Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/76736
Title: การวิเคราะห์การเรียนรู้ด้วยวิธีการเรียนรู้ของเครื่องเพื่อส่งเสริมความยึดมั่นผูกพันในการวิจัยและเจตคติต่อการวิจัยของนักศึกษาครู
Other Titles: Learning analytics with machine learning for enhancing student teachers' research engagement and attitude towards research
Authors: ลภัสพิชชา สุรวาทกุล
Advisors: ชยุตม์ ภิรมย์สมบัติ
สุวิมล ว่องวาณิช
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะครุศาสตร์
Subjects: การเรียนรู้ของเครื่อง
วิจัย
นักศึกษาครู
Machine learning
Research
Student teachers
Issue Date: 2563
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: การวิเคราะห์การเรียนรู้เป็นการใช้ข้อมูลขนาดใหญ่ที่ถูกบันทึกและจัดเก็บในระบบการจัดการเรียนรู้ในการศึกษาเพื่อทำความเข้าใจลักษณะการเรียนรู้หรือกำกับติดตามการเรียนรู้ของผู้เรียน อีกทั้งยังสามารถให้สารสนเทศที่เป็นประโยชน์และทันท่วงทีในการพัฒนาการจัดการเรียนการสอนและส่งเสริมผู้เรียนได้อย่างตรงจุด การวิจัยครั้งนี้ใช้ข้อมูลจากหน่วยกิจกรรมออนไลน์การวิจัยทางการศึกษาในการกำหนดเป็นตัวแปรแทนของความยึดมั่นผูกพันในการวิจัยและเจตคติต่อการวิจัยเพื่อศึกษาการจำแนกผู้เรียนเป็นกลุ่มที่แตกต่างกันตามลักษณะการเรียนรู้ในระบบ วัตถุประสงค์การวิจัยครั้งนี้ประกอบด้วย 1) เพื่อวิเคราะห์และเปรียบเทียบประสิทธิผลของการจำแนกกลุ่มผู้เรียนด้านความยึดมั่นผูกพันในการวิจัยและเจตคติต่อการวิจัย ระหว่างการใช้เทคนิคการเรียนรู้ของเครื่อง และการใช้เครื่องมือวัดตัวแปรที่แตกต่างกัน 2) เพื่อวิเคราะห์และเสนอตัวแปรแทนและโมเดลการจำแนกผู้เรียนด้านความยึดมั่นผูกพันในการวิจัยและเจตคติต่อการวิจัยที่เหมาะสมเพื่อใช้ในการวิเคราะห์การเรียนรู้ ตัวอย่างวิจัย คือ นิสิตนักศึกษาครู ระดับปริญญาตรี คณะครุศาสตร์และศึกษาศาสตร์ เก็บรวบรวมข้อมูลด้วยหน่วยกิจกรรมออนไลน์ในระบบมูเดิล (Moodle) เพื่อให้ได้ข้อมูลตัวแปรแทน และใช้แบบสอบถามมาตรประมาณค่า 5 ระดับ เพื่อให้ได้ข้อมูลการรายงานตนเองของผู้เรียน วิเคราะห์ข้อมูลด้วยสถิติเชิงบรรยาย การเรียนรู้ของเครื่องด้วยการจัดกลุ่มด้วยเทคนิคเคมีน การจำแนกกลุ่มด้วยเทคนิคต้นไม้ตัดสินใจ เนอีฟเบย์ และโครงข่ายประสาทเทียม และการวิเคราะห์อารมณ์ความรู้สึก ผลการวิจัยสรุปได้ดังนี้ 1) เครื่องมือวัดแบบมาตรประมาณค่าในการวัดความยึดมั่นผูกพันในการวิจัยและเจตคติต่อการวิจัยมีค่าความเที่ยงในระดับสูง (alphaeng = .95 และ alphaatt =.90) โมเดลการวัดมีความตรงเชิงโครงสร้างโดยสอดคล้องกับข้อมูลเชิงประจักษ์ทั้งสองตัวแปร (Chi-Squareeng (227, N=228) = 211.93,  p = .76 และ Chi-Squareatt (25, N=228) = 17.66,  p = .86) ตัวแปรแทนของความยึดมั่นผูกพันในการวิจัยมีจำนวน 40 ตัวแปรซึ่งเป็นพฤติกรรมของผู้เรียนที่คัดเลือกจากตัวแปรทั้งหมด 60 ตัวแปรในระบบ และตัวแปรแทนของเจตคติต่อการวิจัยมีจำนวน 309 ตัวแปร โดยอยู่ในรูปแบบหน่วยคำอารมณ์ความรู้สึก; 2) การวิเคราะห์ด้วยเทคนิคเคมีนให้ผลการจัดกลุ่มผู้เรียนด้านความยึดมั่นผูกพันในการวิจัยที่เหมาะสมเบื้องต้น การวิเคราะห์เพื่อจำแนกผู้เรียนด้านความยึดมั่นผูกพันต่อการวิจัยด้วยเทคนิคต้นไม้ตัดสินใจ เนอีฟเบย์ และโครงข่ายประสาทเทียม พบว่า การจำแนกผู้เรียนเป็น 2 กลุ่มมีค่าความแม่นยำ (accuracy) เท่ากับ .86 .84 และ .87 ตามลำดับ สำหรับการจำแนกผู้เรียนเป็น 3 กลุ่มพบว่า มีค่าความแม่นยำ (accuracy) เท่ากับ .88 .80 และ .86 ตามลำดับ การจำแนกผู้เรียนด้านเจตคติต่อการวิจัยพบว่า ผู้เรียนส่วนใหญ่มีเจตคติเชิงบวก คำที่พบได้มาก เช่น “เข้าใจ” “ง่าย” “สนใจ” “สนุก” สำหรับกลุ่มที่มีเจตคติเชิงลบ คำที่พบได้มาก เช่น “ยาก” “สับสน” “ไม่เข้าใจ” นอกจากนี้ ผลจากแบบสอบถามมาตรประมาณค่าพบว่า ในภาพรวมผู้เรียนมีความยึดมั่นผูกพันต่อการวิจัยในระดับปานกลาง (Meng = 3.50, SDeng = .64) และมีเจตคติต่อการวิจัยในระดับสูง (Matt = 4.06, SDatt = .59) ความแตกต่างของผลการใช้การวัดด้วยตัวแปรแทนและแบบสอบถามมาตรประมาณค่ามีประเด็นที่นำเสนอได้ทั้งในเชิงของแนวคิดและการนำไปใช้ในทางปฏิบัติ; 3) ตัวแปรแทนที่มีบทบาทสำคัญและมีความเหมาะสมในการจำแนกผู้เรียนด้านความยึดมั่นผูกพันในการวิจัย ส่วนใหญ่เป็นตัวแปรแทนประเภทการดำเนินการทำกิจกรรม (progress) และความพยายามในการทำกิจกรรมส่วนต่าง ๆ (attempt) ทั้งนี้ ตัวแปรแทนประเภทการมีส่วนร่วมโดยรวมในระบบ (attendance) และจำนวนกิจกรรมที่ทำครบ (task completion) ซึ่งมักพบในแนวทางดั้งเดิมนั้น สามารถใช้จำแนกผู้เรียนได้ แต่ไม่ใช่ตัวแปรแทนที่มีบทบาทสำคัญลำดับต้น ตัวแปรแทนที่มีความสำคัญและเหมาะสมในการจำแนกเจตคติต่อการวิจัยเป็นหน่วยคำที่เกี่ยวข้องกับความยากง่ายและมุมมองต่อลักษณะของหัวข้อหรือกิจกรรม การรับรู้ความสามารถของตนเอง ความรู้สึกขณะการทำกิจกรรม การรับรู้ถึงการพัฒนาตนเองในทักษะต่าง ๆ
