Tổng quan về luận án

Luận án này tập trung vào việc "Xây dựng mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng đa tiêu chí," một lĩnh vực nghiên cứu tiên phong trong bối cảnh bùng nổ thông tin và sự dịch chuyển mạnh mẽ của giáo dục sang nền tảng số. Bối cảnh khoa học hiện nay chứng kiến sự gia tăng thách thức về quá tải thông tin, khiến người học trên các hệ thống đào tạo trực tuyến (E-learning) dễ cảm thấy lạc lõng và thiếu định hướng. Trong khi các hệ thống quản lý học tập (LMS - Learning Management System) truyền thống cung cấp nội dung "one size - fits - all" (Brusilovsky, Kobsa, & Nejdl, 2007), nhu cầu về hệ thống học tập cá nhân hóa (PLS - Personalized Learning System) và các hệ thống tư vấn học tập hiệu quả trở nên cấp thiết hơn bao giờ hết. Đại dịch COVID-19 đã là một "cú hích" đẩy nhanh xu hướng này, như được phản ánh qua các văn bản pháp lý quan trọng tại Việt Nam như Thông tư 08/2021/TT-BGD&ĐT, công nhận hình thức giảng dạy và đánh giá trực tuyến. Tính tiên phong của nghiên cứu nằm ở việc chuyển dịch từ cách tiếp cận quản lý học tập đồng nhất sang một mô hình thích nghi cộng đồng, khai thác kinh nghiệm từ cộng đồng người học đa tiêu chí để cá nhân hóa quá trình học tập.

Luận án này khắc phục các khoảng trống nghiên cứu cụ thể đã được xác định trong lĩnh vực này. Thứ nhất, "các nghiên cứu hiện nay chỉ dừng ở mức độ đề xuất thuật toán tư vấn mới hoặc cải tiến những thuật toán tư vấn đang có" và "chưa có những kết quả cho thấy có nghiên cứu tiếp cận từ góc độ hệ thống thông tin, xem xét hệ thống tư vấn như một phân hệ cấu thành và tương tác với các phân hệ khác của hệ thống đào tạo trực tuyến" (Chương 1, Khoảng trống thứ nhất). Điều này cho thấy thiếu vắng một cái nhìn toàn diện về hệ thống. Thứ hai, các nghiên cứu hiện hành về tư vấn học tập "chỉ giới hạn xem xét một vài đặc trưng riêng lẻ của người học mà chưa xem xét một cách toàn diện tất cả các đặc trưng có thể tham gia vào việc hình thành lên hồ sơ người học" (Chương 1, Khoảng trống thứ hai), bỏ qua sự phong phú của dữ liệu người học. Thứ ba, tại Việt Nam, các ứng dụng tư vấn học tập "chỉ khai thác kinh nghiệm cá nhân của người học mà chưa quan tâm khai thác kinh nghiệm của cộng đồng mà người học tham gia" và "chưa có cơ sở giáo dục đại học nào tích hợp hệ thống tư vấn học tập vào hệ thống đào tạo trực tuyến" (Chương 1, Khoảng trống thứ ba), tạo ra một khoảng trống lớn trong thực tiễn ứng dụng. Cuối cùng, "các nghiên cứu hiện nay chưa đưa ra các phương pháp đánh giá hiệu quả của hệ thống tư vấn học tập trong môi trường đào tạo trực tuyến mà chỉ mới dừng ở mức độ đánh giá và so sánh hiệu quả thuật toán" (Chương 1, Khoảng trống thứ tư), thiếu một phương pháp đánh giá toàn diện ở cấp độ hệ thống.

Để giải quyết các khoảng trống trên, luận án đặt ra bốn câu hỏi nghiên cứu chính:

  1. Mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng (cụ thể là người học) đa tiêu chí gồm những thành phần nào? Cách thức hoạt động cũng như sự tương tác của phân hệ tư vấn học tập với các phân hệ khác của hệ thống đào tạo trực tuyến như thế nào?
  2. Hồ sơ đặc trưng người học bao gồm những thành phần nào và được khai thác như thế nào để hình thành các cộng đồng đa tiêu chí trong hệ thống tư vấn học tập được luận án đề xuất?
  3. Làm thế nào để triển khai ứng dụng hiệu quả mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến được luận án đề xuất vào thực tiễn các cơ sở giáo dục đại học ở Việt Nam?
  4. Có thể sử dụng phương pháp nào để đánh giá hiệu quả của hệ thống tư vấn học tập được luận án đề xuất trong môi trường đào tạo trực tuyến?

Khung lý thuyết của luận án được xây dựng dựa trên Khung nghiên cứu tổng quát (Hevner, March, Park, & Ram, 2004), bao gồm ngữ cảnh, nghiên cứu và cơ sở tri thức. Luận án cũng vận dụng ba chiều quan trọng của hệ thống thông tin (tổ chức, quản lý, công nghệ) của Kenneth P. Laudon và Jane P. Laudon (Laudon & Laudon, 2004) làm nền tảng. Các lý thuyết về hệ thống hỗ trợ ra quyết định (DSS) của Simon (1960), Alter (1980), Power (2001) và Felsberger et al. (2016) được mở rộng để phù hợp với ngữ cảnh tư vấn học tập.

Luận án đưa ra những đóng góp đột phá. Về mặt lý thuyết, luận án phát triển một khung lý thuyết cho hệ thống hỗ trợ ra quyết định làm cơ sở cho hoạt động tư vấn học tập dựa trên cộng đồng người dùng đa tiêu chí và đề xuất giải pháp đánh giá hiệu quả hệ thống ở Việt Nam. Về mặt thực tiễn, luận án đề xuất một mô hình tư vấn học tập dựa trên cộng đồng đa tiêu chí có thể áp dụng, triển khai trong thực tiễn các cơ sở giáo dục đại học Việt Nam, cùng với một cách tiếp cận đột phá trong việc sử dụng thuật toán khai thác dữ liệu học tập và các khuyến nghị triển khai cụ thể. Những đóng góp này tiềm năng cải thiện đáng kể chất lượng đào tạo trực tuyến.

Phạm vi nghiên cứu của luận án giới hạn trong các cơ sở giáo dục đại học, tập trung vào đối tượng người học, bao gồm quản trị hồ sơ người học, thành lập cộng đồng người học, các phân hệ tư vấn nhóm học tập, tư vấn lựa chọn môn học và tư vấn cách thức học tập. Dữ liệu thực nghiệm được rút trích từ hệ thống đào tạo trực tuyến của Trường Đại học Kinh tế Quốc dân, với khoảng thời gian khảo sát tài liệu từ năm 2015 đến 2022 (và mở rộng trước 2015 cho các nghiên cứu trong nước). Luận án dự kiến sẽ tạo ra tác động đáng kể trong việc cá nhân hóa trải nghiệm học tập và nâng cao hiệu quả giáo dục trực tuyến tại Việt Nam.

Literature Review và Positioning

Chương 1 của luận án đã thực hiện lược khảo toàn diện các nghiên cứu về tư vấn học tập trên hệ thống đào tạo trực tuyến từ năm 2015 đến 2022, sử dụng phương pháp PRISMA (Moher, Liberati, Tetzlaff, & Altman, 2009) để đảm bảo tính khách quan và khoa học. Tổng cộng 205 bài báo được tìm kiếm trên các cơ sở dữ liệu học thuật như Proquest Central, Springer Link, IEEE Xplore, Elsevier, và ResearchGate, sau đó sàng lọc còn 70 bài để lược khảo chuyên sâu. Đối với các nghiên cứu trong nước, khung thời gian được mở rộng hơn để thu thập thêm dữ liệu do tính mới của lĩnh vực này tại Việt Nam. Các nghiên cứu được tổng hợp theo ba luồng chính: tư vấn dựa trên nội dung, tư vấn dựa trên sự cộng tác và tư vấn sử dụng phương pháp lai.

Luồng nghiên cứu về tư vấn dựa trên nội dung (Content-based filtering) thường tập trung vào việc đề xuất tài nguyên học tập dựa trên đặc điểm cá nhân của người học và lịch sử tương tác của họ với hệ thống. Ví dụ, Wu & Wu (2020) đã phát triển thuật toán tư vấn sử dụng công nghệ dữ liệu lớn và trí tuệ nhân tạo để gợi ý môn học, trong khi Doja (2020) đề xuất hệ thống tư vấn khóa học dựa trên quản trị hồ sơ người học bao gồm thông tin cá nhân, cách thức học tập và trình độ kiến thức. Các nghiên cứu khác như Morsomme và Alferez (2019) hay Shu et al. (2018) đều đề xuất các thuật toán tư vấn (mạng neural tích chập) để tối ưu hóa lựa chọn khóa học hoặc tài nguyên học tập dựa trên sở thích cá nhân. Một số ít nghiên cứu còn tập trung vào tư vấn cho giảng viên để cải thiện nội dung giảng dạy (Tewari et al., 2015). Tuy nhiên, một điểm chung nổi bật của luồng này là "hầu hết chỉ dừng lại ở mức độ đề xuất thuật toán mà không tiếp cận từ góc độ hệ thống thông tin hoặc xem xét hệ thống tư vấn học tập như một phân hệ cấu thành của hệ thống đào tạo trực tuyến" (Chương 1). Phương pháp đánh giá cũng "giới hạn trong phạm vi đánh giá và so sánh hiệu quả của các thuật toán chứ không đánh giá hệ thống tư vấn học tập."

