Luận văn thạc sĩ xây dựng mô hình dự đoán kết quả học tập cuối năm của học sinh tại trường thpt trần nguyên hãn

Luận văn thạc sĩ kỹ thuật phân tích xây dựng mô hình dự đoán kết quả học tập cuối năm của học sinh tại trường thpt trần nguyên hãn, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Nguyễn Thị Thủy
• Người hướng dẫn: TS. Phan Ngọc Hoàng
• Trường học: Trường Đại Học Bà Rịa - Vũng Tàu
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Mô Hình Dự Đoán Kết Quả Học Tập Cuối Năm Tại Trường THPT Trần Nguyên Hãn
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2023
• Địa điểm: Bà Rịa - Vũng Tàu

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH
• DANH MỤC CÁC BẢNG
• TÓM TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG
• 1.1. Giới thiệu đề tài
• 1.1.1. Lý do chọn đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Đối tượng và phạm vi nghiên cứu của đề tài
• 1.4. Phương pháp nghiên cứu
• 1.4.1. Phương pháp nghiên cứu lý thuyết
• 1.4.2. Phương pháp thực nghiệm
• 1.5. Cấu trúc luận văn
• 2. CHƯƠNG 2: GIẢI PHÁP GIẢI QUYẾT BÀI TOÁN DỰ ĐOÁN KẾT QUẢ HỌC TẬP CUỐI NĂM CỦA HỌC SINH THPT
• 2.1. Giới thiệu về bài toán dự đoán
• 2.2. Mục tiêu và nhiệm vụ
• 2.3. Giới thiệu Neural Network
• 2.3.1. Khả năng ứng dụng của mạng nơron nhân tạo
• 2.3.2. Cấu tạo và phân loại mạng nơron nhân tạo
• 2.3.2.1. Cấu tạo mạng nơron nhân tạo
• 2.3.2.2. Phân loại mạng nơron nhân tạo
• 2.3.3. Các đơn vị xử lý cơ bản của mạng nơron nhân tạo
• 2.3.3.1. Hàm kết hợp
• 2.3.3.2. Hàm kích hoạt
• 2.3.4. Mạng nơron truyền thẳng nhiều lớp
• 2.3.4.1. Kiến trúc mạng
• 2.3.4.2. Khả năng biểu diễn
• 2.3.4.3. Số lớp ẩn
• 2.3.4.4. Số nơron trong lớp ẩn
• 2.3.5. Thuật toán lan truyền ngược BP (Back - Propagation Algorithm)
• 2.3.5.1. Sử dụng thuật toán lan truyền ngược
• 2.3.5.2. Một số biến thể của mạng lan truyền ngược
• 2.4. Thuật toán hồi quy tuyến tính
• 2.4.1. Hồi quy tuyến tính đơn
• 2.4.1.1. Phương trình hồi quy tuyến tính đơn
• 2.4.1.2. Phương sai hồi quy
• 2.4.1.3. Dự báo trong phương trình hồi quy tuyến tính đơn
• 2.4.2. Hồi quy tuyến tính đa biến
• 2.4.2.1. Mô hình hồi quy tuyến tính đa biến
• 2.4.2.2. Phương trình hồi quy tuyến tính đa biến
• 2.4.2.3. Phân tích phương sai hồi quy
• 2.4.2.4. Ước lượng khoảng tin cậy và kiểm định giả thuyết trong hồi quy đa biến
• 2.5. Một số hướng nghiên cứu về những bài toán dự đoán có sử dụng mạng nơron
• 2.5.1. Các nghiên cứu trên thế giới
• 2.5.2. Các nghiên cứu trong nước
• 2.6. Ứng dụng mạng nơron giải quyết bài toán
• 2.7. Ứng dụng hồi quy tuyến tính để giải quyết bài toán
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH DỰ ĐOÁN ĐIỂM KẾT QUẢ HỌC TẬP CUỐI NĂM CỦA HỌC SINH TẠI TRƯỜNG THPT TRẦN NGUYÊN HÃN
• 3.1. Xây dựng hệ thống dự đoán kết quả học tập cuối năm của học sinh THPT
• 3.1.1. Tiến trình thực hiện luận văn
• 3.1.2. Mô tả tiến trình
• 3.1.2.1. Dữ liệu luận văn
• 3.1.2.2. Phân tích và trích chọn đặc trưng
• 3.1.2.3. Chuẩn hoá dữ liệu
• 3.1.2.4. Cấu trúc mạng nơron
• 3.1.2.5. Huấn luyện mô hình
• 3.1.2.6. Kiểm tra mô hình với kết quả thực nghiệm
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu chung

Luận văn này tập trung vào việc xây dựng mô hình dự đoán kết quả học tập cuối năm của học sinh tại trường THPT Trần Nguyên Hãn. Kết quả học tập không chỉ là tiêu chí đánh giá năng lực học sinh mà còn là cơ sở để giáo viên và nhà trường có kế hoạch hỗ trợ phù hợp. Việc dự đoán này được thực hiện thông qua việc phân tích dữ liệu từ bảng điểm của học sinh trong các năm học trước. Mục tiêu của nghiên cứu là áp dụng công nghệ học máy để nâng cao chất lượng giáo dục và giúp học sinh đạt được kết quả tốt hơn. Theo thống kê, tỷ lệ học sinh đậu tốt nghiệp và vào đại học phụ thuộc rất nhiều vào kết quả học tập cuối năm. Do đó, việc phát hiện sớm những học sinh có nguy cơ không đạt yêu cầu là rất cần thiết.

1.1. Lý do chọn đề tài

Sự phát triển không ngừng của công nghệ thông tin đã tạo ra một lượng dữ liệu khổng lồ trong lĩnh vực giáo dục. Việc áp dụng các kỹ thuật khai thác dữ liệu để phân tích và xử lý thông tin từ bảng điểm sẽ giúp nhà trường có cái nhìn tổng quan về tình hình học tập của học sinh. Hơn nữa, việc sử dụng mạng nơron và hồi quy tuyến tính để dự đoán kết quả học tập sẽ giúp giáo viên và Ban giám hiệu có các biện pháp can thiệp kịp thời cho những học sinh có nguy cơ yếu kém. Đây là lý do chính để nghiên cứu đề tài này, nhằm nâng cao hiệu quả giáo dục tại trường THPT Trần Nguyên Hãn.

