Ứng dụng hệ chuyên gia xây dựng hệ thống hỗ trợ tư vấn tuyển sinh cho rường đại học tài chính kế toán quảng ngãi

Ph ơng pháp nghiên cứu tài liệu: Tôi sử dụng ph ơng pháp này trong nghiên c u các tài liệu về cơ s lý thuyết: hệ chuyên gia, cách tạo tập luật; các tài liệu mô tả một số hệ thống t vấn.

TR NGăĐ I H CăS ăPH M

T ăTH ăQUǵNHăNG C

NG D NG H CHUYÊN GIA

QU NG NGÃI

LU N VĔN TH C Sƾ

H ăTHỐNGăTHỌNGăTIN

ĐƠăN ng - Nĕmă2019

TR NGăĐ I H CăS ăPH M

T ăTH ăQUǵNHăNG C

NG D NG H CHUYÊN GIA

ĐƠăN ng - Nĕmă2019

CăL C

L IăC ăĐO N i

CăL C ii

NHă CăCÁCăT ăVI TăT T iv

NHă CăCÁCăB NG v

NHă CăCÁCăHỊNH vi

ăĐ U 1

1 Tính cấp thiết c a đề tài 1

2 Mục tiêu nghiên c u 2

3 Đối t ợng và phạm vi nghiên c u 2

4 Ph ơng pháp nghiên c u 3

5 Ý nghĩa khoa học và thực tiễn c a đề tài 3

6 Tổng quan tài liệu nghiên c u 3

CH NGă1.ăC ăS ăLụăTHUY T 4

1.1 Kho dữ liệu 4

1.1.1 Giới thiệu về kho dữ liệu 4

1.1.2 Dữ liệu trong kho dữ liệu 6

1.1.3 Tri th c 7

1.2 Hệ chuyên gia 8

1.2.1 Khái niệm 8

1.2.2 Đặc tr ng và u điểm c a hệ chuyên gia 10

1.2.3 Kiến trúc tổng quát c a hệ chuyên gia 12

1.2.4 Biểu diễn tri th c trong hệ chuyên gia 15

1.2.5 Hệ chuyên gia dựa trên luật 16

1.2.6 Biểu diễn tri th c nh mệnh đề logic 19

1.3 Kỹ thuật suy luận trong hệ chuyên gia 19

1.3.1 Kỹ thuật suy diễn tiến 19

1.3.2 Kỹ thuật suy diễn lùi 20

1.3.3 Thuật toán Robinson 21

1.3.4 Thuật toán V ơng Hạo 22

1.4 Lý thuyết chọn nghề nghiệp 23

1.4.1 Lý thuyết cây nghề nghiệp 23

1.4.2 Lý thuyết mư Holland 25

1.4.3 Trắc nghiệm MBTI 28

1.5 Tổng kết ch ơng 30

CH NGă2 PHỂNăTÍCHăTHI T ăH ăTHỐNG 31

2.1 Phân tích hiện trạng 31

2.2 Mô tả hệ thống hỗ trợ t vấn tuyển sinh 32

2.2.1 Các ngành tuyển sinh tại ĐH TCKT 32

2.2.2 Mô tả hệ thống hỗ trợ TVTS tại tr ng ĐH TCKT 33

2.2.3 Bài toán TVTS 34

2.2.4 Mô hình đề xuất 34

2.3 Phân tích thiết kế hệ thống 36

2.3.1 Phân tích lý thuyết nghề nghiệp 36

2.3.2 Biểu đồ lớp 40

2.3.3 Biểu đồ hoạt động 42

2.3.4 Biểu đồ ca sử dụng 43

2.3.5 Xây dựng tập luật cho hệ thống TVTS tại ĐH TCKT 44

2.4 Tổng kết ch ơng 51

CH NGă3 XỂYă NGăVĨăTH ăNGHI ăH ăTHỐNG 53

3.1 Lựa chọn công cụ phát triển 53

3.2 Xây dựng hệ thống 53

3.2.1 Cách xây dựng tập luật 53

3.2.2 Cách xây dựng bộ máy suy diễn 54

3.2.3 Xây dựng các ch c năng 56

3.3 Kết quả thử nghiệm 57

3.3.1 Thiết kế cơ s dữ liệu 57

3.3.2 Xây dựng các luật dựa trên các th tục l u trữ nội c a SQL Server 58

3.3.3 Thiết kế giao diện dựa trên phần mềm Visual Studio 59

3.4 Tổng kết ch ơng 64

TăLU NăVĨăH NGăPHÁTăTRI N 65

TĨIăLI UăTH ă H O 66 QUY TăĐ NHăGI OăĐ ăTĨIăLU NăVĔNă(B nă ao)

NHă CăCÁCăT ăVI TăT T

1.13 Mô hình lục giác Holland 26 2.1 Mô hình tổng thể hệ thống 35 2.2 Biểu đồ lớp cho hệ hỗ trợ TVTS tại ĐH TCKT 41 2.3 Biểu đồ hoạt động - T vấn dựa trên điểm thi 42 2.4 Biểu đồ hoạt động - T vấn dựa trên lý thuyết nghề 42 2.5 Biểu đồ hoạt động - T vấn dựa trên điểm thi và lý thuyết nghề 43 2.6 Biểu đồ ca sử dụng - m c tổng quát 43 2.7 Biểu đồ ca sử dụng phân rã - dành cho thí sinh 43 2.8 Biểu đồ ca sử dụng phân rã - dành cho học sinh 44 2.9 Biểu đồ ca sử dụng phân rã - dành cho quản trị viên 44 3.1 Bảng dữ liệu Co_Khoi_Thi 57

3.3 Một số cửa sổ trong thiết kế cơ s dữ liệu 58 3.4 Sử dụng các th tục l u trữ nội để xây dựng tập luật 59 3.5 Giao diện ng dụng soạn thảo Visual Studio 59 3.6 Giao diện hệ thống t vấn tuyển sinh 60 3.7 Giao diện quản trị ng i dung 60 3.8 Giao diện thêm mới ngành nghề 61 3.9 Giao diện cập nhật điểm chuẩn theo ngành 61

S hi ă

3.10 Giao diện t vấn tuyển sinh dựa theo điểm 62 3.11 Giới thiệu giao diện trắc nghiệm chọn ngành nghề 63 3.12 Màn hình giao diện TNNN dựa trên Holland 63

ăĐ U

1 Tín ăc pă ăc aăđ ă Ơi

Trong giai đoạn đất n ớc phát triển hiện nay, giáo dục luôn là vấn đề đ ợc quan tâm hàng đầu c a xư hội Đối với công tác tuyển sinh đư có rất nhiều ch ơng trình t vấn tuyển sinh rộng khắp trên tất cả các tỉnh, thành trong cả n ớc với nhiều hình th c phong phú Tuy nhiên th i gian gần đây do công tác tuyển sinh có nhiều thay đổi cả về nội dung lẫn hình th c nên rất nhiều thí sinh và cả gia đình khá bối rối, việc t vấn tuyển sinh và chọn ngành học phù hợp là nhu cầu mà xư hội đang quan tâm Mặc dù hằng năm, phần lớn các tr ng đều tổ ch c các đợt t vấn cho thí sinh, tuy nhiên việc này còn phụ thuộc vào nhiều yếu tố nh địa điểm, th i gian, nhân sự, Do vậy, vẫn còn khá nhiều thí sinh cảm thấy thiếu thông tin về các tr ng, các ngành mình quan tâm Bên cạnh đó, một số tr ng cũng đư thiết lập các trang web để nhận và trả l i câu hỏi c a thí sinh nh ng các trang này đa phần là nhận câu hỏi c a thí sinh sau đó việc giải đáp cũng không đ ợc trực tuyến

Chúng ta có thể thấy rằng, đa phần việc chọn tr ng chuyên nghiệp c a học sinh và gia đình vẫn còn theo kiểu truyền thống đó là: theo ý ch quan c a gia đình, theo hiệu ng đám đông và theo một ý thích bộc phát từ cá nhân c a học sinh Phụ huynh luôn muốn con em mình có đ ợc một t ơng lai vững chắc Các tr ng đào tạo luôn hy vọng các học sinh chọn đ ợc đúng ngành nghề mình theo đuổi để góp phần nâng cao chất l ợng đào tạo và hạn chế tình trạng bỏ học hoặc chuyển ngành

Hậu quả c a việc chọn tr ng này dẫn đến tình trạng: một số học sinh, sau khi học một năm các tr ng đại học họ cảm thấy chán nản và tự ý bỏ học; một số vì theo sự lựa chọn c a gia đình đư tạo ra một áp lực tâm lý - trầm cảm… Vì vậy, việc t vấn tuyển sinh tốt sẽ khắc phục đ ợc tình trạng trên và nâng cao đ ợc chất l ợng đào tạo chuyên nghiệp

và góp phần cho việc bổ sung nguồn nhân lực có chất l ợng cao cho đất n ớc hiện nay

Theo thống kê c a Tổng cục thống kê, lực l ợng lao động từ 15 tuổi tr lên c a

cả n ớc ớc tính trong quý 1 năm 2018 là 55,1 triệu ng i Trong đó lao động 15 tuổi

tr lên có việc làm trong quý I năm 2018 ớc tính là 54,0 triệu ng i Tỷ lệ thất nghiệp trong độ tuổi là 2,2%; tỷ lệ thiếu việc làm trong độ tuổi là 1,4% Nh vậy, chúng ta thấy rằng vẫn còn sự mất cân đối trong việc định h ớng và lựa chọn ngành nghề cho lực l ợng lao động trong cả n ớc (Tháng 10/2018)

Tr ng ĐH TCKT là tr ng thuộc Bộ tài chính, đóng trên địa bàn thành phố Quảng Ngưi Tr ng đ ợc nâng cấp thành tr ng đại học vào năm 2011, tiền thân là

