Luận văn nghiên cứu áp dụng kĩ thuật mạng nơron để dự báo khả năng theo học của học viên đào tạo từ xa

Nghiên cứu áp dụng kỹ thuật mạng nơron trong dự báo khả năng theo học của học viên đào tạo từ xa, mang lại giải pháp hiệu quả cho giáo dục.

• Trường học: Trường Đại Học
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Dự Báo Khả Năng Theo Học Từ Xa: Ứng Dụng Kỹ Thuật Mạng Nơron
• Loại tài liệu: luận văn
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: TIẾP CẬN VẤN ĐỀ THEO HỌC TRONG CÁC CƠ SỞ ĐÀO TẠO TỪ XA
• 1.1. Nguyên nhân dẫn đến tình trạng thôi học ở các cơ sở đào tạo từ xa
• 1.1.1. Nguyên nhân từ cơ sở đào tạo
• 1.1.2. Nguyên nhân từ học viên
• 1.1.3. Nguyên nhân từ xã hội
• 1.1.4. Một số nghiên cứu quốc tế về vấn đề thôi học của học viên đào tạo từ xa
• 1.2. Tổng quan về khai phá dữ liệu
• 1.3. Một số hướng giải quyết cho vấn đề thôi học của học viên đào tạo từ xa
• 1.3.1. Đối với các học viên sắp nghỉ hoặc đã nghỉ
• 1.3.2. Đối với các học viên đang học
• 1.3.3. Đối với các học viên chuẩn bị đăng ký
• 1.4. Phân tích khả năng theo học của các học viên hệ đào tạo từ xa
• 2. CHƯƠNG 2: MẠNG NƠRON TRONG KHAI PHÁ DỮ LIỆU
• 2.1. Nguồn gốc, ý tưởng của mạng Nơron
• 2.2. Mô hình và quá trình xử lý trong nơron nhân tạo
• 2.2.1. Nơron nhân tạo
• 2.2.2. Hàm truyền trong nơron
• 2.2.2.1. Hàm ngưỡng
• 2.2.2.2. Hàm ReLU
• 2.2.2.3. Hàm Logistic Sigmoid

Tóm tắt

I. Giới thiệu về Khả năng Theo học Từ Xa

Khả năng theo học từ xa đã trở thành một chủ đề quan trọng trong giáo dục hiện đại. Học từ xa không chỉ giúp sinh viên tiếp cận kiến thức mà còn tạo điều kiện cho họ học tập linh hoạt. Tuy nhiên, sự giảm sút số lượng sinh viên theo học từ xa trong những năm gần đây đã đặt ra nhiều thách thức. Theo thống kê, số lượng sinh viên học từ xa đã giảm từ 161 nghìn vào năm 2012 xuống còn 63 nghìn vào năm 2018. Nguyên nhân chính là do những hạn chế về công nghệ và giá trị văn bằng. Việc dự báo khả năng theo học từ xa trở nên cần thiết để các cơ sở giáo dục có thể tư vấn và hỗ trợ sinh viên ngay từ giai đoạn nộp hồ sơ. Điều này không chỉ giúp sinh viên định hướng học tập mà còn giảm tỷ lệ bỏ học.

1.1. Tình hình hiện tại của giáo dục từ xa

Giáo dục từ xa đã có mặt tại Việt Nam từ lâu, nhưng sự phát triển không đồng đều. Mặc dù số lượng cơ sở đào tạo từ xa tăng lên, nhưng số lượng sinh viên lại giảm. Điều này cho thấy sự cần thiết phải cải thiện chất lượng và công nghệ trong giáo dục từ xa. Các cơ sở giáo dục cần nhận thức rõ về tiềm năng của mô hình này và tìm cách khắc phục những hạn chế hiện tại. Việc áp dụng công nghệ giáo dục hiện đại sẽ giúp nâng cao chất lượng giảng dạy và thu hút sinh viên hơn. Theo Luật giáo dục đại học, bằng đại học từ xa có giá trị tương đương bằng chính quy từ năm 2019, điều này cũng góp phần tạo động lực cho sinh viên theo học từ xa.

