បញ្ហា (The Problem)៖ ការរៀនសូត្រតែងតែផ្សារភ្ជាប់ជាមួយនឹងស្ថានភាពផ្លូវចិត្តជាច្រើន (ដូចជាភាពជោគជ័យ បរាជ័យ និងការខកចិត្ត) ប៉ុន្តែប្រព័ន្ធបង្រៀនតាមកុំព្យូទ័របែបប្រពៃណីភាគច្រើនផ្តោតតែលើការយល់ដឹង (Cognition) ដោយមើលរំលងផ្នែកអារម្មណ៍ដែលជះឥទ្ធិពលដល់ការរៀនសូត្រកម្រិតជ្រៅ។
វិធីសាស្ត្រ (The Methodology)៖ ឯកសារនេះបានចងក្រងនូវអត្ថបទស្រាវជ្រាវ ទ្រឹស្តីគំរូ និងវឌ្ឍនភាពបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) ដើម្បីចាប់សញ្ញា និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់អ្នកសិក្សា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Hardware-based Affect Sensing ការចាប់សញ្ញាអារម្មណ៍តាមរយៈឧបករណ៍រឹង |
អាចប្រមូលទិន្នន័យទាក់ទងនឹងសរីរវិទ្យា (ដូចជាចរន្តស្បែក និងកាយវិការ) និងកម្រិតនៃការយកចិត្តទុកដាក់បានយ៉ាងជាក់ស្តែងតាមពេលវេលាពិត។ ជួយឱ្យប្រព័ន្ធដឹងពីអារម្មណ៍សិស្សដោយមិនបាច់សួរផ្ទាល់។ | មានតម្លៃថ្លៃ ស្មុគស្មាញក្នុងការរៀបចំ និងអាចធ្វើឱ្យសិស្សមានអារម្មណ៍មិនស្រួល (Intrusive) ពិបាកនឹងយកទៅអនុវត្តក្នុងថ្នាក់រៀនទូទៅ។ | អាចទស្សន៍ទាយពីការខកចិត្ត (Frustration) របស់សិស្សបានត្រឹមត្រូវរហូតដល់ ៧៩% តាមរយៈកាមេរ៉ា និងសេនស័រ។ |
| Software-based Affect Inference (Log Analysis) ការទាញសេចក្តីសន្និដ្ឋានអារម្មណ៍តាមរយៈការវិភាគទិន្នន័យកម្មវិធី |
មិនរំខានដល់ការសិក្សារបស់សិស្ស ងាយស្រួលពង្រីកការប្រើប្រាស់ ដោយគ្រាន់តែប្រើប្រាស់ទិន្នន័យដែលមានស្រាប់ (ដូចជារយៈពេលឆ្លើយសំណួរ និងការសុំជំនួយ)។ | ពឹងផ្អែកខ្លាំងលើគំរូប្រូបាប៊ីលីតេ ដែលអាចមិនសូវជាក់លាក់ចំពោះអារម្មណ៍ដែលផ្លាស់ប្តូរលឿន ឬមិនបង្ហាញតាមសកម្មភាពក្នុងកម្មវិធី។ | អាចទស្សន៍ទាយពីកម្រិតនៃការលើកទឹកចិត្ត និងសមត្ថភាពរបស់សិស្សបានត្រឹមត្រូវពី ៧៥% ទៅ ៩០% ដោយប្រើប្រាស់ Bayesian Networks។ |
| Self-Reports of Emotional Experience ការរាយការណ៍ពីស្ថានភាពអារម្មណ៍ដោយខ្លួនឯង |
ងាយស្រួលអនុវត្ត ចំណាយតិចបំផុត និងផ្តល់នូវទិន្នន័យផ្ទាល់ពីទស្សនៈនិងការវាយតម្លៃរបស់អ្នកសិក្សាផ្ទាល់ខ្លួន។ | អាចរំខានដល់លំហូរនៃការគិតរបស់សិស្ស ហើយពេលខ្លះសិស្សមិនអាចកំណត់អត្តសញ្ញាណអារម្មណ៍ពិតរបស់ពួកគេបានត្រឹមត្រូវនោះទេ។ | បង្ហាញពីភាពមិនស៊ីគ្នាកម្រិតខ្ពស់ រវាងអ្វីដែលសិស្សរាយការណ៍ និងអ្វីដែលអ្នកសង្កេតការណ៍មើលឃើញ (Cohen's Kappa < 0.4)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធដែលអាចចាប់សញ្ញា និងឆ្លើយតបនឹងអារម្មណ៍សិស្ស ទាមទារឱ្យមានការសហការរវាងធនធានផ្នែករឹងកម្រិតខ្ពស់ និងក្បួនដោះស្រាយបញ្ញាសិប្បនិម្មិតដ៏ស្មុគស្មាញ។
