5 XÂY DỰNG MƠ HÌNH PHẢN HỒI CỦA NGƯỜI HỌC
3.5 mạnh yếu của các yếu tố phong cách học
Chủ động/Thụ động Cảm quan/Trực quan Hình ảnh/Lời nói Tuần tự/Tổng thể Chủ động mạnh Cân bằng Thụ động mạnh Cảm quan mạnh Cân bằng Trực quan mạnh Hình ảnh mạnh Cân bằng Lời nói mạnh Tuần tự mạnh Cân bằng Tổng thể mạnh 33 206 77 202 103 11 137 156 23 42 217 57 10.4% 65.2% 24.4% 63.9% 32.6% 3.5% 43.4% 49.4% 7.3% 13.3% 68.7% 18.0%
hoặc làm việc trong các phịng thí nghiệm, đồng thời có khuynh hướng học trực quan hơn là theo lối diễn đạt. Khảo sát này cũng là một tham khảo rất tốt cho người quản lý đào tạo trong việc áp dụng các phương thức đào tạo hiện nay.
Để phân tích chi tiết hơn, độ mạnh yếu mỗi chiều được đánh giá để tìm ra các xu hướng của người học. Từ dữ liệu thu thập được, tôi xây dựng một thang đo mới với 3 mức độ cho mỗi chiều. Với giá trị trong khoảng từ 5-11 (bao gồm cả giả trị dương hoặc âm), sinh viên được xem là có thuộc tính mạnh, trong khoảng từ -3 đến 3 sẽ nhận thuộc tính trung bình (hay được coi là cân bằng), có thể xem chi tiết dữ liệu trong Bảng 3.7. Thống kê được thể hiện trong Bảng 3.5.
Bảng 3.6. Độ mạnh yếu của các chiều chia theo khối ngành khoa học Xã hội/Tự nhiên.
Chủ động/Thụ động Cảm quan/Trực quan Hình ảnh/Lời nói Tuần tự/Tổng thể Chủ động mạnh Cân bằng Thụ động mạnh Cảm quan mạnh Cân bằng Trực quan mạnh Hình ảnh mạnh Cân bằng Lời nói mạnh Tuần tự mạnh Cân bằng Tổng thể mạnh Khoa học Tự nhiên 11.4% 61.7% 26.9% 59.6% 35.8% 4.7% 44.0% 49.7% 6.2% 15.0% 68.4% 16.6%22 119 52 115 69 9 85 96 12 29 132 32 Khoa học Xã hội 8.9% 70.7% 20.3% 70.7% 27.6% 1.6% 42.3% 48.8% 8.9% 10.6% 69.1% 20.3%11 87 25 87 34 2 52 60 11 13 85 25 Bảng 3.6 chia dữ liệu thành hai nhóm: Khoa học Tự nhiên và Khoa học Xã hội. Dưới góc nhìn này có thể nhận thấy sự cân bằng giữa các chiều, đặc biệt ở nhóm Khoa học Xã hội, khơng có sự khác biệt q nhiều giữa các chiều trong nhóm.
Bảng 3.7. Trích xuất dữ liệu từ 20 sinh viên tham gia khảo sát. Group: Nhóm ngành Tự nhiên/Xã hội. Act: Chủ động, Ref: Thụ động, Sen: Cảm quan, Int: Trực quan, Vis: Hình ảnh, Ver: Lời nói, Seq: Tuần tự, Glo: Tổng thể.
