AI ในห้องเรียน: เบื้องลึกการทดลองคณิตศาสตร์ครั้งสำคัญของ Google DeepMind ในเซียร์ราลีโอน

ความหวังในการใช้ AI ปฏิวัติการศึกษาเป็นเรื่องที่พูดถึงกันมานาน แต่หลักฐานเชิงประจักษ์ที่วัดผลได้จริงในห้องเรียนยังมีอยู่อย่างจำกัด ล่าสุดในเดือนมิถุนายน 2026 Google DeepMind และองค์กรไม่แสวงหากำไร Fab AI ได้เผยแพร่ผลการศึกษาจากการทดลองแบบสุ่มและมีกลุ่มควบคุม (RCT) ในประเทศเซียร์ราลีโอน ซึ่งนับเป็นหนึ่งในข้อมูลที่ละเอียดที่สุดว่าด้วยการทำงานร่วมกันระหว่าง AI และครูผู้สอนในห้องเรียนจริง

ผลการศึกษาพบว่าการผสานฟีเจอร์ "Guided Learning" (การเรียนรู้แบบนำทาง) ของ Gemini เข้าไปในบทเรียนคณิตศาสตร์ช่วยยกระดับคะแนนสอบของนักเรียนได้อย่างมีนัยสำคัญ ทว่าในอีกมุมหนึ่ง ผลลัพธ์ก็สะท้อนความแตกต่างที่ชวนให้คิด: นักเรียนที่มีพื้นฐานคณิตศาสตร์ดีอยู่แล้วได้ประโยชน์สูงสุด, ครูจำเป็นต้องปรับบทบาทใหม่, และการออกแบบการทดลองที่รัดกุมนี้ยากจะแยกขาดจากองค์ประกอบแวดล้อมอื่นๆ

ดีไซน์การทดลองสุดเข้มข้น

การทดลองนี้เป็นความร่วมมือกับกระทรวงศึกษาธิการเซียร์ราลีโอน โดยใช้รูปแบบ Two-Arm Cluster-Randomized Controlled Trial ที่ลงทะเบียนล่วงหน้า (preregistered) ระยะเวลา 8 สัปดาห์ ตั้งแต่วันที่ 6 ตุลาคม ถึง 5 ธันวาคม 2025 ในโรงเรียนมัธยมต้นของรัฐบาลที่ได้รับการสนับสนุน 12 แห่ง ในเขตพอร์ตโลโก (Port Loko District)

มีนักเรียนเข้าร่วมทั้งสิ้น 1,763 คน จากระดับชั้น ม.1 และ ม.2 (Grade 7 and 8, อายุ 13 ปีขึ้นไป) กระจายใน 48 ห้องเรียนคณิตศาสตร์ ภายในแต่ละโรงเรียนและระดับชั้น ได้สุ่มเลือกห้องเรียนเป็นกลุ่มทดลองที่ใช้ Gemini Guided Learning หรือกลุ่มควบคุมที่ยังเรียนตามรูปแบบมาตรฐาน เพื่อป้องกันความสับสนระหว่างประสิทธิภาพของ AI กับคุณภาพการสอน ครูทุกคนจึงผ่านการอบรม 5–6 ชั่วโมงเหมือนกัน

เป้าหมายคือให้นักเรียนใช้ AI ใน 2 จาก 4 คาบคณิตศาสตร์ต่อสัปดาห์ รวมเป็นเวลาเป้าหมาย 12 ชั่วโมงสำหรับ Guided Learning ใน 8 สัปดาห์

สี่ขั้นตอนการสอนแบบมีผู้ช่วยคนใหม่

การทดลองนี้ไม่ใช่การยัดเยียดแชตบอตให้นักเรียนใช้ตามลำพัง แต่วางอยู่บนกรอบการเรียนการสอนที่เคร่งครัด โดยมี AI เป็นหุ้นส่วนในกระบวนการเรียนรู้แบบทำงานร่วมกัน (Collaborative Learning):

