Tổng quan luận án

Luận án tiến sĩ chuyên ngành Công nghệ thông tin (mã số: 62 48 15 01) của tác giả Nguyễn Việt Anh, thực hiện dưới sự hướng dẫn khoa học của PGS. Hồ Sĩ Đàm tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội năm 2009, mang tiêu đề: "Một mô hình tạo khóa học thích nghi trong đào tạo điện tử".

Tính cấp thiết và khoảng trống nghiên cứu

Đào tạo điện tử (E-learning) đã phát triển mạnh mẽ cùng sự phổ biến của Internet, chuyển dịch từ hình thức đào tạo dựa trên máy tính (CBT) sang đào tạo dựa trên công nghệ Web. Tuy nhiên, phần lớn các hệ thống đào tạo điện tử truyền thống cung cấp các khóa học tĩnh với nội dung và tiến trình cố định cho mọi đối tượng. Trong thực tế, người học tham gia khóa học có động cơ, nhu cầu, trình độ ban đầu và khả năng tiếp thu rất khác nhau.

Các nghiên cứu về Hệ thống siêu phương tiện thích nghi (Adaptive Hypermedia Systems - AHS) và Hệ thống dạy học thông minh (Intelligent Tutoring Systems - ITS) đã giải quyết một phần bài toán cá nhân hóa việc học. Tuy nhiên, tác giả chỉ ra các hạn chế chính của các mô hình hiện hành:

  • Các mô hình tạo khóa học thích nghi phổ biến mới dừng lại ở việc lựa chọn các khái niệm (concepts) lý thuyết phù hợp với người học mà chưa chỉ dẫn người học "Làm thế nào?" để tiếp thu và vận dụng các khái niệm đó vào việc hoàn thành bài tập, bài thực hành.
  • Các mô hình thích nghi thường chỉ xem xét các mục tiêu hoặc nhu cầu đơn lẻ, chưa có cơ chế kết hợp đồng thời nhiều mục tiêu và ràng buộc khác nhau của người học (như rút ngắn thời gian, mức độ chuyên sâu, giới hạn chi phí học tập) để tạo ra tiến trình học tối ưu.

Mục tiêu và nhiệm vụ nghiên cứu

Luận án xác định hai mục tiêu nghiên cứu tổng quát:

  1. Xây dựng mô hình học thích nghi không những lựa chọn được các khái niệm trong nội dung khóa học phù hợp với từng người học mà còn chỉ dẫn người học phương thức tìm hiểu, vận dụng khái niệm thông qua việc biểu diễn nội dung khóa học gồm cả khái niệm và nhiệm vụ.
  2. Xây dựng tiến trình học phù hợp với từng người học, đáp ứng đồng thời nhiều nhu cầu và mục tiêu học tập khác nhau.

Để hiện thực hóa các mục tiêu trên, luận án giải quyết 6 nhiệm vụ cụ thể được đánh số theo văn bản:

