Luận văn Xây dựng mô hình ứng dụng đặc trưng cá nhân nhằm hỗ trợ sự thích nghi trong hệ thống đào tạo trực tuyến

XÂY DỰNG MÔ HÌNH ỨNG DỤNG ĐẶC TRƯNG CÁ NHÂN NHẰM HỖ TRỢ SỰ THÍCH NGHI TRONG HỆ THỐNG ĐÀO TẠO TRỰC TUYẾN NGUYỄN DUY THÀNH Trang nhan đề Lời cảm ơn Mục lục Danh mục Chương 1: Mở đầu Chương 2: Đào tạọ trục tuyến Chương 3: Hệ thống thích nghi cá nhân (adaptive system) Chương 4: Mô hình UMEL Chương 5: Lập trình cài đặt Chương 6: Kết luận và hướng phát triển Tài liệu tham khảo Phụ lục MỤC LỤC DANH MỤC CÁC HÌNH 5 DANH MỤC CÁC BẢNG .6 DANH MỤC CÁC THUẬT NGỮ VÀ TỪ VIẾT TẮT 7 CHƯƠNG 1 MỞ ĐẦU .10 1.1 ĐẶT VẤN ĐỀ .10 1.2 MỤC TIÊU CỦA ĐỀ TÀI 11 1.3 NỘI DUNG NGHIÊN CỨU .12 1.4 NHỮNG ĐÓNG GÓP CỦA LUẬN VĂN 12 CHƯƠNG 2 ĐÀO TẠO TRỰC TUYẾN 14 2.1 Đào tạo trực tuyến trên thế giới hiện nay 14 2.1.1 Giới thiệu .14 2.1.2 Một số hệ đào tạo trực tuyến phổ biến 15 2.2 Hiện trạng đào tạo trực tuyến tại Việt Nam 17 2.2.1 Giới thiệu .17 2.2.2 Hệ đào tạo từ xa Trường ĐHKHTN 19 2.3 Tình hình ứng dụng thích nghi cá nhân trong đào tạo trực tuyến .23 2.3.1 Ý nghĩa của sự thích nghi cá nhân trong đào tạo trực tuyến .23 2.3.2 Sự khác biệt so với các lãnh vực khác .23 2.3.3 Các phương pháp thích nghi trong đào tạo trực tuyến 24 2.3.4 Một số hệ đào tạo trực tuyến thích nghi cá nhân 26 2.3.5 Tổng kết và nhận xét chung 27 CHƯƠNG 3 HỆ THỐNG THÍCH NGHI CÁ NHÂN (ADAPTIVE SYSTEM) 30 3.1 GIỚI THIỆU 30 3.2 TỔ CHỨC VÀ KHỞI TẠO PROFILE .31 3.2.1 Tổ chức profile .31 3.2.2 Khởi tạo profile 33 3.3 CẬP NHẬT PROFILE .35 3 3.3.1 Phản hồi tường minh (explicit feedback) 35 3.3.2 Phản hồi tiềm ẩn (implicit feedback) 36 3.3.3 Phương pháp kết hợp .37 3.4 KHAI THÁC PROFILE 37 3.4.1 Phương pháp lọc theo nội dung (Content-based Filtering) .38 3.4.2 Phương pháp lọc cộng tác (Collaborative Filtering) 40 3.4.2.1 Tư vấn dựa vào cộng đồng .40 3.4.2.2 Tạo lập cộng đồng .43 3.4.3 Phương pháp lọc theo thông tin nhân khẩu (demographic filtering) .47 3.4.4 Phương pháp kết hợp .48 3.5 TỔNG KẾT CHƯƠNG 50 CHƯƠNG 4 MÔ HÌNH UMEL .51 4.1 GIỚI THIỆU TỔNG QUAN 51 4.2 NHỮNG VẤN ĐỀ VÀ GIẢI PHÁP CHO UMeL .52 4.3 CẤU TRÚC PROFILE 54 4.3.1 Những đặc trưng về thói quen học tập 56 4.3.2 Đặc trưng về kỹ năng .59 4.3.3 Thông tin nhân khẩu, kiến thức nền, 61 4.4 CẬP NHẬT PROFILE .63 4.4.1 Các đặc trưng thói quen học tập .64 4.4.2 Nhóm các đặc trưng còn lại 65 4.5 TỔ CHỨC CỘNG ĐỒNG .65 4.5.1 Cộng đồng theo thói quen học tập 66 4.5.1.1 Tổ chức ma trận đánh giá 66 4.5.1.2 Phương pháp xác định các giá trị trong ma trận đánh giá 67 4.5.1.3 Điều kiện cho tạo lập cộng đồng 69 4.5.2 Cộng đồng theo nhóm các đặc trưng còn lại .70 4.5.2.1 Mô hình không gian cộng đồng đa tiêu chuẩn 70 4.5.2.2 Tổ chức ma trận nhị phân 71 4.6 TÍCH HỢP KẾT QUẢ TƯ VẤN .73 4 4.6.1 Cung cấp thông tin tư vấn theo mô hình không gian cộng đồng đa tiêu chuẩn73 4.6.2 Tích hợp kết quả tư vấn sau cùng .74 4.7 TƯ VẤN HỌC TẬP .75 4.7.1 Tư vấn tài nguyên học tập 76 4.7.2 Tư vấn cách thức học .79 4.7.3 Tư vấn chọn môn học .80 CHƯƠNG 5 LẬP TRÌNH CÀI ĐẶT 82 5.1 MÔ-ĐUN CẬP NHẬT PROFILE .82 5.1.1 Xử lý logfile 83 5.1.1.1 Sơ lược về nội dung trong logfile của APS .83 5.1.1.2 Quy trình xử lý logfile 85 5.1.2 Mô hình dữ liệu 86 5.2 TẠO LẬP CỘNG ĐỒNG .89 5.2.1 Quy trình xử lý chung cho vấn đề tạo lập cộng đồng 89 5.2.2 Xác định các giá trị cho ma trận đánh giá (hàm f) 91 5.2.3 Tổ chức các nhóm cộng đồng nhân khẩu 92 5.3 TƯ VẤN HỌC TẬP .93 CHƯƠNG 6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .96 6.1 TỔNG KẾT 96 6.1.1 Nghiên cứu các hệ thống thích nghi cá nhân và đào tạo trực tuyến 96 6.1.2 Mô hình ứng dụng profile trong đào tạo trực tuyến (UMeL) .96 6.1.3 Lập trình thử nghiệm mô hình 97 6.2 HƯỚNG PHÁT TRIỂN .98 6.2.1 Hướng phát triển theo chiều rộng .98 6.2.2 Hướng phát triển theo chiều sâu .98 TÀI LIỆU THAM KHẢO .99 PHỤ LỤC .103 Khái niệm TF-IDF 103 Chuẩn hóa giá trị cho các tham số thói quen học tập 104 Các chức năng của chương trình 106

pdf31 trang | Chia sẻ: maiphuongtl | Lượt xem: 1495 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Luận văn Xây dựng mô hình ứng dụng đặc trưng cá nhân nhằm hỗ trợ sự thích nghi trong hệ thống đào tạo trực tuyến, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
51 CHƯƠNG 4 MÔ HÌNH UMeL Trong chương này, luận văn sẽ giới thiệu mô hình UMeL (User Modeling for e- Learning) dựa trên profile để hỗ trợ quá trình học tập trong hình thức đào tạo trực tuyến. 4.1 GIỚI THIỆU TỔNG QUAN Hình 4-1- Mô hình ứng dụng profile trong e-learning (User Modeling for eLearning–UMeL) Người học Profile Tổ chức cộng đồng / nhóm học tập Cộng đồng/ Nhóm học tập Tư vấn học tập Tài nguyên học tập Chương trình đào tạo Đặc trưng cá nhân Đặc trưng cá nhân Quá trình học tập Tài nguyên học tập Phương pháp học tập Chọn môn học UMeL Học tập qua giao tiếp với hệ thống 52 Hình 4.1 thể hiện mô hình ứng profile cho vấn đề cung cấp thông tin thích nghi cá nhân trong đào tạo trực tuyến theo mô hình UMeL. Sau đây là một số mô tả sơ lược cho mô hình trên : v Profile : Mỗi người học sở hữu 1 profile gồm một số thành phần chính như thông tin về nhân khẩu, kiến thức nền, mối quan tâm học tập, đặc trưng về các thói quen học tập,…. Những nội dung liên quan đến profile sẽ được trình bày chi tiết trong phần 4.3 và 4.4. v Mô-đun “Tổ chức cộng đồng/nhóm học tập” : Sẽ khai thác các đặc trưng cá nhân trong profile để tìm ra những người “tương đồng” theo một số tiêu chí nào đó để tạo lập cộng đồng. Đây là cơ sở quan trọng cho việc học tập cũng như hỗ trợ người học tham gia vào các nhóm học tập phù hợp (xem 4.5). v Mô-đun “Tư vấn học tập” : Những hình thức tư vấn bao gồm : - Chọn môn học : Căn cứ vào thời gian dành cho việc học tập cũng như kiến thức hiện tại của người học để tư vấn cho vấn đề đăng ký chọn môn học mới. - Cách thức học môn học : Tư vấn cho người học thời gian cần thiết dành cho môn học hoặc từng chủ đề (chương) trong môn, tỉ lệ phân