Xây Dựng và Đánh Giá Hiệu Suất Mô Hình Học Tập Thông Qua Trò Chơi Giáo Dục

Đánh giá hiệu suất mô hình học tập qua trò chơi giáo dục là một lĩnh vực đang phát triển… 88 trang · Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh · 2023.

• Tác giả: Phạm Ngọc Hùng
• Người hướng dẫn: ThS. Quách Đình Hoàng
• Trường học: Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật dữ liệu
• Đề tài: Xây dựng và đánh giá hiệu suất mô hình học tập thông qua trò chơi giáo dục
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. Phần mở đầu
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu
• 1.3. Cách tiếp cạnh
• 1.4. Phương pháp nghiên cứu
• 1.5. Phân tích những công trình liên quan
• 1.6. Kết quả dự đoán
• 2. Phần nội dung
• 2.1. Tổng quan về Machine Learning
• 2.2. Mối liên hệ
• 2.3. Cách thức hoạt động
• 2.4. Phương pháp
• 2.5. Các thuật toán phổ biến
• 2.6. Ứng dụng trong thực tế
• 2.7. Quy trình
• 2.8. Tổng quan về EDA
• 2.9. Phương pháp tiếp cận
• 2.10. Tổng quan về dữ liệu
• 2.11. Giới thiệu bài toán
• 2.12. Cách đánh giá
• 2.13. Tổng quan về thuật toán
• 2.13.1. Tổng quan về Ensemble learning
• 2.14. Thực nghiệm thuật toán
• 2.15. Điểm số và thứ hạng chung
• 3. Phần kết luận
• 3.1. Kết quả đạt được
• 3.2. Hướng phát triển
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Về Đánh Giá Hiệu Suất Mô Hình Học Tập Qua Trò Chơi Giáo Dục

Đánh giá hiệu suất mô hình học tập qua trò chơi giáo dục là một lĩnh vực đang phát triển mạnh mẽ trong giáo dục hiện đại. Sự kết hợp giữa công nghệ và giáo dục không chỉ giúp nâng cao trải nghiệm học tập mà còn tạo ra những phương pháp giảng dạy hiệu quả hơn. Việc áp dụng các mô hình học tập từ trò chơi giáo dục giúp giáo viên và học sinh có thể theo dõi tiến độ học tập một cách chính xác và kịp thời.

1.1. Khái Niệm Về Mô Hình Học Tập Qua Trò Chơi Giáo Dục

Mô hình học tập qua trò chơi giáo dục là phương pháp sử dụng trò chơi để tạo ra môi trường học tập tương tác. Các trò chơi này không chỉ giúp học sinh tiếp thu kiến thức mà còn phát triển kỹ năng tư duy phản biện và giải quyết vấn đề.

1.2. Tầm Quan Trọng Của Đánh Giá Hiệu Suất

Đánh giá hiệu suất là yếu tố quan trọng trong việc cải thiện chất lượng giáo dục. Nó giúp xác định những điểm mạnh và điểm yếu trong quá trình học tập, từ đó đưa ra các giải pháp phù hợp để nâng cao hiệu quả giảng dạy.

II. Những Thách Thức Trong Đánh Giá Hiệu Suất Mô Hình Học Tập

Mặc dù mô hình học tập qua trò chơi giáo dục mang lại nhiều lợi ích, nhưng cũng tồn tại nhiều thách thức trong việc đánh giá hiệu suất. Các vấn đề như độ chính xác của dữ liệu, sự khác biệt trong cách học của từng học sinh và khả năng tiếp cận công nghệ đều ảnh hưởng đến kết quả đánh giá.

2.1. Độ Chính Xác Của Dữ Liệu

Độ chính xác của dữ liệu thu thập từ trò chơi giáo dục là một yếu tố quan trọng. Nếu dữ liệu không chính xác, kết quả đánh giá sẽ không phản ánh đúng thực tế, dẫn đến những quyết định sai lầm trong quá trình giảng dạy.

2.2. Sự Khác Biệt Trong Phong Cách Học

Mỗi học sinh có một phong cách học tập riêng. Việc áp dụng một mô hình chung cho tất cả có thể không hiệu quả. Cần có sự điều chỉnh để phù hợp với từng cá nhân nhằm tối ưu hóa hiệu suất học tập.

