Nghiên cứu mạng nơ ron và ứng dụng trong dự báo tuyển sinh tại trường THPT Lê Quý Đôn

Luận văn thạc sĩ toán học nghiên cứu hay nghiên cứu mạng nơ ron và ứng dụng trong bài toán dự báo tuyển sinh trường thpt lê quý đôn, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Nguyễn Thị Thơ
• Người hướng dẫn: TS. Nguyễn Đình Dũng
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu mạng nơ ron và ứng dụng trong bài toán dự báo tuyển sinh trường THPT Lê Quý Đôn
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN BÀI TOÁN DỰ BÁO TUYỂN SINH
• 1.1. Tổng quan về dự báo
• 1.1.1. Khái niệm về dự báo
• 1.1.2. Mục đích của dự báo
• 1.1.3. Những thách thức trong phân tích dự báo
• 1.1.4. Phân loại các dự báo
• 1.1.5. Đánh giá mô hình dự báo
• 1.2. Dự báo dữ liệu chuỗi thời gian
• 1.2.1. Giới thiệu
• 1.2.2. Một số phương pháp dự báo chuỗi thời gian
• 1.2.3. Bài toán dự báo tuyển sinh
• 1.2.4. Kết luận chương
• 2. CHƯƠNG 2: MẠNG NƠ RON NHÂN TẠO VÀ BÀI TOÁN DỰ BÁO
• 2.1. Các khái niệm chung về mạng nơron
• 2.1.1. Mạng nơron sinh học
• 2.1.2. Mạng nơron nhân tạo
• 2.1.3. Mô hình toán học và kiến trúc mạng nơron
• 2.1.4. Phân loại mạng nơ ron
• 2.1.5. Huấn luyện mạng nơron
• 2.2. Mạng nơron MLP và ứng dụng trong bài toán dự báo
• 2.2.1. Kiến trúc mạng
• 2.2.2. Huấn luyện mạng
• 2.2.3. Các yếu tố ảnh hưởng đến hoạt động của mạng MLP
• 2.2.4. Ưu nhược điểm và một số vấn đề của mạng nơron nhiều lớp
• 2.3. Một số hướng nghiên cứu về bài toán dự báo tuyển sinh sử dụng mạng nơ ron
• 2.3.1. Các nghiên cứu trên thế giới
• 2.3.2. Các nghiên cứu trong nước
• 2.4. Xây dựng mô hình dự báo tuyển sinh sử dụng mạng nơ ron MLP
• 2.4.1. Mô tả bài toán
• 2.4.2. Các bước thực hiện
• 2.5. Kết luận chương
• 3. CHƯƠNG 3: XÂY DỰNG CHƯƠNG TRÌNH MÔ PHỎNG DỰ BÁO TUYỂN SINH ỨNG DỤNG MẠNG NƠ RON MLP
• 3.1. Giới thiệu về Trường THPT Lê Quý Đôn
• 3.2. Phát biểu bài toán
• 3.3. Xây dựng phần mềm mô phỏng
• 3.3.1. Môi trường cài đặt
• 3.3.2. Cài đặt các chức năng con
• 3.3.3. Kết quả hoạt động
• 3.4. Một số kết quả kiểm thử
• 3.5. Đánh giá hoạt động của mô hình dự báo sử dụng mạng MLP với một số mô hình khác
• 3.6. Kết luận chương
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu mạng nơ ron và dự báo tuyển sinh

Nghiên cứu mạng nơ ron đã trở thành một lĩnh vực quan trọng trong khoa học máy tính và ứng dụng thực tiễn. Đặc biệt, việc ứng dụng mạng nơ ron trong bài toán dự báo tuyển sinh tại Trường THPT Lê Quý Đôn không chỉ giúp cải thiện chất lượng dự báo mà còn hỗ trợ trong việc đưa ra các quyết định chiến lược. Mạng nơ ron nhân tạo, với khả năng học từ dữ liệu lớn, đã chứng minh được hiệu quả của mình trong nhiều lĩnh vực, bao gồm giáo dục.

1.1. Khái niệm về mạng nơ ron và ứng dụng trong giáo dục

Mạng nơ ron là một mô hình toán học mô phỏng cách thức hoạt động của não bộ con người. Trong giáo dục, mạng nơ ron có thể được sử dụng để phân tích dữ liệu tuyển sinh, từ đó dự đoán số lượng học sinh sẽ nhập học trong các năm tiếp theo.

1.2. Tầm quan trọng của dự báo tuyển sinh tại Trường THPT Lê Quý Đôn

Dự báo tuyển sinh không chỉ giúp nhà trường lập kế hoạch tài chính mà còn hỗ trợ trong việc phân bổ nguồn lực giáo viên và cơ sở vật chất. Việc áp dụng mạng nơ ron vào dự báo tuyển sinh sẽ giúp nâng cao độ chính xác và hiệu quả trong công tác quản lý.

