การทำนายผลสัมฤทธิ์ในการเรียนวิชาสถิติเบื้องต้นของนิสิตปริญญาตรี มหาวิทยาลัยบูรพา ด้วยการวิเคราะห์การจำแนกและข่ายงานระบบประสาท

Prediction of Learning Achievement on Elementary Statistics Course of Burapha University Undergraduate Students by Discriminant Analysis and Neural Networks

Abstract

การทำนายผลสัมฤทธิ์ในการเรียนของวิชาที่เกี่ยวกับการเรียนการสอนในระดับปริญญาตรี เช่น วิชาสถิติเบื้องต้น ของมหาวิทยาลัยบูรพา เป็นงานที่ยากและท้าทายความสามารถ งานวิจัยครั้งนี้จึงมีจุดประสงค์เพื่อทำนายผลสัมฤทธิ์ในการเรียนวิชาสถิติเบื้องต้น ตัวแบบทำนายผลสัมฤทธิ์ในการเรียนพิจารณาจากการลงทะเบียนวิชาสถิติเบื้องต้นของนิสิตระดับปริญญาตรี มหาวิทยาลัยบูรพา ในปีการศึกษา 2553 พบว่าตัวแปรอิสระที่มีความสำคัญในการกำหนดความสำเร็จของนิสิตในการศึกษาครั้งนี้ ได้แก่ เพศ คณะที่นิสิตศึกษา ผลสัมฤทธิ์ในการเรียนวิชาแคลคูลัส การลงทะเบียนเรียนวิชาสถิติเบื้องต้นในภาคเรียนที่ทำการศึกษาเป็นครั้งแรก เกรดเฉลี่ยสะสมของนิสิตก่อนเข้ามหาวิทยาลัย และเกรดเฉลี่ยสะสมปัจจุบันของนิสิต ส่วนตัวแปรตามที่ใช้ทำนายผลสัมฤทธิ์ในการเรียนซึ่งกำหนดโดยการแบ่งกลุ่มนิสิตเป็น 3 กลุ่ม ได้แก่ 1) กลุ่มที่ไม่มีผลสัมฤทธิ์ในการเรียนเป็นนิสิตที่ได้เกรด W และ F 2) กลุ่มเสี่ยงเป็นนิสิตที่ได้เกรด D และ 3) กลุ่มที่มีผลสัมฤทธิ์ในการเรียนเป็นนิสิตที่ได้เกรด A, B+, B, C+, C และ D+ สำหรับการสร้างตัวแบบจะประยุกต์ใช้ทั้งการวิเคราะห์การจำแนกและข่ายงานระบบประสาท โดยการวิเคราะห์การจำแนกเป็นวิธีการที่มีพื้นฐานอยู่บนข้อสมมุติเชิงสถิติ ในขณะที่ข่ายงานระบบประสาทเป็นวิธีการที่ไม่ต้องการข้อสมมุติเชิงสถิติใดๆ ผลการวิจัยพบว่าตัวแบบข่ายงานระบบประสาทสามารถจำแนกประเภทของกลุ่มผลสัมฤทธิ์ในการเรียนได้ดีกว่าการวิเคราะห์การจำแนก ซึ่งเห็นได้จากสัดส่วนความถูกต้องของตัวแบบในการจำแนกของเมทริกซ์ confusion ของข้อมูลทั้งหมดในการสร้างตัวแบบข่ายงานระบบประสาทมีค่าเท่ากับ 76.9% และตัวแบบการวิเคราะห์การจำแนกมีค่าเท่ากับ 67.1% Prediction of learning achievement on any undergraduate educational course is a challenging task as well as the Elementary Statistics course of Burapha University. This study is purposed to predict the learning achievement of Elementary Statistics course. Model to predict learning achievement is considered from Burapha University undergraduate students enrolling of Elementary Statistics course of an academic year 2553. It found that important independent variables in determination of student success in this study are sex, faculty, learning achievement of Calculus course, this enrollment of Elementary Statistics course is whether the first time, high school grade and GPA. For dependent variable in prediction of learning achievement is determined by grouping students into three categories: 1) failure group, students who got grade W and F 2) risk group, students who got grade D and 3) success group, students who got grade A, B+, B, C+, C and D+. Modeling is applied both Discriminant Analysis, based on statistical assumptions, and Neural Networks, does not need any statistical assumption. The result of this research shows Neural Networks model is able to classify the group of learning achievement better than Discriminant Analysis model as seeing from Neural Networks model correction proportion of confusion matrix from test data set is 76.9% versus 67.1% for Discriminant Analysis model.