បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយនូវកង្វល់ក្រមសីលធម៌អំពីថាតើម៉ូដែលទស្សន៍ទាយទិន្នន័យនៃការសិក្សា (Learning Analytics Models) គួររួមបញ្ចូល ឬដកចេញនូវលក្ខណៈរសើប/ត្រូវបានការពារ (ដូចជា យេនឌ័រ អាយុ ពិការភាព និងភាសា) ដើម្បីធានាបាននូវភាពយុត្តិធម៌ និងទប់ស្កាត់ការរើសអើងដែរឬទេ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានបង្កើតម៉ូដែលរៀនដោយម៉ាស៊ីន (Machine Learning Models) ដើម្បីទស្សន៍ទាយការបោះបង់ការសិក្សារបស់និស្សិត និងវាយតម្លៃពីផលប៉ះពាល់នៃការប្រើប្រាស់លក្ខណៈរសើបដោយផ្អែកលើការពិសោធន៍ជាក់ស្តែង និងបញ្ញាសិប្បនិម្មិតដែលអាចពន្យល់បាន (Explainable AI)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Aware Model ម៉ូដែលយល់ដឹងព័ត៌មានពេញលេញ (រួមបញ្ចូលលក្ខណៈរសើបទាំងអស់) |
អាចចាប់យកទំនាក់ទំនងពិតប្រាកដរវាងលក្ខណៈរសើប និងអត្រាបោះបង់ការសិក្សា ដែលជួយឱ្យស្ថាប័នយល់ពីវិសមភាពពិតប្រាកដដែលមានស្រាប់។ | អាចបង្កជាការព្រួយបារម្ភផ្នែកក្រមសីលធម៌ និងហានិភ័យនៃការរើសអើងដោយផ្ទាល់ ប្រសិនបើលទ្ធផលត្រូវបានយកទៅប្រើប្រាស់មិនបានត្រឹមត្រូវ។ | ផ្តល់ប្រសិទ្ធភាពទស្សន៍ទាយល្អប្រហាក់ប្រហែលនឹងម៉ូដែលដទៃ ប៉ុន្តែជួយរក្សាភាពយុត្តិធម៌បានល្អជាងក្នុងករណីខ្លះ (ឧទាហរណ៍៖ ការទស្សន៍ទាយដោយផ្អែកលើភាសាដើម)។ |
| Partially-blind Model ម៉ូដែលខ្វះព័ត៌មានខ្លះ (ដកចេញលក្ខណៈរសើបណាមួយ) |
កាត់បន្ថយការប្រើប្រាស់ព័ត៌មានរសើបដោយផ្ទាល់ចំពោះលក្ខណៈជាក់លាក់ណាមួយ (ឧទាហរណ៍៖ ព័ត៌មានពីពិការភាព ឬយេនឌ័រ)។ | ការដកចេញលក្ខណៈតែមួយមុខជួនកាលធ្វើឱ្យភាពលម្អៀងកាន់តែធ្ងន់ធ្ងរ ព្រោះលក្ខណៈនោះអាចមានទំនាក់ទំនងទៅនឹងលក្ខណៈផ្សេងទៀតដែលនៅសេសសល់។ | ភាពខុសគ្នានៃប្រសិទ្ធភាពមានកម្រិតតិចតួចបំផុត (Marginal effect) ប៉ុន្តែអាចបណ្តាលឱ្យមានភាពមិនយុត្តិធម៌កាន់តែខ្លាំងចំពោះក្រុមនិស្សិតប្រើភាសាដើមមិនមែនអង់គ្លេស។ |
| Blind Model ម៉ូដែលគ្មានព័ត៌មានលក្ខណៈរសើប (ដកចេញលក្ខណៈរសើបទាំងអស់) |
មើលទៅហាក់ដូចជាអនុលោមតាមគោលការណ៍យុត្តិធម៌តាមរយៈការមិនដឹង (Fairness through unawareness) ដែលជៀសវាងការរើសអើងដោយចំហរ។ | ការលាក់បាំងលក្ខណៈរសើបមិនបានលុបបំបាត់ភាពលម្អៀងទេ (ដោយសារបាតុភូត Redlining) ហើយថែមទាំងអាចបិទបាំងនូវវិសមភាពដែលគួរតែត្រូវបានដោះស្រាយ។ | មិនមានការធ្លាក់ចុះប្រសិទ្ធភាពទស្សន៍ទាយគួរឱ្យកត់សម្គាល់ទេ ប៉ុន្តែវាមិនអាចដោះស្រាយបញ្ហាអយុត្តិធម៌បានឡើយ ហើយជារឿយៗវាផ្តល់ផលអវិជ្ជមានត្រឡប់មកវិញ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតពីតម្លៃធនធាន ប៉ុន្តែការអនុវត្តវិធីសាស្ត្រនេះទាមទារទិន្នន័យប្រវត្តិសិក្សាសម្បូរបែប និងសមត្ថភាពកុំព្យូទ័រមធ្យមសម្រាប់ការហ្វឹកហាត់ម៉ូដែលរៀនដោយម៉ាស៊ីន។
