ชื่อองค์ความรู้ เรื่อง   การสร้างนวัตกรรม QA จากงานประจำสำหรับงานประกันคุณภาพการศึกษายุคดิจิทัล

ยุคดิจิทัล vs ยุค AI  ต่างกันอย่างไร

Digital Transformation คือการปูพื้นฐานองค์กรให้เป็นดิจิทัล เปลี่ยนจากกระดาษมาเป็นเทคโนโลยี   ลดความซ้ำซ้อน เพิ่มความรวดเร็ว และสร้างฐานข้อมูล ส่วน ยุค AI คือการยกระดับความฉลาดขององค์กรอีกขั้น โดยใช้ข้อมูลที่มีอยู่มาช่วยคิดและช่วยตัดสินใจแบบเรียลไทม์ ไม่ใช่แค่เก็บข้อมูลเฉย ๆ

ความท้าทายของงาน QA ในยุคนี้มี 4 ประเด็นหลัก

1. ทักษะของคน QA ยังไม่สอดคล้องกับเทคโนโลยี ต้องอัปสกิลด้านดิจิทัลและการวิเคราะห์ข้อมูล
2. พึ่งพาเอกสารย้อนหลังไม่ได้อีกต่อไป ต้องใช้ข้อมูลที่ทันเวลาและเชื่อมโยงกันได้
3. เทคโนโลยีเปลี่ยนความคาดหวังของผู้มีส่วนได้ส่วนเสีย อาจารย์และผู้บริหารคาดหวังกระบวนการที่เชิงรุกมากขึ้น ไม่ใช่แค่ทำตามหลังเหมือนเดิม
4. ภาระงานซ้ำซ้อนและความซับซ้อนของระบบ การจัดการข้อมูลหลายระบบพร้อมกันทำให้เกิดความยุ่งยาก

PP Point จุดเริ่มต้นของการพัฒนาทุกครั้ง

หัวใจสำคัญของแนวคิดนี้คือ "PP Point" (Problem Point)หรือ ประเด็นปัญหา/ข้อจำกัดในกระบวนการทำงานที่ส่งผลต่อประสิทธิภาพ คุณภาพ และความพึงพอใจของผู้เกี่ยวข้อง ผู้บรรยายย้ำว่าการพัฒนางานทุกครั้งต้องเริ่มจาก PP Point เสมอ เพราะเป็นเหมือน "เข็มทิศ" บอกทิศทางว่าควรแก้ตรงไหน มิเช่นนั้นสิ่งที่พัฒนาขึ้นอาจไม่ตอบโจทย์จริงขององค์กร

จากการรวบรวมความเห็นของผู้เข้าร่วมพบ PP Point ของงาน QA ที่พบบ่อย 6 ข้อ ได้แก่

1. เอกสารจำนวนมาก ซ้ำซ้อน และใช้เวลานาน การเตรียมข้อมูลสนับสนุนใช้เวลาราว 30–45 วันต่อรอบประเมิน เพราะข้อมูลเดียวกันต้องกรอกซ้ำหลายระบบ (AQA, ตัวชี้วัด, SAR)
2. QA ถูกมองว่าเป็นหน้าที่ของคนบางกลุ่ม คนไม่เกี่ยวข้องมักคิดว่า "ฉันไม่ได้ทำ QA ฉันไม่ต้องเก็บข้อมูล" ทำให้ข้อมูลไม่ครบเมื่อถึงเวลารวบรวม
3. เข้าใจเกณฑ์ไม่ตรงกัน ระหว่างผู้เขียนรายงานกับผู้ตรวจประเมิน เขียนแล้วไม่แน่ใจว่าตอบโจทย์ครบ PDCA หรือยัง
4. ข้อมูลกระจัดกระจาย ไม่เป็นระบบเดียว อยู่กระจายทั้งใน Excel, Google Drive, Line, กระดาษ ไม่มีแดชบอร์ดหรือฐานข้อมูลกลาง ค้นหาข้อมูลย้อนหลังยาก
5. ขาดเครื่องมือดิจิทัลที่ช่วย "คิด" ไม่ใช่แค่ช่วย "เก็บ" ระบบส่วนใหญ่เป็นแค่ที่เก็บไฟล์ ไม่มี AI ช่วยวิเคราะห์
6. ความเป็นเจ้าของคุณภาพไม่กระจายทั่วทั้งระบบ ทำให้กระบวนการติดขัดเมื่อบางฝ่ายไม่มีส่วนร่วม

