Giới thiệu dự án

Sự bùng nổ của chuyển đổi số và xu hướng học tập từ xa sau đại dịch đã thúc đẩy thị trường EdTech toàn cầu tăng trưởng vượt bậc, dự kiến đạt quy mô hơn 400 tỷ USD vào năm 2025. Tuy nhiên, các nền tảng hội nghị truyền hình truyền thống như Zoom, Google Meet hay Microsoft Teams đang bộc lộ rào cản lớn: thiếu vắng khả năng tương tác phi ngôn ngữ và phản hồi thời gian thực giữa giảng viên và học viên. Trong giảng đường truyền thống, giảng viên dễ dàng nhận biết mức độ tiếp thu thông qua nét mặt, ánh mắt và cử chỉ; ngược lại, trên môi trường trực tuyến, người dạy hoàn toàn bị động trước hàng chục ô màn hình tắt camera hoặc học viên mất tập trung.

Đề tài khóa luận tốt nghiệp "Xây dựng hệ thống học trực tuyến sử dụng các mô hình máy học nhận diện cảm xúc và theo dõi ánh nhìn của học viên" (nền tảng Streamy) do sinh viên Đỗ Đặng Kiến Nam và Phạm Phú Tuấn thực hiện dưới sự hướng dẫn của PGS. TS Nguyễn Đình Thuân tại Trường Đại học Công nghệ Thông tin – ĐHQG-HCM đã giải quyết trọn vẹn điểm nghẽn này.

Mục tiêu dự án

  1. Phát triển nền tảng học trực tuyến thời gian thực (Streamy): Hỗ trợ đa luồng truyền thông chất lượng cao (video camera, âm thanh, chia sẻ màn hình) với độ trễ siêu thấp dưới kiến trúc SFU.
  2. Nghiên cứu và huấn luyện mô hình nhận diện cảm xúc khuôn mặt: Tối ưu hóa kiến trúc Deep Learning (CNN, MTCNN, VGG16) trên tập dữ liệu chuẩn Fer2013 và KDEF, phân loại chính xác 7 trạng thái cảm xúc (Vui vẻ, Buồn bã, Tức giận, Sợ hãi, Bất ngờ, Chán nản, Trung tính).
  3. Phát triển thuật toán định lượng độ tập trung từ ánh nhìn và cử chỉ: Trích xuất các điểm mốc khuôn mặt (Facial Landmarks) để tính toán tỷ lệ mở mắt (Eye Aspect Ratio - EAR) và tỷ lệ đóng/mở miệng (Mouth Aspect Ratio - MAR) kết hợp phân loại trạng thái học tập.
  4. Xây dựng hệ thống phân tích và báo cáo trực quan: Cung cấp biểu đồ diễn biến tâm lý và mức độ tập trung của từng học viên cũng như toàn lớp học theo thời gian thực (Real-time Feedback Loop).

Phạm vi và giới hạn hệ thống

  • Phạm vi: Ứng dụng lớp học ảo hỗ trợ quy mô 30–50 học viên hoạt động đồng thời trên trình duyệt web không cần cài đặt plugin; xử lý luồng video trích xuất định kỳ từ 1–2 FPS cho mỗi client để cân bằng tải GPU/CPU.
  • Giới hạn: Hiệu năng nhận diện phụ thuộc vào điều kiện ánh sáng môi trường của học viên, độ phân giải webcam tối thiểu 720p và góc quay khuôn mặt không lệch quá 30 độ so với trục chính diện.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Zoom / MS Teams / Google Meet Giải pháp AI chuyên dụng đóng gói Hệ thống Streamy (Đề tài đề xuất)
Truyền dẫn Media Kiến trúc SFU/MCU tối ưu cao Tích hợp chậm, phụ thuộc bên thứ 3 Mediasoup SFU thuần WebRTC mã nguồn mở
Nhận diện Cảm xúc Không hỗ trợ (chỉ có reactions thủ công) API tính phí (Microsoft Face/AWS Rekognition) Mô hình VGG-16 + Hybrid SGD-Adamax tối ưu riêng
Đo lường Tập trung Đếm thời gian active cửa sổ (kém chính xác) Cần thiết bị phần cứng Eye-tracking đắt tiền Trích xuất Landmarks (EAR/MAR) bằng phần mềm
Bảo mật & Quyền riêng tư Lưu trữ dữ liệu đám mây độc quyền Tiềm ẩn rủi ro rò rỉ dữ liệu khuôn mặt Mã hóa SRTP/DTLS, inference trực tiếp trên server
Chi phí vận hành License định kỳ đắt đỏ theo user/tháng Chi phí gọi API AI rất cao theo request Tự chủ hoàn toàn hạ tầng trên Google Cloud Platform