Tr ng Trung học Tài chính - Kế toán 3 đ ợc thành lập năm 1976 Tr ng ĐH TCKT

đào tạo với các ngành: Quản trị kinh doanh, Tài chính - Ngân hàng, Kế toán, Kiểm toán, Kinh doanh quốc tế, Luật kinh tế, Quản trị khách sạn và du lịch, Hệ thống thông tin kế toán Tổng số sinh viên toàn tr ng khoảng 5.000 sinh viên và mỗi năm tuyển mới khoảng 1.500 tân sinh viên Tuy nhiên, hàng năm đều có không ít tr ng hợp sinh viên bỏ học, tỷ lệ sinh viên tốt nghiệp ra tr ng có việc làm khá cao - 89.5% năm

2017, nh ng sinh viên làm đúng ngành không cao Mặc dù nhà tr ng luôn quan tâm đẩy mạnh chất l ợng đào tạo, cải tiến ph ơng pháp giảng dạy, đổi mới ch ơng trình theo nhu cầu xư hội Nh ng vẫn ch a giải quyết triệt để vấn đề Một phần là do công tác t vấn tuyển sinh ch a đạt hiệu quả cao Hiện tại, tr ng đư có website tuyển sinh tại địa chỉ htttp://tuyensinh.tckt.edu.vn nh ng chỉ dừng lại m c là gửi email, nhắn tin, để lại số điện thoại, hoặc câu hỏi rồi ch cán bộ chuyên trách trả l i, còn phần

t ơng tác trực tiếp, mọi lúc mọi nơi với phụ huynh và học sinh cũng nh phần t vấn chọn ngành nghề phù hợp cho học sinh thì ch a đáp ng đ ợc Đó là lý do để tôi chọn

đề tài “ ng dụng hệ chuyên gia xây dựng hệ thống hỗ trợ t vấn tuyển sinh cho r ng Đại học Tài chính - Kế toán Quảng Ngưi” để làm đề tài luận văn tốt nghiệp cao học Trong đề tài này, tôi đề xuất giải pháp ng dụng hệ chuyên gia để xây dựng hệ thống

t vấn tuyển sinh trực tuyến nhằm cải thiện tình trạng chọn sai ngành c a sinh viên

3.1 Đối tượng nghiên cứu

Đối t ợng nghiên c u c a đề tài là cơ s lý thuyết về hệ chuyên gia, hoạt động

t vấn tuyển sinh c a tr ng đại học, lý thuyết chọn nghề nghiệp, ngôn ngữ lập trình… và một số bài báo, luận văn tốt nghiệp khóa tr ớc

4 P ng pháp nghiên c

Để đạt đ ợc những yêu cầu trên, tôi sử dụng ch yếu hai ph ơng pháp chính là

ph ơng pháp nghiên c u tài liệu và ph ơng pháp thực nghiệm

Ph ơng pháp nghiên cứu tài liệu: Tôi sử dụng ph ơng pháp này trong nghiên

c u các tài liệu về cơ s lý thuyết: hệ chuyên gia, cách tạo tập luật; các tài liệu mô tả

một số hệ thống t vấn

Ph ơng pháp thực nghiệm: Ph ơng pháp này đ ợc tôi sử dụng để khảo sát tình

hình TVTS tại tr ng ĐH TCKT Từ kết quả khảo sát đó, tôi tiến hành phân tích các yêu cầu và thiết kế giải pháp TVTS dựa trên hệ chuyên gia Kết quả hệ thống

đ ợc xây dựng sẽ đ ợc thử nghiệm trên máy cục bộ và trên internet

5 Ý ng ƿa khoa c và c ti n c a đ tài

Về khoa học: Hệ thống hóa các vấn đề lý luận về công tác tuyển sinh c a

Tr ng ĐH TCKT, từ đó nghiên c u các mô hình kiến trúc hệ chuyên gia và đ a ra

giải pháp phù hợp trong lĩnh vực t vấn tuyển sinh

Về thực tiễn: Đề tài sẽ là một ph ơng án khác cho công tác tuyển sinh c a đơn vị;

Kết quả nghiên c u c a đề tài sẽ góp phần cải thiện tình trạng chọn sai ngành học c a các

SV tại tr ng ĐH TCKT Đồng th i, kết quả đề tài là hệ t vấn cũng sẽ tr thành một kênh thông tin tham khảo bổ ích cho các HS cuối cấp quyết định cho t ơng lai c a mình

6 T ng quan tài li u nghiên c u

Báo cáo c a luận văn đ ợc tổ ch c thành 3 ch ơng chính:

C ngă1.ăC ă ălýă

Trong ch ơng này, tôi trı nh ba y một cách tổng quan về hệ chuyên gia và một số

lý thuyết trong h ớng nghiệp

C ngă2.ăP ơnă íc ,ă ăk ă ă ng

Trong ch ơng này, từ phân tích thực trạng TVTS tại tr ng ĐH TCKT hằng năm, tôi trình bày h ớng khắc phục những hạn chế trên bằng cách mô tả một hệ

thống để tin học hóa quá trình TVTS Đồng th i, nội dung ch ơng này cũng đề xuất

giải pháp xây dựng hệ thống theo mô hình c a hệ chuyên gia (HCG) Bên cạnh đó, nội dung ch ơng cũng trình bày phân tích các lý thuyết về h ớng nghiệp nh lý thuyết cây nghề nghiệp, lý thuyết mư Holland để xây dựng các luật cho HCG

CH NGă1

C ăS ăLụăTHUY T

Trong ch ơng này, các nội dung đ ợc trình bày ch yếu liên quan đến các

vấn đề nh : hệ chuyên gia, t vấn tuyển sinh - h ớng nghiệp

1.1 oăd ăl

1.1.1 Giới thiệu về kho dữ liệu

a) Khái niệm

Kho dữ liệu (DW - Data Wasehouse) là tuyển tập các cơ s dữ liệu tích hợp,

h ớng ch đề, đ ợc thiết kế để hỗ trợ cho ch c năng trợ giúp quyết định

Hình 1.1 Cơ sở dữ liệu và kho dữ liệu

Theo John Ladley [9], Công nghệ kho dữ liệu (Data Warehouse Technology) là tập các ph ơng pháp, kỹ thuật và các công cụ có thể kết hợp, hỗ trợ nhau để cung cấp thông tin cho ng i sử dụng trên cơ s tích hợp từ nhiều nguồn dữ liệu, nhiều môi

tr ng khác nhau

Kho dữ liệu th ng rất lớn tới hàng trăm GB hay thậm chí hàng Terabyte Kho

dữ liệu đ ợc xây dựng để tiện lợi cho việc truy cập theo nhiều nguồn, nhiều kiểu dữ liệu khác nhau sao cho có thể kết hợp đ ợc cả những ng dụng c a các công nghệ hiện đại và kế thừa đ ợc từ những hệ thống đư có sẵn từ tr ớc

DW ngoài cơ s dữ liệu, còn có rất nhiều thành phần bổ sung để tạo nên một cấu trúc hoàn chỉnh, gồm tập hợp các công cụ ETL (Extract, Transform and Load) có nhiệm vụ xử lý, thu thập và cập nhật dữ liệu vào kho (qua OLAP Cude), công cụ tạo báo cáo (Reporting), công cụ khai phá dữ liệu (Data mining), quan hệ khách hàng (CRM), quan hệ doanh nghiệp (ERM)

DW ngoài các ch c năng m rộng c a định nghĩa về cơ s dữ liệu, khái niệm

Hệ điều hành trong DW chỉ đ ợc hiểu nh quá trình quản lý giao dịch hàng ngày c a một kho dữ liệu; điều này sẽ tách biệt với khái niệm về hệ điều hành tr ớc đây - OS b) Mục đích sử dụng kho dữ liệu

Mục tiêu chính c a kho dữ liệu là nhằm đáp ng các tiêu chuẩn cơ bản sau:

- Phải có khả năng đáp ng mọi yêu cầu về thông tin c a NSD

- Hỗ trợ để các nhân viên c a tổ ch c thực hiện tốt, hiệu quả công việc c a mình, nh có những quyết định hợp lý, nhanh và bán đ ợc nhiều hàng hơn, năng suất cao hơn, thu đ ợc lợi nhuận cao hơn

- Giúp cho tổ ch c, xác định, quản lý và điều hành các dự án, các nghiệp vụ một cách hiệu quả và chính xác

- Tích hợp dữ liệu và các siêu dữ liệu từ nhiều nguồn khác nhau

- Muốn đạt đ ợc những yêu cầu trên thì DW phải:

+ Nâng cao chất l ợng dữ liệu bằng các ph ơng pháp làm sạch và tinh lọc dữ liệu theo những h ớng ch đề nhất định

+ Tổng hợp và kết nối dữ liệu

+ Đồng bộ hoá các nguồn dữ liệu với DW

+ Phân định và đồng nhất các hệ quản trị cơ s dữ liệu tác nghiệp nh là các công cụ chuẩn để phục vụ cho DW

+ Quản lý siêu dữ liệu

+ Cung cấp thông tin đ ợc tích hợp, tóm tắt hoặc đ ợc liên kết, tổ ch c theo các

tr ớc?”, “Ai sẽ là khách hàng tiềm năng vào năm tiếp theo?”

