ຄຳຕອບສັ້ນໆ: AI ຊ່ວຍໃຫ້ເວທີ Ed-Tech ມີປະສິດທິພາບໂດຍການປ່ຽນການພົວພັນຂອງຜູ້ຮຽນໃຫ້ກາຍເປັນວົງຈອນຄຳຕິຊົມທີ່ແໜ້ນໜາເຊິ່ງປັບແຕ່ງເສັ້ນທາງ, ສະເໜີການສະໜັບສະໜູນແບບການສອນ, ເລັ່ງການປະເມີນຜົນ, ແລະ ເປີດເຜີຍບ່ອນທີ່ຕ້ອງການຄວາມຊ່ວຍເຫຼືອ. ມັນຈະເຮັດວຽກໄດ້ດີທີ່ສຸດເມື່ອຂໍ້ມູນຖືກປະຕິບັດຄືກັບສຽງລົບກວນ ແລະ ມະນຸດສາມາດລົບລ້າງການຕັດສິນໃຈໄດ້; ຖ້າເປົ້າໝາຍ, ເນື້ອໃນ, ຫຼື ການຄຸ້ມຄອງອ່ອນແອ, ຄຳແນະນຳຈະຫຼົງໄຫຼ ແລະ ຄວາມໄວ້ວາງໃຈຈະຫຼຸດລົງ.
ບົດຮຽນຫຼັກ:
ການປັບແຕ່ງສ່ວນບຸກຄົນ : ໃຊ້ການຕິດຕາມຄວາມຮູ້ ແລະ ຕົວແນະນຳເພື່ອປັບແຕ່ງຈັງຫວະ, ຄວາມຍາກ ແລະ ການທົບທວນຄືນ.
ຄວາມໂປ່ງໃສ : ອະທິບາຍ “ເປັນຫຍັງຕ້ອງເປັນແບບນີ້” ຄຳແນະນຳ, ຄະແນນ ແລະ ເສັ້ນທາງອ້ອມເພື່ອຫຼຸດຜ່ອນຄວາມສັບສົນ.
ການຄວບຄຸມໂດຍມະນຸດ : ເຮັດໃຫ້ຄູສອນ ແລະ ຜູ້ຮຽນສາມາດລົບລ້າງ, ປັບທຽບ ແລະ ແກ້ໄຂຜົນຜະລິດໄດ້.
ການຫຼຸດຜ່ອນຂໍ້ມູນ : ເກັບກຳສະເພາະສິ່ງທີ່ຈຳເປັນເທົ່ານັ້ນ, ໂດຍມີການເກັບຮັກສາທີ່ຊັດເຈນ ແລະ ການປົກປ້ອງຄວາມເປັນສ່ວນຕົວ.
ການຕໍ່ຕ້ານການໃຊ້ໃນທາງທີ່ຜິດ : ເພີ່ມຮົ້ວກັ້ນເພື່ອໃຫ້ຜູ້ສອນສາມາດຝຶກສອນການຄິດ, ບໍ່ແມ່ນໃຫ້ຄໍາຕອບແບບໂກງ.
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 ວິທີທີ່ AI ສະໜັບສະໜູນການສຶກສາ
ວິທີການປະຕິບັດໄດ້ຈິງ AI ເຮັດໃຫ້ການຮຽນຮູ້ເປັນສ່ວນຕົວ ແລະ ຫຼຸດຜ່ອນພາລະວຽກຂອງຄູ.
🔗 10 ເຄື່ອງມື AI ຟຣີອັນດັບຕົ້ນໆສຳລັບການສຶກສາ
ລາຍຊື່ເຄື່ອງມືຟຣີທີ່ຄັດສັນມາສຳລັບນັກຮຽນ ແລະ ຄູອາຈານ.
🔗 ເຄື່ອງມື AI ສຳລັບຄູສອນການສຶກສາພິເສດ
ເຄື່ອງມື AI ທີ່ເນັ້ນໃສ່ການເຂົ້າເຖິງເຊິ່ງຊ່ວຍໃຫ້ຜູ້ຮຽນທີ່ຫຼາກຫຼາຍປະສົບຜົນສຳເລັດໃນແຕ່ລະວັນ.
🔗 ເຄື່ອງມື AI ອັນດັບຕົ້ນໆສຳລັບການສຶກສາຊັ້ນສູງ
ແພລດຟອມທີ່ດີທີ່ສຸດສຳລັບມະຫາວິທະຍາໄລ: ການສິດສອນ, ການຄົ້ນຄວ້າ, ການບໍລິຫານ ແລະ ການສະໜັບສະໜູນ.
1) ວິທີທີ່ AI ຂັບເຄື່ອນເວທີ Ed-Tech: ຄຳອະທິບາຍທີ່ງ່າຍທີ່ສຸດ 🧩
ໃນລະດັບສູງ, AI ມີບົດບາດສຳຄັນຕໍ່ເວທີ Ed-Tech ໂດຍການເຮັດວຽກສີ່ຢ່າງຄື: ( ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນ ແລະ ການຮຽນຮູ້ )
-
ໃຫ້ເປັນສ່ວນຕົວ (ສິ່ງທີ່ເຈົ້າເຫັນຕໍ່ໄປ, ແລະເຫດຜົນ)
-
ອະທິບາຍ ແລະ ສອນພິເສດ (ການຊ່ວຍເຫຼືອແບບໂຕ້ຕອບ, ຄຳແນະນຳ, ຕົວຢ່າງ)
-
ປະເມີນ ການຮຽນຮູ້ (ການໃຫ້ຄະແນນ, ຄຳຕິຊົມ, ການກວດສອບຊ່ອງຫວ່າງ)
-
ຄາດຄະເນ ແລະ ເພີ່ມປະສິດທິພາບ ຜົນໄດ້ຮັບ (ການມີສ່ວນຮ່ວມ, ການຮັກສາ, ຄວາມຊຳນານ)
ພາຍໃຕ້ຫົວຂໍ້ນີ້, ໂດຍປົກກະຕິແລ້ວນີ້ໝາຍເຖິງ: ( UNESCO - ຄຳແນະນຳສຳລັບ AI ທີ່ສ້າງສັນໃນການສຶກສາ ແລະ ການຄົ້ນຄວ້າ )
-
ຮູບແບບການແນະນຳ (ບົດຮຽນ, ແບບທົດສອບ ຫຼື ກິດຈະກຳຕໍ່ໄປ)
-
ການປະມວນຜົນພາສາທຳມະຊາດ (ຄູສອນສົນທະນາ, ຄຳຕິຊົມ, ການສະຫຼຸບ)
-
ຮູບແບບການປາກເວົ້າ ແລະ ວິໄສທັດ (ຄວາມຄ່ອງແຄ້ວໃນການອ່ານ, ການກວດສອບ, ການເຂົ້າເຖິງ) ( ການປະເມີນຄວາມຄ່ອງແຄ້ວໃນການອ່ານທີ່ຊ່ວຍໃຫ້ສາມາດເວົ້າໄດ້ (ອີງໃສ່ ASR) - van der Velde et al., 2025 ; ຜູ້ກວດສອບທີ່ດີ ຫຼື “ອ້າຍໃຫຍ່”? ຈັນຍາບັນຂອງຜູ້ກວດສອບການສອບເສັງອອນໄລນ໌ - Coghlan et al., 2021 )
-
ຮູບແບບການວິເຄາະ (ການຄາດຄະເນຄວາມສ່ຽງ, ການປະເມີນຄວາມຊຳນານດ້ານແນວຄວາມຄິດ) ( ການວິເຄາະການຮຽນຮູ້: ຕົວຂັບເຄື່ອນ, ການພັດທະນາ ແລະ ສິ່ງທ້າທາຍ - ເຟີກູສັນ, 2012 )
ແລະແມ່ນແລ້ວ... ສ່ວນຫຼາຍຍັງຂຶ້ນກັບກົດລະບຽບເກົ່າໆ ແລະ ຕົ້ນໄມ້ຕາມເຫດຜົນ. AI ມັກຈະເປັນ turbocharger, ບໍ່ແມ່ນເຄື່ອງຈັກທັງໝົດ. 🚗💨
2) ສິ່ງທີ່ເຮັດໃຫ້ແພລດຟອມ Ed-Tech ທີ່ດີດ້ວຍ AI ✅
ບໍ່ແມ່ນທຸກໆປ້າຍ "ທີ່ໃຊ້ AI" ສົມຄວນທີ່ຈະມີຢູ່. ຮຸ່ນທີ່ດີຂອງແພລດຟອມ Ed-Tech ທີ່ໃຊ້ AI ມັກຈະມີ:
-
ເປົ້າໝາຍການຮຽນຮູ້ທີ່ຊັດເຈນ (ທັກສະ, ມາດຕະຖານ, ຄວາມສາມາດ - ເລືອກຊ່ອງທາງ)
-
ເນື້ອຫາທີ່ມີຄຸນນະພາບສູງ (AI ສາມາດປະສົມປະສານເນື້ອຫາໄດ້, ແຕ່ມັນບໍ່ສາມາດຊ່ວຍເຫຼືອຫຼັກສູດທີ່ບໍ່ດີໄດ້) ( ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນ ແລະ ການຮຽນຮູ້ )
-
ການປັບຕົວຂອງສຽງ (ບໍ່ແມ່ນການແຕກກິ່ງແບບສຸ່ມ, ເຫດຜົນການສອນທີ່ແທ້ຈິງ)
-
ຄຳຕິຊົມທີ່ສາມາດນຳໃຊ້ໄດ້ (ສຳລັບຜູ້ຮຽນ ແລະ ຜູ້ສອນ - ບໍ່ພຽງແຕ່ຄວາມຮູ້ສຶກເທົ່ານັ້ນ)
-
