Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh ngành giáo dục triển khai chủ trương đổi mới công tác kiểm tra, đánh giá (KTĐG) kết quả học tập theo định hướng của Bộ Giáo dục và Đào tạo, phương thức thi trắc nghiệm khách quan (TNKQ) đã được áp dụng rộng rãi ở nhiều bậc học. Hình thức này có ưu điểm bao quát phạm vi kiến thức rộng, hạn chế tình trạng học tủ, học vẹt, đồng thời cho phép đánh giá năng lực số đông thí sinh một cách nhanh chóng và khách quan. Tuy nhiên, việc xây dựng và quản trị đề thi TNKQ hiện nay đang đối mặt với thách thức trong việc chuẩn hóa chất lượng câu hỏi theo các bậc tư duy nhận thức khoa học. Nhằm phản ánh chính xác mức độ đạt được mục tiêu học tập, các chuẩn kết quả năng lực cần được xây dựng dựa trên các khung phân loại chuẩn hóa, tiêu biểu là Thang đo nhận thức Bloom.

Bên cạnh đó, chủ trương ứng dụng Công nghệ Thông tin vào giáo dục đòi hỏi quá trình tin học hóa khâu quản trị ngân hàng câu hỏi, tổ chức thi và phân tích kết quả thi. Khâu phân loại câu hỏi theo các cấp độ tư duy thường tốn nhiều thời gian và công sức nếu thực hiện thủ công. Khóa luận tốt nghiệp kỹ sư ngành Hệ thống Thông tin của nhóm tác giả Cái Ngọc Anh Tài và Võ Thị Duy Thảo (Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM, 2021) với đề tài "Xây dựng hệ thống câu hỏi và thi trắc nghiệm trực tuyến theo thang đo nhận thức Bloom" đã tập trung giải quyết bài toán này thông qua việc tích hợp các mô hình học máy và xử lý ngôn ngữ tự nhiên.

Mục tiêu nghiên cứu được tác giả xác định cụ thể như sau:

  1. Đối với hệ thống quản lý câu hỏi và thi trực tuyến:
    • Nghiên cứu tổng quan lý thuyết về TNKQ và các dạng câu hỏi chuẩn hóa phục vụ xây dựng đề thi.
    • Khảo sát các hệ thống hiện hữu để phân tích, thiết kế và xây dựng hệ thống website hỗ trợ quản trị viên, giáo viên trong việc quản lý ngân hàng câu hỏi, tạo đề thi và tổ chức thi trực tuyến.
  2. Đối với việc phân loại theo thang đo Bloom:
    • Ứng dụng các tiêu chuẩn của thang đo nhận thức Bloom vào quy trình biên soạn câu hỏi và thiết lập cấu trúc đề thi nhằm nâng cao độ tin cậy trong đánh giá.
    • Nghiên cứu, xây dựng công cụ học máy hỗ trợ tự động phân loại câu hỏi theo các cấp độ nhận thức của thang đo Bloom và cho phép huấn luyện lại mô hình.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Cán bộ quản trị, giáo viên (nhóm người dùng quản trị ngân hàng câu hỏi, tạo lập đề thi, theo dõi kết quả) và học sinh/thí sinh (nhóm người dùng tham gia làm bài kiểm tra trực tuyến và tra cứu kết quả).
  • Phạm vi nghiên cứu: Tập trung vào các dạng câu hỏi trắc nghiệm khách quan; ứng dụng 6 bậc nhận thức của Thang đo Bloom tu chính; xây dựng ứng dụng nền tảng website với các module quản lý môn học theo chương, quản lý câu hỏi, quản lý đề thi, tổ chức thi trực tuyến; nghiên cứu và thử nghiệm các thuật toán học máy phân loại văn bản cho câu hỏi trắc nghiệm.
  • Giả thuyết khoa học: Việc xây dựng một hệ thống quản lý ngân hàng câu hỏi TNKQ và tổ chức thi trực tuyến được chuẩn hóa, lưu trữ theo các cấp độ nhận thức Bloom phù hợp với chương trình môn học sẽ góp phần nâng cao hiệu quả kiểm tra và đánh giá chất lượng người học.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng nghiên cứu dựa trên sự kết hợp giữa khoa học đo lường giáo dục và kỹ thuật xử lý dữ liệu tự động:

Khung lý thuyết và mô hình ứng dụng

  • Thang đo nhận thức Bloom: Tác giả phân tích thang đo Bloom truyền thống (1956) gồm 6 cấp độ (Kiến thức - Knowledge, Lĩnh hội - Comprehension, Ứng dụng - Application, Phân tích - Analysis, Tổng hợp - Synthesis, Đánh giá - Evaluation) và Thang đo Bloom tu chính (2001 của Lorin W. Anderson và David R. Krathwohl). Thang đo tu chính chuyển đổi các danh từ thành danh động từ và sắp xếp lại các bậc tư duy: Nhớ (Remembering), Hiểu (Understanding), Vận dụng (Applying), Phân tích (Analyzing), Đánh giá (Evaluating), và Sáng tạo (Creating).
  • Lý thuyết trắc nghiệm khách quan: Hệ thống hóa 4 dạng câu hỏi TNKQ phổ biến: Trắc nghiệm nhiều lựa chọn (Multiple-choice), Trắc nghiệm đúng sai (True-False), Trắc nghiệm điền khuyết (Filling), và Trắc nghiệm ghép đôi (Matching). Đồng thời, tác giả phân tích hai chỉ số then chốt là Độ tin cậy (Reliability) và Độ giá trị (Validity) của bài thi.
  • Xử lý ngôn ngữ tự nhiên (NLP): Áp dụng kỹ thuật trích chọn đặc trưng TF-IDF (Term Frequency – Inverse Document Frequency), kỹ thuật biến đổi từ về dạng gốc Stemming (sử dụng PorterStemmer, LancasterStemmer, SnowballStemmer từ thư viện NLTK), biến đổi bế ngữ Lemmatization (WordNetLemmatizer) và gán nhãn từ loại Part of Speech (POS).
  • Mô hình học máy và phương pháp kết hợp: Khảo sát các thuật toán phân lớp văn bản gồm Naive Bayes, Máy vector hỗ trợ (Support Vector Machine - SVM), Passive Aggressive (PA), và Stochastic Gradient Descent (SGD). Nghiên cứu các phương pháp kết hợp mô hình (Ensemble Learning) như Max Voting, Averaging, Weighted Averaging, Bagging, Boosting, Stacking, cùng các chiến lược huấn luyện lại mô hình (Offline Learning, Mini-batch, Online Learning).

Phương pháp nghiên cứu

  • Phương pháp nghiên cứu lý thuyết: Thu thập tài liệu từ sách báo, tài liệu học thuật và internet về trắc nghiệm, thang đo Bloom, kỹ thuật NLP và thuật toán máy học; sử dụng các kỹ thuật phân tích và thiết kế hệ thống theo hướng đối tượng (UML) để mô hình hóa quy trình nghiệp vụ và chuẩn hóa cơ sở dữ liệu quan hệ.
  • Phương pháp nghiên cứu thực nghiệm: Phân tích yêu cầu thực tế, xây dựng và lập trình hệ thống web; thu thập và tiền xử lý bộ dữ liệu câu hỏi, tiến hành huấn luyện, tinh chỉnh siêu tham số và đánh giá chéo hiệu năng của các mô hình phân loại; triển khai thử nghiệm hệ thống và thiết lập quy trình tích hợp liên tục.

Nguồn dữ liệu

Bộ dữ liệu câu hỏi trắc nghiệm được thu thập, gán nhãn theo 6 cấp độ của thang đo Bloom tu chính, phục vụ quá trình huấn luyện và kiểm thử các mô hình học máy phân lớp văn bản.

Thiết kế và triển khai hệ thống

Khóa luận triển khai giải pháp hệ thống hoàn chỉnh từ khảo sát yêu cầu, mô hình hóa kiến trúc đến lập trình ứng dụng:

Khảo sát và phân tích yêu cầu

Tác giả tiến hành khảo sát các phần mềm hiện có (Aztest, MeMix) và phân tích đối sánh 7 công trình nghiên cứu liên quan giai đoạn 2012–2018. Kết quả khảo sát chỉ ra các hệ thống trước đây chủ yếu tập trung vào quản lý câu hỏi và tạo đề cơ bản, thiếu tính năng tự động phân loại mức độ tư duy theo thang đo nhận thức và cơ chế tự học từ dữ liệu mới.