Phân loại yêu cầu người dùng theo mô hình MoSCoW

  • Must-have: Phòng học video call WebRTC đa điểm; chia sẻ màn hình; nhận diện 7 cảm xúc cơ bản; tính toán chỉ số tập trung từ mắt và miệng; dashboard hiển thị biểu đồ thời gian thực cho giảng viên.
  • Should-have: Xuất báo cáo tổng kết buổi học định dạng PDF/Excel; cảnh báo học viên mất tập trung liên tục quá 30 giây.
  • Could-have: Tùy chỉnh ngưỡng nhạy cảm xúc theo môn học; ghi hình buổi học kèm biểu đồ phân tích.
  • Won't-have (giai đoạn này): Phân tích ngữ điệu giọng nói (Audio Emotion Analysis); chấm điểm bài kiểm tra tự động bằng AI.

Thiết kế hệ thống

Kiến trúc Streamy được thiết kế theo mô hình Microservices phân tán nhằm phân tách ranh giới chịu tải giữa luồng truyền thông thời gian thực và luồng tính toán AI:

Technology Stack chi tiết

  • Frontend Client: ReactJS 18.2, WebRTC Native API, Chart.js, TailwindCSS.
  • Signaling & Business Server: Node.js v18.16 LTS, ExpressJS v4.18, Socket.IO v4.6.
  • Media Server: Mediasoup v3.12 (SFU C++ core binding Node.js), PlainTransport/WebRtcTransport.
  • Machine Learning Inference Engine: Python 3.10, TensorFlow 2.12, Keras, OpenCV 4.7, Dlib / MTCNN, NumPy, SciPy.
  • Hạ tầng & Triển khai: Google Cloud Platform (GCP Compute Engine n1-standard-4 + GPU NVIDIA Tesla T4), Nginx Reverse Proxy, Docker Engine 24.0.

Thiết kế cấu trúc dữ liệu chính (Database Schema)

// Schema lược đồ MongoDB cho phiên lớp học và phân tích cảm xúc
const DetectedResultSchema = new mongoose.Schema({
  roomId: { type: mongoose.Schema.Types.ObjectId, ref: 'Room', required: true, index: true },
  userId: { type: mongoose.Schema.Types.ObjectId, ref: 'User', required: true, index: true },
  timestamp: { type: Date, default: Date.now, index: true },
  emotion: {
    label: { type: String, enum: ['Angry', 'Disgust', 'Fear', 'Happy', 'Sad', 'Surprise', 'Neutral'] },
    confidence: { type: Number, min: 0, max: 1 }
  },
  engagement: {
    earLeft: Number,
    earRight: Number,
    mar: Number,
    isFocused: Boolean,
    state: { type: String, enum: ['Focused', 'Confused', 'Frustrated', 'Looking_Away', 'Bored', 'Drowsy'] }
  }
});

Thiết kế luồng truyền thông và bảo mật

  • Bảo mật kết nối: Bắt buộc giao thức HTTPS/WSS cho toàn bộ tín hiệu; mã hóa đầu cuối các luồng âm thanh và hình ảnh bằng SRTP (Secure Real-time Transport Protocol) kết hợp DTLS (Datagram Transport Layer Security) theo tiêu chuẩn JSEP (Javascript Session Establishment Protocol).
  • NAT Traversal: Tích hợp máy chủ STUN/TURN (CoTURN) giúp học viên kết nối ổn định dù ở sau mạng NAT đối xứng hoặc tường lửa doanh nghiệp.

Methodology

Dự án áp dụng quy trình phát triển phần mềm linh hoạt Agile/Scrum với chu kỳ 2 tuần/Sprint trong tổng thời gian 16 tuần:

  1. Sprint 1–3: Nghiên cứu cơ sở lý thuyết, thu thập và tiền xử lý các tập dữ liệu Fer2013, KDEF, Student-Engagement; thử nghiệm các mô hình baseline CNN, MTCNN, VGG-16.
  2. Sprint 4–5: Tối ưu hóa mô hình với kỹ thuật Hybrid Optimizer (SGD + Adamax); xây dựng công thức tính toán EAR và MAR.
  3. Sprint 6–7: Phát triển lõi Media Server sử dụng Mediasoup và hệ thống Signaling Socket.IO.
  4. Sprint 8: Tích hợp pipeline Machine Learning vào luồng nhận dữ liệu thời gian thực từ SFU.