ຄວາມສາມາດໃນການອະທິບາຍ (ເປັນຫຍັງລະບົບຈຶ່ງແນະນຳບາງສິ່ງບາງຢ່າງທີ່ສຳຄັນ... ຫຼາຍ) ( NIST - AI Risk Management Framework (AI RMF 1.0) )
-
ຄວາມເປັນສ່ວນຕົວຂອງຂໍ້ມູນໃນຕົວ (ບໍ່ໄດ້ຕິດຕັ້ງຫຼັງຈາກການຮ້ອງຮຽນ) ( ພາບລວມຂອງ FERPA - ກະຊວງສຶກສາທິການສະຫະລັດ ; ICO - ການຫຼຸດຜ່ອນຂໍ້ມູນ (GDPR ຂອງອັງກິດ) )
-
ການລົບລ້າງຂອງມະນຸດ (ຄູສອນ, ຜູ້ບໍລິຫານ, ຜູ້ຮຽນຕ້ອງການການຄວບຄຸມ) ( OECD - ໂອກາດ, ແນວທາງ ແລະ ມາດຕະການປ້ອງກັນສຳລັບ AI ໃນການສຶກສາ )
-
ການກວດສອບອະຄະຕິ (ເພາະວ່າ "ຂໍ້ມູນທີ່ເປັນກາງ" ເປັນຄວາມເຊື່ອທີ່ໜ້າຮັກ) ( NIST - AI RMF 1.0 )
ຖ້າແພລດຟອມບໍ່ສາມາດລະບຸໄດ້ວ່າຜູ້ຮຽນໄດ້ຮັບຫຍັງທີ່ເຂົາເຈົ້າບໍ່ເຄີຍໄດ້ຮັບມາກ່ອນ, ມັນອາດຈະເປັນພຽງການແຕ່ງໂຕແບບອັດຕະໂນມັດເທົ່ານັ້ນ. 🥸
3) ຊັ້ນຂໍ້ມູນ: ບ່ອນທີ່ AI ໄດ້ຮັບພະລັງຂອງມັນ 🔋📈
AI ໃນ Ed-Tech ເຮັດວຽກໂດຍອີງໃສ່ສັນຍານການຮຽນຮູ້. ສັນຍານເຫຼົ່ານີ້ຢູ່ທົ່ວທຸກແຫ່ງ: ( ການວິເຄາະການຮຽນຮູ້: ຕົວຂັບເຄື່ອນ, ການພັດທະນາ ແລະ ສິ່ງທ້າທາຍ - Ferguson, 2012 )
-
ການຄລິກ, ເວລາເຮັດວຽກ, ການສະແດງຊ້ຳ, ການຂ້າມ
-
ຄວາມພະຍາຍາມໃນການເຮັດແບບທົດສອບ, ຮູບແບບຄວາມຜິດພາດ, ການໃຊ້ຄຳແນະນຳ
-
ຕົວຢ່າງການຂຽນ, ຄຳຕອບເປີດ, ໂຄງການຕ່າງໆ
-
ກິດຈະກຳເວທີສົນທະນາ, ຮູບແບບການຮ່ວມມື
-
ການເຂົ້າຮ່ວມ, ຈັງຫວະ, ອັດຕາການເຕັ້ນຂອງຫົວໃຈ (ແມ່ນແລ້ວ, ອັດຕາການເຕັ້ນຂອງຫົວໃຈ…)
ຫຼັງຈາກນັ້ນ, ແພລດຟອມຈະປ່ຽນສັນຍານເຫຼົ່ານັ້ນໃຫ້ເປັນລັກສະນະຕ່າງໆເຊັ່ນ:
-
ຄວາມເປັນໄປໄດ້ຂອງຄວາມຊຳນານຕໍ່ແນວຄວາມຄິດ
-
ການປະເມີນຄວາມໝັ້ນໃຈ
-
ຄະແນນຄວາມສ່ຽງດ້ານການມີສ່ວນຮ່ວມ
-
ວິທີການທີ່ຕ້ອງການ (ວິດີໂອທຽບກັບການອ່ານທຽບກັບການຝຶກຊ້ອມ)
ນີ້ແມ່ນຈຸດອ່ອນ: ຂໍ້ມູນການສຶກສາມີສຽງລົບກວນ. ຜູ້ຮຽນຄາດເດົາ. ພວກເຂົາຖືກລົບກວນ. ພວກເຂົາຄັດລອກຄຳຕອບ. ພວກເຂົາເລີ່ມຕື່ນຕົກໃຈ. ພວກເຂົາຍັງຮຽນຮູ້ເປັນໄລຍະໆ, ຈາກນັ້ນຫາຍໄປ, ແລ້ວກັບມາຄືກັບວ່າບໍ່ມີຫຍັງເກີດຂຶ້ນ. ສະນັ້ນ, ແພລດຟອມທີ່ດີທີ່ສຸດຈຶ່ງຖືວ່າຂໍ້ມູນບໍ່ສົມບູນແບບ ແລະ ອອກແບບ AI ໃຫ້… ຖ່ອມຕົວ. 😬
ອີກຢ່າງໜຶ່ງ: ຄຸນນະພາບຂອງຂໍ້ມູນແມ່ນຂຶ້ນກັບການອອກແບບການສອນ. ຖ້າກິດຈະກຳໃດໜຶ່ງບໍ່ໄດ້ວັດແທກທັກສະຢ່າງແທ້ຈິງ, ແບບຈຳລອງຈະຮຽນຮູ້ເລື່ອງໄຮ້ສາລະ. ຄືກັບການພະຍາຍາມຕັດສິນຄວາມສາມາດໃນການລອຍນໍ້າໂດຍການຂໍໃຫ້ຄົນຕັ້ງຊື່ປາ. 🐟
4) ເຄື່ອງຈັກການຮຽນຮູ້ແບບປັບແຕ່ງສ່ວນບຸກຄົນ ແລະ ການປັບຕົວ 🎯
ນີ້ແມ່ນຄຳໝັ້ນສັນຍາແບບຄລາສສິກຂອງ “AI ໃນ Ed-Tech”: ຜູ້ຮຽນທຸກຄົນຈະໄດ້ບາດກ້າວຕໍ່ໄປທີ່ຖືກຕ້ອງ.
ໃນທາງປະຕິບັດ, ການຮຽນຮູ້ແບບປັບຕົວມັກຈະປະສົມປະສານ:
-
ການຕິດຕາມຄວາມຮູ້ (ການປະເມີນສິ່ງທີ່ຜູ້ຮຽນຮູ້) ( Corbett & Anderson - ການຕິດຕາມຄວາມຮູ້ (1994) )
-
ການສ້າງແບບຈຳລອງການຕອບສະໜອງຂອງລາຍການ (ຄວາມຍາກ ທຽບກັບ ຄວາມສາມາດ) ( ETS - ແນວຄວາມຄິດພື້ນຖານຂອງທິດສະດີການຕອບສະໜອງຂອງລາຍການ )
-
ຜູ້ແນະນຳ (ກິດຈະກຳຕໍ່ໄປໂດຍອີງໃສ່ຜູ້ຮຽນ ຫຼື ຜົນໄດ້ຮັບທີ່ຄ້າຍຄືກັນ)
-
ໂຈນຫຼາຍອາວຸດ (ການທົດສອບວ່າເນື້ອຫາໃດເຮັດວຽກໄດ້ດີທີ່ສຸດ) ( Clement et al., 2015 - ໂຈນຫຼາຍອາວຸດສຳລັບລະບົບການສອນທີ່ສະຫຼາດ )
ການປັບແຕ່ງສ່ວນບຸກຄົນສາມາດເບິ່ງຄືວ່າ:
-
ການປັບຄວາມຫຍຸ້ງຍາກແບບໄດນາມິກ
-
ການຈັດວາງບົດຮຽນຄືນໃໝ່ໂດຍອີງໃສ່ຜົນງານ
-
ການສັກຢາທົບທວນຄືນເມື່ອມີໂອກາດລືມ (ຄວາມຮູ້ສຶກແບບການຊ້ຳຊ້ອນທີ່ມີໄລຍະຫ່າງ) ( Duolingo - ການຊ້ຳຊ້ອນທີ່ມີໄລຍະຫ່າງສຳລັບການຮຽນຮູ້ )
-
ແນະນຳການປະຕິບັດສຳລັບແນວຄວາມຄິດທີ່ອ່ອນແອ
-
ການປ່ຽນຄຳອະທິບາຍໂດຍອີງໃສ່ສັນຍານແບບການຮຽນຮູ້
ແຕ່ການປັບແຕ່ງສ່ວນບຸກຄົນຍັງສາມາດໄປຂ້າງໆໄດ້:
-
ມັນສາມາດ "ດັກ" ຜູ້ຮຽນໃນຮູບແບບງ່າຍ 😬
-
ມັນສາມາດເຮັດໃຫ້ລາງວັນຄວາມໄວທຽບກັບຄວາມເລິກເກີນກວ່າ
-
ມັນອາດຈະເຮັດໃຫ້ຄູສັບສົນໄດ້ ຖ້າເສັ້ນທາງເບິ່ງບໍ່ເຫັນ
ລະບົບການປັບຕົວທີ່ດີທີ່ສຸດສະແດງແຜນທີ່ທີ່ຊັດເຈນ: “ເຈົ້າມາຮອດແລ້ວ, ເຈົ້າກຳລັງຕັ້ງເປົ້າໝາຍນີ້, ແລະນີ້ແມ່ນເຫດຜົນທີ່ພວກເຮົາກຳລັງອ້ອມທາງ.” ຄວາມໂປ່ງໃສນັ້ນເຮັດໃຫ້ສະຫງົບລົງຢ່າງໜ້າປະຫລາດໃຈ, ຄືກັບ GPS ທີ່ຍອມຮັບວ່າມັນກຳລັງປ່ຽນເສັ້ນທາງເພາະວ່າເຈົ້າພາດການລ້ຽວ... ອີກເທື່ອໜຶ່ງ. 🗺️
5) ຄູສອນ AI, ຜູ້ຊ່ວຍສົນທະນາ, ແລະ ການເພີ່ມຂຶ້ນຂອງ “ການຊ່ວຍເຫຼືອທັນທີ” 💬🧠
ຄຳຕອບໃຫຍ່ອັນໜຶ່ງຕໍ່ ວິທີທີ່ AI ຂັບເຄື່ອນເວທີ Ed-Tech ແມ່ນການສະໜັບສະໜູນການສົນທະນາ.