Chức năng chính Aztest MeMix Nghiên cứu liên quan (2012–2018) Hệ thống của đề tài
Quản lý người dùng & phân quyền Có Có Có (đa số) Có
Quản lý môn học theo chương Có Có Có Có
Quản lý ngân hàng câu hỏi & import Có Có Có Có
Tự động phân loại câu hỏi (Bloom) Không Không Rất ít / Hạn chế Có (Machine Learning)
Huấn luyện lại mô hình (Online) Không Không Không Có
Quản lý đề thi & tạo đề tự động Có Có Có Có (Theo ma trận Bloom)
Tổ chức thi trực tuyến & đếm giờ Có Không Có Có
Thống kê kết quả theo chuẩn Bloom Không Không Không Có

Kiến trúc phân rã chức năng và tác nhân hệ thống

Hệ thống thiết lập 3 nhóm tác nhân chính:

  1. Quản trị viên (Admin): Quản lý tài khoản người dùng, phân quyền truy cập hệ thống, quản lý và giám sát quá trình huấn luyện lại mô hình phân loại tự động.
  2. Giáo viên (Teacher): Quản lý môn học, soạn thảo và import câu hỏi, sử dụng tính năng gợi ý phân loại Bloom, thiết lập ma trận đề thi (thủ công hoặc tự động theo template), giao bài thi cho học sinh/nhóm học sinh, xem báo cáo phổ điểm và tỷ lệ hoàn thành theo bậc tư duy.
  3. Học sinh / Thí sinh (Student): Đăng nhập làm bài kiểm tra trắc nghiệm trực tuyến theo thời gian quy định, nộp bài, tra cứu điểm số, xem lại đáp án và lịch sử thi chi tiết.

Quy trình công nghệ và triển khai

  • Mô hình kiến trúc: Hệ thống website phân tầng hoàn chỉnh, tách biệt giữa tầng giao diện người dùng, tầng xử lý logic nghiệp vụ và tầng lưu trữ dữ liệu (Database Schema chuẩn hóa).
  • Tích hợp và triển khai liên tục (CI/CD): Xây dựng và thiết lập đường ống tự động hóa CI/CD trên nền tảng GitLab nhằm hỗ trợ kiểm thử, đóng gói và triển khai mã nguồn tự động.

Nội dung chính theo từng chương

Chương 1. Tổng quan đề tài

Trình bày tính cấp thiết của việc kết hợp giữa phương pháp kiểm tra trắc nghiệm khách quan, chuẩn nhận thức Bloom và ứng dụng CNTT trong giáo dục. Xác định rõ mục tiêu kép: xây dựng hệ thống phần mềm quản lý - thi trực tuyến và phát triển công cụ học máy phân lớp câu hỏi tự động. Đưa ra đối tượng, phạm vi nghiên cứu, giả thuyết khoa học và phương pháp luận triển khai.

Chương 2. Cơ sở lý thuyết

Hệ thống hóa toàn diện các lý thuyết nền tảng:

  • Phân tích chi tiết 6 bậc tư duy của Thang đo Bloom truyền thống (1956) và Bloom tu chính (2001), lập bảng định nghĩa hành vi, từ khóa và động từ hành động tương ứng cho từng bậc.
  • Phân tích ưu nhược điểm của trắc nghiệm tự luận so với trắc nghiệm khách quan; chi tiết hóa 4 dạng câu hỏi TNKQ (đa lựa chọn, đúng sai, điền khuyết, ghép đôi); định nghĩa độ tin cậy và độ giá trị.
  • Trình bày cơ sở toán học và thuật toán xử lý ngôn ngữ tự nhiên: công thức tính TF, IDF, TF-IDF; nguyên lý biến đổi từ Stemming và Lemmatization; gán nhãn Part-of-Speech.
  • Trình bày cơ sở toán học của các thuật toán phân loại: Naive Bayes (dựa trên định lý xác suất Bayes và giả định độc lập có điều kiện), Support Vector Machine (tìm siêu phẳng cực đại hóa khoảng cách biên), Passive Aggressive (cập nhật trọng số theo cơ chế online learning).
  • Phân tích các phương pháp Ensemble Learning (Max Voting, Averaging, Weighted Averaging, Bagging, Boosting, Stacking) và 3 kỹ thuật cập nhật mô hình (Offline, Mini-batch, Online Learning).

