Mở đầu 2. Giới thiệu Trong kỷ nguyên của cuộc cách mạng công nghiệp 4.0, cá nhân hóa quá trình học tập thông qua các hệ thống khuyến nghị [1] [2] [3] đang trở thành một xu hướng tất yếu trong giáo dục đại học. Các hệ thống này cho phép phân tích dữ liệu học tập của sinh viên nhằm đưa ra những gợi ý môn học phù hợp với năng lực, sở thích cũng như lộ trình đào tạo, từ đó góp phần nâng cao kết quả học tập và hạn chế tình trạng rớt môn. Đề tài “Hệ thống khuyến nghị môn học cho sinh viên UIT từ dữ liệu học tập” hướng đến việc phát triển một hệ thống thông minh hỗ trợ sinh viên trong việc xây dựng kế hoạch học tập một cách hiệu quả và có định hướng.
Giải pháp này không chỉ cải thiện trải nghiệm học tập cá nhân, mà còn góp phần nâng cao chất lượng đào tạo và tối ưu hóa quy trình đăng ký môn học trong bối cảnh chuyển đổi số giáo dục đại học. Lý do chọn đề tài Trong môi trường giáo dục đại học ngày càng đề cao tính tự chủ của người học, sinh viên thường phải tự lựa chọn các học phần dựa trên chương trình đào tạo, sở thích cá nhân cũng như kết quả học tập đã đạt được. Tuy nhiên, tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM, không ít sinh viên vẫn gặp trở ngại khi xác định lộ trình học tập phù hợp với năng lực và mục tiêu phát triển của bản thân. Một số vấn đề phổ biến có thể kể đến bao gồm: ● Thiếu cơ sở dữ liệu phân tích về độ khó tương đối của từng học phần hoặc mức độ phù hợp với trình độ hiện tại của sinh viên.
● Chưa nhận diện rõ mối quan hệ phụ thuộc giữa các môn học, dẫn đến lựa chọn thiếu tính chiến lược trong quá trình tích lũy kiến thức. ● Khó đánh giá được ảnh hưởng tiềm tàng của việc chọn một học phần cụ thể đối với điểm trung bình học kỳ hay tiến độ học tập chung. Hệ thống đăng ký học phần hiện tại chủ yếu đóng vai trò cung cấp thông tin hành chính (như mô tả môn học, thời khóa biểu), mà chưa có năng lực phân tích hay đề xuất mang tính cá nhân hóa. Điều này khiến nhiều sinh viên ra quyết định một cách cảm tính, thiếu sự hỗ trợ từ dữ liệu, dẫn đến những lựa chọn không tối ưu và ảnh hưởng đến hiệu suất học tập.
Trong bối cảnh đó, việc phát triển một hệ thống khuyến nghị [1] [3] [2]môn học cá nhân hóa đóng vai trò quan trọng trong việc giải quyết những hạn chế nêu trên. Không chỉ giúp sinh viên định hướng rõ ràng hơn trong lựa chọn môn học, hệ thống còn góp phần nâng cao khả năng lập kế hoạch học tập dài hạn và cải thiện chất lượng trải nghiệm học tập trong môi trường đại học hiện đại. Đối tượng nghiên cứu Đối tượng trọng tâm của đề tài là sinh viên hiện đang theo học tại Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hệ thống được thiết kế nhằm hỗ trợ cá nhân hóa quá trình lựa chọn học phần cho sinh viên ở nhiều chuyên ngành khác nhau, thông qua việc phân tích dữ liệu học tập đặc thù của từng cá nhân.
Bên cạnh đó, hệ thống cũng có tiềm năng mở rộng phạm vi ứng dụng, đóng vai trò như một công cụ hỗ trợ giảng viên và cố vấn học tập trong việc theo dõi tiến độ học tập, đánh giá năng lực, và đưa ra tư vấn học thuật phù hợp cho sinh viên. Phạm vi đề tài - Dữ liệu: Hệ thống sử dụng các thông tin liên quan đến lịch sử học tập của sinh viên, cùng với dữ liệu chi tiết về môn học và chương trình đào tạo của Trường Đại học Công nghệ Thông tin. - Ứng dụng: Mục tiêu của đề tài là xây dựng hệ thống khuyến nghị môn học, giúp sinh viên lựa chọn môn học phù hợp dựa trên dữ liệu thực tế của sinh viên tại UIT. - Thời gian: Nghiên cứu tập trung khai thác dữ liệu từ các học kỳ gần đây nhằm đảm bảo tính thời sự và độ liên quan cao của thông tin được sử dụng.
