De Cuong Cao Hoc Chuyen Nganh Tin Hoc

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (153.03 KB, 10 trang )

(1)<div class='page_container' data-page=1>

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC ĐÀ NẴNG

Họ và tên tác giả:

TRẦN NAM THÀNH

Tên đề tài:

HỆ THỐNG TƯ VẤN TÀI NGUYÊN HỌC TẬP

Chuyên ngành: Khoa học máy tính

Mã số:……

ĐỀ CƯƠNG NGHIÊN CỨU LUẬN VĂN THẠC SĨ:

Ngành Khoa học máy tính

</div>
(2)<div class='page_container' data-page=2>

1. Tóm tắt mục tiêu & nội dung thực hiện

Dạy học điện tử (E – Learning) ở nước ta trong những năm gần đây có những
bước phát triển đáng kể. Mơ hình này đã và đang được áp dụng khá thành công
ở một số đơn vị.

Tuy khác với phương pháp dạy truyền thống, dạy điện tử với khả năng tương
tác cao dựa trên multimedia, tạo điều kiện cho người học trao đổi thông tin dễ
dàng hơn cũng như đưa ra nội dung học tập phù hợp với khả năng và sở thích
từng người [10].

Với các phương pháp dạy học truyền thống, hay qua tương tác thì giữa chúng
cũng có những mặt thuận lợi và hạn chế của riêng nó. Cụ thể trong quá trình

học, giáo viên và học viên sẽ gặp nhiều khó khăn trong việc chọn lựa tài
nguyên học tập.

Cho nên cần có một qui trình tự động trao đổi thơng tin về tài nguyên học tập
giữa giáo viên và học viên. Hệ thống tư vấn đó sẽ làm tăng thêm hoạt động dạy
học điện tử tăng nhanh về số lượng cũng như chất lượng [1].

Mục tiêu đề tài đặt ra:

 Đề xuất mơ hình hệ thống tư vấn tài ngun học tập, đó sẽ là cơng cụ hỗ
trợ tốt học viên trong việc tìm ra được những tài liệu cần thiết phục vụ
cho việc học. Hai kỹ thuật được sử dụng kèm theo mơ hình này là:
phương pháp dùng để ước lượng đa tiêu chuẩn cho những yêu cầu học
viên, phương pháp tìm kiếm sử dụng logic mờ để tìm ra tài liệu học tốt
theo yêu cầu học viên.

 Phỏng theo mơ hình trên phát triển hệ thống có thể hỗ trợ những lớp học
trực tuyến với số lượng học viên đơng học tập có hiệu quả hơn.

2. Cơ sở lý thuyết

1.1 Các kỹ thuật thiết kế hệ thống tư vấn

Những nghiên cứu về các hệ thống tư vấn có thể được chia làm 3 loại: nghiên
cứu phát triển kỹ thuật cho hệ thống, nghiên cứu về hoạt động của người dùng
và những vấn đề riêng tư [1]. Một dãy các kỹ thuật tư vấn chẳng hạn như data
mining, agents và suy luận, được phát triển và tích hợp vào trong hệ thống [3],
[4], [5], [6].

</div>
(3)<div class='page_container' data-page=3>

Hệ thống tư vấn content – based cung cấp những lời tư vấn cho khách hàng

một cách tự động dựa trên việc đối sánh những sở thích phù hợp với nội dung
sản phẩm.

Trong hệ thống content – based, các sản phẩm được mơ tả bằng một tập các
thuộc tính thơng dụng. các sở thích của khách hàng được dùng để tiên đốn
bằng phân tích mối quan hệ giữa các đánh giá sản phẩm và phụ thuộc nhiều
vào các thuộc tính sản phẩm. Một vấn đề trọng tâm trong content – based cần
thiết phát nhận diện được một tập các thuộc tính phải đủ lớn. Trong trường hợp
tập này quá nhỏ, ngược lại sẽ làm cho thông tin không đủ để biết được thơng
tin của khách hàng. Chính vì vậy, content – based không thể được sử dụng cho
những khách hàng mới chỉ mua một lần, những khách hàng tiềm năng những
người ghé thăm web site nhưng chưa tạo một giao dịch mua bán này và khác
hàng người muốn mua không được thường xuyên.