  • (1) Khảo cứu các phương pháp, kỹ thuật xây dựng hệ thống học thích nghi.
  • (2) Nghiên cứu mô hình người học; bổ sung, phát triển mô hình người học làm cơ sở cho việc xây dựng khóa học thích nghi theo nhu cầu (biểu diễn trình độ kiến thức và các thuộc tính nhu cầu, mục tiêu).
  • (3) Nghiên cứu, phát triển mô hình nội dung học gồm tập các khái niệm và tập các nhiệm vụ để làm cơ sở hướng dẫn người học hoàn thành nhiệm vụ học tập.
  • (4) Nghiên cứu, xây dựng cơ chế thích nghi tạo ra khóa học theo hai tiêu chí: thích nghi theo kiến thức (chỉ dẫn hoàn thành nhiệm vụ) và thích nghi theo nhiều mục tiêu, nhu cầu.
  • (5) Đề xuất mô hình lý thuyết tạo khóa học trực tuyến phù hợp với nhu cầu người học dựa trên các kết quả về mô hình người học, mô hình nội dung học và cơ chế thích nghi.
  • (6) Phân tích, thiết kế, xây dựng mô hình hệ thống tạo khóa học thích nghi ACGS (Adaptive Course Generation System) và cài đặt thử nghiệm mô hình.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Mô hình biểu diễn nội dung học tập, mô hình người học, các kỹ thuật định lượng kiến thức và thuật toán sinh tiến trình học thích nghi trong đào tạo điện tử.
  • Phạm vi nghiên cứu: Lựa chọn nội dung và tiến trình học thích nghi đối với từng người học trong phạm vi một khóa học cụ thể đã xác định trước (môn học thử nghiệm: "Thiết kế cơ sở dữ liệu quan hệ" thuộc ngành Công nghệ thông tin). Luận án giới hạn không nghiên cứu bài toán tìm kiếm, lựa chọn giữa các khóa học khác nhau hoặc tổng hợp nội dung từ các nguồn tri thức phân tán bên ngoài.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được điểm lại trong văn bản

Luận án phân tích tiến trình phát triển của công nghệ đào tạo điện tử và hệ thống hóa các hướng tiếp cận chính:

[Khái niệm & Tiến trình E-learning]

[Hệ thống dạy học thông minh (ITS)]

[Hệ thống siêu phương tiện thích nghi (AHS)]

  1. Tổng quan đào tạo điện tử và chuẩn hóa:

    • Định nghĩa đào tạo điện tử từ William Horton (E-learning là quá trình học tập có sự trợ giúp của Web và Internet), Compare Infobase Inc, và Trung tâm MASIE Center.
    • Các giai đoạn phát triển: Đào tạo dựa trên máy tính (CBT); Đào tạo dựa trên công nghệ Web; Chuẩn hóa hệ thống quản lý học tập (LMS) và quản lý nội dung học tập (LCMS) thông qua các đặc tả IMS, AICC và SCORM do tổ chức ADL phát triển.
    • Bối cảnh tại Việt Nam: Các hội thảo khoa học công nghệ thông tin năm 2003; Đề án mạng giáo dục EduNet (Bộ Giáo dục và Đào tạo phối hợp Bộ Bưu chính Viễn thông triển khai từ tháng 3/2003); Cổng đào tạo trực tuyến của Trung tâm Tin học Bộ GD-ĐT và Hewlett-Packard VN; Thống kê 154 đơn vị trong nước triển khai hệ thống Moodle.

  2. Hệ thống dạy học thông minh (ITS) và Siêu phương tiện thích nghi (AHS):

    • Hướng tiếp cận ITS: Mô hình của Vassileva, Kaplan (thích nghi theo mục tiêu), mô hình của Gilbert, Paolucci (thích nghi theo cách tiếp thu kiến thức dựa trên tri thức chuyên gia).
    • Hướng tiếp cận AHS do Peter Brusilovsky đề xuất: Kết hợp ý tưởng của ITS với mạng siêu văn bản (Hypermedia/WWW), thiết lập nguyên lý tách biệt giữa mô hình người học, mô hình nội dung khóa học và cơ chế thích nghi.
    • Các hệ thống AHS tiêu biểu: Hệ thống ELM-ART, INTERBOOK của Brusilovsky; Hệ thống AHA! của De Bra và Calvi; Hệ thống KBS Hyperbook của Henze; Hệ thống WebCL; Hệ thống ALEKS của Falmagne (thích nghi theo không gian tri thức); Hệ thống CAMELEON của Laroussi và Benahmed (thích nghi theo phong cách tiếp thu); Hệ thống AVANTI của nhóm Kobsa (hỗ trợ tương tác đa đối tượng).

