Tổng quan nghiên cứu

Công tác dự báo giữ vai trò chiến lược trong việc nâng cao hiệu quả quản trị và hoạch định chính sách phát triển của hệ thống giáo dục. Tại các cơ sở giáo dục nghề nghiệp và giáo dục thường xuyên, số lượng học viên tuyển sinh hàng năm thường xuyên biến động mạnh do tác động của các quy chế thi cử, cơ cấu ngành nghề và điều kiện phát triển kinh tế - xã hội. Thống kê tại Trung tâm Giáo dục nghề nghiệp - Giáo dục thường xuyên quận Đống Đa cho thấy quy mô tuyển sinh trong giai đoạn 1988–2017 có sự chênh lệch rất lớn, dao động từ mức thấp nhất là 95 học sinh năm 1997 đến mức đỉnh điểm 465 học sinh năm 2009. Thực trạng này đặt ra thách thức lớn đối với công tác điều phối nhân lực và quy hoạch 19 phòng học cùng 3 phòng thực hành tin học của đơn vị.

Mục tiêu cốt lõi của nghiên cứu là xây dựng mô hình dự báo số lượng học sinh tuyển sinh hàng năm bằng cách ứng dụng mạng nơron nhân tạo truyền thẳng nhiều lớp với giải thuật lan truyền ngược sai số. Nghiên cứu tập trung khai thác chuỗi dữ liệu lịch sử 30 năm liên tục (từ năm 1988 đến năm 2017) tại Trung tâm Giáo dục nghề nghiệp - Giáo dục thường xuyên quận Đống Đa, thành phố Hà Nội. Ý nghĩa khoa học và thực tiễn của đề tài thể hiện qua việc giảm thiểu sai số dự báo xuống mức sai số bình phương trung bình dưới 0.0001, hỗ trợ ban lãnh đạo tối ưu hóa việc phân bổ ngân sách và sắp xếp đội ngũ 50 cán bộ, giáo viên đạt hiệu suất cao nhất trong giai đoạn 2018–2020.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết mạng nơron nhân tạo, khởi nguồn từ mô hình tế bào thần kinh sinh học và các nghiên cứu của McCulloch, Pitts cùng thuật toán huấn luyện lan truyền ngược do Rumelhart và Hinton phát triển. Mô hình mạng nơron truyền thẳng nhiều lớp gồm ba tầng cơ bản: tầng vào tiếp nhận thông tin, tầng ẩn trích xuất các đặc trưng phi tuyến và tầng ra tổng hợp giá trị dự báo.

Các khái niệm kỹ thuật nền tảng được triển khai bao gồm:

  • Trọng số liên kết và ngưỡng kích hoạt: Đại lượng phản ánh mức độ tương tác giữa các nơron, được cập nhật liên tục qua từng chu kỳ huấn luyện để cực tiểu hóa hàm lỗi toàn cục.
  • Hàm kích hoạt phi tuyến: Sử dụng hàm Log-Sigmoid tại tầng vào và tầng ẩn nhằm ánh xạ tín hiệu vào miền giá trị từ 0 đến 1, kết hợp hàm tổng tuyến tính tại tầng ra để tạo giá trị dự báo thực tế.
  • Hệ số học và quán tính: Hệ số học được thiết lập ở mức 0.7 nhằm tối ưu hóa tốc độ hội tụ, kết hợp hệ số quán tính 0.4 giúp giải thuật vượt qua các điểm cực tiểu cục bộ trong không gian trọng số.
  • Mô hình chuỗi thời gian hồi quy phi tuyến: Cơ chế sử dụng chuỗi trễ 10 năm liền kề làm biến đầu vào để dự báo chuẩn xác cho năm tiếp theo.

