การศึกษาปัจจัยที่มีความสัมพันธ์กับภาวะโภชนาการของนักศึกษามหาวิทยาลัยราชภัฏเลย ด้วยวิธีการเรียนรู้ของเครื่อง

บทคัดย่อ

     วัตถุประสงค์: เพื่อศึกษาปัจจัยที่มีความสัมพันธ์กับภาวะโภชนาการของนักศึกษามหาวิทยาลัยราชภัฏเลย และเปรียบเทียบประสิทธิภาพการทำนายภาวะโภชนาการโดยใช้การเรียนรู้ของเครื่อง

     วิธีการวิจัย: เป็นการวิจัยเชิงวิเคราะห์แบบตัดขวาง กลุ่มตัวอย่าง 1,020 คน จำแนกภาวะโภชนาการโดยใช้เกณฑ์ดัชนีมวลกาย แบ่งออกเป็น 3 กลุ่ม ได้แก่ ภาวะโภชนาการต่ำ ปกติ เกินและอ้วน วิเคราะห์หาความสัมพันธ์ตัวแปรอิสระกับภาวะโภชนาการโดยการถดถอยโลจิสติกแบบลำดับ ทำนายภาวะโภชนาการโดยใช้การเรียนรู้ของเครื่อง ถูกแบ่งส่วนออกเป็น 3 ส่วน ได้แก่ ชุดข้อมูลฝึกหัด ชุดข้อมูลทดลอง และชุดข้อมูลทดสอบ อัลกอริทึมที่ใช้ในการทดลอง ได้แก่ Support Vector Machine (SVM), Naïve Baye (NB), Decision Tree (DT), Random Forest (RF), CART, C5.0, Gradient Boosting Machine (GBM), Logistic Regression (LR) และ k-nearest neighbors (KNN)

     ผลการวิจัย: กลุ่มตัวอย่างมีภาวะโภชนาการต่ำ ร้อยละ 13.53 ภาวะโภชนาการปกติ ร้อยละ 60.78 และภาวะโภชนาการเกินและอ้วน ร้อยละ 25.69 ปัจจัยที่มีความสัมพันธ์กับภาวะโภชนาการ อย่างมีนัยสำคัญทางสถิติ ได้แก่ เพศ ชั้นปีที่กำลังศึกษา การรับรู้การเปลี่ยนแปลงของน้ำหนัก ความรู้ความเข้าใจข้อมูลด้านโภชนาการ และการจัดการตนเองด้านโภชนาการ ประสิทธิภาพการทำนายภาวะโภชนาการโดยใช้การเรียนรู้ของเครื่องพบว่าอัลกอริทึม C5.0 มีประสิทธิภาพสูงสุด ทำนายได้ถูกต้องร้อยละ 60.78 (S.D.=0.00) แต่เมื่อพิจารณาประสิทธิภาพการจำแนกรายกลุ่มด้วยตารางเมทริกซ์สับสน พบว่า อัลกอริทึม C5.0 ไม่สามารถจำแนกตัวอย่างกลุ่ม 1 กับ กลุ่ม 3 ได้ ดังนั้นจึงพิจารณาประสิทธิภาพของอัลกอริทึม Logistic Regression ซึ่งมีประสิทธิภาพรองลงมา ทำนายได้ถูกต้อง ร้อยละ 59.51 (S.D.=3.03) แตกต่างจาก C5.0 เพียงเล็กน้อย และมีประสิทธิภาพในการจำแนกรายกลุ่ม โดยมีค่าความเที่ยง ค่าเรียกคืน และค่าถ่วงสมดุล เท่ากับ 0.31, 0.33 และ 0.27 ตามลำดับ ดังนั้นในการวิจัยครั้งนี้ อัลกอริทึม Logistic Regression เป็นวิธีการเรียนรู้ของเครื่องที่เหมาะสมที่สุดที่ควรนำไปต่อยอด และการศึกษาในครั้งนี้อาจนำไปสู่การจำแนกภาวะโภชนาการได้อย่างมีประสิทธิภาพ รวมทั้งป้องกันและแก้ไขปัญหาภาวะโภชนาการได้รวดเร็วขึ้น