• Kết luận Conclusion: Tóm tắt các kết quả của nghiên cứu, khẳng định tính khả thi của mô hình trợ giảng số trong lớp học thông minh.. Xác định một vấn đề câu hỏi nghiên cứu của công tr
Trang 1BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
o0o
BÀI THI KẾT THÚC HỌC PHẦN Môn: Phương pháp luận và nghiên cứu khoa học
Sinh viên: Nguyễn Thế Anh Ngày sinh: 15/10/2003
Mã sinh viên: B21DCCN154 Lớp: D21HTTT5
Giảng viên :Từ Thảo Hương Giang
Hà Nội, tháng 11 năm 2024
Trang 2HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄNTHÔNG
-
TIỂU LUẬN Môn học : Phương pháp luận và nghiên cứu khoa học
Họ và tên: Nguyễn Thế Anh
Mã sinh viên:B21DCCN154
Số điện thoại: 0818820678 Nhóm môn học: 02
Giảng viên: Từ Thảo Hương Giang
Hà Nội, tháng 11 năm 2024
Trang 3Lời Cảm Ơn
Em xin gửi lời cảm ơn chân thành đến cô Từ Thảo Hương Giang , c ô đã tận tình hướng dẫn và truyền đạt những kiến thức quý báu trong suốt quá trình học tập môn Phương pháp luận và nghiên cứu khoa học Nhờ sự chỉ dẫn tận tâm,
em đã có cơ hội tiếp cận và áp dụng các phương pháp nghiên cứu một cách khoa học, hệ thống vào việc thực hiện tiểu luận này
Em cũng xin cảm ơn các cô và bạn bè đã luôn hỗ trợ, chia sẻ ý kiến, góp ý quý báu, giúp chúng em hoàn thiện bài tiểu luận tốt hơn
Mặc dù đã cố gắng hết mình, nhưng do hạn chế về thời gian và kinh nghiệm, bài tiểu luận khó tránh khỏi những thiếu sót Em rất mong nhận được những đóng góp từ thầy cô và bạn bè để bài làm được hoàn thiện hơn
Trân trọng cảm ơn!
Trang 4Mục lục
Phần 1 : Công trình khoa học : NGHIÊN CỨU & PHÁT TRIỂN THỬ NGHIỆM MÔ HÌNH TRỢ GIẢNG SỐ SỬ DỤNG CÔNG NGHỆ AI VÀ IOT .4
1 Phân tích cấu trúc logic của côn khoa g trình học 4
2 Xác định một vấn đề (câu hỏi) nghiên cứu của công trình khoa học 5
3 Chỉ rõ một luận điểm và các luận cứ chứng minh 5
4 Phương pháp lập luận 6
5 Gợi ý cho hướng nghiên cứu mới 6
Phần 2 : Đề tài nghiên cứu : Đề tài: "Ứng dụng trí tuệ nhân tạo trong chẩn đoán bệnh sớm qua hình ảnh y khoa" 8
1 Lý do đề lựa chọn tài 8
2 Tổng quan nghiên cứu 9
3 Mục tiêu nghiên cứu 10
4 Đối tượng và phạm vi nghiên cứu 10
5 Câu hỏi và giả thuyết nghiên cứu 10
6 Phương pháp nghiên cứu 11
7 Kết quả mong đợi 11
8 Hạn chế của nghiên cứu 12
9 Tài liệu tham khảo (APA) 12
Trang 5Phần 1 : Công trình khoa học : NGHIÊN CỨU &
PHÁT TRIỂN THỬ NGHIỆM MÔ HÌNH TRỢ
GIẢNG SỐ SỬ DỤNG CÔNG NGHỆ AI VÀ IOT
1 Phân tích cấu trúc logic của công trình khoa học
Bài báo khoa học này có cấu trúc logic rõ ràng với năm phần chính, tuân thủ chặt chẽ theo cấu trúc một bài nghiên cứu điển hình trong lĩnh vực kỹ thuật ứng dụng:
• Giới thiệu (Introduction): Phần này mở đầu với bối cảnh phát triển của
IoT (Internet of Things) trên toàn thế giới và nhấn mạnh vào tầm quan trọng của nó trong giáo dục Tác giả trình bày xu hướng phát triển lớp học thông minh và việc ứng dụng IoT để tạo ra các phòng học kỹ thuật
số, giúp nâng cao hiệu quả giảng dạy Đồng thời, các nghiên cứu trước về ứng dụng IoT trong lớp học thông minh và chatbot giáo dục đã được tham khảo để làm nổi bật sự cần thiết của một trợ giảng số Điều này xây dựng cơ sở lý thuyết và làm rõ khoảng trống mà nghiên cứu này nhằm giải quyết
