Delphi
Technique
การกลั่นกรองความเห็นผู้เชี่ยวชาญหลายเสียง ให้ลู่เข้าสู่คำตอบเดียว ผ่านหลายรอบของการซักถาม
ตั้งชื่อตามสำนักพยากรณ์แห่งเดลฟี ที่ซึ่งหลายเสียงถูกกลั่นเป็นคำทำนายเดียว (ออกเสียง Del-fee ตามภาษากรีก หรือ Del-fye ตามอเมริกาเหนือ ใช้ได้ทั้งสองแบบ)
Delphi Technique คืออะไร
กระบวนการวิจัยเชิงระบบที่รวบรวมและกลั่นกรองความเห็นของกลุ่มผู้เชี่ยวชาญ ผ่านแบบสอบถามหลายรอบ สลับกับข้อมูลป้อนกลับที่ควบคุมไว้ เพื่อให้ความเห็นของกลุ่มลู่เข้าสู่ฉันทามติ โดยไม่ต้องเผชิญหน้ากัน
ออกแบบมาเพื่อให้ได้ฉันทามติทางความเห็นที่น่าเชื่อถือที่สุดจากกลุ่มผู้เชี่ยวชาญ โดยให้ตอบแบบสอบถามเชิงลึกหลายชุด สลับด้วยข้อมูลป้อนกลับที่ควบคุมไว้
Dalkey และ Helmer (1963)
กำเนิดที่ RAND Corporation
พัฒนาขึ้นภายใต้ชื่อโครงการ Project Delphi ช่วงปลายทศวรรษ 1940 ถึง 1950 เพื่อหาทางเลือกแทนการประชุมแบบเผชิญหน้า ในการรวบรวมความเห็นผู้เชี่ยวชาญด้านการทหาร
Delphi
Helmer
Turoff
รูปแบบการเติบโตเชิงเปรียบเทียบ วาดจากรูปที่ 1.1 ใน Jorm (2025) ซึ่งใช้ข้อมูลของ Khodyakov และคณะ (2023) เดิมใช้พยากรณ์อนาคตทางทหาร ปัจจุบันใช้สร้างฉันทามติในสาขาสุขภาพและการศึกษาเป็นหลัก
หลักการสำคัญ 4 ข้อ
สรุปตรงกันในงานทบทวนวิธีวิทยาหลัก เช่น Rowe และ Wright (1999) และ Hsu และ Sandford (2007) สามข้อแรกคือองค์ประกอบแกนที่ Jorm (2025) ใช้เป็นเกณฑ์เปรียบเทียบ Delphi กับวิธีสร้างฉันทามติอื่น
Anonymity
ผู้เชี่ยวชาญตอบโดยไม่ทราบว่าความเห็นแต่ละข้อเป็นของใคร ลดอิทธิพลจากสถานะทางสังคม
Iteration
ทำซ้ำหลายรอบ ผู้เชี่ยวชาญทบทวนและปรับความเห็นได้หลังเห็นภาพรวมของกลุ่ม
Controlled
Feedback
ทีมวิจัยสรุปผลจากรอบก่อนหน้าอย่างเป็นระบบ แล้วส่งกลับให้พิจารณาก่อนรอบถัดไป
Statistical
Group Response
ผลลัพธ์สุดท้ายคือทิศทางร่วมของกลุ่ม ไม่ใช่ความเห็นของคนใดคนหนึ่ง
Delphi ไม่ใช่วิธีเดียว แล้วต่างจากวิธีอื่นตรงไหน
เทียบด้วยองค์ประกอบแกน 3 อย่างของ Delphi ตามตารางที่ 2.1 ใน Jorm (2025)
| วิธีสร้างฉันทามติ | ไม่เปิดเผยตัวตน | หลายรอบ พร้อมข้อมูลป้อนกลับ | สรุปกลุ่มเชิงสถิติ | ข้อแตกต่างสำคัญจาก Delphi |
|---|---|---|---|---|
| Delphi | มี | มี | มี | ใช้แบบสอบถามออนไลน์แบบไม่พร้อมกัน รองรับรายการจำนวนมาก |
| Expert working groups คณะทำงานผู้เชี่ยวชาญ |
ไม่มี | อาจมี | ไม่มี | ตัดสินด้วยการอภิปรายในกลุ่ม เช่น แนวปฏิบัติทางคลินิก มาตรฐาน ISO |
| Consensus conferences การประชุมหาฉันทามติ |
ไม่มี | มี | ไม่มี | NIH ใช้จนถึงปี 2013 ออกแถลงการณ์มากกว่า 160 ฉบับ คณะกรรมการ 9 ถึง 16 คน |
| Nominal Group Technique เทคนิคกลุ่มระบุนาม |
มี | มี | มี | ต้องประชุมพร้อมกันแบบเผชิญหน้าหรือออนไลน์ เหมาะกับการตัดสินใจจำนวนน้อยกว่า |
| Surveys of experts การสำรวจผู้เชี่ยวชาญ |
มี | ไม่มี | มี | เหมือนรอบที่ 1 ของ Delphi แต่ไม่มีข้อมูลป้อนกลับและไม่มีรอบถัดไป |
| Prediction markets ตลาดพยากรณ์ |
มี | มี | มี | ใช้ได้เฉพาะการพยากรณ์ ไม่เหมาะกับการตกลงเรื่องค่านิยม การปฏิบัติ หรือนโยบาย |
| Bespoke methods วิธีเฉพาะกิจ |
อาจมี | อาจมี | อาจมี | ออกแบบเฉพาะองค์กร เช่น IPCC และ The Lancet Commissions |
ประเด็นที่ควรจำ NGT และ prediction markets มีองค์ประกอบแกนครบเหมือน Delphi ความต่างจึงอยู่ที่เงื่อนไขการใช้งาน ไม่ใช่ที่กลไก
ปัญหาที่ไม่มีใครพูดถึง แล้วรู้ได้อย่างไรว่าถูก
วิธีสร้างฉันทามติเกือบทั้งหมดไม่มี คำตอบที่ถูกต้องอย่างเป็นอิสระ ให้เอามาเทียบ จึงตรวจความตรงโดยตรงไม่ได้ RAND ยุคแรกพยายามแก้ด้วยการให้นักศึกษาตอบคำถามที่มีเฉลย (Dalkey, 1969; Dalkey และ Brown, 1971) แต่หลังจากนั้นแทบไม่มีงานวิจัยเรื่องความตรงของวิธีสร้างฉันทามติเลย
วัวของ Galton
ผู้เข้าชมงานปศุสัตว์ทายน้ำหนักวัว คำตอบกระจายตั้งแต่ 1,074 ถึง 1,293 ปอนด์ แต่ค่ามัธยฐาน 1,207 ปอนด์ ใกล้น้ำหนักจริง 1,198 ปอนด์มาก เพราะความคลาดเคลื่อนของแต่ละคนหักล้างกันเอง
ฟุตบอลโลก 2014
O'Leary เทียบการทายผลของฝูงชนออนไลน์กับผู้เชี่ยวชาญ 5 คน ฝูงชนทายถูก 45 จาก 64 นัด ขณะที่ผู้เชี่ยวชาญทายถูกอยู่ในช่วง 33 ถึง 40 นัด
ตรวจสอบข่าวเท็จ
Arechar และคณะพบว่าข้อมูลจากผู้ให้คะแนนเพียง 15 คน แยกพาดหัวข่าวจริงจากข่าวเท็จได้ถูกต้องเกินร้อยละ 90 เทียบกับเว็บไซต์ตรวจสอบข้อเท็จจริงมืออาชีพ
เงื่อนไข 4 ข้อ ที่ทำให้คำตัดสินของกลุ่มมีคุณภาพ
Jorm (2025, บทที่ 3) สังเคราะห์จากงานวิจัย wisdom of crowds ใช้ได้ทั้งตอนออกแบบและตอนประเมินงานของผู้อื่น
คัดเลือกตามความเชี่ยวชาญ
ต้องเป็นผู้เชี่ยวชาญระดับแนวหน้าจริง ไม่ใช่กลุ่มกว้างที่รู้บ้าง
