การวิเคราะห์และการคาดการณ์จำนวนนักศึกษาปริญญาตรีที่ออกจากระบบโดยใช้การเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษาครั้งนี้จะนำเสนอการวิเคราะห์และเปรียบเทียบประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องแปดแบบ ได้แก่ Decision Tree, Random Forest, Logistic Regression, K-Nearest Neighbors, AdaBoost, Hist Gradient Boosting, XGBoost และ Light Gradient Boosting ในการระบุนักศึกษาปริญญาตรีที่มีความเสี่ยงในประเทศไทย การศึกษาครั้งนี้มุ่งเน้นไปที่การวิเคราะห์ข้อมูลทางวิชาการจากนักศึกษาในมหาวิทยาลัยเพื่อทำความเข้าใจปัจจัยที่มีอิทธิพลต่อความสำเร็จหรือความล้มเหลวทางวิชาการ และการพัฒนาโมเดลการทำนายเพื่อช่วยให้อาจารย์และผู้บริหารระบุแนวโน้มการเรียนรู้และนำกลยุทธ์การสอนที่มีประสิทธิภาพไปใช้ ชุดข้อมูลประกอบด้วยบันทึกจากนักศึกษาปริญญาตรี 2,104 คนในสาขาวิทยาศาสตร์และเทคโนโลยีตั้งแต่ปี 2020 ถึง 2024 ในประเทศไทย โดยมีคุณลักษณะข้อมูล 36 รายการ ในระหว่างการเตรียมข้อมูล ค่าที่ขาดหายไปจะถูกใส่โดยใช้เมธอด k-nearest neighbors (k=5) และความไม่สมดุลของคลาสได้รับการแก้ไขโดยใช้เทคนิคการสุ่มตัวอย่างชนกลุ่มน้อยแบบสังเคราะห์ (SMOTE) การกำจัดคุณลักษณะแบบเรียกซ้ำ (RFE) ถูกใช้เพื่อระบุคุณลักษณะที่สำคัญ ประสิทธิภาพของแบบจำลองได้รับการประเมินโดยใช้การตรวจสอบแบบไขว้โดยใช้ตัวชี้วัดหลักสี่ประการ ได้แก่ ความถูกต้อง ความแม่นยำ การเรียกคืน และคะแนน F1 ผลลัพธ์บ่งชี้ว่าแบบจำลอง Random Forest มีประสิทธิภาพดีที่สุด โดยบรรลุความถูกต้อง 84.32% ความแม่นยำ 0.85 การเรียกคืน 0.84 และคะแนน F1 0.85 ผลลัพธ์บ่งชี้ถึงศักยภาพที่สำคัญของแบบจำลองนี้ในระบบการศึกษา โดยเฉพาะอย่างยิ่งในการจัดเตรียมการแทรกแซงที่ตรงเป้าหมายสำหรับนักเรียนที่มีความเสี่ยงเพื่อลดอัตราการลาออกและเพิ่มความสำเร็จทางวิชาการ การวิจัยในอนาคตควรสำรวจปัจจัยที่มีอิทธิพลเพิ่มเติมและตรวจสอบแบบจำลองการเรียนรู้ของเครื่องจักรอื่น ๆ ที่อาจให้ประสิทธิภาพที่ดีขึ้น รวมทั้งเปรียบเทียบผลลัพธ์ในกลุ่มนักเรียนที่หลากหลายเพื่อให้มั่นใจถึงความน่าเชื่อถือและความสามารถในการนำไปใช้ที่กว้างขึ้น
Article Details
เอกสารอ้างอิง
AI Thailand. (2022). National AI action plan for Thailand’s development (2022–2027). https://ai.in.th/about-aithailand/
Al-Sulami, A., Al-Masre, M., & Al-Malki, N. (2023). Predicting at-risk students’ performance based on LMS activity using deep learning. International Journal of Advanced Computer Science and Applications, 14(6), 567–574. https://doi.org/10.14569/IJACSA.2023.0140661
Alshamaila, Y., Alsawalqah, H., Aljarah, I., Habib, M., Faris, H., Alshraideh, M., & Salih, B. A. (2024). An automatic prediction of students’ performance to support the university education system: A deep learning approach. Multimedia Tools and Applications, 83(15), 46369–46396. https://doi.org/10.1007/s11042-024-18262-4
Altabrawee, H., Ali, A. B. J., & Ajmi, Q. (2019). Predicting students’ performance using machine learning techniques. Journal of Physics: Conference Series, 1234(1), 012010. https://doi.org/10.1088/1742-6596/1234/1/012010
Arefin, S., Chowdhury, M., Parvez, R., Ahmed, T., Abrar, A. F. M. S., & Sumaiya, F. (2024). Understanding APT detection using machine learning algorithms: Is superior accuracy a thing? 2024 IEEE International Conference on Electro Information Technology (EIT),
–537. https://doi.org/10.1109/EIT60633.2024.10609886
Asselman, A., Khaldi, M., & Aammou, S. (2023). Enhancing the prediction of student performance based on the machine learning XGBoost algorithm. Interactive Learning Environments, 31(6), 3360–3379. https://doi.org/10.1080/10494820.2021.1928235
