Tổng quan về luận án

Sự bùng nổ của kỷ nguyên số và sự chuyển dịch phương thức giảng dạy đại học trên toàn cầu đã thúc đẩy giáo dục trực tuyến (E-learning) phát triển mạnh mẽ. Đặc biệt, sau cuộc khủng hoảng y tế toàn cầu khiến hơn 63 triệu trường học phải chuyển đổi hình thức giảng dạy (Valverde-Berrocoso và cộng sự, 2020) cùng với hành lang pháp lý từ Thông tư 08/2021/TT-BGDĐT của Bộ Giáo dục và Đào tạo Việt Nam, E-learning đã trở thành cấu phần chiến lược trong các cơ sở giáo dục đại học. Tuy nhiên, phần lớn hệ thống hiện nay vẫn vận hành theo mô hình quản lý học tập truyền thống (LMS - Learning Management System) với triết lý thiết kế "one size - fits - all" (Brusilovsky, Kobsa, & Nejdl, 2007), nghĩa là cung cấp nội dung, bài giảng và lộ trình học tập đồng nhất cho mọi đối tượng. Điều này dẫn đến hiện tượng quá tải thông tin, khiến người học rơi vào trạng thái cô lập, thụ động, thiếu định hướng phương pháp học và gặp khó khăn khi đưa ra các quyết định học thuật quan trọng.

Trước thực trạng đó, luận án tiến sĩ chuyên ngành Hệ thống thông tin quản lý (mã số: 9340405) của nghiên cứu sinh Bùi Xuân Huy tại Trường Đại học Kinh tế Quốc dân (năm 2024), dưới sự hướng dẫn của TS. Nguyễn An Tế và PGS.TS. Trần Thị Song Minh, mang tên: "Xây dựng mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng đa tiêu chí" đã giải quyết triệt để khoảng trống nghiên cứu này. Luận án chuyển dịch mô hình từ quản trị học tập thuần túy sang hệ thống học tập cá nhân hóa (PLS - Personalized Learning System) và hệ hỗ trợ ra quyết định cộng tác (CDSS - Collaborative Decision Support System).

Nghiên cứu tập trung giải quyết 4 câu hỏi nghiên cứu cốt lõi:

  1. Mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng đa tiêu chí (eCMBLC) gồm những thành phần nào và tương tác với hệ thống đào tạo trực tuyến hiện hữu ra sao?
  2. Hồ sơ đặc trưng người học gồm những cấu phần nào và được khai thác theo cơ chế nào để thiết lập không gian cộng đồng đa tiêu chí?
  3. Làm thế nào để triển khai ứng dụng thực tiễn mô hình tư vấn học tập tại các cơ sở giáo dục đại học ở Việt Nam?
  4. Phương pháp và khung tiêu chí nào cho phép đánh giá toàn diện hiệu quả của hệ thống tư vấn học tập tích hợp trong môi trường giáo dục đại học?

Luận án thiết lập hệ thống 3 nhóm giả thuyết nghiên cứu thực nghiệm (H1, H2, H3) tương ứng với độ chính xác của phân cụm người học đa tiêu chí, hiệu quả suy diễn luật tư vấn cách thức học tập từ dữ liệu đánh giá quá trình, và độ tin cậy của thuật toán lọc cộng tác trong tư vấn đăng ký môn học. Khung lý thuyết của luận án được xây dựng trên sự giao thoa giữa Lý thuyết Ba chiều của Hệ thống thông tin (Laudon & Laudon, 2004), Lý thuyết Quá trình ra quyết định (Simon, 1960), Phân loại Hệ hỗ trợ ra quyết định (Power, 2001; Alter, 1980), cùng các Khung phân tích học tập trong giáo dục đại học (DAHE, LALC).

Phạm vi nghiên cứu được thực hiện với tập dữ liệu thực tế rút trích từ hệ thống đào tạo trực tuyến của Trường Đại học Kinh tế Quốc dân (NEU), bao gồm 5 bảng dữ liệu quan hệ: danh mục môn học, điểm cuối kỳ, danh sách sinh viên, lịch sử hoạt động log-files (hàng trăm nghìn tương tác), và điểm đánh giá quá trình học tập.

