Dự Đoán Thời Gian Học Tập Của Sinh Viên Trong Khóa Học Tiếng Anh Tại Trường Quốc Tế VNU

Bài toán dự đoán thời gian học tập của sinh viên tại trường quốc tế VNU-IS là một vấn đề quan trọng, đặc biệt… 52 trang · Vietnam National University · 2023.

• Tác giả: Nguyễn Thùy Anh
• Người hướng dẫn: Dr. Nguyễn Quang Thuan
• Trường học: Vietnam National University
• Chuyên ngành: Business Data Analytics
• Đề tài: Dự Đoán Thời Gian Học Tập Của Sinh Viên Trong Khóa Học Tiếng Anh Tại Trường Quốc Tế VNU
• Loại tài liệu: graduation project
• Năm xuất bản: 2023
• Địa điểm: Hanoi

Mục lục chi tiết

• ACKNOWLEDGEMENTS
• DECLARATION
• List of acronyms
• List of tables
• List of figures
• 1. CHAPTER 1: PROBLEM OF PREDICTING STUDENTS’ LEARNING TIME IN PRE-ENGLISH COURSE
• 1.1. Introduction to data mining
• 1.2. FEATURE ENGINEERING METHODS AND MACHINE LEARNING MODELS
• 1.2.1. Categorical data encoder
• 1.2.2. Support Vector Machine
• 1.2.3. Implementation tools: Python language using Google Colab
• 1.2.4. New features – grouping data
• 1.2.5. Exploratory data analysis (EDA)
• 1.2.6. Model construction and evaluation
• 1.2.7. New output label
• 1.2.8. Categorical feature encode
• 1.2.9. Principal Components Analysis (PCA)
• 1.2.10. Train-test split
• 1.2.11. Machine learning models implementation
• 1.2.12. Compare between two types of output labels
• 1.2.13. Models and data engineering result
• 1.2.14. PCA or no PCA?
• ABSTRACT

Tóm tắt

I. Tổng Quan Về Dự Đoán Thời Gian Học Tập VNU IS

Bài toán dự đoán thời gian học tập của sinh viên tại trường quốc tế VNU-IS là một vấn đề quan trọng, đặc biệt trong bối cảnh hội nhập quốc tế và yêu cầu cao về trình độ tiếng Anh. VNU-IS, với chương trình đào tạo bằng tiếng Anh, đòi hỏi sinh viên phải có trình độ tiếng Anh nhất định (B2). Nếu chưa đạt, sinh viên phải tham gia khóa dự bị. Việc dự đoán hiệu quả học tập và thời gian học tiếng Anh hiệu quả giúp nhà trường điều chỉnh chương trình phù hợp với từng đối tượng. Nghiên cứu này tập trung vào phân tích dữ liệu sinh viên năm 2020 để tìm ra các yếu tố ảnh hưởng đến thời gian học tập. Bài toán được định nghĩa là "Dự đoán Thời Gian Học Tập", sử dụng dữ liệu liên quan đến khả năng tiếng Anh ban đầu và thông tin khóa học dự bị để dự đoán thời gian học tập của sinh viên. Kết quả nghiên cứu có thể giúp VNU-IS điều chỉnh chương trình học phù hợp hơn với năng lực của sinh viên, nâng cao hiệu quả học tập và đáp ứng yêu cầu trình độ tiếng Anh đầu vào.

1.1. Sự Cần Thiết của Dự Đoán Hiệu Quả Học Tập

Việc dự đoán hiệu quả học tập không chỉ giúp VNU-IS cá nhân hóa lộ trình học tập cho sinh viên mà còn tối ưu hóa nguồn lực. Bằng cách xác định những sinh viên có nguy cơ gặp khó khăn, nhà trường có thể cung cấp sự hỗ trợ kịp thời, cải thiện kỹ năng học tiếng Anh và giảm thiểu tình trạng học lại. Điều này cũng góp phần nâng cao chất lượng đào tạo và uy tín của trường. Theo tài liệu gốc, "International School can consider those as the reference for future program adjustment." Phân tích dữ liệu giáo dục đóng vai trò quan trọng trong việc đưa ra quyết định dựa trên bằng chứng, thay vì chỉ dựa vào kinh nghiệm chủ quan.

1.2. Ứng Dụng Phân Tích Dữ Liệu Giáo Dục tại VNU IS

VNU-IS đang trên đà phát triển và có thể hưởng lợi từ việc ứng dụng phân tích dữ liệu giáo dục. Việc phân tích xu hướng, dấu hiệu đặc biệt và đặc điểm của việc học và dạy, sau đó thực hiện dự đoán về kết quả học tập của sinh viên mang lại nhiều lợi ích cho hệ thống giáo dục. VNU-IS có thể sử dụng các công cụ và dữ liệu hiện có (phòng lab, internet, dữ liệu sinh viên) để phân tích các vấn đề nhỏ, như chương trình dự bị tiếng Anh. Điều này giúp nhà trường thích ứng với khả năng tiếng Anh của sinh viên, tạo ra chương trình phù hợp hơn cho thế hệ sinh viên mới.

II. Thách Thức Yếu Tố Ảnh Hưởng Thời Gian Học Tiếng Anh

Việc dự đoán thời gian học tập không hề đơn giản. Có rất nhiều yếu tố ảnh hưởng đến khả năng và thời gian học tiếng Anh của sinh viên. Các yếu tố này có thể đến từ nền tảng tiếng Anh ban đầu, phương pháp học tập, môi trường học tập, và thậm chí cả các yếu tố cá nhân như động lực và khả năng tự học. Việc xác định chính xác các yếu tố này và mức độ ảnh hưởng của chúng là một thách thức lớn. Nghiên cứu này mong muốn trả lời các câu hỏi: Các yếu tố nào liên quan đến việc học tiếng Anh của sinh viên? Liệu những định kiến về nơi sinh, giới tính và chuyên ngành có liên quan đến khả năng tiếng Anh hay không? Những đặc điểm nào sẽ đánh giá khả năng và tốc độ học tiếng Anh của sinh viên trong tập dữ liệu này? Nhà trường có thể phân biệt khả năng và tốc độ học tập của sinh viên bằng các đặc điểm đã cho hay không?

2.1. Tầm Quan Trọng của Kỹ Năng Học Tiếng Anh

Ngoài nền tảng tiếng Anh, kỹ năng học tiếng Anh đóng vai trò then chốt. Sinh viên có kỹ năng tự học, quản lý thời gian tốt thường có thời gian học tập hiệu quả hơn. Các phương pháp học tiếng Anh hiệu quả như học từ vựng theo ngữ cảnh, luyện nghe thường xuyên, và thực hành giao tiếp cũng góp phần rút ngắn thời gian học tập. Theo tài liệu gốc, "... adjustment based on the actual situation of new students is necessary." Điều này nhấn mạnh sự cần thiết phải hiểu rõ điểm mạnh, điểm yếu của sinh viên để cá nhân hóa phương pháp giảng dạy.

2.2. Ảnh Hưởng của Yếu Tố Ảnh Hưởng Kết Quả Học Tiếng Anh

Các yếu tố ảnh hưởng kết quả học tiếng Anh không chỉ giới hạn trong lớp học. Môi trường sống, áp lực từ gia đình, và các yếu tố tâm lý cũng có thể tác động đến quá trình học tập. Nghiên cứu cần xem xét các yếu tố này để có cái nhìn toàn diện hơn. Việc xác định và giảm thiểu các yếu tố ảnh hưởng tiêu cực là một trong những mục tiêu quan trọng của nghiên cứu này. Điều này cho phép nhà trường chủ động hơn trong việc hỗ trợ sinh viên.

III. Phương Pháp Mô Hình Dự Đoán Kết Quả Học Tập Tiếng Anh

Nghiên cứu này sử dụng các mô hình dự đoán kết quả học tập dựa trên học máy trong giáo dục. Các thuật toán như Random Forest, Support Vector Machine (SVM), và K-Nearest Neighbors (KNN) được áp dụng để phân tích dữ liệu và dự đoán thời gian học tập của sinh viên. Quá trình bao gồm các bước: thu thập và chuẩn bị dữ liệu, tiền xử lý dữ liệu (làm sạch, chọn lọc đặc trưng, mã hóa danh mục), phân tích dữ liệu thăm dò (EDA), xây dựng và đánh giá mô hình. Việc lựa chọn mô hình phù hợp và tinh chỉnh các tham số là yếu tố then chốt để đạt được kết quả dự đoán chính xác.

3.1. Ứng Dụng Thuật Toán Dự Đoán Kết Quả Học Tập

Việc sử dụng thuật toán dự đoán kết quả học tập cho phép nhà trường xác định những sinh viên có nguy cơ cần hỗ trợ và đưa ra các biện pháp can thiệp kịp thời. Các thuật toán này có thể được huấn luyện bằng dữ liệu lịch sử để dự đoán thời gian học tập cần thiết để sinh viên đạt được trình độ tiếng Anh mong muốn. Điều này giúp nhà trường phân bổ nguồn lực hiệu quả hơn và cải thiện hiệu quả học tập của sinh viên.

3.2. Học Máy trong Giáo Dục Quy Trình Xây Dựng Mô Hình

Quá trình xây dựng mô hình sử dụng học máy trong giáo dục bao gồm nhiều bước quan trọng. Đầu tiên là thu thập và chuẩn bị dữ liệu, bao gồm việc làm sạch, xử lý các giá trị thiếu và chuyển đổi dữ liệu về định dạng phù hợp. Tiếp theo là chọn lọc các đặc trưng quan trọng nhất, sử dụng các phương pháp như PCA để giảm chiều dữ liệu và loại bỏ các đặc trưng không liên quan. Cuối cùng là xây dựng và đánh giá mô hình sử dụng các thuật toán học máy khác nhau.

IV. Ứng Dụng AI Giải Pháp Dự Đoán Thời Gian Học Tập Hiệu Quả

Việc ứng dụng AI trong giáo dục mở ra nhiều cơ hội để cải thiện quá trình học tập. AI có thể được sử dụng để cá nhân hóa lộ trình học tập, cung cấp phản hồi tức thì, và dự đoán thời gian học tập cần thiết để đạt được mục tiêu. Trong bối cảnh nghiên cứu này, AI có thể giúp VNU-IS xây dựng một hệ thống dự đoán tự động, giúp nhà trường quản lý và hỗ trợ sinh viên hiệu quả hơn. Tuy nhiên, cần lưu ý rằng việc triển khai AI cần được thực hiện cẩn thận, đảm bảo tính minh bạch và công bằng.