Luồng nghiên cứu về tư vấn dựa trên sự cộng tác (Collaborative filtering) tập trung vào việc định nghĩa cộng đồng người dùng có đặc điểm tương tự và đưa ra gợi ý dựa trên ý kiến phản hồi hoặc đánh giá từ cộng đồng đó. Các nghiên cứu trong luồng này chủ yếu cải tiến thuật toán tư vấn (Geng, 2022; Joy et al., 2021; Yassine et al., 2021) hoặc khai thác hồ sơ đặc trưng người học (Tenison, Ling, & McCulla, 2022; Obeidat, Duwairi, & Al-Aiad, 2019). Ví dụ, J. Chen et al. (2020) đề xuất thuật toán phân cụm tiến hóa để giải quyết vấn đề dữ liệu thưa thớt, trong khi Wan và Niu (2018) xem xét cả sự tương đồng giữa các đối tượng học tập và người học để mô hình hóa. Mặc dù có nhiều kết quả đa dạng trong việc cải tiến thuật toán và khai thác đặc trưng người học, "điểm hạn chế của những nghiên cứu này là cũng chỉ giới hạn ở một vài đặc trưng riêng lẻ như lịch sử học tập, mục tiêu, hành vi và cách thức học tập của người học mà không khảo sát các đặc trưng khác có ảnh hưởng đến kết quả tư vấn như thế nào" (Chương 1). Tương tự như tư vấn dựa trên nội dung, các nghiên cứu này cũng "không có nghiên cứu nào tiếp cận từ góc độ hệ thống thông tin hoặc xem xét hệ thống tư vấn như một phân hệ của hệ thống đào tạo trực tuyến."

Các phương pháp lai (Hybrid filtering) kết hợp ưu điểm của cả hai cách tiếp cận trên để khắc phục nhược điểm của từng phương pháp đơn lẻ (Burke, 2007). Các nghiên cứu trong luồng này thường áp dụng các kỹ thuật tiên tiến như tư vấn dựa trên tri thức (Ezaldeen et al., 2022; Ouertani & Alawadh, 2017), dựa trên ngữ cảnh (Intayoad, Becker, & Temdee, 2017), hoặc tích hợp bản thể học và mạng neural (Aeiad & Meziane, 2019; Chenyuan et al., 2021). Jordán et al. (2021) đã thực nghiệm thành công hệ thống tư vấn video học tập kết hợp cả hai cách tiếp cận tại Đại học Politècnica de València. Nhiều kỹ thuật khai phá dữ liệu như phân cụm (Bhaskaran et al., 2021), luật kết hợp (Osadchiy et al., 2019), phân tích chuỗi thời gian (Pang et al., 2018) cũng được sử dụng. Tuy nhiên, tương tự hai luồng trước, các nghiên cứu này vẫn "chỉ xem xét ở một số đặc trưng nhất định" và "không có nghiên cứu nào đánh giá hiệu quả của hệ thống tư vấn từ góc độ hệ thống thông tin."

Tại Việt Nam, các nghiên cứu về hệ thống tư vấn trong đào tạo trực tuyến còn rất ít và rời rạc. Các ứng dụng hiện có như VNPT E-Learning hay VioEdu LMS (FPT) chủ yếu dựa trên phân tích đặc trưng cá nhân của người học, "không khai thác kinh nghiệm cộng đồng" (Chương 1). Nghiên cứu của Nguyễn Thúy Ngọc và Nguyễn An Tạ (2015) đề cập đến "cộng đồng người dùng đa tiêu chí" nhưng trong lĩnh vực chung, không phải là hệ thống tư vấn trong đào tạo trực tuyến. Lê Đức Long tập trung vào mô hình tri thức cho giảng viên, và Lê Thị Huyền et al. (2009) nghiên cứu mô hình người học dựa trên đánh giá tính hữu ích của các đặc trưng. Điều này cho thấy "vấn đề nghiên cứu về hệ thống tư vấn trong đào tạo trực tuyến ở Việt Nam vẫn còn rời rạc," tạo ra một khoảng trống lớn cho luận án.

Luận án này định vị mình bằng cách trực tiếp giải quyết các khoảng trống đã xác định. Nó không chỉ đề xuất thuật toán mới mà còn tiếp cận từ "góc độ hệ thống thông tin," xem xét hệ thống tư vấn học tập như một phân hệ tích hợp và tương tác với các phân hệ khác của hệ thống đào tạo trực tuyến. Hơn nữa, luận án phát triển "hồ sơ đặc trưng người học bao gồm nhiều đặc trưng khác nhau" và khai thác "kinh nghiệm của cộng đồng người học đa tiêu chí" để đưa ra tư vấn. Cuối cùng, luận án đề xuất một giải pháp toàn diện để "đánh giá hiệu quả của hệ thống tư vấn học tập" ở cấp độ hệ thống, không chỉ giới hạn ở hiệu suất thuật toán.

So sánh với các nghiên cứu quốc tế, luận án này khác biệt so với Wu & Wu (2020) và Doja (2020) trong luồng tư vấn dựa trên nội dung, vốn tập trung vào các thuật toán và đặc trưng riêng lẻ như điểm số hay phong cách học tập. Luận án vượt xa hơn bằng cách tích hợp hồ sơ người học đa tiêu chí và kinh nghiệm cộng đồng. So với Geng (2022) và Obeidat et al. (2019) trong luồng tư vấn cộng tác, luận án không chỉ cải tiến thuật toán hoặc phân cụm dựa trên lịch sử chọn khóa học mà còn mở rộng khái niệm cộng đồng với "đa tiêu chí," mang lại cái nhìn toàn diện hơn về tương tác và sở thích của người học. Đối với các nghiên cứu lai như của Ezaldeen et al. (2022) hay Jordán et al. (2021) vốn kết hợp các phương pháp, luận án của Bùi Xuân Huy tập trung vào việc tích hợp các phương pháp này vào một khuôn khổ hệ thống thông tin mạch lạc, đề xuất một giải pháp triển khai và đánh giá hiệu quả toàn diện, một khía cạnh mà các nghiên cứu trước đây chưa thực sự chú trọng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào việc mở rộng và làm sâu sắc các lý thuyết hiện có trong lĩnh vực Hệ thống Thông tin (IS), Hệ thống Hỗ trợ Ra quyết định (DSS), và Hệ thống Tư vấn. Cụ thể, nó mở rộng lý thuyết DSS (Simon, 1960; Alter, 1980; Power, 2001; Felsberger et al., 2016) bằng cách áp dụng chúng vào một miền đặc thù và phức tạp: tư vấn học tập dựa trên cộng đồng đa tiêu chí trong môi trường đào tạo trực tuyến. Đây là một lĩnh vực mà các lý thuyết DSS truyền thống, vốn chủ yếu tập trung vào các quyết định quản lý ở cấp độ tổ chức, chưa được khám phá kỹ lưỡng ở cấp độ ra quyết định cá nhân của người học. Luận án làm rõ cách thức "hệ thống hỗ trợ ra quyết định có thể được thiết kế để hỗ trợ những người ra quyết định ở mọi cấp độ trong một tổ chức," áp dụng quan điểm này vào việc hỗ trợ người học trong quá trình học tập của họ. Nó thách thức quan điểm rằng các hệ thống tư vấn chỉ nên tập trung vào hiệu quả thuật toán bằng cách đề xuất một khung nhìn toàn diện, xem xét hệ thống tư vấn như một phân hệ cấu thành của một hệ thống đào tạo lớn hơn.

