Tổng quan nghiên cứu

Dự báo quy mô tuyển sinh là nhiệm vụ chiến lược trong quản trị giáo dục, tác động trực tiếp đến việc cân đối ngân sách, quy hoạch cơ sở vật chất và phân bổ đội ngũ nhân sự. Tại Trường Trung học phổ thông Lê Quý Đôn (thành phố Cẩm Phả, tỉnh Quảng Ninh), cơ sở hạ tầng hiện có 20 phòng học, 5 phòng chức năng và thí nghiệm trên tổng diện tích 5.200 m2, cùng đội ngũ 44 cán bộ, giáo viên và nhân viên. Với quy mô đào tạo này, biến động số lượng học sinh đầu vào qua 20 năm (từ năm 2000 đến năm 2019) dao động phức tạp từ mức thấp nhất 242 học sinh đến đỉnh điểm 465 học sinh mỗi năm. Sự dao động phi tuyến này đặt ra thách thức lớn cho ban giám hiệu trong việc chủ động điều tiết nguồn lực và duy trì các chỉ số chất lượng cao, tiêu biểu là tỷ lệ tốt nghiệp hàng năm trên 98% và tỷ lệ trúng tuyển đại học, cao đẳng từ 50% đến trên 60%.

Mục tiêu cốt lõi của nghiên cứu là xây dựng và ứng dụng thử nghiệm mô hình mạng nơ-ron truyền thẳng nhiều lớp nhằm giải quyết bài toán dự báo tuyển sinh dạng chuỗi thời gian tại Trường Trung học phổ thông Lê Quý Đôn. Nghiên cứu tập trung giải quyết độ trễ và sai số của các phương pháp thống kê cổ điển khi xử lý tập dữ liệu biến thiên bất định. Phạm vi nghiên cứu bao quát dữ liệu tuyển sinh thực tế trong 20 năm liên tục và đề xuất thuật toán dự báo cho các giai đoạn tiếp theo. Kết quả đạt được mang ý nghĩa thực tiễn quan trọng, giúp tối ưu hóa chỉ số sai số bình phương trung bình và sai số phần trăm tuyệt đối trung bình xuống dưới 5%, cung cấp luận cứ khoa học tin cậy cho công tác ra quyết định của các nhà quản lý giáo dục.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết mạng nơ-ron nhân tạo kết hợp với lý thuyết dự báo chuỗi thời gian phi tuyến. Mô hình trung tâm được triển khai là mạng Perceptron đa lớp với thuật toán học lan truyền ngược sai số, được công bố và phát triển bởi các nhà khoa học Rumelhart và McClelland từ năm 1986. Kiến trúc mạng bao gồm 3 lớp chức năng: lớp đầu vào tiếp nhận các mẫu số liệu lịch sử, lớp ẩn thực hiện tính toán đặc trưng phi tuyến và lớp đầu ra cung cấp giá trị dự báo tuyển sinh.

Nghiên cứu vận dụng 5 khái niệm chuyên ngành then chốt:

  • Nơ-ron nhân tạo và hàm hoạt hóa: Đơn vị xử lý cơ bản mô phỏng nơ-ron sinh học, sử dụng các hàm truyền đạt phi tuyến như Sigmoid và Hyperbolic Tangent để biến đổi tổng tín hiệu đầu vào có trọng số.
  • Quá trình lan truyền ngược: Cơ chế truyền ngược độ nhạy sai số từ lớp ra về các lớp trước dựa trên quy tắc dây chuyền của đạo hàm riêng, nhằm liên tục cập nhật ma trận trọng số và độ lệch bias.
  • Hệ số học và hệ số quán tính: Hai tham số kiểm soát tốc độ hội tụ và giảm thiểu nguy cơ mắc kẹt tại điểm cực trị địa phương, thường được thiết lập trong khoảng từ 0,01 đến 0,5.
  • Chuỗi thời gian phi tuyến: Dãy số liệu thống kê theo thời gian chứa đựng đồng thời tính xu hướng, tính chu kỳ và các biến đổi ngẫu nhiên không tuân theo quy luật tuyến tính.
  • Độ đo sai số dự báo: Sử dụng hai chỉ số tiêu chuẩn là sai số bình phương trung bình và sai số tuyệt đối phần trăm trung bình để định lượng độ chính xác của mô hình.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu gồm toàn bộ 20 mẫu quan sát tuyển sinh liên tục từ năm 2000 đến năm 2019 của Trường Trung học phổ thông Lê Quý Đôn. Phương pháp chọn mẫu là chọn mẫu toàn bộ theo trình tự thời gian nhằm đảm bảo tính toàn vẹn của chuỗi dữ liệu. Tập dữ liệu được phân chia thành 70% dành cho huấn luyện mô hình và 30% dành cho kiểm tra, đánh giá độ chính xác tổng quát hóa.

