The Decision-Making Process Support System with Deep Learning for Career Selection using PLOs in Computer Science followed the Professional Qualification Standards in Digital Industry

Abstract

The objectives of this research were: 1) to analyze and develop a deep learning–based decision support model for career recommendation for computer science students using program learning outcomes (PLOs) aligned with professional qualification standards in the digital industry. 2) to design a decision support system capable of facilitating evidence-based decision making. 3) to evaluate the system’s performance in terms of both technical accuracy and user satisfaction; and (4) to enhance the computer science curriculum in alignment with the demands of the digital industry. The research methodology involved collecting program learning outcomes (PLOs/CLOs) from 200 computer science graduates, together with occupational competency data based on the Thai Professional Qualification Institute’s (TPQI) Units of Competence (UOC). A predictive model was then developed using Deep Neural Networks (DNN) in a multi-label classification approach and compared with other algorithms, namely Random Forest and XGBoost. The evaluation employed statistical performance metrics, including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Coefficient of Determination (R²), Precision, Recall, F1-score, and Top-K accuracy, in conjunction with confusion matrix analysis, to assess accuracy and determine statistical significance at the 0.05 level. The findings revealed that. 1) the proposed model was evaluated by experts at the highest level in terms of structural soundness, procedural clarity, and alignment with TPQI/UOC standards. 2) the system design was comprehensive, encompassing functional features and evaluation metrics suitable for both multi-label and multi-class problems. 3) the DNN multi-label model achieved a Top-5 accuracy of 87% and the highest Micro-F1 score among the compared models, with statistical significance at the 0.05 level. 4) user satisfaction was rated “very good,” although the acceptance rate of the recommendations was 50%, reflecting differences in individual interests. and 5) curriculum enhancement through the integration of PLO/CLO with UOC received the highest evaluation score and can serve as a framework to improve graduate readiness for the labor market effectively.

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) วิเคราะห์และพัฒนาแบบจำลองระบบสนับสนุนกระบวนการตัดสินใจด้วยการเรียนรู้เชิงลึกเพื่อแนะนำอาชีพสำหรับนักศึกษาสาขาวิทยาการคอมพิวเตอร์ โดยใช้ผลลัพธ์การเรียนรู้ของหลักสูตรที่สอดคล้องกับมาตรฐานคุณวุฒิวิชาชีพด้านอุตสาหกรรมดิจิทัล 2) ออกแบบระบบสนับสนุนการตัดสินใจให้รองรับการตัดสินใจเชิงหลักฐาน (Evidence-Based Decision Making) 3) ประเมินประสิทธิภาพของระบบทั้งด้านความถูกต้องเชิงเทคนิคและความพึงพอใจของผู้ใช้ และ 4) ปรับปรุงหลักสูตรวิทยาการคอมพิวเตอร์ให้สอดคล้องกับความต้องการของอุตสาหกรรมดิจิทัล กระบวนการวิจัยประกอบด้วย การรวบรวมข้อมูลผลลัพธ์การเรียนรู้จากนักศึกษาบัณฑิตจำนวน 200 คน และข้อมูลประกอบด้านสมรรถนะอาชีพตามหน่วยสมรรถนะของสถาบันคุณวุฒิวิชาชีพ มาพัฒนาแบบจำลองการทำนายด้วยการเรียนรู้เชิงลึก ในลักษณะการจำแนกแบบหลายป้ายกำกับ (Multi-Label Classification) เปรียบเทียบกับอัลกอริทึมอื่น ได้แก่ Random Forest และ XGBoost โดยประเมินผลด้วยตัวชี้วัดเชิงสถิติ ได้แก่ ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) รากที่สองของค่าเฉลี่ยกำลังสองของความคลาดเคลื่อน (RMSE) ค่าสัมประสิทธิ์การตัดสินใจ (R²) ค่าความแม่นยำ (Precision) การครอบคลุม (Recall) ค่าฟีหนึ่ง (F1-score) และความถูกต้องแบบ Top-K ร่วมกับการวิเคราะห์เมทริกซ์สับสน (Confusion Matrix) เพื่อตรวจสอบความถูกต้องและนัยสำคัญทางสถิติที่ระดับ .05 ผลการวิจัยพบว่า 1) แบบจำลองที่ออกแบบได้รับการประเมินจากผู้เชี่ยวชาญในระดับมากที่สุด ทั้งในด้านความเหมาะสมของโครงสร้าง ขั้นตอน และความสอดคล้องกับมาตรฐาน 2) การออกแบบระบบมีความสมบูรณ์ ครอบคลุมฟังก์ชันการใช้งานและตัวชี้วัดที่ตอบโจทย์การประเมินในปัญหา Multi-Label และ Multi-Class 3) โมเดล DNN Multi-Label ให้ค่า Top-5 ความแม่นยำ ร้อยละ 87 ค่า Micro-F1 สูงสุดเมื่อเทียบกับโมเดลอื่น โดยมีนัยสำคัญทางสถิติที่ระดับ .05 4) ผู้ใช้มีความพึงพอใจต่อระบบในระดับดีมาก แม้อัตราการยอมรับผลลัพธ์จะอยู่ที่ร้อยละ 50 เนื่องจากความแตกต่างด้านความสนใจส่วนบุคคล 5) การปรับหลักสูตรโดยบูรณาการผลลัพธ์การเรียนรู้ กับ สมรรถนะวิชาชีพ ได้รับการประเมินในระดับมากที่สุดและสามารถใช้เป็นแนวทางยกระดับความพร้อมของบัณฑิตเข้าสู่ตลาดแรงงานได้อย่างมีประสิทธิภาพ