หลายท่านอาจคุ้นเคยกับการใช้เทคโนโลยี AI เพื่อตอบสนองความต้องการส่วนบุคคลในแวดวงต่าง ๆ เช่น ระบบแนะนำ (Recommender system) สินค้าและบริการรายบุคคลในแพลตฟอร์มร้านค้าออนไลน์ ระบบ AI เพื่อการตรวจวินิจฉัยโรค รวมถึงระบบอัจฉริยะ (Expert system) ซึ่งช่วยตอบคำถามและให้บริการข้อมูลข่าวสารต่าง ๆ แต่สำหรับในแวดวงการศึกษาแล้ว การนำเทคโนโลยี AI มาใช้เพื่อสนับสนุนผู้เรียนและผู้สอน ^[1] เพิ่งเริ่มต้นขึ้นตัวอย่างของการประยุกต์ใช้เทคโนโลยี AI เพื่อสนับสนุนการเรียนรู้ที่มีการพัฒนาอย่างแพร่หลาย ได้แก่ การใช้ความสามารถของ AI วิเคราะห์รูปแบบการเรียนรู้ เพื่อให้คำแนะนำหรือบริการที่สนองตอบความต้องการของส่วนบุคคล เนื่องจากผู้เรียนแต่ละคนมีทักษะ ประสบการณ์ชีวิต เป้าหมายการเรียนรู้และความคาดหวังที่แตกต่างกัน ดังนั้นการเรียนการสอนในรูปแบบเดิม ๆ ที่นักเรียนทุกคนต้องเรียนรู้สิ่งเดียวกัน ด้วยวิธีเดียวกัน จึงไม่สามารถตอบสนองความต้องการเรียนรู้ของผู้เรียนแต่ละคนได้

การใช้ เทคโนโลยี AI เพื่อสนับสนุนการเรียนรู้ตามอัธยาศัย

ปัจจุบันมีงานวิจัยที่ศึกษาและพัฒนาระบบแนะนำเส้นทางการเรียนรู้ (Learning Path Recommendation) ที่เน้นให้บริการผู้เรียนในระบบ e-learning หรือระบบการเรียนรู้ตามอัธยาศัย ^[2] วิธีที่นิยมก็คือ การสร้างเส้นทางการเรียนรู้ด้วยการใช้โครงสร้างองค์ความรู้เป็นหลัก (Knowledge Graph-based Learning Path Recommendation) ซึ่งเริ่มจากกำหนดโครงสร้างขององค์ความรู้ (Knowledge graph) ที่แสดงความสัมพันธ์ระหว่างหน่วยการเรียนรู้ต่าง ๆ (Learning Objects) ในรูปกราฟ โดยโหนดของกราฟจะแสดงข้อมูลของหน่วยการเรียนรู้กับเส้นที่เชื่อมระหว่างหน่วยการเรียนรู้แต่ละคู่ ที่แสดงถึงรูปแบบความสัมพันธ์ของหน่วยการเรียนรู้นั้น ๆ

