I. Vì Sao Cần Ứng Dụng Học Máy Đánh Giá Chất Lượng Đào Tạo
Thế hệ Gen Z, lớn lên trong kỷ nguyên số, thể hiện quan điểm mạnh mẽ trên mạng xã hội. Với kỹ năng công nghệ cao và khả năng kết nối rộng, họ thẳng thắn bày tỏ ý kiến về nhiều vấn đề. Các trường đại học cần khai thác thông tin từ các nhóm phi chính thức để hiểu rõ hơn về mong muốn của sinh viên. Phản hồi của sinh viên rất quan trọng để cải thiện chất lượng đào tạo. Tuy nhiên, việc thu thập và phân tích thủ công là quá sức. Một hệ thống tự động là cần thiết để lọc thông tin và đưa ra báo cáo chất lượng đào tạo chính xác. Điều này giúp nhà quản lý đưa ra các quyết định đáp ứng nhu cầu thực sự của người học. Theo Explorance (2023), phản hồi của sinh viên có thể được sử dụng để cải thiện chương trình giảng dạy, xác định điểm yếu của giảng viên, và thu thập các đề xuất cải tiến. Việc lắng nghe và phân tích những mong muốn này không chỉ giúp nhà trường cải thiện dịch vụ hiện tại mà còn định hướng cho các chính sách phát triển trong tương lai.
1.1. Đặc điểm của Gen Z và Ảnh Hưởng Đến Giáo Dục Đại Học
Gen Z lớn lên trong thời đại kỹ thuật số, thông thạo công nghệ và mạng xã hội. Họ có khả năng kết nối cao và thẳng thắn bày tỏ quan điểm cá nhân. Ứng dụng trí tuệ nhân tạo trong giáo dục giúp các trường đại học hiểu rõ hơn về nhu cầu và mong muốn của sinh viên. Điều này giúp xây dựng môi trường học tập tích cực và thân thiện. Đặc biệt, các trường đại học và các cơ sở giáo dục đại học - nơi mà các gen z tập trung đông đảo - cũng khai thác thông tin từ “confession” hay những trang, nhóm tương tự được hiểu là nơi dành cho sinh viên bày tỏ những tâm tư, nguyện vọng, quan điểm của mình đối với các vấn đề tại trường học của mình.
1.2. Tầm Quan Trọng Của Phản Hồi Sinh Viên Trong Quản Lý Đào Tạo
Phản hồi của sinh viên là tập hợp các nhận xét, ý kiến và cảm xúc đối với chương trình đào tạo, giảng viên, dịch vụ. Việc thu thập và phân tích phản hồi ẩn danh giúp cải thiện chương trình giảng dạy và nâng cao chất lượng đào tạo. Một hệ thống tự động giúp nhà trường nắm bắt được những vấn đề mà sinh viên đang quan tâm. Explorance (2023) khẳng định, khi được thực hiện đúng cách, chương trình phản hồi của sinh viên trở thành công cụ quan trọng nhất trong sự phát triển của cơ sở.
II. Phương Pháp Học Máy Nào Để Đánh Giá Sự Hài Lòng Sinh Viên
Đề tài nghiên cứu hướng đến mục tiêu chính là đề xuất cách thức tự động phát hiện các đối tượng mà sinh viên nhắc tới và quan điểm của sinh viên về đối tượng đó thông qua việc phân tích cảm xúc sinh viên về đào tạo từ các bài đăng và bình luận trên Facebook. Hai mục tiêu cụ thể bao gồm: Xác định đối tượng (Entity) được sinh viên nhắc tới và Xác định quan điểm (Sentiment) của sinh viên đối với các đối tượng đó. Sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) và các thuật toán học máy để xây dựng mô hình nhận diện và phân loại các entity từ dữ liệu văn bản. Áp dụng các mô hình như LSTM, BERT hoặc transformers để cải thiện độ chính xác và hiệu quả của phân tích cảm xúc.