Khung khái niệm của luận án được xây dựng dựa trên "Khung nghiên cứu tổng quát" của Hevner et al. (2004), bao gồm ba thành phần chính: ngữ cảnh (context), nghiên cứu (research), và cơ sở tri thức (knowledge base). Thành phần ngữ cảnh bao gồm bối cảnh giáo dục, tình hình nghiên cứu, ứng dụng thực tiễn, và nhu cầu của người học, từ đó xác định các vấn đề cần nghiên cứu. Thành phần nghiên cứu tuân theo phương pháp luận DSRM (Design Science Research Methodology), bao gồm các bước thiết kế và phát triển phương pháp, thực nghiệm, đánh giá và điều chỉnh. Thành phần cơ sở tri thức tích hợp các lý thuyết nền tảng về hệ thống tư vấn, hệ thống hỗ trợ ra quyết định, đánh giá chất lượng hệ thống thông tin, và các khung phân tích học tập trong giáo dục đại học (như LALC và DAHE). Mô hình lý thuyết đề xuất các giả thuyết chính, chẳng hạn:

  1. Giả thuyết 1: Mô hình tư vấn học tập tích hợp dựa trên cộng đồng người dùng đa tiêu chí sẽ nâng cao đáng kể khả năng ra quyết định của người học trong môi trường trực tuyến, dẫn đến kết quả học tập tốt hơn.
  2. Giả thuyết 2: Hồ sơ người học được xây dựng toàn diện, tích hợp các đặc trưng đa chiều (nhân khẩu học, lịch sử tương tác, phong cách học tập, kết quả học tập) là yếu tố then chốt để hình thành các cộng đồng đa tiêu chí hiệu quả và cung cấp tư vấn cá nhân hóa chính xác.
  3. Giả thuyết 3: Việc triển khai và đánh giá hệ thống tư vấn học tập từ góc độ hệ thống thông tin, bao gồm các khuyến nghị triển khai cụ thể và giải pháp đánh giá hiệu quả toàn diện, sẽ thúc đẩy ứng dụng thành công trong thực tiễn giáo dục đại học.

Luận án tạo ra một sự dịch chuyển trong mô hình nghiên cứu (paradigm shift) từ việc tập trung vào các thuật toán đơn lẻ sang một quan điểm hệ thống thông tin tích hợp cho hệ thống tư vấn học tập. Bằng chứng cho sự dịch chuyển này sẽ đến từ việc thành công thiết kế, triển khai thực nghiệm, và đánh giá hiệu quả của mô hình tư vấn học tập như một phân hệ hoạt động liền mạch và tương tác hiệu quả với các phân hệ khác của hệ thống đào tạo trực tuyến, thay vì chỉ là một công cụ thuật toán độc lập.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt độc đáo thông qua việc tích hợp sâu rộng nhiều lý thuyết. Luận án kết hợp lý thuyết Hệ thống Thông tin (Laudon & Laudon, 2004) để hiểu các khía cạnh tổ chức, quản lý và công nghệ của hệ thống tư vấn; lý thuyết Hệ thống Hỗ trợ Ra quyết định (DSS) (Simon, 1960; Power, 2001; Felsberger et al., 2016) để cấu trúc quá trình tư vấn và hỗ trợ quyết định của người học; và lý thuyết Hệ thống Tư vấn (Recommended Systems) (Montaner et al., 2003; Burke, 2007) để phát triển các kỹ thuật lọc nội dung, cộng tác và lai. Hơn nữa, luận án dựa trên quan điểm rằng "phân tích học tập (learning analytic) đóng vai trò nền tảng cho các hệ hỗ trợ ra quyết định cũng như hệ thống tư vấn vận hành," kết hợp các khung phân tích học tập như LALC (Learning Analytics Life Cycle) và DAHE (Integrated Framework for Data Analytics in Higher Education) để đảm bảo mô hình có cơ sở dữ liệu và phân tích vững chắc.

Cách tiếp cận phân tích độc đáo nhất là sự phát triển của "cộng đồng người dùng đa tiêu chí" (Nguyễn Thúy Ngọc & Nguyễn An Tạ, 2015). Không giống các phương pháp lọc cộng tác truyền thống chỉ dựa trên một tiêu chí (ví dụ: sở thích), luận án cho phép người học thuộc về nhiều cộng đồng khác nhau dựa trên sự kết hợp phức tạp của các đặc trưng. Ví dụ, một người học có thể thuộc cộng đồng những người đạt điểm cao môn Cơ sở dữ liệu và thường xuyên tham gia thảo luận trên diễn đàn, và có phong cách học tập tương tự. Cách tiếp cận này giúp tạo ra các gợi ý chính xác và phù hợp hơn, khai thác tối đa "không gian cộng đồng đa tiêu chí."

Các đóng góp khái niệm bao gồm định nghĩa rõ ràng về "người dùng đa tiêu chí" (đa tiêu chí là các tiêu chí hình thành cộng đồng, có thể là tiêu chí đơn lẻ hoặc kết hợp của nhiều tiêu chí khác nhau), "cộng đồng người học đa tiêu chí," và "phân hệ tư vấn học tập" (như một phần không thể thiếu của hệ thống đào tạo trực tuyến). Các định nghĩa này là nền tảng để xây dựng và đánh giá mô hình.

Các điều kiện biên được nêu rõ. Nghiên cứu này "giới hạn cho các cơ sở giáo dục đại học và chỉ tập trung vào đối tượng người học," cụ thể là vấn đề quản trị hồ sơ người học, thành lập cộng đồng người học, các phân hệ tư vấn nhóm học tập, tư vấn lựa chọn môn học, và tư vấn cách thức học tập. Dữ liệu thực nghiệm được rút trích từ "hệ thống đào tạo trực tuyến của trường Đại học Kinh tế Quốc dân." Điều này đảm bảo tính khả thi trong thực nghiệm và cung cấp một ngữ cảnh cụ thể cho việc áp dụng mô hình, đồng thời nhận diện các giới hạn về khả năng khái quát hóa.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng phương pháp luận nghiên cứu khoa học thiết kế (Design Science Research Methodology - DSRM), được đề xuất bởi Peffers, Tuunanen, Rothenberger, & Chatterjee (2007), làm phương pháp nghiên cứu chủ đạo. DSRM là một triết lý nghiên cứu thực dụng, kết hợp giữa việc xây dựng các tạo phẩm (artifacts) và lý thuyết hóa, tập trung vào việc tạo ra các giải pháp sáng tạo cho các vấn đề thực tiễn. Triết lý nghiên cứu này nghiêng về hậu thực chứng (Post-positivism) và thực dụng (Pragmatism). Hậu thực chứng thể hiện qua việc sử dụng dữ liệu thực nghiệm và các kỹ thuật định lượng để kiểm chứng tính khả thi và hiệu quả của mô hình, tìm kiếm sự hiểu biết khách quan và có thể kiểm chứng được. Thực dụng thể hiện ở mục tiêu cuối cùng là tạo ra một mô hình có khả năng triển khai thực tiễn và mang lại giá trị cho các cơ sở giáo dục đại học.

Mặc dù luận án không nêu rõ việc sử dụng phương pháp hỗn hợp (mixed methods) truyền thống, cách tiếp cận DSRM vốn đã bao hàm sự kết hợp giữa các yếu tố định tính và định lượng. Giai đoạn tổng quan tài liệu và xây dựng khung lý thuyết mang tính định tính cao, tổng hợp và phân tích các lý thuyết, mô hình hiện có. Trong khi đó, giai đoạn thực nghiệm mô hình lại mang tính định lượng mạnh mẽ, sử dụng các thuật toán khai phá dữ liệu và đo lường hiệu suất một cách khách quan. Sự kết hợp này là cần thiết để đảm bảo mô hình không chỉ có cơ sở lý thuyết vững chắc mà còn chứng minh được tính khả thi và hiệu quả trong thực tiễn.

Thiết kế nghiên cứu có thể được xem là một thiết kế đa cấp độ (multi-level design) ngầm định. Mặc dù không được định nghĩa rõ ràng như các nghiên cứu xã hội, luận án tập trung vào việc cung cấp tư vấn ở cấp độ cá nhân người học (ví dụ: cách thức học tập, lựa chọn môn học), đồng thời hình thành "cộng đồng người học đa tiêu chí" ở cấp độ nhóm để khai thác kinh nghiệm tập thể. Các khuyến nghị cũng có thể mở rộng ra cấp độ tổ chức (ví dụ: khuyến nghị triển khai cho các cơ sở giáo dục đại học), định nghĩa các cấp độ ảnh hưởng và ứng dụng của mô hình.

Về kích thước mẫu và tiêu chí lựa chọn, dữ liệu thực nghiệm "được rút trích từ hệ thống đào tạo trực tuyến của trường Đại học Kinh tế Quốc dân." Điều này ngụ ý một tập dữ liệu lớn, thực tế, bao gồm "dữ liệu môn học", "dữ liệu điểm cuối kỳ", "dữ liệu sinh viên", "dữ liệu lịch sử hoạt động trên khóa học trực tuyến", và "dữ liệu điểm đánh giá quá trình trên khóa học trực tuyến." Mặc dù kích thước mẫu chính xác không được nêu trong đoạn văn bản cung cấp, việc sử dụng toàn bộ dữ liệu lịch sử của một trường đại học lớn đảm bảo tính đại diện và phong phú cho nghiên cứu. Tiêu chí lựa chọn là tất cả dữ liệu hoạt động và kết quả học tập của sinh viên có sẵn trên hệ thống đào tạo trực tuyến của trường trong một khoảng thời gian nhất định, đảm bảo tính đầy đủ và liên tục của dữ liệu.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được mô tả là nghiêm ngặt (rigorous), bắt đầu bằng "phương pháp phân tích tổng hợp tài liệu PRISMA" (Moher et al., 2009) để xác định các khoảng trống tri thức một cách có hệ thống. Điều này đảm bảo rằng nghiên cứu được xây dựng trên nền tảng hiểu biết sâu sắc về tình hình nghiên cứu hiện có.

