Luận Án Tiến Sĩ Về Mô Hình Tìm Kiếm và Gợi Ý Tài Nguyên Học Tập

Luận án tiến sĩ nghiên cứu xây dựng mô hình tìm kiếm và gợi ý tài nguyên học tập, phát triển phương pháp mới, đánh giá hiệu quả ứng dụng trong lĩnh vực kỹ thuật tại Việt Nam.

• Tác giả: Trần Thanh Điện
• Người hướng dẫn: PGS. Nguyễn Thái Nghe
• Trường học: Trường Đại Học Cần Thơ
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Mô Hình Tìm Kiếm và Gợi Ý Tài Nguyên Học Tập
• Loại tài liệu: luận án
• Năm xuất bản: 2022
• Địa điểm: Cần Thơ

Mục lục chi tiết

• LỜI CẢM TẠ
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: Tính cấp thiết của nghiên cứu
• 1.1. Mục tiêu, đối tượng, phạm vi và phương pháp nghiên cứu
• 1.2. Nội dung nghiên cứu và hướng tiếp cận của luận án
• 1.3. Xây dựng mô hình phân loại tài nguyên học tập
• 1.4. Xây dựng mô hình tìm kiếm tài nguyên học tập
• 1.5. Xây dựng mô hình dự đoán kết quả học tập
• 1.6. Xây dựng mô hình gợi ý tài nguyên học tập
• 1.7. Các đóng góp của luận án
• 1.8. Bố cục của luận án
• 2. CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Khái quát về hệ thống quản lý tài nguyên học tập
• 2.2. Tài nguyên học tập và hệ thống quản lý tài nguyên học tập
• 2.3. Hệ thống quản lý tài nguyên học tập có quan tâm ngữ nghĩa
• 2.4. Hệ thống gợi ý tài nguyên học tập
• 2.5. Một số kỹ thuật phân loại văn bản
• 2.5.1. Phân loại với máy véc-tơ hỗ trợ SVM
• 2.5.2. Phân loại sử dụng giải thuật cây quyết định và rừng ngẫu nhiên
• 2.5.3. Phân loại với các kỹ thuật học sâu
• 2.6. Các kỹ thuật tính toán độ tương đồng văn bản
• 2.6.1. Một số phương pháp tính độ tương đồng văn bản
• 2.7. Các kỹ thuật xây dựng mạng ngữ nghĩa phục vụ tìm kiếm
• 2.7.1. Khái quát về web ngữ nghĩa. Mô hình dữ liệu biểu diễn về lĩnh vực (ontology)
• 2.8. Hệ thống gợi ý và các kỹ thuật trong hệ thống gợi ý
• 2.8.1. Tổng quan về hệ thống gợi ý. Các nhóm giải thuật của hệ thống gợi ý
• 2.8.2. Một số kỹ thuật trong hệ thống gợi ý
• 2.9. Các nghiên cứu liên quan
• 2.9.1. Nghiên cứu về phân loại văn bản
• 2.9.2. Nghiên cứu về tìm kiếm tài liệu
• 2.9.3. Nghiên cứu về dự đoán xếp hạng và gợi ý
• 2.9.4. Thảo luận và đề xuất các nghiên cứu của luận án
• 3. MÔ HÌNH PHÂN LOẠI TÀI NGUYÊN HỌC TẬP
