Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số giáo dục đại học, việc lắng nghe và thấu hiểu phản hồi từ người học đóng vai trò then chốt trong việc nâng cao chất lượng đào tạo và dịch vụ hỗ trợ. Theo báo cáo Global Digital Overview 2024 từ Datareportal, thế giới hiện có hơn 5,04 tỷ người dùng mạng xã hội (SNS - Social Networking Sites). Trong đó, sinh viên đại học là nhóm đối tượng tích cực nhất khi sử dụng mạng xã hội không chỉ để giải trí mà còn để trao đổi học thuật, thảo luận về chương trình giảng dạy, cơ sở vật chất và các chính sách của nhà trường. Dựa trên lý thuyết học tập xã hội của Albert Bandura (1977), nhận thức và hành vi của cá nhân chịu tác động sâu sắc bởi tương tác môi trường; các trạng thái tâm lý như hứng thú, lo lắng, thất vọng hay hài lòng ảnh hưởng trực tiếp đến kết quả học tập và tỷ lệ duy trì sinh viên.

flowchart LR
    A["Sinh viên tương tác trên Mạng xã hội\n(Facebook Groups, Fanpages)"] --> B["Thu thập dữ liệu tự động\n(UiPath RPA Softbot)"]
    B --> C["Lưu trữ dữ liệu thô\n(JSON / Excel Dataset)"]
    C --> D["Tiền xử lý văn bản\n(Google Colab / Python)"]
    D --> E["Phân loại cảm xúc\n(PhoBERT Pre-trained Model)"]
    E --> F["Báo cáo phân tích Dashboard\n(Quyết định quản trị thời gian thực)"]

Tuy nhiên, công tác nắm bắt phản hồi sinh viên tại các trường đại học hiện nay gặp phải các điểm nghẽn nghiêm trọng (pain points):

  • Độ trễ thông tin cao: Khảo sát truyền thống định kỳ theo kỳ học tạo ra khoảng trống thời gian lớn, không phản ánh kịp thời các sự cố phát sinh.
  • Tốn kém tài nguyên: Thu thập và xử lý thủ công hàng nghìn ý kiến tiêu tốn hàng chục giờ công lao động tương đương (FTE - Full-Time Equivalent).
  • Sai lệch nhận thức (Cognitive Bias): Đánh giá thủ công mang nặng định kiến chủ quan của cán bộ phân tích, dẫn đến việc diễn giải sai lệch mức độ nghiêm trọng của vấn đề.

Đề tài "Ứng dụng tự động hóa quy trình bằng Robot (RPA) và Trí tuệ nhân tạo (AI) trong thu thập và phân tích cảm xúc của sinh viên tại cơ sở giáo dục đại học" được phát triển nhằm giải quyết triệt để bài toán trên thông qua 3 mục tiêu cụ thể:

  1. Nghiên cứu cơ sở lý thuyết, tích hợp giải pháp RPA và Xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing) cho bài toán phân tích quan điểm người học.
  2. Xây dựng và thực nghiệm phần mềm robot tự động (softbot) trên nền tảng UiPath để thu thập dữ liệu thảo luận từ các hội nhóm mạng xã hội của sinh viên Học viện Ngân hàng.
  3. Triển khai mô hình học sâu phobert-base-vietnamese-sentiment để phân loại chính xác các sắc thái cảm xúc (Tích cực, Tiêu cực, Trung tính), làm cơ sở hỗ trợ ra quyết định quản trị giáo dục.

Phạm vi và giới hạn dự án:

  • Không gian dữ liệu: Khảo sát và thu thập dữ liệu thực nghiệm tại các cộng đồng sinh viên Học viện Ngân hàng (BA Confession, Trà đá 12 Chùa Bộc, Học viện Ngân hàng - Góc thông tin).
  • Khung thời gian dữ liệu: 500 bài viết và gần 8.000 lượt bình luận trong giai đoạn từ ngày 17/06/2023 đến ngày 20/04/2024.
  • Giới hạn kỹ thuật: Tập trung xử lý văn bản tiếng Việt đơn ngữ; các phản hồi bằng hình ảnh hoặc video không thuộc phạm vi phân tích của mô hình NLP hiện tại.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thu thập dữ liệu phản hồi trên nền tảng mạng xã hội hiện nay có thể thực hiện qua ba hướng tiếp cận chính: Thủ công, Facebook Graph API và RPA (Robotic Process Automation).

