รายวิชา 4125101 • ระดับบัณฑิตศึกษา

คอมพิวเตอร์สำหรับบัณฑิตศึกษา (Computer for Graduate Studies)

ความรู้และทักษะการใช้คอมพิวเตอร์ที่จำเป็นต่อการเรียนระดับบัณฑิตศึกษา: สืบค้น/รวบรวม/วิเคราะห์/นำเสนอข้อมูล ทำงานร่วมกันบนคลาวด์ ประยุกต์ใช้ VR/AR และ Generative AI ตลอดจนจริยธรรมและความปลอดภัยข้อมูล (สอดคล้อง Course Syllabus)

Graduate Computing

🧾 รายละเอียดรายวิชา (Course Description)

รหัส/ชื่อ/หน่วยกิต: 4125101 — คอมพิวเตอร์สำหรับบัณฑิตศึกษา (Computer for Graduate Studies) — 3(2-2-5)

ศึกษาความรู้และทักษะการใช้คอมพิวเตอร์ที่จำเป็นและเกี่ยวข้องกับการศึกษาระดับบัณฑิตศึกษา ครอบคลุมการสืบค้นข้อมูล การรวบรวมและวิเคราะห์ข้อมูล การนำเสนอข้อมูล การจัดการความรู้ผ่านสื่อสังคม การใช้เทคโนโลยีร่วมสมัย เช่น ระบบคลาวด์ VR/AR และ Generative AI การใช้โปรแกรมประยุกต์เพื่อการศึกษาและวิจัย ตลอดจนจริยธรรมในการใช้คอมพิวเตอร์และเทคโนโลยีสารสนเทศ

ถอดความให้ตรงกับ Course Syllabus (.docx)
ข้อมูลรายวิชา
รหัสวิชา: 4125101
หน่วยกิต: 3(2-2-5)
รูปแบบ: บรรยาย + ปฏิบัติ + โครงงาน

ผู้สอน
ผศ.ดร. นัฐพงศ์ ส่งเนียม

🎯 วัตถุประสงค์ของรายวิชา

  • ใช้เครื่องมือและเทคโนโลยีสารสนเทศเพื่อสนับสนุนงานวิจัยระดับบัณฑิตศึกษาได้อย่างมีประสิทธิภาพ
  • วิเคราะห์ข้อมูลเชิงปริมาณและเชิงคุณภาพด้วยซอฟต์แวร์วิเคราะห์ข้อมูล
  • ใช้ระบบคลาวด์เพื่อการทำงานร่วมกันและการจัดเก็บข้อมูล
  • ประยุกต์ใช้ VR, AR และ Generative AI เพื่อสร้างนวัตกรรมหรือสื่อเพื่อการเรียนรู้และงานวิจัย
  • นำเสนอข้อมูลเชิงวิชาการอย่างมืออาชีพโดยใช้เครื่องมือดิจิทัล
  • ปฏิบัติตามหลักจริยธรรมทางคอมพิวเตอร์และความปลอดภัยข้อมูล

🧠 CLOs (Course Learning Outcomes)

รหัส CLOผลการเรียนรู้
CLO1อธิบายและเลือกใช้เทคโนโลยีสารสนเทศที่เกี่ยวข้องกับการเรียนรู้และวิจัยระดับบัณฑิตศึกษาได้
CLO2ใช้โปรแกรมสำหรับการสืบค้น รวบรวม วิเคราะห์ และนำเสนอข้อมูลได้อย่างมีประสิทธิภาพ
CLO3ใช้เทคโนโลยีร่วมสมัย เช่น Cloud, VR, AR, Generative AI เพื่อสร้างสรรค์ผลงานวิจัยหรือสื่อได้
CLO4ปฏิบัติตามหลักจริยธรรมและการคุ้มครองข้อมูลส่วนบุคคลอย่างเหมาะสม
สอดคล้อง Course Syllabus

โครงร่างบทเรียน (9 บท)

หัวข้อสอดคล้องกับ Syllabus; เอกสารจะทยอยอัปเดต
บทที่ 1: บทนำ & ความสำคัญของคอมพิวเตอร์ระดับบัณฑิตศึกษา

ภาพรวมทักษะและเครื่องมือดิจิทัลเพื่อการวิจัย • ขอบเขตรายวิชา

บทที่ 2: การสืบค้นข้อมูลวิชาการ

Google Scholar • Scopus • TCI • กลยุทธ์ค้นและตัวชี้วัด

บทที่ 3: การจัดการบรรณานุกรม

Mendeley • Zotero • รูปแบบการอ้างอิง

บทที่ 4: ระบบคลาวด์เพื่อการทำงานและวิจัย

Google Drive • OneDrive • Colab • การทำงานร่วมกัน

บทที่ 4: ระบบคลาวด์เพื่อการทำงานและวิจัย Google Drive บทที่ 4 ระบบคลาวด์เพื่อการทำงานและวิจัย
บทที่ 5: การจัดการความรู้บนสื่อสังคม

