Ứng dụng trí tuệ nhân tạo trong phân tích cảm xúc sinh viên: Hàm ý cho quản trị giáo dục đại học

Vũ Thị Thanh Hương

Email: [email protected]

Trường Đại học Tài chính - Marketing

Tóm tắt

Nghiên cứu phân tích vai trò của trí tuệ nhân tạo (AI) trong khai thác dữ liệu cảm xúc từ phản hồi sinh viên nhằm hỗ trợ quản trị giáo dục đại học. Thông qua phương pháp tổng quan tài liệu, nghiên cứu đề xuất khung quản trị phân tích cảm xúc dựa trên AI, qua đó liên kết dữ liệu với hoạt động quản trị, hỗ trợ ra quyết định dựa trên dữ liệu. Trên cơ sở đó, tác giả đề xuất hàm ý quản trị nhằm thúc đẩy ra quyết định quản trị dựa trên dữ liệu trong giáo dục đại học.

Từ khóa: Phân tích cảm xúc, quản trị giáo dục đại học, trí tuệ nhân tạo

Abstract

The study examines the role of artificial intelligence (AI) in extracting emotional data from student feedback to support higher education governance. Using a literature review approach, the study proposes an AI-based sentiment analysis governance framework that links data analytics with governance practices to facilitate data-driven decision-making. Based on the findings, the author suggests managerial implications for promoting data-driven governance in higher education.

Keywords: Sentiment analysis, higher education governance, artificial intelligence

ĐẶT VẤN ĐỀ

Trong bối cảnh chuyển đổi số, giáo dục đại học đang chuyển dịch từ mô hình quản trị truyền thống sang mô hình quản trị dựa trên dữ liệu, trong đó dữ liệu trở thành một trong những nguồn lực chiến lược phục vụ nâng cao chất lượng đào tạo và hiệu quả vận hành. Xu hướng này kéo theo sự thay đổi trong cách tiếp cận người học, khi sinh viên không chỉ là đối tượng đào tạo mà còn là trung tâm của hệ sinh thái dịch vụ giáo dục, với trải nghiệm và mức độ hài lòng là những chỉ báo quan trọng đánh giá chất lượng đào tạo.

Hiện nay, các cơ sở giáo dục đại học đã triển khai nhiều kênh thu thập phản hồi sinh viên như khảo sát định kỳ, hệ thống góp ý trực tuyến và các nền tảng học tập số, tạo ra một khối lượng lớn dữ liệu, đặc biệt là dữ liệu văn bản phi cấu trúc. Tuy nhiên, các phương pháp truyền thống như thang đo Likert chủ yếu phản ánh đánh giá bề mặt, chưa thể hiện đầy đủ chiều sâu cảm xúc, dẫn đến nhiều thông tin có giá trị phục vụ quản trị chưa được khai thác hiệu quả.

Sự phát triển của AI đã mở ra những cơ hội mới trong việc xử lý và phân tích dữ liệu. Thông qua các kỹ thuật xử lý ngôn ngữ tự nhiên và phân tích cảm xúc, AI cho phép nhận diện, phân loại và diễn giải cảm xúc của sinh viên một cách hệ thống, từ đó cung cấp những hiểu biết sâu sắc về trải nghiệm người học. Điều này tạo điều kiện cho các cơ sở giáo dục chuyển từ cách tiếp cận phản ứng sang cách tiếp cận chủ động trong quản trị.

Tuy nhiên, các nghiên cứu hiện nay chủ yếu tập trung vào khía cạnh kỹ thuật, trong khi còn thiếu các nghiên cứu tiếp cận từ góc độ quản trị, đặc biệt là cơ chế chuyển hoá dữ liệu cảm xúc thành giá trị phục vụ ra quyết định quản trị. Do đó, nghiên cứu này được thực hiện nhằm làm rõ vai trò của AI trong phân tích cảm xúc sinh viên và đề xuất khung quản trị phù hợp trong giáo dục đại học.

CƠ SỞ LÝ THUYẾT

Chất lượng dịch vụ và sự hài lòng

Trong giáo dục đại học, chất lượng dịch vụ được đánh giá dựa trên cảm nhận của người học, trong đó sự khác biệt giữa kỳ vọng và trải nghiệm thực tế quyết định mức độ hài lòng (Parasuraman và cộng sự, 1988).

