Phát Triển Kỹ Thuật Học Chuyển Đổi Cho Bài Toán Dự Báo Sớm Tình Trạng Học Tập Của Sinh Viên

• Tác giả: Nguyễn Duy Hoàng
• Người hướng dẫn: TS. Võ Thị Ngọc Châu
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phát Triển Kỹ Thuật Học Chuyển Đổi Để Dự Báo Tình Trạng Học Tập Của Sinh Viên
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2015
• Địa điểm: Thành phố Hồ Chí Minh

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Giới thiệu đề tài
• 1.2. Mục tiêu nghiên cứu đề tài
• 1.3. Ý nghĩa của đề tài
• 1.4. Đối tượng và phạm vi nghiên cứu của đề tài
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Kỹ thuật học chuyển đổi (Transfer Learning)
• 2.2. Phân loại các kỹ thuật học chuyển đổi
• 2.3. Một số phương pháp tiếp cận học chuyển đổi
• 2.4. Tiếp cận học chuyển đổi dựa trên đối tượng
• 2.5. Tiếp cận học chuyển đổi dựa trên đặc tính
• 2.6. Kỹ thuật xử lý với dữ liệu ngắn và thưa
• 3. CHƯƠNG 3: CÔNG TRÌNH LIÊN QUAN
• 3.1. Các công trình phân loại dữ liệu giáo dục
• 3.2. Nhận xét
• 4. CHƯƠNG 4: HƯỚNG TIẾP CẬN CỦA ĐỀ TÀI VÀ GIẢI PHÁP
• 4.1. Phát biểu bài toán
• 4.2. Các bước xử lý bài toán
• 4.2.1. Chuẩn bị dữ liệu
• 4.2.2. Tạo dữ liệu huấn luyện
• 4.2.3. Xử lý với dữ liệu ngắn và thưa
• 4.2.4. Xây dựng mô hình phân lớp
• 4.2.5. Đánh giá mô hình phân lớp
• 4.2.6. Sử dụng mô hình phân lớp
• 4.3. Xây dựng không gian chung bằng kỹ thuật học chuyển đổi
• 4.4. Áp dụng giải thuật SFA
• 4.5. Lựa chọn tập các thuộc tính đặc trưng chung (pivot feature)
• 4.6. Xây dựng đồ thị phân đôi
• 4.7. Ánh xạ tập dữ liệu các lĩnh vực vào lĩnh vực chung
• 4.8. Áp dụng giải thuật SCL
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Quy trình thực nghiệm
• 5.2. Chuẩn bị dữ liệu chạy thực nghiệm
• 5.3. Định dạng tập dữ liệu
• 5.4. Đặc điểm của tập dữ liệu
• 5.5. Các trường hợp chạy thực nghiệm với tập dữ liệu
• 5.6. Giải thuật phân lớp dùng trong chạy thực nghiệm
• 5.7. Môi trường thực nghiệm
• 5.8. Kết quả thực nghiệm và đánh giá
• 6. CHƯƠNG 6: TỔNG KẾT
• 6.1. Đóng góp của luận văn
• 6.2. Hướng phát triển tiếp theo
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Kỹ Thuật Học Chuyển Đổi trong Giáo Dục

Trong bối cảnh khoa học và công nghệ phát triển mạnh mẽ, kỹ thuật học chuyển đổi đang nổi lên như một giải pháp đột phá trong lĩnh vực khai phá dữ liệu. Đặc biệt, trong giáo dục, việc ứng dụng kỹ thuật này hứa hẹn mang lại những cải tiến đáng kể về chất lượng giảng dạy và công tác quản lý. Thay vì chỉ tập trung vào các giải thuật khai phá dữ liệu truyền thống, vốn đòi hỏi một lượng lớn dữ liệu chất lượng cao, học chuyển đổi cho phép tận dụng kiến thức đã học từ các lĩnh vực khác để cải thiện hiệu suất trong lĩnh vực mục tiêu. Điều này đặc biệt quan trọng khi nguồn dữ liệu giáo dục thường khan hiếm và phân tán. Theo nghiên cứu của Nguyễn Duy Hoàng, học chuyển đổi giúp giải quyết các vấn đề hạn chế của các kỹ thuật học máy truyền thống, mở ra hướng nghiên cứu mới cho bài toán dự đoán học tập.

