AI in Education

ผศ.ดร.สิวะโชติ ศรีสุทธิยากร

ภาควิชาวิจัยและจิตวิทยาการศึกษา
คณะครุศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย

2025-02-10

Introduction

“การปฏิวัติอุตสาหกรรมครั้งที่ 4 คือ การนำเทคโนโลยีดิจิทัลเข้ามาผสมกับโลกการผลิต เชื่อมโยงเครือข่ายในรูปแบบ IoT รวมไปถึงการใช้งานระบบ AI หรือ Machine Learning ทำให้การทำงานมีประสิทธิภาพมากขึ้น” (HR NOTE Thailand 2021)

What’s AI?

ศาสตร์ที่ว่าด้วยการจำลองสติปัญญาของมนุษย์ในเครื่องจักร โดยมีวัตถุประสงค์เพื่อให้เครื่องจักรหรือระบบคอมพิวเตอร์มีความสามารถในการคิด เรียนรู้ วิเคราะห์ และตัดสินใจเหมือนกับมนุษย์

AI ไม่ใช่แค่หุ่นยนต์ แต่ครอบคลุมอัลกอริทึม application และโมเดลที่สามารถคิด วิเคราะห์และตัดสินใจได้เอง
AI อยู่รอบตัวเราในชีวิตประจำวัน

What’s AI?

https://www.datakeen.co/what-is-artificial-intelligence-3/ (2020)

What’s AI?

A General Introduction to Artificial Intelligence (2023)

https://www.datakeen.co/what-is-artificial-intelligence-3/ (2020)

Predictive and Analytical AI
Language & Conversational AI
Generative AI
Perception AI
Automation & Control AI
Recommendation/Decision Support System

AI in the Modern World

https://miro.medium.com/v2/resize:fit:1400/format:webp/1*QKQA8ylu1lCtOkJaa_gGaw.png

https://www.rib-software.com/en/blogs/data-driven-decision-making-in-businesses (RIB Software 2024)

AI in the Modern World

(Pyzer-Knapp et al. 2022)

AI in the Modern World

“Using two types of neural network - mathematical systems for identifying patterns in images or data - the Al system quickly learnt to identify ten features of eye disease from highly complex optical coherence tomography (OCT) scans. The system was then able to recommend a referral decision based on the most urgent conditions detected.” … “Al was able to make the right referral recommendation more than 94% of the time …”

Diabetic Retinopathy
Age-related Macular Degeneration
Glaucoma
Retinal Detachment
Optic Neuropathy

https://www.ucl.ac.uk/ioo/news/2018/aug/artificial-intelligence-equal-experts-detecting-eye-diseases (2018)

Al system for breast cancer screening

(McKinney et al. 2020)

AI in the Modern World

Molecular Biology Research

AI in the Modern World

https://woebothealth.com/(2025)

https://www.youper.ai/how-it-works

flowchart LR
  A["User \n Input"] --> B["Natural Language \n Processing"]
  B -->|"Emotion & \n Intent Recognition"| C{"Machine \n Learning"}
  C -->|"Pattern \n Recognition"| D{"Cognitive Behavioral \n Therapy (CBT)"}
  D -->|"Select Therapy \n Technique"| E["Woebot \n Response"]
  E -->|"Feedback"| C

AI in the Modern World

https://knihovna.utb.cz/en/services/tools/grammarly/

AI in the Modern World

AI ไม่ได้ถูกใช้เพียงแค่ในการวิเคราะห์ข้อมูลเท่านั้น แต่ยังสามารถ สร้างเนื้อหา ได้ เช่น ข้อความ รูปภาพ เสียง และวิดีโอ

https://www.xenonstack.com/blog/generative-ai-applications

https://www.zendesk.com.br/blog/generative-ai-guide/

AI เป็นตัวเร่งให้เกิดการปฏิรูปการศึกษา

ทำให้เกิด Automation ในภาคแรงงาน \(\rightarrow\) การเปลี่ยนแปลงลักษณะงานในอนาคต โดย ทักษะที่เป็นที่ต้องการในตลาดแรงงานมีความซับซ้อนขึ้น
สร้างความเป็นไปได้และโอกาสในการเรียนรู้ที่หลากหลาย และช่วยให้คนสามารถเรียนรู้พัฒนาทักษะของตนเองได้อย่างต่อเนื่อง ตลอดชีวิต
ท้าทายบทบาทของครูและโรงเรียน เพราะการพัฒนาของ AI ทำให้การศึกษาไม่ได้จำกัดแค่ “ครูสอน-นักเรียนฟัง” แต่จะกลายเป็น Co-learning & Knowledge Sharing

Education 4.0

“A Global Framework for Shifting Learning Content and Experiences Towards the Needs of the Future”

ปรับตัวให้ยืดหยุ่น
ใช้เทคโนโลยีเป็นเครื่องมือ
พัฒนาทักษะที่ตอบโจทย์อนาคต

World Economic Forum (2020)

AI in Education 4.0

AI สามารถเข้ามามีบทบาทสำคัญในระบบการศึกษาแบบ Education 4.0 โดยช่วยสนับสนุนทั้งในระดับ นักเรียน ครู และผู้บริหาร ในด้านต่าง ๆ

บทบาทของ AI	นักเรียน	ครู/อาจารย์	ผู้กำหนดนโยบาย / ผู้บริหาร
1. ส่งเสริมการเรียนรู้แบบส่วนบุคคล e.g. AI สามารถปรับเนื้อหาให้เหมาะกับผู้เรียนแต่ละคน (Adaptive Learning, AI-Powered Tutoring)	🟢
2. ปรับปรุงคุณภาพการเรียนรู้ e.g. AI วิเคราะห์ผลการเรียนและช่วยออกแบบแนวทางการสอน (Learning Analytics, AI-Driven Assessment)	🟢	🟢
3. สนับสนุนการจัดการระบบการศึกษา e.g. AI ช่วยบริหารจัดการและตัดสินใจในระดับองค์กร (Digital Education Management, AI in Educational Governance)			🟢
4. เพิ่มโอกาสการเข้าถึงการศึกษา e.g. AI ลดข้อจำกัดของพื้นที่และช่วยให้การศึกษาเข้าถึงทุกคน (Inclusive Education, AI for Accessibility)	🟢		🟢
5. พัฒนาทักษะสำหรับอนาคต e.g. AI ช่วยพัฒนาทักษะที่สำคัญต่ออนาคตของแรงงาน (AI Literacy, Future Workforce Skills)	🟢	🟢	🟢

