ใช้ AI ช่วยครูออกแบบการประเมิน ด้วยแนวคิด Backward Design

เวลาเราจะออกแบบการเรียนรู้สักหน่วยหนึ่ง สิ่งที่ผุดขึ้นมาในหัวก่อนมักเป็นคำถามอย่าง จะสอนกิจกรรมอะไรดี หรือจะออกข้อสอบแบบไหนดี ซึ่งก็เป็นเรื่องปกตินะครับ เพราะครูต้องคิดหลายอย่างพร้อมกัน ทั้งเวลา เนื้อหา ความพร้อมของนักเรียน และข้อจำกัดที่มีอยู่จริงในห้องเรียน

ปัญหาคือ บางครั้งเราได้กิจกรรมที่ทำได้จริงและดูน่าสนใจ แต่พอถึงเวลาวัดผลกลับพบว่าสิ่งที่วัดไม่ค่อยตรงกับสิ่งที่เราอยากให้นักเรียนได้ เราอยากดูการคิดวิเคราะห์ แต่ข้อสอบไปหนักที่การจำ อยากให้นักเรียนอธิบายอย่างมีเหตุผล แต่สุดท้ายกลับดูเพียงว่าคำตอบสุดท้ายถูกหรือผิด

ตรงนี้เป็นจุดที่แนวคิด Backward Design ของ Wiggins และ McTighe ช่วยได้มากครับ เพราะมันชวนให้เราเปลี่ยนจุดเริ่มต้น แทนที่จะเริ่มจากกิจกรรมหรือข้อสอบ เราเริ่มจากถามก่อนว่า เมื่อเรียนจบแล้วเราอยากเห็นอะไรจากนักเรียน แล้วค่อยย้อนกลับมาดูว่า ต้องมีหลักฐานแบบไหน ต้องประเมินอะไร และควรจัดกิจกรรมอะไรระหว่างทาง

ฟังดูเหมือนแค่สลับลำดับการคิด แต่พอลองทำจริง ผลต่างกันพอสมควรครับ เพราะเมื่อปลายทางชัดขึ้น เราจะเริ่มเห็นทันทีว่าอะไรจำเป็น อะไรไม่จำเป็น และสิ่งที่สอน สิ่งที่ให้นักเรียนทำ กับสิ่งที่เอามาประเมิน กำลังไปทางเดียวกันหรือเปล่า

ยิ่งตอนนี้ครูเริ่มใช้ AI ช่วยคิดโจทย์ ช่วยร่าง rubric หรือช่วยตั้งต้นแบบประเมิน วิธีคิดแบบนี้ยิ่งสำคัญครับ AI จะช่วยเราได้ดีแค่ไหน ส่วนหนึ่งขึ้นอยู่กับว่าเราบอกมันได้ชัดหรือยังว่า กำลังออกแบบการเรียนรู้เพื่ออะไร และอยากเห็นหลักฐานแบบไหนจากนักเรียน

ทำไมการประเมินถึงเหนื่อย แต่ยังไม่ค่อยช่วยให้เห็นว่าจะสอนต่อยังไง

ครูจำนวนมากไม่ได้มีปัญหาเรื่องความตั้งใจเลยครับ หลายคนออกแบบเอง ตรวจเอง แล้วก็กลับมาแก้เองแทบทุกขั้นตอน ที่เหนื่อยคือ บางครั้งยิ่งทำเยอะ เรายิ่งไม่แน่ใจว่าสุดท้ายกำลังวัดอะไรกันแน่

ลองดูตัวอย่างง่าย ๆ ครูวิทยาศาสตร์ ม.2 อยากรู้ว่านักเรียนอธิบายความสัมพันธ์ในระบบนิเวศได้ไหม แต่ข้อสอบที่ใช้กลับเป็นปรนัยถามคำศัพท์เรื่องผู้ผลิต ผู้บริโภค และผู้ย่อยสลาย ครูฟิสิกส์ ม.6 อยากดูความเข้าใจเรื่องกัมมันตภาพรังสี แต่ชิ้นงานกลับกลายเป็นการแทนค่าสูตรจนเราแทบไม่เห็นว่านักเรียนตีความข้อมูลการสลายตัวได้จริงหรือเปล่า หรือในวิชาภาษาไทย ครูอยากดูการตีความ แต่ให้นักเรียนตอบสั้นเพียง 1–2 บรรทัด จนมองกระบวนการคิดไม่ค่อยออก

