Giáo dục thông minh trên cơ sở trí tuệ nhân tạo giúp xác định các loại hình học tập cho sinh viên trong bối cảnh giáo dục hiện nay

khoa học kĩ thuật; hoặc do môi trường học tập E-learning với các dữ liệu văn bản, đa phương tiện, với các bài kiểm tra năng khiếu trực tuyến hoặc với giọng nói trên nền tảng giao diện đồ họa. Một tập hợp đa dạng các đặc tính học tập của SV cho mỗi mô hình lí thuyết học tập phù hợp nhất cho một môi trường học tập cụ thể. Hình 5. Khung giáo dục thông minh mô tả sự tương tác của SV với “giáo viên ảo” trên môi trường đám mây. Mô tả việc xác định các phong cách học tập sử dụng mô hình lí thuyết học tập phù hợp nhất và các kĩ thuật trí tuệ nhân tạo Khung phong cách học tập cho giáo dục thông minh được các tác giả đề xuất là một quy trình gồm nhiều bước giúp cung cấp nền tảng giáo dục thông minh đã được cá nhân hóa. Các vấn đề này được mô tả chi tiết ở hình 5 cũng như phần dưới đây: - Xác định các thuộc tính của SV cho một môi trường học tập cụ thể, nơi cung cấp môi trường học tập thích ứng cho người học; - Dựa trên các thuộc tính có sẵn của SV, có thể lựa chọn một hoặc nhiều mô hình lí thuyết học tập cùng lúc. Các mô hình học tập không có đủ các thuộc tính sẵn có sẽ không được áp dụng; - Trong VJE Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753 7 trường hợp áp dụng cùng lúc nhiều mô hình lí thuyết học tập cho môi một môi trường học tập, công cụ này sẽ giúp xác định mô hình phù hợp nhất, dựa trên hiệu suất của các mô hình đã được đưa ra; - Công cụ này cũng giúp xác định phương pháp trí tuệ nhân tạo phù hợp nhất có thể được sử dụng để xây dựng mô hình phân lớp. Điều này được thực hiện thông qua việc so sánh hiệu suất của các mô hình. Mô hình nào có giá trị phân tích thống kê Kappa cao nhất và giá trị bình quân trung bình thấp nhất sẽ là mô hình được ưu tiên lựa chọn; - Khi một hoặc nhiều mô hình đã được đưa vào danh sách lựa chọn rút gọn và đã đào tạo cho môi trường học tập cụ thể, các mô hình này có thể được sử dụng để phân loại SV và xác định các phong cách học tập cho họ. Các phong cách học tập có thể được ánh xạ với nội dung học tập và lộ trình học tập cụ thể để cung cấp nền tảng giáo dục đã được cá nhân hóa. Giáo dục thông minh là quá trình học tập diễn ra bên ngoài các lớp học truyền thống và là hoạt động có thể được thực hiện mọi lúc, mọi nơi cũng như ở bất kì thời điểm nào. Các máy tính bảng kết hợp với nền tảng Internet cho phép SV duyệt các nội dung học tập đã được cá nhân hóa dưới dạng văn bản, hình ảnh hoặc đa phương tiện. Để thực hiện được điều này, công nghệ điện toán đám mây đã được các tác giả đề xuất. Công cụ phần mềm đang được phát triển có thể được lưu trữ trong môi trường đám mây giúp dễ dàng truy cập cho người học trên khắp thế giới mà không bị hạn chế về khả năng mở rộng. Nội dung học tập mẫu phải được tạo ra để có thể theo dõi hành vi của người học và xác định các thuộc tính sẵn có của SV. Thay vì một lớp học truyền thống, “lớp học ảo” và “giáo viên ảo” được sử dụng. Các tác giả đề xuất các tiến trình xử lí ngôn ngữ tự nhiên APIs, các APIs chuyển giọng nói thành văn bản và ngược lại để tạo ra nội dung học tập mẫu (Manning CD, Schütze H., 1999); thực hiện mô phỏng tương tác giữa SV và giáo viên, SV với các “giáo viên ảo”. Đối với vấn đề này, có thể sử dụng các kĩ thuật xử lí ngôn ngữ tự nhiên dựa trên nền đám mây như Microsoft Luis, Amazon Lex hoặc IBM Watson. Điều này sẽ cho phép SV tương tác với “giáo viên ảo” bằng cách nói chuyện với hệ thống như thể đang nói chuyện với giáo viên truyền thống. Cho đến thời điểm này, giáo dục thích ứng là một lĩnh vực đang trong giai đoạn nghiên cứu thông qua việc triển khai một số mô hình học tập. Với khuôn khổ của giải pháp giáo dục thông minh được trình bày trong bài báo này, các tác giả đề xuất phương pháp giáo dục thích ứng được cung cấp như một dịch vụ dựa trên nền tảng đám mây; giúp các nền tảng giáo dục truyền thống có thể dễ dàng truy cập dịch vụ và cung cấp nền tảng giáo dục cá nhân hóa cho mọi SV theo học. 3. Kết luận Khung giáo dục thông minh được đề xuất trong bài báo này giúp phát triển giáo dục thích ứng và cung cấp nền tảng giáo dục thích ứng cho nhiều đối tượng người học ở nhiều nền tảng văn hóa và giáo dục, khu vực địa lí khác nhau bao gồm cả các nền tảng học tập truyền thống và E-learning. Khung này đồng thời giúp cung cấp một tập hợp bao gồm nhiều thuộc tính học tập của SV dựa trên nền tảng việc học tập đã được cá nhân hóa. Với bộ sưu tập đã được tạo ra trong nghiên cứu cùng với việc tích hợp