ระบบจำแนกประเภทประวัติย่อของผู้สมัครงานด้วยวิธีการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) สร้างแบบจำลองและการหาประสิทธิภาพแบบจำลองการจำแนกประเภทประวัติย่อของผู้สมัครงาน 2) พัฒนาระบบเว็บแอปพลิเคชันแนะนำตำแหน่งงานด้วยวิธีการเรียนรู้ของเครื่อง และ 3) ศึกษาความพึงพอใจของผู้ใช้งานระบบเว็บแอปพลิเคชันแนะนำตำแหน่งงานด้วยวิธีการเรียนรู้ของเครื่อง กลุ่มตัวอย่าง ได้แก่ นักศึกษาสาขาวิชาเทคโนโลยีสารสนเทศ คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยราชภัฏมหาสารคาม ชั้นปีที่ 4 ที่จะออกปฏิบัติงานสหกิจศึกษา จำนวน 30 คน เครื่องมือที่ใช้ในการวิจัย ได้แก่ 1) ชุดข้อมูลประวัติย่อของผู้สมัครงาน 2) ระบบเว็บแอปพลิเคชันแนะนำตำแหน่งงาน 3) แบบสอบถามความพึงพอใจผู้ใช้งานระบบเว็บแอปพลิเคชันแนะนำตำแหน่งงาน ได้ใช้อัลกอริทึมจำแนกประเภทประวัติย่อของผู้สมัครงาน 5 วิธี ได้แก่ วิธีนาอีฟเบย์ วิธีซัพพอร์ตเวกเตอร์แมทชีน วิธีเพื่อนบ้านใกล้ที่สุด วิธีต้นไม้ตัดสินใจ วิธีเพอร์เซปตรอนแบบหลายชั้น โดยใช้สมการในการประเมินประสิทธิภาพของแบบจำลอง ได้แก่ ค่าความแม่นยำ ค่าความระลึก ค่าเอฟวันสกอร์ และค่าความถูกต้อง และสถิติที่ใช้ศึกษาความพึงพอใจ ได้แก่ ค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐาน
ผลการวิจัย พบว่า 1) การสร้างและหาประสิทธิภาพของแบบจำลองการจำแนกประเภทประวัติย่อของผู้สมัครงาน พบว่า วิธีเพอร์เซปตรอนแบบหลายชั้น และวิธีซัพพอร์ตเวกเตอร์แมทชีน ให้ประสิทธิภาพสูงที่สุด
ค่าความแม่นยำ 99.64% ค่าความระลึก 99.59% ค่าเอฟวันสกอร์ 99.56% และค่าความถูกต้อง 99.59%
2) การพัฒนาระบบเว็บแอปพลิเคชันแนะนำตำแหน่งงานด้วยวิธีการเรียนรู้ของเครื่อง ระบบสามารถทำงานได้จริงตามที่ออกแบบไว้ โดยมีองค์ประกอบของระบบ 5 ระบบ ได้แก่ ระบบสมาชิก ระบบประมวลผลไฟล์ PDF ประวัติย่อของผู้สมัครงาน ระบบประมวลผลข้อมูลร่วมกับแบบจำลอง ระบบแสดงชื่อตำแหน่งงานที่สอดคล้องกับประวัติย่อของผู้สมัครงาน และระบบแสดงตำแหน่งงานว่างจากบริษัทจัดหางาน 3) ผลการศึกษาความพึงพอใจของผู้ใช้งานต่อระบบเว็บแอปพลิเคชันแนะนำตำแหน่งงานด้วยวิธีการเรียนรู้ของเครื่อง พบว่า อยู่ในระดับมากที่สุด ค่าเฉลี่ยเท่ากับ 4.69 และส่วนเบี่ยงเบนมาตรฐานเท่ากับ 0.47
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กระทรวงการอุดมศึกษา วิทยาศาสตร์ วิจัยและนวัตกรรม. (2565). โครงการส่งเสริมการจัดสหกิจศึกษาและการศึกษาเชิงบูรณาการกับการทำงาน (Cooperative and Work Integrated Education หรือ CWIE). สืบค้น 11 มกราคม 2566,
จาก https://www.mhesi.go.th/index.php/flagship-project/6820-CWIE.html
Goindani, M., Liu, Q., Chao, J., & Jijkoun, V. (2017). Employer Industry Classification Using Job Postings. IEEE
International Conference on Data Mining Workshops, ICDMW, 2017-November, 183–188.
