Keywords smart education, adaptive education, artificial intelligence, learning theory model, learning performance
Keywords smart education, adaptive education, artificial intelligence, learning theory model, learning performance
và thông tin bổ ích giúp sinh viên tham khảo, ôn luyện và phục vụ nhu cầu học tập của mình cụ thể là có định hướng, ôn tập, nắm vững kiến thức môn học và làm bài tốt trong những bài kiểm tra, bài tiểu luận, bài tập kết thúc học phần, từ đó học tập tốt và có kết quả
Tài liệu liên quan:
Preview text:
VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
GIÁO DỤC THÔNG MINH TRÊN CƠ SỞ TRÍ TUỆ NHÂN TẠO
GIÚP XÁC ĐỊNH CÁC LOẠI HÌNH HỌC TẬP CHO SINH VIÊN
TRONG BỐI CẢNH GIÁO DỤC HIỆN NAY
1Trường Đại học Giáo dục - Đại học Quốc gia Hà Nội;
Nguyễn Thị Mỹ Lộc1,+, 2 Hoàng Sỹ
Học viện Kỹ thuật Mật mã Tương2
+Tác giả liên hệ ● Email: locntm@vnu.edu.vn Article History ABSTRACT Received: 05/9/2020
In present day, the issue of adaptation education environment is becoming Accepted: 21/9/2020
more urgen than ever. Adaptive learning systems are introduced to customize Published: 05/10/2020
content and learning paths of students. These system helps students
minimizing disorientation and cognitive overload problems; thereby helping
to optimize performance to improve the efficiency of the learning process. Keywords
The current learning systems are lacking adaptivity; as they offer same smart education, adaptive
resources for all users irrespective of their individual needs and preferences. education, artificial
Students learn according to their learning styles and determining these is a intelligence, learning theory
crucial step in making E-learning or traditional education adaptive. To
model, learning performance.
determine learning styles, learning models have been suggested in articles,
but there is no readily available software tool that provides the flexibility to
select and implement the most suitable learning model. To fulfil this dire
need, a framework of a tool is proposed here, which takes into consideration
multiple learning models and artificial intelligence techniques for determining
students’ learning styles. The tool would provide the facility to compare
learning models, to determine the most suitable one for a particular
environment. The authors suggest that this tool should be deployed in a cloud
computing environment to provide a scalable solution that most quickly and
easily identifies learning styles for learners. It provide a scalable solution that
easy and rapid determination of learning styles.
1. Mở đầu
Như chúng ta đã biết, SV thường học theo nhiều cách khác nhau: một số thích tham gia học tập trong môi trường
thực tế, dữ liệu và các thí nghiệm trong khi một số SV khác thích tham gia học tập và nghiên cứu các vấn đề liên
quan đến tính lí thuyết; một số thích học tập theo cách nghiên cứu các tài liệu trong khi một số lại thích phong cách
học tập là tham gia trực tiếp vào giải quyết các vấn đề thực tế. Các hệ thống quản lí học tập hiện nay được phát triển
dựa trên triết lí “dùng chung” (Oliver R. và cộng sự, 2002). Kết quả dẫn đến việc SV có xu hướng mất phương
hướng và quá tải trong quá trình học tập dẫn đến kết quả học tập không cao. Mỗi SV nên có phương pháp học tập
của riêng mình. Xác định phong cách học tập của SV là một bước quan trọng nhằm giúp phương pháp đào tạo E-
learning hoặc phương pháp đào tạo truyền thống hiện nay thích ứng với nhu cầu của người học. Có nhiều mô hình
phong cách học tập khác nhau được trình bày trong các nghiên cứu (Felder R.M., Silverman L.K., 1998; Fleming
ND, 2001; Honey P, Mumford A., 1994; Kolb AY, Kolb DA, 2005). Một số mô hình học tập phổ biến hiện nay
như: mô hình Felder & Silverman (Felder R.M., Silverman L.K., 1998), mô hình Kolb (Kolb AY, Kolb DA, 2005),
mô hình VARK (Fleming ND, 2001) và mô hình Honey & Mumford (Honey P, Mumford A., 1994). Các nghiên
cứu này tập trung đưa ra các giải pháp phân loại người học theo “phong cách” học tập của họ và cung cấp các quan
điểm khác nhau về việc định nghĩa và phân loại các phong cách học tập. Ngoài ra còn một số kĩ thuật được mô tả
trong các nghiên cứu khác giúp làm rõ các thuộc tính liên quan đến hành vi của người học với một phong cách học
tập cụ thể (Colchester K. và cộng sự, 2017). Trí tuệ nhân tạo (AI) được coi là những công cụ có giá trị, vì chúng có
khả năng phát triển và thay thế quy trình ra quyết định đang được áp dụng hiện nay.