หลัก 5 ข้อในการออกแบบงาน QA ใหม่

แนวคิดหลักที่ใช้พัฒนางาน QA ของตนเองไว้ 5 ข้อ

1. เปลี่ยนบทบาท QA จาก "ผู้รวบรวมเอกสาร" เป็น "ผู้ออกแบบระบบ" ไม่ต้องวิ่งไล่ตามเอกสารใกล้ช่วงตรวจประเมินอีกต่อไป แต่ออกแบบวิธีเก็บข้อมูลให้ไหลเข้าระบบเองตั้งแต่ต้น
2. งาน QA ไม่ใช่งานเพิ่ม แต่เป็นส่วนหนึ่งของงานประจำ ต้องเก็บหลักฐานตอนทำงานจริง ไม่ใช่รอถึงใกล้ประเมินแล้วค่อยรวบรวม เพราะข้อมูลที่มาแบบเร่งด่วนมักไม่ครบ
3. QA เป็นความรับผิดชอบร่วมกันของทุกคนในองค์กร ไม่ใช่งานของทีมใดทีมหนึ่ง แต่เป็นบทบาทที่ทุกงานต้องมีส่วนร่วม
4. ลดขั้นตอนที่ไม่สร้างคุณค่า ถ้าไม่จำเป็นก็ตัด ถ้าซ้ำก็รวม ถ้าทำได้ก็ทำให้เป็นระบบอัตโนมัติ ตัวอย่างแรกที่ผู้บรรยายทำคือเปลี่ยนจากการเก็บแบบสอบถามด้วยกระดาษ (สำหรับนักศึกษากว่า 3,000 คน) มาใช้ Google Form ตั้งแต่ปี 2555 ซึ่งได้รับรางวัลรองชนะเลิศอันดับ 1 ในเวทีประชุมวิชาการ
5. ใช้เทคโนโลยีช่วย "คิด" ไม่ใช่แค่ช่วย "เก็บ" นำระบบอีเมล ระบบ Q และ AI มาช่วยตั้งคำถามและชี้จุดที่ควรพัฒนา

โมเดล WKIR จากงานประจำสู่นวัตกรรมและงานวิจัย

ผู้บรรยายคิดค้นโมเดลของตัวเองเรียกว่า WKIR Model เพื่ออธิบายเส้นทางการพัฒนางาน โดยไม่ต้องก้าวกระโดด แต่พัฒนาแบบค่อยเป็นค่อยไป

• W = Work Improvementพัฒนางานจากงานประจำ เริ่มจากปัญหา/PP Point ที่เจอจริงในหน้างาน
• K = Knowledge Managementนำประสบการณ์และวิธีแก้ปัญหามาถอดบทเรียน แลกเปลี่ยนกันในเวทีต่าง ๆ ทั้งระดับคณะและระดับมหาวิทยาลัย
• I = Innovationยกระดับความรู้ที่ได้ให้เป็นสิ่งจับต้องได้ เช่น โปรแกรม ระบบ เครื่องมือ แบบฟอร์ม หรือแพลตฟอร์มใหม่ ๆ
• R = Researchนำนวัตกรรมไปวิเคราะห์ด้วยทฤษฎี (เช่น ECRS, ไคเซ็น) และต่อยอดเป็นงานวิจัยเชิงวิชาการ เพื่อศึกษาประสิทธิผล ประสิทธิภาพ และผลกระทบ 

จุดสำคัญของโมเดลนี้คือ มีลูกศรชี้กลับ จาก K ไป W และจาก I ไปยัง K/W เสมอ เพราะข้อเสนอแนะจากกรรมการหรือผู้ร่วมแลกเปลี่ยนในแต่ละเวทีจะนำไปสู่การพัฒนางานรอบต่อไปอย่างต่อเนื่อง ผู้บรรยายยกคำพูดของอาจารย์ท่านหนึ่งว่า "Best practice ที่ดีที่สุด ณ วันนี้ ไม่ใช่จุดสิ้นสุดของการพัฒนา แต่เป็นเพียงจุดอ้างอิงความเหมาะสม ณ ช่วงเวลาหนึ่งเท่านั้น"

นิยามของ "นวัตกรรม QA"

