Hệ Tư Vấn Cho Học Sinh Chọn Tổ Hợp Môn Thi Tốt Nghiệp THPT Quốc Gia

Luận văn thạc sĩ trình bày hệ tư vấn giúp học sinh chọn tổ hợp môn thi tốt nghiệp trung học phổ thông quốc gia hiệu quả và phù hợp.

• Tác giả: Lâm Thị Anh Hoàng
• Người hướng dẫn: TS. Văn Thế Thành
• Trường học: Trường Đại Học Bà Rịa - Vũng Tàu
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Hệ Tư Vấn Chọn Tổ Hợp Môn Thi Tốt Nghiệp THPT Quốc Gia
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Bà Rịa - Vũng Tàu

Tóm tắt

I. Tổng Quan Hệ Thống Tư Vấn Chọn Môn Thi THPT Quốc Gia

Trước năm 2016, Bộ GD&ĐT quy định học sinh THPT thi ít nhất 4 môn, bao gồm 3 môn bắt buộc và 1 môn tự chọn. Sau đó, phương án thi THPT Quốc gia thay đổi, học sinh thi 4 bài thi, bao gồm 3 bài thi bắt buộc (Toán, Ngữ văn, Ngoại ngữ) và 1 bài thi tự chọn (Khoa học Tự nhiên hoặc Khoa học Xã hội). Các trường THPT gặp nhiều khó khăn trong việc sắp xếp lớp và phân công chuyên môn. Tuy nhiên, việc sắp xếp này thường dựa trên mong muốn chủ quan của phụ huynh và học sinh. Việc lựa chọn môn thi chưa dựa trên đánh giá năng lực bản thân hoặc phương pháp phân tích khoa học. Vì vậy, cần thiết xây dựng một hệ thống tư vấn hỗ trợ học sinh và phụ huynh lựa chọn tổ hợp môn theo đúng năng lực học tập. Hệ thống sẽ phân tích dữ liệu học tập, điểm số và năng lực của học sinh, từ đó đưa ra gợi ý phù hợp với kỳ thi THPT Quốc gia.

1.1. Sự Cần Thiết Của Hệ Tư Vấn Chọn Môn Thi

Sự thay đổi trong phương án thi tốt nghiệp THPT Quốc gia đòi hỏi các trường THPT phải có sự điều chỉnh trong công tác tổ chức và quản lý. Việc lựa chọn môn thi trước đây thường dựa trên mong muốn chủ quan, thiếu cơ sở khoa học. Điều này có thể dẫn đến việc học sinh không phát huy hết năng lực của mình. Hệ thống tư vấn sẽ cung cấp một phương pháp đánh giá khách quan, giúp học sinh và phụ huynh đưa ra quyết định sáng suốt hơn. Dữ liệu từ các trường THPT trên địa bàn Thành phố Vũng Tàu cho thấy sự cần thiết của một công cụ hỗ trợ tư vấn chọn môn thi hiệu quả.

1.2. Tổng Quan Các Nghiên Cứu Liên Quan Hệ Thống Tư Vấn

Nhiều nghiên cứu đã được thực hiện về hệ thống tư vấn cho học sinh hoặc phân loại học sinh theo năng lực. Các giải pháp khác nhau đã được đưa ra, sử dụng các thuật toán như K-means, cây quyết định, Bayesian, mạng nơ-ron và K-MEDIODS. Các thuật toán này được ứng dụng để phân chia học sinh vào các lớp học phù hợp, tư vấn nghề nghiệp và nâng cao hiệu suất học tập. Khadir và cộng sự (2015) đã tiếp cận kỹ thuật phân cụm dựa trên bảng đồ tự tổ chức SOM nhằm phân tích hiệu suất học tập của học sinh để từ đó theo dõi định hướng các khóa học kế tiếp [9]. Việc phân loại học sinh kết hợp giữa phân cụm K-means và mạng SOM là một phương pháp khả thi.