ការសិក្សានេះត្រូវបានអនុវត្តលើសំណុំទិន្នន័យតូចមួយ (និស្សិត ៦៩៦នាក់) នៅសាកលវិទ្យាល័យរដ្ឋធំមួយក្នុងប្រទេសអូស្ត្រាលី ដែលមានបរិបទសង្គម-សេដ្ឋកិច្ចខុសស្រឡះពីកម្ពុជា។ ប្រសិនបើកម្ពុជាយកវិធីសាស្ត្រនេះមកអនុវត្ត លទ្ធផលទស្សន៍ទាយអាចនឹងមានភាពលម្អៀងខ្ពស់ ដោយសារកត្តាប្រជាសាស្ត្រកម្ពុជាមានភាពខុសប្លែកគ្នា (ឧទាហរណ៍៖ គម្លាតរវាងសិស្សទីក្រុងនិងជនបទ ជីវភាពគ្រួសារ ជាដើម) ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកផ្ទាល់ដើម្បីវាយតម្លៃ។
ទោះបីជាទិន្នន័យមានភាពខុសគ្នាក៏ពិតមែន ប៉ុន្តែវិធីសាស្ត្រនៃការប្រើប្រាស់ AI ដែលអាចពន្យល់បាន (Explainable AI) និងការវាយតម្លៃភាពយុត្តិធម៌ គឺពិតជាមានសារៈសំខាន់ និងអាចយកមកអនុវត្តបាននៅក្នុងប្រព័ន្ធអប់រំកម្ពុជា។
សរុបមក ការប្រើប្រាស់បច្ចេកវិទ្យាវិភាគការសិក្សាដោយមានការគិតគូរពីតម្លាភាព និងភាពយុត្តិធម៌ នឹងជួយស្ថាប័នអប់រំកម្ពុជាឱ្យធ្វើការសម្រេចចិត្តគាំទ្រសិស្សបានកាន់តែមានប្រសិទ្ធភាព និងប្រកបដោយបរិយាបន្ន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Learning Analytics (LA) | គឺជាការវាស់វែង ប្រមូល វិភាគ និងរាយការណ៍ទិន្នន័យអំពីអ្នកសិក្សា និងបរិបទរបស់ពួកគេ ដើម្បីយល់ដឹង និងធ្វើឱ្យបរិយាកាសនៃការសិក្សាកាន់តែប្រសើរឡើង។ វានាំយកទិន្នន័យដូចជា ការចូលរៀន ពិន្ទុ និងសកម្មភាពអនឡាញ មកទស្សន៍ទាយពីហានិភ័យនៃការបោះបង់ការសិក្សារបស់និស្សិត។ | ដូចជាគ្រូពេទ្យពិនិត្យមើលរោគសញ្ញាអ្នកជំងឺដើម្បីរកវិធីព្យាបាលទាន់ពេលវេលា ប៉ុន្តែទីនេះគឺការប្រើប្រាស់ទិន្នន័យសិស្សដើម្បីជួយសិស្សរៀនខ្សោយឱ្យទាន់ពេល។ |
| Sensitive Attributes | ជាលក្ខណៈបុគ្គល ឬព័ត៌មានផ្ទាល់ខ្លួនដែលងាយរងគ្រោះ ឬត្រូវបានការពារដោយច្បាប់ ដូចជា យេនឌ័រ អាយុ ពិការភាព ជាតិសាសន៍ និងភាសាដើម ដែលមិនគួរត្រូវបានប្រើប្រាស់ជាមូលដ្ឋានសម្រាប់ការរើសអើងក្នុងការសម្រេចចិត្តរបស់ប្រព័ន្ធកុំព្យូទ័រឡើយ។ | ដូចជាពណ៌សម្បុរ ឬស្រុកកំណើតរបស់អ្នក ដែលមិនគួរត្រូវបានគេយកមកធ្វើជាលេសដើម្បីមិនឱ្យអ្នកចូលធ្វើការនោះទេ។ |
| eXplainable AI (XAI) | ជាបច្ចេកទេសក្នុងបញ្ញាសិប្បនិម្មិតដែលជួយបកស្រាយ និងប្រាប់ពីមូលហេតុច្បាស់លាស់នៅពីក្រោយការសម្រេចចិត្ត ឬការទស្សន៍ទាយរបស់ម៉ូដែលកុំព្យូទ័រ (Black-box) ឱ្យមនុស្សអាចយល់ និងជឿទុកចិត្តបាន ជាជាងគ្រាន់តែបញ្ចេញលទ្ធផលដោយមិនដឹងប្រភព។ | ដូចជាសិស្សម្នាក់ដែលមិនត្រឹមតែប្រាប់ចម្លើយលំហាត់គណិតវិទ្យាត្រឹមត្រូវប៉ុណ្ណោះទេ តែថែមទាំងអាចសរសេរពន្យល់ពីរបៀបគណនាគ្រប់ជំហានផងដែរ។ |
