I. Tổng quan hệ thống gợi ý môn học bằng mạng nơ ron nhân tạo
Sự ra đời của Chương trình Giáo dục phổ thông (CT GDPT) mới đã mang đến nhiều thay đổi, đặc biệt là việc trao quyền tự chủ cho học sinh Trung học phổ thông (THPT) trong việc lựa chọn môn học. Thay đổi này nhằm mục tiêu định hướng nghề nghiệp và phát huy tối đa phát triển năng lực cá nhân. Tuy nhiên, điều này cũng tạo ra áp lực không nhỏ cho học sinh và gia đình. Để giải quyết vấn đề này, việc ứng dụng công nghệ, cụ thể là mạng nơ-ron nhân tạo (ANN), vào việc xây dựng một hệ thống gợi ý lựa chọn môn học là một giải pháp cấp thiết và mang tính đột phá. Hệ thống này không chỉ dựa trên điểm số hiện tại mà còn phân tích cả quá trình học tập của học sinh ở bậc Trung học cơ sở (THCS) để đưa ra những dự đoán đáng tin cậy. Mục tiêu của hệ thống là cung cấp một kênh thông tin tham khảo khoa học, giúp học sinh giảm bớt lúng túng, tránh lựa chọn theo cảm tính hoặc số đông. Nghiên cứu của Võ Văn Quyền (2019) đã chỉ ra rằng, việc áp dụng mô hình mạng nơ-ron nhân tạo có khả năng phân tích các mẫu dữ liệu phức tạp từ kết quả học tập, từ đó trích xuất các môn học đặc trưng phù hợp với năng lực của từng cá nhân. Bằng cách phân tích mối tương quan giữa kết quả các môn học ở bậc THCS và xu hướng lựa chọn ở bậc THPT, hệ thống có thể đưa ra những gợi ý xác đáng, hỗ trợ học sinh đưa ra quyết định phù hợp nhất với con đường sự nghiệp tương lai.
1.1. CT GDPT mới và nhu cầu cấp thiết về định hướng nghề nghiệp
Theo CT GDPT mới, từ lớp 10, học sinh sẽ học một số môn bắt buộc và được chọn 5 môn từ 3 nhóm môn học theo định hướng nghề nghiệp. Các nhóm môn này bao gồm Khoa học xã hội, Khoa học tự nhiên, và Công nghệ - Nghệ thuật. Quy định này đòi hỏi học sinh phải có sự tự nhận thức về năng lực và sở thích của bản thân ngay từ khi kết thúc bậc THCS. Tuy nhiên, đây là giai đoạn mà các em còn nhiều bỡ ngỡ, dễ bị ảnh hưởng bởi bạn bè hoặc định hướng chưa rõ ràng từ gia đình. Do đó, một công cụ hỗ trợ khách quan, dựa trên dữ liệu học tập là vô cùng cần thiết. Hệ thống gợi ý sẽ là người bạn đồng hành, cung cấp những phân tích khoa học để quyết định lựa chọn môn học không còn là một gánh nặng tâm lý, mà là một bước đi chiến lược cho tương lai.
1.2. Vai trò của mạng nơ ron nhân tạo trong giáo dục hiện đại
Mạng nơ-ron nhân tạo (ANN), một lĩnh vực của trí tuệ nhân tạo, mô phỏng cách hoạt động của bộ não con người để xử lý thông tin. Trong giáo dục, ANN có khả năng học hỏi từ các bộ dữ liệu lớn (big data), nhận dạng các quy luật ẩn và đưa ra dự đoán với độ chính xác cao. Thay vì các phương pháp tư vấn truyền thống vốn phụ thuộc nhiều vào kinh nghiệm chủ quan, hệ thống gợi ý dựa trên ANN phân tích một cách khách quan hàng ngàn bản ghi học tập để tìm ra mối liên hệ giữa năng lực ở các môn học khác nhau. Điều này giúp cá nhân hóa lộ trình học tập, tối ưu hóa sự phát triển của mỗi học sinh, và là một bước tiến quan trọng trong việc ứng dụng công nghệ 4.0 vào ngành giáo dục, như đã được đề cập trong luận văn của Võ Văn Quyền.