Có nhiều kĩ thuật AI khác nhau đã được sử dụng trong các hệ thống giáo dục thích ứng. Chúng bao gồm logic
mờ, cây quyết định, mạng Nơ-ron, mạng Bayes, các thuật toán di truyền và các mô hình Markov (Colchester K. và 1 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
cộng sự, 2017). Tuy nhiên, trong tất cả các phương pháp trên thì trí tuệ nhân tạo được xem là phương pháp phù hợp
nhất để áp dụng vào môi trường giáo dục hiện nay.
Hiện nay, chưa có công cụ phần mềm nào giúp xác định phong cách học tập từ cơ sở dữ liệu hành vi học tập của
SV. Nhu cầu cấp thiết hiện nay là cần xây dựng một công cụ có thể dễ dàng cấu hình, dễ dàng truy cập và có thể sử
dụng trong các môi trường học tập khác nhau, bao gồm môi trường E-learning và môi trường học tập truyền thống.
Tại đây, hệ thống dựa trên trí tuệ nhân tạo được phát triển dựa trên nhiều mô hình học tập và các kĩ thuật trí tuệ nhân
tạo khác nhau giúp xác định các phong cách học tập của SV. Hệ thống này có thể được triển khai cả ở môi trường
E-learning và môi trường học tập truyền thống nhằm giúp phát triển và xây dựng môi trường học tập thích ứng.
2. Kết quả nghiên cứu
2.1. Các nghiên cứu liên quan
Các phương pháp AI đang được sử dụng hiện nay giúp cung cấp khả năng thích ứng trong quá trình học tập sẽ
được các tác giả trình bày trong phần này.
Logic mờ là phần mở rộng của lí thuyết tập hợp truyền thống. Một hệ thống hồ sơ SV đa đại diện dựa trên logic
mờ đã được các tác giả đưa ra (Xu D, Wang H, Su K., 2002). Bằng cách áp dụng logic mờ các mô hình nội dung,
mô hình SV, và kế hoạch học tập đã được định nghĩa.
Mạng Nơ-ron bao gồm một số lượng lớn các nơ-ron kết nối với nhau, hoạt động cùng nhau để xử lí thông tin,
tương tự như các mạng nơ-ron sinh học, chúng được sử dụng để phân loại SV. Các nghiên cứu trước đây đã chỉ ra
rằng các mạng nơ-ron nhân tạo đã được sử dụng cho các phương pháp học tập (Bernard J. và cộng sự, 2015; Lo JJ,
Shu PC., 2005; Mota J., 2008; Villaverde JE. và cộng sự, 2006; Zatarain-Cabada R. và cộng sự, 2010).
Cây quyết định là cây trong đó mỗi nút nhánh đại diện cho một sự lựa chọn, mỗi nút đại diện cho một quyết định.
Trong (Lin CF và cộng sự, 2013), các cây quyết định đã được sử dụng để cung cấp lộ trình học tập đã được cá nhân hóa.
Mạng Bayes là một đồ thị theo chu kì trong đó các nút biểu diễn các khái niệm và các cạnh biểu thị sự phụ
thuộc/hiệu ứng giữa các khái niệm. Trong tài liệu Moreno F. và cộng sự (2015), các tác giả trình bày việc sử dụng
các mạng Bayes trong việc mô hình quá các tiến trình học tập được cá nhân hóa.
Trong mô hình Markov, một tập hợp các trạng thái rời rạc được mô tả với ma trận xác xuất là yếu tố chính giúp
xác định sự chuyển đổi giữa các trạng thái. Các mô hình Markov đã được sử dụng để dự đoán hành vi của SV và xác
định sự tương đồng giữa các hành vi của cựu SV và các SV đang theo học (Huang X, Yong J, Li J, Gao J., 2008).
Các thuật toán di truyền sử dụng khái niệm tiến hóa, chọn lọc tự nhiên của Darwin làm nền tảng. Những vấn đề
lên quan đến thuật toán di truyền được trình bày trong tài liệu (Huang MJ, Huang HS, Chen MY., 2007) để xây dựng
một lộ trình học tập tối ưu cho mỗi người học.
