การศึกษาวิเคราะห์ข้อมูลผู้ที่ผ่านการคัดเลือกเข้าเป็นนักเรียนเตรียมทหารในส่วนของกองทัพบก โดยใช้เทคนิคการจัดกลุ่มและแสดงผลด้วยกราฟดาต้าวิชวลไลเซชัน
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้ได้ออกแบบการศึกษาด้วยวิธีวิจัยแบบผสมวิธีจากเอกสาร (Document Research) และแบบการอธิบายต่อเนื่อง (Explanatory Sequential Mixed Methods) จากการศึกษาเอกสารและข้อมูล เพื่อนำเสนอตัวแทนข้อมูลด้วยกราฟดาต้าวิชวลไลเซชัน มุ่งเน้นที่การเลือกตัวอย่างแบบเฉพาะเจาะจงเป็นหลัก มีวัตถุประสงค์เพื่อศึกษาวิเคราะห์ความสัมพันธ์และการค้นพบรูปแบบของผู้ที่ผ่านการคัดเลือกเข้าเป็นนักเรียนเตรียมทหารในส่วนของกองทัพบก ระหว่างปีการศึกษา 2554-2558 จำนวน 1,226 เรคอร์ด ผู้วิจัยได้เสนอแนวคิดในการวิเคราะห์ข้อมูลและจำแนกข้อมูลด้วยเทคนิคต้นไม้ตัดสินใจ สถิติพื้นฐาน และแสดงผลด้วยกราฟดาต้าวิชวลไลเซชันในการเล่าเรื่องที่ผ่านมา และกำหนดปัจจัยพื้นฐานออกได้เป็น 7 ปัจจัยหลัก ได้แก่ อายุ เกรดเฉลี่ยระดับชั้นมัธยมศึกษาปีที่ 3 วุฒิการศึกษาตอนสอบเข้า สถาบันการศึกษาเดิม จังหวัดสถานศึกษา ภูมิภาค สถานภาพครอบครัว เพื่อการค้นพบว่าข้อมูลปัจจัยพื้นฐานนี้เป็นหนึ่งในองค์ประกอบที่ส่งผลให้ผ่านการคัดเลือกเข้าเป็นนักเรียนเตรียมทหาร ผลการศึกษาพบว่า จากการจำแนกตามปัจจัยอายุ พบว่า อายุ 17 ปี คือ ผู้ที่เข้ารับการศึกษามีจำนวนสูงสุดในแต่ละปีการศึกษา สามารถอนุมานได้ว่าเมื่อการสั่งสมประสบการณ์ความรู้ทักษะความสามารถในระดับหนึ่งแล้วจะสามารถผ่านการทดสอบได้สูง ด้วยการพยากรณ์ข้อมูลแนวโน้มจำนวนผู้ได้เข้ารับการศึกษา โดยใช้วิธีคาดคะเนแนวโน้มจากสมการแนวโน้มเชิงเส้น พบว่า มีจำนวนผู้เข้ารับการศึกษามีเกณฑ์เพิ่มขึ้น คิดเป็น 20.23 เปอร์เซ็นต์ ค่าเฉลี่ยของจำนวนผู้ที่ผ่านการสอบและเข้ารับการศึกษาที่ได้คือ 245 คน และค่าเบี่ยงเบนมาตรฐานข้อมูลคือ 1.79 เนื่องจากค่าเฉลี่ยข้อมูลมีความใกล้เคียงกัน ทั้งนี้ขึ้นอยู่กับปัจจัยภายนอกหรือความต้องการจากหน่วยขึ้นตรงร้องขอในแต่ละปีการศึกษา และการจำแนกตามปัจจัยเกรดเฉลี่ยระดับชั้นมัธยมศึกษาปีที่ 3 โดยกำหนดให้ความสัมพันธ์แนวโน้มผลการเรียนแทนค่าด้วยฟังก์ชันเอกซ์โพเนนเชียล เมื่อนำข้อมูลเข้าโดยใช้เครื่องมือการทำเหมืองข้อมูลด้วย RapidMiner และนำผลที่ได้มาเปรียบเทียบกันพบว่า แนวโน้มของกลุ่มข้อมูลเกรดเฉลี่ยช่วง 3.50-4.00 อยู่ในระดับดีมาก มีประสิทธิภาพในการจำแนกข้อมูล และค่าเฉลี่ยที่ได้คือ 3.51 ค่าเบี่ยงเบนมาตรฐานข้อมูลคือ 0.40 อยู่ในเกณฑ์ที่ยอมรับได้ ผลการศึกษาทั้งสองนี้เป็นเพียงส่วนหนึ่งในการวิเคราะห์ข้อมูลประกอบการตัดสินใจและวางแผนนำเสนอในการจัดการข้อมูล และการแสดงผลด้วยกราฟดาต้าวิชวลไลเซชันทำให้มองเห็นด้วยภาพที่ชัดเจนยิ่งขึ้น สามารถอนุมานได้ว่า อายุและเกรดเฉลี่ยในระดับ ม.3 มีส่วนสำคัญอันดับต้นของผู้เข้ารับการศึกษา และสามารถนำไปเป็นตัวแบบในการวิเคราะห์พฤติกรรมและการจัดกลุ่มทางการเรียนต่อไปได้
Article Details
ผลงานที่ได้รับการตีพิมพ์ ถือเป็นลิขสิทธิ์ของวารสารฯ
References
ประวัติโรงเรียนเตรียมทหาร. (สืบค้นจาก) http://www.afaps.ac.th. และ https://th.wikipedia.org/wiki/โรงเรียนเตรียมทหาร.
