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

Đánh giá post

Chia sẻ chuyên mục Đề Tài Luận văn: PPNC 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.

3.1 Phân tích và thiết kế hệ thống

Hệ thống được thiết kế theo mô hình tích hợp giữa LMS Moodle và chatbot AI. Chatbot được xây dựng dưới dạng một plugin dạng block trong Moodle, cho phép hiển thị giao diện trò chuyện trực tiếp trong trang khóa học. Kiến trúc hệ thống bao gồm các thành phần chính:

LMS Moodle: Quản lý khóa học, người dùng và tài liệu học tập.

Plugin Chatbot AI: Được phát triển dưới dạng block plugin trong Moodle; Cung cấp giao diện trò chuyện giữa người dùng và hệ thống AI.

Hệ thống truy xuất tri thức: Chia nhỏ tài liệu học tập thành các đoạn văn bản; Tính toán embedding và tìm kiếm các đoạn văn bản liên quan đến câu hỏi.

Mô hình AI (Ollama LLM): Sinh câu trả lời dựa trên nội dung truy xuất được.

  • Hình 3.1. Sơ đồ kiến trúc hệ thống tổng thể

3.2 Tích hợp chatbot thông minh vào LMS Moodle

3.2.1 Kiến trúc tổng thể hệ thống

Hệ thống được xây dựng trên mô hình RAG tích hợp lớp Semantic Caching để tối ưu hóa hiệu năng. Kiến trúc bao gồm 4 thành phần cốt lõi: (1) Giao diện người dùng: Tích hợp trực tiếp dưới dạng Block trong LMS Moodle, xử lý gửi và nhận dữ liệu qua AJAX; (2) Khối xử lý logic: Viết bằng ngôn ngữ PHP, đóng vai trò điều phối luồng dữ liệu, quản lý ngữ cảnh hội thoại và kiểm soát bộ nhớ đệm; (3) Khối tri thức: Sử dụng hệ thống tập tin cục bộ để lưu trữ các đại diện vector nhúng của tài liệu giáo trình; (4) Khối AI: Sử dụng Ollama chạy cục bộ với mô hình ngôn ngữ lớn qwen2.5:1.5b và mô hình nhúng bge-m3.

3.2.2 Chiến lược phân mảnh và truy xuất đa tầng Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Để giải quyết bài toán mâu thuẫn giữa khả năng tìm kiếm chính xác cần đoạn văn ngắn và khả năng hiểu ngữ cảnh toàn cục, đề tài đã triển khai kiến trúc Parent-Child Retriever với ba giai đoạn: chuẩn bị dữ liệu, nhúng vector và truy xuất thông minh.

3.2.2.1 Chiến lược phân đoạn đa cấp

Dựa trên các nghiên cứu về ảnh hưởng của kích thước đoạn văn đến chất lượng truy xuất (Liu và cộng sự, 2024), tác giả đã khảo sát, triển khai thực nghiệm và lựa chọn bộ tham số tối ưu cho môi trường giáo dục.

  • Bảng 3.1. Kết quả khảo sát thực nghiệm ảnh hưởng của kích thước chunk

Tác giả thực nghiệm khảo sát dựa trên 10 câu hỏi in-domain, chạy 3 lần mỗi cấu hình. Giá trị 1200/300 được chọn vì cân bằng tốt nhất giữa độ chính xác 92% và thời gian xử lý 89s nên được chọn là thông số thích hợp.

Đoạn cha (Parent chunks): Kích thước 1200 ký tự, độ chồng lấn 300. Với kích thước này, mỗi đoạn cha chứa đủ thông tin để hình thành một ý tương đối hoàn chỉnh trong tài liệu học thuật, đồng thời không vượt quá khả năng xử lý ngữ cảnh của mô hình ngôn ngữ cục bộ qwen2.5-1.5B.

Đoạn con (Child chunks): Kích thước 300 ký tự, độ chồng lấn 80. Các đoạn con được thiết kế đủ nhỏ để đảm bảo độ tương đồng vector cao khi so sánh với câu hỏi ngắn của người dùng, đồng thời vẫn giữ được một câu hoàn chỉnh.

Việc lựa chọn độ chồng lấn nhằm tránh mất thông tin quan trọng nằm ở ranh giới giữa các đoạn. Các giá trị này được tinh chỉnh thông qua thử nghiệm trên bộ dữ liệu mẫu, đảm bảo tỷ lệ tìm thấy thông tin cần thiết cao nhất.

  • Hình 3.2. Sơ đồ chiến lược phân cấp Parent-Child

3.2.2.2 Quy trình xử lý dữ liệu tài liệu PDF Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

  • Hình 3.2 mô tả chi tiết quy trình xử lý từ tài liệu PDF đến khi sẵn sàng phục vụ truy xuất:

Trích xuất văn bản: Sử dụng lệnh pdftotext của tiện ích Poppler để trích xuất văn bản từ file PDF. Lệnh được gọi với tham số “-enc UTF-8” để xử lý chính xác văn bản tiếng Việt.

