Luận Văn Thạc Sĩ: Phân Tích Dữ Liệu Trực Tuyến Để Hiểu Hành Vi Học Tập

Luận văn thạc sĩ nghiên cứu máy tính xác định hành vi học tập thông qua phân tích dữ liệu trên hệ thống học tập trực tuyến, khảo sát thực trạng, phân tích nguyên nhân, đề xuất

• Tác giả: Trần Huy
• Người hướng dẫn: TS. Lê Thanh Vân
• Trường học: Đại học Quốc gia TP.HCM - Trường Đại học Bách Khoa
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Xác Định Hành Vi Học Tập Thông Qua Phân Tích Dữ Liệu Trên Hệ Thống Học Tập Trực Tuyến
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• Lời cảm ơn
• Tóm tắt
• Abstract
• Lời cam đoan
• Danh sách bảng
• Danh sách hình vẽ
• 1. Chương 1: Giới thiệu
• 1.1. Động cơ nghiên cứu
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng nghiên cứu
• 1.4. Giới hạn nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa của đề tài
• 1.7. Cấu trúc của luận văn
• 2. Chương 2: Kiến thức nền tảng
• 2.1. Các phương pháp giảng dạy và đánh giá
• 2.1.1. Phương pháp giảng dạy thực hành lập trình
• 2.1.2. Phương pháp lớp học đảo ngược
• 2.1.3. Các phương pháp đánh giá
• 2.2. Đánh giá độ khó của câu hỏi trong ngân hàng câu hỏi
• 2.3. Thu thập, phân tích và khai phá dữ liệu trong giáo dục
• 2.3.1. Giải thuật k-means
• 2.3.2. Gom cụm và phân loại nhiễu sử dụng DBSCAN và OPTICS
• 2.3.3. Thuật toán phân loại Naive Bayes
• 2.4. Kết chương
• 3. Chương 3: Khảo sát ngân hàng câu hỏi lập trình và năng lực người học
• 3.1. Phân loại độ khó cho câu hỏi lập trình dựa trên năng lực của người học
• 3.1.1. Công thức liên quan đến độ khó
• 3.1.2. Nhận xét về các công thức liên quan đến độ khó
• 3.1.3. Phương pháp tiếp cận
• 3.1.4. Các mô hình để xác định độ khó của câu hỏi
• 3.1.5. Phương pháp gán độ khó cho các cụm
• 3.1.6. Kết quả phân cụm
• 3.1.7. Đánh giá kết quả phân cụm
• 3.2. Phát hiện chủ đề khó trong ngân hàng câu hỏi
• 3.2.1. Quy trình liên tục cải tiến đề xuất
• 3.2.2. Thiết lập thực nghiệm
• 3.2.3. Kết quả và thảo luận
• 4. Chương 4: Thiết kế mô hình giảng dạy và xác định hành vi người học
• 4.1. Thiết kế mô hình giảng dạy
• 4.1.1. Áp dụng lớp học đảo ngược trong việc giảng dạy lập trình thực hành
• 4.1.2. Thu thập dữ liệu
• 4.1.3. So sánh lớp học truyền thống, lớp học đảo ngược, và lớp học đảo ngược trong khóa học lập trình thực hành
• 4.1.4. Hiệu quả của việc áp dụng lớp học đảo ngược trong khóa học lập trình thực hành
• 4.1.5. Phân tích dữ liệu Prelab và Inlab
• 4.2. Xác định hành vi học tập trong mô hình giảng dạy
• 4.2.1. Phân tích hành vi học tập của các nhóm người học
• 4.2.2. Tiềm năng dự đoán kết quả học tập của người học từ hành vi thu thập
• 5. Chương 5: Tổng kết
• Danh mục các công trình khoa học
• Tài liệu tham khảo

Tóm tắt

I. Giới thiệu

Luận văn này tập trung vào việc phân tích dữ liệu từ hệ thống học tập trực tuyến nhằm xác định hành vi học tập của người học. Với sự phát triển của hệ thống học tập trực tuyến, việc thu thập và phân tích dữ liệu trở nên cần thiết hơn bao giờ hết. Dữ liệu thu thập từ các khóa học không chỉ giúp giáo viên hiểu rõ hơn về hành vi của học sinh mà còn hỗ trợ trong việc tối ưu hóa phương pháp giảng dạy. Theo nghiên cứu, việc áp dụng công nghệ giáo dục đã tạo ra một môi trường học tập linh hoạt, giúp người học tiếp cận tài liệu và bài tập mọi lúc, mọi nơi. Chính vì vậy, việc phân tích dữ liệu học tập trở thành một công cụ hữu ích để xác định xu hướng và hành vi của người học, từ đó đưa ra các giải pháp cải thiện chất lượng giảng dạy.