Hệ thống collaborative đánh giá những sở thích khách hàng cho sản phẩm dựa
trên sự chồng chéo của nhiều sở thích trên sản phẩm đó nhưng của nhiều người
khác nhau. [8][11][12].

Điểm khác biệt chính giữa hệ thống collaborative và content – based là
collaborative lần vết theo những hoạt động trong quá khứ của một nhóm khách
hàng đã có những đề nghị cho một thành viên trong nhóm. Sử dụng cách tiếp
cận này, khách hàng có thể nhận được lời tư vấn về sản phẩm thường không
giống về nội dung [11][12].

Collaborative cũng phải đối đầu với những thử thách mà một trong những vấn
đề đó là dữ liệu thưa, khó khăn cho collaborative phải tính tốn một cách chính
xác những neighborhood và nhận ra những sản phẩm được tư vấn, một vấn đề
nữa là khi sản phẩm mới được thêm vào hệ thống thì liệu rằng những đánh giá
của khách hàng về nó hồn tồn chưa có.

Học viên cần lưu trữ lại những gì đã học bằng các kỹ thuật hỗ trợ và những lời
đề nghị. Chất lượng lời tư vấn phải được đảm bảo như trong hệ thống tư vấn về
thương mại điện tử (e – commerce), vì một lời tư vấn tồi sẽ dẫn đến tình trạng:

 false negative: tài nguyên học tập không được giới thiệu mặc dù học
viên rất cần đến.

</div>
(4)<div class='page_container' data-page=4>

1.2 Mơ hình hệ thống

1.3 Mơ tả mơ hình

Có 4 thành phần chính:

1 – getting student information: nhận thông tin học viên

2 – identifying student requirement: nhận biết nhu cầu học viên
3 – learning material matching analysis: tìm tài nguyên học
4 – generaing reccommendation: phát sinh ra lời tư vấn

4 thành phần trên được kết nối với giao diện người dùng, một cơ sở dữ liệu học
viên, một cơ sở dữ liệu cây tài nguyên học. Hệ thống bắt đầu bằng việc nhận
thơng tin từ phía học viên và lưu trữ chúng vào trong cơ sở dữ liệu học viên
trong thành phần thứ 1, những nhu cầu của học viên có liên quan đến tài nguyên
học được phân tích ở thành phần 2. Bộ phân tích nhu cầu của học viên được
dùng để trong phân tích để nhận ra được nhu cầu của học viên. Trong thành
phần 3, đối sánh tập luật được sử dụng để khám phá ra sự liên kết, kết hợp giữa
nhu cầu của học viên và cây tài nguyên học. Trong thành phần 4, một danh sách
các tài nguyên đã được xuất ra phù hợp với nhu cầu của học viên

Định nghĩa

Trong trường hợp này, học viên được biểu diễn như là một vector X = (x1, x2,

…, xn). Đa tiêu chuẩn là tiêu chí cho việc đánh giá những yêu cầu của học viên

được biểu diễn như là một biến độc lập, được viết như là một vector tiêu chuẩn
C = (c1, c2, … cm).

Student
Interface

1: Getting 
student 
information

2: student 
require 
identification

3: Learning 
material 
analysis

4: Learning 
recommendation 
generation

Student 
database

Matching Rules
Multi-criteria

student require

analysis model Learning 
material tree
Learning material

management
Intensional information

</div>
(5)<div class='page_container' data-page=5>

Một yêu cầu của một sinh viên xi cho tài nguyên học được biểu diễn dưới dạng

một vector Ri1 = (n1, f1, …, fp). Trong đó:

1<= i <= n

ri1 chính là yêu cầu về nội dung học.

f1, .., fp: là những đặc điểm của yêu cầu trong tài nguyên học tập.