AI in Education 4.0

ในการใช้ AI ในระบบการศึกษาแบบ Education 4.0 อย่างมีประสิทธิภาพ จำเป็นต้องมีพื้นฐานของ Digital Skills และ AI Literacy ซึ่งเป็นทักษะสำคัญที่ช่วยให้ทั้งผู้เรียน ครู และผู้บริหารสามารถใช้ AI ได้อย่างเหมาะสม

graph LR
    %% Theme definitions
    classDef main fill:#FFA500,stroke:#FFFFFF,stroke-width:2px,color:#FFFFFF,font-weight:bold
    classDef sub fill:#FFFFFF,stroke:#FFA500,stroke-width:2px,color:#000000,font-weight:bold
    classDef group fill:#F5F5F5,stroke:#333,stroke-width:2px,color:#000000,font-weight:bold

    %% Main subgraph
    subgraph AI_Education_Framework["AI & Digital Integration in Education"]
        G["AI Competency"]
        H["Digital Technologies \n in Education"]
    end

    %% Connections inside subgraph
    G -->|"เสริมความรู้และทักษะ\nในการใช้ AI"| H
    H -->|"สร้างโอกาสใน \n การเรียนรู้ AI"| G

    %% Main nodes
    B["1. ส่งเสริมการเรียนรู้แบบส่วนบุคคล"]
    C["2. ปรับปรุงคุณภาพการเรียนรู้"]
    D["3. สนับสนุนการจัดการระบบการศึกษา"]
    E["4. เพิ่มโอกาสการเข้าถึงการศึกษา"]
    F["5. พัฒนาทักษะสำหรับอนาคต"]

    %% Connections from framework to other nodes
    AI_Education_Framework -->|"ปรับแต่งเนื้อหาตามผู้เรียน"| B
    AI_Education_Framework -->|"สนับสนุนการวิเคราะห์ข้อมูล"| C
    AI_Education_Framework -->|"เพิ่มประสิทธิภาพการบริหาร"| D
    AI_Education_Framework -->|"ลดอุปสรรคด้านการเข้าถึง"| E
    AI_Education_Framework -->|"พัฒนาทักษะดิจิทัลและ AI"| F

    %% Connections to skills development
    B --> F
    C --> F
    D --> F
    E --> F

    %% Apply classes
    class G,H main
    class B,C,D,E,F sub
    class AI_Education_Framework group

World Economic Forum (2020)

UNESCO (2024b)

UNESCO (2024a)

AI Competency Framework for Teachers

มิติหลัก (Aspects)	ระดับเริ่มต้น (Acquire)	ระดับเชี่ยวชาญขึ้น (Deepen)	ระดับสร้างสรรค์ (Create)
1️⃣ แนวคิดมนุษย์เป็นศูนย์กลาง (Human-centred mindset)	Human Agency 🔹 เข้าใจว่า AI เป็นเครื่องมือ 🔹 เข้าใจข้อจำกัดของ AI 🔹 เข้าใจแนวคิด Human-centred AI	Human Accountability 🔹 วิเคราะห์และป้องกันอคติของ AI 🔹 รับผิดชอบต่อผลลัพธ์ของ AI 🔹 ปกป้องความเป็นส่วนตัวของนักเรียน 🔹 ใช้ AI อย่างมีจริยธรรมและโปร่งใส	Social Responsibility 🔹 เป็นผู้นำด้าน AI Literacy 🔹 กำหนดนโยบายการใช้ AI 🔹 ส่งเสริม AI ที่เป็นประโยชน์ต่อสังคม
2️⃣ จริยธรรมของ AI (Ethics of AI)	Ethical principles 🔹 เข้าใจหลักจริยธรรมพื้นฐานของ AI 🔹 ตระหนักถึงความเป็นส่วนตัวและความปลอดภัยของข้อมูล 🔹 ตระหนักว่า AI ไม่สามารถตัดสินใจแทนมนุษย์ได้	Safe & Responsible AI 🔹 ใช้ AI อย่างปลอดภัยและมีความรับผิดชอบ 🔹 ป้องกันอคติและส่งเสริมความเป็นธรรม 🔹 ปกป้องข้อมูลและสิทธิความเป็นส่วนตัวของนักเรียน 🔹 วิเคราะห์ผลกระทบทางสังคมของ AI	Co-creating Ethical AI Policies 🔹 มีส่วนร่วมในการพัฒนาแนวปฏิบัติเชิงจริยธรรมของ AI 🔹 ออกแบบแนวทางป้องกันการใช้ AI อย่างไม่เหมาะสม 🔹 พัฒนาโครงการ AI ที่คำนึงถึงความเป็นธรรม
3️⃣ พื้นฐานและการประยุกต์ใช้ AI (AI foundations and applications)	Basic AI Techniques 🔹 เข้าใจพื้นฐานของ AI และตัวอย่างการนำไปใช้ 🔹 รู้จักเครื่องมือ AI ที่สามารถนำมาใช้ในการศึกษา 🔹 เข้าใจข้อจำกัดและโอกาสของ AI	Application of AI 🔹 มีทักษะการประยุกต์ใช้ AI ในบริบทของการศึกษา 🔹 ใช้ AI วิเคราะห์แนวโน้มการเรียนของนักเรียน 🔹 ปรับแต่งการเรียนการสอนโดยใช้ AI	Creating with AI 🔹 สามารถออกแบบนวัตกรรมใหม่โดยใช้ AI 🔹 พัฒนาโมเดล AI ที่ช่วยแก้ปัญหาทางการศึกษา 🔹 ใช้ AI เพื่อสร้างเครื่องมือช่วยการเรียนการสอน
4️⃣ การสอนโดยใช้ AI (AI pedagogy)	AI-assisted Teaching 🔹 ใช้ AI เป็นเครื่องมือช่วยสอน 🔹 ทดลองใช้ AI ในกิจกรรมการสอนที่เรียบง่าย 🔹 เข้าใจว่า AI สนับสนุนการสอนอย่างไร	AI-Pedagogy Integration 🔹 ผสมผสาน AI กับแนวทางการสอน 🔹 ใช้ AI วิเคราะห์พฤติกรรมการเรียนรู้ของนักเรียน 🔹 ปรับกลยุทธ์การสอนตามข้อมูลจาก AI	AI-Enhanced Pedagogical Transformation 🔹 เปลี่ยนแปลงวิธีการสอนโดยใช้ AI 🔹 พัฒนาแพลตฟอร์มการเรียนรู้ที่ขับเคลื่อนด้วย AI 🔹 สนับสนุนการเรียนรู้เฉพาะบุคคลด้วย AI
5️⃣ AI เพื่อการพัฒนาวิชาชีพของครู (AI for professional development)	AI for Lifelong Learning 🔹 ใช้ AI เพื่อพัฒนาความรู้และทักษะของตนเอง 🔹 ติดตามแนวโน้มของ AI เพื่อพัฒนาการสอน 🔹 ใช้ AI เพื่อค้นหาสื่อและแหล่งเรียนรู้ใหม่ๆ	AI for Organizational Learning 🔹 นำ AI มาใช้เพื่อเสริมสร้างการเรียนรู้ขององค์กร 🔹 ใช้ AI เพื่อช่วยบริหารและพัฒนาคุณภาพการศึกษา 🔹 ติดตามและวิเคราะห์พัฒนาการของครูและนักเรียน	AI to Support Professional Transformation 🔹 ใช้ AI เพื่อพัฒนาศักยภาพของครู 🔹 พัฒนาโปรแกรมอบรม AI สำหรับเพื่อนครู 🔹 สร้างเครือข่ายการเรียนรู้สำหรับครูด้วย AI

