Nghiên cứu ứng dụng phương pháp SVM vào phân nhóm học sinh có khả năng cao vào học tại trường đại học kiên giang phần 1 luận văn thạc sĩ

BỘ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP THÀNH PHỐ HỒ CHÍ MINH

VÕ HỒNG NHÂN

NGHIÊN CỨU ỨNG DỤNG PHƯƠNG PHÁP
SVM VÀO PHÂN NHÓM HỌC SINH CÓ KHẢ
NĂNG CAO VÀO HỌC TẠI TRƯỜNG
ĐẠI HỌC KIÊN GIANG

Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã chuyên ngành: 60 48 01 01

LUẬN VĂN THẠC SĨ

THÀNH PHỐ HỒ CHÍ MINH, NĂM 2021


Cơng trình được hồn thành tại Trường Đại học Cơng nghiệp TP. Hồ Chí Minh.
Người hướng dẫn khoa học: TS. Trương Khắc Tùng.
Luận văn thạc sĩ được bảo vệ tại Hội đồng chấm bảo vệ Luận văn thạc sĩ Trường Đại
học Cơng nghiệp thành phố Hồ Chí Minh ngày 17 tháng 10 năm 2021
Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:
1. PGS.TS. Huỳnh Trung Hiếu ........................... - Chủ tịch Hội đồng
2. TS. Lê Thành Sách .......................................... - Phản biện 1
3. TS. Đặng Thị Phúc .......................................... - Phản biện 2
4. TS. Trịnh Tấn Đạt ........................................... - Ủy viên
5. TS. Lê Nhật Duy ............................................. - Thư ký
(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)
CHỦ TỊCH HỘI ĐỒNG

TRƯỞNG KHOA
CÔNG NGHỆ THÔNG TIN


BỘ CƠNG THƯƠNG
CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP
Độc lập - Tự do - Hạnh phúc
THÀNH PHỐ HỒ CHÍ MINH
NHIỆM VỤ LUẬN VĂN THẠC SĨ
Họ tên học viên: Võ Hoàng Nhân

MSHV: 17112911

Ngày, tháng, năm sinh: 10/4/1993

Nơi sinh: Sóc Trăng

Chun ngành: Khoa học máy tính

Mã chun ngành: 60480101

I. TÊN ĐỀ TÀI:
Nghiên cứu ứng dụng phương pháp SVM vào phân nhóm học sinh có khả năng cao
vào học tại trường Đại học Kiên Giang
NHIỆM VỤ VÀ NỘI DUNG:
- Nghiên cứu các phương pháp phân nhóm dữ liệu.
- Tiền xử lý dữ thu thập được.
- Xây dựng ứng dụng phân nhóm dữ liệu dựa vào thuậ tốn SVM
- Phân tích kết quả và đưa ra hướng phát triển.

II. NGÀY GIAO NHIỆM VỤ: 06/09/2019
III. NGÀY HOÀN THÀNH NHIỆM VỤ: 17/10/2021
IV. NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. Trương Khắc Tùng
Tp. Hồ Chí Minh, ngày … tháng
NGƯỜI HƯỚNG DẪN