ຄູສອນ AI ສາມາດ:
-
ອະທິບາຍແນວຄວາມຄິດໃນຫຼາຍວິທີ
-
ໃຫ້ຄຳແນະນຳແທນທີ່ຈະຕອບ
-
ສ້າງຕົວຢ່າງໄດ້ທັນທີ
-
ຖາມຄຳແນະນຳ (ບາງຄັ້ງກໍ່ຄ້າຍຄືກັບ Socratic)
-
ສະຫຼຸບບົດຮຽນ ແລະ ສ້າງແຜນການຮຽນ
-
ແປ ຫຼື ຫຍໍ້ພາສາໃຫ້ງ່າຍຂຶ້ນເພື່ອການເຂົ້າເຖິງ
ໂດຍປົກກະຕິແລ້ວສິ່ງນີ້ຖືກຂັບເຄື່ອນໂດຍຮູບແບບພາສາຂະໜາດໃຫຍ່ບວກກັບ:
-
ຮົ້ວກັ້ນ (ເພື່ອຫຼີກລ່ຽງການປະສາດຫຼອນ ແລະ ເນື້ອຫາທີ່ບໍ່ປອດໄພ) ( UNESCO - ຄຳແນະນຳສຳລັບ AI ທີ່ສ້າງສັນໃນການສຶກສາ ແລະ ການຄົ້ນຄວ້າ ; ການສຳຫຼວດກ່ຽວກັບການປະສາດຫຼອນໃນຮູບແບບພາສາຂະໜາດໃຫຍ່ - Huang et al., 2023 )
-
ການດຶງເອົາຂໍ້ມູນຄືນ (ດຶງມາຈາກເອກະສານຫຼັກສູດທີ່ໄດ້ຮັບການອະນຸມັດ) ( ລຸ້ນທີ່ເພີ່ມເຂົ້າໃນການດຶງເອົາຂໍ້ມູນຄືນ (RAG) - Lewis et al., 2020 )
-
ເກນ (ເພື່ອໃຫ້ຄໍາຄິດເຫັນສອດຄ່ອງກັບຜົນໄດ້ຮັບ)
-
ຕົວກອງຄວາມປອດໄພ (ຂໍ້ຈຳກັດທີ່ເໝາະສົມກັບອາຍຸ) ( UK DfE - ປັນຍາປະດິດທີ່ສ້າງສັນໃນການສຶກສາ )
ຄູສອນທີ່ມີປະສິດທິພາບທີ່ສຸດເຮັດສິ່ງໜຶ່ງໄດ້ດີຫຼາຍ:
-
ພວກເຂົາເຮັດໃຫ້ຜູ້ຮຽນຄິດ. 🧠⚡
ຄົນທີ່ຮ້າຍແຮງທີ່ສຸດເຮັດກົງກັນຂ້າມ:
-
ພວກເຂົາໃຫ້ຄຳຕອບທີ່ລະອຽດອ່ອນເຊິ່ງຊ່ວຍໃຫ້ຜູ້ຮຽນຂ້າມການຕໍ່ສູ້, ເຊິ່ງເປັນຈຸດປະສົງຂອງການຮຽນຮູ້. (ໜ້າລຳຄານ, ແຕ່ເປັນຄວາມຈິງ.)
ກົດລະບຽບທີ່ໃຊ້ໄດ້ຈິງ: AI ການສອນທີ່ດີມີພຶດຕິກຳຄືກັບຄູຝຶກ. AI ການສອນທີ່ບໍ່ດີມີພຶດຕິກຳຄືກັບໃບໂກງທີ່ໃສ່ໜວດປອມ. 🥸📄
6) ການປະເມີນຜົນ ແລະ ຄຳຕິຊົມແບບອັດຕະໂນມັດ: ການໃຫ້ຄະແນນ, ຄະແນນ, ແລະ ຄວາມເປັນຈິງ 📝
ການປະເມີນຜົນແມ່ນບ່ອນທີ່ເວທີ Ed-Tech ມັກຈະເຫັນຄຸນຄ່າໃນທັນທີ, ເພາະວ່າການໃຫ້ຄະແນນແມ່ນໃຊ້ເວລາຫຼາຍ ແລະ ເຮັດໃຫ້ໝົດແຮງທາງດ້ານອາລົມ. AI ຊ່ວຍໂດຍ:
-
ຄຳຖາມທີ່ເປັນຈຸດປະສົງການໃຫ້ຄະແນນອັດຕະໂນມັດ (ຊະນະງ່າຍ)
-
ການໃຫ້ຄໍາຕິຊົມທັນທີກ່ຽວກັບການປະຕິບັດ (ເພີ່ມແຮງຈູງໃຈຢ່າງຫຼວງຫຼາຍ)
-
ການໃຫ້ຄະແນນຄຳຕອບສັ້ນໆດ້ວຍຮູບແບບທີ່ສອດຄ່ອງກັບ rubric
-
ການໃຫ້ຄໍາຄິດເຫັນກ່ຽວກັບການຂຽນ (ໂຄງສ້າງ, ຄວາມຊັດເຈນ, ໄວຍາກອນ, ຄຸນນະພາບຂອງການໂຕ້ຖຽງ) ( ETS - e-rater Scoring Engine )
-
ການກວດຫາຄວາມເຂົ້າໃຈຜິດໂດຍການຈັດກຸ່ມຮູບແບບຄວາມຜິດພາດ
ແຕ່ນີ້ແມ່ນຄວາມເຄັ່ງຕຶງ:
-
ການສຶກສາຕ້ອງການ ຄວາມຍຸຕິທຳ ແລະ ຄວາມສອດຄ່ອງ
-
ຜູ້ຮຽນຕ້ອງ ການຄຳຕິຊົມທີ່ໄວ ແລະ ເປັນປະໂຫຍດ
-
ຄູອາຈານຕ້ອງການ ການຄວບຄຸມ ແລະ ຄວາມໄວ້ວາງໃຈ
-
ບາງຄັ້ງ AI ຢາກ... ປັບປຸງ 😅
ເວທີທີ່ເຂັ້ມແຂງສາມາດຈັດການກັບສິ່ງນີ້ໄດ້ໂດຍ:
-
ການແຍກ “ຄຳຕິຊົມຊ່ວຍເຫຼືອ” ອອກຈາກ “ການໃຫ້ຄະແນນສຸດທ້າຍ” ( ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນ ແລະ ການຮຽນຮູ້ )
-
ກຳລັງສະແດງການສ້າງແຜນທີ່ຄະແນນຢ່າງຊັດເຈນ
-
ການໃຫ້ຜູ້ສອນປັບທຽບຄຳຕອບຕົວຢ່າງ
-
ການສະເໜີຄຳອະທິບາຍ “ເປັນຫຍັງຕ້ອງໃຫ້ຄະແນນນີ້”
-
ກຳລັງລາຍງານກໍລະນີທີ່ບໍ່ແນ່ນອນສຳລັບການກວດສອບໂດຍມະນຸດ
ນອກຈາກນັ້ນ, ນໍ້າສຽງຄຳຕິຊົມກໍ່ມີຄວາມສຳຄັນຫຼາຍ. ຄຳເຫັນ AI ທີ່ກົງໄປກົງມາສາມາດຕົກລົງມາໄດ້ຄືກັບດິນຈີ່. ຄຳເຫັນທີ່ອ່ອນໂຍນສາມາດຊຸກຍູ້ໃຫ້ມີການແກ້ໄຂ. ລະບົບທີ່ດີທີ່ສຸດຊ່ວຍໃຫ້ນັກການສຶກສາສາມາດປັບແຕ່ງສຽງ ແລະ ຄວາມເຂັ້ມງວດໄດ້, ເພາະວ່າຜູ້ຮຽນບໍ່ໄດ້ຖືກສ້າງຂຶ້ນມາຄືກັນທຸກຄົນ. ❤️
7) ການຊ່ວຍເຫຼືອໃນການສ້າງເນື້ອຫາ ແລະ ການອອກແບບການສອນ 🧱✨
ນີ້ແມ່ນການປະຕິວັດທີ່ງຽບສະຫງົບ: AI ຊ່ວຍສ້າງເອກະສານການຮຽນຮູ້ໄດ້ໄວຂຶ້ນ.
AI ສາມາດສ້າງ:
-
ຝຶກຊ້ອມຄຳຖາມໃນຫຼາຍລະດັບຄວາມຫຍຸ້ງຍາກ
-
ຄຳອະທິບາຍ ແລະ ວິທີແກ້ໄຂທີ່ໄດ້ເຮັດວຽກ
-
ສະຫຼຸບບົດຮຽນ ແລະ ບັດຄຳສັບ
-
ສະຖານະການ ແລະ ການກະຕຸ້ນການສະແດງບົດບາດ
-
ຮຸ່ນທີ່ແຕກຕ່າງກັນສຳລັບຜູ້ຮຽນທີ່ຫຼາກຫຼາຍ
-
ທະນາຄານຄຳຖາມທີ່ສອດຄ່ອງກັບມາດຕະຖານ ( ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນແລະການຮຽນຮູ້ )
ສຳລັບຄູສອນ ແລະ ຜູ້ສ້າງຫຼັກສູດ, ມັນສາມາດເລັ່ງຄວາມໄວໄດ້:
-
ການວາງແຜນ
-
ການຮ່າງ
-
ການຈຳແນກ
-
ການສ້າງເນື້ອຫາການແກ້ໄຂ
ແຕ່... ແລະຂ້ອຍກຽດການເປັນຄົນ "ແຕ່", ແຕ່ພວກເຮົາຢູ່ທີ່ນີ້...
ຖ້າ AI ສ້າງເນື້ອຫາໂດຍບໍ່ມີຂໍ້ຈຳກັດທີ່ເຂັ້ມແຂງ, ເຈົ້າຈະໄດ້ຮັບ:
-
ຄຳຖາມທີ່ບໍ່ສອດຄ່ອງ
-
ຄຳຕອບທີ່ບໍ່ຖືກຕ້ອງທີ່ຟັງແລ້ວໝັ້ນໃຈ (ສະບາຍດີ, ອາການປະສາດຫຼອນ) ( ການສຳຫຼວດກ່ຽວກັບອາການປະສາດຫຼອນໃນຮູບແບບພາສາຂະໜາດໃຫຍ່ - Huang et al., 2023 )
-
ຮູບແບບຊ້ຳໆທີ່ຜູ້ຮຽນເລີ່ມຫຼິ້ນເກມ
ຂັ້ນຕອນການເຮັດວຽກທີ່ດີທີ່ສຸດແມ່ນ “ຮ່າງ AI, ມະນຸດຕັດສິນໃຈ.” ຄືກັບການໃຊ້ເຄື່ອງເຮັດເຂົ້າຈີ່ - ມັນຊ່ວຍໄດ້, ແຕ່ເຈົ້າຍັງກວດສອບວ່າມັນອົບເຂົ້າຈີ່ຫຼືຜະລິດຟອງນ້ຳອຸ່ນ. 🍞😬
8) ການວິເຄາະການຮຽນຮູ້: ການຄາດຄະເນຜົນໄດ້ຮັບ ແລະ ການສັງເກດຄວາມສ່ຽງ 👀📊
AI ຍັງໃຫ້ພະລັງແກ່ຝ່າຍບໍລິຫານອີກດ້ວຍ. ບໍ່ແມ່ນເລື່ອງທີ່ໜ້າສົນໃຈ, ແຕ່ມັນສຳຄັນ.
ແພລດຟອມຕ່າງໆໃຊ້ການວິເຄາະແບບຄາດເດົາເພື່ອປະເມີນ:
-
ຄວາມສ່ຽງໃນການອອກຈາກໂຮງຮຽນ
-
ການຫຼຸດລົງຂອງການມີສ່ວນຮ່ວມ
-
ຊ່ອງຫວ່າງທີ່ອາດຈະເປັນໄປໄດ້ຂອງຄວາມຊຳນານ
-
ເວລາທີ່ຈະເຮັດໃຫ້ສຳເລັດ
-
ການກຳນົດເວລາການແຊກແຊງ ( ລະບົບເຕືອນໄພລ່ວງໜ້າເພື່ອລະບຸ ແລະ ແຊກແຊງຄວາມສ່ຽງຕໍ່ການອອກຈາກໂຮງຮຽນທາງອອນລາຍ - Bañeres et al., 2023 )
ອັນນີ້ມັກຈະປະກົດເປັນ:
-
ແຜງຄວບຄຸມການເຕືອນໄພລ່ວງໜ້າສຳລັບນັກການສຶກສາ
-
ການປຽບທຽບກຸ່ມຄົນ
-
ຂໍ້ມູນเชิงลึกກ່ຽວກັບຈັງຫວະ
-
ປ້າຍ "ມີຄວາມສ່ຽງ"
-
ຄຳແນະນຳກ່ຽວກັບການແຊກແຊງ (ຂໍ້ຄວາມກະຕຸ້ນ, ການສອນພິເສດ, ຊຸດການທົບທວນຄືນ)
ຄວາມສ່ຽງທີ່ບໍ່ຮຸນແຮງຢູ່ທີ່ນີ້ແມ່ນການຕິດສະຫຼາກ:
-
ຖ້າຜູ້ຮຽນຖືກຕິດປ້າຍວ່າ "ມີຄວາມສ່ຽງ," ລະບົບສາມາດຫຼຸດຄວາມຄາດຫວັງລົງໄດ້ໂດຍບໍ່ໄດ້ຕັ້ງໃຈ. ນັ້ນບໍ່ພຽງແຕ່ເປັນບັນຫາທາງດ້ານເຕັກນິກເທົ່ານັ້ນ, ແຕ່ມັນຍັງເປັນບັນຫາຂອງມະນຸດ. ( ຫຼັກການດ້ານຈັນຍາບັນ ແລະ ຄວາມເປັນສ່ວນຕົວສຳລັບການວິເຄາະການຮຽນຮູ້ - Pardo & Siemens, 2014 )
ແພລດຟອມທີ່ດີກວ່າຖືວ່າການຄາດຄະເນເປັນການກະຕຸ້ນ, ບໍ່ແມ່ນຄຳຕັດສິນ:
-
“ຜູ້ຮຽນຄົນນີ້ອາດຈະຕ້ອງການການສະໜັບສະໜູນ” ທຽບກັບ “ຜູ້ຮຽນຄົນນີ້ຈະລົ້ມເຫຼວ.” ແຕກຕ່າງກັນຫຼາຍ. 🧠
9) ການເຂົ້າເຖິງ ແລະ ການມີສ່ວນຮ່ວມ: AI ເປັນຕົວຂະຫຍາຍການຮຽນຮູ້ ♿🌈
ສ່ວນນີ້ສົມຄວນໄດ້ຮັບຄວາມສົນໃຈຫຼາຍກວ່າທີ່ມັນໄດ້ຮັບ.
AI ສາມາດປັບປຸງການເຂົ້າເຖິງໄດ້ຢ່າງຫຼວງຫຼາຍໂດຍການເຮັດໃຫ້:
-
ການປ່ຽນຂໍ້ຄວາມເປັນສຽງ ແລະ ການປ່ຽນສຽງເປັນຂໍ້ຄວາມ ( W3C WAI - ຂໍ້ຄວາມເປັນສຽງ ; W3C WAI - ເຄື່ອງມື ແລະ ເຕັກນິກ )
-
ການຂຽນຄຳບັນຍາຍແບບເວລາຈິງ ( W3C - ຄວາມເຂົ້າໃຈກ່ຽວກັບ WCAG 1.2.2 ຄຳບັນຍາຍ (ບັນທຶກລ່ວງໜ້າ) )
-
ການປັບຕົວລະດັບການອ່ານ
-
ການແປພາສາ ແລະ ການເຮັດໃຫ້ງ່າຍຂຶ້ນ
-
ຄຳແນະນຳກ່ຽວກັບຮູບແບບທີ່ເປັນມິດກັບ Dyslexia
-
ການໃຫ້ຄໍາຄິດເຫັນກ່ຽວກັບການຝຶກຝົນການເວົ້າ (ການອອກສຽງ, ຄວາມຄ່ອງແຄ້ວ) ( ການປະເມີນຄວາມຄ່ອງແຄ້ວໃນການອ່ານທີ່ຊ່ວຍໃຫ້ສາມາດເວົ້າໄດ້ (ອີງໃສ່ ASR) - van der Velde et al., 2025 )
ສຳລັບຜູ້ຮຽນທີ່ມີຄວາມຫຼາກຫຼາຍທາງດ້ານລະບົບປະສາດ, AI ສາມາດຊ່ວຍໄດ້ໂດຍການ:
-
ການແບ່ງວຽກງານອອກເປັນຂັ້ນຕອນນ້ອຍໆ
-
ການສະເໜີການນຳສະເໜີທາງເລືອກອື່ນ (ພາບ, ການເວົ້າ, ການໂຕ້ຕອບ)
-
ການໃຫ້ບໍລິການສ່ວນຕົວໂດຍບໍ່ມີຄວາມກົດດັນທາງສັງຄົມ (ໃຫຍ່ຫຼວງ, ດ້ວຍຄວາມຈິງໃຈ)
ເຖິງຢ່າງໃດກໍ່ຕາມ, ການລວມເອົາຕ້ອງມີວິໄນໃນການອອກແບບ. ການເຂົ້າເຖິງບໍ່ແມ່ນການສະຫຼັບຄຸນສົມບັດ. ຖ້າການໄຫຼວຽນຫຼັກຂອງແພລດຟອມສັບສົນ, AI ພຽງແຕ່ເພີ່ມຜ້າພັນບາດໃສ່ຕັ່ງທີ່ແຕກ. ແລະເຈົ້າບໍ່ຢາກນັ່ງເທິງຕັ່ງນັ້ນ. 🪑😵
10) ຕາຕະລາງປຽບທຽບ: ຕົວເລືອກເຕັກໂນໂລຊີການສຶກສາທີ່ນິຍົມໃຊ້ AI (ແລະເຫດຜົນທີ່ພວກມັນເຮັດວຽກ) 🧾
ຂ້າງລຸ່ມນີ້ແມ່ນຕາຕະລາງທີ່ໃຊ້ໄດ້ຈິງ, ແຕ່ບໍ່ສົມບູນແບບເລັກນ້ອຍ. ລາຄາແຕກຕ່າງກັນຫຼາຍ; ນີ້ແມ່ນ "ປົກກະຕິ" ແທນທີ່ຈະເປັນແບບແນ່ນອນ.