Mannes และคณะ (2014) วิเคราะห์ 90 ชุดข้อมูล พบว่ากลุ่มคัดเฉพาะ 5 อันดับแรก ชนะทั้งฝูงใหญ่และผู้เชี่ยวชาญเดี่ยวที่เก่งที่สุด ในการพยากรณ์เศรษฐกิจชนะ 34 ครั้ง เทียบกับฝูงทั้งหมด 15 ครั้ง และเดี่ยวเพียง 1 ครั้งความหลากหลายเชิงการคิด
ต่างกันที่ความรู้ วิธีคิด ระเบียบวิธี และค่านิยม ไม่ใช่แค่ต่างกันที่เพศ อายุ หรือชาติพันธุ์
Shi และคณะ (2019) พบว่ากลุ่มบรรณาธิการ Wikipedia ที่หลากหลายทางอุดมการณ์เพิ่มโอกาสได้บทความคุณภาพสูงกว่า 18 เท่าในหัวข้อการเมือง ส่วน De Oliveira และ Nisbett (2018) พบว่าความหลากหลายเชิงประชากรอย่างเดียวแทบไม่ช่วยความเป็นอิสระของการตัดสิน
ถ้าไม่อิสระ ความคลาดเคลื่อนจะเอียงไปทางเดียวกันจนกลายเป็นอคติเชิงระบบ
ศัตรูสามตัวคือ groupthink (Janis, 1972), herding และการครอบงำโดยผู้มีอำนาจ Muchnik และคณะ (2013) พบว่าการใส่คะแนนบวกเพียงครั้งแรกครั้งเดียว ดันคะแนนบวกสุดท้ายขึ้นถึงร้อยละ 25 การตอบแบบไม่เปิดเผยตัวตนช่วยลดทั้งสามอย่างนี้โอกาสในการแลกเปลี่ยน
การแลกเปลี่ยนช่วยได้ แต่ต้องมาหลังการตัดสินอิสระเสมอ
Becker และคณะ (2017) พบว่าข้อมูลป้อนกลับแบบกระจายอำนาจช่วยเพิ่มความแม่นยำ แต่แบบรวมศูนย์กลับทำให้แย่ลงเมื่อคนที่มีอิทธิพลตัดสินผิด และ Navajas และคณะ (2018) ทดลองกับผู้เข้าร่วมกว่า 5,000 คน พบว่าคำตอบรายบุคคลหลังการอภิปรายแม่นกว่าก่อนอภิปรายไม่มีวิธีใดผ่านครบทั้งสี่ แต่ Delphi เข้าใกล้ที่สุด
| วิธีสร้างฉันทามติ | 1 ผู้เชี่ยวชาญระดับแนวหน้า | 2 หลากหลายเชิงการคิด | 3 ตัดสินอย่างอิสระ | 4 มีโอกาสแลกเปลี่ยน |
|---|---|---|---|---|
| Delphi | ขึ้นกับการออกแบบ | ขึ้นกับการออกแบบ | เข้าเกณฑ์ | เข้าเกณฑ์ |
| Nominal Group Technique | ขึ้นกับการออกแบบ | ขึ้นกับการออกแบบ | เข้าเกณฑ์ | เข้าเกณฑ์ |
| Surveys of experts | ขึ้นกับการออกแบบ | ขึ้นกับการออกแบบ | เข้าเกณฑ์ | ไม่เข้าเกณฑ์ |
| Consensus conferences | ขึ้นกับการออกแบบ | ขึ้นกับการออกแบบ | ไม่เข้าเกณฑ์ | เข้าเกณฑ์ |
| Expert working groups | ขึ้นกับการออกแบบ | ขึ้นกับการออกแบบ | ไม่เข้าเกณฑ์ | เข้าเกณฑ์ |
- Graefe และ Armstrong (2011) ทดลองกับนักศึกษา 227 คน เทียบ Delphi, NGT, prediction markets และการประชุมเผชิญหน้า ในการประมาณคำตอบข้อเท็จจริง 10 ข้อ
- โดยรวมกลุ่ม Delphi ทำได้ดีที่สุด แต่ความต่างไม่มีนัยสำคัญทางสถิติ เมื่อดูรายข้อ Delphi ดีกว่าการประชุมเผชิญหน้าใน 2 จาก 10 ข้อ และไม่ต่างกันในอีก 8 ข้อ
- นี่คืองานเปรียบเทียบตรง ๆ ชิ้นเดียวที่มี จึงยังสรุปกว้างไม่ได้
- ข้อ 3 และ 4 ได้มาฟรีจากตัวกลไก Delphi แต่ข้อ 1 และ 2 ไม่ได้มาเอง ต้องออกแบบการคัดเลือก panel ให้ได้มาโดยตั้งใจ
- panel ที่คัดจากสาขาเดียว มุมมองเดียว หรือสถาบันเดียว จะเข้าข่าย "ฝูงชนที่เป็นสำเนาของกันเอง" ซึ่งไม่ดีไปกว่าคนเดียวตัดสิน
- การใส่จำนวนคนให้มากขึ้นไม่ได้ชดเชยการขาดความหลากหลายเชิงการคิด
ตั้งวัตถุประสงค์ ให้ถูกกรอบ
Jorm (2025) จำแนกการใช้ Delphi เพื่อสร้างฉันทามติไว้ 7 ประเภท การระบุให้ชัดตั้งแต่ต้นว่างานของเราอยู่ประเภทใด จะกำหนดทั้งการเลือก panel มาตรวัด และเกณฑ์ฉันทามติ
ชิปที่เน้นไว้คือประเภทที่กรณีศึกษา Chiu (2026) และงานพัฒนาหลักสูตรหรือวิธีสอนในสายเราใช้บ่อยที่สุด
- ระบุว่าเป้าหมายคือฉันทามติ
- ระบุประเด็นที่ต้องการฉันทามติให้เฉพาะเจาะจง
- ระบุว่าใครคือผู้เชี่ยวชาญที่จะเข้าร่วม
- ระบุว่าใช้ Delphi เป็นวิธี
องค์ประกอบการออกแบบ
5 การตัดสินใจหลักก่อนเริ่มเก็บข้อมูล (Okoli และ Pawlowski, 2004) พร้อมตัวเลขอ้างอิงล่าสุดจาก Jorm (2025, บทที่ 4)
- การคัดเลือกผู้เชี่ยวชาญ เป็นการเลือกแบบเจาะจง (purposive หรือ expert sampling) ไม่ใช่การสุ่มให้เป็นตัวแทนประชากร ตัวบ่งชี้ความเชี่ยวชาญที่ใช้กันบ่อยคือ คุณวุฒิและประสบการณ์ทำงาน สมาชิกภาพในองค์กรวิชาชีพ ผลงานตีพิมพ์ที่ผ่านการทบทวนโดยผู้รู้เสมอกัน การได้รับเชิญเข้าร่วมประชุมวิชาการเฉพาะทาง และการได้รับการเสนอชื่อจากผู้เชี่ยวชาญคนอื่น
- ขนาด panel งานทบทวนพบช่วงกว้างมากตั้งแต่ 3 ถึง 731 คน การทบทวนล่าสุดพบมัธยฐาน 31 คนในรอบแรก และเหลือ 26 คนในรอบสุดท้าย (Schifano และ Niederberger, 2025) หลักฐานที่หนักแน่นที่สุดคือ Manyara และคณะ (2024) ซึ่งใช้การสุ่มตัวอย่างซ้ำจากงานจริง 3 เรื่อง พบว่า panel หลายกลุ่มผู้มีส่วนได้ส่วนเสียต้องการ 60 ถึง 80 คน จึงจะได้ผลที่ทำซ้ำได้ ส่วน panel กลุ่มเดียวต้องการ 20 ถึง 30 คน
- จำนวนรอบ Diamond และคณะ (2014) พบว่า ร้อยละ 90 ใช้เพียง 2 หรือ 3 รอบ และร้อยละ 71 กำหนดจำนวนรอบไว้ล่วงหน้า ส่วนที่เหลือเดินต่อจนถึงเกณฑ์ฉันทามติหรือจนความเห็นคงตัว เพื่อลดความสับสน Khodyakov และคณะ (2023) เสนอให้เรียกรอบสร้างรายการว่า Round 0 และเรียกรอบแรกที่ส่งแบบสอบถามจริงว่า Round 1
