ผู้วิจัย#

• Sri Yash Tadimalla
• Mary Lou Maher

หัวข้อเกี่ยวกับอะไร#

• มุ่งพัฒนาหลักสูตร AI literacy สำหรับทุกคน (ไม่จำเป็นต้องเป็นผู้มีพื้นฐาน CS) โดยเน้นแนวทาง “สหสาขา / socio-technical” ที่ผสมระหว่างด้านเทคนิคกับด้านสังคม จริยธรรม และผลกระทบทางสังคม
• เสนอ สี่เสาหลัก (pillars) ของ AI literacy ซึ่งหลักสูตรควรประกอบไปด้วย
  1. ความเข้าใจขอบเขตและมิติทางเทคนิคของ AI (understanding technical dimension)
  2. วิธีโต้ตอบ / ใช้งาน generative AI อย่างรู้เท่าทันและรับผิดชอบ (interaction with Gen-AI)
  3. ปัญหาสังคม-เทคนิค (socio-technical issues) เช่น ความเป็นธรรม, อคติ, ความเป็นส่วนตัว
  4. ผลกระทบทางสังคมและอนาคต (social & future implications) เช่น ผลกระทบต่อแรงงาน, การเปลี่ยนแปลงระบบ เป็นต้น
• นอกจากนี้ เน้นให้หลักสูตร “ปรับได้ (adjustable)” ให้เหมาะกับบริบท เช่น ใช้ในวิชา non-CS, ค่ายฤดูร้อน, ผู้ใหญ่, ประชาชนทั่วไป ฯลฯ

ใช้เทคนิคอะไร#

• การออกแบบแบบ modular / ปรับเปลี่ยนได้: แต่ละโมดูล (pillar) สามารถถูกดัดแปลงตามบริบทของผู้เรียน / สิ่งแวดล้อมการสอน
• ใช้การสำรวจ / วิเคราะห์วรรณกรรม (literature review) เพื่อกำหนดโครงสร้างแนวคิด และสร้างโครงร่างหลักสูตรที่ครอบคลุมมิติหลายด้าน
• ตัวอย่างการนำไปใช้: ในภาคการศึกษา Fall 2023 / Spring 2024 Tadimalla & Maher ได้สอนหลักสูตร AI literacy ที่เน้นการเปรียบเทียบ generative AI, การโต้ตอบ / การใช้ด้วยความรับผิดชอบ, ผลกระทบต่อสังคม ฯลฯ
• มีการใช้ตัวอย่างกิจกรรม / การอภิปราย / งานสะท้อน (reflection) / กิจกรรมแบบโต้ตอบ (interactive tasks) เพื่อให้ผู้เรียนไม่เพียงแต่ “รู้” แต่สามารถ “คิด” และ “ประเมิน” AI ได้

ผลการวิจัย#

• ถึงตอนนี้ paper นี้เน้นการนำเสนอ หลักสูตร / แนวทาง มากกว่าการรายงานผลการวัดในชั้นเรียน (empirical results) อย่างชัดเจน
• อย่างไรก็ดี โครงการได้สอนหลักสูตรทดลองในช่วง 2023–2024 ซึ่งเป็นกรณีศึกษาเบื้องต้นว่าแนวทางสามารถใช้ได้จริงในสภาพแวดล้อมการเรียนการสอน
• ข้อเสนอแนะ: เน้นให้หลักสูตร “ปรับได้” และให้ความสำคัญกับการบูรณาการด้านเทคนิค + ด้านสังคม/จริยธรรม เพื่อให้ผู้เรียนสามารถมีความเข้าใจรอบด้านและตัดสินใจใช้ AI อย่างมีสติ

ความคิดเห็นต่ออนาคต#

• หลักสูตรนี้มีจุดแข็งคือ “ปรับได้ / สหสาขา / ครอบคลุมมิติหลายด้าน” — เมื่อนำไปใช้ ควรประเมินผลจริงในห้องเรียน (pre-post test, กลุ่มควบคุม) เพื่อพิสูจน์ว่าโมดูลเหล่านี้ช่วยเพิ่ม AI literacy ได้หรือไม่
• ควรออกแบบแบบประเมิน (assessment) ที่เชื่อมโยงกับทั้งมิติเทคนิค + ด้านจริยธรรม + การประเมินวิพากษ์ เพื่อจับการเปลี่ยนแปลงของผู้เรียน
• สามารถนำโมดูลบางส่วนไปผสมกับวิชาอื่น (เช่น วิทยาศาสตร์สังคม, ภาษา, ประวัติศาสตร์) เพื่อให้ผู้เรียนในสาขา non-CS ได้สัมผัส AI literacy
• อาจทดลองสร้างเวอร์ชันสั้น (mini-module) สำหรับผู้เรียนออนไลน์ / MOOC / ประชาชนทั่วไป
• ในการวิจัยต่อไป ควรรวบรวมข้อมูลเชิงปริมาณ (คะแนน, แบบสอบถาม) และคุณภาพ (สัมภาษณ์, บันทึกพฤติกรรม) เพื่อวัดประสิทธิผล

Reference