Hệ thống gợi ý hỗ trợ thực hành lập trình

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA VŨ VĂN TIẾN HỆ THỐNG GỢI Ý HỖ TRỢ THỰC HÀNH LẬP TRÌNH Chuyên ngành: Khoa học Máy tính Mã số: 8480101 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 năm 2023 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM Cán hướng dẫn khoa học 1: TS Phạm Hoàng Anh (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán hướng dẫn khoa học 2: PGS.TS Huỳnh Tường Nguyên (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : TS Trang Hồng Sơn (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : TS Lê Thị Thủy (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 11 tháng năm 2023 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) Chủ tịch: TS Nguyễn Đức Dũng Thư ký: TS Nguyễn Tiến Thịnh Phản biện 1: TS Trang Hồng Sơn Phản biện 2: TS Lê Thị Thủy Ủy viên: PGS.TS Huỳnh Tường Nguyên Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KHOA HỌC VÀ KỸ THUẬT MÁY TÍNH i ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: VŨ VĂN TIẾN MSHV: 2170579 Ngày, tháng, năm sinh: 03/04/1999 Nơi sinh: Quảng Ngãi Chuyên ngành: Khoa học Máy tính Mã số: 8480101 I TÊN ĐỀ TÀI: HỆ THỐNG GỢI Ý HỖ TRỢ THỰC HÀNH LẬP TRÌNH (RECOMMENDATION SYSTEM FOR PROGRAMMING PRACTICE) II NHIỆM VỤ VÀ NỘI DUNG: - Tìm hiểu kiến thức nghiên cứu liên quan đến hệ thống gợi ý, - Trên sở học liệu lập trình liệu thu thập từ nhiều năm, học viên cần đánh giá, phân tích nhằm đề xuất giải pháp gợi ý học lập trình phù hợp với khả người học, - Xây dựng kiến trúc thực giải pháp đề xuất, sau cần tìm cách ứng dụng triển khai thử nghiệm thực tế, - Đánh giá kết hệ thống gợi ý đề xuất dựa liệu thu thập trình triển khai thử nghiệm III NGÀY GIAO NHIỆM VỤ: 06/02/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 11/06/2023 V CÁN BỘ HƯỚNG DẪN (Ghi rõ học hàm, học vị, họ, tên): TS Phạm Hoàng Anh, PGS.TS Huỳnh Tường Nguyên Tp HCM, ngày 10 tháng 07 năm 2023 CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) HỘI ĐỒNG NGÀNH (Họ tên chữ ký) TRƯỞNG KHOA KHOA HỌC VÀ KỸ THUẬT MÁY TÍNH (Họ tên chữ ký) Ghi chú: Học viên phải đóng tờ nhiệm vụ vào trang tập thuyết minh LV ii Lời cảm ơn Để hoàn thành Luận văn Thạc sĩ này, tơi xin bày tỏ cảm kích đặc biệt tới cố vấn tơi, Tiến sĩ Phạm Hồng Anh Phó giáo sư Tiến sĩ Huỳnh Tường Nguyên - Những người định hướng, trực tiếp dẫn dắt cố vấn cho suốt thời gian thực đề tài nghiên cứu khoa học Tôi xin gửi lời cảm ơn đến thầy tất lịng biết ơn Tơi xin gửi lời cảm ơn chân thành đến gia đình, người ln động viên khuyến khích tơi hồn thành Luận văn Thạc sĩ Xin chân thành cảm ơn tất người! Tp HCM, ngày 10 tháng 07 năm 2023 Học viên Vũ Văn Tiến iii Tóm tắt Trong bối cảnh nhu cầu nhân lực Công nghệ thông tin (CNTT) ngày tăng cao Việt Nam, thực hành lập trình trở nên quan trọng nhằm giúp người học rèn luyện phát triển kỹ lập trình Luận văn tìm hiểu kiến thức nghiên cứu liên quan đến Hệ thống Gợi ý lĩnh vực giáo dục nhằm hỗ trợ thực hành lập trình Từ đó, Luận văn đề xuất kiến trúc hệ thống gợi ý chung giúp người học gợi ý tập phù hợp với khả tốc độ học tập cá nhân Kiến trúc gợi ý áp dụng tập trung vào gợi ý testcase Bài tập lớn, nơi mà người học cần giải vấn đề lập trình phức tạp Phương pháp gợi ý testcase đề xuất kết hợp phương pháp Hệ thống Gợi ý (Recommendation System RS) Vùng phát triển gần (Zone of Proximal Development - ZPD) giúp đưa testcases phù hợp với lực người học Một hệ thống gợi ý testcases thực để sử dụng thực tiễn trình triển khai tập lớn Đánh giá hệ thống thực thơng qua phân tích đặc điểm hệ thống xem xét hiệu suất tương tác người học Thơng qua việc thực hành lập trình phù hợp, hệ thống hướng đến tăng cường hứng thú khả tự học người học Các từ khóa: Hệ thống Quản lý Học tập (LMS), Hệ thống Học tập thích ứng (ALS), Hệ thống Gợi ý (RS), Hệ thống Gợi ý Testcases (TRS), Phương pháp Vùng phát triển gần (ZPD), Phương pháp phân tích suy biến (SVD) iv Abstract In Vietnam, the demand for Information Technology (IT) is growing rapidly, making practical programming skills increasingly important for learners