Implementation và kết quả

Development process & Core Algorithms

1. Thuật toán nhận diện khuôn mặt và Facial Landmarks (MTCNN)

MTCNN triển khai cấu trúc 3 giai đoạn thác liên hoàn (Cascade):

  • P-Net (Proposal Network): Sử dụng Fully Convolutional Network để quét nhanh các vùng ảnh ứng viên có xác suất chứa khuôn mặt.
  • R-Net (Refinement Network): Loại bỏ phần lớn các bounding box sai lệch (False Positives) thông qua thuật toán Non-Maximum Suppression (NMS).
  • O-Net (Output Network): Tinh chỉnh chính xác tọa độ hộp bao và trích xuất 5 điểm mốc đặc trưng (2 mắt, mũi, 2 khóe miệng).

2. Công thức tính toán độ mở mắt (EAR) và độ mở miệng (MAR)

Để định lượng trạng thái ngủ gật, lơ đãng hoặc ngáp của học viên, hệ thống sử dụng vector khoảng cách Euclid giữa các mốc điểm hình thái:

$$\text{EAR} = \frac{||\mathbf{p}_2 - \mathbf{p}_6|| + ||\mathbf{p}_3 - \mathbf{p}_5||}{2||\mathbf{p}_1 - \mathbf{p}_4||}$$

$$\text{MAR} = \frac{||\mathbf{p}_2 - \mathbf{p}_8|| + ||\mathbf{p}_3 - \mathbf{p}_7|| + ||\mathbf{p}_4 - \mathbf{p}_6||}{2||\mathbf{p}_1 - \mathbf{p}_5||}$$

Trong đó $p_i$ là tọa độ không gian 2D của các điểm mốc mắt và miệng theo chuẩn Dlib 68-landmarks.

import numpy as np

def calculate_ear(eye_landmarks):
    # Tính khoảng cách đứng giữa các điểm mí trên và mí dưới
    A = np.linalg.norm(eye_landmarks[1] - eye_landmarks[5])
    B = np.linalg.norm(eye_landmarks[2] - eye_landmarks[4])
    # Tính khoảng cách ngang giữa 2 khóe mắt
    C = np.linalg.norm(eye_landmarks[0] - eye_landmarks[3])
    ear = (A + B) / (2.0 * C)
    return ear

def calculate_mar(mouth_landmarks):
    # Tính khoảng cách thẳng đứng của miệng
    A = np.linalg.norm(mouth_landmarks[1] - mouth_landmarks[7])
    B = np.linalg.norm(mouth_landmarks[2] - mouth_landmarks[6])
    C = np.linalg.norm(mouth_landmarks[3] - mouth_landmarks[5])
    # Tính khoảng cách ngang của miệng
    D = np.linalg.norm(mouth_landmarks[0] - mouth_landmarks[4])
    mar = (A + B + C) / (2.0 * D)
    return mar

3. Chiến lược tối ưu hóa kết hợp Hybrid Optimizer (SGD + Adamax)

Để khắc phục hạn chế rơi vào cực tiểu cục bộ của SGD thuần và hiện tượng bùng nổ gradient khi dùng Adam trên mạng sâu VGG16, đề tài đề xuất chiến lược huấn luyện phân tầng:

  • Phase 1 (10 Epochs đầu): Sử dụng SGD với Learning Rate $\alpha = 0.01$, Momentum = 0.9 để định hướng trọng số nhanh, thoát khỏi các điểm yên ngựa (saddle points).
  • Phase 2 (90 Epochs sau): Chuyển sang Adamax với chuẩn vô hạn ($L_\infty$-norm) để ổn định gradient thưa và hội tụ mượt mà tại điểm tối ưu toàn cục.
import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras.layers import Dense, Flatten, Dropout
from tensorflow.keras.models import Model

def build_emotion_model(num_classes=7):
    base_model = VGG16(weights='imagenet', include_top=False, input_shape=(48, 48, 3))
    x = Flatten()(base_model.output)
    x = Dense(512, activation='relu')(x)
    x = Dropout(0.5)(x)
    output = Dense(num_classes, activation='softmax')(x)
    
    model = Model(inputs=base_model.input, outputs=output)
    return model

# Quy trình chuyển giao Optimizer trong quá trình huấn luyện
# Giai đoạn 1: Khởi động với SGD
model = build_emotion_model()
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.01, momentum=0.9),
              loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(train_dataset, epochs=10, validation_data=val_dataset)

