Fintech trong giáo dục hệ thống chấm điểm tín dụng dành cho sinh viên cao học ngành hệ thống thông tin quản lý trường đại học bách khoa tp hcm

29 Hình 08: Mô phỏng hệ thống chấm điểm tín dụng dành cho SV tại trường ĐH BK30 Hình 09: Quy trình chấm điểm tín dụng được thực hiện thí điểm trong luận văn ..... Mục Tie ̂u Của Nghiên

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

-

NGUYỄN HỮU HƯƠNG XUÂN

FINTECH TRONG GIÁO DỤC:

HỆ THỐNG CHẤM ĐIỂM TÍN DỤNG DÀNH CHO SINH VIÊN CAO HỌC NGÀNH HỆ THỐNG THÔNG TIN QUẢN LÝ TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM

Chuyên ngành: HỆ THỐNG THÔNG TIN QUẢN LÝ

Mã số: 83 40 405

LUẬN VĂN THẠC SĨ

TP.HỒ CHÍ MINH, tháng 08 năm 2020

CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐHQG – TP HCM

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

(Ghi rõ họ, tên, học hàm, học vị của Hội đồng chấm bảo vệ luận văn thạc sĩ)

1 Chủ tịch: TS LÊ LAM SƠN

2 Thư ký: TS TRƯƠNG TUẤN ANH

3 Phản biện 1: PGS TS HUỲNH TRUNG HIẾU

4 Phản biện 2: PGS TS VŨ THANH NGUYÊN

5 Ủy viên: PGS.TS TRẦN MINH QUANG

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

NHIỆM VỤ LUẬN VĂN THẠC SĨ

TÊN ĐỀ TÀI:

Fintech Trong Giáo Dục: Hệ Thống Chấm Điểm Tín Dụng Dành Cho Sinh Viên Cao Học Ngành Hệ Thống Thông Tin Quản Lý Trường Đại Học Bách Khoa TP HCM

NHIỆM VỤ VÀ NỘI DUNG:

- Đề xuất nghiên cứu và xây dựng một hệ thống chấm điểm tín dụng dành cho sinh viên, cụ thể là ngành Hệ thống thông tin quản lý

- Hoàn thiện quy trình hỗ trợ tín dụng cho SV, với mục tiêu minh bạch và hạn chế được sự sai sót do con người

- Xây dựng một hệ thống mẫu – prototype để mô phỏng cách vận hành một

hệ thống chấm điểm tín dụng một cách tự động hóa, theo định hướng dữ liệu

NGÀY GIAO NHIỆM VỤ : 11/05/2020

NGÀY HOÀN THÀNH NHIỆM VỤ: 03/08/2020

Ngoài ra, tôi cũng xin bày tỏ lòng biết ơn chân thành và cảm ơn các anh, chị - những người đã và đang theo học chương trình cao học Hệ Thống Thông Tin Quản

Lý tại trường Đại học Bách Khoa Không có sự nhiệt thành chia sẻ thông tin, cung cấp những phản hồi có giá trị từ các anh, chị, Tôi không thể hoàn thành luận án này Tôi muốn bày tỏ sự cảm kích sâu sắc và chân thành nhất dành cho mẹ và hai chị gái của mình Không có tình yêu vô điều kiện, và sự nghiêm khắc từ mẹ, tôi đã không đạt được thành công ngày hôm nay Tiếp bước tại ngôi trường mà ba đã từng học, theo đuổi con đường học vấn chuyên sâu, con biết ba đang rất vui và tự hào về con

Sau cùng, tôi xin tỏ lòng biết ơn đến người bạn tri kỷ Phan Trường Giang, đã luôn bên cạnh định hướng, chia sẻ, và ủng hộ tôi trong quá trình học tập cũng như trong thời gian hoàn thành luận văn thạc sĩ

Gửi đến bé, Phan Nguyễn Ngọc Khánh, con là động lực và nguồn cảm hứng lớn cho mẹ để mẹ có thể hoàn thành luận án của mình với niềm vui và hạnh phúc

Trong quá trình thực hiện luận văn, dù có nhiều cố gắng hoàn thiện nhưng do khả năng và kinh nghiệm còn hạn chế, nên luận văn không thể tránh khỏi những thiếu sót Vì vậy, tôi rất mong nhận được sự góp ý chân thành từ quý Thầy Cô, nhằm bổ sung và hoàn thiện trong quá trình nghiên cứu tiếp theo

Xin chân thành cảm ơn

TÓM TẮT

Trường Đại học Bách Khoa là một trong những trường đại học hàng đầu tại Việt Nam Tuy nhiên trong nhiều năm qua, luôn có một số lượng sinh viên bậc đại học và sau đại học không thể hoàn thành trọn vẹn chương trình đào tạo tại trường vì khó khăn về mặt tài chính Vì vậy, tác giả đề xuất nghiên cứu và xây dựng một hệ thống chấm điểm tín dụng dành cho sinh viên, cụ thể là ngành Hệ thống thông tin quản lý Với mục tiêu kịp thời giúp sinh viên có hoàn cảnh khó khăn tập trung vào trau dồi kiến thức mà không phải chịu áp lực chi phí học tập Thứ hai, thông qua công tác chấm điểm tín dụng của sinh viên, nhà trường sẽ nắm bắt được những điều kiện cần để nâng cao chất lượng đào tạo cũng như khả năng tốt nghiệp của sinh viên Thứ ba, với một hệ thống công nghệ thông tin hoàn thiện, quy trình hỗ trợ tín dụng cho SV sẽ minh bạch và hạn chế được sự sai sót do con người Mô hình được

sử dụng trong nghiên cứu là mô hình cây quyết định Kết quả độ chính xác của mô hình là 91,7% Luận văn đã xây dựng được một hệ thống mẫu – prototype để mô phỏng cách vận hành một hệ thống chấm điểm tín dụng một cách tự động hóa, theo định hướng dữ liệu Đây là bước đầu tiên để xây dựng một hệ thống hoàn chỉnh trong tương lai, thay thế các hoạt động thủ công, tiêu tốn rất nhiều nhân lực và thời gian để xử lý

ABSTRACT

Ho Chi Minh City University of Technology is a leading university in Vietnam However, in recent years, there is always a certain number of students cannot complete the program; due to financial difficulties Therefore, the author of the research would like to propose a solution by developing a credit scoring system for students, specifically for Management Information System Program The future system would help the university in three aspects Firstly, Bach Khoa University could be able to identify students who has financial difficulties at the enrollment stage As a result, HCMUT could provide financial support to help students to focus

on improving knowledge without being pressured by the learning costs Secondly, this system can grasp the necessary conditions to improve the quality of teaching and graduation Finally, the credit scoring solution for students provide a transparent mechanism to reduce the human errors and bias in the process of reviewing financial aid for students; because the scoring process will be done by algorithms The model to be built in the solution is based on Decision Tree algorithms and the accuracy is 91,7% The thesis has built a prototype to simulate how to operate a credit scoring system for students in an automated and data-driven approach This is the first step to build a complete system in the future and to replace manual operations, consuming a lot of human resources and time for processing

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn về đề tài “Fintech Trong Giáo Dục: Hệ Thống Chấm Điểm Tín Dụng Dành Cho Sinh Viên Cao Học Ngành Hệ Thống Thông Tin Quản

Lý Trường Đại Học Bách Khoa Tp HCM” là công trình nghiên cứu cá nhân của tôi trong thời gian qua

Mọi số liệu sử dụng trong luận văn và kết quả nghiên cứu là do tôi thu thập, phân tích một cách khách quan, trung thực, có nguồn gốc rõ ràng và chưa được công bố dưới bất kỳ hình thức nào Tôi xin chịu hoàn toàn trách nhiệm nếu có sự không trung thực trong thông tin sử dụng trong công trình nghiên cứu này

