I. Giới thiệu về mô hình dự đoán
Mô hình dự đoán kết quả học tập của sinh viên cao đẳng kỹ thuật công nghệ Bà Rịa Vũng Tàu được xây dựng nhằm mục đích nâng cao hiệu suất học tập và giảm tỷ lệ sinh viên bỏ học. Việc áp dụng các thuật toán máy học như Logistic Regression, SVM, và Cây quyết định giúp phân tích sâu sắc dữ liệu học tập của sinh viên. Dữ liệu đầu vào bao gồm điểm quá trình và điểm định kỳ, từ đó mô hình sẽ đưa ra các khuyến cáo cụ thể cho sinh viên. Theo nghiên cứu, việc sử dụng mô hình này không chỉ giúp cải thiện kết quả học tập mà còn tạo ra một hệ thống hỗ trợ giáo viên trong việc theo dõi và đánh giá sinh viên một cách hiệu quả hơn. Mô hình này có thể được coi là một công cụ hữu ích trong việc nâng cao chất lượng giáo dục tại trường cao đẳng kỹ thuật công nghệ Bà Rịa Vũng Tàu.
1.1. Tính cấp thiết của mô hình
Tình trạng sinh viên rớt môn và bỏ học đang gia tăng, ảnh hưởng nghiêm trọng đến chất lượng giáo dục và tương lai của sinh viên. Theo số liệu thống kê, tỷ lệ sinh viên không tốt nghiệp đúng hạn tại trường cao đẳng kỹ thuật công nghệ Bà Rịa Vũng Tàu lên đến 40%. Việc xây dựng mô hình dự đoán này không chỉ giúp nhà trường phát hiện sớm những sinh viên có nguy cơ bỏ học mà còn cung cấp các khuyến nghị học tập thiết thực, từ đó nâng cao cơ hội thành công cho sinh viên. Mô hình này có thể được áp dụng để theo dõi tiến độ học tập của sinh viên và cải thiện các phương pháp giảng dạy, phù hợp với nhu cầu thực tế của từng sinh viên.
II. Phân tích dữ liệu và phương pháp nghiên cứu
Phân tích dữ liệu là bước quan trọng trong việc xây dựng mô hình dự đoán kết quả học tập. Dữ liệu được thu thập từ điểm quá trình và điểm thi định kỳ của sinh viên trong hai năm học 2020-2021 và 2021-2022. Các thuật toán máy học như SVM, Logistic Regression, và Cây quyết định được áp dụng để phân tích và dự đoán kết quả học tập. Việc sử dụng hệ thống thông tin và các công cụ như Google Colab giúp tối ưu hóa quá trình phân tích dữ liệu. Kết quả từ các thuật toán sẽ được so sánh để xác định phương pháp nào mang lại độ chính xác cao nhất trong việc dự đoán kết quả học tập của sinh viên. Điều này không chỉ giúp cải thiện hiệu suất học tập mà còn tạo ra một cơ sở dữ liệu đáng tin cậy cho việc ra quyết định của các giáo viên và nhà quản lý.
2.1. Công cụ và thuật toán áp dụng
Các công cụ như Google Colab và các thư viện Python như Pandas, Numpy, Matplotlib, Seaborn, và Sklearn là những yếu tố quan trọng trong quá trình xây dựng mô hình. Những công cụ này không chỉ giúp xử lý dữ liệu một cách hiệu quả mà còn hỗ trợ trong việc trực quan hóa kết quả phân tích. Các thuật toán như SVM và Logistic Regression được sử dụng để phân loại dữ liệu và đưa ra dự đoán chính xác về kết quả học tập. Việc áp dụng các thuật toán này cho phép sinh viên và giáo viên có cái nhìn rõ ràng hơn về khả năng học tập của từng cá nhân, từ đó có thể đưa ra các biện pháp hỗ trợ kịp thời.
III. Kết quả thực nghiệm và nhận xét
Kết quả thực nghiệm từ mô hình dự đoán cho thấy rằng việc áp dụng các thuật toán máy học đã mang lại hiệu quả đáng kể trong việc dự đoán kết quả học tập của sinh viên. Mô hình SVM cho thấy độ chính xác cao nhất trong việc phân loại sinh viên có nguy cơ rớt môn, trong khi Logistic Regression cũng cho kết quả khả quan. Các kết quả này không chỉ giúp sinh viên nhận thức rõ hơn về khả năng học tập của mình mà còn cung cấp thông tin quý giá cho giáo viên trong việc điều chỉnh phương pháp giảng dạy. Hệ thống thông tin được xây dựng có khả năng tự động cập nhật và phân tích dữ liệu, giúp giảm thiểu khối lượng công việc cho giáo viên và nâng cao hiệu suất học tập của sinh viên.
3.1. Đánh giá hiệu suất mô hình
Đánh giá hiệu suất của mô hình được thực hiện thông qua các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu. Kết quả cho thấy mô hình SVM đạt được độ chính xác lên tới 85%, trong khi Logistic Regression đạt khoảng 80%. Những con số này cho thấy rằng mô hình có khả năng phân loại chính xác sinh viên có nguy cơ rớt môn và từ đó đưa ra các khuyến nghị kịp thời. Việc cải thiện mô hình trong tương lai có thể bao gồm việc tích hợp thêm các yếu tố như tâm lý sinh viên và điều kiện học tập, từ đó tạo ra một hệ thống hỗ trợ toàn diện hơn cho sinh viên.
