การพัฒนาตัวแบบทำนายทักษะการคิดเชิงคำนวณของนักเรียนชั้นมัธยมศึกษาตอนต้นโดยใช้เทคนิคแมชชีนเลิร์นนิง
Article Sidebar
Main Article Content
บทคัดย่อ
ผลการเรียนจัดเป็นข้อมูลขนาดใหญ่และงานวิจัยด้านการทำนายผลสัมฤทธิ์ทางการเรียนของนักเรียนในระดับชั้นมัธยมศึกษาต้อนต้นยังมีไม่มาก งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบทำนายทักษะการคิดเชิงคำนวณของนักเรียนโดยใช้เทคนิคแมชชีนเลิร์นนิง และเพื่อเปรียบเทียบประสิทธิภาพของตัวแบบทำนายทักษะการคิดเชิงคำนวณ การพัฒนาตัวแบบทำนายใช้ชุดข้อมูลฝึกตัวแบบ จำนวน 143 ระเบียนของนักเรียนชั้นมัธยมศึกษาตอนต้นของโรงเรียนแห่งหนึ่งในจังหวัดสุราษฎร์ธานี ข้อมูลผลการเรียนรายวิชาพื้นฐาน จำนวน 10 รายวิชาเป็นตัวแปรต้นและระดับทักษะการคิดเชิงคำนวณเป็นตัวแปรทำนาย งานวิจัยนี้เลือกประยุกต์ใช้กรอบร่างการทำเหมืองข้อมูลแบบคริสป์-ดีเอ็มเพื่อพัฒนาตัวแบบทำนายโดยใช้เทคนิคแมชชีนเลิร์นนิง 3 รูปแบบคือ เทคนิคนาอีฟเบย์ เทคนิคต้นไม้ตัดสินใจและเทคนิคเพื่อนบ้านใกล้สุด และตรวจสอบความสมเหตุสมผลของตัวแบบโดยใช้วิธีการตรวจสอบแบบไขว้ ผลการพัฒนาตัวแบบทำนายทักษะการคิดเชิงคำนวณพบว่า ตัวแบบทำนายที่พัฒนาจากเทคนิคนาอีฟเบย์ เทคนิคต้นไม้ตัดสินใจ เทคนิคเพื่อนบ้านใกล้สุดมีค่าความถูกต้อง เท่ากับ 60.05% 74.95% และ 68.48% ตามลำดับ ผลการเปรียบเทียบประสิทธิภาพของตัวแบบทำนายทักษะการคิดเชิงคำนวณพบว่า ตัวแบบทำนายที่พัฒนาจากเทคนิคต้นไม้ตัดสินใจสามารถทำนายผลระดับทักษะการคิดเชิงคำนวณได้อย่างมีประสิทธิภาพสูงที่สุดจาก 3 ตัวแบบ
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
หากผู้เสนอบทความมีความจำเป็นเร่งด่วนในการตีพิมพ์โปรดส่งลงตีพิมพ์ในวารสารฉบับอื่นแทน โดยกองบรรณาธิการจะไม่รับบทความหากผู้เสนอบทความไม่ปฏิบัติตามเงื่อนไขและขั้นตอนที่กำหนดอย่างเคร่งครัด ข้อมูลของเนื้อหาในบทความถือเป็นลิขสิทธิ์ของ Journal of Inclusive and Innovative Education คณะศึกษาศาสตร์ มหาวิทยาลัยเชียงใหม่
References
Abu Saa, A., Al-Emran, M., & Shaalan, K. (2019). Factors affecting students’ performance in higher education: a systematic review of predictive data mining techniques. Technology, Knowledge and Learning, 24(4), 1-32.
Al-Barrak, M. A., & Al-Razgan, M. (2016). Predicting students final GPA using decision trees: a case study. International Journal of Information and Education Technology, 6(7), 528-533.
Ashraf, A., Anwer, S., & Khan, M. G. (2018). A Comparative study of predicting student’s performance by use of data mining techniques. American Academic Scientific Research Journal for Engineering, Technology, and Sciences, 44(1), 122-136.
Badr, G., Algobail, A., Almutairi, H., & Almutery, M. (2016). Predicting students’ performance in university courses: a case study and tool in KSU mathematics department. Procedia Computer Science, 82, 80-89.
Bakhshinategh, B., Zaiane, O. R., ElAtia, S., & Ipperciel, D. (2018). Educational data mining applications
and tasks: a survey of the last 10 years. Education and Information Technologies, 23(1), 537-553.
Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: what is Involved and what is
the role of the computer science education community?. Acm Inroads, 2(1), 48-54.
Bergin, S., & Reilly, R. (2006). Predicting introductory programming performance: A multi-institutional multivariate study. Computer Science Education, 16(4), 303-323.
Brennan, K., & Resnick, M. (2012). New frameworks for studying and assessing the development of computational thinking. In the 2012 Annual Meeting of the American Educational Research Association, Vancouver. Cannada: The American Educational Research Association.
Buitrago-Flórez, F., Danies, G., Tabima, J., Restrepo, S., & Hernández, C. (2020). Designing a socio-cultural approach for teaching and learning computational thinking. Nordic Journal of Digital Literacy, 15(2), 106-124.
