จาก Digital Literacy สู่ AI Literacy และ Synthetic Literacy: ทักษะการรู้เท่าทันในยุคสื่อที่ AI สร้างได้
เข้าชม 8 ครั้ง
หมวด: AI Literacy และการรู้ดิจิทัล
แท็ก: Digital Literacy, AI Literacy, Synthetic Literacy, Deepfake, การประเมินสมรรถนะหมายเหตุการตรวจสอบ: ข้อมูลบรรณานุกรมและ DOI ตรวจสอบกับ Crossref หรือ DataCite เมื่อเดือนพฤศจิกายน พ.ศ. 2569 สรุปผลวิจัยมาจากบทคัดย่อ ยังไม่ได้ตรวจกับเอกสารฉบับเต็ม หัวข้อการวิเคราะห์และข้อเสนอแนะเป็นความเห็นของผู้เขียน ไม่ใช่ผลวิจัย
บทนำ
ในช่วงเวลาไม่กี่ปี ทักษะที่สังคมคาดหวังจากผู้เรียนและคนทำงานเปลี่ยนไปอย่างรวดเร็ว เดิมการรู้ดิจิทัลมักหมายถึงการใช้อุปกรณ์ การค้นหา และการประเมินข้อมูลออนไลน์ ต่อมาเมื่อระบบปัญญาประดิษฐ์เข้ามาอยู่ในบริการที่เราใช้ทุกวัน คำถามจึงขยายไปสู่ว่าผู้ใช้เข้าใจระบบเหล่านี้มากพอหรือไม่ และเมื่อ Generative AI สามารถสร้างข้อความ ภาพ เสียง และวิดีโอที่ดูสมจริงได้ คำถามถัดมาคือ เราจะแยกแยะ ตั้งคำถาม และใช้สื่อที่เครื่องสร้างขึ้นอย่างรับผิดชอบได้อย่างไร
บทความนี้ทบทวนแนวคิด 3 ระดับ ได้แก่ Digital Literacy, AI Literacy และสิ่งที่บทความนี้เรียกว่า Synthetic Literacy โดยแยกให้เห็นว่าส่วนใดมีหลักฐานวิจัยรองรับ ส่วนใดเป็นการวิเคราะห์ของผู้เขียน และส่วนใดยังต้องการการศึกษาเพิ่มเติม จุดที่ต้องบอกตั้งแต่ต้นคือ คำว่า Synthetic Literacy ยังไม่ปรากฏเป็นกรอบแนวคิดที่ได้รับการยอมรับและวัดผลอย่างเป็นระบบในแหล่งที่ผู้เขียนตรวจสอบได้ บทความจึงใช้คำนี้ในฐานะคำเรียกเชิงทำงาน ไม่ใช่ทฤษฎีที่มีฉันทามติแล้ว
แนวคิดสำคัญ
Digital Literacy: ฐานของทักษะยุคดิจิทัล
การทบทวนวรรณกรรมอย่างเป็นระบบของ Suri et al. (2025) ซึ่งคัดเลือกบทความ 23 เรื่องที่ตีพิมพ์ระหว่างปี 2014 ถึง 2024 อธิบายการรู้ดิจิทัลว่าครอบคลุมความสามารถด้านเทคนิค การประเมินสารสนเทศ การทำงานร่วมกันออนไลน์ ความคิดสร้างสรรค์ และการใช้เทคโนโลยีอย่างมีจริยธรรม ขอบเขตนี้สำคัญเพราะแสดงว่าการรู้ดิจิทัลไม่ได้จำกัดอยู่ที่การกดใช้โปรแกรม หากรวมถึงการตัดสินคุณภาพข้อมูลและผลกระทบของการใช้งานด้วย
AI Literacy: จากการใช้เครื่องมือสู่ความเข้าใจระบบ
งานยุคแรกที่มีอิทธิพลในสาขานี้คือ Long และ Magerko (2020) ซึ่งสังเคราะห์วรรณกรรมข้ามสาขาเพื่อกำหนดนิยามที่เป็นรูปธรรมของ AI Literacy พร้อมเสนอชุดสมรรถนะหลักและข้อพิจารณาในการออกแบบการเรียนรู้ ต่อมา Ng et al. (2021) ทบทวนบทความที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิจำนวน 30 เรื่อง และเสนอองค์ประกอบ 4 ด้าน ได้แก่ การรู้และเข้าใจ การใช้และประยุกต์ การประเมินและสร้างสรรค์ และประเด็นจริยธรรม
