Page 275 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

Một nghiên cứu được minh họa như Hình 13.1 (Veluri et al., 2022) mô
tả dự đoán kết quả học tập. Các tác giả đã sử dụng các kỹ thuật để giảm chiều
như PCA (Principal Component Analysis) và dùng các thuật toán giải thuật
máy học cổ điển như SVM (support vector machine) và thuật toán ANN
(Artificial Neural Networks) để tiến hành dự đoán kết quả học tập.

Hình 13.1. Sơ đồ minh họa dự đoán kết quả học tập
(Nguồn: Veluri et al., 2022)

Với ý tưởng kiến thức của người học có thể được cải thiện và tích lũy
theo thời gian, Thai-Nghe et al. (2011) đã đề xuất một cách tiếp cận sử dụng
kỹ thuật phân rã ma trận (matrix factorization - MF) với ba yếu tố người học,
môn học và thời gian để dự đoán kết quả học tập của sinh viên. Với cách tiếp
cận này, nhóm tác giả đã cá nhân hóa dự đoán cho từng người học cụ thể.
Nghiên cứu triển khai thực nghiệm trên các tập dữ liệu lớn cho thấy việc kết
hợp các kỹ thuật phân rã ma trận để dự đoán là một cách tiếp cận hiệu quả.
Thực tế các đánh giá đều có những thiên vị (bias) về người dùng và mục tin
đánh giá, tức là có người dùng dễ tính hay khó tính hoặc những mục tin được
đánh giá cao chỉ vì người dùng này thấy người dùng khác đánh giá cao. Để
cải thiện dự đoán do sự thiên vị, Nhàn và Nghe (2013) đã phát triển một hệ
thống dự đoán kết quả học tập của sinh viên sử dụng kỹ thuật phân rã ma trận
thiên vị BMF (biased matrix factorization) để dự đoán kết quả học tập, từ đó
giúp sinh viên lựa chọn các môn học phù hợp hơn. Kết quả thực nghiệm cho
thấy kỹ thuật BMF có kết quả cải thiện hơn so với kỹ thuật phân rã ma trận

261