Áp Dụng Học Máy Để Xây Dựng Lộ Trình Học Cho Sinh Viên UIT

Khóa luận trình bày ứng dụng học máy trong xây dựng hệ thống đề xuất lộ trình học cho sinh viên ngành truyền thông và mạng máy tính.

• Tác giả: Cao Hoàng Tú
• Người hướng dẫn: ThS. Thái Huy Tân
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Truyền thông và Mạng máy tính
• Đề tài: Áp Dụng Học Máy Để Xây Dựng Lộ Trình Học Cho Sinh Viên UIT
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Tên đề tài ÁP DỤNG HỌC MÁY ĐỂ XÂY DỰNG HỆ THỐNG ĐỀ XUẤT LỘ TRÌNH HỌC CHO SINH VIÊN UIT APPLYING MACHINE LEARNING TO RECOMMEND LEARNING ROADMAP FOR UIT STUDENTS
• 1.2. Đặt vấn đề
• 1.3. Mục tiêu đề tài
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Cấu trúc khóa luận
• 2. CHƯƠNG 2
• 2.1. Khái niệm cơ bản
• 2.2. Ưu điểm của sử dụng Django
• 2.3. Áp dụng Django vào ứng dụng UIT Roadmap Recommendation
• 2.4. Ưu điểm của sử dụng SQLite
• 2.5. Áp dụng SQLite vào ứng dụng UIT Roadmap Recommendation
• 2.6. Ưu điểm của sử dụng MYSQL
• 2.7. Áp dụng MYSQL vào ứng dụng UIT Roadmap Recommendation
• 2.8. Thuật toán KNN
• 2.8.1. Ưu điểm của sử dụng thuật toán KNN
• 2.8.2. Áp dụng thuật toán KNN vào ứng dụng UIT Roadmap Recommendation
• 2.9. Ưu điểm của nghiên cứu sử dụng các thuật toán trong Microsoft Recommenders
• 2.10. Áp dụng các thuật toán Microsoft Recommenders vào ứng dụng UIT Roadmap Recommendation
• 2.11. Thư viện Keras
• 2.11.1. Ưu điểm của sử dụng thư viện Keras
• 2.11.2. Áp dụng thư viện Keras vào ứng dụng UIT Roadmap Recommendation
• 2.12. Thư viện Selenium
• 2.12.1. Ưu điểm của sử dụng Selenium
• 2.12.2. Áp dụng thư viện Selenium vào việc khai thác dữ liệu bình luận
• 2.13. Ưu điểm của sử dụng Drupal
• 2.14. Áp dụng Drupal vào ứng dụng UIT Roadmap Recommendation
• 2.15. Ưu điểm của sử dụng Rest API
• 2.16. Áp dụng Rest API vào ứng dụng UIT Roadmap Recommendation
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG
• 3.1. Kiến trúc hệ thống
• 3.2. Mô hình phân rã chức năng
• 3.3. Mô hình Usecase
• 3.3.1. Mô hình Usecase
• 3.4. Mô tả từng chức năng
• 3.5. Mô hình luồng dữ liệu
• 3.6. Biểu đồ sequence diagram
• 3.7. Quản lý sinh viên và giảng viên
• 3.8. Quản lý môn học
• 3.9. Quản lý chương trình đào tạo
• 3.10. Đăng ký, đăng nhập, đổi mật khẩu
• 3.11. Đề xuất lộ trình học
• 3.12. Thiết kế cơ sở dữ liệu
• 3.12.1. Mô hình thực thể kết hợp (ERD)
• 3.12.2. Hệ thống cơ sở dữ liệu
• 4. CHƯƠNG 4: HIỆN THỰC ỨNG DỤNG UIT ROADMAP RECOMMENDATION
• 4.1. Tổng quan về ứng dụng UIT Roadmap Recommendation
• 4.2. Đặc tả giao diện ứng dụng UIT Roadmap Recommendation
• 4.2.1. Đặc tả giao diện quản trị
• 4.2.2. Đặc tả giao diện người dùng
• 5. CHƯƠNG 5: THỬ NGHIỆM VÀ BÀN LUẬN
• 5.1. Mô hình đánh giá trạng thái bình luận giảng viên
• 5.2. Tiền xử lý dữ liệu
• 5.3. Huấn luyện và đánh giá mô hình
• 5.4. Mô hình Đề xuất môn học tự chọn
• 5.5. Huấn luyện và đánh giá mô hình
• 5.6. Mô hình Đề xuất giảng viên
• 5.7. Tiền xử lý dữ liệu và cách thức hoạt động của thuật toán KNN
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Nhược điểm
• 6.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về áp dụng học máy trong lộ trình học cho sinh viên UIT

Học máy đang trở thành một công nghệ quan trọng trong giáo dục, đặc biệt là trong việc xây dựng lộ trình học cho sinh viên. Tại Trường Đại học Công nghệ Thông tin (UIT), việc áp dụng học máy không chỉ giúp sinh viên có được thông tin chính xác về các môn học mà còn tối ưu hóa quá trình học tập của họ. Hệ thống này sẽ cung cấp những gợi ý hữu ích, giúp sinh viên lựa chọn môn học phù hợp với năng lực và sở thích của bản thân.

1.1. Khái niệm học máy và ứng dụng trong giáo dục

Học máy là một lĩnh vực của trí tuệ nhân tạo, cho phép máy tính học hỏi từ dữ liệu mà không cần lập trình cụ thể. Trong giáo dục, học máy có thể được sử dụng để phân tích dữ liệu học tập của sinh viên, từ đó đưa ra những gợi ý về lộ trình học phù hợp.

1.2. Tại sao sinh viên UIT cần một lộ trình học tối ưu

Sinh viên UIT thường gặp khó khăn trong việc lựa chọn môn học và định hướng nghề nghiệp. Một lộ trình học tối ưu sẽ giúp họ tiết kiệm thời gian, nâng cao hiệu quả học tập và chuẩn bị tốt hơn cho tương lai nghề nghiệp.

