tạp chí việt nam hội nhập

ỨNG DỤNG MÔ HÌNH HỌC SÂU DỰA TRÊN KIẾN TRÚC

TRANSFORMER PHỤC VỤ GIẢNG DẠY VÀ KIỂM TRA ĐÁNH
GIÁ HỌC PHẦN CƠ SỞ DỮ LIỆU
@ ThS. Nguyễn Thị Lan Phượng
Khoa Ngoại ngữ - Tin học, Học viện Hành chính Quốc gia

Tóm tắt: Mô hình học sâu dựa trên kiến trúc transformer đang được sử dụng rộng rãi
trong khoa học máy tính để giải quyết các bài toán lớn mà con người khó hoặc mất rất
nhiều công sức để có thể xử lý được công việc. Trong số ứng dụng của mô hình này có
ChatGPT, một mô hình ngôn ngữ lớn được đào tạo bởi OpenAI, đang được sử dụng
rộng rãi trong các ứng dụng giáo dục đào tạo, xuất bản, truyền thông. Với khả năng tự
động tạo ra các câu hoàn chỉnh và liên kết chúng với nhau để tạo thành một bài văn,
ChatGPT đang được sử dụng rộng rãi trong các ứng dụng ngôn ngữ tự nhiên như giáo
dục đào tạo, viết bài nghiên cứu, phản hồi tự động, tạo tiêu đề, tóm tắt nội dung và cả
sáng tạo nội dung. Với khuôn khổ bài nghiên cứu này, tác giả bàn luận về việc ứng dụng
mô hình học sâu dựa trên kiến trúc Transformer phục vụ giảng dạy và kiểm tra đánh giá
kết quả học tập của người học đối với học phần cơ sở dữ liệu phục vụ đào tạo chuyên
ngành Hệ thống thông tin tại Học viện Hành chính Quốc gia.

1. Khái quát mô hình học sâu dựa
trên kiến trúc Transformer
Kiến trúc Transformer (về bản chất là
một thuật toán) là một kiến trúc mạng nơ-
ron sử dụng trong lĩnh vực xử lý ngôn ngữ
tự nhiên (NLP) được phát triển bởi nhóm
nghiên cứu có tên Google Brain, đơn vị
nghiên cứu chuyên sâu về AI của Google,
phát minh vào tháng 8/2017.
Thuật toán Transformer đột phá về khía
cạnh huấn luyện AI ngôn ngữ. Trước khi có
thuật toán này, con người muốn dạy AI, thì
phải tạo tập dữ liệu huấn luyện sẵn theo cặp
câu hỏi-trả lời (labeling data). AI sẽ chỉ ghi
nhớ cặp câu có sẵn mà không hiểu được
ý nghĩa của câu văn đó, khác nhau rất lớn
giữa học vẹt và học hiểu. Transformer đã
tạo nên sự tiến bộ đáng kể trong các nhiệm
vụ NLP như dịch máy, nhận dạng giọng nói
và sinh câu.
Hãng Google nổi tiếng với việc công
bố các công trình nghiên cứu về khoa học
máy tính và thuật toán Transformer là một
trong những công trình như vậy. Nó được
công khai cho tất cả mọi người truy cập
được, đồng thời cung cấp quyền sử dụng
mở (Open-Source) đối với thuật toán này.
Có nghĩa là, các nhà khoa học nghiên cứu,
ứng dụng về trí tuệ nhân tạo được hưởng lợi
từ phát minh của Google.
Theo các nhà nghiên cứu, từ đầu năm
2018 ngành khoa học máy tính trên thế giới

66 số 306 - tháng 7/2023


chứng kiến sự phát triển đột phá về các dự
án trí tuệ nhân tạo có sử dụng kiến trúc
Transformer. Nó trở thành cơ sở cho nhiều
mô hình nổi tiếng như Transformer-BERT,
GPT (Generative Pre-trained Transformer)
và Transformer-XL. Chúng đã tạo ra sự
thay đổi đáng kể trong lĩnh vực xử lý ngôn
ngữ tự nhiên và tiếp tục được phát triển,
ứng dụng rộng rãi trong nhiều bài toán
khác nhau.
