Nghiên cứu phát triển kỹ thuật lấy mẫu cho bài toán dự đoán điểm sinh viên đại học

Luận văn thạc sĩ nghiên cứu phát triển kỹ thuật lấy mẫu trong hệ thống thông tin quản lý để dự đoán điểm sinh viên đại học hiệu quả.

• Tác giả: Trần Thị Thu Trang
• Người hướng dẫn: PGS. Thoại Nam
• Trường học: Trường Đại Học Bách Khoa - Đại Học Quốc Gia TP.HCM
• Chuyên ngành: Hệ Thống Thông Tin Quản Lý
• Đề tài: Nghiên Cứu, Phát Triển Kỹ Thuật Lấy Mẫu Phục Vụ Cho Bài Toán Dự Đoán Điểm Sinh Viên Đại Học
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH VÀ BIỂU ĐỒ
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Giới thiệu đề tài
• 1.1.1. Giới thiệu vấn đề cần nghiên cứu
• 1.2. Đối tượng nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Mục tiêu nghiên cứu
• 1.5. Nội dung nghiên cứu
• 1.6. Ý nghĩa khoa học
• 1.7. Ý nghĩa thực tiễn của luận văn
• 1.7.1. Ý nghĩa thực tiễn đối với nhà trường
• 1.7.2. Ý nghĩa thực tiễn đối với sinh viên đại học
• 1.8. Cấu trúc luận văn
• 1.9. Kết luận chương 1
• 2. CHƯƠNG 2: TỔNG QUAN NGHIÊN CỨU
• 2.1. Một số khái niệm
• 2.1.1. Lấy mẫu (Sampling) là gì ?
• 2.1.2. Cây quyết định (Decision Trees)
• 2.1.3. Kỹ thuật xuống đồi (Gradient descent)
• 2.2. Ưu điểm, nhược điểm lấy mẫu theo thống kê truyền thống
• 2.3. Phân biệt các phương pháp Lấy mẫu
• 2.4. Phương pháp Lấy mẫu theo nhóm (Clustering Sampling)
• 2.5. Phương pháp dự đoán điểm sinh viên đại học
• 2.5.1. Thuật toán Gradient Boosting tổng quát
• 2.5.2. Hoạt động của mô hình tăng cường độ dốc (Gradient Boosting model)
• 2.5.3. Hoạt động của mô hình XGBoost
• 2.6. Đánh giá độ chính xác của mô hình dự đoán
• 2.7. Các công trình nghiên cứu nổi bật trong giáo dục đại học
• 2.8. Kết luận chương 2
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ GIẢI PHÁP
• 3.1. Mô tả bài toán
• 3.2. Các đặc trưng của dữ liệu sinh viên đại học Bách Khoa
• 3.3. Phân bố điểm sinh viên đại học Bách Khoa
• 3.4. Độ xiên (skewness) và Kurtosis điểm của sinh viên
• 3.5. Xây dựng mô hình dự đoán điểm sinh viên
• 3.5.1. Kiến trúc tổng quan của bài toán
• 3.5.2. Các bước thực hiện Tiền xử lý dữ liệu
• 3.6. Giải pháp cho bài toán
• 3.7. Kết luận chương 3
• 4. CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. Thực nghiệm dự đoán điểm sinh viên
• 4.1.1. Tiền xử lý dữ liệu
• 4.2. Đánh giá độ chính xác của mô hình dự đoán điểm
• 4.2.1. Phương pháp Gradient Boosting Regression
• 4.2.2. Phương pháp XGBoost
• 4.3. Kết luận chương 4
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Đối chiếu mục tiêu và nội dung nghiên cứu
• 5.2. Thuận lợi khi thực hiện đề tài
• 5.2.1. Thuận lợi của đề tài
• 5.2.1.1. Đã có đề tài nghiên cứu trước về dữ liệu sinh viên đại học Bách Khoa
• 5.2.2. Khó khăn khi thực hiện đề tài
• 5.3. Hướng phát triển đề tài
• 5.4. Kết luận chung
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC: BẢNG ĐỐI CHIẾU THUẬT NGỮ ANH - VIỆT

Tóm tắt

I. Giới thiệu đề tài

Nghiên cứu này tập trung vào việc phát triển kỹ thuật lấy mẫu nhằm dự đoán điểm sinh viên trong hệ thống thông tin quản lý. Trong bối cảnh hiện nay, việc ứng dụng dữ liệu sinh viên vào công tác quản lý và dự báo kết quả học tập còn nhiều hạn chế. Do đó, việc nghiên cứu và phát triển các phương pháp lấy mẫu phù hợp là cần thiết. Mục tiêu chính của nghiên cứu là tìm hiểu và áp dụng các kỹ thuật lấy mẫu trong thống kê và học máy để xây dựng mô hình dự đoán điểm số sinh viên. Đặc biệt, nghiên cứu sẽ sử dụng dữ liệu từ trường Đại học Bách Khoa - ĐHQG TPHCM trong giai đoạn từ năm 2014 đến năm 2017. Việc này không chỉ giúp cải thiện chất lượng dự đoán mà còn hỗ trợ cho các quyết định quản lý giáo dục tại trường.

