Xây dựng mô hình phản hồi của người học trong các hệ thống dạy học thông minh

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Hồng Tiểu Bình XÂY DỰNG MƠ HÌNH PHẢN HỒI CỦA NGƯỜI HỌC TRONG CÁC HỆ THỐNG DẠY HỌC THÔNG MINH LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN Mã số 9480104.01 Người hướng dẫn khoa học: PGS.TS Bùi Thế Duy Hà Nội - 2021 LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu tơi thực hướng dẫn PGS.TS Bùi Thế Duy môn Hệ thống thông tin, Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội Các số liệu kết trình bày luận án trung thực, chưa công bố tác giả hay cơng trình khác Tác giả Hồng Tiểu Bình LỜI CẢM ƠN Trước hết, tơi xin gửi lời cảm ơn chân thành đến PGS.TS Bùi Thế Duy, người có định hướng đắn, trực tiếp hướng dẫn giúp đỡ tơi hồn thành luận án Tôi xin chân thành cảm ơn tới thầy mơn Hệ thống thơng tin, Phịng thí nghiệm Tương tác Người - Máy thuộc Khoa Cơng nghệ Thông tin - Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội tận tình hướng dẫn tơi suốt q trình học tập nghiên cứu Trường Xin cảm ơn gia đình tơi ln bên tơi, động viên khích lệ tơi suốt thời gian thực nghiên cứu, xây dựng, chỉnh sửa hoàn thiện luận án Xin trân trọng cảm ơn thầy cô lãnh đạo, đồng nghiệp trường Đại học Sư phạm Hà Nội tạo điều kiện thuận lợi để thực nghiên cứu, thực nghiệm kết luận án Mặc dù luận án hoàn thành với tất cố gắng thân, tránh khỏi sai sót, hạn chế Kính mong nhận nhận xét, góp ý quý Thầy Cơ nhà khoa học để tơi khắc phục hoàn thiện cho nghiên cứu sau Hà Nội, ngày 29 tháng 07 năm 2021 Người thực Hồng Tiểu Bình Mục lục Mở đầu 10 Tính cấp thiết đề tài 10 Mục tiêu, phạm vi nghiên cứu luận án 13 Phương pháp nội dung nghiên cứu 14 Kết đạt luận án 15 Cấu trúc luận án 16 TỔNG QUAN VỀ MƠ HÌNH NGƯỜI HỌC CÁC HỆ THỐNG DẠY HỌC THƠNG MINH 1.1 Hệ thống dạy học thơng minh 1.2 Mơ hình người học 1.3 Xây dựng mơ hình người học 1.4 Kết chương TRONG ƯỚC LƯỢNG NĂNG LỰC NGƯỜI HỌC THEO LÝ THUYẾT ỨNG ĐÁP CÂU HỎI 2.1 Giới thiệu 2.2 Lý thuyết ứng đáp câu hỏi 2.3 Phương pháp ước lượng hợp lý cực đại MLE 2.4 Thuật toán K-means 2.5 Thực nghiệm đánh giá 2.6 Kết chương 17 17 24 33 35 37 37 39 42 44 45 53 DỰ ĐOÁN KẾT QUẢ HỌC TẬP DỰA TRÊN PHONG CÁCH HỌC 55 3.1 Giới thiệu 56 3.2 Phong cách học 57 3.3 3.4 3.5 3.6 Mơ hình Felder-Silverman Thực nghiệm đánh giá 3.4.1 Độ tin cậy 3.4.2 Độ tương quan 3.4.3 Phân tích thống kê Dự đoán kết học tập người học Kết chương 59 61 62 63 64 67 69 ĐÁNH GIÁ ĐỘ TẬP TRUNG CỦA NGƯỜI HỌC SỬ DỤNG CÁC PHƯƠNG PHÁP HỌC MÁY 4.1 Giới thiệu 4.2 Thu thập liệu 4.3 Thực nghiệm đánh giá 4.4 Kết chương 70 70 76 77 82 XÂY DỰNG MƠ HÌNH PHẢN HỒI CỦA NGƯỜI HỌC 84 5.1 Đề xuất mơ hình phản hồi người học 84 5.1.1 Các tham số đầu vào mơ hình 84 5.1.2 Các lựa chọn đầu mơ hình 86 5.1.3 Biến đo lực tri thức người học 88 5.1.4 Biến đo trạng thái học 91 5.1.5 Mơ hình hóa mối quan hệ nút 92 5.1.6 Mô hình hóa mối quan hệ tiên 94 5.1.7 Thuật toán lựa chọn tiến trình học 95 5.1.8 Thuật tốn lựa chọn hình thức học 95 5.2 Xây dựng hệ thống dạy học thông minh 97 5.3 Thực nghiệm đánh giá 100 5.4 Kết chương 110 Kết luận 112 Danh mục cơng trình khoa học công bố 115 Tài liệu tham khảo 116 Phụ lục 135 Danh mục ký hiệu viết tắt TT Viết tắt Từ tiếng Anh Nghĩa tiếng Việt CBM Constraint Based Model Mơ hình ràng buộc CNN Convolutional Neural Net- mạng nơ-ron tích chập work CTT Classical Test Theory Lý thuyết trắc nghiệm cổ điển FSLSM Felder-Silverman