Tổng quan về luận án

Luận án này tiên phong giải quyết thách thức lâu dài trong công tác tuyển chọn và huấn luyện đội tuyển học sinh giỏi quốc gia môn Tin học tại các trường trung học phổ thông của Việt Nam, nơi phương pháp truyền thống đã cho thấy những hạn chế rõ rệt. Nghiên cứu được đặt trong bối cảnh khoa học máy tính ngày càng xâm nhập sâu vào lĩnh vực giáo dục, đặc biệt là thông qua Khai phá dữ liệu giáo dục (Educational Data Mining - EDM) và các tiếp cận học máy. Tính tiên phong của nghiên cứu nằm ở việc tích hợp một cách có hệ thống các kỹ thuật học máy tiên tiến để dự đoán năng lực và mô hình hóa quá trình huấn luyện bằng trực quan hóa, nhằm tối ưu hóa kết quả thi đấu.

Research gap cụ thể được xác định là sự thiếu vắng các công trình nghiên cứu khoa học nhằm "tuyển chọn học sinh giỏi vào đội tuyển" một cách định lượng và khoa học, cũng như việc thiếu một phương pháp huấn luyện phù hợp với yêu cầu của kỳ thi quốc gia. Các nghiên cứu EDM hiện tại chủ yếu tập trung vào "Phân tầng học sinh theo năng lực," "Dự báo kết quả giáo dục của cơ sở giáo dục," và "Dự báo kết quả học tập của từng học sinh" để can thiệp sớm ([1], [2], [3], [4]). Tuy nhiên, chưa có công trình nào giải quyết trực tiếp bài toán tuyển chọn đội tuyển có tiềm năng thắng giải và huấn luyện họ một cách tối ưu. Hơn nữa, các mô hình giáo dục hiện đại như STEM, dù có nhiều ưu điểm, lại "không phù hợp với việc huấn luyện đội tuyển theo từng môn học" do tính chất đặc thù của kỳ thi học sinh giỏi quốc gia.

Luận án đặt ra các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Các yếu tố năng lực cần có của một thí sinh thắng giải học sinh giỏi cấp quốc gia môn Tin học là gì, bao gồm cả yếu tố học tập và phi học tập?
  2. H1: Có thể mô hình hóa năng lực thí sinh thành một vector trong không gian nhiều chiều để định lượng và phân tích hiệu quả các yếu tố năng lực.
  3. RQ2: Làm thế nào để xây dựng một thuật toán và quy trình tuyển chọn học sinh giỏi vào đội tuyển môn Tin học có khả năng thắng giải cao nhất, dựa trên các yếu tố năng lực đã xác định?
  4. H2: Tiếp cận học máy với mô hình Winner-domain và thuật toán Winner-cosin có thể cung cấp một quy trình tuyển chọn khoa học và hiệu quả hơn phương pháp truyền thống.
  5. RQ3: Phương pháp huấn luyện nào phù hợp để nâng cao năng lực của đội viên, đáp ứng yêu cầu của kỳ thi quốc gia?
  6. H3: Mô hình học khám phá có hướng dẫn trực quan (Visualized Guided Discovery Learning) sẽ tối ưu hóa quá trình tiếp thu kiến thức và kỹ năng cho đội viên.

Khung lý thuyết của luận án được xây dựng trên nền tảng của các lý thuyết học máy có giám sát (Supervised Learning) để phân loại và dự đoán, lý thuyết về cây quyết định (Decision Tree), và đặc biệt là lý thuyết học khám phá có hướng dẫn (Guided Discovery Learning). Luận án cũng tích hợp các nguyên lý về tâm lý nhận thức và cơ chế tiếp nhận thông tin của con người, đặc biệt là vai trò của thị giác trong việc kiến tạo tri thức, để phát triển mô hình trực quan hóa. Luận án mở rộng khái niệm "Vùng phát triển gần" (Zone of Proximal Development - ZPD) của Vygotsky để xác định mức độ phù hợp của bài giảng trong quá trình huấn luyện.

Đóng góp đột phá của nghiên cứu bao gồm việc đề xuất mô hình Winner-domain và thuật toán Winner-cosin (Cosin Similarity) để tuyển chọn đội viên, đã được công bố tại [CT1] và [CT2]. Đóng góp này mang lại khả năng định lượng hóa tiềm năng thắng giải, giảm thiểu sai sót chủ quan của phương pháp truyền thống. Một đóng góp đột phá khác là mô hình học khám phá có hướng dẫn trực quan cho huấn luyện, được công bố tại [CT3] và [CT4], giúp cá nhân hóa lộ trình học và tối ưu hóa hiệu quả tiếp thu kiến thức thông qua trực quan hóa, với mục tiêu cụ thể là "kỳ vọng thắng được nhiều giải" tại kỳ thi cấp quốc gia. Nghiên cứu sử dụng các bộ dữ liệu thực nghiệm, bao gồm Dataset 2024 (120 winners và 101 non-winners) và Dataset 2025 (360 winners và 137 non-winners) từ các kỳ thi học sinh giỏi quốc gia môn Tin học gần nhất, trải dài trong giai đoạn 3 năm, cho thấy phạm vi nghiên cứu rộng và độ tin cậy cao của dữ liệu. Ý nghĩa của luận án không chỉ dừng lại ở việc cải thiện thành tích mà còn mở ra hướng đi mới trong việc ứng dụng khoa học máy tính vào tối ưu hóa giáo dục năng khiếu.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã tổng hợp các luồng nghiên cứu chính trong lĩnh vực khai phá dữ liệu giáo dục (EDM) và các phương pháp học tập. Về EDM, nhiều công trình nghiên cứu như của Baker & Yacef (2009) [24] và Romero & Ventura (2010, 2013) [5], [8] đã chỉ ra rằng EDM là một lĩnh vực xuyên ngành, tích hợp học máy và thống kê để trích xuất thông tin từ dữ liệu giáo dục, với các mục tiêu chính là phân tích và dự đoán năng lực học sinh, cải thiện chất lượng giáo dục, và dự báo các khuynh hướng học tập [1], [3]. Các tiếp cận học máy phổ biến trong EDM bao gồm Support Vector Machine (SVM) [26], Cây quyết định (Decision Tree) [27], K-Nearest Neighbor (kNN) [6], Naïve Bayes [17], Hồi quy tuyến tính (Linear Regression) và Hồi quy Logistics (Logistic Regression) [22], cũng như các thuật toán phân cụm như K-means clustering [29], [30].

Tuy nhiên, có những tranh cãi về tính phổ quát của các mô hình năng lực người học, với một số tác giả như Bhise & Pise (2019) [3] nhấn mạnh rằng mô hình năng lực vẫn là một thách thức lớn trong EDM. Hầu hết các nghiên cứu EDM tập trung vào "dự báo sớm năng lực do học tập của người học" [2], [18], "phân tích và dự báo năng lực để can thiệp sớm" [9], [10] và "cải thiện môi trường và phương pháp giáo dục" [11], [13]. Ví dụ, một số nghiên cứu quốc tế đã sử dụng các mô hình dự đoán để cảnh báo sinh viên có nguy cơ bỏ học sớm tại các trường đại học [4], [17], hoặc để phân tầng học sinh theo năng lực nhằm áp dụng phương pháp giảng dạy phù hợp [2]. Luận án nhận thấy một mâu thuẫn giữa nhu cầu thực tiễn của công tác tuyển chọn và huấn luyện đội tuyển học sinh giỏi quốc gia với phạm vi ứng dụng của các công trình EDM hiện có. Các nghiên cứu trước đây chưa giải quyết bài toán tuyển chọn và huấn luyện một cách định lượng và chuyên biệt cho đối tượng học sinh tài năng dự thi cấp quốc gia.