• 3.1. Mô hình phân loại tài nguyên học tập
• 3.2. Phân loại tài nguyên học tập
• 3.3. Tiền xử lý dữ liệu
• 3.4. Mô hình phân loại tài nguyên học tập
• 3.5. Mô tả tập dữ liệu và độ đo đánh giá mô hình
• 3.6. Cài đặt các siêu tham số và môi trường thực nghiệm
• 3.7. Kết quả thực nghiệm
• 3.8. Tổng kết chương
• 4. MÔ HÌNH TÌM KIẾM TÀI NGUYÊN HỌC TẬP
• 4.1. Tìm kiếm tài nguyên học tập dựa trên độ tương đồng văn bản
• 4.2. Mô hình đề xuất
• 4.3. Mô tả dữ liệu và phương pháp đánh giá
• 4.4. Kết quả thực nghiệm
• 4.5. Tìm kiếm tài nguyên học tập dựa trên mạng ngữ nghĩa ontology
• 4.6. Mô hình đề xuất
• 4.7. Mô tả dữ liệu
• 4.8. Kết quả thực nghiệm
• 4.9. Tăng tốc xử lý dữ liệu tìm kiếm bằng kỹ thuật xử lý dữ liệu lớn
• 4.10. Tổng kết chương
• 5. MÔ HÌNH DỰ ĐOÁN KẾT QUẢ HỌC TẬP
• 5.1. Khái quát về dự đoán kết quả học tập
• 5.2. Dự đoán kết quả học tập dựa trên hồ sơ cá nhân
• 5.3. Dự đoán kết quả học tập theo kỹ thuật lọc cộng tác của hệ thống gợi ý
• 5.4. Mô hình dự đoán kết quả học tập trên toàn bộ dữ liệu sinh viên
• 5.4.1. Mô hình đề xuất
• 5.4.2. Mô tả dữ liệu
• 5.4.3. Tiền xử lý dữ liệu
• 5.4.4. Kết quả thực nghiệm
• 5.5. Mô hình dự đoán kết quả học tập theo nhóm năng lực học tập
• 5.5.1. Mô hình đề xuất
• 5.5.2. Mô tả dữ liệu
• 5.5.3. Kết quả thực nghiệm
• 5.6. Mô hình dự đoán kết quả học tập theo từng sinh viên
• 5.6.1. Mô tả dữ liệu thực nghiệm và tiền xử lý dữ liệu
• 5.6.2. Mô hình đề xuất và chuẩn hóa dữ liệu
• 5.6.3. Kết quả thực nghiệm
• 5.7. Tổng kết chương
• 6. CHƯƠNG 6: MÔ HÌNH GỢI Ý TÀI NGUYÊN HỌC TẬP
• 6.1. Khái quát về vấn đề gợi ý tài nguyên học tập
• 6.2. Đối với dữ liệu về tài nguyên học tập
• 6.3. Đối với dữ liệu về môn học
• 6.4. Mô hình gợi ý tài nguyên học tập bằng mô hình phân rã ma trận sâu
• 6.5. Các phương pháp trong hệ thống gợi ý
• 6.6. Mô tả dữ liệu thực nghiệm
• 6.7. Kết quả thực nghiệm
• 6.8. Kết quả thực nghiệm trên các tập dữ liệu về tài nguyên học tập
• 6.9. Kết quả thực nghiệm trên các tập dữ liệu về kết quả học tập
• 6.10. Tổng kết chương
• 7. KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
• 7.1. Hướng nghiên cứu tiếp theo
• CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Mô Hình Tìm Kiếm Tài Nguyên Học Tập

