Tổng quan nghiên cứu

Thị trường lao động công nghệ thông tin tại Việt Nam đang đối mặt với sự mất cân đối nghiêm trọng giữa số lượng và chất lượng đào tạo. Thống kê từ Bộ Thông tin và Truyền thông cho thấy mỗi năm cả nước có khoảng 50.000 sinh viên công nghệ thông tin tốt nghiệp, nhưng chỉ khoảng 30% trong số đó đáp ứng được ngay yêu cầu chuyên môn của doanh nghiệp mà không cần đào tạo lại từ 6 tháng đến 2 năm. Tại Trường Đại học Tài chính – Marketing, số liệu theo dõi 5 khóa đào tạo từ năm 2011 đến 2015 cho thấy tỷ lệ sinh viên ngành Công nghệ thông tin tốt nghiệp đúng thời hạn dao động ở mức rất thấp, từ 29,63% đến 57,14%, cá biệt có khóa tỷ lệ trễ hạn và bỏ học lên tới trên 70%.

Vấn đề cốt lõi đặt ra là sự thiếu hụt các công cụ phân tích tự động để giám sát và dự báo sớm tiến độ tích lũy học tập của người học trong hệ thống đào tạo theo học chế tín chỉ. Mục tiêu nghiên cứu tập trung vào việc ứng dụng kỹ thuật khai phá dữ liệu giáo dục nhằm phân tích tập dữ liệu học tập lịch sử, xây dựng mô hình phân loại dự báo khả năng tốt nghiệp đúng hạn, đồng thời nhận diện các yếu tố tác động trực tiếp đến kết quả học tập của sinh viên. Nghiên cứu được triển khai trên tập dữ liệu thực tế của 325 sinh viên thuộc 5 khóa đào tạo liên tiếp (2011-2015) tại Khoa Công nghệ thông tin, Trường Đại học Tài chính – Marketing trong giai đoạn từ tháng 2 năm 2021 đến tháng 7 năm 2021. Ý nghĩa của đề tài thể hiện qua việc cung cấp cơ sở khoa học giúp nhà trường nâng cao tỷ lệ tốt nghiệp đúng hạn thêm từ 15% đến 25%, hỗ trợ ban lãnh đạo khoa và cố vấn học tập đưa ra các can thiệp sư phạm kịp thời ngay từ năm thứ hai.

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 và khám phá tri thức từ cơ sở dữ liệu. Khai phá dữ liệu giáo dục là phân ngành chuyên sâu tập trung phát triển các phương pháp khám phá các mẫu dữ liệu độc đáo bắt nguồn từ môi trường giáo dục, hỗ trợ tối ưu hóa quy trình học tập và quản trị học thuật.

Mô hình nghiên cứu cốt lõi ứng dụng thuật toán Cây quyết định CART (Classification and Regression Trees). Đây là kỹ thuật học máy có giám sát phân chia không gian dữ liệu thành các tập con thuần khiết theo cấu trúc cây nhị phân. Mô hình vận hành dựa trên hệ số tạp chất Gini (Gini Impurity) với công thức đánh giá độ tinh khiết của từng điểm chia dữ liệu. Để kiểm soát hiện tượng quá khớp (overfitting) và tối ưu hóa sự đánh đổi giữa độ thiên vị (bias) và phương sai (variance), nghiên cứu áp dụng phối hợp hai chiến lược cắt tỉa cây: kỹ thuật tiền cắt tỉa (pre-pruning) thông qua việc giới hạn độ sâu tối đa và số mẫu tối thiểu tại mỗi nút lá; và kỹ thuật hậu cắt tỉa (post-pruning) dựa trên thuật toán tối ưu hóa chi phí - độ phức tạp (Cost-Complexity Pruning) với tham số phạt alpha.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thứ cấp gồm hơn 551.000 bản ghi điểm chi tiết và lịch sử tích lũy tín chỉ của 325 sinh viên chính quy thuộc 5 khóa từ khóa 2011 đến khóa 2015, do Phòng Khảo thí và Kiểm định chất lượng Trường Đại học Tài chính – Marketing trích xuất và cung cấp. Phương pháp chọn mẫu là chọn mẫu toàn bộ quần thể sinh viên ngành Công nghệ thông tin trong khung thời gian nghiên cứu nhằm đảm bảo tính đại diện tuyệt đối và triệt tiêu sai số chọn mẫu.