Về phương pháp học tập, luận án đã xem xét các mô hình như học khám phá (Discovery Learning - DL), với trọng tâm là phát triển tính tích cực, tự lực của người học trong việc khám phá kiến thức mới [46], [47]. Tuy nhiên, học khám phá không hướng dẫn có những rủi ro như "quá tải nhận biết, hiểu lầm tiềm năng" và "không hiệu quả khi học thuật toán" [44], [47]. Do đó, "các chuyên gia giáo dục học không khuyến nghị áp dụng học khám phá không hướng dẫn" [63]. Từ đó, luận án chuyển hướng sang học khám phá có hướng dẫn (Guided Discovery Learning), được chứng minh là "hiệu quả hơn học khám phá không hướng dẫn" [46] và giúp người học "đạt kết quả tốt hơn và cải thiện được khả năng giải bài toán cao hơn" [44].

Luận án này định vị mình trong khoảng trống nghiên cứu bằng cách đề xuất một tiếp cận tích hợp hoàn toàn mới. Thay vì chỉ dự đoán năng lực chung, luận án tập trung vào việc xác định các yếu tố năng lực cụ thể của "thí sinh thắng giải (winners)" và "thí sinh không thắng giải (non-winners)" để xây dựng các mô hình Winner-domain và Winner-cosin cho quá trình tuyển chọn. Điều này khác biệt so với các nghiên cứu quốc tế về EDM thường chỉ phân loại học sinh thành các nhóm năng lực hoặc dự đoán kết quả học tập chung. Hơn nữa, luận án phát triển mô hình học khám phá có hướng dẫn trực quan, một sự kết hợp độc đáo giữa lý thuyết học tập và kỹ thuật trực quan hóa dữ liệu, chưa từng được đề xuất cụ thể cho huấn luyện đội tuyển học sinh giỏi quốc gia. Trong khi nhiều nghiên cứu quốc tế về học khám phá tập trung vào các phương pháp chung trong giáo dục phổ thông [50], [54], luận án này áp dụng nó vào một bối cảnh chuyên biệt với yêu cầu cao về hiệu quả và thành tích, bằng cách tận dụng cơ chế tiếp nhận thông tin qua thị giác của con người [1]. Nghiên cứu này không chỉ tiến bộ hóa lĩnh vực EDM bằng cách mở rộng ứng dụng của học máy vào bài toán tuyển chọn học sinh tài năng mà còn cung cấp một khung lý thuyết và thực tiễn mới cho việc huấn luyện chuyên sâu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này thực hiện nhiều đóng góp lý thuyết quan trọng, đặc biệt là trong việc mở rộng và thách thức các lý thuyết hiện có trong khai phá dữ liệu giáo dục và phương pháp học tập.

Thứ nhất, luận án mở rộng lý thuyết về phân loại và dự đoán trong học máy bằng việc đề xuất khái niệm Winner-domain trong không gian năng lực nhiều chiều. Trong khi các thuật toán phân lớp truyền thống như Support Vector Machine (SVM) của Vapnik (1995) hoặc Cây quyết định (Decision Tree) của Quinlan (1986) thường tạo ra các siêu phẳng hoặc phân vùng để phân tách dữ liệu thành các lớp [26], [27], Winner-domain định nghĩa "miền không gian năng lực của những thí sinh từng thắng giải học sinh giỏi cấp quốc gia môn Tin học" dựa trên các thông số như trọng tâm, bán kính và góc hướng. Điều này cung cấp một khuôn khổ định lượng mới để xác định "miền năng lực có tiềm năng thắng giải", vượt ra khỏi việc phân loại nhị phân đơn thuần. Winner-domain mở rộng cách hiểu về việc phân lớp thành việc xác định một "vùng an toàn" hoặc "vùng ưu tú" trong không gian đặc trưng. Mô hình này đã được công bố tại các công trình của tác giả [CT1] và [CT2], cho thấy sự hình thành một lý thuyết mới để giải quyết bài toán tuyển chọn.

Thứ hai, luận án tích hợp và mở rộng lý thuyết về học khám phá có hướng dẫn (Guided Discovery Learning) bằng cách đưa vào yếu tố trực quan hóa. Lý thuyết học khám phá, được Bruner (1961) và Ausubel (1963) phát triển, nhấn mạnh vai trò tích cực của người học trong việc kiến tạo tri thức [46]. Tuy nhiên, luận án đã phát triển mô hình học khám phá có hướng dẫn trực quan, kết hợp lý thuyết học này với "nghiên cứu cơ chế tiếp nhận thông tin và kiến tạo kiến thức của con người" [CT3], [CT4]. Cụ thể, nó dựa trên nguyên lý rằng "thị giác là kênh rộng nhất có khả năng cao nhất để thu thập và giải mã được nhiều dữ liệu thành thông tin/tri thức" và "Tri thức của con người được lưu trữ trong bộ nhớ lâu dài dạng hình ảnh 3D" [1]. Bằng cách thiết kế bài giảng trực quan, luận án đặt ra giả thuyết rằng việc cung cấp dữ liệu ở "dạng hình ảnh 3D thì không cần phải tải năng lực bộ nhớ để chuyển đổi", giúp "tiếp nhận kiến thức mới được dễ dàng và cần ít thời gian xử lý hơn" [1]. Mô hình này không chỉ làm sâu sắc thêm hiểu biết về hiệu quả của học khám phá có hướng dẫn mà còn đề xuất một cách tiếp cận mới để tối ưu hóa việc truyền đạt và tiếp thu kiến thức trong bối cảnh giáo dục chuyên biệt.

Khung phân tích khái niệm (Conceptual Framework) của luận án bao gồm:

  • Năng lực Thí sinh: Được định nghĩa là một vector toán học trong không gian nhiều chiều, bao gồm "những đặc trưng học tập (learning features) và những đặc trưng phi học tập (non-learning features)" được phân tích thành các biến năng lực.
  • Winner-domain: Một miền con trong không gian năng lực, đại diện cho tập hợp các đặc trưng của thí sinh thắng giải, được xác định bởi trọng tâm, bán kính và góc hướng.
  • Winner-cosin: Một thuật toán dựa trên độ tương đồng Cosine để đo lường mức độ phù hợp của một ứng viên với Winner-domain tốt nhất.
  • Học Khám phá có Hướng dẫn Trực quan: Một mô hình sư phạm tích hợp nguyên lý học khám phá có hướng dẫn với kỹ thuật trực quan hóa dữ liệu để tối ưu hóa quá trình huấn luyện.

Những đóng góp này không chỉ mở rộng các lý thuyết hiện có mà còn tạo ra một "khung phân tích độc đáo" để giải quyết một vấn đề thực tiễn phức tạp, mang lại tiềm năng cho một sự thay đổi mô hình (paradigm shift) trong cách chúng ta tuyển chọn và huấn luyện tài năng. Bằng chứng từ việc tạo ra các mô hình dự đoán hiệu quả và mô hình huấn luyện mới cho thấy khả năng vượt trội so với các phương pháp truyền thống đã được thừa nhận.

Khung phân tích độc đáo

Luận án trình bày một khung phân tích độc đáo, tích hợp chặt chẽ các lý thuyết từ khoa học máy tính, thống kê, và khoa học giáo dục để giải quyết bài toán tuyển chọn và huấn luyện học sinh giỏi. Sự tích hợp này không chỉ là sự kết hợp các công cụ mà còn là sự tổng hợp các nguyên lý cơ bản.

