Tổng quan nghiên cứu

Trong bối cảnh chuyển đổi số giáo dục đại học, bài toán phân tích dữ liệu học tập đóng vai trò then chốt giúp nâng cao chất lượng đào tạo và tối ưu hóa nguồn lực nhà trường. Thống kê từ nhiều cơ sở giáo dục đại học đào tạo theo học chế tín chỉ cho thấy tỷ lệ sinh viên bị cảnh báo học vụ hoặc buộc thôi học hàng năm dao động từ 10% đến 15%. Tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, việc phát hiện sớm những sinh viên gặp khó khăn trong học tập giúp nhà trường duy trì mục tiêu tỷ lệ tốt nghiệp đúng hạn trên 75% cho hệ chính quy.

Thách thức lớn nhất trong môi trường đào tạo theo tín chỉ là sự không đồng nhất về lộ trình đăng ký môn học giữa các cá nhân. Sinh viên năm thứ nhất và năm thứ hai chưa thể tích lũy các môn chuyên ngành, dẫn đến hiện tượng dữ liệu thưa với tỷ lệ giá trị rỗng chiếm từ 40% đến 60% trên toàn bộ không gian điểm số. Bên cạnh đó, số lượng mẫu sinh viên đã tốt nghiệp có nhãn lớp đầy đủ chỉ chiếm khoảng 25% đến 30%, trong khi lượng sinh viên đang theo học chưa có nhãn lại chiếm trên 70% tổng dữ liệu thu thập.

Nghiên cứu của học viên Đinh Khắc Huy, thực hiện từ tháng 1 năm 2016 đến tháng 6 năm 2017 tại Khoa Khoa học và Kỹ thuật Máy tính, tập trung giải quyết triệt để hai thách thức cốt lõi này. Mục tiêu cụ thể của đề tài là phát triển phương pháp phân lớp bán giám sát tích hợp cơ chế làm đầy dữ liệu thưa, nhằm dự báo chính xác 3 trạng thái học tập cuối cùng của sinh viên: Tốt nghiệp, Đang học và Buộc thôi học. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn sâu sắc, hỗ trợ ban chủ nhiệm khoa và cố vấn học tập can thiệp kịp thời ngay từ năm học thứ hai, giúp giảm thiểu tối đa tỷ lệ lưu ban và nâng cao chỉ số đo lường hiệu quả đào tạo.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết Khai phá dữ liệu giáo dục kết hợp với Lý thuyết học bán giám sát. Trong bối cảnh phân loại dữ liệu giáo dục, mô hình phân lớp bán giám sát theo hướng quy nạp được lựa chọn nhằm huấn luyện bộ phân loại có khả năng tổng quát hóa cao và dự báo chuẩn xác cho các đối tượng sinh viên mới trong tương lai.

Bốn khái niệm và mô hình lý thuyết cốt lõi được áp dụng trong nghiên cứu bao gồm:

Thứ nhất, Khái niệm Dữ liệu thưa trong không gian đa chiều: Tập dữ liệu học tập được mô hình hóa thành các vector điểm số D chiều, trong đó các học phần sinh viên chưa tích lũy được gán giá trị rỗng.

Thứ hai, Cây quyết định C4.5: Thuật toán phân lớp có giám sát sử dụng chỉ số tỷ suất độ lợi thông tin chuẩn hóa từ độ hỗn loạn Entropy của tập dữ liệu huấn luyện để chọn thuộc tính phân tách tối ưu tại từng nút cây.

Thứ ba, Kỹ thuật học bán giám sát Tri-Training: Giải thuật do tác giả Zhou và Li phát triển, sử dụng 3 bộ phân lớp cơ sở khởi tạo bằng phương pháp lấy mẫu lặp lại Bootstrap Sampling với tỷ lệ sai số ban đầu quy ước là 0.5. Kỹ thuật này khai thác cơ chế đồng thuận của 2 bộ phân lớp để tự động gán nhãn bổ sung cho tập dữ liệu chưa có nhãn mà không cần đo mức độ tự tin phức tạp.

Thứ tư, Kỹ thuật làm đầy dữ liệu K-Nearest Neighbors: Thuật toán ước lượng giá trị thiếu cục bộ dựa trên khoảng cách giữa đối tượng cần làm đầy và K láng giềng gần nhất trong không gian mẫu.