SID Group sex AR SI VV SG Act Ref Sen Int Vis Ver Seq Glo Avg4
635101004 Nat F -3 5 1 -3 4 7 8 3 6 5 4 7 3.4 635101101 Nat F -1 5 1 3 5 6 8 3 6 5 7 4 2.9 635101109 Nat M 1 -1 -3 -5 6 5 5 6 4 7 3 8 3.16 635101161 Nat M -3 7 11 -5 4 7 9 2 11 0 3 8 2.71 635103047 Nat F -5 9 -1 3 3 8 10 1 5 6 7 4 3.58 635602066 Soc M -7 -3 -5 -1 2 9 4 7 3 8 5 6 3.673 635603110 Soc F -1 5 11 1 5 6 8 3 11 0 6 5 3.27 645602068 Soc F -3 3 -7 -5 4 7 7 4 2 9 3 8 3.23 655101045 Nat M 1 9 -1 1 6 5 10 1 5 6 6 5 3.43 655101055 Nat M -3 3 3 1 4 7 7 4 7 4 6 5 3.73 655101061 Nat F 5 1 5 5 8 3 6 5 8 3 8 3 3.75 655101063 Nat F -3 5 5 1 4 7 8 3 8 3 6 5 3.27 655101072 Nat F -5 3 3 -1 3 8 7 4 7 4 5 6 2.88 655101083 Nat M -3 7 -1 3 4 7 9 2 5 6 7 4 3.62 655101103 Nat F -5 9 9 1 3 8 10 1 10 1 6 5 3.61 655101105 Nat M -7 -11 5 -5 2 9 0 11 8 3 3 8 3.65 655101128 Nat F -3 5 -1 -3 4 7 8 3 5 6 4 7 3.8 655601056 Soc F 3 7 7 -3 7 4 9 2 9 2 4 7 3 655601140 Soc F 1 9 9 -5 6 5 10 1 10 1 3 8 3.03 655602010 Soc F -3 -1 5 1 4 7 5 6 8 3 6 5 3.64
3.5 Dự đoán kết quả học tập của người học
Dữ liệu huấn luyện bao gồm 316 bản ghi, Bảng 3.7 thể hiện các bản ghi được trích ra từ bộ dữ liệu này. Cột [Avg4] là kết quả điểm Trung bình chung tích lũy của sinh viên đến thời điểm khảo sát được trích xuất từ hệ thống quản lý điểm của nhà trường. Các giá trị này được rời rạc hóa theo các nhóm điểm để giảm số giá trị cho việc phân cụm. Dữ liệu được chia thành 4 khoảng giá trị, bao gồm: [2-2.4], [2.5-3.1], [3.2-3.5], [trên 3.5] tương ứng với các phân loại "Trung bình", "Khá", "Giỏi", Xuất sắc" theo đánh giá của các hệ thống đào tạo theo tín chỉ. Các giá trị này được xem là nhãn trong bước phân lớp dự đốn kết quả học tập. Một số cột có tính chất phụ thuộc được bỏ bớt trước khi áp dụng các thuật toán học máy.
Dữ liệu sau khi được tiền xử lý qua các bước nêu trên được đưa vào một mạng perceptron đa lớp để huấn luyện. Các lớp tương ứng với các nhãn đã được gán trong bước xử lý dữ liệu ở trên bao gồm "Xuất sắc", "Giỏi", "Khá" và "Trung bình". Các giá trị phụ thuộc trong Bảng
3.7 gồm các cột AR, SI, VV, SG sẽ bị loại bỏ, các cột giá trị phong cách học được chuẩn hoá về miền (0,1] (bằng cách chia các giá trị này cho 11). Sử dụng công cụ Weka [44] với các tham số "attributes + classes hidden layers of sigmoid nodes" = a, "learning rate" = 0.3,"momentum" = 0.2, số vòng lặp = 500. Số nốt đầu vào tương ứng với số thuộc tính huấn luyện. Số nốt ở tầng ẩn là 8 với 1 nốt là nốt bias. Số nốt đầu ra là 4 tương ứng với 4 phân lớp xếp loại học tập cần đoán nhận. Kết quả huấn luyện được thể hiện trên Bảng 3.8. Trong các thử nghiệm này, các
phương pháp chuẩn hóa khơng được sử dụng nữa nữa bởi dữ liệu đã được tiền xử lý trước khi đưa vào huấn luyện. Các tham số trên được chọn sau khi đã thực nghiệm nhiều lần và được lựa chọn tối ưu. Sử dụng phương pháp chia 10 mẫu với 90% cho tập huấn luyện và 10% cho tập kiểm tra.