Phân đoạn cha (Parent Chunking): Văn bản được cắt thành các đoạn cha dựa trên ranh giới câu, đảm bảo mỗi đoạn cha có độ dài không vượt quá “PARENT_CHUNK_SIZE”. Độ chồng lấn được thực hiện bằng cách lấy một phần cuối của đoạn trước ghép với câu đầu tiên của đoạn sau.

Phân đoạn con (Child Chunking): Mỗi đoạn cha tiếp tục được phân rã thành các đoạn con với kích thước “CHILD_CHUNK_SIZE” và độ chồng lấn “CHILD_CHUNK_OVERLAP”.

Nhúng vector (Embedding): Các đoạn con được gửi đến mô hình “bge-m3: latest” thông qua API “/api/embed” của Ollama. Để tối ưu hiệu năng, các đoạn con được gom xử lý thành batch (batch_size = 50) trước khi gửi.

Hiệu quả của batch embedding: Nếu hệ thống gửi từng đoạn con riêng lẻ qua /api/embeddings thì với 500 đoạn con sẽ mất 500 lần gọi API, tổng thời gian là 500 × 2.5s  =  1250s. Nếu sử dụng cơ chế batch embedding với batch_size=50 qua /api/embed, chỉ cần 10 lần gọi, tổng thời gian là 10 × 6s = 60s do thời gian mỗi batch lớn hơn một chút nhưng tổng thể vẫn giảm 95% thời gian. Kết hợp với cache embedding (emb_ + MD5), các lần thực hiện sau gần như không mất thời gian nhúng vector.

Lưu trữ và đánh chỉ số: Vector embedding của các đoạn con cùng với “parent_id” và chuẩn (norm) được lưu vào bộ nhớ đệm của Moodle. Đồng thời, toàn bộ dữ liệu được gắn kèm checksum của các file PDF để phát hiện thay đổi khi giảng viên cập nhật nội dung mới hoặc đổi file mới của tài liệu.

3.2.2.3 Cơ chế truy xuất thông minh

  • Khi người dùng gửi câu hỏi, hệ thống thực hiện các bước:

Embed câu hỏi: Sử dụng cùng mô hình “bge-m3: latest” để chuyển câu hỏi thành các vector.

Tìm kiếm đoạn con tương tự: Tính độ tương đồng cosine giữa vector câu hỏi và các vector đoạn con đã lưu. Hệ thống chỉ giữ lại “TOP_CHILDREN = 5” đoạn con có độ tương đồng lớn hơn “SIMILARITY_THRESHOLD = 0,45”.

Truy xuất đoạn cha: Lấy “parent_id” của các đoạn con tìm được, truy xuất nội dung đoạn cha tương ứng. Các đoạn cha trùng lặp được loại bỏ để tránh dư thừa. Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Xây dựng ngữ cảnh: Ghép nội dung các đoạn cha thành một ngữ cảnh duy nhất, kèm theo tên file nguồn và độ tương đồng trung bình.

Sinh câu trả lời: Ngữ cảnh cùng với câu hỏi gốc được đưa vào mô hình sinh qwen2.5-1.5B để tạo ra phản hồi.

  • Hình 3.3. Sơ đồ kiến trúc xử lý của hệ thống

Quy trình này đảm bảo câu trả lời không chỉ chính xác về mặt thông tin mà còn có tính liên kết, mạch lạc nhờ vào ngữ cảnh rộng từ đoạn cha. Đề tài đã giải quyết bài toán mâu thuẫn giữa việc tìm kiếm chính xác và hiểu ngữ cảnh rộng. Đây là điểm đột phá lớn nhất về mặt thuật toán của đề tài so với công nghệ RAG truyền thống.

Các thông số cấu hình trên được tác giả thực nghiệm nhiều lần và cân đối giữa tốc độ xử lý của Ollama và cấu hình máy chủ kết hợp với độ chính xác phản hồi của Trợ giảng AI để chọn ra kết quả tối ưu nhất.

3.2.3 Thuật toán bộ nhớ đệm ngữ nghĩa lai Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Một trong những điểm đột phá của hệ thống là thuật toán Bộ nhớ đệm ngữ nghĩa lai (Hybrid Semantic Cache) là được thiết kế nhằm tối ưu hóa hiệu năng truy vấn trong môi trường RAG cục bộ. Thuật toán này kết hợp hai lớp tra cứu: lexical (exact match) và semantic (vector-based), giúp cân bằng giữa tốc độ xử lý và độ chính xác cần thiết cho trợ giảng AI trong giáo dục (Reimers và Gurevych, 2019).

