| รหัสโครงการ : | R000000206 |
| ชื่อโครงการ (ภาษาไทย) : | แบบจำลองการทำนายรูปแบบการเรียนรู้ของนักศึกษาระดับปริญญาตรี โดยใช้เทคนิคเหมืองข้อมูล |
| ชื่อโครงการ (ภาษาอังกฤษ) : | Prediction Model of Learning Style on Undergraduate Students by Data Mining Techniques |
| คำสำคัญของโครงการ(Keyword) : | รูปแบบการเรียนรู้,เหมืองข้อมูล,โครงข่ายประสาทเทียม,นาอีฟเบย์,เค-เนียร์เรสเนเบอร์,ต้นไม้ตัดสินใจ |
| หน่วยงานเจ้าของโครงการ : | สถาบันวิจัยและพัฒนา > กลุ่มงานส่งเสริมและพัฒนางานวิจัย |
| ลักษณะโครงการวิจัย : | โครงการวิจัยเดี่ยว |
| ลักษณะย่อยโครงการวิจัย : | ไม่อยู่ภายใต้แผนงานวิจัย/ชุดโครงการวิจัย |
| ประเภทโครงการ : | โครงการวิจัยใหม่ |
| สถานะของโครงการ : | propersal |
| งบประมาณที่เสนอขอ : | 80000 |
| งบประมาณทั้งโครงการ : | 80,000.00 บาท |
| วันเริ่มต้นโครงการ : | 19 กุมภาพันธ์ 2559 |
| วันสิ้นสุดโครงการ : | 18 กุมภาพันธ์ 2560 |
| ประเภทของโครงการ : | งานวิจัยประยุกต์ |
| กลุ่มสาขาวิชาการ : | วิศวกรรมศาสตร์และเทคโนโลยี |
| สาขาวิชาการ : | สาขาเทคโนโลยีสารสนเทศและนิเทศศาสตร์ |
| กลุ่มวิชาการ : | วิทยาการคอมพิวเตอร์ |
| ลักษณะโครงการวิจัย : | ระดับชาติ |
| สะท้อนถึงการใช้ความรู้เชิงอัตลักษณ์ : | ไม่สะท้อนถึงการใช้ความรู้เชิงอัตลักษณ์ |
| สร้างความร่วมมือประหว่างประเทศ GMS : | สร้างความร่วมมือทางการวิจัยระหว่างประเทศ |
| นำไปใช้ในการพัฒนาคุณภาพการศึกษา : | นำไปใช้ประโยชน์ในการพัฒนาณภาพการศึกษา |
| เกิดจากความร่วมมือกับภาคการผลิต : | ไม่เกิดจากความร่วมมือกับภาคการผลิต |
| ความสำคัญและที่มาของปัญหา : | เทคนิคเหมืองข้อมูล (Data Mining) เป็นเทคนิคหรือวิธีการในการสกัดและค้นหาความรู้จากฐานข้อมูล เพื่อวิเคราะห์หาความสัมพันธ์และรูปแบบที่ซ่อนอยู่ โดยอาศัยหลักสถิติ การรู้จำ การเรียนรู้ของเครื่อง และหลักทางคณิตศาสตร์ สำหรับนำมาใช้ในการจำแนกหรือการทำนาย (Prediction) เพื่อให้ได้สารสนเทศที่เป็นประโยชน์และมีความถูกต้อง (Han and Kamber, 2006) การทำเหมืองข้อมูลจะทำการสำรวจและวิเคราะห์อย่างอัตโนมัติหรือกึ่งอัตโนมัติให้อยู่ในรูปแบบที่เต็มไปด้วยความหมายและอยู่ในรูปของกฎ (Rule) โดยความสัมพันธ์เหล่านี้ แสดงให้เห็นถึงความรู้ต่างๆ ที่มีประโยชน์ในฐานข้อมูล ซึ่งจะเป็นการวิเคราะห์ข้อมูลอย่างละเอียดจากฐานข้อมูล (Database) หรืออาจวิเคราะห์มาจากรายการ (Transaction) โดยเรียนรู้ข้อมูลจากอดีตถึงปัจจุบัน ผลลัพธ์ที่ได้จากการวิเคราะห์ของเหมืองข้อมูลอาจจะเป็นข้อมูลแบบไม่ทราบ (Unknown) แบบถูกต้อง (Valid) และแบบดำเนินการ (Actionable) เมื่อใช้เทคนิคของเหมืองข้อมูลจะค้นพบสารสนเทศที่มีประโยชน์และถูกต้อง ตลอดจนสามารถจำแนกและทำนายข้อมูลได้อย่างมีประสิทธิภาพ เทคนิคเหมืองข้อมูลมีหลายเทคนิค เช่น โครงข่ายประสาทเทียม นาอีฟเบย์ เค-เนียร์เรสเนเบอร์ ซัพพอร์ตเวกเตอร์แมชชีน และต้นไม้ตัดสินใจ เป็นต้น