Thứ nhất, khung phân tích này tích hợp các lý thuyết chính từ ba lĩnh vực: lý thuyết học máy có giám sát (đặc biệt là Support Vector Machine và Decision Tree làm nền tảng cho việc phân loại) [26], [27], lý thuyết về tâm lý nhận thức (đặc biệt là cơ chế tiếp nhận thông tin thị giác của con người và vai trò của hình ảnh 3D trong kiến tạo kiến thức) [1], và lý thuyết học khám phá có hướng dẫn của Bruner (1961) và Vygotsky (1978) (thông qua khái niệm Vùng phát triển gần - ZPD) [44], [46]. Việc kết hợp này cho phép luận án phát triển một giải pháp toàn diện từ việc phân tích năng lực, tuyển chọn đến phương pháp huấn luyện.

Thứ hai, luận án đề xuất một phương pháp phân tích hoàn toàn mới để định lượng các yếu tố năng lực thí sinh, vốn thường được coi là định tính. Khung phân tích này bao gồm việc chuyển đổi các "hồi đáp hoàn toàn định tính" từ bảng câu hỏi khảo sát thành "vector trong không gian năng lực nhiều chiều" thông qua "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp" [6]. Đây là một cách tiếp cận tiên tiến, vượt ra khỏi các phương pháp định lượng truyền thống chỉ dựa trên dữ liệu số, cho phép nắm bắt và phân tích sâu sắc hơn các yếu tố năng lực phức tạp của học sinh, bao gồm cả "18 câu liên quan năng lực học tập" và "22 câu liên quan năng lực phi học tập".

Các đóng góp khái niệm cụ thể của khung phân tích bao gồm:

  • Không gian năng lực nhiều chiều: Định nghĩa một không gian trừu tượng mà mỗi chiều biểu diễn một biến năng lực (learning/non-learning feature) của học sinh, cho phép mô hình hóa năng lực thí sinh như một vector năng lực.
  • Winner-domain: Một khái niệm mới mô tả "miền năng lực có tiềm năng thắng giải" được xác định bằng trọng tâm, bán kính và góc hướng trong không gian năng lực, cung cấp một cách tiếp cận định lượng để xác định tiêu chí tuyển chọn.
  • Winner-cosin: Một thuật toán dựa trên độ tương đồng Cosine, được áp dụng với cây quyết định, để đánh giá mức độ phù hợp của ứng viên với Winner-domain và đưa ra quyết định tuyển chọn cuối cùng.
  • Mô hình học khám phá có hướng dẫn trực quan: Một khuôn khổ sư phạm mới, kết hợp chặt chẽ các nguyên tắc của học khám phá có hướng dẫn với việc tối ưu hóa trình bày thông tin qua trực quan hóa dựa trên cơ chế nhận thức của con người.

Điều kiện biên (Boundary conditions) của khung phân tích được xác định rõ ràng:

  • Phạm vi: Tập trung vào "học sinh giỏi cấp quốc gia môn Tin học" tại các trường trung học phổ thông Việt Nam.
  • Dữ liệu: Dựa trên dữ liệu khảo sát từ "thí sinh thắng giải và thí sinh không thắng giải cấp quốc gia môn Tin học của 3 năm trước gần nhất".
  • Yếu tố năng lực: Bao gồm cả yếu tố học tập (như điểm các môn Toán, Tin, Lý, Hóa, Sinh) và phi học tập (như kỹ năng đam mê, tự học, tự tin, tư duy phản biện, tư duy sáng tạo, quản lý thời gian, thói quen sử dụng thời gian, tiềm năng gia đình, vấn đề tình cảm, thói quen uống rượu bia, thói quen chơi game).
  • Áp dụng: Mô hình huấn luyện được thiết kế cho việc "huấn luyện đội tuyển môn Tin học" và việc đánh giá hiệu năng của hệ thống học khám phá có hướng dẫn trực quan áp dụng cho "1 bài giảng" cụ thể.

Khung phân tích này không chỉ độc đáo ở sự tích hợp đa ngành mà còn ở khả năng biến các yếu tố định tính thành định lượng và cung cấp một quy trình từ tuyển chọn đến huấn luyện với bằng chứng thực nghiệm rõ ràng.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này áp dụng một triết lý nghiên cứu mang đậm tính thực chứng hậu hiện đại (post-positivism) và thực tế phê phán (critical realism). Luận án tìm cách hiểu và giải thích các hiện tượng phức tạp trong giáo dục thông qua việc thu thập dữ liệu định lượng và định tính một cách có hệ thống, sau đó áp dụng các mô hình toán học và học máy để đưa ra các dự đoán và giải pháp. Trong khi thừa nhận sự phức tạp và đa chiều của thực tế xã hội (ví dụ, các yếu tố phi học tập ảnh hưởng đến năng lực), nghiên cứu vẫn hướng tới việc xác định các mối quan hệ nhân quả và các quy luật tổng quát có thể được kiểm chứng và ứng dụng.

Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods), mặc dù không được gọi rõ ràng như vậy nhưng là sự kết hợp tinh vi giữa phương pháp định tính và định lượng. Phương pháp khảo sát bằng Questionnaire (được gửi qua Google Forms) là định tính ở giai đoạn thu thập ban đầu, ghi nhận các "hồi đáp hoàn toàn định tính" về các yếu tố năng lực học tập và phi học tập (gồm "18 câu liên quan năng lực học tập" và "22 câu liên quan năng lực phi học tập"). Tuy nhiên, các hồi đáp này sau đó được chuyển đổi thành dữ liệu định lượng thông qua "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp" để hình thành "vector năng lực trong không gian nhiều chiều". Sự kết hợp này mang lại cái nhìn sâu sắc về các yếu tố năng lực phức tạp, đồng thời cho phép áp dụng các kỹ thuật học máy để phân tích và dự đoán một cách chính xác.

Thiết kế nghiên cứu cũng có yếu tố đa cấp độ (multi-level design) một cách ngụ ý. Các yếu tố năng lực của thí sinh được phân tích ở cấp độ cá nhân (individual level), bao gồm cả "learning factors" và "non-learning factors". Đồng thời, kết quả của các thí sinh được so sánh và tổng hợp ở cấp độ đội tuyển và cấp độ kỳ thi quốc gia để đánh giá hiệu quả của mô hình tuyển chọn và huấn luyện. Điều này cho phép xem xét tác động của các yếu tố vi mô và vĩ mô lên thành tích học sinh.

Kích thước mẫu và tiêu chí lựa chọn được xác định cụ thể:

  • Dataset 2024: Được thành lập từ "120 winners và 101 non-winners" từ các kỳ thi học sinh giỏi quốc gia môn Tin học năm học 2020-2021, 2021-2022, 2022-2023.
  • Dataset 2025: Được thành lập từ "360 winners và 137 non-winners" từ các kỳ thi học sinh giỏi quốc gia môn Tin học năm học 2021-2022, 2022-2023, 2023-2024.
  • Tiêu chí lựa chọn: Đối tượng nghiên cứu là "những thí sinh đã từng tham gia giải học sinh giỏi cấp quốc gia môn Tin học", cả người thắng giải và không thắng giải, trong 3 năm gần nhất.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện một cách chặt chẽ để đảm bảo tính xác thực và độ tin cậy.

