My academic journey has been shaped by experiences that extend beyond higher education. (A1, A2, K1, K2, V3, V4)

Before joining academia, I worked across software development, systems analysis, database systems, business applications, data engineering, and industrial consultancy. Those experiences profoundly influenced not only my technical expertise but also my understanding of how people learn, collaborate, and solve authentic problems. Working in industry taught me that professional practice rarely separates knowledge into individual subjects. Instead, complex problems require ideas from multiple disciplines to be integrated, adapted, and continually refined. (A1, A2, K1, K2, K4, V3, V4, V5) [8], [12]

When I later entered higher education, I found myself viewing teaching from a different perspective. Rather than seeing courses as isolated units of knowledge, I became increasingly interested in how learners connect concepts across modules, apply them in unfamiliar contexts, and continue developing after graduation. This perspective has gradually shaped my educational philosophy, curriculum design, research supervision, and approach to educational leadership. (A1, A2, A4, K1, K2, K3, K5, V1) [2], [3]

I am currently a lecturer in the Department of Computer Science at the Faculty of Science, King Mongkut's University of Technology Thonburi (KMUTT), where I teach across computer science, artificial intelligence, machine learning, data engineering, algorithms, software development, and research-oriented capstone projects. Alongside teaching, I actively supervise undergraduate and postgraduate research, collaborate with industrial partners, and contribute to curriculum development within interdisciplinary programmes. (A1, A2, A4, K1, K2, K3, K4, K5) [2], [3]

My teaching philosophy has evolved from a simple observation: technologies change far more rapidly than the computational principles upon which they are built. Consequently, I deliberately design learning experiences that help students understand enduring concepts before introducing sophisticated tools. Whether teaching machine learning through transparent spreadsheet implementations, exploring algorithm evolution through multiple implementations of the same computational idea, or connecting bioinformatics, artificial intelligence, distributed systems, and data engineering through shared computational principles, my objective is to help students recognise ideas that remain valuable long after individual technologies have changed. (A1, A2, A4, K1, K2, K4, V1, V2)

This philosophy naturally extends beyond individual modules. Rather than viewing teaching, research, industrial collaboration, innovation, and community engagement as separate academic responsibilities, I seek to design educational ecosystems where authentic problems create opportunities for multiple forms of learning and impact. A single project may develop into undergraduate learning, research publications, industrial collaboration, software systems, design patents, competition entries, or contributions towards the Sustainable Development Goals. These are not separate objectives but different pathways emerging from meaningful educational experiences. (A1, A2, K1, K2, K3, K4, K5, V3) [8], [12]

Across the two case studies presented in this application, I reflect on how this philosophy has influenced both curriculum design and educational leadership. The first case study examines how a midpoint capstone transformed curriculum integration by shifting assessment from isolated course outcomes towards connected learning across the programme. The second explores how experiences from industry, research, and mentoring shaped an educational ecosystem in which authentic problems, interdisciplinary collaboration, and continuous refinement create opportunities for students, colleagues, and external partners to grow together. (A1, A2, A3, A4, K1, K2, K3, K5) [2], [3]

Ultimately, my aspiration is not simply to teach Computer Science. It is to design learning environments in which computational thinking, research, innovation, and professional practice reinforce one another, enabling learners to discover capabilities that neither they nor I could fully anticipate at the beginning of their educational journey. (A1, A2, A4, K1, K2, K3, V1, V2)

เส้นทางวิชาการของผมถูกหล่อหลอมจากประสบการณ์ที่กว้างไกลกว่าขอบเขตของอุดมศึกษา (A1, A2, K1, K2, V3, V4)

ก่อนเข้าสู่งานมหาวิทยาลัย ผมทำงานด้านการพัฒนาซอฟต์แวร์ การวิเคราะห์ระบบ ระบบฐานข้อมูล โปรแกรมประยุกต์ทางธุรกิจ วิศวกรรมข้อมูล และการให้คำปรึกษาแก่ภาคอุตสาหกรรม ประสบการณ์เหล่านี้ไม่ได้เพียงเพิ่มความเชี่ยวชาญทางเทคนิค แต่เปลี่ยนความเข้าใจของผมต่อการเรียนรู้ การทำงานร่วมกัน และการแก้ปัญหาจริง ในโลกการทำงาน ความรู้ไม่ได้ถูกแยกออกเป็นรายวิชา ปัญหาที่ซับซ้อนต้องอาศัยแนวคิดจากหลายศาสตร์มาบูรณาการ ปรับใช้ และขัดเกลาอย่างต่อเนื่อง (A1, A2, A4, K1, K2, K5, V1, V2)

เมื่อเข้าสู่อุดมศึกษา ผมจึงมองการสอนจากอีกด้านหนึ่ง แทนที่จะเห็นรายวิชาเป็นหน่วยความรู้ที่แยกจากกัน ผมสนใจมากขึ้นว่าผู้เรียนเชื่อมแนวคิดข้ามรายวิชาอย่างไร นำความรู้ไปใช้ในบริบทที่ไม่คุ้นเคยได้หรือไม่ และยังพัฒนาตนเองต่อไปอย่างไรหลังสำเร็จการศึกษา มุมมองนี้ค่อย ๆ หล่อหลอมปรัชญาการศึกษา การออกแบบหลักสูตร การดูแลงานวิจัย และแนวทางภาวะผู้นำทางการศึกษาของผม (A1, A2, A4, K1, K2, K3, K5, V1)

ปัจจุบันผมเป็นอาจารย์ในสาขาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี โดยสอนด้านวิทยาการคอมพิวเตอร์ ปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง วิศวกรรมข้อมูล อัลกอริทึม การพัฒนาซอฟต์แวร์ และโครงงาน Capstone ที่เน้นการวิจัย ควบคู่กับการดูแลงานวิจัยระดับปริญญาตรีและบัณฑิตศึกษา การทำงานร่วมกับภาคอุตสาหกรรม และการพัฒนาหลักสูตรสหวิทยาการ (A1, A2, K1, K2, K3, K4, K5, V3) [5], [6]

ปรัชญาการสอนของผมพัฒนาจากข้อสังเกตง่าย ๆ ว่า เทคโนโลยีเปลี่ยนเร็วกว่าหลักการคำนวณที่อยู่เบื้องหลังมาก ผมจึงออกแบบประสบการณ์การเรียนรู้ให้ผู้เรียนเข้าใจแนวคิดที่คงทนก่อนใช้เครื่องมือที่ซับซ้อน ไม่ว่าจะเป็นการสอน Machine Learning ผ่านตารางคำนวณที่มองเห็นทุกขั้นตอน การให้ผู้เรียนเห็นวิวัฒนาการของอัลกอริทึมผ่านหลาย implementation หรือการเชื่อม Bioinformatics, Artificial Intelligence, Distributed Systems และ Data Engineering ด้วยหลักการคำนวณร่วมกัน (A1, A2, A4, K1, K2, K4, V1, V2)

ปรัชญานี้ขยายออกไปไกลกว่ารายวิชา ผมไม่ได้มองการสอน งานวิจัย ความร่วมมือกับอุตสาหกรรม นวัตกรรม และการทำงานเพื่อสังคมเป็นภารกิจที่แยกขาดจากกัน แต่พยายามออกแบบระบบนิเวศการศึกษาที่ปัญหาจริงหนึ่งปัญหาสามารถสร้างเส้นทางการเรียนรู้และผลกระทบได้หลายแบบ โครงงานเดียวอาจพัฒนาเป็นการเรียนรู้ระดับปริญญาตรี บทความวิจัย ความร่วมมือกับอุตสาหกรรม ระบบซอฟต์แวร์ สิทธิบัตรการออกแบบ ผลงานประกวด หรือการมีส่วนต่อเป้าหมายการพัฒนาที่ยั่งยืน (A1, A2, K1, K2, K3, K5, V3, V4)

กรณีศึกษาทั้งสองเรื่องในแฟ้มนี้สะท้อนว่าปรัชญาดังกล่าวมีอิทธิพลต่อทั้งการออกแบบหลักสูตรและภาวะผู้นำทางการศึกษาอย่างไร กรณีศึกษาที่หนึ่งอธิบายว่า Midpoint Capstone เปลี่ยนการบูรณาการหลักสูตรจากการมองผลลัพธ์รายวิชาไปสู่การเรียนรู้ที่เชื่อมต่อกันทั้งหลักสูตร ส่วนกรณีศึกษาที่สองสำรวจว่าประสบการณ์จากอุตสาหกรรม งานวิจัย และการเป็น mentor ได้ก่อรูปเป็นระบบนิเวศที่ปัญหาจริง ความร่วมมือข้ามศาสตร์ และการปรับปรุงอย่างต่อเนื่อง เปิดโอกาสให้นักศึกษา เพื่อนร่วมงาน และภาคีภายนอกเติบโตไปด้วยกันอย่างไร (A1, A2, A4, K1, K2, K3, K5, V1) [4], [7]

ท้ายที่สุด ความมุ่งหมายของผมไม่ใช่เพียงการสอนวิทยาการคอมพิวเตอร์ แต่คือการออกแบบสภาพแวดล้อมการเรียนรู้ที่ทำให้การคิดเชิงคำนวณ งานวิจัย นวัตกรรม และการปฏิบัติวิชาชีพส่งเสริมกัน จนผู้เรียนค้นพบความสามารถที่ทั้งตัวเขาเองและผมยังไม่อาจมองเห็นได้ชัดเจนเมื่อเริ่มต้นเส้นทางการเรียนรู้ (A1, A2, A4, K1, K2, K3, V1, V2)

Section 1 – Looking Beyond Individual Courses

For much of my early teaching career, I viewed the curriculum as a carefully organised sequence of individual courses. Each module had its own learning outcomes, assessment methods, disciplinary focus, and academic responsibilities. Considered independently, the curriculum appeared coherent. (A1, A2, A3, K1, K2, K3, K5, V1) [2], [3]

As my responsibilities expanded across multiple years of the programme, I gained a longitudinal perspective. I could follow the same learners across different stages of development, and my attention gradually shifted from the performance of individual courses towards the behaviour of the curriculum as a whole. (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

Students consistently demonstrated strong capability within individual disciplines. They programmed well, designed sound relational databases, implemented machine learning algorithms, developed networking solutions, and completed research assignments successfully. The more interesting observations emerged only after knowledge began travelling beyond the educational context in which it had originally been acquired. (A1, A2, A4, K1, K2, K3, K4, K5)

Excellent database designs often required substantial redesign before they could support feature engineering or longitudinal analysis. High-performing machine learning models had not always been developed with deployment, maintainability, or software architecture in mind. Research projects were technically sound, yet experimental design and engineering decisions sometimes remained disconnected. (A1, A2, A4, K1, K2, K3, K4, V1)

These observations did not suggest that students lacked ability. Quite the opposite. They suggested that students were performing exactly as the curriculum had prepared them to perform. (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

Repeated observations across cohorts and subjects gradually formed a pattern. My background in computer science led me to view the curriculum as a complex system: individual components may function exactly as intended, yet the behaviour of the whole depends on how those components interact. Optimising every subsystem independently does not necessarily optimise the system as a whole. (A1, A2, K1, K2, K5, V5, D3.2) [2], [3]

The recurring challenge appeared at the boundaries between courses, where knowledge was expected to transfer, interact, and be recombined in ways that no single module could fully anticipate. (A1, A2, K1, K2, K5, V5, D3.2)

I therefore began asking a different question. What happened to knowledge after students left each classroom? Did it remain confined to the module in which it had been acquired, or did it continue evolving across new contexts? (A1, A2, A4, K1, K2, K5, V1, V2)

