STRUCTURAL COMPONENTS OF A LEARNING ECOSYSTEM FOR ENHANCING VOCATIONAL TEACHERS' GENERATIVE AI INSTRUCTIONAL COMPETENCIES
Article Sidebar
Main Article Content
Abstract
This research aims to 1) study the components and 2) confirm and present a learning ecosystem for enhancing vocational teachers' GenAI instructional competencies. This research is a research and development study divided into two phases. Phase 1 involved interviewing 9 experts using an interview guide and gathering opinions using a questionnaire with 58 questions via an online system. The research population consisted of 938 vocational education teachers in northern Thailand.
The sample size was 410 teachers selected through simple random sampling using exploratory factor analysis. Phase 2 verified the structural validity of the component pattern obtained from phase 1 using confirmatory factor analysis using a questionnaire with 58 questions via an online system. The research population consisted of 938 vocational education teachers in northern Thailand. The sample size was 423 teachers selected through simple random sampling using confirmatory factor analysis.
The learning ecosystem framework for enhancing GenAI competencies in vocational education teachers comprises six components and 58 indicators: 1) Effective learning ecosystem design (9 indicators), 2) AI-driven learning ecosystem design (11 indicators), 3) GenAI competencies (6 indicators), 4) Using GenAI in education and learning management (8 indicators), 5) Applying GenAI to learning development
(12 indicators), and 6) Vocational education teachers' competencies in managing learning (12 indicators). The results of the model verification using confirmatory factor analysis revealed that all six components of the model were statistically significant at the .01 level, consistent with the empirical data. This reflects the need to develop GenAI competencies for vocational teachers that should not focus solely on AI tool skills, but also design a comprehensive learning ecosystem encompassing infrastructure, technology for learning management, data ethics, resource and learning organization, and the professional competencies of vocational teachers. This approach can be implemented to create a learning ecosystem that effectively promotes GenAI competencies in vocational...
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กฤติน ขันละ. (2569). ปรากฏการณ์ปัญญาประดิษฐ์ในระบบการศึกษาไทย: บทสังเคราะห์เชิงวิภาษวิธี
พ.ศ. 2566-2568. วารสารวิจัยสังคมและปริทัศน์, 49(1). https://so04.tci-thaijo.org/ index.php/socialresearchjournal/article/view/284751/191844
จิติมา วรรณศรี. (2564). การบริหารจัดการศึกษายุคดิจิทัล. รัตนสุวรรณการพิมพ์.
นริศรา ใจคง และสิริกานต์ แก้วคงทอง. (2564). นิเวศการเรียนรู้: เรื่องเก่าบนวิถีใหม่. วารสารการศึกษาไทย, 18(3), 64-69.
พรรัตน์ จันทร์คำ. (2566). การพัฒนาระบบนิเวศการเรียนรู้เพื่อส่งเสริมทักษะอาชีพของโรงเรียนราชประชานุเคราะห์ 22 จังหวัดแม่ฮ่องสอน. วารสารนวัตกรรมการจัดการศึกษาและการวิจัย, 5(4), 885-896. https://so02.tci-thaijo.org/index.php/jemri/article/ view/262108/177120
พิทักษ์ กันทา และณัฐิยา ตันตรานนท์. (2567). การศึกษาและพัฒนาสมรรถนะครูด้านดิจิทัล: กรณีศึกษาศูนย์พัฒนาคุณภาพการศึกษาตําบลปิงโค้ง สํานักงานเขตพื้นที่การศึกษาประถมศึกษาเชียงใหม่เขต 3. วารสารบริหารการศึกษาบัวบัณฑิต, 24(2), 120-131. https://so06.tci-thaijo.org/index.php/BUAJEAD/article/view/274536/185418
ศศินันท์ เศรษฐวัฒน์บดี, กันต์ฤทัย คลังพหล, บุษยา จูงาม, ปาริชาต ผดุงศิลป์ และอภิชญา สวัสดี. (2566). การศึกษาระบบนิเวศการเรียนรู้ของสถานศึกษาในจังหวัดปทุมธานี. วารสารคณะครุศาสตร์ มหาวิทยาลัยราชภัฎนครสวรรค์, 6(1), 102-113. https://so02.tci-thaijo.org/index.php/ edunsrujo/article/download/258633/175712/1020009
สมพร นามอินทร์ และขวัญใจ ทวนดํา. (2568). การใช้เทคโนโลยีปัญญาประดิษฐ์ AI (Chat GPT) เพื่อส่งเสริมทักษะการ สอนวิชาศิลปะ. วารสารสันตยาภิวัฒน์ วัดหนองนกกด, 3(1), 229-244. https://so16.tci-thaijo.org/index.php/jswn/article/view/1283
สำนักงานคณะกรรมการข้าราชการครูและบุคลากรทางการศึกษา. (2564). คู่มือการดำเนินการตามหลักเกณฑ์และวิธีการประเมินตำแหน่งและวิทยฐานะข้าราชการครูฯ ตำแหน่งครู. สำนักงาน ก.ค.ศ.กระทรวงศึกษาธิการ.