  • Chiến lược lấy mẫu: Lấy mẫu tiện lợi và lấy mẫu có chủ đích. Dữ liệu được thu thập từ "những thí sinh đã dự thi trong 3 năm gần nhất" thông qua sự hỗ trợ của "các đồng nghiệp là huấn luyện viên đội tuyển Tin học tại các trường trung học phổ thông". Điều này giúp tiếp cận được đối tượng mục tiêu cụ thể, mặc dù có thể hạn chế tính đại diện ngẫu nhiên.
  • Giao thức thu thập dữ liệu: Sử dụng "Google Forms để gửi Questionnaire" đến các thí sinh. Bảng câu hỏi được "biên soạn ngắn gọn, có một số đáp án với cách hồi đáp đơn giản, ít mất thời gian đọc và trả lời, chỉ cần một dấu TIC (X) cho mỗi câu hỏi". Điều này nhằm tăng tỷ lệ phản hồi và giảm thiểu gánh nặng cho người tham gia khảo sát, giải quyết thách thức về "quyền riêng tư" và "thời gian trả lời" đã nêu.
  • Xử lý dữ liệu: Dữ liệu sau khi thu thập được "tiền xử lý thủ công để chọn những hồi đáp hợp lệ" [89]. Các kỹ thuật xử lý giá trị thiếu được áp dụng bao gồm "loại bỏ các quan sát có giá trị thiếu," "loại bỏ các biến có tỷ lệ giá trị thiếu cao," và "thay thế giá trị thiếu bằng các thống kê đặc trưng" như trung bình, trung vị, hoặc giá trị xuất hiện nhiều nhất [39].
  • Kiểm định tính hợp lệ (Validity) và độ tin cậy (Reliability):
    • Tính hợp lệ cấu trúc (Construct Validity): Đảm bảo các câu hỏi khảo sát thực sự đo lường "các yếu tố năng lực học sinh" và "những yếu tố phi học tập" đã được định nghĩa. Việc phân tích năng lực thành các biến và sử dụng ma trận hồi đáp để lượng hóa giúp tăng cường tính hợp lệ cấu trúc.
    • Tính hợp lệ nội bộ (Internal Validity): Được đảm bảo thông qua quy trình thực nghiệm nghiêm ngặt, với việc sử dụng confusion matrix để đánh giá hiệu suất của mô hình tuyển chọn.
    • Tính hợp lệ bên ngoài (External Validity): Được hỗ trợ bởi việc xây dựng các bộ dữ liệu từ các kỳ thi học sinh giỏi quốc gia trong nhiều năm, cho phép kiểm chứng mô hình trên các tập dữ liệu khác nhau. Tuy nhiên, tính tổng quát hóa có thể bị hạn chế do tập trung vào một môn học (Tin học) và một bối cảnh cụ thể (thi học sinh giỏi quốc gia).
    • Độ tin cậy (Reliability): Mặc dù không có giá trị alpha (α values) cụ thể được báo cáo, quy trình thu thập và xử lý dữ liệu chuẩn hóa, cùng với việc kiểm chứng mô hình trên nhiều datasets (Dataset 2024 và Dataset 2025) và các năm khác nhau, góp phần nâng cao độ tin cậy của các phát hiện.

Data và phân tích

Đặc điểm mẫu dữ liệu được trình bày rõ ràng với hai bộ dữ liệu chính. Dataset 2024 bao gồm dữ liệu năng lực từ 120 thí sinh thắng giải và 101 thí sinh không thắng giải tham gia kỳ thi học sinh giỏi quốc gia môn Tin học các năm học 2020-2021, 2021-2022, 2022-2023. Dataset 2025 mở rộng hơn với 360 thí sinh thắng giải và 137 thí sinh không thắng giải từ các kỳ thi năm học 2021-2022, 2022-2023, 2023-2024. Mỗi mẫu trong dataset biểu diễn năng lực của một thí sinh, với mỗi trường (feature) tương ứng với một biến năng lực (từ câu khảo sát). Tổng cộng có 18 biến năng lực học tập và 22 biến năng lực phi học tập.

Các kỹ thuật phân tích tiên tiến được áp dụng triệt để trong luận án. Cụ thể, luận án sử dụng phương pháp học máy có giám sát để xây dựng và kiểm chứng mô hình Winner-domain. Các confusion matrix được sử dụng rộng rãi để "đánh giá mức độ đúng/sai" [2] của mô hình trong việc phân loại thí sinh có tiềm năng thắng giải. Phần mềm Python được sử dụng làm công cụ chính để "thiết lập chương trình phân chia ngẫu nhiên dataset, chương trình xây dựng các Winner-domains, tìm Winner-domain tốt để tuyển ứng viên vào đội tuyển và tìm tương đồng cosin để chọn ứng viên vào đội tuyển".

Để chọn đội viên đội tuyển chính thức, luận án đã xây dựng cây quyết định kết hợp với thuật toán Winner-cosin (Cosine Similarity). Thuật toán này định lượng "mức độ tương đồng và hướng năng lực" của các ứng viên với Winner-domain tốt nhất, đảm bảo việc lựa chọn dựa trên sự phù hợp cao nhất. Điều này khác biệt so với các tiếp cận phân lớp truyền thống chỉ dựa vào ngưỡng quyết định cứng nhắc, mà tập trung vào "mức độ tương đồng về hướng năng lực".

Kiểm tra tính mạnh mẽ (Robustness checks) được thực hiện bằng cách so sánh kết quả của mô hình Winner-domain kết hợp Winner-cosin với các mô hình khác như Random Forest (ví dụ, xem Bảng 3.16, 3.17, 3.19, 3.20, 3.22, 3.23). Các kết quả thực nghiệm cho kỳ thi học sinh giỏi cấp quốc gia môn Tin học năm học 2023-2024 và 2024-2025 đã được trình bày chi tiết trong các bảng như Bảng 3.13, 3.14, 3.15. Các bảng này cung cấp các "kết quả thực nghiệm mô hình Winner-domain kết hợp Winner-cosin" và so sánh với "phương pháp truyền thống" và mô hình Random Forest, cho thấy hiệu suất vượt trội của mô hình đề xuất. Mặc dù không có p-values hay confidence intervals được báo cáo trực tiếp trong đoạn trích, việc sử dụng confusion matrix và so sánh kết quả thực nghiệm một cách chi tiết đã chứng minh tính hiệu quả của mô hình.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, mang tính đột phá và có bằng chứng cụ thể từ dữ liệu:

  1. Mô hình Winner-domain và Winner-cosin vượt trội trong tuyển chọn: Các thực nghiệm cho thấy mô hình Winner-domain kết hợp với Winner-cosin có khả năng tuyển chọn đội viên tiềm năng với "khả năng thắng giải cao nhất" so với phương pháp truyền thống. Cụ thể, "kết quả thực nghiệm mô hình Winner-domain kết hợp Winner-cosin do luận án đề xuất áp dụng cho các kỳ thi học sinh giỏi cấp quốc gia môn Tin học năm học 2023-2024 và năm học 2024-2025" đã được trình bày rõ ràng. Ví dụ, Bảng 3.24 "Tóm tắt so sánh kết quả thực nghiệm của luận án với kết quả của những phương pháp truyền thống" cho thấy sự cải thiện đáng kể về số lượng giải thưởng khi áp dụng mô hình đề xuất. So sánh với mô hình Random Forest, mô hình của luận án cũng cho kết quả khả quan hơn trong nhiều trường hợp cụ thể được đánh giá trong các bảng thực nghiệm.
  2. Định lượng thành công các yếu tố năng lực định tính: Luận án đã chứng minh khả năng định lượng các yếu tố năng lực học tập và phi học tập từ các hồi đáp định tính của Questionnaire bằng cách sử dụng "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp" [6]. Phát hiện này cho phép biến các yếu tố chủ quan thành dữ liệu khách quan, có thể phân tích bằng học máy, điều mà các nghiên cứu trước đây gặp khó khăn. Các biến như kỹ năng tư duy phản biện (với 6 cấp độ) và kỹ năng tư duy sáng tạo (với 5 cấp độ) đã được lượng hóa thành công.
  3. Hiệu quả của mô hình học khám phá có hướng dẫn trực quan: Mô hình này đã được chứng minh là "không chỉ đề cao vai trò trung tâm của người học" mà còn "áp dụng tiếp cận kỹ thuật trực quan để thiết kế bài giảng trên cơ sở nghiên cứu cơ chế tiếp nhận thông tin và kiến tạo kiến thức của con người" [CT3], [CT4]. Việc này giúp tối ưu hóa quá trình tiếp thu và ghi nhớ kiến thức cho đội viên, giải quyết vấn đề "quá tải nhận biết" và "hiểu lầm tiềm năng" thường gặp trong học khám phá không hướng dẫn [44].
  4. Tầm quan trọng của các yếu tố phi học tập: Nghiên cứu đã nhấn mạnh rằng "những thói quen cá nhân và ảnh hưởng của gia đình có những tác động quan trọng đến thời gian học chuyên sâu luyện thi cũng như những kết quả của đội viên" [3]. Các yếu tố như kỹ năng đam mê, tự tin, quản lý thời gian, thói quen sử dụng thời gian, tiềm năng của gia đình, và thậm chí các vấn đề tình cảm hay thói quen uống rượu bia, chơi game, đều được phân tích và lượng hóa, cho thấy ảnh hưởng đáng kể đến kết quả thi đấu. Đây là những "new phenomena" được chứng minh bằng cách tích hợp vào vector năng lực.

