Tiểu luận phương pháp luận nghiên cứu khoa học

Tiểu luận phương pháp luận nghiên cứu khoa học XÂY DỰNG ĐỀ CƯƠNG NGHIÊN CỨU CHO MỘT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC ên đề tài Phát triển một mô hình máy học để dự đoán hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến. 1.2. Mục tiêu nghiên cứu Mục tiêu chính của nghiên cứu này là phát triển một mô hình học máy có thể dự đoán chính xác hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến. Các mục tiêu cụ thể của nghiên cứu bao gồm:

BỘ THÔNG TIN VÀ TRUYỀN THÔNG

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

TIỂU LUẬN

PHƯƠNG PHÁP LUẬN NGHIÊN CỨU KHOA HỌC

Giảng viên: Từ Thảo Hương Giang

Học phần: Phương pháp luận nghiên cứu khoa học

Họ và tên sinh viên: Cù Nguyên Giáp Mã sinh viên: B22DCAT102

Lớp: E22CQCN05

Số điện thoại: 0911614026

LỜI NÓI ĐẦU

Trong bối cảnh của xã hội thông tin nhanh chóng phát triển và tri thức liên tục được mở rộng, việc theo đuổi kiến thức và kỹ năng nghiên cứu khoa học trở thành nhu cầu cấp thiết và là nền tảng vững chắc cho sự phát triển lâu dài của mỗi nhà nghiên cứu

Mục tiêu của tiểu luận không chỉ nhằm giới thiệu và phân tích sâu về các phương pháp luận mà còn hướng tới việc áp dụng chúng một cách sáng tạo và hiệu quả trong nghiên cứu khoa học, qua đó đúc kết được kiến thức và kinh nghiệm thiết yếu cho sự nghiệp học thuật của mình Đồng thời, tiểu luận còn nhấn mạnh tới việc xác định và giải quyết các vấn đề trong nghiên cứu để tạo ra những giá trị khoa học có tính ứng dụng, góp phần làm phong phú thêm khối kiến thức chung của nhân loại

Trong quá trình thực hiện tiểu luận, không tránh khỏi những hạn chế và thiếu sót Tôi xin được gửi lời biết ơn sâu sắc tới Giảng viên hướng dẫn, cùng tất cả các thầy cô đã truyền đạt kiến thức quý báu và tạo điều kiện cho tôi trong suốt khóa học Tôi cũng xin cảm ơn bạn bè và người thân đã hỗ trợ tôi không chỉ trong học tập mà còn trong cuộc sống Mọi góp ý và phản hồi sẽ được tôi trân trọng, như một nguồn động viên quý giá cho những nghiên cứu tiếp theo