III. Phương Pháp Đánh Giá Hiệu Suất Mô Hình Học Tập

Để đánh giá hiệu suất mô hình học tập qua trò chơi giáo dục, cần áp dụng các phương pháp khoa học và công nghệ hiện đại. Các phương pháp này không chỉ giúp thu thập dữ liệu mà còn phân tích và đưa ra những nhận định chính xác.

3.1. Sử Dụng Phân Tích Dữ Liệu

Phân tích dữ liệu là một trong những phương pháp quan trọng trong việc đánh giá hiệu suất. Các công cụ phân tích giúp xác định các yếu tố ảnh hưởng đến kết quả học tập và đưa ra các giải pháp cải thiện.

3.2. Ứng Dụng Công Nghệ AI

Công nghệ trí tuệ nhân tạo (AI) có thể được áp dụng để xây dựng các mô hình dự đoán hiệu suất học tập. Những mô hình này giúp giáo viên có cái nhìn sâu sắc hơn về quá trình học tập của học sinh.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Học Tập Qua Trò Chơi Giáo Dục

Mô hình học tập qua trò chơi giáo dục đã được áp dụng rộng rãi trong nhiều lĩnh vực. Từ việc giảng dạy các môn học truyền thống đến việc phát triển kỹ năng mềm, mô hình này đã chứng minh được tính hiệu quả của nó.

4.1. Cải Thiện Kỹ Năng Giảng Dạy

Việc áp dụng mô hình học tập qua trò chơi giúp giáo viên cải thiện phương pháp giảng dạy. Họ có thể tạo ra các bài học thú vị và hấp dẫn hơn, từ đó thu hút sự chú ý của học sinh.

4.2. Tăng Cường Kết Quả Học Tập

Mô hình này không chỉ giúp học sinh tiếp thu kiến thức mà còn phát triển các kỹ năng cần thiết cho tương lai. Kết quả học tập được cải thiện rõ rệt nhờ vào sự tương tác và trải nghiệm thực tế.

V. Kết Luận Về Đánh Giá Hiệu Suất Mô Hình Học Tập Qua Trò Chơi Giáo Dục

Đánh giá hiệu suất mô hình học tập qua trò chơi giáo dục là một lĩnh vực đầy tiềm năng. Việc áp dụng các phương pháp hiện đại và công nghệ tiên tiến sẽ giúp nâng cao chất lượng giáo dục và cải thiện kết quả học tập của học sinh.

5.1. Tương Lai Của Mô Hình Học Tập

Mô hình học tập qua trò chơi giáo dục sẽ tiếp tục phát triển và mở rộng. Sự kết hợp giữa công nghệ và giáo dục sẽ tạo ra những cơ hội mới cho học sinh và giáo viên.

5.2. Khuyến Khích Nghiên Cứu Thêm

Cần khuyến khích các nghiên cứu sâu hơn về hiệu suất mô hình học tập qua trò chơi giáo dục. Những nghiên cứu này sẽ giúp phát triển các phương pháp giảng dạy hiệu quả hơn trong tương lai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Đề tài "Xây dựng và đánh giá hiệu suất mô hình học tập thông qua trò chơi giáo dục" (dựa trên bài toán "Predict Student Performance from Game Play") được thực hiện bởi nhóm sinh viên ngành Kỹ thuật Dữ liệu, Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Nghiên cứu đặt trong bối cảnh ứng dụng trí tuệ nhân tạo và học máy vào lĩnh vực giáo dục (Educational Data Mining), nhằm khai thác dữ liệu hành vi của học sinh trong các trò chơi giáo dục để dự đoán hiệu suất học tập theo thời gian thực và hỗ trợ cá nhân hóa quá trình đào tạo.

Mục tiêu nghiên cứu của đề tài được xác định qua 4 nội dung cụ thể:

1. Phân tích yếu tố ảnh hưởng: Xác định các chỉ số, thông số và hoạt động tương tác trong trò chơi giáo dục có liên quan đến hiệu suất học tập của người học.
2. Xây dựng mô hình dự đoán: Ứng dụng các kỹ thuật học máy và học tăng cường/học kết hợp để xây dựng mô hình dự đoán khả năng trả lời đúng các câu hỏi của học sinh.
3. Đánh giá độ chính xác và hiệu quả: Kiểm thử mô hình trên tập dữ liệu thực tế bằng các phương pháp kiểm định chéo và chỉ số đánh giá chuyên biệt nhằm xác định năng lực phân loại.
4. Ứng dụng trong giáo dục và cải thiện quá trình học tập: Đề xuất giải pháp cung cấp thông tin phản hồi cho giáo viên và người học, hỗ trợ tối ưu hóa phương pháp giảng dạy và cá nhân hóa lộ trình học.