ข้อมูลโรงเรียนนายร้อยพระจุลจอมเกล้า. (สืบค้นจาก) http://www2.crma.ac.th/e_book/Thai.asp.
T. Thilagaraj และN. Sengottaiyan, 2017. A Review of Educational Data Mining in Higher Education System, p. 349–358.
C. C. YangและT. Dorbin Ng, 2011. Analyzing and Visualizing Web Opinion Development and Social Interactions With Density-Based Clustering, IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, Vol. 6, p. 1144–1155.
วิจักษณ์ ศรีสัจจะเลิศวาจา และ ดุษฎี ประเสริฐธิติพงษ์, 2557. การทำเหมืองข้อมูลทางการศึกษา (Educational Data Mining), วารสารวิชาการ ภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเชียงใหม่, ปีที่ 20, เดือน ก.ค.-ก.ย..
กาญจนา หฤหรรษพงศ์, 2558. แบบจําลองเพื่อช่วยทํานายผลการย้ายสาขาวิชา โดยการจําแนกประเภทข้อมูล กรณีศึกษามหาวิทยาลัยวลัยลักษณ์, The Tenth National Conference on Computing and Information Technology, NCCIT, น. 239–244.
K. Kohli และS. Birla, 2016. Data Mining on Student Database to Improve Future Performance, International Journal of Computer Applications, Vol. 15, p. 42–46.
ธีรพงษ์ สังข์ศรี, 2557. การวิเคราะห์พฤติกรรมสําหรับการเลือกสมัครสาขาวิชาเรียนและการเปรียบเทียบตัวแบบพยากรณ์จํานวนนักศึกษาใหม่โดยใช้เทคนิคการทําเหมืองข้อมูล, The National Conference on Computing and Information Technology, NCCIT.
Arvind Satyanarayan, Dominik Moritz, Kanit Wongsuphasawat, and Jeffrey Heer, 2017. Vega-Lite: A Grammar of Interactive Graphics, IEEE Transactions on Visualization and Computer Graphics, Volume: 23, Issue: 1, p.341 – 350.
Matthew Michael Brehmer, 2016. Why Visualization? Task Abstraction for Analysis and Design, A Dissertation-Doctor of Philosophy, The University of British Columbia.
พรรณิภา บุตรเอก และสุรเดช บุญลือ, 2557. การพยากรณ์โอกาสสำเร็จการศึกษาของนักศึกษาโดยใช้ซัพพอร์ตเวกเตอร์แมชชีน, Veridian E-Journal Science and Technology Silpakorn University, ฉบับที่ 6, น. 40–49.
S. Henderson and S. Feiner, 2011. Exploring the benefits of augmented reality documentation for maintenance and repair, IEEE Transactions on Visualization and Computer Graphics, Vol. 10, p.1355–1368.
Y. Guo, X. Zhou, A. L. PorterและD. K. R. Robinson, 2015. Tech mining to generate indicators of future national technological competitiveness: Nano-Enhanced Drug Delivery (NEDD) in the US and China, Technological Forecasting and Social Change, p.168–180.
R. E. Roth, 2013. An empirically-derived taxonomy of interaction primitives for interactive cartography and geovisualization, IEEE Transactions on Visualization and Computer Graphics, Vol. 12, p. 2356–2365.
กาญจนา โชคเหรียญสุขชัย, 2560. กระบวนทัศน์การวิจัยสื่อสารมวลชน. สำนักพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย.
ภัทร์พงศ์ พงศ์ภัทรกานต์, วิชัย พัวรุ่งโรจน์, คมยุทธ ไชยวงษ์สุชาดา พรหมโคตร และปาริชาติ แสงระชัฏ, 2560. การใช้เทคนิคเหมืองข้อมูลเพื่อวิเคราะห์ปัจจัยในการใช้บริการห้องสมุดของนักศึกษา, Pulinet Journal, Vol. 4, No. 2, p.10-18.
Gary K. Rockswold (2012). COLLEGE ALGEBRA with Modeling & Visualization. 4 th ed. Pearson Education, Inc., p.396.
Exponential Functions. (สืบค้นจาก). https://www.pearson.com/content/dam/one-dot-com/one-dot-com/us/en/higher-ed/en/products-services/course-products/Beecher-5e-info/PDF/Beecher_032196957X_%20Ch5.pdf, p.323.