Hà Nội, tháng 04 năm 2024

1.2 Mục tiêu nghiên cứu 6

1.3 Đối tượng và phạm vi nghiên cứu 6

1.3.1 Đối tượng nghiên cứu 7

1.3.1 Phạm vi nghiên cứu 7

1.3.1.1 Nền tảng học trực tuyến 7

1.3.1.2 Cơ sở giáo dục đại học 7

1.3.1.3 Dữ liệu sinh viên 7

1.3.1.4 Mô hình học máy 7

1.3.2 Phạm vi địa lý 7

1.3.3 Phạm vi thời gian 7

1.4 Câu hỏi và giả thuyết nghiên cứu 8

1.4.1 Câu hỏi nghiên cứu 8

1.4.2 Giả Thuyết Nghiên Cứu 8

1.5 Phương pháp nghiên cứu 8

1.5.1 Thiết kế nghiên cứu 8

1.5.2 Thu thập dữ liệu 8

1.5.2.1 Xác Định Ngữ Cảnh và Nguồn Dữ Liệu 9

1.5.2.2 Thu Thập Đặc Điểm Dân Số của Sinh Viên 9

1.5.2.3 Thu Thập Dữ Liệu Hành Vi Học Tập 9

1.5.2.4 Thu Thập Dữ Liệu Về Hiệu Suất Học Tập 9

1.5.2.5 Đảm Bảo Tính Tuân Thủ và Bảo Mật 9

1.5.3.1 Tiền Xử Lý Dữ Liệu 9

1.5.3.2 Kiểm định giả thuyết 9

1.5.3.3 Phân tích hồi quy 9

1.6 Tình hình nghiên cứu trong và ngoài nước 13

1.6.1 Nghiên cứu ở Việt Nam 13

1.6.2 Nghiên cứu ở nước ngoài 13

1.6.3 Khoảng trống và hạn chế 13

1.6.4 Đóng góp nghiên cứu: 13

PHẦN 2: PHÂN TÍCH BÀI BÁO KHOA HỌC SỐ 3 15

2.1 Cấu trúc logic 15

2.1.1 Mở đầu và giới thiệu 15

2.1.2 Rà soát Văn học và Lý thuyết: 15

2.1.3 Đặt Câu Hỏi và Giả Thuyết Nghiên Cứu: 15

2.1.4 Phương Pháp Nghiên Cứu: 15

2.1.5 Phân Tích và Thảo Luận Kết Quả: 15

2.1.6 Kết Luận và Đề Xuất: 16

2.2 Vấn đề (câu hỏi) nghiên cứu của công trình khoa học 16

2.3 Luận điểm được tác giả trình bày trong công trình khoa học và luận cứ (luận cứ lý thuyết và luận cứ thực tiễn) được tác giả sử dụng để chứng minh luận điểm 16

2.3.1 Luận điểm của tác giả 16

2.3.2 Luận cứ lý thuyết: 16

2.3.3 Luận cứ thực tiễn 17

2.4 Phương pháp lập luận (diễn dịch, quy nạp, loại suy) được tác giả sử dụng trong quá trình tổ chức luận cứ để chứng minh luận điểm Nội dung tác giả đã áp dụng phương pháp đó 17

2.5 Nội dung có giá trị gợi ý cho một hướng nghiên cứu mới liên quan tới một mặt yếu nào đó trong công trình và ý tưởng khoa học 19

2.5.1 Nội dung có giá trị gợi ý 19

2.5.2 Đề xuất ý tưởng khoa học 19

KẾT LUẬN 20

TRÍCH DẪN 21

DANH MỤC CÁC TỪ VIẾT TẮT

3 FERPA Family Educational Rights and Privacy Act

PHẦN 1: XÂY DỰNG ĐỀ CƯƠNG NGHIÊN CỨU CHO MỘT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC

1.1 Tên đề tài

Phát triển một mô hình máy học để dự đoán hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến

1.2 Mục tiêu nghiên cứu

Mục tiêu chính của nghiên cứu này là phát triển một mô hình học máy có thể dự đoán chính xác hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến Các mục tiêu cụ thể của nghiên cứu bao gồm:

Một là nhận dạng các yếu tố liên quan nhất ảnh hưởng đến hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến, bao gồm các đặc điểm dân số, hành vi học tập, và các biến liên quan đến khóa học

Hai là phát triển và đào tạo một mô hình học máy có thể dự đoán hiệu suất học tập của sinh viên dựa trên các yếu tố đã xác định, sử dụng tập dữ liệu về tương tác của học sinh và hồ sơ hiệu suất từ các nền tảng học trực tuyến

Ba là đánh giá hiệu suất của mô hình học máy đã phát triển sử dụng các chỉ số như độ chính xác, độ chính xác, độ nhớ lại và F1-score, và so sánh hiệu suất của nó với các mô hình hiện có và các cơ sở dữ liệu

Bốn là nghiên cứu hiệu quả của mô hình đã phát triển trong việc xác định sinh viên có nguy cơ và cung cấp cảnh báo sớm cho giáo viên và nhà giáo dục, với mục tiêu cải thiện kết quả của sinh viên và giảm tỷ lệ bỏ học

Năm là khám phá các ứng dụng tiềm năng của mô hình đã phát triển trong học tập cá nhân hóa, đánh giá thích ứng và khai thác dữ liệu giáo dục, và thảo luận về ý nghĩa của nó đối với các nền tảng học trực tuyến và các cơ sở giáo dục

Bằng cách đạt được những mục tiêu này, nghiên cứu này mong muốn góp phần vào việc phát triển các hệ thống học trực tuyến hiệu quả hơn và hiệu suất cao hơn có thể cung cấp hỗ trợ cá nhân hóa cho sinh viên và cải thiện trải nghiệm học tập tổng thể của họ

1.3 Đối tượng và phạm vi nghiên cứu

Bằng cách xác định đối tượng nghiên cứu, phạm vi nghiên cứu và các giới hạn địa lý và thời gian, nghiên cứu này nhằm phát triển một mô hình học máy có thể dự đoán chính xác hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến và cung cấp thông tin sâu sắc để cải thiện kết quả học tập của sinh viên

1.3.1 Đối tượng nghiên cứu

Đối tượng nghiên cứu của nghiên cứu này bao gồm sinh viên tham gia các khóa học hoặc chương trình trực tuyến do các cơ sở giáo dục đại học cung cấp Cụ thể, nghiên cứu sẽ tập trung vào sinh viên đã hoàn thành ít nhất một khóa học trực tuyến và có dữ liệu khả dụng về hành vi học tập, đặc điểm dân số và hiệu suất học tập của họ