ElGamal, A. (2013). An educational data mining model for predicting student performance in programming course. International Journal of Computer Applications, 70(17), 22-28.
Fernandes, E., Holanda, M., Victorino, M., Borges, V., Carvalho, R., & Van Erven, G. (2019). Educational data mining: Predictive analysis of academic performance of public school students in the capital of Brazil. Journal of Business Research, 94, 335-343.
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2 ed.). Sebastopol, CA: O'Reilly Media.
Grover, S., & Pea, R. (2013). Computational thinking in K–12: A review of the state of the field. Educational researcher, 42(1), 38-43.
Harvey, J. L., & Kumar, S. A. (2019). A practical model for educators to predict student performance in K-12 education using machine learning. In 2019 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 3004-3011). China: Xiamen University.
Institute for the Promotion of Teaching Science and Technology. (2018). Teacher's manual of fundamentals of science and technology (computing science) at primary and secondary levels. Retrieved from http://oho.ipst.ac.th/cs-curriculum-teacher-guide. [in Thai]
Janchum, N.,Cheewaviriyanon, C. (2022). Using data mining techniques to develop a model for scratch programming assessment. Information Teachnology Journal, 18(1), 96-105. [in Thai]
Lawanto, K., Close, K., Ames, C., & Brasiel, S. (2017). Exploring strengths and weaknesses in middle school students’ computational thinking In: Rich, P., Hodges, C. (eds) Emerging research, practice, and policy on xomputational thinking (pp. 307-326). Cham: Springer.
Moreno-León, J., & Robles, G. (2015). Analyze your Scratch projects with Dr. Scratch and assess your computational thinking skills. In the 7th international Scratch conference (pp. 48-53). Amsterdam.
Moreno, J., & Robles, G. (2014). Automatic detection of bad programming habits in scratch: a preliminary study. In 2014 IEEE Frontiers in Education Conference (FIE) (pp. 1-4). Madrid, Spain: IEEE.
Osmanbegovic, E., & Suljic, M. (2012). Data mining approach for predicting student performance. Economic Review: Journal of Economics and Business, 10(1), 3-12.
Phakkachokh, S. (2013). A model for selecting high school program by considering the primary subject records using data mining techniques (Master of science thesis). Faculty of Information Technology, Dhurakij Pundit University. [in Thai]
Qazdar, A., Er-Raha, B., Cherkaoui, C., & Mammass, D. (2019). A machine learning algorithm framework for predicting students performance: A case study of baccalaureate students in Morocco. Education and Information Technologies, 24, 3577-3589.
Rodríguez-Martínez, J. A., González-Calero, J. A., & Sáez-López, J. M. (2020). Computational thinking and mathematics using Scratch: an experiment with sixth-grade students. Interactive Learning Environments, 28(3), 316-327.
Sáez-López, J.-M., Román-González, M., & Vázquez-Cano, E. (2016). Visual programming languages integrated across the curriculum in elementary school: a two year case study using “Scratch” in five schools. Computers & Education, 97, 129-141.
Saraprang, W., Sinlapaninman, U. & Yonwilad, W. (2024). The study of the needs to develop computational thinking skills in computing science for junior high school students. Kalasin University Journal of Humanities Social Sciences and Innovation, 31(1), 52-66. [in Thai]
Scratch team. (2019). Dr.Scratch analyse your Scratch project here!. Retrieved from
Sharda, R., Delen, D., & Turban, E. (2018). Business Intelligence, Analytics, and Data Science: a Managerial Perspective (4 ed.). New York: Pearson.
Tikva, C., & Tambouris, E. (2021). Mapping computational thinking through programming in K-12 education: A conceptual model based on a systematic literature Review. Computers & Education, 162, Article 104083.
Troiano, G. M., Snodgrass, S., Argımak, E., Robles, G., Smith, G., Cassidy, M., Tucker-Raymond, E., Puttick G. & Harteveld, C. (2019, June). Is my game OK Dr. Scratch? Exploring programming and computational thinking development via metrics in student-designed serious games for STEM. In the 18th ACM international Conference on Interaction Design and Children (pp. 208-219). Boise, USA.
Vilailuck, S., Jaroenpuntaruk, V. & Wichadakul, D. (2015). Utilizing data mining techniques to forecast student academic achievement of kasetsart university laboratory school kamphaeng saen campus educational research and development center. Veridian E-Journal Science and Technology, 2(2), 1-17. [in Thai]
Wilson, B. C., & Shrock, S. (2001). Contributing to success in an introductory computer science course:
a study of twelve factors. ACM Sigcse Bulletin, 33(1), 184-188.
Wing, J. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.
Wing, J., & Stanzione, D. (2016). Progress in computational thinking, and expanding the HPC community. Communications of the ACM, 59(7), 10-11.
Xiao, W., Ji, P., & Hu, J. (2021). A survey on educational data mining methods used for predicting students' performance. Engineering Reports, 4(5), 1-23.
Zhang, L., & Nouri, J. (2019). A systematic review of learning computational thinking through Scratch in K-9. Computers & Education, 141, Article 103607.