5 XÂY DỰNG MƠ HÌNH PHẢN HỒI CỦA NGƯỜI HỌC
5.13 Phân tích mơ tả khảo sát
học thông minh theo hai chiều "Câu hỏi" và "Sinh viên".
Câu hỏi Sinh viên
Trung bình 3.89 3.89 Sai số chuẩn 0.12 0.17 Trung vị 3.92 4.02 Độ lệch chuẩn 0.77 0.60 Điểm cao nhất 4.12 4.92 Điểm thấp nhất 3.53 3.00
hỏi với nhau. Giá trị của hệ số tương quan này càng gần đến 1 thì các câu hỏi càng có mối liên hệ mật thiết với nhau, người đồng ý với câu hỏi này thì khả năng cao sẽ đồng ý với câu hỏi kia.
Bảng 5.14 đo độ tương quan giữa các câu hỏi được tính bởi cơng thức 3.1, câu hỏi số 7 và câu hỏi số 8 có hệ số tương quan là 0.74 cho ta biết có thể là nếu “Mơ hình học dạy/học phù hợp bài học hiện tại của
bạn” thì “Khả năng hỗ trợ bạn càng tốt hơn”. Đối với các khảo sát xã hội học, giá trị hệ số tương quan trong khoảng 0.26 đến 0.50 được coi là khá tốt. Để đánh giá độ tin cậy của bộ câu hỏi, giá trị hệ số Cronbach’s
Bảng 5.14. Độ tương quan của các câu hỏi trong khảo sát người học.
q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11 q12 q1 1.00 q2 0.25 1.00 q3 (0.03) (0.15) 1.00 q4 0.14 (0.17) 0.64 1.00 q5 (0.04) (0.20) 0.55 0.63 1.00 q6 0.01 (0.05) 0.32 0.49 0.59 1.00 q7 0.23 0.17 0.37 0.35 0.40 0.42 1.00 q8 0.08 0.25 0.36 0.38 0.52 0.55 0.74 1.00 q9 0.24 0.21 0.59 0.54 0.56 0.36 0.53 0.63 1.00 q10 0.06 0.33 0.41 0.26 0.44 0.39 0.44 0.64 0.67 1.00 q11 0.31 0.20 0.16 0.34 0.38 0.14 0.26 0.38 0.45 0.44 1.00 q12 0.02 0.02 0.41 0.47 0.47 0.40 0.48 0.63 0.65 0.44 0.38 1.00 alpha được tính cho tồn bộ 12 câu hỏi. Giá trị thu được bằng 0.85, kết quả này cho thấy bộ câu hỏi có độ tin cậy cao. Trong các nghiên cứu về xã hội học, độ tin cậy lớn hơn 0.70 được coi là tốt [71].
5.4 Kết chương
Trong nghiên cứu này, nghiên cứu sinh đã đề xuất một cách tiếp cận hồn tồn mới dựa trên việc tích hợp phong cách học, nhận dạng độ tập trung trong lớp nhằm đưa ra các phản hồi thích nghi với từng người học. Hệ thống tập trung giải quyết bài toán đề xuất nguồn học liệu và tiến trình phù hợp cho từng người học nhằm mục đích giúp ngắn thời gian học, đồng thời để đạt được kết quả học tập tốt nhất. Mô hình này đã được đánh giá và kiểm chứng bởi 61 sinh viên đang học tại trường Đại học Sư phạm Hà Nội. Kết quả đạt được rất đáng khích lệ và cho thấy khả năng triển khai, ứng dụng trong thực tế. Song hành với các lớp học truyền thống, việc ứng dụng các hệ thống dạy học thơng minh có hỗ trợ của trí tuệ nhân tạo, cụ thể như các bài tốn về nhận dạng
hành vi, thái độ, cảm xúc, độ tập trung... của người học trong lớp học cho thấy tiềm năng phát triển của các ứng dụng này.