| SHAP (SHapely Additive exPlanations) | គឺជាវិធីសាស្ត្រគណិតវិទ្យាក្នុង XAI ដែលវាស់ស្ទង់និងបង្ហាញពីកម្រិតនៃការចូលរួមចំណែក (ឥទ្ធិពល) របស់លក្ខណៈទិន្នន័យនីមួយៗ (Features) ទៅលើលទ្ធផលចុងក្រោយដែលម៉ូដែលបានទាយ។ វាជួយពន្យល់ថាតើកត្តាណាមួយទាញឱ្យសិស្សធ្លាក់ ឬជាប់។ | ដូចជាការបែងចែកថាតើកីឡាករម្នាក់ៗក្នុងក្រុមបាល់ទាត់មួយ បញ្ចេញសកម្មភាពបានប៉ុន្មានភាគរយ ទើបធ្វើឱ្យក្រុមទទួលបានជ័យជម្នះ។ |
| Fairness through unawareness | ជាវិធីសាស្ត្រមួយក្នុងការប៉ុនប៉ងបង្កើតភាពយុត្តិធម៌សម្រាប់ម៉ូដែលបញ្ញាសិប្បនិម្មិត ដោយគ្រាន់តែលុបចោល ឬព្រងើយកន្តើយមិនបញ្ចូលទិន្នន័យរសើប (ដូចជាយេនឌ័រ ឬសាសនា) ទៅក្នុងក្បួនហ្វឹកហាត់ ដោយសង្ឃឹមថាម៉ូដែលនឹងមិនរើសអើង។ | ដូចជាការពាក់ម៉ាស់បិទភ្នែកដើម្បីកុំឱ្យមើលឃើញមុខអ្នកដាក់ពាក្យសុំការងារ ដោយគិតថាវានឹងធ្វើឱ្យការវាយតម្លៃមានភាពយុត្តិធម៌។ |
| redlining | ក្នុងបរិបទក្បួនរៀនដោយម៉ាស៊ីន (Machine Learning) គឺសំដៅលើបាតុភូតដែលលក្ខណៈមិនរសើប (Non-sensitive attributes) ក្លាយជាភ្នាក់ងារតំណាង (Proxies) ឱ្យលក្ខណៈរសើប។ ទោះបីជាលុបទិន្នន័យរសើបចោលក៏ដោយ ក៏ម៉ូដែលនៅតែអាចទាញសេចក្តីសន្និដ្ឋានពីភាពលម្អៀងតាមរយៈទិន្នន័យដែលនៅសេសសល់បានដែរ។ | ដូចជាការសន្និដ្ឋានថាអ្នកណាម្នាក់មានជីវភាពខ្សត់ខ្សោយដោយគ្រាន់តែមើលទៅលើលេខកូដតំបន់ដែលពួកគេរស់នៅ ទោះបីជាមិនបានសួរពីប្រាក់ខែពួកគេក៏ដោយ។ |
| Gradient Boosted Machines (GBMs) | ជាក្បួនរៀនដោយម៉ាស៊ីនដ៏មានអានុភាពដែលកសាងម៉ូដែលទស្សន៍ទាយតូចៗ (ជាធម្មតាគឺដើមឈើសម្រេចចិត្ត) ជាបន្តបន្ទាប់ ដោយម៉ូដែលក្រោយៗព្យាយាមកែតម្រូវកំហុសរបស់ម៉ូដែលមុនៗ ដើម្បីទទួលបានលទ្ធផលរួមដ៏សុក្រឹតបំផុតក្នុងការទាយថាសិស្សនឹងបោះបង់ការសិក្សាឬទេ។ | ដូចជាក្រុមសិស្សធ្វើកិច្ចការស្រាវជ្រាវរួមគ្នា ដោយអ្នកទី២ កែកំហុសអ្នកទី១ អ្នកទី៣ កែកំហុសអ្នកទី២ រហូតទទួលបានរបាយការណ៍មួយដ៏ល្អឥតខ្ចោះ។ |
| Pygmalion effect | ជាបាតុភូតផ្លូវចិត្តដែលកើតឡើងនៅពេលការរំពឹងទុករបស់អ្នកដទៃ (ឧទាហរណ៍៖ គ្រូបង្រៀន) ទៅលើបុគ្គលម្នាក់ ជះឥទ្ធិពលផ្ទាល់ដល់ការអនុវត្តជាក់ស្តែងរបស់បុគ្គលនោះ។ ប្រសិនបើប្រព័ន្ធ AI ទាយខុសថាសិស្សស្រីនឹងធ្លាក់ គ្រូអាចនឹងទម្លាក់ការរំពឹងទុកលើពួកគេ ដែលធ្វើឱ្យពួកគេប្រឡងធ្លាក់មែន។ | ដូចជាពេលដែលឪពុកម្តាយជឿជាក់ថាកូនរបស់ខ្លួនពូកែ ហើយផ្តល់ការគាំទ្រពេញទំហឹង កូននោះនឹងខិតខំប្រឹងប្រែងរៀនសូត្ររហូតក្លាយជាសិស្សពូកែមែន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
