ปัจจัยที่ส่งผลต่อการมีสภาวะวิกฤตของนักศึกษาคณะวิทยาศาสตร์มหาวิทยาลัยสงขลานครินทร์ วิทยาเขตหาดใหญ่
Article Sidebar
Main Article Content
Abstract
This study aimed to examine the factors influencing academic crisis condition and to develop a forecasting model to predict the probability of first-year students experiencing an academic crisis in the academic year 2023 in the Faculty of Science, Prince of Songkla University, Hat Yai Campus. The sample consisted of 788 first-year students from the Faculty of Science, Prince of Songkla University, Hat Yai Campus. The data were secondary data obtained from the Education and Innovative Learning Academy, Prince of Songkla University. The Chi-Square Test was used to examine the relationships between variables, while Binary Logistic Regression Analysis was employed to develop the forecasting model.
The study results indicated that, based on the Chi-Square test, the factors significantly associated with students' academic status include family status, parental occupation, the TCAS admission round, academic major, and grades in the following courses: Calculus 1 (322-101), General Chemistry 1 (324-101), General Chemistry Laboratory 1 (325-101), Principles of Biology 1 (330-101), Principles of Biology Laboratory 1 (331-101), Basic Physics (332-101), and Basic Physics Laboratory (333-101).
Furthermore, the Binary Logistic Regression analysis identified seven key factors influencing the probability of an academic crisis among first-year students at the Faculty of Science, Prince of Songkla University, Hat Yai Campus. These factors include academic major, grade in 322-101 Calculus 1, grade in 324-101 General Chemistry 1, grade in 330-101 Principles of Biology 1, grade in 331-101 Principles of Biology Laboratory 1, grade in 332-101 Basic Physics, and high school grade point average (GPA). The forecasting model obtained is as follows:
Z = -1.626 + 2.552 (Grade in 332-101 Basic Physics) + 2.520 (Grade in 322-101 Calculus 1) + 2.227 (Grade in 331-101 Fundamental Biology Laboratory 1) + 2.103 (Grade in 330-101 Fundamental Biology 1) + 1.264 (Grade in 324-101 General Chemistry 1) - 0.747 (High School GPA) - 1.238 (Biological Sciences Health Sciences, and Applied Sciences Program) – 0.457 (Computational Science Program)
Article Details
References
โกวิทย์ ปรดิษฐ์ผล, และ ปรีชา วิจิตรธรรมรส. (2559). การศึกษาปัจจัยที่ส่งผลต่อการสำเร็จการศึกษาตามเกณฑ์การศึกษาของนักศึกษาระดับปริญญาโท ด้วยเทคนิคเหมืองข้อมูล กรณีศึกษา สถาบันบัณฑิตพัฒนบริหารศาสตร์. วารสารนานาชาติ มหาวิทยาลัยขอนแก่น สาขามนุษยศาสตร์และสังคมศาสตร์, 6(3), 115-130.
กัลยา วานิชย์บัญชา. (2564). การวิเคราะห์สถิติขั้นสูงด้วย SPSS for Windows(14).จุฬาลงกรณ์มหาวิทยาลัย.
จีระนันต์ เจริญรัตน์. (2559). การวิเคราะห์ปัจจัยที่ส่งผลต่อการพ้นสภาพของนักศึกษาที่มีผลการเรียนปกติโดยใช้ต้นไม้ตัดสินใจ. SNRU Journal of Science and Technology, 3(3), 256-265.
ณัฐธิดา สุวรรณโณ, และ อันธิกา สิงห์เอี่ยม. (2554). การหาปัจจัยที่ส่งผลต่อความเสี่ยงของนักศึกษาเรียนอ่อนด้วยเทคนิคกฎความสัมพันธ์ กรณีศึกษา : มหาวิทยาลัยสงขลานครินทร์. วารสารวิทยาการจัดการ, 28(1), 65-79.
ปรียารัตน์ นาคสุวรรณ์, และ กิดาการ สายธนู. (2555). การทำนายผลสัมฤทธิ์ในการเรียนวิชาสถิติเบื้องต้นของนิสิตปริญญาตรี มหาวิทยาลัยบูรพา ด้วยการวิเคราะห์การจำแนกและข่ายงานระบบประสาท. วารสารวิทยาศาสตร์บูรพา, 17(1), 59-68.
