ្ទាល់ តាមរយៈការធ្វើបច្ចុប្បន្នភាពការប៉ាន់ស្មានសារចុះសារឡើងរហូតដល់មានភាពសុក្រឹត។ | ដូចជាការព្យាយាមផ្គុំរូបភាព (jigsaw puzzle) ដ៏ធំមួយដោយមិនមានរូបគំរូដើម ដែលអ្នកត្រូវសាកល្បងផ្គុំបណ្តើរ កែតម្រូវបណ្តើររហូតដល់ចេញជារូបរាងដែលសមហេតុផលបំផុត។ |
| Association Rule Mining | វាជាបច្ចេកទេសទាញយកទិន្នន័យដែលស្វែងរកទំនាក់ទំនងរវាងសកម្មភាពផ្សេងៗគ្នានៅក្នុងសំណុំទិន្នន័យធំៗ ដើម្បីរកឱ្យឃើញថាតើសកម្មភាពអ្វីខ្លះដែលសិស្សតែងតែធ្វើបន្តបន្ទាប់គ្នាជាប់លាប់។ | ដូចជាការសង្កេតឃើញរបស់អ្នកលក់ទំនិញនៅផ្សារទំនើបថា អតិថិជនណាដែលទិញនំប៉័ង តែងតែទិញទឹកដោះគោស្រស់មកជាមួយគ្នាជានិច្ច។ |
| Gaming the System | វាសំដៅលើអាកប្បកិរិយាដែលសិស្សព្យាយាមកេងបន្លំឬរកផ្លូវកាត់តាមរយៈប្រព័ន្ធអប់រំកុំព្យូទ័រ (ឧទាហរណ៍៖ ចុចយកជំនួយរហូតដល់ឃើញចម្លើយ ឬចុចទាយចម្លើយលឿនៗ) ដើម្បីបានទៅមុខលឿនដោយមិនបានខិតខំប្រើប្រាស់ការគិត។ | ដូចជាការលេងហ្គេមដែលអ្នកចុចប៊ូតុងចុះឡើងៗញាប់ៗដើម្បីឲ្យឆាប់ឆ្លងវគ្គ ដោយមិនបានខ្វល់ពីសាច់រឿងឬច្បាប់ក្បួនពិតប្រាកដរបស់ហ្គេមនោះឡើយ។ |
| Dynamic Assessment | វាជាការវាយតម្លៃសិស្សដោយមិនគ្រាន់តែមើលលើចម្លើយខុសឬត្រូវនៅពេលបញ្ចប់ការធ្វើតេស្តនោះទេ ប៉ុន្តែវាវាយតម្លៃទៅលើទំហំនៃជំនួយ (Hints) ដែលសិស្សត្រូវការ និងដំណើរការនៃការដោះស្រាយបញ្ហារបស់ពួកគេនៅក្នុងពេលកំពុងធ្វើតេស្តនោះតែម្តង។ | ជំនួសឲ្យការដាក់ពិន្ទុត្រឹមតែសន្លឹកកិច្ចការប្រឡង វាដូចជាគ្រូកំពុងដាក់ពិន្ទុវាយតម្លៃទៅលើការខិតខំប្រឹងប្រែង និងចំនួនដងដែលសិស្សសុំឱ្យគ្រូជួយប្រាប់តម្រុយនៅពេលកំពុងប្រឡង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
