Nghiên cứu learning analytics và áp dụng trong bài toán dự báo kết quả học tập

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ MINH ĐỨC NGHIÊN CỨU LEARNING ANALYTICS VÀ ÁP DỤNG TRONG BÀI TOÁN DỰ BÁO KẾT QUẢ HỌC TẬP LUẬN VĂN THẠC SĨ NGÀNH KỸ THUẬT PHẦN MỀM Hà Nội – 2021 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ MINH ĐỨC NGHIÊN CỨU LEARNING ANALYTICS VÀ ÁP DỤNG TRONG BÀI TOÁN DỰ BÁO KẾT QUẢ HỌC TẬP Ngành: Công nghệ thông tin Chuyên ngành: Kỹ thuật phần mềm Mã số: 60480103 LUẬN VĂN THẠC SĨ NGÀNH KỸ THUẬT PHẦN MỀM NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS Nguyễn Việt Anh Hà Nội – 2021 I TĨM TẮT Thành tích học tập ln vấn đề quan trọng dành nhiều quan tâm khơng người học, mà cịn sở giáo dục đào tạo, quan sử dụng nhân lực Nó khơng thể lực thân sinh viên đó, mà cịn có ảnh hưởng đến địa vị hội sống họ Chính vậy, phần lớn bạn sinh viên mong muốn biết trước điểm số xếp loại cuối kỳ mà họ đạt được, từ có cân nhắc điều chỉnh, thay kế hoạch, phương pháp học tập tương lai để đạt kết học tập tốt Với mục tiêu giúp đỡ sinh viên ước lượng điểm số thân, luận văn tiến hành nghiên cứu phương pháp Learning Analytics phương pháp học máy phổ biến Collaborative Filtering Matrix Factorization Dựa sở đó, kết hợp với kết nghiên cứu toán dự đoán kết học tập kiểm chứng, luận văn đề xuất hai loại mơ hình: mơ hình dự báo kết học tập dựa hoạt động tương tác người học trình học tập trực tuyến, mơ hình dự báo kết dựa kết có học kỳ trước Sau đề xuất mơ hình, nghiên cứu tiến hành kiểm thử mơ hình tập liệu thực tế thu thập trường Đại học Công nghệ - Đại học Quốc gia Hà Nội, qua có đánh giá ưu, nhược điểm mơ hình q trình triển khai, huấn luyện dự đốn Chính ưu, nhược điểm yếu tố đánh giá khả ứng dụng thực tiễn mơ hình Kết nghiên cứu hy vọng giúp sở giáo dục lựa chọn mơ hình dự báo kết học tập phù hợp đóng góp thêm cho nghiên cứu liên quan sau Từ khóa: Phân tích học tập, Hệ thống gợi ý, Dự đoán kết học tập II LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Nghiên cứu Learning Analytics áp dụng tốn dự báo kết học tập” cơng trình nghiên cứu tôi, hướng dẫn PGS TS Nguyễn Việt Anh Các số liệu luận văn thu thập sử dụng cách trung thực Kết nghiên cứu trình bày luận văn khơng chép từ luận văn hay cơng trình nghiên cứu công bố khác trước Tất nguồn tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin chịu tồn trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Hà Nội, tháng 10 năm 2021 Lê Minh Đức III LỜI CẢM ƠN Để hồn thành cơng trình nghiên cứu luận văn này, tơi xin bày tỏ lịng biết ơn sâu sắc đến thầy giáo hướng dẫn, PGS TS Nguyễn Việt Anh, thầy tận tình hướng dẫn, bảo định hướng suốt thời gian thực nghiên cứu Cơng trình nghiên cứu luận văn tài trợ phần từ đề tài KHCN cấp ĐHQGHN, mã số đề tài: QG.20.57 Tôi xin chân thành cảm ơn thầy Ban giám hiệu Nhà trường, tồn thể thầy giáo trường Đại học Công nghệ - Đại học Quốc gia Hà Nội nói chung Khoa Cơng nghệ Thơng tin nói riêng tạo điều kiện cho tơi học tập kiến thức mới, kinh nghiệm, hiểu biết hồn thành luận văn Tơi xin gửi lời cảm ơn chân thành đến anh