Đối với giáo dục, thuật toán Transformer
có nhiều ứng dụng hữu ích cả về nghiên
cứu, học tập và ứng dụng. Một số ví dụ cụ
thể bao gồm:
Dịch máy: Thuật toán Transformer có
thể được sử dụng để lập trình ra các công cụ
phục vụ dịch máy tự động. Ứng dụng của nó
trong giáo dục là giúp các học sinh và sinh
viên dễ dàng dịch các văn bản, tài liệu hoặc
bài giảng từ một ngôn ngữ ban đầu sang các
ngôn ngữ khác một cách dễ dàng. Trong
đó phải kể đến Google Translate, Bing
Microsoft Translate, Yandex Translate…
Tự động hóa việc phân loại và đánh giá
bài tập: Transformer có thể được sử dụng
để lập ra các phần mềm cho phép phân
loại và đánh giá các câu hỏi, bài tập, bài
thi tự động. Điều này giúp giảng viên và
nhà trường có thể đánh giá kết quả học tập
của người học một cách chính xác và khoa
học. Đồng thời nhờ vào việc phân tích tự
động thì hệ thống phần mềm có thể cung
cấp phản hồi nhanh chóng cho các người
học qua các kênh như các hệ thống chatbot
đính kèm trong website của nhà trường.
Tạo ra nội dung học tập tự động: Thuật
toán Transformer cũng có thể được sử dụng
để tạo ra nội dung học tập tự động. Ví dụ,
một mô hình Transformer được đào tạo trên
các tài liệu học tập có thể tự động tạo ra các
bài giảng, đề thi hoặc tài liệu tham khảo phù
hợp với từng học sinh. Giảng viên dựa vào
yêu cầu nội dung liên quan đến học phần có
thể tạo ra các câu hỏi trắc nghiệm, hoặc các
dạng yêu cầu khác để yêu cầu người học
hoàn thành sau khi tham gia buổi học.
Hỗ trợ học tập cá nhân hóa: Transformer
nghiên cứu trao đổi
có khả năng xử lý ngôn ngữ tự nhiên và hiểu
ngữ nghĩa rất tốt, điều này có thể được sử
dụng để hỗ trợ học tập cá nhân hóa. Bằng
cách hiểu thông tin cá nhân và yêu cầu học
tập của từng học sinh, mô hình Transformer
có thể tự động đề xuất các tài liệu, bài tập
hoặc đề cương học tập phù hợp với nhu cầu
của từng học sinh. Điển hình là mô hình trí
tuệ nhân tạo đang được ứng dụng rộng rãi
trong các website hỗ trợ học tập và kiểm tra
trực tuyến. Các hệ thống này bên cạnh việc
cung cấp các câu hỏi ở dạng ngẫu nhiên
thì còn cho phép theo dõi và đánh giá khả
năng trả lời câu hỏi của người học. Dựa vào
kết quả trả lời của một hoặc một số câu hỏi
trước mà phân tích để đưa ra mức độ dễ hay
khó với các câu hỏi phía sau.
Tăng cường học tập: Thuật toán
transformer cũng có thể được sử dụng trong
các hệ thống tăng cường học tập, nơi mô
hình có khả năng cung cấp phản hồi và
hướng dẫn tự động cho học sinh trong quá
trình học tập. Những mô hình này sẽ căn cứ
vào những nội dung mà người học đã lựa
chọn, ưa thích, phản hồi, tổng hợp lại thành
tập dữ liệu và đưa ra các gợi ý ở các phiên
làm việc sau đó cho người dùng chọn các
nội dung tương tự hoặc có liên quan. Ví dụ
một thư viện số có thể ứng dụng thuật toán
Transformer để nắm bắt sở thích, thói quen
của bạn đọc để tổng hợp yêu cầu, lựa chọn
các tài liệu liên quan đến bộ dữ liệu mà bạn
đọc đã cung cấp qua các thao tác trên hệ
thống. Từ đó sẽ gợi ý cho bạn đọc các cuốn
sách, tài liệu tham khảo, công trình nghiên
cứu khoa học có liên quan đến sở thích, thói
quen, chủ đề bạn đọc đang quan tâm.
