Site icon Digital Learning Classroom

แนวทางการพัฒนาเครื่องมือวัดและประเมินผลการเรียนรู้ตามกรอบผลลัพธ์การเรียนรู้ KPASC ในกิจกรรมการเรียนรู้ที่บูรณาการเทคโนโลยีปัญญาประดิษฐ์

ดร.อนุศร หงษ์ขุนทด
แชร์เรื่องนี้

แนวทางการพัฒนาเครื่องมือวัดและประเมินผลการเรียนรู้ตามกรอบผลลัพธ์การเรียนรู้ KPASC ในกิจกรรมการเรียนรู้ที่บูรณาการเทคโนโลยีปัญญาประดิษฐ์

ดร.อนุศร หงษ์ขุนทด
ศึกษานิเทศก์ วิทยฐานะศึกษานิเทศก์เชี่ยวชาญ สพม.นครราชสีมา
Musicmankob@gmail.com 


__________________________________

แนวคิดรากฐานและการวิเคราะห์มาตรฐานการเรียนรู้สู่กรอบ KPASC ในยุคปัญญาประดิษฐ์

การปฏิรูปการศึกษาในยุคดิจิทัลกำหนดให้ครูผู้สอนต้องปรับเปลี่ยนกระบวนการวัดและประเมินผลการเรียนรู้จากการเน้นการทดสอบความรู้เพื่อจัดลำดับผู้เรียน (Norm-Referenced Sorting) ไปสู่การประเมินเพื่อพัฒนาสมรรถนะตามสภาพจริง (Criterion-Referenced Formative Assessment)1 การวัดผลการเรียนรู้ในระดับชั้นเรียนจะต้องเปลี่ยนจากการพิจารณาเพียงผลสัมฤทธิ์ทางการเรียนที่เป็นภาพนิ่งในอดีต (Snapshot Data) ไปสู่การประเมินกระบวนการเรียนรู้และปฏิสัมพันธ์ที่เกิดขึ้นอย่างต่อเนื่อง1 โดยเฉพาะอย่างยิ่งเมื่อมีการนำเทคโนโลยีปัญญาประดิษฐ์ (Generative AI) เข้ามาเป็นเครื่องมือช่วยสนับสนุนการจัดกิจกรรมการเรียนรู้แบบเชิงรุก (Active Learning)3

ในการออกแบบระบบการวัดและประเมินผลให้ครอบคลุมผลลัพธ์การเรียนรู้ ครูผู้สอนจำเป็นต้องจำแนกส่วนประกอบของมาตรฐานการเรียนรู้และตัวชี้วัดออกเป็น 5 มิติหลัก หรือกรอบ KPASC4 ได้แก่ ความรู้ (Knowledge – K) ทักษะกระบวนการคิด (Process – P) เจตคติและคุณลักษณะ (Attitude/Attribute – A) ทักษะปฏิบัติเฉพาะทาง (Skill – S) และสมรรถนะหลักที่บูรณาการทักษะรอบด้านเพื่อแก้ปัญหาในสถานการณ์จริง (Competency – C)4 การกำหนดเครื่องมือวัดผลเดิมที่มุ่งเน้นการทำแบบทดสอบอัตนัย หรือปรนัยเพื่อวัดเพียงมิติความรู้ (K) จึงไม่เพียงพออีกต่อไปในบริบทที่มีเทคโนโลยีปัญญาประดิษฐ์7 ครูผู้สอนจำเป็นต้องเปลี่ยนมาใช้ภาระงาน ชิ้นงาน ตลอดจนแบบประเมินพฤติกรรมการปฏิบัติงานร่วมกับเกณฑ์การให้คะแนนแบบรูบริก (Rubrics) ที่มีความเที่ยงตรง (Validity) และความเชื่อมั่น (Reliability) สูง1

เพื่อเริ่มเตรียมการประเมินผลอย่างเป็นระบบ ครูผู้สอนต้องวิเคราะห์หลักสูตรและมาตรฐานการเรียนรู้เพื่อแยกแยะพฤติกรรมบ่งชี้ที่สอดคล้องกับการใช้งานเทคโนโลยีปัญญาประดิษฐ์อย่างสร้างสรรค์และมีจริยธรรม8 ตัวอย่างเช่น การนำมาตรฐานกลุ่มสาระการเรียนรู้สังคมศึกษา (ส.๒.๑) สุขศึกษาและพลศึกษา (พ.๒.๑) หรือศิลปะ (ศ.๑.๑) มาถอดรหัสโครงสร้างพฤติกรรมบ่งชี้ให้เป็นตัวขับเคลื่อนทักษะการรู้เท่าทันปัญญาประดิษฐ์ (AI Literacy)5 ซึ่งแบ่งออกเป็นมิติต่าง ๆ แสดงในตารางที่ 1

ตารางที่ 1 การถอดโครงสร้างมาตรฐานหลักสูตรสู่กรอบพฤติกรรมบ่งชี้ KPASC Learning Outcome Framework ร่วมกับปัญญาประดิษฐ์

มิติการประเมินตามกรอบ KPASCจุดเน้นพฤติกรรมและร่องรอยการเรียนรู้ร่วมกับ AIวิธีการและเครื่องมือประเมินผลขั้นพื้นฐาน
K: Knowledge (ความรู้ความเข้าใจ)ความเข้าใจในกลไกเชิงระบบของปัญญาประดิษฐ์ (Predictive Modeling) ขีดจำกัด ข้อบกพร่อง คลาดเคลื่อน (Hallucinations) และการตระหนักรู้เรื่องอคติของข้อมูล8แบบทดสอบวินิจฉัยก่อนเรียน (Diagnostic Test) และแบบทดสอบย่อยระหว่างเรียน (Formative Test)2
P: Process (ทักษะกระบวนการคิด)กระบวนการสื่อสารและปรับแต่งคำสั่งแบบวนซ้ำ (Prompt Engineering / Prompt Iteration) เพื่อสืบค้นข้อมูลเชิงลึกและการตรวจสอบความถูกต้องเชิงตรรกะ10แบบประเมินประวัติการเขียนคำสั่ง (Prompt History Log) และแผนผังความคิดแสดงกระบวนการคิดวิเคราะห์13
A: Attitude (เจตคติและคุณลักษณะ)ความตระหนักรู้เชิงจริยธรรม ความโปร่งใสในการยอมรับและอ้างอิงการใช้ AI ความรับผิดชอบต่อผลกระทบของข้อมูล และจริยธรรมการปกป้องข้อมูลส่วนบุคคล8แบบสังเกตพฤติกรรมตามสภาพจริง แบบสัมภาษณ์ และแบบประเมินตนเองเชิงจริยธรรม (Self-Evaluation Rubric)4
S: Skill (ทักษะปฏิบัติเฉพาะทาง)ทักษะเชิงปฏิบัติการในการควบคุมเครื่องมือ AI ที่เหมาะสม ทักษะการปรับแต่งน้ำเสียงของข้อความ (Rhetorical Tone) และการออกแบบนวัตกรรมดิจิทัล9เกณฑ์รูบริกประเมินทักษะการปฏิบัติงานเฉพาะทาง (Psychomotor Domain Rubric) และแฟ้มสะสมงานดิจิทัล2
C: Competency (สมรรถนะหลัก)สมรรถนะการนำเสนอและแก้ปัญหาที่ซับซ้อนในชีวิตจริง โดยการทำงานร่วมกันระหว่างมนุษย์และปัญญาประดิษฐ์ โดยรักษาอำนาจการตัดสินใจของตนเองไว้9สถานการณ์จำลองเชิงประเมิน (Situational Assessment) และการนำเสนอโครงการพร้อมการตอบคำถามปกป้องโครงงาน11
KPASC Learning Outcome Framework

