การวิเคราะห์พฤติกรรมผู้สมัครเข้าศึกษาต่อระดับปริญญาตรี คณะวิทยาศาสตร์ มหาวิทยาลัยนครพนม โดยใช้เทคนิคเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยครั้งนี้มีวัตถุประสงค์เพื่อวิเคราะห์พฤติกรรมของผู้สมัครเข้าศึกษาต่อในระดับปริญญาตรีของคณะวิทยาศาสตร์ มหาวิทยาลัยนครพนม โดยใช้เทคนิคการทำเหมืองข้อมูลด้วยกฎการหาความสัมพันธ์ (Association Rules) วิธีอัลกอริทึมอพริโอริ (Apriori Algorithm) การวิจัยนี้เป็นงานวิจัยเชิงปริมาณ ใช้ข้อมูลผู้สมัครทั้งหมด 1,788 รายการ ในระบบการคัดเลือกกลางบุคคลเข้าศึกษาในสถาบันอุดมศึกษา (TCAS) ตั้งแต่ปีการศึกษา 2564 - 2567 เครื่องมือที่ใช้ในการวิจัย คือ ชุดสถิติที่ใช้ในการวิเคราะห์ข้อมูลด้วยกฎการหาความสัมพันธ์ วิธีอัลกอริทึมอพริโอริ ในการค้นหารูปแบบความสัมพันธ์ โดยกำหนดค่าสนับสนุนต่ำสุด (min-Support) เท่ากับ 0.03 ค่าความเชื่อมั่นต่ำสุด (Minimum Confidence) เท่ากับ 0.95 และค่าความสอดคล้อง (Lift) มากกว่า 1 เพื่อให้ได้กฎความสัมพันธ์ที่มีความน่าเชื่อถือสูง ผลการวิจัยพบว่า สามารถสร้างกฎความสัมพันธ์ที่สอดคล้องตามเงื่อนไขได้ทั้งหมด 15 กฎ โดยแต่ละกฎสามารถสะท้อนพฤติกรรมการเลือกสาขาวิชาที่แตกต่างกัน เช่น ผู้สมัครเพศหญิงที่มีผลการเรียนและมีคะแนนวิชาชีววิทยาที่ระดับสูงจะเลือกสมัครในสาขาชีววิทยาในรอบรับตรงร่วมกัน ผู้สมัครที่มีคะแนนวิชาคณิตศาสตร์ระดับสูงมักเลือกสมัครในสาขาวิชาคณิตศาสตร์ในรอบโควตา ผู้สมัครจากโรงเรียนในพื้นที่เขตสนุกที่มีผลการเรียนเฉลี่ยระดับสูง มักจะมีแนวโน้มเลือกสมัครในรอบโควตา และผู้ที่เลือกสาขาวิชาเคมีและสาขาวิชาฟิสิกส์มักจะเลือกสมัครในรอบรับตรงร่วมกัน หรือรอบรับตรงอิสระ ซึ่งสะท้อนให้เห็นถึงรูปแบบพฤติกรรมของผู้สมัครเข้าศึกษาต่อในระดับปริญญาตรีที่แตกต่างกัน และผลการวิจัยนี้ยังสามารถนำไปใช้ในการกำหนดกลยุทธ์ประชาสัมพันธ์เชิงรุก ใช้ในการปรับปรุงหลักสูตรให้สอดคล้องกับศักยภาพนักศึกษาและการวางนโยบายการรับนักศึกษาในอนาคตอย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
งานทะเบียนและประมวลผลการศึกษา มหาวิทยาลัยนครพนม. (2567). รายงานข้อมูลการรับสมัครนักศึกษาระดับปริญญาตรี ปีการศึกษา 2567. นครพนม: มหาวิทยาลัยนครพนม.
ตรีนุช ไพชยนต์วิจิตร และอัครนัย ขวัญอยู่. (2564). ผลกระทบทางเศรษฐกิจจากสถานการณ์โควิด -19 ต่อหลักสูตรนานาชาติในระดับอุดมศึกษาของไทย. วารสารธรรมศาสตร์, 40(3), 114-13.
รุจิโรจน์ ฮิโรเซะ และคณะ. (2564). การวิเคราะห์พฤติกรรมที่มีผลต่อการซื้อผลิตภัณฑ์น้ำมันมะพร้าวในจังหวัดประจวบคีรีขันธ์ โดยใช้เทคนิคเหมืองข้อมูล. Rattanakosin Journal of Science and Technology, 2(3), 26-46.
สุธารัตน์ ชาวนาฟาง. (2568). การพยากรณ์แนวโน้มการเลือกสาขาของผู้สมัครเข้าศึกษาต่อระดับปริญญาตรีโดยใช้เทคนิคเหมืองข้อมูล. Information Technology Journal KMUTNB, 21(1), 1-11.
สุรวีร์ เพียรเพชรเลิศ. (2566). เหมืองข้อมูลกับการประยุกต์ใช้ด้านการศึกษา. Journal of Modern Learning Development, 8(8), 492-504.
โอม ศรนิล. (2556). การออกแบบและพัฒนาคลังข้อมูล. กรุงเทพมหานคร: บางกอกบล๊อก.
Adekitan, A. I. & Noma-Osaghae, E. (2019). Data mining approach to predicting the performance of first year students in a university using the admission requirements. Education and Information Technologies, 24(2), 1527-1543.
Agrawal, R. & Srikant, R. (1994). Fast algorithms for mining association rules. In Proceedings of the 20th International Conference on Very Large Data Bases (VLDB ’94). Morgan Kaufmann.
Bandura, A. (1997). Self-efficacy: The exercise of control. New York: W. H. Freeman.
Bharadwaj, B. K. & Pal, S. (2011). Data mining: A prediction for performance improvement using classification. International Journal of Computer Science and Information Security (IJCSIS), 9(4), 136-140.
Brin, S. et al. (1997). Dynamic itemset counting and implication rules for market- basket data analysis. ACM SIGMOD Record, 26(2), 255-264.
Ceci, S. J. et al. (2014). Women in academic science: Achanging landscape. Psychological Science in the Public Interest, 15(3), 75-141.
Coleman, J. S. (1988). Social capital in the creation of human capital. American Journal of Sociology, 94(S1), S95-S120.
Eccles, J. S. & Wigfield, A. (2002). Motivational beliefs, values, and goals. Annual Review of Psychology, 53(1), 109-132.
Liu, B. et al. (1998). Integrating classification and association rule mining. In Proceedings of the 4th International Conference on Knowledge Discovery and Data Mining. AAAI Press.
Liu, G. et al. (2011). Controlling false positives in association rule mining. Proceedings of the VLDB Endowment, 5(2), 145-156.
Marsh, H. W. & Shavelson, R. (1985). Self-concept: Its multifaceted, hierarchical structure. Educational Psychologist, 20(3), 107-123.
Romero, C. & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355. DOI: https://url.in.th/UFcBQ
Tan, P.-N. (2006). Introduction to data mining. Boston: Pearson Addison-Wesley.
Wang, M. T. & Degol, J. L. (2013). Motivational pathways to STEM career choices: Using expectancy-value perspective. Developmental Review, 33(4), 304-340.
Zaki, M. J. & Meira, W. Jr. (2014). Data mining and analysis: Fundamental concepts and algorithms. Cambridge: Cambridge University Press.
