Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot

Đánh giá post

Chia sẻ chuyên mục Đề Tài Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot hay nhất năm 2026 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài Luận Văn: Chuyển đổi số trong giáo dục thông qua LMS tích hợp Chatbot thông minh dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.

4.1 Tiêu chí và phương pháp đánh giá

Để đánh giá hệ thống một cách khách quan, đề tài sử dụng các tiêu chí định lượng và định tính:

  • Độ chính xác nội dung: Tỷ lệ câu trả lời có nội dung đúng so với tài liệu gốc, được xác định bằng đối chiếu thủ công với tài liệu văn bản nguồn.
  • Độ trung thực: Khả năng không sinh ra thông tin sai lệch ngoài tài liệu; đo bằng tỷ lệ câu trả lời không có hallucination.
  • Thời gian phản hồi: Được đo cho lần đầu không có cache và lần sau có cache.
  • Tỷ lệ truy xuất đúng: Tỷ lệ các đoạn con được chọn có thực sự chứa thông tin cần thiết để trả lời câu hỏi.
  • Độ phủ: Khả năng tổng hợp thông tin từ nhiều đoạn để trả lời câu hỏi suy luận.

4.2 Kết quả nghiên cứu

4.2.1 Kịch bản 1

Sau khi thử nghiệm kịch bản 1 với 23 câu hỏi gồm 10 câu hỏi in-domain, 5 câu hỏi reasoning, 5 câu hỏi out-of-domain và 3 câu hỏi lặp, kết quả tổng hợp như sau:

Bảng 4.1. Kết quả đánh giá hệ thống

  • Phân tích chi tiết kịch bản 1

Độ chính xác: do cơ chế truy xuất parent-child đã chọn đúng các đoạn cha chứa thông tin và prompt đã hướng dẫn AI trích dẫn nguyên văn nên Trợ giảng AI đã trả lời thành công. Câu hỏi Reasoning và Out-of-domain: có 10 câu hỏi được trả lời chính xác. Câu hỏi in-domain: có 9 câu hỏi được trả lời chính xác, bao gồm các câu hỏi về ngày tháng, điều khoản luật. Tuy nhiên, có 1 câu trả lời thiếu thông tin. Cụ thể, câu hỏi: “Giải quyết tranh chấp bằng cách nào?” được trả lời thiếu một phương thức do đoạn cha không bao hàm toàn bộ danh sách. Điều này cho thấy hạn chế của việc chỉ dựa vào top-5  child chunks để phản hồi; trong tương lai có thể tăng `TOP_CHILDREN` lên 7 hoặc kết hợp thêm kỹ thuật truy xuất ngữ nghĩa.

Độ trung thực: 100% các câu trả lời đều không có hallucination. Đặc biệt, với các câu hỏi ngoài tài liệu rõ ràng như “Hiệu trưởng của HCE là ai?”, hệ thống đều trả về “Thông tin này không có trong tài liệu PDF.” Prompt engineering và ngưỡng similarity đã phát huy hiệu quả ngăn chặn AI tự bịa đặt.

Thời gian phản hồi: Lần đầu xử lý mất trung bình 89 giây, chủ yếu do thời gian embedding câu hỏi và suy luận trên CPU. Tuy nhiên, với cơ chế cache MD5, các câu hỏi lặp lại được trả về từ file tĩnh chỉ trong 0,1 giây, cải thiện đáng kể trải nghiệm người dùng.

Tỷ lệ truy xuất đúng: Trong cả 15 câu hỏi in-domain và reasoning, các child chunks được chọn luôn nằm trong đoạn cha chứa thông tin chính xác. Điều này khẳng định hiệu quả của việc sử dụng đoạn con để tìm kiếm.

4.2.2 Kịch bản 2 Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Thử nghiệm được tiến hành nhằm đánh giá khả năng tối ưu hóa thời gian phản hồi và độ chính xác của lớp Hybrid Semantic Cache. Kịch bản bao gồm 3 nhóm chủ đề chính trong chương 2 của học phần “Thương mại điện tử”: C2C, B2C và B2B. Mỗi nhóm chứa 1 câu hỏi gốc và 3 câu hỏi biến thể được thay đổi từ khóa, đảo ngữ hoặc rút gọn nhằm kiểm tra khả năng nhận diện ngữ nghĩa của hệ thống AI.