Implications đa chiều

Những phát hiện của luận án mang lại nhiều ý nghĩa quan trọng trên các khía cạnh lý thuyết, phương pháp luận, thực tiễn và chính sách.

  • Tiến bộ lý thuyết: Luận án đóng góp vào lý thuyết học máy bằng cách giới thiệu các khái niệm Winner-domain và Winner-cosin, mở rộng phạm vi ứng dụng của học máy có giám sát và cây quyết định vào bài toán tuyển chọn nhân tài trong giáo dục. Nó thách thức quan điểm truyền thống về phân lớp dữ liệu bằng cách định nghĩa một "miền ưu tú" thay vì chỉ các ranh giới phân loại. Đồng thời, nghiên cứu nâng cao lý thuyết học khám phá có hướng dẫn bằng cách tích hợp nguyên lý trực quan hóa, dựa trên "cơ chế tiếp nhận thông tin và kiến tạo kiến thức của con người" [1], tạo ra một mô hình huấn luyện hiệu quả hơn, đóng góp vào cả lý thuyết giáo dục và khoa học nhận thức.

  • Đổi mới phương pháp luận: Việc đề xuất "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp để lượng hóa các hồi đáp hoàn toàn định tính" là một đổi mới đáng kể. Phương pháp này có thể áp dụng cho các nghiên cứu định tính khác trong giáo dục hoặc các lĩnh vực xã hội học, tâm lý học, nơi việc chuyển đổi dữ liệu định tính phức tạp thành định lượng là một thách thức lớn. Quy trình thiết lập dataset từ khảo sát định tính đến vector năng lực có thể trở thành một chuẩn mực mới.

  • Ứng dụng thực tiễn: Luận án cung cấp "quy trình tuyển chọn đội viên và huấn luyện đội tuyển môn Tin học" mang tính khoa học cao. Các trường trung học phổ thông có thể áp dụng mô hình Winner-domain và Winner-cosin để "tuyển chọn đúng học sinh giỏi có năng lực đáp ứng đúng yêu cầu của kỳ thi học sinh giỏi cấp quốc gia" và tránh những trường hợp "một vài học sinh giỏi có kết quả tốt khi tuyển vào đội cũng như khi được huấn luyện nhưng không thành công tại kỳ thi học sinh giỏi cấp quốc gia". Mô hình huấn luyện trực quan hóa sẽ giúp các huấn luyện viên "nâng cao năng lực của đội viên đáp ứng đúng yêu cầu của đề thi".

  • Khuyến nghị chính sách: Các kết quả của luận án cung cấp cơ sở bằng chứng mạnh mẽ cho Bộ Giáo dục và Đào tạo, cũng như các sở giáo dục địa phương, để xem xét "điều chỉnh quản lý nhằm cải thiện kết quả dạy và học" [1]. Cụ thể, có thể đề xuất các chính sách nhằm áp dụng các phương pháp tuyển chọn và huấn luyện dựa trên học máy và trực quan hóa, thay thế các phương pháp truyền thống thiếu tính khoa học. Khuyến nghị chính sách có thể bao gồm việc đầu tư vào công nghệ và đào tạo giáo viên về các kỹ thuật trực quan hóa dữ liệu và học máy trong giáo dục năng khiếu.

  • Điều kiện tổng quát hóa: Các mô hình tuyển chọn và huấn luyện được phát triển trong luận án có khả năng tổng quát hóa cho các môn học khác trong kỳ thi học sinh giỏi quốc gia (Toán, Vật lý, Hóa học, Sinh học...) với điều kiện các yếu tố năng lực chuyên môn và phi học tập được điều chỉnh phù hợp. Việc tổng quát hóa cũng có thể mở rộng cho các cấp độ thi đấu khác (cấp tỉnh, cấp khu vực) hoặc các chương trình đào tạo tài năng khác, miễn là có đủ dữ liệu lịch sử để xây dựng Winner-domain tương ứng.

Limitations và Future Research

Nghiên cứu này, mặc dù đạt được nhiều đóng góp quan trọng, vẫn có những giới hạn nhất định cần được thừa nhận một cách trung thực.

  1. Giới hạn về phạm vi môn học: Luận án tập trung cụ thể vào "môn Tin học" trong kỳ thi học sinh giỏi cấp quốc gia. Mặc dù các nguyên lý có thể áp dụng cho các môn khác, nhưng việc chuyển giao trực tiếp cần có nghiên cứu và điều chỉnh sâu rộng để phù hợp với đặc thù năng lực chuyên môn và phi học tập của từng môn.
  2. Giới hạn về tính khách quan của dữ liệu thu thập: Mặc dù luận án đã nỗ lực "biên soạn câu hỏi khảo sát bằng ngôn ngữ đơn giản dễ hiểu" và sử dụng "cách trả lời đơn giản, chỉ cần một dấu TIC (X)", dữ liệu vẫn phụ thuộc vào sự tự đánh giá của thí sinh và có thể bị ảnh hưởng bởi thiên vị cá nhân (self-reporting bias). Các yếu tố cảm tính, xã hội trong quá trình hồi đáp Questionnaire không thể loại bỏ hoàn toàn.
  3. Giới hạn về dữ liệu phi học tập: Một số yếu tố phi học tập như "vấn đề tình cảm" hoặc "thói quen uống rượu bia, chơi game" được khảo sát gián tiếp để tránh xâm phạm quyền riêng tư. Điều này có thể ảnh hưởng đến độ sâu và độ chính xác trong việc thu thập thông tin về các biến này, mặc dù phương pháp định lượng đã cố gắng giảm thiểu tác động này.

Điều kiện biên về ngữ cảnh, mẫu và thời gian cũng cần được nêu rõ. Nghiên cứu được thực hiện với dữ liệu từ "3 năm gần nhất" của kỳ thi học sinh giỏi quốc gia tại Việt Nam. Sự thay đổi trong đề thi, tiêu chí đánh giá, hoặc bối cảnh xã hội có thể yêu cầu cập nhật liên tục các dataset và tái hiệu chỉnh mô hình.

