THÔNG TIN VỀ LUẬN ÁN
Tên luận án: Xây dựng mô hình tìm kiếm và gợi ý tài nguyên học tập
Chuyên ngành: Hệ thông thông tin
Mã ngành: 62 48 01 04
Họ tên nghiên cứu sinh: Trần Thanh Điện
Người hướng dẫn khoa học: PGS.TS. Nguyễn Thái Nghe
Cơ sở đào tạo: Trường Đại học Cần Thơ
1. Tóm tắt nội dung luận án
Trong những năm gần đây, cùng với sự phát triển rất nhanh của công nghệ hỗ trợ giáo dục trực tuyến, nhu cầu học tập mở ngày càng gia tăng, đặc biệt trong bối cảnh hạn chế tiếp xúc trực tiếp giữa người dạy và người học do tình hình dịch bệnh và nhiều lý do khác. Vấn đề đặt ra là cần có các mô hình tìm kiếm tài nguyên học tập, giúp cho việc tìm kiếm và sử dụng tài nguyên học tập hiệu quả hơn khi mà tài nguyên học tập ngày càng đa dạng và không ngừng gia tăng. Luận án đề xuất các mô hình tìm kiếm và gợi ý tài nguyên học tập. Để giải quyết được mục tiêu này, luận án chia bài toán lớn thành các bài toán nhỏ để giải quyết như bài toán phân loại, tìm kiếm, dự đoán và gợi ý. Các vấn đề chính được giải quyết bao gồm:
Thứ nhất, luận án đề xuất mô hình phân loại tài nguyên học tập dựa trên kỹ thuật học sâu (deep learning) với mạng nơ-ron truyền thẳng đa tầng (MLP).
Thứ hai, để tìm kiếm tài nguyên học tập được hiệu quả, luận án đề xuất hai cách tiếp cận gồm tìm kiếm tài nguyên học tập dựa trên tính toán độ tương đồng về nội dung văn bản và tìm kiếm dựa trên mạng ngữ nghĩa ontology.
Thứ ba, luận án đề xuất các mô hình dự đoán kết quả học tập với các cách tiếp cận khác nhau dựa trên các kỹ thuật học sâu, bao gồm mô hình dự đoán kết quả học tập cho toàn bộ sinh viên sử dụng mạng nơ-ron tích chập (CNN), mô hình dự đoán theo nhóm năng lực học tập sửdụng mạng nơ-ron đa tầng (MLP) và kỹ thuật rừng ngẫu nhiên (RF), và mô hình dự đoán theo từng sinh viên sử dụng bộ nhớ ngắn dài hạn (LSTM).
Cuối cùng, để gợi ý tài nguyên học tập, luận án đề xuất mô hình phân rã ma trận sâu (DMF) được mở rộng từ mô hình phân rã ma trận chuẩn (MF).
2. Những kết quả mới của luận án
Thứ nhất, mô hình phân loại tài nguyên học tập được đề xuất nhằm giới hạn được không gian tìm kiếm giúp cho quá trình tìm kiếm tài nguyên học tập đạt hiệu quả hơn. Đóng góp mới của luận án là đề xuất sử dụng kỹ thuật học sâu với mạng nơ-ron truyền thẳng đa tầng MLP để phân loại tài nguyên học tập. Kết quả cho thấy đề xuất này khả thi hơn so với việc sử dụng các kỹ thuật máy học khác như cây quyết định, máy học véc-tơ hỗ trợ…, đặc biệt đã thực nghiệm trên nhiều tập dữ liệu thuộc nhiều ngôn ngữ khác nhau, các tập dữ liệu ở dạng mất cân bằng về số lớp, số mẫu.
Thứ hai, các mô hình tìm kiếm tài nguyên học tập được đề xuất giúp cho việc tìm kiếm và sử dụng tài nguyên được hiệu quả hơn trong bối cảnh nguồn tài nguyên học tập ngày càng đa dạng và không ngừng gia tăng. Đóng góp mới của luận án là đề xuất hai cách tiếp cận, đó là tìm kiếm dựa trên tính toán sự tương đồng về nội dung văn bản và dựa trên mạng ngữ nghĩa ontology với bài toán cụ thể là tìm kiếm ngữ nghĩa trên bốn lĩnh vực về công nghệ thông tin.
Thứ ba, luận án đề xuất các mô hình dự đoán kết quả học tập hay kết quả sử dụng tài nguyên học tập với các cách tiếp cận dựa trên các kỹ thuật học sâu. Đóng góp mới của luận án là đề xuất xây dựng các mô hình gồm: mô hình dự đoán cho toàn bộ sinh viên sử dụng mạng nơ-ron tích chập CNN, mô hình dự đoán theo nhóm năng lực học tập sử dụng mạng nơ-ron đa tầng MLP và kỹ thuật máy học rừng ngẫu nhiên RF, và mô hình dự đoán theo từng sinh viên sử dụng bộ nhớ ngắn dài hạn LSTM. Ngoài ra, luận án cũng đề xuất sử dụng kỹ thuật tiền xử lý dữ liệu QTF (Quantile Transformation) trước khi đưa vào mô hình nhằm giúp cho mô hình dự đoán đạt kết quả tốt hơn.
…