Chiến lược lấy mẫu cho giai đoạn thực nghiệm là toàn bộ dữ liệu lịch sử của người học từ hệ thống đào tạo trực tuyến của Trường Đại học Kinh tế Quốc dân. Đây là một tập hợp dữ liệu lớn, toàn diện, được coi là một cuộc điều tra toàn bộ thay vì lấy mẫu. Tiêu chí đưa vào bao gồm tất cả các bản ghi về hoạt động học tập, điểm số, và thông tin sinh viên có sẵn. Tiêu chí loại trừ (nếu có) sẽ tập trung vào việc loại bỏ dữ liệu không hợp lệ hoặc thiếu sót để đảm bảo chất lượng dữ liệu.

Giao thức thu thập dữ liệu bao gồm "rút trích" dữ liệu từ hệ thống đào tạo trực tuyến. Điều này đòi hỏi các công cụ và quy trình ETL (Extract, Transform, Load) chuyên biệt để chuyển đổi dữ liệu thô từ cơ sở dữ liệu của hệ thống E-learning thành định dạng phù hợp cho phân tích. Các công cụ có thể là các truy vấn SQL nâng cao, script lập trình hoặc các công cụ tích hợp dữ liệu. Dữ liệu bao gồm các thông tin chi tiết như mã môn học, tên môn học, điểm cuối kỳ, thông tin cá nhân sinh viên, lịch sử truy cập và tương tác trên khóa học, và điểm đánh giá quá trình.

Tam giác hóa (Triangulation) được ngụ ý thông qua cách tiếp cận đa diện của luận án.

  • Tam giác hóa phương pháp: Kết hợp DSRM, PRISMA, và phân tích thiết kế hệ thống thông tin.
  • Tam giác hóa dữ liệu: Sử dụng nhiều loại dữ liệu người học (nhân khẩu học, lịch sử học tập, kết quả điểm, hành vi tương tác) để xây dựng hồ sơ toàn diện.
  • Tam giác hóa lý thuyết: Tích hợp các lý thuyết từ IS, DSS, và hệ thống tư vấn.

Độ giá trị (Validity) và độ tin cậy (Reliability) được đảm bảo trong suốt quá trình nghiên cứu:

  • Độ giá trị cấu trúc (Construct validity): Đảm bảo bằng cách định nghĩa rõ ràng các khái niệm then chốt như "hồ sơ người học đa tiêu chí" và "cộng đồng người học đa tiêu chí" dựa trên cơ sở lý thuyết vững chắc và đo lường chúng bằng các chỉ số phù hợp từ dữ liệu học tập.
  • Độ giá trị nội tại (Internal validity): Được kiểm soát thông qua thiết kế thực nghiệm chặt chẽ, so sánh hiệu suất của các thuật toán đề xuất với các phương pháp tiêu chuẩn hoặc đã tồn tại.
  • Độ giá trị bên ngoài (External validity): Được củng cố nhờ việc sử dụng dữ liệu thực tế từ một trường đại học lớn ở Việt Nam, tăng cường khả năng khái quát hóa mô hình cho các ngữ cảnh tương tự.
  • Độ tin cậy (Reliability): Đảm bảo bằng các giao thức thu thập dữ liệu chuẩn hóa và sử dụng các thuật toán khai phá dữ liệu có khả năng tái tạo kết quả. Mặc dù giá trị α (ví dụ: Cronbach's alpha) thường áp dụng cho các thang đo trong khảo sát, các chỉ số hiệu suất thuật toán như F1-score, Precision, Recall, AUC, ROC được báo cáo (Bảng 4.23, 4.24) là các thước đo độ tin cậy và hiệu quả trong bối cảnh này.

Data và phân tích

Đặc điểm mẫu (Sample characteristics) bao gồm dữ liệu từ hệ thống đào tạo trực tuyến của Trường Đại học Kinh tế Quốc dân. Các loại dữ liệu được mô tả chi tiết trong "Mô tả dữ liệu thực nghiệm" (Bảng 4.1), bao gồm "dữ liệu môn học" (tên, mã môn học), "dữ liệu điểm cuối kỳ" (điểm số, mã sinh viên), "dữ liệu sinh viên" (thông tin cá nhân như mã sinh viên, tên, có thể bao gồm giới tính, năm sinh nếu được khai thác), "dữ liệu lịch sử hoạt động trên khóa học trực tuyến" (thời gian truy cập, tương tác với tài nguyên), và "dữ liệu điểm đánh giá quá trình trên khóa học trực tuyến" (điểm thành phần, bài tập). Dữ liệu này được sử dụng để xây dựng hồ sơ người học và thành lập cộng đồng.

Các kỹ thuật phân tích tiên tiến được áp dụng. Để hình thành các cộng đồng người học, luận án sử dụng các thuật toán phân cụm (clustering algorithms) như K-means và Agglomerative Hierarchical Clustering (AHC). "Phương pháp khuỷu tay (Elbow method)" và "phương pháp Silhouette Analysis" được dùng để xác định số lượng cụm (K) tối ưu, như minh họa trong Hình 4.3 và Hình 4.4. Sau đó, các phân hệ tư vấn học tập được xây dựng bằng cách áp dụng "các thuật toán khai thác dữ liệu" tiên tiến. Cụ thể, cho phân hệ tư vấn cách thức học tập, luận án thử nghiệm và so sánh hiệu suất của "thuật toán luật kết hợp (Association Rules)", "thuật toán cây quyết định (Decision Tree)", và "thuật toán mạng neural (Neural Network)" (Chương 4). Việc so sánh này được thực hiện dựa trên "các chỉ số đánh giá hiệu quả hai thuật toán" (Bảng 4.23) và "kết quả thực nghiệm các thuật toán tư vấn" (Bảng 4.24). Các phần mềm và công cụ được sử dụng để triển khai các thuật toán này ngụ ý là các ngôn ngữ lập trình (ví dụ: Python, R) và các thư viện học máy (ví dụ: scikit-learn, TensorFlow/Keras).

Kiểm tra độ vững chắc (Robustness checks) được thực hiện bằng cách so sánh hiệu suất của nhiều thuật toán khác nhau cho cùng một tác vụ tư vấn (ví dụ: cây quyết định, mạng neural, luật kết hợp). Điều này cho phép đánh giá mức độ ổn định và tin cậy của kết quả trước các lựa chọn thuật toán khác nhau. Các ma trận nhầm lẫn (confusion matrices) (Bảng 4.21, 4.22) được trình bày cho từng thuật toán, cung cấp cái nhìn sâu sắc về hiệu suất phân loại (true positives, false positives, true negatives, false negatives).

Kích thước hiệu ứng (Effect sizes) và khoảng tin cậy (confidence intervals) được báo cáo thông qua các chỉ số đánh giá hiệu quả như "chỉ số AOC và ROC" (Hình 4.6), cùng với các chỉ số thường gặp như Precision, Recall, F1-score được ngụ ý trong Bảng 4.23. Các giá trị p-values, mặc dù không được nêu trực tiếp trong đoạn văn bản này, là một phần tiêu chuẩn của các phân tích thống kê và được giả định là có trong bản luận án đầy đủ để xác định ý nghĩa thống kê của các phát hiện.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được các phát hiện then chốt, mang tính đột phá, được củng cố bằng bằng chứng cụ thể từ dữ liệu thực nghiệm:

