การพัฒนาระบบประเมินพฤติกรรมด้านจิตพิสัยในการจัดการเรียนการสอนออนไลน์ THE DEVELOPMENT OF AN ASSESSMENT SYSTEM FOR AFFECTIVE DOMAIN BEHAVIOR IN ONLINE LEARNING
Article Sidebar
Main Article Content
บทคัดย่อ
การเรียนการสอนออนไลน์เริ่มมีความนิยมมากขึ้นในปัจจุบัน โดยเฉพาะอย่างยิ่งในสถานการณ์ไม่ปกติอันเนื่องจากการระบาดของโรคโควิด-19 การวัดและประเมินผลผู้เรียนในด้านจิตพิสัยโดยปกตินั้นผู้สอนต้องวัดด้วยการสังเกตผู้เรียน ซึ่งเป็นข้อจำกัดที่สำคัญในการเรียนการสอนแบบออนไลน์เนื่องจากผู้สอนและผู้เรียนไม่ได้พบหน้ากันจริง การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบประเมินพฤติกรรมด้านจิตพิสัยในการจัดการเรียนการสอนออนไลน์โดยการวิเคราะห์ข้อมูลในแฟ้มลงบันทึก ระบบจะวิเคราะห์และแสดงพฤติกรรมของผู้เรียน 3 ด้าน คือ ด้านความรับผิดชอบ ด้านความสนใจสื่อการสอน และด้านความมีส่วนร่วมในห้องเรียนออนไลน์ โดยแสดงเป็นจำนวนครั้งและสัดส่วนร้อยละของความก้าวหน้า นอกจากนั้นยังสามารถประเมินผลคะแนนจิตพิสัยและเปรียบเทียบกับค่าเฉลี่ยทั้งหลักสูตรได้ ผลการประเมินการใช้งานได้ของระบบ พบว่า ระบบประเมินพฤติกรรมด้านจิตพิสัยในการจัดการเรียนการสอนออนไลน์อยู่ในระดับดี
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของบทความมิได้คัดลอก หรือละเมิดลิขสิทธิ์ของผู้ใด หากเกิดการละเมิดลิขสิทธิ์ ไม่ว่าวิธีใด หรือการฟ้องร้องไม่ว่ากรณีใด ๆ ที่อาจเกิดขึ้นได้ กองบรรณาธิการวารสารศึกษาศาสตร์ ไม่มีส่วนเกี่ยวข้องทั้งสิ้น ให้เป็นสิทธิ์ของเจ้าของบทความที่จะดำเนินการ
References
Ahmad, N. B., Ishak, M. K., Alias, U. F., & Mohamad, N. (2015). An approach for e-learning data analytics using SOM clustering. International Journal of Advances in Soft Computing & Its Applications, 7(3), 94-111.
Alias, U. F., Ahmad, N. B., & Hasan, S. (2015). Student behavior analysis using self-organizing map clustering technique. ARPN Journal of Engineering and Applied Sciences, 10(23), 17987-17995.
Bovo, A., Sanchez, S., Héguy, O., & Duthen, Y. (2013). Clustering moodle data as a tool for profiling students. 2013 Second International Conference on E-Learning and E-Technologies in Education (ICEEE) (pp. 121-126). doi: 10.1109/ICeLeTE.2013.6644359.
Carmona, C. J., González, P., Jesus, M. J. D., & Ventura, S. (2011). Subgroup discovery in an e-learning usage study based on moodle. Proceedings of the 2011 7th International Conference on Next Generation Web Services Practices, NWeSP 2011. 10.1109/NWeSP.2011.6088221.
Charoentum, B. (1997). Construction of an affective domain observation from in chemistry for mathayom suksa 5 students (Master of Education). Chingmai: Chingmai University. [in Thai]
Comendador, B. E. V., Rabago, L. W., & Tanguilig, B. T. (2016). An educational model based on knowledge discovery in databases (kdd) to predict learner's behavior using classification techniques. 2016 IEEE International Conference on Signal Processing, Communications and Computing (ICSPCC) (pp. 1-6). doi: 10.1109/ICSPCC.2016.7753623.