Bảng 3.8. Kết quả phân lớp sau khi sử dụng mạng nơ-ron.
Phân lớp Số lượng Độ chính xác Số phần tử phân lớp đúng 254 80.63%
Số phần tử phân lớp sai 62 19.37%
Bảng 3.9. Ma trận nhầm lẫn phân loại học sinh.
Giỏi Xuất sắc Khá Trung bình
Giỏi 61 20 6 0
Xuất sắc 12 48 0 0
Khá 2 0 136 10
Trung bình 0 0 12 9
Căn cứ vào Bảng 3.8, độ chính xác trong việc dự đốn kết quả học
tập của người học theo phương pháp này là 80.63% tương ứng với 254 sinh viên được phân loại đúng. Ngược lại, các trường hợp khơng dự đốn đúng là 62, chiếm 19.37%. So với nghiên cứu tương tự của Oladokun [92] có độ chính xác là 74% cho thấy sự khả quan thu được của phương pháp này.
Bảng 3.9 cho thấy độ chính xác của mơ hình phân lớp. Theo bảng này, tỉ lệ phân loại chính xác tốt nhất là mức độ "Khá" với tỉ lệ là 136/148 trường hợp , tiếp sau là phân loại cho lớp "Xuất sắc" với tỉ lệ 48/60. Cuối cùng là các lớp "Khá" và "Trung bình" với tỉ lệ tương ứng là 61/87, 9/21.
3.6 Kết chương
Chương này đã mô tả chi tiết cách sử dụng mạng perceptron đa lớp để dự đoán kết quả học tập dựa vào dữ liệu về phong cách học. Nghiên cứu sinh đã tập trung phân tích các xu hướng học của sinh viên đồng thời đề xuất việc tích hợp dữ liệu phong cách học và dữ liệu học tập nhằm tìm ra mối liên hệ giữa phong cách học và kết quả học tập. Kết quả của nghiên cứu này có ý nghĩa rất quan trọng trong việc hỗ trợ cho người học cũng như các hệ thống dạy học nhằm điều chỉnh phương pháp học nhằm đạt được kết quả cao nhất. Các thực nghiệm chứng minh tính khả thi khi để có thể ứng dụng trong các hệ thống học trực tuyến và trong các mơ hình thích nghi cho các hệ hỗ trợ học tập. Nghiên cứu này là một thành phần quan trọng nhằm cung cấp mơ hình đánh giá năng lực người học phục vụ cho việc xây dựng mơ hình người học ở Chương
5. Kết quả của chương này đáp ứng được mục tiêu của luận án là nghiên
cứu phong cách học trong mối tương quan với kết quả học tập của người học, từ đó áp dụng các mơ hình học máy để dự đốn kết quả của người học.
Kết quả nghiên cứu nêu trên được cơng bố tại kỷ yếu có phản biện của Hội nghị quốc tế "The 9th International Conference on Knowledge and Systems Engineering" KSE 2017 (cơng trình khoa học số 2).
Chương 4
ĐÁNH GIÁ ĐỘ TẬP TRUNG CỦA NGƯỜI HỌC SỬ DỤNG CÁC PHƯƠNG PHÁP HỌC MÁY
Phát hiện và theo dõi sự tập trung của sinh viên trong một lớp học đơng đúc có thể trợ giúp cho các hệ thống dạy học thông minh dễ dàng kiểm sốt hoặc bao qt tình hình. Cùng với các kỹ thuật tiên tiến trong học máy đang ngày càng phát triển nhanh chóng, đặc biệt là các kỹ thuật học sâu (deep learning), ngày nay, nhiều trường học có thể xây dựng các cơng cụ hiệu quả để hỗ trợ giáo viên hoặc tích hợp trong các hệ thống hỗ trợ học tập. Chương này đề xuất một phương pháp học máy hiệu quả áp dụng trên tập dữ liệu thu thập được để đánh giá độ tập trung của học sinh trong lớp học. Bên cạnh đó nghiên cứu cũng xây dựng một bộ dữ liệu phục vụ cho việc phân lớp các hành vi của sinh viên trong lớp. Việc áp dụng mơ hình đề xuất cho thấy kết quả thu được khá khả quan trong việc phân loại các hành vi của người học, đồng thời có thể ứng dụng trong các hệ thống thích nghi nhằm thu thập và phân tích thơng tin trạng thái người học.
