Trang chủ
- Giảm 10% phí tải tài liệu khi like và share website
- Tặng 1 bộ slide thuyết trình khi tải tài liệu
- Giảm 5% dịch vụ viết thuê luận văn thạc sĩ của Luận Văn A-Z
- Giảm 2% dịch vụ viết thuê luận án tiến sĩ của Luận Văn A-Z
Ứng Dụng Phân Loại Bằng Máy Vector Hỗ Trợ Trong Đánh Giá Tính Tích Cực Học Tập Của Sinh Viên
Giá gốc là: 100.000 VNĐ.0 VNĐGiá hiện tại là: 0 VNĐ.
Bài toán phân loại đã được vận dụng trong nhiều lĩnh vực khác nhau, đặc biệt trong y học. Thái độ học tập tích cực là một trong những yếu tố chủ chốt quyết định trực tiếp đến kết quả học tập của sinh viên trong môi trường học tập tự chủ ở bậc đại học. Nghiên cứu này xây dựng bộ dữ liệu đánh giá tính tích cực trong học tập, sau đó áp dụng mô hình phân loại hiệu quả cho bộ dữ liệu này và đề xuất mô hình phân loại để chẩn đoán kịp thời ‘bệnh chán học’ cho cá nhân sinh viên, từ đó có các biện pháp hỗ trợ kịp thời. Mô hình Phân loại sử dụng máy vector hỗ trợ (Support Vector Machine, SVM) được đề xuất dựa trên nguyên lý học thống kê và ngày càng nhận được sự quan tâm nghiên cứu của các nhà khoa học. Mục tiêu của bài toán phân loại sử dụng SVM là tìm ra siêu phẳng tốt nhất để phân tách các điểm dữ liệu trong không gian đặc trưng theo các lớp khác nhau đã gán nhãn trước. Các kết quả thu được của mô hình phân loại SVM đã được ghi nhận, đặc biệt trong lĩnh vực y học.
1/ Thông tin bài báo
- Tên bài báo: ỨNG DỤNG PHÂN LOẠI BẰNG MÁY VECTOR HỖ TRỢ TRONG ĐÁNH GIÁ TÍNH TÍCH CỰC HỌC TẬP CỦA SINH VIÊN
- Tác giả: Lê Khánh Duy, Nguyễn Ngọc Đăng Khoa, Trương Huỳnh Kỳ, Huỳnh Phước Nghĩa và Lê Phương Thảo
- Số trang: 157-162
- Năm: 2024
- Nơi xuất bản: Tạp chí Khoa học Đại học Cần Thơ
- Từ khoá: Bệnh chán học, máy vector hỗ trợ, phân loại, thái độ học tập tích cực
2/ Nội dung chính
Bài báo này tập trung vào việc ứng dụng mô hình phân loại sử dụng máy vector hỗ trợ (SVM) để đánh giá thái độ học tập tích cực của sinh viên, một yếu tố quan trọng ảnh hưởng trực tiếp đến kết quả học tập, đặc biệt trong môi trường đại học tự chủ. Nghiên cứu này xuất phát từ thực tế tình trạng sinh viên mất động lực học tập, hay còn gọi là “bệnh chán học”, ngày càng gia tăng, dẫn đến kết quả học tập giảm sút và thậm chí bị cảnh báo học vụ. Việc theo dõi và đánh giá thái độ học tập của sinh viên một cách kịp thời và hiệu quả là vô cùng cần thiết để có thể đưa ra các biện pháp hỗ trợ phù hợp. Bài báo cũng đề cập đến việc sử dụng SVM, một phương pháp học máy đã được ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là y học, để giải quyết bài toán phân loại và đánh giá này. SVM có ưu điểm vượt trội trong việc xử lý dữ liệu định tính và có khả năng làm việc tốt với dữ liệu có chiều cao, làm cho nó trở thành một lựa chọn phù hợp cho việc đánh giá thái độ học tập.
Nội dung chính của bài báo bao gồm việc giới thiệu về tầm quan trọng của thái độ học tập tích cực, các nguyên nhân dẫn đến tình trạng mất động lực học tập ở sinh viên, và đặc biệt là việc xây dựng mô hình phân loại sử dụng SVM. Các tác giả đã kết hợp phương pháp thống kê và nghiên cứu lý thuyết để phát triển bộ dữ liệu đánh giá thái độ học tập, dựa trên các tiêu chí như chủ động học bài, tham gia hoạt động học tập, quản lý kế hoạch học tập, và sự quan tâm đến kết quả học tập. Sau khi thu thập và xử lý dữ liệu, mô hình SVM được huấn luyện để phân loại sinh viên vào các nhóm khác nhau: không tích cực, nguy cơ, bình thường và tích cực. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác cao (89%), chứng tỏ tính khả thi và hiệu quả của việc sử dụng SVM trong đánh giá thái độ học tập của sinh viên. Các tác giả cũng nhấn mạnh rằng việc sử dụng phương pháp học máy có ưu thế hơn so với phương pháp phân loại truyền thống khi xử lý dữ liệu định tính.
Cuối cùng, bài báo kết luận rằng mô hình phân loại SVM có thể hỗ trợ đắc lực trong việc đánh giá thái độ học tập của sinh viên, giúp phát hiện sớm những trường hợp sinh viên có nguy cơ mất động lực học tập, từ đó có các biện pháp can thiệp và hỗ trợ kịp thời. Nghiên cứu này không chỉ mang tính ứng dụng thực tiễn trong lĩnh vực giáo dục mà còn mở ra hướng nghiên cứu mới trong việc áp dụng các kỹ thuật học máy để giải quyết các bài toán liên quan đến đánh giá và dự báo trong lĩnh vực này. Việc tiếp tục bổ sung và hoàn thiện bộ dữ liệu huấn luyện là rất quan trọng để nâng cao hiệu quả và mở rộng phạm vi ứng dụng của mô hình.
