Transcript Powerpoint Template
Slide 1
การเปรียบเทียบผลการวิเคราะห์ ข้อมูลในรู ปแบบการคิดแบบอภิปัญญาของ
นักศึกษาปริญญาตรี สาขาวิชาการจัดการเทคโนโลยีการผลิตและสารสนเทศ
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้ าพระนครเหนือ
การคิดแบบอภิปัญญา
Thitima Chuangchai
Department of Computer Education :
King Mongkut’s University of Technology North Bangkok, Thailand
Slide 2
Contents
Logo
1
Introduction
2
Related Work
3
Methodology
4
Experimental Setup
5
Experimental Result
6
Conclusion
7
Future Work
Slide 3
Introduction
Logo
Phase I
Phase II
Metacognition
ผลการวิเคราะห์ ข้อมูลในรู ปแบบ
การคิดแบบอภิปัญญา
100%
90%
PBL Module
PBL-MTCS
Model
80%
70%
60%
50%
กรอบแนวคิดของรู ปแบบระบบการเรียนรู้ แบบปัญหาเป็ นหลัก
ทีม่ กี ารเสริมศักยภาพการเรียนรู้ เพือ่ พัฒนาอภิปัญญา
Data
Mining
40%
30%
20%
10%
0%
MAI Test
1
ด้ วยแบบวัดความตระหนักรู้
(Metacognition Awareness Inventory : MAI)
(Schraw and Dennison,1994)
2
A
3
B
C
4
Slide 4
Related Work
1st Research
ภัทรพล วรประชา
ได้ พั ฒ นาระบบการท านายความสั มพั น ธ์ ของ
พฤติกรรมของนักเรี ยนโดยใช้ เทคนิคเหมืองข้ อ มู ล
เพื่อเป็ นการนาเสนอทางเลือกเพื่อทานายพฤติ กรรม
ของนั ก เรี ย นโดยใช้ กฎความสั มพั น ธ์ เพื่ อ หา
ความสั มพันธ์ ขององค์ ประกอบที่มีผลต่ อการทานาย
พฤติกรรมของนักเรียน จากการประเมินด้ วยวิธี การ
เก็บข้ อมูลนักเรียนด้ วยเครื่องมือวัด The Strengths
and Difficulties Questionnaire(SDQ) จากการ
ทดลองพบว่ าระบบสามารถท านายความสั ม พัน ธ์
ของพฤติกรรมของนักเรียนได้ ถูกต้ อง 97.6% และ
ระบบที่ ถู ก พั ฒ นานี้ ต รงกั บ ความต้ อ งการกั บ ผู้ ใ ช้
ระบบ 95.4%
Logo
2nd Research
Yugal Kumar, G.Sahoo
ได้ นาเสนองานวิจัยเรื่ อง การวิเคราะห์ จาแนกข้ อมูล
ด้ วยเทคนิค Bayes, Neural Network and Tree
Classifier ด้ วยรู ปแบบเหมืองข้ อมูลโดยใช้ WEKA
เพื่ อ น าเสนอแนวคิ ด ส าหรั บ การใช้ เทคนิ ค
:
BayesNet, NaïveBayes, NaïveBayes Uptable,
Multilayer perceptron, Voted perceptron และ
J48 สาหรับการทานายกลุ่มของข้ อมูล โดยเทคนิค
ดังกล่ าว สามารถวิเคราะห์ กลุ่มของข้ อมู ลแล้ วพบว่ า ผล
จากการทานาย วิเคราะห์ ค่า Mean Absolute Error, Root
Mean-Squared Error และ เวลาทีใ่ ช้ ในการสร้ างโมเดล ซึ่ง
ผลลัพธ์ สามารถแสดงค่ าสถิติประกอบกราฟได้ ชัดเจน ทา
ให้ WEKA เป็ นเครื่องมือที่ช่วยในการวิเคราะห์ ไ ด้ ตรงตาม
วัตถุประสงค์
Slide 5
Related Work
3rd Research
Diego Garcia-Saiz, Marta Zorrilla
ได้ ทาการศึกษาเรื่อง การเปรียบเทียบวิธีจาแนกสมรรถนะของนักเรียนทางไกล เพือ่