Để bài tốn có khả năng ứng dụng cao hơn cần có những cải tiến về mơ hình phản hồi của người học như bổ sung các mơ hình nhận thức như mơ hình Bloom [5] với 6 bậc nhận thức, hoặc các phân tích hướng dữ liệu (Data driven) tập trung vào dữ liệu theo vết người học (student log) để có các phản hồi chính xác hơn, hỗ trợ tốt hơn cho người học. Bên cạnh đó dữ liệu bài học sẽ được xây dựng theo chuẩn SCORM (Sharable Content Object Reference Model) để có thể tích hợp các bài học hoặc xuất khẩu bài học sang các hệ thống LMS khác. Trong thời gian tới, nhóm tác giả sẽ tập trung nghiên cứu và tích hợp các mơ hình khác như mơ hình nhận thức Bloom, mơ hình phong cách học Kolb, Myers-Briggs để đang dạng hóa các thơng tin cho các hệ thống thông minh, hỗ trợ việc ra quyết định trong mơi trường dạy và học. Bên cạnh đó, việc thu thập dữ liệu người học và mở rộng bộ dữ liệu nhằm tăng độ chính xác của mơ hình và tăng độ tin cậy của hệ thống.
Kết quả nghiên cứu nêu trên đã được cơng bố trên tạp chí Education and Information Technologies, Springer, số 2 tháng 3 năm 2021 (ISI/Q1, IF=3.078, ISSN 1360-2357 (cơng trình khoa học số 6).
Kết luận
Trong đào tạo trực tuyến, có rất nhiều nguyên nhân chi phối đến kết quả học tập của người học, ngoài các yếu tố khách quan như thời gian, khơng gian, địa điểm thì các yếu tố chủ quan đóng vai trị to lớn trong quá trình học. Việc ứng dụng khoa học máy tính và các nghiên cứu về tâm sinh lý học sẽ có khả năng điều chỉnh hành vi, thái độ cũng như phương pháp truyền đạt kiến thức, nội dung kiến thức trong quá trình tương tác của người học với hệ thống nhằm tăng tính hiệu quả của hoạt động học tập. Đó là mục tiêu hướng tới của nghiên cứu này.
Luận án nghiên cứu hướng tiếp cận mới trong việc xây dựng mơ hình phản hồi của người học trong các hệ học thống dạy học thông minh sử dụng các kỹ thuật học máy hiện đại. Luận án đã xây dựng một mơ hình người học mẫu và tiến hành thực nghiệm, đánh giá, kết quả thu được có ý nghĩa cho việc triển khai các hệ thống dạy học thông minh trong tương lai.
Các kết quả nghiên cứu của luận án sẽ là những đóng góp mới về mặt lý luận và thực tiễn trong lĩnh vực xây dựng mơ hình người học, đồng thời gợi mở các vấn đề liên quan đến bài toán khai phá dữ liệu giáo dục. Đây là tiền đề để các nhà nghiên cứu, các nhà phát triển ứng dụng tập trung phát triển các hệ thống dạy học thơng minh ứng dụng trong nhà trường.
Đóng góp chính của luận án
• Đề xuất mơ hình đánh giá năng lực người học dựa trên việc ước lượng năng lực, từ đó áp dụng vào các hệ thống dạy học thơng minh nhằm hỗ trợ đánh giá chính xác năng lực người học, giúp hệ thống hỗ trợ và tương tác với người học hiệu quả hơn.
• Đề xuất mơ hình dự đốn kết quả học tập của người học dựa trên phong cách học. Từ đó phân tích đánh giá các yếu tố phong cách
học ảnh hưởng đến kết quả học tập của người học.
• Đề xuất mơ hình đánh giá mức độ tập trung của người học sử dụng phương pháp học máy. Ứng dụng các mơ hình học máy trong việc phân tích hành vi người học trong lớp học.
