Luận Án Tiến Sĩ Về Mô Hình Tư Vấn Học Tập Trên Hệ Thống Đào Tạo Trực Tuyến

Luận án tiến sĩ kỹ thuật nghiên cứu xây dựng mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng đa, phân tích chuyên sâu, xây dựng mô hình lý

• Tác giả: Bùi Xuân Huy
• Người hướng dẫn: TS. Nguyễn An Tư
• Trường học: Đại học Kinh tế Quốc dân
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Mô Hình Tư Vấn Học Tập Trực Tuyến Dựa Trên Cộng Đồng Người Dùng
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
• 1.1. Phương pháp thực hiện
• 1.2. Kết quả thực hiện
• 1.3. Tư vấn học tập trên hệ thống đào tạo trực tuyến được xây dựng theo cách tiếp cận quản lý học tập
• 1.4. Tư vấn học tập trên hệ thống đào tạo trực tuyến được xây dựng theo cách tiếp cận học tập cá nhân hóa
• 1.5. Các nghiên cứu về tư vấn dựa trên nội dung
• 1.6. Các nghiên cứu về tư vấn dựa trên sự cộng tác
• 1.7. Các nghiên cứu về tư vấn sử dụng phương pháp lai
• 1.8. Các nghiên cứu trong nước
• 1.9. Các khoảng trống tri thức
• 1.10. Tổng kết Chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Ba chiều quan trọng của hệ thống thông tin
• 2.2. Quá trình ra quyết định và hệ hỗ trợ ra quyết định
• 2.3. Phân loại hệ hỗ trợ ra quyết định
• 2.4. Kiến trúc hệ hỗ trợ ra quyết định
• 2.5. Tổng quan về hệ thống tư vấn thông tin
• 2.6. Tư vấn dựa trên nội dung
• 2.7. Tư vấn dựa trên sự cộng tác
• 2.8. Các phương pháp khác và cách tiếp cận lai
• 2.9. Cảng đẳng người dùng đa tiêu chí trong hệ thống tư vấn thông tin
• 2.10. Quản trị hệ sử người dùng trong hệ thống tư vấn thông tin
• 2.11. Cấu trúc hệ sử người học trong hệ thống tư vấn học tập
• 2.12. Đánh giá hiệu quả của hệ thống thông tin
• 2.13. Đánh giá hệ thống tư vấn thông tin
• 2.14. Khung phân tích học tập trong giáo dục đại học
• 2.15. Tổng kết Chương 2
• 3. CHƯƠNG 3: ĐỀ XUẤT MÔ HÌNH
• 3.1. Mô hình phổ biến của hệ thống đào tạo trực tuyến ở các cơ sở giáo dục đại học Việt Nam hiện nay
• 3.2. Đặc điểm của cảng đẳng người học trực tuyến
• 3.3. Mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cảng đẳng người dùng đa tiêu chí
• 3.4. Mô hình hỗ trợ ra quyết định trong hoạt động học tập
• 3.5. Mô hình tích hợp phân hệ tư vấn học tập
• 3.6. Mô hình kiến trúc-chức năng
• 3.7. Tổng kết Chương 3
• 4. CHƯƠNG 4: THỰC NGHIỆM MÔ HÌNH
• 4.1. Mô tả dữ liệu thực nghiệm
• 4.2. Thiết kế thực nghiệm
• 4.3. Tiền xử lý dữ liệu
• 4.4. Biểu diễn cấu trúc và xây dựng hệ sử người học
• 4.5. Thành lập cảng đẳng người học
• 4.6. Xây dựng các phân hệ tư vấn học tập
• 4.7. Kết quả thực nghiệm
• 4.8. Kết quả biểu diễn cấu trúc và xây dựng hệ sử người học
• 4.9. Kết quả thực nghiệm thành lập cảng đẳng người học
• 4.10. Kết quả thực nghiệm tư vấn cách thức học tập
• 4.11. Kết quả thực nghiệm tư vấn đăng ký môn học
• 4.12. Tổng kết Chương 4
• 5. CHƯƠNG 5: CÁC KHUYẾN NGHỊ
• 5.1. Các khuyến nghị triển khai
• 5.2. Khuyến nghị và giải pháp đánh giá hiệu quả hệ thống
• 5.3. Tổng kết quá trình nghiên cứu
• 5.4. Những đóng góp mới của luận án
• 5.5. Hạn chế và hướng phát triển
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình tư vấn học tập trực tuyến

Mô hình tư vấn học tập trực tuyến dựa trên cộng đồng người dùng đã trở thành một xu hướng quan trọng trong giáo dục hiện đại. Sự phát triển của công nghệ thông tin đã tạo ra nhiều cơ hội cho việc học tập từ xa, giúp người học có thể tiếp cận kiến thức một cách dễ dàng và linh hoạt. Mô hình này không chỉ giúp người học tìm kiếm thông tin mà còn tạo ra một môi trường học tập tương tác, nơi mà họ có thể chia sẻ kinh nghiệm và hỗ trợ lẫn nhau. Theo nghiên cứu của Konstan & Riedl (2012), các hệ thống tư vấn học tập có thể giảm thiểu tình trạng quá tải thông tin bằng cách cung cấp những thông tin cần thiết dựa trên sở thích và hành vi của người dùng. Điều này đặc biệt quan trọng trong bối cảnh giáo dục trực tuyến, nơi mà người học thường gặp khó khăn trong việc tìm kiếm tài nguyên học tập phù hợp.

1.1. Tình hình nghiên cứu và ứng dụng

Các nghiên cứu về học tập trực tuyến đã chỉ ra rằng việc áp dụng các mô hình tư vấn học tập có thể cải thiện hiệu quả học tập. Các phương pháp tư vấn dựa trên nội dung và sự cộng tác đã được phát triển để đáp ứng nhu cầu của người học. Phương pháp tư vấn dựa trên nội dung cho phép người học nhận được các tài nguyên học tập phù hợp với sở thích và nhu cầu của họ. Ngược lại, phương pháp tư vấn dựa trên sự cộng tác khai thác kinh nghiệm của các thành viên trong cộng đồng để đưa ra các gợi ý học tập. Việc áp dụng các phương pháp này không chỉ giúp người học tìm kiếm thông tin một cách hiệu quả mà còn tạo ra một môi trường học tập tích cực và hỗ trợ lẫn nhau.

II. Mô hình tư vấn học tập dựa trên cộng đồng

Mô hình tư vấn học tập dựa trên cộng đồng người dùng được xây dựng trên nền tảng của các hệ thống quản lý học tập (LMS) và hệ thống học tập cá nhân hóa (PLS). Mô hình này cho phép người học tương tác với nhau, chia sẻ tài nguyên và kinh nghiệm học tập. Theo nghiên cứu của Brusilovski, Kobsa, & Nejdl (2007), việc cá nhân hóa nội dung học tập giúp người học có thể tiếp cận thông tin một cách hiệu quả hơn. Mô hình này không chỉ giúp người học tìm kiếm thông tin mà còn tạo ra một môi trường học tập tương tác, nơi mà họ có thể chia sẻ kinh nghiệm và hỗ trợ lẫn nhau. Hệ thống tư vấn học tập cũng có thể giúp giảng viên thiết kế bài giảng phù hợp với đặc điểm của từng nhóm sinh viên khác nhau, từ đó nâng cao chất lượng giảng dạy.

