Tổng quan nghiên cứu

Trong bối cảnh giáo dục đại học Việt Nam chuyển đổi mạnh mẽ từ hình thức đào tạo niên chế sang học chế tín chỉ, việc sinh viên tự chủ lựa chọn lộ trình học tập mang lại nhiều cơ hội nhưng cũng tiềm ẩn rủi ro học vụ nghiêm trọng. Theo các thống kê giáo dục đại học, tỷ lệ sinh viên gặp khó khăn học vụ hoặc bị buộc thôi học do chọn môn học không phù hợp chiếm khoảng 10% đến 15% mỗi khóa tuyển sinh. Đề tài luận văn thạc sĩ chuyên ngành Khoa học Máy tính mang tên "Khám phá luật phân lớp sinh viên dựa trên kết quả học tập trong hệ thống giáo dục theo quy chế tín chỉ" của tác giả Lữ Thị Kim Phụng, dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Hứa Phùng và Tiến sĩ Võ Thị Ngọc Châu tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, đã giải quyết bài toán cấp thiết này bằng kỹ thuật Khai phá Dữ liệu Giáo dục (Educational Data Mining - EDM).

Vấn đề nghiên cứu cốt lõi được đặt ra là sự mâu thuẫn giữa hai yếu tố: độ chính xác dự báo và độ dễ hiểu của mô hình phân lớp. Các thuật toán dạng "hộp trắng" như cây quyết định C4.5 có tính trực quan cao nhưng độ chính xác suy giảm khi xử lý không gian dữ liệu nhiều chiều; ngược lại, các thuật toán "hộp đen" như Mạng nơ-ron nhân tạo (ANN), Máy vector hỗ trợ (SVM) hay Rừng ngẫu nhiên (Random Forest) đạt độ chính xác phân loại vượt trội nhưng không cung cấp cơ chế giải thích rõ ràng cho nhà quản lý và người học. Mục tiêu cụ thể của luận văn là nghiên cứu, thiết kế và thực thi giải thuật ExtractingRuleRF nhằm rút trích tập luật phân lớp dạng IF-THEN súc tích, dễ hiểu từ mô hình Rừng ngẫu nhiên nhưng vẫn duy trì độ chính xác dự báo ở mức tối ưu.

Phạm vi nghiên cứu thực nghiệm được tiến hành trên tập dữ liệu gồm 1.334 hồ sơ sinh viên thuộc Khoa Khoa học và Kỹ thuật Máy tính qua 4 khóa đào tạo liên tiếp từ năm 2005 đến năm 2008, bao gồm 43 thuộc tính là điểm số các môn học trong chương trình chuẩn. Nghiên cứu tập trung phân tích sâu dữ liệu học tập của năm thứ 2, năm thứ 3 và năm thứ 4 để xây dựng mô hình cảnh báo sớm. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc cung cấp công cụ hỗ trợ ra quyết định chính xác cho nhà trường, giúp phát hiện sớm nguy cơ thôi học trước ít nhất 2 học kỳ và nâng cao hiệu quả tư vấn học vụ với độ tin cậy vượt trội.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết phân lớp dữ liệu (Classification) và các kỹ thuật học máy tập hợp (Ensemble Methods). Khung lý thuyết trọng tâm bao gồm lý thuyết Cây quyết định (Decision Tree) với cơ chế phân chia nhánh dựa trên tỷ số tăng thông tin (Gain Ratio) và giải thuật Rừng ngẫu nhiên (Random Forest) do Leo Breiman đề xuất năm 2001. Rừng ngẫu nhiên hoạt động dựa trên cơ chế kết hợp kỹ thuật lấy mẫu tái lặp có hoàn lại (Bootstrap Aggregating - Bagging) và lựa chọn ngẫu nhiên tập thuộc tính con tại mỗi nút phân chia, giúp triệt tiêu hiện tượng quá khớp (overfitting) và tăng cường khả năng chịu đựng nhiễu trên dữ liệu điểm số thực tế.