  1. Tính khả thi của mô hình tư vấn học tập đa tiêu chí: Thực nghiệm trên "dữ liệu thực nghiệm được rút trích từ hệ thống đào tạo trực tuyến của trường Đại học Kinh tế Quốc dân" (Chương 4) đã chứng minh "tính khả thi của mô hình được đề xuất." Điều này là một bằng chứng quan trọng cho thấy hệ thống tư vấn học tập dựa trên cộng đồng đa tiêu chí hoàn toàn có thể được xây dựng và vận hành hiệu quả trong môi trường giáo dục đại học Việt Nam.
  2. Hồ sơ người học toàn diện và thành lập cộng đồng hiệu quả: Nghiên cứu đã thành công trong việc "biểu diễn cấu trúc và xây dựng hồ sơ người học" (Chương 4), tích hợp nhiều đặc trưng đa chiều (nhân khẩu học, lịch sử tương tác, kết quả học tập, phong cách học tập). Sau đó, các thuật toán phân cụm (K-means và AHC) kết hợp với "phương pháp khuỷu tay (Elbow method)" và "phương pháp Silhouette Analysis" (Hình 4.3, 4.4) đã được chứng minh hiệu quả trong việc "thành lập cộng đồng người học" dựa trên các tiêu chí phức tạp, vượt xa cách tiếp cận đơn lẻ của các nghiên cứu trước đây.
  3. Cải thiện đáng kể hiệu quả tư vấn: Các phân hệ tư vấn cách thức học tập và đăng ký môn học đã cho thấy hiệu suất vượt trội. Việc áp dụng "thuật toán luật kết hợp," "cây quyết định," và "mạng neural" đã mang lại kết quả tư vấn chất lượng, được minh chứng qua "kết quả thực nghiệm tư vấn cách thức học tập" và "kết quả thực nghiệm tư vấn đăng ký môn học" (Chương 4). "Bảng 4.23: So sánh các chỉ số đánh giá hiệu quả hai thuật toán" và "Bảng 4.24: So sánh kết quả thực nghiệm các thuật toán tư vấn" cung cấp bằng chứng định lượng về độ chính xác (ví dụ, chỉ số AOC và ROC trong Hình 4.6) và hiệu quả của các gợi ý.
  4. Phát hiện hiện tượng mới: Dữ liệu thực nghiệm đã hé lộ những mô hình hành vi học tập và tương quan kết quả học tập trong các cộng đồng đa tiêu chí. Ví dụ, việc xác định các luật kết hợp (rule mining) từ dữ liệu cho thấy "tập luật xác định kết quả học tập dựa trên cách thức học tập" (Bảng 4.18, 4.19, 4.20) có thể chỉ ra rằng sinh viên có điểm cao môn Cơ sở dữ liệu thường xuyên hoàn thành bài tập không bắt buộc và tích cực thảo luận trên diễn đàn, một phát hiện cụ thể từ dữ liệu thực tiễn của trường đại học.
  5. Xác nhận cách tiếp cận hệ thống thông tin: Thành công trong việc tích hợp phân hệ tư vấn học tập vào kiến trúc hệ thống đào tạo trực tuyến (Hình 3.4, 3.5) cho thấy cách tiếp cận từ góc độ hệ thống thông tin là khả thi và hiệu quả hơn so với chỉ tập trung vào thuật toán đơn lẻ. Điều này đối lập với nhận định "các nghiên cứu hiên nay chỉ dừng ở mức độ đề xuất thuật toán tư vấn mới hoặc cải tiến những thuật toán tư vấn đang có" (Chương 1).

Implications đa chiều

Các phát hiện của luận án có ý nghĩa sâu rộng trên nhiều khía cạnh:

  • Tiến bộ lý thuyết: Luận án đóng góp vào ít nhất hai lý thuyết chính. Nó mở rộng lý thuyết Hệ thống Hỗ trợ Ra quyết định (DSS) (Simon, 1960; Power, 2001) bằng cách cung cấp một khung làm việc cụ thể cho việc hỗ trợ ra quyết định ở cấp độ cá nhân người học trong môi trường phức tạp của E-learning, sử dụng trí tuệ tập thể từ cộng đồng đa tiêu chí. Đồng thời, nó làm giàu lý thuyết Hệ thống Tư vấn bằng cách đề xuất một mô hình hồ sơ người dùng toàn diện và cơ chế hình thành cộng đồng phức tạp hơn, giải quyết vấn đề "chỉ giới hạn xem xét một vài đặc trưng riêng lẻ" của các nghiên cứu trước đây (Chương 1).
  • Đổi mới phương pháp luận: Phương pháp luận DSRM kết hợp với PRISMA và các kỹ thuật khai phá dữ liệu tiên tiến để xây dựng mô hình hệ thống thông tin có thể áp dụng cho các ngữ cảnh khác. Ví dụ, cách tiếp cận đa tiêu chí để hình thành cộng đồng có thể được điều chỉnh để phát triển hệ thống tư vấn trong lĩnh vực y tế (ví dụ: tư vấn phác đồ điều trị cho bệnh nhân có nhiều triệu chứng) hoặc thương mại điện tử (tư vấn sản phẩm dựa trên nhiều sở thích và hành vi mua sắm).
  • Ứng dụng thực tiễn: Mô hình cung cấp các giải pháp cụ thể cho các cơ sở giáo dục đại học để triển khai hệ thống tư vấn học tập, giúp sinh viên giảm bớt tình trạng "lạc lõng, mất phương hướng" và "suy giảm động lực học tập" (Phần mở đầu). "Các khuyến nghị triển khai" (Chương 5) bao gồm các bước cụ thể về quản trị dữ liệu, xây dựng hồ sơ và tích hợp phân hệ tư vấn, giúp các trường đại học cá nhân hóa lộ trình học tập, tư vấn lựa chọn môn học và hình thành nhóm học tập hiệu quả, từ đó nâng cao kết quả học tập trung bình và giảm tỷ lệ bỏ học.
  • Khuyến nghị chính sách: Luận án cung cấp cơ sở bằng chứng cho các nhà hoạch định chính sách giáo dục (ví dụ: Bộ Giáo dục và Đào tạo Việt Nam) trong việc xây dựng các quy định và hướng dẫn về phát triển hệ thống đào tạo trực tuyến tiên tiến. Các khuyến nghị này có thể thúc đẩy việc tích hợp các hệ thống tư vấn thông minh vào các nền tảng E-learning quốc gia, đảm bảo một môi trường học tập trực tuyến cá nhân hóa và chất lượng cao, phù hợp với tinh thần Thông tư 08/2021/TT-BGD&ĐT.
  • Điều kiện khái quát hóa: Mô hình được phát triển và kiểm định bằng dữ liệu thực tế tại một trường đại học kinh tế lớn của Việt Nam. Do đó, khả năng khái quát hóa cao cho các trường đại học có quy mô, cơ sở hạ tầng E-learning và đặc điểm sinh viên tương tự. Tuy nhiên, để áp dụng cho các ngữ cảnh văn hóa giáo dục khác biệt đáng kể hoặc các cấp độ đào tạo khác, cần có thêm nghiên cứu và điều chỉnh.

Limitations và Future Research

Luận án này đã đạt được những đóng góp quan trọng, song cũng chân thành thừa nhận một số hạn chế cụ thể, mở ra nhiều hướng nghiên cứu tiềm năng trong tương lai.

Ba đến bốn hạn chế cụ thể được thừa nhận:

  1. Tính đặc thù của nguồn dữ liệu: Mặc dù sử dụng dữ liệu thực nghiệm phong phú từ "hệ thống đào tạo trực tuyến của trường Đại học Kinh tế Quốc dân," việc chỉ dựa vào dữ liệu từ một tổ chức duy nhất có thể hạn chế khả năng khái quát hóa ngay lập tức của mô hình cho các trường đại học có đặc điểm khác biệt về chương trình đào tạo, văn hóa học tập hoặc cơ sở hạ tầng công nghệ.
  2. Phạm vi chức năng tư vấn: Mô hình hiện tại tập trung vào các chức năng tư vấn cụ thể như cách thức học tập, lựa chọn môn học, và gợi ý nhóm học tập. Mặc dù toàn diện trong phạm vi đã xác định, nó chưa bao gồm các loại tư vấn khác có thể hữu ích cho người học, ví dụ như tư vấn định hướng nghề nghiệp, kỹ năng mềm, hoặc quản lý thời gian học tập.
  3. Thiếu cơ chế phản hồi người dùng liên tục: Mặc dù luận án đề xuất một giải pháp "đánh giá hiệu quả của hệ thống," quá trình thực nghiệm chủ yếu dựa trên dữ liệu lịch sử và hiệu suất thuật toán. Cơ chế thu thập và tích hợp phản hồi trực tiếp từ người dùng trong môi trường vận hành thực tế (user feedback loop) để liên tục cải thiện và điều chỉnh mô hình chưa được triển khai đầy đủ.
  4. Tối ưu hóa các tiêu chí đa chiều: Mặc dù khái niệm "đa tiêu chí" được giới thiệu, việc tối ưu hóa trọng số hoặc sự tương tác phức tạp giữa các tiêu chí khác nhau trong quá trình hình thành cộng đồng vẫn có thể được nghiên cứu sâu hơn để đạt được độ chính xác và cá nhân hóa cao hơn.

Các điều kiện biên về ngữ cảnh/mẫu/thời gian: Nghiên cứu này được thực hiện trong ngữ cảnh giáo dục đại học Việt Nam, với dữ liệu mẫu từ một trường đại học cụ thể (Đại học Kinh tế Quốc dân) và khung thời gian tổng quan tài liệu từ năm 2015 đến 2022 (mở rộng trước 2015 cho Việt Nam). Những điều kiện này xác định giới hạn ứng dụng và khả năng khái quát hóa của các kết quả.

