การประยุกต์ใช้ ChatGPT เพื่อวิเคราะห์เนื้อหาโมดูลกิจกรรมสะเต็ม ตามกรอบแนวคิดดีไอวาย ทิงเกอร์ และเมกเกอร์
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยในครั้งนี้ มีวัตถุประสงค์เพื่อ (1) ศึกษาแนวทางการใช้ปัญญาประดิษฐ์ในวิเคราะห์ข้อมูลเชิงคุณภาพด้วยรูปแบบการวิเคราะห์เชิงประเด็น (Thematic analysis approach) และ (2) เพื่อถอดบทเรียนลักษณะโครงสร้างและองค์ประกอบของกิจกรรมสะเต็มตามกรอบแนวคิดดีไอวาย ทิงเกอร์ และเมกเกอร์อย่างเป็นระบบ โดยผู้วิจัยได้ออกแบบและพัฒนากิจกรรมสะเต็มตามกรอบแนวคิดดีไอวาย ทิงเกอร์ และเมกเกอร์จำนวน 5 โมดูล ที่ประกอบด้วย กิจกรรม UVC Box Experiment, Digital pH Meter, Air Sensor, บอร์ดเกม Startup & Rare earth และ Motion Sensor จากนั้นนำเนื้อหาที่เป็นคู่มือกิจกรรมสะเต็มและเอกสารประกอบ เข้าสู่ขั้นตอนการวิเคราะห์เนื้อหา โดยการประยุกต์ใช้ ChatGPT 4.0 ซึ่งเป็นปัญญาประดิษฐ์ประเภทการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) มาเป็นเครื่องมือในการวิเคราะห์เนื้อหาโดยใช้รูปแบบรูปแบบการวิเคราะห์เชิงประเด็น ซึ่งประกอบด้วย 4 ขั้นตอนหลักของ NLP คือ การวิเคราะห์ไวยากรณ์ การวิเคราะห์ความหมาย การรู้จำเอนทิตี การสกัดความสัมพันธ์ จากผลการวิเคราะห์เนื้อหาพบว่า ChatGPT 4.0 วิเคราะห์ข้อมูลเชิงคุณภาพได้รวดเร็วและแม่นยำ ช่วยลดอคติจากการตีความของนักวิจัย สามารถค้นพบและดึงประเด็นสำคัญ และรูปแบบที่เกิดขึ้นซ้ำในเนื้อหา ผลลัพธ์มีความแม่นยำและสอดคล้องโดยตรวจสอบได้ด้วยการวิเคราะห์ซ้ำ ทำให้เกิดประโยชน์ต่อการศึกษาและพัฒนา ซึ่งจะนำไปสู่แนวทางใหม่ในการวิเคราะห์ข้อมูลเชิงคุณภาพ พัฒนาและปรับปรุงกระบวนการวิจัย ในส่วนของผลการวิเคราะห์กิจกรรมสะเต็มตามกรอบแนวคิดดีไอวาย ทิงเกอร์ และเมกเกอร์ แสดง 8 ลักษณะสำคัญคือ (1) การสืบเสาะและการทดลองทางวิทยาศาสตร์ (2) การบูรณาการแนวคิดสะเต็ม (3) การจัดหลักสูตรการศึกษาและความสอดคล้องของหลักสูตร (4) การเรียนรู้เชิงนวัตกรรมและการปฏิสัมพันธ์ (5) ดีไอวายและความสามารถในการเข้าถึงการศึกษา (6) การคิดเชิงคำนวณและการใช้เทคโนโลยี (7) การประยุกต์ใช้ในโลกแห่งความจริงและการแก้ปัญหา และ (8) ความคิดสร้างสรรค์และการปรับตัว จากข้อค้นพบสรุปได้ว่าปัญญาประดิษฐ์ประเภท NLP ในชื่อ ChatGPT เวอร์ชัน 4.0 สามารถวิเคราะห์ข้อมูลเชิงคุณภาพด้วยรูปแบบการวิเคราะห์เชิงประเด็นได้ดี มีศักยภาพสูงในการเป็นเครื่องมือวิจัยเชิงคุณภาพ และกิจกรรมกิจกรรมสะเต็มตามกรอบแนวคิดดีไอวาย ทิงเกอร์ และเมกเกอร์สะท้อนลักษณะสำคัญทางการเรียนรู้ที่สามารถนำไปจัดการเรียนรู้และพัฒนาวิชาชีพครูต่อไปได้
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
หากผู้เสนอบทความมีความจำเป็นเร่งด่วนในการตีพิมพ์โปรดส่งลงตีพิมพ์ในวารสารฉบับอื่นแทน โดยกองบรรณาธิการจะไม่รับบทความหากผู้เสนอบทความไม่ปฏิบัติตามเงื่อนไขและขั้นตอนที่กำหนดอย่างเคร่งครัด ข้อมูลของเนื้อหาในบทความถือเป็นลิขสิทธิ์ของ Journal of Inclusive and Innovative Education คณะศึกษาศาสตร์ มหาวิทยาลัยเชียงใหม่
References
Office of the Basic Education Commission. (2017). Active Learning. Bangkok: Office of the Basic Education Commission. [in Thai]
Ahn, J., Choi, K., & Kim, J. (2017). The effects of STEM education on students’ learning outcomes: A meta-analysis. International Journal of STEM Education, 4(1), 1-14.