- Giới hạn: Hệ thống chỉ áp dụng cho sinh viên trong các ngành học hiện có tại UIT và chưa mở rộng phạm vi sang các trường hoặc hệ thống giáo dục khác. - Công nghệ: Hệ thống triển khai các thuật toán học máy để phân tích dữ liệu và đưa ra đề xuất môn học một cách chính xác và hiệu quả. Mục tiêu đề tài - Tiến hành nghiên cứu, tìm hiểu và phân tích chi tiết bộ dữ liệu của UIT, bao gồm việc tích hợp và xử lý dữ liệu nhằm đảm bảo tính đồng nhất và sạch sẽ cho quá trình khai thác thông tin. - Nghiên cứu các phương pháp học máy phù hợp để phát triển hệ thống phân tích và khuyến nghị môn học, tập trung vào việc sử dụng dữ liệu học tập cá nhân của sinh viên nhằm tối ưu hóa kết quả học tập và hỗ trợ sinh viên lên kế hoạch đăng ký môn học phù hợp với năng lực và nhu cầu riêng.
- Thực hiện thử nghiệm, đánh giá hiệu quả của một số thuật toán học máy khác nhau nhằm cải thiện độ chính xác và khả năng dự đoán của mô hình khuyến nghị. Chương 3: Tổng quan 3. Tổng quan các nghiên cứu liên quan 3. Nghiên cứu trong nước Tại Việt Nam, các nghiên cứu về hệ thống khuyến nghị trong lĩnh vực giáo dục ngày càng được chú trọng, đặc biệt trong bối cảnh nhu cầu cá nhân hóa lộ trình học tập của sinh viên trở nên thiết yếu.
Một công trình đáng chú ý là nghiên cứu “H-BERT4Rec” của Nguyễn Hoàng Long và cộng sự [4], được công bố tại hội nghị IEEE. Nghiên cứu này đề xuất một mô hình khuyến nghị tuần tự cho các hệ thống học trực tuyến (MOOCs), kết hợp mô hình ngôn ngữ BERT với mạng thông tin không đồng nhất (Heterogeneous Information Networks - HIN). H-BERT4Rec khai thác nhiều nguồn dữ liệu đa dạng như hành vi học tập, lịch sử đăng ký khóa học, thông tin về chủ đề và các mối quan hệ giữa sinh viên, khóa học và chủ đề để học biểu diễn đặc trưng ngữ nghĩa sâu sắc. Mô hình BERT giúp hiểu ngữ cảnh theo trình tự học tập, trong khi mạng HIN tận dụng hiệu quả các mối quan hệ đa chiều trong môi trường giáo dục.
Kết quả thử nghiệm cho thấy mô hình đạt độ chính xác cao hơn nhiều so với các phương pháp truyền thống. Mặc dù nghiên cứu này được phát triển trong bối cảnh học trực tuyến, nó mở ra nhiều hướng ứng dụng tiềm năng cho giáo dục đại học truyền thống tại Việt Nam. Ý tưởng kết hợp thông tin học tập đa dạng như điểm số, môn học đã hoàn thành, chương trình đào tạo cùng hành vi học tập có thể được áp dụng để xây dựng hệ thống khuyến nghị môn học cá nhân hóa. Đây cũng chính là hướng đi của đề tài hiện tại tại UIT, tập trung phát triển hệ thống khuyến nghị dựa trên dữ liệu học tập lịch sử của sinh viên.