I no longer viewed the curriculum primarily as a collection of successful courses. I began seeing it as an interconnected learning system whose educational value depended not only on the quality of its components, but also on the relationships between them. (A1, A2, K1, K2, K5, V5, D3.2) [2], [3]

Section 2 – From Well-Designed Courses to Well-Designed Learning Journeys

Once I began viewing the curriculum as a system, my first instinct was to improve individual courses. Database Systems might include analytics, Artificial Intelligence might include more software engineering, Networking might introduce cybersecurity earlier, and Research Methodology might emphasise engineering judgement. (A1, A2, K1, K2, K3, K4, K5, V3) [2], [3]

Each proposal was reasonable. Collectively, however, they risked asking every subject to become responsible for everything. Every course already balanced disciplinary depth, programme outcomes, limited time, accreditation requirements, and lecturer expertise. (A1, A2, K1, K2, K5, V5, D3.2)

The issue was not the amount of knowledge available within the curriculum. The issue was how knowledge travelled through it. (A1, A2, K1, K2, K5, V5, D3.2) [2], [3]

Students naturally optimise their learning according to the objectives presented by each course. Assessment shapes attention, attention shapes effort, and effort shapes learning. This is evidence that teaching and assessment are functioning as intended. The difficulty appears only when authentic problems ignore the boundaries that academic modules necessarily create. (A1, A2, A3, A4, K1, K2, K3, K5) [8], [12]

A database optimised for transactions may later become the foundation of a machine learning system requiring analytical flexibility. Neither design is more correct; each responds to a different objective. The curriculum had never asked students to anticipate that transition, nor should it have been the responsibility of one course to do so. (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

Software engineering influenced machine learning deployment. Research methodology strengthened engineering judgement. Network architecture affected cybersecurity. Data structures influenced algorithmic efficiency. These relationships did not belong naturally to one module. They emerged between modules. (A1, A2, K1, K2, K3, K4, K5, V3)

Integration, I came to realise, is not the inevitable result of accumulating knowledge. It is a capability in its own right, developed through repeated opportunities to connect, test, refine, and reconstruct understanding across contexts. (A1, A2, K1, K2)

Improving every course does not automatically improve the learning journey. Educational quality also depends on the relationships that connect those courses. (A1, A2, K1, K2, K5, V5, D3.2)

The curriculum did not need more content. It needed a deliberate opportunity for knowledge from different parts of the programme to meet, interact, and evolve while students still had sufficient time to learn from the experience. (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

Only then did the idea of a Midpoint Capstone emerge—not as another project, but as a curriculum intervention. (A1, A2, K1, K2, K5, V5, D3.2) [2], [3]

Section 3 – Moving Integration to the Point Where It Can Still Influence Learning

The next question was where integration should occur. The conventional answer was the final-year project, long regarded as the culmination of undergraduate learning. (A1, A2, K1, K2)

It was an excellent place to observe curriculum integration. I became less certain that it was the best place to develop it. (A1, A2, K1, K2, K4, K5, V5, D3.2) [2], [3]

Final-year projects revealed patterns that had remained invisible earlier. Students recognised the importance of software architecture only after systems became complex. Database decisions constrained analytical models. Research methodology became meaningful once engineering decisions required evidence rather than intuition. (A1, A2, A4, K1, K2, K3, K4, V1)

The projects were functioning exactly as intended. They were revealing how students integrated their learning. The difficulty was not the quality of the evidence. It was its timing. (A1, A2, A4, K1, K2, K3, V1, V2)

By the time these patterns became visible, students were approaching graduation. The curriculum had produced excellent diagnostic information precisely when there was least curriculum remaining in which to act upon it. (A1, A2, A4, K1, K2, K4, K5, V1) [2], [3]

I therefore changed the question from where students should demonstrate integration to when they should first experience it. (A1, A2, A4, K1, K2, V1, V2, D3.2)

Positioned approximately halfway through the programme, the Capstone could become an intervention that actively shaped future learning. Feedback would no longer describe only what had happened. It could influence what happened next. (A1, A2, A3, K1, K2, K3, K5, V1) [10], [11]

Students returned to subsequent courses with different questions. Database concepts gained analytical context. Software engineering became meaningful through prior experience of architectural consequences. Research methodology became a practical framework for decision-making under uncertainty. (A1, A2, A4, K1, K2, K3, K4, K5)

The Midpoint Capstone also changed how lecturers viewed the curriculum. Conversations shifted from “How did students perform in my course?” towards “How does learning progress across the programme?” (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

The final-year project remained the place where students demonstrated professional readiness. The Midpoint Capstone became the place where students, lecturers, and the curriculum itself discovered what still had time to improve. (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

Section 4 – Seeing More Than One Form of Excellence

The Midpoint Capstone solved one problem while revealing another. If students were expected to integrate knowledge from multiple disciplines, should they also be assessed through a single definition of success? (A1, A2, A3, A4, K1, K2, K3, V1)

Authentic engineering projects rarely have one optimal solution. Every important design decision balances competing priorities. Technical performance may reduce maintainability. Flexibility may require greater implementation effort. Sophisticated algorithms may not deliver the greatest user value. (A1, A2, K1, K2, K4, D3.2)

Professional practice does not eliminate trade-offs. It depends upon them. Assessment therefore needed to recognise why different projects became excellent in different ways. (A1, A2, A3, K1, K2, K3, K4, V1) [11]

Learning from Optimisation Rather Than Ranking

My research in multi-objective optimisation strongly influenced this view. A solution that is superior according to one objective may become less attractive when evaluated against several competing objectives. (A1, A2, K1, K2, K3, V3, D3.2)

Engineering rarely asks professionals to optimise one variable. Education should prepare students for the same reality. (A1, A2, A4, K1, K2, V1, V2, V4)

Students naturally optimise whatever assessment rewards. If assessment values only technical sophistication, students will optimise technical sophistication. If it rewards only presentation, presentation will improve. The more important question is whether our assessment objectives reflect the complexity of authentic professional practice. (A1, A2, A3, A4, K1, K2, K3, V1) [4], [7]

Multi-objective Assessment

I therefore developed a multi-objective assessment philosophy. Some projects demonstrated exceptional artificial intelligence. Others excelled in software engineering, systems integration, research design, cybersecurity, user-centred design, innovation, or societal relevance. (A1, A2, A3, K1, K2, K3, K4, V1) [11]

These differences were not inconsistencies. They represented different combinations of strengths emerging from different educational journeys. (A1, A2, K1, K2)

This did not reduce academic expectations. Students still had to justify every design decision, explain accepted trade-offs, and critically evaluate limitations. (A1, A2, A4, K1, K2, V1, V2, D3.2)

Excellence was never defined by doing everything. It was defined by making informed decisions. (A1, A2, K1, K2, K4, D3.2)

Making Excellence Visible

The Best-of Awards emerged from this philosophy. Rather than recognising only one “best project”, teams could be acknowledged for outstanding achievement in different dimensions of professional practice. (A1, A2, A3, K1, K2, K3, V1, V2)

The awards did not lower standards. Students became more ambitious because excellence was no longer constrained to one pathway. They were more willing to pursue original ideas and justify unconventional decisions. (A1, A2, A3, A4, K1, K2, K3, K4)

The conversations after presentations also changed. Students became less interested in asking “Which project won?” and more interested in “Why was this project recognised?” (A1, A2, A4, K1, K2, V1, V2, D3.2)

The awards were not primarily about celebrating achievement. They were about making different forms of excellence visible. (A1, A2, A3, K1, K2, K3, K4, V1)

Birds, Fish, and Educational Judgement

I often tell students that we should not compare birds with fish. This is not an argument against standards. It is a question about whether every learner must demonstrate excellence in exactly the same way. (A1, A2, A4, K1, K2, K4, V1, V2)

A fish should not receive lower recognition because it does not fly. A bird should not be considered less capable because it does not swim. (A1, A2, K1, K2)

Assessment became less about identifying winners and more about revealing potential. I came to see it as a way of helping students, colleagues, and programmes recognise strengths that might otherwise remain invisible. (A1, A2, A3, A4, K1, K2, K3, K5) [11]

Section 5 – From Individual Practice to a Shared Educational Ecosystem

Educational ideas can often be developed by a single lecturer. Educational change rarely can. (A1, A2, K1, K2)

The Midpoint Capstone began within my own practice, but meaningful curriculum integration required the perspectives, expertise, and experience of colleagues from other disciplines. (A1, A2, K1, K2, K5, V5, D3.1, D3.2) [2], [3]

This changed my understanding of leadership. Earlier, I associated leadership with introducing new ideas. I now associate it with creating environments in which ideas can be questioned, challenged, refined, and improved by others. (A1, A2, K1, K2)

Building a Community Around Student Learning

Rather than treating the Capstone as a module I personally owned, I invited colleagues to participate as mentors, reviewers, discussion partners, and critical friends. (A1, A2, A4, K1, K2, K5, V1, V2)

A database lecturer could observe how design decisions influenced machine learning. AI lecturers could see software architecture and data engineering constraints. Research methodology became connected with engineering judgement. (A1, A2, K1, K2, K3, K4, V3, D3.2)

The Capstone gradually became a common language through which colleagues could discuss curriculum integration using authentic evidence generated by students. (A1, A2, A4, K1, K2, K3, K5, V1) [2], [3]

Mentoring Beyond the Classroom

Students learned from multiple educators and diverse viewpoints. Colleagues within and beyond the department contributed to reviews, while academics from other universities broadened perspectives and strengthened authenticity. (A1, A2, A4, K1, K2, V1, V2, V5)

What began as project supervision evolved into a mentoring network. Students learned from multiple educators. Educators learned from one another. The curriculum benefited from both. (A1, A2, A4, K1, K2, K5, V1, V2) [2], [3]

Evidence that Learning Had Become a Community Activity

Students progressed beyond coursework to national and international competitions, research publications, and interdisciplinary collaboration. Students achieved first-place awards for four consecutive years (2019–2022); twelve students across four teams reached the Thailand Young Rising Star for Science programme; nine students across three teams received UAMC Gold Medals; Super AI Engineer participants earned two Gold, two Silver, two Bronze, and five Special Awards; and student work contributed to more than twenty IEEE-indexed publications. (A1, A2, A3, A4, K1, K2, K3, K5)

These were not the ultimate purpose of education. They were evidence that students had extended learning beyond individual courses and increasingly saw themselves as contributors rather than simply learners. (A1, A2, A4, K1, K2, K3, K5, V1)

Leadership Through Sustainability

Educational innovation becomes successful only when it continues evolving without depending entirely on its original designer. (A1, A2, A5, K1, K2, K3, V3, D3.1)

I therefore shared the principles of the Midpoint Capstone, multi-objective assessment, and mentoring practices through knowledge-sharing, curriculum discussions, collaborative mentoring, and workshops within KMUTT and partner universities. (A1, A2, A3, A4, A5, K1, K2, K3) [2], [3]

I no longer believe leadership is measured by the number of innovations one introduces. I believe it is measured by how many people are able to improve those innovations after they cease to belong to any one individual. (A1, A2, A5, K1, K2, K3, V3, D3.1)

The most rewarding outcome of the Midpoint Capstone was not the project itself. It was watching the curriculum become something that colleagues and students were building together. (A1, A2, A4, A5, K1, K2, K3, K5) [2], [3]

Final Reflection – Beyond Comparing Birds and Fish

I no longer regard the Midpoint Capstone as the most significant outcome of this journey. It is one manifestation of a much larger change in how I understand education. (A1, A2, A5, K1, K2, K3, V3, D3.1)

Effective teaching is not only helping students learn individual subjects well. Professional capability depends on recognising relationships between ideas, transferring understanding across unfamiliar contexts, and continuing to learn long after modules have ended. (A1, A2, A4, A5, K1, K2, K3, K5)