  3. Mô hình hóa nội dung và định lượng tri thức (theo tổng kết của E. Millán):

    • Mô hình véc-tơ: Biểu diễn nội dung bằng tập khái niệm độc lập; nhược điểm là không phản ánh được mối quan hệ phụ thuộc giữa các khái niệm.
    • Mô hình mạng: Biểu diễn khái niệm dưới dạng đồ thị có các mối liên kết quan hệ thành phần, quan hệ tiên quyết.
    • Mô hình phủ (Overlay Model): Biểu diễn tri thức của người học như một tập con của không gian tri thức môn học. Các phương pháp định lượng gồm: giá trị nhị phân (biết/không biết), miền giá trị rời rạc ([0..100]), và giá trị xác suất.

Bảng tổng hợp so sánh các hệ thống học thích nghi tiêu biểu

Hệ thống Tác giả / Nhóm nghiên cứu Phương pháp biểu diễn nội dung Kỹ thuật định lượng mô hình người học Kỹ thuật thích nghi chính
ELM-ART Brusilovsky et al. Mạng phân cấp các khái niệm Mô hình phủ, giá trị nhị phân Tùy biến liên kết, chỉ dẫn trực tiếp, chú thích
INTERBOOK Brusilovsky et al. Cấu trúc phân cấp văn bản và khái niệm Mô hình phủ đa mức Chú thích liên kết bằng thanh trạng thái/màu sắc
AHA! De Bra & Calvi Khái niệm và quan hệ phụ thuộc Miền giá trị số [0..100], mô hình phủ Quy tắc suy diễn (rules), ẩn/hiện liên kết và văn bản
KBS Hyperbook Henze et al. Đồ thị tri thức (Knowledge Graph) Mô hình dựa trên logic vị từ Lập kế hoạch thích nghi theo mục tiêu học tập
ACGS (Đề xuất) Nguyễn Việt Anh (Luận án) Mạng phân cấp gồm Khái niệm và Nhiệm vụ Mạng xác suất Bayes (CPT) và logic vị từ Thích nghi kép: chỉ dẫn giải quyết nhiệm vụ và tối ưu hóa tiến trình theo đa mục tiêu

Khoảng trống nghiên cứu luận án giải quyết

Luận án xác định khoảng trống lý thuyết và kỹ thuật chưa được giải quyết trọn vẹn trong các công trình trên:

  • Các hệ thống AHS truyền thống mới dừng lại ở mức chọn lọc "Khái niệm", chưa hỗ trợ người học chuyển đổi từ hiểu biết lý thuyết sang kỹ năng giải quyết "Nhiệm vụ" thực hành.
  • Việc tạo tiến trình học chưa tính toán đồng thời các hàm mục tiêu đa tiêu chí (độ khó tích lũy, thời gian học, mức độ bao phủ tri thức) trong một mô hình toán học tường minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khung phân tích

Luận án sử dụng các nền tảng lý thuyết và công cụ toán học:

  • Lý thuyết siêu phương tiện thích nghi (AHS): Cấu trúc phân tách 3 khối: Mô hình người học, Mô hình nội dung và Cơ chế thích nghi.
  • Lý thuyết đồ thị (Graph Theory): Sử dụng đồ thị có hướng để mô hình hóa cây khái niệm, mạng nhiệm vụ và quan hệ phụ thuộc ràng buộc (tiên quyết/thành phần). Bài toán sinh tiến trình học được mô hình hóa thành bài toán tìm đường đi tối ưu trên đồ thị thỏa mãn tập các ràng buộc.
  • Mạng xác suất Bayes (Bayesian Networks): Sử dụng đồ thị phi chu trình có hướng (DAG) kết hợp các Bảng phân phối xác suất có điều kiện (Conditional Probability Table - CPT) để mô hình hóa trạng thái bất định về tri thức của người học đối với từng khái niệm và nhiệm vụ.
  • Logic vị từ (Predicate Logic): Dùng để thiết lập các tập luật suy diễn (Production Rules) điều khiển việc kích hoạt, ẩn, làm mờ hoặc gợi ý nội dung trong quá trình người học tương tác.

