Luận văn thạc sĩ ứng dụng mạng nơron nhân tạo vào hệ thống gợi ý lựa chọn môn học cho học sinh trung học phổ thông theo chương trình giáo dục phổ thông mới

Luận văn thạc sĩ nghiên cứu ứng dụng mạng nơron nhân tạo trong hệ thống gợi ý môn học cho học sinh trung học theo chương trình mới.

• Tác giả: Võ Văn Quyền
• Người hướng dẫn: PGS.TS Quản Thành Thơ
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Ứng Dụng Mạng Nơron Nhân Tạo Gợi Ý Môn Học Cho Học Sinh THPT
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2019
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC THUẬT NGỮ VÀ CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC HÌNH VẼ, ĐỒ THỊ
• 1. Chương 1: TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu và nhiệm vụ nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn
• 1.6. Bố cục luận văn
• 2. Chương 2: CHƯƠNG TRÌNH GIÁO DỤC PHỔ THÔNG MỚI
• 2.1. Những vấn đề chung
• 2.1.1. Nguyên nhân đổi mới CT GDPT
• 2.1.2. Các cơ sở của việc đổi mới CT GDPT
• 2.1.3. Cách thức tổ chức môn học theo CT GDPT mới
• 2.1.4. Tính kế thừa, phát triển của CT GDPT mới
• 2.2. Tầm quan trọng trong việc lựa chọn môn học
• 3. Chương 3: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 3.1. Giới thiệu chung
• 3.2. Mạng nơ-ron sinh học
• 3.3. Nơ-ron nhân tạo
• 3.4. Mạng nơ-ron nhân tạo (ANN - Artificial Neural Networks)
• 3.4.1. Một số chức năng
• 3.4.2. Kiến trúc mạng
• 3.4.3. Các dạng của mạng
• 3.4.4. Hoạt động của mạng
• 3.4.5. Cấu trúc và hoạt động của một nơ-ron
• 3.4.6. Mạng một tầng (Perceptron)
• 3.4.7. Mạng đa tầng truyền thẳng (Multilayer Perceptrons)
• 3.4.8. Mạng lan truyền ngược (BackPropagation)
• 3.4.9. Các phương pháp học
• 3.4.10. Học không có giám sát (Unsupervised Learning)
• 3.4.11. Học tăng cường (Hydrid Learning)
• 3.4.12. Một số hàm kích hoạt thường dùng
• 3.4.13. Hàm biến đổi đầu ra
• 3.4.14. Khởi tạo tham số
• 3.4.15. Tiền xử lí dữ liệu
• 3.5. Hệ thống gợi ý và các hướng tiếp cận
• 3.5.1. Các hướng tiếp cận
• 3.6. Các nghiên cứu liên quan
• 3.6.1. Mô hình của Samy Abu Naser và đồng sự
• 3.6.2. Mô hình của Zahoor Ahmad và Erum Shahzadi
• 3.6.3. Mô hình của Bogdan Oancea và đồng sự
• 3.6.4. Mô hình của Stamos T. Karamouzis và Andreas Vrettos
• 3.6.5. Mô hình của Basheer M. Al-Maqaleh và đồng sự
• 3.7. Hướng đề xuất nghiên cứu
• 4. Chương 4: MÔ HÌNH ĐỀ XUẤT VÀ THỰC NGHIỆM
• 4.1. Mô hình đề xuất
• 4.1.1. Tổng quan mô hình đề xuất
• 4.1.2. Các đặc trưng của mô hình đề xuất
• 4.1.3. Phân tích vấn đề
• 4.2. Quá trình thực nghiệm
• 4.2.1. Chuẩn bị dữ liệu
• 4.2.2. Xây dựng mô hình mạng và huấn luyện
• 4.2.3. Đánh giá kết quả thực nghiệm
• 4.3. Công nghệ sử dụng
• 4.4. Xây dựng ứng dụng trực quan hóa kết quả
• 5. Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Tồn tại và hạn chế
• 5.3. Hướng phát triển
• CÔNG TRÌNH CÔNG BỐ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mạng nơron nhân tạo trong giáo dục

Mạng nơron nhân tạo (ANN) đã trở thành một công cụ mạnh mẽ trong nhiều lĩnh vực, bao gồm cả giáo dục. Việc ứng dụng mạng nơron nhân tạo vào hệ thống gợi ý môn học cho học sinh THPT không chỉ giúp tối ưu hóa quá trình lựa chọn môn học mà còn hỗ trợ học sinh phát triển năng lực cá nhân. Hệ thống này có khả năng phân tích dữ liệu học tập và đưa ra những gợi ý phù hợp, giúp học sinh tự tin hơn trong việc lựa chọn môn học.

1.1. Khái niệm về mạng nơron nhân tạo

Mạng nơron nhân tạo là một mô hình tính toán được lấy cảm hứng từ cấu trúc và chức năng của não người. Nó bao gồm các nơron kết nối với nhau, cho phép xử lý và phân tích dữ liệu phức tạp. Việc hiểu rõ về nơron nhân tạo là cần thiết để áp dụng vào hệ thống gợi ý.

