Tổng quan nghiên cứu

Công tác tuyển sinh tại các cơ sở giáo dục thường xuyên luôn đối mặt với nhiều biến số phức tạp do sự thay đổi của chính sách phân luồng, quy chế thi cử và nhu cầu thị trường lao động. Tại Trung tâm Giáo dục nghề nghiệp – Giáo dục thường xuyên (GDNN – GDTX) quận Đống Đa, số lượng học sinh nhập học trong giai đoạn 30 năm từ 1988 đến 2017 ghi nhận sự dao động rất lớn, từ mức thấp kỷ lục 95 học sinh vào năm 1997 đến đỉnh điểm 465 học sinh vào năm 2009. Sự biến thiên phi tuyến này tạo ra rào cản nghiêm trọng cho việc lập kế hoạch giảng dạy, sắp xếp đội ngũ 50 cán bộ giáo viên và tối ưu hóa hệ thống cơ sở vật chất gồm 19 phòng học trên tổng diện tích 4.487,3 m2.

Nhằm giải quyết triệt để bài toán quản trị trên, nghiên cứu tập trung xây dựng mô hình mạng nơ-ron nhân tạo (Artificial Neural Network – ANN) phục vụ dự báo số lượng học sinh tuyển sinh hàng năm. Mục tiêu trọng tâm của luận văn là khảo sát các mô hình học máy, thiết kế kiến trúc mạng truyền thẳng nhiều lớp với giải thuật lan truyền ngược và phát triển công cụ phần mềm mô phỏng chuyên dụng. Kết quả nghiên cứu mang lại giá trị thực tiễn to lớn, giúp đơn vị kiểm soát sai số dự báo dưới mức 5%, nâng cao độ chính xác trong công tác phân bổ ngân sách và định hướng chiến lược phát triển ổn định cho nhà trường trong các giai đoạn tiếp theo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng lý thuyết mạng nơ-ron nhân tạo, tập trung vào mô hình mạng truyền thẳng nhiều lớp (Multilayer Perceptron – MLP). Đây là mô hình tính toán song song có khả năng xấp xỉ các hàm phi tuyến phức tạp dựa trên cơ chế mô phỏng hoạt động của mạng tế bào thần kinh sinh học. Cấu trúc mạng bao gồm ba thành phần chính: lớp đầu vào (Input Layer), lớp ẩn (Hidden Layer) và lớp đầu ra (Output Layer).

Thuật toán học cốt lõi được áp dụng là giải thuật lan truyền ngược sai số (Backpropagation – BP) dựa trên nguyên lý hạ độ dốc Gradient Descent. Để khắc phục hiện tượng mạng rơi vào điểm cực tiểu cục bộ (Local Minimum) và gia tốc tốc độ học, nghiên cứu tích hợp hệ số quán tính Momentum ($\mu = 0,4$) kết hợp cùng tốc độ học thực nghiệm ($\eta = 0,7$). Hàm kích hoạt Log-sigmoid khả vi đơn điệu tăng được sử dụng cho lớp ẩn nhằm ánh xạ dữ liệu về khoảng giá trị tối ưu, trong khi lớp ra sử dụng hàm tổng tuyến tính (SUM) để tái hiện chính xác quy mô học sinh thực tế. Hai tiêu chuẩn kiểm định sai số bình phương trung bình (MSE) và sai số tuyệt đối trung bình (MAE) được thiết lập làm thước đo đánh giá chất lượng hội tụ của mô hình.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp gồm chuỗi thời gian 30 năm liên tục (1988 – 2017) ghi nhận toàn bộ hồ sơ tuyển sinh thực tế tại Trung tâm GDNN – GDTX quận Đống Đa. Phương pháp chọn mẫu là thu thập toàn bộ dữ liệu lịch sử của đơn vị để đảm bảo tính bao quát và phản ánh trung thực quy luật dao động dài hạn. Dữ liệu sau đó được chuẩn hóa và cấu trúc hóa thành 14 mẫu huấn luyện đại diện cho giai đoạn 1988 – 2011 theo cơ chế cửa sổ trượt 10 năm đầu vào và 1 năm đầu ra, trong khi dữ liệu từ năm 2012 đến 2017 được dùng làm tập kiểm thử độc lập.