Literature Review và Positioning

Luận án áp dụng quy trình tổng quan tài liệu có hệ thống theo chuẩn PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) của Moher và cộng sự (2009). Quá trình rà soát được thực hiện trên 5 cơ sở dữ liệu học thuật quốc tế hàng đầu gồm ProQuest Central, SpringerLink, IEEE Xplore, ScienceDirect (Elsevier) và ResearchGate trong giai đoạn 2015–2022. Từ 205 công trình ban đầu, quy trình sàng lọc nghiêm ngặt đã chọn ra 70 công trình nghiên cứu tiêu biểu để tổng hợp và phân loại chuyên sâu.

Tổng quan y văn chỉ ra 3 dòng nghiên cứu chính trong hệ thống tư vấn giáo dục:

  1. Tư vấn dựa trên nội dung (Content-based Filtering): Điển hình là nghiên cứu của Wu & Wu (2020) áp dụng AI và dữ liệu lớn để phân tích điểm số quá khứ nhằm gợi ý khóa học; Doja (2020) quản trị hồ sơ cá nhân và phong cách học tập; Shu và cộng sự (2018) dùng mạng nơ-ron tích chập (CNN) định tuyến tài nguyên học tập; Morsomme & Alferez (2019) xây dựng mô hình dự đoán thưa thớt về điểm số. Hạn chế cốt lõi của hướng tiếp cận này là chỉ khai thác hành vi cục bộ của cá nhân, dễ dẫn đến hiện tượng "bong bóng lọc" (filter bubble) và không khai thác được tri thức tập thể.
  2. Tư vấn dựa trên sự cộng tác (Collaborative Filtering): Các nghiên cứu của Geng (2022) phân tích hành vi người học qua ontology; Dwivedi và cộng sự (2018) dùng thuật toán di truyền tối ưu lộ trình học tập; Wan & Niu (2018) đánh giá sự tương đồng đa chiều giữa đối tượng học tập và người học; Yassine và cộng sự (2021) kết hợp học không giám sát với dữ liệu nhân khẩu học. Tuy nhiên, các mô hình này đối mặt với thách thức lớn về "khởi động nguội" (cold-start problem) và độ thưa ma trận dữ liệu (data sparsity).
  3. Tư vấn theo phương pháp lai (Hybrid Filtering): Kết hợp nội dung và cộng tác, tiêu biểu như nghiên cứu của Jordán và cộng sự (2021) tại Đại học Politècnica de València; Ezaldeen và cộng sự (2022) kết hợp kỹ thuật tri thức với phong cách học tập tự động; Zhang và cộng sự (2019) sử dụng kiến trúc tính toán phân tán Hadoop/Spark.

Trong nước, nghiên cứu của Nguyễn Thúy Ngọc & Nguyễn An Tế (2015) đã đặt nền móng lý thuyết cho việc tích hợp cộng đồng đa tiêu chí trong hệ thống tư vấn theo ngữ cảnh; Lê Đức Long (2014) tiếp cận theo hướng biểu diễn đồ thị tri thức (Knowledge Graph) phục vụ giảng viên; Lê Thị Huyền và cộng sự (2009) đánh giá tính hữu ích của đặc trưng người học.

Luận án định vị chính xác khoảng trống tri thức: Các công trình quốc tế và trong nước hầu hết chỉ dừng lại ở góc độ kỹ thuật thuật toán đơn lẻ, chưa có công trình nào tiếp cận toàn diện dưới lăng kính Hệ thống thông tin quản lý (MIS) nhằm xem xét hệ thống tư vấn như một phân hệ hữu cơ tương tác với LMS, chưa khai thác đồng thời hồ sơ người học đa chiều kết hợp với không gian cộng đồng đa tiêu chí, và hoàn toàn thiếu vắng khung đánh giá hiệu quả hệ thống trong thực tiễn giáo dục đại học.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và phát triển nhiều hệ thống lý thuyết nền tảng trong chuyên ngành Hệ thống thông tin quản lý:

  • Mở rộng Lý thuyết Quá trình Ra quyết định của Simon (1960): Luận án mô hình hóa chi tiết hành vi ra quyết định học thuật của sinh viên trong môi trường ảo qua 6 giai đoạn logic: (i) Nhận diện nhu cầu học tập, (ii) Thu thập dữ liệu môn học/cách học, (iii) Phân tích các phương án khả thi, (iv) Lựa chọn lộ trình tối ưu, (v) Triển khai thực hiện, và (vi) Đánh giá kết quả. Hệ thống tư vấn đóng vai trò cơ chế kích hoạt thông minh tại mọi mắt xích của chu trình này.
  • Làm sâu sắc Lý thuyết Hệ hỗ trợ ra quyết định (Alter, 1980; Power, 2001; Felsberger và cộng sự, 2016): Luận án phát triển mô hình Hệ hỗ trợ ra quyết định chủ động và cộng tác (CDSS), kết hợp đồng thời cơ chế hướng dữ liệu (Data-driven DSS), hướng tri thức (Knowledge-driven DSS qua mạng nơ-ron và luật kết hợp) và hướng giao tiếp/nhóm (Communication-driven DSS).
  • Vận dụng Lý thuyết Ba chiều của Hệ thống thông tin (Laudon & Laudon, 2004): Luận án khẳng định hệ tư vấn học tập không thể tách rời mối quan hệ hữu cơ giữa 3 trụ cột: Tổ chức (cơ cấu quản trị đại học, văn hóa học tập tự chủ, quy chế đào tạo tín chỉ), Quản lý (chiến lược ra quyết định của phòng đào tạo, giảng viên và sinh viên), và Công nghệ (hạ tầng máy chủ, cơ sở dữ liệu học tập, thuật toán khai phá và giao diện tương tác API).
  • Phát triển Lý thuyết Cộng đồng Đa tiêu chí (Nguyen & Nguyen, 2015): Mở rộng từ mô hình thương mại sang lĩnh vực sư phạm số, thiết lập không gian cộng đồng người học $S = {C_1, C_2, \dots, C_m}$ trong đó mỗi cá nhân đồng thời thuộc về nhiều tiểu cộng đồng học tập dựa trên sự tương đồng về phong cách học, năng lực học vấn, mục tiêu tín chỉ và thói quen tương tác.

Khung phân tích độc đáo

Luận án đề xuất mô hình eCMBLC (E-learning Consult Model Based on Learner Community) với cấu trúc tích hợp 4 chiều quản trị hồ sơ người học: $$\text{Profile}(u) = \langle \mathbf{D}_u, \mathbf{A}_u, \mathbf{P}_u, \mathbf{B}_u \rangle$$ Trong đó:

  • $\mathbf{D}_u$: Vector nhân khẩu học và chuyên ngành đào tạo (Demographics).
  • $\mathbf{A}_u$: Ma trận kết quả học tập và năng lực tích lũy (Academic Achievements).
  • $\mathbf{P}_u$: Vector đánh giá quá trình và mức độ tương tác diễn đàn/bài tập (Process Evaluation).
  • $\mathbf{B}_u$: Chuỗi dữ liệu hành vi log-files và thời gian thực trên hệ thống (Behavioral Log Data).

Quy trình quản trị hồ sơ vận hành theo vòng đời khép kín: Biểu diễn (Vector hóa không gian) $\rightarrow$ Khởi tạo (Giải quyết cold-start qua phân cụm nhân khẩu học và dữ liệu rèn luyện) $\rightarrow$ Cập nhật (Đồng bộ thời gian thực theo từng tương tác học tập) $\rightarrow$ Khai thác (Định tuyến phân hệ tư vấn tương ứng).