• Đề xuất mơ phản hồi của người học dựa trên phong cách học và nhận dạng hành vi người học trong lớp học theo thời gian thực, đề xuất các thuật tốn lựa chọn hình thức bài học và tiến trình học dựa vào mơ hình người học sau khi thu nhận và phân tích. Xây dựng và thực nghiệm bài tốn để từ đó rút ra kết luận về các ảnh hưởng của mơ hình người học đối với khả năng tiếp thu kiến thức của người học và kết quả học tập qua hệ thống dạy học thông minh.
Hướng nghiên cứu trong tương lai
Xây dựng một hệ thống dạy học thơng mình là mục tiêu mà các nhà trường đang hướng tới, cùng với sự phát triển mạnh mẽ của trí tuệ nhân tạo, Internet vạn vật (Internet of Thing - IoT), việc tích hợp các nền tảng này cho phép một hệ thống dạy học thơng minh hơn, có khả năng thích nghi cao hơn. Trong tương lai, các hệ thống dạy học thơng minh sẽ được tích hợp các cơng cụ nhận thức mới như sóng não (electroencephalogram - EEG), cảm biến tia mắt (Eye Gaze) và các kỹ thuật khai phá dữ liệu giáo dục (Education Data Mining - EDM).
Để nghiên cứu sâu hơn về các mơ hình người học và các ứng dụng của nó, đồng thời triển khai, nâng cấp hệ thống dạy học thông minh, nghiên cứu sinh sẽ tiếp tục thực hiện các cơng việc sau:
• Bổ sung thêm các tham số về mức độ nhận thức theo thang Bloom cho mơ hình người học nhằm ước lượng năng lực chính xác hơn và đưa ra được mơ hình thích nghi phù hợp hơn.
• Xây dựng bộ tham số phản hồi của người học khi tương tác với hệ thống dạy học thông minh như: thời gian tương tác với hệ thống, thời gian lưu lại mỗi bài học, số lần nhấn chuột trong quá trình học... Thu thập dữ liệu, áp dụng các kỹ thuật học máy để phân tích và học các hành vi của người dùng.
• Thực nghiệm diện rộng đối với sinh viên để điều chỉnh bảng trọng số, đánh giá và kiểm chứng mơ hình.
DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC
1. H. T. Binh and B. T. Duy, "Student ability estimation based on IRT," 2016 3rd National Foundation for Science and Technology Development Conference on Information and Computer Science (NICS), Vietnam, 2016, pp. 56-61, doi: 10.1109/NICS.2016.7725667. 2. H. T. Binh and B. T. Duy, "Predicting students’ performance
based on learning style by using artificial neural networks," 2017 9th International Conference on Knowledge and Systems Engineer- ing (KSE), Vietnam, 2017, pp. 48-53, doi: 10.1109/KSE.2017.8119433. 3. H. T. Binh, M. T. Chau, A. Sugimoto and B. T. Duy, "Select-
ing active frames for action recognition with vote fusion method,"
2018 7th International Conference on Computer and Communi- cation Engineering (ICCCE), Malaysia, 2018, pp. 161-166, doi: 10.1109/ICCCE.2018.8539313.
4. H. T. Binh, N. Quang Trung, H. T. Nguyen and B. The Duy, "De- tecting Student Engagement in Classrooms for Intelligent Tutor- ing Systems," 2019 23rd International Computer Science and En- gineering Conference (ICSEC), Thailand, 2019, pp. 145-149, doi: 10.1109/ICSEC47112.2019.8974739.
5. Q. T. Nguyen, H. Tieu Binh, T. D. Bui and P. D. N.T., "Stu- dent postures and gestures recognition system for adaptive learning improvement," 2019 6th NAFOSTED Conference on Information and Computer Science (NICS), Vietnam, 2019, pp. 494-499, doi: 10.1109/NICS48868.2019.9023896.
