การพัฒนาสมรรถนะผู้อำนวยการเรียนรู้ของครูวิทยาศาสตร์ คณิตศาสตร์ และเทคโนโลยี ในเขตจังหวัดนครปฐม ด้วยหลักสูตรผู้หนุนนำครูสู่ผู้อำนวยการเรียนรู้ และการประเมินแผนการจัดการเรียนรู้ด้วยระบบปัญญาประดิษฐ์ NGL_STARS
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้เป็นการวิจัยก่อนการทดลอง (Pre-experimental study) วัตถุประสงค์การวิจัยเพื่อ 1) ศึกษาความสอดคล้องของการประเมินแผนการจัดการเรียนรู้ระหว่างผู้ทรงคุณวุฒิด้านการวัดผลประเมินผล การพัฒนาหลักสูตร และการสอน และระหว่างผู้ทรงคุณวุฒิกับระบบปัญญาประดิษฐ์ NGL_STARS และ 2) เปรียบเทียบสมรรถนะผู้อำนวยการเรียนรู้ของครู ระยะก่อน ระยะระหว่าง และระยะหลังการอบรมหลักสูตรพัฒนาศักยภาพบุคลากรทางการศึกษา เพื่อเป็นผู้หนุนนำครูสู่ผู้อำนวยการเรียนรู้ กลุ่มตัวอย่างที่ใช้ คือ ผู้ทรงคุณวุฒิ (ด้านการวัดผล หลักสูตร และการสอน) จำนวน 3 คน และครูผู้สอนวิชาวิทยาศาสตร์ คณิตศาสตร์ และเทคโนโลยี จำนวน 5 คน เครื่องมือที่ใช้ประกอบด้วยคู่มือกระบวนการดำเนินกิจกรรมฯ แบบประเมินสมรรถนะผู้อำนวยการเรียนรู้ของครู และ โปรแกรม NGL_STARS วิเคราะห์ข้อมูลโดยใช้ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และการทดสอบ Friedman Test ผลการวิจัย พบว่า 1) ความสอดคล้องของการประเมินระหว่างผู้ทรงคุณวุฒิและระบบ AI มีค่าความสอดคล้องในระดับค่าเฉลี่ยอยู่ในระดับดี (ICC = .83) ซึ่งสูงกว่าความสอดคล้องระหว่างผู้ทรงคุณวุฒิด้วยกันเองในระดับรายบุคคล (ICC = .39) 2) สมรรถนะผู้อำนวยการเรียนรู้ของครูมีความแตกต่างกันอย่างมีนัยสำคัญทางสถิติที่ระดับ .05 (χ² = 10.00, df = 2, p = .01) โดยสมรรถนะผู้อำนวยการเรียนรู้ของครูในระยะหลังการอบรมมากกว่าระหว่างการอบรม และก่อนการอบรม ตามลำดับ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Arefian, M. (2026). AI-enhanced professional learning communities: A new era of personalized teacher education. Cogent Education, 13(1), 1-16. https://doi.org/10.1080/2331186X. 2026.2626629
Asura, S. (2023). Effects of context-based learning management on the competency to explain scientific phenomena and the use of evidence among grade 6 students. (Master’s thesis, Sukhothai Thammathirat Open University). (in Thai)
Fitriani, F. & Rini, P. Z. E. (2025). Can we trust AI to assess writing? An analysis of scoring reliability and feedback consistency. Jurnal Profesi Keguruan, 10(1), 66-79. https://doi.org/10. 15294/jpk.v10i1.25849
Hattie, J. (2012). Visible learning for teachers: Maximizing impact on learning. Routledge.
Khaemmanee, T. (2018). Science of teaching: Body of knowledge for effective learning process management (22nd ed.). Chulalongkorn University Press. (in Thai)
Kondinjee, J. & Tuksino, P. (2025). The development of an automated scoring system for Thai language written subjective tests at the lower secondary school level. Journal of Inclusive and Innovative Education, 9(3), 129-148. (in Thai)
Koo, T. K. & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155-163.
Luckin, R. (2018). Machine learning and human intelligence: The future of education for the 21st century. The UCL Institute of Education Press.
Miao, F., Holmes, W., Huang, R. & Zhang, H. (2021). AI and education: Guidance for policy-makers. UNESCO. https://doi.org/10.54675/PCSP7350
Notana, W. (2022). Development of teacher competency enhancement model in creative and productive science learning management based on constructivist theory and scaffolding concept. (Doctor of Philosophy Thesis, Naresuan University). (in Thai)
Promket, W. (2022). Model for developing teacher leadership in competency-based learning management for science and technology teachers in large secondary schools (Doctor of Philosophy Thesis, Sakon Nakhon Rajabhat University). (in Thai)
Teepakakorn, K. (2025). Learning with AI in 2025: How Thai teachers adapt in the Generative AI. Ratchasima Paritat Journal, 1(2), 1-20. (in Thai)
The Institute for the Promotion of Teaching Science and Technology. (2024). Guidelines for promoting formative assessment in science and mathematics subjects in educational institutions. The Institute for the Promotion of Teaching Science and Technology. (in Thai)