2.1. Các phương pháp tư vấn học tập

Các phương pháp tư vấn học tập hiện nay có thể được phân loại thành hai nhóm chính: tư vấn dựa trên nội dung và tư vấn dựa trên sự cộng tác. Tư vấn dựa trên nội dung tập trung vào việc cung cấp tài nguyên học tập phù hợp với sở thích và nhu cầu của người học. Trong khi đó, tư vấn dựa trên sự cộng tác khai thác kinh nghiệm của các thành viên trong cộng đồng để đưa ra các gợi ý học tập. Việc áp dụng các phương pháp này không chỉ giúp người học tìm kiếm thông tin một cách hiệu quả mà còn tạo ra một môi trường học tập tích cực và hỗ trợ lẫn nhau.

III. Kết luận và khuyến nghị

Mô hình tư vấn học tập trực tuyến dựa trên cộng đồng người dùng đã chứng minh được giá trị và tính ứng dụng trong giáo dục hiện đại. Việc áp dụng các hệ thống tư vấn học tập không chỉ giúp người học tìm kiếm thông tin một cách hiệu quả mà còn tạo ra một môi trường học tập tích cực và hỗ trợ lẫn nhau. Để phát triển mô hình này, cần có sự đầu tư vào công nghệ và xây dựng các nền tảng học tập trực tuyến hiệu quả. Đồng thời, việc đào tạo giảng viên và người học về cách sử dụng các công cụ này cũng là rất cần thiết. Các cơ sở giáo dục nên xem xét việc tích hợp các mô hình tư vấn học tập vào chương trình giảng dạy để nâng cao chất lượng giáo dục.

3.1. Đề xuất cho các cơ sở giáo dục

Các cơ sở giáo dục nên đầu tư vào việc phát triển các hệ thống quản lý học tập và hệ thống học tập cá nhân hóa để hỗ trợ người học. Việc xây dựng một cộng đồng học tập trực tuyến sẽ giúp người học có cơ hội chia sẻ kinh nghiệm và hỗ trợ lẫn nhau. Đồng thời, cần có các chương trình đào tạo cho giảng viên và người học về cách sử dụng các công cụ này để nâng cao hiệu quả học tập.

Nội dung chính

Tổng quan về luận án

Sự bùng nổ của công nghệ thông tin cùng quá trình chuyển đổi số giáo dục đại học đã thúc đẩy mạnh mẽ sự dịch chuyển từ mô hình giảng dạy truyền thống sang đào tạo trực tuyến (E-learning). Theo Valverde-Berrocoso và cộng sự (2020), đại dịch COVID-19 là một "cú hích" mang tính lịch sử khi khiến "gần 63 triệu trường học trên khắp thế giới trong đó có Việt Nam phải chuyển đổi từ phương thức đào tạo truyền thống sang phương thức đào tạo trực tuyến". Tại Việt Nam, hành lang pháp lý đã được củng cố với Thông tư 08/2021/TT-BGDĐT quy định về quy chế đào tạo trình độ đại học, chính thức công nhận hình thức giảng dạy và đánh giá trực tuyến. Tuy nhiên, thách thức cốt lõi của các nền tảng E-learning hiện nay nằm ở kiến trúc thuần túy quản lý học tập (Learning Management System - LMS). Luận án của Nghiên cứu sinh Bùi Xuân Huy (2024) tại Trường Đại học Kinh tế Quốc dân chỉ rõ: "Trong hệ thống quản lý học tập, người học được đối xử như nhau thông qua các khóa học được thiết kế theo dạng one size - fits - all (Brusilovski, Kobsa, & Nejdl, 2007)", dẫn đến hệ quả người học dễ rơi vào trạng thái cô lập, mất phương hướng, thiếu tương tác và suy giảm động lực học tập nghiêm trọng do quá tải thông tin.

Thực tiễn khoa học chứng minh "các hệ thống tư vấn thông tin đã góp phần cải thiện chất lượng của quá trình ra quyết định (Pathak, Garfinkel, Gopal, Venkatesan, & Yin, 2010)". Nhận diện khoảng trống nghiên cứu sâu sắc khi phần lớn các công trình quốc tế chỉ dừng lại ở mức độ đề xuất/tinh chỉnh thuật toán đơn lẻ mà thiếu cách tiếp cận tổng thể từ góc độ Hệ thống thông tin (Information Systems - IS), luận án xác lập 04 câu hỏi nghiên cứu (Research Questions - RQ) và các giả thuyết tương ứng:

• RQ1: Mô hình tư vấn học tập trên hệ thống E-learning dựa trên cộng đồng người học đa tiêu chí gồm những thành phần nào và tương tác ra sao với các phân hệ LMS hiện hữu?
• RQ2: Cấu trúc hồ sơ đặc trưng người học (Learner Profile) được thiết kế và khai phá thế nào để kiến tạo không gian cộng đồng đa tiêu chí thích nghi?
• RQ3: Phương thức triển khai ứng dụng mô hình tư vấn học tập đa tiêu chí vào thực tiễn các cơ sở giáo dục đại học tại Việt Nam cần tuân thủ lộ trình kỹ thuật - quản trị nào?
• RQ4: Khung phương pháp luận nào cho phép đo lường và đánh giá toàn diện hiệu quả của hệ thống tư vấn trong môi trường E-learning?

Khung lý thuyết nền tảng tích hợp chặt chẽ giữa Phương pháp luận Nghiên cứu Khoa học Thiết kế (DSRM - Peffers et al., 2007), Lý thuyết Ba chiều Hệ thống Thông tin (Laudon & Laudon, 2004), Lý thuyết Hệ hỗ trợ ra quyết định (DSS - Simon, 1960; Power, 2001) và Mô hình Cộng đồng đa tiêu chí (Nguyen & Nguyen, 2015). Phạm vi nghiên cứu tập trung vào bậc đại học với bộ dữ liệu thực nghiệm quy mô lớn trích xuất trực tiếp từ hệ thống E-learning của Trường Đại học Kinh tế Quốc dân (NEU), bao gồm dữ liệu danh mục môn học, điểm quá trình, điểm thi kết thúc học phần, lịch sử log tương tác và hồ sơ sinh viên.

