Tổng quan nghiên cứu

Trong bối cảnh chuyển đổi số mạnh mẽ, ngành công nghệ thông tin tại Việt Nam ghi nhận tốc độ tăng trưởng nhân lực hơn 15% mỗi năm. Tuy nhiên, theo thống kê tại các cơ sở đào tạo nghề và học viện công nghệ, khoảng 20% đến 25% học viên gặp khó khăn hoặc lựa chọn sai chuyên ngành ngay từ giai đoạn nhập học. Sự không phù hợp giữa năng lực cá nhân và yêu cầu ngành dẫn đến tỷ lệ học viên bỏ học giữa chừng khoảng 12% đến 18%, gây lãng phí lớn về thời gian, tài chính và nguồn lực xã hội. Đối tượng theo học công nghệ thông tin ngày càng đa dạng, bao gồm học sinh phổ thông, sinh viên chuyển ngành, người đi làm và quân nhân xuất ngũ.

Nghiên cứu được thực hiện nhằm giải quyết bài toán tư vấn hướng nghiệp chính xác thông qua việc ứng dụng các thuật toán học máy phân lớp dữ liệu. Mục tiêu cụ thể của đề tài là xây dựng mô hình dự báo ngành học phù hợp giữa hai phân ngành trọng điểm là Lập trình và Kiểm thử phần mềm, dựa trên giải thuật cây quyết định C4.5 và rừng ngẫu nhiên Random Forest. Phạm vi nghiên cứu tập trung vào nguồn dữ liệu tuyển sinh thực tế trong 5 năm (giai đoạn từ năm 2018 đến tháng 8/2022) tại Học viện Đào tạo Công nghệ thông tin NIIT-ICT Hà Nội, cơ sở 25T2 Hoàng Đạo Thúy - Nguyễn Thị Thập, quận Cầu Giấy, Hà Nội.

Về mặt ý nghĩa thực tiễn, việc ứng dụng học máy vào công tác tuyển sinh giúp tự động hóa quy trình tư vấn với thời gian phản hồi dưới 3 giây, nâng tỷ lệ học viên chọn đúng chuyên ngành đạt trên 85%, đồng thời giảm thiểu tỷ lệ xin chuyển đổi chuyên ngành sau học kỳ đầu tiên xuống dưới mức 5%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên 2 nền tảng lý thuyết chính trong học máy có giám sát:

  1. Lý thuyết cây quyết định và giải thuật C4.5: Được phát triển bởi Ross Quinlan, C4.5 là giải thuật phân lớp sử dụng độ đo tỷ số độ lợi thông tin (Gain Ratio) để khắc phục nhược điểm thiên vị thuộc tính nhiều giá trị của thuật toán ID3. Quá trình phân hoạch dữ liệu dựa trên độ hỗn loạn Entropy và độ lợi thông tin (Information Gain).
  2. Lý thuyết học kết hợp (Ensemble Learning) và giải thuật Random Forest: Ứng dụng kỹ thuật đóng bao (Bagging/Bootstrap Aggregation) kết hợp hàng trăm cây quyết định độc lập. Kết quả phân lớp cuối cùng được quyết định thông qua cơ chế bỏ phiếu đa số (Majority Voting), giúp triệt tiêu hiện tượng quá khớp (Overfitting) và tăng cường độ ổn định cho mô hình.

Các khái niệm cốt lõi được chuẩn hóa trong nghiên cứu bao gồm: Độ hỗn loạn dữ liệu (Entropy), Tỷ số độ lợi (Gain Ratio), Hiện tượng quá khớp (Overfitting), Kỹ thuật cắt tỉa cây (Pruning), và Ma trận nhầm lẫn (Confusion Matrix) với các chỉ số đo lường như Accuracy, Precision, Recall và Điểm số F1 (F1-score).

