បញ្ហា (The Problem)៖ បច្ចេកវិទ្យាអប់រំដែលមានស្រាប់ផ្តោតសំខាន់តែលើដំណើរការនៃការយល់ដឹង (Cognition) ដោយមើលរំលងតួនាទីដ៏សំខាន់នៃមនោសញ្ចេតនា (Affect) ក្នុងការរៀនសូត្រស៊ីជម្រៅ ដែលបណ្តាលឱ្យមានអតុល្យភាពរវាងការបង្រៀននិងស្ថានភាពផ្លូវចិត្តរបស់អ្នកសិក្សា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវក្របខ័ណ្ឌទ្រឹស្តី និងការពិភាក្សារវាងពហុវិស័យ ដើម្បីរួមបញ្ចូលការយល់ដឹងពីវិទ្យាសាស្ត្រសិក្សា (Learning Sciences) ជាមួយបញ្ញាសិប្បនិម្មិត (AI) ក្នុងគោលបំណងបង្កើតប្រព័ន្ធដែលឆ្លើយតបនឹងអារម្មណ៍។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Multimodal Affect Detection ការរកឃើញមនោសញ្ចេតនាតាមរយៈឧបករណ៍ចាប់សញ្ញាពហុទម្រង់ (Multimodal Affect Detection) |
មានភាពជាក់លាក់ខ្ពស់ក្នុងការចាប់យកសញ្ញាផ្លូវកាយ (Physiological signals) និងទឹកមុខ ដោយមិនរំខានដល់ការសិក្សា។ | ត្រូវការឧបករណ៍ថ្លៃៗ (Hardware) និងពិបាកអនុវត្តក្នុងថ្នាក់រៀនជាក់ស្តែងដែលមានសិស្សច្រើន។ | សម្រេចបានភាពត្រឹមត្រូវ ៧៩% ក្នុងការទស្សន៍ទាយអារម្មណ៍ខកចិត្ត (Frustration) របស់អ្នកសិក្សា (យោងតាម Woolf et al.)។ |
| Dialogue-based Affect Detection ការរកឃើញមនោសញ្ចេតនាតាមរយៈការវិភាគកិច្ចសន្ទនា (Dialogue-based Detection) |
ចំណាយតិច ងាយស្រួលពង្រីកវិសាលភាព (Scalable) និងអាចប្រើប្រាស់ជាមួយប្រព័ន្ធដែលមានស្រាប់ដូចជា AutoTutor។ | មិនអាចចាប់យកអារម្មណ៍ដែលមិនបង្ហាញតាមរយៈពាក្យសម្តី ហើយគុណភាពអាស្រ័យលើបច្ចេកវិទ្យាស្គាល់សំឡេង។ | រកឃើញថាអារម្មណ៍ 'ភាន់ច្រឡំ' (Confusion) មានទំនាក់ទំនងវិជ្ជមានយ៉ាងខ្លាំងជាមួយលទ្ធផលសិក្សា (Correlation r = .49)។ |
| Self-Report/Manual Input ការរាយការណ៍ដោយខ្លួនឯង (Self-Report) |
ងាយស្រួលអនុវត្ត និងទទួលបានទិន្នន័យផ្ទាល់ពីអារម្មណ៍របស់អ្នកសិក្សា។ | អាចរំខានដល់លំហូរនៃការរៀនសូត្រ ហើយអ្នកសិក្សាប្រហែលជាមិនរាយការណ៍ការពិត។ | មានភាពស៊ីសង្វាក់គ្នាតិចតួច (k < 0.4) រវាងការវាយតម្លៃរបស់អ្នកសង្កេតការណ៍ និងការរាយការណ៍របស់សិស្ស។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារធនធានបច្ចេកទេសខ្ពស់ ទាំងផ្នែករឹងនិងផ្នែកទន់ ដើម្បីដំណើរការគំរូ AI ក្នុងពេលជាក់ស្តែង។
ការសិក្សានេះភាគច្រើនធ្វើឡើងនៅសហរដ្ឋអាមេរិក និងអឺរ៉ុប លើសិស្សវិទ្យាល័យនិងសាកលវិទ្យាល័យ។ នេះជាចំណុចសំខាន់សម្រាប់កម្ពុជា ព្រោះការបង្ហាញអារម្មណ៍ (Emotional Display Rules) នៅក្នុងវប្បធម៌ខ្មែរអាចខុសគ្នាពីលោកខាងលិច (ឧទាហរណ៍៖ សិស្សខ្មែរអាចញញឹមនៅពេលខ្មាស ឬមិនហ៊ានបង្ហាញការខកចិត្តចំពោះមុខគ្រូ)។
