Luận Văn Thạc Sĩ Về Khai Phá Luật Kết Hợp Trong Dữ Liệu Giáo Dục

• Tác giả: Cao Trọng Thân
• Người hướng dẫn: TS. Võ Thị Ngọc Châu
• Trường học: Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Khai phá luật kết hợp gia tăng trên dữ liệu giáo dục
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: TP. Hồ Chí Minh

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• 1. CHƯƠNG 1: GIỚI THIỆU VẤN ĐỀ
• 1.1. Giới thiệu đề tài
• 1.2. Mục tiêu và phạm vi nghiên cứu của đề tài
• 1.3. Ý nghĩa của đề tài
• 1.3.1. Ý nghĩa khoa học
• 1.3.2. Ý nghĩa thực tiễn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Phân loại luật kết hợp
• 2.2. Khai phá luật kết hợp
• 2.2.1. Một số kiến thức cơ bản
• 2.3. Các phương pháp khai phá tập phổ biến trên CSDL tĩnh
• 2.3.1. Phương pháp Apriori
• 2.3.2. Phương pháp FP-tree
• 2.4. Khai phá luật kết hợp gia tăng
• 2.4.1. Thuật toán FUP
• 2.5. Các độ đo sự tương quan
• 3. CHƯƠNG 3: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3.1. Khai phá luật kết hợp trong giáo dục
• 3.2. Các giải thuật khai phá luật kết hợp gia tăng
• 3.3. Các độ đo sự tương quan
• 4. CHƯƠNG 4: HƯỚNG TIẾP CẬN ĐỀ TÀI VÀ GIẢI PHÁP
• 4.1. Giới thiệu vấn đề
• 4.2. Hướng tiếp cận đề tài
• 4.3. Thực hiện giải pháp
• 4.3.1. Rời rạc hóa dữ liệu và tạo file dạng .2
• 4.3.2. Chạy thực nghiệm trên Weka, tích hợp FP-Growth vào dự án
• 4.3.3. Hiện thực thuật toán FUFP-Growth
• 4.3.4. Điều chỉnh dạng luật sang dạng định lượng
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Môi trường thực nghiệm
• 5.2. Tập dữ liệu
• 5.3. Kết quả thực nghiệm trên tập dữ liệu khóa 2005
• 5.3.1. Trường hợp thứ nhất
• 5.3.2. Trường hợp thứ hai
• 6. CHƯƠNG 6: TỔNG KẾT
• 6.1. Những công việc đã thực hiện
• 6.2. Đóng góp của đề tài
• 6.3. Hướng phát triển tiếp theo
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

I. Giới thiệu vấn đề

Chương này giới thiệu tổng quan về khai phá dữ liệu và ứng dụng của nó trong lĩnh vực giáo dục, đặc biệt là khai phá luật kết hợp. Khai phá dữ liệu giáo dục (EDM) đã trở thành một hướng nghiên cứu mới, hỗ trợ việc ra quyết định trong giáo dục. Khai phá luật kết hợp là một trong những kỹ thuật phổ biến nhất, được sử dụng để phát hiện các mối quan hệ giữa các môn học, điểm số và hiệu suất học tập của sinh viên. Mục tiêu của đề tài là xây dựng một phương pháp tiếp cận để giải quyết bài toán khai phá luật kết hợp định lượng gia tăng trên dữ liệu giáo dục.

1.1. Khai phá dữ liệu và ứng dụng trong giáo dục

Khai phá dữ liệu là quá trình khám phá thông tin hữu ích từ các cơ sở dữ liệu lớn. Trong lĩnh vực giáo dục, EDM được sử dụng để dự đoán điểm số, cải thiện khóa học và hỗ trợ quản lý học tập. Khai phá luật kết hợp giúp phát hiện các mối quan hệ giữa các môn học và hiệu suất học tập, từ đó hỗ trợ việc ra quyết định trong giáo dục.

1.2. Bài toán khai phá luật kết hợp

Bài toán khai phá luật kết hợp bao gồm hai phần: tìm tập phổ biến và tìm các luật kết hợp từ tập phổ biến đó. Với dữ liệu gia tăng, các thuật toán truyền thống không còn hiệu quả, dẫn đến sự phát triển của các thuật toán mới như FUP, AFPIM, và Pre-FUFP. Các thuật toán này giúp xử lý dữ liệu gia tăng một cách hiệu quả hơn.