năm 2021

CHỦ NHIỆM BỘ MÔN ĐÀO TẠO

TS. Trương Khắc Tùng

TRƯỞNG KHOA CÔNG NGHỆ THÔNG TIN


LỜI CẢM ƠN
Để hoàn thành được bài luận văn thạc sĩ này, tơi xin bày tỏ sự cảm kích đặc biệt tới
cố vấn của tôi, Tiến sĩ Trương Khắc Tùng - Người đã định hướng, trực tiếp dẫn dắt
và cố vấn cho tôi trong suốt thời gian thực hiện đề tài nghiên cứu khoa học. Tôi xin
gửi lời cảm ơn đến thầy bằng tất cả tấm lòng và sự biết ơn của mình.
Tơi cũng xin gửi lời cảm ơn chân thành đến thầy Lê Nhật Duy – Phó khoa Cơng nghệ
thông tin đã hướng dẫn và giúp đỡ các biểu mẫu và quy trình hồn thành đề tài luận
văn từ khi bắt đầu đăng ký đề cương đến khi bảo vệ luận văn.
Tôi cũng xin gửi lời cảm ơn chân thành đến thầy Lê Ngọc Sơn – Trưởng phòng Quản
lý Sau đại học và tất cả Thầy, Cô ở đây đã giúp đỡ tôi về các thủ tục cần thiết để hồn
thành luận văn.
Sau cùng, tơi xin tỏ lịng biết ơn đến Trường Đại học Kiên Giang – Cơ quan nơi tôi
công tác, đã tạo điều kiện về thời gian, cơng việc để tơi có thể hồn thành luận văn
thạc sĩ.
Xin chân thành cảm ơn tất cả mọi người!

i


TÓM TẮT LUẬN VĂN THẠC SĨ
Việc tuyển sinh ở các trường Đại học, Cao đẳng, trung cấp chuyên nghiệp trong thời
gian gần đây là vấn đề được Lãnh đạo trường đặc biệt quan tâm. Các thay đổi quy
định của Bộ giáo dục cũng ảnh hưởng rất nhiều đến hiệu quả tuyển sinh ở các trường.
Bên cạnh đó số lượng các trường Đại học, Cao đẳng, trung cấp chuyên nghiệp được
thành lập ngày càng nhiều vì vậy quá trình tuyển sinh cũng gặp khơng ít khó khăn,
có rất nhiều trường do không tuyển sinh được đã giải tán hoặc sáp nhập vào các
trường lớn để duy trì hoạt đợng. Để đối mặt với thực tại trên ở mỗi trường luôn lập
các kế hoạch, chiến lược mới, có tính đợt phá để hồn thành chỉ tiêu của Bợ giáo dục
giao hàng năm và trường Đại học Kiên Giang là một trong số đó.
Trường Đại học Kiên Giang được thành lập theo Quyết định số 758/QĐ/TTg ngày
21/05/2014 của Thủ tướng Chính Phủ trên cơ sở Phân hiệu của Trường Đại Học Nha
Trang tại Kiên Giang. Hiện tại trường có khoảng 5000 Sinh viên theo học, hàng năm
trường được Bộ giáo dục và đào tạo giao chỉ tiêu Tuyển sinh khoảng 1000 Sinh viên.
Do trường mới thành lập nên quá trình Tuyển sinh cũng gặp rất nhiều khó khăn, đã
có nhiều phương án được đưa ra nhưng nhìn chung vẫn chưa được tối ưu.
Vì vậy trong đề tài này chúng tôi đề xuất một phương pháp giúp nhà Trường có cái
nhìn tổng qt về tình hình Tuyển sinh bằng cách phân nhóm học sinh có khả năng
cao vào học tập tại trường Đại học Kiên Giang. Để thực hiện việc này chúng tôi sử
dụng thuật toán Support Vector Machine (SVM) được cài đặt trên ngôn ngữ Python
3.6 và một số thư viện hỗ trợ khác.

ii


ABSTRACT

Student enrollment for universities, colleges, and professional secondary schools was
an issue that the school administrator pay more attention at the moment. Beside, the
enrollment regulations of the Ministry of Education and Training had changed every
year that also significantly affect on enrollment efficiency at schools. In addition, the
number of universities have been established more and more.

Therefore, the

enrollment process was also fronting many difficulties. Many schools were not enroll
students that have separated or merged into large schools to maintain operations. To
face the reality situation, Kien Giang university was one of the universities which
always designs breakthrough plans and strategies to fulfill the annual target assigned
by the Ministry of Education and Training.
Kien Giang University was established under Decision No. 758/QD/TTg by the
Prime Minister dated May 21, 2014. Currently, Kien Giang University has about 5000
students. This university is assigned the target of Enrollment about 1000 students by
the Ministry of Education and Training every year. Because Kien Giang University
has been established for 7 years ago, the admission process also faced many
difficulties. Although the administrators tried to find many options, the results of the
enrollment for their university were not satisfactory.
Hence, in this current study, researcher suggested a method to contribute Kien Giang
University have an overview of the enrollment situation by grouping students with
high possibility to learn at Kien Giang University. Researcher used the Support
Vector Machine (SVM) algorithm installed on Python 3.6 language and some other
support archives.