em đồng nghiệp Trung tâm Máy tính, trường Đại học Công nghệ giúp đỡ, hỏi han, nhắc nhở suốt trình tham gia nghiên cứu luận văn Cảm ơn người san sẻ cơng việc, tạo điều kiện tốt để tơi hồn thành nghiên cứu Cuối cùng, tơi xin cảm ơn gia đình, người thân, bạn bè bên cạnh giúp đỡ, ủng hộ, động viên đưa lời khuyên trân thành để tơi hồn thành luận văn Trân trọng cảm ơn! IV MỤC LỤC TÓM TẮT I LỜI CAM ĐOAN II LỜI CẢM ƠN III MỤC LỤC IV DANH MỤC HÌNH VẼ VI DANH MỤC BẢNG BIỂU VII DANH MỤC TỪ VIẾT TẮT VIII PHẦN MỞ ĐẦU .1 CHƯƠNG TỔNG QUAN CÁC VẤN ĐỀ NGHIÊN CỨU 1.1 Phân tích học tập - Learning Analytics (LA) .5 1.1.1 Phân tích học tập gì? 1.1.2 Ứng dụng Phân tích học tập giáo dục 1.2 Hệ thống gợi ý - Recommender Systems (RS) 1.2.1 Khái niệm .8 1.2.2 Các thành phần 1.2.3 Phân loại Hệ thống gợi ý 1.3 Tổng quan nghiên cứu 11 1.3.1 Các nghiên cứu dựa kết học tập: 11 1.3.2 Các nghiên cứu dựa kết phân tích liệu học tập: 13 CHƯƠNG XÂY DỰNG MƠ HÌNH 17 2.1 Mô hình dự đốn kết học tập dựa hoạt động tương tác 17 2.2 Mơ hình dự báo kết học tập dựa điểm số .18 2.2.1 Mơ hình dự đoán kết dựa User-based Collaborative Filtering (Userbased CF) .19 2.2.2 Mơ hình dự đốn kết dựa Item-based Collaborative Filtering (Itembased CF) .21 2.2.3 Mơ hình dự đốn kết dựa Matrix Factorization (MF) 22 CHƯƠNG THỬ NGHIỆM VÀ ĐÁNH GIÁ MƠ HÌNH 25 3.1 Dự đoán kết học tập dựa hoạt động tương tác .25 V 3.1.1 Thực nghiệm 25 3.1.2 Đánh giá 29 3.2 Dự báo kết học tập dựa điểm số 30 3.2.1 Thực nghiệm 30 3.2.2 Đánh giá 42 KẾT LUẬN 44 DANH MỤC CƠNG TRÌNH KHOA HỌC LIÊN QUAN ĐẾN LUẬN VĂN 46 TÀI LIỆU THAM KHẢO .47 VI DANH MỤC HÌNH VẼ Hình 1.1 Các cấp độ phân tích học tập Hình 1.2 Ma trận user-item RS Hình 1.3 Phân loại RS .10 Hình 2.1 Mơ hình dự đoán kết học tập dựa điểm số 18 Hình 3.1 Mối tương quan kiểm tra thi cuối kỳ .28 Hình 3.2 Đường cong học tập bốn mơ hình .29 Hình 3.3 Biểu đồ kết học tập 275 sinh viên hoàn thành học kỳ 31 Hình 3.4 Biểu đồ số lượng mơn học .32 Hình 3.5 Phân bố điểm trung bình sinh viên năm thứ thứ 32 Hình 3.6 Kết kiểm thử k-fold mơ hình User-based CF với sai số RMSE 34 Hình 3.7 Kết kiểm thử mơ hình User-based dự đốn kỳ với sai số RMSE 35 Hình 3.8 Kết kiểm thử mơ hình User-based dự đốn tồn kỳ với sai số RMSE .36 Hình 3.9 Kết kiểm thử k-fold mơ hình Item-based CF với sai số RMSE 37 Hình 3.10 Kết kiểm thử mơ hình Item-based dự đốn kỳ với sai số RMSE 38 Hình 3.11 Kết kiểm thử mơ hình Item-based dự đốn tồn kỳ với sai số RMSE 39 Hình 3.12 Kết kiểm thử k-fold mơ hình MF với sai số RMSE 40 Hình 3.13 Kết kiểm thử mơ hình MF dự đốn kỳ với sai số RMSE 41 Hình 3.14 Kết kiểm thử mơ hình MF dự đốn tồn kỳ với sai số RMSE .42 VII DANH MỤC BẢNG BIỂU Bảng 3.1 Thống kê hoạt động tương tác sinh viên khóa học kết hợp 26 Bảng 3.2 Kết đánh giá mơ hình 28 Bảng 3.3 Thống kê liệu thử nghiệm mơ hình dự báo kết học tập dựa điểm số 30 Bảng 3.4 Kết kiểm thử k-fold mơ hình User-based CF 34 Bảng 3.5 Kết kiểm thử mơ hình User-based dự đoán kỳ 35 Bảng 3.6 Kết kiểm thử mơ hình User-based dự đốn tồn kỳ 36 Bảng 3.7 Kết kiểm thử k-fold mơ hình Item-based CF 37 Bảng 3.8 Kết