Ứng Dụng Học Máy Để Tự Động Xác Định Sự Hài Lòng Của Sinh Viên Về Chất Lượng Chương Trình Đào Tạo

Nghiên cứu ứng dụng học máy để tự động đánh giá sự hài lòng của sinh viên về chất lượng chương trình đào tạo từ bình luận trong nhóm phi chính thức.

• Tác giả: Trịnh Thị Lan Ánh
• Người hướng dẫn: ThS. Ngô Thùy Linh
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Công nghệ thông tin & Kinh tế số
• Đề tài: Ứng Dụng Học Máy Để Đánh Giá Sự Hài Lòng Của Sinh Viên Về Chất Lượng Đào Tạo
• Loại tài liệu: đề tài nghiên cứu khoa học
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI NGHIÊN CỨU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu nghiên cứu cụ thể
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa thực tiễn của đề tài
• 1.6. Cấu trúc bài nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU
• 2.1. Tổng quan về phân tích quan điểm
• 2.2. Tổng quan nghiên cứu có liên quan đến đề tài
• 2.2.1. Nghiên cứu trên thế giới
• 2.2.2. Nghiên cứu trong nước
• 2.2.3. Khoảng trống nghiên cứu
• 2.3. Mô hình nghiên cứu
• 2.3.1. Mô hình Sentiment
• 2.3.2. Mô hình Entity
• 3. CHƯƠNG 3: QUY TRÌNH NGHIÊN CỨU VÀ TRIỂN KHAI BÀI TOÁN
• 3.1. Quy trình nghiên cứu
• 3.2. Mô tả bài toán
• 3.3. Quy trình triển khai
• 3.3.1. Tiền xử lý dữ liệu
• 3.3.2. Xây dựng kho ngữ liệu
• 3.4. Giới thiệu bộ dữ liệu
• 4. CHƯƠNG 4: CHƯƠNG TRÌNH THỰC NGHIỆM
• 4.1. Môi trường thực nghiệm
• 4.2. Phân chia bộ dữ liệu
• 4.3. Độ đo đánh giá hiệu suất
• 4.4. Tổng quan kiến trúc mô hình
• 4.4.1. Kiến trúc mô hình VisoBERT
• 4.4.2. Kiến trúc mô hình BERT-base-uncased
• 4.5. Mô hình Entity
• 4.5.1. Một số thử nghiệm
• 4.6. Mô hình Sentiment
• 4.6.1. Một số thử nghiệm
• 4.7. Phân tích kết quả đầu ra
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

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.

Nội dung chính

Ứng Dụng Học Máy Để Tự Động Xác Định Sự Hài Lòng Của Sinh Viên Về Chất Lượng Chương Trình Đào Tạo Qua Bình Luận Mạng Xã Hội

---

Tóm tắt nghiên cứu (Research Summary)

• Câu hỏi nghiên cứu chính: Làm thế nào để tự động nhận diện chính xác các đối tượng liên quan đến môi trường đào tạo đại học (Entity) và xác định thái độ, quan điểm (Sentiment) của sinh viên từ các thảo luận phi chính thức trên mạng xã hội?
• Phương pháp nghiên cứu: Đề tài áp dụng kỹ thuật Xử lý Ngôn ngữ Tự nhiên (NLP) và Học sâu (Deep Learning). Quy trình triển khai bao gồm thu thập dữ liệu tự động từ các diễn đàn sinh viên (Confessions) qua facebook-scraper, tiền xử lý và chuẩn hóa ngôn ngữ mạng (Teencode), xây dựng bộ khung gán nhãn thực thể chuẩn hóa theo Thông tư 04/2016/TT-BGDĐT trên nền tảng Doccano, kiểm định độ tin cậy bằng hệ số Cohen's Kappa, và ứng dụng mô hình ngôn ngữ tiền huấn luyện chuyên sâu cho mạng xã hội tiếng Việt (ViSoBERT) kết hợp với các kiến trúc BERT và LSTM.
• Phát hiện then chốt: Mô hình ViSoBERT thể hiện sự vượt trội rõ rệt trong việc hiểu ngữ cảnh phi chuẩn mực, từ lóng và biểu cảm của sinh viên Gen Z. Nghiên cứu giải quyết bài toán Phân tích Cảm xúc Cấp độ Đối tượng (Entity-Level Sentiment Analysis - ELSA), bóc tách được các sắc thái cảm xúc đa chiều đối với từng khía cạnh cụ thể như giảng viên, môn học, cơ sở vật chất, phòng học và thời khóa biểu.
• Ý nghĩa thực tiễn: Nghiên cứu cung cấp một hệ thống lắng nghe xã hội (Social Listening) tự động hóa, giúp các nhà quản trị giáo dục đại học nắm bắt kịp thời các "điểm nghẽn" trong chương trình đào tạo một cách khách quan, vượt qua những rào cản và độ trễ của các khảo sát truyền thống.

