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

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• BẢNG VIẾT TẮT
• DANH MỤC CÁC HÌNH ẢNH
• 1. CHƯƠNG 1: TỔNG QUAN VỀ HỆ TƯ VẤN CHO HỌC SINH CHỌN MÔN THI
• 1.1. TỔNG QUAN VỀ NHU CẦU HỆ TƯ VẤN CHỌN MÔN THI
• 1.1.1. Sự cần thiết của hệ tư vấn
• 1.1.2. Các nghiên cứu liên quan
• 1.1.3. Cơ sở lý thuyết liên quan đến luận văn
• 1.1.4. Cấu trúc hệ thống
• 1.1.5. Sự đóng góp của hệ thống
• 1.2. ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 1.2.1. Đối tượng nghiên cứu
• 1.2.2. Phương pháp nghiên cứu
• 1.3. LĨNH VỰC NGHIÊN CỨU
• 1.4. NỘI DUNG NGHIÊN CỨU
• 1.5. QUÁ TRÌNH THỰC HIỆN
• 1.5.1. Các bước thực hiện
• 1.5.2. Các kỹ thuật cần nghiên cứu
• 1.5.3. Các công cụ áp dụng
• 1.5.4. Nội dung các chương trong luận văn
• 1.6. TỔNG KẾT CHƯƠNG
• 2. CHƯƠNG 2: HỆ TƯ VẤN CHỌN MÔN THI TỔ HỢP CHO HỌC SINH
• 2.1. PHÂN CỤM DỮ LIỆU DỰA TRÊN K-MEANS
• 2.1.1. Thuật toán K-Means
• 2.1.2. Ví dụ thực nghiệm cho thuật toán K-means
• 2.2. Cấu trúc mạng SOM
• 2.3. Một ví dụ thực nghiệm cho việc huấn luyện mạng SOM
• 2.4. Thuật toán chọn cụm chiến thắng
• 2.5. Ví dụ thực nghiệm cho việc chọn cụm chiến thắng
• 2.6. PHƯƠNG PHÁP PHÂN LỚP K-NN
• 2.6.1. Thuật toán phân lớp k-NN
• 2.6.2. Ví dụ thực nghiệm cho thuật toán k-NN
• 2.7. HỆ TƯ VẤN CHO HỌC SINH THI TỐT NGHIỆP THPT
• 2.7.1. Mô hình hệ thống
• 2.7.2. Quá trình huấn luyện mạng SOM
• 2.7.3. Quá trình phân lớp, tư vấn
• 2.8. TỔNG KẾT CHƯƠNG
• 3. CHƯƠNG 3: MÔ HÌNH THỰC NGHIỆM
• 3.1. XÂY DỰNG HỆ THỐNG
• 3.1.1. Thiết kế sơ đồ lớp
• 3.1.2. Cài đặt cấu trúc lớp
• 3.2. MÔI TRƯỜNG THỰC NGHIỆM
• 3.2.1. Ngôn ngữ lập trình
• 3.2.2. Môi trường thực nghiệm
• 3.2.3. Dữ liệu thực nghiệm
• 3.2.4. Ứng dụng thực nghiệm trên Server
• 3.2.5. Ứng dụng thực nghiệm trên Client
• 3.2.6. Kết quả thực nghiệm trên bộ dữ liệu có 1073 mẫu
• 3.2.7. Kết quả thực nghiệm 30% trên 5231 mẫu dữ liệu
• 3.3. TỔNG KẾT CHƯƠNG
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO
• CÀI ĐẶT CÁC HÀM CHÍNH CỦA HỆ THỐNG

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.

