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

VJE Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753 
1 
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 
Nguyễn Thị Mỹ Lộc1,+, 
Hoàng Sỹ Tương2 
1Trường Đại học Giáo dục - Đại học Quốc gia Hà Nội; 
2Học viện Kỹ thuật Mật mã 
+Tác giả liên hệ ● Email: locntm@vnu.edu.vn 
Article History ABSTRACT 
Received: 05/9/2020 
Accepted: 21/9/2020 
Published: 05/10/2020 
In present day, the issue of adaptation education environment is becoming 
more urgen than ever. Adaptive learning systems are introduced to customize 
content and learning paths of students. These system helps students 
minimizing disorientation and cognitive overload problems; thereby helping 
to optimize performance to improve the efficiency of the learning process. 
The current learning systems are lacking adaptivity; as they offer same 
resources for all users irrespective of their individual needs and preferences. 
Students learn according to their learning styles and determining these is a 
crucial step in making E-learning or traditional education adaptive. To 
determine learning styles, learning models have been suggested in articles, 
but there is no readily available software tool that provides the flexibility to 
select and implement the most suitable learning model. To fulfil this dire 
need, a framework of a tool is proposed here, which takes into consideration 
multiple learning models and artificial intelligence techniques for determining 
students’ learning styles. The tool would provide the facility to compare 
learning models, to determine the most suitable one for a particular 
environment. The authors suggest that this tool should be deployed in a cloud 
computing environment to provide a scalable solution that most quickly and 
easily identifies learning styles for learners. It provide a scalable solution that 
easy and rapid determination of learning styles. 
Keywords 
smart education, adaptive 
education, artificial 
intelligence, learning theory 
model, learning performance. 
1. Mở đầu 
Như chúng ta đã biết, SV thường học theo nhiều cách khác nhau: một số thích tham gia học tập trong môi trường 
thực tế, dữ liệu và các thí nghiệm trong khi một số SV khác thích tham gia học tập và nghiên cứu các vấn đề liên 
quan đến tính lí thuyết; một số thích học tập theo cách nghiên cứu các tài liệu trong khi một số lại thích phong cách 
học tập là tham gia trực tiếp vào giải quyết các vấn đề thực tế. Các hệ thống quản lí học tập hiện nay được phát triển 
dựa trên triết lí “dùng chung” (Oliver R. và cộng sự, 2002). Kết quả dẫn đến việc SV có xu hướng mất phương 
hướng và quá tải trong quá trình học tập dẫn đến kết quả học tập không cao. Mỗi SV nên có phương pháp học tập 
của riêng mình. Xác định phong cách học tập của SV là một bước quan trọng nhằm giúp phương pháp đào tạo E-
learning hoặc phương pháp đào tạo truyền thống hiện nay thích ứng với nhu cầu của người học. Có nhiều mô hình 
phong cách học tập khác nhau được trình bày trong các nghiên cứu (Felder R.M., Silverman L.K., 1998; Fleming 
ND, 2001; Honey P, Mumford A., 1994; Kolb AY, Kolb DA, 2005). Một số mô hình học tập phổ biến hiện nay 
như: mô hình Felder & Silverman (Felder R.M., Silverman L.K., 1998), mô hình Kolb (Kolb AY, Kolb DA, 2005), 
mô hình VARK (Fleming ND, 2001) và mô hình Honey & Mumford (Honey P, Mumford A., 1994). Các nghiên 
cứu này tập trung đưa ra các giải pháp phân loại người học theo “phong cách” học tập của họ và cung cấp các quan 
điểm khác nhau về việc định nghĩa và phân loại các phong cách học tập. Ngoài ra còn một số kĩ thuật được mô tả 
trong các nghiên cứu khác giúp làm rõ các thuộc tính liên quan đến hành vi của người học với một phong cách học 
tập cụ thể (Colchester K. và cộng sự, 2017). Trí tuệ nhân tạo (AI) được coi là những công cụ có giá trị, vì chúng có 
khả năng phát triển và thay thế quy trình ra quyết định đang được áp dụng hiện nay. 
Có nhiều kĩ thuật AI khác nhau đã được sử dụng trong các hệ thống giáo dục thích ứng. Chúng bao gồm logic 
mờ, cây quyết định, mạng Nơ-ron, mạng Bayes, các thuật toán di truyền và các mô hình Markov (Colchester K. và 
VJE Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753 
2 
cộng sự, 2017). Tuy nhiên, trong tất cả các phương pháp trên thì trí tuệ nhân tạo được xem là phương pháp phù hợp 
nhất để áp dụng vào môi trường giáo dục hiện nay. 