Những lời tư vấn cho sinh viên xi được tìm thấy là một danh sách tài nguyên

học tập Li = (li1, li2, …, lik) từ kết quả phân loại tài nguyên học.

Tập tài nguyên học Li đối sánh với yêu cầu của học viên Ri (i = 1, 2, 3, …n) với

một luật đối sánh mờ FMm {(Rm,Lmj,(Rm,Lmj))},m1,...,k
Trong phép đối sánh mờ này,

FMm, Rm thuộc R

lmj thuộc L

là thành viên của lmj cho rm, rm có thể là một phân cấp tiêu chuẩn phân

loại tài nguyên học. m = 1, … k

1.4 Phân tích các thành phần
(1) Nhận thông tin học viên

Thành phần này mục tiêu dùng để lấy thông tin đối với học viên mới và nhận ra
học viên nếu học viên đã được đăng kí vào cơ sở dữ liệu.

Thơng tin lấy được có thể lấy từ nhiều nguồn thông tin khác nhau.

 Intensional information: những thơng tin của học viên quan tâm chính để
tài nguyên học tập chẳng hạn như một chủ đề hoặc từ khóa mà học viên
quan tâm.

 Extensional Information: thơng tin lấy từ những họat động khác của học
viên, chẳng hạn như từ những tài nguyên học truy cập trước đó, thơng tin về
những lớp học hiện tại mà học viên đang học hoặc đang quan tâm …

Trên cơ sở thông tin được lấy từ nguồn trực tiếp hoặc gián tiếp, tất cả cũng
nhằm mục đích chuyển giao những thơng tin nhận được cho thành phần kế tiếp
để giúp nhận ra được yêu cầu của học viên.

(2) Nhận biết yêu cầu học viên

</div>
(6)<div class='page_container' data-page=6>

phương pháp phân tích đa tiêu chuẩn cung cấp cho chúng ta một mơ hình phân
tích u cầu của học viên.

Thành phần này sẽ tìm ra được thông tin từ nhiều nguồn thông tin khác nhau và
cung cấpmột mơ hình phân tích đa tiêu chuẩn yêu cầu học viên. Cơ sở dữ liệu
học viên có nhiều mẩu tin liên quan đến cách học, cách truy cập đến những tài
nguyên học và lưu trữ những nhóm học viên khác nhau (chẳng hạn như nhóm
học viên về kinh tế, học viên về tư nhiên hoặc xã hội nhân văn …). Những mẩu
tin này được sử dụng nhằm giúp hệ thống nhận ra được những sở thích riêng
của học viên và những học viên lân cận trong nhóm.

Dùng cách tiếp cận này, học viên sẽ nhận những lời tư vấn về tài nguyên học
tập mà hầu như những người bạn cùng khóa học cũng thích. Ngồi ra, thành
phần này tìm kiếm dựa theo những mối quan hệ có ý nghĩa, giữa những dữ liệu
của các yêu cầu sinh viên liên quan đến những tài nguyên học trong lớp.

Mô hình phân tích u cầu học viên đa tiêu chuẩn được đề ra bằng việc sử dụng
khái niệm về các mơ hình quyết định đa tiêu chuẩn và được xây dựng nhằm
phục vụ cho tất cả các học viên. Nhưng mỗi học viên có thể có những trong số
khác nhau về những tiêu chuẩn mà chúng ta có thể thấy được qua những đặc
điểm riêng hoặc trong quá trình học tập.

Có nhiều phương pháp khác nhau để giải quyết vấn đề đa tiêu chuẩn này. Cách
tiếp cận nghiêm ngặt này được đề nghị dùng kiểm tra những điều kiện khác
nhau và phát triển một hàm định trị đa tiêu chuẩn. Trong một tình huống thực
tế, những giá trị tiêu chuẩn này thường khơng chắc chắn và nó được biểu diễn
bởi từ cụm từ như “important”, “more important”, “strong background”, “weak
background”.