• Mô hình hệ thống (System Model): Trong phần này, tác giả đề xuất mô
hình kiến trúc 3 lớp của hệ thống IoT, bao gồm lớp thiết bị, lớp mạng và lớp ứng dụng Cấu trúc này đã được chứng minh là phù hợp với các yêu cầu của trợ giảng số Tác giả chia hệ thống thành các khối thành phần: khối thu thập dữ liệu (sử dụng các cảm biến và camera), khối điều khiển trung tâm (sử dụng Raspberry Pi để xử lý), khối chấp hành (điều khiển các thiết bị), khối truyền thông (mạng Zigbee và Internet), và lưu trữ đám mây (ThingBoard IoT để lưu trữ và quản lý dữ liệu) Cấu trúc này đảm bảo sự ổn định, dễ mở rộng và chi phí thấp, giúp đáp ứng nhu cầu ứng dụng trong môi trường giáo dục
• Thiết kế và thi công (Design and Implementation): Đây là phần trọng
tâm, trình bày các khía cạnh thiết kế của mô hình trợ giảng số bao gồm:
o IoT Networks: Tác giả sử dụng giao thức mạng không dây Zigbee
để đảm bảo kết nối ổn định giữa các IoT node và IoT gateway
o Khối thu thập dữ liệu (IoT Node): Bao gồm các cảm biến môi
trường, camera và microphone để thu nhận dữ liệu từ lớp học
o Khối điều khiển trung tâm (IoT Gateway): Sử dụng Raspberry
Pi để xử lý hình ảnh, giọng nói và kết nối đến nền tảng ThingBoard
để quản lý dữ liệu
Trang 6o IoT Cloud: ThingBoard là nơi lưu trữ dữ liệu và cho phép thực
hiện các thao tác giám sát từ xa Các mô-đun được kết nối với nhau
để tạo thành một hệ thống trợ giảng số hoàn chỉnh, đáp ứng yêu cầu thu thập, xử lý và truyền tải dữ liệu hiệu quả
• Phân tích tính năng (Feature Analysis): Phần này đánh giá hiệu quả
của các tính năng trợ giảng số như điều khiển thiết bị qua giọng nói, điểm danh tự động qua nhận diện khuôn mặt, hỗ trợ đọc bài giảng từ file và giải đáp câu hỏi của sinh viên Các thử nghiệm thực tế được thực hiện để kiểm chứng khả năng hoạt động của hệ thống trong lớp học Tác giả cũng đưa ra các biểu đồ thống kê về hiệu suất, tỷ lệ thành công của các tính năng, từ đó đánh giá mức độ hiệu quả của mô hình
• Kết luận (Conclusion): Tóm tắt các kết quả của nghiên cứu, khẳng định
tính khả thi của mô hình trợ giảng số trong lớp học thông minh Tác giả cũng đề xuất các hướng phát triển trong tương lai, như cải thiện độ chính xác và thêm các tính năng thông minh hơn để tăng hiệu quả hỗ trợ học tập
2 Xác định một vấn đề (câu hỏi) nghiên cứu của công trình khoa học
Vấn đề nghiên cứu chính trong bài báo là làm thế nào để thiết kế và phát triển một mô hình trợ giảng số ứng dụng công nghệ AI và IoT, có khả năng hoạt động
ổn định trong môi trường lớp học, giúp tự động hóa quy trình quản lý lớp học và
hỗ trợ tương tác học tập cho sinh viên Mục tiêu của nghiên cứu là kiểm chứng xem mô hình trợ giảng số có thể đóng vai trò hỗ trợ giảng dạy trong các lớp học thông minh, tăng tính tương tác giữa sinh viên và giảng viên, cũng như cải thiện hiệu quả học tập và quản lý lớp học hay không
3 Chỉ rõ một luận điểm và các luận cứ chứng minh