- Tính tích hợp (Integration): Là một đặc tính quan trọng nhất c a DW, dữ liệu

đ a vào data warehouse đ ợc tập hợp từ nhiều nguồn khác nhau, bao gồm các RMDB, flat files, các bản ghi giao dịch trực tuyến

- Dữ liệu gắn th i gian và có tính lịch sử (Time Series Data): DW tập trung vào

những thay đổi theo mốc th i gian, với l ợng dữ liệu lớn có tính lịch sử vậy có thể tìm ra những thông tin có tính xu h ớng trong dữ liệu

- Dữ liệu có tính ổn định (Nonvolatility): Dữ liệu trong DW th ng không thể thay đổi Điều này có thể gây ra một số khó khăn nh ng hợp lý so với mục đích

c a DW, phân tích những gì đư xảy ra

- Dữ liệu không biến động (Durable): Thông tin trong DW đ ợc tải vào sau khi dữ liệu trong hệ thống điều hành đ ợc cho là quá cũ Tính không biến động thể hiện chỗ: Dữ liệu đ ợc l u trữ lâu dài trong kho dữ liệu Mặc dù dữ liệu mới

đ ợc nhập vào nh ng dữ liệu cũ trong kho vẫn không bị xóa, điều đó cho phép cung cấp thông tin về một khoảng th i gian dài, cung cấp đ số liệu cần thiết cho các mô hình nghiệp vụ phân tích, dự báo, từ đó có đ ợc những quyết định hợp lý, phù hợp với các quy luật tiến hóa c a tự nhiên

- Dữ liệu tổng hợp (Summary data): dữ liệu tác nghiệp thuần túy không đ ợc

l u trữ trong kho dữ liệu, dữ liệu tổng hợp đ ợc tích lại qua nhiều giai đoạn khác nhau theo các ch điểm đư nêu trên

1.1.2 Dữ liệu trong kho dữ liệu

Dữ liệu trong kho dữ liệu ngoài 2 loại dữ liệu truyền thống OLTP là siêu dữ liệu và

dữ liệu thô, còn có một loại dữ liệu mới là dữ liệu tổng hợp Dữ liệu tổng hợp rất quan trọng trong kho dữ liệu b i vì nó tính toán tr ớc các toán hạng dài tr ớc Lấy ví dụ, kiểu

dữ liệu đặc tr ng truy vấn trong kho dữ liệu sẽ trả về một số giá trị nh bán hàng trong tháng 8 Kho dữ liệu không th ng sử dụng chuẩn hạng 3 trong cơ s dữ liệu

Với cơ s dữ liệu, có mối quan hệ một - một với một ng dụng đơn lẻ làm nguồn c a nó Một ng dụng xử lý thẻ tín dụng là một ví dụ tuyệt v i về một nguồn dữ liệu đơn lẻ có thể chạy trên cơ s dữ liệu OLTP Loại cơ s dữ liệu này ch a dữ liệu chi tiết cao cũng nh quan điểm chi tiết quan hệ Bảng đ ợc chuẩn hóa để đạt đ ợc

l u trữ hiệu quả, xử lý giao dịch đồng th i, cũng nh trả về kết quả truy vấn nhanh

Kho dữ liệu l u trữ dữ liệu lịch sử tóm tắt từ nhiều ng dụng khác nhau, có một mối quan hệ một đến nhiều giữa một kho dữ liệu và các ng dụng phục vụ nh là nguồn dữ liệu Ví dụ về các nguồn dữ liệu bao gồm nh ng không giới hạn trong quản

lý quan hệ khách hàng (CRM), quản lý tài nguyên doanh nghiệp (ERP) hoặc thậm chí

dữ liệu truyền thông xư hội

Cơ s dữ liệu h ớng giao dịch và kho dữ liệu đ ợc xây dựng để thực hiện phân tích Nếu công ty chúng ta xử lý các giao dịch kỹ thuật số hoặc thu thập dữ liệu, bạn sẽ cần một cơ s dữ liệu Tuy nhiên, nếu khi chúng ta cần thực hiện phân tích dữ liệu để khám phá xu h ớng, cải thiện năng suất hoặc phát hiện ra các vấn đề, kho dữ liệu tr thành tài nguyên vô giá

1.1.3 Tri thức

Một vấn đề rất quan trọng để dẫn đến thành công là việc biết sử dụng thông tin một cách có hiệu quả Điều đó có nghĩa là từ các dữ liệu sẵn có phải tìm ra những thông tin tiềm ẩn có giá trị mà tr ớc đó ch a đ ợc phát hiện, phải tìm ra những xu

h ớng phát triển và những yếu tố tác động lên chúng Thực hiện công việc đó chính là thực hiện quá trình phát hiện tri th c trong cơ s dữ liệu (Knowledge Discovery in Database - KDD) mà trong đó kỹ thuật này cho phép ta lấy đ ợc các tri th c chính là pha khai phá dữ liệu

Tr ớc khi đi vào tìm hiểu các giai đoạn trong KDD ta đ a ra một số ví dụ để phân biệt ba khái niệm: dữ liệu, thông tin và tri th c Dữ liệu th ng đ ợc cho b i các giá trị mô tả các sự kiện, hiện t ợng cụ thể Còn tri th c là gì? Có thể có những định nghĩa rõ ràng để phân biệt các khái niệm dữ liệu, thông tin và tri th c hay không? Tri

th c là một khái niệm rất trừu t ợng Do đó, chúng ta sẽ không cố gắng đ a ra một định nghĩa hình th c chính xác đây Thay vào đó, chúng ta hưy cùng nhau cảm nhận khái niệm tri th c bằng cách so sánh nó với hai khái niệm khác là thông tin và dữ liệu

Nhà bác học nổi tiếng Karan Sing đư từng nói rằng “Chúng ta đang ngập chìm trong biển thông tin nh ng lại đang đói tri th c” [2] Câu nói này làm nổi bật sự khác biệt về l ợng lẫn về chất giữa hai khái niệm thông tin và tri th c Cũng có thể quan niệm thông tin là quan hệ giữa các dữ liệu Các dữ liệu đ ợc sắp xếp theo một th tự hoặc đ ợc tập hợp lại theo một quan hệ nào đó sẽ ch a đựng thông tin Nếu những quan hệ này đ ợc chỉ ra một cách rõ ràng thì đó là các tri th c Chẳng hạn trong toán học: Bản thân từng con số riêng lẻ nh 1, 1, 3, 5, 2, 8, 13, là các dữ liệu Tuy nhiên, khi đặt chúng lại với nhau theo trật tự 1, 1, 2, 3, 5, 8, 13, 21, 34, thì giữa chúng đư bắt đầu có một mối liên hệ Mối liên hệ này có thể đ ợc biểu diễn bằng công th c Un =

Un-1 + Un-2 nếu n ≥ 3 Công th c nêu trên chính là tri th c

Hình 1.2 Mô hình dữ liệu, thông tin và tri thức

Các b ớc c a một quá trình khám phá tri th c:

Hình 1.3 Quá trình khai phá tri thức trong kho dữ liệu

- Chọn lọc dữ liệu (Data Selection): Đây là giai đoạn tập hợp các dữ liệu

đ ợc khai thác từ một CSDL, một kho dữ liệu, thậm chí từ các nguồn ng dụng web vào một CSDL riêng Chúng ta chỉ chọn ra những dữ liệu cần thiết cho các giai đoạn sau Tuy nhiên, công việc thu gom dữ liệu vào một CSDL lớn th ng rất khó khăn vì dữ liệu nằm khắp nơi và dạng tạo lập khác nhau

- Tiền xử lý dữ liệu (Preprocessing): Phần lớn các CSDL đều ít nhiều mang tính không nhất quán Vì vậy khi gom dữ liệu rất có thể mắc một số lỗi nh dữ liệu không đầy đ , chặt chẽ và không logic (bị trùng lặp, giá trị bị sai lệch ) Do đó cần phải đ ợc “tiền xử lý” tr ớc khi khai phá dữ liệu nếu không sẽ gây nên những kết quả sai lệch nghiêm trọng

- Chuyển đổi dữ liệu (Data Transformation): Trong giai đoạn này dữ liệu sẽ

đ ợc chuyển đổi về dạng thuận tiện để tiến hành các thuật toán khám phá dữ liệu

- Khai phá dữ liệu (Data Mining): Trong giai đoạn này ta sử dụng các kỹ thuật nhằm phát hiện ra các tri th c tiềm ẩn trong dữ liệu Một số kỹ thuật đ ợc sử dụng đó là: phân lớp, gom cụm, luật kết hợp…

- Đánh giá kết quả mẫu: Đây là giai đoạn cuối cùng trong tiến trình KDD Trong giai đoạn này, các mẫu dữ liệu đ ợc chiết xuất b i các phần mềm khai phá

dữ liệu Không phải bất c mẫu nào cũng đều có ích, thậm chí còn bị sai lệch Chính vì vậy, cần phải xác định và lựa chọn những tiêu chuẩn đánh giá sao cho sẽ chiết xuất ra các tri th c cần thiết

1.2 H ăc năg a

1.2.1 Khái niệm

Hệ chuyên gia còn gọi là hệ thống dựa trên tri th c, là một ch ơng trình máy

tính ch a một số tri th c đặc thù c a một hoặc nhiều chuyên gia con ng i về một ch

đề cụ thể nào đó Các ch ơng trình thuộc loại này đư đ ợc phát triển từ thập niên 1960 -1970 và tr thành ng dụng th ơng mại từ thập niên 1980 Dạng phổ biến nhất c a hệ chuyên gia là một ch ơng trình gồm một tập luật phân tích thông tin (th ng đ ợc cung cấp b i ng i sử dụng hệ thống) về một lớp vấn đề cụ thể, cũng nh đ a ra các phân tích về các vấn đề đó và tùy theo thiết kế ch ơng trình mà đ a l i khuyên về trình tự các hành động cần thực hiện để giải quyết vấn đề Đây là một hệ thống sử dụng các khả năng lập luận để đạt tới các kết luận

Theo E Feigenbaum: “Hệ chuyên gia (Expert System) là một ch ơng trình máy tính thông minh sử dụng tri th c (knowledge) và các th tục suy luận (inference procedures) để giải những bài toán t ơng đối khó khăn đòi hỏi những chuyên gia mới giải đ ợc” [1]

HCG là một hệ thống tin học có thể mô phỏng năng lực quyết đoán và hành động c a một chuyên gia (con ng i) HCG là một trong những lĩnh vực ng dụng c a trí tuệ nhân tạo (AI) HCG sử dụng tri th c c a những chuyên gia để giải quyết các vấn đề khác nhau thuộc mọi lĩnh vực Tri th c trong HCG phản ánh sự tinh thông đ ợc tích tụ từ sách v , tạp chí, các chuyên gia hay các nhà khoa học HCG còn có tên gọi khác là hệ thống dựa trên tri th c (knowledge - base system) hoặc HCG

dựa trên tri th c (Expert System Based Knowledge) [3]