Bên cạnh đó, đề tài vận dụng lý thuyết khai phá luật từ mô hình "hộp đen" (Rule Extraction) để chuyển đổi tri thức tiềm ẩn trong hàng trăm cây quyết định thành các luật tường minh dạng IF-THEN. Độ dễ hiểu của mô hình được lượng hóa thông qua hàm đo tính đơn giản Sy, xác định theo công thức: Sy = 1 - ((numnodes - 1) / (2 * (maxnodes - 1))), trong đó numnodes là số nút hiện tại của cây và maxnodes là ngưỡng kích thước tối đa cho phép, dao động trong khoảng giá trị chuẩn hóa từ 0.5 đến 1.0. Mô hình nghiên cứu tổng quát kết hợp 4 khái niệm đo lường chính: Độ chính xác phân loại (Accuracy - ACC), Độ phủ (Coverage - COVER), Độ điều hòa F-measure và Độ dễ hiểu (Interpretability - INTER).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu học tập thực tế gồm 1.334 bản ghi sinh viên chính quy với 43 thuộc tính tương ứng với 43 học phần chuyên ngành và cơ sở cốt lõi (như ee2, s001001, s001004, s001025). Phương pháp chọn mẫu là chọn toàn bộ quần thể dữ liệu của 4 khóa đào tạo từ năm 2005 đến 2008. Dữ liệu năm thứ nhất được loại bỏ do số lượng môn tích lũy còn quá ít chưa đủ đặc trưng phân loại, trong khi dữ liệu năm thứ năm bị loại trừ vì việc dự báo ở giai đoạn tốt nghiệp đã quá muộn để can thiệp học vụ. Do đó, mẫu nghiên cứu tập trung hoàn toàn vào dữ liệu năm 2, năm 3 và năm 4.

Lý do lựa chọn Rừng ngẫu nhiên làm mô hình nền tảng vì qua khảo sát thực nghiệm ban đầu trên bộ công cụ WEKA với 8 giải thuật phổ biến (gồm Neural Network, RandomForest, C4.5, DecisionTable, OneR, JRip, PART và SVM), Rừng ngẫu nhiên liên tục đạt độ chính xác cao nhất trên cả 3 năm học. Quy trình phân tích dữ liệu áp dụng phương pháp kiểm định chéo 5 đoạn (5-fold Cross-Validation). Thuật toán đề xuất ExtractingRuleRF thực hiện qua hai giai đoạn: Giai đoạn 1 tổng quát hóa khoảng giá trị thuộc tính, đánh giá trọng số và sắp xếp luật theo thứ tự ưu tiên (độ chính xác, độ phủ, số thuộc tính quan trọng). Giai đoạn 2 tiến hành rút gọn và tinh chọn luật theo hai phương pháp tiếp cận: Phương pháp Từ dưới lên (Bottom-up: giữ lại các luật có độ chính xác cao nhất) và Phương pháp Từ trên xuống (Top-down: loại bỏ các luật có độ chính xác thấp nhất). Toàn bộ quá trình nghiên cứu và thực nghiệm được hoàn thành trong khung thời gian 11 tháng (từ tháng 1 năm 2014 đến tháng 12 năm 2014).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa thuật toán đề xuất ExtractingRuleRF và các mô hình học máy trên bộ dữ liệu 1.334 sinh viên qua các năm đào tạo đã mang lại 4 phát hiện then chốt:

Thứ nhất, mô hình phân lớp gốc Rừng ngẫu nhiên thể hiện sức mạnh vượt trội về độ chính xác phân loại (ACC) so với các giải thuật đơn lẻ. Cụ thể, trên không gian 43 thuộc tính điểm số, Rừng ngẫu nhiên đạt độ chính xác cao hơn cây quyết định C4.5 khoảng 4% đến 8% và vượt trội hơn các mô hình luật đơn giản như OneR hay DecisionTable từ 10% đến 18% trên dữ liệu các năm học.

Thứ hai, giải thuật ExtractingRuleRF đã tinh chọn thành công một tập luật IF-THEN cô đọng, giảm hơn 75% số lượng luật dư thừa và điều kiện trùng lặp so với tập luật thô ban đầu (RFFirst). Độ chính xác của tập luật rút trích từ ExtractingRuleRF đạt xấp xỉ tương đương với mô hình Rừng ngẫu nhiên gốc và cao hơn đáng kể so với các giải thuật sinh luật truyền thống trong WEKA như JRip, PART và OneR.

