Bối cảnh và vấn đề nghiên cứu

Bối cảnh thực tiễn và lý do chọn đề tài

Kể từ những năm 2000, cùng với sự phát triển và phổ cập của hệ thống giáo dục Việt Nam, nhu cầu học tập nâng cao và giải quyết các vướng mắc trong chương trình học ngày càng gia tăng. Do áp lực công việc và sự thay đổi thường xuyên trong chương trình học, nhiều phụ huynh không có đủ thời gian hoặc kiến thức chuyên môn để kèm cặp con em mình, dẫn đến sự phát triển mạnh mẽ của nghề gia sư. Tại các đô thị lớn như TP. Hồ Chí Minh, hàng trăm trung tâm môi giới gia sư đã được thành lập nhằm đáp ứng nhu cầu kết nối giữa người dạy và người học.

Tuy nhiên, mô hình hoạt động của các trung tâm môi giới truyền thống bộc lộ nhiều bất cập:

  • Quy trình thủ công và tốn kém: Phụ huynh phải trực tiếp đến trung tâm đăng ký, tốn nhiều thời gian và chi phí mà không thể kiểm chứng chất lượng thực tế của gia sư qua đánh giá của các học viên trước.
  • Chiết khấu cao và rủi ro cho gia sư: Gia sư phải chi trả mức phí nhận lớp lên đến 40% – 60% tháng lương đầu tiên, chịu rủi ro mất phí khi lớp học bị hủy hoặc không phù hợp với nguyện vọng giảng dạy.
  • Hạn chế của các ứng dụng hiện có: Các ứng dụng theo nhu cầu (On-demand apps) như Edubox, Vclass, Blacasa bước đầu số hóa quy trình tìm kiếm nhưng chỉ dừng lại ở mức độ môi giới cơ bản. Người dùng phải lọc dữ liệu thủ công; khi cơ sở dữ liệu mở rộng đến hàng nghìn bản ghi, việc tìm kiếm trở nên khó khăn. Ngoài ra, các nền tảng này thiếu chức năng nhắn tin trực tiếp (real-time chat), thiếu cơ chế đánh giá minh bạch và đặc biệt là chưa tích hợp hệ thống khuyến nghị tự động dựa trên lịch sử tương tác.

Từ thực trạng trên, đề tài khóa luận "Áp dụng các kỹ thuật học máy vào xây dựng ứng dụng tìm kiếm gia sư" (tên ứng dụng: myTutor) được thực hiện nhằm xây dựng giải pháp kết nối trực tiếp, ứng dụng công nghệ học máy để tự động hóa việc đề xuất gia sư và lớp học phù hợp.

Mục tiêu và nhiệm vụ nghiên cứu

Đề tài xác định mục tiêu tổng quát là xây dựng ứng dụng di động myTutor hoạt động trên nền tảng Android, tích hợp hệ thống gợi ý thông minh với 4 mục tiêu cụ thể:

  1. Giải quyết bài toán tìm kiếm gia sư và lớp học thông qua hệ thống gợi ý (recommendation system) dựa trên hành vi tương tác và lịch sử tìm kiếm của người dùng.
  2. Thu thập và xử lý dữ liệu thực tế bằng phương pháp bóc tách dữ liệu (web crawling) từ website giasuthanhdat.com để phục vụ hiển thị và huấn luyện hệ thống.
  3. Cung cấp đầy đủ các chức năng nghiệp vụ cơ bản: đăng ký, đăng nhập, quản lý hồ sơ cá nhân, tìm kiếm, đăng yêu cầu tìm gia sư và nhắn tin thời gian thực.
  4. Triển khai các tính năng nâng cao: danh sách gia sư nổi bật, bảng xếp hạng gia sư dựa trên đánh giá, và mô đun gợi ý tự động 2 chiều (gợi ý gia sư cho học sinh và gợi ý lớp học cho gia sư).

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Framework React Native trong xây dựng giao diện ứng dụng di động đa nền tảng.
    • Môi trường thực thi Node.js và hệ quản trị cơ sở dữ liệu phi quan hệ MongoDB trong xây dựng hệ thống máy chủ (Backend API).
    • Dịch vụ đám mây Firebase (lưu trữ đa phương tiện, nhắn tin thời gian thực) và Microsoft Azure (máy chủ lưu trữ).
    • Các kỹ thuật học máy và xử lý dữ liệu: Thuật toán phân cấp (Hierarchy Matching), Phân tích thành phần chính (PCA), Cây quyết định (Decision Tree), và Thuật toán phân cụm K-Means.
  • Phạm vi nghiên cứu:
    • Hệ thống được thiết kế và triển khai trên các thiết bị di động chạy hệ điều hành Android.
    • Thử nghiệm và đánh giá hệ thống ở quy mô vừa phải, phục vụ nhu cầu kết nối gia sư và học sinh/phụ huynh.

