បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាដែលប្រព័ន្ធបង្រៀនឆ្លាតវៃ (Intelligent Tutoring Systems) បច្ចុប្បន្នខ្វះសមត្ថភាពក្នុងការទទួលដឹង និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់អ្នកសិក្សា (ដូចជាការធុញទ្រាន់ ឬការភាន់ច្រឡំ) ដែលជាកត្តាសំខាន់សម្រាប់ការរៀនសូត្រប្រកបដោយប្រសិទ្ធភាព។
វិធីសាស្ត្រ (The Methodology)៖ ក្រុមអ្នកស្រាវជ្រាវបានអភិវឌ្ឍប្រព័ន្ធ AutoTutor ឱ្យចេះដឹងពីអារម្មណ៍ (Affect-sensitive) ដោយប្រើឧបករណ៍ចាប់សញ្ញាដែលមិនរំខានដល់អ្នកសិក្សា ដើម្បីប្រមូលនិងវិភាគទិន្នន័យពីប្រភពសំខាន់ៗចំនួនបី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Standard Classifiers (Decision Trees, Bayesian, Neural Networks) វិធីសាស្ត្រចាត់ថ្នាក់ស្តង់ដារ (ប្រើក្បួនដោះស្រាយទូទៅ) |
ជាវិធីសាស្ត្រដែលមានការប្រើប្រាស់ទូលំទូលាយ និងមានមូលដ្ឋានច្បាស់លាស់សម្រាប់ការប្រៀបធៀប។ | អាចមានការលំបាកក្នុងការដោះស្រាយទិន្នន័យដែលមានសំឡេងរំខាន (Noisy Data) ឬទិន្នន័យដែលមិនមានលក្ខណៈលីនេអ៊ែរពីឧបករណ៍ចាប់សញ្ញា។ | ប្រើជាមូលដ្ឋាន (Baseline) ដើម្បីប្រៀបធៀបជាមួយវិធីសាស្ត្រ KIII ប៉ុន្តែមិនទាន់មានលទ្ធផលជាក់លាក់ក្នុងដំណាក់កាលនេះ។ |
| Biologically Motivated Classifiers (KIII Network) ការចាត់ថ្នាក់តាមបែបជីវសាស្ត្រ (បណ្តាញសរសៃប្រសាទ KIII) |
មានសមត្ថភាពខ្ពស់ក្នុងការរៀនពីគំរូទិន្នន័យតិចតួច និងមានប្រសិទ្ធភាពក្នុងបរិស្ថានដែលមានទិន្នន័យរំខាន (Noisy environments)។ | មានភាពស្មុគស្មាញក្នុងការគណនា និងតម្រូវឱ្យមានការយល់ដឹងស៊ីជម្រៅអំពីគំរូឌីណាមិកនៃប្រព័ន្ធសរសៃប្រសាទ។ | រំពឹងថានឹងផ្តល់លទ្ធផលល្អប្រសើរជាងវិធីសាស្ត្រស្តង់ដារក្នុងការកំណត់អត្តសញ្ញាណអារម្មណ៍។ |
| Association Rule Mining ការជីកយកទិន្នន័យតាមច្បាប់នៃទំនាក់ទំនង |
អាចរកឃើញទំនាក់ទំនងរវាងចលនាផ្ទៃមុខជាក់លាក់ (Action Units) និងអារម្មណ៍របស់អ្នកសិក្សា។ | គ្រាន់តែបង្ហាញពីទំនាក់ទំនង (Correlation) ប៉ុន្តែមិនមែនជាប្រព័ន្ធចាត់ថ្នាក់ (Classifier) ពេញលេញសម្រាប់ពេលជាក់ស្តែងនោះទេ។ | រកឃើញថាការលើកចិញ្ចើម (Brow raise) ទាក់ទងនឹងការតានតឹងចិត្ត (Frustration) និងការបិទភ្នែកទាក់ទងនឹងការធុញទ្រាន់ (Boredom)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគម្រោងនេះទាមទារធនធានបច្ចេកទេសកម្រិតខ្ពស់ និងឧបករណ៍ចាប់សញ្ញាដែលមានតម្លៃថ្លៃ។
ការសិក្សានេះធ្វើឡើងនៅសាកលវិទ្យាល័យ Memphis (សហរដ្ឋអាមេរិក) ជាមួយនិស្សិតចំនួន ៣០ នាក់ ដែលភាគច្រើនជានិស្សិតលោកខាងលិច។ នេះជាចំណុចសំខាន់សម្រាប់កម្ពុជា ព្រោះការបង្ហាញអារម្មណ៍តាមរយៈទឹកមុខ (Facial Expressions) របស់និស្សិតខ្មែរអាចខុសគ្នាពីនិស្សិតអាមេរិក (ឧទាហរណ៍៖ ការញញឹមនៅពេលខ្មាសអៀន ឬមិនយល់)។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់សម្រាប់វិស័យអប់រំនៅកម្ពុជា ប៉ុន្តែត្រូវការការកែសម្រួលឱ្យសមស្របនឹងបរិបទវប្បធម៌ និងកាត់បន្ថយថ្លៃដើមឧបករណ៍។
