Khóa Luận Tốt Nghiệp: Hệ Thống E-Learning Tích Hợp Trí Tuệ Nhân Tạo Cho Cá Nhân Hóa Học Tập CNTT

Khóa luận tốt nghiệp xây dựng hệ thống eLearning tích hợp AI, hỗ trợ cá nhân hóa quá trình học tập trong lĩnh vực công nghệ thông tin.

• Tác giả: Đặng Nguyễn Phước An
• Người hướng dẫn: PGS. TS Nguyễn Đình Thuận
• Trường học: Đại học Quốc gia Thành phố Hồ Chí Minh - Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Xây dựng hệ thống E-learning tích hợp AI hỗ trợ cá nhân hóa học tập công nghệ thông tin
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN ĐỀ TÀI
• 1.1. Tình hình nghiên cứu
• 1.2. Đối tượng nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa đề tài
• 1.6. Môi trường phát triển
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Lý thuyết về E-Learning
• 2.2. Kiến trúc hệ thống
• 2.3. Lý thuyết về hệ khuyến nghị
• 2.4. Lý thuyết về trí tuệ nhân tạo, học máy và học sâu
• 2.5. Lý thuyết về phân tích mạng xã hội
• 2.6. Thuật toán phát hiện cộng đồng mạng xã hội
• 2.7. Độ đo đánh giá thuật toán phát hiện cộng đồng
• 2.8. Lý thuyết kết hợp mô hình
• 3. CHƯƠNG 3: NGHIÊN CỨU THỰC NGHIỆM
• 3.1. Thu thập dữ liệu và tiền xử lý
• 3.2. Phát hiện cộng đồng và gán nhãn
• 3.3. Sử dụng các thuật toán mạng xã hội
• 3.4. Kết hợp các mô hình
• 3.5. Gán nhãn cho cộng đồng và tính closeness centrality
• 3.6. Áp dụng vào gợi ý lộ trình và khoá học
• 3.7. Chuẩn bị dữ liệu
• 3.8. Xây dựng mô hình
• 4. CHƯƠNG 4: PHÂN TÍCH THIẾT KẾ HỆ THỐNG
• 4.1. Khảo sát hiện trạng
• 4.2. Xác định yêu cầu
• 4.2.1. Yêu cầu chức năng
• 4.2.2. Yêu cầu phi chức năng
• 4.3. Thiết kế thành phần chức năng
• 4.4. Danh sách tác nhân và mô tả
• 4.5. Danh sách Usecase và mô tả
• 4.6. Thiết kế thành phần dữ liệu
• 4.7. Lược đồ cơ sở dữ liệu
• 4.8. Thiết kế thành phần xử lý
• 4.9. Thiết kế giao diện người dùng
• 4.9.1. Giao diện đăng nhập
• 4.9.2. Giao diện trang chủ
• 4.9.3. Giao diện khảo sát đầu vào
• 4.9.4. Giao diện xem lộ trình
• 4.9.5. Giao diện gợi ý khoá học
• 4.9.6. Giao diện mua khoá học
• 4.9.7. Giao diện tìm kiếm khoá học
• 4.10. Kiểm thử hệ thống
• 4.11. Deploy sản phẩm lên môi trường production
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về hệ thống E Learning tích hợp AI

Hệ thống E-Learning đã trở thành một công cụ quan trọng trong giáo dục, đặc biệt trong lĩnh vực Công nghệ thông tin. Với sự phát triển của AI trong giáo dục, việc tích hợp trí tuệ nhân tạo vào hệ thống E-Learning giúp cá nhân hóa quá trình học tập, mang lại hiệu quả cao hơn. Học tập thông minh và học tập cá nhân hóa là xu hướng chính trong giáo dục hiện đại, đặc biệt sau đại dịch COVID-19. E-learning tích hợp AI không chỉ cung cấp nội dung học tập mà còn đề xuất lộ trình học tập phù hợp với từng cá nhân.

1.1. Xu hướng phát triển của E Learning

Theo báo cáo từ Global Market Insights, thị trường hệ thống học tập trực tuyến dự kiến đạt giá trị 325 tỷ USD vào năm 2025. Công nghệ giáo dục đang thay đổi cách thức học tập truyền thống, đặc biệt trong lĩnh vực Công nghệ thông tin. Các nền tảng như Udemy, Coursera, và Codecademy đã chứng minh sự hiệu quả của E-Learning trong việc cung cấp kiến thức đa dạng. Tuy nhiên, việc thiếu hệ thống học tập thích ứng và giải pháp học tập thông minh vẫn là thách thức lớn.

1.2. Vai trò của AI trong giáo dục

AI hỗ trợ học tập đang trở thành công cụ không thể thiếu trong hệ thống E-Learning. Các thuật toán học máy và học sâu giúp phân tích dữ liệu học tập, từ đó đề xuất lộ trình học tập cá nhân hóa. Công nghệ AI trong giáo dục còn hỗ trợ việc gợi ý khóa học, đánh giá năng lực, và thậm chí dự đoán cơ hội việc làm cho người học.

