มือใหม่หัด PBL

ปีนี้ มีรายวิชาหนึ่งของหลักสูตรใหม่ที่ในภาควิชาดูแลอยู่ ใช้ LAB เป็นแบบ PBL ล้วน ๆ

เป็นมือใหม่หัด PBL กันถ้วนหน้า ทั้งส่วนของนักศึกษา และส่วนของอาจารย์

แต่ก็ไม่ได้กังวล เพราะนักศึกษาเองก็เจอกับ PBL ในรายวิชาอื่นด้วย ที่เขาทำมาก่อนอย่างโชกโชน ก็คิดว่าน่าจะทำให้นักศึกษาไม่รู้สึกแปลกปลอมกับการจัดการการเรียนการสอนแบบนี้

ประเด็นหนึ่งที่เห็น ก็คือ นักศึกษาแต่ละกลุ่ม ก็จะต่างนิสัยกัน

บางกลุ่ม เวลาไปค้นคว้าต่อ ใช้วิธีแบ่งงานกันทำ แนว ๆ frankenstein ค่อยนำความรู้มาต่อกันเป็นผืนความรู้อันประณีต (^ ^!)

แบบนี้คือแนวคิด Frankenstein Approach In Learning (ย่อว่า FAIL)

บางกลุ่ม ก็เข้าถึงปรัชญาการเรียนกว่า คือ ต่างคนต่างไปค้นมาโดยรวม และเจาะลึกเรื่องที่ตัวเองสนใจ แล้วค่อยมา ลปรร

แบบหลัง ว่ากันว่า เป็นไปตามครรลองที่ควรเป็น

ทำไมแนวคิดแบบแรก ไม่ดี แต่แบบที่สอง ดี ?

ผมไม่ทราบคำอธิบายนี้ทางศึกษาศาสตร์ อยากฟังอยู่ ถ้าท่านใดทราบ ลองเล่าสู่กันฟัง

แต่มองเองอย่างไม่เป็นทางการว่า แบบแรก ไม่มีระบบตรวจสอบกันเอง ผิดแล้วผิดเลย และอาจหลงทางไปได้ไกลกว่าการใช้วิธีสอนแบบยัดความรู้มหึมาสู่สมองแบบ Direct Injection (สำนวนของ ท่านนี้ )

ส่วนแบบหลัง มีกลไกการคานกันเอง (ไม่เกี่ยวกับการขึ้นคาน ^ ^!)  ทำให้ถ้ามีอะไรไม่ชอบมาพากล ก็จะท้วงกันเองได้ เพราะทุกคนรู้เรื่องพอสมควรมาแล้วจากการค้นคว้า ใครหลงทางปุ๊บ เพื่อน ๆ ก็จะกระชากลากถูกลับมาได้

ทำให้นึกถึงงานเขียนของ von Neumann ที่เขาเขียนไว้ตั้งแต่ก่อนมีคอมพิวเตอร์ว่า เราจะสามารถสร้างคอมพิวเตอร์ที่มีเสถียรภาพขึ้นจากชิ้นส่วนที่ไม่มีเสถียรภาพได้ โดยอาศัยหลักการทำขนานกันไปหลาย ๆ ชุดพร้อม ๆ กัน แล้วใช้วิธีดูมติเสียงส่วนใหญ่ (committee-vote) คือ โหวตตามเสียงข้างมาก

Freund ศึกษาเรื่องเงื่อนไขการประสพความสำเร็จของ committee-vote จากการทำ simulation ว่า การใช้ algorithm ที่ทำนายค่อนข้าง "โหลยโท่ย" หลาย ๆ ชุดพร้อม ๆ กันมาสร้างเป็นระบบ committee-vote ก็พบว่าช่วยให้การทำนายดีขึ้นอย่างน่าทึ่ง

ซึ่ง Hansen และ Salamon พบว่า การที่ committee-vote จะใช้ได้ดี ต้องสอดคล้องกับเงื่อนไข 2 ข้อ

ข้อแรก แต่ละหน่วยที่โหวต ต้องมีโอกาสถูกมากกว่าผิด (ดีกว่าการโยนหัวก้อย)

ข้อสอง แต่ละหน่วยที่โหวต ต้องเป็นเอกเทศต่อกันคือ ไม่ลอกกันเอง

โจทย์ใหญ่ตอนนี้ กลายเป็นว่า ทำอย่างไำร ให้นักศึกษาไม่แอบแบ่งงานกันเอง  (คือไม่ FAIL) ?

เพราะแบ่งงานกันทำ ก็คือมีความเป็นไปได้แบบเดียว จะลอกกันไปกี่ชุด ก็ไม่แตกต่างกัน ไม่สามารถโหวตเพื่อหาสิ่งที่ถูกได้่

อ้างอิงซะหน่อย ^ ^

Freund, Y., Boosting a weak learning algorithm by majority. Information and Computation 121(2) (1995) 256-285.

L. Hansen, P. Salamon, Neural network ensembles, IEEE Transactions on Pattern Analysis and Machine Intelligence 12 (1990) 993-1001.

von Neumann, J. “Probabilistic Logics and the Synthesis of Reliable Organisms From Unreliable Components”, Automata Studies, Princeton University Press, 1956.