kiểm thử mơ hình Item-based dự đoán kỳ 38 Bảng 3.9 Kết kiểm thử mơ hình Item-based dự đốn tồn kỳ 38 Bảng 3.10 Kết kiểm thử k-fold mơ hình MF 40 Bảng 3.11 Kết kiểm thử mơ hình MF dự đốn kỳ 41 Bảng 3.12 Kết kiểm thử mơ hình MF dự đốn tồn kỳ 42 VIII DANH MỤC TỪ VIẾT TẮT LA Learning Analytics RS Recommender System Item-based CF Item based collaborative filtering User-based CF User based collaborative filtering CF Collaborative Filtering MF Matrix factorization MAE Mean absolute error MSE Mean squared error RMSE Root mean squared error CSDL Cơ sở liệu (dataset) 35 Với kết kiểm thử k-fold ngẫu nhiên hai bảng 3.4 biểu đồ hình 3.6, ta thấy với mơ hình User-based CF trường hợp sử dụng độ tương quan pearson có độ xác bị ảnh hưởng nhiều tập huấn luyện tập kiểm thử Ngoài ra, trường hợp kiểm thử với k-fold mơ hình đạt độ xác cao Bên cạnh đó, sử dụng độ tương quan pearson, mơ hình cho sai số dự đốn cao so với sử dụng độ tương tự cosine Kết kiểm thử dự đoán kỳ kế tiếp: Gọi semester thứ tự kỳ học tại, có giá trị từ đến Ví dụ, semester tức kỳ học xét học kỳ thứ ba kỳ năm thứ hai Và tất điểm từ kỳ thứ đến kỳ thứ ba dùng làm tập kiểm thử để dự đoán điểm kỳ semester Cosine MAE Cosine RMSE Pearson MAE Pearson RMSE 1,418 1,871 1,556 2,096 1,379 1,862 1,488 2,063 1,176 1,686 1,322 1,990 1,300 1,836 1,455 2,136 1,185 1,881 1,279 2,013 Bảng 3.5 Kết kiểm thử mơ hình User-based dự đốn kỳ Hình 3.7 Kết kiểm thử mơ hình User-based dự đốn kỳ với sai số RMSE 36 Trong phương pháp kiểm thử này, nghiên cứu sử dụng tập huấn luyện tập kiểm thử lần kiểm thử khác Do đó, kết lần kiểm thử khác mơ hình User-based CF Ngồi ra, nhìn vào bảng kết 3.5 hình 3.7, ta thấy kỳ thứ dự đoán điểm số kỳ số cho kết có độ xác cao Kết kiểm thử dự đốn tồn kỳ Tương tự trên, kiểm thử này, nghiên cứu không dự đoán kỳ mà dự đốn tồn kỳ tiếp tiếp học kỳ cuối ứng với semester Kết kiểm thử thể bảng 3.6 hình 3.8 semester Cosine MAE Cosine RMSE Pearson MAE Pearson RMSE 1,418 1,921 1,589 2,220 1,313 1,846 1,467 2,101 1,244 1,802 1,408 2,084 1,253 1,845 1,356 2,033 1,185 1,881 1,279 2,013 Bảng 3.6 Kết kiểm thử mô hình User-based dự đốn tồn kỳ Hình 3.8 Kết kiểm thử mơ hình User-based dự đốn toàn kỳ với sai số RMSE So sánh kết kiểm thử với kết kiểm thử phương pháp dự đoán kỳ phần trên, thấy sai số dự đốn phép kiểm thử toàn kỳ cao 37 Lý chênh lệch dự đốn điểm kỳ xa so với sai lệch xảy lớn Phương pháp Item-based CF: Tương tự mô hình User-based CF, mơ hình Item-based CF chuẩn hóa liệu theo hàng trước tính độ tương tự Kết kiểm thử k-fold ngẫu nhiên k-fold Cosine MAE Cosine RMSE Pearson MAE Pearson RMSE 1,346 1,879 1,342 1,880 1,351 1,877 1,328 1,882 1,348 1,906 1,355 1,894 1,342 1,865 1,338 1,864 10 1,333 1,857 1,318 1,825 Bảng 3.7 Kết kiểm thử k-fold mô hình Item-based CF Hình 3.9 Kết kiểm thử k-fold mơ hình Item-based CF với sai số RMSE Nhìn vào kết kiểm thử bảng 3.7 hình 3.9, thấy độ xác mơ hình Item-based CF sử dụng độ tương tự cosine hay độ tương quan pearson khơng có q nhiều khác biệt, khác với mơ hình User-based CF phía Với kfold khác nhau, độ xác mơ hình khơng có