Lý do lựa chọn mạng nơ-ron truyền thẳng nhiều lớp thay vì các mô hình tự hồi quy hay trung bình trượt tuyến tính xuất phát từ đặc tính biến động mạnh và phi tuyến của dữ liệu thực tế. Các phương pháp tuyến tính truyền thống thường san bằng dao động hoặc yêu cầu dung lượng mẫu rất lớn, trong khi mạng nơ-ron có khả năng tự học quy luật ngầm định từ chuỗi thời gian ngắn thông qua cơ chế xấp xỉ hàm phổ quát.

Quy trình phân tích được thiết kế qua các bước chuẩn hóa dữ liệu, xác định cửa sổ quan sát quá khứ từ 3 đến 6 năm và cửa sổ dự báo tương lai từ 1 đến 3 năm. Chương trình mô phỏng được lập trình hoàn chỉnh trên môi trường MATLAB R2019a trong khung thời gian hoàn thiện năm 2020, cho phép người dùng tùy biến số nơ-ron lớp ẩn từ 5 đến 15 đơn vị nhằm tìm ra cấu hình mạng tối ưu thông qua phương pháp thử và sai có kiểm soát.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã tiến hành huấn luyện và thử nghiệm đa tầng, mang lại 4 phát hiện quan trọng:

  • Thứ nhất, dữ liệu lịch sử ghi nhận biên độ dao động tuyển sinh của trường lên tới 223 học sinh, giữa mức thấp nhất 242 học sinh (năm 2006) và mức cao nhất 465 học sinh (năm 2009), với giá trị bình quân đạt khoảng 331 học sinh mỗi năm.
  • Thứ hai, kiến trúc mạng Perceptron đa lớp với 1 lớp ẩn gồm 10 nơ-ron, hệ số học 0,1 và tích hợp hệ số quán tính mang lại tốc độ hội tụ nhanh nhất sau 1.000 chu kỳ huấn luyện, giúp tối thiểu hóa hàm mục tiêu sai số.
  • Thứ ba, mô hình mạng nơ-ron đạt độ chính xác dự báo vượt trội với sai số phần trăm tuyệt đối trung bình ở mức 4,2%, thấp hơn rõ rệt so với phương pháp trung bình động giản đơn (sai số 14,8%) và phương pháp san bằng hàm mũ (sai số 9,6%).
  • Thứ tư, khi thiết lập khoảng thời gian quan sát quá khứ bằng 6 năm và cửa sổ dự báo bằng 3 năm, mô hình đạt sự cân bằng tối ưu giữa việc nắm bắt xu thế dài hạn và tránh hiện tượng quá khớp dữ liệu, giúp dự báo chuẩn xác số lượng tuyển sinh giai đoạn tiếp theo với độ lệch dưới 15 học sinh mỗi khóa.

Thảo luận kết quả

Khả năng dự báo vượt trội của mạng nơ-ron bắt nguồn từ cấu trúc liên kết phi tuyến giữa các lớp nơ-ron và thuật toán lan truyền ngược sai số. Cơ chế này tự động điều chỉnh trọng số kết nối để thích ứng với các bước nhảy đột ngột trong chuỗi số liệu tuyển sinh, khắc phục triệt để nhược điểm phản ứng chậm của mô hình trung bình động.

Kết quả thực nghiệm này củng cố các kết luận quốc tế của Desmond Chekwube Bartholomew (2018) tại Đại học FUTO Nigeria và nghiên cứu của Borah cùng cộng sự (2011) tại Ấn Độ, khẳng định mạng nơ-ron luôn mang lại độ chính xác cao hơn cây quyết định và các mô hình chuỗi thời gian tuyến tính. Tại Việt Nam, kết quả cũng tương thích với công trình dự báo giáo dục của các tác giả Dương Thu Trang và Thái Trung Hải.

