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. Biểu đồ tăng trưởng số lượng bài báo đã xuất bản về hệ thống E-Learning trong các cơ sở giáo dục Hình trên cho thấy các bài báo đã xuất bản về hệ thống E-Learning trong các cơ sở giáo dục đã có sự tăng trưởng ít nhiều liên tục từ năm 1998 đến 2015.
Sau đó, từ năm 2015 đến 2018, số lượng các công trình được xuất bản đã giảm xuống, do các nhà nghiên cứu tập trung nhiều hơn vào Trí tuệ nhân tạo và Blockchain. Kê từ năm 2018, số lượng nghiên cứu liên quan đến hệ thống E-learning trong các tổ chức giáo dục lại bắt đầu tăng trưởng trở lại do đại dich Covid-19 đã tác động lớn đến lĩnh vực giáo dục toàn cầu. Aulakh và cộng sự cũng cho biết các xu hướng mới nhất trong e- learning phần lớn nhằm mục đích xác định không gian nội dung học tập, phát triển nội dung E-learning mới và cá nhân hóa nội dung học tập cho người học thế hệ mới. Nghiên cứu này còn gợi ý một số lĩnh vực có thê khai thác đề cải thiện quá trình dạy - học trong E-learning như cung cấp đề xuất cho sinh viên và phân tích mạng xã hội.
Tuy nhiên, nghiên cứu này chỉ đề cập đến việc áp dụng các kỹ thuật khai phá dữ liệu dé cải thiện phương pháp giáo dục trực tuyến, và bỏ qua các khái niệm khác như Học sâu, Học máy, Trí tuệ nhân tạo, Dữ liệu lớn,. Mặt khác, El Gourari và cộng sự (2020) đã đề cập trong nghiên cứu của mình rằng trí tuệ nhân tạo là một công nghệ hiện đại khác có thé đóng góp to lớn vào quá trình chuyên đổi sang học trực tuyến va cho một hệ thong hoc tập được cá nhân hóa hon cho hoc sinh, đặc biệt là sau đại dich Covid [10]. Nghiên cứu của Valverde và cộng sự (2020) chi ra rang MOOC là phương thức học trực tuyến được nghiên cứu nhiều nhất [29]. Trên thế giới đang có nhiều nền tảng MOOCs khác nhau như Udemy, Coursera, Codecademy, Udacity, LinkedIn Learning, Skillshare.
Trong một nghiên cứu của Alojaiman (2021), tác gia đã chi ra nhiều ưu điểm của từng nên tảng trên, có thé kế đến một số đặc điểm như cung cấp các khoá học miễn phí, có thể truy cập ở bat kì đâu vào bắt kì lúc nào, nội dung học tập đa dạng và phong phú [17]. Tuy nhiên, lượng thông tin và tài liệu lớn đã cản trở người học khi họ phải đối mặt với nhiều tài nguyên giáo dục từ các chủ đề khác nhau. Về mặt này, các hệ thống khuyến nghị có thê quản lý nhiều tài nguyên trong môi trường học tập và hỗ trợ hướng dẫn người học hướng tới một quá trình học tập hiệu quả hơn. Nghiên cứu của Souabi và cộng sự (2021) cho biết các hệ thống khuyến nghị trong E-learning đã được chứng minh là có hiệu quả cao trong việc cải thiện hiệu suất và kiến thức của người học [42].
Nhiều nhà nghiên cứu đề cập đến các hệ thống khuyến nghị trong E-learning. Dưới đây là một số công trình tiêu biểu: - Nghiên cứu của Jie Lu và cộng sự (2004) đề xuất hệ thống khuyến nghị cá nhân hóa nhăm hai mục đích: mục đích thứ nhất là xác định nhu cầu của người học và mục đích thứ hai là đề xuất nội dung phù hợp với nhu cầu đã được xác định [26]. - Hệ thống đề xuất EPERS có sử dụng dién dan thảo luận được Otair và cộng sự (2005) thiết kế để cung cấp cho người học nội dung được cá nhân hóa đáp ứng yêu cầu của họ [35]. - Chughtai và cộng sự (2014) đã nghiên cứu về một hệ thống đề xuất kết hợp hai mặt, mặt thứ nhất là sự kết hợp giữa lọc nội dung và lọc cộng tác, trong khi mặt thứ hai là sự kết hợp giữa lọc cộng tác và thuật toán K-láng giềng gần [37].