2.2. Các mô hình lí thuyết học tập hiện có
2.2.1. Mô hình lí thuyết học tập Felder & Silverman
Trong mô hình phong cách học của Felder và Silverman có 4 chiều, mỗi chiều có 2 phong cách học tập (Felder
R.M., Silverman L.K., 1998). Tổng cộng có 8 phong cách học tập giúp kết hợp để tạo ra 16 phong cách học tập khác
nhau. 4 chiều này bao gồm hoạt động/phản xạ, cảm giác/trực giác, hình ảnh/lời nói, trực tiếp/gián tiếp. Người học
tích cực đạt được kết quả học tập tốt nhất thông qua việc học tập chăm chỉ thông qua việc nghiên cứu tài liệu và trải
nghiệm thực tế. Ngược lại, những người học tập theo phương pháp phản xạ thường thích suy nghĩ và phản ánh về
cách nội dung học tập. Người học theo phong cách học tập cảm nhận sử dụng các kinh nghiệm giác quan của mình
để tìm hiểu thực tế được trình bày trong các các tài liệu học tập. Trong khi đó, những người học trực quan thích
nghiên cứu các tài liệu một cách tổng quan, chẳng hạn như các vấn đề lí thuyết, sau đó cố gắng hiểu ý nghĩa cơ bản
của chúng, cũng như nắm được các nguyên tắc chung.
Hình 1. Mô hình lí thuyết học tập của Felder và Silverman 2 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
2.2.2. Mô hình lí thuyết học tập Kolb
Lí thuyết học tập Kolb (Kolb AY, Kolb DA, 2005) có 4 phong cách học tập riêng biệt, chúng được dựa trên chu
trình học tập 4 giai đoạn: Trải nghiệm thực tế - (CE), quan sát phản ánh - (RO), khái niệm hóa - (AC) và thử nghiệm
tích cực - (AE). Mỗi kiểu trên là sự kết hợp của các chu kì hai giai đoạn.
Phân kì (cảm giác và xem - CE / RO): Những người này có thể nhìn mọi thứ từ những quan điểm khác nhau. Họ
rất nhạy cảm. Họ thích xem hơn là làm, tập trung/quan tâm thu thập thông tin và sử dụng trí tưởng tượng để giải
quyết vấn đề. Họ xem xét tình huống cụ thể từ một số quan điểm khác nhau rất tốt. Kolb gọi phong cách này là “phân
kì” bởi vì những người này thể hiện tốt hơn trong những tình huống yêu cầu tạo ra ý tưởng, ví dụ như động não.
Đồng hóa (xem và suy nghĩ - AC / RO): Phong cách học tập đồng hóa bao gồm một cách tiếp cận gãy gọn, logic.
Những người này đòi hỏi những giải thích rõ ràng hơn là một cơ hội thực tế. Họ nổi trội trong việc hiểu thông tin
trên phạm vi rộng và tổ chức nó theo một định dạng rõ ràng, hợp lí.
Hội tụ (làm và suy nghĩ - AC / AE): Những người có phong cách học tập hội tụ có thể giải quyết vấn đề và sẽ sử
dụng việc học của họ để tìm ra giải pháp cho các vấn đề thực tế. Họ thích các nhiệm vụ kĩ thuật và ít quan tâm đến
mọi người và các khía cạnh giữa các cá nhân. Những người có phong cách học tập hội tụ tìm kiếm ứng dụng thực tế
cho các ý tưởng và lí thuyết rất tốt. Họ có thể giải quyết vấn đề và đưa ra quyết định bằng cách tìm giải pháp cho các câu hỏi và vấn đề.
Thích nghi (làm và cảm nhận - CE / AE): Phong cách học tập phù hợp là “thực hành” và dựa vào trực giác hơn
là logic. Những người này sử dụng phân tích của người khác và thích sử dụng phương pháp tiếp cận thực tế, kinh
nghiệm hơn. Họ bị thu hút bởi những thử thách và kinh nghiệm mới. Họ thường hành động theo bản năng hơn là phân tích logic.
2.2.3. Mô hình lí thuyết học tập của Honey và Mumford
Các phong cách học tập của Honey và Mumford đã được phát triển bởi Peter Honey và Alan Mumford (Honey
P, Mumford A., 1994). Mô hình của Honey và Alan Mumford được lấy cảm hứng từ mô hình học tập của Kolb.
4 phong cách học tập được mô tả bao gồm những người hành động, người suy ngẫm, người lí thuyết, người thực tế.
Người hành động là những cá nhân vừa làm vừa học. Các hoạt động học tập có thể là động não, giải quyết vấn
đề, thảo luận nhóm, câu đố, các cuộc thi hoặc đóng vai.
Người học lí thuyết yêu cầu các mô hình, các ý tưởng và lí thuyết để tham gia vào quá trình học tập. Các hoạt
động học tập của họ bao gồm các mô hình, số liệu thống kê, các câu chuyện và cách họ áp dụng các khái niệm về mặt lí thuyết.
