Tổng quan nghiên cứu

Trong bối cảnh ngành giáo dục phát triển mạnh mẽ và cạnh tranh thu hút học sinh ngày càng gay gắt, công tác tư vấn tuyển sinh trở thành một vấn đề trọng yếu đối với các trường đại học, trong đó có Trường Đại học Phan Thiết. Theo báo cáo của ngành, mặc dù Nhà trường đã triển khai nhiều chương trình tư vấn tuyển sinh đa dạng trên địa bàn tỉnh Bình Thuận và các tỉnh lân cận, khảo sát thực tế cho thấy vẫn còn một lượng không nhỏ học sinh chưa tiếp cận đầy đủ thông tin về ngành nghề, cũng như chưa được giải đáp thắc mắc một cách nhanh chóng và chính xác. Hằng năm, Nhà trường phải chi một khoản kinh phí đáng kể cho đội ngũ tư vấn tuyển sinh nhưng vẫn chưa đáp ứng được nhu cầu tư vấn ngoài giờ hành chính và xử lý các câu hỏi lặp lại hiệu quả.

Mục tiêu của luận văn là xây dựng một hệ thống tư vấn tuyển sinh tự động hoạt động 24/7, giúp trả lời kịp thời các câu hỏi của học sinh và phụ huynh, giảm tải cho đội ngũ tư vấn truyền thống. Nghiên cứu tập trung vào việc phát triển Chatbot tư vấn tuyển sinh dựa trên Rasa Framework, ứng dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) và học máy để nâng cao khả năng tương tác tự nhiên và chính xác. Phạm vi nghiên cứu bao gồm dữ liệu tuyển sinh năm 2022 và 2023 của Trường Đại học Phan Thiết, tập trung vào các thông tin như ngành xét tuyển, điều kiện xét tuyển, học phí, hồ sơ xét tuyển và chính sách học bổng.

Việc xây dựng hệ thống Chatbot tư vấn tuyển sinh không chỉ giúp nâng cao hiệu quả công tác tư vấn mà còn góp phần tăng tỷ lệ tiếp cận thông tin chính xác, giảm chi phí vận hành và nâng cao trải nghiệm người dùng, từ đó hỗ trợ Nhà trường trong việc thu hút và giữ chân thí sinh trong bối cảnh cạnh tranh ngày càng khốc liệt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

  • Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP): Giúp Chatbot hiểu và phân tích ngôn ngữ tự nhiên của người dùng thông qua các bước như tách từ (Tokenization), gán nhãn từ loại (POS Tagging), nhận dạng thực thể (Named Entity Recognition), phân tích ngữ cảnh và cảm xúc.

  • Mạng nơron hồi quy (Recurrent Neural Network - RNN) và biến thể LSTM (Long Short-Term Memory): Được sử dụng để xử lý chuỗi dữ liệu ngôn ngữ, giúp Chatbot ghi nhớ và hiểu các phụ thuộc dài hạn trong câu hỏi của người dùng, nâng cao độ chính xác trong việc phân loại ý định (Intent Classification).

  • Mô hình Rasa Framework: Bao gồm hai thành phần chính là Rasa NLU (xử lý ngôn ngữ tự nhiên, nhận diện ý định và trích xuất thực thể) và Rasa Core (quản lý hội thoại, quyết định hành động tiếp theo dựa trên ngữ cảnh). Rasa hỗ trợ xây dựng các kịch bản hội thoại (Stories), các hành động (Actions), chính sách (Policies) và các biến lưu trữ thông tin (Slots).

Các khái niệm chính bao gồm: Intent (ý định người dùng), Entity (thực thể thông tin), Dialogue Manager (quản lý hội thoại), Natural Language Generation (sinh ngôn ngữ tự nhiên), và các loại Chatbot như Rule-based, Contextual, Hybrid.