1.1. Khái Niệm và Ưu Điểm của Học Chuyển Đổi Transfer Learning

Học chuyển đổi là một nhánh của học máy, tập trung vào việc chuyển giao kiến thức đã học từ một hoặc nhiều tác vụ nguồn sang một tác vụ đích liên quan. Ưu điểm chính của kỹ thuật này là khả năng giảm thiểu nhu cầu về dữ liệu huấn luyện, tăng tốc quá trình học và cải thiện độ chính xác của mô hình. Điều này đặc biệt hữu ích trong lĩnh vực giáo dục, nơi dữ liệu thường hạn chế và việc thu thập dữ liệu mới tốn kém. Kỹ thuật này hứa hẹn giải quyết bài toán phân tích dữ liệu giáo dục một cách hiệu quả hơn.

1.2. Ứng Dụng Học Chuyển Đổi trong Dự Đoán Kết Quả Học Tập

Một trong những ứng dụng tiềm năng của học chuyển đổi trong giáo dục là dự đoán kết quả học tập của sinh viên. Bằng cách sử dụng dữ liệu từ các ngành học liên quan hoặc từ các khóa học trước, chúng ta có thể xây dựng các mô hình dự đoán chính xác hơn, giúp nhà trường và giảng viên đưa ra các biện pháp hỗ trợ kịp thời. Các thuật toán học máy như SFA và SCL có thể được áp dụng để chuyển giao kiến thức giữa các lĩnh vực khác nhau, từ đó nâng cao hiệu quả của quá trình cá nhân hóa học tập.

1.3. Tổng Quan Về Kỹ Thuật Xử Lý Dữ Liệu Ngắn và Thưa

Dữ liệu giáo dục thường có đặc điểm là dữ liệu ngắn và thưa, gây khó khăn cho việc áp dụng các thuật toán học máy truyền thống. Kỹ thuật xử lý dữ liệu ngắn và thưa tập trung vào việc khắc phục những hạn chế này bằng cách sử dụng các phương pháp như mô hình hóa dữ liệu và tiền xử lý dữ liệu thông minh. Bằng cách này, chúng ta có thể trích xuất thông tin hữu ích từ dữ liệu hạn chế và cải thiện độ chính xác của các mô hình dự đoán.

II. Thách Thức và Hạn Chế Khi Dự Báo Tình Trạng Học Tập Sinh Viên

Mặc dù tiềm năng của học chuyển đổi trong dự đoán tình trạng học tập là rất lớn, việc triển khai nó cũng đối mặt với không ít thách thức. Một trong những thách thức lớn nhất là sự khác biệt giữa các ngành học hoặc các khóa học khác nhau. Việc chuyển giao kiến thức từ một lĩnh vực sang một lĩnh vực khác đòi hỏi sự hiểu biết sâu sắc về đặc điểm của từng lĩnh vực và khả năng điều chỉnh mô hình học một cách phù hợp. Ngoài ra, vấn đề dữ liệu lớn cũng đặt ra yêu cầu về khả năng xử lý và quản lý dữ liệu hiệu quả.

2.1. Sự Khác Biệt Giữa Các Ngành Học và Khóa Học

Mỗi ngành học và khóa học đều có đặc điểm riêng, từ nội dung chương trình đến phương pháp giảng dạy và đánh giá. Sự khác biệt này có thể ảnh hưởng đến hiệu quả của việc chuyển giao kiến thức giữa các lĩnh vực. Cần phải có các phương pháp điều chỉnh mô hình học phù hợp để đảm bảo rằng kiến thức được chuyển giao là hữu ích và không gây ra sai lệch. Trong trường hợp ngành Khoa học máy tính và Kỹ thuật máy tính, các môn học cơ sở có thể tương đồng, nhưng các môn chuyên ngành lại có sự khác biệt lớn.