Phương pháp nghiên cứu

Luận án áp dụng phương pháp nghiên cứu liên ngành:

  • Nghiên cứu lý thuyết: Phân tích, so sánh các mô hình toán học và cấu trúc dữ liệu biểu diễn tri thức; xây dựng thuật toán sinh tiến trình và cập nhật xác suất.
  • Phương pháp phân tích và thiết kế hướng đối tượng (OOAD): Sử dụng ngôn ngữ mô hình hóa UML để xây dựng biểu đồ ca sử dụng (Use Case), biểu đồ tuần tự (Sequence Diagram), biểu đồ cộng tác (Collaboration Diagram) và biểu đồ lớp (Class Diagram).
  • Phương pháp thực nghiệm định lượng: Cài đặt phần mềm thử nghiệm ACGS; thu thập dữ liệu phản hồi của người học qua bài kiểm tra sơ bộ và quá trình tương tác để đánh giá sự biến thiên xác suất trong mạng Bayes và tính hợp lý của tiến trình học tạo ra.

Nguồn tư liệu và dữ liệu

  • Cơ sở dữ liệu nội dung của môn học thử nghiệm "Thiết kế cơ sở dữ liệu quan hệ", bao gồm:
    • Tập khái niệm: Khái niệm thực thể (CE), Miền giá trị, Khái niệm phụ thuộc hàm, v.v.
    • Tập nhiệm vụ: Xác định danh từ (DN), Xác định danh từ chung (DCN), Xác định thực thể (DE), Xác định quan hệ thực thể (ER), Xác định thuộc tính đơn, Chuẩn hóa 1NF, 2NF, 3NF, v.v.
    • Tập câu hỏi kiểm tra đánh giá sơ bộ kiến thức và hệ thống các bảng phân bố xác suất có điều kiện CPT của các nút trong mạng xác suất.
    • Dữ liệu vết tương tác của các đối tượng người dùng thử nghiệm (user1, user2,...).

Nội dung chính theo từng chương

Chương 1: Học thích nghi

Chương 1 hệ thống hóa cơ sở lý luận về đào tạo điện tử và các kỹ thuật cốt lõi của học thích nghi:

  • Đào tạo điện tử: Định nghĩa, các đặc trưng kỹ thuật, lược sử phát triển (từ CBT, Web-based đến chuẩn hóa SCORM/IMS/AICC) và hiện trạng triển khai tại Việt Nam. Phân tích ba xu thế phát triển: xây dựng khóa học hoàn chỉnh, xây dựng khóa học theo chuẩn, và xây dựng khóa học theo nhu cầu người học.
  • Bản chất của học thích nghi: Định nghĩa của Brusilovsky về hệ thống học thích nghi (chương trình giảng dạy trợ giúp bởi máy tính dựa trên các đặc trưng của mô hình người học để chọn lựa nội dung và tiến trình học). Phân tích hai phương pháp thích nghi cơ bản:
    1. Tùy biến nội dung (Adaptive Content): Lược bớt nội dung không phù hợp, bổ sung nội dung tiên quyết, cung cấp nội dung tương đương hoặc mở rộng.
    2. Tùy biến tiến trình học tập (Adaptive Navigation): Hướng dẫn tiến trình cho toàn bộ khóa học hoặc từng nội dung thông qua 5 kỹ thuật: (i) Tùy biến liên kết, (ii) Chỉ dẫn trực tiếp, (iii) Thay đổi trật tự liên kết, (iv) Ẩn liên kết, (v) Cung cấp các chú thích trạng thái liên kết.
  • Ba thành phần cơ bản: Luận chứng sự cần thiết và mối liên hệ phụ thuộc chặt chẽ giữa Mô hình người học, Mô hình nội dung học và Cơ chế thích nghi.
  • Khảo sát hệ thống: Đánh giá ưu nhược điểm của các hệ thống ELM-ART, INTERBOOK, AHA!, KBS Hyperbook, WebCL, làm cơ sở định vị giải pháp nghiên cứu của luận án.

