การพัฒนาเครื่องมือวัดการกำกับตนเองในการใช้ปัญญาประดิษฐ์ สำหรับนักเรียนระดับชั้นมัธยมศึกษา
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิจัยนี้มีวัตถุประสงค์ เพื่อ 1) พัฒนาและตรวจสอบคุณภาพของเครื่องมือวัด การกำกับตนเองในการใช้ปัญญาประดิษฐ์ของนักเรียนระดับชั้นมัธยมศึกษา และ 2) สร้างเกณฑ์ปกติ (Norm) สำหรับการประเมินการกำกับตนเองในการใช้ปัญญาประดิษฐ์ของนักเรียนระดับชั้นมัธยมศึกษา ประชากรในการวิจัยครั้งนี้ คือ นักเรียนระดับชั้นมัธยมศึกษาตอนปลาย สังกัดสำนักงานเขตพื้นที่การศึกษามัธยมศึกษาพิษณุโลก ปีการศึกษา 2568 จำนวน 4,892 คน กลุ่มตัวอย่าง คือ นักเรียนระดับชั้นมัธยมศึกษาตอนปลาย สังกัดสำนักงานเขตพื้นที่การศึกษามัธยมศึกษาพิษณุโลก จำนวน 357 คน ซึ่งได้มาจากการใช้วิธีการสุ่มอย่างง่าย เครื่องมือที่ใช้ ได้แก่ แบบสอบถาม เกี่ยวกับการกำกับตนเองในการใช้ปัญญาประดิษฐ์ มาตรประมาณค่า 5 ระดับ ตามแนวคิดของลิเคิร์ท (Likert) จำนวน 30 ข้อ วิเคราะห์ข้อมูลด้วยโปรแกรมสำเร็จรูปทางสถิติ SPSS for Windows และโปรแกรม Mplus ผลการวิจัยพบว่า เครื่องมือมีความตรงเชิงเนื้อหาอยู่ในระดับดีเยี่ยม และมีค่าความเชื่อมั่นทั้งฉบับโดยใช้ค่าสัมประสิทธิ์แอลฟาของครอนบาค เท่ากับ 0.948 แสดงถึงความเชื่อมั่นในระดับสูง ผลการตรวจสอบความตรงเชิงโครงสร้างด้วยการวิเคราะห์องค์ประกอบเชิงยืนยัน (CFA) พบว่าโมเดลมีความสอดคล้องกับข้อมูลเชิงประจักษ์ (Chi-square = 5.615, p = 0.2298, RMSEA = 0.034, CFI = 0.999, TLI = 0.997 และ SRMR = 0.010) ค่าน้ำหนักองค์ประกอบอยู่ระหว่าง 0.772 – 0.884 อย่างมีนัยสำคัญทางสถิติที่ระดับ .01 และสามารถอธิบายความแปรปรวนได้ร้อยละ 59.5 – 78.1 แสดงให้เห็นว่าเครื่องมือมีความตรงเชิงโครงสร้างอยู่ในเกณฑ์ดี นอกจากนี้ ได้มีการสร้างเกณฑ์ปกติ โดยคะแนนทีปกติ และเปอร์เซ็นไทล์ สามารถจำแนกระดับการกำกับตนเองในการใช้ปัญญาประดิษฐ์ออกเป็น 4 ระดับ ได้แก่ ระดับสูง ระดับค่อนข้างสูง ระดับค่อนข้างต่ำ และระดับต่ำ ซึ่งสามารถนำไปใช้ในการประเมินและพัฒนาผู้เรียน ได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
กรมประชาสัมพันธ์. (2568). การศึกษาไทยในยุคดิจิทัล: โอกาส ความท้าทาย และความเหลื่อมล้ำทางดิจิทัล. (ระบบออนไลน์). สืบค้นเมื่อ 5 เมษายน 2569. สืบค้นจาก https://www.prd.go.th/th/content/category/detail/id/31/iid/398116
คุณาพร โฉมจิตร และรัชกฤช ปัทมโสภาสกุล. (2568). ปัจจัยที่ส่งผลต่อการใช้ปัญญาประดิษฐ์เพื่อการเรียนรู้ของผู้เรียนในวิทยาลัยอาชีวศึกษาเอกชน.วารสารสังคมศาสตร์และวัฒนธรรม, 9(2), 380-393.