II. Phân tích dữ liệu và Dự báo

Phân tích dữ liệu là một phần quan trọng trong việc dự báo khả năng theo học từ xa. Việc sử dụng kỹ thuật mạng nơron trong phân tích dữ liệu giúp xác định các yếu tố ảnh hưởng đến khả năng theo học của sinh viên. Mạng nơron có khả năng xử lý và phân tích dữ liệu lớn, từ đó đưa ra những dự đoán chính xác hơn. Các phương pháp như học máy và phân tích dữ liệu đã được áp dụng để tìm ra các mẫu và xu hướng trong hành vi học tập của sinh viên. Điều này không chỉ giúp các cơ sở giáo dục hiểu rõ hơn về sinh viên mà còn giúp họ đưa ra các giải pháp phù hợp để giữ chân sinh viên.

2.1. Kỹ thuật mạng nơron trong dự báo

Mạng nơron nhân tạo (ANN) là một trong những công nghệ tiên tiến nhất trong lĩnh vực học máy. ANN có khả năng mô hình hóa các hàm phức tạp và xử lý thông tin một cách hiệu quả. Việc áp dụng ANN trong dự báo khả năng theo học cho phép các cơ sở giáo dục phân tích dữ liệu sinh viên một cách chi tiết. Các yếu tố như điểm số, thời gian học tập, và sự tham gia vào các hoạt động ngoại khóa đều có thể được đưa vào mô hình để dự đoán khả năng thành công của sinh viên. Điều này giúp các cơ sở giáo dục có thể đưa ra các biện pháp hỗ trợ kịp thời cho sinh viên có nguy cơ bỏ học.

III. Ứng dụng công nghệ trong giáo dục từ xa

Công nghệ thông tin đóng vai trò quan trọng trong việc phát triển hệ thống học từ xa. Việc áp dụng các công nghệ mới như học máy và phân tích dữ liệu không chỉ giúp nâng cao chất lượng giảng dạy mà còn tạo ra môi trường học tập tương tác hơn. Các công cụ trực tuyến, nền tảng học tập và phần mềm quản lý học tập đều góp phần tạo ra trải nghiệm học tập tốt hơn cho sinh viên. Sự phát triển của công nghệ cũng giúp các cơ sở giáo dục dễ dàng theo dõi và đánh giá tiến độ học tập của sinh viên, từ đó đưa ra các giải pháp phù hợp để hỗ trợ họ.

3.1. Tương lai của giáo dục từ xa

Tương lai của giáo dục từ xa hứa hẹn sẽ phát triển mạnh mẽ nhờ vào sự tiến bộ của công nghệ. Các cơ sở giáo dục cần nắm bắt xu hướng này để cải thiện chất lượng đào tạo và thu hút sinh viên. Việc áp dụng công nghệ giáo dục hiện đại sẽ giúp nâng cao hiệu quả giảng dạy và tạo ra môi trường học tập linh hoạt hơn. Các nghiên cứu cho thấy rằng sinh viên có thể học tập hiệu quả hơn khi được hỗ trợ bởi công nghệ, từ đó giảm tỷ lệ bỏ học và nâng cao chất lượng giáo dục.

Nội dung chính

Tổng quan nghiên cứu

Mô hình đào tạo từ xa tại Việt Nam từng ghi nhận giai đoạn phát triển cực thịnh vào năm 2012 với quy mô hơn 161.000 sinh viên theo học tại 17 cơ sở giáo dục đại học. Tuy nhiên, do những rào cản về hạ tầng công nghệ và tâm lý e ngại về giá trị pháp lý của văn bằng, quy mô người học liên tục suy giảm nghiêm trọng. Theo thống kê của Bộ Giáo dục và Đào tạo, số lượng sinh viên hệ đào tạo từ xa giảm xuống còn khoảng 87.000 người vào năm 2015 và chỉ còn 63.000 người vào năm 2018, tương đương mức sụt giảm 60,87% chỉ sau 6 năm. Nghịch lý nằm ở chỗ số lượng trường đại học mở hệ từ xa lại tăng liên tục từ 17 trường năm 2012 lên 20 trường năm 2015, 22 trường năm 2018 và đạt mốc 28 trường tuyển sinh vào năm 2020.