II. Phương Pháp Phân Cụm K Means Trong Hệ Tư Vấn Chọn Môn

Phương pháp phân cụm K-means là một kỹ thuật quan trọng trong hệ thống tư vấn. Thuật toán K-means giúp phân chia dữ liệu học sinh thành các cụm khác nhau dựa trên điểm số và năng lực. Mỗi cụm đại diện cho một nhóm học sinh có đặc điểm học tập tương đồng. Việc phân cụm này giúp hệ thống xác định các nhóm học sinh có năng lực và khả năng tương tự, từ đó đưa ra tư vấn chọn môn thi phù hợp. Thuật toán hoạt động bằng cách chọn ngẫu nhiên các tâm cụm, sau đó gán mỗi học sinh vào cụm gần nhất và cập nhật lại tâm cụm. Quá trình này lặp lại cho đến khi các cụm ổn định. Theo Oyelade và cộng sự (2010), việc sử dụng thuật toán K-means có thể dự báo hiệu suất học tập cho sinh viên.

2.1. Thuật Toán K Means Cơ Sở Lý Thuyết Và Ứng Dụng

Thuật toán K-means là một phương pháp gom cụm thuộc loại học không giám sát, được ứng dụng nhiều trong các bài toán gom cụm các dữ liệu tương tự. Ý tưởng của thuật toán là phân chia một tập dữ liệu ban đầu thành các cụm khác nhau, dữ liệu trong mỗi cụm có tính chất tương tự nhau. Số lượng cụm được cho trước là k. Công việc gom cụm được xây dựng trên quy tắc: các dữ liệu trong cùng một cụm phải có cùng một số đặc trưng nhất định. Các dữ liệu trong cùng một cụm phải có sự liên quan lẫn nhau.

2.2. Ví Dụ Thực Nghiệm Phân Cụm Dữ Liệu Học Sinh Bằng K Means

Để minh họa ứng dụng của thuật toán K-means, một ví dụ thực nghiệm có thể được thực hiện trên dữ liệu học sinh. Dữ liệu bao gồm điểm số các môn học, kết quả học tập và các thông tin cá nhân khác. Thuật toán K-means được sử dụng để phân chia học sinh thành các cụm dựa trên các đặc trưng này. Kết quả phân cụm cho thấy các nhóm học sinh có xu hướng học tập và năng lực khác nhau. Ví dụ, một cụm có thể bao gồm các học sinh giỏi các môn khoa học tự nhiên, trong khi một cụm khác bao gồm các học sinh giỏi các môn khoa học xã hội.

III. Mạng SOM Và Phân Lớp K NN Kết Hợp Trong Tư Vấn Chọn Môn

Mạng SOM (Self-Organizing Map) và thuật toán K-NN (K-Nearest Neighbors) là hai công cụ mạnh mẽ được kết hợp trong hệ thống tư vấn. Mạng SOM giúp trực quan hóa và phân loại dữ liệu học sinh một cách hiệu quả. Sau khi dữ liệu được phân loại bằng SOM, thuật toán K-NN được sử dụng để xác định các học sinh tương đồng và đưa ra tư vấn chọn môn phù hợp. Sự kết hợp này mang lại độ chính xác cao và khả năng tư vấn cá nhân hóa. Mạng SOM tự động tổ chức dữ liệu dựa trên sự tương đồng, tạo ra một bản đồ trực quan về năng lực học sinh. Thuật toán K-NN tìm kiếm các học sinh gần nhất trong bản đồ SOM và sử dụng thông tin của họ để đưa ra gợi ý cho học sinh đang được tư vấn.

3.1. Cấu Trúc Mạng SOM Nguyên Lý Hoạt Động Và Ưu Điểm

Mạng SOM là một loại mạng nơ-ron nhân tạo, được sử dụng để giảm chiều dữ liệu và trực quan hóa dữ liệu đa chiều. Mạng SOM tự động học cách tổ chức dữ liệu đầu vào thành một bản đồ hai chiều, trong đó các điểm dữ liệu tương tự được nhóm lại gần nhau. Ưu điểm của mạng SOM là khả năng tự học, khả năng trực quan hóa dữ liệu phức tạp và khả năng tìm kiếm các mối quan hệ ẩn trong dữ liệu. Lee và cộng sự (2019) đã kết hợp mạng SOM và phương pháp phân cụm phân cấp để thực hiện gom cụm học sinh theo năng lực và phân loại học sinh trên mạng SOM.

