PHÂN TÍCH PHẢN HỒI BÌNH LUẬN SINH VIÊN SỬ DỤNG HỌC SÂU

Phân tích phản hồi sinh viên bằng học sâu giúp cải thiện chất lượng đào tạo. Nghiên cứu ứng dụng deep learning để phân tích ý kiến, đánh giá hiệu quả.

• Tác giả: Tran Ngoc Khanh Vinh
• Người hướng dẫn: Trọng Hợp
• Trường học: Trường Học Công Nghệ Thông Tin - Đại Học Quốc Gia Hcm
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phân Tích Phản Hồi Bình Luận Sinh Viên Sử Dụng Học Sâu
• Loại tài liệu: Luận Văn Thạc Sĩ
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH ẢNH
• TÓM TẮT LUẬN VĂN
• 1. CHƯƠNG 1: TỔNG QUAN LUẬN VĂN
• 1.1. Động lực nghiên cứu luận văn
• 1.2. Mục tiêu và phạm vi của luận văn
• 1.3. Các cách thức nghiên cứu
• 1.4. Ý nghĩa bài nghiên cứu
• 1.5. Nội dung luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÓ
• 2.1. Natural Language Processing
• 2.2. Mã hóa one-hot
• 2.3. Word2Vec
• 2.4. Machine Learning
• 2.5. Mô hình Transformer và BERT
• 2.6. Các nghiên cứu liên quan
• 2.7. Tóm tắt chương
• 3. CHƯƠNG 3: ĐỀ XUẤT MÔ HÌNH DEEP LEARNING
• 3.1. Phương pháp xây dựng mô hình
• 3.2. Phương pháp đánh giá mô hình
• 4. CHƯƠNG 4: TIẾN HÀNH THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Xây dựng dataset
• 4.1.1. Thu thập dữ liệu
• 4.1.2. Làm sạch dữ liệu
• 4.2. Cài đặt mô hình
• 4.3. Đánh giá kết quả thực nghiệm
• 4.4. Xây dựng ứng dụng
• 4.4.1. Giao diện và chức năng ứng dụng
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN TƯƠNG LAI
• 5.1. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Phản Hồi Sinh Viên Học Sâu Tổng Quan và Tiềm Năng

Phản hồi từ sinh viên đóng vai trò then chốt trong việc cải thiện chất lượng giáo dục và đào tạo. Thông qua phân tích phản hồi, giảng viên và nhà trường có thể nhận diện điểm mạnh, điểm yếu của chương trình học, phương pháp giảng dạy, và các yếu tố khác ảnh hưởng đến trải nghiệm học tập của sinh viên. Tuy nhiên, việc xử lý lượng lớn phản hồi thủ công tốn nhiều thời gian và công sức. Sự ra đời của học sâu mở ra hướng giải quyết mới, tự động hóa quá trình phân tích dữ liệu và trích xuất thông tin giá trị. Theo tài liệu nghiên cứu, học sâu có khả năng phân tích cảm xúc (sentiment analysis) và khai phá văn bản (mining text) từ phản hồi sinh viên một cách hiệu quả.

1.1. Tầm quan trọng của phản hồi sinh viên trong giáo dục

Phản hồi sinh viên không chỉ là nguồn thông tin để đánh giá chất lượng giảng dạy mà còn là công cụ để cải thiện trải nghiệm học tập. Nó cung cấp cái nhìn sâu sắc về nhu cầu, mong muốn và những khó khăn mà sinh viên gặp phải. Từ đó, nhà trường và giảng viên có thể điều chỉnh chương trình học, phương pháp giảng dạy và các dịch vụ hỗ trợ để đáp ứng tốt hơn nhu cầu của sinh viên. Chất lượng giáo dục trực tiếp được nâng cao khi nhà trường lắng nghe và hành động dựa trên những phản hồi này.

1.2. Giới thiệu về Học Sâu và ứng dụng trong xử lý văn bản

Học sâu (Deep Learning) là một nhánh của học máy (Machine Learning) sử dụng mạng nơ-ron sâu để phân tích dữ liệu phức tạp. Trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP), học sâu đã đạt được những tiến bộ vượt bậc trong các tác vụ như dịch máy, phân tích cảm xúc và tóm tắt văn bản. Khả năng tự động học các đặc trưng phức tạp từ dữ liệu văn bản giúp học sâu trở thành công cụ mạnh mẽ để phân tích phản hồi sinh viên. Các mô hình như BERT và PhoBERT đang được sử dụng rộng rãi.