to develop This thesis delves into the realm of educational recommendation systems to support programming practice The goal is to propose a comprehensive recommendation system architecture that suggests suitable exercises based on individual learners’ abilities and learning pace Specifically, the architecture focuses on recommending testcases for complex programming problems encountered in Assignments By combining Recommendation Systems (RS) technique and the Zone of Proximal Development (ZPD), the proposed method ensures that the testcases provided align with learners’ capabilities A practical testcase recommendation system is deployed and evaluated by analyzing its characteristics and assessing learners’ interaction performance Ultimately, through effective programming practice, the system aims to encourage learners’ enthusiasm and enhance their self-learning abilities Keywords: Learning Management System (LMS), Adaptive Learning System (ALS), Recommendation System (RS), Testcases Recommedation System (TRS), Zone of Proximal Development (ZPD), Singular Value Decomposition (SVD) v Lời cam đoan Tơi xin cam đoan cơng trình nghiên cứu riêng hướng dẫn TS Phạm Hoàng Anh PGS TS Huỳnh Tường Nguyên Nội dung nghiên cứu kết trung thực chưa công bố trước Các nội dung nghiên cứu trình bày đa phần tơi tự tìm hiểu, phân tích tổng hợp Tơi có sử dụng số nhận xét, đánh giá số liệu tác giả khác, quan tổ chức khác Tất có trích dẫn thích nguồn gốc Nếu phát có gian lận nào, tơi xin hồn tồn chịu trách nhiệm, trường Đại học Bách Khoa - ĐHQG Tp.HCM không liên quan đến vi phạm tác quyền, quyền tơi gây q trình thực Tp HCM, ngày 10 tháng 07 năm 2023 Học viên Vũ Văn Tiến vi Mục lục Giới thiệu 1.1 Động nghiên cứu 1.2 Mục tiêu nghiên cứu 1.3 Đối tượng phạm vi nghiên cứu 1.4 Phương pháp nghiên cứu 1.5 Ý nghĩa đề tài 1.6 Cấu trúc Luận văn Kiến thức tảng 2.1 Phân tích hồ sơ người học Hệ thống Quản lý Học tập (LMS) 2.1.1 Hệ thống Quản lý Học tập 2.1.2 Phân tích hồ sơ người học 2.1.3 Hệ thống Học tập Thích ứng (ALS) Hệ thống Gợi ý lĩnh vực giáo dục (RS) 10 2.2.1 Hệ thống Gợi ý 10 2.2.2 Phương pháp Vùng phát triển gần (Zone of Proximal - ZPD) 14 2.2.3 Các phương pháp đánh giá Hệ thống Gợi ý 15 Kết chương 16 2.2 2.3 Hệ thống gợi ý hỗ trợ thực hành lập trình 17 3.1 Đề xuất kiến trúc hệ thống học tập thích ứng (ALS) 17 3.2 Hệ thống gợi ý testcase (TRS) 21 3.2.1 Quá trình gợi ý testcases 24 3.2.2 Phương pháp gợi ý testcases SVD-ZPD 25 Kết chương 26 3.3 Đánh giá kết 27 4.1 Đánh giá kiến trúc hệ thống ALS 27 4.2 Đánh giá Hệ thống Gợi ý Testcase (TRS) 29 4.3 Kết chương 39 vii Kết luận 41 Danh mục cơng trình khoa học 44 Tài liệu tham khảo 48 viii Danh sách bảng 2.1 Khảo sát hệ thống ALS trước 4.1 Thiết lập thơng số cho q trình học tập thích ứng 29 4.2 Phản hồi sinh viên q trình học tập thích ứng 29 4.3 Các đặc điểm triển khai BTL học kỳ 31 4.4 So sánh triển khai BTL học kỳ liên quan đến yếu tố môi trường 33 4.5 So sánh triển khai BTL học kỳ liên quan đến yếu tố người học 34 4.6 Kết thống kê sau triển khai BTL học kỳ 35 ix Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính Bảng 4.6: Kết thống kê sau triển khai BTL học kỳ Học kỳ Thông tin cung cấp cho người học Số Số người học người có nộp học Số ngày có nộp Số lượng nộp TB số nộp người học TB số nộp ngày SEM-202 Testcases mẫu 933 852 (91.32%) NA 852 1.0 NA SEM-212 Testcases mẫu 864 723 (83.68%) 15 5463 7.56 364.2 Testcases mẫu 1484 1332 (89.76%) 27 25009 18.78 926.26 TRS 1484 1082 (72.91%) 14 11427 10.56 816.21 SEM-222 sau • Bảng bao gồm trường thông tin bao gồm: thông tin cung cấp cho người học, số người học (là số người đăng ký tham gia mơn học có BTL), số người học có nộp, số ngày có nộp, số lượng nộp, Trung bình (TB) số nộp người học, TB số nộp ngày • Thơng tin cung cấp cho người học testcase mẫu thông tin cung cấp từ TRS Lưu ý thông tin cung cấp TRS có từ SEM-222 • Số ngày có nộp SEM-202 đánh dấu N/A (not available - khơng có sẵn) hệ thống SEM-202 không ghi lại lần nộp cá nhân Mỗi người học phép nộp lần cho BTL, tổng số nộp số người học Số lượng