Mô hình tìm kiếm tài nguyên học tập đóng vai trò quan trọng trong việc hỗ trợ người học tiếp cận thông tin cần thiết. Việc áp dụng các kỹ thuật hiện đại như học sâu và mạng nơ-ron truyền thẳng đa tầng (MLP) đã cho thấy hiệu quả trong việc phân loại tài nguyên học tập. Kết quả thực nghiệm cho thấy mô hình MLP vượt trội hơn so với các kỹ thuật truyền thống, đặc biệt trong các tập dữ liệu mất cân bằng. Điều này chứng tỏ rằng tìm kiếm tài nguyên học tập không chỉ đơn thuần là việc truy vấn thông tin mà còn cần đến sự chính xác và hiệu quả trong việc phân loại và tìm kiếm. Các phương pháp tìm kiếm dựa trên ngữ nghĩa cũng được đề xuất, cho phép người dùng tìm kiếm tài nguyên học tập một cách chính xác hơn thông qua việc phân loại truy vấn và xác định lĩnh vực liên quan.

1.1. Tìm Kiếm Dựa Trên Độ Tương Đồng Văn Bản

Phương pháp tìm kiếm dựa trên độ tương đồng văn bản sử dụng các kỹ thuật như độ tương đồng cosine và độ tương đồng theo thứ tự từ. Việc phân loại truy vấn giúp thu hẹp không gian tìm kiếm, từ đó nâng cao hiệu quả tìm kiếm. Kết quả thực nghiệm cho thấy phương pháp này khả thi và có thể áp dụng rộng rãi trong việc gợi ý tài nguyên học tập. Việc sử dụng các kỹ thuật này không chỉ giúp người học tiết kiệm thời gian mà còn nâng cao khả năng tiếp cận thông tin chất lượng cao.

1.2. Tìm Kiếm Dựa Trên Mạng Ngữ Nghĩa Ontology

Mô hình tìm kiếm dựa trên mạng ngữ nghĩa ontology cho phép người dùng tìm kiếm tài nguyên học tập một cách có hệ thống và chính xác hơn. Bằng cách sử dụng các cấu trúc ngữ nghĩa, người dùng có thể truy cập vào các tài nguyên liên quan một cách dễ dàng. Kết quả thực nghiệm cho thấy phương pháp này không chỉ cải thiện độ chính xác mà còn giúp người học tìm kiếm tài nguyên phù hợp với nhu cầu học tập của họ. Việc áp dụng công nghệ thông tin trong giáo dục đã mở ra nhiều cơ hội mới cho việc học tập và nghiên cứu.

II. Mô Hình Gợi Ý Tài Nguyên Học Tập

Mô hình gợi ý tài nguyên học tập sử dụng kỹ thuật phân rã ma trận sâu (DMF) đã được phát triển để cải thiện khả năng gợi ý cho người học. Kỹ thuật này cho phép phân tích và dự đoán các tài nguyên học tập phù hợp dựa trên hành vi và nhu cầu của người học. Kết quả thực nghiệm cho thấy mô hình DMF có hiệu suất dự đoán xếp hạng tốt hơn so với các kỹ thuật khác, từ đó có thể sử dụng để gợi ý tài nguyên học tập phù hợp với năng lực người học. Việc áp dụng mô hình này không chỉ giúp người học tìm kiếm tài nguyên một cách hiệu quả mà còn nâng cao trải nghiệm học tập của họ.

2.1. Phân Tích Dữ Liệu Tài Nguyên Học Tập

Phân tích dữ liệu tài nguyên học tập là bước quan trọng trong việc xây dựng mô hình gợi ý. Việc thu thập và xử lý dữ liệu từ nhiều nguồn khác nhau giúp tạo ra một cơ sở dữ liệu phong phú và đa dạng. Kết quả thực nghiệm cho thấy việc sử dụng dữ liệu phong phú giúp cải thiện độ chính xác của mô hình gợi ý. Điều này chứng tỏ rằng hệ thống gợi ý tài nguyên học tập cần phải được xây dựng trên nền tảng dữ liệu vững chắc để đạt được hiệu quả cao nhất.

2.2. Kết Quả Thực Nghiệm và Đánh Giá

Kết quả thực nghiệm cho thấy mô hình gợi ý tài nguyên học tập không chỉ đạt được độ chính xác cao mà còn có khả năng mở rộng để áp dụng cho nhiều lĩnh vực khác nhau. Việc so sánh với các kỹ thuật khác cho thấy mô hình DMF có thể hoạt động hiệu quả trong các tình huống thực tế. Điều này mở ra nhiều cơ hội cho việc phát triển các ứng dụng học tập thông minh, giúp người học dễ dàng tiếp cận tài nguyên học tập chất lượng cao.

Trích đoạn nội dung tài liệu

Chương 1 giới thiệu tính cấp thiết của nghiên cứu, xác định mục tiêu, đối tượng, phạm vi và phương pháp nghiên cứu. Kế tiếp, các nội dung nghiên cứu và hướng tiếp cận của luận án nhằm thực hiện được các mục tiêu đề ra được giới thiệu. Cuối cùng là những đóng góp chính của luận án và bố cục trình bày luận án. Chương 2 trình bày cơ sở lý thuyết và các nghiên cứu liên quan.