II. Thách Thức Phân Tích Phản Hồi Sinh Viên Giải Pháp Học Sâu

Mặc dù phản hồi sinh viên chứa đựng thông tin giá trị, việc phân tích thủ công gặp nhiều khó khăn. Lượng dữ liệu lớn, ngôn ngữ không chính thức, và sự đa dạng trong cách diễn đạt là những thách thức chính. Ngoài ra, việc xác định chính xác cảm xúc và chủ đề quan trọng từ phản hồi đòi hỏi sự am hiểu sâu sắc về ngữ cảnh. Học sâu giải quyết những thách thức này bằng cách tự động hóa quá trình phân tích, trích xuất thông tin chính xác và hiệu quả hơn. Các nghiên cứu đã chứng minh khả năng của học sâu trong việc xử lý ngôn ngữ tự nhiên và phân tích cảm xúc từ dữ liệu văn bản.

2.1. Khó khăn trong phân tích phản hồi sinh viên thủ công

Phân tích thủ công phản hồi sinh viên tốn nhiều thời gian và công sức, đặc biệt khi lượng dữ liệu lớn. Tính chủ quan của người phân tích cũng có thể ảnh hưởng đến kết quả, dẫn đến sai lệch trong việc đánh giá cảm xúc và xác định các vấn đề quan trọng. Ngôn ngữ không chính thức, cách diễn đạt đa dạng và sự thiếu nhất quán trong phản hồi cũng gây khó khăn cho việc phân tích chính xác. Vì vậy, cần có phương pháp phân tích tự động, khách quan và hiệu quả hơn.

2.2. Học Sâu Giải pháp tự động hóa và nâng cao hiệu quả

Học sâu cung cấp giải pháp tự động hóa quá trình phân tích phản hồi sinh viên, giúp tiết kiệm thời gian và công sức. Các mô hình học sâu có khả năng tự động học các đặc trưng phức tạp từ dữ liệu văn bản, giúp nâng cao độ chính xác trong việc phân tích cảm xúc và xác định các chủ đề quan trọng. Học sâu cũng giúp giảm thiểu tính chủ quan của người phân tích, đảm bảo tính khách quan và nhất quán trong kết quả phân tích.

III. Cách Xây Dựng Mô Hình Học Sâu Phân Tích Phản Hồi

Để ứng dụng học sâu hiệu quả, cần xây dựng mô hình học sâu phù hợp với đặc thù của dữ liệu phản hồi sinh viên. Quá trình này bao gồm thu thập và tiền xử lý dữ liệu, lựa chọn kiến trúc mô hình, huấn luyện mô hình, và đánh giá hiệu suất. Các kiến trúc mô hình phổ biến bao gồm mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN), và Transformer (ví dụ: BERT, PhoBERT). Theo nghiên cứu của Trần Ngọc Khánh Vinh, việc sử dụng các mô hình tiền huấn luyện như PhoBERT giúp cải thiện đáng kể độ chính xác trong phân tích cảm xúc của phản hồi tiếng Việt.

3.1. Thu thập và Tiền xử lý dữ liệu phản hồi sinh viên

Bước đầu tiên là thu thập dữ liệu phản hồi sinh viên từ nhiều nguồn khác nhau, như khảo sát trực tuyến, email, hoặc diễn đàn trực tuyến. Sau đó, cần tiền xử lý dữ liệu để loại bỏ nhiễu, chuẩn hóa văn bản và chuyển đổi dữ liệu thành định dạng phù hợp cho học sâu. Các bước tiền xử lý thường bao gồm loại bỏ ký tự đặc biệt, chuyển đổi chữ thường, tách từ, và loại bỏ stop words. Việc tiền xử lý cẩn thận giúp cải thiện hiệu suất của mô hình học sâu.

3.2. Lựa chọn kiến trúc mô hình học sâu phù hợp

Việc lựa chọn kiến trúc mô hình học sâu phù hợp phụ thuộc vào đặc điểm của dữ liệu phản hồi và mục tiêu phân tích. Các mô hình như CNN và RNN phù hợp với việc phân tích chuỗi văn bản ngắn, trong khi Transformer, đặc biệt là BERT và PhoBERT, hiệu quả hơn trong việc xử lý các câu dài và phức tạp. PhoBERT, được huấn luyện trước trên dữ liệu tiếng Việt, đặc biệt phù hợp với phân tích phản hồi bằng tiếng Việt.