กรอบดังกล่าวช่วยให้เห็นว่าผู้รู้เท่าทัน AI ไม่จำเป็นต้องเขียนโปรแกรมได้ แต่ควรเข้าใจว่าระบบทำอะไรได้และทำอะไรไม่ได้ ใช้ได้เหมาะกับงาน ประเมินผลลัพธ์ได้ และตระหนักถึงผลกระทบทางจริยธรรม
Generative AI Literacy: สมรรถนะที่เฉพาะเจาะจงขึ้น
เมื่อ Generative AI แพร่หลาย นักวิจัยเริ่มเสนอกรอบเฉพาะทาง Annapureddy et al. (2025) เสนอแบบจำลองสมรรถนะ 12 ด้านสำหรับบุคคล ผู้กำหนดนโยบาย เจ้าหน้าที่ภาครัฐ และนักการศึกษา โดยเรียงลำดับเป็นเส้นทางการเรียนรู้เพื่อใช้พัฒนาการประเมิน หลักสูตร แนวปฏิบัติ และกฎระเบียบ อย่างไรก็ตาม กรอบนี้เป็นข้อเสนอเชิงแนวคิด จึงยังต้องอาศัยการทดสอบเชิงประจักษ์ในบริบทต่าง ๆ
Synthetic Literacy: คำเรียกเชิงทำงาน
ผู้เขียนใช้คำนี้เพื่อหมายถึงความสามารถในการรับรู้ ตรวจสอบ ใช้ และสื่อสารเกี่ยวกับสื่อที่ AI สร้างหรือดัดแปลง เช่น ภาพ เสียง วิดีโอ และข้อความสังเคราะห์ นิยามนี้เป็นการสังเคราะห์ของผู้เขียนเอง ไม่ได้มาจากกรอบที่ตีพิมพ์ใดกรอบหนึ่ง และควรใช้อย่างระมัดระวังจนกว่าจะมีงานวิจัยที่นิยามและตรวจสอบความตรงของแนวคิดนี้อย่างชัดเจน
ผลวิจัยที่ตรวจสอบได้
การสอน AI Literacy ในโรงเรียนยังขาดการประเมินผลการเรียนรู้
Casal-Otero et al. (2023) ทบทวนเอกสาร 179 รายการเกี่ยวกับ AI Literacy ในระดับ K-12 จากฐานข้อมูล Scopus และจัดแนวทางเป็น 2 กลุ่มใหญ่ คือ ประสบการณ์การเรียนรู้ และมุมมองเชิงทฤษฎีที่พยายามออกแบบกรอบแนวคิด งานนี้รายงานว่ามีประสบการณ์เพียงเล็กน้อยที่ประเมินว่านักเรียนเข้าใจแนวคิด AI จริงหลังการเรียนรู้ พร้อมเสนอว่าหลักสูตรควรร่วมออกแบบกับครู ข้อค้นพบนี้สะท้อนว่าการมีกิจกรรมเกี่ยวกับ AI ในห้องเรียนไม่ได้หมายความว่าเรารู้แล้วว่าผู้เรียนเกิดการเรียนรู้
เครื่องมือวัดมีจำนวนมากขึ้น แต่คุณภาพยังไม่ครบ
Laupichler et al. (2023) พัฒนาแบบวัด SNAIL สำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญ และรายงานว่าแบบจำลอง 3 องค์ประกอบ ได้แก่ ความเข้าใจเชิงเทคนิค การประเมินอย่างมีวิจารณญาณ และการประยุกต์ใช้ มีความเหมาะสมที่สุด แบบวัดฉบับสุดท้ายมี 31 ข้อ
ในภาพรวม Lintner (2024) ใช้เครื่องมือ COSMIN ประเมินคุณภาพของแบบวัด AI Literacy จาก 22 การศึกษาที่ตรวจสอบแบบวัด 16 ชุด พบว่าโดยรวมแบบวัดมีความตรงเชิงโครงสร้างภายในและความสอดคล้องภายในที่ดี แต่มีเพียงส่วนน้อยที่ทดสอบความตรงเชิงเนื้อหา ความเชื่อมั่น ความตรงเชิงโครงสร้าง และความไวต่อการเปลี่ยนแปลง ทั้งยังไม่มีแบบวัดใดทดสอบความตรงข้ามวัฒนธรรมและความคลาดเคลื่อนของการวัด นอกจากนี้ มีแบบวัดที่อิงการปฏิบัติจริงเพียง 3 ชุด เทียบกับแบบรายงานตนเอง 13 ชุด