II. Cơ sở lý thuyết và công nghệ áp dụng

Để xây dựng hệ thống E-Learning tích hợp AI, cần nắm vững các lý thuyết về học máy, học sâu, và hệ khuyến nghị. Graph Neural Network (GNN) là một trong những công nghệ tiên tiến được áp dụng để phân tích dữ liệu học tập và xây dựng lộ trình cá nhân hóa. Xử lý ngôn ngữ tự nhiên (NLP) cũng đóng vai trò quan trọng trong việc phát triển Chatbot hỗ trợ học tập.

2.1. Lý thuyết về hệ khuyến nghị

Hệ khuyến nghị là công cụ quan trọng trong E-Learning, giúp đề xuất nội dung học tập phù hợp với nhu cầu của người học. Các thuật toán như Collaborative Filtering và Content-Based Filtering được sử dụng rộng rãi. Học tập cá nhân hóa đòi hỏi hệ thống phải phân tích hành vi học tập và đưa ra gợi ý chính xác.

2.2. Ứng dụng của GNN và NLP

Graph Neural Network (GNN) được sử dụng để phân tích mối quan hệ giữa các khóa học và người học, từ đó xây dựng lộ trình học tập tối ưu. Xử lý ngôn ngữ tự nhiên (NLP) giúp Chatbot hiểu và phản hồi các câu hỏi của người học, tạo ra trải nghiệm học tập tương tác và hiệu quả.

III. Nghiên cứu thực nghiệm và kết quả

Nghiên cứu thực nghiệm tập trung vào việc thu thập dữ liệu từ các nguồn như roadmap.sh và Stack Overflow, sau đó áp dụng các thuật toán GNN để phân tích và gán nhãn dữ liệu. Kết quả cho thấy hệ thống học tập thích ứng có khả năng đề xuất lộ trình học tập cá nhân hóa với độ chính xác cao.

3.1. Thu thập và tiền xử lý dữ liệu

Dữ liệu được thu thập từ các nguồn như roadmap.sh và Stack Overflow, sau đó được tiền xử lý để loại bỏ nhiễu và chuẩn hóa. Bộ dữ liệu này là cơ sở để xây dựng Knowledge Graph, giúp hệ thống hiểu rõ mối quan hệ giữa các khóa học và kỹ năng.

3.2. Phân tích và gán nhãn dữ liệu

Các thuật toán GNN được sử dụng để phân tích dữ liệu và gán nhãn cho các cộng đồng học tập. Closeness Centrality được áp dụng để xác định mức độ phù hợp của các khóa học với từng người học, từ đó đề xuất lộ trình học tập cá nhân hóa.

IV. Thiết kế hệ thống và triển khai

Hệ thống EduPath được thiết kế với các thành phần chính như Chatbot, hệ khuyến nghị, và Knowledge Graph. Giao diện người dùng được tối ưu hóa để mang lại trải nghiệm học tập thân thiện và hiệu quả. Hệ thống được triển khai trên môi trường production, sẵn sàng phục vụ người dùng.

4.1. Thiết kế thành phần chức năng

Hệ thống bao gồm các thành phần chính như Chatbot hỗ trợ khảo sát đầu vào, hệ khuyến nghị đề xuất lộ trình học tập, và Knowledge Graph phân tích mối quan hệ giữa các khóa học. Giao diện người dùng được thiết kế đơn giản, dễ sử dụng.

4.2. Triển khai và kiểm thử

Hệ thống được triển khai trên môi trường production sử dụng VPS Cloud. Quá trình kiểm thử bao gồm các bước như kiểm tra chức năng Chatbot, đánh giá độ chính xác của hệ khuyến nghị, và tối ưu hóa hiệu suất hệ thống.

V. Kết luận và hướng phát triển

Hệ thống EduPath đã chứng minh hiệu quả trong việc cung cấp học tập cá nhân hóa thông qua tích hợp AI. Giải pháp học tập thông minh này không chỉ giúp người học nâng cao kiến thức mà còn hỗ trợ định hướng nghề nghiệp. Trong tương lai, hệ thống có thể được mở rộng với các tính năng như phân tích dữ liệu lớn và tích hợp thêm các công nghệ AI tiên tiến.

5.1. Kết quả đạt được

Hệ thống đã thành công trong việc đề xuất lộ trình học tập cá nhân hóa với độ chính xác cao. Chatbot và hệ khuyến nghị được đánh giá là hiệu quả trong việc hỗ trợ người học.

5.2. Hướng phát triển tương lai

Trong tương lai, hệ thống có thể được cải tiến bằng cách tích hợp thêm các công nghệ như Big Data và AI tiên tiến để nâng cao hiệu quả học tập và hỗ trợ người học tốt hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Cuộc khủng hoảng COVID-19 đã làm thay đổi phương thức đào tạo truyền thống, đồng thời thúc đẩy sự phát triển của giáo dục trực tuyến (E-Learning) và phương pháp tự học, đặc biệt trong lĩnh vực Công nghệ thông tin (CNTT). Báo cáo thuộc dự án Microsoft YouthSpark #WeSpeakCode! ghi nhận 97% sinh viên nhận định CNTT là lựa chọn nghề nghiệp tiềm năng, 95% có nhu cầu nâng cao hiểu biết về CNTT và 57% cho biết đã tiếp cận kiến thức lập trình thông qua các hướng dẫn trực tuyến. Theo báo cáo của Global Market Insights, Inc., quy mô thị trường E-Learning toàn cầu dự kiến đạt 325 tỷ USD vào năm 2025 và vượt 375 tỷ USD vào năm 2026.