นวัตกรรม QA ไม่จำเป็นต้องใช้เทคโนโลยีขั้นสูง แต่คือการพัฒนาแนวปฏิบัติ กระบวนการ หรือเครื่องมือที่เกิดจากการวิเคราะห์ปัญหาหน้างานจริง แล้วทำให้งานง่ายขึ้นและมีคุณภาพมากขึ้น องค์ประกอบของนวัตกรรมมี 3 ส่วน

1. Think (จับต้องได้)ต้องเป็นสิ่งที่จับต้องได้หรือเห็นผลชัดเจน ไม่ใช่แค่ไอเดีย
2. New (ความใหม่)ไม่จำเป็นต้องใหม่ระดับโลก แต่ต้องใหม่และแตกต่างจากเดิมของหน่วยงาน/องค์กร/บริบทการทำ QA
3. Useful (มีคุณค่าและใช้ประโยชน์ได้จริง)ต้องแก้ปัญหาได้จริงและสร้างคุณค่าอย่างชัดเจน เช่น ลด PP Point ลดเวลา ลดความซ้ำซ้อน เพิ่มคุณภาพข้อมูล และช่วยตัดสินใจได้

เส้นทางพัฒนาระบบจริง จากกระดาษสู่แดชบอร์ดสู่ AI

ผู้บรรยายเล่าประวัติการพัฒนาระบบของตัวเองตั้งแต่ปี 2562 ถึงปัจจุบัน แบ่งเป็น 3 ระยะ

ระยะแรก (2562–2563) eCoPเริ่มจากใช้ Google Sheet สร้างระบบที่เรียกว่า "eCoP" สำหรับติดตามงานประกันคุณภาพระดับคณะ ตามเกณฑ์ สกอ. โดยใช้ระบบไฟสัญญาณ (แดง = ยังไม่ใส่ข้อมูล/มีความเสี่ยง, เหลือง = เริ่มมีข้อมูล ~80%, เขียว = ข้อมูลเริ่มสมบูรณ์) ข้อจำกัดคือเป็นการแชร์ไฟล์ ถ้าใครแก้สิทธิ์การแชร์ผิดพลาดจะเข้าไม่ได้ทันที

ระยะที่สอง (2563 เป็นต้นมา) แดชบอร์ดเมื่อมหาวิทยาลัยเปลี่ยนเกณฑ์จาก สกอ. เป็น AQAซึ่งต้องมีข้อมูลแนวโน้มย้อนหลัง 3 ปี ผู้บรรยายไปศึกษาแนวทางจากมหาวิทยาลัยสงขลานครินทร์ แล้วพัฒนาแดชบอร์ดของตัวเอง เริ่มจากหน้าตาที่เป็นสีดำ ไม่สวย ถูกอาจารย์ท้วงติง จึงปรับปรุงให้ดูดีขึ้น และรวมระบบต่าง ๆ ของ QA (SPEC, AQA) เข้ามาไว้ในเว็บไซต์เดียว พร้อมเก็บข้อมูลย้อนหลังราว 5–6 ปี ในขั้นตอนนี้ยังนำ "แนวคิดปลาฉลาม" (แนวคิดที่คนญี่ปุ่นใช้เลี้ยงปลาฉลามคุมฝูงปลาให้ตื่นตัวอยู่เสมอเพื่อให้ปลาสดตลอดการเดินเรือ) มาประยุกต์เป็นระบบติดตามงานอัตโนมัติผ่าน Microsoft Teams ที่จะแจ้งเตือนเจ้าหน้าที่เมื่อข้อมูลยังไม่ถูกอัปเดต

ผลลัพธ์จากระยะนี้ (คณะวิศวกรรมศาสตร์ ซึ่งมี 14 หลักสูตร)

ระยะที่สาม (ปัจจุบัน) AI ช่วยคิดล่าสุดผู้บรรยายนำ AI มาช่วยวิเคราะห์และชี้จุดพัฒนา ไม่ใช่แค่ช่วยเก็บข้อมูลอีกต่อไป โดยพัฒนาเป็น "Custom GPT" บนแพลตฟอร์ม ChatGPT (Explore GPT) หลายตัว เพื่อช่วยงานเขียนรายงานประเมินตนเอง (SAR) ผลที่ได้คือ รายงานมีความครบถ้วน ถูกต้อง เชื่อมโยงเชิงระบบมากขึ้น และในหมวดที่คณะสนับสนุนข้อมูลให้หลักสูตร เวลาที่ใช้ลดลงจากเฉลี่ย 45 วัน เหลือ 12 วัน (ลดลง 33 วัน หรือคิดเป็น 73.33%) รูปแบบการเขียนก็เปลี่ยนจากเชิงพรรณนาไปสู่การเขียนเชิงวิเคราะห์ เชื่อมโยงตามวงจร PDCA มากขึ้น

ตัวอย่าง Custom GPT ที่พัฒนาขึ้นจริง

           ผู้บรรยายสาธิตการสร้างและใช้งาน Custom GPT หลายตัวที่ตั้งชื่อตามลักษณะงาน เช่น Eproject (ช่วยเขียนโครงการ), Ecost (วิเคราะห์ความเสี่ยง), EUA และตัวช่วยเขียน SAR ตามเกณฑ์ AUN-QA

Eproject — ผู้ช่วยเขียนโครงการเมื่อผู้ใช้ป้อนคีย์เวิร์ดชื่อโครงการ ระบบจะเสนอชื่อโครงการที่เหมาะสม 1–3 ชื่อ วิเคราะห์ว่าสอดคล้องกับยุทธศาสตร์ใด จากนั้นช่วยเขียนหลักการและเหตุผล วัตถุประสงค์ (ตามจำนวนข้อที่กำหนดไว้) ตัวชี้วัดที่สอดคล้องกับตัวชี้วัดของมหาวิทยาลัย และยังช่วย คำนวณประมาณการค่าใช้จ่าย ให้อัตโนมัติ โดยผู้ใช้เพียงกรอกจำนวนผู้เข้าร่วม จำนวนวันจัดกิจกรรม และจำนวนวิทยากร ระบบจะคำนวณค่าอาหาร ค่าอาหารว่าง ค่าวิทยากร และค่าวัสดุให้ครบตามอัตราที่กำหนดไว้ล่วงหน้า

GPT ช่วยเขียนคำกล่าวรายงาน/คำกล่าวเปิดโครงการผู้ใช้ระบุเพียงชื่อผู้กล่าวรายงาน ตำแหน่งประธานในพิธี และชื่อโครงการ ระบบจะร่างคำกล่าวที่สุภาพ เป็นทางการ ถูกต้องตามพิธีการ และยังสามารถ "สอน" ให้ GPT จดจำสไตล์การพูดที่ประธานชอบ/ไม่ชอบ เพื่อปรับปรุงคำกล่าวในครั้งต่อ ๆ ไปได้

GPT สำหรับงาน AUN-QAสร้างเงื่อนไขหลัก 4 อย่าง คือ (1) ช่วยแก้ไข Area of Improvement ตามข้อเสนอแนะของกรรมการ (2) ร่างรายงานการประเมินตนเอง (3) แสดงรายการเอกสารแนบที่ควรมีในแต่ละเกณฑ์ และ (4) สร้างรายงานประเมินตนเองแบบเต็ม ระบบจะวิเคราะห์เชิงสาเหตุของปัญหาที่กรรมการชี้ และเสนอแนวทางปรับปรุงพร้อมหลักฐานที่ควรเตรียมให้เห็นเป็นรูปธรรม

ผู้บรรยายย้ำเสมอว่า "อย่าเชื่อ AI ทั้งหมด เชื่อได้เพียงสัก 80%"ที่เหลือต้องนำมาวิเคราะห์เองว่าสอดคล้องกับบริบทขององค์กรหรือไม่ และไม่ควรนำข้อมูลลับขององค์กรไปป้อนให้ AI โดยตรง หากต้องการให้ AI วิเคราะห์เชิงลึกควรปรับข้อมูลให้เป็นข้อมูลกลางก่อน

วิธีสร้าง Custom GPT ของตัวเอง (ไม่ต้องเสียเงิน)