Baldwin, S., Ching, Y. H., & Hsu, Y. C. (2017). Learning to make and making to learn: A case study of pre-service science teachers' maker projects. In P. Resta & S. Smith (Eds.), Proceedings of Society for Information Technology & Teacher Education International Conference (pp. 2302-2309). Association for the Advancement of Computing in Education (AACE).
Barrows, H. S. (1996). Problem-based learning in medicine and beyond: A brief overview. In L. Wilkerson & W. H. Gijselaers (Eds.), Bringing Problem-Based Learning to Higher Education: Theory and Practice (pp. 3–12). San Francisco, CA: Jossey-Bass.
Blikstein, P., & Krannich, D. (2013). The maker movement: A new paradigm for learning. Technology, Knowledge and Learning, 18(2), 157-166.
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of Machine Learning Research, 3, 993-1022.
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101.
Breckler, S. J., Olson, J. M., & Wiggins, E.C. (2006). Social psychology alive. Boston: Thomson Wadsworth.
Bybee, R. W. (2009). The BSCS 5E instructional model: Origins and effectiveness. In N. G. Lederman & S. K. Abell (Eds.), Handbook of research on science education (pp. 582-594). Routledge.
Chad, R., & Lochmiller, C. R. (2021). Conducting thematic analysis with qualitative data. The Qualitative Report, 26(6), 2029 – 2044.
ChatGPT. (2024). OpenAI. Retrieved from https://chat.openai.com.
Cobern, W. W. (1993). Contextual constructivism: The impact of culture on the learning and teaching of science. In K. G. Tobin (Ed.), The Practice of Constructivism in Science Education (pp. 51-69). Hillsdale, NJ: Lawrence Erlbaum Associates, Inc.
Enger, K. S. (2017). Environmental science: A study of interrelationships (15th ed.). New York: McGraw-Hill Education.
Fosnot, C. T. (2013). Constructivism: Theory, perspectives, and practice. New York: Teachers College Press.
Guest, G., MacQueen, K. M., & Namey, E. R. (2012). Applied thematic analysis. London: Sage Publications.
Halverson, E. R., & Sheridan, K. M. (2014). The maker movement in education. Harvard Educational Review, 84(1), 49-74.
Henrich, J. (2015). The secret of our success: How culture is driving human evolution, domesticating our species, and making us smarter. New Jersey: Princeton University Press.
Hidayat, R., Nugroho, I., Zainuddin, Z., & Ingai, T. A. (2023). A systematic review of analytical thinking skills in STEM education settings. Information and Learning Sciences, 7-8, 565-586.
Hu, M., & Liu, B. (2004). Mining and summarizing customer reviews. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 168-177).
Hsu, Y. C., Baldwin, S., & Ching, Y. H. (2017). Learning to make and making to learn: A case study of pre-service science teachers' maker projects. In P. Resta & S. Smith (Eds.), Proceedings of Society for Information Technology & Teacher Education International Conference (pp. 2302-2309). Association for the Advancement of Computing in Education (AACE).