Phương pháp nghiên cứu

  • Nguồn dữ liệu và cỡ mẫu: Dữ liệu thô ban đầu do Phòng Tuyển sinh Học viện NIIT-ICT Hà Nội cung cấp gồm 5.000 hồ sơ tuyển sinh dài hạn từ năm 2018 đến năm 2022 với 15 trường thông tin. Sau quá trình tiền xử lý, làm sạch và lọc bỏ các giá trị thiếu hoặc nhiễu, tác giả thu được bộ dữ liệu chuẩn hóa gồm 217 bản ghi đại diện với 5 đặc trưng đầu vào cốt lõi. Mẫu huấn luyện tính toán thực nghiệm chi tiết sử dụng tập dữ liệu gồm 35 bản ghi chuẩn.
  • Phương pháp chọn mẫu và tiền xử lý: Nghiên cứu áp dụng phương pháp chọn mẫu phân tầng có chủ đích, loại bỏ các thuộc tính không liên quan như chiều cao, cân nặng, tình trạng tài chính và các học viên thuộc khu vực hải đảo có số lượng quá nhỏ. Dữ liệu được mã hóa thành 5 biến định tính: Vùng miền (TP, NT), Giới tính (Nam, Nu), Trình độ (PTTH, CDDH, CH), Độ tuổi (Tre: dưới 18, Thanhnien: 19-34, Trungnien: từ 35 trở lên), và Thiên hướng (KHTN, KHXH).
  • Lý do lựa chọn phương pháp phân tích: C4.5 được lựa chọn nhờ khả năng trực quan hóa các quy tắc suy diễn dạng IF-THEN rõ ràng, dễ chuyển đổi thành câu lệnh truy vấn SQL. Random Forest được tích hợp nhằm nâng cao độ chính xác tổng thể và kiểm định tính vững chắc khi xử lý các trường dữ liệu bị khuyết.
  • Timeline nghiên cứu: Đề tài triển khai từ tháng 01/2023 đến tháng 08/2023. Giai đoạn thu thập và làm sạch dữ liệu hoàn thành trong tháng 3/2023; giai đoạn mô hình hóa và thực nghiệm trên công cụ Weka 3.7 cùng ngôn ngữ Python/R diễn ra từ tháng 4 đến tháng 6/2023; giai đoạn đóng gói phần mềm demo hoàn tất vào tháng 8/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Thuộc tính Thiên hướng có lực phân hoạch cao nhất: Trong tập dữ liệu huấn luyện 35 mẫu ban đầu với Entropy tổng thể là 0.96, thuộc tính Thiên hướng (TH) đạt tỷ số độ lợi Gain Ratio cao nhất là 0.21, vượt qua Trình độ (0.20), Vùng miền (0.19) và Độ tuổi (0.15). Do đó, Thiên hướng được chọn làm nút gốc (Root Node) của cây quyết định.
  2. Quy luật phân nhóm theo Giới tính và Trình độ rõ rệt: Ở nhánh Thiên hướng Khoa học tự nhiên (KHTN), 100% học viên nam giới được phân lớp chính xác vào ngành Lập trình với độ hỗn loạn Entropy bằng 0. Đối với học viên nữ giới có trình độ Đại học và độ tuổi Trẻ đến từ nông thôn, tỷ lệ chọn ngành Lập trình chiếm 100%, trong khi học viên nữ đến từ thành phố có xu hướng chọn Kiểm thử phần mềm chiếm 77.8%.
  3. Hiệu năng vượt trội của Random Forest so với C4.5: Khi thử nghiệm trên bộ dữ liệu 217 bản ghi bằng công cụ Weka và phương pháp kiểm chứng chéo K-fold (với k=10), mô hình Random Forest đạt độ chính xác phân lớp tổng thể khoảng 88.5%, cao hơn mức 82.3% của thuật toán C4.5 (J48).
  4. Hệ thống luật suy diễn chuẩn xác: Mô hình đã trích xuất thành công 7 luật quyết định tường minh (Rules 1-7). Điển hình như Luật 1: "IF TH = KHTN AND GT = Nam THEN NH = Laptrinh" và Luật 7: "IF TH = KHTN AND GT = Nu AND TD = DH AND DT = Tre AND VM = TP THEN NH = Kiemthu" với độ tin cậy đạt trên 90%.

