การประยุกต์วิธีการจัดกลุ่มข้อมูลอย่างชาญฉลาดเพื่อเพิ่มประสิทธิผลการสอนออนไลน์: มุมมองเชิงเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
การขยายตัวของการเรียนการสอนออนไลน์ในยุคดิจิทัลก่อให้เกิดทั้งโอกาสและความท้าทายในการรักษาคุณภาพการศึกษา โดยเฉพาะความหลากหลายของพฤติกรรมผู้เรียน งานวิจัยนี้มีวัตถุประสงค์ 1) เพื่อพัฒนาและตรวจสอบความถูกต้องของการประยุกต์วิธีการจัดกลุ่มข้อมูลอัจฉริยะเพื่อเพิ่มประสิทธิผลการสอนออนไลน์ผ่านเทคนิคการขุดข้อมูลเชิงการศึกษา 2) เพื่อระบุรูปแบบพฤติกรรมการเรียนรู้ที่แตกต่างกันของผู้เรียนห้าประเภท โดยใช้อัลกอริทึม K-means ที่ปรับปรุงด้วยกลไกการถ่วงน้ำหนักความหนาแน่นและการปรับจุดศูนย์กลางแบบไดนามิก และ 3) เพื่อออกแบบและประเมินประสิทธิภาพของโมเดลการเพิ่มประสิทธิภาพการสอนด้วยการจัดกลุ่มอัจฉริยะ (ICTOM) สำหรับการแปลงผลลัพธ์เป็นการแทรกแซงเฉพาะบุคคลที่นำไปปฏิบัติได้จริง เก็บข้อมูลจากนักศึกษา 1,248 คน ในสามมหาวิทยาลัยภาคเรียนที 1 ปีการศึกษา2566 โดยรวบรวมตัวชี้วัดด้านการมีส่วนร่วม การปฏิสัมพันธ์ทางสังคม และผลสัมฤทธิ์ทางการเรียน ผลการวิจัยพบว่า 1) โมเดลที่พัฒนามีคุณภาพสูง โดยได้ค่า Silhouette coefficient = 0.72, Gap statistic = 0.89 และ Davies-Bouldin Index = 0.83 สะท้อนถึงความน่าเชื่อถือทางสถิติของการจัดกลุ่ม 2) ผลการวิเคราะห์จำแนกผู้เรียนออกเป็น 5 กลุ่ม ได้แก่ ผู้เข้าร่วมกิจกรรมเชิงรุก ผู้เรียนเชิงรับผู้มีส่วนร่วมไม่สม่ำเสมอ นักศึกษากลุ่มเสี่ยง ผู้เรียนแบบกำหนดทิศทางตนเอง 3) การใช้โมเดล Random Forest ทำนายผลสัมฤทธิ์ทางการเรียนได้ความแม่นยำกว่า 85% การสอนเฉพาะบุคคลช่วยเพิ่มประสิทธิภาพการเรียนรู้โดยรวม 27.4% และเพิ่มความพึงพอใจของผู้เรียน 34.8% โดยเฉพาะกลุ่มนักศึกษาที่มีความเสี่ยงและผู้เรียนไม่สม่ำเสมอที่มีพัฒนาการชัดเจน งานวิจัยนี้นำเสนอโมเดล ICTOM ซึ่งเชื่อมโยงการจัดกลุ่มอัจฉริยะเข้ากับกลยุทธ์การสอนเฉพาะบุคคลอย่างเป็นระบบ
Article Details
เอกสารอ้างอิง
Baker, R. S. & Inventado, P. S. (2014). Educational data mining and learning analytics. New York: Springer.
Garcia, M. et al. (2023). Adaptive learning systems: A systematic review of clustering-based approaches. Educational Technology Research and Development, 71(3), 445-468.
Hew, K. F. & Cheung, W. S. (2014). Students' and instructors' use of massive open online courses (MOOCs): Motivations and challenges. Educational Research Review, 12, 45-58. https://doi.org/10.1016/j.edurev.2014.05.001.
Ifenthaler, D. & Yau, J. Y. K. (2020). Utilising learning analytics for study success: Reflections on current empirical findings. Research and Practice in Technology Enhanced Learning, 15(1), 1-13.
Khalil, M. et al. (2016). Clustering patterns of engagement in massive open online courses (MOOCs): The use of learning analytics to reveal student categories. Journal of Computing in Higher Education, 29(1), 114-132.
Kizilcec, R. F. et al. (2013). Deconstructing disengagement: Analyzing learner subpopulations in massive open online courses. Proceedings of the Third International Conference on Learning Analytics and Knowledge, 170-179. https://doi.org/10.1145/2460296.2460330.
Knowles, M. S. (1975). Self-Directed Learning. Chicago: Follett.
Means, B. et al. (2014). The effectiveness of online and blended learning: A meta-analysis of the empirical literature. Teachers College Record, 115(3), 1-47.
Roberts, P. et al. (2023). Real-time learning analytics for improving online teaching effectiveness. Journal of Computer Assisted Learning, 39(2), 234-251.
Siemens, G. & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30-40.
Skinner, B. F. (1953). Science and human behavior. New York: Macmillan.
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Massachusetts: Harvard University Press.
Zhang, H. et al. (2022). K-means clustering with density weighting for educational data analysis. Data Mining and Knowledge Discovery, 36(4), 1289-1315.
Zhang, X. et al. (2023). Personalized learning path recommendation for e-learning based on knowledge graph and graph convolutional network. International Journal of Software Engineering and Knowledge Engineering, 33(1), 109-131.
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory into Practice, 41(2), 64-70.
