การพัฒนาระบบตรวจข้อสอบอัตนัยภาษาไทยบนพื้นฐานการวัดค่าความคล้ายคลึง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยเรื่องการพัฒนาระบบตรวจข้อสอบอัตนัยภาษาไทยบนพื้นฐานการวัดค่าความคล้ายคลึงมีวัตถุประสงค์เพื่อ 1) พัฒนาระบบตรวจข้อสอบอัตนัยภาษาไทยบนพื้นฐานการวัดค่าความคล้ายคลึง และ 2) ประเมินผลการใช้ระบบตรวจข้อสอบอัตนัยภาษาไทยบนพื้นฐานการวัดค่าความคล้ายคลึง สถิติที่ใช้ในการวิเคราะห์ข้อมูลคือ ค่าเฉลี่ยเลขคณิต ( ) และส่วนเบี่ยงเบนมาตรฐาน (S.D.) กลุ่มเป้าหมาย คือ อาจารย์ และนักศึกษาหลักสูตรวิทยาการคอมพิวเตอร์ จำนวน 20 คน และแบบทดสอบที่มีคำตอบ จำนวน 170 คำตอบ
ผลการวิจัยพบว่า 1) ระบบตรวจข้อสอบอัตนัยภาษาไทยบนพื้นฐานการวัดค่าความคล้ายคลึงได้แบ่งผู้ใช้งาน 2 กลุ่ม ได้แก่ ผู้ออกข้อสอบ และผู้ทำข้อสอบ ซึ่งมีขั้นตอนคือสร้างคำถาม คำตอบ บันทึกลงฐานข้อมูล แล้วประยุกต์คำตอบเข้าสู่กระบวนการทางเทคโนโลยีประมวลผลภาษาธรรมชาติ เริ่มต้นจากกระบวนการเตรียมข้อมูล แบ่งคำและตัดคำไม่สำคัญ คำนวณค่าความถี่ของคำและค่าน้ำหนักของคำที่เกิดขึ้นในคำตอบ และคำนวณค่าความเหมือนความคล้าย ระหว่างคำตอบผู้ออกข้อสอบและคำตอบของผู้ทำข้อสอบ ผ่านรูปแบบเว็บแอปพลิเคชันที่พัฒนาด้วยภาษาไพทอน พบว่า ระบบสามารถใช้งานได้ และผู้เชี่ยวชาญประเมินอยู่ในระดับมาก และ 2) ผลการประเมินความพึงพอใจต่อการใช้งานระบบมีผลประเมินโดยรวมทุกด้าน อยู่ในระดับพึงพอใจมาก ( =4.05, S.D.=0.81)
Article Details
References
SAS Institute Inc. (2562). การประมวลผลภาษาธรรมชาติ (Natural Language Processing). เรียกใช้เมื่อ 31 ตุลาคม 2563 จาก https://www.sas.com/th_th/insights/analytics/what-is-natural-language-processing-nlp.html
Ferreira‐Mello, R., André, M., Pinheiro, A., Costa, E., & Romero, C. (2019). Text mining in education. Wiley
Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(6), e1332.
เศรษฐชัย ใจฮึก และสรุศักดิ์ มังสิงห์. (2563). ระบบตรวจข้อสอบอัตนัยภาษาไทยอัตโนมัติด้วยการสืบค้นเชิงความหมาย. วารสาร
เทคโนโลยีสารสนเทศ, 16(1), 15-23.
Korakot Chaovavanich, Charin Polpanumas, Arthit Suriyawongkul, Lalita Lowphansirikul, & Pattarawat Chormai Wannaphong Phatthiyaphaibun. (27 June 2016). PyThaiNLP: Thai Natural Language Processing in Python. เรียกใช้เมื่อ 1 November 2019 จาก https://pythainlp.github.io/docs/2.2/
Webb G.I. (eds) Sammut C. (2011). TF-IDF. (Boston, MA. Springer, บ.ก.) Encyclopedia of Machine Learning.
Han L. Li B. (2013). Distance Weighted Cosine Similarity Measure for Text Classification. ใน Yin H. et al. (eds), และ Yin H. et al. (eds) (บ.ก.), Intelligent Data Engineering and Automated Learning – IDEAL 2013, Lecture Notes in Computer Science (เล่มที่ 8206). Berlin, Heidelberg: Springer.
Armin Ronacher. (2015). Flask web development one drop at a time. เรียกใช้เมื่อ 31 ตุลาคม 2563 จาก https://flask.palletsprojects.com/
มาสวีร์ มาศดิศรโชติ. (มกราคม-ธันวาคม 2557). การทำเหมืองความคิดเห็นภาษาไทย. ศรีปทุมปริทัศน์ ฉบับวิทยาศาสตร์และเทคโนโลยี, 6(1), 120-128.
นราธร มั่นสุวรรณ. (2559). อิทธิพลของภาษาต่อประสิทธิผลการสื่อสารของธนาคารแห่งประเทศไทย. กรุงเทพมหานคร: จุฬาลงกรณ์มหาวิทยาลัย.
ทัศนีย์ อุทัยสุริ. (2556). การสกัดคำสำคัญจากบทคัดย่อภาษาอังกฤษ. กรุงเทพมหานคร: มหาวิทยาลัยศิลปากร.
P. Saipech and P. Seresangtakul. (2018). Automatic Thai Subjective Examination using Cosine Similarity. Proceeding of the 5th International Conference on Advanced Informatics: Concept Theory and Applications (ICAICTA) (หน้า 214-218). IEEE.
ไกรศักดิ์ เกษร. (มกราคม-มิถุนายน 2555). การแสดงผลลัพธ์การค้นหาข้อมูล : จุดเล็ก ๆ ที่สำคัยและไม่ควรมองข้ามสำหรับเสริชเอ็นจิน. วารสารเทคโนโลยีสารสนเทศ, 8(1), 62-68.
Y. B., Loo, W. K., Tham, W. Y., & Tan, S. F. Leau. (2012). Software Development Life Cycle AGILE vs Traditional Approaches. In Proceeding of International Conference on Information and Network Technology (ICINT 2012), 37.
Rensis Likert. (1932). A Technique for the Measurement of Attitudes. Archives of Psychology, 140, 1-55.