4.1. Phân Tích Dữ Liệu Giáo Dục với Công Cụ AI

AI có thể được sử dụng để phân tích dữ liệu giáo dục một cách nhanh chóng và hiệu quả. Các công cụ AI có thể tự động tìm ra các mẫu và xu hướng trong dữ liệu, giúp nhà trường hiểu rõ hơn về nhu cầu và khả năng của sinh viên. Điều này cho phép nhà trường đưa ra các quyết định dựa trên bằng chứng, thay vì chỉ dựa vào kinh nghiệm chủ quan.

4.2. Ứng Dụng AI trong Giáo Dục Cá Nhân Hóa Lộ Trình Học Tập

Một trong những ứng dụng tiềm năng nhất của AI trong giáo dục là cá nhân hóa lộ trình học tập. AI có thể phân tích dữ liệu về hiệu suất học tập của sinh viên để xác định điểm mạnh, điểm yếu và phong cách học tập ưa thích. Dựa trên thông tin này, AI có thể tạo ra một lộ trình học tập riêng biệt cho từng sinh viên, giúp họ học tập hiệu quả hơn.

V. Kết Quả Tối Ưu Thời Gian Học Tập Tiếng Anh VNU IS

Kết quả nghiên cứu này có thể giúp VNU-IS tối ưu hóa thời gian học tập của sinh viên trong khóa học tiếng Anh. Bằng cách xác định các yếu tố ảnh hưởng đến thời gian học tập và xây dựng các mô hình dự đoán chính xác, nhà trường có thể đưa ra các biện pháp can thiệp kịp thời, giúp sinh viên đạt được mục tiêu học tập một cách hiệu quả nhất. Ngoài ra, kết quả nghiên cứu còn có thể được sử dụng để đánh giá và cải thiện chất lượng chương trình đào tạo tiếng Anh của trường.

5.1. Đánh Giá Hiệu Quả Khóa Học Tiếng Anh Dựa Trên Dữ Liệu

Nghiên cứu này cung cấp một phương pháp tiếp cận dựa trên dữ liệu để đánh giá hiệu quả khóa học tiếng Anh tại VNU-IS. Bằng cách phân tích dữ liệu về thời gian học tập và kết quả thi của sinh viên, nhà trường có thể xác định những điểm mạnh, điểm yếu của chương trình và đưa ra các điều chỉnh phù hợp. Điều này giúp nhà trường cải thiện chất lượng chương trình và đáp ứng tốt hơn nhu cầu của sinh viên.

5.2. Phương Pháp Học Tiếng Anh Hiệu Quả Cho Sinh Viên VNU IS

Nghiên cứu này có thể giúp xác định các phương pháp học tiếng Anh hiệu quả nhất cho sinh viên VNU-IS. Bằng cách phân tích dữ liệu về cách sinh viên học tập và kết quả học tập của họ, nhà trường có thể tìm ra các phương pháp phù hợp với từng đối tượng và khuyến khích sinh viên áp dụng. Điều này giúp sinh viên học tập hiệu quả hơn và đạt được mục tiêu của mình.

VI. Tương Lai Phát Triển Hệ Thống Dự Đoán Toàn Diện VNU IS

Nghiên cứu này là một bước khởi đầu quan trọng trong việc xây dựng một hệ thống dự đoán toàn diện tại VNU-IS. Trong tương lai, nhà trường có thể mở rộng phạm vi nghiên cứu, thu thập thêm dữ liệu, và sử dụng các mô hình phức tạp hơn để dự đoán nhiều khía cạnh khác nhau của quá trình học tập. Mục tiêu cuối cùng là xây dựng một hệ thống AI thông minh, có thể hỗ trợ sinh viên một cách toàn diện, từ việc chọn ngành học đến việc tìm kiếm việc làm.

6.1. Mở Rộng Nghiên Cứu Về Dự Đoán Kết Quả Học Tập

Nghiên cứu này chỉ tập trung vào khóa học tiếng Anh, trong tương lai có thể mở rộng nghiên cứu về dự đoán kết quả học tập cho các môn học khác tại VNU-IS. Điều này sẽ giúp nhà trường có cái nhìn toàn diện hơn về năng lực của sinh viên và đưa ra các biện pháp hỗ trợ phù hợp.

