Nguồn tham khảo: Lê Quang Minh (2023). Mô hình tối ưu cho bài toán dự đoán kết quả học tập của sinh viên Trường Đại học Đồng Tháp. Dong Thap University Journal of Science(27), 94–99. https://doi.org/10.52714/dthu.27.8.2017.497
Truy cập toàn văn: https://doi.org/10.52714/dthu.27.8.2017.497
Tóm tắt nội dung
Nghiên cứu của Lê Quang Minh nhằm xây dựng, đánh giá và tìm ra mô hình tối ưu cho bài toán dự đoán kết quả học tập của sinh viên Trường Đại học Đồng Tháp. Ba phương pháp được vận dụng là Naïve Bayes, cây quyết định và mạng nơ-ron, cùng thử nghiệm trên tập dữ liệu thực tế của nhà trường. Sau quá trình xây dựng và đánh giá, bài báo giới thiệu Naïve Bayes là mô hình tối ưu cho bài toán này.
Phần tóm tắt của bài không nêu cỡ mẫu, biến đầu vào hay chỉ số đánh giá cụ thể dùng để so sánh ba mô hình, nên các chi tiết này cần đối chiếu với toàn văn. Theo tác giả, kết quả dự đoán giúp sinh viên xác định mục tiêu và lập kế hoạch học tập phù hợp cho cả khóa học cũng như từng học kỳ, để đạt kết quả như mong muốn. Dự đoán kết quả học tập liên hệ chặt với bài toán bỏ học, bởi kết quả học tập sa sút thường là tín hiệu sớm của nguy cơ bị cảnh báo học vụ hoặc rời trường.
Với bài toán dự báo sinh viên bỏ học, tài liệu cho thấy một mô hình đơn giản như Naïve Bayes có thể cho kết quả tốt hơn cây quyết định và mạng nơ-ron trên dữ liệu thực của một trường Việt Nam, và gợi ý nên luôn đưa các mô hình cơ sở vào so sánh trước khi chọn giải pháp phức tạp hơn.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Các hướng tiếp theo gồm hệ gợi ý để dự báo kết quả học tập (Thai-Nghe và cộng sự, 2010), học sâu kết hợp biến đổi dữ liệu (Tran Thanh Dien và cộng sự, 2020), mô hình Naïve Bayes cho Trường Đại học Đồng Tháp (Lê Quang Minh, 2023), học máy trên dữ liệu học tập kết hợp của Trường Đại học Sư phạm Hà Nội (Nguyen Thi Hong và cộng sự, 2023).
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp