Luận văn thạc sĩ: Dự báo khả năng bỏ học của sinh viên trường Đại học Bình Dương dựa trên luật ...

• Tác giả: Thái Thanh Hùng
• Người hướng dẫn: Ts. Nguyễn Thành Sơn
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Dự báo khả năng bỏ học của sinh viên bằng phân lớp luật kết hợp
• Loại tài liệu: Luận văn tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Nhiệm vụ của 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. Cách tiếp cận và phương pháp nghiên cứu
• 1.6. Ý nghĩa thực tiễn của đề tài
• 1.7. Các công trình nghiên cứu gần đây
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. CÁC KHÁI NIỆM CƠ BẢN TRONG KHAI PHÁ LUẬT KẾT HỢP
• 2.2. CÁC KHÁI NIỆM CƠ BẢN TRONG PHÂN LỚP
• 2.3. MỘT SỐ THUẬT GIẢI PHÂN LỚP DỰA TRÊN LUẬT KẾT HỢP
• 2.3.1. Thuật giải CARIM (An Efficient Algorithm for Mining ClassAssociation Rules with Interestingness Measures)
• 2.3.2. Thuật giải MMAC (Multi-class, multi-label associative classification)
• 2.3.3. Thuật giải CBA (Classification Based on Associations)
• 2.3.4. Thuật giải CPAR (Classification based on Predictive Association Rules)
• 2.3.5. Thuật giải MISFP (Multiple Item Support Frequent Patterns)
• 2.3.6. Thuật giải FCBA (Fast Classification Based on Association Rules)
• 2.3.7. Thuật giải CMAR (Classification based on Multiple Association Rules)
• 2.3.8. Thuật giải MCAR (Multi class Classification based on Association Rule)
• 2.3.9. Thuật giải CPAR-GR (Predictive association rule based classifier using gain ratio)
• 2.3.10. Thuật giải WCBA (Weighted Classification Based on Association Rules)
• 2.4. MỘT SỐ PHƯƠNG PHÁP TIỀN XỬ LÝ DỮ LIỆU
• 2.4.1. Phương pháp lọc (filter method)
• 2.4.2. Phương pháp bao bọc (wrapper method)
• 2.4.3. Phương pháp nhúng (embedded method)
• 2.4.4. Phương pháp làm sạch dữ liệu bằng SPSS
• 3. CHƯƠNG 3: PHÂN LỚP DỰA TRÊN LUẬT KẾT HỢP
• 3.1. Mô tả thuật giải CPAR-GR
• 3.2. ỨNG DỤNG THUẬT GIẢI VÀO BÀI TOÁN DỰ BÁO KHẢ NĂNG BỎ HỌC CỦA SINH VIÊN, KẾT QUẢ THỰC NGHIỆM
• 3.2.1. Mô tả bài toán
• 3.2.2. Phương pháp thực hiện
• 3.2.3. Xây dựng và lựa chọn mô hình
• 3.2.4. Minh họa thuật giải CPAR-GR
• 3.2.5. Giao diện chương trình demo
• 3.2.6. Mô tả dữ liệu tập huấn luyện, tập dữ liệu kiểm tra
• 3.2.7. Kết quả tạo luật từ thuật giải CPAR-GR trên tập huấn luyện
• 3.2.8. Đánh giá độ chính xác các luật từ thuật giải CPAR-GR trên tập huấn luyện
• 3.2.9. Sử dụng luật vào dự báo khả năng bỏ học của sinh viên
• 3.2.10. Kết quả đạt được
• 3.2.11. Hạn chế của đề tài
• 3.2.12. Hướng phát triển đề tài
• 4. CHƯƠNG 4: ỨNG DỤNG THUẬT GIẢI VÀO BÀI TOÁN DỰ BÁO KHẢ NĂNG BỎ HỌC CỦA SINH VIÊN
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về dự báo khả năng bỏ học của sinh viên

Trong bối cảnh giáo dục đại học hiện nay, việc dự báo khả năng bỏ học của sinh viên trở thành một vấn đề cấp thiết. Nghiên cứu này tập trung vào việc ứng dụng phương pháp phân lớp dựa trên luật kết hợp để dự đoán khả năng bỏ học của sinh viên tại Trường Đại học Bình Dương. Việc áp dụng công nghệ thông tin trong giáo dục không chỉ giúp nâng cao chất lượng đào tạo mà còn hỗ trợ sinh viên trong việc lập kế hoạch học tập hiệu quả.