Các ứng dụng của thuật toán
Transformer trong giáo dục là phong phú
và đa dạng, nó có thể mang lại lợi ích vượt
trội trong việc nâng cao chất lượng giáo dục
và tối ưu hóa quá trình học tập.
2. Ứng dụng mô hình học sâu dựa
trên kiến trúc Transformer phục vụ
giảng dạy và kiểm tra đánh giá học phần
cơ sở dữ liệu
Trong giáo dục đại học, ứng dụng mô
hình học sâu dựa trên kiến trúc Transformer
số 306 - tháng 7/2023
67
 tạp chí việt nam hội nhập
không phải là mới trên thế giới, đặc biệt
trong các cơ sở giáo dục đại học chuyên
về khoa học tự nhiên, kỹ thuật. Tuy nhiên,
trong môi trường giáo dục đại học và nghiên
cứu về khoa học xã hội như Học viện Hành
chính Quốc gia thì việc ứng dụng mô hình
này tương đối mới và chỉ ở một số chuyên
ngành cũng như chỉ ở một số giảng viên có
khả năng nghiên cứu và ứng dụng ở phạm
vi hẹp. Là giảng viên giảng dạy chuyên
ngành thuộc khối ngành công nghệ thông
tin, tác giả nhận thấy việc ứng dụng mô hình
học sâu dựa trên kiến trúc Transformer mà
điển hình là Google Translate và ChatGPT
là một lợi thế giúp cho việc soạn giảng và
kiểm tra đánh giá thuận lợi hơn rất nhiều so
với trước đây.
Hỗ trợ dịch tài liệu
Đặc thù của ngành công nghệ thông
tin là kiến thức luôn luôn đổi mới, công
nghệ ngày càng phát triển hiện đại theo
từng ngày, từng giờ. Chính vì vậy, việc
khai thác, nghiên cứu các tài liệu bằng tiếng
nước ngoài là một lợi thế để tác giả và đồng
Hình 1: Tài liệu so sánh sự khác nhau giữa hệ quản trị cơ sở dữ liệu MariaDB với SQL Server
68 số 306 - tháng 7/2023
nghiệp luôn chủ động cập nhật kiến thức,
công nghệ mới mà các nhà khoa học trên
thế giới công bố, chia sẻ. Với thế mạnh của
các công cụ dịch tài liệu ở các định dạng
khác nhau như thuần văn bản, hình ảnh,
website,…tác giả có thể khai thác các tài
liệu rồi nhờ các công cụ dịch để chuyển thể
từ ngôn ngữ bất kỳ về ngôn ngữ tiếng Việt
để đọc và nghiên cứu.
Giảng viên giảng dạy kiến thức cơ sở
dữ liệu thì luôn gặp phải các câu hỏi về
các hệ quản trị cơ sở dữ liệu thông dụng
hiện nay. Và lấy dẫn chứng về sự giống và
khác nhau giữa các hệ quản trị cơ sở dữ
liệu đó. Nếu không có kinh nghiệm thực tế
khi triển khai các dự án về quản lý cơ sở
dữ liệu thì việc so sánh là tương đối phức
tạp và thiếu tính thuyết phục đối với người
học. Để tìm hiểu và lựa chọn thì giảng viên
có thể tìm kiếm từ chính website các hệ
quản trị cơ sở liệu cần so sánh để nghiên
cứu hoặc dịch các văn bản được công bố
chính thức trên đó sang tiếng Việt để dễ
dàng nghiên cứu hơn.

