กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้:
https://buuir.buu.ac.th/xmlui/handle/1234567890/6480ระเบียนเมทาดาทาแบบเต็ม
| ฟิลด์ DC | ค่า | ภาษา |
|---|---|---|
| dc.contributor.advisor | สุวรรณา รัศมีขวัญ | |
| dc.contributor.author | พัชราภรณ์ ศรีบัว | |
| dc.contributor.other | มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ | |
| dc.date.accessioned | 2023-05-12T02:51:26Z | |
| dc.date.available | 2023-05-12T02:51:26Z | |
| dc.date.issued | 2560 | |
| dc.identifier.uri | https://buuir.buu.ac.th/xmlui/handle/1234567890/6480 | |
| dc.description | งานนิพนธ์ (วท.ม.)--มหาวิทยาลัยบูรพา, 2560 | |
| dc.description.abstract | งานนิพนธ์นี้มีจุดประสงค์เพื่อสร้างตัวแบบการจําแนกผลการประเมินคุณภาพหลักสูตรด้วยวิธีการคัดเลือกคุณลักษณะเพื่อให้การช่วยเหลือหลักสูตรก่อนการตรวจประเมินจริงใช้ข้อมูล หลักสูตรปีการศึกษา 2557 จํานวน 99 หลักสูตร เป็นข้อมูลหลักสูตรกลุ่มวิทยาศาสตร์และเทคโนโลยี กลุ่มมนุษยศาสตร์และสังคมศาสตร์ และกลุ่มวิทยาศาสตร์สุขภาพ มีคุณลักษณะตั้งต้น จํานวน 33 คุณลักษณะงานนิพนธ์นี้นําเสนอวิธีการคัดเลือกคุณลักษณะ 2 เทคนิค คือ 1) เทคนิคการคัดเลือกคุณลักษณะแบบกรอง 4 วิธี คือ OneRAttributeEval ReliefFAttributeEval CS และ CFS และ 2) เทคนิคการคัดเลือกคุณลักษณะแบบควบรวมทํางานกับเทคนิคการเรียนรู้ Naive Bayes J48 IBK และ MLP คุณลักษณะที่ได้รับคัดเลือกในแต่ละวิธีจะถูกนําไปสร้างตัวแบบการจําแนกผลการประเมินคุณภาพหลักสูตรด้วยวิธีการจําแนกประเภทข้อมูล 5 วิธี คือ 1) วิธีต้นไม้ตัดสินใจ 2) วิธีนาอีฟ เบย์ 3) วิธีความใกล้เคียงกันมากที่สุด 4) วิธีโครงข่ายประสาทเทียมแบบ MLP และ 5) วิธีซัพพอร์ตเวกเตอร์ แมชชีน ทดสอบประสิทธิภาพตัวแบบด้วย 5-Fold Cross Validation จากนั้นทําการเปรียบเทียบค่าความถูกต้องและค่าความคลาดเคลื่อนของตัวแบบ เพื่อหาตัวแบบที่ให้ประสิทธิภาพที่ดีที่สุด ผลการทดลองพบว่า 1) ข้อมูลกลุ่มวิทยาศาสตร์และเทคโนโลยีใช้เทคนิคการคัดเลือกคุณลักษณะแบบควบรวมวิธี MLP คัดเลือกคุณลักษณะ 6 คุณลักษณะ สร้างตัวแบบด้วยวิธีโครงประสาทเทียมแบบ MLP ให้ค่าความถูกต้องสูงที่สุดเท่ากับ 92.31% ลดคุณลักษณะลงได้ 81.82% 2) ข้อมูลกลุ่มมนุษยศาสตร์และสังคมศาสตร์ใช้เทคนิคการคัดเลือกคุณลักษณะแบบควบรวมวิธี MLP คัดเลือกคุณลักษณะ 10 คุณลักษณะ สร้างตัวแบบด้วยวิธีโครงประสาทเทียมแบบ MLP ให้ค่าความถูกต้องสูงที่สุดเท่ากับ 92.11% ลดคุณลักษณะลงได้ 69.70% และ 3) ข้อมูลหลักสูตรกลุ่มวิทยาศาสตร์สุขภาพ ใช้เทคนิคการคัดเลือกคุณลักษณะแบบควบรวมวิธี Naive Bayes IBK MLP คัดเลือกคุณลักษณะ 1 คุณลักษณะ สร้างตัวแบบด้วยวิธีโครงประสาทเทียมแบบ MLP ให้ค่าความถูกต้องสูงที่สุด เท่ากับ 88.89% ลด คุณลักษณะลงได้ 96.97% | |
| dc.language.iso | th | |
| dc.publisher | คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา | |
| dc.rights | มหาวิทยาลัยบูรพา | |
| dc.subject | หลักสูตร -- การประเมิน | |
| dc.subject | มหาวิทยาลัยบูรพา -- สาขาวิชาวิทยาการสารสนเทศ | |
| dc.title | การประเมินคุณภาพหลักสูตรด้วยวิธีการคัดเลือกคุณลักษณะ | |
| dc.title.alternative | Curriculum qulity ssessment with feture selection | |
| dc.type | วิทยานิพนธ์/ Thesis | |
| dc.description.abstractalternative | This independent study proposed to develop a model for evaluating the quality of curriculum with selected attribute. That used to classify the results of curriculum quality assessment to assist the curriculum before the actual assessment. The sample used in this research is the curriculum data in the academic year 2557, of 99 curriculums form Science and Technology, Humanities and Social Sciences and Health Science group. There are 33 attribute. This research presents 2 methodology of selecting attribute 1) Filter approach in 4 filtering technic are OneRAttributeEval ReliefFAttributeEval CS and CFS and 2) Wrapper approach with 4 classifier are Naive Bayes J48 IBK and MLP. Selected attributes in each method will be modeled for the quality assessment of the curriculum by 5 different classification method: 1) Decision Tree 2) Naive Bayes 3) K-Nearest Neighbors 4) Artificial neural network and 5) Support Vector Machine. Test the performance of the model with 5-Fold Cross Validation, then compare the accuracy and tolerances of the model to find the best performance model. The results show that 1) The Science and Technology groups used wrapper approach with MLP feature selection technic has 6 selected attribute classified data with MLP Classifier gave the highest predictive accuracy of 92.31%, and reduce attribute 81.82% 2) Humanities and Social Sciences groups used wrapper approach with MLP feature selection technic has 10 selected attribute classified data with MLP Classifier gave the highest predictive accuracy of 69. 70%, and reduce attribute 81.82% and 3) Health Science group used wrapper approach with Naive Bayes IBK MLP feature selection technic has 1 selected attribute classified data with MLP Classifier gave the highest predictive accuracy of 88.89%, and reduce attribute 96.97% | |
| dc.degree.level | ปริญญาโท | |
| dc.degree.discipline | วิทยาการสารสนเทศ | |
| dc.degree.name | วิทยาศาสตรมหาบัณฑิต | |
| dc.degree.grantor | มหาวิทยาลัยบูรพา | |
| ปรากฏในกลุ่มข้อมูล: | วิทยานิพนธ์ (Theses) | |
แฟ้มในรายการข้อมูลนี้:
| แฟ้ม | รายละเอียด | ขนาด | รูปแบบ | |
|---|---|---|---|---|
| Fulltext.pdf | 2.07 MB | Adobe PDF | ดู/เปิด |
รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น