1.3.1 Phạm vi nghiên cứu

Phạm vi nghiên cứu được giới hạn trong các nền tảng học trực tuyến cung cấp các khóa học hoặc chương trình tại các cơ sở giáo dục đại học Nghiên cứu sẽ tập trung vào các khía cạnh sau:

1.3.1.1 Nền tảng học trực tuyến

Nghiên cứu sẽ thu thập dữ liệu từ các nền tảng học trực tuyến sử dụng hệ thống quản lý học tập (Learning Management Systems - LMS) như Canvas, Blackboard hoặc Moodle

1.3.1.2 Cơ sở giáo dục đại học

Nghiên cứu sẽ tập trung vào các cơ sở giáo dục đại học cung cấp các khóa học hoặc chương trình trực tuyến, bao gồm các trường đại học, cao đẳng và nhà cung cấp giáo dục trực tuyến

1.3.1.3 Dữ liệu sinh viên

Nghiên cứu sẽ thu thập dữ liệu về dân số sinh viên, hành vi học tập và hiệu suất học tập, bao gồm điểm số, tỷ lệ hoàn thành khóa học và các chỉ số tương tác của sinh viên

1.3.1.4 Mô hình học máy

Nghiên cứu sẽ phát triển và huấn luyện mô hình học máy bằng cách sử dụng dữ liệu đã thu thập để dự đoán hiệu suất của sinh viên trên các nền tảng học trực tuyến 1.3.2 Phạm vi địa lý

Nghiên cứu sẽ tập trung vào các cơ sở giáo dục đại học (trên toàn quốc/ khu vực cụ thể) nhằm phát triển một mô hình học máy có thể được áp dụng cho các nền tảng học trực tuyến trong các bối cảnh tương tự

1.3.3 Phạm vi thời gian

Nghiên cứu sẽ thu thập dữ liệu từ các nền tảng học trực tuyến trong một khoảng thời gian (ví dụ, một năm học) nhằm phát triển một mô hình học máy có thể dự đoán hiệu suất học tập của sinh viên theo thời gian thực

1.4 Câu hỏi và giả thuyết nghiên cứu

Bằng cách đặt ra những câu hỏi và giả thuyết nghiên cứu, nghiên cứu này nhằm mục đích điều tra các mối quan hệ giữa hành vi sinh viên, đặc điểm dân số và hiệu suất học tập trên các nền tảng học trực tuyến, và phát triển một mô hình học máy có thể chính xác dự đoán hiệu suất học tập của sinh viên cũng như cung cấp thông tin sâu sắc để cải thiện kết quả học tập của sinh viên

1.4.1 Câu hỏi nghiên cứu

Những yếu tố nào có ảnh hưởng quan trọng nhất đến hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến?

Liệu có thể phát triển một mô hình học máy để dự đoán chính xác hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến dựa trên hành vi học tập và đặc điểm dân số của họ không?

Mô hình học máy đã phát triển so sánh như thế nào với các mô hình và cơ sở dữ liệu hiện có về độ chính xác và hiệu suất dự đoán?

1.4.2 Giả Thuyết Nghiên Cứu

Giả thuyết 1: Có mối tương quan đáng kể giữa các chỉ số tương tác của sinh viên (ví dụ, tần suất đăng nhập, thời gian dành cho tài liệu khóa học) và hiệu suất học tập trên các nền tảng học trực tuyến

Giả thuyết 2: Mô hình học máy đã phát triển sẽ vượt trội hơn các mô hình và cơ sở dữ liệu hiện có trong việc dự đoán hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến, với độ chính xác ít nhất 80%

Giả thuyết 3: Việc bổ sung các đặc điểm dân số (ví dụ, độ tuổi, giới tính, thành tích học tập trước đây) sẽ cải thiện độ chính xác dự đoán của mô hình học máy ít nhất 10%

1.5 Phương pháp nghiên cứu 1.5.1 Thiết kế nghiên cứu

Nghiên cứu này sẽ áp dụng thiết kế nghiên cứu định lượng, sử dụng phương pháp mô hình hóa dự đoán để phát triển một mô hình học máy có thể dự đoán hiệu suất học tập của sinh viên trên các nền tảng học trực tuyến

1.5.2 Thu thập dữ liệu

Quá trình thu thập dữ liệu trong nghiên cứu này bao gồm các bước sau:

1.5.2.1 Xác Định Ngữ Cảnh và Nguồn Dữ Liệu

Xác định các nền tảng học trực tuyến từ đó dữ liệu sẽ được thu thập, cũng như loại dữ liệu cần thu thập như thông tin đặc điểm sinh viên, hành vi học tập, và dữ liệu liên quan đến hiệu suất học tập

1.5.2.2 Thu Thập Đặc Điểm Dân Số của Sinh Viên

Bao gồm tuổi, giới tính, thành tích học tập trước đây v.v., thường thông qua hồ sơ sinh viên hoặc khảo sát

1.5.2.3 Thu Thập Dữ Liệu Hành Vi Học Tập

Tần suất đăng nhập, thời gian dành cho tài liệu khóa học, và các chỉ số tương tác khác là thông tin quý giá có thể lấy từ hệ thống quản lý học tập (LMS)

1.5.2.4 Thu Thập Dữ Liệu Về Hiệu Suất Học Tập

Điểm số, tỷ lệ hoàn thành khóa học, v.v., cũng thường được thu thập từ hệ thống quản lý học tập hoặc cơ sở dữ liệu của trường

1.5.2.5 Đảm Bảo Tính Tuân Thủ và Bảo Mật

Cần xác định rõ về việc bảo vệ quyền riêng tư của sinh viên và tuân thủ các quy định về bảo mật dữ liệu như quy định chung về bảo mật thông tin (GDPR) hay quy định về quyền riêng tư của học sinh (FERPA)

1.5.3 Phân tích dữ liệu

Phân tích dữ liệu là một bước quan trọng trong nghiên cứu này, nhằm mục đích khám phá và giải thích các mối quan hệ giữa các biến trong dữ liệu Phân tích dữ liệu sẽ được thực hiện bằng cách sử dụng các kỹ thuật thống kê và học máy để khám phá các mẫu và mối quan hệ trong dữ liệu

1.5.3.1 Tiền Xử Lý Dữ Liệu

Làm sạch dữ liệu, ngăn chặn dữ liệu thiếu hoặc lỗi, và tiêu chuẩn hóa các định dạng dữ liệu

1.5.3.2 Kiểm định giả thuyết

Phân tích dữ liệu sẽ được bắt đầu bằng cách kiểm định các giả thuyết nghiên cứu Kiểm định giả thuyết sẽ được thực hiện bằng cách sử dụng các kỹ thuật thống kê, chẳng hạn như kiểm định t-test, kiểm định ANOVA, và kiểm định regression

1.5.3.3 Phân tích hồi quy

Phân tích hồi quy sẽ được sử dụng để khám phá các mối quan hệ giữa các biến trong dữ liệu Phân tích hồi quy sẽ được thực hiện bằng cách sử dụng các kỹ thuật hồi quy tuyến tính, hồi quy logistic, và hồi quy Poisson

1.5.3.4 Phân tích nhân tố

Phân tích nhân tố sẽ được sử dụng để khám phá các nhân tố ẩn trong dữ liệu Phân tích nhân tố sẽ được thực hiện bằng cách sử dụng các kỹ thuật phân tích nhân tố khám phá (EFA) và phân tích nhân tố xác nhận (CFA)

1.5.3.5 Phân tích cluster

Phân tích cluster sẽ được sử dụng để khám phá các nhóm trong dữ liệu Phân tích cluster sẽ được thực hiện bằng cách sử dụng các kỹ thuật phân tích cluster k-means, phân tích cluster hierarchical, và phân tích cluster density-based

1.5.3.6 Phân tích quyết định

Phân tích quyết định sẽ được sử dụng để khám phá các quyết định của sinh viên trong quá trình học tập Phân tích quyết định sẽ được thực hiện bằng cách sử dụng các kỹ thuật phân tích quyết định dựa trên cây quyết định, phân tích quyết định dựa trên mạng nơ-ron, và phân tích quyết định dựa trên các mô hình học máy khác

1.5.3.6 Phân tích dữ liệu visualization

Phân tích dữ liệu visualization sẽ được sử dụng để trình bày các kết quả phân tích dữ liệu một cách trực quan và dễ hiểu Phân tích dữ liệu visualization sẽ được thực hiện bằng cách sử dụng các công cụ visualization, chẳng hạn như matplotlib, seaborn, và plotly

Tóm lược

Quá trình thu thập và phân tích dữ liệu trong nghiên cứu này đòi hỏi sự chính xác và kỹ lưỡng trong mọi bước thực hiện để đảm bảo tính hợp lệ và tin cậy của mô hình học máy đang được nghiên cứu và phát triển