The familiar metaphor that we should not compare birds with fish reminds us to recognise different strengths. Experience, however, has taught me that this is incomplete. (A1, A2, A5, K1, K2, K3, V3, D3.1)

Education should not stop at recognising diversity. It should create opportunities for learners to discover capabilities they did not previously know they possessed. (A1, A2, A4, A5, K1, K2, K3, V1)

Programmers become researchers. Analytical learners become mentors, communicators, or system architects. Given the right environment, strengths that once appeared unrelated become complementary. (A1, A2, A4, A5, K1, K2, K3, K5)

Perhaps good education is not merely about avoiding unfair comparisons. Perhaps it is about designing learning environments where fish discover that they can fly, and birds realise that they can swim. (A1, A2, A5, K1, K2, K3, V3, D3.1)

I no longer measure educational success by how effectively I teach my own subject. I measure it by whether students continue connecting ideas after they leave my classroom, whether colleagues continue improving ideas after they become shared, and whether the curriculum itself continues learning. (A1, A2, A4, A5, K1, K2, K3, K5) [2], [3]

Educational leadership is not about creating better courses. It is about creating better conditions for learning to continue. (A1, A2, A5, K1, K2, K3, K5, V3)

Section 1 – มองให้ไกลกว่ารายวิชาแต่ละวิชา

ในช่วงแรกของการเป็นอาจารย์ ผมมองหลักสูตรเป็นลำดับของรายวิชาที่จัดวางไว้อย่างเป็นระบบ แต่ละวิชามีผลลัพธ์การเรียนรู้ วิธีประเมิน และความรับผิดชอบของตนเอง เมื่อพิจารณาแยกกัน หลักสูตรก็ดูสอดคล้องดี (A1, A2, A3, K1, K2, K3, K5, V1) [11]

เมื่อผมรับผิดชอบการสอนครอบคลุมหลายชั้นปีมากขึ้น ผมได้มองเห็นพัฒนาการของผู้เรียนกลุ่มเดิมในระยะยาว ความสนใจจึงค่อย ๆ เคลื่อนจากผลการเรียนในแต่ละวิชาไปสู่พฤติกรรมของหลักสูตรทั้งระบบ (A1, A2, A4, K1, K2, K5, V1, V2)

นักศึกษามีความสามารถสูงภายในแต่ละศาสตร์ พวกเขาเขียนโปรแกรม ออกแบบฐานข้อมูล พัฒนาโมเดล Machine Learning สร้างระบบเครือข่าย และทำงานวิจัยได้ตามผลลัพธ์ของรายวิชา แต่ปัญหาที่น่าสนใจปรากฏเมื่อความรู้ต้องเดินทางออกจากบริบทเดิม (A1, A2, A4, K1, K2, K3, K5, V1)

ฐานข้อมูลที่ออกแบบดีอาจต้องถูกออกแบบใหม่เพื่อรองรับ feature engineering หรือการวิเคราะห์ตามเวลา โมเดลที่ทำนายได้ดีอาจยังไม่พร้อมต่อ deployment หรือ maintainability งานวิจัยอาจถูกต้องทางเทคนิค แต่นักศึกษายังเชื่อม experimental design กับ engineering decision ได้ไม่ดี (A1, A2, A4, K1, K2, K3, V1, V2) [5], [6]

ข้อสังเกตเหล่านี้ไม่ได้บอกว่านักศึกษาขาดความสามารถ ตรงกันข้าม นักศึกษากำลังปฏิบัติได้ตรงตามที่หลักสูตรเตรียมให้เขาปฏิบัติ (A1, A2, A4, K1, K2, K5, V1, V2)

เมื่อ pattern นี้เกิดซ้ำ ผมเริ่มมองหลักสูตรผ่านกรอบของระบบซับซ้อน องค์ประกอบแต่ละส่วนอาจทำงานถูกต้อง แต่พฤติกรรมของระบบรวมขึ้นกับความสัมพันธ์ระหว่างส่วนเหล่านั้น การ optimize subsystem ทุกส่วนแยกกัน ไม่ได้แปลว่าระบบทั้งหมดจะดีที่สุด (A1, A2, K1, K2, K5, V5, D3.2)

ปัญหาจึงเกิดที่รอยต่อระหว่างรายวิชา—จุดที่ความรู้ต้องถ่ายโอน มีปฏิสัมพันธ์ และถูกประกอบใหม่ (A1, A2, K1, K2, K5, V5, D3.2)

ผมจึงเลิกมองหลักสูตรเป็นเพียงชุดของรายวิชาที่ประสบความสำเร็จ และเริ่มมองมันเป็นระบบการเรียนรู้ที่เชื่อมโยงกัน ซึ่งคุณค่าขึ้นกับทั้งคุณภาพของรายวิชาและความสัมพันธ์ระหว่างรายวิชา (A1, A2, K1, K2, K5, V5, D3.2)

Section 2 – จากรายวิชาที่ออกแบบดี สู่เส้นทางการเรียนรู้ที่ออกแบบดี

เมื่อเริ่มมองหลักสูตรเป็นระบบ สัญชาตญาณแรกของผมคือการปรับแต่ละรายวิชา Database Systems อาจเพิ่ม analytics, AI อาจเพิ่ม software engineering, Networking อาจเพิ่ม cybersecurity และ Research Methodology อาจเน้น engineering judgement มากขึ้น (A1, A2, K1, K2, K3, K4, K5, V3)

ข้อเสนอแต่ละข้อฟังสมเหตุสมผล แต่เมื่อนำมารวมกันกลับเสี่ยงทำให้ทุกวิชาต้องรับผิดชอบทุกอย่าง ทั้งที่แต่ละรายวิชาต้องรักษาสมดุลระหว่างความลึกทางศาสตร์ เวลาเรียน ผลลัพธ์ระดับหลักสูตร และความเชี่ยวชาญของผู้สอน (A1, A2, K1, K2, K5, V5, D3.2)

ปัญหาไม่ใช่ปริมาณความรู้ แต่คือวิธีที่ความรู้เดินทางผ่านหลักสูตร (A1, A2, K1, K2, K5, V5, D3.2)

นักศึกษาย่อม optimize การเรียนตามสิ่งที่ assessment ให้คุณค่า นี่คือพฤติกรรมที่สมเหตุสมผล ปัญหาเกิดเมื่อโจทย์จริงไม่เคารพขอบเขตของรายวิชา (A1, A2, A3, A4, K1, K2, K3, K5) [8], [12]

ฐานข้อมูลสำหรับ transaction กับฐานข้อมูลสำหรับ Machine Learning อาจต้องการ design objective ต่างกัน ไม่มีแบบใดถูกกว่า และไม่ควรเป็นภาระของวิชาเดียวที่จะคาดการณ์ทุกบริบทในอนาคต (A1, A2, K1, K2)

ความสัมพันธ์ระหว่าง software engineering กับ deployment, research methodology กับ engineering judgement, network architecture กับ cybersecurity และ data structures กับ algorithmic efficiency ล้วนเกิด “ระหว่าง” รายวิชา (A1, A2, K1, K2, K3, K4, K5, V3)

ผมจึงเห็นว่า integration ไม่ใช่ผลพลอยได้ของการเรียนครบหลายวิชา แต่เป็น capability ที่ต้องได้รับการฝึกผ่านโอกาสซ้ำ ๆ ในการเชื่อม ทดสอบ ปรับ และสร้างความเข้าใจใหม่ (A1, A2, K1, K2)

หลักสูตรไม่ได้ต้องการเนื้อหาเพิ่ม แต่ต้องการโอกาสที่ตั้งใจออกแบบให้ความรู้จากส่วนต่าง ๆ มาพบและพัฒนา ขณะที่ผู้เรียนยังมีเวลานำสิ่งที่ค้นพบไปใช้ (A1, A2, A4, K1, K2, K5, V1, V2)

จากจุดนั้น Midpoint Capstone จึงเริ่มปรากฏ ไม่ใช่ในฐานะโครงงานอีกชิ้น แต่เป็น curriculum intervention (A1, A2, K1, K2, K5, V5, D3.2) [2], [3]

Section 3 – ย้ายการบูรณาการมาไว้ในจุดที่ยังเปลี่ยนการเรียนรู้ได้

คำตอบแบบดั้งเดิมคือให้การบูรณาการเกิดในโครงงานปีสุดท้าย ซึ่งเป็นจุดที่ดีมากในการ “สังเกต” ว่านักศึกษารวมความรู้ได้อย่างไร แต่ผมเริ่มไม่แน่ใจว่ามันเป็นจุดที่ดีที่สุดในการ “พัฒนา” ความสามารถนั้นหรือไม่ (A1, A2, A4, K1, K2, V1, V2, D3.2)

โครงงานปีสุดท้ายเปิดเผย pattern ที่ซ่อนอยู่มานาน นักศึกษาเพิ่งเห็นความสำคัญของ software architecture เมื่อระบบซับซ้อน ฐานข้อมูลเริ่มจำกัดโมเดลวิเคราะห์ และ Research Methodology มีความหมายเมื่อการตัดสินใจต้องอาศัยหลักฐาน (A1, A2, A4, K1, K2, K3, K4, V1)

ปัญหาไม่ใช่คุณภาพของหลักฐาน แต่คือเวลา หลักสูตรผลิตข้อมูลวินิจฉัยที่ยอดเยี่ยมในช่วงที่แทบไม่มีหลักสูตรเหลือให้ cohort เดิมตอบสนอง (A1, A2, K1, K2, K3, K5, V3, V5)

ผมจึงเปลี่ยนคำถามจาก “นักศึกษาควรแสดง integration ที่ไหน” เป็น “ควรได้สัมผัส integration ครั้งแรกเมื่อไร” (A1, A2, A4, K1, K2, V1, V2, D3.2)

เมื่อวาง Capstone ไว้กลางหลักสูตร มันเปลี่ยนจากหลักฐานของการเรียนรู้ที่เสร็จสิ้น ไปเป็น intervention ที่เปลี่ยนการเรียนรู้ภายหน้า Feedback ไม่ได้บอกเพียงว่าเกิดอะไรขึ้น แต่มีอิทธิพลต่อสิ่งที่จะเกิดขึ้นต่อไป (A1, A2, A3, K1, K2, K3, K5, V1) [10], [11]

นักศึกษากลับเข้าสู่วิชาถัดไปด้วยคำถามใหม่ Database มีบริบทด้าน analytics, software engineering มีความหมายจากผลของ architectural decision และ Research Methodology กลายเป็นกรอบตัดสินใจภายใต้ความไม่แน่นอน (A1, A2, A4, K1, K2, K3, K4, V1)

อาจารย์ก็เริ่มเปลี่ยนคำถามจาก “นักศึกษาทำได้อย่างไรในวิชาของฉัน” เป็น “การเรียนรู้พัฒนาอย่างไรตลอดหลักสูตร” (A1, A2, A4, K1, K2, K5, V1, V2)

โครงงานปีสุดท้ายยังเป็นพื้นที่แสดงความพร้อมทางวิชาชีพ ส่วน Midpoint Capstone เป็นพื้นที่ที่นักศึกษา อาจารย์ และหลักสูตรค้นพบว่ายังมีอะไรที่ทันปรับปรุงได้ (A1, A2, A4, K1, K2, K5, V1, V2)

Section 4 – มองเห็นความเป็นเลิศมากกว่าหนึ่งรูปแบบ

เมื่อโครงงานมีความ authentic มากขึ้น ผมยิ่งไม่สบายใจกับการประเมินที่มีนิยามความสำเร็จเพียงแบบเดียว โครงงานวิศวกรรมจริงแทบไม่มี optimum เพียงจุดเดียว ทุกการตัดสินใจต้องแลกเปลี่ยนระหว่าง performance, maintainability, flexibility, implementation effort และ user value (A1, A2, A3, K1, K2, K3, V1, V2)

