การยอมรับและการใช้ประโยชน์ของผู้สอนต่อระบบติดตามสมาธิจดจ่อของผู้เรียนด้วยปัญญาประดิษฐ์แบบอธิบายได้ในชั้นเรียนออนไลน์แบบประสานเวลา
DOI:
https://doi.org/10.55003/JIE.24214คำสำคัญ:
ระบบติดตามสมาธิจดจ่อ, การเรียนรู้ออนไลน์แบบประสานเวลา, คอมพิวเตอร์วิทัศน์, ปัญญาประดิษฐ์แบบอธิบายได้บทคัดย่อ
การวิจัยนี้นำเสนอระบบติดตามสมาธิจดจ่อของผู้เรียนในชั้นเรียนออนไลน์แบบประสานเวลาโดยใช้เทคนิคคอมพิวเตอร์วิทัศน์ร่วมกับปัญญาประดิษฐ์แบบอธิบายได้ (Explainable artificial intelligence: XAI) เพื่อแสดงข้อมูลพฤติกรรมของผู้เรียนแบบเรียลไทม์สำหรับสนับสนุนการตัดสินใจของผู้สอนในการปรับกิจกรรมการเรียนรู้ให้เหมาะสม ระบบติดตามประกอบด้วย ตัวแบบ YOLO สำหรับตรวจจับสีหน้า อัตราการกระพริบตา การปิด เปิดดวงตา และอาการเมื่อยล้า ใช้ตัวแบบ Random Forest สำหรับประเมินระดับสมาธิจดจ่อ โดยสรุปผลผ่านส่วนติดต่อผู้ใช้ตามแนวคิด XAI ที่เน้นความเข้าใจง่ายและตรวจสอบที่มาได้ กลุ่มตัวอย่างประกอบด้วยผู้สอนจำนวน 25 คน จาก 5 กลุ่มสาระวิชา ใช้งานระบบในชั้นเรียนออนไลน์เป็นเวลาไม่ น้อยกว่า 60 นาที จากนั้นตอบแบบสอบถามประสบการณ์การใช้งาน เครื่องมือวิจัยคือแบบสอบถามที่ปรับปรุงจาก System Usability Scale (SUS) ครอบคลุม 3 ด้าน ได้แก่ ความมีคุณค่าของระบบ ความสะดวกในการใช้งาน และความมั่นใจในการ ใช้งาน สถิติที่ใช้วิเคราะห์ข้อมูลประกอบด้วย ค่าร้อยละ ค่าเฉลี่ย () และส่วนเบี่ยงเบนมาตรฐาน (SD) ผลการวิจัยพบว่า ผู้สอนมีความพึงพอใจต่อระบบในระดับมาก (
= 4.45, SD = 0.20) สะท้อนถึงศักยภาพของระบบที่สามารถสนับสนุนการตัดสินใจของผู้สอนในบริบทการสอนออนไลน์แบบประสานเวลาได้อย่างมีประสิทธิภาพ และเสริมความเชื่อมั่นในการใช้เทคโนโลยีดิจิทัลเพื่อยกระดับการจัดการเรียนการสอน
เอกสารอ้างอิง
Ahuja, K., Kim, D., Xhakaj, F., Varga, V., Xie, A., Zhang, S., Townsend, J. E., Harrison, C., Ogan, A., & Agarwal, Y. (2019). EduSense: Practical Classroom Sensing at Scale. In Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 3(3), 71:1-71:26. Association for Computing Machinery.
Altuwairqi, K., Jarraya, S. K., Allinjawi, A., & Hammami, M. (2018). A new emotion–based affective model to detect student’s engagement. Journal of King Saud University - Computer and Information Sciences, 33(1), 99–109.
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–115.
Brooke, J. (1996). SUS - a quick and dirty usability scale. In Usability Evaluation in Industry (pp. 189–194). Taylor and Francis.
Brownlee, J. (2019). A Gentle Introduction to Computer Vision. https://machinelearningmastery.com/what-is-computer-vision/.
Cabada, R. Z., Estrada, M. L. B., Hernández, F. G., Bustillos, R. O., & Reyes-García, C. A. (2018). An affective and Web 3.0-based learning environment for a programming language. Telematics and Informatics, 35(3), 611–628.
Cha, S., & Kim, W. (2015). Concentration analysis by detecting face features of learners. 2015 IEEE Pacific Rim Conference on Communications, Computers and Signal Processing (PACRIM), 46–51. IEEE Xplore.