ผู้บรรยายสาธิตขั้นตอนคร่าว ๆ สำหรับผู้ที่ต้องการสร้าง GPT ของตัวเอง

1. เข้าเมนู Explore GPTแล้วกด Create ที่มุมขวาบน
2. ตั้ง Name(ชื่อ GPT) และอัปโหลดรูปประกอบ
3. เขียน Descriptionอธิบายว่า GPT ตัวนี้ใช้ทำอะไร
4. เขียน Instructionกำหนดเงื่อนไขการทำงาน หากไม่รู้จะเริ่มเขียนอย่างไร สามารถให้ ChatGPT ช่วยเขียน Instruction ให้ก่อนได้ (พิมพ์ขอให้ช่วยเขียน instruction สำหรับ GPT ที่ต้องการสร้าง) แล้วนำมาปรับแก้ให้ตรงกับบริบทองค์กร
5. ตั้ง Conversation Starters(ปุ่มแนะนำคำถาม) เพื่อไกด์ผู้ใช้ที่ไม่รู้จะเริ่มถามอะไร
6. อัปโหลดไฟล์ความรู้ใน Knowledgeเช่น เกณฑ์ประเมิน แบบฟอร์มโครงการ — ควรเป็นข้อมูลที่เผยแพร่ได้แล้วเท่านั้น ไม่ใส่ข้อมูลลับขององค์กร
7. เลือกสิทธิ์การเข้าถึง 3 แบบ Only me (ใช้เองคนเดียว), Anyone with the link (แชร์ลิงก์ให้เฉพาะคนในองค์กร — ผู้บรรยายมักใช้แบบนี้และนำลิงก์ไปฝังในเว็บไซต์ของคณะที่จำกัดสิทธิ์เข้าถึงด้วยอีเมลมหาวิทยาลัย) หรือ GPT Store (เปิดสาธารณะให้ทุกคนใช้ได้)

          การสร้าง Custom GPT แบบนี้สามารถทำได้โดยไม่ต้องเสียเงินสมัครสมาชิกแบบพรีเมียม เพียงมีบัญชีอีเมลที่ใช้งานได้ก็สามารถเริ่มต้นได้

ข้อควรระมัดระวัง

- การฝังแดชบอร์ดในเว็บไซต์ ทำได้โดยการแชร์โค้ด (embed code) จาก Data Studio ไปวางในเว็บไซต์ของคณะ วิธีนี้ช่วยให้แดชบอร์ดแสดงผลได้ใหญ่ขึ้นและลดปัญหาการเข้าถึงที่ติดรหัสผ่านเมื่อแชร์ลิงก์ตรง

- ลิงก์แบบ Anyone with the link ใครกดลิงก์ก็เข้าได้ทันที ไม่ได้จำกัดเฉพาะอีเมลองค์กรในตัวลิงก์เอง แต่หากนำไปฝังในเว็บไซต์ที่มีการควบคุมสิทธิ์การเข้าถึง (เช่น ต้องล็อกอินด้วยอีเมลมหาวิทยาลัย) ก็จะช่วยจำกัดการเข้าถึงได้อีกชั้นหนึ่ง

- ระบบติดตามแบบ ปลาฉลาม ปัจจุบันยังเป็นการคีย์ข้อมูลการติดตามงานใน Microsoft Teams เอง ยังไม่ได้เชื่อมโยงอัตโนมัติกับข้อมูลจาก GPT

- การใส่ข้อมูลโครงการเก่าเป็นตัวอย่างให้ GPT สามารถทำได้หากข้อมูลนั้นเผยแพร่อยู่แล้วหรือไม่ใช่ข้อมูลลับขององค์กร เพื่อช่วยให้ AI เขียนรายงานได้ตรงกับบริบทมากขึ้น

กิจกรรมปิดท้าย  ลองสร้างนวัตกรรม QA ของตัวเองใน 30 วัน

ผู้บรรยายชวนผู้ฟังลองทำแบบฝึกหัดสั้น ๆ โดยไม่ต้องส่งใคร เพียงตอบตัวเอง 3 อย่าง

1. 1 PP Point ปัญหาจริงที่ตัวเองเจอในงาน QA (ไม่ใช่ปัญหาของคนอื่นหรือปัญหาเชิงนโยบาย)
2. 1 แนวคิด ไอเดียเล็ก ๆ ที่อยากลอง ไม่ต้องสมบูรณ์หรือสวยงาม
3. 1 เครื่องมือ สิ่งที่จะใช้แก้ PP Point นั้น ไม่จำเป็นต้องเป็นเทคโนโลยีเสมอไป อาจเป็นแบบฟอร์มใหม่ Template ใหม่ หรือแม้แต่ Google Sheet/Excel ก็ได้ เพราะถ้าไม่มีเครื่องมือ แนวคิดที่ตั้งไว้ก็จะไม่เกิดขึ้นจริง