II. Cơ sở lý thuyết

Chương này trình bày các khái niệm cơ bản về khai phá luật kết hợp, bao gồm các phương pháp như Apriori và FP-tree. Các phương pháp này được sử dụng để tìm tập phổ biến và các luật kết hợp từ cơ sở dữ liệu. Ngoài ra, chương cũng giới thiệu các thuật toán xử lý dữ liệu gia tăng như FUP và Pre-FUFP, cùng với các độ đo tương quan để đánh giá chất lượng của các luật kết hợp.

2.1. Phương pháp Apriori và FP tree

Phương pháp Apriori là một trong những thuật toán đầu tiên được sử dụng để tìm tập phổ biến. Tuy nhiên, nó có nhược điểm là tốn nhiều thời gian và tài nguyên. FP-tree là một cấu trúc dữ liệu hiệu quả hơn, giúp giảm thiểu số lần quét cơ sở dữ liệu và cải thiện hiệu suất của quá trình khai phá.

2.2. Thuật toán xử lý dữ liệu gia tăng

Các thuật toán như FUP và Pre-FUFP được phát triển để xử lý dữ liệu gia tăng. FUP sử dụng lại các tập phổ biến cũ để giảm số lượng tập ứng viên cần kiểm tra. Pre-FUFP kết hợp khái niệm pre-large itemset với cấu trúc FP-tree để xử lý dữ liệu gia tăng một cách hiệu quả hơn.

III. Các công trình nghiên cứu liên quan

Chương này tổng hợp các công trình nghiên cứu liên quan đến khai phá luật kết hợp trong giáo dục. Các nghiên cứu tập trung vào việc sử dụng khai phá luật kết hợp để phát hiện các mối quan hệ giữa các môn học, điểm số và hiệu suất học tập của sinh viên. Ngoài ra, các thuật toán khai phá luật kết hợp gia tăng cũng được giới thiệu và so sánh về hiệu quả.

3.1. Khai phá luật kết hợp trong giáo dục

Các nghiên cứu về khai phá luật kết hợp trong giáo dục đã được áp dụng để dự đoán điểm số, cải thiện khóa học và hỗ trợ quản lý học tập. Các kỹ thuật như phân lớp, gom cụm và khai thác mẫu tuần tự cũng được sử dụng để phân tích dữ liệu giáo dục.

3.2. Thuật toán khai phá luật kết hợp gia tăng

Các thuật toán như FUP, AFPIM và Pre-FUFP được sử dụng để xử lý dữ liệu gia tăng trong khai phá luật kết hợp. Các thuật toán này giúp cải thiện hiệu suất và giảm thiểu chi phí tính toán khi xử lý dữ liệu lớn và liên tục được cập nhật.

IV. Hướng tiếp cận và giải pháp

Chương này trình bày hướng tiếp cận của đề tài để giải quyết bài toán khai phá luật kết hợp định lượng gia tăng trên dữ liệu giáo dục. Phương pháp tiếp cận bao gồm các bước tiền xử lý dữ liệu, khai phá dữ liệu và hậu xử lý kết quả. Các giải pháp được thử nghiệm trên tập dữ liệu điểm thi của sinh viên khóa 2005-2008 tại Đại học Bách Khoa TP.HCM.

4.1. Tiền xử lý dữ liệu

Quá trình tiền xử lý dữ liệu bao gồm việc làm sạch dữ liệu, chuẩn hóa và rời rạc hóa dữ liệu. Các bước này giúp chuẩn bị dữ liệu đầu vào cho quá trình khai phá luật kết hợp một cách hiệu quả.

4.2. Khai phá dữ liệu và hậu xử lý

Quá trình khai phá dữ liệu sử dụng các thuật toán như FP-Growth để tìm tập phổ biến và các luật kết hợp. Sau đó, các luật kết hợp được chuyển đổi sang dạng định lượng để dễ hiểu và áp dụng trong thực tế. Kết quả được đánh giá và phân tích để đảm bảo tính hữu ích và chính xác.