3.3. Huấn luyện và Đánh giá mô hình học sâu

Sau khi chọn được kiến trúc mô hình, cần huấn luyện mô hình trên dữ liệu phản hồi đã được tiền xử lý. Quá trình huấn luyện bao gồm điều chỉnh các tham số của mô hình để giảm thiểu sai số giữa dự đoán và giá trị thực tế. Sau khi huấn luyện, cần đánh giá hiệu suất của mô hình trên một tập dữ liệu kiểm tra độc lập để đảm bảo tính chính xác và khả năng khái quát hóa của mô hình. Các chỉ số đánh giá thường được sử dụng bao gồm accuracy, precision, recall, và F1-score.

IV. Ứng Dụng Thực Tiễn Cải Thiện Đào Tạo với Phân Tích Học Sâu

Việc phân tích phản hồi sinh viên bằng học sâu mang lại nhiều lợi ích thiết thực trong việc cải thiện chất lượng đào tạo. Thông tin thu được có thể được sử dụng để điều chỉnh nội dung chương trình học, cải tiến phương pháp giảng dạy, và cung cấp hỗ trợ cá nhân hóa cho sinh viên. Ngoài ra, phân tích cảm xúc có thể giúp xác định những vấn đề gây ảnh hưởng tiêu cực đến trải nghiệm học tập của sinh viên. Các ứng dụng học sâu trong giáo dục ngày càng trở nên phổ biến và hứa hẹn mang lại những thay đổi tích cực.

4.1. Điều chỉnh chương trình học và phương pháp giảng dạy

Phân tích phản hồi sinh viên bằng học sâu có thể giúp xác định những nội dung chương trình học khó hiểu hoặc không phù hợp với sinh viên. Dựa trên thông tin này, giảng viên có thể điều chỉnh nội dung, phương pháp giảng dạy và tài liệu học tập để đáp ứng tốt hơn nhu cầu của sinh viên. Ví dụ, nếu phân tích cho thấy sinh viên gặp khó khăn với một chủ đề cụ thể, giảng viên có thể cung cấp thêm bài tập, ví dụ minh họa hoặc tổ chức các buổi thảo luận nhóm.

4.2. Cung cấp hỗ trợ cá nhân hóa cho sinh viên

Học sâu có thể được sử dụng để xác định những sinh viên có nguy cơ gặp khó khăn trong học tập dựa trên phản hồi của họ. Dựa trên thông tin này, nhà trường có thể cung cấp hỗ trợ cá nhân hóa cho sinh viên, như tư vấn học tập, gia sư hoặc các chương trình hỗ trợ khác. Việc cung cấp hỗ trợ kịp thời giúp sinh viên vượt qua khó khăn và đạt kết quả học tập tốt hơn.

V. Nghiên Cứu và Kết Quả Hiệu Quả Phân Tích Phản Hồi Bằng Học Sâu

Nhiều nghiên cứu đã chứng minh hiệu quả của việc sử dụng học sâu trong phân tích phản hồi sinh viên. Các mô hình học sâu thường đạt độ chính xác cao hơn so với các phương pháp truyền thống trong việc phân tích cảm xúc và xác định chủ đề. Các nghiên cứu cũng chỉ ra rằng việc sử dụng các mô hình tiền huấn luyện như BERT và PhoBERT giúp cải thiện đáng kể hiệu suất phân tích trên dữ liệu phản hồi tiếng Việt. Kết quả nghiên cứu này mở ra những triển vọng lớn cho việc ứng dụng học sâu trong giáo dục.

5.1. So sánh độ chính xác giữa học sâu và phương pháp truyền thống

Các nghiên cứu đã chỉ ra rằng các mô hình học sâu thường đạt độ chính xác cao hơn so với các phương pháp phân tích truyền thống, như phân tích dựa trên từ điển hoặc các thuật toán học máy đơn giản. Khả năng tự động học các đặc trưng phức tạp từ dữ liệu văn bản giúp học sâu vượt trội hơn trong việc phân tích cảm xúc và xác định chủ đề. Sự khác biệt về độ chính xác có thể lên đến 10-20% trong một số trường hợp.

5.2. Ảnh hưởng của mô hình tiền huấn luyện BERT PhoBERT

Việc sử dụng các mô hình tiền huấn luyện như BERT và PhoBERT, đặc biệt là PhoBERT cho dữ liệu tiếng Việt, giúp cải thiện đáng kể hiệu suất phân tích phản hồi sinh viên. Các mô hình này được huấn luyện trước trên lượng lớn dữ liệu văn bản, giúp chúng hiểu rõ hơn về ngữ cảnh và cấu trúc ngôn ngữ. Nhờ đó, chúng có khả năng phân tích cảm xúc và xác định chủ đề chính xác hơn, ngay cả với dữ liệu có ít thông tin.

