បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយពីតម្រូវការក្នុងការស្វែងយល់ពីថាមវន្តនៃស្ថានភាពនៃការយល់ដឹងនិងអារម្មណ៍ (Cognitive-Affective States ដូចជាការភាន់ច្រឡំ ការខកចិត្ត និងភាពធុញទ្រាន់) ក្នុងអំឡុងពេលនៃការសិក្សាស៊ីជម្រៅ ដោយផ្តោតលើរបៀបដែលស្ថានភាពទាំងនេះវិវត្ត និងអន្តរកម្មជាមួយគ្នាដោយផ្អែកលើទ្រឹស្តីវិសមតាការយល់ដឹង (Cognitive Disequilibrium Theory)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានធ្វើការសិក្សាចំនួនពីរដោយអនុញ្ញាតឱ្យសិស្សានុសិស្សប្រើប្រាស់ប្រព័ន្ធបង្រៀនឆ្លាតវៃ (Intelligent Tutoring System) និងប្រមូលទិន្នន័យអារម្មណ៍សិស្ស ដើម្បីបង្កើតម៉ូដែលម៉ាកូវលាក់កំបាំង (Hidden Markov Models - HMMs) សម្រាប់វិភាគទិន្នន័យតាមស៊េរីពេលវេលា។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Theoretically-Seeded Hidden Markov Model (HMM) ម៉ូដែល Hidden Markov ដែលកំណត់ប៉ារ៉ាម៉ែត្រដំបូងផ្អែកលើទ្រឹស្តីវិសមតាការយល់ដឹង (Cognitive Disequilibrium Theory) |
ងាយស្រួលបកស្រាយ និងផ្តល់អត្ថន័យស្របតាមទ្រឹស្តីផ្លូវចិត្ត។ ជួយឱ្យយល់ច្បាស់ពីទំនាក់ទំនងរវាងស្ថានភាពអារម្មណ៍លាក់កំបាំង និងអារម្មណ៍ដែលស្តែងចេញមកក្រៅ។ | ទាមទារឱ្យមានចំណេះដឹងស៊ីជម្រៅលើទ្រឹស្តីដើម្បីកំណត់តម្លៃប្រូបាប៊ីលីតេដំបូង (Initial probabilities) បានត្រឹមត្រូវ។ | ម៉ូដែលអាចចាប់យកថាមវន្តនៃការផ្លាស់ប្តូរស្ថានភាពអារម្មណ៍បានយ៉ាងល្អ ដោយឆ្លងកាត់ការធ្វើតេស្តសុពលភាពអានុភាព (LOOCV) ទទួលបានរង្វាស់ទំនាក់ទំនងសឹងតែឥតខ្ចោះ (r = .99)។ |
| Random Surrogate HMM (Baseline) ម៉ូដែលម៉ាកូវលាក់កំបាំងបណ្តុះបណ្តាលលើទិន្នន័យចៃដន្យ (ប្រើជាបន្ទាត់គោល) |
ផ្តល់នូវវិធីសាស្ត្រដ៏ល្អមួយដើម្បីផ្ទៀងផ្ទាត់សុពលភាព (Face-validity test) សម្រាប់ទិន្នន័យតាមស៊េរីពេលវេលា ដោយធានាថាលទ្ធផលនៃម៉ូដែលគោលមិនមែនកើតឡើងដោយចៃដន្យ។ | លុបបំបាត់ទំនាក់ទំនងតាមពេលវេលាទាំងអស់ (Temporal dependencies) ធ្វើឱ្យវាមិនអាចប្រើប្រាស់សម្រាប់ការទស្សន៍ទាយជាក់ស្តែងបានឡើយ។ | មានតម្លៃ Log-likelihood (LL) ទាបជាងម៉ូដែលគោលយ៉ាងខ្លាំង (p < .05, d = 1.36 និង 1.33) ដែលបញ្ជាក់ថាម៉ូដែលគោលមានប្រសិទ្ធភាពខ្ពស់ពិតប្រាកដ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារធនធានបច្ចេកវិទ្យាសម្រាប់កត់ត្រាសកម្មភាព និងចំណេះដឹងផ្នែកវិភាគទិន្នន័យតាមស៊េរីពេលវេលាកម្រិតខ្ពស់។
