Phân tích kết quả khảo sát chất lượng học phần của sinh viên Đại học Kinh tế Thành phố Hồ Chí Minh bằng phương pháp học máy

Abstract

Khảo sát chất lượng học phần là công cụ quan trọng để các trường đại học đánh giá hiệu quả giảng dạy và học tập. Tại Đại học Kinh tế Thành phố Hồ Chí Minh, dữ liệu từ khảo sát — đặc biệt là các câu hỏi mở — chứa nhiều thông tin giá trị về trải nghiệm học tập của sinh viên, nhưng việc phân tích thủ công thường tốn nhiều thời gian, nguồn lực và dễ bị ảnh hưởng bởi yếu tố chủ quan. Trong bối cảnh chuyển đổi số giáo dục, việc áp dụng phương pháp học máy kết hợp xử lý ngôn ngữ tự nhiên (NLP) có thể giúp tự động hóa quy trình phân tích, rút ngắn thời gian, tăng độ chính xác và tối ưu hóa việc khai thác dữ liệu. Nghiên cứu này tập trung xây dựng mô hình học máy nhằm phân tích dữ liệu câu hỏi mở từ khảo sát chất lượng học phần, bao gồm tiền xử lý dữ liệu, phân tích chủ đề (Topic Modeling) và phân tích cảm xúc (Sentiment Analysis) để phân loại ý kiến thành nhóm tích cực, tiêu cực và trung lập. Các thuật toán như Support Vector Machine (SVM), Random Forest và BERT được áp dụng để đánh giá, so sánh hiệu quả phân loại. Kết quả từ phân tích giúp nhận diện các yếu tố sinh viên hài lòng, chưa hài lòng và đề xuất các cải tiến phù hợp cho học phần. Bên cạnh đó, nghiên cứu cũng đưa ra các khuyến nghị nhằm cải thiện quy trình khảo sát, tối ưu hóa việc thu thập và xử lý dữ liệu, cũng như định hướng cho các nghiên cứu tiếp theo mở rộng sang nhiều đơn vị đào tạo khác.