II. Thách thức trong việc xây dựng lộ trình học cho sinh viên UIT

Mặc dù có nhiều hệ thống thông tin hiện có, nhưng sinh viên UIT vẫn gặp khó khăn trong việc tìm kiếm lộ trình học hợp lý. Các thông tin hiện tại thường chỉ mang tính chất chung chung, không đáp ứng được nhu cầu cụ thể của từng sinh viên. Điều này dẫn đến việc sinh viên không biết nên học môn nào trước, giảng viên nào dễ hiểu, và tài liệu học tập ở đâu.

2.1. Thiếu thông tin chi tiết về môn học

Nhiều sinh viên không có đủ thông tin về các môn học, như đánh giá của giảng viên hay độ khó của môn học. Điều này khiến họ khó khăn trong việc lựa chọn môn học phù hợp.

2.2. Khó khăn trong việc định hướng nghề nghiệp

Sinh viên thường không có định hướng rõ ràng về nghề nghiệp tương lai, dẫn đến việc lựa chọn môn học không phù hợp với mục tiêu nghề nghiệp của bản thân.

III. Phương pháp áp dụng học máy để xây dựng lộ trình học

Để xây dựng lộ trình học cho sinh viên UIT, cần áp dụng các phương pháp học máy hiện đại. Việc sử dụng các thuật toán học máy sẽ giúp phân tích dữ liệu học tập của sinh viên và đưa ra những gợi ý chính xác về lộ trình học.

3.1. Sử dụng thuật toán phân loại để gợi ý môn học

Các thuật toán phân loại như KNN có thể được sử dụng để phân tích dữ liệu và đưa ra gợi ý về môn học dựa trên sở thích và năng lực của sinh viên.

3.2. Tích hợp trí tuệ nhân tạo vào hệ thống

Hệ thống sẽ tích hợp trí tuệ nhân tạo để đánh giá sắc thái bình luận của sinh viên về giảng viên và môn học, từ đó cải thiện độ chính xác của các gợi ý.

IV. Ứng dụng thực tiễn của hệ thống lộ trình học cho sinh viên UIT

Hệ thống lộ trình học được xây dựng sẽ mang lại nhiều lợi ích cho sinh viên UIT. Nó không chỉ giúp sinh viên lựa chọn môn học phù hợp mà còn cung cấp thông tin chi tiết về giảng viên và tài liệu học tập.

4.1. Cải thiện hiệu quả học tập của sinh viên

Sinh viên sẽ có thể lựa chọn môn học phù hợp với năng lực và sở thích, từ đó nâng cao hiệu quả học tập và giảm thiểu tình trạng nợ môn.

4.2. Tạo ra một cộng đồng học tập tích cực

Hệ thống sẽ khuyến khích sinh viên chia sẻ kinh nghiệm và phản hồi về các môn học, tạo ra một cộng đồng học tập tích cực và hỗ trợ lẫn nhau.

V. Kết luận và hướng phát triển tương lai của hệ thống

Hệ thống lộ trình học cho sinh viên UIT không chỉ là một công cụ hỗ trợ học tập mà còn là một bước tiến quan trọng trong việc áp dụng công nghệ vào giáo dục. Trong tương lai, hệ thống có thể được mở rộng để phục vụ cho nhiều đối tượng sinh viên hơn.

5.1. Đánh giá hiệu quả của hệ thống

Cần thực hiện các khảo sát và đánh giá để đo lường hiệu quả của hệ thống trong việc hỗ trợ sinh viên trong quá trình học tập.

5.2. Mở rộng ứng dụng cho các trường khác

Hệ thống có thể được điều chỉnh và mở rộng để áp dụng cho các trường đại học khác, giúp nhiều sinh viên hơn có được lộ trình học tối ưu.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong hệ thống giáo dục đại học, việc sinh viên xác định phương pháp học tập và xây dựng lộ trình tích lũy tín chỉ đóng vai trò quyết định đến kết quả đào tạo cũng như định hướng nghề nghiệp tương lai. Tuy nhiên, tình trạng sinh viên thiếu tính chủ động và gặp khó khăn trong việc định hướng học tập diễn ra tương đối phổ biến. Dẫn chứng từ số liệu khảo sát của báo Tuổi Trẻ được nhóm tác giả trích dẫn cho thấy chỉ có 30% sinh viên được hỏi thể hiện thái độ tích cực trong học tập, trong khi có đến 60% lựa chọn giải pháp học đối phó. Tình trạng này bắt nguồn từ việc chuyển đổi môi trường từ bậc phổ thông lên đại học, khi áp lực thi cử qua đi dẫn đến tâm lý xả hơi, thiếu nhận thức về mục tiêu ngành học, cùng thói quen học tập thụ động theo kinh nghiệm truyền miệng thiếu kiểm chứng từ các khóa trước.

Về mặt công nghệ và quản trị đào tạo, mặc dù Trường Đại học Công nghệ Thông tin (ĐHQG TP.HCM) đã triển khai các cổng thông tin hỗ trợ sinh viên tra cứu môn học, các hệ thống hiện hành chủ yếu cung cấp thông tin mô tả tĩnh. Hệ thống đào tạo truyền thống chưa hỗ trợ phân tích định lượng về mức độ phù hợp của môn học tự chọn theo từng chuyên ngành hẹp, cũng như chưa có cơ chế tổng hợp, phân loại ý kiến phản hồi của người học về phong cách giảng dạy của giảng viên. Trước thực tế đó, đề tài "Áp dụng học máy để xây dựng hệ thống đề xuất lộ trình học cho sinh viên UIT" được thực hiện nhằm ứng dụng kỹ thuật khai phá dữ liệu và trí tuệ nhân tạo để cá nhân hóa lộ trình đào tạo.

