Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Association Rules Analysis and Prediction of Course Success in Thai MOOC
Year (A.D.)
2023
Document Type
Thesis
First Advisor
สุรศักดิ์ เก้าเอี้ยน
Faculty/College
Faculty of Education (คณะครุศาสตร์)
Department (if any)
Department of Educational Research and Psychology (ภาควิชาวิจัยและจิตวิทยาการศึกษา)
Degree Name
ครุศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
วิธีวิทยาการพัฒนานวัตกรรมทางการศึกษา
DOI
10.58837/CHULA.THE.2023.385
Abstract
การวิจัยในครั้งนี้มีวัตถุประสงค์เพื่อวิเคราะห์และเปรียบเทียบกฎความสัมพันธ์ของรูปแบบการลงทะเบียนเรียนบนระบบ Thai MOOC ของผู้ใช้บริการที่สำเร็จอย่างน้อย 1 รายวิชาและผู้ใช้บริการที่ไม่สำเร็จ และสร้างโมเดลทำนายความสำเร็จในการเรียนโดยใช้พฤติกรรมการลงทะเบียนเรียนของผู้ใช้บริการ ข้อมูลที่ใช้เป็นข้อมูลทุติยภูมิของการลงทะเบียนบน Thai MOOC ที่ได้รับความอนุเคราะห์จากโครงการมหาวิทยาลัยไซเบอร์ไทย ซึ่งเป็นประวัติการลงทะเบียนเรียนของผู้ใช้บริการจำนวน 1,339,191 คน ผลการวิจัยพบว่า 1. ผู้ใช้บริการที่เรียนสำเร็จอย่างน้อย 1 รายวิชาคิดเป็นร้อยละ 48.47 จากผู้ใช้บริการทั้งหมดจำนวน 1,339,191 คน กลุ่มรายวิชาที่มีจำนวนครั้งและจำนวนผู้ใช้บริการที่ลงทะเบียนเรียนมากที่สุดคือกลุ่มรายวิชาคอมพิวเตอร์และเทคโนโลยี กลุ่มรายวิชาที่จำนวนครั้งและร้อยละของจำนวนผู้ใช้บริการที่ประสบความสำเร็จมากที่สุดคือกลุ่มรายวิชาสังคมการเมืองและการปกครอง ในส่วนของรายวิชาที่มีร้อยละความสำเร็จของผู้ใช้บริการมากที่สุดคือรายวิชาการสร้างเครือข่ายด้วยการสื่อสารผ่านสื่อสังคมออนไลน์ ซึ่งเท่ากับร้อยละ 96.80 จากผู้ลงทะเบียนเรียนจำนวน 54,214 คน ในขณะที่รายวิชาที่มีร้อยละความสำเร็จน้อยที่สุดคือรายวิชาการถ่ายภาพบุคคล ซึ่งเท่ากับร้อยละ 34.23 จากผู้ลงทะเบียนจำนวน 21,781 คน 2. อัลกอริทึมที่เหมาะสมกับชุดข้อมูลในทุกชุดคือ FPMAX โดยมีค่าสนับสนุนขั้นต่ำที่เหมาะสมกับชุดข้อมูลคือ 0.001 และ 0.005 ซึ่งกฎความสัมพันธ์ของรูปแบบการลงทะเบียนเรียนบนระบบ Thai MOOC ของผู้ใช้บริการทั้งหมดที่ได้มีจำนวน 217 กฎ โดยหลังจากที่ได้ตัดแต่งกฎความสัมพันธ์โดยใช้เกณฑ์คือค่า confidence และค่า lift สูงกว่าเปอร์เซ็นไทล์ที่ 90 ทำให้เหลือจำนวน 27 กฎ โดยมีค่า confident อยู่ในช่วง 0.53 - 0.83 และค่า lift อยู่ในช่วง 26.46 - 52.59 เท่า โดยที่รายวิชาที่ปรากฏภายในกฎพบว่าส่วนใหญ่เป็นรายวิชาในกลุ่มคอมพิวเตอร์และเทคโนโลยี 3. ผลการเปรียบเทียบกฎความสัมพันธ์ของรูปแบบการลงทะเบียนเรียนของผู้ใช้บริการที่สำเร็จอย่างน้อย 1 รายวิชาและไม่สำเร็จ จากกฎความสัมพันธ์ที่ได้มาจำนวน 383 และ 327 ตามลำดับ หลังจากที่ได้ตัดแต่งกฎความสัมพันธ์โดยใช้เกณฑ์คือค่า confidence และค่า lift สูงกว่าเปอร์เซ็นไทล์ที่ 90 จะได้จำนวน 39 และ 32 กฎ ตามลำดับ โดยกฎความสัมพันธ์ของรูปแบบการลงทะเบียนเรียนของผู้ใช้บริการที่เรียนสำเร็จอย่างน้อย 1 รายวิชามีความหลากหลายของรูปแบบการลงทะเบียนเรียนมากกว่าของผู้ใช้บริการที่ยังเรียนไม่สำเร็จรายวิชาใด ๆ ในขณะที่กฎความสัมพันธ์รูปแบบการลงทะเบียนเรียนของผู้ใช้บริการที่ยังเรียนไม่สำเร็จในรายวิชาใด ๆ มีความหลากหลายของรายวิชามากกว่าของผู้ใช้บริการที่เรียนสำเร็จอย่างน้อย 1 รายวิชา และกฎความสัมพันธ์ของรูปแบบการลงทะเบียนเรียนของผู้ใช้บริการเรียนสำเร็จอย่างน้อย 