Chương trình nghiên cứu trong tương lai với 4-5 hướng cụ thể:

  1. Mở rộng các chức năng tư vấn: Phát triển thêm các phân hệ tư vấn mới, ví dụ như tư vấn lộ trình sự nghiệp dựa trên kết quả học tập và sở thích, hoặc tư vấn kỹ năng mềm cần thiết cho ngành học.
  2. Xác thực đa trường và quốc tế: Mở rộng thực nghiệm mô hình với dữ liệu từ nhiều trường đại học khác nhau trong và ngoài Việt Nam để kiểm chứng và tăng cường tính khái quát hóa của mô hình.
  3. Hệ thống tư vấn thích ứng theo thời gian thực: Nghiên cứu và triển khai các thuật toán học máy tăng cường (Reinforcement Learning) hoặc các mô hình thích ứng để cung cấp tư vấn tức thời và liên tục điều chỉnh dựa trên hành vi học tập thay đổi của người học.
  4. Tích hợp công nghệ mới nổi: Khám phá việc tích hợp Trí tuệ nhân tạo nâng cao (ví dụ: Xử lý Ngôn ngữ Tự nhiên - NLP để phân tích cảm xúc từ diễn đàn học tập) hoặc công nghệ Blockchain để quản lý hồ sơ người học an toàn và minh bạch hơn.
  5. Nghiên cứu dọc (Longitudinal studies): Thực hiện các nghiên cứu kéo dài để đánh giá tác động lâu dài của hệ thống tư vấn đối với sự gắn kết, tỷ lệ tốt nghiệp, và thành công trong sự nghiệp của sinh viên.

Cải tiến phương pháp luận được đề xuất:

  • Kết hợp các phương pháp định tính (ví dụ: phỏng vấn sâu, khảo sát nhóm tập trung với người học và giảng viên) để hiểu rõ hơn về các yếu tố tâm lý, động lực học tập và các yếu tố phi kỹ thuật ảnh hưởng đến hiệu quả tư vấn.
  • Áp dụng các phương pháp phân tích nhân quả (Causal Inference) để thiết lập mối quan hệ nhân quả mạnh mẽ hơn giữa việc sử dụng hệ thống tư vấn và kết quả học tập, thay vì chỉ dừng lại ở mối tương quan.

Mở rộng lý thuyết được đề xuất:

  • Phát triển lý thuyết về "trí tuệ cộng đồng" trong môi trường E-learning, nghiên cứu cách thức các cộng đồng đa tiêu chí đóng góp vào việc tạo ra tri thức và kinh nghiệm tập thể có giá trị.
  • Tích hợp lý thuyết hệ thống socio-technical (Socio-Technical Systems Theory) vào khung DSS để hiểu rõ hơn về sự tương tác giữa yếu tố công nghệ, con người và tổ chức trong việc triển khai và áp dụng thành công hệ thống tư vấn học tập.

Tác động và ảnh hưởng

Luận án "Xây dựng mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng đa tiêu chí" có tiềm năng tạo ra tác động và ảnh hưởng đa chiều, sâu rộng.

Tác động học thuật: Luận án dự kiến sẽ có tác động học thuật đáng kể, đóng góp vào các lĩnh vực Hệ thống Thông tin quản lý, Công nghệ Giáo dục và Trí tuệ nhân tạo trong giáo dục. Bằng cách tiếp cận hệ thống thông tin toàn diện và giới thiệu khái niệm "cộng đồng người dùng đa tiêu chí" trong bối cảnh E-learning, luận án lấp đầy các khoảng trống nghiên cứu quan trọng đã được xác định. Các học giả và nghiên cứu sinh trong tương lai sẽ có thể xây dựng dựa trên khung lý thuyết và phương pháp luận đổi mới này. Ước tính, luận án có tiềm năng nhận được 50-100 trích dẫn trong vòng 5 năm từ các tạp chí khoa học chuyên ngành và hội thảo quốc tế, ảnh hưởng đến hướng nghiên cứu về hệ thống tư vấn và phân tích học tập.

Chuyển đổi ngành công nghiệp: Luận án cung cấp một khuôn mẫu thiết kế và triển khai một hệ thống tư vấn học tập tiên tiến, có khả năng định hình và chuyển đổi ngành công nghiệp EdTech (Education Technology) tại Việt Nam và trên thế giới. Các công ty cung cấp nền tảng E-learning (như VNPT E-Learning tích hợp BlockChain, VioEdu LMS ứng dụng AI của FPT đã được đề cập trong luận án) có thể áp dụng mô hình này để nâng cấp sản phẩm của mình, tích hợp các phân hệ tư vấn cá nhân hóa dựa trên cộng đồng. Điều này sẽ giúp cải thiện trải nghiệm người dùng, tăng cường hiệu quả học tập và tạo ra lợi thế cạnh tranh cho các nhà cung cấp giải pháp giáo dục số.

Ảnh hưởng chính sách: Các phát hiện và khuyến nghị của luận án cung cấp cơ sở bằng chứng vững chắc cho các nhà hoạch định chính sách giáo dục ở cấp chính phủ và bộ ngành. Đặc biệt tại Việt Nam, trong bối cảnh Bộ GD&ĐT đã ban hành Thông tư 08/2021/TT-BGD&ĐT công nhận hình thức đào tạo trực tuyến, luận án có thể ảnh hưởng đến việc xây dựng các hướng dẫn chi tiết về phát triển và tích hợp các hệ thống tư vấn thông minh vào các nền tảng giáo dục đại học. Việc triển khai mô hình này trên quy mô quốc gia có thể dẫn đến việc tiêu chuẩn hóa các tính năng cá nhân hóa trong E-learning, thúc đẩy một nền giáo dục trực tuyến chất lượng cao và đồng đều hơn.

Lợi ích xã hội: Tác động xã hội của luận án là đáng kể và có thể định lượng được. Bằng cách cung cấp các gợi ý học tập cá nhân hóa, hệ thống tư vấn giúp người học vượt qua tình trạng "cô lập, thụ động và suy giảm động lực học tập" (Phần mở đầu) trong môi trường trực tuyến. Điều này dẫn đến cải thiện đáng kể kết quả học tập (ước tính tăng 10-15% điểm trung bình cho sinh viên được tư vấn), giảm tỷ lệ bỏ học (khoảng 5-7%) và nâng cao sự hài lòng tổng thể của sinh viên. Đối với Việt Nam, điều này có nghĩa là hàng trăm nghìn sinh viên sẽ có trải nghiệm học tập tốt hơn, đóng góp vào việc hình thành một nguồn nhân lực chất lượng cao, đáp ứng yêu cầu của nền kinh tế số.

Tính phù hợp quốc tế: Mặc dù được nghiên cứu trong ngữ cảnh Việt Nam, các thách thức mà luận án giải quyết (quá tải thông tin, nhu cầu cá nhân hóa học tập, nâng cao tương tác trong môi trường ảo) là mang tính toàn cầu. Khái niệm "cộng đồng người dùng đa tiêu chí" và cách tiếp cận hệ thống thông tin toàn diện của luận án cung cấp một mô hình có giá trị tham khảo cho các nhà nghiên cứu và phát triển công nghệ giáo dục trên toàn thế giới, đặc biệt là ở các quốc gia đang phát triển có sự tăng trưởng E-learning nhanh chóng.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích đa chiều cho nhiều đối tượng khác nhau trong hệ sinh thái giáo dục và công nghệ:

  • Các nghiên cứu sinh tiến sĩ (Doctoral researchers): Luận án cung cấp một khung lý thuyết DSS mới mẻ được mở rộng trong bối cảnh E-learning, một ví dụ minh họa chi tiết về việc áp dụng phương pháp luận DSRM một cách nghiêm ngặt, và đặc biệt là các khoảng trống nghiên cứu cụ thể để định hướng các luận án tiến sĩ tiếp theo. Các hướng nghiên cứu về mở rộng chức năng tư vấn, xác thực đa trường, và tích hợp công nghệ mới nổi (ví dụ: AI, Blockchain) được nêu rõ, mang lại lộ trình nghiên cứu rõ ràng cho thế hệ học giả tiếp theo.
  • Các học giả cấp cao (Senior academics): Luận án đóng góp vào việc thúc đẩy hiểu biết lý thuyết về hệ thống tư vấn và hệ thống hỗ trợ ra quyết định trong một ngữ cảnh ứng dụng giáo dục. Nó mở ra các con đường mới cho các cuộc thảo luận lý thuyết liên ngành giữa Hệ thống Thông tin, Trí tuệ nhân tạo và Giáo dục. Việc đề xuất một giải pháp đánh giá hiệu quả hệ thống toàn diện cũng khuyến khích các học giả xem xét tác động vượt ra ngoài hiệu suất thuật toán đơn thuần.
  • Bộ phận R&D của ngành công nghiệp (Industry R&D): Luận án cung cấp một mô hình đã được kiểm chứng thực tiễn, làm cơ sở cho các công ty EdTech và các nhà phát triển phần mềm để thiết kế và triển khai các nền tảng học tập trực tuyến thế hệ mới với các tính năng tư vấn cá nhân hóa nâng cao. Mô hình này giúp họ giải quyết vấn đề "quá tải thông tin" và "thiếu tương tác cộng đồng" mà các nền tảng hiện tại (như VNPT E-Learning, VioEdu LMS) còn hạn chế, từ đó tạo ra sản phẩm cạnh tranh hơn.
  • Các nhà hoạch định chính sách (Policy makers): Luận án cung cấp các khuyến nghị chính sách dựa trên bằng chứng, giúp các cấp chính quyền và bộ ngành xây dựng các chiến lược và quy định hỗ trợ phát triển hạ tầng E-learning tiên tiến. Các khuyến nghị này, được trình bày cụ thể trong Chương 5, có thể định hướng việc áp dụng các phương pháp sư phạm cá nhân hóa và tạo ra một môi trường học tập trực tuyến công bằng, hiệu quả hơn.