1.2. Lợi ích của việc gợi ý môn học cho học sinh

Hệ thống gợi ý môn học giúp học sinh giảm bớt áp lực trong việc lựa chọn môn học. Nó cung cấp thông tin chính xác và kịp thời, giúp học sinh đưa ra quyết định dựa trên năng lực và sở thích cá nhân, từ đó nâng cao hiệu quả học tập.

II. Thách thức trong việc lựa chọn môn học cho học sinh THPT

Việc lựa chọn môn học cho học sinh THPT theo chương trình giáo dục phổ thông mới gặp nhiều thách thức. Học sinh thường phải đối mặt với áp lực từ gia đình và xã hội, dẫn đến những quyết định không chính xác. Hệ thống gợi ý môn học bằng học máy có thể giúp giải quyết vấn đề này bằng cách cung cấp thông tin và phân tích dữ liệu một cách khách quan.

2.1. Áp lực từ gia đình và xã hội

Nhiều học sinh cảm thấy áp lực từ kỳ vọng của gia đình và bạn bè trong việc lựa chọn môn học. Điều này có thể dẫn đến sự lựa chọn không phù hợp với năng lực và sở thích cá nhân.

2.2. Thiếu thông tin và hỗ trợ

Học sinh thường thiếu thông tin về các môn học và định hướng nghề nghiệp. Việc không có sự hỗ trợ kịp thời từ giáo viên và hệ thống giáo dục có thể khiến học sinh gặp khó khăn trong việc đưa ra quyết định.

III. Phương pháp ứng dụng mạng nơron nhân tạo trong gợi ý môn học

Để xây dựng hệ thống gợi ý môn học hiệu quả, cần áp dụng các phương pháp học máy và phân tích dữ liệu. Mô hình mạng nơron nhân tạo sẽ được huấn luyện trên dữ liệu điểm số và sở thích của học sinh, từ đó đưa ra những gợi ý chính xác nhất.

3.1. Thu thập và xử lý dữ liệu

Dữ liệu điểm số và thông tin cá nhân của học sinh sẽ được thu thập và xử lý để đưa vào mô hình. Việc này đảm bảo rằng hệ thống gợi ý có thể hoạt động hiệu quả và chính xác.

3.2. Huấn luyện mô hình mạng nơron

Mô hình mạng nơron sẽ được huấn luyện bằng cách sử dụng các thuật toán học sâu. Quá trình này giúp mô hình học hỏi từ dữ liệu và cải thiện độ chính xác của các gợi ý môn học.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu cho thấy việc ứng dụng mạng nơron nhân tạo vào hệ thống gợi ý môn học đã mang lại kết quả tích cực. Học sinh có thể nhận được những gợi ý phù hợp với năng lực và sở thích cá nhân, từ đó nâng cao hiệu quả học tập và định hướng nghề nghiệp.

4.1. Đánh giá hiệu quả của hệ thống gợi ý

Hệ thống gợi ý đã được thử nghiệm và đánh giá, cho thấy sự cải thiện trong quyết định lựa chọn môn học của học sinh. Nhiều học sinh cảm thấy tự tin hơn khi đưa ra quyết định.

4.2. Ứng dụng trong các trường học

Hệ thống gợi ý có thể được áp dụng rộng rãi trong các trường học, giúp giáo viên và học sinh có thêm công cụ hỗ trợ trong việc lựa chọn môn học phù hợp.

V. Kết luận và hướng phát triển tương lai

Việc ứng dụng mạng nơron nhân tạo vào hệ thống gợi ý môn học cho học sinh THPT là một bước tiến quan trọng trong giáo dục. Hệ thống này không chỉ giúp học sinh lựa chọn môn học phù hợp mà còn mở ra hướng phát triển mới cho giáo dục trong tương lai.

5.1. Tương lai của hệ thống gợi ý

Hệ thống gợi ý có thể được cải tiến và mở rộng để phục vụ nhiều đối tượng học sinh khác nhau, từ đó nâng cao chất lượng giáo dục.

5.2. Khuyến nghị cho các nhà quản lý giáo dục

Các nhà quản lý giáo dục nên xem xét việc áp dụng công nghệ vào giáo dục, đặc biệt là trong việc hỗ trợ học sinh lựa chọn môn học, nhằm nâng cao chất lượng giáo dục.

Nội dung chính

Tổng quan nghiên cứu

Chương trình Giáo dục Phổ thông mới được triển khai chính thức từ năm học 2022 theo định hướng của Nghị quyết số 88/2014/QH13 của Quốc hội và Quyết định số 404/QĐ-TTg của Thủ tướng Chính phủ. Đây là bước chuyển dịch mang tính chiến lược từ nền giáo dục nặng về truyền thụ kiến thức sang mô hình phát triển toàn diện phẩm chất và năng lực người học. Giai đoạn giáo dục định hướng nghề nghiệp ở bậc Trung học Phổ thông (từ lớp 10 đến lớp 12) đánh dấu thay đổi căn bản khi học sinh không còn học tất cả các môn như chương trình cũ, mà bắt buộc phải tự chọn 5 môn học từ 3 nhóm môn (Khoa học tự nhiên, Khoa học xã hội, Công nghệ và Nghệ thuật), đảm bảo mỗi nhóm có ít nhất 1 môn.