- เกณฑ์ฉันทามติ ต้องกำหนดไว้ล่วงหน้าเสมอ เกณฑ์ที่พบบ่อยที่สุดคือร้อยละของผู้เห็นด้วย โดยงานทบทวนต่างฉบับรายงานค่าที่ใช้บ่อยไว้ที่ร้อยละ 70, 75 และ 80 (มัธยฐานอยู่ที่ร้อยละ 75) การใช้ค่ากลาง เช่น มัธยฐาน หรือค่าการกระจาย เช่น พิสัยควอไทล์ ก็ใช้ได้แต่พบน้อยกว่า
- การวิเคราะห์ข้อมูล เชิงปริมาณ เชิงคุณภาพ หรือผสมทั้งสองแบบ ซึ่งเป็นจุดที่ทำให้ Delphi มีธรรมชาติแบบผสมผสานวิธีอยู่ในตัวเอง
Panel Stacking และฉันทามติที่ถูกผลิตขึ้น
เมื่อการคัดเลือกผู้เชี่ยวชาญเอนเอียงไปตามจุดยืนหรือ ผลประโยชน์ที่ต้องการล่วงหน้า ผลที่ได้คือ manufactured consensus คือภาพของฉันทามติในที่ที่ไม่มีฉันทามติจริง ซึ่งเป็นการละเมิดเงื่อนไขข้อ 2 เรื่องความหลากหลายเชิงการคิดโดยตรง
Panel Stacking
Kepp และคณะ (2024) นิยามว่าเกิดขึ้นเมื่อบุคคลแกนหลัก เช่น ประธาน หรือคณะทำงานแกน เสนอชื่อผู้ร่วม panel ที่มีจุดยืนหรือความผูกพันตรงกับตนโดยไม่อิงหลักฐาน และจะยิ่งรุนแรงเมื่อคนกลุ่มเดียวกันนี้เป็นผู้เลือกทั้งหัวข้อและถ้อยคำของคำถามด้วย
อุตสาหกรรมยา
Healy (2006) เตือนถึงการตั้ง Delphi panel ให้ประเมินการแปลผลจากการทดลองทางคลินิกไปสู่การปฏิบัติจริง แล้วให้นักเศรษฐศาสตร์ของบริษัทคิดต้นทุน ผลลัพธ์ที่ออกมาแทบทุกครั้งคือ ยาใหม่ที่ราคาสูงกว่าเดิม 10 ถึง 80 เท่า จะทำให้ระบบประหยัดขึ้น
Delphi โควิด-19
Lazarus และคณะ (2022) ทำ Delphi เรื่องการยุติภัยคุกคามของโควิด-19 ต่อสาธารณสุข มีผู้เชี่ยวชาญ 386 คนจาก 112 ประเทศ ได้ฉันทามติ 57 ข้อเสนอ แต่การคัดเลือกใช้วิธีลูกโซ่โดยเริ่มจากประธานร่วม 4 คนเลือกผู้เชี่ยวชาญ 40 คนแรก จึงถูก Kepp และคณะตั้งข้อสังเกตว่าอาจเข้าข่าย panel stacking
ประเภทของ Delphi Technique
| รูปแบบ | จุดเด่น | อ้างอิงต้นทาง |
|---|---|---|
| Classical | มุ่งสร้างฉันทามติแบบดั้งเดิม เริ่มด้วยคำถามปลายเปิดในรอบแรก | Dalkey และ Helmer (1963) |
| Modified | เริ่มด้วยรายการปิดที่ทีมวิจัยร่างไว้ก่อน แทนคำถามปลายเปิดในรอบแรก ประหยัดเวลาแต่เสี่ยง anchoring | ใช้แพร่หลายในงานสุขภาพและการศึกษา |
| Policy Delphi | ไม่มุ่งฉันทามติ แต่เปิดเผยมุมมองขัดแย้งอย่างมีโครงสร้าง | Turoff (1970) |
| Fuzzy Delphi | ใช้ทฤษฎีเซตคลุมเครือ จัดการความคลุมเครือของภาษา ลดจำนวนรอบ | Murray และคณะ (1985); Ishikawa และคณะ (1993) |
| Real-time หรือ e-Delphi | ใช้คอมพิวเตอร์แสดงผลรวมแบบเกือบทันที ตัดขั้นตอนรอบที่แยกกัน | Gordon และ Pease (2006) |
| RAND/UCLA Appropriateness Method |
รอบ 1 ให้คะแนนอิสระ รอบ 2 ประชุมอภิปรายจุดที่เห็นต่างโดยมีผู้ดำเนินการ แล้วให้คะแนนใหม่อย่างอิสระ ใช้ตัดสินความเหมาะสมของการรักษาเมื่อหลักฐานจากการทดลองไม่พอ | Fitch และคณะ (2001); Charles และคณะ (2022) |
จุดแข็ง และ ข้อจำกัด
- เหมาะกับประเด็นที่ยังไม่มีข้อมูลเชิงประจักษ์เพียงพอ ต้องอาศัยดุลยพินิจผู้เชี่ยวชาญ
- เข้าเงื่อนไขข้อ 3 ความเป็นอิสระของการตัดสิน ในตัวกลไกเอง ลดทั้ง groupthink, herding และการครอบงำโดยผู้มีอำนาจ
- เข้าเงื่อนไขข้อ 4 โอกาสแลกเปลี่ยน ผ่านข้อมูลป้อนกลับที่ควบคุมไว้ ซึ่งเป็นการแลกเปลี่ยนแบบกระจายอำนาจ ไม่ใช่รวมศูนย์
- ผู้เชี่ยวชาญที่กระจายภูมิศาสตร์เข้าร่วมได้โดยไม่ต้องประชุมพร้อมกัน และรองรับรายการจำนวนมากได้ดีกว่าการประชุม
- ใช้เวลานาน เพราะต้องรอครบทุกรอบ และเสี่ยงถอนตัวระหว่างรอบ (attrition) ยิ่งรอบมากยิ่งเสี่ยง
- ไม่การันตีเงื่อนไขข้อ 1 และ 2 คุณภาพขึ้นกับการคัดเลือก panel ทั้งหมด เสี่ยง panel stacking
- รายการเริ่มต้นที่ทีมวิจัยร่างเอง เสี่ยงชี้นำทิศทางความเห็น (anchoring effect)
- ฉันทามติที่ได้ยังเป็นความเห็นผู้เชี่ยวชาญ ไม่ใช่ข้อมูลเชิงประจักษ์จากการปฏิบัติจริง จึงมักต้องมีระยะทดลองใช้ต่อจากนั้น
- ข้อมูลป้อนกลับเชิงคุณภาพจาก panel ขนาดใหญ่มาก อาจสร้างภาระทางปัญญาจนผู้เข้าร่วมถอนตัว แม้ Belton และคณะ (2021) จะยังไม่พบผลนี้ในกลุ่มขนาด 7 ถึง 19 คน
ตำแหน่งในงานผสมผสานวิธี
Delphi มีธรรมชาติแบบผสมผสานวิธีอยู่ในตัวเอง ซึ่งเชื่อมตรงกับแกนของวิชา 472 512
รอบต้น
เก็บข้อมูลเชิงคุณภาพ คำถามปลายเปิด เหตุผลประกอบความเห็น เพื่อสร้างรายการเริ่มต้น
รอบกลางถึงรอบท้าย
แปลงเป็นเชิงปริมาณ มาตรวัดระดับความเห็นด้วย ร้อยละฉันทามติ ตัดสินว่าผ่านเกณฑ์หรือไม่
รายงานผล
รายงานทั้งเชิงตัวเลข เช่น ร้อยละฉันทามติ และเชิงเนื้อหา คือคำอธิบายจากการสังเคราะห์เชิงคุณภาพ
Human-Centric AI Pedagogy (HCAP)
Chiu, T. K. F. (2026). Interactive Learning Environments. งานที่ใช้ Delphi 3 รอบ operationalize กรอบแนวคิด HCAP ให้เป็นความรู้และทักษะที่จับต้องได้
- บริบท ขยายกรอบ TPACK เดิม (Mishra และ Koehler, 2006) ให้ครอบคลุมความรู้ด้านปัญญาประดิษฐ์ แต่กรอบเดิมยังเป็นโครงสร้างระดับสูง ยังไม่ระบุความรู้ที่จับต้องได้
- คำถามวิจัย ครูต้องมีความรู้และทักษะอะไรบ้าง ในแต่ละองค์ประกอบทั้ง 5 ของ HCAP
