o ài to n ự đo n ết quả h c tập được giải quyết th o hướng tiếp cận tương đ ng với ài to n xếp hạng trong RS n n c một số vấn đề đ t ra hi chuyển sang hệ thống gợi lựa ch n môn h c là:
- Quan t m đến t nh logic của c c môn h c gợi .
- T nh sư phạm và t nh đ nh hướng chuy n ngành trong ự đo n.
- ự đo n năng lực sinh vi n c iến đổi th o thời gian
Đ y là nh ng vấn đề ph t sinh trong qu trình gợi lựa ch n môn h c ph hơp và c ng là nh ng việc chƣa làm đƣợc trong luận văn này Tôi đã c nh ng hướng giải quyết vấn đề nh ng vấn đề này trong mục n ưới
5.1.3. ƣớng gi i qu t v n đ chƣa m đƣ c
Dựa tr n điểm ự đo n để gợi cho sinh vi n lựa ch n môn h c ph hợp mang t nh sư phạm và đ nh hướng chuy n ngành. Tôi xin đề ngh hướng giải quyết như sau X t hai trường hợp:
- Trường hợp c c môn h c c điểm ự đo n t ch iệt hoàn toàn (điểm m và điểm h , giỏi) thì hệ thống s gợi sinh vi n lựa ch n môn h c c số điểm ự đo n lớn nhất mà vẫn thỏa nh ng ràng uộc của chương trình đào tạo th o t n chỉ
- Trường hợp c c môn h c gợi trong nh m tự ch n c điểm ự đo n tương đương nhau (ch nh lệch nhau hông qu điểm) thì chúng tôi đề xuất ết hợp gi tr ự đo n và luật ết hợp làm cơ sở cho gợi lựa ch n môn
- Trang 57 -
h c nhằm tạo t nh logic t nh quy luật mà vẫn đảm ảo ph hợp với ri ng từng c nh n cụ thể Trong trường hợp này nếu tất cả c c môn tự ch n hông thuộc tập luật ết hợp thì ta s x t lại th o phương ph p so s nh số h c và gợi môn h c c điểm ự đo n lớn nhất trong nh m
Phương ph p gợi môn h c s ưu ti n cho nh m môn tự ch n c điểm ự đo n t ch iệt hoàn toàn nếu chúng thuộc nh m tương đương nhau thì chúng ta s p ụng luật ết hợp để ch n môn h c c trong tập luật
n cạnh việc gợi môn h c th o ràng uộc của chương trình đào tạo để n ng cao việc gợi với ràng uộc gợi th o đ nh hướng chuy n ngành Chúng tôi đề xuất hướng ph t triển: M i môn h c s kèm theo chuyên ngành có thể của môn h c đ và sinh vi n c ng thuộc chuy n ngành tương ứng Khi gợi lựa ch n môn h c ngoài việc iểm tra điểm ự đo n luật ết hợp mà hệ thống còn iểm tra việc ết nối chuy n ngành gi a sinh vi n và môn h c để gợi ph hợp nhất
5.1.4. K t u n
Việc ứng ụng hệ thống gợi trong gi o ục đã phần nào h trợ giúp đỡ sinh vi n lựa ch n nh ng môn h c th ch hợp với từng c nh n sinh vi n cụ thể n cạnh đ hệ thống w sit là một công cụ h trợ hiệu quả cho sinh vi n ra quyết đ nh lập ế hoạch h c tập
Một phần của luận văn đã đƣợc công ố tr n ài o:
- Huỳnh L Thanh Nhàn Nguy n Th i Ngh “Hệ thống ự đo n ết quả h c tập của sinh vi n sử ụng thƣ viện hệ thống gợi mã ngu n mở mym ialit ”. Hội thảo toàn quốc về công nghệ thông tin năm Trường Đại h c Cần Thơ
- Huỳnh L Thanh Nhàn Nguy n Th i Ngh “Hệ thống ự đo n ết quả h c tập và gợi lựa ch n môn h c” Hội thảo quốc gia lần thứ XVI Một số vấn đề ch n l c của công nghệ thông tin và truyền thông Trường Đại h c Đà Nẵng -15/11/2013.
