Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số giáo dục đại học, việc nắm bắt kịp thời tâm tư, nguyện vọng và phản hồi của người học đóng vai trò quan trọng đối với công tác quản trị và nâng cao chất lượng đào tạo. Sự bùng nổ của các nền tảng mạng xã hội trực tuyến (Social Networking Sites - SNS) như Facebook, Instagram hay Telegram đã biến các không gian mạng này thành kênh giao tiếp, chia sẻ thông tin và thể hiện quan điểm chủ đạo của sinh viên. Lý thuyết học tập xã hội của Albert Bandura (1977) chỉ ra rằng nhận thức và hành vi của cá nhân chịu sự tác động mạnh mẽ từ việc quan sát và tương tác với môi trường xung quanh (chuẩn mực, văn hóa, giá trị của trường đại học). Cảm xúc của sinh viên trong quá trình học tập (hứng thú, lo lắng, thất vọng, hài lòng) có ảnh hưởng trực tiếp đến sự gắn kết và kết quả học tập.

Tuy nhiên, công tác thu thập và phân tích phản hồi của sinh viên tại các cơ sở giáo dục đại học hiện nay còn tồn tại nhiều bất cập:

  • Phương pháp khảo sát truyền thống (phiếu khảo sát định kỳ, biểu mẫu tĩnh) thường có độ trễ lớn, tỷ lệ tham gia thấp và không phản ánh được ý kiến tức thời của sinh viên.
  • Việc theo dõi thủ công các diễn đàn, hội nhóm mạng xã hội đòi hỏi nguồn nhân lực lớn, tốn nhiều thời gian xử lý và dễ chịu tác động bởi tính chủ quan, định kiến của người đánh giá.
  • Sự thiếu hụt các công cụ tích hợp tự động để trích xuất và phân loại cảm xúc theo thời gian thực từ khối lượng dữ liệu văn bản phi cấu trúc khổng lồ.

Để giải quyết các thách thức trên, đề tài nghiên cứu việc kết hợp công nghệ Tự động hóa quy trình bằng Robot (Robotic Process Automation - RPA) và Trí tuệ nhân tạo (AI) nhằm xây dựng quy trình thu thập và phân tích cảm xúc của người học trên mạng xã hội.

Mục tiêu nghiên cứu:

  • Mục tiêu tổng quát: Đề xuất và xây dựng thử nghiệm giải pháp tích hợp RPA và AI phục vụ tác vụ thu thập và phân tích cảm xúc của sinh viên tại cơ sở giáo dục đại học thông qua mạng xã hội.
  • Mục tiêu cụ thể:
    1. Nghiên cứu tổng quan về công nghệ RPA và phân tích cảm xúc, đánh giá tiềm năng tích hợp hai công nghệ này trong giáo dục đại học.
    2. Xây dựng quy trình tự động thu thập dữ liệu quan điểm của sinh viên trên mạng xã hội Facebook; đo lường, so sánh hiệu quả về mặt thời gian giữa giải pháp RPA với phương pháp thủ công và Facebook Graph API.
    3. Xây dựng thử nghiệm mô hình học máy ứng dụng xử lý ngôn ngữ tự nhiên để phân loại cảm xúc sinh viên từ dữ liệu thu thập được.

Câu hỏi nghiên cứu:

  • RQ1: Làm sao để có thể thu thập tự động dữ liệu cảm xúc của người học thông qua các nền tảng mạng xã hội (Fanpage, Group)?
  • RQ2: Làm sao để phân tích cảm xúc tích cực và tiêu cực của người học thông qua nội dung bình luận của cá nhân?