Lý do lựa chọn thuật toán Cây quyết định thay vì các mạng nơ-ron phức tạp hay máy vector hỗ trợ (SVM) xuất phát từ tính trực quan, cấu trúc dạng luật dễ giải thích (IF-THEN), phù hợp tuyệt đối với ngữ cảnh cố vấn học thuật cần sự minh bạch nguyên nhân. Quy trình phân tích dữ liệu được xây dựng bài bản bằng ngôn ngữ Python với các thư viện chuyên dụng như pandas, numpy, scikit-learn và seaborn. Dữ liệu sau khi xử lý giá trị khuyết thiếu và ngoại lai được phân chia theo tỷ lệ 80% cho tập huấn luyện (training set) và 20% cho tập kiểm tra (testing set), kết hợp phương pháp kiểm định chéo K-fold (K-fold cross-validation) với k = 5 nhằm đảm bảo tính khách quan và độ khái quát hóa cao của mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích dữ liệu thực nghiệm đã chỉ ra 3 phát hiện mang tính quy luật quan trọng:

Thứ nhất, thực trạng tiến độ học tập có sự phân hóa mạnh mẽ qua từng khóa đào tạo. Tỷ lệ tốt nghiệp đúng hạn thấp nhất thuộc về khóa 2014 với 29,63% (chỉ 16 trên 54 sinh viên hoàn thành đúng 4 năm), và cao nhất thuộc về khóa 2012 với 57,14% (48 trên 84 sinh viên). Tỷ lệ việc làm của nhóm sinh viên tốt nghiệp đúng hạn đạt mức cao, dao động từ 68,75% đến 84%, chứng minh mối tương quan thuận giữa năng lực hoàn thành chương trình đúng tiến độ và khả năng đáp ứng yêu cầu tuyển dụng.

Thứ hai, giai đoạn 4 học kỳ đầu tiên (2 năm đầu) đóng vai trò quyết định sống còn đến khả năng tốt nghiệp đúng hạn. Biến tổng số tín chỉ tích lũy trong 4 học kỳ đầu (first4semesters) và số tín chỉ đạt được tại học kỳ 3, học kỳ 4 chiếm hơn 65% trọng số quan trọng trong các nút phân nhánh của cây quyết định. Sinh viên tích lũy dưới 50 tín chỉ sau 4 học kỳ có xác suất trễ hạn hoặc dừng học lên tới trên 85%.

Thứ ba, mô hình Cây quyết định sơ bộ ban đầu gặp hiện tượng quá khớp khi đạt độ chính xác 100% trên tập huấn luyện nhưng giảm xuống khoảng 72% trên tập kiểm tra. Sau khi áp dụng kỹ thuật hậu cắt tỉa Cost-Complexity Pruning tối ưu hóa với tham số alpha thích hợp, mô hình cây tối ưu đã kiểm soát hoàn toàn hiện tượng quá khớp, nâng độ chính xác trên tập kiểm tra lên mức trên 84%, giảm tổng số nút từ 47 nút xuống còn 9 nút cô đọng và dễ suy diễn.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự chậm trễ tiến độ học tập xuất phát từ việc sinh viên không vượt qua được các học phần tiên quyết ở năm thứ nhất và năm thứ hai (như Lập trình căn bản, Cấu trúc dữ liệu và giải thuật, Toán chuyên ngành), dẫn đến tình trạng nợ đọng môn học dây chuyền và không thể đăng ký các học phần chuyên ngành ở năm thứ ba.

Kết quả độ chính xác trên 84% của mô hình hoàn toàn tương đồng với các nghiên cứu khai phá dữ liệu giáo dục quốc tế, chẳng hạn như nghiên cứu của Romero đạt 76%, nghiên cứu của Jishan đạt 91% hay nghiên cứu của Mayilvaganan đạt 83%.