Thứ ba, khi so sánh hai hướng tiếp cận trong thuật toán ExtractingRuleRF, phương pháp Từ dưới lên (Bottom-up) chứng minh ưu thế vượt bậc so với phương pháp Từ trên xuống (Top-down). Phương pháp Từ dưới lên duy trì được độ chính xác phân loại cao nhất trên cả 3 tập dữ liệu năm 2, năm 3 và năm 4, đồng thời tối ưu hóa số lượng luật kết quả ở mức tối giản nhất, giúp người dùng dễ dàng nắm bắt logic phân lớp.

Thứ tư, nghiên cứu xác định được các học phần cơ sở mang tính then chốt (như mã môn học s001004, ee2 và s001001) đóng vai trò là các thuộc tính phân nhánh quan trọng nhất tại các nút gốc của cây quyết định. Sinh viên đạt ngưỡng điểm dưới 2.05 hoặc dưới 2.30 ở các môn học này có xác suất rơi vào trạng thái cảnh báo học vụ hoặc buộc thôi học lên đến hơn 85%.

Thảo luận kết quả

Kết quả nghiên cứu khẳng định tính đúng đắn của việc khai thác tri thức từ mô hình tập hợp Rừng ngẫu nhiên để khắc phục hạn chế của cây quyết định đơn lẻ. Trong thực tế đào tạo tín chỉ, sự tương tác phức tạp giữa 43 môn học tạo ra không gian dữ liệu phi tuyến tính cao. Cây quyết định C4.5 đơn lẻ dễ bị phân mảnh khi gặp số lượng thuộc tính lớn, dẫn đến cấu trúc cây cồng kềnh với hàng trăm nút lá gây khó khăn cho việc diễn giải. Ngược lại, việc trích xuất luật có chọn lọc từ Rừng ngẫu nhiên thông qua cơ chế tổng quát hóa khoảng giá trị và sắp xếp đa tiêu chí đã lọc sạch các nhánh nhiễu.

Khi so sánh với các công trình nghiên cứu dữ liệu giáo dục quốc tế trước đây (thường chỉ phân tích từ 4 đến 18 thuộc tính cá nhân như giới tính, tuổi tác, vùng miền và đạt độ chính xác dao động từ 55% đến 70%), luận văn này đạt được độ chính xác cao hơn hẳn nhờ tập trung hoàn toàn vào 43 thuộc tính điểm số chuyên môn học thuật thực chất. Dữ liệu thực nghiệm của luận văn được trực quan hóa rất rõ ràng thông qua hệ thống biểu đồ đường và biểu đồ cột so sánh biến thiên độ chính xác ACC qua 3 năm học giữa các phương pháp Bottom-up, Top-down, RFWeka và RulePaper, kết hợp cùng các bảng thống kê chi tiết số lượng luật và chỉ số Sy. Điều này chứng minh rằng việc đánh đổi một phần rất nhỏ độ chính xác để lấy về độ dễ hiểu tuyệt đối của tập luật IF-THEN là một giải pháp hoàn toàn khả thi và có giá trị ứng dụng thực tiễn cao trong các hệ thống quản trị đại học.

Đề xuất và khuyến nghị

Dựa trên kết quả khám phá luật phân lớp học tập, bốn nhóm giải pháp chiến lược được đề xuất nhằm nâng cao chất lượng đào tạo theo quy chế tín chỉ:

  1. Xây dựng và tích hợp hệ thống cảnh báo học vụ sớm tự động: Phòng Đào tạo phối hợp với Trung tâm Dữ liệu và Công nghệ Thông tin triển khai cài đặt bộ luật IF-THEN từ giải thuật ExtractingRuleRF vào cổng thông tin quản lý sinh viên. Mục tiêu hướng tới là tự động quét điểm số sau mỗi học kỳ, đưa ra cảnh báo sớm cho 100% sinh viên có nguy cơ thôi học ngay từ cuối năm thứ 2 (học kỳ 4), giúp giảm tỷ lệ sinh viên bị buộc thôi học xuống dưới 5% toàn khóa. Lộ trình triển khai thực hiện trong vòng 6 tháng kể từ khi nghiệm thu mô hình.

