Performance measurement forecasting equations ability to study English for business communication based on the 21st century learning skills by creating decision tree
Keywords:
factors that affect academic achievement, English for business communication, learning skills 21st century Learning skills, multiple regression methods, decision treeAbstract
The purposes of the research were 1) to study the relationship between factors that affect learning achievement in English and the level of ability to apply English for business communication based on 21st century learning skills 2) to create predictive equations for the ability to learn English for business communication based on 21st century learning skills, and 3) to measure the effectiveness and accuracy of forecasting equations ability to study in English for Business Communication based on the 21st century learning skills by creating decision trees. 75 students majoring English for international communication enrolled in 0802371 English for business communication course, academic year 1/2018 were the participants. The instrument used in this research was a questionnaire consisting of predictive variables which were family, student, instructor and environment. Criteria variables was found that the predictive variables which had the most relationship with the criteria variable was family factor (0.822) and the least was the teacher (0.497) for analysis with Multiple Regression Analysis methods (MRA) type Stepwise, it was found that family factor (X1) and learner (X2) made the multiple correlation coefficient equal to .822, explain variables of learning ability in English for business communication according to the learning skills in the 21st century (y’) has 67.6 percent with statistical significance at the level of .05, able to create predictive equations for learning ability in English for business communication based on 21st century learning skills as y’ = .902+.475 X1+.218 X2 . When measuring the efficiency of equations using Decision tree method type Forward Stepwise, the overall forecasting results accuracy were 76% and 24% error, found to have the accuracy and error approximate to Multiple Regression Analysis methods (MRA) type Stepwise.
References
ขนิษฐา ดีสุบิน. (2560). การพัฒนาตัวแบบการพยากรณ์ความถนัดทางการเรียนตามทฤษฎี 4 MAT โดยการวิเคราะห์ด้วยวิธีต้นไม้. วารสารนวัตกรรมการเรียนรู้. 3 (1). 43-58.
คันธรส ภาผล. (2562). การจัดกิจกรรมการเล่านิทานโดยใช้หนังสือนิทานเล่มใหญ่เพื่อส่งเสริมทักษะการพูด สำหรับเด็กปฐมวัยในศตวรรษที่ 21. วารสารบัณฑิตศึกษา มหาวิทยาลัยราชภัฏวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์. 13 (2). 30-45.
จีรทัช ใจจริง, ธนิต โตอดิเทพย์, ภารดี อนันต์นาวี และ เจริญวิชญ์ สมพงษ์ธรรม. (2563). ปัจจัย ที่ส่งผลต่อความสุขในการเรียนของนิสิตชั้นปีที่ 1 คณะมนุษยศาสตร์และสังคมศาสตร์ มหาวิทยาลัยบูรพา. วารสารวิชาการมนุษยศาสตร์และสังคมศาสตร์ มหาวิทยาลัยบูรพา. 21 (1). 29-47.
ชนัญญา สมใจวงษ์. (2554). รายงานการวิจัยปัจจัยที่สัมพันธ์กับผลสัมฤทธิ์ทางการเรียนในรายวิชา BUS302 การเขียนภาษาอังกฤษเพื่องานธุรกิจ. ชลบุรี: มหาวิทยาลัยศรีปทุม.
ดวงจิตร สุขภาพสุข. (2560). การประยุกต์ใช้ทักษะการเรียนรู้ในศตวรรษที่ 21 ในชั้นเรียนภาษาอังกฤษ. ใน งานประชุมวิชาการระดับชาติ ครั้งที่ 9 มหาวิทยาลัยราชภัฏนครปฐม วันที่ 28-29 กันยายน 2560 (หน้า 1057-1064). นครปฐม: มหาวิทยาลัยราชภัฏนครปฐม.
เตือนใจ เขียนชานาจ และ อุราชนก คงกล่ำ. (2562). ปัจจัยที่ส่งผลต่อผลสัมฤทธิ์ทางการเรียนวิชาภาษาอังกฤษของนักเรียนชั้นมัธยมศึกษาตอนต้น สังกัดสำนักงานเขตพื้นที่การศึกษา มัธยมศึกษา เขต 8. วารสารบัณฑิตศาส์น มหาวิทยาลัยมหามกุฏราชวิทยาลัย. 17 (1). 222-235.
เบญจวรรณ ถนอมชยธวัช, ผ่องศรี วาณิชย์ศุภวงศ์, วุฒิชัย เนียมเทศ และ ณัฐวิทย์ พจนตันติ. (2559). ทักษะแห่งศตวรรษที่ 21: ความท้าทายในการพัฒนานักศึกษา. วารสารเครือข่ายวิทยาลัยพยาบาลและการสาธารณสุขภาคใต้. 3 (2). 208-222.
ประยูรศรี บุตรแสนคม. (2555). การคัดเลือกตัวแปรพยากรณ์เข้าในสมการถดถอยพหุคูณ. วารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม, 17(1), 43-60.
พรสิรินทร์ หาเรือนทรง และ พชร วังมี. (2559). รายงานการวิจัยปัจจัยที่ส่งผลต่อผลสัมฤทธิ์ทางการเรียนวิชาภาษาอังกฤษของนักเรียนชั้นมัธยมศึกษาปีที่ 6 โรงเรียนสาธิตมหาวิทยาลัยราชภัฏสวนสุนันทา. กรุงเทพฯ: โรงเรียนสาธิตมหาวิทยาลัยราชภัฏสวนสุนันทา.