1.1 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận văn là kết quả học tập của sinh viên hệ Đại học chính quy tại trường Đại học Bách Khoa. Phạm vi nghiên cứu bao gồm dữ liệu điểm số từ năm 2014 đến 2017, nhằm phân tích các đặc trưng của dữ liệu và xây dựng mô hình dự đoán. Sự lựa chọn này giúp đảm bảo tính đại diện của dữ liệu và khả năng áp dụng cho các nghiên cứu tương lai. Nghiên cứu sẽ tập trung vào việc phân tích các đặc điểm của dữ liệu như độ thưa, mật độ phân bố, và các mối quan hệ tương quan đa biến, từ đó xây dựng mô hình dự đoán điểm của sinh viên một cách hiệu quả.

II. Tổng quan nghiên cứu

Chương này sẽ trình bày các khái niệm cơ bản về kỹ thuật lấy mẫu và các phương pháp phân tích dữ liệu hiện có. Việc lựa chọn phương pháp lấy mẫu phù hợp là rất quan trọng trong nghiên cứu giáo dục. Các phương pháp như lấy mẫu theo nhóm và phân tích dữ liệu sẽ được thảo luận chi tiết. Nghiên cứu sẽ xem xét các ưu điểm và nhược điểm của từng phương pháp, từ đó đưa ra hướng đi phù hợp cho việc dự đoán điểm sinh viên. Đặc biệt, mô hình dự đoán sẽ được xây dựng dựa trên các thuật toán như Gradient Boosting và XGBoost, giúp tối ưu hóa độ chính xác của kết quả dự đoán.

2.1 Kỹ thuật lấy mẫu trong giáo dục

Kỹ thuật lấy mẫu trong giáo dục có vai trò quan trọng trong việc thu thập dữ liệu. Việc lựa chọn mẫu đại diện sẽ giúp đảm bảo rằng dữ liệu thu thập được có thể áp dụng cho các phân tích và dự đoán. Các phương pháp như lấy mẫu ngẫu nhiên và lấy mẫu theo nhóm sẽ được phân tích. Mỗi phương pháp có ưu điểm và hạn chế riêng, và việc lựa chọn phương pháp phù hợp sẽ ảnh hưởng lớn đến kết quả nghiên cứu. Ngoài ra, chương này cũng sẽ đề cập đến các công trình nghiên cứu nổi bật trong lĩnh vực giáo dục đại học, từ đó rút ra bài học cho nghiên cứu hiện tại.

III. Phân tích và giải pháp

Trong chương này, nghiên cứu sẽ đi sâu vào việc phân tích dữ liệu sinh viên từ trường Đại học Bách Khoa. Dữ liệu sẽ được mô tả chi tiết, bao gồm phân bố điểm và các đặc trưng khác như độ xiên và kurtosis. Việc phân tích này sẽ giúp hiểu rõ hơn về cấu trúc dữ liệu và từ đó xây dựng mô hình dự đoán điểm số. Các bước thực hiện tiền xử lý dữ liệu cũng sẽ được trình bày, nhằm đảm bảo rằng dữ liệu đầu vào cho mô hình là chất lượng và có tính đại diện cao.

3.1 Mô tả bài toán và dữ liệu

Bài toán dự đoán điểm sinh viên sẽ được mô tả chi tiết, bao gồm các yếu tố ảnh hưởng đến điểm số và cách thức thu thập dữ liệu. Dữ liệu sinh viên sẽ được phân tích để xác định các đặc trưng quan trọng, từ đó xây dựng mô hình dự đoán hiệu quả. Việc này không chỉ giúp cải thiện độ chính xác của dự đoán mà còn hỗ trợ các quyết định quản lý giáo dục. Hệ thống thông tin quản lý sẽ được áp dụng để theo dõi và đánh giá kết quả học tập của sinh viên, từ đó đưa ra các giải pháp kịp thời.

IV. Kết quả và đánh giá

Chương này sẽ trình bày các kết quả đạt được từ mô hình dự đoán điểm sinh viên. Việc đánh giá độ chính xác của mô hình sẽ được thực hiện thông qua các chỉ số đánh giá như độ chính xác, độ nhạy, và độ đặc hiệu. Các phương pháp như Gradient Boosting Regression và XGBoost sẽ được so sánh để xác định phương pháp nào mang lại kết quả tốt hơn. Ngoài ra, những khó khăn và thuận lợi trong quá trình thực hiện nghiên cứu cũng sẽ được thảo luận.

4.1 Đánh giá độ chính xác của mô hình

Đánh giá độ chính xác của mô hình dự đoán là một bước quan trọng để xác định tính khả thi của phương pháp đã chọn. Các chỉ số như MSE (Mean Squared Error) và R² (Coefficient of Determination) sẽ được sử dụng để đo lường hiệu quả của mô hình. Kết quả sẽ cho thấy mức độ chính xác của dự đoán và khả năng áp dụng trong thực tiễn. Sự so sánh giữa các phương pháp sẽ giúp xác định phương pháp tối ưu cho việc dự đoán điểm sinh viên.