Về mặt biểu diễn dữ liệu học thuật, sự tương quan phân bổ giữa biến tích lũy tín chỉ và biến mục tiêu tốt nghiệp được mô tả trực quan và thuyết phục thông qua hệ thống biểu đồ hộp (Boxplot) và biểu đồ phân tán (Scatter Matrix), làm nổi bật rõ rệt khoảng cách trung vị giữa hai nhóm đối tượng. Hiệu năng phân loại của mô hình tối ưu được xác thực chuẩn xác thông qua Ma trận nhầm lẫn (Confusion Matrix), chứng minh tỷ lệ dự báo dương tính thật đạt mức cao vượt trội và hạn chế tối đa rủi ro bỏ sót các sinh viên có nguy cơ cảnh báo học vụ cao.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, 4 giải pháp can thiệp chiến lược được đề xuất triển khai:

Thứ nhất, thiết lập hệ thống cảnh báo học vụ tự động định kỳ sau mỗi học kỳ. Phòng Khảo thí và Đào tạo phối hợp cùng Trung tâm Công nghệ thông tin đưa mô hình cây quyết định vào hệ thống phần mềm quản lý đào tạo, tự động phân loại và gửi email cảnh báo sớm cho những sinh viên tích lũy dưới 14 tín chỉ mỗi kỳ. Mục tiêu đặt ra là giảm 20% tỷ lệ sinh viên bị cảnh báo học vụ trong vòng 12 tháng triển khai.

Thứ hai, chuẩn hóa quy trình tư vấn và đăng ký học phần cá nhân hóa. Ban chủ nhiệm Khoa Công nghệ thông tin chỉ đạo đội ngũ Cố vấn học tập sử dụng tập luật trích xuất từ cây quyết định để hướng dẫn sinh viên có điểm tích lũy thấp phân bổ khối lượng môn học vừa sức (từ 12 đến 15 tín chỉ/kỳ thay vì đăng ký vượt mức quy định 20 tín chỉ). Thời gian áp dụng bắt đầu ngay từ đợt đăng ký môn học học kỳ 1 của năm học tiếp theo.

Thứ ba, tái cấu trúc chương trình đào tạo và tổ chức lớp bổ trợ kiến thức nền tảng. Khoa Công nghệ thông tin chủ trì rà soát lại ma trận môn học tiên quyết, mở các lớp học bồi dưỡng miễn phí vào học kỳ phụ cho các môn lập trình cơ sở. Target metric là nâng tỷ lệ sinh viên vượt qua các môn cốt lõi năm thứ nhất đạt mức trên 80% trong vòng 2 năm.

Thứ tư, xây dựng Dashboard trực quan hóa dữ liệu học tập dành riêng cho lãnh đạo nhà trường. Ban Giám hiệu theo dõi trực tiếp các chỉ số phân tích tiến độ theo thời gian thực (real-time metrics) của từng khóa đào tạo để kịp thời điều chỉnh kế hoạch tuyển sinh và phân bổ nguồn lực giảng dạy, hướng tới mục tiêu nâng tỷ lệ tốt nghiệp đúng hạn toàn trường lên trên 65% vào năm 2025.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng:

Nhóm 1: Ban Giám hiệu và các nhà quản lý đào tạo đại học. Luận văn cung cấp phương pháp luận và bằng chứng thực nghiệm vững chắc để xây dựng các chính sách quản trị học thuật dựa trên dữ liệu (data-driven decision making), giúp tối ưu hóa tỷ lệ tốt nghiệp và cải thiện chất lượng nguồn tuyển sinh đầu vào.

Nhóm 2: Cố vấn học tập và giảng viên chủ nhiệm khoa Công nghệ thông tin. Cung cấp bộ công cụ nhận diện nhanh các sinh viên có nguy cơ tụt hậu tiến độ học tập thông qua tập luật phân loại rõ ràng, giúp chuẩn hóa công tác tư vấn hướng nghiệp và lập lộ trình học tập cá nhân hóa cho từng sinh viên.

Nhóm 3: Các nhà nghiên cứu và học viên cao học chuyên ngành Hệ thống thông tin quản lý, Khoa học dữ liệu và Giáo dục học. Tài liệu là nguồn tham khảo mẫu mực về quy trình tiền xử lý dữ liệu thực tế lớn, phương pháp xử lý mất cân bằng lớp và kỹ thuật tối ưu hóa cây quyết định bằng thuật toán cắt tỉa hiện đại trên Python.

Nhóm 4: Sinh viên ngành Công nghệ thông tin và các ngành đào tạo theo tín chỉ. Giúp người học hiểu rõ cơ chế tích lũy tín chỉ, nhận thức rõ tầm quan trọng của giai đoạn 2 năm đầu tiên để tự xây dựng kế hoạch học tập khoa học và hoàn thành chương trình đúng hạn.