Mặc dù các nền tảng giáo dục trực tuyến quốc tế (Udemy, Coursera, Codecademy, Udacity, LinkedIn Learning, Skillshare) và trong nước (Violet.vn, Hocmai) cung cấp khối lượng tài nguyên học tập lớn, người học vẫn gặp trở ngại do nội dung trên môi trường mạng phân tán và rời rạc. Người tự học thiếu định hướng xuyên suốt và gặp khó khăn trong việc lựa chọn lộ trình phù hợp với năng lực cá nhân. Các hệ thống MOOC hiện nay chủ yếu dừng lại ở việc đề xuất tài liệu đơn lẻ, trong khi các nền tảng cung cấp bản đồ kỹ năng như roadmap.sh lại thiếu hệ thống khóa học đi kèm.

Nhằm giải quyết các hạn chế trên, khóa luận đặt ra các mục tiêu và nhiệm vụ nghiên cứu cụ thể:

1. Đề xuất lộ trình học tập được cá nhân hóa dựa trên kết quả khảo sát đầu vào của từng học viên qua Chatbot, xác định chủ đề và mức độ ưu tiên tương ứng.
2. Cung cấp nội dung học tập theo lộ trình từ cơ bản đến nâng cao cho từng học viên.
3. Gợi ý các khóa học liên quan kế tiếp dựa trên các kỹ năng người dùng đã hoàn thành.
4. Tính toán điểm số và tỷ lệ phần trăm hoàn thành lộ trình học tập của học viên.
5. Tích hợp Chatbot hỗ trợ giải đáp, gợi ý vị trí công việc, cơ hội việc làm và mức lương tương ứng.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Hệ thống E-Learning trong lĩnh vực CNTT tại Việt Nam; hệ khuyến nghị (Recommendation Systems); trí tuệ nhân tạo, học máy, học sâu và mạng nơ-ron đồ thị (Graph Neural Network - GNN); công nghệ xử lý ngôn ngữ tự nhiên (NLP) và Chatbot; các thuật toán phân tích mạng xã hội và phương pháp kết hợp mô hình.
• Phạm vi nghiên cứu: Hệ thống tập trung vào 6 lĩnh vực chính của ngành CNTT gồm FrontEnd, BackEnd, Android, DevOps, Flutter và BlockChain; dữ liệu nghiên cứu được thu thập từ roadmap.sh, Stack Overflow và TopDev; triển khai thử nghiệm trên môi trường máy chủ ảo (Cloud VPS Ubuntu).

---

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng dựa trên các nền tảng lý thuyết và công nghệ chuyên ngành:

• Lý thuyết E-Learning: Mô hình kiến trúc E-Learning 3 cấp độ truyền thống gồm giao diện người dùng, máy chủ ứng dụng học tập (MOOC, Moodle, LMS) và hệ quản trị cơ sở dữ liệu.
• Lý thuyết hệ khuyến nghị: Phân loại 3 hướng tiếp cận chính gồm lọc dựa trên nội dung (Content-Based Filtering), lọc cộng tác (Collaborative Filtering) và hệ khuyến nghị lai (Hybrid Filtering).
• Học máy, học sâu và Mạng nơ-ron đồ thị (GNN): Quy trình học máy (thu thập, tiền xử lý, huấn luyện, đánh giá, cải thiện); kiến trúc mạng nơ-ron nhân tạo (ANN); mô hình GNN xử lý dữ liệu cấu trúc đồ thị thông qua cơ chế lan truyền và cập nhật biểu diễn đỉnh từ các nút lân cận.
• Xử lý ngôn ngữ tự nhiên (NLP) và Chatbot: Quy trình NLP 9 bước (thu thập dữ liệu, tiền xử lý, tokenization, gán nhãn từ loại POS, phân tích cú pháp, phân tích ngữ nghĩa, phân tích ngữ cảnh, xử lý dựa trên học máy, ứng dụng/trích xuất thông tin); kiến trúc Chatbot dựa trên Đồ thị tri thức (Knowledge Graph) gồm 3 trường thông tin (thực thể, thuộc tính, quan hệ) và thuật toán tra cứu không gian KD-Tree (k-dimensional tree search).
• Phân tích mạng xã hội và thuật toán phát hiện cộng đồng: Nghiên cứu 5 thuật toán phân cụm đồ thị gồm Louvain (tối ưu hóa modularity qua gom cụm cục bộ), Leiden (tối ưu hóa modularity và cải thiện cấu trúc cụm con), SLPA (truyền nhãn dựa trên mô hình người nói - người nghe), LAI S2 (truyền nhãn với chọn tâm cụm và gán trọng số thích ứng), LFM (truyền nhãn dựa trên hàm tối ưu hóa cục bộ).
• Hệ số trung tâm gần nhất (Closeness Centrality): Độ đo khoảng cách ngắn nhất từ một đỉnh đến tất cả các đỉnh còn lại trong mạng, dùng để tính toán mức độ liên quan giữa các thẻ kỹ năng.
• Kỹ thuật kết hợp mô hình (Ensemble Learning): Phương pháp Bagging (huấn luyện song song trên các tập mẫu ngẫu nhiên) và Boosting (huấn luyện tuần tự để tối ưu hóa sai số của mô hình trước).