Hiện nay, chưa có công cụ phần mềm nào giúp xác định phong cách học tập từ cơ sở dữ liệu hành vi học tập của 
SV. Nhu cầu cấp thiết hiện nay là cần xây dựng một công cụ có thể dễ dàng cấu hình, dễ dàng truy cập và có thể sử 
dụng trong các môi trường học tập khác nhau, bao gồm môi trường E-learning và môi trường học tập truyền thống. 
Tại đây, hệ thống dựa trên trí tuệ nhân tạo được phát triển dựa trên nhiều mô hình học tập và các kĩ thuật trí tuệ nhân 
tạo khác nhau giúp xác định các phong cách học  ... ập nội dung (thấp/cao): số lượng truy cập trực tuyến vào các nội dụng là thấp hoặc cao; - Số lượng truy 
cập thực tế của SAT (thấp/cao): số lượng truy cập vào các loại câu hỏi thực tế trong các bài kiểm tra đánh giá năng 
lực là thấp hoặc cao; - Số lượng truy cập các SAT Abstract (thấp/cao): số lượng truy cập các dạng câu hỏi tóm tắt 
trong các bài kiểm tra năng lực là thấp hoặc cao; - Số lượng truy cập các định dạng khóa học (thấp/cao): số lượng 
truy cập các định dạng của khóa học trực tuyến là thấp hoặc cao; - Số lượng truy cập nội dung khóa học (thấp/cao): 
số lượng truy cập vào nội dung khóa học trực tuyến là thấp hoặc cao. 
Các thuộc tính của SV đã được sử dụng để mô phỏng mô hình học tập Kolb: - Hiệu suất trong quá trình suy nghĩ 
của SV (thấp/cao); - Thích làm việc theo nhóm (thấp/cao); - Tập trung vào các ý tưởng hơn so với người khác 
(thấp/cao); - Sự tập trung vào các vấn đề lí thuyết so với các vấn đề thực tế (thấp/cao); - Sự tập trung vào các vấn đề 
kĩ thuật hơn là các vấn đề xã hội (thấp/cao); - Tìm cách hiện thực hóa các ý tưởng và các vấn đề lí thuyết (thấp/cao); 
- Thực hành, thiết lập mục tiêu, hoạt động thực tiễn (thấp/cao); - Dựa vào trực giác hoặc phân tích của người khác 
hơn là phân tích riêng của cá nhân (thấp/cao). 
Công cụ này cũng có thể được sử dụng để xác định số lượng các phương pháp học, các phương pháp này sẽ được 
sử dụng để phân loại SV. Nó bao gồm 6 phương pháp của mô hình Felder & Silverman và 4 phương pháp của mô 
VJE Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753 
5 
hình Kolb. Đối với mô hình Felder & Silverman, việc phân loại SV sẽ được thực hiện theo các hình thức hoạt 
động/phản xạ, cảm nhận/trực quan hoặc trực quan/lời nói. Đối với mô hình Kolb, phân loại SV sẽ được thực hiện 
theo các dạng phân kì, đồng hóa, hội tụ và phù hợp. Điều này được mô tả trong cột thứ 2 của bảng 1. Cột thứ 3 trong 
bảng 1 cho biết kích thước của dữ liệu mẫu đả được sử dụng để sinh ra cấu trúc của mô hình. Điều này có thể tùy ý 
thay đổi dựa vào môi trường học tập cụ thể. Công cụ giúp tạo ra các cấu trúc mạng nơ-ron và từng cây quyết định 
cho các mô hình Felder & Silverman và Kolb. Cột thứ 4 trong bảng 1 cho biết số lượng các nút đã được sinh ra trong 
các mô hình. Đối với mạng nơ-ron, các mô hình perception đa tầng có hai tầng cho mỗi lớp. Lớp đầu ra có 6 nơ-ron 
cho mô hình Felder & Silverman và 4 nơ-ron cho mô hình Kolb, dựa trên số lượng các phân lớp. Tương tự như vậy, 
các cây quyết định đã được tạo ra có 6 nút lá cho mô hình Felder & Silverman và 4 nút lá cho mô hình Kolb. So sánh 
về hiệu suất của các mô hình được trình bày trong bảng 2. Các mạng nơ-ron có hiệu suất cao hơn so với các cây 
quyết định. Điều này được thể hiện từ các giá trị phân tích thống kê Kappa (Carletta, 1996). Hiệu suất của mô hình 
perceptron đa tầng dành cho mô hình Kolb là tốt hơn so với mô hình Felder & Silverman vì nó có giá trị tổng số lỗi 
bình phương (Sum of Squared Error) thấp hơn. Ngoài ra, hiệu suất của mô hình cây quyết định có thể so sánh được 
cho cả hai mô hình Felder & Silverman và Kolb. Giá trị thống kê Kappa của mô hình Kolb là cao hơn so với mô 
hình Felder & Silverman; giá trị tổng số lỗi bình phương cao hơn so với sử dụng cây quyết định (dicision tree) cho 
mô hình Felder & Silverman. Dữ liệu được biểu diễn trong hình được thực hiện thông qua quá trình mô phỏng. Trước 
tiên, quá trình mô phỏng tạo ra cấu trúc của mô hình, sau đó sẽ tiến hành đo hiệu suất của mô hình. 