เมื่อนำกรอบ KPASC Learning Outcome Framework มาปรับใช้ร่วมกับหลักการ “การประเมินเพื่อพัฒนา” (Formative Assessment) ปัญญาประดิษฐ์จะมีสถานะเปรียบเสมือนเครื่องนำทางรถยนต์อัจฉริยะ (GPS Navigation) ที่สามารถประมวลผลและเสนอแนะแนวทางเรียนรู้ทางเลือกเฉพาะบุคคล (Personalized Learning Route) ให้กับผู้เรียนโดยอัตโนมัติเมื่อเกิดความเข้าใจคลาดเคลื่อน3 ส่งผลให้ครูผู้สอนสามารถปรับเปลี่ยนทิศทางการจัดการเรียนรู้และซ่อมเสริมผู้เรียนได้ทันท่วงทีบนฐานข้อมูลที่เชื่อถือได้1

การออกแบบวิธีการวัดและประเมินผลที่สอดคล้องกับกิจกรรมและระดับพัฒนาการของผู้เรียน

การประเมินผลสัมฤทธิ์อย่างมีความยุติธรรมและครอบคลุมความหลากหลายของผู้เรียน จำเป็นต้องสอดคล้องกับพัฒนาการตามช่วงวัยและหลักจิตวิทยาการเรียนรู้19 ในระดับการศึกษาขั้นพื้นฐาน พัฒนาการของผู้เรียนมีควบคู่กันทั้งด้านร่างกาย อารมณ์-จิตใจ-สังคม และสติปัญญา18 ดังนั้นการใช้เทคโนโลยีปัญญาประดิษฐ์เป็นฐานในการจัดกิจกรรมจึงต้องถูกออกแบบระดับความซับซ้อนให้เหมาะสม ตลอดจนการสร้างรูปแบบการประเมินที่ยืดหยุ่นและรองรับความแตกต่างระหว่างบุคคล (Differentiated Assessment)18

สำหรับผู้เรียนในช่วงปฐมวัยถึงประถมศึกษาตอนต้น (ประถมศึกษาปีที่ 1-3) การวัดและประเมินผลจะเน้นที่การสังเกตพฤติกรรมและการทำแบบตรวจสอบรายการพฤติกรรม (Checklist) เป็นหลัก18 โดยกิจกรรมที่ใช้ AI จะมีลักษณะเป็นกิจกรรมเพื่อการกระตุ้นประสาทสัมผัสและการจินตนาการ เช่น การเล่านิทานร่วมกับ AI หรือการใช้เครื่องมือปัญญาประดิษฐ์สร้างรูปภาพประกอบคำสั้น ๆ21 ในระดับประถมศึกษาตอนปลาย (ประถมศึกษาปีที่ 4-6) ผู้เรียนสามารถเข้าใจแนวคิดที่เป็นรูปธรรมได้มากขึ้น จึงใช้เครื่องมือกราฟิกจัดระเบียบความคิด (Graphic Organizers) ร่วมกับการทำใบงานสะท้อนคิดที่มีคำอธิบายศัพท์เฉพาะทางในระดับภาษาที่เข้าใจง่าย19

เมื่อเข้าสู่ระดับมัธยมศึกษาตอนต้น (มัธยมศึกษาปีที่ 1-3) ผู้เรียนเริ่มมีทักษะการคิดเชิงวิพากษ์และการใช้เหตุผลเชิงตรรกะที่ซับซ้อนขึ้น กิจกรรมจึงควรเปิดโอกาสให้ผู้เรียนเลือกและทดลองใช้เครื่องมือ AI ด้วยตนเองเพื่อแก้ปัญหาจริงในชุมชน19 ขณะที่ในระดับมัธยมศึกษาตอนปลาย (มัธยมศึกษาปีที่ 4-6) การประเมินจะมุ่งเน้นระดับพุทธิพิสัยตามแนวคิดของ Bloom’s Taxonomy ขั้นสูง ได้แก่ การวิเคราะห์ (Analyze) การประเมินค่า (Evaluate) และการสร้างสรรค์สิ่งใหม่ (Create)2 โดยใช้วิธีการประเมินที่ท้าทาย เช่น การนำเสนอผลงานเชิงอภิปรายจำลองสถานการณ์ (Socratic Seminars / Socratic Discussions)11

นอกจากนี้ การออกแบบการประเมินผลสัมฤทธิ์สามารถทำได้โดยการแบ่งระดับความยากง่ายและโครงสร้างการให้ความช่วยเหลือ (Cognitive Scaffolding) ออกเป็น 3 ระดับคุณภาพ เพื่อรองรับความแตกต่างของผู้เรียนแต่ละกลุ่ม17 ซึ่งวิเคราะห์และเรียบเรียงโครงสร้างได้ดังนี้

ในการประเมินด้านคุณลักษณะอันพึงประสงค์ (Attribute: A) และทักษะกระบวนการปฏิบัติ (Process: P) ของผู้เรียนอายุน้อย ครูผู้สอนควรขยายขอบเขตการประสานความร่วมมือกับผู้ปกครองในการสังเกตและตรวจสอบพฤติกรรมการปฏิบัติงานจริงในชีวิตประจำวัน โดยมอบหมายภารกิจที่บ้านเพื่อให้ผู้ปกครองร่วมบันทึกผลการปฏิบัติผ่านเกณฑ์การประเมินตนเองหรือแบบฟอร์มตรวจสอบรายการ4 รายละเอียดมิติการจับคู่กิจกรรมประเมินผลให้สอดคล้องกับระดับพัฒนาการและช่วงวัยของผู้เรียน แสดงดังตารางที่ 2

ตารางที่ 2 แนวทางการจับคู่ระดับผู้เรียน กิจกรรมการเรียนรู้ และกลยุทธ์การประเมินผลอย่างเหมาะสม