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Công nghệ Tự động hóa quy trình bằng Robot (RPA) và Trí tuệ nhân tạo (AI) ứng dụng trong việc thu thập và phân tích cảm xúc người học.
  • Phạm vi không gian: Tổng quan các nghiên cứu, báo cáo về RPA trên thế giới và tại Việt Nam; triển khai thực nghiệm thu thập và phân tích dữ liệu tại các hội nhóm sinh viên của Học viện Ngân hàng.
  • Phạm vi thời gian: Đề tài thực hiện trong năm học 2023 - 2024; tổng quan tài liệu học thuật từ năm 2000 đến nay; dữ liệu thực nghiệm trên Facebook được trích xuất trong giai đoạn từ ngày 17/06/2023 đến ngày 20/04/2024.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình công nghệ

  • Tự động hóa quy trình bằng Robot (RPA): Là công nghệ sử dụng các robot phần mềm (softbots) để mô phỏng thao tác của con người trên các giao diện ứng dụng, thực thi các tác vụ có cấu trúc, dựa trên quy tắc cố định và lặp đi lặp lại. RPA hoạt động ở tầng bề mặt của hệ thống mà không cần can thiệp sâu vào kiến trúc cơ sở hạ tầng nền tảng. Nghiên cứu phân loại RPA thành 3 nhóm chính: RPA có giám sát (attended), RPA không giám sát (unattended) và RPA lai (hybrid).
  • Mô hình 9 khía cạnh lợi ích của RPA: Kế thừa khung lý thuyết từ vom Brocke & cộng sự (2009) và Baker (2000), hệ thống hóa các lợi ích của RPA gồm: tiềm năng hiệu quả, tính khả dụng 24/7, tối ưu chi phí (ROI, giảm FTE), giảm thiểu lỗi nhập liệu, nâng cao khả năng mở rộng, tính linh hoạt và gia tăng sự hài lòng của nhân sự.
  • Lý thuyết cảm xúc: Dựa trên mô hình "Bánh xe cảm xúc của Plutchik" (Plutchik's Wheel of Emotions) và hệ phân loại 6 cảm xúc cơ bản của Paul Ekman. Trong bài toán phân tích quan điểm (Sentiment Analysis), văn bản được phân loại theo 3 trạng thái phân cực chính: Tích cực (Positive), Tiêu cực (Negative) và Trung tính (Neutral).
  • Mô hình ngôn ngữ tiền huấn luyện PhoBERT: Do VinAI Research phát triển (Nguyen & Nguyen, 2020), dựa trên kiến trúc RoBERTa/BERT ứng dụng cơ chế Transformer. Mô hình được huấn luyện trên 20GB dữ liệu văn bản tiếng Việt (gồm 1GB ngữ liệu Wikipedia tiếng Việt và 19GB ngữ liệu tin tức báo chí tiếng Việt). PhoBERT giải quyết triệt để vấn đề phân tách từ ghép và âm tiết tiếng Việt so với các mô hình BERT đa ngôn ngữ thông thường. Phiên bản được sử dụng trong đề tài là Phobert-base-vietnamese-sentiment.

Phương pháp nghiên cứu

  • Phương pháp nghiên cứu tổng quan tài liệu (Literature Review): Thực hiện qua 3 giai đoạn: (1) Xác định tài liệu thông qua tìm kiếm từ khóa ("RPA", "Robotic Process Automation", "Analyzing Student Emotions",...) trên các cơ sở dữ liệu học thuật, thu được 75 bài báo phù hợp; (2) Sàng lọc tài liệu; (3) Phân tích chuyên sâu 40 công trình tiêu biểu liên quan trực tiếp đến việc áp dụng RPA và xử lý ngôn ngữ tự nhiên trong quản trị giáo dục.
  • Phương pháp nghiên cứu thực nghiệm và đánh giá định lượng:
    • Thiết kế và mô hình hóa quy trình nghiệp vụ chuẩn bằng phần mềm Bizagi.
    • Lập trình và cài đặt Bot RPA tự động thu thập dữ liệu bằng phần mềm UiPath Studio.
    • Lập trình thu thập dữ liệu qua Facebook Graph API bằng ngôn ngữ Python với thư viện requests.
    • Tiền xử lý dữ liệu và chạy mô hình học máy phân loại cảm xúc trên môi trường Google Colab.
    • Đo lường định lượng thời gian thực thi của từng phương pháp (thủ công, Bot RPA, Graph API) trên cùng một tập dữ liệu thử nghiệm.

