การทำนายผลสัมฤทธิ์ในการเรียนวิชากายวิภาคศาสตร์ของนักศึกษาปริญญาตรี วิทยาลัยเชียงราย ด้วยการวิเคราะห์การจำแนกและโครงข่ายประสาทเทียม

Abstract

             การวิจัยครั้งนี้มีวัตถุประสงค์ เพื่อศึกษาการทำนายผลสัมฤทธิ์ในการเรียนวิชากายวิภาคศาสตร์ของนักศึกษาปริญญาตรี วิทยาลัยเชียงราย ด้วยการวิเคราะห์การจำแนก และโครงข่ายประสาทเทียม กลุ่มตัวอย่างที่ใช้ในการวิจัยครั้งนี้ คือข้อมูลของนักศึกษาคณะพยาบาลศาสตร์ ในช่วงตั้งแต่ปีการศึกษา 2555 – 2557 จำนวน 343 คน ประกอบด้วย เพศ เกรดเฉลี่ยรายวิชากายวิภาคศาสตร์ เกรดเฉลี่ยรายวิชาภาษาอังกฤษเพื่อการฟังและการพูด เกรดเฉลี่ยรายวิชาภาษาอังกฤษเพื่อการอ่านและการเขียน เกรดเฉลี่ยชีววิทยาสำหรับวิทยาศาสตร์สุขภาพ เกรดเฉลี่ยสะสมในภาคการศึกษาที่ 1 ปีที่ 1 เกรดเฉลี่ยสะสมในระดับมัธยมศึกษาตอนปลาย เกรดเฉลี่ยสะสมกลุ่มวิชาภาษาอังกฤษระดับมัธยมศึกษาตอนปลาย และเกรดเฉลี่ยสะสมกลุ่มวิชาวิทยาศาสตร์ระดับมัธยมศึกษาตอนปลาย วิเคราะห์ข้อมูลด้วยสถิติการวิเคราะห์การจำแนกและโครงข่ายประสาทเทียม

             ผลการวิจัยพบว่า การทำนายผลสัมฤทธิ์ในการเรียนรายวิชากายวิภาคศาสตร์ของนักศึกษาตามตัวแปรจำแนกด้วยวิธีโครงข่ายประสาทเทียมแบบแพร่กระจายย้อนกลับโดยใช้ตัวแปรนำเข้าทั้งหมด (4–4-3) ได้ค่าความถูกต้อง 77.98% และวิเคราะห์การจำแนกได้ค่าความถูกต้อง 72.59%

             The purposes of this research were to study Prediction of Learning Achievement on Anatomy Course of Chiangrai College Undergraduate Students by Discriminant Analysis and Artificial Neural Networks. The sample size was 343 people that consisted of nurse students in academic year 2012 – 2014. The data are sex , GPA of Anatomy Course , GPA of Listening and Speaking in English Course , GPA of Reading and Writing in English Course , GPA of Biology for Health Science Course , GPA the first semester of the first year , GPA in High School , GPA group of English in High School and GPA group of Science in High School. The data had been analyzed by applying statistics method of Discriminant Analysis and Artificial Neural Network Back Propagation.

             The results showed that Prediction achievement in learning the anatomy of students classified as variable with an artificial neural network back propagation using variable import all (4-4-3) has a 77.98% accuracy and analyzing Discriminant Analysis accuracy 72.59%