Nội dung chính

Tổng quan nghiên cứu

Kỳ thi tốt nghiệp Trung học phổ thông Quốc gia đóng vai trò then chốt trong hệ thống giáo dục Việt Nam, khi kết quả thi vừa dùng để xét công nhận tốt nghiệp, vừa là căn cứ tuyển sinh vào các trường đại học, cao đẳng với hơn 900.000 thí sinh tham dự mỗi năm. Kể từ khi Bộ Giáo dục và Đào tạo ban hành quy chế thi mới vào ngày 28 tháng 9 năm 2016, thí sinh phải làm 3 bài thi bắt buộc gồm Toán, Ngữ văn, Ngoại ngữ cùng 1 bài thi tự chọn thuộc tổ hợp Khoa học Tự nhiên (Vật lý, Hóa học, Sinh học) hoặc Khoa học Xã hội (Lịch sử, Địa lý, Giáo dục công dân). Thực tế ghi nhận có tới hơn 35% học sinh lựa chọn tổ hợp môn thi dựa trên cảm tính, áp lực từ phụ huynh hoặc trào lưu số đông mà không dựa trên năng lực học tập thực tế. Hệ quả là nhiều học sinh đạt kết quả không như kỳ vọng, gây lãng phí nguồn lực đào tạo và ảnh hưởng tiêu cực đến định hướng nghề nghiệp lâu dài.

Nghiên cứu này được thực hiện nhằm xây dựng một hệ thống tư vấn thông minh, tự động phân tích học bạ và đề xuất tổ hợp môn thi tối ưu dựa trên dữ liệu điểm số thực tế. Đề tài tập trung khai thác dữ liệu học tập của học sinh các khối lớp 10 và 11 tại các trường Trung học phổ thông trên địa bàn Thành phố Vũng Tàu, tiêu biểu là Trường Trung học phổ thông Trần Nguyên Hãn trong giai đoạn từ năm 2018 đến năm 2021. Mục tiêu cốt lõi là ứng dụng kỹ thuật khai phá dữ liệu kết hợp trí tuệ nhân tạo để phân loại học sinh thành 5 mức học lực chuẩn, từ đó dự báo tổ hợp môn thi phù hợp với độ chính xác đạt trên 88% và thời gian phản hồi dưới 0,02 giây cho mỗi yêu cầu tư vấn, mang lại công cụ hỗ trợ ra quyết định đắc lực cho nhà trường, giáo viên và phụ huynh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu tích hợp liên hoàn 3 mô hình học máy hiện đại bao gồm: kỹ thuật học không giám sát với thuật toán phân cụm K-means, mạng nơ-ron tự tổ chức Self-Organizing Map (SOM) dựa trên nguyên lý học cạnh tranh, và phương pháp phân lớp bán giám sát k láng giềng gần nhất (k-NN) kết hợp hệ suy luận mờ Takagi-Sugeno. Hệ thống vận hành dựa trên 5 khái niệm cốt lõi:

• Véc-tơ đặc trưng năng lực học sinh: Không gian dữ liệu 12 chiều biểu diễn điểm trung bình cả năm của các môn học cơ bản và tổ hợp chuyên đề.
• Khoảng cách Euclide: Độ đo hình học trong không gian đa chiều dùng để xác định mức độ tương đồng giữa các hồ sơ học sinh và khoảng cách tới tâm cụm.
• Nơ-ron chiến thắng (Winner Neuron): Đơn vị nơ-ron có véc-tơ trọng số gần nhất với véc-tơ đầu vào trong không gian mạng SOM.
• Hàm kích hoạt phi tuyến Sigmoid: Công cụ chuẩn hóa giá trị tích vô hướng giữa trọng số và dữ liệu đầu vào về thang đo xác suất từ 0 đến 1.
• Tần suất phân lớp cục bộ: Cơ chế bỏ phiếu theo trọng số của các phần tử láng giềng trong cụm chiến thắng để đưa ra nhãn quyết định.

       +-------------------------------------------------------------+
       |           Dữ liệu điểm học sinh (Chuẩn hóa 0 - 1)           |
       +-------------------------------------------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |  Pha 1: Phân cụm K-Means (5 mức học lực) & Huấn luyện SOM   |
       |     - Tìm tâm cụm tối ưu theo mật độ                        |
       |     - Tinh chỉnh véc-tơ trọng số mạng SOM qua học cạnh tranh|
       +-------------------------------------------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |  Pha 2: Dự báo và Tư vấn tổ hợp môn                         |
       |     - Xác định Cụm chiến thắng qua hàm kích hoạt Sigmoid    |
       |     - Phân lớp k-NN (k = 3, 5) trên tập láng giềng          |
       +-------------------------------------------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |    Kết quả tư vấn: Tổ hợp KHTN / KHXH & Xếp loại năng lực   |
       +-------------------------------------------------------------+

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm 1.073 hồ sơ điểm chi tiết của học sinh Trung học phổ thông, đồng thời mở rộng kiểm thử trên tập dữ liệu thứ cấp gồm 5.231 mẫu thu thập trong giai đoạn 2018 - 2021. Phương pháp chọn mẫu phân tầng có chủ đích (stratified purposive sampling) được áp dụng nhằm bao phủ đầy đủ 5 phân nhóm học lực: Giỏi, Khá, Trung bình, Yếu và Kém.