Hồ Chí Minh, ngày 3 tháng 8 năm 2020

Tác giả luận văn

Nguyễn Hữu Hương Xuân

MỤC LỤC

CHƯƠNG 1 - GIỚI THIỆU TỔNG QUAN ĐỀ TÀI 6

1.1 Lý Do Chọn Lựa Đề Tài 6

1.2 Mục Tiêu Của Nghiên Cứu 7

1.3 Đối Tượng Nghiên Cứu 7

1.4 Giới Hạn Của Nghiên Cứu 8

1.5 Ý Nghĩa Thực Tiễn 8

1.6 Cấu Trúc Luận Văn 9

CHƯƠNG 2 - TỔNG QUAN CÁC LĨNH VỰC NGHIÊN CỨU 10

2.1 Khái Quát Về Lý Thuyết Hệ Thống Thông Tin (Information System) 10

2.2 Chấm điểm tín dụng 11

2.2.1 Giới thiệu về chấm điểm tín dụng 11

2.2.2 Mô hình chấm điểm tín dụng 12

2.2.3 Ưu điểm và nhược điểm của hai phương thức chấm điểm tín dụng 14

2.2.3.1 Ưu điểm 14

2.2.3.2 Nhược điểm 15

2.2.4 Các mô hình thuật toán được sử dụng trong phân loại, xếp hạng và chấm điểm tín dụng dành cho sinh viên 16

2.2.4.1 Cây quyết đinh (Decision Tree) 17

2.2.4.2 Phân loại Naive Bayes 17

2.2.4.3 Neural Network 18

2.2.4.4 K-Nearest Neighbors 18

2.3 Đào tạo sau đại học tại Việt Nam 19

2.3.1 Hiện trạng giáo dục sau đại học tại Việt Nam nói chung và tại trường ĐHBK TPHCM nói riêng 19

2.3.2 Các yếu tố ảnh hưởng đến kết quả học tập bậc cao học 19

2.4 Các công trình nghiên cứu liên quan đến việc chấm điểm SV và dự đoán kết quả học tập 20

2.5 Tóm tắt 21

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 23

3.1 Đề xuất phương pháp tiếp cận 23

3.1.1 Quy trình hỗ trợ SV hiện tại 24

3.1.1.1 Mô tả quy trình 25

3.1.1.2 Các vấn đề được xác định với hệ thống hiện có 26

3.1.2 Đề xuất quy trình 27

3.1.2.1 Mô tả hệ thống được đề xuất 30

3.1.2.2 Quy trình chấm điểm được xây dựng trong bản prototype 31

3.2 Mô tả kết quả đầu ra 32

3.2.1 Cách tiếp cận chấm điểm tín dụng trong bối cảnh trường ĐHBK 32

3.2.2 Phương pháp chấm điểm tín dụng trong bối cảnh trường ĐHBK 33

3.2.3 Định nghĩa điều kiện loại bản ghi không hợp lệ ra khỏi tập dữ liệu dùng để xây dựng mô hình 35

3.2.4 Kết quả của mô hình 35

3.3 Phạm vi đề tài 36

3.4 Phương pháp thu thập số liệu 37

3.5 Mô hình Cây Quyết Định (Decision Tree) 37

CHƯƠNG 4: THỰC NGHIỆM VÀ KẾT QUẢ THỰC NGHIỆM 39

4.1 Dữ liệu 39

4.1.1 Mô tả dữ liệu 39

4.1.2 Phân tích kết quả 44

4.2 Kết quả thực nghiệm 48

4.2.1 Giao diện nhập liệu 49

4.2.2 Trường hợp Sinh Viên không thuộc ĐHBK 49

4.2.3 Trường hợp Sinh Viên thuộc ĐHBK 50

CHƯƠNG 5: KẾT LUẬN, VÀ CÁC HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI 54

5.1 Kết luận 54

5.1.1 Đóng góp của nghiên cứu 54

5.1.2 Hạn chế của nghiên cứu 55

5.2 Nghiên cứu trong tương lai 55

DANH MỤC TÀI LIỆU THAM KHẢO 57

Phụ lục 1: Nội dung bảng câu hỏi khảo sát 60

Phụ lục 2: Bảng thu thập dữ liệu SV Cao học- Ngành Quản lý hệ thống thông tin trường ĐHBK TP HCM 67

DANH MỤC HÌNH

Hình 01: Mô tả các cấu phần trong một Hệ thống thông tin 10

Hình 02: Màn hình nhập dữ liệu để khởi tạo quá trình để thực hiện chấm điểm tín dụng 27

Hình 03: Màn hình nhập đối soát với dữ liệu MSSV để kiểm tra bước đầu 28

Hình 04: Màn hình nhập dữ liệu điểm quá trình để thực hiện chấm điểm tín dụng 28 Hình 05: Màn hình nhập dữ liệu nhân khẩu học để thực hiện chấm điểm tín dụng 29 Hình 06: Dữ liệu nhập vào mô hình để đưa ra kết quả 29

Hình 07: Hiển thị kết quả sau khi nhập dữ liệu 29

Hình 08: Mô phỏng hệ thống chấm điểm tín dụng dành cho SV tại trường ĐH BK30 Hình 09: Quy trình chấm điểm tín dụng được thực hiện thí điểm trong luận văn 31

Hình 10: Dữ liệu SV 39

Hình 11: Mức độ chính xác của mô hình cây quyết định 45

Hình 12: Mô hình cây quyết định 48

Hình 13: Màn hình nhập liệu 49

Hình 14: Màn hình kết quả chấm điểm, kết thúc quy trình nộp hồ sơ đối với SV cần cân nhắc 50

Hình 15: Màn hình nhập thông tin nhân khẩu học 51

Hình 15 mô phỏng màn hình nhập thông tin nhân khẩu học của người nộp đơn Tại đây, các trường thuộc về thông tin nhân khẩu học, bắt buộc phải được khai báo đầy đủ 51

Hình 16: Màn hình nhập thông tin điểm quá trình 52

Hình 17: Màn hình kết quả chấm điểm, kết thúc quy trình nộp hồ sơ đối với SV tiềm năng 53

Hình 18: Bảng câu hỏi về nhân khẩu học 67

Hình 19: Bảng câu hỏi về quá trình học tập 68

Hình 20: Kết quả bảng câu hỏi được lưu trữ trên Google form 69

DANH MỤC BẢNG

Bảng 01: Ví dụ các sản phẩm chấm điểm tín dụng sử dụng dữ liệu phi truyền thống14Bảng 02: Bảng mô tả phân bổ dữ liệu đầu vào 44Bảng 03: Mức độ chính xác của dữ liệu theo từng tập dữ liệu 47Bảng 04: Confusion Matrix 47

CHƯƠNG 1 - GIỚI THIỆU TỔNG QUAN ĐỀ TÀI 1.1 Lý Do Chọn Lựa Đề Tài

Xã hội ngày càng phát triển thì nhu cầu được học tập của người dân ngày càng cao, nhất là đối với những người có thu nhập thấp muốn vươn lên Trước đây, nhiều sinh viên (SV) có học lực khá, giỏi đủ điểm vào các trường đại học, dạy nghề, … nhưng đành gác lại những mơ ước hết sức chính đáng của mình do không đủ tài chính, còn có những trường hợp học đến năm cuối nhưng do hoàn cảnh khó khăn Theo báo cáo được thực hiện bởi Bộ GD&ĐT, trong 180 trường ĐH, CĐ có 1.163 em (556 SV học hệ ĐH và 607 SV học hệ CĐ), nghỉ học vì không có khả năng đóng học phí, chiếm tỷ lệ khoảng 0,12% trên tổng số sinh viên (SV) Bên cạnh

đó, số lượng SV phải bỏ học tập trung ở một số trường đóng trên các địa bàn còn khó khăn về kinh tế khoảng 30% Thời điểm SV bỏ học tập trung vào năm thứ nhất hoặc năm thứ hai (1.029 SV, chiếm 88%) [1]

Theo báo cáo của Ngân hàng Nhà Nước (NHNN), cụ thể, từ năm 1994, Việt Nam đã bắt đầu áp dụng hình thức cho SV vay vốn từ Quỹ tín dụng đào tạo Với số vốn ban đầu khoảng 65,5 tỷ đồng và việc huy động gặp khó khăn nên trong suốt gần

10 năm thực hiện, Quỹ chỉ đáp ứng được một phần nhỏ nhu cầu vay vốn của SV nghèo Từ năm 1994 đến năm 2010 đã có khoảng 1,9 triệu SV vay được vốn Xét vào năm 2018, Ngân hàng Việt Nam đã hỗ trợ gần 51 nghìn HS, SV có hoàn cảnh khó khăn được vay vốn học tập [2] Tuy nhiên, giáo dục đại học năm học 2018, Việt Nam có 235 trường đại học, 1,76 triệu SV Như vậy, tổng số SV tiếp cận được nguồn hỗ trợ vay vốn cho đi học chỉ chiếm 0.35%

Cụ thể, tại trường ĐHBK TP HCM theo TS Lê Chí Thông, Trưởng phòng Đào tạo Trường ĐHBK TP.HCM, tỷ lệ “rơi rụng” mỗi khóa lên tới 30% Với hơn 4.000