UNESCO (2024b)

AI Competency Framework for Students

มิติหลัก (Aspects)	ระดับเข้าใจ (Understand)	ระดับประยุกต์ใช้ (Apply)	ระดับสร้างสรรค์ (Create)
1️⃣ แนวคิดมนุษย์เป็นศูนย์กลาง (Human-centred mindset)	Human Agency 🔹 เข้าใจว่า AI เป็นเครื่องมือที่ช่วยมนุษย์ ไม่ใช่สิ่งที่แทนที่มนุษย์ 🔹 เข้าใจบทบาทและข้อจำกัดของ AI 🔹 ตระหนักว่ามนุษย์ต้องเป็นผู้กำกับดูแล AI	Human Accountability 🔹 วิเคราะห์และตั้งคำถามเกี่ยวกับการตัดสินใจของ AI 🔹 ใช้ AI อย่างมีความรับผิดชอบและพิจารณาผลกระทบต่อผู้ใช้ 🔹 ป้องกันอคติและความไม่เป็นธรรมใน AI	Citizenship in the Era of AI 🔹 เป็นผู้นำในการใช้ AI อย่างมีจริยธรรมในสังคม 🔹 ส่งเสริมการพัฒนา AI ที่มีผลกระทบเชิงบวกต่อสังคม 🔹 มีส่วนร่วมในการกำหนดนโยบายเกี่ยวกับ AI ในโรงเรียนหรือชุมชน
2️⃣ จริยธรรมของ AI (Ethics of AI)	Embodied Ethics 🔹 เข้าใจแนวคิดพื้นฐานของจริยธรรม AI 🔹 ตระหนักถึงความเป็นส่วนตัวและการใช้ข้อมูล AI 🔹 เข้าใจว่า AI สามารถมีอคติและผลกระทบต่อสังคมได้	Safe and Responsible Use 🔹 ใช้ AI อย่างปลอดภัยโดยคำนึงถึงสิทธิและความเป็นส่วนตัวของผู้ใช้ 🔹 พิจารณาผลกระทบของ AI ต่อเศรษฐกิจและสังคม 🔹 วิเคราะห์ปัญหาทางจริยธรรมที่เกี่ยวข้องกับ AI	Ethics by Design 🔹 สามารถออกแบบระบบ AI ที่คำนึงถึงจริยธรรมและความเป็นธรรม 🔹 พัฒนาโครงการ AI ที่เน้นการใช้งานที่เป็นธรรมและปลอดภัย 🔹 วิเคราะห์แนวทางการออกแบบ AI ที่ลดอคติและเพิ่มความโปร่งใส
3️⃣ พื้นฐานและการประยุกต์ใช้ AI (AI techniques and applications)	AI Foundations 🔹 เข้าใจหลักการพื้นฐานของ AI 🔹 เรียนรู้วิธีการทำงานของ AI เช่น Machine Learning 🔹 ทดลองใช้เครื่องมือ AI พื้นฐาน เช่น Chatbots หรือ AI-based search tools	Application Skills 🔹 ใช้ AI ในการแก้ปัญหาการเรียนรู้หรือโครงการต่างๆ 🔹 วิเคราะห์ข้อมูลจาก AI เพื่อช่วยพัฒนากลยุทธ์การเรียนรู้ของตนเอง 🔹 ใช้ AI เพื่อสร้างเครื่องมือช่วยเรียนรู้ เช่น AI-based flashcards	Creating AI Tools 🔹 สร้างและพัฒนาเครื่องมือ AI ที่สามารถแก้ปัญหาได้จริง 🔹 ใช้ AI ในการออกแบบนวัตกรรมเพื่อพัฒนาชุมชนหรือการศึกษา 🔹 พัฒนาโมเดล AI ที่สามารถช่วยเหลือผู้เรียนที่มีความต้องการพิเศษ
4️⃣ การออกแบบระบบ AI (AI system design)	Problem Scoping 🔹 เข้าใจวิธีระบุปัญหาที่สามารถแก้ไขได้ด้วย AI 🔹 เรียนรู้กระบวนการวิเคราะห์ปัญหาและข้อจำกัดของ AI 🔹 ฝึกฝนการคิดเชิงระบบในการกำหนดขอบเขตของ AI	Architecture Design 🔹 สามารถออกแบบโครงสร้างของ AI เบื้องต้น 🔹 ทดลองสร้างโมเดล AI โดยใช้เครื่องมือ no-code หรือ low-code AI tools 🔹 ศึกษากระบวนการพัฒนา AI ที่เน้นความโปร่งใสและความยุติธรรม	Iteration and Feedback Loops 🔹 ออกแบบและพัฒนา AI โดยใช้แนวคิด iteration และ feedback loops 🔹 ปรับปรุงโมเดล AI ตามข้อเสนอแนะและข้อมูลที่ได้รับ 🔹 สร้างแนวทาง AI ที่มีการเรียนรู้และปรับตัวอย่างต่อเนื่อง

UNESCO (2024a)

AI Ecological Education Policy Framework

Haderer and Ciolacu (2022)

AI-Powered Personalized Learning

Intentional Assessment

Purpose-Driven: เชื่อมโยงการประเมินกับเป้าหมายของการเรียนรู้ที่ชัดเจน
Process-Enhanced: ออกแบบการวัดผลที่เน้นการประเมินกระบวนการเรียนรู้ไม่ใช่แค่ผลลัพธ์
- Nested Assessment
- Creative/Authentic Tasks
- Multi-Model Assessment
Personalized: ออกแบบการวัดผลที่ปรับตามระดับ/ความต้องการของผู้เรียน ข้อมูลที่ใช้ประกอบการตัดสินใจเช่น
- พฤติกรรมการเรียนรู้
- รูปแบบการคิด/กระบวนการแก้ปัญหา
- การมีส่วนร่วมในชั้นเรียน