Thông th ng, các nhà thiết kế HCG thu thập tri th c này, bao gồm lý thuyết đến các kinh nghiệm, kỹ xảo, ph ơng pháp làm tắt, các luật dùng để chọn ra cách

để giải quyết vấn đề có nhiều khả năng đ ợc chấp nhận nhất (chiến l ợc heuristic)

đư tích lũy đ ợc c a các chuyên gia con ng i qua quá trình làm việc c a họ trong

một lĩnh vực chuyên môn Từ tri th c này, ng i ta cố gắng cài đặt chúng vào hệ thống để hệ thống có thể mô phỏng theo cách th c các chuyên gia làm việc Tuy nhiên, không giống với con ng i, các ch ơng trình hiện tại không tự học lấy kinh nghiệm mà tri th c phải đ ợc lấy từ con ng i và mã hóa thành ngôn ngữ hình

th c Đây chính là nhiệm vụ chính c a các nhà thiết kế HCG phải đ ơng đầu

Hình 1.4 Hoạt động của hệ chuyên gia

Ngày nay, HCG đ ợc ng dụng trong nhiều lĩnh vực khác nhau nh y học, toán học, công nghệ, hóa học, địa chất, khoa học máy tính, kinh doanh, luật pháp, quốc phòng và giáo dục

Chuyên gia con ng i là tài nguyên quý giá cho nhiều tổ ch c Họ có thể giải quyết những vấn đề khó và hiệu quả Vậy có giá trị không khi chúng ta cố gắng xây dựng một HCG nhằm thay thế cho chuyên gia con ng i? Bảng so sánh 1.1 sau đây

sẽ phần nào trả l i đ ợc câu hỏi trên

Bảng 1.1 Bảng so sánh giữa chuyên gia con người và HCG

Tiêu chí Chuyên gia con ng i H chuyên gia

1.2.2 Đặc trưng và ưu điểm của hệ chuyên gia

Một HCG th ng có các đặc tr ng cơ bản sau [3]:

-Phân tách tri th c và điều khiển: Nh trong hệ luật sinh/hệ sinh (Production System), bộ điều khiển nhận dạng - hành động (Recognize - Action control) hoạt động trong vòng lặp c a hệ sinh, còn các tri th c đ ợc mã hóa vào trong các luật u điểm c a sự tách biệt này là dễ thay đổi loại cơ s tri

th c (CSTT) mà không thay đổi việc điều khiển ch ơng trình và ng ợc lại

-S hữu tri th c chuyên gia: HCG có ch a tri th c c a lĩnh vực trong cơ s tri th c Nh có tri th c mà nó có giá trị Đặc biệt tri th c này có thể đ ợc nhân ra thành nhiều bản, có thể cập nhật trong khi hệ thống đư đ ợc triển khai

-Tính chuyên gia trong lĩnh vực hẹp: Cũng giống nh chuyên gia con

ng i, HCG đ ợc phát triển nhằm vào một lĩnh vực hẹp vì trong lĩnh vực hẹp đó,

số l ợng tri th c cũng nhỏ hơn giúp cho ng i thiết kế dễ dàng quản lý hơn, dễ dàng thử nghiệm chiến l ợc điều khiển trong động cơ suy diễn

-Suy luận trên ký hiệu: Chúng ta có thể dùng ký hiệu để thể hiện tri th c cho HCG Chính vì vậy mà có thể tận dụng đ ợc các giải thuật trên ký hiệu nh phép toán vị từ để suy luận tri th c

-Suy luận có heuristic: Chuyên gia con ng i có thể từ kinh nghiệm c a mình để dẫn ra cách giải quyết vấn đề hiệu quả hơn Để có thể hiện thực điều này trong HCG, ng i thiết kế cần phải có cách đánh giá th tự u tiên c a các luật,

để từ một ngữ cảnh nào đó có thể chọn một luật có lý nhất để bắt đầu

-Cho phép suy luận không chính xác: HCG có một khả năng rất mạnh, đó

là nó có thể làm việc với các vấn đề đang thiếu thông tin, hay có những hỗn tạp, không rõ ràng Cũng giống nh tr ng hợp: một đội ngũ bác sĩ đang phải c u một bệnh nhân hấp hối, lúc đó họ không còn kịp th i gian để làm tất cả các xét nghiệm cần thiết Khi thiếu thông tin nh vậy, họ đành tiến hành những cách có lý nhất theo họ Chúng ta cũng có thể hiện thực cho HCG có tính chất đó bằng cách đ a vào những luật t ơng ng với tình huống thiếu thông tin để động cơ suy diễn vận dụng

-Bị giới hạn vào vấn đề giải quyết: Không phải mọi vấn đề đều có thể giải quyết b i HCG Cụ thể, nếu lĩnh vực chúng ta muốn xây dựng HCG hiện tại ch a

có hoặc ch a cần một chuyên gia con ng i thì việc xây dựng HCG khó mà thành công

-Giải quyết các vấn đề có độ ph c tạp vừa phải: Nếu vấn đề quá khó, yêu cầu chuyên gia con ng i đến vài gi , cần thiết nghĩ đến khả năng chia thành nhiều bài toán con t ơng ng mỗi HCG con

-Có khả năng bị lỗi: Giống nh chuyên gia con ng i, HCG cũng có khả năng bị lỗi Chính vì vậy cần phải đ a vào khả năng phục hồi lại lỗi cho HCG t c

là HCG có khả năng l u vết quá trình suy luận, nếu nó đ a ra một kết luận mà

ng i dùng kiểm nghiệm thực tế có sai và báo cho HCG, lúc đó nó phải có khả năng ghi nhận và theo đuổi một h ớng suy luận khác Đặc điểm này không có trong các ch ơng trình truyền thống

Những u điểm c a HCG:

-Phổ cập (increased availability): HCG là một sản phẩm c a chuyên gia,

đ ợc phát triển không ngừng và có hiệu quả sử dụng không thể ph nhận

-Giảm chi phí (reduced cost): Việc sử dụng HCG để giải quyết một vấn đề

th ng có chi phí thấp hơn so với việc tìm một chuyên gia để giải quyết vấn đề

đó

-Giảm r i ro (reduced risk): Sử dụng HCG sẽ giúp con ng i tránh đ ợc

các môi tr ng r i ro, nguy hiểm

- Tính th ng trực (permanance): HCG có thể đ ợc triển khai sử dụng bất

kể lúc nào trong khi con ng i có thể mệt mỏi, nghỉ ngơi hay vắng mặt

- Đa lĩnh vực (multiple expertise): Hiện nay HCG đ ợc xây dựng phục vụ cho rất nhiều lĩnh vực khác nhau và đ ợc khai thác đồng th i bất kể th i gian sử dụng

- Tăng độ tin cậy (increased reliability): Khi khai thác sử dụng một HCG luôn đảm bảo đ ợc độ tin cậy đối với ng i sử dụng hệ thống

- Khả năng giảng giải (explanation): Câu trả l i với m c độ tinh thông và

đ ợc giải thích rõ ràng chi tiết, dễ hiểu khi ng i dùng yêu cầu

- Khả năng trả l i nhanh (fast reponse): Các hệ thống chuyên gia th ng có câu trả l i theo th i gian thực, khách quan, nhanh bằng hoặc nhanh hơn một chuyên gia là con ng i Do trí nhớ con ng i thì giới hạn mà tốc độ truy xuất c a máy tính thì ngày càng đ ợc cải thiện cao hơn

- Tính ổn định, suy luận có lý và đầy đ mọi lúc mọi nơi (steady, unemotional, and complete response at all times): HCG th ng hoạt động ổn định, đảm bảo các câu trả l i đều khách quan, không cảm tính nh chuyên gia là con

ng i

- Trợ giúp thông minh nh một ng i h ớng dẫn (intelligent-tutor): HCG là một hệ thống thông minh, có khả năng trả l i câu hỏi, giải thích, hỗ trợ

ng i dùng ra quyết định kịp th i, nhanh chóng HCG đóng vai trò nh một

ng i bạn đồng hành thông minh và đáng tin cậy

- Có thể truy cập nh là một cơ s dữ liệu thông minh (Intelligent Database): HCG đ ợc xây dựng b i các chuyên gia tri th c Tri th c mà hệ thống có đ ợc là các tri th c c a chuyên gia, rất có giá trị Bên cạnh đó, HCG còn có khả năng tự học hỏi, tự tích lũy tri th c để ngày càng hoàn thiện

1.2.3 Kiến trúc tổng quát của hệ chuyên gia

a) Những thành phần cơ bản của hệ chuyên gia

Một HCG kiểu mẫu gồm 7 thành phần cơ bản nh sau:

Hình 1.5 Những thành phần cơ bản của một HCG

- Cơ s tri th c (Knowledge Base): Gồm các phần tử (hay đơn vị) tri

th c, thông th ng đ ợc gọi là luật (rule), đ ợc tổ ch c nh một CSDL Cơ s tri

th c (CSTT) còn đ ợc gọi là bộ nhớ sản xuất (production memory) trong HCG Trong một CSTT, ng i ta th ng phân biệt hai loại tri th c là tri th c phán đoán (assertion knowledge) và tri th c thực hành (operating knowledge) Các tri th c phán đoán mô tả các tình huống đư đ ợc thiết lập hoặc sẽ đ ợc thiết lập Các tri

th c thực hành thể hiện những hậu quả rút ra hay những thao tác cần phải hoàn thiện khi một tình huống đư đ ợc thiết lập hoặc sẽ đ ợc thiết lập trong lĩnh vực đang xét Các tri th c thực hành th ng đ ợc thể hiện b i các biểu th c dễ hiểu và

dễ triển khai thao tác đối với ng i sử dụng

- Máy suy diễn (Inference Engine): Là công cụ/ch ơng trình hay bộ xử lý tạo

ra sự suy luận bằng cách quyết định xem những luật nào sẽ làm thỏa mãn các sự kiện, các đối t ợng, chọn u tiên các luật thỏa mãn, thực hiện các luật có tính u tiên cao nhất