1.1 Động cơ nghiên cứu

Sự phát triển của Internet và công nghệ thông tin đã tạo ra nhiều cơ hội mới cho giáo dục. Người học có thể dễ dàng tiếp cận tài liệu học tập và thực hiện các bài kiểm tra trực tuyến. Tuy nhiên, với lượng dữ liệu khổng lồ từ các hệ thống quản lý học tập, việc phân tích và hiểu rõ hành vi của người học trở thành thách thức lớn. Phân tích dữ liệu giúp giáo viên nhận diện được các vấn đề trong quá trình học tập của học sinh, từ đó đưa ra các giải pháp kịp thời và hiệu quả hơn. Mục tiêu của nghiên cứu này là khai thác và phân tích dữ liệu từ hệ thống học tập trực tuyến để xác định các hành vi học tập và nhu cầu của người học.

II. Phân tích dữ liệu học tập

Phân tích dữ liệu học tập là quá trình khai thác thông tin từ các hành vi của người học trong môi trường học tập trực tuyến. Các phương pháp phân tích như k-means và Naive Bayes được sử dụng để phân loại và phân nhóm học sinh dựa trên hành vi học tập của họ. Việc áp dụng các thuật toán này không chỉ giúp xác định hành vi học tập mà còn hỗ trợ trong việc dự đoán kết quả học tập của học viên. Theo nghiên cứu, việc phân tích dữ liệu học tập có thể giúp giáo viên hiểu rõ hơn về cách mà học sinh tương tác với các tài liệu học tập, từ đó tối ưu hóa phương pháp giảng dạy. Các công cụ phân tích hiện đại cũng cho phép giáo viên theo dõi tiến độ học tập của học sinh một cách hiệu quả hơn.

2.1 Phương pháp phân tích

Để tiến hành phân tích dữ liệu, cần sử dụng các công cụ và kỹ thuật phù hợp. Phương pháp k-means cho phép phân nhóm học sinh thành các nhóm có hành vi học tập tương tự. Trong khi đó, Naive Bayes được áp dụng để dự đoán khả năng thành công của học sinh dựa trên các đặc điểm hành vi. Việc sử dụng các thuật toán này không chỉ giúp phát hiện các mẫu hành vi mà còn hỗ trợ giáo viên trong việc cá nhân hóa quá trình giảng dạy. Hơn nữa, phân tích hành vi còn giúp phát hiện những khó khăn mà học sinh gặp phải, từ đó đưa ra các biện pháp hỗ trợ kịp thời.

III. Xác định hành vi học tập

Việc xác định hành vi học tập thông qua phân tích dữ liệu cho phép giáo viên hiểu rõ hơn về nhu cầu và khả năng của học sinh. Dữ liệu thu thập từ hệ thống học tập trực tuyến giúp phân loại học sinh thành các nhóm dựa trên năng lực và cách tiếp cận bài học. Các nhóm này có thể được sử dụng để điều chỉnh phương pháp giảng dạy, từ đó tạo ra một môi trường học tập phù hợp hơn với từng cá nhân. Việc xác định hành vi học tập không chỉ giúp giáo viên cải thiện phương pháp giảng dạy mà còn tạo cơ hội cho học sinh phát triển tối đa khả năng của mình.

3.1 Phân loại học sinh

Phân loại học sinh dựa trên hành vi học tập là một bước quan trọng trong việc tối ưu hóa quá trình giảng dạy. Bằng cách sử dụng dữ liệu từ hệ thống học tập, giáo viên có thể xác định các nhóm học sinh có năng lực khác nhau. Việc này không chỉ giúp giáo viên điều chỉnh nội dung giảng dạy mà còn tạo cơ hội cho học sinh học hỏi từ nhau. Các nhóm học sinh có thể được phân loại theo nhiều tiêu chí như thời gian học, mức độ hoàn thành bài tập, và kết quả kiểm tra. Điều này giúp giáo viên có cái nhìn tổng quan hơn về hành vi học tập của học sinh và đưa ra các giải pháp phù hợp.