Hình 2: Công cụ Google Translate hỗ trợ dịch một trang web tiếng Anh sang tiếng Việt
Xem xét ở hình trên cho chúng ta biết
thông tin về sự khác nhau giữa hệ quản trị
cơ sở dữ liệu MariaDB với SQL Server. Nếu
là người có khả năng đọc hiểu ngôn ngữ
tiếng Anh tốt thì việc nghiên cứu so sánh
ở đây là không khó khăn. Tuy nhiên, nếu
giảng viên có hạn chế về khả năng đọc hiểu
tiếng Anh thì nên lựa chọn và sử dụng công
cụ dịch trực tuyến của Google, Microsoft,
Yandex…để dịch sang ngôn ngữ tiếng Việt
một cách thuận lợi và nhanh chóng.
Như vậy, nhờ thành quả của sự phát
triển các sản phẩm trí tuệ nhân tạo như
Google Translate mà người dùng được thừa
hưởng những kết quả mà đáng nhẽ phải mất
rất nhiều thời gian, trí tuệ và công sức mới
đạt được.
Hướng dẫn người học tự học và
nghiên cứu
Bên cạnh việc giảng dạy kiến thức theo
nghiên cứu trao đổi
chương trình đã được xây dựng theo kế
hoạch đào tạo của ngành, người giảng viên
còn giúp người học tự học, tự nghiên cứu
dựa vào các câu hỏi, bài tập, yêu cầu thảo
luận…các vấn đề liên quan đến kiến thức
mà bài học đã đề cập đến.
Ví dụ, khi giảng dạy về câu lệnh truy
vấn dữ liệu-SELECT, bên cạnh giới thiệu
các kiến thức liên quan như cú pháp lệnh,
các mệnh đề, toán tử..thì giảng viên có thể
yêu cầu người học tự tìm hiểu về cách sử
dụng câu lệnh SELECT ở các hệ quản trị cơ
sở dữ liệu thông dụng khác nhau đang được
áp dụng rộng rãi trên thế giới.
Giảng viên có thể đặt câu hỏi về nhà:
“Anh/chị hãy nghiên cứu và lấy ví dụ để
so sánh sự khác biệt nhất khi sử dụng lệnh
SELECT giữa MariaDB với PostgreSQL.”
Và để hướng dẫn người học cách tìm
hiểu sự khác nhau này thì có thể đọc tài
số 306 - tháng 7/2023
69
 tạp chí việt nam hội nhập
liệu giáo trình liên quan đến hai hệ quản
trị cơ sở dữ liệu MariaDB và PostgreSQL.
Tuy nhiên, có thể khai thác các công cụ tìm
kiếm như Google Search, Bing…để tìm
kiếm trong các nguồn dữ liệu chia sẻ trên
môi trường Internet hoặc các công cụ phân
tích, tổng hợp dựa vào ngôn ngữ tự nhiên
như ChatGPT, VoiceGPT, Google Brain …
Tác giả sử dụng ChatGPT để tìm hiểu về
cách phân tích, tổng hợp dữ liệu từ yêu cầu:
“Hãy lấy ví dụ để so sánh sự khác biệt nhất
khi sử dụng lệnh SELECT giữa MariaDB
với PostgreSQL”. Sau khi chờ đợi khoảng
ba mươi giây, tác giả đã nhận được kết quả
như sau:
Hình 3: Sử dụng ChatGPT để tìm hiểu sự
khác biệt trong cách dùng lệnh SELECT
giữa các hệ quản trị cơ sở dữ liệu
Bên cạnh việc mô tả bằng cú pháp lệnh
như hình 3 thì ChatGPT còn trả về các nội
dung bằng văn bản khác bổ sung cho mô
phỏng cú pháp lệnh như sau:
Sự khác biệt chính giữa MariaDB và
PostgreSQL là cú pháp và xử lý các đối
tượng trong lệnh SELECT:
MariaDB sử dụng cú pháp không yêu
cầu viết tên bảng và cột trong dấu nháy kép,
trong khi PostgreSQL yêu cầu viết tên bảng
và cột trong dấu nháy kép để phân biệt với
các từ khóa hoặc trường hợp đặc biệt.