1 รายวิชามีพฤติกรรมการเปลี่ยนกลุ่มรายวิชาที่เรียน ในขณะที่ผู้ใช้บริการที่ยังเรียนไม่สำเร็จรายวิชาใด ๆ มีพฤติกรรมของการเปลี่ยนกลุ่มรายวิชากับไม่เปลี่ยนกลุ่มรายวิชาที่ไม่แตกต่างกันมากนัก โดยผู้ใช้บริการในกลุ่มนี้มักลงทะเบียนเรียนในกลุ่มรายวิชาภาษาและการสื่อสาร 4. ผลการวิเคราะห์โมเดลทำนายพบว่าแรนดอมฟอร์เรสสามารถจำแนกกลุ่มผู้ใช้บริการได้อย่างมีประสิทธิภาพมากที่สุด โดยมีค่าความถูกต้องร้อยละ 74.89 ค่าความไวร้อยละ 88.55 ค่าความจำเพาะร้อยละ 49.20 ค่าความเที่ยงร้อยละ 76.62 และ F1-Score ร้อยละ 81.06 โดยระยะห่างของเวลาที่ลงทะเบียนเรียนสามารถทำนายความสำเร็จในการเรียนของผู้ใช้บริการได้มากที่สุด รองลงมาเป็นจำนวนรายวิชาที่ลงทะเบียนเรียน และการลงทะเบียนเรียนตามกฎความสัมพันธ์ของผู้ใช้บริการที่สำเร็จ ตามลำดับ นอกจากนี้ยังพบปฏิสัมพันธ์ระหว่างพฤติกรรมการลงทะเบียนเรียนที่สามารถทำนายความสำเร็จในการเรียนได้ ได้แก่ 1) ปฏิสัมพันธ์ระหว่างจำนวนรายวิชาที่ลงทะเบียนเรียนและระยะห่างของเวลาที่ลงทะเบียนเรียน โดยผู้ใช้บริการที่มีการลงทะเบียนเรียนไม่เกิน 8 รายวิชาและมีการเว้นระยะห่างของการลงทะเบียนเรียนในรายวิชาถัดไปอย่างเหมาะสมมีแนวโน้มของความสำเร็จในการเรียนสูงขึ้น 2) ปฏิสัมพันธ์ระหว่างการลงทะเบียนเรียนตามกฎความสัมพันธ์ของผู้ใช้บริการที่สำเร็จกับจำนวนรายที่ลงทะเบียนเรียน โดยหากผู้ใช้บริการลงทะเบียนเรียนในรายวิชาตามกฎความสัมพันธ์ของผู้ใช้บริการที่สำเร็จและมีจำนวนรายวิชาไม่เกิน 8 รายวิชาจะมีแนวโน้มของความสำเร็จในการเรียนสูงกว่า เมื่อเทียบกับผู้ใช้บริการที่ไม่ได้ลงทะเบียนเรียนตามกฎความสัมพันธ์ในกลุ่มดังกล่าว 3) ปฏิสัมพันธ์ระหว่างการลงทะเบียนเรียนตามกฎความสัมพันธ์กับการเปลี่ยนกลุ่มรายวิชาที่ลงทะเบียนเรียน โดยถ้าผู้ใช้บริการลงทะเบียนเรียนตามกฎความสัมพันธ์โดยไม่เปลี่ยนกลุ่มรายวิชาที่ลงทะเบียนเรียนมีแนวโน้มของความสำเร็จในการเรียนที่สูงขึ้น
Other Abstract (Other language abstract of ETD)
The research aimed to analyze and compare the association rules of enrollment patterns on the Thai MOOC system between users who completed at least one course and those who did not, and to create a model to predict learning success based on users' enrollment behavior. The data used are secondary data from Thai MOOC enrollments, provided by the Thailand Cyber University Project, which includes the enrollment history of 1,339,191 users. The research findings are as follows: 1. Users who completed at least one course accounted for 48.47% of the total 1,339,191 users. The group of courses with the highest number of enrollments and users was the computer and technology group. The group with the highest number and percentage of successful users was the social, political, and governance group. The course with the highest success rate was "Building Networks Through Social Media Communication," with a 96.80% success rate from 54,214 enrolled users. The course with the lowest success rate was "Portrait Photography," with a 34.23% success rate from 21,781 enrolled users. 