VI. Tương Lai Phân Tích Phản Hồi Hướng Phát Triển Học Sâu

Lĩnh vực phân tích phản hồi sinh viên sử dụng học sâu vẫn còn nhiều tiềm năng phát triển. Các hướng nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình học sâu mạnh mẽ hơn, xử lý các loại phản hồi đa phương tiện (ví dụ: video, âm thanh), và tích hợp phân tích với các hệ thống quản lý học tập. Việc kết hợp AI trong giáo dục sẽ mang lại những trải nghiệm học tập cá nhân hóa và hiệu quả hơn cho sinh viên.

6.1. Phát triển mô hình học sâu mạnh mẽ và linh hoạt hơn

Trong tương lai, cần phát triển các mô hình học sâu mạnh mẽ và linh hoạt hơn để đáp ứng nhu cầu phân tích phản hồi sinh viên ngày càng phức tạp. Các mô hình này cần có khả năng xử lý nhiều loại dữ liệu khác nhau, như văn bản, hình ảnh, và âm thanh. Ngoài ra, chúng cần có khả năng thích ứng với các ngữ cảnh khác nhau và cung cấp thông tin phân tích chi tiết và chính xác.

6.2. Tích hợp phân tích học sâu vào hệ thống quản lý học tập

Việc tích hợp phân tích học sâu vào các hệ thống quản lý học tập (LMS) sẽ giúp tự động hóa quá trình thu thập, phân tích và sử dụng phản hồi sinh viên. Thông tin phân tích có thể được cung cấp cho giảng viên và nhà trường để họ có thể đưa ra các quyết định dựa trên dữ liệu và cải thiện chất lượng giáo dục. Ngoài ra, hệ thống có thể tự động cung cấp phản hồi cho sinh viên dựa trên phản hồi của họ, giúp họ cải thiện trải nghiệm học tập.

Nội dung chính

Tổng quan nghiên cứu

Trong xu hướng chuyển đổi số giáo dục đại học năm 2024, việc thấu hiểu trải nghiệm và tâm lý người học đóng vai trò then chốt trong công tác bảo đảm chất lượng đào tạo. Các trường đại học và cao đẳng thường xuyên tổ chức khảo sát ý kiến sinh viên sau mỗi học kỳ nhằm thu thập thông tin về chất lượng giảng dạy, chương trình học và cơ sở vật chất. Tuy nhiên, việc xử lý khối lượng lớn dữ liệu văn bản phản hồi bằng phương pháp thủ công tiêu tốn rất nhiều thời gian, nhân lực và chi phí vận hành, đồng thời khó tránh khỏi sự thiếu nhất quán trong đánh giá.

Đề tài luận văn thạc sĩ ngành Công nghệ thông tin tập trung giải quyết bài toán phân tích phản hồi bình luận sinh viên bằng các kỹ thuật học sâu tiên tiến. Thay vì chỉ phân loại cảm xúc tổng quát theo cách truyền thống, nghiên cứu đi sâu vào bài toán phân tích cảm xúc dựa trên khía cạnh (Aspect-Based Sentiment Analysis - ABSA). Mục tiêu trọng tâm là xây dựng một mô hình học sâu tích hợp đầu cuối (end-to-end) theo hướng tiếp cận đa nhiệm (Multi-task), cho phép tự động nhận diện 4 khía cạnh đào tạo cốt lõi và phân loại chính xác 3 trạng thái cảm xúc tương ứng.

Nghiên cứu được triển khai trên tập dữ liệu thực nghiệm gồm 2.849 phản hồi bằng tiếng Việt thu thập tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM và Trường Cao đẳng Kỹ Nghệ II trong năm 2024. Kết quả nghiên cứu không chỉ đóng góp một giải pháp học máy có độ chính xác cao cho ngôn ngữ tiếng Việt mà còn trực tiếp xây dựng ứng dụng phần mềm thực tế trên ngôn ngữ Python, giúp các cơ sở giáo dục rút ngắn hơn 80% thời gian xử lý dữ liệu khảo sát và nâng cao hiệu quả quản trị học đường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng của lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP) và bài toán Phân tích cảm xúc dựa trên khía cạnh (ABSA). Về mặt lý thuyết mô hình hóa chuỗi, đề tài kế thừa và phát triển từ các kiến trúc mạng nơ-ron học sâu như mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN), mạng bộ nhớ ngắn hạn dài (LSTM) và đặc biệt là kiến trúc Transformer dựa trên cơ chế tự chú ý (Self-Attention).