Phương pháp nghiên cứu thực tế:

• Phương pháp thu thập và tiền xử lý dữ liệu: Sử dụng thư viện Selenium trên nền tảng Python để tự động cào dữ liệu từ 3 nguồn:
  • Dữ liệu lộ trình và kỹ năng từ roadmap.sh: Thu được 610 dòng dữ liệu thuộc 6 lĩnh vực chính (dataset 1) với 4 trường thuộc tính: Group, MainType, Skill, Value.
  • Dữ liệu câu hỏi và thẻ gắn từ Stack Overflow: Thu thập hơn 105.000 dòng câu hỏi chứa 21.455 tags khác nhau; sau khi ghép cặp thu được hơn 200.000 dòng liên kết giữa các tag (dataset 2).
  • Lọc giao thoa giữa dataset 1 và dataset 2, trích xuất cấu trúc mạng gồm tệp nodes (253 dòng) và tệp edges (2.764 dòng).
  • Dữ liệu việc làm và mức lương cào từ trang thông tin tuyển dụng TopDev.
• Phương pháp thực nghiệm và đánh giá: Đánh giá cấu trúc cộng đồng chồng chéo bằng thuật toán Louvain; huấn luyện các mô hình đơn lẻ, mô hình kết hợp mạng xã hội và mô hình lai ghép mạng xã hội với GNN; đánh giá hiệu năng dựa trên 5 chỉ số: Số lượng cộng đồng (Number of communities, mục tiêu từ 5 đến 10), Thời gian thực thi (Execution time), Modularity, Độ bao phủ (Coverage) và Độ dẫn (Conductance).

---

Thiết kế và triển khai

Hệ thống E-Learning EduPath được thiết kế theo cấu trúc module tương ứng với 4 giai đoạn phát triển:

• Module 1 - Chuẩn bị dữ liệu: Cào dữ liệu từ roadmap.sh và Stack Overflow bằng Selenium, tiền xử lý loại bỏ dữ liệu rỗng và dữ liệu trùng lặp, xây dựng tập đồ thị liên kết thẻ kỹ năng (nodes và edges), kiểm tra cấu trúc cộng đồng chồng chéo.
• Module 2 - Xây dựng và đánh giá mô hình: Xây dựng mô hình đơn lẻ và mô hình kết hợp (Louvain - LFM, SLPA - Louvain, SLPA - LFM), sau đó kết hợp mô hình tốt nhất với GNN thông qua kỹ thuật Boosting. Tính toán hệ số Closeness Centrality trên toàn bộ mạng lưới.
• Module 3 - Tích hợp hệ khuyến nghị vào EduPath: Thu thập thông tin học viên qua khảo sát đầu vào bằng Chatbot để phân loại vào cộng đồng kiến thức tương ứng, sinh lộ trình học cá nhân hóa; sử dụng Closeness Centrality để đề xuất các khóa học liên quan theo kỹ năng đang học.
• Module 4 - Xây dựng Chatbot hướng nghiệp: Cào dữ liệu tuyển dụng TopDev, tiền xử lý và phân cụm dữ liệu, xây dựng Đồ thị tri thức (Knowledge Graph) và áp dụng thuật toán KD-Tree để phản hồi người dùng về vị trí công việc, mức lương và kỹ năng cần thiết.

Thông số môi trường và công nghệ triển khai:

• Ngôn ngữ xây dựng mô hình khuyến nghị và Chatbot: Python 3.9.
• Xây dựng RESTful API: Node.js.
• Framework phát triển giao diện người dùng: Next.js và React.js.
• Hệ quản trị cơ sở dữ liệu: MongoDB.
• Lưu trữ đa phương tiện: Firebase (lưu trữ hình ảnh), máy chủ Cloud VPS Ubuntu (lưu trữ video khóa học).
• Máy chủ và triển khai: Máy chủ ảo Cloud VPS chạy hệ điều hành Ubuntu, kết nối quản trị qua PuTTY SSH, đồng bộ mã nguồn qua Git/GitHub và trỏ tên miền chính thức tại địa chỉ http://edupath.vn.
• Công cụ thiết kế và quản lý: Figma, draw.io, Microsoft Visio, Adobe Illustrator, Microsoft Project, SmartGit.