| ເຄື່ອງມື / ແພລດຟອມ | ດີທີ່ສຸດສຳລັບ (ຜູ້ຊົມ) | ລາຄາປະມານ | ເປັນຫຍັງມັນຈຶ່ງເຮັດວຽກ (ແລະມີຄວາມແປກປະຫຼາດເລັກນ້ອຍ) |
|---|---|---|---|
| ການສອນແບບ AI ແບບ Khan Academy (ຕົວຢ່າງ: ການຊ່ວຍເຫຼືອແບບມີຄູ່ມື) | ນັກຮຽນ + ຜູ້ຮຽນດ້ວຍຕົນເອງ | ຟຣີ / ການບໍລິຈາກ + ບິດພຣີມຽມ | ນັ່ງຮ້ານທີ່ແຂງແຮງ, ອະທິບາຍຂັ້ນຕອນຕ່າງໆ; ບາງຄັ້ງກໍ່ເວົ້າຫຼາຍໂພດ 😅 ( Khanmigo ) |
| ແອັບຯພາສາແບບປັບຕົວໄດ້ແບບ Duolingo | ຜູ້ຮຽນພາສາ | ຟຣີມຽມ / ການສະໝັກໃຊ້ | ການຕອບຮັບແບບວວງຈອນໄວ, ການເວົ້າຊ້ຳແບບຫ່າງໆ; ເສັ້ນຕໍ່ໆສາມາດກາຍເປັນ... ຮຸນແຮງທາງດ້ານອາລົມ 🔥 ( Duolingo - ການເວົ້າຊ້ຳແບບຫ່າງໆເພື່ອການຮຽນຮູ້ ) |
| ແພລດຟອມແບບສອບຖາມ / ບັດຄຳສັບທີ່ມີການປະຕິບັດ AI | ຜູ້ຮຽນກຽມສອບເສັງ | ຟຣີມຽມ | ການສ້າງເນື້ອຫາໄວ + ການຝຶກການຈື່ຈຳ; ຄຸນນະພາບແມ່ນຂຶ້ນກັບການກະຕຸ້ນ, ແມ່ນແລ້ວ |
| ສ່ວນເສີມ LMS ພ້ອມດ້ວຍການຮອງຮັບການໃຫ້ຄະແນນ AI | ຄູອາຈານ, ສະຖາບັນຕ່າງໆ | ຕໍ່ບ່ອນນັ່ງ / ວິສາຫະກິດ | ຊ່ວຍປະຢັດເວລາໃນການໃຫ້ຄຳຕິຊົມ; ຕ້ອງການການປັບແຕ່ງຄະແນນ ຫຼື ມັນຈະອອກນອກເສັ້ນທາງໄວ |
| ແພລດຟອມ L&D ຂອງບໍລິສັດທີ່ມີເຄື່ອງຈັກແນະນຳ | ການຝຶກອົບຮົມກຳລັງແຮງງານ | ໃບສະເໜີລາຄາວິສາຫະກິດ | ເສັ້ນທາງສ່ວນບຸກຄົນໃນຂອບເຂດກ້ວາງ; ບາງຄັ້ງກໍ່ສຸມໃສ່ຕົວຊີ້ວັດຄວາມສຳເລັດຫຼາຍເກີນໄປ |
| ເຄື່ອງມືການຂຽນຄຳຕິຊົມດ້ວຍ AI ສຳລັບຫ້ອງຮຽນ | ນັກຂຽນ, ນັກສຶກສາ | ຟຣີມຽມ / ການສະໝັກໃຊ້ | ຄຳແນະນຳໃນການແກ້ໄຂທັນທີ; ຕ້ອງຫຼີກລ່ຽງໂໝດ “ຂຽນໃຫ້ເຈົ້າ” 🙃 ( ETS - e-rater Scoring Engine ) |
| ເວທີການຝຶກຄະນິດສາດພ້ອມຄຳແນະນຳທີ່ອີງໃສ່ຂັ້ນຕອນ | ອະນຸບານ-ມັດທະຍົມຕອນປາຍ ແລະ ຫຼັງຈາກນັ້ນ | ການສະໝັກໃຊ້ / ໃບອະນຸຍາດໂຮງຮຽນ | ການໃຫ້ຄຳຄິດເຫັນແບບຂັ້ນຕອນສາມາດຈັບຄວາມເຂົ້າໃຈຜິດໄດ້; ສາມາດເຮັດໃຫ້ຜູ້ທີ່ເຮັດສຳເລັດໄວຮູ້ສຶກອຸກອັ່ງໄດ້ |
| ຜູ້ວາງແຜນການສຶກສາ ແລະ ຜູ້ສະຫຼຸບບັນທຶກດ້ວຍ AI | ນັກຮຽນຫຼິ້ນກິລາໂຍນບານໃນຫ້ອງຮຽນ | ຟຣີມຽມ | ຫຼຸດຜ່ອນຄວາມວຸ້ນວາຍ; ບໍ່ແມ່ນການທົດແທນຄວາມເຂົ້າໃຈ (ແນ່ນອນ, ແຕ່ຍັງ) |
ສັງເກດຮູບແບບ: AI ເກັ່ງກວ່າເມື່ອມັນສະໜັບສະໜູນການຝຶກຝົນ, ຄຳຕິຊົມ, ແລະ ຈັງຫວະການເຮັດວຽກ. ມັນມີບັນຫາເມື່ອມັນພະຍາຍາມທົດແທນການຄິດ. 🧠
11) ຄວາມເປັນຈິງໃນການຈັດຕັ້ງປະຕິບັດ: ສິ່ງທີ່ທີມງານເຮັດຜິດພາດ (ເລື້ອຍໆເກີນໄປ) 🧯
ຖ້າທ່ານກຳລັງສ້າງ ຫຼື ເລືອກເຄື່ອງມື Ed-Tech ທີ່ຂັບເຄື່ອນດ້ວຍ AI, ນີ້ແມ່ນຂໍ້ບົກຜ່ອງທົ່ວໄປ:
-
ໄລ່ຕາມລັກສະນະຕ່າງໆກ່ອນຜົນໄດ້ຮັບ
-
“ພວກເຮົາໄດ້ເພີ່ມ chatbot” ບໍ່ແມ່ນຍຸດທະສາດການຮຽນຮູ້. ( ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນແລະການຮຽນຮູ້ )
-
-
ບໍ່ສົນໃຈຂະບວນການເຮັດວຽກຂອງຄູ
-
ຖ້າຄູອາຈານບໍ່ສາມາດໄວ້ວາງໃຈ ຫຼື ຄວບຄຸມມັນໄດ້, ພວກເຂົາກໍ່ຈະບໍ່ໃຊ້ມັນ. ( OECD - ໂອກາດ, ແນວທາງ ແລະ ມາດຕະການປ້ອງກັນສຳລັບ AI ໃນການສຶກສາ )
-
-
ບໍ່ໄດ້ກຳນົດຕົວຊີ້ວັດຄວາມສຳເລັດ
-
ການມີສ່ວນຮ່ວມບໍ່ແມ່ນການຮຽນຮູ້. ມັນຢູ່ຕິດກັນ... ແຕ່ບໍ່ແມ່ນຄືກັນ.
-
-
ການຄຸ້ມຄອງເນື້ອຫາທີ່ອ່ອນແອ
-
AI ຕ້ອງການ “ລັດຖະທຳມະນູນເນື້ອຫາ” - ສິ່ງທີ່ມັນສາມາດນຳໃຊ້, ເວົ້າ, ສ້າງຂຶ້ນໄດ້. ( UNESCO - ຄຳແນະນຳສຳລັບ AI ທີ່ສ້າງສັນໃນການສຶກສາ ແລະ ການຄົ້ນຄວ້າ )
-
-
ການເກັບກຳຂໍ້ມູນຫຼາຍເກີນໄປ
-
ຂໍ້ມູນເພີ່ມເຕີມບໍ່ໄດ້ດີກວ່າໂດຍອັດຕະໂນມັດ. ບາງຄັ້ງມັນກໍ່ເປັນພຽງແຕ່ຄວາມຮັບຜິດຊອບຫຼາຍຂຶ້ນ 😬 ( ICO - ການຫຼຸດຜ່ອນຂໍ້ມູນ (GDPR ຂອງອັງກິດ) )
-
-
ບໍ່ມີແຜນການສໍາລັບການດຣິຟຮູບແບບ
-
ການປ່ຽນແປງພຶດຕິກຳຂອງຜູ້ຮຽນ, ການປ່ຽນແປງຫຼັກສູດ, ການປ່ຽນແປງນະໂຍບາຍ.