Lý do lựa chọn phương pháp mạng nơ-ron thay vì các mô hình thống kê cổ điển xuất phát từ đặc tính phi tuyến mạnh của dữ liệu tuyển sinh. Mạng nơ-ron có khả năng tự thích nghi, tự động điều chỉnh hệ thống trọng số liên kết qua từng vòng lặp mà không cần giả định nghiêm ngặt về phân phối chuẩn của dữ liệu. Toàn bộ quy trình huấn luyện, kiểm thử và dự báo được lập trình thông qua phần mềm độc lập viết bằng ngôn ngữ VB.NET trên nền tảng .NET Framework 4.0 và môi trường Microsoft Visual Studio 2012.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Qua quá trình thử nghiệm thực nghiệm với nhiều cấu hình mạng khác nhau, nghiên cứu đã xác định được cấu trúc tối ưu gồm 3 lớp theo tỷ lệ 10-10-1 (10 nơ-ron lớp vào, 10 nơ-ron lớp ẩn và 1 nơ-ron lớp ra). Mô hình đạt trạng thái hội tụ lý tưởng tại vòng lặp thứ 1000 với thời gian tính toán nhanh chóng dưới 3 giây. Tại cấu hình này, sai số tuyệt đối trung bình (MAE) và sai số bình phương trung bình (MSE) giảm xuống mức tối thiểu so với các cấu hình thử nghiệm từ 6 đến 12 nơ-ron ẩn.

Khi tiến hành so sánh đối chuẩn với 4 phương pháp dự báo truyền thống trên cùng bộ dữ liệu, mô hình mạng nơ-ron thể hiện sự vượt trội rõ rệt:

  • Phương pháp trung bình dài hạn cho kết quả dự báo năm kiểm tra lệch lớn, tỷ lệ chính xác chỉ đạt 78,29%.
  • Phương pháp trung bình động (Moving Average) bộc lộ độ trễ cao với tỷ lệ chính xác sụt giảm xuống 56,58%.
  • Phương pháp san bằng mũ đơn giản cải thiện độ bám sát nhưng chỉ đạt mức 83,50%.
  • Mô hình mạng nơ-ron nhân tạo đạt độ chính xác ấn tượng trên 95%, bám sát chặt chẽ đường giá trị thực tế với sai số dự báo cho năm thử nghiệm đầu tiên chỉ chênh lệch khoảng 1 học sinh (giá trị thực tế 345 học sinh so với dự báo 346 học sinh).

Kết quả chạy mô phỏng dự báo cho 3 năm tiếp theo (2018, 2019, 2020) chỉ ra xu hướng tuyển sinh của trung tâm duy trì ổn định trong khoảng từ 240 đến 260 học sinh mỗi năm.

Thảo luận kết quả

Sự biến động phức tạp của dữ liệu tuyển sinh chịu tác động sâu sắc bởi sự thay đổi của chính sách giáo dục qua từng thời kỳ, ví dụ như giai đoạn sáp nhập cơ sở năm 2009 đẩy lượng học sinh lên 465 em, hoặc giai đoạn siết chặt chuẩn đầu vào năm 1997 khiến số lượng giảm còn 95 em. Các mô hình tuyến tính truyền thống thường có xu hướng san phẳng các điểm cực trị hoặc phản ứng chậm với các đột biến, dẫn đến sai số lũy kế rất lớn.