thay đổi nhiểu Có thể kết luận mơ hình Item-based CF mơ hình tương đối ổn định 38 Kết kiểm thử dự đoán kỳ Trong trường hợp kiểm thử dự đoán kỳ kết thu sử dụng mơ hình Item-based CF lại khơng q khác biệt so với kết tốt mơ hình User-based CF semester Cosine MAE Cosine RMSE Pearson MAE Pearson RMSE 1,375 1,891 1,371 1,883 1,380 1,908 1,376 1,902 1,163 1,721 1,158 1,715 1,278 1,856 1,275 1,854 1,141 1,918 1,136 1,910 Bảng 3.8 Kết kiểm thử mơ hình Item-based dự đốn kỳ Hình 3.10 Kết kiểm thử mơ hình Item-based dự đốn kỳ với sai số RMSE Kết kiểm thử dự đốn tồn kỳ semester Cosine MAE Cosine RMSE Pearson MAE Pearson RMSE 1,386 1,959 1,383 1,952 1,301 1,888 1,297 1,884 1,214 1,832 1,210 1,828 1,223 1,873 1,219 1,869 1,141 1,918 1,136 1,910 Bảng 3.9 Kết kiểm thử mơ hình Item-based dự đốn tồn kỳ 39 Hình 3.11 Kết kiểm thử mơ hình Item-based dự đốn toàn kỳ với sai số RMSE Kiểm thử dự đốn tồn kỳ với mơ hình Item-based CF dù sử dụng phương pháp độ tương tự cosine hay độ tương quan pearson cho kết khơng q khác biệt Kết dự đốn học kỳ có sai số MAE thấp nhất, khác với sai số RMSE Độ mát học kỳ có chênh lệch đáng kể so với học kỳ khác Do đó, dự đốn điểm mơn học phổ biến có đầy đủ thơng tin có độ xác cao so với môn học khác Phương pháp MF: Với mô hình MF, nghiên cứu kiểm thử với số lượng đặc trưng khác 3, Với số lượng đặc trưng lớn mơ hình có xu hướng fitting với liệu huấn luyện, nhiên thời gian huấn luyện tính tốn tăng lên Kết kiểm thử k-fold ngẫu nhiên So sánh kết kiểm thử k-fold ngẫu nhiên mô hình MF với mơ hình Userbased CF mơ hình Item-based CF, ta thấy mơ hình MF có độ xác cao nhiều với trường hợp k-features dùng để kiểm thử Ở k-fold khác nhau, độ xác mơ hình khơng thay đổi nhiều 40 k-fold 3-features MAE 3-features RMSE 5-features MAE 5-features RMSE 7-features MAE 7-features RMSE 1,074 1,668 1,120 1,730 1,139 1,744 1,117 1,701 1,082 1,695 1,091 1,673 1,079 1,654 1,085 1,660 1,064 1,649 1,078 1,663 1,120 1,686 1,101 1,673 1,103 1,677 1,093 1,672 1,08 1,682 Bảng 3.10 Kết kiểm thử k-fold mơ hình MF Hình 3.12 Kết kiểm thử k-fold mơ hình MF với sai số RMSE Kết kiểm thử dự đoán kỳ Kết phép kiểm thử dự đoán kỳ mơ hình MF có chênh lệch lớn so với phép kiểm thử k-fold có thiếu thơng tin điểm mơn học học kỳ học kỳ MF mơ hình hiệu trường hợp cold start nên loại bỏ lượng lớn thông tin đặc biệt thông tin quan hệ mật thiết với khiến mơ hình trở nên xác Tuy nhiên, nhìn vào kết dự đoán học kỳ thứ 3, ta thấy dự đoán tương đối xác trường hợp tốt mơ hình User-based CF học kỳ 2, 3, Ngồi ra, dự đốn điểm học kỳ thứ học kỳ thứ 5, mơ hình có sai số dự đốn cao Điều thiếu thông tin sinh viên học kỳ thứ lượng thông tin thưa thớt môn 41 học tự chọn từ học kỳ thứ trở Các mơn học tự chọn thường có số lượng sinh viên đăng ký theo học không cố định, khác với môn hay chuyên ngành bắt buộc học kỳ trước dẫn đến dự đốn sai lệch nghiêm trọng thiếu thông tin điểm semester 3-features MAE 3-features RMSE 5-features MAE 5-features RMSE 7-features MAE 7-features RMSE 1,441 1,908 1,464 1,943 1,477 1,962 1,402 1,890 1,393 1,892 1,421 1,928 1,373 1,820 