បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការបោះបង់ការសិក្សារបស់និស្សិត និងសាកល្បងរកមូលហេតុនៃការធ្លាក់ចុះលទ្ធផលសិក្សា ដោយផ្តោតលើការស្រាវជ្រាវទំនាក់ទំនងរវាងវត្តមានចូលរៀន និងលទ្ធផលពិន្ទុនិទ្ទេសរបស់និស្សិតបរិញ្ញាបត្រឆ្នាំទី១។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់វិធីសាស្ត្រវិភាគបរិមាណដើម្បីស្វែងរកទំហំនៃទំនាក់ទំនងរវាងអថេរពីរគឺ វត្តមានចូលរៀន និងលទ្ធផលពិន្ទុនិទ្ទេសរបស់និស្សិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Spearman's Rank Correlation (Introduction to Criminology Module) ការវិភាគសហសម្ព័ន្ធចំណាត់ថ្នាក់ Spearman (សម្រាប់មុខវិជ្ជាសេចក្តីផ្តើមនៃឧក្រិដ្ឋកម្មវិទ្យា) |
បង្ហាញពីទំនាក់ទំនងកាន់តែច្បាស់លាស់រវាងវត្តមាន និងពិន្ទុនិទ្ទេស សម្រាប់មុខវិជ្ជាដែលពឹងផ្អែកខ្លាំងលើទ្រឹស្តី។ | ទំនាក់ទំនងនេះបញ្ជាក់ត្រឹមតែនិន្នាការទូទៅប៉ុណ្ណោះ មិនអាចទាញសេចក្តីសន្និដ្ឋានថាវត្តមានជាកត្តាតែមួយគត់ដែលកំណត់លទ្ធផលសិក្សានោះទេ។ | មានទំនាក់ទំនងអវិជ្ជមានកម្រិតមធ្យម (Spearman's rho = -0.423, Sig = 0.000) ដែលមានន័យថាវត្តមានកាន់តែច្រើន ចំណាត់ថ្នាក់ពិន្ទុកាន់តែល្អ។ |
| Spearman's Rank Correlation (Introduction to Criminal Justice Module) ការវិភាគសហសម្ព័ន្ធចំណាត់ថ្នាក់ Spearman (សម្រាប់មុខវិជ្ជាសេចក្តីផ្តើមនៃយុត្តិធម៌ព្រហ្មទណ្ឌ) |
ជួយកំណត់អត្តសញ្ញាណកម្រិតឥទ្ធិពលនៃវត្តមានទៅលើមុខវិជ្ជាដែលមានលក្ខណៈតម្រង់ទិសគោលនយោបាយ។ | ទំហំនៃទំនាក់ទំនងមានកម្រិតទាប ដែលបង្ហាញថាកត្តាផ្សេងៗ (ដូចជាអាយុ ភេទ បញ្ហាផ្ទាល់ខ្លួន) អាចមានឥទ្ធិពលខ្លាំងជាងការចូលរៀនផ្ទាល់។ | មានទំនាក់ទំនងអវិជ្ជមានកម្រិតខ្សោយ (Spearman's rho = -0.189, Sig = 0.045) រវាងវត្តមាននិងពិន្ទុ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះមិនតម្រូវឱ្យមានធនធានស្មុគស្មាញច្រើនក្នុងការអនុវត្តនោះទេ ដោយសារវាប្រើប្រាស់ទិន្នន័យដែលមានស្រាប់នៅក្នុងប្រព័ន្ធរបស់សាកលវិទ្យាល័យ និងកម្មវិធីវិភាគស្ថិតិធម្មតា។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Central Lancashire ក្នុងចក្រភពអង់គ្លេស ដោយផ្តោតលើនិស្សិតឆ្នាំទី១ផ្នែកឧក្រិដ្ឋកម្មវិទ្យាចំនួនត្រឹមតែ ១១៣ នាក់ប៉ុណ្ណោះ។ ទិន្នន័យនេះមិនបានរាប់បញ្ចូលកត្តាអាយុ ភេទ ឬស្ថានភាពសេដ្ឋកិច្ចរបស់និស្សិតឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ការយល់ដឹងពីគម្លាតនេះគឺមានសារៈសំខាន់ ពីព្រោះនិស្សិតកម្ពុជាអាចមានបញ្ហាប្រឈមផ្សេងៗដូចជា កង្វះខាតហិរញ្ញវត្ថុ ការធ្វើការក្រៅម៉ោង និងការសម្របខ្លួនពីវិទ្យាល័យមកថ្នាក់សាកលវិទ្យាល័យដែលអាចប៉ះពាល់ដល់ការសិក្សា។
វិធីសាស្ត្រប្រើប្រាស់ទិន្នន័យវត្តមានជាសញ្ញាព្រមានដំបូងក្នុងការជួយអន្តរាគមន៍និស្សិត គឺមានភាពពាក់ព័ន្ធ និងអាចយកមកអនុវត្តបានយ៉ាងល្អសម្រាប់គ្រឹះស្ថានឧត្តមសិក្សានៅកម្ពុជា។
សរុបមក ការតាមដានវត្តមានមិនមែនធ្វើឡើងត្រឹមតែដើម្បីដាក់ពិន័យ ឬកាត់ពិន្ទុនោះទេ ប៉ុន្តែវាជាសញ្ញាព្រមានដំបូងដ៏សំខាន់ ដើម្បីជួយសង្គ្រោះនិស្សិតពីការបរាជ័យ និងលើកកម្ពស់អត្រានៃការរៀនចប់ជាស្ថាពរ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Student retention (ការរក្សានិស្សិតឱ្យបន្តការសិក្សា) | សំដៅលើសមត្ថភាពរបស់គ្រឹះស្ថានអប់រំក្នុងការរក្សានិស្សិតឱ្យបន្តការសិក្សារហូតដល់បញ្ចប់កម្មវិធីសិក្សាដោយជោគជ័យ ដោយការពារមិនឱ្យពួកគេបោះបង់ការសិក្សាពាក់កណ្តាលទី។ | ដូចជាការថែរក្សាអតិថិជនឱ្យបន្តប្រើប្រាស់សេវាកម្មរបស់យើងរហូតដល់ចប់កិច្ចសន្យា ដោយមិនរត់ចោលកណ្តាលទី។ |
| Summative assessed coursework (ការវាយតម្លៃលទ្ធផលសិក្សាសរុប) | ជាការវាយតម្លៃ ឬការប្រឡងនៅចុងបញ្ចប់នៃវគ្គសិក្សា ឬឆមាស ដើម្បីវាស់ស្ទង់ចំណេះដឹងសរុបដែលនិស្សិតទទួលបានធៀបនឹងស្តង់ដារដែលបានកំណត់។ | ដូចជាការប្រកួតផ្តាច់ព្រ័ត្រនៅចុងរដូវកាល ដើម្បីកំណត់ថាតើកីឡាករមានសមត្ថភាពកម្រិតណាក្នុងការយកពានរង្វាន់។ |
| Formative assessment (ការវាយតម្លៃលម្អកែលម្អ) | ជាការវាយតម្លៃជាបន្តបន្ទាប់ក្នុងកំឡុងពេលកំពុងសិក្សា ដើម្បីផ្តល់ព័ត៌មានត្រឡប់ (Feedback) ជួយសិស្សឱ្យកែលម្អចំណុចខ្វះខាតរបស់ពួកគេ មិនមែនសម្រាប់តែយកពិន្ទុធំផ្តាច់ព្រ័ត្រនោះទេ។ | ដូចជាចុងភៅភ្លក់សម្លរពេលកំពុងចម្អិន ដើម្បីថែមថយគ្រឿងឱ្យឆ្ងាញ់ មុននឹងដួសយកទៅឱ្យភ្ញៀវញ៉ាំ។ |
