การพยากรณ์แนวโน้มประเด็นวิจัยด้านการวัดประเมินผลทางการศึกษาในยุคปัญญาประดิษฐ์ : การวิเคราะห์เหมืองข้อความร่วมกับโมเดลการถดถอยพหุระดับแบ่งส่วนแบบเบส์
DOI:
https://doi.org/10.14456/jescu.2026.5คำสำคัญ:
การพยากรณ์แนวโน้มการวิจัย, การวิเคราะห์เหมืองข้อความ, ปัญญาประดิษฐ์ทางการศึกษา, โมเดลการวิเคราะห์การถดถอยพหุระดับแบ่งส่วนแบบเบส์บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) จำแนกหัวข้อวิจัยแฝงด้านการวัดและประเมินผลทางการศึกษาจากฐานข้อมูลวิชาการช่วงปี 2008–2025 โดยใช้การวิเคราะห์หัวข้อเชิงโครงสร้าง (STM) 2) วิเคราะห์แนวโน้มความชุกและพยากรณ์ทิศทางการเติบโตของหัวข้อวิจัยในปี 2027 ด้วยโมเดลการถดถอยพหุระดับแบ่งส่วนแบบเบส์ (BMPR) และ 3) สังเคราะห์ประเด็นวิจัยเชิงยุทธศาสตร์จากผลการจำแนกและการพยากรณ์หัวข้อวิจัย ข้อมูลประกอบด้วยบทความวิจัย จำนวน 1,695 เรื่อง จากเอกสารสืบเนื่องการประชุมวิชาการนานาชาติ 3 เวที ข้อมูลถูกประมวลผลเพื่อสกัดคำหรือวลีสำคัญมาตรฐานจำนวน 10,858 รายการ และนำไปวิเคราะห์ด้วย STM เพื่อระบุหัวข้อวิจัยแฝง โดยการตั้งชื่อและตีความหมายหัวข้อดำเนินการแบบมีมนุษย์ในวงจรร่วมกับโมเดลภาษาขนาดใหญ่ ผลการวิจัย พบว่า STM จำแนกหัวข้อวิจัยแฝงได้ 95 หัวข้อ และสามารถจัดระเบียบเชิงความหมายออกเป็น 2 กลุ่มหลัก ได้แก่ การวัดประเมินผลและนโยบาย และนวัตกรรมและเทคโนโลยีเพื่อการเรียนรู้ ผลการวิเคราะห์ BMPR พบความแปรปรวนสูงของแนวโน้มความชุกของหัวข้องานวิจัย สะท้อนการเติบโต ชะลอ หรือทรงตัวแตกต่างกันอย่างมีนัยสำคัญ การพยากรณ์และคัดกรองหัวข้อที่มีศักยภาพได้ จำนวน 40 หัวข้อ ก่อนนำไปสู่การจัดกลุ่มเป็น 13 กลุ่มย่อย และสังเคราะห์ประเด็นวิจัยเชิงยุทธศาสตร์ 4 ประเด็นหลัก ได้แก่ ระบบการเรียนรู้ที่ขับเคลื่อนด้วย AI การวัดผลและความตรงในการประเมินขนาดใหญ่ ความเสมอภาคและการมีส่วนร่วมและความรับผิดชอบในการใช้ปัญญาประดิษฐ์
เอกสารอ้างอิง
ภาษาอังกฤษ
Arieli-Attali, M., Ward, S., Thomas, J., Deonovic, B., & von Davier, A. A. (2019). The expanded Evidence-Centered Design (e-ECD) for learning and assessment systems: A framework for incorporating learning goals and processes within assessment design. Frontiers in Psychology, 10. Article 853. https://doi.org/10.3389/fpsyg.2019.00853
Baker, R., & Siemens, G. (2014). Educational data mining and learning analytics. In R. K. Sawyer (Ed.), The Cambridge handbook of the learning sciences (2nd ed., pp. 253-272). Cambridge University Press. https://doi.org/10.1017/cbo9781139519526.016
Blei, D. M. (2011). Dynamic and supervised topic models for literature-based discovery. https://apps.dtic.mil/sti/tr/pdf/ADA554210.pdf
Bulut, O., Beiting-Parrish, M., Casabianca, J. M., Slater, S. C., Jiao, H., Song, D., Ormerod, C., Fabiyi, D. G., Ivan, R., Walsh, C., Rios, O., Wilson, J., Yildirim-Erbasli, S. N., Wongvorachan, T., Liu, J. X., Tan, B., & Morilova, P. (2024). The rise of artificial intelligence in educational measurement: Opportunities and ethical challenges. Chinese/English Journal of Educational Measurement and Evaluation, 5(3), Article 3. https://doi.org/10.59863/MIQL7785
Chen, X., Zou, D., Cheng, G., & Xie, H. (2020). Detecting latent topics and trends in educational technologies over four decades using structural topic modelling: A retrospective of all volumes of Computers & Education. Computers & Education, 151, Article 103855. https://doi.org/10.1016/j.compedu.2020.103855