Nhiệm vụ nghiên cứu tập trung giải quyết hai câu hỏi chính:

• Liệu có thể dự đoán chính xác hiệu suất học tập của học sinh dựa trên dữ liệu nhật ký sự kiện tương tác từ trò chơi giáo dục hay không?
• Những nhóm yếu tố nào trong hành vi chơi game (thời gian, sự kiện nhấp chuột, không gian phòng, di chuyển màn hình) có tác động trọng yếu đến kết quả trả lời câu hỏi của học sinh?

Đối tượng nghiên cứu là chuỗi sự kiện tương tác (event logs) của học sinh khi tham gia trò chơi giáo dục trực tuyến. Phạm vi nghiên cứu được giới hạn trong bộ dữ liệu của cuộc thi "Predict Student Performance from Game Play" do Kaggle tổ chức từ ngày 26/02/2023 đến 28/06/2023, trùng với học kỳ II năm học 2022–2023 của nhóm thực hiện.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của khóa luận dựa trên nền tảng học máy (Machine Learning), phân tích dữ liệu khám phá (Exploratory Data Analysis - EDA) và kỹ thuật học kết hợp (Ensemble Learning). Các mô hình và khái niệm chính bao gồm:

• Phân loại học máy: Học có giám sát (Supervised Learning), học không giám sát (Unsupervised Learning), học bán giám sát (Semi-supervised Learning) và học tăng cường (Reinforcement Learning).
• Kỹ thuật Ensemble Learning: Phương pháp Bagging (Bootstrap Aggregating) với kỹ thuật lấy mẫu Bootstrap Sampling; phương pháp Boosting bao gồm Adaptive Boosting (AdaBoost), Gradient Boosting, eXtreme Gradient Boosting (XGBoost), Categorical Boosting (CatBoost) và Light Gradient Boosting Machine (LightGBM); cùng thuật toán Random Forest.

Phương pháp nghiên cứu thực tế bao gồm quy trình thực nghiệm dữ liệu lớn:

• Phân tích khám phá dữ liệu (EDA): Sử dụng phân tích mô tả, kiểm định phân phối, phân tích độ tương quan, trực quan hóa và phát hiện giá trị ngoại lai.
• Kỹ thuật tiền xử lý và tạo đặc trưng (Feature Engineering): Trích xuất các biến số thời gian (elapsed time), biến không gian tọa độ (room coordinates, screen coordinates), hành vi di chuột (hover duration) và thông tin văn bản/phòng (fqid, room_fqid, text_fqid).
• Chiến lược xử lý giới hạn phần cứng: Chia tập dữ liệu huấn luyện thành 10 phần độc lập để xử lý tuần tự nhằm khắc phục giới hạn 8GB RAM trong môi trường thực thi của cuộc thi Kaggle sau khi dữ liệu bị nhân đôi kích thước.
• Phương pháp đánh giá: Sử dụng phương pháp kiểm định chéo phân nhóm Group K-Fold Cross-Validation với $k = 5$ folds (phân nhóm theo session_id để tránh rò rỉ dữ liệu giữa các phiên chơi của cùng một đối tượng). Độ đo chính được sử dụng là F1-Score kết hợp thuật toán dò tìm ngưỡng phân loại tối ưu (Threshold Tuning).

Nguồn dữ liệu thực nghiệm gồm các tệp dữ liệu từ cuộc thi Kaggle: train.csv, test.csv, sample_submission.csv và train_labels.csv. Bộ dữ liệu ghi nhận 18 câu hỏi cho mỗi phiên chơi (session_id), phân bổ theo 3 nhóm cấp độ (level_group): Cấp độ 0–4 (câu 1–3), Cấp độ 5–12 (câu 4–13/11) và Cấp độ 13–22 (câu 14–18).