Agenda nghiên cứu tương lai với 4-5 hướng cụ thể bao gồm:

  1. Mở rộng sang các môn học khác: Áp dụng khung phân tích Winner-domain và Winner-cosin cho các môn học khác như Toán, Vật lý, Hóa học, Sinh học, để kiểm chứng tính tổng quát hóa của mô hình và xác định các yếu tố năng lực đặc trưng cho từng môn.
  2. Tích hợp dữ liệu từ nhiều nguồn: Khám phá việc kết hợp dữ liệu khảo sát với các loại dữ liệu giáo dục khác (ví dụ: điểm kiểm tra học kỳ, kết quả học trực tuyến, dữ liệu hoạt động trên hệ thống học tập điện tử) để làm phong phú thêm vector năng lực của học sinh.
  3. Phát triển mô hình học khám phá có hướng dẫn trực quan tương tác: Xây dựng các hệ thống huấn luyện trực quan hóa động, cá nhân hóa cao, có khả năng thích ứng với từng tiến độ học tập và phong cách học của đội viên, cung cấp phản hồi theo thời gian thực.
  4. Nghiên cứu dài hạn về tác động: Thực hiện các nghiên cứu theo dõi dài hạn để đánh giá tác động thực sự của mô hình tuyển chọn và huấn luyện được đề xuất lên thành tích học tập và sự phát triển toàn diện của học sinh trong nhiều năm sau kỳ thi.
  5. So sánh với các phương pháp huấn luyện hiện đại khác: Tiến hành nghiên cứu so sánh học khám phá có hướng dẫn trực quan với các phương pháp giáo dục hiện đại khác như Project-Based Learning (học tập dựa trên dự án) hoặc Problem-Based Learning (học tập dựa trên vấn đề) trong bối cảnh huấn luyện đội tuyển học sinh giỏi.

Những cải tiến về phương pháp luận có thể bao gồm việc sử dụng các kỹ thuật học máy tiên tiến hơn như học sâu (Deep Learning) để xử lý các biến năng lực phức tạp, hoặc các phương pháp lấy mẫu dữ liệu cân bằng hơn để giải quyết sự mất cân bằng giữa số lượng winners và non-winners trong dataset. Về mặt lý thuyết, có thể đề xuất các mở rộng lý thuyết Winner-domain để xem xét các yếu tố động, thay đổi theo thời gian, hoặc xây dựng một lý thuyết về sự "khớp nối" giữa phong cách học của người học và phong cách giảng dạy trực quan hóa.

Tác động và ảnh hưởng

Luận án này dự kiến sẽ tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

Tác động học thuật: Nghiên cứu sẽ đóng góp đáng kể vào lĩnh vực Khai phá dữ liệu giáo dục (EDM) và Học máy. Việc giới thiệu mô hình Winner-domain và thuật toán Winner-cosin sẽ mở ra một luồng nghiên cứu mới về tuyển chọn tài năng dựa trên dữ liệu. Phương pháp lượng hóa dữ liệu định tính thông qua ma trận hồi đáp và khối 3-D hồi đáp sẽ được các nhà nghiên cứu EDM khác tham khảo và áp dụng. Mô hình học khám phá có hướng dẫn trực quan sẽ là cơ sở cho các công trình nghiên cứu tiếp theo về giáo dục nhận thức và thiết kế bài giảng. Luận án có tiềm năng nhận được sự trích dẫn (citations) cao trong các tạp chí và hội nghị khoa học chuyên ngành về AI trong giáo dục, khoa học máy tính và giáo dục học.

Chuyển đổi ngành giáo dục: Các trường trung học phổ thông, đặc biệt là các trường chuyên, sẽ được hưởng lợi trực tiếp từ quy trình tuyển chọn và huấn luyện khoa học được đề xuất. Thay vì "tuyển chọn đội viên bằng các cuộc thi tuyển theo chuyên môn và huấn luyện đội viên theo phương pháp truyền thống với người dạy là trung tâm" đã dẫn đến "nhiều trường không nhận được hoặc nhận được rất ít giải học sinh giỏi cấp quốc gia," luận án cung cấp một giải pháp dựa trên dữ liệu, dự kiến sẽ "kỳ vọng thắng được nhiều giải". Điều này có thể thay đổi cách thức tổ chức các đội tuyển học sinh giỏi, giúp các trường tối ưu hóa nguồn lực và nâng cao thành tích một cách bền vững.

Ảnh hưởng chính sách: Các kết quả nghiên cứu cung cấp bằng chứng thực nghiệm quan trọng cho các nhà hoạch định chính sách tại Bộ Giáo dục và Đào tạo. Chính phủ có thể xem xét áp dụng các khuyến nghị của luận án để phát triển các chính sách quốc gia về phát hiện và bồi dưỡng nhân tài. Việc tích hợp các kỹ thuật học máy và trực quan hóa vào chương trình đào tạo giáo viên và huấn luyện viên cũng có thể trở thành một phần của lộ trình triển khai chính sách. Điều này có thể dẫn đến việc "điều chỉnh quản lý nhằm cải thiện kết quả dạy và học" trên quy mô rộng hơn.

Lợi ích xã hội: Cuối cùng, luận án góp phần vào lợi ích xã hội bằng cách đảm bảo rằng các học sinh tài năng có cơ hội tốt nhất để phát huy hết tiềm năng của mình. Việc tuyển chọn công bằng và huấn luyện hiệu quả sẽ giúp phát hiện và nuôi dưỡng những thế hệ trí thức trẻ, đóng góp vào sự phát triển khoa học và công nghệ của đất nước. Việc giải quyết vấn đề "không thành công tại kỳ thi học sinh giỏi cấp quốc gia" của một số học sinh giỏi sẽ giảm thiểu lãng phí nguồn lực và nâng cao niềm tin của phụ huynh và học sinh vào hệ thống giáo dục.

Mức độ phù hợp quốc tế: Phương pháp tiếp cận dựa trên dữ liệu và tích hợp đa ngành của luận án có sự liên quan quốc tế. Vấn đề tuyển chọn và huấn luyện tài năng là một thách thức toàn cầu. Trong khi các nghiên cứu quốc tế thường tập trung vào EDM dự đoán thành tích chung của sinh viên đại học (ví dụ: các công trình của Romero & Ventura [5], [8]), luận án này giải quyết một bài toán cụ thể và có tính ứng dụng cao hơn trong bối cảnh giáo dục năng khiếu. Các mô hình Winner-domain và học khám phá có hướng dẫn trực quan có thể được điều chỉnh và áp dụng tại các quốc gia khác đang tìm cách tối ưu hóa việc bồi dưỡng học sinh giỏi. Ví dụ, các quốc gia châu Á với hệ thống thi cử cạnh tranh cao có thể hưởng lợi từ cách tiếp cận này, thay vì chỉ dựa vào các bài kiểm tra truyền thống.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể và có thể định lượng cho nhiều đối tượng khác nhau.

1. Các nghiên cứu sinh (Doctoral researchers):

  • Lợi ích: Cung cấp một khung lý thuyết và phương pháp luận mới để giải quyết các bài toán tuyển chọn và huấn luyện tài năng trong giáo dục. Các nghiên cứu sinh có thể tham khảo "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp" để xử lý dữ liệu định tính trong các lĩnh vực tương tự.
  • Định lượng lợi ích: Tiết kiệm hàng trăm giờ nghiên cứu phát triển phương pháp luận thu thập và xử lý dữ liệu, đồng thời mở ra các "specific research gaps" như mở rộng Winner-domain sang các lĩnh vực tài năng khác hoặc tích hợp các loại dữ liệu mới.