Phương pháp nghiên cứu

Nghiên cứu khai thác nguồn dữ liệu học tập thực tế của sinh viên Khoa Khoa học và Kỹ thuật Máy tính, Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, thực hiện xuyên suốt trong timeline từ tháng 1 năm 2016 đến tháng 6 năm 2017.

Về cỡ mẫu và phương pháp chọn mẫu: Tập dữ liệu nghiên cứu gồm 1.503 bản ghi sinh viên chính quy với 43 thuộc tính tương ứng với 43 môn học cốt lõi trong chương trình đào tạo kỹ sư. Phương pháp chọn mẫu chủ đích được áp dụng để trích xuất toàn bộ dữ liệu sinh viên các khóa đã hoàn thành thời gian đào tạo chuẩn từ 4 đến 5 năm nhằm thiết lập tập dữ liệu có nhãn L. Đồng thời, phương pháp chọn mẫu phân tầng ngẫu nhiên được dùng để xây dựng tập dữ liệu chưa có nhãn U từ các khóa đang theo học, với quy mô mẫu lớn gấp 2 đến 3 lần tập L.

Về phương pháp phân tích và lý do lựa chọn: Đề tài áp dụng giải thuật làm đầy dữ liệu K-Nearest Neighbors kết hợp độ đo khoảng cách Euclid hiệu chỉnh tỷ lệ D chia cho S (trong đó D là tổng số 43 môn học và S là số môn học chung có điểm giữa hai sinh viên). Phương pháp này được lựa chọn vì khắc phục được nhược điểm làm méo mó phân bố dữ liệu khi điền giá trị 0 hoặc giá trị trung bình toàn cục. Mô hình phân lớp ứng dụng Tri-Training với bộ phân lớp nền C4.5, tích hợp chiến lược làm đầy dữ liệu trực tiếp vào từng vòng lặp huấn luyện nhằm tối ưu hóa độ chính xác Accuracy và giảm thiểu sai số phân loại trên ma trận nhầm lẫn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh chuyên sâu đã mang lại 4 phát hiện quan trọng:

Thứ nhất, Ưu thế vượt trội của chiến lược làm đầy dữ liệu phân tách: Việc làm đầy trước tập dữ liệu có nhãn L rồi dùng kết quả đó để làm đầy tập chưa có nhãn U và tập kiểm tra Test giúp nâng cao độ chính xác phân loại từ 3.2% đến 5.8% so với phương pháp làm đầy tất cả dữ liệu trong cùng một không gian thuộc tính chung.

Thứ hai, Hiệu quả vượt bậc của mô hình Tri-Training tích hợp xử lý dữ liệu thưa: Thuật toán đề xuất đạt độ chính xác trung bình trên 78.5%, cao hơn 4.6% so với mô hình Self-Training và vượt trội từ 6.1% đến 8.4% so với mô hình phân lớp có giám sát C4.5 truyền thống khi không tận dụng nguồn dữ liệu chưa gắn nhãn.

Thứ ba, Vai trò thiết yếu của cơ chế Bootstrap Sampling: Việc duy trì lấy mẫu lặp lại trong Tri-Training tạo ra sự đa dạng giả thuyết giữa 3 bộ phân lớp, giúp độ nhạy phát hiện nhóm sinh viên có nguy cơ thôi học tăng thêm 7.3% so với trường hợp không sử dụng Bootstrap.

Thứ tư, Khả năng dự báo sớm chính xác ở năm thứ hai: Mô hình phân loại thành công trạng thái học tập của sinh viên ngay sau học kỳ 4 với độ chính xác đạt 74.2%, tạo tiền đề vững chắc để đưa ra cảnh báo sớm trước 2 đến 3 năm so với thời điểm xét tốt nghiệp.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình Tri-Training đề xuất bắt nguồn từ cơ chế kiểm soát lỗi nghiêm ngặt: chỉ khi 2 bộ phân lớp cùng đồng thuận về nhãn dự báo của một mẫu chưa gắn nhãn thì mẫu đó mới được bổ sung vào tập huấn luyện của bộ phân lớp thứ ba. Cơ chế này loại bỏ hiệu quả hiện tượng lan truyền nhãn nhiễu vốn là hạn chế lớn của Self-Training. Khi so sánh với các công trình của Mai-Anh và cộng sự năm 2014 và Hoang và cộng sự năm 2016, việc kết hợp độ đo Euclid điều chỉnh D/S với học bán giám sát lặp đã giúp giảm độ lệch chuẩn sai số dự báo xuống dưới 3.5%.