3.2.3.1 Cơ sở lý thuyết và thiết kế kiến trúc

Trong các hệ thống RAG, một vấn đề phổ biến là nhiều người dùng đặt cùng một câu hỏi với các cách diễn đạt khác nhau. Nếu chỉ sử dụng Exact Match Cache dựa trên hàm băm MD5, tỷ lệ cache hit sẽ thấp do đặc thù của ngôn ngữ tự nhiên, đặc biệt là tiếng Việt. Ngược lại, nếu chỉ dùng Semantic Cache thuần túy, dễ xảy ra tình trạng trả lời sai khi hai câu hỏi gần giống về nghĩa nhưng khác về nội dung quan trọng, dẫn đến rủi ro sai lệch kiến thức học thuật.

  • Thuật toán Hybrid Semantic Cache khắc phục hạn chế này bằng cách kết hợp hai lớp kiến trúc:

Lớp Exact Match (lexical cache): Tra cứu nhanh O(1) dựa trên hash của câu hỏi đã chuẩn hóa, đảm bảo độ chính xác tuyệt đối cho các truy vấn giống hệt.

Lớp Semantic Cache: Sử dụng vector embedding để đo lường độ tương đồng ngữ nghĩa thông qua cosine similarity. Kỹ thuật này dựa trên Sentence-BERT và các mô hình nhúng hiện đại, cho phép hệ thống nhận diện được các biến thể diễn đạt cùng một ý (Reimers và Gurevych, 2019).

Kiến trúc lai này không chỉ nâng cao tỷ lệ cache hit mà còn giảm đáng kể số lần gọi mô hình LLM Ollama, từ đó giải quyết nút thắt cổ chai về phần cứng khi triển khai trên máy chủ có cấu hình hạn chế. Đồng thời, hệ thống vẫn duy trì cơ chế fallback sang Parent-Child Retriever khi cache miss, đảm bảo độ chính xác và triệt tiêu hallucination.

3.2.3.2 Quy trình hoạt động Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

  • Thuật toán Hybrid Semantic Cache hoạt động theo quy trình sau:

Xử lý ngữ cảnh hội thoại (Smart Context Chaining): Trước khi tra cứu cache, hệ thống sử dụng hàm lexical similarity để so sánh câu hỏi hiện tại (Qt) với câu hỏi trước đó (Qt-1) của cùng người dùng. Nếu độ tương đồng ≥ 40%: Xem đây là diễn đạt lại → giữ nguyên truy vấn để tăng khả năng hit cache. Nếu < 40%: Nối ngữ cảnh (Qt-1 + Qt) để duy trì tính mạch lạc của hội thoại đa lượt. Ngưỡng 40% được chọn dựa trên thực nghiệm, giúp tránh nối ngữ cảnh không cần thiết làm loãng vector nhúng.

Exact Match Cache: Câu hỏi sau khi xử lý ngữ cảnh được chuẩn hóa như chuyển chữ thường, loại bỏ khoảng trắng thừa và tính hash MD5. Hệ thống tra cứu file cache tương ứng (.txt). Nếu hit, trả lời ngay lập tức mà không cần embedding hay gọi LLM.

Semantic Match: Nếu Exact Match miss, hệ thống nhúng câu hỏi thành vector bằng mô hình bge-m3. Sau đó tính cosine similarity với các vector đã lưu trong global_semantic_index.json với ngưỡng chấp nhận 0,92. Kết hợp kiểm tra bổ sung lexical similarity ≥ 60% để giảm false positive. Nếu thỏa mãn cả hai điều kiện thì hệ thống mới trả lời từ cache.

Fallback sang Parent-Child RAG: Nếu cả hai lớp cache đều miss, hệ thống chuyển sang quy trình truy xuất phân cấp, sau đó sinh câu trả lời bằng mô hình qwen2.5:1.5b và lưu kết quả vào cache để phục vụ các truy vấn sau.

3.2.3.3. Các tham số tối ưu và phân tích

Việc lựa chọn ngưỡng cosine similarity = 0,92 là điểm then chốt do đảm bảo độ chính xác cao, giảm tối đa rủi ro trả lời sai lệch trong môi trường giáo dục, yêu cầu tính trung thực tuyệt đối. Tuy nhiên, tỷ lệ cache hit có thể thấp hơn so với ngưỡng thông thường là 0,8 – 0,85. Do đó, hệ thống bổ sung lớp lexical check làm lớp bảo vệ thứ hai.