Điều kiện biên của mô hình được xác lập rõ: áp dụng cho hệ thống đào tạo đại học theo học chế tín chỉ, có sự kết hợp giữa đào tạo trực tuyến hoàn toàn hoặc kết hợp (blended learning), đòi hỏi dữ liệu quá trình phải được ghi nhận liên tục và chuẩn hóa.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt Phương pháp luận Nghiên cứu Khoa học Thiết kế (DSRM - Design Science Research Methodology) theo Peffers và cộng sự (2007) kết hợp khung nghiên cứu hệ thống thông tin của Hevner và cộng sự (2004). Về mặt nhận thức luận (Epistemology), nghiên cứu đứng trên lập trường Thực dụng luận (Pragmatism), coi trọng tính hữu dụng, giá trị ứng dụng thực tế và sự hoàn thiện của cổ vật công nghệ (artifact) trong việc giải quyết bài toán quản trị giáo dục.

Thiết kế đa tầng tích hợp 3 trụ cột:

  • Tầng Cơ sở tri thức: Hệ thống hóa các lý thuyết DSS, giải thuật máy học, chuẩn PRISMA và phương pháp phân tích thiết kế hướng đối tượng (DFD, UML).
  • Tầng Nghiên cứu Thiết kế: Xây dựng mô hình kiến trúc - chức năng, giải thuật phân cụm người học và khai phá luật học tập.
  • Tầng Ngữ cảnh Ứng dụng: Kiểm chứng thực nghiệm trên hệ thống đào tạo thực tế, đánh giá sự tương tác giữa sinh viên, giảng viên và nhà quản lý.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm 5 giai đoạn được kiểm soát chặt chẽ:

  1. Thu thập dữ liệu thực tế (Data Ingestion): Trích xuất toàn bộ dữ liệu giao dịch học tập từ cơ sở dữ liệu SQL Server của hệ thống đào tạo trực tuyến Trường Đại học Kinh tế Quốc dân.
  2. Tiền xử lý và chuẩn hóa (ETL Pipeline): Làm sạch dữ liệu, xử lý giá trị khuyết thiếu (missing values), loại bỏ nhiễu từ các phiên truy cập bất thường, mã hóa thang điểm chữ ($A, B, C, D, F$) sang thang điểm số chuẩn hóa $[0, 4]$ phục vụ xây dựng ma trận đánh giá.
  3. Phân tích xác định cụm tối ưu (Cluster Validation): Sử dụng kết hợp Phương pháp Khuỷu tay (Elbow Method với độ đo tổng bình phương khoảng cách Euclidean - SSE) và Phân tích hệ số Silhouette ($S_i$) để xác định số lượng cụm tối ưu $K$, tránh hiện tượng phân cụm võ đoán.
  4. Khai phá tri thức và huấn luyện mô hình (Model Training): Áp dụng song song thuật toán Khai phá luật kết hợp (Association Rules), Cây quyết định (Decision Tree - CART/C4.5) và Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) để dự báo kết quả học tập từ hành vi quá trình.
  5. Kiểm chứng chéo và đánh giá độ tin cậy: Sử dụng kỹ thuật chia tập dữ liệu huấn luyện (Training Set - 80%) và tập kiểm thử (Testing Set - 20%), kiểm soát sai số qua Ma trận nhầm lẫn (Confusion Matrix), diện tích dưới đường cong ROC (AUC), độ nhạy (Sensitivity) và độ đặc hiệu (Specificity).

Data và phân tích

Dữ liệu thực nghiệm bao gồm toàn bộ sinh viên tham gia các khóa học trực tuyến tại NEU, với cấu trúc 5 tệp dữ liệu chi tiết:

  • Tệp danh mục môn học: Mã môn, tên môn, số tín chỉ, danh mục khối kiến thức.
  • Tệp dữ liệu điểm cuối kỳ: Điểm tổng kết hệ 10, điểm hệ 4 và thang điểm chữ.
  • Tệp danh sách người học: Thuộc tính nhân khẩu học, niên khóa, ngành học.
  • Tệp lịch sử hoạt động: Tần suất click, thời gian xem video bài giảng, số lượng tương tác diễn đàn, tần suất tải tài liệu.
  • Tệp kết quả đánh giá quá trình: Điểm chuyên cần, điểm kiểm tra trắc nghiệm định kỳ, bài tập tuần.

