หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2568
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
ระบบแบบฝึกหัดภาษาอังกฤษออนไลน์แบบปรับความยากตามผู้เรียนเพื่อช่วยประเมินจุดอ่อนทางไวยากรณ์ด้วย LLM
ชื่อโครงงานภาษาอังกฤษ
Adaptive Online English Grammar Practice System for Assessing Learners’ Weaknesses Using LLM
ผู้พัฒนา
6510503522 ปุณยภา เจริญสุข
อาจารย์ที่ปรึกษาหลัก
หัชทัย ชาญเลขา
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
ในปัจจุบันผู้เรียนภาษาอังกฤษส่วนใหญ่มักประสบปัญหาการทำแบบฝึกหัดที่ไม่เหมาะสมกับระดับความสามารถของตนเอง โดยสื่อออนไลน์ทั่วไปมักมีโจทย์ที่ง่ายหรือยากเกินไปจนไม่เกิดการพัฒนา อีกทั้งการระบุจุดอ่อนทางไวยากรณ์ด้วยตนเองยังทำได้ยากและใช้เวลานานทำให้การฝึกฝนไม่มีประสิทธิภาพเท่าที่ควร โครงงานนี้จึงมีวัตถุประสงค์เพื่อพัฒนาระบบแบบฝึกหัดภาษาอังกฤษออนไลน์แบบปรับเหมาะที่สามารถประเมินและปรับระดับความยากของโจทย์ให้สอดคล้องกับความสามารถของผู้เรียนรายบุคคล โดยใช้ระบบการจัดลำดับอีโลมาใช้สำหรับการเลือกข้อถัดไปที่เหมาะสมแบบเรียลไทม์ พร้อมทั้งนำโมเดลภาษาขนาดใหญ่ (LLM) เพื่อช่วยประเมินความยากตั้งต้นของโจทย์เพื่อลดปัญหาในช่วงแรกที่โจทย์ยังไม่มีการปฏิสัมพันธ์กับผู้ใช้ นอกจากนี้ระบบยังใช้ LLM ในการวิเคราะห์จุดอ่อนของผู้เรียนเชิงลึกผ่านรูปแบบภาษาที่เข้าใจง่าย ผลการดำเนินงานพบว่าระบบมีความแม่นยำสูงในการจัดลำดับผู้เรียนและโจทย์ โดยมีค่าสัมประสิทธิ์สหสัมพันธ์สเปียร์แมนเฉลี่ย 0.942 และมีค่าความคลาดเคลื่อน RMSE และ MAE ลดลงเข้าสู่จุดสมดุลได้อย่างรวดเร็วด้วยการใช้ฟังก์ชันความไม่แน่นอน ในด้านการวิเคราะห์จุดอ่อน ผู้เชี่ยวชาญด้านภาษาอังกฤษให้การยอมรับผลลัพธ์จาก LLM โดยมีคะแนนความเห็นด้วยสูงถึง 80.0% และจากการประเมินความพึงพอใจของผู้ใช้งานพบว่า ระบบช่วยลดเวลาในการเรียนรู้ได้จริง (คะแนนเฉลี่ย 4.71) และโจทย์มีความเหมาะสมกับระดับความรู้ (คะแนนเฉลี่ย 4.00) ซึ่งสรุปได้ว่าการนำเทคโนโลยี Adaptive Learning กับ LLM มาใช้ร่วมกันสามารถสร้างสภาพแวดล้อมการเรียนรู้ที่มีประสิทธิภาพและตรงประเด็นตามความต้องการของผู้เรียนแต่ละบุคคลได้อย่างดี
Abstract
At present, most English learners encounter difficulties with practice exercises that do not match their proficiency levels. Online learning materials often contain questions that are either too easy or too difficult, resulting in limited learning effectiveness. Moreover, identifying grammatical weaknesses independently is challenging and time-consuming, making practice less efficient than it should be. This project aims to develop an adaptive online English practice system capable of assessing and adjusting question difficulty according to each learner’s individual ability. The system employs the Elo rating system as the core mechanism to select subsequent questions in real time. In addition, a Large Language Model (LLM) is utilized to estimate the initial difficulty of questions in order to mitigate the cold-start problem when items have not yet interacted with users. The LLM is also applied to perform in-depth weakness analysis and generate feedback in clear, natural language. The results show that the system achieves high accuracy in ranking learners and questions, with an average Spearman’s rank correlation coefficient of 0.942. The RMSE and MAE values rapidly converge toward equilibrium through the incorporation of an uncertainty function. Regarding weakness analysis, English language experts recognized the LLM-generated results, with an agreement rate of up to 80.0%. User satisfaction evaluation further indicates that the system effectively reduces learning time (mean score = 4.71) and provides questions appropriate to learners’ proficiency levels (mean score = 4.00). In conclusion, integrating Adaptive Learning technology with LLMs can effectively create a personalized and efficient learning environment tailored to individual learner needs.
คำสำคัญ (Keywords)
Adaptive Learning; Elo Rating System; Large Language Model; English Grammar; Weakness Analysis
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
ปุณยภา
เจริญสุข
(b6510503522)
แก้ไขครั้งสุดท้าย
เมื่อ March 12, 2026, 12:09 a.m. โดย
ปุณยภา
เจริญสุข
(b6510503522)
สถานะการอนุมัติ
อนุมัติแล้ว โดย
หัชทัย
ชาญเลขา
(fenghtc)
เมื่อ March 16, 2026, 3:34 p.m.