Chương 2: Mô hình nội dung khóa học và mô hình người học

Chương 2 trình bày các đóng góp lý thuyết trong việc thiết lập cấu trúc biểu diễn tri thức của luận án:

[Mô hình nội dung khóa học]

[Mô hình người học]
  • Mô hình nội dung học cải tiến: Khắc phục hạn chế của các mô hình truyền thống (chỉ chứa khái niệm), luận án xây dựng mô hình nội dung tích hợp hai tập thực thể:
    • Tập Khái niệm (Concepts): Lưu trữ các đơn vị kiến thức lý thuyết, các thuộc tính mô tả (Bảng 2.1, 2.2).
    • Tập Nhiệm vụ (Tasks): Lưu trữ các hoạt động thực hành, bài tập mà người học cần thực hiện (Bảng 2.3, 2.4).
    • Cấu trúc liên kết: Thiết lập 3 nhóm quan hệ: Quan hệ giữa các khái niệm với nhau (tiên quyết, thành phần), Quan hệ giữa các nhiệm vụ với nhau (thứ tự thực hiện, điều kiện), và Quan hệ giữa nhiệm vụ với khái niệm (khái niệm cần có để thực hiện nhiệm vụ).
  • Mô hình người học: Được tổ chức thành 4 nhóm thuộc tính:
    • Thông tin định danh người học (Bảng 2.5).
    • Thông tin về khóa học tham gia (Bảng 2.6).
    • Thông tin về trình độ kiến thức: Biểu diễn dưới dạng mô hình phủ kết hợp mạng xác suất Bayes, cho phép định lượng mức độ hiểu biết khái niệm và khả năng thực hiện nhiệm vụ.
    • Thông tin về nhu cầu, mục đích học tập: Biểu diễn các tiêu chí về thời gian học mong muốn, mức độ chuyên sâu (kết thúc nhanh hay mở rộng), giới hạn độ khó và chi phí học tập (Bảng 2.7).
  • So sánh mô hình: Phân tích đối chiếu mô hình đề xuất với mô hình của Wei [2] và Henze [3], khẳng định ưu thế về tính cấu trúc và khả năng gắn kết giữa lý thuyết với bài tập thực hành.

Chương 3: Cơ chế thích nghi

Chương 3 xây dựng các giải thuật và quy tắc toán học thực hiện quá trình thích nghi theo hai chiều:

[Cơ chế thích nghi kép]

  1. Thích nghi theo kiến thức:

    • Định lượng trình độ kiến thức: Mạng Bayes mô hình hóa mối quan hệ phụ thuộc giữa các khái niệm và nhiệm vụ. Mỗi nút trong mạng được gán một Bảng phân bố xác suất có điều kiện (CPT). Khi người học trả lời câu hỏi hoặc tương tác, xác suất hậu nghiệm của các nút được tính toán cập nhật lại.
    • Hệ luật lựa chọn khái niệm/nhiệm vụ: Dựa trên logic vị từ và giá trị ngưỡng xác suất định trước (Bảng 3.3), hệ thống kích hoạt các luật để tự động đưa ra chỉ dẫn "Làm thế nào?", đề xuất các nhiệm vụ vừa sức hoặc gợi ý khái niệm cần bổ sung khi người học chưa đủ kiến thức tiên quyết.