พอเป็นแบบนี้ นักเรียนก็ไม่แน่ใจว่าควรให้ความสำคัญกับอะไร ส่วนครูเองก็มีข้อมูลเต็มมือ แต่ข้อมูลเหล่านั้นไม่ได้ช่วยมากนักเวลาต้องตัดสินใจว่า คาบต่อไปควรสอนอะไรซ้ำ ควรเสริมตรงไหน หรือใครกำลังติดเรื่องอะไรอยู่

Backward Design เลยพาเรากลับมาตั้งหลักกับคำถามที่สำคัญที่สุดก่อนครับว่า เมื่อหน่วยนี้จบลง เราอยากเห็นอะไรจากนักเรียนจริง ๆ คำถามฟังดูเรียบง่าย แต่พอตอบให้ชัดได้ การออกแบบส่วนที่เหลือจะเริ่มมีทิศทางตามมาเอง

Backward Design เริ่มจากผลลัพธ์

ขั้นแรกของ Backward Design คือการกำหนดผลลัพธ์ที่ต้องการ หรือ Desired Results

ตรงนี้คล้ายกับการเขียนจุดประสงค์การเรียนรู้ที่เราคุ้นเคย แต่จะถามต่อไปอีกหน่อยครับ นักเรียนควรรู้อะไร เข้าใจอะไร เอาความรู้นั้นไปใช้ต่อได้ยังไง แล้วเราจะเห็นอะไรในงานหรือพฤติกรรมของเขาที่ทำให้พอเชื่อได้ว่าเรียนรู้สิ่งนั้นแล้ว

เช่น แทนที่จะเขียนกว้าง ๆ ว่า “เข้าใจเรื่องแรงลัพธ์” เราอาจเขียนให้เห็นพฤติกรรมมากขึ้นว่า “นักเรียนสามารถใช้แนวคิดเรื่องแรงลัพธ์อธิบายได้ว่าทำไมวัตถุบางกรณีหยุดนิ่งแม้มีแรงหลายแรงกระทำ” หรือแทนที่จะเขียนว่า “รู้เรื่องกัมมันตภาพรังสี” ก็อาจระบุว่า “นักเรียนสามารถตีความข้อมูลการสลายตัวและอธิบายความหมายของ half-life ในสถานการณ์จริงได้”

ครูหลายคนน่าจะคุ้นกับเป้าหมายระดับ รู้ เข้าใจ หรือทำได้ อยู่แล้วครับ แต่ถ้าอยากใช้ Backward Design ให้ได้ประโยชน์มากขึ้น ลองถามต่ออีกนิดว่า หน่วยนี้มีอะไรที่เราอยากให้นักเรียนยังเอาไปใช้ได้หลังจากเรียนจบ มีความเข้าใจผิดอะไรที่เจอบ่อย แล้วถ้าเจอสถานการณ์ที่หน้าตาไม่เหมือนตัวอย่างเดิม นักเรียนควรเอาความรู้นี้ไปใช้ยังไง

พอคำถามเหล่านี้เริ่มชัด ภาพของหน่วยการเรียนก็เปลี่ยนครับ เราจะไม่ได้เห็นแค่รายการหัวข้อที่ต้องสอนให้ครบ แต่เริ่มเห็นเส้นทางว่า ระหว่างหน่วยนักเรียนควรค่อย ๆ พัฒนาความเข้าใจอะไรบ้าง

พอปลายทางชัด เราจะเริ่มเห็นว่าควรเก็บหลักฐานอะไร

ขั้นต่อมาคือการกำหนดหลักฐานที่ยอมรับได้ หรือ Assessment Evidence

ตรงนี้สำคัญมากครับ แทนที่จะเริ่มด้วยคำถามว่า “จะออกข้อสอบอะไรดี” ลองถามก่อนว่า “ถ้านักเรียนเข้าใจจริง เราน่าจะเห็นอะไรจากงานของเขา”

คำตอบแต่ละหน่วยไม่จำเป็นต้องเหมือนกัน บางเรื่องข้อสอบสั้นก็เหมาะแล้ว บางเรื่องต้องให้นักเรียนเขียนอธิบาย บางเรื่องต้องดูจากการทดลอง การนำเสนอ หรือชิ้นงานที่ต้องใช้ความรู้กับสถานการณ์จริง