---

Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng đánh giá chất lượng giáo dục

Trong quản trị đại học hiện đại, phản hồi của người học là thước đo cốt lõi để cải tiến chương trình đào tạo, nâng cao chất lượng giảng dạy và hoàn thiện dịch vụ hỗ trợ sinh viên. Tuy nhiên, phương thức thu thập ý kiến truyền thống thông qua bảng hỏi khảo sát định kỳ (Google Forms hoặc cổng thông tin nội bộ) đang bộc lộ nhiều hạn chế nghiêm trọng. Sinh viên thường có tâm lý e ngại bị định kiến ("ghim"), dẫn đến xu hướng trả lời mang tính đối phó, chung chung hoặc thiên vị xã hội (social desirability bias). Điều này làm suy giảm đáng kể tính khách quan và độ tin cậy của dữ liệu khảo sát.

Khoảng trống nghiên cứu (Research Gap)

Thế hệ sinh viên hiện nay (Gen Z) là những "công dân số" có xu hướng bộc lộ cảm xúc, quan điểm thẳng thắn trên các diễn đàn phi chính thức (như các trang Confessions, hội nhóm sinh viên trên Facebook). Đây là kho ngữ liệu phản ánh chân thực nhất tâm tư, bức xúc cũng như kỳ vọng của người học.

Mặc dù lĩnh vực Xử lý Ngôn ngữ Tự nhiên (NLP) tiếng Việt đã có những bước tiến với các bộ ngữ liệu như UIT-VSFC hay VLSP, phần lớn vẫn dừng lại ở phân tích cảm xúc cấp độ câu hoặc tài liệu, và tập trung vào văn bản khảo sát chuẩn mực. Nhiệm vụ Phân tích Cảm xúc Cấp độ Đối tượng (Entity-Level Sentiment Analysis - ELSA) trên dữ liệu phi cấu trúc, chứa nhiều tiếng lóng, từ viết tắt và cấu trúc ngữ pháp tự do của mạng xã hội tiếng Việt vẫn còn là một khoảng trống lớn chưa được khai thác toàn diện.

Tính cấp thiết và tác động tiềm năng

Sự bùng nổ của thông tin trên mạng xã hội đặt ra nhu cầu cấp bách về một công cụ tự động hóa việc sàng lọc, nhận diện và phân tích luồng dư luận. Ứng dụng thành công giải pháp này không chỉ giúp nhà trường tối ưu hóa nguồn lực kiểm định chất lượng, mà còn tạo ra cơ chế lắng nghe tích cực, góp phần nâng cao sự gắn kết giữa sinh viên và cơ sở giáo dục.

