การประยุกต์ใช้ปัญญาประดิษฐ์เชิงสร้างสรรค์ในการพัฒนาเครื่องมือวิจัยทางการศึกษา: กรอบแนวคิดเชิงวิธีวิทยา
Article Sidebar
Main Article Content
บทคัดย่อ
การพัฒนาเครื่องมือวิจัยทางการศึกษาเป็นกระบวนการสำคัญที่ส่งผลโดยตรงต่อคุณภาพ ความน่าเชื่อถือ และความหมายของผลการวิจัย อย่างไรก็ตาม นักวิจัยจำนวนมากยังประสบปัญหาในการพัฒนาเครื่องมือวิจัยที่มีความสอดคล้องเชิงทฤษฎีและมีคุณภาพด้านการวัดและประเมินผล ขณะเดียวกัน ความก้าวหน้าของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative Artificial Intelligence: GenAI)โดยเฉพาะเครื่องมือที่อาศัยแบบจำลองภาษาขนาดใหญ่ (Large Language Models: LLMs) และการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ได้เปิดโอกาสใหม่ในการสนับสนุนการนิยามตัวแปร การกำหนดตัวชี้วัด การร่างข้อคำถาม และการตรวจสอบความชัดเจนของภาษาเบื้องต้น แต่การประยุกต์ใช้เทคโนโลยีดังกล่าวในการพัฒนาเครื่องมือวิจัยยังขาดกรอบเชิงวิธีวิทยา (methodological framework) ที่เชื่อมโยงกับหลักการวัดและประเมินผลทางการศึกษาอย่างเป็นระบบ
บทความเชิงแนวคิด (conceptual paper) นี้มีวัตถุประสงค์เพื่อเสนอกรอบแนวคิดเชิงวิธีวิทยาสำหรับการประยุกต์ใช้ปัญญาประดิษฐ์เชิงสร้างสรรค์ในการพัฒนาเครื่องมือวิจัยทางการศึกษา โดยบูรณาการ 4 องค์ประกอบสำคัญ ได้แก่ ฐานแนวคิดการวัดและประเมินผลทางการศึกษา กระบวนการพัฒนาเครื่องมือวิจัย บทบาทของปัญญาประดิษฐ์ในฐานะกลไกสนับสนุนเชิงวิธีวิทยาและการกำกับการตัดสินใจโดยมนุษย์ (human-in-the-loop) กรอบที่นำเสนอวางตำแหน่งของปัญญาประดิษฐ์ให้เป็นผู้ช่วยเชิงวิธีวิทยา มิใช่ผู้แทนการตัดสินใจทางวิชาการ โดยสนับสนุนการกำหนดโครงสร้างเชิงแนวคิด การพัฒนาตัวชี้วัด การสร้างข้อคำถามเบื้องต้น และการตรวจสอบคุณภาพเบื้องต้น ขณะที่การตัดสินใจเกี่ยวกับความตรง ความเที่ยง ความแม่นยำของการวัด ความเป็นธรรมของการวัด และความเหมาะสมเชิงจริยธรรมยังคงเป็นหน้าที่ของผู้วิจัยและผู้เชี่ยวชาญ
กรอบแนวคิดดังกล่าวช่วยทำให้การประยุกต์ใช้ปัญญาประดิษฐ์ในการพัฒนาเครื่องมือวิจัยมีความเป็นระบบ โปร่งใส และตรวจสอบได้มากขึ้น อีกทั้งช่วยเน้นย้ำว่า การใช้ปัญญาประดิษฐ์ในงานพัฒนาเครื่องมือวิจัยควรตั้งอยู่บนหลักการวัดและประเมินผลที่มั่นคง ควบคู่กับการกำกับโดยมนุษย์อย่างรับผิดชอบ บทความนี้จึงมีสถานะเป็นข้อเสนอเชิงวิธีวิทยาเบื้องต้นสำหรับนักวิจัยทางการศึกษา ผู้สอนวิจัย และนักศึกษาระดับบัณฑิตศึกษา และเป็นฐานสำหรับการตรวจสอบเชิงประจักษ์ของกรอบดังกล่าวในงานวิจัยต่อไป
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม ถือเป็นลิขสิทธิ์ของวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนใดส่วนหนึ่งไปเผยแพร่ต่อหรือกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม ก่อนเท่านั้น
เอกสารอ้างอิง
AERA, APA, & NCME. (2014). Standards for educational and psychological testing. American Educational Research Association.
AI Thailand. (2022). Thailand National AI Strategy and Action Plan (2022–2027). https://www.ai.in.th/en/about-ai-thailand/
Cohen, L., Manion, L., & Morrison, K. (2018). Research methods in education (8th ed.). Routledge. https://doi.org/10.4324/9781315456539
DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
Downing, S. M. (2006). Twelve steps for effective test development. In S. M. Downing & T. M. Haladyna (Eds.), Handbook of test development (pp. 3–25). Lawrence Erlbaum Associates.
Ebel, R. L., & Frisbie, D. A. (1991). Essentials of educational measurement (5th ed.). Prentice Hall.
Flanagin, A., Pirracchio, R., Khera, R., Berkwits, M., Hswen, Y., & Bibbins-Domingo, K. (2024). Reporting use of AI in research and scholarly publication—JAMA Network guidance. JAMA, 331(13), 1096–1098. https://doi.org/10.1001/jama.2024.3471
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5
Haladyna, T. M., & Rodriguez, M. C. (2013). Developing and validating test items. Routledge. https://doi.org/10.4324/9780203850381
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Kane, M. T. (2013). Validating the interpretations and uses of test scores. Journal of Educational Measurement, 50(1), 1–73. https://doi.org/10.1111/jedm.12000
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
Messick, S. (1995). Validity of psychological assessment: Validation of inferences from persons’ responses and performances as scientific inquiry into score meaning. American Psychologist, 50(9), 741–749. https://doi.org/10.1037/0003-066X.50.9.741
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16(1), Article 39. https://doi.org/10.1186/s41239-019-0171-0