Chương 3. Khảo sát, phân tích thiết kế hệ thống

Tổng hợp khảo sát hiện trạng và các công trình nghiên cứu đi trước. Tiến hành thiết kế hệ thống chi tiết:

  • Xác định sơ đồ phân rã chức năng và sơ đồ use case tổng quát.
  • Xây dựng đặc tả use case, biểu đồ tuần tự (Sequence Diagram) và biểu đồ lớp (Class Diagram) cho các module nghiệp vụ then chốt: Thêm câu hỏi, Import danh sách câu hỏi, Chỉnh sửa/xóa câu hỏi, Tạo đề thi thủ công/tự động, Chỉnh sửa/xóa đề thi, Làm bài thi trực tuyến, và Thống kê kết quả thi.
  • Thiết kế cơ sở dữ liệu quan hệ (Entity-Relationship Diagram - ERD) và ánh xạ dữ liệu.
  • Thiết kế sơ đồ luồng màn hình (Screen Flow) tổng quan cho nhóm Quản trị viên/Giáo viên và nhóm Thí sinh.

Chương 4. Xây dựng mô hình phân loại câu hỏi

Mô tả toàn bộ quy trình thực nghiệm học máy:

  • Tiền xử lý văn bản câu hỏi, loại bỏ ký tự đặc biệt, chuẩn hóa từ loại và trích chọn đặc trưng bằng TF-IDF.
  • Triển khai huấn luyện và đánh giá thực nghiệm trên các mô hình phân loại độc lập (Naive Bayes, SVM, Passive Aggressive, SGD...).
  • Tiến hành tối ưu hóa siêu tham số và thử nghiệm phương pháp kết hợp mô hình (Ensemble). Kết quả thực nghiệm xác định mô hình kết hợp giữa Passive Aggressive (PA) và Stochastic Gradient Descent (SGD) mang lại hiệu năng cao nhất với độ chính xác đạt 80% và F1-Score vượt trội trên các mức độ nhận thức.
  • Tích hợp mô-đun huấn luyện lại (Online Learning), cho phép hệ thống cập nhật trọng số phân loại trực tiếp khi có dữ liệu câu hỏi mới từ ngân hàng mà không cần huấn luyện lại từ đầu trên toàn bộ tập dữ liệu cũ.

Chương 5. Triển khai hệ thống

Trình bày kết quả cài đặt và giao diện thực tế của hệ thống:

  • Mô tả kiến trúc hạ tầng và quy trình CI/CD thiết lập trên GitLab.
  • Giao diện người dùng: Bảng điều khiển (Dashboard), module quản lý người dùng, phân quyền, quản lý môn học theo chương mục.
  • Module soạn thảo câu hỏi tích hợp tính năng tự động gợi ý mức độ Bloom dựa trên mô hình học máy; tính năng xem trước (preview) và import câu hỏi hàng loạt từ file.
  • Module quản lý đề thi: Thiết lập template cấu trúc đề, chọn câu hỏi thủ công hoặc tạo đề tự động theo tỷ lệ ma trận Bloom, giao đề thi cho từng lớp/nhóm thí sinh.
  • Phân hệ thi trực tuyến: Giao diện hiển thị quy chế thi, bộ đếm ngược thời gian làm bài, giao diện chọn đáp án và nộp bài.
  • Module báo cáo thống kê: Thống kê phổ điểm (thang điểm 1–10), biểu đồ phân tích phần trăm mức độ hoàn thành câu hỏi theo từng cấp độ nhận thức Bloom, thống kê tần suất sử dụng và tỷ lệ trả lời đúng/sai của từng câu hỏi trong ngân hàng.