II. Những thách thức trong việc dự báo tuyển sinh bằng mạng nơ ron

Mặc dù mạng nơ ron mang lại nhiều lợi ích trong việc dự báo tuyển sinh, nhưng vẫn tồn tại một số thách thức cần được giải quyết. Những thách thức này bao gồm việc thu thập và xử lý dữ liệu, cũng như việc lựa chọn mô hình phù hợp để đảm bảo độ chính xác cao nhất.

2.1. Khó khăn trong việc thu thập dữ liệu tuyển sinh

Việc thu thập dữ liệu tuyển sinh từ nhiều nguồn khác nhau có thể gặp khó khăn do tính không đồng nhất của dữ liệu. Điều này có thể ảnh hưởng đến độ chính xác của mô hình dự báo.

2.2. Lựa chọn mô hình mạng nơ ron phù hợp

Có nhiều loại mô hình mạng nơ ron khác nhau, và việc lựa chọn mô hình phù hợp cho bài toán dự báo tuyển sinh là rất quan trọng. Mô hình không phù hợp có thể dẫn đến kết quả dự báo không chính xác.

III. Phương pháp xây dựng mô hình dự báo tuyển sinh bằng mạng nơ ron

Để xây dựng mô hình dự báo tuyển sinh hiệu quả, cần thực hiện các bước từ việc thu thập dữ liệu, tiền xử lý dữ liệu đến việc huấn luyện mô hình mạng nơ ron. Mỗi bước đều đóng vai trò quan trọng trong việc đảm bảo độ chính xác của dự báo.

3.1. Quy trình thu thập và tiền xử lý dữ liệu

Quy trình này bao gồm việc thu thập dữ liệu từ các nguồn khác nhau, sau đó tiến hành làm sạch và chuẩn hóa dữ liệu để đảm bảo tính đồng nhất và chính xác trước khi đưa vào mô hình.

3.2. Huấn luyện mô hình mạng nơ ron

Sau khi dữ liệu đã được chuẩn bị, mô hình mạng nơ ron sẽ được huấn luyện bằng cách sử dụng các thuật toán học sâu. Quá trình này giúp mô hình học hỏi từ dữ liệu và cải thiện khả năng dự đoán.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn tại Trường THPT Lê Quý Đôn

Kết quả nghiên cứu cho thấy việc áp dụng mạng nơ ron trong dự báo tuyển sinh đã mang lại những kết quả tích cực. Mô hình không chỉ giúp dự đoán chính xác số lượng học sinh mà còn hỗ trợ trong việc lập kế hoạch tài chính và phân bổ nguồn lực.

4.1. Kết quả dự báo và phân tích dữ liệu

Mô hình đã cho ra kết quả dự báo chính xác với sai số thấp, cho phép nhà trường có cái nhìn rõ ràng hơn về xu hướng tuyển sinh trong tương lai.

4.2. Ứng dụng kết quả vào quản lý giáo dục

Kết quả dự báo đã được sử dụng để lập kế hoạch tuyển sinh, phân bổ giáo viên và cải thiện cơ sở vật chất, từ đó nâng cao chất lượng giáo dục tại trường.

V. Kết luận và hướng phát triển trong nghiên cứu mạng nơ ron

Nghiên cứu mạng nơ ron và ứng dụng trong dự báo tuyển sinh tại Trường THPT Lê Quý Đôn đã mở ra nhiều cơ hội mới cho việc cải thiện chất lượng giáo dục. Hướng phát triển trong tương lai có thể bao gồm việc áp dụng các công nghệ mới và cải tiến mô hình dự báo.

5.1. Hướng phát triển công nghệ trong dự báo

Việc áp dụng các công nghệ mới như học máy và trí tuệ nhân tạo sẽ giúp nâng cao độ chính xác của mô hình dự báo trong tương lai.

5.2. Tích hợp mạng nơ ron vào hệ thống quản lý giáo dục

Tích hợp mạng nơ ron vào hệ thống quản lý giáo dục sẽ giúp tối ưu hóa quy trình ra quyết định và nâng cao hiệu quả quản lý tại các trường học.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh chuyển đổi số và quản lý giáo dục hiện đại, công tác dự báo tuyển sinh đóng vai trò then chốt giúp các cơ sở giáo dục chủ động xây dựng chiến lược phát triển, phân bổ ngân sách và quy hoạch nguồn nhân lực. Tại Trường Trung học phổ thông Lê Quý Đôn (thành phố Cẩm Phả, tỉnh Quảng Ninh), trải qua 29 năm xây dựng và phát triển kể từ năm 1991, quy mô đào tạo liên tục thay đổi với diện tích 5.200 m2, 20 phòng học tiêu chuẩn và đội ngũ 44 cán bộ, giáo viên. Tuy nhiên, số lượng học sinh nhập học hàng năm có sự biến động phức tạp và phi tuyến tính rõ rệt, dao động từ mức thấp nhất là 242 học sinh vào năm 2006 lên mức đỉnh điểm 465 học sinh vào năm 2009. Sự chênh lệch lên tới 92,1% giữa các giai đoạn đặt ra thách thức lớn đối với công tác điều phối cơ sở vật chất và phân công giảng dạy.