Learning Mơ hình phong cách học Styles Model Felder-Silverman HOG Histograms of Oriented Histograms of Oriented Gradients Gradients IRT Item Response Theory Lý thuyết ứng đáp câu hỏi ILS Index of Learning Style Bộ số phong cách học ITS Intelligent Tutoring System Hệ thống dạy học thông minh KNNs K Nearest Neighbor Thuật toán K láng giềng gần 10 LMS Learning Management Sys- Hệ thống quản lý học tập tem 11 MBTI Myers-Briggs Type Indica- Bộ số Myers-Briggs tor 12 MLE Maximum Likelihood Esti- Phương pháp ước lượng mation method hợp lý cực đại 13 SVM Support Vector Machine Máy véc-tơ hỗ trợ 14 AR Active/Reflective Chủ động/Thụ động 15 SI Sensing/Intuitive Cảm quan/Trực quan 16 VV Visual/Verbal Hình ảnh/Lời nói 17 SG Sequential/Global Tuần tự/tổng thể Danh sách hình vẽ 1.1 1.2 1.3 Mơ hình hệ thống dạy học thông minh Kiến trúc hệ thống dạy học thơng minh Mơ hình vết dựa nhận thức 18 21 32 2.1 2.2 2.3 Phân bố lực học sinh theo phương pháp IRT Phân bố lực học sinh theo phương pháp cổ điển So sánh phân bố theo trung bình trung vị 49 50 51 3.1 Mơ hình phong cách học Felder-Silverman 59 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Kiến trúc mạng nơ-ron tích chập Thiết lập camera trái phải Camera gắn cố định phía bục giảng Các hành động phổ biến sinh viên lớp học Cấu trúc mạng nơ-ron tích chập Đường cong hàm mát đường cong độ xác Các hình ảnh bị phân loại nhầm 75 76 76 77 79 80 81 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 Mơ hình phản hồi người học Các định dạng khác chủ đề Sơ đồ tiến trình học tập Các lựa chọn để mơ hình hóa mối quan hệ nhân Mơ hình mạng Bayes khái niệm chủ đề Mơ hình phản hồi người học Thực nghiệm sử dụng hệ thống dạy học thông minh Giao diện phân hệ học tập Kết kiểm tra hai nhóm 85 88 88 93 94 98 103 104 107 Danh sách bảng 2.1 2.2 2.3 2.4 2.5 2.6 Kết trả lời câu hỏi học sinh Cấu trúc dạng Câu hỏi-Đáp án Giá trị hàm xấp xỉ cực đại học Phân cụm K-means với K = 10 So sánh phương pháp CTT IRT Các hệ thống thang điểm 47 47 48 50 52 53 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 Độ tin cậy thang đo ILS - Cronbach’s alpha Ma trận độ tương quan Pearson Xu hướng học sinh viên Kết thống kê định lượng Độ mạnh yếu yếu tố phong cách học Độ mạnh yếu chiều theo nhóm Bảng trích xuất liệu Kết phân lớp sau sử dụng mạng nơ-ron Ma trận nhầm lẫn phân loại học sinh 63 64 65 65 66 66 67 68 68 4.1 4.2 4.3 Các nghiên cứu liên quan đến phát tập trung So sánh độ xác phương pháp học Ma trận nhầm lẫn phân lớp 74 81 81 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 Bảng trọng số mơ hình học Thiết kế môn học thử nghiệm Một số nghiên cứu có sử dụng ITS/LMS Phân bố sinh viên theo nhóm ngành theo giới tính Kết khảo sát phong cách học Giá trị chiều phong cách học Giá trị biến lựa chọn học liệu Thống kê tỉ lệ loại học liệu lựa chọn Bảng so sánh kết đánh giá Phân tích nhóm theo điểm TBC sinh 89 91 101 101 103 105 105 105 106 107 5.11 5.12 5.13 5.14 Khảo sát sử dụng ITS Khảo sát hệ thống dạy học Phân tích mơ tả khảo sát Phân tích độ tương quan thông minh 108 108 109 110 [99] Charles M Reigeluth et al (2015), “Personalized Integrated Educational System”, Journal of Educational Computing Research, 53 (3), pp 459–496, doi: 10.1177/0735633115603998 [100] Charles Rich et al (2010), “Recognizing engagement in humanrobot interaction”, Proceedings of ACM/IEEE International Conference on Human-Robot Interaction (HRI), pp 