1,329 1,830 1,292 1,767 1,309 1,846 1,314 1,861 1,34 1,917 1,538 2,051 1,476 2,065 1,459 2,023 Bảng 3.11 Kết kiểm thử mơ hình MF dự đốn kỳ Hình 3.13 Kết kiểm thử mơ hình MF dự đốn kỳ với sai số RMSE Kết dự đốn tồn kỳ Kết kiểm thử với mơ hình MF tương tự kết kiểm thử với mơ hình Userbased CF dự đốn tất học kỳ cịn lại Việc thiếu thông tin điểm số kỳ dẫn đến kết sử dụng mơ hình User-base CF có độ xác nhỉnh so với mơ hình MF 42 semester 3-features MAE 3-features RMSE 5-features MAE 5-features RMSE 7-features MAE 7-features RMSE 1,481 1,975 1,484 1,999 1,495 2,029 1,427 1,926 1,404 1,924 1,417 1,952 1,418 1,912 1,384 1,915 1,384 1,912 1,390 1,917 1,366 1,925 1,378 1,956 1,538 2,051 1,476 2,065 1,459 2,023 Bảng 3.12 Kết kiểm thử mơ hình MF dự đốn tồn kỳ Hình 3.14 Kết kiểm thử mơ hình MF dự đốn tồn kỳ với sai số RMSE 3.2.2 Đánh giá Khi dự đoán kết học tập sinh viên, nghiên cứu tiến hành chia nhóm sinh viên theo ngành học với sinh viên khóa trên, người tham gia khóa học cần dự đốn điểm học kỳ trước đó, tương tự cách tiếp cận chia nhóm nghiên cứu Elbadrawy [5] Ngồi nghiên cứu thực phân nhóm sinh viên theo năm học để dự đoán kết học tập cho học kỳ Khi thực nghiệm dự đoán điểm môn học ngẫu nhiên, sử dụng phương pháp MF cho hiệu suất tốt so với sử dụng phương pháp CF Kết thu 43 lần khẳng định tính hiệu phương pháp MF nghiên Nguyễn Thái Nghe cộng [8] Tuy nhiên, sử dụng phương pháp MF để dự đốn điểm kỳ sau độ xác lại giảm rõ rệt so với sử dụng phương pháp User-based CF ta khơng biết điểm sinh viên kỳ kỳ sau Với phương pháp CF dự đốn kết quả, khơng có khác biệt nhiều kết sử dụng giải pháp tính độ tương tự sinh viên thông qua ma trận lực cơng thức tính độ tương tự cosine hay tương quan pearson Điều trái với nhận định nghiên cứu Chang cộng [27] cho sử dụng công thức cosine cho kết tốt Theo nghiên cứu Vaidhehi Suchithra [28] với hai mơ hình User-based CF Item-based CF, sử dụng điểm môn học lớp 12 sinh viên để tăng cường ma trận lực giúp tăng hiệu mơ hình Tuy nhiên gặp khó khăn việc tiếp cận nguồn liệu điểm năm lớp 12 sinh viên, nên nghiên cứu sử dụng phương pháp điền điểm trung bình bước tiền xử lý liệu Phương pháp không đạt hiệu mong muốn ban đầu lại phù hợp với nguồn liệu có Ngồi ra, nghiên cứu Adak cộng [29] sinh viên đạt kết tốt mơn học bắt buộc có khả cao đạt kết tốt môn học tự chọn Điều củng cố việc sử dụng phương pháp điền phần tử rỗng điểm trung bình sinh viên mơ hình User-based CF Tóm lại, với phương pháp MF, mơ hình khơng thực hiệu ứng dụng thực tế thiếu thơng tin, lại hiệu vài trường hợp cụ thể dự đốn điểm mơn học mà sinh viên dự định học lại học cải thiện Bỏ qua kiểm thử k-fold, mơ hình Item-based CF với độ tương tự cosine có mát MAE thấp nhất, cho thấy mơ hình có độ xác trung bình cao mơ hình nghiên cứu đề xuất Ngồi ra, mơ hình User-based CF với độ tương quan pearson lại có RMSE thấp Do đó, mơ hình User-based CF với độ tương quan pearson có sai số điểm cần dự đốn khơng q chênh lệch nên mơ hình ổn định mơ hình đề xuất 44 KẾT LUẬN Kết đạt Dự đoán trước kết học tập nhu cầu quan trọng sinh viên trường