Nghiên cứu và ứng dụng các mơ hình người học là lĩnh vực có rất nhiều tiềm năng, hứa hẹn có thể áp dụng dụng hiệu quả trong các hệ thống học tập trực tuyến, hệ hỗ trợ dạy học thông minh hay các hệ ra quyết định. Cùng với sự phát triển về mặt cơng nghệ hiện nay, nó được xem như là một thành phần không thể thiếu trong việc cá nhân hóa học tập và xây dựng mơi trường học thích nghi (adaptive learning).
Mơ hình người học là các thơng tin về người học, bao gồm trình độ, quan điểm, hành vi và cảm xúc của người học, trong đó gồm cả các quy tắc giúp cho hệ thống hiểu được và biểu diễn lại được dưới ngơn ngữ máy tính. Mơ hình người học là một trong bốn cấu thành chính của một hệ thống dạy học thông minh và cũng là thành phần được nghiên cứu và ứng dụng nhiều nhất trong các hệ thống này bởi các lý do sau đây:
• Trước hết, dưới quan điểm giáo dục, người học là trung tâm của hoạt động học và dạy, người học là tiêu điểm mà mọi hoạt động dạy học phải tập trung xung quanh, hướng tới người học và vì người học, hay có thể xem người học là đối tượng trí tuệ của người dạy.
• Thứ hai là, dưới quan điểm hệ thống, mơ hình người học là thành phần lõi của một hệ thống dạy học thơng minh. Trong q trình phát triển hàng chục năm qua, có nhiều đề xuất các kiến trúc khác nhau cho một hệ thống dạy học thông minh đã được triển khai, theo đó có một số hệ thống thay đổi các thành phần trong kiến trúc này, một số hòa trộn với nhau để khai thác chung các tài nguyên. Tuy nhiên mơ hình người học ln là trọng tâm và đứng vững trong suốt các thay đổi đó. Thậm chí trong một số nghiên cứu đã chỉ ra rằng mơ hình người học là thành phần ra quyết định chính trong một hệ hệ thống dạy học thơng minh.
• Thứ ba là, mơ hình người học giải quyết rất nhiều câu hỏi nghiên cứu, quan trọng hơn là nó khơng chỉ để sử dụng trong các hệ thống dạy học thơng minh mà cịn trong rất nhiều lĩnh vực quan trọng khác, ví dụ như nghiên cứu về tâm lý học trường học hay tâm lý học lứa tuổi.
Theo Self [108], mơ hình người học đóng 6 vai trị chính như sau: 1. Sửa lỗi: Trợ giúp việc chỉ ra những lỗ hổng kiến thức của người
học.
2. Hàn gắn: Chỉnh sửa, hồn thiện những kiến thức cịn thiếu của người học.
3. Định chiến lược: Tìm ra các chiến lược học tập để thay đổi phương pháp học thay vì chỉ là các hành động mang tính ngắn hạn như trên.
4. Chẩn đốn: Chẩn đốn lỗ hổng kiến thức của người học.
5. Dự đoán: Dự đoán các trả lời của người học trong các bài kiểm tra.
6. Đánh giá: Đánh giá kết quả người học.
Trong các hệ thống dạy học hiện đại, người ta chủ yếu tập trung vào các vai trò 3, 5 và 6. Thực tế là có rất nhiều ứng dụng tập trung vào vai trò 5 và 6 bằng việc khai thác dữ liệu từ mơ hình người học để dự đốn kết quả thi trong tương lai cũng như phân tích và ước lượng năng lực người học thơng qua các phân tích định lượng.
Cuối cùng, mơ hình người học là một vấn đề thú vị, thách thức và đa lĩnh vực. Các nhà nghiên cứu ở nhiều lĩnh vực khác nhau có thể tìm thấy bài tốn của mình ở trong đó. Một cách lý tưởng thì mơ hình người học chứa tất cả các tri thức về khả năng nhận thức và trạng thái của người học cũng như có cơ chế tiến hóa và phát triển trong quá trình học [89]. Một mơ hình người học phải có tính động, có khả năng cung cấp thơng tin phân tích về người học ngay khi người học tham gia vào hệ thống. So với mơ hình miền tri thức, nơi mà tri thức có thể được thiết kế và xây trước với khả năng linh hoạt vừa phải, mơ hình người học có tính thách thức cao hơn đối với những nhà nghiên cứu và triển khai một mơ hình người học tốt.
