AI Trợ Lý Phân Tích Kết Quả Học Tập Toàn Trường Cho Ban Giám Hiệu
Hệ thống trợ lý phân tích học tập hỗ trợ Ban Giám Hiệu K-12 đánh giá chất lượng dạy và học toàn trường qua giao diện Chat tự nhiên và Dashboard trực quan. Ứng dụng tích hợp mô hình Multi-Agent (LangGraph) giúp thống kê sâu và phát hiện sớm lỗ hổng học tập hoặc lạm phát điểm bằng cơ chế đối chiếu độ khó đề thi (thang Bloom) với điểm số thực tế. Toàn bộ dữ liệu được bảo vệ nghiêm ngặt qua phân quyền RBAC 7 vai trò kết hợp màng lọc bảo mật SQL Guardrail giúp cô lập dữ liệu tuyệt đối giữa các trường và giữa các role.
Fig. 01 · Ảnh dự án
TỔNG QUAN DỰ ÁN: AI TRỢ LÝ PHÂN TÍCH KẾT QUẢ HỌC TẬP TOÀN TRƯỜNG (AI20K COHORT ANALYZER)
1. BÀI TOÁN (THE PROBLEM)
Bối cảnh: Ban giám hiệu (BGH) các trường phổ thông (K-12) cần nắm bắt kịp thời tình hình học tập toàn trường (theo khối, lớp, môn) để đưa ra các quyết định cải thiện chất lượng sư phạm kịp thời. Tuy nhiên, việc quản lý và phân tích học vụ hiện nay gặp phải những rào cản lớn:
Dữ liệu phân tán & rời rạc (Data Silos): Dữ liệu điểm số và thông tin học tập của học sinh bị cô lập trong sổ điểm của giáo viên hoặc các tệp Excel thủ công riêng lẻ, thiếu khả năng kết nối và đồng bộ.
Độ trễ báo cáo lớn (Administrative Lag): Quy trình thu thập, đối chiếu và tổng hợp dữ liệu thủ công từ Giáo viên bộ môn $\rightarrow$ Giáo viên chủ nhiệm $\rightarrow$ Tổ trưởng chuyên môn $\rightarrow$ Ban Giám hiệu mất từ nhiều ngày đến hàng tuần. Điều này khiến quyết định của lãnh đạo luôn mang tính bị động và trễ hạn.
Báo cáo thống kê thiếu chiều sâu: Các phần mềm quản lý trường học hiện tại (như vnEdu, eNetViet) chủ yếu chỉ cung cấp thống kê mô tả cơ bản (tỷ lệ phần trăm học lực Giỏi/Khá/Trung bình), hoàn toàn thiếu phân tích chẩn đoán chuyên sâu như động lượng học tập ($\beta$), độ phân hóa học lực ($\sigma$), hay kiểm chứng chất lượng đề thi.
Áp lực thi đua và bệnh thành tích: Thiếu cơ chế kiểm định tính thực chất của điểm số dễ dẫn đến tình trạng lạm phát điểm hoặc học sinh hổng kiến thức nghiêm trọng nhưng không được phát hiện kịp thời để hỗ trợ.
2. GIẢI PHÁP KỸ THUẬT (TECHNICAL SOLUTION)
Hệ thống AI Trợ Lý Phân Tích Kết Quả Học Tập Toàn Trường (AI20K Cohort Analyzer) giải quyết triệt độ bài toán trên bằng sự kết hợp giữa hệ quản trị cơ sở dữ liệu quan hệ và kiến trúc AI Agent tiên tiến:
Kiến trúc Multi-Agent (LangGraph): Triển khai một bộ điều phối trung tâm (Supervisor Agent) điều hành 3 sub-agents chuyên biệt để giải quyết các truy vấn học vụ phức tạp:
data_agent: Truy vấn thông tin trực tiếp từ cơ sở dữ liệu qua tầng ORM (SQLAlchemy).
stat_agent: Thực hiện tính toán thống kê, chỉ số học tập chuyên sâu (GPA, momentum, độ phân hóa $\sigma$).
pandas_agent: Chuyển đổi ngôn ngữ tự nhiên của người dùng thành truy vấn SQL thô để tổng hợp dữ liệu động.
Hàng rào bảo mật SQL Guardrail (SQLGlot): Đảm bảo an toàn tuyệt đối khi cho phép Agent tương tác trực tiếp với cơ sở dữ liệu Neon PostgreSQL:
Chỉ cho phép duy nhất lệnh đọc dữ liệu ().
§
Phụ lục — Demo & Slides
Video demo
Bản demo trực tiếp
Slide trình bày
SELECT
Kiểm duyệt truy vấn dựa trên Whitelist 21 bảng hệ thống được cấu hình sẵn.
Tự động chèn Tenant Isolation: Phân tích cú pháp và chèn điều kiện lọc school_id động của tài khoản người dùng vào tất cả mệnh đề WHERE, tránh việc rò rỉ dữ liệu giữa các trường học.