- เหตุผลเลือก Delphi องค์ความรู้เรื่องการสอนด้วยปัญญาประดิษฐ์ยังอยู่ในช่วงเริ่มต้น ยังไม่มีฉันทามติ ต้องอาศัยการกลั่นกรองความเห็นผู้เชี่ยวชาญให้ลู่เข้าหากัน
- จัดอยู่ในประเภทใด ตามการจำแนก 7 ประเภทของ Jorm (2025) งานนี้อยู่ในกลุ่ม นิยามมโนทัศน์พื้นฐาน ผสมกับ ปรับปรุงการปฏิบัติวิชาชีพ
การออกแบบ Panel ผู้เชี่ยวชาญ
สาขาที่เข้าร่วมคือ อังกฤษ จีน คณิตศาสตร์ วิทยาศาสตร์ มนุษยศาสตร์และศิลปะ และเทคโนโลยี ผู้เขียนเลือก 30 คนเพื่อลดความเสี่ยงจากการถอนตัวระหว่างรอบ โดยอ้าง Jorm (2015) ว่ายังไม่มีเกณฑ์ขนาด panel มาตรฐานสากล
- การกระจายตามกลุ่มสาขาวิชา 6 กลุ่ม คือความพยายามสร้างความหลากหลายเชิงการคิดตรงตามเงื่อนไขข้อ 2 ไม่ใช่แค่ความหลากหลายเชิงประชากร
- ขนาด 30 คนอยู่ในช่วง 20 ถึง 30 คนที่ Manyara และคณะ (2024) พบว่าเพียงพอสำหรับ panel กลุ่มผู้มีส่วนได้ส่วนเสียกลุ่มเดียว ซึ่งกรณีนี้คือครูล้วน
- เกณฑ์คัดเลือกที่รายงานไว้มีเพียงประสบการณ์ขั้นต่ำ 1 ปี ไม่ได้ระบุตัวบ่งชี้ความเชี่ยวชาญอื่น เช่น ผลงาน การได้รับเสนอชื่อ จึงยังไม่ชัดว่าเข้าเงื่อนไขข้อ 1 เรื่องผู้เชี่ยวชาญระดับแนวหน้าเพียงใด
- เป็นครูฮ่องกงทั้งหมด ทำให้ความหลากหลายเชิงระบบการศึกษาและวัฒนธรรมต่ำ
กระบวนการ 3 รอบ
รายการความรู้เริ่มต้น 20 รายการ ร่างโดยทีมวิจัย 3 คน จึงจัดเป็น Modified Delphi ในศัพท์ของ Khodyakov และคณะ (2023) ขั้นนี้คือ Round 0 ไม่ควรนับเป็นรอบที่ 1
รายการที่ถูกปรับแก้อย่างมีนัยสำคัญในแต่ละรอบจะถูกนับเป็นรายการใหม่ ไม่ใช่การนับต่อรายการเดิม การส่งเฉพาะรายการที่ยังไม่ผ่านเกณฑ์กลับไปให้ให้คะแนนใหม่ เป็นแนวปฏิบัติที่ Jorm (2025) แนะนำ เพราะการเปลี่ยนคะแนนหลังได้รับข้อมูลป้อนกลับมักมีขนาดเล็ก การให้ประเมินใหม่ทุกรายการจึงเป็นภาระเกินจำเป็น
เกณฑ์ฉันทามติ ร้อยละ 75
Chiu อ้างงานทบทวนของ Diamond และคณะ (2014) ซึ่งเมื่อกลับไปดูตัวเลขจริง พบว่าจากงาน Delphi 100 เรื่องที่ทบทวน มี 98 เรื่องที่ประกาศว่ามุ่งหาฉันทามติ แต่มีเพียง 72 เรื่องที่ให้นิยามของฉันทามติ และเพียง 64 เรื่องที่กำหนดไว้ล่วงหน้า
ผลลัพธ์ 25 รายการความรู้
กระจายอยู่ใน 5 องค์ประกอบของกรอบแนวคิด HCAP
5
Technological Knowledge
4
Content Knowledge
5
Pedagogical Knowledge
5
Human-AI Collaboration
6
Ethical Knowledge
แต่ละรายการมีคำอธิบายกำกับไว้ชัดเจน ดูตารางที่ 2 ในบทความต้นฉบับ Ethics-K มีจำนวนมากที่สุด สอดคล้องกับที่ผู้เขียนวางตำแหน่งให้เป็นองค์ประกอบที่แทรกซึมทุกองค์ประกอบอื่น
ผลลัพธ์ฉบับเต็ม 3 องค์ประกอบเดิม
แปลงจาก Technological, Content และ Pedagogical Knowledge เดิมของ TPACK ให้เป็นเวอร์ชัน Intelligent-augmented รวม 14 รายการ
Technological Knowledge
- Prompt engineering
- Limitation awareness
- System auditing
- Data fundamentals
- Tool integration
Content Knowledge
- Source triangulation
- Bias detection
- Contextualization
- Disciplinary methodological critique
Pedagogical Knowledge
- Reflective practice
- Assessment redesign
- Scaffolded co-agency design
- Personalization
- Ethical integration
ผลลัพธ์ฉบับเต็ม 2 องค์ประกอบใหม่
ไม่มีอยู่ในกรอบ TPACK ดั้งเดิม เพิ่มขึ้นเพื่อรองรับการทำงานร่วมกับปัญญาประดิษฐ์และมิติจริยธรรมโดยเฉพาะ รวม 11 รายการ
Human-AI Collaboration Knowledge
- Dynamic role allocation
- Interaction flow designer
- Critical dialogue
- Critical interdependence
- Group dynamics collaboration
Ethical Knowledge
- Equity auditing
- Data privacy
- Usage protocols
- Societal impact
- Well-being advocacy
- Inclusive design
Ethics-K มีจำนวนรายการมากที่สุดในทั้ง 5 องค์ประกอบ สอดคล้องกับที่ผู้เขียนวางตำแหน่งให้แทรกซึมทุกองค์ประกอบอื่น
ข้อจำกัดที่ผู้เขียนยอมรับเอง
บริบทเดียว
Panel เป็นครูฮ่องกงทั้งหมด จำกัดการสรุปอ้างอิงข้ามบริบทวัฒนธรรมและระบบการศึกษาอื่น
ยังไม่ทดสอบจริง
ฉันทามติมาจากความเห็นและข้อมูลรายงานตนเอง ยังไม่ผ่านการทดสอบว่านำไปสู่การสอนที่มีประสิทธิภาพจริง
Anchoring Effect
รายการเริ่มต้นร่างโดยนักวิจัยไม่กี่คน อาจชี้นำความคิดของ panel ตั้งแต่ต้น
ไม่แยกตามบริบทย่อย
ยังไม่ครอบคลุมความแตกต่างตามรายวิชา ระดับชั้น หรือเครื่องมือปัญญาประดิษฐ์เฉพาะทาง
ข้อ 2 คือข้อจำกัดเชิงโครงสร้างของ Delphi ทุกเรื่อง ไม่ใช่ของงานนี้เรื่องเดียว ซึ่งเป็นเหตุผลว่าทำไมงานวิจัยและพัฒนาจึงต้องมีระยะทดลองใช้ต่อจากระยะสร้างฉันทามติเสมอ
จุดที่ควรวิพากษ์เพิ่มเติม
บทความอ้างว่า 3 รอบเพียงพอโดยทั่วไป และอ้างอิงสองแหล่งรองรับ
- Ahmadi และคณะ (2023) เรื่องจริงคือ การจำแนกพฤติกรรมเชิงแรงจูงใจของครูตามทฤษฎีการกำหนดตนเอง
- Teixeira และคณะ (2020) เรื่องจริงคือ เทคนิคปรับพฤติกรรมเชิงแรงจูงใจในบริบทสุขภาพ
