กรอบ EELA-QA: แบบจำลองแนวคิดเพื่อการประกันคุณภาพการใช้ปัญญาประดิษฐ์ ในโรงเรียนประถมศึกษาไทย
คำสำคัญ:
กรอบ EELA-QA, ปัญญาประดิษฐ์ทางการศึกษา, การประกันคุณภาพ, โรงเรียนประถมศึกษา, หลักฐานการเรียนรู้บทคัดย่อ
ภูมิหลังและวัตถุประสงค์: การใช้ปัญญาประดิษฐ์ (AI) ในโรงเรียนประถมศึกษาไทยเพิ่มขึ้น พร้อมกับข้อกังวลด้านการคุ้มครองข้อมูลเด็ก อคติของระบบ ความเสมอภาคในการเข้าถึง และความตรงของหลักฐานการเรียนรู้ ประเด็นดังกล่าวมีความสำคัญเป็นพิเศษสำหรับผู้เรียนวัยเยาว์ซึ่งยังมีข้อจำกัดด้านการให้ความยินยอม การกำกับตนเอง และการประเมินความน่าเชื่อถือของผลลัพธ์จาก AI การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนากรอบ EELA-QA สำหรับการประกันคุณภาพการใช้ AI ในโรงเรียนประถมศึกษาไทย
ระเบียบวิธีการวิจัย: การวิจัยเป็นการพัฒนากรอบแนวคิด ดำเนินการ 2 ระยะ ได้แก่ 1) การสังเคราะห์เชิงมโนทัศน์จากเอกสารภาษาไทยและภาษาอังกฤษที่เผยแพร่ระหว่าง พ.ศ. 2561–2569 จำนวน 47 เรื่อง ซึ่งคัดเลือกจากระเบียนเบื้องต้น 226 เรื่อง และ 2) การตรวจสอบร่างกรอบโดยผู้เชี่ยวชาญแบบ สหสาขา จำนวน 7 คน เครื่องมือวิจัยประกอบด้วยแบบประเมินดัชนีความสอดคล้อง แบบประเมิน ความเหมาะสม และคำถามปลายเปิด วิเคราะห์ข้อมูลด้วยค่า IOC ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน
และการวิเคราะห์เนื้อหา
ผลการวิจัย: กรอบ EELA-QA ประกอบด้วย 4 มิติ ได้แก่ จริยธรรม ความเสมอภาค หลักฐานการเรียนรู้ และความรับผิดชอบตรวจสอบได้ ค่า IOC รายข้ออยู่ในช่วง 0.71–1.00 และค่าเฉลี่ยเชิงคณิตศาสตร์ของรายการทั้ง 31 ข้อเท่ากับ 0.92 ส่วนความเหมาะสมภาพรวมอยู่ในระดับมาก (M = 4.38, S.D. = 0.54) ข้อเสนอแนะของผู้เชี่ยวชาญทำให้กรอบชัดเจนขึ้นด้านการคุ้มครองข้อมูลเด็ก การใช้หลักฐาน การเรียนรู้หลายแหล่ง และการตรวจสอบย้อนกลับผ่าน SAR และ PLC
สรุปผล: กรอบ EELA-QA เป็นฐานแนวคิดสำหรับการสะท้อนตนเองของสถานศึกษาในการกำกับการใช้ AI ให้ปลอดภัย เป็นธรรม อิงหลักฐาน และตรวจสอบได้ อย่างไรก็ตาม กรอบนี้ยังไม่ใช่เครื่องมือประเมินแบบมีผลได้เสียสูง จึงควรศึกษาความเป็นไปได้และตรวจสอบคุณภาพเพิ่มเติมในโรงเรียนจริงก่อนพัฒนาเป็นเครื่องมือประเมินฉบับสมบูรณ์
เอกสารอ้างอิง
กระทรวงศึกษาธิการ. (2561). กฎกระทรวงการประกันคุณภาพการศึกษา พ.ศ. 2561. กระทรวงศึกษาธิการ.
สำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน. (2561). มาตรฐานการศึกษาระดับการศึกษาขั้นพื้นฐาน. สำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน.
สำนักงานรับรองมาตรฐานและประเมินคุณภาพการศึกษา. (2567). แนวทางการประเมินคุณภาพภายนอกสถานศึกษา. สำนักงานรับรองมาตรฐานและประเมินคุณภาพการศึกษา.
Adams, C., Pente, P., Lemermeyer, G., & Rockwell, G. (2023). Ethical principles for artificial intelligence in K–12 education. Computers and Education: Artificial Intelligence, 4, Article 100131. https://doi.org/10.1016/j.caeai.2023.100131
Alasadi, E. A., & Baiz, C. R. (2023). Generative AI in education and research: Opportunities, concerns, and solutions. Journal of Chemical Education, 100(8), 2965–2971. https://doi.org/10.1021/acs.jchemed.3c00323
Bahroun, Z., Anane, C., Ahmed, V., & Zacca, A. (2023). Transforming education: A comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability, 15(17), Article 12983. https://doi.org/10.3390/su151712983
Brookhart, S. M. (2013). How to create and use rubrics for formative assessment and grading. ASCD.
Corrêa, N. K., Galvão, C., Santos, J. W., Del Pino, C., Pinto, E. P., Barbosa, C., Massmann, D., Mambrini, R., Galvão, L., Terem, E., & de Oliveira, N. (2023). Worldwide AI ethics: A review of 200 guidelines and recommendations for AI governance. Patterns, 4(10), Article 100857. https://doi.org/10.1016/j.patter.2023.100857
European Commission. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in teaching and learning for educators. Publications Office of the European Union. https://doi.org/10.2766/153756
Hsieh, H. F., & Shannon, S. E. (2005). Three approaches to qualitative content analysis. Qualitative Health Research, 15(9), 1277–1288. https://doi.org/10.1177/1049732305276687
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389–399. https://doi.org/10.1038/s42256-019-0088-2
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
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–16.
https://doi.org/10.1145/3313831.3376727
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
OECD. (2024). OECD AI principles. OECD.AI Policy Observatory.
Rovinelli, R. J., & Hambleton, R. K. (1977). On the use of content specialists in the assessment of criterion-referenced test item validity. Dutch Journal for Educational Research, 2(1), 49–60.
Turner, R. C., & Carlson, L. (2003). Indexes of item-objective congruence for multidimensional items. International Journal of Testing, 3(2), 163–171. https://doi.org/10.1207/S15327574IJT0302_5
UNESCO. (2021). AI and education: Guidance for policy-makers. UNESCO.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
UNESCO. (2024). AI competency framework for teachers. UNESCO.
Wiggins, G. (1998). Educative assessment: Designing assessments to inform and improve student performance. Jossey-Bass.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 Journal for Developing the Social and Community
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์เป็นของผู้ประพันธ์บทความ