Tên trường dữ liệu	Kiểu dữ liệu / Đơn vị	Mô tả chi tiết
session_id	Định danh	ID của phiên chơi mà sự kiện diễn ra
index	Số nguyên	Chỉ mục thứ tự của sự kiện trong phiên
elapsed_time	Mili-giây (ms)	Thời gian trôi qua từ lúc bắt đầu phiên đến khi sự kiện được ghi lại
event_name	Phân loại	Tên của loại sự kiện diễn ra
name	Phân loại	Tên chi tiết của sự kiện
level	Số nguyên (0–22)	Cấp độ trò chơi tại thời điểm diễn ra sự kiện
page	Số thực / Số nguyên	Số trang tài liệu ghi nhận (đối với sự kiện NoteBook)
room_coor_x, room_coor_y	Tọa độ điểm	Tọa độ nhấp chuột tương đối theo phòng trong trò chơi
screen_coor_x, screen_coor_y	Tọa độ điểm	Tọa độ nhấp chuột tương đối trên màn hình người chơi
hover_duration	Mili-giây (ms)	Thời gian giữ chuột khi xảy ra sự kiện hover
text	Văn bản	Đoạn văn bản hiển thị cho người chơi trong sự kiện
fqid	Định danh	ID đầy đủ của sự kiện
room_fqid	Định danh	ID đầy đủ của phòng diễn ra sự kiện
text_fqid	Định danh	ID đầy đủ của văn bản xuất hiện
fullscreen	Nhị phân (0/1)	Trạng thái hiển thị toàn màn hình
hq	Nhị phân (0/1)	Trạng thái chất lượng đồ họa cao
music	Nhị phân (0/1)	Trạng thái bật/tắt âm nhạc
level_group	Phân loại	Nhóm cấp độ liên quan đến câu hỏi (0-4, 5-12, 13-22)

Nội dung chính theo từng chương

1 Phần mở đầu

Chương này trình bày lý do chọn đề tài, tính cấp thiết của việc áp dụng mô hình trí tuệ nhân tạo vào khai phá dữ liệu giáo dục nhằm cá nhân hóa quy trình học tập. Tác giả nêu rõ 4 mục tiêu nghiên cứu và thiết lập quy trình tiếp cận 5 bước: (1) Thu thập dữ liệu, (2) Phân tích dữ liệu, (3) Xây dựng mô hình dự đoán, (4) Đánh giá mô hình và (5) Ứng dụng kết quả. Ngoài ra, chương mở đầu khảo sát các công trình liên quan trong các lĩnh vực giáo dục, trò chơi giáo dục, khoa học dữ liệu và công nghệ học trực tuyến.

2 Phần nội dung

Chương nội dung chiếm dung lượng lớn nhất trong khóa luận, được cấu trúc thành 5 phần chuyên môn chính:

• 2.1 Tổng quan về Machine Learning: Hệ thống hóa các khái niệm máy học, phân biệt ranh giới giữa Trí tuệ nhân tạo (AI), Máy học (ML), Mạng nơ-ron (ANN) và Học sâu (Deep Learning). Trình bày cơ chế học thông qua quy trình quyết định, hàm lỗi và quy trình tối ưu hóa trọng số. Khái quát các phương pháp học có giám sát, không giám sát, bán giám sát, học tăng cường; phân tích các thuật toán phổ biến (Linear Regression, Logistic Regression, Decision Trees, Random Forest, Neural Networks) và các ứng dụng thực tế (Voice/Speech Recognition, Chatbot, Computer Vision, Recommendation Engines, Fraud Detection). Đồng thời, nhóm tác giả thảo luận về các thách thức đạo đức, tác động việc làm, quyền riêng tư (GDPR, CCPA), thiên vị thuật toán và trách nhiệm giải trình.
• 2.2 Tổng quan về EDA: Nêu định nghĩa và vai trò của phân tích dữ liệu khám phá trong việc phát hiện giá trị ngoại lai, kiểm tra phân phối dữ liệu và tối ưu hóa quy trình trích chọn đặc trưng.
• 2.3 Tổng quan về dữ liệu và phương pháp đánh giá: Giới thiệu cấu trúc bài toán của cuộc thi Kaggle "Predict Student Performance from Game Play", đặc tả chi tiết 20 thuộc tính của bộ dữ liệu nhật ký sự kiện. Định nghĩa quy trình xác thực chéo Group K-Fold (5 folds) để đảm bảo không chia tách các bản ghi của cùng một session_id sang các tập huấn luyện và kiểm tra khác nhau. Trình bày công thức tính F1-Score:

$$\text{F1-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

Thiết lập quy trình quét ngưỡng (Threshold Search) để tìm điểm cắt xác suất tối ưu hóa F1-Score cho từng câu hỏi độc lập.