Thực tiễn cho thấy, việc phải đưa ra quyết định mang tính định hướng tương lai ngay khi kết thúc lớp 9 tạo ra áp lực tâm lý vô cùng lớn. Hơn 65% học sinh đầu cấp thường rơi vào trạng thái lúng túng, lựa chọn môn học theo cảm tính nhất thời hoặc theo xu hướng đám đông mà thiếu cơ sở đánh giá năng lực thực chất. Nhằm giải quyết triệt để bài toán này, đề tài tập trung nghiên cứu và ứng dụng Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) để xây dựng hệ thống gợi ý môn học thông minh, hỗ trợ học sinh lựa chọn tổ hợp môn học tối ưu nhất.

Phạm vi nghiên cứu được thực hiện dựa trên cơ sở dữ liệu điểm học tập thực tế của 1.500 học sinh trường Trung học Cơ sở Phước Tín (tỉnh Bình Phước) trong 4 năm học liên tiếp (giai đoạn 2014 - 2018), kết hợp tập dữ liệu mô phỏng mở rộng quy chuẩn gồm 10.000 bản ghi. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc thiết lập một mô hình dự báo định lượng đạt độ chính xác ấn tượng 81,97%, cung cấp kênh tham vấn khách quan, giảm thiểu trên 70% rủi ro chọn sai ngành nghề và hỗ trợ các trường Trung học Phổ thông tối ưu hóa việc phân bổ tài nguyên lớp học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết Mạng nơ-ron nhân tạo đa tầng truyền thẳng (Multilayer Perceptron - MLP) kết hợp thuật toán lan truyền ngược (Backpropagation) để giải quyết bài toán dự đoán và phân loại đa nhãn. Về mặt kiến trúc hệ thống, nghiên cứu kết hợp mô hình Hệ thống gợi ý tiếp cận theo hướng lọc dựa trên nội dung (Content-based Recommender Systems) nhằm trích xuất các đặc trưng học tập cốt lõi từ quá trình tích lũy điểm số của học sinh.

Khung lý thuyết của luận văn tập trung vào 4 khái niệm và cơ chế giải thuật chính:

• Hàm kích hoạt phi tuyến: Sử dụng hàm ReLU (Rectified Linear Unit) tại các tầng ẩn nhằm hạn chế hiện tượng triệt tiêu đạo hàm (Vanishing Gradient) và tối ưu hóa tốc độ hội tụ; sử dụng hàm Softmax ở tầng đầu ra để chuyển đổi các giá trị kích hoạt thành phân phối xác suất lựa chọn môn học trong khoảng từ 0 đến 1.
• Thuật toán tối ưu hóa: Áp dụng phương pháp giảm độ dốc ngẫu nhiên (Stochastic Gradient Descent - SGD) kết hợp việc theo dõi hàm mất mát sai số toàn phương trung bình (Mean Squared Error - MSE).
• Kỹ thuật chống quá khớp (Regularization): Tích hợp kỹ thuật Dropout với hệ số xác suất 0,1 và phương pháp dừng sớm (Early Stopping) để ngăn chặn hiện tượng mô hình quá khớp trên tập huấn luyện nhưng kém hiệu quả trên dữ liệu thực tế.
• Học có giám sát (Supervised Learning): Ánh xạ không gian vector 24 chiều đầu vào thành không gian 27 chiều đầu ra thông qua quá trình liên tục điều chỉnh ma trận trọng số và vector độ lệch.

Cơ sở lý thuyết của luận văn kế thừa và mở rộng từ các công trình quốc tế tiêu biểu như mô hình của Samy Abu Naser với độ chính xác dự báo học tập đạt 84,6% trên 150 mẫu hồ sơ sinh viên, nghiên cứu của Zahoor Ahmad và Erum Shahzadi đạt độ chính xác trên 85% trên mẫu thử nghiệm, cùng công trình của Bogdan Oancea đạt chỉ số sai số MSE chỉ 1,7% với độ chính xác hơn 86%.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được hình thành qua hai giai đoạn chặt chẽ:

• Tập dữ liệu gốc: Thu thập hồ sơ điểm số học tập 4 năm học (từ lớp 6 đến lớp 9) của 1.500 học sinh trường Trung học Cơ sở Phước Tín với 24 thuộc tính điểm trung bình môn học cụ thể.
• Tập dữ liệu mô phỏng chuẩn hóa: Dựa trên 9 kịch bản tương quan học thuật logic giữa các tổ hợp môn Khoa học tự nhiên, Khoa học xã hội, Tin học và Nghệ thuật, dữ liệu được nhân bản và chuẩn hóa thành 10.000 bản ghi dữ liệu hoàn chỉnh.

Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để chia tách toàn bộ 10.000 mẫu thành hai tập dữ liệu độc lập:

• Bộ 1 (Dữ liệu huấn luyện và kiểm định nội bộ - 80% tương ứng 8.000 mẫu): Tiếp tục chia nhỏ thành tập huấn luyện (5.600 mẫu - chiếm 70%), tập kiểm tra chéo (1.200 mẫu - chiếm 15%) và tập kiểm tra mạng (1.200 mẫu - chiếm 15%).
• Bộ 2 (Dữ liệu kiểm tra độc lập - 20% tương ứng 2.000 mẫu): Dùng để đánh giá khả năng tổng quát hóa của mô hình trên dữ liệu hoàn toàn mới.

Lý do lựa chọn phương pháp phân tích mạng nơ-ron nhân tạo là bởi khả năng xử lý phi tuyến tính vượt trội, cho phép bóc tách những mối quan hệ ngầm phức tạp giữa kết quả học tập ở bậc Trung học Cơ sở và khả năng thích ứng với các môn chuyên sâu ở bậc Trung học Phổ thông. Nghiên cứu được hiện thực hóa bằng ngôn ngữ Python 3, thư viện chuyên sâu Keras và Scikit-Learn trên nền tảng phần cứng CPU Intel Core i5 cùng 4GB RAM. Quá trình thực nghiệm diễn ra liên tục qua 10.000 chu kỳ lặp (epochs) với tổng thời gian huấn luyện đạt 15 giờ để tìm ra cấu hình mạng tối ưu nhất.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm chuyên sâu trên nhiều cấu trúc mạng nơ-ron khác nhau đã mang lại các phát hiện khoa học quan trọng:

• Cấu hình mạng 5 tầng ẩn đạt hiệu năng cao nhất: Mô hình C với cấu trúc gồm 24 nơ-ron đầu vào, 5 tầng ẩn có số lượng nơ-ron lần lượt là 350, 450, 550, 250, 150 và 27 nơ-ron đầu ra đạt độ chính xác huấn luyện lên tới 81,97% với sai số MSE ở mức cực thấp là 0,058197. Con số này vượt trội hơn hẳn so với Mô hình A (3 tầng ẩn, 1.000 chu kỳ lặp) và Mô hình B (5 tầng ẩn, 6.000 chu kỳ lặp).
• Khả năng tổng quát hóa xuất sắc trên dữ liệu độc lập: Khi tiến hành kiểm định trên Bộ 2 gồm 2.000 mẫu dữ liệu kiểm tra độc lập chưa từng xuất hiện trong quá trình học, mô hình vẫn duy trì độ chính xác đạt 74,91% với sai số MSE là 0,027491, khẳng định độ tin cậy và sự ổn định cao.
• Mạng nơ-ron vượt trội so với các thuật toán học máy truyền thống: So sánh đối chuẩn với thuật toán Rừng ngẫu nhiên (Random Forest với 50 cây quyết định), mạng nơ-ron nhân tạo đạt giá trị sai số mất mát 0,1082 so với mức 0,1837 của Random Forest. Mặc dù thời gian huấn luyện của mạng nơ-ron kéo dài 12 đến 15 giờ (so với 1 giờ của Random Forest), nhưng độ chính xác của mạng nơ-ron cao hơn khoảng 41,1% về mặt giảm thiểu sai số dự đoán.
• Khả năng phân loại xác suất 27 môn học đồng thời: Hàm Softmax tại tầng đầu ra đã bóc tách thành công xác suất của từng môn học tự chọn trong suốt 3 năm học Trung học Phổ thông, tạo ra danh sách đề xuất 5 môn học có độ tương thích cao nhất với xác suất dự đoán vượt trên 75% cho mỗi môn học phù hợp.

Thảo luận kết quả

Hiệu quả vượt trội của mô hình bắt nguồn từ việc thiết lập 5 tầng ẩn với sự tăng giảm nơ-ron theo dạng hình thoi mở rộng rồi thu hẹp (350 - 450 - 550 - 250 - 150). Cấu trúc này đóng vai trò như một bộ lọc thông minh nhiều cấp độ, giúp trích xuất các đặc trưng tiềm ẩn từ điểm số 6 môn học cốt lõi ở bậc Trung học Cơ sở. Điểm số các môn học thường chịu tác động bởi tâm lý và sự phát triển nhận thức theo từng năm học; do đó, hàm kích hoạt phi tuyến ReLU đã giải quyết triệt để tính chất phức tạp của dữ liệu học tập mà các phương pháp hồi quy tuyến tính không thể đáp ứng.

Khi so sánh với các công trình quốc tế, độ chính xác 81,97% của nghiên cứu hoàn toàn tương đồng và tiệm cận với mô hình của Samy Abu Naser (đạt 84,6%) và nghiên cứu của Bogdan Oancea (đạt 86,0%), đồng thời vượt trội hơn kết quả của Stamos T. Karamouzis và Andreas Vrettos (đạt 77% trên tập huấn luyện và 68% trên tập kiểm thử). Điều này khẳng định tính đúng đắn và khả năng ứng dụng thực tiễn cao của mô hình tại Việt Nam.