ทานายประสิ ทธิภาพของผู้เรียนด้ วย เทคนิคการเรี ยนรู้ ที่แตกต่ างกัน โดยทาการ
เปรี ย บเที ย บจากด้ วยอัล กอริ ทึ ม ส าหรั บ จ าแนกหลากหลายแบบด้ ว ยโปรแกรม
WEKA เพื่อดูผลการทานายในแต่ ละแบบซึ่ งเป็ นสิ่ งสาคัญในการทานายข้ อมูลใน
อนาคต ซึ่งค่ าของความถูกต้ องนั้นขึน้ อยู่กบั ขนาดของกลุ่มตัวอย่ างของตัวแปรแต่
ละชนิด ถ้ าข้ อมูลกลุ่มตัวอย่ างมีขนาดเล็ก(น้ อยกว่ า 100 ชุ ด) และเป็ นข้ อมูลในเชิง
ตัวเลข (เชิงปริมาณ) Naïve Bayes เป็ นวิธีที่สามารถดาเนินการได้ ในทางกลับกัน
ถ้ ากลุ่ม ตัวอย่ า งมี ขนาดใหญ่ BayesNet TAN เป็ นเทคนิ คที่ สามารถน ามาใช้
ดาเนินการได้ ส่ วนเทคนิค J48 เหมาะกับกลุ่มข้ อมูลในลักษณะเป็ นประเภท หรือ
ไม่ ใ ช่ ตั ว เลข หลั ง จากการทดลองและวิเ คราะห์ ข้ อ มู ล แล้ ว พบว่ า สามารถน า
แอททริบิวต์ ที่จาเป็ นที่ได้ จากการเรียนรู้ ด้วยเทคนิคของ Naïve Bayes และ J48 ซึ่ง
เป็ นวิธีที่ดที ี่สุดนาไปพัฒนาเครื่องมือเพือ่ ทานายผู้เรียนในระบบอีเลิร์นนิงภายใต้ ชื่อ
ว่า EIWM (Eleaning Web Miner)
Logo
Slide 6
Methodology
Logo
• การวิเคราะห์ ข้อมูลด้ วยเหมืองข้ อมูล (Data Mining)
ใช้ รูปแบบ Classification and Prediction เป็ นการจาแนกประเภทและการทานาย โดยอาศัย
การเรียนรู้จากกลุ่มข้ อมูลเพือ่ สร้ างโมเดลการเรียนรู้ ในการทานายข้ อมูลใหม่ ทไี่ ม่ ทราบ
คาตอบ โดยอธิบายขั้นตอนได้ ดงั รูป
Slide 7
Methodology
• การวิเคราะห์ ข้อมูลด้ วยเหมืองข้ อมูล (Data Mining)
ซึ่งรู ปแบบทีใ่ ช้ ในการจาแนกกลุ่มข้ อมูลได้ แก่
• Baysian classification เป็ นการสร้ างโมเดลโดยอาศัยการคานวณความ
น่ าจะเป็ น(probability)ของข้ อมูลต่ าง ๆ
• Decision Tree classification เป็ นการสร้ างโมเดลแบบต้ นไม้ (tree) ในการ
จาแนกข้ อมูล (classify)
• Rule Based classification เป็ นการสร้ างโมเดล ในรูปแบบของกฎ
Logo
Slide 8
Methodology
• Metacognitive Awareness Inventory : MAI
เป็ นแบบวัดระดับการคิดแบบอภิปัญญา มีท้ งั สิ้ น 52 ข้อคาถาม ซึ่ งอ้างอิงจาก
งานวิจยั ของ Schraw, Dennison (1994) โดยแบ่งหัวข้อการวัดความคิด
ออกเป็ น 2 ด้านได้แก่
• การวัดด้าน Regulation of Cognition ได้แก่
• Planning
• Information Management Strategies
• Monitoring
• Debugging Strategies
• Evaluation
Logo
Slide 9
Methodology
• Metacognitive Awareness Inventory : MAI
• การวัดด้าน Knowledge of Cognition ได้แก่
• Declarative Knowledge
• Procedural Knowledge
• Conditional Knowledge
Logo
Slide 10
Experimental Setup
เก็บข้ อมูลจากการทดสอบวัดความ
ตระหนักรู้ (MAI Test)
Weka Program
เก็บข้อมูลจากนักศึกษาที่ผ่านการเรี ยน