Để trình bày trực quan kết quả, dữ liệu thực nghiệm được hiển thị thông qua biểu đồ đường so sánh tương quan giữa chuỗi số liệu thực tế 20 năm và đường cong dự báo sinh ra bởi mô hình. Đồng thời, bảng đối sánh hiệu năng tổng hợp các chỉ số sai số tuyệt đối qua từng năm học giúp các nhà quản trị dễ dàng quan sát mức độ sai lệch, khẳng định tính ổn định của giải thuật khi ứng dụng vào thực tiễn trường học.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, 4 khuyến nghị hành động cụ thể được đề xuất nhằm nâng cao hiệu quả quản trị giáo dục:

  • Triển khai ứng dụng phần mềm mô phỏng dự báo: Ban Giám hiệu nhà trường chỉ đạo Tổ Tin học tiếp nhận và cài đặt gói chương trình mô phỏng trên nền tảng MATLAB R2019a vào quý 2 năm 2021, duy trì mục tiêu sai số dự báo hàng năm dưới 5% để phục vụ công tác xây dựng kế hoạch năm học mới.
  • Quy hoạch cơ sở vật chất và phòng học bộ môn: Bộ phận Quản trị Cơ sở vật chất sử dụng kết quả dự báo quy mô học sinh trong biên độ 3 năm để lập phương án sửa chữa, nâng cấp hệ thống 20 phòng học hiện tại, bảo đảm diện tích tiêu chuẩn trên tổng mặt bằng 5.200 m2 trước thềm năm học 2022-2023.
  • Cơ cấu định biên và bồi dưỡng đội ngũ giáo viên: Ban Giám hiệu chủ động phối hợp với Sở Giáo dục và Đào tạo Quảng Ninh xây dựng kế hoạch tuyển dụng, bồi dưỡng chuyên môn trước tháng 5 hàng năm, nhằm duy trì vững chắc quy mô 44 cán bộ giáo viên với tỷ lệ trên chuẩn đạt trên 45% (hiện có 20 cán bộ trình độ thạc sĩ).
  • Mở rộng và chuẩn hóa cơ sở dữ liệu đầu vào: Tổ Hành chính - Tổng hợp định kỳ cập nhật số liệu học sinh tốt nghiệp trung học cơ sở trên địa bàn thành phố Cẩm Phả vào tháng 12 hàng năm, chuẩn hóa dữ liệu 2 chiều để gia tăng độ dài chuỗi huấn luyện, giúp mô hình thích ứng linh hoạt với các biến động dân số địa phương.

Đối tượng nên tham khảo luận văn

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

  • Ban Giám hiệu và cán bộ quản lý trường trung học phổ thông: Khai thác phương pháp dự báo khoa học để chủ động lập kế hoạch phân bổ lớp học, sắp xếp thời khóa biểu và dự trù ngân sách hoạt động hàng năm với độ chính xác cao.
  • Chuyên viên quản lý tại các Sở và Phòng Giáo dục và Đào tạo: Vận dụng mô hình chuỗi thời gian để phê duyệt chỉ tiêu tuyển sinh lớp 10, phân luồng học sinh sau trung học cơ sở và điều tiết nguồn lực giáo dục hợp lý trên quy mô toàn tỉnh hoặc thành phố.
  • Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính: Sử dụng luận văn như tài liệu tham khảo hoàn chỉnh về quy trình xây dựng mạng Perceptron đa lớp, kỹ thuật xử lý dữ liệu chuỗi thời gian ngắn và cách thức cài đặt thuật toán trên môi trường MATLAB.
  • Kỹ sư phát triển phần mềm và chuyên gia công nghệ giáo dục: Tham khảo kiến trúc module và thuật toán thực nghiệm để tích hợp tính năng phân tích dự báo thông minh vào các hệ thống thông tin quản lý trường học hiện đại.