V. Kết luận

Nghiên cứu này đã chỉ ra tầm quan trọng của việc áp dụng kỹ thuật lấy mẫu trong việc dự đoán điểm sinh viên đại học. Kết quả nghiên cứu không chỉ có giá trị khoa học mà còn có ý nghĩa thực tiễn cao trong việc hỗ trợ quản lý giáo dục và cải thiện kết quả học tập của sinh viên. Các khuyến nghị cho các nghiên cứu tiếp theo cũng sẽ được đưa ra, nhằm tiếp tục phát triển và hoàn thiện mô hình dự đoán. Việc này sẽ góp phần nâng cao chất lượng giáo dục đại học tại Việt Nam.

5.1 Hướng phát triển đề tài

Nghiên cứu mở ra hướng đi mới cho việc áp dụng kỹ thuật lấy mẫu trong giáo dục. Các nghiên cứu tiếp theo có thể tập trung vào việc mở rộng dữ liệu và áp dụng các phương pháp học máy tiên tiến hơn để cải thiện độ chính xác của dự đoán. Bên cạnh đó, việc tích hợp các yếu tố khác như tâm lý học sinh viên và phương pháp giảng dạy cũng có thể là một hướng nghiên cứu thú vị trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh chuyển đổi số giáo dục đại học theo định hướng đào tạo tín chỉ, việc khai thác dữ liệu học tập để nâng cao chất lượng đào tạo đang trở thành yêu cầu cấp thiết. Tại các cơ sở giáo dục quy mô lớn như Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, nguồn dữ liệu điểm số tích lũy qua nhiều năm là vô cùng đồ sộ nhưng chưa được khai thác tối đa để phục vụ công tác quản lý và hỗ trợ người học. Nghiên cứu của học viên Trần Thị Thu Trang dưới sự hướng dẫn khoa học của Phó Giáo sư Thoại Nam tập trung giải quyết bài toán cốt lõi: nghiên cứu và phát triển kỹ thuật lấy mẫu dữ liệu kết hợp mô hình học máy nhằm dự đoán sớm điểm số môn học của sinh viên đại học.

Bộ dữ liệu thực nghiệm bao gồm 60.610 bản ghi điểm môn học từ 2.995 dòng dữ liệu của sinh viên hệ đại học chính quy giai đoạn 2014–2017 thuộc 12 khoa chuyên ngành và 2 trung tâm đào tạo trực thuộc nhà trường. Mục tiêu trọng tâm của luận văn là xây dựng một tập dữ liệu huấn luyện tinh gọn nhưng vẫn bảo đảm tính đại diện cao, từ đó tối ưu hóa thời gian huấn luyện và duy trì độ chính xác cao cho mô hình dự đoán.

Về mặt ý nghĩa thực tiễn, mô hình cung cấp công cụ cảnh báo sớm nguy cơ trượt môn đối với các học phần có điểm tổng kết dưới 5.0, đồng thời hỗ trợ sinh viên định hướng đăng ký học phần tự chọn phù hợp để cải thiện điểm trung bình tích lũy toàn khóa. Đối với nhà trường, kết quả nghiên cứu là căn cứ thực nghiệm giúp phòng đào tạo và cố vấn học tập điều chỉnh phương pháp giảng dạy, hoàn thiện chuẩn đầu ra và tối ưu hóa quy trình tư vấn học vụ dựa trên các chỉ số sai số định lượng như RMSE và MAE.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nền tảng lý thuyết của luận văn được xây dựng dựa trên sự kết hợp chặt chẽ giữa lý thuyết điều tra chọn mẫu thống kê và các giải thuật học máy có giám sát tiên tiến. Về mặt thống kê, nghiên cứu kế thừa nguyên lý chọn mẫu khảo sát hiện đại khởi nguồn từ các công trình kinh điển của Jerzy Neyman, thiết lập phương pháp lấy mẫu theo nhóm có kiểm soát nhằm phản ánh trung thực đặc tính của toàn bộ quần thể dữ liệu giáo dục.

Về mặt học máy, nghiên cứu khai thác 2 mô hình học tăng cường độ dốc chủ đạo:

• Mô hình Gradient Boosting Regression: Phương pháp học chuỗi tuần tự kết hợp các cây quyết định yếu để liên tục bù đắp sai số của các bước lặp trước đó thông qua việc tối ưu hàm mất mát bằng kỹ thuật xuống đồi.
• Thuật toán XGBoost: Phiên bản mở rộng của Gradient Boosting với khả năng xây dựng cây song song, kiểm soát hiện tượng quá khớp bằng hàm phạt chính quy hóa và hỗ trợ xử lý dữ liệu dạng bảng với tốc độ tính toán vượt trội.

Các khái niệm then chốt được chuẩn hóa trong luận văn bao gồm: kỹ thuật lấy mẫu theo cụm, hàm mất mát tối ưu hóa, phân phối độ xiên và độ nhọn của dữ liệu điểm số, cùng hệ thống 4 thước đo đánh giá sai số mô hình hồi quy gồm MAE, MSE, RMSE và hệ số xác định R bình phương.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp thu thập từ hệ thống quản lý đào tạo của Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, bao gồm toàn bộ kết quả học tập của sinh viên chính quy từ năm 2014 đến năm 2017. Quá trình tiền xử lý dữ liệu được tiến hành nghiêm ngặt căn cứ theo Quyết định số 3502/QĐ-ĐHBK-ĐT ngày 25/11/2015 và Quyết định số 2905/ĐHBK-ĐT ngày 22/9/2017 của nhà trường.