1. เกริ่นนำโดยครู: ครูกำหนดวัตถุประสงค์การเรียนรู้และตรวจสอบความรู้พื้นฐานของนักเรียนก่อน
2. กิจกรรมคู่ (หัวใจหลัก): นักเรียนทำงาน เป็นคู่โดยใช้หนึ่งอุปกรณ์ (สัดส่วนนักเรียน 2 คนต่อ 1 เครื่อง) จุดเด่นคือการสวมบทบาทที่ชัดเจน: "คนขับ" (driver) ทำหน้าที่พิมพ์คำถามลงใน Gemini ส่วน "คนนำทาง" (navigator) จดโน้ตและกำกับทิศทางการถามคำถาม และสลับบทบาทกันทุกคาบเพื่อให้มีส่วนร่วมอย่างสมดุล
3. อภิปรายในชั้นเรียน: ครูนำการสนทนาเพื่อตกผลึกสิ่งที่เรียนรู้
4. สรุปบทเรียน: ครูทำการสรุปครั้งสุดท้าย

เพื่อเตรียมความพร้อม ครูต้องกำหนดวัตถุประสงค์ของบทเรียน, เขียน prompt ตั้งต้น, และร่างแนวคำถามไว้บนกระดาน เพื่อสร้างโครงสร้างการโต้ตอบระหว่างนักเรียนกับ Gemini

ผลลัพธ์: คะแนนพุ่งจริง แต่ไม่ใช่ทุกคนจะได้ประโยชน์เท่ากัน

การทดลองให้ผลลัพธ์ที่มีนัยสำคัญทางสถิติ ทว่าขนาดของผลกระทบนั้นขึ้นอยู่กับระยะเวลาที่ใช้เครื่องมือและพื้นฐานเดิมของนักเรียนก่อนเริ่มโปรแกรม

ตัวชี้วัด	ผลการค้นพบ
Intent-to-treat (ITT)	โดยเฉลี่ย นักเรียนที่ถูกจัดให้ใช้ Guided Learning มีผลลัพธ์การเรียนรู้ที่ดีขึ้น +0.258 SD เทียบเท่าการขยับจากเปอร์เซ็นไทล์ที่ 50 ขึ้นไปถึงเปอร์เซ็นไทล์ที่ 60
ความสัมพันธ์ระหว่างขนาดการใช้งานกับผลลัพธ์	69% ของนักเรียนที่ใช้งานครบเป้าหมายคือ 12 ชั่วโมงหรือมากกว่า ได้ผลลัพธ์ที่สูงขึ้นมากถึง +0.380 SD โดยทุกๆ ชั่วโมงของการใช้งานเพิ่มขึ้นสัมพันธ์กับผลลัพธ์ที่เพิ่มขึ้น +0.016 SD
พื้นฐานความเชี่ยวชาญเดิม	ข้อค้นพบสำคัญที่สุด: นักเรียนที่มีทักษะคณิตศาสตร์ตั้งต้นแข็งแกร่งกว่าจะได้ประโยชน์มากกว่าอย่างชัดเจน โดยผลกระทบจะเพิ่มขึ้น 0.195 SD ทุกๆ 1 SD ของความเชี่ยวชาญตั้งต้นที่สูงขึ้น
การวิเคราะห์กลุ่มย่อยอื่นๆ	ไม่พบความแตกต่างที่มีนัยสำคัญ ในผลของ AI เมื่อจำแนกตามพื้นฐานการอ่าน, เพศ, หรืออายุของนักเรียน

เบื้องหลังบทสนทนาระหว่างนักเรียนกับ Gemini

ส่วนที่น่าสนใจที่สุดส่วนหนึ่งคือการวิเคราะห์บันทึกการสนทนาที่มีมากกว่า 113,000 ครั้งระหว่างนักเรียนกับ Gemini ผลการวิเคราะห์ทำให้เห็นภาพของ AI ในบทบาทติวเตอร์ มากกว่าที่จะเป็นเครื่องตอบคำถาม

การสนทนาส่วนใหญ่กว่า 91.4% มุ่งเน้นไปที่การทำความเข้าใจคณิตศาสตร์เชิงมโนทัศน์ ตัว Gemini เองก็ถูก Guided Learning กำกับทิศทางอย่างดี: มันใช้ คำถามสร้างโครงความรู้ (scaffolding questions) ใน 76.4% ของข้อความที่ส่งให้เพื่อกระตุ้นให้นักเรียนคิดเอง ให้คำตอบตรงๆ ในเพียง 2.1% ของกรณีเท่านั้น