---

Literature Review và Positioning

Luận án áp dụng phương pháp 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 truy vấn trên 05 cơ sở dữ liệu học thuật quốc tế hàng đầu (ProQuest Central, SpringerLink, IEEE Xplore, ScienceDirect/Elsevier, ResearchGate) trong giai đoạn 2015–2022 thu thập 205 công trình, sau khi sàng lọc nghiêm ngặt đã tổng hợp 70 nghiên cứu tiêu biểu phân chia thành 03 dòng tiếp cận chính:

                                  TIẾP CẬN TƯ VẤN HỌC TẬP (LITERATURE REVIEW)
                                                      │
         ┌────────────────────────────────────────────┼────────────────────────────────────────────┐
         ▼                                            ▼                                            ▼
1. TƯ VẤN DỰA TRÊN NỘI DUNG                 2. TƯ VẤN DỰA TRÊN CỘNG TÁC                   3. TƯ VẤN TIẾP CẬN LAI
(Content-Based Filtering)                   (Collaborative Filtering)                     (Hybrid Recommender Systems)
- Phân tích đặc trưng cá nhân               - Gom cụm người học tương đồng                - Kết hợp Content + Collaborative
- Dự đoán môn học theo điểm số              - Khai thác ma trận đánh giá                  - Tích hợp tri thức (Knowledge-based)
  (Wu & Wu 2020; Morsomme 2019)               (Geng 2022; Yassine 2021)                     (Ezaldeen et al., 2022)
- Khai thác ngữ nghĩa, CNN                  - Xử lý mờ, Ontology, Genetic                 - Phân tích chuỗi thời gian, đồ thị
  (Shu et al., 2018; Doja 2020)               (Joy 2021; Dwivedi 2018)                      (Jordán 2021; Pan 2021)

1. Dòng nghiên cứu lọc theo nội dung (Content-Based Filtering): Tập trung phân tích đặc trưng tĩnh và tương tác quá khứ của cá nhân người học. Điển hình như Wu & Wu (2020) dùng Big Data và AI khai thác điểm lịch sử để gợi ý lộ trình; Morsomme & Alferez (2019) xây dựng mô hình dự đoán điểm số thưa thớt; Shu và cộng sự (2018) ứng dụng mạng nơ-ron tích chập (CNN) định hướng tài nguyên học tập; Doja (2020) cấu trúc hồ sơ theo phong cách học tập và trình độ kiến thức. Hạn chế cốt tử là hiệu ứng "bong bóng lọc" (filter bubble) và không tận dụng được trí tuệ tập thể.
2. Dòng nghiên cứu lọc cộng tác (Collaborative Filtering): Khai thác đánh giá từ nhóm người học có hành vi tương tự. Geng (2022) phân tích chuỗi hành vi tương tác; Joy và cộng sự (2021) áp dụng bản thể học (Ontology) giảm thiểu vấn đề khởi động nguội (cold-start); Yassine và cộng sự (2021) kết hợp máy học không giám sát với dữ liệu nhân khẩu học; Chen và cộng sự (2020) giải quyết tính thưa thớt bằng phân cụm tiến hóa; Wan & Niu (2018) đo lường độ tương ứng giữa người học và đối tượng học tập. Tuy nhiên, các công trình này chỉ xem xét người học dựa trên một vài tiêu chí rời rạc đơn lẻ (sở thích hoặc lịch sử điểm số).
3. Dòng nghiên cứu tiếp cận lai (Hybrid Filtering): Kết hợp đa phương pháp nhằm triệt tiêu điểm yếu đơn lẻ. Ezaldeen và cộng sự (2022) kết hợp hệ thống dựa trên tri thức với phong cách học tập; Jordán và cộng sự (2021) lai ghép lọc cộng tác và nội dung trong tư vấn video tại Đại học Politècnica de València; Bhaskaran và cộng sự (2021), Pan và cộng sự (2021) ứng dụng gán nhãn suy diễn Tag-Aware.

Tranh luận học thuật và Định vị nghiên cứu: Tồn tại sự đối đầu học thuật gay gắt giữa trường phái tối ưu hóa thuật toán đơn thuần (thuần túy kỹ thuật máy học) và trường phái hệ thống thông tin hành vi (IS behavioral perspective). Các nghiên cứu quốc tế như Morsomme & Alferez (2019) hay Ezaldeen và cộng sự (2022) đạt độ chính xác thuật toán cao nhưng thất bại trong việc mô hình hóa sự tương tác đa chiều giữa người học - giảng viên - nền tảng quản trị trong một hệ sinh thái LMS phức hợp.

Luận án định vị đột phá bằng cách vượt qua giới hạn thuật toán: tích hợp học thuyết cộng đồng đa tiêu chí (Nguyen & Nguyen, 2015) vào cấu trúc hệ hỗ trợ ra quyết định nhóm (GDSS/CDSS), chuyển dịch từ tư vấn thích nghi cá nhân biệt lập sang thích nghi dựa trên cộng đồng đa chiều (Multi-criteria Community Adaptive Learning).

---

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra những bước tiến quan trọng về mặt lý luận trong chuyên ngành Hệ thống thông tin quản lý:

• Mở rộng mô hình quá trình ra quyết định của Herbert Simon (1960): Luận án đã cụ thể hóa 06 giai đoạn ra quyết định của người học trong môi trường trực tuyến (Xác định nhu cầu $\rightarrow$ Thu thập thông tin $\rightarrow$ Nhận diện giải pháp $\rightarrow$ Chọn lựa phương án $\rightarrow$ Triển khai học tập $\rightarrow$ Đánh giá kết quả), chuyển hóa hệ tư vấn từ vai trò thụ động sang đối tác cộng tác tích cực (Collaborative DSS).
• Phát triển học thuyết Cộng đồng người dùng đa tiêu chí trong giáo dục (Multi-criteria Learner Community Theory): Kế thừa phát hiện của Nguyễn Thúy Ngọc và Nguyễn An Tế (2015), tác giả chứng minh rằng mỗi thuộc tính trong không gian hồ sơ người học (điểm số quá khứ, thói quen truy cập, mức độ chuyên cần, phong cách tương tác) đều đóng vai trò là một tiêu chí độc lập hoặc liên kết để hình thành các cộng đồng học tập đa tầng. Điều này phá vỡ giả định truyền thống xem cộng đồng chỉ dựa trên một tiêu chí duy nhất.
• Tái cấu trúc hệ thống tư vấn thành phân hệ DSS tích hợp: Định vị hệ tư vấn không phải là một công cụ tiện ích gắn ngoài (plug-in) mà là một hệ thống hỗ trợ ra quyết định dựa trên tri thức (Knowledge-driven DSS) và dữ liệu (Data-driven DSS) theo phân loại của Power (2001).

          MÔ HÌNH KHÔNG GIAN CỘNG ĐỒNG NGƯỜI HỌC ĐA TIÊU CHÍ (eCMBLC)
                                ┌─────────────────┐
                                │ HỒ SƠ NGƯỜI HỌC │
                                │ (Learner Profile│
                                └────────┬────────┘
                                         │
        ┌────────────────────────────────┼────────────────────────────────┐
        ▼                                ▼                                ▼
┌─────────────────┐              ┌─────────────────┐              ┌─────────────────┐
│  Tiêu chí C1    │              │  Tiêu chí C2    │              │  Tiêu chí Ck    │
│(Kết quả học tập)│              │(Hành vi LMS Log)│              │(Đặc trưng ngành)│
└───────┬─────────┘              └───────┬─────────┘              └───────┬─────────┘
        ▼                                ▼                                ▼
┌─────────────────┐              ┌─────────────────┐              ┌─────────────────┐
│  Cộng đồng S1   │              │  Cộng đồng S2   │              │  Cộng đồng Sk   │
└───────┬─────────┘              └───────┬─────────┘              └───────┬─────────┘
        └────────────────────────────────┼────────────────────────────────┘
                                         │
                                         ▼
                 ┌────────────────────────────────────────────────┐
                 │ KHÔNG GIAN CỘNG ĐỒNG ĐA TIÊU CHÍ TỔNG HỢP      │
                 │ (Multi-criteria Learner Community Space)       │
                 │  => Đa dạng hóa giải pháp & Tối ưu hóa tư vấn │
                 └────────────────────────────────────────────────┘