Trong thực tế triển khai, toàn bộ dữ liệu dự báo được trực quan hóa sinh động trên giao diện ứng dụng web thông qua biểu đồ phân phối xác suất dạng cột và bảng tổng hợp 5 môn học có điểm tương thích cao nhất. Học sinh và phụ huynh có thể theo dõi trực tiếp tỷ lệ phần trăm độ phù hợp của từng nhóm môn, đồng thời biểu đồ đường biểu diễn sự suy giảm của hàm mất mát qua 10.000 chu kỳ lặp giúp các chuyên gia kỹ thuật dễ dàng kiểm chứng tính ổn định của hệ thống.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm đạt độ tin cậy cao, nghiên cứu đề xuất 4 nhóm giải pháp mang tính hành động nhằm đưa mô hình vào ứng dụng thực tế:

• Tích hợp mô hình gợi ý vào cổng thông tin tuyển sinh trực tuyến: Xây dựng mô hình ANN thành dịch vụ API trên nền tảng web của các Sở Giáo dục và Đào tạo, đặt mục tiêu phục vụ 100% học sinh lớp 9 tra cứu trước kỳ tuyển sinh vào lớp 10, hoàn thành triển khai trong lộ trình 12 tháng do Phòng Công nghệ thông tin và Khảo thí chủ trì.
• Mở rộng quy mô cơ sở dữ liệu học tập liên thông đa vùng miền: Tiến hành thu thập dữ liệu điểm số thực tế của tối thiểu 50.000 học sinh tại nhiều tỉnh thành để tái huấn luyện mạng nơ-ron, nâng cao độ chính xác dự báo từ mức 81,97% lên trên 90% trong vòng 18 tháng do các viện nghiên cứu và trường đại học phối hợp thực hiện.
• Tổ chức tập huấn kỹ năng tư vấn hướng nghiệp ứng dụng công nghệ: Triển khai các khóa đào tạo chuyên môn cho 100% giáo viên chủ nhiệm và cán bộ tư vấn học đường về cách đọc hiểu và phân tích kết quả dự báo từ hệ thống, thực hiện định kỳ hàng quý do Ban Giám hiệu các trường Trung học Cơ sở và Trung học Phổ thông quản lý.
• Thiết lập cơ chế học tăng cường dựa trên phản hồi người dùng: Phát triển tính năng khảo sát mức độ hài lòng trực tuyến để thu thập ý kiến đánh giá từ ít nhất 10.000 học sinh mỗi năm, tự động cập nhật trọng số mạng nơ-ron định kỳ 6 tháng một lần do đội ngũ kỹ sư hệ thống thông tin đảm nhiệm.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cho 4 nhóm đối tượng chính:

• Học sinh lớp 9 và Phụ huynh học sinh: Cung cấp công cụ định lượng giúp học sinh tự nhập điểm số 4 năm Trung học Cơ sở để nhận danh sách 5 môn học tự chọn tối ưu nhất, xóa bỏ hoàn toàn áp lực tâm lý và tình trạng chọn môn theo cảm tính.
• Cán bộ quản lý giáo dục và Ban Giám hiệu trường Trung học Phổ thông: Khai thác dữ liệu dự báo nhu cầu chọn môn của học sinh đầu cấp để chủ động quy hoạch cơ sở vật chất, sắp xếp phòng học bộ môn và phân công giáo viên cho từng tổ chuyên môn với độ chính xác đạt trên 80%.
• Chuyên viên tư vấn tâm lý và định hướng nghề nghiệp học đường: Sử dụng bảng phân tích 24 chỉ số năng lực của hệ thống làm luận cứ khoa học tin cậy trong các phiên tham vấn 1-1, giúp rút ngắn hơn 50% thời gian đánh giá ban đầu cho mỗi học sinh.
• Các nhà nghiên cứu và Kỹ sư Trí tuệ nhân tạo: Kế thừa kiến trúc mạng ANN 5 tầng ẩn, phương pháp xử lý dữ liệu dạng bảng và quy trình tiền xử lý bằng Python/Keras để phát triển các hệ thống gợi ý cá nhân hóa trong lĩnh vực giáo dục thông minh (EdTech).

Câu hỏi thường gặp

Mô hình mạng nơ-ron nhân tạo sử dụng những dữ liệu đầu vào nào để đưa ra gợi ý môn học?
Mô hình tiếp nhận 24 thông số đầu vào là điểm trung bình thực tế của 6 môn học cốt lõi gồm Khoa học tự nhiên, Lịch sử - Địa lí, Giáo dục công dân, Tin học, Công nghệ và Nghệ thuật xuyên suốt 4 năm học từ lớp 6 đến lớp 9. Các dữ liệu này được chuẩn hóa để phản ánh chính xác năng lực học tập liên tục của học sinh.

Độ chính xác 81,97% của mô hình được kiểm định qua những tiêu chí nào để đảm bảo tính khách quan?
Độ chính xác được xác lập qua 10.000 chu kỳ lặp trên tập dữ liệu 10.000 mẫu, kết hợp kiểm tra chéo trên 1.200 mẫu và kiểm định độc lập trên 2.000 mẫu dữ liệu kiểm tra mạng. Sai số toàn phương trung bình đạt mức rất thấp từ 0,0147 đến 0,0274, tương đương với các tiêu chuẩn nghiên cứu quốc tế.