Hệ thống được thiết kế hoàn chỉnh qua các sơ đồ ca sử dụng (Use Case) cho 4 nhóm tác nhân (Quản trị viên, Khách, Học viên, Hệ thống), lược đồ cơ sở dữ liệu (ERD) với các bảng dữ liệu chính (Users, Roles, Courses, MainTypes, Roadmap_Section, Roadmap_Detail, User_step, Payment, Learning, Lessons, Course_Chapters, Course_Reviews), cùng các sơ đồ Hoạt động (Activity) và sơ đồ Tuần tự (Sequence). Quy trình kiểm thử hệ thống được thực hiện qua các bảng ca kiểm thử chức năng (ID01, ID02) trước khi đưa lên môi trường Production.

---

Nội dung chính theo từng chương

Chương 1. TỔNG QUAN ĐỀ TÀI

Chương 1 trình bày bối cảnh chuyển dịch của giáo dục trực tuyến sau đại dịch COVID-19 và nhu cầu tự học trong ngành CNTT tại Việt Nam. Tác giả tổng quan các công trình nghiên cứu về hệ khuyến nghị trong E-Learning (Jie Lu và cộng sự, Otair và cộng sự với hệ thống EPERS, Chughtai và cộng sự, Rahman & Abdullah, Shi và cộng sự với đồ thị tri thức). Phân tích chỉ ra các hạn chế của nền tảng MOOCs hiện nay và trang roadmap.sh, từ đó xác định mục tiêu xây dựng hệ thống EduPath, phạm vi nghiên cứu (6 nhóm ngành CNTT), ý nghĩa khoa học, ý nghĩa thực tiễn, sơ đồ kiến trúc tổng quan và môi trường công nghệ phát triển.

Chương 2. CƠ SỞ LÝ THUYẾT

Chương 2 cung cấp nền tảng lý thuyết chi tiết cho toàn bộ đề tài:

• Khái niệm và kiến trúc 3 cấp độ của hệ thống E-Learning truyền thống.
• Phân loại và phân tích ưu - nhược điểm của 3 kỹ thuật lọc trong hệ khuyến nghị (Content-Based, Collaborative Filtering, Hybrid).
• Khái niệm về AI, Machine Learning (phân loại có giám sát, không giám sát, bán giám sát; bài toán phân loại và dự đoán), Deep Learning và cơ chế lan truyền trạng thái đỉnh của Mạng nơ-ron đồ thị (GNN).
• Quy trình 9 bước của Xử lý ngôn ngữ tự nhiên (NLP) và nguyên lý xây dựng Chatbot dựa trên Đồ thị tri thức (Knowledge Graph) cùng thuật toán phân chia không gian KD-Tree.
• Cơ sở phân tích mạng xã hội, định nghĩa bài toán phát hiện cộng đồng và nguyên lý hoạt động của 5 thuật toán: Louvain, Leiden, SLPA, LAI S2, LFM.
• 5 độ đo đánh giá thuật toán phát hiện cộng đồng (Số lượng cộng đồng, Thời gian chạy, Modularity, Coverage, Conductance), công thức tính Closeness Centrality và hai phương pháp Ensemble Learning (Bagging, Boosting).

Chương 3. NGHIÊN CỨU THỰC NGHIỆM

Chương 3 trình bày toàn bộ quy trình thu thập, xử lý dữ liệu và thực nghiệm thuật toán:

• Thu thập dữ liệu từ roadmap.sh (610 dòng, 4 trường thuộc tính) và Stack Overflow (hơn 105.000 dòng câu hỏi, 21.455 tags, sinh hơn 200.000 cặp liên kết). Dữ liệu giao thoa sau khi tiền xử lý và lọc trùng tạo thành tệp nodes (253 dòng) và edges (2.764 dòng).
• Xác định bộ dữ liệu Stack Overflow thuộc cấu trúc mạng xã hội chồng chéo bằng thuật toán Louvain.
• Thực nghiệm các thuật toán mạng xã hội đơn lẻ và kết hợp: mô hình kết hợp Louvain + SLPA cho kết quả tối ưu nhất trong nhóm thuật toán mạng xã hội (8 cộng đồng, thời gian chạy ~0,00824 giây, Modularity ~69%, Coverage ~36%, Conductance ~63%).
• Huấn luyện mô hình phân cụm GNN trên dữ liệu đồ thị với mã giả phân chia tập train/test.
• Thực nghiệm kết hợp thuật toán mạng xã hội và GNN qua Ensemble Learning: mô hình Boosting (Louvain + SLPA + GNN) đạt hiệu năng cao nhất (8 cộng đồng, thời gian chạy ~10 giây, Modularity ~71%, Coverage ~66%, Conductance ~23%).
• Gán nhãn cho các cộng đồng phát hiện được, tính toán Closeness Centrality trên đồ thị kỹ năng và tích hợp dữ liệu tuyển dụng TopDev vào Knowledge Graph cho Chatbot.