---

Phương pháp nghiên cứu và Cách tiếp cận (Methodology & Approach)

Đề tài được thiết kế theo quy trình tích hợp liên ngành giữa quản lý giáo dục và khoa học dữ liệu, bao gồm các giai đoạn cốt lõi:

1. Thu thập dữ liệu và Thiết kế ngữ liệu

• Phạm vi dữ liệu: Các bài đăng (post) và bình luận (comment) trong giai đoạn từ tháng 02/2021 đến tháng 04/2023 từ các diễn đàn sinh viên tiêu biểu: BA Confessions, Trà đá 12 Chùa Bộc (Học viện Ngân hàng), Khoa học Huế Confessions (Đại học Khoa học - ĐH Huế), và IS.VNU Confessions (Trường Quốc tế - ĐHQGHN).
• Công cụ thu thập: Sử dụng thư viện facebook-scraper để trích xuất cấu trúc hội thoại đa tầng, bảo tồn luồng tương tác ngữ cảnh giữa các bình luận.

2. Tiền xử lý dữ liệu và Xử lý ngôn ngữ mạng (Teencode)

Ngôn ngữ mạng của sinh viên Gen Z có độ phân hóa cao về ngữ âm, từ vựng và cú pháp. Nhóm nghiên cứu đã xây dựng quy trình tiền xử lý chuyên sâu:

• Tách cấu trúc luồng hội thoại theo định dạng định danh: [(Tên người/ID) - (Thời gian) - (Nội dung)].
• Xây dựng bộ từ điển chuyển đổi Teencode/Slang chuyên biệt, ánh xạ các từ viết tắt, từ lóng học đường, biểu tượng cảm xúc (emoji) về dạng ngữ nghĩa chuẩn trước khi đưa vào mô hình.

3. Xây dựng bộ nhãn và Kiểm soát chất lượng (Doccano & Cohen's Kappa)

• Khung thực thể (Entity): Dựa trên 11 tiêu chuẩn và 50 tiêu chí đánh giá chất lượng chương trình đào tạo của Bộ Giáo dục & Đào tạo (Thông tư 04/2016/TT-BGDĐT), nhóm đã phát triển danh mục thực thể trọng tâm gồm: Giảng viên, Môn học, Ngành học, Phòng học/Giảng đường, Cơ sở vật chất, Thời gian/Lịch học, Địa điểm.
• Khung quan điểm (Sentiment): Phân loại theo 3 cực tính: Tích cực (Positive), Tiêu cực (Negative), và Trung lập (Neutral).
• Độ tin cậy: Sử dụng phần mềm mã nguồn mở Doccano để thực hiện gán nhãn đa chuyên gia. Thống kê hệ số thỏa thuận Cohen’s Kappa giữa các kiểm định viên đạt mức tin cậy cao (Kappa > 0.8), đảm bảo tính nhất quán tuyệt đối của bộ dữ liệu trước khi huấn luyện.

4. Kiến trúc mô hình học sâu

Nhóm nghiên cứu triển khai mô hình học sâu lưỡng tầng nhằm xử lý đồng thời hai tác vụ:

• Nhận diện thực thể (Entity Recognition): Trích xuất chính xác ranh giới của các đối tượng giáo dục xuất hiện trong câu.
• Phân loại cảm xúc dựa trên ngữ cảnh (Contextual Sentiment Classification): Tận dụng kiến trúc Transformer của ViSoBERT (mô hình ngôn ngữ tiền huấn luyện tối ưu hóa trên dữ liệu mạng xã hội Việt Nam dựa trên XLM-RoBERTa), kết hợp so sánh đối sánh với BERT-base-uncased và LSTM.

---

Phát hiện chính (Key Findings)

Qua quá trình thực nghiệm và phân tích định lượng trên tập dữ liệu thực tế, nghiên cứu đã rút ra những phát hiện quan trọng:

1. Sự vượt trội của ViSoBERT trên văn bản phi chính thức

Mô hình ViSoBERT đạt hiệu suất tổng thể vượt trội (F1-score và Accuracy) so với các mô hình ngôn ngữ truyền thống. Nhờ được tiền huấn luyện trên hàng triệu bài đăng mạng xã hội (Facebook, TikTok, YouTube), ViSoBERT có khả năng nắm bắt nhạy bén ngữ nghĩa ẩn sau các cấu trúc câu đảo ngữ, teencode và sắc thái mỉa mai (sarcasm) mà các mô hình được huấn luyện trên văn bản báo chí chuẩn mực (như PhoBERT hay BERT nguyên bản) thường bị nhầm lẫn.