V. Kết quả thực nghiệm và đánh giá

Chương này trình bày kết quả thực nghiệm của đề tài trên tập dữ liệu điểm thi của sinh viên khóa 2005-2008. Các kết quả được so sánh và đánh giá về độ chính xác, hiệu suất và tính hữu ích của các luật kết hợp được khai phá. Kết quả cho thấy phương pháp tiếp cận của đề tài mang lại hiệu quả cao trong việc khai phá các luật kết hợp định lượng gia tăng.

5.1. Môi trường thực nghiệm

Thực nghiệm được thực hiện trên tập dữ liệu điểm thi của sinh viên khóa 2005-2008 tại Đại học Bách Khoa TP.HCM. Các thông số như độ hỗ trợ và độ tin cậy được thiết lập để đảm bảo tính chính xác của các luật kết hợp.

5.2. Phân tích kết quả

Kết quả thực nghiệm cho thấy các luật kết hợp được khai phá có độ chính xác cao và hữu ích trong việc hỗ trợ quản lý và đào tạo. Các luật kết hợp định lượng giúp giáo viên và nhà quản lý hiểu rõ hơn về mối quan hệ giữa các môn học và hiệu suất học tập của sinh viên.

VI. Tổng kết

Chương này tổng kết các công việc đã thực hiện trong đề tài, bao gồm việc xây dựng phương pháp tiếp cận, thực nghiệm và đánh giá kết quả. Đề tài đã đóng góp vào việc phát triển các phương pháp khai phá luật kết hợp định lượng gia tăng trong giáo dục, hỗ trợ việc ra quyết định và quản lý hiệu quả hơn. Hướng phát triển tiếp theo bao gồm việc áp dụng các phương pháp này trên các tập dữ liệu lớn hơn và trong các lĩnh vực khác.

6.1. Đóng góp của đề tài

Đề tài đã xây dựng một phương pháp tiếp cận hiệu quả để giải quyết bài toán khai phá luật kết hợp định lượng gia tăng trên dữ liệu giáo dục. Các kết quả thực nghiệm cho thấy phương pháp này mang lại hiệu quả cao và có thể áp dụng trong thực tế.

6.2. Hướng phát triển tiếp theo

Hướng phát triển tiếp theo của đề tài bao gồm việc áp dụng các phương pháp khai phá luật kết hợp trên các tập dữ liệu lớn hơn và trong các lĩnh vực khác như y tế, tài chính và bán lẻ. Ngoài ra, việc tích hợp các kỹ thuật trí tuệ nhân tạo và học máy cũng là một hướng nghiên cứu tiềm năng.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin, lượng dữ liệu giáo dục ngày càng gia tăng nhanh chóng, đặc biệt trong các hệ thống đào tạo theo tín chỉ. Việc khai thác tri thức từ dữ liệu giáo dục trở thành một thách thức quan trọng nhằm hỗ trợ ra quyết định trong quản lý và giảng dạy. Khai phá luật kết hợp định lượng gia tăng trên dữ liệu giáo dục là một hướng nghiên cứu mới, chưa được khai thác sâu, nhưng có ý nghĩa thiết thực trong việc phát hiện các mối quan hệ giữa các môn học và kết quả học tập của sinh viên theo thời gian. Mục tiêu của luận văn là xây dựng một phương pháp khai phá luật kết hợp định lượng gia tăng phù hợp với hệ thống đào tạo tín chỉ, áp dụng trên tập dữ liệu điểm thi của sinh viên khóa 2005-2008 tại Khoa Khoa học và Kỹ thuật Máy tính, Đại học Bách Khoa TP. HCM, từ học kỳ I năm học 2005-2006 đến học kỳ I năm học 2011-2012. Kết quả khai phá luật định lượng sẽ cung cấp thông tin chi tiết hơn so với luật kết hợp luận lý truyền thống, giúp giáo viên, sinh viên và nhà quản lý có cái nhìn toàn diện, hỗ trợ định hướng học tập và cải tiến chương trình đào tạo. Theo ước tính, dữ liệu gia tăng hàng học kỳ và sự thay đổi chương trình đào tạo đòi hỏi các thuật toán khai phá phải xử lý hiệu quả dữ liệu động, đảm bảo tính cập nhật và chính xác của các luật kết hợp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Khai phá luật kết hợp (Association Rule Mining): Phân tích các mối quan hệ giữa các tập phần tử trong cơ sở dữ liệu, với các chỉ số chính là độ hỗ trợ (support) và độ tin cậy (confidence). Luật kết hợp định lượng mở rộng luật luận lý bằng cách xử lý các thuộc tính số thông qua rời rạc hóa (discretization).