# Giai đoạn 2: Tinh chỉnh sâu với Adamax
model.compile(optimizer=tf.keras.optimizers.Adamax(learning_rate=0.002, beta_1=0.9, beta_2=0.999),
              loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(train_dataset, epochs=90, validation_data=val_dataset)

Testing và validation

Quá trình kiểm thử được thực hiện đa diện từ cấp độ Unit Test cho thuật toán, Load Test cho media server đến User Acceptance Testing (UAT).

Kết quả thực nghiệm mô hình máy học

1. Đánh giá nhận diện cảm xúc trên bộ dữ liệu chuẩn Fer2013 và KDEF (Tỷ lệ Train/Test 8:2)

Dataset Mô hình thực nghiệm Accuracy (%) Precision Recall F1-Score
Fer2013 Nghiên cứu của Yousif Khaireddin et al. [62] (CNN) 62.28% - - -
Fer2013 Baseline CNN (Nhóm đề xuất) 65.40% 0.0088 0.8120 0.0174
Fer2013 MTCNN (Nhóm đề xuất) 58.10% 0.7230 0.3150 0.4380
Fer2013 VGG-16 (Nhóm đề xuất) 71.85% 0.8450 0.5420 0.6600
KDEF Nghiên cứu của Chong et al. [64] (SVM) 80.20% - - -
KDEF VGG-16 (Nhóm đề xuất) 88.60% 0.8920 0.7640 0.8230

2. Đánh giá thuật toán tối ưu hóa khi huấn luyện VGG-16 trên Fer2013 (100 Epochs)

Thuật toán Optimizer Precision Recall F1-Score Accuracy Delta Epochs
ADAMAX thuần 0.884 0.612 0.723 90.10% 0.0006
SGD thuần 0.875 0.565 0.687 89.40% 0.0012
Hybrid SGD (10 ep) + ADAMAX (90 ep) 0.891 0.678 0.770 90.05% 0.0004

Nhận xét kết quả: Việc kết hợp SGD và Adamax mang lại sự cân bằng vượt trội giữa Precision (0.891) và Recall (0.678), đưa F1-Score đạt 0.770 cao nhất trong các phương pháp, đồng thời hệ số biến thiên giữa các epoch (Delta Epochs) giảm xuống mức cực thấp (0.0004), minh chứng cho độ ổn định vượt bậc của mô hình khi huấn luyện.

3. Đánh giá nhận diện độ tập trung trên bộ dữ liệu Student-Engagement

Mô hình Accuracy (%) Đánh giá tổng quan
LightGBM (Nuha Alruwais et al. [63]) 92.20% Xử lý đặc trưng bảng trích xuất sẵn
CNN + EAR/MAR (Đề tài) 94.10% Độ ổn định cao, nhận diện nhanh chuyển động mí mắt
MTCNN Feature Fusion (Đề tài) 93.85% Khả năng định vị khuôn mặt chính xác cả khi nghiêng góc

Đổi mới và đóng góp

  1. Chiến lược tối ưu hóa Hybrid SGD-Adamax độc đáo: Giải quyết triệt để bài toán mất cân bằng giữa tốc độ hội tụ ban đầu và tính ổn định ở các epoch cuối khi huấn luyện mạng nơ-ron sâu VGG16 cho dữ liệu biểu cảm khuôn mặt 48x48.
  2. Kiến trúc tích hợp Media Server (SFU) với ML Pipeline thời gian thực: Thay vì yêu cầu client phải tự chạy các mô hình nặng gây nóng máy và hao pin, Streamy triển khai server ML tiêu thụ luồng PipeTransport từ Mediasoup, tối ưu hóa băng thông truyền tải và tập trung hóa năng lực xử lý.
  3. Độ đo tập trung hợp nhất (EAR, MAR & Spatial CNN): Định lượng hóa mức độ tập trung thành các chỉ số toán học cụ thể thay vì chỉ dựa vào cảm tính, giúp hệ thống phân biệt chính xác giữa học viên "chăm chú nhìn màn hình" với học viên "đang ngủ gật nhưng mắt vẫn mở hé".
  4. Hiệu năng cải thiện vượt trội so với các công bố trước đó: Tăng độ chính xác nhận diện trên tập Fer2013 từ 62.28% (Khaireddin et al.) lên 71.85% ở mô hình cơ sở và đạt trên 90% khi áp dụng bộ tối ưu hóa kết hợp.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Use Cases)