Cơ sở lý thuyết và phương pháp

Khung công nghệ và nền tảng phát triển

Khóa luận vận dụng các công nghệ hiện đại trong kỹ thuật phần mềm và hệ thống thông tin:

  • React Native: Framework mã nguồn mở do Facebook phát triển, sử dụng JavaScript để tạo giao diện người dùng gốc (native UI components) cho ứng dụng di động, tối ưu hóa tốc độ tải và đảm bảo tính tái sử dụng mã nguồn.
  • Node.js: Môi trường thực thi JavaScript xây dựng trên Chrome V8 engine, hoạt động theo mô hình hướng sự kiện (event-driven) và I/O không chặn (non-blocking I/O), xử lý các luồng yêu cầu bất đồng bộ (asynchronous) với định dạng dữ liệu JSON.
  • MongoDB Atlas: Hệ quản trị cơ sở dữ liệu tài liệu (Document-based NoSQL) viết bằng C++, quản lý dữ liệu linh hoạt dưới dạng collection và document (field-value), cho phép truy vấn sâu và mở rộng dữ liệu phi cấu trúc dễ dàng.
  • Firebase: Dịch vụ nền tảng đám mây từ Google, được sử dụng để lưu trữ hình ảnh người dùng (Cloud Storage) và triển khai chức năng trao đổi tin nhắn trực tiếp giữa gia sư và học sinh (Realtime Database/Firestore).
  • Microsoft Azure: Nền tảng điện toán đám mây cung cấp hạ tầng máy chủ ảo để triển khai hệ thống máy chủ chính (Node.js API) và máy chủ gợi ý (Recommendation Server).

Thuật toán học máy và cơ chế gợi ý (Recommendation Engine)

Khóa luận kết hợp đồng thời ba kỹ thuật xử lý dữ liệu để xây dựng mô hình khuyến nghị:

Thuật toán / Kỹ thuật Đối tượng dữ liệu xử lý Vai trò và cơ chế hoạt động
Hierarchy Matching Trường địa chỉ (diachi) Phân tách địa chỉ thành 4 cấp độ: sonha, phuong, quan, tinh. So sánh phân cấp từ cấp tỉnh đến số nhà, gán điểm tương đồng (score); điểm càng cao thì độ tương thích vị trí địa lý càng lớn.
PCA & K-Means Clustering Thời gian và số buổi (thoigian, sobuoi) Vector hóa dữ liệu thời gian/số buổi thành ma trận; áp dụng PCA (Principal Component Analysis) để giảm số chiều không gian ma trận mà vẫn giữ được độ biến thiên chính của dữ liệu; sau đó dùng K-Means để gom cụm các nhóm thời gian học tương đồng.
Decision Tree Môn học (monhoc) So sánh dữ liệu môn học yêu cầu với cơ sở dữ liệu, thiết lập thuộc tính Point (tăng điểm khi trùng môn, bằng 0 nếu không trùng). Cây quyết định phân lớp các bản ghi thành hai nhánh Yes (phù hợp) và No (không phù hợp).
So khớp hợp nhất (Data Fusion) Kết quả tổng hợp Gom ba mảng dữ liệu đã qua xử lý; xác định các bản ghi giao nhau (trùng khớp ở cả 3 tiêu chí: vị trí, thời gian và môn học) để trả về kết quả gợi ý tối ưu nhất. 
[Dữ liệu đầu vào: Địa chỉ, Môn học, Thời gian/Số buổi]

Phương pháp nghiên cứu và nguồn dữ liệu

  • Phương pháp thu thập dữ liệu: Sử dụng kỹ thuật bóc tách dữ liệu tự động (crawling) từ website giasuthanhdat.com để thu thập hồ sơ gia sư và thông tin lớp học mẫu.
  • Phương pháp phân tích - thiết kế hệ thống: Sử dụng mô hình phân rã chức năng, sơ đồ ca sử dụng (Use-Case Diagrams), sơ đồ luồng dữ liệu (DFD), sơ đồ tuần tự (Sequence Diagrams) và mô hình thực thể kết hợp (ERD).
  • Phương pháp thực nghiệm: Lập trình tích hợp toàn diện hệ thống từ Client đến Server và Machine Learning Server, tiến hành kiểm thử chức năng và tinh chỉnh các mô hình thuật toán.