Phương pháp nghiên cứu

Luận văn sử dụng kết hợp phương pháp nghiên cứu lý thuyết và thực nghiệm:

  • Nguồn dữ liệu: Thu thập dữ liệu thực tế từ đề án tuyển sinh năm 2022 và 2023 của Trường Đại học Phan Thiết, bao gồm các thông tin về ngành học, điều kiện xét tuyển, học phí, hồ sơ xét tuyển, chính sách học bổng. Dữ liệu được bổ sung từ các chuyên gia tư vấn tuyển sinh để xây dựng bộ dữ liệu huấn luyện cho Chatbot.

  • Phương pháp phân tích: Áp dụng kỹ thuật học máy, đặc biệt là mạng nơron hồi quy LSTM và các thuật toán phân loại ý định trong Rasa NLU để xây dựng mô hình nhận diện ý định và trích xuất thực thể. Sử dụng Rasa Core để thiết kế kịch bản hội thoại, quản lý trạng thái và hành động của Chatbot.

  • Timeline nghiên cứu: Quá trình nghiên cứu kéo dài trong năm 2023, bắt đầu từ việc thu thập và xử lý dữ liệu, xây dựng mô hình, huấn luyện và đánh giá Chatbot trên môi trường thực nghiệm tại Trường Đại học Phan Thiết. Các bước thực nghiệm bao gồm đào tạo mô hình, thử nghiệm với các tình huống thực tế và cải tiến dựa trên kết quả đánh giá.

Phương pháp thực nghiệm chủ yếu là xây dựng, huấn luyện và đánh giá Chatbot dựa trên dữ liệu thực tế, đồng thời so sánh hiệu suất với các phương pháp truyền thống để chứng minh tính khả thi và hiệu quả của hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả nhận diện ý định (Intent Classification): Chatbot đạt độ chính xác trên 90% trong việc phân loại các ý định của người dùng dựa trên bộ dữ liệu huấn luyện từ đề án tuyển sinh. Ma trận nhầm lẫn (Confusion Matrix) cho thấy tỷ lệ nhầm lẫn giữa các intent chủ yếu dưới 5%, minh chứng cho khả năng hiểu ngôn ngữ tự nhiên của hệ thống.

  2. Khả năng trích xuất thực thể (Entity Extraction): Hệ thống nhận diện chính xác các thực thể quan trọng như ngành học, phương thức xét tuyển, điều kiện xét tuyển với tỷ lệ chính xác khoảng 88-92%. Điều này giúp Chatbot cung cấp thông tin chi tiết và phù hợp với yêu cầu của học sinh.

  3. Tính năng phản hồi tự nhiên và đa dạng: Việc xây dựng nhiều mẫu câu trả lời (utterances) cho mỗi intent giúp Chatbot trả lời linh hoạt, tránh lặp lại và tạo cảm giác tự nhiên trong giao tiếp. Ví dụ, với intent hỏi về học phí ngành Công nghệ thông tin, Chatbot có thể trả lời bằng nhiều cách khác nhau, tăng trải nghiệm người dùng.

  4. Hoạt động 24/7 và giảm tải cho đội ngũ tư vấn: Chatbot có thể xử lý đồng thời hàng trăm lượt tương tác mỗi ngày, giúp giảm đáng kể khối lượng công việc cho nhân viên tư vấn tuyển sinh, đồng thời đảm bảo học sinh và phụ huynh được giải đáp kịp thời mọi lúc, kể cả ngoài giờ hành chính.

Thảo luận kết quả

Nguyên nhân chính giúp Chatbot đạt hiệu quả cao là do việc áp dụng Rasa Framework với khả năng tùy chỉnh linh hoạt, kết hợp mạng nơron LSTM giúp xử lý tốt các chuỗi ngôn ngữ phức tạp. So với các nghiên cứu trước đây về Chatbot trong giáo dục, hệ thống này có ưu điểm vượt trội về khả năng nhận diện ý định và trích xuất thực thể nhờ dữ liệu huấn luyện phong phú và kịch bản hội thoại được thiết kế sát thực tế.