3.2. Thuật Toán Phân Lớp K NN Áp Dụng Sau Mạng SOM

Thuật toán K-NN là một phương pháp phân loại dựa trên khoảng cách. Khi một học sinh mới cần được tư vấn, thuật toán K-NN tìm kiếm k học sinh gần nhất trong tập dữ liệu đã được phân loại bằng mạng SOM. Sau đó, thuật toán sử dụng thông tin về môn thi mà các học sinh gần nhất đã chọn để đưa ra gợi ý cho học sinh mới. Ưu điểm của thuật toán K-NN là đơn giản, dễ hiểu và hiệu quả. Tuy nhiên, thuật toán này cũng có một số hạn chế, chẳng hạn như độ chính xác có thể bị ảnh hưởng bởi lựa chọn giá trị k và khoảng cách giữa các điểm dữ liệu.

IV. Xây Dựng Mô Hình Thực Nghiệm Hệ Tư Vấn Chọn Môn THPT

Mô hình thực nghiệm được xây dựng để kiểm chứng hiệu quả của hệ thống tư vấn. Dữ liệu thực nghiệm được thu thập từ các trường THPT, bao gồm điểm số, kết quả học tập và thông tin cá nhân của học sinh. Mô hình được triển khai trên môi trường server và client để đánh giá hiệu suất và khả năng mở rộng. Kết quả thực nghiệm cho thấy hệ thống tư vấn có độ chính xác cao trong việc dự đoán năng lực học sinh và gợi ý môn thi phù hợp. Purbasari và cộng sự (2020) xây dựng một mạng SOM nhằm huấn luyện các trọng số để từ đó phân loại học sinh qua các giá trị mức độ điểm trung bình theo từng môn học [11]. Hệ thống sẽ có giao diện thân thiện, dễ sử dụng để học sinh và phụ huynh có thể dễ dàng truy cập và sử dụng.

4.1. Môi Trường Thực Nghiệm Ngôn Ngữ Lập Trình Và Dữ Liệu

Môi trường thực nghiệm bao gồm các công cụ và dữ liệu cần thiết để xây dựng và đánh giá mô hình. Ngôn ngữ lập trình được sử dụng là Python, với các thư viện hỗ trợ như scikit-learn, numpy và pandas. Dữ liệu thực nghiệm được thu thập từ các trường THPT, bao gồm điểm số các môn học, kết quả học tập, thông tin cá nhân của học sinh và lựa chọn môn thi của các học sinh khóa trước. Dữ liệu này được sử dụng để huấn luyện mô hình và đánh giá hiệu suất của hệ thống tư vấn.

4.2. Kết Quả Thực Nghiệm Đánh Giá Độ Chính Xác Của Hệ Thống

Kết quả thực nghiệm cho thấy hệ thống tư vấn có độ chính xác cao trong việc dự đoán năng lực học sinh và gợi ý môn thi phù hợp. Độ chính xác được đánh giá bằng cách so sánh gợi ý của hệ thống với lựa chọn môn thi thực tế của học sinh. Các chỉ số khác như thời gian dự đoán và khả năng mở rộng cũng được đánh giá để đảm bảo hệ thống hoạt động hiệu quả trong thực tế. Kết quả thực nghiệm trên bộ dữ liệu có 1073 mẫu cho thấy tiềm năng ứng dụng của hệ thống trong việc hỗ trợ học sinh chọn môn thi tốt nghiệp THPT.

V. Ứng Dụng Thực Tế Và Triển Vọng Phát Triển Hệ Tư Vấn

Hệ thống tư vấn có thể được ứng dụng rộng rãi trong các trường THPT, giúp học sinh và phụ huynh đưa ra quyết định chọn môn thi một cách sáng suốt. Hệ thống cũng có thể được tích hợp với các nền tảng giáo dục trực tuyến để cung cấp dịch vụ tư vấn từ xa. Trong tương lai, hệ thống có thể được cải tiến bằng cách sử dụng các thuật toán học máy tiên tiến hơn và tích hợp thêm các yếu tố như sở thích cá nhân và định hướng nghề nghiệp của học sinh. Luận văn này đã xây dựng một hệ tư vấn chọn lựa cho học sinh trên cơ sở dữ liệu quá khứ và dữ liệu huấn luyện để phân loại dự báo và tư vấn cho học sinh.