Retrieved from https://doi.org/10.1109/ICDMW.2017.30
Daryani, C., Chhabra, G. S., Patel, H., Chhabra, I. K., & Patel, R. (2020). AN AUTOMATED RESUME SCREENING SYSTEM USING NATURAL LANGUAGE PROCESSING AND SIMILARITY. Topics In Intelligent Computing And Industry Design, 2(2): 99-103. Retrieved from https://doi.org/10.26480/ETIT.02.2020.99.103
Roy, P. K., Chowdhary, S. S., & Bhatia, R. (2020). A Machine Learning approach for automation of Resume
Recommendation system. Procedia Computer Science, 167, 2318–2327. Retrieved from
https://doi.org/10.1016/J.PROCS.2020.03.284
Javed Mehedi Shamrat, F. M., Tasnim, Z., Ghosh, P., Majumder, A., & Hasan, M. Z. (2020). Personalization of Job
Circular Announcement to Applicants Using Decision Tree Classification Algorithm. 2020 IEEE International
Conference for Innovation in Technology, INOCON 2020. Retrieved from
https://doi.org/10.1109/INOCON50539.2020.9298253
van Huynh, T., van Nguyen, K., Nguyen, N. L. T., & Nguyen, A. G. T. (2020). Job Prediction: From Deep Neural
Network Models to Applications. Proceedings - 2020 RIVF International Conference on Computing and
Communication Technologies, RIVF 2020. Retrieved from https://doi.org/10.1109/RIVF48685.2020.9140760
Tran, H. T., Vo, H. H. P., & Luu, S. T. (2021). Predicting Job Titles from Job Descriptions with Multi-label Text
Classification. Proceedings - 2021 8th NAFOSTED Conference on Information and Computer Science, NICS
, 513–518. Retrieved from https://doi.org/10.1109/NICS54270.2021.9701541
กนิษฐา อินธิชิต, ภควัฒน์ ปิยวงษ์ และสุภาพร สุขใส, (2565). การพัฒนาแอปพลิเคชันช่วยตัดสินใจในการเลือกเรียนสาขาวิชา
คอมพิวเตอร์ ในมหาวิทยาลัยราชภัฏศรีสะเกษ บนระบบปฏิบัติการแอนดรอยด์ โดยใช้เทคนิคต้นไม้ตัดสินใจ.
วารสารวิชาการ การจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม , 9(2), 97–107. สืบค้นจาก https://ph02.tci-thaijo.org/index.php/itm-journal/article/view/247879/168306
Kaggle. (2021). Resume Dataset. Retrieved January 11, 2023, from https://www.kaggle.com/datasets/snehaanbhawal/resume-dataset
Zhu, C. (2021). The basics of natural language processing. Machine Reading Comprehension, 27–46.
Retrieved from https://doi.org/10.1016/B978-0-323-90118-5.00002-3
NLTK. (2023). nltk.tokenize.casual module. Retrieved January 11, 2023, from https://www.nltk.org/api/nltk.tokenize.casual.html
Jabri, S., Dahbi, A., Gadi, T., & Bassir, A. (2018). Ranking of text documents using TF-IDF weighting and association rules mining. Proceedings of the 2018 International Conference on Optimization and Applications, ICOA
, 1–6. Retrieved from https://doi.org/10.1109/ICOA.2018.8370597
Google. (n.d.). Colaboratory. Retrieved January 11, 2023, from https://research.google.com/colaboratory/faq.html
Shalev-Shwartz, S., & Ben-David, S. (2013). Understanding machine learning: From theory to algorithms. In
Understanding Machine Learning: From Theory to Algorithms (Vol. 9781107057). Retrieved from
https://doi.org/10.1017/CBO9781107298019
Kohavi, R. (n.d.). A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection.
Retrieved January 11, 2023, from http//roboticsStanfordedu/"ronnykLikert,
Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22 140, 55.