បញ្ហា (The Problem)៖ ឯកសារនេះពិភាក្សាអំពីក្តីបារម្ភផ្នែកក្រមសីលធម៌ និងភាពលម្អៀង (Bias) នៅក្នុងម៉ូដែលវិភាគទិន្នន័យសិក្សា (Learning Analytics) ដែលអាចធ្វើការសម្រេចចិត្តរើសអើង ឬមិនយុត្តិធម៌ទៅលើក្រុមនិស្សិតមួយចំនួនផ្អែកលើប្រវត្តិរូបសង្គមរបស់ពួកគេ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រវាយតម្លៃប្រៀបធៀបលើក្បួនដោះស្រាយកាត់បន្ថយភាពអយុត្តិធម៌ផ្សេងៗ ដោយប្រើប្រាស់ទិន្នន័យជាក់ស្តែង និងធ្វើតេស្តសម្មតិកម្មឆ្លងកាត់រង្វាស់ភាពយុត្តិធម៌ជាច្រើន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Baseline Models (GBM, LR) ម៉ូដែលមូលដ្ឋានគ្មានការកំណត់ភាពយុត្តិធម៌ (Gradient Boosted Machines និង Logistic Regression) |
ងាយស្រួលក្នុងការស្វែងរកប៉ារ៉ាម៉ែត្រ (Hyperparameter tuning) ដោយស្វ័យប្រវត្តិ និងមានភាពត្រឹមត្រូវខ្ពស់ក្នុងការទស្សន៍ទាយក្នុងករណីទូទៅ។ | អាចចម្លង ឬធ្វើឱ្យភាពលម្អៀងដែលមានស្រាប់នៅក្នុងទិន្នន័យ (Data Bias) កាន់តែអាក្រក់ទៅៗ ដែលនាំឱ្យការសម្រេចចិត្តមានការរើសអើង។ | បង្កើតនូវកម្រិតមូលដ្ឋាននៃភាពត្រឹមត្រូវ (Accuracy) ប៉ុន្តែមានភាពលម្អៀងខ្ពស់ (Disparate Impact) ប្រឆាំងនឹងនិស្សិតដែលមិននិយាយភាសាអង់គ្លេសជាភាសាដើម។ |
| Learning Fair Representation (LFR) ការរៀបចំទិន្នន័យមុនដំណើរការម៉ូដែល (Pre-processing) |
ជួយកាត់បន្ថយភាពលម្អៀងតាំងពីដំណាក់កាលទិន្នន័យ និងអាចជួយបង្កើនប្រសិទ្ធភាពទស្សន៍ទាយដោយបង្កើតទម្រង់ទិន្នន័យដែលសម្បូរបែបជាងមុន (Richer data representation)។ | ប្រសិទ្ធភាពរបស់វាមិនថេរនោះទេ ដោយវាដំណើរការល្អលើទិន្នន័យអប់រំ (Dropout) ប៉ុន្តែមិនសូវល្អលើទិន្នន័យប្រភេទផ្សេងដូចជា Law School ជាដើម។ | សម្រេចបាននូវតុល្យភាពល្អបំផុតរវាងភាពត្រឹមត្រូវ (Accuracy) និងភាពយុត្តិធម៌ (Statistical Parity & Consistency) សម្រាប់ទិន្នន័យបោះបង់ការសិក្សា។ |
| Disparate Impact Remover (DIR) ការរៀបចំទិន្នន័យមុនដំណើរការដោយរក្សាលំដាប់ទិន្នន័យ (Pre-processing) |