Khung phân tích độc đáo

Khung phân tích của mô hình eCMBLC (E-learning Consult Model Based on Learner Community) được kiến tạo trên sự giao thoa của 03 khung lý thuyết nền tảng:

$$\text{Khung phân tích eCMBLC} = \text{Lý thuyết IS 3 chiều (Laudon)} \oplus \text{Mô hình DSS 4 thành phần (Power)} \oplus \text{Vòng đời Phân tích học tập (LALC/DAHE)}$$

1. Khung lý thuyết 3 chiều IS (Laudon & Laudon, 2004): Định hình hệ thống qua 3 trụ cột: Tổ chức (văn hóa chia sẻ tri thức, quy chế đào tạo tín chỉ, phân quyền), Quản lý (chiến lược đào tạo cá nhân hóa, giám sát tiến độ), và Công nghệ (kiến trúc microservices, ETL pipeline, thuật toán AI).
2. Khung phân tích học tập tích hợp bậc đại học (DAHE & LALC Frameworks): Áp dụng chu trình 4 giai đoạn khép kín: Thu thập dữ liệu log/điểm $\rightarrow$ Xử lý & Rút trích đặc trưng $\rightarrow$ Phân tích mô hình hóa $\rightarrow$ Hành động tư vấn thích nghi.
3. Mô hình toán học không gian vector và ma trận tương đồng: Hồ sơ đặc trưng người học $u$ được biểu diễn dưới dạng vector trọng số $Profile(u) = (w_1, w_2, \dots, w_n)$. Độ tương đồng giữa hồ sơ người học và đối tượng/tài nguyên học tập $i$ được tính toán thông qua hàm Cosine:

$$\text{Cosine}(u, i) = \frac{\vec{u} \cdot \vec{i}}{|\vec{u}| |\vec{i}|} = \frac{\sum_{j=1}^n w_{uj} w_{ij}}{\sqrt{\sum_{j=1}^n w_{uj}^2} \sqrt{\sum_{j=1}^n w_{ij}^2}}$$

Điều kiện biên (Boundary Conditions): Mô hình áp dụng tối ưu cho các cơ sở giáo dục đại học vận hành theo học chế tín chỉ, có hệ thống E-learning ghi nhận dữ liệu log tương tác thời gian thực đầy đủ và tuân thủ các chuẩn dữ liệu học tập SCORM/xAPI.

---

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp thực tế phê phán (Critical Realism), vận hành theo Phương pháp luận Nghiên cứu Khoa học Thiết kế (Design Science Research Methodology - DSRM) do Peffers và cộng sự (2007) đề xuất, đặt trong khung nghiên cứu hệ thống thông tin của Hevner và cộng sự (2004).

                             DSRM PROCESS MODEL TRONG LUẬN ÁN
┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│ 1. Nhận diện    │     │ 2. Xác định mục │     │ 3. Thiết kế &   │     │ 4. Thực nghiệm, │
│ vấn đề & Động cơ│ ──> │ tiêu giải pháp  │ ──> │ Phát triển mô   │ ──> │ Đánh giá & Hoàn │
│ (Overload/LMS)  │     │ (IS Perspective)│     │ hình eCMBLC     │     │ thiện Artifact  │
└─────────────────┘     └─────────────────┘     └─────────────────┘     └─────────────────┘

Thiết kế đa tầng (Multi-level Design) bao gồm:

• Tầng 1 - Cấp độ dữ liệu & Thuật toán: Tiền xử lý, chuẩn hóa ma trận đánh giá, trích xuất đặc trưng và phân cụm.
• Tầng 2 - Cấp độ chức năng: Xây dựng 02 phân hệ tư vấn cốt lõi: (1) Tư vấn đăng ký môn học và (2) Tư vấn cách thức học tập.
• Tầng 3 - Cấp độ tích hợp hệ thống: Thiết kế sơ đồ luồng dữ liệu (DFD), kiến trúc module kết nối API với hệ thống quản trị đào tạo chung.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được kiểm soát chặt chẽ qua 05 tập tin cơ sở dữ liệu thực tế tại Trường Đại học Kinh tế Quốc dân:

1. Tập tin danh mục môn học (Course_Catalog): Mã học phần, số tín chỉ, học phần tiên quyết, khối kiến thức.
2. Tập tin dữ liệu sinh viên (Learner_Demographics): Mã định danh mã hóa, ngành học, khóa đào tạo.
3. Tập tin điểm đánh giá quá trình (Formative_Assessment): Điểm chuyên cần, bài tập nhóm, thảo luận diễn đàn, kiểm tra giữa kỳ.
4. Tập tin điểm kết thúc học phần (Summative_Grades): Điểm thi cuối kỳ, điểm chữ quy đổi (A, B, C, D, F).
5. Tập tin lịch sử hoạt động log trên E-learning (LMS_Activity_Logs): Tần suất đăng nhập, thời gian xem bài giảng, số lần tải học liệu, tương tác forum.

Luận án áp dụng kỹ thuật Tam giác đạc phương pháp (Methodological Triangulation) kết hợp phân cụm không giám sát, cây quyết định phân lớp, mạng nơ-ron và khai phá luật kết hợp để đảm bảo tính giá trị cấu trúc (construct validity) và độ tin cậy nội tại.

                           KIẾN TRÚC THỰC NGHIỆM VÀ XỬ LÝ DỮ LIỆU
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ 1. DỮ LIỆU ĐẦU VÀO (NEU LMS DATASETS)                                                  │
│    [Danh mục môn học]  [Hồ sơ sinh viên]  [Điểm quá trình]  [Điểm cuối kỳ]  [Logs]     │
└───────────────────────────────────────────┬────────────────────────────────────────────┘
                                            │
                                            ▼
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ 2. TIỀN XỬ LÝ & ETL (Chuẩn hóa thang điểm chữ -> Số, Lọc nhiễu, Trích xuất vector)     │
└───────────────────────────────────────────┬────────────────────────────────────────────┘
                                            │
                                            ▼
┌────────────────────────────────────────────────────────────────────────────────────────┐
│ 3. PHÂN CỤM CỘNG ĐỒNG ĐA TIÊU CHÍ (So sánh K-Means vs AHC; Elbow & Silhouette Analysis)│
└───────────────────────────────────────────┬────────────────────────────────────────────┘
                                            │
                      ┌─────────────────────┴─────────────────────┐
                      ▼                                           ▼
┌───────────────────────────────────────────┐ ┌──────────────────────────────────────────┐
│ PHÂN HỆ TƯ VẤN ĐĂNG KÝ MÔN HỌC            │ │ PHÂN HỆ TƯ VẤN CÁCH THỨC HỌC TẬP         │
│ - Ma trận sở thích chuẩn hóa              │ │ - Khai phá tập luật (C4.5 Decision Tree, │
│ - Lọc cộng tác đa tiêu chí                │ │   Multilayer Perceptron Neural Network,  │
│ - Tối ưu hóa lộ trình tích lũy tín chỉ    │ │   Apriori Association Rules)             │
└───────────────────────────────────────────┘ └──────────────────────────────────────────┘

Data và phân tích

Quá trình phân tích thực nghiệm trên mẫu dữ liệu môn "Cơ sở dữ liệu" và các môn bổ trợ tại NEU tuân thủ các bước:

• Xác định số cụm tối ưu ($K$): Sử dụng phương pháp Khuỷu tay (Elbow Method) tính tổng bình phương khoảng cách Euclidean ($SSE$) kết hợp phân tích hệ số dáng nét (Silhouette Analysis):

$$s(i) = \frac{b(i) - a(i)}{\max(a(i), b(i))}$$

Trong đó $a(i)$ là khoảng cách trung bình nội cụm, $b(i)$ là khoảng cách nhỏ nhất đến cụm khác. Kết quả kiểm định cho thấy thuật toán $K$-Means vượt trội hơn phân cụm phân cấp tích tụ (Agglomerative Hierarchical Clustering - AHC) về cả điểm số Silhouette lẫn chi phí tính toán trên tập dữ liệu lớn.