Conijn, R., Snijders, C., Kleingeld, A., & Matzat, U. (2017). Predicting student performance from LMS data: A comparison of 17 blended courses using moodle LMS. IEEE Transactions on Learning Technologies, 10(1), 17-29.
Massart, F. (2018). Level up! - gamification. Retrieved August 15, 2020, from https://moodle.org/plugins/block_xp
Harvard University, & Massachusetts Institute of Technology. (2016). MOOCs. Retrieved Aug 15, 2020, from http://mooc.org/
Kirakowski, J., & Corbett, M. (1993). SUMI: the Software Usability Measurement Inventory. British Journal of Educational Technology, 24(3), 210-212.
Kularbphettong, K., & Tongsiri, C. (2012). Mining educational data to analyze the student motivation behavior. International Journal of Computer, Electrical, Automation, Control and Information Engineering, 6(8), 1036-1040.
Manne, S., Yelisetti, S., Kakarla, M., & Fatima, S. (2014). Mining VRSEC student learning behaviour in moodle system using datamining techniques. International Conference on Computing and Communication Technologies (pp. 1-7). doi: 10.1109/ICCCT2.2014.7066695.
Namburi, S. (2006). Approaches to ethical assessment supporting learner’s achievement through e-learning system. Journal of Yala Rajabhat University, 1(2), 138-155. [in Thai]
Namburi, S. (2009). Development of system supporting ethical behavior assessment and improvement for learner’s responsibility in electronic learning environment (Doctor dissertation). Bangkok: King Mongkut’s University of Technology North Bangkok. [in Thai]
Nasritha, K., Angskun, J., & Angskun, T. (2020). Factors analysis of affective assessment in electronics education. Suranaree Journal of Social Science, 14(1), 1-24. [in Thai]
Navawongsathien, A. (2009). Assuring quality in e-learning: The challenging of no-boundary learning. Journal of Education Burapha University, 20(3), 47-62. [in Thai]
Phongsiri, W., Jansopha, U., & Puangpronpitag, S. (2014). e-learning log analysis for behavioral scoring. Journal of Science and Technology Mahasarakham University, 10(Special Issue), 121-131. [in Thai]
Promwong, B. (1999). The construction of an affective domain test in Buddhism (S 0113) course for junior secondary school curriculum, B.E. 1978 (Revised Edition 1990) (Master thesis). Maha Sarakham: Mahasarakham University. [in Thai]
Ritcharoon, P. (2017). Principles of measurement and evaluation of education (11th ed). Bangkok: House of Kermist. [in Thai]
Romero, C., González, P., Ventura, S., Jesus, M. J. D., & Herrera, F. (2009). Evolutionary algorithms for subgroup discovery in e-learning: A practical application using moodle data. Expert Systems with Applications, 36(2), 1632-1644.
Ruiz, J. S., Díaz, H. J. P., Ruipérez-Valiente, J. A., Muñoz-Merino, P. J., & Kloos, C. D. (2014). Towards the development of a learning analytics extension in open edX. Proceedings of the Second International Conference on Technological Ecosystems for Enhancing Multiculturality (pp. 299–306). https://doi.org/10.1145/2669711.2669914.
Sisovic, S., Matetic, M., & Bakaric, M. B. (2016). Clustering of imbalanced moodle data for early alert of student failure. 2016 IEEE 14th International Symposium on Applied Machine Intelligence and Informatics (SAMI) (pp. 165-170). doi: 10.1109/SAMI.2016.7423001.
Sulaimany, S., Maghsoudi, B., & Amiri, A. (2011). Improving the performance of e-learning systems using extracted web server log file suggestions. International Journal of Information & Communication Technology Research, 3(1), 67-72.