ปัญหาคล้ายกันปรากฏในการวัดการรู้ดิจิทัล Suri et al. (2025) ระบุข้อจำกัดเรื่องการพึ่งพาการรายงานตนเอง การตรวจสอบข้ามวัฒนธรรมที่จำกัด และการขาดการประเมินจากการปฏิบัติจริง
การรู้เท่าทันสื่อกับ Deepfake
หลักฐานที่ตรงกับสื่อสังเคราะห์มากที่สุดในชุดที่ตรวจสอบได้คือการทดลองของ Hwang et al. (2021) ซึ่งเปรียบเทียบข้อความบิดเบือนที่มีและไม่มีวิดีโอ Deepfake ร่วมกับการให้ความรู้ด้านการรู้เท่าทันสื่อ ผลรายงานว่าข้อความที่มี Deepfake เพิ่มความสมจริง การโน้มน้าว ความน่าเชื่อถือ และความตั้งใจแชร์ ขณะที่การให้ความรู้ด้านการรู้เท่าทันสื่อช่วยลดผลของข้อความบิดเบือนได้ อย่างไรก็ตาม นี่เป็นการศึกษาเดียว จึงไม่ควรขยายผลไปยังทุกกลุ่มหรือทุกรูปแบบสื่อ
การวิเคราะห์ของผู้เขียน
เมื่ออ่านหลักฐานข้างต้นร่วมกัน ผู้เขียนเห็นรูปแบบ 3 ประการ ประการแรก แนวคิดทั้งสามระดับมีลักษณะต่อยอดกันมากกว่าแทนที่กัน การประเมินสารสนเทศซึ่งเป็นแกนของการรู้ดิจิทัลยังจำเป็นเมื่อเผชิญผลลัพธ์จาก AI ประการที่สอง สาขานี้ก้าวหน้าเรื่องการนิยามเร็วกว่าการวัดผล เรามีกรอบจำนวนมาก แต่ยังมีเครื่องมือที่วัดการปฏิบัติจริงไม่มากนัก ประการที่สาม การตรวจสอบข้ามวัฒนธรรมที่ขาดหายมีนัยโดยตรงต่อบริบทไทย การนำแบบวัดต่างประเทศมาแปลใช้จึงไม่เพียงพอหากไม่ตรวจสอบคุณภาพใหม่
การประยุกต์ใช้: ข้อเสนอแนะของผู้เขียน
ข้อเสนอต่อไปนี้เป็นความเห็นของผู้เขียนซึ่งอาศัยหลักฐานข้างต้น ยังไม่ใช่แนวทางที่ผ่านการทดลองโดยตรง
สำหรับครูและสถานศึกษา: ออกแบบกิจกรรมที่ให้นักเรียนตรวจผลลัพธ์จาก AI กับแหล่งข้อมูลอื่น และประเมินจากชิ้นงานหรือการปฏิบัติจริง ไม่ใช้แบบรายงานตนเองเพียงอย่างเดียว
สำหรับผู้พัฒนาหลักสูตร: ใช้กรอบสมรรถนะเป็นจุดเริ่มต้น แล้วกำหนดให้ชัดว่าผู้เรียนต้องทำอะไรได้ และเก็บหลักฐานก่อนและหลังการเรียน
สำหรับองค์กร: กำหนดขั้นตอนตรวจสอบภาพ เสียง หรือข้อความที่น่าสงสัยก่อนนำไปใช้หรือเผยแพร่ โดยเฉพาะเรื่องการเงิน สุขภาพ และชื่อเสียงของบุคคล
สำหรับนักวิจัยไทย: ตรวจสอบความตรงและความเชื่อมั่นของแบบวัดในภาษาไทย และพัฒนาแบบวัดเชิงปฏิบัติ
ผู้ที่ต้องการแหล่งฝึกใช้งานสามารถดูคลังความรู้และเครื่องมือ AI และคอร์สออนไลน์ของเราได้ โดยควรประเมินความเหมาะสมกับบริบทของตนเอง
ข้อจำกัด