Intentional Assessment

Proactive Prevention: ตรวจสอบตัวตน/ป้องกันการคัดลอก/วิเคราะห์รูปแบบ
- มีการให้คําแนะนําหรือข้อกำหนดในการใช้ Generative AI ในการทำงาน

คลิกเพื่อดูรายละเอียด

-ใช้เป็นเครื่องมือเสริม ไม่ใช่แหล่งข้อมูลหลัก

-ใช้เพื่อปรับปรุงการเขียนและพัฒนาทักษะทางภาษา

-อ้างอิงแหล่งข้อมูลเสมอ

-ชี้แจงการใช้ Generative AI อย่างโปร่งใส

-ไม่ควรคัดลอกข้อความที่ Generative AI สร้างมาใช้โดยตรง

-ไม่่ใช้ Generative AI แทนคน

-ตรวจสอบความถูกต้องของข้อมูลก่อนเสมอ

-หากจำเป็นต้องใช้เนื้อหาจาก Generative AI โดยตรงให้อ้างอิงด้วย

ชยุตม์ ภิรมย์สมบัติ (2568)

ใช้เครื่องมือตรวจจับ AI เช่น Turnitin AI Detection, GPTZero
เปรียบเทียบกับงานก่อนหน้า
ให้ส่งต้นฉบับหลายเวอร์ชัน
ให้ตอบคำถามเกี่ยวกับงานของตัวเอง
ให้เขียนงานในชั้นเรียน

AI-Enhanced Intentional Assessment

สร้างโจทย์ที่หลากหลายปรับความยากได้ตามระดับของผู้เรียน
- อาจยึดกับ Bloom’s Taxomony เพื่อกำหนดระดับความซับซ้อนของคำถาม
- ปรับเปลี่ยนบริบทของโจทย์ให้เหมาะกับภูมิหลังและพื้นฐานของผู้เรียนแต่ละกลุ่ม
ออกแบบชิ้นงาน Creative/Authentic Tasks
ออกแบบสถานการณ์จำลอง (scenario generation) เพื่อใช้ประเมินทักษะการแก้ปัญหาหรือการตัดสินใจของผู้เรียน
สร้าง/ปรับเกณฑ์การประเมินชิ้นงานให้เหมาะสมกับเป้าหมายของการประเมิน
การประเมินและให้คะแนนอัตโนมัติ
ให้ feedback เฉพาะบุคคล ทั้งในเชิงเนื้อหา และสามารถปรับ mood & tone ของ feedback ให้เหมาะกับกลุ่มเป้าหมายหรือความต้องการเฉพาะบุคคล

Generative AI

https://jasmine880809.medium.com/5-ai-trends-happened-in-2024-chatgpt-claude-gemini-and-perplexity-f59fcd4904ff

Generative AI

Generative AI: Stochastic Nature

Generative AI: Hallucination

ผลลัพธ์ที่ไม่มีพื้นฐานจากข้อมูลที่ถูกต้องหรือเป็นจริง ซึ่งอาจเป็นข้อมูลที่เข้าใจผิดหรือไม่เกี่ยวข้องกับคำถามหรือข้อมูลนำเข้าที่ได้รับ
บางสถานการณ์ AI อาจให้คำตอบที่ดูเหมือนจะถูก/สมเหตุสมผล หรืออาจจะถูกจริง ๆ แต่ไม่ตรงกับสิ่งที่ผู้ใช้ต้องการ

Generative AI: Hallucination

Hallucination ที่อาจเป็นไปได้
- สร้างข้อมูลเท็จ: AI อาจอ้างถึงบทความ งานวิจัย หรือบุคคลที่ไม่มีอยู่จริง
- แปลผิดความหมาย: AI อาจให้คำอธิบายที่ฟังดูสมเหตุสมผลแต่ไม่ตรงกับบริบท
- สับสนเรื่องเวลา: AI อาจให้ข้อมูลล้าสมัย หรืออ้างอิงเหตุการณ์ที่ยังไม่เกิดขึ้น
แนวทางลดปัญหา AI Hallucination
- ปรับแต่ง Prompt ให้เจาะจง เพื่อลดโอกาสที่ AI จะสร้างข้อมูลเท็จ
- ป้อนข้อมูลที่จำเป็นและเพียงพอให้ AI เช่น upload file/รูปภาพ/คำอธิบาย
- ตรวจสอบข้อมูล/ผลลัพธ์ที่ได้เสมอ
- หาแหล่งอ้างอิงหรือใช้ AI ที่สามารถอ้างอิงแหล่งที่มาได้ เช่น perplexity
- ตรวจสอบข้อมูลจากแหล่งข้อมูลมาตรฐาน ก่อนนำไปใช้

Generative AI: Prompt Design

Prompt Design คือกระบวนการสร้างคำสั่ง/ข้อมูลนำเข้าสำหรับ Generative AI ที่นำไปสู่การสร้างผลลัพธ์ที่มีความถูกต้อง/สมเหตุสมผล/ตรงกับความต้องการ

flowchart LR
subgraph  
B["1. Task"]-->A(("Prompt"))
C["2. Context"]-->A(("Prompt"))
E["3. Specification"]-->A
F["4. Example"]-->A
G["5. Expected Output"]-->A
end
D["Fine-Tuning"]-.->B
D["Fine-Tuning"]-.->C
D["Fine-Tuning"]-.->E
D["Fine-Tuning"]-.->F
D["Fine-Tuning"]-.->G

Note: ถึงแม้ว่า Prompt บางตัวจะขาดองค์ประกอบบางอย่างไป แต่ถ้ายังสื่อให้ AI เข้าใจประเด็นและโจทย์ได้ ก็อาจได้คำตอบที่ใช้งานได้เหมือนกัน

Generative AI: Prompt Design

AI-Enhanced Intentional Assessment

สร้างโจทย์ที่หลากหลายปรับความยากได้ตามระดับของผู้เรียน
- อาจยึดกับ Bloom’s Taxomony เพื่อกำหนดระดับความซับซ้อนของคำถาม
- ปรับเปลี่ยนบริบทของโจทย์ให้เหมาะกับภูมิหลังและพื้นฐานของผู้เรียนแต่ละกลุ่ม
ออกแบบชิ้นงาน Creative/Authentic Tasks
ออกแบบสถานการณ์จำลอง (scenario generation) เพื่อใช้ประเมินทักษะการแก้ปัญหาหรือการตัดสินใจของผู้เรียน
สร้าง/ปรับเกณฑ์การประเมินชิ้นงานให้เหมาะสมกับเป้าหมายของการประเมิน
การประเมินและให้คะแนนอัตโนมัติ
ให้ feedback เฉพาะบุคคล ทั้งในเชิงเนื้อหา และสามารถปรับ mood & tone ของ feedback ให้เหมาะกับกลุ่มเป้าหมายหรือความต้องการเฉพาะบุคคล

