การเพิ่มประสิทธิภาพการทำนายความสำเร็จของผู้เรียนในระดับอุดมศึกษาด้วยเทคนิคการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
การจัดการปัญหาการตกออกและระดับผลการเรียนที่ต่ำกว่าเกณฑ์ของนักศึกษาในมหาวิทยาลัย พบว่าเป็นเรื่องสำคัญและมีความท้าทายต่อคุณภาพการศึกษาทั่วโลกและในประเทศไทยเป็นอย่างมาก ดังนั้นในงานวิจัยนี้จึงมีวัตถุประสงค์ที่ต้องการวิเคราะห์ข้อมูลของนักศึกษาในมหาวิทยาลัยอุบลราชธานี ระหว่างปีการศึกษา 2554-2564 จำนวน 11 คณะ รวมทั้งสิ้น 51,106 คน เพื่อนำมาเปรียบเทียบและสร้างแบบจำลองโมเดลสำหรับพยากรณ์ความสำเร็จของนักศึกษาด้วยเทคนิคการเรียนรู้เชิงลึกที่มีประสิทธิภาพ 2 เทคนิคคือ โครงข่ายประสาทเทียมแบบคอนโวลูชัน และโครงข่ายประสาทเทียมแบบวนซ้ำ ซึ่งได้มีการปรับแต่งพารามิเตอร์ที่เหมาะสมสำหรับอัลกอริทึมเพื่อให้มีค่าความถูกต้องสูงที่สุดร่วมด้วย นอกจากนี้งานวิจัยยังต้องการนำเสนอโครงสร้างระบบที่สามารถนำผลลัพธ์แบบจำลองโมเดลที่ปรับแต่งและให้ประสิทธิภาพที่สูงไปแทนค่าความรู้ในระบบแอปพลิเคชัน ซึ่งพัฒนาด้วย ดีจังโก้ ไพทอน และโพสต์เกรสคิวเอล ให้สามารถทำงานร่วมกันได้ โดยผลการทดลองพบว่าในส่วนการวัดประสิทธิภาพโมเดลด้วย Confusion Matrix และ AUC-ROC พบว่าเทคนิคโครงข่ายประสาทเทียมแบบวนซ้ำ มีค่าความถูกต้องสูงที่สุดในทุกคณะ โดยมีค่าความถูกต้องระหว่าง 81%-98% ในขณะที่เว็บแอปพลิเคชันมีฟังก์ชันที่ทำงานได้ถูกต้อง ซึ่งประโยชน์ของงานวิจัยนี้จะได้แบบจำลองโมเดลสำหรับพยากรณ์ความสำเร็จของนักศึกษาและเว็บแอปพลิเคชันที่ช่วยผู้ใช้งานในระดับต่างๆ ได้ โดยผู้เรียนสามารถใช้พยากรณ์ความสำเร็จแบบรายบุคคล ในขณะที่ผู้สอนสามารถเข้าถึงข้อมูลผู้เรียนที่มีความเสี่ยงที่อาจจะตกออกได้ล่วงหน้า คณะหรือมหาวิทยาลัยมีระบบรายงานสารสนเทศที่สามารถนำไปใช้วางแผนหรือตัดสินใจเพื่อพัฒนาคุณภาพการศึกษาให้มีประสิทธิภาพมากขึ้น
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
Badal, Y.T. and Sungkur, R.K. (2023). Predictive modelling and analytics of students’ grades using machine learning algorithms. Journal of Education and Information Technologies, 28(1), 3027–3057.
Bhushan, M., Vyas, S., Mall, S. and Negi, A. (2023). A comparative study of machine learning and deep learning algorithms for predicting student’s academic performance. International Journal of System Assurance Engineering and Management, 14(6), 2674–2683.
Fullan, M. (2018). New pedagogies for deep learning. California: Corwin Press.
Inamdar A., Mhatre, T., Nadar, P. and Joshi, S. (2022), Personalized college recommender and cutoff predictor for direct second year engineering. In The IEEE 7th International conference for Convergence in Technology (pp.1-4). Mumbai: India.
Kaensar, C. and Wongnin, W. (2023). Analysis and prediction of student performance based on moodle log data using machine learning techniques. International Journal of Emerging Technologies in Learning, 18(10), 184-203.
Kaensar, C. and Wongnin, W. (2023). Predicting new student performances and identifying important attributes of admission data using machine learning techniques with hyperparameter tuning. Eurasia Journal of Mathematics, Science and Technology Education, 19(12), 1-16.
Korchi, A., Messaoudi, F., Abatal, A. and Manzali, Y. (2023). Machine learning and deep learning-based students’ grade prediction. Springer:Operations Research Forum, 4, 1-21.
Mangaroska, K. and Giannakos, M. (2018). Learning analytics for learning design: a systematic literature review of analytics-driven design to enhance learning. In IEEE Transactions on Learning Technologies, 9(1), 1-19.
Mohammad, A., Al-Kaltakchi, S., Alshehabi, A.J. and Chambers, J. (2023). Comprehensive evaluations of student performance estimation via machine learning. MDPI: Mathematics, 11(14), 1-16.
Park, H.S. and Seong, J.Y. (2021), Early dropout prediction in online learning of university using machine learning. International Journal on Informatics Visualization, 5(4), 347-353,
Roy, A., Rahman, M.R., Islam, M.N., Saimon, N.I., Alfaz, M. and Jaber, A. (2022). A deep learning approach to predict academic result and recommend study plan for improving student’s academic performance. Springer: Ubiquitous Intelligent Systems, Smart Innovation, Systems and Technologies, 253–266.
Sultana, J., Rani, M.U. and Farquad, H. (2019). Student’s performance prediction using deep learning and data mining methods. International Journal of Recent Technology and Engineering, 8(1), 1018-1021.
Ubon Ratchathani University. (2010). REG UBU Office of Registration. Retrieved 5 Dec 2023, from REG UBU: https://www.reg.ubu.ac.th
Vijayalakshmi, V. and Venkatachalapathy, K. (2019). Comparison of predicting student‘s performance using machine learning algorithms. International Journal of Intelligent Systems and Applications, 11(12), 34-45.
Wibowo, S., Andreswari, R. and Hasibuan, A.M. (2018). Analysis and design of decision support system dashboard for predicting student graduation time. In The 5th International Conference on Electrical Engineering, Computer Science and Informatics (pp.684-689). Malang: Indonesia.