Lý do lựa chọn giải pháp phân tích lai (hybrid approach) xuất phát từ tính chất phức tạp của dữ liệu học tập:

• Thuật toán K-means cho phép phân nhóm nhanh các đặc trưng đa chiều ban đầu với độ phức tạp tính toán trung bình, giúp phân tách không gian dữ liệu rõ ràng.
• Mạng SOM ánh xạ dữ liệu từ không gian 12 chiều xuống không gian 2 chiều mà vẫn bảo toàn cấu trúc tô-pô, giúp hệ thống thích ứng linh hoạt khi có dữ liệu học sinh mới tăng trưởng mà không cần huấn luyện lại từ đầu.
• Thuật toán k-NN được triển khai cục bộ bên trong cụm chiến thắng thay vì toàn bộ không gian dữ liệu, giúp giảm chi phí tính toán từ mức bình phương cỡ mẫu xuống hằng số phụ thuộc vào kích thước cụm, tối ưu hóa tốc độ xử lý trong môi trường thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên hệ thống phần mềm đã mang lại 4 phát hiện quan trọng:

1. Hiệu quả phân cụm học lực vượt trội: Thuật toán K-means đã phân tách thành công 1.073 mẫu học sinh thành 5 cụm học lực rõ rệt. Cụ thể, Cụm Giỏi chiếm 14,2%, Cụm Khá chiếm 38,6%, Cụm Trung bình chiếm 35,1%, còn lại 12,1% thuộc nhóm Yếu và Kém. Sự phân bố này phản ánh chính xác phân phối chuẩn của chất lượng học tập trong thực tế.
2. Độ chính xác cao trong xác định cụm chiến thắng: Sau 50 chu kỳ huấn luyện với hệ số học giảm dần từ 0,10 về 0,01, mạng SOM đạt độ hội tụ trọng số với sai số cực tiểu dưới 0,005. Quá trình chọn cụm chiến thắng thông qua hàm Sigmoid đạt tỷ lệ chính xác 89,5% trên tập dữ liệu kiểm thử 1.073 mẫu.
3. Khả năng phân lớp tổ hợp môn chính xác: Phương pháp k-NN với tham số k bằng 3 và k bằng 5 áp dụng trên cụm chiến thắng đã dự báo chính xác tổ hợp môn thi (Khoa học Tự nhiên hoặc Khoa học Xã hội) cho 91,4% học sinh, tương thích hoàn toàn với kết quả thi tốt nghiệp thực tế của các em.
4. Hiệu năng xử lý thời gian thực: Trên tập dữ liệu mở rộng 5.231 mẫu, hệ thống thực nghiệm hoạt động ổn định trên nền tảng Server - Client với thời gian phản hồi trung bình chỉ 0,014 giây mỗi mẫu dữ liệu, tiêu tốn ít hơn 45 MB bộ nhớ RAM.

Tiêu chí đánh giá thực nghiệm	Tập dữ liệu 1.073 mẫu	Tập kiểm thử 5.231 mẫu	Mức cải thiện so với K-means đơn lẻ
Độ chính xác dự báo học lực	89,50%	88,20%	Tăng 8,40%
Độ chính xác dự báo danh hiệu	87,80%	86,50%	Tăng 6,90%
Độ chính xác tư vấn tổ hợp môn	91,40%	90,10%	Tăng 11,20%
Thời gian phản hồi trung bình	0,012 giây/mẫu	0,014 giây/mẫu	Nhanh hơn 62,50%

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình đạt hiệu năng cao là nhờ quy trình tiền xử lý chuẩn hóa dữ liệu điểm số về đoạn từ 0 đến 1, loại bỏ hoàn toàn sự chênh lệch thang đo giữa các môn học. Việc kết hợp mạng SOM và k-NN khắc phục triệt để nhược điểm của các nghiên cứu trước đây như nghiên cứu của Oyelade năm 2010 hay Fan năm 2017 vốn chỉ dùng K-means đơn thuần nên phải tính toán lại toàn bộ khi có dữ liệu mới.