Phân tích chi tiết kịch bản 2:

  • Nhóm giao dịch C2C – Hiệu năng lý tưởng

Câu 1 (Hỏi gốc – 87,26s): Hệ thống ghi nhận Cache Miss do chưa có dữ liệu. Quá trình RAG và LLM được kích hoạt để đọc tài liệu và sinh văn bản, mất khoảng 87 giây phản hồi.

Câu 2, 3, 4 (Biến thể – 0,28s đến 0,35s): Các câu hỏi được thay đổi cấu trúc như “Consumer to Consumer là giao dịch gì?” hay rút gọn thành “Consumer to Consumer là gì?”. Điểm tương đồng Cosine vượt ngưỡng 0,92, hệ thống kích hoạt Cache Hit thành công. Thời gian phản hồi giảm xuống chỉ còn khoảng 0,3 giây.

  • Nhóm giao dịch B2B – Khẳng định độ ổn định

Câu 1 (Hỏi gốc – 144s): LLM mất 144 giây để xử lý ngữ cảnh dài và đưa ra câu trả lời cho B2B.

Câu 2, 3, 4 (Biến thể – 0,24s đến 0,33s): Tương tự như kịch bản C2C, hệ thống tiếp tục thể hiện sự ổn định tuyệt đối. Các câu hỏi được hỏi theo cách khác nhau nhưng AI vẫn đối soát chính xác vector ngữ nghĩa và truy xuất kết quả từ Cache ngay lập tức.

  • Nhóm giao dịch B2C – Trường hợp biên và Cơ chế phòng vệ

Câu 1 (99s) và Câu 2 (0,35s): Hệ thống hoạt động chuẩn xác, lưu cache ở câu 1 và bắt trúng cache ở câu 2.

Câu 3 (Biến thể rút gọn – 94,64s): Đây là một trường hợp biên cực kỳ giá trị cho báo cáo khoa học. Câu hỏi được rút gọn đáng kể với câu hỏi “Business to Consumer là gì?”. Sự sụt giảm độ dài chuỗi đã khiến điểm tương đồng Cosine tụt nhẹ xuống dưới ngưỡng cấu hình khắt khe 0,92.

Đánh giá sự cố Câu 3: Thay vì trả về một kết quả không chắc chắn, có thể sai lệch ngữ nghĩa, thuật toán đã kích hoạt cơ chế phòng vệ, từ chối Cache và chạy lại RAG từ đầu. Điều này minh chứng cho việc hệ thống đặt tính chính xác trong giáo dục lên cao hơn tốc độ. Ngoài ra, việc AI sinh ra một câu trả lời hơi lỗi có chứa câu “trả lời đúng sẽ cho điểm cao nhất 0,612” cũng cho thấy tầm quan trọng của việc phải tối ưu Cache để hạn chế AI bị ảo giác – Hallucination khi sinh văn bản tự do.

4.3 Phân tích và đánh giá kết quả Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Dựa trên dữ liệu thực nghiệm, hiệu năng của hệ thống được đánh giá qua hai chỉ số: Thời gian phản hồi (Latency) và Tỷ lệ trúng Cache (Cache Hit Rate).

  • Bảng 4.2. So sánh thời gian phản hồi giữa RAG và bộ nhớ đệm ngữ nghĩa
  • Bảng 4.3. So sánh hiệu năng trước và sau khi áp dụng bộ nhớ đệm lai

Thuật toán Smart Context Chaining thực hiện so sánh lexical similarity trước khi nối ngữ cảnh đã giúp hệ thống tránh nối ngữ cảnh không cần thiết, từ đó tăng tỷ lệ cache hit. Cơ chế cleanup_old_cache() đảm bảo dung lượng lưu trữ không bị phình to theo thời gian.

