Original Title: Responding to Learners’ Cognitive-Affective States with Supportive and Shakeup Dialogues
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការឆ្លើយតបទៅនឹងស្ថានភាពនៃការយល់ដឹងនិងមនោសញ្ចេតនារបស់អ្នកសិក្សា ជាមួយនឹងកិច្ចសន្ទនាបែបគាំទ្រ និងការដាស់តឿន

ចំណងជើងដើម៖ Responding to Learners’ Cognitive-Affective States with Supportive and Shakeup Dialogues

អ្នកនិពន្ធ៖ Sidney D'Mello (Department of Computer Science, University of Memphis), Scotty Craig (Department of Psychology, University of Memphis), Karl Fike (Department of Psychology, University of Memphis), Art Graesser (Department of Psychology, University of Memphis)

ឆ្នាំបោះពុម្ព៖ N/A

វិស័យសិក្សា៖ Artificial Intelligence in Education

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សាស៊ីជម្រៅតែងតែធ្វើឱ្យអ្នកសិក្សាជួបប្រទះនូវអារម្មណ៍អវិជ្ជមានដូចជា ភាពធុញទ្រាន់ ការភាន់ច្រឡំ និងការខកចិត្ត ដែលអាចរារាំងដល់ដំណើរការនៃការរៀនសូត្រ ប្រសិនបើមិនមានការឆ្លើយតបឱ្យបានត្រឹមត្រូវពីប្រព័ន្ធបង្រៀន។

វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានបង្កើតប្រព័ន្ធគ្រូបង្រៀនឆ្លាតវៃ (Intelligent Tutoring System) ឈ្មោះ AutoTutor ចំនួនពីរប្រភេទ ដើម្បីតាមដាន និងឆ្លើយតបទៅនឹងអារម្មណ៍របស់អ្នកសិក្សាតាមបែបផែនខុសៗគ្នា។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Original AutoTutor
ប្រព័ន្ធអូតូធ្យូទ័រដើម (មិនមានមុខងារចាប់យកអារម្មណ៍)
អាចឆ្លើយតបទៅនឹងស្ថានភាពនៃការយល់ដឹង (Cognitive states) របស់អ្នកសិក្សាបានយ៉ាងល្អ តាមរយៈការផ្តល់ជាជំនួយនិងការណែនាំ។ មិនមានសមត្ថភាពក្នុងការឆ្លើយតបទៅនឹងស្ថានភាពអារម្មណ៍របស់អ្នកសិក្សា (ដូចជាការធុញទ្រាន់ ឬការខកចិត្ត) ដែលអាចធ្វើឱ្យសិស្សបោះបង់ការសិក្សា។ ប្រើប្រាស់ជាប្រព័ន្ធគោល (Baseline) សម្រាប់ការប្រៀបធៀប ដោយពឹងផ្អែកលើច្បាប់ផលិតកម្មកម្រិតព្រិល (Fuzzy production rules) ធម្មតា។
