การพัฒนาแบบจำลองการพยากรณ์ความสำเร็จทางการศึกษาของผู้เรียน ระหว่างการศึกษาในหลักสูตร โดยเทคนิควิธีเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ความสำเร็จทางการศึกษาของผู้เรียนระหว่างการศึกษาด้วยใช้เทคนิคเหมืองข้อมูล โดยใช้ข้อมูลประวัติผลการศึกษาของผู้เรียนในระดับปริญญาตรีหลักสูตรเทคโนโลยีสารสนเทศและวิทยาการคอมพิวเตอร์ที่สำเร็จการศึกษาแล้ว ประกอบไปด้วยข้อมูลผลการเรียนในทุกรายวิชา และเกรดเฉลี่ยที่ผู้เรียนได้เมื่อจบการศึกษา ข้อมูลแบ่งออกเป็นหลักสูตรละ 7 ชุดข้อมูลย่อยตามลำดับภาคการศึกษา แบบจำลองพัฒนาขึ้นด้วยเทคนิควิธีเหมืองข้อมูล 4 เทคนิค ได้แก่ การถดถอยเชิงเส้นพหุ การถดถอยเชิงเส้นอย่างง่าย แบบจำลองโครงข่ายประสาทเทียมแบบเปอร์เซ็ปตรอนหลายชั้น และซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย ผลการวิจัยพบว่าทั้ง 2 หลักสูตร แบบจำลองสำหรับการพยากรณ์มีความถูกต้องในการพยากรณ์เพิ่มขึ้นเมื่อผู้เรียนศึกษาในหลักสูตรชั้นปีที่สูงขึ้น โดยมีค่าความคลาดเคลื่อน (RMSE) ของผลการเรียนเมื่อสิ้นสุดการศึกษาในระหว่าง 0.09 – 0.28 คิดเป็นร้อยละค่าเฉลี่ยความผิดพลาด (RAE) ที่ระดับ 18.40 – 60.20
Article Details
เอกสารอ้างอิง
Guyon, I., and Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. J. Mach. Learn. Res., 3, 1157–1182.
Han, J. (2012). Data mining: concepts and techniques (3rd ed). Burlington, MA: Elsevier.
Harrell Jr, F. E. (2015). Regression modeling strategies: with applications to linear models, logistic and ordinal regression, and survival analysis. Springer.
Jananii, G. (2012). Applying multi layer feed forward neural networks on large scale data. Bonfring International Journal of Man Machine Interface, 2(4), 1.
Ladha, L., and Deepa, T. (2011). Feature selection methods and algorithms. International Journal on Computer Science and Engineering, 3(5), 1787–1797.
Roiger, R. J. (2017). Data mining: a tutorial-based primer. CRC Press.
Shevade, S. K., Keerthi, S. S., Bhattacharyya, C., and Murthy, K. R. K. (2000). Improvements to the SMO algorithm for SVM regression. IEEE Transactions on Neural Networks, 11(5), 1188–1193.
Smola, A. J., and Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222.
Vilailuck, S., Jaroenpuntaruk, V., and Wichadakul, D. (2015). Utilizing Data Mining Techniques to ForecastStudent Academic Achievement of KasetsartUniversityLaboratory School Kamphaeng Saen Campus Educational Research and Development Center. Veridian E-Journal Science and Technology Silpakorn University, 2(2), 1–17. (in Thai)
Witten, I. H., Frank, E., Hall, M. A., and Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Yadav, S. K., Bharadwaj, B., and Pal, S. (2012). Data Mining Applications: A comparative Study for Predicting Student’s performance. World of Computer Science and Information Technology Journal WCSIT, 2012(2), 51–55.