Sự hài lòng được hình thành qua quá trình so sánh giữa kỳ vọng và trải nghiệm thực tế (Oliver, 1980). Do đó, dữ liệu cảm xúc từ phản hồi sinh viên là nguồn thông tin giá trị giúp các cơ sở giáo dục nhận diện vấn đề và cải thiện chất lượng đào tạo. Ứng dụng AI cho phép phân tích dữ liệu này một cách hệ thống, hỗ trợ ra quyết định quản trị dựa trên dữ liệu (Chen và cộng sự, 2012).

Khung TOE

Khung TOE giải thích việc ứng dụng công nghệ trong tổ chức thông qua 3 yếu tố: công nghệ, tổ chức và môi trường (Tornatzky và Fleischer, 1990). Trong môi trường giáo dục đại học, các yếu tố này lần lượt phản ánh năng lực AI trong xử lý dữ liệu, mức độ sẵn sàng và năng lực quản trị của tổ chức, cùng với bối cảnh chính sách và cạnh tranh. Sự tương tác giữa 3 yếu tố quyết định hiệu quả ứng dụng AI và khả năng chuyển hóa dữ liệu cảm xúc thành giá trị quản trị.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp tổng quan tài liệu có hệ thống. Dữ liệu được thu thập từ các cơ sở dữ liệu khoa học uy tín như Scopus và Web of Science, với tiêu chí lựa chọn dựa trên mức độ liên quan và độ tin cậy của nguồn.

TỔNG QUAN NGHIÊN CỨU

Các nghiên cứu gần đây cho thấy AI ngày càng được ứng dụng rộng rãi trong khai thác dữ liệu giáo dục, đặc biệt là dữ liệu phản hồi sinh viên dưới dạng văn bản phi cấu trúc. Thông qua các kỹ thuật phân tích dữ liệu và phân tích học tập, các hệ thống này cho phép nhận diện các vấn đề trong quá trình học tập và giảng dạy một cách kịp thời (Ifenthaler và Yau, 2020).

Tuy nhiên, phần lớn các nghiên cứu hiện nay tập trung vào khía cạnh kỹ thuật, như phát triển mô hình, cải thiện độ chính xác hoặc tối ưu hóa thuật toán. Trong khi đó, vai trò của AI trong hỗ trợ hoạt động quản trị và ra quyết định vẫn chưa được khai thác đầy đủ. Điều này dẫn đến khoảng cách giữa năng lực phân tích dữ liệu và khả năng ứng dụng kết quả phân tích vào thực tiễn quản trị.

Trong bối cảnh giáo dục đại học, dữ liệu cảm xúc được xem là nguồn thông tin quan trọng phản ánh trải nghiệm thực tế của sinh viên. Việc khai thác hiệu quả dữ liệu này không chỉ giúp các cơ sở giáo dục nhận diện sớm các vấn đề phát sinh trong quá trình đào tạo, mà còn hỗ trợ xây dựng các cơ chế can thiệp kịp thời nhằm nâng cao chất lượng dịch vụ và cải thiện trải nghiệm người học (Parasuraman và cộng sự, 1988; Oliver, 1980).

Bên cạnh đó, các nghiên cứu cũng chỉ ra rằng việc tích hợp phân tích dữ liệu và AI góp phần xây dựng các cơ chế cảnh báo sớm, từ đó cải thiện tỷ lệ duy trì sinh viên và tối ưu hóa quá trình học tập (Ifenthaler và Yau, 2020). Sự phát triển của các mô hình ngôn ngữ lớn cũng mở rộng khả năng xử lý dữ liệu quy mô lớn, từ đó hỗ trợ các quyết định quản trị mang tính chiến lược trong giáo dục đại học (Kasneci và cộng sự, 2023).

Mặc dù AI có nhiều tiềm năng trong phân tích dữ liệu giáo dục, nhưng vẫn còn thiếu các tiếp cận mang tính hệ thống từ góc độ quản trị, đặc biệt là trong việc xây dựng cơ chế liên kết giữa dữ liệu, phân tích và ra quyết định. Đây chính là khoảng trống nghiên cứu mà bài viết hướng tới giải quyết thông qua việc đề xuất khung quản trị phân tích cảm xúc dựa trên AI.