Trước tiên, hệ thống quản lý tài nguyên học tập được giới thiệu khái quát. Kế tiếp, cơ sở lý thuyết về các kỹ thuật phân loại văn bản; các kỹ thuật tính toán độ tương đồng văn bản, các kỹ thuật xây dựng mạng ngữ nghĩa phục vụ tìm kiếm, hệ thống gợi ý và các kỹ thuật trong hệ thống gợi ý được trình bày. Phần sau cùng là các nghiên cứu liên quan, thảo luận và đề xuất các nghiên cứu của luận án. Chương 3 đề xuất mô hình phân loại tài nguyên học tập.

Đầu tiên, phân loại tài nguyên học tập và các kỹ thuật phân loại đã được sử dụng trong luận án được giới thiệu khái quát. Sau đó, mô hình phân loại tài nguyên học tập sử dụng mạng nơ-ron truyền thẳng đa tầng MLP được đề xuất. Các tập dữ liệu dùng thực nghiệm, các tham số và môi trường thực nghiệm được trình bày ở phần tiếp theo. Phần cuối chương là kết quả thực nghiệm của mô hình phân loại tài nguyên học tập.

Chương 4 đề xuất mô hình tìm kiếm tài nguyên học tập. Đầu tiên, mô hình tìm kiếm tài nguyên học tập dựa trên tính toán độ tương đồng về nội dung văn bản và tìm kiếm dựa trên mạng ngữ nghĩa được đề xuất. Tiếp theo đó, mô hình tìm kiếm tài nguyên học tập dựa trên mạng ngữ nghĩa ontology được giới thiệu. Trong chương này, ở mỗi 8 luan an cách tiếp cận tìm kiếm, các tập dữ liệu dùng thực nghiệm, môi trường thực nghiệm cũng như kết quả thực nghiệm đều được trình bày.

Cuối cùng, một thử nghiệm tăng tốc xử lý dữ liệu tìm kiếm bằng kỹ thuật xử lý dữ liệu lớn cũng được giới thiệu. Chương 5 đề xuất mô hình dự đoán kết quả học tập. Đầu tiên, dự đoán kết quả học tập được giới thiệu khái quát. Sau đó, lần lượt các cách tiếp cận xây dựng mô hình dự đoán được trình bày, bao gồm: mô hình dự đoán kết quả học tập trên toàn bộ dữ liệu sinh viên, mô hình dự đoán kết quả học tập theo nhóm năng lực học tập và mô hình dự đoán kết quả học tập theo từng sinh viên.

Ở mỗi cách tiếp cận, các tập dữ liệu thực nghiệm, các tham số, môi trường thực nghiệm cũng được trình bày được mô tả; cuối cùng là các kết quả thực nghiệm cho mỗi mô hình dự đoán được đề xuất. Chương 6 đề xuất mô hình gợi ý tài nguyên học. Đầu tiên, vấn đề gợi ý tài nguyên học tập được giới thiệu khái quát. Tiếp theo đó, mô hình gợi ý tài nguyên học tập bằng mô hình phân rã ma trận sâu được trình bày.

Các phương pháp trong hệ thống gợi ý cũng được mô tả để so sánh mới kỹ thuật được đề xuất. Sau đó, các tập dữ liệu thực nghiệm được mô tả. Cuối cùng là các kết quả thực nghiệm của mô hình gợi ý được đề xuất. Chương 7 trình bày tóm tắt các kết quả và đóng góp của luận án cũng như những hạn chế và hướng nghiên cứu tiếp theo của luận án.

9 luan an CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Khái quát về hệ thống quản lý tài nguyên học tập 2. Tài nguyên học tập và hệ thống quản lý tài nguyên học tập Như đã trình bày ở Chương 1, tài nguyên học tập là các dạng tài nguyên số phục vụ cho quá trình giảng dạy và học tập.

