Nguồn tham khảo: Mduma, N., Kalegele, K., & Machuve, D. (2019). A Survey of Machine Learning Approaches and Techniques for Student Dropout Prediction. Data Science Journal, 18, 14. https://doi.org/10.5334/dsj-2019-014
Truy cập toàn văn: https://doi.org/10.5334/dsj-2019-014
Tóm tắt nội dung
Mduma, Kalegele và Machuve (2019) khảo sát các cách tiếp cận và kỹ thuật học máy dùng để dự báo học sinh bỏ học. Bài viết định nghĩa bỏ học là vắng mặt ở trường không có lý do chính đáng trong nhiều ngày liên tiếp, và cho rằng xử lý vấn đề cần hiểu rõ nguyên nhân và lập kế hoạch can thiệp hiệu quả. Học máy thu hút nhiều quan tâm vì giúp xác định người học có nguy cơ và lên kế hoạch can thiệp kịp thời.
Các tác giả rà soát tài liệu từ tạp chí khoa học, sách và nghiên cứu tình huống để tổng hợp tri thức hiện có. Kết quả cho thấy nhiều thuật toán đã được đề xuất, nhưng phần lớn được phát triển và kiểm nghiệm ở các nước phát triển, trong khi các nước đang phát triển còn thiếu nghiên cứu. Ngoài ra, nhiều nghiên cứu chỉ dùng dữ liệu cấp học sinh; theo các tác giả, nước đang phát triển nên bổ sung dữ liệu cấp trường vì nguồn lực còn hạn chế.
Bài báo tổng quan học máy trong giáo dục, tập trung vào kỹ thuật dự báo bỏ học, và nêu các thách thức mở. Với bối cảnh Việt Nam, tài liệu chỉ ra khoảng trống nghiên cứu ở các nước đang phát triển và nhắc rằng mô hình xây dựng ở nơi khác không thể mang nguyên sang, mà cần dữ liệu phản ánh điều kiện từng trường.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Tổng quan quốc tế cũng nhắc một điểm tương tự: phần lớn thuật toán dự báo bỏ học được phát triển và kiểm nghiệm ở các nước phát triển, nên các nước đang phát triển thiếu mô hình phù hợp với bối cảnh của mình (Mduma và cộng sự, 2019).
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