Quy trình xử lý và chọn mẫu thực nghiệm diễn ra theo các giai đoạn sau:

• Bước 1: Làm sạch dữ liệu thông qua việc loại bỏ các bản ghi của sinh viên bảo lưu hoặc thôi học, quy đổi thang điểm chữ sang thang điểm 10 số học, xử lý các trường hợp điểm 0 bất thường và chuẩn hóa mã định danh của 12 khoa và 2 trung tâm đào tạo.
• Bước 2: Phân nhóm môn học dựa trên chương trình đào tạo, chia tách 58 môn học chung (bao gồm khối kiến thức Toán, Khoa học tự nhiên, Lý luận chính trị, Giáo dục thể chất và Ngoại ngữ) với nhóm các môn học chuyên ngành của từng khoa riêng biệt.
• Bước 3: Áp dụng kỹ thuật lấy mẫu theo cụm để tạo lập tập dữ liệu huấn luyện có kích thước nhỏ gọn nhưng bảo toàn tính phân bố đại diện của từng chuyên ngành.
• Bước 4: Huấn luyện và tinh chỉnh siêu tham số trên mô hình Gradient Boosting và XGBoost, sử dụng kỹ thuật kiểm định chéo để đo lường độ chính xác dự đoán điểm số trên từng phân nhóm dữ liệu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thống kê mô tả trên toàn bộ dữ liệu điểm số sinh viên Trường Đại học Bách Khoa Thành phố Hồ Chí Minh ghi nhận chỉ số độ xiên đạt xấp xỉ -0,6375 và chỉ số độ nhọn đạt khoảng 0,343. Kết quả này phản ánh phân phối điểm số của sinh viên có dạng bất đối xứng lệch trái, với phần lớn điểm số tập trung ở mức trung bình khá và độ nhọn thấp hơn phân phối chuẩn.

Quá trình làm sạch dữ liệu và loại bỏ các điểm 0 không hợp lệ đã giúp chuẩn hóa đáng kể đồ thị phân bố điểm của 12 khoa chuyên môn, giảm thiểu tối đa hiện tượng nhiễu dữ liệu cục bộ tại các khoa có lượng sinh viên đông như Khoa Cơ khí, Khoa Điện – Điện tử và Khoa Khoa học và Kỹ thuật Máy tính.

Thực nghiệm phân nhóm 58 môn học đại cương chung cho thấy việc tách biệt mô hình dự đoán môn chung toàn trường với mô hình dự đoán môn chuyên ngành từng khoa giúp nâng cao hiệu suất đáng kể. Cụ thể, mô hình XGBoost áp dụng trên tập mẫu phân nhóm đạt mức sai số tuyệt đối trung bình MAE thấp hơn khoảng 12% đến 18% so với mô hình huấn luyện trên toàn bộ dữ liệu gộp không qua chọn mẫu.

So sánh giữa hai thuật toán hồi quy cho thấy XGBoost thể hiện ưu thế vượt trội so với Gradient Boosting truyền thống về cả độ chính xác dự đoán và thời gian thực thi, với chỉ số sai số toàn phương trung bình RMSE luôn duy trì ở mức tối ưu trên hầu hết các tập dữ liệu môn học chuyên ngành.

Thảo luận kết quả

Sự vượt trội của phương pháp lấy mẫu theo nhóm xuất phát từ tính tương đồng cao trong phân bố điểm của 58 môn học đại cương giữa các khoa, trong khi các môn chuyên ngành lại mang đặc thù riêng biệt về độ khó và phương pháp đánh giá của từng bộ môn. Khi dữ liệu được gom nhóm hợp lý, mô hình học máy tránh được hiện tượng phân tán trọng số và tập trung khai thác các mối tương quan cục bộ mạnh mẽ.

Trên phương diện biểu diễn trực quan, kết quả nghiên cứu chứng minh tính hữu dụng của biểu đồ hộp (boxplot) và biểu đồ phân phối tần suất (histogram) trong việc nhận diện ngưỡng điểm bất thường và đối sánh chất lượng học tập giữa 14 đơn vị đào tạo trực thuộc. Đồ thị phân phối trước và sau tiền xử lý phản ánh rõ rệt sự biến mất của các đỉnh nhọn nhân tạo tại điểm 0, đưa dữ liệu về dạng tiệm cận phân phối chuẩn mượt mà hơn.