Tiêu chí đánh giá Thu thập thủ công (Human Operator) Facebook Graph API Giải pháp RPA (UiPath Softbot)
Tốc độ thu thập Rất chậm (~8,2 giờ / 500 bài đăng) Rất nhanh (~55 giây / 500 bài đăng) Nhanh (~0,5 giờ / 500 bài đăng)
Rào cản chính sách & Quyền truy cập Không có (Duyệt như người dùng) Rất cao (Hạn chế Group kín/Cần App Review) Thấp (Mô phỏng thao tác người dùng duyệt web)
Chi phí bảo trì & Kỹ thuật Chi phí nhân sự cao, lặp lại Cần duy trì Token/API changes thường xuyên Cấu hình luồng trực quan, chi phí bảo trì thấp
Tính toàn vẹn dữ liệu Dễ sai sót, bỏ sót bình luận Bị giới hạn trường thông tin bởi quyền hạn API Trích xuất chính xác theo cấu trúc DOM hiển thị
Mức độ phụ thuộc hạ tầng Không Phụ thuộc hoàn toàn vào chính sách Meta Độc lập, chạy trên giao diện người dùng (UI)

Dựa trên khung phân tích yêu cầu MoSCoW:

  • Must have: Thu thập đầy đủ ID bài viết, mốc thời gian, nội dung bài đăng và danh sách bình luận; phân loại sắc thái cảm xúc thành 3 nhãn (Positive, Negative, Neutral).
  • Should have: Khả năng tự động tiền xử lý dữ liệu (lọc bỏ teencode, icon cảm xúc, stopwords, dấu câu thừa) và xuất dữ liệu chuẩn hóa dạng JSON/CSV.
  • Could have: Tích hợp trực tiếp luồng chuyển tiếp dữ liệu tự động giữa UiPath Robot và Google Colab qua REST API.
  • Won't have (lần này): Nhận diện cảm xúc đa nhãn nâng cao theo 7 trạng thái tâm lý của Ekman/Plutchik (Vui mừng, Buồn bã, Phẫn nộ, Sợ hãi, v.v.).

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc module hóa gồm hai phân hệ chính: Phân hệ thu thập dữ liệu tự động (RPA Subsystem) và Phân hệ phân tích ngôn ngữ tự nhiên (NLP Subsystem).

graph TD
    subgraph RPA_Subsystem ["Phân hệ RPA (UiPath)"]
        A1["UiPath Studio"] --> A2["UiPath Robot Workflow"]
        A2 --> A3["Browser Automation (Facebook UI)"]
        A3 --> A4["Data Extraction Engine"]
        A4 --> A5["Raw Data Storage (.json / .xlsx)"]
    end

    subgraph Preprocessing_Module ["Phân hệ Tiền xử lý"]
        A5 --> B1["Google Drive Cloud Sync"]
        B1 --> B2["Regex Cleaning & Normalization"]
        B2 --> B3["Syllable Tokenizer (PyVi / VnCoreNLP)"]
    end

    subgraph AI_Engine ["Phân hệ Trí tuệ nhân tạo (NLP Engine)"]
        B3 --> C1["PhoBERT Tokenizer"]
        C1 --> C2["phobert-base-vietnamese-sentiment"]
        C2 --> C3["Softmax Layer Classification"]
        C3 --> C4["Sentiment Distribution Report"]
    end

Bảng chi tiết thông số công nghệ (Technology Stack):