Nội dung chính

Tổng quan nghiên cứu

Chuyển đổi số trong giáo dục đại học đang tạo ra những bước ngoặt lớn trong phương thức tổ chức dạy và học. Tại Trường Đại học Bách khoa thuộc Đại học Quốc gia Thành phố Hồ Chí Minh, hệ thống quản lý học tập Moodle được triển khai từ năm 2007 và hệ thống chấm điểm tự động tích hợp tiện ích CodeRunner được áp dụng từ năm 2019 đã ghi nhận hàng triệu lượt tương tác của sinh viên. Tuy nhiên, khối lượng dữ liệu khổng lồ này đặt ra thách thức lớn: làm thế nào để chuyển hóa dữ liệu nhật ký thành những hiểu biết sâu sắc nhằm hỗ trợ cá nhân hóa việc giảng dạy.

Luận văn thạc sĩ chuyên ngành Khoa học Máy tính mang tên Xác định hành vi học tập thông qua phân tích dữ liệu trên hệ thống học tập trực tuyến tập trung giải quyết vấn đề bất cập trong việc đánh giá độ khó ngân hàng đề thi và sự thiếu hụt mô hình phân loại hành vi thực hành lập trình. Nghiên cứu thực hiện khảo sát toàn diện trên 671 sinh viên môn Cấu trúc dữ liệu và giải thuật trong học kỳ 1 năm học 2021-2022 cùng 786 sinh viên môn Kỹ thuật lập trình trong học kỳ 2 năm học 2022-2023. Mục tiêu trọng tâm là xây dựng bộ công cụ định lượng độ khó câu hỏi lập trình, xác định độ vênh giữa đánh giá quá trình và đánh giá tổng kết, đồng thời thử nghiệm mô hình lớp học đảo ngược để định hình các nhóm hành vi học tập điển hình. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn trong việc nâng cao tỷ lệ hoàn thành môn học, giảm thiểu tỷ lệ sinh viên có nguy cơ trượt môn và tối ưu hóa quy trình liên tục cải tiến học liệu trong các cơ sở đào tạo kỹ thuật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết Khai phá dữ liệu giáo dục kết hợp với các mô hình phân tích học tập hiện đại. Bốn trụ cột lý thuyết chính được vận dụng bao gồm: phân tích học tập được hỗ trợ bởi máy tính, phân tích hành vi học tập, phân tích trực quan hóa dữ liệu và phân tích dự đoán kết quả học tập. Bên cạnh đó, tác giả tích hợp lý thuyết Lớp học đảo ngược nhằm chuyển đổi phương thức sư phạm truyền thống sang mô hình lấy người học làm trung tâm. Khung đánh giá giáo dục được phân định rạch ròi giữa đánh giá quá trình nhằm thu thập minh chứng học tập liên tục và đánh giá tổng kết nhằm xác nhận chuẩn đầu ra định kỳ. Các khái niệm then chốt xuyên suốt đề tài gồm có: hành vi học tập trực tuyến, độ vênh đánh giá, cụm mật độ dữ liệu giáo dục và hệ thống chấm điểm tự động.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp từ cơ sở dữ liệu hệ thống Moodle và hệ thống chấm điểm tự động CodeRunner. Cỡ mẫu nghiên cứu bao gồm 634 sinh viên môn Cấu trúc dữ liệu và giải thuật tham gia đầy đủ các bài đánh giá và 786 sinh viên năm nhất môn Kỹ thuật lập trình. Đề tài áp dụng phương pháp chọn mẫu toàn thể theo quần thể khóa học nhằm phản ánh chính xác bức tranh phân bố năng lực học tập thực tế mà không qua can thiệp nhân tạo.

Phương pháp phân tích dữ liệu được triển khai qua ba kỹ thuật học máy cốt lõi:

• Thuật toán k-means được lựa chọn để phân cụm độ khó câu hỏi lập trình dựa trên vector đặc trưng đa chiều gồm tỷ lệ sinh viên đạt, tỷ lệ bài nộp đạt, điểm bài nộp tốt nhất và số lần nộp bài. Lựa chọn này giúp phản ánh toàn diện nỗ lực của sinh viên thay vì chỉ nhìn vào điểm trung bình đơn biến.
• Thuật toán phân cụm dựa trên mật độ OPTICS được áp dụng để loại bỏ các điểm dữ liệu nhiễu và các cá nhân có hành vi bất thường, từ đó tính toán chỉ số độ vênh giữa điểm thực hành và điểm thi. OPTICS vượt trội hơn DBSCAN nhờ khả năng xử lý các cụm có mật độ biến thiên mà không phụ thuộc vào bán kính lân cận cố định.
• Mô hình phân loại Naive Bayes được huấn luyện để dự đoán nhóm hành vi nộp bài đúng hạn hoặc trễ hạn của sinh viên.