Người suy ngẫm có khả năng áp dụng việc học của mình vào trong thực tế. Họ học tập tốt hơn bằng cách áp dụng
việc học vào trong nghiên cứu, giải quyết các vấn đề cũng như trong các cuộc thảo luận.
Người thực tế thực hiện việc học thông qua phương pháp xem, nghĩ và phản ánh về những gì đã xảy ra. Họ thích
tự phân tích và cá nhân hóa các câu hỏi, quan sát các hoạt động, ghi nhận phản hồi từ người khác cũng như tham gia
vào công việc phỏng vấn.
2.2.4. Mô hình lí thuyết học tập VARK
VARK là viết tắt của các hình thức học tập Visual (hình ảnh), Auditory (thính giác), Read/write (đọc/viết) và
Kinesthetic (làm, thao tác, thực hành) đã được sử dụng để tiếp nhận thông tin. Mô hình này đã được đề xuất bởi
Fleming và Mills và được dựa trên kinh nghiệm của SV và giáo viên (Fleming ND, 2001).
Phong cách học tập qua hình ảnh bao gồm bản đồ, sơ đồ, biểu đồ, đồ thị, lưu đồ và kí hiệu mà mọi người sử dụng
để biểu diễn thông tin thay thế cho từ ngữ.
Phong cách học tập qua thính giác mô tả sở thích đối với thông tin, người học có phong cách học này thường học
tốt nhất thông tin qua việc lắng nghe các bài giảng, các cuộc thảo luận, tranh luận theo nhóm, radio, phones, web-
chat… Những người có phong cách này thích tiếp thu thông tin qua các bài giảng, hướng dẫn bằng lời nói.
Những người có phong cách học Đọc/viết thích thông tin được hiển thị dưới dạng từ ngữ. Nó nhấn mạnh đầu vào
và đầu ra dựa trên văn bản, các hướng dẫn đọc và viết, các báo cáo, các bài luận và bài tập.
Phong cách học tập thực hành đề cập đến sự ưu thích đối với các trải nghiệm và thực hành, bao gồm cả trong môi
trường mô phỏng và thực tế. Nó thường thông qua các hình thức như mô phỏng, video, phim ảnh và các nghiên cứu điển hình.
2.3. Phân tích và so sánh các mô hình lí thuyết học tập
Việc phân tích và so sánh giữa các mô hình được thực hiện bằng cách triển khai các mô hình đó thông quan các
kĩ thuật trí tuệ nhân tạo. Các mô hình đã được triển khai trong Java 1.8 sử dụng NetBeans IDE 8.2 trên môi trường 3 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
Windows 7 64-bit. Các thành phần chuyển đổi giao diện người dùng UI đã được sử dụng để thiết kế GUI (Giao diện
đồ họa của người dùng). Hệ thống phần mềm sử dụng trí tuệ nhân tạo dựa trên mô hình học tập thích ứng đã được
triển khai. Hai mô hình học tập Felder & Silverman (Felder R.M., Silverman L.K., 1998) và Kolb (Kolb AY, Kolb
DA, 2005) đã được mô phỏng bằng phần mền, sử dụng hai kĩ thuật trí tuệ nhân tạo Perceptron nhiều lớp và cây quyết
định. Hệ thống phần mềm có các hệ thống menu cho việc cấu hình thuộc tính của SV được sử dụng để xác định các
phong cách học tập cho người học. Màn hình chính thể hiện thuộc tính của SV sử dụng cho các mô hình Felder &
Silverman và Kolb được trình bày ở hình 2 và hình 3. Các màn hình này hiển thị thuộc tính, tập hợp các thuộc tính
có thể có đã được tích hợp sẵn trong hệ thống. Tất cả các thuộc tính hoặc một số thuộc tính có thể được chọn trong
cùng một lần chạy mô phỏng, tùy thuộc vào các thuộc tính có sẵn trong một môi trường học tập cụ thể. Một thực thi
điển hình được mô tả ở hình 4 (trang bên), cho thấy sự hình thành cấu trúc của mô hình và hiệu suất của mô hình.
Hình 2. Các thuộc tính chính của mô hình Felder
Hình 3. Các thuộc tính của mô hình Kolb
& Silverman (một số thuộc tính liên quan đến
(tất cả các thuộc tính đã được lựa chọn)
môi trường học tập đã được lựa chọn)
Phân tích về các cấu trúc của mô hình sau khi thực hiện đào tạo với các dữ liệu mẫu được thể hiện ở bảng 1 (trang
bên). Cột đầu tiên mô tả số lượng các thuộc tính của SV được chọn để tạo mô hình, ở đây là 6 cho mô hình Felder &
Silverman và 8 cho mô hình Kolb.