SV nhập học sẽ có khoảng 1.200 SV không thể tốt nghiệp Theo TS Lê Chí Thông,

số SV bỏ học sau năm thứ nhất khá nhiều và nhiều nhất trong các năm Những SV vượt qua được năm thứ nhất thì sẽ dễ dàng vượt qua các năm sau đó Chỉ sau năm đầu tiên này, tỷ lệ bỏ học có thể lên tới 15% trên tổng số nhập học [3]

Lý do thôi học đến từ nhiều nguyên nhân như các em đi du học nước ngoài, học lại chương trình hoặc học lại trường khác Nhưng cũng có trường hợp chọn một hướng đi khác hoặc không theo đại học nữa Tuy nhiên, để hạn chế và giảm thiểu tỷ

lệ SV thôi học vì lý do tài chính ngay từ năm 1, năm 2, nhà trường cần một cách

tiếp cận với các Quỹ hỗ trợ tài chính một cách nhanh chóng, thiết thực và hiệu quả hơn

Do đó, việc vận dụng thế mạnh về CNTT, kết hợp với nghiên cứu về khai thác

dữ liệu dựa trên lý thuyết chấm điểm tín dụng, tác giả đề xuất xây dựng một hệ thống tự động chấm điểm và phân loại SV Đây cũng là lý do hình thành đề tài: “Hệ Thống Chấm Điểm Tín Dụng Dành Cho Sinh Viên Cao Học Ngành Hệ Thống Thông Tin Quản Lý Trường Đại Học Bách Khoa TP HCM”

1.2 Mục Tie ̂u Của Nghiên Cứu

Nghiên cứu này được thực hiện với mục tiêu xây dựng một hệ thống chấm điểm tín dụng linh hoạt, và minh bạch giúp cho SV được hỗ trợ để tiếp tục đến trường, trở thành chỗ dựa vững chắc cho HSSV nghèo theo đuổi ước mơ học tập

Mục tiêu của nghiên cứu là:

- Đề xuất mô hình đánh giá chấm điểm tín dụng dành cho SV cao học ngành HTTTQL

- Xây dựng mô hình chấm điểm tín dụng dựa trên dữ liệu SV cao học ngành HTTTQL

- Dựa trên kết quả phân loại SV cao học ngành HTTTQL, sự giàu có về mặt dữ liệu theo thời gian, nhà trường sẽ bắt đầu có định hướng về lộ trình đào tạo

Từ đó nâng cao chất lượng đào tạo, và khả năng tốt nghiệp

1.3 Đối Tu ̛ợng Nghiên Cứu

Đối tượng nghiên cứu: là SV cao học ngành HTTTQL từ năm 2014-2019, thuộc trường ĐHBK

• Đề tài không định hướng cụ thể các gói hỗ trợ SV (bao gồm hiện vật và hiện kim) để ứng dụng trong thực tế

- Thời gian thực hiện: từ tháng 9/2019 đến tháng 7/2020

1.4 Giới Hạn Của Nghie ̂n Cứu

• Về đối tượng nghiên cứu, hiện tại, vì không có dữ liệu mẫu từ các trường đại học nói chung, hoặc trường Đại học Bách Khoa nói riêng, nên đối tượng nghiên cứu được giới hạn cho SV cao học ngành HTTTQL

• Về mô hình chấm điểm, luận văn được xây dựng dựa trên việc tham khảo nghiên cứu “Phương Pháp Dự đoán, xếp hạng và khai thác dữ liệu giáo dục bậc cao học” của Asmaa A Elbadrawy và nghiên cứu về “Điều tra các yếu tố ảnh hưởng đến hiệu suất học tập của SV trong trường đại học” do Abigale Wynn thực hiện

• Về kết quả chấm điểm tín dụng, tác giả chỉ đề xuất tên gọi, không gắn liền với sản phẩm, hay đơn vị tài chính thực tiễn

1.5 Ý Nghĩa Thực Tiễn

- Về xã hội, hệ thống này hướng tới ba mục tiêu chính

• Mục tiêu đầu tiên là giúp SV có hoàn cảnh khó khăn có cơ hội đến trường và tập trung trau dồi kiến thức

• Mục tiêu thứ hai, với kết quả học tập mà SV đạt được thông qua từng học kỳ, mỗi SV sẽ có một chương trình khuyến học khác nhau để khuyến khích SV hoàn thành chương trình học với kết quả tốt nhất

• Cuối cùng, về phía nhà trường, thông qua phân tích kết quả của SV, nhà trường sẽ đánh giá được khả năng tốt nghiệp và phát triển của SV (tại bất

kì thời điểm nào so với thời điểm nhập học) Từ đó, nhà trường có thể đánh giá khung chương trình giảng dạy, có phương án nâng cấp vả cải thiện chất lượng giảng dạy, tỷ lệ tốt nghiệp trong tương lai

ngành HTTTQL theo hướng khai phá dữ liệu (data mining) Có ba khía cạnh khoa học đạt được sau khi triển khai hệ thống này, bao gồm:

• Thứ nhất, một hệ thống CNTT áp dụng vào lĩnh vực giáo dục, cụ thể là

hỗ trợ tín dụng Tạo tiền đề cho các nghiên cứu sâu về ứng dụng CNTT trong các lĩnh vực khác thuộc ngành giáo dục Hạn chế sự phụ thuộc vào các nhà cung cấp (NCC) phần mềm bên ngoài thị trường

• Thứ hai, trước đây, việc hỗ trợ tín dụng cho vay hỗ trợ đến trường thường được thực hiện một cách thủ công, dựa trên các chứng từ, hồ sơ Với hệ

thống này, trình hỗ trợ tín dụng cho SV sẽ minh bạch và hạn chế được sự sai sót và thiên kiến của người dùng, bởi vì việc chấm điểm và hỗ trợ tín dụng sẽ hoàn toàn được thực hiện bằng thuật toán, và công nghệ

• Cuối cùng, với hệ thống gần như trong thời gian thực (realtime) việc hỗ trợ tín dụng có thể thực hiện ở mọi lúc, mọi nơi

1.6 Cấu Trúc Luận Văn

Đề tài luận văn bao gồm 6 chương:

Chương 1 - Giới thiệu đề tài, lý do vì sao chọn đề tài và các ý nghĩa thực tiễn cũng như khoa học sau nghiên cứu

Chương 2 – Diễn giải các khái niệm chính về Hệ thống thông tin quản lý, Chấm điểm tín dụng, các mô hình chấm điểm tín dụng Bên cạnh đó, tác giả cũng định hướng phương pháp thực hiện chiếm điểm tín dụng của SV dựa trên các công trình nghiên cứu khoa học trước đây

Chương 3 - Diễn dịch phương pháp nghiên cứu được thông qua để đạt được các mục tiêu của luận văn này Đầu tiên là phương pháp nghiên cứu, các bước tiếp cận vấn đề và phạm vi đề tài

Chương 4 – Mô tả chi tiết các nội dung được nêu trong phương pháp luận ở chương

03 Bao gồm, phân tích quy trình hiện tại, đề xuất hướng tiếp cận mới, giữa hai phương pháp, những gì còn thiếu sót sẽ được ghi nhận tại phân tích GAP Sau

đó, tác giả sẽ đi sâu vào bộ xử lý lõi của HTTT – Mô hình dữ liệu Đầu tiên, dữ liệu được sử dụng trong nghiên cứu sẽ được mô tả về nguồn cung cấp, loại dữ liệu và phương pháp nghiên cứu được sử dụng cho dữ liệu đó Phần cuối của chương 04, sẽ đánh giá độ chính xác của mô hình để áp dụng cho công việc tạo

mô đun lõi xử lý của hệ thống

Chương 05 – Trình bày kết quả thực nghiệm

Chương 06 – Trình bày kết luận các kết quả nghiên cứu và trình bày công việc và khuyến nghị trong tương lai

CHƯƠNG 2 - TỔNG QUAN CÁC LĨNH VỰC NGHIE ̂N CỨU

Mục tiêu nghiên cứu của chương này nhằm tiếp cận một số cơ sở lý luận về HTTT, các yếu tố liên quan và các phương pháp tiếp cận lĩnh vực xếp hạng tín dụng nói chung, xếp hạng dành cho SV nói riêng Từ đó, hình thành cơ sở và phương pháp luận để tiếp tục nghiên cứu trong các chương tiếp theo