Kết quả thực nghiệm này hoàn toàn tương đồng với các công trình nghiên cứu nổi bật trên thế giới. Điển hình là nghiên cứu của Hjorth-Jensen và Caballero khi ứng dụng XGBoost để dự đoán tiến độ học tập đại học tại Hoa Kỳ, cũng như nghiên cứu tổng hợp của Caro Silva và Morales Rodríguez về sức mạnh của phương pháp học kết hợp (Ensemble Learning). Luận văn đã củng cố phát hiện của tác giả Song về khả năng khai phá dữ liệu học tập dạng bảng của thuật toán cây tăng cường, đồng thời đóng góp giải pháp lấy mẫu đặc thù phù hợp với cơ cấu đào tạo tín chỉ tại Việt Nam.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu thành các giải pháp ứng dụng thiết thực trong quản trị đại học, luận văn đề xuất 4 khuyến nghị trọng tâm sau:

• Triển khai hệ thống cảnh báo sớm học vụ tự động tích hợp thuật toán XGBoost vào cổng thông tin đào tạo của nhà trường, đặt mục tiêu giảm 15% tỷ lệ sinh viên bị cảnh cáo học vụ hàng năm thông qua việc phát hiện sớm các nguy cơ điểm học phần dưới 5.0 ngay từ tuần học thứ tư, do Phòng Đào tạo và Trung tâm Dữ liệu chủ trì thực hiện trong vòng 12 tháng.
• Chuẩn hóa quy trình tiền xử lý và phân loại nhóm 58 môn học đại cương trên toàn trường, duy trì chỉ số sai số dự đoán MAE dưới ngưỡng 0,45 điểm đối với các môn cơ bản như Giải tích, Vật lý và Đại số tuyến tính, thực hiện định kỳ vào đầu mỗi học kỳ bởi Ban chủ nhiệm các Khoa và Cố vấn học tập.
• Nâng cấp nền tảng hỗ trợ tư vấn đăng ký môn học cá nhân hóa cho hơn 20.000 sinh viên, cung cấp tính năng gợi ý các môn học tự chọn phù hợp với năng lực tích lũy nhằm nâng cao điểm trung bình chung toàn khóa, do Phòng Công tác Sinh viên phối hợp cùng các đơn vị chuyên môn hoàn thiện trong giai đoạn 2024–2025.
• Thiết lập cơ chế kiểm định định kỳ sự biến động của các chỉ số Skewness và Kurtosis trong phân phối điểm của từng khoa chuyên ngành, bảo đảm tính công bằng và nhất quán trong đánh giá học phần giữa các bộ môn, do Hội đồng Đảm bảo Chất lượng trường giám sát thường niên từ quý 4 năm 2023.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị tham khảo thiết thực cho 4 nhóm đối tượng chính:

• Cán bộ quản lý đào tạo và Ban giám hiệu các trường đại học: Nắm bắt phương pháp luận lấy mẫu dữ liệu khoa học để xây dựng hệ thống phân tích học tập (Learning Analytics), từ đó hoạch định chính sách tuyển sinh, phân bổ giảng viên và cải tiến khung chương trình đào tạo theo tín chỉ.
• Giảng viên và Cố vấn học tập tại các khoa chuyên ngành: Sử dụng kết quả dự báo điểm số làm căn cứ định lượng để tư vấn lộ trình học tập cho sinh viên, chủ động can thiệp và hỗ trợ các nhóm sinh viên có học lực yếu kém trước các kỳ thi quan trọng.
• Sinh viên đại học các khối ngành kỹ thuật và quản trị: Hiểu rõ cơ chế phân bố điểm số và mức độ ảnh hưởng của các học phần nền tảng, từ đó tự xây dựng chiến lược học tập thông minh và lựa chọn môn học tự chọn phù hợp với năng lực bản thân.
• Chuyên viên phân tích dữ liệu và các nhà nghiên cứu trong lĩnh vực khai phá dữ liệu giáo dục: Tham khảo quy trình tiền xử lý dữ liệu thực tế, giải pháp kết hợp lý thuyết chọn mẫu thống kê với giải thuật XGBoost và Gradient Boosting trên dữ liệu giáo dục đại học tại Việt Nam.

Câu hỏi thường gặp

• Kỹ thuật lấy mẫu theo nhóm (Clustering Sampling) trong luận văn mang lại lợi ích cụ thể nào? Phương pháp lấy mẫu theo nhóm giúp phân chia 60.610 bản ghi thành các cụm môn học chung và môn chuyên ngành đồng nhất. Cách tiếp cận này giúp giảm quy mô tập dữ liệu huấn luyện, tiết kiệm tài nguyên tính toán nhưng vẫn duy trì tính đại diện cao, giúp mô hình dự đoán đạt độ chính xác ổn định mà không cần xử lý toàn bộ dữ liệu thô cồng kềnh.

• Tại sao thuật toán XGBoost lại đạt hiệu quả vượt trội hơn so với Gradient Boosting truyền thống? Thuật toán XGBoost tích hợp cơ chế tính toán song song, tối ưu hóa bộ nhớ đệm và bổ sung các hàm phạt chính quy hóa nhằm chống quá khớp. Trong thực nghiệm với dữ liệu điểm số đại học, XGBoost xử lý các biến phân loại và giá trị khuyết tật tốt hơn, mang lại chỉ số RMSE và MAE tối ưu hơn hẳn so với Gradient Boosting tuần tự.