วิ ช าเขี ย นโปรแกรมเบื้ อ งต้น มาแล้ว
ตั้งแต่ช้ นั ปี ที่ 1-4 รวมทั้งนักศึกษาตกค้าง
ที่ยงั ไม่จบการศึกษา ภาควิชาการจัดการ
เทคโนโลยี ก ารผลิ ต และสารสนเทศ
วิทยาลัยเทคโนโลยีอุตสาหกรม ทั้งสิ้ น
374 คน ซึ่ งนาข้อมูลมาจัดเก็บในรู ป
ไฟล์ .csv
นากลุ่มข้ อมูลไปวิเคราะห์ ด้วยโปรแกรม
WEKA เวอร์ ชัน 3.6.0 สาหรั บการ
ท านายข้ อ มู ล ของสภาวะการคิ ด แบบ
อภิปัญญาด้ วยการทดสอบข้ อมูลทั้ง 53
แอททริ บิว ต์ แบบ Cross-Validation
ด้ วยรู ปแบบการ Classify ในเทคนิคของ
Bayes, Tree และ Rule
Logo
เลือกอัลกอริทึมในการวิเคราะห์ จาก
เทคนิคแต่ ละแบบ
Slide 11
Experimental Result
เทคนิค Baysian
Logo
เทคนิค Decision Tree
Algorithm
Correct
Incorrect
Kappa
Statistic
BayesNet
92.25
7.75
0.85
Naïve
Bayes
95.99
4.01
0.92
Naïve
Bayes
updateable
95.99
4.01
0.92
เทคนิค Rule Based
Algorithm
Correct
Incorrect
Kappa
Statistic
Algorithm
Correct
Incorrect
Kappa
Statistic
FT Tree
88.77
11.23
0.77
Nnge
84.49
15.51
0.68
BF Tree
75.40
24.60
0.49
JRIP
78.61
21.39
0.58
J48
77.27
22.73
0.54
PART
80.21
19.79
0.60
84.22
15.78
0.67
Random
Forest
จากเทคนิคทั้ง 3 นาไปสู่ การเปรียบเทียบหาเทคนิคที่ดที ี่สุด
Technique
Correct
Incorrect
Kappa
Statistic
Baye(Naïve
Bayes, Naïve
Bayesupdateable)
95.99
4.01
0.92
Decision Tree
(FT Tree)
88.77
11.23
0.77
Rule Based
(NNge)
84.49
15.51
0.68
Slide 12
Conclusion & Future Work
Logo
ผลจากการใช้ โ ปรแกรมช่ วยวิเ คราะห์ ท านายข้ อ มู ล ผู้ เ รี ย นด้ า น
ระดับความคิดแบบอภิปัญญาโดยสามารถวิเคราะห์ ข้อคาถามที่ใช้
ในการวัดระดับความคิดของผู้เรียนสาขาวิชาการจัดการเทคโนโลยี
การผลิตและสารสนเทศทั้ง 374 คน พบว่ า
- ผู้เรี ยนมีความคิดแบบอภิปัญญาอยู่ในขั้นดีมาก 6 คน คิดเป็ น
ร้ อยละได้ 1.6
- ถ้ าอยู่ในขั้นดี 220 คน คิดเป็ นร้ อยละได้ 58.8
- ค่ อนข้ างดี 148 คน คิดเป็ นร้ อยละได้ 39.6
ดั ง นั้ น การน าผลการวิ เ คราะห์ นี้ส ามารถศึ ก ษาแนวโน้ ม ในการ
พัฒนาผู้ เรี ยนให้ มีความคิดแบบอภิปัญญาในกลุ่มค่ อนข้ างดีไปสู่
ความคิด ในระดับ ดีถึ งดีม าก โดยน าข้ อ ค าถามที่ผู้ เ รี ย นได้ ร ะดับ
คะแนนน้ อยมาศึกษาหาแนวทางในการพัฒนารู ปแบบการเรียนการ
สอนสาหรับการจัดการเรียนรู้ ให้ เหมาะสมต่ อไป
จั ด ท าระบบการจั ด การ
เรี ย นรู้ ผ่ า น อี - เลิ ร์ นนิ ง
เ พื่ อ พั ฒ น า ใ ห้ ผู้ เ รี ย น
สามารถทาความเข้ าใจใน
เนือ้ หาได้ อย่ างถ่ องแท้ ตรง
ตามวั ต ถุ ป ระสงค์ ของ
เนือ้ หาวิชา และรู้ เป้ าหมาย
ของตนเองในการศึ ก ษา
เนือ้ หาวิชา
Slide 13
Thank you for
your kind attention
