การวิเคราะห์คุณลักษณะพื้นฐานทางการศึกษาด้วยเทคนิคเหมืองข้อมูล

Abstract

งานวิจัยนี้ได้ศึกษาคุณลักษณะของนักศึกษาคณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา เชียงใหม่ ที่มีผลต่อการเรียนแคลคูลัส 1 สำหรับวิศวกร ด้วยเทคนิคเหมืองข้อมูลเพื่อจำแนกนักศึกษาออกเป็น 2 กลุ่ม คือ กลุ่มเสี่ยงที่จะไม่ผ่านรายวิชา และกลุ่มที่ไม่มีความเสี่ยง โดยการวิเคราะห์ข้อมูลได้เก็บรวบรวมข้อมูลคุณลักษณะทั้ง 3 ด้าน รวมถึงปัจจัยส่วนบุคคลอื่นๆ ของนักศึกษาจำนวน 453 คน แล้วดำเนินตามกระบวนการ CRISP-DM (Cross Industry Standard Process for Data Mining) โดยใช้เทคนิคโครงข่ายประสาทเทียมและต้นไม้ตัดสินใจในการจำแนกประเภทข้อมูลและคัดเลือกคุณลักษณะที่สำคัญด้วย Filter Ranker Method โดยคำนวณค่าน้ำหนักด้วย Chi-Square และ Gain Ratio จากผลการศึกษา พบว่า ความแม่นยำในการจำแนกข้อมูลจาก 50 คุณลักษณะนั้น วิธีANN มีค่า 71.52% และ Decision Trees - J48 มีค่า 66.23% หลังจากทำการคัดเลือกคุณลักษณะแสดงให้เห็นว่าการจำแนกข้อมูลด้วยวิธีANN จาก 5 คุณลักษณะแรกที่ได้จากการคัดเลือกโดยวิธี Filter Ranker Method ที่คำนวณค่าน้ำหนักด้วย Chi-Square ทำให้ได้ค่าความถูกต้องมีค่าสูงสุด คือ 80.13% และการจำแนกข้อมูลด้วย Decision Tree ก็ให้ผลไปในทางเดียวกัน โดยมีค่าความถูกต้องสูงสุดที่ 75.83% คุณลักษณะที่ผ่านการคัดเลือกนั้นแสดงถึงคุณลักษณะในด้านพื้นฐานความรู้ของนักศึกษาที่มีมาก่อน จากผลการวิจัยนี้แสดงให้เห็นว่า เทคนิคเหมืองข้อมูลสามารถนำมาประยุกต์ใช้ทางด้านการศึกษาในการวิเคราะห์ข้อมูลเพื่อแก้ปัญหาเกี่ยวกับการเรียนการสอนได้

Classification of educational attributes to estimate achievement of students in Calculus I for Engineers course using data mining technique is presented. 453 students of engineering faculty at Rajamangala University of Technology Lanna were investigated. This study used CRISP-DM (Cross Industry Standard Process for Data Mining) method to process educational information. Artificial neural network (ANN) and Decision Tree were used to classify these students into two groups; risk and no risk to fail or drop out in the course with three factors and demographic information as input data. The features selection methods used in this study was Filter Ranker Method with Chi-Square and Gain Ratio Attribute Evaluators Techniques to improve accuracy of classification. The results showed that ANN classifier with 5 attributes from Chi-Square Attribute Evaluators Techniques have a highest accuracy at 80.13%. 5 selected attributes of Cognitive Entry Behaviors exhibited the best attributes for classification. The result indicates that data mining technique can be applied to process educational information and provide more meaningful information. It also is one of choice to be used in education for development of learning and teaching methods.