2. Bóc tách thành công cảm xúc đa thực thể (Fine-grained Multi-Entity)

Một phát hiện nổi bật của bài toán ELSA là khả năng phân tách rạch ròi các cực tính cảm xúc trái ngược nhau trong cùng một phát ngôn của sinh viên.

• Ví dụ phân tích: Trong câu "Thầy H dạy siêu nhiệt tình và dễ hiểu nhưng phòng 402 nhà B điều hòa hỏng nóng kinh khủng", mô hình đã nhận diện chính xác hai thực thể với hai nhãn cảm xúc đối lập:
  • Thực thể [Giảng viên: Thầy H] $\rightarrow$ Quan điểm: Tích cực (Positive).
  • Thực thể [Cơ sở vật chất: Phòng 402 nhà B / Điều hòa] $\rightarrow$ Quan điểm: Tiêu cực (Negative).

3. Bản đồ phân bố quan điểm của sinh viên về chất lượng đào tạo

Dữ liệu phân tích thực nghiệm chỉ ra bức tranh thực tế về các mối quan tâm của người học:

• Nhóm thực thể nhận nhiều phản hồi tiêu cực: Tập trung cao nhất vào Cơ sở vật chất (wifi, máy chiếu, điều hòa, nhà vệ sinh) và Thời gian/Lịch thi (lịch thi dồn dập, trùng lịch học, xếp lớp học phần).
• Nhóm thực thể nhận phản hồi phân hóa cao: Giảng viên và Môn học có tỷ lệ thảo luận lớn nhất, trong đó các bình luận tích cực chiếm ưu thế ở các môn chuyên ngành có tính thực tiễn cao, trong khi các môn đại cương thường nhận nhiều ý kiến trung lập hoặc tiêu cực về phương pháp truyền đạt.

4. Tầm quan trọng của bộ tiền xử lý ngôn ngữ mạng

Việc bổ sung từ điển Teencode tự xây dựng đã làm giảm tỷ lệ từ vựng ngoài từ điển (Out-Of-Vocabulary - OOV), giúp tăng F1-score của mô hình phân loại thực thể lên đáng kể đối với các cụm từ viết tắt phổ biến trong trường học (như gvm, dkhp, gvhd, ktx, gđ).

---

Đóng góp khoa học và Giá trị thực tiễn (Contributions & Implications)

1. Đóng góp về mặt lý thuyết và phương pháp luận

• Tiên phong áp dụng ELSA trong giáo dục đại học: Nghiên cứu là một trong những công trình tiên phong tại Việt Nam tích hợp mô hình phân tích quan điểm cấp độ thực thể (ELSA) vào ngữ liệu văn bản mạng xã hội trong môi trường học thuật.
• Bộ dữ liệu chuẩn hóa: Cung cấp quy trình xây dựng ngữ liệu tiếng Việt có kiểm định tính nhất quán khoa học (Cohen's Kappa), làm tiền đề tham khảo cho các nghiên cứu tiếp theo về khai phá ý kiến (Opinion Mining).

2. Ứng dụng trong thực tiễn quản trị đại học

• Công cụ hỗ trợ ra quyết định: Cung cấp cho Ban Giám hiệu, Phòng Quản lý Đào tạo và Phòng Đảm bảo Chất lượng bức tranh toàn cảnh, tức thời và không thiên vị về chất lượng phục vụ và giảng dạy.
• Cải tiến quy trình kiểm định: Dữ liệu phân tích tự động đóng vai trò như một nguồn minh chứng bổ trợ giá trị cho hồ sơ tự đánh giá chất lượng chương trình đào tạo theo các tiêu chuẩn quốc gia và quốc tế (như AUN-QA).
• Tối ưu hóa nguồn lực đầu tư: Giúp ban lãnh đạo nhà trường phân bổ ngân sách cải tạo cơ sở vật chất đúng vào những điểm nóng mà sinh viên đang bức xúc nhất.