Nghiên cứu của tác giả Nguyễn Thị Thơ, dưới sự hướng dẫn của Tiến sĩ Nguyễn Đình Dũng tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên (năm 2020), đã tập trung giải quyết bài toán này. Mục tiêu cụ thể của luận văn là nghiên cứu, thiết kế và thử nghiệm mô hình mạng nơ-ron nhân tạo Perceptron đa lớp (MLP) kết hợp thuật toán lan truyền ngược (Backpropagation) để dự báo chính xác số lượng học sinh tuyển sinh. Phạm vi nghiên cứu được xác định dựa trên chuỗi dữ liệu lịch sử liên tục 20 năm từ năm 2000 đến năm 2019 tại Trường THPT Lê Quý Đôn. Ý nghĩa của đề tài thể hiện qua việc giảm thiểu sai số dự báo bình phương trung bình (MSE) và sai số phần trăm tuyệt đối trung bình (MAPE) xuống dưới mức sai số của các phương pháp thống kê cổ điển, tạo tiền đề nâng cao hiệu quả quản trị học đường đạt độ chuẩn xác trên 90%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết phân tích chuỗi thời gian phi tuyến tính và lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Network - ANN). Trong phân tích chuỗi thời gian, đại lượng cần dự báo tại thời điểm tương lai được biểu diễn như một hàm phi tuyến phụ thuộc vào tập hợp các giá trị quan sát trong quá khứ. Khung lý thuyết trung tâm của luận văn là mô hình mạng Perceptron đa lớp (MLP), một kiến trúc mạng nơ-ron truyền thẳng bao gồm một lớp vào tiếp nhận tín hiệu, một hoặc nhiều lớp ẩn thực hiện trích xuất đặc trưng và một lớp ra cung cấp giá trị dự báo.

Mô hình hoạt động dựa trên 3 khái niệm toán học cốt lõi:

• Nơ-ron nhân tạo và hàm truyền đạt: Mỗi nơ-ron tổng hợp tín hiệu vào có trọng số kết hợp với độ lệch thế hiệu dịch (bias) theo công thức toán học, sau đó chuyển đổi qua các hàm hoạt hóa phi tuyến như hàm Log-sigmoid hoặc Hyperbolic Tangent Sigmoid để tạo kết xuất.
• Thuật toán lan truyền ngược sai số: Cơ chế huấn luyện có giám sát dựa trên phương pháp giảm độ dốc vi phân (Gradient Descent). Thuật toán áp dụng quy tắc đạo hàm chuỗi (Chain Rule) để truyền ngược sai số từ lớp ra về các lớp ẩn, từ đó hiệu chỉnh ma trận trọng số liên kết nhằm cực tiểu hóa hàm sai số bình phương trung bình (MSE).
• Hệ số học và hệ số quán tính: Hệ số học điều chỉnh bước nhảy cập nhật trọng số trong khoảng từ 0,01 đến 0,5; kết hợp cùng hệ số quán tính nhằm tăng tốc độ hội tụ và hỗ trợ mạng thoát khỏi các điểm cực trị cục bộ.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu là tập dữ liệu chuỗi thời gian thực tế gồm 20 mẫu quan sát hàng năm về quy mô tuyển sinh của Trường THPT Lê Quý Đôn giai đoạn 2000-2019. Phương pháp chọn mẫu áp dụng kỹ thuật cửa sổ trượt (sliding window) theo chuỗi thời gian với độ dài lịch sử quan sát n bước và khoảng cách dự báo s bước. Toàn bộ tập dữ liệu được phân chia thành 3 phần rõ ràng: tập huấn luyện (training set) chiếm 70% tổng số mẫu nhằm tối ưu trọng số mạng; tập kiểm tra (test set) chiếm 20% nhằm đánh giá khả năng tổng quát hóa; và tập kiểm định (validation set) chiếm 10% còn lại để kiểm tra độ tin cậy độc lập.