พรรณพิลาศ เย็นสบาย, และ ปณิธี พูนเพชรรัตน์. (2567). การรับรู้สิ่งแวดล้อมการเรียนรู้ของนักศึกษาแพทย์ไทยชั้นคลินิกในโรงพยาบาลสุราษฎร์ธานีภายใต้โครงการผลิตแพทย์เพื่อชาวชนบท. Ramathibodi Medical Journal (RMJ), 47(1), 1-10. doi:10.33165/rmj.2024.47.1.266341
รวีวรรณ งามสันติกุล. (2558) การทำนายผลสัมฤทธิ์ทางการเรียนของนิสิตระดับปริญญาตรี ภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ที่ผ่านการคัดเลือกเข้าศึกษาแบบสอบตรง. วารสารหน่วยวิจัยวิทยาศาสตร์ เทคโนโลยี และสิ่งแวดล้อมเพื่อการเรียนรู้, 6(2), 127–140.
วรางคณา เรียนสุทธิ์. (2560). ตัวแบบพยากรณ์เกรดเฉลี่ยสะสมของนิสิตระดับปริญญาตรี มหาวิทยาลัยทักษิณ. วารสารมหาวิทยาลัยทักษิณ, 20(1), 89-95.
วีณา ภักดีสิริวิชัย, พนิตนาฎ ชํานาญเสือ, กรรณิกา เกตุนิล, และ สิริรดา พรหมสุนทร. (2563). ปัจจัยทํานายผลสัมฤทธิ์ทางการเรียนของนักศึกษาพยาบาลวิทยาลัยนานาชาติเซนต์เทเรซา. วารสารวิทยาลัยพยาบาลพระจอมเกล้า จังหวัดเพชรบุรี, 3(3), 146-155.
สมประสงค์ เสนารัตน์, เบญจมาภรณ์ เสนารัตน์, และ พิสิฐพินิจ สกุล. (2563). ปัจจัยที่ส่งผลต่อเกรดเฉลี่ยสะสมของนักศึกษาครู. วารสารวิจัยและประเมินผลอุบลราชธานี, 9(2), 121-127.
สุจิตรา สุคนธมัต. (2555). การศึกษาปัจจัยที่มีความสัมพันธ์กับผลสัมฤทธิ์ทางการเรียนของนักศึกษาคณะวิทยาศาสตร์สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. วารสารวิทยาศาสตร์ลาดกระบัง, 21(2), 17-32.
อรทัย เจริญสิทธิ์. (2560). การวิเคราะห์การถดถอยโลจิสติกแบบไบนารีสำหรับการวิจัยทางสังคมศาสตร์. วารสารมนุษยศาสตร์และสังคมศาสตร์ มหาวิทยาลัยเอเชียอาคเนย์, 1(2), 1-9.
Perchinunno, P., Bilancia, M., & Vitale, D. (2021). A Statistical Analysis of Factors Affecting Higher Education Dropouts. Social Indicators Research, 342-359. https://doi.org/10.1007/s11205-019-02249-y
Pusztai, G., Fényes, H., & Kovács, K. (2022). Factors Influencing the Chance of Dropout or Being at Risk of Dropout in Higher Education. Education Sciences, 12(11), 2-12. https://doi.org/10.3390/educsci12110804
Suwonjandee, N., Mahachok, T., & Asavapibhop, B. (2018). Evaluation of Thai students and teacher’s attitudes in physics using Colorado Learning Attitudes about Science Survey (CLASS). Journal of Physics: Conference Series, 2-4. doi :10.1088/1742-6596/1144/1/012124
Zewude, B. T., & Ashine, K. M. (2016). Binary Logistic Regression Analysis in Assessment and Identifying Factors That Influence Students' Academic Achievement: The Case of College of Natural and Computational Science, Wolaita Sodo University, Ethiopia. Journal of Education and Practice, 7(25), 3-7.