trung bình nộp ngày khơng thể tính số ngày làm khơng ghi lại Các phân tích sau so sánh SEM-212 với SEM-202 SEM-222 với SEM-212 liên quan đến Testcase mẫu Sau đó, ngữ cảnh phù hợp ba kỳ học xác định Cuối cùng, thông tin từ TRS phân tích để hiểu rõ giá trị hệ thống TRS đề xuất Xem xét hai học kỳ SEM-212 SEM-202, số người học SEM-212 so với SEM-202, số lượt nộp SEM-212 cao Ngun nhân SEM212 ghi lại thơng tin nhiều lần thử người học Nói cách khác, trình triển khai SEM-212 cải thiện tương tác người học hệ thống so với SEM-202 Điều ví dụ để hỗ trợ câu hỏi Bảng liên quan đến tồn phương pháp theo dõi trình học tập Số lượng người học SEM-222 (1484) tăng gấp 1.7 lần so với số lượng người học SEM-212 (864), số lượng người học tham gia nộp tăng gấp 1.8 lần Tỉ lệ tham gia nộp tăng (89.76% so với 83.68%), hay nói cách khác tỉ lệ không tham gia nộp LUẬN VĂN TỐT NGHIỆP Trang 35/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính giảm Như vậy, liệu có phải hệ thống nộp SEM-222 giúp hỗ trợ người học tốt hơn? Số ngày có nộp SEM-222 gần gấp đơi giá trị SEM-212 Như vậy, liệu có phải thời gian làm 222 dài giúp người học có nhiều hội để làm hơn? Số nộp SEM-222 (25009) lớn nhiều so với SEM-212 (5463) Như vậy, điều thời gian cho phép làm dài, hỗ trợ người học tốt hơn? TB số nộp số người học SEM-222 (18.78) tăng gấp 2.5 lần giá trị SEM-212 (7.56) Điều cho thấy hệ thống SEM-222 hỗ trợ tương tác tốt SEM-212 Hơn nữa, so sánh trung bình số nộp số ngày SEM-222 SEM-212 tỉ lệ 926.26/364.2 = 2.5 Tỉ lệ lớn tỉ lệ số người học SEM-222 SEM-212 (1.7) Điều cho thấy hệ thống SEM-222 hỗ trợ tốt người học so với hệ thống SEM-212 Nếu xét thêm trường thơng tin TRS SEM-222 số lượng nộp tăng thêm 45.7% (11427/25009) so với số lần nộp testcase mẫu Mức độ tương tác hệ thống dựa số lượng nộp SEM-222 (nếu tính tổng) gấp (25009+11427)/852=42.8 lần so với học kỳ thu thập tương tác (SEM-202) Mặc dù lần triển khai TRS, số người tham gia có tỉ lệ ấn tượng 72.91% Đây cịn so với tỉ lệ số người có nộp testcase mẫu (89.76%) Từ đây, ta thấy rằng, SV lần cải thiện code TRS nộp lại testcase mẫu Lý SV muốn an tâm phiên làm để chấm hệ thống testcase mẫu Hoặc là, SV chưa tin đáp án hệ thống có tính quán Để xem xét chi tiết mức độ ảnh hưởng TRS testcase mẫu, nhóm người học có nộp SEM-222 cần chia thành nhóm nhỏ: nhóm có dùng hệ thống TRS (sau gọi tắt Use TRS) nhóm khơng dùng hệ thống TRS (sau gọi tắt Not-use TRS) Hình 4.4a cho thấy phân phối phần trăm người học nhóm Use TRS nhóm Not-use TRS Và Hình 4.4b mơ tả phân phối phần trăm nộp nhóm Use TRS (22082) nhóm Not-use TRS (2927) hệ thống testcases mẫu Hãy xem xét số đo lường mức độ tương tác thông qua nộp hệ thống gọi số tương tác trung bình Nó tính cách chia số lượng nộp cho (số người nộp nhân với số ngày nộp) Xét số mô tả mức độ tương tác thông qua nộp hệ thống, gọi tắt số tương tác trung bình Chỉ số tính số lượng nộp chia cho tích số người nộp nhân với số ngày có nộp Xét số tương tác trung bình với thơng tin sau: • số tương tác trung bình nhóm người học testcase mẫu SEM-212: 5463 / (723 * 15) = 0.5; • số tương tác trung bình nhóm người học testcase mẫu SEM-222 25009 / (1332 * 27) = 0.70; • số tương tác trung bình nhóm người học TRS SEM-222 11427 / LUẬN VĂN TỐT NGHIỆP Trang 36/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính (a) Số lượng người học (b) Số lượng nộp Hình 4.4: So sánh nhóm người Use Not-use TRS SEM-222 (1082 * 14) = 0.75; • số tương tác trung bình nhóm Use TRS testcase mẫu SEM-222: 22082 / (1082 * 27) = 0.76; • số tương tác trung bình nhóm Not-use TRS testcase mẫu SEM-222: 2927 / (250 * 27) = 0.43 Chỉ số tương tác trung bình hệ thống TRS (0.75) cao so với số tương tác trung bình hệ thống testcase mẫu học kỳ triển khai (0.70) Điều cho thấy nhóm TRS có mức độ tương tác tốt testcase mẫu SEM-222 Sau đây, khảo sát mức độ tương tác nhóm Use TRS nhóm Not-use TRS testcase mẫu SEM-222 Số liệu thu thập Bảng 4.6 cho thấy số lượng người học dùng TRS 1082 số lượng người học không dùng TRS = (1332 - 1082) = 250 Tỷ lệ số lượng người nhóm 1082/ (1332 - 1082) = 1082 / 