การเปรียบเทียบแบบจำลองเพื่อทำนายสาขาวิชาชีพของนักศึกษา
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันผู้ที่ศึกษาในสำนักวิชาศาสตร์และศิลป์ดิจิทัล มหาวิทยาลัยเทคโนโลยีสุรนารี จำเป็นจะต้องเลือกสาขาวิชาชีพใดสาขาหนึ่งได้แก่ เทคโนโลยีดิจิทัล และนิเทศศาสตร์ดิจิทัล ซึ่งการเลือกสาขาวิชาชีพของนักศึกษาถือเป็นเรื่องสำคัญมาก เนื่องจากส่งผลโดยตรงต่อชุดวิชาที่ต้องเรียนและเส้นทางอาชีพในอนาคต งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อสร้างและเปรียบเทียบประสิทธิภาพของแบบจำลองทำนายสาขาวิชาชีพของนักศึกษา โดยได้นำข้อมูลจากแบบสอบถามความคิดเห็นของนักศึกษาในสำนักวิชาศาสตร์และศิลป์ดิจิทัลมาวิเคราะห์ด้วยเทคนิคการจำแนกประเภท ซึ่งเป็นเทคนิคหนึ่งของการทำเหมืองข้อมูล และสร้างแบบจำลองทำนายสาขาวิชาชีพของนักศึกษาด้วย 5 ขั้นตอนวิธี ได้แก่ ต้นไม้ตัดสินใจ นาอีฟเบย์ วันอาร์ ซัพพอร์ตเวคเตอร์แมชชีน และเพื่อนบ้านใกล้ที่สุด จากนั้นจึงที่ได้มาประเมินประสิทธิภาพด้วยค่าความแม่นยำ ค่าความระลึก ค่าความถูกต้อง และค่าถ่วงดุล ร่วมกับการทดสอบแบบไขว้จำนวน 10 20 และ 30 ส่วน ผลการทดลองพบว่าวิธีสร้างแบบจำลองที่มีค่าความถูกต้องมากที่สุดเท่ากับ 89.6% คือ นาอีฟเบย์ ซึ่งแบ่งชุดข้อมูลทดสอบออกเป็น 20 ส่วน วิธีซัพพอร์ตเวคเตอร์แมชชีนสามารถสร้างแบบจำลองที่มีค่าความแม่นยำมากที่สุดเท่ากับ 82.1% เมื่อแบ่งชุดข้อมูลทดสอบแบบไขว้เป็น 30 ส่วน และวิธีต้นไม้ตัดสินใจสามารถสร้างแบบจำลองที่มีค่าความระลึกและค่าถ่วงดุลมากที่สุดเท่ากับ 83.3% และ 81.5% ตามลำดับ เมื่อแบ่งชุดข้อมูลทดสอบแบบไขว้เป็น 10 ส่วน
Article Details
เอกสารอ้างอิง
J. Suknoi. Decision-Making to Further Study at a Higher Education Level of High School Students at Thasala Prasitsuksa School, An Independent Study Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Business Administration in Finance and Banking, Ramkhamhaeng University, 2020.
Institute of Digital Arts and Science, Suranaree University of Technology, About the Institute of Digital Arts and Science. Available Online at https://digitech.sut.ac.th/about-program.php, accessed on 29 January 2023.
R. Thepprasit and C. Sanrach. "The Analysis of Factors Affecting Choosing a Major of Undergraduate Students of the Faculty of Education by Using Data Mining Technique." Journal of Graduate Studies Valaya Alongkorn Rajabhat University, Vol. 14, No. 1, pp. 134 - 146, January - April, 2020.
C. H. A. Yu. Data Mining and Exploration from Traditional Statistics to Modern Data Science, 1st Ed., CRC Press, New York, 2022.
A. Chutipascharoen and C. Sanrach. "A Comparison of the Efficiency of Algorithms and Feature Selection Methods for Predicting the Success of Personal Overseas Money Transfer." KKU Research Journal of Humanities and Social Sciences (Graduate Studies), Vol. 6, No. 3, pp. 105 - 113, September - December, 2018.
J. Han, J. Pei, and H. Tong. Data Mining: Concepts and Techniques, Morgan Kaufmann, United States, 2022.
S. Deegalla. Nearest Neighbor Classification in High Dimensions, Stockholm University, Sweden, 2024.
D. A. Pisner and D. M. Schnyer. Machine learning, Academic Press, Massachusetts, United States, 2020.
E. Kannan, S. Ravikumar, A. Anitha, S. Kumar, and M. Vijayasarathy. "Analyzing uncertainty in cardiotocogram data for the prediction of fetal risks based on machine learning techniques using rough set." Journal of Ambient Intelligence and Humanized Computing, pp. 1 - 13, 2021.
F. M. Plumed, L. C. Ochando, C. Ferri, J. H. Orallo, M. Kull, N. Lachiche, M. J. Quintana, and P. A. Flach. "CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories." IEEE Transactions on Knowledge and Data Engineering, Vol. 3, No. 8, pp. 3048 - 3061, 2021.
M. Hussain, W. Zhu, W. Zhang, and S. M. Abidi. "Student engagement predictions in an e-learning system and their impact on student course assessment scores." Computational Intelligence and Neuroscience, Vol. 2018, No. 6, pp. 1 - 21, 2018.