Lý do lựa chọn mạng nơ-ron MLP thay vì các phương pháp truyền thống như mô hình tự hồi quy (AR), trung bình trượt (MA), ARMA hay san bằng hàm mũ bắt nguồn từ bản chất phi tuyến phức tạp của dữ liệu giáo dục. Các phương pháp thống kê tuyến tính thường đòi hỏi giả định khắt khe về tính dừng và có xu hướng phản ứng chậm với những biến động đột ngột. Ngược lại, mạng MLP sở hữu năng lực học sâu từ dữ liệu, tự động xấp xỉ hàm phi tuyến bất kỳ mà không cần biết trước quy luật phân phối. Toàn bộ chương trình mô phỏng được lập trình và thực nghiệm trên môi trường phần mềm MATLAB R2019a với giao diện tương tác đồ họa hoàn chỉnh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm mô phỏng trên nền tảng MATLAB R2019a đã đem lại những phát hiện quan trọng về cấu trúc mạng và độ chính xác dự báo:

Thứ nhất, mô hình mạng nơ-ron MLP thể hiện sự vượt trội về độ chính xác so với các mô hình dự báo chuỗi thời gian truyền thống. Sai số bình phương trung bình (MSE) của mạng MLP giảm hơn 45% so với mô hình trung bình động và giảm 52% so với phương pháp trung bình giản đơn khi kiểm thử trên cùng tập dữ liệu 20 năm.

Thứ hai, số lượng nơ-ron tại lớp ẩn có ảnh hưởng quyết định đến khả năng thích ứng của mạng. Kết quả thử nghiệm khi thay đổi số nơ-ron lớp ẩn từ 3, 5, 8, 10 đến 15 cho thấy cấu trúc với 8 đến 10 nơ-ron ẩn đem lại kết quả tối ưu nhất. Khi số nơ-ron ẩn nhỏ hơn 5, mạng rơi vào trạng thái thiếu khớp (underfitting) với sai số MSE cao; ngược lại, khi số nơ-ron vượt quá 12, mạng xuất hiện hiện tượng thừa ăn khớp (overfitting) khiến sai số trên tập kiểm tra tăng thêm 18,4%.

Thứ ba, việc lựa chọn khoảng thời gian quan sát trước n đóng vai trò cốt lõi trong việc duy trì bộ nhớ dài hạn của chuỗi dữ liệu. Khi thiết lập n = 6 đến n = 10 năm, mô hình nắm bắt trọn vẹn xu hướng chu kỳ tuyển sinh 3-5 năm của nhà trường, đạt sai số phần trăm tuyệt đối trung bình (MAPE) dưới mức 4,5%.

Thứ tư, thuật toán lan truyền ngược kết hợp hệ số quán tính momentum giúp giảm thiểu thời gian huấn luyện xuống còn 500 đến 800 chu kỳ lặp (epochs), ngăn chặn hiệu quả tình trạng mạng bị tắc nghẽn tại các điểm cực tiểu cục bộ (local minima).

Thảo luận kết quả

Sự biến động mạnh của chuỗi số liệu tuyển sinh từ mức 247 học sinh (năm 2002) lên 421 học sinh (năm 2004) hay từ 277 học sinh (năm 2008) vọt lên 465 học sinh (năm 2009) phản ánh rõ nét tác động của các yếu tố kinh tế - xã hội tại địa bàn khai thác than Cẩm Phả và chính sách phân luồng giáo dục THCS. Dữ liệu thực nghiệm này khi được trực quan hóa qua biểu đồ đường xu hướng và đồ thị hội tụ sai số (Error Convergence Plot) đã chứng minh đường cong dự báo của mạng MLP bám sát chặt chẽ đường giá trị thực tế qua từng năm.

So sánh với các nghiên cứu quốc tế, kết quả này hoàn toàn tương đồng với công trình nghiên cứu của Desmond Bartholomew (năm 2018) tại Đại học FUTO và các công bố tại Đại học Sebha (năm 2009), khẳng định mạng nơ-ron nhân tạo luôn đạt độ chính xác cao hơn cây quyết định C4.5/C5.0 và mô hình hồi quy tuyến tính trong bài toán dự báo sinh viên. So với nghiên cứu trong nước của Dương Thu Trang với mạng MLP 10 nơ-ron ẩn, mô hình đề xuất trong luận văn đã tối ưu hóa linh hoạt cả hai tham số n và s trên giao diện phần mềm, cho phép người quản lý chủ động dự báo trước 1 đến 3 năm học tiếp theo với độ tin cậy vững chắc.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu lý thuyết và thực nghiệm mô phỏng, luận văn đưa ra 4 giải pháp hành động cụ thể nhằm nâng cao hiệu quả quản trị giáo dục:

Thứ nhất, tích hợp phần mềm mô phỏng dự báo MLP vào hệ thống quản lý học đường điện tử. Ban Giám hiệu phối hợp với Tổ Tin học hoàn thành việc cài đặt và chuyển giao phần mềm trong vòng 3 tháng, giúp rút ngắn thời gian xây dựng kế hoạch tuyển sinh hàng năm từ 10 ngày làm việc xuống dưới 1 giờ với độ chính xác đạt trên 95%.