ปัจจุบันการจัดการเรียนการสอนโดยเน้นผู้เรียนเป็นสำคัญมีรูปแบบการเรียนรู้หลากหลาย การเรียนรู้อย่างมีประสิทธิภาพนั้นผู้เรียนจะต้องใช้ทักษะทางการคิดและกระบวนการคิดเป็นเครื่องมือในการสร้างองค์ความรู้ ดังนั้นผู้สอนจำเป็นต้องมีความเข้าใจและตระหนักถึงรูปแบบการเรียนรู้ของผู้เรียน รูปแบบการเรียนรู้ (Learning Style) เป็นวิธีที่ผู้เรียนแต่ละคนมีความถนัดในการรับรู้ข้อมูลหรือมีการเรียนรู้ได้ดีที่สุดด้วยการใช้ประสาทสัมผัสรับรู้ข้อมูล การทราบรูปแบบของผู้เรียนว่ามีความถนัดใช้ประสาทสัมผัสส่วนใดในการเรียนรู้ที่ได้ผลมากที่สุด จะทำให้ผู้สอนสามารถจัดกิจกรรมการเรียนการสอนหรือสภาพแวดล้อมในการเรียนได้เหมาะสม ช่วยส่งเสริมให้ผู้เรียนสามารถเรียนได้อย่างมีประสิทธิภาพมากยิ่งขึ้น นักวิชาการหลายท่านได้ศึกษาและนำเสนอรูปแบบการเรียนรู้ไว้หลากหลาย เช่น รูปแบบการเรียนรู้เชิงประสบการณ์ของ Kolb(1984) รูปแบบการเรียนรู้ของ Felder and Silverman(1988) และรูปแบบการเรียนรู้ VARK ของ Fleming and Mills(1992) เป็นต้น จากการศึกษาข้อมูลพบว่ารูปแบบการเรียนรู้แบบ VARK (VARK Learning Styles) เป็นรูปแบบการประเมินเพื่อจัดประเภทการเรียนรู้ของผู้เรียนที่ดี ซึ่งแบ่งออกเป็น 4 กลุ่ม ได้แก่ 1) Visual (V) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยภาพและสัญลักษณ์ 2) Aural / Auditory (A) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยเสียง 3) Read / Write (R) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยอักษร และ 4) Kinesthetic (K) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยสัมผัสและการกระทำ
จากการศึกษาพบว่า การจัดกิจกรรมการเรียนการสอนในระดับปริญญาตรียังไม่ตอบสนองต้องการของผู้เรียนแต่ละคนได้ เนื่องจากปัญหาผู้เรียนแต่ละคนมีความถนัดและความสามารถแตกต่างกัน การที่จะสามารถสร้างการเรียนรู้ให้เกิดประสิทธิภาพได้นั้น ผู้เรียนจะต้องเข้าใจตัวเองว่ามีรูปแบบการเรียนรู้ที่ถนัดด้านใด เพื่อที่จะได้ปรับตัวเองให้สอดคล้องกับการเรียนรู้ได้อย่างมีประสิทธิภาพ และจากการศึกษางานวิจัยที่เกี่ยวข้องพบว่า มีงานวิจัยค่อนข้างน้อยที่ได้นำเทคนิคเหมืองข้อมูลมาประยุกต์ใช้ในด้านการศึกษาสำหรับสร้างแบบจำลองการทำนายรูปแบบการเรียนรู้ของผู้เรียน ดังนั้น ผู้วิจัยจึงมีความสนใจที่จะนำเทคนิคเหมืองข้อมูลมาสร้างแบบจำลองการทำนายรูปแบบการเรียนรู้ของนักศึกษาระดับปริญญาตรี และเปรียบเทียบประสิทธิภาพการทำนายว่าเทคนิคใดดีที่สุด ที่สามารถจำแนกและทำนายรูปแบบการเรียนรู้ของนักศึกษาได้อย่างมีประสิทธิภาพสูงสุด และเพื่อนำไปพัฒนาการเรียนรู้ของนักศึกษาต่อไป |