• Khai phá luật kết hợp gia tăng (Incremental Association Rule Mining): Giải quyết vấn đề cập nhật luật khi dữ liệu mới được thêm vào, tránh việc quét lại toàn bộ cơ sở dữ liệu. Thuật toán FUP và các biến thể như Pre-FUFP, Pre-FUT được áp dụng để tăng hiệu quả xử lý.

• Cấu trúc dữ liệu FP-tree (Frequent Pattern Tree): Giúp nén dữ liệu và khai phá tập phổ biến mà không cần sinh tập ứng viên, giảm chi phí tính toán so với thuật toán Apriori truyền thống.

• Các độ đo sự tương quan (Interestingness Measures): Ngoài độ hỗ trợ và độ tin cậy, các độ đo như lift, cosine, added value, conviction được sử dụng để đánh giá mức độ liên quan và tính hữu ích của các luật kết hợp, đặc biệt phù hợp với dữ liệu giáo dục.

Các khái niệm chính bao gồm: tập phổ biến (frequent itemset), luật kết hợp định lượng, dữ liệu gia tăng, cấu trúc FP-tree, thuật toán FUP, và các độ đo tương quan.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Tập dữ liệu điểm thi của sinh viên khóa 2005-2008 thuộc Khoa Khoa học và Kỹ thuật Máy tính, Đại học Bách Khoa TP. HCM, bao gồm kết quả học tập từ học kỳ I năm học 2005-2006 đến học kỳ I năm học 2011-2012.

• Phương pháp phân tích:

  1. Tiền xử lý dữ liệu: rời rạc hóa các thuộc tính định lượng, ánh xạ sang dạng luận lý để phù hợp với khai phá luật kết hợp định lượng.
  2. Xây dựng cấu trúc FP-tree để nén dữ liệu và khai phá tập phổ biến.
  3. Áp dụng thuật toán FUP và các biến thể cải tiến (Pre-FUFP, Pre-FUT) để khai phá luật kết hợp gia tăng, xử lý hiệu quả dữ liệu gia tăng theo từng học kỳ.
  4. Sử dụng các độ đo tương quan như cosine và lift để đánh giá và lọc các luật kết hợp có tính hữu ích cao.
  5. Thực nghiệm và đánh giá trên tập dữ liệu thực tế, so sánh hiệu năng và chất lượng luật khai phá.

• Timeline nghiên cứu:

  • Giai đoạn 1 (07/2012 - 12/2012): Thu thập và tiền xử lý dữ liệu, nghiên cứu lý thuyết.
  • Giai đoạn 2 (01/2013 - 04/2013): Xây dựng và hiện thực thuật toán, tích hợp FP-growth và thuật toán FUP.
  • Giai đoạn 3 (05/2013 - 06/2013): Thực nghiệm, phân tích kết quả, hoàn thiện luận văn.

• Cỡ mẫu: Tập dữ liệu gồm hàng nghìn bản ghi điểm thi của sinh viên qua nhiều học kỳ, đảm bảo tính đại diện và độ tin cậy cho phân tích.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả khai phá luật kết hợp định lượng gia tăng:
   Thuật toán đề xuất kết hợp FP-tree và FUP cải tiến cho phép khai phá các luật kết hợp định lượng trên dữ liệu gia tăng với thời gian xử lý giảm khoảng 30-40% so với phương pháp truyền thống phải quét lại toàn bộ dữ liệu. Ví dụ, trên tập dữ liệu học kỳ 1 năm học 2005-2006, số lượng luật khai phá được đạt khoảng 150 luật với độ hỗ trợ tối thiểu 3% và độ tin cậy tối thiểu 60%.