Thitima Chuangchai
การเปรียบเทียบผลการวิเคราะห์ ข้อมูลในรู ปแบบการคิดแบบอภิปัญญาของ
นักศึกษาปริญญาตรี สาขาวิชาการจัดการเทคโนโลยีการผลิตและสารสนเทศ
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้ าพระนครเหนือ
การคิดแบบอภิปัญญา
Thitima Chuangchai
Department of Computer Education :
King Mongkut’s University of Technology North Bangkok, Thailand
Slide 2
Contents
Logo
1
Introduction
2
Related Work
3
Methodology
4
Experimental Setup
5
Experimental Result
6
Conclusion
7
Future Work
Slide 3
Introduction
Logo
Phase I
Phase II
Metacognition
ผลการวิเคราะห์ ข้อมูลในรู ปแบบ
การคิดแบบอภิปัญญา
100%
90%
PBL Module
PBL-MTCS
Model
80%
70%
60%
50%
กรอบแนวคิดของรู ปแบบระบบการเรียนรู้ แบบปัญหาเป็ นหลัก
ทีม่ กี ารเสริมศักยภาพการเรียนรู้ เพือ่ พัฒนาอภิปัญญา
Data
Mining
40%
30%
20%
10%
0%
MAI Test
1
ด้ วยแบบวัดความตระหนักรู้
(Metacognition Awareness Inventory : MAI)
(Schraw and Dennison,1994)
2
A
3
B
C
4
Slide 4
Related Work
1st Research
ภัทรพล วรประชา
ได้ พั ฒ นาระบบการท านายความสั มพั น ธ์ ของ
พฤติกรรมของนักเรี ยนโดยใช้ เทคนิคเหมืองข้ อ มู ล
เพื่อเป็ นการนาเสนอทางเลือกเพื่อทานายพฤติ กรรม
ของนั ก เรี ย นโดยใช้ กฎความสั มพั น ธ์ เพื่ อ หา
ความสั มพันธ์ ขององค์ ประกอบที่มีผลต่ อการทานาย
พฤติกรรมของนักเรียน จากการประเมินด้ วยวิธี การ
เก็บข้ อมูลนักเรียนด้ วยเครื่องมือวัด The Strengths
and Difficulties Questionnaire(SDQ) จากการ
ทดลองพบว่ าระบบสามารถท านายความสั ม พัน ธ์
ของพฤติกรรมของนักเรียนได้ ถูกต้ อง 97.6% และ
ระบบที่ ถู ก พั ฒ นานี้ ต รงกั บ ความต้ อ งการกั บ ผู้ ใ ช้
ระบบ 95.4%
Logo
2nd Research
Yugal Kumar, G.Sahoo
ได้ นาเสนองานวิจัยเรื่ อง การวิเคราะห์ จาแนกข้ อมูล
ด้ วยเทคนิค Bayes, Neural Network and Tree
Classifier ด้ วยรู ปแบบเหมืองข้ อมูลโดยใช้ WEKA
เพื่ อ น าเสนอแนวคิ ด ส าหรั บ การใช้ เทคนิ ค
:
BayesNet, NaïveBayes, NaïveBayes Uptable,
Multilayer perceptron, Voted perceptron และ
J48 สาหรับการทานายกลุ่มของข้ อมูล โดยเทคนิค
ดังกล่ าว สามารถวิเคราะห์ กลุ่มของข้ อมู ลแล้ วพบว่ า ผล
จากการทานาย วิเคราะห์ ค่า Mean Absolute Error, Root
Mean-Squared Error และ เวลาทีใ่ ช้ ในการสร้ างโมเดล ซึ่ง
ผลลัพธ์ สามารถแสดงค่ าสถิติประกอบกราฟได้ ชัดเจน ทา
ให้ WEKA เป็ นเครื่องมือที่ช่วยในการวิเคราะห์ ไ ด้ ตรงตาม
วัตถุประสงค์
Slide 5
Related Work
3rd Research
Diego Garcia-Saiz, Marta Zorrilla
ได้ ทาการศึกษาเรื่อง การเปรียบเทียบวิธีจาแนกสมรรถนะของนักเรียนทางไกล เพือ่
