การพัฒนาตัวบ่งชี้ระบบนิเวศการเรียนรู้ดิจิทัลสำหรับสถานศึกษา ขั้นพื้นฐานในประเทศไทย: การวิเคราะห์ความไม่แปรเปลี่ยน
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์การวิจัยเพื่อ 1) พัฒนาและตรวจสอบความตรงเชิงโครงสร้างของโมเดลการวัดระบบนิเวศการเรียนรู้ดิจิทัลสำหรับสถานศึกษาขั้นพื้นฐานในประเทศไทย และ 2) วิเคราะห์ความไม่แปรเปลี่ยนของโมเดลการวัดระบบนิเวศการเรียนรู้ดิจิทัลระหว่างเขตที่ตั้งของโรงเรียนในอำเภอเมืองและนอกอำเภอเมือง ตัวอย่างวิจัย ได้แก่ ครูในสถานศึกษาขั้นพื้นฐานของประเทศไทยจาก 6 ภูมิภาคของประเทศไทย จำแนกเป็น 2 กลุ่ม ได้แก่ กลุ่มครูที่สอนในโรงเรียนในอำเภอเมือง จำนวน 212 คน และกลุ่มครูที่สอนในโรงเรียนนอกอำเภอเมือง จำนวน 208 คน ที่ได้มาจากการสุ่มตัวอย่างแบบหลายขั้นตอน เก็บรวบรวมข้อมูลโดยใช้เครื่องมือวัดระบบนิเวศการเรียนรู้ดิจิทัล มีลักษณะเป็นมาตรประมาณค่า 5 ระดับ จำนวน 56 ข้อ ครอบคลุม 2 องค์ประกอบ 8 ตัวบ่งชี้ของทักษะระบบนิเวศการเรียนรู้ดิจิทัล วิเคราะห์ข้อมูลด้วยค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน การวิเคราะห์องค์ประกอบเชิงยืนยัน และการวิเคราะห์กลุ่มพหุ ผลการวิจัยพบว่า 1) โมเดลการวัดระบบนิเวศการเรียนรู้ดิจิทัลประกอบด้วย องค์ประกอบที่ 1 ชุมชนการเรียนรู้ทางดิจิทัล ประกอบด้วย 4 ตัวบ่งชี้ ได้แก่ 1) บทบาทของครู 2) บทบาทของผู้เรียน 3) บทบาทของผู้สนับสนุน และ 4) บทบาทของผู้มีส่วนได้ส่วนเสีย และองค์ประกอบที่ 2 การสนับสนุนการเรียนรู้ทางดิจิทัล ประกอบด้วย 4 ตัวบ่งชี้ ได้แก่ 1) เทคโนโลยีสนับสนุนการเรียนรู้ 2) โครงสร้างพื้นฐานของโรงเรียน 3) เนื้อหาการเรียนรู้ทางดิจิทัล และ 4) การบริหารจัดการของโรงเรียน และโมเดลการวัดระบบนิเวศการเรียนรู้ดิจิทัลระหว่างเขตที่ตั้งของโรงเรียนในอำเภอเมืองและนอกอำเภอเมืองมีความสอดคล้องกับข้อมูลเชิงประจักษ์ และตัวบ่งชี้ทั้ง 8 ตัว มีความตรงเชิงโครงสร้าง โดยมีค่าน้ำหนักองค์ประกอบของตั้งแต่ .571 ถึง .898 (เขตที่ตั้งของโรงเรียนในอำเภอเมือง) และ .612 ถึง .885 (เขตที่ตั้งของโรงเรียนนอกอำเภอเมือง) อย่างมีนัยสำคัญทางสถิติที่ระดับ .01 แสดงว่า ตัวบ่งชี้สามารถนำไปใช้ในการวัดระบบนิเวศการเรียนรู้ดิจิทัลสำหรับสถานศึกษาขั้นพื้นฐานในประเทศไทยได้ และ 2) โมเดลการวัดระบบนิเวศการเรียนรู้ดิจิทัลระหว่างเขตที่ตั้งของโรงเรียนในอำเภอเมืองและนอกอำเภอเมือง ไม่แปรเปลี่ยนในรูปแบบของโมเดล ค่าน้ำหนักองค์ประกอบ จุดตัดแกน แต่มีความแปรเปลี่ยนในเทอมของความคลาดเคลื่อนในการวัดข้ามกลุ่ม
Article Details
เอกสารอ้างอิง
Ali, B. A. M., Majd, S., Marie-Helene, A. & Elsa, N. (2017). Recommendation of Pedagogical Resources within a Learning Ecosystem. In 9th International Conference on Management of Digital EcoSystems, Bangkok, Thailand. (pp. 14–21). Bangkok: The Berkeley Hotal.
Byrne, B. M. (2016). Structural Equation Modeling With AMOS: Basic Concepts, Applications, and Programming. (3rd ed.). New York: Routledge.
Davidson, P., Roslan, S., Omar, Z., Abdullah, M. C., Looi, S. Y., Neik, T. T. X. & Yong, B. (2019). Validation of Competing Structural Models of Inter-Relationships in the Teaching-Learning Ecosystem for Two Malaysian STEM courses. Asia Pacific Education Review, 20(1), 15–36.
Goffin, R. D. (2007). Assessing the Adequacy of Structural Equation Model: Golden Rules and Editorial Policy. Personality and Individual Differences, 42, 831-839.
