17 research outputs found
การออกแบบแบบจําลองการให้ผลป้อนกลับบนฐานการรู้คิดของผู้เรียนในการเรียนรู้ภาษาสอบถามเชิงโครงสร้าง
Get PDFA Design of a Feedback Model based on Student Metacognition in Learning Structured Query Language
Chusak Yathongchai, Thara angskun and Jitimon Angskun
รับบทความ: 15 กุมภาพันธ์ 2561; ยอมรับตีพิมพ์: 15 พฤษภาคม 2561
บทคัดย่อ
บทความนี้นำเสนอการออกแบบแบบจำลองการให้ผลป้อนกลับตามการรู้คิดของผู้เรียน เพื่อนำไปใช้ในระบบการสอนเสริมอัจฉริยะที่ใช้รูปแบบการเรียนรู้แบบแก้ปัญหา โดยใช้เนื้อหาภาษาสอบถามเชิงโครงสร้างเป็นกรณีศึกษา บทความนี้ได้เสนอแนวทางการให้ผลป้อนกลับ 2 ด้าน คือ การคิดและการรู้คิด ในด้านการคิด ได้กำหนดรูปแบบการให้ผลป้อนกลับที่หลากหลายมีทั้งหมด 5 รูปแบบจากผลป้อนกลับ 4 ประเภท โดยใช้กลยุทธ์การให้ผลป้อนกลับแบบคงที่ 3 รูปแบบ คือ บอกความถูกต้องของคำตอบ บอกตำแหน่งที่ผิด และบอกเป็นนัย และกลยุทธ์การให้ผลป้อนกลับแบบปรับตัว 2 รูปแบบ คือ รูปแบบการให้ผลป้อนกลับตามลำดับ ได้แก่ บอกความถูกต้องของคำตอบ บอกตำแหน่งที่ผิด บอกเป็นนัย และบอกผลเฉลย โดยแต่ละโจทย์ปัญหาเริ่มต้นจากลำดับที่ 1 และรูปแบบให้ผลป้อนกลับ ตามลำดับ โดยลำดับเริ่มต้นของแต่ละโจทย์ปัญหาจะได้มาจากผลการแก้ไขโจทย์ปัญหาในข้อก่อนหน้านี้ ส่วนในด้านการรู้คิดได้ใช้คำถามสะท้อนการรู้คิดของผู้เรียน การสร้างแบบจำลองนี้ใช้ปัจจัยนำเข้าเกี่ยวกับการรู้คิด 4 ปัจจัย คือ ความเข้าใจในโจทย์ปัญหา ความยากของโจทย์ปัญหาตามความคิดของผู้เรียน ความมั่นใจในคำตอบ และความยากของโจทย์ปัญหา มีปัจจัยวิเคราะห์ประสิทธิภาพ 2 ปัจจัย คือ ระดับความพยายาม และเวลาที่ใช้แก้ปัญหา โดยแบบจำลองอยู่ในรูปของกฎที่มีจำนวน 33 กฎ ที่เป็นทางเลือกในการกำหนดรูปแบบการให้ผลป้อนกลับที่เหมาะสมตามการรู้คิดของผู้เรียนที่แตกต่างกัน ที่จะช่วยพัฒนาผู้เรียนทั้งทางด้านการคิดและการรู้คิด ผลการทดสอบประสิทธิภาพของแบบจำลองมีค่าความแม่นเฉลี่ยถ่วงน้ำหนักเท่ากับ 0.91 ส่วนค่าความเที่ยง ค่าความระลึก และค่าประสิทธิภาพโดยรวมมีค่าเฉลี่ยถ่วงน้ำหนักของทุกค่าเท่ากัน คือ 0.77
คำสำคัญ: การให้ผลป้อนกลับ การรู้คิด ระบบการสอนเสริมอัจฉริยะ ภาษาสอบถามเชิงโครงสร้าง
Abstract
The purpose of this research aimed to design a feedback model based on student metacognition. The design would be incorporated in an intelligent tutoring system using a problem–solving approach. Structured Query Language (SQL) teaching was used as a case study for the problem–solving approach. This research proposed feedback guidelines in both cognitive and metacognitive functions. Regarding the cognitive function, five feedback stra-tegies with four feedback types were determined. Three out of five were non–adaptive strategies called knowledge of the results, error flagging, and hints. The other two were adaptive strategies. One provided feedback in sequence of knowledge of the results, error flagging, hints, and knowledge of correct response. The other provided feedback in sequence based on results from the previous problem–solving. Regarding the metacognitive function, the reflective ques-tions were used to reflect metacognition of students. The designed model employed the four metacognitive factors as inputs. They were the learner’s perception of the problem understanding; the learner’s perception of the problem difficulty level; the confidence of answer; and the problem difficulty level. The effort level and time to solve the problem were factors used to determine the feedback strategies. There were thirty–three rules in the model used to decide the appropriate feedback strategies based on students’ metacognition. The model had potential to improve students both in terms of cognition and metacognition. The evaluation results indicated that the model had 0.91 of the weighted average of accuracy and 0.77 of the weighted average of precision, recall, and f-measure.
Keywords: Feedback, Metacognition, Intelligent tutoring system, SQ
A qualitative attraction ranking model for personalized recommendations
No full text
Purpose
This paper aims to find a way to personalize attraction recommendations for travelers. The research objective is to find a more accurate way to suggest new attractions to each traveler based on the opinions of other like-minded travelers and the traveler’s preferences.
Design/methodology/approach
To achieve the goal, developers have created a personalized system to generate attraction recommendations. The system considers an individual traveler’s preferences to construct a qualitative attraction ranking model. The new ranking model is the result of blending two processes: K-means clustering and the analytic hierarchy process (AHP).
Findings
The performance of the developed recommendation system has been assessed by measuring the accuracy and scalability of the ranking model of the system. The experimental results indicate that the ranking model always returns accurate results independent of the number of attractions and the number of travelers in each cluster. The ranking model has also proved to be scalable because the processing time is independent of the numbers of travelers. Additionally, the results reveal that the overall system usability is at a very satisfactory level.
Research limitations/implications
The main theoretical implication is that integrating the processes of K-means and AHP techniques enables a new qualitative ranking model for personalized recommendations that deliver only high-quality attractions. However, the designed recommendation system has some limitations. First, it is necessary to manually update information about the new tourist attractions. Second, the overall response time depends on the internet bandwidth and latency.
Practical implications
This research contributes to the tourism business and individual travelers by introducing an accurate and scalable way to suggest new attractions to each traveler. The potential benefit includes possible increased revenue for travel agencies that offer personalized package tours and support individual travelers to make the final travel decisions. The designed system could also integrate with itinerary planning systems to plot out a journey that pinpoints what travelers will most enjoy.
Originality/value
This research proposes a design and implementation of a personalized recommendation system based on the qualitative attraction ranking model introduced in this article. The novel ranking model is designed and developed by integrating K-means and AHP techniques, which has proved to be accurate and scalable.
</jats:sec
Improving performance of a mobile personalized recommendation engine using multithreading
No full text