---

Đối tượng thụ hưởng và Giá trị mang lại (Target Audience & Benefits)

Nhóm đối tượng	Lợi ích cụ thể từ nghiên cứu
Nhà quản trị & Lãnh đạo Trường	Tiếp cận hệ thống báo cáo tự động theo thời gian thực về tâm tư sinh viên; nâng cao chỉ số hài lòng của người học và gìn giữ uy tín thương hiệu giáo dục.
Phòng Đảm bảo Chất lượng	Tự động hóa quá trình thu thập, phân loại minh chứng đánh giá chất lượng; giảm thiểu chi phí và thời gian tổ chức khảo sát thủ công.
Giảng viên & Trưởng bộ môn	Nhận được các phản hồi chi tiết về nội dung môn học, phương pháp giảng dạy để kịp thời điều chỉnh đề cương và tài liệu học tập phù hợp với sinh viên.
Nhà nghiên cứu AI / NLP	Tham khảo quy trình tiền xử lý ngôn ngữ mạng xã hội tiếng Việt, phương pháp xây dựng bộ ngữ liệu teencode và kỹ thuật áp dụng ViSoBERT vào bài toán ELSA.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của nghiên cứu này là gì?

Nghiên cứu chứng minh rằng việc khai thác dữ liệu phi chính thức trên mạng xã hội bằng mô hình học sâu chuyên biệt (ViSoBERT) mang lại kết quả đánh giá sự hài lòng của sinh viên có độ tin cậy và tính chân thực cao hơn nhiều so với khảo sát truyền thống, đồng thời phân tách được cảm xúc chi tiết cho từng đối tượng riêng biệt trong cùng một câu văn.

2. Phương pháp tiếp cận của nhóm có gì đặc biệt so với các bài toán phân tích cảm xúc thông thường?

Thay vì chỉ phân loại cảm xúc chung của toàn bộ câu (Sentence-level Sentiment), đề tài giải quyết bài toán ở cấp độ đối tượng (Entity-level Sentiment). Mô hình đồng thời bóc tách Thực thể được nhắc đến là gì? và Quan điểm đối với thực thể đó là tích cực, tiêu cực hay trung lập?, giúp định vị chính xác nguyên nhân gốc rễ của vấn đề.

3. Mô hình có khả năng khái quát hóa (generalize) cho các trường đại học khác không?

Hoàn toàn có khả năng. Nhóm đã huấn luyện và thử nghiệm dữ liệu từ nhiều trường đại học khác nhau (Học viện Ngân hàng, ĐH Khoa học Huế, ĐH Quốc gia Hà Nội). Khung thực thể được chuẩn hóa theo Thông tư 04/2016/TT-BGDĐT, cho phép dễ dàng chuyển giao và áp dụng cho mọi cơ sở giáo dục đại học tại Việt Nam.

4. Teencode và tiếng lóng của sinh viên được xử lý như thế nào để mô hình không bị hiểu sai?

Nhóm nghiên cứu đã xây dựng một pipeline tiền xử lý riêng biệt gồm từ điển ánh xạ Teencode sang tiếng Việt chuẩn mực kết hợp với việc tận dụng không gian biểu diễn từ vựng phong phú của ViSoBERT – mô hình vốn đã được tiền huấn luyện trên các nền tảng mạng xã hội phổ biến.

5. Nhà trường có thể ứng dụng kết quả này vào thực tế như thế nào?

Nhà trường có thể triển khai hệ thống như một bảng điều khiển (Dashboard) phân tích tâm lý sinh viên trực tuyến. Khi có các bình luận tiêu cực gia tăng đột biến về một môn học, giảng viên hay cơ sở vật chất, hệ thống sẽ phát tín hiệu cảnh báo để các phòng ban liên quan kịp thời can thiệp và xử lý.