5.1. Triển Khai Hệ Thống Giao Diện Người Dùng Và Tính Năng

Hệ thống tư vấn cần có giao diện người dùng thân thiện và dễ sử dụng để học sinh và phụ huynh có thể dễ dàng truy cập và sử dụng. Giao diện cần cung cấp các tính năng như nhập thông tin học sinh, xem kết quả đánh giá năng lực, nhận gợi ý môn thi và xem các thông tin liên quan về kỳ thi THPT Quốc gia. Hệ thống cũng cần có các tính năng quản lý dữ liệu và báo cáo để hỗ trợ nhà trường trong công tác tư vấn.

5.2. Nâng Cấp Hệ Thống Tích Hợp Các Yếu Tố Mới

Để nâng cao hiệu quả và tính cá nhân hóa của hệ thống tư vấn, có thể tích hợp thêm các yếu tố như sở thích cá nhân, định hướng nghề nghiệp và các thông tin về thị trường lao động. Sử dụng các thuật toán học máy tiên tiến hơn có thể cải thiện độ chính xác của hệ thống. Đồng thời, hệ thống cần được cập nhật thường xuyên để phản ánh những thay đổi trong quy chế thi và chương trình học.

VI. Kết Luận Hướng Nghiên Cứu Tiếp Theo Về Hệ Tư Vấn THPT

Luận văn đã trình bày quá trình xây dựng và đánh giá một hệ thống tư vấn chọn môn thi tốt nghiệp THPT Quốc gia. Hệ thống sử dụng kết hợp các thuật toán phân cụm K-means, mạng SOM và phân lớp K-NN để đưa ra gợi ý môn thi phù hợp với năng lực và sở thích của học sinh. Kết quả thực nghiệm cho thấy hệ thống có tiềm năng ứng dụng cao trong thực tế. Hướng nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của hệ thống, tích hợp thêm các yếu tố mới và phát triển các ứng dụng di động để học sinh có thể sử dụng hệ thống mọi lúc, mọi nơi. Trên cơ sở các phân cụm này, mạng SOM được huấn luyện các véc-tơ trọng số dựa trên bộ dữ liệu mẫu bằng cách tinh chỉnh trọng số theo phân lớp của cụm đầu ra.

6.1. Tổng Kết Đóng Góp Của Hệ Thống Tư Vấn Chọn Môn

Hệ thống tư vấn chọn môn đóng góp vào việc giúp học sinh đưa ra quyết định dựa trên cơ sở khoa học và khách quan, thay vì chỉ dựa vào cảm tính hoặc ý kiến chủ quan. Hệ thống cung cấp một công cụ hỗ trợ hữu ích cho cả học sinh, phụ huynh và nhà trường trong quá trình định hướng nghề nghiệp và chuẩn bị cho kỳ thi quan trọng. Việc kết hợp các phương pháp K-means và SOM, cùng với K-NN tạo ra một hệ thống có khả năng dự báo và tư vấn chính xác.

6.2. Hướng Phát Triển Ứng Dụng AI Và Dữ Liệu Lớn

Trong tương lai, có thể sử dụng các kỹ thuật trí tuệ nhân tạo (AI) và phân tích dữ liệu lớn (Big Data) để nâng cao hiệu quả của hệ thống tư vấn. Ví dụ, có thể sử dụng học sâu để phân tích dữ liệu văn bản từ các bài luận hoặc phỏng vấn học sinh, từ đó hiểu rõ hơn về sở thích và định hướng nghề nghiệp của họ. Ngoài ra, có thể sử dụng dữ liệu lớn về thị trường lao động để dự đoán nhu cầu việc làm trong tương lai và tư vấn cho học sinh chọn những môn học có liên quan.