Ayyalasomayajula, M. M. T., Agarwal, A., & Khan, S. (2024). Reddit social media text analysis for depression prediction: Using logistic regression with enhanced term frequency-inverse document frequency features. International Journal of Electrical and Computer
Engineering, 14(5), 5998–6005. https://doi.org/10.11591/ijece.v14i5.pp5998-6005
Baabdullah, A. M. (2024). The precursors of AI adoption in business: Towards an efficient decision-making and functional performance. International Journal of Information Management, 75, Article 102745. https://doi.org/10.1016/j.ijinfomgt.2023.102745
Barzani, A. R., Pahlavani, P., Ghorbanzadeh, O., Gholamnia, K., & Ghamisi, P. (2024). Evaluating the impact of recursive feature elimination on machine learning models for predicting forest fire-prone zones. Fire, 7(12), Article 440. https://doi.org/10.3390/fire7120440
Cahaya Hidayati, C., Phyu Thet, E. W., & Nouanthong, P. (2024). Evaluation: Media booklet about education on prevention of flour albus for teenage girl. Journal Evaluation in Education (JEE), 5(2), 50–60. https://doi.org/10.37251/jee.v5i2.928
Gašević, D., Dawson, S., Rogers, T., & Gasevic, D. (2016). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. Internet and Higher Education, 28, 68–84. https://doi.org/10.1016/j.iheduc.
10.002
Halder, R. K., Uddin, M. N., Uddin, M. A., Aryal, S., & Khraisat, A. (2024). Enhancing K-nearest neighbor algorithm: A comprehensive review and performance analysis of modifications. Journal of Big Data, 11(1), 1–55. https://doi.org/10.1186/s40537-024-00973-y
Hashem, R., Ali, N., Zein, F. E., Fidalgo, P., & Khurma, O. A. (2024). AI to the rescue: Exploring the potential of ChatGPT as a teacher ally for workload relief and burnout prevention. Research and Practice in Technology Enhanced Learning, 19, Article 19023. https://
doi.org/10.58459/rptel.2024.19023
Hofmann, P., Lämmermann, L., & Urbach, N. (2024). Managing artificial intelligence applications in healthcare: Promoting information processing among stakeholders. International Journal of Information Management, 75, Article 102728. https://doi.org/10.1016/j.ijinfomgt.2023.102728
Hussain, S., & Khan, M. Q. (2023). Student-Performulator: Predicting students’ academic performance at secondary and intermediate level using machine learning. Annals of Data Science, 10(3), 637–655. https://doi.org/10.1007/s40745-021-00341-0
Ibrahim Adedeji Adeniran, I. A., Efunniyi, C. P., Osundare, O. S., & Abhulimen, A. O. (2024). Integrating business intelligence and predictive analytics in banking: A framework for optimizing financial decision-making. Finance & Accounting Research Journal, 6(8),
–1530. https://doi.org/10.51594/farj.v6i8.1505
Ibrahim, M., Abdelraouf, H., Amin, K. M., & Semary, N. (2023). Keystroke dynamics based user authentication using histogram gradient boosting. International Journal of Computers and Information (IJCI), 9(2). https://ijci.journals.ekb.eg/
Kumar, P., Senthil Pandi, S., Kumaragurubaran, T., & Rahul Chiranjeevi, V. (2024). Human activity recognitions in handheld devices using random forest algorithm. 2024 International Conference on Automation and Computation (AUTOCOM), 159–163. https://doi.