ระดับผู้เรียนกิจกรรมเชิงประยุกต์ที่บูรณาการ AIวิธีการประเมินผลสัมฤทธิ์เครื่องมือประเมินผลการเรียนรู้บทบาทของผู้ปกครองและผู้ร่วมประเมิน
ประถมศึกษาตอนต้น19การจำแนกคำศัพท์และสร้างภาพนิทาน
– ผู้เรียนป้อนคำสั้น ๆ ร่วมกับครูเพื่อให้ AI สร้างภาพประกอบเรื่องราว21		– การสังเกตพฤติกรรมปฏิบัติงาน
– การทบทวนผลงานผ่านการสัมภาษณ์4		– แบบบันทึกพฤติกรรมการเล่นเกมแบบร่วมมือ18
– แบบตรวจสอบรายการ (Checklist)18		ผู้ปกครองสังเกตพฤติกรรมคุณลักษณะและเจตคติขณะร่วมเล่านิทานที่บ้าน4
ประถมศึกษาตอนปลาย19การสร้างสรรค์การ์ตูนช่องสะท้อนความรู้
– ผู้เรียนใช้ AI เรียบเรียงเค้าโครงเรื่องและพัฒนาแนวคิดรวบยอด3		– การประเมินผลงานการออกแบบโครงเรื่อง
– การประเมินสารัตถะเนื้อหาการสะท้อนคิด4		– แบบบันทึกคำถามสะท้อนคิดท้ายคาบเรียน
– เกณฑ์รูบริกประเมินการออกแบบการจัดวางเนื้อหา20		ผู้ปกครองช่วยเตรียมอุปกรณ์และประเมินทักษะการปฏิบัติงานเฉพาะทางในชีวิตจริง4
มัธยมศึกษาตอนต้น19โครงการนำเสนอแผนที่ทางวัฒนธรรม
– ผู้เรียนสืบค้นข้อมูลประวัติศาสตร์ชุมชนโดยใช้ AI เป็นแหล่งข้อมูล11		– การประเมินกระบวนการทำงานกลุ่ม
– การนำเสนอผลงานผ่านบอร์ดนิทรรศการ11		– แบบประเมินกระบวนการทำงานกลุ่มร่วมกัน25
– แบบประเมินโครงงานแผนที่ข้อมูลชุมชน24		เพื่อนร่วมชั้นประเมินระดับความร่วมมือและความรับผิดชอบภายในกลุ่มทำงาน25
มัธยมศึกษาตอนปลาย19โครงงานวิจัยสิ่งแวดล้อมนวัตกรรมชุมชน
– ผู้เรียนวิเคราะห์ข้อมูลวิจัยและจัดทำข้อเสนอทางวิทยาศาสตร์ร่วมกับ AI11		– การปกป้องข้อเสนอโครงการ (Defense)
– การตรวจสอบความถูกต้องของข้อมูลอ้างอิง11		– รูบริกแบบแยกองค์ประกอบ (Analytic Rubric)17
– แบบประเมินการรู้เท่าทันและการเขียน Prompt10		คณะกรรมการครูผู้เชี่ยวชาญและผู้ประเมินภายนอกประเมินสมรรถนะการนำเสนอ11

กลยุทธ์การประยุกต์ใช้ AI ในการออกแบบเครื่องมือวัดผลและหลักการสร้างชุดคำสั่งอย่างมีจริยธรรม

การประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ในฐานะ “ผู้ช่วยส่วนตัวของครูผู้สอน” (Teaching Assistant) ได้รับการขับเคลื่อนภายใต้นโยบายของสำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน (สพฐ.) พ.ศ. 2568 โดยแบ่งออกเป็นสองแนวทางสำคัญ คือ การนำ AI มาช่วยในการออกแบบการจัดการสอนเพื่อลดภาระงานครู (Teaching with AI) และการจัดกระบวนการสอนเพื่อให้ผู้เรียนเข้าใจกลไกและสามารถพัฒนาปัญญาประดิษฐ์ได้จริง (Learning to Earn)3 เพื่อดำเนินงานให้สอดคล้องกับทิศทางดังกล่าว ครูผู้สอนจำเป็นต้องประยุกต์ใช้แนวคิดเชิงนวัตกรรมการจัดกิจกรรมประเมินผลที่เรียกว่า “กรอบการประเมิน 5 มิติเพื่อการบูรณาการ Generative AI ในงานวัดผลตามสภาพจริง” (Five-Dimensional Design Framework for GenAI in Authentic Assessment) ซึ่งประกอบด้วยองค์ประกอบที่บูรณาการเข้าด้วยกันดังรายละเอียดดังต่อไปนี้9

ในการใช้ AI ออกแบบคำถาม เครื่องมือ หรือเกณฑ์การให้คะแนน ครูผู้สอนต้องเข้าใจหลักการพื้นฐานของการเขียนคำสั่งที่มีประสิทธิภาพ โดยใช้โครงสร้างคำสั่งแบบ “Role-Task-Context-Format” (RTCF) เพื่อควบคุมให้ผลลัพธ์ของปัญญาประดิษฐ์มีความเที่ยงตรงและสอดคล้องกับหลักการศึกษาของสากล3 ตัวอย่างหลักสูตรการศึกษาในปัจจุบันระบุว่า แบบทดสอบที่สร้างโดย AI ต้องเป็นแบบทดสอบที่ไล่เรียงระดับความซับซ้อนตามระดับความคิดของพุทธิพิสัย (Bloom’s Taxonomy) และมีกลไกการสร้างตัวลวงของข้อสอบเลือกตอบที่สมเหตุสมผล ไม่ชัดเจนเกินไป มีเฉลยพร้อมคำอธิบายความถูกต้องในแต่ละข้อ และต้องระบุตัวชี้วัดความสามารถที่ประเมินไว้อย่างชัดแจ้ง21

เพื่อความประหยัดเวลาและเพิ่มความคล่องตัวในการปฏิบัติงาน ครูผู้สอนควรคัดเลือกโมเดลภาษาขนาดใหญ่ให้เหมาะสมกับงานวัดผลสัมฤทธิ์แต่ละประเภท เนื่องจากแบบจำลองแต่ละตัวมีความโดดเด่นเฉพาะด้านที่แตกต่างกัน19 รายละเอียดมิติตารางการเปรียบเทียบและการประยุกต์ใช้โมเดลสารสนเทศ แสดงในตารางที่ 3

ตารางที่ 3 การประเมินความสอดคล้องของเครื่องมือ AI กับประเภทงานวัดและประเมินผลการเรียนรู้

ระบบประมวลผล / โมเดลภาษาความโดดเด่นทางด้านเทคนิคที่ส่งผลต่องานวัดผลประเภทภาระงานวัดผลที่เหมาะสมอย่างยิ่งแนวทางกระบวนการทำงานร่วมกับครู
GPT-4o19เด่นด้านการสร้างข้อมูลโครงสร้างที่เป็นตาราง มาร์กดาวน์ และรหัสโค้ดที่มีความซับซ้อนสูง19การประมวลผลคะแนน การเขียนตารางเกณฑ์รูบริกแยกองค์ประกอบ และการออกข้อสอบแบบปรนัย23ครูผู้สอนสแกนผลลัพธ์เพื่อยืนยันข้อสอบ ตรวจสอบประเด็นคำเฉลย และความครอบคลุมของหลักสูตร21
Claude19เชี่ยวชาญการประมวลผลข้อความขนาดยาว การเขียนบรรยายข้อเสนอแนะ และการคิดเชิงตรรกะแบบ Socratic19การตรวจและเขียนบันทึกการสะท้อนคิดรายบุคคล การแปลทัศนคติ และแบบประเมินเจตคติเชิงพรรณนา8ครูปรับแนวทางในการใช้ข้อความสะท้อนคิดให้มีลักษณะแบบ Growth Mindset ตามสไตล์การสอนของตน27
Gemini19โดดเด่นด้านหน้าต่างบริบทขนาดใหญ่มาก (Large Context Window) รองรับเอกสารหลักสูตรขนาดยาว19การนำไฟล์หลักสูตรแกนกลางหนาหลายร้อยหน้ามาวิเคราะห์เพื่อถอดตัวชี้วัดออกมาสร้างชุดข้อสอบ19ครูเปรียบเทียบตัวชี้วัดที่ระบบสังเคราะห์ได้กับมาตรฐานจริงของกระทรวงศึกษาธิการเพื่อความถูกต้อง29

ภายใต้หลักการความปลอดภัยและจริยธรรมของข้อมูลระดับชาติ ครูและผู้บริหารสถานศึกษาต้องถือปฏิบัติอย่างเคร่งครัดในการห้ามอัปโหลดหรือบันทึกข้อมูลส่วนบุคคลที่ระบุตัวตนจริงของนักเรียน เช่น ชื่อจริง นามสกุล เลขประจำตัวนักเรียน ภาพถ่าย หรือระเบียนพฤติกรรมเชิงสุขภาพ/ความบกพร่องทางการเรียนรู้ ลงในโปรแกรมปัญญาประดิษฐ์ที่ไม่ได้รับการปกป้องความเป็นส่วนตัวในระบบปิดโดยเด็ดขาด เพื่อป้องกันความเสี่ยงด้านสิทธิเด็กและการรั่วไหลของข้อมูล19