Dưới đây là bảng phân tích của các ngưỡng dựa trên thực tiễn triển khai và các tài liệu liên quan:

  • Bảng 3.2. Bảng phân tích các ngưỡng tương đồng

3.2.3.4 Cơ chế quản lý vòng đời cache và tối ưu hiệu năng Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Để tránh tình trạng bộ nhớ phình to khi hệ thống chạy lâu dài, đề tài triển khai hàm cleanup_old_cache() với các đặc điểm: Kích hoạt ngẫu nhiên với xác suất 2% sau mỗi câu hỏi, tránh ảnh hưởng hiệu năng; Xóa các file cache (.txt) có thời gian tồn tại > 7 ngày với thiết lập thông số cho TTL = 604.800 giây; Đồng bộ lại global_semantic_index.json, chỉ giữ các entry còn hiệu lực; Dọn dẹp thư mục session_history của người dùng nếu không có hoạt động trong 7 ngày.

Cơ chế checksum PDF với MD5 dựa trên contenthash của tất cả file PDF giúp đảm bảo cache tự động vô hiệu khi tài liệu giảng viên cập nhật, tránh trả lời dựa trên dữ liệu cũ, lỗi thời.

Thuật toán Hybrid Semantic Cache không chỉ là giải pháp tối ưu hiệu năng mà còn thể hiện cách tiếp cận cân bằng giữa tốc độ, chi phí và độ tin cậy được đánh giá là rất phù hợp với yêu cầu chuyển đổi số an toàn tại các cơ sở giáo dục ở Việt Nam.

  • Hình 3.4. Sơ đồ tuần tự của thuật toán Hybrid Semantic Cache

3.2.4 Bảo mật, tối ưu hiệu năng và xử lý “Ảo giác AI”

  • Cơ chế bảo mật

Module block_ollamachat kế thừa lớp bảo mật của Moodle. Các hàm isloggedin() và isguestuser() được gọi tại tầng xử lý AJAX nhằm từ chối mọi yêu cầu từ khách không định danh, ngăn chặn tấn công từ chối dịch vụ DDoS vào tài nguyên suy luận của máy chủ AI. Sử dụng Ollama chạy nội bộ trên máy chủ nên đảm bảo tối đa quyền riêng tư và bảo mật dữ liệu.

  • Cơ chế bộ nhớ đệm đa tầng

Cache cấp 1 – Checksum để phát hiện thay đổi tài liệu: Hàm “calculate_pdf_checksum()” tính toán mã băm MD5 từ “contenthash” của tất cả file PDF hiện tại. Nếu checksum không thay đổi, hệ thống sử dụng lại dữ liệu đã phân đoạn và embedding từ cache, tránh lãng phí tài nguyên. Điều này đặc biệt hiệu quả khi tài liệu ổn định và có nhiều người dùng truy cập và đặt câu hỏi cùng nội dung. Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Cache cấp 2 – Embedding theo nội dung: Mỗi đoạn văn bản (chunk) sau khi được embedding sẽ được lưu vào cache với key là “emb_” + MD5(nội dung). Khi gặp lại đoạn văn bản giống hệt (ví dụ từ các file PDF khác nhau nhưng nội dung trùng), hệ thống tái sử dụng embedding, giảm thời gian xử lý và số lần gọi API nhờ vậy giúp tăng tốc phản hồi cho Trợ giảng AI.

Cache cấp 3 – Kết quả câu trả lời vĩnh viễn (FAQ Cache): Khi một câu hỏi được trả lời thành công, câu hỏi được chuẩn hóa như chuyển về chữ thường, loại bỏ khoảng trắng thừa và băm MD5. Kết quả trả lời được lưu dưới dạng file văn bản trong thư mục “moodledata/block_ollamachat_answers”. Với các câu hỏi trùng lặp trong tương lai, hệ thống trả về file tĩnh mà không cần thực hiện lại toàn bộ quy trình truy xuất và sinh câu trả lời, giảm thời gian phản hồi từ hàng chục giây xuống còn dưới 0,1 giây. Giải pháp này cực kỳ hữu ích trong trường hợp Trợ giảng AI nhận được những câu hỏi đã từng được trả lời thành công, Trợ giảng AI có thể phản hồi kết quả ngay lập tức nhờ truy xuất trực tiếp từ cache.

  • Kỹ thuật Prompt Engineering

Để đảm bảo AI không tự bịa đặt thông tin ngoài tài liệu, prompt được thiết kế với các yêu cầu nghiêm ngặt:

Cơ chế khóa Prompt này loại bỏ hoàn toàn khả năng AI bịa đặt kiến thức không có trong giáo trình và tài liệu tham khảo. Các ràng buộc này được nhúng trực tiếp vào “$prompt”, kết hợp với cơ chế truy xuất chỉ từ nội dung tài liệu đã được kiểm chứng, loại bỏ hoàn toàn nguy cơ AI tự sáng tạo thông tin không có cơ sở.

  • Các tham số sinh

Để tăng cường tính ổn định và chính xác, mô hình sinh được cấu hình với các tham số:

Các tham số này đảm bảo đầu ra có tính xác định cao, phù hợp với môi trường học thuật.