អាចធានាបាននូវភាពយុត្តិធម៌ជាក្រុម (Group fairness) តាមរយៈការកែប្រែតម្លៃលក្ខណៈពិសេសរបស់ទិន្នន័យ ខណៈពេលដែលរក្សាលំដាប់ចំណាត់ថ្នាក់ (Rank-ordering) របស់វា។ | តម្រូវឱ្យមានការជ្រើសរើសកម្រិតជួសជុល (Repair level) យ៉ាងប្រុងប្រយ័ត្ន ព្រោះការកែប្រែជ្រុលអាចធ្វើឱ្យធ្លាក់ចុះភាពត្រឹមត្រូវនៃម៉ូដែល។ | នៅកម្រិតកែប្រែ (Repair level) 0.5 វាអាចរក្សាភាពត្រឹមត្រូវខ្ពស់ និងបង្កើនភាពយុត្តិធម៌បានយ៉ាងមានប្រសិទ្ធភាព។ |
| Prejudice Remover (PR) ក្បួនដោះស្រាយលុបបំបាត់ការរើសអើងក្នុងពេលដំណើរការម៉ូដែល (In-processing) |
ដាក់កំហិតភាពយុត្តិធម៌ដោយផ្ទាល់ទៅក្នុង Objective function របស់ម៉ូដែល ដែលធ្វើឱ្យការដោះស្រាយភាពលម្អៀងក្លាយជាផ្នែកមួយនៃការរៀនរបស់កុំព្យូទ័រ។ | សាកសមប្រើប្រាស់តែជាមួយក្បួនដោះស្រាយដែលមានទម្រង់ Probabilistic discriminative model តែប៉ុណ្ណោះ។ | ការបង្កើនតម្លៃប៉ារ៉ាម៉ែត្រជួយកែលម្អ Statistical Parity (SP) និង Equal Odds (EO) ដោយមិនធ្វើឱ្យធ្លាក់ចុះប្រសិទ្ធភាពរួម (Utility) គួរឱ្យកត់សម្គាល់នោះទេ។ |
| Calibrated Equal Odds (CalEqOdds) ការកែសម្រួលលទ្ធផលក្រោយពេលម៉ូដែលបានទស្សន៍ទាយ (Post-processing) |
មានប្រយោជន៍ខ្លាំងសម្រាប់ប្រព័ន្ធកុំព្យូទ័រប្រភេទ Blackbox ដែលយើងមានសិទ្ធិត្រឹមតែប្រើប្រាស់លទ្ធផលទស្សន៍ទាយចុងក្រោយប៉ុណ្ណោះ។ | អាចទាញទម្លាក់នូវប្រសិទ្ធភាពទស្សន៍ទាយ (Accuracy) ដើម្បីធ្វើឱ្យប្រូបាប៊ីលីតេនៃលទ្ធផលមានភាពស្មើគ្នារវាងក្រុម។ | ជួយកែប្រែលទ្ធផលទស្សន៍ទាយឲ្យមានសមធម៌រវាងក្រុមសិស្សផ្សេងៗគ្នា ប៉ុន្តែអត្រាភាពត្រឹមត្រូវមានការថយចុះបន្តិចបន្តួចប្រៀបធៀបនឹងម៉ូដែលមូលដ្ឋាន។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតពីចំណាយហិរញ្ញវត្ថុផ្ទាល់នោះទេ ប៉ុន្តែការអនុវត្តវិធីសាស្ត្រនេះតម្រូវឱ្យមានការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យ កម្មវិធីវិភាគ និងធនធានមនុស្សដែលមានជំនាញ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យពិតនៃនិស្សិតបោះបង់ការសិក្សារយៈពេល៣ឆ្នាំ ពីសាកលវិទ្យាល័យសាធារណៈធំមួយនៅប្រទេសអូស្ត្រាលី រួមជាមួយទិន្នន័យស្តង់ដារ៤ទៀត ដោយផ្ដោតលើភាពលម្អៀងផ្នែកភាសាដើម (អង់គ្លេស និងមិនមែនអង់គ្លេស)។ សម្រាប់កម្ពុជា ការយល់ដឹងនេះមានសារៈសំខាន់ណាស់ ព្រោះប្រព័ន្ធអប់រំរបស់យើងអាចមានភាពលម្អៀងដោយមិនដឹងខ្លួនទៅលើសិស្សមកពីតំបន់ជនបទ សិស្សដែលមានជីវភាពខ្វះខាត ឬជនជាតិដើមភាគតិច។