1.2. Mục tiêu đề tài

Mục tiêu của nghiên cứu là xây dựng một mô hình dự đoán có thể sử dụng để dự đoán kết quả học tập của từng học sinh trong các môn học cụ thể. Mô hình này sẽ giúp xác định được những học sinh có nguy cơ không đạt yêu cầu và từ đó, giáo viên có thể đưa ra các biện pháp hỗ trợ phù hợp. Bên cạnh đó, nghiên cứu cũng nhằm nâng cao nhận thức của học sinh về tầm quan trọng của việc học tập và giúp họ định hướng nghề nghiệp trong tương lai.

II. Giải pháp giải quyết bài toán dự đoán kết quả học tập

Trong chương này, các giải pháp được trình bày nhằm giải quyết bài toán dự đoán kết quả học tập cuối năm cho học sinh THPT. Việc sử dụng công nghệ thông tin và các thuật toán học máy là phương pháp hiện đại nhằm nâng cao độ chính xác trong việc dự đoán. Mô hình dự đoán được xây dựng trên cơ sở dữ liệu từ bảng điểm của học sinh trong các năm học trước, bao gồm các thông tin như điểm tổng kết học kỳ 1, điểm thành phần của học kỳ 2. Phân tích và trích chọn các đặc trưng dữ liệu là bước quan trọng để cải thiện độ chính xác của mô hình. Nghiên cứu cũng sẽ sử dụng các phương pháp như hồi quy tuyến tính và mạng nơron nhân tạo để xây dựng mô hình dự đoán.

2.1. Giới thiệu về bài toán dự đoán

Bài toán dự đoán kết quả học tập cuối năm được xem như một bài toán phân loại, trong đó mục tiêu là xác định khả năng học sinh sẽ đạt điểm trên hoặc dưới một ngưỡng nhất định. Dữ liệu đầu vào cho mô hình bao gồm các thông tin về điểm số và các yếu tố ảnh hưởng khác. Qua việc áp dụng mạng nơron và hồi quy tuyến tính, mô hình sẽ được huấn luyện để có thể dự đoán chính xác kết quả học tập của học sinh. Điều này không chỉ giúp nhà trường có kế hoạch hỗ trợ kịp thời cho học sinh mà còn nâng cao hiệu quả giảng dạy.

2.2. Mạng nơron và ứng dụng

Mạng nơron nhân tạo là một trong những công nghệ tiên tiến nhất trong lĩnh vực học máy, được sử dụng để giải quyết các bài toán phức tạp. Trong nghiên cứu này, mạng nơron sẽ được sử dụng để phân tích và dự đoán kết quả học tập dựa trên các đặc trưng dữ liệu đã thu thập. Việc sử dụng thuật toán lan truyền ngược (Back-Propagation Algorithm) giúp tối ưu hóa trọng số của mạng nơron, từ đó nâng cao độ chính xác của dự đoán. Kết quả dự đoán sẽ được sử dụng để hỗ trợ giáo viên trong việc đưa ra các quyết định giáo dục đúng đắn.

III. Xây dựng mô hình dự đoán kết quả học tập cuối năm

Chương này trình bày chi tiết quy trình xây dựng mô hình dự đoán kết quả học tập cuối năm cho học sinh tại trường THPT Trần Nguyên Hãn. Quy trình bao gồm các bước như thu thập dữ liệu, phân tích và trích chọn đặc trưng, chuẩn hóa dữ liệu, xây dựng cấu trúc mạng nơron và huấn luyện mô hình. Dữ liệu được thu thập từ bảng điểm trong vòng 6 năm học, từ đó xác định các yếu tố ảnh hưởng đến kết quả học tập. Các bước chuẩn hóa dữ liệu và huấn luyện mô hình là rất quan trọng để đảm bảo độ chính xác trong dự đoán.

3.1. Tiến trình thực hiện luận văn

Tiến trình thực hiện luận văn bắt đầu từ việc thu thập dữ liệu từ bảng điểm của học sinh, sau đó tiến hành phân tích và trích chọn các đặc trưng quan trọng ảnh hưởng đến kết quả học tập. Dữ liệu được chuẩn hóa để đảm bảo tính đồng nhất và chính xác. Sau khi hoàn tất các bước chuẩn bị, mô hình mạng nơron sẽ được xây dựng và huấn luyện với dữ liệu đã chuẩn bị. Cuối cùng, mô hình sẽ được kiểm tra với kết quả thực nghiệm để đánh giá độ chính xác và khả năng ứng dụng trong thực tế.

3.2. Kiểm tra mô hình với kết quả thực nghiệm

Sau khi hoàn thành việc xây dựng mô hình, bước kiểm tra sẽ được thực hiện để đánh giá độ chính xác của dự đoán. Kết quả thực nghiệm sẽ được so sánh với kết quả thực tế của học sinh để xác định mức độ chính xác của mô hình. Nếu kết quả đạt yêu cầu, mô hình sẽ được áp dụng rộng rãi trong việc dự đoán kết quả học tập của học sinh tại trường THPT Trần Nguyên Hãn. Điều này không chỉ giúp nhà trường nâng cao chất lượng giáo dục mà còn hỗ trợ học sinh có định hướng rõ ràng trong học tập.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh chuyển đổi số giáo dục, việc kiểm soát và nâng cao chất lượng học tập của học sinh trung học phổ thông là nhiệm vụ trọng tâm của các nhà trường. Theo thống kê thực tế tại các trường phổ thông, tỷ lệ học sinh có nguy cơ thi lại hoặc xếp loại học lực yếu kém vào cuối năm học thường dao động từ 3% đến 5% nếu không có biện pháp can thiệp sớm từ giữa học kỳ 2. Căn cứ theo Thông tư số 58/2011/TT-BGDĐT của Bộ Giáo dục và Đào tạo về quy chế đánh giá, xếp loại học sinh, kết quả học tập của 3 môn cốt lõi gồm Toán, Ngữ văn và Tiếng Anh đóng vai trò quyết định trực tiếp đến điều kiện lên lớp cũng như cơ hội xét tuyển đại học.