Việc học hỏi từ mô hình H-BERT4Rec về kỹ thuật biểu diễn chuỗi tuần tự, học sâu và cấu trúc dữ liệu mạng không đồng nhất sẽ giúp nâng cao độ chính xác và hiệu quả hỗ trợ học tập của hệ thống khuyến nghị môn học. Nghiên cứu ngoài nước Bên cạnh đó, nghiên cứu quốc tế “Course Recommender Systems Need to Consider the Job” [3] của Frej và cộng sự mở rộng hướng tiếp cận hệ thống khuyến nghị khóa học bằng cách tích hợp nhu cầu thị trường lao động. Thay vì chỉ dựa vào lịch sử học tập và sở thích, nhóm tác giả đề xuất JCRec – một hệ thống khuyến nghị khóa học định hướng nghề nghiệp, sử dụng kỹ thuật trích xuất kỹ năng không giám sát từ tin tuyển dụng, mô tả khóa học và sơ yếu lý lịch. Hệ thống áp dụng học tăng cường để xây dựng chuỗi khóa học tối ưu giúp người học đạt mục tiêu nghề nghiệp.
Những đặc điểm như đề xuất tuần tự, học không giám sát, khả năng giải thích và liên kết trực tiếp với thị trường việc làm khiến nghiên cứu này trở thành bước tiến quan trọng trong lĩnh vực khuyến nghị giáo dục. Sự kết hợp tư tưởng từ các nghiên cứu trong và ngoài nước cho thấy tiềm năng phát triển hệ thống khuyến nghị môn học toàn diện trong giáo dục đại học Việt Nam. Đề tài xây dựng hệ thống khuyến nghị môn học cho sinh viên UIT sẽ kế thừa và điều chỉnh các kỹ thuật tiên tiến này dựa trên đặc thù chương trình đào tạo và dữ liệu học tập tại trường. Hệ thống tập trung khuyến nghị cá nhân hóa dựa trên lịch sử điểm số, môn học đã học và cấu trúc chương trình đào tạo, đồng thời mở rộng khả năng tích hợp mục tiêu nghề nghiệp.
Đây không chỉ là giải pháp công nghệ hỗ trợ học tập, mà còn là công cụ định hướng chiến lược giúp sinh viên xây dựng lộ trình học phù hợp, hạn chế trượt môn và tối ưu hóa cơ hội nghề nghiệp sau tốt nghiệp.Khoảng trống và thách thức trong nghiên cứu Trong bối cảnh giáo dục đại học Việt Nam đang từng bước chuyển mình theo hướng cá nhân hóa và số hóa, việc xây dựng các hệ thống khuyến nghị môn học dựa trên dữ liệu học tập cá nhân được xem là một hướng đi tiềm năng. Tuy nhiên, quá trình nghiên cứu và triển khai thực tế vẫn còn đối mặt với nhiều thách thức và tồn tại những khoảng trống đáng chú ý. ● Dữ liệu không đồng nhất: Dữ liệu học tập của sinh viên thường thiếu, sai định dạng, hoặc phân tán trên nhiều hệ thống, gây khó khăn trong tích hợp và chuẩn hóa. ● Mô hình phân tích chưa phù hợp: Các phương pháp truyền thống như lọc cộng tác hay lọc nội dung thường không đáp ứng tốt với dữ liệu phức tạp có ràng buộc tiên quyết, thời gian học, nhóm môn,.
● Thiếu cá nhân hóa sâu: Hệ thống hiện nay chủ yếu dựa vào quy tắc chung, chưa phân tích đầy đủ các yếu tố cá nhân như lịch sử học tập, sở thích, mục tiêu nghề nghiệp. ● Khó giải thích khuyến nghị: Nhiều mô hình hiệu quả nhưng thiếu minh bạch, gây khó tin tưởng do tính "hộp đen". ● Trải nghiệm người dùng còn hạn chế: Thiết kế giao diện chưa trực quan, chưa tích hợp mượt mà với hệ thống đào tạo hiện có. ● Hiệu suất và mở rộng: Hệ thống cần đảm bảo hoạt động ổn định, nhanh chóng trong cao điểm với lượng truy cập lớn.
● Bảo mật và quyền riêng tư: Sử dụng dữ liệu cá nhân đòi hỏi kiểm soát truy cập và mã hóa nghiêm ngặt.