Tên đề tài: “Xây dựng mô hình tìm kiếm và gợi ý tài nguyên học tập”.

Tác giả: Trần Thanh Điện, Khóa: 2017

Chuyên ngành: Hệ thống thông tin; Mã số: 62480104. Nhóm ngành: Máy tính và công nghệ thông tin

Người hướng dẫn chính: PGS.TS. Nguyễn Thái Nghe - Trường Đại học Cần Thơ

  1. Tóm tắt nội dung luận án

Trong những năm gần đây, cùng với sự phát triển rất nhanh của công nghệ hỗ trợ giáo dục trực tuyến, nhu cầu học tập mở ngày càng gia tăng, đặc biệt trong bối cảnh hạn chế tiếp xúc trực tiếp giữa người dạy và người học do tình hình dịch bệnh và nhiều lý do khác. Vấn đề đặt ra là cần có các mô hình tìm kiếm tài nguyên học tập, giúp cho việc tìm kiếm và sử dụng tài nguyên học tập hiệu quả hơn khi mà tài nguyên học tập ngày càng đa dạng và không ngừng gia tăng. Luận án đề xuất các mô hình tìm kiếm và gợi ý tài nguyên học tập. Để giải quyết được mục tiêu này, luận án chia bài toán lớn thành các bài toán nhỏ để giải quyết như bài toán phân loại, tìm kiếm, dự đoán và gợi ý. Các vấn đề chính được giải quyết bao gồm:

Thứ nhất, luận án đề xuất mô hình phân loại tài nguyên học tập dựa trên kỹ thuật học sâu (deep learning) với mạng nơ-ron truyền thẳng đa tầng (MLP).

Thứ hai, để tìm kiếm tài nguyên học tập được hiệu quả, luận án đề xuất hai cách tiếp cận gồm tìm kiếm tài nguyên học tập dựa trên tính toán độ tương đồng về nội dung văn bản và tìm kiếm dựa trên mạng ngữ nghĩa ontology. 

Thứ ba, luận án đề xuất các mô hình dự đoán kết quả học tập với các cách tiếp cận khác nhau dựa trên các kỹ thuật học sâu, bao gồm mô hình dự đoán kết quả học tập cho toàn bộ sinh viên sử dụng mạng nơ-ron tích chập (CNN), mô hình dự đoán theo nhóm năng lực học tập sử dụng mạng nơ-ron đa tầng (MLP) và kỹ thuật rừng ngẫu nhiên (RF), và mô hình dự đoán theo từng sinh viên sử dụng bộ nhớ ngắn dài hạn (LSTM).

Cuối cùng, để gợi ý tài nguyên học tập, luận án đề xuất mô hình phân rã ma trận sâu (DMF) được mở rộng từ mô hình phân rã ma trận chuẩn (MF). 

  1. Những kết quả mới của luận án

Thứ nhất, mô hình phân loại tài nguyên học tập được đề xuất nhằm giới hạn được không gian tìm kiếm giúp cho quá trình tìm kiếm tài nguyên học tập đạt hiệu quả hơn. Đóng góp mới của luận án là đề xuất sử dụng kỹ thuật học sâu với mạng nơ-ron truyền thẳng đa tầng MLP để phân loại tài nguyên học tập. Kết quả cho thấy đề xuất này khả thi hơn so với việc sử dụng các kỹ thuật máy học khác như cây quyết định, máy học véc-tơ hỗ trợ..., đặc biệt đã thực nghiệm trên nhiều tập dữ liệu thuộc nhiều ngôn ngữ khác nhau, các tập dữ liệu ở dạng mất cân bằng về số lớp, số mẫu.

Thứ hai, các mô hình tìm kiếm tài nguyên học tập được đề xuất giúp cho việc tìm kiếm và sử dụng tài nguyên được hiệu quả hơn trong bối cảnh nguồn tài nguyên học tập ngày càng đa dạng và không ngừng gia tăng. Đóng góp mới của luận án là đề xuất hai cách tiếp cận, đó là tìm kiếm dựa trên tính toán sự tương đồng về nội dung văn bản và dựa trên mạng ngữ nghĩa ontology với bài toán cụ thể là tìm kiếm ngữ nghĩa trên bốn lĩnh vực về công nghệ thông tin.

Thứ ba, luận án đề xuất các mô hình dự đoán kết quả học tập hay kết quả sử dụng tài nguyên học tập với các cách tiếp cận dựa trên các kỹ thuật học sâu. Đóng góp mới của luận án là đề xuất xây dựng các mô hình gồm: mô hình dự đoán cho toàn bộ sinh viên sử dụng mạng nơ-ron tích chập CNN, mô hình dự đoán theo nhóm năng lực học tập sử dụng mạng nơ-ron đa tầng MLP và kỹ thuật máy học rừng ngẫu nhiên RF, và mô hình dự đoán theo từng sinh viên sử dụng bộ nhớ ngắn dài hạn LSTM. Ngoài ra, luận án cũng đề xuất sử dụng kỹ thuật tiền xử lý dữ liệu QTF (Quantile Transformation) trước khi đưa vào mô hình nhằm giúp cho mô hình dự đoán đạt kết quả tốt hơn.

Thứ tư, luận án đề xuất mô hình gợi ý tài nguyên học tập dựa trên kỹ thuật học sâu. Đóng góp mới của luận án là đề xuất mô hình phân rã ma trận sâu DMF được mở rộng từ phân rã ma trận chuẩn MF để dự đoán xếp hạng từ đó gợi ý tài nguyên học tập phù hợp với người học. Luận án kiểm chứng mô hình đề xuất trên hai nhóm dữ liệu thực nghiệm gồm nhóm dữ liệu là kết quả học tập của sinh viên ở một trường đại học và nhóm dữ liệu khác gồm 5 tập dữ liệu về tài nguyên học tập của người dùng. Ngoài ra, mô hình cũng được đánh giá, so sánh với các kỹ thuật khác của hệ thống gợi ý. Kết quả thử nghiệm cho thấy mô hình DMF được đề xuất hoạt động khá tốt, có thể là lựa chọn tốt cho các tập dữ liệu có quy mô lớn.

