Giải pháp gợi ý trong cố vấn học tập: Nghiên cứu luận án tiến sĩ

Luận án tiến sĩ phân tích giải pháp gợi ý trong việc cố vấn học tập, xây dựng cơ sở lý luận, kiểm chứng thực nghiệm, đóng góp tri thức mới cho ngành.

• Tác giả: Huỳnh Lý Thanh Nhàn
• Người hướng dẫn: PGS. Nguyễn Thái Nghe
• Trường học: Trường Đại Học Lạc Hồng
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Giải Pháp Gợi Ý Hiệu Quả Cho Cố Vấn Học Tập Trong Luận Án Tiến Sĩ
• Loại tài liệu: luận án
• Năm xuất bản: 2024
• Địa điểm: Đồng Nai

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của luận án
• 1.2. Bài toán nghiên cứu
• 1.3. Sự tương quan giữa bài toán xếp hạng và bài toán dự đoán kết quả học tập
• 1.4. Bài toán dự đoán kết quả học tập của sinh viên
• 1.5. Gợi ý lựa chọn môn học tự chọn
• 1.6. Thách thức của bài toán nghiên cứu
• 1.7. Các vấn đề nghiên cứu
• 1.8. Mục tiêu nghiên cứu và hướng tiếp cận của luận án
• 1.9. Đối tượng, phương pháp và phạm vi nghiên cứu
• 1.10. Các đóng góp của luận án
• 1.11. Bố cục của luận án
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Các nghiên cứu liên quan
• 2.1.1. Các nghiên cứu về khai thác dữ liệu giáo dục
• 2.1.2. Các nghiên cứu về hệ thống gợi ý
• 2.1.3. Các nghiên cứu về dự đoán năng lực học tập của sinh viên
• 2.1.4. Các nghiên cứu về cải tiến các mô hình dự đoán
• 2.1.5. Các nghiên cứu về tích hợp mối quan hệ dữ liệu
• 2.2. Tổng quan về hệ thống gợi ý
• 2.2.1. Giới thiệu về hệ thống gợi ý
• 2.2.2. Các lĩnh vực ứng dụng của hệ thống gợi ý
• 2.2.3. Giới thiệu hệ thống trợ giảng thông minh
• 2.2.4. Các nguồn tài nguyên về hệ thống gợi ý
• 2.2.5. Các hướng tiếp cận để xây dựng hệ thống gợi ý
• 2.3. Bài toán dự đoán kết quả học tập của sinh viên
• 2.3.1. Dự đoán theo cá nhân hóa
• 2.3.2. Dự đoán quy luật chung (không cá nhân hóa)
• 2.3.3. Các giải pháp gợi ý của cố vấn học tập
• 2.3.4. Tổng kết chương
• 3. CHƯƠNG 3: DỰ ĐOÁN KẾT QUẢ HỌC TẬP CỦA SINH VIÊN THEO HƯỚNG TIẾP CẬN HỆ THỐNG GỢI Ý
• 3.1. Giải bài toán dự đoán kết quả học tập sinh viên theo hướng tiếp cận hệ thống gợi ý
• 3.1.1. Phát biểu bài toán hệ thống gợi ý trong ngữ cảnh giáo dục
• 3.1.2. Quy trình xây dựng hệ thống gợi ý
• 3.1.3. Đánh giá hệ thống gợi ý
• 3.1.4. Độ đánh giá độ chính xác của dự đoán kết quả học tập
• 3.2. Phương pháp lọc cộng tác dựa vào sinh viên tương tự (Student-kNNs)
• 3.3. Phương pháp lọc cộng tác dựa vào môn học tương tự (Course-kNNs)
• 3.4. Phương pháp phân rã ma trận trong dự đoán kết quả học tập sinh viên (PSP-MF)
• 3.5. Phương pháp phân rã ma trận thiên vị - Biased Matrix Factorization
• 3.6. Đánh giá kết quả
• 3.6.1. Tập dữ liệu
• 3.6.2. Cài đặt thực nghiệm
• 3.6.3. Kết quả thử nghiệm
• 3.7. Tổng kết chương
• 4. CHƯƠNG 4: CÁC MÔ HÌNH PHÂN RÃ SÂU MA TRẬN ĐỂ DỰ ĐOÁN KẾT QUẢ HỌC TẬP CỦA SINH VIÊN
• 4.1. Bài toán nghiên cứu
• 4.2. Kỹ thuật phân rã sâu ma trận trong bài toán dự đoán kết quả học tập của sinh viên (Deep Matrix Factorization for Student Performance Prediction)
• 4.2.1. Phương pháp phân rã ma trận
• 4.2.2. Phương pháp phân rã sâu ma trận
• 4.2.3. Kỹ thuật phân rã sâu ma trận thiên vị trong dự đoán kết quả học tập sinh viên (Deep Biased Matrix Factorization for Student Performance Prediction)
• 4.2.3.1. Phương pháp phân rã ma trận thiên vị
• 4.2.3.2. Phương pháp phân rã sâu ma trận thiên vị
• 4.3. Đánh giá kết quả
• 4.3.1. Tập dữ liệu
• 4.3.2. Đánh giá mô hình
• 4.3.3. Tham số thực nghiệm
• 4.3.4. Kết quả thực nghiệm
• 4.4. Tổng kết chương
• 5. CHƯƠNG 5: TÍCH HỢP CÁC MỐI QUAN HỆ DỮ LIỆU VÀO DỰ ĐOÁN KẾT QUẢ HỌC TẬP CỦA SINH VIÊN
• 5.1. Phương pháp tích hợp mối quan hệ người dùng
• 5.1.1. Phương pháp phân rã ma trận chưa tích hợp mối quan hệ
• 5.1.2. Phương pháp tích hợp mối quan hệ bạn bè
• 5.1.3. Đánh giá kết quả thực nghiệm phương pháp tích hợp mối quan hệ người dùng
• 5.2. Phương pháp tích hợp mối liên quan các đối tượng
• 5.2.1. Phương pháp tích hợp mối liên quan các môn học
• 5.2.2. Đánh giá kết quả thực nghiệm
• 5.3. Tổng kết chương
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. Hướng phát triển
• PHỤ LỤC P1: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM
• DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• DANH MỤC CÁC BẢNG BIỂU