Mục tiêu nghiên cứu được xác định cụ thể gồm:

1. Xây dựng website hoàn chỉnh dựa trên hệ quản trị nội dung CMS Drupal nhằm tối ưu hóa thời gian phát triển và nâng cao hiệu quả quản trị dữ liệu.
2. Triển khai máy chủ riêng biệt đáp ứng nhu cầu tương tác thời gian thực cho nhiều người dùng đồng thời.
3. Tích hợp các thuật toán trí tuệ nhân tạo để tự động đề xuất lộ trình môn học phù hợp và phân loại sắc thái bình luận đánh giá giảng viên.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Hệ quản trị nội dung CMS Drupal trong thiết kế và quản trị ứng dụng web; ngôn ngữ lập trình Python và các thư viện học máy trong bài toán đề xuất lộ trình và xử lý ngôn ngữ tự nhiên (đánh giá sắc thái bình luận).
• Phạm vi nghiên cứu: Áp dụng trong phạm vi môi trường giáo dục đại học, tập trung vào chương trình đào tạo và sinh viên Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM.

Cơ sở lý thuyết và công nghệ áp dụng

Hệ thống được xây dựng trên nền tảng kết hợp giữa kỹ thuật phát triển phần mềm hiện đại và các mô hình học máy:

• Hệ quản trị nội dung Drupal (phiên bản Drupal 8): Đóng vai trò là nền tảng quản trị nội dung mã nguồn mở viết bằng PHP. Drupal được lựa chọn nhờ cấu trúc phân quyền chặt chẽ, khả năng mở rộng trường dữ liệu linh hoạt, hỗ trợ giao thức dịch vụ web tích hợp sẵn và vận hành ổn định trên môi trường LAMP (Linux, Apache, MySQL, PHP).
• Web framework Django: Framework ứng dụng web viết bằng Python theo mô hình MVC (Model-View-Controller). Django chịu trách nhiệm xây dựng tầng dịch vụ phụ trợ (backend server) chuyên biệt cho việc chạy các mô hình tính toán, tận dụng khả năng tái sử dụng thành phần và xử lý thuật toán tối ưu của Python.
• Hệ thống cơ sở dữ liệu kép (MySQL và SQLite):
  • MySQL: Hệ quản trị cơ sở dữ liệu quan hệ lưu trữ dữ liệu chính của cổng thông tin, bao gồm thông tin tài khoản người dùng, danh mục khoa, ngành đào tạo, chương trình khung, danh sách môn học và lớp học.
  • SQLite: Cơ sở dữ liệu nhúng cục bộ dạng tệp tin nhỏ gọn (kích thước tệp dưới 400 KiB với bản đầy đủ hoặc dưới 250 KiB khi lược bớt tùy chọn), tự quản lý và tuân thủ chuẩn ACID. SQLite được bố trí riêng tại máy chủ Django để lưu trữ dữ liệu ma trận điểm số và nhãn sắc thái bình luận phục vụ trực tiếp cho thuật toán đề xuất.
• Giao diện lập trình ứng dụng RESTful API: Chuẩn giao tiếp trung gian dựa trên giao thức HTTP kết nối giữa hệ thống giao diện Drupal và máy chủ tính toán Django. Dữ liệu truyền tải ở định dạng chuẩn hóa (chủ yếu là JSON) qua các phương thức HTTP như GET, POST, PUT, DELETE cùng các mã phản hồi tiêu chuẩn (200 OK, 201 Created, 204 No Content, 400 Bad Request, 401 Unauthorized, 404 Not Found, 422 Unprocessable Entity...).
• Thư viện Selenium: Công cụ kiểm thử tự động hóa tương tác trình duyệt thông qua WebDriver, được kết hợp với Python để tự động thu thập (cào) dữ liệu bình luận từ các nền tảng giảng dạy trực tuyến nhằm tạo tập dữ liệu huấn luyện ban đầu.
• Thư viện học sâu Keras: Thư viện mạng nơ-ron mã nguồn mở chạy trên nền tảng TensorFlow, dùng để thiết lập mô hình học sâu phân loại sắc thái bình luận (tích cực/tiêu cực) đối với phản hồi của sinh viên về giảng viên.
• Thuật toán học máy phân vùng và đề xuất:
  • K-Nearest Neighbors (KNN): Thuật toán phân loại có giám sát dạng học lười (lazy learning), dùng để phân cụm sinh viên có hành vi bình luận tương đồng, từ đó gợi ý danh sách giảng viên phù hợp.
  • Bộ công cụ Microsoft Recommenders: Framework mã nguồn mở hỗ trợ phát triển hệ thống gợi ý. Nhóm tác giả tập trung thử nghiệm hai thuật toán là LightGCN (Light Graph Convolutional Network - mạng tích chập đồ thị rút gọn) và SAR (Smart Adaptive Recommendations) dựa trên phương pháp lọc cộng tác (Collaborative Filtering) để đề xuất danh mục môn học tự chọn theo kỳ.

Thiết kế và kiến trúc hệ thống

Hệ thống được thiết kế theo mô hình kiến trúc phân tán 3 thành phần chính:

Thành phần kiến trúc	Công nghệ sử dụng	Chức năng chính
Drupal Web (Tầng hiển thị và quản trị)	Drupal 8, PHP, HTML5/CSS3	Quản lý người dùng, hiển thị thông tin môn học, lộ trình mẫu; gửi thông tin điểm số và bình luận sang máy chủ phân tích
Django Web (Tầng tính toán thông minh)	Django, Python, Keras, Recommenders	Tiếp nhận yêu cầu tính toán qua REST API; thực thi thuật toán phân loại bình luận, chạy mô hình đề xuất môn tự chọn và giảng viên
Database (Tầng lưu trữ dữ liệu)	MySQL và SQLite	MySQL lưu trữ dữ liệu hệ thống Drupal; SQLite phục vụ lưu trữ ma trận tính toán và kết quả đánh giá mô hình

Phân rã chức năng và tác nhân tương tác

Hệ thống xác định hai tác nhân chính tham gia tương tác:

1. Người dùng (Sinh viên): Đăng ký, đăng nhập, đổi mật khẩu; quản lý hồ sơ cá nhân; tra cứu chi tiết môn học và tải tài liệu đính kèm; xem danh sách môn học đã tích lũy; gửi bình luận đánh giá giảng viên; nhận danh sách giảng viên đề xuất; tạo yêu cầu và tiếp nhận lộ trình học tập tối ưu tương ứng với định hướng chuyên ngành qua từng học kỳ.
2. Quản trị viên (Admin): Toàn quyền kiểm soát tài nguyên hệ thống gồm quản lý danh mục môn học (thêm, sửa, xóa, import file danh sách), quản lý giảng viên, quản lý sinh viên, quản lý phân công lớp học, quản lý chương trình đào tạo và thiết lập khung lộ trình đào tạo mẫu theo niên khóa.