- Lịch công việc (Agenda): Hay còn gọi là lịch thực hiện, ch a danh sách các luật u tiên do máy suy diễn tạo ra thỏa mãn các sự kiện, các đối t ợng có mặt trong bộ nhớ làm việc

- Bộ nhớ làm việc (Working Memory): CSDL toàn cục ch a các sự kiện (facts) phục vụ cho các luật Các sự kiện này có thể do ng i dùng nhập vào lúc đầu hoặc do HCG sinh ra trong quá trình làm việc

- Khả năng giải thích (Explanation Facility): Giải nghĩa cách lập luận c a hệ thống cho ng i sử dụng Đây là một trong các điểm nổi bật c a HCG Khả năng giải thích đ ợc xem nh là một tiện ích c a HCG Với tiện ích này, HCG có

thể cung cấp cho ng i dùng các khả năng giải thích: Tại sao HCG lại hỏi câu hỏi

nào đó (WHY) và bằng cách nào HCG có thể suy ra đ ợc kết luận nào đó (HOW) Khi chúng ta hỏi WHY, HCG th ng đáp trả bằng cách mô tả cái mà nó có thể kết luận từ câu trả l i; hầu hết các HCG th ng đáp trả bằng cách hiện luật mà nó đang quan tâm Còn khả năng giải thích HOW c a HCG có thể thực hiện đ ợc bằng cách cho phép nó theo vết các luật mà nó sử dụng trong quá trình suy luận Khả năng giải thích vừa thuận tiện cho cả ng i phát triển HCG, vừa hữu ích cho phía ng i dùng Ng i phát triển có thể nh đó tìm ra các lỗi trong tri th c c a HCG Ng i dùng thì có thể yên tâm hơn khi nhận đ ợc một kết luận nào đó

- Khả năng thu nhận tri th c (Explanation Facility): Cho phép ng i sử dụng bổ sung các tri th c vào hệ thống một cách tự động thay vì tiếp nhận tri th c bằng cách mã hoá tri th c một cách t ng minh Khả năng thu nhận tri th c là yếu tố mặc nhiên c a nhiều HCG

- Giao diện ng i sử dụng (User Interface): Là nơi ng i sử dụng và HCG trao đổi với nhau Yêu cầu cao nhất cho giao diện là khả năng cung cấp cách hỏi đáp t ơng tự nh giao tiếp giữa ng i với ng i Tuy nhiên, khi thực hiện hệ thống, vì những hạn chế c a những kỹ thuật hiện tại nên ng i thiết kế phải nghĩ đến những hình th c giao tiếp sao cho tiện lợi, ch a thật sự giống hỏi đáp giữa

ng i với ng i nh các câu hỏi YES/NO, các câu hỏi cho phép lựa chọn từ hộp chọn trả l i, hoặc chấp nhận những từ khóa trả l i đơn giản…

b) Một số mô hình kiến trúc hệ chuyên gia

Có nhiều mô hình kiến trúc HCG theo các tác giả khác nhau Sau đây là một số

mô hình:

- Mô hình J L Ermine

Hình 1.6 Kiến trúc HCG theo J L Ermine

- Mô hình C Ernest

Hình 1.7 Kiến trúc HCG theo C Ernest

- Mô hình E V Popov

Hình 1.8 Kiến trúc HCG theo E V Popov

1.2.4 Biểu diễn tri thức trong hệ chuyên gia

Biểu diễn tri th c là ph ơng pháp để mã hóa tri th c, nhằm thành lập CSTT cho các HCG Tri th c thực c a lĩnh vực gồm các đối t ợng và quan hệ giữa chúng trong lĩnh vực Biểu diễn tri th c dùng các l ợc đồ biểu diễn (scheme) Có rất

nhiều l ợc đồ nên việc chọn dùng l ợc đồ nào cho loại tri th c nào là vấn đề quan trọng Tri th c tính toán gồm bảng ánh xạ giữa đối t ợng thực với đối t ợng tính toán và quan hệ thực với quan hệ tính toán

Hình 1.9 Lược đồ biểu diễn tri thức

Tri th c tính toán

Tri th c thực

Các l ợc đồ biểu diễn tri th c gồm [3]:

- L ợc đồ logic: Dùng các biểu th c trong logic hình th c, nh phép toán vị

từ, để biểu diễn tri th c Các luật suy diễn áp dụng cho loại l ợc đồ này rất rõ ràng,

ví dụ: luật Modus Ponens, Modus Toilens… Ngôn ngữ lập trình thực hiện tốt nhất cho loại l ợc đồ này là PROLOG

- L ợc đồ thủ tục: Biểu diễn tri th c nh tập các chỉ thị lệnh để giải

quyết vấn đề Ng ợc lại với các l ợc đồ dạng khai báo, nh l ợc đồ logic và l ợc

đồ mạng, các chỉ thị lệnh trong l ợc đồ th tục chỉ ra bằng cách nào giải quyết vấn

đề Các luật trong CSTT c a HCG dựa trên luật là một ví dụ c a th tục giải quyết vấn đề Hệ luật sinh là ví dụ điển hình c a loại l ợc đồ này

- L ợc đồ mạng: Biểu diễn tri th c nh là đồ thị, các đỉnh nh là các đối

t ợng hoặc khái niệm, các cung nh là quan hệ giữa chúng Các ví dụ về loại l ợc

đồ này gồm mạng ngữ nghĩa, phụ thuộc khái niệm, đồ thị khái niệm

- L ợc đồ cấu trúc: Là một m rộng c a l ợc đồ mạng, bằng cách cho

phép các node có thể là một cấu trúc dữ liệu ph c tạp gồm các khe (slot) có tên

và trị hay một th tục Chính vì vậy nó tích hợp cả hai dạng khai báo và th tục Kịch bản (script), khung (frame), đối t ợng (object) là ví dụ c a l ợc đồ này

1.2.5 Hệ chuyên gia dựa trên luật

HCG dựa trên luật là một ch ơng trình máy tính, xử lý các thông tin cụ thể

c a bài toán đ ợc ch a trong bộ nhớ làm việc và tập các luật đ ợc ch a trong CSTT,

sử dụng động cơ suy luận để suy ra thông tin mới

HCG dựa trên luật có nền tảng xây dựng là hệ luật sinh (Production System) a) Khái niệm Hệ luật sinh:

Hệ luật sinh (HLS) hay hệ sinh hay hệ thống sản xuất đều có cùng ý nghĩa HLS

là một mô hình tính toán quan trọng trong các bài toán tìm kiếm cũng nh mô phỏng cách giải quyết vấn đề c a con ng i trong lĩnh vực ng dụng trí tuệ nhân tạo HLS cung cấp cơ chế điều khiển Pattern-directed trong quá trình giải quyết vấn đề Cấu trúc HLS gồm 3 thành phần: tập luật sản sinh (Production rules), bộ nhớ làm việc (Working memory), bộ điều khiển nhận dạng và hành động (Recognize-action control) Trong đó:

- Tập luật sản sinh đ ợc đặc tả dạng: Condition-Action (điều kiện -

hành động) Một luật là một mắt xích c a kho tri th c giải quyết vấn đề Kho tri

th c là một CSDL c a các tập luật sản sinh Thành phần Condition là một mẫu (pattern) dùng xác định điều kiện áp dụng c a luật cho một vấn đề t ơng ng Thành phần Action đ ợc xem nh là điều h ớng (directed) dùng để đ a ra kết

luận c a luật hoặc dẫn đến một luật kế tiếp nhằm tìm ra kết luận cuối cùng Các luật sinh th ng đ ợc viết d ới dạng IF THEN Có hai dạng: IF<điều kiện> THEN <hành động> hoặc IF <điều kiện> THEN <kết luận> DO <hành động>

- Bộ nhớ làm việc ch a những đặc tả trạng thái hiện tại c a quá trình suy

luận Chúng đ ợc l u trữ nh là tập các mẫu Những đặc tả này là các mẫu để so trùng với các điều kiện c a tập luật sản sinh Khi một luật trong tập luật sản sinh

đ ợc so trùng phần điều kiện thì phần hành động c a nó có thể đ ợc áp dụng và phần hành động này đ ợc xây dựng đặc thù để tác động trực tiếp lên bộ nhớ làm việc

- Bộ điều khiển nhận dạng và hành động là cấu trúc điều khiển dùng

trong HLS Tập các mẫu trong bộ nhớ làm việc lần l ợt đ ợc đ a vào thành phần nhận dạng (Recognize) để thực hiện so trùng mẫu Kết quả c a quá trình so khớp

sẽ tạo thành một tập các luật sản sinh đư so khớp Tập kết quả này đ ợc đ a vào

bộ điều khiển quyết định chọn luật phù hợp, trong quá trình điều khiển có thể

áp dụng các chiến l ợc giải quyết xung đột đơn giản hoặc áp dụng các chiến l ợc lựa chọn heuristic Với luật đ ợc chọn, hệ thống sẽ thực hiện hành động t ơng

ng Quy trình hoạt động c a bộ điều khiển nhận dạng và hành động là một quy trình khép kín đ ợc lặp đi lặp lại nên trong quá trình thực hiện nó sẽ tác động tr lại và làm thay đổi các tập mẫu trong bộ nhớ làm việc Đây chính là đặc tr ng cơ bản c a HLS trong quá trình cải thiện các tập mẫu c a hệ thống Quy trình hoạt động đ ợc mô tả b i hình 1.10 [3]:

Hình 1.10 Quy trình hoạt động của Recognize-Action

HLS là khung làm việc tổng quát để thực thi các giải thuật tìm kiếm Với đặc tính đơn giản, dễ sửa đổi và linh động HLS đ ợc dùng nh một công cụ quan trọng

để xây dựng các HCG và các ng dụng trí tuệ nhân tạo khác Các u điểm c a HLS:

- Tách bạch giữa tri th c và điều khiển: Điều khiển nằm trong chu trình Recognize-Action; tri th c đ ợc ch a đựng trong các luật sinh Chính vì vậy, HLS

có khả năng cập nhật tri th c mà không cần điều chỉnh ch ơng trình và ng ợc lại

- Dễ dàng áp dụng trong tìm kiếm trên không gian trạng thái

- Tính độc lập c a các luật sinh

- Khả năng áp dụng heuristic cho việc điều khiển quá trình hoạt động

- Theo dõi và giải thích quá trình hoạt động

- Độc lập với ngôn ngữ và có thể dùng nh kỹ thuật mô phỏng giải pháp c a con ng i

b) Các đặc tr ng và kiến trúc c a hệ chuyên gia dựa trên luật

HCG dựa trên luật cũng có những đặc tr ng cơ bản c a HCG tổng quát, một vài đặc điểm tiêu biểu: Có CSTT ch a các luật, có bộ nhớ làm việc tạm th i, có động

cơ suy luận, có giao diện để giao tiếp với ng i dùng và ng i phát triển, có tiện ích

giải thích và có khả năng giao tiếp với ch ơng trình ngoài nh các hệ quản trị CSDL, xử lý bảng tính…

Hệ chuyên gia dựa trên luật có kiến trúc nh sau:

Hình 1.11 Kiến trúc HCG dựa trên luật

c) u và nh ợc điểm của hệ chuyên gia dựa trên luật

- u điểm c a HCG dựa trên luật

+ Các luật đ ợc xây dựng từ cách con ng i giải quyết vấn đề Cách biểu diễn luật nh IF-THEN đơn giản cho phép giải thích dễ dàng cấu trúc tri th c cần trích lọc

+ Phân tách tri th c và điều khiển

+ Tri th c là tập các luật có tính độc lập cao nên dễ thay đổi và chỉnh sửa

+ HCG dựa trên luật dễ m rộng

+ Tận dụng đ ợc tri th c heuristic

+ Có thể dùng biến trong luật, truy xuất ch ơng trình ngoài

- Nh ợc điểm c a HCG dựa trên luật

+ Các sự kiện muốn đồng nhất nhau phải khớp nhau hoàn toàn Các sự kiện cùng một nghĩa phải giống nhau về cú pháp nh ng ngôn ngữ tự nhiên thì không nh vậy

+ Khó tìm mối quan hệ giữa các luật trong một chuỗi suy luận vì chúng nằm rải rác trong CSTT

+ Có thể hoạt động chậm

+ Làm cho nhà phát triển phải hình dung mọi cái dạng luật, không phải bài toán nào cũng có thể làm đ ợc nh vậy

1.2.6 Biểu diễn tri thức nhờ mệnh đề logic

Ng i ta sử dụng các ký hiệu để thể hiện tri th c và các phép toán logic tác động lên các ký hiệu để thể hiện suy luận logic Kỹ thuật ch yếu th ng đ ợc sử dụng là logic vị từ (Predicate Logic) mà ta sẽ đề cập đến ch ơng sau

Các ví dụ d ới đây minh hoạ cách thể hiện các phát biểu (cột bên trái) d ới dạng vị từ (cột bên phải):

Bảng Biểu diễn bằng logic vị từ

Tom là đàn ông MAN(tom)

Tom là cha c a Mary FATHER(tom, mary)

Tất cả mọi ng i đều chết

MAN(X) MORTAL(X)

với quy ớc MAN(X) có nghĩa «X là một ng i»

và MORTAL(X) có nghĩa «X chết» MAN và MORTAL đ ợc gọi là các vị từ đối với biến X

Các vị từ th ng có ch a hằng, biến hay hàm Ng i ta gọi các vị từ không

ch a biến (có thể ch a hằng) là các mệnh đề (preposition) Mỗi vị từ có thể là một sự kiện (fact) hay một luật Luật là vị từ gồm hai vế trái và phải đ ợc nối nhau b i một dấu mũi tên (→) Các vị từ còn lại (không ch a mũi tên) đ ợc gọi là các sự kiện Trong ví dụ trên đây, MAN và FATHER là các mệnh đề và là các sự kiện Còn MAN(X) → MORTAL(X) là một luật

1.3 K ỹ thu t suy lu n trong h chuyên gia

Suy luận hay suy diễn là quá trình làm việc với tri th c, sự kiện, chiến l ợc

giải toán để dẫn ra kết luận Các kỹ thuật suy luận cơ bản: suy diễn tiến chaining), suy diễn lùi (backward-chaining)

(forward-1.3.1 Kỹ thuật suy diễn tiến

Suy diễn tiến là lập luận từ các sự kiện, sự việc để rút ra các kết luận Ví dụ: Nếu thấy tr i m a tr ớc khi ra khỏi nhà (sự kiện) thì phải lấy áo m a (kết luận)

Trong ph ơng pháp này, ng i sử dụng cung cấp các sự kiện cho HCG để máy suy diễn tìm cách rút ra các kết luận có thể Kết luận đ ợc xem là các thuộc tính có thể gán giá trị Trong số những kết luận này, có thể có những kết luận làm ng i sử dụng

quan tâm, một số khác không nói lên điều gì, một số khác có thể vắng mặt

Các sự kiện th ng có dạng: Attribute = value Lần l ợt các sự kiện trong

CSTT đ ợc chọn và hệ thống xem xét tất cả các luật mà các sự kiện này xuất hiện nh

là tiền đề Theo nguyên tắc lập luận trên, hệ thống sẽ lấy ra những luật thỏa mãn Sau khi gán giá trị cho các thuộc tính thuộc kết luận t ơng ng, ng i ta nói rằng các sự kiện đư đ ợc thỏa mãn Các thuộc tính đ ợc gán giá trị sẽ là một phần c a

kết quả chuyên gia Sau khi mọi sự kiện đư đ ợc xem xét, kết quả đ ợc xuất ra cho

ng i sử dụng [3]

u điểm c a kỹ thuật suy diễn tiến là làm việc với bài toán có bản chất gom thông tin và sau đó tìm xem có thể suy ra đ ợc gì từ thông tin đó Cũng với kỹ thuật này, có thể dẫn ra rất nhiều thông tin chỉ từ một ít sự kiện ban đầu Kỹ thuật suy

diễn tiến thích hợp cho một số vấn đề nh hoạch định, giám sát, điều khiển, diễn dịch…

Nh ợc điểm c a kỹ thuật suy diễn tiến là không có cách để nhận thấy tính quan trọng c a từng sự kiện, hỏi nhiều câu hỏi thừa vì đôi lúc chỉ cần một vài sự kiện

là cho ra kết luận Bên cạnh đó, với kỹ thuật này hệ thống có thể hỏi những câu hỏi không liên quan nhau

1.3.2 Kỹ thuật suy diễn lùi

Kỹ thuật suy diễn lùi tiến hành các lập luận theo chiều ng ợc lại so với kỹ thuật suy diễn tiến Từ một giả thuyết đ ợc xem nh là một kết luận, hệ thống đ a

ra một tình huống trả l i gồm các sự kiện là cơ s c a giả thuyết đư cho này Ví dụ,

nếu ai đó vào nhà mà cầm áo m a và áo quần bị ớt thì giả thuyết này là tr i m a

Để c ng cố giả thuyết này, ta sẽ hỏi ng i đó xem có phải tr i m a không? Nếu

ng i đó trả l i có thì giả thuyết tr i m a là đúng và tr thành một sự kiện Nghĩa là

tr i m a nên phải cầm áo m a và áo quần bị ớt

Suy diễn lùi cho phép nhận đ ợc giá trị c a một thuộc tính Đó là câu trả l i cho câu hỏi “Giá trị c a thuộc tính A là bao nhiêu?” với A là một đích (goal) Để xác định giá trị c a A, cần có các nguồn thông tin Những nguồn này có thể là những câu hỏi hoặc có thể là những luật Căn c vào các câu hỏi, hệ thống nhận đ ợc một cách trực tiếp từ ng i sử dụng những giá trị c a thuộc tính liên quan Căn c vào các

luật, hệ thống suy diễn có thể tìm ra giá trị sẽ là kết luận c a một trong số các kết

luận có thể c a thuộc tính liên quan…

Ý t ng c a thuật toán suy diễn lùi là với mỗi thuộc tính đư cho, ng i ta định

nghĩa nguồn c a nó:

- Nếu thuộc tính xuất hiện nh là tiền đề c a một luật (phần đầu c a luật), thì nguồn sẽ thu gọn thành một câu hỏi

- Nếu thuộc tính xuất hiện nh là hậu quả c a một luật (phần cuối c a luật), thì nguồn sẽ là các luật mà trong đó thuộc tính là kết luận

- Nếu thuộc tính là trung gian, xuất hiện đồng th i nh là tiền đề và hậu quả, khi đó nguồn có thể là các luật, hoặc có thể là các câu hỏi mà ch a đ ợc nêu ra

- Nếu mỗi lần với câu hỏi đư cho, ng i sử dụng trả l i hợp lệ, giá trị trả l i này

đ ợc gán cho thuộc tính và xem nh thành công Nếu nguồn là các luật, hệ thống

sẽ lấy lần l ợt các luật mà thuộc tính đích xuất hiện nh là kết luận, để có thể tìm giá trị các thuộc tính thuộc tiền đề Nếu các luật thỏa mãn, thuộc tính kết luận sẽ

đ ợc ghi nhận [3]

u điểm c a kỹ thuật suy diễn lùi là làm việc tốt với bài toán có bản chất thành

lập giả thiết, sau đó tìm xem có thể ch ng minh đ ợc không Vì kỹ thuật này

h ớng đến một đích nên hỏi những câu hỏi liên quan nhau Máy suy diễn áp dụng kỹ

thuật này chỉ khảo sát CSTT trên nhánh vấn đề đang quan tâm Với kỹ thuật này, thích hợp cho các vấn đề chuẩn đoán, kê toa, gỡ rối…