| จุดเด่นของโครงการ : | - |
| วัตถุประสงค์ของโครงการ : | 1) เพื่อศึกษารูปแบบการเรียนรู้ VARK (VARK Learning Styles)
2) เพื่อสร้างแบบจำลองการทำนายรูปแบบการเรียนรู้ VARK ของนักศึกษาระดับปริญญาตรี โดยใช้เทคนิคเหมืองข้อมูล ได้แก่ โครงข่ายประสาทเทียม (Artificial Neural Network) นาอีฟเบย์ (Naive Bayes) เค-เนียร์เรสเนเบอร์ (K-Nearest Neighbors) และต้นไม้ตัดสินใจ (Decision Tree)
3) เพื่อเปรียบเทียบประสิทธิภาพและหาเทคนิคเหมืองข้อมูลที่เหมาะสมที่สุดสำหรับการทำนายรูปแบบการเรียนรู้ VARK ของนักศึกษาระดับปริญญาตรี |
| ขอบเขตของโครงการ : | 1) ขอบเขตด้านประชากรและกลุ่มตัวอย่าง ที่ใช้ในการวิจัยครั้งนี้ ได้แก่
1.1) ประชากร ประกอบด้วยนักศึกษาระดับปริญญาตรีของมหาวิทยาลัยราชภัฏนครสวรรค์
1.2) กลุ่มตัวอย่าง วิธีการสุ่มกลุ่มตัวอย่างโดยใช้หลักความน่าจะเป็นแบบแบ่งชั้น (Stratified Sampling)
1.3) วิธีการเก็บรวบรวมข้อมูล ด้วยแบบสอบถามออนไลน์โดยใช้ Google Form และแบบสอบถามทั่วไป
2) ขอบเขตด้านการทำเหมืองข้อมูล มีรายละเอียดดังนี้
2.1) การจัดเตรียมข้อมูล ด้วยไฟล์ .CSV และ .ARFF
2.2) การสร้างแบบจำลองการทำนายรูปแบบการเรียนรู้ ด้วยโปรแกรม WEKA (Waikato Environment for Knowledge Analysis)
2.3) การวัดประสิทธิภาพของการทำนายรูปแบบการเรียนรู้ ด้วยค่าความแม่นยำ (Precision) ค่าความระลึก (Recall) และค่าความถูกต้อง (Accuracy) |
| ผลที่คาดว่าจะได้รับ : | 1) ได้ทราบรูปแบบการเรียนรู้แบบ VARK (VARK Learning Styles)
2) ได้แบบจำลองการทำนายรูปแบบการเรียนรู้ VARK ของนักศึกษาระดับปริญญาตรี ด้วยเทคนิคโครงข่ายประสาทเทียม (Artificial Neural Network) นาอีฟเบย์ (Naive Bayes) เค-เนียร์เรสเนเบอร์ (K-Nearest Neighbors) และต้นไม้ตัดสินใจ (Decision Tree)
3) ได้แบบจำลองการทำนายรูปแบบการเรียนรู้ VARK ของนักศึกษาระดับปริญญาตรีที่มีประสิทธิภาพดีที่สุด
4) ได้ผลงานวิจัยสำหรับนำไปตีพิมพ์เผยแพร่ในระดับชาติหรือนานาชาติต่อไป |
| การทบทวนวรรณกรรม/สารสนเทศ : | ผู้วิจัยได้ทบทวนวรรณกรรม และงานวิจัยที่เกี่ยวข้อง ดังนี้