5.2. ƣớng phát triển
Để ự đo n ết quả h c tập sinh vi n hiệu quả đảm ảo t nh đầy đủ thông tin quan t m đến đ nh hướng chuy n ngành t nh sư phạm c ng như sự thay đổi năng lực của sinh vi n th o thời gian Hướng nghi n cứu tiếp th o là hoàn thiện ứng ụng ỹ thuật ph n rã ma trận cho ài to n ự đo n ao g m:
- Vấn đề ổ sung thông tin (Additional Input Sourse). Khi sinh vi n mới chỉ h c đƣợc vài môn h c thậm ch là chƣa h c môn nào Đ y là một
- Trang 58 -
vấn đề h hăn cho ự đo n đƣợc ết quả của sinh vi n cho toàn h a h c Hướng ph t triển là ứng ụng ổ sung c c thông tin cho sinh vi n (us r) và môn h c (it m) để n ng cao t nh ph hợp của ự đo n
- Vấn đề thay đổi th o thời gian (Temporal Dynamics). Năng lực của sinh vi n c thể thay đổi th o thời gian hướng nghi n cứu tiếp th o là giải quyết ài to n sử ụng ỹ thuật ph n rã ma trận phụ thuộc thời gian
- Vấn đề th m gi tr mức độ quan tr ng (Inputs with Varying Confidence Levels). n cạnh đ hi ự đo n năng lực sinh vi n cần chú tr ng độ tin cậy của ự đo n và tr ng số quan tr ng ho c đ nh hướng chuy n ngành
Xây dựng hệ thống cố vấn h c tập hoàn chỉnh cho c c trường đại h c cao đẳng đào tạo theo h c chế tín chỉ ao g m nhiều vấn đề li n quan: ự đo n ựa tr n hoàn cảnh gia đình t m l sinh vi n nh ng ph n t ch xu hướng ết quả h c tập từ qu hứ ho c tƣ vấn lựa ch n đề tài lựa ch n tài liệu h c tập v v….
- Trang 59 -
Tài liệu tham khảo Ti ng Việt
1. Huỳnh L Thanh Nhàn Nguy n Th i ƣ Tìm hiểu hai ph liệu ằng luật ết hợp và ng ụng vào x y ựng hệ thống ự đo n ết quả h c tập của sinh vi n Luận văn đại h c Trường Đại h c n Giang
2. L Thanh Minh ng dụng khai khoáng d liệu và tập mờ trong việc phân loại h c sinh, 2002.
3. Nguy n Thái Nghe, Kỹ thuật phân rã ma trận trong xây dựng hệ thống gợi ý. Kỷ yếu Hội thảo Công nghệ thông tin 2012, trang 68-77, Tạp chí khoa h c Trường Đại h c Đà Lạt.
4. Nguy n Thái Nghe, Paul Janecek, Peter Haddawy. Một phân tích gi a các kỹ thuật trong dự đo n ết quả h c tập, 2006.
5. Nguy n Th Thanh Thủy Nguy n Trần Quốc Vinh ng ụng khai phá d liệu xây dựng công cụ dự đo n ết quả h c tập của sinh vi n Hội ngh sinh vi n nghi n cứu hoa h c lần thứ Đại h c Đà Nẵng
Ti ng nh
6. omavicius G Tuzhilin ( ) “Towar th n xt g n ration of recommender systems: A survey of the state-of-the-art and possible xt nsions” I Transactions on Knowl ge and Data Engineering, 17(6), 734–749
7. Crist al Rom ro S asti n V ntura “ ucational ata Mining: R vi w of the State-of-the- rt” Nov
8. illsus an M Pazzani “L arning colla orativ information filt rs ” in Proceedings of the 15th International Conference on Machine Learning (ICML '98), 1998.
9. Daniel Lemire, Harold Boley, Sean McGrath, Marcel Ball, Collaborative Filtering and Inference Rules for Context-Aware Learning Object Recommendation, International Journal of Interactive Technology & Smart Education, Volume 2, Issue 3, August 2005.