2.1 Khái Quát Về Lý Thuyết Hệ Thống Thông Tin (Information System)

Hệ thống thông tin là một tập hợp các thành phần liên quan với nhau để thực hiện chuỗi công việc từ thu thập đầu vào (input), xử lý (process), lưu trữ (store) và đầu ra (output) dữ liệu (data) hoặc thông tin (information) để phản hồi một yêu cầu nào đó

Cơ chế thu thập, xử lý và phản hồi này được một tổ chức nào đó sử dụng để đạt được mục đích nào đó ví dụ mục đích tăng lợi nhuận của hoạt động kinh doanh hoặc giảm chi phí vận hành [4]

Hình 01: Mô tả các cấu phần trong một Hệ thống thông tin

Đầu vào - Input

Trong một hệ thống thông tin, thu thập đầu vào (collect input) là một tập hợp các hoạt động thu thập dữ liệu thô [4] Ví dụ:

• Khách hàng phải nhập mã PIN vào màn hình máy ATM để được xác thực trước khi thực hiện giao dịch

• Giảng viên phải nhập liệu điểm của SV vào hệ thống của nhà trường để hệ thống xử lý và lưu trữ trước khi gửi điểm đến SV

Xử lý – Processing

Trong một hệ thống thông tin, xử lý (processing) có nghĩa thực hiện biến đổi dữ liệu thô đầu vào thành thông tin đầu ra có giá trị (useful output) (Ralph M Stair, George

W Reynolds, 2015, p.9) Quá trình xử lý có thể bao gồm thực hiện tính toán như cộng trừ nhân chia, so sánh dữ liệu đầu vào với dữ liệu từ một nguồn khác hoặc tìm phương pháp thay thế để xử lý như xóa bớt một số bản ghi trong tập dữ liệu đầu vào [4]

Sau khi quá trình biến đổi hoàn tất kết quả sẽ được lưu lại để phục vụ cho lần sử dụng tiếp theo

Đầu ra – Output

Trong một hệ thống thông tin, đầu ra thường là những thông tin có giá trị (useful information) và các thông tin này thường được thể hiện trong dạng báo cáo hoặc văn bản [4]

Ví dụ: Thông tin đầu ra có thể là bảng điểm tổng hợp các môn trong học kỳ của SV

2.2 Chấm điểm tín dụng

2.2.1 Giới thiệu về chấm điểm tín dụng

Các khái niệm về chấm điểm và xếp hạng tín dụng bắt đầu từ thập kỷ 70, dự báo rủi

ro tài chính đã trở thành một hướng phát triển mạnh mẽ của mô hình hóa xác suất thống kê Trong đó, chấm điểm tín dụng, là quá trình thu thập, phân tích và phân loại các biến khác nhau liên quan đến tín dụng để đưa ra các quyết định tín dụng, Hand và Jacka, (1998, tr 106) và Anderson (2007) Kết quả đầu ra của quá trình này thường là một báo cáo tín dụng và trong báo cáo này thước đo chính là điểm tín dụng của cá nhân hay tổ chức có nhu cầu vay vốn Đối với các tổ chức tài chính – ngân hàng (bên cho vay) thì điểm tín dụng thể hiện “uy tín” của người đi vay và mô

tả về khả năng tương đối mà người đi vay có thể mất khả năng thanh toán trong tương lai [5]

Hay hiểu một cách đơn giản, các tổ chức tài chính sử dụng kết quả của quá trình chấm điểm tín dụng để đánh giá khả năng thanh toán đúng hạn các khoản gốc và lãi của người đi vay Điểm tín dụng giúp tổ chức tài chính phân biệt giữa người vay tốt

và không tốt Một người vay tốt chỉ đơn giản là người thanh toán các khoản lãi và gốc theo đúng lịch trình mà tổ chức tín dụng đặt ra

2.2.2 Mô hình chấm điểm tín dụng

Để có thể tạo ra báo cáo tín dụng cho một cá nhân hay tổ chức đi vay, các tổ chức tài chính – ngân hàng đã áp dụng hai kỹ thuật: “Cán bộ thẩm định khoản vay sẽ ghi đánh giá chủ quan của họ vào báo cáo hoặc tổ chức tài chính – ngân hàng sử dụng phương pháp chấm điểm tín dụng” (Crook, 1996) Trong phương pháp chấm điểm tín dụng cũng tồn tại hai mô hình chấm điểm khác nhau là mô hình chấm điểm tín dụng truyền thống và mô hình chấm điểm tín dụng phi truyền thống [6, 7]

Điểm tín dụng ban đầu được đánh giá một cách chủ quan theo kinh nghiệm cá nhân

và sau đó nó được dựa trên năm tiêu chuẩn: đặc điểm tiêu dùng, vốn, tài sản thế chấp, năng lực và điều kiện kinh tế Cụ thể, mô hình chấm điểm tín dụng truyền thống thường được các ngân hàng áp dụng chỉ sử dụng các biến (trường dữ liệu) liên quan tới hành vi tín dụng của người hoặc tổ chức đi vay [8] Trong đó, Fair Isaac Corporation (FICO) tại Hoa Kỳ là đơn vị dẫn đầu trên thế giới về mô hình chấm điểm tín dụng truyền thống và phi truyền thống Đối với mô hình chấm điểm tín dụng truyền thống FICO thu thập, phân tích và xây dựng thuật toán chấm điểm dựa trên báo cáo tín dụng/tài chính của người tiêu dùng trên khắp Hoa Kỳ và nhiều khu vực trên thế giới Theo CFPB vào năm 2010 khoảng 90% các tổ chức cho vay tại Hoa Kỳ sử dụng điểm tín dụng từ FICO để ra quyết định cho vay

Nhưng với sự gia tăng mạnh mẽ về số lượng các khách hàng, chấm điểm tín dụng không thể tiến hành thủ công được nữa Nhiều tổ chức tín dụng đang phát triển mô hình chấm điểm mới để hỗ trợ các quyết định tín dụng của mình, nếu nhiều khách hàng xứng đáng được cấp tín dụng hơn cũng đồng nghĩa lợi nhuận của họ cũng tăng lên

Mô hình chấm điểm tín dụng phi truyền thống thường sử dụng các biến (dữ liệu) thay thế khác (alternative data) như dữ liệu thuê nhà, dữ liệu hóa đơn điện [9] hoặc

dữ liệu về lịch sử lướt web hay dữ liệu về tọa độ địa lí có liên quan tới các hoạt động xã hội, vui chơi giải trí

Theo Hurley and Adebayo, trong bài viết “Credit Scoring in The Era of Big Data” [8], Một số ví dụ về các công ty tại Hoa Kỳ cung cấp dịch vụ chấm điểm tín dụng phi truyền thống:

án, xác minh ID, và giấy phép làm việc

FICO -

Expansion

Score

Kế hoạch thanh toán, kiểm tra tài khoản, dữ liệu tài sản, hồ

sơ công khai, hồ sơ tài khoản tiền gửi không kỳ hạn, thông tin hóa đơn điện thoại di động và điện thoại cố định, phá sản, thế chấp, phán quyết tòa án, hồ sơ câu lạc bộ tham dự, dữ liệu ghi nợ và thông tin tài sản

nợ trên thu nhập, điểm phá sản

Transunion-

creditvision

Lịch sử địa chỉ, số dư trên các dòng thương mại, hạn mức tín dụng, số tiền quá hạn, số tiền thanh toán thực tế

Zest Finance Báo cáo tín dụng chính của cục và hàng ngàn biến số khác

"bao gồm thông tin tài chính, khách hàng sử dụng công nghệ và

tốc độ lướt qua các điều khoản dịch vụ nhanh như thế nào

Lendup Báo cáo tín dụng, dữ liệu mạng xã hội, người dùng lướt qua

trang web Lendup nhanh như thế nào

Kreditech

(Không có ở

Mỹ)

Dữ liệu vị trí (ví dụ: GPS), biểu đồ xã hội (thích làm gì, bạn

bè, địa điểm, bài đăng), phân tích hành vi (chuyển động và thời lượng trên trang web), thương mại điện tử, hành vi mua sắm, dữ liệu thiết bị (cài đặt ứng dụng, hệ điều hành)

Earnest Công việc hiện tại, tiền lương, lịch sử giáo dục, số dư trong

tài khoản tiết kiệm hoặc hưu trí, dữ liệu hồ sơ trực tuyến (ví dụ: Linkedln) và thông tin thẻ tín dụng