Thảo luận kết quả

Sự vượt trội của thuộc tính Thiên hướng phản ánh đúng thực tế tâm lý học giáo dục: người học có nền tảng tư duy logic, Toán - Lý - Hóa thường thích ứng nhanh với cấu trúc thuật toán của ngành Lập trình. Ngược lại, học viên thiên hướng Khoa học xã hội, có tính cẩn thận, tỉ mỉ và khả năng ngôn ngữ tốt thường phù hợp với quy trình kiểm thử phần mềm chất lượng cao.

Dữ liệu thực nghiệm của nghiên cứu có thể được biểu diễn trực quan thông qua biểu đồ cột so sánh độ chính xác Accuracy, Precision, Recall giữa hai giải thuật C4.5 và Random Forest, cùng với bảng ma trận nhầm lẫn (Confusion Matrix) 2x2 thể hiện rõ số lượng mẫu thực dương (True Positive) và thực âm (True Negative). Việc Random Forest đạt F1-score 0.87 so với 0.81 của C4.5 chứng minh tính ưu việt của phương pháp học kết hợp trên tập dữ liệu tuyển sinh thực tế.

Đề xuất và khuyến nghị

  1. Tích hợp mô hình học máy vào cổng tuyển sinh số: Ban Giám đốc và Phòng Tuyển sinh Học viện NIIT-ICT Hà Nội cần tích hợp mô hình phân lớp Random Forest vào hệ thống website đăng ký trực tuyến trước quý 4/2023, giúp tự động gợi ý ngành học cho 100% thí sinh ngay sau khi hoàn thành form đăng ký.
  2. Chuẩn hóa bài kiểm tra đánh giá năng lực đầu vào: Phòng Đào tạo cần xây dựng bộ công cụ trắc nghiệm gồm 25 câu hỏi chuẩn hóa nhằm xác định chính xác thuộc tính Thiên hướng (KHTN hoặc KHXH) của thí sinh với độ tin cậy trên 95% trước kỳ tuyển sinh tháng 10/2023.
  3. Mở rộng quy mô cơ sở dữ liệu và số lượng đặc trưng: Đội ngũ kỹ thuật dữ liệu cần thu thập thêm khoảng 1.500 đến 2.000 bản ghi mới mỗi năm, đồng thời bổ sung 3 trường đặc trưng tiềm năng gồm: Điểm tiếng Anh, kỹ năng tin học văn phòng và mục tiêu mức lương kỳ vọng trong giai đoạn 2024 - 2025.
  4. Nâng cấp ứng dụng demo thành phần mềm quản trị toàn diện: Bộ phận Công nghệ thông tin cần hoàn thiện module xuất báo cáo đa định dạng (Excel, JSON, PDF) và đồng bộ dữ liệu tự động với các hệ quản trị CSDL như MySQL, SQLite và MongoDB định kỳ 30 ngày một lần để phục vụ công tác thống kê và lập kế hoạch mở lớp.

Đối tượng nên tham khảo luận văn

  1. Ban lãnh đạo và chuyên viên tư vấn tuyển sinh tại các cơ sở đào tạo CNTT: Áp dụng trực tiếp 7 luật suy diễn và phần mềm phân lớp để nâng cao hiệu suất tư vấn, giảm 80% thời gian xử lý hồ sơ nhập học.
  2. Học viên cao học và sinh viên chuyên ngành Khoa học máy tính, Hệ thống thông tin: Tham khảo quy trình tính toán thủ công từng bước chỉ số Entropy, Gain Ratio và phương pháp triển khai giải thuật C4.5/Random Forest trên Weka và Python.
  3. Kỹ sư phát triển phần mềm và chuyên viên dữ liệu EdTech: Tận dụng mã nguồn demo, kiến trúc kết nối đa cơ sở dữ liệu (MySQL, SQLite, MongoDB) để xây dựng các giải pháp hướng nghiệp thông minh.
  4. Các nhà nghiên cứu giáo dục nghề nghiệp: Sử dụng phương pháp luận và khung phân tích 5 đặc trưng nhân khẩu học làm tài liệu tham khảo cho các công trình nghiên cứu định lượng về phân luồng học sinh.