Tuy nhiên, công tác dự báo kết quả học tập tại trường THPT Trần Nguyên Hãn (thành phố Vũng Tàu) trước đây chủ yếu dựa trên đánh giá thủ công, thiếu cơ sở định lượng khoa học và thường có độ trễ lớn. Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ chuyên ngành Công nghệ thông tin của tác giả Nguyễn Thị Thuỷ tập trung xây dựng mô hình máy học dự đoán điểm số và phân loại cảnh báo sớm kết quả học tập cuối năm cho học sinh.

Nghiên cứu khai thác nguồn dữ liệu điểm số được trích xuất từ hệ thống sổ liên lạc điện tử vnEdu trong giai đoạn 5 năm học, từ năm học 2015 - 2016 đến năm học 2019 - 2020. Mục tiêu cụ thể là phát hiện sớm các học sinh có điểm tổng kết dưới ngưỡng 5,0 điểm để Ban Giám hiệu và giáo viên kịp thời bồi dưỡng. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn khi giúp tối ưu hóa công tác phân loại học lực với độ chính xác đạt trên 86%, hỗ trợ giảm thiểu ít nhất 20% tỷ lệ học sinh phải thi lại hoặc lưu ban hàng năm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng hai nền tảng toán học và học máy quan trọng gồm: Mạng nơ-ron nhân tạo truyền thẳng đa tầng (Multi-Layer Perceptron - MLP) kết hợp giải thuật lan truyền ngược (Back-propagation) và Mô hình hồi quy tuyến tính đa biến (Multiple Linear Regression).

Mô hình MLP mô phỏng hoạt động truyền dẫn xung thần kinh sinh học, có khả năng xấp xỉ các hàm phi tuyến phức tạp thông qua các lớp nơ-ron kết nối có trọng số. Thuật toán lan truyền ngược đóng vai trò tối ưu hóa hàm lỗi bằng phương pháp suy giảm gradient, giúp mạng tự động cập nhật trọng số liên kết qua từng chu kỳ huấn luyện. Các khái niệm nền tảng được tích hợp chặt chẽ trong mô hình bao gồm:

• Hàm kích hoạt (Activation Function): Sử dụng hàm Sigmoid và ReLU để phi tuyến hóa tín hiệu đầu ra của các tầng ẩn, đưa giá trị về khoảng từ 0 đến 1 hoặc triệt tiêu giá trị âm.
• Sai số bình phương trung bình (Mean Squared Error - MSE): Đại lượng đo lường độ lệch giữa điểm số thực tế và điểm số dự đoán nhằm điều chỉnh trọng số nơ-ron.
• Hệ số xác định (R-squared): Chỉ số thống kê phản ánh tỷ lệ biến thiên của điểm tổng kết cả năm được giải thích bởi các điểm thành phần.
• Ngưỡng phân lớp nhị phân: Điểm số 5,0 được thiết lập làm ranh giới xác định giữa hai trạng thái An toàn và Cảnh báo học lực yếu.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được thu thập trực tiếp từ hệ thống quản lý điểm vnEdu của trường THPT Trần Nguyên Hãn đối với toàn bộ học sinh khối 10, khối 11 và khối 12 qua 5 năm học liên tiếp với tổng quy mô hơn 3.000 bản ghi dữ liệu học tập. Nghiên cứu sử dụng phương pháp chọn mẫu toàn bộ có chủ đích, tập trung vào 3 môn học bắt buộc gồm Toán, Ngữ văn và Tiếng Anh để đảm bảo tính đại diện và phản ánh đúng chất lượng học thuật chung.

Lý do lựa chọn kết hợp hồi quy tuyến tính đa biến và mạng nơ-ron MLP là nhằm tận dụng thế mạnh kép: Hồi quy tuyến tính cho phép ước lượng giá trị điểm số liên tục cụ thể với tính tường minh cao, trong khi mạng nơ-ron MLP xử lý xuất sắc các mối tương quan phi tuyến phức tạp để phân loại cảnh báo.

Tiến trình nghiên cứu được triển khai mạch lạc theo dòng thời gian:

• Tập dữ liệu từ năm học 2015 - 2016 đến năm học 2018 - 2019 (chiếm 80% tổng dung lượng mẫu) được sử dụng cho giai đoạn tiền xử lý, trích chọn đặc trưng và huấn luyện mô hình.
• Tập dữ liệu năm học 2019 - 2020 (chiếm 20% dung lượng mẫu còn lại) được giữ độc lập hoàn toàn để thực hiện kiểm định xác thực (validation) hiệu năng thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô hình trên tập dữ liệu học sinh THPT Trần Nguyên Hãn đã mang lại 4 phát hiện quan trọng:

Thứ nhất, phân tích tương quan cho thấy điểm trung bình Học kỳ 1 và điểm định kỳ lần 1 của Học kỳ 2 (hệ số V1) có tác động mạnh nhất đến điểm tổng kết cả năm, chiếm tỷ trọng đóng góp trên 75% độ biến thiên của điểm số cuối khóa. Điểm thường xuyên (P1, P2) đóng vai trò bổ trợ tinh chỉnh sai số.

Thứ hai, mô hình mạng nơ-ron MLP với cấu trúc tối ưu gồm 2 lớp ẩn (lớp ẩn 1 gồm 8 nơ-ron, lớp ẩn 2 gồm 4 nơ-ron) đạt độ chính xác phân loại cảnh báo học sinh yếu kém ở mức 86,5%. Kết quả này vượt trội hơn khoảng 12% so với các phương pháp ước lượng điểm trung bình số học thông thường.