Nguồn dữ liệu thực nghiệm

Tập dữ liệu gồm 500 bài đăng và 7.980 bình luận (gần 8.000 bình luận) được trích xuất từ các kênh thông tin, diễn đàn sinh viên Học viện Ngân hàng (như nhóm "Trà đá 12 Chùa Bộc", "BA Confession", "Học viện ngân hàng – Góc thông tin") trong giai đoạn từ 17/06/2023 đến 20/04/2024. Cấu trúc dữ liệu thu thập bao gồm: ID bài viết, nội dung bài viết, thời gian đăng tải và nội dung các bình luận tương ứng.

Thiết kế và triển khai hệ thống thực nghiệm

Hệ thống thử nghiệm được thiết kế thành một quy trình tích hợp khép kín gồm hai giai đoạn chính: Thu thập dữ liệu tự động và Phân tích cảm xúc văn bản.

Kiến trúc quy trình nghiệp vụ

Quy trình được chuẩn hóa qua phần mềm Bizagi, phân định trách nhiệm rõ ràng giữa người quản trị và robot tự động:

  1. Người quản trị: Khởi chạy Bot RPA mang tên Robot_Data_Scraping.
  2. Bot RPA (UiPath): Tự động điền thông tin tài khoản xác thực (Username: adminhvnh, Password: hvnhdata), kích hoạt lệnh đăng nhập vào giao diện Facebook, điều hướng đến nhóm mục tiêu (nhóm "Trà đá 12 Chùa Bộc").
  3. Bot RPA (UiPath): Tiến hành quét (crawl) nội dung từng bài viết, trích xuất ID, mốc thời gian, nội dung bài đăng và toàn bộ các bình luận; sau đó tự động lưu trữ và xuất ra tệp dữ liệu bảng tính.
  4. Người quản trị: Tải tệp dữ liệu lên Google Drive và kết nối với môi trường Google Colab.
  5. Mô-đun AI (Python/Google Colab): Tiếp nhận dữ liệu thô, thực hiện tiền xử lý văn bản (loại bỏ giá trị rỗng, xử lý ký tự ngoại lệ, chuẩn hóa từ viết tắt, chuyển đổi biểu tượng cảm xúc/emoji).
  6. Mô-đun AI (PhoBERT): Đưa dữ liệu qua mô hình Phobert-base-vietnamese-sentiment để suy luận và phân loại cảm xúc thành 3 nhãn: Tích cực, Tiêu cực, Trung tính; xuất kết quả thống kê phân bố cảm xúc.

Môi trường và công nghệ triển khai

  • Nền tảng RPA: UiPath Studio (hỗ trợ lập trình trực quan theo khối luồng công việc, tích hợp các bộ chọn giao diện UI selector).
  • Môi trường phân tích AI: Google Colab, ngôn ngữ lập trình Python, thư viện transformers, torch, pandas, requests.
  • Mô hình phân loại: Phobert-base-vietnamese-sentiment (tiền huấn luyện chuyên biệt cho tiếng Việt).
  • Cấu hình phần cứng thực nghiệm: Máy tính cá nhân phục vụ chạy Bot RPA và môi trường đám mây Google Colab phục vụ tính toán mô hình học máy.

Nội dung chính theo từng chương

Chương 1: Tổng quan về RPA và phân tích quan điểm

Chương 1 hệ thống hóa toàn diện cơ sở lý luận và bức tranh nghiên cứu liên quan đến RPA, mô hình ngôn ngữ và phân tích quan điểm người học:

  • Tổng quan công nghệ RPA: Phân tích bản chất của robot phần mềm, cơ chế hoạt động không xâm lấn hệ thống cũ, 9 khía cạnh lợi ích hoạt động và các rào cản triển khai (chi phí đầu tư ban đầu, khó khăn khi thay đổi giao diện UI, thiếu hụt nhân sự chuyên môn). Khảo sát các nền tảng RPA hàng đầu thị trường theo báo cáo The Forrester Wave™ (Q1 2023) như UiPath, Automation Anywhere, Blue Prism, Kofax, Pegasystems, WinAutomation.
  • Tiềm năng ứng dụng RPA trong giáo dục: Tổng kết các nghiên cứu quốc tế về tự động hóa giáo dục và xếp hạng mức độ khả thi (thang điểm 1-5), cụ thể:
    • Cá nhân hóa trải nghiệm: Gửi email phỏng vấn ứng viên (3/5), theo dõi Moodle (3/5), gửi thông báo tự động (4/5), tích hợp ChatBot với quản lý sinh viên (3/5).
    • Tác vụ hành chính: Tự động hóa tuyển sinh/nhân sự (2/5), bảo lưu kết quả học tập tại Trường Kinh tế Na Uy (4/5), trích xuất PDF bảng điểm tại Đại học Savitribai Phule Pune (3/5), tạo tài liệu thực tập tại Đại học İzmir Bakırçay (4/5).
    • Hỗ trợ giảng viên: Triển khai RPA huấn luyện/thay thế giáo viên (3/5), tự động thêm sinh viên vào lớp học trực tuyến LMS (4/5).
  • Nghiên cứu phân tích cảm xúc trong giáo dục trên thế giới: Điểm lại các công trình tiêu biểu như nghiên cứu của Emily Johnson và cộng sự (2023) tại Đại học Stanford (khảo sát 500 sinh viên, thu thập 10.000 mẫu dữ liệu cảm xúc); John Smith (2020) với hệ thống RPA phân tích dữ liệu 1.000 sinh viên trên Moodle; các nghiên cứu của Nasution (2018) với SVM (72,80%) và Naïve Bayes (81,00%); Osmanoğlu (2020) với 6.059 phản hồi đạt độ chính xác 76,00%; Kastrati và cộng sự (2020) phân tích 21.940 đánh giá từ Coursera.
  • Bối cảnh nghiên cứu và ứng dụng tại Việt Nam:
    • RPA trong doanh nghiệp và giáo dục: TPBank vận hành gần 500 robot akaBot; HDBank giảm hơn 80% khối lượng việc và tăng tốc độ xử lý lên 30 lần (từ 3 phút xuống 5 giây); Central Retail xử lý 1,8 triệu hóa đơn/năm. Trong giáo dục, ĐH Bách Khoa TP.HCM ứng dụng lưu trữ/truy xuất thông tin sinh viên; ĐHQGHN tự động hóa xử lý đăng ký môn học; nghiên cứu của Chu Văn Huy (2023) tại ĐH Kinh tế Quốc dân ứng dụng RPA thu thập phản hồi sinh viên.
    • Bộ ngữ liệu và NLP tiếng Việt: Bộ dữ liệu UIT-VSMEC (ĐHQG TP.HCM) gồm 6.927 câu bình luận Facebook với 7 nhãn cảm xúc; bộ dữ liệu UIT-VFC gồm 16.000 phản hồi sinh viên; mô hình PhoBERT của VinAI huấn luyện trên 20GB dữ liệu giúp khắc phục hạn chế về âm tiết và dữ liệu tiếng Việt.

Chương 2: Xây dựng bộ dữ liệu và sử dụng mô hình học máy để phân tích quan điểm

Chương 2 trình bày chi tiết quá trình triển khai thực nghiệm giải pháp tại Học viện Ngân hàng:

  • Quy trình thu thập dữ liệu và vận hành Bot RPA: Xây dựng kịch bản vận hành chi tiết gồm 7 bước cho người dùng cuối (Bảng hướng dẫn vận hành Bot Robot_Data_Scraping). Bot tự động duyệt web, đăng nhập, tìm kiếm nhóm sinh viên, cuộn trang, cào dữ liệu văn bản và xuất tệp.
  • Thực nghiệm đo lường và so sánh hiệu suất: Thu thập tập dữ liệu gồm 500 bài đăng và gần 8.000 bình luận từ các hội nhóm sinh viên Học viện Ngân hàng. Tiến hành đo đạc thời gian thực thi giữa ba phương thức: thao tác thủ công của con người, Bot RPA trên UiPath và Facebook Graph API thông qua thư viện Python.
  • Phân tích cảm xúc bằng mô hình PhoBERT: Thiết lập pipeline xử lý văn bản trên Google Colab; tiến hành làm sạch dữ liệu văn bản tiếng Việt; nạp mô hình Phobert-base-vietnamese-sentiment để suy luận cảm xúc trên từng câu bình luận; trích xuất các bình luận tiêu cực phục vụ công tác cảnh báo và tổng hợp phân bố tỷ lệ cảm xúc toàn bộ dữ liệu.