เช่น ถ้าอยากดูการคิดเชิงวิทยาศาสตร์ในหน่วยกัมมันตภาพรังสี เราอาจให้กราฟการสลายตัวแล้วให้นักเรียนอธิบายจากข้อมูล ถ้าอยากดูการประยุกต์ใช้คณิตศาสตร์ อาจให้แก้โจทย์สถานการณ์จริงพร้อมอธิบายว่าทำไมถึงเลือกวิธีนั้น หรือถ้าอยากดูการสื่อสาร อาจใช้ mini presentation 2 นาที แล้วกำหนดไว้ให้ชัดว่าการอธิบายที่ดีควรมีอะไรบ้าง

จุดสำคัญคือ เราไม่จำเป็นต้องผูกคำว่า “การประเมิน” ไว้กับข้อสอบอย่างเดียวครับ

ถ้าอยากเห็นการคิดวิเคราะห์ เราก็ควรได้เห็นเหตุผลของนักเรียนด้วย ถ้าอยากดูการสื่อสารทางวิชาการ นักเรียนต้องมีพื้นที่พอให้อธิบายอย่างเป็นระบบ และถ้าอยากดูการประยุกต์ใช้ งานที่ให้ก็ควรเปิดโอกาสให้เขาตัดสินใจ ไม่ใช่เพียงทำตามตัวอย่างเดิมทุกขั้น

พอหลักฐานตรงกับสิ่งที่เราอยากดู งานประเมินบางอย่างกลับง่ายขึ้นด้วยซ้ำครับ เพราะตอนตรวจเรารู้ว่ากำลังมองหาอะไร และข้อมูลที่ได้ก็เอากลับไปใช้กับการสอนได้จริงกว่าเดิม

Rubric ที่ดีช่วยมากกว่าการให้คะแนน

หลายคนเห็น rubric แล้วรู้สึกว่าเป็นงานเพิ่มอีกชิ้น แต่ถ้าเกณฑ์ออกแบบมาดี มันช่วยทั้งตอนตรวจงานและตอนให้นักเรียนกลับไปพัฒนางานของตัวเองครับ

สำหรับครู rubric ช่วยให้เราตอบได้ว่า งานแบบไหนถือว่าไปถึงเป้าหมายแล้ว งานแบบไหนยังขาด และความต่างระหว่างงานที่พอใช้กับงานที่แข็งแรงจริงอยู่ตรงไหน ส่วนสำหรับนักเรียน เกณฑ์ที่ชัดช่วยให้เขาเห็นว่าควรกลับไปแก้อะไร มากกว่ารู้เพียงว่าได้คะแนนเท่าไร

หัวใจอยู่ที่คำอธิบายแต่ละระดับควรบอกสิ่งที่เรามองเห็นในงานจริงครับ สมมติภาระงานคือให้นักเรียนอ่านกราฟการสลายตัวของสารแล้วอธิบายความหมายของ half-life rubric แบบสั้นอาจเขียนประมาณนี้

• ระดับดี: อธิบายครบประเด็น ใช้หลักฐานจากกราฟ และเชื่อมเหตุผลได้ชัด
• ระดับพอใช้: อ่านข้อมูลได้บางส่วนและตอบได้ใกล้เคียง แต่เหตุผลยังไม่ต่อเนื่อง
• ระดับต้องพัฒนา: มีคำตอบ แต่ยังไม่ใช้ข้อมูลหรือเหตุผลรองรับ

พอเกณฑ์ชัด การให้ feedback ก็ง่ายขึ้น และเราจะเริ่มเห็นด้วยว่าควรกลับไปสอนหรือเสริมตรงไหน นักเรียนเองก็พอมองออกว่าคุณภาพของงานที่ดีหน้าตาเป็นยังไง

ถ้าอยากลงรายละเอียดต่อในบริบทฟิสิกส์ ผมเขียน แนวทางออกแบบ rubric ให้เห็นวิธีคิดของนักเรียน ไว้อีกบทความหนึ่งครับ ตัวอย่างในนั้นแยกให้เห็นทั้งการใช้ข้อมูล การใช้หลักฟิสิกส์ และลำดับเหตุผล ซึ่งเหมาะกับงานที่คำตอบสุดท้ายอย่างเดียวบอกเราไม่พอ