ปรียารัตน์ และ กิดากาน (2555) ทำวิจัยเรื่องการทำนายผลสัมฤทธิ์ในการเรียนวิชาสถิติเบื้องต้นของนิสิตปริญญาตรี มหาวิทยาลัยบูรพา ด้วยการิเคราะห์การจำแนกและข่ายงานระบบประสาท พบว่าตัวแบบข่ายงานระบบประสาท มีค่าประสิทธิภาพการจำแนกเท่ากับ 76.9% สามารถจำแนกประเภทของกลุ่มสัมฤทธิ์ในการเรียนได้ดีกว่าการวิเคราะห์การจำแนกที่มีค่าประสิทธิภาพการจำแนกเท่ากับ 67.1%
รุ่งกานต์ และ มนต์ชัย (2555) นำเสนอการวิเคราะห์รูปแบบการเรียนรู้ของนักศึกษาปริญญาตรี มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ ตามแนวทางรูปแบบการเรียนรู้ VARK โดยใช้อัลกอริทึม C4.5 วิเคราะห์แผนภาพแบบต้นไม้ เพื่อจำแนกผู้เรียนออกตามความถนัด 4 ด้าน ได้แก่ การมอง การฟัง การอ่าน/เขียน และการฝึกปฏิบัติ พบว่าส่วนใหญ่มีความถนัดด้านการมองมากที่สุด โดยมีค่าความแม่นยำ (Correctly Classified Instances) เท่ากับ 92.5%
อรนุช และ มนต์ชัย (2557) ได้ทำการเปรียบเทียบประสิทธิภาพการจำแนกรูปแบบการเรียนรู้ VARK ด้วยเทคนิคเหมืองข้อมูล โดยใช้เทคนิคแบบเบย์ เทคนิคต้นไม้ตัดสินใจ และวิธีฐานกฎ ด้วยการรวบรวมข้อมูลด้วยแบบสอบถามจากผู้เรียนในระดับปริญญาตรี มหาวิทยาลัยราชภัฏเชียงใหม่ ซึ่งเป็นการวิเคราะห์บนพื้นฐานของวิธี 10-Fold Cross Validation ผลการศึกษาพบว่า ประสิทธิภาพการจำแนกข้อมูลแบบต้นไม้ตัดสิน มีประสิทธิภาพเท่ากับ 81.78% จากผลที่ได้นำไปใช้ในการทำนายรูปแบบการเรียนรู้ของผู้เรียนต่อไป
ธนาวุฒิ และ คณะ (2557) ได้ศึกษากรอบแนวคิดรูปแบบการเรียนรู้เพื่อปรับเหมาะกับผู้เรียนตามรูปแบบวีเออาร์เค (VARK) โดยใช้เทคนิคโครงข่ายประสาทเทียมร่วมกับการเรียนรู้แบบปัญหาเป็นฐานบนสภาพแวดล้อมการเรียนรู้แบบทุกหนทุกแห่ง เพื่อนำไปใช้เป็นต้นแบบในการพัฒนาบทเรียนในรายวิชาเครือข่ายคอมพิวเตอร์ ระดับปริญญาตรี มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร ผลการประเมินเกี่ยวกับความเหมาะสมของกรอบแนวคิดตามรูปแบบที่สังเคราะห์ขึ้น พบว่ามีความสมอยู่ในระดับดีมาก แสดงว่าสามารถนำกรอบแนวคิดที่สังเคราะห์ไปประยุกต์ใช้ในการจัดการเรียนการสอนได้อย่างเหมาะสม
Sen et, al. (2012). ได้นำเสนองานวิจัยเกี่ยวกับ การทำนายและวิเคราะห์คะแนนของมัธยมศึกษาจากการทดสอบด้วยวิธีเหมืองข้อมูล ด้วยการสร้างแบบจำลองการทำนายและหาประสิทธิภาพ ผลลัพธ์ที่ได้พบว่าเทคนิคที่ให้ผลการทำนายดีที่สุด คือเทคนิคต้นไม้ตัดสินใจ (95%) ตามด้วยเทคนิคซัพพอร์ตเวกเตอร์ แมชชีน (91%) เทคนิคโครงข่ายประสาทเทียม (89%) และเทคนิคโลจิสติกรีเกรสชั่น(82%) |
| ทฤษฎี สมมุติฐาน กรอบแนวความคิด : | ผู้วิจัยได้ทบทวนวรรณกรรม แนวคิด ทฤษฎี และกรอบแนวคิดของโครงการวิจัย ดังนี้
1) รูปแบบการเรียนรู้ (Learning Style)