Mô hình tham chiếu trọng tâm của luận văn là PhoBERT-base, một mô hình ngôn ngữ tiếng Việt được huấn luyện trước (pre-trained) dựa trên cấu trúc RoBERTa của Google. PhoBERT sử dụng hai kỹ thuật huấn luyện cốt lõi gồm mô hình ngôn ngữ che dấu (Masked Language Model - MLM) và dự đoán câu tiếp theo (Next Sentence Prediction - NSP), cho phép nắm bắt ngữ cảnh hai chiều vượt trội.

Khung nghiên cứu đề xuất áp dụng phương pháp ghép nối 4 lớp ẩn cuối cùng (last 4 hidden states) của mạng PhoBERT nhằm tận dụng tối đa các đặc trưng ngữ pháp cục bộ và ngữ nghĩa toàn cục. Đầu ra của mô hình được kết nối trực tiếp với tầng liên kết đầy đủ gồm 16 nơ-ron phân loại đa nhiệm, tương ứng với 4 khía cạnh nhân với 4 nhãn phân loại (Tích cực, Tiêu cực, Trung lập và Không xác định). Hệ thống cũng tích hợp các khái niệm then chốt như biểu diễn vector từ ngữ (Word Embedding), mã hóa one-hot và hàm mất mát entropy chéo đa nhãn.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài bao gồm 2.849 mẫu phản hồi văn bản thực tế của người học sau khi hoàn thành các môn học chuyên ngành. Phương pháp chọn mẫu được thực hiện theo phương thức phân tầng ngẫu nhiên kết hợp thu thập thuận tiện thông qua các biểu mẫu khảo sát trực tuyến tại các cơ sở đào tạo đại học và cao đẳng. Lý do lựa chọn tập dữ liệu này xuất phát từ thực tế khan hiếm các bộ ngữ liệu tiếng Việt chuẩn hóa dành riêng cho bài toán đánh giá giáo dục.

Quy trình nghiên cứu thực nghiệm được thực hiện bài bản qua các giai đoạn kỹ thuật rõ ràng:

1. Chuẩn hóa dữ liệu: Chuyển đổi toàn bộ bảng mã từ Windows-1252 về UTF-8 chuẩn quốc tế.
2. Tiền xử lý văn bản: Tự động sửa lỗi chính tả, chuẩn hóa vị trí dấu thanh tiếng Việt, giải mã các từ viết tắt và ngôn ngữ mạng thông dụng.
3. Tách từ tiếng Việt: Sử dụng bộ công cụ VnCoreNLP để phân đoạn từ ghép chính xác, hạn chế tối đa hiện tượng phân mảnh ngữ nghĩa.
4. Lọc bỏ nhiễu: Loại bỏ các ký tự lặp vô nghĩa và khoảng trắng thừa nhằm giảm số chiều của không gian đặc trưng.

Quá trình huấn luyện mô hình được thiết lập trên môi trường điện toán đám mây Google Colab với phần cứng GPU T4 chuyên dụng. Các siêu tham số tối ưu bao gồm kích thước lô (batch size) bằng 16, độ dài vector đầu vào cố định ở mức 256 tokens, số lượng chu kỳ huấn luyện tối đa 20 epochs. Nghiên cứu áp dụng thuật toán tối ưu hóa Adam với tốc độ học khởi tạo 1e-5, kết hợp kỹ thuật dừng sớm (Early Stopping) sau 5 epoch liên tiếp nếu độ mất mát trên tập kiểm định không tiếp tục giảm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích định lượng trên toàn bộ tập ngữ liệu 2.849 phản hồi cho thấy cấu trúc phân bố rõ rệt giữa các nhóm khía cạnh đào tạo:

• Khía cạnh Sự chuyên nghiệp của giảng viên (Professionalism) chiếm tỷ trọng lớn nhất với 1.372 phản hồi, tương đương 48,16% tổng dung lượng dữ liệu.
• Khía cạnh Tài liệu và học liệu (Material) đứng thứ hai với 947 phản hồi, chiếm 33,24%.
• Khía cạnh Cơ sở vật chất (Facility) ghi nhận 337 phản hồi, chiếm 11,83%.
• Khía cạnh Ý kiến khác (Others) bao gồm các nguyện vọng chung chiếm 193 phản hồi, tương đương 6,77%.

Về phân bố trạng thái cảm xúc, tỷ lệ phản hồi tích cực chiếm ưu thế vượt trội ở khía cạnh giảng dạy của giảng viên (trên 70% biểu đạt thái độ hài lòng về sự nhiệt tình và chuyên môn). Ngược lại, khía cạnh cơ sở vật chất và tài liệu học tập ghi nhận tỷ lệ phản hồi tiêu cực cao hơn đáng kể (khoảng 35% đến 40% phản ánh tình trạng máy tính cấu hình yếu, mạng internet chập chờn hoặc giáo trình nặng về lý thuyết hàn lâm).

