การสร้างตัวแบบเพื่อทำนายผลสัมฤทธิ์ทางการศึกษาจากพฤติกรรมการใช้สมาร์ตโฟนด้วยเทคนิคการทำเหมืองข้อมูลA Construction Model for Predicting Student’s Academic Achievement by Smartphone Usage Behaviors Using Data Mining Techniques

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบด้วยเทคนิคการทำเหมืองข้อมูลเพื่อนำมาใช้ในการทำนายผลสัมฤทธิ์ทางการศึกษาของนักศึกษาในหลักสูตรคอมพิวเตอร์จากพฤติกรรมการใช้สมาร์ทโฟน สำหรับการเก็บรวบรวมข้อมูลตัวอย่างใช้แบบสอบถามแบบออนไลน์เพื่อเก็บข้อมูลจากนักศึกษาระดับปริญญาตรี หลักสูตรทางคอมพิวเตอร์ จากมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ วิทยาเขตปราจีนบุรี และมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี จำนวนทั้งสิ้น 623 ตัวอย่าง และ 19 ปัจจัย ซึ่งชุดข้อมูลที่ได้เป็นชุดข้อมูลที่มีจำนวนตัวอย่างในแต่ละคลาสไม่สมดุลกัน ดังนั้นผู้วิจัยจึงเลือกเพิ่มข้อมูลตัวอย่างในคลาสน้อยด้วยขั้นตอนวิธี SMOTE และเปรียบเทียบประสิทธิภาพการจำแนกข้อมูลเพื่อสร้างตัวแบบทั้งสิ้น 5 ขั้นตอนวิธีประกอบไปด้วย ขั้นตอนวิธีต้นไม้ตัดสินใจ ขั้นตอนวิธีเพื่อนบ้านใกล้เคียง ขั้นตอนวิธีโครงข่ายประสาทเทียมแบบหลายชั้น ขั้นตอนวิธีการเรียนรู้แบบเบย์อย่างง่าย และ ขั้นตอนวิธีการสุ่มป่าไม้ โดยใช้เกณฑ์ในการประเมินประสิทธิภาพตัวแบบ 4 ตัว คือ ค่าความถูกต้อง ค่าความแม่นยำ ค่าความระลึก และค่าประสิทธิภาพ ซึ่งผลการทดลองพบว่า ขั้นตอนวิธีการสุ่มป่าไม้ มีความสามารถในการเรียนรู้ได้แม่นยำกว่าขั้นตอนวิธีอื่น ๆ ในทุกเกณฑ์ที่วัดประสิทธิภาพบนชุดข้อมูลได้ถูกปรับจำนวนตัวอย่างเรียบร้อยแล้ว โดยมีค่าความถูกต้องเท่ากับร้อยละ 78.04 นอกจากนั้นจากการศึกษาพบว่าปัจจัยพฤติกรรมส่วนบุคคลและพฤติกรรมการเล่นสมาร์ทโฟนที่ต่างกันจะมีผลต่อผลสัมฤทธิ์ทางการเรียนที่แตกต่างกันด้วย

The research aims to develop a model using data mining techniques in order to predict students’ academic achievement by smartphone usage behaviors. Data collection was carried out through an online survey. The samples contain undergraduate students undertaking Computer Science subjects from these institutions: King Mongkut’s University of Technology North Bangkok, Prachinburi Campus and Rajamangala University of Technology Thanyaburi. This dataset contains 623 instances and 19 attributes, which is considered an imbalanced dataset. Therefore, we generated synthetic instances of the minority class using the SMOTE algorithm. The performance comparison of five classifications was conducted to build the model. The feature sets comprise Decision Trees, K-nearest Neighbor, Naïve Bayes, Multi-layer Perceptron and Randomforest using four performances, including Accuracy, Precision, Recall, and F-measure. The result showed that Randomforest obtained the highest values among all measures on balanced dataset. It obtained the accuracy of 78.04%. Moreover, the study results showed that different individual factors and smartphone usage behaviors significantly affect different levels of student achievement.