  2. Chuẩn hóa quy trình tư vấn và phân luồng học tập cá nhân hóa: Ban chủ nhiệm Khoa và mạng lưới Cố vấn học tập sử dụng trực tiếp các luật phân lớp để giải thích cụ thể nguyên nhân cảnh báo cho sinh viên. Thay vì chỉ thông báo điểm trung bình chung, cố vấn chỉ rõ các môn học trọng yếu (như các học phần kỹ thuật cơ sở) mà sinh viên cần cải thiện điểm số để vượt qua ngưỡng an toàn. Kế hoạch này áp dụng định kỳ 2 lần mỗi học kỳ vào tuần đầu tiên của đợt đăng ký môn học.

  3. Cải tiến phương pháp giảng dạy và phụ đạo các môn học "rào cản": Các bộ môn phụ trách các học phần có tần suất xuất hiện cao nhất trong các luật cảnh báo học vụ (như môn học ee2, s001004) cần rà soát lại đề cương chi tiết, bố trí trợ giảng hướng dẫn bài tập và mở các lớp phụ đạo tăng cường. Mục tiêu là nâng tỷ lệ sinh viên đạt điểm tích lũy trên 5.0 ở các môn này thêm tối thiểu 15% trong vòng 1 năm học.

  4. Hoàn thiện chính sách quy đổi và linh hoạt đăng ký khối lượng tín chỉ: Hội đồng Đào tạo nhà trường ban hành quy định giới hạn số tín chỉ đăng ký tối đa trong một học kỳ đối với các sinh viên rơi vào nhóm luật có nguy cơ thôi học cao (giới hạn từ 10 đến 14 tín chỉ thay vì 18 đến 24 tín chỉ), nhằm giảm tải áp lực tâm lý và tạo điều kiện tích lũy kiến thức vững chắc hơn. Thời gian hoàn thành dự thảo chính sách trong Quý II của năm học mới.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng cụ thể sau:

  1. Lãnh đạo nhà trường, Phòng Đào tạo và Phòng Công tác Sinh viên: Tài liệu cung cấp cơ sở khoa học để thiết kế các chính sách quản lý học vụ theo tín chỉ, xây dựng hệ thống hỗ trợ ra quyết định (DSS) và hoạch định chiến lược can thiệp sớm nhằm duy trì chỉ số duy trì học tập (retention rate) trên 90% cho toàn trường.

  2. Cố vấn học tập và Giảng viên chủ nhiệm: Nắm bắt các quy tắc phân lớp cụ thể dạng IF-THEN giúp đội ngũ cố vấn có công cụ trực quan để phân tích lộ trình học tập, giải thích rõ ràng cho sinh viên lý do vì sao một điểm số thấp ở năm thứ 2 có thể dẫn đến nguy cơ đình chỉ học tập ở năm thứ 4.

  3. Học viên cao học, nghiên cứu sinh ngành Khoa học Máy tính và Khoa học Dữ liệu: Tiếp cận một hướng nghiên cứu bài bản về kỹ thuật rút trích luật (Rule Extraction) từ mô hình Rừng ngẫu nhiên, phương pháp xử lý tập dữ liệu không gian 43 chiều và kỹ thuật đánh giá độ dễ hiểu của mô hình học máy.

  4. Kỹ sư phát triển phần mềm giáo dục (EdTech) và Kiến trúc sư hệ thống: Tham khảo thuật toán ExtractingRuleRF cùng quy trình tiền xử lý và chuyển đổi cây quyết định để nhúng các module trí tuệ nhân tạo giải thích được (Explainable AI - XAI) vào các nền tảng quản lý học tập điện tử (LMS).

Câu hỏi thường gặp

Giải thuật ExtractingRuleRF có điểm gì vượt trội hơn việc sử dụng trực tiếp Cây quyết định C4.5? Mặc dù C4.5 tạo ra mô hình dễ hiểu, nhưng trên bộ dữ liệu 43 môn học, cây quyết định thường quá lớn và dễ bị quá khớp, khiến độ chính xác phân loại thấp hơn từ 4% đến 8%. ExtractingRuleRF tận dụng sức mạnh dự báo chính xác cao của Rừng ngẫu nhiên, sau đó chắt lọc thành tập luật IF-THEN ngắn gọn, đảm bảo vừa chính xác vừa dễ hiểu.