รูปแบบการเรียนรู้ (Learning Style) เกิดจากแนวคิดที่ว่า ผู้เรียนแต่ละคนมีความแตกต่างกันในการเรียนรู้ การศึกษาที่ทำให้มีประสิทธิภาพนั้น ผู้สอนจะต้องมีการประเมินหรือวิเคราะห์รูปแบบการเรียนรู้ของผู้เรียนก่อน แล้วจัดกระบวนการเรียนการสอนให้เหมาะสม (Pashler et, al. 209) ซึ่งนักวิชาการหลายท่านได้นำเสนอรูปแบบการเรียนรู้ที่หลากหลาย (สมชาย, 2554; แบบแผนการเรียนรู้, 2558) ได้แก่ 1) รูปแบบการเรียนรู้เชิงประสบการณ์ของ Kolb (Kolb Experiential Learning Model) เป็นการจำแนกแบบการเรียนตามลักษณะการรับรู้และการประมวลผลสารสนเทศ (Kolb, 1984) โดยการรับรู้ผ่านประสบการณ์รูปธรรมกับนามธรรม 2) รูปแบบการเรียนรู้ของ Gregorc (Gregorc Learning Style) มีพื้นฐานการพิจารณาการเรียนรู้ของบุคคล โดยมีลักษณะการรับรู้และการประมวลผลแบบเรียงลำดับ และการประมวลผลแบบสุ่ม 3) รูปแบบการเรียนรู้ของ Felder and Silverman (Felder and Silverman Learning Style) รูปแบบที่มาจากการศึกษาการเรียนรู้ของนักศึกษาวิศวกรรมศาสตร์ (Felder and Silverman, 1988) และ 4) รูปแบบการเรียนรู้ VARK (VARK Leaning Style) เป็นรูปแบบที่ใช้จำแนกบุคคลโดยพิจารณาจากลักษณะของประสาทสัมผัสที่รับข้อมูล (Fleming and Mills, 1992) ดังนั้นผู้วิจัยจึงมีความสนใจรูปแบบการเรียนรู้ VARK เพื่อนำมาใช้ในสร้างแบบจำลองการทำนายรูปแบบการเรียนรู้ของนักศึกษาระดับปริญญาตรี
Fleming and Mills (1992) ได้แบ่งรูปแบบการเรียนรู้ตามความความชอบหรือความถนัดในการรับข้อมูลของผู้เรียน ออกเป็น 4 กลุ่ม และเรียกชื่อการแบ่งกลุ่มนี้ว่า “VARK Model” หรือ “VARK Learning Style” (สำนักบริหารและพัฒนาองค์ความรู้, 2558) มีรายละเอียดดังนี้
1.1) กลุ่ม Visual(V) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยภาพและสัญลักษณ์
1.2) กลุ่ม Aural / Auditory (A) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยเสียง
1.3) กลุ่ม Read / Write (R) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยอักษร
1.4) กลุ่ม Kinesthetic (K) เป็นรูปแบบการเรียนรู้ที่สื่อด้วยสัมผัสและการกระทำ
2) เหมืองข้อมูล (Data Mining)
เหมืองข้อมูล (Data Mining) หมายถึง เทคนิคในการสกัดหรือค้นหาความรู้จากฐานข้อมูล เพื่อการวิเคราะห์หาความสัมพันธ์และรูปแบบที่ซ่อนอยู่ในชุดข้อมูล โดยอาศัยหลักสถิติ การรู้จำ การเรียนรู้ของเครื่อง และหลักทางคณิตศาสตร์ สำหรับนำมาใช้ในการจำแนกหรือการทำนาย เพื่อให้ได้สารสนเทศที่เป็นประโยชน์และมีความถูกต้อง (Han and Kamber, 2006) หลักการของเหมืองข้อมูล มีดังนี้
2.1) เทคนิคการจำแนกหรือการทำนาย