Trong phân hệ thành lập cộng đồng người học, nghiên cứu sinh so sánh trực tiếp hai thuật toán phân cụm kinh điển: K-Means và Phân cụm phân cấp tích tụ (Agglomerative Hierarchical Clustering - AHC). Điểm Silhouette trung bình được đo lường để chọn ra thuật toán phân cụm có mức độ tách biệt và độ gắn kết nội cụm cao nhất.

Trong phân hệ tư vấn cách thức học tập, thuật toán Cây quyết định sinh ra tập luật trực quan (If-Then rules), trong khi Mạng nơ-ron đa tầng cho phép dự báo xác suất đạt điểm giỏi ($A/A^+$) dựa trên các trọng số tương tác trực tuyến.

Phát hiện đột phá và implications

Những phát hiện then chốt

  • Phát hiện 1: Sự vượt trội của Phân cụm Đa tiêu chí trong việc định danh Chân dung Người học. Thực nghiệm chứng minh việc phân cụm người học dựa trên vector đặc trưng đa chiều (kết hợp điểm quá trình, tần suất tương tác log-file và lịch sử học tập) cho hệ số Silhouette cao vượt trội so với phân cụm đơn tiêu chí truyền thống. Thuật toán K-Means khi xác định giá trị $K$ tối ưu thông qua phương pháp Khuỷu tay (Elbow Method) và Silhouette Analysis đã phân tách thành công các nhóm sinh viên có đặc tính học tập tương đồng rõ rệt, giải quyết triệt để bài toán phân cụm cộng tác.
  • Phát hiện 2: Dữ liệu Đánh giá Quá trình là biến số Dự báo Kết quả Học tập chuẩn xác hơn Lịch sử Điểm số Cũ. Phân tích thực nghiệm qua Cây quyết định và Mạng nơ-ron chỉ ra rằng các biến số quá trình—như mức độ hoàn thành bài tập tự nguyện, số lượt phản hồi học thuật trên diễn đàn và tính đều đặn khi truy cập bài giảng—có trọng số dự báo điểm cuối kỳ cao hơn so với kết quả học tập của các môn học tiên quyết.
  • Phát hiện 3: Hiệu năng phân loại và Trích xuất Tập luật Tri thức Học thuật. So sánh trên Ma trận nhầm lẫn (Confusion Matrix), thuật toán Cây quyết định đạt độ chính xác cao và ưu thế vượt trội về khả năng giải thích tri thức (Explainable AI) khi kết xuất các tập luật dạng: $$\mathbf{IF} \text{ Tần_suất_xem_video} \ge \theta_1 ;\mathbf{AND}; \text{Điểm_trắc_nghiệm_tuần} \ge \theta_2 ;\mathbf{THEN}; \text{Xác_suất_đạt_Điểm_A} \ge 85%$$ Điều này cung cấp chỉ dẫn hành động cụ thể để người học tự điều chỉnh thói quen học tập theo các tấm gương thành công trong cùng cộng đồng.
  • Phát hiện 4: Cơ chế Lọc Cộng tác Ma trận Điểm Chuẩn hóa triệt tiêu Hiện tượng Lệch thang điểm. Việc chuẩn hóa ma trận đánh giá môn học từ thang điểm chữ sang vector hữu số đã giúp thuật toán tính độ tương đồng Cosine giữa các người học trong cùng tiểu cộng đồng đạt độ chính xác cao, loại bỏ sai lệch do độ khó/dễ khác nhau giữa các giảng viên phụ trách.