Luồng xử lý nghiệp vụ đề xuất

• Luồng đề xuất giảng viên: Khi sinh viên truy cập thông tin môn học, hệ thống kiểm tra lịch sử bình luận của người dùng. Dữ liệu này được đối chiếu thông qua thuật toán KNN trên máy chủ Django; nếu chưa có dữ liệu tương tác, hệ thống trả về giảng viên mặc định theo cấu hình môn học.
• Luồng đề xuất lộ trình môn học: Sinh viên nhập các tham số đầu vào (ngành học, định hướng chuyên sâu, học kỳ hiện tại). Drupal gửi request đến API của Django Web. Mô hình lọc cộng tác tính toán ma trận tương tác để lọc ra danh sách các môn tự chọn có độ tương thích cao nhất, kết hợp với các môn bắt buộc trong chương trình khung để trả về giao diện phân kỳ hoàn chỉnh (kỳ 1-2, kỳ 3-4-5, kỳ 6-7-8).

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Chương này thiết lập bối cảnh nghiên cứu về thực trạng sinh viên đại học gặp khó khăn trong việc xây dựng kế hoạch học tập, dẫn đến việc nợ môn và mất phương hướng nghề nghiệp. Nhóm tác giả dẫn các cơ sở thực tế từ khảo sát báo Tuổi Trẻ (30% sinh viên tích cực, 60% học đối phó) để chứng minh tính cấp thiết của việc xây dựng hệ thống gợi ý học tập. Chương 1 xác định rõ mục tiêu xây dựng website trên nền tảng Drupal, triển khai máy chủ tính toán riêng bằng Python, giới hạn phạm vi nghiên cứu trong khuôn khổ Trường Đại học Công nghệ Thông tin, đồng thời công bố kế hoạch thực hiện đề tài qua 4 giai đoạn từ tháng 03/2021 đến tháng 06/2021.

Chương 2. Cơ sở lý thuyết và công nghệ liên quan

Chương 2 trình bày chi tiết về các nền tảng kỹ thuật được lựa chọn. Tác giả phân tích ưu điểm kiến trúc MVC và khả năng triển khai mô hình học máy của Django; đặc tính phi máy chủ, tự trị và tuân thủ ACID của SQLite; khả năng quản lý các bảng dữ liệu quy mô lớn của MySQL (hỗ trợ tới 50 triệu hàng/bảng, kích thước tệp lý thuyết đạt 8 triệu TB).

Bên cạnh đó, chương này giải thích cơ chế phân loại của thuật toán KNN, cấu trúc học sâu dựa trên Keras phát triển từ năm 2015 bởi François Chollet, vai trò thu thập dữ liệu tự động của Selenium WebDriver và kiến trúc quản trị nội dung của Drupal 8. Cơ chế vận hành của RESTful API với các phương thức HTTP và hệ thống mã phản hồi chuẩn hóa cũng được định nghĩa làm nền tảng cho việc tích hợp hệ thống.

Chương 3. Phân tích và thiết kế hệ thống

Nội dung chương 3 tập trung vào kỹ thuật phần mềm với các mô hình thiết kế cụ thể:

• Sơ đồ kiến trúc phân tán kết nối Client - Drupal Web - Django Web - MySQL/SQLite.
• Sơ đồ phân rã chức năng (Functional Decomposition Diagram) chia tách hệ thống thành các khối: Quản lý tài khoản, Quản lý sinh viên, Quản lý giảng viên, Quản lý môn học, Quản lý lớp học, Quản lý chương trình đào tạo và Đề xuất học tập.
• Biểu đồ ca sử dụng (Use Case Diagram) và bảng đặc tả chi tiết dòng sự kiện (người dùng thực hiện và hệ thống phản hồi) cho từng chức năng chính.
• Biểu đồ luồng dữ liệu (DFD) cho cả hai phân hệ Client và Admin.
• Biểu đồ tuần tự (Sequence Diagram) mô tả chi tiết quy trình giao tiếp giữa giao diện, bộ điều khiển, tầng API và cơ sở dữ liệu đối với các thao tác quản lý dữ liệu và chức năng gọi ý.
• Mô hình thực thể kết hợp (ERD) và cấu trúc bảng của cơ sở dữ liệu quan hệ.

Chương 4. Hiện thực ứng dụng UIT Roadmap Recommendation

Chương 4 mô tả quá trình chuyển hóa các bản vẽ thiết kế thành phần mềm thực tế thông qua hệ thống giao diện trực quan:

• Giao diện quản trị: Bao gồm các màn hình đăng nhập hệ thống, danh sách và biểu mẫu nhập thông tin môn học, danh sách lớp học, biểu mẫu thêm mới lớp học, danh sách hồ sơ giảng viên, giao diện quản lý tài khoản người dùng, danh mục các khoa và ngành đào tạo, cùng bảng thiết lập chương trình đào tạo chuẩn.
• Giao diện sinh viên: Thiết kế menu và banner điều hướng, khối hiển thị các môn học phổ biến, form nhập thông tin định hướng chuyên môn, màn hình trực quan hóa lộ trình học tập được phân tách theo từng giai đoạn (kỳ 1 và 2; kỳ 3, 4 và 5; kỳ 6, 7 và 8), màn hình chi tiết môn học tích hợp chức năng tải tài liệu và xem thông tin giảng viên được hệ thống gợi ý, trang cá nhân và danh sách các lớp đã tích lũy của sinh viên.