1.1. Tầm quan trọng của việc dự báo khả năng bỏ học

Dự báo khả năng bỏ học giúp các cơ sở giáo dục nhận diện sớm những sinh viên có nguy cơ cao, từ đó có thể đưa ra các biện pháp hỗ trợ kịp thời. Việc này không chỉ giảm tỷ lệ bỏ học mà còn nâng cao chất lượng giáo dục.

1.2. Các yếu tố ảnh hưởng đến khả năng bỏ học

Nhiều yếu tố có thể ảnh hưởng đến khả năng bỏ học của sinh viên, bao gồm tình trạng học tập, áp lực tài chính, và sự hỗ trợ từ gia đình. Việc phân tích các yếu tố này là cần thiết để xây dựng mô hình dự báo chính xác.

II. Thách thức trong việc dự báo khả năng bỏ học của sinh viên

Mặc dù có nhiều phương pháp dự báo, nhưng việc áp dụng chúng trong thực tế gặp nhiều thách thức. Các vấn đề như dữ liệu không đầy đủ, sự phức tạp trong việc phân tích và tính toán là những rào cản lớn. Đặc biệt, việc xử lý dữ liệu lớn và không đồng nhất là một thách thức không nhỏ.

2.1. Dữ liệu không đầy đủ và không chính xác

Dữ liệu không đầy đủ có thể dẫn đến những dự đoán sai lệch. Việc thu thập và làm sạch dữ liệu là rất quan trọng để đảm bảo tính chính xác của mô hình dự báo.

2.2. Sự phức tạp trong mô hình hóa

Mô hình hóa dự báo khả năng bỏ học yêu cầu sự kết hợp giữa nhiều yếu tố khác nhau. Việc lựa chọn thuật toán phù hợp và tối ưu hóa mô hình là rất cần thiết để đạt được kết quả tốt nhất.

III. Phương pháp phân lớp luật kết hợp trong dự báo

Phương pháp phân lớp dựa trên luật kết hợp (Association Rule Classification) đã được chứng minh là hiệu quả trong việc dự đoán khả năng bỏ học. Thuật giải CPAR-GR (Predictive Association Rule based Classifier using Gain Ratio) là một trong những phương pháp nổi bật trong lĩnh vực này.

3.1. Giới thiệu về thuật giải CPAR GR

Thuật giải CPAR-GR sử dụng các quy tắc kết hợp để phân loại dữ liệu. Phương pháp này không chỉ giúp dự đoán khả năng bỏ học mà còn cung cấp thông tin chi tiết về các yếu tố ảnh hưởng.

3.2. Quy trình thực hiện dự báo

Quy trình thực hiện dự báo bao gồm các bước như thu thập dữ liệu, tiền xử lý, áp dụng thuật giải CPAR-GR và đánh giá kết quả. Mỗi bước đều đóng vai trò quan trọng trong việc đảm bảo tính chính xác của dự báo.

IV. Ứng dụng thực tiễn của mô hình dự báo

Mô hình dự báo khả năng bỏ học của sinh viên đã được áp dụng thực tế tại Trường Đại học Bình Dương. Kết quả cho thấy mô hình này có thể giúp nhà trường đưa ra các quyết định kịp thời nhằm hỗ trợ sinh viên.

4.1. Kết quả thực nghiệm từ mô hình

Kết quả thực nghiệm cho thấy mô hình dự báo có độ chính xác cao, giúp nhà trường nhận diện sớm những sinh viên có nguy cơ bỏ học. Điều này cho phép nhà trường có những can thiệp kịp thời.

4.2. Các biện pháp hỗ trợ sinh viên

Dựa trên kết quả dự báo, nhà trường có thể triển khai các biện pháp hỗ trợ như tư vấn học tập, hỗ trợ tài chính, và các chương trình khuyến khích học tập để giảm tỷ lệ bỏ học.

V. Kết luận và hướng phát triển tương lai

Nghiên cứu này đã chỉ ra rằng việc dự báo khả năng bỏ học của sinh viên là rất cần thiết và có thể thực hiện hiệu quả thông qua phương pháp phân lớp dựa trên luật kết hợp. Hướng phát triển trong tương lai có thể bao gồm việc cải tiến mô hình và mở rộng ứng dụng vào các lĩnh vực khác.

5.1. Tóm tắt kết quả nghiên cứu

Nghiên cứu đã đạt được những kết quả khả quan trong việc dự báo khả năng bỏ học của sinh viên. Mô hình CPAR-GR đã chứng minh được tính hiệu quả và khả năng ứng dụng thực tiễn.

5.2. Định hướng phát triển trong tương lai

Trong tương lai, cần tiếp tục nghiên cứu và cải tiến mô hình dự báo, đồng thời mở rộng ứng dụng vào các lĩnh vực khác như giáo dục phổ thông và đào tạo nghề.