Ngược lại, mô hình mạng nơ-ron với hàm kích hoạt phi tuyến và cơ chế lan truyền ngược đã phân rã thành công các quy luật ngầm định trong chuỗi số liệu 10 năm liên tiếp. Khi hiển thị dữ liệu qua biểu đồ đường đối sánh giữa giá trị thực tế (đường màu xanh) và giá trị dự báo (đường màu đỏ), hai đường đồ thị gần như trùng khít tại hầu hết các mốc kiểm tra. Bảng tổng hợp các chỉ số MSE và MAE qua từng epoch cho thấy sai số suy giảm đơn điệu và ổn định, chứng minh việc tích hợp hệ số quán tính Momentum 0,4 đã ngăn chặn hiệu quả nguy cơ tắc nghẽn tại các cực tiểu địa phương. Điều này khẳng định tiềm năng to lớn của học máy trong việc mô hình hóa các bài toán quản lý giáo dục có độ bất định cao.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đề xuất 4 nhóm giải pháp cụ thể nhằm đưa mô hình dự báo vào ứng dụng thực tế:

Thứ nhất, tích hợp công cụ phần mềm dự báo vào hệ thống quản lý tác nghiệp của nhà trường. Ban giám đốc Trung tâm cần ban hành quy chế ứng dụng phần mềm VB.NET vào quy trình tuyển sinh hàng năm trước tháng 4, hướng tới mục tiêu giảm 15% chi phí dự trù ngân sách và vật tư giáo dục không cần thiết.

Thứ hai, mở rộng tập dữ liệu đầu vào và nâng cấp kiến trúc mô hình. Bộ phận công nghệ thông tin phối hợp với tổ giáo vụ thu thập thêm từ 3 đến 5 biến ngoại sinh quan trọng như: tỷ lệ tốt nghiệp THCS tại 21 phường thuộc quận Đống Đa, điểm chuẩn vào lớp 10 của các trường THPT công lập lân cận và biến động học phí, nhằm nâng tỷ lệ chính xác dự báo lên mức 98% trong giai đoạn 2024 – 2026.

Thứ ba, chuẩn hóa công tác đào tạo và nâng cao năng lực phân tích dữ liệu cho đội ngũ nhân sự. Tổ chức 02 khóa tập huấn chuyên sâu về quản trị dữ liệu học máy và vận hành phần mềm cho toàn thể 50 cán bộ, giáo viên trong vòng 6 tháng đầu năm học.

Thứ tư, tối ưu hóa công tác sắp xếp cơ sở vật chất dựa trên số liệu dự báo. Căn cứ vào chỉ số dự báo 240 – 260 học sinh/năm, phòng đào tạo chủ động phân chia thành 6 đến 7 lớp học, tối ưu công suất sử dụng của 19 phòng học lý thuyết, 3 phòng thí nghiệm và 3 phòng tin học để tránh lãng phí diện tích sàn 4.487,3 m2.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị tham khảo thiết thực cho 4 nhóm đối tượng chính:

  1. Cán bộ quản lý và Ban giám đốc các Trung tâm GDNN – GDTX trên toàn quốc: Cung cấp giải pháp khoa học để xây dựng kế hoạch tuyển sinh, dự trù số lớp học và bố trí đội ngũ giáo viên hợp lý theo chu kỳ 1 đến 3 năm.
  2. Học viên cao học và nhà nghiên cứu chuyên ngành Công nghệ thông tin, Quản lý Hệ thống thông tin: Cung cấp khung phương pháp luận chi tiết, mã nguồn mô phỏng VB.NET và quy trình thiết lập tham số mạng nơ-ron ứng dụng trong phân tích chuỗi thời gian.
  3. Chuyên viên hoạch định chiến lược tại các Sở Giáo dục và Đào tạo: Tham khảo mô hình toán học nhằm phục vụ công tác quy hoạch mạng lưới trường lớp và dự báo luồng phân luồng học sinh sau THCS trên quy mô toàn tỉnh hoặc thành phố.
  4. Kỹ sư phát triển phần mềm giáo dục (EdTech): Khai thác thuật toán lan truyền ngược sai số và quy trình tiền xử lý dữ liệu để tích hợp module phân tích dự đoán (Predictive Analytics) vào các phần mềm quản lý trường học hiện đại.