3.2.5 Triển khai chi tiết các thành phần chính của plugin Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Plugin block_ollamachat.php được thiết kế kết hợp giữa bộ nhớ đệm lai Hybrid Cache bao gồm Exact Match Cache và Semantic Cache và chiến lược truy xuất phân cấp Parent-Child RAG.

Hàm handle_question($q): Điều phối toàn bộ luồng xử lý câu hỏi: (1) Smart Context Chaining: nối câu hỏi hiện tại với câu hỏi trước đó nếu độ tương tự văn bản dưới 40% để duy trì ngữ cảnh hội thoại; (2) Exact Match Cache: tra cứu cache dựa trên MD5 của câu hỏi đã chuẩn hóa; (3) Semantic Cache: nếu không có exact match, nhúng câu hỏi và so sánh cosine similarity với chỉ mục toàn cục (global_semantic_index.json), chỉ sử dụng cache nếu độ tương đồng ≥ QUESTION_SIMILARITY_THRESHOLD = 0,92 và độ tương tự văn bản thô ≥ 60%; (4) RAG truy xuất và sinh: nếu cả hai cache đều miss, tiến hành truy xuất parent-child chunks, xây dựng ngữ cảnh và gọi mô hình sinh.

Hàm update_user_session(): Quản lý lịch sử hội thoại của từng người dạng tệp JSON riêng (user_<id>/session_history.json). Chỉ giữ lại tối đa 2 lượt hội thoại gần nhất để hỗ trợ smart context chaining mà không làm loãng không gian vector nhúng.

Hàm build_chunks_from_pdfs(): Thực hiện phân đoạn văn bản theo hai cấp parent và child với các tham số tối ưu sau nhiều thực nghiệm: parent (1200/300), child (300/80). Các đoạn child được gom thành batch, kích thước batch_size = 50 và gửi đến API /api/embed của Ollama để nhúng vector. Kết quả nhúng được lưu vào cache với khóa emb_ + MD5(đoạn văn bản), tránh phải gọi lại API cho các đoạn trùng lặp nhằm tiết kiệm tài nguyên tính toán.

Hàm get_cached_chunks() và hàm calculate_pdf_checksum(): Sử dụng cơ chế checksum dựa trên mã băm MD5 từ contenthash của tất cả file PDF trong tài liệu. Nếu checksum không thay đổi, hệ thống tái sử dụng toàn bộ dữ liệu parent-child và embedding đã được lưu trong cache của Moodle. Điều này giúp tránh xử lý lại khi giảng viên không thay đổi tài liệu, tiết kiệm tài nguyên CPU và thời gian xử lý. Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Hàm cleanup_old_cache(): Hàm dọn rác được kích hoạt ngẫu nhiên với xác suất 2% sau mỗi câu hỏi. Thực hiện các nhiệm vụ: (1) Xóa các tệp .txt câu trả lời có thời gian tồn tại > 7 ngày; (2) Đồng bộ global_semantic_index.json, chỉ giữ lại các vector ứng với hash còn tồn tại; (3) Dọn dẹp thư mục session của user nếu không có thay đổi trong 7 ngày. Cơ chế này đảm bảo dung lượng lưu trữ không tăng vô hạn.

Hàm embed_batch($texts) và hàm embed($text): Hai hàm gọi API embedding với tham số keep_alive = “1h” nhằm duy trì kết nối đến Ollama, giảm thời gian ngủ đông của dịch vụ. Hàm embed_batch() sử dụng endpoint /api/embed của Ollama để nhúng nhiều đoạn văn bản cùng lúc, tối ưu băng thông và độ trễ. Hàm embed() dùng cho các truy vấn đơn lẻ như câu hỏi người dùng với prefix query_emb_ trong khóa cache.

Hàm top_scored_chunks($qvec, $children, $top_k): Tính độ tương đồng cosine giữa vector câu hỏi và các vector đoạn con. Điểm đặc biệt mỗi vector child đã được lưu sẵn giá trị sqrt_norm được tính từ căn bậc hai của tổng bình phương, giúp tránh tính toán lại căn bậc hai trong vòng lặp, tăng tốc độ xử lý lên gấp nhiều lần. Kết quả trả về danh sách top-k đoạn con có điểm số cao nhất cùng parent_id tương ứng.

  • Hình 3.5. Sơ đồ UML của cấu trúc plugin

3.3 Giao diện và trải nghiệm người dùng Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Giao diện người dùng trên Frontend được thiết kế tối giản, thân thiện dưới dạng khung Chat quen thuộc. Giao diện bao gồm khung cho phép người học đặt câu hỏi và 2 nút lệnh Hỏi và Xóa.

Toàn bộ trao đổi giữa Frontend và Backend sử dụng cơ chế xử lý bất đồng bộ AJAX qua FormData kết hợp Moodle URL params với cơ chế bảo mật kiểm soát người dùng.