วิชาชีพไม่ได้กำจัด trade-off แต่ดำรงอยู่บน trade-off ดังนั้น assessment ต้องมองเห็นว่าทำไมโครงงานต่าง ๆ จึงเป็นเลิศคนละแบบ (A1, A2, A3, K1, K2, K3, V1, V2) [11]

เรียนรู้จาก Optimisation มากกว่าการจัดอันดับ

พื้นฐานด้าน multi-objective optimisation ทำให้ผมเห็นว่า solution ที่ดีที่สุดใน objective หนึ่งอาจไม่น่าสนใจเมื่อพิจารณาอีกหลาย objective พร้อมกัน (A1, A2, K1, K2)

นักศึกษาย่อม optimize สิ่งที่ assessment ให้รางวัล หากวัดเพียง technical sophistication นักศึกษาก็จะทุ่มกับสิ่งนั้น คำถามสำคัญจึงไม่ใช่เพียงให้คะแนนอย่างไร แต่ assessment กำลังชี้นำให้ผู้เรียน optimize อะไร (A1, A2, A3, A4, K1, K2, K3, V1) [11]

การประเมินแบบหลายวัตถุประสงค์

ผมจึงพัฒนา multi-objective assessment philosophy บางโครงงานโดดเด่นด้าน AI บางโครงงานด้าน software engineering, systems integration, research design, cybersecurity, user-centred design, innovation หรือ societal relevance (A1, A2, A3, K1, K2, K3, K4, V1) [11]

ความแตกต่างเหล่านี้ไม่ใช่ความไม่สม่ำเสมอ แต่เป็นการผสมจุดแข็งที่ต่างกันจากเส้นทางการเรียนรู้ที่ต่างกัน (A1, A2, K1, K2)

แนวทางนี้ไม่ได้ลดมาตรฐาน นักศึกษายังต้องอธิบาย design decision, trade-off และ limitation ของตนเอง (A1, A2, A4, K1, K2, V1, V2, D3.2)

ความเป็นเลิศไม่ใช่การทำทุกอย่าง แต่คือการตัดสินใจอย่างมีข้อมูล (A1, A2, K1, K2)

ทำให้ความเป็นเลิศมองเห็นได้

Best-of Awards เกิดขึ้นเพื่อทำให้ความเป็นเลิศหลายรูปแบบมองเห็นได้ ไม่ใช่เพื่อแทนที่มาตรฐานด้วยการแจกคำชม (A1, A2, A3, K1, K2, K3, V1, V2)

ผลที่เกิดขึ้นคือ นักศึกษากล้าพัฒนาแนวคิดใหม่มากขึ้น และบทสนทนาหลังการนำเสนอเปลี่ยนจาก “ใครชนะ” เป็น “ทำไมโครงงานนี้จึงได้รับการยอมรับ” (A1, A2, A4, K1, K2, V1, V2, D3.2)

นก ปลา และการตัดสินทางการศึกษา

ผมมักบอกนักศึกษาว่าไม่ควรเทียบนกกับปลา นี่ไม่ใช่การต่อต้านมาตรฐาน แต่เป็นคำถามว่าเรากำลังบังคับให้ทุกคนแสดงความเป็นเลิศในรูปแบบเดียวกันหรือไม่ (A1, A2, A4, K1, K2, V1, V2, D3.2)

Assessment จึงค่อย ๆ เปลี่ยนจากการหาผู้ชนะ ไปสู่การเปิดเผยศักยภาพ และช่วยให้นักศึกษา เพื่อนร่วมงาน และหลักสูตรมองเห็นจุดแข็งที่อาจยังซ่อนอยู่ (A1, A2, A3, A4, K1, K2, K3, K5) [11]

Section 5 – จากการปฏิบัติของบุคคล สู่ระบบนิเวศการศึกษาร่วมกัน

แนวคิดทางการศึกษาอาจพัฒนาโดยอาจารย์คนเดียว แต่การเปลี่ยนแปลงทางการศึกษาแทบไม่เคยเกิดจากคนเดียว (A1, A2, K1, K2)

Midpoint Capstone เริ่มจากการปฏิบัติของผม แต่การบูรณาการหลักสูตรอย่างยั่งยืนต้องอาศัยมุมมอง ความเชี่ยวชาญ และประสบการณ์ของเพื่อนร่วมงานจากหลายศาสตร์ (A1, A2, K1, K2, K5, V5, D3.1, D3.2)

สิ่งนี้เปลี่ยนความเข้าใจเรื่อง leadership จากการเสนอแนวคิดใหม่ ไปสู่การสร้างสภาพแวดล้อมที่แนวคิดถูกตั้งคำถาม ท้าทาย ปรับ และพัฒนาโดยผู้อื่น (A1, A2, K1, K2)

สร้างชุมชนรอบการเรียนรู้ของนักศึกษา

ผมไม่ได้ถือ Capstone เป็นรายวิชาที่ผมเป็นเจ้าของ แต่ชวนอาจารย์ต่างศาสตร์มาเป็น mentor, reviewer, discussion partner และ critical friend (A1, A2, A4, K1, K2, K5, V1, V2)

Capstone จึงกลายเป็นภาษากลางในการสนทนาเรื่อง curriculum integration ผ่านหลักฐานจริงจากนักศึกษา (A1, A2, A4, K1, K2, K3, K5, V1) [2], [3]

Mentoring ที่เลยขอบเขตห้องเรียน

นักศึกษาไม่ได้รับ feedback จาก supervisor คนเดียว แต่เรียนรู้จากหลายมุมมอง เพื่อนร่วมงานทั้งในและนอกภาควิชา รวมถึงอาจารย์จากมหาวิทยาลัยอื่นเข้ามาร่วม review และ mentoring (A1, A2, A3, A4, K1, K2, K3, V1) [10], [11]

สิ่งที่เริ่มจาก project supervision ค่อย ๆ กลายเป็น mentoring network นักศึกษาเรียนจากหลายคน อาจารย์เรียนจากกัน และหลักสูตรได้ประโยชน์จากทั้งสองฝ่าย (A1, A2, A4, K1, K2, K5, V1, V2)

หลักฐานว่าการเรียนรู้กลายเป็นกิจกรรมของชุมชน

นักศึกษาในระบบนิเวศนี้ได้รับรางวัลชนะเลิศสี่ปีต่อเนื่องระหว่าง 2019–2022 นักศึกษา 12 คนจาก 4 ทีมเข้าสู่ Thailand Young Rising Star for Science นักศึกษา 9 คนจาก 3 ทีมได้รับ UAMC Gold Medal ผู้เข้าร่วม Super AI Engineer ได้ 2 Gold, 2 Silver, 2 Bronze และ 5 Special Awards และผลงานนักศึกษานำไปสู่บทความในฐาน IEEE มากกว่า 20 เรื่อง (A1, A2, A3, A4, K1, K2, K3, V1)

สิ่งเหล่านี้ไม่ใช่เป้าหมายสุดท้าย แต่เป็นหลักฐานว่านักศึกษาขยายการเรียนรู้เกินขอบเขตรายวิชา และเริ่มมองตนเองเป็น contributor มากกว่าเพียง learner (A1, A2, A4, K1, K2, K3, K5, V1)

ภาวะผู้นำผ่านความยั่งยืน

นวัตกรรมการศึกษาจะสำเร็จก็ต่อเมื่อมันพัฒนาต่อได้โดยไม่พึ่งผู้ออกแบบคนแรกทั้งหมด (A1, A2, A5, K1, K2, K3, V3, D3.1)

ผมจึงแบ่งปันหลักการของ Midpoint Capstone, multi-objective assessment และ mentoring ผ่านกิจกรรมแลกเปลี่ยนความรู้ การสนทนาหลักสูตร collaborative mentoring และ workshop ทั้งใน KMUTT และมหาวิทยาลัยพันธมิตร (A1, A2, A3, A4, A5, K1, K2, K3) [11]

ผมไม่เชื่อว่าภาวะผู้นำวัดจากจำนวนนวัตกรรมที่สร้าง แต่จากจำนวนผู้คนที่สามารถปรับปรุงนวัตกรรมเหล่านั้นได้หลังจากมันไม่ได้เป็นของบุคคลใดคนหนึ่งอีกต่อไป (A1, A2, A5, K1, K2, K3, V3, D3.1)

ผลลัพธ์ที่มีค่าที่สุดจึงไม่ใช่ตัวโครงงาน แต่คือการเห็นหลักสูตรค่อย ๆ กลายเป็นสิ่งที่เพื่อนร่วมงานและนักศึกษาสร้างร่วมกัน (A1, A2, A4, A5, K1, K2, K3, K5)

Final Reflection – ไกลกว่าการเทียบนกกับปลา

Midpoint Capstone ไม่ใช่ผลลัพธ์สำคัญที่สุดของเส้นทางนี้ มันเป็นเพียงรูปธรรมหนึ่งของการเปลี่ยนแปลงที่ใหญ่กว่ามากในความเข้าใจเรื่องการศึกษา (A1, A2, A5, K1, K2, K3, V3, D3.1)

การสอนที่ดีไม่ใช่เพียงช่วยให้นักศึกษาเรียนแต่ละวิชาได้ดี ความสามารถทางวิชาชีพเกิดจากการมองความสัมพันธ์ ถ่ายโอนความเข้าใจไปยังบริบทใหม่ และเรียนรู้ต่อหลังรายวิชาสิ้นสุด (A1, A2, A4, A5, K1, K2, K3, K5)

Metaphor ว่าไม่ควรเทียบนกกับปลาช่วยให้เรายอมรับจุดแข็งที่แตกต่าง แต่ประสบการณ์สอนผมว่าแนวคิดนี้ยังไม่ครบ (A1, A2, A5, K1, K2, K3, V3, D3.1)

การศึกษาไม่ควรหยุดที่การยอมรับความหลากหลาย แต่ควรสร้างโอกาสให้ผู้เรียนค้นพบความสามารถที่เขายังไม่รู้ว่ามี (A1, A2, A4, A5, K1, K2, K3, V1)

Programmer อาจกลายเป็น researcher ผู้เรียนที่เก่งวิเคราะห์อาจกลายเป็น mentor นักสื่อสาร หรือ system architect เมื่อสภาพแวดล้อมเหมาะสม จุดแข็งที่ดูไม่เกี่ยวกันอาจกลายเป็นส่วนเสริมกัน (A1, A2, A4, A5, K1, K2, K3, K5)

บางทีการศึกษาที่ดีไม่ได้มีหน้าที่เพียงหลีกเลี่ยงการเปรียบเทียบที่ไม่ยุติธรรม แต่ออกแบบสภาพแวดล้อมที่ปลาค้นพบว่าบินได้ และนกตระหนักว่าว่ายน้ำได้ (A1, A2, A5, K1, K2, K3, V3, D3.1)

ผมจึงไม่วัดความสำเร็จจากการสอนวิชาของตนเองได้ดีเพียงใด แต่จากว่านักศึกษายังเชื่อมโยงความคิดหลังออกจากห้องเรียนหรือไม่ เพื่อนร่วมงานยังปรับปรุงแนวคิดหลังมันกลายเป็นของส่วนรวมหรือไม่ และหลักสูตรยังเรียนรู้ต่อหรือไม่ (A1, A2, A4, A5, K1, K2, K3, K5)