---

Kết luận (Conclusion)

Đề tài nghiên cứu khoa học "Ứng dụng học máy để tự động xác định sự hài lòng của sinh viên về chất lượng chương trình đào tạo" của nhóm sinh viên Khoa CNTT & Kinh tế số - Học viện Ngân hàng đã khẳng định tính khả thi và hiệu quả vượt bậc của việc ứng dụng Trí tuệ Nhân tạo vào chuyển đổi số giáo dục. Bằng cách kết hợp linh hoạt giữa chuyên môn quản trị chất lượng đào tạo và các kỹ thuật NLP tiên tiến (ViSoBERT, ELSA), nghiên cứu đã mở ra một hướng tiếp cận đột phá, biến nguồn dữ liệu mạng xã hội phi cấu trúc thành tri thức giá trị hỗ trợ nâng cao chất lượng giáo dục đại học.

Trong giai đoạn tiếp theo, nhóm nghiên cứu định hướng mở rộng tích hợp các mô hình ngôn ngữ lớn (LLMs) nhằm tự động tổng hợp báo cáo đề xuất giải pháp cải tiến trực tiếp cho lãnh đạo nhà trường, góp phần kiến tạo môi trường giáo dục đại học thông minh, thân thiện và không ngừng hoàn thiện.

Trích đoạn nội dung tài liệu

chương 1 đề cập đến các phương pháp nghiên cứu và ý nghĩa thực tiễn mà đề tài nghiên cứu mang lại. Cuối cùng, trong chương này sẽ trình bày về cấu trúc bài nghiên cứu, các bước thực hiện quá trình nghiên cứu đề tài.1 Tính cấp thiết của đề tài Thế hệ gen Z (sinh từ khoảng giữa thập niên 1990 đến đầu thập niên 2010) lớn lên trong thời đại kỹ thuật số và mạng xã hội phát triển mạnh mẽ (Eldridge, 2024). Điều này đã định hình nhiều đặc điểm và xu hướng hành vi của họ, đặc biệt là việc thể hiện quan điểm và suy nghĩ trên các diễn đàn mạng xã hội. Dưới đây là một số đặc điểm nổi bật của Gen Z liên quan đến vấn đề này: ● Kỹ năng công nghệ cao: Gen Z là thế hệ đầu tiên trưởng thành cùng với sự phát triển vượt bậc của Internet và công nghệ di động.

Họ thành thạo trong việc sử dụng các công cụ kỹ thuật số và mạng xã hội, từ đó dễ dàng tiếp cận và chia sẻ thông tin. (Eldridge, 2024) ● Tính kết nối cao: Với sự hiện diện của mạng xã hội như Facebook, Instagram, Tiktok, Twitter, và nhiều nền tảng khác, gen Z luôn có khả năng kết nối và giao tiếp với bạn bè, gia đình, và cộng đồng trên toàn thế giới. Điều này tạo điều kiện cho họ chia sẻ và thảo luận quan điểm, ý kiến cá nhân một cách nhanh chóng và rộng rãi. (Aspin, 2021) ● Thẳng thắn bày tỏ quan điểm cá nhân: Gen Z coi trọng việc thể hiện bản thân và giá trị cá nhân qua các nền tảng mạng xã hội.

Họ thường chia sẻ về sở thích, phong cách sống, quan điểm xã hội và đấu tranh cho những vấn đề không thỏa đáng. (Chi, 2024) ● Tính toàn cầu hóa và nhận thức xã hội cao: Tiếp cận thông tin toàn cầu một cách dễ dàng giúp gen Z có nhận thức cao về các vấn đề xã hội, 1 môi trường, chính trị và văn hóa. Họ không ngần ngại bày tỏ quan điểm về những vấn đề này và tham gia vào các cuộc thảo luận trực tuyến. Có thể nói thế hệ Gen Z sử dụng nền tảng truyền thông xã hội để trở thành người tạo ra sự thay đổi (Hudak, 2020).