กิจกรรมยังสำคัญ แต่คิดทีหลังเป้าหมายกับหลักฐาน

Backward Design ไม่ได้ลดความสำคัญของกิจกรรมนะครับ เพียงแต่เราจะคิดกิจกรรมหลังจากพอรู้แล้วว่าปลายทางคืออะไร และต้องใช้หลักฐานแบบไหนมาดูว่านักเรียนไปถึงหรือยัง

จุดนี้ช่วยได้มาก เพราะแทนที่จะถามแค่ว่า “กิจกรรมนี้สนุกไหม” เรามีอีกคำถามหนึ่งเพิ่มขึ้นมาว่า “แล้วกิจกรรมนี้กำลังพานักเรียนไปหาสิ่งที่เราจะประเมินจริงหรือเปล่า”

ถ้าปลายทางคือให้นักเรียนอภิปรายจากข้อมูลเรื่อง half-life ระหว่างทางก็ควรมีโอกาสให้เขาฝึกอ่านตาราง ตีความกราฟ และเขียนเหตุผลสั้น ๆ จากข้อมูลจริง ถ้าปลายทางคือ performance task เรื่องการจัดการขยะในโรงเรียน ระหว่างทางก็ควรมีทั้งการเก็บข้อมูล สัมภาษณ์ผู้เกี่ยวข้อง เปรียบเทียบทางเลือก และลองสร้างข้อเสนอที่มีเหตุผล

พอมองแบบนี้ กิจกรรมไม่ได้หายไปไหนครับ แต่เราเริ่มเลือกมันด้วยเหตุผลที่ชัดขึ้น กิจกรรมที่ห้องเรียนคึกคักอาจดีอยู่แล้ว แต่ถ้ามันไม่ช่วยพานักเรียนเข้าใกล้ผลลัพธ์ที่ต้องการ เราก็อาจต้องถามต่อว่าควรเก็บไว้ ปรับ หรือเปลี่ยนเป็นอย่างอื่น

การประเมินที่ดีไม่ควรรอจนจบหน่วย

อีกเรื่องที่มีผลมากคือ เราเก็บหลักฐานเมื่อไร

ถ้ารอไปดูผลกันตอนสอบท้ายหน่วยอย่างเดียว บางครั้งเรารู้ช้าเกินไปครับ นักเรียนบางคนอาจสับสนมาตั้งแต่ครึ่งแรกของหน่วย แต่กว่าจะเห็นชัด บทเรียนก็เดินผ่านจุดนั้นไปแล้ว

ถ้าเก็บหลักฐานเล็ก ๆ ระหว่างทางด้วย เราจะเห็นเร็วกว่ามาก อาจเป็นคำถามสั้นท้ายคาบ ให้นักเรียนเขียนเหตุผลหนึ่งย่อหน้า ลองอธิบายด้วยภาษาของตัวเอง หรือดูชิ้นงานระหว่างทำก็ได้ เช่น ท้ายคาบเรื่องครึ่งชีวิต เราอาจถามว่า “จากกราฟนี้ ปริมาณสารจะเหลือประมาณเท่าไรหลัง 3 ครึ่งชีวิต และเพราะอะไร” หรือให้นักเรียนเขียนสั้น ๆ ว่า “เมื่อก่อนฉันคิดว่า... ตอนนี้ฉันคิดว่า...” เพื่อดูว่าความเข้าใจเปลี่ยนตรงไหน

ถ้าเราเห็นเร็ว เราก็มีโอกาสปรับเร็วครับ สมมติอ่านคำตอบแล้วพบว่านักเรียนจำนวนมากยังสับสนเรื่อง half-life คาบถัดไปอาจต้องย้อนมาทำกิจกรรมสั้น ๆ ก่อนเดินต่อ ตรงนี้แหละที่การประเมินเริ่มทำหน้าที่เป็นส่วนหนึ่งของการสอน ไม่ได้มีไว้สร้างคะแนนอย่างเดียว

Formative Assessment Loop ทำให้ข้อมูลที่เก็บมามีความหมาย

สิ่งที่น่าเสียดายไม่ใช่แบบประเมินหน้าตาไม่สวยครับ แต่เป็นการเก็บข้อมูลมาแล้วไม่ได้ใช้มันต่อ

ในห้องเรียนจริง กระบวนการมักวนอยู่ประมาณนี้ สอน เก็บหลักฐาน ดูว่านักเรียนเข้าใจแค่ไหน แล้วปรับสิ่งที่จะทำต่อ