Dewan, M. A. A., Lin, F., Wen, D., Murshed, M., & Uddin, Z. (2018). A Deep Learning Approach to Detecting Engagement of Online Learners. In 2018 IEEE SmartWorld, Ubiquitous Intelligence Computing, Advanced Trusted Computing, Scalable Computing Communications, Cloud Big Data Computing, Internet of People and Smart City Innovation (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI), 1895–1902. IEEE Xplore.
Faria, A. R., Almeida, A., Martins, C., Gonçalves, R., Martins, J., & Branco, F. (2017). A global perspective on an emotional learning model proposal. Telematics and Informatics, 34(6), 824–837.
He, H., She, Y., Xiahou, J., Yao, J., Li, J., Hong, Q., & Ji, Y. (2018). Real-Time Eye-Gaze Based Interaction for Human Intention Prediction and Emotion Analysis. In Proceedings of Computer Graphics International 2018, 185–194. Association for Computing Machinery.
Holstein, K. & Aleven, V. (2022). Designing for human–AI complementarity in K-12 education. AI Magazine, 43(2), 230-248.
Hutt, S., Krasich, K., R. Brockmole, J., & K. D’Mello, S. (2021). Breaking out of the Lab: Mitigating Mind Wandering with Gaze-Based Attention-Aware Technology in Classrooms. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 1–14. Association for Computing Machinery.
Junco, R., & Cotten, S. R. (2012). No A 4 U: The relationship between multitasking and academic performance. Computers and Education, 59(2), 505–514.
Juthawan, E. (2019). The Effects of Using a Guidance Activities Package Together with Buddhist Meditation Practice to Develop Work Commitment Behavior of Mathayom Suksa II Students of Wattanapruksa school in Nonthaburi Province. [Master’s Thesis]. Sukhothai Thammathirat Open University. (in Thai)
Khosravi, H., Shum, S. B., Chen, G., Conati, C., Tsai, Y.-S., Kay, J., Knight, S., Martinez-Maldonado, R., Sadiq, S., & Gašević, D. (2022). Explainable Artificial Intelligence in education. Computers and Education: Artificial Intelligence, 3, 100074.
Kim, B., & Doshi-Velez, F. (2021). Machine Learning Techniques for Accountability. AI Magazine, 42(1), 47–52.
Leroy, S. (2009). Why is it so hard to do my work? The challenge of attention residue when switching between work tasks. Organizational Behavior and Human Decision Processes, 109(2), 168–181.
Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–16. Association for Computing Machinery.
Ma, S., Zhou, T., Nie, F., & Ma, X. (2022). Glancee: An Adaptable System for Instructors to Grasp Student Learning Status in Synchronous Online Classes. In Proceedings of CHI Conference on Human Factors in Computing Systems, 1–25. Association for Computing Machinery.
Murali, P., Hernandez, J., McDuff, D., Rowan, K., Suh, J., & Czerwinski, M. (2021). AffectiveSpotlight: Facilitating the Communication of Affective Responses from Audience Members during Online Presentations. In Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 1–13. Association for Computing Machinery.
Ophir, E., Nass, C., & Wagner, A. D. (2009). Cognitive control in media multitaskers. In Proceedings of the National Academy of Sciences, 106(37), 15583–15587. PNAS.
Pham, A. T. V., Kieu, N. V., & Vu, T. T. T. (2021). Synchronous Online Teaching amid the Covid-19: An After Action Review from Teachers. In Proceedings of 2021 International Conference on Advanced Enterprise Information System (AEIS), 19–24. IEEE.
Pragya, S. U., Mehta, N. D., Abomoelak, B., Uddin, P., Veeramachaneni, P., Mehta, N., Moore, S., Jean-Francois, M., Garcia, S., Pragya, S. C., & Mehta, D. I. (2021). Effects of Combining Meditation Techniques on Short-Term Memory, Attention, and Affect in Healthy College Students. Frontiers in Psychology, 12, 1–9.
Sun, P.-C., Tsai, R. J., Finger, G., Chen, Y.-Y., & Yeh, D. (2008). What drives a successful e-Learning? An empirical investigation of the critical factors influencing learner satisfaction. Computers and Education, 50(4), 1183–1202.
Torres, R. M. (2011). Lifelong learning: Moving beyond Education for All (EFA). https://unesdoc.unesco.org/ark:/48223/pf0000192081.
Vieira, D. (2019). Lifelong Learning and its Importance in Achieving the Sustainable Development Goals. In W. Leal Filho, A. M. Azul, L. Brandli, P. G. Özuyar, & T. Wall (Eds.), Quality Education (pp. 1–9). Springer International Publishing.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 วารสารครุศาสตร์อุตสาหกรรม
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
"ข้อคิดเห็น เนื้อหา รวมทั้งการใช้ภาษาในบทความถือเป็นความรับผิดชอบของผู้เขียน"