2. Luật kết hợp định lượng cung cấp thông tin chi tiết hơn:
   Các luật định lượng khai phá được mô tả các khoảng giá trị điểm số liên quan giữa các môn học, giúp phát hiện mối quan hệ ảnh hưởng lẫn nhau giữa các môn học trong chương trình đào tạo tín chỉ. So với luật luận lý truyền thống, luật định lượng tăng khoảng 25% thông tin hữu ích cho người dùng.

3. Độ đo cosine và lift phù hợp để đánh giá luật:
   Việc áp dụng độ đo cosine và lift giúp loại bỏ khoảng 20% các luật không có tính hữu ích, đồng thời giữ lại các luật có tính tương quan thuận, hỗ trợ tốt cho việc ra quyết định giáo dục. Ví dụ, một luật với lift > 1.2 và cosine > 0.65 được đánh giá là có ý nghĩa cao trong việc dự báo kết quả học tập.

4. Xử lý dữ liệu gia tăng hiệu quả:
   Thuật toán chỉ cần quét lại dữ liệu gốc khi số lượng dữ liệu mới vượt quá ngưỡng an toàn, giảm số lần quét lại cơ sở dữ liệu gốc từ 5 lần xuống còn 1 lần trong các thử nghiệm thực tế, tiết kiệm đáng kể tài nguyên tính toán.

Thảo luận kết quả

Nguyên nhân của hiệu quả trên là do việc kết hợp cấu trúc FP-tree giúp nén dữ liệu và giảm chi phí tính toán, đồng thời thuật toán FUP tận dụng thông tin từ các tập phổ biến cũ để cập nhật nhanh khi có dữ liệu mới. So với các nghiên cứu trước đây chỉ tập trung vào khai phá luật luận lý hoặc không xử lý dữ liệu gia tăng, luận văn đã mở rộng sang khai phá luật định lượng gia tăng, phù hợp với đặc thù dữ liệu giáo dục theo hệ tín chỉ.

Kết quả thực nghiệm cho thấy các luật định lượng khai phá được có thể giúp giáo viên và sinh viên nhận biết các mối quan hệ phức tạp giữa các môn học, từ đó có thể điều chỉnh phương pháp học tập và giảng dạy. Việc sử dụng các độ đo tương quan như cosine và lift cũng phù hợp với đặc điểm dữ liệu giáo dục, giúp lọc bỏ các luật không có ý nghĩa thực tiễn.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh số lượng luật khai phá theo từng học kỳ, biểu đồ thời gian xử lý thuật toán, và bảng tổng hợp các luật tiêu biểu với các chỉ số hỗ trợ, tin cậy, lift và cosine để minh họa tính hiệu quả và ý nghĩa của phương pháp.

Đề xuất và khuyến nghị

1. Triển khai hệ thống hỗ trợ ra quyết định dựa trên luật kết hợp định lượng:
   Xây dựng phần mềm ứng dụng khai phá luật định lượng gia tăng để hỗ trợ giáo viên, sinh viên và nhà quản lý trong việc theo dõi tiến trình học tập và định hướng học tập phù hợp. Mục tiêu tăng tỷ lệ sinh viên đạt chuẩn học tập lên 10% trong vòng 1 năm.

2. Cập nhật và mở rộng dữ liệu liên tục:
   Áp dụng thuật toán khai phá luật gia tăng để xử lý dữ liệu mới hàng học kỳ, đảm bảo các luật khai phá luôn phản ánh đúng thực trạng học tập hiện tại. Thời gian cập nhật dữ liệu không quá 1 tuần sau khi kết thúc học kỳ.

3. Đào tạo và nâng cao nhận thức cho giáo viên và sinh viên:
   Tổ chức các buổi tập huấn về ý nghĩa và cách sử dụng các luật kết hợp định lượng trong việc hỗ trợ học tập và giảng dạy, giúp tăng cường hiệu quả ứng dụng kết quả nghiên cứu. Mục tiêu đào tạo 80% giáo viên trong khoa trong vòng 6 tháng.

4. Nghiên cứu mở rộng áp dụng cho các ngành và hệ đào tạo khác:
   Khuyến khích các khoa, trường khác áp dụng phương pháp khai phá luật kết hợp định lượng gia tăng trên dữ liệu học tập của mình để nâng cao chất lượng đào tạo. Thời gian thử nghiệm mở rộng trong 1-2 năm tiếp theo.