Kết quả thực nghiệm có thể được trình bày qua biểu đồ độ chính xác theo từng intent, bảng ma trận nhầm lẫn ý định, và biểu đồ so sánh số lượng câu hỏi được trả lời thành công trước và sau khi triển khai Chatbot. Những kết quả này khẳng định tính khả thi và hiệu quả của việc ứng dụng Chatbot trong công tác tư vấn tuyển sinh, góp phần nâng cao chất lượng dịch vụ và tiết kiệm nguồn lực.

Tuy nhiên, một số hạn chế như khả năng xử lý các câu hỏi phức tạp hoặc chưa có trong dữ liệu huấn luyện vẫn còn tồn tại, đòi hỏi việc cập nhật và huấn luyện mô hình liên tục để cải thiện hiệu suất.

Đề xuất và khuyến nghị

  1. Triển khai rộng rãi hệ thống Chatbot tư vấn tuyển sinh: Đề nghị Nhà trường áp dụng hệ thống Chatbot trên các nền tảng web và mạng xã hội để tăng khả năng tiếp cận học sinh và phụ huynh, đảm bảo hỗ trợ 24/7, giảm tải cho đội ngũ tư vấn truyền thống. Thời gian thực hiện trong vòng 6 tháng.

  2. Cập nhật và mở rộng dữ liệu huấn luyện thường xuyên: Định kỳ thu thập phản hồi, bổ sung các câu hỏi mới và cập nhật thông tin tuyển sinh để nâng cao độ chính xác và khả năng xử lý của Chatbot. Chủ thể thực hiện là bộ phận công nghệ thông tin phối hợp với phòng tuyển sinh, thực hiện hàng quý.

  3. Đào tạo nhân viên và cán bộ tư vấn về sử dụng và quản lý Chatbot: Tổ chức các khóa đào tạo để nhân viên hiểu rõ cách vận hành, khai thác dữ liệu từ Chatbot nhằm nâng cao hiệu quả công tác tư vấn. Thời gian đào tạo trong 3 tháng đầu sau khi triển khai.

  4. Phát triển các tính năng nâng cao như hỗ trợ đa ngôn ngữ và tích hợp trí tuệ nhân tạo nâng cao: Nâng cấp Chatbot để hỗ trợ tiếng Anh và các ngôn ngữ khác, đồng thời tích hợp các mô hình học sâu để cải thiện khả năng hiểu ngữ cảnh và phản hồi tự nhiên hơn. Kế hoạch thực hiện trong vòng 12 tháng tiếp theo.

  5. Theo dõi và đánh giá hiệu quả liên tục: Thiết lập hệ thống giám sát, thu thập dữ liệu sử dụng và phản hồi người dùng để đánh giá hiệu quả hoạt động của Chatbot, từ đó điều chỉnh và cải tiến phù hợp. Chủ thể thực hiện là phòng công nghệ thông tin và phòng tuyển sinh, đánh giá hàng năm.

Đối tượng nên tham khảo luận văn

  1. Các trường đại học và cao đẳng: Có thể áp dụng mô hình Chatbot tư vấn tuyển sinh để nâng cao hiệu quả công tác tuyển sinh, giảm tải cho đội ngũ tư vấn và cải thiện trải nghiệm người học.

  2. Nhà quản lý giáo dục và phòng tuyển sinh: Sử dụng kết quả nghiên cứu để xây dựng chiến lược tư vấn tuyển sinh hiện đại, ứng dụng công nghệ AI nhằm nâng cao chất lượng dịch vụ và tăng cường tương tác với thí sinh.

  3. Chuyên gia công nghệ thông tin và phát triển phần mềm: Tham khảo kiến thức về ứng dụng Rasa Framework, kỹ thuật xử lý ngôn ngữ tự nhiên và mạng nơron hồi quy trong phát triển Chatbot chuyên nghiệp.

  4. Sinh viên và nghiên cứu sinh ngành Công nghệ thông tin, Trí tuệ nhân tạo: Học hỏi về quy trình xây dựng, huấn luyện và đánh giá hệ thống Chatbot trong thực tế, từ đó phát triển các đề tài nghiên cứu hoặc ứng dụng mới.

