วิธีทำนายการยืนยันสิทธิเข้าศึกษาต่อของนักศึกษามหาวิทยาลัยด้วยการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์ 1) เพื่อศึกษาโมเดลทำนายการยืนยันสิทธิเข้าศึกษาต่อของนักศึกษามหาวิทยาลัย 2) เพื่อศึกษาหาค่าพารามิเตอร์ที่เหมาะสมกับการนำไปเพิ่มประสิทธิภาพของโมเดล 3) เพื่อเปรียบเทียบประสิทธิภาพระหว่างเทคนิคการเรียนรู้เชิงลึกและเทคนิคการเรียนรู้ของเครื่องแบบดั้งเดิมในการทำนายการยืนยันสิทธิเข้าศึกษาต่อของนักศึกษามหาวิทยาลัย ซึ่งประกอบด้วย โครงข่ายประสาทแบบคอนโวลูชัน (Convolutional Neural Network) หน่วยความจำระยะยาว-ระยะสั้น (Long Short-Term Memory) แรนดอมฟอเรสต์ (Random Forest) นาอีฟเบย์ (Naive Bayes) และซัพพอร์ทเวกเตอร์แมทชีน (Support Vector Machine) กลุ่มตัวอย่างทดสอบ คือ ข้อมูลนักเรียนที่สมัครเข้าเรียนมหาวิทยาลัยในปีการศึกษา 2561-2564 จำนวน 4,479 คน การสร้างโมเดลการเรียนรู้ของเครื่องแบบดั้งเดิมและการเรียนรู้เชิงลึกใช้ 11 คุณลักษณะ ได้แก่ คำนำหน้าชื่อ โรงเรียน ประเภทผู้สมัคร และเกรดรายวิชา 8 รายวิชา ผลการเปรียบเทียบประสิทธิภาพระหว่างโมเดลทั้งสอง พบว่า โมเดลการเรียนรู้เชิงลึกมีประสิทธิภาพดีกว่าโมเดลการเรียนรู้ของเครื่องแบบดั้งเดิม จึงทำการศึกษาหาค่าพารามิเตอร์ที่เหมาะสมเพื่อเพิ่มประสิทธิภาพโมเดลการเรียนรู้เชิงลึก ผลการศึกษา พบว่า โมเดลที่ดีที่สุดคือโครงข่ายประสาทแบบคอนโวลูชันโดยมีค่าความถูกต้องสูงถึงร้อยละ 64.68 และหน่วยความจำระยะยาว-ระยะสั้นมีสภาพเป็น overfitting ซึ่งไม่เหมาะสำหรับการนำไปใช้งาน สรุปได้ว่า โมเดลโครงข่ายประสาทแบบคอนโวลูชันเหมาะสมที่จะนำไปใช้กับระบบทำนายการยืนยันสิทธิเข้าศึกษาต่อของนักศึกษามหาวิทยาลัย
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา (JSSE) เป็นผู้ถือลิสิทธิ์บทความทุกบทความที่เผยแพร่ใน JSSE นี้ ทั้งนี้ ผู้เขียนจะต้องส่งแบบโอนลิขสิทธิ์บทความฉบับที่มีรายมือชื่อของผู้เขียนหลักหรือผู้ที่ได้รับมอบอำนาจแทนผู้เขียนทุกนให้กับ JSSE ก่อนที่บทความจะมีการเผยแพร่ผ่านเว็บไซต์ของวารสาร
แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
ทางวารสาร JSSE ได้กำหนดให้มีการกรอกแบบโอนลิขสิทธิ์บทความให้ครบถ้วนและส่งมายังกองบรรณาธิการในข้อมูลเสริม (supplementary data) พร้อมกับนิพนธ์ต้นฉบับ (manuscript) ที่ส่งมาขอรับการตีพิมพ์ ทั้งนี้ ผู้เขียนหลัก (corresponding authors) หรือผู้รับมอบอำนาจ (ในฐานะตัวแทนของผู้เขียนทุกคน) สามารถดำเนินการโอนลิขสิทธิ์บทความแทนผู้เขียนทั้งหมดได้ ซึ่งสามารถอัพโหลดไฟล์บทความต้นฉบับ (Manuscript) และไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนู “Upload Submission” ดังนี้
1. อัพโหลดไฟล์บทความต้นฉบับ (Manuscript) ในเมนูย่อย Article Component > Article Text
2. อัพโหลดไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนูย่อย Article Component > Other
ดาวน์โหลด ไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
References
Cheewaprakobkit, P. (2019). Improving the Performance of an Image Classification with Convolutional Neural Network Model by Using Image Augmentations Technique (in Thai). TNI Journal of Engineering and Technology, 7(1), 59-64.
Jitboonyapinit, C., Maneerat, P. and Chirawichitchai, N. (2022). Development of Sentiment Analysis Model Based on Thai Social Media Using Deep Learning Technique (in Thai). Huachiew Chalermprakiet Science and Technology Journal, 8(2), 8-18.
Kawaguchi, K., Kaelbling, L., and Bengio, Y. (2022). Mathematical Aspects of Deep Learning. United Kingdom: Cambridge University Press.
Nandal, P. (2020). Deep Learning in diverse Computing and Network Applications Student Admission Predictor using Deep Learning. Proceedings of the International Conference on Innovative Computing & Communications (ICICC) 2020 (pp. 1-5). India: University of Delhi.
Palwisut, P. (2016). Improving Decision Tree Technique in Imbalanced Data Sets Using SMOTE for Internet Addiction Disorder Data (in Thai). Information Technology Journal, 12(1), 54-63.
Paphat, A., Sriurai, W. and Ditcharoen, N. (2022). University student dropout prediction improved by feature selection with Multilayer Perceptron Neural Network (in Thai). Journal of Science and Science Education, 5(1), 39-48.
Suepitak, S., Nissaidee, B. and Buathong, W. (2021). Classification Techniques Comparison for Predicting Graduate Trend (in Thai). PKRU SciTech Journal, 5(2), 42-50.
Tongpuang, P. and Sanrach, C. (2021). The Comparison of Data Classification Efficiency to Predict Scholarship Awarded for Undergraduate Students by Data Mining Techniques (in Thai). Journal of Professional Routine to Research, 8(2), 44-52.
Tosasukul, J. and Kuttipon, S. (2022). An Efficiency Comparison of Forecasting Models for the Amount of Water in Dam by Data Mining Techniques (in Thai). Journal of Accountancy and Management, 14(4), 1-17.