Câu hỏi thường gặp

1. Tại sao nghiên cứu sử dụng C4.5 và Random Forest mà không dùng Deep Learning?
Tập dữ liệu tuyển sinh có quy mô 217 bản ghi chuẩn với các biến định tính phân loại. C4.5 và Random Forest là lựa chọn tối ưu vì hoạt động hiệu quả trên dữ liệu nhỏ, không đòi hỏi phần cứng lớn, tránh hiện tượng quá khớp và cung cấp tập luật suy diễn tường minh, dễ giải thích cho học viên hơn các mô hình hộp đen Deep Learning.

2. Thuộc tính nào đóng vai trò quan trọng nhất trong việc tư vấn chọn ngành?
Thuộc tính Thiên hướng (KHTN hoặc KHXH) là yếu tố quyết định hàng đầu với Gain Ratio đạt 0.21. Kết quả thực nghiệm cho thấy học viên thiên hướng KHTN có xác suất phù hợp với ngành Lập trình cao gấp 2.8 lần so với học viên có thiên hướng KHXH.

3. Kích thước mẫu 217 bản ghi sau làm sạch có đủ tin cậy để huấn luyện mô hình không?
Bộ dữ liệu 217 bản ghi được tinh lọc từ 5.000 hồ sơ thô qua 5 năm, đảm bảo tính đại diện cao. Đề tài đã áp dụng phương pháp kiểm chứng chéo 10-fold cross-validation, giúp ước lượng độ chính xác khách quan và kiểm soát độ lệch phương sai hiệu quả trên quy mô dữ liệu vừa và nhỏ.

4. Phần mềm demo của luận văn hỗ trợ những định dạng lưu trữ và xuất dữ liệu nào?
Hệ thống demo được phát triển hoàn chỉnh với khả năng kết nối trực tiếp đến các hệ quản trị cơ sở dữ liệu phổ biến gồm MySQL, SQLite, MongoDB, đồng thời tích hợp sẵn module kết xuất dữ liệu phân lớp ra các định dạng chuẩn như Excel, JSON và file báo cáo PDF.

5. Mô hình phân lớp này có thể áp dụng cho các trung tâm đào tạo khác ngoài NIIT-ICT HN không?
Hoàn toàn có thể. Mô hình có tính khái quát hóa cao, các đơn vị đào tạo công nghệ khác chỉ cần chuẩn hóa dữ liệu đầu vào theo 5 trường đặc trưng (Vùng miền, Giới tính, Trình độ, Độ tuổi, Thiên hướng) là có thể tái huấn luyện và áp dụng trực tiếp cho quy trình tuyển sinh.

Kết luận

  • Luận văn đã giải quyết thành công bài toán tư vấn định hướng ngành học cho học viên CNTT bằng phương pháp học máy, đạt độ chính xác từ 82.3% đến 88.5%.
  • Xác định Thiên hướng là đặc trưng phân hoạch quan trọng nhất với tỷ số Gain Ratio đạt 0.21, trích xuất thành công 7 luật quyết định chuẩn xác.
  • Chứng minh tính vượt trội của thuật toán Random Forest về khả năng hạn chế quá khớp và độ ổn định dự báo so với cây quyết định đơn lẻ C4.5.
  • Xây dựng thành công ứng dụng demo trực quan, hỗ trợ kết nối đa cơ sở dữ liệu (MySQL, SQLite, MongoDB) và xuất báo cáo tự động.
  • Trong giai đoạn 2024 - 2025, hệ thống cần tiếp tục mở rộng tập dữ liệu lên trên 2.000 mẫu và bổ sung các thuộc tính đo lường kỹ năng mềm để tối ưu hóa độ chính xác.

Quý độc giả, cán bộ tuyển sinh và nhà nghiên cứu quan tâm có thể ứng dụng ngay bộ luật phân lớp và mã nguồn giải thuật để nâng cao hiệu quả công tác hướng nghiệp CNTT.