เทคนิคของการทำเหมืองข้อมูลมีหลายประเภทตามลักษณะของการทำงาน เป็นการค้นหารูปแบบหรือแบบจำลอง (Model) เพื่อการจำแนกหรือการทำนาย เป็นการแบ่งการทำงานออกเป็นสองอย่าง ได้แก่ การสร้างแบบจำลอง และการทดสอบแบบจำลองเพื่อวัดประสิทธิภาพความถูกต้องของแบบจำลอง ในขั้นตอนของการสร้างแบบจำลอง มีเทคนิคต่างๆ ที่สามารถนำมาใช้ได้ดังนี้
- เทคนิคโครงข่ายประสาทเทียม (Artificial Neural Network) เป็นการจำลองการทำงานของเซลล์ประสาท (Neural) ในสมองของมนุษย์ ประกอบด้วยนิวเคลียส (Nucleus) จำนวนมาก ตัวเซลล์ (Cell Body) และใยประสาทนำเข้า (Dendrite) เป็นเส้นประสาทที่แตกแขนงออกมามากมาย และแกนประสาทนำออก (Axon) ที่ทำหน้าที่เป็นตัวนำพาสัญญาณประจุไฟฟ้าหรือกระแสประสาทเดินทางไปยังสมองส่วนต่างๆ (บุญเสริม กิจศิริกุล, 2548) ระบบประสาทของสมองของมนุษย์ได้ถูกนำมาจำลองและพัฒนาเป็นโครงสร้างของโครงข่ายใยประสาท โดยการนำองค์ประกอบหลักที่สำคัญในระบบประสาทมนุษย์มาใช้ในการพัฒนาแบบจำลองโครงข่ายใยประสาท ที่เรียกว่า เพอร์เซปตรอน (Perceptron) เป็นข่ายงานประสาทเทียมแบบง่ายมีหน่วยเดียวที่จำลองลักษณะของเซลล์ประสาท โดยข้อมูลจะถูกนำเข้ามาผ่านทางเส้นประสาท ก่อนประมวลผลด้วยฟังก์ชัน ซึ่งเปรียบเสมือนเป็นเซลล์ประสาท และผลลัพธ์จะถูกส่งไปเป็นข้อมูลนำเข้าของเซลล์ประสาทอื่นต่อไป แบบจำลองนี้ถือเป็นโครงสร้างการทำงานของโครงข่ายใยประสาทที่ช่วยให้เครื่องคอมพิวเตอร์สามารถเรียนรู้ รวมทั้งประมวลผลในแบบขนาน (Parallel) ได้
- เทคนิคนาอีฟเบย์ (Na?ve Bayes) เป็นการจำแนกประเภทโดยใช้หลักสถิติในการพยากรณ์ความน่าจะเป็น (Probability) ของสมาชิก ด้วยหลักการทฤษฎีของเบย์ (Bayesian Theorem) สามารถทำนายค่าคลาสเป้าหมายของตัวอย่างด้วยการพิจารณาค่าความน่าจะเป็นมากที่สุดระหว่างทุกค่าคลาสที่เป็นไปได้
- เทคนิคเค-เนียร์เรสเนเบอร์ (K-Nearest Neighbors) เป็นเทคนิคของการทำเหมืองข้อมูลที่มีหลักการทำงานคล้ายกับการแบ่งกลุ่มข้อมูล แต่ใช้สำหรับการจำแนกประเภทข้อมูล เป็นการเรียนรู้แบบมีผู้สอน (Supervised Learning) ซึ่งเป็นวิธีการจำแนกข้อมูลที่ไม่ซับซ้อน โดยพิจารณาจากชุดข้อมูลใกล้เคียงกับข้อมูลที่กำลังสนใจ เรียกชุดข้อมูลเหล่านี้ว่า เพื่อนบ้านที่ใกล้ที่สุด (Nearest neighbors) (ณัฐพงษ์ วารีประเสิฐ และณรงค์ ล่ำดี, 2552) เทคนิคนี้ใช้วิธีการเลือกชุดข้อมูลเพื่อนบ้านใกล้ที่สุดกับค่าของชุดข้อมูลที่กำลังพิจารณามา K ตัว โดยคำนวณค่าความคล้ายคลึงด้วยการใช้ค่าระยะทางน้อยที่สุด โดยมากมักจะใช้วิธีการวัดระยะทาง (Distance) ด้วย ยูคลิเดียน (Euclidean)