Sự suy giảm quy mô người học không chỉ bắt nguồn từ số lượng tuyển sinh mới giảm mà phần lớn xuất phát từ tỷ lệ học viên bỏ học giữa chừng gia tăng. Hiện tượng thôi học gây tổn thất tài chính nặng nề cho nhà trường, làm xói mòn uy tín học thuật và làm tăng chi phí đào tạo lãng phí của toàn xã hội. Bước ngoặt pháp lý đã mở ra khi Luật Giáo dục đại học số 34/2018/QH14 chính thức có hiệu lực từ ngày 01/07/2019, quy định bằng đại học hình thức đào tạo từ xa có giá trị tương đương hoàn toàn với bằng chính quy. Đứng trước cơ hội phát triển mới, bài toán cấp thiết đặt ra là phải xây dựng giải pháp công nghệ dự báo sớm nguy cơ thôi học của sinh viên ngay từ khâu tiếp nhận hồ sơ tuyển sinh cho đến suốt tiến trình đào tạo. Mục tiêu của nghiên cứu là ứng dụng kỹ thuật mạng nơ-ron nhân tạo trong khai phá dữ liệu giáo dục để phân loại chính xác khả năng duy trì học tập của học viên, từ đó giúp các trường đại học xây dựng phương án tư vấn kịp thời và kéo giảm tỷ lệ bỏ học từ 15% đến 25%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết khai phá dữ liệu, quy trình khám phá tri thức trong cơ sở dữ liệu và mô hình tính toán mạng nơ-ron nhân tạo. Khái niệm khai phá dữ liệu được định nghĩa là chuỗi thuật toán trích xuất các tri thức, quy luật tiềm ẩn từ các tập dữ liệu lớn và phức tạp để phục vụ việc ra quyết định. Trong lĩnh vực trí tuệ nhân tạo, mạng nơ-ron nhân tạo mô phỏng cấu trúc xử lý thông tin của não bộ sinh học vốn có khoảng 100 tỷ nơ-ron thần kinh với hơn 1.000 nghìn tỷ liên kết truyền dẫn.

Khung lý thuyết của đề tài tập trung vào mô hình mạng Perceptron nhiều lớp, kiến trúc mạng truyền thẳng đa mức và thuật toán huấn luyện có giám sát. Ba khái niệm nền tảng bao gồm:

• Vector đặc trưng đầu vào: Biểu diễn các thuộc tính đa chiều của học viên như độ tuổi, tình trạng hôn nhân, mức thu nhập, nghề nghiệp hiện tại và quá trình tương tác học tập.
• Các hàm kích hoạt phi tuyến: Bao gồm hàm ngưỡng Heaviside, hàm Rectified Linear Unit do Hahnloser giới thiệu năm 2000, hàm Logistic Sigmoid có miền giá trị từ 0 đến 1, hàm Hyperbolic Tangent có miền giá trị từ -1 đến 1 và hàm Softmax phục vụ tính toán phân bố xác suất cho bài toán phân loại đa lớp.
• Thuật toán lan truyền ngược: Cập nhật trọng số liên kết dựa trên đạo hàm riêng của hàm mục tiêu tổng bình phương sai số thông qua quy tắc đạo hàm chuỗi xích, tối ưu hóa điểm cực tiểu cục bộ theo phương pháp hạ dốc gradient descent với hệ số học xác định.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng kết hợp kỹ thuật học máy có giám sát. Tập dữ liệu thực nghiệm được thu thập từ cơ sở dữ liệu quản lý sinh viên và hệ thống đào tạo trực tuyến, bao gồm 4 nhóm trạng thái: học viên đang học, học viên đã tốt nghiệp, học viên đã nghỉ học và học viên đang trong giai đoạn tư vấn tuyển sinh. Cỡ mẫu nghiên cứu được xây dựng dựa trên tập dữ liệu chuẩn hóa gồm khoảng 926 hồ sơ học viên tương tự các công trình nghiên cứu tiền tiêu quốc tế. Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng nhằm đảm bảo tính đại diện đồng đều giữa các nhóm đối tượng và tránh hiện tượng mất cân bằng dữ liệu.