Thứ ba, mô hình hồi quy tuyến tính đa biến với 4 biến giải thích độc lập đạt hệ số xác định R2 đạt 0,81, sai số tuyệt đối trung bình (MAE) được kiểm soát ở mức dưới 0,42 điểm trên thang điểm 10, cho phép dự đoán sát sao điểm số thực tế của từng học sinh.

Thứ tư, khi biểu diễn trực quan hóa dữ liệu qua biểu đồ phân phối điểm số và bảng ma trận nhầm lẫn (Confusion Matrix), tỷ lệ nhận diện chính xác các trường hợp có điểm dưới 5,0 đạt mức 88,2%, hạn chế tối đa việc bỏ sót các học sinh thực sự cần hỗ trợ học vụ.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu năng vượt trội là do dữ liệu điểm số giữa Học kỳ 2 phản ánh sát thực nhất phong độ học tập tức thời và khả năng thích ứng của học sinh đối với chương trình học. Cấu trúc mạng MLP 2 tầng ẩn (8 và 4 nơ-ron) được chứng minh là vừa đủ để mô hình hóa toàn diện các mẫu dữ liệu phức tạp mà không gây ra hiện tượng quá khớp (overfitting) hay bùng nổ thời gian tính toán.

Khi so sánh với các công bố khoa học tương đồng, kết quả của luận văn thể hiện tính tương thích và độ tin cậy rất cao. Điển hình, nghiên cứu của Seyam Aya Nabil và cộng sự tại Đại học Mansura (Ai Cập, năm 2021) khi áp dụng mạng Deep Neural Network đạt độ chính xác 89%; nghiên cứu của tác giả Lưu Hoài Sang tại Đại học Cần Thơ (năm 2021) trên sinh viên đại học đạt độ tin cậy 78% với mạng MLP 6 tầng. Kết quả 86,5% của luận văn này là rất ấn tượng đối với dữ liệu học sinh bậc phổ thông tại Việt Nam, khẳng định tính đúng đắn của việc lựa chọn đặc trưng đầu vào tinh gọn.

Về mặt ý nghĩa, nghiên cứu đã chuyển đổi phương thức quản lý học vụ từ thế bị động giải quyết hậu quả sang chủ động dự báo nguy cơ, tạo tiền đề vững chắc cho việc cá nhân hóa lộ trình giáo dục.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp mang tính hành động cao nhằm nâng cao chất lượng giáo dục tại trường phổ thông:

1. Tích hợp mô-đun máy học dự đoán vào hệ thống phần mềm quản lý trường học vnEdu:

• Chủ thể thực hiện: Bộ phận quản trị công nghệ thông tin nhà trường phối hợp với đối tác phát triển phần mềm.
• Mục tiêu: Tự động hóa quá trình đồng bộ và xử lý 100% dữ liệu điểm số của hơn 1.200 học sinh toàn trường, hoàn trả kết quả phân tích trong vòng 60 giây.
• Thời gian triển khai: Hoàn thành trong 3 tháng đầu năm học mới.

2. Thiết lập quy trình cảnh báo học tập sớm và tư vấn học đường cá nhân hóa:

• Chủ thể thực hiện: Ban Giám hiệu, Ban cố vấn học đường và Giáo viên chủ nhiệm.
• Mục tiêu: Giảm thiểu ít nhất 25% số lượng học sinh có kết quả 3 môn Toán, Văn, Anh dưới 5,0 điểm trước kỳ thi học kỳ 2.
• Thời gian triển khai: Tiến hành đồng loạt vào tuần thứ 8 của Học kỳ 2 hàng năm ngay sau khi có điểm định kỳ V1.

3. Triển khai kế hoạch phụ đạo tăng cường theo nhóm năng lực học tập:

• Chủ thể thực hiện: Các tổ chuyên môn Toán học, Ngữ văn và Ngoại ngữ.
• Mục tiêu: Giúp tối thiểu 80% học sinh thuộc diện cảnh báo nâng điểm trung bình môn lên mức đạt yêu cầu (từ 5,0 trở lên) trong kỳ thi cuối năm.
• Thời gian triển khai: Tổ chức các lớp học bổ trợ liên tục từ 4 đến 6 tuần trước khi bước vào kỳ thi chính thức.

4. Mở rộng thu thập và chuẩn hóa thêm các chiều dữ liệu hành vi học tập:

• Chủ thể thực hiện: Nhóm nghiên cứu và Ban Giám hiệu nhà trường.
• Mục tiêu: Bổ sung từ 3 đến 5 biến đặc trưng mới (tỷ lệ chuyên cần, thời gian tự học, điểm đầu vào lớp 10) nhằm nâng độ chính xác tổng thể của mô hình lên trên 90%.
• Thời gian triển khai: Thực hiện trong lộ trình năm học tiếp theo.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn là tài liệu tham khảo giàu giá trị cho 4 nhóm đối tượng sau:

• Ban Giám hiệu và Cán bộ quản lý các trường THPT: Cung cấp khung phương pháp luận khoa học để xây dựng công cụ giám sát chất lượng đào tạo, dự báo sớm tỷ lệ đỗ tốt nghiệp THPT và tỷ lệ trúng tuyển đại học, từ đó đưa ra chiến lược phân bổ nguồn lực giáo viên hợp lý.
• Giáo viên chủ nhiệm và Giáo viên bộ môn (Toán, Văn, Ngoại ngữ): Giúp giáo viên nhận diện sớm những học sinh có dấu hiệu giảm sút học lực ngay từ giữa năm học, làm căn cứ khách quan để trao đổi với phụ huynh và xây dựng phương pháp giảng dạy phù hợp cho từng em.
• Học viên cao học và Nhà nghiên cứu ngành Khoa học dữ liệu, Công nghệ thông tin: Cung cấp case study thực tế về quy trình khai phá dữ liệu giáo dục (Educational Data Mining), kỹ thuật tiền xử lý bảng điểm thực tế, phương pháp thiết lập mạng nơ-ron MLP 2 lớp ẩn và kiểm định sai số hồi quy đa biến.
• Các đơn vị phát triển giải pháp công nghệ giáo dục (EdTech): Cung cấp thuật toán và luồng xử lý chuẩn để tích hợp các tính năng cảnh báo tự động vào sổ liên lạc điện tử, cổng thông tin học sinh và các phần mềm quản trị trường học thông minh.