- Trang 60 -
10. Dietmar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich 2011.
Recommender Systems An Introduction. Cambridge University Press.
11. Enric Mor , Julià Minguillón, E-learning personalization based on itineraries and long-term navigational behavior, Proceedings of the 13th international World Wide Web conference on Alternate track papers & posters, May 19- 21, 2004, New York, NY, USA
12. a i n P Lousam uar o S nch z “ Taxonomy of Colla orative-Based R comm n r Syst ms” W P rsonalization in Int llig nt nvironm nts Studies in Computational Intelligence Volume 229, 2009, pp 81-117
13. Feng, M., Heffernan, N., and Koedinger, K. (2009). Addressing the assessment challenge with an online system that tutors as it assesses. User Modeling and User-Adapted Interaction, 19(3):243–266.
14. Gantner, Z., Drumond, L., Freudenthaler, C., Rendle, S., and Schmidt-Thieme, L. (2010). Learning attribute-to-feature mappings for cold-start recommendations. In Proceedings of the 10th IEEE International Conference on Data Mining (ICDM-2010). IEEE Computer Society.
15. Gantner, Z., Rendle, S., L., Freudenthaler , C., Schmidt-Thieme, L. 2011.
MyMediaLite: A Free Recommender System Library.
16. Gavin Shaw, Yue Xu, and Shlomo Geva. 2010. Using Association Rules to Solve the Cold-Start Problem in Recommender Systems. Lecture Notes in Computer Science, 6118, pp. 340-347.
17. Gemulla, R., et al, 2011, Large-Scale Matrix Factorization with Distributed Stochastic Gradient Descent.
18. Guy Shani and Asela Gunawardana. Evaluating Recommendation Systems.
November 2009.
19. JANNACH, D., ZANKER, M., FELFERNIG, A., FRIEDRICH, G. 2010.
Recommender Systems An Introduction.
20. Mairal, J., Bach, F., Ponce, J., and Sapiro, G. (2010). Online learning for matrix factorization and sparse coding. Journal of Machine Learning Research, 11:19-60.
- Trang 61 -
21. Manouselis, N., Drachsler, H., Verbert, K., and Duval, E. Mar 2012.
Recommender Systems for Learning.
22. Manouselis, N., Drachsler, H., Verbert, K., and Duval, E. Mar 2012.
Recommender Systems for Learning.
23. Nikos Manouselis, Hendrik Drachsler, Katrien Verbert and Erik Duval.
Recommender Systems for Learning. March 23, 2012.
24. Pasquale Lops, Marco de Gemmis, Giovanni Semeraro, Cataldo Musto, lucio Nar ucci “Cont nt-based and collaborative techniques for tag r comm n ation: an mpirical valuation” Journal of Int llig nt Information Systems, February 2013, Volume 40, Issue 1, pp 41-61
25. Takács, Pilászy, Németh and Tikk. 2009. Scalable Collaborative Filtering Approaches For Large Recommender Systems. Journal of Machine Learning Research 10 (2009).
26. Thai-Nghe, N., Drumond, L., Horvath, T., Krohn-Grimberghe, A., Nanopoulos, A., and Schmidt-Thieme, L. 2011. Factorization techniques for predicting student performance. In Educational Recommender Systems and Technologies: Practices and Challenges (In press), O. C. Santos and J. G.
Boticario, Eds. IGI Global.
27. Thai-Nghe, N., Drumond, L., Krohn-Grimberghe, A., and Schmidt-Thieme, L.
2010. Recommender system for predicting student performance. In Proceedings of the 1st Workshop on Recommender Systems for Technology Enhanced Learning (RecSysTEL 2010). Vol. 1. Elsevier's Procedia CS, 2811 - 2819.
28. Thai-Nghe, N., Lars Schmidt-Thieme. Predicting Student Performance in an Intelligent Tutoring System. A thesis submitted for the degree of doctor of Natural Science.
29. Yehuda Koren, Robert Bell and Chris Volinsky, 2009. Matrix Factorization Techniques for Recommender Systems.
30. http://recsyswiki.com/wiki/Category:Software.
31. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.32.9079.