Kết quả và đóng góp

Kết quả đo lường thực nghiệm

Khóa luận đã tiến hành thử nghiệm định lượng tốc độ thu thập 500 bài đăng và gần 8.000 bình luận từ các diễn đàn sinh viên Học viện Ngân hàng, kết quả so sánh giữa 3 phương pháp được tổng hợp trong bảng sau:

Phương pháp thực hiện Thời gian thực thi (giây) Thời gian quy đổi (giờ/phút) Đặc điểm và hiệu năng vận hành
Thao tác thủ công (Con người) 29.750 giây ~8,26 giờ (8 giờ 15 phút) Tốn nhiều công sức, dễ nhầm lẫn, phụ thuộc vào tốc độ đọc và sao chép của nhân sự, dễ bị thiên kiến chủ quan
Bot RPA (UiPath) 1.800 giây 0,50 giờ (30 phút) Tự động hóa hoàn toàn thao tác giao diện, tăng tốc độ xử lý hơn 1.552% so với thao tác thủ công, hoạt động ổn định
Facebook Graph API (Python) ~55 giây ~0,92 phút (55 giây) Tốc độ trích xuất nhanh nhất, dữ liệu trả về định dạng chuẩn JSON qua HTTP request, đòi hỏi quyền lập trình viên và Access Token

Bên cạnh việc thu thập, mô hình học máy Phobert-base-vietnamese-sentiment đã phân loại thành công các bình luận sinh viên thành 3 trạng thái (Tích cực, Tiêu cực, Trung tính), giúp trích xuất tức thời các ý kiến phản ánh tiêu cực về môn học, giảng viên, cơ sở vật chất và thủ tục hành chính.

Đóng góp của đề tài

  • Đóng góp học thuật: Đề tài cung cấp bức tranh tổng quan có hệ thống về các nghiên cứu ứng dụng RPA và phân tích quan điểm trong giáo dục đại học trên thế giới và tại Việt Nam. Đồng thời, nghiên cứu kiểm chứng tính khả thi của việc kết hợp RPA với mô hình ngôn ngữ tiếng Việt chuyên biệt (PhoBERT) để giải quyết bài toán xử lý dữ liệu phi cấu trúc trong môi trường học thuật.
  • Đóng góp thực tiễn:
    • Xây dựng thành công bộ công cụ và tài liệu quy trình vận hành Bot RPA trên nền tảng UiPath Studio, giúp cán bộ quản lý giáo dục có thể sử dụng dễ dàng mà không đòi hỏi kỹ năng lập trình chuyên sâu.
    • Cung cấp giải pháp kỹ thuật hỗ trợ ban lãnh đạo và các phòng ban chức năng tại cơ sở giáo dục đại học (cụ thể là Học viện Ngân hàng) chủ động lắng nghe ý kiến phản hồi của người học theo thời gian thực, giảm thiểu hơn 15 lần thời gian thu thập dữ liệu so với phương pháp thủ công, tạo tiền đề nâng cao chất lượng dịch vụ và trải nghiệm học tập của sinh viên.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  • Sự phụ thuộc vào giao diện người dùng (UI Dependency): Bot RPA hoạt động dựa trên các bộ chọn phần tử giao diện web của Facebook. Khi nền tảng mạng xã hội thay đổi bố cục giao diện hoặc cấu trúc mã HTML, Bot RPA có thể gặp lỗi và cần phải được cấu hình lại.
  • Tính chất quy tắc cố định của RPA thuần túy: Robot phần mềm thiếu năng lực nhận thức tự nhiên, chỉ thực thi các tác vụ theo kịch bản xác định trước; do đó khi gặp các ngoại lệ không lường trước trên mạng xã hội (bài viết bị ẩn, định dạng đặc biệt), quy trình vẫn cần có sự can thiệp của con người.
  • Đặc thù ngôn ngữ mạng của sinh viên: Dữ liệu bình luận trên mạng xã hội chứa nhiều từ lóng, teencode, viết tắt phức tạp hoặc biểu đạt mang tính châm biếm, tạo ra rào cản nhất định cho mô hình NLP trong việc nhận diện chính xác ngữ cảnh.
  • Phạm vi dữ liệu: Thử nghiệm mới chỉ tập trung trích xuất dữ liệu từ các nhóm Facebook của sinh viên Học viện Ngân hàng trong một khoảng thời gian nhất định, chưa mở rộng ra các nền tảng mạng xã hội khác.