Tiến trình nghiên cứu được triển khai xuyên suốt hai học kỳ liên tiếp từ năm 2021 đến năm 2023, trải qua các giai đoạn xử lý dữ liệu bảng bằng thư viện Pandas, huấn luyện phân cụm với Scikit-learn và kiểm định mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thực nghiệm trên hệ thống dữ liệu học tập đã mang lại bốn phát hiện khoa học mang tính đột phá:

• Thứ nhất, mô hình phân cụm độ khó câu hỏi đa biến đạt hệ số Silhouette ấn tượng ở mức 0.66 đối với môn Kỹ thuật lập trình và 0.61 đối với môn Cấu trúc dữ liệu và giải thuật. Kết quả phân loại ba mức độ Dễ, Trung bình, Khó giữa mô hình đa biến và mô hình truyền thống đạt độ tương tự 100% và độ giống nhau 78.25%, chứng minh năng lực nhận diện chính xác các góc độ nỗ lực làm bài của sinh viên.
• Thứ hai, công thức đo lường độ vênh giữa đánh giá quá trình và đánh giá tổng kết đã phát hiện ra các chủ đề tri thức có khoảng cách tiếp thu lớn nhất. Với ngưỡng độ vênh đề xuất là 0.8, Chủ đề 6 về Cấu trúc cây được xác định là nội dung khó nhất trong kỳ thi giữa kỳ. Đối với kỳ thi cuối kỳ, ba nội dung có độ vênh cao vượt trội là Chủ đề 4 về Thuật toán tìm kiếm, Chủ đề 7 về Cây nâng cao và Chủ đề 8 về Cấu trúc Heap và Bảng băm.
• Thứ ba, giải thuật OPTICS đã phát hiện 278 sinh viên ngoại lệ, chiếm 43.85% tổng số 634 sinh viên được khảo sát. Đi sâu phân tích 105 sinh viên xuất hiện điểm nhiễu từ 2 lần trở lên cho thấy có 28 sinh viên (chiếm 27%) đạt điểm thực hành tuyệt đối nhưng điểm thi thực tế chỉ đạt từ 3.3 đến 3.7 điểm, và 50 sinh viên (chiếm 48%) đạt kết quả bài kiểm tra tổng kết xuất sắc dù điểm thực hành quá trình ở mức trung bình thấp.
• Thứ tư, việc triển khai mô hình lớp học đảo ngược với hai cấu phần bài tập trước buổi học và bài tập tại lớp trên 786 sinh viên đã tạo ra sự gắn kết học tập vượt trội. Tỷ lệ sinh viên tích cực tương tác ở bài tập chuẩn bị trước buổi học đầu tiên đạt tới 96.43% (757 sinh viên) và duy trì ở mức 87.64% (688 sinh viên) ở bài tập thứ tư, với điểm số trung bình đạt mức cao kỷ lục 9.63 điểm.

Thảo luận kết quả

Khoảng cách độ vênh giữa điểm đánh giá quá trình và điểm đánh giá tổng kết bắt nguồn từ sự khác biệt trong môi trường làm bài. Khi làm bài thực hành trên hệ thống CodeRunner, sinh viên được phép nộp và sửa lỗi nhiều lần, tạo điều kiện đạt điểm số tối đa. Ngược lại, bài thi giữa kỳ và cuối kỳ bị giới hạn ngặt nghèo về thời gian và không có cơ chế phản hồi lỗi tức thì.

Dữ liệu nghiên cứu có thể được trực quan hóa hiệu quả thông qua biểu đồ phân phối tần suất độ vênh và biểu đồ phân tán các cụm mật độ. Biểu đồ tần suất cho thấy rõ các chủ đề lập trình cơ bản có độ vênh tập trung gần mức 0, trong khi các chủ đề cấu trúc dữ liệu phức tạp tạo ra phân bố lệch phải với nhiều cụm vượt ngưỡng 0.8. Kết quả này hoàn toàn tương đồng với các công bố quốc tế gần đây trong lĩnh vực khai phá dữ liệu giáo dục, khẳng định rằng điểm thi đơn lẻ không thể phản ánh trọn vẹn lộ trình tích lũy kỹ năng lập trình nếu thiếu đi sự đối chiếu với dữ liệu hành vi quá trình.

