การวิเคราะห์ปัจจัยการเรียนรู้ด้วยการคัดเลือกคุณสมบัติและการพยากรณ์

Abstract

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อการประยุกต์ใช้เทคนิคการทำเหมืองข้อมูลในการพยากรณ์ผลสัมฤทธิ์ทางการเรียนของนิสิต โดยใช้เทคนิคการคัดเลือกคุณสมบัติที่สำคัญ แล้วสร้างตัวแบบการพยากรณ์ด้วยเทคนิค BPNN และเทคนิค SVMs จากข้อมูลที่คัดเลือกซึ่งเป็นปัจจัยการเรียนรู้ที่สำคัญ ข้อมูลที่ใช้ในการวิเคราะห์เป็นข้อมูลของนิสิตที่ศึกษาและสำเร็จการศึกษาแล้วในหลักสูตรเดียวกัน จำนวน 180 ระเบียน  ผลการวิเคราะห์ปัจจัยการเรียนรู้ พบว่า ข้อมูลภูมิหลังไม่ใช่ข้อมูลสำคัญในการทำนายผลสัมฤทธิ์ทางการเรียนของนิสิต ตัวแปรที่สำคัญ 10 ตัวแปร เป็นรายวิชาที่มีความสอดคล้องกับกรอบมาตรฐานคุณวุฒิระดับปริญญาตรีสาขาคอมพิวเตอร์ พ.ศ. 2552 ผลการทดลองสร้างตัวแบบการพยากรณ์ด้วยเทคนิค BPNN และเทคนิค SVMs จากตัวแปรที่สำคัญ 10 ตัวแปรมีค่าความผิดพลาดอยู่ในระดับต่ำกว่า ตัวแบบการพยากรณ์ที่ใช้ตัวแปรตั้งต้น 22 ตัวแปร นอกจากนั้น เมื่อทดลองใช้เทคนิคการรวมกลุ่ม ด้วยวิธี Baggingร่วมกับ BPNNและ SVMs พบว่าผลการพยากรณ์ของ Baggingร่วมกับ BPNN (Bagging BPNN) มีค่าความผิดพลาดอยู่ในระดับต่ำสุด (RMSE=0.1051) ใช้ในการพยากรณ์ได้อย่างมีประสิทธิภาพ ผลของงานวิจัยนี้ให้ประโยชน์ในการวิเคราะห์ปัจจัยการเรียนรู้และการพยากรณ์ผลสัมฤทธิ์ทางการเรียนของนิสิตซึ่งจะช่วยให้นิสิตสามารถพยากรณ์ผลการเรียนของตนเองและปรับพฤติกรรมการเรียน ได้เช่น การเพิ่มถอนรายวิชาให้เหมาะสมกับศักยภาพตนเอง

 คำสำคัญ : การวิเคราะห์ปัจจัยการเรียนรู้, การทำเหมืองข้อมูล, การคัดเลือกคุณสมบัติ, 

                เทคนิคการพยากรณ์

 Abstract

This research aims to apply data mining techniques in predicting academic achievement of students using feature selection techniques to select important features. Then, build prediction models using BPNN and SVMs techniques from key factors for learning. The 180 data records used in this work were collected from students who studied and graduated in the same program. The learning attributes analysis result shows that students’ background information is not important in predicting the academic achievement of students but only 10 courses that they studied in the first and second years. These courses are compliant with the qualifications framework of undergraduate program in Computer Science. The BPNN and SVM sprediction models were trained by using 10 important parameters and got less error than using all parameters. Furthermore, the ensemble technique; Bagging, was combined to BPNN and SVMs models. It is found that Bagging with BPNN (Bagging BPNN) gave the lowest errors (RMSE = 0.1051). The model can be used to predict learning achievement of the students efficiently. The experiment results of this research will be helpful for learning achievement attributes analysis and for predicting learning achievement in order to help students predict their own learning achievement and adjust their learning behavior such as add or withdraw courses according to their potential.

Keywords : Learning Attributes Analysis, Data Mining, Feature Selection, Prediction Techniques