Định hướng phát triển

  • Mở rộng phạm vi thu thập dữ liệu tự động sang nhiều nền tảng mạng xã hội và kênh trao đổi khác như TikTok, Instagram, diễn đàn học tập trực tuyến LMS.
  • Tinh chỉnh (fine-tuning) mô hình ngôn ngữ PhoBERT trên tập ngữ liệu đặc thù của sinh viên đại học Việt Nam nhằm nâng cao độ chính xác trong phân loại các câu chứa từ lóng và ngữ cảnh phức tạp.
  • Tích hợp tự động hóa hoàn toàn luồng xử lý: từ khâu Bot RPA trích xuất dữ liệu, đẩy trực tiếp qua API mô hình AI để xử lý, đến khâu trực quan hóa kết quả phân tích theo thời gian thực trên bảng điều khiển (Dashboard) dành cho nhà quản trị giáo dục.

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo thiết thực cho nhiều nhóm đối tượng:

  • Sinh viên và học viên ngành Công nghệ thông tin, Hệ thống thông tin quản lý, Kinh tế số, Khoa học dữ liệu: Tài liệu là tài liệu tham khảo cụ thể về cách xây dựng luồng tự động hóa quy trình nghiệp vụ với UiPath, kỹ thuật tương tác dữ liệu web, so sánh RPA với API, cũng như cách triển khai mô hình NLP tiếng Việt (PhoBERT) trên Google Colab.
  • Cán bộ quản lý giáo dục, phòng Công tác sinh viên, phòng Đảm bảo chất lượng tại các trường đại học: Cung cấp phương pháp luận và giải pháp công nghệ khả thi để chuyển đổi số hoạt động khảo sát, lắng nghe tiếng nói người học từ các kênh mạng xã hội phi chính thức.
  • Các nhà nghiên cứu về RPA và AI: Cung cấp số liệu thực nghiệm định lượng về hiệu quả thời gian và đánh giá mức độ khả thi của các kịch bản tự động hóa trong môi trường giáo dục đại học.
  • Nội dung đáng tham khảo nhất:
    • Bảng tổng hợp mức độ khả thi của các trường hợp ứng dụng RPA trong giáo dục (Chương 1).
    • Quy trình mô hình hóa nghiệp vụ Bizagi và bảng hướng dẫn vận hành Bot 7 bước (Chương 2).
    • Bảng số liệu đo lường định lượng so sánh hiệu năng giữa Thủ công - RPA - Graph API (Chương 2).

Câu hỏi thường gặp

1. Đề tài sử dụng mô hình học máy nào để phân loại cảm xúc và mô hình đó có đặc điểm gì?

Nghiên cứu sử dụng mô hình Phobert-base-vietnamese-sentiment do VinAI Research phát triển. Mô hình được huấn luyện trên 20GB ngữ liệu tiếng Việt (1GB Wikipedia tiếng Việt và 19GB tin tức báo chí tiếng Việt), sử dụng kiến trúc Transformer với cơ chế phân tách từ ngữ chuyên biệt, giúp khắc phục nhược điểm xử lý cấp độ âm tiết của các mô hình BERT đa ngôn ngữ khi áp dụng cho tiếng Việt.