Thứ hai, chuẩn hóa quy trình thu thập và tiền xử lý dữ liệu đầu vào định kỳ. Bộ phận Hành chính – Tổng hợp chịu trách nhiệm cập nhật liên tục cơ sở dữ liệu học sinh nhập học, kết quả tốt nghiệp THCS trên địa bàn phường Quang Hanh vào tháng 6 hàng năm, đảm bảo 100% dữ liệu chuỗi thời gian được chuẩn hóa về đoạn từ 0 đến 1 trước khi đưa vào huấn luyện mô hình.

Thứ ba, thiết lập cơ chế tái huấn luyện mạng nơ-ron (re-training) sau mỗi kỳ tuyển sinh. Chuyên viên quản trị hệ thống thực hiện hiệu chỉnh ma trận trọng số mạng định kỳ 12 tháng/lần vào đầu mỗi năm học mới, duy trì kích thước cửa sổ quan sát n = 10 nhằm kiểm soát sai số tuyệt đối trung bình luôn ổn định dưới ngưỡng 5%.

Thứ tư, ứng dụng kết quả dự báo 3 năm (s = 3) vào công tác quy hoạch cơ sở vật chất và đào tạo đội ngũ. Hội đồng trường căn cứ vào dự báo số lượng học sinh để chủ động phân bổ nguồn vốn đầu tư nâng cấp 20 phòng học, 3 phòng thí nghiệm đa năng và xây dựng lộ trình bồi dưỡng nâng cao trình độ cho 44 cán bộ, giáo viên, ngăn ngừa tình trạng quá tải sĩ số hoặc lãng phí ngân sách nhà nước.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và thực tiễn phong phú cho 4 nhóm đối tượng chính:

Nhóm 1 - Ban Giám hiệu và các nhà quản lý trường học phổ thông: Cung cấp công cụ khoa học hỗ trợ ra quyết định chiến lược, giúp lập kế hoạch chỉ tiêu tuyển sinh, phân bổ lớp học và dự trù kinh phí hoạt động cho chu kỳ 1-3 năm học tiếp theo một cách chuẩn xác.

Nhóm 2 - Chuyên viên kế hoạch và hoạch định chính sách tại Sở/Phòng GD&ĐT: Sử dụng phương pháp luận chuỗi thời gian phi tuyến để xây dựng mô hình dự báo quy mô học sinh trên toàn địa bàn quận, huyện, tỉnh; làm căn cứ phân bổ chỉ tiêu công lập và đầu tư cơ sở hạ tầng giáo dục vùng miền.

Nhóm 3 - Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Hệ thống thông tin: Tài liệu tham khảo hữu ích về kỹ thuật thiết kế mạng Perceptron đa lớp, giải thuật tối ưu lan truyền ngược sai số và phương pháp xử lý dữ liệu chuỗi thời gian nhỏ bằng phần mềm MATLAB.

Nhóm 4 - Kỹ sư phát triển phần mềm công nghệ giáo dục (EdTech): Khai thác thuật toán và cấu trúc module chương trình để tích hợp các tính năng phân tích dự đoán thông minh vào hệ thống phần mềm quản lý trường học hiện đại.

Câu hỏi thường gặp

1. Tại sao mạng nơ-ron MLP lại vượt trội hơn các mô hình thống kê cổ điển trong dự báo tuyển sinh?

Mô hình thống kê cổ điển như AR hay MA giả định mối quan hệ tuyến tính và tính dừng của dữ liệu, khiến chúng kém nhạy bén trước biến động bất thường. Mạng MLP với các hàm kích hoạt phi tuyến có khả năng tự học các quy luật ngầm phức tạp, giúp giảm sai số MSE hơn 45% so với phương pháp trung bình động.

2. Chuỗi dữ liệu 20 năm có đủ độ lớn để huấn luyện mạng nơ-ron nhân tạo hiệu quả không?

Với kích thước mẫu 20 năm, việc lựa chọn mạng sâu nhiều lớp ẩn sẽ dễ gây thừa ăn khớp. Luận văn đã giải quyết bằng cách áp dụng mạng 3 lớp với số nơ-ron ẩn giới hạn từ 8 đến 10 kết hợp kỹ thuật trượt cửa sổ n = 6 đến n = 10, đảm bảo mạng hội tụ chuẩn xác và đạt độ tổng quát hóa cao.

3. Làm thế nào để giải quyết tình trạng mạng nơ-ron bị mắc kẹt tại điểm cực tiểu cục bộ?

Thuật toán lan truyền ngược nguyên bản dễ bị rơi vào cực tiểu địa phương. Nghiên cứu đã bổ sung hệ số quán tính momentum vào công thức cập nhật trọng số và thử nghiệm nhiều bộ trọng số khởi tạo ban đầu ngẫu nhiên, giúp mạng vượt qua các điểm dốc cạn và đạt điểm tối ưu toàn cục.