Hair, J. F., Anderson, R. E., Babin, B. J. & Black, W. C. (2010). Multivariate Data Analysis: A Global Perspective, vol. 7. Upper Saddle River, New Jersey: Pearson Education.
Hoel, T. & Mason, J. (2018). Standards for Smart Education-Towards a Development Framework. Smart Learning Environments, 5(1), 1-25.
Kanchanawasi, S. (2013). Classical Test Theory. (7th ed.). Bangkok: Chulalongkorn University Printing Press.
Kelloway, E. K. (2015). Using Mplus for Structural Equation Modeling; a Researcher’s Guide. California: Sage Publications.
Kummanee, J., Nilsook, P. & Wannapiroon, P. (2020). Digital Learning Ecosystem Involving STEAM Gamification for a Vocational Innovator. International Journal of Information and Education Technology, 10(7), 533-539.
Laanpere, M., Pata, K., Normak, P. & Poldoja, H. (2014). Pedagogy-Driven Design of Digital Learning Ecosystems. Computer Science and Information Systems, 11(1), 419-442.
Maneehad, S. & Wannapiroon, P. (2019). A Digital Learning Ecosystem with Artificial Intelligence for Smart Learning. Journal of Education Naresuan University, 21(2), 359-373. (In Thai).
Meepung, T., Pratsri, S. & Nilsook, P. (2021). Interactive Tool in Digital Learning Ecosystem for Adaptive Online Learning Performance. Higher Education Studies, 11(3), 70-77.
Ministry of Education. (2020). The 12th Educational Development Plan of the Ministry of Education (2017-2021). Bangkok: Office of Policy and Strategy, Office of the Permanent Secretary for Education.
Nguyen, L. T. & Tuamsuk, K. (2022). Digital Learning Ecosystem at Educational Institutions: A Content Analysis of Scholarly Discourse. Cogent Education, 9(1), 1-17.
Nguyen, L. T., Kanjug, I., Lowatcharin, G., Manakul, T., Poonpon, K., Sarakorn, W., Somabut, A., Srisawasdi, N., Traiyarach, S. & Tuamsuk, K. (2023). Digital Learning Ecosystem for Classroom Teaching in Thailand High Schools. SAGE Open, 13(1), 1-14.
OECD. (2019). OECD Future of Education and Skills 2030: OECD Learning Compass 2030. Paris: OECD Publishing.
Office of the Basic Education Commission. (2024). Educational Statistics for Academic Year 2022. Retrieved June 25, 2024, from http://www.bopp.go.th/
Office of the Education Council. (2017). National Education Plan 2017-2036. Bangkok: Office of the Education Council.
Quaicoe, J. S., Pata, K. & Jeladze, E. (2016). Digital learning ecosystem services and educational change in Ghana’s basic schools. In L. G. Chova, A. L. Martinez, & I. C. Torress (Eds.), EDULEARN 16 Proceedings, 8th Annual International Conference on Education and New Learning Technologies, 4th -6th July (pp. 4887–4895). Barcelona: IATED Academy.
Reimers, F. M., & Chung, C. K. (2016). Teaching and Learning for the Twenty-First Century. Cambridge, Massachusetts: Harvard Education Press.
Reyna, J. (2011). Digital Teaching and Learning Ecosystem (DTLE): A Theoretical Approach for Online Learning Environments. In G. Williams, P. Statham, N. Brown & B. Cleland (Eds.), Changing demands, changing directions. Proceedings ascilite Hobart 2011. (pp. 1083-1088).
Rinthaisong, I. (2022). Structure Equation Modeling for Behavioral and Social Science Research. Songkhla: Neopoint Company.
Schumacker, R. E. & Lomax, R. G., (2010). A Beginner’s Guide to Structural Equation Modeling. (3rd ed.). New Jersey: Lawrence Erlbaum Associates.
Schwab, K. & Davis, N. (2018). Shaping the Fourth Industrial Revolution. Geneva: World Economic Forum.
Spante, M., Hashemi, S. S., Lundin, M. & Algers, A. (2018). Digital Competence and Digital Literacy in Higher Education Research: Systematic Review of Concept Use. Cogent Education, 5(1), 1-21.
Steiger, J. H. (2007). Understanding the Limitation of Global Fit Assessment in Structural Equation Modeling. Personality and Individual Differences, 42, 893-898.
Tammets, K., Khulbe, M., Sillat, L. H. & Ley, T. (2022). A Digital Learning Ecosystem to Scaffold Teachers' Learning. IEEE Transactions on Learning Technologies, 15(5), 620-633.
Ungsuchote, S., Wijitwanna, S. & Pinyopanuwat, R. (2014). Statistical Analysis for Research in Social Sciences and Behavioral Sciences: Techniques for Using LISREL Program. (4th ed.). Bangkok: Charoen Dee Munkhong Printing.
Wang, J. & Wang, X. (2020). Structural Equation Modeling Applications Using Mplus. (2nd ed.). New York: Wiley & Sons.
Wiratchai, N. (2011). Test of Measurement Invariance Across Measured Groups Using Structural Equation Model Analysis. Journal of Research and Curriculum Development, 1(1), 69-80. (In Thai).
World Economic Forum. (2020). The Future of Jobs Report 2020. Geneva: World Economic Forum.
Xu, H. & Tracey, T. J. (2017). Use of Multi-Group Confirmatory Factor Analysis in Examining Measurement Invariance in Counseling Psychology Research. The European Journal of Counselling Psychology, 6(1), 75-82.