2. Hiệu quả về mặt thời gian giữa Bot RPA, phương pháp thủ công và Facebook Graph API chênh lệch như thế nào?

Trong kịch bản thu thập 500 bài đăng và gần 8.000 bình luận tại các nhóm sinh viên Học viện Ngân hàng:

  • Phương pháp thủ công mất 29.750 giây (~8,26 giờ).
  • Bot RPA trên UiPath mất 1.800 giây (0,5 giờ / 30 phút), đạt tỷ lệ tăng tốc thời gian hơn 1.552% so với thao tác thủ công.
  • Facebook Graph API thực hiện nhanh nhất với thời gian khoảng 55 giây thông qua gọi endpoint và trả về dữ liệu định dạng JSON.

3. Tập dữ liệu thực nghiệm của đề tài được thu thập từ đâu và trong khoảng thời gian nào?

Dữ liệu được thu thập từ các diễn đàn, hội nhóm sinh viên của Học viện Ngân hàng trên mạng xã hội Facebook (tiêu biểu như nhóm "Trà đá 12 Chùa Bộc", "BA Confession", "Học viện ngân hàng – Góc thông tin") trong giai đoạn từ ngày 17/06/2023 đến ngày 20/04/2024, bao gồm 500 bài đăng và gần 8.000 bình luận.

4. Quy trình vận hành Bot RPA của đề tài gồm những bước cơ bản nào?

Quy trình gồm các bước: (1) Người quản trị khởi chạy Bot Robot_Data_Scraping; (2) Bot tự động điền Username/Password xác thực; (3) Bot nhấn đăng nhập và truy cập giao diện Facebook; (4) Bot tìm kiếm và điều hướng vào nhóm mục tiêu; (5) Bot tự động cào ID bài viết, thời gian, nội dung bài đăng và bình luận rồi xuất tệp dữ liệu; (6) Người quản trị tải tệp lên Google Drive; (7) Thực hiện tiền xử lý và chạy mô hình phân loại cảm xúc trên Google Colab.

5. Vì sao nghiên cứu lại triển khai cả Bot RPA lẫn Facebook Graph API để so sánh?

Việc so sánh giúp đánh giá toàn diện ưu và nhược điểm của từng phương tiếp cận: Facebook Graph API có tốc độ vượt trội (55 giây) nhưng bị ràng buộc nghiêm ngặt bởi chính sách API, quyền của nhà phát triển và quyền truy cập nhóm kín; trong khi đó, Bot RPA mô phỏng trực tiếp hành vi người dùng trên giao diện web, linh hoạt hơn trong việc trích xuất dữ liệu hiển thị mà không đòi hỏi thiết lập ứng dụng API phức tạp, đồng thời mang lại hiệu suất vượt trội gấp hơn 15 lần so với con người làm thủ công.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Thị Minh Quyên đã nghiên cứu và ứng dụng thành công công nghệ Tự động hóa quy trình bằng Robot (RPA) kết hợp mô hình học máy xử lý ngôn ngữ tự nhiên PhoBERT trong bài toán thu thập và phân tích cảm xúc sinh viên tại Học viện Ngân hàng. Kết quả thực nghiệm định lượng chứng minh Bot RPA giúp rút ngắn thời gian thu thập dữ liệu gần 8.000 bình luận từ 8,26 giờ thủ công xuống còn 30 phút (tăng tốc hơn 1.552%), đồng thời mô hình ngôn ngữ đã phân loại hiệu quả các luồng ý kiến sinh viên thành các trạng thái tích cực, tiêu cực và trung tính. Nghiên cứu mang lại đóng góp thiết thực cho công tác chuyển đổi số quản trị đại học, cung cấp giải pháp kỹ thuật mẫu giúp nhà trường kịp thời nắm bắt tâm tư người học để nâng cao chất lượng đào tạo và dịch vụ hỗ trợ.