-
ນອກຈາກນີ້, ຄວາມຈິງທີ່ບໍ່ສະບາຍເລັກນ້ອຍ:
-
ຄຸນສົມບັດ AI ມັກຈະລົ້ມເຫຼວຍ້ອນວ່າພື້ນຖານຂອງແພລດຟອມບໍ່ໝັ້ນຄົງ. ຖ້າການນຳທາງສັບສົນ, ເນື້ອຫາບໍ່ສອດຄ່ອງ, ແລະ ການປະເມີນຜົນເສຍຫາຍ, AI ຈະບໍ່ບັນທຶກມັນ. ມັນພຽງແຕ່ຈະເພີ່ມຄວາມເງົາງາມໃສ່ກະຈົກທີ່ແຕກ. ✨🪞
12) ຄວາມໄວ້ວາງໃຈ, ຄວາມປອດໄພ, ແລະ ຈັນຍາບັນ: ສິ່ງທີ່ບໍ່ສາມາດເຈລະຈາໄດ້ 🔒⚖️
ເນື່ອງຈາກການສຶກສາມີຄວາມສຳຄັນສູງ, AI ຈຶ່ງຕ້ອງການມາດຕະການປ້ອງກັນທີ່ເຂັ້ມແຂງກວ່າອຸດສາຫະກຳສ່ວນໃຫຍ່. ( UNESCO - ຄຳແນະນຳສຳລັບ AI ທີ່ສ້າງສັນໃນການສຶກສາ ແລະ ການຄົ້ນຄວ້າ ; NIST - AI RMF 1.0 )
ການພິຈາລະນາຫຼັກ:
-
ຄວາມເປັນສ່ວນຕົວ : ຫຼຸດຜ່ອນຂໍ້ມູນທີ່ລະອຽດອ່ອນ, ກົດລະບຽບການເກັບຮັກສາທີ່ຊັດເຈນ ( ພາບລວມຂອງ FERPA - ກະຊວງສຶກສາທິການສະຫະລັດ ; ICO - ການຫຼຸດຜ່ອນຂໍ້ມູນ (GDPR ຂອງອັງກິດ) )
-
ການອອກແບບທີ່ເໝາະສົມກັບອາຍຸ : ຂໍ້ຈຳກັດທີ່ແຕກຕ່າງກັນສຳລັບຜູ້ຮຽນທີ່ນ້ອຍກວ່າ ( UK DfE - ປັນຍາປະດິດ AI ໃນການສຶກສາ ; UNESCO - ຄຳແນະນຳສຳລັບປັນຍາປະດິດ AI ໃນການສຶກສາ ແລະ ການຄົ້ນຄວ້າ )
-
ອະຄະຕິ ແລະ ຄວາມຍຸຕິທຳ : ຮູບແບບການໃຫ້ຄະແນນການກວດສອບ, ຄຳຕິຊົມດ້ານພາສາ, ຄຳແນະນຳ ( NIST - AI RMF 1.0 ; ຄວາມຍຸຕິທຳຂອງອັລກໍຣິທຶມໃນການໃຫ້ຄະແນນຄຳຕອບສັ້ນອັດຕະໂນມັດ - Andersen, 2025 )
-
ຄວາມສາມາດໃນການອະທິບາຍ : ສະແດງໃຫ້ເຫັນວ່າເປັນຫຍັງຈຶ່ງມີຄຳຕິຊົມເກີດຂຶ້ນ, ບໍ່ພຽງແຕ່ສິ່ງທີ່ເກີດຂຶ້ນ ( NIST - AI RMF 1.0 )
-
ຄວາມຊື່ສັດທາງວິຊາການ : ປ້ອງກັນການໃຫ້ຄໍາຕອບເມື່ອການປະຕິບັດແມ່ນເປົ້າຫມາຍ ( UK DfE - Generative AI ໃນການສຶກສາ )
-
ຄວາມຮັບຜິດຊອບຂອງມະນຸດ : ບຸກຄົນໃດໜຶ່ງເປັນເຈົ້າຂອງການຕັດສິນໃຈສຸດທ້າຍສຳລັບຜົນໄດ້ຮັບທີ່ມີຄວາມສ່ຽງສູງ ( OECD - ໂອກາດ, ແນວທາງ ແລະ ມາດຕະການປ້ອງກັນສຳລັບ AI ໃນການສຶກສາ )
ແພລດຟອມຈະໄດ້ຮັບຄວາມໄວ້ວາງໃຈເມື່ອມັນ:
-
ຍອມຮັບຄວາມບໍ່ແນ່ນອນ
-
ສະເໜີການຄວບຄຸມທີ່ໂປ່ງໃສ
-
ໃຫ້ມະນຸດລົບລ້າງ
-
ບັນທຶກການຕັດສິນໃຈເພື່ອການທົບທວນຄືນ ( NIST - AI RMF 1.0 )
ນັ້ນແມ່ນຄວາມແຕກຕ່າງລະຫວ່າງ “ເຄື່ອງມືທີ່ເປັນປະໂຫຍດ” ແລະ “ຜູ້ພິພາກສາຄວາມລຶກລັບ.” ແລະບໍ່ມີໃຜຕ້ອງການຜູ້ພິພາກສາຄວາມລຶກລັບ. 👩⚖️🤖
13) ບັນທຶກສະຫຼຸບ ແລະ ສະຫຼຸບ ✅✨
ສະນັ້ນ, ວິທີທີ່ AI ຊ່ວຍໃຫ້ເວທີ Ed-Tech ມີປະສິດທິພາບ ນັ້ນ ແມ່ນຂຶ້ນກັບການປ່ຽນການພົວພັນຂອງຜູ້ຮຽນໃຫ້ກາຍເປັນການສົ່ງເນື້ອຫາທີ່ສະຫຼາດກວ່າ, ຄຳຕິຊົມທີ່ດີຂຶ້ນ, ແລະ ການແຊກແຊງການສະໜັບສະໜູນທີ່ໄວກວ່າ - ເມື່ອມັນຖືກອອກແບບຢ່າງມີຄວາມຮັບຜິດຊອບ. ( ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນ ແລະ ການຮຽນຮູ້ ; OECD - ໂອກາດ, ແນວທາງ ແລະ ມາດຕະການປ້ອງກັນສຳລັບ AI ໃນການສຶກສາ )
ສະຫຼຸບໂດຍຫຍໍ້:
-
AI ປັບແຕ່ງຈັງຫວະ ແລະ ເສັ້ນທາງຕ່າງໆໃຫ້ເປັນສ່ວນຕົວ🎯
-
ຄູສອນ AI ໃຫ້ການຊ່ວຍເຫຼືອທັນທີ ແລະ ມີການແນະນຳ 💬
-
AI ເລັ່ງການຕອບສະໜອງ ແລະ ການປະເມີນຜົນ 📝
-
AI ຊ່ວຍເພີ່ມການເຂົ້າເຖິງ ແລະ ການມີສ່ວນຮ່ວມ ♿
-
ການວິເຄາະດ້ວຍ AI ຊ່ວຍໃຫ້ນັກການສຶກສາແຊກແຊງໄດ້ໄວຂຶ້ນ 👀
-
ແພລດຟອມທີ່ດີທີ່ສຸດຍັງຄົງໂປ່ງໃສ, ສອດຄ່ອງກັບຜົນໄດ້ຮັບການຮຽນຮູ້, ແລະ ຄວບຄຸມໂດຍມະນຸດ ✅ ( NIST - AI RMF 1.0 )
ຖ້າທ່ານເອົາພຽງແຕ່ແນວຄວາມຄິດດຽວ: AI ເຮັດວຽກໄດ້ດີທີ່ສຸດເມື່ອມັນເຮັດໜ້າທີ່ຄືກັບຄູຝຶກທີ່ໃຫ້ການສະໜັບສະໜູນ, ບໍ່ແມ່ນສະໝອງທົດແທນ. ແລະແມ່ນແລ້ວ, ນັ້ນແມ່ນເລື່ອງທີ່ໜ້າຕື່ນເຕັ້ນເລັກນ້ອຍ, ແຕ່ກໍ່... ບໍ່ແມ່ນທັງໝົດ. 😄🧠
ຄຳຖາມທີ່ຖືກຖາມເລື້ອຍໆ
ວິທີທີ່ AI ຂັບເຄື່ອນເວທີ Ed-Tech ໃນແຕ່ລະມື້
AI ຊ່ວຍໃຫ້ແພລດຟອມ Ed-Tech ມີປະສິດທິພາບໂດຍການປ່ຽນພຶດຕິກຳຂອງຜູ້ຮຽນໃຫ້ກາຍເປັນວົງຈອນຄຳຕິຊົມ. ໃນຫຼາຍໆລະບົບ, ສິ່ງນັ້ນກາຍເປັນຄຳແນະນຳສຳລັບສິ່ງທີ່ຕ້ອງເຮັດຕໍ່ໄປ, ຄຳອະທິບາຍແບບການສອນ, ຄຳຕິຊົມອັດຕະໂນມັດ, ແລະ ການວິເຄາະທີ່ເຮັດໃຫ້ເກີດຊ່ອງຫວ່າງ ຫຼື ການບໍ່ມີສ່ວນຮ່ວມ. ພາຍໃຕ້ຝາປິດ, ມັນມັກຈະເປັນການປະສົມປະສານຂອງຮູບແບບບວກກັບກົດລະບຽບທີ່ງ່າຍດາຍ ແລະ ຕົ້ນໄມ້ຕາມເຫດຜົນ. “AI” ມັກຈະເປັນເຄື່ອງ turbocharger, ບໍ່ແມ່ນເຄື່ອງຈັກທັງໝົດ.
