การค้นหาปัจจัยที่ส่งผลต่อการพ้นสภาพกลางคันของนักศึกษาโดยใช้การค้นหากฎความสัมพันธ์
Article Sidebar
Main Article Content
บทคัดย่อ
คณะนิติศาสตร์ มหาวิทยาลัยราชภัฏสุราษฎร์ธานี ประสบปัญหานักศึกษาพ้นสภาพกลางคันเป็นจำนวนมาก งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อค้นหาปัจจัยที่ส่งผลต่อการพ้นสภาพกลางคันของนักศึกษาโดยใช้เทคนิคการค้นหากฎความสัมพันธ์ (Association rule) ค้นหาความสัมพันธ์ของปัจจัย ที่ส่งผลให้นักศึกษาพ้นสภาพกลางคันในภาพรวม วิเคราะห์เจาะลึกตามชั้นปี ตามประเภทการรับเข้า ตามปัจจัยส่วนบุคคล ตามผลการเรียนภูมิหลังการศึกษาก่อนเข้าศึกษาในมหาวิทยาลัย และตามผล การเรียนในระดับมหาวิทยาลัย โดยใช้ข้อมูลนักศึกษาที่เข้าศึกษาหลักสูตรนิติศาสตรบัณฑิต ที่เข้าศึกษาในช่วงปีการศึกษา 2555-2558 จำนวนรวมทั้งสิ้น 893 คน
ผลการวิจัยพบว่า ภูมิหลังการศึกษาของนักศึกษาเป็นปัจจัยสำคัญ ที่ส่งผลต่อการพ้นสภาพกลางคันของนักศึกษาในภาพรวมและส่งผลต่อการพ้นสภาพกลางคันของนักศึกษาในชั้นปีที่ 1-2 ไม่ว่าจะเป็นผลการเรียนเฉลี่ยกลุ่มสาระคณิตศาสตร์ระดับพอใช้ (1.00-1.99) ผลการเรียนเฉลี่ยกลุ่มสาระภาษาต่างประเทศระดับพอใช้ (1.00-1.99) และผลการเรียนรวมเฉลี่ยก่อนเข้ามหาวิทยาลัยระดับ ปานกลาง (2.00-2.99) นักศึกษาที่พ้นสภาพในชั้นปีที่ 1 มีปัจจัยผู้ปกครองมีรายได้ต่อปีน้อยร่วมด้วย สำหรับนักศึกษาชั้นปีที่ 3 ขึ้นไป พบว่า รายวิชาในหมวดวิชาศึกษาทั่วไป ได้แก่ ผลการเรียนรายวิชาวิทยาศาสตร์เพื่อคุณภาพชีวิตระดับต่ำ และผลการเรียนรายวิชาวิถีโลกทั้งระดับต่ำและระดับพอใช้ และรายวิชาในหมวดวิชาเฉพาะ ได้แก่ ผลการเรียนรายวิชาหลักกฎหมายเอกชนระดับตก ผลการเรียนรายวิชาหลักกฎหมายมหาชนระดับต่ำ และผลการเรียนรายวิชาประวัติศาสตร์กฎหมายระดับต่ำ ส่งผลต่อการพ้นสภาพกลางคัน ผลของงานวิจัย สามารถนำไปประยุกต์ใช้ในการแนะนำการเรียนของนักศึกษา เพื่อลดการพ้นสภาพกลางคัน และช่วยประกอบการตัดสินใจสำหรับผู้บริหารในการกำหนดนโยบาย วางแผนกลยุทธ์ ส่งเสริม สนับสนุน และพัฒนาคุณภาพการจัดการเรียนการสอนของมหาวิทยาลัยให้ดียิ่งขึ้น
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
ซอและ เกปัน, พิมลพรรณ ลีลาภัทรพันธุ์, และอัจฉราพร ยกขุน. (2561). การวิเคราะห์ปัจจัยที่มีผล
ต่อการพ้นสภาพของนักศึกษาโดยใช้เทคนิคเหมืองข้อมูล กรณีศึกษา หลักสูตรวิทยาการ
คอมพิวเตอร์และหลักสูตรเทคโนโลยีสารสนเทศ มหาวิทยาลัยราชภัฏยะลา. Veridian
E-Journal, Science and Technology Silpakorn University, 5(4), 96-110.
บุษราภรณ์ มหัทธนชัย, ครรชิต มาลัยวงศ์, เสมอแข สมหอม, และณัฐิยา ตันตรานนท์. (2559).
กฎความสัมพันธ์ของรายวิชาที่มีผลต่อการพ้นสภาพนักศึกษาโดยใช้อัลกอรึทึมอพริโอริ.
ในการประชุมวิชาการระดับชาติ มหาวิทยาลัยราชภัฏกำแพงเพชร ครั้งที่ 3 (น.456-469).
กำแพงเพชร: มหาวิทยาลัยราชภัฏกำแพงเพชร.
เอกสิทธิ์ พัชรวงศ์ศักดา. (2557). การวิเคราะห์ข้อมูลด้วยเทคนิคดาต้า ไมน์นิง เบื้องต้น (พิมพ์ ครั้งที่ 2). กรุงเทพฯ: เอเชีย ดิจิตอลการพิมพ์.
เอกสิทธิ์ พัชรวงศ์ศักดา. (2558). Introduction to Business Analytics with RapidMiner studio 6.
กรุงเทพฯ: เอเชีย ดิจิตอลการพิมพ์.
Alkan, N. (2014). Humor, Loneliness and Acceptance: Predictors of University Drop-out Intentions.
Procedia-Social and Behavioral Sciences, 152, 1079-1086. Doi:10/1016/j.sbspro.2014 .09.278
Asif, R., Merceron, A., Ali, S. A., & Haider, N.G. (2017). Analyzing undergraduate students'
performance using educational data mining. Computers & Education, 133,
-194. doi:10.1016/j.compedu.2017.05.007
Burgos, C., Campanario, M. L., Peña D., Lara, J. A., Lizcano, D., & Martínez, M. A. (2018).
Data mining for modeling students’ performance: A tutoring action plan to prevent
academic dropout. Computers & Electrical Engineering, 66, 541-556. doi:
1016/j.compeleceng.2017.03.005
Chung, J. Y., & Lee, S. (2019). Dropout early warning systems for high school students using
machine learning. Children and Youth Services Review, 96, 346-353. doi:
1016/j.childyouth.2018.11.030
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rded).
Morgan Kaufmann. Naltham, USA: Morgan Kaufmann.
Ryan, J. M.,Potier, T., Sherwin, A., & Cassidy, E. (2017). Identifying factors that predict
attrition among first year physiotherapy students: a retrospective analysis,
Physiotherapy Journal. doi: 10.1016/j.physio.2017.04.001
Shearer, C. (2000). The CRISP-DM model: The new blueprint for data mining. Journal of Data
Warehousing, 5(4), 13–22.