Trích đoạn nội dung tài liệu

Chương 1. TỔNG QUAN VỀ HỆ TƯ VẤN CHO HỌC SINH CHỌN MÔN THI 1. TỔNG QUAN VỀ NHU CẦU HỆ TƯ VẤN CHỌN MÔN THI 1. Sự cần thiết của hệ tư vấn Trước năm 2016, Bộ GD&ĐT đã công bố phương án thi tốt nghiệp đối với học sinh THPT gồm ít nhất 4 môn: 3 môn bắt buộc Toán, Ngữ văn, Ngoại ngữ và 1 môn tự chọn trong các môn Vật lý, Hóa học, Sinh học, Lịch sử, Địa lý [1].

Trên cơ sở này, các trường THPT tiến hành cho học sinh đăng ký chọn môn theo năng lực của mình. Vào ngày 28/9/2016 Bộ GD&ĐT công bố phương án thi THPT Quốc gia, đó là học sinh THPT thi 4 bài thi gồm: 3 bài thi bắt buộc Toán, Ngữ văn, Ngoại ngữ và 1 bài thi tự chọn: bài thi Khoa học Tự nhiên hoặc bài thi Khoa học Xã hội. Với bài thi Ngoại ngữ, học sinh có thể chọn thi một trong các thứ tiếng: Anh, Nga, Pháp, Trung, Đức, Nhật. Học sinh có thể dự thi cả 5 bài thi để sử dụng kết quả xét tuyển vào ĐH, CĐ [2].

Với mô hình thi này, bắt đầu năm học 2016 – 2017, các trường THPT gặp rất nhiều khó khăn như nhà trường phải sắp xếp và chia lại lớp cho học sinh lớp 12, phân công lại chuyên môn, xếp lại thời khóa biểu… Tuy nhiên, tất cả việc sắp xếp lại của nhà trường đều dựa trên mong muốn của PH và HS, tức là chỉ dựa trên ý muốn chủ quan. Phương án này mặc dù thỏa mãn được nguyện vọng của PH và HS nhưng có thể chưa phát huy hết năng lực của học sinh vì việc đăng ký chọn môn thi phần lớn dựa vào ý muốn chủ quan hoặc theo ý kiến của số đông hoặc theo nguyện vọng của PH… Việc lựa chọn này không theo sự đánh giá năng lực của bản thân cũng như không dựa trên một phương pháp phân tích có cơ sở khoa học nhất định. Vì vậy, đề tài luận văn xây dựng một hệ thống tư vấn hỗ trợ cho HS và PH chọn lựa tổ hợp môn theo đúng năng lực học tập.gia Luan van (Luan. Các nghiên cứu liên quan Đối với hệ thống tư vấn cho học sinh hoặc phân loại học sinh theo năng lực, nhiều nhóm nghiên cứu đã đưa ra các giải pháp khác nhau cho từng bài toán cụ thể nhằm tư vấn cho học sinh, cho nhà trường chọn lựa những định hướng để quyết định trong những trường hợp khác nhau như: sử dụng thuật toán K-means để gom cụm các học sinh theo năng lực (gồm 6 mức năng lực) dựa trên điểm số của các môn học [3], sử dụng kỹ thuật cây quyết định, Bayesian, mạng nơ-ron, kỹ thuật láng giềng, K-MEDIODS để phân lớp và gom cụm học sinh theo các thuộc tính về các mối tương quan giữa học sinh và giáo viên để phân chia học sinh vào các lớp học phù hợp [4], chia nhóm học sinh bằng thuật toán K-means dựa trên điểm trung bình của từng môn theo học kỳ để từ đó đưa ra các tư vấn phù hợp [5], phân loại học sinh dựa trên các thông tin cá nhân và nguyện vọng để từ đó tư vấn nghề nghiệp cho học sinh THPT bằng phương pháp phân cụm, phân cấp kết hợp với K-means [6], phân nhóm học sinh nhằm mở các lớp học phù hợp bằng kỹ thuật bảng đồ tự tổ chức SOM (Self-Organizing Map) và cấu trúc phân cụm phân cấp [7], sử dụng kỹ thuật học sâu kết hợp cây FP-Tree trên tiếp cận Adaboost để phân loại học sinh dựa trên điểm trung bình từng môn học theo học kỳ để từ đó định hướng cho học sinh nâng cao hiệu suất học tập [8], phân tích điểm số và đưa ra phương án học tập phù hợp bằng kỹ thuật phân cụm và phân lớp trên mạng SOM [9], nghiên cứu phương pháp học không giám sát để phân loại học sinh dựa trên kỹ thuật luật kết hợp và phân tích thành phần chính PCA (Principal component analysis) để giảm số chiều dữ liệutừ đó đánh giá hiệu suất học tập của học sinh [10], phân nhóm học sinh dựa trên mức độ học tập theo từng môn học bằng kỹ thuật SOM [11]… Oyelade và cộng sự (2010) đã tiếp cận thuật toán gom cụm K-means để dự báo hiệu suất học tập cho sinh viên.