Tại sao nghiên cứu chỉ tập trung phân tích dữ liệu năm 2, năm 3, năm 4 mà loại bỏ năm 1 và năm 5? Dữ liệu 1.334 sinh viên cho thấy ở năm thứ nhất, số lượng tín chỉ tích lũy còn quá ít (dưới 30 tín chỉ) nên không đủ đặc trưng thống kê để phân loại chính xác. Ngược lại, bước sang năm thứ năm thì sinh viên đã ở giai đoạn hoàn tất khóa học, việc đưa ra dự báo lúc này không còn giá trị can thiệp học vụ kịp thời.

Sự khác nhau bản chất giữa phương pháp Từ dưới lên và Từ trên xuống trong ExtractingRuleRF là gì? Phương pháp Từ dưới lên (Bottom-up) khởi đầu bằng việc giữ lại các luật có độ chính xác cao nhất rồi bổ sung dần, trong khi phương pháp Từ trên xuống (Top-down) khởi động từ toàn bộ tập luật và loại bỏ dần các luật kém chính xác. Thực nghiệm trên dữ liệu 3 năm chứng minh phương pháp Từ dưới lên luôn cho tập luật có độ chính xác cao hơn và kích thước gọn gàng hơn.

Mô hình phân lớp trong luận văn có thể triển khai cho các ngành đào tạo ngoài Khoa học Máy tính không? Hoàn toàn có thể triển khai rộng rãi. Dù tập dữ liệu thực nghiệm gồm 43 môn học của ngành Khoa học Máy tính, quy trình thuật toán ExtractingRuleRF được thiết kế độc lập với miền dữ liệu. Mọi chương trình đào tạo theo hệ thống tín chỉ chỉ cần chuẩn hóa bảng điểm các học phần đầu vào là có thể áp dụng ngay giải thuật này.

Chỉ số độ dễ hiểu Sy được đo lường như thế nào để đảm bảo tính trực quan của tập luật? Chỉ số Sy được tính dựa trên tỷ lệ giữa số nút hiện tại của cây luật so với số nút tối đa cho phép, chuẩn hóa trong đoạn từ 0.5 đến 1.0. Điểm Sy càng tiến gần đến 1.0 chứng minh luật càng đơn giản, ít điều kiện ràng buộc, giúp người quản trị không chuyên về công nghệ thông tin vẫn đọc hiểu và áp dụng chính xác 100%.

Kết luận

  1. Đề tài đã giải quyết trọn vẹn bài toán cân bằng giữa độ chính xác dự báo và tính giải thích trực quan trong khai phá dữ liệu giáo dục đại học theo học chế tín chỉ.
  2. Xây dựng và thực nghiệm thành công giải thuật ExtractingRuleRF, chứng minh tính ưu việt vượt trội của phương pháp tiếp cận Từ dưới lên (Bottom-up) trên tập dữ liệu 1.334 sinh viên.
  3. Rút trích thành công bộ luật phân lớp IF-THEN cô đọng từ không gian 43 thuộc tính môn học, đạt độ chính xác tương đương mô hình Rừng ngẫu nhiên "hộp đen" và vượt trội hơn các thuật toán sinh luật C4.5, JRip, PART.
  4. Xác định chính xác các học phần cốt lõi đóng vai trò cảnh báo sớm nguy cơ học vụ, giúp nhà trường can thiệp kịp thời từ năm thứ 2 và năm thứ 3.
  5. Hướng phát triển tiếp theo của công trình là mở rộng bài toán phân loại đa lớp (xuất sắc, giỏi, khá, trung bình, yếu), đồng thời tích hợp thêm dữ liệu hành vi tương tác trên hệ thống học tập trực tuyến e-Learning trong giai đoạn 1 đến 2 năm tới.

Các cơ sở giáo dục đại học và nhà nghiên cứu quan tâm có thể ứng dụng trực tiếp giải thuật ExtractingRuleRF để nâng cao hiệu quả quản trị chất lượng đào tạo và xây dựng hệ thống hỗ trợ sinh viên toàn diện ngay từ hôm nay.