Chính vì vậy, tập mờ được sử dụng để nhằm đưa ra một giải pháp cho việc lưu
trữ các vấn đề về đa tiêu chuẩn.

(3) Tìm kiếm tài nguyên học

Thành phần này sử dụng tập luật đối sánh mờ để tìm những tài nguyên học phù
hợp với yêu cầu học viên cung cấp. Trong hầu hết những trang Web e –
learning, phân loại tài nguyên học có sẵn. phân loại tài nguyên học được trình
bày trong phần thực hành như là một cây có khả năng phân lớp với một tập các
tài nguyên học từ thấp đến cao.

Nút lá của cây dùng để mô tả những thể hiện của tài nguyên học và những nút
không phải là nút lá dùng để biểu diễn những phân lớp của tài nguyên học bằng
cách kết hợp những nút cấp thấp vào một nút cha.

</div>
(7)<div class='page_container' data-page=7>

khiển những phân lớp không chắc chắn như là phân lớp về tài nguyên học mô tả
trong một cây để làm nhiệm vụ phân tích dữ liệu đế hiệu quả được nâng cao.
Tập mờ dựa trên cơ sở độ đo khoảng cách mờ [16] có thể giới thiệu một hướng
phát triển trong việc đối sánh những yêu cầu học viên đến tài nguyên học vì
chúng phụ thuộc nhiều vào tính co giãn của tập mờ.

Trong thành phần này, cung cấp một tập các yêu cầu Ri của một sinh viên xi, và
một luật kết hợp rút ngắn từ mẫu Ri  Li (tìm được Li dựa trên Ri) trong đó Li

là tập tài nguyên học của chủ đề dựa trên tiêu chuẩn đánh giá. Nhiệm vụ của
thành phần là tìm ra cho được tập tài nguyên học Li = (li1, li2, …, lik) cho một

học viên xi, lim có thể là một hoặc một phân lớp tài nguyên học có cùng cấp.

(4) Phát sinh tư vấn tài nguyên học

Bằng việc sử dụng tập luật tìm kiếm để khám phá ra sự kết hợp giữa yêu cầu
học viên và danh sách các tài nguyên học (N). Ngồi ra, thành phần này cịn
nhắm đến những việc như làm như thế nào để quyết định N cho top – N giới
thiệu tài nguyên học và định dạng riêng của tư vấn. Những tư vấn ấy sẽ được xử
lí như là những mẩu tin được lưu trữ vào trong cơ sở dữ liệu của học viên.

3. Phạm vi ứng dụng

Mơ hình được đề xuất để mục tiêu phục vụ rộng rãi trong lĩnh vực giáo dục, tập
trung vào mơ hình E – Learning, phát triển mơ hình như là một dịch vụ hỗ trợ
các trường học hoặc trung tâm có tổ chức những lớp học trực tuyến trên mạng.

4. Dự kiến kết quả đạt được

Kết quả dự kiến tập trung việc phát triển ứng dụng từ mơ hình đã đề xuất, thử
nghiệm mơ hình ở Trung Tâm Phát Triển CNTT ĐHQG TP. HCM vì đây là
một đơn vị đã có kinh nghiệm và sự thành cơng trong lĩnh vực áp dụng mơ hình
E-learning vào việc đào tạo qua mạng máy tính viễn thơng.

Một số minh họa ý tưởng phác thảo các bảng dữ liệu cho hệ thống
SID Name Background Style Type …

102 Nam CNTT A PT

103 Lan Kỹ thuật B FT

104 Hoa Kinh tế B FT

… … … … …

Bảng 1: một ví dụ về thông tin của một học viên

</div>
(8)<div class='page_container' data-page=8>

102 L-234 07/06/05
104 L-133 03/04/05

… … …

Bảng 2: Ví dụ về bảng lưu trữ lại tài nguyên đã được học viên truy cập

SID Access possibility List

102 96 L-234, L-343, L-355

103 90 ER transformation

104 80 L-311, L-322

Bảng 3: Ví dụ về đề xuất

Cây tài nguyên học

5. Hướng phát triển

Mặc dù 2 kỹ thuật thiết kế cho hệ thống tư vấn: content – based và collaborative
filtering cho một số hạn chế khi sử dụng (đã nêu), tuy nhiên nếu hướng đến mục

Database subject

Introduction

ER- Modeling

Normalization

SQL

Transaction

Businness Rules

Draw ER Model

ER-Tranformation

L-221,3,.
L-222.