375–382, doi: 10.1145/1734454.1734580 [101] Elaine Rich (1979), “User Modeling via Stereotypes”, Cognitive Science, (4), pp 329–354, doi: 10.1207/s15516709cog0304_3 [102] Barbara A Soloman Richard M.Felder, Index of Learning Styles Questionnaire, http://www.engr.ncsu.edu/learningstyles/ ilsweb.html, Accessed: 2016-June-10 [103] Cristóbal Romero (2016), “Educational Data Mining: A Review of the State-of-the-Art”, Transactions on Systems, Man, and Cybernetics, XX (X), pp 1–19 [104] Norman Rose (2010), “Maximum likelihood and Bayes modal ability estimation in two-parametric IRT models: Derivations and implementation”, Schriften zur Bildungsf [105] Suchitra Sathayanarayana et al (2014), “Towards Automated Understanding of Student-Tutor Interactions Using Visual Deictic Gestures”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops, pp 480–487, doi: 10.1109/CVPRW.2014.77 [106] Goran Savic and Zora Konjovic (2009), “Learning style based personalization of SCORM e-learning courses”, 2009 7th International Symposium on Intelligent Systems and Informatics, IEEE, doi: 10.1109/sisy.2009.5291135 129 [107] Jă urgen Schmidhuber (2015), “Deep learning in neural networks: An overview”, Neural Networks, 61, pp 85–117, doi: 10.1016/ j.neunet.2014.09.003 [108] J A Self (2009), “Student models: what use are they?”, Artificial Intelligence Tools in Education, 11 (1), pp 73–86 [109] Kinshuk Silvia Rita Viola, Sabine Graf and Tommaso Leo (2006), “Analysis of Felder - Silverman Index of Learning Styles by a data-driven Statistical approach”, Proceedings of the Eighth IEEE International Symposium on Multimedia (ISM’06), pp 1–24 [110] Karen Simonyan and Andrew Zisserman (2014), “Very Deep Convolutional Networks for Large-Scale Image Recognition”, arXiv 1409.1556 [111] Raymund Sison and Masamichi Shimura (1998), “Student Modeling and Machine Learning”, International Journal of Artificial Intelligence in Education, pp 128–158 [112] Jonathan Smallwood, Daniel J Fishman, and Jonathan W Schooler (2007), “Counting the cost of an absent mind: Mind wandering as an underrecognized influence on educational performance”, Psychonomic Bulletin & Review, 14 (2), pp 230–236, doi: 10.3758/ bf03194057 [113] Trevor I Smith et al (2020), “Quantitatively ranking incorrect responses to multiple-choice questions using item response theory”, Physical Review Physics Education Research, 16 (1), doi: 10.1103/physrevphyseducres.16.010107 [114] Open Source, Training platform for the modern trainer, https: //www.dokeos.com/, Accessed: 2019-10-02 [115] Open Source, Sakai Collaboration and Learning Environment, https://www.sakailms.org/, Accessed: 2020-Feb-10 130 [116] James L Stansfield and Cambridge Artificial Intelligence Lab Massachusetts Inst of Tech (1976), Wumpus Advisor I A First Implementation of a Program That Tutors Logical and Probabilistic Reasoning Skills AI Memo 381 [microform] / James L Stansfield and Others, Distributed by ERIC Clearinghouse [Washington, D.C.], 68 p [117] Hamed Taherdoost (2016), “Sampling Methods in Research Methodology, How to Choose a Sampling Technique for Research”, SSRN Electronic Journal, doi: 10.2139/ssrn.3205035 [118] Y M Tashtoush et al (2017), “Adaptive e-learning web-based English tutor using data mining techniques and Jackson’s learning styles”, 2017 8th International Conference on Information and Communication Systems (ICICS), pp 86–91 [119] Christos Troussas, Konstantina Chrysafiadi, and Maria Virvou (2018), “Machine Learning and Fuzzy Logic Techniques for Personalized Tutoring of Foreign Languages”, Lecture Notes in Computer Science, Springer International Publishing, pp 358–362, doi: 10.1007/978-3-319-93846-2_67 [120] Christos Troussas, Konstantina Chrysafiadi, and Maria Virvou (2020), “Personalized tutoring through a stereotype student model incorporating a hybrid learning style instrument”, Education and Information Technologies, doi: 10.1007/s10639-020-10366-2 [121] Huong May Truong (2015), “Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities”, Computers in Human Behavior, 55, pp 1185–1193, issn: 07475632, doi: 10.1016/j.chb.2015.02.014 [122] V Tsiriga and M Virvou (2002), “Initializing the student model using stereotypes and machine learning”, IEEE International Con- 131 ference on Systems, Man and Cybernetics, IEEE, pp 404–409, doi: 10.1109/icsmc.2002.1173446 [123] Victoria Tsiriga and Maria Virvou (2003), “Modelling the student to individualise tutoring in a web-based ICALL”, International Journal of Continuing Engineering Education and Lifelong Learning, 13 (3/4), p 350, doi: 10.1504/ijceell.2003.003269 [124] N Van Zwanenberg, L J Wilkinson, and A Anderson (2000), “Felder and Silverman’s Index of Learning Styles and Honey and Mumford’s Learning Styles Questionnaire How they compare and they predict academic performance?”, Educational Psychology, 20 (3), pp 365–380, issn: 0144-3410, doi: 10 1080 / 713663743 [125] K VanLehn (2011), “The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems”, Educational Psychologist, 46, pp 197 –221 [126] Kurt Vanlehn et al (2005), “The Andes Physics Tutoring System : Five Years of Evaluations”, 12th International Conference on Artificial Intelligence in Education [127] Elena Verdú et al (2016), “Integration of an intelligent tutoring system in a course of computer network design”, Educational Technology Research and Development, 65 (3), pp 653–677, doi: 10.1007/s11423-016-9503-0 [128] Maria Virvou and Katerina Kabassi (2002), “F-SMILE: An intelligent multi-agent learning environment”, In Proceedings of IEEE international conference on advanced learning technologies (ICALT’02), IEEE, 144–149 [129] Jr Votano, M Parham, and Lh Hall (2008), Bayesian Networks, vol 1, JOHN WILEY & SONS, INC PUBLICATION, p 448, isbn: 9780470060308 132 [130] Limin Wang et al (2016), “Temporal Segment Networks: Towards Good Practices for Deep Action Recognition”, Computer Vision – ECCV 2016, Springer International Publishing, pp 20–36, doi: 10.1007/978-3-319-46484-8_2 [131] Gerhard Weber and Peter Brusilovsky (2015), “ELM-ART – An Interactive and Intelligent Web-Based Electronic Textbook”, International Journal of Artificial Intelligence in Education, 26 (1), pp 72–81, doi: 10.1007/s40593-015-0066-8 [132] Fang Wei and Glenn D Blank (2006), “Student Modeling with Atomic Bayesian Networks”, Intelligent Tutoring Systems, Springer Berlin Heidelberg, pp 491–502, doi: 10.1007/11774303_49 [133] Fang Wei and Glenn D Blank (2007), “Atomic Dynamic Bayesian Networks for a Responsive Student Model”, Artificial Intelligence in Education, Building Technology Rich Learning Contexts That Work, Proceedings of the 13th International Conference on Artificial Intelligence in Education, AIED 2007, July 9-13, 2007, Los Angeles, California, USA, IOS