Supportive AutoTutor
ប្រព័ន្ធអូតូធ្យូទ័រគាំទ្រ (Supportive)
ជួយកាត់បន្ថយការខកចិត្តដោយបង្ហាញការយោគយល់ (Empathy) និងបន្ទោសភាពលំបាកទៅលើឯកសារមេរៀន ឬប្រព័ន្ធខ្លួនឯង ជាជាងសិស្ស។ អាចនឹងមិនសូវមានប្រសិទ្ធភាពសម្រាប់សិស្សដែលត្រូវការការជំរុញយ៉ាងខ្លាំងក្លា ឬការកែតម្រូវដោយត្រង់ៗដើម្បីបង្កើនការខិតខំប្រឹងប្រែង។ រំពឹងថានឹងជួយរក្សាកម្រិតនៃការចូលរួម (Engagement) និងបង្កើនលទ្ធផលនៃការសិក្សា តាមរយៈការលើកទឹកចិត្តប្រកបដោយមនោសញ្ចេតនា។
Shakeup AutoTutor
ប្រព័ន្ធអូតូធ្យូទ័រដាស់តឿន (Shakeup)
ជំរុញឱ្យសិស្សមានការទទួលខុសត្រូវខ្ពស់ចំពោះការសិក្សារបស់ខ្លួន តាមរយៈការប្រើប្រាស់ពាក្យសម្តីកំប្លែង ដាស់តឿន និងរិះគន់ចំៗ។ អាចធ្វើឱ្យសិស្សដែលមានភាពរសើបផ្នែកអារម្មណ៍ មានការអាក់អន់ចិត្ត ឬបាត់បង់ទំនុកចិត្តលើខ្លួនឯងកាន់តែខ្លាំង។ កំពុងស្ថិតក្នុងការធ្វើតេស្តដើម្បីវាយតម្លៃថា តើបុគ្គលិកលក្ខណៈរបស់សិស្ស (Personality differences) ជះឥទ្ធិពលយ៉ាងណាទៅលើចំណូលចិត្តចំពោះប្រព័ន្ធនេះ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះទាមទារឱ្យមានការវិនិយោគខ្ពស់លើផ្នែករឹង (សេនស័រ) កម្មវិធីកុំព្យូទ័រ និងអ្នកជំនាញអន្តរវិស័យ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសហរដ្ឋអាមេរិក (University of Memphis) ដោយប្រើប្រាស់សិស្សនៅទីនោះជាគោលដៅ និងផ្អែកលើទម្លាប់នៃការបញ្ចេញអារម្មណ៍តាមបែបបស្ចិមប្រទេស។ សម្រាប់បរិបទប្រទេសកម្ពុជា ការឆ្លើយតបបែបដាស់តឿន (Shakeup Dialogue) ដែលនិយាយចំៗ ឬកំប្លែងលេងសើចជាមួយសិស្ស អាចនឹងត្រូវចាត់ទុកថាគ្មានការគោរព ឬផ្ទុយពីវប្បធម៌គ្រូនិងសិស្សនៅអាស៊ី។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាមានភាពខុសគ្នាផ្នែកវប្បធម៌ក៏ដោយ គោលគំនិតនៃការបញ្ចូលបញ្ញាផ្នែកអារម្មណ៍ (Emotional Intelligence) ទៅក្នុងប្រព័ន្ធសិក្សាអេឡិចត្រូនិក គឺមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ការអប់រំនៅកម្ពុជា។