แนวคิดนี้สอดคล้องกับงานทบทวนเรื่อง formative assessment ของ Black และ Wiliam ซึ่งพบหลักฐานว่าวิธีการที่ทำให้ครูและนักเรียนได้รับข้อมูลย้อนกลับเกี่ยวกับการเรียนรู้อย่างต่อเนื่องสามารถช่วยยกระดับผลการเรียนรู้ได้ ประเด็นสำคัญจึงอยู่ที่การเอาหลักฐานระหว่างเรียนกลับมาใช้ตัดสินใจว่าจะสอนและเรียนต่อยังไง ไม่ใช่เพียงเก็บข้อมูลไว้เฉย ๆ (Black & Wiliam, 1998)

เรื่องนี้ฟังดูธรรมดานะครับ แต่ถ้าทำสม่ำเสมอ ห้องเรียนจะเปลี่ยนพอสมควร เพราะเราไม่ต้องเดาอยู่ตลอดว่านักเรียนเข้าใจหรือยัง มีหลักฐานเล็ก ๆ ระหว่างทางคอยบอก และถ้าพบว่าหลายคนติดตรงเดียวกัน เราก็ยังมีเวลาทำอะไรกับมัน

ในฝั่งนักเรียน การประเมินก็มีความหมายต่างออกไปด้วย เขาไม่ได้เจอมันเฉพาะตอนที่จะถูกตัดสินคะแนน แต่เริ่มเห็นว่าข้อมูลจากงานที่ทำอยู่ช่วยบอกได้ว่าตอนนี้เข้าใจถึงไหน แล้วควรกลับไปแก้อะไรต่อ

ถ้าอยากเริ่มใช้จริง เริ่มจากเล็ก ๆ ก่อนก็ได้

เราไม่จำเป็นต้องกลับไปรื้อทั้งหน่วยในครั้งแรกครับ ลองเลือกคาบหนึ่งหรือหน่วยหนึ่งก่อน แล้วถามตัวเองว่า หลังจากเรียนส่วนนี้จบ เราอยากเห็นอะไรจากนักเรียน

พอตอบได้ ลองเลือกหลักฐานหนึ่งอย่างที่น่าจะทำให้เราเห็นสิ่งนั้นจริง ๆ แล้วค่อยถามต่อว่า ระหว่างทางนักเรียนควรได้ฝึกอะไรบ้าง

แค่นี้ก็เริ่มคิดแบบ Backward Design แล้วครับ

ถ้าอยากมีตัวช่วยตอนจัดความคิดตั้งต้น ลองใช้ เครื่องมือ Evaluation Prompt ของ Stylor Academy ได้ หน้าเครื่องมือนี้ช่วยรวบรวมข้อมูลสำคัญอย่างวิชา ระดับชั้น หน่วย สิ่งที่อยากวัด หลักฐาน และข้อจำกัดของห้องเรียน ก่อนนำไปทำงานต่อกับ AI

จากข้อมูลตั้งต้น ไปทำงานต่อกับ AI

ผมอยากเน้นนิดหนึ่งว่า Evaluation Prompt เป็นจุดเริ่มต้นสำหรับจัดโจทย์ของเราให้เป็นระบบ ยังไม่ใช่เอกสารประเมินสำเร็จรูปครับ

สมมติครูฟิสิกส์กำลังสอนหน่วยกัมมันตภาพรังสี และอยากดูว่านักเรียนตีความข้อมูลการสลายตัวได้ไหม หลักฐานที่ต้องการอาจเป็นใบงานกับคำอธิบายจากข้อมูลที่นักเรียนได้จากเครื่องคิดเลข พอกรอกสิ่งที่เรารู้ลงไป ระบบจะช่วยจัดข้อมูลเหล่านี้ให้อยู่ในรูปของ prompt ตั้งต้นที่เอาไปทำงานต่อได้ง่ายขึ้น

จากนั้นค่อยคัดลอก prompt ไปใช้กับ LLM ที่เราถนัด เช่น ChatGPT, Gemini, Claude หรือระบบอื่นที่ใช้อยู่ ผลลัพธ์ที่ได้อาจเป็น prompt ที่ละเอียดขึ้น โครงชุดประเมิน ร่าง rubric หรือแนวทางสร้างภาระงาน ขึ้นอยู่กับว่าเราให้บริบทไปมากแค่ไหน