6. Binh, H. T., Trung, N. Q., and Duy, B. T., Responsive Stu- dent Model in an Intelligent Tutoring System and its Evaluation,
Journal Education and Information Technologies, Springer, doi: 10.1007/s10639-021-10485-4. (ISI/Q1, IF=3.078)
Tài liệu tham khảo
Tiếng Việt:
[48] Trần Thanh Điện and Nguyễn Thái Nghe (2017), “Các mơ hình E-Learning hỗ trợ dạy và học”, Can Tho University, Journal of Science, Công nghệ TT 2017, p. 103, doi: 10.22144/ctu.jsi. 2017.014.
[88] Nguyễn Hữu Đức, Hà Quang Thụy, Phạm Bảo Sơn, Phan Xuân Hiếu, Trần Trọng Hiếu, Trần Mai Vũ, Nguyễn Trí Thành.,Đại học thơng minh: Bối cảnh thế giới và liên hệ với Việt Nam, https: //uet.vnu.edu.vn/dai-hoc-thong-minh-boi-canh-gioi-va- lien-voi-viet-nam/, Accessed: 2020-10-02.
Tiếng Anh:
[1] Patricia Albacete and Kurt Vanlehn (2000), “Evaluating the Ef- fectiveness of a Cognitive Tutor for Fundamental Physics Con- cepts”, Proceedings of the 22nd Annual Meeting of the Cognitive Science Society, pp. 25–30.
[2] Catalina Alonso, Domingo Gallego, and Peter Honey (2007), Los Estilos de Aprendizaje: Procedimientos de diagnóstico y mejora, Mensajero, isbn: 978-84-271-1914-7.
[3] Frank B.Baker (2001), The Basic of Item Response Theory, ERIC Clearinghouse on Assessment and Evaluation, University of Wis- consin.
[4] Benjamin S. Bloom (1984), “The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tu- toring”, Educational Researcher, 13 (6), pp. 4–16.
[5] Bloom B. S.; Engelhart, M. D.; Furst, E. J.; Hill, W. H.; Krath- wohl, D. R. (1956), Taxonomy of Educational Objectives, Hand- book I: The Cognitive Domain. New York: David McKay Co Inc. [6] Nigel Bosch (2016), “Detecting Student Engagement : Human Versus Machine”, 24th Conf. User Model. Adapt. Pers. (UMAP 2016), pp. 317–320, doi: 10.1145/2930238.2930371.
[7] Bruce Brunton (2014), “Learning Styles and Student Performance in Introductory Economics”, Journal of Education for Business, 90 (2), pp. 89–95, issn: 0883-2323, doi: 10 . 1080 / 08832323 . 2014.980716.
[8] Peter Brusilovsky and Eva Millán (2007), “User Models for Adap- tive Hypermedia and Adaptive Educational Systems”, The Adap- tive Web, Springer-Verlag, ed. by Peter Brusilovsky, Alfred Kobsa, and Wolfgang Nejdl, pp. 3–53, doi:10.1007/978-3-540-72079- 9_1.
[9] Peter Brusilovsky, Elmar Schwarz, and Gerhard Weber (1996), “ELM-ART: An intelligent tutoring system on world wide web”,
Intelligent Tutoring Systems, Springer Berlin Heidelberg, pp. 261– 269, doi: 10.1007/3-540-61327-7_123.
[10] Jaime Carbonell (1970), “AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction”,IEEE Transactions on Man Machine Systems, 11 (4), pp. 190–202, doi: 10.1109/ tmms.1970.299942.
[11] Edward G Carmines and Richard A Zeller (1979), Reliability and validity assessment, vol. 17, Sage Publications, Inc, 70 p. isbn: 0803913710, doi: 10.1037/018269.
[12] Cristina Carmona, Gladys Castillo, and Eva Millán (2008), “De- signing a Dynamic Bayesian Network for Modeling Students Learn- ing Styles”, 2008 Eighth IEEE International Conference on Ad-
vanced Learning Technologies, IEEE, pp. 346–350,doi:10.1109/ icalt.2008.116.