• 2.4 Tổng quan về thuật toán Ensemble Learning: Trình bày cơ sở toán học và cơ chế vận hành của Bagging, Bootstrapping và Boosting. Đi sâu phân tích thuật toán Adaptive Boosting (cập nhật trọng số mẫu dự đoán sai) và Gradient Boosting (tối ưu hóa hàm mất mát thông qua pseudo-residuals). Nêu bật các ưu thế kỹ thuật của XGBoost (tính toán song song, xử lý dữ liệu khuyết thiếu, điều chuẩn regularization) và CatBoost (cây quyết định đối xứng Symmetric Decision Trees, mã hóa đặc trưng phân loại CatBoost Encoding).
• 2.5 Thực nghiệm thuật toán: Trình bày chi tiết giải pháp kỹ thuật giải quyết vấn đề giới hạn bộ nhớ 8GB RAM bằng cách phân chia tập train thành 10 phần. Thực hiện các bước Feature Engineering trên biến thời gian, biến câu hỏi, tọa độ phòng và các sự kiện rỗng. Tiến hành tinh chỉnh siêu tham số, huấn luyện và đánh giá 4 mô hình: XGBoost, CatBoost, LightGBM và Random Forest; xác định mối tương quan giữa Threshold và điểm F1-Score cho từng câu hỏi từ 1 đến 18.

3 Phần kết luận

Chương kết luận tổng kết toàn bộ kết quả thực nghiệm đạt được trên tập dữ liệu kiểm tra nội bộ và bảng xếp hạng Kaggle (Public/Private Leaderboard). Nhóm tác giả tổng hợp những phát hiện về sự tương tác giữa các đặc trưng hành vi trong trò chơi đối với hiệu suất làm bài của học sinh, đồng thời chỉ ra các hướng mở rộng cho các nghiên cứu tiếp theo.

Kết quả và đóng góp

Văn bản khóa luận đã ghi nhận các kết quả thực nghiệm cụ thể sau quá trình triển khai:

• Xây dựng thành công pipeline tiền xử lý và trích xuất đặc trưng phù hợp cho dữ liệu sự kiện chuỗi thời gian lớn trong điều kiện tài nguyên giới hạn (8GB RAM).
• Triển khai và tinh chỉnh siêu tham số hoàn chỉnh cho 4 thuật toán học kết hợp: XGBoost, CatBoost, LightGBM và Random Forest.
• Áp dụng phương pháp tối ưu hóa ngưỡng cắt xác suất (Threshold Tuning) riêng biệt cho từng câu hỏi (từ câu 1 đến câu 18), giúp cải thiện đáng kể điểm F1-Score so với việc áp dụng ngưỡng cố định 0.5.
• Đánh giá mô hình chuẩn xác qua kiểm định chéo Group K-Fold (5 folds), ghi nhận điểm số chi tiết cho từng phân đoạn cấp độ (câu 1–3, câu 4–11/13, câu 14–18) và thứ hạng thực tế trên Public Leaderboard cũng như Private Leaderboard của cuộc thi Kaggle.

Về mặt giải pháp và đóng góp kỹ thuật:

• Đề xuất phương pháp xử lý dữ liệu phân đoạn (chia 10 phần) để tính toán các đặc trưng thống kê lũy kế mà không gây lỗi tràn bộ nhớ.
• Thiết lập quy trình phân tích mối liên hệ giữa các hành vi tương tác vi mô (hover duration, tọa độ click chuột theo phòng, thời gian đọc text) và khả năng nhận thức/trả lời đúng của người học trong môi trường trò chơi giáo dục.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với phạm vi nghiên cứu:

• Giới hạn phần cứng trong môi trường thi đấu Kaggle (dung lượng RAM tối đa 8GB) gây khó khăn khi dữ liệu tăng gấp đôi, buộc phải chia nhỏ dữ liệu và hạn chế khả năng thử nghiệm các mô hình học sâu quy mô lớn hơn.
• Dữ liệu nghiên cứu bị ẩn danh và phụ thuộc vào cấu trúc sự kiện đặc thù của một trò chơi duy nhất được thiết kế trong bài toán Kaggle, chưa được kiểm thử mở rộng trên các định dạng trò chơi giáo dục khác.