Đề xuất và khuyến nghị

Dựa trên các kết quả định lượng thu được, nghiên cứu đưa ra bốn giải pháp mang tính hành động cao nhằm hoàn thiện công tác đào tạo lập trình:

• Tái cấu trúc ngân hàng câu hỏi và điều chỉnh học liệu: Giảng viên bộ môn cần bổ sung từ 20% đến 30% bài tập có độ phức tạp cao cho Chủ đề Cây nhị phân và Bảng băm, hướng đến mục tiêu hạ thấp chỉ số độ vênh giữa bài học và bài thi xuống dưới mức 0.5 trong vòng hai học kỳ tiếp theo.
• Chuẩn hóa quy trình lớp học đảo ngược: Ban chủ nhiệm khoa phê duyệt ban hành hướng dẫn tích hợp cấu trúc bài tập trước buổi học và bài tập tại lớp cho 100% các học phần lập trình cơ sở, đặt mục tiêu duy trì tỷ lệ sinh viên hoàn thành bài tập chuẩn bị trước giờ lên lớp trên 90% kể từ quý 4 năm 2024.
• Xây dựng hệ thống cảnh báo học tập sớm tự động: Đội ngũ kỹ thuật quản trị hệ thống tích hợp thuật toán phân loại Naive Bayes và mô hình phân cụm OPTICS vào bảng theo dõi của giảng viên, giúp phát hiện tự động 75% các trường hợp sinh viên có nguy cơ rớt môn trước tuần học thứ 8 của học kỳ.
• Thiết lập chương trình gia sư học thuật can thiệp sớm: Đội ngũ trợ giảng và cố vấn học tập tổ chức các buổi hỗ trợ chuyên sâu định kỳ hằng tuần cho nhóm 27% sinh viên gặp áp lực phòng thi và nhóm 48% sinh viên thụ động trong giờ thực hành ngay trong 4 tuần đầu tiên của mỗi khóa học.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị tham khảo thiết thực cho bốn nhóm đối tượng chuyên môn:

• Giảng viên và cán bộ giảng dạy khối ngành Công nghệ thông tin: Vận dụng bộ 4 công thức đánh giá độ khó câu hỏi và quy trình thiết kế bài tập lớp học đảo ngược để nâng cao chất lượng bài giảng và hiệu chỉnh bài kiểm tra lập trình.
• Cán bộ quản lý đào tạo và chuyển đổi số giáo dục: Áp dụng quy trình liên tục cải tiến học liệu dựa trên dữ liệu nhật ký hệ thống nhằm chuẩn hóa chuẩn đầu ra và nâng cao chất lượng kiểm định chương trình đào tạo.
• Các nhà nghiên cứu và học viên cao học ngành Khoa học Máy tính: Khai thác phương pháp luận kết hợp giữa thuật toán k-means, OPTICS và Naive Bayes trong việc xử lý các tập dữ liệu giáo dục đa chiều và có độ nhiễu cao.
• Chuyên viên phát triển sản phẩm công nghệ giáo dục và quản trị viên hệ thống: Tham khảo kiến trúc tích hợp công cụ chấm điểm tự động và các mô hình thuật toán phân tích hành vi người học để phát triển các tính năng học tập thông minh trên nền tảng Moodle.

Câu hỏi thường gặp

• Mô hình xác định độ khó 4 yếu tố có ưu điểm gì vượt trội so với cách tính điểm trung bình truyền thống? Mô hình 4 yếu tố kết hợp tỷ lệ sinh viên đạt, tỷ lệ bài nộp đạt, điểm bài nộp tốt nhất và số lần nộp bài giúp phản ánh chính xác cả mức độ thành công lẫn nỗ lực sửa lỗi thực tế của sinh viên, tránh hiện tượng đánh giá sai lệch khi sinh viên thử và nộp bài liên tục trên hệ thống.

• Chỉ số độ vênh giữa đánh giá quá trình và đánh giá tổng kết phản ánh điều gì trong giảng dạy? Chỉ số độ vênh đo lường sự chênh lệch điểm số trung bình của sinh viên giữa bài thực hành quá trình và bài thi kết thúc học phần. Độ vênh vượt ngưỡng 0.8 là bằng chứng định lượng cho thấy đề thi chưa bám sát học liệu hoặc nội dung kiến thức đó đang gây rào cản tiếp thu lớn cho đa số người học.

• Tại sao thuật toán phân cụm OPTICS lại được lựa chọn thay thế cho DBSCAN trong việc lọc nhiễu? Thuật toán OPTICS có khả năng xử lý linh hoạt các tập dữ liệu có mật độ phân bố không đồng đều mà không bắt buộc phải cố định tham số khoảng cách lân cận như DBSCAN, giúp xác định chính xác 278 trường hợp sinh viên có hành vi học tập dị biệt trong tập mẫu nghiên cứu.