iii


LỜI CAM ĐOAN

Tơi xin cam đoan đây là cơng trình nghiên cứu của bản thân tôi. Các kết quả nghiên
cứu và các kết luận trong luận văn là trung thực, không sao chép từ bất kỳ một nguồn
nào và dưới bất kỳ hình thức nào. Việc tham khảo các nguồn tài liệu (nếu có) đã được
thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định.
Học viên

Võ Hoàng Nhân

iv


MỤC LỤC
LỜI CẢM ƠN ............................................................................................................. i
TÓM TẮT LUẬN VĂN THẠC SĨ ............................................................................ ii
ABSTRACT .............................................................................................................. iii
LỜI CAM ĐOAN ..................................................................................................... iv
MỤC LỤC ...................................................................................................................v
DANH MỤC HÌNH ẢNH ....................................................................................... vii
DANH MỤC BẢNG BIỂU .................................................................................... viii
DANH MỤC TỪ VIẾT TẮT .................................................................................... ix
MỞ ĐẦU .....................................................................................................................1
1. Đặt vấn đề ...............................................................................................................1
2. Mục tiêu nghiên cứu ................................................................................................2
3. Đối tượng và phạm vi nghiên cứu ...........................................................................2
4. Cách tiếp cận và phương pháp nghiên cứu .............................................................3
5. Ý nghĩa thực tiễn của đề tài .....................................................................................3
CHƯƠNG 1

TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU...............................4

CHƯƠNG 2

CƠ SỞ LÝ THUYẾT ........................................................................6

Phân loại các thuật toán Machine learning...................................................6
2.1.1

Phân loại dựa trên phương thức học .....................................................6

2.1.2

Phân loại dựa trên chức năng ................................................................7
Các thuật tốn dùng để phân nhóm dữ liệu ..................................................8

2.2.1

Support Vector Machine (SVM) ...........................................................8

2.2.2

Máy học Naïve bayes ..........................................................................14

2.2.3

Máy học cây quyết định ......................................................................17
Mạng Nơ-ron ..............................................................................................22

2.3.1

Perceptrons ..........................................................................................22

2.3.2

Kiến trúc mạng NN .............................................................................26

2.3.3

Lan truyền tiến ....................................................................................28

2.3.4

Học với mạng NN ...............................................................................29

2.3.5

Lan truyền ngược và đạo hàm.............................................................29

2.3.6

Kết luận ...............................................................................................31
Thuật toán Principal Component Analysis.................................................32

v


2.4.1

Mở đầu ................................................................................................32

2.4.2

Dữ liệu.................................................................................................33
Các thư viện hỗ trợ .....................................................................................34

2.5.1

Scikit Learn .........................................................................................34
Giới thiệu các cơng cụ lập trình và mơi trường vận hành ..........................38

2.6.1

Anaconda và Jupiter ............................................................................38

2.6.2

Môi trường vận hành ...........................................................................39

CHƯƠNG 3

CHUẨN BỊ DỮ LIỆU ĐỂ THỰC NGHIỆM .................................40

Thu thập dữ liệu .........................................................................................40
Tiền xử lý dữ liệu .......................................................................................40
Chuẩn hóa dữ liệu .......................................................................................42
3.3.1

Normalization .....................................................................................43

3.3.2

Standardization ...................................................................................44

CHƯƠNG 4 THỰC NGHIỆM DỰ ĐOÁN KHẢ NĂNG NHẬP HỌC CỦA
HỌC SINH VÀ ĐÁNH GIÁ KẾT QUẢ ..................................................................46
Thực nghiệm ...............................................................................................46
4.1.1

Đọc dữ liệu và phân chia dữ liệu ........................................................46

4.1.2

Huấn luyện ..........................................................................................47
Đánh giá kết quả .........................................................................................51

