Creating a Prediction Model for Prospective University Student Admissions During the COVID-19 Pandemic Situation: A Case Study of the Faculty of Science at Ubon Ratchathani University

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อหาชุดข้อมูลที่เหมาะสมและเพื่อสร้างตัวแบบที่เหมาะสมสำหรับทำนายการรับเข้านักศึกษาใหม่ในระดับมหาวิทยาลัยช่วงสถานการณ์โควิด-19 ด้วยข้อมูลการรับเข้านักศึกษาใหม่ คณะวิทยาศาสตร์ มหาวิทยาลัยอุบลราชธานี ปีการศึกษา 2561–2564 จำนวน 4,748 ระเบียน และ 18 ปัจจัย เปรียบเทียบประสิทธิภาพการทำนายด้วย 5 อัลกอริทึม ได้แก่ แรนดอมฟอเรส นาอีฟเบย์ การถดถอยโลจิสติก ซัพพอร์ตเวกเตอร์ และอองซองค์เบิล และใช้ค่าความถูกต้องเป็นตัวชี้วัดในการประเมินประสิทธิภาพ การทดสอบแบ่งเป็น 2 ส่วน ได้แก่ การทดสอบที่ 1 เป็นการทดสอบหาชุดข้อมูลที่เหมาะสมสำหรับการสร้างตัวแบบเพื่อทำนายการยืนยันสิทธิ์เข้าศึกษาในสถานการณ์โควิด-19 พบว่า ชุดข้อมูลปีการศึกษา 2564 ซึ่งเป็นช่วงที่โควิด-19 ระบาดมาก มีค่าความถูกต้องมากที่สุดเท่ากับร้อยละ 66.67 และการทดสอบที่ 2 เป็นการทดสอบแบ่งชุดข้อมูลปีการศึกษา 2564 ตามจำนวนหลักสูตร ผลการทดลองพบว่า ประสิทธิภาพการทำนายมีค่าความถูกต้องสูงขึ้น โดยหลักสูตรชีววิทยามีค่าความถูกต้องสูงสุด คือ ร้อยละ 78.69 ด้วยอัลกอริทึมนาอีฟเบย์ นอกจากนี้ยังพบว่า อัลกอริทึมซัพพอร์ตเวกเตอร์สามารถทำนายได้ค่าความถูกต้องสูงสุดมากถึง 5 หลักสูตร เมื่อเปรียบเทียบกับอัลกอริทึมที่เหลือข้างต้น ดังนั้น การสร้างตัวแบบโดยการแบ่งข้อมูลตามจำนวนหลักสูตรจะมีประสิทธิภาพมากกว่าการสร้างหนึ่งตัวแบบจากการใช้ชุดข้อมูลทั้งหมด

This research aimed to find a suitable dataset and to create a suitable model for predicting prospective university student admissions during the COVID-19 situation. The student admission information of Faculty of Science, Ubon Ratchathani University, during academic year 2018-2021 consisted of 4,748 records and 18 factors. To compare the predictive performance, five algorithms were used: Random Forest, Naïve Bayes, Logistic Regression, Support Vector Classification, and Ensemble. In addition, the accuracy metric was used for the performance evaluation. This experiment was divided into two parts. The first part of the experiment was to find a suitable data set to create a prediction model for prospective university student admissions during the COVID-19 situation. The results showed that the 2021 academic year dataset, which was during the COVID- 19 pandemic, had the highest accuracy at 66.67%. In the second part of the experiment, the 2021 data set was divided according to the number of courses. The results showed that the prediction performance had a higher accuracy value. The biology course had the highest accuracy of 78.69 percent using the Naïve Bayes algorithm. Furthermore, the support vector classification algorithm was able to predict the highest accuracy for up to 5 courses compared to other algorithms. Therefore, creating a model by dividing the data set according to the number of courses is more efficient than creating one model using the entire dataset.