นอกจากนี้ การนำเทคโนโลยี AI ไปใช้ในชั้นเรียนต้องได้รับการชี้แจงและอธิบายแก่ผู้มีส่วนเกี่ยวข้องในสามระดับ เพื่อสร้างความเข้าใจที่โปร่งใสและร่วมมือกันอย่างรับผิดชอบ21 โดยมีกรอบแนวทางการชี้แจงดังนี้

แนวทางการพัฒนาเกณฑ์รูบริกเพื่อประเมินสมรรถนะการเรียนรู้ร่วมกับ AI

เกณฑ์การประเมินแบบรูบริกทำหน้าที่เป็นแผนที่นำทางความสำเร็จที่ช่วยสร้างความโปร่งใส และยุติธรรมให้แก่ผู้เรียนก่อนเริ่มต้นลงมือทำงาน20 ในการบูรณาการเทคโนโลยี AI การวัดคุณภาพผลลัพธ์จากการตอบคำถามธรรมดาไม่สามารถสะท้อนความสามารถที่แท้จริงของผู้เรียนได้ เนื่องจาก AI สามารถสกัดและสังเคราะห์คำตอบปลายทางที่สมบูรณ์ได้ทันที13 ระบบการวัดผลสัมฤทธิ์จึงต้องแปรเปลี่ยนทิศทางจากการประเมิน “ผลผลิตสำเร็จรูป” (Output-Oriented Evaluation) ไปสู่การประเมิน “กระบวนการคิดและปฏิสัมพันธ์เชิงกระบวนการ” (Process-Oriented Evaluation)13

ในการสร้างเกณฑ์การประเมิน มี 3 กติกาเชิงระบบที่สำคัญสำหรับการสร้างเกณฑ์ที่มีความเที่ยงตรงสูง ดังนี้33:

  1. ความจำเพาะเจาะจง (Specificity) หมายถึงการใช้คำอธิบายพฤติกรรมที่ชัดเจน ไม่เขียนระดับคะแนนด้วยการใช้คำศัพท์ที่คลุมเครือและสะท้อนความรู้สึกส่วนตัวของผู้ประเมิน เนื่องจากจะทำให้ดัชนีความน่าเชื่อถือของการวัดลดลง33
  2. ความสามารถในการตรวจวัดได้เชิงประจักษ์ (Measurability) หมายถึงการมุ่งประเมินพฤติกรรมหรือข้อความที่สังเกตเห็นได้จากตัวชิ้นงานจริงเท่านั้น ไม่พยายามคาดเดาเจตนาภายในที่ตรวจสอบไม่ได้ของผู้เรียน33
  3. ความเป็นอิสระระหว่างมิติประเมิน (Independence of Criteria) หมายถึงการแยกมิติต่าง ๆ ออกจากกันอย่างเป็นระบบ เพื่อหลีกเลี่ยงการลงโทษผู้เรียนซ้ำสอง (Double Penalty) จากความผิดพลาดจุดเดียวกัน เช่น การไม่นำคะแนนด้านไวยากรณ์ไปปะปนกับเกณฑ์ความถูกต้องเชิงเนื้อหา33

เพื่อให้เห็นภาพเปรียบเทียบในเชิงการใช้งานจริง เกณฑ์การประเมินแบบรูบริกที่นิยมนำมาปรับใช้ร่วมกับการจัดกิจกรรมที่ผสาน AI สามารถจำแนกและเปรียบเทียบข้อดี ข้อจำกัด และดัชนีความเที่ยงตรงได้ดังที่แสดงในตารางที่ 4

ตารางที่ 4 การเปรียบเทียบความแตกต่างและดัชนีความเที่ยงตรงของประเภทเกณฑ์รูบริกสำหรับการประเมิน AI

ประเภทเกณฑ์รูบริกโครงสร้างและการจัดระเบียบคะแนนข้อดีต่อกิจกรรมประเมินร่วมกับ AIข้อจำกัดในการใช้งานจริงสถิติระดับความน่าเชื่อถือและการยอมรับ
เกณฑ์แยกองค์ประกอบ (Analytic Rubric)2แยกคะแนนและคำอธิบายเป็นรายมิติย่อยอย่างอิสระ2ชี้ให้ผู้เรียนเห็นจุดเด่นและจุดบกพร่องเฉพาะตัวได้อย่างละเอียด2ใช้เวลาในขั้นตอนสร้างเกณฑ์และประเมินผลสูงกว่ารูปแบบอื่น2ความสอดคล้องระหว่างผู้ประเมินสูงถึงร้อยละ 66-8515
เกณฑ์องค์รวม (Holistic Rubric)20บรรยายภาพรวมของระดับคุณภาพเป็นชั้นคะแนนเดียว31ประเมินผลได้รวดเร็วกว่าแบบแยกองค์ประกอบถึง 3 เท่า15ผู้เรียนไม่สามารถระบุข้อบกพร่องที่ชัดเจนของตนเองได้15ความสอดคล้องระหว่างผู้ประเมินอยู่ที่ร้อยละ 46-7015
เกณฑ์คะแนนจุดเดียว (Single-Point Rubric)26ระบุเฉพาะคุณลักษณะระดับ “ผ่านเกณฑ์มาตรฐาน” เท่านั้น26ยืดหยุ่นสูง เปิดโอกาสให้เกิดข้อเสนอแนะเชิงบรรยายรายบุคคลไม่กำหนดระดับคะแนนย่อยชัดเจน ทำให้การตัดคะแนนทำได้ยากเป็นเกณฑ์เชิงคุณภาพที่เหมาะสำหรับการเรียนอิงสมรรถนะ26
แบบตรวจสอบรายการ (Checklist Rubric)26ใช้ตรรกะแบบใช่/ไม่ใช่ (Yes/No) เพื่อยืนยันการปฏิบัติเหมาะสมกับงานเชิงเทคนิคและการประเมินประวัติคำสั่งอย่างรวดเร็ว26ไม่สามารถจำแนกระดับคุณภาพย่อยของพฤติกรรมนั้นได้มีความน่าเชื่อถือสูงในแง่ของกระบวนการเชิงเทคนิค26
เกณฑ์ระดับพัฒนาการ (Developmental Rubric)26แสดงขั้นตอนการเติบโตของผู้เรียนตามระยะการศึกษาสะท้อนความก้าวหน้าและการสะสมสมรรถนะการใช้งานปัญญาประดิษฐ์26มีความยุ่งยากในการติดตามประเมินผลอย่างต่อเนื่องในระยะยาวนิยมใช้ในการจัดเตรียมแผนงานประเมินผลงานสะสม (Portfolio)26

สำหรับการประเมินพฤติกรรมการทำงานกลุ่มในกิจกรรมที่มี AI เข้ามาเกี่ยวข้อง ครูผู้สอนควรออกแบบให้มีระบบประเมินกันเองระหว่างเพื่อนร่วมกลุ่ม (Peer Assessment Matrix) โดยกำหนดประเด็นที่มุ่งประเมินในมิติต่าง ๆ เช่น ความร่วมมือในการทำงาน การวางแผนร่วมกัน ความรับผิดชอบต่องานที่ได้รับมอบหมาย การมีส่วนร่วมแสดงความคิดเห็น และการยอมรับฟังความเห็นของผู้อื่น25 การกำหนดเกณฑ์ย่อยเหล่านี้ช่วยให้ข้อมูลคะแนนมีมิติกว้างขวางและสกัดพฤติกรรมเฉื่อยชาของสมาชิกบางคนในกลุ่มออกมาได้อย่างเป็นธรรม25