Chương 6. Kết luận và hướng phát triển

Đánh giá mức độ hoàn thành so với mục tiêu đề ra; tổng kết các đóng góp thực tiễn của đề tài; phân tích các hạn chế còn tồn đọng về mặt kỹ thuật, dữ liệu và đề xuất định hướng phát triển trong tương lai.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  • Về mô hình học máy: Xây dựng thành công mô hình phân loại câu hỏi trắc nghiệm tự động theo 6 cấp độ nhận thức Bloom. Trong các phương pháp thử nghiệm, mô hình kết hợp (Ensemble) giữa thuật toán Passive Aggressive (PA) và Stochastic Gradient Descent (SGD) đạt độ chính xác cao nhất là 80%. Tích hợp thành công cơ chế Online Learning hỗ trợ cập nhật mô hình linh hoạt khi có dữ liệu mới.
  • Về phần mềm ứng dụng: Xây dựng hoàn chỉnh hệ thống quản lý câu hỏi và thi trắc nghiệm trực tuyến trên nền tảng web, bao gồm đầy đủ các module: quản lý người dùng/phân quyền, quản lý môn học, ngân hàng câu hỏi (soạn thảo, import, gợi ý Bloom tự động), quản lý đề thi (tạo đề thủ công, tạo đề tự động theo ma trận cấu trúc Bloom), tổ chức thi trực tuyến với đồng hồ đếm ngược, và hệ thống báo cáo thống kê trực quan.
  • Về quy trình phát triển: Ứng dụng thành công quy trình phân tích thiết kế hệ thống chuẩn hóa bằng UML và thiết lập quy trình tự động hóa kiểm thử, triển khai liên tục (CI/CD) thông qua GitLab.

Giải pháp và kiến nghị của tác giả

  • Ứng dụng quy trình tự động phân loại câu hỏi nhằm giảm tải thời gian cho giáo viên trong khâu thẩm định và sắp xếp câu hỏi vào ma trận đề thi.
  • Sử dụng báo cáo phân tích kết quả thi theo thang đo Bloom để giúp nhà trường và giáo viên đánh giá chính xác năng lực tư duy của học sinh (từ mức nhận biết cơ bản đến tư duy vận dụng, phân tích), qua đó điều chỉnh phương pháp giảng dạy phù hợp.

Đóng góp của đề tài

  1. Cung cấp một tài liệu tham khảo có giá trị về mặt kỹ thuật và phương pháp luận trong việc ứng dụng công nghệ thông tin và học máy để đổi mới công tác kiểm tra, đánh giá giáo dục.
  2. Xây dựng một hệ thống phần mềm hoàn chỉnh cho phép số hóa ngân hàng câu hỏi theo chuẩn thang đo Bloom và tổ chức thi trực tuyến khép kín.
  3. Đề xuất giải pháp kết hợp thuật toán học máy (PA + SGD) và cơ chế học trực tuyến (Online Learning) áp dụng hiệu quả vào bài toán phân lớp văn bản câu hỏi thi trắc nghiệm tiếng Việt.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

  • Số lượng và sự phân bố dữ liệu câu hỏi ở một số cấp độ nhận thức bậc cao (Đánh giá, Sáng tạo) còn hạn chế so với các bậc nhận thức thấp (Nhớ, Hiểu), gây ảnh hưởng đến độ đồng đều của mô hình phân lớp.
  • Việc xử lý các câu hỏi có cấu trúc ngôn ngữ phức tạp, chứa nhiều hình vẽ, ký hiệu công thức toán học hoặc ngữ cảnh đặc thù chưa được giải quyết triệt để trong mô hình NLP hiện tại.
  • Thời gian và tài nguyên tính toán khi huấn luyện mô hình với tập dữ liệu mở rộng quy mô lớn cần tiếp tục được tối ưu hóa.

Hướng phát triển tiếp theo

  • Tiếp tục thu thập, làm giàu bộ dữ liệu câu hỏi ở các môn học và các cấp độ nhận thức khác nhau nhằm nâng cao độ chính xác tổng thể của mô hình phân loại.
  • Nghiên cứu áp dụng các kiến trúc học sâu (Deep Learning) và các mô hình ngôn ngữ lớn (Pre-trained Language Models) cho bài toán phân loại văn bản tiếng Việt chuyên sâu.
  • Nâng cấp giao diện người dùng, bổ sung các tính năng giám sát thi trực tuyến nâng cao (chống gian lận, cảnh báo vi phạm) và phát triển ứng dụng trên nền tảng thiết bị di động.