L-223,3,.

L-224,2,.

L-231,1,.
L-232,2,.

…

L-533,1,.

</div>
(9)<div class='page_container' data-page=9>

tiêu kết hợp những kỹ thuật trên vào hệ thống để hệ thống có thể hồn chỉnh

hơn, giảm độ sai sót về 2 lỗi mà một hệ thống tư vấn thường gặp phải là false
positive và false negative.

6. Tài liệu tham khảo

[1] Jei Lu, A Personalized E – Learning Material Recommender System,
Proceedings of the 2nd International Conference on Information Technology for
Application (ICITA 2004).

[2] S.W. Changchien, and T. Lu, “Mining association rules procedure to
support on-line recommendation by customers and products fragmentation”
Expert Systems with Applications Vol. 20 (2001), pp. 325–335.

[3] K.W. Cheung, J.T. Kwok, M.H. Law and K.C. Tsui, “Mining customer
product ratings for personalized marketing” Decision Support Systems Vol. 35
(2003), pp. 231-243. Research Vol. 34 (1988), pp. 152-159.

[4] T.H. Cho, J. K. Kin and S. H. Kim, “A personalized recommender system
based on web usage mining and decision tree induction” Expert Systems with
Applications 23 (2002), pp. 329-342.

[5] O.B. Kwon, “I know what you need to buy” context –aware
multimedia-based recommendation system” In Expert Systems with Applications, 2002,
(Article in Press).

[6] R.D. Lawrence, G.S. Almasi, V. Kotlyar, M.S. Viveros and S. Duri,
“Personalization of supermarket product recommendations” Data Mining and
Knowledge Discovery Vol. 5 (2001), pp. 11–32.

[7] T.H. Roh, K.J. Oh and I. Han, “The collaborative filtering recommendation

based on SOM cluster-indexing CBR” Expert Systems with Applications, 2003,
(Article in Press).

[8] Loren Terveen and Will Hill, Beyond Recommender Systems: Helping
People Help Each Other, AT&T Labs - Research

[9] Võ Tâm Vân, Luận văn thạc sỹ: Ứng dụng tính tốn lưới cho dạy học điện
tử, CH K12, ĐHKHTN ĐHQG TP. Hồ Chí Minh, hướng dẫn khoa học TS. Lê
Hồi Bắc

[10] Web site về E – Learning của Trung Tâm Tin Học, Bộ
Giáo Dục & Đào Tạo.

</div>
(10)<div class='page_container' data-page=10>

[12] Nguyễn Công Phú, Using Trust In Reccomender System: An experimental
Analysis, CH K13 trường ĐHKHTN ĐHQG TP. Hồ Chí Minh, GVHD: PGS.
TS. Đồng Thị Bích Thủy

[13] L. A. Zadeh, “Fuzzy sets” Inform & Control Vol. 8(1965), pp. 338-353.
[14] O.R. Zaiane “Web usage mining for better web-based learning
environment” In Prof. of Conference on Advanced Technology for Education,
pp 60-64, Banff, AB, June 2001.

[15] R.R Yager, “Fuzzy logic methods in recommender systems” Fuzzy Sets
and Systems Vol. 136 (2003), pp. 133-149.

[16] G.QZhang “On fuzzy number-valued fuzzy measures defined by fuzzy
number-valued fuzzy integrals I” Fuzzy Sets and Systems Vol. 45 (1992), pp.
227-237.