MariaDB không phân biệt chữ hoa chữ
thường trong tên bảng và cột (không phân
70 số 306 - tháng 7/2023
biệt trường hợp), trong khi PostgreSQL
phân biệt chính xác chữ hoa chữ thường
trong tên bảng và cột (phân biệt trường
hợp).
Lưu ý: Đây chỉ là ví dụ cơ bản và sự
khác biệt giữa MariaDB và PostgreSQL có
thể mở rộng sang các trường hợp sử dụng
khác tùy thuộc vào tính năng và cú pháp
của mỗi hệ quản lý cơ sở dữ liệu.
Để tăng độ khó nhằm thử thách ứng
dụng ChatGPT hỗ trợ việc tạo cơ sở dữ liệu
phục vụ quản lý sinh viên, tác giả yêu cầu:
“Khai báo cơ sở dữ liệu quản lý thư viện
truyền thống bằng ngôn ngữ PostgreQLS.
Trong đó có các bảng phục vụ các nghiệp
vụ: đăng ký ra vào hàng ngày, mượn sách,
trả sách, thống kê mượn-trả hàng ngày”.
Ứng dụng ChatGPT trả về kết quả tương
đối đầy đủ và có cả giải thích như sau:
-- Tạo cơ sở dữ liệu
CREATE DATABASE QuanLyThuVien;
-- Sử dụng cơ sở dữ liệu
\c QuanLyThuVien
-- Tạo bảng NhanVien (lưu thông tin
nhân viên đăng ký ra vào hàng ngày)
CREATE TABLE NhanVien (
MaNV INT PRIMARY KEY,
HoTen NVARCHAR(50),
NgaySinh DATE,
GioiTinh NVARCHAR(10),
DiaChi NVARCHAR(100)
);
-- Tạo bảng DocGia (lưu thông tin độc
giả)
CREATE TABLE DocGia (
MaDG INT PRIMARY KEY,
HoTen NVARCHAR(50),
NgaySinh DATE,
GioiTinh NVARCHAR(10),
DiaChi NVARCHAR(100)

);
-- Tạo bảng Sach (lưu thông tin sách
trong thư viện)
CREATE TABLE Sach (
MaSach INT PRIMARY KEY,
TenSach NVARCHAR(100),
TacGia NVARCHAR(50),
TheLoai NVARCHAR(50),
SoLuong INT
);
-- Tạo bảng MuonTra (lưu thông tin
mượn/trả sách)
CREATE TABLE MuonTra (
MaMT INT PRIMARY KEY,
MaDG INT,
MaSach INT,
NgayMuon DATE,
NgayTra DATE,
CONSTRAINT FK_MuonTra_DocGia
FOREIGN KEY (MaDG) REFERENCES
DocGia(MaDG),
CONSTRAINT FK_MuonTra_Sach
FOREIGN KEY (MaSach) REFERENCES
Sach(MaSach)
);
-- Tạo bảng ThongKe (lưu thông tin
thống kê mượn/trả hàng ngày)
CREATE TABLE ThongKe (
Ngay DATE PRIMARY KEY,
SoLuotMuon INT,
SoLuotTra INT
);
Trong ví dụ trên, chúng ta đã tạo cơ
sở dữ liệu “QuanLyThuVien” và khai
báo các bảng “NhanVien”, “DocGia”,
“Sach”, “MuonTra” và “ThongKe”. Bảng
“NhanVien” lưu thông tin nhân viên đăng
ký ra vào hàng ngày, bảng “DocGia” lưu
thông tin độc giả, bảng “Sach” lưu thông
nghiên cứu trao đổi
tin sách trong thư viện, bảng “MuonTra”
lưu thông tin mượn/trả sách của độc giả,
và bảng “ThongKe” lưu thông tin thống kê
mượn/trả hàng ngày.