Thành phần Công nghệ / Thư viện Phiên bản Vai trò kỹ thuật
RPA Platform UiPath Studio / Robot v2023.10 LTS Thiết kế workflow, điều khiển UI selector, trích xuất dữ liệu
BPMN Modeling Bizagi Modeler v4.0.0 Mô hình hóa quy trình nghiệp vụ chuẩn
Execution Env Python / Google Colab Python 3.10.12 Môi trường tính toán và tiền xử lý dữ liệu thô
Deep Learning PyTorch / HuggingFace Transformers v2.1.0 / v4.35.2 Nền tảng huấn luyện và suy luận mô hình Transformer
Core NLP Model phobert-base-vietnamese-sentiment VinAI v1.0 Trích xuất ngữ cảnh 2 chiều và phân loại cảm xúc tiếng Việt
Data Exchange JSON / Pandas RFC 8259 / v2.1.3 Cấu trúc dữ liệu trung gian và xử lý ma trận 
{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "title": "StudentFeedbackPost",
  "type": "object",
  "properties": {
    "post_id": { "type": "string" },
    "created_time": { "type": "string", "format": "date-time" },
    "post_content": { "type": "string" },
    "comments_count": { "type": "integer" },
    "comments": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "comment_id": { "type": "string" },
          "comment_text": { "type": "string" },
          "sentiment_label": { "type": "string", "enum": ["POSITIVE", "NEGATIVE", "NEUTRAL"] },
          "confidence_score": { "type": "number" }
        },
        "required": ["comment_id", "comment_text"]
      }
    }
  },
  "required": ["post_id", "post_content", "comments"]
}

Methodology

Nghiên cứu áp dụng quy trình phát triển lặp kết hợp khung phương pháp nghiên cứu định tính và thực nghiệm khoa học, chia thành 3 giai đoạn:

  1. Giai đoạn chuẩn bị (Weeks 1-4): Khảo sát 75 công trình nghiên cứu trong và ngoài nước (chọn lọc 40 bài báo chuẩn quốc tế), phân tích kiến trúc tổ chức của Học viện Ngân hàng và xác định các kênh tiếp nhận phản hồi sinh viên.
  2. Giai đoạn thực thi RPA (Weeks 5-8): Thiết kế kịch bản tự động hóa trên Bizagi, xây dựng Selector cho UiPath Bot Robot_Data_Scraping, cấu hình định danh tài khoản và thu thập mẫu thử nghiệm.
  3. Giai đoạn đánh giá & Tối ưu (Weeks 9-12): Tiền xử lý tập dữ liệu 8.000 bình luận, đẩy qua pipeline PhoBERT để phân tích sắc thái cảm xúc, đo lường thời gian thực thi giữa RPA, API và phương pháp thủ công.

Implementation và kết quả

Development process

Quy trình thu thập dữ liệu được tự động hóa qua kịch bản Robot_Data_Scraping với các bước tuần tự:

  • Bước 1-3: Khởi chạy trình duyệt, đăng nhập tự động vào giao diện web với thông tin xác thực an toàn được lưu trữ trong biến bảo mật.
  • Bước 4: Điều hướng đến các nhóm mục tiêu (Trà đá 12 Chùa Bộc, BA Confession).
  • Bước 5: Robot thực hiện cuộn trang (infinite scroll), phân tích cây DOM để bóc tách: ID bài viết, nội dung thảo luận, mốc thời gian và danh sách bình luận chi tiết.
  • Bước 6-8: Lưu trữ dữ liệu thô vào định dạng JSON/Excel, đồng bộ lên Google Drive để nạp vào pipeline xử lý AI trên Google Colab.
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import re

# 1. Khởi tạo Tokenizer và Pre-trained Model PhoBERT Sentiment
MODEL_NAME = "wonrax/phobert-base-vietnamese-sentiment"
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, use_fast=False)
model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME)

def preprocess_vietnamese_text(text: str) -> str:
    """Loại bỏ ký tự đặc biệt, chuẩn hóa khoảng trắng và đường dẫn URL."""
    text = re.sub(r"http\S+|www\S+|https\S+", "", text, flags=re.MULTILINE)
    text = re.sub(r"[^\w\s\d_áàảãạăắằẳẵặâấầẩẫậéèẻẽẹêếềểễệíìỉĩịóòỏõọôốồổỗộơớờởỡợúùủũụưứừửữựýỳỷỹỵđ]", " ", text)
    text = re.sub(r"\s+", " ", text).strip()
    return text

def analyze_student_sentiment(comment: str) -> dict:
    """Phân tích sắc thái cảm xúc của bình luận sinh viên."""
    cleaned_text = preprocess_vietnamese_text(comment)
    if not cleaned_text:
        return {"label": "NEUTRAL", "confidence": 0.0}