สำนักงานเลขาธิการสภาการศึกษา. (2563). สภาวะการศึกษาไทย 2561/2562 การปฏิรูปการศึกษาในยุคดิจิทัล. สำนักงานเลขาธิการสภาการศึกษา กระทรวงศึกษาธิการ.
สำนักงานเลขาธิการสภาการศึกษา. (2569). รายงานผลการศึกษา การใช้ปัญญาประดิษฐ์แบบอัตโนมัติโดยไม่ต้องอาศัยมนุษย์ (Generative AI) เพื่อการศึกษาในโลกที่ผันผวนตามแนวคิดขององค์การสหประชาชาติที่เหมาะสมกับประเทศไทย. สำนักงานเลขาธิการสภาการศึกษา กระทรวงศึกษาธิการ. https://backoffice.onec.go.th/uploads/Book/2185-file.pdf
สำนักติดตามและประเมินผลการอาชีวศึกษา. (2567). รายงานสภาพปัญหาและข้อจำกัดของสถานศึกษาในการขับเคลื่อนการจัดการอาชีวศึกษา ปีงบประมาณ พ.ศ. 2567. กลุ่มติดตามและรายงานผล สำนักงานคณะกรรมการการอาชีวศึกษา.
สุธน วงค์แดง. (2568). ระบบนิเวศการเรียนรู้สู่การเรียนรู้ตลอดชีวิต. สักทอง : วารสารมนุษยศาสตร์และสังคมศาสตร์, 31(3), 1-17.
สุรพล บุญลือ. (2567). แนวทางการใช้ปัญญาประดิษฐ์รังสรรค์สำหรับการศึกษาและวิจัย. วารสารครุศาสตร์อุตสาหกรรม, 23(2), B1-B12. https://doi.org/10.55003/JIE.23202
โสภนา สุดสมบูรณ์. (2567). แนวทางการเสริมสร้างระบบนิเวศการเรียนรู้ของโรงเรียนระดับประถมศึกษาในพื้นที่ ชายแดนทางภาคเหนือตอนบนของประเทศไทย. วารสารวิชาการการจัดการภาครัฐและเอกชน, 6(2), 251-264. https://so02.tci-thaijo.org/index.php/appm/article/view/ 265525
Ahmad, S. F., Alam, M. M., Rahmat, M. K., Mubarik, M. S., & Hyder, S. I. (2022). Academic and administrative role of artificial intelligence in education. Sustainability, 14(3), 1101. https://doi.org/10.3390/su14031101
Comrey, A. L., & Lee, H. B. (2013). A first course in factor analysis. Psychology press.
European Parliament. (2015). Innovative schools: teaching & learning in the digital era. European Parliament.
Fabrigar, L. R., & Wegener, D. T. (2012). Exploratory factor analysis. Oxford University Press.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Upper Saddle River, NJ: Prentice Hall.
Grimm, L. G., & Yarnold, P. R. (Eds.). (1995). Reading and understanding multivariate statistics. American Psychological Association.
MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4(1), 84–99. https://doi.org/10.1037/1082-989X.4.1.84
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. United Nations Educational, Scientific and Cultural Organization.
Nguyen, L. T., Kanjug, I., Lowatcharin, G., Manakul, T., Poonpon, K., Sarakorn, W., Somabut, A., Srisawasdi, N., & Traiyarach, S. (2023). Digital learning ecosystem for classroom teaching in Thailand high schools. SAGE Open, 13(1), 1–14. https://doi.org/10.1177/21582440231158303
OECD & European Commission. (2025). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education. OECD.
Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics (5th ed.). Allyn & Bacon/Pearson Education.
UNESCO. (2021a). AI and education: Guidance for policy-makers. UNESCO Publishing.
UNESCO. (2021b). AI in education: opportunities and challenges. UNESCO Publishing.
UNESCO. (2023). Guidance for generative AI in education and research. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ ark:/48223/pf0000386693
UNESCO. (2024). AI Competency Framework for Teachers. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/ pf0000387224
Yanis, Afrida. (2025). Innovation in teaching and learning education in the digital era. Education Journal, 1(2), 11-21.