Quy trình phân tích dữ liệu được thực hiện qua 5 giai đoạn: thu thập và làm sạch dữ liệu, mã hóa vector đặc trưng, chia tách tập dữ liệu theo tỷ lệ chuẩn (70% cho tập huấn luyện, 15% cho tập kiểm chứng xác minh và 15% cho tập kiểm tra độc lập), thiết lập kiến trúc mạng nơ-ron truyền thẳng nhiều lớp và đánh giá độ chính xác qua ma trận nhầm lẫn. Mạng Perceptron nhiều lớp được lựa chọn thay vì các mô hình thống kê tuyến tính truyền thống bởi khả năng xấp xỉ hoàn hảo các quan hệ phi tuyến phức tạp giữa đặc điểm nhân khẩu học và hành vi học tập. Toàn bộ tiến trình nghiên cứu và thực nghiệm phần mềm được triển khai trong mốc thời gian từ năm 2018 đến năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã làm sáng tỏ các quy luật tác động đến khả năng hoàn thành khóa học của sinh viên đào tạo từ xa thông qua các kết quả định lượng cụ thể:

• Hiệu năng phân loại vượt trội theo kiến trúc mạng: Thực nghiệm trên các cấu hình mạng nơ-ron với số lượng nút ẩn thay đổi từ 1, 2, 4 đến 8 nơ-ron cho thấy sai số tổng bình phương giảm mạnh mẽ. Khi cấu hình lớp ẩn đạt 8 nơ-ron, hàm lỗi của mạng giảm hơn 42% so với mô hình 1 nơ-ron đơn lẻ, giúp độ chính xác phân loại tổng thể trên tập kiểm tra độc lập đạt mức từ 86,5% đến 91,2%.
• Phân hóa các nhóm nhân tố chi phối nguy cơ thôi học: Phân tích trọng số nơ-ron chỉ ra 3 nhóm nguyên nhân chính dẫn đến quyết định bỏ học. Nhóm nhân tố cá nhân (áp lực công việc, rào cản tài chính, thay đổi mục tiêu cá nhân) chiếm tỷ trọng tác động lớn nhất với 46,3%. Nhóm nhân tố từ cơ sở đào tạo (chương trình học thiếu tương tác, giảng viên thiếu kinh nghiệm sư phạm trực tuyến, hệ thống hỗ trợ kỹ thuật chậm trễ) chiếm 34,2%. Nhóm nhân tố từ thị trường lao động và chính sách xã hội chiếm 19,5%.
• Xác định điểm rơi rủi ro theo tiến độ thời gian: Tỷ lệ học viên có ý định từ bỏ khóa học tập trung cao nhất vào 2 học kỳ đầu tiên, chiếm tới 62,8% tổng số trường hợp thôi học trong toàn khóa. Những học viên vượt qua mốc 40% khối lượng kiến thức toàn khóa có tỷ lệ tốt nghiệp đạt trên 88%.

Thảo luận kết quả

Kết quả huấn luyện mô hình được minh họa rõ nét qua đồ thị đường cong hàm lỗi và biểu đồ ma trận kiểm thử. Đồ thị hàm mất mát cho thấy giá trị lỗi giảm nhanh chóng qua các chu kỳ huấn luyện và đạt trạng thái hội tụ ổn định, chứng minh thuật toán lan truyền ngược với hệ số học tối ưu không bị rơi vào hiện tượng bùng nổ gradient hay dao động mất kiểm soát. Bảng so sánh giữa đầu ra thực tế và nhãn phân lớp xác nhận mô hình có độ nhạy rất cao trong việc nhận diện nhóm học viên có nguy cơ bỏ học ngay từ giai đoạn nộp hồ sơ.

Phát hiện này hoàn toàn tương đồng với kết quả nghiên cứu của Youngju Lee và cộng sự (2010) tại Đại học Virginia khi xác định 3 nhóm nhân tố quyết định dropout, cũng như nghiên cứu của Cathrin Vogel và cộng sự (2018) tại Đại học Từ xa Hagen của Đức. Việc ứng dụng mạng nơ-ron nhân tạo không chỉ giải quyết bài toán phân loại nhị phân thông thường mà còn hỗ trợ đưa ra điểm xác suất dự báo cụ thể cho từng cá nhân, tạo tiền đề cho các cơ sở giáo dục chuyển dịch từ hình thức hỗ trợ bị động sang can thiệp dự phòng chủ động.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp cụ thể nhằm tối ưu hóa tỷ lệ duy trì học viên tại các cơ sở đào tạo từ xa:

• Tích hợp hệ thống phần mềm cảnh báo sớm dựa trên mạng nơ-ron nhân tạo: Phòng Đào tạo phối hợp cùng Trung tâm Công nghệ thông tin triển khai module AI dự báo vào hệ thống quản lý học tập trực tuyến trong vòng 6 tháng. Mục tiêu đặt ra là tự động quét và gắn cờ cảnh báo đối với ít nhất 85% học viên có biểu hiện suy giảm tương tác hoặc kết quả học tập yếu kém trước kỳ thi học kỳ 4 tuần.
• Tái cấu trúc quy trình tư vấn tuyển sinh và thẩm định mục tiêu đầu vào: Phòng Tuyển sinh và Truyền thông thiết lập bảng khảo sát đánh giá độ tương thích giữa năng lực cá nhân, thời gian biểu và yêu cầu khóa học ngay từ giai đoạn nộp hồ sơ, hoàn thành áp dụng trong quý 1 năm học mới nhằm giảm tỷ lệ học viên chọn nhầm ngành học xuống dưới 8%.
• Xây dựng chính sách tài chính linh hoạt và giãn tiến độ học tập: Phòng Kế hoạch - Tài chính ban hành quy chế chia nhỏ học phí theo từng tháng hoặc từng học phần thay vì thu trọn gói theo năm, kết hợp chính sách bảo lưu điểm số linh hoạt trong thời hạn 3 năm, hướng tới mục tiêu giữ chân 20% sinh viên gặp khó khăn kinh tế tạm thời.
• Nâng cao chất lượng học liệu số và phát triển mạng lưới cố vấn học tập: Các khoa chuyên môn và giảng viên chủ nhiệm tăng cường ít nhất 2 buổi tương tác trực tuyến định kỳ mỗi tháng, đổi mới bài giảng đa phương tiện nhằm nâng mức độ hài lòng của người học lên trên 90% trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị ứng dụng thực tiễn và lý luận chuyên sâu, phù hợp với các nhóm độc giả sau:

• Ban giám hiệu và Nhà quản trị giáo dục đại học: Cung cấp góc nhìn chiến lược về chuyển đổi số trong quản lý đào tạo, tối ưu hóa nguồn thu tài chính thông qua việc giảm thiểu tỷ lệ thất thoát sinh viên và nâng cao uy tín thương hiệu của trường.
• Chuyên viên công nghệ thông tin và Kỹ sư khoa học dữ liệu giáo dục: Tham khảo kiến trúc mạng nơ-ron Perceptron nhiều lớp, quy trình tiền xử lý dữ liệu và thuật toán lan truyền ngược để phát triển các module học máy trên hệ sinh thái phần mềm quản lý trường học.
• Cố vấn học tập và Giảng viên giảng dạy hệ từ xa: Nắm bắt các chỉ số cảnh báo sớm về mặt tâm lý, hành vi và kết quả học tập của học viên để chủ động xây dựng phương pháp can thiệp sư phạm phù hợp cho từng cá nhân.
• Học viên cao học và Nghiên cứu sinh ngành Công nghệ thông tin: Tài liệu tham khảo hữu ích về kỹ thuật khai phá dữ liệu, tối ưu hóa trọng số mạng nơ-ron và phương pháp nghiên cứu ứng dụng trí tuệ nhân tạo trong giải quyết các bài toán kinh tế - xã hội.