Chương 4. PHÂN TÍCH THIẾT KẾ HỆ THỐNG

Chương 4 tập trung vào thiết kế kỹ thuật và triển khai hệ thống phần mềm EduPath:

• Khảo sát hiện trạng và so sánh tính năng giữa Udemy, Coursera và Fullstack; xác định yêu cầu chức năng và phi chức năng.
• Xác định 4 nhóm tác nhân (Quản trị viên, Khách, Học viên, Hệ thống), danh sách usecase và đặc tả chi tiết 6 usecase trọng tâm: Thực hiện khảo sát, Gợi ý lộ trình, Xem lộ trình, Gợi ý khóa học, Đặt câu hỏi cho Chatbot, Mua khóa học.
• Thiết kế cơ sở dữ liệu MongoDB gồm lược đồ quan hệ và cấu trúc chi tiết của các bảng dữ liệu (Users, Roles, Courses, MainTypes, Roadmap_Section, Roadmap_Detail, User_step, Payment, Learning, Lessons, Course_Chapters, Course_Reviews).
• Thiết kế xử lý thông qua các sơ đồ Hoạt động (Activity) và sơ đồ Tuần tự (Sequence) cho các tác vụ gợi ý lộ trình lần đầu, gợi ý khóa học liên quan và tương tác với Chatbot.
• Thiết kế chi tiết các giao diện người dùng: Đăng nhập, Trang chủ, Chatbot khảo sát đầu vào, Xem lộ trình cá nhân, Chi tiết kỹ năng, Gợi ý khóa học, Tìm kiếm khóa học, Mua khóa học.
• Thực hiện các kịch bản kiểm thử hệ thống (ID01, ID02) và mô tả các bước triển khai ứng dụng lên môi trường Production trên máy chủ Cloud VPS Ubuntu.

Chương 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Tổng kết các kết quả đạt được về mặt mô hình lý thuyết lẫn hệ thống ứng dụng thực tế EduPath; đồng thời chỉ ra các định hướng mở rộng nghiên cứu trong tương lai.

---

Kết quả và đóng góp

Khóa luận đã thực nghiệm và đánh giá định lượng các mô hình phát hiện cộng đồng mạng xã hội và mạng nơ-ron đồ thị trên tập dữ liệu kỹ năng CNTT. Kết quả so sánh giữa các mô hình tiêu biểu được ghi nhận trong bảng sau:

Mô hình	Số lượng cộng đồng	Thời gian thực thi (giây)	Modularity	Coverage	Conductance
Louvain (Đơn lẻ)	7	~0,00750	-	-	-
Louvain + SLPA (Mạng xã hội kết hợp)	8	~0,00824	~69%	~36%	~63%
GNN (Mạng Neural đồ thị)	Đa cụm	~9,00000	-	-	-
Boosting (Louvain + GNN)	7	~10,00000	-	-	-
Boosting (Louvain + SLPA + GNN)	8	~10,00000	~71%	~66%	~23%

Giải pháp và đóng góp của đề tài:

• Về mặt giải pháp: Đề xuất quy trình kết hợp mô hình phát hiện cộng đồng mạng xã hội (Louvain, SLPA) với mạng nơ-ron đồ thị (GNN) bằng phương pháp Boosting để phân loại chính xác các nhóm kỹ năng CNTT; ứng dụng hệ số Closeness Centrality trên mạng liên kết thẻ để đề xuất khóa học tiếp theo; ứng dụng KD-Tree trên Đồ thị tri thức để cung cấp tính năng Chatbot hướng nghiệp.
• Về mặt ứng dụng: Xây dựng hoàn chỉnh nền tảng học trực tuyến EduPath (http://edupath.vn) với đầy đủ các phân hệ chức năng từ khảo sát, tạo lộ trình cá nhân hóa, cung cấp bài giảng, đánh giá tiến độ học tập đến tư vấn nghề nghiệp.
• Đóng góp học thuật và thực tiễn: Khắc phục khoảng trống của các nền tảng MOOCs truyền thống (thiếu lộ trình học tập cá nhân hóa tổng thể) và các trang bản đồ kỹ năng (thiếu bài giảng thực tế đi kèm); cung cấp tài liệu tham khảo về phương pháp lai ghép mô hình học máy trên đồ thị áp dụng trong lĩnh vực giáo dục trực tuyến.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế và định hướng phát triển dựa trên nội dung báo cáo:

• Hạn chế:
  • Phạm vi dữ liệu lộ trình học tập hiện tại mới tập trung vào 6 nhóm lĩnh vực chính trong ngành CNTT (FrontEnd, BackEnd, Android, DevOps, Flutter, BlockChain).
  • Tập dữ liệu đồ thị kỹ năng được xây dựng từ tập giao thoa gồm 253 đỉnh và 2.764 cạnh trích xuất từ Stack Overflow và roadmap.sh.
  • Các thử nghiệm hệ thống và triển khai thực tế vận hành trên hạ tầng máy chủ ảo đơn lẻ.
• Hướng nghiên cứu tiếp:
  • Mở rộng thu thập và chuẩn hóa dữ liệu cho nhiều chuyên ngành và lĩnh vực công nghệ mới khác trong ngành CNTT.
  • Tối ưu hóa thuật toán và cấu trúc mạng nơ-ron đồ thị nhằm nâng cao độ chính xác phân cụm và giảm thời gian thực thi của mô hình Boosting.
  • Nâng cấp khả năng xử lý ngôn ngữ tự nhiên của Chatbot, bổ sung kho dữ liệu tuyển dụng và nâng cao chất lượng tư vấn định hướng nghề nghiệp.
  • Mở rộng hệ thống nội dung khóa học và kết nối dữ liệu việc làm thực tế từ các doanh nghiệp phần mềm.

