បញ្ហា (The Problem)៖ ឯកសារនេះពិនិត្យមើលការយល់ឃើញរបស់គរុនិស្សិតផ្នែករូបវិទ្យា (Pre-service physics teachers) ចំពោះការបង្រៀនបែបអន្តរវិស័យ (Interdisciplinary teaching) ដោយផ្តោតជាចម្បងលើទំនុកចិត្ត អត្ថប្រយោជន៍ដែលទទួលបាន និងបញ្ហាប្រឈមនានា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រស្រាវជ្រាវបរិមាណវិស័យបែបកាត់ទទឹង (Quantitative, cross-sectional survey design) ដើម្បីប្រមូល និងវិភាគទិន្នន័យពីគរុនិស្សិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| K-Means Clustering Analysis ការវិភាគចង្កោមតាមវិធី K-Means |
វិធីនេះជួយស្វែងរកទម្រង់លាក់កំបាំងនៃទិន្នន័យ និងអាចបែងចែកគរុនិស្សិតជាក្រុមជាក់លាក់តាមកម្រិតទំនុកចិត្តនិងឧបសគ្គរបស់ពួកគេ។ វាផ្តល់នូវការយល់ដឹងស៊ីជម្រៅជាងការវិភាគមធ្យមភាគទូទៅ។ | វាទាមទារការកំណត់ចំនួនចង្កោម (k) ជាមុនដោយប្រើវិធីសាស្ត្រ Elbow Method ហើយលទ្ធផលអាចមានភាពរសើបទៅនឹងទិន្នន័យដែលខុសប្រក្រតី (Outliers)។ | បានរកឃើញក្រុមគរុនិស្សិតចំនួន ៥ (Clusters 0 ដល់ 4) ដែលមានកម្រិតទំនុកចិត្ត និងការយល់ឃើញពីឧបសគ្គនៃការបង្រៀនអន្តរមុខវិជ្ជាខុសៗគ្នា។ |
| Exploratory Factor Analysis (EFA) ការវិភាគកត្តារុករក (EFA) |
ជួយផ្ទៀងផ្ទាត់រចនាសម្ព័ន្ធនៃកម្រងសំណួរស្ទង់មតិ (Construct Validity) និងធានាថាជញ្ជីងរង្វាស់ពិតជាវាស់វែងកត្តាដែលបានកំណត់មែន។ | អាចមានការត្រួតស៊ីគ្នានៃទិន្នន័យខ្លះៗ (Cross-loadings) រវាងកត្តាផ្សេងៗគ្នា ដែលទាមទារការវិនិច្ឆ័យពីអ្នកជំនាញដើម្បីកែសម្រួល។ | បានបញ្ជាក់យ៉ាងច្បាស់ពីវិមាត្រទាំង ៣ នៃការសិក្សា៖ អត្ថប្រយោជន៍ (PB) ទំនុកចិត្ត (CP) និងបញ្ហាប្រឈម (CB) នៃការបង្រៀន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះមិនទាមទារធនធានហិរញ្ញវត្ថុ ឬកម្លាំងម៉ាស៊ីនច្រើននោះទេ ដោយផ្អែកជាចម្បងលើឧបករណ៍ស្ទង់មតិអនឡាញ និងកម្មវិធីវិភាគទិន្នន័យស្ថិតិជាមូលដ្ឋាន។