Implications đa chiều

Ý nghĩa lý luận (Theoretical Advances)

Nghiên cứu tạo bước chuyển dịch mô hình (Paradigm Shift) trong lĩnh vực MIS giáo dục: chuyển từ các nghiên cứu thuật toán cô lập sang mô hình hệ thống thông tin hỗ trợ ra quyết định toàn diện. Luận án bắc nhịp cầu kết nối giữa ba trường phái học thuật: Hệ thống hỗ trợ ra quyết định (DSS), Hệ thống tư vấn thông tin (Recommender Systems), và Phân tích dữ liệu giáo dục đại học (Learning Analytics).

Đổi mới phương pháp luận (Methodological Innovations)

Thiết lập quy trình chuẩn DSRM trong thiết kế và kiểm chứng hệ thống tư vấn đào tạo trực tuyến, có khả năng chuyển giao và nhân rộng cho nhiều ngữ cảnh học tập số khác nhau (MOOCs, Corporate E-learning).

Ứng dụng thực tiễn (Practical Applications)

Cung cấp giải pháp phần mềm và kiến trúc chức năng hoàn chỉnh cho các trường đại học tại Việt Nam, giúp sinh viên nhận được tư vấn cá nhân hóa về 3 khía cạnh thiết yếu:

  1. Đăng ký lộ trình môn học tối ưu năng lực;
  2. Điều chỉnh cách thức và hành vi học tập chi tiết theo từng tuần học;
  3. Tự động kết nối nhóm học tập tương hỗ theo cộng đồng đa tiêu chí.

Khuyến nghị chính sách giáo dục (Policy & Management)

Đề xuất lộ trình triển khai 3 trụ cột (Tổ chức - Quản lý - Công nghệ) cho các nhà quản trị đại học: hoàn thiện quy chế ghi nhận học tập số, đầu tư hạ tầng dữ liệu lớn (Big Data Lakehouse) và xây dựng văn hóa ra quyết định dựa trên dữ liệu (Data-driven Decision Making) trong nhà trường.

Limitations và Future Research

Luận án thừa nhận một cách khách quan 4 giới hạn nghiên cứu:

  1. Phạm vi dữ liệu thực nghiệm: Dữ liệu được thu thập chủ yếu từ một cơ sở đào tạo đơn lẻ (Trường Đại học Kinh tế Quốc dân), nơi có đặc thù về khối ngành kinh tế, quản trị và kinh doanh, do đó cần thêm dữ liệu kiểm chứng ở các khối ngành kỹ thuật, khoa học tự nhiên hoặc y dược.
  2. Hình thức đánh giá offline: Các thực nghiệm thuật toán được tiến hành trên tập dữ liệu lịch sử (Offline Evaluation) thông qua các độ đo kỹ thuật (Silhouette, Accuracy, Confusion Matrix), chưa triển khai thử nghiệm trực tiếp A/B testing diện rộng trên giao diện người dùng thời gian thực để đo lường mức độ hài lòng tâm lý học và mức độ thay đổi hành vi dài hạn của sinh viên.
  3. Mô hình hóa đối tượng người dùng: Nghiên cứu mới tập trung giải quyết bài toán tư vấn cho đối tượng người học, chưa mở rộng mô hình sang bài toán hỗ trợ ra quyết định cho giảng viên (soạn giáo trình động, cảnh báo sớm sinh viên có nguy cơ bỏ học) và nhà quản lý đào tạo.
  4. Giới hạn kỹ thuật biểu diễn ngữ cảnh: Chưa tích hợp các công nghệ mô hình ngôn ngữ lớn (LLMs) hoặc đồ thị tri thức ngữ nghĩa động (Dynamic Knowledge Graphs) để xử lý các phản hồi định tính không cấu trúc của sinh viên trên diễn đàn thảo luận.

Chương trình nghiên cứu tương lai định hướng 4 trọng tâm:

  • Mở rộng kiểm chứng mô hình liên trường (Multi-institutional Validation) tại các đại học lớn như ĐHQG Hà Nội, ĐHQG TP.HCM, Đại học Bách Khoa Hà Nội.
  • Tích hợp kiến trúc tính toán luồng thời gian thực (Real-time Stream Computing) để cập nhật hồ sơ người học ngay trong phiên học.
  • Tích hợp Trí tuệ nhân tạo tạo sinh (Generative AI) và Trợ lý học tập thông minh đa phương thức để đối thoại tự nhiên với người học.
  • Áp dụng kỹ thuật Học liên hợp (Federated Learning) nhằm bảo vệ quyền riêng tư dữ liệu cá nhân của người học giữa các cơ sở giáo dục.