วิธีที่ใช้สร้างกราฟองค์ความรู้ส่วนมากจะกำหนดโดยผู้เชี่ยวชาญในสาขาวิชานั้น ๆ หรือใช้วิธีรวบรวมข้อมูล (Crawling) รายการชื่อหน่วยการเรียนรู้จากอินเตอร์เน็ต ประกอบเข้ากับเป้าหมายการเรียนรู้ของผู้เรียนแต่ละคนที่ระบุอยู่ในหน่วยการเรียนรู้เป้าหมาย (Target Learning Object) เมื่อได้โครงสร้างขององค์ความรู้แล้ว จึงเริ่มต้นเส้นทางการเรียนรู้ โดยค้นหาหน่วยการเรียนรู้ที่มีความสัมพันธ์กับหน่วยการเรียนรู้เป้าหมายบนกราฟองค์ความรู้ไปเรื่อย ๆ จนไม่พบหน่วยการเรียนรู้ใด ๆ แล้ว ก็จะตั้งให้หน่วยการเรียนรู้ที่อยู่ปลายสุด เป็นจุดเริ่มต้นของเส้นทางการเรียนรู้นั้น ๆ หน่วยการเรียนรู้เป้าหมายที่ตั้งไว้หนึ่งเป้าหมายอาจสร้างเส้นทางการเรียนรู้ที่เป็นไปได้มากกว่าหนึ่งเส้นทาง ดังนั้นจึงต้องกำหนดอัลกอริทึมสำหรับคำนวณหาเส้นทางที่เหมาะสมที่สุด ซึ่งอาจกำหนดจากเงื่อนไขต่าง ๆ เช่น จำนวนการอ้างอิงข้อมูลหน่วยการเรียนรู้ที่อยู่บนเส้นทางนั้น (Citation Count) ผลกระทบจากผลงานของผู้พัฒนาหน่วยการเรียนรู้ (Impact of Author) และช่วงเวลาในการเผยแพร่ (Publication Time) เป็นต้น ผลการทดลองวัดความพึงพอใจของผู้เรียนที่ได้รับการแนะนำเส้นทางการเรียนรู้โดยวิธีดังกล่าว แสดงให้เห็นว่าระบบสามารถสร้างเส้นทางการเรียนรู้แนะนำที่เหมาะสมและตอบสนองความต้องการของผู้เรียนได้ดีในงานวิจัยของ University of Aizu ในปี 2018 ^[3] ได้พัฒนาระบบแนะนำเส้นทางการเรียนรู้สำหรับการเรียนวิชาการเขียนโปรแกรม โดยภาพรวมของการใช้งานระบบนี้ จะเริ่มจากการที่ผู้เรียนตั้งเป้าหมายระดับคะแนนในหน่วยการเรียนรู้ต่าง ๆ จากนั้นระบบจะแนะนำโจทย์การเขียนโปรแกรมที่ควรทำเพื่อให้บรรลุเป้าหมายที่ตั้งไว้ โดยระบบจะใช้ข้อมูลความสามารถปัจจุบันของผู้เรียนร่วมกับข้อมูลประวัติการทำโจทย์แบบลองผิดลองถูกของกลุ่มผู้เรียนคนอื่น ๆ ในอดีต มาพิจารณาเพื่อให้คำแนะนำในอนาคตโดยขั้นตอนการทำงานของระบบแนะนำดังกล่าวจะเริ่มจากการรวบรวมข้อมูลเกี่ยวกับความสามารถปัจจุบัน และค่าคะแนนเป้าหมายในแต่ละหน่วยการเรียนรู้ ซึ่งสามารถแสดงในรูปแบบของแผนภูมิความสามารถของผู้เรียน (learner ability chart) แล้วจึงจัดกลุ่มผู้เรียนที่มีความใกล้เคียงกันของข้อมูลความสามารถปัจจุบัน และเป้าหมายโดยวิธี K-mean clustering จากนั้นจึงรวบรวมลำดับของโจทย์ที่ผู้เรียนในกลุ่มนั้นเคยแก้ปัญหา ในขั้นตอนของการค้นหาโจทย์แนะนำสำหรับผู้เรียนเป้าหมาย โดยจัดผู้เรียนเป้าหมายเข้ากลุ่มที่ได้แบ่งไว้ แล้วจึงเริ่มการค้นหาโจทย์แนะนำด้วยวิธี Long short-term memory Recurrent Neuron Network (LSTM RNN) ซึ่งใช้ข้อมูลลำดับโจทย์ที่สมาชิกในกลุ่มแก้ปัญหาเป็นข้อมูลขาเข้า เพื่อคำนวณความน่าจะเป็นของแต่ละโจทย์ที่เหมาะจะเป็นโจทย์แนะนำ โดยใช้ฟังก์ชัน Softmax ท้ายที่สุดโจทย์ที่มีค่าความน่าจะเป็นสูงสุด จะถูกใช้เป็นโจทย์แนะนำ สำหรับผู้เรียนเป้าหมายต่อไป