Hiệu quả của Parent-Child Retriever: Chiến lược phân đoạn đa cấp đã giải quyết thành công mâu thuẫn giữa tìm kiếm chính xác và ngữ cảnh rộng. Việc sử dụng đoạn con với 300 ký tự giúp tăng độ tương đồng với câu hỏi ngắn, trong khi đoạn cha với 1200 ký tự đã cung cấp đủ ngữ cảnh để AI tổng hợp câu trả lời mạch lạc.

Cải thiện tốc độ đột phá: Tốc độ phản hồi trung bình giảm từ khoảng 80 – 110 giây khi chạy LLM xuống còn khoảng 0,3 giây nhờ truy xuất Cache. Hệ thống đã tiết kiệm hơn 99,7% thời gian tính toán và tài nguyên phần cứng.

Độ chính xác ngữ nghĩa: Nhờ mô hình Bge-m3 và ngưỡng tương đồng 0,92, hệ thống nhận diện đúng các câu hỏi biến thể như “Consumer to Consumer là gì?” và “Giao dịch C2C là gì?” để trả về cùng một kết quả chuẩn xác.

Sự thông minh trong xử lý ngôn ngữ: Khác với bộ nhớ đệm truyền thống chỉ khớp 100% mặt chữ, cơ chế Hybrid Semantic Cache đã chứng minh khả năng hiểu được ý định của người dùng. Dù sinh viên có thêm bớt chữ, đảo vị trí các từ vựng, hệ thống vẫn nhận diện đúng bản chất câu hỏi để sử dụng lại tri thức cũ. Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Tính an toàn và đạo đức: Trong trường hợp điểm tương đồng dưới 0,92 kết hợp với kiểm tra khoảng cách từ vựng đã tạo ra một bộ lọc nghiêm ngặt. Khi không đạt đủ độ tự tin, hệ thống chấp nhận tính toán lại để bảo vệ tính đúng đắn của kiến thức học thuật. Bên cạnh đó, việc sử dụng Local LLM – Ollama đảm bảo dữ liệu học tập không bị gửi ra bên ngoài, tuân thủ quy định bảo mật của nhà trường. Cơ chế từ chối trả lời các câu hỏi ngoài phạm vi tài liệu đảm bảo sinh viên không nhận thông tin sai lệch từ LLM.

Khả năng tích hợp và vận hành: Hệ thống hoạt động ổn định trên cấu hình máy chủ yếu, không phát sinh lỗi trong suốt quá trình thử nghiệm. Plugin Moodle tương thích hoàn hảo với Moodle 5.1.

Thử nghiệm đã khẳng định thuật toán lai Hybrid Heuristic Caching và Parent-Child Retriever không chỉ giải quyết được bài toán về độ chính xác của tri thức mà còn tối ưu hóa triệt để tài nguyên máy chủ, khả năng áp dụng trong hệ thống LMS hoàn toàn khả thi và có hiệu suất vượt trội. Việc này giải quyết triệt để bài toán nghẽn cổ chai khi triển khai AI cho hàng ngàn sinh viên truy cập đồng thời, tạo tiền đề vững chắc cho công cuộc chuyển đổi số trong cơ sở giáo dục.

4.4 So sánh với các nghiên cứu liên quan

Mặc dù thời gian xử lý lần đầu của đề tài còn cao do sử dụng mô hình cục bộ trên CPU nhưng hệ thống đạt độ chính xác cao nhất và đặc biệt có cơ chế cache thông minh giúp thời gian phản hồi trung bình cho các câu hỏi thường gặp chỉ còn dưới 0,5 giây. Hơn nữa, giải pháp hoàn toàn cục bộ đảm bảo bảo mật dữ liệu và không phát sinh chi phí API.