4.1 Giới thiệu
Trong những năm gần đây, việc phát hiện các hành động và cảm xúc của sinh viên trong lớp học là một trong những chủ đề trong tâm mà các hệ thống dạy học thông minh hướng tới. Cùng với sự phát triển của các kỹ thuật tiên tiến, các hệ thống với khả năng tính tốn mạnh mẽ ra đời, các thuật tốn được cải tiến tối ưu, nhiều giải pháp cho vấn đề này được công bố với những kết quả hết sức khả quan. Biết được chính xác hành vi của sinh viên, đặc biệt là sự tập trung trong lớp học là hết sức quan trọng cho việc xây dựng và thiết kế các thành phần phản hồi trong các hệ thống dạy học thơng minh. Bên cạnh đó, việc phát hiện chính xác trạng thái của sinh viên trong lớp còn giúp cho các hệ thống hỗ trợ
dạy học thông minh (và cả giáo viên trong các lớp học truyền thống) có thể theo dõi được tiến trình học, độ tập trung của sinh viên để từ đó có các can thiệp, điều chỉnh kịp thời. Một lớp học có thành cơng hay khơng phụ thuộc rất nhiều vào kết quả đầu ra của sinh viên, và kết quả này phụ thuộc mật thiết vào sự tập trung, chú ý của sinh viên trong suốt quá trình học. Một số nghiên cứu chỉ ra rằng, phát hiện độ tập trung của người học trong thời gian sẽ tạo ra các cơ hội để cải thiện quá trình học và cả quá trìnhh dạy học [29, 112] (ví dụ như có thể điều chỉnh cách
thức giảng dạy, điều chỉnh nội dung học tập hoặc thậm chí điều chỉnh mục tiêu đầu ra của khóa học, điều chỉnh mục tiêu giáo dục [134]).
Trong lĩnh vực phát hiện độ tập trung của sinh viên trong lớp học, Dewan [27] chia q trình này thành các nhóm khác nhau như Tự động, Bán tự động hoặc thủ công. Theo quan điểm thị giác máy tính, nghiên cứu của Dewan phân loại độ tập trung dựa theo đối tượng của q trình nhận dạng: biểu đạt khn mặt, điệu bộ, cử chỉ.
Biểu đạt khn mặt: Có rất nhiều nghiên cứu về khía cạnh này. Nhiều nhà khoa học tập trung vào khn mặt của học sinh sinh để dự đoán cảm xúc của người học. Nezami và các cộng sự [84] sử dụng một mạng nơ-ron tích chập để phân lớp các cảm xúc của người học dựa trên bộ dữ liệu được huấn luyện trước là FER-2013 [39]. Whitehill [134] chia độ tập trung của người học theo 4 mức từ 1 đến 4 và sử dụng thuật toán máy vector hỗ trợ để phát hiện độ tập trung. Tác giả Bosch [6] tập trung vào trạng thái "tâm trí lang thang" (mind wandering) - một dạng nhận thức không tập trung, nghĩ vẩn vơ đến việc khác. Ông tập trung vào việc trích xuất các đặc trưng ở cả hai mức thấp và mức cao trong q trình nhận dạng khn mặt người từ các đoạn video ngắn.
Cử động mắt được chú ý trong những năm gần đây, Raina [97] đề xuất một mơ hình dựa trên cử động của mặt với các thiết bị theo dõi mắt chuyên dụng để so sánh độ tập trung giữa hai nhóm học sinh nhằm giảm thiểu việc bỏ quả các nội dung học trong môi trường học trực tuyến. Krithika và Lakshmi [63] xây dựng Hệ thống nhận diện cảm xúc
học sinh SERS (Student Emotion Recognition System) có thể xác định và giám sát cảm xúc của người học trong mơi trường học trực tuyến, từ đó đề xuất cơ chế phản hồi thời gian thực nhằm hỗ trợ cho học viên tiếp thu kiến thức tốt hơn. Hệ thống này có thể phát hiện mắt, cử chỉ đầu để ước lượng mức độ tập trung trong quá trình học.