ภาวะผู้นำทางการศึกษาไม่ได้อยู่ที่การสร้างรายวิชาที่ดีกว่า แต่อยู่ที่การสร้างเงื่อนไขที่ดีกว่าให้การเรียนรู้ดำเนินต่อไป (A1, A2, A5, K1, K2, K3, K5, V3)

Section 1 – Learning to See Education from Both Sides

Many principles shaping my teaching were formed before I entered academia. (A1, A2, K1, K2, V3, D3.2)

Before becoming a lecturer, I worked in software development, systems analysis, database systems, business applications, data engineering, and technical consultancy. Industry taught me that professional problems rarely arrive organised according to university subjects. No project announces that today is a database problem, tomorrow a software engineering problem, and next week a machine learning problem. Real-world problems simply arrive. (A1, A2, K1, K2, K4, V3, V4, D3.2)

Industry organises work around problems. Universities often organise learning around subjects. Neither approach is inherently better; each serves a different purpose. Yet the contrast remained with me. (A1, A2, K1, K2, V3, V4, D3.2)

Later, while supervising Work-Integrated Learning, I stood between these two worlds. I could see what students had learned inside the university and how that learning was interpreted in the workplace. (A1, A2, A4, K1, K2, V1, V2, V3)

Industrial supervisors rarely asked whether students had passed Database Systems, Artificial Intelligence, Data Structures, Software Engineering, or Research Methodology. Transcripts had already answered those questions. (A1, A2, A4, K1, K2, K3, K4, V1)

They asked whether students could analyse unfamiliar situations, integrate knowledge, explain technical decisions, and continue learning when no textbook provided an immediate answer. (A1, A2, A4, K1, K2, V1, V2, V3)

They were not evaluating only what students knew. They were evaluating what students could become. (A1, A2, A4, K1, K2, V1, V2, V3)

The challenge was seldom knowledge itself. The challenge was transfer. (A1, A2, K1, K2, V3, D3.2)

As a computer scientist and data engineer, this felt familiar. Individual datasets contain information, but real value emerges when meaningful relationships are created between previously independent sources. Knowledge behaves similarly. Connections between concepts create understanding. Connections between understanding create professional capability. (A1, A2, K1, K2, V3, V4, D3.2)

My guiding question therefore changed from “How can I prepare students for employment?” to “How can I design learning experiences that continue preparing students after today’s technologies become obsolete?” (A1, A2, A4, K1, K2, V1, V2, V3)

Programming languages, machine learning libraries, cloud platforms, and industrial tools will change. Computational thinking, abstraction, representation, engineering judgement, evidence-based reasoning, and the ability to connect ideas evolve much more slowly. (A1, A2, K1, K2, K3, V3, V4, D3.2)

Industry did more than prepare me to teach computing. It quietly taught me how I wanted to teach people. (A1, A2, K1, K2, V3, V4, D3.2)

Section 2 – Teaching Through the Evolution of Ideas

Experienced engineers rarely begin with a library or framework. They first seek the principles that remain stable while technologies evolve. (A1, A2, K1, K2, V3, D3.2)

University teaching often moves in the opposite direction, introducing sophisticated tools before students have had sufficient opportunity to understand the computational ideas those tools implement. (A1, A2, A4, K1, K2, V1, V2, V3)

This difference became the foundation of my teaching philosophy: rather than teaching students to use technologies, I deliberately teach them how ideas evolve. (A1, A2, A4, K1, K2, V1, V2, V3)

My objective is not simply that students can implement an algorithm. I want them to understand why it exists, how it was improved, and why different implementations emerge under different engineering constraints. (A1, A2, A4, K1, K2, K4, V1, V2)

Revealing the Algorithm Before the Library

In Machine Learning, I intentionally reverse the conventional sequence. Students first construct algorithms in Microsoft Excel. (A1, A2, A4, K1, K2, K4, V1, V2)

When students ask why, my answer is simple: because Excel refuses to hide the algorithm. (A1, A2, A4, K1, K2, K4, V1, V2)

Every calculation remains visible. Every probability can be inspected. Every distance can be verified. Every prediction can be challenged. (A1, A2, K1, K2, V3, D3.2)

Naïve Bayes begins with frequency tables, conditional probabilities, and posterior calculations rather than GaussianNB(). k-Nearest Neighbours begins with Euclidean distance calculated cell by cell rather than fit() and predict(). (A1, A2, K1, K2, V3, D3.2)

By the time professional libraries are introduced, students already understand what the software is doing. The library becomes a more efficient implementation of ideas they already own. (A1, A2, A4, K1, K2, K4, V1, V2)

One Algorithm, Many Computational Perspectives

I revisit the same idea across different environments. Excel reveals the mathematics. C reveals computation and memory. Python reveals abstraction. SQL reveals data-centric thinking. MapReduce reveals scalability. (A1, A2, K1, K2, K4, V3, D3.2)

Students therefore learn more than five technologies. They learn that computational ideas survive technological change. (A1, A2, A4, K1, K2, V1, V2, V3)

Teaching How Algorithms Evolve

Radix Sort is taught through four successive implementations: a recursive bucket model, arrays of linked lists, iterative control, and memory reuse through pointer manipulation. (A1, A2, K1, K2, V3, D3.2)

The sorting concept changes very little, but the engineering quality improves through abstraction, program design, and performance engineering. (A1, A2, K1, K2, V3, D3.2)

The algorithm evolves slightly. The engineer evolves considerably. (A1, A2, K1, K2, K4, V3, D3.2)

Building Bridges Between Disciplines

A phylogenetic tree in bioinformatics becomes a bridge to hierarchical clustering in machine learning. (A1, A2, K1, K2, V3, D3.2)

Scrabble is introduced not simply as a word game, but as a computational search problem. Students begin with board representation and legal word generation, then encounter state representation, encoding, hashing, transposition tables, efficient lookup, search-space reduction, and large-scale search optimisation. (A1, A2, A4, K1, K2, V1, V2, V3)

Students initially see a board game. By the end, they realise they have been learning algorithm engineering all along. (A1, A2, A4, K1, K2, K4, V1, V2)

Networking begins with packets, protocols, and distributed thinking before formal layers. Marketing emerges through authentic manufacturing data from my family’s umbrella business, connecting production planning, inventory, customer behaviour, and business decision-making. (A1, A2, K1, K2, V3, D3.2)

Across these examples, students are not learning isolated subjects. They are learning how computational ideas migrate, evolve, and reappear across disciplines and professional contexts. (A1, A2, A4, K1, K2, V1, V2, V3)

Reflection

My responsibility is not to simplify computing. It is to reveal the thinking that sophisticated technologies often conceal. (A1, A2, A5, K1, K2, K3, V3, D3.1)

Modern libraries make implementation easier. They should never make understanding optional. (A1, A2, A5, K1, K2, K3, V3, D3.1)

I begin with ideas simple enough that students can still see them. Only after those ideas become their own do I introduce professional tools. (A1, A2, A4, A5, K1, K2, K3, V1)

I am not trying to teach the latest tools. I am trying to help students think in ways that will outlive those tools. (A1, A2, A4, A5, K1, K2, K3, V1)

Section 3 – Designing Learning Ecosystems Where Innovation Emerges Naturally

Early in my academic career, I treated teaching, research, industrial collaboration, competitions, publications, innovation, and community engagement as separate activities. (A1, A2, K1, K2, K3, V3, V4, V5) [9]

Over time, this separation appeared increasingly artificial. Authentic problems rarely recognise university boundaries. Industrial partners do not care whether a solution began as coursework or research. Researchers do not distinguish sharply between an interesting student question and the beginning of a publishable investigation. Communities do not ask whether an innovation began in a classroom or laboratory. (A1, A2, A4, K1, K2, K3, K5, V1) [8], [12]

Meaningful problems simply invite meaningful solutions. (A1, A2, K1, K2, V3, D3.2)

I therefore changed my design question from “What assignment should students complete?” to “What authentic problem is sufficiently meaningful that learning, research, innovation, industrial collaboration, and societal impact might all emerge from the same experience?” (A1, A2, A4, K1, K2, K3, V1, V2) [8], [12]

One Problem, Many Pathways

When projects began with authentic problems rather than predefined outputs, students rarely followed identical journeys. (A1, A2, A4, K1, K2, V1, V2, V3) [8], [12]

Some extended unanswered questions into publications. Others developed prototypes into software systems or industrial collaborations. Some projects became design patents or competition entries. Others addressed societal needs and Sustainable Development Goals. (A1, A2, K1, K2, K3, K4, V3, V4)

None of these pathways was imposed, and I did not expect every project to produce every outcome. The objective shifted from producing identical outcomes to creating multiple legitimate futures. (A1, A2, K1, K2, V3, D3.2)

A Living Research–Industry–Education Ecosystem

Industrial challenges inspired classroom projects. Projects generated research questions. Research produced publications, prototypes, intellectual property, competition entries, and external collaborations. (A1, A2, K1, K2, K3, V3, V4, V5)

Those outcomes created new partnerships, richer teaching materials, stronger mentoring opportunities, and more authentic projects for subsequent cohorts. (A1, A2, A4, K1, K2, V1, V2, V3)

Teaching, research, and industrial engagement became mutually reinforcing activities in a continuously evolving ecosystem. (A1, A2, K1, K2, K3, V3, V4, V5)

Evidence Through Diverse Outcomes

Student work contributed to IEEE publications, conference presentations, design patents, software systems, industrial collaborations, national and international competitions, and SDG-oriented projects. (A1, A2, A4, K1, K2, K3, K4, V1)

A publication demonstrated scholarly contribution. A patent demonstrated innovation. A product demonstrated practical implementation. A competition demonstrated technical excellence under external evaluation. Industrial collaboration demonstrated professional relevance. An SDG project demonstrated societal value. (A1, A2, K1, K2, K3, K4, V3, V4)

None was inherently more important than another. Together, they showed that authentic learning can develop in multiple directions without sacrificing academic rigour. (A1, A2, K1, K2, V3, D3.2)

Reflection

The purpose of a student project is not merely to produce a report for assessment. It is to create opportunities. (A1, A2, A3, A4, A5, K1, K2, K3) [11]

Some opportunities become research, innovation, products, partnerships, or careers that neither the students nor I could have anticipated. (A1, A2, A4, A5, K1, K2, K3, V1)

I have gradually stopped designing assignments. Instead, I try to design educational ecosystems. (A1, A2, A5, K1, K2, K3, V3, V5)

Within those ecosystems, projects may finish. Learning rarely does. (A1, A2, A5, K1, K2, K3, V3, V5)

Section 4 – Building Communities Where Everyone Continues Learning

One unexpected outcome was that boundaries between student, researcher, engineer, mentor, collaborator, industrial practitioner, and educator gradually became less distinct. (A1, A2, A4, K1, K2, K3, V1, V2)

Expertise emerged from many directions. Students introduced new technologies. Industrial practitioners challenged academic assumptions. Researchers strengthened methodology. Alumni brought professional experience. Colleagues from different disciplines viewed the same project through different lenses. (A1, A2, A4, K1, K2, K3, V1, V2)

I deliberately encouraged these perspectives to coexist. Learning became a conversation rather than a transmission. (A1, A2, K1, K2, V3, D3.2)

Mentoring Through Collaboration

Instead of positioning myself as the person expected to answer every question, I became responsible for connecting students with people who could ask better questions. (A1, A2, A4, K1, K2, V1, V2, V3)

Students interacted with researchers, software engineers, data scientists, industrial supervisors, domain specialists, alumni, and academic colleagues. (A1, A2, A4, K1, K2, K3, K4, V1)

They learned that complex problems rarely have only one legitimate viewpoint. They learned to explain, defend, revise, and sometimes abandon their ideas after listening to alternative perspectives. (A1, A2, K1, K2, V3, D3.2)