2.2. Vấn Đề Dữ Liệu Thưa Thớt và Không Đồng Đều

Dữ liệu giáo dục thường không đầy đủ và có nhiều giá trị thiếu. Việc xử lý dữ liệu thưa thớt và không đồng đều là một thách thức lớn trong việc xây dựng các mô hình dự đoán chính xác. Các phương pháp như tiền xử lý dữ liệu và lấp đầy giá trị thiếu có thể được sử dụng để cải thiện chất lượng dữ liệu và nâng cao hiệu suất của mô hình học.

2.3. Hạn Chế Của Các Giải Thuật Khai Phá Dữ Liệu Truyền Thống

Các giải thuật khai phá dữ liệu truyền thống thường yêu cầu một lượng lớn dữ liệu chất lượng cao để xây dựng mô hình dự đoán hiệu quả. Trong lĩnh vực giáo dục, việc thu thập và chuẩn bị dữ liệu đáp ứng yêu cầu này có thể tốn kém và mất thời gian. Kỹ thuật học chuyển đổi giúp khắc phục hạn chế này bằng cách tận dụng kiến thức đã học từ các lĩnh vực khác.

III. Phương Pháp Tiếp Cận Kỹ Thuật Học Chuyển Đổi Dựa trên Đặc Tính

Một trong những phương pháp tiếp cận phổ biến trong học chuyển đổi là chuyển đổi dựa trên đặc tính. Phương pháp này tập trung vào việc tìm kiếm các đặc tính chung giữa các lĩnh vực khác nhau và sử dụng chúng để chuyển giao kiến thức. Các giải thuật như SFA và SCL là các ví dụ điển hình của phương pháp này. Bằng cách ánh xạ dữ liệu từ các lĩnh vực khác nhau vào một không gian đặc trưng chung, chúng ta có thể giảm thiểu sự khác biệt giữa các lĩnh vực và cải thiện hiệu quả của việc chuyển giao kiến thức.

3.1. Giải Thuật SFA Spectral Feature Alignment

SFA là một giải thuật học chuyển đổi dựa trên việc tìm kiếm các đặc trưng chung giữa các lĩnh vực khác nhau bằng cách sử dụng phân tích phổ. Giải thuật này ánh xạ dữ liệu từ các lĩnh vực khác nhau vào một không gian đặc trưng chung sao cho các đặc trưng tương tự được căn chỉnh với nhau. Điều này giúp giảm thiểu sự khác biệt giữa các lĩnh vực và cải thiện hiệu quả của việc chuyển giao kiến thức.

3.2. Giải Thuật SCL Structural Correspondence Learning

SCL là một giải thuật học chuyển đổi dựa trên việc tìm kiếm các mối tương quan cấu trúc giữa các lĩnh vực khác nhau. Giải thuật này xây dựng một đồ thị biểu diễn mối quan hệ giữa các đặc trưng trong mỗi lĩnh vực và sau đó tìm kiếm các mối tương ứng giữa các đồ thị. Bằng cách này, chúng ta có thể xác định các đặc trưng tương tự giữa các lĩnh vực và sử dụng chúng để chuyển giao kiến thức. Theo nghiên cứu, SCL có khả năng hoạt động tốt với dữ liệu lớn.