• Dữ liệu điểm số sinh viên đã được tiền xử lý như thế nào trước khi đưa vào mô hình? Quá trình tiền xử lý tuân thủ Quyết định số 3502/QĐ-ĐHBK-ĐT, bao gồm: loại bỏ sinh viên tạm dừng học, chuẩn hóa các trường dữ liệu, chuyển đổi điểm chữ sang thang điểm 10, loại bỏ hoặc quy đổi các điểm 0 không phản ánh đúng năng lực và mã hóa các biến phân loại thành dạng số phục vụ học máy.

• Ý nghĩa của chỉ số Skewness đạt -0,6375 và Kurtosis đạt 0,343 trong nghiên cứu là gì? Chỉ số Skewness âm (-0,6375) chứng minh phân bố điểm số lệch trái, cho thấy phần lớn sinh viên đạt điểm trên mức trung bình. Chỉ số Kurtosis (0,343) thấp hơn chuẩn 3.0 cho thấy đỉnh phân phối phẳng hơn thông thường, khẳng định điểm số có độ phân tán rộng và đòi hỏi mô hình học máy phải có khả năng tổng quát hóa cao.

• Mô hình dự đoán này có thể chuyển giao và áp dụng cho các cơ sở giáo dục đại học khác không? Hoàn toàn có thể áp dụng. Toàn bộ khung quy trình từ làm sạch dữ liệu, phân nhóm 58 môn đại cương đến huấn luyện giải thuật XGBoost đều được chuẩn hóa theo quy chế đào tạo tín chỉ chung của Bộ Giáo dục và Đào tạo, cho phép các trường đại học khác dễ dàng kế thừa và tùy biến trên tập dữ liệu nội bộ.

Kết luận

• Luận văn đã giải quyết thành công bài toán dự đoán sớm điểm số học phần cho sinh viên đại học thông qua việc kết hợp sáng tạo giữa kỹ thuật lấy mẫu theo nhóm trong thống kê và giải thuật học máy tiên tiến.
• Khai thác hiệu quả tập dữ liệu thực tế gồm 60.610 bản ghi điểm của 2.995 sinh viên chính quy thuộc 12 khoa và 2 trung tâm đào tạo tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh giai đoạn 2014–2017.
• Chứng minh tính vượt trội của giải thuật XGBoost so với Gradient Boosting truyền thống trong việc tối ưu hóa độ chính xác và giảm thiểu sai số hồi quy MAE và RMSE trên các tập dữ liệu môn học phân nhóm.
• Đóng góp giải pháp thực tiễn hỗ trợ đắc lực cho công tác quản lý đào tạo, xây dựng hệ sinh thái cảnh báo sớm học vụ và nâng cao năng lực tự định hướng lộ trình học tập của sinh viên.
• Định hướng phát triển tiếp theo của đề tài trong giai đoạn 2024–2026 là mở rộng tích hợp các đặc trưng hành vi học tập trực tuyến và thử nghiệm các kiến trúc mạng nơ-ron học sâu để nâng cao hơn nữa năng lực dự báo trong môi trường giáo dục số.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu đề tài GVHD: PGS. Thoại Nam Từ đó, nêu lên những giải pháp đề xuất chọn mẫu dữ liệu và xây dựng mô hình phân tích dựa vào học máy cho bài toán dự đoán điểm số của sinh viên dựa trên dữ liệu quá khứ của sinh viên đã học. Chương 4: Kết quả và đánh giá Từ những phân tích và đề xuất giải pháp trong chương 3, nội dung chính của chương này trình bày các thực nghiệm và những kết quả đạt được khi thực hiện gom nhóm lấy mẫu dữ liệu và xây dựng mô hình phân tích dự báo kết quả học tập của sinh viên Đại học của trường Đại học Bách Khoa - ĐHQG - TPHCM. Đánh giá kết quả thực hiện việc lấy mẫu dữ liệu và phân tích dự đoán điểm sinh viên đại học.

Chương 5: Kết luận Tóm lại các nội dung đã trình bày trong các chương, khẳng định lại các vấn đề cần nghiên cứu, đánh giá lại những mặt còn tồn đọng, và nêu lên các đề xuất phát triển trong tương lai. Kết luận chương 1 Phân tích dự đoán kết quả học tập của sinh viên là một lĩnh vực đang được nhiều sự quan tâm, nghiên cứu và vận dụng để cải thiện chất lượng giáo dục, đào tạo hiện nay tại Việt Nam nói chung và Đại học Bách Khoa - ĐHQG - TPHCM nói riêng. Phương pháp lấy mẫu trong thống kê và lấy mẫu dữ liệu để phân tích trong machine learning đóng vai trò quan trọng trong việc giảm chi phí, thời gian và độ phức tạp tính toán, đồng thời đảm bảo đại diện dữ liệu và đưa ra kết quả chính xác. Với mục tiêu vận dụng cơ sở lý thuyết về kỹ thuật lấy mẫu dữ liệu cho phân tích dữ liệu và học máy để đưa ra phương án chọn mẫu dữ liệu phù hợp với bộ dữ liệu điểm sinh viên đại học Bách Khoa và dự đoán kết quả học tập của sinh viên Đại học Bách Khoa khi lựa chọn đăng ký môn học.

