การวิเคราะห์ผลสัมฤทธิ์ทางการเรียนของนิสิตระดับปริญญาตรี หลักสูตรสารสนเทศศึกษา ด้วยเทคนิคการทำเหมืองข้อมูลทางการศึกษา

Abstract

การทำนายผลสัมฤทธิ์ทางการเรียนของนิสิตก่อนสิ้นสุดการศึกษา โดยเฉพาะในช่วงสามปีแรกของการศึกษา จะประโยชน์ในการออกแบบแนวทางสนับสนุนการศึกษาสำหรับช่วงเวลาที่เหลือให้กับนิสิตได้อย่างเหมาะสม ส่งผลให้นิสิตมีความสำเร็จด้านการศึกษาที่สูงขึ้น กระบวนการสกัดความรู้ลักษณะนี้โดยใช้ข้อมูลของนิสิตจัดเป็นศาสตร์แขนงหนึ่งของการทำเหมืองข้อมูลที่เรียกว่า การทำเหมืองข้อมูลทางการศึกษา (Educational Data Mining: EDM) งานวิจัยนี้เป็นการวิเคราะห์ปัจจัยที่เกี่ยวข้องในการส่งผลต่อผลสัมฤทธิ์ทางการศึกษาของนิสิตที่สำเร็จการศึกษาสาขาวิชาสารสนเทศศึกษา ผลลัพธ์ที่ได้นอกจากเพื่อพัฒนาศักยภาพ ให้กับนิสิตที่มีผลการเรียนในระดับต่าง ๆ แล้ว ยังเป็นข้อมูลสำหรับการปรับปรุงหลักสูตรใหม่ด้วยการค้นหารูปแบบที่เกี่ยวข้องกับรายวิชาที่เรียนอีกด้วย ชุดข้อมูลจะถูกนำไปใช้กับโมเดลการจำแนกประเภทเพื่อจัดกลุ่มนิสิตออกเป็นสี่กลุ่มเป้าหมาย ได้แก่ มีผลการเรียนดีเด่น ดีมาก ดี และพอใช้ งานวิจัยนี้ได้เลือกวิธีการทำเหมืองข้อมูลห้าวิธี ประกอบไปด้วย วิธีการค้นหาเพื่อนบ้านที่ใกล้ที่สุด K ตัว (K-Nearest Neighbor: KNN) วิธีแบบเบส์อย่างง่าย (Naïve Bayes: NB) วิธีต้นไม้ตัดสินใจ (Decision Tree: DT) วิธีซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine: SVM) และวิธีโครงข่ายประสาทเทียม (Artificial Neural Network: ANN) ชุด ข้อมูลถูกแบ่งออกเป็นสามกลุ่ม ได้แก่ ชุดข้อมูลด้านประชากร ชุดข้อมูลด้านเกรดของแต่ละรายวิชา และชุดข้อมูลด้านเกรดเฉลี่ยของแต่ละภาคการศึกษา งานวิจัยนี้ยังเกี่ยวข้องกับชุดข้อมูลที่ไม่สมดุลกันของกลุ่มตัวอย่างจำนวน 275 ชุด จึงได้มีการปรับให้สมดุลกันโดยใช้เทคนิคการสุ่มตัวอย่างเกินของชนกลุ่มน้อยสังเคราะห์ (Synthetic Minority Over-sampling Technique: SMOTE) และเปรียบเทียบผลลัพธ์กับชุดข้อมูลดั้งเดิม ส่งผลให้กลุ่มตัวอย่างมีจำนวนเพิ่มขึ้นเป็น 400 ชุด ผลการวิจัยแสดงให้เห็นว่าเกรดเฉลี่ยของแต่ละภาคการศึกษาในช่วงสามปีแรกมีค่าความแม่นยำสูงถึงร้อยละ 90.5 โดยใช้ชุดข้อมูลที่ปรับสมดุลแล้ว ประยุกต์เข้ากับโมเดลแบบเบส์อย่างง่าย ส่วนชุดข้อมูลด้านเกรดของแต่ละรายวิชาก็ให้ผลลัพธ์ที่ดีเช่นกันในขณะที่ชุดข้อมูลด้านประชากรมีอิทธิพลต่อการทำนายน้อยที่สุด งานวิจัยนี้เป็นการค้นหาความรู้ที่เป็นประโยชน์ในการสนับสนุนกลยุทธ์เพื่อการศึกษาให้นิสิตมีผลการเรียนที่ดีขึ้น อีกทั้งยังเป็นข้อมูลสำหรับปรับปรุงหลักสูตรสารสนเทศศึกษาในอนาคตได้อีกด้วย