3.3. Xây Dựng Không Gian Chung Bằng Kỹ Thuật Học Chuyển Đổi

Việc xây dựng không gian chung là bước quan trọng để áp dụng hiệu quả kỹ thuật học chuyển đổi. Không gian chung này giúp biểu diễn dữ liệu từ các miền khác nhau sao cho các đặc trưng tương đồng được đặt gần nhau, trong khi các đặc trưng khác biệt được phân tách. Điều này tạo điều kiện thuận lợi cho việc chuyển giao tri thức và nâng cao độ chính xác của mô hình dự đoán.

IV. Ứng Dụng Thực Tiễn Dự Đoán Tình Trạng Học Tập Tại Bách Khoa

Để chứng minh tính hiệu quả của kỹ thuật học chuyển đổi, một nghiên cứu đã được thực hiện tại trường Đại học Bách Khoa TP.HCM. Nghiên cứu này tập trung vào việc dự đoán tình trạng học tập của sinh viên ngành Kỹ Thuật Máy Tính dựa trên dữ liệu từ ngành Khoa Học Máy Tính. Các giải thuật SFA và SCL đã được áp dụng để chuyển giao kiến thức giữa hai ngành, và kết quả cho thấy sự cải thiện đáng kể so với các phương pháp truyền thống. Nghiên cứu của Nguyễn Duy Hoàng đã chỉ ra những tiềm năng to lớn của học chuyển đổi trong việc giải quyết các bài toán thực tế trong giáo dục.

4.1. Mô Hình Phân Lớp Sinh Viên Ngành Kỹ Thuật Máy Tính

Nghiên cứu tập trung vào việc xây dựng mô hình phân lớp sinh viên ngành Kỹ Thuật Máy Tính dựa trên dữ liệu và mô hình phân lớp của ngành Khoa Học Máy Tính. Bằng cách sử dụng kỹ thuật học chuyển đổi, kiến thức từ ngành Khoa Học Máy Tính đã được chuyển giao để cải thiện độ chính xác của mô hình phân lớp cho ngành Kỹ Thuật Máy Tính.

4.2. Kết Quả Thực Nghiệm và Đánh Giá Hiệu Quả

Kết quả thực nghiệm cho thấy rằng việc áp dụng kỹ thuật học chuyển đổi giúp cải thiện đáng kể độ chính xác của mô hình phân lớp sinh viên ngành Kỹ Thuật Máy Tính. So với các phương pháp truyền thống, học chuyển đổi mang lại hiệu quả cao hơn, đặc biệt khi dữ liệu từ ngành Khoa Học Máy Tính được sử dụng để huấn luyện mô hình. Quá trình đánh giá mô hình được thực hiện bài bản, đảm bảo tính khách quan và tin cậy của kết quả.

4.3. So Sánh Hiệu Suất Giữa SFA và SCL trong Bài Toán

Nghiên cứu cũng so sánh hiệu suất của hai giải thuật SFA và SCL trong việc chuyển giao kiến thức giữa hai ngành. Kết quả cho thấy rằng cả hai giải thuật đều mang lại sự cải thiện so với các phương pháp truyền thống, nhưng SFA có xu hướng hoạt động tốt hơn trong một số trường hợp. Việc so sánh này giúp chúng ta hiểu rõ hơn về ưu điểm và nhược điểm của từng giải thuật và lựa chọn phương pháp phù hợp cho từng bài toán cụ thể.

V. Kết Luận và Hướng Phát Triển Trong Tương Lai Gần Nhất

Kỹ thuật học chuyển đổi hứa hẹn mang lại những đột phá trong lĩnh vực giáo dục, đặc biệt là trong việc dự đoán tình trạng học tập của sinh viên. Bằng cách tận dụng kiến thức đã học từ các lĩnh vực khác, chúng ta có thể xây dựng các mô hình dự đoán chính xác hơn và đưa ra các biện pháp hỗ trợ kịp thời. Tuy nhiên, việc triển khai học chuyển đổi cũng đối mặt với không ít thách thức, và cần phải có các nghiên cứu sâu hơn để giải quyết những thách thức này.

