การใช้เทคนิคทางเหมืองข้อมูลเพื่อพัฒนาโมเดลการประเมินผล การเขียนโปรแกรมภาษาสแครช
Article Sidebar
Main Article Content
บทคัดย่อ
ข้อมูลทางการศึกษามีอยู่จำนวนมากซึ่งจัดเป็นข้อมูลขนาดใหญ่ การทำเหมืองข้อมูลทางการศึกษาเพื่อทำนายผลสัมฤทธิ์ทางการศึกษาด้านการเขียนโปรแกรมในระดับมัธยมศึกษายังมีไม่มากนัก งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลสำหรับการประเมินผลการเรียนรู้ของนักเรียนชั้นมัธยมศึกษาปีที่ 1 จากโพรเจกต์ภาษาสแครชโดยใช้เหมืองข้อมูล และเพื่อทดสอบประสิทธิภาพของโมเดล งานวิจัยนี้เลือกประยุกต์ใช้กรอบร่างการทำเหมืองข้อมูลแบบคริสป์-ดีเอ็มเพื่อพัฒนาโมเดลโดยใช้เทคนิคการจำแนกข้อมูล 3 รูปแบบคือ เทคนิคนาอีฟเบย์ เทคนิคต้นไม้ตัดสินใจและเทคนิคเพื่อนบ้านใกล้สุด และตรวจสอบความสมเหตุสมผลของโมเดลโดยใช้เทคนิคการตรวจสอบแบบไขว้ ข้อมูลนำเข้าของการพัฒนาโมเดลทำนายคือ โพรเจกต์ภาษาสแครชจำนวน 113 ตัวอย่างซึ่งแบ่งออกเป็นชุดข้อมูลฝึกฝน และชุดข้อมูลทดสอบ การพัฒนาโมเดลเลือกใช้คุณลักษณะความซับซ้อนของโพรเจกต์ภาษาสแครชซึ่งประกอบด้วย 9 แอททริบิวต์เป็นตัวแปรต้น และผลการเรียนรู้เป็นตัวแปรทำนาย
ผลวิจัยพบว่า เทคนิคต้นไม้ตัดสินใจสามารถทำนายผลการเรียนรู้การเขียนโปรแกรมภาษาสแครชได้อย่างมีประสิทธิภาพสูงที่สุดจาก 3 โมเดล ซึ่งมีค่าความถูกต้อง 93.67% มีค่าความแม่นยำ 93.47% มีค่าความระลึก 85.71% และมีค่าความถ่วงดุล 87.24% การทดสอบประสิทธิภาพของโมเดลโดยใช้ชุดข้อมูลทดสอบพบว่า การทำนายผลที่ถูกต้องจากข้อมูลทั้งหมด เท่ากับ 64.71% โมเดลทำนายดังกล่าวสามารถประยุกต์ใช้เป็นเครื่องมือในการประเมินผลการเรียนรู้สำหรับครูผู้สอนรายวิชาวิทยาการคำนวณ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Institute for the Promotion of Teaching Science and Technology, Teacher's Manual of Fundamentals of Science and Technology (Computing Science) Matayomsusa 1, 2018.
D. Bau, J. Gray, C. Kelleher, J. Sheldon, and F. Turbak. "Learnable programming: blocks and beyond." Communications of the ACM, Vol. 60, Issue. 6, pp. 72-80, 2017.
S. Grover, S. Cooper, and R. Pea. "Assessing computational learning in K-12." in Proceedings of the 2014 conference on Innovation & technology in computer science education. Sweden, 21 - 25 June 2014.
S. M. Taheri, M. Sasaki, J. O. Chu, and H. T. Ngetha, "A study of teaching problem solving and programming to children by introducing a new programming language." The International Journal of E-Learning and Educational Technologies in the Digital Media (IJEETDM), Vol. 2, Issue. 1, pp. 31-36, 2016.
S. Sittichat, "Study of educational attributes using data mining technique." Information Technology Journal, Vol.13, Issue2, pp.20-28, 2017.
S. Vilailuck, V. Jaroenpunlaruk, and D. Wichadakul, "Utilizing data mining techniques to forecast student academic achievement of Kasetsart University Lobratory School," Veridian E-Journal, Science and Technology Silpakorn University, Vol. 2, Issue. 2, pp.1-17, 2015.
P. Cheewaprakobkit, "Predicting student academic achievement by using the decision tree and neural network techniques." Catalyst, Vol. 12, Issue. 2, pp. 34-43, 2015.
M. Yağcı, "Educational data mining: prediction of students' academic performance using machine learning algorithms." Smart Learning Environments, Vol. 9, No. 1, pp. 1-19, 2022.
S. Phakkachokh, A Model for Selecting High School Program by Considering the Primary Subject Records using Data Mining Techniques. Faculty of Information Technology, Dhurakij Pundit University, 2013.
J. Laohawanan, R. Limsuthiwanpoom, and B. Thanasopon, "The use of data mining techniques in classifying and selecting subject areas for students of the Faculty of Information Technology." KMITL Journal of Information Technology, Vol. 4, Issue 2, pp. 1-9, 2560.
A. Pinate, "The use of data mining in selecting areas of study for further education opportunity." Journal of Science and Technology, Vol. 36, Issue. 6, pp. 704-712, 2017.
A. Aleem, and M.M. Gore. "Educational Data Mining Methods: A Survey." in 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT). 2020.
J. VanderPlas, Python Data Science Handbook: Essential Tools for Working with Data. Sebastopol, California: O'Reilly Media. 2016.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Sebastopol, CA: O'Reilly Media, 2019.
C. O'Neil, and R. Schutt, Doing Data Science: Straight Talk from the Frontline. Sebastopol, California: O'Reilly Media, 2013.
A.C. Müller, and S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists. Sebastopol, California: O'Reilly Media, 2016.
S. Raschka, and V. Mirjalili, Python Machine Learning. 3rd ed. Birmingham: Packt Publishing, 2019.
Q.A. Al-Radaideh, E.M. Al-Shawakfa, and M.I. Al-Najjar. "Mining student data using decision trees." in International Arab Conference on Information Technology (ACIT'2006). Yarmouk University, Jordan, 2006.
S. Bergin, Statistical and Machine Learning Models to Predict Programming Performance. National University of Ireland Maynooth: Maynooth, 2006.
K. Quille, S. Bergin, and A. Mooney, "Press#, a web-based educational system to predict programming performance." International Journal of Computer Science and Software Engineering (IJCSSE), Vol. 4, Issue. 7, pp. 178-189, 2015.
S. Bergin, A. Mooney, J. Ghent, and K. Quille, "Using machine learning techniques to predict introductory programming performance." International Journal of Computer Science and Software Engineering (IJCSSE), Vol. 4, Issue. 12, pp. 323-328, 2015.
K. Quille, and S. Bergin. "Programming: further factors that influence success." in The Psychology of Programming Interest Group. University of Cambridge, UK, 2016.
R. Sharda, D. Delen, and E. Turban, Business Intelligence, Analytics, and Data Science: a Managerial Perspective. 4th ed. Boston: Pearson, 2018.
Dr.Scratch team. Dr.Scratch analyse your Scratch project here!. Available online at: http://www. drscratch.org/, accessed on 12 April 2021.
L.M. Laird, and M.C. Brennan, Software Measurement and Estimation: a Practical Approach. John Wiley & Sons: New Jersey, 2006.
J. Moreno-León, G. Robles, and M. Román-González. "Comparing computational thinking development assessment scores with software complexity metrics." in 2016 IEEE Global Engineering Education Conference (EDUCON). 2016.
