การประยุกต์ใช้โครงข่ายประสาทเทียมในการคัดเลือกข้อสอบข้อถัดไป สำหรับการทดสอบแบบปรับเหมาะด้วยคอมพิวเตอร์แบบพหุมิติ

Main Article Content

ชัยมงคล ปินะสา
สำราญ มีแจ้ง
น้ำทิพย์ องอาจวาณิชย์

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

บท
บทความวิชาการ

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)