II. Phân tích thách thức trong việc lựa chọn môn học THPT
Việc tự quyết định lộ trình học tập ở tuổi 15 là một thách thức lớn. Học sinh thường đối mặt với nhiều áp lực từ gia đình, xã hội và cả chính bản thân. Một trong những khó khăn lớn nhất là sự thiếu hụt thông tin và công cụ hỗ trợ khoa học. Các em thường đưa ra quyết định dựa trên sở thích nhất thời, thành tích của một vài môn học nổi bật, hoặc lựa chọn theo bạn bè mà không thực sự hiểu rõ về định hướng nghề nghiệp lâu dài. CT GDPT hiện hành trước đây chưa đặt nặng vấn đề này, dẫn đến việc học sinh và cả giáo viên chưa có nhiều kinh nghiệm trong việc tư vấn hướng nghiệp một cách hệ thống. Hơn nữa, mối tương quan giữa các môn học ở bậc THCS và THPT không phải lúc nào cũng rõ ràng. Một học sinh giỏi Khoa học tự nhiên ở THCS không chắc chắn sẽ thành công với tất cả các môn Vật lý, Hóa học, Sinh học ở cấp THPT. Hệ thống gợi ý lựa chọn môn học ra đời để giải quyết chính những thách thức này. Nó không đưa ra một câu trả lời tuyệt đối, mà cung cấp một bức tranh toàn cảnh về các khả năng, dựa trên phân tích dữ liệu quá khứ, giúp học sinh và phụ huynh có cái nhìn đa chiều và cơ sở vững chắc hơn để đưa ra quyết định. Nghiên cứu cho thấy việc này giúp giảm tải áp lực và tăng cường sự tự tin cho học sinh khi bước vào giai đoạn học tập quan trọng.
2.1. Áp lực định hướng nghề nghiệp sớm đối với học sinh
Quyết định chọn tổ hợp môn ở lớp 10 có ảnh hưởng trực tiếp đến việc chọn ngành, chọn trường đại học sau này. Áp lực phải định hướng nghề nghiệp từ sớm khiến nhiều học sinh cảm thấy hoang mang. Các em lo sợ một lựa chọn sai lầm có thể ảnh hưởng đến cả tương lai. Sự kỳ vọng của gia đình, mong muốn theo đuổi các ngành nghề "hot" nhưng không phù hợp với năng lực cũng là một gánh nặng. Việc thiếu hiểu biết về bản chất các ngành nghề và yêu cầu của thị trường lao động càng làm cho quyết định trở nên khó khăn hơn. Đây là khoảng trống mà một hệ thống gợi ý thông minh có thể lấp đầy, bằng cách liên kết năng lực học tập với các nhóm ngành nghề tiềm năng.
2.2. Hạn chế của các phương pháp tư vấn chọn môn truyền thống
Các phương pháp tư vấn truyền thống thường dựa vào trao đổi trực tiếp với giáo viên chủ nhiệm, tham gia các buổi hướng nghiệp, hoặc làm các bài trắc nghiệm tính cách. Mặc dù hữu ích, các phương pháp này tồn tại một số hạn chế. Lời khuyên của giáo viên có thể bị ảnh hưởng bởi góc nhìn cá nhân. Các buổi hướng nghiệp thường mang tính đại trà, khó áp dụng cho từng trường hợp cụ thể. Các bài trắc nghiệm tâm lý đôi khi không phản ánh chính xác năng lực học thuật. Ngược lại, một hệ thống dựa trên mạng nơ-ron nhân tạo sử dụng dữ liệu thực nghiệm về điểm số qua nhiều năm, mang lại một góc nhìn khách quan và dựa trên bằng chứng, bổ sung hiệu quả cho các phương pháp tư vấn truyền thống.
III. Cách xây dựng mô hình mạng nơ ron gợi ý lựa chọn môn học
Để xây dựng một hệ thống gợi ý lựa chọn môn học hiệu quả, việc thiết kế một mô hình mạng nơ-ron nhân tạo (ANN) vững chắc là yếu tố cốt lõi. Mô hình được đề xuất trong nghiên cứu của Võ Văn Quyền (2019) là một mạng đa tầng truyền thẳng (Multilayer Perceptron - MLP), một kiến trúc phổ biến và mạnh mẽ cho các bài toán dự đoán và phân loại. Cấu trúc của mô hình bao gồm ba thành phần chính: tầng đầu vào (Input Layer), các tầng ẩn (Hidden Layers), và tầng đầu ra (Output Layer). Tầng đầu vào nhận dữ liệu là điểm trung bình các môn học của học sinh qua 4 năm THCS. Các tầng ẩn, đóng vai trò như "bộ não" của hệ thống, sẽ thực hiện các phép tính phức tạp để nhận diện các mẫu và mối tương quan ẩn trong dữ liệu. Cuối cùng, tầng đầu ra sẽ đưa ra dự đoán dưới dạng xác suất lựa chọn cho từng môn học ở bậc THPT. Quá trình này đòi hỏi một lượng lớn dữ liệu để huấn luyện mô hình, đảm bảo hệ thống có thể học và tổng quát hóa tốt, từ đó đưa ra những gợi ý có độ chính xác cao và đáng tin cậy. Việc lựa chọn kiến trúc mạng, số lượng nơ-ron ở mỗi tầng và các hàm kích hoạt đều là những quyết định kỹ thuật quan trọng ảnh hưởng trực tiếp đến hiệu suất của toàn hệ thống.