ชุดคำสั่งต้นแบบ ผลลัพธ์ และกระบวนการตรวจสอบความถูกต้องร่วมระหว่างมนุษย์และ AI

เพื่อส่งเสริมการนำแนวทางนี้ไปใช้ให้เกิดประโยชน์สูงสุดในเชิงปฏิบัติ ส่วนนี้ขอนำเสนอต้นแบบชุดคำสั่งที่มีความยาวและรายละเอียดเชิงลึกเพื่อการป้อนเข้าสู่ระบบ Generative AI ในการจัดทำข้อสอบและเกณฑ์ประเมิน พร้อมทั้งแสดงผลลัพธ์ในตาราง Markdown ที่ครูสามารถคัดลอกไปใช้ในชั้นเรียนได้ทันที19

1. ชุดคำสั่งเพื่อสร้างข้อสอบและรูบริก (Prompt Engineering Package)

คุณคือ “ผู้เชี่ยวชาญด้านหลักสูตรและการวัดประเมินผลการเรียนรู้” ทำงานร่วมกับ “ผู้ประเมินระดับนโยบายการศึกษาของสพฐ.” และเชี่ยวชาญในการจัดทำเครื่องมือวัดผลตามแนวคิดการรู้เท่าทันปัญญาประดิษฐ์ (AI Literacy Framework) ของ OECD และการสอนเพื่อพัฒนาทักษะการแก้ปัญหาในสถานการณ์จำลอง (Situational Assessment)

ขอให้คุณออกแบบแผนและเครื่องมือวัดและประเมินผลสำหรับรายวิชา “วิทยาการคำนวณและเทคโนโลยีสารสนเทศ” เรื่อง “การใช้ Generative AI สำหรับกระบวนการเขียนเชิงวิชาการเพื่อการสื่อสารสังคมอย่างสร้างสรรค์” ของกลุ่มเป้าหมายนักเรียนชั้นมัธยมศึกษาปีที่ 5 โดยต้องครอบคลุมข้อกำหนดดังนี้

  1. กำหนดเป้าหมายพฤติกรรมบ่งชี้ให้ครบถ้วนตามเกณฑ์ KPASC
  1. ข้อสอบจำลองสถานการณ์ (Situational Quiz) คือการสร้างคำถามแบบอัตนัยประยุกต์เชิงสถานการณ์ (ไล่ระดับระดับพุทธิพิสัยจากวิเคราะห์ถึงประเมินค่า) จำนวน 1 ข้อ ที่วัดทักษะผู้เรียนในการรับมือกับข้อมูลที่ผิดพลาดของ AI พร้อมรายละเอียดแนวทางการประเมิน
  2. เกณฑ์รูบริกแยกองค์ประกอบ (Analytic Rubric) คือการสร้างตารางเกณฑ์แบบแยกมิติทั้ง 5 ด้านตามกรอบ KPASC ข้างต้น แบ่งคุณภาพเป็น 4 ระดับ (ดีเยี่ยม=4, ดี=3, พอใช้=2, ปรับปรุง=1) ใช้ประโยคคำอธิบายพฤติกรรมเชิงวิชาการและเป็นรูปธรรมที่สังเกตจากชิ้นงานได้ชัดเจน
  3. เกณฑ์รูบริกองค์รวม (Holistic Rubric) คือการเขียนคำบรรยายเกณฑ์ภาพรวม 4 ระดับ เพื่อการตรวจประเมินผลรวมที่รวดเร็วเป็นธรรม
  4. ขอให้แสดงผลลัพธ์เป็นโครงสร้างตารางมาร์กดาวน์เพื่อให้นำไปใช้งานต่อในแอปพลิเคชันอื่นได้ง่าย ห้ามอ้างอิงข้อมูลส่วนบุคคลหรือชื่อนักเรียนจริง

2. ผลลัพธ์เครื่องมือประเมินเชิงสถานการณ์และรูบริกที่สังเคราะห์จากระบบ (AI Output)

ข้อสอบอัตนัยจำลองสถานการณ์เชิงวิเคราะห์ (Cognitive Scaffolding Question)11

สถานการณ์จำลองเชิงบริบท11

“สมมติว่าผู้เรียนได้รับบทบาทเป็นบรรณาธิการของนิตยสารวิทยาศาสตร์สิ่งแวดล้อมเพื่อการพัฒนาชุมชนยั่งยืน เพื่อนร่วมงานได้ป้อนคำสั่งให้ระบบ Generative AI แปลงข้อมูลและเขียนบทสรุปสั้น ๆ เกี่ยวกับข้อมูลของแหล่งท่องเที่ยวในท้องถิ่น โดยปัญญาประดิษฐ์ได้สร้างรายงานระบุว่า ‘อุทยานแห่งชาติในพื้นที่เปิดรับนักท่องเที่ยวตามปกติและไม่มีรายงานความขัดแย้งเชิงพื้นที่ใด ๆ’ อย่างไรก็ดี จากประวัติการทำงานของมนุษย์และข่าวสารในชุมชนช่วง 1 สัปดาห์ที่ผ่านมา มีความจริงระบุว่า ‘อุทยานถูกปิดเนื่องจากวิกฤตฝุ่นละอองขนาดเล็กเกินเกณฑ์มาตรฐานและมีการประท้วงเรียกร้องจากคนในท้องถิ่นในประเด็นการจัดเก็บสิทธิ์ค่าบริการอย่างไม่โปร่งใส'”11

คำถามสำหรับผู้เรียน11
  1. โปรดระบุจุดบกพร่องและข้อผิดพลาดเชิงตรรกะที่เกิดจากข้อมูลของปัญญาประดิษฐ์ พร้อมทั้งวิเคราะห์สาเหตุเชิงลึกว่าเหตุใดเครื่องมือดังกล่าวจึงสร้างเนื้อหาที่ขาดการเชื่อมโยงกับความจริงในปัจจุบัน11
  2. จงออกแบบประโยคคำสั่งหรือ Prompt เพื่อการสืบค้นที่ถูกต้องจำนวน 1 ชุดคำสั่งเพื่อส่งให้ปัญญาประดิษฐ์แก้ปัญหานี้ โดยต้องใช้เทคนิคเชิงเงื่อนไข (Condition Setup) พร้อมระบุว่าผู้เรียนจะดำเนินงานตรวจสอบข้อมูลนั้นอย่างไรเพื่อให้ได้สารัตถะข้อมูลที่มีคุณธรรมและความเที่ยงตรงสูงในตอนจบ8

เกณฑ์แนวทางการประเมินคำตอบ (Scoring Guideline)

3. ตารางเกณฑ์การประเมินแบบแยกองค์ประกอบ (Analytic Rubric) สำหรับหน่วยการเรียนรู้

ตารางต่อไปนี้จัดทำขึ้นเพื่อแยกแยะการประเมินผลออกเป็นรายมิติตามผลลัพธ์เชิงพฤติกรรมที่เกิดขึ้นจริงจากการปฏิบัติงานร่วมกับเครื่องมือปัญญาประดิษฐ์2