Tại sao nghiên cứu lại chọn mạng nơ-ron nhân tạo thay vì các thuật toán học máy phổ biến như Random Forest?
Mạng nơ-ron nhân tạo với 5 tầng ẩn và hàm kích hoạt ReLU có khả năng mô hình hóa các mối quan hệ phi tuyến phức tạp tốt hơn. Thực nghiệm chứng minh mạng nơ-ron đạt sai số mất mát chỉ 0,1082, tối ưu hóa độ chính xác cao hơn khoảng 41,1% so với mức sai số 0,1837 của thuật toán Random Forest.

Hệ thống xử lý thế nào khi học sinh có sự thay đổi đột ngột về sở thích cá nhân so với điểm số quá khứ?
Hệ thống sử dụng hàm Softmax để xuất ra phân phối xác suất của toàn bộ 27 đầu ra thay vì một kết quả cứng nhắc. Học sinh và phụ huynh có thể đối chiếu sở thích mới với phổ điểm xác suất được trực quan hóa trên giao diện web để đưa ra quyết định cân bằng và hợp lý nhất.

Việc nhập điểm số cá nhân lên hệ thống trực tuyến có đảm bảo an toàn thông tin không?
Ứng dụng web được xây dựng với kiến trúc phân tầng bảo mật cao, tách biệt giữa giao diện người dùng và máy chủ xử lý mô hình. Dữ liệu điểm số nhập vào chỉ phục vụ quá trình tính toán tức thời mà không lưu trữ thông tin định danh cá nhân, đảm bảo an toàn tuyệt đối cho người học.

Kết luận

• Xây dựng thành công mô hình mạng nơ-ron nhân tạo 5 tầng ẩn chuyên biệt cho bài toán gợi ý môn học Trung học Phổ thông theo Chương trình Giáo dục Phổ thông mới.
• Đạt độ chính xác huấn luyện 81,97% và duy trì mức độ tin cậy 74,91% trên tập kiểm tra độc lập gồm 2.000 mẫu dữ liệu thực nghiệm.
• Giải quyết triệt để bài toán lựa chọn 5 môn học tự chọn từ 3 nhóm môn, giảm tải áp lực chọn ngành nghề cho học sinh lớp 9 chuyển cấp.
• Chứng minh tính ưu việt vượt trội của mạng nơ-ron sâu với sai số mất mát 0,1082, giảm 41,1% sai số so với mô hình Rừng ngẫu nhiên (Random Forest).
• Hiện thực hóa thành công ứng dụng web trực quan, sẵn sàng chuyển giao công nghệ cho các cơ sở giáo dục trên toàn quốc.

Đóng góp lớn nhất của luận văn là đã đặt nền móng ứng dụng khoa học dữ liệu hiện đại vào công tác phân luồng giáo dục phổ thông tại Việt Nam. Trong lộ trình giai đoạn 2022 - 2024, đề tài sẽ mở rộng thu thập 50.000 mẫu dữ liệu thực tế tại khu vực Đông Nam Bộ để nâng cấp lên các kiến trúc học sâu tiên tiến hơn. Các nhà trường và cơ quan quản lý giáo dục hãy chủ động ứng dụng giải pháp này ngay hôm nay nhằm nâng cao chất lượng tư vấn hướng nghiệp cho thế hệ tương lai.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan về lĩnh vực nghiên cứu Sơ lược về vấn đề nghiên cứu trên phương diện tổng quan nhất. Xác định mục tiêu và nhiệm vụ, đối tượng và phạm vi cũng như phương pháp và ý nghĩa của nghiên cứu cùng với tổ chức bố cục của luận văn. Chương trình giáo dục phổ thông mới 2 Nghiên cứu về CT GDPT mới, bài toán gợi ý lựa chọn môn học và xác định tầm quan trọng của hệ thống gợi ý lựa chọn môn học đối với CT GDPT mới.

Tổng quan về cơ sở lý thuyết và các nghiên cứu liên quan Trình bày về các lý thuyết nền tảng để giải quyết bài toán: các kiến thức về ANN, cách thức hoạt động, ưu nhược điểm của nó, tổng quan về các hàm kích hoạt, hàm mất mát và các kỹ thuật tối ưu mạng nơ-ron. Một số công trình liên quan nổi tiếng về dự đoán với ANN sẽ được trình bày trong chương này. Mô hình đề xuất và thực nghiệm Trình bày về mô hình mà chúng tôi đề xuất cùng với quá trình chuẩn bị và tổ chức dữ liệu. Thực nghiệm để đánh giá kết quả đạt được, hiện thực hệ thống, trực quan hóa lên website.

Ngoài ra, chúng tôi còn giới thiệu sơ lược về các công nghệ được sử dụng để hoàn thành đề tài này. Kết luận và hướng phát triển Tổng kết và nêu ra những điểm còn tồn tại của đề tài cũng như hướng cải tiến trong tương lai. CHƯƠNG TRÌNH GIÁO DỤC PHỔ THÔNG MỚI 2. Những vấn đề chung 2.

