การเปรียบเทียบประสิทธิภาพแบบจำลองการทำนายผลการเรียนของนิสิตที่ใช้งาน ระบบการจัดการเรียนรู้ออนไลน์ด้วยการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอการทำนายผลการเรียนของนิสิตที่ใช้งานระบบการจัดการเรียนรู้ออนไลน์ โดยใช้การเรียนรู้ของเครื่อง ผู้วิจัยใช้ข้อมูลการเรียนผ่านทางระบบจัดการเรียนรู้ออนไลน์ของนิสิตมาวิเคราะห์เบื้องต้น เพื่อค้นหาและสร้างคุณลักษณะที่มีความสัมพันธ์ต่อผลการเรียน จากนั้นจึงนำคุณลักษณะเหล่านั้นมาใช้เพื่อทำนายผลการเรียน โดยในการทำนายผลการเรียน โดยผู้วิจัยแบ่งกลุ่มของคุณลักษณะออกเป็น 2 ประเภท ได้แก่ คุณลักษณะที่สร้างจากพฤติกรรมการเรียนของนิสิต และคุณลักษณะจากคะแนนเก็บระหว่างภาคการศึกษาของนิสิต จากนั้นผู้วิจัยทำการทดลอง เพื่อเปรียบเทียบประสิทธิภาพในการทำนายของแบบจำลอง ทั้งในกรณีที่ใช้คุณลักษณะเหล่านั้นร่วมกัน หรือแยกจากกัน เพื่อวิเคราะห์ประสิทธิภาพของคุณลักษณะทั้งสองประเภทในการทำนายผลการเรียน โดยผู้วิจัยได้เปรียบเทียบและประเมินประสิทธิภาพของแบบจำลองของเครื่องที่ได้รับความนิยมในปัจจุบันหลากหลายแบบจำลอง ร่วมกับการใช้เทคนิคการจัดการความไม่สมดุลของข้อมูลด้วยวิธีการสุ่มตัวอย่างเพิ่มกลุ่มน้อยด้วยการสร้างตัวอย่างสังเคราะห์ (Synthetic Minority Oversampling Technique: SMOTE) รวมทั้งการคัดเลือกคุณลักษณะ (Feature Selection) โดยแบบจำลอง XGBoost เพื่อปรับปรุงผลการทำนายให้ได้ผลดีที่สุด จากผลการทดลองพบว่า การใช้คุณลักษณะที่ได้จากพฤติกรรมการเรียนของนิสิตร่วมกับคะแนนเก็บระหว่างภาคมาใช้ในการทำนายผลการเรียน มีความแม่นยำถึง 83.95%
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นลิขสิทธิ์ของวารสารวารสารวิทยาศาสตร์และเทคโนโลยีหากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวารสารวิทยาศาสตร์และเทคโนโลยี ก่อนเท่านั้น
References
Almasri, A., Alkhawaldeh, R. S., & Çelebi, E. (2020). Clustering-Based EMT Model for Predicting Student Performance. Arabian Journal for Science and Engineering, 45(12), 10067-10078. doi:10.1007/s13369-020-04578-4
Amrieh, E., Hamtini, T., & Aljarah, I. (2016). Mining Educational Data to Predict Student's academic Performance using Ensemble Methods. International Journal of Database Theory and Application, 9, 119-136. doi:10.14257/ijdta.2016.9.8.13
Ashfaq, U., Poolan Marikannan, B., & Raheem, M. (2020). Managing Student Performance: A Predictive Analytics using Imbalanced Data. International Journal of Recent Technology and Engineering, 8, 2277-2283.
Hooshyar, D., & Pedaste, M. (2019). Mining Educational Data to Predict Students’ Performance through Procrastination Behavior. Entropy, 22, 12. doi:10.3390/e22010012
Quinn, R., & Gray, G. (2019). Prediction of student academic performance using Moodle data from a Further Education setting. Irish Journal of Technology Enhanced Learning, 5. doi:10.22554/ijtel.v5i1.57
Ramaswami, G., Susnjak, T., Mathrani, A., & Umer, R. (2020). Predicting Students Final Academic Performance using Feature Selection Approaches. 2020 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE), 1-5.
Riestra-González, M., Paule-Ruíz, M. d. P., & Ortin, F. (2021). Massive LMS log data analysis for the early prediction of course-agnostic student performance. Computers & Education, 163, 104108. doi:https://doi.org/10.1016/j.compedu.2020.104108
Shrestha, S., & Pokharel, M. (2021). Educational data mining in moodle data. International Journal of Informatics and Communication Technology (IJ-ICT), 10, 9. doi:10.11591/ijict.v10i1.pp9-18
Tan, M., & Shao, P. (2015). Prediction of Student Dropout in E-Learning Program Through the Use of Machine Learning Method. International Journal of Emerging Technologies in Learning (iJET), 10. doi:10.3991/ijet.v10i1.4189