6.2. Dự Đoán Phát Triển Kỹ Năng Mềm Cho Sinh Viên VNU IS

Ngoài việc dự đoán kết quả học tập, hệ thống dự đoán cũng có thể được sử dụng để giúp sinh viên phát triển các kỹ năng mềm cần thiết cho sự thành công trong tương lai. Bằng cách phân tích dữ liệu về tính cách, sở thích và kinh nghiệm của sinh viên, hệ thống có thể đưa ra các khuyến nghị về các hoạt động ngoại khóa, các khóa học bổ sung và các cơ hội thực tập phù hợp.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Tại Trường Quốc tế – Đại học Quốc gia Hà Nội (VNU-IS), toàn bộ các chương trình đào tạo cử nhân đều được giảng dạy bằng tiếng Anh, bao gồm cả các chương trình liên kết đào tạo song bằng và các ngành công nghệ dữ liệu mới. Nhằm đảm bảo chất lượng tiếp thu kiến thức chuyên ngành, nhà trường yêu cầu sinh viên phải đạt trình độ tiếng Anh đầu vào tương đương bậc B2 (hoặc sở hữu các chứng chỉ quốc tế hợp lệ như IELTS, TOEFL, TOEIC). Những sinh viên chưa có chứng chỉ tại thời điểm nhập học bắt buộc phải tham gia khóa đào tạo tiếng Anh dự bị (Pre-English course). Khóa học này tổ chức bài kiểm tra năng lực đầu vào (placement test) bao gồm ba kỹ năng Nghe, Đọc, Viết để phân bổ sinh viên vào 5 cấp độ: Foundation, Level 1, Level 2, Level 3 và Level 4. Toàn bộ lộ trình dự bị gồm tối đa 5 đợt học (intakes), kéo dài trong khoảng thời gian tối đa là 10 tháng.

Việc kéo dài thời gian học tiếng Anh dự bị ảnh hưởng trực tiếp đến kế hoạch học tập toàn khóa của sinh viên, làm phát sinh thêm chi phí tài chính và gia tăng áp lực tâm lý, có thể dẫn đến nguy cơ bỏ học. Để hỗ trợ nhà trường trong công tác quản lý đào tạo, đánh giá hiệu quả chương trình và can thiệp kịp thời đối với sinh viên có tốc độ học chậm, đề tài nghiên cứu tập trung giải quyết bài toán: Dự đoán thời gian học tập của sinh viên trong khóa học tiếng Anh dự bị tại VNU-IS (Students’ Learning Time Prediction).

Các câu hỏi và nhiệm vụ nghiên cứu được tác giả xác định cụ thể gồm:

1. Những yếu tố nào có mối liên hệ với quá trình học tiếng Anh của sinh viên?
2. Các định kiến về nơi sinh, giới tính và ngành học có thực sự liên quan đến năng lực tiếng Anh hay không?
3. Những đặc trưng nào trong tập dữ liệu có khả năng đánh giá năng lực và tốc độ học tiếng Anh của sinh viên?
4. Nhà trường có thể phân loại năng lực và tốc độ học tập của sinh viên dựa trên các đặc trưng đã cho hay không?

• Đối tượng nghiên cứu: Năng lực tiếng Anh ban đầu, kết quả bài thi kiểm tra trình độ đầu vào, thông tin tuyển sinh, kết quả học tập THPT và thời gian hoàn thành khóa học tiếng Anh dự bị của sinh viên.
• Phạm vi nghiên cứu: Dữ liệu sinh viên khóa tuyển sinh năm 2020 do Phòng Đào tạo Trường Quốc tế – Đại học Quốc gia Hà Nội cung cấp.

---

Cơ sở lý thuyết và phương pháp

Khóa luận áp dụng quy trình khai phá dữ liệu giáo dục (Educational Data Mining - EDM) tiêu chuẩn, bao gồm các bước: thu thập dữ liệu, tiền xử lý và làm sạch dữ liệu, kỹ thuật đặc trưng (feature engineering), phân tích khám phá dữ liệu (EDA), xây dựng mô hình học máy phân loại có giám sát và đánh giá kết quả.

Kỹ thuật đặc trưng và xử lý dữ liệu

• Làm sạch dữ liệu: Xử lý các giá trị khuyết thiếu (missing values), loại bỏ các bản ghi không phù hợp và chuẩn hóa các lỗi nhập liệu văn bản tiếng Việt không đồng nhất.
• Mã hóa biến phân loại (Categorical Data Encoding): Sử dụng ba kỹ thuật gồm Label Encoder (gán nhãn số tự động), One-Hot Encoder (tạo biến giả nhị phân) và phương thức thay thế có kiểm soát NumPy replace (thiết lập thứ bậc có chủ đích cho các biến thứ tự).
• Trích xuất đặc trưng (Feature Extraction): Sử dụng phương pháp Phân tích thành phần chính (Principal Component Analysis - PCA) với ngưỡng giữ lại 85% phương sai tích lũy, kết hợp chuẩn hóa dữ liệu đầu vào bằng StandardScaler ($\mu = 0, \sigma = 1$).

Thuật toán học máy

Nghiên cứu thử nghiệm ba mô hình học máy phân loại có giám sát:

• Random Forest (RF): Mô hình học kết hợp dạng bagging, thiết lập tham số độ sâu tối đa max_depth = 2.
• Support Vector Machine (SVM): Bộ phân loại tìm siêu phẳng phân tách cực đại, sử dụng hàm nhân tuyến tính (linear kernel).
• K-Nearest Neighbors (KNN): Bộ phân loại dựa trên khoảng cách láng giềng gần nhất, thiết lập k = 3 cho bài toán 3 lớp và k = 5 cho bài toán 5 lớp.