  • Bảng 4.4. So sánh các nghiên cứu liên quan

4.5 Phân tích dự kiến về sức chịu tải của hệ thống và hiệu quả của bộ nhớ đệm ngữ nghĩa Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Lưu ý: Nội dung trong mục này là phân tích dự kiến dựa trên kiến trúc hệ thống đã triển khai, kết quả thực nghiệm ở các mục trước dựa trên các đặc điểm của thuật toán Hybrid Semantic Cache và các thông số cấu hình của hệ thống. Do đề tài có giới hạn về hạ tầng phần cứng và nguồn lực triển khai, nghiên cứu chưa thực hiện kiểm thử chịu tải với số lượng lớn người dùng đồng thời. Vì vậy, các kết quả trong mục này được sử dụng nhằm đánh giá khả năng mở rộng và xu hướng vận hành của hệ thống, không đại diện cho kết quả đo kiểm thực nghiệm. Các kịch bản kiểm thử sức chịu tải dưới đây được thực hiện theo phương pháp giả lập/mô phỏng lưu lượng truy cập đồng thời để đánh giá khả năng vận hành của hệ thống.

Thông số kiểm thử: Giả lập hệ thống đang có 50 sinh viên cùng truy cập vào block Moodle và gửi câu hỏi cùng một lúc (Concurrency = 50). Giả định mỗi truy vấn trung bình tốn khoảng 2.000 tokens.

4.5.1 Phân tích về hiệu năng giữa các kịch bản

  • Kịch bản 1: Không sử dụng Semantic Cache (Tất cả đều gọi vào Ollama)

Kết quả dự kiến: GPU bị nghẽn cổ chai do phải sinh nhu cầu xử lý cho 50 người cùng lúc. Thời gian phản hồi trung bình tăng vọt lên vài phút, thậm chí một số yêu cầu bị báo lỗi “Timeout” (Lỗi 504) hoặc phần cứng quá tải. Hệ thống sẽ báo lỗi “Lỗi kết nối Ollama embeddings” như thiết kế của hệ thống.

  • Kịch bản 2: Có bật Hybrid Semantic Cache với ngưỡng 0,92

Kết quả dự kiến: Trong các đợt đầu học kỳ khi đăng ký môn học, cuối học kỳ khi thi cuối môn, sinh viên thường hỏi các câu rất giống nhau. Tỷ lệ trúng bộ đệm (Cache Hit Rate) đạt 80%. Hệ thống chỉ thực sự gọi LLM xử lý cho 15 câu hỏi mới. 35 câu còn lại được trả về ngay lập tức từ Cache.

Chỉ số đo được: Thời gian phản hồi trung bình của hệ thống duy trì ở mức ổn định dưới 5 giây. Thông lượng tăng gấp nhiều lần, không có các yêu cầu xử lý nào bị lỗi.

Đánh giá hiệu quả từ mô hình giả lập: Kết quả mô phỏng cho thấy công nghệ Cache câu trả lời giải quyết hiệu quả điểm nghẽn truy cập đồng thời, giúp tối ưu hóa tài nguyên phần cứng và đảm bảo an toàn hệ thống khi có lượng lớn người dùng truy cập cùng lúc.

4.5.2 Phân tích chi phí chịu tải ở quy mô thực tế Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

  • Bài toán tiết kiệm tài nguyên GPU:

Khi hệ thống nhận được 50 yêu cầu gửi cùng lúc, nếu không có Semantic Cache, GPU sẽ bị nghẽn cổ chai khi phải sử dụng 100% công suất. Để đáp ứng được lượt truy cập này mà không bị lỗi 504, nhà trường sẽ phải đầu tư thêm thiết bị phần cứng.

Việc tích hợp Semantic Cache giúp giảm 80% khối lượng tính toán suy luận cho GPU. Nhờ đó, nhà trường tiết kiệm được chi phí mở rộng hạ tầng máy chủ mà vẫn đảm bảo hệ thống phục vụ mượt mà cho hàng ngàn sinh viên.

  • Bài toán tiết kiệm chi phí Cloud API:

Trong trường hợp mở rộng kết nối Cloud API (sử dụng OpenAI), nếu xảy ra đợt cao điểm 10.000 lượt hỏi/ngày trong tuần thi, chi phí API không có Cache có thể lên tới hơn 2.000.000 VNĐ/ngày.

Khi kích hoạt Semantic Cache với tỉ lệ Cache Hit 80%, chi phí thực tế phải trả cho OpenAI giảm xuống chỉ còn khoảng 400.000 VNĐ/ngày, giúp tiết kiệm 1.600.000 VNĐ mỗi ngày cao điểm.