| Null hypothesis (សម្មតិកម្មសូន្យ) | ក្នុងការស្រាវជ្រាវ វាជាការសន្មតជាបឋមថាគ្មានទំនាក់ទំនង ឬគ្មានឥទ្ធិពលអ្វីកើតឡើងរវាងអថេរដែលកំពុងសិក្សានោះទេ (ឧទាហរណ៍៖ វត្តមានគ្មានឥទ្ធិពលលើពិន្ទុ)។ អ្នកស្រាវជ្រាវតែងធ្វើតេស្តដើម្បីទាត់ចោលសម្មតិកម្មនេះ។ | ដូចជាការសន្មតតាមច្បាប់ថា ជនជាប់ចោទគឺគ្មានទោស រហូតទាល់តែមានភស្តុតាងរឹងមាំបញ្ជាក់ថាមានកំហុស។ |
| Spearman’s Rank Correlation (សហសម្ព័ន្ធចំណាត់ថ្នាក់ Spearman) | ជាវិធីសាស្ត្រស្ថិតិមួយប្រើសម្រាប់វាស់កម្រិត និងទិសដៅនៃទំនាក់ទំនងរវាងអថេរពីរដែលមានទិន្នន័យជាប្រភេទលំដាប់ថ្នាក់ (Ordinal data) ដោយមិនគិតពីរង្វាស់ចន្លោះពិតប្រាកដ ឬគម្លាតនៃពិន្ទុឡើយ។ | ដូចជាការប្រៀបធៀបចំណាត់ថ្នាក់សិស្សពូកែក្នុងថ្នាក់ និងចំណាត់ថ្នាក់កម្ពស់របស់ពួកគេ ដើម្បីមើលថាអ្នកខ្ពស់ជាងគេជាអ្នករៀនពូកែជាងគេឬអត់ ដោយមិនបាច់ខ្វល់ថាកម្ពស់ពួកគេខុសគ្នាប៉ុន្មានសង់ទីម៉ែត្រ។ |
| Ordinal level data (ទិន្នន័យកម្រិតលំដាប់) | ជាប្រភេទប្រព័ន្ធទិន្នន័យដែលអាចរៀបចំតាមលំដាប់លំដោយបាន (ឧទាហរណ៍៖ ល្អណាស់ ល្អ មធ្យម) ប៉ុន្តែយើងមិនអាចវាស់ចម្ងាយខុសគ្នារវាងកម្រិតនីមួយៗតាមគណិតវិទ្យាឱ្យបានច្បាស់លាស់ឡើយ។ | ដូចជាការប្រណាំងរត់ ដែលយើងដឹងថាអ្នកលេខ១ លេខ២ និងលេខ៣ មកដល់មុនក្រោយគ្នាតាមលំដាប់ តែយើងមិនដឹងថាអ្នកលេខ១ លឿនជាងអ្នកលេខ២ប៉ុន្មានវិនាទីនោះទេ បើផ្អែកលើត្រឹមតែចំណាត់ថ្នាក់។ |
| Causation (ភាពជាហេតុនិងផល) | គឺជាដំណើរការដែលព្រឹត្តិការណ៍មួយ (ហេតុ) បណ្តាលឱ្យមានព្រឹត្តិការណ៍មួយទៀត (ផល) កើតឡើងដោយផ្ទាល់និងច្បាស់លាស់។ ការស្រាវជ្រាវនេះបញ្ជាក់ថា វត្តមានគ្រាន់តែមានទំនាក់ទំនងជាមួយពិន្ទុ តែមិនមែនជាមូលហេតុតែមួយគត់ដែលកំណត់ពិន្ទុនោះទេ។ | ដូចជាការបង្វិលកុងតាក់កង្ហារ (ហេតុ) ធ្វើឱ្យស្លាបកង្ហារវិល (ផល)។ |
| Constructivist view (ទស្សនៈស្ថាបនាវិទ្យា) | ជាទ្រឹស្តីអប់រំដែលជឿថា ចំណេះដឹងមិនអាចគ្រាន់តែផ្ទេរដោយផ្ទាល់ពីខួរក្បាលគ្រូទៅខួរក្បាលសិស្សនោះទេ ប៉ុន្តែសិស្សត្រូវកសាងចំណេះដឹងដោយខ្លួនឯងតាមរយៈការផ្សារភ្ជាប់ព័ត៌មានថ្មីទៅនឹងបទពិសោធន៍ ការគិត និងការអនុវត្តជាក់ស្តែង។ | ដូចជាការរៀនជិះកង់ ដែលអ្នកមិនអាចចេះជិះដោយគ្រាន់តែស្តាប់ការពន្យល់ពីអ្នកដទៃនោះទេ លុះត្រាតែអ្នកឡើងជិះ និងសាកល្បងដោយខ្លួនឯងដើម្បីស្វែងយល់ពីការរក្សាលំនឹង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