5.1. Tóm Tắt Đóng Góp của Luận Văn Nghiên Cứu

Luận văn nghiên cứu này đã đóng góp vào việc khám phá tiềm năng của kỹ thuật học chuyển đổi trong lĩnh vực giáo dục. Bằng cách áp dụng các giải thuật SFA và SCL vào bài toán dự đoán tình trạng học tập, nghiên cứu đã chứng minh tính hiệu quả của học chuyển đổi và mở ra hướng nghiên cứu mới cho lĩnh vực này.

5.2. Hướng Nghiên Cứu và Phát Triển Tiếp Theo

Trong tương lai, cần có các nghiên cứu sâu hơn về việc áp dụng học chuyển đổi vào các bài toán khác trong giáo dục, như cá nhân hóa học tập và hệ thống khuyến nghị học tập. Ngoài ra, cần phải phát triển các phương pháp mới để xử lý dữ liệu thưa thớt và không đồng đều, cũng như giải quyết các thách thức liên quan đến sự khác biệt giữa các lĩnh vực.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của khoa học và công nghệ, kỹ thuật khai phá dữ liệu (Data Mining) đã được ứng dụng rộng rãi trong nhiều lĩnh vực, trong đó có giáo dục. Theo ước tính, việc khai thác dữ liệu giáo dục (Educational Data Mining - EDM) giúp cải thiện chất lượng giảng dạy và hỗ trợ quản lý hiệu quả hơn. Tuy nhiên, các mô hình phân lớp truyền thống thường yêu cầu dữ liệu chất lượng cao và không tận dụng được mô hình từ các ngành học khác, dẫn đến chi phí xây dựng lại mô hình khi chuyển đổi ngành học hoặc thay đổi chương trình đào tạo.

Luận văn tập trung nghiên cứu áp dụng kỹ thuật học chuyển đổi (Transfer Learning) cho bài toán dự báo sớm tình trạng học tập của sinh viên, cụ thể là xây dựng mô hình phân lớp sinh viên ngành Kỹ Thuật Máy Tính dựa trên dữ liệu và mô hình phân lớp của ngành Khoa Học Máy Tính tại Trường Đại học Bách Khoa, ĐHQG TP. Hồ Chí Minh. Nghiên cứu sử dụng dữ liệu điểm học tập của 1334 sinh viên ngành Khoa Học Máy Tính giai đoạn 2005-2008 và 187 sinh viên ngành Kỹ Thuật Máy Tính giai đoạn 2008-2009 với 43 thuộc tính. Mục tiêu là phát triển mô hình phân lớp có độ chính xác cao, giảm chi phí xây dựng mô hình mới khi chuyển đổi ngành học, đồng thời hỗ trợ hiệu quả cho công tác quản lý và ra quyết định trong giáo dục đại học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Kỹ thuật học chuyển đổi là một lĩnh vực mới trong học máy, cho phép chuyển giao kiến thức từ một tác vụ nguồn sang tác vụ đích có liên quan nhằm cải thiện hiệu suất học tập. Khác với học máy truyền thống, học chuyển đổi không yêu cầu dữ liệu huấn luyện và kiểm tra phải cùng phân phối. Có ba dạng học chuyển đổi chính: học chuyển đổi quy nạp, truyền dẫn và không giám sát.

Trong luận văn, hai giải thuật học chuyển đổi dựa trên đặc tính được áp dụng là:

• Spectral Feature Alignment (SFA): Xây dựng không gian đặc trưng chung bằng cách lựa chọn các đặc trưng pivot (đặc trưng chung giữa hai lĩnh vực) và xây dựng đồ thị phân đôi để gom nhóm các đặc trưng riêng biệt, từ đó giảm thiểu sự khác biệt giữa hai lĩnh vực.
• Structural Correspondence Learning (SCL): Xác định mối tương quan giữa các đặc trưng không phải pivot dựa trên các đặc trưng pivot, sử dụng các bộ phân lớp nhị phân để học ánh xạ không gian đặc trưng chung, giúp mô hình học được từ dữ liệu nguồn áp dụng hiệu quả cho dữ liệu đích.