---

Giá trị tham khảo

Báo cáo khóa luận mang lại giá trị tham khảo chuyên môn cho các đối tượng sau:

• Sinh viên và nhà nghiên cứu ngành Hệ thống thông tin, Khoa học dữ liệu, Khoa học máy tính: Tài liệu cung cấp quy trình chi tiết về việc xây dựng mạng dữ liệu đồ thị từ dữ liệu web thực tế (Stack Overflow, roadmap.sh), phương pháp so sánh thực nghiệm 5 thuật toán phát hiện cộng đồng (Louvain, Leiden, SLPA, LAI S2, LFM), và kỹ thuật lai ghép mạng nơ-ron đồ thị (GNN) qua phương pháp Ensemble Learning (Boosting/Bagging).
• Kỹ sư phát triển phần mềm và EdTech: Tài liệu hữu ích cho việc tham khảo kiến trúc toàn diện của một hệ thống giáo dục trực tuyến hiện đại tích hợp hệ khuyến nghị, bao gồm thiết kế API (Node.js), giao diện (Next.js), cơ sở dữ liệu NoSQL (MongoDB), triển khai máy chủ Cloud VPS Ubuntu và tích hợp Chatbot tư vấn dựa trên Đồ thị tri thức và KD-Tree.

---

Câu hỏi thường gặp

1. Đề tài sử dụng những nguồn dữ liệu nào để xây dựng hệ khuyến nghị và Chatbot? Đề tài sử dụng 3 nguồn dữ liệu chính được thu thập tự động bằng Selenium:

• Nguồn roadmap.sh: Thu thập 610 dòng dữ liệu về lộ trình và kỹ năng lập trình thuộc 6 nhóm ngành CNTT (dataset 1).
• Nguồn Stack Overflow: Thu thập hơn 105.000 câu hỏi với 21.455 tags, tạo ra hơn 200.000 cặp liên kết tag; sau khi đối chiếu với dataset 1 thu được đồ thị gồm 253 nodes và 2.764 edges (dataset 2).
• Nguồn TopDev: Thu thập thông tin tin tuyển dụng thực tế để xây dựng Đồ thị tri thức cho Chatbot hướng nghiệp.

2. Mô hình phân cụm nào đạt hiệu năng tốt nhất trong các thử nghiệm của khóa luận? Mô hình kết hợp Boosting giữa thuật toán mạng xã hội (Louvain + SLPA) và Mạng nơ-ron đồ thị (GNN) đạt hiệu năng cao nhất với 8 cộng đồng phát hiện được, thời gian thực thi xấp xỉ 10 giây, chỉ số Modularity đạt xấp xỉ 71%, Coverage đạt xấp xỉ 66% và Conductance đạt xấp xỉ 23%.

3. Hệ thống EduPath sử dụng phương pháp nào để gợi ý khóa học tiếp theo cho người học? Hệ thống sử dụng độ đo hệ số trung tâm gần nhất (Closeness Centrality) trên đồ thị liên kết thẻ kỹ năng. Khi học viên hoàn thành hoặc đang học một khóa học có gắn thẻ nhất định, hệ thống sẽ tính toán khoảng cách ngắn nhất trên đồ thị mạng xã hội để gợi ý các khóa học chứa thẻ có độ liên kết gần nhất với thẻ hiện tại.

4. Chatbot trong hệ thống EduPath được xây dựng dựa trên những công nghệ và thuật toán nào? Chatbot được phát triển bằng ngôn ngữ Python 3.9, áp dụng kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP), lưu trữ dữ liệu dưới dạng Đồ thị tri thức (Knowledge Graph gồm 3 trường: thực thể, thuộc tính, quan hệ) từ dữ liệu tuyển dụng TopDev và sử dụng thuật toán tìm kiếm đa chiều KD-Tree để truy vấn và đưa ra phản hồi về vị trí công việc, kỹ năng và mức lương.

5. Hệ thống EduPath hỗ trợ cá nhân hóa lộ trình cho những lĩnh vực CNTT nào? Hệ thống tập trung hỗ trợ xây dựng lộ trình học tập và cung cấp khóa học thuộc 6 lĩnh vực chính của ngành CNTT gồm: FrontEnd, BackEnd, Android, DevOps, Flutter và BlockChain.

