Luận văn thạc sĩ: Xây dựng công cụ dự đoán kết quả học tập cho sinh viên Đại học Đồng Tháp

• Tác giả: Trần Tuấn Anh
• Người hướng dẫn: TS. Dương Minh Đức
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Kỹ thuật
• Đề tài: Công Cụ Dự Đoán Kết Quả Học Tập Sinh Viên Đại Học Đồng Tháp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TPHCM

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• 1. CHƯƠNG I: GIỚI THIỆU
• 1.1. Lý do chọn đề tài
• 1.2. Mục đích nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn của luận văn
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG II: CƠ SỞ LÝ THUYẾT
• 2.1. Khái niệm về khai phá dữ liệu
• 2.2. Định nghĩa khai phá dữ liệu
• 2.3. Những nhóm bài toán của khai phá dữ liệu
• 2.4. Những lợi thế và thách thức của khai phá dữ liệu
• 2.5. Các bước xây dựng một giải pháp về khai phá dữ liệu
• 2.5.1. Mô hình luồng dữ liệu
• 2.5.2. Vòng đời của một hệ thống khai phá dữ liệu. Kiến trúc của một hệ thống khai phá dữ liệu điển hình
• 2.6. Khai phá dữ liệu trong lĩnh vực giáo dục
• 2.6.1. Tầm quan trọng của khai phá dữ liệu trong lĩnh vực giáo dục
• 2.6.2. Các ứng dụng của khai phá dữ liệu trong lĩnh vực giáo dục
• 2.7. Một số kỹ thuật khai phá dữ liệu trong phân lớp, dự báo
• 2.7.1. Cây quyết định
• 2.7.2. Phân lớp Naïve Bayes
• 2.7.3. Mạng nơ ron nhân tạo
• 2.7.4. Khai phá luật kết hợp
• 2.8. Khai phá dữ liệu với hệ quản trị CSDL Microsoft SQL Server
• 2.8.1. Giới thiệu chung
• 2.8.2. Ngôn ngữ truy vấn khai phá dữ liệu DMX (Data Mining Extensions)
• 2.8.3. Bộ công cụ SQL Server Business Intelligence Development Studio
• 2.8.4. Lập trình khai phá dữ liệu với Analysis Services APIs
• 2.9. Kết luận chương 2
• 3. CHƯƠNG III: MÔ HÌNH ĐỀ XUẤT
• 3.1. Giải pháp dự đoán kết quả học tập của sinh viên
• 3.2. Liệt kê lộ trình học của một sinh viên
• 3.3. Dự đoán kết quả học tập cuối khóa của sinh viên
• 3.4. Xây dựng cơ sở dữ liệu cho hệ thống
• 3.5. Xây dựng hệ thống dự đoán kết quả học tập
• 3.6. Xây dựng các mô hình
• 3.7. Đánh giá các mô hình
• 3.8. Thiết kế hệ thống dự đoán kết quả học tập
• 4. CHƯƠNG IV: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Thực nghiệm, đánh giá trên hệ thống
• 4.2. Kết luận chương 4
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

I. Giới thiệu

Đề tài 'Công cụ dự đoán kết quả học tập sinh viên Đại học Đồng Tháp' được xây dựng nhằm giải quyết vấn đề lựa chọn lộ trình học cho sinh viên trong bối cảnh đào tạo theo tín chỉ. Việc dự đoán kết quả học tập không chỉ giúp sinh viên có cái nhìn rõ ràng hơn về khả năng học tập của mình mà còn hỗ trợ các giảng viên và nhà quản lý trong việc tư vấn và định hướng học tập. Công cụ dự đoán kết quả học tập sử dụng các kỹ thuật khai phá dữ liệu như cây quyết định, Naïve Bayes, và mạng nơ ron nhân tạo để phân tích và dự đoán kết quả học tập dựa trên thông tin cá nhân và lộ trình học của sinh viên. Điều này không chỉ nâng cao chất lượng giáo dục mà còn tiết kiệm thời gian và chi phí cho cả sinh viên và nhà trường.

1.1. Lý do chọn đề tài

Việc chuyển đổi từ đào tạo theo niên chế sang đào tạo theo tín chỉ đã tạo ra nhiều thách thức cho sinh viên trong việc lựa chọn môn học và lộ trình học. Công cụ dự đoán kết quả học tập sẽ giúp sinh viên có thể tự tin hơn trong việc lựa chọn các môn học phù hợp với năng lực và sở thích của mình. Hệ thống này không chỉ giúp sinh viên mà còn hỗ trợ các giảng viên trong việc tư vấn và định hướng học tập, từ đó nâng cao hiệu quả giáo dục. Việc áp dụng các kỹ thuật khai phá dữ liệu trong giáo dục là một xu hướng mới, giúp tối ưu hóa quá trình học tập và nâng cao chất lượng đào tạo.