Câu hỏi thường gặp

Vì sao mô hình lại tập trung dự đoán chuyên sâu vào 3 môn Toán, Ngữ văn và Tiếng Anh? Ba môn học này là các môn văn hóa bắt buộc trong toàn bộ chương trình phổ thông, đóng vai trò nòng cốt trong việc xét tốt nghiệp THPT và xuất hiện trong hầu hết các tổ hợp xét tuyển đại học. Việc kiểm soát tốt điểm số của 3 môn này đảm bảo trực tiếp tỷ lệ lên lớp và thành tích đào tạo của toàn trường.

Mô hình cần những dữ liệu đầu vào nào để đưa ra kết quả dự báo chính xác? Mô hình yêu cầu 4 biến dữ liệu số thực gồm: Điểm trung bình tổng kết Học kỳ 1, Điểm kiểm tra thường xuyên lần 1 Học kỳ 2 (P1), Điểm kiểm tra thường xuyên lần 2 Học kỳ 2 (P2) và Điểm kiểm tra định kỳ lần 1 Học kỳ 2 (V1).

Tại sao tác giả lại thiết lập kiến trúc mạng nơ-ron gồm 2 lớp ẩn với 8 và 4 nơ-ron? Kiến trúc 8 và 4 nơ-ron ở 2 lớp ẩn được xác định thông qua phương pháp thử và sai thực nghiệm. Cấu trúc này tối ưu hóa khả năng xấp xỉ hàm phi tuyến đối với 4 biến đầu vào, đảm bảo mạng hội tụ nhanh chóng và triệt tiêu hoàn toàn hiện tượng quá khớp dữ liệu.

Sai số dự đoán điểm số của mô hình hồi quy tuyến tính trong thực tế là bao nhiêu? Mô hình hồi quy tuyến tính đa biến đạt sai số tuyệt đối trung bình chỉ ở mức 0,42 điểm trên thang điểm 10. Mức sai lệch dưới nửa điểm này hoàn toàn nằm trong giới hạn tin cậy cho phép đối với bài toán đánh giá năng lực học sinh phổ thông.

Mô hình này có thể nhân rộng sang các trường THPT khác trên cả nước hay không? Hoàn toàn có thể. Quy trình tiền xử lý, cấu trúc mạng nơ-ron và phương trình hồi quy được thiết kế theo quy chuẩn chung của hệ thống vnEdu và Thông tư 58/2011/TT-BGDĐT, do đó có thể dễ dàng áp dụng cho bất kỳ trường THPT nào trên toàn quốc.

Kết luận

• Số hóa và khai thác thành công tập dữ liệu 5 năm từ hệ thống vnEdu với hơn 3.000 bản ghi học tập của trường THPT Trần Nguyên Hãn.
• Xây dựng hoàn chỉnh mô hình mạng nơ-ron MLP 2 lớp ẩn (8 và 4 nơ-ron) đạt độ chính xác phân loại học sinh cảnh báo lên tới 86,5%.
• Thiết lập phương trình hồi quy tuyến tính đa biến dự đoán chính xác điểm số cuối năm với sai số tuyệt đối trung bình dưới 0,42 điểm.
• Đề xuất quy trình can thiệp học vụ sớm từ tuần thứ 8 của Học kỳ 2, hỗ trợ giảm thiểu ít nhất 20% rủi ro lưu ban hoặc thi lại.
• Tạo nền tảng khoa học vững chắc để các cơ sở giáo dục chuyển đổi số toàn diện công tác quản trị và bảo đảm chất lượng dạy học.

Đóng góp lớn nhất của luận văn là đã chứng minh tính khả thi và hiệu quả vượt bậc của việc ứng dụng trí tuệ nhân tạo vào bài toán dự báo học tập tại bậc học phổ thông. Kế hoạch tiếp theo trong giai đoạn 2024 - 2025 là mở rộng triển khai thử nghiệm hệ sinh thái dự báo này trên quy mô liên trường tại tỉnh Bà Rịa - Vũng Tàu.

Hãy liên hệ ngay với tác giả và nhóm nghiên cứu để nhận trọn bộ tài liệu kỹ thuật, mã nguồn mô hình và được tư vấn chuyển giao giải pháp quản trị giáo dục thông minh cho đơn vị của bạn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 Trongichương nàyitác giảiđã trình bàyilý doichọniđề tài,imục tiêuicủa đề tài,iđối tượng vàiphạm viinghiên cứu củaiđề tài, phương phápinghiên cứu của đề tàiivà kết cấu 4 chương củailuận văn. 6 CHƯƠNG 2: GIẢI PHÁP GIẢI QUYẾT BÀI TOÁN DỰ ĐOÁN KẾT QUẢ HỌC TẬP CUỐI NĂM CỦA HỌC SINH THPT 2. Giới thiệu về bài toán dự đoán CNTT làimột tronginhững lĩnh vựciquan trọng gópiphần thúc đẩyisự phátitriển kinh tếicủa đấtinước.iỨng dụng CNTT có ở tất cả các lĩnh vực,ilà nền tảngicủa nghiên cứuivề công nghệ caoinhư khoa họcivũ trụ,icông nghệ điện tửivàitự độngihoá,icác hệ thốngithông minh,…. Tại Việt Nam, hiện nayiCNTT được xác định làilĩnh vực thenichốt được đầuitư không những hiệniđại hoá cơ sởihạ tầng mà cònilà việc ứng dụngisâu rộng vào các lĩnh vựcikhác của cuộc sống xãihội.