Về hiệu năng mô hình, thực nghiệm ghi nhận chỉ số độ chính xác (Accuracy) và điểm F1-score của bài toán phát hiện khía cạnh (Aspect Detection) đạt mức trên 94,00%. Đối với bài toán phát hiện cảm xúc (Sentiment Detection) và bài toán liên hợp phát hiện đồng thời khía cạnh cùng sắc thái cảm xúc, mô hình học sâu đề xuất đều đạt các chỉ số Precision, Recall và F1-score vượt mốc 90,00%, thể hiện khả năng thích ứng xuất sắc với ngữ cảnh văn phong sinh viên.

Thảo luận kết quả

Các kết quả phân tích dữ liệu được mô tả trực quan thông qua biểu đồ cột phân phối khía cạnh và biểu đồ tròn thể hiện cơ cấu sắc thái cảm xúc. Việc hiển thị dữ liệu qua biểu đồ cho phép ban lãnh đạo nhà trường nhanh chóng nhận diện điểm mạnh trong đội ngũ sư phạm, đồng thời khoanh vùng chính xác các điểm nghẽn về hạ tầng công nghệ thông tin.

Hiệu suất vượt trội của mô hình bắt nguồn từ việc tận dụng thành công cơ chế chú ý của PhoBERT kết hợp kỹ thuật nối 4 lớp ẩn cuối cùng. Trong tiếng Việt, các phản hồi sinh viên thường có cấu trúc câu phức, lồng ghép liên từ đối lập như "thầy dạy dễ hiểu nhưng nhiều lúc hơi nhanh". Trong khi các mạng nơ-ron truyền thống như BiLSTM hoặc CNN thường bị phân tâm bởi vế câu mang nghĩa tích cực đứng trước, mô hình đề xuất đã phân bổ trọng số chú ý chính xác vào vế câu sau liên từ, từ đó gán đúng nhãn cảm xúc tiêu cực cho khía cạnh phương pháp giảng dạy.

So với các nghiên cứu trước đây tại Việt Nam vốn chỉ áp dụng các mô hình học máy cơ bản hoặc mạng nơ-ron đơn tầng, cách tiếp cận học sâu đa nhiệm end-to-end trong luận văn này đã giải quyết triệt để sự phụ thuộc vào việc trích xuất đặc trưng thủ công, mang lại khả năng tổng quát hóa cao khi xử lý các tập dữ liệu thực tế phát sinh ngoài đời thực.

Đề xuất và khuyến nghị

Dựa trên các phát hiện thực nghiệm, luận văn đưa ra 4 nhóm giải pháp chiến lược nhằm tối ưu hóa chất lượng giáo dục và công tác quản lý:

1. Đổi mới học liệu và tài liệu môn học: Tổ bộ môn và giảng viên cần rà soát, giảm bớt tính hàn lâm trong giáo trình, bổ sung thêm các bài tập tình huống thực tế và dự án thực hành; đặt mục tiêu giảm 30% tỷ lệ phản hồi tiêu cực về học liệu trong vòng 6 tháng tới.
2. Nâng cấp hạ tầng cơ sở vật chất: Phòng Quản trị thiết bị và Ban Giám hiệu cần xây dựng kế hoạch bảo dưỡng định kỳ hệ thống máy tính thực hành, nâng cấp băng thông mạng nội bộ tại các giảng đường; cam kết hoàn thành việc thay thế các thiết bị xuống cấp trong lộ trình 3 tháng trước năm học mới.
3. Tự động hóa công tác khảo sát đánh giá: Phòng Khảo thí và Đảm bảo chất lượng cần tích hợp ứng dụng phân tích phản hồi tự động bằng Python vào cổng thông tin đào tạo; rút ngắn chu kỳ tổng hợp báo cáo phản hồi từ 3 tuần xuống dưới 24 giờ sau khi kết thúc đợt khảo sát cho 100% môn học.
4. Bồi dưỡng kỹ năng sư phạm tương tác: Ban Đào tạo cần tổ chức các khóa tập huấn phương pháp giảng dạy hiện đại, khuyến khích giảng viên duy trì tính tương tác đa chiều trên lớp nhằm duy trì tỷ lệ hài lòng về tính chuyên nghiệp của người dạy ở mức trên 90%.

