XÂY DỰNG HỆ THỐNG TỰ ĐỘNG ĐÁNH GIÁ NGƯỜI HỌC SỬ DỤNG MẠNG NƠ RON NHÂN TẠO
1. Lý do chọn đề tài
Hiện nay, Công nghệ thông tin trong lĩnh vực giáo dục đã được áp dụng khá rộng rãi thông qua các hệ thống học tập thông minh. Tuy nhiên, một bài toán khác lại được đặt ra là sử dụng dữ liệu có được từ những hệ thống đó như thế nào để hiệu quả nhất. Có nhiều hướng khai thác dữ liệu trong giáo dục nhưng quan trọng nhất vẫn là hướng về người học, do đó việc xác định được mức độ kiến thức năng lực của người học để đề ra phương pháp dạy, học phù hợp là cần thiết.
Hiện nay tồn tại nhiều cách tiếp cận để xây dựng mô hình đánh giá mức độ kiến thức năng lực người học như: Bayesian Knowledge Tracing (BKT), các mô hình xác suất động: Performance Factors Analysis (PFA), Learning Factors Analysis (LFA) và Lý thuyết đáp ứng câu hỏi (Item Response Theory).
Tuy nhiên các hướng tiếp cận trên chỉ cho phép biểu diễn mức độ kiến thức năng lực dưới dạng nhị phân, tập dữ liệu câu hỏi chỉ sử dụng được với những câu hỏi nhị phân, độ chính xác của mô hình phụ thuộc vào độ chính xác của tập dữ liệu và khó có thể triển khai cho nhiều bộ dữ liệu khác nhau. Và hướng tiếp cận mô hình đánh giá mức độ kiến thức năng lực người học sử dụng mạng nơ-ron nhân tạo đã được phát triển, mô hình này không yêu cầu mã hóa rõ ràng kiến thức và còn có thể nắm bắt các biểu diễn phức tạp hơn về kiến thức của người học như thời gian trả lời câu hỏi, các hoạt động tương tác đến hệ thống, giúp cải thiện đáng kể hiệu suất dự đoán trên phạm vi của các bộ dữ liệu được theo dõi.
Do đó vấn đề nghiên cứu và xây dựng mô hình đánh giá mức độ kiến thức năng lực người học ứng dụng mạng nơ-ron nhân tạo là cần thiết.
Áp dụng mạng nơ-ron nhân tạo để xây dựng mô hình đánh giá kiến thức, năng lực của người học.
- Tìm hiểu các mô hình đánh giá năng lực người học;
- Nghiên cứu lý thuyết mạng nơ-ron nhân tạo;
- Xây dựng mô hình đánh giá mức độ kiến thức năng lực người học sử dụng mạng nơ-ron nhân tạo;
- Xây dựng hệ thống ứng dụng trên cơ sở mô hình đề xuất.
3. Đối tượng và phạm vi nghiên cứu
3.1. Đối tượng nghiên cứu
- Mô hình đánh giá mức độ kiến thức năng lực người học;
- Mạng nơ-ron nhân tạo.
- . Phạm vi nghiên cứu
- Nghiên cứu các phương pháp tiếp cận xây dựng mô hình đánh giá mức độ kiến thức năng lực người học;
- Nghiên cứu về mạng nơ-ron nhân tạo và áp dụng vào bài toán đề xuất.
4. Phương pháp nghiên cứu
- Lý thuyết về mạng nơ ron nhân tạo
- Phương pháp đánh giá mức độ kiến thức năng lực người học.
- Thu thập dữ liệu của người học ở học phần Lập trình hướng đối tượng.
- Triển khai đánh giá hiệu quả của mô hình đề xuất đối với học phần Lập trình hướng đối tượng.
5. Dự kiến kết quả đạt được
- Nghiên cứu mô hình đánh giá mức độ kiến thức năng lực người học sử dụng mạng nơ-ron nhân tạo.
5.2. Về thực nghiệm
- Triển khai thực nghiệm đối với học phần Lập trình hướng đối tượng của Khoa Công nghệ thông tin, Trường Đại học Bách khoa – Đại học Đà Nẵng để đánh giá hiệu quả của mô hình đề xuất.