Để đánh giá được thế nào là một mơ hình người học tốt phải dựa trên mục đích sử dụng của mơ hình. Thơng thường chúng ta thường xem xét ở hai góc độ: Độ chính xác dự đốn và độ tin cậy của tham số.
Độ chính xác dự đốn thường được sử dụng trong việc phân loại hoặc phát hiện một số hành vi của người học, thơng thường những hành vi này có thể nhận biết được thơng qua quan sát. Để đo được độ chính xác, người ta so sánh hành vi quan sát được này với kết quả dự đốn của mơ hình, đồng thời sử dụng một số thang đo để đánh giá chất lượng của mơ hình. Có rất nhiều nghiên cứu trước đây đã được thực hiện nhằm cải thiện độ chính xác của mơ hình người học. Bên cạnh đó, độ tin cậy
tham số được sử dụng chủ yếu khi dùng để đánh giá kết quả học tập của học sinh. Ví dụ khi một hệ hỗ trợ học tập được sử dụng để đánh giá độ thành thạo của người học (người học phải giải quyết các vấn đề một cách thuần thục cho đến khi họ hoàn toàn làm chủ được các kỹ năng), tri thức người học được sử dụng để xác định xem mức độ thành thạo, tri thức này có được do sử dụng mơ hình người học để ước lượng. Quá trình ước lượng lại được thể biện bởi các tham số của mơ hình, do đó các tham số của mơ hình ảnh hưởng trực tiếp đến việc đánh giá năng lực người học và để cải tiến mơ hình người học cũng cần tập trung vào xây dựng một mơ hình có độ tin cậy cao. Xây dựng mơ hình người học là một kỹ thuật quan trọng được sử dụng trong các hệ thống dạy học thơng minh. Mơ hình người học quan sát hành vi, thái độ của người học đối với hệ thống và lượng hóa chúng để cung cấp cho các phân hệ khác nhằm đưa ra quyết định. Một mơ hình người học tốt là một mơ hình thể hiện được chính xác thái độ cũng như thuộc tính của người học.
Có hai cơ chế để xây dựng mơ hình người học là phương pháp nhận thức và phương pháp học máy. Phương pháp nhận thức đề cập đến các hoạt động tinh thần bao gồm suy nghĩ, ghi nhớ, học tập và sử dụng ngơn ngữ. Do đó, khi áp dụng phương pháp nhận thức, các mơ hình người học tập trung vào việc hiểu người học thơng qua việc phân tích hành vi, thói quen và định lượng một cách khách quan. Phương pháp học máy dựa vào việc xử lý khối lượng thông tin lớn mà hệ thống thu thập được, để từ đó tìm ra các quy luật, thói quen, đặc tính của người học. Mỗi cơ chế có những điểm mạnh và điểm yếu riêng tùy theo từng lĩnh vực tri thức, việc sử dụng cả hai phương pháp có thể mang lại kết quả khả quan. Tuy nhiên các hệ thống thông thường phải lựa chọn một phương pháp thích hợp bởi cần phải đáp ứng cả u cầu về độ chính xác và thời gian phản hồi.
Mơ hình người học đã được nghiên cứu từ rất sớm và cũng đã được ứng dụng trong các hệ thống dạy học thơng minh. Thực tế có rất nhiều cách tiếp cận khác nhau để xây dựng mơ hình người học, phụ thuộc cả
vào đối tượng học và miền tri thức của từng hệ thống học thông minh. Theo Chrysafiadi và Virvou [18] các mơ hình người học thường được phân loại theo các cách tiếp cận sau:
1. Tiếp cận phủ (Overlay): Chia kiến thức người học thành các mức độ khác nhau. Mơ hình này được đề xuất bởi Stansfield, Carr và Goldstein vào năm 1976 [116], dựa theo kiến trúc này, mơ hình người học được thiết kế như là tập con của mơ hình miền tri thức. Khởi đầu nó chỉ là các giá trị nhị phân đúng hoặc sai, có hoặc khơng. Với mỗi một lĩnh vực, mơ hình chỉ ra rằng người học biết hoặc khơng biết tri thức này. Sau đó nó có thể có thêm các giá trị định lượng về mức độ hiểu biết của người học đối với tri thức đấy như tốt-trung bình-kém hoặc là các giá trị đo bằng xác suất của người học biết được khái niệm đó [8].