Tóm tắt

I. Giới thiệu về cố vấn học tập

Cố vấn học tập (cố vấn học tập) đóng vai trò quan trọng trong việc định hướng và hỗ trợ sinh viên trong quá trình học tập. Họ giúp sinh viên xác định mục tiêu học tập và lập kế hoạch để đạt được những mục tiêu đó. Việc lựa chọn môn học phù hợp với năng lực của sinh viên là một trong những nhiệm vụ chính của cố vấn học tập. Tuy nhiên, nhiều sinh viên gặp khó khăn trong việc tự đánh giá năng lực của mình và lựa chọn môn học, dẫn đến việc không đạt yêu cầu học tập. Điều này không chỉ ảnh hưởng đến cá nhân sinh viên mà còn gây tổn thất cho gia đình và xã hội. Do đó, việc phát triển các giải pháp gợi ý hiệu quả cho cố vấn học tập là rất cần thiết.

1.1 Tính cấp thiết của việc gợi ý

Sự gia tăng số lượng sinh viên bị cảnh báo học vụ và buộc thôi học đã trở thành một vấn đề nghiêm trọng trong giáo dục đại học. Nhiều sinh viên không thể tự đánh giá đúng năng lực của mình và lựa chọn môn học không phù hợp, dẫn đến việc không hoàn thành chương trình học. Việc phát triển hệ thống gợi ý cho cố vấn học tập sẽ giúp sinh viên có được những lựa chọn môn học hợp lý hơn, từ đó nâng cao hiệu quả học tập và giảm thiểu tỷ lệ sinh viên bỏ học.

II. Giải pháp gợi ý cho cố vấn học tập

Luận án này đề xuất một mô hình dự đoán kết quả học tập của sinh viên dựa trên hệ thống gợi ý. Mô hình này sẽ phân tích dữ liệu học tập của sinh viên và dự đoán kết quả cho các môn học mà sinh viên chưa học. Sau đó, hệ thống sẽ lọc ra những môn học có khả năng đạt điểm cao để gợi ý cho sinh viên lựa chọn. Việc áp dụng các phương pháp học máy và khai thác dữ liệu giáo dục sẽ giúp cải thiện độ chính xác của dự đoán và hỗ trợ cố vấn học tập trong việc đưa ra quyết định.

2.1 Tích hợp dữ liệu và cải tiến mô hình

Để nâng cao hiệu quả của mô hình dự đoán, việc tích hợp các nguồn dữ liệu bổ sung là rất quan trọng. Các mối quan hệ giữa sinh viên, như bạn bè trong cùng lớp, và mối liên quan giữa các môn học sẽ được tích hợp vào mô hình. Điều này không chỉ giúp cải thiện độ chính xác của dự đoán mà còn tạo ra một hệ thống gợi ý mạnh mẽ hơn, giúp sinh viên có được những lựa chọn môn học phù hợp với năng lực và sở thích của mình.

III. Phương pháp nghiên cứu và kết quả

Luận án đã áp dụng nhiều phương pháp nghiên cứu khác nhau để phát triển mô hình gợi ý. Các phương pháp như phân rã ma trận và học sâu đã được sử dụng để tối ưu hóa kết quả dự đoán. Kết quả thử nghiệm cho thấy mô hình đề xuất có độ chính xác cao hơn so với các phương pháp truyền thống. Việc áp dụng các kỹ thuật học sâu vào hệ thống gợi ý đã chứng minh được tính khả thi và hiệu quả trong việc hỗ trợ cố vấn học tập.

3.1 Đánh giá và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy mô hình gợi ý có thể được áp dụng rộng rãi trong các trường đại học để hỗ trợ cố vấn học tập. Việc sử dụng hệ thống gợi ý không chỉ giúp sinh viên lựa chọn môn học phù hợp mà còn nâng cao hiệu quả học tập. Hệ thống này có thể được tích hợp vào các nền tảng học tập trực tuyến, giúp sinh viên dễ dàng tiếp cận và sử dụng.

Nội dung chính

Tổng quan luận án

Luận án tiến sĩ chuyên ngành Khoa học Máy tính (mã số 9480101) với đề tài "Giải pháp gợi ý trong việc cố vấn học tập" do nghiên cứu sinh Huỳnh Lý Thanh Nhàn thực hiện tại Trường Đại học Lạc Hồng dưới sự hướng dẫn của PGS. Nguyễn Thái Nghe và PGS. Lê Huy Thập (bảo vệ năm 2024).

Tính cấp thiết và khoảng trống nghiên cứu

Trong phương thức đào tạo theo hệ thống tín chỉ tại các trường cao đẳng và đại học, số lượng sinh viên bị cảnh báo học vụ và buộc thôi học có chiều hướng gia tăng, đặc biệt tập trung ở nhóm sinh viên năm thứ ba và năm thứ tư. Một trong những nguyên nhân chính là sinh viên chưa tự đánh giá chính xác năng lực bản thân và gặp lúng túng trong việc lựa chọn môn học tự chọn, dẫn đến kế hoạch học tập chưa phù hợp. Hoạt động của cố vấn học tập (CVHT) đóng vai trò hỗ trợ sinh viên lập kế hoạch học tập, nhưng phương thức tư vấn truyền thống đòi hỏi CVHT phải tra cứu thủ công bảng điểm của từng cá nhân, tiêu tốn thời gian và dễ mang tính chủ quan.

Khoảng trống nghiên cứu được tác giả xác định gồm:

1. Phần lớn các công trình khai phá dữ liệu giáo dục (EDM) trước đây chỉ dừng lại ở việc dự báo cho số đông hoặc tìm kiếm các quy luật chung mà chưa giải quyết bài toán dự đoán và tư vấn cá nhân hóa cho từng sinh viên cụ thể.
2. Dữ liệu đánh giá học tập trong thực tế có hiện tượng không đồng nhất (thiên vị/bias) do mức độ chấm điểm khác nhau giữa các giảng viên và độ khó dễ khác nhau giữa các môn học.
3. Các mô hình phân rã ma trận cơ sở chưa khai thác các nguồn dữ liệu bổ sung bên ngoài như mối quan hệ bạn bè giữa các sinh viên cùng lớp và mối liên quan về mặt nội dung, kiến thức giữa các môn học.
4. Độ chính xác của các thuật toán gợi ý cơ sở trong giáo dục cần được cải thiện thông qua việc tích hợp các cấu trúc học sâu (Deep Learning).