Về phương diện trực quan hóa dữ liệu, kết quả thực nghiệm có thể được trình bày một cách tường minh qua các công cụ biểu diễn sau:

Một là, Bảng ma trận nhầm lẫn kích thước 3 nhân 3 đối với 3 trạng thái Tốt nghiệp, Đang học, Buộc thôi học, minh chứng tỷ lệ dương đúng đạt trên 80% ở nhóm sinh viên tốt nghiệp.

Hai là, Biểu đồ đường thể hiện sự biến thiên của độ chính xác Accuracy qua 10 vòng lặp huấn luyện, làm nổi bật tốc độ hội tụ nhanh và tính ổn định cao của giải thuật đề xuất so với các phương pháp tự huấn luyện khác.

Ba là, Biểu đồ cột so sánh mức tăng trưởng từ 5% đến 8% độ chính xác giữa phương pháp xử lý dữ liệu thưa theo vòng lặp so với phương pháp tiền xử lý tuần tự truyền thống.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, 4 nhóm giải pháp chiến lược được đề xuất nhằm nâng cao hiệu quả quản trị và chất lượng đào tạo đại học:

Thứ nhất, Xây dựng hệ thống phần mềm dự báo học vụ thông minh: Ban Quản lý Đào tạo phối hợp cùng Trung tâm Công nghệ Thông tin triển khai tích hợp mô hình Tri-Training vào cổng quản lý đào tạo. Mục tiêu quét và phân tích tự động 100% hồ sơ học tập của sinh viên ngay sau khi có điểm thi học kỳ 4, hoàn thành triển khai trong vòng 6 tháng đầu năm học.

Thứ hai, Chuẩn hóa quy trình tiền xử lý và làm đầy dữ liệu điểm số: Phòng Khảo thí và Đảm bảo Chất lượng Giáo dục áp dụng thuật toán K-Nearest Neighbors với khoảng cách hiệu chỉnh D/S để xử lý các bảng điểm thưa, đảm bảo tỷ lệ dữ liệu rỗng giảm về 0% trước khi tiến hành phân loại định kỳ 3 tháng một lần.

Thứ ba, Thiết lập mạng lưới cố vấn học thuật và can thiệp sớm: Ban Chủ nhiệm Khoa và Đoàn Thanh niên tổ chức chương trình phụ đạo học thuật 1 kèm 1 cho nhóm sinh viên được cảnh báo có nguy cơ thôi học. Kế hoạch hành động hướng tới mục tiêu giảm 25% tỷ lệ sinh viên bị cảnh cáo học vụ sau 1 năm áp dụng mô hình vào thực tiễn.

Thứ tư, Tích hợp dữ liệu học tập trực tuyến đa chiều: Nhóm Nghiên cứu và Phát triển bổ sung ít nhất 5 chỉ số tương tác từ hệ thống quản lý học tập điện tử LMS như tần suất truy cập bài giảng và điểm chuyên cần, hoàn thành thử nghiệm mở rộng trong thời gian 12 tháng nhằm nâng độ chính xác dự báo toàn diện lên trên 85%.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị tham khảo chuyên sâu và thiết thực cho 4 nhóm đối tượng trọng tâm:

Thứ nhất, Cán bộ quản lý giáo dục và Lãnh đạo các trường đại học: Nắm bắt phương pháp luận khoa học để xây dựng chính sách quản lý sinh viên chủ động, hướng tới nâng tỷ lệ tốt nghiệp đúng hạn lên trên 80% và giảm tỷ lệ buộc thôi học xuống dưới 5% trong mô hình đào tạo theo học chế tín chỉ.

Thứ hai, Giảng viên chủ nhiệm và Cố vấn học tập: Khai thác danh sách phân loại rủi ro học tập định kỳ sau mỗi học kỳ để tư vấn đăng ký môn học và điều chỉnh phương pháp học tập cho nhóm 15% sinh viên có kết quả học tập kém.

Thứ ba, Nhà nghiên cứu và Học viên cao học ngành Khoa học Máy tính: Tiếp cận nguồn tài liệu tham khảo chất lượng với hơn 40 công trình học thuật uy tín về khai phá dữ liệu giáo dục và học bán giám sát, kế thừa mã nguồn giải thuật Tri-Training cải tiến trên dữ liệu thưa cho các đề tài nghiên cứu mở rộng.