Demyst Data Điểm tín dụng, xác minh nghề nghiệp, kiểm tra gian lận, ổn

định việc làm, lịch sử công việc và dấu vết trên các mạng xã hội trực tuyến

Bảng 01: Ví dụ các sản phẩm chấm điểm tín dụng sử dụng dữ liệu phi

vỡ nợ thấp họ có thể nhận được lãi suất vay thấp hơn cũng như các ưu đãi khác như giãn cách thời gian giữa hai lần thanh toán sẽ dài hơn

2.2.3.2 Nhược điểm

Tuy nhiên, mô hình chấm điểm tín dụng truyền thống và phi truyền thống đều tồn tại những khuyết điểm cần phải lưu ý trong quá trình triển khai và sử dụng Điểm đầu tiên Loretta J Mester (1997), mô hình chấm điểm tín dụng truyền thống

và phi truyền thống chỉ có thể dự đoán khả năng tương đối một người vay có thể trở thành khách hàng xấu hoặc tốt chứ không thể cam kết sự kiện nào có thể xảy ra trong tương lai

Riêng đối với mô hình chấm điểm tín dụng truyền thống, khuyết điểm lớn nhất của phương pháp này không thể dự đoán xác suất một khách hàng có thể trở thành khách hàng xấu hay tốt nếu người này chưa từng có lịch sử tín dụng với các tổ chức tài chính – ngân hàng [7] Trong trường hợp này, bên cho vay cần nghiên cứu các nguồn dữ liệu thay thế (alternative data) để thực hiện chấm điểm để tránh tình trạng người có nhu cầu vay không thể vay vì họ không có lịch sử tín dụng, báo cáo và điểm tín dụng Tuy nhiên, người có nhu cầu vay sẽ không có lịch sử tín dụng, báo cáo và điểm tín dụng nếu họ không được cấp tín dụng lần đầu tiên để sử dụng Đối với mô hình chấm điểm phi truyền thống, khuyết điểm lớn nhất của phương pháp này là việc đảm bảo quyền riêng tư (privacy) của người có nhu cầu vay Các giải pháp chấm điểm tín dụng phi truyền thống hiện nay có thể truy cập vô

số các nguồn dữ liệu khác nhau về người có nhu cầu vay mà người này có thể không hề hay biết [8] Hơn thế nữa, việc mô hình chấm điểm tín dụng phi truyền thống có thể truy cập và thu thập những dữ liệu sai về người có nhu cầu vay từ không gian mạng, những nguồn dữ liệu không chính xác dẫn tới kết quả đầu ra không chính xác vào các tổ chức tín dụng có thể sử dụng những kết quả sai lệch này

để ra các quyết định tín dụng không công bằng với người có nhu cầu vay

Có thể thấy mô hình chấm điểm tín dụng là mô hình tiên tiến và có nhiều ưu điểm mang lại lợi ích cho các bên Tuy nhiên bên cạnh đó mô hình này vẫn có tồn tại những khuyết điểm đáng lưu ý và cần phải được nhấn mạnh trong quá trình xây dựng và áp dụng vào thực tế để đảm bảo mọi người có cơ hội tiếp cận nguồn tín dụng một cách công bằng và không bị phân biệt đối xử

2.2.4 Các mô hình thuật toán được sử dụng trong phân loại, xếp hạng và chấm điểm tín dụng dành cho sinh viên

Phân loại là thuật toán xây dựng các cấu trúc từ các dữ liệu trong quá khứ, để tạo thành nền tảng trong các quyết định ở tương lai [10] Phân loại dữ liệu là một quá trình gồm hai bước

Trong bước đầu tiên, một mô hình được xây dựng bằng cách phân tích từ bộ dữ liệu huấn luyện với một tập các thuộc tính Đối với mỗi bộ dữ liệu huấn luyện, giá trị đầu ra được xác định trước Thuật toán phân loại được áp dụng trên bộ dữ liệu đào tạo để tạo ra mô hình

Trong bước thứ hai của phân loại, dữ liệu thử nghiệm được sử dụng để kiểm tra

độ chính xác của mô hình Nếu độ chính xác của mô hình có thể chấp nhận được thì

mô hình có thể được sử dụng để phân loại Mức độ chính xác của mô hình được xác định bởi người vận hành hệ thống Các kỹ thuật cơ bản để phân loại là cảm ứng cây quyết định, phân loại Naives Bayes, mạng lưới thần kinh

Nhiều nghiên cứu đã được phát triển trong việc phân loại, xếp hạng để dự đoán thành tích của SV Trong nghiên cứu của Saurabh Pal [11] đã xây dựng một mô hình sử dụng các phương pháp khai thác dữ liệu để dự đoán SV nào có thể bỏ học trong năm đầu tiên trong một chương trình đại học Nghiên cứu đó đã sử dụng thuật toán phân loại Nave Bayes để xây dựng mô hình dự đoán dựa trên dữ liệu quá khứ Kết quả của hệ thống rất hứa hẹn cho việc xác định các SV cần đặc biệt chú ý để giảm tỷ lệ bỏ học

Leila Dadkhahan [12] đã cố gắng liệt kê các hoạt động cần thiết cho việc giữ chân SV tại các cơ sở giáo dục đại học để giảm số lượng SV bỏ học Dựa vào đó, việc sử dụng các kỹ thuật khai thác dữ liệu đã dẫn đến tăng tỷ lệ giữ chân SV và tỷ

lệ tốt nghiệp Mohammad Alsuwaiket [13] đã sử dụng Neural Networks (ANN), và k-Nearest Neighbors (knn) để phân loại và Đo lường kết quả học tập của SV trong giáo dục cao học

R R Kabra [14] đã sử dụng thuật toán cây quyết định được áp dụng để tạo mô hình dự đoán hiệu suất của SV kỹ thuật dựa vào dữ liệu trong quá khứ

2.2.4.1 Cây quyết đinh (Decision Tree)

Cây quyết định cĩ cấu trúc giống biểu đồ dịng chảy Cây quyết định được dùng

để phân lớp các đối tượng dựa vào dãy các luật (series of rules) Các thuộc tính của đối tượng (ngoại trừ thuộc tính phân lớp – Category attribute) cĩ thể thuộc các kiểu

dữ liệu khác nhau (Binary, Nominal, Ordinal, Quantitative values) trong khi đĩ thuộc tính phân lớp phải cĩ kiểu dữ liệu là Binary hoặc Ordinal Mục tiêu của cây quyết định là sau khi đưa dữ liệu đầu vào, thuật tốn sẽ sinh ra các luật để dự đốn lớp của các dữ liệu chưa biết

Ưu điểm của thuật tốn cây quyết định là tính đơn giản và phổ biến Với mơ hình sinh ra từ các dữ liệu ban đầu, thuật tốn sẽ hiển thị thành các quy tắc dễ hiểu cho người đọc, tạo ra bộ luật với mỗi nhánh Thứ hai, dữ liệu đầu vào cĩ thể là là dữ liệu missing, khơng cần chuẩn hĩa hoặc tạo biến giả Thứ ba, mơ hình cĩ thể được xác thực độ chính xác bằng cách sử dụng các kiểm tra thống kê

Tuy nhiên, bên cạnh đĩ, Mơ hình cây quyết định cũng cĩ nhiều khuyết điểm Đầu tiên, mơ hình phụ thuộc rất lớn vào dữ liệu Với một sự thay đổi nhỏ trong bộ

dữ liệu, cấu trúc mơ hình cây quyết định cĩ thể bị thay đổi Thêm nữa, với độ phân

bổ khơng đồng đều về phân bổ dữ liệu, cây quyết định hay gặp vấn đề overfitting

2.2.4.2 Phân loại Naive Bayes

Naive Bayes Classification (NBC) là một thuật tốn phân loại dựa trên tính tốn xác suất áp dụng định lý Bayes Phân loại Bayesian là phương pháp phân loại

sử dụng tri thức các xác suất đã qua huấn luyện Phương pháp này thích hợp với những lớp bài tốn địi hỏi phải dự đốn chính xác lớp của mẫu cần kiểm tra dựa trên những thơng tin từ tập huấn luyện ban đầu

Naive Bayes là một trong những giải thuật Machine learning cổ điển được đề cập nhiều trong thập niên 1950-1960 để giải quyết các bài tốn phân loại văn bản Phương pháp Naive Bayes cĩ mối liên hệ mật thiết với ngành thống kê vì cơ chế của nĩ dựa vào định lý Bayes