Câu hỏi thường gặp

Bằng tốt nghiệp đại học hệ đào tạo từ xa có được công nhận tương đương bằng chính quy không? Theo quy định tại Luật Giáo dục đại học số 34/2018/QH14 có hiệu lực từ ngày 01/07/2019, văn bằng đại học không còn phân biệt hình thức đào tạo. Do đó, bằng đại học từ xa có giá trị pháp lý hoàn toàn tương đương với bằng đại học chính quy trong thi tuyển công chức, nâng lương và học lên các bậc học cao hơn.

Tại sao mạng nơ-ron nhân tạo lại được ưu tiên lựa chọn hơn các mô hình phân lớp khác trong bài toán này? Mạng nơ-ron nhân tạo sở hữu năng lực xấp xỉ các hàm phi tuyến đa biến phức tạp, có khả năng tự học và thích nghi cao với dữ liệu thiếu sót. Thực nghiệm cho thấy mạng MLP đạt độ chính xác trên 86% khi xử lý đồng thời hàng loạt thuộc tính phi tuyến như tuổi, thu nhập, tình trạng hôn nhân và lịch sử học tập.

Những đặc trưng dữ liệu đầu vào nào có ảnh hưởng lớn nhất đến nguy cơ sinh viên bỏ học? Các đặc trưng mang trọng số cao nhất trong mô hình gồm có: mức độ tương tác với hệ thống bài giảng trực tuyến, kết quả bài kiểm tra trong 2 học kỳ đầu, mức thu nhập hàng tháng và tính chất công việc hiện tại của người học.

Thuật toán lan truyền ngược thực hiện việc tối ưu hóa mạng nơ-ron như thế nào? Thuật toán tính toán sai số giữa kết quả dự báo của mạng và nhãn thực tế thông qua hàm tổng bình phương lỗi, sau đó truyền ngược độ nhạy cảm từ lớp ra về lớp vào bằng quy tắc chuỗi xích để cập nhật ma trận trọng số theo hướng giảm độ dốc gradient.

Các trường đại học quy mô vừa và nhỏ có thể ứng dụng kết quả của luận văn vào thực tế không? Hoàn toàn khả thi vì mô hình mạng nơ-ron trong luận văn được thiết kế với cấu trúc tinh gọn, không đòi hỏi hạ tầng siêu máy tính phức tạp. Nhà trường có thể nhúng trực tiếp thuật toán vào cơ sở dữ liệu học vụ hiện có để phân tích định kỳ hàng tuần.

Kết luận

Luận văn đã giải quyết triệt để bài toán cấp bách về quản lý đào tạo trực tuyến thông qua 5 đóng góp cốt lõi:

• Hệ thống hóa toàn diện cơ sở lý luận về khai phá dữ liệu giáo dục và các kiến trúc mạng nơ-ron nhân tạo truyền thẳng nhiều lớp.
• Phân tích sâu sắc bức tranh thực trạng đào tạo từ xa tại Việt Nam giai đoạn 2012-2018 với các biến động số liệu người học cụ thể.
• Xây dựng thành công mô hình mạng Perceptron nhiều lớp ứng dụng thuật toán lan truyền ngược với độ chính xác phân loại đạt trên 86%.
• Xác lập bộ tiêu chí nhận diện và phân loại học viên thành 4 nhóm trạng thái phục vụ can thiệp sư phạm kịp thời.
• Đề xuất khung giải pháp đồng bộ 4 trụ cột từ công nghệ, tuyển sinh, tài chính đến nâng cao chất lượng đào tạo.

Trong giai đoạn tiếp theo từ 2 đến 3 năm tới, mô hình có thể mở rộng tích hợp các kỹ thuật học sâu và xử lý ngôn ngữ tự nhiên để phân tích cảm xúc từ các phản hồi của học viên trên diễn đàn. Các nhà quản lý giáo dục và chuyên gia công nghệ quan tâm có thể khai thác trực tiếp mô hình này để nâng cao chất lượng và hiệu quả quản trị đào tạo từ xa ngay hôm nay.