Đây chỉ là một ví dụ cơ bản về cấu trúc
cơ sở dữ liệu quản lý thư viện truyền thống
trong PostgreSQL. Thông tin và cấu trúc
thực tế có thể khác nhau tùy thuộc vào yêu
cầu và thiết kế của hệ thống quản lý thư
viện.
Như vậy, với cách khai thác các ứng
dụng trí tuệ nhân tạo được phát triển
ứng dụng mô hình học sâu dựa trên kiến
trúc Transformer như Google Translate,
ChatGPT mà giảng viên có thể soạn bài
giảng, lấy ví dụ hoặc hướng dẫn người học
thực hiện các bài tập, tự học một cách thuận
lợi và hiệu quả. Tất nhiên, các kết quả từ
những công cụ trên cần được khai thác,
chỉnh sửa và kiểm thử cẩn thận trước khi
đưa vào chính thức. Nhưng với những gì
mà các công cụ như trên mang lại đã giúp
cho giảng viên và học viên, sinh viên tiết
kiệm được thời gian, công sức và tăng hiệu
quả của công việc lên nhiều lần.
Hỗ trợ kiểm tra đánh giá kết quả học
tập
Bên cạnh lợi ích trong việc soạn bài
giảng, tạo ví dụ hoặc hướng dẫn người học
tự học, tự nghiên cứu nhờ các công cụ ứng
dụng trí tuệ nhân tạo thì giảng viên cũng sử
dụng các công cụ đó để tham khảo tạo các
câu hỏi, bài tập để phục vụ quá trình kiểm
tra, đánh giá kết quả học tập của người học.
Với các bài kiểm tra kiến thức thường
xuyên, tác giả thường sử dụng các bộ câu
hỏi trắc nghiệm để kiểm tra người học sau
mỗi bài học, mỗi chương. Ví dụ, giảng viên
muốn kiểm tra kiến thức, kỹ năng sau khi
giảng bài về câu lệnh SELECT, có thể yêu
cầu ChatGPT hỗ trợ “Tạo 5 câu hỏi trắc
nghiệm khách quan về cách sử dụng các
mệnh đề câu lệnh SELECT trong hệ quản
trị cơ sở dữ liệu MariaDB.”.
Chỉ sau khoảng thời gian ngắn chưa
đến một phút, ChatGPT đã trả về kết quả
như sau:
số 306 - tháng 7/2023
71
 tạp chí việt nam hội nhập

Dưới đây là 5 câu hỏi trắc nghiệm 2. b) SELECT *

khách quan về cách sử dụng các mệnh đề 3. b) JOIN
câu lệnh SELECT trong hệ quản trị cơ sở
dữ liệu MariaDB: 4. b) ORDER BY
1. Câu lệnh SELECT được sử dụng để 5. a) WHERE
làm gì trong MariaDB? Bên cạnh việc tạo ra các câu hỏi trắc
a) Chèn dữ liệu vào bảng. nghiệm khách quan, hệ thống còn đưa kèm
b) Xóa dữ liệu khỏi bảng. theo đáp án ở cuối nội dung giúp chúng ta
có thể kiểm chứng trước khi tạo các câu hỏi
c) Truy vấn dữ liệu từ bảng. khác. Với sự tổng hợp dữ liệu từ các nguồn
d) Cập nhật dữ liệu trong bảng. tư liệu và khả năng phân tích ngôn ngữ tự
2. Câu lệnh SELECT có thể lấy tất cả nhiên mà các hệ thống có ứng dụng trí tuệ
các cột trong bảng bằng cách sử dụng: nhân tạo như ChatGPT hỗ trợ đắc lực chúng
ta không chỉ trong công tác nghiên cứu mà
a) SELECT ALL cả hỗ trợ giáo giảng viên tạo các câu hỏi
b) SELECT * trắc nghiệm liên quan các môn học khác
c) SELECT COLUMN nhau một cách nhanh chóng và hiệu quả.