การใช้ AI เทคโนโลยีเพื่อช่วยในการออกแบบหลักสูตร

ข้ามมาทางฝั่งของผู้สอนและการออกแบบหลักสูตรกันบ้าง เทคโนโลยี AI ก็เข้ามามีบทบาทในส่วนนี้ด้วย เช่น ในงานวิจัยของ Kaya ในปี 2019 ^[4] ได้ประยุกต์ใช้การสร้างโครงข่ายประสาทเทียม เพื่อหาความสัมพันธ์ระหว่างประสิทธิภาพของการเรียนในกลุ่มรายวิชาหนึ่งที่มีต่อประสิทธิภาพของการเรียนในวิชาต่อไป ซึ่งสามารถใช้เป็นข้อมูลสนับสนุนในการจัดเรียงลำดับของวิชาที่ต้องเรียนในหลักสูตร โครงสร้างของโครงข่ายประสาทเทียมนี้ สามารถอธิบายง่าย ๆ ได้คือ เป็นโมเดลที่ใช้แสดงความสัมพันธ์ที่ไม่เป็นเชิงเส้น (nonlinear) ระหว่างตัวแปรต่าง ๆ และผลลัพธ์ ซึ่งก็คือ เครื่องมือที่ใช้แสดงความสัมพันธ์ที่ค่อนข้างซับซ้อน อธิบายด้วยฟังก์ชันทางคณิตศาสตร์ยากนั่นเอง โดยความสัมพันธ์นี้จะแสดงในรูปแบบโครงข่ายที่ประกอบไปด้วย โหนดและเส้นความสัมพันธ์ระหว่างแต่ละโหนดที่มีค่าน้ำหนักระบุอยู่ จำนวนของโหนดต่าง ๆ และจำนวนเส้นความสัมพันธ์นี้ก็ขึ้นอยู่กับจำนวนชั้นและความซับซ้อนของโครงข่ายประสาทเทียมที่เรากำหนดขึ้น ซึ่งโมเดลโครงข่ายประสาทเทียม จริง ๆ แล้วก็คือ การกำหนดค่าน้ำหนักบนเส้นความสัมพันธ์แต่ละเส้นนั่นเองในขั้นตอนของการเรียนรู้ (Training) เราจะใส่ข้อมูลตัวอย่างเข้ามาในระบบ และให้โครงข่ายคำนวณหาค่าผลลัพธ์ออกมา ค่าของผลลัพธ์ที่คำนวณได้ในแต่ละรอบจะถูกเปรียบเทียบกับค่าของผลลัพธ์จริงที่ระบุไว้ก่อน จากนั้นจะนำความแตกต่างของค่าที่คำนวณได้กับค่าจริงไปคำนวณ เพื่อปรับค่าน้ำหนักของแต่ละเส้นความสัมพันธ์ กระบวนการนี้จะทำซ้ำหลาย ๆ รอบ เพื่อให้ได้น้ำหนักที่ทำให้ค่าผลลัพธ์จากการคำนวณมีค่าใกล้เคียงกับผลลัพธ์จริงซึ่งในขั้นตอนการเรียนรู้ของงานวิจัยนี้ได้ใช้คะแนนจากการทดสอบในกลุ่มตัวอย่างของผู้เรียน เพื่อสร้างเป็นโครงข่ายประสาทเทียม โดยกำหนดให้คะแนนของกลุ่มวิชาที่คาดหมายว่าจะต้องเรียนมาก่อนเป็นข้อมูลขาเข้า และใช้ระดับคะแนนของรายวิชาที่ต้องเรียนทีหลังเพื่อเป็นข้อมูลขาออก เมื่อสามารถสร้างโครงข่ายประสาทเทียมได้แล้ว ก็สามารถทดลองปรับค่าคะแนนในรายวิชาต่าง ๆ ทางฝั่งขาเข้า เพื่อคาดคะเนระดับคะแนนของรายวิชาเป้าหมายทางฝั่งขาออก ทำให้สามารถพิจารณาความสัมพันธ์ของรายวิชา เพื่อใช้จัดลำดับการเรียนได้ นอกจากนี้ผู้เรียนและผู้สอนสามารถประยุกต์ใช้โครงข่ายประสาทเทียมดังกล่าว เพื่อคาดคะเนระดับคะแนนในรายวิชาหนึ่ง ๆ ของผู้เรียน จากการใช้คะแนนในรายวิชาที่เรียนผ่านมาแล้วได้อีกด้วย