Trong bài báo này, nhóm tác giả đã thực (Luan.gia Luan van (Luan.gia Trang 10 hiện phân nhóm các học sinh theo 6 mức độ học lực khác nhau (Excellent, Very Good, Good, Very Fair, Fair, Poor) để từ đó định hướng cho học sinh có kế hoạch học tập tiếp theo [3]. Với kết quả này, phương pháp chỉ tiếp cận thuật toán K-means nhằm phân nhóm các học sinh với số nhóm phải được phân hoạch từ trước, do đó nếu dữ liệu tăng trưởng thì việc phân hoạch phải thực hiện lại từ đầu và có thể tạo ra một kết quả khác. Khadir và cộng sự (2015) đã tiếp cận kỹ thuật phân cụm dựa trên bảng đồ tự tổ chức SOM nhằm phân tích hiệu suất học tập của học sinh để từ đó theo dõi định hướng các khóa học kế tiếp [9]. Quá trình phân cụm học sinh của phương pháp này được chọn lựa dựa trên việc gom cụm bộ dữ liệu để từ đó huấn luyện trọng số cho mô hình SOM.

Tuy nhiên, việc phân cụm dữ liệu chỉ dựa vào việc gom nhóm các đặc tính tương tự của học sinh, do đó cần phải có một thuật toán gom cụm phù hợp cho dữ liệu tăng trưởng. Fan và cộng sự (2017) sử dụng phương pháp phân cụm K-means để phân nhóm các học sinh dựa trên điểm trung bình của các môn học theo từng học kỳ [5]. Đối với phương pháp của nhóm tác giả này, các tâm cụm khởi tạo cho thuật toán K-means được chọn bằng cách chia theo từng nhóm dữ liệu, từ đó các nhóm học sinh được phân loại. Việc áp dụng thuật toán K-means cho bộ dữ liệu điểm số của học sinh chưa thể bổ sung các phần tử dữ liệu mới, hơn nữa với mỗi phần tử dữ liệu mới này chưa thể phân loại và phân lớp các học sinh.

Lee và cộng sự (2019) kết hợp mạng SOM và phương pháp phân cụm phân cấp để thực hiện gom cụm học sinh theo năng lực và phân loại học sinh trên mạng SOM. Theo kết quả thực nghiệm của bài báo cho thấy việc đánh giá và phân loại học sinh có độ chính xác cao và có thể theo dõi học sinh theo dữ liệu của dòng thời gian cho mỗi học sinh [7]. Purbasari và cộng sự (2020) xây dựng một mạng SOM nhằm huấn luyện các trọng số để từ đó phân loại học sinh qua các giá trị mức độ điểm trung bình (Luan.gia Luan van (Luan.gia Trang 11 theo từng môn học [11]. Trong công trình này, nhóm tác giả đưa ra các nhóm phân loại dựa vào véc-tơ chiến thắng trên mạng SOM, chưa kết hợp các phần tử láng giềng để phân loại học sinh cũng như chưa đưa ra định hướng cho học sinh về việc nâng cao hiệu suất cũng như kế hoạch học tập tiếp theo.