Thiết kế và triển khai hệ thống

Kiến trúc hệ thống

Hệ thống myTutor được tổ chức theo kiến trúc phân tầng bao gồm ba thành phần chính:

  1. Tầng ứng dụng (Client App): Ứng dụng di động xây dựng bằng React Native trên hệ điều hành Android, đóng vai trò giao diện tương tác người dùng, gửi yêu cầu (request) và nhận phản hồi (response) qua giao thức HTTP/REST API.
  2. Tầng máy chủ dịch vụ (Backend Servers):
    • Node.js API Server: Đóng vai trò máy chủ trung tâm tiếp nhận yêu cầu từ client, xử lý logic nghiệp vụ, xác thực tài khoản và thao tác với cơ sở dữ liệu MongoDB Atlas.
    • Recommendation Server: Máy chủ chuyên biệt xử lý các giải thuật học máy (Hierarchy Matching, PCA, K-Means, Decision Tree) nhằm phân tích hành vi và trả về danh sách gợi ý tối ưu.
    • Cả hai máy chủ đều được cấu hình và vận hành trên nền tảng Microsoft Azure.
  3. Tầng lưu trữ dữ liệu (Data Layer):
    • MongoDB Atlas: Lưu trữ toàn bộ dữ liệu có cấu trúc của hệ thống (thông tin người dùng, hồ sơ gia sư, bài đăng lớp học, lịch sử tìm kiếm, bảng xếp hạng).
    • Firebase Storage & Database: Lưu trữ tập tin đa phương tiện (ảnh đại diện, chứng chỉ gia sư) và quản trị luồng tin nhắn trao đổi thời gian thực.

Mô hình phân rã chức năng và ca sử dụng (Use-Case)

Hệ thống phân chia thành các nhóm chức năng nghiệp vụ rõ ràng:

  • Phân hệ Tài khoản và Xác thực: Đăng ký (học sinh/gia sư), Đăng nhập, Quên mật khẩu qua email xác nhận mã OTP, Đổi mật khẩu, Cập nhật thông tin cá nhân.
  • Phân hệ Quản lý Yêu cầu & Lớp học: Đăng bài yêu cầu tìm gia sư, Xem chi tiết yêu cầu, Quản lý lịch sử yêu cầu, Danh sách yêu cầu dạy theo khu vực.
  • Phân hệ Gia sư & Tương tác: Tìm kiếm gia sư theo bộ lọc, Xem chi tiết hồ sơ gia sư, Mời dạy / Nhận dạy, Lưu danh sách gia sư yêu thích, Đánh giá và bình luận gia sư, Bảng xếp hạng gia sư nổi bật.
  • Phân hệ Giao tiếp thời gian thực: Nhắn tin trực tiếp giữa phụ huynh/học sinh và gia sư thông qua tích hợp Firebase.
  • Phân hệ Gợi ý thông minh (Recommendation): Tự động đề xuất lớp học phù hợp cho gia sư và gợi ý gia sư tương thích cho học sinh dựa trên địa điểm, lịch rảnh và môn học.

Nội dung chính theo từng chương

Chương 1: Tổng quan về đề tài

Chương 1 trình bày bối cảnh ra đời của nghề gia sư, thực trạng hoạt động của các trung tâm môi giới truyền thống và khảo sát các ứng dụng hiện hành tại Việt Nam (Edubox, Vclass, Blacasa). Tác giả chỉ ra hạn chế của các giải pháp này là thao tác tìm kiếm thủ công và thiếu vắng cơ chế gợi ý tự động. Từ đó, chương xác định mục tiêu đề tài, đối tượng, phạm vi nghiên cứu trên nền tảng di động Android, phương pháp luận thực hiện và bố cục 5 chương của khóa luận.