KẾT LUẬN VÀ KIẾN NGHỊ...................................................................................62
TÀI LIỆU THAM KHẢO .........................................................................................63
PHỤ LỤC ..................................................................................................................66
LÝ LỊCH TRÍCH NGANG CỦA HỌC VIÊN .........................................................74

vi


DANH MỤC HÌNH ẢNH
Hình 2.1 Ví dụ về bàn cờ vây ........................................................................................7
Hình 2.2 Ví dụ về phân lớp SVM trong khơng gian R2 ...............................................9
Hình 2.3 Phân lớp tuyến tính với SVM .......................................................................10
Hình 2.4 SVM phân lớp dữ liệu khơng tách rời ..........................................................11
Hình 2.5 Nơ-ron sinh học ............................................................................................23
Hình 2.6 Perceptron .....................................................................................................23
Hình 2.7 Sigmoid Function .........................................................................................25

Hình 2.8 Mơ hình Nơ-ron............................................................................................26
Hình 2.9 Neural Network ............................................................................................26
Hình 2.10 NN - 2 hidden layer ....................................................................................27
Hình 2.11 Chiều dữ liệu ..............................................................................................32
Hình 2.12 Dữ liệu liên quan ........................................................................................33
Hình 2.13 Dữ liệu khơng liên quan .............................................................................33
Hình 2.14 Mean và principal components. .................................................................34
Hình 2.15 Giao diện Website của thư viện Scikit-learn ..............................................35
Hình 2.16 Demo thực tốn phân cụm .........................................................................36
Hình 2.17 Giao diện Anaconda ...................................................................................38
Hình 2.18 Giao diện Jupiter Notebook........................................................................39
Hình 2.19 Python 3.6.3 ................................................................................................39
Hình 3.1 Tập dữ liệu sau khi tiền xử lý .......................................................................42
Hình 3.2 Kết quả trước và sau khi chuẩn hóa bằng MinMaxScaler ...........................44
Hình 3.3 Kết quả trước và sau khi chuẩn hóa bằng Normalizer .................................45
Hình 4.1 Kết quả sau khi h́n luyện mơ hình ............................................................53
Hình 4.2 Visualize ma trận confusion_matrix ............................................................54
Hình 4.3 Kết quả sau khi huấn luyện mơ hình bằng phương pháp Naive Bayes ........55
Hình 4.4 Kết quả sau khi h́n luyện mơ hình bằng phương pháp Cây quyết định....55
Hình 4.5 Kết quả sau khi huấn luyện mơ hình bằng phương pháp kNN ....................56
Hình 4.6 Kết quả sau khi h́n luyện mơ hình bằng phương pháp Mạng Noron .......56
Hình 4.7 Dữ liệu kiểm tra ............................................................................................57
Hình 4.8 Biểu đồ kết quả nhập học thực tế .................................................................57
Hình 4.9 Tỷ lệ sinh viên được dự đoán đăng ký nhập học ..........................................58
Hình 4.10 Biểu đồ học sinh được dự đốn đăng ký nhập học bằng phương pháp SVM
....................................................................................................................59
Hình 4.11 Biểu đồ học sinh được dự đoán đăng ký nhập học bằng phương pháp
Nạve Bayes ...............................................................................................59
Hình 4.9 Biểu đồ học sinh được dự đoán đăng ký nhập học bằng phương pháp Cây
quyết định...................................................................................................60