Đại học Nó ảnh hưởng khiến thay đổi nhiều xếp loại tốt nghiệp, yếu tố giúp nhà tuyển dụng đánh giá lực sinh viên Với mong muốn hỗ trợ trường Đại học bạn sinh viên, luận văn đề xuất nghiên cứu kỹ thuật học máy Learning Analytics áp dụng vào toán dự đoán kết học tập cho sinh viên dựa mơ hình hệ thống gợi ý Luận văn khái quát lại số khái niệm, định nghĩa LA RS số phương pháp gợi ý áp dụng nghiên cứu Luận văn dựa số kết nghiên cứu có đề xuất mơ hình dự đốn điểm dựa hoạt động tương tác sinh viên, mơ hình dự đốn điểm dựa điểm số có sinh viên Đồng thời, luận văn triển khai mơ hình phương pháp cách cụ thể dễ hiểu Nghiên cứu tiến hành kiểm thử đánh giá mơ hình đưa dựa nguồn liệu thực tế Qua làm quan trọng giúp sở giáo dục lựa chọn mơ hình phù hợp để tiến hành triển khai thực tế Đồng thời kết nghiên cứu góp phần hỗ trợ nghiên cứu sau có mối quan tâm, liên hệ Kết nghiên cứu luận văn trình bày hai báo khoa học đăng [30], [31] Hạn chế nghiên cứu Một khó khăn lớn thực nghiên cứu thu thập liệu Lượng liệu thu thập để tiến hành thực nghiệm mô hình cịn chưa đủ phổ qt để nghiên cứu khẳng định hiệu suất mơ hình Ngồi ra, để có liệu học tập đầy đủ sinh viên cần phải có thời gian từ 3,5 năm đến năm học, đồng thời sinh viên phải hồn thành học kỳ để dự đoán kết học tập học kỳ Bên cạnh đó, để hồn thành khung chương trình đào tạo, sinh viên cần phải tham gia trung bình từ 32 đến 40 mơn học với tỷ lệ mơn tự chọn/mơn bắt buộc 6% Do số lượng môn học tự chọn không nhiều nên việc lựa chọn môn tự chọn chưa thực quan trọng Về mặt mơ hình, việc dự đoán kết học tập cho kỳ học hay cho tồn khóa học sinh viên năm cho kết có độ xác thấp thưa thớt ma trận lực, dẫn đến khó khăn việc tính tốn độ tương tự sinh viên 45 Định hướng nghiên cứu Với kết thu nghiên cứu, tương lai hy vọng xây dựng hệ thống dự đoán điểm gợi ý mơn học hồn thiện cho sinh viên trường Đại học Cơng nghệ - ĐHQGHN nói riêng, sở giáo dục nói chung Vấn đề gợi ý mơn học cho học kỳ vấn đề quan trọng quan tâm kèm theo việc dự đoán kết học tập Vấn đề đề xuất nghiên cứu Ngoài ra, tương lai nghiên cứu đề xuất hợp hai mơ hình dự đốn điểm dựa hoạt động tương tác điểm số đạt sinh viên vào mơ hình chung Mơ hình sử dụng đồng thời liệu hoạt động tương tác sinh viên điểm số sinh viên đạt trước để tăng độ xác cho kết dự đốn 46 DANH MỤC CƠNG TRÌNH KHOA HỌC LIÊN QUAN ĐẾN LUẬN VĂN Minh-Duc Le, Hoa-Huy Nguyen, Duc-Loc Nguyen, Viet Anh Nguyen, How to Forecast the Students' Learning Outcomes Based on Factors of Interactive Activities in a Blended Learning Course, Proceedings of the 2020 The 6th International Conference on Frontiers of Educational Technologies, p11–15, 2020 https://doi.org/10.1145/3404709.3404711 Viet Anh Nguyen, Hoa-Huy Nguyen, Duc-Loc Nguyen, Minh-Duc Le, A course recommendation model for students based on learning outcome, Education and Information Technologies, 2021, http://link.springer.com/article/10.1007/s10639-02110524-0 47 TÀI LIỆU THAM KHẢO [1] [2] “Learning Analytics at UW-Madison”, [Online] Available: https://teachlearn.provost.wisc.edu/learning-analytics/ Gartner, “Top 10 Moments from Gartner’s Supply Chain Executive Conference,” 2013, Accessed: May 28, 2013 [Online] Available: https://blogs.gartner.com/matthew-davis/top-10-moments-from-gartners-supplychain-executive-conference/ [3] N.