- เทคนิคต้นไม้ตัดสินใจ (Decision Tree) เป็นเทคนิคหนึ่งของการทำเหมืองข้อมูล พัฒนาโดย Quinlan (1986) เป็นการเรียนรู้แบบมีผู้สอน (Supervised Learning) ซึ่งเป็นแบบจำลองที่ใช้สำหรับคาดคะเนหรือทำนายเหตุการณ์ที่จะเกิดขึ้นล่วงหน้า เป็นเทคนิคในการเรียนรู้ที่ไม่ซับซ้อนมาก โดยจะมีการแตกแขนงจากโหนดราก (Root Node) เป็นโหนดภายใน/โหนดกิ่ง (Branch Node) แตกออกไปตามเงื่อนไขหรือข้อมูล จนไปสู่โหนดใบ (Leaf Node) เป็นแบบจำลองที่มีการเชื่อมโยงระหว่างสิ่งที่สนใจกับผลสรุปที่อาจเกิดขึ้นจากค่าของเหตุการณ์ต่างๆ โหนดภายในของโครงสร้าง ต้นไม้ตัดสินใจจะประกอบเป็นคุณลักษณะต่างๆ ของข้อมูล ซึ่งเมื่อสอดคล้องกับข้อมูลใดก็จะใช้คุณลักษณะนั้นเป็นตัวตัดสินใจว่าข้อมูลจะไปทิศทางใด โหนดภายในจะแตกกิ่งเป็นจำนวนเท่ากับจำนวนค่าของคุณลักษณะในโหนดภายในนั้น และสุดท้ายคือโหนดใบ เป็นกลุ่มผลลัพธ์ในการจำแนกประเภทข้อมูล เทคนิคนี้เป็นเทคนิคที่ให้ผลเร็วเมื่อเทียบกับเทคนิคอื่นๆ ผลลัพธ์ที่ได้สามารถนำไปใช้ได้ สามารถแปลงเป็นกฎ (Rule) ได้ และสามารถนำไปประยุกต์ใช้ในการทำนายที่ให้ความแม่นยำสูง
2.2) กระบวนการทำเหมืองข้อมูล
กระบวนการทำเหมืองข้อมูลมีรายละเอียดของขั้นตอนการทำงาน (Chapman, et al. 2000; เอกสิทธิ์ พัชรวงศ์ศักดา, 2556) ดังนี้
- การเตรียมข้อมูล (Data Preprocessing) เป็นขั้นตอนที่ใช้เวลานานที่สุด เนื่องจากแบบจำลองที่ได้จากการเหมืองข้อมูลจะให้ผลลัพธ์ที่ถูกต้องหรือไม่นั้น ขึ้นอยู่กับคุณภาพของข้อมูลที่ใช้ กล่าวคือถ้าข้อมูลที่ใช้นั้นไม่ถูกต้อง มีความผิดพลาด ย่อมสะท้อนถึงผลลัพธ์ที่ได้ ซึ่งอาจทำให้แปลความหมายของลัพธ์ได้คลาดเคลื่อนเช่นกัน การเตรียมข้อมูลนั้น ได้แก่ 1) การคัดเลือกข้อมูล (Data Selection) หรือการคัดเลือกคุณสมบัติ (Feature Selection) ของตัวแปร ควรกำหนดเป้าหมายก่อนว่าเราจะทำการวิเคราะห์อะไร แล้วจึงเลือกใช้เฉพาะข้อมูลที่เกี่ยวข้องกับสิ่งที่เราจะนำไปวิเคราะห์ 2) การทำความสะอาดข้อมูล (Data Cleaning) ในบางกรณีอาจพบข้อมูลที่ไม่ถูกต้อง อันเนื่องมาจากปัญหาในระหว่างการจัดเก็บข้อมูล เช่น การป้อนข้อมูลไม่ครบ การป้อนข้อมูลซ้ำซ้อน เป็นต้น ในขั้นตอนนี้ เราจะทำการกรองข้อมูลที่ไม่ถูกต้องหรือซ้ำซ้อนออก หรืออาจทำการซ่อมแซมข้อมูลที่ขาดหายไปด้วยวิธีการบางอย่าง 3) การแปลงรูปของข้อมูล (Data Transformation) เป็นขั้นตอนการเตรียมข้อมูลให้อยู่ในรูปแบบที่พร้อมจะนำไปใช้ในการวิเคราะห์หาอัลกอริทึมของเหมืองข้อมูลที่เลือกใช้