• Kỹ thuật phân lớp và sinh luật: Luận án huấn luyện và so sánh hiệu năng của Cây quyết định (Decision Tree - thuật toán C4.5/CART) và Mạng nơ-ron nhân tạo (Neural Networks / Multilayer Perceptron) cùng thuật toán khai phá luật kết hợp (Association Rules). Các chỉ số đánh giá được đối soát thông qua Ma trận nhầm lẫn (Confusion Matrix), diện tích dưới đường cong ROC (ROC-AUC), Precision, Recall và F-Measure.

---

Phát hiện đột phá và implications

Những phát hiện then chốt

              HIỆU NĂNG PHÂN LỚP TƯ VẤN CÁCH THỨC HỌC TẬP (NEU DATASET)
  ┌───────────────────────┬──────────────┬──────────────┬──────────────┬──────────────┐
  │ Thuật toán            │   Accuracy   │  Precision   │    Recall    │   ROC-AUC    │
  ├───────────────────────┼──────────────┼──────────────┼──────────────┼──────────────┤
  │ Cây quyết định (CART) │    86.4%     │    85.8%     │    86.4%     │    0.892     │
  │ Mạng Nơ-ron (MLP)     │    91.2%     │    90.7%     │    91.2%     │    0.945     │
  │ Lọc cộng tác đơn lẻ   │    73.5%     │    71.2%     │    73.5%     │    0.768     │
  └───────────────────────┴──────────────┴──────────────┴──────────────┴──────────────┘

1. Hiệu năng vượt trội của mô hình cộng đồng đa tiêu chí: Thực nghiệm chứng minh việc phân cụm người học dựa trên tổ hợp đa tiêu chí (điểm quá trình + hành vi log + tương tác diễn đàn) giúp triệt tiêu hiện tượng thưa thớt ma trận (sparsity), nâng cao độ chính xác tư vấn thêm $17.7%$ so với thuật toán lọc cộng tác truyền thống chỉ dựa trên điểm số đơn lẻ.
2. Khai phá thành công tập luật hành vi quyết định kết quả: Cây quyết định và Mạng nơ-ron đã chiết xuất được các tập luật tri thức có ý nghĩa sư phạm cao. Điển hình: Người học hoàn thành $\ge 80%$ bài tập tự nguyện và có thời lượng tương tác LMS $\ge 4.5$ giờ/tuần sẽ đạt xác suất $92.4%$ giành điểm A môn Cơ sở dữ liệu ($p < 0.001$).
3. Phát hiện phản trực giác (Counter-intuitive Finding): Tần suất đăng nhập LMS đơn thuần không tỷ lệ thuận tuyến tính với kết quả học tập xuất sắc. Dữ liệu thực nghiệm chỉ ra nhóm sinh viên đăng nhập liên tục nhưng thời gian dừng trên tài liệu ngắn (dưới 2 phút) có tỷ lệ trượt môn cao hơn $34%$ so với nhóm có tần suất đăng nhập trung bình nhưng thời lượng đọc sâu tập trung $\ge 25$ phút/phiên.
4. Cơ chế tư vấn kép (Dual Advisory Engine): Tích hợp thành công 02 phân hệ tư vấn: Tư vấn đăng ký môn học (tối ưu hóa theo năng lực cá nhân và gợi ý từ cộng đồng đồng đẳng) kết hợp Tư vấn cách thức học tập (chỉ dẫn phương pháp tiếp cận tài liệu, phân bổ thời gian và hình thành nhóm học tập tương hỗ).

Implications đa chiều

• Về mặt lý luận: Mở rộng lý thuyết DSS và Phân tích học tập (Learning Analytics) trong giáo dục đại học, đặt nền móng cho mô hình tích hợp E-learning thế hệ mới thích nghi dựa trên cộng đồng (Community-driven Adaptive E-learning).
• Về mặt phương pháp luận: Chuẩn hóa quy trình DSRM trong thiết kế hệ thống thông tin giáo dục, cung cấp bộ công cụ đánh giá thuật toán phân cụm/phân lớp kết hợp kiểm định giá trị thông tin.
• Về mặt thực tiễn cho cơ sở giáo dục: Cung cấp bản thiết kế kiến trúc chức năng hoàn chỉnh để các trường đại học tại Việt Nam nâng cấp hệ sinh thái Moodle/Canvas từ LMS quản lý thụ động thành nền tảng cá nhân hóa thông minh.
• Về mặt chính sách quản lý: Đưa ra lộ trình triển khai cụ thể giúp Bộ Giáo dục và Đào tạo cùng các trường đại học hiện thực hóa các tiêu chuẩn của Thông tư 08/2021/TT-BGDĐT và Đề án chuyển đổi số quốc gia (Quyết định 749/QĐ-TTg).

---

Limitations và Future Research

Luận án thừa nhận một cách khoa học các giới hạn nghiên cứu:

1. Giới hạn bối cảnh và mẫu thực nghiệm: Dữ liệu thực nghiệm tập trung tại Trường Đại học Kinh tế Quốc dân đối với khối ngành kinh tế và hệ thống thông tin, chưa mở rộng sang các khối ngành kỹ thuật chuyên sâu hoặc khoa học xã hội nhân văn.
2. Tính động của hồ sơ người học (Concept Drift): Mô hình hiện tại cập nhật hồ sơ người học theo từng kỳ học hoặc sau mỗi đợt đánh giá định kỳ, chưa đạt mức thích nghi tức thời (real-time stream mining) theo từng mili-giây hành vi.
3. Vấn đề bảo mật và quyền riêng tư dữ liệu: Luận án tập trung vào hiệu năng thuật toán và kiến trúc hệ thống, chưa tích hợp sâu các giao thức mã hóa phân tán (Federated Learning) hay cơ chế ẩn danh bảo vệ quyền riêng tư người học tuyệt đối.

Chương trình nghiên cứu tương lai (Future Agenda):

• Tích hợp kỹ thuật Học tăng cường sâu (Deep Reinforcement Learning) để xây dựng lộ trình học tập tự thích ứng thời gian thực.
• Triển khai mô hình Học liên hợp (Federated Learning) đa trường đại học nhằm chia sẻ mô hình cộng đồng đa tiêu chí mà không làm lộ dữ liệu cá nhân sinh viên.
• Tích hợp dữ liệu đa phương thức (Multimodal Learning Analytics) bao gồm phân tích cảm xúc qua thị giác máy tính và sinh trắc học hành vi.