Quiz/Problem Generator

แนวทางการเขียน prompt สำหรับสร้างข้อสอบ

กำหนดกรอบของข้อสอบ
- หัวข้อและกลุ่มเป้าหมาย
- วัตถุประสงค์ที่ต้องการวัด
- ประเภทข้อสอบ
- จำนวนข้อ
ระบุลักษณะของโจทย์
- ความยาก/ระดับตาม Bloom’s Taxonomy
- บริบทหรือสถานการณ์
- ข้อมูลที่จำเป็นต่อการตอบ
- ความซับซ้อนของตัวเลือก
- เน้นการคำนวณ การแปลความหมาย หรือการคิดวิเคราะห์
ขอส่วนประกอบเพิ่มเติม
- เฉลยพร้อมคำอธิบาย
- เหตุผลของตัวเลือกที่ไม่ถูกต้อง
- คำแนะนำในการใช้ข้อสอบ

Quiz/Problem Generator

สร้างข้อสอบวิชาสถิติ เรื่อง “สหสัมพันธ์” สำหรับนักศึกษาระดับปริญญาตรี
โดยข้อสอบต้องมีลักษณะดังนี้:

จำนวนข้อ: 10 ข้อ
ประเภทข้อสอบ: ปรนัย (Multiple Choice) 4 ตัวเลือก จำนวน 5 ข้อ และ อธิบายสั้น (Short Answer) จำนวน 5 ข้อ
ระดับความยาก: ปานกลาง 60% สูง 40%
หัวข้อที่ครอบคลุม:
- ความหมายของสหสัมพันธ์ 10%
- การคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ (เช่น Pearson, Spearman, Phi, Chi-square) 10%
- การแปลผลค่าสหสัมพันธ์ 40%
- ความแตกต่างระหว่างสหสัมพันธ์กับความสัมพันธ์เชิงสาเหตุ 20%
- ข้อจำกัดของการวิเคราะห์สหสัมพันธ์ 20%
สถานการณ์เป็นการใช้สหสัมพันธ์ในการวิเคราะห์ข้อมูลในชั้นเรียนหรือบริบททางการศึกษา

รายละเอียดเพิ่มเติม:
- โปรดสร้างตัวเลือกคำตอบให้มีทั้ง คำตอบที่ถูกต้อง และ คำตอบที่ใกล้เคียงแต่ผิด เพื่อท้าทายผู้เรียน
- ระบุ เฉลย และอธิบายเหตุผลของคำตอบที่ถูกต้องในแต่ละข้อ
- ถ้าเป็นข้อคำนวณ ให้ใส่ตัวเลขที่สมเหตุสมผลและมีวิธีทำ

ตัวอย่างผลลัพธ์ที่ต้องการ:

ข้อที่ 1: สหสัมพันธ์ (Correlation) หมายถึงอะไร?
A) การแสดงความสัมพันธ์เชิงเหตุและผลระหว่างตัวแปรสองตัว
B) การวัดระดับความสัมพันธ์ระหว่างตัวแปรสองตัว
C) การเปรียบเทียบค่ากลางของข้อมูลสองชุด
D) การทดสอบว่าสองตัวแปรมีค่าเฉลี่ยแตกต่างกันหรือไม่

✅ เฉลย: B) การวัดระดับความสัมพันธ์ระหว่างตัวแปรสองตัว
💡 อธิบาย: สหสัมพันธ์ใช้วัดความแข็งแกร่งของความสัมพันธ์ระหว่างตัวแปรสองตัว แต่ไม่ได้หมายความว่าเป็นเหตุและผล

ข้อที่ 2: ค่า Pearson’s correlation coefficient มีค่าอยู่ในช่วงใด?
A) -∞ ถึง ∞
B) 0 ถึง 1
C) -1 ถึง 1
D) -2 ถึง 2

✅ เฉลย: C) -1 ถึง 1
💡 อธิบาย: ค่า Pearson’s correlation coefficient อยู่ระหว่าง -1 ถึง 1 โดยที่ค่า -1 หมายถึงความสัมพันธ์เชิงลบสมบูรณ์, 0 หมายถึงไม่มีความสัมพันธ์ และ 1 หมายถึงความสัมพันธ์เชิงบวกสมบูรณ์

Differentiated Problems

http://www.pccm.ac.th/tinymce/home/articles/2018103101/Teacher-Share-Set-M4.pdf

Differentiated Problems

http://www.pccm.ac.th/tinymce/home/articles/2018103101/Teacher-Share-Set-M4.pdf

Differentiated Problems

Creative/Authentic Tasks

สร้าง Assignment สำหรับนิสิตในรายวิชา Machine Learning โดยมีรายละเอียดดังนี้:

วัตถุประสงค์ เพื่อ พัฒนาโมเดลเพื่อจำแนกผลสัมฤทธิ์ของนักเรียนจากชุดข้อมูล student-mat.csv โดยใช้ tidymodels ใน R

นิสิตต้องดำเนินการดังต่อไปนี้:

1. ดำเนินการทำ feature engineering โดยใช้แนวทางการจัดการข้อมูล 3 แบบ ดังนี้

1.1 ทำ basic preprocessing มีแค่ standardized หรือแปลงตัวแปรจัดประเภทเป็น dummy ตามเหมาะสม

1.2 เพิ่มจาก basic preprocessing ให้มีการ explore interaction term เพื่อจับส่วนความสัมพันธ์แบบ non-linear 

1.3 เลือก 1.1 หรือ 1.2 มาเพิ่ม ให้มีการแปลงค่าของตัวแปรต่อเนื่องที่เบ้ หรือตัวแปรต่อเนื่องที่มีการแจกแจงไม่ปกติให้เป็นตัวแปรจัดประเภท

2. ฝึกสอนโมเดล Linear Regression, Lasso Regression และ Ridge regression

3. ประเมินประสิทธิภาพของโมเดลโดยใช้ Accuracy, Sensitivity, Specificity, F-measure และ AUC

4. เปรียบเทียบประสิทธิภาพของ วิธีการจัดการข้อมูล และ โมเดลที่แตกต่างกัน

5. สรุปและแปลความหมายของผลลัพธ์

เน้นให้นิสิตเขียนแสดงกระบวนการและเขียนเหตุผลเป็นระยะ ๆ  ตามแนวคิด nested assessment
แนะนำให้นิสิตในข้อ 4. ด้วยว่าควรมีการออกแบบการเปรียบเทียบอย่างไร