Nghị quyếtisố 36-NQ/TW ngày 1/07/2014 củaiBộ Chính trịivề đẩy mạnhiứng dụng,iphát triểniCNTT [2] đápiứng yêuicầu phát triểnibền vững vàihội nhậpiquốc tếitiếp tụcikhẳng địnhisự quan tâm,ichỉ đạoisát sao củaiĐảng đối vớiicông táciứng dụng,iphát triểniCNTT, khẳng địnhivị trí,ivai tròicủa CNTT trongisự nghiệpixây dựng vàibảo vệ Tổ quốcithời kỳimới. Nghị quyết nàyilà một văn bản rấtiquan trọng, làiđịnh hướng xuyên suốticho chiến lượciứng dụng,iphát triểniCNTT vàitruyền thôngitừ nayiđến nămi 2030, làitiền đềiquan trọng đểiCNTT ViệtiNam phát triểnimạnh mẽ,isâu rộng hơn,iđề rainhững định hướng lớnicho sựiphát triểniCNTT nước nhàitrong khoảng 10i– 20inăm tới. Mục tiêu nămi2030,iđưa năng lựcinghiên cứu,iứng dụng,iphát triển,isản xuất vàicung ứngisản phẩm,idịch vụiCNTT đạtitrình độitiên tiếnithế giới.iViệt Nam trởithành quốc giaimạnh vềiCNTT trongikhu vực. Cuộc cáchimạng công nghệp lầnithứ tư (CMCNi4.0) thông qua cácicông nghệinhư trí tuệinhân tạo,iInternet vạnivật,ithực tế ảo,itương tácithực tại ảo,imạng xãihội, điện toán đám mây,idi động, phân tíchidữ liệu sớm,… đã chuyển hoáitoàn bộithế giớiithành thế giớiisố.iCác công nghệithông minh đang đượcitích hợpivào mọiikhía cạnh củaixã hội, xoáibỏ ranh giớiicông nghệithông thường,ithay đổiihình dạngimạng lướiicông nghệ vàisản xuất, thúc đẩyisự phát triển củaithời đại.

Trí tuệinhân tạo làimột hướng nghiên cứuicủa lĩnh vựciCNTT vàikhoa họcimáy tính nhằmiphát triểnihệ thống thôngiminh đểigiải quyết cácibài toán thực tếigiống như hoạtiđộng bộinão của con người.iTrí tuệ nhân tạoiđược bắt đầu nghiênicứuitừ những năm 50icủa thếikỷ 20ivà trong khoảngi30 nămitrở lại đâyiđã đượcicộng đồngivà cácinhà 7 khoa họciquan tâmimạnh mẽ.iRất nhiềuicác hội thảoilớn về lĩnhivực này đượcitổ chức hàng nămitrên thế giới.iCác ứng dụngitiêu biểu củaitrí tuệinhân tạoivào đờiisống xãihội như: người máy,irobot, xử lý ngôn ngữitự nhiên, dự báo, dự đoán, nhận dạng,iphát hiện dịithường, an ninh quốc phòng, khoa họcivũ trụ vàitrái đất,…. Ngày nay, CNTT đượciứng dụng trong hầu hếticác lĩnh vực hoạt động xãihội. Lĩnh vực giáoidục cũng không thể thiếu sự hỗitrợ đắc lực của khoa họcimáy tính nói chung hay tríituệ nhân tạoinói riêng. Để giúp công việcigiảng dạy đạt hiệu quảicao hơn, luận văn nghiên cứu “Xây dựng dự đoán kết quả cuối năm của học sinh tại trường THPT Trần Nguyên Hãn”.

Từ kếtiquả dự đoán đó, hỗ trợ BGH có kế hoạch phù hợp, đưaira phương phápidạy học cho từngiđối tượng học sinhicụ thể, giúp các emiđạt được kếtiquả học tậpitốt hơn.2 Mục tiêu và nhiệm vụ 2.1 Mục tiêu Mụcitiêu quan trọng nhất của bài toán dựiđoán kết quảihọc tập cuối năm củaihọc sinhilà giúp các em thấy được lực học của mình đến đâu, có những yếuitố nào ảnh hưởng đếnikết quả họcitập và tầm quan trọng củaiviệc đậu tốt nghiệp THPT. Từ đó các em định hướng tốt hơn về việc học của mình ngay từ đầu cấp đốiivới học sinh khối 10, hay vớiihọc sinh khối 12 sẽ cần cố gắng nhưithế nào đểicó kết quả tốt nhất. Thời gian dự đoán kết quả vào khoảng giữa HKII nên kết quả dự đoán có thể thay đổi bởi nhiều yếu tố tùy thuộcivào việc chăm chỉihọc tập hay sựicố gắng học hỏi của học sinh khác nhau, có em sẽ chăm chỉ hơn, cũng có em sẽ lơ là việc học hơn làm ảnh hưởng đến kết quả dự đoán đó.2 Nhiệm vụ • Thấy được học lực hiện tại củaihọc sinh, sựitiến bộ củaihọc sinh; • Khuyếnikhích những học sinh cóihọc lực tốt giúp các em phát huy kết quả đó. Động viên các em còn yếu kém để các em cố gắng rèn luyện thêm những môn học yếu, kém; • Hỗ trợ, hướng dẫn học sinh, giúp cáciem định hướnginghề nghiệp trong tương laiiđể các em có mục tiêu phấn đấu mà cố gắng học tập; • Theo sát, giúpiđỡ những học sinhicó hoàn cảnh đặc biệt, giúp cáciem ổn định 8 tâm lí, tiếp tục việc học, hoàn thành chương trình học của mình.3 Giới thiệu Neural Network 2.1 Khái niệm Theo cácinhà nghiên cứuisinh học [3], hệithống thần kinh củaicon người baoigồm khoảng 1011 tếibào thần kinh,ithường gọi làicác nơron.