Phương pháp phân chia dữ liệu và chỉ số đánh giá

• Phân chia dữ liệu: Tỷ lệ Train:Test là 80:20. Để xử lý tình trạng mất cân bằng giữa các lớp nhãn đầu ra, tác giả sử dụng phương pháp phân chia phân tầng thủ công (manual stratified split), đảm bảo mỗi tập con đều chứa chính xác 80% dữ liệu huấn luyện và 20% dữ liệu kiểm thử của từng lớp, thực hiện lặp lại trên 5 tập dữ liệu kiểm thử độc lập.
• Chỉ số đánh giá: Độ chính xác tổng thể (Accuracy), điểm cân bằng điều hòa F1-score, độ chuẩn xác (Precision) và độ nhạy (Recall).
• Công cụ triển khai: Ngôn ngữ lập trình Python trên môi trường Google Colab với các thư viện Scikit-learn, Pandas, NumPy, Matplotlib; phần mềm Tableau phục vụ trực quan hóa dữ liệu khám phá (EDA).

---

Nội dung chính theo từng chương

Chương 1: Problem of Predicting Students’ Learning Time in Pre-English Course

Chương này mô tả bối cảnh đào tạo của Trường Quốc tế – ĐHQGHN, cấu trúc khóa học tiếng Anh dự bị gồm 5 đợt học (tối đa 10 tháng) và đặt vấn đề ứng dụng khai phá dữ liệu trong giáo dục. Tác giả tiếp nhận tập dữ liệu gốc từ Phòng Đào tạo gồm 43 đặc trưng thuộc 5 nhóm thông tin:

• Nhân khẩu học và thông tin cá nhân sinh viên (6 đặc trưng: Ngày sinh, Giới tính, CMND, Ngành học, Số điện thoại, Nơi sinh).
• Thông tin chứng chỉ (7 đặc trưng: Ngày thi, Ngày nộp, Trạng thái chứng chỉ, Loại chứng chỉ nộp, Điểm chứng chỉ, Tình trạng học tập, Ghi chú).
• Thông tin khóa học tiếng Anh dự bị (18 đặc trưng: Điểm Nghe /30, Điểm Đọc /35, Điểm Viết /30; Cấp độ, Lớp học và Điểm số của từng đợt từ Intake 1 đến Intake 5).
• Thông tin tuyển sinh đại học (10 đặc trưng: Mã tổ hợp xét tuyển, Thứ tự nguyện vọng VNU-IS, Tổng điểm xét tuyển, Môn 1, Điểm môn 1, Môn 2, Điểm môn 2, Môn 3, Điểm môn 3, Phương thức trúng tuyển).
• Kết quả học tập THPT (3 đặc trưng: Hạnh kiểm, Học lực, Điểm trung bình lớp 12).

Chương 2: Feature Engineering Methods and Machine Learning Models

Chương 2 hệ thống hóa cơ sở lý thuyết về 4 giai đoạn của kỹ thuật đặc trưng: làm sạch dữ liệu, biến đổi dữ liệu, lựa chọn đặc trưng và trích xuất đặc trưng. Nội dung chương phân tích chi tiết cơ chế hoạt động, ưu và nhược điểm của các bộ mã hóa dữ liệu danh mục (Label Encoder, One-Hot Encoder, NumPy replace). Chương này cũng trình bày nguyên lý toán học của phương pháp trích xuất đặc trưng PCA (chuẩn hóa dữ liệu, tính ma trận hiệp phương sai, trị riêng, vector riêng và phương sai giải thích tích lũy) cùng cơ chế của ba thuật toán phân loại RF, SVM, KNN và các độ đo hiệu năng (Accuracy, Recall, Precision, F1-score).

Chương 3: Experiments

Chương 3 trình bày toàn bộ quá trình thực nghiệm xử lý dữ liệu và huấn luyện mô hình:

1. Lọc chọn dữ liệu ban đầu: Loại bỏ 332 bản ghi thiếu dữ liệu tuyển sinh, 63 sinh viên đã có chứng chỉ lúc nhập học và 80 sinh viên bỏ học không có chứng chỉ, thu được tập dữ liệu hợp lệ gồm 893 bản ghi.
2. Gán nhãn dữ liệu mục tiêu: Dựa trên dữ liệu xếp lớp và thời điểm nộp chứng chỉ, tác giả tạo cột nhãn Intake (giá trị từ 1 đến 5).
3. Làm sạch và lựa chọn đặc trưng:
   • Xử lý nhiễu văn bản tại cột "Place of birth" (POB) do lỗi gõ dấu và định dạng tên tỉnh/thành phố không thống nhất.
   • Điền 16 bản ghi mang giá trị "0" ở cột Hạnh kiểm (Conduct) và Học lực (Performance) thành giá trị "Khá".
   • Loại bỏ các đặc trưng định danh (Ngày sinh, CMND, SĐT), các đặc trưng chỉ dùng đối soát, đặc trưng đơn trị (Subject 1), đặc trưng quá mất cân bằng (Conduct gồm 862 "Tốt" và 32 "Khá") và các biến xếp lớp từ Intake 2 đến Intake 5 để tránh rò rỉ dữ liệu (data leakage). Giữ lại biến Intake 1 level làm đặc trưng xuất phát điểm. Tập dữ liệu sau bước này gồm 893 bản ghi và 18 cột.
4. Tạo đặc trưng mới bằng phương pháp gom nhóm:
   • POB (44 giá trị) gom thành 5 vùng miền (Birth Region): Tây Bắc/Miền Nam (TBB), Đông Bắc (ĐBB), Đồng bằng sông Hồng (ĐBSH), Hà Nội/Nước ngoài, Miền Trung (Trung).
   • Major gom thành 4 nhóm ngành (Major type): Kinh doanh quốc tế (IB); Kế toán, Phân tích và Kiểm toán (AC); Công nghệ thông tin (IT); Song bằng (2D).
   • Subject group code gom thành 3 khối xét tuyển (Subject group): A00, A01 và Khối Xã hội (Social gồm D01, D03, D06, D96).
5. Phân tích khám phá dữ liệu (EDA):
   • Khối thi có môn tiếng Anh và không có tiếng Anh: Nhóm có tiếng Anh (A01, Social) chỉ có 36% sinh viên bắt đầu ở cấp độ Foundation, 25% đạt Level 2-3 và 50% hoàn thành chứng chỉ trong 3 đợt đầu (khoảng 1 học kỳ). Ngược lại, nhóm không có tiếng Anh (A00) có tới 70% bắt đầu ở cấp độ Foundation, chỉ 6-7% đạt Level 2-3 và 80% phải mất cả 2 học kỳ (4-5 đợt) mới hoàn thành chứng chỉ.
   • Điểm thi đại học so với bài kiểm tra xếp lớp: Trong số 699 sinh viên, có 466 sinh viên (khoảng 66%) đạt điểm thi tốt nghiệp môn tiếng Anh từ 7 trở lên. Tuy nhiên, bài kiểm tra xếp lớp cho thấy điểm kỹ năng Nghe của nhóm này phần lớn chỉ đạt 5-16/30; điểm Viết phân tán rộng và chỉ có kỹ năng Đọc đạt mức khá (19-32/35).
   • Điểm xếp lớp theo tốc độ học: Nhóm học chậm (4-5 đợt) có điểm kỹ năng Nghe rất thấp (chỉ đạt 3-11/30) và kỹ năng Viết cũng giảm rõ rệt.
6. Thử nghiệm mô hình và so sánh nhãn:
   • Tác giả tái cấu trúc nhãn mục tiêu từ 5 lớp (Intake 1 đến 5) thành 3 lớp (Learning speed: Nhanh = 1; Trung bình = 2 & 3; Chậm = 4 & 5). Kết quả cho thấy bài toán 3 lớp nâng cao độ chính xác của cả ba mô hình từ 10% đến 15%.
   • Thử nghiệm trên 4 định dạng dữ liệu mã hóa: LE (17 cột), OHE (83 cột), Enhy (31 cột), Enoh (38 cột).
   • Đánh giá hiệu quả của PCA: Giữ 85% phương sai chỉ giúp cải thiện kết quả phân loại trong 38% số lần thử nghiệm; đối với mô hình Random Forest, PCA làm suy giảm mạnh khả năng phân loại lớp 2 và lớp 3. Do đó, PCA không được khuyến nghị sử dụng cho tập dữ liệu này.

---

Kết quả và đóng góp

Kết quả định lượng

Bảng tổng hợp số lượng đặc trưng và số thành phần chính sau khi áp dụng PCA (giữ 85% phương sai):

Tập dữ liệu và phương pháp mã hóa	Ký hiệu	Số lượng cột đặc trưng đầu vào	Số thành phần chính PCA (85% phương sai)
Dữ liệu gốc + Label Encoder	LE	17	9
Dữ liệu gốc + One-Hot Encoder	OHE	83	49
Dữ liệu mới gom nhóm + Phương pháp lai (Hybrid)	Enhy	31	14
Dữ liệu mới gom nhóm + One-Hot Encoder	Enoh	38	16

• Hiệu năng chuyển đổi nhãn mục tiêu: Việc gộp từ 5 lớp sang 3 lớp tốc độ học giúp độ chính xác của RF, SVM và KNN tăng từ 10% đến 15%. Điểm F1-score của lớp "Trung bình" ở mô hình Random Forest tăng từ 0% lên mức 10-20%.
• So sánh các mô hình học máy:
  1. Support Vector Machine (SVM): Đạt hiệu năng tốt nhất và ổn định nhất, độ chính xác trung bình đạt khoảng 75%, phân tách tốt lớp trung bình (lớp 2) với F1-score vượt trội hơn hẳn so với RF.
  2. K-Nearest Neighbors (KNN): Xếp thứ hai, hoạt động hiệu quả nhất trên tập dữ liệu mã hóa One-Hot (OHE) với độ lệch chuẩn thấp và giá trị trung bình cao.
  3. Random Forest (RF): Hiệu năng kém nhất trong bài toán này do độ sâu bị giới hạn (max_depth = 2), thường xuyên thất bại trong việc nhận diện lớp 2 (F1-score bằng 0 ở hầu hết các lần chạy).

Đóng góp thực tiễn và giải pháp đề xuất

• Khẳng định tính cần thiết của bài kiểm tra xếp lớp (placement test) đầu khóa học do điểm thi đại học môn tiếng Anh chưa phản ánh khách quan năng lực thực tế ở hai kỹ năng Nghe và Viết.
• Đề xuất nhà trường điều chỉnh phân bổ lớp học dựa trên trình độ kỹ năng cụ thể (đặc biệt là Nghe và Viết) thay vì chỉ căn cứ vào tổng điểm kiểm tra đầu vào.
• Đề xuất giải pháp theo dõi và hỗ trợ học tập sớm đối với nhóm sinh viên xét tuyển từ các khối thi không có môn tiếng Anh (như khối A00) nhằm giảm thiểu tỷ lệ kéo dài thời gian học tập.