Press, vol 158, pp 668–670 [134] Jacob Whitehill et al (2014), “The Faces of Engagement: Automatic Recognition of Student Engagementfrom Facial Expressions”, Affective Computing, IEEE Transactions on, 5, pp 86–98, doi: 10.1109/TAFFC.2014.2316163 [135] Guangbing Yang, Kinshuk, and Sabine Graf (2010), “A practical student model for a location-aware and context-sensitive Personalized Adaptive Learning System”, 2010 International Conference on Technology for Education, IEEE, pp 130–133, doi: 10.1109/t4e.2010.5550048 [136] Tzu Chi Yang, Gwo Jen Hwang, and Stephen Jen Hwa Yang (2013), “Development of an adaptive learning system with multiple perspectives based on students’ learning styles and cognitive 133 styles”, Educational Technology and Society, 16 (4), pp 185–200, issn: 14364522 [137] Janez Zaletelj and Andrej Koˇsir (2017), “Predicting students’ attention in the classroom from Kinect facial and body features”, EURASIP Journal on Image and Video Processing, 2017 (1), doi: 10.1186/s13640-017-0228-8 [138] Yujian Zhou et al (1999), “A Practical Student Model in an Intelligent Tutoring System”, Proceedings 11th International Conference on Tools with Artificial Intelligence, pp 13–18 [139] Leyla Zhuhadar et al (2016), “Is there a gender difference in interacting with intelligent tutoring system? Can Bayesian Knowledge Tracing and Learning Curve Analysis Models answer this question?”, Computers in Human Behavior, 61, pp 198–204, doi: 10.1016/j.chb.2016.02.073 [140] Malgorzata S Zywno (2003), “A Contribution to Validation of Score Meaning for Felder- Soloman ’ s Index of Learning Styles”, Engineering Education, pp 1–16, issn: 01901052 134 PHỤ LỤC BỘ CÂU HỎI TRẮC NGHIỆM PHONG CÁCH HỌC Với câu hỏi 44 câu hỏi đây, bạn chọn “a” “b” để Chỉ lựa chọn phương án Nếu bạn cảm thấy “a” “b” bạn chọn phương án gần thường xuyên xảy với bạn • Tôi hiểu vấn đề tốt sau tôi: a Thử nghiệm b Suy nghĩ • Tôi coi người a Thực tế b Sáng tạo • Khi tơi nghĩ việc làm ngày hôm qua, thường mường tượng a Một hình ảnh b Một câu nói • Tơi có xu hướng a Hiểu chi tiết vấn đề lại mơ hồ tổng thể b Hiểu tổng thể lại mơ hồ chi tiết • Khi tơi học vấn đề mới, giúp tơi a Nói b Nghĩ 135 • Nếu tơi giáo viên, tơi thích dạy khóa học a Giải vấn đề cụ thể sống b Giải ý tưởng hay giả thiết • Tơi thích khai thác thơng tin từ a Các hình ảnh, sơ đồ, đồ thị, hay đồ b Các dẫn, thơng tin từ ngữ, lời nói • Khi tơi tìm hiểu vấn đề a Tất thành phần, sau hiểu tồn vấn đề b Hiểu tổng thể, sau thành phần cụ thể • Trong nhóm nghiên cứu, tơi có xu hướng a Đứng lên đóng góp ý tưởng b Ngồi n lắng nghe • 10 Tơi cảm thấy dễ dàng a Học từ thực tế b Học từ khái niệm • 11 Trong sách có nhiều tranh đồ thị, tơi thường: a Xem hình ảnh đồ thị cách kỹ lưỡng b Chú trọng vào câu chữ • 12 Khi tơi giải toán a Thường làm bước b Xem đáp án sau tìm bước để kết 136 • 13 Trong lớp thường a Thường để ý đến nhiều học sinh khác b Ít tơi để ý đến học sinh khác • 14 Khi đọc chuyện khơng hư cấu, tơi thích a Tìm điều cho tơi biết cách làm điều b Tìm ý tưởng để suy ngẫm • 15 Tơi thích giáo viên a Vẽ nhiều sơ đồ, bảng biểu lên bảng b Dành nhiều thời gian giải thích • 16 Khi tơi phân tích câu chuyện hay tiểu thuyết a Tơi nghĩ tình tiết để kết nối chúng lại với để tìm cốt truyện b Tôi biết cốt truyện kết thúc đọc phải quay lại tình tiết để tìm hiểu thêm • 17 Khi tơi bắt đầu làm tập nhà, thường a Tìm cách giải b Cố gắng tìm