4. Người sử dụng không chuyên về lập trình có thể vận hành chương trình mô phỏng không?

Hoàn toàn có thể. Chương trình được thiết kế giao diện đồ họa GUI thân thiện trên nền MATLAB R2019a. Người quản lý chỉ cần nhập dữ liệu tuyển sinh, chọn tham số n và s bằng vài thao tác chuột trực quan là có thể xuất ngay bảng kết quả và biểu đồ dự báo chi tiết.

5. Mô hình này có thể mở rộng để dự báo các chỉ số giáo dục khác không?

Có. Cấu trúc mô hình và mã nguồn hoàn toàn có thể tái sử dụng để dự báo tỷ lệ học sinh đỗ tốt nghiệp, tỷ lệ thi đỗ đại học (hiện đạt 50% đến 60% tại trường) hoặc dự báo nhu cầu biên chế giáo viên cho các trường THCS và THPT trên cả nước.

Kết luận

• Luận văn đã giải quyết trọn vẹn bài toán dự báo tuyển sinh phi tuyến tính thông qua việc ứng dụng thành công mạng nơ-ron truyền thẳng nhiều lớp MLP kết hợp giải thuật lan truyền ngược sai số.
• Khai thác hiệu quả chuỗi dữ liệu thực nghiệm 20 năm (2000-2019) tại Trường THPT Lê Quý Đôn, chứng minh tính ưu việt của mô hình AI so với các phương pháp thống kê truyền thống với sai số MAPE dưới 5%.
• Xây dựng thành công phần mềm mô phỏng chuyên dụng trên nền tảng MATLAB R2019a, hỗ trợ đắc lực việc trực quan hóa số liệu và tùy biến linh hoạt các tham số dự báo theo nhu cầu thực tế.
• Đưa ra quy trình chuẩn hóa tham số cấu trúc mạng (8-10 nơ-ron lớp ẩn, cửa sổ quan sát n = 10), tạo khuôn mẫu khoa học tin cậy cho việc xử lý các tập dữ liệu chuỗi thời gian quy mô vừa và nhỏ.
• Cung cấp cơ sở khoa học vững chắc giúp Ban Giám hiệu và các cơ quan quản lý giáo dục địa phương chủ động hoạch định chiến lược đầu tư cơ sở vật chất và phân bổ đội ngũ cán bộ giáo viên bền vững.

Trong giai đoạn 2021-2025, hướng phát triển tiếp theo của nghiên cứu là mở rộng tích hợp các yếu tố đầu vào đa chiều như biến động nhân khẩu học, thu nhập bình quân đầu người và kết hợp giải thuật di truyền (GA) để tự động tối ưu hóa trọng số mạng. Quý độc giả, các nhà nghiên cứu và cán bộ quản lý quan tâm có thể khai thác tài liệu luận văn này làm cơ sở triển khai các giải pháp trí tuệ nhân tạo tương tự trong quản trị giáo dục hiện đại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN BÀI TOÁN DỰ BÁO TUYỂN SINH 1.1 Tổng quan về dự báo 1.1 Khái niệm về dự báo Trong thực tế, nhiều khi chúng ta thường phải đưa ra các quyết định liên quan đến những sự việc sẽ xảy ra trong tương lai. Để cho các quyết định này có độ tin cậy và đạt hiệu quả cao, cần thiết phải tiến hành công tác dự báo. Điều này sẽ càng quan trọng hơn đối với một nền kinh tế thị trường, mang tính chất cạnh tranh cao. Dự báo là khoa học và là nghệ thuật tiên đoán những sự việc sẽ xảy ra trong tương lai [4] Tính khoa học của dự báo thể hiện ở chỗ khi tiến hành dự báo ta căn cứ trên các số liệu phản ảnh tình hình thực tế ở hiện tại, quá khứ, căn cứ vào xu thế phát triển của tình hình, dựa vào các mô hình toán học để dự đoán tình hình cơ bản sẽ xảy ra trong tương lai.

Nhưng các dự đoán này thường sai lệch hoặc thay đổi nếu xuất hiện các tình huống kinh tế, tình huống quản trị không hoàn toàn phù hợp với mô hình dự báo. Tính nghệ thuật của dự báo là dựa trên những kinh nghiệm thực tế và khả năng phán đoán của các chuyên gia để đưa ra được những dự đoán với độ chính xác cao nhất. Vì vậy, cần kết hợp chặt chẽ giữa các kết quả dự báo với kinh nghiệm và tài nghệ phán đoán của các chuyên gia, các nhà quản trị mới có thể đạt được các quyết định có độ tin cậy cao hơn. Mặt khác các kỹ thuật dự báo khác nhau thường cho ta các kết quả dự báo có khi khác xa nhau.