2.1. Nhận Diện Đối Tượng Entity Trong Phản Hồi Của Sinh Viên
Phát triển hệ thống tự động xác định và trích xuất các đối tượng (entity) mà sinh viên đề cập trong các bài đăng, bình luận trên mạng xã hội. Các đối tượng có thể bao gồm giảng viên, khóa học, cơ sở vật chất, dịch vụ hỗ trợ sinh viên, hoạt động ngoại khóa. Sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) và học máy để xây dựng mô hình nhận diện và phân loại các entity từ dữ liệu văn bản thu thập được.
2.2. Phân Tích Cảm Xúc Sentiment Về Chất Lượng Đào Tạo
Xây dựng hệ thống tự động phân tích và xác định quan điểm của sinh viên (tích cực, tiêu cực, trung lập) đối với các đối tượng được nhắc tới. Sử dụng các kỹ thuật phân tích cảm xúc kết hợp với các mô hình học sâu để đánh giá và phân loại cảm xúc của sinh viên. Áp dụng các mô hình như LSTM, BERT hoặc transformers để cải thiện độ chính xác và hiệu quả của phân tích cảm xúc.
2.3. Ứng dụng mô hình Sentiment và Entity để dự đoán sự hài lòng của sinh viên.
Mô hình Sentiment giúp phân tích cảm xúc của sinh viên, còn mô hình Entity giúp xác định các yếu tố cụ thể ảnh hưởng đến cảm xúc đó. Sự kết hợp này giúp dự đoán sự hài lòng của sinh viên một cách toàn diện hơn.
III. Hướng Dẫn Quy Trình Ứng Dụng Học Máy Để Đánh Giá Hiệu Quả
Quy trình nghiên cứu bao gồm các bước: (1) Phân tích dữ liệu khảo sát sinh viên: Thu thập dữ liệu từ các nhóm phi chính thức trên Facebook. (2) Mô tả bài toán: Xác định các đối tượng và quan điểm cần phân tích. (3) Quy trình triển khai: Tiền xử lý dữ liệu, xây dựng kho ngữ liệu, gán nhãn dữ liệu và huấn luyện mô hình. Tiền xử lý dữ liệu bao gồm làm sạch dữ liệu, loại bỏ các ký tự đặc biệt, và chuyển đổi dữ liệu về dạng phù hợp. Việc xây dựng kho ngữ liệu bao gồm thu thập và gán nhãn dữ liệu từ các nguồn khác nhau. Sử dụng các công cụ như Doccano để gán nhãn dữ liệu một cách hiệu quả.
3.1. Các Bước Tiền Xử Lý Dữ Liệu Cho Học Máy Đánh Giá
Quá trình tiền xử lý dữ liệu bao gồm: (1) Làm sạch dữ liệu: Loại bỏ các ký tự đặc biệt, URL, và các thông tin không liên quan. (2) Chuẩn hóa dữ liệu: Chuyển đổi dữ liệu về dạng chữ thường, loại bỏ dấu, và sửa lỗi chính tả. (3) Tách từ (Tokenization): Chia văn bản thành các từ hoặc cụm từ nhỏ hơn. (4) Loại bỏ stop words: Loại bỏ các từ không có ý nghĩa như 'và', 'là', 'của'. (5) Stemming/Lemmatization: Chuyển các từ về dạng gốc của chúng.
3.2. Xây Dựng Kho Ngữ Liệu Để Đào Tạo Mô Hình Học Máy
Kho ngữ liệu bao gồm các bài đăng và bình luận từ các nhóm phi chính thức trên Facebook. Cần gán nhãn cho từng bài đăng và bình luận để huấn luyện mô hình học máy. Sử dụng các công cụ như Doccano để gán nhãn dữ liệu một cách hiệu quả. Đảm bảo tính chính xác và nhất quán của dữ liệu bằng cách sử dụng nhiều người gán nhãn và kiểm tra chéo.
3.3. Đánh Giá Độ Tin Cậy Của Dữ Liệu Gán Nhãn.
Độ tin cậy của dữ liệu gán nhãn được đánh giá bằng các độ đo như Kappa của Cohen. Đảm bảo độ tin cậy của dữ liệu gán nhãn cao để mô hình học máy hoạt động hiệu quả. Bảng thống kê độ đo Kappa nhãn Entity và Sentiment giúp đánh giá độ tin cậy của dữ liệu.