Nguyên nhân đổi mới CT GDPT Sau 30 năm đổi mới, đất nước ta đã vượt qua nhiều khó khăn, thách thức, đạt được những thành tựu to lớn, có ý nghĩa lịch sử. Tuy nhiên, những thành tựu về kinh tế của nước ta chưa vững chắc, chất lượng nguồn nhân lực và sức cạnh tranh của nền kinh tế chưa cao, môi trường văn hoá còn tồn tại nhiều hạn chế, chưa hội đủ các nhân tố để phát triển nhanh và bền vững. Để bảo đảm phát triển bền vững, nhiều quốc gia đã không ngừng đổi mới CT GDPT nói riêng, giáo dục đào tạo nói chung để nâng cao chất lượng nguồn nhân lực, trang bị cho các thế hệ tương lai nền tảng văn hoá vững chắc và năng lực thích ứng cao trước mọi biế n đô ̣ng của xã hội. Đổi mới giáo dục đã trở thành nhu cầu cấp thiết và xu thế mang tính toàn cầu.

GDPT nước ta cũng cần đổi mới để đáp ứng những đòi hỏi của thực tế và bắt kịp xu thế của nhân loại. Các cơ sở của việc đổi mới CT GDPT  Chương trình GDPT hiện hành có những hạn chế sau đây: - Chú trọng truyền đạt kiến thức, chưa đáp ứng tốt về hình thành và phát triển phẩm chất và năng lực của học sinh, chưa coi trọng hướng nghiệp. - Nhìn chung, nội dung CT chưa thật sự thiết thực, chưa coi trọng kỹ năng thực hành, kỹ năng vận dụng kiến thức vào thực tế. - Hình thức tổ chức chủ yếu là dạy học trên lớp, chưa coi trọng việc tổ chức các hoạt động xã hội, hoạt động trải nghiệm.

Phương pháp giáo dục và đánh giá chất lượng chưa đáp ứng yêu cầu giai đoạn mới, chưa chú trọng dạy cách học và phát huy tính chủ động, khả năng sáng tạo của học sinh. - Chưa quán triệt rõ mục tiêu, yêu cầu của hai giai đoạn giáo dục (giai đoạn giáo dục cơ bản và giai đoạn giáo dục định hướng nghề nghiệp), chưa bảo đảm tính liên thông trong từng môn học và giữa các môn học, trong từng lớp, từng cấp và giữa các lớp, các cấp học. Nghị quyết 88 của Quốc hội và Quyết định 404 của Thủ tướng Chính phủ quy định mục tiêu đổi mới, các nguyên tắc, yêu cầu, định hướng, nội dung và lộ 4 trình đổi mới, trách nhiệm của các Bộ, Ngành, cơ quan nhà nước và Mặt trận Tổ quốc Việt Nam, trong đó có những điểm nổi bật sau: GDPT 12 năm, gồm hai giai đoạn giáo dục: giai đoạn giáo dục cơ bản (gồm cấp tiểu học 5 năm và cấp trung học cơ sở 4 năm) và giai đoạn giáo dục định hướng nghề nghiệp (cấp trung học phổ thông 3 năm). Giáo dục cơ bản bảo đảm trang bị cho học sinh tri thức phổ thông nền tảng, đáp ứng yêu cầu phân luồng mạnh sau THCS.

Giáo dục định hướng nghề nghiệp bảo đảm học sinh tiếp cận nghề nghiệp, chuẩn bị cho giai đoạn học sau phổ thông có chất lượng. Cách thức tổ chức môn học theo CT GDPT mới Theo tài liệu dự thảo CT GDPT mới (kèm theo Công văn số 465/BGDĐT- VP ngày 31/01/2018 của Bộ GD&ĐT) thì kế hoạch dạy và học có sự đổi mới rõ rệt, cụ thể như sau:  Cấp tiểu học - Các môn học và hoạt động giáo dục (HĐGD) bắt buộc: Tiếng Việt; Toán; Đạo đức; Ngoại ngữ 1 (ở lớp 3, lớp 4, lớp 5); Tự nhiên và xã hội (ở lớp 1, lớp 2, lớp 3); Lịch sử và Địa lí (ở lớp 4, lớp 5); Khoa học (ở lớp 4, lớp 5); Tin học và Công nghệ (ở lớp 3, lớp 4, lớp 5); Giáo dục thể chất, Nghệ thuật, Hoạt động trải nghiệm. - Các môn học tự chọn: Tiếng dân tộc, Ngoại ngữ 1 (dạy ở lớp 1, lớp 2).  Cấp trung học cơ sở - Các môn học và HĐGD bắt buộc: Ngữ văn; Toán; Ngoại ngữ 1; Giáo dục công dân; Lịch sử và Địa lí; Khoa học tự nhiên; Công nghệ; Tin học; Giáo dục thể chất; Nghệ thuật; Hoạt động trải nghiệm; Giáo dục địa phương.

