การพัฒนาระบบสนับสนุนการทำนายการยืนยันสิทธิ์เข้าศึกษาด้วยการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก กรณีศึกษาคณะวิทยาศาสตร์ มหาวิทยาลัยอุบลราชธานี
Article Sidebar
Main Article Content
บทคัดย่อ
กระบวนการคัดเลือกและยืนยันสิทธิ์เข้าศึกษาในสถาบันอุดมศึกษามีความสำคัญ และการบริหารจัดการข้อมูลการยืนยันสิทธิ์ที่ขาดประสิทธิภาพส่งผลต่อการวางแผนรับนักศึกษา งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อ 1) ออกแบบและพัฒนาระบบสนับสนุนการทำนายการยืนยันสิทธิ์เข้าศึกษาต่อ และ 2) ประเมินประสิทธิผลของระบบสนับสนุนการทำนายการยืนยันสิทธิ์เข้าศึกษาต่อ ระบบที่พัฒนาขึ้นได้ประยุกต์ใช้แบบจำลองการเรียนรู้เชิงลึก โดยเลือกใช้แบบจำลองโครงข่ายประสาทเทียมแบบคอนโวลูชัน และถูกฝึกสอนด้วยข้อมูลการรับเข้าศึกษาของนักศึกษาคณะวิทยาศาสตร์ มหาวิทยาลัยอุบลราชธานี ในปีการศึกษา 2561–2564 การประเมินประสิทธิผลของระบบเก็บข้อมูลจากกลุ่มตัวอย่างแบบเจาะจง คือ อาจารย์ 15 ท่าน และเจ้าหน้าที่งานรับเข้า 5 ท่าน โดยใช้แบบประเมินความพึงพอใจ ผลการวิจัย พบว่า ระบบที่พัฒนาขึ้นมี 7 กระบวนการทำงานหลัก ได้แก่ 1) การดูรายงานภาพรวม 2) การดูรายงานแยกตามโรงเรียน 3) การดูรายงานแยกตามสิทธิ์ 4) การทำนายรายบุคคล 5) การทำนายโดยใช้ไฟล์ข้อมูล
6) การจัดการผู้ใช้ และ 7) การจัดการข้อมูลนักเรียน และได้รับคะแนนความพึงพอใจจากผู้ใช้งานอยู่ในระดับมาก ( = 4.49, SD = 0.48) อย่างไรก็ดี งานวิจัยนี้มีข้อจำกัดด้านแบบจำลองที่นำมาใช้ซึ่งมีค่า
ความถูกต้อง (Accuracy) ในการทำนายอยู่ที่ร้อยละ 63.27 และกลุ่มตัวอย่างผู้ประเมินที่มีขนาดเล็ก แม้จะมีข้อจำกัดดังกล่าว ระบบที่พัฒนาขึ้นนี้ยังคงเป็นเครื่องมือที่มีประโยชน์ในการสนับสนุนการตัดสินใจและ
วางแผนการรับนักศึกษาเชิงรุกสำหรับคณะวิทยาศาสตร์ได้อย่างมีประสิทธิภาพ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution 4.0 International License.
##default.contextSettings.thaijo.licenseTerms##เอกสารอ้างอิง
กองบริการการศึกษา มหาวิทยาลัยอุบลราชธานี. (ม.ป.ป.). ระเบียบการรับสมัครคัดเลือกบุคคลเข้าศึกษา. สืบค้นจาก https://www.ubu.ac.th/web/academic/content/ระเบียบการรับสมัครคัดเลือกบุคคลเข้าศึกษา%20/
ชาลิสา จิตบุญญาพินิจ, ปราลี มณีรัตน์, และนิเวศ จิระวิชิตชัย. (2565). การพัฒนาแบบจําลองการวิเคราะห์ความรู้สึกบนสื่อสังคมออนไลน์ไทย โดยใช้เทคนิคการเรียนรู้เชิงลึก. วารสารวิทยาศาสตร์และเทคโนโลยี หัวเฉียวเฉลิมพระเกียรติ, 8(2), 8-18.
ธนพร คล้ายทอง, และชุติพนธ์ ศรีสวัสดิ์. (2566). การพยากรณ์การตกออกของนักศึกษาระดับปริญญาตรี มหาวิทยาลัยราชภัฏพิบูลสงคราม ด้วยเทคนิคเหมืองข้อมูล. วารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์, 5(1), 1-17.