Chương 5. Thử nghiệm và bàn luận

Chương 5 trình bày việc triển khai thực nghiệm đối với các mô hình máy học thành phần:

• Mô hình đánh giá sắc thái bình luận giảng viên: Quá trình tiền xử lý văn bản thu thập từ Selenium và so sánh hiệu quả phân loại giữa thuật toán hồi quy Logistic (Logistic Regression) và mô hình mạng nơ-ron xây dựng bằng Keras.
• Mô hình đề xuất môn học tự chọn: Thực nghiệm phương pháp lọc cộng tác thông qua việc so sánh đối đầu giữa hai thuật toán LightGCN và SAR dựa trên bộ công cụ Microsoft Recommenders.
• Mô hình đề xuất giảng viên: Thực nghiệm thuật toán KNN dựa trên ma trận khoảng cách tương đồng giữa các bình luận của sinh viên để đưa ra danh sách giảng viên phù hợp.

Chương 6. Kết luận và hướng phát triển

Chương cuối cùng tổng kết các kết quả đạt được đối chiếu với mục tiêu ban đầu, chỉ ra những mặt hạn chế về mặt dữ liệu và cấu trúc vận hành, đồng thời đề ra các giải pháp kỹ thuật cần hoàn thiện trong tương lai.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu kỹ thuật đặt ra và ghi nhận các kết quả thực nghiệm cụ thể:

Kết quả thử nghiệm các mô hình học máy

Bài toán	Mô hình thử nghiệm	Phương pháp / Nguồn gốc	Đánh giá thực nghiệm
Phân loại sắc thái bình luận	Mạng Keras vs. Logistic Regression	Học sâu (Neural Network) và học máy thống kê	Mô hình mạng nơ-ron Keras cho khả năng biểu diễn ngữ nghĩa và phân loại sắc thái bình luận chính xác hơn mô hình Logistic Regression
Đề xuất môn học tự chọn	LightGCN vs. SAR	Lọc cộng tác (Collaborative Filtering) qua Microsoft Recommenders	Thuật toán LightGCN thể hiện ưu thế vượt trội trong việc nắm bắt quan hệ tương tác đồ thị so với mô hình thích ứng SAR
Gợi ý giảng viên	K-Nearest Neighbors (KNN)	Gom cụm khoảng cách tương đồng	Phân nhóm thành công các tập sinh viên có chung đánh giá để gán nhãn gợi ý giảng viên phù hợp

Đóng góp thực tiễn và giải pháp kỹ thuật

• Giải pháp tích hợp đa nền tảng: Nhóm tác giả đã kết hợp thành công một CMS hoàn chỉnh (Drupal) với một web framework tính toán khoa học (Django) thông qua kiến trúc RESTful API. Mô hình này giúp tận dụng năng lực quản trị nội dung mạnh mẽ của Drupal mà không làm suy giảm hiệu năng xử lý dữ liệu phức tạp của các mô hình học máy trên Python.
• Cá nhân hóa lộ trình học tập: Hệ thống không chỉ cung cấp danh mục môn học thông thường mà đã tự động phân bổ lộ trình học theo từng học kỳ cụ thể (giai đoạn đại cương kỳ 1-2, cơ sở ngành kỳ 3-5 và chuyên ngành kỳ 6-8), giải quyết trực tiếp bài toán lựa chọn môn tự chọn cho sinh viên UIT dựa trên thuật toán lọc cộng tác.
• Hệ thống hóa đánh giá chất lượng giảng dạy: Khóa luận xây dựng được luồng xử lý tự động từ việc thu thập dữ liệu bình luận bên ngoài (thông qua Selenium), đưa qua mạng nơ-ron Keras để phân loại trạng thái, từ đó làm cơ sở định lượng để thuật toán KNN đề xuất giảng viên phù hợp với từng nhóm sinh viên.

Hạn chế và hướng phát triển

Dựa trên kết quả triển khai và phạm vi nghiên cứu, các hạn chế kỹ thuật tồn tại bao gồm:

• Tính phụ thuộc của tập dữ liệu: Do hệ thống mới được triển khai thử nghiệm tại môi trường học thuật và chưa tích lũy đủ dữ liệu tương tác thực tế từ sinh viên UIT, tập dữ liệu huấn luyện sắc thái bình luận ban đầu vẫn phải dựa vào việc cào dữ liệu từ các trang học trực tuyến bên ngoài thông qua Selenium.
• Độ phức tạp trong vận hành cơ sở dữ liệu: Việc vận hành song song hai hệ thống cơ sở dữ liệu (MySQL cho Drupal và SQLite cho Django) đòi hỏi cơ chế đồng bộ hóa liên tục qua REST API, làm tăng độ trễ truy xuất dữ liệu khi số lượng yêu cầu tương tác đồng thời tăng cao.
• Thử nghiệm thuật toán trên dữ liệu mô phỏng: Các thuật toán gợi ý môn học (LightGCN, SAR) trong bộ Microsoft Recommenders chủ yếu được kiểm thử và đánh giá dựa trên dữ liệu mô phỏng tương tác, cần được kiểm chứng trên tập dữ liệu học tập thực tế quy mô lớn của nhà trường.

Hướng phát triển tiếp theo được đề xuất:

• Mở rộng triển khai thực tế trên toàn trường Đại học Công nghệ Thông tin để thu thập tập dữ liệu người dùng thật về điểm số, đánh giá và lịch sử đăng ký học phần.
• Tối ưu hóa kiến trúc hạ tầng, tiến tới hợp nhất hoặc đồng bộ hóa trực tiếp giữa hai hệ thống lưu trữ dữ liệu để tăng tốc độ phản hồi của API.
• Nghiên cứu cải tiến các mô hình học sâu, tích hợp thêm các yếu tố về điều kiện tiên quyết của môn học và kết quả học tập quá khứ của sinh viên vào hàm mục tiêu của thuật toán gợi ý lộ trình.