Các đặc tính học tập của SV theo mô hình Felder & Silverman đã được lựa chọn cho lần chạy mô phỏng bao
gồm: - Số lượng truy cập forum (thấp/cao): số lượng truy cập vào các diễn đàn trực tuyến là thấp hoặc cao; - Số
lượng truy cập nội dung (thấp/cao): số lượng truy cập trực tuyến vào các nội dụng là thấp hoặc cao; - Số lượng truy
cập thực tế của SAT (thấp/cao): số l ợ
ư ng truy cập vào các loại câu hỏi thực tế trong các bài kiểm tra đánh giá năng
lực là thấp hoặc cao; - Số lượng truy cập các SAT Abstract (thấp/cao): số lượng truy cập các dạng câu hỏi tóm tắt
trong các bài kiểm tra năng lực là thấp hoặc cao; - Số lượng truy cập các định dạng khóa học (thấp/cao): số lượng
truy cập các định dạng của khóa học trực tuyến là thấp hoặc cao; - Số lượng truy cập nội dung khóa học (thấp/cao):
số lượng truy cập vào nội dung khóa học trực tuyến là thấp hoặc cao.
Các thuộc tính của SV đã được sử dụng để mô phỏng mô hình học tập Kolb: - Hiệu suất trong quá trình suy nghĩ
của SV (thấp/cao); - Thích làm việc theo nhóm (thấp/cao); - Tập trung vào các ý tưởng hơn so với người khác
(thấp/cao); - Sự tập trung vào các vấn đề lí thuyết so với các vấn đề thực tế (thấp/cao); - Sự tập trung vào các vấn đề
kĩ thuật hơn là các vấn đề xã hội (thấp/cao); - Tìm cách hiện thực hóa các ý tưởng và các vấn đề lí thuyết (thấp/cao);
- Thực hành, thiết lập mục tiêu, hoạt động thực tiễn (thấp/cao); - Dựa vào trực giác hoặc phân tích của người khác
hơn là phân tích riêng của cá nhân (thấp/cao).
Công cụ này cũng có thể được sử dụng để xác định số lượng các phương pháp học, các phương pháp này sẽ được
sử dụng để phân loại SV. Nó bao gồm 6 phương pháp của mô hình Felder & Silverman và 4 phương pháp của mô 4 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
hình Kolb. Đối với mô hình Felder & Silverman, việc phân loại SV sẽ được thực hiện theo các hình thức hoạt
động/phản xạ, cảm nhận/trực quan hoặc trực quan/lời nói. Đối với mô hình Kolb, phân loại SV sẽ được thực hiện
theo các dạng phân kì, đồng hóa, hội tụ và phù hợp. Điều này được mô tả trong cột thứ 2 của bảng 1. Cột thứ 3 trong
bảng 1 cho biết kích thước của dữ liệu mẫu đả được sử dụng để sinh ra cấu trúc của mô hình. Điều này có thể tùy ý
thay đổi dựa vào môi trường học tập cụ thể. Công cụ giúp tạo ra các cấu trúc mạng nơ-ron và từng cây quyết định
cho các mô hình Felder & Silverman và Kolb. Cột thứ 4 trong bảng 1 cho biết số lượng các nút đã được sinh ra trong
các mô hình. Đối với mạng nơ-ron, các mô hình perception đa tầng có hai tầng cho mỗi lớp. Lớp đầu ra có 6 nơ-ron
cho mô hình Felder & Silverman và 4 nơ-ron cho mô hình Kolb, dựa trên số lượng các phân lớp. Tương tự như vậy,
các cây quyết định đã được tạo ra có 6 nút lá cho mô hình Felder & Silverman và 4 nút lá cho mô hình Kolb. So sánh
về hiệu suất của các mô hình được trình bày trong bảng 2. Các mạng nơ-ron có hiệu suất cao hơn so với các cây
quyết định. Điều này được thể hiện từ các giá trị phân tích thống kê Kappa (Carletta, 1996). Hiệu suất của mô hình
perceptron đa tầng dành cho mô hình Kolb là tốt hơn so với mô hình Felder & Silverman vì nó có giá trị tổng số lỗi
bình phương (Sum of Squared Error) thấp hơn. Ngoài ra, hiệu suất của mô hình cây quyết định có thể so sánh được
cho cả hai mô hình Felder & Silverman và Kolb. Giá trị thống kê Kappa của mô hình Kolb là cao hơn so với mô
hình Felder & Silverman; giá trị tổng số lỗi bình phương cao hơn so với sử dụng cây quyết định (dicision tree) cho
mô hình Felder & Silverman. Dữ liệu được biểu diễn trong hình được thực hiện thông qua quá trình mô phỏng. Trước
tiên, quá trình mô phỏng tạo ra cấu trúc của mô hình, sau đó sẽ tiến hành đo hiệu suất của mô hình.
