ผลการใช้เทคนิคการวินิจฉัยระดับความสามารถทางคณิตศาสตร์ของผู้เรียนผ่านการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์ คือ (1) เพื่อเปรียบเทียบผลการใช้เทคนิคการวินิจฉัยระดับความสามารถทางคณิตศาสตร์ของผู้เรียนผ่านการเรียนรู้ของเครื่องระหว่างผู้เรียนที่ได้รับการให้ข้อมูลป้อนกลับและไม่ได้รับการให้ข้อมูลป้อนกลับ และ (2) เพื่อพัฒนาตัวแบบพยากรณ์ในการวินิจฉัยระดับความสามารถทางคณิตศาสตร์ของผู้เรียนผ่านการเรียนรู้ของเครื่อง พบว่า เมื่อเปรียบเทียบระดับความสามารถทางคณิตศาสตร์ของผู้เรียนในมิติกระบวนการทางคณิตศาสตร์และมิติโครงสร้างความคิดรวบยอดระหว่างกลุ่มควบคุมและกลุ่มทดลองมีระดับความสามารถแตกต่างกันอย่างมีนัยสำคัญที่ .01 และผลการทดสอบตัวแบบพยากรณ์ ในการวินิจฉัยระดับความสามารถทางคณิตศาสตร์ของผู้เรียนโดยใช้เทคนิคการจำแนกประเภทข้อมูล (Classification) ด้วยโปรแกรม WEKA ด้วยวิธีต้นไม้ตัดสินใจ (Decision Tree) พบว่า ในระดับความสามารถของผู้เรียนมิติกระบวนการทางคณิตศาสตร์ อัลกอริทึมและเทคนิคที่ดีที่สุดคือ อัลกอริทึม Random Tree และ Random Forest ด้วยเทคนิค Percentage split 70% และในระดับความสามารถของผู้เรียนมิติโครงสร้างความคิดรวบยอด อัลกอริทึมและเทคนิคที่ดีที่สุดคือ อัลกอริทึม J48 ด้วยเทคนิค Percentage split 70%
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
Allen, D. G. (2007). Student thinking. Retrieved from http://mtc.tamu.edu/9-12/index_9-12.htm?9-12M2L1.htm
Angsutharak, N.. (2020). Statistics and Machine Learning. Retrieved from https://sasinconsulting.com/wp-content/uploads/2020/02_by-Nattarat-Angsutrarux.pdf. [in Thai]
Fiothong, A., Junperng, P., Suwannatrai, P., Chinjunthuk, S.,Tawarungruang, C. (2022).Designing Open-Ended Question Scoring for Assessment of Student Mathematical Proficiency Levels Through Digital Technology. Journal of Educational Measurement, Mahasarakham University, 28, 346-362.
Han, J., Kamber, M. and Pei, J. (2012). Data Mining Concepts and Techniques. MA: Morgan Kaufmann.
Jantasuk, S. & Junpeng, P. (2020). Designing Automated Feedback System to Diagnose Students'
Mathematical Proficiency Level Through Digital Learning Platform. Journal of Research Methodology, 35(1), 23-45. [in Thai]
Junpeng, P. (2018). Applying for Multidimensional Item Response Theory:MIRT. KhonKaen: KhonKaen University Publishing. [in Thai]
Junpeng, P. et al. (2020). Developing students' mathematical proficiency level diagnostic tools through
information technology in assessment for learning report. Bangkok: Research Administration Division Khon Kaen University. [in Thai]
Kantahan, S., Junpeng, P., Punturat, S., Tang, K. N., P. Gochyyev., and Wilson, M. (2020). Designing and
Verifying a tool for diagnosing multidimensional scientific misconceptionss in genetics topic. International Journal of Evaluation and Research in Education, 9, 564-571.
Kolachalama, V. B., and Garg, P. S. (2018). Machine learning and medical education. Digital Medicine, 1, 1-3.
Masantiah, J. (2017). Development of a Computer-Based Testing System With Immediate Feedback For Different Student's Ability Levels : Application of Rasch Sirt Model. Bangkok: Chulalongkorn University. [in Thai]
Shute, V. J. (2008). Focus on Formative Feedback: Education Testing Service (ETS) research report. Princeton, NJ: Education Testing Service.
Van der Kleij, F. (2012). Towards effective feedback: an investigation of teachers’ and students’ perceptions of oral feedback in classroom practice. Assessment in Education: Principles, 27, 252-270.
Wongwanich, S.. (2020). DESIGN RESEARCH IN EDUCATION. Bangkok: Chulalongkorn University Press. [in Thai]