2. The suitable algorithm for all data sets was FPMAX, with appropriate minimum support values of 0.001 and 0.005. The association rules of enrollment patterns on the Thai MOOC system resulted in 217 rules. After pruning with the criteria of confidence and lift values above the 90th percentile, 27 rules remained, with confidence values ranging from 0.53 to 0.83 and lift values ranging from 26.46 to 52.59 times. The courses appearing in these rules were mostly from the computer and technology group. 3. Comparing the association rules of enrollment patterns between users who completed at least one course and those who did not, 383 and 327 rules were obtained, respectively. After pruning with the criteria of confidence and lift values above the 90th percentile, 39 and 32 rules remained, respectively. The association rules for users who completed at least one course showed more diverse enrollment patterns than those who did not complete any courses. Conversely, the association rules for users who did not complete any courses had more diverse courses than those for users who completed at least one course. Users who completed at least one course exhibited behavior of changing course groups, while users who did not complete any courses showed no significant difference in behavior between changing and not changing course groups, typically enrolling in language and communication courses. 4. The random forest model was found to be the most effective in classifying user groups, with an accuracy of 74.89%, sensitivity of 88.55%, specificity of 49.20%, precision of 76.62%, and F1-Score of 81.06%. The time interval between enrollments was the most predictive factor of learning success, followed by the number of enrolled courses and enrollment according to the association rules of successful users. Additionally, interactions between enrollment behaviors that could predict learning success were found, including: The interaction between the number of enrolled courses and the time interval between enrollments, where users who enrolled in no more than 8 courses and spaced their enrollments appropriately had a higher learning of success. The interaction between enrollment according to the association rules of successful users and the number of enrolled courses, where users who enrolled in courses according to these rules and enrolled in no more than 8 courses had a higher learning success compared to those who did not follow these rules. The interaction between enrollment according to the association rules and changing course groups, where users who enrolled according to the rules without changing course groups had a higher learning success.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
ทองมอญ, ปณิธิ, "การวิเคราะห์กฎความสัมพันธ์และการทำนายความสำเร็จในการเรียนรายวิชาในระบบหลักสูตรออนไลน์แบบเปิดเพื่อมวลชน" (2023). Chulalongkorn University Theses and Dissertations (Chula ETD). 12176.
https://digital.car.chula.ac.th/chulaetd/12176