การวิเคราะห์ความคิดเห็นของนักเรียนต่อการจัดการเรียนการสอนโดยใช้เทคนิคการทำเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
ในมหาวิทยาลัยการจัดการเรียนการสอนมีส่วนสำคัญต่อการเรียนรู้ของนักศึกษา การรับฟังความคิดเห็นของนักศึกษามีความสำคัญต่อการปรับปรุงคุณภาพการจัดการเรียนการสอน ทำให้ผู้สอนสามารถปรับวิธีการสอน เนื้อหา หรือกิจกรรมให้เหมาะสมกับนักศึกษาได้ ในรายวิชาที่มีนักศึกษาจำนวนมาก การสรุปความคิดเห็นทั้งหมดเพื่อนำไปปรับปรุงการเรียนการสอนต้องใช้เวลานาน ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการวิเคราะห์ความคิดเห็นของนักศึกษาที่มีต่อการจัดการเรียนการสอน โดยใช้เทคนิคการทำเหมืองข้อมูล วิธีการศึกษามี 5 ขั้นตอน คือ 1) การรวบรวมข้อมูลความคิดเห็นของนักศึกษาจำนวน 3,000 ข้อความ 2) การเตรียมข้อมูล โดยการกลั่นกรองข้อความ และการตัดคำพร้อมเลือกคำสำคัญด้วยเทคนิค TF-IDF 3) การสร้างแบบจำลองเพื่อเปรียบเทียบประสิทธิภาพของอัลกอริทึม 4 วิธี ได้แก่ Support Vector Machine (SVM), K-Nearest Neighbors (K-NN), Naive Bayes และ Random Forest เพื่อใช้จำแนกความคิดเห็นเชิงบวกและเชิงลบ และจำแนกความคิดเห็นในด้านต่างๆ เช่น อาจารย์ผู้สอน เนื้อหารายวิชา และสิ่งสนับสนุนการเรียนรู้ 4) การวัดประสิทธิภาพของแบบจำลองด้วยค่า accuracy, precision, recall, และ F1-score 5) การประยุกต์ใช้แบบจำลอง จากผลการวิจัยพบว่าอัลกอริทึม SVM มีประสิทธิภาพในการจำแนกความคิดเห็นเชิงบวกและเชิงลบมากที่สุดโดยมีค่าเฉลี่ยของ accuracy, precision, recall, และ F1-score เท่ากับ 97.00%, 97.10%, 97.40% และ 97.30% ตามลำดับ สำหรับการจำแนกความคิดเห็นในด้านต่างๆ พบว่าอัลกอริทึม KNN มีประสิทธิภาพมากที่สุด โดยมีค่าเฉลี่ยของ accuracy, precision, recall, และ F1-score เท่ากับ 91.00%, 91.60%, 91.00% และ 91.10% ตามลำดับ แบบจำลองที่พัฒนาถูกนำไปสร้างเป็นเว็บแอปพลิเคชัน เพื่อวิเคราะห์ความคิดเห็นของนักศึกษา ช่วยปรับปรุงคุณภาพการเรียนการสอนอย่างมีประสิทธิภาพ
Article Details
เอกสารอ้างอิง
กานดา แผ่วัฒนากุล และปราโมทย์ ลือนาม. (2556). การวิเคราะห์เหมืองความคิดเห็นบนเครือข่ายสังคมออนไลน์. วารสารการจัดการสมัยใหม่, 11(2), 12-20.
พิชญะ พรมลา และจรัญ แสนราช. (2563). การเปรียบเทียบประสิทธิภาพการวิเคราะห์ความพึงพอใจเกี่ยวกับการจัดการเรียนการสอนด้วยกระบวนการวิเคราะห์ความรู้สึกโดยใช้เทคนิคการรวมกลุ่มเพื่อจำแนกข้อมูล. วารสารวิจัย มข. (ฉบับบัณฑิตศึกษา), 20(4), 140-149.
วสวัตติ์ อินทร์แปลง และจารี ทองคำ. (2563). การวิเคราะห์ความคิดเห็นต่อเกมมือถือพับจีด้วยเหมืองข้อความ. วารสารวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยมหาสารคาม, 39(5), 524-531.
วาทิตย์ คำพรมมา จักรชัย โสอินทร์ และเพชร อิ่ม ทองคำ. (2562). แบบจำลองการวิเคราะห์ความรู้สึกแบบผสมสำหรับความคิดเห็นต่อโรงแรมในประเทศไทยโดยใช้ K-means และ K-NN. Walailak Procedia,1-11.
สุพัตรา วิริยะวิสุทธิสกุล ปริญญา สงวนสัตย์ พิสิษฐ์ ชาญเกียรติก้อง และชูชาติ หฤไชยะศักดิ์. (2559). ระบบแจ้งเตือนโซเชียลมีเดียไทยสำหรับธุรกิจด้วยซัพพอร์ทเวกเตอร์แมชชีน. Panyapiwat Journal, 8, 223-233.
Chanakot, B., & Sanrach, C. (2024). A Thai-language chatbot analyzing mosquito-borne diseases using Jaccard similarity. Bulletin of Electrical Engineering and Informatics, 13(1), 648-655.
Gaye, B., & Wulamu, A. (2019). Sentiment analysis of text classification algorithms using confusion matrix. In Cyberspace Data and Intelligence, and Cyber-Living, Syndrome, and Health: International 2019 Cyberspace Congress, CyberDI and CyberLife, Beijing, China, December 16–18, 2019, Proceedings, Part I 3 (pp. 231-241). Springer Singapore.
Munawaroh, K., & Alamsyah. (2022). Performance comparison of SVM, Naïve Bayes, and KNN algorithms for analysis of public opinion sentiment against COVID-19 vaccination on Twitter. Journal of Advances in Information Systems and Technology, 4(2), 113–125.
Rahat, A. M., Kahir, A., & Masum, A. K. M. (2019). Comparison of Naive Bayes and SVM Algorithm based on sentiment analysis using review dataset. In 2019 8th International Conference System Modeling and Advancement in Research Trends (SMART) (pp. 266-270).
Zhang, Y., Yun, Y., An, R., Cui, J., Dai, H., & Shang, X. (2021). Educational data mining techniques for student performance prediction: method review and comparison analysis. Frontiers in psychology, 12, 1-19.