Ngoài ra, kỹ thuật xử lý dữ liệu ngắn và thưa (short & sparse data) được áp dụng để cải thiện hiệu suất mô hình phân lớp trên dữ liệu giáo dục có số chiều ít và lượng dữ liệu gán nhãn hạn chế. Kỹ thuật này xây dựng đồ thị lân cận dựa trên mối quan hệ giữa các đối tượng, bổ sung thông tin cho dữ liệu dạng vector truyền thống.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm điểm học tập của sinh viên ngành Khoa Học Máy Tính (1334 sinh viên, 43 thuộc tính, giai đoạn 2005-2008) và ngành Kỹ Thuật Máy Tính (187 sinh viên, 43 thuộc tính, giai đoạn 2008-2009). Phương pháp chọn mẫu là sử dụng toàn bộ dữ liệu có sẵn của hai ngành học này.

Quy trình nghiên cứu gồm các bước:

1. Chuẩn bị và tiền xử lý dữ liệu nguồn và đích, giữ nguyên các thuộc tính thiếu để phản ánh đúng đặc điểm dữ liệu.
2. Xây dựng không gian đặc trưng chung bằng giải thuật SFA và SCL dựa trên các thuộc tính pivot là các môn học đại cương chung.
3. Ánh xạ dữ liệu nguồn và đích vào không gian chung, tạo tập dữ liệu huấn luyện mới.
4. Áp dụng kỹ thuật xử lý dữ liệu ngắn và thưa để bổ sung thông tin cho dữ liệu, sử dụng giải thuật phân lớp đa quan điểm (Multi-view Classifier) để loại bỏ mẫu gây nhiễu và tăng độ tin cậy dữ liệu.
5. Xây dựng và huấn luyện các mô hình phân lớp trên tập dữ liệu đã chuyển đổi, sử dụng các thuật toán phân lớp phổ biến như Random Forest, Multilayer Perceptron.
6. Đánh giá mô hình bằng các chỉ số TP-Rate, F-Measure, ROC-Area, sử dụng k-fold cross-validation để đảm bảo tính khách quan và toàn diện.

Thời gian nghiên cứu kéo dài từ tháng 1 đến tháng 12 năm 2015, thực hiện tại Trường Đại học Bách Khoa, ĐHQG TP. Hồ Chí Minh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của học chuyển đổi: Mô hình phân lớp sinh viên ngành Kỹ Thuật Máy Tính được xây dựng dựa trên dữ liệu và mô hình ngành Khoa Học Máy Tính với kỹ thuật học chuyển đổi đạt độ chính xác cao, vượt trội so với mô hình truyền thống không áp dụng học chuyển đổi. Ví dụ, với giải thuật SFA, độ chính xác mô hình năm 2 đạt khoảng 85%, tăng 10% so với mô hình không chuyển đổi.

2. So sánh hai giải thuật SFA và SCL: Kết quả thực nghiệm cho thấy giải thuật SFA có hiệu suất phân lớp nhỉnh hơn SCL khoảng 3-5% trên các năm học 2, 3 và 4. Độ đo TP-Rate của SFA đạt trung bình 87%, trong khi SCL đạt khoảng 83%.

3. Tác động của xử lý dữ liệu ngắn và thưa: Áp dụng kỹ thuật xử lý dữ liệu ngắn và thưa giúp cải thiện độ chính xác mô hình thêm khoảng 4-6%, đặc biệt hiệu quả với dữ liệu có số lượng mẫu nhỏ và thuộc tính thưa thớt.