• Việc triển khai mô hình lớp học đảo ngược mang lại lợi ích cụ thể nào cho sinh viên học lập trình? Mô hình lớp học đảo ngược chia nhỏ bài học thành phần chuẩn bị trước lớp và thực hành chuyên sâu tại lớp, giúp 96.43% sinh viên chủ động tiếp cận kiến thức nền tảng tại nhà và tối ưu hóa thời gian tương tác trực tiếp với giảng viên để giải quyết các thuật toán phức tạp.

• Dữ liệu tương tác trên hệ thống học tập có thể hỗ trợ dự báo nguy cơ trượt môn của sinh viên như thế nào? Bằng cách phân tích tần suất nộp bài, thời điểm hoàn thành bài tập trước hạn và số lần thực hiện các lần làm bài thông qua mô hình Naive Bayes, hệ thống có thể phân loại chính xác các nhóm hành vi nộp bài đúng hạn hoặc trễ hạn, từ đó đưa ra cảnh báo học tập sớm cho giảng viên can thiệp kịp thời.

Kết luận

• Luận văn đã xây dựng thành công khung phân loại độ khó câu hỏi lập trình đa biến sử dụng thuật toán k-means với hệ số Silhouette đạt từ 0.61 đến 0.66.
• Đề xuất và chứng minh tính hiệu quả của công thức đo lường độ vênh nhằm phát hiện chính xác các chủ đề học tập phức tạp như Cấu trúc cây và Bảng băm.
• Ứng dụng giải thuật OPTICS phân loại thành công 75% các trường hợp sinh viên ngoại lệ điển hình giữa năng lực thực hành và kết quả thi cử.
• Kiểm chứng thực nghiệm mô hình lớp học đảo ngược trên 786 sinh viên môn Kỹ thuật lập trình, ghi nhận tỷ lệ tham gia đạt trên 95% và điểm trung bình đạt 9.63 điểm.
• Đóng góp quy trình liên tục cải tiến học liệu mang tính hệ thống cho các trường đại học trong kỷ nguyên chuyển đổi số giáo dục.

Để tiếp tục phát triển đề tài, các cơ sở giáo dục cần đẩy nhanh lộ trình triển khai tích hợp mô-đun phân tích học tập tự động vào hệ thống quản lý học tập trước quý 1 năm 2025. Các nhà nghiên cứu và quý thầy cô quan tâm có thể tiếp cận trọn vẹn mã nguồn thuật toán và bộ dữ liệu thực nghiệm công khai để cùng hợp tác mở rộng quy mô ứng dụng trên nhiều chuyên ngành kỹ thuật khác nhau.

Trích đoạn nội dung tài liệu

Chương 1 - Giới thiệu đề tài: chương này trình bày về tổng quan vấn đề cần phải nghiên cứu, trong đó bao gồm động cơ thực hiện đề tài, nhiệm vụ/mục tiêu nghiên cứu, đối tượng và phạm vi nghiên cứu, và các tác động từ kết quả thu được thông qua đề tài. • Chương 2 - Các nghiên cứu liên quan: chương này sẽ tổng hợp các nghiên cứu liên quan, phân tích và tổng hợp các công trình, các kết quả liên quan; được chia thành ba: các phương pháp giảng dạy và đánh giá trong môi trường giáo dục đại học, các nghiên cứu về Luận văn Thạc sĩ Trang 4/62 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính đánh giá độ khó câu hỏi lập trình trong ngân hàng đề, và các nghiên cứu về khai phá dữ liệu giáo dục. • Chương 3 - Khảo sát ngân hàng câu hỏi lập trình và năng lực người học: dựa trên các nghiên cứu về đánh giá độ khó của câu hỏi, chương này sẽ đánh giá ngân hàng bài tập đã triển khai nhiều học kỳ. Từ đó, phát hiện một số nội dung còn thiếu và đánh giá mức độ khó giữa các chủ đề được giảng dạy trong cùng môn học.

• Chương 4 - Thiết kế mô hình giảng dạy và xác định hành vi người học: thông qua việc triển khai mô hình giảng dạy thử nghiệm, chương này thu thập các dữ liệu và tiến hành phân tích dữ liệu nhằm xác định các hành vi học tập của người học cũng như độ hiệu quả của mô hình giảng dạy triển khai. Từ đó, thực hiện đánh giá ý nghĩa của việc phân loại hành vi học tập lập trình. • Chương 5 - Tổng kết: đánh giá lại toàn bộ các kết quả mà đề tài đã thực hiện và đạt được, chỉ ra những khó khăn trong quá trình thực hiện cũng như các giới hạn của kết quả, và từ đó đề xuất những hướng phát triển tiếp theo. Luận văn Thạc sĩ Trang 5/62 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính Chương 2 Kiến thức nền tảng Trong chương này, một số nghiên cứu liên quan được trình bày bao gồm các nội dung liên quan đến việc giảng dạy, đánh giá nội dung học liệu và các kỹ thuật khai phá trên bộ dữ liệu thu thập.