-T Nghe, “Chương Hệ thống gợi ý: Kỹ thuật ứng dụng,” no March, pp [4] 11–17, 2016 S Aud, S Wilkinson-Flicker, P Kristapovich, A Rathbun, X Wang, and J Zhang, “The Condition of Education 2013 (NCES 2013-037),” Nces, p 241, [5] 2013 A Elbadrawy and G Karypis, “Domain-Aware Grade Prediction and Top-n Course Recommendation,” 2016 doi: 10.1145/2959100.2959133 [6] M Saarela and T Ark Ainen, “Analysing Student Performance using Sparse Data of Core Bachelor Courses,” Journal of Educational Data MIning, 2015 [7] M Sweeney, J Lester, and H Rangwala, “Next-term student grade prediction,” 2015 doi: 10.1109/BigData.2015.7363847 N Thai-nghe, L Drumond, and T Horvath, “Matrix and Tensor Factorization for Predicting Student Performance,” no June 2014, pp 69–78, 2011, doi: 10.5220/0003328700690078 [8] Z Iqbal, J Qadir, A N Mian, and F Kamiran, “Machine Learning Based Student Grade Prediction: A Case Study,” pp 1–22, 2017 [10] J Zimmermann, K H Brodersen, H R Heinimann, and J M Buhmann, “A [9] Model-Based Approach to Predicting Graduate-Level Performance Using Indicators of Performance,” vol 7, no 3, pp 151–176, 2015 [11] A Elbadrawy, A Polyzou, Z Ren, M Sweeney, G Karypis, and H Rangwala, “Predicting Student Performance Using Personalized Analytics,” Computer, 2016, doi: 10.1109/MC.2016.119 [12] A Chiappe, “Learning Analytics in 21st century education: a review,” pp 971– 991, 2017 [13] J P Campbell, P B DeBlois, and D G Oblinger, “Academic Analytics,” Educause Review, vol 42, no October, pp 40–57, 2007 [14] C Brooks and C Thompson, “Chapter 5: Predictive Modelling in Teaching and Learning,” pp 61–68, 2010, doi: 10.18608/hla17.005 48 [15] ECAR, “The Predictive Learning Analytics Revolution: Leveraging Learning Data for Student Success,” ECAR working group paper., pp 1–23, 2015 [16] S Huang and N Fang, “Ac 2010-190: Regression Models for Predicting Student Academic Performance in an Engineering Dynamics Course,” Age, 2010 [17] R Barber and M Sharkey, “Course Correction: Using Analytics to Predict Course Success,” Proceedings of the Second International Conference on Learning Analytics and Knowledge - LAK ’12, no May, pp 259–262, 2012, doi: 10.1145/2330601.2330664 [18] W Xing, R Guo, E Petakovic, and S Goggins, “Participation-based student final performance prediction model through interpretable Genetic Programming: Integrating learning analytics, educational data mining and theory,” Computers in Human Behavior, vol 47, pp 168–181, 2015, doi: 10.1016/j.chb.2014.09.034 [19] L Ali, M Hatala, D Gašević, and J Jovanović, “A qualitative evaluation of evolution of a learning analytics tool,” Computers and Education, vol 58, no 1, pp 470–489, 2012, doi: 10.1016/j.compedu.2011.08.030 [20] A Bovo, S Sanchez, O Heguy, and Y Duthen, “Clustering moodle data as a tool for profiling students,” in 2013 