Cử chỉ và điệu bộ: Đây chính là nhánh nghiên cứu mà nghiên cứu sinh tập trung bởi loại giao tiếp này có thể diễn tả khá rõ trạng thái tâm lý, cảm xúc của học sinh trong lớp học. Cử chỉ và điệu bộ là hai thành tố quan trọng trong việc vấn đề giao-tiếp-không-dùng-ngôn-ngữ [27].
Nhiều nghiên cứu gần đây tiếp cận theo hướng phát hiện sự tập trung của người học dựa trên thơng tin hình ảnh các tư thế của người học. Tác giả Fang và các cộng sự [32] đã nhận dạng 6 hành động phổ biến trong lớp học như "giơ tay trái", "giơ tay phải", "đứng dậy", "nằm gục xuống bàn" và "tư thế bình thường" để trợ giúp cho giáo viên trong việc lưu ý đến các hành vi của sinh viên trong giờ học.
Năm 2013, Grafsgaard [43] đã đo số lượng các các thay đổi cử chỉ tay và đầu để tìm ra mối liên hệ giữa các hành vi phi ngôn ngữ và hội thoại cùng với các tác động qua lại giữa chúng. Tác giả thực hiện khảo sát trên 42 sinh viên tham gia một khóa học khoa học máy tính cơ bản, các sinh viên này thực hiện việc tương tác với giáo viên thông qua một giao diện web. Các thông số về nhật ký cơ sở dữ liệu, webcam video, cảm biến da và video độ sâu từ thiết bị Kinect đều được ghi lại.
Potnis và Jahagirdar [95] thực hiện ghi lại các video và phát hiện các sinh viên giơ tay (xung phong) trong lớp để thông báo cho giáo viên. Nhóm tác giả xây dựng một hệ thống thời gian thực chuyển đổi video thu nhận được thành chuỗi các ảnh RGB, ảnh sau đó được xử lý qua q trình loại bỏ khn mặt và sử dụng phương pháp dị tìm nhóm điểm (blob detection) để phát hiện hành động giơ tay trong lớp học.
Sathyanarayana [105] xây dựng một cơ sở dữ liệu có tên là SD- MATH, sử dụng các thuật tốn HOG và SVM để địa chỉ hóa các cử chỉ bàn tay trong một phiên dạy học toán 1-1 giữa thầy và trị. Mục đích
nhằm phân loại các cử chỉ tay liên quan đến một quá trình dạy học, ý nghĩa của từng cử chỉ trong một giờ học tốn (ví dụ như cử chỉ giải thích, cử chỉ giới thiệu vấn đề, cử chỉ đưa ra gợi ý vấn đề...).
Zaletelj và Koˇsir [137] đo lường mức độ chú ý của học sinh bằng việc sử dụng các thiết bị Kinect 1. Họ kết hợp giữa phần thân trên, các đặc trưng của khuôn mặt và sử dụng bảy bộ phân lớp khác nhau để phân loại các hành động, sau đó so sánh kết quả giữa các phương pháp này.
Rich [100] kết hợp cử chỉ và lời nói thành một kênh thơng tin để theo dõi sự tham gia của người dùng trong quá trình tương tác giữa người và người máy.
Klein và Celik [56] xây dựng một hệ thống có tên là WITS (Wits Intelligent Teaching System) nhằm hỗ trợ người dạy theo dõi được độ tập trung của sinh viên bằng cách giám sát các phản hồi dưới thời gian thực. Các tác giả tạo ra một bản đồ hứng thú (Interesting Map) để chỉ ra sinh viên nào tập trung hay không tập trung vào bài giảng.