This study aims to develop a board game on mushrooms production with cooperative learning and to examine its effects on the learning achievement of third-year vocational certificate students in the mushroom production course. The research instruments included a board game designed using the Educational Boardgame Design Canvas framework, comprising 60 cards (7 main cards, 24 secondary cards, and 29 additional cards). The board game was implemented alongside the Learning Together (LT) cooperative learning approach, following the ASSURE Model for instructional media design. Pre- and post-tests, along with a satisfaction questionnaire, were used to assess student performance and engagement. The findings revealed a statistically significant improvement at the .05 level in students' learning achievement before and after using the board game. At Ratchaburi College of Agriculture and Technology, the post-test mean score was 16.00, compared to a pre-test mean score of 12.50. Student satisfaction with the learning approach was at the highest level, with an average satisfaction score of 4.69. To further refine and expand the study, the board game was also implemented at the Uthai Thani College of Agriculture and Technology, where similar improvements were observed. The post-test mean score increased to 11.21, compared to a pre-test mean score of 7.48, confirming the research hypothesis. Student satisfaction at Uthai Thani College of Agriculture and Technology was also high, with an average satisfaction score of 4.39. These results suggest that integrating board games with cooperative learning effectively enhances student achievement and engagement in agricultural education.
เนื่องจากในปัจจุบันมีการเปลี่ยนแปลงหลังเกิดการแพร่ระบาดของโรคติดต่อเชื้อไวรัสโคโรน่า 2019 หรือ โควิด-19 (COVID-19) ระบาดหนัก ทำให้นักเรียนต้องเรียนผ่านออนไลน์ในช่วงระยะเวลาที่ต้องกักตัวหรือจำกัดพื้นที่ในการทำกิจกรรมต่างๆ ในระหว่างสถานการณ์โรคระบาด ในช่วงระยะเวลาดังกล่าวนี้นักเรียน มีการเปลี่ยนแปลงกิจวัตรประจำวัน พฤติกรรม รวมไปถึงอารมณ์สังคมอย่างไรบ้าง ผลการสำรวจของ ณัฏฐณี สุขปรีดี (2564 : ออนไลน์) พบว่า สิ่งที่มีการเปลี่ยนแปลงไปมากที่สุด คือ นักเรียนส่วนใหญ่มีการเปลี่ยนแปลงทางอารมณ์และพฤติกรรมไปในเชิงลบ มีการใช้เวลากับหน้าจอเพิ่มมากขึ้น มีเวลาในการทำกิจกรรมทางกายลดลง และใช้เวลาในการนอนทั้งช่วงกลางวันและกลางคืนมากขึ้น ซึ่งการเปลี่ยนแปลงที่เกิดขึ้นที่บ้านเป็นระยะเวลายาวนานต่อเนื่องนี้ ย่อมส่งผลกระทบโดยตรงต่อการเปลี่ยนแปลงพฤติกรรมของเด็กเมื่อกลับมาสู่รั้วโรงเรียน ตามพระราชบัญญัติการศึกษาแห่งชาติ พุทธศักราช 2542 เน้นให้ผู้สอนจัด การศึกษาโดยผู้เรียนเป็นสำคัญ ดังนั้น วิธีการจัดการเรียนรูในปัจจุบันจึงควรปรับไปตาม แนวการจัดการศึกษาดังกล่าว โดยนําเอาแนวคิดของการเรียนรู้แบบเชิงรุก (Active Learning) มาปรับใช้เพื่อให้ผู้เรียนมีบทบาทสำคัญในกระบวนการเรียนรู้ เป็นผู้ลงมือกระทำด้วยตนเองหรือมีส่วน ร่วมในการเรียนรู้อย่างตื่นตัว ผู้เรียนต้องเป็นผู้สร้างความรู้ใหม่ด้วยตนเอง ได้ใช้ความรู้และทักษะผ่าน การมีปฏิสัมพันธ์กับผู้อื่น ผู้สอนทำหน้าที่เป็นผู้อํานวยความสะดวกสร้างบรรยากาศและสิ่งแวดล้อมที่ เอื้อต่อการเรียนรู วัดและประเมินผลการเรียนรู้ของผู้เรียนตามสภาพจริง (วัชรพล วิบูลยศริน, 2561) ซึ่งวิธีการสอนโดยการใช้เกมจัดได้ว่าเป็นการสอนในรูปแบบการสอนเชิงรุก (Active Learning) อย่างหนึ่ง ซึ่งเป็นกระบวนการที่ผู้สอนใช้ในการช่วยใหผู้เรียนเกิดการเรียนรู้ตามวัตถุประสงค์ที่กำหนด วิธีการสอนโดยใช้เกมนี้เป็นวิธีที่ช่วยให้ผู้เรียนได้เรียนรู้เรื่องต่าง ๆ อย่าง สนุกสนานและท้าทายความสามารถ โดยผู้เรียนเป็นผู้เล่นเกมเอง ซึ่งเป็นการจําลองสถานการณ์ทำให้ ได้รับประสบการณ์ตรงเป็นวิธีการการที่เปิดโอกาสใหผู้เรียนมีส่วนร่วมสูง ช่วยให้ผู้เรียนเกิดการเรียนรู้ โดยให้ผู้เรียนเรียนเล่นตามกฎกติกาและนําเนื้อหา และข้อมูลของเกม พฤติกรรมการเล่น วิธีการเล่น และผลการเล่นเกมของผู้เรียนมาใช้ในการอภิปรายเพื่อสรุปการเรียนรู้ (ทิศนา แขมมณี, 2552) การนำบอร์ดเกมมาใช้ร่วมกับการเรียนการสอนนั้น จะสามารถให้ทั้งความสนุก การลุ้นอย่างตื่นเต้น และการเพิ่มพูนทักษะต่าง ๆ รอบด้านได้เป็นอย่างดี ทั้งยังผสานความสัมพันธ์กันภายในชั้นเรียนปรับปรุงและเสริมสร้างปฏิสัมพันธ์ระหว่างบุคคล และให้การตัดสินใจร่วมกัน สร้างแรงจูงใจของผู้เข้าร่วม และส่งเสริมการเรียนรู้ การค้นพบนี้ชี้ให้เห็นว่าบอร์ดเกมเป็นการแก้ปัญหาทางการศึกษาที่มีประสิทธิภาพสำหรับกระบวนการ เรียนรู้ต่างๆ ฟิสิกส์ ฌอณ บัวกนก และคณะ (2564 : 12) ในการจัดการเรียนการสอนวิชาการผลิตเห็ดพบว่านักเรียนประกาศนียบัตรวิชาชีพ ชั้นปีที่ 3 สาขางานผลิตพืช วิทยาลัยเกษตรและเทคโนโลยีราชบุรี ไม่สามารถเข้าใจบทเรียนการเรียนการสอนที่ผ่านมา ที่มีเนื้อหาค่อนข้างมากจึงทำให้ผู้เรียนไม่สามารถจำเนื้อหาได้ และผู้เรียนขาดความกระตือรือร้นในการเรียนในภาคทฤษฎี ดังนั้นผู้วิจัยจึงทำการวิจัยนี้ขึ้นมาเพื่อพัฒนาผลสัมฤทธิ์ทางการเรียน โดยการใช้บอร์ดเกมร่วมกับการเรียนรู้แบบร่วมมือเรื่อง เห็ด
คณะวิทยาศาสตร์
Direct Arc Plasma Generator with Six Nozzles, Applications of Plasma Technology and Progress in Nuclear Fusion and Thailand Tokamak-1 (TT1) Development
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.
คณะวิทยาศาสตร์
The purpose of this study was to examine and analyze the factors influencing household energy expenditures in Thailand. With sample group of 57,600 households. The findings reveal that the majority of the sample population is male, with an average age of 54.31 years, and most are married. The majority have an education level of primary or secondary school and are primarily Own-account worker (without employee), Private company employee or engaged in other job. In terms of social characteristics, the average household size is 2.71 people. Most residences are located in the Central, Northeastern, and Northern regions with similar proportions, followed by the Southern region and Bangkok, respectively. Most type of dwelling in detached houses, with materials of construction being cement or brick, followed by half concrete and wood. Regarding tenure, almost own dwelling and land, with an average of 2.88 rooms per household. Electricity is available in all households, with an average of 2.30 vehicles per household and an average of 22 electrical appliances per household. Regarding economic characteristics, most respondents have government/state enterprise welfare and receive benefits from the government programs. The majority have never borrow money from government funds. The average communication services of respondents amount to 788.46 THB, while the average household debt stands at 4,760.74 THB. At a significance level of 0.05, the factors influencing household energy expenditures in Thailand include gender, education level, marital status, job, household size, residential region, type of dwelling, material of construction, tenure, number of rooms, number of vehicles, number of electrical appliances, welfare of medical services, receive benefits from the government programs, borrow money from government funds, communication services, and household debt. However, age does not affect household energy expenditures in Thailand. The results of multiple linear regression analysis indicate that six quantitative independent variables—communication services, number of household electrical appliances, number of vehicles in the household, household debt, number of rooms, and household size—explain variations in household energy expenditures, with an Adjusted R Square value of 0.561.