វិធីសាស្ត្រនេះមានប្រយោជន៍ខ្លាំងសម្រាប់អនាគតនៃវិស័យអប់រំឌីជីថលនៅកម្ពុជា ប៉ុន្តែត្រូវការការសម្របសម្រួលផ្នែកវប្បធម៌និងបច្ចេកទេស។
ទោះបីជាការប្រើប្រាស់ឧបករណ៍ចាប់សញ្ញាថ្លៃៗមិនទាន់សមស្របក៏ដោយ ការយល់ដឹងអំពីតួនាទីនៃមនោសញ្ចេត្នក្នុងការរៀនសូត្រ អាចជួយគ្រូបង្រៀនកែលម្អយុទ្ធសាស្ត្របង្រៀនបាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Affective Computing | ជាផ្នែកមួយនៃវិទ្យាសាស្ត្រកុំព្យូទ័រ ដែលសិក្សា និងអភិវឌ្ឍប្រព័ន្ធដែលអាចទទួលស្គាល់ បកស្រាយ និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់មនុស្ស។ ក្នុងការសិក្សា វាមានន័យថាការបង្កើតកុំព្យូទ័រដែលអាចយល់ថាពេលណាសិស្សធុញទ្រាន់ ឬច្របូកច្របល់។ | ដូចជាការបង្រៀនកុំព្យូទ័រឱ្យមាន 'ចិត្ត' និងចេះសង្កេតទឹកមុខរបស់មនុស្ស។ |
| Scaffolding | ជាយុទ្ធសាស្ត្រគរុកោសល្យនៃការផ្តល់ជំនួយបណ្តោះអាសន្នដល់សិស្ស ដើម្បីឱ្យពួកគេអាចសម្រេចកិច្ចការដែលពួកគេមិនអាចធ្វើដោយឯកឯងបាន។ នៅក្នុងអត្ថបទនេះ វាសំដៅលើការផ្តល់ជំនួយផ្លូវចិត្ត (ដូចជាការលើកទឹកចិត្ត) នៅពេលសិស្សជួបការលំបាក។ | ប្រៀបដូចជាការប្រើកង់ជំនួយសម្រាប់ក្មេងហាត់ជិះកង់ រហូតដល់ពួកគេចេះជិះដោយខ្លួនឯង។ |
| Intelligent Tutoring Systems (ITS) | ជាប្រព័ន្ធកុំព្យូទ័រដែលផ្តល់ការបង្រៀន ឬការណែនាំដល់សិស្សដោយផ្ទាល់ និងតាមតម្រូវការជាក់ស្តែង ដោយមិនត្រូវការគ្រូមនុស្ស។ វាប្រើប្រាស់ AI ដើម្បីសម្របខ្លឹមសារមេរៀនទៅតាមកម្រិតយល់ដឹងរបស់សិស្សម្នាក់ៗ។ | ដូចជាគ្រូបង្រៀនឯកជនដែលជាកុំព្យូទ័រ និងអាចបង្រៀនសិស្សបានគ្រប់ពេលវេលា។ |
| Cognitive Disequilibrium | ជាស្ថានភាពនៃការភាន់ច្រឡំ ឬអតុល្យភាពនៃការយល់ដឹង នៅពេលដែលសិស្សជួបប្រទះព័ត៌មានថ្មីដែលមិនស៊ីគ្នានឹងចំណេះដឹងចាស់របស់ពួកគេ។ នេះគឺជាកម្លាំងជំរុញឱ្យមានការរៀនសូត្រស៊ីជម្រៅ។ | ដូចជាអារម្មណ៍ 'ងឿងឆ្ងល់' ពេលឃើញអ្វីប្លែក ដែលធ្វើឱ្យយើងចង់ស្វែងរកចម្លើយ។ |
| Multimodal Interaction | ការប្រើប្រាស់វិធីសាស្ត្រច្រើនយ៉ាងរួមគ្នា (ដូចជា សំឡេង ទឹកមុខ កាយវិការ និងការប៉ះ) ដើម្បីទំនាក់ទំនងជាមួយកុំព្យូទ័រ ឬដើម្បីឱ្យកុំព្យូទ័រយល់ពីស្ថានភាពរបស់អ្នកប្រើប្រាស់បានកាន់តែច្បាស់។ | ដូចជាការដែលយើងមិនត្រឹមតែស្តាប់សម្តីមិត្តភក្តិទេ តែមើលទាំងទឹកមុខ និងកាយវិការរបស់គេដើម្បីយល់ចិត្ត។ |
| Bayesian Networks | ជាគំរូស្ថិតិដែលប្រើដើម្បីធ្វើការទស្សន៍ទាយ ឬវិភាគភាពមិនច្បាស់លាស់ ដោយផ្អែកលើប្រូបាប៊ីលីតេ។ ក្នុងការសិក្សានេះ វាត្រូវបានប្រើដើម្បីទស្សន៍ទាយអារម្មណ៍របស់សិស្សដោយផ្អែកលើអាកប្បកិរិយារបស់ពួកគេ។ | ដូចជាការទស្សន៍ទាយថានឹងមានភ្លៀង ដោយផ្អែកលើពពកខ្មៅ និងខ្យល់បក់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