Tác động và ảnh hưởng

Luận án mang lại những giá trị tác động đa tầng đối với khoa học và xã hội:

  • Ảnh hưởng học thuật: Thiết lập khung tham chiếu học thuật vững chắc cho các nghiên cứu sinh và học viên cao học chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu giáo dục và Khoa học máy tính; mở ra hướng tiếp cận tích hợp công nghệ vào quản trị đại học.
  • Chuyển đổi ngành công nghệ giáo dục (EdTech): Cung cấp mô hình kiến trúc chuẩn giúp các doanh nghiệp công nghệ lớn tại Việt Nam (như VNPT E-Learning, FPT VioEdu, Viettel) nâng cấp sản phẩm từ LMS thụ động sang hệ thống cá nhân hóa thông minh có năng lực tư vấn hành vi.
  • Tối ưu hóa quản trị đại học: Giúp các cơ sở giáo dục đại học giảm thiểu tỷ lệ sinh viên lưu ban, rút ngắn thời gian hoàn thành chương trình đào tạo, tối ưu hóa việc phân bổ lịch trình môn học và phòng học ảo, nâng cao tỷ lệ hài lòng của người học.
  • Lợi ích xã hội rộng lớn: Thúc đẩy phong trào học tập suốt đời (Lifelong Learning), giúp người học trực tuyến xóa bỏ rào cản tâm lý cô lập, xây dựng kỹ năng tự điều chỉnh việc học (Self-regulated Learning) trong kỷ nguyên số.

Đối tượng hưởng lợi

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo và đột phá nhất của luận án là gì?

Đóng góp độc đáo nhất là việc luận án đã mở rộng Lý thuyết Cộng đồng Đa tiêu chí của Nguyễn Thúy Ngọc & Nguyễn An Tế (2015) và tích hợp vào Khung lý thuyết Ba chiều của Hệ thống thông tin (Laudon & Laudon, 2004) để kiến tạo nên mô hình Hệ hỗ trợ ra quyết định cộng tác trong giáo dục đại học (eCMBLC). Thay vì xem người học là các thực thể đơn lẻ có sở thích tĩnh, mô hình định nghĩa người học là thành viên của nhiều tiểu cộng đồng động được hình thành từ ma trận đặc trưng đa chiều (kết quả học tập, điểm quá trình, tương tác log-files, phong cách học tập).

2. Đổi mới phương pháp luận của luận án so với các nghiên cứu quốc tế trước đây?

So với các nghiên cứu quốc tế thuần túy về thuật toán như Wu & Wu (2020) hay Morsomme & Alferez (2019), luận án không chỉ dừng lại ở việc tối ưu độ chính xác của một giải thuật phân lớp, mà áp dụng toàn diện Phương pháp luận Nghiên cứu Khoa học Thiết kế (DSRM - Peffers và cộng sự, 2007). Nghiên cứu thực hiện trọn vẹn chu trình từ xác định vấn đề thực tiễn, thiết kế kiến trúc hệ thống, phát triển giải thuật phân cụm/khai phá luật, thực nghiệm trên dữ liệu thực tế tại NEU, đến đề xuất giải pháp đánh giá hệ thống thông tin hoàn chỉnh.

3. Phát hiện thực nghiệm nào bất ngờ và có ý nghĩa sư phạm số lớn nhất?

Phát hiện thực nghiệm có ý nghĩa sâu sắc nhất là: Mức độ chuyên cần và tính chủ động tương tác trong dữ liệu đánh giá quá trình (Formative Assessment Logs) có năng lực dự báo kết quả học tập cuối kỳ vượt trội so với điểm tích lũy trong quá khứ. Thuật toán Cây quyết định đã trích xuất được những ngưỡng hành vi tối thiểu (như tần suất tham gia thảo luận và làm bài tập trắc nghiệm tự luyện) giúp sinh viên dù có điểm đầu vào trung bình vẫn có thể đạt điểm xuất sắc ($A/A^+$).