Mô hình Tam giác hóa độ khó đề thi (Exam Triangulation - TEVI):
Đối chiếu chéo ba chiều chỉ số: EDI (Độ khó thực nghiệm tính từ kết quả điểm số), CDI (Độ khó nội dung tính từ ma trận Bloom của đề thi), và DDI (Độ khó khai báo bởi giáo viên).
Tự động phát hiện và gắn cờ cảnh báo bất thường: LEARNING_GAP (đề dễ nhưng điểm thấp $\rightarrow$ hổng kiến thức) và INFLATION_OR_LEAK (đề khó nhưng điểm cao bất thường $\rightarrow$ nghi lạm phát điểm hoặc lộ đề).
Xuất báo cáo tự động hóa: Xây dựng quy trình xử lý định dạng tự động bằng Regex, giúp kết xuất báo cáo cải thiện chất lượng học tập sạch thẻ định dạng HTML, sẵn sàng ký số động từ phía BGH.
3. TÍNH KHẢ THI (FEASIBILITY)
Sự sẵn sàng về hạ tầng (Production-ready):
Hạ tầng Cloud: Hệ thống đã được deploy và chạy thực tế (Frontend Next.js 16 trên Vercel, Backend FastAPI trên Railway, và Database PostgreSQL trên Neon Cloud).
Hiệu năng vượt trội: Tốc độ phản hồi trung bình chỉ đạt 1.8 giây cho mỗi truy vấn chat, độ chính xác nội dung câu trả lời đạt 95% trong môi trường thực tế.
Độ tin cậy cao: Vượt qua 46 bài kiểm thử tích hợp (Integration Tests) tự động kiểm soát chặt chẽ phân quyền RBAC và logic điểm số trước khi deploy.
Hiệu quả về chi phí (Cost-efficiency):
Đơn giá API LLM: Sử dụng mô hình deepseek-v4-flash với chi phí tối ưu (trung bình ~ $0.0002 / 1K tokens) kết hợp cơ chế Prompt Caching (tỷ lệ khớp cache hơn 95%). Chi phí thực tế được tối ưu hóa ở mức $0.00033 / lượt chat và $0.00493 / lượt xuất báo cáo.
Dự Toán Chi Phí API LLM Cho Một Trường Học (Quy mô chuẩn: 50 Giáo viên và 3 BGH):
50 Giáo viên (Chat 10 lần/ngày × 20 ngày = 10,000 req/tháng): $3.30
50 Giáo viên (Xuất báo cáo 2 lần/ngày × 20 ngày = 2,000 bản/tháng): $9.86
TỔNG CHI PHÍ API / THÁNG:~ $13.66 (Trung bình chỉ khoảng $0.258 / người dùng / tháng)
Tính nhân văn & Hợp chuẩn nghiệp vụ sư phạm:
Hệ thống phân quyền 7 vai trò chi tiết (RBAC). Giáo viên chỉ xem/nhập điểm lớp mình phụ trách. Ban giám hiệu xem toàn trường dưới dạng chỉ đọc (Read-only), nhằm hỗ trợ định hướng cải thiện chất lượng giáo dục thay vì tạo áp lực xếp hạng thi đua đè nặng lên giáo viên và học sinh.
4. HƯỚNG PHÁT TRIỂN (FUTURE DEVELOPMENT)
Tự động hóa tính toán CDI bằng AI: Phát triển thêm mô hình OCR và LLM để tự động đọc tài liệu đề thi (PDF, Word), phân tích cấu trúc ma trận câu hỏi và tự động gán chỉ số Bloom để tính toán CDI (Content Difficulty Index) mà không cần giáo viên nhập thủ công.
Tích hợp RAG (Retrieval-Augmented Generation): Triển khai Vector Store (ChromaDB) để lưu trữ các văn bản quy chế giáo dục của Bộ GD&ĐT, chương trình phổ thông mới (GDPT 2018). Trợ lý AI có thể kết hợp dữ liệu điểm số thực tế của trường với các quy chế để đưa ra đề xuất cải tiến chuyên môn chính xác nhất.
Dự báo sớm học sinh có nguy cơ sa sút (Predictive Analytics): Xây dựng mô hình học máy phân tích biến động động lượng học tập ($\beta$) và tỷ lệ chuyên cần để đưa ra cảnh báo sớm về các học sinh có nguy cơ học lực yếu kém ở học kỳ tiếp theo.
Mở rộng mô hình SaaS đa trường: Cải tiến kiến trúc cơ sở dữ liệu và bảo mật để hỗ trợ mô hình đa trường học (SaaS), cho phép các Phòng/Sở Giáo dục và Đào tạo quản lý tập trung và phân tích so sánh chất lượng giữa nhiều trường học thành viên một cách an toàn.