Hướng phát triển tiếp theo được nhóm tác giả nêu ra:

• Thử nghiệm các kiến trúc mạng nơ-ron sâu (Deep Neural Networks) chuyên biệt cho chuỗi thời gian và dữ liệu sự kiện tuần tự.
• Mở rộng mô hình để tích hợp và triển khai dưới dạng dịch vụ dự đoán thời gian thực cho các nền tảng giáo dục trực tuyến ngoài đời thực.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo phù hợp cho sinh viên, giảng viên và các nhà nghiên cứu thuộc các chuyên ngành Kỹ thuật Dữ liệu, Khoa học Dữ liệu, Công nghệ Thông tin và Công nghệ Giáo dục (EdTech).

Nội dung có giá trị tham khảo ứng dụng cao nhất bao gồm:

• Kỹ thuật xử lý dữ liệu lớn trên phần cứng giới hạn (RAM 8GB) bằng phương pháp phân khối dữ liệu.
• Quy trình chuẩn hóa thiết kế đặc trưng (Feature Engineering) từ dữ liệu event logs tương tác chuột, thời gian và không gian trong môi trường trò chơi.
• Phương pháp luận đánh giá bài toán phân loại nhị phân mất cân bằng dữ liệu thông qua Group K-Fold Cross-Validation và thuật toán dò tìm ngưỡng cắt tối ưu cho F1-Score.

Câu hỏi thường gặp

1. Bộ dữ liệu của khóa luận gồm bao nhiêu câu hỏi và được phân đoạn như thế nào?

Dữ liệu của mỗi phiên chơi bao gồm 18 câu hỏi, được chia thành 3 phân đoạn cấp độ (level_group): phân đoạn cấp độ 0–4 (dự đoán câu hỏi 1 đến 3), phân đoạn cấp độ 5–12 (dự đoán câu hỏi 4 đến 13/11) và phân đoạn cấp độ 13–22 (dự đoán câu hỏi 14 đến 18).

2. Tại sao nhóm tác giả phải chia tập dữ liệu huấn luyện thành 10 phần?

Vào cuối tháng 3/2023, dữ liệu của cuộc thi Kaggle bị thay đổi và tăng gấp đôi kích thước. Do môi trường Kaggle chỉ cấp phát giới hạn 8GB RAM, việc tải toàn bộ dữ liệu vào bộ nhớ gây lỗi Memory Error, buộc nhóm phải chia nhỏ tập train thành 10 phần để xử lý trích xuất đặc trưng tuần tự.

3. Phương pháp đánh giá mô hình nào được sử dụng trong nghiên cứu?

Nghiên cứu sử dụng phương pháp kiểm định chéo Group K-Fold với số lượng 5 folds, phân nhóm dựa trên session_id để các sự kiện trong cùng một phiên chơi không bị chia tách vào cả tập train và tập validation. Chỉ số đánh giá chính là F1-Score.

4. Những mô hình học máy nào đã được nhóm tác giả huấn luyện và so sánh?

Nhóm tác giả đã thực nghiệm, tinh chỉnh siêu tham số và đánh giá 4 mô hình thuộc nhóm Ensemble Learning, bao gồm: XGBoost, CatBoost, LightGBM và Random Forest.

5. Kỹ thuật tối ưu hóa Threshold (Threshold Tuning) đóng vai trò gì trong việc cải thiện F1-Score?

Thay vì dùng ngưỡng mặc định 0.5 để quyết định nhãn đúng/sai (correct), thuật toán duyệt qua một danh sách các giá trị ngưỡng xác suất khác nhau cho từng câu hỏi riêng biệt để tìm ra điểm cắt mang lại giá trị F1-Score cao nhất trên tập kiểm tra ngoài mẫu (out-of-fold).

Kết luận

Khóa luận tốt nghiệp của nhóm tác giả tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đã hoàn thành việc xây dựng và đánh giá các mô hình học máy Ensemble Learning nhằm dự đoán hiệu suất học tập của học sinh từ dữ liệu trò chơi giáo dục. Nghiên cứu đã đề xuất quy trình kỹ thuật đặc trưng và tối ưu hóa ngưỡng cắt xác suất theo F1-Score trên nền tảng kiểm định chéo Group K-Fold 5-fold, giải quyết hiệu quả bài toán xử lý dữ liệu sự kiện chuỗi thời gian lớn dưới điều kiện giới hạn bộ nhớ. Kết quả nghiên cứu cung cấp cơ sở thực nghiệm rõ ràng cho việc phát triển các hệ thống đánh giá năng lực học tập theo thời gian thực trên các nền tảng giáo dục số.