Mục tiêu nghiên cứu

Luận án xác định 5 mục tiêu cụ thể:

• Mục tiêu 1: Đề xuất quy trình giải pháp gợi ý lựa chọn môn học của cố vấn học tập theo hướng cá nhân hóa, ứng dụng các giải thuật lọc cộng tác (CF) cơ bản như lọc theo môn học tương tự (Course-based), lọc theo sinh viên tương tự (Student-based) và phân rã ma trận (Matrix Factorization - MF).
• Mục tiêu 2: Đề xuất giải pháp giải quyết vấn đề không đồng nhất trong đánh giá năng lực học tập của sinh viên thông qua giải thuật phân rã ma trận thiên vị (Biased Matrix Factorization - BMF).
• Mục tiêu 3: Đề xuất phương pháp tích hợp mối quan hệ người dùng vào mô hình phân rã ma trận (SocialMF) nhằm tận dụng dữ liệu bạn bè cùng lớp để nâng cao độ chính xác dự đoán.
• Mục tiêu 4: Đề xuất phương pháp tích hợp mối liên quan nội dung giữa các môn học vào mô hình dự đoán (Courses Relationship Matrix Factorization - CRMF).
• Mục tiêu 5: Đề xuất ứng dụng kiến trúc học sâu vào mô hình phân rã ma trận (DMF) và mô hình phân rã ma trận thiên vị (DBMF) để nâng cao hiệu quả dự đoán điểm số của sinh viên.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Các mô hình dự đoán năng lực học tập của sinh viên, các giải pháp gợi ý môn học tự chọn cá nhân hóa và các tập dữ liệu điểm số, dữ liệu quan hệ hỗ trợ.
• Phạm vi nghiên cứu: Tập trung vào các phương pháp xây dựng và cải tiến mô hình dự đoán điểm học tập của sinh viên nhằm phục vụ gợi ý môn học tự chọn phù hợp với năng lực và đúng ràng buộc chương trình đào tạo.
• Phạm vi dữ liệu thực nghiệm: Luận án thực hiện kiểm nghiệm trên 2 nguồn dữ liệu: tập dữ liệu điểm của Trường Đại học Cần Thơ (CTU, giai đoạn 2007–2019) và tập dữ liệu giáo dục quốc tế ASSISTments.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu đã được điểm luận

Luận án tiến hành tổng hợp các hướng tiếp cận chính trong khai phá dữ liệu giáo dục và hệ thống gợi ý:

Hướng nghiên cứu	Phương pháp / Mô hình	Nhóm tác giả và công trình tiêu biểu	Mục tiêu và kết quả chính
Phân tích hành vi người học	Kỹ thuật phân loại tuần tự, gom nhóm	Romero & Ventura (2010) [9], Romero et al. (2008) [12]	Phân tích nhật ký truy cập Moodle, việc sử dụng tài nguyên học tập, thực hành và làm bài tập.
Dự báo và đánh giá năng lực (Không cá nhân hóa)	Cây quyết định, Mạng Bayes	LNHSGO - Philippines (2018) [34], Baradwaj & Pal (2011) [35]	Dự đoán nguy cơ buộc thôi học và cảnh báo học vụ dựa trên điểm trung bình và thông tin nhân khẩu.
Dự báo dựa trên luật kết hợp	Luật kết hợp và luật kết hợp chuỗi	IUH (2010–2017) [36], Slim et al. (2014) [37]	Phân tích danh sách môn học đã học để xác định các môn học kế tiếp có khả năng đạt hiệu quả.
Mô hình học sâu đa tầng	Mạng nơ-ron nhân tạo đa tầng	CTU (2007–2019) [32]	Dự đoán điểm trung bình học kỳ và điểm môn học dựa trên điểm ngoại ngữ và dữ liệu quá khứ.
Các giải thuật tiến hóa và tập thô	Thuật toán di truyền, Lý thuyết tập thô	UAPAZ - Mexico [38], WLAS - Thổ Nhĩ Kỳ [39]	Dự báo kết quả học vụ, phân loại sinh viên có nguy cơ thụ động hoặc bị thôi học.
Hệ thống gợi ý cơ sở	Lọc cộng tác, lọc nội dung, lọc kết hợp	Adomavicius & Tuzhilin (2005) [5], Ricci et al. (2011) [47], Su & Khoshgoftaar (2009) [21]	Đề xuất giải pháp dự đoán đánh giá của người dùng đối với các mục tin.
Tích hợp mạng xã hội và học sâu trong RS	Social MF, Deep Matrix Factorization	Jamali & Ester (2010) [45], Fan et al. (2019) [25], Xue et al. (2017) [44], He et al. (2017) [43]	Tận dụng quan hệ xã hội (Trust, Friends) và mạng nơ-ron để giảm thiểu sai số trong bài toán xếp hạng.

Vị trí và khoảng trống luận án giải quyết

Từ việc khảo sát các nghiên cứu trên, luận án định vị giải pháp nghiên cứu tại điểm giao giữa Khai phá dữ liệu giáo dục (EDM) và Hệ thống gợi ý (RS). Luận án chọn giải quyết bài toán dự đoán cá nhân hóa bằng cách thiết lập ánh xạ toán học giữa bài toán xếp hạng (Rating Prediction) sang bài toán dự đoán điểm số (Student Performance Prediction), đồng thời xử lý hiện tượng đánh giá thiên vị (bias), mở rộng khả năng tích hợp mạng quan hệ bạn bè (SocialMF), quan hệ nội dung môn học (CRMF) và tích hợp kiến trúc học sâu (DMF, DBMF).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và ánh xạ tương quan

Luận án xây dựng mô hình dựa trên sự tương đồng giữa bài toán hệ thống gợi ý và bài toán dự đoán kết quả học tập trong giáo dục:

• Danh sách người dùng ($u \in U$) tương ứng với Danh sách sinh viên ($s \in S$).
• Danh sách mục tin/sản phẩm ($i \in I$) tương ứng với Danh sách môn học ($c \in C$).
• Chỉ số đánh giá ($r \in R$) tương ứng với Điểm số học tập ($g \in G$).