ในตัวอย่างฟิสิกส์ ผลที่ได้อาจเป็นโครงงานที่ให้นักเรียนอ่านกราฟการสลายตัว อธิบายความหมายของ half-life แล้วเชื่อมข้อมูลนั้นกับสถานการณ์จริงเรื่องเวลาและปริมาณสาร จากตรงนี้ครูค่อยนำไปพัฒนาเป็นเอกสารที่ใช้จริง เช่น แผนประเมิน rubric ใบงานแบบ performance task หรือชุดคำถามสะท้อนคิดท้ายคาบ

AI จึงช่วยขยายและจัดโครงความคิดของเราได้เยอะครับ แต่การตัดสินใจว่าอะไรตรงกับเป้าหมาย อะไรเหมาะกับนักเรียนกลุ่มนี้ และเกณฑ์ระดับไหนถึงจะถือว่าผ่าน ยังต้องกลับมาอยู่ที่ครูและบริบทของห้องเรียนจริง

อีกจุดหนึ่งที่ควรระวังคือ ถ้าในผลลัพธ์มีคำว่า [ต้องเติม] นั่นคือส่วนที่ AI ไม่ควรเดาแทนเรา เช่น ตัวชี้วัด เกณฑ์ผ่านขั้นต่ำ เงื่อนไขเฉพาะของโรงเรียน งานเดี่ยวหรืองานกลุ่ม เวลา หรือข้อจำกัดจริงในชั้นเรียน

สมมติเรายังไม่ได้บอกว่าหน่วยนี้มีกี่คาบ นักเรียนกี่คน หรือชิ้นงานเป็นรายบุคคลหรือกลุ่ม ก็ควรกลับมาเติมข้อมูลเหล่านี้ก่อนนำผลลัพธ์ไปใช้จริงครับ รายละเอียดพวกนี้อาจดูเล็ก แต่เป็นตัวกำหนดเลยว่าแบบประเมินที่ออกมาจะใช้ได้จริงในห้องเรียนหรือเป็นเพียงแบบที่ดูดีบนกระดาษ

สุดท้ายแล้ว การออกแบบที่ดีเริ่มจากคำถามที่ชัด

Backward Design ไม่ได้อยู่ไกลจากสิ่งที่ครูทำกันในห้องเรียนครับ หลักของมันค่อนข้างตรงไปตรงมา เราพยายามทำให้สิ่งที่อยากให้นักเรียนเรียนรู้ สิ่งที่ให้นักเรียนลงมือทำ และสิ่งที่ใช้ดูว่าเขาเรียนรู้แล้วหรือยัง ไปด้วยกัน

พอปลายทางชัด เราจะเลือกหลักฐานได้ตรงขึ้น พอรู้ว่าต้องดูหลักฐานอะไร เราก็ออกแบบกิจกรรมระหว่างทางได้มีเหตุผลขึ้น และเมื่อเก็บหลักฐานระหว่างเรียน เราก็ยังมีโอกาสเอาสิ่งที่เห็นกลับมาปรับการสอนต่อได้อีก

เพราะฉะนั้น ก่อนถามว่า “คาบนี้จะทำกิจกรรมอะไรดี” บางทีลองย้อนมาถามอีกคำถามหนึ่งก่อนก็ได้ครับ

พอหน่วยนี้จบลง เราอยากเห็นอะไรจากนักเรียนจริง ๆ

ถ้าตอบข้อนี้ได้ชัด เรื่องอื่นจะเริ่มต่อกันง่ายขึ้นมาก

เอกสารอ้างอิง

• Black, P., & Wiliam, D. (1998). Assessment and Classroom Learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7–74. https://doi.org/10.1080/0969595980050102
• McTighe, J., & Wiggins, G. (2012). Understanding by Design Framework. ASCD. เอกสารจาก ASCD
• McTighe, J., & Wiggins, G. (2014). Improve Curriculum, Assessment, and Instruction Using the Understanding by Design Framework. ASCD. เอกสารจาก ASCD
• Wiggins, G., & McTighe, J. (2005). Understanding by Design (Expanded 2nd ed.). ASCD. ASCD
• Wiggins, G., & McTighe, J. (2011). The Understanding by Design Guide to Creating High-Quality Units. ASCD. ASCD