Tài nguyên học tập có thể là bài giảng môn học, giáo trình, sách, bài báo, luận văn, luận án đến những dạng hình ảnh, âm thanh, video và các nguồn học liệu số khác. Luận án này đề cập đến tài nguyên học tập dạng văn bản. Tài nguyên học tập tồn tại trên nhiều hệ thống quản lý tài nguyên học tập như hệ thống quản lý giáo trình/bài giảng, quản lý đào tạo, quản lý các công trình/công bố khoa học, đặc biệt là hệ thống học tập trực tuyến. Hệ thống học tập trực tuyến được khái quát là tất cả các hình thức học tập và giảng dạy được hỗ trợ điện tử, nhằm mục đích xây dựng kiến thức có liên quan tới kinh nghiệm cá nhân, thực hành và kiến thức của người học (Tavangarian et al.

Các hệ thống quản lý tài nguyên học tập được xem là công cụ hiệu quả cho quá trình học tập, tạo cơ hội cho người học có thể học mọi lúc, mọi nơi mà không giới hạn bất kỳ ranh giới vật lý nào. Hệ thống quản lý tài nguyên học tập có quan tâm ngữ nghĩa Với những tiến bộ của công nghệ web, cụ thể là web ngữ nghĩa (semantic web), các hệ thống quản lý tài nguyên học tập có quan tâm đến vấn đề ngữ nghĩa đã ra đời. Các hệ thống này đã sử dụng ontology và công nghệ web ngữ nghĩa để cho phép khả năng mở rộng, tái sử dụng và khả năng tương tác của nội dung giáo dục được cung cấp thông qua web. Ontology là mô hình dữ liệu biểu diễn cho ngữ nghĩa của một miền (domain), cho phép truy xuất thông tin một cách thông minh (Al-Yahya et al.

Với sự ra đời của semantic web, khái niệm ontology bắt đầu phổ biến hơn trong hệ thống quản lý tài nguyên học tập. Ontology và công nghệ web ngữ nghĩa đã được đề cập trong ngữ cảnh của hệ thống học tập trực tuyến và ngày càng được sử dụng nhiều hơn theo nhiều cách khác nhau tùy thuộc vào nhiệm vụ của hệ thống này (Sampson et al. Ontology và web ngữ nghĩa được trình bày chi tiết ở nội dung về các kỹ thuật xây dựng mạng ngữ nghĩa phục vụ tìm kiếm (mục 2.4 của chương này). Hệ thống gợi ý tài nguyên học tập Sự quá tải thông tin trong các hệ thống học tập trực tuyến là động lực thúc đẩy sự phát triển các hệ thống gợi ý tài nguyên học tập (Santos and Boticario, 2011).

Khi phát triển các hệ thống gợi ý tài nguyên học tập, có thể xem xét hai quan điểm. Một là, cách tiếp cận từ trên xuống (top-down approach) phù hợp với hệ thống học tập trực tuyến chính thức. Với cách tiếp cận này, các chuyên gia lĩnh vực cung cấp tài liệu học và kế hoạch học tập. Hai là, cách tiếp cận từ dưới lên (bottom-up approach), phù hợp với hệ 10 luan an thống học tập trực tuyến không chính thức.

Với cách tiếp cận này, người học tương tác từ nhiều nguồn thông tin được chia sẻ trên mạng (Drachsler et al., 2008; Santos and Boticario, 2011). Hệ thống gợi ý nói chung và hệ thống gợi ý tài nguyên học tập nói riêng có những khác biệt cơ bản (Garcia-Martinez and Hamou-Lhadj, 2013). Về mục tiêu, hệ thống gợi ý tài nguyên học tập nhằm hỗ trợ người học tìm kiếm các nguồn tài nguyên học tập và các hoạt động học tập phù hợp nhằm đạt được mục tiêu học tập và phát triển năng lực người học trong một thời gian nhất định (Drachsler et al. Các hệ thống gợi ý tài nguyên học tập còn tư vấn cho giảng viên những tài liệu cần thiết để cải tiến môn học (García et al., 2009); hỗ trợ giảng viên xác định sai sót thường gặp và phát hiện những sinh viên đang gặp vấn đề khó khăn (Romero et al., 2009); hỗ trợ sinh viên lựa chọn các môn học phù hợp (Prins et al.