Nh ợc điểm c a kỹ thuật này là luôn h ớng theo dòng suy luận định tr ớc

thậm chí có thể dừng hoặc rẽ sang một đích khác

1.3.3 Thuật toán Robinson

Trình bày thuật toán Robinson

Đ ăvƠo Mệnh đề logic cần ch ng minh

Đ ăra Kết quả trả về là đúng hay sai

B ớc 1: Phát biểu lại giả thuyết và kết luận bài toán d ới dạng chuẩn sau:

1.3.4 Thuật toán Vương Hạo

Thuật toán V ơng Hạo đ ợc trình bày theo các b ớc sau:

Đ ăvƠo Mệnh đề logic cần ch ng minh

Đ ăra Kết quả trả về là đúng hay sai

B ớc 4: Xây dựng một mệnh đề mới bằng cách tuyển một cặp mệnh đề trong danh sách các mệnh đề b ớc 2, nếu mệnh đề mới có các biến mệnh đề đối ngẫu thì những biến đó đ ợc loại bỏ

B ớc 1: Phát biểu lại giả thuyết và kết luận c a bài toán d ới dạng chuẩn sau:

GT1, GT2, ,GTn KL1, KL2,…, KLm

Trong đó các GTi và KLjđ ợc xây dựng từ các biến mệnh đề và các phép toán: , , 

B ớc 2: Chuyển vế các GTi và KLjcó dạng ph định

B ớc 3: Thay phép toán  GTi và phép toán  KLjbằng dấu “,”

B ớc 4: Nếu dòng hiện hành có một trong hai dạng sau:

+ Dạng 1: GT1,…,avb,…,GTnKL1, KL2,…, KLm thành

�� , … , , … , �� →�� , … , , … , �� → , … ,, … ,

+ Dạng 2: GT1, GT2,…, GTnKL1, KL2,…,aʌb,…, KLm thành

1.4 Lýă ăc năng ăng p

1.4.1 Lý thuyết cây nghề nghiệp

a) Nội dung lý thuyết cây nghề nghiệp (LTCNN)

S thích, khả năng, cá tính và giá trị nghề nghiệp c a mỗi ng i đóng vai trò

+ B ớc 6b: Nếu một dòng không còn dấu liên kết “˅, ˄” và cả hai vế không

có chung mệnh đề nào thì dòng đó không đ ợc ch ng minh

rất quan trọng trong việc chọn h ớng học, chọn nghề phù hợp và nó đ ợc coi là

phần “Rễ” c a cây nghề nghiệp Rễ có khỏe thì cây mới khỏe và ra hoa, kết trái nh mong muốn c a ng i trồng cây Vì vậy, muốn lựa chọn nghề nghiệp phù hợp, tr ớc

hết phải hiểu rõ s thích, khả năng, cá tính và giá trị nghề nghiệp c a bản thân và phải

dựa vào chính những hiểu biết này để lựa chọn nghề nghiệp Nói cách khác là phải

chọn nghề theo “rễ” vì đây là yếu tố có ảnh h ng mang tính quyết định tới sự kết trái

c a cây nghề nghiệp Thực tế đư ch ng minh, những ng i quyết tâm chọn nghề và theo đuổi nghề phù hợp với “rễ” sẽ có nhiều khả năng thu đ ợc những “quả ngọt” trong hoạt động nghề nghiệp nh : Có cơ hội việc làm cao, đ ợc nhiều ng i tôn trọng, l ơng cao, công việc ổn định Tuy nhiên, trong quá trình t vấn h ớng nghiệp, cần l u ý các yếu tố định kiến và khuôn mẫu giới trong quá trình hình thành các “rễ” cây nghề nghiệp c a HS [4], [8]

Hình 1.12 Mô hình LTCNN

b) Ý nghĩa lý thuyết cây nghề nghiệp

LTCNN là lý thuyết quan trọng nhất trong h ớng nghiệp vì lý thuyết này đư chỉ

ra rằng, công việc đầu tiên cần làm trong công tác giáo dục h ớng nghiệp (GDHN) là phải giúp cho HS nhận th c đầy đ về bản thân để các em chọn đ ợc nghề phù hợp với “rễ”, tránh đ ợc tình trạng chọn nghề theo “quả”, chọn nghề theo cảm tính, theo ý kiến c a ng i khác hoặc chọn nghề theo trào l u chung

Trong tr ng phổ thông, việc GDHN cho HS dựa vào LTCNN rất quan trọng

Phần lớn HS khi đ ợc hỏi: “Vì sao em học ngành này hay thích nghề này?” câu trả

l i th ng là: “Vì công việc này hiện đang đ ợc xem là nóng trên thị tr ng lao động” hay “Vì cơ hội việc làm c a công việc này cao” hoặc “Công việc này trả

l ơng t ơng đối cao so với các việc khác”… Những câu trả l i trên cho thấy những

HS đó đư chọn nghề theo “quả”, không chọn nghề theo “rễ” c a cây nghề nghiệp Điều này là không nên b i những “quả ngọt” c a cây nghề nghiệp chỉ có đ ợc khi các em đ ợc làm công việc phù hợp với s thích và khả năng c a bản thân hay còn

gọi là “gốc rễ” c a cây nghề nghiệp Một công việc có thể đ ợc xem là rất thịnh hành không có nghĩa là ai học nó ra cũng có việc làm tốt Doanh nghiệp chỉ tuyển dụng

những ng i lao động có đam mê và khả năng phù hợp với vị trí công việc ch không tuyển dụng ng i nào đó chỉ vì họ đư tốt nghiệp ngành nghề “hot” Việc học và tốt nghiệp một ngành nào đó không đ để ch ng minh là ng i đó có khả

năng làm việc tốt vị trí tuyển dụng Trong thực tế đư có không ít tr ng hợp ng i lao động bị cho thôi việc sau th i gian thử việc do không ch ng minh đ ợc s thích nghề nghiệp, khả năng c a bản thân vị trí công việc đ ợc giao

Hiện nay, hoạt động giáo dục nghề phổ thông (HĐGDNPT) đ ợc chính th c

đ a vào ch ơng trình giáo dục phổ thông nhằm tạo cơ hội cho HS đ ợc thử s c mình trong một nghề cụ thể, qua đó giúp HS hiểu rõ hơn s thích nghề nghiệp, khả năng

c a bản thân để có cơ s chọn nghề t ơng lai phù hợp Vì vậy, một trong những yêu cầu mà giáo viên dạy nghề phổ thông (NPT) cần quan tâm thực hiện ngay từ khi bắt đầu tổ ch c HĐGDNPT cho đến khi kết thúc khóa học là giúp HS xác định đ ợc và

hiểu rõ s thích nghề nghiệp, khả năng c a bản thân thông qua việc thực hiện những nội dung nghề cụ thể trong ch ơng trình [4], [8]

1.4.2 Lý thuyết mã Holland

a) Nội dung lý thuyết mã Holland

Lý thuyết mư Holland (Holland codes) đ ợc phát triển b i nhà tâm lý học John Holland (1919-2008) Ông là ng i nổi tiếng và đ ợc biết đến rộng rãi nhất qua nghiên c u lý thuyết lựa chọn nghề nghiệp Ông đư đ a ra lý thuyết RIASEC dựa trên

8 giả thiết, trong đó có 5 giả thiết cơ bản và một số luận điểm rất có giá trị trong

h ớng nghiệp nh sau [7]:

- Bất kỳ ai cũng thuộc vào một trong 6 kiểu ng i đặc tr ng sau đây:

+ Realistic (R) - tạm dịch là ng i thực tế/nhóm kỹ thuật (KT); Investigative (I) tạm dịch là nhà nghiên c u/nhóm nghiên c u (NC); Artistic (A) - Nghệ sĩ/nhóm nghệ thuật (NT); Social (S) - tạm dịch là ng i công tác xã hội/nhóm xã hội (XH); Enterprising (E) - tạm dịch là ng i dám làm/nhóm quản lý (QL); Conventional (C) - tạm dịch là ng i tuân th /nhóm nghiệp vụ (NV) Sáu chữ cái c a sáu kiểu

ng i đặc tr ng hợp lại thành RIASEC Những ng i thuộc cùng một kiểu ng i

có s thích t ơng đối giống nhau: Ng i mang mã XH (code S) rất thích tiếp xúc với

ng i khác và thấy khó khăn khi tiếp xúc với vật thể; ng i mã QL (code E) thì thích tiếp xúc với dữ liệu và ng i khác, trong khi kiểu ng i có mã NC (code I) lại thích tiếp cận với ý t ng và vật thể; ng i mã NV (code C) thích tiếp xúc với dữ liệu

và vật thể; ng i mã NT (code A) thích tiếp xúc với ý t ng và ng i; ng i mã

KT (code R) thích tiếp xúc với vật thể

+ Có sáu loại môi tr ng t ơng ng với sáu kiểu ng i nói trên Môi tr ng

t ơng ng với kiểu ng i nào thì kiểu ng i ấy chiếm đa số trong số ng i thành viên c a môi tr ng ấy Ví dụ: Môi tr ng có hơn 50% số ng i có mã XH (code S) trội nhất thì đó là môi tr ng loại XH

+ Ai cũng tìm đ ợc môi tr ng phù hợp cho phép mình thể hiện đ ợc kỹ năng, thái độ và hệ thống giá trị c a mình

+ Thái độ ng xử c a con ng i đ ợc quy định b i sự t ơng tác giữa kiểu

ng i c a mình với các đặc điểm c a môi tr ng Ví dụ, ng i mang mư NT (code A)

đ ợc tuyển chọn vào môi tr ng NT (A) sẽ dễ dàng cảm thông với ng i xung quanh, mau chóng bắt nhịp với công việc, đ ợc đồng nghiệp tin yêu và có nhiều cơ hội thành công trong công việc