  • Hình 3.6. Giao diện đặt câu hỏi cho Trợ giảng AI

Khi người dùng nhấn vào nút Hỏi, hệ thống sẽ thực hiện tiến trình xử lý theo thiết kế, giao diện hộp thoại tương tác người dùng hiển thị hiệu ứng động “AI đang đọc tài liệu và suy nghĩ…” giúp người học nắm bắt được tiến trình hệ thống đang xử lý.

Sau khi tiến trình xử lý hoàn tất, Trợ giảng AI sẽ phản hồi kết quả xử lý và thông tin thời gian xử lý của mỗi câu hỏi. Các câu hỏi từ người dùng và phản hồi của Trợ giảng AI được hiển thị đầy đủ trong khung trao đổi. Người dùng có thể sử dụng nút “Xoá” để chủ động làm sạch khung trao đổi với Trợ giảng AI, giúp màn hình trao đổi trống trải, dễ nhìn.

  • Hình 3.7. Giao diện tương tác của Trợ giảng AI

3.4 Thử nghiệm hệ thống

3.4.1 Môi trường triển khai kỹ thuật:

Máy chủ thử nghiệm: Laptop Fujitsu được trang bị cấu hình như sau:

  • Processor: Intel (R) Core i5-4310M CPU @ 70GHz
  • RAM: 6 GB
  • Graphics card: Intel (R) HD Graphics 4600 (113 MB)
  • Storage: 112 GB SSD
  • System type: 64-bit operating system
  • OS: Windows 10 Pro 22H2 Phần mềm ứng dụng và nền tảng:
  • Webserver XAMPP 3
  • Apache 4.58
  • PHP 8.2.12
  • MariaDB 10.11.16
  • phpMyAdmin 2.1
  • PDFtoText
  • Moodle 5.1 (Cài đặt yêu cầu cấu hình tối thiểu kèm với các thiết lập về thông số phù hợp thì hệ thống mới cho phép triển khai quá trình cài đặt). Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.
  • Ollama cài đặt model bge-m3 và 5:1.5b

3.4.2 Quy trình thử nghiệm

Hệ thống được thử nghiệm trên học phần “Thương mại điện tử” với bộ tài liệu gồm 6 file PDF tương ứng với 6 chương trong nội dung học phần. Để đánh giá toàn diện, bộ câu hỏi thử nghiệm được xây dựng với 2 kịch bản:

Kịch bản 1: chi làm 4 nhóm gồm Nhóm câu hỏi trong tài liệu (In-domain): Gồm 10 câu hỏi khai thác thông tin trực tiếp từ tài liệu, tập trung vào các sự kiện, con số, ngày tháng, định nghĩa; Nhóm câu hỏi suy luận (Reasoning): Gồm 5 câu hỏi yêu cầu tổng hợp thông tin từ nhiều đoạn hoặc suy luận đơn giản; Nhóm câu hỏi ngoài tài liệu (Out-of-domain): Gồm 5 câu hỏi không liên quan đến tài liệu đã cung cấp, nhằm kiểm tra khả năng từ chối trả lời và ngăn hallucination; Nhóm câu hỏi trùng lặp (Duplicate): Lấy 3 câu từ nhóm in-domain và hỏi lại sau khi đã có cache, để đánh giá hiệu quả của cơ chế lưu kết quả vĩnh viễn.

Kịch bản 2: Thử nghiệm được tiến hành trên 3 nhóm mô hình giao dịch thương mại điện tử: C2C, B2C và B2B. Mỗi nhóm bao gồm 4 câu hỏi với các hình thức đặt vấn đề khác nhau như đảo ngữ, thay đổi từ khóa, rút gọn câu để kiểm tra khả năng bắt trúng Cache của hệ thống.

Mỗi câu hỏi được gửi độc lập, ghi nhận về Nội dung phản hồi của AI; Thời gian xử lý từ lúc nhấn gửi đến khi nhận phản hồi; Độ chính xác so sánh với nội dung tài liệu gốc; Độ trung thực, có bịa đặt hay không.

  • Kết quả chi tiết được trình bày trong Chương 4.

3.4.3 Hướng dẫn thử nghiệm Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Lưu ý: Quản trị hệ thống cần chạy webserver XAMPP và kích hoạt cho Apache và MySQL hoạt động thành công trước khi chạy tên miền ảo.

Truy cập hệ thống bằng tên miền ảo cài đặt trên máy chủ nội bộ: http://moodle.test.

  • Hình 3.8. Giao diện trang chủ của hệ thống HCE-LMS
  • Hình 3.9. Giao diện liệt kê các khoá học đang triển khai
  • Hình 3.10. Giao diện đăng nhập hệ thống LMS

Trường hợp người dùng nhập sai mật khẩu thì sử dụng tính năng “Quên mật khẩu” để hệ thống hỗ trợ lấy lại mật khẩu.