Phương pháp nghiên cứu

Nguồn dữ liệu thứ cấp được thu thập toàn diện từ sổ bộ tuyển sinh chính thức của Trung tâm Giáo dục nghề nghiệp - Giáo dục thường xuyên quận Đống Đa trong thời gian 30 năm (1988–2017). Cỡ mẫu nghiên cứu gồm 14 vector huấn luyện (giai đoạn 1988–2011) và 6 mẫu dữ liệu kiểm định độc lập (giai đoạn 2012–2017). Luận văn sử dụng phương pháp chọn mẫu toàn bộ theo chuỗi thời gian liên tục với kỹ thuật cửa sổ trượt độ dài 10 năm.

Phương pháp phân tích dựa trên thuật toán lan truyền ngược sai số kết hợp công cụ mô phỏng chuyên biệt được lập trình trên nền tảng Visual Basic .NET và môi trường .NET Framework 4.0. Lý do lựa chọn phương pháp này xuất phát từ khả năng tự thích nghi, chịu lỗi cao và xấp xỉ hàm phi tuyến phức tạp của mạng nơron, vượt trội hoàn toàn so với các giả định tuyến tính cứng nhắc của mô hình kinh tế lượng cổ điển. Nghiên cứu thực hiện quy trình thử nghiệm với các ngưỡng tham số khác nhau trong thời gian huấn luyện từ 2.75 đến 3.2 giây cho 1000 vòng lặp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình huấn luyện và thử nghiệm thực nghiệm đã mang lại những kết quả định lượng cụ thể:

  • Tối ưu hóa cấu trúc mạng: Qua thử nghiệm đa dạng từ 6 đến 10 nơron ẩn, cấu trúc mạng 10-10-1 (10 nơron vào, 10 nơron ẩn, 1 nơron ra) đạt hiệu quả cao nhất với sai số tuyệt đối trung bình đạt mức thấp nhất là 0.0049 sau 1000 vòng huấn luyện trong thời gian 2.752 giây.
  • Độ chính xác trên tập học: Mô hình xấp xỉ hầu như tuyệt đối các giá trị thực tế, tiêu biểu như năm 1998 đạt giá trị dự báo 346.0004 so với thực tế 345 học sinh (tỷ lệ chuẩn xác đạt 99.71%), sai số bình phương trung bình toàn tập huấn luyện đạt mức 0.0001.
  • Độ tin cậy trên tập kiểm tra: Thử nghiệm trên giai đoạn 2012–2017 cho thấy đường dự báo bám sát đường cong thực tế, phản ánh chính xác các pha tăng giảm số lượng học viên từ 254 học sinh năm 2012 xuống 108 học sinh năm 2015 và phục hồi lên 250 học sinh năm 2017.
  • Kết quả dự báo chuỗi tương lai: Mô hình dự báo số lượng học sinh tuyển sinh cho ba năm liên tiếp 2018, 2019 và 2020 duy trì mức độ ổn định quanh ngưỡng 240 đến 260 học sinh, tạo căn cứ vững chắc cho việc lập kế hoạch dài hạn.

Thảo luận kết quả

Khi so sánh hiệu năng dự báo với các phương pháp thống kê truyền thống, mạng nơron nhân tạo thể hiện sự vượt trội rõ rệt. Phương pháp trung bình dài hạn chỉ đạt độ chính xác 78.29% do quán tính quá lớn từ các năm quá khứ xa. Phương pháp trung bình động chỉ đạt 56.58% độ chính xác vì đánh mất các đặc trưng dài hạn. Phương pháp san bằng mũ đạt 83.50% độ chính xác nhưng gặp độ trễ pha lớn khi dữ liệu biến động đột ngột. Trong khi đó, mô hình mạng nơron đạt độ tương thích trên 99% trên tập huấn luyện và duy trì sai số kiểm định dưới 5%.