Lợi ích của hệ thống gợi ý tài nguyên học tập đã được các nhà nghiên cứu tổng kết, có thể phân thành ba nhóm lợi ích là kết quả học tập của sinh viên (students’ performance), tăng cường khả năng học tập của xã hội (social learning enhancement), và gia tăng động lực học tập (increased motivation) (Garcia- Martinez and Hamou-Lhadj, 2013). Một số kỹ thuật phân loại văn bản Trong các hệ thống tìm kiếm tài nguyên học tập, đặc biệt các nguồn tài nguyên có quy mô lớn, giai đoạn đầu tiên của quá trình tìm kiếm là xử lý truy vấn (query) để xác định miền hay chủ đề (topic), từ đó tìm trên miền hay chủ đề đó. Vì vậy, việc phân loại truy vấn có vai trò quan trọng nhằm giới hạn không gian tìm kiếm, tăng tốc độ và nâng cao độ chính xác của kết quả tìm kiếm (Li and Roth, 2002; Hacioglu and Ward, 2003; Zhang and Lee, 2003; Brown, 2004). Có một số nghiên cứu về phân loại truy vấn theo hướng tiếp cận biểu thức chính quy dựa vào những luật ngữ pháp viết tay (hand-written grammar rulers) để xác định lớp của câu hỏi đầu vào (Van Durme et al.

Tuy nhiên, hướng tiếp cận này vẫn có những hạn chế nhất định (Li and Roth, 2002; Hacioglu and Ward, 2003) như số lớp nhỏ (khoảng 8-10 lớp) không thích hợp khi tích hợp vào một hệ thống tìm có quy mô lớn. Do vậy, một hướng tiếp cận khác để giải quyết bài toán phân loại câu hỏi là theo hướng tiếp cận xác suất (Brown, 2004) được tổng hợp lại, bao gồm hai cách tiếp cận chính là (1) tiếp cận theo hướng học máy (machine learning) và (2) tiếp cận theo mô hình ngôn ngữ (language modeling). Đối với bài toán phân loại câu truy vấn, hướng tiếp cận xác suất bằng học máy (machine learning) được nhiều nhà nghiên cứu quan tâm. Có nhiều giải thuật cho bài toán phân loại câu truy vấn theo phương pháp học máy như k láng giềng gần nhất (k Nearest Neighbors - kNN), Naïve Bayes, máy véctor hỗ trợ (Support Vector Machines - SVM), cây quyết định (Decision tree)… để học trên tập câu hỏi mẫu đã được gán nhãn, từ đó xây dựng mô hình phân loại câu truy vấn.

Trong đó, SVM là kỹ thuật được sử dụng phổ biến và hiệu quả (McCallum and Nigam, 1998; Li and Roth, 2002; Liu and Zheng, 2005). Phân loại với máy véc-tơ hỗ trợ SVM 2. Phân loại nhị phân với giải thuật SVM Giải thuật máy véc-tơ hỗ trợ SVM được giới thiệu lần đầu tiên bởi Cortes and Vapnik (1995). SVM rất hiệu quả để giải quyết các bài toán với dữ liệu có số chiều lớn như các véc-tơ biểu diễn văn bản.

SVM được xem là bộ phân loại chính xác nhất cho bài toán phân loại văn bản (Chakrabarti, 2002) do tốc độ phân loại rất nhanh và hiệu quả đối với bài toán phân loại văn bản. Theo ý tưởng máy véc-tơ hỗ trợ SVM, siêu phẳng tối ưu phải là siêu phẳng tách hai lớp xa nhất có thể.