Nếu đăng nhập tài khoản thành công bằng tài khoản dành cho người quản trị:

  • Hình 3.11. Giao diện tài khoản quản trị hệ thống LMS

Nếu đăng nhập tài khoản thành công bằng tài khoản dành cho người học:

  • Hình 3.12. Giao diện hiển thị nội dung khoá học

Nếu đã đăng ký thành công khoá học do người dùng đã được giảng viên chấp nhận hoặc được các bộ phận phụ trách công tác Đào tạo cập nhật danh sách học trong lớp thì hệ thống sẽ hiển thị toàn bộ nội dung của khoá học. Mỗi chương trong khóa học sẽ được tích hợp plugin Trợ giảng AI ở khung giao diện bên phải của màn hình.

  • Hình 3.13. Người dùng đặt câu hỏi cho Trợ giảng AI

Trong khung Trợ giảng AI có nút “Xóa” cho phép người dùng có thể xóa toàn bộ đoạn hội thoại với chatbot để làm sạch màn hình.

Khi người dùng truy cập vào các chương của khoá học, hệ thống có hỗ trợ cho người học với công cụ Trợ giảng AI ở bên góc phải màn hình. Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Các câu hỏi nếu là câu hỏi được lặp lại từ những người dùng trước đây và được hệ thống ghi lại thành công sẽ được phản hồi ngay lập tức. Các câu hỏi mới chưa từng được ghi nhận sẽ được hệ thống xử lý, tổng hợp thông tin và phản hồi sau một khoảng thời gian chậm hơn tùy theo độ phức tạp của câu hỏi và cấu hình máy chủ xử lý.

Một số câu hỏi được thử nghiệm với nội dung của bài học được Trợ giảng AI phản hồi trong các chương từ Chương 1 đến Chương 6.

Cụ thể, trong Chương 4 – Chính sách và pháp luật thương mại điện tử” có kết quả như sau:

  • Bảng 3.3. Kết quả thử nghiệm câu hỏi cho Trợ giảng AI

3.5 Phân tích chi phí sở hữu và lợi ích

Để đánh giá hiệu quả của giái pháp, tác giả thực hiện so sánh chi phí giả định trong vòng 3 năm giữa 2 phương án: Xây dựng Local LLM (Ollama) như hiện tại so với Thuê API Cloud như OpenAI GPT-4o-mini.

  • Phương án 1: Đầu tư Local LLM (Hệ thống đề xuất dùng Ollama)

Chi phí phần cứng ban đầu: Mua 1 máy chủ có GPU mạnh như NVIDIA DGX Spark để chạy model qwen2.5:1.5b với RAM 128 GB LPDDR5X, CPU Grace 20 core Arm, 10 Cortex-X925 + 10 Cortex-A725 Arm, Ổ cứng 4 TB NVMe SSD, GPU Blackwell Architecture 1 petaFLOP FP4. Chi phí 130.000.000 VNĐ (Công ty TNHH Công nghệ Việt Thái Dương, 2026).

Chi phí vận hành: Tiền điện, làm mát, tiền Internet trong 3 năm. Ước tính: 3.000.000 VNĐ x 12 x 3 = 108.000.000 VNĐ.

Tổng chi phí 3 năm: ước tính 238.000.000 VNĐ. Phương án 2: Sử dụng Cloud API (sử dụng OpenAI GPT)

Giả định lưu lượng: Trường có 9.000 sinh viên. Mỗi ngày trung bình có 2.000 câu hỏi. Mỗi truy vấn gồm prompt nội dung RAG và câu trả lời tốn khoảng 2.000 tokens. => 4.000.000 tokens/ngày.

Chi phí API: nếu dùng GPT-5.4-mini (OpenAI, 2026) giá rẻ khoảng $0,75/1M token input và $4,5/1M token output). Trung bình tốn khoảng $21/ngày ð $630/tháng -> $7560/năm tương đương 201.000.000 VNĐ/năm (tỷ giá USD là 26.636 VNĐ). Nếu dùng model xịn hơn như GPT-5.4 chi phí có thể lên tới hàng chục nghìn USD/năm, chưa kể chi phí lưu trữ Vector DB trên cloud như Pinecone.

Tổng chi phí 3 năm: Có thể dao động từ 600.000.000 VNĐ đến 800.000.000 VNĐ chưa tính phí rủi ro lộ lọt dữ liệu.

Kết luận phân tích: Mặc dù chi phí ban đầu của Local LLM cao hơn nhưng chi phí biên cho mỗi câu hỏi bằng 0. Về dài hạn, lượng sinh viên càng đông, hệ thống của nhà trường càng tiết kiệm. Điều quan trọng nhất là 100% dữ liệu học liệu không bị đưa ra máy chủ bên ngoài, đảm bảo an toàn và tuân thủ luật an ninh mạng.