  2. Thích nghi theo mục tiêu, nhu cầu:

    • Tiến trình học (Learning Path): Là dãy tuần tự các khái niệm/nhiệm vụ được sắp xếp hợp lý nhằm dẫn dắt người học đạt tới mục tiêu học tập.
    • Thuật toán xây dựng tiến trình học ứng viên: Dựa trên bài toán tìm đường đi trên đồ thị có hướng thỏa mãn các ràng buộc về độ khó (Bảng 3.4) và thời gian (Bảng 3.5).
    • Lựa chọn tiến trình tối ưu: Tính toán hàm chi phí tổng hợp (Bảng 3.6) để chọn ra tiến trình học phù hợp nhất với hồ sơ nhu cầu của người học (ví dụ: tiến trình rút ngắn thời gian cho người cần nắm nhanh kiến thức cốt lõi, hoặc tiến trình mở rộng cho người muốn nghiên cứu chuyên sâu).
    • Phân tích độ phức tạp: Đánh giá độ phức tạp tính toán của giải pháp (Bảng 3.2), chứng minh tính khả thi khi triển khai trên hệ thống trực tuyến.

Chương 4: Mô hình tạo khóa học thích nghi ACGS

Chương 4 mô tả thiết kế tổng thể, kiến trúc kỹ thuật và kết quả thử nghiệm hệ thống ACGS:

[Kiến trúc hệ thống ACGS]
  • Kiến trúc và quy trình hệ thống ACGS: Mô hình hoạt động theo quy trình 4 giai đoạn:
    1. Khai báo nội dung môn học: Chuyên gia định nghĩa tập khái niệm, tập nhiệm vụ, các quan hệ phụ thuộc và thiết lập bảng CPT ban đầu.
    2. Kiểm tra đánh giá sơ bộ: Người học làm bài kiểm tra ban đầu để hệ thống khởi tạo giá trị xác suất trong UserProfile.
    3. Thực thi cơ chế thích nghi: Động cơ thích nghi tính toán chọn lựa tiến trình và gợi ý các hoạt động học tập tương ứng.
    4. Cập nhật thời gian thực: Trong quá trình học, các thao tác và kết quả giải quyết nhiệm vụ liên tục được đưa vào mạng Bayes để cập nhật lại trạng thái kiến thức.
  • Phân tích thiết kế hệ thống: Đặc tả chi tiết các ca sử dụng (Use Cases) bằng biểu đồ UML (Phụ lục A): Biểu đồ tuần tự và cộng tác cho các ca sử dụng: Người học trả lời câu hỏi, Khai báo nội dung môn học, Xây dựng cơ chế thích nghi, Cập nhật UserProfile, Tạo tiến trình học, Lựa chọn hoạt động học tập.
  • Môn học thử nghiệm và kết quả:
    • Cài đặt thực nghiệm trên môn học "Thiết kế cơ sở dữ liệu quan hệ" gồm 7 khái niệm cốt lõi (Bảng 4.1) và các nhiệm vụ thành phần (Bảng 4.2, 4.3).
    • Thiết lập mạng xác suất và các bảng CPT (Bảng 4.4 – 4.7 và Phụ lục B).
    • Kết quả thử nghiệm trên các nhóm người dùng (ví dụ: user1, user2): Hệ thống thể hiện sự khác biệt rõ rệt về giao diện, các khái niệm được phép bỏ qua/làm mờ (Hình F.2, F.3) và tiến trình gợi ý tùy theo nền tảng kiến thức ban đầu của từng người.
    • Phân tích đồ thị biến thiên xác suất hoàn thành nhiệm vụ (Hình 4.10, 4.11), chứng minh hệ thống phản ánh trung thực tiến bộ của người học và điều chỉnh nội dung chính xác theo thời gian thực.

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận và khoa học

  1. Đề xuất mô hình nội dung khóa học tích hợp Khái niệm và Nhiệm vụ: Khắc phục hạn chế của các mô hình nội dung truyền thống chỉ dựa trên khái niệm, bổ sung tập nhiệm vụ học tập và các quan hệ liên thuộc, tạo tiền đề lý thuyết cho việc hướng dẫn người học "Làm thế nào để hoàn thành nhiệm vụ".
  2. Xây dựng mô hình người học đa chiều: Kết hợp mô hình phủ dựa trên mạng xác suất Bayes để định lượng chính xác trạng thái tri thức với tập thuộc tính mô tả nhu cầu, mục tiêu học tập linh hoạt.
  3. Phát triển cơ chế thích nghi kép:
    • Cơ chế thích nghi theo kiến thức sử dụng mạng xác suất Bayes và hệ luật logic vị từ để hướng dẫn và chọn lựa hoạt động học tập.
    • Cơ chế thích nghi theo mục tiêu, nhu cầu giải quyết bài toán tối ưu hóa tiến trình học trên đồ thị thỏa mãn đa ràng buộc (thời gian, độ khó, chi phí).