ការសិក្សានិងការប្រមូលទិន្នន័យនៅក្នុងឯកសារនេះភាគច្រើនត្រូវបានធ្វើឡើងនៅសហរដ្ឋអាមេរិក ចក្រភពអង់គ្លេស និងម៉ិកស៊ិក ដោយផ្តោតលើសិស្សវិទ្យាល័យនិងនិស្សិតសាកលវិទ្យាល័យ។ នេះជាចំណុចសំខាន់សម្រាប់កម្ពុជា ពីព្រោះបរិបទវប្បធម៌នៃការបង្ហាញអារម្មណ៍ (Cultural expression of emotions) មានភាពខុសគ្នាស្រឡះ ដូច្នេះប្រព័ន្ធចាប់សញ្ញាទឹកមុខដែលបង្ហាត់ដោយទិន្នន័យលោកខាងលិច អាចនឹងទាយខុសនៅពេលយកមកប្រើជាមួយសិស្សខ្មែរ។
ទោះបីជាការប្រើប្រាស់ឧបករណ៍ Hardware ទំនើបៗមិនទាន់អាចទៅរួចក៏ដោយ ប៉ុន្តែវិធីសាស្ត្រវាយតម្លៃអារម្មណ៍តាមរយៈការវិភាគទិន្នន័យកម្មវិធី (Software-based) ពិតជាមានប្រយោជន៍សម្រាប់បរិបទអប់រំនៅកម្ពុជា។
ការសមាហរណកម្មយន្តការយកចិត្តទុកដាក់លើផ្នែកអារម្មណ៍ទៅក្នុងប្រព័ន្ធអប់រំឌីជីថល អាចជួយកាត់បន្ថយអត្រាបោះបង់ការសិក្សា និងពង្រឹងភាពជោគជ័យក្នុងការរៀនសូត្រដោយស្វ័យភាពនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Affective Computing | ជាវិស័យមួយនៃវិទ្យាសាស្ត្រកុំព្យូទ័រដែលផ្តោតលើការអភិវឌ្ឍប្រព័ន្ធ ឬម៉ាស៊ីនដែលអាចចាប់សញ្ញា យល់ដឹង និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់មនុស្ស។ នៅក្នុងឯកសារនេះ បច្ចេកវិទ្យានេះត្រូវប្រើដើម្បីឱ្យប្រព័ន្ធអប់រំអាចដឹងថាសិស្សកំពុងខកចិត្ត ធុញទ្រាន់ ឬសប្បាយចិត្ត ហើយកែតម្រូវសកម្មភាពបង្រៀនទៅតាមនោះ។ | ប្រៀបដូចជាការបង្រៀនកុំព្យូទ័រឱ្យមាន 'បេះដូង' អាចមើលទឹកមុខនិងកាយវិការដឹងថាយើងកំពុងសប្បាយចិត្ត ឬធុញថប់។ |
| Intelligent Tutoring System (ITS) | ជាកម្មវិធីកុំព្យូទ័រដែលផ្តល់ការបង្រៀន និងការណែនាំដល់សិស្សដោយផ្ទាល់ និងតម្រូវតាមសមត្ថភាពរបស់សិស្សម្នាក់ៗដោយស្វ័យប្រវត្តិ (Personalized Learning) ដោយមិនត្រូវការគ្រូបង្រៀនជាមនុស្សនៅក្បែរ។ វាអាចវិភាគចំណុចខ្សោយរបស់សិស្ស និងផ្តល់ការពន្យល់ឬលំហាត់បន្ថែមបានយ៉ាងសមស្រប។ | ដូចជាមានគ្រូបង្រៀនគួរផ្ទាល់ខ្លួនដ៏ឆ្លាតវៃម្នាក់ ដែលរស់នៅក្នុងកុំព្យូទ័រចាំតាមដាននិងជួយពន្យល់អ្នករាល់ពេលអ្នកធ្វើលំហាត់ខុស។ |
| Pedagogical Agent | ជាតួអង្គគំនូរជីវចល ឬតួអង្គនិម្មិតនៅលើអេក្រង់ ដែលបង្កើតឡើងដោយបញ្ញាសិប្បនិម្មិត ដើម្បីដើរតួជាគ្រូបង្រៀន ឬមិត្តរួមថ្នាក់ក្នុងការទាក់ទងជាមួយសិស្ស។ តួអង្គទាំងនេះជួយធ្វើឱ្យការរៀនតាមម៉ាស៊ីនមានលក្ខណៈរស់រវើក អាចនិយាយលើកទឹកចិត្ត និងមានទំនាក់ទំនងសង្គមជាមួយអ្នករៀន។ | ដូចជាតួអង្គតុក្កតាពាក់វ៉ែនតាក្នុងហ្គេម ដែលចេះនិយាយលើកទឹកចិត្តអ្នកនិងប្រាប់គន្លឹះនៅពេលអ្នកលេងជាប់គាំងមិនអាចទៅមុខរួច។ |
