การวิเคราะห์ปัจจัยที่ส่งผลต่อผลการเรียนของบัณฑิตสาขาวิชาวิทยาการคอมพิวเตอร์ โดยใช้ชุดข้อมูลที่ไม่สมดุล
คำสำคัญ:
ชุดข้อมูลที่ไม่สมดุล, เทคนิคการสังเคราะห์ข้อมูลเพิ่ม, วิเคราะห์ข้อมูลบทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์ 1) เพื่อค้นหารายวิชาที่ส่งผลต่อผลการเรียนตลอดหลักสูตรของบัณฑิตสาขาวิทยาการคอมพิวเตอร์ มหาวิทยาลัยราชภัฏอุบลราชธานี และ 2) เพื่อนำผลจากการวิจัยไปใช้เป็นแนวทางในการปรับปรุงหลักสูตร
และกระบวนการจัดการเรียนการสอนในรายวิชาที่ส่งผลต่อผลการเรียน ข้อมูลที่ใช้เป็นข้อมูลทุติยภูมิจากฐานข้อมูลระบบทะเบียนมหาวิทยาลัยราชภัฏอุบลราชธานี โดยเป็นข้อมูลการลงทะเบียนเรียนของนักศึกษาสาขาวิทยาการคอมพิวเตอร์
จำนวนทั้งสิ้น 399 คน ในช่วงปีการศึกษา 2558 ถึง 2562 จำนวน 6,435 รายการ ทำการคัดเลือกและปรับสมดุลข้อมูล
ด้วยวิธีการ ADASYN ได้ข้อมูลการลงทะเบียนทั้งสิ้น 266 คน และรายวิชาที่เกี่ยวข้อง 19 รายวิชา ทำการคัดเลือกรายวิชา
ด้วย Recursive Feature Elimination
ผลการวิจัยพบว่า มี 9 รายวิชาที่มีผลต่อผลการเรียนและระบุลำดับด้วย Univariate Selection และ Feature Importance พบว่ารายวิชาการออกแบบและวิเคราะห์ขั้นตอนวิธี เป็นรายวิชาที่มีความสำคัญเป็นลำดับแรกที่ส่งผลต่อผล การเรียน โดยนักศึกษาที่ได้ระดับคะแนนสูงในรายวิชานี้จะมีผลการเรียนในภาพรวมที่สูงด้วย
เอกสารอ้างอิง
Alyahyan, E. and Dustegor, D. (2020). Predicting Academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17(1), 1-22.
Ashfaq, U., Booma, P. M. and Mafas, R. (2020). Managing Student Performance: A Predictive Analytics using Imbalanced Data. International Journal of Recent Technology and Engineering (IJRTE), 8(6), 2277-2283.
Asif, R. (2015). Predicting Student Academic Performance at Degree Level: A Case Study. International Journal of Intelligent Systems and Applications, 01, 49-61.
Howard, J. S. (2018). Experimental Design and Analysis. Department of Statistics and Data Science, Carnegie Mellon University.
Jaidee, W. and Wannapee, N. (2020). The Study of Factors Affecting for On-time Graduation of Ungraduated Student Using Feature Selection Technique on Imbalanced Datasets. Journal of Information Science and Technology, 10(1), 75-84.
Jaidee, W. (2019). A Predictive Model for On-time Graduation Using SMOTE Technique and Ensemble Model on Imbalanced Datasets for Graduation Data. Proceeding of 12th RMUTTO Research Conference, 325-335.
Maheshwari, S., Agrawal, J. and Sharma, S. (2011). A New approach for Classification of Highly Imbalanced Datasets using Evolutionary Algorithms. International Journal of Scientific & Engineering Research, 2(7), 1-5.
Mythili, M.S. and Shanavas, A.R.M. (2014). An Analysis of students’ performance using classification algorithms. IOSR Journal of Computer Engineering (IOSR-JCE), 16(1), 63-69.
Rawengwan, P. (2017). A model for forecasting educational status of students. Proceeding of the National and International Graduate Research Conference, Khon Kaen University, 273-283.
Sales, A. Balby, L. and Cajueiro, A. (2016). Exploiting Academic Records for Predicting Student Drop Out:
a case study in Brazilian higher education. Journal of Information and Data Management,
(2), 166–180.
Vikas, C. Raykar, B. and Saha, A. (2015). Data Split Strategies for Evolving Predictive Models. European Conference, ECML PKDD 2015, Porto, Portugal, September 7-11, 2015, Proceedings, Part I, 3-19.
Zheng, Z., Cai, Y. and Li, Y. (2015). Oversampling Method for Imbalanced Classification. Computing and Informatics, 34, 1017-1037.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2022 มหาวิทยาลัยราชภัฏร้อยเอ็ด
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารมหาวิทยาลัยราชภัฎร้อยเอ็ด
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยราชภัฎร้อยเอ็ด และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