4. Độ tin cậy của mô hình phân lớp: Việc loại bỏ các mẫu gây nhiễu dựa trên so sánh nhãn giữa hai mô hình phân lớp đa quan điểm giúp tăng độ ổn định và tin cậy của mô hình, giảm sai số phân lớp xuống dưới 5%.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất là do kỹ thuật học chuyển đổi giúp giảm thiểu sự khác biệt về phân phối dữ liệu giữa hai ngành học, tận dụng được kiến thức đã học từ ngành Khoa Học Máy Tính để áp dụng cho ngành Kỹ Thuật Máy Tính. Việc lựa chọn các môn học đại cương làm đặc trưng pivot là hợp lý vì đây là các môn học có tính chất chung, tạo cầu nối cho việc chuyển đổi.

So với các nghiên cứu trước đây chỉ áp dụng giải thuật SCL đơn lẻ, nghiên cứu này mở rộng áp dụng thêm giải thuật SFA và kỹ thuật xử lý dữ liệu ngắn và thưa, từ đó nâng cao hiệu quả mô hình phân lớp. Kết quả cũng phù hợp với các nghiên cứu trong lĩnh vực học chuyển đổi trên dữ liệu văn bản và hình ảnh, cho thấy tính khả thi khi áp dụng cho dữ liệu giáo dục.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác giữa các mô hình (SFA, SCL, mô hình truyền thống) theo từng năm học, cũng như bảng tổng hợp các chỉ số đánh giá mô hình để minh họa rõ ràng sự khác biệt.

Đề xuất và khuyến nghị

1. Triển khai áp dụng kỹ thuật học chuyển đổi trong hệ thống quản lý đào tạo: Các trường đại học nên tích hợp mô hình học chuyển đổi để dự báo sớm tình trạng học tập sinh viên, giúp giảm chi phí xây dựng mô hình mới khi thay đổi ngành học hoặc chương trình đào tạo. Thời gian triển khai dự kiến trong 1-2 năm, do phòng công nghệ thông tin và khoa quản lý đào tạo chịu trách nhiệm.

2. Phát triển hệ thống hỗ trợ ra quyết định dựa trên mô hình phân lớp: Xây dựng hệ thống hỗ trợ nhà quản lý giáo dục trong việc cảnh báo sinh viên có nguy cơ bị cảnh cáo học vụ, từ đó có biện pháp can thiệp kịp thời. Mục tiêu nâng cao tỷ lệ sinh viên tốt nghiệp đúng hạn, giảm tỷ lệ bỏ học. Thời gian thực hiện 6-12 tháng.

3. Nâng cao chất lượng dữ liệu và mở rộng thu thập dữ liệu: Tăng cường thu thập dữ liệu điểm học tập, hoạt động ngoại khóa, thái độ học tập để bổ sung cho mô hình, giúp cải thiện độ chính xác dự báo. Chủ thể thực hiện là các khoa và phòng đào tạo, phối hợp với bộ phận CNTT.

4. Đào tạo và nâng cao năng lực cho cán bộ nghiên cứu và quản lý: Tổ chức các khóa đào tạo về kỹ thuật học chuyển đổi và khai phá dữ liệu giáo dục cho giảng viên, cán bộ quản lý nhằm nâng cao năng lực ứng dụng công nghệ trong giáo dục. Thời gian đào tạo định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý giáo dục đại học: Có thể sử dụng kết quả nghiên cứu để xây dựng hệ thống cảnh báo sớm sinh viên có nguy cơ học tập kém, từ đó đưa ra các chính sách hỗ trợ phù hợp.

2. Giảng viên và cán bộ khoa học công nghệ thông tin: Áp dụng kỹ thuật học chuyển đổi và khai phá dữ liệu giáo dục để phát triển các mô hình phân lớp, dự báo phục vụ nghiên cứu và giảng dạy.

3. Sinh viên ngành Khoa học máy tính và Kỹ thuật máy tính: Tham khảo để hiểu rõ hơn về ứng dụng học máy và học chuyển đổi trong thực tế, từ đó phát triển kỹ năng nghiên cứu và ứng dụng.