• Luận điểm: Mô hình trợ giảng số sử dụng AI và IoT có khả năng cải
thiện hiệu quả quản lý lớp học, hỗ trợ giảng dạy, và tăng cường trải
nghiệm học tập của sinh viên
• Luận cứ lý thuyết:
o Công nghệ IoT cho phép kết nối các thiết bị với nhau, tạo ra một mạng lưới học tập thông minh, trong đó các thiết bị có thể giao tiếp
và thực hiện các nhiệm vụ một cách tự động mà không cần sự can thiệp thủ công Điều này giúp quản lý lớp học trở nên hiệu quả hơn, giảm bớt công việc thủ công cho giảng viên
o Các nghiên cứu trước về chatbot và trợ giảng ảo trong giáo dục đã cho thấy rằng công nghệ AI có khả năng hỗ trợ sinh viên trong việc
Trang 7trả lời câu hỏi, cung cấp tài liệu học tập và tạo ra một môi trường học tập chủ động
• Luận cứ thực tiễn:
o Kết quả kiểm nghiệm thực tế cho thấy hệ thống trợ giảng số có khả năng thu thập và xử lý dữ liệu từ các cảm biến, điều khiển thiết bị
và giải đáp câu hỏi của sinh viên một cách chính xác Tỷ lệ thành công của tính năng điều khiển qua giọng nói đạt trên 95%, trong khi tính năng nhận diện khuôn mặt đạt trên 85%, chứng tỏ hệ thống hoạt động ổn định và hiệu quả
o Tính năng đọc bài giảng và trả lời câu hỏi cũng đạt tỷ lệ thành công cao (trên 90% đối với đọc bài giảng và trên 80% đối với trả lời câu hỏi từ cơ sở dữ liệu nội bộ), khẳng định tính khả thi của mô hình trong việc hỗ trợ học tập cho sinh viên
4 Phương pháp lập luận
Phương pháp lập luận quy nạp được sử dụng để tổ chức luận cứ chứng minh
cho luận điểm chính Tác giả đã đưa ra nhiều kết quả kiểm nghiệm thực tế về các tính năng cụ thể của mô hình, như khả năng nhận diện giọng nói, nhận diện khuôn mặt, đọc slides bài giảng, và trả lời câu hỏi của sinh viên Dựa trên từng kết quả riêng lẻ này, tác giả đi đến kết luận chung rằng mô hình trợ giảng số có khả năng cải thiện trải nghiệm học tập và quản lý lớp học trong các môi trường giáo dục hiện đại
Ứng dụng phương pháp: Trong phần phân tích tính năng, tác giả đã tiến hành
các thử nghiệm với từng tính năng riêng lẻ và tổng hợp các kết quả từ các thử nghiệm này để lập luận rằng mô hình trợ giảng số có thể hoạt động tốt trong môi trường lớp học Ví dụ, tỷ lệ thành công cao của các tính năng điều khiển thiết bị qua giọng nói và điểm danh sinh viên qua nhận diện khuôn mặt được dùng để quy nạp và củng cố luận điểm về tính ổn định và hiệu quả của hệ thống
5 Gợi ý cho hướng nghiên cứu mới
Phân tích điểm yếu trong công trình và gợi ý hướng nghiên cứu mới
Xác định một nội dung có giá trị gợi ý cho hướng nghiên cứu mới: Tài liệu
đề xuất mô hình trợ giảng số có khả năng hỗ trợ giảng dạy và quản lý lớp học thông minh, tuy nhiên, một số hạn chế đáng chú ý vẫn tồn tại, đặc biệt là về độ chính xác và hiệu quả trong các tính năng như nhận diện giọng nói và nhận diện khuôn mặt Những hạn chế này thể hiện rõ ràng trong phần thử nghiệm và đánh giá tính năng của mô hình, nơi độ chính xác của tính năng nhận diện giọng nói đạt 95%, trong khi nhận diện khuôn mặt chỉ đạt 85% Ngoài ra, hệ thống chưa
