กรอบแนวคิดสำหรับการออกแบบการเรียนรู้คณิตศาสตร์ในยุคปัญญาประดิษฐ์
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิชาการนี้มีวัตถุประสงค์เพื่อพัฒนากรอบแนวคิดสำหรับการออกแบบการเรียนรู้คณิตศาสตร์ในยุคปัญญาประดิษฐ์ โดยสังเคราะห์ Constructivism, Cognitive Load Theory, Self-Regulated Learning, Metacognition, TPACK และ SAMR บทความนี้ตอบสนองต่อช่องว่างเชิงแนวคิดในงานว่าด้วย AI ทางการศึกษา ซึ่งที่ผ่านมา มักกล่าวถึง AI ในภาพรวม หรือพิจารณาเป็นรายมิติของการบูรณาการเทคโนโลยี โดยยังเชื่อมโยงฐานคิดด้านการเรียนรู้ การสนับสนุนทางพุทธิปัญญา การกำกับตนเองของผู้เรียน และการใช้เทคโนโลยีอย่างมีความหมายทางการสอนในคณิตศาสตร์ศึกษาได้ไม่เพียงพอบทความใช้การสังเคราะห์เชิงแนวคิดจากวรรณกรรมทางวิชาการที่เกี่ยวข้องกับทฤษฎีการเรียนรู้ กระบวนการรู้คิด การกำกับตนเอง การบูรณาการเทคโนโลยี และ AI ในคณิตศาสตร์ศึกษา เพื่อวิเคราะห์บทบาทเฉพาะของกรอบแนวคิดทั้ง 6 และความสัมพันธ์ของกรอบเหล่านี้ต่อการออกแบบการเรียนรู้คณิตศาสตร์ ผลการสังเคราะห์จัดกรอบแนวคิดดังกล่าวภายใต้ 4 มิติหลักได้แก่ การสร้างความรู้อย่างมีความหมาย การสนับสนุนทางพุทธิปัญญาอย่างเหมาะสม การกำกับและการสะท้อนคิดของผู้เรียน และการบูรณาการ AI อย่างสอดคล้องทางการสอน ก่อนหลอมรวมเป็น 5 หลักการสำหรับการออกแบบการเรียนรู้คณิตศาสตร์ในยุคปัญญาประดิษฐ์ ได้แก่ การสร้างความหมายอย่างมีเป้าหมาย การสนับสนุนทางพุทธิปัญญาอย่างเหมาะสม การกำกับและการสะท้อนคิดของผู้เรียน การบูรณาการ AI อย่างสอดคล้องทางการสอน และการใช้ AI ในเชิงพลิกโฉมเพื่อยกระดับคุณภาพของกิจกรรมการเรียนรู้ กรอบดังกล่าวเป็นฐานคิดสำหรับครู นักพัฒนาหลักสูตร และนักวิจัยในการออกแบบการเรียนรู้คณิตศาสตร์ที่ใช้ AI อย่างรอบคอบ มีวิจารณญาณ และสอดคล้องกับธรรมชาติของการคิดทางคณิตศาสตร์
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของบทความมิได้คัดลอก หรือละเมิดลิขสิทธิ์ของผู้ใด หากเกิดการละเมิดลิขสิทธิ์ ไม่ว่าวิธีใด หรือการฟ้องร้องไม่ว่ากรณีใด ๆ ที่อาจเกิดขึ้นได้ กองบรรณาธิการวารสารศึกษาศาสตร์ ไม่มีส่วนเกี่ยวข้องทั้งสิ้น ให้เป็นสิทธิ์ของเจ้าของบทความที่จะดำเนินการ
เอกสารอ้างอิง
Achuthan, K. (2025). Artificial intelligence and learner autonomy: A meta-analysis of self-regulated and self-directed learning. Frontiers in Education, 10, Article 1738751. DOI: 10.3389/feduc.2025.1738751
Chitcharoen, D. (2025). The nexus of TPACK, SAMR, and 21st-century skills in digital mathematics education: An integrative review. International Journal of Industrial Education and Technology, 7(2), 114–124. DOI: 10.55003/IJIET.7211
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, Article 105224. DOI: 10.1016/j.compedu.2024.105224
Doğan, S., Nalbantoglu, Ü. Y., Celik, I., & Agacli Dogan, N. (2025). Artificial intelligence professional development: A systematic review of TPACK, designs, and effects for teacher learning. Professional Development in Education, 51(3), 519–546. DOI: 10.1080/19415257.2025.2454457
Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906–911. DOI: 10.1037/0003-066X.34.10.906
Hamilton, E. R., Rosenberg, J. M., & Akcaoglu, M. (2016). The substitution augmentation modification redefinition (SAMR) model: A critical review and suggestions for its use. TechTrends, 60(5), 433–441. DOI: 10.1007/s11528-016-0091-y