- ทั้งสองงานไม่ใช่งานวิธีวิทยาที่ศึกษาจำนวนรอบ Delphi โดยตรง
- ข้ออ้างนี้ถูกต้องในเชิงข้อเท็จจริง เพราะ Diamond และคณะ (2014) พบว่าร้อยละ 90 ของงาน Delphi ใช้ 2 หรือ 3 รอบ ปัญหาจึงอยู่ที่การเลือกแหล่งอ้างอิงผิด ไม่ใช่ที่ข้อความ
- ควรอ้าง Diamond และคณะ (2014) หรืองานทบทวนวิธีวิทยาอื่นแทน
- บทเรียนคือ อย่ายอมรับการอ้างอิงตามที่ปรากฏโดยไม่ตรวจสอบ แม้ข้อความหลักจะถูกก็ตาม
มาตรฐานการรายงานผล ขยับไปแล้ว
งานทบทวนหลายฉบับพบว่างาน Delphi จำนวนมากรายงานรายละเอียดไม่พอให้ประเมินระเบียบวิธีได้ Spranger และคณะ (2022) รวบรวมแนวทางการรายงานได้ถึง 10 ฉบับ สามฉบับใช้กันน้อยมาก ตารางนี้คือฉบับที่ควรรู้จัก
| แนวทาง | ปี | ขอบเขต | วิธีพัฒนา | จำนวนรายการ |
|---|---|---|---|---|
| Hasson และคณะ | 2000 | งาน Delphi ทั่วไป | อาศัยความเชี่ยวชาญของผู้เขียนสามคน | 17 |
| Diamond และคณะ | 2014 | การรายงานฉันทามติในงาน Delphi | ทบทวนอย่างเป็นระบบจากงาน Delphi 100 เรื่อง | 6 |
| CREDES Jünger และคณะ |
2017 | งาน Delphi ในสาขาการดูแลแบบประคับประคอง | ทบทวนอย่างเป็นระบบจากงาน Delphi 30 เรื่อง | 16 |
| ACCORD Gattrell และคณะ |
2024 | งานสร้างฉันทามติในสาขาชีวเวชศาสตร์ | ทบทวนอย่างเป็นระบบ แล้วใช้ Delphi กับผู้เชี่ยวชาญ 58 คน ลดจาก 56 เหลือ 35 รายการ | 35 |
| DELPHISTAR Niederberger และคณะ |
2024 | งาน Delphi ในสังคมศาสตร์และวิทยาศาสตร์สุขภาพ | ทบทวนอย่างเป็นระบบ แล้วใช้ Delphi กับผู้เชี่ยวชาญ 69 คน ลดจาก 65 เหลือ 38 รายการ อยู่ในทะเบียน EQUATOR Network | 38 |
จำลองรอบ Delphi แบบย่อ
หมายเหตุ นี่คือการจำลองด้วย AI เพื่อการสอน ไม่ใช่ความเห็นจากผู้เชี่ยวชาญจริง และไม่เข้าเงื่อนไขข้อ 1 กับข้อ 2 ของฝูงชนที่ฉลาด เพราะผู้เชี่ยวชาญสมมติทั้งสามมาจากแบบจำลองเดียวกัน จึงไม่เป็นอิสระต่อกันจริง
แก้ไขประเด็นด้านซ้ายแล้วกดปุ่มเพื่อเริ่ม ถ้ายังไม่ได้ตั้งค่า API Key ให้กดปุ่มรูปเฟือง
ประเด็นชวนอภิปราย
Classical Delphi กับ Modified Delphi เหมาะกับงานพัฒนาหลักสูตรหรือวิธีสอนของแต่ละคนแบบไหนมากกว่ากัน และแลกกับความเสี่ยง anchoring คุ้มหรือไม่
งานระดับดุษฎีนิพนธ์มักใช้ผู้ทรงคุณวุฒิ 5 ถึง 9 คน ซึ่งต่ำกว่าเกณฑ์ 20 ถึง 30 คนที่ Manyara และคณะ (2024) เสนอมาก เราจะอธิบายเรื่องนี้ต่อกรรมการอย่างไร
ในบริบทไทย ผู้ทรงคุณวุฒิที่เรารู้จักและติดต่อได้ มักมาจากเครือข่ายเดียวกัน จะออกแบบอย่างไรให้ได้ความหลากหลายเชิงการคิดโดยไม่กลายเป็น panel stacking
เกณฑ์ฉันทามติร้อยละ 75 เหมาะสมหรือไม่กับ panel ขนาดเล็ก และถ้าเปลี่ยนเกณฑ์แล้วผลพลิก เราควรรายงานอย่างไรให้โปร่งใสตาม Grant และคณะ (2018)
การอ้างอิงที่ไม่ตรงประเด็นในกรณีศึกษา สะท้อนอะไรเกี่ยวกับการตรวจสอบแหล่งก่อนเชื่อและก่อนอ้างต่อ
ถ้าเราวางแผนการนำผลไปใช้ตั้งแต่ต้นตามบทที่ 5 ของ Jorm (2025) ควรดึงใครเข้ามาเป็นผู้ทรงคุณวุฒิเพิ่ม เพื่อให้ผลถูกนำไปใช้จริงในโรงเรียน
Quick Reference
- นิยาม สร้างฉันทามติจากผู้เชี่ยวชาญผ่านแบบสอบถามหลายรอบ ไม่เผชิญหน้ากัน มีข้อมูลป้อนกลับควบคุมไว้
- กำเนิด RAND Corporation ทศวรรษ 1950 ถึง 1960 (Dalkey และ Helmer, 1963; Linstone และ Turoff, 1975)
- องค์ประกอบแกน 3 อย่าง ไม่เปิดเผยตัวตน หลายรอบพร้อมข้อมูลป้อนกลับ และสรุปกลุ่มเชิงสถิติ ใช้เป็นเกณฑ์เทียบกับวิธีอื่นได้ทันที
- เงื่อนไขความตรง 4 ข้อ ผู้เชี่ยวชาญระดับแนวหน้า ความหลากหลายเชิงการคิด ความเป็นอิสระของการตัดสิน และโอกาสแลกเปลี่ยน Delphi ได้ข้อ 3 กับ 4 จากตัวกลไก แต่ข้อ 1 กับ 2 ต้องออกแบบเอง
- ตัวแปรสำคัญ Classical, Modified, Policy (Turoff, 1970), Fuzzy (Murray และคณะ, 1985), Real-time (Gordon และ Pease, 2006), RAND/UCLA Appropriateness Method
- ขนาด panel มัธยฐาน 31 คนในรอบแรก เกณฑ์ที่ทำซ้ำได้คือ 60 ถึง 80 คนสำหรับหลายกลุ่ม และ 20 ถึง 30 คนสำหรับกลุ่มเดียว (Manyara และคณะ, 2024)
- จำนวนรอบ ร้อยละ 90 ใช้ 2 หรือ 3 รอบ เรียกรอบสร้างรายการว่า Round 0
- เกณฑ์ฉันทามติ ต้องกำหนดล่วงหน้า ค่าที่พบบ่อยคือร้อยละ 70, 75 และ 80 การนิยามภายหลังทำให้ผลแกว่งได้ตั้งแต่ร้อยละ 0 ถึง 84 (Grant และคณะ, 2018)
- กับดักสำคัญ panel stacking ที่นำไปสู่ฉันทามติที่ถูกผลิตขึ้น (Kepp และคณะ, 2024)
- มาตรฐานการรายงาน CREDES (2017) ถูก ACCORD (35 รายการ) และ DELPHISTAR (38 รายการ) ทั้งคู่ปี 2024 เข้ามาแทนที่ และประเมินคุณภาพด้วย DCAT
- ตำแหน่งในผสมผสานวิธี มักเป็น exploratory sequential design ตรงกับระยะ R1 และ D1 ของงานวิจัยและพัฒนา
- ข้อเตือนสุดท้าย การตีพิมพ์งาน Delphi ไม่ทำให้อะไรเปลี่ยนโดยตัวมันเอง ต้องวางแผนการนำไปใช้ตั้งแต่ออกแบบ (Jorm, 2025, บทที่ 5)
รายการอ้างอิง A ถึง J
Chiu, T. K. F. (2026). Human-centric artificial intelligence pedagogy (HCAP) framework developed from TPACK through integration of artificial intelligence literacy and competency. Interactive Learning Environments.
Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458–467.
Diamond, I. R., et al. (2014). Defining consensus: A systematic review recommends methodologic criteria for reporting of Delphi studies. Journal of Clinical Epidemiology, 67(4), 401–409.
Fitch, K., et al. (2001). The RAND/UCLA appropriateness method user's manual. RAND Corporation.
Galton, F. (1907). Vox populi. Nature, 75, 450–451.
Gattrell, W. T., et al. (2024). ACCORD (ACcurate COnsensus Reporting Document): A reporting guideline for consensus methods in biomedicine. PLOS Medicine, 21(1), e1004326.
Gordon, T., & Pease, A. (2006). RT Delphi: An efficient, "round-less" almost real time Delphi method. Technological Forecasting and Social Change, 73(4), 321–333.
Graefe, A., & Armstrong, J. S. (2011). Comparing face-to-face meetings, nominal groups, Delphi and prediction markets on an estimation task. International Journal of Forecasting, 27(1), 183–195.
Grant, S., et al. (2018). Transparent, defensible and consistent: Reporting consensus in Delphi studies. Journal of Clinical Epidemiology.
Hasson, F., Keeney, S., & McKenna, H. (2000). Research guidelines for the Delphi survey technique. Journal of Advanced Nursing, 32(4), 1008–1015.
Healy, D. (2006). Manufacturing consensus. Culture, Medicine and Psychiatry, 30(2), 135–156.
Hsu, C.-C., & Sandford, B. A. (2007). The Delphi technique: Making sense of consensus. Practical Assessment, Research, and Evaluation, 12(10), 1–8.
Janis, I. L. (1972). Victims of groupthink. Houghton Mifflin.
Jorm, A. F. (2015). Using the Delphi expert consensus method in mental health research. The Australian and New Zealand Journal of Psychiatry, 49(10), 887–897.
Jorm, A. (2025). Using the Delphi method to establish expert consensus: A practical guide. Palgrave Macmillan. https://doi.org/10.1007/978-981-96-8357-4
Jünger, S., et al. (2017). Guidance on Conducting and REporting DElphi Studies (CREDES) in palliative care. Palliative Medicine, 31(8), 684–706.
รายการอ้างอิง K ถึง Z
Kepp, K. P., et al. (2024). Panel stacking is a threat to consensus statement validity. Journal of Clinical Epidemiology.
Khodyakov, D., et al. (2023). Delphi Critical Appraisal Tool (DCAT). RAND Corporation.
Lazarus, J. V., et al. (2022). A multinational Delphi consensus to end the COVID-19 public health threat. Nature, 611, 332–345.
Linstone, H. A., & Turoff, M. (Eds.). (1975). The Delphi method: Techniques and applications. Addison-Wesley.
Mannes, A. E., Soll, J. B., & Larrick, R. P. (2014). The wisdom of select crowds. Journal of Personality and Social Psychology, 107(2), 276–299.
Manyara, A. M., et al. (2024). Sample size in Delphi studies: A resampling study. (อ้างถึงใน Jorm, 2025).
Murray, T. J., Pipino, L. L., & van Gigch, J. P. (1985). A pilot study of fuzzy set modification of Delphi. Human Systems Management, 5(1), 76–80.
Niederberger, M., et al. (2024). Delphi studies in social and health sciences: Recommendations for an interdisciplinary standardized reporting (DELPHISTAR). (EQUATOR Network).
Okoli, C., & Pawlowski, S. D. (2004). The Delphi method as a research tool. Information & Management, 42(1), 15–29.
Rowe, G., & Wright, G. (1999). The Delphi technique as a forecasting tool. International Journal of Forecasting, 15(4), 353–375.
Schifano, J., & Niederberger, M. (2025). Delphi studies in the health sciences: A methodological review. (อ้างถึงใน Jorm, 2025).
Shi, F., et al. (2019). The wisdom of polarized crowds. Nature Human Behaviour, 3, 329–336.
Spranger, J., et al. (2022). Reporting guidelines for Delphi techniques in health sciences: A methodological review. Zeitschrift für Evidenz, Fortbildung und Qualität im Gesundheitswesen.
Surowiecki, J. (2004). The wisdom of crowds. Doubleday.
Turoff, M. (1970). The design of a policy Delphi. Technological Forecasting and Social Change, 2(2), 149–171.