Trích đoạn nội dung tài liệu

Phần mở đầu 1.1 Lý do chọn đề tài 1.1 Tính cấp thiết đề tài Đề tài "Predict Student Performance from Game Play" vươn lên với một tầm quan trọng tuyệt vời trong lĩnh vực khóa luận tốt nghiệp. Nó mang đến sự chất chứa sâu sắc cho lĩnh vực giáo dục, khám phá sự giao thoa tuyệt vời giữa trò chơi và hiệu suất học tập của học sinh. Với sự khai thác thông minh của trí tuệ nhân tạo, nghiên cứu này tạo nên sự mê hoặc trong việc tìm hiểu cách các yếu tố từ trò chơi gắn kết với thành tích học tập của học sinh. Từ khóa là "cá nhân hóa" - một nguồn cảm hứng đầy tiềm năng.

Phương pháp dự đoán hiệu suất học tập từ trò chơi mang đến khả năng khám phá một hành trình học tập tùy chỉnh cho từng cá nhân. Bằng cách xác định những điểm mấu chốt và mô hình học tập riêng, nghiên cứu này định hướng đến việc phát triển hệ thống hướng dẫn tối ưu, trợ giúp giáo viên và học sinh khám phá tiềm năng to lớn của trò chơi giáo dục và nâng cao kết quả học tập. Ngoài ra, đề tài này còn đắm chìm trong tầm quan trọng của trí tuệ nhân tạo. Sự khả thi của việc phân tích dữ liệu từ trò chơi và dự đoán hiệu suất học tập mở ra một cánh cửa tuyệt vời đối với giáo dục.

Không chỉ tạo ra mô hình dự đoán độc đáo cho từng cá nhân, mà còn phát hiện mẫu học tập và cung cấp phản hồi tức thì, tạo điều kiện thuận lợi để cải thiện chất lượng và hiệu quả của quá trình học tập. Cuối cùng, đề tài này đặt nền móng cho sự phát triển công nghệ giáo dục. Việc kết hợp thông minh giữa giáo dục và công nghệ thông qua việc sử dụng dữ liệu từ trò chơi và kỹ thuật dự đoán không chỉ mang lại những cải tiến đáng kể, mà còn tạo ra những tiềm năng ứng dụng rộng rãi. Quá trình học tập không chỉ bị hạn chế trong giáo dục truyền thống, mà còn mở rộng đến các hệ thống học tập trực tuyến, trò chơi giáo dục và nền tảng giáo dục khác.

Trong tổng thể, đề tài "Predict Student Performance from Game Play" nổi bật với tính quan trọng to lớn, với sự kết hợp tuyệt vời giữa giáo dục và trí tuệ nhân tạo, và với sự tiềm năng tạo ra những bước tiến vượt bậc trong công nghệ giáo dục.2 Mục tiêu Xây dựng một hệ thống dự đoán hiệu suất học tập của học sinh dựa trên dữ liệu từ trò chơi giáo dục. Đề tài tập trung nghiên cứu: Phân tích yếu tố ảnh hưởng ● Nghiên cứu nhằm xác định các yếu tố từ trò chơi giáo dục có liên quan đến hiệu suất học tập của học sinh. Điều này bao gồm việc nghiên cứu các chỉ số, thông số và hoạt động trong trò chơi mà có thể ảnh hưởng tích cực hoặc tiêu cực đến quá trình học tập. Xây dựng mô hình dự đoán ● Sử dụng dữ liệu thu thập được từ trò chơi, đề tài nhằm xây dựng một mô hình dự đoán hiệu suất học tập của học sinh.

Mô hình này có thể áp dụng các kỹ thuật và phương pháp của trí tuệ nhân tạo, học máy, hay khai phá dữ liệu để dự đoán kết quả học tập một cách chính xác và đáng tin cậy. Đánh giá độ chính xác và hiệu quả ● Mục tiêu này nhằm đánh giá độ chính xác và hiệu quả của mô hình dự đoán được xây dựng. Nghiên cứu sẽ thực hiện các thử nghiệm và kiểm tra mô hình trên dữ liệu thực tế để đánh giá khả năng dự đoán và tính ứng dụng của nó trong việc phân loại và đánh giá hiệu suất học tập của học sinh.