bổ thời gian cho từng chủ đề, thời gian trung bình mỗi lần học. Nội dung tư vấn cho người dùng sẽ được tính toán dựa vào thông tin của những người trong cộng đồng đã học tốt môn học. - Tài nguyên học tập : Cung cấp các tài nguyên học tập thích nghi cho người học, các tài nguyên có thể ở nhiều dạng khác nhau văn bản, html, media,… Hệ thống sẽ căn cứ vào những tài nguyên mà các thành viên trong cộng đồng đã xem hoặc đánh giá. 4.2 NHỮNG VẤN ĐỀ VÀ GIẢI PHÁP CHO UMeL Để xây dựng mô hình UMeL, luận văn cần phải giải quyết ba vấn đề cơ bản sau: 53 a) Xác định thành phần cấu trúc của profile : Đây là vấn đề đóng vai trò nền tảng, là cơ sở để giải quyết hai vấn đề còn lại. Luận văn chọn giải pháp chi tiết hóa cấu trúc khung của profile do Lê Đức Long đề xuất [14], đặc biệt chú trọng đến việc bổ sung những đặc trưng về thói quen học tập. b) Phương pháp thành lập cộng đồng : Luận văn đề xuất việc ứng dụng những đặc trưng của profile vào mô hình cộng đồng đa tiêu chuẩn [1], [24] với sự cải tiến trong việc đánh giá độ tương đồng giữa những người học dựa trên quá trình học tập, giao tiếp với hệ thống. c) Phương pháp khai thác profile cá nhân người học và cộng đồng để tư vấn cho người học (chọn môn đăng ký học, các thức học, tài nguyên học tập) : Cách tiếp cận chính của chúng tôi là dựa vào cộng đồng những người “tương tự” với người học và có kết quả học tập tốt để tư vấn cho người học. Đây cũng là sự mô phỏng lại thực tế, khi mà chúng ta thường noi theo phương pháp học tập của những người có điều kiện “giống mình” và đã đạt kết quả tốt. Các giải pháp đề xuất để giải quyết những vấn đề trên đảm bảo được sự thống nhất và tính liên thông trong hệ thống. Hình 4.2 minh họa giải pháp tổng thể của luận văn và nội dung chi tiết của giải pháp sẽ được trình bày trong những phần tiếp theo. 54 Hình 4-2- Giải pháp tổng thể cho các vấn đề của UMeL 4.3 CẤU TRÚC PROFILE Profile là thành phần cơ bản và không thể thiếu trong các hệ thống thích nghi, là cơ sở để dự đoán mức độ phù hợp của thông tin cũng như tài nguyên đối với từng người dùng. Các hệ thống thích AHS/AEHS (Adaptive Educational Hypermedia Thành lập cộng đồng theo các tiêu chí Tư vấn dựa trên sự cộng tác Những người tương đồng có kết quả học tập tốt Thói quen học tập Đặc trưng khác Tiêu chí về thói quen học tập Tiêu chí xã hội, … Profile Cập nhật Thông tin tư vấn Đặc trưng cá nhân 55 System) đã áp dụng profile để cung cấp sự thích nghi cá nhân phù hợp với kiến thức cũng như mục tiêu của người dùng. Profile trong các AHS/AEHS hiện nay thường được xây dựng dựa vào các đặc điểm: Kiến thức, mối quan tâm, mục tiêu, kiến thức nền và đặc điểm cá nhân [5]. Các hệ thống AHS/AEHS được sử dụng cho các khoá đào tạo ngắn hạn, sự thích nghi cá nhân thường tập trung vào việc cá nhân hoá nội dung bài học tuỳ vào đặc trưng của từng người học, tức là cùng một chủ đề nhưng với mỗi người học khác nhau sẽ có sự thể hiện nội dung bài học khác nhau. Do đó các hệ thống này đặc biệt quan tâm đến khía cạnh kiến thức đã có của người học và mục tiêu của người học đối với khoá học. Đây là một trong những điểm khác biệt quan trong giữa các hệ đào tạo ngắn hạn (khoá học theo từng chủ đề) và các hệ đào tạo dài hạn (đào tạo bậc cao đẳng, đại học,…) liên quan đến việc mô hình hoá profile phục vụ cho sự thích nghi cá nhân. Trong thời gian gần đây, dựa trên một số nghiên cứu liên quan của khoa Tâm lý – Giáo dục của trường ĐH Khoa học Xã hội Nhân văn, trường ĐH Sư phạm Tp. HCM cùng với một cuộc khảo sát thực tiễn trên một số sinh viên của trường ĐH Sư phạm Tp.HCM, [14] đã đề xuất cấu trúc profile bao gồm các thành phần: thông tin về nhân khẩu, kinh nghiệm học vấn, hoạt động tự học, nhu cầu và động cơ học tập. Ngoài các thông tin thường gặp trong profile của các hệ thống AHS/AEHS [5], cấu trúc mới do [14] đề xuất còn có thêm một số thông tin chuyên biệt được đưa vào để phù hợp với môi trường tự học qua mạng với sự trợ giúp của máy tính, cùng với các hoạt động dạy-học hỗ trợ. Hình 4-3- Cấu trúc tổng quát của profile do Le Đức Long đề xuất [14] Profile Thông tin nhân khẩu Kinh nghiệm học vấn Hoạt động tự học Nhu cầu & động cơ 56 · Thông tin nhân khẩu : Bao gồm các thông tin về nhận dạng, lý lịch bản thân và nơi làm việc. · Kinh nghiệm học vấn : Gồm các thông tin về kinh nghiệm làm việc, các kỹ năng và kiến thức nền đã có. · Hoạt động tự học : Bao gồm mục tiêu học tập, các thói quen và các đặc điểm cá nhân. · Nhu cầu và động cơ : Bao gồm các thông tin về động cơ học tập, sở thích học tập, và mối quan tâm trong học tập. 4.3.1 Những đặc trưng về thói quen học tập Trong một hệ đào tạo trực tuyến, đặc biệt là các hệ đào tạo dài hạn như Cao đẳng, Đại học, Cao học,… Người dùng sẽ phải tương tác với hệ thống thường xuyên như xem bài giảng, học trực tuyến (giảng viên giảng bài trực tuyến qua video theo những buổi qui định), thảo luận, tìm tài liệu, xem tài liệu, nộp bài tập,… Quá trình tương tác này có thể diễn ra nhiều lần trong ngày và được duy trì trong khoảng thời gian khá dài, vài năm là bình thường. Từ sự tương tác này, chúng tôi sẽ tìm cách khai thác, rút trích ra những đặc điểm của từng sinh viên, những đặc điểm này chính là những đặc trưng thể hiện thói quen học tập của sinh viên trong profile. Bên cạnh việc phụ thuộc vào các chủ đề/môn học, các đặc trưng thói quen học tập còn gắn liền với kỳ thời gian như ngày, tuần, tháng, quý, năm,… Ngoài những đặc trưng thể hiện thói quen học tập, chúng tôi cũng không bỏ qua việc khai thác các thông tin khác về nhân khẩu, kiến thức nền tảng, mục tiêu học tập.. của từng sinh viên nhằm giúp cho việc tư vấn được phong phú và chính xác hơn. Như vậy profile trong mô hình UMeL sẽ bao gồm hai nhóm đặc trưng chính (hình 4.4) là : - Nhóm đặc trưng thói quen học tập, và - Nhóm các đặc trưng còn lại : bao gồm các thông tin về nhân khẩu, kiến thức nền, mục tiêu, động cơ học tập,… 57 Hình 4-4- Cấu