Quy trình khai thác dữ liệu tuân theo tiêu chuẩn CRISP-DM (Cross Industry Standard Process for Data Mining) gồm các pha: hiểu bài toán giáo dục, hiểu dữ liệu điểm, tiền xử lý dữ liệu ma trận thưa, xây dựng mô hình dự đoán, đánh giá sai số và triển khai ứng dụng thử nghiệm.

Các phương pháp nghiên cứu cụ thể

Luận án sử dụng phương pháp nghiên cứu lý thuyết kết hợp với thực nghiệm định lượng trên các giải thuật:

1. Phương pháp lọc cộng tác dựa trên bộ nhớ (Memory-based CF):

   • Lọc theo sinh viên tương tự (Student-kNNs): Tính toán độ tương đồng giữa các sinh viên dựa trên vector điểm số đã học để dự đoán điểm cho sinh viên mục tiêu.
   • Lọc theo môn học tương tự (Course-kNNs): Tính toán độ tương quan giữa các môn học dựa trên lịch sử đánh giá của toàn bộ sinh viên.

2. Phương pháp phân rã ma trận cơ sở (Matrix Factorization - MF / PSP-MF):

   • Phân rã ma trận điểm số thực $R \approx P \times Q^T$, trong đó $P$ biểu diễn không gian nhân tố tiềm ẩn của sinh viên và $Q$ biểu diễn không gian nhân tố tiềm ẩn của môn học.

3. Phương pháp phân rã ma trận thiên vị (Biased Matrix Factorization - BMF):

   • Bổ sung các thành phần thiên vị: $\hat{r}_{u,i} = \mu + b_u + b_i + P_u Q_i^T$, với $\mu$ là điểm trung bình toàn hệ thống, $b_u$ là độ lệch chấm điểm của sinh viên/người học, $b_i$ là độ lệch độ khó của môn học.

4. Phương pháp phân rã sâu ma trận (DMF và DBMF):

   • Kết hợp các lớp mạng nơ-ron học sâu nhiều tầng (Deep Neural Networks) với kỹ thuật phân rã ma trận và phân rã ma trận thiên vị nhằm huấn luyện phi tuyến tính các vector đặc trưng tiềm ẩn.

5. Phương pháp tích hợp quan hệ dữ liệu bổ sung (SocialMF và CRMF):

   • SocialMF: Tích hợp ma trận quan hệ bạn bè giữa các sinh viên học cùng lớp để ràng buộc không gian vector tiềm ẩn của người học.
   • CRMF: Tích hợp ma trận quan hệ nội dung kiến thức giữa các môn học để ràng buộc không gian vector tiềm ẩn của môn học.

Dữ liệu và độ đo đánh giá

• Dữ liệu thực nghiệm: Tập dữ liệu CTU (Trường Đại học Cần Thơ) và tập dữ liệu ASSISTments.
• Thuật toán tối ưu: Giảm dốc ngẫu nhiên (Stochastic Gradient Descent - SGD) và bình phương tối thiểu xen kẽ (Alternating Least Squares - ALS).
• Độ đo đánh giá sai số định lượng:
  • Lỗi trung bình bình phương gốc (Root Mean Square Error - RMSE).
  • Độ đo trung bình giá trị tuyệt đối lỗi (Mean Absolute Error - MAE).
  • Độ đo độ chính xác trung bình tuyệt đối (Mean Average Precision - MAP).
  • Diện tích dưới đường cong ROC (Area Under the Curve - AUC).

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 thiết lập cơ sở khoa học và tính cấp thiết của nghiên cứu về hệ thống cố vấn học tập tự động. Luận án phân tích 4 thách thức nghiên cứu lớn: dự đoán cá nhân hóa, dữ liệu đánh giá không đồng nhất (biases), thiếu tích hợp dữ liệu quan hệ người dùng và quan hệ môn học, và yêu cầu nâng cao độ chính xác bằng các mô hình tích hợp. Từ đó, chương đề ra 5 mục tiêu nghiên cứu cụ thể, 4 đóng góp chính và xác định bố cục luận án gồm 6 chương cùng phần phụ lục kiến trúc phần mềm.

Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan

Chương 2 tổng hợp toàn diện bức tranh nghiên cứu về khai phá dữ liệu giáo dục (EDM), hệ trợ giảng thông minh (ITS) và hệ thống gợi ý (RS).

• Về ITS: Trình bày chi tiết 4 thành phần cấu trúc gồm Mô hình người học (Student Model), Mô hình tri thức (Domain Model), Mô hình trợ giảng (Tutoring Model) và Giao diện người dùng (User Interface); khẳng định mô hình người học giữ vai trò trung tâm.
• Về RS: Trình bày các nguồn tài nguyên phần mềm mã nguồn mở phục vụ nghiên cứu gợi ý (Apache Mahout, Cofi, Crab, Easyrec, LensKit, MyMediaLite, PREA, SVD Matrix Factorization, Vogoo, Spark MLlib, LibRec, recommenderlab).
• Phân tích 2 xu hướng nghiên cứu chính: cải tiến các phương pháp lọc tin truyền thống (tích hợp học sâu) và mở rộng các phương pháp truyền thống để tích hợp thêm các nguồn dữ liệu bổ sung (mạng xã hội, quan hệ thực thể).

Chương 3: Dự đoán kết quả học tập của sinh viên theo hướng tiếp cận hệ thống gợi ý

Chương 3 chi tiết hóa việc ứng dụng các thuật toán gợi ý vào bài toán giáo dục.