Dữ liệu so sánh giữa các phương pháp được minh họa rõ nét qua đồ thị đường biểu diễn sai số tương quan và bảng tổng hợp sai số trung bình. Kết quả thực nghiệm này hoàn toàn tương đồng với các công bố khoa học trong lĩnh vực dự báo giáo dục, như nghiên cứu dự báo đỗ đại học của các tác giả trong nước với 13 nơron đầu vào hay các mô hình dự báo tỷ lệ lưu ban. Nguyên nhân chính giúp mạng nơron vượt trội là nhờ khả năng lưu trữ thông tin phân tán trên ma trận trọng số và khả năng học sâu các quy luật phi tuyến phức tạp ẩn chứa trong chuỗi dữ liệu 30 năm.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 nhóm giải pháp chiến lược:

  1. Tích hợp phần mềm dự báo vào hệ thống quản lý tác nghiệp: Ban Giám đốc cùng tổ Tin học triển khai cài đặt công cụ mô phỏng dự báo viết trên Visual Basic .NET vào hệ thống mạng nội bộ trong Quý I/2018, giúp rút ngắn 90% thời gian tính toán và dự toán chỉ tiêu tuyển sinh định kỳ.
  2. Chuẩn hóa và mở rộng cơ sở dữ liệu tuyển sinh: Phòng Đào tạo thực hiện số hóa 100% hồ sơ học viên tuyển mới hàng năm bắt đầu từ Quý II/2018, bổ sung thêm các trường thông tin về điểm thi tốt nghiệp trung học cơ sở và phân bố địa bàn dân cư nhằm nâng cao độ chính xác dự báo lên trên 98%.
  3. Bồi dưỡng kỹ năng phân tích dữ liệu cho đội ngũ quản lý: Tổ chức 02 khóa tập huấn chuyên sâu trong 6 tháng đầu năm 2018 dành cho 50 cán bộ, giáo viên của trung tâm về ứng dụng công nghệ thông tin và khai thác kết quả máy học trong quản trị trường học.
  4. Tối ưu hóa quy hoạch cơ sở vật chất và phân bổ ngân sách: Căn cứ vào kết quả dự báo tuyển sinh giai đoạn 2018–2020, Ban Quản trị cơ sở vật chất tiến hành nâng cấp 19 phòng học hiện có và 5 điểm trường vệ tinh, bảo đảm tỷ lệ sử dụng phòng học luôn đạt từ 85% đến 90% công suất thiết kế.

Đối tượng nên tham khảo luận văn

Tài liệu này mang lại giá trị thực tiễn và học thuật cho 4 nhóm đối tượng trọng tâm:

  • Ban giám hiệu và cán bộ quản lý các trung tâm giáo dục thường xuyên: Ứng dụng mô hình toán học để xây dựng kế hoạch phân bổ giáo viên, đầu tư trang thiết bị dạy học và lập đề án tuyển sinh hàng năm chuẩn xác.
  • Chuyên viên phân tích dữ liệu tại Sở Giáo dục và Đào tạo: Tham khảo khung phương pháp luận định lượng trên chuỗi thời gian 30 năm để phân bổ chỉ tiêu tuyển sinh công bằng cho hệ thống trường công lập và dân lập trên địa bàn thành phố Hà Nội.
  • Học viên cao học và nghiên cứu sinh chuyên ngành Công nghệ thông tin: Khai thác chi tiết kiến trúc mạng truyền thẳng 10-10-1, giải thuật lan truyền ngược và bộ mã nguồn chuẩn hóa dữ liệu để phát triển các đề tài nghiên cứu chuyên sâu về máy học.
  • Lập trình viên và các đơn vị phát triển giải pháp EdTech: Tận dụng thuật toán và giao diện phần mềm mô phỏng làm tài liệu tham chiếu để tích hợp các module trí tuệ nhân tạo vào hệ sinh thái quản lý giáo dục thông minh.

Câu hỏi thường gặp

Tại sao mạng nơron nhân tạo lại cho kết quả dự báo tốt hơn các mô hình thống kê cổ điển? Mạng nơron có khả năng tự học các mối quan hệ phi tuyến phức tạp từ dữ liệu lịch sử mà không cần đưa ra các giả thiết gò bó về phân phối chuẩn. Trong nghiên cứu này, sai số bình phương trung bình của mạng nơron đạt dưới 0.0001, trong khi phương pháp trung bình động có tỷ lệ sai lệch lên tới hơn 43%.