    # Mã hóa dữ liệu đầu vào với PhoBERT Tokenizer
    inputs = tokenizer(cleaned_text, return_tensors="pt", truncation=True, max_length=256)
    
    with torch.no_grad():
        outputs = model(**inputs)
        probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
        
    labels = ["NEGATIVE", "POSITIVE", "NEUTRAL"]
    confidence, predicted_class = torch.max(probabilities, dim=1)
    
    return {
        "text": cleaned_text,
        "label": labels[predicted_class.item()],
        "confidence": round(confidence.item(), 4)
    }

# Thực nghiệm phân tích mẫu dữ liệu thu thập từ hội nhóm
sample_comment = "Giảng viên nhiệt tình hướng dẫn đề tài, phòng lab máy móc chạy rất mượt!"
result = analyze_student_sentiment(sample_comment)
print(f"Kết quả phân loại: {result['label']} | Độ tin cậy: {result['confidence']}")

Testing và validation

Hiệu năng của hệ thống được kiểm thử thực tế trên tập dữ liệu gồm 500 bài đăng và gần 8.000 phản hồi tại Học viện Ngân hàng. Cấu hình máy trạm kiểm thử: CPU Intel Core i5-1135G7 @ 2.40GHz, 16GB RAM, kết nối Internet 100Mbps.

+-------------------------------------------------------------------------------+
|                      BENCHMARK THỜI GIAN THU THẬP DỮ LIỆU                     |
|                                                                               |
|   Thủ công (Human)  [========================================] 29.750s (~8,2h)|
|   UiPath RPA Bot    [==] 1.800s (~0,5h)                                      |
|   FB Graph API      [.] 55s                                                   |
+-------------------------------------------------------------------------------+
  • Phương pháp thủ công: Nhân viên thực hiện duyệt từng bài viết, sao chép nội dung và bình luận vào bảng tính Excel. Tổng thời gian tiêu tốn: 29.750 giây (tương đương 8,26 giờ).
  • Bot RPA (UiPath): Tự động điều hướng, bóc tách cấu trúc DOM và lưu file. Tổng thời gian thực thi: 1.800 giây (tương đương 0,50 giờ). Tốc độ xử lý tăng gấp 16,5 lần so với thao tác người (hiệu suất cải thiện đạt 1.552,78%).
  • Facebook Graph API: Thực thi lệnh truy vấn REST qua thư viện requests. Thời gian hoàn thành: 55 giây. Mặc dù API có tốc độ vượt trội, nhưng trong bối cảnh thực tế của các cơ sở giáo dục, hầu hết các diễn đàn thảo luận của sinh viên đều nằm trong các Group riêng tư hoặc cộng đồng mở không cấp quyền ứng dụng (App Permission), khiến API không thể truy cập nếu không có quyền quản trị viên cấp cao. Do đó, RPA trở thành giải pháp khả thi duy nhất để bóc tách dữ liệu giao diện mà không vi phạm rào cản phân quyền.

Kết quả đạt được

Hệ thống đã phân loại toàn bộ 8.000 bình luận sinh viên thành 3 nhóm sắc thái cảm xúc chính xác:

  • Tích cực (Positive): 48,5% (Đánh giá cao chất lượng giảng viên, sự kiện trường, hoạt động phong trào Đoàn - Hội).
  • Trung tính (Neutral): 33,2% (Các câu hỏi trao đổi thông tin lịch thi, phòng học, thủ tục hành chính, tài liệu môn học).
  • Tiêu cực (Negative): 18,3% (Phản ánh bất cập về đường truyền mạng khuôn viên trường, điều hòa phòng học, xếp lịch học trùng môn hoặc hệ thống đăng ký tín chỉ quá tải).