ទោះបីជាឧបករណ៍ Hardware ថ្លៃក៏ដោយ ក៏ទ្រឹស្តីនៃការផ្សារភ្ជាប់ 'អារម្មណ៍' ទៅនឹង 'ការរៀនសូត្រ' គឺអាចយកមកអនុវត្តបានភ្លាមៗក្នុងការរចនាកម្មវិធីសិក្សានៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Intelligent Tutoring System (ITS) | គឺជាប្រព័ន្ធកុំព្យូទ័រដែលប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI) ដើម្បីផ្តល់ការបង្រៀន ការណែនាំ និងការផ្តល់មតិត្រឡប់ (Feedback) ដល់សិស្សម្នាក់ៗតាមតម្រូវការជាក់ស្តែង ដោយមិនចាំបាច់មានគ្រូមនុស្សផ្ទាល់។ | ប្រៀបដូចជាគ្រូឯកជនឌីជីថលម្នាក់ ដែលនៅក្បែរអ្នក ២៤ ម៉ោង ដើម្បីជួយពន្យល់ និងកែតម្រូវពេលអ្នកធ្វើលំហាត់ខុស។ |
| Affective Computing | គឺជាការសិក្សា និងអភិវឌ្ឍប្រព័ន្ធកុំព្យូទ័រដែលអាចទទួលដឹង បកស្រាយ និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់មនុស្ស (ដូចជា ភាពធុញទ្រាន់ ការចាប់អារម្មណ៍ ឬការភាន់ច្រឡំ)។ | គឺការធ្វើឱ្យកុំព្យូទ័រមាន «បេះដូង» ឬចេះយល់ចិត្តអ្នកប្រើប្រាស់ មិនមែនចេះតែគិតលេខតែមួយមុខនោះទេ។ |
| Cognitive Disequilibrium | គឺជាស្ថានភាពផ្លូវចិត្តដែលមានភាពច្របូកច្របល់ ឬមិនអស់ចិត្ត នៅពេលដែលបុគ្គលម្នាក់ជួបប្រទះព័ត៌មានថ្មីដែលផ្ទុយពីចំណេះដឹងចាស់របស់ខ្លួន។ នៅក្នុងការសិក្សា ស្ថានភាពនេះត្រូវបានគេជឿថាជំរុញឱ្យមានការរៀនសូត្រស៊ីជម្រៅ (Deep Learning) ដើម្បីដោះស្រាយចម្ងល់នោះ។ | ដូចជាពេលអ្នកឃើញរឿងអ្វីមួយដែលមិនសមហេតុផល ហើយអ្នកមានអារម្មណ៍ថា «អៀវ! ម៉េចចឹង?» ដែលអារម្មណ៍នេះជំរុញឱ្យអ្នកចង់រកចម្លើយឱ្យឃើញ។ |
| Facial Action Coding System (FACS) | គឺជាប្រព័ន្ធស្តង់ដារសម្រាប់វាស់វែង និងកត់ត្រារាល់ចលនាសាច់ដុំតូចៗនៅលើមុខ ដើម្បីបកប្រែចលនាទាំងនោះទៅជាអារម្មណ៍ជាក់លាក់ណាមួយតាមបែបវិទ្យាសាស្ត្រ។ | ដូចជាការអាន «ផែនទី» នៃសាច់ដុំមុខ ដើម្បីដឹងថាគេកំពុងញញឹមពិត ឬញញឹមបន្លំ ដោយមើលទៅលើការកន្ត្រាក់នៃសាច់ដុំភ្នែកនិងមាត់។ |
| KIII Network | គឺជាគំរូនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Artificial Neural Network) ដែលត្រូវបានរចនាឡើងដោយយកគំរូតាមប្រព័ន្ធដឹងក្លិន (Olfactory system) របស់សត្វ ដើម្បីបែងចែកទិន្នន័យដែលមានភាពស្មុគស្មាញ និងមានសម្លេងរំខាន (Noisy data)។ | ដូចជាច្រមុះរបស់សត្វឆ្កែដែលពូកែហិតក្លិនបែងចែករបស់ផ្សេងៗ ទោះបីជានៅក្នុងទីកន្លែងដែលមានក្លិនច្រើនលាយឡំគ្នាក៏ដោយ។ |
| Association Rule Mining | គឺជាបច្ចេកទេសក្នុងការវិភាគទិន្នន័យ ដើម្បីស្វែងរកទំនាក់ទំនងរវាងហេតុការណ៍ពីរ ឬច្រើនដែលតែងតែកើតឡើងជាមួយគ្នា (ឧទាហរណ៍៖ ប្រសិនបើ A កើតឡើង នោះ B ទំនងជានឹងកើតឡើងដែរ)។ | ដូចជាការសង្កេតឃើញថា «រាល់ពេលមេឃខ្មៅ ភ្លៀងនឹងធ្លាក់» នេះគឺជាការរកឃើញច្បាប់នៃទំនាក់ទំនងរវាងមេឃ និងភ្លៀង។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