6. Ý nghĩa khoa học và thực tiễn
6.1. Ý nghĩa khoa học
- Mô hình đánh giá mức độ kiến thức năng lực người học sử dụng mạng nơ-ron nhân tạo có thể áp dụng trong các hệ thống học tập thông minh;
6.2. Ý nghĩa thực tiễn.
- Nâng cao chất lượng giáo dục dựa vào việc đánh giá được năng lực của người học.
7. Bố cục của luận văn.
Dự kiến luận văn được trình bày bao gồm các phần chính như sau:
MỤC LỤC
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
DANH MỤC CÁC BẢNG
DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ
Mở đầu
Chương 1: cơ sở lý thuyết
Chương này giới thiệu về các mô hình, phương pháp đánh giá mức độ kiến thức, năng lực của người học. Phân tích ưu, nhược điểm các hướng tiếp cận về mô hình đánh giá mức độ kiến thức năng lực người học: Bayesian Knowledge Tracing, Dynamic Probabilistic Models và Mạng nơ-ron nhân tạo. Đề xuất ứng dựng mạng nơ-ron nhân tạo xây dựng mô hình đánh giá mức độ kiến thức năng lực của người.
Chương 2: ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ MỨC ĐỘ KIẾN THỨC NĂNG LỰC NGƯỜI HỌC.
Chương này trình bày nội dung nghiên cứu chính của đề tài là ứng dụng mạng nơ-ron nhân tạo xây dựng mô hình đánh giá mức độ kiến thức năng lực người học.
Chương 3: PHÂN TÍCH THIẾT KẾ HỆ THỐNG và Triển khai hệ thống.
Chương này nhằm mục đích trình bày quá trình xây dựng và triển khai hệ thống Website đánh giá mức độ kiến thức năng lực người học trên sử dụng Lý thuyết cổ điển, Lý thuyết đáp ứng câu hỏi để xây dựng tập dữ liệu cho mô hình đề xuất. Xây dựng tập dữ liệu cho học phần Lập trình hướng đối tượng và tiến hành triển khai hệ thống trong thực tế.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
TÀI LIỆU THAM KHẢO
1.1. Mô hình ĐÁNH GIÁ MỨC ĐỘ kiến thức NĂNG LỰC NGƯỜI HỌC
Mục tiêu của mô hình đánh giá kiến thức (Knowledge Tracing Model) nhằm xác định được những thành phần kiến thức mà người học có thể biết vào một thời điểm cụ thể trong quá trình đánh giá. Các mô hình đánh giá kiến thức thường mô phỏng mức độ kiến thức năng lực của người học là một biến tiềm ẩn. Khi người học giải quyết các vấn đề mới, mô hình này sẽ cập nhật các ước tính về mức độ kiến thức, năng lực của người học dựa trên tính đúng đắn của các câu trả lời đã đưa ra. Vấn đề đặt ra là làm sao đánh giá và dự đoán được mức độ kiến thức năng lực người học vì kết quả các các câu trả lời trước đó ảnh hưởng đến việc dự đoán mức độ kiến thức và năng lực người học trong hiện tại và tương lai của quá trình đánh giá.
Hiện nay tồn tại nhiều hướng tiếp cận đối với mô hình đánh giá mức độ kiến thức năng lực người học sử dụng kết quả các câu trả lời trước đó để dự đoán mức độ năng lực người học nhằm lựa chọn câu hỏi phù hợp là Bayesian Knowledge Tracing (BKT), các mô hình xác suất động: Performance Factors Analysis (PFA), Learning Factors Analysis (LFA), … Tuy nhiên, trong các loại mô hình xác suất thì Lý thuyết đáp ứng câu hỏi (Item Response Theory) là mô hình đang được sử dụng phổ biến hiện nay.