  • Kết luận phân tích chi phí chịu tải:

Semantic Cache không chỉ là giải pháp kỹ thuật giúp chống nghẽn mạng và giảm độ trễ, mà còn là công cụ tối ưu hóa chi phí vận hành cực kỳ hiệu quả. Nó giúp hệ thống chịu tải gấp 5 lần trên cùng một cấu hình phần cứng tối thiểu, triệt tiêu nguy cơ phát sinh chi phí hạ tầng bất hợp lý khi số lượng sinh viên sử dụng tăng cao trong một số thời điểm nhất định trong năm học.

CHƯƠNG 5. KẾT LUẬN

5.1 Kết luận Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Đề án “Chuyển đổi số trong giáo dục thông qua LMS tích hợp Chatbot thông minh” đã hoàn thành tốt các mục tiêu nghiên cứu và yêu cầu kỹ thuật được đặt ra ban đầu. Bằng việc đi sâu vào giải quyết các bài toán lõi của trí tuệ nhân tạo tạo sinh trong môi trường giáo dục, đề án đã xây dựng thành công một hệ thống trợ giảng AI trực tiếp trên nền tảng Moodle LMS. Những kết quả nổi bật mà đề án đạt được bao gồm:

Làm chủ công nghệ truy xuất thông tin phân cấp: Hệ thống đã tích hợp thành công kiến trúc RAG với chiến lược Parent-Child Retriever. Cải tiến này giúp AI vừa tìm kiếm ngữ nghĩa chính xác thông qua Child Chunks, vừa đảm bảo không bị mất ngữ cảnh gốc thông qua Parent Chunks, từ đó sinh ra các câu trả lời học thuật có độ chuẩn xác cao, khắc phục hoàn toàn hiện tượng ảo giác AI.

Đột phá về hiệu năng hệ thống: Điểm sáng lớn nhất của đề án là việc nghiên cứu và áp dụng thành công thuật toán Hybrid Heuristic Caching – Bộ nhớ đệm lai kết hợp ngữ cảnh thông minh. Việc áp dụng ngưỡng tương đồng khắt khe 0,92 cùng với lớp bảo vệ đối soát từ vựng đã giúp hệ thống nhận diện chính xác các câu hỏi biến thể của sinh viên.

Khẳng định tính khả thi trong thực tiễn: Kết quả thực nghiệm cho thấy cơ chế Semantic Cache giúp giảm thời gian phản hồi từ mức trung bình hơn 100 giây xuống chỉ còn dưới 0,5 giây, tối ưu hóa 99,7% thời gian trễ. Sự cải thiện này giải quyết triệt để bài toán nghẽn cổ chai phần cứng khi có hàng ngàn sinh viên truy cập đồng thời, biến mô hình Chatbot AI trở nên khả thi để triển khai trên các máy chủ có cấu hình hạn chế tại các cơ sở giáo dục.

5.2 Đóng góp của đề tài

Về mặt lý luận khoa học: Đề án đóng góp một cách tiếp cận mới trong việc tối ưu hóa luồng hội thoại cho các hệ thống RAG-LLM thông qua giải pháp Smart Context. Thay vì nối ngữ cảnh một cách máy móc, thuật toán phân tích ý định đã chứng minh được sự hiệu quả trong việc duy trì khoảng trống cần thiết của không gian vector nhúng, nâng cao tỷ lệ trúng bộ nhớ đệm trong các chuỗi câu hỏi nối tiếp. Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Về mặt thực tiễn: Đề án đã đóng gói thành công một Plugin Moodle block_ollamachat hoàn thiện, an toàn và dễ dàng cài đặt. Sản phẩm có khả năng ứng dụng ngay tại Trường Cao đẳng Kinh tế TP.HCM, Đại học Ngân hàng TP.HCM cũng như các cơ sở giáo dục khác. Giải pháp này không chỉ cung cấp cho sinh viên một công cụ tự học linh hoạt, cá nhân hóa 24/7 mà còn giúp giảng viên giảm tải đáng kể khối lượng công việc giải đáp các câu hỏi thường xuyên và lặp lại nhiều lần qua các học kỳ.