org/10.1109/AUTOCOM60220.2024.10486087
Li, H., Song, J., Xue, M., Zhang, H., & Song, M. (2024). A survey of neural trees: Co-evolving neural networks and decision trees. IEEE Transactions on Neural Networks and Learning Systems. Advance online publication. https://doi.org/10.1109/TNNLS.2024.3446891
Nayak, P., Vaheed, S., Gupta, S., & Mohan, N. (2023). Predicting students’ academic performance by mining the educational data through machine learning-based classification model. Education and Information Technologies, 28(11), 14611–14637. https://doi.org/
1007/s10639-023-11706-8
Omotehinwa, T. O., Oyewola, D. O., & Moung, E. G. (2024). Optimizing the light gradient-boosting machine algorithm for an efficient early detection of coronary heart disease. Informatics and Health, 1(2), 70–81. https://doi.org/10.1016/j.infoh.2024.06.001
Pamir, Javaid, N., Akbar, M., Aldegheishem, A., Alrajeh, N., & Mohammed, E. A. (2022). Employing a machine learning boosting classifiers based stacking ensemble model for detecting non technical losses in smart grids. IEEE Access, 10, 121886–121899. https://doi.
org/10.1109/ACCESS.2022.3222883
Perez, B., Castellanos, C., & Correal, D. (2018). Applying data mining techniques to predict student dropout: A case study. 2018 IEEE 1st Colombian Conference on Applications in Computational Intelligence (Col-CACI). https://doi.org/10.1109/COLCACI.2018.8484847
Peterson, L. E. (2009). K-nearest neighbor. Scholarpedia, 4(2), Article 1883. https://doi.org/10.4249/scholarpedia. 1883
Rabbi, F., Ullah, N., Hossain, I., Ashour, O. M., & Ashour, O. (2024). Predicting management skills of undergraduate students by leveraging different machine learning classifiers [Preprint]. ResearchGate. https://www.researchgate.net/publication/380880140
Rahayu, W., Jollyta, D., Hajjah, A., Nora Marlim, Y., & Desnelita, Y. (2024). Synthetic Minority Oversampling Technique (SMOTE) for boosting the accuracy of C4.5 algorithm model. Journal of Artificial Intelligence and Engineering Applications, 3(3). https://ioinformatic.
org/
Rastrollo-Guerrero, J. L., Gómez-Pulido, J. A., & Durán-Domínguez, A. (2020). Analyzing and predicting students’ performance by means of machine learning: A review. Applied Sciences, 10(3), Article 1042. https://doi.org/10.3390/app10031042
Shoaib, M., Sayed, N., Singh, J., Shafi, J., Khan, S., & Ali, F. (2024). AI student success predictor: Enhancing personalized learning in campus management systems. Computers in Human Behavior, 158, Article 108301. https://doi.org/10.1016/j.chb.2024.108301
Singh, S. P., Singh, P., & Mishra, A. (2020). Predicting potential applicants for any private college using LightGBM. 2020 International Conference on Innovative Trends in Information Technology (ICITIIT). https://doi.org/10.1109/ICITIIT49094.2020.9071525
Venkatesan, R. G., Karmegam, D., & Mappillairaju, B. (2024). Exploring statistical approaches for predicting student dropout in education: A systematic review and meta-analysis. Journal of Computational Social Science, 7(1), 171–196. https://doi.org/10.1007/
s42001-023-00231-w
Weist, M. D., Garbacz, A., Schultz, B., Bradshaw, C. P., & Lane, K. L. (2024). Revisiting the percentage of K-12 students in need of preventive interventions in schools in a “peri-COVID” era: Implications for the implementation of tiered programming. Prevention
Science, 25(3), 481–487. https://doi.org/10.1007/s11121-023-01618-x
Wijayanti, E. B., Rosal, D., Setiadi, I. M., & Setyoko, B. H. (2024). Dataset analysis and feature characteristics to predict rice production based on eXtreme Gradient Boosting. Journal of Computing Theories and Applications, 1(3), 299–310. https://doi.org/10.62411/
jcta.10057
Xing, H. J., Liu, W. T., & Wang, X. Z. (2024). Bounded exponential loss function based AdaBoost ensemble of OCSVMs. Pattern Recognition, 148, Article 110191. https://doi.org/10.1016/j.patcog.2023.110191
Xu, Q., & Yin, J. (2021). Application of Random Forest algorithm in physical education. Scientific Programming, 2021, Article 1996904. https://doi.org/10.1155 /2021/1996904
Yu, C., Jin, Y., Xing, Q., Zhang, Y., Guo, S., & Meng, S. (2024). Advanced user credit risk prediction model using LightGBM, XGBoost and Tabnet with SMOTEENN [Preprint]. arXiv. https://arxiv.org/abs/2408.03497v1