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Tập dữ liệu nghiên cứu chỉ giới hạn trong phạm vi một năm học (khóa tuyển sinh 2020) với quy mô sau làm sạch là 893 bản ghi, chưa bao quát được sự biến động năng lực của sinh viên qua nhiều năm tuyển sinh khác nhau.
  • Nghiên cứu chỉ tập trung vào kỹ thuật đặc trưng và sử dụng các tham số mô hình mặc định cơ bản, chưa áp dụng các phương pháp tối ưu hóa siêu tham số tự động như GridSearchCV hay RandomizedSearchCV.
• Hướng nghiên cứu tiếp:
  • Mở rộng tập dữ liệu thực nghiệm sang các khóa tuyển sinh tiếp theo của VNU-IS để kiểm chứng và nâng cao độ khái quát hóa của quy trình xử lý.
  • Nghiên cứu tinh chỉnh sâu các siêu tham số cho mô hình Support Vector Machine (SVM) nhằm tối ưu hóa hiệu năng phân loại dự đoán thời gian học tập.

---

Giá trị tham khảo

Tài liệu này là nguồn tham khảo hữu ích cho:

• Sinh viên và nhà nghiên cứu ngành Phân tích Dữ liệu Kinh doanh (Business Data Analysis), Khoa học Dữ liệu và Công nghệ Thông tin: Tham khảo quy trình khai phá dữ liệu giáo dục thực tế, các phương pháp xử lý dữ liệu bảng có lỗi văn bản tiếng Việt và kỹ thuật gom nhóm đặc trưng phân loại có độ phân mảnh cao.
• Cán bộ quản lý đào tạo tại các trường đại học quốc tế: Tham khảo căn cứ thực nghiệm về sự khác biệt giữa điểm thi tốt nghiệp THPT và bài thi đánh giá năng lực thực tế, từ đó xây dựng kế hoạch sắp xếp lộ trình tiếng Anh dự bị phù hợp cho từng nhóm đối tượng người học.

---

Câu hỏi thường gặp

1. Tập dữ liệu sau khi sàng lọc còn lại bao nhiêu bản ghi và những trường hợp nào bị loại bỏ?

Tập dữ liệu sau khi lọc chọn còn lại 893 bản ghi hợp lệ. Tác giả đã loại bỏ 475 bản ghi không phù hợp, gồm: 332 bản ghi thiếu dữ liệu tuyển sinh, 63 bản ghi sinh viên đã có chứng chỉ ngoại ngữ tại thời điểm nhập học và 80 bản ghi sinh viên bỏ học khi chưa có chứng chỉ.

2. Sự khác biệt về kết quả học tiếng Anh giữa nhóm sinh viên thi khối có tiếng Anh và không có tiếng Anh là gì?

Nhóm sinh viên thi khối có tiếng Anh (A01, Social) có 36% bắt đầu ở mức Foundation, 25% bắt đầu ở mức Level 2-3 và 50% hoàn thành chứng chỉ trong 3 đợt đầu (1 học kỳ). Ngược lại, nhóm thi khối không có tiếng Anh (A00) có tới 70% xuất phát ở mức Foundation, chỉ 6-7% đạt Level 2-3 và có đến 80% phải mất từ 4 đến 5 đợt học (2 học kỳ) mới hoàn thành chứng chỉ.

3. Việc gom nhóm từ 5 lớp sang 3 lớp nhãn đầu ra mang lại hiệu quả như thế nào?

Việc chuyển đổi nhãn mục tiêu từ 5 lớp (Intake 1 đến 5) sang 3 lớp tốc độ học (Learning speed: Nhanh, Trung bình, Chậm) giúp độ chính xác của cả ba mô hình (RF, SVM, KNN) tăng từ 10% đến 15%, đồng thời cải thiện chỉ số F1-score ở nhóm sinh viên có tốc độ học trung bình.

4. Tại sao tác giả kết luận không nên áp dụng PCA cho bài toán này?

Thực nghiệm cho thấy việc áp dụng PCA giữ 85% phương sai tích lũy chỉ cải thiện độ chính xác trong 38% số lần thử nghiệm so với khi sử dụng dữ liệu gốc. Đồng thời, PCA làm suy giảm nghiêm trọng khả năng phân loại lớp 2 và lớp 3 ở mô hình Random Forest, do 85% phương sai giữ lại không chứa đủ các thành phần thông tin giúp phân tách hai nhóm này.

5. Trong ba mô hình học máy được thử nghiệm, mô hình nào đạt hiệu năng cao nhất và thấp nhất?

Mô hình Support Vector Machine (SVM) đạt hiệu năng cao nhất với độ chính xác khoảng 75% và phân loại đồng đều giữa các lớp. Mô hình Random Forest (RF) có hiệu năng thấp nhất do hạn chế về tham số độ sâu cây (max_depth = 2), dẫn đến việc hoàn toàn không phân loại được nhóm sinh viên có tốc độ học trung bình (F1-score của lớp 2 bằng 0%).