2nd International Conference on E-Learning and E-Technologies in Education, ICEEE 2013, 2013, pp 121–126 doi: 10.1109/ICeLeTE.2013.6644359 [21] C Romero and S Ventura, “Educational data mining: A review of the state of the art,” IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews 2010 doi: 10.1109/TSMCC.2010.2053532 [22] N Thanh-Nhan, Huynh-Ly; Thai-nghe, “Hệ thống dự đoán kết học tập sinh viên sử dụng thư viện hệ thống gợi ý mã nguồn mở MYMEDIALITE,” no November, 2013 [23] N P Hải, T Sheu, and M Nagai, “Dự báo kết học tập học sinh dựa kết hợp phương pháp gần Taylor mơ hình xám,” vol 2, pp 70–83, 2015 [24] P T N Trang, “Khai phá liệu điểm để dự đoán kết học tập Sinh viên trường Cao đẳng Sư phạm Hà Nội,” pp 1–2, 2013 [25] S S Jaggars and D Xu, “How online course design features influence student performance?,” Computers and Education, 2016, doi: 10.1016/j.compedu.2016.01.014 [26] H Waheed, S U Hassan, N R Aljohani, J Hardman, S Alelyani, and R Nawaz, “Predicting academic performance of students from VLE big data using deep learning models,” Computers in Human Behavior, vol 104, no November 2018, p 106189, 2020, doi: 10.1016/j.chb.2019.106189 49 [27] P C Chang, C H Lin, and M H Chen, “A hybrid course recommendation system by integrating collaborative filtering and artificial immune systems,” Algorithms, vol 9, no 3, 2016, doi: 10.3390/a9030047 [28] V Vaidhehi and R Suchithra, “An enhanced approach using collaborative filtering for generating under graduate program recommendations,” 2019 2nd International Conference on Advanced Computational and Communication Paradigms, ICACCP 2019, pp 1–6, 2019, doi: 10.1109/ICACCP.2019.8882939 [29] M F Adak, N Yumusak, and H Taskin, “An elective course suggestion system developed in computer engineering department using fuzzy logic,” 2016 International Conference on Industrial Informatics and Computer Systems, CIICS 2016, 2016, doi: 10.1109/ICCSII.2016.7462394 [30] M D Le, H H Nguyen, D L Nguyen, and V A Nguyen, “How to Forecast the Students’ Learning Outcomes Based on Factors of Interactive Activities in a Blended Learning Course,” in ACM International Conference Proceeding Series, Jun 2020, pp 11–15 doi: 10.1145/3404709.3404711 [31] V A Nguyen, H H Nguyen, D L Nguyen, and M D Le, “A course recommendation model for students based on learning outcome,” Education and Information Technologies, vol 26, no 5, pp 5389–5415, Sep 2021, doi: 10.1007/s10639-021-10524-0 ... khác cho toán dự báo kết học tập sinh viên việc nghiên cứu giải vấn đề dừng học sinh viên có kết học tập [11] Nghiên cứu sử dụng áp dụng thuật toán phương pháp khác để dự báo hiệu suất học tập sinh... phương pháp dự báo dựa kết học tập sở phân tích liệu học tập 1.3.1 Các nghiên cứu dựa kết học tập: Theo Aud nghiên cứu bà [4], việc nhận biết kết học tập đưa cảnh báo sớm giúp người học cải thiện... khóa: Phân tích học tập, Hệ thống gợi ý, Dự đoán kết học tập II LỜI CAM ĐOAN Tôi xin cam đoan luận văn ? ?Nghiên cứu Learning Analytics áp dụng toán dự báo kết học tập? ?? cơng trình nghiên cứu tôi, hướng