  1. Các ứng dụng/khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu

Để thực hiện được mục tiêu tổng quát là xây dựng các mô hình tìm kiếm và gợi ý tài nguyên học tập, luận án đã đề xuất các mô hình phân loại, tìm kiếm tài nguyên học tập, dự đoán kết quả học tập và gợi ý tài nguyên học tập phù hợp cho từng người học. Các mô hình tìm kiếm, dự đoán xếp hạng và gợi ý tài nguyên học tập được đề xuất có thể tích hợp thành một hệ thống quản lý tài nguyên học tập để áp dụng vào trường hợp thực tiễn của các cơ sở giáo dục, đặc biệt là giáo dục đại học.

Ngoài kết quả đạt được, luận án cần được tiếp tục nghiên cứu trong thời gian tới để giải quyết một số vấn đề tồn tại như nghiên cứu phương pháp đánh giá hiệu quả của mô hình tìm kiếm dựa trên mạng ngữ nghĩa ontology; thực nghiệm trên nhiều tập dữ liệu khác nhau đối với các mô hình dự đoán xếp hạng kết quả học tập, gợi ý tài nguyên học tập để có đánh giá toàn diện, khách quan hơn đối với các kỹ thuật được đề xuất, đặc biệt là kỹ thuật học sâu; nghiên cứu cải tiến các mô hình này cho dạng tài nguyên học tập khác như tài nguyên ở dạng video.

Thesis title: BUILDING MODELS FOR SEARCHING AND RECOMMENDING LEARNING RESOURCES

Major: Information System                Code: 62 48 01 04

Name of postgraduate: Tran Thanh Dien

Scientific advisor: Assoc. Prof. Dr. Nguyen Thai Nghe

Name of University: Can Tho University

  1. Research summary

In recent years, with the rapid development of information technology, open learning has become an innovation movement in education and has been constantly developing. In addition, the commute is limited due to the pandemic and other issues, thereby increasing the demand for online learning and the use of materials for online teaching and learning. As the demand for online learning increases, the demand for searching learning resources increases. This thesis proposes effective models of searching learning resources as well as recommending learning resources that are suitable for learners’ needs. To obtain this objective, in this thesis, the large problem is divided into small problems that are easy to solve such as problems of classification, searching, prediction, and recommendation. The results of the thesis can be summarized as follows:

Firstly, the learning resource classification model based on deep learning techniques with multilayer perceptron (MLP) is proposed.

Secondly, the two approaches for searching learning resources are proposed based on document similarity and based on ontologies.

Thirdly, the learning performance prediction models which are proposed using deep learning techniques include learning performance prediction model on all student data using convolutional neural network (CNN), learning performance prediction model on ability group using MLP and random forest (RF), and learning performance prediction model on per student using long short-term memory (LSTM) and MLP.

Finally, the learning resource recommendation model is proposed using the deep matrix factorization (DMF) which is extended from the standard matrix factorization (MF) technique.

  1. The new findings of the thesis

Firstly, a learning resource classification model is proposed to narrow the search space, making the search process more effective. The new findings of the thesis is to propose an approach based on deep learning techniques with MLP to classify learning resources. The experimental results show that the MLP deep learning algorithm has better classification performance than other machine learning algorithms such as decision tree, support vector machines, etc., and is conducted on many multilingual datasets or multi-class imbalanced ones.

Secondly, the proposed models of searching learning resources may be beneficial in the context of constantly diverse and increasing learning resources. The new findings of the thesis is to propose two approaches for searching learning resources based on document similarity and based on ontologies with the specific problem of semantic search in four fields of information technology.

Thirdly, the models to predict student performance are proposed, with different approaches based on deep learning techniques. The new findings of the thesis is to propose learning performance prediction models including learning performance prediction model on all student data using CNN, learning performance prediction model on ability group using MLP and RF, and learning performance prediction model on per student using LSTM. In addition, the quantile transformation (QTF) technique is proposed to preprocess the data before they are put into the model to achieve better predictive performance.

Finally, the learning resource recommendation model is proposed based on deep learning techniques. The new finding of the thesis is to propose a DMF model which is extended from the standard MF to predict ratings, then recommend appropriate learning resources. Two dataset groups including datasets of learning resources and datasets of learning performance are used to validate the model, and the model is also compared with other techniques of the recommender system. The results show that the DMF model has better rating prediction performance compared to other techniques, and it may be a good choice for large datasets.

  1. Practical applications and future works

In order to achieve the overall goal of building models for searching and recommending learning resources, the models of learning resource classification, learning resource search, learning performance prediction, and learning resource recommendation are proposed. These proposed models can be integrated into a learning resource management system to be applied in the context of educational institutions, especially higher education institutions. 

In future works, it is suggested to study the methods for evaluating the effectiveness of the ontology-based search model; conducting experiments on predictive models of student performance and learning resource recommendation on several different datasets to have a more comprehensive and objective assessment of the proposed techniques, especially deep learning ones. Further research could be conducted on these models for other types of learning resources, like videos.

 

 

Thời gian phát VB/CC/CN

Hướng dẫn nhập Kế hoạch học tập cho HVCH

Số lượt truy cập

15334816
Hôm nay
Tuần này
Tháng này
Tổng số lượt truy cập
2657
10840
188978
15334816
Vinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.xVinaora Nivo Slider 3.x