KHUNG QUẢN TRỊ PHÂN TÍCH CẢM XÚC DỰA TRÊN AI TRONG GIÁO DỤC ĐẠI HỌC

Từ góc độ quản trị, thách thức cốt lõi không nằm ở việc phân tích dữ liệu cảm xúc, mà ở khả năng chuyển hóa dữ liệu này thành thông tin có ý nghĩa và tích hợp vào quá trình ra quyết định. Trong thực tế, nhiều cơ sở giáo dục đại học đã thu thập được lượng lớn dữ liệu phản hồi sinh viên nhưng chưa khai thác hiệu quả để cải thiện chất lượng dịch vụ và trải nghiệm người học. Do đó, cần một khung quản trị có tính hệ thống nhằm liên kết giữa dữ liệu, phân tích và ra quyết định.

Trên cơ sở đó, nghiên cứu đề xuất khung quản trị phân tích cảm xúc dựa trên AI gồm 4 lớp chức năng liên kết chặt chẽ với nhau.

Thứ nhất, lớp dữ liệu: tập trung vào việc thu thập và tích hợp dữ liệu phản hồi của sinh viên từ nhiều nguồn khác nhau như hệ thống quản lý học tập (LMS), khảo sát trực tuyến và các diễn đàn thảo luận. Lớp này đóng vai trò nền tảng, đảm bảo tính đầy đủ, đa dạng và khả năng liên thông của dữ liệu.

Thứ hai, lớp phân tích: sử dụng các kỹ thuật AI và xử lý ngôn ngữ tự nhiên (NLP) để phân tích dữ liệu văn bản. Lớp này cho phép phân loại cảm xúc, nhận diện xu hướng và trích xuất các thông tin có ý nghĩa từ phản hồi của sinh viên.

Thứ ba, lớp ra quyết định: chuyển hóa kết quả phân tích thành công cụ hỗ trợ quản trị thông qua các bảng điều khiển trực quan và hệ thống cảnh báo sớm. Nhờ đó, nhà quản lý có thể theo dõi liên tục trải nghiệm người học và đưa ra các can thiệp kịp thời.

Thứ tư, lớp tạo giá trị: phản ánh kết quả đầu ra của toàn bộ hệ thống, bao gồm việc nâng cao mức độ hài lòng của sinh viên, cải thiện chất lượng dịch vụ giáo dục và tăng tỷ lệ duy trì người học.

Khung quản trị được mô tả như Hình, cung cấp cách tiếp cận có cấu trúc nhằm chuyển đổi dữ liệu cảm xúc thành giá trị quản trị, góp phần hiện thực hóa mô hình quản trị giáo dục đại học dựa trên dữ liệu.

Hình: Khung quản trị phân tích cảm xúc dựa trên AI

Nguồn: Tác giả đề xuất

THỰC TIỄN TẠI VIỆT NAM VÀ HÀM Ý QUẢN TRỊ

Tại Việt Nam, việc ứng dụng AI trong phân tích cảm xúc sinh viên chủ yếu dừng ở giai đoạn thử nghiệm và chưa được tích hợp sâu vào hoạt động quản trị. Một số cơ sở giáo dục đại học đã bước đầu triển khai các nghiên cứu và ứng dụng liên quan, tuy nhiên phần lớn vẫn tập trung vào khía cạnh kỹ thuật.

Chẳng hạn, tại Đại học Quốc gia Hà Nội, các nghiên cứu về phân tích dữ liệu học tập và phản hồi sinh viên được triển khai thông qua hệ thống học tập trực tuyến, cho thấy tiềm năng ứng dụng trong đánh giá trải nghiệm người học. Tương tự, Đại học Bách khoa Hà Nội và Đại học Công nghệ Thông tin TP. Hồ Chí Minh đã có những nghiên cứu về xử lý ngôn ngữ tự nhiên và học máy nhằm phân tích dữ liệu văn bản tiếng Việt. Tuy nhiên, các kết quả này chủ yếu phục vụ mục tiêu nghiên cứu, trong khi việc tích hợp vào quy trình quản trị vẫn còn hạn chế.

Xét theo khung quản trị đề xuất, có thể thấy các cơ sở giáo dục đại học tại Việt Nam đang gặp hạn chế ở cả 4 lớp. Ở lớp dữ liệu, dữ liệu sinh viên còn phân tán và thiếu liên thông giữa các hệ thống. Ở lớp phân tích, năng lực ứng dụng AI và khai thác dữ liệu còn hạn chế. Ở lớp ra quyết định, các kết quả phân tích chưa được tích hợp vào quy trình quản trị một cách hệ thống. Cuối cùng, ở lớp tạo giá trị, việc chuyển hóa dữ liệu thành cải thiện cụ thể trong chất lượng dịch vụ và trải nghiệm người học vẫn chưa rõ ràng.

Trên cơ sở đó, các hàm ý quản trị được đề xuất theo hướng tiếp cận hệ thống.

Một là, đối với lớp dữ liệu, các cơ sở giáo dục cần xây dựng và tích hợp hệ thống dữ liệu phản hồi sinh viên vào hạ tầng công nghệ hiện có, bao gồm hệ thống quản lý học tập, hệ thống quản lý sinh viên và các nền tảng khảo sát trực tuyến. Việc đảm bảo tính liên thông và chuẩn hóa dữ liệu là điều kiện tiên quyết để khai thác hiệu quả dữ liệu cảm xúc, đồng thời khắc phục tình trạng phân mảnh dữ liệu hiện nay.

Hai là, đối với lớp phân tích, các cơ sở giáo dục cần đầu tư vào năng lực phân tích dữ liệu và ứng dụng AI nhằm khai thác hiệu quả dữ liệu văn bản. Điều này không chỉ bao gồm việc phát triển đội ngũ chuyên gia về khoa học dữ liệu và AI, mà còn cần nâng cao năng lực số của đội ngũ quản lý và giảng viên. Việc coi dữ liệu cảm xúc như một nguồn thông tin chiến lược sẽ giúp các cơ sở giáo dục hiểu sâu hơn về trải nghiệm người học và hỗ trợ cải tiến chất lượng dịch vụ.

Ba là, đối với lớp ra quyết định, việc ứng dụng AI cần được tích hợp chặt chẽ vào quy trình ra quyết định quản trị. Các kết quả phân tích cần được thể hiện thông qua các bảng điều khiển trực quan và hệ thống cảnh báo sớm, giúp nhà quản lý theo dõi tình trạng học tập và trải nghiệm của sinh viên theo thời gian thực. Điều này cho phép chuyển đổi từ ra quyết định dựa trên kinh nghiệm sang ra quyết định dựa trên dữ liệu.

Bốn là, đối với lớp tạo giá trị, các cơ sở giáo dục cần tập trung vào việc chuyển hóa dữ liệu thành các kết quả cụ thể như nâng cao sự hài lòng của sinh viên, cải thiện chất lượng dịch vụ và tăng tỷ lệ duy trì người học. Điều này đòi hỏi việc tích hợp dữ liệu cảm xúc vào các hệ thống đánh giá chất lượng, cải tiến chương trình đào tạo và cá nhân hóa trải nghiệm học tập.

Năm là, các cơ sở giáo dục cần chú trọng đến các vấn đề đạo đức và quản trị dữ liệu, bao gồm bảo mật thông tin cá nhân, quyền riêng tư và tính minh bạch trong sử dụng dữ liệu. Việc xây dựng khung chính sách phù hợp không chỉ giúp giảm thiểu rủi ro mà còn tạo nền tảng cho việc triển khai bền vững các hệ thống AI trong giáo dục đại học.

KẾT LUẬN

Nghiên cứu làm rõ vai trò của AI trong phân tích cảm xúc sinh viên dưới góc độ quản trị giáo dục đại học. Kết quả cho thấy dữ liệu cảm xúc không chỉ phản ánh trải nghiệm người học mà còn là nguồn lực chiến lược hỗ trợ nâng cao chất lượng dịch vụ và hiệu quả quản trị. Trên cơ sở đó, nghiên cứu đề xuất khung quản trị nhằm liên kết giữa dữ liệu, phân tích và ra quyết định, góp phần thúc đẩy tiếp cận quản trị dựa trên dữ liệu trong giáo dục đại học.

Tài liệu tham khảo:

1. Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-1188.

2. Ifenthaler, D., & Yau, J. Y. K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, 68, 1961-1990.

3. Kasneci, E., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274.

4. Oliver, R. L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17(4), 460-469.

5. Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1988). SERVQUAL: A multiple-item scale for measuring consumer perceptions of service quality. Journal of Retailing, 64(1), 12-40.

6. Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.