บทความนี้สังเคราะห์จากบทคัดย่อ จึงไม่สามารถรายงานรายละเอียดวิธีวิจัยได้เท่าการอ่านฉบับเต็ม หลักฐานเกี่ยวกับสื่อสังเคราะห์ในชุดนี้มีน้อยและงานหลักเป็นการทดลองเดี่ยว นอกจากนี้ ผู้เขียนยังไม่พบงานที่ตรวจสอบได้เกี่ยวกับ Synthetic Literacy ในบริบทไทย งานวิจัยจำนวนมากศึกษาเครื่องมือที่เปลี่ยนแปลงเร็ว ผลบางส่วนจึงอาจล้าสมัยเมื่อเทคโนโลยีเปลี่ยนไป
สรุป
หลักฐานที่ตรวจสอบได้สนับสนุนว่า AI Literacy มีกรอบแนวคิดที่พัฒนาขึ้นมาก แต่การวัดและการพิสูจน์ผลการเรียนรู้ยังตามไม่ทัน ส่วนการรู้เท่าทันสื่อสังเคราะห์เป็นประเด็นจำเป็นที่ยังมีหลักฐานจำกัด แนวทางที่รอบคอบจึงเป็นการต่อยอดทักษะการประเมินสารสนเทศเดิม เพิ่มความเข้าใจระบบ AI และเก็บหลักฐานจากการปฏิบัติจริงของผู้เรียน
เอกสารอ้างอิง
Annapureddy, R., Fornaroli, A., & Gatica-Perez, D. (2025). Generative AI literacy: Twelve defining competencies. Digital Government: Research and Practice, 6(1), 1–21. https://doi.org/10.1145/3685680
Casal-Otero, L., Catala, A., Fernández-Morante, C., Taboada, M., Cebreiro, B., & Barro, S. (2023). AI literacy in K-12: A systematic literature review. International Journal of STEM Education, 10(1), 29. https://doi.org/10.1186/s40594-023-00418-7
Hwang, Y., Ryu, J. Y., & Jeong, S.-H. (2021). Effects of disinformation using deepfake: The protective effect of media literacy education. Cyberpsychology, Behavior, and Social Networking, 24(3), 188–193. https://doi.org/10.1089/cyber.2020.0174
Laupichler, M. C., Aster, A., Haverkamp, N., & Raupach, T. (2023). Development of the “Scale for the assessment of non-experts’ AI literacy” – an exploratory factor analysis. Computers in Human Behavior Reports, 12, 100338. https://doi.org/10.1016/j.chbr.2023.100338
Lintner, T. (2024). A systematic review of AI literacy scales. npj Science of Learning, 9(1), 50. https://doi.org/10.1038/s41539-024-00264-4
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM. https://doi.org/10.1145/3313831.3376727
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
Suri, N. A., Festiyed, Azhar, M., Yerimadesi, Ahda, Y., & Heffi Alberida (2025). Measuring what matters: A systematic review and VOSviewer-based bibliometric approach to digital literacy assessment instruments, competency dimensions and challenges in education. Research in Learning Technology, 33. https://doi.org/10.25304/rlt.v33.3413