การวิเคราะห์พฤติกรรมการมีส่วนร่วมของผู้เรียนจากวีดิโอชั้นเรียนโดยใช้ปัญญาประดิษฐ์

ทองอุ่น  มั่นหมาย; ดนุพล  สืบสำราญ; พยุงศักดิ์  คงศิลา; ปาวีณา ฉ่ำกิ่ง; เอกเทศ แสงลับ

ผู้แต่ง

ทองอุ่น มั่นหมาย สาขาวิชาคณิตศาสตร์ คณะครุศาสตร์และการพัฒนามนุษย์ มหาวิทยาลัยราชภัฏศรีสะเกษ
ดนุพล สืบสำราญ สาขาวิชาวิทยาศาสตร์ทั่วไป คณะครุศาสตร์และการพัฒนามนุษย์ มหาวิทยาลัยราชภัฏศรีสะเกษ
พยุงศักดิ์ คงศิลา สาขาวิชาวิทยาศาสตร์ทั่วไป คณะครุศาสตร์และการพัฒนามนุษย์ มหาวิทยาลัยราชภัฏศรีสะเกษ
ปาวีณา ฉ่ำกิ่ง สาขาวิชาคอมพิวเตอร์ศึกษา คณะครุศาสตร์และการพัฒนามนุษย์ มหาวิทยาลัยราชภัฏศรีสะเกษ
เอกเทศ แสงลับ สาขาวิชาคอมพิวเตอร์ศึกษา คณะครุศาสตร์และการพัฒนามนุษย์ มหาวิทยาลัยราชภัฏศรีสะเกษ

คำสำคัญ:

พฤติกรรมผู้เรียน, คลิปวีดิโอการจัดการเรียนรู้, ปัญญาประดิษฐ์, กรอบการจำแนกพฤติกรรมผู้เรียน, การวิเคราะห์การเรียนรู้

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ (1) วิเคราะห์พฤติกรรมผู้เรียนจากคลิปวีดิโอการจัดการเรียนรู้โดยใช้ปัญญาประดิษฐ์ และ (2) เพื่อวิเคราะห์ความถี่และการกระจายของพฤติกรรมผู้เรียนที่จำแนกจากคลิปวีดิโอการจัดการเรียนรู้ตามระดับชั้นและช่วงเวลาของบทเรียน ข้อมูลที่ใช้ ได้แก่ คลิปวีดิโอของนักเรียนชั้นประถมศึกษาปีที่ 1 ถึงมัธยมศึกษาปีที่ 3 โรงเรียนเทศบาล 1 (วัดเจียงอี) อำเภอเมืองศรีสะเกษ จังหวัดศรีสะเกษ จำนวน 9 ห้องเรียน นักเรียน 227 คน โดยตัดวีดิโอเป็นคลิปสั้น กำหนดให้ 1 คลิป แทน 1 พฤติกรรม รวม 4,782 คลิป ใช้กรอบการจำแนกพฤติกรรมผู้เรียน (Behavioral Codebook) 4 ประเภท ได้แก่ การยกมือ (B01) การเขียน (B02) การปฏิสัมพันธ์กับครู (B03) และ การปฏิสัมพันธ์กับเพื่อน (B04) ร่วมกับปัญญาประดิษฐ์ Gemini และตรวจสอบผลกับผู้ประเมินบุคคล

ผลการวิจัย พบว่า B04 พบมากที่สุด 2,039 คลิป (ร้อยละ 42.64) รองลงมา B02 จำนวน 1,557 คลิป (ร้อยละ 32.56) B03 จำนวน 615 คลิป (ร้อยละ 12.86) และ B01 จำนวน 571 คลิป (ร้อยละ 11.94) ตามลำดับ ช่วงเวลา 11–20 นาที มีจำนวนคลิปพฤติกรรมรวมมากที่สุด และผลการจำแนกสอดคล้องกับผู้ประเมินบุคคลทั้ง 4,782 คลิป คิดเป็นร้อยละ 100.00

เอกสารอ้างอิง

กระทรวงศึกษาธิการ. (2566). แนวทางการจัดการเรียนรู้ฐานสมรรถนะ. กระทรวงศึกษาธิการ.

สถาบันทดสอบทางการศึกษาแห่งชาติ. (2565). รายงานผลการประเมินคุณภาพผู้เรียนระดับชาติ. สถาบันทดสอบทางการศึกษาแห่งชาติ.

Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., … Liang, P. (2021). On the opportunities and risks of foundation models. Stanford Center for Research on Foundation Models.

Cai, T., Xiong, Y., He, C., Wu, C., & Cai, L. (2025). Classroom teacher behavior analysis: The TBU dataset and performance evaluation. Computer Vision and Image Understanding, 257, 104376.

Curby, T. W., Brock, L. L., & Hamre, B. K. (2013). Teachers' emotional support consistency predicts children's achievement gains and social skills. Early Education and Development, 24(3), 292–309.

Downer, J. T., Rimm-Kaufman, S. E., & Pianta, R. C. (2007). How do classroom conditions and children's risk for school problems contribute to children's behavioral engagement in learning? School Psychology Review, 36(3), 413–432.

Fredricks, J. A., Blumenfeld, P. C., & Paris, A. H. (2004). School engagement: Potential of the concept, state of the evidence. Review of Educational Research, 74(1), 59–109.

Gaudin, C., & Chaliès, S. (2015). Video viewing in teacher education and professional development: A literature review. Educational Research Review, 16, 41–67.

Google. (2025). Gemini API documentation: Video understanding. https://ai.google.dev/

Hidson, E. (2018). The complete guide to lesson observation. John Catt Educational.

Khalil, M., Topali, P., Ortega-Arranz, A., Er, E., Akçapınar, G., & Belokrys, G. (2024). Video analytics in digital learning environments: Exploring student behaviour across different learning contexts. Technology, Knowledge and Learning, 29(4), 1877–1905.

Pianta, R. C., & Hamre, B. K. (2009). Conceptualization, measurement, and improvement of classroom processes: Standardized observation can leverage capacity. Educational Researcher, 38(2), 109–119.

Reid, M., et al. (2024). Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv.

Sideridis, G. D. (1998). Direct classroom observation: Potential problems and solutions. Research in Education, 59(1), 19–28.

Volpe, R. J., Hill, E., Briesch, A. M., & Leiwant, I. (2025). Classroom observation of student behavior: A review of seven observation codes. School Psychology Review, 54(1), 105–127.

Wang, Z., Li, L., Zeng, C., Dong, S., & Sun, J. (2025). SLBDetection-Net: Towards closed-set and open-set student learning behavior detection in smart classroom of K-12 education. Expert Systems with Applications, 260, 125392.

Wilhelm, A. G., Gillespie Rouse, A., & Jones, F. (2018). Exploring differences in measurement and reporting of classroom observation inter-rater reliability. Practical Assessment, Research & Evaluation, 23(4).

Yu, Z., Xie, M., Gao, J., Liu, T., & Fu, Y. (2024). From raw video to pedagogical insights: A unified framework for student behavior analysis. Proceedings of the AAAI Conference on Artificial Intelligence, 38(21), 23241–23249.

Zheng, Q., Chen, Z., Wang, M., Shi, Y., Chen, S., & Liu, Z. (2024). Automated multimode teaching behavior analysis: A pipeline-based event segmentation and description. IEEE Transactions on Learning Technologies, 17, 1717–1733.