Hệ thống gợi ý học tập hoạt động như thế nào?

Về bản chất, quá trình có thể hình dung như sau:

Dữ liệu người học → phân tích trạng thái → đánh giá nội dung → xếp hạng → đề xuất → ghi nhận phản hồi → cập nhật đề xuất

Điểm quan trọng là hệ thống không chỉ hỏi “người học đã học gì?” mà còn phải ước tính “người học đang biết đến đâu, đang cần gì và nội dung nào nên xuất hiện tiếp theo?”.

Hệ thống gợi ý học tập cần những loại dữ liệu nào?

Có bốn nhóm dữ liệu chính thường tham gia vào quá trình gợi ý.

Dữ liệu về người học

Đây là lớp dữ liệu mô tả người dùng và trạng thái học tập, chẳng hạn:

·         Mục tiêu học tập

·         Chủ đề hoặc môn học quan tâm

·         Trình độ hoặc cấp độ hiện tại

·         Tiến độ hoàn thành

·         Kết quả bài kiểm tra

·         Năng lực theo từng kỹ năng hoặc chủ đề

·         Lịch sử lựa chọn nội dung

Một người có điểm tổng thể cao nhưng còn yếu ở một kỹ năng cụ thể có thể nhận đề xuất khác hoàn toàn so với một người có cùng điểm tổng thể nhưng nền tảng khác.

Dữ liệu hành vi tương tác

Hệ thống còn theo dõi cách người học thực sự tương tác với nội dung:

·         Nội dung đã mở

·         Thời lượng học

·         Tần suất quay lại

·         Nội dung hoàn thành hoặc bỏ dở

·         Câu hỏi đã trả lời

·         Kết quả đúng hoặc sai

·         Nội dung được lưu hoặc đánh dấu

·         Thứ tự lựa chọn giữa các tài liệu

Nhóm dữ liệu này đặc biệt quan trọng vì hành vi thực tế có thể cho thấy nhu cầu khác với hồ sơ ban đầu của người học.

Dữ liệu về nội dung

Mỗi bài học cũng có các thuộc tính riêng:

·         Chủ đề

·         Kỹ năng

·         Mức độ khó

·         Loại nội dung

·         Mối quan hệ tiên quyết

·         Thời lượng dự kiến

·         Mục tiêu học tập

·         Chương hoặc khóa học liên quan

Nhờ đó, hệ thống có thể tìm những nội dung có đặc điểm gần với thứ người học đang cần thay vì chỉ dựa vào lịch sử người dùng.

Dữ liệu bối cảnh

Cùng một người học có thể cần các nội dung khác nhau ở những thời điểm khác nhau. Vì vậy, hệ thống có thể xem xét:

·         Thời điểm học

·         Phiên học hiện tại

·         Thiết bị sử dụng

·         Vị trí trong lộ trình học

·         Mục tiêu của phiên học

·         Những nội dung vừa hoàn thành

Bối cảnh giúp chuyển câu hỏi từ “nội dung nào phù hợp với người này?” thành “nội dung nào phù hợp với người này ngay lúc này?”.

Hệ thống xử lý dữ liệu để chọn nội dung như thế nào?

Dữ liệu chỉ có giá trị khi được chuyển thành tín hiệu phục vụ quyết định.

Trước tiên, hệ thống xây dựng một biểu diễn về trạng thái của người học. Trạng thái này có thể gồm mức độ thành thạo, sở thích, lịch sử tương tác và các mục tiêu đang theo đuổi.

Tiếp theo, hệ thống đánh giá từng nội dung ứng viên. Một nội dung có thể được xem là phù hợp khi đáp ứng đồng thời nhiều điều kiện: đúng chủ đề, vừa sức, chưa học hoặc cần ôn lại, phù hợp với mục tiêu và không vi phạm các điều kiện của lộ trình.

Sau đó, các ứng viên được xếp hạng theo mức độ phù hợp. Một mô hình đơn giản có thể hình dung điểm gợi ý là sự kết hợp của nhiều tín hiệu:

Điểm phù hợp = mức liên quan mức phù hợp với năng lực tín hiệu hành vi bối cảnh − các ràng buộc

Các hệ thống thực tế có thể dùng những phương pháp khác nhau, từ luật cố định và content-based filtering đến collaborative filtering hoặc mô hình lai kết hợp nhiều nguồn tín hiệu.

Cuối cùng, hệ thống ghi nhận phản hồi mới. Việc người học nhấp, học, hoàn thành, bỏ qua hoặc trả lời đúng sai sẽ trở thành dữ liệu đầu vào cho các lần gợi ý tiếp theo.

Vì sao không thể chỉ dựa vào lịch sử học tập?

Nếu chỉ nhìn vào lịch sử, hệ thống dễ rơi vào vòng lặp: người học đã thích chủ đề nào thì tiếp tục nhận chính những nội dung tương tự.

Vấn đề là mục tiêu của học tập không phải lúc nào cũng là tối đa hóa mức độ tương đồng với hành vi cũ. Một hệ thống tốt còn phải đưa người học đến kiến thức mới, nội dung cần thiết và những kỹ năng còn thiếu.

Ví dụ, một người thường xuyên xem bài nhập môn về một chủ đề không nhất thiết nên tiếp tục nhận thêm bài nhập môn. Nếu kết quả kiểm tra cho thấy họ đã nắm nền tảng nhưng yếu ở phần ứng dụng, hệ thống nên chuyển sang nội dung có độ khó và mục tiêu phù hợp hơn.