แนวคิด KM • กรณีศึกษา • การสื่อสารวิชาการ

บทที่ 6: การวิเคราะห์ข้อมูลเชิงปริมาณ

Excel • SPSS • Clean/Analyze/Visualize

บทที่ 7: ข้อมูลเชิงคุณภาพ

แนวคิด • NVivo / ATLAS.ti • Coding & Theming

บทที่ 8: การนำเสนอข้อมูล & Visualization

Power BI • Tableau • Canva • PPT

บทที่ 9: เทคโนโลยีร่วมสมัย & จริยธรรม

Cloud/Big Data • VR/AR • Generative AI • Data Privacy/AI Ethics

ตารางการสอน 16 สัปดาห์

สัปดาห์ 1 : 09 พย. 2568
บทนำและความสำคัญ
บรรยาย/อภิปราย • แบบทดสอบก่อนเรียน
สัปดาห์ 2 : 16 พย. 2568
สืบค้นข้อมูลวิชาการ (Scholar/Scopus/TCI)
ปฏิบัติ • แบบฝึกหัด
สัปดาห์ 3 : 23 พย. 2568
โปรแกรมบรรณานุกรม (Mendeley/Zotero)
ฝึกปฏิบัติ • การบ้าน
สัปดาห์ 4
คลาวด์เพื่อทำงาน/วิจัย (Drive/OneDrive/Colab)
ปฏิบัติกลุ่ม • รายงานย่อย
สัปดาห์ 5
KM บนสื่อสังคม
กรณีศึกษา • อภิปราย
สัปดาห์ 6
รวบรวม/จัดการข้อมูลเชิงปริมาณ
Excel/SPSS/Python • แบบฝึกหัด
สัปดาห์ 7
วิเคราะห์ข้อมูลเชิงคุณภาพ
NVivo/ATLAS.ti • แบบฝึกหัด
สัปดาห์ 8
การนำเสนอข้อมูล
Power BI/Tableau/Canva/PPT • การบ้าน
สัปดาห์ 9
คลาวด์ & ข้อมูลขนาดใหญ่
สาธิต/ปฏิบัติ • การบ้าน
สัปดาห์ 10
VR/AR เพื่อการศึกษา
ปฏิบัติสร้างสื่อ • การบ้าน
สัปดาห์ 11
Generative AI เพื่อการศึกษา/วิจัย
ฝึกใช้เครื่องมือ • แบบฝึกหัด
สัปดาห์ 12
AI Content & Prompt Engineering
ปฏิบัติ • รายงาน
สัปดาห์ 13
โปรแกรมประยุกต์เพื่อการศึกษา/วิจัย
SPSS/R/Python/MATLAB • แบบฝึกหัด
สัปดาห์ 14
รายงาน & การนำเสนอผลงานวิจัย
ฝึกนำเสนอ • ประเมินกลุ่ม
สัปดาห์ 15
จริยธรรม IT
อภิปราย/กรณีศึกษา • สอบย่อย
สัปดาห์ 16
สรุป & นำเสนอผลงานโครงงาน
Final Presentation • สอบปลายภาค/Project
หัวข้อ/กิจกรรม/การประเมิน สอดคล้องตามเอกสาร Syllabus

🧩 วิธีการวัดและประเมินผล

การเข้าชั้นเรียนและมีส่วนร่วม

การมีส่วนร่วมในห้องเรียน/กิจกรรม

10%
แบบฝึกหัดและงานที่มอบหมาย

งานเดี่ยว/กลุ่มตามหัวข้อรายสัปดาห์

20%
การทดสอบย่อยและรายงาน

แบบทดสอบระหว่างภาค/รายงานย่อย

20%
โครงงานรายวิชา (Project)

พัฒนา/สาธิตระบบหรือสื่อสำหรับโจทย์เชิงวิชาการ

30%
การสอบปลายภาค

ข้อเขียน/ปากเปล่า/สาธิตผลงาน (ตามประกาศ)

20%
รวม 100% • น้ำหนักคะแนนตาม Syllabus

🛡️ นโยบายรายวิชา

การเข้าเรียนและการส่งงาน
  • เข้าชั้นเรียน/กิจกรรมอย่างสม่ำเสมอและมีส่วนร่วม
  • ส่งงานภายในกำหนดเวลา หากล่าช้าอาจถูกหักคะแนนตามดุลยพินิจผู้สอน
  • รูปแบบ/แพ็กเกจไฟล์: ตามที่ระบุในแต่ละงาน (เช่น PDF, Notebook, ลิงก์คลาวด์)
รายละเอียดปลีกย่อยเป็นไปตามคำชี้แจงรายสัปดาห์
จริยธรรมและความซื่อสัตย์ทางวิชาการ
  • ห้ามลอกผลงาน/Plagiarism และต้องอ้างอิงแหล่งที่มาอย่างถูกต้อง
  • ปฏิบัติตามนโยบายความปลอดภัยข้อมูลและกฎหมายที่เกี่ยวข้อง (PDPA ฯลฯ)
  • การใช้เครื่องมือ AI ต้องระบุวิธีใช้/สัดส่วนการใช้ให้โปร่งใส
แนวปฏิบัติเพิ่มเติมอ้างอิงตามระเบียบมหาวิทยาลัย

เอกสาร/ซอฟต์แวร์/แหล่งเรียนรู้

💻 ซอฟต์แวร์และเครื่องมือ
  • Google Workspace, Microsoft 365, Canva, Tableau, Power BI
  • Mendeley, Zotero, SPSS, NVivo, Python (Jupyter Notebook / Google Colab)
  • ChatGPT, Gemini, Copilot, Midjourney (Generative AI)
  • Unity / CoSpaces (VR/AR)
ระบุให้ตรงกับ Syllabus
📚 เอกสารและแหล่งอ้างอิง
  • บทความวิจัย: Scopus, IEEE Xplore, SpringerLink
  • คู่มือออนไลน์: Google Cloud, Microsoft Learn, Coursera
  • เอกสาร AI Ethics และ Data Privacy
📂 ชุดข้อมูลสาธารณะ

ลิงก์ open data เพื่อทำแบบฝึก/โปรเจกต์