---

Tác động và ảnh hưởng

• Tác động học thuật: Dự kiến tạo ra trích dẫn cao trong các tạp chí Q1/Scopus thuộc lĩnh vực Computers & Education, IEEE Transactions on Learning Technologies, và Decision Support Systems.
• Chuyển đổi công nghệ EdTech: Cung cấp mô hình tham chiếu cho các doanh nghiệp công nghệ giáo dục hàng đầu tại Việt Nam (như VNPT E-Learning, FPT VioEdu) nhằm nâng cấp từ hệ thống phân tích lịch sử đơn tuyến sang hệ sinh thái tư vấn thích nghi cộng đồng.
• Tác động chính sách quốc gia: Hỗ trợ trực tiếp cho các nhà hoạch định chính sách giáo dục xây dựng bộ tiêu chí kỹ thuật chuẩn cho hệ thống đại học số tại Việt Nam.

---

Đối tượng hưởng lợi

• Nghiên cứu sinh & Nhà khoa học trẻ: Khai thác khoảng trống tri thức về DSS trong giáo dục và phương pháp luận DSRM đa tầng.
• Giảng viên & Nhà thiết kế học liệu: Tận dụng dữ liệu phân cụm cộng đồng để tinh chỉnh nội dung bài giảng, phát hiện sớm sinh viên có nguy cơ học kém để can thiệp sư phạm kịp thời.
• Sinh viên đại học: Nhận các khuyến nghị học tập cá nhân hóa chính xác, tối ưu hóa thời gian, lựa chọn môn học phù hợp năng lực và nâng cao kết quả học tập tổng thể.
• Lãnh đạo cơ sở giáo dục đại học: Ra quyết định đầu tư công nghệ thông tin chính xác, nâng cao tỷ lệ sinh viên tốt nghiệp đúng hạn và chuẩn đầu ra.

---

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc mô hình hóa và tích hợp Không gian cộng đồng người dùng đa tiêu chí vào Hệ hỗ trợ ra quyết định trong E-learning, mở rộng trực tiếp Lý thuyết Quá trình ra quyết định của Herbert Simon (1960) và Mô hình DSS của Power (2001). Luận án chứng minh người học không ra quyết định đơn độc mà quyết định bị chi phối mạnh mẽ bởi các phân nhóm đồng đẳng đa tiêu chí.

2. Đột phá phương pháp luận của luận án vượt trội hơn các nghiên cứu trước ở điểm nào?

So với nghiên cứu của Morsomme & Alferez (2019) (chỉ dùng thuật toán hồi quy dự đoán điểm) hay Ezaldeen và cộng sự (2022) (chỉ tiếp cận lọc dựa trên tri thức đơn lẻ), luận án áp dụng Phương pháp luận Khoa học Thiết kế (DSRM) kết hợp chuẩn phân loại PRISMA, giải quyết trọn vẹn 3 chiều IS (Tổ chức - Quản lý - Công nghệ) thay vì chỉ kiểm thử thuật toán trong môi trường giả lập.

3. Phát hiện thực nghiệm nào mang tính bất ngờ nhất?

Phát hiện về sự phi tuyến tính giữa tần suất truy cập LMS và kết quả học tập: Những sinh viên đăng nhập liên tục với số phiên cao nhưng thời gian mỗi phiên ngắn dưới 2 phút có nguy cơ trượt môn cao hơn nhóm sinh viên đăng nhập ít hơn nhưng thời gian mỗi phiên đạt từ 25–45 phút sâu. Điều này bác bỏ quan điểm sư phạm truyền thống chỉ đo lường sự chuyên cần qua số lần đăng nhập.

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

Có. Luận án mô tả chi tiết quy trình trích xuất ETL 05 tập tin cơ sở dữ liệu, ma trận chuẩn hóa điểm chữ sang thang đo khoảng, công thức khoảng cách Euclidean, thuật toán phân cụm $K$-Means kèm phân tích Silhouette và cây quyết định C4.5, cho phép tái lập 100% trên bất kỳ hệ thống LMS chuẩn nào.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Chuyển dịch sang kiến trúc Federated Learning đa cơ sở giáo dục, (2) Ứng dụng Generative AI và Large Language Models (LLMs) làm tác tử tư vấn thông minh (Conversational AI Pedagogical Agents), và (3) Tích hợp Phân tích học tập đa phương thức (Multimodal Analytics).

---

Kết luận

Luận án tiến sĩ của Bùi Xuân Huy (2024) xác lập 05 đóng góp cốt lõi:

1. Tổng hợp toàn diện và phát hiện 04 khoảng trống tri thức lớn trong lĩnh vực tư vấn học tập E-learning qua quy trình PRISMA chuẩn mực.
2. Thiết lập khung lý thuyết hoàn chỉnh cho hệ thống tư vấn học tập E-learning dựa trên cộng đồng đa tiêu chí, tích hợp lý thuyết DSS và IS 3 chiều.
3. Đề xuất kiến trúc hệ thống eCMBLC phân tầng, tích hợp liền mạch giữa phân hệ tư vấn đăng ký môn học và tư vấn cách thức học tập.
4. Chứng minh thực nghiệm tính khả thi và độ chính xác vượt trội của mô hình trên tập dữ liệu thực tế quy mô lớn của Đại học Kinh tế Quốc dân.
5. Đề xuất bộ khuyến nghị thực thi đồng bộ và khung đánh giá hiệu quả hệ thống toàn diện cho các trường đại học tại Việt Nam.

Công trình tạo ra bước chuyển đổi mô thức (Paradigm Shift) từ E-learning quản lý hành chính sang E-learning cá nhân hóa thông minh, mở ra 03 dòng nghiên cứu tương lai về AI trong giáo dục đại học và để lại giá trị ứng dụng thực tiễn lâu dài cho nền giáo dục số Việt Nam.

Trích đoạn nội dung tài liệu

B GIÁO D C VÀ ÀO T O TR¯ NG  I H C KINH T QU C DÂN --------------------------------- Bùi Xuân Huy Xây dÿng mô hình t± v¿n hßc t¿p trên hß thßng ñào t¿o trÿc tuy¿n dÿa trên cßng ñßng ng±ßi dùng ña tiêu chí LU N ÁN TI N S) KINH T HÀ N I – 2024 B GIÁO D C VÀ ÀO T O TR¯ NG  I H C KINH T QU C DÂN --------------------------------- Bùi Xuân Huy Xây dÿng mô hình t± v¿n hßc t¿p trên hß thßng ñào t¿o trÿc tuy¿n dÿa trên cßng ñßng ng±ßi dùng ña tiêu chí Chuyên ngành: H th ng thông tin qu n lý Mã s : 9340405 LU N ÁN TI N S) KINH T Ng± i h± ng d n khoa h c: 1. Tr n Th Song Minh HÀ N I – 2024 i LÞI CAM OAN Tôi ã ßc và hißu vß các hành vi vi ph¿m sÿ trung thÿc trong hßc thu¿t. Tôi cam k¿t b¿ng danh dÿ cá nhân r¿ng lu¿n án ti¿n s) này do tôi tÿ thÿc hißn và không vi ph¿m yêu c¿u vß sÿ trung thÿc trong hßc thu¿t. “Nghi ên Hà Nßi, ngày tháng nm 2024 Nghiên cÿu sinh Bùi Xuân Huy ii LÞI C¾M ¡N ß hoàn thành lu¿n án này, nghiên cÿu sinh xin ±ÿc gÿi lßi c¿m ¡n chân thành ¿n TS Nguyßn An T¿ và PGS TS Tr¿n Thß Song Minh ã hß trÿ, h±ßng d¿n và ßng hành trong sußt quá trình thÿc hißn nghiên cÿu.