Carmona và Conejo [13] xây dựng hình người học cho mơi trường phân tán thơng qua hệ thống MEDEA, theo đó mỗi miền tri thức được ước lượng bởi mức độ hiểu biết của người học về miền tri thức này. Mơ hình người học được cấu thành bởi hai mơ hình con là mơ hình Thái độ (Attitude Model) và mơ hình Tri thức (Knowledge Model).
Marinov và Valova [69] sử dụng các kỹ thuật lập kế hoạch để định nghĩa các chiến lược dạy học tổng thể, cho phép xây dựng các khóa học được cá nhân hóa cao, đồng thời triển khai mơ hình phủ vào tồn bộ cấu trúc tổng thể của hệ thống. Các chiến lược và kỹ thuật này cho phép các hệ hỗ trợ học tập tự động thích nghi với từng cá nhân người học.
Mohamed và Lamia [76] áp dụng mơ hình phủ [9] và tích hợp Internet vạn vật (Internet of Thing - IoT) để xây dựng các khóa học sử dụng thiết bị thơng minh, máy tính bảng như là các thiết bị trợ giúp bên ngồi lớp học. Hệ thống dạy học thơng minh đóng vai trị như trợ giảng ngồi thời gian học trên lớp. Thời gian làm
bài tập về nhà là thời gian làm việc trực tiếp với giáo viên.
2. Tiếp cận khuôn mẫu (Stereotypes): Được đề xuất vào năm 1979 bởi Rich [101] với ý tưởng chính là phân nhóm người học với các đặc trưng giống nhau vào một nhóm. Mỗi một khn mẫu sẽ gồm các người dùng có chung miền tri thức. Một người học mới sẽ được bổ sung vào khn mẫu này nếu các thuộc tính của họ thỏa mãn khn mẫu đó. Theo Kay [52], mỗi khuôn mẫu là một tập hợp các bộ kích hoạt tMi với mỗi tMi là một giá trị Boolean dựa vào các thành tố của mơ hình người học.
Web-PTV [123] là hệ thống dạy học thông minh hỗ trợ học ngơn ngữ, cho phép cá nhân hóa và đưa ra những khuyến nghị cho người học dựa trên mơ hình người học với cách tiếp cận khuôn mẫu và học máy.
Carmona và các cộng sự [12] sử dụng cách tiếp cận khuôn mẫu để phân loại người học theo bốn nhóm. Dựa trên phong cách học kết hợp với mạng Bayesian để xây dựng một hệ thống có thể lựa chọn bài học hợp lý nhất cho mỗi người học.
Gần đây nhất, nhóm nghiên cứu của Troussas [120] kết hợp các mơ hình phong cách học khác nhau trên cùng một đối tượng học để phân loại người học. Nhóm sử dụng các kỹ thuật xây dựng khn mẫu người học nhằm tăng khả năng cá nhân hóa dựa theo các nhu cầu và đặc tính riêng của người học.
3. Tiếp cận dựa trên nhiễu (Perturbation): Là hình thức mở rộng của mơ hình phủ trong đó đưa thêm khái niệm nhầm lẫn như là một tập con của tri thức chuyên gia. Phần mở rộng này cho phép khắc phục tốt hơn các sai sót của học sinh, vì thực tế là người học có thể học được rất nhiều từ những sai sót trong q trìnhh tiếp nhận tri thức [86].
mơ hình nhiễu nhằm giúp học sinh tiểu học ở Đài Loan tiếp cận mơn số học. Mơ hình người học bao gồm 31 lỗi đối với phép cộng, 51 lỗi đối với phép trừ học sinh hay mắc phải.
Baschera và Markus [38] xây dựng hệ thống hỗ trợ việc học chính tả với các thông tin về điểm mạnh, điểm yếu của người học đi kèm với tập quy tắc lỗi. Tác giả sử dụng phương pháp hồi quy Poisson với các hàm liên kết tuyến tính ước lượng lỗi của người học so với tập quy tắc được định nghĩa trước.
4. Tiếp cận dựa trên học máy (Machine learning): Quan sát các hành động và thái độ người học để trích rút các quy luật một cách tự động. Theo Sison và các cộng sự [111], cách tiếp cận dựa trên học máy chủ yếu sử dụng trong các phạm vi sau:
• Xuất mơ hình người học tự việc quan sát một số lượng đủ lớn các hành vi của người học.