- Các môn học tự chọn: Tiếng dân tộc thiểu số, Ngoại ngữ 2.  Cấp trung học phổ thông - Các môn học và HĐGD bắt buộc: Ngữ văn; Toán; Ngoại ngữ 1; Giáo dục thể chất; Giáo dục quốc phòng và an ninh; Hoạt động trải nghiệm; Giáo dục địa phương. - Các môn học được lựa chọn theo định hướng nghề nghiệp (học sinh chọn 5 môn từ 3 nhóm môn học, mỗi nhóm chọn ít nhất 1 môn): 5  Nhóm Khoa học xã hội: Lịch sử, Địa lí, Giáo dục kinh tế pháp luật.  Nhóm Khoa học tự nhiên: Vật lí, Hoá học, Sinh học.

 Nhóm Công nghệ và Nghệ thuật: Công nghệ, Tin học, Nghệ thuật. - Các môn học tự chọn: Tiếng dân tộc thiểu số, Ngoại ngữ 2. Tính kế thừa, phát triển của CT GDPT mới  Tính kế thừa của CT GDPT mới thể hiện rõ ở những điểm sau: - Tiếp tục được xây dựng trên quan điểm coi mục tiêu GDPT là giáo dục con người toàn diện, giúp học sinh phát triển về đức, trí, thể, mĩ. - Kế thừa các phương châm giáo dục như “Học đi đôi với hành”, “Lí luận gắn liền với thực tiễn”, “Giáo dục nhà trường gắn liền với giáo dục gia đình và giáo dục xã hội”.

- Tiếp tục tập trung vào những giá trị cơ bản của văn hoá dân tộc, bảo đảm phù hợp với đặc điểm con người và văn hoá Việt Nam. - Bên cạnh một số kiến thức được cập nhật để phù hợp với những thành tựu mới của Khoa học - Công nghệ và định hướng mới, kiến thức nền tảng của các môn học trong CT GDPT mới chủ yếu là những kiến thức cốt lõi, tương đối ổn định trong các lĩnh vực tri thức của nhân loại, được kế thừa từ CT GDPT hiện hành, nhưng được tổ chức lại để giúp học sinh phát triển phẩm chất và năng lực một cách hiệu quả hơn. Những kiến thức không thích hợp với học sinh phổ thông sẽ được cắt bỏ. - Hầu hết tên các môn học được giữ nguyên như CT hiện hành, chỉ có môn Tin học và Công nghệ, Hoạt động trải nghiệm ở tiểu học, Lịch sử và Địa lí, Khoa học tự nhiên ở THCS và Hoạt động trải nghiệm, hướng nghiệp ở THCS, trung học phổ thông (THPT) là những tên gọi mới.

Ở THCS, môn Khoa học tự nhiên gồm ba phân môn Vật lí, Hoá học, Sinh học và một số chủ đề tích hợp; môn Lịch sử và Địa lí cũng gồm hai phân môn Lịch sử, Địa lí và một số chủ đề tích hợp tương tự.  Những điểm cần khắc phục cũng chính là những khác biệt chủ yếu của CT GDPT mới so với CT GDPT hiện hành, cụ thể như sau: 6 - CT GDPT hiện hành được xây dựng theo mô hình định hướng nội dung, nặng về truyền thụ kiến thức, chưa chú trọng giúp học sinh vận dụng kiến thức học được vào thực tiễn. - CT GDPT mới được xây dựng theo mô hình phát triển năng lực, thông qua những kiến thức cơ bản, thiết thực, hiện đại và các phương pháp tích cực hoá hoạt động của người học, giúp học sinh hình thành và phát triển những phẩm chất và năng lực mà nhà trường và xã hội kỳ vọng. - CT GDPT hiện hành có nội dung giáo dục gần như đồng nhất cho tất cả học sinh; việc định hướng nghề nghiệp cho học sinh, ngay cả ở cấp THPT chưa được xác định rõ ràng.

CT GDPT mới phân biệt rõ hai giai đoạn: giai đoạn giáo dục cơ bản (từ lớp 1 đến lớp 9) và giai đoạn giáo dục định hướng nghề nghiệp (từ lớp 10 đến lớp 12). - Trong CT GDPT hiện hành, sự kết nối giữa CT các cấp học trong một môn học và giữa CT các môn học chưa chặt chẽ; một số nội dung giáo dục bị trùng lặp, chồng chéo, chưa thật sự cần thiết đối với học sinh phổ thông. Tầm quan trọng trong việc lựa chọn môn học Việc thay đổi tổng thể CT GDPT được coi là tất yếu, góp phần đẩy mạnh việc đổi mới giáo dục theo hướng căn bản, toàn diện. Chính vì vậy, cùng với sự đổi mới, bắt nhịp với yêu cầu giáo dục hiện đại, người học sinh rất cần sự quan tâm từ nhiều phía trong việc nhận diện và giải quyết những khó khăn khi lựa chọn môn học và đặc biệt là đối tượng học sinh trong quá trình chuyển từ bậc THCS sang THPT.

Việc học sinh có quyền lựa chọn các môn học bên cạnh một số môn học và HĐGD bắt buộc, phù hợp với sở thích, năng lực và nguyện vọng định hướng nghề nghiệp bản thân ở bậc THPT gây ra rất nhiều khó khăn từ phía người học lẫn nhà trường, đòi hỏi học sinh ở bậc THCS phải tự chủ động để tích cực hoá.