ສິ່ງທີ່ເຮັດໃຫ້ແພລດຟອມ Ed-Tech ທີ່ໃຊ້ AI ເປັນສິ່ງທີ່ດີແທ້ໆ (ບໍ່ພຽງແຕ່ການຕະຫຼາດເທົ່ານັ້ນ)
ແພລດຟອມ Ed-Tech ທີ່ເຂັ້ມແຂງດ້ວຍ AI ເລີ່ມຕົ້ນດ້ວຍເປົ້າໝາຍການຮຽນຮູ້ທີ່ຊັດເຈນ ແລະ ເນື້ອຫາທີ່ມີຄຸນນະພາບສູງ, ເພາະວ່າ AI ບໍ່ສາມາດຊ່ວຍເຫຼືອຫຼັກສູດທີ່ບໍ່ໝັ້ນຄົງໄດ້. ມັນຍັງຕ້ອງການການປັບຕົວທີ່ດີ, ຄຳຕິຊົມທີ່ສາມາດປະຕິບັດໄດ້, ແລະ ຄວາມໂປ່ງໃສກ່ຽວກັບເຫດຜົນທີ່ຄຳແນະນຳປາກົດ. ຄວາມເປັນສ່ວນຕົວ ແລະ ການຫຼຸດຜ່ອນຂໍ້ມູນຄວນໄດ້ຮັບການສ້າງຂຶ້ນຕັ້ງແຕ່ເລີ່ມຕົ້ນ, ບໍ່ແມ່ນເພີ່ມເຂົ້າໃນພາຍຫຼັງ. ສິ່ງສຳຄັນ, ຄູ ແລະ ຜູ້ຮຽນຕ້ອງການການຄວບຄຸມທີ່ແທ້ຈິງ, ລວມທັງການລົບລ້າງຂອງມະນຸດ.
ຂໍ້ມູນທີ່ແພລດຟອມ Ed-Tech ໃຊ້ເພື່ອປັບແຕ່ງການຮຽນຮູ້ໃຫ້ເປັນສ່ວນຕົວ
ແພລດຟອມສ່ວນໃຫຍ່ອີງໃສ່ສັນຍານການຮຽນຮູ້ເຊັ່ນ: ການຄລິກ, ເວລາເຮັດວຽກ, ການສະແດງຊ້ຳ, ຄວາມພະຍາຍາມໃນການຕອບຄຳຖາມ, ຮູບແບບຄວາມຜິດພາດ, ການໃຊ້ຄຳແນະນຳ, ຕົວຢ່າງການຂຽນ, ແລະ ກິດຈະກຳການຮ່ວມມື. ສິ່ງເຫຼົ່ານີ້ຖືກປ່ຽນເປັນຄຸນສົມບັດຕ່າງໆເຊັ່ນ: ການປະເມີນຄວາມຊຳນານດ້ານແນວຄວາມຄິດ, ຕົວຊີ້ວັດຄວາມໝັ້ນໃຈ, ຫຼື ຄະແນນຄວາມສ່ຽງດ້ານການມີສ່ວນຮ່ວມ. ສ່ວນທີ່ຫຍຸ້ງຍາກແມ່ນວ່າຂໍ້ມູນການສຶກສາມີສຽງດັງ - ການຄາດເດົາ, ການຄລິກແບບຕົກໃຈ, ການຂັດຂວາງ, ແລະ ການຄັດລອກລ້ວນແຕ່ເກີດຂຶ້ນ. ລະບົບທີ່ດີກວ່າປະຕິບັດຕໍ່ຂໍ້ມູນທີ່ບໍ່ສົມບູນແບບ ແລະ ອອກແບບມາເພື່ອຄວາມຖ່ອມຕົວ.
ການຮຽນຮູ້ແບບປັບຕົວຈະຕັດສິນໃຈວ່າຜູ້ຮຽນຄວນເຮັດຫຍັງຕໍ່ໄປແນວໃດ
ການຮຽນຮູ້ແບບປັບຕົວມັກຈະລວມເອົາການຕິດຕາມຄວາມຮູ້, ການສ້າງແບບຈຳລອງຄວາມຫຍຸ້ງຍາກ/ຄວາມສາມາດ, ແລະ ວິທີການແນະນຳທີ່ແນະນຳກິດຈະກຳທີ່ດີທີ່ສຸດຕໍ່ໄປ. ບາງແພລດຟອມຍັງທົດສອບຕົວເລືອກໂດຍໃຊ້ວິທີການຕ່າງໆເຊັ່ນ: ໂຈນຫຼາຍກຸ່ມເພື່ອຮຽນຮູ້ສິ່ງທີ່ເຮັດວຽກໄດ້ຕາມການເວລາ. ການປັບແຕ່ງສ່ວນບຸກຄົນອາດຈະປັບຄວາມຫຍຸ້ງຍາກ, ຈັດລຽງບົດຮຽນຄືນໃໝ່, ຫຼື ສັກການທົບທວນເມື່ອມີແນວໂນ້ມທີ່ຈະລືມ. ປະສົບການທີ່ດີທີ່ສຸດສະແດງແຜນທີ່ທີ່ຊັດເຈນຂອງ "ບ່ອນທີ່ທ່ານຢູ່" ແລະອະທິບາຍວ່າເປັນຫຍັງລະບົບຈຶ່ງປ່ຽນເສັ້ນທາງ.
ເປັນຫຍັງຄູສອນ AI ບາງຄັ້ງຮູ້ສຶກວ່າເປັນປະໂຫຍດ - ແລະບາງຄັ້ງກໍ່ຮູ້ສຶກຢາກໂກງ
ຜູ້ສອນ AI ມີປະໂຫຍດຫຼາຍເມື່ອພວກເຂົາເຮັດໃຫ້ຜູ້ຮຽນຄິດຢູ່ສະເໝີ: ສະເໜີຄຳແນະນຳ, ຄຳອະທິບາຍທາງເລືອກ, ແລະ ການກະຕຸ້ນການຊີ້ນຳແທນທີ່ຈະພຽງແຕ່ໃຫ້ຄຳຕອບ. ຫຼາຍແພລດຟອມໄດ້ເພີ່ມຮົ້ວກັ້ນ, ການດຶງຂໍ້ມູນຈາກເອກະສານຫຼັກສູດທີ່ໄດ້ຮັບການອະນຸມັດ, ຄະແນນ, ແລະ ຕົວກອງຄວາມປອດໄພເພື່ອຫຼຸດຜ່ອນຄວາມຫຼົງໄຫຼ ແລະ ການຈັດຄວາມຊ່ວຍເຫຼືອໃຫ້ສອດຄ່ອງກັບຜົນໄດ້ຮັບ. ຮູບແບບຄວາມລົ້ມເຫຼວແມ່ນການໃຫ້ຄຳຕອບທີ່ຂັດແຍ່ງກັນຢ່າງມີປະສິດທິພາບ. ເປົ້າໝາຍທີ່ເປັນປະໂຫຍດແມ່ນ "ພຶດຕິກຳຂອງຄູຝຶກ," ບໍ່ແມ່ນ "ພຶດຕິກຳແບບໂກງ"
ບໍ່ວ່າ AI ສາມາດໃຫ້ຄະແນນຢ່າງຍຸດຕິທຳໄດ້, ແລະວິທີທີ່ປອດໄພທີ່ສຸດໃນການນຳໃຊ້ມັນສຳລັບການປະເມີນຜົນ
AI ສາມາດໃຫ້ຄະແນນຄຳຖາມທີ່ເປັນຈຸດປະສົງໂດຍອັດຕະໂນມັດໄດ້ຢ່າງໜ້າເຊື່ອຖື ແລະ ໃຫ້ຄຳຕິຊົມຢ່າງວ່ອງໄວໃນລະຫວ່າງການຝຶກຊ້ອມ, ເຊິ່ງສາມາດເພີ່ມແຮງຈູງໃຈໄດ້. ສຳລັບຄຳຕອບສັ້ນໆ ແລະ ການຂຽນ, ແພລດຟອມທີ່ເຂັ້ມແຂງກວ່າຈະຈັດລຽງການໃຫ້ຄະແນນໃຫ້ສອດຄ່ອງກັບ rubrics, ສະແດງ "ເປັນຫຍັງຄະແນນນີ້," ແລະ ໝາຍເອົາກໍລະນີທີ່ບໍ່ແນ່ນອນສຳລັບການທົບທວນຄືນຂອງມະນຸດ. ວິທີການທົ່ວໄປແມ່ນການແຍກຄຳຕິຊົມຊ່ວຍເຫຼືອອອກຈາກຄະແນນສຸດທ້າຍ, ໂດຍສະເພາະສຳລັບການຕັດສິນໃຈທີ່ມີຄວາມສ່ຽງສູງ. ການວັດແທກຄູ ແລະ ການຄວບຄຸມສຽງກໍ່ມີຄວາມສຳຄັນເຊັ່ນກັນ, ເພາະວ່າຄຳຕິຊົມສາມາດສົ່ງຜົນແຕກຕ່າງກັນຫຼາຍຕໍ່ຜູ້ຮຽນ.
ວິທີທີ່ AI ສ້າງບົດຮຽນ, ແບບທົດສອບ ແລະ ເນື້ອໃນການຝຶກຊ້ອມໂດຍບໍ່ເຮັດຜິດພາດ
AI ສາມາດຮ່າງຄຳຖາມ, ຄຳອະທິບາຍ, ບົດສະຫຼຸບ, ບັດຄຳສັບ ແລະ ເອກະສານທີ່ແຕກຕ່າງກັນ, ເຊິ່ງເລັ່ງການວາງແຜນ ແລະ ການແກ້ໄຂ. ຄວາມສ່ຽງແມ່ນຄວາມບໍ່ສອດຄ່ອງກັບມາດຕະຖານ ຫຼື ຜົນໄດ້ຮັບ, ບວກກັບຄວາມຜິດພາດທີ່ຟັງແລ້ວໜ້າເຊື່ອຖື ແລະ ຮູບແບບທີ່ຊ້ຳໆທີ່ຜູ້ຮຽນສາມາດຫຼິ້ນເກມໄດ້. ຂະບວນການເຮັດວຽກທີ່ປອດໄພກວ່າແມ່ນ "AI ຮ່າງ, ມະນຸດຕັດສິນໃຈ," ດ້ວຍຂໍ້ຈຳກັດທີ່ເຂັ້ມແຂງ ແລະ ການຄຸ້ມຄອງເນື້ອຫາ. ຫຼາຍທີມປະຕິບັດຕໍ່ສິ່ງນີ້ຄືກັບການມີຜູ້ຊ່ວຍທີ່ວ່ອງໄວທີ່ຍັງຕ້ອງການການກວດສອບກ່ອນທີ່ຈະເຜີຍແຜ່.