ISTE. (2016). ISTE standards for students. Arlington, VA: International Society for Technology in Education.
Jurafsky, D., & Martin, J. H. (2009). Speech and language processing (2nd ed.). New Jersey: Pearson.
Kahneman, D. (2011). Thinking, Fast and Slow. New York: Farrar, Straus, and Giroux.
Kolb, D. A. (2014). Experiential learning: Experience as the source of learning and development. New Jersey: FT press.
Kolb, D. A., & Kolb, A. Y. (2005). Learning styles and learning spaces: Enhancing experiential learning in higher education. Academy of Management Learning & Education, 4(2), 193-212.
Krippendorff, K. (2018). Content analysis: An introduction to its methodology (4th ed.). Sage Publications.
Kukla, A. (2000). Social constructivism and the science classroom. Science & Education, 9(2), 191-201.
Lave, J., & Wenger, E. (1991). Situated learning: Legitimate peripheral participation. Cambridge: Cambridge University Press.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
Lee, L. W., Dabirian, A., McCarthy, I. P., & Kietzmann, J. H. (2020). Making sense of text: Artificial intelligence-enabled content analysis. European Journal of Marketing, 54, 615-644.
Manning, C. D., Raghavan, P., & Schütze, H. (2009). Introduction to information retrieval. Cambridge: Cambridge University Press.
Martin, L. (2015). The promise of the maker movement for education. Journal of Pre-College Engineering Education Research (J-PEER), 5(1), 1-12.
Marzano, R. J. (2003). What works in schools: Translating research into action. Alexandria, VA: Association for Supervision and Curriculum Development.
Mayer, R. E. (2005). The Cambridge handbook of multimedia learning. Cambridge: Cambridge University Press.
National Research Council. (2000). How people learn: Brain, mind, experience, and school. Washington, DC: National Academies Press.
Papert, S., & Harel, I. (1991). Constructionism. Norwood, NJ: Ablex Publishing Corporation.
Piaget, J. (1954). The construction of reality in the child. New York: Basic Books.
Piaget, J. (2013). The construction of reality in the child (Vol. 82). London: Routledge.
Porter, A.C. (2002). Measuring the content of instruction: Uses in research and practice. Educational Researcher, 31(7), 3-14.
Roehrig, G. H., & Luft, J. A. (2004). Assessment of learning in tinkering environments. Journal of Science Education and Technology, 13(2), 187-198.
Rose, D. H., & Meyer, A. (2002). Teaching every student in the digital age: Universal design for learning. Alexandria, VA: Association for Supervision and Curriculum Development.
Runco, M. A. (2004). Creativity. Annual Review of Psychology, 55, 657–687.
Russell, S. J., & Norvig, P. (2010). Artificial intelligence: A modern approach (3rd ed.). Upper Saddle River, New Jersey: Pearson.
Sanders, M. (2009). STEM education and the 21st century workforce. The Bridge on Education, 40(1), 15-24.
Siregar, N. C., Rosli, R., Maat, S. M., & Capraro, M. M. (2019). The effect of science, technology, engineering and mathematics (STEM) program on students’ achievement in mathematics: A meta-analysis. International Electronic Journal of Mathematics Education, 15(1), em0549.
Stemler, S. E. (2000). An overview of content analysis. Practical Assessment, Research, and Evaluation, 7(1), 137-146.
Taşdemir, F. (2022). Examination of the effect of STEM education on academic achievement: A Meta-analysis study. Education Quarterly Reviews, 5(2), 282 – 298.
Trott, P. (2016). Creativity and innovation. London: Routledge.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes (M. Cole, V. John-Steiner, S. Scribner, & E. Souberman, Eds.). Cambridge, MA: Harvard University Press.
Wang, H. H., Moore, T. J., Roehrig, G. H., & Park, M. S. (2011). STEM integration: Teacher perceptions and practice. Journal of Pre-College Engineering Education Research (J-PEER), 1(2), 2.
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.
Yildirim, B. (2016). An Analyses and Meta-Synthesis of Research on STEM Education. Journal of Education and Practice, 7(34), 23-33.