វិធីសាស្ត្រវាយតម្លៃ និងក្បួនដោះស្រាយទាំងនេះ ពិតជាមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្ត ដើម្បីកសាងប្រព័ន្ធសម្រេចចិត្តប្រកបដោយសមធម៌នៅកម្ពុជា។
សរុបមក ការសមាហរណកម្មក្បួនដោះស្រាយកាត់បន្ថយភាពលម្អៀងទាំងនេះ នឹងជួយស្ថាប័នកម្ពុជាឱ្យឈានទៅរកការប្រើប្រាស់បញ្ញាសិប្បនិម្មិត (AI) និងវិភាគទិន្នន័យ (Data Analytics) ប្រកបដោយតម្លាភាព និងក្រមសីលធម៌ខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Learning Analytics | ការប្រមូល វិភាគ និងការប្រើប្រាស់ទិន្នន័យរបស់សិស្ស (ដូចជាពិន្ទុ អវត្តមាន ការចូលរួម) ដើម្បីយល់ពីឥរិយាបថនៃការសិក្សា និងជួយកែលម្អប្រព័ន្ធអប់រំឲ្យកាន់តែប្រសើរ ជាពិសេសទស្សន៍ទាយរកសិស្សដែលអាចប្រឈមនឹងការបោះបង់ការសិក្សា។ | ប្រៀបដូចជាគ្រូពេទ្យពិនិត្យមើលរោគសញ្ញារបស់អ្នកជំងឺ ដើម្បីដឹងមុនថាគាត់អាចនឹងឈឺធ្ងន់ និងប្រញាប់ផ្តល់ថ្នាំព្យាបាលបានទាន់ពេលវេលា។ |
| Statistical Parity | រង្វាស់ភាពយុត្តិធម៌ដែលធានាថា អត្រានៃការទទួលបានលទ្ធផលជាទីគាប់ចិត្ត (ឧទាហរណ៍៖ ការត្រូវបានជ្រើសរើស) គឺមានភាពស្មើគ្នារវាងក្រុមមនុស្សផ្សេងៗគ្នា (ដូចជាប្រុស និងស្រី) ដោយមិនគិតពីលក្ខណៈសម្បត្តិផ្សេងទៀតឡើយ។ | ដូចជាការបែងចែកនំខេកឱ្យក្មេងប្រុស៥នាក់ និងក្មេងស្រី៥នាក់ក្នុងចំនួនស្មើៗគ្នា ដោយមិនខ្វល់ថានរណាឃ្លានជាងនរណានោះទេ។ |
| Equal Odds | រង្វាស់ភាពយុត្តិធម៌ដែលទាមទារឱ្យម៉ូដែលកុំព្យូទ័រមានអត្រាទស្សន៍ទាយត្រូវ (True Positive) និងអត្រាទស្សន៍ទាយខុស (False Positive) ស្មើគ្នារវាងក្រុមមនុស្សដែលមកពីមជ្ឈដ្ឋានខុសគ្នា ប៉ុន្តែមានសមត្ថភាពពិតប្រាកដដូចគ្នា។ | ប្រៀបដូចជាអាជ្ញាកណ្តាលបាល់ទាត់ដែលផ្តល់ការពិន័យដោយកំហុស (កាតលឿង) និងការផ្តល់រង្វាន់ (បាល់ពិន័យ) ក្នុងអត្រាស្មើគ្នាទៅកាន់ក្រុមទាំងពីរដោយមិនលម្អៀង។ |
| Consistency | ជារង្វាស់ភាពយុត្តិធម៌សម្រាប់បុគ្គលម្នាក់ៗ (Individual Fairness) ដែលក្បួនដោះស្រាយនេះធានាថាមនុស្សពីរនាក់ដែលមានលក្ខណៈសម្បត្តិប្រហាក់ប្រហែលគ្នា (ឧទាហរណ៍ ពិន្ទុដូចគ្នា) នឹងទទួលបានការសម្រេចចិត្តដូចគ្នាពីប្រព័ន្ធកុំព្យូទ័រ។ | ដូចជាសិស្សពីរនាក់ដែលឆ្លើយត្រូវគ្រប់សំនួរដូចគ្នាលើក្រដាសប្រឡង ត្រូវតែទទួលបានពិន្ទុ 'A' ដូចគ្នា ដោយមិនគិតពីថាពួកគេមកពីខេត្តណានោះទេ។ |