Hình 4.10 Biểu đồ học sinh được dự đốn đăng ký nhập học bằng phương pháp kNN
....................................................................................................................60
Hình 4.11 Biểu đồ học sinh được dự đoán đăng ký nhập học bằng phương pháp mạng
Noron .........................................................................................................61

vii


DANH MỤC BẢNG BIỂU
Bảng 2.1 Một số hàm nhân thường dùng ..................................................................14
Bảng 3.1 Bảng quy ước trường dữ liệu giới tính ......................................................40
Bảng 3.2 Bảng quy ước trường dữ liệu hồn cảnh gia đình .....................................40
Bảng 3.3 Bảng quy ước trường dữ liệu hạnh kiểm ...................................................40
Bảng 3.5 Bảng quy ước nhãn ....................................................................................42
Bảng 4.1 Kết quả các lần thử nghiệm bằng phương pháp SVM ...............................49
Bảng 4.2 Kết quả các lần thử nghiệm bằng phương pháp Naive Bayes ...................49
Bảng 4.3 Kết quả các lần thử nghiệm bằng phương pháp cây quyết định ................49
Bảng 4.4 Kết quả các lần thử nghiệm bằng phương pháp kNN ...............................49
Bảng 4.5 Kết quả các lần thử nghiệm bằng phương pháp mạng noron ....................50
Bảng 4.6 Các thông số của ma trận confusion_matrix .............................................51
Bảng 4.7 Ma trận confusion_matrix .........................................................................53
Bảng 4.8 Chỉ số precision, recall và f1-score ...........................................................53
Bảng 4.9 Đợ chính xác của các phương pháp ...........................................................56

viii


DANH MỤC TỪ VIẾT TẮT
EM

Expectation Maximization

kNN

k-Nearest Neighbor

LARS

Least-Angle Regression

LASSO

Least Absolute Shrinkage and Selection Operator

LDA

Linear Discriminant Analysis

LQV

Learning Vector Quantization

PCA

Principal Component Analysis

SRC

Sparse Representation-based classification

SVM

Support Vector Machine

ix


MỞ ĐẦU
1. Đặt vấn đề
Việc tuyển sinh ở các trường Đại học, Cao đẳng, trung cấp chuyên nghiệp trong thời
gian gần đây là vấn đề được Lãnh đạo trường đặc biệt quan tâm. Các thay đổi quy
định của Bộ giáo dục cũng ảnh hưởng rất nhiều đến hiệu quả tuyển sinh ở các trường.
Bên cạnh đó số lượng các trường Đại học, Cao đẳng, trung cấp chuyên nghiệp được
thành lập ngày càng nhiều vì vậy quá trình tuyển sinh cũng gặp khơng ít khó khăn,
có rất nhiều trường do khơng tuyển sinh được đã giải tán hoặc sáp nhập vào các
trường lớn để duy trì hoạt đợng.
Trước cơng tác đổi mới quy chế thi trung học phổ thông quốc gia năm 2020 của Bợ
giáo dục và đào tạo thì địi hỏi cơng tác tuyển sinh của các trường phải có những thay
đổi phù hợp với quy chế này và cả thí sinh cũng phải thích ứng với cách thức nợp hồ
sơ vào trường theo quy định mới. Tuy nhiên, do những thay đổi liên tục từ Bộ giáo
dục và đào tạo trong công tác tổ chức thi tốt nghiệp và đại học những năm gần đây
nên việc chiêu sinh đại học, cao đẳng sẽ có những trở ngại ban đầu cho các nhà tuyển
sinh, các trường đào tạo trong cách tư vấn tuyển sinh hiệu quả cũng như cho thí sinh
và các bậc phụ huynh. Mặt khác, họ không thể xác định chính xác được mỗi năm
cơng tác tổ chức thi cử là như thế nào? Mức điểm sàn sẽ thay đổi mạnh hay vẫn giữ
nguyên? Phổ điểm mỗi năm mỗi khác nhau cùng điểm thi qua bài thi trắc nghiệm có
đảm bảo được tính khách quan cho từng thí sinh…
Để đối mặt với thực tại trên ở mỗi trường ln lập các kế hoạch, chiến lược mới, có
tính đợt phá để hồn thành chỉ tiêu của Bợ giáo dục giao hàng năm và trường Đại học
Kiên Giang là một trong số đó.

Trường Đại học Kiên Giang được thành lập theo Quyết định số 758/QĐ/TTg ngày
21/05/2014 của Thủ tướng Chính Phủ trên cơ sở Phân hiệu của Trường Đại Học Nha
Trang tại Kiên Giang. Hiện tại trường có khoảng 4000 Sinh viên theo học, hàng năm
trường được Bộ giáo dục và đào tạo giao chỉ tiêu Tuyển sinh khoảng 1000 Sinh viên.