Từ đó, đưa ra kết luận giúp cho các trường đại học đang sẵn có dữ liệu điểm sinh viên đại học có thể chọn mẫu dữ liệu tốt nhất, phù hợp với bộ dữ liệu của trường mình. Và nghiên cứu này cũng làm cơ sở tiền đề cho các nghiên cứu tiếp theo trong lĩnh vực giáo dục đại học trong thời gian sắp tới. HV: Trần Thị Thu Trang Trang 6 / 61 Chương 2: Cơ sở lý thuyết GVHD: PGS. Thoại Nam CHƯƠNG 2: TỔNG QUAN NGHIÊN CỨU Nội dung chính của chương này trình bày các kiến thức tổng quan về kiến thức nền tảng, cơ sở lý thuyết để thực hiện luận văn.

Là cơ sở nền tảng cho các phân tích, giải pháp giải quyết ở các chương tiếp theo Gồm các nội dung chính như sau: ➢ Một số khái niệm ➢ Ưu điểm, nhược điểm các phương pháp lấy mẫu theo thống kê truyền thống ➢ Phân biệt phương pháp Lấy mẫu ➢ Phương pháp lấy mẫu theo nhóm ➢ Phương pháp dự đoán điểm sinh viên đại học ➢ Đánh giá độ chính xác của mô hình dự đoán ➢ Các công trình nghiên cứu nổi bật trong giáo dục đại học HV: Trần Thị Thu Trang Trang 7 / 61 Chương 2: Cơ sở lý thuyết GVHD: PGS. Thoại Nam CHƯƠNG 2: TỔNG QUAN NGHIÊN CỨU 2. Một số khái niệm 2. Lấy mẫu (Sampling) là gì ? Theo lý thuyết điều tra chọn mẫu (theory of sample surveys) nhằm mục đích lựa chọn một mẫu đơn vị để đại diện cho một tổng thể lớn hơn.

Sự ra đời của phương pháp đại diện bắt nguồn từ [3], người đề xuất tạo ra các ước tính bằng cách sử dụng mẫu các thành phố và cá nhân được kiểm soát không ngẫu nhiên, thay vì điều tra dân số. Nhưng điều này thực sự với Neyman [4] rằng những điều cơ bản của lấy mẫu khảo sát hiện đại đã được ổn định. Neyman đề xuất một thiết lập chặt chẽ cho các khảo sát ngẫu nhiên, đặt nền móng cho các khảo sát xác suất nhưng có kiểm soát, cho phép kiểm soát thống kê độ chính xác của các công cụ ước tính [1]. “Lấy mẫu là một phương pháp cho phép lấy thông tin về tổng thể (population) dựa trên số liệu thống kê từ một tập hợp con của tổng thể (mẫu) mà không cần phải điều tra từng cá nhân” [20].

1: Định nghĩa Lấy mẫu Tuy nhiên, trong học máy có giám sát và không giám sát trong Machine Learning có thể lấy mẫu [1] theo các dạng sau: ➢ Phương pháp lấy mẫu ngẫu nhiên đơn giản ➢ Lấy mẫu với xác suất không bằng nhau ➢ Thuộc tính thống kê của thiết kế lấy mẫu HV: Trần Thị Thu Trang Trang 8 / 61 Chương 2: Cơ sở lý thuyết GVHD: PGS. 2: Supervised machine learning [24] 2. Cây quyết định (Decision Trees) Cây quyết định tạo ra một mô hình dự đoán nhãn bằng cách đánh giá cây câu hỏi đặc trưng nếu-thì-khác đúng/sai và ước tính số lượng câu hỏi tối thiểu cần thiết để đánh giá xác suất đưa ra quyết định đúng. Cây quyết định có thể được sử dụng để phân loại để dự đoán một danh mục hoặc hồi quy để dự đoán một giá trị số liên tục [24].

Hàm mất mát (Loss function) Hàm mất mát là một trong những tham số cần thiết để xác định mức độ gần của một mạng neuron cụ thể đối với trọng số trong quá trình đào tạo 2. Kỹ thuật xuống đồi (Gradient descent) Kỹ thuật xuống đồi (Gradient descent) là “kỹ thuật có thể giúp sự biến thiên của một hàm số luôn là giảm (xuống đồi) dựa trên sự thay đổi của các tham số cấu tạo nên hàm số này” [8]. Gradient Descent là cơ sở của nhiều trình tối ưu hoá và là một trong những thuật toán tối ưu hoá phổ biến nhất trong Machine Learning và Deep learning. HV: Trần Thị Thu Trang Trang 9 / 61 Chương 2: Cơ sở lý thuyết GVHD: PGS.

Thoại Nam Gradient descent sử dụng đạo hàm cấp một (gradient) của loss function khi cập nhật các tham số. Gradient cho độ dốc của một hàm tại thời điểm đó. Quá trình này bao gồm chuỗi dẫn xuất của giá trị mất mát (loss value) của từng tầng ẩn (hidden layer) từ các dẫn xuất của loss value của lớp trên nó, kết hợp chức năng kích hoạt trong phép tính toán. Trong mỗi lần lặp lại, khi tất cả các neuron có giá trị của gradient của loss funtion tương ứng với chúng, giá trị của tham số được cập nhật theo hướng ngược lại với các giá trị được chỉ ra bởi gradient.