1.5.4 Mô hình học máy

Nghiên cứu sẽ phát triển một mô hình học máy bằng cách sử dụng phương pháp học máy có giám sát, với hiệu suất học tập là biến mục tiêu Mô hình sẽ được huấn luyện và kiểm tra bằng một bộ dữ liệu về các tương tác và thành tích học tập từ các nền tảng học tập trực tuyến

1.5.4.1 Kiến trúc mô hình

Mô hình học máy sẽ bao gồm các lớp (thành phần) sau:

Lớp đầu vào: Lớp đầu vào sẽ bao gồm một tập các đặc điểm được trích xuất từ dữ liệu tương tác của sinh viên, bao gồm:

Đặc điểm của sinh viên (ví dụ: tuổi, giới tính, thành tích học tập trước đó) Hành vi học tập (ví dụ: tần suất đăng nhập, thời gian dành cho tài liệu khóa học,

Lớp ẩn: Lớp ẩn sẽ bao gồm một tập các mạng nơ-ron nhân tạo (ANN) sẽ học các mẫu và mối quan hệ phức tạp giữa các đặc điểm đầu vào và biến mục tiêu

Lớp đầu ra: Lớp đầu ra sẽ bao gồm một nút duy nhất sẽ dự đoán thành tích học tập của sinh viên dựa trên các đặc điểm đầu vào và các mẫu đã học

1.5.4.2 Huấn luyện mô hình

Sử dụng tập dữ liệu đã được chuẩn bị, mô hình học máy sẽ được huấn luyện để học từ các đặc trưng và mục tiêu dữ liệu Các thuật toán học máy khác nhau có thể được áp dụng trong quá trình này

Hồi quy tuyến tính: Mô hình tuyến tính giả định mối quan hệ tuyến tính giữa các đặc điểm đầu vào và biến mục tiêu Mô hình tuyến tính tìm kiếm một đường thẳng hoặc một mặt phẳng để dự đoán biến mục tiêu dựa trên các đặc điểm đầu vào Mô hình này dễ dàng để triển khai và hiểu, có thể giải thích được kết quả nhưng không thể xử lý các mối quan hệ không tuyến tính, dễ bị ảnh hưởng bởi các điểm ngoại lệ

Cây quyết định: Mô hình cây quyết định có thể xử lý các mối quan hệ không tuyến tính giữa các đặc điểm đầu vào và biến mục tiêu Mô hình cây quyết định chia tập dữ liệu thành các nhánh nhỏ dựa trên các đặc điểm đầu vào, và sau đó dự đoán biến mục tiêu dựa trên các nhánh Mô hình này có thể xử lý các mối quan hệ không tuyến tính, dễ dàng để triển khai và hiểu Tuy nhiên, nó có thể bị ảnh hưởng bởi ngoại lệ trong dữ liệu, làm ảnh hưởng đến chất lượng của mô hình Một trong những thách thức lớn nhất khi sử dụng cây quyết định là nguy cơ tạo ra một mô hình quá phức tạp mà chứa quá nhiều thông tin từ tập dữ liệu huấn luyện Mô hình này có thể không tổng quát hóa tốt khi được áp dụng với dữ liệu mới

Rừng ngẫu nhiên: Mô hình rừng ngẫu nhiên kết hợp nhiều cây quyết định để cải thiện độ chính xác và độ bền của mô hình Mô hình này có thể xử lý các mối quan hệ không tuyến tính, cải thiện độ chính xác và độ bền của mô hình Tuy nhiên, nó có thể thể bị ảnh hưởng bởi các điểm ngoại lệ, cần nhiều tài nguyên để triển khai

Tăng cường gradient: Mô hình tăng cường gradient kết hợp nhiều mô hình yếu để tạo ra một mô hình dự đoán mạnh Mô hình này có thể xử lý các mối quan hệ không tuyến tính, cải thiện độ chính xác và độ bền của mô hình Tuy nhiên, cũng giống như thuật toán rừng ngẫu nhiên, nó có thể bị ảnh hưởng bởi các điểm ngoại lệ, cần nhiều tài nguyên để triển khai

Mạng nơ-ron: Mô hình mạng nơ-ron phức tạp có thể học các mối quan hệ không tuyến tính giữa các đặc điểm đầu vào và biến mục tiêu Mô hình mạng nơ-ron sử dụng nhiều lớp nhân tạo để học các mối quan hệ không tuyến tính giữa các đặc điểm đầu vào và biến mục tiêu Mô hình này có thể xử lý các mối quan hệ không tuyến tính, cải thiện