ทาริกา สมพงษ์. (2563). การพัฒนาชุดกิจกรรมการเรียนรู้โดยการกำกับตนเอง เรื่อง ชนิดและหน้าที่ของคำ กลุ่มสาระการเรียนรู้ภาษาไทย สำหรับนักเรียนชั้นมัธยมศึกษาปีที่ 1. (ระบบออนไลน์). สืบค้นเมื่อ 5 เมษายน 2569. สืบค้นจาก https://gsmis.snru.ac.th/e-thesis/file_att1/2020080758421228 116_fulltext.pdf
บริษัท ไทยแวร์ คอมมิวนิเคชั่น. (2564). AI คืออะไร? และตัวอย่างการนำ AI หรือปัญญาประดิษฐ์ไปใช้ใน ระดับโลก. (ระบบออนไลน์). สืบค้นเมื่อ 5 เมษายน 2569. สืบค้นจาก https://tips.thaiware.com/1746.html
ปฐวี ฉลวย, สิงหะ ฉวีสุข และณฐพล พันธุวงศ์. (2558). การประยุกต์ใช้ทฤษฎีรวมการยอมรับการใช้เทคโนโลยี (UTAUT) และส่วนขยายทฤษฎีรวมการยอมรับการใช้เทคโนโลยี (UTAUT2) กับการทำธุรกรรมทางอิเล็กทรอนิกส์. วารสารเทคโนโลยีสารสนเทศลาดกระบัง, 4(2).
สิริภา สงคราม. (2568). การบริหารสถานศึกษาเพื่อส่งเสริมการใช้ปัญญาประดิษฐ์ (AI) ในการจัดการเรียนรู้เชิงรุก. วารสารสมาคมพัฒนาวิชาชีพการบริหารการศึกษาแห่งประเทศไทย, 7(2), 583-597.
Alatoai, A. A., & Alshahri, A. (2025). The development and validation of the AI-supported self-regulated science and mathematics learning scale. BMC Psychology, 13, 1330. https://doi.org/10.1186/s40359-025-03764-z
Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Englewood Cliffs, NJ: Prentice-Hall.
Chiu, T. K., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education, 4, 100118.
Daher, Z. M., & Abdela, H. M. (2025). The role of AI in supporting self-regulated learning among international university students in China. International Journal of Research and Innovation in Social Science, 9(IIIS), 7227–7239. https://doi.org/10.47772/ IJRISS.2025.903SEDU0537
Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2010). Multivariate data analysis (7th ed.). Pearson: New York
Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). New York: Guilford Press.
Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607–610
Mazı, A., & Mazı, A. (2025). Developing self-regulated artificial intelligence learning (SRAIL) student attitudes scale. Acta psychologica, 258, 105227. https://doi.org/10.1016/ j.actpsy.2025.105227
Pintrich, P. R. (2000). The role of goal orientation in self-regulated learning. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 451–502). San Diego, CA: Academic Press. https://doi.org/10.1016/B978-012109890-2/50043-3
Yurt, E., & Kaşarcı, İ. (2025). Exploring prospective teachers’ intentions for artificial intelligence integration in education: the role of motivation. AERA Open, 11(1), 1–18. https://doi.org/10.1177/23328584251403990
Zimmerman, B. J. (2000). Attaining self-regulation: a social cognitive perspective. In M. Boekaerts et al. (Eds.), Handbook of self-regulation (pp. 13–39). San Diego, CA: Academic Press. https://doi.org/10.1016/B978-012109890-2/50031-7
