การวิเคราะห์การเรียนรู้ด้วยการเรียนรู้ของเครื่องในการจำแนกผู้เรียนวิชาชีพครู ด้านความยึดมั่นผูกพันในการวิจัย : การวิเคราะห์โดยวิธีเคมีนร่วมกับนาอีฟเบย์
คำสำคัญ:
การวิเคราะห์การเรียนรู้, ความยึดมั่นผูกพันในการวิจัย, เคมีน, นาอีฟเบย์บทคัดย่อ
การวิเคราะห์การเรียนรู้จากข้อมูลพฤติกรรมที่เกิดขึ้นระหว่างการเรียนรู้ออนไลน์เรื่องการวิจัย สามารถให้สารสนเทศที่มีประโยชน์ต่อการจำแนกผู้เรียนด้านความยึดมั่นผูกพันในงานวิจัย รวมถึงให้แนวทางในการส่งเสริมผู้เรียนเพื่อให้มีความยึดมั่นผูกพันในงานวิจัยที่สูงขึ้นต่อไปได้ การวิจัยครั้งนี้มีวัตถุประสงค์คือ 1) เพื่อวิเคราะห์และหาจำนวนกลุ่มของผู้เรียนที่เหมาะสมด้านความยึดมั่นผูกพันในการวิจัย 2) เพื่อวิเคราะห์การจำแนกกลุ่มผู้เรียนด้านความยึดมั่นผูกพันในการวิจัยและเปรียบเทียบประสิทธิผลการจำแนกระหว่างการกำหนดจำนวนกลุ่มที่แตกต่างกัน 3) เพื่อเสนอตัวแปรแทนที่เหมาะสมในการจำแนกผู้เรียนด้านความยึดมั่นผูกพันในการวิจัย การวิจัยครั้งนี้ใช้ตัวแปรแทนจากการบันทึกของระบบการจัดการเรียนรู้ที่เรียกว่า log data ของผู้เรียนซึ่งเป็นนิสิตนักศึกษาครู ระดับปริญญาตรี ที่กำลังเรียนรายวิชาเกี่ยวกับการวิจัยทางการศึกษา จำนวน 253 คน วิเคราะห์ข้อมูลด้วยการเรียนรู้ของเครื่องวิธีการ k-means ร่วมกับ naïve Bayes ผลการวิจัยหลักที่สำคัญมีดังนี้
1) การวิเคราะห์เพื่อสำรวจจำนวนกลุ่มที่เหมาะสมด้วยการเรียนรู้ของเครื่องวิธี k-means พบว่า จำนวนกลุ่มที่เหมาะสมคือ 3 กลุ่ม และ 2 กลุ่ม โดยการแบ่งผู้เรียนเป็น 3 กลุ่มสามารถอธิบายความแปรปรวนของข้อมูลได้สูงกว่า 2 กลุ่ม คิดเป็นร้อยละ 59.6 และ 40.7 ตามลำดับ 2) การวิเคราะห์การจำแนกกลุ่มผู้เรียนด้วยวิธีการวิเคราะห์ naïve Bayes พบว่าการกำหนดจำนวนกลุ่มแบบ 3 กลุ่ม โมเดลการจำแนกมีประสิทธิผลด้านความแม่นยำ (accuracy) เท่ากับร้อยละ 86.67 ซึ่งสูงกว่าการกำหนดจำนวนกลุ่มแบบ 2 กลุ่ม ซึ่งมีความแม่นยำเท่ากับร้อยละ 84.21 3) ตัวแปรแทนที่มีความเหมาะสมในการจำแนกผู้เรียนเป็นกลุ่มทั้ง 2 และ 3 กลุ่มมีความสอดคล้องกัน ส่วนใหญ่เป็นกลุ่มตัวแปรที่เกี่ยวข้องกับพฤติกรรมการเรียนรู้จากการมีปฏิสัมพันธ์กับส่วนของเนื้อหาหรือกิจกรรมในระบบ อย่างไรก็ตามลำดับความสำคัญของตัวแปรมีความแตกต่างกัน
References
สุชาดา ภู่ระหงษ์ และมนัสนันท์ หัตถศักดิ์. (2561). ปัจจัยที่ส่งผลต่ออัตลักษณ์ของนิสิตคณะวิศวกรรมศาสตร์ มหาวิทยาลัยแห่งหนึ่ง. วารสารการวัดผลการศึกษา.35(98). 119-132.
วิรัช วรรณรัตน์. (2561). ศักยภาพผลการเรียนรู้ของบัณฑิตผู้สำเร็จการศึกษา หลักสูตร ป.บัณฑิตวิชาชีพครู มหาวิทยาลัยราชพฤกษ์ปีการศึกษา 2557-2559. วารสารการวัดผลการศึกษา.35(98). 12-23.
Appleton, J. J., Christenson, S. L., Kim, D., & Reschly, A. L. (2006). Measuring cognitive and psychological engagement: Validation of the Student Engagement Instrument. Journal of school psychology. 44(5). 427-445.
Ayodele, T. O. (2010). Types of machine learning algorithms. New advances in machine learning. 3. 19-48.
Banerjee, P., Dehnbostel, F. O., & Preissner, R. (2018). Prediction is a balancing Act: importance of sampling methods to balance sensitivity and specificity of predictive models based on imbalanced chemical data sets. Frontiers in chemistry. 6. 362.
Barrientos, F., & Sainz, G. (2012). Interpretable knowledge extraction from emergency call data based on fuzzy unsupervised decision tree. Knowledge-based systems. 25(1). 77-87.
Del Mar, C., & Askew, D. (2004). Building family/general practice research capacity. The Annals of Family Medicine. 2(suppl 2). S35-S40.
Ferguson, R. (2012). Learning analytics: drivers, developments and challenges. International Journal of Technology Enhanced Learning. 4(5/6). 304-317.
Károly, A. I., Fullér, R., & Galambos, P. (2018). Unsupervised clustering for deep learning: A tutorial survey. Acta Polytechnica Hungarica. 15(8). 29-53.
Kim, D., Park, Y., Yoon, M., & Jo, I. H. (2016). Toward evidence-based learning analytics: Usingproxy variables to improve asynchronous online discussionenvironments. The Internet and Higher Education. 30. 30-43.
Lester, D. (2013). A Review of the Student Engagement Literature. FOCUS on Colleges, Universities & Schools. 7(1).
Macfadyen, L. (2017). What Does a Learning Analytics Practitioner Need to Know?. CEURWorkshop Proceedings, (1915).
Ray, S. (2019). A quick review of machine learning algorithms. In 2019 International conference on machine learning, big data, cloud and parallel computing (COMITCon) (pp. 35-39).
Saritas, M. M., & Yasar, A. (2019). Performance analysis of ANN and Naive Bayes classification algorithm for data classification. International Journal of Intelligent Systems and Applications in Engineering. 7(2). 88-91.
Tarca, A. L., Carey, V. J., Chen, X. W., Romero, R., & Drăghici, S. (2007). Machine learning and its applications to biology. PLoS Comput Biol. 3(6). 116.
Zheng, B., Yoon, S. W., & Lam, S. S. (2014). Breast cancer diagnosis based on feature extractionusing a hybrid of K-means and support vector machine algorithms. Expert Systems with Applications. 41(4). 1476-1482.