Đóng góp về mặt thực tiễn

  1. Xây dựng hoàn chỉnh kiến trúc hệ thống ACGS: Phân tích, thiết kế chi tiết bằng công nghệ hướng đối tượng (UML), cung cấp đặc tả kỹ thuật rõ ràng cho việc xây dựng các hệ thống tạo khóa học thích nghi.
  2. Cài đặt và thử nghiệm thành công trên môn học thực tế: Ứng dụng mô hình vào giảng dạy môn "Thiết kế cơ sở dữ liệu quan hệ" cho sinh viên ngành Công nghệ thông tin, minh chứng tính đúng đắn của mô hình lý thuyết và tính khả thi trong môi trường đào tạo trực tuyến.

Kiến nghị và giải pháp đề xuất

  • Tích hợp các chuẩn đóng gói học liệu quốc tế (như SCORM, IMS) vào mô hình ACGS để nâng cao khả năng chia sẻ và tái sử dụng nội dung giữa các hệ thống LMS/LCMS khác nhau.
  • Mở rộng ứng dụng mô hình ACGS vào các nền tảng đào tạo nguồn mở phổ biến (như Moodle) tại các cơ sở giáo dục đại học tại Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

  • Phạm vi khóa học: Thử nghiệm mới được thực hiện trong phạm vi một khóa học đơn lẻ được định nghĩa trước ("Thiết kế cơ sở dữ liệu quan hệ"), chưa mở rộng sang việc liên kết và tạo tiến trình xuyên suốt giữa nhiều khóa học khác nhau.
  • Khởi tạo dữ liệu chuyên gia: Việc xây dựng mạng Bayes và gán các bảng phân bố xác suất có điều kiện (CPT) ban đầu đòi hỏi công sức đáng kể của chuyên gia bộ môn.
  • Quy mô thử nghiệm: Dữ liệu thực nghiệm tập trung vào việc kiểm thử chức năng và đánh giá tính thích nghi định lượng trên các kịch bản người học mẫu, chưa tiến hành đánh giá thống kê diện rộng trên quy mô toàn bộ các ngành đào tạo khác.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu cơ chế tự động hoặc bán tự động học cấu trúc và tham số của mạng xác suất Bayes từ dữ liệu vết học tập (Log Data) của số đông người học.
  • Mở rộng mô hình thích nghi cho các hệ thống phân tán, hỗ trợ tìm kiếm và tích hợp động các nguồn học liệu từ các kho tài nguyên giáo dục mở trên Internet.
  • Nghiên cứu bổ sung các yếu tố về phong cách học tập (Learning Styles) và tâm lý người học vào mô hình thích nghi.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên sâu trong lĩnh vực Công nghệ thông tin và Công nghệ giáo dục:

  • Đối với nghiên cứu sinh và học viên cao học: Cung cấp phương pháp luận chặt chẽ trong việc ứng dụng Mạng xác suất Bayes, Lý thuyết đồ thị và Logic vị từ để giải quyết bài toán xử lý tri thức và thích nghi hóa trong hệ thống thông tin.
  • Đối với giảng viên và chuyên gia thiết kế bài giảng điện tử: Cung cấp phương pháp luận phân rã cấu trúc môn học thành hai trục "Khái niệm – Nhiệm vụ", giúp xây dựng học liệu điện tử gắn liền lý thuyết với kỹ năng thực hành.
  • Đối với kỹ sư phát triển phần mềm đào tạo điện tử: Bản thiết kế UML chi tiết (biểu đồ ca sử dụng, tuần tự, cộng tác, lớp đối tượng) và thuật toán sinh tiến trình trong Chương 4 cùng Phụ lục A là tài liệu hữu ích cho việc phát triển các phân hệ thích nghi trong các hệ thống LMS/LCMS.