Mặc dù các hướng tiếp cận nêu trên đều cho kết quả khá tốt trong thực tế, tuy nhiên đều tồn tại hạn chế do sử dụng biến tiềm ẩn để đo lường mức độ kiến thức năng lực người học. Do đó, hiện nay xuất hiện một hướng tiếp cận khác với mô hình đánh giá mức độ kiến thức năng lực người học dựa trên mạng nơ-ron nhân tạo.
Bayesian Knowledge Tracing (BKT) là cách tiếp cận khá phổ biến để xây dựng mô hình đánh giá mức độ kiến thức, năng lực của người học. BKT cho phép lập mô hình mức độ kiến thức, năng lực người học dưới dạng tập hợp các biến nhị phân thể hiện sự biết hoặc không biết về một khái niệm duy nhất (phân vùng kiến thức). Mô hình Markov (HMM) được sử dụng để cập nhật xác suất trên từng biến nhị phân này. Mô hình này cho phép xác định mức độ kiến thức năng lực của người học trên từng phân vùng kiến thức cụ thể. BKT dựa trên một lý thuyết về việc học tập giả định rằng mức độ kiến thức năng lực của người học hiện tại phụ thuộc vào tập hợp các câu trả lời trước đó. Áp dụng mô hình BKT để đánh giá mức độ kiến thức năng lực người học được mô tả ở hình 1.1:
Hình 1.1 Knowledge tracing
Trong đó:
- t là đỉnh kiến thức;
- kt là biến tiềm ẩn mô tả mức độ kiến thức năng lực của người học tại phân vùng kiến thức đó (biết hoặc chưa biết);
- yt là kết quả câu trả lời trắc nghiệm của người học (đúng hoặc không đúng).
BKT là đại diện cho mô hình Markov ẩn, vì trạng thái kiến thức của người học không được quan sát trong khi kết quả trả lời câu hỏi của người học được quan sát. Trong BKT, bốn tham số P(L0), P(T), P(G) và P(S) cho mỗi phân vùng kiến thức được định nghĩa như sau:
Có bốn loại tham số xác suất được sử dụng trong BKT:
- Xác suất ban đầu để biết trước một phân vùng kiến thức P(L0) là xác suất mà người học đã học được cách áp dụng một phân vùng kiến thức trước khi có cơ hội đầu tiên áp dụng nó trong quá trình đánh giá;
- P(T) là xác suất của thí sinh về một phân vùng kiến thức chuyển từ trạng thái chưa biết sang trạng thái đã biết sau khi có cơ hội áp dụng kiến thức đó (Ở đây, BKT giả định rằng người học không quên một kiến thức đã biết dù chỉ một lần. Theo đó, xác suất chuyển đổi phân vùng kiến thức từ biết sang không biết bằng không);
- P(G) là xác suất áp dụng chính xác một phân vùng kiến thức chưa biết;
- P(S) là xác suất mắc sai lầm khi áp dụng một phân vùng kiến thức đã biết.
Mỗi phân vùng kiến thức đều có 4 tham số xác suất trên, theo mô hình mạng Bayes có thể tính toán lại xác suất để cập nhật mức độ kiến thức năng lực của người học tại mỗi phân vùng kiến thức t sau mỗi câu hỏi như sau:
Tuy nhiên việc biểu diễn mức độ kiến thức năng lực của người học đối với từng phân vùng kiến thức sử dụng biên nhị phân có thể mang lại độ chính xác không cao. Và việc sử dụng dữ liệu phản hồi nhị phân để xây dựng mô hình sẽ bị giới hạn với những loại câu hỏi đánh giá khác (chỉ sử dụng với câu hỏi nhị phân).
Với hướng tiếp cận sử dụng mô hình xác suất động thì tồn tại nhiều mô hình: Performance Factors Analysis (PFA), Learning Factors Analysis (LFA), … Tuy nhiên trong các loại mô hình thì Lý thuyết đáp ứng câu hỏi (IRT) vẫn đang được sử dụng phổ biến.