D. Solomon, T. Godwin and O. Yinka. "Predicting Students' Academic Performance using Artificial Neural Networks." International Journal of Computer Applications, Vol. 185, No. 19, pp. 1 - 7, 2023.
V. Nakhipova, Y. Kerimbekov, Z. Umarova, L. Suleimenova, S. Botayeva, A. Ibashova, and N. Zhumatayev. "Use of the Naive Bayes Classifier Algorithm in Machine Learning for Student Performance Prediction." International Journal of Information and Education Technology, Vol. 14, No. 1, pp. 92 - 98, 2024.
M. A. A. Barrak and M. Al-Razgan. "Predicting Students Final GPA Using Decision Trees: A Case Study." International Journal of Information and Education Technology, Vol. 6, No. 7, pp. 528 - 533, 2016.
P. Shayan and M. V. Zaanen. "Predicting Student Performance from Their Behavior in Learning Management Systems." International Journal of Information and Education Technology, Vol. 9, No. 5, pp. 337 - 341, 2019.
M. Vaarma and H. Li. "Predicting student dropouts with machine learning: An empirical study in Finnish higher education." Technology in Society, Vol. 76, 2024. Article 102474.
H. Karalar, C. Kapucu, and H. Gürüler. "Predicting students at risk of academic failure using ensemble model during pandemic in a distance learning system." International Journal of Educational Technology in Higher Education, Vol. 18, 2021. Article 63.
G. Méndez, X. Ochoa, K. Chiluiza, and B. de Wever. "Curricular Design Analysis: A Data‐Driven Perspective." Journal of Learning Analytics, Vol. 1, No. 3, pp. 84 - 119, 2014.
D. Dennehy, K. Conboy, and J. Babu. "Adopting Learning Analytics to Inform Postgraduate Curriculum Design: Recommendations and Research Agenda." Information Systems Frontiers, Vol. 25, No. 4, pp. 1315 - 1331, 2023.
R. A. P. Álvarez, J. M. Mahauad, K. Sharma, D. S. Opazo, and M. P. Sanagustín. "Characterizing Learners' Engagement in MOOCs: An Observational Case Study Using the NoteMyProgress Tool for Supporting Self-Regulation." IEEE Transactions on Learning Technologies, Vol. 13, No. 4, pp. 676 - 688, October-December, 2020.
S. Chaveesuk, B. Khalid, M. Bsoul-Kopowska, E. Rostańska, and W. Chaiyasoonthorn. "Comparative analysis of variables that influence behavioral intention to use MOOCs." PLoS ONE, Vol. 17, No. 4, 2022, Article e0262037.
A. Alamri, H. Alharbi, and R. Alturki. "Adaptive learning systems using machine learning algorithms for personalized education." Journal of Educational Technology Development and Exchange, Vol. 16, No. 2, pp. 123 - 140, 2023.
S. Y. Chen and J-H. Wang. "Individual differences and personalized learning: a review and appraisal." Universal Access in the Information Society, Vol. 20, pp. 833 - 849, 2021.
D. Chaudhary, H. Prajapati, R. Rathod, P. Patel, and R. Gurjwar. "Student Future Prediction Using Machine Learning." International Journal of Scientific Research in Computer Science, Engineering and Information Technology, Vol. 5, No. 2, pp. 1104 - 1108, 2019.
A. Pandey and L. S. Maurya. "Prediction Of Undergraduate Students' Career Using Various Machine Learning And Ensemble Learning Algorithms." Webology, Vol. 18, No. 6, pp. 3506 - 3523, 2021.
M. Tiwari and N. Jain. "Student Career Prediction Through Performance Evaluation of Machine Learning Algorithms." Tuijin Jishu/Journal of Propulsion Technology, Vol. 44, No. 6, pp. 8176 - 8191, 2023.
P. Jaruteerapan. "Factors Influencing on Choosing Studying Programs in Bachelor’s Degree Level in the Faculty of Management Science, Loei Rajabhat University." Research and Development Journal, Loei Rajabhat University, Vol. 10, No. 32, pp. 35 - 46, April - June, 2015.
P. Wongthong, W. Kankaew, A. Kwankaew, and Y. Chomdeang. Applied of Data Mining Techniques for Searching Characteristics of Computer Career. Research Project, Rajamangala University of Technology Suvarnabhumi, 2019.
W. Panyawong. "Utilization of Rule-Based Predicting Models Faculty of Architecture, Urban Design and Creative Arts Students at Mahasarakham University by Data Mining." Journal of Architecture, Design, and Construction, Vol. 2, No. 2, pp. 109 - 119, May - August, 2020.
T. Wannaprapha. Using Data Mining Techniques for Screening People Successfully in Undergraduate Studies of Educational Technology, A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Engineering in Computer Engineering, Dhurakij Pundit University, 2021.
J. Jareanying. The prediction of student performance using data mining techniques with Rapid Miner, A Thesis Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science in Computer Science, Srinakharinwirot University, 2020.
S. Chitra and P. Srivaramangai. "Feature Selection Methods for Improving Classification Accuracy–A Comparative Study." UGC Care Group I Listed Journal, Vol. 10, No. 1, pp. 66 - 79, 2020.