---

Kết luận

Khóa luận của tác giả Nguyễn Thùy Anh đã thực hiện hoàn chỉnh quy trình khai phá dữ liệu giáo dục nhằm giải quyết bài toán dự đoán thời gian học tiếng Anh dự bị của sinh viên Trường Quốc tế – ĐHQGHN. Thông qua các kỹ thuật tiền xử lý dữ liệu thực tế, phân tích khám phá và tái cấu trúc nhãn mục tiêu từ 5 lớp thành 3 lớp, nghiên cứu đã nâng cao độ chính xác phân loại của các mô hình học máy từ 10% đến 15%. Trong số các thuật toán thử nghiệm, mô hình Support Vector Machine (SVM) mang lại hiệu quả phân loại tốt nhất và ổn định nhất, cung cấp cơ sở dữ liệu thực nghiệm quan trọng phục vụ công tác điều chỉnh chương trình đào tạo của nhà trường.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT FEATURE ENGINEERING AND MACHINE LEARNING MODELS FOR STUDENTS’ LEARNING TIME PREDICTION IN ENGLISH COURSE AT VNU-IS Student’s name Nguyễn Thùy Anh Hanoi - Year 2023 VIETNAM NATIONAL UNIVERSITY, HANOI INTERNATIONAL SCHOOL GRADUATION PROJECT FEATURE ENGINEERING AND MACHINE LEARNING MODELS FOR STUDENTS’ LEARNING TIME PREDICTION IN ENGLISH COURSE AT VNU-IS SUPERVISOR: Dr. Nguyen Quang Thuan STUDENT: Nguyen Thuy Anh STUDENT ID: 20070896 COHORT: SUBJECT CODE: MAJOR: Business Data Analysis Hanoi - Year 2023 ACKNOWLEDGEMENTS I would like to express my gratitude to my thesis advisor Dr. Nguyen Quang Thuan for his enthusiastic and thoughtful help throughout the research process of this graduation thesis. Thanks to that guidance, I received a lot of helpful knowledge and became more self-employed with my chosen major.

I would like to thank the Faculty of Applied Science for providing resources and the learning environment to help carry out this thesis research. I am greatly appreciative for the knowledge that I received from all the teachers during my undergraduate learning under International School. I would like to thank my family and friends for their help and support during this long journey. The graduation thesis is a long and difficult work; without anyone's companionship, I would not have been able to go through this journey completely.

My gratitude to you all for being one part of my academic milestone. DECLARATION I, Nguyen Thuy Anh, hereby declare that this thesis, titled “Feature engineering and machine learning models for students’ learning time prediction in English course at VNU-IS”, submitted partially to fulfill the requirements for the degree of Business Data Analytics at International School, Vietnam National University, Hanoi, is my original work. This thesis's ideas, data, and information are sourced and referenced appropriately. This thesis represents my independent thinking and understanding of the subject matter without falsifying, fabricating, or manipulating data or results.

All images, figures, tables, and other materials used in this thesis are either created by myself or sourced from the public domain or with proper permissions and acknowledgments from the original creators. I understand that any violation of the above declarations may result in consequences as per the academic policies and integrity guidelines of International School, Vietnam National University, Hanoi. Nguyen Thuy Anh 2023 List of acronyms Acronym Meaning VNU-IS International School – Vietnam National University DOB Date of birth POB Place of birth EDA Explore data analysis RF Random Forest SVM Support Vector Machine KNN K-Nearest Neighbors PCA Principal Component Analysis List of tables Table no.1 VNU-IS dataset 1.2 Data Mining processes 1.1 Original data after cleaning 3.2 Datasets used for model training List of figures Figure no.1 VNU-IS pre-English course 2.1 Feature selection techniques 2.1 Data labelling example 3.2 Starting levels with Birth Region 3.3 Major and Major type number 3.4 Starting levels with subject groups 3.5 Data features distribution 3.6 English and no-English 3.7 Uni exam and placement test scores 3.8 Intake’s placement test scores 3.9 Output classes student number 3.10 5 classes and 3 classes 3.11 Random Forest 5 and 3 classes 3.12 Feature engineering and RF 3.13 Feature engineering and SVM 3.14 Feature engineering and KNN 3.16 PCA in RF 3.17 PCA in SVM 3.18 PCA scatter plot with LE TABLE OF CONTENTS CHAPTER 1. PROBLEM OF PREDICTING STUDENTS’ LEARNING TIME IN PRE-ENGLISH COURSE.

Introduction to data mining. FEATURE ENGINEERING METHODS AND MACHINE LEARNING MODELS. Categorical data encoder. Support Vector Machine.

Implementation tools: Python language using Google Colab. New features – grouping data. Exploratory data analysis (EDA). Model construction and evaluation.

New output label. Categorical feature encode. Principal Components Analysis (PCA). Train-test split.

Machine learning models implementation. Compare between two types of output labels. Models and data engineering result. PCA or no PCA?.

41 ABSTRACT Data mining brings insight and benefits to many aspects of life, including education. Analyzing trends, special signs, and characteristics of learning and teaching and then performing predictions about student performance has brought many benefits to the education system.