1


Do trường mới thành lập nên quá trình Tuyển sinh cũng gặp rất nhiều khó khăn, đã
có nhiều phương án được đưa ra nhưng nhìn chung vẫn chưa được tối ưu.
Vì vậy trong đề tài này chúng tơi đề x́t mợt phương pháp giúp nhà Trường có cái
nhìn tổng qt về tình hình Tuyển sinh bằng cách phân lớp học sinh có khả năng cao
vào học tập tại trường Đại học Kiên Giang. Để thực hiện việc này có thể áp dụng
nhiều thuật toán như: Naive Bayes Classification (NBC), Máy học cây quyết định, kNearest Neighbors (kNN), mạng Noron và chúng tơi lựa chọn Support Vector
Machine (SVM) làm thuật tốn chính.
2. Mục tiêu nghiên cứu
2.1 Mục tiêu tổng quát
Nghiên cứu phương pháp SVM ứng dùng vào phân lớp học sinh có khả năng cao vào
học tại trường Đại học Kiên Giang. Góp phần hỗ trợ q trình tuyển sinh của trường
được thực hiện dễ dàng và ít tốn kém hơn,
2.2 Mục tiêu cụ thể
Nghiên cứu giải thuật SVM.
Nghiên cứu vai trò ảnh hưởng của các tham số đối với giải thuật SVM.
Chọn các tḥc tính từ dữ liệu của học sinh đang học ở các trường trung học phổ
thông trong địa bàn tỉnh Kiên Giang làm giá trị đầu vào cho giải thuật SVM.
3. Đối tượng và phạm vi nghiên cứu
3.1 Đối tượng nghiên cứu
Các phương pháp máy học SVM.
Một số giải thuật metaheuristic dùng tối ưu tham số SVM.
3.2 Phạm vi nghiên cứu

Tìm hiểu các phương pháp phân lớp dữ liệu bao gồm cả SVM.

2


Không gian: Cài đặt và hiện thực phương pháp trên máy tính.
4. Cách tiếp cận và phương pháp nghiên cứu
4.1 Cách tiếp cận
Tìm hiểu tổng quan về các cơng trình nghiên cứu có liên quan và các thành tựu, hạn
chế đã được hoàn thành trước đây.
Nghiên cứu về phương pháp phân lớp bằng thuật toán SVM.
Cài đặt và hiện thực phương pháp, so sánh các kết quả thu được.
4.2 Phương pháp nghiên cứu
Phương pháp nghiên cứu dựa trên lý thuyết: Để giải quyết bài tốn phân nhóm trước
hết là phải tìm hiểu, thu thập các thơng tin cơ sở được giáo viên hướng dẫn cấp, sách
điện tử, Internet, và các đề tài nghiên cứu của những người đi trước, sau đó tổng hợp
và lập kế hoạch cho những cơng việc cần phải làm.
Phương pháp nghiên cứu dựa trên thực nghiệm: Thu thập dữ liệu mẫu sau đó phân
tích dữ liệu, trích chọn đặc trưng, triển khai cài đặt chương trình trên tập dữ liệu đủ
lớn và có đợ tin cậy.
5. Ý nghĩa thực tiễn của đề tài
Hiện nay nhà trường vẫn dựa vào các chỉ số thống kê kết quả tuyển sinh hàng năm
để tìm ra các đối tượng học sinh có khả năng vào học đại học, cách này vẫn còn khá
chủ quan dễ gây nhầm lẫn dẫn đến kết quả Tuyển sinh khơng tốt.
Sản phẩm khi hồn thành sẽ giúp nhà Trường tìm đúng các đối tượng có khả năng
cao vào học đại học tại trường, từ đó giúp cho công việc Tuyển sinh được thuận lợi,
dễ dàng và tiết kiệm hơn.