การใช้ AI เทคโนโลยีเพื่อการบริการทรัพยากรสนับสนุนการศึกษา

สำหรับการให้บริการทรัพยากรเพื่อสนับสนุนการเรียนการสอน ได้มีการประยุกต์ใช้ “ระบบแนะนำ” ที่ใช้ในภาคธุรกิจ เพื่อแนะนำทรัพยากรสารสนเทศที่ช่วยสนับสนุนการเรียนรู้ได้อย่างเหมาะสมกับผู้เรียน ตัวอย่างเช่น การพัฒนาระบบแนะนำทรัพยากรสารสนเทศ “ LM Recommendation” ^[5] โดยสำนักหอสมุด มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี ระบบนี้เป็นส่วนขยายของระบบจัดการห้องสมุด (KMUTT-LM) ที่พัฒนาขึ้นมาก่อนหน้านี้ โดยวัตถุประสงค์ของการพัฒนาระบบดังกล่าวก็เพื่อแก้ปัญหา 2 ประการ คือ

1. บรรณารักษ์ไม่สามารถให้บริการเชิงรุกแก่ผู้เข้าใช้บริการได้ทั้งหมด เนื่องจากต้องใช้เวลาค้นหาหนังสือแนะนำที่เหมาะสมให้กับผู้ใช้บริการแต่ละคนนานเกินไป

2. ความคุ้มค่าในการใช้งานทรัพยากรหนังสือลดลง ซึ่งวัดจากสัดส่วนของหนังสือที่ถูกใช้งานกับหนังสือที่ซื้อทั้งหมดในปีนั้น จากสถิติการยืมทรัพยากรหนังสือ ทั้งแบบตัวเล่ม และ e-book ของสำนักหอสมุด มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรีที่สำรวจในปี พ.ศ. 2561 พบว่า อัตราส่วนการใช้งานหนังสือมีเพียง 30.08% เท่านั้น สาเหตุมาจากนักศึกษาส่วนมากนิยมใช้งานหนังสือที่แนะนำโดยอาจารย์ผู้สอนในวิชานั้น ๆ โดยไม่สนใจหนังสือเล่มอื่นที่มีเนื้อหาใกล้เคียงกัน