[13] Cristina Carmona and Ricardo Conejo (2004), “A Learner Model in a Distributed Environment”, Lecture Notes in Computer Sci- ence, Springer Berlin Heidelberg, pp. 353–359, doi: 10 . 1007 / 978-3-540-27780-4_50.
[14] Bishop-Clark Catherine and Wheeler Daniel D. (1994), “The Myers- Briggs personality type and its relationship to computer program- ming.”, Journal of Research on Computing in Education, 26 (3), p. 358, issn: 08886504, doi:10.1080/08886504.1994.10782096. [15] Maiga Chang et al. (2020), “Building Ontology-Driven Tutor- ing Models for Intelligent Tutoring Systems Using Data Mining”,
IEEE Access, 8, pp. 48151–48162, doi: 10.1109/access.2020. 2979281.
[16] Wen-Chih Chang and Hsuan-Che Yang (2009), “Applying IRT to Estimate Learning Ability and K-means Clustering in Web based Learning”, Journal of Software, 4.
[17] Fran¸cois Chollet et al., Keras, https : / / keras . io, Accessed: 2018-June-17.
[18] Konstantina Chrysafiadi and Maria Virvou (2013), “Student mod- eling approaches: A literature review for the last decade”, Expert Systems with Applications, 40, pp. 4715–4729, doi: 10.1016/j. eswa.2013.02.007.
[19] Chun Hung Lu, Chia Wei Wu, ShihHung Wu, Guey Fa Chiou, Wen Lian Hsu (2005), “Ontological Support in Modeling Learn- ers’ Problem Solving Process”, Educational Technology & Society, 8 (4), pp. 64–74.
[20] CNN,Convolutional Neural Network-Towards Data Science,https: //towardsdatascience.com/, Accessed: 2019-June-10.
[21] A. Collins and R. Michalski (1989), “The logic of plausible rea- soning: A core theory”, Cognitive Science, 13, 1–49.
[22] Corbett, A. T., Koedinger, K. R., & Anderson, J. R. (1997), “In- telligent Tutoring Systems”, Handbook of Human-Computer In- teraction.
[23] Keeley Crockett, Annabel Latham, and Nicola Whitton (2016), “On Predicting Learning Styles in Conversational Intelligent Tu- toring Systems using Fuzzy Decision Trees”, International Jour- nal of Human-Computer Studies, 97, pp. 98–115, issn: 10715819, doi: 10.1016/j.ijhcs.2016.08.005.
[24] Keeley Crockett et al. (2013), “A fuzzy model for predicting learn- ing styles using behavioral cues in an conversational intelligent tutoring system”, IEEE International Conference on Fuzzy Sys- tems, issn: 10987584, doi: 10.1109/FUZZ-IEEE.2013.6622382. [25] Andrew Do Daniel Alan Seiver, Kamal Haddad (2014), “Student
learning styles and performance in an introductory finance class”,
American Journal of Business Education, 7 (3), pp. 183–191. [26] Jia Deng et al. (2009), “ImageNet: A large-scale hierarchical im-
age database”, 2009 IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp. 248–255, doi: 10.1109/CVPR. 2009.5206848.
[27] M. Ali Akber Dewan, Mahbub Murshed, and Fuhua Lin (2019), “Engagement detection in online learning: a review”,Smart Learn- ing Environments, 6 (1), doi: 10.1186/s40561-018-0080-z. [28] Diana C Mu˜noz and Ortiz Alexandra and Gonzaacutelez Car-
olina and Loacutepez Diego M. and Blobel Bernd (2010), “Ef- fective e-Learning for Health Professional and Medical Students: The Experience with SIAS-Intelligent Tutoring System”, Stud- ies in Health Technology and Informatics, 156 (Medical and Care
Compunetics 6), 89–102, issn: 0926-9630, doi: 10.3233/978-1- 60750-565-5-89.