| impossibility theorem | ទ្រឹស្តីក្នុងវិស័យគណិតវិទ្យា និងទិន្នន័យដែលបង្ហាញថា វាជារឿងមិនអាចទៅរួចទេក្នុងការបំពេញតម្រូវការនៃរង្វាស់ភាពយុត្តិធម៌ផ្សេងៗគ្នាទាំងអស់ក្នុងពេលតែមួយ ប្រសិនបើក្រុមទាំងពីរមានមូលដ្ឋានទិន្នន័យខុសគ្នាពីដំបូងមកម្ល៉េះ។ | ដូចជាការព្យាយាមគូររូបត្រីកោណមួយឲ្យមានមុំទាំងបីស្មើ ៩០ ដឺក្រេទាំងអស់ វាជារឿងដែលមិនអាចកើតមានឡើយក្នុងទ្រឹស្តីធរណីមាត្រ។ |
| Pre-processing | ដំណាក់កាលនៃក្បួនដោះស្រាយដែលធ្វើការកែប្រែ និងសម្អាតទិន្នន័យដើមដែលមានការលម្អៀង (Biased data) ឱ្យក្លាយជាទិន្នន័យយុត្តិធម៌ មុននឹងបញ្ជូនវាទៅឱ្យម៉ូដែលកុំព្យូទ័រធ្វើការរៀនសូត្រ។ | ដូចជាការពង្រាបដីឱ្យរាបស្មើ និងយកគ្រាប់មីនចេញសិន មុននឹងចាប់ផ្តើមសាងសង់ផ្ទះនៅលើដីនោះ។ |
| In-processing | ការបញ្ជ្រាបលក្ខខណ្ឌភាពយុត្តិធម៌ដោយផ្ទាល់ទៅក្នុងក្បួនដោះស្រាយកុំព្យូទ័រ កំឡុងពេលដែលម៉ូដែលកំពុងហ្វឹកហាត់រៀនសូត្រពីទិន្នន័យ ដើម្បីកុំឱ្យវាបង្កើតការសម្រេចចិត្តដែលលម្អៀង។ | ដូចជាការដាក់វិន័យនិងបង្រៀនក្មេងតាំងពីតូចមិនឱ្យចេះរើសអើងអ្នកដទៃ កំឡុងពេលដែលពួកគេកំពុងលូតលាស់និងរៀនសូត្រ។ |
| Post-processing | វិធីសាស្ត្រកែសម្រួលលទ្ធផលទស្សន៍ទាយចុងក្រោយរបស់ម៉ូដែលកុំព្យូទ័រ (បន្ទាប់ពីវាបានទស្សន៍ទាយរួច) ដើម្បីផ្លាស់ប្តូរការសម្រេចចិត្តឱ្យស្របតាមស្តង់ដារសមធម៌រវាងក្រុมนីមួយៗ។ | ដូចជាគ្រូបង្រៀនដែលបូកពិន្ទុបន្ថែមឱ្យសិស្សខ្សោយនៅពេលចុងម៉ោង ដើម្បីធានាថាសិស្សគ្រប់គ្នាមានឱកាសប្រឡងជាប់ស្មើៗគ្នា បន្ទាប់ពីការប្រឡងបានបញ្ចប់។ |
| Disparate Impact | ការវាស់ស្ទង់ភាពលម្អៀងដោយប្រៀបធៀបសមាមាត្រនៃក្រុមដែលមិនសូវមានឱកាស ធៀបនឹងក្រុមដែលមានឱកាសច្រើន ដើម្បីរកមើលថាការសម្រេចចិត្តរបស់ម៉ូដែលជះផលប៉ះពាល់អវិជ្ជមានខ្លាំងលើក្រុមណាមួយទោះបីជាគ្មានចេតនាក៏ដោយ។ | ប្រសិនបើសាលារៀនកំណត់កម្ពស់អប្បបរមាសម្រាប់កីឡាបាល់បោះ វាអាចនឹងរារាំងសិស្សស្រីភាគច្រើនមិនឱ្យចូលរួម ដែលនេះជាការបង្កើតផលប៉ះពាល់អវិជ្ជមានទោះច្បាប់នោះមិនបានហាមសិស្សស្រីចំៗក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