trúc Profile Những đặc trưng về thói quen học tập bao gồm : 1) Tổng thời gian học : Là toàn bộ thời gian sinh viên đã dành cho môn học, chương hoặc một chủ đề cụ thể. Nó bao gồm toàn bộ thời gian học online, offline, thảo luận, xem tài liệu,… Đây là một trong những yếu tố quan trọng phản ánh mức độ quan tâm của sinh viên đối với môn học, chương, chủ đề. 2) Số lần vào học : Là tổng số lần sinh viên đã đăng nhập vào hệ thống và thực hiện các công việc liên quan đến một môn, chương hoặc chủ đề. Thông tin này sẽ hữu ích khi cần phân biệt những sinh viên học đều đặn hàng tuần với những sinh viên đến giai đoạn cuối trước khi thi mới tập trung học. 3) Tính đều đặn trong học tập : Thể hiện mức độ học đều đặn của sinh viên. Giá trị này tương tự khái niệm độ lệch chuẩn trong lý thuyết xác suất thống kê. Đây cũng là một đặc trưng giúp xác định mức độ đều đặn trong học tập của sinh viên. Nhóm các thông tin còn lại : nhân khẩu, kiến thức nền,… Nhóm đặc trưng thói quen học tập Khai thác từ hành vi của người dùng đối với hệ thống Profile 58 4) Thời điểm thường tham gia học tập : Thể hiện khoản thời gian trong ngày, tuần sinh viên hay dùng cho việc học tập. Có thể phân chia theo khoảng thời gian trong ngày như sánh, trưa, chiều, tối, đêm hoặc kết hợp với các thêm với các thông tin như ngày thường, thứ bảy, chủ nhật,… Thông tin này sẽ rất hữu ích khi cần hệ thống hỗ trợ lập các nhóm học tập hoặc nhóm trao đổi, thảo luận. 5) Thời gian trung bình mỗi lần học : Là thời gian (số phút) trung bình mỗi lần sinh viên vào học tập. Giá trị này được tính toán dựa trên tổng thời gian dành cho học tập và số lần vào học. Về bản chất thì nó là giá trị được tính toán từ các đặc trưng khác, nhưng xét về mặt ý nghĩa thì giá trị này cũng được xem như một đặc trưng giúp xác định mức độ học tập đều đặn của sinh viên. 6) Tổng thời gian học online : Là tổng thời gian sinh viên tham gia các buổi học online theo giờ qui định của môn học. Về nguyên tắc thì những sinh viên không tham gia buổi học online thì vẫn có thể xem lại video bài giảng online vào thời điểm khác. Tuy nhiên việc tham gia đúng buổi học online vẫn có một trọng số cao hơn do học viên có thể đặt trực tiếp câu hỏi cho giáo viên trao đổi thảo luận với các học viên khác như một buổi học trên lớp trong đào tạo phấn/ bảng truyền thống. 7) Tổng thời tham gia thảo luận : Là thời gian sinh viên dành cho việc thảo luận trong diễn đàn như xem, đặt câu hỏi, trả lời. Đây cũng là một giá trị thể hiện đặc trưng của sinh viên khi cần tạo lập cộng đồng những người tương đồng hoặc lập cộng đồng cho các nhóm học tập, thảo luận. 8) Tổng thời gian học offline : Học offline ở đây được hiểu là tham gia học trong hệ thống nhưng không phải là buổi học online hoặc thảo luận. Nó bao gồm thời gian sinh viên đọc bài giảng, tài liệu, xem các video bài giảng, tìm tài liệu, download tài liệu, xem các thông báo mới nhất từ giáo viên, nộp bài,… 9) Số lần không nộp bài : Là số lần sinh viên không nộp bài theo qui định của giáo viên. Bài ở đây thông thường là bài tập của môn, chương hoặc chủ đề, nhưng cũng có thể là những đề án, bài thu hoạch,… Đây là một thuộc tính có ảnh hưởng 59 nhiều đến kết quả học tập của sinh viên cũng như thể hiện mức độ quan tâm của sinh viên đối với môn học. 10) Số lần nộp bài trễ hạn : Là số lần sinh viên nộp bài trễ hạn so với qui định thời gian của giáo viên. Tương tự như ở trên, đây cũng là một giá trị thể hiện đặc trưng của sinh viên khi xét đến mức độ quan tâm đối với môn học/ chủ đề. 11) Kết quả học tập : Là đánh giá của giáo viên đối với việc học tập của học viên trên những bài tập/đề án đã nộp. Thông tin này sẽ hữu ích khi cần xác định kiến thức của người học đối với môn học/chủ đề. 12) Số câu hỏi đưa ra thảo luận : Là số lượng câu hỏi học viên đã đưa trong các diễn đàn. Thông tin này có thể được tham khảo khi cần lập cộng đồng học tập hay thảo luận. 13) Số câu trả lời trong thảo luận : Là số lượng câu học viên đã trả lời trong các diễn đàn. Tương tự như trên, thông tin này có thể hữu ích khi cần lập cộng đồng học tập hay thảo luận. Ngoài những đặc trưng về thói quen học tập, luận văn sẽ đề xuất thêm đặc trưng về kỹ năng với mục tiêu thể hiện được rõ hơn đặc trưng của từng sinh viên. 4.3.2 Đặc trưng về kỹ năng Mỗi môn học trong các hệ đào tạo đều có mục tiêu nhất định là giúp học viên rèn các kỹ năng hoặc đạt được một kiến thức nhất định về một vấn đề nào đó. Căn cứ vào nhận xét này, luận văn đề xuất việc phân nhóm môn học để có được những đặc trưng về kỹ năng của từng sinh viên. Tuỳ theo từng chuyên ngành mà có những mục tiêu khác nhau đối với từng môn học, do đó việc phân nhóm môn học sẽ phụ thuộc vào đặc điểm của từng ngành học cụ thể. Ví dụ đối với ngành Anh văn hay ngoại ngữ nói chung, ta chú trọng nhiều đến các kỹ năng như nghe, nói, đọc, viết. Do đó việc phân nhóm môn học phải làm sao để thể hiện rõ được các tiêu chí này, ví dụ việc phân nhóm sẽ giúp thể hiện được sinh viên A rất quan tâm đến các môn thuộc nhóm nghe và nói, ít quan tâm đến loại đọc và hoàn toàn không quan tâm đến các môn thuộc nhóm viết. Việc thể hiện những đặc trưng này trong profile sẽ hữu 60 ích trong việc tư vấn tài liệu học cũng như trong vấn đề lập nhóm học tập. Hay trong lĩnh vực công nghệ thông tin sẽ có những môn chuyên về đào tạo tư duy toán, chuyên về kỹ năng lập trình, hoặc chuyên về kỹ năng nghiên cứu. Ta có thể phân nhóm môn học theo những kỹ năng này. Từ việc tổ chức phân nhóm môn học kết hợp với những đặc trưng thói quen học tập đã mô tả ở trên, ta có xây dựng được một ma trận hai chiều, một chiều là các nhóm môn học, một chiều là các đặc trưng thể hiện thói quen học tập (hình 4-3). Các giá trị trong ma trận này sẽ là những thuộc tính trong profile thể hiện đặc trưng kỹ năng của từng sinh viên. Hình 4-5- Đặc trưng về kỹ năng Việc phân nhóm môn học sẽ tuỳ thuộc vào đặc điểm của từng chuyên ngành