Đối tượng nên tham khảo luận văn

Nội dung và sản phẩm của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính:

1. Ban Giám hiệu và các nhà quản lý giáo dục: Sử dụng kết quả phân tích và phương pháp luận của đề tài làm cơ sở dữ liệu định lượng, phục vụ việc ra quyết định điều chỉnh khung chương trình đào tạo và đầu tư nguồn lực cơ sở vật chất chính xác.
2. Cán bộ phòng Khảo thí và Đảm bảo chất lượng: Ứng dụng trực tiếp quy trình xử lý dữ liệu tự động để phân loại hàng nghìn phản hồi của sinh viên mỗi học kỳ mà không cần tốn kém nhân sự thống kê thủ công.
3. Giảng viên và nhà nghiên cứu Xử lý ngôn ngữ tự nhiên: Tham khảo kiến trúc mô hình học sâu đa nhiệm nối 4 lớp ẩn PhoBERT, quy trình tiền xử lý văn bản tiếng Việt và bộ siêu tham số tối ưu cho các bài toán phân loại văn bản phức tạp.
4. Sinh viên và học viên cao học ngành Công nghệ thông tin: Khai thác tài liệu học thuật, cấu trúc ứng dụng giao diện Python và các phân tích kỹ thuật về mạng Transformer làm tài liệu nghiên cứu chuyên sâu cho các đề tài khóa luận liên quan.

Câu hỏi thường gặp

1. Mô hình PhoBERT-base được cấu hình như thế nào để xử lý bài toán phản hồi sinh viên? Mô hình sử dụng mạng PhoBERT-base tiếng Việt được tinh chỉnh, ghép nối 4 lớp ẩn cuối cùng để trích xuất đặc trưng sâu. Dữ liệu đầu vào được cố định ở độ dài 256 tokens và truyền qua tầng phân loại 16 nơ-ron đa nhiệm, tối ưu hóa bằng thuật toán Adam với tốc độ học 1e-5.

2. Tại sao luận văn lại chia phản hồi thành 4 khía cạnh đánh giá cụ thể? Tập dữ liệu 2.849 mẫu thực tế cho thấy mối quan tâm của sinh viên tập trung vào 4 nhóm: Giảng viên (1.372 mẫu), Tài liệu (947 mẫu), Cơ sở vật chất (337 mẫu) và Ý kiến khác (193 mẫu). Việc phân chia này bám sát yêu cầu kiểm định chất lượng giáo dục đại học.

3. Quy trình tiền xử lý văn bản tiếng Việt trong luận văn gồm những bước nào? Dữ liệu văn bản trải qua 5 bước nghiêm ngặt: chuyển đổi bảng mã UTF-8, sửa lỗi gõ dấu thanh, chuyển đổi từ viết tắt và teencode, phân đoạn từ ghép bằng VnCoreNLP toolkit và loại bỏ các ký tự lặp vô nghĩa nhằm giảm chiều dữ liệu.

4. Mô hình xử lý như thế nào đối với các câu phản hồi vừa có ý khen vừa có ý chê? Mô hình ứng dụng cơ chế chú ý hai chiều để nhận diện các liên từ đối lập và ngữ cảnh nhấn mạnh. Dựa trên quy tắc gán nhãn trọng tâm, hệ thống phân loại chính xác các câu phức vào đúng khía cạnh chịu tác động và xác định sắc thái cảm xúc chi phối.

5. Ứng dụng phần mềm xây dựng bằng Python hỗ trợ những tính năng gì? Ứng dụng cung cấp giao diện trực quan cho phép người dùng nhập trực tiếp một câu văn đơn lẻ để nhận kết quả phân loại tức thì, hoặc tải lên toàn bộ tệp dữ liệu lớn để xử lý hàng loạt và xuất báo cáo thống kê kèm biểu đồ trực quan.

Kết luận

Nghiên cứu đã giải quyết thành công bài toán phân tích ý kiến phản hồi của sinh viên thông qua các đóng góp khoa học và thực tiễn nổi bật:

• Xây dựng và chuẩn hóa thành công bộ ngữ liệu thực nghiệm gồm 2.849 phản hồi tiếng Việt theo 4 khía cạnh đào tạo.
• Đề xuất kiến trúc học sâu end-to-end đa nhiệm dựa trên PhoBERT với cấu trúc 16 nơ-ron đầu ra đạt hiệu suất tối ưu.
• Đạt độ chính xác phát hiện khía cạnh vượt mốc 94,00% trên tập dữ liệu kiểm thử thực tế.
• Hiện thực hóa mô hình thành ứng dụng phần mềm tiện ích trên nền tảng Python phục vụ phân tích trực quan.
• Đề xuất hệ thống giải pháp nâng cao chất lượng giáo dục dựa trên bằng chứng dữ liệu định lượng tin cậy.