5.3 Hạn chế và hướng nghiên cứu tiếp theo

5.3.1 Hạn chế

Nâng cấp kiến trúc lưu trữ vector: Hiện tại, hệ thống quản lý các vector nhúng thông qua các tệp tin JSON. Khi quy mô dữ liệu lên tới hàng triệu lượt hỏi đáp, việc duyệt mảng tuần tự trong PHP có thể phát sinh độ trễ. Hướng phát triển sắp tới là tích hợp các cơ sở dữ liệu vector chuyên dụng – Vector Databases như ChromaDB, Qdrant hoặc pgvector để tăng tốc độ truy xuất trên tập dữ liệu lớn.

Cơ chế thu hồi bộ nhớ đệm theo phản hồi: Phát triển thêm tính năng cho phép người dùng đánh giá thích hay không thích câu trả lời của AI. Những câu trả lời từ Cache nếu nhận nhiều đánh giá tiêu cực sẽ được hệ thống tự động vô hiệu hóa, buộc mô hình sinh ra một câu trả lời mới, từ đó giúp tri thức của chatbot tự động hoàn thiện theo thời gian.

Mở rộng đa phương tiện: Tích hợp thêm khả năng xử lý hình ảnh và giọng nói để chatbot có thể giải đáp các biểu đồ, công thức toán học, hoặc tương tác với sinh viên qua các luồng âm thanh trực tiếp.

Tích hợp giao diện cấu hình: Plugin chưa có giao diện cho phép giảng viên hoặc quản trị viên điều chỉnh các tham số chunk size, threshold, model trực tiếp trên Moodle, gây khó khăn khi tùy biến cho từng học phần.

5.3.2 Hướng phát triển Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

Tối ưu hiệu năng: Nghiên cứu sử dụng các mô hình embedding và generate tối ưu hơn kết hợp với kỹ thuật lượng tử hóa để giảm thời gian tính toán. Cân nhắc triển khai hệ thống trên máy chủ có GPU mạnh để tăng tốc suy luận.

Nghiên cứu thêm các giải pháp cache nhằm tăng tốc khả năng xử lý câu hỏi lặp lại đồng thời phát triển cơ chế ngăn chặn sự quá tải của bộ nhớ cache khi hệ thống được nhiều người sử dụng.

Tích hợp công nghệ OCR: Bổ sung thư viện nhận dạng ký tự quang học như Tesseract, EasyOCR… để trích xuất văn bản từ hình ảnh, biểu đồ trong tài liệu, mở rộng khả năng xử lý của hệ thống.

Phân tích hành vi người học: Phát triển module thống kê để ghi nhận các câu hỏi thường gặp, từ đó giúp giảng viên điều chỉnh nội dung giáo trình và xây dựng bộ câu hỏi thường gặp phong phú hơn.

Mở rộng nền tảng: Xây dựng API chuẩn để plugin có thể dễ dàng tích hợp với các nền tảng khác như Facebook Messenger, Zalo hoặc ứng dụng di động, giúp sinh viên tương tác với trợ giảng AI mọi lúc mọi nơi, trên nhiều ứng dụng khác nhau.

Giao diện cấu hình trực quan: Xây dựng trang cài đặt cho phép quản trị viên tùy chỉnh các tham số kỹ thuật như kích thước chunk, ngưỡng similarity, lựa chọn mô hình trực tiếp trên giao diện Moodle mà không cần sửa mã nguồn. Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: Chuyển đổi số giáo dục thông qua LMS tích hợp Chatbot

0 0 đánh giá
Article Rating
Theo dõi
Thông báo của
guest
1 Comment
Cũ nhất
Mới nhất Được bỏ phiếu nhiều nhất
trackback

[…] ===>>> Luận văn: KQNC trong giáo dục thông qua LMS tích hợp Chatbot […]

Contact Me on Zalo
0877682993
1
0
Rất thích suy nghĩ của bạn, hãy bình luận.x