hiểu đầy đủ vấn đề trước • 18 Tơi thích suy nghĩ a Sự thật b Giả thuyết • 19 Tơi ghi nhớ tốt a Thứ tơi nhìn thấy b Thứ tơi nghe thấy 137 • 20 Điều quan trọng với người hướng dẫn a Bố trí tài liệu theo chuỗi b Đưa tranh toàn cảnh tài liệu cho chủ đề khác • 21 Tơi thích nghiên cứu a Trong nhóm b Một • 22 Tơi thường coi a Làm cẩn thận việc chi tiết b Sáng tạo cơng việc • 23 Khi tơi muốn tìm đến địa điểm đó, tơi thích a Bản đồ b Chỉ dẫn chi tiết • 24 Tơi học a Theo tiến độ bình thường Nếu học tập chăm tơi hồn thành b Gián đoạn Tơi thường bối rối dưng thứ ổn • 25 Tơi thường a Làm thử b Nghĩ trước xem làm • 26 Khi đọc câu chuyện hài hước, tơi thích tác giả a Nói rõ xem ý họ b Thể điều sáng tạo, gợi trí tị mị 138 • 27 Khi xem sơ đồ hay phác họa, tơi thường ghi nhớ a Hình ảnh b Những người hướng dẫn nói • 28 Khi xem mẩu tin, thường a Chú ý vào phần chi tiết mà tạm bỏ qua tổng thể b Cố gắng hiểu toàn cảnh trước vào chi tiết • 29 Tơi dễ dàng ghi nhớ a Những tơi làm b Những tơi nghĩ nhiều • 30 Khi thực nhiệm vụ, thường a Thực theo cách mà tơi nhuần nhuyễn b Tìm cách để thực • 31 Khi đưa cho liệu, thường a Xem xét biểu đồ hình vẽ b Xem tổng hợp kết lời • 32 Khi viết báo, tơi thường a Thực (nghĩ viết) từ đầu đến cuối báo b Thực (nghĩ viết) phần khác sau xếp lại • 33 Khi phải làm việc nhóm, trước tiên tơi muốn a Suy nghĩ tập thể, người đóng góp ý kiến b Từng nhân suy nghĩ sau nhóm ý kiến lại 139 • 34 Tơi dành lời khen cho họ a Tính hợp lý b Giàu trí tưởng tượng • 35 Khi gặp người bữa tiệc, thường ghi nhớ a Trông họ b Họ nói thân họ • 36 Khi tơi học chủ đề (mơn học) mới, tơi thích a Tập trung vào chủ đề đó, học nhiều tốt b Kết nối mơn học mơn học liên quan • 37 Mọi người cho a Hướng ngoại b Kín đáo • 38 Tơi thích khóa học a Đa dạng tài liệu (minh chứng, liệu) b Các tài liệu tóm tắt (các khái niệm, lý thuyết) • 39 Lúc rảnh rỗi tơi thích a Xem tivi b Đọc sách • 40 Giáo viên bắt đầu giảng đề cương, điều giúp bạn a Cũng có ích b Rất hữu ích • 41 Ý tưởng làm tập nhóm đánh giá giống cho tồn nhóm 140 a Tơi khơng ủng hộ b Khơng • 42 Khi tơi làm phép tính dài a Tôi thường lặp lại bước kiểm tra kết cẩn thận b Tôi thấy mệt thường phải cố để làm • 43 Tơi thường hình dung nơi mà tơi đến a Dễ dàng xác b Thường khó khăn để mơ tả chi tiết • 44 Khi giải vấn đề nhóm, tơi thường a Nghĩ bước tiến trình giải b Nghĩ tác động toán nhiều lĩnh vực Kết trắc nghiệm: • If AR >= -3 AND AR then "1 Nếu chưa kịp nghĩ mà hành động, bạn dễ dàng đưa đánh giá vội vàng thiếu thơng tin Do cần tập trung đánh giá tình hình, dành thời gian để suy ngẫm tiêu hóa lượng thơng tin tiếp nhận trước ’nhảy vào’ thảo luận với người khác." • else "1 Nếu suy nghĩ nhiều, bạn chẳng làm Tất nhiên để định hay hành động cần tới thời gian, khơng có nghĩa q nhiều thời gian đâu Bạn nên tập tham gia vào định nhóm nhiều tốt cố gắng áp dụng thông tin vào thực tế cách thích hợp." 141 • If SI >= -3 AND SI then "2 Nếu dựa nhiều vào cảm giác, bạn có xu hướng thích quen thuộc tập trung vào kiện biết thay sáng tạo thích ứng với tình Bạn nên tìm kiếm hội để hiểu lý thuyết sau vận dụng vào thực tế để ủng hộ phủ định lý thuyết này." • else "2 Nếu dựa nhiều vào trực giác, bạn có nguy bỏ sót chi tiết quan trọng dẫn tới sai lầm định xử lý vấn đề Bạn nên ép thân tìm hiểu thêm kiện ghi nhớ thông tin để bảo vệ trích lý thuyết quy trình Bạn cần ’giảm tốc độ’ xem xét kỹ chi tiết thường bị lướt qua." • If VV >= -3 AND VV