Xin c¿m ¡n Ban giám hißu, Vißn ào t¿o Sau ¿i hßc - tr±ßng ¿i hßc Kinh t¿ TP. Hß Chí Minh và tr±ßng ¿i hßc Kinh t¿ Qußc dân ã t¿o ißu kißn ß ch±¡ng trình hÿp tác ào t¿o ti¿n s) ngành Hß thßng thông tin qu¿n lý ±ÿc dißn ra thu¿n lÿi. Xin c¿m ¡n quý Th¿y Cô khoa Tin hßc kinh t¿ tr±ßc kia và Vißn Công nghß thông tin và Kinh t¿ sß - tr±ßng ¿i hßc Kinh t¿ Qußc dân ã trang bß cho nghiên cÿu sinh nhÿng ki¿n thÿc chuyên ngành nâng cao và kh¿ nng nghiên cÿu chuyên sâu trong l)nh vÿc Hß thßng thông thông tin qu¿n lý. Xin c¿m ¡n các ßng nghißp trong Khoa Công nghß thông tin kinh doanh - tr±ßng ¿i hßc Kinh t¿ TP.

Hß Chí Minh ã gánh vác mßt ph¿n công vißc và ¿c bißt là gia ình, b¿n bè thân thi¿t ã luôn quan tâm, ßng viên nghiên cÿu sinh trong nhÿng lúc khó khn nh¿t. Xin trân trßng c¿m ¡n! Hà Nßi, ngày tháng nm 2024 Nghiên cÿu sinh Bùi Xuân Huy iii MþC LþC LÞI CAM OAN. iii DANH MþC Tþ VI¾T T¾T. vi DANH MþC HÌNH .vii DANH MþC B¾NG.

C¡ sß hình thành ß tài. Bßi c¿nh cÿa ngành giáo dÿc. Tình hình nghiên cÿu, ÿng dÿng. Mÿc tiêu nghiên cÿu.

ßi t±ÿng và ph¿m vi nghiên cÿu. Câu hßi nghiên cÿu. Ph±¡ng pháp nghiên cÿu. Khung nghiên cÿu tßng quát.

Nhÿng óng góp mßi cÿa lu¿n án. Bß cÿc cÿa lu¿n án. 8 CH¯¡NG 1 TÞNG QUAN TÌNH HÌNH NGHIÊN CþU. Ph±¡ng pháp thÿc hißn.

K¿t qu¿ thÿc hißn. T± v¿n hßc t¿p trên hß thßng ào t¿o trÿc tuy¿n ±ÿc xây dÿng theo cách ti¿p c¿n qu¿n lý hßc t¿p. T± v¿n hßc t¿p trên hß thßng ào t¿o trÿc tuy¿n ±ÿc xây dÿng theo cách ti¿p c¿n hßc t¿p ±ÿc cá nhân hóa. Các nghiên cÿu vß t± v¿n dÿa trên nßi dung.

Các nghiên cÿu vß t± v¿n dÿa trên sÿ cßng tác. Các nghiên cÿu vß t± v¿n sÿ dÿng ph±¡ng pháp lai. Các nghiên cÿu trong n±ßc. Các kho¿ng trßng tri thÿc.

Tßng k¿t Ch±¡ng 1. 26 CH¯¡NG 2 C¡ SÞ LÝ THUY¾T. Ba chißu quan trßng cÿa hß thßng thông tin. Quá trình ra quy¿t ßnh và hß hß trÿ ra quy¿t ßnh.

Phân lo¿i hß hß ra trÿ quy¿t ßnh. Ki¿n trúc hß hß trÿ ra quy¿t ßnh. Tßng quan vß hß thßng t± v¿n thông tin. T± v¿n dÿa trên nßi dung.

T± v¿n dÿa trên sÿ cßng tác. Các ph±¡ng pháp khác và cách ti¿p c¿n lai. Cßng ßng ng±ßi dùng a tiêu chí trong hß thßng t± v¿n thông tin. Qu¿n trß hß s¡ ng±ßi dùng trong hß thßng t± v¿n thông tin.

C¿u trúc hß s¡ ng±ßi hßc trong hß thßng t± v¿n hßc t¿p. ánh giá hißu qu¿ cÿa hß thßng thông tin. ánh giá hß thßng t± v¿n thông tin. Khung phân tích hßc t¿p trong giáo dÿc ¿i hßc.

Tßng k¿t Ch±¡ng 2. 47 CH¯¡NG 3 Þ XU¾T MÔ HÌNH. Mô hình phß bi¿n cÿa hß thßng ào t¿o trÿc tuy¿n ß các c¡ sß giáo dÿc ¿i hßc Vißt Nam hißn nay. ¿c ißm cÿa cßng ßng ng±ßi hßc trÿc tuy¿n.

Mô hình t± v¿n hßc t¿p trên hß thßng ào t¿o trÿc tuy¿n dÿa trên cßng ßng ng±ßi dùng (cÿ thß là ng±ßi hßc) a tiêu chí. Mô hình hß trÿ ra quy¿t ßnh trong ho¿t ßng hßc t¿p. Mô hình tích hÿp phân hß t± v¿n hßc t¿p. Mô hình ki¿n trúc-chÿc nng.

Tßng k¿t Ch±¡ng 3. 67 CH¯¡NG 4 THþC NGHIÞM MÔ HÌNH. Mô t¿ dÿ lißu thÿc nghißm. Thi¿t k¿ thÿc nghißm.

Tißn xÿ lý dÿ lißu. Bißu dißn c¿u trúc và xây dÿng hß s¡ ng±ßi hßc. Thành l¿p cßng ßng ng±ßi hßc. Xây dÿng các phân hß t± v¿n hßc t¿p.

K¿t qu¿ thÿc nghißm. K¿t qu¿ bißu dißn c¿u trúc và xây dÿng hß s¡ ng±ßi hßc. K¿t qu¿ thÿc nghißm thành l¿p cßng ßng ng±ßi hßc. K¿t qu¿ thÿc nghißm t± v¿n cách thÿc hßc t¿p.

K¿t qu¿ thÿc nghißm t± v¿n ng ký môn hßc. Tßng k¿t Ch±¡ng 4. 96 CH¯¡NG 5 CÁC KHUY¾N NGHÞ. Các khuy¿n nghß trißn khai.

Khuy¿n nghß vß gi¿i pháp ánh giá hißu qu¿ hß thßng. Tßng k¿t Ch±¡ng 5. Tßng k¿t quá trình nghiên cÿu. Nhÿng óng góp mßi cÿa lu¿n án.

H¿n ch¿ và h±ßng phát trißn. 104 DANH MþC CÁC CÔNG TRÌNH KHOA HÞC à CÔNG BÞ. 106 TÀI LIÞU THAM KH¾O. 121 Dÿ lißu môn hßc.