Điều này khiến dữ liệu năng lực và kết quả học tập có vai trò khác với dữ liệu sở thích. Sở thích cho biết người học có xu hướng chọn gì; dữ liệu năng lực giúp xác định người học thực sự cần gì.

Hệ thống gợi ý dựa trên dữ liệu nào để xác định bài học tiếp theo?

Một cách tiếp cận hiệu quả là không dùng một tín hiệu duy nhất mà kết hợp nhiều lớp dữ liệu.

Mức độ phù hợp với người học

Nội dung phải tương thích với trình độ, kỹ năng và mục tiêu hiện tại.

Mức độ liên quan với nội dung đã học

Nội dung mới cần có quan hệ đủ gần với kiến thức trước đó để người học có thể tiếp nhận, nhưng cũng phải đủ mới để tạo tiến bộ.

Kết quả học tập

Điểm kiểm tra, câu trả lời đúng sai hoặc các dấu hiệu về mức độ thành thạo có thể giúp hệ thống phát hiện khoảng trống kiến thức.

Hành vi gần nhất

Những tương tác mới thường phản ánh trạng thái hiện tại tốt hơn các hành vi quá cũ. Một người có thể thay đổi mục tiêu hoặc sở thích theo thời gian.

Vị trí trong lộ trình

Một bài học có thể rất phù hợp về chủ đề nhưng vẫn chưa nên xuất hiện nếu một kiến thức tiên quyết chưa được hoàn thành.

Các ràng buộc thực tế

Hệ thống có thể phải loại bỏ nội dung đã hoàn thành, nội dung không phù hợp với cấp độ hoặc nội dung không đáp ứng điều kiện của khóa học.

Vì vậy, lựa chọn cuối cùng thường không phải “bài có điểm cao nhất theo một tiêu chí”, mà là bài có tổng mức phù hợp tốt nhất dưới các ràng buộc hiện có.

Những phương pháp gợi ý phổ biến khác nhau ở đâu?

Ba hướng tiếp cận thường gặp có logic khác nhau.

Content-based tập trung vào đặc điểm của nội dung và hồ sơ người học. Nếu người học quan tâm đến một nhóm chủ đề, hệ thống sẽ tìm nội dung có thuộc tính tương tự.

Collaborative filtering dựa vào hành vi của nhiều người học. Nếu những người có kiểu hành vi tương tự thường chọn hoặc hoàn thành một nội dung nào đó, hệ thống có thể xem đây là tín hiệu để đề xuất.

Hybrid recommendation kết hợp nhiều nguồn tín hiệu nhằm giảm điểm yếu của từng phương pháp. Chẳng hạn, dữ liệu nội dung giúp xử lý tình huống có ít người dùng hoặc ít lịch sử, trong khi dữ liệu hành vi giúp phát hiện những mối quan hệ khó biểu diễn chỉ bằng metadata.

Trong môi trường học tập, cách tiếp cận lai thường có ý nghĩa vì chất lượng đề xuất phụ thuộc đồng thời vào đặc điểm nội dung, trạng thái người học và phản hồi thực tế.

Giới hạn của hệ thống gợi ý học tập nằm ở đâu?

Đề xuất càng phụ thuộc nhiều vào dữ liệu thì chất lượng càng chịu ảnh hưởng của dữ liệu đầu vào.

Nếu người học mới tham gia và gần như chưa có lịch sử tương tác, hệ thống gặp bài toán cold start. Khi đó, nó phải dựa nhiều hơn vào thông tin ban đầu, thuộc tính nội dung hoặc các tín hiệu tổng quát.

Một vấn đề khác là thiên lệch hành vi. Việc người học thường xuyên chọn một loại nội dung không chứng minh rằng đó là nội dung tốt nhất cho mục tiêu học tập. Nếu hệ thống chỉ tối ưu theo hành vi, nó có thể củng cố sở thích cũ thay vì khuyến khích tiến bộ.

Ngoài ra, dữ liệu giáo dục còn liên quan đến quyền riêng tư. Lịch sử học tập, kết quả đánh giá và hành vi tương tác có thể phản ánh khá chi tiết về người học, vì vậy việc thu thập và sử dụng dữ liệu cần đi cùng các biện pháp kiểm soát quyền truy cập và mục đích sử dụng.

Do đó, một hệ thống gợi ý tốt không nên được đánh giá chỉ bằng việc người dùng có nhấp vào nội dung được đề xuất hay không. Cần xem xét liệu đề xuất có thực sự hỗ trợ kết quả học tập, tiến bộ và mục tiêu giáo dục hay không.

Một cách nhìn đơn giản nhất là: hệ thống gợi ý học tập lựa chọn nội dung bằng cách kết hợp dữ liệu về người học, dữ liệu về nội dung, lịch sử tương tác và bối cảnh để dự đoán nội dung phù hợp tiếp theo. Trong đó, dữ liệu hành vi cho biết người học đã làm gì, dữ liệu năng lực cho biết họ đang ở đâu, dữ liệu nội dung cho biết có những lựa chọn nào và dữ liệu bối cảnh giúp xác định lựa chọn nào phù hợp ở thời điểm hiện tại.

Vì vậy, chất lượng của hệ thống không nằm ở việc có nhiều dữ liệu nhất, mà ở khả năng biến đúng dữ liệu thành một quyết định học tập có ý nghĩa.