Thay vì những cuộc biểu tình ồn ào hay e dè mà bỏ qua vấn đề nhức nhối, Gen Z dám cất lên tiếng nói một cách văn minh mà vẫn tập hợp được sức mạnh tập thể nhờ những nút thích (like), chia sẻ (share) hay bình luận (comment) dưới các bài đăng trên mạng xã hội. Dù đó là đồng tình hay đưa ra lập luận phản bác về vấn đề đó thì có một thứ vũ khí quan trọng đủ sức mạnh tác động tới những nhà quản lý là sự viral. Vấn đề càng nhận được nhiều sự quan tâm thì càng được lan rộng, càng được lan rộng thì các nhà quản lý càng tiếp nhận rõ ràng vấn đề cần phải giải quyết. 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.

Bởi các nhà quản lý của các trường đại học luôn quan tâm đến ý kiến phản hồi của sinh viên đến công tác quản lý đào tạo. (Wangchuk, 2018) Phản hồi của sinh viên là tập hợp các nhận xét, ý kiến và cảm xúc đối với một lớp học cụ thể, giáo viên, dịch vụ hoặc cơ sở giáo dục. Nó có thể liên quan đến một chủ đề rất hẹp (Wi-Fi, ký túc xá, v.) hoặc có ý nghĩa rất rộng, và nó là cốt lõi của sự phát triển của bất kỳ cơ sở giáo dục đại học nào. Phản hồi có thể được sử dụng để cải thiện và phát triển chương trình giảng dạy, xác định những điểm yếu trong khả năng giảng dạy của giáo viên, thu thập đề xuất cho các cải tiến tiềm năng của khuôn viên trường và nhiều hơn nữa.

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. Nó có thể mang lại vô số hiệu ứng tích cực khác, như cung cấp tiếng nói cho sinh viên, nâng cao hiệu 2 quả và chất lượng giảng dạy, hoàn thiện quy trình phản hồi, và thúc đẩy môi trường hợp tác và giao tiếp chung trong khuôn viên trường. (Explorance, 2023) Nhà trường luôn duy trì liên lạc thường xuyên với sinh viên của mình dù đó là việc trao đổi trong giờ học hay đánh giá vào cuối học kỳ, những phương pháp này chưa thực sự hiệu quả bởi sinh viên e ngại những ý kiến của mình có thể gây bất lợi trong quá trình học tập hoặc những ý kiến đó có phần đơn lẻ, chưa đủ tác động đến nhà quản lý. Chính tại những nhóm phi chính thức như confession mới phản ánh đầy đủ và chân thực nhất những gì sinh viên nghĩ, sinh viên quan tâm và mong muốn được giải quyết.

Nó cũng là nơi mà sinh viên tập hợp được nhiều người đồng quan điểm với mình hơn. Vì lẽ đó, việc thu thập và phân tích ý kiến của sinh viên thông qua các bài đăng và bình luận tại các nhóm sinh viên trên Facebook đã trở thành một phương pháp hiệu quả để cải thiện chất lượng dịch vụ giáo dục. Nhà trường có thể sử dụng các thông tin này để hiểu rõ hơn về những suy nghĩ và cảm nhận thực sự của sinh viên, từ đó đưa ra những giải pháp chính xác và phù hợp hơn. Đầu tiên, việc theo dõi và phân tích các post và comment trên Facebook giúp nhà trường nắm bắt được những vấn đề mà sinh viên đang quan tâm.

Những phản hồi này thường rất chân thực và đa dạng, phản ánh nhiều khía cạnh khác nhau của cuộc sống học đường, từ chất lượng giảng dạy, cơ sở vật chất, đến các dịch vụ hỗ trợ sinh viên. Chẳng hạn, nếu nhiều sinh viên phản ánh về tình trạng thiếu thiết bị trong phòng học hoặc chất lượng bài giảng không đạt yêu cầu, nhà trường có thể nhận diện được những điểm cần cải thiện cụ thể. Thứ hai, thông qua các phản hồi này, nhà trường có thể hiểu rõ hơn về nhu cầu và mong muốn thực sự của sinh viên. Mỗi bình luận đều mang trong mình những kỳ vọng và yêu cầu của người học.