  • Giảng đường đại học trực tuyến quy mô lớn: Giảng viên theo dõi thanh đo cảm xúc chung của lớp học. Nếu tỷ lệ "Chán nản" (Boredom) hoặc "Bối rối" (Confused) vượt quá 40%, hệ thống tự động đưa ra gợi ý giảng viên nên dừng lại tương tác, giải thích lại khái niệm hoặc tổ chức mini-quiz.
  • Đào tạo nội bộ doanh nghiệp: Đánh giá chất lượng các khóa đào tạo chuyên môn thông qua mức độ quan tâm thực tế của nhân viên.
  • Khảo thí trực tuyến an toàn: Phát hiện các hành vi bất thường như học viên liên tục nhìn lệch khỏi màn hình (Looking Away) quá thời gian cho phép trong các kỳ thi online.

Hướng dẫn cài đặt và Triển khai hạ tầng (Deployment Guide)

# 1. Khởi tạo môi trường và cài đặt Mediasoup C++ dependencies
sudo apt-get update && sudo apt-get install -y build-essential python3-pip ffmpeg
git clone https://github.com/uit-project/streamy-system.git
cd streamy-system

# 2. Cài đặt và build Signaling/Media Server
cd server && npm install
cp .env.example .env # Cấu hình IP Public và dải Port WebRTC (RTC_MIN_PORT=40000, RTC_MAX_PORT=49999)
npm run build && pm2 start dist/index.js --name streamy-media

# 3. Khởi chạy Machine Learning Inference Worker
cd ../ml-worker
pip3 install -r requirements.txt
python3 app.py --port=5000 --gpu=true

Hạ tầng phần cứng tối thiểu khuyến nghị:
- CPU: 4 vCPU (2.5 GHz trở lên)
- RAM: 16 GB DDR4
- GPU: 1x NVIDIA Tesla T4 16GB VRAM (đáp ứng xử lý 30-50 luồng stream đồng thời)
- Băng thông mạng: Tối thiểu 100 Mbps đối xứng (Inbound/Outbound)

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Chi phí phần cứng máy chủ: Việc xử lý giải mã video và chạy mô hình học sâu tập trung tại máy chủ đòi hỏi chi phí hạ tầng GPU đáng kể khi số lượng phòng học đồng thời tăng cao.
  • Yếu tố ngoại cảnh: Kính mắt phản quang, tóc che trán hoặc điều kiện ánh sáng phòng quá tối làm giảm độ chính xác của bước trích xuất mốc điểm MTCNN.
  • Mất cân bằng dữ liệu gốc: Các lớp cảm xúc tiêu cực như "Sợ hãi" (Fear) hay "Ghê tởm" (Disgust) trong tập Fer2013 có số lượng mẫu ít hơn đáng kể so với "Vui vẻ" (Happy) và "Trung tính" (Neutral).

Hướng phát triển tương lai

  • Ứng dụng Edge AI: Tận dụng WebAssembly (Wasm) và TensorFlow.js hoặc ONNX Runtime Web để chuyển một phần tác vụ trích xuất Landmarks về phía trình duyệt của học viên, giải phóng tải cho máy chủ trung tâm.
  • Chuyển đổi sang Vision Transformers (ViT): Thử nghiệm các kiến trúc tân tiến như MobileViT hoặc Swin Transformer để nâng cao độ chính xác nhận diện trên các góc mặt nghiêng phức tạp.
  • Mở rộng nhận diện đa phương thức (Multimodal Sentiment Analysis): Tích hợp xử lý phân tích ngữ điệu giọng nói (Audio Tone) và phân tích nội dung đoạn chat để có bức tranh toàn diện nhất về lớp học.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Nhận được sự quan tâm và điều chỉnh kịp thời từ giảng viên, cải thiện rõ rệt hiệu quả tiếp thu và tạo động lực học tập tích cực.
  • Giảng viên & Cơ sở đào tạo: Làm chủ công cụ sư phạm trực quan, đo lường định lượng được chất lượng bài giảng theo từng phút mà không phụ thuộc vào cảm tính cá nhân.
  • Kỹ sư phần mềm & AI Developers: Tiếp cận kiến trúc mẫu hoàn chỉnh kết hợp giữa giao thức truyền thông thời gian thực WebRTC/Mediasoup SFU và mô hình Deep Learning trong môi trường sản xuất.
  • Cộng đồng nghiên cứu EdTech: Cung cấp bộ dữ liệu thực nghiệm so sánh chi tiết giữa các optimizer và giải thuật trích xuất đặc trưng hình thái học mắt/miệng.