Giá trị tham khảo

Báo cáo khóa luận cung cấp nguồn tư liệu học thuật và kỹ thuật giá trị cho các đối tượng sau:

• Sinh viên ngành Mạng máy tính, Truyền thông và Kỹ thuật phần mềm: Là tài liệu tham khảo thực tế về quy trình phân tích, thiết kế hệ thống thông tin theo chuẩn công nghệ phần mềm, từ việc lập biểu đồ phân rã chức năng, xây dựng use case, biểu đồ luồng dữ liệu (DFD), biểu đồ tuần tự (Sequence Diagram) đến thiết kế mô hình thực thể kết hợp (ERD).
• Người nghiên cứu hệ thống gợi ý (Recommender Systems) và Xử lý ngôn ngữ tự nhiên (NLP): Cung cấp phương pháp thực hành cụ thể trong việc triển khai bộ công cụ Microsoft Recommenders (với hai thuật toán LightGCN và SAR) và mô hình mạng nơ-ron Keras kết hợp kỹ thuật cào dữ liệu tự động bằng Selenium WebDriver.
• Nhà phát triển ứng dụng web đa nền tảng: Minh họa chi tiết mô hình tích hợp hệ thống giữa một hệ quản trị nội dung PHP (Drupal) và một máy chủ tính toán Python (Django) qua giao thức RESTful API.

Câu hỏi thường gặp

1. Hệ thống thực hiện kết nối giữa giao diện người dùng Drupal và máy chủ tính toán Django như thế nào?

Hệ thống kết nối hai nền tảng thông qua kiến trúc RESTful API dựa trên giao thức HTTP. Drupal Web đóng vai trò là client gửi các yêu cầu nghiệp vụ (như gửi điểm, yêu cầu gợi ý môn học hoặc giảng viên) dưới định dạng JSON; Django Web đóng vai trò máy chủ API tiếp nhận dữ liệu, gọi các thuật toán học máy tương ứng để xử lý và trả về kết quả cho Drupal hiển thị đến người dùng.

2. Dữ liệu dùng để huấn luyện mô hình phân loại sắc thái bình luận được thu thập bằng phương pháp nào?

Do hệ thống ban đầu chưa có sẵn kho dữ liệu bình luận nội bộ từ sinh viên, nhóm tác giả đã sử dụng thư viện tự động hóa Selenium WebDriver kết hợp với ngôn ngữ Python để thu thập (cào dữ liệu) các đoạn văn bản đánh giá từ các trang web dạy học trực tuyến. Dữ liệu thô này sau đó trải qua các bước tiền xử lý để huấn luyện mô hình phân loại sắc thái bình luận giảng viên.

3. Hai thuật toán nào trong bộ công cụ Microsoft Recommenders đã được nhóm tác giả đưa vào thử nghiệm đề xuất môn học?

Nhóm tác giả đã lựa chọn nghiên cứu và thử nghiệm hai thuật toán là LightGCN (Light Graph Convolutional Network) và SAR (Smart Adaptive Recommendations) từ bộ thư viện mã nguồn mở Microsoft Recommenders, áp dụng theo nguyên lý lọc cộng tác (Collaborative Filtering) để xếp hạng và đề xuất môn học tự chọn.

4. Tại sao hệ thống lại sử dụng đồng thời cả hai hệ quản trị cơ sở dữ liệu MySQL và SQLite?

MySQL được sử dụng gắn liền với hệ quản trị nội dung Drupal nhằm lưu trữ toàn bộ các bảng dữ liệu nghiệp vụ chính gồm thông tin sinh viên, giảng viên, khóa học, chương trình đào tạo và cấu trúc phân quyền hệ thống. Trong khi đó, SQLite được tích hợp cục bộ phía máy chủ Django nhờ đặc tính gọn nhẹ (dưới 400 KiB) và không cần cấu hình độc lập, chuyên dùng để lưu trữ ma trận điểm số và trạng thái bình luận phục vụ trực tiếp cho quá trình tính toán của các mô hình học máy.

5. Thuật toán K-Nearest Neighbors (KNN) đóng vai trò gì trong đồ án?

Thuật toán KNN được áp dụng trong bài toán đề xuất giảng viên phù hợp cho sinh viên. Thuật toán hoạt động bằng cách gom cụm và phân vùng những sinh viên có mức độ tương đồng cao trong hành vi bình luận (tích cực hoặc tiêu cực), từ đó trích xuất các giảng viên được đánh giá tốt bởi những sinh viên có cùng xu hướng để đưa ra gợi ý cho người học hiện tại.

Kết luận

Khóa luận tốt nghiệp của sinh viên Cao Hoàng Tú và Vũ Ngọc Tuấn đã hiện thực hóa thành công hệ thống UIT Roadmap Recommendation, giải quyết bài toán định hướng học tập cho sinh viên thông qua việc kết hợp công nghệ web và học máy. Bằng việc tích hợp kiến trúc dịch vụ giữa Drupal, Django cùng các thuật toán Keras, KNN và Microsoft Recommenders, đề tài đã xây dựng được một giải pháp khả thi trong việc cá nhân hóa chương trình đào tạo và hỗ trợ sinh viên lựa chọn môn học, giảng viên tối ưu. Các kết quả thử nghiệm và thiết kế hệ thống trong khóa luận là tài liệu tham khảo hữu ích cho việc ứng dụng công nghệ thông tin vào công tác quản trị và hỗ trợ đào tạo đại học.