II. Cơ sở lý thuyết

Chương này tập trung vào việc nghiên cứu các khái niệm và kỹ thuật liên quan đến khai phá dữ liệu. Khai phá dữ liệu là quá trình phân tích và trích xuất thông tin từ các khối dữ liệu lớn, giúp phát hiện ra các mẫu và xu hướng có giá trị. Các kỹ thuật như cây quyết định, Naïve Bayes, và mạng nơ ron nhân tạo được áp dụng để xây dựng mô hình dự đoán kết quả học tập. Việc hiểu rõ về các bước trong quy trình khai phá dữ liệu, từ lựa chọn dữ liệu, tiền xử lý, đến khai thác và đánh giá mẫu, là rất quan trọng để phát triển một công cụ dự đoán kết quả học tập hiệu quả.

2.1. Khái niệm về khai phá dữ liệu

Khai phá dữ liệu là một lĩnh vực nghiên cứu quan trọng trong khoa học dữ liệu, cho phép phân tích và trích xuất thông tin từ các cơ sở dữ liệu lớn. Quá trình này bao gồm nhiều bước như lựa chọn dữ liệu, tiền xử lý, và khai thác thông tin. Việc áp dụng khai phá dữ liệu trong giáo dục giúp phát hiện ra các yếu tố ảnh hưởng đến kết quả học tập của sinh viên, từ đó xây dựng các mô hình dự đoán chính xác. Công cụ dự đoán kết quả học tập sẽ sử dụng các kỹ thuật này để cung cấp thông tin hữu ích cho sinh viên và giảng viên.

III. Mô hình đề xuất

Mô hình đề xuất cho công cụ dự đoán kết quả học tập bao gồm việc xây dựng cơ sở dữ liệu từ thông tin cá nhân và lộ trình học của sinh viên. Các mô hình như cây quyết định, Naïve Bayes, và mạng nơ ron nhân tạo sẽ được áp dụng để dự đoán kết quả học tập cuối khóa. Việc đánh giá các mô hình này sẽ giúp xác định mô hình nào cho kết quả dự đoán tốt nhất. Mô hình này không chỉ giúp sinh viên lựa chọn lộ trình học phù hợp mà còn cung cấp thông tin cho các giảng viên trong việc tư vấn học tập.

3.1. Giải pháp dự đoán kết quả học tập

Giải pháp dự đoán kết quả học tập của sinh viên được xây dựng dựa trên việc phân tích dữ liệu từ nhiều nguồn khác nhau. Các kỹ thuật khai phá dữ liệu sẽ được áp dụng để xây dựng mô hình dự đoán, từ đó giúp sinh viên có thể lựa chọn lộ trình học phù hợp. Việc sử dụng công nghệ thông tin trong giáo dục không chỉ nâng cao chất lượng học tập mà còn giúp tiết kiệm thời gian và chi phí cho cả sinh viên và nhà trường. Mô hình này sẽ được kiểm tra và đánh giá để đảm bảo tính chính xác và hiệu quả trong việc dự đoán kết quả học tập.

IV. Thực nghiệm và đánh giá

Chương này sẽ trình bày kết quả thực nghiệm và đánh giá các mô hình dự đoán đã xây dựng. Việc thực nghiệm sẽ được thực hiện trên bộ dữ liệu thực tế từ sinh viên Đại học Đồng Tháp, nhằm kiểm tra tính khả thi và hiệu quả của công cụ dự đoán kết quả học tập. Kết quả thực nghiệm sẽ được phân tích để xác định mô hình nào cho kết quả dự đoán tốt nhất, từ đó đưa ra các khuyến nghị cho việc áp dụng mô hình trong thực tế. Việc đánh giá này không chỉ giúp cải thiện mô hình mà còn cung cấp thông tin quý giá cho các nhà quản lý giáo dục.

4.1. Đánh giá mô hình

Đánh giá mô hình là bước quan trọng trong quá trình phát triển công cụ dự đoán kết quả học tập. Các chỉ số như độ chính xác, độ nhạy, và độ đặc hiệu sẽ được sử dụng để đánh giá hiệu quả của từng mô hình. Kết quả đánh giá sẽ giúp xác định mô hình nào phù hợp nhất với dữ liệu và mục tiêu nghiên cứu. Việc này không chỉ giúp cải thiện chất lượng dự đoán mà còn hỗ trợ sinh viên trong việc lựa chọn lộ trình học phù hợp với năng lực và sở thích của mình.