- Pereira và cộng sự. - Rahman va Abdullah (2018) cũng xây dựng hệ thống của họ thông qua kỹ thuật phân cụm mờ và cây quyết định dé phân loại người học thành người mới bắt dau, trung cấp va cao cấp dựa trên thành tích học tập và hành vi học tập của họ. Điều này cho phép hệ khuyến nghị đề xuất các tài liệu phù hợp với từng cấp độ, lấy người học làm trung tâm [36]. Shi và cộng sự (2020) gợi ý phương pháp nghiên cứu đồ thi tri thức (Knowledge Graph) để tạo ra hệ thông khuyến nghị [20].
Nhìn chung, các nền tảng MOOC hiện nay và các công trình trên đều chưa có tính năng tạo ra lộ trình học tập cụ thể được cá nhân hoá cho từng học viên mà chỉ dừng ở mức độ gợi ý tài nguyên hoc tập liên quan. Mặt khác, trong lĩnh vực CNTT có một trang web có thê tạo lộ trình học tập là roadmap.sh nhưng lại không cung cấp khoá học đi kèm mà chỉ trích dẫn đường link từ nhiều nguồn khác nhau. Đề tài này chính là giải pháp cho van đề trên khi kết hợp tính năng tao lộ trình học tập được cá nhân hoá cho mỗi học viên vào trong nền tảng học trực tuyến thông qua các công nghệ AI. Ngoài ra, các phương pháp dé xây dựng hệ khuyến nghị cũng là một van đề cần quan tâm.
Nghiên cứu của S. Khanal và cộng sự [41] cho biết thuật toán phân cụm được sử dụng nhiều nhất trong hệ khuyến nghị. Phân cụm là học tập không giám sát trong đó các mục được phân bé cho các nhóm với mục tiêu nhóm các mục có đặc điểm tương tự vào một nhóm băng cách sử dụng các thước đo khoảng cách. Sự giống nhau giữa những người học được xác định dựa trên khoảng cách đo được.
Trong lĩnh vực học tập trực tuyến E-Learning, dé có thé xác định hành vi va đánh giá mức độ tham gia, hợp tác của người học nhăm cải thiện về chất lượng giảng dạy, nhóm tac giả S. Yassine cùng các cộng sự [43] đã thống kê được 3 kỹ thuật hàng đầu dé xác định cộng đồng và cum dữ liệu lần lượt là K-Means Clustering, Cliquen Analysis, thuật toán Louvain có thé phân loại người dùng thành từng nhóm khác nhau. Hay trong nghiên cứu của X. Li cùng các cộng sự [48] đã nghiên cứu về các đặc điểm, hành vi thực tế của sinh viên chưa tốt nghiệp tại một trường đại học ở Bắc Kinh để có thê phát hiện ra sự liên kết của những nhóm sinh viên này với nhau nhằm mục đích cung cấp và phát triển các dịch vụ phù hợp.
Với tập dữ liệu rộng lớn và phức tạp, nhóm tác giả quyết định sử dụng thuật toán Louvain cho nghiên cứu của mình. Công trình của V.Traag cùng các cộng sự [45] đã nghiên cứu và đề xuất ra một thuật toán phát hiện cộng đồng mới mang tên Leiden. Thuật toán này mang lại hiệu suất tốt hơn và giải quyết được những nhược điểm mà thuật toán Louvain đang gặp phải, nhóm tác giả đã thử nghiệm thuật toán Leiden trên nhiều bộ dữ liệu khác nhau và đều cho ra kết quả rất vượt trội. Trong nghiên cứu khác của R.
Betzel [38], tác giả đã áp dụng thuật toán Leiden vào lĩnh vực y khoa giúp phát hiện ra các cộng đồng thần kinh mạng.