• Luận án triển khai và kiểm nghiệm các thuật toán cơ sở: Student-kNNs, Course-kNNs, phân rã ma trận PSP-MF và phân rã ma trận thiên vị (BMF).
• Thuật toán BMF được áp dụng để khử độ lệch đánh giá xuất phát từ việc giảng viên chấm điểm khắt khe hay nới tay cũng như độ khó khách quan giữa các môn học.
• Đánh giá thực nghiệm trên tập dữ liệu điểm CTU cho thấy thuật toán BMF cải thiện độ chính xác dự đoán (giảm sai số RMSE và MAE) so với các giải thuật lọc cộng tác láng giềng kNNs và MF chuẩn. Kết quả dự đoán điểm số của các môn chưa học được sử dụng để lọc Top-k môn tự chọn có điểm dự đoán cao nhất và thỏa mãn các ràng buộc môn học tiên quyết.

Chương 4: Các mô hình phân rã sâu ma trận để dự đoán kết quả học tập của sinh viên

Chương 4 tập trung vào giải pháp tích hợp kiến trúc học sâu vào kỹ thuật phân rã ma trận.

• Trình bày mô hình Phân rã sâu ma trận (Deep Matrix Factorization - DMF) và mô hình Phân rã sâu ma trận thiên vị (Deep Biased Matrix Factorization - DBMF).
• Kiến trúc mô hình sử dụng các tầng nơ-ron ẩn để học biểu diễn phi tuyến của ma trận sinh viên - môn học trước khi thực hiện tối ưu hóa hàm mất mát.
• Thực nghiệm trên tập dữ liệu chuẩn ASSISTments và CTU chứng minh việc đưa kiến trúc học sâu qua nhiều tầng nơ-ron giúp mô hình đạt điểm hội tụ tối ưu hơn, mang lại độ lỗi RMSE thấp hơn rõ rệt so với mô hình phân rã ma trận tuyến tính truyền thống.

Chương 5: Tích hợp các mối quan hệ dữ liệu vào dự đoán kết quả học tập của sinh viên

Chương 5 đề xuất 2 giải pháp tích hợp thông tin bổ sung vào mô hình phân rã ma trận:

• Tích hợp quan hệ người dùng (SocialMF): Chuyển đổi mối quan hệ bạn bè cùng lớp thành ma trận quan hệ mạng xã hội, tích hợp vào hàm mục tiêu của mô hình phân rã ma trận. Kết quả thử nghiệm trên cả 2 tập dữ liệu (Việt Nam và Quốc tế) cho thấy sai số RMSE giảm so với mô hình MF cơ sở không tích hợp.
• Tích hợp mối liên quan giữa các môn học (CRMF): Xây dựng ma trận tương quan nội dung kiến thức giữa các môn học (Course Relationship Matrix) dựa trên chủ đề và bản thể học (Ontology), sau đó tích hợp vào phía mục tin (items) của kỹ thuật phân rã ma trận.
• So sánh tổng hợp độ lỗi RMSE giữa các giải thuật chứng minh việc kết hợp dữ liệu quan hệ phía người dùng (sinh viên) lẫn phía mục tin (môn học) đều mang lại hiệu quả nâng cao độ chính xác dự đoán.

Chương 6: Kết luận và hướng phát triển

Chương 6 tổng kết các kết quả đạt được về mặt lý thuyết và thực nghiệm, đồng thời xác định các hướng nghiên cứu tiếp theo nhằm hoàn thiện giải pháp.

Phụ lục: Xây dựng ứng dụng thử nghiệm

Phần phụ lục mô tả chi tiết thiết kế và cài đặt hệ thống phần mềm hỗ trợ cố vấn học tập:

• Thiết kế kiến trúc tổng thể của hệ thống triển khai.
• Sơ đồ lớp cơ sở dữ liệu cho nhóm sinh viên (users), môn học (items) và điểm số (ratings).
• Thiết kế sơ đồ chức năng và giao diện hệ thống nền tảng Web và ứng dụng Desktop phục vụ tính năng dự đoán kết quả học tập và hiển thị danh sách môn tự chọn gợi ý cho sinh viên và cố vấn học tập.

Kết quả và những đóng góp mới

Các đóng góp mới của luận án

1. Đóng góp về mô hình gợi ý môn học tự chọn và xử lý dữ liệu thiên vị (Công bố [CT1]):
   • Thiết lập ánh xạ bài toán xếp hạng sang bài toán dự đoán điểm học tập cá nhân hóa.
   • Xây dựng quy trình gợi ý môn học tự chọn cho cố vấn học tập.
   • Giải quyết thành công vấn đề dữ liệu đánh giá không đồng nhất trong giáo dục bằng thuật toán phân rã ma trận thiên vị (BMF).
2. Đóng góp về mô hình tích hợp học sâu (Công bố [CT4], [CT5]):
   • Đề xuất mô hình phân rã sâu ma trận (DMF) và phân rã sâu ma trận thiên vị (DBMF).
   • Chứng minh qua thực nghiệm rằng việc huấn luyện ma trận qua nhiều tầng nơ-ron sâu giúp cải thiện độ chính xác dự đoán so với các mô hình phân rã ma trận truyền thống.
3. Đóng góp về tích hợp mối quan hệ người dùng (Công bố [CT2]):
   • Đề xuất phương pháp tích hợp mối quan hệ bạn bè cùng lớp (SocialMF) vào kỹ thuật phân rã ma trận.
   • Khai thác thành công sự tương tác xã hội trong môi trường học tập để bổ sung thông tin cho hệ thống gợi ý.
4. Đóng góp về tích hợp mối liên quan nội dung môn học (Công bố [CT3]):
   • Đề xuất phương pháp tích hợp quan hệ tương quan kiến thức giữa các môn học (CRMF) vào phía mục tin của kỹ thuật phân rã ma trận.
   • Nâng cao năng lực dự đoán trên các môn học có độ thưa dữ liệu điểm số cao.

