DỰ ĐOÁN KHẢ NĂNG THI HỎNG MÔN CỦA HỌC SINH BẰNG MẠNG ĐỐI KHÁNG TẠO SINH CÓ ĐIỀU KIỆN CT-TABGAN

Tóm tắt

Việc dự báo sớm nguy cơ trượt kỳ thi của sinh viên đóng vai trò quan trọng, giúp các cơ sở giáo dục triển khai kịp thời các chiến lược tư vấn và can thiệp, từ đó cải thiện kết quả học tập. Mặc dù nhiều nghiên cứu đã ứng dụng các kỹ thuật học máy để dự báo kết quả học tập và phân tích các yếu tố ảnh hưởng đến thành tích của sinh viên, hiệu quả dự báo vẫn bị hạn chế bởi vấn đề mất cân bằng dữ liệu. Trong bối cảnh đó, các mô hình phân loại thường có xu hướng thiên lệch về phía lớp đa số, dẫn đến việc phân loại sai và bỏ sót những sinh viên thực sự có nguy cơ trượt. Để giải quyết thách thức này, nhiều kỹ thuật xử lý mất cân bằng dữ liệu đã được đề xuất ở cả cấp độ thuật toán lẫn dữ liệu; trong đó, các mô hình sinh dữ liệu dựa trên GAN đã cho thấy tiềm năng lớn nhờ khả năng tạo ra dữ liệu tổng hợp chất lượng cao. Nghiên cứu này sử dụng kiến   trúc CT-TabGAN – một biến thể của GAN được thiết kế chuyên biệt cho dữ liệu dạng bảng – nhằm nâng cao độ chính xác trong việc dự báo kết quả học tập của sinh viên trong điều kiện dữ liệu bị mất cân bằng.