Mỗi tếibào nơron gồmi3 phần: • Thâninơron và nhân bênitrong (gọiilà soma), là nơiitiếp nhận hay phát raicác xung độngithần kinh; • Mộtihệ thống dạng câyicác thần kinhivào (gọiilà dendrite) đểiđưa tín hiệuitới nhân nơron. Cácidây thần kinh vàoitạo thành một lướiidày đặc xung quanhithân nơron, chiếmidiện tích 0.25mm2; • Đầuidây thần kinh rai(gọi làisợi trục axon)iphân nhánhidạng hìnhicây,icó thể dài từi1cm đến hàngimét. Chúng nối vớiicác dây thần kinhivào hoặc trực tiếp vớiicác nơronikhác thông quaicác khớpinối (gọiilà synapse). Cóihai loạiikhớp nối,ikhớp nốiikích thíchi(excitatory) sẽicho tín hiệuiqua nóiđể tớiinơron,icòn khớp nốiiức chếi(inhibitory) cóitác dụngilàm cảnitín hiệu tớiinơron.

Người ta ướcitính mỗi nơron trong bộinão người có khoảng 104ikhớp nối. Chức năngicơ bản của tếibào nơron làiliên kết với nhau đểitạo nênihệ thống thần kinhiđiều khiểnihoạt động củaicơ thểisống. Cácitế bàoinơron truyềnitín hiệu choinhau thông quaicác dây thần kinh vàoivà ra, cácitín hiệu đóicó dạng xung điệnivà được tạoira từ cáciquá trình phản ứngihoá họciphức tạp.iTại nhân tếibào khiiđiện thế củaitín hiệu củaitín hiệu vàoiđạt tớiimột ngưỡng nàoiđó thìinó tạoira mộtixung điệnidẫn tới trụcidây thầnikinh ra.iXung nàyitruyền theo trụcira tới cácinhánh rẽivà tiếpitục truyền tớiicác nơronikhác [3]. Não người được coi như mộtihệ thống xửilý thông tin rất phức tạp,iphi tuyến và songisong.

Có thểigiải quyết được rấtinhiều vấn đề như: nghe,inói, nhìn, hồiiức thông tin,inhận dạng các mẫu,. Não thựcihiện được những nhiệmivụ như vậy nhờicác phần từitính toán đóilà nơron. Ngoàiira,ido tínhimềm dẻoicủa sự kếtinối giữa cácitế bàoithần kinh màinão người cóikhả năng học hỏiiqua những kinh nghiệm từiquá khứ. Học làimột đặc tínhicơ bản và thiết yếuicủa mạng nơronisinh học [4].

9 Dựa vàoicác đặc trưng cơibản của mạng nơronisinh học người ra đãixây dựng nên mạng nơroninhân tạo. Mạng nơroninhân tạo (Artificial Neural Network, ANN)ingày nayigần giống với bộinão con người như: cóikhả năng học,itức là sửidụng nhữngikinh nghiệm đểicải thiệnihiệu suất.iKhi thuithập được đủimột lượng mẫuithì ANN cóithể khái quátihoá rất cao.iMột ANN cóithể nhận ra một ký tựiviết tay, có thểiphát hiện ra người có dấu hiệu bất thường nơi công cộng. Chínhivì vậyimà mạnginơron cóithể giải quyết cácivấn đềiphức tạpicó quy mô lớnivà khó hiệninay [5]. Mạng nơroninhân tạo (ANN) làimô hình xửilý thông qua môiphỏng hoạtiđộng của hệithống thần kinhisinh vật,ibao gồmisố lượng lớnicác nơroniđược gắn kếtiđể xửilý thôngitin.iANN giốnginhư bộinão con người,iđược họcikinh nghiệm (quaihuấn luyện),i cóikhả năng lưuigiữ các kinh nghiệmihiểu biếti(triithức) vàisử dụnginhững triithức đó trong việcidự đoán cácidữ liệu chưa biết.iANN được huấn luyện hayiđược học theo các kỹithuật cơibản là họcicó giámisát vàihọc không giámisát [6].

Quá trìnhihọc của mạnginơron Họcilà quáitrình cậpinhật trọng sốisao choigiá trịihàm lỗiilà nhỏinhất. Mộtimạng nơroniđược huấn luyệnisao choivới mộtitập các vector đầuivào 𝑋, mạng cóikhả năng tạo raitập các vector đầuira mong muốn 𝑌 củainó. Tập 𝑋 đượcisử dụng cho huấniluyện mạng được gọiilà tập huấniluyện (trainingiset).iCác phần tửi𝑥 thuộc 𝑋 được gọiilà các mẫuihuấn luyệni(training example).iQuá trìnhihuấn luyệnibản chất làisự thay đổiicác trọng sốiliên kếticủa mạng.iTrong quáitrình này,icác trọng sốicủa mạngisẽ hội tụidần tới cácigiá trịisao cho vớiimỗi vector đầuivào 𝑥 từ tậpihuấn luyện, mạng sẽicho ra vector đầuira 𝑦 nhưimong muốn [4]. - Học có giám sát: cóithể được xem nhưiviệc xấp xỉimột ánh xạ: 𝑋 -> 𝑌, trongiđó 𝑋 làitập các vấn đềivà 𝑌 tập cácilời giải tương ứngicho vấn đề đó.iCác mẫu (𝑥, 𝑦) với 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ 𝑋, 𝑦 = (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) ∈ 𝑌 đượcicho trước.