Trong lộ trình 6 đến 12 tháng tới, hướng phát triển tiếp theo của đề tài là mở rộng quy mô bộ ngữ liệu lên hơn 10.000 mẫu và nghiên cứu tích hợp các mô hình ngôn ngữ lớn (LLM) đa phương thức. Các trường đại học và cơ sở đào tạo nghề nghiệp được khuyến khích sớm triển khai ứng dụng giải pháp công nghệ này nhằm chuẩn hóa công tác bảo đảm chất lượng giáo dục trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan luận văn: o_ Giới thiệu luận văn, đề tài nghiên cứu, động lực, mục tiêu, phạm vi, cách thức nghiên cứu, ý nghĩa khoa học và thực tiễn của luận văn e Chương 2: Cơ sở lý luận và các nghiên cứu trước đó o Trinh bay co Sở lý thuyết về các kiến thức nèn táng ứng dụng vào nghiên cứu và khái quát các nghiên cứu liên quan tai trong va ngoai nước. e Chương 3: Đề xuất mô hình Deep Learning o_ Giới thiệu về phương pháp xây dựng mô hình đề xuất và phương pháp đánh giá mô hình đã xây dựng e© Chương 4: Tiến hành nghiên cứu thực nghiệm và đánh giá tổng quát 16 o_ Giới thiệu tông quan quá trình tiến hành thực nghiệm, chỉ tiết từng giai đoạn tiên hành, kết quả đánh giá và xây dựng ứng dụng. e Chương 5: Kết luận và hướng phát triển tương lai ©_ Khái quát lại một số thành tựu đạt được và hướng phát triển tương lai sau nay. e TAI LIEU THAM KHẢO 17 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÓ Trong phần này, bài viết sẽ nêu lên cái nhìn tống quan cơ sở lý luận và các nội dung tương đồng săn có hiện nay liên quan đến luận văn nghiên cứu.

Natural Language Processing Nhu cầu được giao tiếp là điều tất yếu trong xã hội ngày nay, do đó tạo ra một Số lượng lớn nguồn dữ liệu văn bản mỗi ngày. Lượng thông tin này rất lớn không những từ mạng xã hội, các phương tiện truyền thông, các tài liệu nghiên cứu khoa học đến những đánh giá phản hồi hàng hóa tiêu dùng. Tuy nhiên nó chưa tận dụng hết giá trị tiềm năng, máy tính giúp con người có thể khai thác nhiều giá trị hơn từ những dữ liệu, vì vậy đề việc hỗ trợ máy tính hiểu được những thông tin đó là rat can thiệt. 1 Natural Language Processing -NLP Xử lý ngôn ngữ tự nhiên (NLP) là một hướng phát triển vô cùng quan trong của trí tuệ nhân tạo (Artificial Intelligence).

Từ sự thịnh hành của giao tiếp người và máy cũng như sự tiến bộ vượt trội, các giả pháp đám mây là động lực thúc đây các ứng 18 dụng NLP ra đời. NLP với nhiệm vụ tiếp nhận và phân tích một lượng lớn thông tin đề mô phỏng các tương tác giữa con người theo cách như con người. Word Embedding Word Embedding là một phương thức hữu hiệu trong việc biếu diễn từ, mà theo đó mỗi từ sẽ được đại diện bằng một vector só chứa về ý nghĩa của từ ngữ đó. Điều này cho phép việc xử lý từ vựng trở nên hiệu quả trên máy tính.

Có nhiều kỹ thuật Word Embedding đã được đề xuất như Word2vec, GloVe. Tuy nhiên, những phương thức này đều cần tuân thủ hai điều kiện sau: e Mai tt chỉ có một biểu diễn duy nhất, có nghĩa là hai từ khác nhau sẽ được biểu diễn băng hai vector khác nhau. © Hai tir co y nghĩa tương đương sẽ được biêu diễn bằng hai vector tương tự hoặc gần nhau trong không gian vector, có nghĩa là khoảng cách giữa chúng Sẽ nhỏ.1 Mã hóa one - hot Mã hóa one — hot (OH) được biêu diễn đưới dạng vector nhị phân. Mỗi giá trị hạng mục được mã hóa bằng một vector chỉ có một chiều duy nhất bang có giá trị bằng 1, còn các chiều còn lại bằng 0, vector này còn được gọi là “ OH vector”.

Số chiều của OH vector bằng số từ. Mã hoá one-hot là một phương pháp đề chuyên đôi từng từ ở một từ điển thành một vectơ số, và nó dùng nhiều trong NLP và DL., thường dùng cho trường hợp từ vựng có kích thước nhỏ. Kỹ thuật này đảm bảo rằng mỗi từ khác nhau sẽ có một vectơ khác nhau.