cụ thể và sẽ rất tốt nếu có sự tư vấn hoặc tham gia của các chuyên gia, những người đã thiết kế chương trình học cho chuyên ngành. Trong phạm vi của đề tài, chúng tôi không có ý định đi sâu vào việc đề xuất mô hình phân nhóm môn học cho phù hợp với đặc điểm của từng loại chuyên ngành. Công việc này chúng tôi sẽ đưa vào phần mở rộng hay là hướng phát triển của đề tài. Tuy nhiên chúng tôi cũng có một đề xuất ban đầu cho việc công việc phân nhóm này đối với các hệ đào tạo đại học, cao đẳng. Hiện nay các môn học tại các trường thường phân theo 3 cấp độ là các môn học đại cương, các môn cơ sở và các môn chuyên ngành. Mỗi cấp độ sẽ được chia nhỏ Thời gian Số lần Kết quả … Nghiên cứu lý thuyết 11 18 6 Kỹ năng lập trình 50 121 9.5 Kỹ năng phần cứng 21 12 6.5 … Nhóm môn học Một số đặc trưng thói quen học tập Các đặc trưng kỹ năng của sinh viên 61 theo những loại môn khác nhau, đặc biệt ở cấp độ chuyên ngành sẽ phân cấp nhỏ theo một số chuyên ngành cụ thể. Trong mỗi chuyên ngành cụ thể có thể sẽ phân chia các môn theo một số loại riêng nhằm đảm bảo cho sinh viên có một kiến thức tổng quát nhất định sau khi ra trường. Ta có thể dựa vào cách thức tổ chức này để phân nhóm môn học (xem hình 4.6). Việc phân nhóm theo cách này có đặc điểm là đặc trưng của sinh viên trong profile sẽ được thể hiện rõ thông qua từng giai đoạn học tập. Như vậy đối với những sinh viên có những đặc trưng thói quen học tập khác biệt nhau trong từng giai đoạn, cách tổ chức này sẽ thể hiện được rõ đặc trưng của sinh viên trong profile Hình 4-6- Tổ chức phân nhóm môn học 4.3.3 Thông tin nhân khẩu, kiến thức nền,… Theo như đã mô tả ở mục 4.2, chúng tôi không phải đề xuất một mô hình profile mới mà kế thừa có cải tiến từ mô hình đã được nhóm nguyên cứu learner profile đề Khoa … Trường … ĐẠI CƯƠNG MÔN CƠ SỞ CHUYÊN NGHÀNH … … … … Nhóm ngành 1 Nhóm ngành 2 Nhóm Ngành … Lý thuyết Kỹ năng … … … 62 xuất [14] với mục tiêu là làm nổi bật các đặc trưng về thói quen học tập của sinh viên. Các thuộc tính còn lại chúng tôi vẫn giữ nguyên để phục vụ cho việc khai thác sau này. Sau đây là phần liệt kê (có chọn lọc) các thuộc tính thuộc nhóm những đặc trưng còn lại. Từ đây trở về sau, nếu không có sự ghi chú nào thêm thì khái niệm nhóm các đặc trưng còn lại được hiểu là tập hợp các thuộc tính đặc trưng còn lại của sinh viên sau khi đã loại ra các thuộc tính đặc trưng về thói quen học tập. A. Thông tin về nhân khẩu : bao gồm: thông tin nhận dạng, thông tin về lý lịch bản thân, và thông tin về nơi đào tạo / làm việc. A.1) Thông tin nhận dạng bao gồm: họ tên, giới tính, độ tuổi, mã số sinh viên, địa chỉ Email, và số điện thoại. A.2) Thông tin về lý lịch bản thân bao gồm: nguồn gốc cư trú, đang sống ở, cùng sống với, mức sống bản thân, tình trạng hôn nhân. A.3) Thông tin về nơi đào tạo/làm việc bao gồm: trường, lớp, ngành đào tạo. B. Thông tin về kinh nghiệm học vấn bao gồm: mức độ kiến thức đã biết, kỹ năng đã có, kiến thức và công việc hiện tại. (B.1) Mức độ kiến thức đã biết bao gồm: xếp loại tốt nghiệp trung học phổ thông, kết quả học tập hiện tại, loại trường học, loại ngành học, loại hình đào tạo, nghề nghiệp hiện tại. (B.2) Kỹ năng đã có bao gồm: kỹ năng sử dụng máy tính, kỹ năng về ứng dụng tin học văn phòng, kỹ năng về sử dụng internet. (B.3) Kiến thức và công việc hiện tại bao gồm: kiến thức về chủ đề, kỹ năng về chủ đề. C. Thông tin về hoạt động tự học bao gồm: thói quen học, mục đích học tập, và đặc điểm cá nhân. C.1) Mục đích học tập bao gồm: mục đích tự học?, tự học có cần thiết với bản thân?. C.2) Đặc điểm cá nhân bao gồm: tự học giúp gì?, hoạt động nào giúp nâng cao kiến thức / kỹ năng?, phương tiện phục vụ tự học?, tự học trước sẽ giúp gì?. 63 D. Thông tin về nhu cầu và động cơ học tập bao gồm: động cơ học tập, sở thích học tập, và mối quan tâm trong học tập. D.1) Động cơ học tập bao gồm: động cơ học tập?, thái độ học tập?, lý do chọn ngành đang học?, điều quan trọng nhất khi học đại học?. D.2) Sở thích học tập bao gồm: nguyên nhân thích môn học?, nguyên nhân không thích môn học?, yếu tố thúc đẩy học tập?, đi làm thêm để?, đi học thêm để?. D.3) Mối quan tâm trong học tập bao gồm: dự định gì sau khi ra trường?, mức độ tham gia hoạt động học?. 4.4 CẬP NHẬT PROFILE Việc cập nhật profile được thực hiện từ hai nguồn thông tin chính là phản hồi tường minh từ người dùng và phản hồi tiềm ẩn từ hệ thống thông qua các hành vi của người dùng (xem 3.3). Trong lãnh vực thương mại điện tử, thông thường đặc trưng được thể hiện thông qua ý kiến người dùng trên các sản phẩm (thích những sản phẩm nào, không thích những sản phẩm nào,...) do đó việc sử dụng phản hồi tường minh (cho người dùng đánh giá các sản phẩm thông qua các giao diện) là phương pháp khả thi và hiệu quả, phần lớn các hệ thích nghi trong lãnh vực thương mại điện tử đều có sử dụng phương pháp này. Trong lãnh vực đào tạo trực tuyến, phần lớn các hệ thống thích nghi hiện này đều tập trung vào việc thể hiện nội dung tài liệu và các liên kết đến các tài nguyên (xem mục 2.3.3). Kiến thức người học là đặc trưng được quan tâm hàng đầu trong các hệ thống này. Khác với đặc điểm của các hệ thương mại điện tử, việc yêu cầu người học tự đánh giá trực tiếp trên những kiến thức của mình là một vấn đề khá khó khăn vì bản thân người học cũng khó tự xác định được, do đó các hệ thống này thường tiếp nhận sự phản hồi kiến thức của người học một cách trung gian thông qua các bài tập, câu hỏi trắc nghiệm cuối mỗi chủ đề, nhóm chủ đề. Việc thực hiện đánh giá kiến thức thông qua các bài tập này là cơ sở chính cho việc cung cấp thích nghi phù hợp. Một số ít hệ thống phân tích thêm thời gian đã dành cho chủ đề làm cơ sở đánh giá thêm kiến thức người học. 64 4.4.1 Các đặc trưng thói quen học tập Từ danh sách các đặt trưng thói quen học tập đã trình bày trong mục 4.4.1, chúng tôi nhận thấy phần lớn các thông tin này đều có thể được khai