Ưu điểm của thuật tốn này là, khi giả định về tính độc lập của các biến, thêm vào đĩ, Nạve Bayes hoạt động tốt trong trường hợp các biến đầu vào là biến Nhĩm (Categorical Variable) hơn là các biến Số (Numerical Variable)

Nhược điểm, mơ hình Nạve Bayes chỉ sử dụng tại 1 thời điểm trong tương lai, khơng mang tính liên tục, do Naive Bayes giả định của các biến dự đốn mang tính độc lập

2.2.4.3 Neural Network

Một trình phân loại mạng nơ ron (Bishop, 1995) bao gồm một số đơn vị xử lý (nút) được tổ chức thành các lớp khác nhau Các nút giữa mỗi lớp được liên kết với nhau và mỗi kết nối cĩ thể cĩ mức độ phức tạp khác nhau Dữ liệu lớp đầu vào và đi qua mạng, từng nút, từng lớp, cho đến khi đến lớp cuối và trả kết quả sau cùng Trong quá trình chạy dữ liệu, bằng cách so sánh sự khác biệt giữa các giá trị đầu ra mong muốn và giá trị đầu ra thực tế, từ đĩ sẽ thay đổi các lớp để cho ra kết quả phù hợp Đây là một phương pháp kết hợp nhiều thuật tốn phân loại, nhằm đưa ra kết quả đa dạng theo yêu cầu người dùng

Hạn chế lớn của Neural Network là thiếu khả năng giải thích Mặc dù thuật tốn cĩ thể đạt được tỷ lệ chính xác dự đốn cao, nhưng giữa các nút mạng, người dùng khơng thể giải thích các kết quả của thuật tốn Ví dụ, trong trường hợp khoản vay bị từ chối, mạng Neural Noetwork chỉ cĩ thể trả kết quả cĩ hoặc khơng, mà khơng đưa ra được lý do nào, biến nào hoặc yếu tố nào tác động vào kết quả đĩ

Do đĩ, gần như khơng thể sử dụng mạng lưới thần kinh cho mơ hình chấm điểm tín dụng để quyết định ứng dụng và quản lý giới hạn và vẫn tuân thủ Đạo luật tín dụng quốc gia

2.2.4.4 K-Nearest Neighbors

KNN (K-Nearest Neighbors) là một trong những thuật tốn học cĩ giám sát đơn giản nhất được sử dụng nhiều trong khai phá dữ liệu và học máy Mọi tính tốn được thực hiện khi nĩ cần dự đốn nhãn của dữ liệu mới Lớp (nhãn) của một đối tượng dữ liệu mới cĩ thể dự đốn từ các lớp (nhãn) của k hàng xĩm gần nĩ nhất

Ưu điểm của thuật tốn là mau chĩng cĩ kết quả, thời gian chạy thuật tốn khơng lâu Một lợi thế của phương pháp này là bản chất khơng tham số của phương pháp này cho phép mơ hình hĩa các bất thường trong hàm rủi ro (Christine Bolton, (2019), “Logistic regression and its application in credit scoring” Pg 21)

Tuy nhiên, để sử dụng KNN, cần chuyển đổi kiểu dữ liệu thành các yếu tố định tính Bên cạnh đó, Với số k nhỏ, kết quả gặp nhiễu dễ đưa ra kết quả không chính xác Cuối cùng, các mô hình láng giềng gần nhất đã không được áp dụng rộng rãi trong ngành chấm điểm tín dụng Một lý do vì bài toán không đưa ra tham số để phân nhóm dữ liệu, vì vậy, thiếu tính minh bạch trong việc giải thích các kết quả cho các nhà quản lý doanh nghiệp

2.3 Đào tạo sau đại học tại Việt Nam

2.3.1 Hiện trạng giáo dục sau đại học tại Việt Nam nói chung và tại trường ĐHBK TPHCM nói riêng

Theo thống kê của Bộ Lao động-Thương binh & Xã hội, năm 2017, cả nước

có trên 225.000 cử nhân, thạc sĩ thất nghiệp Trong đó, nhiều người đang phải cất tấm bằng ĐH đi để chuyển sang học nghề hoặc chỉ để xin được một việc làm phổ thông đã cho thấy một sự lãng phí lớn về tiền bạc và thời gian Nguyên nhân là trình

độ và kỹ năng không đủ đáp ứng nhu cầu xã hội [15]

Điều này phản ánh trực tiếp thông qua số lượng thí sinh đăng ký thi tuyển sinh Cụ thể, theo đánh giá của ban Sau đại học ĐHQG TPHCM, số lượng thí sinh đăng ký tuyển sinh sau ĐH, nhất là trình độ Th S, có xu hướng giảm mạnh Cụ thể, theo báo cáo của Phòng Đào tạo sau đại học của Đại học Quốc gia TPHCM ( Cụ thể, năm 2012, tổng chỉ tiêu Th S là 3.550, đến năm 2017 chỉ còn 3.320 (giảm 9,35%) [16]

2.3.2 Các yếu tố ảnh hưởng đến kết quả học tập bậc cao học

Trên thế giới đã có nhiều nghiên cứu quốc tế tập trung vào kết quả học tập của

SV và các biến số ảnh hưởng (Elias et al., 2011; Goff, 2011; Robbins et al., 2004;) Các tài liệu cho thấy rằng nhiều biến số xã hội, tâm lý, nhận thức, kinh tế, môi trường và nhân khẩu học ảnh hưởng đến thành tích học tập của SV đại học (Kilminster et al., 2007; mcmanus et al., 2003; Mushtaq, 2012)

Ngoài ra, nghiên cứu khác đề xuất các biến bổ sung để xem xét như động lực thành tích, mục tiêu học tập, hỗ trợ xã hội, tham gia xã hội, hỗ trợ tài chính, điểm trung bình của trường trung học (GPA), bài kiểm tra tiêu chuẩn và nhân khẩu học (Hamaideh & Hamdan-Mansour, 2014; Robbins et al., 2004)

Ngay tại Việt Nam, cũng đã có nhiều nghiên cứu về vấn đề này Như báo cáo của TS Phan Quốc Tấn cho thấy, Tính kiên định trong học tập có tác động dương mạnh nhất đến Kết quả học tập, và Chất lượng sống trong học tập; Chất lượng sống trong học tập tác động dương thấp hơn đến Kết quả học tập Nghiên cứu cũng chỉ ra rằng, không có sự khác biệt giữa SV nam và nữ về mối quan hệ giữa 3 khái niệm này [17]

Hay như Th S Nguyễn Thị Dung, dựa trên mô hình hồi quy tuyến tính đa biến, cũng đã chỉ ra các nhân tố về đặc điểm của SV (giới tính, SV năm thứ, điểm đầu vào đại học, ngành học, sử dụng thư viện, sử dụng internet trong học tập) có ảnh hưởng đến kết quả của SV chính quy Khoa Kinh tế và Quản trị kinh doanh [18] Tuy nhiên, ở Việt Nam, rất ít nghiên cứu về dự đoán, và phân tích các yếu tố ảnh hưởng đến thành tích học tập của SV, đặc biệt là các biến về nhân khẩu học Do

đó, thông qua nghiên cứu này, nhà trường và tác giả sẽ có nhiều phương án để nâng cao chất lượng đào tạo bằng cách điều tra các biến số tâm lý, học thuật và nhân khẩu học Mục tiêu của nghiên cứu này là tạo ra một mô hình đa chiều về các biến

số, từ đó dự đoán khả năng đạt thành tích tốt/ không tốt cho các SV

2.4 Các công trình nghiên cứu liên quan đến việc chấm điểm SV và dự đoán kết quả học tập

Bresfelean đã thu thập dữ liệu thông qua các cuộc khảo sát từ các SV đại học tại khoa kinh tế & quản trị kinh doanh ở Cluj-Napoca [19] Tác giả đã sử dụng thuật toán cây quyết định trong công cụ WEKA, ID3 và J48 đã được áp dụng để dự đoán

SV nào có khả năng học thạc sĩ sau đại học Mô hình được áp dụng trên hai chuyên ngành khác nhau, và độ chính xác 88,68% và 71,74% đã đạt được với C4,5

P Cortez và A Silva [20] đã làm việc trên dữ liệu của SV cấp hai để dự đoán điểm số Kết quả học tập trong quá khứ cũng như các thông tin về nhân khẩu, thu nhập, kinh tế xã hội đã được thu thập, xử lý và phân tích bằng việc sử dụng các kỹ thuật phân loại khác nhau Kết quả của bài nghiên cứu cho thấy thuật toán cây quyết định đưa ra kết quả vượt trội hơn các phương pháp như Mạng thần kinh và SVM