มิติการประเมิน (KPASC)ดีเยี่ยม (4 คะแนน)ดี (3 คะแนน)พอใช้ (2 คะแนน)ปรับปรุง (1 คะแนน)
K: ความรู้ความเข้าใจเรื่องขีดจำกัดของข้อมูล [cite: 8, 11]สามารถตรวจสอบข้อผิดพลาดและระบุประเด็นความลำเอียงเชิงข้อมูลของ AI ได้ครบถ้วน พร้อมอธิบายเหตุผลกลไกการป้อนข้อมูลอ้างอิงได้อย่างถูกต้องตามหลักวิชการ8ชี้จุดผิดพลาดเชิงข้อมูลจาก AI ได้อย่างชัดเจน มีหลักการตรวจสอบเบื้องต้น แต่ยังอธิบายสาเหตุในเชิงกลไกจำลองความน่าจะเป็นได้ไม่ครอบคลุม8ทราบว่าข้อมูลจาก AI มีจุดที่น่าสงสัยและไม่ถูกต้อง แต่ไม่สามารถระบุข้อบกพร่องเชิงระบบหรือชี้ชัดความผิดพลาดเชิงอคติได้8ยอมรับและใช้ข้อมูลจาก AI โดยไม่มีการตรวจสอบ ทบทวนความสอดคล้อง หรือไม่มีความเข้าใจในประเด็นขีดจำกัดของระบบ8
P: กระบวนการตั้งคำถามและปรับปรุงคำสั่ง [cite: 10, 13]บันทึกประวัติคำสั่งแสดงขั้นตอนการลองปรับเปลี่ยนคำสั่งเชิงลึก (Prompt Iteration) มากกว่า 3 ครั้ง โดยใส่เงื่อนไขการตรวจสอบข้ามระบบชัดเจน10แสดงหลักฐานการพัฒนาชุดคำสั่ง มีการใส่ใจบริบทการใช้งานและระบุสิ่งที่อยากได้ แต่ไม่มีการปรับแต่งเพื่อแก้ไขคำตอบเมื่อพบความคลาดเคลื่อนป้อนคำถามสั้นเพียงครั้งเดียวและยอมรับคำตอบนั้นทันที ไม่แสดงประวัติและพฤติกรรมการทดลองทางคำสั่งเพื่อกลั่นกรองคำตอบไม่เขียนและพัฒนาชุดคำสั่งด้วยตนเอง คัดลอกรูปแบบคำสั่งทั่วไปของระบบที่ไม่ระบุบริบทเฉพาะของชิ้นงาน13
A: จริยธรรมการปกป้องข้อมูลและความรับผิดชอบ,[cite: 8, 10]จัดทำคำอธิบายและตารางจำแนกการใช้ประโยชน์จาก AI อย่างละเอียด (AI Transparency Statement) โดยไม่มีการป้อนข้อมูลส่วนบุคคลเข้าสู่ระบบ8ระบุรายละเอียดและอ้างอิงสถาบันผู้พัฒนาปัญญาประดิษฐ์ที่ตนใช้บริการอย่างเปิดเผย แต่ยังขาดมิติการจำแนกหน้าที่อย่างเด่นชัด8ยอมรับว่ามีการใช้ AI ทำงานร่วมด้วยในภาคผนวก แต่การเขียนและการจัดวางรูปเล่มไม่มีสัญลักษณ์การอ้างอิงที่เหมาะสมตามหลักสูตร8สวมรอยและส่งข้อมูลผลงานของ AI มาเป็นชิ้นงานส่วนบุคคล หรือละเมิดลิขสิทธิ์และสิทธิ์ความเป็นส่วนตัวของสารสนเทศในระบบ8
S: ทักษะการกลั่นกรองและพิสูจน์ข้อเท็จจริง [cite: 10, 14]ตรวจสอบข้อเท็จจริงบทความของ AI ร่วมกับสารสนเทศปฐมภูมิมากกว่า 3 แหล่งอ้างอิง พร้อมระบุข้อสรุปที่ผ่านการแก้ไขเรียบเรียงภาษาใหม่ทั้งหมด10สอบทานข้อเท็จจริงของบทสรุปจาก AI กับแหล่งข้อมูลวิชาการอย่างน้อย 2 แหล่ง มีร่องรอยการตัดแต่งประโยคภาษาเพื่อให้สอดคล้องกับความจริง10ตรวจเช็กข้อมูลบางส่วนผ่านฐานข้อมูลทั่วไปในอินเทอร์เน็ต แต่ยังปรากฏส่วนข้อมูลที่คลาดเคลื่อนเชิงสถิติหลุดเข้ามาในเล่มรายงาน8ส่งงานโดยนำสารภาษาจาก AI มาจัดวางโดยไม่มีระบบตรวจสอบความเที่ยงตรง และไม่มีการอ้างอิงแหล่งสารสนเทศใด ๆ ประกอบเลย8
C: สมรรถนะความเป็เจ้าของทางสติปัญญาร่วมกับ AI [cite: 9, 13]แสดงออกถึงอำนาจของมนุษย์ในการกำหนดทิศทางความคิด (Human-in-the-loop) โดยผลงานสุดท้ายแสดงทัศนะการวิจารณ์อันเป็นเลิศและเป็นของตนเอง13ชิ้นงานส่วนใหญ่ถูกควบคุมและชี้นำโดยแนวคิดของผู้เรียน มีร่องรอยการใช้ปัญญาประดิษฐ์ขยายฐานข้อมูลในส่วนประกอบปลีกย่อยเท่านั้น8ผลงานเขียนมีลักษณะสะท้อนชุดความคิดและกรอบการจำแนกเนื้อหาตามข้อเสนอบทความของ AI ขาดมิติความแปลกใหม่ทางความคิดของผู้เรียน8ชิ้นงานทั้งหมดเขียนและจัดโครงสร้างคำสำคัญโดยอาศัย AI เป็นหลัก ขาดร่องรอยความพยายามในการคิดและสะท้อนทรรศนะของส่วนตน8

4. เกณฑ์การประเมินผลภาพรวมแบบองค์รวม (Holistic Rubric)

มุ่งออกแบบสำหรับผู้ประเมินในการประมวลผลสัมฤทธิ์อย่างเป็นธรรมและรวดเร็วเมื่อสิ้นสุดกระบวนการศึกษาโครงการ2

5. กระบวนการตรวจสอบความถูกต้องร่วมระหว่างมนุษย์และ AI (Human-AI Verification Model)

เพื่อป้องกันปัญหาความลำเอียงและข้อผิดพลาดในการประเมินผลระดับโรงเรียน ครูผู้สอนสามารถวัดประเมินความสอดคล้องของเครื่องมือวัดและประเมินผลตามสูตรทางสถิติการศึกษาและมาตรฐานประเมินคุณภาพ โดยมีสมการตรวจสอบดัชนีความสอดคล้อง (IOC: Index of Item-Objective Congruence) ดังนี้1

กำหนดนิยามเชิงลึกสำหรับตัวแปรเพื่อประกอบการคำนวณและประเมินของครูผู้สอนดังต่อไปนี้:

เกณฑ์สากลยอมรับดัชนีความสอดคล้อง: ค่าดัชนี ที่คำนวณออกมาจะต้องมีค่าตั้งแต่ ขึ้นไป จึงจะพิจารณาได้ว่าเครื่องมือประเมินนั้นมีความสอดคล้องเชิงโครงสร้างและเที่ยงตรงต่อการจัดวางลงในกิจกรรมการสอบของสถานศึกษาจริง1 นอกจากนี้ คณะทำงานควรประเมินรายละเอียดเครื่องมือผ่านรายการตรวจสอบรายการ (Checklist) แสดงในตารางที่ 5