Trang 8tối ưu khi xử lý câu hỏi sinh viên trong trường hợp câu trả lời không có sẵn, với
tỷ lệ thành công của API thấp hơn hẳn so với cơ sở dữ liệu nội bộ
• Nội dung gợi ý: Một hướng nghiên cứu tiềm năng là cải thiện độ chính
xác của tính năng nhận diện giọng nói và nhận diện khuôn mặt trong môi trường nhiều tiếng ồn hoặc ánh sáng yếu, bởi đây là những hạn chế còn tồn tại trong mô hình hiện tại Cụ thể, việc nhận dạng giọng nói và khuôn mặt của sinh viên có thể bị ảnh hưởng bởi các yếu tố môi trường không kiểm soát được, dẫn đến lỗi khi thực hiện các tác vụ
• Nguồn gợi ý: Các nội dung gợi ý này được rút ra từ luận điểm và các
luận cứ thực tiễn trong tài liệu:
o Luận điểm: Mô hình trợ giảng số có thể nâng cao hiệu quả giảng dạy
thông qua các tính năng tự động hóa như điều khiển qua giọng nói, điểm danh sinh viên tự động và hỗ trợ giải đáp thắc mắc
o Luận cứ thực tiễn: Dựa trên thử nghiệm thực tế, hệ thống có độ
chính xác khá cao nhưng vẫn chưa tối ưu, đặc biệt là trong các tình huống phức tạp với âm thanh nhiễu hoặc nhiều khuôn mặt trong khung hình
Đề xuất ý tưởng khoa học cho hướng nghiên cứu mới
1 Ý tưởng khoa học: Dựa trên các hạn chế của mô hình trợ giảng số hiện
tại, một hướng nghiên cứu mới có thể là:
• Phát triển một hệ thống trợ giảng số sử dụng mô hình học sâu tiên
tiến (Deep Learning) với khả năng tự tối ưu qua thời gian:
Hệ thống này sẽ sử dụng các thuật toán học chuyển giao và mô hình CNN tiên tiến hơn (chẳng hạn như EfficientNet hoặc Inception) để cải thiện độ chính xác trong nhận diện khuôn mặt ngay cả trong điều kiện môi trường phức tạp
• Tối ưu hóa khả năng nhận diện giọng nói trong môi trường ồn ào:
Áp dụng các kỹ thuật giảm nhiễu dựa trên AI và sử dụng mô hình xử
lý ngôn ngữ tự nhiên (NLP) để tăng cường khả năng hiểu ngữ cảnh của câu lệnh
• Tích hợp hệ thống học hỏi tự động từ dữ liệu người dùng:
Hệ thống sẽ tự động cập nhật và tối ưu hóa các mô hình nhận diện dựa trên dữ liệu thu thập từ lớp học thực tế Ví dụ, mỗi khi hệ thống nhận diện sai hoặc có yêu cầu cải thiện, các điều chỉnh và học hỏi có thể
Trang 9được cập nhật để đáp ứng tốt hơn với môi trường giảng dạy đặc thù của từng lớp học
2 Phương pháp và kế hoạch triển khai:
• Giai đoạn 1: Tập hợp một tập dữ liệu hình ảnh khuôn mặt đa dạng
hơn để cải thiện khả năng nhận diện Tiến hành tiền xử lý để loại bỏ nhiễu và tăng cường tính chính xác
• Giai đoạn 2: Xây dựng các mô hình CNN tiên tiến và thử nghiệm để
tìm ra mô hình có hiệu suất tốt nhất
• Giai đoạn 3: Tích hợp mô hình xử lý ngôn ngữ tự nhiên nhằm nâng
cao khả năng tương tác và phản hồi chính xác trong thời gian thực khi
hệ thống gặp câu hỏi không có sẵn câu trả lời trong cơ sở dữ liệu nội
bộ
• Giai đoạn 4: Xây dựng các mô-đun tự học để hệ thống tự cập nhật dữ
liệu người dùng và điều chỉnh các mô hình nhận diện và xử lý
3 Kết quả mong đợi và đóng góp tiềm năng:
• Cải thiện hiệu suất và độ tin cậy của mô hình trợ giảng số:
Độ chính xác của các tính năng nhận diện giọng nói và khuôn mặt sẽ cao hơn, đạt ít nhất 98% ngay cả trong môi trường nhiều tiếng ồn hoặc điều kiện ánh sáng thay đổi
