การประยุกต์ใช้โครงข่ายประสาทเทียมในการคัดเลือกข้อสอบข้อถัดไป สำหรับการทดสอบแบบปรับเหมาะด้วยคอมพิวเตอร์แบบพหุมิติ
Main Article Content
บทคัดย่อ
การคัดเลือกข้อสอบข้อถัดไปโดยใช้โครงข่ายประสาทเทียม (artificial neural network) มีขั้นตอนที่สำคัญ 5 ขั้นตอน คือ 1. การรวบรวมข้อมูล (dataset) 2. การเตรียมข้อมูล (data preparation) มี 2 วิธี คือ 2.1 การจัดรูปแบบข้อมูล (formatting) แล้วทำการแปลงข้อมูล (data transformation) และ 2.2 การทำความสะอาดข้อมูล (data cleaning) 3. สร้างโมเดล (modeling) ด้วย algorithms neural net ทำเหมืองข้อมูล (data mining) โดยแบ่งข้อมูล dataset เป็น 2 ส่วน คือ กลุ่มเรียนรู้ (train set) 80 %, กลุ่มทดสอบ(test set) 20 % ปรับค่าพารามิเตอร์ neural network ให้มีประสิทธิภาพดีที่สุด คือ training cycle, learning rate, momentum 4. ทดสอบประสิทธิภาพของโมเดลด้วยวิธีการ 10-Fold cross-validation และประเมินประสิทธิภาพของโมเดล (Evaluation) ด้วยค่าความถูกต้อง (accuracy) ค่าความแม่นยำ (precision) ค่าความระลึก (recall) และค่าความถ่วงดุล (F-measure) และ 5. ขั้นการนำแบบโมเดลไปใช้งานจริง (deployment) โดยพัฒนาในรูปแบบเว็บแอปพลิเคชัน MCAT ใช้ภาษา PHP เขียนสคริปต์ (scripting) คำสั่งต่าง ๆ ใช้ prediction API (Application Programing Interface) มาเชื่อมต่อ algorithms neural net กับ application MCAT ในขั้น item selection algorithm และใช้ฐานข้อมูล MySQL สำหรับจัดเก็บข้อมูลแต่ละ attribute บน cloud hosting
Article Details

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม ถือเป็นลิขสิทธิ์ของวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนใดส่วนหนึ่งไปเผยแพร่ต่อหรือกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารการวัดผลการศึกษา มหาวิทยาลัยมหาสารคาม ก่อนเท่านั้น
References
Frey, A., & Seitz, N. N. (2009). Multidimensional adaptive testing in educational and psychological measurement: Current state and future challenges. Studies in Educational Evaluation, 35(2), 89-94. https://doi.org/https://doi.org/10.1016/j.stueduc.2009.10.007
Jain, A. K., Jianchang, M., & Mohiuddin, K. M. (1996). Artificial neural networks: a tutorial. Computer, 29(3), 31-44. https://doi.org/10.1109/2.485891
Koçak, B., Durmaz, E. Ş., Ateş, E., & Kılıçkesmez, Ö. (2019). Radiomics with artificial intelligence: a practical guide for beginners. Diagnostic and interventional radiology (Ankara, Turkey), 25(6), 485-495. https://doi.org/10.5152/dir.2019.19321
Li, X., Xu, H., Zhang, J., & Chang, H. H. (2020). Deep Reinforcement Learning for Adaptive Learning Systems. Journal of Educational and Behavioral Statistics, 48, 220 - 243.
Lord, F.M., Novick, M.R., & Birnbaum, A. (1968). Statistical theories of mental test scores. Addison-Wesley.
McDonald, R. P. (2000). A Basis for Multidimensional Item Response Theory. Applied Psychological Measurement, 24(2), 99-114. https://doi.org/10.1177/01466210022031552
Mujtaba, D., & Mahapatra, N. (2020). Artificial Intelligence in Computerized Adaptive Testing. 2020 international Conference on Computational Science and Computational Intelligence (CSCI). 649-654. https://doi.org/10.1109/CSCI51800.2020.00116
Phankokkruad, M., & Woraratpanya, K. (2012). Item classification algorithm for computer adaptive testing based on web services. International Journal of Engineering Research and Applications, 2(1), 835-847.
Prakorppon, T. (2009). Artificial neural networks. HCU Journal, 24(1), 73-87.
Reckase, M. D. (2010). Designing item pools to optimize the functioning of a computerized adaptive test. Psychological Test and Assessment Modeling, 52(2), 127-141.
Teiri, H., Hajizadeh, Y., Samaei, M. R., Pourzamani, H., & Mohammadi, F. (2020). Modelling the phytoremediation of formaldehyde from in door air by Chamaedorea Elegans using artificial intelligence, genetic algorithm and response surface methodology. Journal of Environmental Chemical Engineering, 8(4), 103985. https://doi.org/https://doi.org/10.1016/j.jece.2020.103985
Tsutsumi, E., Kinoshita, R., & Ueno, M. (2021). Deep Item Response Theory as a Novel Test Theory Based on Deep Learning. Electronics, 10(9), 1020. https://www.mdpi.com/2079-9292/10/9/1020
Uto, M., & Uchida, Y. (2020). Automated short-answer grading using deep neural networks and item response theory. In Bittencourt, I., Cukurova, M., Muldner, K., Luckin, R., & Millán, E (Eds.), Artificial intelligence in education. AIED 2020. Lecture notes in computer science (Vol. 12164). Springer. https://doi.org/10.1007/978-3-030-52240-7_61
Chanthasaeng, S. (2020). Application of multidimensional computerized adaptive testing. CUAST Journal, 9(3), 137–148. (in Thai)
Chongwatpol, J. (2018). Business data analytics for strategic decisions. Chulalongkorn University Press. (in Thai)
Kanjanawasee, S. (2012). Modern test theory (4th ed.). Chulalongkorn University Press. (in Thai)
Premthongsuk, P. (2017). Development of the next item selection procedure using Hurwicz criterion with the item exposure control for computerized adaptive testing [Doctoral dissertation]. Burapha University. (in Thai)
Rungratanaubon, C. (2023). Data Mining Techniques. Naresuan University Press. (in Thai)
Sinsomboonthong, S. (2017). Data mining 1: discovering knowledge in data (2nd ed). Chamchuri Products Press. (in Thai)
Sotiwan. T. (2015). Statistical analysis using neural networks in social science research. SSRU Graduate Studies Journal Suan Sunandha Rajabhat University, 8(1). 84-91. (in Thai)
Sukhanonsawat, S. (2013). Development of the Next Item Selection Procedure Using Decision Theory in Computerized Adaptive Testing [Doctoral dissertation]. Burapha University. (in Thai)
Thanapattanadol, R. (2018). Development of the Next Item Selection Procedure Using Ant Colony Optimization for Computerized Adaptive Testing [Doctoral dissertation]. Burapha University. (in Thai)
Withipanya, B. (2021). Development of The Next Item Selection Procedure Using Artificial Neural Network with The Item Exposure Control for Computerized Adaptive Testing Using Simulated Data. Journal of Faculty of Education Pibulsongkram Rajabhat University, 8(1) (January–June 2021), 37-48. (in Thai)