ระบบ LM Recommendation พัฒนาขึ้นโดยใช้กลไกการวิเคราะห์ข้อมูลทั้งแบบที่วิเคราะห์ความสัมพันธ์ระหว่างข้อมูลส่วนบุคคลกับข้อมูลสินค้าและบริการ [su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”ระบบแนะนำที่วิเคราะห์ความสัมพันธ์ระหว่างข้อมูลส่วนบุคคลกับข้อมูลสินค้าและบริการ เพื่อสร้างรายการแนะนำ” ](Content-Based Filtering)[/su_tooltip] และ แบบที่คาดการความต้องการในอนาคตจากกลุ่มของผู้ใช้บริการที่มีความสนใจร่วมกัน [su_tooltip style=”dark” position=”north” shadow=”yes” rounded=”yes” size=”4″ content=”ระบบแนะนำที่ใช้การวิเคราะห์ข้อมูลประวัติการใช้บริการเพื่อสร้างกลุ่มของผู้ใช้บริการที่มีความสนใจร่วมกัน และแนะนำรายการที่อยู่ในความสนใจนี้แก่สมาชิกคนอื่น ๆ ในกลุ่ม” ](Collaborative-Based Filtering)[/su_tooltip] โดยในแบบแรกจะ วิเคราะห์ข้อมูลผู้เรียน ได้แก่ ภาควิชา ชั้นปี สาขาวิชา รวมถึงรายวิชาที่ลงทะเบียนเรียน จากนั้นจึงเปรียบเทียบข้อมูลผู้เรียนกับข้อมูลหนังสือที่มีอยู่ ได้แก่ ชื่อเรื่อง หัวเรื่อง และเลขหมู่หนังสือ เพื่อเรียงลำดับรายการหนังสือที่มีความสัมพันธ์หรือเข้ากับข้อมูลบุคคลแต่ละคน นอกจากนี้ระบบยังสามารถคำนวณคะแนนความสัมพันธ์ระหว่างหนังสือตั้งต้นที่แนะนำโดยอาจารย์ผู้สอนกับหนังสือเล่มอื่น ๆ ทำให้สามารถเรียงลำดับรายการหนังสือเล่มอื่น ๆ ที่มีเนื้อหาใกล้เคียงกับหนังสือแนะนำและนำมาใช้ เพื่อเพิ่มความคุ้มค่าของการใช้หนังสือที่จัดซื้อมาให้บริการได้ นอกจากนี้ระบบดังกล่าว ยังใช้กลไกการสร้างรายการแนะนำหนังสือแบบ Collaborative-Based Filtering โดยพิจารณาประวัติการยืมและจองหนังสือในห้องสมุด แล้วจำแนกผู้ใช้บริการที่มีประวัติการใช้บริการใกล้เคียงกัน คือ ใช้งานหนังสือในหมวดหมู่เดียวกัน โดยใช้อัลกอริทึม K-Mean Clustering จากนั้นระบบจะแสดงรายการหนังสือที่ได้รับความนิยมจากสมาชิกส่วนใหญ่ในกลุ่ม เพื่อช่วยให้บรรณารักษ์สร้างรายการแนะนำหนังสือสำหรับสมาชิกคนอื่น ๆ ต่อไปเทคโนโลยี AI เพื่อการศึกษา ได้รับการพัฒนาและปรับปรุงให้สามารถวิเคราะห์ข้อมูลที่ซับซ้อนได้ โดยเลียนแบบวิธีคิดของมนุษย์มากขึ้น เช่น การสอนให้ระบบเข้าใจความหมาย (Semantic) ของข้อมูลมากขึ้น รวมถึงพัฒนาให้อยู่ในรูปแบบของเครื่องมือและแอปพลิเคชันที่สนับสนุนทั้งฝั่งผู้เรียน และอำนวยความสะดวกแก่ผู้สอนมากยิ่งขึ้น ในอนาคตเราคงมีความสุขกับระบบสนับสนุนการเรียนรู้ที่ออกแบบมาให้เหมาะสมกับตัวเรา ทำให้ “การเรียนรู้ตลอดชีวิต” เกิดขึ้นได้จริง ๆ

Our Writer

ผศ.ดร. สุธาทิพย์ มณีวงศ์วัฒนา

ผู้อำนวยการสำนักหอสมุด และอาจารย์ประจำภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี

อ้างอิง

[1] X. Chen, H. Xie, D. Zou, G. J. Hwang, “Application and theory gaps during the rise of Artificial Intelligence in Education,” Computers and Education: Artificial Intelligence, 1, 2020.
[2] D. Shi, T. Wang, H. Xing, H. Xu, “A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning,” Knowledge based systems, 195, 2020.
[3] T. Saito and Y. Watanobe, “Learning Path Recommender System based on Recurrent Neural Network,” 2018 9th International Conference on Awareness Science and Technology (iCAST), Fukuoka, 2018, pp. 324-329.
[4] I. E. Kaya, Artificial Neural Networks as a Decision Support Tool in Curriculum Development, International Journal of Artificial Intelligence Tools, 28(04) :1940004, 2019.[5] S. C. Maneewongvatana, A. Suntornacane, N. Assawawayuyothin, “Book Recommended Formulation Based on Multiple Bibliographic Information,” ICETC ’18: Proceedings of the 10th International Conference on Education Technology and Computers, Pages 277–281, 2018.

Header design by pch.vector / Freepik