Mỗi nhóm đối tượng có thể áp dụng các kiến thức và kết quả nghiên cứu để phát triển các giải pháp công nghệ phù hợp với nhu cầu thực tế, nâng cao hiệu quả công tác tư vấn và tương tác trong lĩnh vực giáo dục.

Câu hỏi thường gặp

  1. Chatbot tư vấn tuyển sinh có thể thay thế hoàn toàn nhân viên tư vấn không?
    Chatbot hỗ trợ trả lời các câu hỏi thường gặp và cung cấp thông tin nhanh chóng 24/7, nhưng không thể thay thế hoàn toàn nhân viên tư vấn trong các trường hợp phức tạp hoặc cần tư vấn cá nhân hóa. Chatbot giúp giảm tải và nâng cao hiệu quả công việc.

  2. Làm thế nào để Chatbot hiểu được các câu hỏi đa dạng của người dùng?
    Chatbot sử dụng kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) và học máy để nhận diện ý định (Intent) và trích xuất thông tin (Entity) từ câu hỏi. Việc huấn luyện trên bộ dữ liệu phong phú giúp Chatbot hiểu được nhiều cách diễn đạt khác nhau.

  3. Chatbot có thể cập nhật thông tin tuyển sinh mới nhất như thế nào?
    Thông tin tuyển sinh được cập nhật định kỳ vào cơ sở dữ liệu và bộ dữ liệu huấn luyện của Chatbot. Việc này giúp Chatbot trả lời chính xác các câu hỏi liên quan đến ngành học, điều kiện xét tuyển, học phí và chính sách học bổng mới nhất.

  4. Rasa Framework có ưu điểm gì so với các nền tảng Chatbot khác?
    Rasa là mã nguồn mở, miễn phí, hỗ trợ tùy chỉnh cao và tích hợp nhiều kênh nhắn tin. Nó cho phép xây dựng các kịch bản hội thoại phức tạp, quản lý trạng thái hội thoại và cải thiện hiệu suất qua học máy, phù hợp với các dự án đòi hỏi tính linh hoạt cao.

  5. Làm sao để đánh giá hiệu quả của Chatbot tư vấn tuyển sinh?
    Hiệu quả được đánh giá qua các chỉ số như độ chính xác nhận diện ý định, tỷ lệ trả lời đúng câu hỏi, thời gian phản hồi, mức độ hài lòng của người dùng và giảm tải công việc cho nhân viên tư vấn. Các kết quả này có thể được đo lường qua khảo sát và phân tích dữ liệu sử dụng.

Kết luận

  • Luận văn đã xây dựng thành công hệ thống Chatbot tư vấn tuyển sinh tự động cho Trường Đại học Phan Thiết, ứng dụng Rasa Framework và các kỹ thuật xử lý ngôn ngữ tự nhiên, mạng nơron hồi quy LSTM.
  • Hệ thống đạt độ chính xác trên 90% trong nhận diện ý định và trích xuất thực thể, giúp trả lời nhanh chóng, chính xác các câu hỏi của học sinh và phụ huynh.
  • Chatbot hoạt động 24/7, giảm tải đáng kể cho đội ngũ tư vấn tuyển sinh truyền thống, đồng thời nâng cao trải nghiệm người dùng và hiệu quả công tác tuyển sinh.
  • Đề xuất triển khai rộng rãi, cập nhật dữ liệu thường xuyên, đào tạo nhân viên và phát triển các tính năng nâng cao để tối ưu hóa hiệu quả hệ thống.
  • Các bước tiếp theo bao gồm mở rộng phạm vi ứng dụng, tích hợp đa ngôn ngữ và nâng cao khả năng xử lý các tình huống phức tạp, đồng thời theo dõi, đánh giá và cải tiến liên tục.

Quý độc giả và các đơn vị quan tâm được khuyến khích áp dụng và phát triển hệ thống Chatbot tư vấn tuyển sinh nhằm nâng cao chất lượng giáo dục và dịch vụ đào tạo trong thời đại công nghệ số.