Kiến nghị và giải pháp đề xuất

• Ứng dụng hệ thống gợi ý tự động vào cổng thông tin đào tạo của các trường đại học nhằm hỗ trợ sinh viên lập kế hoạch học tập đầu mỗi học kỳ.
• Sử dụng kết quả dự đoán điểm số làm công cụ cảnh báo sớm cho cố vấn học tập để kịp thời can thiệp đối với các sinh viên có nguy cơ bị cảnh báo học vụ.
• Tích hợp các ràng buộc toàn vẹn của chương trình đào tạo (số tín chỉ tích lũy, môn tiên quyết, môn học trước) trực tiếp vào thuật toán lọc Top-k khuyến nghị.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Mô hình tích hợp mối quan hệ bạn bè hiện tại chủ yếu khai thác quan hệ cùng lớp, chưa bao quát toàn bộ các tương tác xã hội đa dạng khác ngoài môi trường lớp học.
• Dữ liệu thực nghiệm tập trung trên hai bộ dữ liệu CTU và ASSISTments; chưa mở rộng đánh giá trên các hệ thống đào tạo trực tuyến quy mô lớn có cấu trúc đa dạng hơn.
• Độ phức tạp tính toán của các mô hình học sâu (DMF, DBMF) đòi hỏi tài nguyên huấn luyện lớn hơn so với các giải thuật lọc cộng tác truyền thống.

Hướng nghiên cứu tiếp

• Tiếp tục mở rộng các dạng dữ liệu bổ sung khác như dữ liệu hành vi học tập theo thời gian thực trích xuất từ hệ thống quản trị học tập (LMS).
• Nghiên cứu kết hợp đồng thời cả hai yếu tố quan hệ người dùng (SocialMF) và quan hệ môn học (CRMF) vào trong cùng một kiến trúc phân rã sâu ma trận thống nhất.
• Hoàn thiện và thử nghiệm diện rộng ứng dụng cố vấn học tập tự động trên môi trường thực tế tại các trường đại học.

Giá trị tham khảo

Luận án là tài liệu tham khảo hữu ích cho các nhóm đối tượng:

• Nghiên cứu sinh và học viên cao học ngành Khoa học máy tính, Công nghệ thông tin: Tham khảo phương pháp ánh xạ bài toán, cách thức tích hợp kiến trúc học sâu vào phân rã ma trận (DMF/DBMF), và kỹ thuật tích hợp dữ liệu quan hệ (SocialMF, CRMF) được trình bày chi tiết trong Chương 3, 4 và 5.
• Giảng viên và nhà nghiên cứu trong lĩnh vực Khai phá dữ liệu giáo dục (EDM): Sử dụng các mô hình đánh giá sai số (RMSE, MAE, AUC, MAP) và cơ sở lý thuyết hệ trợ giảng thông minh (ITS) tại Chương 2.
• Cán bộ quản lý đào tạo và Cố vấn học tập tại các cơ sở giáo dục đại học: Tham khảo quy trình tư vấn tự động, cơ chế lọc môn tự chọn theo ràng buộc tín chỉ và kiến trúc phần mềm triển khai tại Phụ lục để áp dụng vào thực tế quản lý sinh viên.

Câu hỏi thường gặp

1. Sự tương đồng giữa hệ thống gợi ý thương mại và bài toán dự đoán kết quả học tập trong luận án được thiết lập như thế nào?
Luận án thiết lập mối quan hệ ánh xạ trực tiếp giữa 3 thành phần cốt lõi: Người dùng ($u$) tương ứng với Sinh viên ($s$); Mục tin/Sản phẩm ($i$) tương ứng với Môn học ($c$); Điểm đánh giá/Xếp hạng ($r$) tương ứng với Điểm số học tập ($g$). Từ sự tương đồng này, bài toán dự đoán đánh giá của người dùng được chuyển đổi thành bài toán dự đoán năng lực học tập của sinh viên.

2. Vấn đề đánh giá không đồng nhất (Biased Ratings) trong dữ liệu giáo dục được giải quyết bằng giải thuật nào?
Vấn đề này được giải quyết thông qua giải thuật Phân rã ma trận thiên vị (Biased Matrix Factorization - BMF). BMF tách biệt và tính toán các thành phần sai lệch gồm điểm trung bình toàn hệ thống ($\mu$), độ lệch chấm điểm của người học/giảng viên ($b_u$), và độ lệch mức độ khó dễ của môn học ($b_i$), kết hợp với tích vô hướng của vector tiềm ẩn sinh viên và môn học ($P_u Q_i^T$).

3. Phương pháp SocialMF trong luận án khai thác nguồn dữ liệu nào để nâng cao độ chính xác?
SocialMF khai thác mối quan hệ bạn bè giữa các sinh viên học cùng lớp. Dữ liệu này được chuyển đổi thành ma trận quan hệ người dùng và tích hợp vào mô hình phân rã ma trận để bổ sung thông tin ràng buộc không gian nhân tố tiềm ẩn của sinh viên, giúp cải thiện sai số RMSE so với các mô hình chưa tích hợp.

4. Mô hình CRMF (Courses Relationship Matrix Factorization) hoạt động dựa trên nguyên lý gì?
CRMF khai thác mối quan hệ tương quan về chủ đề và nội dung kiến thức giữa các môn học trong chương trình đào tạo. Dữ liệu này được biểu diễn dưới dạng ma trận quan hệ môn học và tích hợp vào phía mục tin (item) của mô hình phân rã ma trận, hỗ trợ dự đoán chính xác hơn cho các môn học có ít sinh viên theo học.

5. Các tập dữ liệu nào được sử dụng để kiểm nghiệm các giải thuật trong luận án?
Luận án sử dụng 2 tập dữ liệu thực nghiệm: tập dữ liệu điểm sinh viên trong nước thu thập tại Trường Đại học Cần Thơ (CTU, giai đoạn 2007–2019) và tập dữ liệu giáo dục quốc tế ASSISTments.

