GIẢI PHÁP GỢI Ý TRONG VIỆC CỐ VẤN HỌC TẬP
Khoa học máy tính
Luận án "GIẢI PHÁP GỢI Ý TRONG VIỆC CỐ VẤN HỌC TẬP" tập trung giải quyết vấn đề số lượng sinh viên buộc thôi học gia tăng tại các trường đại học, đặc biệt ở năm thứ ba và thứ tư, do kế hoạch học tập không phù hợp. Công trình nhấn mạnh sự cần thiết của việc phát hiện sớm năng lực sinh viên để hỗ trợ cố vấn học tập và xây dựng kế hoạch học tập cá nhân hóa.
Nghiên cứu chỉ ra sự tương đồng giữa bài toán dự đoán kết quả học tập của sinh viên và hệ thống gợi ý (Recommender Systems), áp dụng các phương pháp lọc cộng tác như lọc theo sinh viên tương tự (Student-based filtering), lọc theo môn học tương tự (Course-based filtering) và lọc theo mô hình (Model-based filtering) để dự đoán năng lực học tập. Các thách thức chính bao gồm việc cá nhân hóa dự đoán, xử lý đánh giá không đồng nhất (thiên vị), thiếu xem xét các mối quan hệ giữa sinh viên và giữa các môn học, cùng với việc nâng cao độ chính xác thông qua các mô hình tích hợp.
Luận án đề xuất năm mục tiêu chính: phát triển kỹ thuật khai phá dữ liệu để gợi ý môn học cá nhân hóa; đề xuất phương pháp giải quyết vấn đề đánh giá không đồng đều; tích hợp mối quan hệ giữa sinh viên và giữa các môn học vào mô hình dự đoán; và ứng dụng kỹ thuật học sâu vào phân rã ma trận (Matrix Factorization - MF) cùng phân rã ma trận thiên vị (Biased Matrix Factorization - BMF) để nâng cao hiệu quả. Phạm vi nghiên cứu tập trung vào các mô hình dự đoán và dữ liệu khai phá, thực nghiệm trên hai tập dữ liệu ở Việt Nam và quốc tế.
Các đóng góp chính của luận án bao gồm: đề xuất mô hình gợi ý lựa chọn môn học theo hướng tiếp cận hệ thống gợi ý, đồng thời giải quyết vấn đề dữ liệu đánh giá không đồng nhất; đề xuất mô hình tích hợp kiến trúc học sâu vào giải thuật phân rã ma trận và phân rã ma trận thiên vị; đề xuất phương pháp tích hợp mối quan hệ người dùng và mối liên quan giữa các môn học vào mô hình dự đoán để tận dụng ảnh hưởng tương tác, nâng cao hiệu quả dự đoán. Kết quả thực nghiệm trên các tập dữ liệu ASSISTments và CTU cho thấy các phương pháp đề xuất, đặc biệt là Deep Biased Matrix Factorization (DBMF) và tích hợp mối quan hệ (CRMF), đạt được độ lỗi RMSE thấp hơn so với các giải thuật cơ sở.
Về mặt thực tiễn, luận án hướng tới xây dựng công cụ trực quan hỗ trợ sinh viên ra quyết định lập kế hoạch học tập. Các hướng phát triển tương lai bao gồm nghiên cứu kỹ thuật phân rã ma trận theo thời gian (Time Series MF), phân rã ma trận tuần tự (Sequence MF) và ứng dụng mạng thần kinh đồ thị (Graph Neural Networks) để giải quyết các hạn chế hiện có.