So với công trình ứng dụng SOM độc lập của Khadir năm 2015 và Purbasari năm 2020, mô hình đề xuất trong luận văn này đã bổ sung bước phân lớp láng giềng k-NN trên cụm chiến thắng. Cải tiến này giúp trích xuất triệt để mối tương quan cục bộ giữa các môn thuộc tổ hợp tự nhiên (Toán, Lý, Hóa, Sinh) và tổ hợp xã hội (Văn, Sử, Địa, Giáo dục công dân).

Dữ liệu thực nghiệm khi hiển thị qua biểu đồ phân tán 2D cho thấy các ranh giới phân cụm rõ ràng, không xảy ra hiện tượng chồng lấn giữa nhóm học sinh thiên hướng tự nhiên và xã hội. Ma trận nhầm lẫn (Confusion Matrix) chứng minh tỷ lệ dự báo sai lệch chỉ tập trung ở nhóm học sinh có học lực trung bình với điểm số các môn đồng đều quanh mức 5,5 đến 6,0 điểm.

Đề xuất và khuyến nghị

Nhằm phát huy giá trị thực tiễn của công trình, 4 giải pháp chiến lược được đề xuất thực hiện theo lộ trình cụ thể:

1. Triển khai phần mềm tư vấn trực tuyến: Sở Giáo dục và Đào tạo phối hợp cùng các trường Trung học phổ thông đưa hệ thống vào sử dụng cho 100% học sinh lớp 10 và lớp 11 trước quý II hàng năm. Mục tiêu là giảm tỷ lệ học sinh đổi nguyện vọng tổ hợp môn sau học kỳ I xuống dưới mức 5%.
2. Chuẩn hóa hệ thống cơ sở dữ liệu học bạ số: Ban Giám hiệu các trường THPT chỉ đạo tổ Tin học đồng bộ hóa cơ sở dữ liệu điểm số 12 môn học định kỳ sau mỗi học kỳ, hoàn thành trong vòng 6 tháng nhằm đảm bảo tính toàn vẹn và độ tin cậy của dữ liệu đạt trên 99,5%.
3. Tối ưu hóa mô hình với công nghệ học sâu: Nhóm nghiên cứu thuộc các trường đại học tiếp tục nâng cấp mô hình sang kiến trúc Deep SOM kết hợp mạng học sâu trong giai đoạn 2026 - 2028, nâng target metric độ chính xác dự báo toàn diện lên trên 95%.
4. Tổ chức tập huấn nghiệp vụ tư vấn hướng nghiệp số: Phòng Khảo thí và Đảm bảo chất lượng giáo dục triển khai các khóa đào tạo 3 ngày cho 100% giáo viên chủ nhiệm và chuyên viên tư vấn học đường, hướng dẫn khai thác triệt để báo cáo phân tích từ hệ thống trong các buổi họp định hướng phụ huynh.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp nguồn tư liệu học thuật và ứng dụng thực tiễn giá trị cho 4 nhóm đối tượng chính:

• Cán bộ quản lý giáo dục và Ban Giám hiệu: Sử dụng làm tài liệu tham khảo để quy hoạch số lượng lớp học theo tổ hợp Khoa học Tự nhiên và Khoa học Xã hội, phân công giáo viên bộ môn và bố trí cơ sở vật chất giảng dạy khoa học.
• Giáo viên chủ nhiệm và Chuyên viên tư vấn hướng nghiệp: Ứng dụng công cụ để có cơ sở dữ liệu định lượng vững chắc khi tư vấn cho phụ huynh và học sinh, xóa bỏ phương pháp định hướng chủ quan, cảm tính.
• Học viên cao học và Nhà nghiên cứu Công nghệ thông tin: Khảo sát khung lý thuyết, cách tiếp cận lai ghép giữa K-means, SOM và k-NN, cùng các hàm xử lý dữ liệu phục vụ cho các bài toán phân lớp và dự báo trong giáo dục.
• Kỹ sư phát triển phần mềm và Doanh nghiệp EdTech: Tham khảo thiết kế kiến trúc hệ thống Client - Server, sơ đồ lớp đối tượng và các thuật toán lõi để thương mại hóa thành các module chức năng trong hệ thống quản lý trường học điện tử.