Câu hỏi thường gặp

1. Hệ thống ACGS do luận án đề xuất là viết tắt của cụm từ nào và có chức năng gì?

ACGS là viết tắt của Adaptive Course Generation System (Hệ thống tạo khóa học thích nghi). Hệ thống này có chức năng tự động khởi tạo, điều chỉnh nội dung và tiến trình học tập của khóa học trực tuyến sao cho phù hợp nhất với trình độ kiến thức và nhu cầu/mục tiêu của từng người học cụ thể.

2. Điểm cải tiến cốt lõi trong mô hình nội dung khóa học của luận án là gì?

Các mô hình truyền thống chủ yếu chỉ biểu diễn nội dung bằng tập các "Khái niệm" (Concepts). Luận án đã đề xuất mô hình nội dung gồm hai thành phần gắn kết chặt chẽ: tập các "Khái niệm" lý thuyết và tập các "Nhiệm vụ" (Tasks) thực hành, cùng 3 nhóm quan hệ tương hỗ giữa chúng, làm cơ sở để hệ thống hướng dẫn người học phương thức vận dụng lý thuyết vào thực tế.

3. Công cụ toán học nào được sử dụng để định lượng trình độ kiến thức người học?

Tác giả sử dụng Mạng xác suất Bayes (Bayesian Networks) kết hợp các Bảng phân phối xác suất có điều kiện (CPT). Trình độ của người học đối với mỗi khái niệm và nhiệm vụ được biểu diễn dưới dạng giá trị xác suất và liên tục được cập nhật theo thời gian thực dựa trên các tương tác và kết quả trả lời câu hỏi.

4. Cơ chế thích nghi theo nhu cầu và mục tiêu học tập được luận án giải quyết như thế nào?

Cơ chế này được mô hình hóa thành bài toán tìm đường đi trên đồ thị có hướng thỏa mãn các ràng buộc. Hệ thống thiết lập các tham số về thời gian, độ khó và chi phí để sinh tập các tiến trình học ứng viên, sau đó tối ưu hóa hàm chi phí nhằm lựa chọn tiến trình học phù hợp nhất với mục tiêu của người học (như rút ngắn thời gian hoặc học chuyên sâu).

5. Khóa học nào đã được tác giả lựa chọn để cài đặt và thử nghiệm hệ thống ACGS?

Luận án đã cài đặt và thử nghiệm mô hình ACGS trên khóa học "Thiết kế cơ sở dữ liệu quan hệ" dành cho sinh viên ngành Công nghệ thông tin, bao gồm hệ thống các khái niệm về thực thể, thuộc tính, phụ thuộc hàm và các nhiệm vụ chuẩn hóa dữ liệu (1NF, 2NF, 3NF).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Việt Anh đã giải quyết trọn vẹn bài toán tạo khóa học thích nghi trong đào tạo điện tử thông qua việc tích hợp hai trục Khái niệm và Nhiệm vụ vào mô hình nội dung. Bằng việc kết hợp Mạng xác suất Bayes trong định lượng kiến thức với giải thuật tối ưu hóa trên đồ thị theo đa mục tiêu, nghiên cứu đã khắc phục được các hạn chế cơ bản của các hệ thống AHS truyền thống. Hệ thống ACGS được phân tích, thiết kế và thử nghiệm thành công trên môn học thực tế, khẳng định giá trị khoa học về mặt lý thuyết mô hình hóa cũng như khả năng ứng dụng thực tiễn trong công nghệ giáo dục trực tuyến.