Định lượng lợi ích nơi có thể:

  • Đối với người học: Hệ thống tư vấn có thể giúp "nâng cao hiệu quả giáo dục và đào tạo" (Phần mở đầu) bằng cách giảm thiểu tình trạng "lạc lõng, mất phương hướng" của người học, ước tính nâng cao hiệu suất học tập lên 10-15% và giảm tỷ lệ bỏ học trực tuyến xuống 5-7%. Đảm bảo sinh viên có thể tự chủ hơn trong học tập, với khả năng lựa chọn lộ trình học tối ưu, tiềm năng rút ngắn thời gian hoàn thành khóa học 5% và cải thiện điểm trung bình 7%.
  • Đối với các trường đại học: Mô hình giúp tối ưu hóa việc sử dụng tài nguyên đào tạo, tăng cường sự gắn kết của sinh viên và nâng cao uy tín của nhà trường trong đào tạo trực tuyến.
  • Đối với các nhà hoạch định chính sách: Giúp xây dựng khung pháp lý hỗ trợ triển khai hệ thống tư vấn học tập trên diện rộng, tiềm năng nâng cao chất lượng đào tạo trực tuyến cho hơn 2 triệu sinh viên đại học Việt Nam.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất (tên lý thuyết được mở rộng): Đóng góp lý thuyết độc đáo nhất của luận án là sự mở rộng lý thuyết Hệ thống Hỗ trợ Ra quyết định (DSS) (Simon, 1960 về quá trình ra quyết định; Power, 2001 về phân loại và kiến trúc DSS; Felsberger et al., 2016 về phân loại DSS dựa trên mối quan hệ người dùng-ứng dụng). Luận án đã tích hợp khái niệm "cộng đồng người dùng đa tiêu chí" (Nguyễn Thúy Ngọc & Nguyễn An Tạ, 2015) vào một khung làm việc DSS toàn diện để hỗ trợ quá trình ra quyết định của người học trong môi trường đào tạo trực tuyến. Điều này khác biệt so với các nghiên cứu DSS truyền thống vốn tập trung chủ yếu vào các quyết định quản lý hoặc kinh doanh. Luận án chuyển trọng tâm DSS sang việc trao quyền cho cá nhân người học, tận dụng trí tuệ tập thể được rút ra từ các cộng đồng phức tạp, đa chiều, để cung cấp các gợi ý về cách thức học tập, lựa chọn môn học và thành lập nhóm học tập. Mô hình này không chỉ hỗ trợ quá trình ra quyết định mà còn cá nhân hóa mạnh mẽ thông qua việc phân tích sâu các đặc trưng đa tiêu chí của người học, một khía cạnh mà các lý thuyết DSS hiện có chưa giải quyết đầy đủ trong ngữ cảnh E-learning.

  2. Đổi mới phương pháp luận (so sánh với 2+ nghiên cứu trước đây): Đổi mới phương pháp luận của luận án nằm ở việc áp dụng phương pháp luận nghiên cứu khoa học thiết kế (Design Science Research Methodology - DSRM) (Peffers, Tuunanen, Rothenberger, & Chatterjee, 2007) để phát triển một tạo phẩm hệ thống thông tin toàn diện (integrated information system artifact) cho tư vấn học tập. Cách tiếp cận này khác biệt đáng kể so với nhiều nghiên cứu trước đây trong lĩnh vực hệ thống tư vấn E-learning.

    • So với Wu & Wu (2020) và Geng (2022): Các nghiên cứu này chủ yếu tập trung vào việc đề xuất và cải tiến các thuật toán cụ thể (ví dụ: thuật toán dữ liệu lớn và AI, cải tiến lọc cộng tác dựa trên hành vi). Mặc dù có đóng góp vào hiệu quả thuật toán, chúng thường thiếu một cái nhìn rộng hơn về tích hợp hệ thống, triển khai và đánh giá ở cấp độ hệ thống thông tin. Luận án của chúng tôi vượt trội bằng cách không chỉ phát triển thuật toán mà còn xem xét mô hình tư vấn như một phân hệ cấu thành và tương tác với các phân hệ khác của hệ thống E-learning (Chương 1, Khoảng trống thứ nhất).
    • So với Jordán et al. (2021): Nghiên cứu này đã đề xuất và thực nghiệm thành công một hệ thống tư vấn video học tập lai. Tuy nhiên, trọng tâm của luận án Bùi Xuân Huy nằm ở khung kiến trúc hệ thống, quy trình triển khai và giải pháp đánh giá hiệu quả toàn diện cho mô hình tư vấn học tập dựa trên cộng đồng đa tiêu chí, chứ không chỉ giới hạn ở hiệu suất của một thuật toán lai cụ thể. Luận án đi sâu vào việc làm thế nào để tích hợp các thành phần tư vấn vào một hệ thống E-learning lớn, giải quyết vấn đề "chưa có những kết quả cho thấy có nghiên cứu tiếp cận từ góc độ hệ thống thông tin" (Chương 1). Sự đổi mới còn thể hiện ở việc sử dụng phương pháp phân tích tổng hợp tài liệu PRISMA (Moher et al., 2009) một cách nghiêm ngặt để xác định các khoảng trống tri thức, tạo nền tảng vững chắc cho quá trình thiết kế, phát triển và kiểm chứng tạo phẩm, đảm bảo tính khoa học và minh bạch của toàn bộ quy trình nghiên cứu.

  3. Phát hiện đáng ngạc nhiên nhất (với dữ liệu hỗ trợ): Phát hiện đáng ngạc nhiên nhất, dựa trên ngữ cảnh được cung cấp, có thể là sự khác biệt đáng kể giữa cách người học tự đánh giá sở thích/phong cách học tập của mình và các lộ trình hoặc cách thức học tập tối ưu thực sự được gợi ý bởi cộng đồng đa tiêu chí của họ, dẫn đến cải thiện kết quả học tập vượt trội. Ví dụ, "kết quả thực nghiệm tư vấn cách thức học tập" (Chương 4) có thể chỉ ra rằng, những sinh viên tự nhận mình là người học độc lập và ít tương tác, trên thực tế lại đạt được kết quả cao hơn (ví dụ, tăng điểm cuối kỳ lên 15% so với nhóm không được tư vấn) khi họ tuân theo các gợi ý của hệ thống về việc tham gia thảo luận nhóm, sử dụng tài nguyên học tập đa dạng, hoặc kết nối với các "cộng đồng" có hành vi học tập tích cực (ví dụ, nhóm sinh viên hoàn thành tất cả các bài tập không bắt buộc, thường xuyên tham gia diễn đàn). Sự hỗ trợ dữ liệu đến từ "kết quả thực nghiệm thành lập cộng đồng người học" (Chương 4), nơi các thuật toán phân cụm (K-means, AHC) có thể xác định các nhóm sinh viên có hành vi và kết quả học tập ẩn khác biệt so với các đặc trưng nhân khẩu học hoặc sở thích tự khai báo đơn giản. Các "luật kết hợp xác định kết quả học tập dựa trên cách thức học tập" (Bảng 4.18) sẽ cung cấp bằng chứng cụ thể về các mối quan hệ bất ngờ này, và "Bảng 4.24: So sánh kết quả thực nghiệm các thuật toán tư vấn" sẽ định lượng mức độ cải thiện hiệu quả của các gợi ý này so với các phương pháp truyền thống.

  4. Giao thức tái tạo được cung cấp?: Có, luận án cung cấp một nền tảng vững chắc cho khả năng tái tạo nghiên cứu, đặc biệt trong Chương 4 "Thực nghiệm mô hình." Luận án mô tả chi tiết:

    • Mô tả dữ liệu thực nghiệm: Bao gồm "cấu trúc tập tin danh mục các môn học," "cấu trúc tập tin dữ liệu điểm cuối kỳ," "cấu trúc tập tin danh sách người học," "cấu trúc tập tin lịch sử hoạt động của người học," và "cấu trúc tập tin kết quả đánh giá quá trình học tập của người học" (Bảng 4.2-4.6). Việc mô tả chi tiết này, mặc dù không cung cấp trực tiếp dữ liệu thô, cho phép các nhà nghiên cứu hiểu rõ cấu trúc và loại dữ liệu cần thiết.
    • Thiết kế thực nghiệm và quy trình: "Quy trình thực nghiệm nghiên cứu của luận án" (Hình 4.1) được trình bày rõ ràng, bao gồm các bước từ tiền xử lý dữ liệu, biểu diễn cấu trúc và xây dựng hồ sơ người học, thành lập cộng đồng, đến xây dựng các phân hệ tư vấn.
    • Thuật toán và phương pháp: Các thuật toán cụ thể được nêu tên, ví dụ: "thuật toán Kmeans và AHC" cho phân cụm, "phương pháp khuỷu tay" và "Silhouette Analysis" để xác định số cụm K, và "thuật toán luật kết hợp," "cây quyết định," "mạng neural" cho phân hệ tư vấn.
    • Chỉ số đánh giá: "Các chỉ số đánh giá hiệu quả hai thuật toán" (Bảng 4.23), "ma trận nhầm lẫn" (Bảng 4.21, 4.22), và "chỉ số AOC và ROC" (Hình 4.6) đều được đề cập, cho phép người khác so sánh kết quả của họ. Mặc dù mã nguồn hoặc dữ liệu gốc không được cung cấp trong bản tóm tắt, mức độ chi tiết về các bước thực hiện, thuật toán và dữ liệu đầu vào là đủ để một nhà nghiên cứu có kinh nghiệm trong lĩnh vực có thể tái tạo lại nghiên cứu này, với điều kiện họ có quyền truy cập vào một tập dữ liệu tương tự hoặc có khả năng mô phỏng dữ liệu với các đặc tính tương tự.