ការស្រាវជ្រាវនេះត្រូវបានធ្វើឡើងលើនិស្សិតបរិញ្ញាបត្រនៅសាកលវិទ្យាល័យមួយក្នុងសហរដ្ឋអាមេរិក ដោយអ្នកចូលរួមភាគច្រើនជានិស្សិតនារី និងផ្តោតលើមុខវិជ្ជាអក្ខរកម្មកុំព្យូទ័រ (Computer literacy)។ នេះបញ្ជាក់ថាទិន្នន័យអាចមានគម្លាតវប្បធម៌ និងមិនអាចឆ្លុះបញ្ចាំងពេញលេញពីសិស្សានុសិស្សនៅប្រទេសកម្ពុជា ដែលមានបរិបទអប់រំ របៀបរៀនសូត្រ និងការបញ្ចេញអារម្មណ៍ខុសគ្នានោះទេ។
ថ្វីបើមានគម្លាតវប្បធម៌ក៏ដោយ វិធីសាស្ត្រនៃការប្រើប្រាស់ម៉ូដែល HMM នេះមានសក្តានុពលខ្ពស់សម្រាប់ការអភិវឌ្ឍប្រព័ន្ធអប់រំឌីជីថលនៅកម្ពុជា។
ការទាញយកប្រយោជន៍ពីវិធីសាស្ត្រនេះ នឹងជួយឱ្យអ្នកអភិវឌ្ឍន៍កម្មវិធីអប់រំនៅកម្ពុជាអាចបង្កើតប្រព័ន្ធរៀនសូត្រឆ្លាតវៃដែលអាច 'យល់ចិត្ត' និងសម្របខ្លួនទៅនឹងស្ថានភាពផ្លូវចិត្តរបស់សិស្សបានកាន់តែប្រសើរ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Hidden Markov Models (HMMs) | ជាម៉ូដែលស្ថិតិនិងគណិតវិទ្យាមួយប្រភេទដែលប្រើសម្រាប់ទស្សន៍ទាយឬវិភាគប្រព័ន្ធមួយដែលមានដំណើរការឆ្លាស់គ្នាទៅវិញទៅមកនៃស្ថានភាពដែលយើងមិនអាចមើលឃើញផ្ទាល់ (Hidden States) ប៉ុន្តែវាបញ្ចេញនូវរោគសញ្ញាឬលទ្ធផលដែលយើងអាចសង្កេតឃើញ (Observable States)។ នៅក្នុងការស្រាវជ្រាវនេះ វាប្រើដើម្បីទាយពីស្ថានភាពចិត្តគំនិតខាងក្នុងរបស់សិស្សតាមរយៈការបង្ហាញទឹកមុខខាងក្រៅ។ | ដូចជាការទាយថាអាកាសធាតុថ្ងៃនេះមានពពកឬអត់ (ស្ថានភាពដែលមើលមិនឃើញពីក្នុងបន្ទប់) ដោយគ្រាន់តែសង្កេតមើលថាតើមនុស្សនៅខាងក្រៅកំពុងកាន់ឆ័ត្រឬអត់ (រោគសញ្ញាដែលអាចមើលឃើញ)។ |
| Cognitive disequilibrium | ជាស្ថានភាពអតុល្យភាពនៃការយល់ដឹង ដែលកើតឡើងនៅពេលសិស្សជួបប្រទះនឹងឧបសគ្គ ភាពផ្ទុយគ្នា ឬរឿងដែលមិននឹកស្មានដល់ក្នុងពេលរៀន ដែលជំរុញឱ្យពួកគេមានភាពភាន់ច្រឡំ ប៉ុន្តែវាជាការភាន់ច្រឡំក្នុងន័យស្ថាបនាដែលតម្រូវឱ្យសិស្សប្រឹងប្រែងដោះស្រាយបញ្ហាដើម្បីស្វែងយល់បន្ថែមនិងទទួលបានចំណេះដឹងថ្មី។ | ដូចជាពេលយើងកំពុងដើរតាមផ្លូវដែលធ្លាប់ស្គាល់ ស្រាប់តែឃើញផ្លូវនោះត្រូវគេបិទ ដែលធ្វើឱ្យយើងងឿងឆ្ងល់ និងត្រូវឈប់គិតរកផ្លូវថ្មីដើម្បីទៅដល់គោលដៅ។ |
| Emission probability matrix | ជាម៉ាទ្រីសគណិតវិទ្យានៅក្នុងម៉ូដែល HMM ដែលកំណត់ពីអត្រាប្រូបាប៊ីលីតេ (ឱកាស) ដែលស្ថានភាពលាក់កំបាំងមួយ (ឧទាហរណ៍៖ ការជាប់គាំងក្នុងខួរក្បាល) នឹងបញ្ចេញនូវសញ្ញាដែលអាចសង្កេតឃើញ (ឧទាហរណ៍៖ ទឹកមុខខកចិត្ត ឬភាពធុញទ្រាន់) នៅពេលវេលាជាក់លាក់ណាមួយ។ | ដូចជាតារាងបញ្ជាក់ពីភាគរយដែលអ្នកជំងឺម្នាក់អាចនឹងក្អក (សញ្ញាខាងក្រៅ) ប្រសិនបើគាត់មានជំងឺផ្តាសាយធំ (ស្ថានភាពលាក់កំបាំងខាងក្នុង)។ |