Chương 2: Giới thiệu các kỹ thuật và công nghệ

Chương 2 phân tích cơ sở lý thuyết và lý do lựa chọn các công nghệ cốt lõi:

  • Phân tích cơ chế hoạt động của Node.js (V8 engine, non-blocking I/O) và React Native (kiến trúc đa nền tảng, Native components).
  • Giới thiệu đặc điểm của hệ quản trị cơ sở dữ liệu MongoDB (Document-based NoSQL) và dịch vụ đám mây Firebase, Microsoft Azure.
  • Trình bày cơ sở toán học và thuật toán của ba kỹ thuật máy học: Thuật toán phân cụm K-Means, Cây quyết định (Decision Tree), và Thuật toán phân tích thành phần chính PCA phục vụ giảm chiều dữ liệu thời gian học.

Chương 3: Phân tích và thiết kế hệ thống

Chương 3 đặc tả chi tiết kiến trúc và thiết kế logic của hệ thống:

  • Trình bày sơ đồ kiến trúc tổng thể (Client - Node.js Server - Recommendation Server - MongoDB Atlas - Firebase).
  • Xây dựng mô hình luồng dữ liệu gợi ý (Recommendation Pipeline) kết hợp phân tích địa chỉ, thời gian và môn học.
  • Thiết lập mô hình phân rã chức năng, các sơ đồ ca sử dụng (Use-Case), và bảng đặc tả chi tiết 10 nhóm chức năng nghiệp vụ.
  • Thiết kế các sơ đồ tuần tự (Sequence Diagrams) cho các luồng nghiệp vụ chính: Đăng ký, Đăng nhập, Quên mật khẩu, Mời dạy/Nhận dạy, Đánh giá gia sư, và Xem chi tiết lớp học.
  • Xây dựng mô hình thực thể kết hợp (ERD) và cấu trúc các bảng dữ liệu trong MongoDB.

Chương 4: Hiện thực ứng dụng

Chương 4 giới thiệu việc cài đặt thực tế ứng dụng myTutor và đặc tả toàn bộ hệ thống giao diện người dùng trên Android:

  • Giao diện xác thực: Đăng ký tài khoản (phân quyền học sinh/gia sư), Đăng ký thông tin chuyên môn gia sư, Đăng nhập, Quên mật khẩu và Xác thực mã OTP qua email.
  • Giao diện Trang chủ: Phân tách riêng biệt giao diện trang chủ cho tài khoản học sinh (danh sách gia sư nổi bật, gia sư gợi ý) và tài khoản gia sư (danh sách yêu cầu lớp học mới, lớp học gợi ý).
  • Giao diện chức năng: Drawer menu điều hướng, Màn hình thông tin chi tiết gia sư/lớp học, Màn hình đăng yêu cầu gia sư, Giao diện lịch sử mời dạy, Giao diện đánh giá bình luận, Giao diện tìm kiếm nâng cao và Giao diện nhắn tin trực tiếp (Chat Real-time).

Chương 5: Kết luận và hướng phát triển

Chương 5 tổng kết toàn bộ kết quả đạt được của khóa luận, đánh giá mức độ hoàn thành so với mục tiêu ban đầu, chỉ ra các mặt hạn chế còn tồn đọng trong quá trình thử nghiệm và đề xuất các hướng mở rộng, phát triển tiếp theo cho hệ thống myTutor.

Kết quả và đóng góp

Kết quả triển khai thực tế

Đề tài đã xây dựng hoàn chỉnh ứng dụng di động myTutor trên hệ điều hành Android cùng hệ thống máy chủ phụ trợ với các kết quả cụ thể:

  • Ứng dụng di động: Xây dựng hơn 30 màn hình giao diện trực quan bằng React Native, đáp ứng đầy đủ trải nghiệm người dùng từ xác thực, quản lý hồ sơ, tạo yêu cầu đến tìm kiếm và tương tác.
  • Hệ thống máy chủ: Triển khai thành công Node.js API Server và Recommendation Server trên hạ tầng đám mây Microsoft Azure, bảo đảm khả năng phản hồi dữ liệu nhanh và xử lý bất đồng bộ ổn định.
  • Cơ sở dữ liệu: Thiết kế và chuẩn hóa hệ thống dữ liệu trên MongoDB Atlas kết hợp Firebase Cloud Storage lưu trữ tập tin hình ảnh.
  • Hệ thống gợi ý: Tích hợp thành công mô hình học máy kết hợp (Hierarchy Matching, PCA, K-Means và Decision Tree), cho phép tự động gợi ý danh sách gia sư và lớp học phù hợp với từng người dùng dựa trên độ tương đồng về địa lý, môn học và thời gian biểu.
  • Giao tiếp thời gian thực: Vận hành ổn định tính năng chat real-time tích hợp qua Firebase, hỗ trợ trao đổi trực tiếp giữa học sinh và gia sư mà không cần qua trung gian.