รายการที่ระบุว่าอ้างถึงใน Jorm (2025) คืองานที่ยังไม่ได้ตรวจสอบต้นฉบับโดยตรง ต้องยืนยันรายละเอียดการตีพิมพ์ก่อนนำไปใส่ในรายการอ้างอิงของงานที่จะส่งจริง
นิยามฉันทามติ เลือกอย่างไรให้ป้องกันตัวได้
ร้อยละของผู้เห็นด้วย
เหมาะกับมาตรวัดสองทางเลือก เช่น เห็นด้วยหรือไม่เห็นด้วย หรือการนับเฉพาะคะแนนที่สูงกว่าจุดตัดบนมาตรลิเคิร์ต เช่น 6 ถึง 7 จาก 7 ระดับ เป็นแบบที่พบบ่อยที่สุด
ค่ากลาง
ใช้มัธยฐานหรือค่าเฉลี่ย เหมาะเมื่อเป้าหมายคือการประมาณปริมาณ เช่น ความชุกของโรค หรือขนาดยาที่แนะนำ พบรองลงมา
ค่าการกระจาย
ใช้พิสัยควอไทล์หรือส่วนเบี่ยงเบนมาตรฐาน วัดว่าความเห็นแคบลงหรือไม่ พบน้อยที่สุด
- หลายกลุ่มผู้มีส่วนได้ส่วนเสีย ใช้เกณฑ์แยกรายกลุ่มก็ได้ หรือรวมทุกกลุ่มก็ได้ เช่น Ross และคณะ (2014) พัฒนาแนวปฏิบัติการช่วยเหลือผู้มีความคิดฆ่าตัวตาย ใช้ panel สองกลุ่มคือ ผู้ปฏิบัติงานป้องกันการฆ่าตัวตาย 41 คน และผู้มีประสบการณ์ตรง 35 คน โดยกำหนดว่ารายการหนึ่งจะผ่านได้ ต้องมีอย่างน้อยร้อยละ 80 ของทั้งสองกลุ่มให้คะแนนว่าจำเป็นหรือสำคัญ
- สถานะการรายงานในสาขาสุขภาพ Schifano และ Niederberger (2025) ทบทวนงาน 287 เรื่อง พบว่ามีเพียงร้อยละ 36 ที่รายงานว่ากำหนดเกณฑ์ล่วงหน้า ร้อยละ 3 กำหนดภายหลัง และร้อยละ 61 ไม่ชัดเจนหรือไม่รายงานเลย
ตีพิมพ์แล้ว ไม่ได้แปลว่าอะไรเปลี่ยน
สารหลักของบทที่ 5 คือ การตีพิมพ์งาน Delphi จะไม่ทำให้เกิดการเปลี่ยนแปลงในทางปฏิบัติโดยตัวมันเอง ต้องวางแผนไว้ตั้งแต่ตอนออกแบบการวิจัย ที่น่าสนใจคือ ทั้ง ACCORD และ DELPHISTAR ไม่มีรายการใดเลยที่ให้รายงานเรื่องการนำผลไปใช้
ทำ program logic ตั้งแต่ต้น
เขียนให้ชัดว่าผลจาก Delphi จะเชื่อมไปสู่ผลลัพธ์ที่ต้องการอย่างไร ไม่ใช่หยุดที่ตัวรายการฉันทามติ
ใช้ Delphi หากลยุทธ์การนำไปใช้ด้วย
ไม่ใช่แค่ถามว่าเนื้อหาควรเป็นอะไร แต่ถามด้วยว่าจะทำให้เกิดขึ้นจริงได้อย่างไร
ดึงผู้ใช้ความรู้เข้ามาเป็นผู้ทรงคุณวุฒิ
คนที่ต้องนำผลไปใช้จริง เช่น ครูผู้สอน หัวหน้ากลุ่มสาระ ควรอยู่ใน panel ตั้งแต่ต้น ไม่ใช่เป็นผู้รับผลตอนท้าย
ร่วมมือกับองค์กรที่จะนำไปใช้
มีเจ้าภาพในระดับสถานศึกษาหรือเขตพื้นที่ที่พร้อมรับผลไปใช้ตั้งแต่ก่อนเริ่ม
เครื่องมือที่ใช้ รันจริง
งานส่วนใหญ่ยังใช้แพลตฟอร์มแบบสอบถามทั่วไป เช่น Qualtrics, REDCap, SurveyMonkey, Google Forms และ LimeSurvey แต่มีซอฟต์แวร์ที่พัฒนามาเพื่อ Delphi โดยเฉพาะ ซึ่งช่วยจัดการการเชื่อมโยงคำตอบข้ามรอบและการสร้างข้อมูลป้อนกลับอัตโนมัติ
ส่วนใหญ่มีค่าใช้จ่าย บางรายมีรุ่นทดลองหรือรุ่นพื้นฐานให้ใช้ฟรี ตารางเปรียบเทียบคุณสมบัติดูได้จาก Parks และคณะ (2018)
ห้าโดเมนของ HCAP ชื่อเต็มและนิยาม
HCAP แปลงสามโดเมนเดิมของ TPACK ผ่านมุมมองเชิงสังคมเทคนิค (sociotechnical lens) แล้วเพิ่มอีกสองโดเมนที่ไม่มีในกรอบเดิม รวมเป็นห้าโดเมน ซึ่งผู้เขียนย้ำว่าเป็นสมรรถนะที่พึ่งพากันแบบพลวัต ไม่ใช่ชุดที่แยกขาดจากกัน
| ตัวย่อ | ชื่อเต็ม | นิยามตามบทความ | จำนวนรายการ |
|---|---|---|---|
| I-TK | Intelligent Technological Knowledge | ความรอบรู้ในตรรกะการทำงาน ขีดความสามารถ และข้อจำกัดของระบบปัญญาประดิษฐ์ แทนที่ TK เดิม | 5 |
| I-CK | Intelligent Content Knowledge | ความสามารถในการคัดกรอง ตรวจสอบความถูกต้อง และปรับเนื้อหาเชิงสาขาวิชาที่ปัญญาประดิษฐ์สร้างขึ้นให้เข้ากับบริบท | 4 |
| I-PK | Intelligent Pedagogical Knowledge | การออกแบบเชิงกลยุทธ์ของประสบการณ์การเรียนรู้ที่มีปัญญาประดิษฐ์เสริม | 5 |
| HAIC-K | Human-AI Collaboration Knowledge โดเมนใหม่ | การจัดโครงสร้างปฏิสัมพันธ์ที่ได้ผล และการกำหนดบทบาทของปัญญาประดิษฐ์ในการเรียนรู้ | 5 |
| Ethics-K | Ethical Knowledge โดเมนใหม่ | กรอบเชิงบรรทัดฐานสำหรับการใช้ปัญญาประดิษฐ์อย่างรับผิดชอบและเป็นธรรมในการศึกษา แทรกซึมทุกโดเมน | 6 |
รายการความรู้ #1 ถึง #14 สามโดเมนเดิม
คำอธิบายย่อจากตารางที่ 2 ของบทความ สามโดเมนที่แปลงมาจาก TPACK เดิม รวม 14 รายการ
5 รายการ
- #1 Prompt engineering ร่าง ทบทวนซ้ำ และขัดเกลาคำสั่งเชิงกลยุทธ์ให้ได้ผลลัพธ์ที่ใช้สอนได้จริงอย่างสม่ำเสมอ
- #2 Limitation awareness เข้าใจข้อมูลฝึกและการเรียนรู้ของเครื่อง จึงรู้ว่าเหตุใดจึงเกิดอคติและข้อมูลหลอน เป็นฐานของความฉลาดรู้ด้านอัลกอริทึม
- #3 System auditing ประเมินความน่าเชื่อถือ ความมั่นคงของข้อมูล และนโยบายความเป็นส่วนตัวก่อนนำเข้าห้องเรียน
- #4 Data fundamentals รู้ว่าคุณภาพ ปริมาณ และความหลากหลายของข้อมูลกำหนดพฤติกรรมของโมเดลอย่างไร
- #5 Tool integration ร้อยเครื่องมือหลายตัวเป็นสายงานเดียวเพื่อทำงานสอนที่ซับซ้อน
4 รายการ