Trích đoạn nội dung tài liệu

Chương 1. TONG QUAN DE TÀI 1.1 Tên đề tài ÁP DỤNG HỌC MAY DE XÂIY DỰNG HE THONG DE XUẤT LỘ TRÌNH HỌC CHO SINH VIÊN UIT APPLYING MACHINE LEARNING TO RECOMMEND LEARNING ROADMAP FOR UIT STUDENTS 1.2 Dat van dé Giáo dục luôn là van đề trung tâm của xã hội vì nó quyết định tương lai của mỗi người và của cả xã hội. Khi nói về tính không hiệu quả của giáo dục ngày nay đặc biệt là giáo dục Dai học, người ta thường dé lỗi do thiếu trang thiết bị học tập, thương mại hóa giáo dục, phong cách giảng dạy của giảng viên, việc học thiên về lý thuyết nhiều hơn thực tiễn. mà quên đi cách thức của sinh viên trong việc học của mình.

Theo số liệu khảo sát của báo Tuổi trẻ thì chỉ 30% trong số những sinh viên được hỏi có thái độ tích cực trong học tập, trong khi có đến 60% chọn giải pháp học đối phó. Có một thực tế đáng buồn là sau bao năm học phô thông vất vả, nặng nhọc để giành được một chiếc ghế lên giảng đường đại học thì không ít sinh viên đã vội chủ quan dẫn đến không tiếp thu được kiến thức, nợ môn và tệ hơn nữa là không có định hướng rõ ràng cho tương lai nghề nghiệp. Tại sao lại như vậy? Một trong những lý do là khả năng tiếp nhận thông tin của sinh viên còn kém và chưa có một lộ trình học hợp lý. Khi còn học phô thông, đặc biệt là cấp III, các bạn học sinh đã phải mang trên vai gánh nặng tâm lý từ gia đình, người thân là phải vào Đại học.

Nhưng bản thân những cô, cậu ấy chưa hoặc không nhận thức được vào Đại học để làm gì? Và chuyên ngành mình chọn có phù hợp với mục tiêu, sở thích, tính cách năng lực của bản thân hay không? Chính vì thế mà khi đã đậu vào Đại học rồi thì cũng đồng nghĩa với việc đã làm xong nghĩa vụ với bố mẹ và người thân chứ không phải đạt được ước mơ của chính bản thân thì làm gì có được sự trân trọng thành quả có gắng học tập. Một lý do khác nữa là Sinh viên năm thứ nhất thường chịu ảnh hưởng nhiều từ “sự hướng dẫn” của các anh chị đi trước. Các bạn đang cực kỳ thỏa mãn với chính mình, 12 năm đèn sách rồi, chọi bao nhiêu đối thủ mới nghiễm nhiên trở thành sinh viên Đại học, thỏa mãn mong ước của bố mẹ, thầy cô, bè bạn. Càng nghĩ các bạn càng tự hao và hài lòng về bản thân mình lắm.

Rồi các bạn dần cảm thay cái lý lẽ “nghỉ xả hơi” rất có tình, có lý. Đúng quá! Theo quan điểm năm nhất ăn chơi, năm hai thong thả, năm ba cố gắng, năm tư chuẩn bị ra trường thì các bạn chỉ mới ở giai đoạn I mà thôi vội gì. “Thả phanh” ung dung suốt học kỳ dé rồi đến kỳ thi lại lao đầu vào học, thức khuya dậy sớm chạy mãi mà vẫn không đuổi kịp khối kiến thức mà cả học kỳ không thèm đề mắt tới. Cứ chọn đại một “tủ” may mắn thì trúng, còn không thì.

Thi lại mà rớt thì. Những bạn này thường đến lớp thi bằng khuôn mặt mệt mỏi và đương nhiên kết quả đạt được chỉ có. trời mới biết. Trước thực trạng đó đã thúc đẩy nhóm chúng tôi đến với ý tưởng xây dựng một hệ thống ứng dụng học máy dé có thé đề xuất một lộ trình học cho sinh viên nói chung và sinh viên UIT nói riêng.

Hệ thống giúp giải quyết các van dé chung của sinh viên như nên học môn nao trước, giảng viên nào day dễ hiểu, điểm cao , có thé có tìm tai liệu môn học đó ở đâu cũng như việc làm sao để biết môn học đó có ích gì cho ngành học của mình sau này. Việc cho mỗi cá nhân sinh viên sử dụng hệ thống này và để lại các phản hồi tích cực sẽ góp phan giúp hệ thống thông minh hơn và sẽ giúp các thé hệ sinh viên tiếp theo có được những kinh nghiệm thực tế từ các anh chị đi trước còn lưu lại trên hệ thống.3 Mục tiêu đề tài Xây dựng hệ thống sử dụng CMS Drupal, Python với những mục tiêu cụ thé như sau: - Xây dung website dựa trên một CMS Drupal giúp tiết kiếm thời gian phát trién cũng như dé dang trong việc quản lý. - Sử dụng server riêng đáp ứng được nhu cầu phát triển ứng dụng thời gian thực với nhiều người dùng cùng tương tác trong một thời điểm. - Tích hợp trí tuệ nhân tạo vào việc đề xuất một lộ trình học cũng như đánh giá sắc thái bình luận.4 Đối tượng và phạm vi nghiên cứu 1.1 Đối tượng nghiên cứu Luận văn này hướng đến việc nghiên cứu các đối tượng sau: - Nghiên cứu và tìm hiểu về CMS Drupal trong việc xây dựng website.

- Nghiên cứu và tìm hiệu về Python trong việc đề xuất lộ trình học và đánh giá sắc thái bình luận của mỗi sinh viên.2 Phạm vi nghiên cứu Dé tài được nghiên cứu trong môi trường dai học.5 Phương pháp nghiên cứu Khóa luận sử dụng các phương pháp nghiên cứu hướng đến thực tiễn đề phát triển và hoàn thiện website: - Thu thập thông tin, tim hiểu và nghiên cứu về các kỹ thuật, công nghệ, thư viện cần thiết sẽ hỗ trợ xây dựng và phát triển đề tài. - Tự đánh giá và so sánh kết quả đạt được với các mục tiêu dé ra ban đầu. Điều chỉnh, khắc phục các khuyết điểm và phát huy các ưu điểm. - Hoàn thiện website và đưa vào kiểm thử trong thực tế, tiến hành khảo sát, thu thập ý kiến, đánh giá của người dùng.6 Cấu trúc khóa luận Trong bài báo cáo này, chúng tôi xin được trình bày về những kiến thức, cơ sở lý thuyết mà chúng tôi đã nghiên cứu và áp dụng.