Theo các công trình khảo sát trên, việc phân loại học sinh kết hợp giữa phân cụm K-means và mạng SOM là một phương pháp khả thi và là một chủ đề nghiên cứu thời sự. Việc đánh giá và phân loại này giúp cho quá trình phân loại không mang tính chủ quan của con người. Hơn nữa, với mỗi bộ dữ liệu mới của mỗi học sinh, phương pháp này có thể dự báo về năng lực của học sinh, phân nhóm học sinh để từ đó đưa ra những tư vấn phù hợp. Trên cơ sở này, nội dung luận văn thực hiện xây dựng một hệ tư vấn chọn lựa cho học sinh trên cơ sở dữ liệu quá khứ và dữ liệu huấn luyện để phân loại dự báo và tư vấn cho học sinh.

Dữ liệu huấn luyện của học sinh được sưu tập theo năng lực điểm số và phân cụm dựa trên phương pháp K-means để từ đó làm đầu vào cho các nhóm phần tử láng giềng của mạng SOM. Trên cơ sở các phân cụm này, mạng SOM được huấn luyện các véc-tơ trọng số dựa trên bộ dữ liệu mẫu bằng cách tinh chỉnh trọng số theo phân lớp của cụm đầu ra. Sau quá trình huấn luyện, mô hình phân loại là các véc-tơ trọng số nhằm phân loại một học sinh đầu vào bất kỳ. Sau khi phân loại dựa trên véc-tơ chiến thắng, các phần tử láng giềng trong mạng SOM được trích xuất để làm cơ sở phân lớp bằng phương pháp láng giềng gần nhất k-NN.

Đối với luận văn này, dữ liệu được thống kê từ các nguồn học sinh khác nhau tại các trường THPT khác nhau để từ đó xây dựng mô hình phân loại trên mạng SOM kết hợp với k-NN. Với việc phân loại này, học sinh được hỗ trợ trong việc chọn lựa các tổ hợp môn trong kỳ thi tốt nghiệp THPT Quốc gia. Ngoài ra, hệ thống này là sự kết hợp của việc cải tiến phương pháp K-means và phương pháp phân nhóm đối tượng bán giám sát theo SOM và k-NN.gia Luan van (Luan. Cơ sở lý thuyết liên quan đến luận văn 1.

Phương pháp học giám sát Học có giám sát (Supervised learning)là một kỹ thuật học máy nhằm tạo ra mô hình dự báo (có thể sử dụng các phương pháp phân lớp, hồi qui) từ bộ dữ liệu huấn luyện (training data) bao gồm các cặp đối tượng đầu vào và nhãn đầu ra mong muốn.Từ đó, mô hình đã huấn luyện được sử dụng đểdự đoán nhãn lớp cho đối tượng đầu vào. Dữ liệu Phân lớp Kết quả huấn luyện Hồi qui dự đoán Hình 1. Mô hình học có giám sát Cho một tập hợp biến đầu vào 𝑋 = {𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑁 } và một tập nhãn tương ứng 𝑌 = {𝑦1 , 𝑦2 , 𝑦3 , … , 𝑦𝑁 }, trong đó 𝑥𝑖 , 𝑦𝑖 là các véc-tơ. Các cặp dữ liệu biết trước (𝑥𝑖 , 𝑦𝑖 ) ∈ 𝑋 × 𝑌 được gọi là tập dữ liệu huấn luyện (training data).

Trong tập dữ liệu này, chúng ta cần tạo ra một hàm số ánh xạ mỗi phần tử từ tập 𝑋 sang một phần tử (xấp xỉ) tương ứng của tập 𝑌. Thuật toán học có giám sát được chia thành hai loại chính:  Phân loại (Classification): phân loại dữ liệu là một kỹ thuật dựa trên tập huấn luyện và những giá trị là nhãn của lớp trong một thuộc tính phân lớp và sử dụng nó trong việc phân lớp dữ liệu mới. Kỹ thuật phân lớp được tiến hành gồm hai bước: xây dựng mô hình và sử dụng mô hình. Xây dựng mô hình là mô tả một tập những lớp được định nghĩa trước, trong đó mỗi bộ được gán nhãn thuộc về một lớp được định nghĩa trước, được xác định bởi thuộc tính (Luan.gia Luan van (Luan.