Other Abstract: Using big data automatically recorded on a learning management system (LMS), learning analytics could not only trace students’ learning performance and learning habits, but also provide useful and real-time insights for stakeholders to enhance students’ learning. This study applied learning analytics on student teachers’ data from an online educational research course to investigate and classify their research engagement and attitude towards research. Specifically, the major objectives of this research were to 1) analyze and compare the effectiveness of the classification on students’ research engagement and attitude towards research between different machine learning techniques and measurement methods, and 2) investigate and then select potential proxy variables to be used in the classification of students’ research engagement and attitude towards research. In this study, log-data from Moodle API as proxy variables as well as data collected by 5-point rating scales were two main sources of data. The data were then analyzed by descriptive statistics, four machine learning techniques (i.e., k-means clustering, decision tree, naïve Bayes, and neural network), and sentiment analysis. The key research findings were as follows: 1) The scales measuring research engagement and attitude towards research had high levels of internal consistency (alphaeng = .95 and alphaatt = .90) and adequate levels of construct validity (Chi-Squareeng (227, N = 228) = 211.93, p = .76 and Chi-Squareatt (25, N = 228) = 17.66, p = .86). Among 60 variables from Moodle log-data, 40 of them which were students’ variables were carefully selected to use as proxy variables for investigating students’ research engagement, and 309 sentiment words/statements as proxy variables for their attitude towards research.; 2) Using results from K-means clustering as initial labels/groups of research engagement, the decision tree, naïve Bayes, and neural network, all with 2 groups, yielded accuracy levels of .86, .84 and .87, respectively, while those with 3-group solutions provided accuracy levels of .88, .80 and .85, respectively. The classification of students’ attitude towards research showed a great proportion of students in the group of positive attitudes. Some common positive words were “understand”, “easy”, “interested”, and “fun”; and negative words were “difficult”, “confused”, and “don’t understand”. On the other hand, it was found from the traditional measurement method that students’ research engagement and attitude towards research were moderate and high (Meng = 3.50, SDeng = .64, Matt = 4.06, SDatt = .59). The differences between results obtained from learning analytics with proxy data and traditional measurement were discussed in detail, both theoretically and practically.; 3) Most of proxy variables with high potential to classify students’ research engagement were related to students’ learning progress and attempts in each activity. In the context of online learning platform, traditional engagement variables, e.g., attendance and task completion, were also useful to classify students but less effective. In terms of classifying students’ attitude towards research, words related to the difficulty level of topics/activities, characteristics of topics/activities, self-efficacy, feeling during learning, and development in knowledge and skills were useful and informative.
Description: วิทยานิพนธ์ (ค.ด.)--จุฬาลงกรณ์มหาวิทยาลัย, 2563
Degree Name: ครุศาสตรดุษฎีบัณฑิต
Degree Level: ปริญญาเอก
Degree Discipline: วิธีวิทยาการวิจัยการศึกษา
URI: http://cuir.car.chula.ac.th/handle/123456789/76736
URI: http://doi.org/10.58837/CHULA.THE.2020.1054
metadata.dc.identifier.DOI: 10.58837/CHULA.THE.2020.1054
Type: Thesis
Appears in Collections:Edu - Theses

Files in This Item:
File Description SizeFormat 
6184222627.pdf5.65 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.