แบบจำลองการขุดข้อมูลทางการศึกษาโดยใช้อัลกอริทึมต้นไม้ตัดสินใจเพื่อพยากรณ์ผลสัมฤทธิ์ทางการเรียนของนักเรียน

เยาวภา ศรีบุรินทร์; ชัยมงคล  ปินะสา; อนุภูมิ  คำยัง; แพรวนภา  เรียงริลา

ผู้แต่ง

เยาวภา ศรีบุรินทร์ สาขาวิจัยนวัตกรรมทางการศึกษา คณะครุศาสตร์ มหาวิทยาลัยราชภัฏเลย
ชัยมงคล ปินะสา คณะครุศาสตร์ มหาวิทยาลัยราชภัฏเลย
อนุภูมิ คำยัง คณะครุศาสตร์ มหาวิทยาลัยราชภัฏเลย
แพรวนภา เรียงริลา คณะครุศาสตร์ มหาวิทยาลัยราชภัฏเลย

คำสำคัญ:

แบบจำลองการขุดข้อมูลทางการศึกษา, อัลกอริทึมต้นไม้ตัดสินใจ, พยากรณ์ผลสัมฤทธิ์ทางการเรียน

บทคัดย่อ

บทความวิชาการนี้มีวัตถุประสงค์เพื่อ (1) นำเสนอความหมายและแนวคิดที่เกี่ยวข้องกับการขุดข้อมูลทางการศึกษา ต้นไม้ตัดสินใจ และโปรแกรม Altair AI Studio v.2025.0.0 และ (2) แสดงแนวทางการพัฒนาแบบจำลองด้วยอัลกอริทึมต้นไม้ตัดสินใจ โดยใช้โปรแกรม Altair AI Studio v.2025.0.0 สำหรับการพยากรณ์ผลสัมฤทธิ์ทางการเรียนของนักเรียน รวบรวมข้อมูลนักเรียนชั้นประถมศึกษาปีที่ 6 จาก 3 โรงเรียน ได้มาโดยการเลือกแบบเจาะจง โดยใช้ระบบสารสนเทศโรงเรียนโดยยึดตามรูปแบบและโครงสร้างของข้อมูลจริง แต่ข้อมูลบางส่วนไม่สมบูรณ์ จึงได้ใช้เครื่องมือ ChatGPT จำลองข้อมูลจำนวน 1,000 ชุด กระบวนการสร้างแบบจำลอง ประกอบด้วย 5 ขั้นตอน คือ (1) ขั้นการรวบรวมข้อมูล (2) ขั้นการเตรียมข้อมูล (3) ขั้นการสร้างแบบจำลอง ด้วยอัลกอริทึมต้นไม้ตัดสินใจ แบ่งข้อมูลเป็น 2 ส่วน คือ ชุดฝึกร้อยละ 80 และชุดทดสอบร้อยละ 20 (4) ขั้นการทดสอบและประสิทธิภาพของแบบจำลอง ด้วยวิธี 10-fold cross-validation และ (5) ขั้นการนำแบบจำลองไปใช้งานจริง โดยพัฒนาในรูปแบบแอปพลิเคชัน One Compiler ซึ่งผู้ใช้สามารถป้อนข้อมูลนักเรียน เพื่อประมวลผลผลสัมฤทธิ์ทางการเรียนล่วงหน้าได้ ผลการทดสอบพบว่าแบบจำลองมีความแม่นยำปานกลาง โดยมีค่าความถูกต้อง (Accuracy) ร้อยละ 64.70 ค่าความคลาดเคลื่อนเฉลี่ย (RMSE) 0.478 และส่วนเบี่ยงเบนมาตรฐาน (S.D.) ± 0.010 ซึ่งสามารถนำไปประยุกต์ใช้ในการวางแผนการจัดการเรียนรู้ การให้คำปรึกษา และการยกระดับคุณภาพการศึกษาให้สอดคล้องกับบริบทของยุคดิจิทัล

Downloads

Download data is not yet available.