ความเสี่ยงการตอกย้ำช่องว่างทางการเรียน

ข้อค้นพบที่ว่านักเรียนเก่งอยู่แล้วยิ่งได้ประโยชน์มาก ทำให้เหล่านักวิจัยต้องส่งสัญญาณเตือน เพราะหากไม่มีกลยุทธ์ช่วยเหลือนักเรียนกลุ่มอ่อนอย่างเฉพาะเจาะจง การนำ AI มาใช้อาจ ทำให้ช่องว่างทางการเรียนรู้ที่มีอยู่แล้วยิ่งถ่างกว้างขึ้น แทนที่จะลดลง

เสียงสะท้อนจากครูผู้สอน

ข้อมูลเชิงคุณภาพจากการสนทนากลุ่มครูได้เพิ่มมิติให้กับผลลัพธ์นี้ ครูรายงานว่านักเรียน มีส่วนร่วมและกระตือรือร้นในห้องเรียนมากขึ้น อย่างชัดเจน ครูหลายคนเริ่มใช้ Gemini สำหรับ เตรียมการสอน และค้นพบวิธีใหม่ๆ ในการอธิบายหัวข้อยากๆ อย่างเศษส่วน

ที่สำคัญ ครูบรรยายถึงการเปลี่ยนแปลงอัตลักษณ์ทางวิชาชีพของตัวเอง โดยรู้สึกว่าบทบาทของตนเปลี่ยนจาก "ผู้บรรยาย" ไปเป็น "ผู้อำนวยความสะดวก" (facilitator) ที่เดินดูรอบห้องเพื่อสนับสนุนนักเรียนแต่ละคู่

ไม่ใช่ทุกความเห็นจะเป็นบวก ครูบางส่วนรายงานถึงความท้าทาย อย่างกรณีที่ Gemini ดึงเนื้อหานอกประเด็นเข้ามา หรือทำให้ความคืบหน้าในหลักสูตรช้าลง

ข้อจำกัดที่ต้องพึงระวัง

แม้ผลการทดลองจะเป็นเชิงบวก แต่นักวิจัยก็ระบุข้อจำกัดที่ควรพิจารณาประกอบอย่างรอบคอบ:

• การแทรกแซงแบบมัดรวม: การทดลองนี้รวม Guided Learning เข้ากับการอบรมครู, โครงสร้างบทเรียนใหม่, การจัดหาอุปกรณ์, และการติดตามในชั้นเรียน การออกแบบเช่นนี้ ไม่สามารถแยกผลของ AI เพียงอย่างเดียว ออกจากองค์ประกอบสนับสนุนอื่นๆ ได้
• การนำไปประยุกต์ใช้ในวงกว้าง: กลุ่มตัวอย่างมาจากเขตเดียวในเซียร์ราลีโอนและ ไม่ได้เป็นตัวแทนระดับประเทศ ข้อค้นพบจึงใช้ได้ดีที่สุดกับโรงเรียนที่มีโครงสร้างพื้นฐานเทียบเคียงกัน เช่น มีแท็บเล็ต, อินเทอร์เน็ตที่เสถียร, และครูที่มีความพร้อม

แปลนการวิจัยระดับโลก

การทดลองในเซียร์ราลีโอนเป็นเพียงจุดเริ่มต้น นี่คือ การทดลองแรกในซีรีส์นานาชาติที่วางแผนไว้โดย Google DeepMind และ Fab AI เพื่อศึกษา Guided Learning ในระบบการศึกษาที่หลากหลาย เพื่อความโปร่งใสและต่อยอด ขณะนี้ทางผู้พัฒนาได้เปิดเผย เอกสารการอบรมครู และ คู่มือการทำ rapid RCT ต่อสาธารณะควบคู่ไปกับผลลัพธ์ เพื่อเป็นพิมพ์เขียวให้นักวิจัยและระบบการศึกษาอื่นๆ นำไปใช้