Chưa có một kỹ thuật nào tổng quát có thể dùng cho mọi trường hợp cần dự báo. Vì vậy đối với một số vấn đề quan trọng và phức tạp, nhất là khi dự báo dài hạn người ta thường dùng một số kỹ thuật dự báo rồi căn cứ vào độ lệch chuẩn để chọn lấy kết quả thích hợp. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2 Mục đích của dự báo Đưa ra được quyết định chính xác, nhất quán: Phân tích dự báo sẽ cung cấp thông tin chi tiết về đối tượng dự báo từ đó sẽ đưa ra được các hành động chiến lược. Phân tích dự báo được thực hiện liên tục và cho kết quả đáng tin cậy nhờ có sự hỗ trợ của kỹ thuật.

Các quyết định sẽ được đưa ra một cách nhất quán, công bằng chứ không phải dựa trên tính chủ quan của con người [11]. Giải quyết công việc nhanh hơn: Dự báo sẽ trả lời các câu hỏi phức tạp và xử lý chúng với độ chính xác cao trong khoảng thời gian ngắn. Có những quyết định trước đây phải mất hàng giờ hoặc vài ngày thì nhờ có sự hỗ trợ của khoa học chỉ còn vài phút hoặc vài giây. Giảm chi phí do giảm rủi ro: Với sự hiểu biết về đối tượng giúp các nhà lãnh đạo đánh giá được chính xác những rủi ro và giảm tổn thất.3 Những thách thức trong phân tích dự báo Mục đích của dự báo là để giúp cải tiến về hiệu quả, hỗ trợ ra quyết định của các nhà lãnh đạo.

Tuy nhiên, không phải lúc nào dự báo cũng chính xác, một số yếu tố ảnh hưởng đế độ chính xác của dự báo là: Trở ngại trong quản lý, dữ liệu, xây dựng mô hình và quá trình triển khai [9]. Những trở ngại trong quản lý: Thông thường để triển khai mô hình dự báo đòi hỏi có sự chuyển đổi về các nguồn lực cho tổ chức nên cần có sự hỗ trợ từ các nhà lãnh đạo để chuyển các mô hình từ nghiên cứu sang vận hành. Những trở ngại về dữ liệu: Các mô hình thường yêu cầu dữ liệu dưới dạng một bảng hoặc bảng có chứa hàng và cột (dữ liệu hai chiều). Nếu dữ liệu được lưu trữ trong các cơ sở dữ liệu thì cần phải kết nối các cơ sở dữ liệu để tạo ra một bảng.

Trở ngại trong việc xây dựng mô hình: Trở ngại lớn nhất là quá tải, tức là mô hình quá phức tạp và yêu cầu phải ghi nhớ dữ liệu huấn luyện. Hai trở ngại với mô hình là: Thứ nhất mô hình thực hiện kém với dữ liệu mới và việc giải thích mô hình không đáng tin cậy. Thứ hai, các nhà xây dựng mô hình quá tham vọng vào mô hình LUAN VAN CHAT LUONG download : add [e-mail] 6 được xây dựng trên dữ liệu có sẵn trong khoảng thời gian nhất định. Cách tốt nhất để khắc phục là xây dựng một mô hình đơn giản sau đó có thể được cải tiến sau khi chạy thử nghiệm.

Trở ngại trong triển khai mô hình:Thông thường các mô hình không quá phức tạp về mặt tính toán. Tuy nhiên, các mô hình phải được kiểm tra bởi hệ thống hoạt động và đưa ra dự đoán phù hợp với hệ thống đó.4 Phân loại các dự báo 1.1 Căn cứ vào thời đoạn dự báo - Dự báo ngắn hạn thời đoạn dự báo thường không quá 3 tháng, ít khi đến 1 năm. Loại dự báo này cần cho việc mua sắm, điều độ công việc, phân giao nhiệm vụ, cân đối các mặt trong quản trị tác nghiệp. - Dự báo trung hạn thời đoạn dự báo thường từ 3 tháng đến 3 năm, loại dự báo này cần thiết cho việc lập kế hoạch bán hàng, kế hoạch sản xuất, dự trù tài chính tiền mặt và làm căn cứ cho các loại kế hoạch khác.

- Dự báo dài hạn thời đoạn dự báo từ 3 năm trở lên. Loại dự báo này cần cho việc lập các dự án sản xuất sản phẩm mới, các định điểm cho các cơ sở mới, lựa chọn các dây chuyền công nghệ, thiết bị mới, mở rộng doanh nghiệp hiện có hoặc thành lập doanh nghiệp mới.2 Căn cứ vào nội dung công việc cần dự báo - Dự báo kinh tế: Dự báo kinh tế cho các cơ quan nghiên cứu, cơ quan dịch vụ thông tin, các bộ phận tư vấn kinh tế nhà nước thực hiện. Những chỉ tiêu này có giá trị lớn trong việc hỗ trợ, tạo tiền đề cho công tác dự báo trung hạn, dài hạn của các doanh nghiệp. - Dự báo kỹ thuật công nghệ: Dự báo này đề cập đến mức độ phát triển khoa học kỹ thuật công nghệ trong tương lai.