Liên quan đến việc giảng dạy, chương này sẽ giới thiệu về một số phương pháp giảng dạy thực hành lập trình , đặc biệt là phương pháp giảng dạy đảo ngược (flipped classroom); và các phương pháp đánh giá trong quá trình giảng dạy như là đánh giá quá trình học (formative assessment) và đánh giá tổng kết (summative assessment). Đối với việc đánh giá nội dung học liệu, chương này trình bày về một số công thức xác định độ khó của câu hỏi trong ngân hàng đề có sẵn dựa trên dữ liệu thu thập kết quả làm bài của người học trong những học kỳ trước đó. Một số kỹ thuật khai phá trên bộ dữ liệu thu thập được dùng trong khuôn khổ luận văn cũng sẽ được giới thiệu trong chương này.1 Các phương pháp giảng dạy và đánh giá 2.1 Phương pháp giảng dạy thực hành lập trình Dạy lập trình ngày càng quan trọng trong thời đại công nghiệp 4.0, nơi kỹ năng lập trình được đánh giá cao trong nhiều ngành công nghiệp khác nhau. Tuy nhiên, việc học lập trình không phải là một nhiệm vụ dễ dàng [6].

Các nghiên cứu [7, 8] nhấn mạnh sự cần thiết của việc giảng dạy lập trình để phát triển các kỹ năng tư duy, bao gồm lập luận logic, giải quyết vấn đề theo thuật toán và tư duy tính toán. Sau khi nghe giảng lý thuyết trên lớp học, sinh viên được yêu cầu tham gia vào các buổi thực hành lập trình để làm quen với việc lập trình. Trong suốt các buổi thực hành này, sinh viên được luyện tập với các bài tập cơ bản khác nhau để củng cố hiểu biết về các khái niệm lập trình và nâng cao khả năng giải quyết vấn đề của mình. Bên cạnh đó, các giảng viên cũng giao cho học sinh các bài tập lớn để họ áp dụng kiến thức và kỹ năng vào việc xây dựng ứng dụng hoặc hệ thống lớn.

Từ đó, tạo điều kiện cho sinh viên làm việc nhóm và trải nghiệm quy trình phát Luận văn Thạc sĩ Trang 6/62 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính triển phần mềm. Trong đề tài này, học viên và nhóm nghiên cứu đã triển khai các bài tập lập trình thực hành sử dụng hệ thống quản lý học tập Moodle [9]. Moodle là một nền tảng mã nguồn mở cho phép các cơ sở giáo dục cung cấp khóa học và quản lý hoạt động học trực tuyến. Bằng cách sử dụng Moodle, giảng viên có thể tạo ra các khóa học trực tuyến bổ sung cho việc giảng dạy ngoại tuyến bằng cách đăng tải tài liệu học tập, video đã được ghi trước, bài kiểm tra và nhiều hơn nữa.

Các bài kiểm tra triển khai trên hệ thống Moodle chủ yếu bao gồm câu hỏi trắc nghiệm, câu trả lời ngắn và ánh xạ. Để cung cấp một môi trường học lập trình tập trung vào việc thực hành lập trình, nghiên cứu này sử dụng plugin CodeRunner [10] để triển khai các bài tập lập trình trong hệ thống Moodle.2 Phương pháp lớp học đảo ngược Theo định nghĩa, Flipped Classroom là một mô hình giáo dục trong đó học viên tự học nội dung mới độc lập bên ngoài lớp và sử dụng thời gian lớp học để tham gia vào các hoạt động tương tác, như thảo luận, giải quyết vấn đề và các bài tập thực hành [11]. Flipped classroom là một mô hình phân phối đảo ngược, trong đó các yếu tố bài giảng truyền thống và bài tập về nhà được đảo ngược. Trước buổi học, học viên được yêu cầu xem trước hướng dẫn, xem các bài giảng video ngắn, hoàn thành các bài kiểm tra và tham gia vào các cuộc thảo luận trên diễn đàn [12].

Trong khi đó, thời gian lớp học được dành cho các bài tập, dự án, điều tra sâu về những bài giảng đã xem trước và tham gia vào các hoạt động thực tế, trong khi giảng viên đánh giá việc áp dụng kiến thức của học viên. Hình Phương pháp này mang lại sự linh hoạt và tự điều chỉnh cao hơn cho sinh viên. Người học có thể học theo tốc độ của mình và tự quản lý quá trình học tập. Ngoài ra, mô hình lớp học đảo ngược đảm bảo việc tiếp cận tốt hơn đến tài liệu học tập, cung cấp cho sinh viên một loạt tài liệu hỗ trợ học tập.