ทานายประสิ ทธิภาพของผู้เรียนด้ วย เทคนิคการเรี ยนรู้ ที่แตกต่ างกัน โดยทาการ
เปรี ย บเที ย บจากด้ วยอัล กอริ ทึ ม ส าหรั บ จ าแนกหลากหลายแบบด้ ว ยโปรแกรม
WEKA เพื่อดูผลการทานายในแต่ ละแบบซึ่ งเป็ นสิ่ งสาคัญในการทานายข้ อมูลใน
อนาคต ซึ่งค่ าของความถูกต้ องนั้นขึน้ อยู่กบั ขนาดของกลุ่มตัวอย่ างของตัวแปรแต่
ละชนิด ถ้ าข้ อมูลกลุ่มตัวอย่ างมีขนาดเล็ก(น้ อยกว่ า 100 ชุ ด) และเป็ นข้ อมูลในเชิง
ตัวเลข (เชิงปริมาณ) Naïve Bayes เป็ นวิธีที่สามารถดาเนินการได้ ในทางกลับกัน
ถ้ ากลุ่ม ตัวอย่ า งมี ขนาดใหญ่ BayesNet TAN เป็ นเทคนิ คที่ สามารถน ามาใช้
ดาเนินการได้ ส่ วนเทคนิค J48 เหมาะกับกลุ่มข้ อมูลในลักษณะเป็ นประเภท หรือ
ไม่ ใ ช่ ตั ว เลข หลั ง จากการทดลองและวิเ คราะห์ ข้ อ มู ล แล้ ว พบว่ า สามารถน า
แอททริบิวต์ ที่จาเป็ นที่ได้ จากการเรียนรู้ ด้วยเทคนิคของ Naïve Bayes และ J48 ซึ่ง
เป็ นวิธีที่ดที ี่สุดนาไปพัฒนาเครื่องมือเพือ่ ทานายผู้เรียนในระบบอีเลิร์นนิงภายใต้ ชื่อ
ว่า EIWM (Eleaning Web Miner)
Logo
Slide 6
Methodology
Logo
• การวิเคราะห์ ข้อมูลด้ วยเหมืองข้ อมูล (Data Mining)
ใช้ รูปแบบ Classification and Prediction เป็ นการจาแนกประเภทและการทานาย โดยอาศัย
การเรียนรู้จากกลุ่มข้ อมูลเพือ่ สร้ างโมเดลการเรียนรู้ ในการทานายข้ อมูลใหม่ ทไี่ ม่ ทราบ
คาตอบ โดยอธิบายขั้นตอนได้ ดงั รูป
Slide 7
Methodology
• การวิเคราะห์ ข้อมูลด้ วยเหมืองข้ อมูล (Data Mining)
ซึ่งรู ปแบบทีใ่ ช้ ในการจาแนกกลุ่มข้ อมูลได้ แก่
• Baysian classification เป็ นการสร้ างโมเดลโดยอาศัยการคานวณความ
น่ าจะเป็ น(probability)ของข้ อมูลต่ าง ๆ
• Decision Tree classification เป็ นการสร้ างโมเดลแบบต้ นไม้ (tree) ในการ
จาแนกข้ อมูล (classify)
• Rule Based classification เป็ นการสร้ างโมเดล ในรูปแบบของกฎ
Logo
Slide 8
Methodology
• Metacognitive Awareness Inventory : MAI
เป็ นแบบวัดระดับการคิดแบบอภิปัญญา มีท้ งั สิ้ น 52 ข้อคาถาม ซึ่ งอ้างอิงจาก
งานวิจยั ของ Schraw, Dennison (1994) โดยแบ่งหัวข้อการวัดความคิด
ออกเป็ น 2 ด้านได้แก่
• การวัดด้าน Regulation of Cognition ได้แก่
• Planning
• Information Management Strategies
• Monitoring
• Debugging Strategies
• Evaluation
Logo
Slide 9
Methodology
• Metacognitive Awareness Inventory : MAI
• การวัดด้าน Knowledge of Cognition ได้แก่
• Declarative Knowledge
• Procedural Knowledge
• Conditional Knowledge
Logo
Slide 10
Experimental Setup
เก็บข้ อมูลจากการทดสอบวัดความ
ตระหนักรู้ (MAI Test)
Weka Program
เก็บข้อมูลจากนักศึกษาที่ผ่านการเรี ยน