250 = 4.3; tỷ lệ nộp testcase mẫu hai nhóm 22082 / 2927 = 7.5 (gấp 1,7 lần so với tỷ lệ người học nhóm) Điều nói lên nhóm Use-TRS có số lượng tương tác với testcase mẫu gần gấp đôi số lượng tương tác nhóm Not-use TRS Ta tính kết tương tự cách xác định tỷ lệ số nộp trung bình nhóm Use TRS (22082 / 1082) nhóm Not-Use TRS (2927 / 250) Chỉ số tương tác trung bình nhóm người học testcase mẫu SEM-212 (0.5) nhỏ xấp xỉ số tương tác trung bình nhóm Not-use TRS testcase mẫu SEM-222 (0.43) - nghĩa gấp 0.5/0.43 = 1,16 lần Điều cho thấy, nhóm Not-use TRS SEM-222 có mức độ tương tác thấp nhóm người học học kỳ không hỗ trợ TRS (SEM-212) Đây nhóm người học động q trình làm tập không chủ động tận dụng hỗ trợ từ môi trường giảng dạy Chỉ số tương tác trung bình nhóm Use TRS testcase mẫu SEM-222 (0.76) cao nhiều (khoảng gấp 1.5 lần) so với số tương tác trung bình SEM-212 (0.5) Điều cho thấy, nhóm Use TRS SEM-222 tương tác tích cực nhóm LUẬN VĂN TỐT NGHIỆP Trang 37/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính cịn lại (Not-use TRS SEM-222 nhóm người học SEM-212) Hay nói cách khác, giá trị đóng góp hệ thống TRS D) Tiềm phân tích liệu phù hợp BTL Khi triển khai BTL TRS, số thông số cần xác định thời gian làm cho phép số lần yêu cầu testcases ngày Mục trình bày việc phân tích liệu làm người học hệ thống để xem xét phù hợp thông số Việc xác định phù hợp giúp người dạy điều chỉnh thông số cho lần triển khai BTL sau (a) Hệ thống nộp BTL (b) TRS Hình 4.5: Phân bố số ngày người học nộp hai hệ thống Sự phù hợp thời gian làm cho phép Dữ liệu tương tác hai hệ thống testcases mẫu TRS SEM-222 xem xét để đánh giá phù hợp số ngày làm Hình 4.5a minh họa phân bố số ngày người học nộp hệ thống Testcases mẫu Và Hình 4.5b minh họa phân bố số ngày người học nộp TRS Trên hình, trục hồnh biểu diễn số ngày người học có nộp hệ thống, trục tung biểu diễn có số lượng người học có số ngày Từ hình 4.5a, thấy người học tập trung làm khoảng từ đến 10 ngày (chiếm 94% = 1252 / 1332) hệ thống testcases mẫu Từ thấy, thời gian để làm BTL phù hợp khoảng 10 ngày (chưa bao gồm thời gian đọc hiểu mơ tả đề) Từ hình 4.5b, thấy người học tập trung làm khoảng từ đến ngày (chiếm 96.95% = 1049/1082) Như vậy, thời gian phù hợp để người học tham gia Hệ thống gợi ý testcases cho BTL khoảng ngày Sự phù hợp số lượng yêu cầu testcases tối đa Hiện thống TRS triển khai với số lượng yêu cầu testcases tối đa ngày lần yêu cầu Hình 4.6 minh họa số lượng yêu cầu testcases dựa liệu ghi nhận tương tác người học hệ thống TRS Trục hồnh hình biểu diễn ngày tháng 3, thời gian TRS mở để người học vào tham gia Trục tung biểu diễn LUẬN VĂN TỐT NGHIỆP Trang 38/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính Hình 4.6: Số lượng u cầu testcases TRS 03/2023 số lượng yêu cầu ngày Một hình trịn biểu đồ biểu diễn số lượng người học ngày xác định có số lượng u cầu Ví dụ, hình trịn màu xanh dương sáng vị trí trục hồnh 04, trục tung biểu diễn có người học có số lần yêu cầu ngày 04 tháng 03 Thêm vào đó, kích thước màu sắc hình trịn biểu diễn số lượng người học Kích thước hình trịn lớn thể số lượng lớn Màu sắc hình trịn thể số lượng người học thông qua dãy màu sắc ánh xác bên phải Trong Hình 4.6, phần lớn hình trịn có kích thước nhỏ có màu xanh dương sẫm (tương ứng với số lượng người học 30) tập trung mức đến Các hình trịn xanh dương sẫm tập trung số lần yêu cầu từ đến Số lần yêu cầu tăng (càng 5) kích thước hình trịn nhỏ Người học có yêu cầu có Điều cho thấy, số lượng u cầu tối đa là chấp nhận Mặt khác, đa phần hình trịn có kích thước lớn tập trung mức Điều cho thấy, đa phần người học sử dụng yêu cầu mức Mức cho số lượng yêu cầu tối đa mang lại áp lực cho người học Số lượng yêu cầu tối đa điều chỉnh thấp để tăng áp lực độ thách thức cho người học 4.3 Kết chương Chương trình bày việc thực kiến trúc hệ thống ALS khảo sát sơ người học trả lời tập hệ thống Kết cho thấy đa phần người học nhận tác dụng hệ thống gợi ý Chương tập trung trình bày số phân tích đánh giá cách thức triển khai BTL học kỳ gần nhất, học kỳ gần có sử dụng hệ thống gợi ý LUẬN