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
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 Elearning 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.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Trang 7
Trang 8
Tóm tắt nội dung tài liệu: 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.
File đính kèm:
- giao_duc_thong_minh_tren_co_so_tri_tue_nhan_tao_giup_xac_din.pdf