Đổi mới và đóng góp

  • Giải pháp thu thập không xâm nhập (Non-invasive Data Scraping): Khắc phục triệt để điểm nghẽn của Facebook Graph API khi các hội đồng sinh viên hoạt động trên nền tảng Group không thuộc quyền quản trị CNTT của nhà trường. RPA mô phỏng tương tác người dùng thực, đảm bảo bóc tách dữ liệu công khai minh bạch mà không đòi hỏi can thiệp sâu vào backend của nền tảng mạng xã hội.
  • Ứng dụng mô hình ngôn ngữ ngữ cảnh PhoBERT cho tiếng Việt học đường: Khác với các mô hình Machine Learning truyền thống (như SVM của Nasution (2018) đạt 72,8% hay MLP của Osmanoğlu (2020) đạt 76,0%), mô hình PhoBERT được huấn luyện trước trên 20GB ngữ liệu tiếng Việt (1GB Wikipedia tiếng Việt và 19GB News Corpus) với kiến trúc Transformer hai chiều (Bidirectional). Mô hình xử lý xuất sắc các đặc trưng tách từ (Word Segmentation), từ đồng nghĩa và từ lóng đặc thù của sinh viên đại học.
  • Định lượng hóa hiệu quả vận hành giáo dục: Đề tài chứng minh việc chuyển đổi từ quy trình thủ công sang tự động hóa RPA giúp tiết kiệm đến 93,95% thời gian xử lý dữ liệu thô (từ 8,26 giờ xuống còn 30 phút), loại bỏ 100% sai sót do chép đè hoặc bỏ sót dữ liệu.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Hệ thống cung cấp cho Ban Giám hiệu, Phòng Quản lý Đào tạo và Phòng Công tác Sinh viên một bảng điều khiển phân tích tâm lý người học (Student Sentiment Dashboard) theo thời gian thực.

sequenceDiagram
    autonumber
    actor SV as Sinh viên (Mạng xã hội)
    participant Bot as UiPath RPA Robot
    participant DB as JSON/Data Storage
    participant AI as Pipeline PhoBERT
    actor QL as Nhà quản trị đại học

    SV->>SV: Đăng bài / Bình luận phản ánh cơ sở vật chất
    Bot->>SV: Quét giao diện & Trích xuất nội dung định kỳ
    Bot->>DB: Xuất tập tin dữ liệu cấu trúc
    AI->>DB: Đọc dữ liệu & Thực hiện suy luận cảm xúc
    AI-->>QL: Cảnh báo thời gian thực: Tỷ lệ Tiêu cực vượt ngưỡng 20%
    QL->>SV: Khắc phục sự cố & Tối ưu hóa trải nghiệm học tập

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

  • Chi phí thiết lập ban đầu: Sử dụng phiên bản UiPath Community Edition và hạ tầng điện toán đám mây mã nguồn mở (Google Colab T4 GPU / PyTorch), giảm thiểu chi phí bản quyền phần mềm xuống 0 USD trong giai đoạn thử nghiệm.
  • Thời gian hoàn vốn (ROI): Tiết kiệm ước tính 1,7 FTE nhân sự phụ trách tổng hợp phản hồi truyền thống. Doanh nghiệp và nhà trường có thể hoàn vốn đầu tư quy trình trong vòng dưới 6 tháng vận hành tự động.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật:
    • Bộ chọn giao diện (UI Selectors) của UiPath phụ thuộc vào cấu trúc cây DOM của mạng xã hội Facebook. Khi nền tảng cập nhật giao diện người dùng, bot cần được hiệu chỉnh lại thuộc tính định vị phần tử.
    • Mô hình PhoBERT đôi khi gặp khó khăn trong việc nhận diện sắc thái mỉa mai (sarcasm) hoặc các bình luận có cấu trúc ẩn dụ phức tạp trong tiếng Việt.
  • Hướng nghiên cứu tương lai:
    • Tích hợp xử lý đa phương thức (Multimodal Sentiment Analysis) để phân tích đồng thời hình ảnh đính kèm (meme, ảnh chụp cơ sở vật chất) kết hợp văn bản.
    • Xây dựng hệ thống cảnh báo tức thời qua Webhook (Telegram/Zalo Bot/Email) gửi trực tiếp đến trưởng bộ phận liên quan khi xuất hiện các chủ đề bức xúc gia tăng đột biến.

Đối tượng hưởng lợi

  • Sinh viên & Người học: Tiếng nói, tâm tư và những khó khăn trong quá trình học tập được nhà trường tiếp nhận, giải quyết nhanh chóng; nâng cao chất lượng trải nghiệm học đường.
  • Lập trình viên & Kỹ sư RPA: Tiếp cận mô hình kiến trúc kết hợp thực tế giữa RPA (UiPath) và các thư viện học sâu tiên tiến (PyTorch, HuggingFace Transformers).
  • Nhà quản lý cơ sở giáo dục: Sở hữu công cụ đo lường khách quan, dựa trên dữ liệu (data-driven decision making) để cải tiến quy trình hành chính và đào tạo.
  • Cộng đồng nghiên cứu NLP tiếng Việt: Đóng góp tập dữ liệu thực nghiệm và kịch bản tiền xử lý văn bản thực tế trong môi trường mạng xã hội học thuật.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai giải pháp này là gì?

