Ứng dụng Học máy để tăng tính chính xác dự báo điểm tốt nghiệp cho sinh viên trường đại học quốc tế Hồng Bàng

Abstract

Lý do thực hiện nghiên cứu là tìm mức cân đối giữa tính kịp thời và mức chính xác trong dự báo kết quả học tập. Các nghiên cứu được tham khảo thường có kết quả chính xác khi dữ liệu cần để dự báo là điểm cuối khóa, quá muộn để can thiệp. Mục tiêu của bài là xây dựng kiến trúc mô hình "Hai-Bước" để tặng tính chính xác điểm dự báo tốt nghiệp ngay từ giai đoạn đại cương, đồng thời kiểm chứng giả thuyết rằng việc phân nhóm dữ liệu theo khối ngành (Khối Sức khỏe) sẽ tối ưu hóa hiệu suất mô hình. Đề án sử dụng dữ liệu của 4.131 sinh viên tại Trường Đại học Quốc tế Hồng Bàng, có trạng thái đã tốt nghiệp và thời điểm học từ 2015 đến 2023. Phương pháp chính được sử dụng là kiến trúc Hai-Bước: − Thuật toán Random Forest được sử dụng để tính điểm các môn chuyên ngành dựa trên điểm môn đại cương. − Sử dụng kết quả dự báo đó làm đầu vào cho thuật toán XGBoost và LightGBM để dự báo điểm tốt nghiệp cuối cùng. Thực nghiệm cho thấy mô hình phân nhóm Khối Sức khỏe đạt hiệu suất vượt trội. Đặc biệt, mô hình Hai-Bước đạt độ chính xác là 0.632 và sai số (RMSE) là 0.310, tiệm cận rất sát với mô hình sử dụng dữ liệu thực tế cuối khóa (0.303). Thuật toán XGBoost được cho thấy là hiệu quả hơn so với LighGBM trong nghiên cứu này. Nghiên cứu này hi vọng đề xuất được một công cụ cảnh báo sớm tin cậy, giúp nhân sự cố vấn học tập nhận diện sinh viên có nguy cơ rủi ro ngay từ giai đoạn đầu, quá đó đề xuất biện pháp hỗ trợ kịp thời, giúp tăng chất lượng đào tạo sinh viên và khai thác tốt nguồn lực