d) SELECT TABLE Sau khi thử nghiệm về yêu cầu ChatGPT
tạo các câu hỏi trắc nghiệm, tác giả yêu cầu
3. Để truy vấn dữ liệu từ nhiều bảng câu hỏi khó hơn như “Cho bảng dữ liệu
trong MariaDB, chúng ta sử dụng mệnh đề:
NhanVien có cấu trúc như sau: MaNV INT
a) FROM PRIMARY KEY, HoTen NVARCHAR(50),
b) JOIN NgaySinh DATE, GioiTinh NVARCHAR(10),
DiaChi NVARCHAR(100). Hãy tạo câu
c) WHERE
lệnh truy vấn để lấy ra danh sách nhân viên
d) GROUP BY có xuất hiện chữ Phạm trong HoTen, sinh
4. Để sắp xếp kết quả truy vấn theo vào tháng 10 và giới tính Nữ.”. Và tác giả
một cột cụ thể trong MariaDB, chúng ta sử nhận về được kết quả phân tích như sau:
dụng mệnh đề:
a) SORT BY
b) ORDER BY
c) GROUP BY
d) HAVING
5. Để áp dụng điều kiện lọc dữ liệu
trong câu lệnh SELECT trong MariaDB,
chúng ta sử dụng mệnh đề:
a) WHERE
b) HAVING
c) FROM Hình 4: ChatGPT trả về kết quả
của một câu hỏi tự luận
d) GROUP BY
Đáp án:
1. c) Truy vấn dữ liệu từ bảng. Với yêu cầu trong hình 4, ChatGPT đã

72 số 306 - tháng 7/2023


cho thấy sự chi tiết trong phân tích ngôn
ngữ tự nhiên mà thể hiện qua các yêu cầu
với số lượng các tiêu chí lọc dữ liệu khác
nhau và tương đối khó. Tuy nhiên, kết quả
nhận về thật sự là đáng kinh ngạc vì nó rất
đầy đủ và chính xác. Bên cạnh trả về kết
quả là cú pháp lệnh thì còn có giải thích chi
tiết giúp cho người dùng dễ hiểu hơn.
Kết luận
Từ những nghiên cứu, thực nghiệm như
trên, chúng ta thấy việc ứng dụng thành quả
của công nghệ thông tin có sử dụng mô hình
học sâu dựa trên kiến trúc transformer đang
được sử dụng rộng rãi trong ngành khoa học
Tài liệu tham khảo
1. Phương Liên, Trí tuệ nhân tạo: Hướng
tới quản trị giáo dục đại học thông minh,
Báo Điện tử Chính phủ, ngày 21/4/2023.
nghiên cứu trao đổi
máy tính phục vụ đời sống và sinh hoạt của
con người ở mọi ngành nghề khác nhau từ
kinh tế, văn hóa xã hội, giáo dục, giải trí…
Trong đó, các sản phẩm công nghệ sử dụng
trí tuệ nhân tạo có thể mang lại nhiều lợi ích
to lớn cho ngành giáo dục như: hỗ trợ giảng
dạy, đào tạo và đánh giá giáo viên, tư vấn
hướng nghiệp, hỗ trợ học trực tuyến, hỗ trợ
đánh giá và kiểm tra. Tuy nhiên, cần lưu ý
rằng các ứng dụng này chỉ là một công cụ
hỗ trợ và không thay thế được vai trò của
giáo viên. Sự tương tác giữa người và máy
vẫn là yếu tố quan trọng trong quá trình
giảng dạy và học tập./.
2. Tài liệu Toạ đàm “ChatGPT, Trí tuệ
nhân tạo - Lợi ích và thách thức đối
với giáo dục”, Bộ Giáo dục và Đào tạo,
ngày 13/2/2023.
số 306 - tháng 7/2023
73