Hình 4. Mô phỏng quá trình tạo mô hình mạng nơ-ron cũng như tính hiệu suất dựa theo lí thuyết học tập
của Felder & Silverman
Bảng 1. So sánh các cấu trúc của các mô hình Model / AI Method Number of Number of Size of student Number of
student attributes learning styles sample data nodes in model (classification classes)
Felder Silverman/Multilayer Perceptron 6 6 22 12
Felder Silverman/Decision Tree 6 6 22 11 Kolb/Multilayer Perceptron 8 4 12 10 Kolb/Decision Tree 8 4 12 7 5 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
Bảng 2. So sánh hiệu suất của các mô hình Model / AI Method Correctly Incorrectly Kappa statistics Root mean classified classified squared error instances instances
Felder Silverman/Multilayer Perceptron 22 0 1 0.0393
Felder Silverman/Decision Tree 15 7 0.6051 0.2611 Kolb/Multilayer Perceptron 12 0 1 0.0351 Kolb/Decision Tree 9 3 0.6667 0.2887
2.4. Khung phong cách học tập cho mô hình giáo dục thông minh
Nói đến giáo dục thông minh là nói đến các phong cách học tập được cá nhân hóa mọi lúc mọi nơi và ở mọi thời
điểm. Để giúp điều này trở nên khả thi và được ứng dụng rộng rãi, việc phát triển một hệ thống phần mềm sử dụng
trí tuệ nhân tạo nhằm xác định các phong cách học tập được các tác giả đề xuất. Các phong cách học tập hiện có
được sự dụng để làm cho nội dung học tập trở nên thích ứng và cung cấp các nội dụng học tập đa dạng cho nhiều đối
tượng học tập dựa trên các phong cách học tập phù hợp với bản thân người học. Hiện tại, các tác giả đã trình bày mô
phỏng việc sử dụng các kĩ thuật trí tuệ nhân tạo vào hai hệ thống lí thuyết phong cách học tập là mô hình Felder
& Silverman và mô hình Kolb. Hệ thống phần mềm đang được các tác giả phát triển mong muốn trong thời gian tới
sẽ tích hợp thêm nhiều lí thuyết học tập hơn như Honey và Mumford (Honey P, Mumford A., 1994) cũng như lí
thuyết học tập của VARK (Fleming ND., 2001); cũng như việc áp dụng nhiều phương pháp trí tuệ nhân tạo như
logic mờ, thuật toán di truyền, Mạng Bayes và mô hình Morkov vào trong quá trình phân tích. Ngoài ra, các tác giả
cũng mong muốn trong tương lai sẽ mở rộng các biến trong tập dữ liệu để có thể áp dụng cho nhiều môi trường học
tập khác nhau. Những môi trường học tập này có thể là các trường phổ thông, các cơ sở giáo dục đại học. Sự khác
biệt trong dữ liệu có thể xuất phát từ các chương trình học khác nhau như nghệ thuật, khoa học kĩ thuật; hoặc do môi
trường học tập E-learning với các dữ liệu văn bản, đa phương tiện, với các bài kiểm tra năng khiếu trực tuyến hoặc
với giọng nói trên nền tảng giao diện đồ họa. Một tập hợp đa dạng các đặc tính học tập của SV cho mỗi mô hình lí
thuyết học tập phù hợp nhất cho một môi trường học tập cụ thể.