4. Các nhà nghiên cứu trong lĩnh vực học máy và khai phá dữ liệu: Nghiên cứu mở rộng kỹ thuật học chuyển đổi cho các bài toán phân lớp dữ liệu giáo dục, đặc biệt với dữ liệu ngắn và thưa.

Câu hỏi thường gặp

1. Học chuyển đổi là gì và khác gì so với học máy truyền thống?
   Học chuyển đổi cho phép sử dụng kiến thức học được từ một tác vụ hoặc lĩnh vực nguồn để cải thiện việc học trong tác vụ hoặc lĩnh vực đích có liên quan, trong khi học máy truyền thống thường xây dựng mô hình riêng biệt cho từng tác vụ mà không tận dụng kiến thức trước đó.

2. Tại sao cần áp dụng học chuyển đổi cho dữ liệu giáo dục?
   Dữ liệu giáo dục thường có đặc điểm ngắn, thưa và thay đổi theo ngành học hoặc chương trình đào tạo. Học chuyển đổi giúp tận dụng mô hình đã học từ ngành này để áp dụng cho ngành khác, giảm chi phí xây dựng lại mô hình và nâng cao hiệu quả dự báo.

3. Giải thuật SFA và SCL khác nhau như thế nào?
   SFA tập trung xây dựng không gian đặc trưng chung bằng cách gom nhóm các đặc trưng riêng biệt dựa trên các đặc trưng pivot, còn SCL học mối tương quan giữa các đặc trưng không phải pivot thông qua các bộ phân lớp nhị phân dựa trên pivot để ánh xạ không gian đặc trưng chung.

4. Kỹ thuật xử lý dữ liệu ngắn và thưa giúp gì cho mô hình?
   Kỹ thuật này xây dựng đồ thị lân cận để bổ sung thông tin về mối quan hệ giữa các đối tượng, giúp mô hình phân lớp có thêm dữ liệu tham khảo, từ đó cải thiện độ chính xác và độ ổn định khi dữ liệu gán nhãn hạn chế.

5. Làm thế nào để đánh giá hiệu quả của mô hình học chuyển đổi?
   Hiệu quả được đánh giá qua các chỉ số như TP-Rate, F-Measure, ROC-Area trên tập dữ liệu kiểm tra, so sánh với mô hình không áp dụng học chuyển đổi. Ngoài ra, thời gian học và khả năng khái quát của mô hình cũng là tiêu chí quan trọng.

Kết luận

• Luận văn đã phát triển thành công kỹ thuật học chuyển đổi áp dụng cho bài toán dự báo sớm tình trạng học tập của sinh viên ngành Kỹ Thuật Máy Tính dựa trên dữ liệu ngành Khoa Học Máy Tính.
• Giải thuật SFA và SCL được triển khai và so sánh, trong đó SFA cho kết quả phân lớp tốt hơn với độ chính xác trung bình đạt 87%.
• Kỹ thuật xử lý dữ liệu ngắn và thưa giúp cải thiện đáng kể hiệu suất mô hình trên dữ liệu giáo dục đặc thù.
• Nghiên cứu mở ra hướng đi mới cho khai phá dữ liệu giáo dục, hỗ trợ hiệu quả cho công tác quản lý và ra quyết định trong giáo dục đại học.
• Các bước tiếp theo bao gồm triển khai thực tế mô hình trong hệ thống quản lý đào tạo, mở rộng nghiên cứu với dữ liệu đa ngành và đào tạo cán bộ ứng dụng kỹ thuật học chuyển đổi.

Hành động tiếp theo: Các nhà quản lý và nghiên cứu nên phối hợp triển khai áp dụng mô hình học chuyển đổi trong thực tế, đồng thời tiếp tục nghiên cứu mở rộng để nâng cao hiệu quả và tính ứng dụng của kỹ thuật này trong giáo dục.