Kết luận

Luận án "Giải pháp gợi ý trong việc cố vấn học tập" của tác giả Huỳnh Lý Thanh Nhàn đã nghiên cứu và giải quyết bài toán dự đoán kết quả học tập cá nhân hóa nhằm hỗ trợ cố vấn học tập gợi ý môn học tự chọn cho sinh viên. Công trình đã đề xuất thành công các mô hình cải tiến gồm phân rã ma trận thiên vị (BMF), phân rã sâu ma trận (DMF, DBMF), tích hợp quan hệ bạn bè cùng lớp (SocialMF) và tích hợp tương quan nội dung môn học (CRMF). Các kết quả thực nghiệm trên tập dữ liệu CTU và ASSISTments đã chứng minh hiệu quả giảm thiểu sai số dự đoán, đồng thời phụ lục luận án đã hiện thực hóa giải pháp bằng hệ thống ứng dụng thử nghiệm hoàn chỉnh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 GIỚI THIỆU Trong chương này, luận án sẽ trình bày sự cần thiết vấn ề gợi ý trong việc cố vấn học tập. Bài toán nghiên cứu ược trình bày chi tiết, cũng như tìm ra ược những thách thức nghiên cứu. Tiếp theo là ặt ra năm (05) mục tiêu cụ thể, ể từ ó ưa ra hướng tiếp cận nghiên cứu của luận án. ối tượng, phạm vi, phương pháp nghiên cứu cũng ược trình bày trong chương này.

Luận án ã có bốn (04) óng góp mới về mặt học thuật cũng như lý luận. Phần cuối của chương này là phần trình bày bố cục của luận án.1 Tính cấp thiết của luận án Cố vấn học tập (CVHT) là một yếu tố quan trọng trong việc ảm bảo sự thành công của học sinh, sinh viên và ảnh hưởng lớn ến nền giáo dục. Một trong những vấn ề quan trọng của cố vấn học tập là giúp sinh viên xác ịnh mục tiêu học tập và lập các kế hoạch ể ạt ược mục tiêu ó. Cố vấn học tập cũng có thể giúp sinh viên ánh giá năng lực của mình và ề xuất các hoạt ộng hoặc khóa học có thể giúp họ phát triển kỹ năng và kiến thức cần thiết.

Ngoài ra, cố vấn học tập cũng giúp sinh viên giải quyết các vấn ề cá nhân hoặc học tập, bao gồm cả tình trạng căng thẳng và stress, và cung cấp các tài nguyên ể các sinh viên vượt qua những khó khăn ang gặp phải. Các cố vấn học tập cũng có thể giúp sinh viên phát triển các kỹ năng xã hội và nghề nghiệp cần thiết cho sự nghiệp sau này. Chính vì vậy cố vấn học tập (CVHT) có vai trò rất quan trọng trong ào tạo theo tín chß, công việc cố vấn học tập không những ảnh hưởng trực tiếp ến sự thành công hay thất bại trong học tập và nghề nghiệp của sinh viên mà còn ảnh hưởng rất lớn ến sự phát triển của xã hội vì giáo dục là quốc sách hàng ầu. Tuy nhiên, công việc của cố vấn học tập gặp nhiều khó khăn, tốn nhiều công sức và thời gian.

Vì vậy những nghiên cứu tập trung giải quyết các vấn ề nhằm hỗ trợ CVHT ưa ra những quyết ịnh gợi ý sinh viên một cách chính xác và kịp thời, ang là những hướng nghiên cứu ược quan tâm hiện nay. Thời gian gần ây, số lượng sinh viên bị buộc thôi học có chiều hướng tăng ở nhiều 2 trường ại học và thường tập trung vào những sinh viên học năm thứ ba và năm thứ tư. Một phần nguyên nhân là do sinh viên không có kế hoạch học tập phù hợp. Chính vì thế việc phát hiện sớm năng lực của từng sinh viên ể giúp họ lập kế hoạch học tập sao cho phù hợp là một trong những nghiên cứu hỗ trợ cho cố vấn học tập và có nhu cầu rất cần thiết [1].

Sinh viên muốn lập kế hoạch học tập tốt thì công việc quan trọng nhất là phải lựa chọn môn học phù hợp với năng lực của chính mình. Hiện nay, phần lớn các trường ại học ã triển khai theo học chế tín chß nên các sinh viên thường bị lúng túng khi lựa chọn môn học do có nhiều môn ược giảng dạy trong một học kỳ. Khi ó, bên cạnh khả năng tự tìm hiểu thì sinh viên sẽ cần ến sự trợ giúp của CVHT. Tuy vậy, ể tư vấn cho sinh viên òi hỏi CVHT phải tra cứu kết quả học tập của từng sinh viên ể ưa ra trợ giúp (có phần chủ quan của CVHT) cho mỗi sinh viên, do ó khá tốn thời gian và công sức mà không ạt ược hiệu quả cao.

Vấn ề là làm sao sử dụng nguồn dữ liệu iểm sinh viên ể khai thác, ồng thời sử dụng tiến bộ của khoa học máy tính ể phân tích và ưa ra ánh giá hoặc dự oán một cách chính xác ể có thể gợi ý cho sinh viên chọn môn học một cách hiệu quả và tự ộng thông qua hệ thống. ể giải quyết các vấn ề cấp thiết này nên nhiều nghiên cứu trong và ngoài nước ã tập trung tìm kiếm và ưa ra các giải pháp ứng dụng khoa học máy tính vào giải quyết các bài toán giáo dục [2] [3] [4] như: dự oán kết quả học tập sinh viên bằng luật kết hợp, mạng bayes, cây quyết ịnh, lý thuyết tập thô, học sâu mạng nơ-ron a tầng. Tuy nhiên những nghiên cứu này chß có thể dự oán số ông mà không thể dự oán cho từng ối tượng cụ thể. ể giải quyết dự oán cho cá nhân cụ thể thì phương pháp có hiệu quả và phù hợp nhất là hệ thống gợi ý (Recommender System - RS).

Nghiên cứu [5] ã tổng hợp các phương pháp xây dựng hệ thống gợi ý và ề xuất một số phương pháp cải tiến. Với sự phát triển rực rỡ của RS trong nhiều lĩnh vực, nhiều nhà nghiên cứu ã mạnh dạng ứng dụng kỹ thuật này vào khai phá dữ liệu giáo dục nhằm tìm kiếm những giải pháp dự oán riêng cho từng sinh viên [6] [7]. Các giải thuật gợi ý ược áp dụng ban ầu có ộ chính xác chưa cao, nhiều thông tin hữu ích về dữ liệu giáo dục chưa ược khai thác, các cải tiến theo xu hướng phát triển của kỹ thuật tích hợp cũng chưa ược áp dụng. ây là những bỏ ngỏ cần các nhà khoa học khai thác và nghiên cứu.