3.1. Kiến trúc mạng đa tầng và thuật toán lan truyền ngược
Mô hình đề xuất sử dụng một kiến trúc sâu với 5 tầng ẩn, với số nơ-ron lần lượt là 350, 450, 550, 250, và 150. Tầng đầu vào có 24 nơ-ron, tương ứng với điểm trung bình của các nhóm môn ở 4 khối lớp THCS. Tầng đầu ra có 27 nơ-ron, đại diện cho khả năng lựa chọn các môn học ở 3 khối lớp THPT. Để huấn luyện mô hình, thuật toán lan truyền ngược (BackPropagation) được sử dụng. Thuật toán này hoạt động bằng cách tính toán sai số giữa kết quả dự đoán của mạng và kết quả thực tế, sau đó lan truyền ngược sai số này từ tầng đầu ra về các tầng trước để cập nhật lại trọng số của các kết nối nơ-ron. Quá trình này được lặp lại hàng nghìn lần (epochs) cho đến khi sai số của mô hình giảm đến mức chấp nhận được.
3.2. Lựa chọn hàm kích hoạt ReLU và Softmax cho bài toán
Hàm kích hoạt đóng vai trò quyết định trong việc một nơ-ron có được "kích hoạt" hay không. Trong mô hình này, hàm ReLU (Rectified Linear Unit) được sử dụng cho các tầng ẩn. ReLU là một lựa chọn phổ biến vì tính toán đơn giản, giúp quá trình huấn luyện diễn ra nhanh hơn và tránh được một số vấn đề của các hàm truyền thống như Sigmoid. Tại tầng đầu ra, hàm Softmax được áp dụng. Hàm này có chức năng chuyển đổi một vector số thực thành một vector phân phối xác suất, trong đó tổng các phần tử bằng 1. Điều này cực kỳ phù hợp với bài toán, vì kết quả đầu ra là một danh sách các môn học cùng với xác suất được lựa chọn tương ứng, giúp học sinh dễ dàng nhận biết môn nào có khả năng phù hợp cao nhất.
IV. Quy trình huấn luyện và ứng dụng mô hình gợi ý môn học
Quá trình huấn luyện mô hình là giai đoạn quan trọng nhất để hệ thống gợi ý lựa chọn môn học có thể hoạt động chính xác. Giai đoạn này bắt đầu bằng việc chuẩn bị một bộ dữ liệu lớn và chất lượng. Trong nghiên cứu này, dữ liệu ban đầu gồm điểm số của 1.500 học sinh, sau đó được nhân bản và mô phỏng theo các kịch bản thực tế để tạo ra một tập dữ liệu 10.000 mẫu, đảm bảo tính đa dạng và phong phú. Tập dữ liệu này sau đó được chia thành ba phần: tập huấn luyện (training set), tập kiểm định (validation set) và tập kiểm tra (testing set). Tập huấn luyện được dùng để "dạy" cho mô hình mạng nơ-ron nhân tạo các quy luật. Tập kiểm định dùng để tinh chỉnh các tham số và ngăn ngừa hiện tượng quá khớp (overfitting). Cuối cùng, tập kiểm tra, một bộ dữ liệu mà mô hình chưa từng thấy, được dùng để đánh giá độ chính xác và hiệu suất cuối cùng của hệ thống. Các kỹ thuật tối ưu hóa như Early Stopping và Dropout cũng được áp dụng để cải thiện khả năng tổng quát hóa của mô hình, đảm bảo hệ thống không chỉ hoạt động tốt trên dữ liệu đã học mà còn hiệu quả với các trường hợp mới trong thực tế.