nó vào một công cụ tính toán duy nhất sẽ giúp dễ dàng xác định các thuộc tính học tập của SV cho một môi trường giáo dục cụ thể. Điều này tạo điều kiện cho việc ứng dụng vào thực tế khi áp dụng mô hình lí thuyết học tập vào việc tạo ra môi trường học tập thích ứng. Đây là nền tảng giáo dục thông minh đầu tiên được phát triển nhằm mục đích so sánh nhiều mô hình lí thuyết học tập cũng như so sánh các kĩ thuật trí tuệ tạo dựa trên các kĩ thuật phân lớp, dựa trên hiệu suất của các mô hình đã được phát triển. Các mô hình được phát triển linh hoạt, trong cùng một công cụ, các phương pháp đánh giá thống kê giúp xác định mô hình phù hợp nhất, để ứng dụng vào mô hình học tập cụ thể. Lí thuyết học tập được lựa chọn và phương pháp trí tuệ nhân tạo có thể được sử dụng để xác định các phong cách học tập của SV. Khung giáo dục thông minh được đề xuất cho giáo viên ảo, được lưu trữ trên môi trường điện toán đám mây; tương tác với người học bằng cách sử dụng phương pháp xử lí ngôn ngữ tự nhiên APIs nhằm đa dạng hóa việc xác định các phong cách học tập. Các phong cách học tập của SV đã được xác định sẽ được sử dụng để định hướng việc cung cấp nhiều nội dung học tập khác nhau trong các nhà trường truyền thống hoặc các cổng E-learning phục vụ mục tiêu cung cấp dịch vụ giáo dục thích ứng. Tài liệu tham khảo Bernard J, Chang TW, Popescu E, Graf S. (2015). Using artificial neural networks to identify learning styles. International Conference on Artificial Intelligence in Education 2015 Jun 21 (pp. 541-544). Springer, Cham. Carletta J. (1996). Assessing agreement on classification tasks: the kappa statistic. Computational linguistics, 22(2), 249-254. Colchester K, Hagras H, Alghazzawi D, Aldabbagh G. (2017). A survey of artificial intelligence techniques employed for adaptive educational systems within E-learning platforms. Journal of Artificial Intelligence and Soft Computing Research, 7(1), 47-64. VJE Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753 8 Felder R.M., Silverman L.K. (1998). Learning and teaching styles in engineering education. Engineering education, 78(7), 674-681. Fleming ND (2001). Teaching and learning styles: VARK strategies. IGI Global. Honey P, Mumford A. (1994). Styles of learning. Gower Handb. Manag. Dev, 101, 101-111. Huang MJ, Huang HS, Chen MY. (2007). Constructing a personalized e-learning system based on genetic algorithm and case-based reasoning approach. Expert Systems with Applications, 33(3), 551-564. Huang X, Yong J, Li J, Gao J. (2008). Prediction of student actions using weighted Markov models. In IT in Medicine and Education, IEEE International Symposium on 2008 Dec 12 (pp. 154-159). IEEE. Kolb AY, Kolb DA (2005). Learning styles and learning spaces: Enhancing experiential learning in higher education. Academy of management learning & education, 4(2),193-212. Lin CF, Yeh YC, Hung YH, Chang RI. (2013). Data mining for providing a personalized learning path in creativity: An application of decision trees. Computers & Education, 68, 199-210. Lo JJ, Shu PC. (2005). Identification of learning styles online by observing learners’ browsing behaviour through a neural network. British Journal of Educational Technology, 36(1), 43-55. Manning CD, Schütze H., (1999). Foundations of statistical natural language processing. MIT press; 1999. Moreno F, Carreras A, Moreno M, Royo ER (2005). Using bayesian networks in the global adaptive e-learning process. EUNIS 2005. 2005:1-4. Mota J. (2008). Using learning styles and neural networks as an approach to elearning content and layout adaptation. In Doctoral Symposium on Informatics Engineering. Oliver R, Harper B, Reeves T, Strijker A, van Westhuizen D. (2002). Learning management systems: One size fits all?. InWorld Conference on ‐ Jun 24. Villaverde JE, Godoy D, Amandi A. (2006). Learning styles' recognition in e learning environments with feed forward neural networks. Journal of Educational Multimedia, Hypermedia & Telecommunications 2002 Computer Assisted Learning, 22(3), 197-206. Xu D, Wang H, Su K. (2002). Intelligent student profiling with fuzzy models. In System Sciences, 2002. HICSS. Proceedings of the 35th Annual Hawaii International Conference on 2002 Jan 7 (pp. 8-pp). IEEE. Zatarain-Cabada R, Barrón-Estrada ML, Angulo VP, García AJ, García CA. (2010). A learning social network with recognition of learning styles using neural networks. In Mexican Conference on Pattern Recognition 2010 Sep 27 (pp. 199-209). Springer, Berlin, Heidelberg.