Thứ tư, Kỹ sư phát triển phần mềm giáo dục và Doanh nghiệp EdTech: Ứng dụng giải pháp xử lý ma trận thưa 43 chiều và mô hình học bán giám sát để phát triển các tính năng phân tích học tập tự động trên các nền tảng quản lý đào tạo phục vụ quy mô trên 10.000 sinh viên.

Câu hỏi thường gặp

Học chế tín chỉ gây ra hiện tượng dữ liệu thưa trong bảng điểm như thế nào? Do tính chất tự do lựa chọn môn học theo kế hoạch cá nhân, sinh viên ở các học kỳ đầu chưa đăng ký các môn chuyên ngành. Điều này khiến hơn 50% số thuộc tính điểm trong tổng số 43 môn học bị bỏ trống, tạo nên ma trận dữ liệu thưa với nhiều giá trị rỗng phức tạp.

Tại sao phương pháp học bán giám sát lại vượt trội hơn học có giám sát trong bài toán này? Học có giám sát chỉ huấn luyện trên nhóm sinh viên đã tốt nghiệp, bỏ qua lượng dữ liệu sinh viên đang theo học lớn gấp 3 lần. Học bán giám sát tận dụng toàn bộ dữ liệu chưa gắn nhãn này để hiệu chỉnh ranh giới phân lớp, giúp độ chính xác tăng từ 6% đến 8% mà không cần gán nhãn thủ công.

Giải thuật Tri-Training hoạt động theo nguyên lý nào để hạn chế nhãn nhiễu? Tri-Training sử dụng 3 bộ phân lớp C4.5 khởi tạo bằng lấy mẫu lặp lại. Một mẫu chưa gắn nhãn chỉ được gán nhãn và nạp vào dữ liệu huấn luyện khi có ít nhất 2 bộ phân lớp cùng đồng thuận về kết quả. Cơ chế biểu quyết đa số này giúp độ chính xác của toàn mô hình đạt mức trên 78.5%.

Độ đo khoảng cách Euclid điều chỉnh tỷ lệ D chia cho S có ý nghĩa gì? Khoảng cách giữa hai sinh viên được nhân thêm hệ số căn bậc hai của tổng số 43 môn học D chia cho số môn học chung có điểm S. Công thức này giúp thuật toán K-Nearest Neighbors phản ánh chính xác độ tương đồng thực tế giữa các sinh viên, giảm độ lệch chuẩn sai số làm đầy xuống dưới 3.5%.

Thời điểm nào là tối ưu nhất để áp dụng mô hình dự báo sớm sinh viên nguy cơ? Thời điểm tối ưu là ngay sau khi kết thúc học kỳ 4 ở năm học thứ hai, khi mô hình đạt độ chính xác dự báo 74.2%. Mốc thời gian này tạo ra khoảng đệm quý giá từ 2 đến 3 năm để nhà trường và gia đình phối hợp thực hiện các biện pháp hỗ trợ học tập cần thiết.

Kết luận

Luận văn thạc sĩ của tác giả Đinh Khắc Huy đã đạt được các đóng góp học thuật và thực tiễn nổi bật:

  • Xử lý thành công bài toán dữ liệu điểm số thưa với tỷ lệ giá trị rỗng từ 40% đến 60% trong hệ thống đào tạo theo học chế tín chỉ.
  • Đề xuất mô hình Tri-Training tích hợp làm đầy dữ liệu lặp, nâng cao độ chính xác phân loại tổng thể lên trên 78.5%.
  • Chứng minh chiến lược làm đầy dữ liệu có nhãn trước giúp cải thiện độ chính xác từ 3.2% đến 5.8% so với phương pháp làm đầy gộp thông thường.
  • Hiện thực hóa khả năng dự báo sớm kết quả học tập của sinh viên ngay sau năm thứ hai với độ chính xác đạt 74.2%.
  • Cung cấp cơ sở khoa học vững chắc cho công tác quản trị đại học thông minh và hỗ trợ sinh viên kịp thời tại Việt Nam.

Trong giai đoạn 12 đến 24 tháng tới, hướng nghiên cứu tiếp theo sẽ tập trung tích hợp các nguồn dữ liệu hành vi số từ hệ thống học tập điện tử. Quý độc giả, nhà nghiên cứu và các nhà quản lý giáo dục hãy tham khảo ngay toàn văn luận văn thạc sĩ để ứng dụng hiệu quả giải pháp này vào thực tiễn quản lý đào tạo.