แบบจำลองการเรียนรู้ผลการสอบภาษาอังกฤษโดยเทคนิคการจัดกลุ่ม K-means ของนักศึกษามหาลัยราชภัฏอุดรธานี

นางสาวนัยรัตน์ ปิ่นคำ

สาขาวิทยาการข้อมูลและเทคโนโลยีสารสนเทศ มหาวิทยาลัยราชภัฏอุดรธานี

ผู้ช่วยศาสตราจารย์อรอนงค์ ทองหล่อ ทะกอง

สำนักวิชาศึกษาทั่วไป มหาวิทยาลัยราชภัฏอุดรธานี

อาจารย์ชลิดา เสน่ห์เมือง

ศูนย์ภาษา สำนักวิทยบริการและเทคโนโลยีสารสนเทศ

อาจารย์ ดร.มงคล ทะกอง

ศูนย์วิเคราะห์ข้อมูลและปัญญาประดิษฐ์ มหาวิทยาลัยราชภัฏอุดรธานี

คำสำคัญ

การจัดกลุ่มเคมีน, การเรียนรู้เครื่องจักร, ทักษะภาษาอังกฤษ

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการเรียนรู้การจัดกลุ่มของนักศึกษามหาลัยราชภัฏอุดรธานีด้วยวิธีการเทคนิค K-Means ภายใต้เงื่อนไขของการนำผลสัมฤทธิ์การสอบวัดผลทักษะภาษาอังกฤษ ประกอบด้วย ทักษะด้านการอ่าน ทักษะการฟัง และทักษะการใช้ไวยากรณ์ จากโปรแกรม English Discoveries ของนักศึกษามหาวิทยาลัยราชภัฏอุดรธานี ปีการศึกษา พ.ศ. 2560 - 2562 ของทั้งหมด 7 คณะ จำนวนข้อมูล 3,596 รายการ ผลการศึกษาพบว่าแบบจำลองสามารถจัดกลุ่มนักศึกษาที่มีระดับคะแนนใกล้เคียงและจำนวนกลุ่มที่เหมาะสม เท่ากับ 8 กลุ่ม และทดสอบประสิทธิภาพของแบบจำลองการวัดคุณภาพของการจัดกลุ่มที่เหมาะสมด้วยวิธี Davies-Bouldin Index ซึ่งทำให้ผู้วิจัยเข้าใจศักยภาพทักษะภาษาอังกฤษของนักศึกษาแต่ละคณะ เพื่อนำไปสู่การจัดเตรียมโครงการที่เหมาะสมต่อการส่งเสริมการเรียนรู้พัฒนาหลักสูตรทักษะภาษาอังกฤษของนักศึกษาอย่างมีประสิทธิภาพต่อไป

reference

[1] พรนภา ชุมเชื้อ. (2562). การใช้เทคนิคการจัดกลุ่มร่วมกับเทคนิคการจ าแนกประเภทส าหรับ การคัดกรองเด็กที่มีความบกพร่องทางการเรียนรู้จากบริบทพฤติกรรม. วิทยานิพนธ์ปริญญา วิทยาศาสตรมหาบัณฑิต, สาขาวิชาเทคโนโลยีสารสนเทศ, มหาวิทยาลัยทักษิณ.
[2] ปริญญา สงวนสัตย์. (2562). Artificial intelligence with machine learning AI สร้ำง ได้ด้วยแมชชีนเสิร์นนิ่ง, นนทบุรี: ไอดีซีพรีเมียร์.
[3] สุวพัชร จันทร์ไมตรีและศักดิ์ชาย ตั้งวรรณวิทย์. (2565). การวิเคราะห์ข้อมูลการขาย ผลิตภัณฑ์ให้แสงสว่างโดยใช้เทคนิคการจัดกลุ่ม. The Eighteenth National Conference on Computing and Information Technology NCCIT2022 ค รั้งที่ 18, หน้ า 152- 157. กาญจนบุรี: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ.
[4] ณรรฐคุณ วิรุฬห์ศรีลัทธพล โชครัตน์ประภา ณัฐณิชา ศรีสมาน, และพรทิพย์ เดชพิชัย. (2565). การวิเคราะห์แบ่งกลุ่มลูกค้าโดยใช้พฤติกรรมการซื้อเชิงลึก : กรณีศึกษาบริษัทผู้ผลิต อาหารสัตว์เลี้ยงแห่งหนึ่ง. วำรสำรวิทยำศำสตร์ลำดกระบัง, 31(1), 103 – 119.
[5] Ikotun, A.M., Ezugwu, A.E., Abualigah, L., Abuhaija, B. and Heming. A. (2023). Kmeans clustering algorithms: A comprehensive review,variants analysis, and advances in the era of big data. Information Sciences, 622, 178–210.
[6] Angelo, L., Alberto, C. and Lucio, L. (2022). k-Means Clusterization and Machine Learning Prediction of European Most Cited Scientific Publications. Retrieved from https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4195846.
[7] Wijaya,Y.A.,Kurniady, D.A., Wahdan Sanur Tarihoran, E.S., Rusmana, D. and Rahim, R. (2021). Davies Bouldin Index Algorithm for Optimizing Clustering Case Studies Mapping School Facilities. TEM Journal, 10(3), 1099‐1103.
[8] สุทธิพงศ์ผ่องแผ้ว. (2561). กำรศึกษำกระบวนกำรแบ่งกลุ่มเมล็ดพันธุ์ด้วยข้อมูลโครงสร้ำง ของเมล็ด. สารนิพนธ์วิทยาศาสตรมหาบัณฑิต. สาขาวิชาเทคโนโลยีสารสนเทศ คณะ วิทยาศาสตร์. มหาวิทยาลัยศรีนครินทรวิโรฒ.
[9] นางสาวส ุชาวดีปลั ่งศรี. (2562). กำรจัดกลุ ่มขนำดผลิตภัณฑ์โดยกำรใช้K-means Clustering เพื่อลดต้นทุนบรรจุภัณฑ์. วิทยานิพนธ์วิศวกรรมอุตสาหการและการจัดการ บัณฑิต., วิทยาลัยมหาวิทยาลัยศิลปากร.
[10] Baser, P. and Saini, J.R. (2014). An Optimum Cluster Size Identification for kMeans using Validity Index for Stock Market Data. International Journal of Data Mining and Emerging Technologies, 4(2), 107-110.
[11] Thomas, J.C.R., Peñas, M.S. and Mora, M. (2013). New Version of Davies-Bouldin Index for Clustering Validation Based on Cylindrical Distance. In Proceedings of 32nd International Conference of the Chilean Computer Science Society (SCCC), pp 49 – 53. Temuco, Chile: IEEE.

ดาวน์โหลด PDF