Page 280 - SDMD CNKT va CNTT trong tien trinh CNH_HDH DBSCL

Với cách tiếp cận này, trong giai đoạn dự đoán, mạng nơ-ron truyền thẳng
(feed-forward neural networks) được sử dụng để mô phỏng tương tác giữa
người dùng và mục tin, trong đó các véc-tơ đặc trưng ở giai đoạn tiền xử lý
được sử dụng làm đầu vào cho mạng nơ-ron chuyển tiếp đa hướng để tạo ra
các xếp hạng dự đoán. Các thực nghiệm cho thấy phương pháp này hoàn toàn
khả thi cho mô hình dự đoán kết quả học tập. Chavez et al. (2023) đã đánh
giá khả năng ứng dụng của mạng thần kinh so với sáu bộ phân loại học máy
khác nhau, bao gồm Naive Bayes, k láng giềng (k-Nearest Neighbors), Cây
quyết định, Rừng ngẫu nhiên, Máy học véc-tơ hỗ trợ và hồi quy logistic trong
việc dự đoán kết quả học tập của học sinh từ dữ liệu Hệ thống quản lý học tập
(Learning Management System - LMS) trong bối cảnh khai thác dữ liệu giáo
dục. Các đặc trưng được sử dụng để đào tạo thu được từ LMS trong suốt thời
lượng của mỗi khóa học, trải dài từ dữ liệu sử dụng như thời gian dành cho
mỗi trang khóa học cho đến điểm đạt được. Kết quả cho thấy Mạng thần kinh
hoạt động tốt hơn so với sáu thuật toán máy học khác được xem xét và có thể
được sử dụng để dự đoán kết quả học tập của học sinh. Một ý tưởng về gợi ý
các khóa học cũng rất thú vị (Safarov et al., 2023).

Hình 13.6. Ý tưởng phân cụm người học để gợi ý khóa học
(Nguồn: Safarov et al., 2023)
Các tác giả đã tiến hành sử dụng kỹ thuật phân cụm người học để chia
người học trên nền tảng học tập trực tuyến hiện tại thành các nhóm có tính

266