thác từ tập tin ghi nhận các hành vi của người dùng đối với hệ thống, gọi là logfile. Do đó chúng tôi đề nghị việc cập nhật các đặc trưng này một cách tự động theo định kỳ thông qua việc khai thác các thông tin từ logfile. Hình 4-7- Mô hình cập nhật profile Thói quen học tập Nhóm các đặc trưng còn lại profile Offline Đặc trưng kỹ năng Hành vi của người dùng đối với hệ thống Logfile Tập tin ghi nhận các hành vi người dùng đối với hệ thống Online Người dùng Offline Thông tin về môn học Cập nhật thói quen học tập Cập nhật kỹ năng 65 v Logfile : Tập tin ghi nhận lại các hành vi của người dùng đối với hệ thống. Việc ghi nhận này sẽ do hệ đào tạo trực tuyến phụ trách, mô hình UMeL chỉ quan tâm đến việc khai thác logfile. Nội dung trong logfile càng chi tiết thì việc khai thác sẽ càng hiệu quả. v Mô-đun cập nhật thói quen học tập : Sẽ đảm nhận việc phân tích logfile và cập nhật các đặc trưng thói quen học tập trong profile. Việc cập nhật này sẽ được tiến hành offline. Vì nội dung các đặc trưng thói quen học tập như đã trình bày trong mục 4.3 cũng đã khá rõ ràng nên ở đây luận văn sẽ không chi tiết công thức cập nhật cho từng thuộc tính. v Mô-đun cập nhật đặc trưng kỹ năng : Sẽ khai thác các thuộc tính của đặc trưng thói quen học tập kết hợp với thông tin về chủ đề, môn học, nhóm môn học để cập nhật các đặc trưng kỹ năng. 4.4.2 Nhóm các đặc trưng còn lại Trong phạm vi luận văn, chúng tôi chỉ quan tâm đến việc khai thác logfile để cập nhật các đặc trưng thói quen học tập, việc cập nhật những thuộc tính khác (nhân khẩu, kiến thức nền, mục tiêu học tập,...) không thuộc phạm vi của đề tài. 4.5 TỔ CHỨC CỘNG ĐỒNG Trong lãnh vực đào tạo trực tuyến, phần lớn nghiên cứu đều tập trung vào việc thể hiện nội dung tài liệu và các liên kết định hướng khai thác [6] một cách thích nghi. Việc so khớp nội dung tài nguyên với kiến thức người học là vấn đề chính trong quá trình khai thác cung cấp thích nghi, do đó phương pháp lọc theo nội dung được ứng dụng rất phổ biến. Một số hệ thống [13] kết hợp thêm với phương pháp lọc cộng tác cho vấn đề thể hiện các liên kết định hướng khai thác. Mục tiêu của luận văn không đi sâu vào vấn đề thể hiện nội tài liệu học tập, do đó luận văn sẽ tiếp cận việc khai thác profile theo hướng lọc cộng tác (tư vấn căn cứ vào cộng đồng). Việc nghiên cứu ứng dụng khai thác theo hướng lọc theo nội dung xem như một hướng mở rộng của đề tài. 66 Theo như mô hình đã đề xuất (hình 4.4) trong profile có hai nhóm thuộc tính chính là : · Nhóm thuộc tính thể hiện thói quen học tập. · Nhóm các đặc trưng còn lại : thông tin về nhân khẩu, kiến thức nền,…. Luận văn sẽ tổ chức cộng đồng và khai thác theo 2 nhóm thuộc tính này Hình 4-8- Mô hình tổ chức cộng đồng trong UMeL 4.5.1 Cộng đồng theo thói quen học tập Khi khai thác các hệ thống thích nghi cá nhân bằng phương pháp lọc cộng tác, ma trận đáng giá là phương pháp được ứng dụng rộng rãi nhất trong giai đoạn tạo lập cộng đồng nhờ tính đơn giản và hiệu quả. 4.5.1.1 Tổ chức ma trận đánh giá Trong các hệ tư vấn về lãnh vực thương mại điện tử, ma trận đánh giá thông thường là bảng ghi nhận đánh giá của người dùng trên sản phẩm. Việc đánh giá này thường là thủ công tức là người dùng sẽ được đề nghị đánh giá theo một thang điểm nào đó trên những sản phẩm mà họ đã xem qua hay đã sử dụng. Trong bài toán đang xem xét, luận văn đề xuất tổ chức và sử dụng ma trận đánh giá cho việc tạo lập cộng đồng. Đối tượng được quan tâm chính là các môn học, chương hay các chủ đề trong từng chương. Các giá trị trong ma trận thể hiện mức độ quan tâm của các sinh viên đối với từng chủ đề (topic). Khái niệm chủ đề ở đây có thể là môn học, chương của từng môn, bài học hay các chủ đề nhỏ trong từng Cộng đồng 1 Đặc trưng thói quen học tập Cộng đồng 2 Các đặc trưng còn lại Profile thành lập thành lập Có 67 chương. Hình 4.9 biểu diễn ma trận đánh giá do luận văn đề xuất dùng cho vấn đề tạo lập cộng đồng. Hình 4-9- Ma trận đánh giá thể hiện mức độ quan tâm của người học đối với chủ đề Trong đó :- topicj : Là chủ đề thứ j − useri : Là sinh viên thứ i − V(ui,tj) = rating (useri, topicj) : Mức độ quan tâm của sinh viên i đối với chủ đề j Vấn đề được đặt ra là các giá trị trong ma trận đánh giá này được lấy từ đâu ? do các sinh viên tự đánh giá thủ công hay tìm cách khai thác tự động từ một số nguồn thông tin khác. Luận văn sẽ trình bày chi tiết vấn đề này trong phần tiếp theo (mục 4.5.1.2). Sau khi đã xây dựng xong ma trận đánh giá, để đo độ tương đồng giữa hai người dùng, ta có thể sử dụng phương pháp dựa trên độ tương đồng hoặc dựa trên cosine của hai véc-tơ (Xem phần 3.4.2.2) 4.5.1.2 Phương pháp xác định các giá trị trong ma trận đánh giá Theo quan điểm của chúng tôi, thông thường khi một sinh viên đã dành chiều thời gian, công sức cho việc học tập (xem tài liệu, học online, thảo luận, nộp bài tập, học đều đặn,..) một môn học chứng tỏ là sinh viên đó rất quan tâm đến môn học này. Hay nói cách khác đi, thông qua những thói quen học tập, chúng ta có thể suy diễn được mức độ quan tâm hay sự đánh giá của sinh viên đối với các môn học. topic1 1 topic2 topic3 topic4 … topic n User1 5 1 1 4 5 User2 1 5 3 4 … Usern 2 5 1 3 V(ui, tj) 68 Vì vậy, ta sẽ tìm cách ánh xạ tập hợp các đặc trưng liên quan đến thói quen học tập của một sinh viên thành một giá trị thể hiện mức độ quan tâm của sinh viên đối với chủ đề hay môn học. Hình 4-10- Hàm f ánh xạ từ thói quen học tập thành giá trị thể hiện mức độ quan tâm Hàm f : Nội dung : Ánh xạ từ các thông tin về thói quen học tập của sinh viên thành giá trị thể hiện mức độ quan tâm của sinh viên đối với môn học/ chủ đề. Công thức tổng quát : f(a1, a2,…, an) = S ai*ai Trong đó : ai Î {Tập các đặc trưng thể hiện thói quen học tập} ai : Trọng số của đặc trưng ai tương ứng Minh họa một số ai được sử dụng : · a1 = ”Tổng thời gian học” : là toàn bộ thời gian sinh viên đã dành cho môn học/ chủ đề. Thuộc tính này đóng vài trò khá quan trọng trong việc thể hiện mức độ quan tâm đối với chủ đề. · a2 = ”Số lần vào học” : Là tổng số lần sinh viên đã đăng nhập vào hệ thống và thực hiện các công việc liên quan đến một môn, chương hoặc chủ đề. Khi tổng thời gian học là như nhau, số lần vào học quá nhiều, quá ít hoặc trung bình cũng một phần nào thể hiện mức độ quan tâm. Vij = Rating(ui,topicj) = f (thói quen học tập) (mức độ quan tâm) 69 · a3 = ”Tính đều đặn trong học tập” : Thể hiện mức độ học đều đặn của sinh viên. Sinh viên học càng đều chứng tỏ mức độ quan tâm càng cao. · a4 = ”Tổng thời gian học online” : Là tổng thời gian sinh viên tham gia các buổi học online theo giờ qui định của môn học. Việc tham gia thường các buổi học online có thể ví như là những buổi đi học trên giảng đường trong cách học truyền thống phấn/bảng. · a5 = ”Số lần không nộp bài” : Là số lần sinh viên không nộp bài theo qui định của giáo viên. Đây là một thuộc tính có ảnh hưởng nhiều đến kết quả học tập của sinh viên cũng như thể hiện mức độ quan tâm của sinh viên đối với môn học. · a6 = ”Số lần nộp bài trễ hạn” : Là số lần sinh viên nộp bài trễ hạn so với qui định thời gian của giáo viên. Tương tự như ở trên, đây cũng là một giá trị thể hiện đặc trưng của sinh viên khi xét đến mức độ quan tâm đối với môn học/ chủ đề. Luận văn đã nêu ý nghĩa, những tham số đầu vào và bước đầu đề xuất sử dụng công thức tổ hợp tuyến tính cho hàm f. Trong phạm vi luận văn, chúng tôi không có ý định đi sâu vào vấn đề tối ưu hoá công thức cho hàm f. 4.5.1.3 Điều kiện cho tạo lập cộng đồng Ma trận đánh giá là một phương tiện để đo mức độ tường đồng giữa các người dùng, từ đó có thể chọn ra được những người dùng tương tư gần nhất. Tuy nhiên không phải tất cả những người trong hệ thống có độ tương đồng cao đều được chọn mà chỉ chọn trong số những người thoả một số điều kiện nào đó. Tuỳ theo từng yêu cầu tư vấn cụ thể mà có những điều kiện bổ sung khác nhau trong giai đoạn tạo lập cộng đồng. Ví dụ : · Tư vấn thời gian học tập các chủ đề của môn học : Cộng đồng phải nằm trong tập hợp những người đã học qua môn đó và đạt kết quả tốt. · Tư vấn lộ trình thi lại : Cộng đồng là những người đã thi rớt môn học đó và chỉ thi 1 lần là qua. 70 · Tư vấn lộ trình học môn mới : Cộng đồng là những người học có kết quả tốt, đã tốt nghiệp hoặc ít ra cũng gần tốt nghiệp. · Tư vấn kiến thức cần chuẩn bị cho môn mới : Cộng đồng là những người đã học qua môn học đó, đạt kết quả tốt và thường xuyên chuẩn bị trước kiến thức cho môn mới. 4.5.2 Cộng đồng theo nhóm các đặc trưng còn lại Ma trận đánh giá là một phương pháp phổ biến để xác định khoảng cách (hay còn gọi là độ tương đồng) giữa các người dùng. Tuy nhiên trên thực tế không phải khi nào ta cũng quy về được ma trận đánh giá, đặc biệt là khi không tồn tại hoặc là rất khó xác định khoảng cách giữa các giá trị trong thuộc tính. Ví dụ với thuộc tính dân tộc có các giá trị Kinh, Tày, Nùng, Khơ-me. Ta không thể đo khoảng cách giữa các giá trị dân tộc này (khó có thể trả lời câu hỏi ” khoảng cách giữa dân Kinh và dân tộc Tày có lớn hơn khoảng cách giữa dân tộc Kinh và dân tộc Nùng ?”). Trong trường hợp này ta chỉ có thể xác định cộng đồng những người cùng dân tộc. Trong tập các thuộc tính của nhóm các đặc trưng còn lại, ta nhận thấy phần lớn thuộc tính thuộc loại này (khó xác định khoảng cách). Từ nhận xét đó, luận văn đề xuất việc khai thác cộng đồng nhóm các đặc trưng còn lại theo mô hình không gian cộng đồng đa tiêu chuẩn (a-Community Spaces Model) [1] 4.5.2.1 Mô hình không gian cộng đồng đa tiêu chuẩn Một cộng đồng trong mô hình không gian cộng đồng đa tiêu chuẩn [1] được định nghĩa như một tập hợp những người sử dụng gần gũi với nhau dựa trên một tiêu chuẩn so sánh nào đó. Từ đó, mỗi thuộc tính trong các profiles (tuổi tác, nghề nghiệp, nơi cư trú, trình độ, chủ đề quan tâm, …) đều có thể được sử dụng như một tiêu chuẩn để thành lập một không gian hay một tập hợp các cộng đồng. Như vậy, một người sử dụng có thể đồng thời thuộc nhiều cộng đồng khác nhau theo từng tiêu chuẩn riêng biệt. Ví dụ một sinh viên A xét theo tiêu chuẩn dân tộc thì thuộc cộng đồng những người ”dân tộc Khơ-me”, còn khi xét theo tiểu chuẩn tuổi tác và 71 nghề nghiệp thì thuộc cộng đồng những người ”trung niên làm trong ngành sư phạm”. Hình 4.11 Thể hiện mô hình chung cho vấn đề tổ chức cộng đồng và khai thác thông tin tư vấn theo mô hình không gian cộng đồng đa tiêu chuẩn Hình 4-11- Không gian cộng đồng đa tiêu chuẩn 4.5.2.2 Tổ chức ma trận nhị phân Từ ý tưởng của không gian cộng đồng đa tiêu chuẩn, chúng tôi nhận thấy có thể chuyển về dạng ma trận đánh giá nhị phân. Ý tưởng chính của vấn đề này là ứng với mỗi thuộc tính hoặc nhóm thuộc tính trong mô hình không gian cộng đồng đa tiêu chuẩn, nếu useri thuộc cộng đồng của user u (user đang tìm cộng đồng) thì giá trị trong ma trận sẽ là 1, ngược lại sẽ mang giá tri 0 (không cùng cộng đồng). User Profile Thuộc tính 1 Thuộc tính 2 Thuộc tính 3 … Thuộc tính n Cộng đồng a1 Cộng đồng a2 Cộng đồng am … Thông tin tư vấn 1 Thông tin tư vấn 2 Thông tin tư vấn m … Thông tin tư vấn w1 w2 wm Vd : Cộng đồng những người cùng độ tuổi Vd : Cộng đồng những người cùng nghề nghiệp và nơi cư trú Trọng số User U Có 72 Hình 4-12- Tổ chức ma trận nhị phân trên nhóm các đặc trưng còn lại Với ma trận nhị phân này, việc xác định cộng đồng của người dùng U trên tập các đặc trưng còn lại sẽ trở nên đơn giản hơn, thay vì phải sử dụng các công thức hệ số tương quan hoặc cosine (xem chi tiết 3.4.2.2) để đo khoảng cách giữa các người dùng, ta có thể cộng tổng theo từng dòng. Cộng đồng sẽ là tập hợp những người có tổng Trong đó − User U : Là user đang xét để tìm cộng đồng − useri : Là user thứ i − B(ui,dj) = Giá trị nhị phân thể hiện sự cùng cộng đồng của user i với user U khi xét trên đặc trưng dj B(ui, dj) 1 0 0 0 0 1 … 4 1 0 1 1 1 Usern-1 