IV. Kết Quả Nghiên Cứu Mô Hình Học Máy Đánh Giá Mức Độ Hài Lòng
Chương trình thực nghiệm sử dụng các mô hình học máy như VisoBERT và BERT-base-uncased. Kiến trúc mô hình VisoBERT và BERT-base-uncased được mô tả chi tiết. Các thử nghiệm được thực hiện để đánh giá hiệu suất của mô hình. Phân tích kết quả đầu ra cho thấy mô hình có khả năng phân tích và đánh giá mức độ hài lòng của sinh viên về chất lượng đào tạo. Hình 28 thể hiện kết quả đầu ra của mô hình, cho thấy khả năng phân tích và đánh giá mức độ hài lòng của sinh viên.
4.1. Kiến Trúc Các Mô Hình Học Máy Sử Dụng Trong Nghiên Cứu
Nghiên cứu sử dụng các mô hình học máy như VisoBERT và BERT-base-uncased. Mô hình VisoBERT kết hợp thông tin hình ảnh và văn bản để phân tích cảm xúc. Mô hình BERT-base-uncased là một mô hình ngôn ngữ mạnh mẽ có khả năng hiểu ngữ cảnh và ý nghĩa của văn bản. Hình 20 và 21 trình bày sơ đồ kiến trúc mô hình VisoBERT và BERT-base-uncased.
4.2. Đánh Giá Hiệu Suất Mô Hình Độ Đo Đánh Giá Hiệu Suất
Hiệu suất của mô hình được đánh giá bằng các độ đo như độ chính xác, độ tin cậy, và F1-score. Bảng thống kê kết quả F1 từng nhãn sentiment cho thấy khả năng phân tích cảm xúc của mô hình. Phân tích biểu đồ phân phối của các nhãn giúp hiểu rõ hơn về kết quả phân tích của mô hình.
4.3. Phân tích và đánh giá chi tiết kết quả đầu ra của mô hình.
Kết quả đầu ra của mô hình cung cấp thông tin về mức độ hài lòng của sinh viên về các khía cạnh khác nhau của chương trình đào tạo. Thông tin này có thể được sử dụng để cải thiện chất lượng đào tạo. Đánh giá kết quả F1 từng nhãn sentiment giúp hiểu rõ hơn về khả năng phân tích cảm xúc của mô hình.
V. Kết Luận và Kiến Nghị Để Nâng Cao Chất Lượng Đào Tạo
Đề tài nghiên cứu đã đề xuất cách thức tự động phát hiện các đối tượng mà sinh viên nhắc tới và quan điểm của sinh viên về đối tượng đó thông qua phân tích các bài đăng và bình luận trên Facebook. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc cải thiện chất lượng đào tạo. Cần tiếp tục nghiên cứu và phát triển các mô hình học máy để nâng cao độ chính xác và hiệu quả. Đề xuất mô hình (Hình 29) giúp các trường đại học cải thiện chất lượng đào tạo một cách hiệu quả.
5.1. Tóm Tắt Kết Quả Nghiên Cứu Và Đóng Góp Của Đề Tài
Đề tài nghiên cứu đã xây dựng được chương trình xác định chất lượng đào tạo thông qua việc đánh giá quan điểm về đối tượng được nhắc đến trong các nhóm phi chính thức. Đề xuất cách thức để xác định chất lượng đào tạo thông qua các bài đăng và bình luận của sinh viên. Đóng góp về mặt kinh tế - xã hội, giáo dục và đào tạo, an ninh, quốc phòng và khả năng áp dụng của đề tài.
5.2. Hướng Nghiên Cứu Tiếp Theo Để Ứng Dụng Hiệu Quả Hơn
Cần tiếp tục nghiên cứu và phát triển các mô hình học máy để nâng cao độ chính xác và hiệu quả. Nghiên cứu về các phương pháp mới để thu thập và xử lý dữ liệu từ các nguồn khác nhau. Nghiên cứu về các yếu tố ảnh hưởng đến sự hài lòng của sinh viên để đưa ra các giải pháp phù hợp.
