A Effectiveness of AI-Assisted C++ Programming Instruction in Primary Education: A Learning Analytics Approach: การศึกษาประสิทธิผลของการจัดการเรียนรู้การเขียนโปรแกรม C++   โดยใช้ปัญญาประดิษฐ์ช่วยในระดับประถมศึกษา: แนวทางการวิเคราะห์การเรียนรู้

Qiu Weiyang; สุดาสวรรค์ งามมงคลวงศ์

ผู้แต่ง

Qiu Weiyang คณะเทคโนโลยีดิจิทัลและนวัตกรรม มหาวิทยาลัยเซาธ์อีสท์บางกอก กรุงเทพมหานคร
สุดาสวรรค์ งามมงคลวงศ์ คณะเทคโนโลยีดิจิทัลและนวัตกรรม มหาวิทยาลัยเซาธ์อีสท์บางกอก กรุงเทพมหานคร

คำสำคัญ:

การจัดการเรียนรู้การเขียนโปรแกรม, การวิเคราะห์ข้อมูลการเรียนรู้, การเรียนรู้โดยใช้ปัญญาประดิษฐ์, การคิดเชิงคำนวณ, ระดับประถมศึกษา

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาประสิทธิผลของรูปแบบการจัดการเรียนการสอนที่ใช้ปัญญาประดิษฐ์ (AI) เป็นเครื่องมือสนับสนุนร่วมกับการชี้แนะของครูต่อผลสัมฤทธิ์ทางการเรียนด้านการเขียนโปรแกรมภาษา C++ ของนักเรียนระดับประถมศึกษา และเพื่อวิเคราะห์ความสัมพันธ์ระหว่างพฤติกรรมการเรียนรู้กับผลสัมฤทธิ์ทางการเรียน กลุ่มตัวอย่างประกอบด้วยนักเรียนชั้นประถมศึกษาปีที่ 5 จากโรงเรียน Hanlin Experimental School จำนวน 78 คน แบ่งเป็นกลุ่มทดลอง 39 คน และกลุ่มควบคุม 39 คน เครื่องมือที่ใช้ในการวิจัย ได้แก่ แบบทดสอบวัดผลสัมฤทธิ์ทางการเรียน และระบบวิเคราะห์ข้อมูลการเรียนรู้ การวิเคราะห์ข้อมูลใช้ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน การทดสอบค่าทีสำหรับกลุ่มอิสระ (Independent Samples t-test) และค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน (Pearson’s Correlation Coefficient)

ผลการวิจัยพบว่า กลุ่มทดลองมีคะแนนหลังเรียนสูงกว่ากลุ่มควบคุมอย่างมีนัยสำคัญทางสถิติ โดยมีคะแนนเฉลี่ยเท่ากับ (M = 61.38, SD = 5.66) ขณะที่กลุ่มควบคุมมีคะแนนเฉลี่ยเท่ากับ (M = 53.41, SD = 7.24) และมีขนาดอิทธิพลอยู่ในระดับสูง (d=1.23) นอกจากนี้ ความถูกต้องของการส่งงานมีความสัมพันธ์เชิงบวกกับผลสัมฤทธิ์ทางการเรียนอย่างมีนัยสำคัญทางสถิติ (r = .339, p < .05) ในขณะที่ปริมาณการฝึกปฏิบัติไม่พบความสัมพันธ์อย่างมีนัยสำคัญทางสถิติ (r= .034, p > .05)

ผลการศึกษาชี้ให้เห็นว่า ความสำเร็จในการเรียนรู้การเขียนโปรแกรมขึ้นอยู่กับคุณภาพของการมีส่วนร่วมในกระบวนการเรียนรู้มากกว่าปริมาณการฝึกปฏิบัติเพียงอย่างเดียว สำหรับผู้สอน ผลการวิจัยนี้สะท้อนให้เห็นถึงความสำคัญของการออกแบบกลยุทธ์การสอนที่มุ่งเน้นกระบวนการเรียนรู้ การให้คำแนะนำในการแก้ไขข้อผิดพลาดของโปรแกรมอย่างเป็นระบบ มากกว่าการเน้นการฝึกซ้ำในปริมาณมากเพียงอย่างเดียว นอกจากนี้ งานวิจัยยังมีส่วนช่วยขยายองค์ความรู้ด้านการจัดการศึกษาที่ใช้ปัญญาประดิษฐ์เป็นเครื่องมือสนับสนุน โดยแสดงให้เห็นว่าการบูรณาการการสนับสนุนการเรียนรู้ด้วย AI ควบคู่กับการชี้แนะของครูสามารถช่วยลดภาระทางการรับรู้ (Cognitive Load) และส่งเสริมการพัฒนาทักษะการคิดเชิงคำนวณ (Computational Thinking) ของผู้เรียนที่เริ่มต้นเรียนรู้การเขียนโปรแกรมได้อย่างมีประสิทธิภาพ

เอกสารอ้างอิง

OECD. PISA 2022 assessment and analytical framework. Paris: OECD Publishing; 2023 Aug 31. doi: 10.1787/dfe0bf9c-en

Heintz F, Mannila L, Färnqvist T. A review of models for introducing computational thinking, computer science and computing in K-12 education. In: 2016 IEEE Frontiers in Education Conference (FIE); 2016 Oct 12-15; Erie, PA, USA. IEEE; 2016. p. 1-9. doi: 10.1109/FIE.2016.7757410.

State Council of the People’s Republic of China. New generation artificial intelligence development plan (State Council Document No. 35). Beijing: State Council; 2017.

Ministry of Education Information science and technology curriculum standards for compulsory education (2022 edition). Beijing: Beijing Normal University Publishing Group; 2022.

Swidan A, Hermans F, Smit M. Programming with scratch or python? The effect of programming environments on novice programmers’ cognitive load. In: 2018 IEEE/ACM 40th International Conference on Software Engineering: Software Engineering Education and Training (ICSE-SEET); 2018 May 27-Jun 3; Gothenburg, Sweden. IEEE; 2018. p. 57–66. doi: 10.1145/3183377.3183393

Grover S, Pea R. Computational thinking in K–12: A review of the state of the field. Educ Res. 2013;42(1):38–43. doi: 10.3102/ 0013189X12463051

Ou Y. Investigation and analysis of the current situation of programming education in primary and secondary schools. Heliyon. 2023;9(4):e15530. doi: 10.1016/j.heliyon.2023.e15530

Kong S-C, Wang YQ. Dynamic interplays between self-regulated learning and computational thinking in primary school students through animations and worksheets. Comput Educ. 2024;219: Article 105096. doi: 10.1016/j.compedu.2024.105126

Qiu F, Zhang G, Sheng X, Jiang L, Zhu L, Xiang Q, et al. Predicting students’ performance in e-learning using learning process and behaviour data. Sci Rep. 2022;12(1): Article 453. doi: 10.1038/s41598-021-03867-8

Hwang G-J, Xie H, Wah BW, Gašević D. Vision, challenges, roles and research issues of artificial intelligence in education. Comput Educ: Artif Intell. 2020;1: Article 100001. doi: 10.1016/j.caeai.2020.100001