Dân tộc Nghề nghiệp Địa bàn cư trú Mức sống Ngoại ngữ å (độ tương đồng) User U 1 1 1 1 1 6 User1 0 1 1 0 0 2 User2 1 0 0 0 1 2 User đang xét để tìm cộng đồng 1 : Cùng cộng đồng với user U xét trên tiêu chí dj 0 : Khác cộng đồng với user U Ví dụ : Xét trên tiêu chí Dân tộc, User U là dân tộc Kinh • Những user nào là dân tộc kinh à sẽ có giá trị 1 trong ma trận nhị phân • Những user không phải là dân tộc kinh à sẽ có giá trị 0 73 dòng cao nhất (tức là có nhiều đặc trưng trùng với các đặc trưng của người dùng U đang xét với giả thiết là mức độ quan trọng của các đặc trưng là như nhau). Trên thực tế mỗi đặc trưng sẽ có một mức độ quan trọng khác nhau, và sẽ phụ thuộc vào từng chuyên ngành học cụ thể. Ví dụ xét trong ngành “công nghệ thông tin” thì đặc trưng về giới tính sẽ không có ý nghĩa hoặc nếu có cũng sẽ rất thấp, tuy nhiên khi xét trong ngành “thể thao” thì đặc trưng này sẽ có mức độ quan trọng cao hơn. Như vậy kết quả tổng theo dòng trong ma trận nhị phân ở trên phải xét thêm trọng số (thể hiện mức độ quan trọng của từng đặc trưng). Sau khi tổ chức nhóm các đặc trưng còn lại theo ma trận nhị phân này, việc khai thác cộng đồng và cung cấp tài nguyên sẽ hoàn toàn tương tự như phương pháp đã triển khai với nhóm đặc trưng thói quen học tập. Như vậy với nhóm thông tin nhân khẩu, luận văn đã đưa ra hai phương pháp khai thác cộng đồng : - Khai thác cộng đồng theo không gian cộng đồng đa tiêu chuẩn : Đây là phương pháp đã được tác giả kiểm chứng bằng thực nghiệm [24]. - Khai thác theo ma trận nhị phân : Do luận văn đề xuất từ ý tưởng của khái niệm không gian cộng đồng đa tiêu chuẩn trên cơ sở phân tích tính hợp lý của vấn đề. Với hai phương án đề xuất, việc lựa chọn phương án nào để triển khai sẽ do người phân tích thiết kế hệ thống quyết định. 4.6 TÍCH HỢP KẾT QUẢ TƯ VẤN 4.6.1 Cung cấp thông tin tư vấn theo mô hình không gian cộng đồng đa tiêu chuẩn Theo phương pháp này ứng với mỗi tiêu chuẩn (gồm một thuộc tính hoặc tập các thuộc tính) sẽ có một cộng đồng và cộng đồng này sẽ cung cấp một số thông tin tư vấn tương ứng. Thông tin tư vấn trong kết quả cuối cùng sẽ được tính như sau [1]: 74 1 ( , ) . ( , ) n j j j DanhGia u d w DanhGia u d = = å Trong đó : Wj : Trọng số của tiêu chuẩn j DanhGiaj(u,d) : đánh giá của cộng đồng của u theo tiêu chuẩn j trên tài nguyên d 4.6.2 Tích hợp kết quả tư vấn sau cùng Luận văn đã khai thác cộng đồng theo hai nhóm thuộc tính bằng hai phương pháp khác nhau. Một phương pháp là ứng dụng lọc cộng tác để khai thác trên nhóm thông tin về thói quen học tập và phương pháp thứ hai là sử dụng không gian cộng đồng đa tiêu chuẩn hoặc khai thác ma trận nhị phân trên nhóm các đặc trưng còn lại. Ứng với mỗi phương pháp sẽ cung cấp một số thông tin tư vấn. Ta sẽ tích hợp kết quả từ hai nguồn thông tin tư vấn này. Hình 4-13- Mô hình tích hợp kết quả tư vấn Trong các phương pháp tích hợp kết quả do Burke đề xuất [9] đã được trình bày trong mục 3.4.4, chúng tôi nhận thấy phương pháp tích hợp theo trọng số là phù hợp cho mô hình chúng tôi đã đề xuất nhất. Tuy nhiên khi triển khai cho một ứng dụng User Cộng đồng các đặc trưng còn lại Cộng đồng thói quen học tập Thông tin tư vấn 1 Thông tin tư vấn 2 Thông tin tư vấn Cung cấp Cung cấp Tích hợp 75 thực tế, người thiết kế hệ thống vẫn có thể chọn lại phương pháp tích hợp khác phù hợp với đặc điểm của hệ thống dự kiến triển khai. Trong đó : - a1, a2 : lần lượt là trọng số của phương pháp 1 và phương pháp 2 - KQ1, KQ2 : kết quả của phương pháp 1 và phương pháp 2 - KQ : kết quả sau cùng 4.7 TƯ VẤN HỌC TẬP Luận văn đã đề xuất mô hình tổ chức và khai thác profile theo phương pháp dựa vào cộng đồng với mong muốn là có thể sử dụng để tư vấn nhiều loại thông tin mà người học có nhu cầu miễn là những loại thông tin đó được thu thập và tổ chức khai thác từ hệ thống thông qua cộng đồng. Tuy nhiên ứng với mỗi nội dung tư vấn sẽ có một số vấn đề cần phải xử lý riêng cho phù hợp với yêu cầu. Sau đây, luận văn sẽ trình bày những điểm khác biệt này trong ba nội dung tư vấn mà đề tài đã đặt ra ban đầu là : a) Tư vấn tài nguyên học tập, b) Tư vấn cách thức học, và c) Tư vấn chọn môn học. a1*KQ1 + a2*KQ2 a1 + a2 KQ = 76 Hình 4-14- Mô hình tổng quát cho ba nội dung tư vấn học tập 4.7.1 Tư vấn tài nguyên học tập Nội dung tư vấn : Hệ thống gợi ý, giới thiệu cho người học những tài nguyên học tập khác ngoài giáo trình học và bài giảng của giáo viên. Các tài nguyên ở đây có thể là những bài tập làm thêm, các tài liệu tham khảo liên quan đến môn học/chủ đề hoặc những kiến thức làm nền tảng cho môn đang học. Tài nguyên có thể ở dạng văn bản (ebook, pdf, doc, html,…), dạng media hay bất kỳ dạng nào khác. Người học Tư vấn phương pháp học Tư vấn tài nguyên học tập Xem cộng đồng quan tâm đến tài nguyên như thế nào ? Xem cộng đồng học như thế nào? Cộng đồng của người học Tư vấn chọn môn học Xem thời gian cộng đồng đã học ? Xem người học đã học như thế nào ? 77 Hình 4-15- Tư vấn tài nguyên học tập Hình 4-15 mô tả một số đặc thù riêng cho mô hình khai thác chức năng tư vấn tài nguyên học tập sau bước tạo lập cộng đồng : Cộng đồng người học (*)1 là cộng đồng người học cần tư vấn tài nguyên (cộng đồng theo thói quen học tập (mục 4.5.1) hoặc là cộng đồng trong không gian cộng đồng đa tiêu chuẩn (mục 4.5.2)). Phương pháp thành lập cộng đồng là như nhau cho cả ba nội dung tư vấn và đã được mô tả ở các phần trên. 1 Các xử lý (*) gần như là như nhau cho cả ba nội dung tư vấn học tập nên nếu không có gì đặc biệt thì sẽ không được mô tả lại ở các mô hình sau Cộng đồng người học Xem cộng đồng đánh giá trên các tài nguyên thế nào Tính điểm số trung bình của cộng đồng trên từng tài nguyên Chọn lọc tài nguyên 1 Tích hợp tài nguyên Chọn lọc tài nguyên 2 Tư vấn cho người học Phương pháp thực hiện giống nhau cho tất cả các nội dung tư vấn 78 Xem cộng đồng đánh giá trên các tài nguyên thế nào : Đây là bước