von Davier, A. A., Deonovic, B., Yudelson, M., Polyak, S. T., & Woo, A. (2019). Computational psychometrics approach to holistic learning and assessment systems. Frontiers in Education, 4, Article 69. https://doi.org/10.3389/feduc.2019.00069
Ozyurt, O., & Ayaz, A. (2022). Twenty-five years of education and information technologies: Insights from a topic modeling–based bibliometric analysis. Education and Information Technologies, 27, 11025–11054. https://doi.org/10.1007/s10639-022-11071-y
Maddox, B. (2023). The uses of process data in large-scale educational assessments (OECD Education Working Papers No. 286). OECD. https://doi.org/10.1787/5d9009ff-en
Han, X. (2020). Evolution of research topics in LIS between 1996 and 2019: An analysis based on latent Dirichlet allocation topic model. Scientometrics, 125, 2561–2595. https://doi.org/10.1007/s11192-020-03721-0
Holmes, W., & Tuomi, I. (2022). State of the art and practice in AI in education. European Journal of Education, 57(4), 542–570. https://doi.org/10.1111/ejed.12533
Natarajan, S., Mathur, S., Sidheekh, S., Stammer, W., & Kersting, K. (2025). Human-in-the-loop or AI-in-the-loop? automate or collaborate? Proceedings of the AAAI Conference on Artificial Intelligence, 39(27), 28594–28600. https://doi.org/10.1609/aaai.v39i27.35083
OECD. (2021). The state of global education: 18 months into the pandemic. https://www.oecd.org/content/dam/oecd/en/publications/reports/2021/09/the-state-of-global-education_f3f08b36/1a23bb23-en.pdf
Siemens, G. (2013). Learning analytics: The emergence of a discipline. American Behavioral Scientist, 57(10), 1380-1400. https://doi.org/10.1177/0002764213498851
Sievert, C., & Shirley, K. E. (2014). LDAvis: A method for visualizing and interpreting topics. In J. Chuang, S. Green, M. Hearst, J. Heer, & P. Koehn (Eds.), Proceedings of the workshop on interactive language learning, visualization, and interfaces (pp. 63–70). Association for Computational Linguistics. https://doi.org/10.3115/v1/W14-3110
Singun, A. (2025). Unveiling the barriers to digital transformation in higher education institutions: A systematic literature review. Discover Education, 4, Article 37. https://doi.org/10.1007/s44217-025-00430-9
Tang, X., Li, X., Ding, Y., Song, M., & Bu, Y. (2020). The pace of artificial intelligence innovations: Speed, talent, and trial-and-error. Journal of Informetrics, 14(4), Article 101094. https://doi.org/10.1016/j.joi.2020.101094
UNESCO. (2021). Reimagining our futures together: A new social contract for education. https://unesdoc.unesco.org/ark:/48223/pf0000379707
Vehtari, A., Gelman, A., Simpson, D., Carpenter, B., & Bürkner, P.-C. (2021). Rank-normalization, folding, and localization: An improved R ̂ for assessing convergence of MCMC. Bayesian Analysis, 16(2), 667–718. https://doi.org/10.1214/20-BA1221
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in AI in education. Learning, Media and Technology, 45(3), 223–235. https://doi.org/10.1080/17439884.2020.1798995
Xiong, J., & Li, F. (2026). A decade of reflection and thematic review on Artificial Intelligence’s impact on educational measurement. Educational Research Review, 51, Article 100789. https://doi.org/10.1016/j.edurev.2026.100789
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