ວິທີການຮຽນຮູ້ການວິເຄາະ ແລະ ການຄາດຄະເນ "ມີຄວາມສ່ຽງ" ເຮັດວຽກແນວໃດ - ແລະ ສິ່ງທີ່ສາມາດຜິດພາດໄດ້
ແພລດຟອມຕ່າງໆໃຊ້ການວິເຄາະແບບຄາດເດົາເພື່ອປະເມີນຄວາມສ່ຽງຕໍ່ການອອກຈາກໂຮງຮຽນ, ການຫຼຸດລົງຂອງການມີສ່ວນຮ່ວມ, ຊ່ອງຫວ່າງຄວາມຊຳນານ, ແລະເວລາການແຊກແຊງ, ເຊິ່ງມັກຈະປາກົດຢູ່ໃນແຜງຄວບຄຸມ ແລະ ການແຈ້ງເຕືອນ. ການຄາດຄະເນເຫຼົ່ານີ້ສາມາດຊ່ວຍໃຫ້ນັກການສຶກສາແຊກແຊງໄດ້ໄວຂຶ້ນ, ແຕ່ການຕິດສະຫຼາກແມ່ນຄວາມສ່ຽງທີ່ແທ້ຈິງ. ຖ້າ "ມີຄວາມສ່ຽງ" ກາຍເປັນຄຳຕັດສິນ, ຄວາມຄາດຫວັງສາມາດຫຼຸດລົງ ແລະ ລະບົບອາດຈະນຳພາຜູ້ຮຽນໄປສູ່ເສັ້ນທາງທີ່ມີຄວາມທ້າທາຍຕ່ຳກວ່າ. ແພລດຟອມທີ່ດີກວ່າຈະກຳນົດການຄາດຄະເນເປັນການກະຕຸ້ນໃຫ້ມີການສະໜັບສະໜູນ, ບໍ່ແມ່ນການຕັດສິນກ່ຽວກັບທ່າແຮງ.
ວິທີທີ່ AI ປັບປຸງການເຂົ້າເຖິງ ແລະ ການລວມເຂົ້າໃນ Ed-Tech
AI ສາມາດຂະຫຍາຍການເຂົ້າເຖິງຜ່ານການປ່ຽນຂໍ້ຄວາມເປັນສຽງ, ການປ່ຽນສຽງເປັນຂໍ້ຄວາມ, ການສ້າງຄຳບັນຍາຍ, ການປັບລະດັບການອ່ານ, ການແປ, ແລະ ການຕອບສະໜອງຕໍ່ການຝຶກການເວົ້າ. ສຳລັບຜູ້ຮຽນທີ່ມີຄວາມຫຼາກຫຼາຍທາງລະບົບປະສາດ, ມັນສາມາດແບ່ງໜ້າວຽກອອກເປັນຂັ້ນຕອນ ແລະ ສະເໜີການນຳສະເໜີທາງເລືອກ ຫຼື ການປະຕິບັດສ່ວນຕົວໂດຍບໍ່ມີຄວາມກົດດັນທາງສັງຄົມ. ສິ່ງສຳຄັນແມ່ນການເຂົ້າເຖິງບໍ່ແມ່ນການສະຫຼັບ; ມັນຕ້ອງໄດ້ຮັບການລວມເຂົ້າໃນຂະບວນການຮຽນຮູ້ຫຼັກ. ຖ້າບໍ່ດັ່ງນັ້ນ, AI ຈະກາຍເປັນຜ້າພັນບາດເທິງການອອກແບບທີ່ສັບສົນແທນທີ່ຈະເປັນຕົວຂະຫຍາຍການຮຽນຮູ້ທີ່ແທ້ຈິງ.
ເອກະສານອ້າງອີງ
-
ກະຊວງສຶກສາທິການສະຫະລັດ - AI ແລະອະນາຄົດຂອງການສິດສອນແລະການຮຽນຮູ້ - ed.gov
-
ອົງການ UNESCO - ຄຳແນະນຳສຳລັບ AI ທີ່ສ້າງສັນໃນການສຶກສາ ແລະ ການຄົ້ນຄວ້າ - unesco.org
-
OECD - ໂອກາດ, ແນວທາງ ແລະ ມາດຕະການປ້ອງກັນສຳລັບການນຳໃຊ້ AI ໃນການສຶກສາຢ່າງມີປະສິດທິພາບ ແລະ ຍຸດຕິທຳ - oecd.org
-
ສະຖາບັນມາດຕະຖານ ແລະ ເຕັກໂນໂລຊີແຫ່ງຊາດ - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI (AI RMF 1.0) - nist.gov
-
ກະຊວງສຶກສາທິການຂອງສະຫະລາຊະອານາຈັກ - ປັນຍາປະດິດທີ່ສ້າງສັນໃນການສຶກສາ - gov.uk
-
ຫ້ອງການຂອງຄະນະກຳມະການຂໍ້ມູນຂ່າວສານ - ການຫຼຸດຜ່ອນຂໍ້ມູນ (GDPR ຂອງອັງກິດ) - ico.org.uk
-
ກະຊວງສຶກສາທິການສະຫະລັດ (ຫ້ອງການນະໂຍບາຍຄວາມເປັນສ່ວນຕົວຂອງນັກຮຽນ) - ພາບລວມຂອງ FERPA - studentprivacy.ed.gov
-
ການບໍລິການທົດສອບການສຶກສາ - ແນວຄວາມຄິດພື້ນຖານຂອງທິດສະດີການຕອບສະໜອງຂອງລາຍການ - ets.org
-
ການບໍລິການທົດສອບການສຶກສາ - ເຄື່ອງຈັກໃຫ້ຄະແນນ e-rater - ets.org
-
ໂຄງການ W3C Web Accessibility Initiative - ຂໍ້ຄວາມເປັນສຽງ - w3.org
-
ໂຄງການ W3C Web Accessibility Initiative - ເຄື່ອງມື ແລະ ເຕັກນິກ - w3.org
-
W3C - ເຂົ້າໃຈຄຳບັນຍາຍ WCAG 1.2.2 (ບັນທຶກລ່ວງໜ້າ) - w3.org
-
Duolingo - ການເວົ້າຊ້ຳໆແບບມີໄລຍະຫ່າງສຳລັບການຮຽນຮູ້ - duolingo.com
-
ຄານ ມິ ໂກ້ - khanmigo.ai
-
arXiv - ການສ້າງແບບເຕີມເຕັມທີ່ດຶງຂໍ້ມູນຄືນ (RAG) - arxiv.org
-
arXiv - ການສຳຫຼວດກ່ຽວກັບອາການຫຼອນໃນຕົວແບບພາສາຂະໜາດໃຫຍ່ - arxiv.org
-
ERIC - ໂຈນຫຼາຍອາວຸດສຳລັບລະບົບການສອນແບບສະຫຼາດ - eric.ed.gov
-
Springer - Corbett & Anderson - ການຕິດຕາມຄວາມຮູ້ (1994) - springer.com
-
ການຄົ້ນຄວ້າແບບເປີດອອນໄລນ໌ (ມະຫາວິທະຍາໄລເປີດ) - ການວິເຄາະການຮຽນຮູ້: ແຮງຂັບເຄື່ອນ, ການພັດທະນາ ແລະ ສິ່ງທ້າທາຍ - Ferguson (2012) - open.ac.uk
-
PubMed Central (NIH) - ການປະເມີນຄວາມຄ່ອງແຄ້ວໃນການອ່ານທີ່ສາມາດເວົ້າໄດ້ (ອີງໃສ່ ASR) - van der Velde et al. (2025) - nih.gov
-
PubMed Central (NIH) - ຜູ້ຄວບຄຸມການສອບເສັງທີ່ດີ ຫຼື “ອ້າຍໃຫຍ່”? ຈັນຍາບັນຂອງຜູ້ຄວບຄຸມການສອບເສັງອອນໄລນ໌ - Coghlan et al. (2021) - nih.gov
-
Springer - ລະບົບເຕືອນໄພລ່ວງໜ້າເພື່ອລະບຸ ແລະ ແຊກແຊງຄວາມສ່ຽງຕໍ່ການອອກຈາກໂຮງຮຽນທາງອອນລາຍ - Bañeres et al. (2023) - springer.com
-
ຫໍສະໝຸດອອນໄລນ໌ Wiley - ຫຼັກການດ້ານຈັນຍາບັນ ແລະ ຄວາມເປັນສ່ວນຕົວສຳລັບການວິເຄາະການຮຽນຮູ້ - Pardo & Siemens (2014) - wiley.com
-
Springer - ຄວາມຍຸຕິທຳຂອງອັລກໍຣິທຶມໃນການໃຫ້ຄະແນນຄຳຕອບສັ້ນອັດຕະໂນມັດ - Andersen (2025) - springer.com