| Cognitive Disequilibrium | ជាស្ថានភាពដែលខួរក្បាលជួបប្រទះភាពរអាក់រអួល ភាពផ្ទុយគ្នា ឬភាពមិនស៊ីសង្វាក់គ្នា រវាងចំណេះដឹងដែលខ្លួនធ្លាប់មាន និងព័ត៌មានថ្មីដែលទើបទទួលបាន ដែលជារឿយៗបណ្តាលឱ្យមានអារម្មណ៍ច្របូកច្របល់។ ស្ថានភាពនេះគឺជាគន្លឹះសំខាន់ដែលជំរុញឱ្យសិស្សខិតខំគិតស៊ីជម្រៅដើម្បីដោះស្រាយបញ្ហា ដែលធ្វើឱ្យការរៀនសូត្រកាន់តែមានប្រសិទ្ធភាពកម្រិតខ្ពស់។ | ដូចជាពេលអ្នកតម្រៀបរូបផ្គុំ (Puzzle) ស្រាប់តែឃើញដុំមួយមានរាងខុសពីអ្វីដែលអ្នកគិត ធ្វើឱ្យអ្នកត្រូវឈប់គិតនិងរៀបចំផែនការតម្រៀបវាសារជាថ្មី។ |
| Affective Scaffolding | ជាយុទ្ធសាស្ត្រនៃការផ្តល់ជំនួយផ្នែកផ្លូវចិត្ត និងការលើកទឹកចិត្តជាជំហានៗដល់សិស្ស ដើម្បីរក្សាចំណង់ក្នុងការរៀនសូត្រ ពិសេសនៅពេលសិស្សជួបប្រទះការលំបាកខ្លាំង ឬចង់បោះបង់ចោល។ ការគាំទ្រនេះនឹងត្រូវកាត់បន្ថយបន្តិចម្តងៗនៅពេលសិស្សចាប់ផ្តើមមានភាពជឿជាក់លើសមត្ថភាពខ្លួនឯង។ | ប្រៀបដូចជាការទប់កង់ក្រោយឱ្យក្មេងរៀនជិះ ដើម្បីកុំឱ្យគេភ័យខ្លាចដួល ហើយសឹមលែងដៃបន្តិចម្តងៗនៅពេលគេមានភាពជឿជាក់អាចធាក់ដោយខ្លួនឯងបាន។ |
| Bayesian Networks | ជាគំរូគណិតវិទ្យានិងស្ថិតិ ដែលប្រើក្រាហ្វដើម្បីតំណាងឱ្យទំនាក់ទំនងនៃប្រូបាប៊ីលីតេ (លទ្ធភាពដែលអាចកើតមាន) នៃព្រឹត្តិការណ៍ផ្សេងៗ។ ក្នុងអត្ថបទនេះ វាត្រូវប្រើដោយម៉ាស៊ីនដើម្បីសន្និដ្ឋានទាយដឹងពីអារម្មណ៍សិស្ស (ដែលមើលមិនឃើញ) តាមរយៈទិន្នន័យជាក់ស្តែង (ដូចជាសកម្មភាពចុចកណ្តុរ ឬរយៈពេលឆ្លើយសំណួរ)។ | ប្រៀបដូចជាអ្នកស៊ើបអង្កេតម្នាក់ដែលប៉ាន់ស្មានភាគរយថាអ្នកណាកំពុងកុហក ដោយផ្អែកលើការប្រមូលនិងភ្ជាប់តម្រុយតូចៗជាច្រើនបញ្ចូលគ្នា។ |
| Skin Conductance (Galvanic Skin Response) | ជារង្វាស់នៃកម្រិតចរន្តអគ្គិសនីដែលអាចឆ្លងកាត់ស្បែក ដែលមានការប្រែប្រួលទៅតាមបរិមាណញើសបញ្ចេញដោយក្រពេញញើស។ ឧបករណ៍នេះអាចវាស់ពីកម្រិតនៃការភ្ញាក់ផ្អើល ឬភាពតានតឹងផ្លូវចិត្ត (Arousal) របស់សិស្សពេលកំពុងសិក្សា ដោយមិនចាំបាច់សួរពួកគេផ្ទាល់។ | ដូចជាឧបករណ៍ម៉ាស៊ីនចាប់កុហក ដែលអាចដឹងថាយើងកំពុងភ័យឬតានតឹង តាមរយៈការវាស់កម្រិតញើសសើមៗតិចៗនៅលើបាតដៃរបស់យើង។ |
| Hidden Markov Models (HMM) | ជាក្បួនដោះស្រាយនៃម៉ាស៊ីនរៀន (Machine Learning) ដែលប្រើដើម្បីកំណត់រកស្ថានភាពលាក់កំបាំងដោយផ្អែកលើស៊េរីនៃសញ្ញាដែលមើលឃើញជាបន្តបន្ទាប់។ ក្នុងប្រព័ន្ធនេះ វាត្រូវបានប្រើដើម្បីវិភាគវីដេអូចលនាភ្នែក ឬកាយវិការរបស់សិស្ស ហើយវាយតម្លៃថាពួកគេកំពុងយកចិត្តទុកដាក់ ឬបាត់បង់ការផ្តោតអារម្មណ៍តាមពេលវេលាជាក់ស្តែង។ | ដូចជាការទាយពីស្ថានភាពអាកាសធាតុថានឹងមានភ្លៀងឬអត់ ដោយគ្រាន់តែអង្កេតមើលជាប្រចាំថ្ងៃថាតើមនុស្សដើរតាមផ្លូវពាក់អាវភ្លៀងឬកាន់ឆ័ត្រឬអត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