Câu hỏi thường gặp

  • Mô hình mạng Perceptron đa lớp có ưu thế gì nổi bật so với các phương pháp dự báo truyền thống? Mô hình mạng nơ-ron sở hữu khả năng xấp xỉ phi tuyến mạnh mẽ và tự động học các quy luật phức tạp từ dữ liệu quá khứ. Trong thực tế thử nghiệm với 20 năm số liệu tuyển sinh, mô hình đạt sai số phần trăm tuyệt đối chỉ 4,2%, vượt trội hoàn toàn so với mức sai số 14,8% của phương pháp trung bình động giản đơn.

  • Vì sao nghiên cứu chọn chuỗi thời gian 1 đặc trưng thay vì tích hợp nhiều biến số xã hội? Đặc thù tuyển sinh trung học phổ thông công lập tại địa phương chịu ảnh hưởng của các yếu tố khó định lượng như tâm lý phụ huynh hoặc chính sách phân luồng biến động. Chuỗi số liệu 20 năm đã phản ánh tổng hòa các tác động này, giúp mô hình tinh gọn, tránh quá tải tham số và giảm thiểu sai số tính toán.

  • Giải pháp nào được áp dụng để tránh hiện tượng mạng bị kẹt tại cực trị địa phương? Thuật toán lan truyền ngược được bổ sung thành phần quán tính Momentum cùng việc lựa chọn hệ số học thích hợp trong khoảng từ 0,01 đến 0,5. Kỹ thuật này giúp vector trọng số vượt qua các điểm dốc thoai thoải và cực tiểu cục bộ, bảo đảm quá trình huấn luyện hội tụ về điểm tối ưu toàn cục.

  • Cấu hình quan sát quá khứ 6 năm và dự báo 3 năm có ý nghĩa thực tế như thế nào? Khung quan sát 6 năm cung cấp đủ thông tin về chu kỳ tốt nghiệp và biến động dân số ngắn hạn mà không làm loãng dữ liệu huấn luyện. Cửa sổ dự báo 3 năm tương ứng chính xác với một chu kỳ học tập 3 năm của cấp trung học phổ thông, hỗ trợ đắc lực cho kế hoạch tài chính dài hạn.

  • Kết quả của mô hình có khả năng nhân rộng sang các cơ sở giáo dục khác không? Mô hình hoàn toàn có thể chuyển giao và áp dụng hiệu quả cho các trường trung học phổ thông khác. Quá trình triển khai chỉ yêu cầu thay thế tệp dữ liệu tuyển sinh đầu vào tối thiểu từ 15 đến 20 năm và tiến hành tinh chỉnh tham số lớp ẩn thông qua phần mềm đã được đóng gói.

Kết luận

Nghiên cứu đã hoàn thành toàn diện các mục tiêu khoa học và ứng dụng thực tiễn thông qua 5 kết quả nổi bật:

  • Hệ thống hóa cơ sở lý thuyết về mạng nơ-ron nhân tạo, thuật toán lan truyền ngược sai số và các phương pháp phân tích chuỗi thời gian phi tuyến.
  • Phân tích chi tiết đặc thù chuỗi số liệu tuyển sinh 20 năm (2000-2019) tại Trường Trung học phổ thông Lê Quý Đôn với các chỉ số thống kê xác thực.
  • Xây dựng thành công mô hình mạng Perceptron đa lớp đạt sai số tuyệt đối trung bình 4,2%, tối ưu hơn 35% so với phương pháp thống kê cổ điển.
  • Thiết kế và thử nghiệm hoàn chỉnh phần mềm mô phỏng dự báo trên nền tảng MATLAB R2019a với giao diện tùy biến trực quan và linh hoạt.
  • Đề xuất hệ thống khuyến nghị đồng bộ về quản trị, cơ sở vật chất và nhân sự phục vụ trực tiếp cho lộ trình phát triển giai đoạn 2021–2025.

Đóng góp chính của luận văn là đã chứng minh tính khả thi và độ tin cậy vượt trội của việc ứng dụng trí tuệ nhân tạo vào bài toán quản lý giáo dục phổ thông. Trong giai đoạn 2021-2023, hệ thống cần tiếp tục được mở rộng để tích hợp thêm các nguồn dữ liệu đa chiều. Các cơ sở giáo dục và nhà nghiên cứu quan tâm có thể khai thác trực tiếp mô hình này để nâng cao chất lượng hoạch định chiến lược và quản trị đào tạo trong thời đại số hóa.