ตารางที่ 5 แบบประเมินเพื่อตรวจสอบและยืนยันคุณภาพเครื่องมือประเมินก่อนนำไปใช้ในห้องเรียน

มิติการสอบทานคุณภาพประเด็นคำถามหลักเพื่อการพิจารณาตรวจสอบผลการประเมิน (ผ่าน / ต้องปรับปรุง)แนวทางการแก้ไขและสอบทานเชิงลึกของครู
ความตรงเชิงโครงสร้างเนื้อหา[cite: 1]ข้อสอบจำลองสถานการณ์และเกณฑ์ประเมินสามารถครอบคลุมทั้งมิติ K, P, A, S, C อย่างครบถ้วน ไม่เบี่ยงเบนออกนอกหลักสูตร4[ ] ผ่าน [ ] ต้องปรับปรุงย้อนเช็กตัวชี้วัดจริงในแผนการจัดการเรียนรู้เพื่อยืนยันพฤติกรรมบ่งชี้4
ความวัดผลได้จริงเป็นรูปธรรม[cite: 33]ข้อความอธิบายเกณฑ์ของระดับคุณภาพต่าง ๆ ระบุกระบวนการและพฤติกรรมที่มองเห็นได้จากชิ้นงานชัดเจน หลีกเลี่ยงคำว่า “สวยงาม”, “ดีมาก”33[ ] ผ่าน [ ] ต้องปรับปรุงเขียนปรับปรุงประโยคโดยใส่เกณฑ์ตัวเลข ปริมาณ และทักษะเฉพาะด้านที่สัมผัสได้เชิงประจักษ์33
ความปลอดภัยและสิทธิเด็ก[cite: 19, 23]ตัวเครื่องมือประเมินไม่มีขั้นตอนการบังคับหรือโน้มน้าวให้นักเรียนอัปโหลดภาพถ่าย ชื่อจริง หรือเลขประจำตัวเข้าสู่ AI ภายนอก19[ ] ผ่าน [ ] ต้องปรับปรุงปรับเปลี่ยนกฎระเบียบและแนวทางการเขียนคำสั่งโดยใช้ตัวละครสมมติและข้อมูลนิรนาม19
ความเป็นธรรมและหลากหลาย[cite: 18, 30]มีการออกแบบแนวทางการสอบที่ยืดหยุ่นและการช่วยเหลือแบ่งตามระดับเอ บี ซี เพื่อให้ตอบรับความสามารถที่แตกต่างกันอย่างยุติธรรม21[ ] ผ่าน [ ] ต้องปรับปรุงเตรียมแนวทางการประเมินผลสัมฤทธิ์สำรอง เช่น การนำเสนอด้วยวาจาแทนการเขียนคำสั่งอัจฉริยะขนาดยาว11

บทสรุปเชิงนโยบายและข้อเสนอแนะสำหรับการปฏิบัติงาน

การยกระดับคุณภาพการวัดและประเมินผลการเรียนรู้ตามแนวคิดการบูรณาการเทคโนโลยีปัญญาประดิษฐ์ ไม่ใช่เรื่องทางเทคโนโลยีเชิงระบบเท่านั้น แต่เป็นเรื่องของกระบวนการเชิงจรรยาบรรณวิชาชีพครู ความยุติธรรมในชั้นเรียน และการเตรียมความพร้อมของผู้เรียนสู่สากล9 เพื่อให้แนวปฏิบัตินี้สามารถนำไปขยายผลและขับเคลื่อนได้อย่างมีประสิทธิภาพในระดับสถานศึกษาและระดับนโยบาย จึงมีข้อเสนอแนะที่ควรนำมาพิจารณาและนำไปปฏิบัติ 3 มิติดังนี้

  1. การพัฒนาระบบนิเวศการประกันคุณภาพภายในและการส่งคืนข้อมูลเพื่อการเรียนรู้ โรงเรียนควรนำเทคโนโลยีปัญญาประดิษฐ์เข้าไปสนับสนุนระบบการประเมินตนเองของสถานศึกษา (Self-Assessment Report: SAR) และการประเมินคุณภาพภายใน (Internal Quality Assurance: IQA) เพื่อนำข้อมูลจำนวนมากมาประมวลผลหาร่องรอยจุดอ่อนเชิงหลักสูตรและจัดเตรียมแผนพัฒนาผู้เรียนเฉพาะบุคคลอย่างเป็นระบบรอบด้าน18
  2. การปรับปรุงระบบวัดผลที่มุ่งกระบวนการและมิติคุณค่าของมนุษย์เหนือเครื่องจักร สถานศึกษาควรปรับลดน้ำหนักของคะแนนสอบแบบปรนัยที่วัดเพียงความรู้ระดับจำและเข้าใจลงอย่างเป็นสัดส่วนสำคัญ แล้วหันไปเพิ่มค่าน้ำหนักคะแนนให้แก่การประเมินเชิงปฏิบัติการ การประเมินตนเอง และการวิเคราะห์ร่องรอยปฏิสัมพันธ์ระหว่างผู้เรียนกับระบบปัญญาประดิษฐ์ (Process Tracking) เพื่อส่งเสริมความซื่อสัตย์ทางวิชาการและทักษะการรู้เท่าทันเชิงลึก2
  3. การสนับสนุนความร่วมมือและการพัฒนาขีดความสามารถทางวิชาชีพครูเชิงรุก ควรกำหนดให้มีพื้นที่การทดลองเชิงสร้างสรรค์ในโรงเรียน (Sandbox Space) เพื่อให้คณะครูผู้สอนต่างกลุ่มสาระสามารถร่วมกันสร้างสรรค์คู่มือคำสั่ง (Prompt Library) ในรูปแบบสหวิทยาการร่วมกัน มีการแบ่งปันเครื่องมือวัดผลคุณภาพที่ผ่านการพิสูจน์ค่าสถิติความเที่ยงตรงสอดคล้อง IOC แล้ว1 เพื่อเป็นคลังความรู้พร้อมใช้ในการลดภาระเอกสารของครู และเพิ่มเวลาในการดูแลเอาใจใส่พัฒนาศักยภาพผู้เรียนรายบุคคลได้อย่างทั่วถึงและเสมอภาคในตอนท้ายอย่างแท้จริง18