พลับพลึง พันธไชย และ สิทธิพล อาจอินทร์. (2553). การศึกษาผลสัมฤทธิ์ทางการเรียนวิชาภาษาอังกฤษของนักเรียน ชั้นมัธยมศึกษาปีที่ 2 ที่เรียนรู้โดยใช้รูปแบบการเรียนรู้ แบบมุ่งประสบการณ์ภาษา. วารสารศึกษาศาสตร์ ฉบับวิจัยบัณฑิตศึกษา มหาวิทยาลัยขอนแก่น. 4 (4). 131-137.
พัชสุดา กัลป์ยาณวุฒิ. (2558). รายงานการวิจัยปัจจัยที่ส่งผลกระทบต่อผลสัมฤทธิ์ทางการศึกษาของนักศึกษาระดับ ปวช. และระดับปวส. ของวิทยาลัยเทคโนโลยีพายัพ และบริหารธุรกิจ. เชียงใหม่: วิทยาลัยเทคโนโลยีพายัพและบริหารธุรกิจ.
พิกุล แซ่เจน, ดวงมณี จงรักษ์ และ ชิดชนก เชิงเชาว์. (2561). ผลการปรึกษากลุ่มแบบผสมผสานและการสอนเสริมเพื่อเพิ่มผลสัมฤทธิ์ทางการเรียนวิชาภาษาอังกฤษของนักศึกษา ระดับปริญญาตรี มหาวิทยาลัยสงขลานครินทร์ วิทยาเขตปัตตานี. วารสารวิชาการคณะมนุษยศาสตร์และสังคมศาสตร์. 14 (2). 165-191.
รัชพล กลัดชื่น และ จรัญ แสนราช. (2561). การเปรียบเทียบประสิทธิภาพอัลกอริทึมและการคัดเลือกคุณลักษณะ ที่เหมาะสม เพื่อการทำนายผลสัมฤทธิ์ทางการเรียนของนักศึกษาระดับอาชีวศึกษา. วารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี. 17 (1). 1-10.
วัชรีวรรณ จิตต์สกุล และ สุนันฑา สดสี. (2560). การวิเคราะห์การจำแนกข้อความด้วยการเปรียบเทียบความเสถียรของอัลกอริทึม. ศรีปทุมปริทัศน์ ฉบับวิทยาศาสตร์และเทคโนโลยี. 9 (1). 19-31.
วิจารณ์ พานิช. (2555). วิถีสร้างการเรียนรู้เพื่อศิษย์ในศตวรรษที่ 21. กรุงเทพฯ: มูลนิธิสดศรี-สฤษดิ์วงศ์.
อัจศรา ประเสริฐสิน และ อัญชลีพร ลพประเสริฐ. (2562). การสร้างแอปพลิเคชันการเรียนรู้คำศัพท์ผ่าน Flash Cards ที่มีต่อทักษะการอ่านออกเขียนได้ สำหรับเด็กที่มีความบกพร่องทางการเรียนรู้. วารสารการวัดผลการศึกษา. 36 (99). 41-53.
Bloom, B. S. (1982). Human Characteristics and School Learning. New York: McGraw-Hill.
Davis, M. J. (2010). Contrast coding in multiple regression analysis: Strengths, weaknesses, and utility of popular coding structures. Journal of Data Science. 8 (1). 61-73.
Şengür, D., & KarabatakŞengür, S. (2018). Data mining techniques-based students achievements analysis. Turkish Journal of Science and Technology. 13 (2). 53-59.
Gardner, R. C., & Wallace, E. L. (1973). A Social Psychology and Second Language Learning. London: Arnold Publisher.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis a global perspective (7th Ed.). New Jersey: Prentice-Hall International.
Hussain, M., Zhu, W., Zhang, W., & Abidi, S. M. R. (2018). Student engagement predictions in an e-learning system and their impact on student course assessment scores. Computational Intelligence and Neuroscience, 1-21.
Liu, W., Wu, J., Gao, X., & Feng, K. (2017). An early warning model of student achievement based on decision trees algorithm. In 2017 IEEE 6th International Conference on Teaching, Assessment, and Learning for Engineering (TALE) (pp. 517-222). IEEE.
Noble, J. P., Roberts, W. L., & Sawyer, R. L. (2006). Student Achievement, Behavior, Perceptions, and Other Factors Affecting ACT Scores. (ACT Research Report Series, October 2006-1). Lowa City, LA: ACT.
Kuntoro, K. R., Sudarwanto, R., & Sriyanto. (2017). Prediction Of Student Performance Using Decision Tree C 4.5 Algorithm. In Prosiding International conference on Information Technology and Business (ICITB) (pp. 214-219).
Rizvi, S., Rienties, B., & Khoja, S. A. (2019). The role of demographics in online learning; A decision tree-based approach. Computers and Education, 137, 32-47.
Safavian, R. S., & Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE transactions on systems, man, and cybernetics, 21(3), 660-674.
Trilling, B., & Fadel, C. (2009). 21st century skills: Learning for life in our times. John Wiley and Sons: United States of America.