Bảng tổng hợp các thành phần hệ thống myTutor

Thành phần Công nghệ / Thuật toán sử dụng Chức năng thực hiện
Giao diện Client React Native, JavaScript Hiển thị giao diện di động Android, điều hướng màn hình, xử lý tương tác người dùng.
Máy chủ API Node.js, Express, RESTful API Tiếp nhận và xử lý logic nghiệp vụ, điều phối dữ liệu giữa Client và MongoDB.
Máy chủ Gợi ý Python / Machine Learning (Azure) Thực thi Hierarchy Matching (địa chỉ), Decision Tree (môn học), PCA + K-Means (thời gian).
Cơ sở dữ liệu chính MongoDB Atlas (NoSQL) Lưu trữ thông tin tài khoản, hồ sơ gia sư, yêu cầu lớp học, đánh giá, bảng xếp hạng.
Dịch vụ Đám mây Firebase Cloud Storage & Realtime DB Lưu trữ avatar, hình ảnh chứng chỉ và vận hành hệ thống nhắn tin trực tiếp.
Hạ tầng triển khai Microsoft Azure Cung cấp máy chủ ảo lưu trữ và duy trì hoạt động liên tục cho toàn bộ hệ thống backend.

Đóng góp của đề tài

  1. Giải quyết bất cập trung gian: Cung cấp nền tảng kết nối trực tiếp giữa phụ huynh/học sinh và gia sư, loại bỏ chi phí chiết khấu cao (40% – 60%) của các trung tâm môi giới truyền thống.
  2. Minh bạch hóa thông tin: Cho phép công khai hồ sơ năng lực, bằng cấp của gia sư và tích hợp hệ thống đánh giá, bình luận hai chiều từ những học viên trước đó.
  3. Ứng dụng công nghệ gợi ý tự động: Điểm mới nổi bật so với các ứng dụng cùng loại (Blacasa, Edubox, Vclass) là việc tích hợp hệ thống học máy để tự động đề xuất yêu cầu và gia sư phù hợp nhất, giảm thiểu thời gian tìm kiếm thủ công cho người dùng.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Phạm vi nền tảng: Ứng dụng hiện tại mới chỉ được tập trung xây dựng và tối ưu hóa trên nền tảng hệ điều hành Android, chưa phát hành bản hoàn chỉnh trên iOS.
  • Quy mô thử nghiệm: Hệ thống và các thuật toán học máy mới chỉ được thử nghiệm và đánh giá ở quy mô vừa phải, nguồn dữ liệu ban đầu chủ yếu thu thập qua kỹ thuật crawling từ website giasuthanhdat.com.
  • Độ phức tạp của mô hình: Các thuật toán gợi ý hoạt động độc lập trên từng trường dữ liệu trước khi so khớp giao nhau, chưa áp dụng các mô hình học sâu (Deep Learning) hoặc lọc cộng tác nâng cao trên tập dữ liệu người dùng thực tế quy mô lớn.

Hướng phát triển tiếp theo

  • Hoàn thiện và xuất bản ứng dụng trên hệ điều hành iOS để tận dụng tối đa thế mạnh đa nền tảng của React Native.
  • Mở rộng tập dữ liệu huấn luyện từ tương tác thực tế của người dùng, nâng cấp các thuật toán học máy lên các mô hình gợi ý nâng cao (Deep Learning Recommendation Systems).
  • Tích hợp thêm các cổng thanh toán trực tuyến, chức năng xác thực danh tính điện tử (KYC) đối với hồ sơ gia sư và mở rộng quy mô hệ thống trên hạ tầng đám mây.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo thiết thực cho các nhóm đối tượng sau:

  • Sinh viên ngành Kỹ thuật phần mềm, Truyền thông và Mạng máy tính, Công nghệ thông tin: Là tài liệu tham khảo chi tiết về quy trình phát triển ứng dụng di động hoàn chỉnh từ khâu phân tích yêu cầu (Use-Case, DFD, Sequence Diagram), thiết kế cơ sở dữ liệu NoSQL (MongoDB), đến lập trình giao diện React Native và Backend Node.js.
  • Người nghiên cứu về Hệ thống gợi ý (Recommendation Systems): Cung cấp mô hình thực tiễn kết hợp đa thuật toán (Hierarchy Matching cho vị trí địa lý, Decision Tree cho phân lớp danh mục và PCA + K-Means cho phân cụm chuỗi thời gian) để giải quyết bài toán gợi ý đa tiêu chí.
  • Nhà phát triển ứng dụng theo nhu cầu (On-demand apps): Tham khảo kiến trúc tích hợp giữa máy chủ dịch vụ đám mây (Azure), cơ sở dữ liệu phân tán (MongoDB Atlas) và dịch vụ thời gian thực (Firebase).

Câu hỏi thường gặp

1. Ứng dụng myTutor thu thập dữ liệu gia sư và lớp học ban đầu từ nguồn nào?

Hệ thống sử dụng kỹ thuật thu thập dữ liệu tự động (crawl data) từ website giasuthanhdat.com để lấy thông tin hồ sơ gia sư và các bài đăng yêu cầu lớp học mẫu nhằm khởi tạo cơ sở dữ liệu ban đầu cho ứng dụng.

2. Thuật toán phân tích thành phần chính (PCA) được áp dụng vào khâu nào trong hệ thống gợi ý?

PCA được áp dụng trong quá trình xử lý dữ liệu thời gian học và số buổi (thoigian, sobuoi). Sau khi dữ liệu thời gian được vector hóa thành ma trận số học có số chiều lớn, PCA được sử dụng để giảm số chiều không gian ma trận nhưng vẫn giữ lại các thành phần biến thiên quan trọng nhất, giúp tăng tốc độ xử lý cho bước phân cụm K-Means tiếp theo.

3. Cơ chế gợi ý (Recommendation Engine) của myTutor xử lý dữ liệu địa chỉ như thế nào?

Dữ liệu địa chỉ (diachi) được phân tách thành 4 trường: sonha, phuong, quan, tinh. Hệ thống sử dụng thuật toán phân cấp (Hierarchy Matching) để so sánh lần lượt từ cấp tỉnh, quận, phường đến số nhà; mức độ tương đồng càng cao thì điểm số (score) càng lớn để ưu tiên gợi ý cho người dùng ở gần nhau.

4. Vai trò của dịch vụ Firebase trong kiến trúc ứng dụng myTutor là gì?

Firebase được sử dụng cho hai mục đích chính:

  1. Lưu trữ tập tin hình ảnh và avatar người dùng trên Firebase Cloud Storage, sau đó trả đường dẫn URL về lưu tại cơ sở dữ liệu MongoDB Atlas.
  2. Vận hành cơ chế nhắn tin thời gian thực (Chat Real-time) giúp học sinh/phụ huynh và gia sư có thể trao đổi trực tiếp trên ứng dụng.

5. Ứng dụng myTutor có điểm gì cải tiến so với các ứng dụng gia sư hiện có như Blacasa, Edubox hay Vclass?

So với các ứng dụng hiện có trên thị trường vốn chỉ dừng lại ở việc lọc dữ liệu thủ công và đóng vai trò môi giới, myTutor tích hợp mô hình học máy để tự động đề xuất gia sư/lớp học phù hợp dựa trên lịch sử tương tác, tích hợp chức năng nhắn tin trực tiếp trong ứng dụng và công khai hệ thống đánh giá, bình luận minh bạch.

Kết luận

Khóa luận tốt nghiệp "Áp dụng các kỹ thuật học máy vào xây dựng ứng dụng tìm kiếm gia sư" của sinh viên Nguyễn Dương Bá Phú và Nguyễn Đoàn Duy Nhựt đã hoàn thành việc xây dựng ứng dụng di động myTutor trên nền tảng Android. Đề tài giải quyết hiệu quả bài toán kết nối giữa gia sư và người học thông qua việc tích hợp các công nghệ hiện đại gồm React Native, Node.js, MongoDB Atlas, Firebase và hạ tầng Microsoft Azure. Điểm nổi bật của công trình là việc triển khai thành công hệ thống gợi ý thông minh kết hợp giữa Hierarchy Matching, PCA, K-Means và Decision Tree, mở ra giải pháp tối ưu hóa trải nghiệm tìm kiếm và giảm thiểu chi phí trung gian trong lĩnh vực dịch vụ gia sư.