ការសិក្សានេះត្រូវបានធ្វើឡើងផ្តាច់មុខនៅសាកលវិទ្យាល័យចំនួន២ ក្នុងប្រទេសកាហ្សាក់ស្ថាន ដោយផ្តោតលើគរុនិស្សិតរូបវិទ្យាចំនួន ២៩២នាក់ អាយុ១៧-២៣ឆ្នាំ។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីបរិបទវប្បធម៌ និងប្រព័ន្ធអប់រំជាក់លាក់របស់កាហ្សាក់ស្ថាន ដែលអាចមានភាពលម្អៀង។ សម្រាប់ប្រទេសកម្ពុជា ចំណុចនេះមានសារៈសំខាន់ណាស់ ព្រោះប្រព័ន្ធអប់រំ និងធនធាននៅទីនេះមានកម្រិតខុសគ្នា ដែលទាមទារការបន្សាំកម្រងសំណួរ និងការបកស្រាយលទ្ធផលឡើងវិញមុននឹងយកមកអនុវត្ត។
វិធីសាស្ត្រវាយតម្លៃ និងការរៀបចំកម្មវិធីបង្រៀនអន្តរមុខវិជ្ជា (Interdisciplinary Teaching) នេះ មានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តដើម្បីពង្រឹងគុណភាពអប់រំ STEM នៅកម្ពុជា។
សរុបមក ការយល់ដឹងពីការវិវឌ្ឍនៃទំនុកចិត្ត និងឧបសគ្គរបស់គរុនិស្សិត នឹងជួយស្ថាប័នពាក់ព័ន្ធនៅកម្ពុជាក្នុងការរៀបចំកម្មវិធីគាំទ្រ (Mentorship) បានចំគោលដៅ ពិសេសក្នុងដំណាក់កាលអន្តរកាលនៃការសិក្សា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Interdisciplinary teaching | វិធីសាស្ត្របង្រៀនដែលរួមបញ្ចូលចំណេះដឹង ទ្រឹស្តី និងជំនាញពីមុខវិជ្ជាពីរឬច្រើន (ដូចជារូបវិទ្យា គណិតវិទ្យា និងជីវវិទ្យា) បញ្ចូលគ្នាដើម្បីដោះស្រាយបញ្ហា ឬពន្យល់ពីបាតុភូតអ្វីមួយឱ្យបានទូលំទូលាយ។ | ដូចជាការធ្វើម្ហូបមួយចានដែលត្រូវការគ្រឿងផ្សំពីកន្លែងផ្សេងៗគ្នាដើម្បីឱ្យមានរសជាតិឆ្ងាញ់និងពេញលេញ។ |
| Pre-service physics teachers | ជានិស្សិត ឬគរុនិស្សិតដែលកំពុងសិក្សានៅសាកលវិទ្យាល័យ ឬវិទ្យាស្ថានអប់រំ ដើម្បីត្រៀមខ្លួនក្លាយជាគ្រូបង្រៀនមុខវិជ្ជារូបវិទ្យានាពេលអនាគត ប៉ុន្តែមិនទាន់ក្លាយជាគ្រូបង្រៀនពេញសិទ្ធិនៅឡើយ។ | ដូចជាកីឡាករដែលកំពុងហ្វឹកហាត់ក្នុងសាលាបណ្តុះបណ្តាល មុនពេលចេញទៅប្រកួតនៅលើទីលានពិតប្រាកដ។ |
| K-means clustering | ជាក្បួនដោះស្រាយក្នុងបញ្ញាសិប្បនិម្មិត (Machine Learning) ដែលប្រើសម្រាប់បែងចែកទិន្នន័យ (ដូចជាចម្លើយរបស់និស្សិត) ទៅជាក្រុមតូចៗ (Clusters) ដោយស្វ័យប្រវត្តិ ដោយផ្អែកលើភាពស្រដៀងគ្នានៃទិន្នន័យទាំងនោះ។ | ដូចជាការតម្រៀបសៀវភៅរាប់ពាន់ក្បាលទៅក្នុងទូផ្សេងៗគ្នាដោយស្វ័យប្រវត្តិ ដោយមើលលើប្រភេទរឿង ឬចំណងជើងដែលស្រដៀងគ្នា។ |