Cấu trúc mạng 10-10-1 được xác định dựa trên cơ sở khoa học nào? Mạng gồm 10 nơron vào tương ứng với dữ liệu 10 năm liền kề, 1 nơron ra là kết quả tuyển sinh năm tiếp theo. Số lượng 10 nơron ẩn được xác định thông qua phương pháp thử sai thực nghiệm từ 6 đến 10 nút, mang lại sai số tuyệt đối thấp nhất là 0.0049 và thời gian huấn luyện tối ưu 2.752 giây.

Mô hình có đòi hỏi cấu hình phần cứng máy tính cao khi vận hành không? Phần mềm mô phỏng được phát triển trên ngôn ngữ Visual Basic .NET và môi trường .NET Framework 4.0 tối ưu. Hệ thống vận hành trơn tru trên các cấu hình máy tính văn phòng phổ thông có bộ nhớ trong từ 512MB RAM và dung lượng ổ đĩa trống trên 10MB mà không yêu cầu card đồ họa chuyên dụng.

Dữ liệu đầu vào cần được xử lý như thế nào trước khi đưa vào huấn luyện mạng? Dữ liệu số lượng học sinh trong 30 năm được chuẩn hóa về đoạn từ 0 đến 1 thông qua hàm kích hoạt Log-Sigmoid nhằm tránh hiện tượng bão hòa tín hiệu nơron. Quá trình này giúp thuật toán đạo hàm lan truyền ngược diễn ra ổn định và gia tăng tốc độ hội tụ của hệ số học 0.7.

Mô hình dự báo này có thể áp dụng cho các cơ sở giáo dục khác được không? Hoàn toàn có thể mở rộng áp dụng. Các trường trung học phổ thông, trường cao đẳng hoặc đại học có thể kế thừa nguyên vẹn kiến trúc mạng 3 lớp và quy trình trượt chuỗi thời gian, chỉ cần thay thế bộ dữ liệu đầu vào tương ứng với đặc thù tuyển sinh của đơn vị mình.

Kết luận

  • Đã hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơron nhân tạo truyền thẳng nhiều lớp và thuật toán lan truyền ngược sai số ứng dụng trong bài toán dự báo chuỗi thời gian.
  • Thu thập, chuẩn hóa và xử lý thành công bộ dữ liệu tuyển sinh liên tục trong 30 năm (1988–2017) với quy mô dao động từ 95 đến 465 học sinh của Trung tâm Giáo dục nghề nghiệp - Giáo dục thường xuyên quận Đống Đa.
  • Thiết kế tối ưu mô hình mạng 10-10-1, đạt độ hội tụ chuẩn xác sau 1000 chu kỳ học với sai số bình phương trung bình cực tiểu dưới 0.0001 và thời gian xử lý nhanh 2.752 giây.
  • Xây dựng thành công công cụ phần mềm độc lập trên Visual Basic .NET, cung cấp giao diện trực quan hỗ trợ dự báo chính xác số lượng học sinh giai đoạn 2018–2020.
  • Khẳng định tính ưu việt vượt trội của trí tuệ nhân tạo so với các phương pháp thống kê cổ điển như trung bình động (56.58%) hay san bằng mũ (83.50%), mở ra hướng đi mới cho chuyển đổi số trong quản lý giáo dục.

Đóng góp chính của luận văn là chứng minh tính khả thi và độ tin cậy của việc đưa kỹ thuật máy học vào quản trị nhà trường. Trong giai đoạn tiếp theo từ năm 2018 đến 2022, mô hình cần được tích hợp thêm các biến ngoại cảnh như biến động nhân khẩu học và các chính sách phân luồng sau trung học cơ sở. Các cơ sở giáo dục và nhà quản lý hãy chủ động ứng dụng mô hình dự báo mạng nơron nhân tạo này để nâng cao tính khoa học và tối ưu hóa hiệu quả tuyển sinh ngay hôm nay.