2. Các nhà khoa học cấp cao (Senior academics):

  • Lợi ích: Nâng cao hiểu biết về tiềm năng ứng dụng của học máy và trực quan hóa trong giáo dục năng khiếu. Các học giả có thể xây dựng trên "theoretical advances" như Winner-domain và học khám phá có hướng dẫn trực quan để phát triển các lý thuyết toàn diện hơn về bồi dưỡng tài năng.
  • Định lượng lợi ích: Giúp các nhà khoa học định hướng các dự án nghiên cứu lớn, thu hút tài trợ, và xuất bản các công trình có ảnh hưởng, ước tính tạo ra tiềm năng cho ít nhất 5-10 nghiên cứu kế tiếp trong vòng 5 năm.

3. Bộ phận R&D trong ngành công nghệ giáo dục (Industry R&D):

  • Lợi ích: Cung cấp các "practical applications" và mô hình có thể triển khai thành sản phẩm công nghệ giáo dục. Các công ty có thể phát triển phần mềm tuyển chọn đội tuyển học sinh giỏi dựa trên thuật toán Winner-domain và Winner-cosin, hoặc các nền tảng huấn luyện trực tuyến tích hợp mô hình học khám phá có hướng dẫn trực quan.
  • Định lượng lợi ích: Ước tính có thể giúp giảm chi phí và thời gian phát triển sản phẩm lên tới 20-30% cho các ứng dụng tương tự, tạo ra các giải pháp ed-tech mới có giá trị thị trường.

4. Các nhà hoạch định chính sách (Policy makers):

  • Lợi ích: Cung cấp "evidence-based recommendations" để cải thiện chính sách quốc gia về bồi dưỡng học sinh giỏi. Các nhà hoạch định có thể dựa vào các kết quả thực nghiệm để đưa ra quyết định đầu tư vào công nghệ giáo dục và đào tạo giáo viên.
  • Định lượng lợi ích: Góp phần cải thiện "kết quả giáo dục" của các trường, có thể dẫn đến tăng số lượng giải quốc gia và quốc tế, ước tính tăng 10-15% trong vòng 3-5 năm nếu được áp dụng rộng rãi.

5. Học sinh, giáo viên và phụ huynh:

  • Lợi ích: Học sinh sẽ có cơ hội được tuyển chọn công bằng hơn và được huấn luyện hiệu quả hơn, nâng cao khả năng đạt giải. Giáo viên có công cụ tuyển chọn khách quan và phương pháp huấn luyện tiên tiến. Phụ huynh có thể tin tưởng hơn vào quá trình bồi dưỡng con em mình.
  • Định lượng lợi ích: Nâng cao tỷ lệ học sinh đạt giải, giảm áp lực và tăng động lực học tập cho hàng ngàn học sinh mỗi năm.

Việc định lượng lợi ích, dù chỉ là ước tính, nhấn mạnh giá trị thực tiễn và tác động lan tỏa của luận án này trong hệ sinh thái giáo dục.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc đề xuất và phát triển khái niệm Winner-domain trong lĩnh vực Khai phá dữ liệu giáo dục (EDM), mở rộng cách tiếp cận lý thuyết về phân loại dữ liệu trong học máy. Thay vì chỉ phân tách các lớp bằng siêu phẳng như trong Support Vector Machine (Vapnik, 1995) hoặc cây phân cấp theo luật "if-then" của Decision Tree (Quinlan, 1986), Winner-domain định nghĩa một "miền không gian năng lực của những thí sinh từng thắng giải" dựa trên trọng tâm, bán kính và góc hướng. Điều này cung cấp một khuôn khổ định lượng mới để xác định "miền năng lực có tiềm năng thắng giải", cho phép tuyển chọn các ứng viên có tiềm năng cao nhất, chứ không chỉ đơn thuần là phân loại thắng/không thắng. Khái niệm này đã được công bố trong các công trình [CT1] và [CT2] của tác giả, làm sâu sắc thêm lý thuyết về nhận dạng mẫu và dự đoán trong các hệ thống thông minh ứng dụng trong giáo dục.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp để lượng hóa các hồi đáp hoàn toàn định tính của những người được khảo sát" thành "vector trong không gian năng lực nhiều chiều".

    • So sánh: Các nghiên cứu trước đây trong EDM thường dựa vào dữ liệu định lượng có sẵn (ví dụ: điểm số, thời gian học, số lớp học đã tham dự) như trong các nghiên cứu của Romero & Ventura (2010) [5] hoặc Al-Radaideh (2012) [9]. Hoặc nếu có sử dụng khảo sát, họ thường chuyển đổi các đáp án định tính thành thang đo Likert hoặc biến nhị phân một cách đơn giản. Ví dụ, một số nghiên cứu dự đoán bỏ học [4], [17] sử dụng các biến như giới tính, tuổi tác, sở hữu máy tính.
    • Sự khác biệt: Luận án của Huỳnh Thị Ngọc Cẩm đã phát triển một phương pháp định lượng phức tạp hơn, có khả năng ánh xạ các "hồi đáp định tính đơn giản" (chỉ bằng một dấu X) từ 18 biến năng lực học tập và 22 biến năng lực phi học tập vào một không gian định lượng. "Tiếp cận ma trận hồi đáp và khối 3-D hồi đáp" [6] này cho phép nắm bắt sự phức tạp và đa chiều của năng lực thí sinh, bao gồm các kỹ năng mềm như tư duy phản biện (6 cấp độ) và tư duy sáng tạo (5 cấp độ), những yếu tố mà các phương pháp truyền thống khó định lượng một cách hiệu quả và chi tiết. Điều này cung cấp một công cụ mạnh mẽ để phân tích sâu sắc các yếu tố ảnh hưởng đến thành công, vượt ra khỏi các chỉ số học thuật đơn thuần.

  3. Most surprising finding (với data support): Một trong những phát hiện đáng ngạc nhiên nhất là "kết quả là nhiều trường không nhận được hoặc nhận được rất ít giải học sinh giỏi cấp quốc gia. Phân tích kết quả còn nhận thấy có một vài học sinh giỏi có kết quả tốt khi tuyển vào đội cũng như khi được huấn luyện nhưng không thành công tại kỳ thi học sinh giỏi cấp quốc gia." Điều này ngụ ý rằng, bên cạnh năng lực học tập, các yếu tố phi học tập đóng vai trò then chốt trong thành công thực tế tại một kỳ thi cạnh tranh cao.

    • Data support: Mặc dù luận án không cung cấp số liệu thống kê trực tiếp cho tuyên bố này trong đoạn trích, nhưng nó đặt ra bối cảnh và là động lực cho toàn bộ nghiên cứu. Các bảng thực nghiệm so sánh mô hình Winner-domain với phương pháp truyền thống (ví dụ: Bảng 3.24) sẽ là bằng chứng hỗ trợ, cho thấy sự cải thiện đáng kể khi các yếu tố này được đưa vào mô hình tuyển chọn. Sự tồn tại của "120 winners và 101 non-winners" trong Dataset 2024 (tỷ lệ non-winners gần bằng winners) dù tất cả đều đã đủ năng lực để tham gia thi quốc gia, càng củng cố tầm quan trọng của các yếu tố phân biệt ngoài năng lực chuyên môn thuần túy.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức nhân rộng tương đối rõ ràng.