| Exploratory Factor Analysis | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើដើម្បីស្វែងរកទំនាក់ទំនងលាក់កំបាំងរវាងសំណួរជាច្រើនក្នុងកម្រងសំណួរ ដោយចងក្រងសំណួរដែលទាក់ទងគ្នាទៅជាក្រុមកត្តាតែមួយ (ឧទាហរណ៍៖ កត្តាទំនុកចិត្ត ឬកត្តាឧបសគ្គ) ដើម្បីងាយស្រួលវាស់ស្ទង់។ | ដូចជាការសង្កេតមើលរោគសញ្ញាជាច្រើន (ក្អក គ្រុន កណ្តាស់) រួចចងក្រងវាជាក្រុមតែមួយដើម្បីសន្និដ្ឋានថាជា 'ជំងឺផ្តាសាយ'។ |
| Silhouette Score | ជារង្វាស់ស្ថិតិដែលប្រាប់យើងថា តើទិន្នន័យមួយត្រូវបានចាត់ចូលក្នុងក្រុម (Cluster) ត្រឹមត្រូវកម្រិតណា ដោយវាស់ភាពស្រដៀងគ្នាក្នុងក្រុមខ្លួនឯង ធៀបនឹងភាពខុសគ្នាពីក្រុមដទៃ។ ពិន្ទុកាន់តែខិតជិតលេខ ១ មានន័យថាការបែងចែកក្រុមមានភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាការវាស់ស្ទង់ថាតើសិស្សម្នាក់អង្គុយលេងត្រូវក្រុមមិត្តភក្តិខ្លួនឯងដែរឬទេ បើត្រូវគេនឹងសប្បាយចិត្ត (ពិន្ទុខ្ពស់) បើខុសក្រុមគេនឹងមានអារម្មណ៍ឆ្គង (ពិន្ទុទាប)។ |
| Constructivism | ជាទ្រឹស្តីនៃការរៀនសូត្រដែលជឿថា សិស្សមិនមែនជាអ្នកទទួលចំណេះដឹងដោយអសកម្មនោះទេ ប៉ុន្តែពួកគេបង្កើតចំណេះដឹងថ្មីដោយខ្លួនឯងយ៉ាងសកម្ម តាមរយៈការផ្សារភ្ជាប់ព័ត៌មានថ្មីទៅនឹងបទពិសោធន៍ ឬចំណេះដឹងចាស់ដែលពួកគេមានស្រាប់។ | ដូចជាការយកដុំឡេហ្គោ (Lego) ថ្មីមកតភ្ជាប់នឹងដុំឡេហ្គោចាស់ដែលយើងមានស្រាប់ ដើម្បីសាងសង់ជារូបរាងធំមួយតាមការយល់ដឹងរបស់យើង។ |
| Elbow method | ជាវិធីសាស្ត្រគំនូសតាងដែលជួយអ្នកស្រាវជ្រាវសម្រេចចិត្តថា តើគួរយកចំនួនក្រុម (Clusters) ប៉ុន្មានទើបស័ក្តិសមបំផុត ក្នុងការវិភាគ K-means ដោយរកមើលចំណុចកោងស្រួចដែលមើលទៅដូច 'កែងដៃ' លើក្រាហ្វិក។ | ដូចជាការបន្ថែមស្ករចូលកាហ្វេ រហូតដល់ចំណុចមួយដែលអ្នកភ្លក់ទៅល្មមឆ្ងាញ់ ហើយការបន្ថែមស្ករតទៅទៀតមិនធ្វើឱ្យកាហ្វេនោះឆ្ងាញ់ជាងមុននោះទេ (ចំណុចកែងដៃ)។ |
| Principal component analysis (PCA) | ជាបច្ចេកទេសបង្រួមទិន្នន័យដែលស្មុគស្មាញ (មានអថេរច្រើន) ឱ្យមកនៅសល់អថេរសំខាន់ៗតិចតួច (Components) ដើម្បីងាយស្រួលមើលឃើញរូបភាពរួម និងការគូសក្រាហ្វិកជាលក្ខណៈ 2D ដោយមិនបាត់បង់ព័ត៌មានសំខាន់ៗ។ | ដូចជាការថតរូបសំប៉ែត (2D) នៃវត្ថុដែលមានទំហំបីវិមាត្រ (3D) ដែលអ្នកនៅតែអាចដឹងថាវត្ថុនោះជាអ្វី ទោះបីបាត់បង់ជម្រៅខ្លះក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