3 Luận án sẽ trình bày tổng quan về bài toán dự oán năng lực học tập sinh viên, khởi ầu là phân tích và xử lý dữ liệu cho phù hợp với thuật toán, ể từ ó ưa ra mô hình dự oán theo nhiều hướng cải tiến hệ thống gợi ý. Bên cạnh ó luận án cũng trình bày kết quả ánh giá mô hình dự oán nhằm lựa chọn mô hình tốt nhất và có ộ chính xác cao. Cuối cùng là xây dựng hệ thống thử nghiệm nhằm ứng dụng nghiên cứu lý thuyết i vào thực tiễn.2 Bài toán nghiên cứu 1.1 Sự tương quan giữa bài toán xếp hạng và bài toán dự oán kết quả học tập Gần ây việc áp dụng (Recommender System 3 RS) vào dự oán kết quả học tập của sinh viên cũng ược ầu tư nghiên cứu và phát triển bởi sự tương ồng giữa bài toán dự oán kết quả học tập của sinh viên và bài toán xếp hạng trong hệ thống gợi ý [8]. Trong ngữ cảnh giáo dục, sinh viên học các môn học sẽ có iểm số trung bình môn học (có thể là thang iểm 10 hoặc thang iểm 4 - iểm chữ).

Trong khi ó, ở ngữ cảnh hệ thống gợi ý thì ta có người dùng khi mua sản phẩm sẽ có ánh giá sản phẩm (cho từ 1 ến 5 sao).1) thể hiện việc tương ồng giữa bài toán dự oán kết quả học tập và bài toán xếp hạng sản phẩm trong hệ thống gợi ý, khi ó việc sinh viên ạt ược kết quả (iểm số) khi thực hiện các nhiệm vụ học tập sẽ ược giải quyết giống với việc người dùng ánh giá (cho sao, thả tim) sản phẩm khi mua hàng. Kết quả Nhiệm vụ Sinh viên (Bài kiểm tra, bài thi,.) ánh giá ối tượng Người dùng (Bài hát, bộ phim,.1: Sự tương ồng giữa hệ thống RS và hệ thống dự oán kết quả học tập Hệ thống gợi ý ược cấu thành từ ba yếu tố: danh sách người dùng (users - u), danh sách các ối tượng như bài hát, bộ phim, sản phẩm (items 3 i) và các ánh giá (ratings - r) là chß số ánh giá của người dùng u trên ối tượng i. Tương tự, trong bài toán dự oán iểm học tập của sinh viên cũng có ba yếu tố: danh sách các sinh viên (students - s), danh sách các môn học (courses - c) và iểm số (gradings - g). Như vậy, việc dự oán ánh giá 4 của người dùng trong bài toán xếp hạng (Rating Prediction) của RS sẽ tương ương với bài toán dự oán năng lực học tập (iểm số) sinh viên (Student Performance Prediction).2 thể hiện sự ánh xạ từ bài toán xếp hạng sang bài toán dự oán iểm.

Tương tự, sự tương ồng các khái niệm ược biểu diễn như sau: Người dùng (u) → Sinh viên (s) Sản phẩm (i) → Môn học (c) ánh giá (r) → iểm (g) Từ sự tương ồng này, ta có thể giải bài toán dự oán iểm học tập của sinh viên theo các cách của bài toán xếp hạng trong hệ thống gợi ý. I - Sản phẩm C - Môn học r r r g g g ? r r ? g g U Người dùng r r r r S Sinh viên g g g g r r r r g g g g r r r g g g r r r r g g g g Bài toán xếp hạng Bài toán dự oán iểm Hình 1.2: Sự tương ồng giữa bài toán dự oán iểm với bài toán xếp hạng 1.2 Bài toán dự oán kết quả học tập của sinh viên Do bài toán xếp hạng của hệ thống gợi ý là dạng dự oán cho từng cá nhân cụ thể ể ưa ra tư vấn, nên mô hình dự oán iểm học tập sinh viên theo hướng tiếp cận cá nhân hóa cũng dựa trên ý tưởng của các phương pháp lọc cộng tác (Colaborative Fittering - CF) trong hệ thống gợi ý.3 minh họa bài toán dự oán năng lực sinh viên theo ba nhóm: Lọc theo sinh viên tương tự (Student-based Filtering), lọc theo môn học tương tự (Course-based Filtering) và lọc theo mô hình (Model-based Filtering). Lọc theo sinh viên tương tự sẽ dựa vào năng lực tương ồng của hai sinh viên và lấy kết quả của một sinh viên ã học ể dự oán kết quả cho sinh viên chưa học. Tương tự, lọc theo môn học sẽ dựa vào môn học giống nhau ể dự oán gợi ý cho sinh viên khi ã học một môn tương tự.

Lọc theo mô hình sẽ dựa vào mô hình nhân tố tiềm ẩn ể dự oán kết quả các môn học cho từng sinh viên cụ thể (Hình 1. 5 Môn A Môn E Môn B Môn F Môn C Môn G Môn D Môn H Lọc theo sinh viên tương tự Lọc theo môn học tương tự Hình 1.3: Các mô hình dự oán năng lực học tập của sinh viên Lý thuyết Triết học Kiểm thử An toàn thông tin Nữ Nam ồ họa Lập trình Thực hành Lọc theo mô hình Hình 1.4: Mô hình nhân tố tiềm ẩn ể dự oán kết quả các môn học cho từng sinh viên cụ thể 1.3 Gợi ý lựa chọn môn học tự chọn ầu tiên chúng ta cần sử dụng và khai thác thông tin iểm số của sinh viên bằng các kỹ thuật khai thác dữ liệu từ ó ưa ra ược kết quả dự oán cho từng sinh viên cụ thể theo từng học kỳ, trước khi sinh viên tham gia lập kế hoạch học tập ở ầu mỗi học kỳ.