---

Kết luận

Khóa luận của nhóm tác giả Đặng Nguyễn Phước An và Trần Mẫn Quân đã nghiên cứu và xây dựng thành công hệ thống E-Learning EduPath tích hợp trí tuệ nhân tạo nhằm giải quyết bài toán cá nhân hóa học tập trong lĩnh vực Công nghệ thông tin. Bằng việc kết hợp hiệu quả các thuật toán phát hiện cộng đồng mạng xã hội (Louvain, SLPA) và Mạng nơ-ron đồ thị (GNN) thông qua kỹ thuật Boosting, đề tài đã đề xuất giải pháp phân cụm kỹ năng và gợi ý lộ trình học tập cùng khóa học liên quan dựa trên độ đo Closeness Centrality. Hệ thống đã được thiết kế hoàn chỉnh, tích hợp Chatbot hướng nghiệp dựa trên Đồ thị tri thức và triển khai thử nghiệm thực tế trên môi trường máy chủ Production.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Trong một báo cáo thuộc dự án Microsoft YouthSpark #WeSpeakCode!, báo cáo chia sẻ răng có tới "97% số sinh viên nghĩ rằng CNTT là một lựa chọn nghề nghiệp tốt cho họ, 95% có nhu cầu muốn biết về CNTT nhiều hon". Phan lớn sinh viên tại Việt Nam đều nhận ra giá tri từ việc hoc lập trình va tiềm năng giúp kiến tạo công việc cho họ trong tương lai. Những sinh viên này thường chủ động tiếp xúc với lập trình và công nghệ từ rất sớm. Cũng trích dẫn trong khuôn khổ sự kiện, có "57% cho biết đã học CNTT từ các hướng dẫn trực tuyến".

Với tốc độ phát triển nhanh chóng của công nghệ, cùng với nhu cầu học từ xa tăng đột biến do đại dịch COVID-19, môi trường học trực tuyến với những ưu điểm vượt trội đang làm thay đôi mạnh mẽ phương pháp tự học của học sinh, sinh viên. Theo một báo cáo nghiên cứu gần đây từ Global Market Insights, Inc., thị trường học trực tuyến dự kiến sẽ trị giá tới 325 tỷ USD vào năm 2025 [33], và đạt hơn 375 tỷ USD vào năm 2026 [17]. Giáo dục trực tuyến đang là một thị trường nhiều tiềm năng dé khai thác và mở rộng quy mô. Global E-learning Market Size 5bsM(ialUrzkSeotnD) G8BR 6 o°O Hình 1.

Quy mô thị trường E-learning toàn cầu giai đoạn 2010 — 2025 ! https://news.com/vi-vn/2015/03/19/3203/ Hiện nay trên thế giới đang có nhiều loại khóa học và nền tảng khác nhau cho giáo dục trực tuyến như Udemy, Coursera, Codecademy, Udacity, LinkedIn Learning, Skillshare. Tai Việt Nam, từ trước năm 2010 đã có các don vi tiên phong tìm kiếm cơ hội kinh doanh với mô hình này như: Violetvn, Hocmai.Các nền tảng này cung cấp các khoá học online miễn phí hoặc phải trả phí, với kho nội dung đa dạng và phong phú. Tuy nhiên, nội dung học tập không 16 trên mạng lại rời rac, sinh viên dễ bị choáng ngợp bởi lượng thông tin có sẵn. Một trở ngại lớn khiến người học không đạt hiệu quả cao khi sử dụng E-Learning là họ không lựa chọn được nguồn thông tin phù hợp nhất, không có lộ trình học tập cụ thể cũng như không có định hướng xuyên suốt quá trình học [5].

Nhận thấy nhu cầu đó, tác giả muốn thông qua dé tai này dé thêm những cải tiến trong hệ thống E-Learning, đặc biệt là E-Learning dành riêng cho những học viên muốn tìm hiểu về công nghệ thông tin. Mục tiêu chính của đề tài là mô phỏng lại một hệ thống E-Learning cơ bản: cung cấp các khóa học về công nghệ thông tin từ cơ bản đến chuyên sâu, tích hợp trí tuệ nhân tạo (AI) vào hệ khuyến nghị đề đề xuất lộ trình học tập được cá nhân hoá, gợi ý các khoá học tiếp theo, cũng như gợi ý việc làm và mức lương cho học viên. Phạm vi và đối tượng nghiên cứu bao gồm hệ thống E- Learning dành cho lĩnh vực Công nghệ thông tin ở Việt Nam, các thuật toán máy hoc, hoc sâu, các thuật toán phân tích mạng xã hội, Chatbot và hệ khuyến nghi. TONG QUAN DE TÀI 1.

Tinh hình nghiên cứu 323 Khi sử dụng các từ khoá như “evolution in e-learning”, "personalized E-learning T1 system", “e-learning recommendation system”, và “community detection” để tìm kiếm trên Google Scholar, kết qua trả về gồm rất nhiều nghiên cứu liên quan. Các nhà nghiên cứu đã thể hiện sự quan tâm ngày càng tăng đối với E-Learning, điều này thé hiện rõ qua một nghiên cứu của Aulakh và cộng sự (2022) [33]. Growth of published papers on E-Leaming System in Educational Institutes 00 | poNPuabmlfiesrhd 2000 | Hình 1.