Câu hỏi thường gặp

1. Hệ thống có yêu cầu học viên phải trang bị máy tính cấu hình mạnh không?

Hoàn toàn không. Toàn bộ quá trình giải mã luồng và suy luận AI nhận diện cảm xúc đều được thực hiện trên máy chủ (Server-side Computing). Phía học viên chỉ cần trình duyệt web hiện đại hỗ trợ WebRTC (Chrome, Firefox, Safari, Edge) và một webcam thông thường độ phân giải từ 720p.

2. Dữ liệu hình ảnh cá nhân của học viên có bị lưu trữ và vi phạm quyền riêng tư không?

Hệ thống tuân thủ nghiêm ngặt nguyên tắc bảo mật. Luồng video chỉ được tiêu thụ tạm thời trên bộ nhớ RAM của ML Server để phân tích trích xuất chỉ số (Metadata: Tên cảm xúc, tỷ lệ phần trăm tập trung), sau đó khung hình bị xóa ngay lập tức. Máy chủ hoàn toàn không ghi hình hay lưu trữ ảnh khuôn mặt của học viên vào cơ sở dữ liệu nếu không có sự đồng thuận bằng văn bản.

3. Khi mất kết nối Internet đột ngột, hệ thống xử lý như thế nào?

Nhờ cơ chế tự phục hồi của giao thức WebSocket và ICE Gathering trong WebRTC, khi mạng học viên chập chờn, hệ thống sẽ tự động hạ độ phân giải luồng video (Simulcast/SVC) và cố gắng kết nối lại (Auto-reconnect) trong vòng 5 giây mà không làm gián đoạn buổi học của các thành viên khác.

4. Hệ thống phân biệt thế nào giữa việc học viên chớp mắt bình thường và ngủ gật?

Thuật toán tính toán chỉ số EAR theo trục thời gian thực (Time-series thresholding). Hiện tượng chớp mắt sinh lý bình thường chỉ làm giảm EAR dưới ngưỡng trong khoảng 0.1–0.3 giây. Hệ thống chỉ gán nhãn "Ngủ gật" hoặc "Mất tập trung" khi chỉ số EAR duy trì dưới ngưỡng liên tục quá 2.0–3.0 giây.

5. Chi phí triển khai và khả năng mở rộng hệ thống như thế nào?

Nhờ kiến trúc SFU của Mediasoup với lõi C++ non-blocking, một máy chủ đám mây tiêu chuẩn có thể phục vụ hàng trăm kết nối đồng thời với mức sử dụng băng thông và CPU chỉ bằng 20% so với kiến trúc MCU truyền thống, giúp tối ưu hóa chi phí vận hành cho các trường học và trung tâm giáo dục.

Kết luận

Đề tài khóa luận tốt nghiệp của nhóm tác giả Đỗ Đặng Kiến Nam và Phạm Phú Tuấn dưới sự hướng dẫn của PGS. TS Nguyễn Đình Thuân đã giải quyết xuất sắc bài toán cốt lõi trong giáo dục trực tuyến: xóa bỏ khoảng cách vô hình về mặt cảm xúc và sự tương tác giữa người dạy và người học. Bằng việc kết hợp nhuần nhuyễn giữa kiến trúc hạ tầng truyền thông WebRTC Mediasoup hiện đại và các kỹ thuật học sâu thị giác máy tính tối ưu (VGG16, MTCNN, Hybrid SGD-Adamax, EAR/MAR), nền tảng Streamy đã chứng minh tính khả thi, độ tin cậy và tiềm năng ứng dụng thực tế to lớn trong kỷ nguyên chuyển đổi số giáo dục.