Cũng như những phân tích, đánh giá của nhóm trong quá trình làm việc, xây dựng và phát triển hệ thống đề xuất lộ trình học. Báo cáo khóa luận này được trình bày với cấu trúc như sau: - Chương 1: Giới thiệu tổng quan về dé tài nghiên cứu, các van dé cần giải quyết, mục đích nghiên cứu, phạm vi nghiên cứu và phương pháp nghiên cứu - Chương 2: Giới thiệu các kỹ thuật, công nghệ, các thư viện cần thiết đã nghiên cứu, tìm hiểu và áp dụng vào việc xây dựng và phát triển đề tài. - Chương 3: Đề ra các đặc tả yêu cầu phân tích thiết kế hệ thống, thiết kế kiến trúc và các mô hình cần thiết cho toàn bộ hệ thống. - Chương 4: Trình bày việc hiện thực các thiết kế được xây dựng từ chương 3, hiện thực và giới thiệu giao diện ứng dụng, minh họa cách thức hoạt động thực tế của ứng dụng.

- Chương 5: Tổng kết đồ án, nêu lên ý nghĩa đồ án, trình bày những mặt tích cực đã đạt được cũng như nhìn nhận, đánh giá về những hạn chế còn tồn đọng. Từ đó đưa ra cách giải quyết, hướng phát triển tiếp theo cho hệ thống.1 Khái niệm Django là 1 web framework khá nổi tiếng được viết hoàn toàn bằng ngôn ngữ Python. Nó là 1 framework với đầu đủ các thư viện, module hỗ trợ các web-developer. Django sử dung mô hình MVC và được phát triển boi Django Software Foundation (DSF một tổ chức phi lợi nhuận độc lập) Mục tiêu chính của Django là đơn giản hóa việc tạo các website phức tạp có sử dụng cơ sở dữ liệu [3].

Django tập trung vào tinh năng “có thé tái sử dung” và “có thé tự chạy” của các component, tính năng phát triển nhanh, không làm lại những gì đã làm. Một số website phổ biến được xây dựng từ Django là Pinterest, Instagram, Mozilla, và Bitbucket.2 Ưu điểm của sử dung Django Dé hiểu Django thực sự dùng dé làm gì, chúng ta cần hiểu rõ hơn về máy chủ (server). Điều đầu tiên, server cần biết rằng bạn muốn nó phục vụ một trang web. Hãy tưởng tượng một hộp thư (cổng) giám sát các thư gửi đến (request).

Điều này được thực hiện bởi một web server. Web server đọc thư và sau đó gửi phản hồi bằng một trang web.3 Áp dung Django vào ứng dụng UIT Roadmap Recommendation Ứng dụng từ những tính năng nổi trội của Django, nhóm đã sử dụng thư viện Microsoft Recommenders và Tensorflow dé tiền hành xây dựng mô hình đề xuất. Từ dữ liệu mô phỏng nhóm sẽ lưu trong cơ sở dữ liệu Sqlite và Mysql.1 Khái niệm SQLite là một thư viện phần mềm mà triển khai một SQL Database Engine, không cần máy chủ, không cần cầu hình, khép kin và nhỏ gon. Nó là một cơ sở dữ liệu, không cần cấu hình, có nghĩa là giống như các co sở dữ liệu khác mà bạn không cần phải cầu hình nó trong hệ thống của mình [7].

SQLite engine không phải là một quy trình độc lập (standalone process) như các cơ sở dit liệu khác, bạn có thé liên kết nó một cách tĩnh hoặc động tùy theo yêu cầu của bạn với ứng dụng của ban. SQLite truy cập trực tiếp các file lưu trữ (storage files) của nó. 2 Tinh năng của SQLite 2.2 Ưu điểm của sử dung SQLite Một số đặc điểm quan trọng của SQLite giúp nó đáng đề nghiên cứu: - SQLite không yêu cầu một quy trình hoặc hệ thống máy chủ riêng biệt để hoạt động. - SQLite không cần cấu hình, có nghĩa là không cần thiết lập hoặc quản trị.

- Một cơ sở dữ liệu SQLite hoàn chỉnh được lưu trữ trong một file disk da nền tảng (cross-platform disk file). - SQLite rất nhỏ và trọng lượng nhẹ, dưới 400 KiB được cấu hình day đủ hoặc dưới 250 KIB với các tính năng tùy chọn bị bỏ qua. - SQLite là khép kín (self-contained), có nghĩa là không có phụ thuộc bên ngoài. - Các transaction trong SQLite hoàn toàn tuân thủ ACID, cho phép truy cập an toàn từ nhiều tiến trình (process) hoặc luồng (thread).

- SQLite hỗ trợ hầu hết các tinh năng ngôn ngữ truy vấn (query language) được tìm thay trong tiéu chuẩn SQL92 (SQL2). - SQLite được viết bằng ANSI-C và cung cấp API đơn giản và dé sử dụng. - SQLite có sẵn trên UNIX (Linux, Mac OS-X, Android, iOS) và Windows (Win32, WinCE, WinRT).3 Ap dung SQLite vào ứng dụng UIT Roadmap Recommendation Các lệnh SQLite tiêu chuan dé tương tac với cơ sở đữ liệu quan hệ tương tự như SQL. Chúng là CREATE, SELECT, INSERT, UPDATE, DELETE va DROP.

Nhóm sé sử dụng dé lưu dữ liệu về trạng thái bình luận của sinh viên ứng với giảng viên là tốt hay không. Cơ sở đề đề xuất giảng viên cho sinh viên tiếp theo.1 Khái niệm SQL [9] là ngôn ngữ phô biến nhất đề thêm, truy cập và quản lý nội dung trong cơ sở dữ liệu.