Hình 5. Khung giáo dục thông minh mô tả sự tương tác của SV với “giáo viên ảo” trên môi trường đám mây. Mô tả
việc xác định các phong cách học tập sử dụng mô hình lí thuyết học tập phù hợp nhất và các kĩ thuật trí tuệ nhân tạo
Khung phong cách học tập cho giáo dục thông minh được các tác giả đề xuất là một quy trình gồm nhiều bước
giúp cung cấp nền tảng giáo dục thông minh đã được cá nhân hóa. Các vấn đề này được mô tả chi tiết ở hình 5 cũng
như phần dưới đây: - Xác định các thuộc tính của SV cho một môi trường học tập cụ thể, nơi cung cấp môi trường
học tập thích ứng cho người học; - Dựa trên các thuộc tính có sẵn của SV, có thể lựa chọn một hoặc nhiều mô hình
lí thuyết học tập cùng lúc. Các mô hình học tập không có đủ các thuộc tính sẵn có sẽ không được áp dụng; - Trong 6 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
trường hợp áp dụng cùng lúc nhiều mô hình lí thuyết học tập cho môi một môi trường học tập, công cụ này sẽ giúp
xác định mô hình phù hợp nhất, dựa trên hiệu suất của các mô hình đã được đưa ra; - Công cụ này cũng giúp xác
định phương pháp trí tuệ nhân tạo phù hợp nhất có thể được sử dụng để xây dựng mô hình phân lớp. Điều này được
thực hiện thông qua việc so sánh hiệu suất của các mô hình. Mô hình nào có giá trị phân tích thống kê Kappa cao
nhất và giá trị bình quân trung bình thấp nhất sẽ là mô hình được ưu tiên lựa chọn; - Khi một hoặc nhiều mô hình đã
được đưa vào danh sách lựa chọn rút gọn và đã đào tạo cho môi trường học tập cụ thể, các mô hình này có thể được
sử dụng để phân loại SV và xác định các phong cách học tập cho họ. Các phong cách học tập có thể đ ợ ư c ánh xạ với
nội dung học tập và lộ trình học tập cụ thể để cung cấp nền tảng giáo dục đã được cá nhân hóa.
Giáo dục thông minh là quá trình học tập diễn ra bên ngoài các lớp học truyền thống và là hoạt động có thể được
thực hiện mọi lúc, mọi nơi cũng như ở bất kì thời điểm nào. Các máy tính bảng kết hợp với nền tảng Internet cho
phép SV duyệt các nội dung học tập đã được cá nhân hóa dưới dạng văn bản, hình ảnh hoặc đa phương tiện. Để thực
hiện được điều này, công nghệ điện toán đám mây đã được các tác giả đề xuất. Công cụ phần mềm đang được phát
triển có thể được lưu trữ trong môi trường đám mây giúp dễ dàng truy cập cho người học trên khắp thế giới mà không
bị hạn chế về khả năng mở rộng. Nội dung học tập mẫu phải được tạo ra để có thể theo dõi hành vi của người học và
xác định các thuộc tính sẵn có của SV. Thay vì một lớp học truyền thống, “lớp học ảo” và “giáo viên ảo” đ ợ ư c sử
dụng. Các tác giả đề xuất các tiến trình xử lí ngôn ngữ tự nhiên APIs, các APIs chuyển giọng nói thành văn bản và
ngược lại để tạo ra nội dung học tập mẫu (Manning CD, Schütze H., 1999); thực hiện mô phỏng tương tác giữa SV
và giáo viên, SV với các “giáo viên ảo”. Đối với vấn đề này, có thể sử dụng các kĩ thuật xử lí ngôn ngữ tự nhiên dựa
trên nền đám mây như Microsoft Luis, Amazon Lex hoặc IBM Watson. Điều này sẽ cho phép SV tương tác với
“giáo viên ảo” bằng cách nói chuyện với hệ thống như thể đang nói chuyện với giáo viên truyền thống.
Cho đến thời điểm này, giáo dục thích ứng là một lĩnh vực đang trong giai đoạn nghiên cứu thông qua việc triển
khai một số mô hình học tập. Với khuôn khổ của giải pháp giáo dục thông minh được trình bày trong bài báo này,
các tác giả đề xuất phương pháp giáo dục thích ứng được cung cấp như một dịch vụ dựa trên nền tảng đám mây;
giúp các nền tảng giáo dục truyền thống có thể dễ dàng truy cập dịch vụ và cung cấp nền tảng giáo dục cá nhân hóa cho mọi SV theo học.