Một lợi thế khác là tăng cường sự tương tác và tham gia trong các buổi học trực tiếp. Bằng cách giảng dạy kiến thức cơ bản qua các hoạt động trước lớp, thời gian lớp học có thể được dành cho những hoạt động học tập sôi nổi và sâu sắc hơn. Điều này thúc đẩy các cuộc thảo luận có ý nghĩa, giải quyết vấn đề kết nối sinh viên và tạo ra một môi trường học tập sôi động.3 Các phương pháp đánh giá Đánh giá kết quả học tập của người học là một phần không thể thiếu trong quá trình giảng dạy nói chung và giảng dạy đại học nói riêng. Các phương pháp đánh giá cần được tiến hành trong quá trình học tập để đánh giá kết quả của kiến thức đã được nắm bắt sau một thời gian học.

Các đánh giá về kiến thức đã nắm bắt, còn được gọi là đánh giá tổng kết, thường được tổ chức vào vào giữa và cuối học kỳ. Nếu các đánh giá này được thiết kế và phát triển tốt thì sẽ hỗ Luận văn Thạc sĩ Trang 7/62 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính trợ quá trình học tập của sinh viên thông qua việc trở nên dễ tiếp cận hơn và cũng đầy thách thức hơn [13]. Các nghiên cứu trước đây chia đánh giá thành hai loại: đánh giá quá trình (formative assessment) và đánh giá tổng kết (summative assessment).1 Đánh giá quá trình Đánh giá quá trình là một phương pháp trong đó giảng viên thu thập các minh chứng về quá trình học tập của sinh viên [14], thường được gọi là đánh giá trên lớp hoặc đánh giá của giảng viên [15], sau đó điều chỉnh phần hướng dẫn hoặc phản hồi tiếp theo dựa trên minh chứng đã có để đáp ứng nhu cầu học tập của sinh viên. Đánh giá quá trình thường được xem là đánh giá cho quá trình học tập [16] vì mục đích của nó là cải thiện việc giảng dạy và học tập cũng như phát hiện các khó khăn mà sinh viên có thể gặp phải trong quá trình học tập [17].2 Đánh giá tổng kết Đánh giá tổng kết, ngược lại với đánh giá quá trình, được định nghĩa là các đánh giá tích lũy nhằm ghi lại những gì sinh viên đã học được, hoặc chất lượng của việc học tập, và đánh giá thành tích học tập của sinh viên với một số tiêu chuẩn nhất định [13].

Do đó, các đánh giá tổng kết thường được định nghĩa là đánh giá dựa trên chuẩn đầu ra, được sử dụng để đưa ra quyết định về việc xếp lớp hoặc thăng hạng [15, 17]. Hệ quả là, trong một khóa học thông thường, giảng viên sẽ giao các bài kiểm tra ngắn để thu thập kiến thức và phản hồi từ sinh viên. Dựa trên các kết quả này, các bài kiểm tra định kỳ như giữa kỳ hoặc cuối kỳ được thiết kế bằng việc quan sát quá trình học tập đang diễn ra và chuẩn đầu ra môn học. Nói cách khác, sự tương ứng giữa kết quả đánh giá quá trình và đánh giá tổng kết của sinh viên được mong đợi.

Các nghiên cứu cho thấy rằng việc đánh giá có thể không phản ánh mức độ tiếp thu của người học đối với môn học được giảng dạy [18]. Hơn nữa, việc cân bằng giữa các đánh giá quá trình và đánh giá tổng kết được xem là một vấn đề khó, ảnh hưởng đến chất lượng đánh giá và quá trình học tập của sinh viên [15].2 Đánh giá độ khó của câu hỏi trong ngân hàng câu hỏi Điểm trung bình là một yếu tố thông thường được sử dụng để đánh giá độ khó của câu hỏi. Ví dụ, tác giả Simon và cộng sự chỉ sử dụng điểm trung bình của học sinh để đo độ khó của các câu hỏi trong kỳ thi lập trình [19]. Ngoài ra, tỷ lệ giữa điểm số của học sinh và số lượng học sinh được đề xuất bởi nhóm nghiên cứu của Mahatme để phân loại câu hỏi trong nghiên cứu môi trường học trực tuyến [20].

Các yếu tố khác cũng được xem xét để mô tả độ khó của câu hỏi.