Loại này rất quan trọng đối với các ngành có hàm lượng kỹ thuật cao như năng lượng nguyên tử, tàu vũ trụ, dầu lửa, máy tính, LUAN VAN CHAT LUONG download : add [e-mail] 7 nghiên cứu không gian, điện tử… Dự báo kỹ thuật, công nghệ thường do các chuyên gia trong các lĩnh vực đặc biệt thực hiện. - Dự báo nhu cầu sản phẩm: Thực chất của dự báo nhu cầu là dự kiến, tiên đoán về doanh số bán ra của doanh nghiệp. Loại dự báo này rất được các nhà quản trị sản xuất quan tâm. Dự báo nhu cầu giúp cho các doanh nghiệp xác định được chủng loại và số lượng sản phẩm, dich vụ mà họ cần tạo ra trong tương lai.

Thông qua dự báo nhu cầu các doanh nghiệp sẽ quyết định được quy mô sản xuất, hoạt động của công ty, là cơ sở để dự kiến về tài chính, tiếp thị, nhân sự.3 Căn cứ theo các phương pháp dự báo Hình 1.Dự báo định tính và định lượng Các phương pháp dự báo được chia thành 2 phương pháp là phương pháp định tính và phương pháp định lượng [6]. Phương pháp định tính: Hay còn gọi là phương pháp dự báo chuyên gia (phương pháp Delphi) là phương pháp thu thập và xử lý những đánh giá dự báo bằng cách tập hợp và hỏi ý kiến các chuyên gia giỏi thuộc một lĩnh vực hẹp của khoa học - kỹ thuật hoặc sản xuất. Phương pháp chuyên gia dựa trên cơ sở đánh giá tổng kết kinh nghiệm, khả năng phản ánh tương lai một cách tự nhiên của các chuyên gia giỏi và xử lý thống kê các câu trả lời một cách khoa học. Nhiệm vụ của phương pháp là đưa ra những dự báo khách quan về tương lai phát triển của khoa học kỹ thuật hoặc sản xuất dựa trên việc xử lý có hệ thống các đánh giá dự báo của các chuyên gia.

LUAN VAN CHAT LUONG download : add [e-mail] 8 Phương pháp chuyên gia được áp dụng đặc biệt có hiệu quả trong các trường hợp sau đây: - Khi đối tượng dự báo có tầm bao quát lớn phụ thuộc nhiều yếu tố mà hiện tại còn chưa có hoặc thiếu những cơ sở lý luận chắc chắn để xác định. - Trong điều kiện còn thiếu thông tin và những thống kê đầy đủ, đáng tin cậy về đặc tính của đối tượng dự báo. - Trong điều kiện có độ bất định lớn của đối tượng dự báo, độ tin cậy thấp về hình thức thể hiện, về chiều hướng biến thiên về phạm vi cũng như quy mô và cơ cấu. - Khi dự báo trung hạn và dài hạn đối tượng dự báo chịu ảnh hưởng của nhiều nhân tố, phần lớn là các nhân tố rất khó lượng hoá đặc biệt là các nhân tố thuộc về tâm lý xã hội (thị hiếu, thói quen, lối sống, đặc điểm dân cư.) hoặc tiến bộ khoa học kỹ thuật.

Vì vậy trong quá trình phát triển của mình đối tượng dự báo có nhiều đột biến về quy mô và cơ cấu mà nếu không nhờ đến tài nghệ của chuyên gia thì mọi sự trở nên vô nghĩa. Trong điều kiện thiếu thời gian, hoàn cảnh cấp bách phương pháp chuyên gia cũng được áp dụng để đưa ra các dự báo kịp thời.Quá trình áp dụng phương pháp chuyên gia có thể chia làm ba giai đoạn lớn: - Lựa chọn chuyên gia - Trưng cầu ý kiến chuyên gia; - Thu thập và xử lý các đánh giá dự báo. Chuyên gia giỏi là người thấy rõ nhất những mâu thuẫn và những vấn đề tồn tại trong lĩnh vực hoạt động của mình, đồng thời về mặt tâm lý họ luôn luôn hướng về tương lai để giải quyết những vấn đề đó dựa trên những hiểu biết sâu sắc, kinh nghiệm sản xuất phong phú và linh cảm nghề nghiệp nhạy bén. Phương pháp định lượng: Các phương pháp dự báo định lượng đều dựa trên cơ sở Toán học, Thống kê.1 mô tả việc phân loại các phương pháp dự báo định lượng theo các tiêu chí sau: LUAN VAN CHAT LUONG download : add [e-mail] 9 - Để dự báo nhu cầu tương lai, không xét đến các nhân tố ảnh hưởng khác ta có thể dùng các phương pháp dự báo theo dãy số thời gian.

- Khi cần xét đến các nhân tố khác ảnh hưởng đến nhu cầu (ngoài thời gian) ta có thể dùng các phương pháp dự báo dựa trên mối liên hệ tương quan.