+ M c độ phù hợp giữa một ng i với môi tr ng có thể đ ợc biểu diễn trong

mô hình lục giác Holland

Hình 1.13 Mô hình lục giác Holland

+ Có 4 m c phù hợp giữa kiểu ng i và loại môi tr ng: Kiểu ng i nào làm việc trong môi tr ng ấy là m c phù hợp cao nhất, ví dụ nh kiểu ng i NT làm việc trong môi tr ng NT; ng i nào làm việc trong môi tr ng cận kề với kiểu ng i c a mình (cùng một cạnh c a lục giác), ví dụ nh KT-NC (ng i kiểu KT làm việc trong môi tr ng NC) là m c độ phù hợp th nhì; ng i nào làm việc trong môi tr ng cách 1 đỉnh c a lục giác, ví dụ NC-NV (kiểu ng i NC làm việc trong loại môi tr ng NV) sẽ có m c phù hợp th 3; còn kiểu ít phù hợp nhất là khi kiểu ng i và loại môi

tr ng nằm 2 đỉnh đối x ng trong lục giác Holland, ví dụ KT-XH hay QL-NC hay NT-NV

- Từ những giả thiết c a lý thuyết mư Holland trên, có thể rút ra 2 kết luận: + Một là, hầu nh ai cũng có thể đ ợc xếp vào 1 trong 6 kiểu tính cách và có 6

môi tr ng hoạt động t ơng ng với 6 kiểu tính cách, đó là: Nhóm kỹ thuật (KT); nhóm nghiên c u (NC); nhóm nghệ thuật (NT); nhóm xã hội (XH); nhóm quản lý (QL); nhóm nghiệp vụ (NV)

+ Hai là, nếu một ng i chọn đ ợc công việc phù hợp với tính cách c a họ, thì

họ sẽ dễ dàng phát triển và thành công trong nghề nghiệp Nói cách khác: Những

ng i làm việc trong môi tr ng t ơng tự nh tính cách c a mình, hầu hết sẽ thành công và hài lòng với công việc

Trong thực tế, tính cách c a nhiều ng i không nằm gọn trong một nhóm tính cách mà th ng là sự kết hợp c a 2 nhóm tính cách, có khi còn nhiều hơn Ví dụ: NC KT, NT XH Do đó, khi tìm hiểu bản thân có thể phải xem xét nhiều hơn

một nhóm tính cách [4], [7]

b) Ý nghĩa lý thuyết mã Holland

Lý thuyết mư Holland có liên quan rất chặt chẽ với LTCNN vì sử dụng lý thuyết mư Holland là một trong những cách giúp HS biết đ ợc s thích và khả năng nghề nghiệp c a bản thân và những nghề nghiệp phù hợp nhanh nhất, dễ làm nhất

Vì lẽ đó, tr ớc khi tổ ch c cho HS học NPT, nhà tr ng và giáo viên dạy NPT nên tổ ch c cho HS làm trắc nghiệm tìm hiểu s thích và khả năng nghề nghiệp c a

bản thân theo lý thuyết mư Holland Kết quả tìm hiểu bản thân là cơ s quan trọng để các em dựa vào đó lựa chọn NPT theo học cho phù hợp

Ví dụ: Những HS có kết quả làm trắc nghiệm thuộc nhóm Tin học - kỹ thuật,

bản thân lại có mơ ớc tr nhà quản lý thì có thể đăng ký học nghề Hệ thống thông tin;

những HS có kết quả làm trắc nghiệm thuộc nhóm nghiệp vụ và nhóm xã hội, bản thân lại có mơ ớc tr thành th ký văn phòng thì có thể đăng ký học nghề tin học văn phòng hoặc quản trị văn phòng, quản trị kinh doanh…

Một ng i không thuộc về nhóm nào: Là những ng i thấy mình có s thích

và khả năng rất thấp tất cả các nhóm, gần nh không nổi trội nhóm nào Thông

th ng, những ng i có đặc điểm này cần phải có cơ hội trải nghiệm thêm những môi tr ng hoạt động khác nhau tr ớc khi hiểu đ ợc bản thân hơn Có những

tr ng hợp, HS có các khả năng trong mỹ thuật, âm nhạc và th công mỹ nghệ

nh ng không đ ợc gia đình khuyến khích hoặc ch a bao gi có cơ hội tiếp cận với

những lĩnh vực này thì khó mà biết đ ợc những s thích và khả năng nghề nghiệp c a mình

Một ng i thuộc về hai nhóm s thích và khả năng nghề nghiệp đối lập nhau:

Là những ng i có s thích và khả năng nghề nghiệp các nhóm đối lập nhau Ví

dụ nh NV và NT; XH và KT; QL và NC Thông th ng những ng i có đặc điểm này th ng cảm thấy mâu thuẫn với chính bản thân vì các đặc điểm c a hai nhóm đối lập rất khác nhau Những ng i này sau khi hiểu đ ợc bản thân và học đ ợc cách kết

hợp, dung hòa giữa hai nhóm sẽ tìm đ ợc câu trả l i cho mục tiêu nghề nghiệp c a đ i mình

Khi gặp các tr ng hợp trên thì ng i t vấn không nên cho HS một câu trả l i

khẳng định Điều quan trọng là ng i t vấn hoặc ng i h ớng dẫn cần hiểu rằng, trắc nghiệm, đặc biệt là trắc nghiệm trong nghiên c u tự định h ớng nghề nghiệp là công cụ để giúp HS bắt đầu tự hỏi về bản thân, về thế giới nghề nghiệp Nếu các HS

cảm thấy lo lắng thì đó là dấu hiệu tốt Vì vậy, ng i làm công tác t vấn cần hiểu rõ

lý thuyết mư Holland và dùng nó để h ớng dẫn, t vấn về việc chọn ngành học,

tr ng học và nghề nghiệp t ơng lai cho HS một cách tốt nhất [4], [7]

1.4.3 Trắc nghiệm MBTI

a) Nội dung trắc nghiệm MBTI

MBTI (Myers-Briggs Type Indication - Chỉ số phân loại Myers-Briggs): Phân loại tính cách là ph ơng pháp sử dụng những câu hỏi trắc nghiệm tâm lý để xác định tính cách c a con ng i, dựa vào đó chúng ta hiểu chính mình hơn, nếu biết đ ợc tính cách c a ng i khác chúng ta có thể đoán đ ợc suy nghĩ, hành động c a họ MBTI

đ ợc ng dụng nhiều trong việc: Xây dựng đội ngũ nhân viên, quản lý và đào tạo, đối phó với căng thẳng, giải quyết xung đột, đàm phán, h ớng dẫn nghề nghiệp, xây dựng các mối quan hệ cá nhân tốt hơn

Ph ơng pháp kiểm kê tính cách này kh i nguồn từ các lý thuyết phân loại trong cuốn Psychological Types c a Carl Gustav Jung xuất bản năm 1921 và đ ợc phát triển

b i Katharine Cook Briggs cùng con gái c a bà, Isabel Briggs Myers, từ khoảng Chiến

tranh thế giới th hai Các câu hỏi tâm lý ban đầu đư phát triển thành Chỉ số phân loại Myers-Briggs và đ ợc công bố vào năm 1962

MBTI trả l i cho câu hỏi tại sao mỗi ng i trên thế giới đều có cá tính khác

nhau, không ai giống ai vì vậy MBTI tập trung vào các đối t ợng dân số bình th ng

và nhấn mạnh vào sự khác biệt tự nhiên c a mỗi ng i Ngày nay MBTI đang tr nên phổ biến và đ ợc sử dụng nh một ph ơng pháp phân loại tính cách khá chính xác, giúp con ng i hiểu rõ bản thân và những ng i xung quanh hoặc tìm đ ợc công việc phù hợp

MBTI phân loại tính cách dựa trên 4 nhóm cơ bản, mỗi nhóm là một cặp l ỡng phân c a 8 yếu tố ch c năng, nhận th c:

- Xu h ớng Tự nhiên: H ớng ngoại (Extroversion) - H ớng nội (Introversion)

- Tìm hiểu và Nhận th c Thế giới: Giác quan (Sensing) - Trực giác (INtution)

- Quyết định và chọn lựa: Lý trí (Thinking) - Tình cảm (Feeling)

- Cách th c và Hành động: Nguyên tắc (Judgment) - Linh hoạt (Perception) Mỗi yếu tố c a 4 nhóm trên kết hợp với nhau tạo thành 16 nhóm tính cách MBTI:

Bảng 1.3 Giá trị phân nhóm trong trắc nghiệm MBTI

ISTJ: Thanh tra viên (Inspector) ISFJ: Nhà t vấn (Counselor)

INTJ: C ố vấn chiến l ợc (Mastermind) INFP: Ng i hòa giải (Healer)

ISTP: Thợ th công (Crafter) ISFP: Nhạc sĩ (Composer)

INFJ: Ng i che ch (Protector) INTP: Kiến trúc s (Architect)

ESTJ: Ng i giám sát (Supervisor) ESFJL: Nhà cung cấp (Provider)

ENTJ: Nguyên soái (Field marshal) ENFP: Nhà vô địch (Champion)

ESTP: Nhà sáng lập (Promoter) ESFP: Ng i trình diễn (Performer)

ENFJ: Giáo viên (Teacher) ENTP: Nhà phát minh (Inventor)

b) Ý nghĩa trắc nghiệm MBTI:

Thuật ngữ c a MBTI bị phê phán là "mơ hồ và chung chung", do đó cho phép bất c hành vi nào cũng phù hợp với bất c loại tính cách nào, điều có thể dẫn đến hiệu ng Forer, khi ng i ta chọn những l i mô tả tích cực mà đ ợc mặc định là áp dụng với họ

Tuy nhiều ng i cho rằng tuy phần mô tả đặc điểm c a từng loại tính cách quá ngắn gọn, nh ng chúng cũng chính xác và khác biệt giữa các loại tính cách Một số nhà tâm lý học lý thuyết, chẳng hạn David Keirsey [8], đư m rộng phần mô tả này và cung cấp thêm rất nhiều chi tiết Chẳng hạn, phần mô tả c a Keirsey về Bốn nhóm tính cách Keirsey, mà ông đư liên hệ với 16 tính cách MBTI, cho thấy các nhóm tính cách này khác nhau về cách sử dụng ngôn ngữ, định h ớng trí tuệ, s thích về giáo dục và