Câu hỏi thường gặp

Hệ thống kết hợp K-means, SOM và k-NN có ưu thế gì vượt trội so với các thuật toán phân lớp truyền thống?
Sự kết hợp này tạo nên quy trình xử lý đa tầng tối ưu. K-means giúp khởi tạo các phân cụm năng lực ban đầu, SOM tinh chỉnh trọng số qua học cạnh tranh giúp biểu diễn dữ liệu mượt mà, còn k-NN phân lớp cục bộ trên cụm chiến thắng giúp giảm thiểu thời gian tính toán, đảm bảo thời gian xử lý chỉ 0,014 giây mỗi hồ sơ.

Dữ liệu đầu vào của học sinh cần những trường thông tin nào để hệ thống đưa ra tư vấn chính xác?
Hệ thống yêu cầu điểm trung bình cả năm của các môn học cơ bản gồm Toán, Ngữ văn, Ngoại ngữ cùng các môn chuyên đề thuộc hai nhóm Khoa học Tự nhiên (Vật lý, Hóa học, Sinh học) và Khoa học Xã hội (Lịch sử, Địa lý, Giáo dục công dân) của các năm học lớp 10 và 11.

Khi cơ sở dữ liệu có thêm hàng nghìn học sinh mới, hệ thống có cần phải huấn luyện lại từ đầu không?
Không. Nhờ kiến trúc nơ-ron tự tổ chức của mạng SOM, hệ thống chỉ cần so khớp mẫu dữ liệu mới với các véc-tơ trọng số đã hội tụ để xác định cụm chiến thắng, cho phép xử lý dữ liệu tăng trưởng liên tục mà không gây gián đoạn vận hành.

Độ tin cậy của kết quả dự báo tổ hợp môn thi đạt mức bao nhiêu phần trăm?
Kết quả thực nghiệm trên bộ dữ liệu 1.073 mẫu tại Thành phố Vũng Tàu và kiểm chứng mở rộng trên 5.231 mẫu cho thấy độ chính xác dự báo tổ hợp môn thi đạt từ 90,1% đến 91,4%, cao hơn 11,2% so với các mô hình phân cụm đơn lẻ thông thường.

Mô hình của luận văn có thể mở rộng ứng dụng cho việc tư vấn chọn ngành đại học hay không?
Hoàn toàn khả thi. Bằng cách mở rộng không gian véc-tơ đặc trưng đầu vào bao gồm điểm thi thử tốt nghiệp, sở thích cá nhân và chỉ tiêu tuyển sinh của các trường, hệ thống có thể mở rộng bài toán sang tư vấn chọn khối thi và ngành học đại học phù hợp.

Kết luận

• Xây dựng thành công hệ thống tư vấn chọn tổ hợp môn thi tốt nghiệp THPT Quốc gia dựa trên mô hình lai ghép giữa K-means, mạng SOM và thuật toán k-NN.
• Giải quyết triệt để bài toán lựa chọn môn thi theo cảm tính, cung cấp công cụ khoa học khách quan dựa trên phân tích dữ liệu học bạ thực tế.
• Đạt độ chính xác thực nghiệm ấn tượng trên 91% với thời gian xử lý siêu nhanh 0,014 giây mỗi hồ sơ, đáp ứng hoàn hảo yêu cầu triển khai thời gian thực.
• Đóng góp giải pháp kiến trúc phần mềm hoàn chỉnh từ thiết kế sơ đồ lớp, chuẩn hóa dữ liệu đến giao diện thực thi Client - Server.
• Định hướng giai đoạn 2026 - 2028 sẽ tích hợp học sâu và mở rộng quy mô ứng dụng trên phạm vi toàn quốc.

Quý bạn đọc, nhà nghiên cứu và các đơn vị giáo dục quan tâm có thể ứng dụng trực tiếp mô hình này vào công tác chuyển đổi số học đường nhằm tối ưu hóa năng lực học sinh và nâng cao chất lượng giáo dục phổ thông.

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.