4.1. Thu thập và mô phỏng dữ liệu điểm số học sinh THCS
Do CT GDPT mới chưa có dữ liệu thực tế lịch sử, bước thu thập và mô phỏng dữ liệu đóng vai trò then chốt. Dữ liệu thực tế về điểm số các môn học của học sinh THCS theo chương trình cũ được thu thập. Dựa trên phân tích xu hướng và tham vấn chuyên gia, dữ liệu về việc lựa chọn môn học và kết quả tương ứng ở bậc THPT được mô phỏng. Ví dụ, học sinh có điểm trung bình các môn Khoa học tự nhiên cao ở THCS được mô phỏng có xu hướng chọn các môn Vật lý, Hóa học, Sinh học. Quá trình này tạo ra một bộ dữ liệu thực nghiệm giả lập nhưng bám sát thực tế, đủ lớn và đa dạng để mô hình mạng nơ-ron có thể học hỏi hiệu quả.
4.2. Kỹ thuật tối ưu hóa mô hình Early Stopping và Dropout
Overfitting là hiện tượng mô hình học thuộc lòng dữ liệu huấn luyện nhưng hoạt động kém trên dữ liệu mới. Để khắc phục, hai kỹ thuật phổ biến được áp dụng. Early Stopping theo dõi sai số trên tập kiểm định; khi sai số này bắt đầu tăng lên (dấu hiệu của overfitting), quá trình huấn luyện sẽ được dừng lại sớm. Dropout là một kỹ thuật trong đó một tỷ lệ nơ-ron ngẫu nhiên bị "tắt" trong mỗi vòng lặp huấn luyện. Điều này buộc mạng phải học các đặc trưng một cách mạnh mẽ hơn, không phụ thuộc vào bất kỳ nơ-ron đơn lẻ nào, từ đó cải thiện khả năng tổng quát hóa và tăng độ chính xác của mô hình.
V. Những kết quả nổi bật từ mô hình gợi ý lựa chọn môn học
Kết quả thực nghiệm từ đề tài nghiên cứu đã chứng minh tính khả thi và hiệu quả của việc ứng dụng mạng nơ-ron nhân tạo vào hệ thống gợi ý lựa chọn môn học. Sau quá trình huấn luyện và tối ưu hóa cẩn thận, mô hình đề xuất đã đạt được những chỉ số hiệu suất rất đáng khích lệ. Độ chính xác của mô hình trên tập dữ liệu huấn luyện đạt 81,97%, và trên tập dữ liệu kiểm tra là 74,91%. Sai số toàn phương trung bình (MSE - Mean Squared Error), một thước đo về mức độ chênh lệch giữa giá trị dự đoán và giá trị thực tế, cũng ở mức rất thấp, cho thấy mô hình có khả năng dự đoán gần với thực tế. Khi so sánh với các nghiên cứu tương tự trên thế giới, chẳng hạn như mô hình của Samy Abu Naser và đồng sự (độ chính xác 84,6%) hay Bogdan Oancea và đồng sự (86%), kết quả của mô hình này cho thấy sự tương đồng và khả năng cạnh tranh. Điều này khẳng định rằng, mô hình ANN được xây dựng là hoàn toàn phù hợp để giải quyết bài toán phức tạp về định hướng nghề nghiệp cho học sinh THPT tại Việt Nam, mang lại một công cụ hỗ trợ đáng tin cậy, góp phần vào sự thành công của CT GDPT mới.
5.1. Phân tích chỉ số MSE và độ chính xác thực nghiệm của mô hình
Trong đánh giá mô hình, độ chính xác (accuracy) và sai số toàn phương trung bình (MSE) là hai chỉ số quan trọng nhất. Kết quả thực nghiệm cho thấy mô hình mạng C (với 5 tầng ẩn, 10.000 lần lặp) đạt kết quả tốt nhất với MSE trên tập huấn luyện là 0.058 và độ chính xác là 81.97%. Trên tập dữ liệu kiểm tra hoàn toàn mới, độ chính xác đạt 74.91% với MSE là 0.027. Các con số này cho thấy mô hình không chỉ học tốt trên dữ liệu đã biết mà còn có khả năng tổng quát hóa tốt trên dữ liệu chưa biết, đây là yếu tố quyết định tính ứng dụng thực tiễn của hệ thống gợi ý.