นพรัตน์ ประทุมนอก, ชัยอนันต์ กิจชัยรัตน์, สราวุฒิ อุบลหอม, และกิตติศักดิ์ สิงห์สูงเนิน. (2565). การพัฒนาแอปพลิเคชันตรวจสอบการเข้าร่วมกิจกรรมด้วยแพลตฟอร์มแอปชีต. นวัตกรรมทางวิทยาศาสตร์และเทคโนโลยี, 3(2), 17-28.
พัทธดนย์ จัยสิน, สุภาวดี หิรัญพงศ์สิน, และไพชยนต์ คงไชย. (2567). วิธีทำนายการยืนยันสิทธิ์เข้าศึกษาต่อของนักศึกษามหาวิทยาลัยด้วยการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก. วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา, 7(1), 10-20.
พิมพา ชีวาประกอบกิจ. (2562). การปรับปรุงประสิทธิภาพในการจำแนกภาพด้วยโครงข่ายประสาทแบบคอนโวลูชันโดยใช้เทคนิคการเพิ่มภาพ. วารสารวิศวกรรมศาสตร์และเทคโนโลยีดิจิทัล, 7(1), 59-64.
ไพชยนต์ คงไชย, สุภาวดี หิรัญพงศ์สิน, และณัฏฐ์ ดิษเจริญ. (2567). การสร้างตัวแบบทำนายการยืนยันสิทธิ์เข้าศึกษาของนักศึกษาใหม่ในระดับมหาวิทยาลัยช่วงสถานการณ์แพร่ระบาดของโควิด-19 กรณีศึกษา คณะวิทยาศาสตร์ มหาวิทยาลัยอุบลราชธานี. วารสารวิชาการพระจอมเกล้าพระนครเหนือ, 34(2), 1-10.
สุกัญญา อะหลี, และคอซีหม๊ะ มาแมง. (2567). ปัจจัยที่ส่งผลต่อการตัดสินใจยืนยันสิทธิ์เข้าศึกษาระดับปริญญาตรี ในหลักสูตรวิทยาศาสตรบัณฑิต สาขาเกษตรศาสตร์และนวัตกรรม มหาวิทยาลัยวลัยลักษณ์ ภายใต้ระบบทีแคส ระหว่างปีการศึกษา 2563 - 2565. Science, Technology, and Social Sciences Procedia, 2024(2), NCR2R1.
สุริยันต์ บุญเลิศวรกุล, และนงลักษณ์ เกตุบุตร. (2562). ปัจจัยที่ส่งผลต่อการตัดสินใจเลือกยืนยันสิทธิ์เข้าศึกษาระดับปริญญาตรี ในมหาวิทยาลัยสงขลานครินทร์ วิทยาเขตตรัง ภายใต้ระบบทีแคส (TCAS). วารสารวิชาการ ปขมท, 8(3), 54-62.
เอกวิจัย เมยไธสง, ฉวีวรรณ สีสม, และสุเทพ เมยไธสง. (2565). การพยากรณ์ผลการเรียนเพื่อวางแผนการลงทะเบียนเรียนของนักศึกษา สาขาวิชาวิทยาศาสตร์การกีฬาโดยใช้วิธีการเรียนรู้ของเครื่อง. วารสารพุทธปรัชญาวิวัฒน์, 6(2), 329-340.
Bhandari, P. & Nikolopoulou, K. (2023). What Is a Likert Scale? | Guide & Examples. Scribbr. Retrieved from https://www.scribbr.com/methodology/likert-scale/
Jitboonyapinit, C., Maneerat, P., & Chirawichitchai, N. (2023). Sentiment Analysis on Thai Social Media Using Convolutional Neural Networks and Long Short-Term Memory. International Scientific Journal of Engineering and Technology, 7(1), 74-80.
Kurniasari, L., & Setyanto, A. (2020). Sentiment Analysis using Recurrent Neural Network-LSTM in Bahasa Indonesia. Journal of Engineering Science and Technology, 15(5), 3242-3256.
Mahadevaswamy, U. B., & Swathi, P. (2023). Sentiment Analysis using Bidirectional LSTM Network. Procedia Computer Science, 218(2023), 45-56.