N Thai Nghe, Janecek và Haddawy [21] đã so sánh độ chính xác của cây quyết định và thuật toán mạng Bayes để dự đoán kết quả học tập của SV đại học và

sau đại học tại hai trường đại học: Đại học Cần Thơ (CTU) - một trường đại học quốc gia lớn ở Việt Nam và Viện Công nghệ Châu Á (AIT) - trường đại học quốc tế

ở Thái Lan Kết quả nghiên cứu chứng minh thuật toán cây quyết định chính xác hơn 3-12% so với Bayesian Networks

Baradwaj và Pal [22] đã thu thập dữ liệu của SV đại học như điểm danh, bài kiểm tra trên lớp, số lần tham dự hội thảo và điểm bài tập từ dữ liệu quá khứ của

SV, để dự đoán khả năng đậu/ rớt vào cuối học kỳ

2.5 Tóm tắt

Hiện nay mô hình chấm điểm tín dụng được các nước trên thế giới áp dụng vào nhiều kịch bản kinh doanh khác nhau, không chỉ bó hẹp trong ngành tài chính – ngân hàng Ví dụ như tuyển dụng có thể sử dụng điểm tín dụng để ra quyết định tuyển dụng nhân sự hay thăng chức cho một nhân sự hay không hoặc chủ sở hữu tài sản (như nhà đất, xe cộ…) dùng điểm tín dụng để sàng lọc người thuê tiềm năng có

uy tín tốt [8] Tại Việt Nam, mô hình chấm điểm tín dụng chỉ vừa được đề xuất áp dụng theo thông tư 41 (41/2016/TT-NHNN) cho ngành tài chính ngân hàng theo chuẩn Basel II – trụ cột 1 “yêu cầu vốn tối thiểu” Và hiện tại vẫn chưa mở rộng cho các ngành khác

Ngoài ra, tính cạnh tranh của chương trình giáo dục sau đại học cũng cần nhiều thay đổi PGS Hoàng Minh Sơn cho biết, hiện nhiều SV chọn tiếp tục học lên cao ở nước ngoài bởi họ được hỗ trợ bởi nguồn học bổng khá cao Trong khi đó, học ở trong nước, người học vừa phải tự trả học phí và trả cả chi phí nghiên cứu [15] Vì vậy, bản thân các trường phải thay đổi tư duy đào tạo Việc thay đổi có thể bao gồm thiết kế thời gian phải học rất nhiều, nhưng thời gian để người học thực sự được trải nghiệm, nghiên cứu còn ít Hoặc cung cấp các chương trình khuyến học,

để tăng tính cạnh tranh với các chương trình đào tạo quốc tế trong và ngoài nước khác

Nhiều ý kiến cũng thống nhất chính sách học bổng hỗ trợ người học rất quan trọng để thu hút người học sau ĐH Tuy nhiên, cần có cơ chế chính sách rõ cho nội dung này Từ chia sẻ của đại diện Mobifone, hiện doanh nghiệp này có Quỹ với nghìn tỷ nhưng không sử dụng hiệu quả vì cơ chế chính sách chưa rõ ràng [15]

Do đó, dựa vào nghiên cứu những trường hợp đã áp dụng mô hình chấm điểm tín dụng, cụ thể là mô hình cây quyết định, làm cơ sở lý luận cho việc phát triển HTTT, chúng ta có thể thấy được tiềm năng rất lớn của việc tiếp cận xây dựng HTTT

Tác giả hy vọng rằng nghiên cứu này sẽ mở ra hướng phát triển mới trong tương lai giúp Đại học Bách Khoa Thành Phố Hồ Chí Minh có thể trở thành trường đại học hàng đầu trong việc ứng dụng công nghệ mới hỗ trợ SV hoàn thành chương trình học cũng như giúp nhà trường có góc nhìn chuyên sâu hơn về khung chương trình đào tạo và từ đó đưa ra giải pháp điều chỉnh phù hợp

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Đề xuất phương pháp tiếp cận

Trong quá trình nghiên cứu, luận văn sử dụng phương pháp Định lượng thống kê để xây dựng lõi xử lý hệ thống – quy trình nghiệp vụ Bên cạnh phương pháp định lượng, các tiếp cận về mặt HTTT cũng được nêu rõ để phục vụ cho nghiệp vụ tại trường

Các bước thực hiện nghiên cứu được đề xuất theo mô hình như sau:

Bước 1 - Xác định vấn đề nghiên cứu: dựa vào nhu cầu thực tiễn, vấn đề cần nghiên cứu là xây dựng một HTTT để phân loại SV Phần này đã trình bày chi tiết trong chương 2

Xác định vấn đề cần nghiên cứu

Khảo sát quy trình hỗ trợ SV hiện tại

Thu thập, khảo sát, xử lý và làm sạch các dữ liệu có

Bước 2 – Nghiên cứu quy trình hiện tại và các vấn đề liên quan Từ đó, phân tích xác định hướng tiếp cận, phân tích các vấn đề ở quy trình hiện tại, và đề xuất xây dựng HTTT phù hợp với nghiệp vụ

Bước 3 - Thiết kế bảng câu hỏi khảo sát, thông tin khảo sát được thực hiện bởi các

SV đã và đang tham gia học tập ngành HTTQL tại trường ĐHBK Sau khi thu thập

dữ liệu, tác giả tiến hành xây dựng mô hình: tham khảo các phương pháp, các mô hình đánh giá thông qua các bài báo khoa học được công bố, được trình bày tại chương 2

Bước 4 - Xây dựng mô hình lõi xử lý của HTTT và Phân tích số liệu

Bước 5 - Kiểm thử mô hình: kiểm tra kết quả thực hiện với một hoặc hai SV

Bước 6 - Kết luận và kiến nghị hướng nghiên cứu trong tương lai

3.1.1 Quy trình hỗ trợ SV hiện tại

Trong thực tế ngành tài chính, có ba phương pháp có thể được sử dụng để định nghĩa phân khúc/ nhóm các đối tượng cần được chấm điểm tín dụng

1 Dựa vào ý kiến chuyên gia (Expert judgement):

Phương pháp này sử dụng quyết định chủ quan của chuyên gia làm việc lâu năm trong ngành và trong chính tổ chức có nhu cầu thực hiện chấm điểm tín dụng để chọn ra các phân khúc cần được chấm điểm Đây là phương pháp nhanh nhất để xác định các phân khúc SV được chấm điểm

2 Dựa vào kết quả xác suất thống kê – (Statistical):

Phương pháp này dựa vào kết quả phân tích dữ liệu quá khứ để đưa ra danh sách các phân khúc cần được chấm điểm

3 Dựa vào sự kết hợp giữa ý kiến chuyên gia và kết quả xác xuất thống kê (Hybris)

Tùy thuộc vào số lượng và chất lượng dữ liệu mà tổ chức có thì chúng ta có thể

sử dụng một trong ba phương pháp trên để xác định các phân khúc để chấm điểm Thông thường, các tổ chức tài chính ngân hàng sẽ sử dụng phương pháp “kết hợp - hybris” để xác định các phân khúc Nguyên nhân chính thường là do dữ liệu quá khứ của một tổ chức đơn lẻ không đủ nhiều và có chất lượng đủ tốt để xây dựng một

mô hình tiên đoán mạnh dựa hoàn toàn vào phương pháp xác xuất thống kê Mặt khác, mô hình xây dựng hoàn toàn dựa trên ý kiến chủ quan của chuyên gia trong nội bộ ngân hàng sẽ không được ngân hàng nhà nước, các tổ chức kiểm toán độc hay nhà đầu tư công nhận kết quả

Trong bối cảnh của trường ĐHBK TP.HCM, việc lựa chọn phân khúc sinh viên cần được chấm điểm tín dụng nên được thực hiện theo thông qua kết hợp ý kiến giữa các chuyên gia – là quản trị viên, phòng giáo vụ hoặc phòng đào tạo, với kết quả xác xuất thống kê Trong đó, ý kiến của các chuyên gia sẽ giúp định hình quy trình nghiệp vụ, phù hợp với môi trường và hiện trạng của SV Còn mô hình xác xuất thống kê, người vận hành hệ thống có thể dựa vào kết quả phân loại, để làm tham chiếu đưa ra quyết định theo định hướng dữ liệu (data-driven)