• Mục tiêu: tìm vector các tham số sao cho tối ưu hoá hàm mục tiêu cụ thể P* = arg min P  ( P) • Phương pháp Gradient descent:  ( P)  Gradient: g = { g } = {  P = Pm−1}  m jm  Pi  Parameters: Pm = − m g m Learning rate:  m = arg min   ( Pm −1 −  g m ) =  m=0 Pm * M Target parameters: P Như vậy, kết quả của gradient descent là kết hợp các trọng số (weight) của các độ dốc (gradient). HV: Trần Thị Thu Trang Trang 10 / 61 Chương 2: Cơ sở lý thuyết GVHD: PGS. Ưu điểm, nhược điểm lấy mẫu theo thống kê truyền thống Bảng 2. 1: Ưu điểm, khuyết điểm lấy mẫu theo thống kê truyền thống Phương pháp Ưu điểm Nhược điểm chọn mẫu Cần phải có một danh sách của các Dễ thực hiện, tính khách đơn vị mẫu.

Không dùng được cho Ngẫu quan cao. mẫu lớn hoặc mẫu dao động. nhiên Có thể lồng ghép vào tất Mẫu được chọn có thể phân tán khó đơn cả các kỹ thuật chọn mẫu thu thập. giản xác suất phức tạp khác.

Có khả năng bỏ sót vài nhóm trong tổng thể. Nhanh, dễ thực hiện. Độ Chọn chính xác cao, chọn đối Có thể bị trùng lặp, dẫn đến mẫu thiếu mẫu hệ tượng theo mục đích điều tính đại diện thống tra. Tính đại diện cao hơn.

Chọn Độ chính xác cao. Tính đại Cần thiết lập khung mẫu cho từng mẫu diện cao hơn và dễ quản lý tầng. Điều này thường khó thực hiện phân mẫu ngẫu nhiên đơn giản. trong thực tế.

tầng Chọn Áp dụng cho phạm vi rộng Tổng thể phải lớn. Nếu cùng cỡ mẫu mẫu lớn, độ phân tán cao. tính đại diện hoặc tính chính xác thấp theo Dễ chọn và chi phí rẻ hơn. hơn mẫu ngẫu nhiên đơn giản.

cụm Chọn Hiệu quả trong việc thu Mức độ chủ quan cao. Kết quả nghiên mẫu thập dữ liệu sơ cấp. Hiệu cứu không bao giờ có thể đại diện nhiều quả về chi phí và thời gian. Sự hiện diện của thông tin cấp bậc Mức độ linh hoạt cao.

nhóm là bắt buộc. HV: Trần Thị Thu Trang Trang 11 / 61 Chương 2: Cơ sở lý thuyết GVHD: PGS. Phân biệt các phương pháp Lấy mẫu Bảng 2. 2: Phân biệt các phương pháp Lấy mẫu Lấy mẫu trong Thống kê Lấy mẫu trong Học máy Lấy mẫu trong Học máy Thống kê truyền thống (Statistics) (Machine Learning) (Statistical Machine Learning hoặc Statistical Learning) Phương pháp Phụ thuộc vào dữ liệu (data-driven) Phụ thuộc vào dữ liệu (data-driven) Phụ thuộc vào dữ liệu (data-driven) Việc học Học từ dữ liệu mà không cần hướng Dựa trên rule-based programming và chính thức hoá dữ liệu dẫn được lập trình rõ ràng dưới dạng mối quan hệ giữa các biến (relationship (Learning) Không có (programmed instructions) between variables) Ngữ cảnh Được sử dụng trong lĩnh vực thống Áp dụng các phương pháp thống kê trong việc xây kê truyền thống Xây dựng và huấn luyện mô hình dựng mô hình machine learning Rút ra các kết luận về đặc điểm và thông tin của quần thể dựa trên một Tập trung vào việc chọn một tập dữ mẫu đại diện liệu huấn luyện từ tập dữ liệu ban Xây dựng mô hình dự đoán có hiệu suất cao trên dữ Mục đích - Sử dụng để ước lượng các tham số đầu để xây dựng mô hình hoặc học liệu mới (Purpose) và tính toán khoảng tin cậy, sai số, thuật và độ tin cậy của các ước lượng đối với quần thể - Tạo ra tập dữ liệu huấn luyện để xây dựng mô hình có tính đại diện, Ước lượng và đánh giá thông tin về tổng quát để mô hình có khả năng - Tạo ra một tập dữ liệu huấn luyện có tính tổng quát Mục tiêu quần thể gồm các tham số, tổng tổng quát hoá tốt và khả năng đại diện cho quần thể dữ liệu ban đầu chính quan hoặc mô hình của quần thể - Đảm bảo mô hình được huấn - Sử dụng các phương pháp thống kê để hiểu rõ hơn và (Goal) (population) dữ liệu ban đầu luyện trên đủ các trường hợp và có tối ưu hóa các thuật toán Machine Learning, thông qua khả năng tổng quát hóa tốt trên dữ việc xác định mẫu, quy tắc, và đặc trưng quan trọng, liệu mới đánh giá và so sánh các mô hình.