เอกสารอ้างอิง

ชัยมงคล ปินะสา, สำราญ มีแจ้ง, และน้ำทิพย์ องอาจวาณิชย์. (2567). การประยุกต์ใช้โครงข่ายประสาทเทียมในการคัดเลือกข้อสอบข้อถัดไป สำหรับการทดสอบแบบปรับเหมาะด้วยคอมพิวเตอร์แบบพหุมิติ. วารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม. 30(1); 1-15.

Abdullahi, A. M., Htet, S. A., Naing, N. N. N., Hossain, M. S., Ismail, S., & Zaaba, M. A. M. (2024). A prediction of customer segmentation using random forest in RapidMiner. 2023 IEEE 21st Student Conference on Research and Development (SCOReD), 33-38. https://doi.org/10.1109/SCOReD60679.2023.10563451

Adekitan, A. I., & Salau, O. (2019). The impact of engineering students' performance in the first three years on their graduation result using educational data mining. Heliyon, 5(2), 1-21. https://doi.org/10.1016/j.heliyon.2019.e01250

Askinadze, A., & Conrad, S. (2018). Respecting data privacy in educational data mining: an approach to the transparent handling of student data and dealing with the resulting missing value problem. 2018 IEEE 27th International Conference on Enabling Technologies: Infrastructure for Collaborative Enterprises (WETICE), 160-164. https://doi.org/10.1109/WETICE.2018.00037

Batool, S., Rashid, J., Nisar, M. W., Kim, J., Kwon, H.-Y., & Hussain, A. (2023). Educational data mining to predict students' academic performance: A survey study. Education and Information Technologies, 28(1), 905-971. https://doi.org/10.1007/s10639-022-11152-y

Bjaoui, M., Sakly, H., Said, M., Kraiem, N., & Bouhlel, M. S. (2020). Depth insight for data scientist with RapidMiner «an innovative tool for AI and big data towards medical applications». Proceedings of the 2nd International Conference on Digital Tools & Uses Congress, 28, 905-971. https://doi.org/10.1145/3423603.3424059

Chen, S., & Lin, X. (2023). Application of decision tree algorithm in educational data mining. Curriculum and Teaching Methodology, 6(8), 120-127. https://doi.org/10.23977/curtm.2023.060818

Conijn, R., Snijders, C., Kleingeld, A., & Matzat, U. (2016). Predicting student performance from LMS data: A comparison of 17 blended courses using Moodle LMS. IEEE Transactions on Learning Technologies, 10(1), 17-29. https://doi.org/10.1109/TLT.2016.2616312

Corina Simionescu, M. D., Bogdănel Constantin Grădinaru, Marius Silviu Măciucă. (2024). Educational data mining in European union – achievements and challenges: A systematic literature review. International Journal of Advanced Computer Science and Applications, 15(3). https://doi.org/10.14569/IJACSA.2024.0150386

Dol, S. M., & Jawandhiya, P. M. (2024). Systematic review and analysis of EDM for predicting the academic performance of students. Journal of The Institution of Engineers (India): Series B, 105(4), 1021-1071. https://doi.org/10.1007/s40031-024-00998-0

Dutt, A., Ismail, M. A., & Herawan, T. (2017). A systematic review on educational data mining. IEEE Access, 5, 15991-16005. https://doi.org/10.1109/ACCESS.2017.2654247

Hasan, H. R., Rabby, A. S. A., Islam, M. T., & Hossain, S. A. (2019). Machine learning algorithm for student's performance prediction. 2019 10th International Conference on Computing, Communication and Networking Technologies (ICCCNT), 27, 1-7. https://doi.org/10.1109/ICCCNT45670.2019.8944629

Hu, Y.-H. (2022). Effects and acceptance of precision education in an AI-supported smart learning environment. Education and Information Technologies, 27(2), 2013-2037. https://doi.org/10.1007/s10639-021-10664-3

Joy, T. T., Rana, S., Gupta, S., & Venkatesh, S. (2019). A flexible transfer learning framework for Bayesian optimization with convergence guarantee. Expert Systems with Applications, 115, 656-672. https://doi.org/10.1016/j.eswa.2018.08.023

Klein, M., Gerlitz, L., & Spychalska-Wojtkiewicz, M. (2021). Cultural and creative industries as boost for innovation and sustainable development of companies in cross innovation process. Procedia Computer Science, 192, 4218-4226.