5.2. So sánh hiệu suất với thuật toán Random Forest và các mô hình khác
Để khẳng định ưu thế, mô hình mạng nơ-ron nhân tạo đã được so sánh với một thuật toán học máy mạnh mẽ khác là Random Forest. Mặc dù Random Forest có thời gian huấn luyện nhanh hơn, nhưng mô hình ANN cho hiệu suất tốt hơn về mặt độ chính xác (hiệu suất 0.1082 của ANN so với 0.1837 của Random Forest). So với các công trình quốc tế về dự đoán trong giáo dục, mô hình này đạt kết quả rất khả quan, tương đương với các nghiên cứu sử dụng dữ liệu thực nghiệm lớn hơn. Điều này chứng tỏ hướng tiếp cận sử dụng mạng nơ-ron sâu là đúng đắn và hiệu quả cho bài toán lựa chọn môn học.
VI. Tương lai và hướng phát triển hệ thống gợi ý môn học AI
Mô hình hệ thống gợi ý lựa chọn môn học dựa trên mạng nơ-ron nhân tạo đã mở ra một hướng đi đầy tiềm năng cho việc ứng dụng trí tuệ nhân tạo trong giáo dục tại Việt Nam. Kết quả đạt được là một nền tảng vững chắc, tuy nhiên, vẫn còn nhiều cơ hội để cải tiến và phát triển trong tương lai. Một trong những hướng đi quan trọng nhất là làm giàu bộ dữ liệu. Khi CT GDPT mới được triển khai rộng rãi, việc thu thập dữ liệu thực tế từ nhiều trường học trên cả nước sẽ giúp mô hình trở nên chính xác và toàn diện hơn. Dữ liệu không chỉ nên giới hạn ở điểm số, mà có thể mở rộng ra các yếu tố khác như sở thích, hoạt động ngoại khóa, kết quả các bài kiểm tra năng lực, và thậm chí là tính cách của học sinh. Hơn nữa, mô hình có thể được tích hợp thêm các thuật toán xử lý ngôn ngữ tự nhiên để phân tích phản hồi hoặc mong muốn của học sinh, từ đó đưa ra những gợi ý được cá nhân hóa sâu sắc hơn. Tương lai của hệ thống không chỉ dừng lại ở việc gợi ý môn học, mà còn có thể phát triển thành một trợ lý ảo toàn diện, hỗ trợ định hướng nghề nghiệp, tư vấn lộ trình học tập và kết nối học sinh với các nguồn tài nguyên giáo dục phù hợp.
6.1. Tổng kết các kết quả đạt được và hạn chế của đề tài
Đề tài đã thành công trong việc xây dựng và kiểm nghiệm một mô hình mạng nơ-ron nhân tạo có khả năng dự đoán và gợi ý lựa chọn môn học với độ chính xác cao. Hệ thống đã chứng tỏ được ý nghĩa khoa học và giá trị thực tiễn, cung cấp một giải pháp công nghệ cho một vấn đề cấp thiết của ngành giáo dục. Tuy nhiên, hạn chế chính của nghiên cứu là việc phải sử dụng dữ liệu mô phỏng do CT GDPT mới chưa có dữ liệu lịch sử. Mặc dù việc mô phỏng được thực hiện cẩn trọng, dữ liệu thực tế trong tương lai vẫn là yếu tố quan trọng nhất để hoàn thiện mô hình. Ngoài ra, thời gian huấn luyện mô hình còn tương đối dài, cần được tối ưu hóa trong các phiên bản sau.
6.2. Tiềm năng mở rộng và cải tiến mô hình trong tương lai
Trong tương lai, mô hình có thể được cải tiến bằng cách sử dụng các kiến trúc mạng nơ-ron tiên tiến hơn. Việc tích hợp thêm các yếu tố phi học thuật như kết quả trắc nghiệm sở thích (ví dụ Holland Codes) hay các hoạt động ngoại khóa sẽ làm tăng tính đa chiều cho các gợi ý. Hơn nữa, hệ thống có thể được phát triển thành một nền tảng web hoặc ứng dụng di động hoàn chỉnh, cho phép học sinh, phụ huynh và giáo viên tương tác trực tiếp. Nền tảng này không chỉ đưa ra gợi ý mà còn cung cấp thông tin chi tiết về các môn học, các ngành nghề liên quan và xu hướng của thị trường lao động, trở thành một công cụ định hướng nghề nghiệp toàn diện và không thể thiếu cho học sinh thế hệ mới.