Câu hỏi thường gặp

  1. Tại sao nghiên cứu lại lựa chọn mạng nơ-ron nhân tạo thay vì các thuật toán thống kê phổ biến? Dữ liệu tuyển sinh thực tế trong 30 năm dao động rất phức tạp từ 95 đến 465 học sinh với tính phi tuyến rõ nét. Trong khi các phương pháp thống kê như trung bình động chỉ đạt độ chính xác khoảng 56,58%, mạng nơ-ron đạt độ chính xác trên 95% nhờ khả năng tự học các mối quan hệ phi tuyến tiềm ẩn.

  2. Luận văn đã giải quyết tình trạng kẹt tại điểm cực tiểu cục bộ bằng cách nào? Nghiên cứu đã bổ sung hệ số quán tính Momentum với giá trị 0,4 vào phương trình hiệu chỉnh trọng số của thuật toán lan truyền ngược. Hệ số này duy trì động lượng cập nhật dựa trên bước lặp trước đó, giúp mô hình vượt qua các bẫy cực tiểu địa phương và đạt trạng thái tối ưu toàn cục.

  3. Cấu trúc mạng 10-10-1 được thiết lập dựa trên căn cứ khoa học nào? Cấu trúc gồm 10 nút đầu vào đại diện cho chuỗi số liệu 10 năm liên tiếp và 1 nút ra là số học sinh năm kế tiếp. Số lượng 10 nơ-ron lớp ẩn được xác định thông qua phương pháp thử sai thực nghiệm từ 6 đến 12 nút, trong đó cấu hình 10 nút cho chỉ số lỗi MAE và MSE thấp nhất.

  4. Phần mềm mô phỏng dự báo trong luận văn được xây dựng bằng công nghệ gì? Tác giả tự xây dựng công cụ phần mềm độc lập bằng ngôn ngữ lập trình VB.NET trên nền tảng .NET Framework 4.0 và Visual Studio 2012. Công cụ tích hợp toàn bộ các chức năng nạp dữ liệu, chuẩn hóa, huấn luyện mạng 1000 epoch và kết xuất đồ thị dự báo trực quan.

  5. Mô hình dự báo này có thể nhân rộng sang các cơ sở giáo dục khác không? Mô hình hoàn toàn có khả năng tái sử dụng cao. Các cơ sở giáo dục chỉ cần thu thập chuỗi số liệu tuyển sinh lịch sử từ 15 đến 30 năm của đơn vị mình, sau đó đưa vào phần mềm để tái huấn luyện bộ trọng số liên kết là có thể thiết lập hệ thống dự báo riêng.

Kết luận

  • Xây dựng thành công mô hình mạng nơ-ron nhân tạo truyền thẳng 3 lớp (cấu hình 10-10-1) ứng dụng thuật toán lan truyền ngược sai số kết hợp hệ số quán tính Momentum.
  • Khai thác trọn vẹn bộ dữ liệu tuyển sinh 30 năm (1988 – 2017) của Trung tâm GDNN – GDTX quận Đống Đa, đạt độ chính xác dự báo vượt trội trên 95%.
  • Phát triển hoàn chỉnh công cụ phần mềm chuyên dụng bằng ngôn ngữ VB.NET với giao diện trực quan, đáp ứng toàn diện các khâu xử lý dữ liệu và mô phỏng dự báo.
  • Chứng minh tính ưu việt tuyệt đối của phương pháp học máy ANN so với 4 mô hình dự báo thống kê truyền thống trong bài toán quản lý giáo dục.
  • Thiết lập cơ sở khoa học vững chắc giúp Ban giám đốc nhà trường chủ động hoạch định chiến lược tuyển sinh, tối ưu 19 phòng học và phân bổ ngân sách giai đoạn 2018 – 2020.

Các nhà quản lý giáo dục, giảng viên và học viên quan tâm có thể tham khảo toàn văn luận văn để tiếp cận chi tiết bảng trọng số tối ưu, các biểu đồ sai số và mã nguồn phần mềm thực nghiệm.