ដើម្បីអនុវត្តវិធីសាស្ត្រនេះនៅកម្ពុជាប្រកបដោយប្រសិទ្ធភាព គេចាំបាច់ត្រូវកែសម្រួលទម្រង់នៃការសន្ទនាឱ្យស្របតាមក្រមសីលធម៌ និងចិត្តសាស្ត្ររបស់អ្នកសិក្សាខ្មែរ ជាជាងការបកប្រែទាំងស្រុងពីប្រព័ន្ធបរទេស។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាពីទ្រឹស្តីមូលដ្ឋាននៃការសិក្សា និងអារម្មណ៍: ចាប់ផ្តើមដោយការស្រាវជ្រាវលើទ្រឹស្តី Attribution Theory និង Cognitive Disequilibrium Theory តាមរយៈការអានឯកសារបោះពុម្ពនានា ដើម្បីយល់ពីទំនាក់ទំនងរវាងភាពភាន់ច្រឡំ និងការរៀនសូត្រស៊ីជម្រៅ។
  2. រៀនសូត្រពីបច្ចេកវិទ្យាចាប់យកសញ្ញាអារម្មណ៍ (Affect Detection): អនុវត្តការសរសេរកូដដោយប្រើប្រាស់បណ្ណាល័យ OpenCVMediaPipe ជាមួយ Python ដើម្បីចាប់យក និងវិភាគទិន្នន័យទឹកមុខ (Facial Action Coding System) ពីកាមេរ៉ាកុំព្យូទ័រ។
  3. អភិវឌ្ឍប្រព័ន្ធសន្ទនាឆ្លាតវៃ (Dialogue Management): ប្រើប្រាស់ឧបករណ៍បង្កើត Chatbot ដូចជា RasaDialogflow ដើម្បីសាកល្បងសរសេរក្បួន (Rules) ដែលកំណត់ការឆ្លើយតបរបស់កុំព្យូទ័រ ផ្អែកលើពាក្យគន្លឹះដែលបង្ហាញពីភាពធុញទ្រាន់ ឬការខកចិត្ត។
  4. បង្កើតភ្នាក់ងារនិម្មិត (Embodied Pedagogical Agent): សាកល្បងប្រើប្រាស់ Unity 3D ឬកម្មវិធី MetaHuman Creator ដើម្បីបង្កើតតួអង្គនិម្មិតដែលអាចបញ្ចេញទឹកមុខ និងភ្ជាប់វាជាមួយប្រព័ន្ធបញ្ចេញសំឡេង Google Text-to-Speech API
  5. ធ្វើតេស្តសាកល្បងក្នុងបរិបទកម្ពុជា: ប្រមូលនិស្សិតស្ម័គ្រចិត្តមួយក្រុមតូច ដើម្បីធ្វើការវាយតម្លៃ (A/B Testing) លើជម្រើសនៃពាក្យសម្តីកំប្លែង និងពាក្យសម្តីលើកទឹកចិត្ត ដើម្បីរកមើលថាតើទម្រង់មួយណាដែលសាកសមនឹងវប្បធម៌ខ្មែរជាងគេ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Intelligent Tutoring System (ITS) ប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានបង្កើតឡើងដើម្បីផ្តល់ការបង្រៀននិងការណែនាំដល់សិស្សម្នាក់ៗដោយស្វ័យប្រវត្តិ ដោយវាអាចវាយតម្លៃកម្រិតយល់ដឹងរបស់សិស្ស និងផ្លាស់ប្តូរវិធីសាស្ត្របង្រៀនឱ្យស្របតាមតម្រូវការនិងសមត្ថភាពជាក់ស្តែងរបស់អ្នកសិក្សា។ ដូចជាមានគ្រូផ្ទាល់ខ្លួនម្នាក់នៅចាំតាមដានការធ្វើលំហាត់របស់អ្នក ហើយចាំប្រាប់គន្លឹះនៅពេលអ្នកចាប់ផ្តើមធ្វើខុស។
Cognitive disequilibrium ស្ថានភាពផ្លូវចិត្តនៅពេលដែលមនុស្សជួបប្រទះនូវព័ត៌មាន ឧបសគ្គ ឬព្រឹត្តិការណ៍ដែលផ្ទុយពីអ្វីដែលពួកគេធ្លាប់ដឹង ឬរំពឹងទុក ដែលជំរុញឱ្យពួកគេត្រូវខិតខំគិតស៊ីជម្រៅដើម្បីស្វែងយល់ និងដោះស្រាយភាពមិនច្បាស់លាស់នោះ។ ដូចជាពេលអ្នកកំពុងជិះកង់សុខៗស្រាប់តែរបូតច្រវាក់ ដែលតម្រូវឱ្យអ្នកបញ្ឈប់ដំណើរ រួចខំស្វែងរកមូលហេតុនិងរៀនពីរបៀបដាក់ច្រវាក់ចូលវិញ។