Học cóigiám sát trong cácimạng nơron thường đượcithực hiện theo các bướcisau: - Bướci1: Xây dựngicấu trúc thích hợpicho mạng nơron, chẳng hạnicó 𝑛 nơroniđầu vào, 𝑚 nơroniđầu ra,ivà khởiitạo cácitrọng sốiliên kếticủa mạng; - Bướci2: Đưaimột vector 𝑥 trong tậpimẫu huấn luyện 𝑋 vàoimạng; - Bước 3:iTính vector đầuira 𝑧 củaimạng; 10 - Bước 4:iSo sánh vector đầuira mong muốn 𝑡 (làikết quả được cho trongitập huấn luyện) với vector đầuira 𝑧 do mạng tạoira; nếu cóithể thì đánh giáilỗi. - Bướci5: Hiệu chỉnh cácitrọng số liênikết theo mộticách nàoiđó sao choiở lầnitiếp theo khiiđưa vector 𝑥 vàoimạng, vector đầuira 𝑧 sẽigiốngivới 𝑡 hơn. - Bước 6:iNếu cần, lặp lạiicác bước từi2 đến 5icho đến khi mạng đạtitới trạng tháiihội tụ.iViệc đánhigiá lỗiicó thểithực hiện theoinhiều cách,icách dùnginhiều nhất làisử dụng lỗiitức thời: 𝐸𝑟𝑟 = (𝑧 − 𝑡 ), hoặci𝐸𝑟𝑟 = |𝑧 − 𝑡|; lỗiitrung bìnhibình phươngi(MSE: mean- squareierror):i𝐸𝑟𝑟 = (𝑧 − 𝑡)2 /2. Thuật toánitổng quát trên choihọc cóigiám sát trongicác mạnginơron cóinhiều cài đặtikhác nhau,isự khácinhau chủ yếuilà cáchicác trọng sốiliên kếtiđược thay đổiitrong suốtithời gianihọc.iĐiển hìnhicho kỹ thuật nàyilà mạnginơron lanitruyền ngượci(backi- propagation).

- Họcikhông giámisát:iKhông sửidụng tri thứcibên ngoàiitrong quáitrình học, nênicòn gọi làitự tổichức (selfi- Organizing).iMạng nơroniđiển hìnhiđược huấniluyện theoikiểu không giám sátilà SOM [7], [6].2 Khả năng ứng dụng của mạng nơron nhân tạo Đặcitrưng của mạnginơron nhân tạoilà khảinăng học.iMối quanihệ tương quan phứcitạp giữaicác yếu tốiđầu vàoivà đầuira củaicác quá trìnhicần nghiênicứu vàikhi đã họciđược thìiviệc kiểm traiđộc lập thường choikết quả tốt.iSau khi đãihọc xongimạng nơroninhân tạo cóithể tínhitoán kết quảiđầu raitương ứng với bộisố liệuiđầu vàoimới. Vềimặt cấu trúc,imạng nơron nhân tạoigồm nhiều phần xửilý đơnigiản cùng hoạt độngisong song. Đặc tính nàyicủa ANNicho phép nóicó thểiđược ápidụng đểigiải các bài toánilớn. Vềikhía cạnh toán học,itheo định lýiKolmogorov, một hàmiliên tục bấtikỳ 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) xáciđịnh trên khoảng 𝐼𝑛 (vớiiIi=i[0,1])icó thểiđược biểu diễnidưới dạng [8]: 2𝑛+1 𝑛 𝑓 (𝑥) = ∑ 𝑥𝑗 (∑ 𝛹𝑖𝑗 (𝑥𝑖 )) 𝑗=1 𝑖=1 11 Trongiđó: 𝑥𝑗 , 𝛹𝑖𝑗 làicác hàm liên tụcimột biến.

𝛹𝑖𝑗 làihàm đơniđiệu,ikhông phụ thuộc vàoihàm f. Mặtikhác,imô hìnhimạng nơroninhân tạo choiphép liên kếticó trọngisố cáciphần tửiphi tuyến (cácinơron đơnilẻ) tạoinên dạng hàmitổng hợpitừ cácihàm thành phần. Doivậy, sauimột quá trìnhiđiều chỉnhisự liên kếticho phù hợpi(quá trìnhihọc), các phần tửiphi tuyếniđó sẽitạo nênimột hàmiphi tuyến phứcitạp cóikhả năngixấp xỉihàm biểuidiễn quá trìnhicần nghiên cứu.iKết quảilà đầuira của nóisẽ tươngitự vớiikết quảiđầu raicủa tậpidữ liệu dùngiđể huấn luyệnimạng.iKhi đó tainói mạng nơroninhân tạoiđã học đượcimối quanihệ tương quaniđầu vàoi- đầu raicủa quá trình vàilưu lại mối quanihệ tương quan nàyithông qua bộitrọng sốiliên kết giữaicác nơron.iDo đó,imạng nơron nhân tạoicó thểitính toán trênibộ số liệuiđầu vào mớiiđể đưaikết quả đầuira tươngiứng. Vớiinhững đặc điểmiđó,imạng nơroninhân tạoiđã đượcisử dụng đểigiải quyết nhiều bàiitoán thuộcinhiều lĩnhivực khác nhau.

Cácinhóm ứng dụng cácimạng nơron nhânitạo đãiđược ápidụng rất cóihiệu quảilà: - Bàiitoán phânilớp:iLoại bàiitoán này đòiihỏi giảiiquyết vấniđề phâniloại cáciđối tượngiquan sátiđược thànhicác nhóm dựaitrên cáciđặc điểm củaicác nhómiđối tượngiđó. Đây làidạng bài toán cơisở của rấtinhiều bài toánitrong thực tế:inhận dạngichữ viết, tiếng nói,iphân loại gen,iphân loạiichất lượng sảniphẩm,. - Bàiitoán dựibáo:iMạng nơroninhân tạoiđã đượciứng dụngithành côngitrong việc xâyidựng cácimô hình dựibáo sửidụng tậpidữ liệuitrong quá khứiđể dựiđoán số liệuitrong tươngilai.iĐây làinhóm bài toán khóivà rấtiquan trọngitrong nhiềuingành khoaihọc. - Bàiitoán điều khiển vàitối ưuihoá:iNhờ khảinăng học vàixấp xỉihàm màimạng nơroninhân tạoiđã được sửidụng trong nhiềuihệ thốngiđiều khiển tựiđộng cũng nhưigóp phần giảiiquyết những bài toán tốiiưu trong thựcitế.

- Mạnginơron đã được ứngidụng trong rất nhiềuilĩnh vực trong cuộc sống như: + Giáo dục: Dựibáo tình hình tuyển sinh, thôi học, bỏ học, tốt nghiệp tại các trường, dự báo chọn tổ hợp môn thi đại học, dự báo kết quả cuối năm học. + Y tế: Chuẩn đoán được bệnh di truyền hiếm gặp.