[29] Sidney D'Mello (2013), “A selective meta-analysis on the relative incidence of discrete affective states during learning with technol- ogy.”, Journal of Educational Psychology, 105 (4), pp. 1082–1099, doi: 10.1037/a0032674.
[30] S.M. Dowdy, S. Wearden, and D.M. Chilko (2004), Statistics for Research, Wiley series in probability and statistics, Wiley- Interscience, isbn: 9780471267355.
[31] Dalila Durães et al. (2019), “Intelligent tutoring system to im- prove learning outcomes”,AI Communications, 32, 161–174,issn: 18758452, 09217126, doi: 10.3233/AIC-190624.
[32] Chiung-Yao Fang et al. (2011), “Student Gesture Recognition System in Classroom 2.0”, Computers and Advanced Technology in Education, ACTAPRESS, pp. 290–297,doi:10.2316/p.2011. 734-010.
[33] Richard M Felder and Joni Spurlin (2005), “Applications, Reli- ability and Validity of the Index of Learning Styles”, Interna- tional Journal of Engineering Education, 21, pp. 103 –112, issn: 0949149X (ISSN).
[34] RM Felder and LK Silverman (1988), “Learning and teaching styles in engineering education”,Engineering education, 78 (June), pp. 674–681, issn: 01905848, doi: 10.1109/FIE.2008.4720326. [35] Brian H. Felkel and Ross M. Gosky (2013), “A Study of Reliabil-
ity and Validity of the Felder-Soloman Index of Learning Styles for Business Students”, Proceedings of the Annual International Conference on Technology in Collegiate Mathematics, pp. 38–47.
[36] Ana Lidia Franzoni et al. (2008), “Student Learning Styles Adap- tation Method Based on Teaching Strategies and Electronic Me- dia”, 2008 Eighth IEEE International Conference on Advanced Learning Technologies, IEEE, doi: 10.1109/icalt.2008.149. [37] Rasch, G (1960), Probabilistic Models for Some Intelligence and
Attainment Tests, Copenhagen, Danish Institute for Educational Research, Danmark.
[38] Baschera Gian-Marco and Gross Markus (2010), “Poisson-Based Inference for Perturbation Models in Adaptive Spelling Training”,
International Journal of Artificial Intelligence in Education, 20 (4), 333–360, issn: 1560-4292, doi: 10.3233/JAI-2010-011. [39] Ian J. Goodfellow et al. (2015), “Challenges in representation
learning: A report on three machine learning contests”, Neural Networks, 64, pp. 59–63, doi: 10.1016/j.neunet.2014.09.005. [40] S. Graf, T.-C. Liu, and Kinshuk (2010), “Analysis of learners' nav- igational behaviour and their learning styles in an online course”,
Journal of Computer Assisted Learning, 26 (2), pp. 116–131,doi:
10.1111/j.1365-2729.2009.00336.x.
[41] Sabine Graf, P. Kinshuk, and Kinshuk (2006), “An Approach for Detecting Learning Styles in Learning Management Systems”,
Sixth IEEE International Conference on Advanced Learning Tech- nologies (ICALT’06), pp. 161–163, doi: 10.1109/ICALT.2006. 1652395.
[42] Sabine Graf et al. (2007), “In-Depth Analysis of the Felder-Silverman Learning Style Dimensions”, Journal of Research on Technology in Education, 40, pp. 79–93, issn: 1539-1523, doi: 10 . 1080 / 15391523.2007.10782498.
[43] Joseph F. Grafsgaard et al. (2013), “Embodied Affect in Tuto- rial Dialogue: Student Gesture and Posture”, Lecture Notes in
Computer Science, Springer Berlin Heidelberg, pp. 1–10, doi:
10.1007/978-3-642-39112-5_1.
[44] Mark Hall et al. (2009), “The WEKA data mining software: an