3.1.1.1 Mô tả quy trình

Hiện tại, trường ĐHBK TP.HCM chưa có cơ chế chấm điểm tín dụng cho

SV Các hỗ trợ khuyến học đang có hầu hết là các chương trình cấp các học bổng dành cho SV sau đại học như: các học bổng TS trong và ngoài nước Theo công văn ĐHBK-ĐTSĐH V/v Học bổng sau đại học của ĐHQG-HCM năm 2019,

Tiêu chí lựa chọn: Đối với học viên cao học:

- HV năm thứ nhất hoặc HV năm cuối (tính theo theo thời gian nhập học):

- Học đúng tiến độ theo kế hoạch của CSĐT

- Có kết quả học tập cuối năm đạt tối thiểu 7.5 điểm/năm (đối với lĩnh vực Kinh doanh và quản lý) và 7.0 (đối với các lĩnh vực sau: Khoa học sự sống; Khoa học tự nhiên; Toán và thống kê, Máy tính và công nghệ thông tin; Công nghệ

kỹ thuật; Kỹ thuật; Sản xuất và chế biến; Kiến trúc và xây dựng; Sức khỏe và Môi trường và bảo vệ môi trường)

- Có tối thiểu 24 giờ làm việc/tuần (ngoài thời gian học trên lớp) dành cho việc học tập và nghiên cứu tại CSĐT (đối với HV năm cuối)

- Sản phẩm NCKH: Có tối thiểu 01 bài báo được đăng hoặc được nhận đăng trên tạp chí khoa học thuộc danh mục các tạp chí ISI-Scopus; hoặc đã công

bố tối thiểu 02 báo cáo trong kỷ yếu hội thảo quốc tế uy tín, có phản biện,

xuất bản bằng tiếng nước ngoài; hoặc 02 bài báo đăng trên tạp chí khoa học nước ngoài uy tín, có phản biện; hoặc tham gia đề tài NCKH các cấp đã được nghiệm thu (đối với HV năm cuối)

- Đạt chuẩn trình độ ngoại ngữ theo quy định hiện hành của ĐHQG-HCM Thông tin về hồ sơ: gồm (2 bộ):

- Lý lịch khoa học có dán ảnh và đóng dấu giáp lai

- Kết quả học tập

- Văn bằng, chứng chỉ chứng minh đạt trình độ ngoại ngữ theo quy định

- Thư giới thiệu và xác nhận Ban Chủ nhiệm khoa/Bộ môn hoặc CBHD

- Giấy xác nhận thời gian học tập, nghiên cứu của HV, NCS tại CSĐT

- Minh chứng các sản phẩm NCKH

- Các thành tích khen thưởng khác (nếu có)

Để gởi thông tin, các SV phải nộp tại văn phòng sau đại học Thời gian để nhận phản hồi tuỳ thuộc vào từng chương trình

Sau khi nhận các thông tin của SV, người tiếp nhận sẽ chuyển hồ sơ để thực hiện đánh giá thẻo các tiêu chuẩn mà chương trình đề ra Nếu đạt, người tiếp nhận sẽ gởi đơn và thông tin lên ban quản trị để giải quyết và kết quả của quá trình này, là

SV sẽ nhận được kết quả thẩm định, hoặc lời mời phỏng vấn

Thời gian làm việc để duyệt hồ sơ tùy thuộc vào từng chương trình, và đơn vị cấp học bổng

3.1.1.2 Các vấn đề được xác định với hệ thống hiện có

Phương pháp duyệt hồ sơ dựa trên giấy được sử dụng trong toàn bộ thủ tục xin học bổng và quản lý đơn xin học bổng Phương pháp thủ công này phải đối mặt với những thách thức sau:

- Lãng phí nguồn lực: Một đánh giá đúng đắn về phương pháp xử lý dựa trên

hồ sơ giấy mà nhà trường hiện đang sử dụng cho thấy rất nhiều thời gian bị lãng phí trong quá trình xử lý đơn của SV Điều này bao gồm sự liên lạc giữa các bên khác nhau (người nộp đơn, nhân viên hành chính sàng lọc và

bộ phận duyệt đơn) Đôi khi, một lỗi trong quy trình do sai sót của người dùng có thể khiến đơn quay trở lại bước xử lý trước đó

- Gian lận: Cũng có trường hợp gian lận có thể ảnh hưởng đến sự minh bạch,

và tính công bằng trong việc xin cấp hỗ trợ làm ảnh hưởng tới tâm lí các chuyên viên xét duyệt hồ sơ và SV xuất sắc

Sau khi phân tích quy trình hiện có; tác giả sẽ đề xuất quy trình xin cấp hỗ trợ dành cho SV sau đại học

3.1.2 Đề xuất quy trình

Sau khi phân tích cẩn thận các yêu cầu của người dùng, các kịch bản sau sẽ được xử

lý bởi hệ thống chấm điểm tín dụng

SV / Người nộp đơn đăng nhập vào trang web để khởi tạo quy trình chấm điểm tín dụng Đăng nhập với thông tin người dùng, bao gồm MSSV, số CMND và Họ tên người nộp đơn

- Nếu người nộp đơn không có trong dữ liệu hệ thống, hệ thống sẽ trả kết quả ngay tại thời điểm đó Quy trình kết thúc

- Nếu người nộp đơn có trong dữ liệu hệ thống, hệ thống sẽ bắt đầu gởi các thông tin để lưu, chấm và trả kết quả

Hình 02: Màn hình nhập dữ liệu để khởi tạo quá trình để thực hiện chấm điểm tín

dụng

Hình 03: Màn hình nhập đối soát với dữ liệu MSSV để kiểm tra bước đầu

Hình 04: Màn hình nhập dữ liệu điểm quá trình để thực hiện chấm điểm tín dụng

Hình 05: Màn hình nhập dữ liệu nhân khẩu học để thực hiện chấm điểm tín dụng

Hình 06: Dữ liệu nhập vào mô hình để đưa ra kết quả

Kết quả mà người nộp đơn nhận được là khả năng được phân loại lớp, dựa vào thông tin mà người nộp đơn đã điền Kèm theo đó là ngày cuối cùng trả kết quả

Hình 07: Hiển thị kết quả sau khi nhập dữ liệu

3.1.2.1 Mô tả hệ thống được đề xuất

Hình 08: Mô phỏng hệ thống chấm điểm tín dụng dành cho SV tại trường ĐH BK

Hệ thống cho phép thu thập dữ liệu theo 2 chế độ

- Chế độ thứ nhất: Người dùng cá nhân đăng nhập vào hệ thống và thực hiện nhập liệu trên màn hình hệ thống

- Chế độ thứ hai: Quản trị viên có thể tải dữ liệu của nhiều người dùng vào

hệ thống thông qua file Excel để thực hiện chấm điểm theo lô

Trong bài luận văn này, với bản mẫu prototype, tác giả sẽ thực hiện thu thập dữ liệu theo từng cá nhân

Sau khi nhập liệu, quy trình xử lý được thực hiện như sau:

• File Excel cần được lưu vào thư mục chia sẻ “Share folder” để hệ thống thực hiện quét dữ liệu từ file và đưa vào vùng trung gian Sau đó dữ liệu từ vùng trung gian sẽ được tải vào hệ thống

• Dữ liệu sau khi được nhập vào hệ thống sẽ được kiểm tra tính hợp lệ theo quy trình và quy định của tổ chức đã quy định sẵn

• Kiểm tra tính hợp lệ của dữ liệu:

o Bản ghi không hợp lệ sẽ không được thực hiện chấm Người dùng hoặc quản trị viên sẽ nhận được thông báo tương ứng trên màn hình

hệ thống

• Mô hình thực hiện chấm điểm, phân loại và trả ra điểm xếp hạng

• Điểm xếp hạng được mô hình trả ra sẽ được:

• Điểm xếp hạng được đưa vào cấu phần ra quyết định để thực hiện đối chiếu và trả ra thông tin gói hỗ trợ tương ứng với mức xếp hạng

• Kết quả cuối cùng sẽ bao gồm Nhóm phân loại (có thể được điều chỉnh theo điều kiện ngoại lệ) và gói hỗ trợ tương ứng:

mô hình về sau

3.1.2.2 Quy trình chấm điểm được xây dựng trong bản prototype

Hình 09: Quy trình chấm điểm tín dụng được thực hiện thí điểm trong luận văn