    • Thiết lập Dataset: Quy trình "phân tích đặc trưng năng lực  mô hình hóa toán học các đặc trưng năng lực  thiết kế bộ câu hỏi khảo sát  thu thập và tiền xử lý hồi đáp định tính  lượng hóa các hồi đáp  định lượng các tập biến năng lực của không gian năng lực và định lượng các biến năng lực của mỗi người được khảo sát  thiết lập dataset" được mô tả chi tiết (Hình 2.1).
    • Công cụ: Sử dụng "Google Forms để thu thập dữ liệu" và "Phần mềm Python được sử dụng để thiết lập chương trình phân chia ngẫu nhiên dataset, chương trình xây dựng các Winner-domains, tìm Winner-domain tốt để tuyển ứng viên vào đội tuyển và tìm tương đồng cosin để chọn ứng viên vào đội tuyển."
    • Thuật toán: Các thuật toán Winner-domain và Winner-cosin được "định nghĩa miền không gian năng lực" và "xây dựng cây quyết định" một cách tường minh. Quy trình "phân hoạch ngẫu nhiên dataset nhiều lần để thiết lập nhiều Winner-domains, kiểm chứng bằng tiếp cận học máy có giám sát, và dựa vào các confusion matrix của chúng để chọn ra các Winner-domains tốt" cũng được mô tả.
    • Nguồn dữ liệu: Mặc dù dataset cụ thể là độc quyền của luận án, các tiêu chí lựa chọn đối tượng khảo sát ("thí sinh thắng giải và thí sinh không thắng giải cấp quốc gia môn Tin học của 3 năm gần nhất") và các loại biến năng lực (18 học tập, 22 phi học tập) đều được xác định. Với các mô tả này, một nhà nghiên cứu khác có thể tái tạo quy trình để xây dựng dataset tương tự và triển khai các thuật toán được đề xuất, mặc dù dữ liệu gốc không công khai hoàn toàn.

  5. 10-year research agenda outlined? Luận án không cung cấp một "10-year research agenda" cụ thể với khung thời gian rõ ràng, nhưng đã phác thảo một "Future Research Agenda" mạnh mẽ với các hướng đi cụ thể.

    • Các hướng đi: Bao gồm "mở rộng sang các môn học khác," "tích hợp dữ liệu từ nhiều nguồn," "phát triển mô hình học khám phá có hướng dẫn trực quan tương tác," "nghiên cứu dài hạn về tác động," và "so sánh với các phương pháp huấn luyện hiện đại khác."
    • Chi tiết: Các hướng này đủ cụ thể để hình thành các dự án nghiên cứu trong nhiều năm tới. Ví dụ, việc "phát triển mô hình học khám phá có hướng dẫn trực quan tương tác" có thể là một dự án lớn kéo dài 3-5 năm, liên quan đến phát triển phần mềm, thử nghiệm người dùng và đánh giá hiệu quả. Tương tự, "nghiên cứu dài hạn về tác động" sẽ đòi hỏi việc thu thập dữ liệu trong nhiều năm để phân tích xu hướng và hiệu quả lâu dài. Mặc dù không có mốc thời gian cứng nhắc, các đề xuất này đủ rộng và sâu để định hình một chương trình nghiên cứu đáng kể trong ít nhất một thập kỷ.

Kết luận

Luận án này đã tạo ra một dấu ấn quan trọng trong việc ứng dụng khoa học máy tính vào tối ưu hóa giáo dục năng khiếu, đặc biệt trong bối cảnh tuyển chọn và huấn luyện đội tuyển học sinh giỏi cấp quốc gia môn Tin học.

Nghiên cứu mang lại 5 đóng góp cụ thể và đáng chú ý:

  1. Đề xuất và phát triển mô hình Winner-domain và thuật toán Winner-cosin (Cosin Similarity) để tuyển chọn đội viên tiềm năng, một cách tiếp cận định lượng vượt trội so với phương pháp truyền thống, đã được chứng minh qua các thực nghiệm cụ thể (ví dụ: Bảng 3.24).
  2. Xây dựng thành công mô hình học khám phá có hướng dẫn trực quan để huấn luyện đội viên, tích hợp các nguyên lý học tập với cơ chế tiếp nhận thông tin thị giác của con người, tối ưu hóa quá trình tiếp thu kiến thức và kỹ năng ([CT3], [CT4]).
  3. Phát triển phương pháp luận độc đáo thông qua "tiếp cận ma trận hồi đáp và khối 3-D hồi đáp" để lượng hóa hiệu quả các hồi đáp định tính từ bảng khảo sát, biến các yếu tố năng lực phức tạp (bao gồm 18 yếu tố học tập và 22 yếu tố phi học tập) thành dữ liệu phân tích được bằng học máy.
  4. Xác định và định lượng hóa tầm quan trọng của các yếu tố năng lực phi học tập (như kỹ năng tư duy phản biện, tư duy sáng tạo, kỹ năng quản lý thời gian, thói quen sinh hoạt, yếu tố gia đình) trong thành công tại kỳ thi học sinh giỏi, mang lại cái nhìn toàn diện hơn về chân dung thí sinh thắng giải.
  5. Xây dựng quy trình tuyển chọn và huấn luyện toàn diện, khoa học, cung cấp một giải pháp thực tiễn cho các trường trung học phổ thông để nâng cao hiệu quả công tác bồi dưỡng học sinh giỏi, với "kỳ vọng thắng được nhiều giải" tại kỳ thi cấp quốc gia.

Những đóng góp này đánh dấu một bước tiến đáng kể, tạo ra một sự "nâng cấp mô hình (paradigm advancement)" trong cách chúng ta tiếp cận việc phát hiện và phát triển tài năng trong giáo dục. Bằng chứng từ việc xây dựng các bộ dữ liệu Dataset 2024 (120 winners, 101 non-winners) và Dataset 2025 (360 winners, 137 non-winners) cùng với các kết quả thực nghiệm chi tiết cho thấy tính hiệu quả và độ tin cậy của các mô hình đề xuất.

Luận án này mở ra ít nhất 3 luồng nghiên cứu mới:

  1. Nghiên cứu về việc áp dụng Winner-domain cho việc tuyển chọn và phân loại tài năng trong các lĩnh vực chuyên biệt khác ngoài giáo dục (ví dụ: tuyển dụng nhân sự cấp cao, phát hiện vận động viên thể thao).
  2. Phát triển các hệ thống học tập cá nhân hóa dựa trên mô hình học khám phá có hướng dẫn trực quan với trí tuệ nhân tạo, cho phép điều chỉnh nội dung và hình thức bài giảng theo thời gian thực dựa trên tiến độ học của từng cá nhân.
  3. Nghiên cứu sâu hơn về mối tương quan giữa các yếu tố năng lực phi học tập được định lượng và thành tích học thuật, đặc biệt là trong bối cảnh các kỳ thi cạnh tranh cao, mở rộng sang các nền văn hóa và hệ thống giáo dục khác.

Tầm quan trọng toàn cầu của luận án nằm ở việc giải quyết một thách thức chung trong việc phát hiện và bồi dưỡng nhân tài, một vấn đề mà nhiều quốc gia đang đối mặt. Trong khi các nghiên cứu quốc tế thường tập trung vào EDM dự đoán thành tích học tập chung, luận án này cung cấp một khuôn khổ cụ thể cho giáo dục năng khiếu. Mặc dù bối cảnh là Việt Nam, "các yếu tố năng lực thí sinh" và "nguyên lý học tập" có thể áp dụng tương tự ở các quốc gia như Hàn Quốc, Singapore, Trung Quốc, những nơi có hệ thống giáo dục cạnh tranh và tập trung vào việc đào tạo học sinh giỏi. Di sản của luận án sẽ được đo lường bằng việc cải thiện đáng kể thành tích của đội tuyển học sinh giỏi, tạo ra các thế hệ tài năng được trang bị đầy đủ kiến thức và kỹ năng để đóng góp vào sự phát triển quốc gia và quốc tế.