• Tăng tính tự động hóa và khả năng đáp ứng của hệ thống:
Hệ thống sẽ cung cấp các câu trả lời tốt hơn cho sinh viên ngay cả khi câu trả lời không có sẵn, nhờ vào khả năng tìm kiếm thông minh hơn và hiểu ngữ cảnh tốt hơn
• Mở ra khả năng ứng dụng thực tế rộng rãi:
Một mô hình trợ giảng số với độ chính xác cao và khả năng tự động học hỏi sẽ là giải pháp lý tưởng cho các lớp học thông minh trong tương lai
Phần 2 : Đề tài nghiên cứu : Đề tài: "Ứng dụng trí tuệ nhân tạo trong chẩn đoán bệnh sớm qua hình ảnh y khoa"
1 Lý do đề lựa chọn tài
Sự phát triển vượt bậc của trí tuệ nhân tạo (AI) đã mở ra nhiều tiềm năng trong lĩnh vực y tế, đặc biệt trong chẩn đoán bệnh qua hình ảnh y khoa như X-quang,
CT, MRI và PET Hiện nay, việc phát hiện bệnh ở giai đoạn sớm là một trong những yếu tố quan trọng giúp cải thiện tỷ lệ sống sót và giảm chi phí điều trị
Trang 10Tuy nhiên, chẩn đoán truyền thống phụ thuộc nhiều vào kiến thức và kinh
nghiệm của bác sĩ, dễ dẫn đến sự sai lệch và chậm trễ khi phải xử lý số lượng lớn hình ảnh y khoa
AI có thể phân tích lượng lớn dữ liệu hình ảnh một cách tự động, phát hiện các bất thường nhỏ nhất và gợi ý chẩn đoán nhanh chóng Đề tài này không chỉ giúp giảm tải cho các bác sĩ mà còn tăng độ chính xác và tính nhất quán trong chẩn đoán Bên cạnh đó, các giải pháp AI còn hứa hẹn cung cấp dịch vụ y tế đến các vùng thiếu thốn, nơi thiếu các chuyên gia về y khoa
2 Tổng quan nghiên cứu
• Lý thuyết về AI và ứng dụng trong y tế: Trí tuệ nhân tạo, đặc biệt là các
phương pháp học sâu (Deep Learning), đã được nghiên cứu rộng rãi trong nhiều lĩnh vực, trong đó y khoa là một lĩnh vực quan trọng Các mô hình học sâu có khả năng học từ dữ liệu đầu vào lớn, giúp phát hiện các mô hình phức tạp từ dữ liệu ảnh
• Nghiên cứu hiện tại về AI trong chẩn đoán bệnh: Các nghiên cứu đã
ứng dụng AI trong nhiều loại bệnh, bao gồm:
o Ung thư phổi: Sử dụng các mạng nơ-ron tích chập (CNN) để phát
hiện nốt phổi từ hình ảnh CT ngực, với độ chính xác và độ nhạy cao
o Ung thư vú: Phát hiện khối u vú từ ảnh mammogram, sử dụng các
mô hình AI để đánh giá mức độ ác tính của khối u
o Bệnh lý tim mạch: Các hình ảnh MRI tim đã được sử dụng để
phát hiện bệnh động mạch vành và đánh giá chức năng tim
o Bệnh lý thần kinh: Sử dụng AI để phân tích ảnh MRI não, phát
hiện các bệnh như Alzheimer, Parkinson, và các tổn thương não
• Khoảng trống trong nghiên cứu hiện tại:
o Độ chính xác và giải thích được: Một thách thức lớn là làm thế
nào để cải thiện độ chính xác của các mô hình AI và đồng thời giúp chúng có khả năng giải thích được quyết định của mình
o Chất lượng dữ liệu: Các mô hình AI cần dữ liệu đa dạng và có độ
phân giải cao Tuy nhiên, dữ liệu y khoa thường bị giới hạn về số lượng và khó thu thập, dẫn đến hạn chế trong khả năng tổng quát hóa của mô hình
o Đạo đức và bảo mật dữ liệu: Việc thu thập và xử lý dữ liệu y
khoa đòi hỏi các biện pháp bảo mật mạnh mẽ, đảm bảo quyền riêng
tư của bệnh nhân và đáp ứng các quy định pháp lý