VĂN TỐT NGHIỆP Trang 39/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính testcases TRS Đặc điểm cách triển khai tập lớn phân tích định tính nhằm làm rõ ưu điểm giới hạn phương pháp Bên cạnh đó, liệu q trình làm BTL phân tích để xem xét đóng góp hệ thống TRS Kết nhóm người học sử dụng TRS có tương tác tích cực nhóm người học khơng sử dụng TRS Kiến trúc hệ thống ALS chương công bố báo Applying Lecturer Expectation and Learning Retention to an Adaptive Learning System International Conference on Intelligence of Things (ICIT) 2022, Springer Bài báo giới thiệu hệ thống Hệ thống Học tập Thích ứng - Adaptive Learning System (ALS) nhằm giải khó khăn người học học kiến thức lập trình xác định kỳ vọng người dạy để điều chỉnh trình học cho phù hợp với người học Bài báo đề xuất sáu tham số để người dạy xác định kỳ vọng đánh giá khả người học, với việc đề xuất thuật toán để chọn câu hỏi ôn tập theo phương pháp lặp lại dựa xác suất Sự lặp lại câu hỏi giúp người học thực hành nắm vững kỹ lập trình Hệ thống gợi ý testcases cho BTL chương công bố báo An Adaptive Testcase Recommendation System to Engage Students in Learning: A Practice Study in Fundamental Programming Courses tạp chí International Journal of Advanced Computer Science and Applications (IJACSA) - Volume 14 No June 2023, Web of Science, Scopus (Q3) Bài báo giới thiệu TRS nhằm hỗ trợ người học bắt đầu việc hồn thành BTL khóa học lập trình Những người học thường gặp khó khăn việc tạo testcase phức tạp xử lý lỗi lập trình, điều dẫn đến người học khơng cải thiện kỹ lập trình Hệ thống Gợi ý Testcases - Testcases Recommendation System (TRS) đề xuất nhằm giải vấn đề cách sử dụng kỹ thuật Hệ thống Gợi ý Vùng Phát triển gần (Zone of Proximal Development) để cung cấp tập testcase nhỏ phù hợp dựa khả người học Bài báo triển khai Hệ thống Gợi ý Testcases - Testcases Recommendation System (TRS) khóa học Kỹ thuật Lập trình ĐHBK tiến hành đánh giá Qua việc phân tích liệu chứng minh Hệ thống Gợi ý Testcases - Testcases Recommendation System (TRS) giúp tăng đáng kể tương tác người học với hệ thống thực hành lập trình LUẬN VĂN TỐT NGHIỆP Trang 40/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính Chương Kết luận Luận văn có nhiệm vụ phân tích đề xuất giải pháp gợi ý testcases áp dụng vào triển khai BTL mơn học Kỹ thuật lập trình ĐHBK Kết luận văn cho thấy tiềm hệ thống gợi ý không lĩnh vực thương mại mà giáo dục Hệ thống đề xuất giúp người học gợi ý tập phù hợp với khả tốc độ học tập cá nhân Việc làm tập phù hợp tăng cường hứng thú khả tự học người học Từ đó, luận văn hướng đến đào tạo nhân lực chất lượng lĩnh vực CNTT đáp ứng nhu cầu thực tế từ doanh nghiệp Nhìn chung, kết thực toàn Luận văn tổng kết sau: • Tìm hiểu kiến thức nghiên cứu liên quan đến RS lĩnh vực giáo dục nhằm làm rõ đặc điểm ý nghĩa RS Từ đó, lợi ích RS phát giúp đưa tập phù hợp với lực người học thời điểm khác • Phân tích cách thức triển khai học tập thực hành từ năm học trước đề xuất giải pháp gợi ý, đặc biệt học tập thực hành BTL Các cách thức triển khai BTL trước cung cấp hệ thống chấm điểm tự động có khả hướng dẫn người học thơng qua testcases mẫu diễn đàn hỏi đáp Tuy nhiên, cách thức triển khai tồn hạn chế người học chưa thể cải thiện kĩ lập trình không nhận testcases làm cho mã nguồn người học chạy khơng xác • Dựa ưu điểm Hệ thống Gợi ý hạn chế cách triển khai BTL, phương pháp gợi ý đề xuất kết hợp mơ hình SVD để dự đoán điểm đạt cho testcases phương pháp ZPD để xác định lực người học Sau lực người học xác định, người học cung cấp tập nhỏ testcases có độ khó phù hợp với lực có điểm dự đốn cao Nhờ đó, người học có khả cao giải testcases LUẬN VĂN TỐT NGHIỆP Trang 41/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính • Hệ thống cho giải pháp gợi ý thực đánh giá thơng qua: phân tích đặc điểm BTL, so sánh cách triển khai BTL, phân tích kết thống kê làm BTL Kết phân tích thống kê rằng, nhóm người học sử dụng TRS có tương tác tích cực nhóm người học học kì gần khơng triển khai TRS Đồng thời, học kì triển khai TRS, nhóm người học sử dụng TRS có tương