3. Kết luận
Khung giáo dục thông minh được đề xuất trong bài báo này giúp phát triển giáo dục thích ứng và cung cấp nền
tảng giáo dục thích ứng cho nhiều đối tượng người học ở nhiều nền tảng văn hóa và giáo dục, khu vực địa lí khác
nhau bao gồm cả các nền tảng học tập truyền thống và E-learning. Khung này đồng thời giúp cung cấp một tập hợp
bao gồm nhiều thuộc tính học tập của SV dựa trên nền tảng việc học tập đã được cá nhân hóa. Với bộ sưu tập đã
được tạo ra trong nghiên cứu cùng với việc tích hợp nó vào một công cụ tính toán duy nhất sẽ giúp dễ dàng xác định
các thuộc tính học tập của SV cho một môi trường giáo dục cụ thể. Điều này tạo điều kiện cho việc ứng dụng vào
thực tế khi áp dụng mô hình lí thuyết học tập vào việc tạo ra môi trường học tập thích ứng. Đây là nền tảng giáo dục
thông minh đầu tiên được phát triển nhằm mục đích so sánh nhiều mô hình lí thuyết học tập cũng như so sánh các kĩ
thuật trí tuệ tạo dựa trên các kĩ thuật phân lớp, dựa trên hiệu suất của các mô hình đã được phát triển. Các mô hình
được phát triển linh hoạt, trong cùng một công cụ, các phương pháp đánh giá thống kê giúp xác định mô hình phù
hợp nhất, để ứng dụng vào mô hình học tập cụ thể. Lí thuyết học tập được lựa chọn và phương pháp trí tuệ nhân tạo
có thể được sử dụng để xác định các phong cách học tập của SV. Khung giáo dục thông minh được đề xuất cho giáo
viên ảo, được lưu trữ trên môi trường điện toán đám mây; tương tác với người học bằng cách sử dụng phương pháp
xử lí ngôn ngữ tự nhiên APIs nhằm đ
a dạng hóa việc xác định các phong cách học tập. Các phong cách học tập của
SV đã được xác định sẽ được sử dụng để định hướng việc cung cấp nhiều nội dung học tập khác nhau trong các nhà
trường truyền thống hoặc các cổng E-learning phục vụ mục tiêu cung cấp dịch vụ giáo dục thích ứng.
Tài liệu tham khảo
Bernard J, Chang TW, Popescu E, Graf S. (2015). Using artificial neural networks to identify learning styles.
International Conference on Artificial Intelligence in Education 2015 Jun 21 (pp. 541-544). Springer, Cham.
Carletta J. (1996). Assessing agreement on classification tasks: the kappa statistic. Computational linguistics, 22(2), 249-254.
Colchester K, Hagras H, Alghazzawi D, Aldabbagh G. (2017). A survey of artificial intelligence techniques employed
for adaptive educational systems within E-learning platforms. Journal of Artificial Intelligence and Soft
Computing Research, 7(1), 47-64. 7 VJE
Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753
Felder R.M., Silverman L.K. (1998). Learning and teaching styles in engineering education. Engineering education, 78(7), 674-681.
Fleming ND (2001). Teaching and learning styles: VARK strategies. IGI Global.
Honey P, Mumford A. (1994). Styles of learning. Gower Handb. Manag. Dev, 101, 101-111.
Huang MJ, Huang HS, Chen MY. (2007). Constructing a personalized e-learning system based on genetic algorithm
and case-based reasoning approach. Expert Systems with Applications, 33(3), 551-564.
Huang X, Yong J, Li J, Gao J. (2008). Prediction of student actions using weighted Markov models. In IT in Medicine
and Education, IEEE International Symposium on 2008 Dec 12 (pp. 154-159). IEEE.
Kolb AY, Kolb DA (2005). Learning styles and learning spaces: Enhancing experiential learning in higher
education. Academy of management learning & education, 4(2),193-212.
Lin CF, Yeh YC, Hung YH, Chang RI. (2013). Data mining for providing a personalized learning path in creativity:
An application of decision trees. Computers & Education, 68, 199-210.
Lo JJ, Shu PC. (2005). Identification of learning styles online by observing learners’ browsing behaviour through a
neural network. British Journal of Educational Technology, 36(1), 43-55.
Manning CD, Schütze H., (1999). Foundations of statistical natural language processing. MIT press; 1999.
Moreno F, Carreras A, Moreno M, Royo ER (2005). Using bayesian networks in the global adaptive e-learning
process. EUNIS 2005. 2005:1-4.
Mota J. (2008). Using learning styles and neural networks as an approach to elearning content and layout
adaptation. In Doctoral Symposium on Informatics Engineering.
Oliver R, Harper B, Reeves T, Strijker A, van Westhuizen D. (2002). Learning management systems: One size fits
all?. InWorld Conference on ‐ Jun 24.
Villaverde JE, Godoy D, Amandi A. (2006). Learning styles' recognition in e learning environments with feed
forward neural networks. Journal of Educational Multimedia, Hypermedia & Telecommunications 2002
Computer Assisted Learning, 22(3), 197-206.
Xu D, Wang H, Su K. (2002). Intelligent student profiling with fuzzy models. In System Sciences, 2002. HICSS.
Proceedings of the 35th Annual Hawaii International Conference on 2002 Jan 7 (pp. 8-pp). IEEE.
Zatarain-Cabada R, Barrón-Estrada ML, Angulo VP, García AJ, García CA. (2010). A learning social network with
recognition of learning styles using neural networks. In Mexican Conference on Pattern Recognition 2010 Sep
27 (pp. 199-209). Springer, Berlin, Heidelberg. 8