dự đoán mức độ hữu ích của tài nguyên đối với cộng đồng. Để đánh giá mức độ hữu ích này, hệ thống có thể căn cứ vào hành vi của các người dùng trên tài nguyên : số lần download, tổng thời gian dành cho tài nguyên, số lần xem tài nguyên,… Ta hoàn toàn có thể sử dụng lại hàm f (ánh xạ các đặc trưng thói quen học tập thành giá trị thể hiện mức độ quan tâm đối với các chủ đề/môn học – xem mục 4.5.1.2) với giá trị các tham số ai bây giờ sẽ là các hành vi người dùng trên tài nguyên: Với các giá trị cụ thể cho ai là : a1 à Thời gian xem tài nguyên a2 à Số lần download a3 à Số lần mở (xem) tài nguyên Tính điểm số trung bình của cộng đồng trên từng tài nguyên (*): Hệ thống căn cứ vào điểm số đánh giá của từng thành viên trong cộng đồng kết hợp với mức độ tương đồng so với người học cần tư vấn (xem mục 3.4.2.1). Chọn lọc tài nguyên 1 : Với kết quả đánh giá của cộng đồng trên từng tài nguyên học tập, có thể chọn n tài nguyên có điểm số cao nhất hoặc chọn những tài nguyên thỏa ngưỡng e. Tích hợp tài nguyên (*): Mỗi cộng đồng sẽ cung cấp một tập tài nguyên học tập. Các cộng đồng ở đây là những cộng động trong mô hình không gian cộng đồng đa tiêu chuẩn (hình 4.11) hoặc là cộng đồng nhóm thông tin nhân khẩu và cộng đồng nhóm các đặc trưng còn lại (hình 4.8). Tài nguyên sau cùng sẽ được tích hợp tuyến tính (xem mục 4.6) Chọn lọc tài nguyên 2 : Sau khi tích hợp tài nguyên từ nhiều nguồn khác nhau, mỗi tài nguyên cũng sẽ có một điểm số đánh giá chung. Có thể chọn lọc tài nguyên bằng các phương pháp tương tự như trên. Đánh giá của người dùng trên tài nguyên = f(hành vi người dùng trên tài nguyên) = f(ai) 79 Ngoài ra với việc ứng dụng hàm f(ai) như đã mô tả ở mục 4.5.1.2, ta có thể xây dựng được ma trận thể hiện đánh giá của người học trên các tài nguyên. Từ ma trận này ta có thể sử dụng phương pháp xác định sự tương đồng giữa các tài nguyên [20] để chọn những tài nguyên học tập tương tự, hay khai thác các luật (nếu A và B à C) trên các tài nguyên để tư vấn cho người học. Ví dụ sau khi đã khai khoáng tập tài nguyên và tìm ra luật nếu “A và B à C” trên cộng đồng của người học, Nếu người học đã xem hai tài nguyên A và B thì tài nguyên C sẽ được tư vấn cho người học. 4.7.2 Tư vấn cách thức học Nội dung tư vấn : Cách thức học ở đây được hiểu như là cách thức học môn học/chủ đề phù hợp với người học, bao gồm các thông tin như thời gian tối thiểu cần thiết dành cho môn học/chủ đề, thời gian trung bình mỗi lần học, những buổi học online nào không nên bỏ, nên học tối thiểu bao nhiêu buổi online, phân bố thời gian học cho các chương như thế nào,.... Tất cả các thông tin này đều được khai thác từ kết quả của cộng đồng trong tập hợp những người đã học tốt môn học này. Hình 4-16- Tư vấn cách thức học Cộng đồng người học Xem cộng đồng học tập như thế nào Tính điểm số trung bình của cộng đồng trên các thông tin cần tư vấn Tích hợp tài nguyên Tư vấn cho người học 80 Xem cộng đồng học tập thế nào: Mục tiêu chính của phương pháp này xem cộng đồng đã học môn này như thế nào để tư vấn cho người học tương tự như vậy. Các thông tin cần thu thập từ cộng đồng bao gồm thời gian học, trung bình mỗi lần học, số buổi học online, số buổi vắng,... Việc tính toán chủ yếu là tính trung bình trên kết quả của cộng đồng. 4.7.3 Tư vấn chọn môn học Nội dung tư vấn : Từ danh sách các môn học mở trong học kỳ, hệ thống sẽ dự đoán thời gian tối thiểu cần thiết dành cho từng môn học đối với người học cũng như gợi ý nhóm các môn học phù hợp về thời gian cũng như kiến thức. Hình 4-17- Tư vấn chọn môn học Cộng đồng người học Dự đoán thời gian cần thiết dành cho các môn học mở Gợi ý các nhóm môn học phù hợp Tư vấn cho người học Profile người học Qui định về điều kiện học các môn học Người học 81 Dự đoán thời gian cần thiết danh cho các môn học mở : Với các môn mở trong học kỳ, hệ thống sẽ dựa vào kết quả của cộng đồng để dự đoán thời gian tối thiểu người học cần dành cho từng môn học. Phương pháp thực hiện hoàn toàn tương tự như tư vấn cách thức học môn học đã được trình bày ở trên, chỉ khác là trong mô hình này là một danh sách các môn học và chỉ cần lấy thông tin thời gian học. Gợi ý các nhóm môn học phù hợp : Từ kết quả thời gian cần thiết dành cho từng môn học, kết hợp với kiến thức người học (thông qua kết quả học các môn), các quy định về điều kiện học các môn (ví dụ phải đạt môn A mới có kiến thức học môn B), và thời gian trung bình người học đã dùng cho việc học tập trong một học kỳ (lấy trung bình hoặc xét vài học kỳ gần nhất), hệ thống sẽ gợi ý một số nhóm môn học phù hợp về thời gian và kiến thức đối với người học. Kết luận : Trong chương này chúng tôi giới thiệu mô hình UMeL như là một môi trường học tập thích nghi với từng người học. Thông qua việc khai thác profile cá nhân cũng như những nhóm cộng đồng, chất lượng của mô hình được thể hiện qua tính tổng thể giúp người học không còn lạc lõng trong không gian học tập ảo rộng lớn, từ đó sẽ tham gia tích cực hơn vào việc học tập. Đây là điều quan trọng vì sự tham gia tích cực không chỉ giúp cho cá nhân mà còn cho những người khác thông qua cách tiếp cận cộng tác giữa những người học với nhau. Điều đó có nghĩa là luận văn không chú trọng quá mức vào việc tối ưu hóa các giá trị tham số mà tùy theo hệ thống cụ thể, những người phân tích, thiết kế sẽ thực hiện phần việc này. Tương tự, tùy theo những ngữ cảnh cụ thể mà những người phân tích thiết kế có thể thay thế, lắp ghép những thuật toán riêng sao cho kết quả tư vấn đạt hiệu quả cao nhất (ví dụ, có thể thay thế phương pháp tích hợp kết quả theo trọng số ở phần 4.6.2 bằng các phương pháp tích hợp khác đã mô tả trong phần 3.4.4).

Các file đính kèm theo tài liệu này:

  • pdf7.PDF
  • pdf0.PDF
  • pdf10.PDF
  • pdf11.PDF
  • pdf12.PDF
  • pdf13.PDF
  • pdf14.PDF
  • pdf1_2.PDF
  • pdf2.PDF
  • pdf3.PDF
  • pdf4_2.PDF
  • pdf5.PDF
  • pdf6.PDF
  • pdf8.PDF
  • pdf9.PDF