Attribution theory ទ្រឹស្តីចិត្តសាស្ត្រដែលសិក្សាពីរបៀបដែលមនុស្សស្វែងរកហេតុផលដើម្បីពន្យល់ពីភាពជោគជ័យ ឬភាពបរាជ័យរបស់ពួកគេ (ឧទាហរណ៍៖ បន្ទោសកត្តាខាងក្រៅពេលបរាជ័យ ឬសរសើរខ្លួនឯងពេលជោគជ័យ) និងឥទ្ធិពលនៃការពន្យល់ទាំងនោះទៅលើការខិតខំប្រឹងប្រែងរបស់ពួកគេនៅពេលអនាគត។ ដូចជាពេលសិស្សប្រឡងធ្លាក់ ហើយបន្ទោសថា "មកពីវិញ្ញាសាពិបាក" ជាជាងទទួលស្គាល់ថា "មកពីខ្លួនឯងមិនបានរៀនឱ្យបានគ្រប់គ្រាន់"។
Embodied pedagogical agent (EPA) តួអង្គគំនូរជីវចល ឬរូបតំណាងនៅលើអេក្រង់កុំព្យូទ័រ ដែលដើរតួជាគ្រូបង្រៀន ឬអ្នកសម្របសម្រួល ដោយអាចបញ្ចេញទឹកមុខ កាយវិការ និងនិយាយស្តី ដើម្បីធ្វើឱ្យការប្រាស្រ័យទាក់ទងរវាងមនុស្សនិងម៉ាស៊ីនកាន់តែមានភាពរស់រវើកនិងកាត់បន្ថយភាពតានតឹង។ ដូចជាតួអង្គ NPC (Non-Player Character) នៅក្នុងវីដេអូហ្គេមដែលចេះនិយាយ និងបង្ហាញទឹកមុខពេលកំពុងណែនាំអ្នកពីរបៀបលេង។
Affect-sensitive សមត្ថភាពរបស់ប្រព័ន្ធកុំព្យូទ័រក្នុងការចាប់យក ស្គាល់ និងឆ្លើយតបដោយឆ្លាតវៃទៅនឹងស្ថានភាពអារម្មណ៍របស់អ្នកប្រើប្រាស់ (ដូចជា ការធុញទ្រាន់ ការខកចិត្ត ឬការសប្បាយចិត្ត) តាមរយៈការវិភាគសញ្ញាផ្សេងៗដូចជាទឹកមុខ ចលនារាងកាយ ឬពាក្យសម្តី។ ដូចជាមិត្តភក្តិដែលចេះសង្កេតមើលទឹកមុខរបស់អ្នក ហើយដឹងថាអ្នកកំពុងអន់ចិត្ត ទើបប្រញាប់ប្តូរប្រធានបទនិយាយដើម្បីឱ្យអ្នកសប្បាយចិត្តវិញ។
Flow-like experience ស្ថានភាពអារម្មណ៍ផ្លូវចិត្តដែលអ្នកសិក្សាផ្តោតអារម្មណ៍ខ្លាំងបំផុតទៅលើអ្វីដែលគេកំពុងធ្វើ រហូតដល់ភ្លេចពេលវេលា និងមិនខ្វល់ពីភាពនឿយហត់ ដោយសារសកម្មភាពនោះមានភាពទាក់ទាញ និងមានកម្រិតលំបាកសមស្របទៅនឹងសមត្ថភាពរបស់ពួកគេ។ ដូចជាពេលអ្នកកំពុងលេងហ្គេម ឬអានសៀវភៅរឿងដែលអ្នកចូលចិត្តខ្លាំង រហូតដល់មិនដឹងថាយប់ជ្រៅបាត់ទៅហើយ។
Mixed-initiative dialog ទម្រង់នៃការសន្ទនារវាងមនុស្សនិងកុំព្យូទ័រ ដែលភាគីទាំងសងខាង (ទាំងសិស្ស និងប្រព័ន្ធ) សុទ្ធតែមានសិទ្ធិចាប់ផ្តើមសួរសំណួរ ផ្តល់ចម្លើយ ឬដឹកនាំប្រធានបទសន្ទនាឆ្លាស់គ្នាទៅវិញទៅមក ប្រកបដោយភាពបត់បែន។ ដូចជាការជជែកគ្នាលេងជាមួយមិត្តភក្តិ ដែលអ្នកអាចសួរបកទៅវិញ ឬប្តូរប្រធានបទបាន មិនមែនចាំតែឆ្លើយសំណួរដូចពេលត្រូវប៉ូលីសសួរចម្លើយនោះទេ។
Prosodic features លក្ខណៈសូរសព្ទនៃការនិយាយដែលមិនមែនជាពាក្យពេចន៍ផ្ទាល់ខ្លួនវា ដូចជាការឡើងចុះនៃសម្លេង កម្រិតខ្លាំងឬខ្សោយ និងល្បឿននៃការនិយាយ ដែលអាចជួយបញ្ជាក់ពីអារម្មណ៍ ឬអត្ថន័យលាក់កំបាំងរបស់អ្នកនិយាយ។ ដូចជាការនិយាយពាក្យថា "អូខេ" តែអូសសម្លេងវែងនិងទាប ដែលបង្ហាញថាអ្នកកំពុងធុញទ្រាន់ មិនមែនយល់ព្រមដោយស្ម័គ្រចិត្តនោះទេ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