3.6 Giải pháp Bảo mật dữ liệu và Quyền riêng tư Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

Trong các hệ thống thông tin áp dụng cho môi trường giáo dục, an toàn thông tin và bảo vệ dữ liệu cá nhân là yếu tố quan trọng và bắt buộc tuân thủ nghiêm ngặt. Hệ thống đề xuất được thiết kế nhằm tuân thủ các nguyên tắc bảo mật dữ liệu ở cả 3 cấp độ: Kiến trúc hạ tầng, Quản lý dữ liệu và Xác thực người dùng.

3.6.1 Bảo vệ Quyền riêng tư và dữ liệu học liệu số

  • Bảo vệ sở hữu trí tuệ và dữ liệu học liệu nội bộ:

Việc triển khai mô hình ngôn ngữ lớn cục bộ trên hạ tầng của nhà trường giúp đảm bảo 100% dữ liệu là tài liệu tham khảo, giáo trình không bị chuyển ra máy chủ của bên thứ ba khi sử dụng giải pháp của OpenAI, Google…

Tránh nguy cơ dữ liệu của nhà trường bị các nhà cung cấp mô hình đám mây sử dụng dữ liệu nội bộ của nhà trường để huấn luyện lại mô hình thương mại của các nhà cung cấp dịch vụ.

  • Loại bỏ hoàn toàn thông tin định danh cá nhân

Trước khi đưa dữ liệu ngữ cảnh vào mô hình RAG để sinh câu trả lời, hệ thống thực hiện loại bỏ hoặc mã hóa các thông tin cá nhân nhạy cảm của sinh viên như Mã số sinh viên, Số điện thoại, Địa chỉ email khỏi Prompt, tránh hoàn toàn việc thông tin cá nhân bị chuyển ra bên ngoài nhà trường.

  • Phân quyền truy cập tài liệu dựa trên ngữ cảnh Moodle

Sinh viên ở khóa học nào chỉ được phép dùng RAG để truy vấn, tra cứu dữ liệu tài liệu thuộc khóa học đó trên Moodle.

Hệ thống ngăn chặn việc lộ lọt dữ liệu chéo bằng cách cố tình đính đính kèm course_id vào không gian lưu trữ vector khi truy vấn. Hệ thống sẽ cảnh báo truy vấn không hợp lệ.

3.6.2 Giải pháp An toàn và bảo mật dữ liệu hệ thống Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

  • Giải pháp mã hóa dữ liệu truyền tải và lưu trữ:

Data in Transit: Toàn bộ các luồng dữ liệu giao tiếp giữa plugin Moodle, API Gateway, Redis Cache và máy chủ Ollama đều được mã hóa bằng giao thức bảo mật an toàn HTTPS/TLS 1.3.

Data at Rest: Cơ sở dữ liệu vector và Semantic Cache được cấu hình mật khẩu truy cập và lưu trữ dạng mã hóa trên khi lưu trữ trên ổ đĩa.

  • Giải pháp an toàn cho bộ nhớ đệm:

Đặt thời gian sống (TTL – Time to Live): Bộ nhớ đệm được thiết lập thời gian tự động xóa, cụ thể là 07 ngày theo thiết kế đề xuất để làm tươi dữ liệu và tránh tồn tại dữ liệu cũ.

Tránh hiện tượng Cache Poisoning (Đầu độc bộ nhớ đệm) xảy ra khi dữ liệu sai khiến cache lưu một câu trả lời không chính xác và sau đó nhiều người dùng khác nhận lại chính câu trả lời đó từ cache.

Loại bỏ hiện tượng Cache Leakage xảy ra khi Một người dùng nhận được dữ liệu đã cache của người dùng khác trong khi họ không có quyền truy cập. Cache chỉ lưu trữ các câu trả lời mang tính tri thức chung của môn học, không cache các câu hỏi hoặc câu trả lời chứa thông tin cá nhân của riêng từng sinh viên.

  • Phòng chống các đòn tấn công LLM

Cơ chế Input Sanitization: Lọc và chặn các chuỗi ký tự lạ, các câu lệnh cố tình phá vỡ các qui tắc, rào chắn, hướng dẫn LLM trả lời mà không tuân theo qui tắc đã có.

Cơ chế Output Guardrails: Kiểm tra kết quả trả về từ Ollama trước khi hiển thị cho sinh viên để đảm bảo AI không phát ngôn sai lệch hoặc vô tình làm lộ các cấu hình hệ thống bên trong. Luận văn: PPNC trong giáo dục thông qua LMS tích hợp Chatbot.

XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:  

===>>> Luận văn: KQNC trong 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: PPNC 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