ระบบวินิจฉัยแบบอัจฉริยะสำหรับการฝึกกลยุทธ์การอ่านด้วยการเสริมต่อการเรียนรู้เพื่อยกระดับทักษะการอ่านภาษาอังกฤษเชิงวิชาการของนิสิตนักศึกษาชั้นปี 1

Abstract

วัตถุประสงค์หลักของการศึกษาครั้งนี้คือเพื่อนำเสนอระบบวินิจฉัยแบบอัจฉริยะสำหรับการฝึกกลยุทธ์การอ่านด้วยการเสริมต่อการเรียนรู้เพื่อยกระดับทักษะการอ่านภาษาอังกฤษเชิงวิชาการของนิสิตนักศึกษาชั้นปีที่ 1 เป็นการวิจัยและพัฒนา ผู้วิจัยได้สัมภาษณ์อาจารย์ผู้มีประสบการณ์การสอนสูง 6 คน เพื่อศึกษาเกี่ยวกับการจัดการเรียนการสอน และปัญหาของนิสิตนักศึกษาชั้นปีที่ 1 การสังเคราะห์ทักษะการอ่านที่วัดในข้อสอบ TOEFL ข้อสอบ IELTS และทักษะที่เป็นปัญหาของนิสิตนักศึกษาชั้นปีที่ 1 ที่ได้จากข้อมูลสัมภาษณ์พบว่า มีทักษะการอ่านที่จำเป็นสำหรับการอ่านภาษาอังกฤษเชิงวิชาการ 10 ทักษะ นำทักษะเหล่านี้มาสร้างแบบวินิจฉัยแบบปรนัย 4 ตัวเลือกเพื่อวัด 10 ทักษะ ทักษะละ 4 ข้อ รวม 40 ข้อโดยดำเนินการตามขั้นตอนต่างๆของทฤษฎีการทดสอบแบบดั้งเดิม การตรวจคะแนนทักษะใช้เกณฑ์ผ่านร้อยละ 75 หรือตอบถูกอย่างน้อย 3 จาก 4 ข้อ ของแต่ละทักษะ

การวิเคราะห์ข้อมูลใช้เทคนิคการสร้างเหมืองข้อมูล (data mining) และวิเคราะห์ทางสถิติโดยใช้ two-step cluster analysis นิสิตนักศึกษาที่ใช้สำหรับการเก็บข้อมูลชุดแรกคือนิสิตนักศึกษามหาวิทยาลัยแม่ฟ้าหลวงชั้นปีที่ 1 ในภาคเรียนปลายปีการศึกษา 2558 จำนวน 279 คน เป็นข้อมูลจากคะแนนทักษะจากการสอบแบบวินิจฉัยและการตอบแบบสอบถามเกี่ยวกับคุณลักษณะ การวิเคราะห์ขั้นต้นสามารถแบ่งผู้เรียนได้เป็น 3 ประเภท การวิเคราะห์ในขั้นต่อมาแบ่งผู้เรียนออกเป็น 5 ประเภท การวิเคราะห์คุณลักษณะของผู้เรียนพบว่าเมื่อใช้คุณลักษณะที่สำคัญ 3 คุณลักษณะ คือ สำนักวิชาที่ศึกษา โรงเรียนที่จบชั้นมัธยมศึกษาปีที่ 6 และคะแนน GPA มัธยมศึกษาปีที่ 6 ทำให้ความแม่นยำในการทำนายสูงที่สุดคือ ร้อยละ 95.5 การวิเคราะห์ในขั้นสุดท้ายโดยใช้ Pearson’s Correlation พบว่ามีทักษะต่างๆ 4 กลุ่มที่มีความสัมพันธ์ซึ่งกันและกันในเชิงบวก ข้อมูลสหสัมพันธ์นี้ใช้เพื่อการกำหนดบทฝึกที่ผู้ใช้หลักหรือ lead users ที่เป็นตัวแทนของผู้เรียนแต่ละประเภทต้องฝึก

เมื่อได้ผลของความสัมพันธ์ระหว่างทักษะการอ่าน 10 ทักษะและตัวแบบการอ่านเรียบร้อยแล้ว ผู้วิจัยเก็บข้อมูลชุดที่สองจากนิสิตนักศึกษาชั้นปีที่ 1 มหาวิทยาลับแม่ฟ้าหลวง ในภาคเรียนต้นปีการศึกษา 2559 จำนวน 570 คน เพื่อใช้เป็นคะแนน Pretest เมื่อนำคะแนนทักษะ (จาก 10 ทักษะ) ของนิสิตนักศึกษาเหล่านี้เข้าสู่ระบบวินิจฉัยอัจฉริยะ ระบบทำการจำแนกผู้เรียนออกเป็น 10 ประเภท กลุ่มตัวอย่าง 30 คน ได้รับการคัดเลือกเป็นผู้ใช้หลักหรือ lead users จากผู้เรียน 10 ประเภทตามสัดส่วนของสมาชิกในแต่ละประเภท ผู้ใช้หลักได้รับมอบหมายให้ฝึกบทฝึกด้วยตนเองจำนวน 2 หรือ 3 บทฝึกเป็นเวลา 2 สัปดาห์ก่อนสอบ Posttest แต่เนื่องจากเมื่อครบ 2 สัปดาห์ มีผู้ใช้หลักที่ไม่มาสอบ 5 คน จึงเหลือผู้ใช้หลักที่เข้าสอบเพียง 25 คน ผลการศึกษาการใช้ระบบวินิจฉัยแบบอัจฉริยะและบทฝึกทักษะพบว่า 56% ของผู้ใช้หลักได้คะแนน Posttest (จาก 40 คะแนน) สูงขึ้นหรือเท่าเดิม และ 68% ของผู้ใช้หลักผ่านทักษะ (จาก 10 ทักษะ) สูงขึ้นหรือเท่าเดิม ดังนั้นจึงแสดงว่าการจำแนกประเภทของผู้เรียนโดยใช้ two-step cluster analysis ในเทคนิคการสร้างเหมืองข้อมูลมีความสามารถในการทำนายและการใช้ระบบวินิจฉัยแบบอัจฉริยะสำหรับการฝึกกลยุทธ์ทักษะการอ่านสามารถเสริมต่อการเรียนรู้เพื่อยกระดับทักษะการอ่านภาษาอังกฤษเชิงวิชาการของนิสิตนักศึกษาชั้นปีที่ 1 ส่วนใหญ่