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence, 2, Article 100017. DOI: 10.1016/j.caeai.2021.100017
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., ... Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Article 102274. DOI: 10.1016/j.lindif.2023.102274
Kholid, M. N., & Naufan, F. (2025). Next-level learning: Classifying self-regulated learning in mathematical problem-solving. Educational Process: International Journal, 17, Article e2025390. DOI: 10.22521/edupij.2025.17.390
Koehler, M. J., & Mishra, P. (2009). What is technological pedagogical content knowledge? Contemporary Issues in Technology and Teacher Education, 9(1), 60–70. https://citejournal.org/volume-9/issue-1-09/general/what-is-technological-pedagogicalcontent-knowledge
Kuo, B.-C., Bai, Z.-E., & Lin, C.-H. (2026). Developing an AI learning companion for mathematics problem solving in elementary schools. Computers & Education, 240, Article 105463. DOI: 10.1016/j.compedu.2025.105463
Memiş, Y. (2025). Examining the potential and pitfalls of AI in problem solving. Journal of Pedagogical Research, 9(2), 177–190. DOI: 10.33902/JPR.202532099
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. DOI: 10.54675/EWZM9535
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. DOI: 10.1111/j.1467-9620.2006.00684.x
Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in Psychology, 8, Article 422. DOI: 10.3389/fpsyg.2017.00422
Pepin, B., Buchholtz, N., & Salinas-Hernández, U. (2025). A scoping survey of ChatGPT in mathematics education. Digital Experiences in Mathematics Education, 11(1), 9–41. DOI: 10.1007/s40751-025-00172-1
Piaget, J. (1970). Science of education and the psychology of the child. Orion Press.
Reddig, J. M., Arora, A., & MacLellan, C. J. (2025). Generating in-context, personalized feedback for intelligent tutors with large language models. International Journal of Artificial Intelligence in Education, 35(6), 3459–3500. DOI: 10.1007/s40593-025-00505-6
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. DOI: 10.1016/0364-0213(88)90023-7
Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer. DOI: 10.1007/978-1-4419-8126-4
Tomisu, H., Ueda, J., & Yamanaka, T. (2025). The cognitive mirror: A framework for AI-powered metacognition and self-regulated learning. Frontiers in Education, 10, Article 1697554. DOI: 10.3389/feduc.2025.1697554
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes (M. Cole, V. John-Steiner, S. Scribner, & E. Souberman, Eds.). Harvard University Press.
Walkington, C. (2025). The implications of generative artificial intelligence for mathematics education. School Science and Mathematics. Advance online publication. DOI: 10.1111/ssm.18356
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. DOI: 10.1207/S15430421TIP4102_2
Zhao, G., Li, M., Long, Z., & Fan, H. (2025). Unlocking AI potential in primary mathematics: Teachers’ technological pedagogical readiness in China. Acta Psychologica, 260, Article 105558. DOI: 10.1016/j.actpsy.2025.105558