- #6 Source triangulation ตรวจสอบข้ามกับแหล่งที่มีผู้เชี่ยวชาญคัดกรอง เชื่อมกับแนวคิด epistemic vigilance
- #7 Bias detection ระบุอคติเชิงอัลกอริทึม ภาพเหมารวมทางวัฒนธรรม และช่องว่างของการเป็นตัวแทน
- #8 Contextualization ปรับและจัดผลลัพธ์ให้ตรงกับมาตรฐานหลักสูตร จุดประสงค์ และความรู้เดิมของผู้เรียน
- #9 Disciplinary methodological critique รู้ว่าการจับคู่รูปแบบเชิงสถิติต่างจากวิธีสืบเสาะเฉพาะสาขาของมนุษย์อย่างไร
5 รายการ
- #10 Reflective practice ออกแบบกิจกรรมที่ให้ผู้เรียนสะท้อนคิดว่าตนใช้ปัญญาประดิษฐ์อย่างไรและได้เรียนรู้อะไร
- #11 Assessment redesign ประเมินกระบวนการทำงานร่วมกับปัญญาประดิษฐ์ ไม่ใช่เฉพาะผลงานปลายทาง
- #12 Scaffolded co-agency design วางบทบาทของผู้เรียนกับตัวแทนปัญญาประดิษฐ์ให้ชัด เป็นพลวัต และเสริมกัน
- #13 Personalization สร้างสื่อ ข้อมูลย้อนกลับ และเส้นทางการเรียนรู้ที่ปรับตามความพร้อมและความสนใจ
- #14 Ethical integration บรรจุประเด็นจริยธรรมเข้าแผนการสอนเชิงรุก เป็นรายการที่เสนอเพิ่มในรอบที่ 3
รายการความรู้ #15 ถึง #25 สองโดเมนใหม่
สองโดเมนที่ไม่มีในกรอบ TPACK เดิม เพิ่มขึ้นเพื่อรองรับการทำงานร่วมกับปัญญาประดิษฐ์และมิติจริยธรรมโดยเฉพาะ รวม 11 รายการ
Human-AI Collaboration Knowledge, 5 รายการ
- #15 Dynamic role allocation มอบบทบาทที่เหมาะกับบริบทให้ปัญญาประดิษฐ์ เช่น ผู้ตั้งคำถาม คู่จำลองสถานการณ์ หรือผู้ช่วยเชิงขั้นตอนที่ไม่พูด
- #16 Interaction flow designer ออกแบบลำดับเวลาและกติกาของปฏิสัมพันธ์ รวมถึงจังหวะที่ต้องหยุดใช้เพื่อให้สะท้อนคิด
- #17 Critical dialogue ชี้แนะให้ผู้เรียนสนทนากับระบบอย่างวิพากษ์และวนซ้ำ ใช้เป็นเครื่องมือขยายการสืบเสาะ ไม่ใช่หาคำตอบเร็ว
- #18 Critical interdependence บ่มเพาะวัฒนธรรมที่ยกคุณค่าวิจารณญาณของมนุษย์ขึ้น และวางปัญญาประดิษฐ์เป็นเครื่องมือที่อยู่ใต้บังคับ
- #19 Group dynamics collaboration รู้ว่าตัวแทนปัญญาประดิษฐ์มีผลต่อความร่วมมือและการกระจายภาระทางปัญญาในทีมอย่างไร
Ethical Knowledge, 6 รายการ มากที่สุดในห้าโดเมน
- #20 Equity auditing ตรวจอคติเรื่องเชื้อชาติ เพศ สถานะทางเศรษฐกิจสังคม และวัฒนธรรมเชิงรุก แล้วลดผลกระทบ
- #21 Data privacy รู้กฎหมายคุ้มครองข้อมูล และเสริมพลังให้ผู้เรียนรู้เรื่องรอยเท้าดิจิทัลและสิทธิของตน
- #22 Usage protocols วางนโยบายห้องเรียนเรื่องการเปิดเผยการใช้ ความซื่อสัตย์ทางวิชาการ และความรับผิดชอบสุดท้ายที่อยู่กับมนุษย์
- #23 Societal impact นำผู้เรียนตรวจสอบผลกระทบเชิงสังคม เศรษฐกิจ และสิ่งแวดล้อม รวมถึงการใช้พลังงาน
- #24 Well-being advocacy ส่งเสริมการใช้อย่างสมดุล ป้องกันการพึ่งพาเกินควร ปกป้องความเป็นผู้กระทำของผู้เรียน
- #25 Inclusive design ทำให้เป็นไปตามหลักการออกแบบเพื่อการเรียนรู้ที่เป็นสากล ไม่สร้างอุปสรรคใหม่
เมทริกซ์ความสัมพันธ์ ห้าโดเมนทำงานร่วมกันอย่างไร
ตารางที่ 3 ของบทความ อธิบายว่าโดเมนใหม่สองตัวทำงานร่วมกับสามโดเมนเดิมอย่างไร ทุกคู่เป็นความสัมพันธ์สองทิศทาง
| คู่ปฏิสัมพันธ์ | ลักษณะของปฏิสัมพันธ์ | ตัวอย่างที่บทความยกไว้ |
|---|---|---|
| I-TK เอื้อ I-CK | ทักษะเทคนิคให้วัตถุดิบสำหรับตรวจสอบเนื้อหา ซึ่งย้อนกลับมาทำให้ใช้เทคนิคได้ดีขึ้น | ใช้คำสั่งสร้างคำอธิบายการสังเคราะห์ด้วยแสงหลายแบบ พบว่าวัฏจักรคัลวินง่ายเกินไป จึงกลับไปขัดเกลาคำสั่ง |
| I-TK แจ้งข้อมูลแก่ Ethics-K | ความเชี่ยวชาญเทคนิคเสริมความตระหนักเชิงจริยธรรม ส่วนจริยธรรมจำกัดขอบการใช้เทคนิค | ใช้ตัวสร้างภาพทำสื่อเรื่องอาชีพ พบว่าได้แต่ช่างก่อสร้างชายกับครูหญิง จึงใช้คำสั่งที่ครอบคลุมกว่าเพื่อต้านอคติ |
| I-PK จัดโครงให้ HAIC-K | การออกแบบการสอนสร้างสภาพแวดล้อมของความร่วมมือ ส่วนความร่วมมือทำให้การสอนมีชีวิต | หน่วยการเรียนรู้แบบใช้โครงงานเรื่องปัญหาสิ่งแวดล้อม โดยปัญญาประดิษฐ์เป็นผู้วิเคราะห์ข้อมูล ผู้เรียนเป็นผู้ตัดสินใจ |
| I-TK อำนวยให้ HAIC-K | ความรู้เทคนิคทำให้ตั้งค่าได้ยืดหยุ่น ส่วนเป้าหมายความร่วมมือสร้างความต้องการทักษะเฉพาะ | การให้ปัญญาประดิษฐ์โต้แย้งฝ่ายตรงข้ามในการโต้วาที ต้องใช้การเขียนคำสั่งที่ซับซ้อน |
| HAIC-K ยกระดับ I-CK | การทำงานร่วมกันทำให้เข้าใจเนื้อหาลึกขึ้น และการเข้าใจเนื้อหาแน่นเป็นเงื่อนไขของการชี้นำ | ผู้เรียนร่วมเขียนบทกวีตามฉันทลักษณ์ การจะประเมินและขัดเกลาได้ต้องเข้าใจกลวิธีทางกวีนิพนธ์อย่างลึกซึ้ง |
| Ethics-K และ HAIC-K เป็นเสาหลัก | ทั้งสองพึ่งพากันและเป็นฐานของปฏิสัมพันธ์อื่นทั้งหมด เพื่อให้ทุกอย่างยึดมนุษย์เป็นศูนย์กลาง | การใช้ปัญญาประดิษฐ์วิเคราะห์ข้อมูลผู้เรียนต้องถูกกำกับด้วยกติกาความเป็นส่วนตัว และใช้เสริมไม่ใช่แทนที่ครู |