• Tự động mở rộng hoặc xây dựng từ đầu các thư viện lỗi của người học.
Tsiriga và Virvou [122] xây dựng hệ thống Web-EasyMath bằng cách kết hợp việc sử dụng cách tiếp cận khuôn mẫu và học máy. Sử dụng thuật toán KNNs với trọng số khoảng cách để phân loại người học ngay tại thời điểm bắt đầu. Với sự phát triển rất nhanh cơng nghệ phần cứng và sự trở lại của trí tuệ nhân tạo cùng các mơ hình tốn học liên quan, thế hệ phát triển thứ hai của các hệ thống dạy học thông minh đã ra đời. Cùng với sự gia tăng về dữ liệu giữa người học và hệ thống bởi hàng loạt các tương tác như dữ liệu trả lời câu hỏi, dữ liệu yêu cầu trợ giúp, dữ liệu phản hồi hệ thống .v.v.. và thực tế bằng kỹ thuật học máy đơn giản đã hiểu được mối quan tâm thực sự của người học là gì.
Ngồi ra, với sự phát triển các hệ thống học thông minh dựa trên học máy, phạm vi của các đối tượng học được mơ hình cũng đa
dạng hơn. Trong các mơ hình dựa vào nhận thức chủ yếu tập trung vào tri thức người học thì các hệ thống hiện nay cịn mơ hình cả năng lực người học, ảnh hưởng của người học, độ ổn định của người học ... Mơ hình người học dựa trên học máy cũng đáp ứng được hai vai trò của Self [108] cũng hết sức tự nhiên: (1) Dự đoán: Phán đoán trả lời của người học với các bài học. (2) Đánh giá: Đánh giá kết quả học tập. Đây cũng là đặc trưng cơ bản nhất của học máy nói chung.
Đối với vai trị dự đốn: Đây là nhiệm vụ cơ bản mà các kỹ thuật học máy thực hiện: dự đốn một thuộc tính nào đó dựa trên các thuộc tính đã biết khác. Thuộc tính dự đốn được xem là các biến mục tiêu hay là các biến phụ thuộc trong khi các thuộc tính được dùng cho q trình đốn nhận được xem như là các biến độc lập. Trong mơ hình người học, các thơng tin như phong cách học, thái độ học tập, phản ứng của người học được xem là các biến độc lập (có thể là biến phụ thuộc từ các q trình dự đốn khác) và kết quả học tập được xem là biến phụ thuộc.
Đối với vai trò đánh giá: Một trong các đặc điểm của khai phá dữ liệu là có thể phát hiện những thơng tin có ích nào đó từ nguồn dữ liệu lớn. Khai phá dữ liệu để chuyển hóa từ dữ liệu thơ để tìm ra các quy luật, các quy luật này là nguồn thơng tin hữu ích cho quá trình ra quyết định.
5. Tiếp cận dựa trên nhận thức (Cognitive): Mơ hình người học dựa trên nhận thức được phát triển trong những thập niên 80 và 90 của thế kỷ trước với giả thiết là việc học của con người có thể được mơ hình hóa bằng các q trình tính tốn [89]. Trước đó những phương pháp truyền thống nhằm mơ hình hóa người học địi hỏi rất nhiều cơng sức và thời gian. Một trong các phương pháp thu thập dữ liệu phổ biến thời bấy giờ là phỏng vấn.
model) và mơ hình ràng buộc (constraint based model).
Mơ hình vết: Trong mơ hình vết, hệ thống sẽ ghi nhận và bám sát các hành động của người học trong quá trình tương tác, đồng thời thường xuyên đưa ra những phản hồi và những lời khuyên dựa trên ngữ cảnh. Mơ hình này thường sử dụng phương pháp suy luận Bayes [139] để đánh giá năng lực người học và sử dụng nó để lựa chọn các vấn đề phù hợp cho từng người học một cách riêng rẽ.
Hình 1.3. Mơ hình vết dựa trên nhận thức.
Mơ hình ràng buộc: Mơ hình ràng buộc được đề xuất bởi Ohls- son [91] áp dụng cho cả mơ hình miền tri thức và mơ hình người học dưới dạng các ràng buộc, trong đó các ràng buộc đại diện cho các nguyên tắc cơ bản nằm trong miền. Một ràng buộc được đặc