ออกแบบแบบประเมินก่อนและหลังอบรม AI อย่างไร

คะแนนก่อน–หลังอธิบายผลการทำโจทย์ภายใต้เงื่อนไขนั้น ไม่ได้พิสูจน์ว่าคลาสเป็นสาเหตุของการเปลี่ยนแปลง

เริ่มจาก Learning Objectives ที่สังเกตได้

เขียนเป้าหมายเป็นพฤติกรรม เช่น ระบุข้อมูลที่ไม่ควรป้อน เลือกแหล่งตรวจคำกล่าวอ้าง หรือแก้ร่างให้ตรง brief หลีกเลี่ยงเป้าหมายกว้างอย่าง “เข้าใจ AI” เพราะสร้างโจทย์และเกณฑ์ตรวจที่ชัดได้ยาก

ทำตารางจับคู่เป้าหมายกับหลักฐาน

สำหรับแต่ละเป้าหมาย ระบุ task ผลงานที่ต้องส่ง เกณฑ์ตรวจ และระดับความเสี่ยง เลือกหลักฐานที่แสดงทักษะนั้นจริง ไม่ใช้แบบสอบถามความพึงพอใจแทนความรู้หรือผลงาน

เลือกแบบทดสอบซ้ำหรือโจทย์คู่ขนาน

ใช้ข้อเดิมช่วยให้เทียบง่ายแต่ผู้เรียนอาจจำคำตอบได้ ส่วนโจทย์คู่ขนานลดการจำข้อ แต่ต้องตรวจว่าความยากและทักษะที่วัดใกล้เคียงกัน ระบุทางเลือกที่ใช้และอย่าเรียกว่าชุดทดสอบมาตรฐานหากยังไม่ได้ตรวจสอบ

กำหนดวิธีให้คะแนนก่อนเก็บข้อมูล

ใช้คำอธิบายระดับคะแนนและตัวอย่างคำตอบร่วมกัน หากมีผู้ประเมินหลายคน ให้ทดลองให้คะแนนชิ้นงานเดียวกันและพูดคุยความต่างก่อนตัดสินใจ อาจปกปิดว่าเป็นงานก่อนหรือหลังเพื่อลดอคติ

รายงานการเปลี่ยนแปลงพร้อมบริบท

แสดงจำนวนผู้ทำครบ เงื่อนไขโจทย์ เกณฑ์ และผลแยกตามเป้าหมาย รายงานการเปลี่ยนคะแนนเป็นคำอธิบาย ไม่โยงเหตุและผลโดยอัตโนมัติ การฝึกเพิ่มเติม การเปลี่ยนเครื่องมือ หรือการขาดหายของผู้ตอบอาจมีส่วน

ติดตามการนำไปใช้แยกจากการสอบ

การทำข้อสอบหลังคลาสยังไม่ตอบว่าผู้เรียนทำงานจริงได้หรือไม่ หากต้องการติดตาม transfer ให้กำหนดการสังเกตหรือชิ้นงานในภายหลังโดยมีความยินยอม ขอบเขตข้อมูล และเกณฑ์เดียวกัน

นำผลไปใช้อย่างไรและมีข้อจำกัดอะไร

แนวทางก่อนและหลังเรียนนี้เป็นแบบร่างการออกแบบ ไม่ใช่ข้อสอบที่ผ่านการตรวจสอบ ควรใช้โจทย์ที่เทียบระดับกัน กำหนดเกณฑ์ล่วงหน้า และตรวจเงื่อนไขการเก็บข้อมูล.

อ่านต่อเรื่อง วางแผนอบรม AI จากงานจริงของทีม และ กำหนดจุดตรวจของคนใน Workflow AI

หากกำลังออกแบบคลาสที่วัดทักษะจากงานจำลองก่อนและหลังเรียน ดู แนวทางอบรม AI สำหรับองค์กร