Learning Factors Analysis (LFA):
Lý thuyết đáp ứng câu hỏi (Item Response Theory):
1.3. HƯỚNG TIẾP CẬN DỰA TRÊN MẠNG NƠ-RON NHÂN TẠO
Trong thời gian gần đây, một số nhóm tác giả đã đưa ra hướng tiếp cận mới với mô hình đánh giá kiến thức người học dựa trên mạng nơ-ron nhân tạo: Recurrent Neural Networks (RNNs). Hướng tiếp cận này có một số ưu điểm hơn so với các hướng tiếp cận trước đó là không yêu cầu xây dựng rõ ràng mô hình miền kiến thức cần đánh giá và cho phép biểu diễn mức độ kiến thức năng lực của người học phức tạp hơn chứ không phải chỉ ở dạng nhị phân. Mô hình này cho phép dựa vào kết quả trước đây của người học và ánh xạ các trả lời thành vectơ đặc trưng được mã hóa. Thông tin các vectơ đặc trưng sẽ là dữ liệu đầu vào, thông qua mô hình sẽ nhận được kết quả đầu ra cho phép đánh giá mức độ kiến thức năng lực của người học.
Đồng thời, việc sử dụng mô hình này cho phép cải thiện đáng kể hiệu quả đánh giá mức độ kiến thức năng lực của người học đối với nhiều bộ dữ liệu khác nhau.
KẾT LUẬN
Chương này giới thiệu về khái niệm mô hình đánh giá kiến thức người học đang được sử dụng trong các hệ thống học tập thông minh. Phân tích các hướng tiếp cận xây dựng mô hình đánh giá mức độ kiến thức năng lực người học. Đồng thời đề xuất xây dựng Mô hình đánh giá mức độ kiến thức người học trên cách tiếp cận sử dụng mạng nơ-ron nhân tạo.
Chương 2: ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO XÂY DỰNG MÔ HÌNH ĐÁNH GIÁ MỨC ĐỘ KIẾN THỨC NĂNG LỰC NGƯỜI HỌC
Mạng Nơron nhân tạo (Artificial Neural Network – ANN) là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các Nơron được gắn kết để xử lý thông tin. ANN giống như bộ não con người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ những kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết (unseen data).
Kiến trúc chung của một mạng nơron nhân tạo (ANN) gồm 3 thành phần đó là: Input Layer, Hidden Layer và Output Layer (Hình 2.1). Trong đó Input Layer và Output Layer chỉ gồm 1 layer, Hidden Layer có thể có một hay nhiều layer tùy vào bài toán cụ thể. ANN hoạt động theo hướng mô tả lại cách hoạt động của hệ thần kinh với các neuron được kết nối với nhau. Trong ANN, trừ Input Layer thì tất cả các node thuộc các layer khác đều full-connected với các node thuộc layer trước nó. Mỗi node thuộc Hidden Layer nhận vào ma trận đầu vào từ layer trước và kết hợp với trọng số để ra được kết quả.
Quá trình xử lý thông tin của một ANN:
Hình 2.1. Quá trình xử lý thông tin của ANN.
Trong đó:
- Inputs (dữ liệu vào): mỗi Input tương ứng với 1 thuộc tính của dữ liệu; Output (kết quả): kết quả của một ANN là một giải pháp cho một vấn đề;
- Connection Weights (Trọng số liên kết): đây là thành phần rất quan trọng của một ANN, nó thể hiện mức độ quan trọng của dữ liệu đầu vào đối với quá trình xử lý thông tin (quá trình chuyển đổi dữ liệu từ layer này sang layer khác). Quá trình học (Learning Processing) của ANN là quá trình điều chỉnh các trọng số của các input data để có được kết quả mong muốn;
F:\DỮ LIỆU COP CỦA CHỊ YẾN\DAI HOC DA NANG\KHOA HOC MAY TINH\NGUYEN THI PHUONG DUNG\TOM TAT
XÂY DỰNG HỆ THỐNG TỰ ĐỘNG ĐÁNH GIÁ NGƯỜI HỌC SỬ DỤNG MẠNG NƠ RON NHÂN TẠO XÂY DỰNG HỆ THỐNG TỰ ĐỘNG ĐÁNH GIÁ NGƯỜI HỌC SỬ DỤNG MẠNG NƠ RON NHÂN TẠO