Growing Future Mentors

Students who had received mentoring returned to support younger cohorts. Research students advised undergraduate teams. Competition participants supported new competitors. Alumni discussed industrial practice. Industrial collaborators became guest mentors. Colleagues joined reviews, workshops, curriculum discussions, and interdisciplinary supervision. (A1, A2, A4, K1, K2, K3, K5, V1) [2], [3]

Mentoring gradually evolved into a distributed network rather than remaining centred on one lecturer. (A1, A2, A4, K1, K2, V1, V2, V3)

The educational community itself became a learning resource. (A1, A2, K1, K2, V3, V5, D3.1, D3.2) [9]

Leadership Through Participation

My understanding of leadership changed from introducing new ideas to creating environments where ideas continue evolving after they no longer belong to the original designer. (A1, A2, A5, K1, K2, K3, V3, D3.1)

I did not ask colleagues to replicate my teaching. I shared principles that could be adapted across disciplines, teaching styles, and programmes. (A1, A2, A5, K1, K2, K3, K5, V3)

Leadership is not measured by how many people follow your ideas. It is measured by how many people improve them. (A1, A2, A5, K1, K2, K3, V3, D3.1)

Reflection

Education should never depend on a single individual. Successful software systems continue functioning after their original developers leave. Research communities grow because new researchers challenge existing ideas. Educational communities should behave similarly. (A1, A2, A5, K1, K2, K3, K4, V3)

My aspiration is not to create students who think like me or colleagues who teach exactly as I do. It is to contribute to environments where students become researchers, researchers become mentors, mentors become collaborators, and collaborators continue reshaping the curriculum and community. (A1, A2, A4, A5, K1, K2, K3, K5) [2], [3]

The meaningful form of leadership is not building a system that depends on its designer, but helping to build a community that continues learning after the designer steps away. (A1, A2, A5, K1, K2, K3, V3, V5) [9]

Section 5 – Looking Beyond What Students Are

The most significant changes in my journey did not occur in my curriculum, assessment methods, or teaching techniques. They occurred in the questions I asked myself. (A1, A2, A3, K1, K2, K3, K5, V1) [2], [3]

At first, I asked whether students understood what I taught. Later, I asked whether they could apply it in unfamiliar situations. Eventually, I began asking: what might this learner become if I create the right environment? (A1, A2, A4, K1, K2, V1, V2, V3)

That question now shapes the problems I select, the projects I design, the way I assess, the way I mentor, and the way I connect teaching, research, industry, innovation, and community engagement. (A1, A2, A3, A4, K1, K2, K3, V1) [9]

These are not separate activities. They are different ways of creating opportunities for people to discover capabilities that neither they nor I could clearly see at the beginning. (A1, A2, K1, K2, V3, D3.2)

Earlier, I suggested that we should not compare birds with fish. I still believe that fair assessment must recognise different strengths. (A1, A2, A3, K1, K2, K3, V1, V2) [11]

Experience, however, has taught me that fairness is only the starting point. Good education should not merely recognise existing strengths. It should create opportunities for strengths that have not yet emerged. (A1, A2, K1, K2, V3, D3.2)

Students who believed they were “just programmers” became researchers. Students who doubted their research ability presented internationally. Industrial practitioners rediscovered theoretical foundations and transformed them into organisational innovation. (A1, A2, A4, K1, K2, K3, K5, V1)

Some students developed products. Others published papers. Others built systems for industry or society. Many followed pathways none of us could initially predict. (A1, A2, A4, K1, K2, V1, V2, V3)

The same transformation occurred in me. Industry changed how I viewed education. Students changed how I understood teaching. Research changed how I designed learning. Colleagues changed how I understood leadership. (A1, A2, A4, K1, K2, K3, V1, V2)

I became less interested in asking “What are you good at?” and more interested in asking “What might you become?” (A1, A2, K1, K2, V3, D3.2)

The metaphor of birds and fish was never really about comparison. It was about possibility. (A1, A2, K1, K2, V3, D3.2)

Sometimes education begins by recognising that birds and fish are different. The longer I teach, however, the more I try to create learning environments where fish discover they can fly and birds quietly realise they can swim. (A1, A2, K1, K2, V3, D3.2)

Not because they were meant to become something else, but because neither they nor their teachers had yet discovered the full extent of what they were capable of becoming. (A1, A2, K1, K2, V3, D3.2)

Higher education should not simply prepare students for professions that exist today. Its deeper purpose is to help people discover possibilities that remain invisible until curiosity, opportunity, challenge, and encouragement come together in the right environment. (A1, A2, A4, K1, K2, V1, V2, V3)

The best teachers are remembered not because they tell students who they are, but because they create opportunities for students to discover who they might yet become. (A1, A2, A4, K1, K2, V1, V2, V3)

Section 1 – เรียนรู้ที่จะมองการศึกษาจากทั้งสองด้าน

หลักการทางการศึกษาหลายอย่างที่กำหนดการสอนของผมในปัจจุบัน ก่อตัวขึ้นก่อนเข้าสู่วงการมหาวิทยาลัย (A1, A2, K1, K2, V3, D3.2)

ก่อนเป็นอาจารย์ ผมทำงานด้าน software development, systems analysis, database systems, business applications, data engineering และ technical consultancy อุตสาหกรรมสอนผมว่าปัญหาวิชาชีพแทบไม่เคยมาถึงโดยจัดหมวดตามรายวิชา ไม่มีโครงการใดประกาศว่าวันนี้เป็นปัญหาฐานข้อมูล พรุ่งนี้เป็น software engineering และสัปดาห์หน้าเป็น machine learning ปัญหาจริงเพียงมาถึง (A1, A2, K1, K2, K4, K5, V3, V4) [8], [12]

อุตสาหกรรมจัดงานรอบปัญหา มหาวิทยาลัยมักจัดการเรียนรู้รอบรายวิชา ไม่มีแบบใดดีกว่าโดยธรรมชาติ แต่ละแบบมีวัตถุประสงค์ต่างกัน ทว่าความแตกต่างนี้อยู่กับผมตลอดมา (A1, A2, K1, K2, K5, V3, V4, V5)

ต่อมา เมื่อดูแลนักศึกษา Work-Integrated Learning ผมยืนอยู่ระหว่างสองโลก และมองเห็นทั้งสิ่งที่นักศึกษาเรียนในมหาวิทยาลัยกับวิธีที่ความรู้นั้นถูกตีความในสถานที่ทำงาน (A1, A2, A4, K1, K2, V1, V2, V3)

Supervisor ในอุตสาหกรรมแทบไม่ถามว่านักศึกษาผ่าน Database Systems, Artificial Intelligence, Data Structures, Software Engineering หรือ Research Methodology หรือไม่ Transcript ตอบไปแล้ว (A1, A2, A4, K1, K2, K3, K4, V1)

พวกเขาถามว่านักศึกษาวิเคราะห์สถานการณ์ที่ไม่คุ้นเคยได้หรือไม่ บูรณาการความรู้ได้หรือไม่ อธิบาย technical decision ได้หรือไม่ และยังเรียนรู้ต่อได้หรือไม่เมื่อไม่มีตำราให้คำตอบ (A1, A2, A4, K1, K2, V1, V2, V3)

พวกเขาไม่ได้ประเมินเพียงว่านักศึกษารู้อะไร แต่กำลังประเมินว่านักศึกษาสามารถกลายเป็นอะไรได้ (A1, A2, A3, A4, K1, K2, K3, V1)

ความท้าทายจึงไม่ค่อยใช่ความรู้ แต่คือการถ่ายโอนความรู้ (A1, A2, K1, K2, V3, D3.2)

ในฐานะ computer scientist และ data engineer ข้อสังเกตนี้คุ้นเคยมาก Dataset แต่ละชุดมีข้อมูล แต่คุณค่าจริงเกิดเมื่อสร้างความสัมพันธ์ระหว่างแหล่งที่แยกจากกัน ความรู้ก็เช่นเดียวกัน ความเชื่อมโยงระหว่างแนวคิดสร้างความเข้าใจ และความเชื่อมโยงระหว่างความเข้าใจสร้างความสามารถทางวิชาชีพ (A1, A2, K1, K2, V3, V4, D3.2)

คำถามนำของผมจึงเปลี่ยนจาก “จะเตรียมนักศึกษาเข้าสู่งานอย่างไร” เป็น “จะออกแบบการเรียนรู้ที่ยังเตรียมนักศึกษาได้อย่างไร แม้เทคโนโลยีวันนี้จะล้าสมัยไปแล้ว” (A1, A2, A4, K1, K2, K4, V1, V2)

ภาษาโปรแกรม Library ของ Machine Learning, Cloud platform และเครื่องมืออุตสาหกรรมจะเปลี่ยน แต่ computational thinking, abstraction, representation, engineering judgement, evidence-based reasoning และความสามารถในการเชื่อมแนวคิดข้ามศาสตร์ เปลี่ยนช้ากว่ามาก (A1, A2, K1, K2, K3, V3, V4, D3.2)

อุตสาหกรรมไม่ได้เพียงเตรียมผมให้สอน computing แต่มันค่อย ๆ สอนว่าผมอยากสอนมนุษย์อย่างไร (A1, A2, K1, K2, V3, V4, D3.2)

Section 2 – สอนผ่านวิวัฒนาการของแนวคิด

วิศวกรที่มีประสบการณ์แทบไม่เริ่มจาก library หรือ framework แต่เริ่มจากหลักการที่คงอยู่ขณะที่เทคโนโลยีเปลี่ยน (A1, A2, K1, K2, K4, V3, D3.2)

การสอนในมหาวิทยาลัยมักเดินกลับทาง โดยให้ผู้เรียนใช้เครื่องมือที่ซับซ้อนก่อนมีโอกาสเข้าใจแนวคิดคำนวณที่เครื่องมือนั้น implement (A1, A2, A4, K1, K2, V1, V2, V3)

ความแตกต่างนี้กลายเป็นฐานของปรัชญาการสอน แทนที่จะสอนให้ใช้เทคโนโลยี ผมตั้งใจสอนให้เห็นว่าแนวคิดวิวัฒนาการอย่างไร (A1, A2, K1, K2, K4, V3, D3.2)

เป้าหมายไม่ใช่เพียงให้นักศึกษา implement algorithm ได้ แต่ให้เข้าใจว่าทำไมมันจึงมีอยู่ ถูกปรับปรุงอย่างไร และเหตุใด implementation จึงต่างกันภายใต้ข้อจำกัดเชิงวิศวกรรม (A1, A2, A4, K1, K2, K4, V1, V2)

เปิดเผยอัลกอริทึมก่อนใช้ Library

ใน Machine Learning ผมกลับลำดับการเรียน นักศึกษาเริ่มสร้าง algorithm ใน Microsoft Excel (A1, A2, A4, K1, K2, K4, V1, V2)

เมื่อมีคนถามว่าทำไม คำตอบของผมง่ายมาก: เพราะ Excel ปฏิเสธที่จะซ่อนอัลกอริทึม (A1, A2, K1, K2, K4, V3, D3.2)

ทุกการคำนวณมองเห็นได้ ทุก probability ตรวจสอบได้ ทุก distance ยืนยันได้ และทุก prediction ถูกตั้งคำถามได้ (A1, A2, K1, K2, V3, D3.2)

Naïve Bayes เริ่มจาก frequency table, conditional probability และ posterior ไม่ใช่ GaussianNB() ส่วน k-Nearest Neighbours เริ่มจาก Euclidean distance ทีละ cell ไม่ใช่ fit() และ predict() (A1, A2, K1, K2, V3, D3.2)

เมื่อถึงเวลานำ professional library มาใช้ นักศึกษาเข้าใจแล้วว่า software กำลังทำอะไร Library จึงเป็นเพียง implementation ที่มีประสิทธิภาพกว่าของแนวคิดที่เป็นของเขาแล้ว (A1, A2, A4, K1, K2, K4, V1, V2)

หนึ่งอัลกอริทึม หลายมุมมองเชิงคำนวณ

ผมพาผู้เรียนกลับไปหาแนวคิดเดียวกันผ่านหลาย environment: Excel เปิดคณิตศาสตร์, C เปิด computation และ memory, Python เปิด abstraction, SQL เปิด data-centric thinking และ MapReduce เปิด scalability (A1, A2, A4, K1, K2, K4, V1, V2)

นักศึกษาไม่ได้เรียนเพียงห้าเทคโนโลยี แต่เรียนว่าแนวคิดคำนวณอยู่รอดเหนือการเปลี่ยนเทคโนโลยี (A1, A2, A4, K1, K2, K4, V1, V2)

สอนให้เห็นว่าอัลกอริทึมวิวัฒนาการอย่างไร

Radix Sort ถูกสอนผ่านสี่ implementation ต่อเนื่อง: recursive bucket, array of linked lists, iterative control และ memory reuse ผ่าน pointer manipulation (A1, A2, K1, K2, V3, D3.2)

แนวคิดการ sort เปลี่ยนน้อย แต่คุณภาพทางวิศวกรรมดีขึ้นผ่าน abstraction, program design และ performance engineering (A1, A2, K1, K2, V3, D3.2)

อัลกอริทึมเปลี่ยนน้อย วิศวกรเปลี่ยนมาก (A1, A2, K1, K2, K4, V3, D3.2)

สร้างสะพานระหว่างศาสตร์

Phylogenetic tree ใน Bioinformatics กลายเป็นสะพานสู่ hierarchical clustering ใน Machine Learning (A1, A2, K1, K2, V3, D3.2)

Scrabble ไม่ได้ถูกใช้เพียงเป็นเกมคำศัพท์ แต่เป็น computational search problem นักศึกษาเริ่มจาก board representation และ legal word generation ก่อนพบ state representation, encoding, hashing, transposition tables, efficient lookup, search-space reduction และ large-scale search optimisation (A1, A2, A4, K1, K2, V1, V2, V3)

นักศึกษาเริ่มจากเห็นเกมกระดาน และจบด้วยการค้นพบว่าตนกำลังเรียน algorithm engineering มาตลอด (A1, A2, A4, K1, K2, K4, V1, V2)

Networking เริ่มจาก packets, protocols และ distributed thinking ก่อน formal layers ส่วน Marketing เชื่อมกับข้อมูลการผลิตจริงจากธุรกิจร่มของครอบครัว ทำให้ production planning, inventory, customer behaviour และ business decision-making เชื่อมกับข้อมูลจริง (A1, A2, K1, K2, V3, D3.2)

นักศึกษาไม่ได้เรียนวิชาแยกส่วน แต่เรียนว่าแนวคิดคำนวณเดินทาง วิวัฒนาการ และปรากฏซ้ำข้ามศาสตร์และบริบทวิชาชีพอย่างไร (A1, A2, A4, K1, K2, V1, V2, V3)

การสะท้อนคิด

หน้าที่ของผมไม่ใช่ทำให้ computing ง่ายลง แต่คือเปิดเผยวิธีคิดที่เทคโนโลยีซับซ้อนมักซ่อน (A1, A2, A5, K1, K2, K3, K4, V3)

Library สมัยใหม่ทำให้ implementation ง่ายขึ้น แต่ไม่ควรทำให้ความเข้าใจเป็นทางเลือก (A1, A2, A5, K1, K2, K3, V3, D3.1)

ผมเริ่มจากแนวคิดที่ง่ายพอให้นักศึกษายังมองเห็น แล้วจึงนำเครื่องมือวิชาชีพเข้ามา (A1, A2, A4, A5, K1, K2, K3, V1)

ผมไม่ได้พยายามสอนเครื่องมือล่าสุด แต่ช่วยให้นักศึกษาคิดในแบบที่อยู่ได้นานกว่าเครื่องมือเหล่านั้น (A1, A2, A4, A5, K1, K2, K3, V1)

Section 3 – ออกแบบระบบนิเวศที่นวัตกรรมเกิดขึ้นได้อย่างเป็นธรรมชาติ

ช่วงแรกผมมอง teaching, research, industrial collaboration, competition, publication, innovation และ community engagement เป็นกิจกรรมแยกกัน (A1, A2, K1, K2, K3, V3, V4, V5) [9]

ต่อมา การแยกเช่นนี้ดูประดิษฐ์มากขึ้น ปัญหาจริงไม่เคารพขอบเขตของมหาวิทยาลัย ภาคอุตสาหกรรมไม่สนใจว่า solution เริ่มจาก coursework หรือ research นักวิจัยไม่แยกคำถามน่าสนใจของนักศึกษาออกจากต้นทางของงานตีพิมพ์ และชุมชนไม่ถามว่านวัตกรรมเกิดในห้องเรียนหรือห้องแล็บ (A1, A2, A4, K1, K2, K3, K5, V1)

ปัญหาที่มีความหมายเพียงเชิญชวนให้เกิดคำตอบที่มีความหมาย (A1, A2, K1, K2, V3, D3.2)

ผมจึงเปลี่ยนคำถามจาก “นักศึกษาควรทำ assignment อะไร” เป็น “ปัญหาจริงแบบใดมีความหมายพอให้การเรียนรู้ งานวิจัย นวัตกรรม ความร่วมมืออุตสาหกรรม และผลกระทบทางสังคมงอกออกมาจากประสบการณ์เดียวกันได้” (A1, A2, A4, K1, K2, K3, V1, V2)

หนึ่งปัญหา หลายเส้นทาง

เมื่อโครงงานเริ่มจากปัญหาจริงแทน output ที่กำหนดไว้ นักศึกษาแทบไม่เดินเส้นทางเดียวกัน (A1, A2, A4, K1, K2, V1, V2, V3)

บางคนต่อยอดคำถามเป็น publication บางคนพัฒนา prototype เป็น software system หรือ industrial collaboration บางโครงงานเป็น design patent หรือ competition entry และบางโครงงานตอบโจทย์ SDGs (A1, A2, K1, K2, K3, K4, V3, V4)

เส้นทางเหล่านี้ไม่ได้ถูกบังคับ และผมไม่ได้คาดหวังให้ทุกโครงงานสร้างทุกผลลัพธ์ (A1, A2, K1, K2, V3, D3.2)

วัตถุประสงค์จึงเปลี่ยนจากการสร้างผลลัพธ์เหมือนกัน ไปสู่การสร้างอนาคตที่ชอบธรรมได้หลายแบบ (A1, A2, K1, K2, V3, D3.2)

ระบบนิเวศ Research–Industry–Education ที่มีชีวิต

โจทย์อุตสาหกรรมสร้างโครงงานในห้องเรียน โครงงานสร้างคำถามวิจัย งานวิจัยสร้างบทความ prototype ทรัพย์สินทางปัญญา การแข่งขัน และความร่วมมือภายนอก (A1, A2, K1, K2, K3, V3, V4, V5) [5], [6]

ผลลัพธ์เหล่านี้ย้อนกลับมาสร้าง partner ใหม่ สื่อการสอนที่ดีขึ้น mentoring ที่เข้มแข็งขึ้น และโจทย์ที่ authentic ขึ้นสำหรับรุ่นถัดไป (A1, A2, A4, K1, K2, V1, V2, V3)

Teaching, research และ industrial engagement จึงไม่ได้แข่งขันกัน แต่เสริมกันใน ecosystem ที่พัฒนาอย่างต่อเนื่อง (A1, A2, K1, K2, K3, V3, V4, V5)

หลักฐานผ่านผลลัพธ์ที่หลากหลาย

งานนักศึกษานำไปสู่ IEEE publication, conference presentation, design patent, software system, industrial collaboration, competition และ SDG-oriented project (A1, A2, A4, K1, K2, K3, K4, V1)

Publication แสดง scholarly contribution, patent แสดง innovation, product แสดง practical implementation, competition แสดง technical excellence ภายใต้ external evaluation, industrial collaboration แสดง professional relevance และ SDG project แสดง societal value (A1, A2, K1, K2, K3, K4, V3, V4)

ไม่มีเส้นทางใดสำคัญกว่าโดยธรรมชาติ เมื่อมองรวมกัน มันแสดงว่า authentic learning พัฒนาได้หลายทิศโดยไม่ลด academic rigour (A1, A2, K1, K2, V3, D3.2)

การสะท้อนคิด

เป้าหมายของ student project ไม่ใช่เพียงผลิตรายงานเพื่อประเมิน แต่คือสร้างโอกาส (A1, A2, A3, A4, A5, K1, K2, K3) [11]

บางโอกาสกลายเป็น research, innovation, product, partnership หรือ career ที่ทั้งนักศึกษาและผมไม่อาจคาดการณ์ตั้งแต่ต้น (A1, A2, A4, A5, K1, K2, K3, V1)

ผมค่อย ๆ หยุดออกแบบ assignment และหันมาออกแบบ educational ecosystem (A1, A2, A5, K1, K2, K3, V3, V5)

ภายในระบบนั้น โครงงานอาจสิ้นสุด แต่การเรียนรู้แทบไม่สิ้นสุด (A1, A2, A5, K1, K2, K3, V3, D3.1)

Section 4 – สร้างชุมชนที่ทุกคนยังเรียนรู้ต่อ

ผลลัพธ์ที่ไม่คาดคิดคือขอบเขตระหว่าง student, researcher, engineer, mentor, collaborator, industrial practitioner และ educator ค่อย ๆ เลือนลง (A1, A2, A4, K1, K2, K3, V1, V2)

ความเชี่ยวชาญมาจากหลายทิศ นักศึกษานำเทคโนโลยีใหม่ ผู้ปฏิบัติในอุตสาหกรรมท้าทายสมมติฐานทางวิชาการ นักวิจัยเพิ่ม methodological rigour ศิษย์เก่านำประสบการณ์วิชาชีพกลับมา และเพื่อนร่วมงานต่างศาสตร์มองปัญหาเดียวกันคนละแบบ (A1, A2, A4, K1, K2, K3, K4, V1)

ผมตั้งใจให้มุมมองเหล่านี้อยู่ร่วมกัน การเรียนรู้จึงกลายเป็นบทสนทนา ไม่ใช่การส่งผ่าน (A1, A2, K1, K2, V3, D3.2)

Mentoring ผ่านความร่วมมือ

แทนที่จะเป็นคนที่ต้องตอบทุกคำถาม ผมกลายเป็นคนที่เชื่อมผู้เรียนกับคนที่สามารถตั้งคำถามได้ดีกว่า (A1, A2, A4, K1, K2, V1, V2, V3)

นักศึกษาได้คุยกับ researcher, software engineer, data scientist, industrial supervisor, domain specialist, alumni และ academic colleague (A1, A2, A4, K1, K2, K3, K4, V1)

พวกเขาเรียนรู้ว่าปัญหาซับซ้อนมีมุมมองที่ชอบธรรมได้หลายแบบ และเรียนรู้ที่จะอธิบาย ปกป้อง ปรับ หรือบางครั้งละทิ้งความคิดของตนหลังฟังมุมอื่น (A1, A2, K1, K2, V3, D3.2)