คลิกดูผลลัพธ์ที่ได้

Rubric Generator

Automated Scoring

Gen AI เช่น ChatGPT สามารถตรวจคำตอบของโจทย์ปัญหาได้ และยังสามารถตรวจให้ผู้เรียนเป็นรายบุคคลโดยอัตโนมัติ
ถ้าคำถามมีความซับซ้อนอาจแบ่งการป้อน prompt เป็นส่วนย่อย ๆ เช่น ส่วนสอนหรือปรับแต่งเฉลยคำตอบ ส่วนตรวจให้คะแนน และส่วนให้ผลป้อนกลับ

Automated Scoring

ChatGPT สามารถส่งไฟล์ผลการประเมินและการให้ feedback กลับมาเพื่อนำไปใช้ต่อได้

Automate Essay Scoring

ChatGPT และ Gen AI ตัวอื่น ๆ สามารถตรวจให้คะแนนข้อสอบแบบอัตนัยตามเกณฑ์ที่เรากำหนด และยังให้ feedback ในลักษณะที่กำหนดได้เช่นเดียวกัน

### prompt 1
หากจะพัฒนาทัศนภาพข้อมูลข้างต้นให้ดียิ่งขึ้น นิสิตคิดว่าควรพัฒนา/ปรับเปลี่ยนทัศนภาพข้อมูลในประเด็นใดบ้าง

แนวทางเฉลย: 

1. ทัศนภาพข้อมูลนี้ใช้ pie chart แทนปริมาณที่เป็นคะแนนเฉลี่ยรายวิชาคณิตศาสตร์ที่จำแนกตามกลุ่มนักเรียน ซึ่งไม่เหมาะสม ควรใช้ bar chart หรือทัศนภาพอื่นที่ใช้นำเสนอปริมาณไม่ใช่สัดส่วน ---> Untrustworthy
2. ใช้จานสีแบบ sequential แทนที่จะเป็น qualitative palette แทนกลุ่มนักเรียน ---> not accessible

ดังนั้นประเด็นการพัฒนาปรับเปลี่ยนให้ดีขึ้นต้องตอบ 2 ประเด็น

1. เปลี่ยนทัศนภาพข้อมูลให้เป็นแผนภูมิแท่ง หรือแผนภูมิอื่นที่ใช้นำเสนอปริมาณ/เปรียบเทียบข้อมูล ไม่ใช่สัดส่วน
2. เลือกจานสีแบบ qualitative palette ให้เหมาะกับประเภทตัวแปรสไตล์การเรียนรู้ 

จำไว้ก่อน

### prompt 2
ไฟล์นี้เป็นผลการตอบคำถามแบบอัตนัยรายคนของนักเรียนในข้อสอบข้างต้น ช่วยตรวจความถูกต้องโดยให้คะแนนเป็นรายคนดังนี้
2 คะแนน ตอบถูกต้องทั้งสองประเด็น
1 คะแนน ตอบถูกต้อง 1 ประเด็น
0 คะแนน ไม่ถูกต้องเลย

แล้วสร้างผลการตรวจเป็นคอลัมน์ที่ 5 แล้วส่งไฟล์กลับมาหน่อย

Custom GPT

Custom GPT คือเวอร์ชันของ ChatGPT ที่ผู้ใช้สามารถปรับแต่งให้เหมาะกับความต้องการเฉพาะได้
สามารถฝึกฝนให้มีความเชี่ยวชาญในด้านต่างๆ เช่น การตอบคำถามเฉพาะทาง การสร้างเนื้อหา หรือการช่วยในงานเฉพาะด้าน สามารถกำหนดบทบาท แนวทางการทำงาน หรือบุคลิกภาพของ GPT ได้ตามความต้องการ
ไม่จำเป็นต้องเขียน code

https://medium.com/(**Sherif.Sallam/discover-the-potential-of-custom-gpts-61c7454e2868?**)

Adaptive Testing

KruRoo Tutor

AI-Driven Learning Analytics

Data Analysis & Interpretation

ทำความเข้าใจผู้เรียน
สำรวจ/วิเคราะห์ปัจจัยที่มีความสัมพันธ์กับผลลัพธ์ที่สนใจ เช่น ผลการเรียน การมาเรียน
สำรวจผู้เรียนที่มีความโดดเด่น
สร้างโมเดลทำนายผลลัพธ์ที่สนใจจากข้อมูลในอดีต
กำหนด Intervention ที่เหมาะสมและสอดคล้องกับผู้เรียนเฉพาะกลุ่ม/บุคคล
พัฒนามาตรการเชิงรุกเพื่อปรับปรุงผลลัพธ์ในอนาคต

Statistical Problem Process

https://www.amstat.org/asa/files/pdfs/GAISE/GAISEIIPreK-12_Full.pdf

ประเภทข้อมูลในชั้นเรียน

ผลการเรียน/ผลสัมฤทธิ์ทางการเรียนของผู้เรียน (academic performance data)
- คะแนนสอบในอดีต
- ผลการสอบเพื่อประเมินพื้นฐาน
- ผลการตอบคำถามหรือข้อสอบของนักเรียน
- คะแนนสอบปัจจุบัน/เกรดเฉลี่ยสะสม
ภูมิหลังของนักเรียน
- อายุ เพศ ระดับการศึกษา
- สถานภาพของครอบครัว ฐานะทางเศรษฐกิจของครอบครัว
- สาขาวิชา เป้าหมายการเรียน

ประเภทข้อมูลในชั้นเรียน

พฤติกรรมการเรียนรู้ – ลักษณะ/รูปแบบการเรียนรู้ของนักเรียน
- การเข้าชั้นเรียน
- การส่งงาน
- เวลาที่ใช้ในการทำการบ้าน/งานที่มอบหมาย
- การทบทวน/อ่านหนังสือนอกเวลา
ปฏิสัมพันธ์ในชั้นเรียน – การสื่อสาร/การมีส่วนร่วมระหว่างนักเรียนกับครู หรือนักเรียนกับนักเรียนในบริบทการเรียนรู้ในชั้นเรียน
- ความถี่ในการยกมือตอบคำถาม
- ความถี่ในการเสนอความคิดเห็นในการอภิปรายภายในกลุ่ม
- การร่วมกิจกรรมในชั้นเรียน

ประเภทข้อมูลในชั้นเรียน

จิตวิทยาและอารมณ์ – ช่วยให้ผู้สอนทำความเข้าใจหรือทราบสภาพของผู้เรียนในมิติเชิงอารมณ์/ความรู้สึก เช่น
- SDQ (Strengths and Difficulties Questionnaire) เป็นแบบสอบถามที่ใช้วัดพฤติกรรม 5 ด้านที่่เป็นจุดแข็งและจุดที่ต้องพัฒนาของนักเรียน
- ความเครียด อาจใช้แบบประเมินความเครียด ST-5 หรือ แบบ STST
- แบบประเมินภาวะซึมเศร้า
- ความวิตกกังวลอาจใช้แบบประเมิน GAD-7
- ด้านอื่น ๆ เช่น แบบวัดสติ แรงจูงใจ ความสุข ความมั่นใจ …
ด้านอื่น ๆ เช่น ทักษะ/ความสามารถ การคิดเชิงเหตุผล ความฉลาดทางอารมณ์ …