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. Ví dụ, nếu sinh viên thường 3 xuyên đề cập đến mong muốn có thêm các khóa học kỹ năng mềm hoặc các chương trình ngoại khóa phong phú hơn, nhà trường có thể xem xét và bổ sung vào chương trình giảng dạy. Thứ ba, việc phản hồi nhanh chóng và hiệu quả các ý kiến của sinh viên trên Facebook cũng là một cách thể hiện sự quan tâm và tôn trọng của nhà trường đối với người học. Khi sinh viên thấy rằng ý kiến của mình được lắng nghe và giải quyết, họ sẽ cảm thấy hài lòng và tin tưởng hơn vào nhà trường.

Điều này không chỉ cải thiện trải nghiệm học tập của sinh viên mà còn tạo dựng uy tín và hình ảnh tích cực cho nhà trường trong mắt cộng đồng. (Explorance, 2023) Tóm lại, việc theo dõi và phân tích các post và comment của sinh viên trên Facebook là một phương pháp hữu hiệu để nhà trường có được cái nhìn toàn diện và chính xác về những suy nghĩ, nhu cầu và mong muốn thực sự của người học. Từ đó, nhà trường có thể đưa ra những giải pháp và chính sách phù hợp, đáp ứng tốt hơn nhu cầu của sinh viên, nâng cao chất lượng dịch vụ giáo dục và xây dựng một môi trường học tập tích cực, thân thiện. Tuy nhiên, tại các nhóm phi chính thức này, lượng thông tin là rất lớn nhưng không thể có một đội ngũ để thu thập và lọc ra những thông tin cần thiết.

Cần đến một hệ thống có thể tự động thu thập, xử lý thông tin và đưa ra những vấn đề mà sinh viên quan tâm đến. Từ đó nhà trường có giải pháp chính xác hơn cho dịch vụ của mình thì cần phải biết được thực sự sinh viên nghĩ gì về vấn đề. Giúp nhà quản lý đưa ra những chính sách đáp ứng được nhu cầu thực sự của người học.2 Mục tiêu nghiên cứu 1.1 Mục tiêu tổng quát Mục tiêu tổng quát của đề tài nghiên cứu là đề xuất cách thức tự động phát hiện các đối tượng mà sinh viên nhắc tới và các quan điểm của sinh viên với đối 4 tượng đó thông qua phân tích các bài đăng và bình luận trên một số nhóm phi chính thức tại mạng xã hội Facebook.2 Mục tiêu nghiên cứu cụ thể Bài nghiên cứu nhằm đạt được hai mục tiêu cụ thể sau: ● Xác định Đối tượng (Entity) mà sinh viên nhắc tới: Mô tả: Phát triển hệ thống có khả năng tự động xác định và trích xuất các đối tượng (entity) mà sinh viên đề cập đến trong các bài đăng và bình luận trên mạng xã hội. Các đối tượng này có thể bao gồm giảng viên, khóa học, cơ sở vật chất, các dịch vụ hỗ trợ sinh viên, và các hoạt động ngoại khóa.

Cách tiếp cận: Sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) và học máy (machine learning) để xây dựng mô hình nhận diện và phân loại các entity từ dữ liệu văn bản thu thập được. Các phương pháp có thể bao gồm Named Entity Recognition (NER) và các mô hình ngữ nghĩa (semantic models). ● Xác định Quan điểm (Sentiment) đối với các Đối tượng (Entity) đó: Mô tả: Xây dựng hệ thống có khả năng 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 trong các bài đăng và bình luận trên mạng xã hội. Cách tiếp cận: Sử dụng các kỹ thuật phân tích cảm xúc (sentiment analysis) kết hợp với các mô hình học sâu (deep learning) để đánh giá và phân loại cảm xúc của sinh viên đối với từng entity.

Các mô hình như LSTM, BERT hoặc transformers có thể được áp dụng để cải thiện độ chính xác và hiệu quả của phân tích cảm xúc.