กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้:
https://buuir.buu.ac.th/xmlui/handle/1234567890/17578ระเบียนเมทาดาทาแบบเต็ม
| ฟิลด์ DC | ค่า | ภาษา |
|---|---|---|
| dc.contributor.author | ณิชพน โชติจันทรกุล | - |
| dc.date.accessioned | 2026-01-17T07:28:06Z | - |
| dc.date.available | 2026-01-17T07:28:06Z | - |
| dc.date.issued | 2568 | - |
| dc.identifier.uri | https://buuir.buu.ac.th/xmlui/handle/1234567890/17578 | - |
| dc.description | โครงการวิจัยประเภทงบประมาณเงินรายได้มหาวิทยาลัย เงินรายได้ส่วนงาน มหาวิทยาลัยบูรพา ประจำปีงบประมาณ พ.ศ. 2566 | th_TH |
| dc.description.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 | th_TH |
| dc.language.iso | th | th_TH |
| dc.publisher | คณะมนุษยศาสตร์และสังคมศาสตร์ มหาวิทยาลัยบูรพา | th_TH |
| dc.subject | ผลสัมฤทธิ์ทางการเรียน | th_TH |
| dc.subject | พยากรณ์ผลสัมฤทธิ์ทางการเรียน | th_TH |
| dc.subject | เหมืองข้อมูล -- แง่การศึกษา | th_TH |
| dc.title | การวิเคราะห์ผลสัมฤทธิ์ทางการเรียนของนิสิตระดับปริญญาตรี หลักสูตรสารสนเทศศึกษา ด้วยเทคนิคการทำเหมืองข้อมูลทางการศึกษา | th_TH |
| dc.title.alternative | An Analysis of Academic Achievement from Undergraduate Students for Information Studies Major using Educational Data Mining | th_TH |
| dc.type | Research | th_TH |
| dc.year | 2568 | th_TH |
| dc.description.abstractalternative | Predicting students' academic performance prior to completing their studies, particularly within the initial three years, proves advantageous for designing appropriate educational support strategies throughout the remainder of their academic journey. This contributes to higher academic success for students. This type of knowledge extraction, using student data, is a branch of data mining called Educational Data Mining (EDM). This research analyzes factors affecting the academic achievement of students graduating in the Information Studies Program. The results not only aim to enhance the potential of students with various academic performance levels but also provide insights for curriculum improvement by identifying patterns related to the studied courses. The dataset was applied to classification models to categorize students into four target groups: Excellent, Very good, Good, and Fair performance. Five data mining methods were selected for this research, including K-Nearest Neighbor (KNN), Naïve Bayes (NB), Decision Tree (DT), Support Vector Machine (SVM), and Artificial Neural Network (ANN). The dataset was divided into three groups: demographic dataset, grades of individual courses, and semester GPA dataset. This research also dealt with an imbalanced dataset of 275 samples, which was balanced using the Synthetic Minority Oversampling Technique (SMOTE). The results were then compared with the original dataset, increasing the sample size to 400 samples. The findings indicate that the GPA of each semester during the first three years provides a high accuracy rate of 90.5 % when using the balanced dataset applied to the Naïve Bayes model. The dataset containing individual course grades also produced good results, while the demographic dataset had the least influence on prediction. This research provides valuable knowledge to support educational strategies for improving student academic performance and serves as a basis for future improvements to the Information Studies curriculum. | th_TH |
| ปรากฏในกลุ่มข้อมูล: | รายงานการวิจัย (Research Reports) | |
แฟ้มในรายการข้อมูลนี้:
| แฟ้ม | รายละเอียด | ขนาด | รูปแบบ | |
|---|---|---|---|---|
| 2569-162.pdf | 1.86 MB | Adobe PDF | ดู/เปิด |
รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น