ประเภทข้อมูลจำแนกตามลักษณะ

ตัวแปรแทน (proxy variables)

ตัวแปรแทน (proxy variables) คือตัวแปรที่สามารถวัดค่าและสังเกตค่าได้และสามารถใช้เป็นตัวแทนสำหรับสภาพหรือคุณลักษณะที่สนใจแต่ไม่สามารถวัดค่าได้โดยตรง

มีความสัมพันธ์กับตัวแปรเป้าหมาย
สามารถวัด/สังเกตค่า หรือเข้าถึงข้อมูลได้
ใช้เมื่อมีข้อจำกัดในการวัดตัวแปรเป้าหมาย
การใช้งานที่มีผลกระทบสูงต้องมีการวิจัยเพื่อตรวจสอบความถูกต้องแม่นยำ
Ecological fallacy

ตัวแปรแทน (proxy variables)

Proxy Variable (ตัวแปรตัวแทน)	ตัวแทนพฤติกรรม/ทักษะ	ตัวอย่างวิธีการเก็บข้อมูล
ร้อยละการส่งงาน	ความรับผิดชอบ	ระบบ LMS นับจำนวนที่ส่งงานตรงเวลา
ความซ้ำซ้อนคำตอบอัตนัย	ความซื่อสัตย์ทางวิชาการ	ใช้ NLP (เช่น BERT) วิเคราะห์ความคล้ายคลึงระหว่างคำตอบ
ระยะเวลาทำงาน	การบริหารเวลา	เว็บแอป TrackTime บันทึกเวลาตั้งแต่เปิดไฟล์ถึงส่งงาน
ร้อยละการส่งงานล่าช้า	ความสามารถจัดการตนเอง	ระบบติดตามการส่งงาน (เช่น Google Classroom Timestamps)
ความถี่ล็อกอิน LMS	ความตั้งใจในการเรียน	LMS Activity Logs วิเคราะห์ช่วงเวลาเข้าใช้งาน
จำนวนดาวน์โหลดเอกสาร	ความกระตือรือร้นเรียนรู้เพิ่มเติม	จำนวนดาวน์โหลดใน LMS (เช่น Moodle Download Logs)
ความถี่โพสต์ในฟอรั่ม	ทักษะการสื่อสาร	นับจำนวนโพสต์และตอบกลับข้อความในห้องสนทนาออนไลน์
จำนวนครั้งการมีส่วนร่วมตอบคำถาม	ความมั่นใจและมีส่วนร่วมในชั้นเรียน	ครูบันทึกด้วยแอป iObserve ระหว่างสอน
ความละเอียดของสมุดจด	ทักษะการจดบันทึกเชิงวิเคราะห์	ครูให้คะแนนด้วยรูบริก (Rubric) 5 ระดับ
คะแนนแบบทดสอบย่อย	ความเข้าใจเนื้อหาที่ท้าทาย	ระบบสร้าง Quiz อัตโนมัติ (เช่น Kahoot! หรือ Google Forms)
จำนวนชิ้นงานใช้งาน	ความมุ่งมั่นพัฒนาผลงาน	ระบบ Version Control (เช่น GitHub Classroom)
คะแนนเทียบเปอร์เซ็นไทล์กลุ่ม	ศักยภาพเทียบกับเพื่อนร่วมชั้น	วิเคราะห์การกระจายของคะแนนงานทั้งหมดในชั้นเรียน
จำนวนการเปิดดูวิดีโอบทเรียน	ความสนใจเนื้อหา	LMS Video Player Analytics (เวลารวม/ความยาววิดีโอ)
พัฒนาการคะแนนแนะนำระหว่างส่งงาน	ทักษะการเรียนรู้จาก feedback	เปรียบเทียบคะแนนแนะนำและแนวโน้มพฤติกรรมในระบบ Gradescope

สถานการณ์ตัวอย่าง

ผลการเรียนรู้ และพฤติกรรมการเรียนรู้บางส่วนของผู้เรียนในรายวิชาสถิติและรายวิชาวิจัย

Rows: 367
Columns: 10
$ Student_id        <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 1…
$ Department        <chr> "ไทยสังคม", "ภาษาอังกฤษ", "การศึกษาปฐมวัย", "การศึกษาปฐมวั…
$ StatKnowledge     <dbl> 57.79762, 42.79762, 53.51852, 51.29630, 52.40741, 29…
$ Concepts          <dbl> 57.14286, 57.14286, 75.00000, 58.33333, 58.33333, 25…
$ Interpret         <dbl> 56.25000, 31.25000, 55.55556, 55.55556, 38.88889, 33…
$ ChooseMethod      <dbl> 60, 40, 30, 40, 60, 30, 20, 30, 70, 50, 30, 20, 50, …
$ StatSubmitTime    <dbl> 156.41160, 145.08406, 145.92416, 128.12002, 139.8148…
$ StatPercentSubmit <dbl> 66.66667, 100.00000, 100.00000, 100.00000, 100.00000…
$ StatLearnPerform  <dbl> 95.00000, 73.33333, 82.50000, 73.75000, 78.75000, 78…
$ StatCheatBehav    <dbl> 0.9143358, 0.5934895, 1.0000000, 0.5159800, 0.641961…

ตัวอย่างการวิเคราะห์ข้อมูล

ควรให้เวลาทำงานแก่ผู้เรียนมากขึ้นหรือไม่

คลิกเพื่อดูรายละเอียด

1. จากข้อมูลที่ให้ขอให้สร้าง histogram เพื่อนำเสนอการแจกแจงของ StatSubmitTime หน่อย ข้อมูลดังกล่าวเป็นจำนวนชั่วโมงโดยเฉลี่ยที่นักเรียนใช้ในการทำงานที่ได้รับมอบหมาย ให้สร้างเส้นตรง x = 168 เป็นเส้นประไว้ด้วยเพื่อเป็นจุดอ้างอิงระยะเวลา deadline ของการส่งงานแต่ละชิ้น (7 วัน)

2. ช่วยคำนวณสถิติพื้นฐานของตัวแปร StatSubmitTime หน่อย ได้แก่ ความถี่ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน ค่าต่ำสุด Q1, Q2, Q3 และ ค่าสูงสุด โดยจำแนกตามกลุ่มของนักเรียนที่ส่งงานตรงเวลาและส่งงานช้า