Câu hỏi thường gặp

Thuật toán Cây quyết định CART mang lại ưu thế vượt trội nào trong bài toán phân tích dữ liệu giáo dục? Thuật toán CART phân chia dữ liệu nhị phân dựa trên chỉ số Gini Impurity, tạo ra các tập luật quyết định trực quan dạng câu lệnh điều kiện. Điều này giúp các nhà quản lý giáo dục dễ dàng diễn giải nguyên nhân cụ thể dẫn đến nguy cơ chậm tiến độ của sinh viên, vượt trội hơn các mô hình hộp đen khó giải thích.

Tại sao số lượng tín chỉ tích lũy trong 4 học kỳ đầu lại là chỉ số dự báo quan trọng nhất? Dữ liệu phân tích 325 sinh viên cho thấy 4 học kỳ đầu chứa toàn bộ các khối kiến thức cơ sở ngành và điều kiện tiên quyết. Sinh viên không tích lũy đủ khoảng 50 tín chỉ trong giai đoạn này sẽ bị nghẽn mạch đăng ký môn học chuyên ngành ở các kỳ tiếp theo, dẫn đến tỷ lệ trễ hạn lên tới hơn 85%.

Làm thế nào để khắc phục hiện tượng quá khớp (overfitting) khi xây dựng mô hình dự báo học tập? Nghiên cứu áp dụng kỹ thuật hậu cắt tỉa Cost-Complexity Pruning kết hợp kiểm định chéo 5-fold cross-validation. Bằng cách đưa vào tham số alpha để phạt các nhánh cây quá phức tạp, mô hình giảm từ 47 nút xuống còn 9 nút tối ưu, giữ độ chính xác trên tập kiểm tra đạt trên 84%.

Mô hình nghiên cứu này có thể áp dụng cho các khoa đào tạo khác ngoài ngành Công nghệ thông tin không? Hoàn toàn có thể mở rộng ứng dụng. Quy trình tiền xử lý dữ liệu và khung thuật toán CART đề xuất trong luận văn được thiết kế chuẩn hóa, có thể tái sử dụng để dự báo tiến độ cho các khối ngành kinh tế, kế toán, marketing có cùng hình thức đào tạo theo học chế tín chỉ.

Dữ liệu đầu vào của mô hình cần những trường thông tin cơ bản nào để tiến hành phân tích? Mô hình yêu cầu dữ liệu lịch sử đăng ký học phần, số tín chỉ tích lũy từng học kỳ, điểm tổng kết học phần và trạng thái đạt môn của sinh viên. Các dữ liệu này đều có sẵn trong hệ thống cơ sở dữ liệu quản lý đào tạo tiêu chuẩn của các trường đại học tại Việt Nam.

Kết luận

  • Luận văn đã phân tích thành công thực trạng học tập của 325 sinh viên qua 5 khóa đào tạo, chỉ ra tỷ lệ tốt nghiệp đúng hạn dao động ở mức thấp từ 29,63% đến 57,14%.
  • Xây dựng hoàn chỉnh quy trình khai phá dữ liệu giáo dục trên Python, ứng dụng thuật toán Cây quyết định CART phân loại chính xác khả năng tốt nghiệp của sinh viên.
  • Khẳng định số tín chỉ tích lũy trong 4 học kỳ đầu là yếu tố cốt lõi chi phối trực tiếp đến tiến độ hoàn thành chương trình đào tạo của sinh viên công nghệ thông tin.
  • Đề xuất mô hình cây tối ưu đạt độ chính xác trên 84% nhờ kỹ thuật hậu cắt tỉa Cost-Complexity Pruning, loại bỏ hoàn toàn hiện tượng quá khớp.
  • Cung cấp hệ thống 4 nhóm giải pháp can thiệp sư phạm toàn diện với lộ trình triển khai rõ ràng trong 6 đến 24 tháng cho nhà trường và cố vấn học tập.

Công trình là tài liệu học thuật giá trị, đặt nền móng cho việc ứng dụng phân tích dữ liệu lớn vào chuyển đổi số giáo dục đại học. Để khai thác chi tiết các đoạn mã nguồn Python và bộ tập luật dự báo, quý độc giả và các đơn vị giáo dục hãy liên hệ hoặc tra cứu trực tiếp toàn văn luận văn tại thư viện trường.