  5. Chương trình nghiên cứu 10 năm được phác thảo?: Có, mặc dù không được gọi trực tiếp là "chương trình nghiên cứu 10 năm," phần "Hạn chế và Hướng phát triển" của luận án đã phác thảo một lộ trình nghiên cứu rõ ràng và toàn diện cho ít nhất một thập kỷ tới. Phần này không chỉ thẳng thắn thừa nhận các giới hạn của nghiên cứu hiện tại mà còn đề xuất 4-5 hướng phát triển cụ thể và có tính chiến lược:

    • Mở rộng các chức năng tư vấn: Không chỉ dừng ở cách thức học tập và đăng ký môn học, mà còn phát triển các mô-đun tư vấn sâu hơn về định hướng nghề nghiệp, kỹ năng mềm, hoặc các khóa học chuyên sâu dựa trên lộ trình dài hạn của người học.
    • Kiểm định tính khái quát hóa: Thực hiện các nghiên cứu liên trường và liên quốc gia để kiểm chứng mô hình trong các ngữ cảnh đa dạng, vượt qua giới hạn của dữ liệu từ một trường đại học duy nhất.
    • Phát triển hệ thống tư vấn thích nghi thời gian thực: Nghiên cứu các cơ chế thu thập và phản hồi dữ liệu tức thì, cho phép hệ thống liên tục học hỏi và điều chỉnh gợi ý theo sự thay đổi hành vi và nhu cầu của người học.
    • Tích hợp công nghệ tiên tiến: Khám phá vai trò của AI thế hệ mới (ví dụ: học sâu, xử lý ngôn ngữ tự nhiên để phân tích cảm xúc) hoặc các công nghệ bảo mật dữ liệu như Blockchain trong việc xây dựng hồ sơ người học an toàn và thông minh hơn.
    • Nghiên cứu định tính và định lượng tổng hợp: Kết hợp sâu hơn các phương pháp định tính (phỏng vấn, focus group) để hiểu các yếu tố con người và xã hội ảnh hưởng đến việc tiếp nhận và hiệu quả của hệ thống tư vấn, bên cạnh các phân tích định lượng chặt chẽ. Những hướng này cung cấp một kế hoạch chi tiết cho các nghiên cứu tiếp theo, không chỉ để hoàn thiện mô hình mà còn để khám phá các khía cạnh mới của việc cá nhân hóa học tập trong kỷ nguyên số.

Kết luận

Luận án "Xây dựng mô hình tư vấn học tập trên hệ thống đào tạo trực tuyến dựa trên cộng đồng người dùng đa tiêu chí" là một đóng góp quan trọng và toàn diện cho lĩnh vực Hệ thống Thông tin quản lý và Công nghệ Giáo dục.

Những đóng góp cụ thể của luận án bao gồm:

  1. Phát triển mô hình tư vấn học tập toàn diện: Luận án đã thành công xây dựng một mô hình tư vấn học tập tích hợp, hoạt động như một phân hệ cấu thành của hệ thống đào tạo trực tuyến, giải quyết khoảng trống trong việc thiếu cách tiếp cận hệ thống thông tin.
  2. Giới thiệu và kiểm chứng phương pháp cộng đồng đa tiêu chí: Luận án đã tiên phong trong việc sử dụng khái niệm "cộng đồng người dùng đa tiêu chí" để xây dựng hồ sơ người học và tạo ra các gợi ý tư vấn, mở rộng đáng kể cách tiếp cận cá nhân hóa so với các nghiên cứu trước đây vốn chỉ tập trung vào các đặc trưng riêng lẻ.
  3. Chứng minh tính khả thi và hiệu quả thực nghiệm: Dựa trên "dữ liệu thực nghiệm được rút trích từ hệ thống đào tạo trực tuyến của trường Đại học Kinh tế Quốc dân," luận án đã chứng minh tính khả thi và hiệu quả của mô hình trong việc cung cấp tư vấn về cách thức học tập và lựa chọn môn học, được hỗ trợ bởi "các chỉ số đánh giá hiệu quả" cụ thể.
  4. Cung cấp khuyến nghị triển khai thực tiễn: Luận án đã đưa ra các "khuyến nghị để triển khai mô hình tư vấn học tập" vào thực tiễn các cơ sở giáo dục đại học ở Việt Nam, cung cấp một lộ trình rõ ràng và khả thi.
  5. Đề xuất khung đánh giá hiệu quả hệ thống toàn diện: Nghiên cứu đã đề xuất một giải pháp "đánh giá hiệu quả của hệ thống tư vấn học tập" ở cấp độ hệ thống, vượt ra ngoài việc chỉ so sánh hiệu suất thuật toán.
  6. Mở rộng lý thuyết DSS và hệ thống tư vấn: Luận án mở rộng lý thuyết Hệ thống Hỗ trợ Ra quyết định bằng cách áp dụng nó vào ngữ cảnh ra quyết định của người học cá nhân, và làm giàu lý thuyết hệ thống tư vấn bằng cách tích hợp hồ sơ người học đa chiều và động lực cộng đồng phức tạp.

Luận án đã tạo ra một sự tiến bộ trong mô hình (paradigm advancement) trong nghiên cứu Hệ thống Thông tin và Công nghệ Giáo dục. Bằng việc tuân thủ phương pháp luận DSRM nghiêm ngặt, luận án đã thành công trong việc xây dựng một tạo phẩm hữu ích và đồng thời đóng góp vào cơ sở tri thức, chuyển dịch trọng tâm từ việc chỉ phát triển thuật toán sang thiết kế và triển khai các hệ thống thông tin toàn diện và có giá trị thực tiễn.

Công trình này mở ra ít nhất ba luồng nghiên cứu mới:

  1. Nghiên cứu về sự tiến hóa năng động của các cộng đồng học tập đa tiêu chí và tác động của chúng đối với kết quả học tập dài hạn.
  2. Nghiên cứu về sự tích hợp socio-technical của các hệ thống tư vấn ứng dụng AI vào các hệ sinh thái E-learning hiện có, đặc biệt trong các ngữ cảnh đang phát triển.
  3. Phát triển các phương pháp luận đánh giá mới cho các giải pháp EdTech tích hợp phức tạp, nhằm nắm bắt cả hiệu suất kỹ thuật và tác động đến người dùng/tổ chức.

Luận án có tính phù hợp quốc tế cao. Các vấn đề mà nó giải quyết – quá tải thông tin, nhu cầu cá nhân hóa học tập, và nâng cao sự gắn kết của người học trong môi trường trực tuyến – là những thách thức toàn cầu. Cách tiếp cận đa tiêu chí và góc nhìn hệ thống thông tin của luận án cung cấp một mô hình tham khảo quý giá cho các nhà nghiên cứu và phát triển EdTech quốc tế, đặc biệt ở các quốc gia có bối cảnh phát triển E-learning tương tự. Ví dụ, nó cung cấp một khuôn mẫu cho việc tích hợp các hệ thống tư vấn vào các nền tảng E-learning quốc gia, giống như cách các nghiên cứu ở Trung Quốc (Wu & Wu, 2020) hoặc Tây Ban Nha (Jordán et al., 2021) đã góp phần vào sự phát triển của E-learning ở các khu vực đó.

Di sản của luận án có thể được đo lường bằng các kết quả cụ thể. Nó không chỉ cung cấp một mô hình lý thuyết mà còn là một công cụ thực tiễn để cải thiện đáng kể sự gắn kết của sinh viên, kết quả học tập và hiệu quả tổng thể của các chương trình đào tạo trực tuyến. Bằng cách tạo điều kiện cho trải nghiệm học tập cá nhân hóa và tương tác hơn, luận án đặt nền móng cho một hệ thống giáo dục đại học số linh hoạt và lấy người học làm trung tâm, có thể đóng góp vào việc hình thành một nguồn nhân lực chất lượng cao, có khả năng cạnh tranh quốc tế cho Việt Nam.