| Transition probability matrix | ជាម៉ាទ្រីសដែលពណ៌នាពីឱកាសនៃការផ្លាស់ប្តូរពីស្ថានភាពលាក់កំបាំងមួយនៅពេលបច្ចុប្បន្ន ទៅកាន់ស្ថានភាពលាក់កំបាំងមួយទៀត (ឬបន្តនៅស្ថានភាពដដែល) នៅជំហានបន្ទាប់ក្នុងប្រព័ន្ធពេលវេលា។ វាជួយបង្ហាញពីលំហូរនៃថាមវន្តអារម្មណ៍របស់សិស្សពីមួយនាទីទៅមួយនាទី។ | ដូចជាតារាងទស្សន៍ទាយថា ប្រសិនបើថ្ងៃនេះភ្លៀង តើថ្ងៃស្អែកមានឱកាសប៉ុន្មានភាគរយដែលមេឃនឹងស្រឡះវិញ ឬបន្តភ្លៀងទៀត។ |
| Retrospective judgment protocol | ជានីតិវិធីប្រមូលទិន្នន័យដែលតម្រូវឱ្យអ្នកចូលរួមមើលវីដេអូថតសកម្មភាពរបស់ខ្លួនឯងឡើងវិញ បន្ទាប់ពីការធ្វើតេស្តឬការសិក្សាបានបញ្ចប់ រួចធ្វើការវាយតម្លៃនិងកត់ត្រាពីអារម្មណ៍ដែលពួកគេបានជួបប្រទះនៅតាមចំណុចពេលវេលានីមួយៗ។ វិធីនេះជួយមិនឱ្យរំខានដល់ការគិតរបស់សិស្សក្នុងពេលកំពុងរៀន។ | ដូចជាការមើលវីដេអូកាមេរ៉ាសុវត្ថិភាពឡើងវិញ ហើយរៀបរាប់ប្រាប់គេថា "នៅនាទីនោះ ខ្ញុំកំពុងតែមានអារម្មណ៍ភ័យខ្លាច"។ |
| Baum-Welch algorithm | ជាក្បួនដោះស្រាយតាមបែបគណិតវិទ្យាដែលត្រូវបានប្រើយ៉ាងទូលំទូលាយសម្រាប់បង្ហាត់ម៉ូដែល HMM ដោយវាធ្វើការកែសម្រួលតម្លៃប៉ារ៉ាម៉ែត្រដំបូងម្តងបន្តិចៗ (Iteratively) រហូតទាល់តែការព្យាករណ៍របស់ម៉ូដែលស៊ីសង្វាក់គ្នា និងត្រឹមត្រូវបំផុតជាមួយទិន្នន័យពិតដែលទទួលបានពីការសង្កេត។ | ដូចជាជាងកាត់ដេរដែលកាត់ខោអាវសាកល្បងលើកទី១ រួចហៅភ្ញៀវមកល្បងពាក់ ហើយបន្តកែតម្រូវទំហំម្តងបន្តិចៗរហូតដល់ខោអាវនោះសមល្មមឥតខ្ចោះជាមួយរាងកាយភ្ញៀវ។ |
| Leave-one-out cross validation (LVOCV) | ជាវិធីសាស្ត្រវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែលម៉ាស៊ីនរៀន (Machine Learning) ដោយបង្ហាត់ម៉ូដែលនោះលើទិន្នន័យរបស់មនុស្សទាំងអស់លើកលែងតែមនុស្សម្នាក់ រួចយកម៉ូដែលនោះទៅធ្វើតេស្តលើទិន្នន័យរបស់មនុស្សម្នាក់ដែលបានដកចេញនោះ (ធ្វើបែបនេះត្រឡប់ចុះឡើងសម្រាប់មនុស្សគ្រប់គ្នា) ដើម្បីធានាថាម៉ូដែលនេះអាចប្រើប្រាស់បានជាទូទៅនិងមិនចេះតែទន្ទេញចាំទិន្នន័យចាស់ (Overfitting)។ | ដូចជាការរៀនធ្វើម្ហូបដោយភ្លក់ស្នាដៃចុងភៅ១០នាក់ រួចព្យាយាមទាយថាតើចុងភៅទី១១ នឹងដាក់គ្រឿងផ្សំអ្វីខ្លះ ដើម្បីបញ្ជាក់ថាយើងពិតជាយល់ពីក្បួនធ្វើម្ហូបនោះមែន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
