การสร้างแบบจำลองการพยากรณ์แนวโน้มการสมัครเข้าศึกษาต่อในมหาวิทยาลัยเอกชน: การศึกษาจากพฤติกรรมผู้เข้าร่วมกิจกรรมแนะแนวการศึกษา
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์แนวโน้มการสมัครเข้าศึกษาต่อในมหาวิทยาลัยเอกชน มีวัตุประสงค์ดังนี้ 1) เพื่อวิเคราะห์ปัจจัยเชิงพฤติกรรม ภายในงาน Open house ที่สัมพันธ์กับการตัดสินใจสมัครเข้าศึกษา 2) เพื่อศึกษาความสัมพันธ์ระหว่างพฤติกรรมการเข้าร่วมกิจกรรมกับการตัดสินใจสมัครเข้าศึกษา และ 3) เพื่อพัฒนาแบบจำลองการพยากรณ์แนวโน้มการสมัครเข้าศึกษาต่อในมหาวิทยาลัยเอกชน โดยวิเคราะห์จากข้อมูลผู้เข้าร่วมกิจกรรมแนะแนวการศึกษา Open House โดยใช้ข้อมูลจากผู้ลงทะเบียนเข้าร่วมกิจกรรมจำนวน 1,321 คน มีผู้ลงทะเบียนเข้าร่วมกิจกรรมจริง 564 คน จำนวนที่ไม่มาร่วมงาน 625 คน และมีนักเรียนที่ลงทะเบียนและสมัครเข้าศึกษาภายในงาน 132 คน การศึกษาใช้แบบจำลอง Naive Bayes Logistic Regression Deep Learning Decision Tree และ Random Forest
ผลการวิจัยที่สำคัญ พบว่า 1) ปัจจัยสำคัญที่สุดที่ส่งผลต่อการเข้าร่วมกิจกรรม คือ ระยะเวลาการเข้าร่วมกิจกรรมและจำนวนกิจกรรมย่อยที่เข้าชม 2) พฤติกรรมการเข้าร่วมกิจกรรมจริง มีความสัมพันธ์อย่างมีนัยสำคัญกับการตัดสินใจสมัครเข้าศึกษา ปัจจัยที่มีอิทธิพลต่อการตัดสินใจสมัครเรียนมากที่สุด ได้แก่ ระยะเวลาการเข้าร่วมกิจกรรม (Importance Score = 0.38) และจำนวนกิจกรรมย่อยที่เข้าชม (Importance Score = 0.25) ซึ่งเป็นตัวบ่งชี้ความมีส่วนร่วมและความตั้งใจสมัครเรียน และ 3) การพัฒนาแบบจำลองการพยากรณ์แนวโน้มการสมัครเข้าศึกษาต่อในมหาวิทยาลัยเอกชน พบว่า แบบจำลอง Deep Learning มีประสิทธิภาพสูงสุด (Accuracy 0.94 และ AUC 0.98) รองลงมาคือ Random Forest
ผลการทดลองพบว่า แบบจำลอง Random Forest (Accuracy 0.93 และ AUC 0.96) มีประสิทธิภาพอยู่ในเกณฑ์ที่สูงมากและใกล้เคียงกับ Deep Learning แบบจำลอง Deep Learning ในการศึกษานี้ สะท้อนให้เห็นถึงขีดความสามารถของโครงข่ายประสาทเทียมในการเรียนรู้รูปแบบความสัมพันธ์ที่ซับซ้อนและไม่เป็นเชิงเส้น (Non-linear Patterns) ของตัวแปรเชิงพฤติกรรม เช่น ความสัมพันธ์ระหว่างระยะเวลาที่ใช้ในงานและจำนวนกิจกรรมย่อยที่เข้าชม ซึ่งส่งผลต่อการตัดสินใจสมัครเรียนได้ดีกว่าแบบจำลองทางสถิติทั่วไป ดังนั้น จึงสรุปได้ว่า Deep Learning เป็นแบบจำลองที่เหมาะสมและดีที่สุด สำหรับการนำมาใช้เป็นเครื่องมือช่วยตัดสินใจเชิงกลยุทธ์ในการพยากรณ์การรับสมัครนักศึกษาของมหาวิทยาลัยเอกชนในการศึกษานี้
การใช้ข้อมูลพฤติกรรมแบบการประมวลผลเพื่อแสดงข้อมูลทันทีร่วมกับเทคนิคการเรียนรู้ของ Machine Learning สามารถเพิ่มประสิทธิภาพการพยากรณ์และสนับสนุนการวางแผนเชิงกลยุทธ์ด้านการรับสมัครนักศึกษาได้อย่างมีประสิทธิภาพสำหรับสถาบันอุดมศึกษาเอกชน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
E. Agyemang et al., “Predicting Students’ Academic Performance Via Machine Learning Algorithms: An Empirical Review and Practical Application,” Computer Engineering and Intelligent Systems, vol. 15, pp. 86–102, Oct. 2024, doi: 10.7176/CEIS/15-1-09.
O. Lei et al., “A Logistic Regression Model to Predict Graduate Student Matriculation,” Journal of International Education and Practice, vol. 4, pp. 24–34, Oct. 2021, doi: 10.30564/jiep.v4i1and2.2628.
B. Alnasyan, M. Basheri, and M. Alassafi, “The Power of Deep Learning Techniques for Predicting Student Performance in Virtual Learning Environments: A Systematic Literature Review,” Computers and Education: Artificial Intelligence, vol. 6, p. 100231, 2024, doi: 10.1016/j.caeai.2024.100231.
S. C. Matz et al., “Using Machine Learning to Predict Student Retention from Socio-Demographic Characteristics and App-Based Engagement Metrics,” Scientific Reports, vol. 13, no. 1, p. 5705, 2023, doi: 10.1038/s41598-023-32484-w.
C. Romero and S. Ventura, “Educational Data Mining: A Review of the State of the Art,” IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 40, no. 6, pp. 601–618, Nov. 2010.
N. V. Chawla et al., “SMOTE: Synthetic Minority Over-Sampling Technique,” Journal of Artificial Intelligence Research, vol. 16, pp. 321–357, 2002.
I. Rish, “An Empirical Study of the Naive Bayes Classifier,” in Proc. IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence, Seattle, WA, USA, vol. 3, no. 22, pp. 41–46, 2001.
J. R. Quinlan, “Induction of Decision Trees,” Machine Learning, vol. 1, no. 1, pp. 81–106, 1986.