Works cited

  1. การวัดและประเมินผลการเรียนรู้คณิตศาสตร์ – DLP SSRU, https://ssrudlp.ssru.ac.th/data-file/teacher_work/file/f5328cae0da70c46302c047f48287c38.pdf
  2. การวิเคราะห์เชิงลึกเปรียบเทียบระหว่าง “ผลลัพธ์การเรียนรู้” (Learning Outcomes) และ “ผลสัมฤทธิ์ทางการเรียน” (Academic Achievement) ในบริบทการศึกษาและการเปลี่ยนแปลงกระบวนทัศน์สากลสู่ประเทศไทย » – Digital Learning Classroom, https://krukob.com/web/al-14/
  3. การออกแบบการจัดการเรียนรู้และการวัดประเมินผลการเรียนรู้ โดยเน้นการใช้ AI เพื่อลดภาระครูและเพิ่มประสิทธิภาพในการสอน » – Digital Learning Classroom, https://krukob.com/web/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%AD%E0%B8%AD%E0%B8%81%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%88%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2/
  4. วัดและประเมินผลอย่างไร?, https://www.skprivate.go.th/uploads/group/00342c5a6b549de07a8ff5d4d391cc09.pdf
  5. วิเคราะห์มาตรฐานการเรียนรู้และตัวชี้วัด ตามหลักสูตรแกนกลางการศึกษาขั้นพื้นฐาน, http://www.seekan.ac.th/active_learning/learning_standards.pdf
  6. AI Readiness Framework — aiEDU, https://www.aiedu.org/ai-readiness-framework
  7. KPA คืออะไร? KPA ย่อมาจาก Knowledge Practice Attitude – ข่าวการศึกษา ครูประถม.คอม, https://www.krupatom.com/education_32743
  8. AI Literacy and Critical Thinking Self-Assessment Rubric, https://ucalgary.ca/live-uc-ucalgary-site/sites/default/files/teams/23/AI%20Handouts/AI%20Literacy/AI-literacy-and-critical-thinking-self-assessment-rubric.pdf
  9. A five dimensional framework for the integration of AI in authentic assessment – Gamma, https://gamma.app/docs/A-five-dimensional-framework-for-the-integration-of-AI-in-authent-odad15krhljdh7w
  10. Understanding AI Literacy – Stanford Teaching Commons, https://teachingcommons.stanford.edu/teaching-guides/artificial-intelligence-teaching-guide/understanding-ai-literacy
  11. AI literacy assessment: How to measure student understanding – SchoolAI, https://schoolai.com/blog/ai-literacy-assessment
  12. Office of the Education Council – สำนักงานเลขาธิการสภาการศึกษา, https://www.onec.go.th/th.php/page/view/Outstand/6231
  13. ทำไมต้องรู้เท่าทัน AI? » – Digital Learning Classroom, https://krukob.com/web/ai-30/
  14. Defining and assessing AI literacy for researchers across the research lifecycle – Frontiers, https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2026.1827603/full
  15. Free AI Holistic Grading Rubric Generator — EasyClass, https://easyclass.ai/grading-methods/holistic-grading
  16. ความฉลาดรู้ด้านปัญญาประดิษฐ์ (AI Literacy) – Big Data Institute, https://bdi.or.th/big-data-101/ai-literacy/
  17. เอกสารประกอบการบรรยาย – มหาวิทยาลัยราชภัฏบุรีรัมย์, https://blog.bru.ac.th/wp-content/plugins/download-attachments/includes/download.php?id=176045
  18. คู่มือครูยุคใหม่: การบูรณาการ AI ในการจัดการเรียนการสอน (ปฐมวัย-ประถมศึกษา) ตามหลักสูตร 2568, https://arit.rmutt.ac.th/ai-teaching-management-childhood/
  19. AI Prompts for Teachers: 10 Templates for Lessons, Rubrics, and Differentiation – Promplify, https://promplify.ai/blog/ai-prompts-for-teachers
  20. Exploring Rubrics and AI – The LAIR at East Texas A&M, https://lair.etamu.edu/cgi/viewcontent.cgi?article=1000&context=cid-faculty-publications
  21. การบูรณาการ AI – arit rmutt, https://arit.rmutt.ac.th/download/AI-for-Education_2/02-AI-Primary_School_Teacher.pdf
  22. 50 AI Prompts for Teachers: Lesson Planning, Assessment, Feedback & Family Comms with ChatGPT, Claude & Gemini, https://www.keepmyprompts.com/en/blog/ai-prompts-teachers-lesson-planning-assessment-feedback
  23. ChatGPT ช่วยครูได้แค่ไหน ? — 10 งานที่ AI ช่วยลดเวลา พร้อม Prompt ภาษาไทยใช้ได้ทันที – การศึกษา ข่าว สอบตรง สมัครสอบ นักเรียน นักศึกษา ทุนการศึกษา เรียนต่อต่างประเทศ มหาวิทยาลัย โรงเรียน – Eduzones.com, https://www.eduzones.com/2026/06/03/chatgpt-for-teachers/
  24. AI Prompts – Inspiring Inquiry, https://www.inspiringinquiry.com/technology/ai-in-the-classroom/ai-prompts
  25. แบบฟอร์มแผนการจัดการเรียนรู้ ชื่อ-นามสกุล นา – Aksorn, https://www.aksorn.com/100LessonPlan/pdf/653947ac9a4a5.pdf
  26. AI Rubric Generator | Create Custom Rubrics Instantly – Secondary AI, https://thesecondary.ai/ai-rubric-generator
  27. ปลดล็อกประสิทธิภาพ สุดยอด Prompt สำหรับการประเมินผลนักเรียนด้วย AI – ทรูปลูกปัญญา, https://www.trueplookpanya.com/dhamma/content/97229-edu-
  28. ตอนที่ 18 การใช้ AI เพื่อวัดและประเมินผลการเรียนรู้ | EDHD SSKRU – YouTube, https://www.youtube.com/watch?v=wnKTE0zTRqo
  29. แนวทางการใช้ปัญญาประดิษฐ์(AI) เพื่อส่งเสริมการประกันคุณภาพภายในสถานศึกษา, https://boet.obec.go.th/wp-content/uploads/2025/09/%E0%B9%81%E0%B8%99%E0%B8%A7%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%83%E0%B8%8A%E0%B9%89-AI-%E0%B9%80%E0%B8%9E%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%AA%E0%B9%88%E0%B8%87%E0%B9%80%E0%B8%AA%E0%B8%A3%E0%B8%B4%E0%B8%A1-IQA.pdf
  30. คู่มือการใช้AI, https://nitedcr1.go.th/wp-content/uploads/2025/03/OBEC-AI-Guidance_.pdf
  31. Exploring Rubrics and AI – SFA ScholarWorks, https://scholarworks.sfasu.edu/cgi/viewcontent.cgi?article=1040&context=txdla_jdl
  32. Using AI to Create Rubrics – HumTech – UCLA, https://humtech.ucla.edu/instructional-support/ai-toolkit-for-the-humanities-classroom/using-ai-to-create-rubrics/
  33. Rubric-Based Evaluations & LLM-as-a-Judge — Methodologies, Biases, and Empirical Validation in Domain-Specific Contexts. | by Adnan Masood, PhD. | Medium, https://medium.com/@adnanmasood/rubric-based-evals-llm-as-a-judge-methodologies-and-empirical-validation-in-domain-context-71936b989e80
  34. DESIGNING GRADING & FEEDBACK RUBRICS | UCD Teaching & Learning, https://www.ucd.ie/teaching/t4media/designing_feedback_rubrics.pdf
  35. คู่มือการใช้ AI สำหรับครู นักเรียน โรงเรียน และผู้ปกครองในระดับการศึกษาขั้นพื้นฐาน พ.ศ. 2568, https://www.kroonut.com/obec-ai-guidance-2025/
  36. การทบทวนมาตรวัดการประเมินผล AI (The AI Assessment Scale Revisited) และยุทธศาสตร์การบริหารจัดการสถานศึกษาเพื่อความเป็นเลิศทางนวัตกรรม » – Digital Learning Classroom, https://krukob.com/web/ai-29/
  37. สพฐ.เสริมครูแกนนำใช้ AI พลิกโฉมการเรียนรู้รายบุคคล ปั้นเด็กเก่งตรงศักยภาพ | เดลินิวส์, https://www.dailynews.co.th/news/5856984/
Post Views: 18

Comments

comments

Powered by Facebook Comments

Exit mobile version