Giá trị tham khảo

Khóa luận là nguồn tài liệu tham khảo hữu ích cho các nhóm đối tượng:

  • Sinh viên ngành Hệ thống Thông tin, Công nghệ Thông tin, Khoa học Dữ liệu: Tham khảo chi tiết về quy trình phân tích thiết kế hệ thống thông tin hoàn chỉnh (từ sơ đồ use case, sequence diagram, class diagram đến thiết kế CSDL quan hệ); phương pháp thực nghiệm và đánh giá các mô hình học máy phân lớp văn bản (TF-IDF, Passive Aggressive, SGD, Ensemble Learning).
  • Giảng viên, cán bộ quản lý giáo dục: Tham khảo phương pháp xây dựng ma trận đề thi, quản lý ngân hàng câu hỏi chuẩn hóa theo thang đo nhận thức Bloom và cách thức ứng dụng thống kê để đánh giá chất lượng học tập của học sinh.
  • Kỹ sư phát triển phần mềm giáo dục (EdTech): Tham khảo kiến trúc triển khai hệ thống thi trực tuyến, giải pháp tích hợp mô hình AI gợi ý phân loại vào phần mềm thực tế và quy trình CI/CD với GitLab.

Câu hỏi thường gặp

1. Hệ thống sử dụng mô hình học máy nào để tự động phân loại câu hỏi và độ chính xác đạt được là bao nhiêu?
Hệ thống sử dụng mô hình kết hợp (Ensemble Learning) giữa hai thuật toán là Passive Aggressive (PA) và Stochastic Gradient Descent (SGD) sau quá trình thử nghiệm và tối ưu hóa tham số. Mô hình kết hợp này đạt độ chính xác phân loại cao nhất là 80%.

2. Thang đo nhận thức Bloom được áp dụng trong khóa luận gồm những cấp độ nào?
Khóa luận áp dụng Thang đo nhận thức Bloom tu chính (Bloom’s Revised Taxonomy 2001) với 6 cấp độ nhận thức sắp xếp từ thấp đến cao: Nhớ (Remembering), Hiểu (Understanding), Vận dụng (Applying), Phân tích (Analyzing), Đánh giá (Evaluating), và Sáng tạo (Creating).

3. Cơ chế huấn luyện lại mô hình (Model Retraining) trong hệ thống hoạt động như thế nào?
Hệ thống áp dụng phương pháp Online Learning. Cơ chế này cho phép mô hình cập nhật trọng số trực tiếp theo từng điểm dữ liệu mới hoặc theo các lô nhỏ (mini-batch) từ ngân hàng câu hỏi mà không cần phải thực hiện huấn luyện lại toàn bộ từ đầu (Offline Learning) trên toàn bộ tập dữ liệu cũ, giúp tiết kiệm đáng kể thời gian và không gian lưu trữ.

4. Hệ thống hỗ trợ tạo đề thi theo những phương thức nào?
Hệ thống cung cấp hai phương thức tạo đề thi: tạo đề thi thủ công (giáo viên tự chọn từng câu hỏi từ ngân hàng) và tạo đề thi tự động (hệ thống tự động trích xuất câu hỏi dựa trên cấu trúc template và ma trận phân bổ tỷ lệ các cấp độ nhận thức Bloom do giáo viên cài đặt).

5. Những kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) nào đã được nhóm tác giả sử dụng?
Khóa luận sử dụng kỹ thuật trích chọn đặc trưng TF-IDF, kỹ thuật đưa từ về dạng gốc Stemming (khảo sát PorterStemmer, LancasterStemmer, SnowballStemmer), kỹ thuật bế ngữ Lemmatization (WordNetLemmatizer) và kỹ thuật gán nhãn từ loại Part-of-Speech (POS) từ thư viện NLTK.

Kết luận

Khóa luận tốt nghiệp của nhóm tác giả Cái Ngọc Anh Tài và Võ Thị Duy Thảo đã giải quyết thành công bài toán số hóa quy trình quản lý câu hỏi và tổ chức thi trắc nghiệm khách quan theo chuẩn Thang đo nhận thức Bloom. Đề tài nổi bật với việc tích hợp mô hình học máy kết hợp (Passive Aggressive và Stochastic Gradient Descent) đạt độ chính xác 80% trong phân loại câu hỏi tự động, đi kèm cơ chế học trực tuyến linh hoạt. Sản phẩm phần mềm web được thiết kế, kiểm thử và triển khai theo quy trình kỹ thuật bài bản, mang lại giá trị ứng dụng thiết thực cho công tác kiểm tra, đánh giá và nâng cao chất lượng giáo dục hiện đại.