- การสร้างแบบจำลองการทำนาย (Prediction Model) เป็นขั้นตอนการวิเคราะห์ข้อมูลด้วยเทคนิคเหมืองข้อมูล การสร้างแบบจำลองทำนาย ในบางครั้งพบว่ามีการนำเทคนิคเหมืองข้อมูลหลายเทคนิคมาใช้ในการวิเคราะห์ข้อมูลเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด ดังนั้นเมื่อทำขั้นตอนนี้แล้ว อาจมีการย้อนกลับไปที่ขั้นตอนการเตรียมข้อมูล เพื่อแปลงข้อมูลบางส่วนให้เหมาะสมกับแต่ละเทคนิคด้วย นอกจากนี้ยังมีการประเมินแบบจำลอง วิเคราะห์ข้อมูลที่ได้ในรูปแบบความถูกต้องของแบบจำลอง เพื่อเป็นตัวบ่งชี้ความน่าเชื่อถือของแบบจำลองที่ได้
- การประเมินผล (Evaluation) ขั้นตอนการประเมินหรือการวัดประสิทธิภาพของโมเดล วิเคราะห์ข้อมูลในขั้นตอนก่อนหน้านั้น เป็นเพียงการวัดความน่าเชื่อถือของแบบจำลองเท่านั้น ขั้นตอนนี้เป็นการประเมินประสิทธิภาพของผลลัพธ์จากแบบจำลอง วิเคราะห์ข้อมูลว่าครอบคลุม และสามารถตอบโจทย์ทางธุรกิจที่ตั้งไว้ในขั้นตอนแรกหรือไม่ ในกรณีที่มีการสร้างแบบจำลองวิเคราะห์ข้อมูลหลายแบบจำลอง โดยจะทำการประเมินแต่ละแบบจำลองด้วยว่ามีส่วนดีส่วนด้อยอย่างไร และควรเลือกใช้แบบจำลองใด การทำงานในส่วนนี้ต้องอาศัยทักษะในการวิเคราะห์ข้อมูล เพื่อช่วยให้การวิเคราะห์ทำได้สะดวกและรวดเร็วขึ้น
- การนำไปใช้ (Deployment) ผลลัพธ์หรือองค์ความรู้ที่ได้จากการวิเคราะห์ข้อมูลด้วยเทคนิคเหมืองข้อมูลจะไม่มีประโยชน์เลย ถ้าไม่ถูกนำไปใช้งานจริง ตัวอย่างการนำไปใช้ เช่น การนำองค์ความรู้ที่ได้ไปใช้ในการจัดทำการส่งเสริมการขายสินค้า การทำนายแนวโน้มการทุจริตในระบบการเงินของธนาคาร การตรวจจับความผิดปกติในการซื้อขายหุ้นในตลาดหลักทรัพย์ การทำนายรูปแบบการเรียนรู้ของนักศึกษา |
| วิธีการดำเนินการวิจัย และสถานที่ทำการทดลอง/เก็บข้อมูล : | วิธีการดำเนินการวิจัย แบ่งออกเป็น 3 ขั้นตอนดังนี้
1) การเก็บรวบรวมและจัดเตรียมข้อมูล (Data Preprocessing)
1.1) จัดทำแบบสอบถาม ประกอบด้วย 2 ส่วน คือ แบบสอบถามออนไลน์โดยใช้ Google Form และแบบสอบถามทั่วไป
1.2) เก็บรวบรวมข้อมูลจากกลุ่มตัวอย่างด้วยแบบสอบถาม แล้วนำไปเก็บในโปรแกรมสำเร็จรูป
1.3) ทำการคัดเลือกและทำความสะอาดข้อมูล (Data Cleaning) พร้อมทั้งแปลงไฟล์ให้อยู่ในรูปแบบ .CSV และ .ARFF
2) การสร้างแบบจำลองการทำนาย (Prediction Model) รูปแบบการเรียนรู้ VARK
2.1) แบ่งข้อมูลออกเป็นชุดการเรียนรู้ (Training Data) และข้อมูลชุดทดสอบ (Testing Data)
2.2) สร้างแบบจำลองการทำนายรูปแบบการเรียนรู้ VARK ด้วยเทคนิคเหมืองข้อมูล 4 เทคนิค ได้แก่ โครงข่ายประสาทเทียม (Artificial Neural Network) นาอีฟเบย์ (Naive Bayes) เค-เนียร์เรสเนเบอร์ (K-Nearest Neighbors) และต้นไม้ตัดสินใจ (Decision Tree)
3) การเปรียบเทียบหาประสิทธิภาพ (Evaluation) ของแบบจำลองการทำนายรูปแบบการเรียนรู้ VARK |
| คำอธิบายโครงการวิจัย (อย่างย่อ) : | - |
| จำนวนเข้าชมโครงการ : | 947 ครั้ง |