tác tích cực nhóm người học khơng sử dụng TRS Trong số kết đạt trên, hai cơng trình cơng bố Hội nghị Quốc tế Tạp chí quốc tế, chi tiết cụ thể sau: • Một kiến trúc tổng quát cho hệ thống học tập thích ứng dùng mơi trường thực hành lập trình cơng bố cơng trình với tiêu đề Applying Lecturer Expectation and Learning Retention to an Adaptive Learning System Hội nghị Quốc tế International Conference on Intelligence of Things (ICIT) 2022, Springer Cơng trình đề xuất Hệ thống Học tập Thích ứng - Adaptive Learning System (ALS) nhằm cải thiện khó khăn học kiến thức lập trình việc xác định kỳ vọng người dạy hệ thống để điều chỉnh việc học tập cho phù hợp với người học Bài nghiên cứu đề xuất sáu tham số để người dạy xác định kỳ vọng đánh giá khả người học, với việc đề xuất thuật tốn để chọn câu hỏi ơn tập lặp lại dựa xác suất xuất Các câu hỏi lặp lại giúp người học luyện tập cách thực hành thành thạo kỹ lập trình • Phương pháp gợi ý testcases cho BTL Luận văn công bố báo An Adaptive Testcase Recommendation System to Engage Students in Learning: A Practice Study in Fundamental Programming Courses chấp nhận đăng tạp chí International Journal of Advanced Computer Science and Applications (IJACSA) - Volume 14 No June 2023, Web of Science, Scopus (Q3) Cơng trình đề xuất Hệ thống Gợi ý Testcases - Testcases Recommendation System (TRS) nhằm hỗ trợ người học bắt đầu khóa học lập trình hồn thành tập thực hành Những người học thường gặp khó khăn việc tạo testcase phức tạp xử lý nhiều lỗi lập trình, dẫn đến tập trung việc học TRS đề xuất giải vấn đề cách áp dụng hệ thống gợi ý Vùng Phát triển gần (Zone of Proximal Development) để cung cấp tập testcase nhỏ phù hợp dựa khả người học Bài báo triển khai TRS khóa học Kỹ thuật Lập trình trường đại học để đánh giá Thơng qua phân tích liệu TRS tăng đáng kể tương tác người học với hệ thống thực hành lập trình Như vậy, qua trình thực luận văn này, học viên đề xuất hướng hỗ trợ người học kỹ giải vấn đề trình học lập trình Mỗi người học có LUẬN VĂN TỐT NGHIỆP Trang 42/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính mức độ khả giải vấn đề khác Số lượng testcase cần gợi ý để hiểu thiết kế lời giải khác phụ thuộc vào cảm quan người học Kết luận văn mang lại môi trường hỗ trợ người học người dạy Người học hỗ trợ giải vấn đề theo nhu cầu khả cá nhân, người dạy tập trung vào thiết kế lộ trình đánh giá testcases để kiểm tra chất lượng làm người học Trong tương lai, nghiên cứu tập trung vào việc: • Nghiên cứu đánh giá độ hiệu phương pháp gợi ý đề xuất liệu làm người học học kỳ đến Các giải thuật hỗ trợ gợi ý khác nghiên cứu để đề xuất đánh giá, so sánh độ hiệu gợi ý so với giải pháp đề xuất • Nghiên cứu tìm cách thu thập thơng tin đánh giá mức độ hài lòng người học, đặc biệt có thêm mơi trường hỗ trợ gợi ý thêm testcase cho tập lớn • Tìm cách tích hợp kỹ thuật tự động xây dựng testcase dựa theo ngôn ngữ hình thức mơ tả Bên cạnh đó, tìm cách xây dựng ngân hàng testcases để hướng đến có mức độ phân hóa tốt cho gợi ý • Nghiên cứu mở rộng sang phương pháp gợi ý khác mà tận dụng kiến trúc hệ thống đề xuất Luận văn khuôn khổ hỗ trợ việc thực hành lập trình • Đóng gói giải pháp tiện ích để tích hợp dễ dàng hệ thống LMS, đặc biệt Moodle LMS Việc hướng đến tạo điều kiện mở rộng phạm vi ứng dụng địa phương nước quốc tế LUẬN VĂN TỐT NGHIỆP Trang 43/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính Danh mục cơng trình khoa học Tạp chí quốc tế T Vu-Van, H Tran, V Le-Thanh, A Pham-Hoang, and N Huynh-Tuong, "An Adaptive Testcase Recommendation System to Engage Students in Learning: A Practice Study in Fundamental Programming Courses," International Journal of Advanced Computer Science and Applications (IJACSA), vol 14, no 6, Jun 2023 Hội nghị quốc tế T Vu-Van, H Tran, D Tran, A Pham-Hoang, and N Huynh Tuong, "Applying Lecturer Expectation and Learning Retention to an Adaptive Learning System," in The First International Conference on Intelligence of Things (ICIot 2022), Hanoi, 2022, pp 68-77 LUẬN VĂN TỐT NGHIỆP Trang 44/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính Tài liệu tham khảo [1] A Vizcaíno et al., “An adaptive, collaborative environment to develop good habits in programming,” in Intelligent Tutoring Systems, G Gauthier et al., Eds Springer Berlin Heidelberg, 2000, pp 262–271 [2] R Lobb and J Harlow, “Coderunner: A tool for assessing computer programming skills,” ACM Inroads, vol 7, no 1, pp 47–51, 2016 [3] J King and J South, “Reimagining the role of technology in higher education: A supplement to the national education technology plan,” US Department of Education, Office of Educational Technology, US, 2017 [4] R Mehta and K Rana, “A review on matrix factorization techniques in recommender systems,” in 2017 2nd International Conference on Communication Systems, Computing and IT Applications (CSCITA) [5] D Turnbull et al., IEEE, 2017, pp 269–274 “Learning management systems, cyclopedia of Education and Information Technologies, A an overview,” Tatnall, Ed in En- Cham: Springer International Publishing, 2020, pp 1052–1058 [Online] Available: https://doi.org/10.1007/978-3-030-10576-1_248 [6] S Yildirim et al., “What makes a good lms: an analytical approach to assessment of lmss,” in Information Technology Based Proceedings of the FIfth International Conference onHigher Education and Training (ITHET) IEEE, 2004, pp 125–130 [7] F L Wang et al., “Personalized word learning for esl students via integration of implicit and explicit profiles,” in Blended Learning Enhancing Learning Success: 11th International Conference, ICBL 2018, Osaka, Japan, July 31-August 2, 2018, Proceedings 11 Springer, 2018, pp 301–310 [8] D Zou, “Vocabulary acquisition through cloze exercises, sentence-writing and composition-writing: Extending the evaluation component of the involvement load hypothesis,” Language Teaching Research, vol 21, no 1, pp 54–75, 2017 LUẬN VĂN TỐT NGHIỆP Trang 45/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính [9] H Xie et al., “Personalized word learning for university students: a profile-based method for e-learning systems,” Journal of Computing in Higher Education, vol 31, pp 273–289, 2019 [10] D Zou et al., “An explicit learner profiling model for personalized word learning recommendation,” in Emerging Technologies for Education: Second International Symposium, SETE 2017, Held in Conjunction with ICWL 2017, Cape Town, South Africa, September 20–22, 2017, Revised Selected Papers Springer, 2017, pp 495–499 [11] T Joachims, “Optimizing search engines using clickthrough data,” in Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ser KDD ’02 New York, NY, USA: Association for Computing Machinery, 2002, p 133–142 [Online] Available: https://doi.org/10.1145/775047.775067 [12] T Friesner and M Hart, “Learning logs: assessment or research method?” Electronic Journal of Business Research Methods, vol 3, no 2, pp pp117–122, 2005 [13] H Xie et al., “Generating incidental word-learning tasks via topic-based and load-based profiles,” IEEE multimedia, vol 23, no 1, pp 60–70, 2015 [14] H Khosravi et al., “Development and adoption of an adaptive learning system: Reflections and lessons learned,” in Proceedings of the 51st ACM technical symposium on computer science education, USA, 2020, pp 58–64 [15] N Gavrilovi´c et al., “Algorithm for adaptive learning process and improving learners’ skills in java programming language,” Computer Applications in Engineering Education, vol 26, pp 1362–1382, 2018 [16] S Chookaew et al., “A personalized e-learning environment to promote student’s conceptual learning on basic computer programming,” Procedia - Social and Behavioral Sciences, vol 116, pp 815–819, 2014 [17] K Chrysafiadi et al., “Optimizing programming language learning through student modeling in an adaptive web-based educational environment,” in Machine Learning Paradigms: Advances in Learning Analytics Cham: Springer International Publishing, 2020, pp 205–223 [Online] Available: https://doi.org/10.1007/978-3-030-13743-4_11 [18] I Karagiannis and M Satratzemi, “Implementation of an adaptive mechanism