4. Luận án có cung cấp quy trình và giao thức tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án mô tả chi tiết và tường minh toàn bộ cấu trúc 5 tệp dữ liệu quan hệ, quy trình trích xuất và biến đổi dữ liệu (ETL Pipeline), các công thức toán học xác định khoảng cách tương đồng Cosine, quy trình xác định tham số $K$ tối ưu thông qua hệ số Silhouette và Elbow Method, cũng như các ma trận nhầm lẫn của thuật toán phân lớp. Bất kỳ cơ sở đào tạo nào có hệ thống cơ sở dữ liệu LMS tương tự đều có thể tái lập hoàn toàn quy trình thực nghiệm này.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Chương trình nghiên cứu dài hạn hướng tới: (i) Tích hợp Trí tuệ nhân tạo tạo sinh (GenAI) và Mô hình ngôn ngữ lớn (LLMs) vào hệ thống tư vấn học tập; (ii) Mở rộng mô hình học máy đồ thị (Graph Neural Networks) để biểu diễn mạng lưới tri thức môn học và mạng xã hội học tập phức hợp; (iii) Ứng dụng Học liên hợp (Federated Learning) để thiết lập mạng lưới tư vấn liên đại học quy mô quốc gia mà không xâm phạm dữ liệu riêng tư của người học.

Kết luận

Luận án tiến sĩ của NCS. Bùi Xuân Huy đã giải quyết xuất sắc một bài toán cấp thiết trong kỷ nguyên chuyển đổi số giáo dục đại học thông qua các đóng góp cụ thể:

  1. Tổng hợp và chuẩn hóa tri thức: Hệ thống hóa toàn diện cơ sở lý luận về hệ thống tư vấn học tập và phân tích học tập trong đào tạo trực tuyến thông qua quy trình tổng quan PRISMA từ 70 công trình quốc tế tiêu chuẩn.
  2. Khung lý thuyết hệ thống thông tin đột phá: Phát triển thành công mô hình tư vấn học tập eCMBLC dựa trên cộng đồng đa tiêu chí, kết hợp hài hòa giữa lý thuyết quá trình ra quyết định của Simon và lý thuyết 3 chiều MIS của Laudon & Laudon.
  3. Mô hình kiến trúc - chức năng hoàn chỉnh: Thiết kế chi tiết kiến trúc phân hệ tư vấn tích hợp hữu cơ với hệ thống đào tạo trực tuyến hiện hữu, hỗ trợ 3 nghiệp vụ cốt lõi: đăng ký môn học, phương pháp học tập và gợi ý nhóm học tập.
  4. Thực nghiệm xác thực nghiêm ngặt: Chứng minh tính khả thi và hiệu năng vượt trội của mô hình trên tập dữ liệu thực tế lớn của Trường Đại học Kinh tế Quốc dân bằng các thuật toán phân cụm K-Means, Cây quyết định, Mạng nơ-ron và Ma trận lọc cộng tác chuẩn hóa.
  5. Hệ thống khuyến nghị triển khai đa diện: Đưa ra lộ trình triển khai chi tiết trên cả 3 phương diện Tổ chức, Quản lý và Công nghệ, kèm theo khung tiêu chí đánh giá hiệu quả hệ thống thông tin tại các cơ sở giáo dục đại học Việt Nam.
  6. Mở ra hướng nghiên cứu liên ngành mới: Đặt nền móng vững chắc cho các nghiên cứu tiếp theo về ứng dụng Trí tuệ nhân tạo, Dữ liệu lớn và Khoa học dữ liệu giáo dục trong hiện đại hóa giáo dục đại học tại Việt Nam và hội nhập quốc tế.