Hệ thống yêu cầu máy trạm chạy hệ điều hành Windows 10/11 (64-bit), CPU tối thiểu 4 nhân (tương đương Intel Core i5 thế hệ 8 trở lên), RAM tối thiểu 8GB (khuyến nghị 16GB) và ổ cứng SSD còn trống ít nhất 10GB để vận hành trơn tru UiPath Studio và các tác vụ trích xuất trình duyệt. Phân hệ AI có thể chạy trực tiếp trên môi trường đám mây miễn phí như Google Colab (sử dụng GPU T4).

2. Khi Facebook thay đổi cấu trúc mã nguồn trang web, Robot có bị gián đoạn hoạt động không?

Có thể. Do RPA hoạt động dựa trên các bộ chọn (Selectors/Fuzzy Selectors) để nhận diện phần tử UI. Khi Facebook cập nhật giao diện, một số bộ chọn có thể bị sai lệch. Tuy nhiên, bằng cách áp dụng Fuzzy Selectors kết hợp Computer Vision (CV) trong UiPath, tỷ lệ chịu lỗi của bot được tăng cường đáng kể, giúp duy trì hoạt động ngay cả khi giao diện có những thay đổi nhỏ.

3. Tại sao không dùng hoàn toàn Facebook Graph API mà cần phối hợp RPA?

Facebook Graph API kiểm soát rất nghiêm ngặt quyền riêng tư theo chính sách của Meta. Để lấy dữ liệu từ các hội nhóm hoặc trang cộng đồng của sinh viên, ứng dụng phải trải qua quy trình App Review phức tạp và bắt buộc phải có quyền Quản trị viên (Admin) của nhóm đó. RPA giải quyết bài toán này bằng cách đóng vai trò một tác nhân người dùng hợp lệ, bóc tách các thông tin công khai mà không đòi hỏi quyền can thiệp cấp hệ thống.

4. Chi phí duy trì và vận hành hệ thống ước tính như thế nào?

Trong quy mô trường đại học, chi phí vận hành gần như bằng 0 nếu tận dụng gói UiPath Community và tài nguyên điện toán mã nguồn mở. Đối với quy mô doanh nghiệp mở rộng hàng trăm nghìn dữ liệu mỗi ngày, chi phí chủ yếu bao gồm license UiPath Unattended Robot và chi phí thuê máy chủ cloud GPU (khoảng 30-50 USD/tháng).

5. Dữ liệu trích xuất có đảm bảo tuân thủ tính ẩn danh và bảo mật thông tin cá nhân?

Quy trình tiền xử lý dữ liệu được thiết kế để loại bỏ ngay lập tức thông tin định danh cá nhân (UID người dùng, tên tài khoản cá nhân, hình ảnh đại diện). Pipeline AI chỉ lưu trữ và xử lý chuỗi văn bản thuần túy của nội dung phản ánh nhằm phục vụ mục đích thống kê học thuật và quản trị dịch vụ giáo dục.

Kết luận

Nghiên cứu đã chứng minh tính khả thi vượt trội và giá trị ứng dụng thực tiễn của việc kết hợp công nghệ Tự động hóa quy trình bằng Robot (RPA) và Mô hình ngôn ngữ lớn PhoBERT trong bài toán giám sát, phân tích cảm xúc sinh viên đại học. Việc chuyển đổi từ phương thức khảo sát truyền thống sang hệ thống thu thập tự động giúp tăng tốc độ xử lý lên 1.552,78%, đồng thời cung cấp bức tranh dữ liệu khách quan, đa chiều về tâm tư người học. Đây là tiền đề vững chắc để các trường đại học tại Việt Nam đẩy nhanh tiến trình chuyển đổi số toàn diện, hướng tới xây dựng môi trường giáo dục thông minh lấy người học làm trung tâm.