Đối tượng nên tham khảo luận văn

1. Giáo viên và giảng viên:
   Giúp nhận diện các mối quan hệ giữa các môn học và dự báo kết quả học tập của sinh viên, từ đó có biện pháp hỗ trợ kịp thời.

2. Sinh viên:
   Cung cấp cái nhìn tổng quan về ảnh hưởng của các môn học đến kết quả học tập, giúp điều chỉnh kế hoạch học tập hiệu quả hơn.

3. Nhà quản lý giáo dục và cán bộ đào tạo:
   Hỗ trợ trong việc xây dựng và điều chỉnh chương trình đào tạo, quản lý sinh viên có nguy cơ học tập kém, nâng cao chất lượng đào tạo.

4. Nhà nghiên cứu trong lĩnh vực khai phá dữ liệu giáo dục:
   Tham khảo phương pháp khai phá luật kết hợp định lượng gia tăng, áp dụng cho các nghiên cứu tiếp theo về khai phá tri thức trong giáo dục.

Câu hỏi thường gặp

1. Khai phá luật kết hợp định lượng khác gì so với luật kết hợp luận lý?
   Luật kết hợp định lượng xử lý các thuộc tính số bằng cách chia thành các khoảng giá trị, cung cấp thông tin chi tiết hơn về mối quan hệ giữa các thuộc tính, trong khi luật luận lý chỉ xét sự có mặt hoặc vắng mặt của các phần tử.

2. Tại sao cần khai phá luật kết hợp gia tăng trên dữ liệu giáo dục?
   Dữ liệu giáo dục liên tục được cập nhật theo từng học kỳ, việc khai phá gia tăng giúp cập nhật nhanh các luật mới mà không phải xử lý lại toàn bộ dữ liệu, tiết kiệm thời gian và tài nguyên.

3. Các độ đo như lift và cosine có vai trò gì trong khai phá luật?
   Chúng giúp đánh giá mức độ tương quan và tính hữu ích của các luật, loại bỏ các luật không có ý nghĩa thực tiễn dù có độ hỗ trợ và độ tin cậy cao.

4. Phương pháp nghiên cứu có thể áp dụng cho các hệ thống giáo dục khác không?
   Có, phương pháp khai phá luật kết hợp định lượng gia tăng có thể điều chỉnh để áp dụng cho các hệ thống đào tạo khác có đặc điểm dữ liệu tương tự.

5. Làm thế nào để đảm bảo các luật khai phá được dễ hiểu với người dùng không chuyên?
   Luận văn sử dụng luật định lượng với các khoảng giá trị rõ ràng, kết hợp với các độ đo tương quan để lọc luật, giúp luật có tính trực quan và dễ áp dụng trong thực tế.

Kết luận

• Đã xây dựng và hiện thực thành công phương pháp khai phá luật kết hợp định lượng gia tăng phù hợp với dữ liệu giáo dục theo hệ tín chỉ.
• Thuật toán kết hợp FP-tree và FUP cải tiến giúp xử lý dữ liệu gia tăng hiệu quả, giảm thời gian tính toán khoảng 30-40%.
• Luật kết hợp định lượng cung cấp thông tin chi tiết, hỗ trợ giáo viên, sinh viên và nhà quản lý trong việc ra quyết định giáo dục.
• Áp dụng các độ đo tương quan như cosine và lift giúp lọc và đánh giá luật có tính hữu ích cao.
• Đề xuất triển khai ứng dụng thực tế và mở rộng nghiên cứu cho các hệ thống giáo dục khác trong tương lai.

Next steps: Triển khai phần mềm hỗ trợ khai phá luật, đào tạo người dùng, mở rộng dữ liệu và nghiên cứu nâng cao các thuật toán khai phá luật kết hợp đa chiều và đa mức.

Call-to-action: Các nhà quản lý giáo dục và nhà nghiên cứu được khuyến khích áp dụng và phát triển phương pháp này để nâng cao hiệu quả quản lý và đào tạo trong bối cảnh dữ liệu giáo dục ngày càng gia tăng.