Hình 4. Mô phỏng quá trình tạo mô hình mạng nơ-ron cũng như tính hiệu suất dựa theo lí thuyết học tập 
của Felder & Silverman 
Bảng 1. So sánh các cấu trúc của các mô hình 
 Model / AI Method Number of Number of Size of student Number of 
 student attributes learning styles sample data nodes in model 
 (classification 
 classes) 
 Felder Silverman/Multilayer Perceptron 6 6 22 12 
 Felder Silverman/Decision Tree 6 6 22 11 
 Kolb/Multilayer Perceptron 8 4 12 10 
 Kolb/Decision Tree 8 4 12 7 
VJE Tạp chí Giáo dục, Số 487 (Kì 1 - 10/2020), tr 1-8 ISSN: 2354-0753 
6 
Bảng 2. So sánh hiệu suất của các mô hình 
 Model / AI Method Correctly Incorrectly Kappa statistics Root mean 
 classified classified squared error 
 instances instances 
 Felder Silverman/Multilayer Perceptron 22 0 1 0.0393 
 Felder Silverman/Decision Tree 15 7 0.6051 0.2611 
 Kolb/Multilayer Perceptron 12 0 1 0.0351 
 Kolb/Decision Tree 9 3 0.6667 0.2887 
2.4. Khung phong cách học tập cho mô hình giáo dục thông minh 
Nói đến giáo dục thông minh là nói đến các phong cách học tập được cá nhân hóa mọi lúc mọi nơi và ở mọi thời 
điểm. Để giúp điều này trở nên khả thi và được ứng dụng rộng rãi, việc phát triển một hệ thống phần mềm sử dụng 
trí tuệ nhân tạo nhằm xác định các phong cách học tập được các tác giả đề xuất. Các phong cách học tập hiện có 
được sự dụng để làm cho nội dung học tập trở nên thích ứng và cung cấp các nội dụng học tập đa dạng cho nhiều đối 
tượng học tập dựa trên các phong cách học tập phù hợp với bản thân người học. Hiện tại, các tác giả đã trình bày mô 
phỏng việc sử dụng các kĩ thuật trí tuệ nhân tạo vào hai hệ thống lí thuyết phong cách học tập là mô hình Felder 
& Silverman và mô hình Kolb. Hệ thống phần mềm đang được các tác giả phát triển mong muốn trong thời gian tới 
sẽ tích hợp thêm nhiều lí thuyết học tập hơn như Honey và Mumford (Honey P, Mumford A., 1994) cũng như lí 
thuyết học tập của VARK (Fleming ND., 2001); cũng như việc áp dụng nhiều phương pháp trí tuệ nhân tạo như 
logic mờ, thuật toán di truyền, Mạng Bayes và mô hình Morkov vào trong quá trình phân tích. Ngoài ra, các tác giả 
cũng mong muốn trong tương lai sẽ mở rộng các biến trong tập dữ liệu để có thể áp dụng cho nhiều môi trường học 
tập khác nhau. Những môi trường học tập này có thể là các trường phổ thông, các cơ sở giáo dục đại học. Sự khác 
biệt trong dữ liệu có thể xuất phát từ các chương trình học khác nhau như nghệ thuật, 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.