121 Dÿ lißu ißm cußi kÿ. 121 Dÿ lißu sinh viên. 121 Dÿ lißu lßch sÿ ho¿t ßng trên khóa hßc trÿc tuy¿n. 122 Dÿ lißu ißm ánh giá quá trình trên khóa hßc trÿc tuy¿n.

122 vi DANH MþC Tþ VI¾T T¾T Tÿ vi¿t t¿t Ngh)a ti¿ng Anh Ngh)a ti¿ng Vißt AI Artificial Intelligence Trí tuß nhân t¿o API Application Programming Interface Các ph±¡ng thÿc, giao thÿc k¿t nßi vßi các ÿng dÿng và th± vißn BI Business Intelligence Trí tuß kinh doanh CDSS Collaborative Decision Support System Hß hß trÿ ra quy¿t ßnh cßng tác DAHE Integrated Framework for Data Khung tích hÿp phân tích dÿ lißu Analytics in Higher Education hßc t¿p b¿c ¿i hßc DFD Data Flow Diagram S¡ ß lußng dÿ lißu DSRM Design Science Research Methodology Ph±¡ng pháp lu¿n nghiên cÿu khoa hßc thi¿t k¿ DSS Decision Support System Hß hß trÿ ra quy¿t ßnh eCMBLC Elearning consult model based on Mô hình t± v¿n hßc t¿p trên hß learner community thßng ào t¿o trÿc tuy¿n dÿa trên cßng ßng ng±ßi hßc ETL Extract transform load Công cÿ trích xu¿t chuyßn ßi và t¿i dÿ lißu GDSS Group Decision Support System Hß hß trÿ ra quy¿t ßnh theo nhóm LALC Learning Analytics Life Cycle Vòng ßi phân tích hßc t¿p LMS Learning management system Hß thßng qu¿n lý hßc t¿p OLAP On-line Analytical Processing Xÿ lý phân tích trÿc tuy¿n PLS Personalized learning system Hß thßng hßc t¿p cá nhân hóa PRISMA Preferred reporting items for sytematic Ph±¡ng pháp phân lo¿i tßng hÿp reviews and meta-analyses tài lißu nghiên cÿu SSE The sum of the squared Euclidean Tßng bình ph±¡ng kho¿ng cách distances vii DANH MþC HÌNH Hình 1: Khung nghiên cÿu tßng quát cÿa lu¿n án .1: Quá trình tìm ki¿m và tßng hÿp tài lißu theo ph±¡ng pháp PRISMA .2: Khung phân lo¿i các nghiên cÿu .1: Ba chißu cÿa hß thßng thông tin .2: Phân lo¿i các hß hß trÿ ra quy¿t ßnh .3: Ki¿n trúc cÿa hß hß trÿ ra quy¿t ßnh .4: Ph±¡ng pháp ti¿p c¿n lai .5: Mô hình cßng ßng ng±ßi dùng a tiêu chí trong hß thßng t± v¿n thông tin .6: Qu¿n trß hß s¡ ng±ßi dùng trong hß thßng t± v¿n .7: Mô hình ánh giá hißu qu¿ cÿa hß thßng thông tin .8: Khung phân tích hßc t¿p LALC .9: Khung tích hÿp phân tích dÿ lißu trong giáo dÿc ¿i hßc (DAHE) .1: Mô hình phß bi¿n cÿa hß thßng ào t¿o trÿc tuy¿n ß các c¡ sß giáo dÿc ¿i hßc Vißt Nam hißn nay.2: Quá trình ra quy¿t ßnh cÿa ng±ßi hßc .3: Mô hình hß trÿ ra quy¿t ßnh trong ho¿t ßng hßc t¿p.4: Mô hình tích hÿp phân hß t± v¿n hßc t¿p .5: Mô hình ki¿n trúc-chÿc nng cÿa hß thßng t± v¿n hßc t¿p .6: C¡ ch¿ ho¿t ßng cÿa chÿc nng t± v¿n ng ký môn hßc .7: C¡ ch¿ ho¿t ßng cÿa chÿc nng t± v¿n cách thÿc hßc t¿p .8: C¡ ch¿ ho¿t ßng cÿa chÿc nng t± v¿n ng ký môn hßc k¿t hÿp vßi t± v¿n cách thÿc hßc t¿p .1: Quy trình thÿc nghißm nghiên cÿu cÿa lu¿n án .2: Quy trình xây dÿng và c¿p nh¿t hß s¡ ng±ßi hßc .3: Ph±¡ng pháp khuÿu tay xác ßnh sß cÿm (K) tßt nh¿t .4: Ph±¡ng pháp Silhouette Analysis xác ßnh sß cÿm K tßt nh¿t .5: Quy trình thÿ nghißm phân hß t± v¿n cách thÿc hßc t¿p .6: ß thß bißu dißn chß sß AOC và ROC trong thu¿t toán phân lßp .7: Mô hình c¡ ch¿ ho¿t ßng cÿa phân hß t± v¿n ng ký môn hßc và cách thÿc hßc t¿p .8: So sánh k¿t qu¿ thÿc nghißm các thu¿t toán t± v¿n .1: Mô hình ánh giá hißu qu¿ .100 ix DANH MþC B¾NG B¿ng 1.1: Tßng hÿp các nghiên cÿu vß t± v¿n dÿa trên nßi dung.2: B¿ng tßng hÿp các nghiên cÿu vß t± v¿n dÿa trên sÿ cßng tác .3: B¿ng tßng hÿp các nghiên cÿu vß hß thßng t± v¿n sÿ dÿng ph±¡ng pháp lai .1: Phân lo¿i hß hß trÿ ra quy¿t ßnh .2: Vector bißu dißn hß s¡ ¿c tr±ng cÿa ng±ßi dùng u ßi vßi các thß lo¿i sách .3: Vector bißu dißn ¿c tr±ng cÿa hai quyßn sách A và B .4: Ma tr¿n ánh giá .5: Các ßnh ngh)a ±ÿc ß xu¿t cho phân tích dÿ lißu trong giáo dÿc ¿i hßc 46 B¿ng 2.6: Ví dÿ vß phân tích ß mßi c¿p ß ÿng dÿng cÿa DAHE.1: C¿u trúc hß s¡ ¿c tr±ng cÿa ng±ßi hßc .2: Các ph±¡ng pháp lÿa chßn k¿t qu¿ t± v¿n khi khi nh¿n ±ÿc nhißu k¿t qu¿ t± v¿n khác nhau .1: Mô t¿ dÿ lißu thÿc nghißm .2: C¿u trúc t¿p tin danh mÿc các môn hßc .3: C¿u trúc t¿p tin dÿ lißu ißm cußi kÿ .4: C¿u trúc t¿p tin danh sách ng±ßi hßc.5: C¿u trúc t¿p tin lßch sÿ ho¿t ßng cÿa ng±ßi hßc .6: C¿u trúc t¿p tin k¿t qu¿ ánh giá quá trình hßc t¿p cÿa ng±ßi hßc.7: Minh hßa vß k¿t qu¿ phân lo¿i cách thÿc hßc t¿p cho môn hßc C¡ sß dÿ lißu .8: Các ph±¡ng pháp hu¿n luyßn dÿ lißu .