3

CHƯƠNG 1

TỔNG QUAN VỀ LĨNH VỰC NGHIÊN CỨU

Những năm gần đây, công tác tuyển sinh của hầu hết các trường đại học, cao đẳng và
trung cấp trên cả nước có khá nhiều thay đổi do việc đổi mới quy chế của kỳ thi trung
học phổ thơng quốc gia. Chính điều này đã gây nên những khó khăn cho cả bợ phận
tuyển sinh của các trường trong công tác quảng bá tuyển sinh và các thí sinh khi phải
tuân theo những quy định mới.
Trước công tác đổi mới quy chế thi trung học phổ thông quốc gia năm 2020 của Bộ
giáo dục và đào tạo thì địi hỏi cơng tác tuyển sinh của các trường phải có những thay
đổi phù hợp với quy chế này và cả thí sinh cũng phải thích ứng với cách thức nợp hồ
sơ vào trường theo quy định mới. Tuy nhiên, do những thay đổi liên tục từ Bộ giáo
dục và đào tạo trong công tác tổ chức thi tốt nghiệp và đại học những năm gần đây
nên việc chiêu sinh đại học, cao đẳng sẽ có những trở ngại ban đầu cho các nhà tuyển
sinh, các trường đào tạo trong cách tư vấn tuyển sinh hiệu quả cũng như cho thí sinh
và các bậc phụ huynh. Mặt khác, họ khơng thể xác định chính xác được mỗi năm
công tác tổ chức thi cử là như thế nào? Mức điểm sàn sẽ thay đổi mạnh hay vẫn giữ
nguyên? Phổ điểm mỗi năm mỗi khác nhau cùng điểm thi qua bài thi trắc nghiệm có
đảm bảo được tính khách quan cho từng thí sinh…
Ngun nhân của khó khăn đến từ nhiều yếu tố khách quan lẫn chủ quan, bao gồm:
Số lượng thí sinh thực tế tham gia tuyển sinh đại học, cao đẳng hầu như giảm đều qua
các năm; Có quá nhiều trường đại học, cao đẳng mới được thành lập gây ra sự phân
vâng bối rối cho thí sinh trong việc tiếp nhận quá nhiều kế hoạch quảng bá tuyển sinh
khi chọn trường đào tạo; Viêc các trường thuộc “top” trên hạ điểm chuẩn cho từng
ngành để đảm bảo đủ chỉ tiêu tuyển sinh cũng gây nhiều khó khăn bất cập cho các
trường tḥc “top” dưới.
Mặt khác, thí sinh được đăng ký quá nhiều nguyện vọng, nên phần lớn đều tập trung
xét tuyển vào trường thuộc mức chất lượng cao trước, nếu không đủ điểm xét tuyển

mới xét tiếp các trường hạng dưới; công tác tuyển sinh đại học, cao đẳng cũng thay
đổi, các trường bắt đầu bổ sung thêm nhiều hình thức xét tuyển như xét tuyển bằng

4


học bạ trung học phổ thông…Sinh viên tốt nghiệp đại học, cao đẳng nhưng lại khơng
thể tìm được việc hoặc phải làm trái ngành với mức lương thấp, kèm theo đó là các
khoản chi phí cho việc học khá cao khiến các thí sinh chỉ muốn chuyển hướng đi làm
ngay sau khi tốt nghiệp cấp trung học phổ thông. Bên cạnh đó thì danh tiếng và chất
lượng của nhà trường có các quy chế liên kết đào tạo với doanh nghiệp hay khơng
cũng là điều để các thí sinh bận tâm.
Trong nghiên cứu này tác giả đưa ra giải pháp công nghệ thông tin để giúp công tác
tuyển sinh của Trường Đại học Kiên Giang được tốt hơn, kết quả của nghiên cứu sẽ
tìm ra được các bạn học sinh có khả năng cao vào học tại trường Đại học Kiên Giang,
từ đó nhà trường sẽ có những định hướng, tiếp cận các đối tượng này để tư vấn cũng
như cung cấp thêm thông tin về Trường, các ngành đào tạo, học phí, hình thức học….

5