วิ ช าเขี ย นโปรแกรมเบื้ อ งต้น มาแล้ว
ตั้งแต่ช้ นั ปี ที่ 1-4 รวมทั้งนักศึกษาตกค้าง
ที่ยงั ไม่จบการศึกษา ภาควิชาการจัดการ
เทคโนโลยี ก ารผลิ ต และสารสนเทศ
วิทยาลัยเทคโนโลยีอุตสาหกรม ทั้งสิ้ น
374 คน ซึ่ งนาข้อมูลมาจัดเก็บในรู ป
ไฟล์ .csv
นากลุ่มข้ อมูลไปวิเคราะห์ ด้วยโปรแกรม
WEKA เวอร์ ชัน 3.6.0 สาหรั บการ
ท านายข้ อ มู ล ของสภาวะการคิ ด แบบ
อภิปัญญาด้ วยการทดสอบข้ อมูลทั้ง 53
แอททริ บิว ต์ แบบ Cross-Validation
ด้ วยรู ปแบบการ Classify ในเทคนิคของ
Bayes, Tree และ Rule
Logo
เลือกอัลกอริทึมในการวิเคราะห์ จาก
เทคนิคแต่ ละแบบ
Slide 11
Experimental Result
เทคนิค Baysian
Logo
เทคนิค Decision Tree
Algorithm
Correct
Incorrect
Kappa
Statistic
BayesNet
92.25
7.75
0.85
Naïve
Bayes
95.99
4.01
0.92
Naïve
Bayes
updateable
95.99
4.01
0.92
เทคนิค Rule Based
Algorithm
Correct
Incorrect
Kappa
Statistic
Algorithm
Correct
Incorrect
Kappa
Statistic
FT Tree
88.77
11.23
0.77
Nnge
84.49
15.51
0.68
BF Tree
75.40
24.60
0.49
JRIP
78.61
21.39
0.58
J48
77.27
22.73
0.54
PART
80.21
19.79
0.60
84.22
15.78
0.67
Random
Forest
จากเทคนิคทั้ง 3 นาไปสู่ การเปรียบเทียบหาเทคนิคที่ดที ี่สุด
Technique
Correct
Incorrect
Kappa
Statistic
Baye(Naïve
Bayes, Naïve
Bayesupdateable)
95.99
4.01
0.92
Decision Tree
(FT Tree)
88.77
11.23
0.77
Rule Based
(NNge)
84.49
15.51
0.68
Slide 12
Conclusion & Future Work
Logo
ผลจากการใช้ โ ปรแกรมช่ วยวิเ คราะห์ ท านายข้ อ มู ล ผู้ เ รี ย นด้ า น
ระดับความคิดแบบอภิปัญญาโดยสามารถวิเคราะห์ ข้อคาถามที่ใช้
ในการวัดระดับความคิดของผู้เรียนสาขาวิชาการจัดการเทคโนโลยี
การผลิตและสารสนเทศทั้ง 374 คน พบว่ า
- ผู้เรี ยนมีความคิดแบบอภิปัญญาอยู่ในขั้นดีมาก 6 คน คิดเป็ น
ร้ อยละได้ 1.6
- ถ้ าอยู่ในขั้นดี 220 คน คิดเป็ นร้ อยละได้ 58.8
- ค่ อนข้ างดี 148 คน คิดเป็ นร้ อยละได้ 39.6
ดั ง นั้ น การน าผลการวิ เ คราะห์ นี้ส ามารถศึ ก ษาแนวโน้ ม ในการ
พัฒนาผู้ เรี ยนให้ มีความคิดแบบอภิปัญญาในกลุ่มค่ อนข้ างดีไปสู่
ความคิด ในระดับ ดีถึ งดีม าก โดยน าข้ อ ค าถามที่ผู้ เ รี ย นได้ ร ะดับ
คะแนนน้ อยมาศึกษาหาแนวทางในการพัฒนารู ปแบบการเรียนการ
สอนสาหรับการจัดการเรียนรู้ ให้ เหมาะสมต่ อไป
จั ด ท าระบบการจั ด การ
เรี ย นรู้ ผ่ า น อี - เลิ ร์ นนิ ง
เ พื่ อ พั ฒ น า ใ ห้ ผู้ เ รี ย น
สามารถทาความเข้ าใจใน
เนือ้ หาได้ อย่ างถ่ องแท้ ตรง
ตามวั ต ถุ ป ระสงค์ ของ
เนือ้ หาวิชา และรู้ เป้ าหมาย
ของตนเองในการศึ ก ษา
เนือ้ หาวิชา
Slide 13
Thank you for
your kind attention
Thitima Chuangchai