in moodle based on a hybrid dynamic user model,” in The Challenges of the Digital Transformation in Education Cham: Springer International Publishing, 2020, pp 377–388 LUẬN VĂN TỐT NGHIỆP Trang 46/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính [19] I H Hsiao et al., “Guiding students to the right questions: Adaptive navigation support in an e-learning system for java programming,” Journal of Computer Assisted Learning, vol 26, pp 270–283, 2010 [20] Y Koren, “Factorization meets the neighborhood: A multifaceted collaborative filtering model,” in Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ser KDD ’08 New York, NY, USA: Association for Computing Machinery, 2008, p 426–434 [Online] Available: https://doi.org/10.1145/1401890.1401944 [21] G Linden et al., “Amazon com recommendations: Item-to-item collaborative filtering,” IEEE Internet computing, vol 7, no 1, pp 76–80, 2003 [22] C C Aggarwal, An Introduction to Recommender Systems Cham: Springer Inter- national Publishing, 2016, pp 1–28 [Online] Available: https://doi.org/10.1007/ 978-3-319-29659-3_1 [23] M Deschênes, “Recommender systems to support learners’ Agency in a Learning Context: a systematic review,” International Journal of Educational Technology in Higher Education, vol 17, no 1, p 50, Dec 2020 [Online] Available: https: //educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-020-00219-w [24] F Ricci et al., “Recommender systems: introduction and challenges,” in Recommender systems handbook Springer, 2015, pp 1–34 [25] J Leskovec and M Ghashami, “Recommender systems: Content-based systems & collaborative filtering,” Internet: http://web.stanford.edu/class/cs246/slides/07-recsys1.pdf, 2501-2022 [26] J Lee et al., “A comparative study of collaborative filtering algorithms,” arXiv preprint arXiv:1205.3193, 2012 [27] J Bennett et al., “The netflix prize,” in Proceedings of KDD cup and workshop, vol 2007 New York, 2007, p 35 [28] D Jurafsky, tering,” “Recommender Internet: systems user user collaborative fil- https://www.youtube.com/watch?v=qEur4Xi8dks&list= PLaZQkZp6WhWwiSQYhFzpDWWVgz3hodXwr&index=3&ab_channel= FromLanguagestoInformation, 20-06-2021 [29] ——, ing,” “Recommender Internet: LUẬN VĂN TỐT NGHIỆP systems item item collaborative filter- https://www.youtube.com/watch?v=FFi0iPY5fko&list= Trang 47/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính PLaZQkZp6WhWwiSQYhFzpDWWVgz3hodXwr&index=4&ab_channel= FromLanguagestoInformation, 20-06-2021 [30] L Vygotsky et al., Interaction between learning and development Linkăopings universitet, 2011 [31] T Murray and I Arroyo, “Toward measuring and maintaining the zone of proximal development in adaptive instructional systems,” in Intelligent Tutoring Systems: 6th International Conference, ITS 2002 Biarritz, France and San Sebastian, Spain, June 2–7, 2002 Proceedings Springer, 2002, pp 749–758 [32] J V Wertsch, “The zone of proximal development: Some conceptual issues,” New Directions for Child and Adolescent Development, vol 1984, no 23, pp 7–18, 1984 [33] M Erdt et al., “Evaluating recommender systems for technology enhanced learning: a quantitative survey,” IEEE Transactions on Learning Technologies, vol 8, no 4, pp 326– 344, 2015 [34] H Tran et al., “An efficient approach to measure the difficulty degree of practical programming exercises based on student performances,” REV Journal on Electronics and Communications, vol 11, no 3-4, pp 41–48, Jul 2021 LUẬN VĂN TỐT NGHIỆP Trang 48/49 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học Kỹ thuật Máy tính PHẦN LÝ LỊCH TRÍCH NGANG Họ tên: Vũ Văn Tiến Ngày, tháng, năm sinh: 03/04/1999 Nơi sinh: tỉnh Quảng Ngãi Địa liên lạc: 29/44 Đường số 4, phường Trường Thọ, Tp Thủ Đức, Tp Hồ Chí Minh QUÁ TRÌNH ĐÀO TẠO (Bắt đầu từ Đại học đến nay) 2017 - 2022……….…Đại học Chính quy, Trường ĐH Bách Khoa - ĐHQG Tp.HCM 2020 - 2023…… …………….…Thạc sĩ, Trường ĐH Bách Khoa - ĐHQG Tp.HCM Q TRÌNH CƠNG TÁC (Bắt đầu từ làm đến nay) 03/2022 - tại…………………… …Đại học Bách Khoa - ĐHQG Tp.HCM LUẬN VĂN TỐT NGHIỆP Trang 49/49