3. มีนักเรียนเสนอว่าควรขยายเวลาการส่งงานจาก 7 วันเป็น 10 วัน ทั้งนี้เป็นเพราะเชื่อว่าการมีเวลามากขึ้นจะทำให้งานดีขึ้น และผลการเรียนจะดีขึ้นด้วย ผมอยากวิเคราะห์ข้อมูลเพื่อตรวจสอบสมมุติฐานนี้ ทำยังไงได้บ้างจากข้อมูลที่มี ลองเสนอทางเลือกหน่อย

4. ลองสร้างแผนภาพการกระจาย โดยที่ให้แกน y เป็น StatKnowledge และ แกน x เป็น StatSubmitTime พร้อมทั้งสร้าง smooth line regression เพื่อแสดงแนวโน้มความสัมพันธ์ด้วย

5. ขอให้ hover label ใน scatter plot แสดง student_id ด้วย และปรับแกน x ให้เป็นจำนวนเต็ม ไม่มีจุดทศนิยมด้วย

6. ขอ scatter plot แบบนี้แต่เปลี่ยนแกน y เป็น StatPercentSubmit

7. ให้แกน y เป็น StatPercentSubm เหมือนเดิม แต่ลองปรับแกน x ให้เป็นตัวแปรจัดประเภทกำหนด cutoff ที่ 75, 125 และ 168 แล้วปรับแผนภาพเป็น boxplot แทน

ควรให้เวลาทำงานแก่ผู้เรียนมากขึ้นหรือไม่

ค้นหานักเรียนที่มีความโดดเด่น

Gen AI สามารถสำรวจผู้เรียนที่มีความโดดเด่นโดยใช้ได้ทั้งวิธีการทางสถิติและการเรียนรู้ของเครื่อง แปลผล และรายงานให้ครูผู้สอนทราบเพื่อดำเนินการสนับสนุน/ช่วยเหลือผู้เรียนต่อไปได้

ค้นหานักเรียนที่มีความโดดเด่น

Predictive Modelling

Qualitative Data Analysis

Generative AI มีความสามารถในการวิเคราะห์ข้อมูลเชิงคุณภาพ โดยเฉพาะข้อมูลที่มีลักษณะเป็น essay ได้ดี จุดเด่นนี้ทำให้ครูและผู้เกี่ยวข้องสามารถนำข้อมูลที่เป็นลักษณะข้อความเข้ามาวิเคราะห์เพื่อสร้างสารสนเทศเชิงลึกของผู้เรียนได้

Use ChatGPT to communicate with parents

ประชาสัมพันธ์

รายละเอียดเพิ่มเติม

หลักสูตรปริญญาโท เข้าดูได้ที่ : https://bit.ly/MasterDS_68 และ https://bit.ly/master_EduDS
หลักสูตรปริญญาเอก เข้าดูได้ที่ :https://bit.ly/phdDS_68 และ https://bit.ly/phD_eduDS

ผู้สนใจสามารถสมัครผ่าน website ของบัณฑิตวิทยาลัยที่ : https://www.register.gradchula.com/

References

“A General Introduction to Artificial Intelligence.” 2023. In Artificial Intelligence Technology, 1–41. Singapore: Springer Nature Singapore. https://doi.org/10.1007/978-981-19-2879-6_1.

Bolz, Michael J., and Vidya Madhavan. 2023. “What Is Data-Driven Instruction in Education?” https://www.hmhco.com/blog/what-is-data-driven-instruction.

Gaël. 2020. “What Is Artificial Intelligence?” https://www.datakeen.co/what-is-artificial-intelligence-3/.

Haderer, Bernhard, and Monica Ciolacu. 2022. “Education 4.0: Artificial Intelligence Assisted Task- and Time Planning System.” Procedia Computer Science 200: 1328–37. https://doi.org/10.1016/j.procs.2022.01.334.

HR NOTE Thailand. 2021. “รู้จักยุค 4IR: อุตสาหกรรม 4.0 คืออะไรและมีผลกระทบอย่างไรต่อการทำงาน?” https://th.hrnote.asia/tips/industrial-revolution-4ir-210618/?t.

Jumper, John, Richard Evans, Alexander Pritzel, et al. 2021. “Highly Accurate Protein Structure Prediction with AlphaFold.” Nature 596: 583–89. https://doi.org/10.1038/s41586-021-03819-2.

Mansfield, Lucy A., Peer J. Nowack, Mehran Kasoar, et al. 2020. “Predicting Global Patterns of Long-Term Climate Change from Short-Term Simulations Using Machine Learning.” Npj Climate and Atmospheric Science 3: 44. https://doi.org/10.1038/s41612-020-00148-5.

McKinney, Scott M., Marcin Sieniek, Varun Godbole, et al. 2020. “International Evaluation of an AI System for Breast Cancer Screening.” Nature 577: 89–94. https://doi.org/10.1038/s41586-019-1799-6.

Pyzer-Knapp, Edward O., Jeffrey W. Pitera, Peter W. J. Staar, et al. 2022. “Accelerating Materials Discovery Using Artificial Intelligence, High Performance Computing and Robotics.” Npj Computational Materials 8: 84. https://doi.org/10.1038/s41524-022-00765-z.

RIB Software. 2024. “Data-Driven Decision Making in Businesses.” https://www.rib-software.com/en/blogs/data-driven-decision-making-in-businesses.

Srisuttiyakorn, Siwachoat, Kanit Sriklaub, Prapasiri Ratchaprapapornkul, and Watinee Amornpaisarnlert. 2024. “Technical Assistance for Mapping Education Data to Thailand Child-Sensitive Climate Change Risk.” Research Report. UNICEF.

UCL Institute of Ophthalmology. 2018. “Artificial Intelligence Equal to Experts in Detecting Eye Diseases.” https://www.ucl.ac.uk/ioo/news/2018/aug/artificial-intelligence-equal-experts-detecting-eye-diseases.

UNESCO. 2024a. “AI Competency Framework for Students.” Paris, France: United Nations Educational, Scientific; Cultural Organization (UNESCO). https://doi.org/10.54675/JKJB9835.

———. 2024b. “AI Competency Framework for Teachers.” Paris, France: United Nations Educational, Scientific; Cultural Organization (UNESCO). https://doi.org/10.54675/ZJTE2084.

Woebot Health. 2025. “Woebot Health: Scalable Enterprise Solution for Mental Health.” https://woebothealth.com/.

World Economic Forum. 2020. “Schools of the Future: Defining New Models of Education for the Fourth Industrial Revolution.” Geneva, Switzerland: World Economic Forum. https://www.weforum.org/reports/schools-of-the-future-defining-new-models-of-education-for-the-fourth-industrial-revolution.