สร้าง Mentor รุ่นถัดไป

นักศึกษาที่เคยได้รับ mentoring กลับมาช่วยรุ่นน้อง นักวิจัยระดับบัณฑิตศึกษาแบ่งปันประสบการณ์ ผู้เคยแข่งขันสนับสนุนผู้แข่งขันใหม่ ศิษย์เก่ากลับมาพูดเรื่องอุตสาหกรรม partner กลายเป็น guest mentor และเพื่อนร่วมงานร่วม review, workshop, curriculum discussion และ interdisciplinary supervision (A1, A2, A4, K1, K2, K3, K5, V1) [2], [3]

Mentoring จึงค่อย ๆ พัฒนาเป็น distributed network แทนที่จะอยู่รอบอาจารย์คนเดียว (A1, A2, A4, K1, K2, V1, V2, V3)

ชุมชนการศึกษาเองกลายเป็น learning resource (A1, A2, K1, K2, V3, V5, D3.1, D3.2) [9]

ภาวะผู้นำผ่านการมีส่วนร่วม

ความเข้าใจเรื่อง leadership เปลี่ยนจากการเสนอแนวคิดใหม่ ไปสู่การสร้างสภาพแวดล้อมที่แนวคิดยังวิวัฒนาการหลังไม่ได้เป็นของผู้ออกแบบคนแรก (A1, A2, A5, K1, K2, K3, V3, D3.1)

ผมไม่ได้ขอให้เพื่อนร่วมงานลอกการสอนของผม แต่แบ่งปันหลักการที่สามารถปรับใช้ข้ามศาสตร์ สไตล์ และบริบทหลักสูตร (A1, A2, A5, K1, K2, K3, K5, V3)

ภาวะผู้นำไม่ได้วัดจากจำนวนคนที่ตามแนวคิดของคุณ แต่วัดจากจำนวนคนที่ปรับปรุงมัน (A1, A2, A5, K1, K2, K3, V3, D3.1)

การสะท้อนคิด

การศึกษาไม่ควรพึ่งบุคคลเดียว Software system ที่ดีทำงานต่อหลัง developer เดิมออกไป Research community เติบโตเพราะคนรุ่นใหม่ท้าทายความคิดเดิม Educational community ก็ควรทำเช่นนั้น (A1, A2, A5, K1, K2, K3, K4, V3) [9]

เป้าหมายของผมไม่ใช่สร้างนักศึกษาที่คิดเหมือนผม หรือเพื่อนร่วมงานที่สอนเหมือนผม แต่สร้างสภาพแวดล้อมที่ student กลายเป็น researcher, researcher กลายเป็น mentor, mentor กลายเป็น collaborator และ collaborator ช่วยปรับทั้งหลักสูตรและชุมชน (A1, A2, A4, A5, K1, K2, K3, K5)

ภาวะผู้นำที่มีความหมายจึงไม่ใช่การสร้างระบบที่พึ่งผู้ออกแบบ แต่ช่วยสร้างชุมชนที่ยังเรียนรู้ต่อหลังผู้ออกแบบก้าวออกไป (A1, A2, A5, K1, K2, K3, V3, V5) [9]

Section 5 – มองไกลกว่าสิ่งที่ผู้เรียนเป็นอยู่

การเปลี่ยนแปลงสำคัญที่สุดในเส้นทางของผมไม่ได้เกิดในหลักสูตร วิธีประเมิน หรือเทคนิคการสอน แต่มันเกิดในคำถามที่ผมถามตัวเอง (A1, A2, A3, K1, K2, K3, K5, V1)

ช่วงแรกผมถามว่านักศึกษาเข้าใจสิ่งที่สอนหรือไม่ ต่อมาถามว่านำไปใช้กับสถานการณ์ใหม่ได้หรือไม่ และในที่สุดถามว่า ผู้เรียนคนนี้อาจกลายเป็นอะไร หากผมสร้างสภาพแวดล้อมที่เหมาะสม (A1, A2, A4, K1, K2, V1, V2, V3)

คำถามนี้กำหนดปัญหาที่เลือก โครงงานที่ออกแบบ วิธีประเมิน วิธี mentor และวิธีเชื่อม teaching, research, industry, innovation และ community engagement (A1, A2, A3, A4, K1, K2, K3, V1) [9], [11]

สิ่งเหล่านี้ไม่ใช่กิจกรรมแยกกัน แต่เป็นวิธีต่าง ๆ ในการสร้างโอกาสให้คนค้นพบความสามารถที่ทั้งเขาและผมยังมองไม่เห็นตั้งแต่ต้น (A1, A2, K1, K2, V3, D3.2)

ก่อนหน้านี้ผมกล่าวว่าไม่ควรเทียบนกกับปลา ผมยังเชื่อว่าการประเมินที่ยุติธรรมต้องมองเห็นจุดแข็งที่แตกต่าง (A1, A2, A3, K1, K2, K3, V1, V2)

แต่ประสบการณ์สอนว่าความยุติธรรมเป็นเพียงจุดเริ่มต้น การศึกษาที่ดีไม่ควรเพียงยอมรับจุดแข็งที่มี แต่ควรสร้างโอกาสให้จุดแข็งที่ยังไม่ปรากฏได้เกิดขึ้น (A1, A2, K1, K2, V3, D3.2)

นักศึกษาที่คิดว่าตนเป็น “แค่ programmer” กลายเป็น researcher ผู้ที่ไม่มั่นใจงานวิจัยไปนำเสนอในเวทีนานาชาติ และผู้ปฏิบัติในอุตสาหกรรมค้นพบทฤษฎีเบื้องหลังประสบการณ์ของตนจนเกิดนวัตกรรมองค์กร (A1, A2, A4, K1, K2, K3, K5, V1)

บางคนพัฒนาผลิตภัณฑ์ บางคนตีพิมพ์ บางคนสร้างระบบให้ภาคอุตสาหกรรมหรือสังคม หลายคนเดินเส้นทางที่ไม่มีใครคาดการณ์ตั้งแต่ต้น (A1, A2, K1, K2, K3, V3, V4, D3.2)

การเปลี่ยนแปลงเดียวกันเกิดในตัวผม อุตสาหกรรมเปลี่ยนวิธีมองการศึกษา นักศึกษาเปลี่ยนความเข้าใจเรื่องการสอน งานวิจัยเปลี่ยนวิธีออกแบบการเรียนรู้ และเพื่อนร่วมงานเปลี่ยนความเข้าใจเรื่อง leadership (A1, A2, A4, K1, K2, K3, V1, V2) [5], [6]

ผมสนใจน้อยลงในการถามว่า “คุณเก่งอะไร” และสนใจมากขึ้นว่า “คุณอาจกลายเป็นอะไร” (A1, A2, K1, K2, V3, D3.2)

Metaphor ของนกและปลาไม่เคยเป็นเรื่องการเปรียบเทียบ แต่เป็นเรื่องความเป็นไปได้ (A1, A2, K1, K2, V3, D3.2)

บางครั้งการศึกษาเริ่มจากการยอมรับว่านกและปลาต่างกัน แต่ยิ่งสอนนาน ผมยิ่งพยายามสร้างสภาพแวดล้อมที่ปลาค้นพบว่าบินได้ และนกค่อย ๆ ตระหนักว่าว่ายน้ำได้ (A1, A2, K1, K2, V3, D3.2)

ไม่ใช่เพราะพวกเขาควรกลายเป็นสิ่งอื่น แต่เพราะทั้งผู้เรียนและครูยังไม่ค้นพบขอบเขตเต็มของสิ่งที่พวกเขาสามารถเป็นได้ (A1, A2, A4, K1, K2, V1, V2, V3)

อุดมศึกษาไม่ควรเพียงเตรียมคนเข้าสู่อาชีพที่มีอยู่วันนี้ แต่ควรช่วยให้ผู้คนค้นพบความเป็นไปได้ที่ยังมองไม่เห็น จนความอยากรู้อยากเห็น โอกาส ความท้าทาย และการสนับสนุนมาบรรจบกันในสภาพแวดล้อมที่เหมาะสม (A1, A2, K1, K2, V3, D3.2)

ครูที่ดีที่สุดไม่ได้ถูกจดจำเพราะบอกนักศึกษาว่าเขาเป็นใคร แต่เพราะสร้างโอกาสให้นักศึกษาค้นพบว่าเขายังอาจกลายเป็นใครได้อีก (A1, A2, A4, K1, K2, V1, V2, V3)

Descriptor 3 — Senior Fellowship

D3.1 Sustained record of leading or influencing those who teach and/or support high-quality learning. [1]

D3.2 Effective and inclusive practice integrating all Dimensions. [1]

D3.3 Practice extending significantly beyond direct teaching and/or direct support for learning. [1]

Areas of Activity

A1 Design and plan learning activities and/or programmes.

A2 Teach and/or support learning through appropriate approaches and environments.

A3 Assess and give feedback for learning.

A4 Support and guide learners.

A5 Enhance practice through continuing professional development.

Core Knowledge

K1 How learners learn, generally and within specific subjects.

K2 Approaches to teaching and/or supporting learning appropriate for subjects and level.

K3 Critical evaluation as a basis for effective practice.

K4 Appropriate use of digital and/or other technologies.

K5 Requirements for quality assurance and enhancement, and their implications for practice.

Professional Values

V1 Respect individual learners and diverse groups.

V2 Promote engagement and equity of opportunity.

V3 Use scholarship, research, professional learning and evidence-informed approaches.

V4 Acknowledge the wider context and its implications for practice.

V5 Collaborate with others to enhance practice.

Descriptor 3 — Senior Fellowship

D3.1 มีหลักฐานต่อเนื่องในการนำหรือมีอิทธิพลต่อการปฏิบัติของผู้ที่สอนหรือสนับสนุนการเรียนรู้คุณภาพสูง

D3.2 มีการปฏิบัติที่มีประสิทธิผล ครอบคลุม และบูรณาการ Dimensions ทั้งหมด

D3.3 มีการปฏิบัติที่ขยายออกไปอย่างมีนัยสำคัญเกินกว่าการสอนหรือสนับสนุนผู้เรียนโดยตรง

Areas of Activity

A1 ออกแบบและวางแผนกิจกรรมการเรียนรู้และ/หรือหลักสูตร

A2 สอนและ/หรือสนับสนุนการเรียนรู้ด้วยแนวทางและสภาพแวดล้อมที่เหมาะสม

A3 ประเมินและให้ข้อมูลย้อนกลับเพื่อการเรียนรู้

A4 สนับสนุนและชี้แนะแนวทางแก่ผู้เรียน

A5 พัฒนาการปฏิบัติผ่านการพัฒนาวิชาชีพอย่างต่อเนื่อง

Core Knowledge

K1 ความรู้ว่าผู้เรียนเรียนรู้อย่างไร ทั้งโดยทั่วไปและภายในศาสตร์เฉพาะ

K2 แนวทางการสอนและ/หรือสนับสนุนการเรียนรู้ที่เหมาะกับศาสตร์และระดับการศึกษา

K3 การประเมินอย่างมีวิจารณญาณเป็นฐานของการปฏิบัติที่มีประสิทธิผล

K4 การใช้เทคโนโลยีดิจิทัลและ/หรือเทคโนโลยีอื่นอย่างเหมาะสม

K5 ข้อกำหนดด้านการประกันและพัฒนาคุณภาพ รวมถึงผลต่อการปฏิบัติ

Professional Values

V1 เคารพผู้เรียนรายบุคคลและกลุ่มผู้เรียนที่หลากหลาย

V2 ส่งเสริมการมีส่วนร่วมและความเสมอภาคของโอกาส

V3 ใช้ scholarship งานวิจัย การเรียนรู้ทางวิชาชีพ และแนวทางที่มีหลักฐานรองรับ

V4 ตระหนักถึงบริบทที่กว้างขึ้นและผลต่อการปฏิบัติ

V5 ร่วมมือกับผู้อื่นเพื่อพัฒนาการปฏิบัติ