1.3. Nhu cầu số hóa và quản trị tài nguyên của nhà trường

Ở cấp quản lý (Ban Giám hiệu, Tổ trưởng chuyên môn), các nhà trường đang thiếu hụt nghiêm trọng một hệ thống quản lý tập trung kho tài nguyên chất xám. Đề thi và câu hỏi của giáo viên thường lưu rời rạc trong máy tính cá nhân hoặc file Word gửi qua email. Điều này dẫn đến:

• Lãng phí tài nguyên giáo dục qua các năm (không tái sử dụng được câu hỏi tốt).
• Khó kiểm soát chất lượng chuyên môn một cách đồng bộ và khách quan.
• Dễ xảy ra hiện tượng trùng lặp nội dung hoặc lệch ma trận kiến thức do cảm tính của người ra đề.

2. GIẢI PHÁP KỸ THUẬT (TECHNICAL SOLUTION)

Quizify giải quyết triệt để bài toán trên bằng cách xây dựng một hệ thống Web Application thông minh, ứng dụng kiến trúc Agentic RAG (Retrieval-Augmented Generation) kết hợp với các mô hình Vision LLM tiên tiến nhất hiện nay, hoạt động theo cơ chế phối hợp người và máy (Human-in-the-loop).

[Học liệu SGK/PDF] ──> [Vision LLM (OCR/LaTeX)] ──> [PostgreSQL / pgvector]
                                                               │
[Yêu cầu từ GV]    ──> [Agentic RAG & Prompts]   ──> [Hybrid Search & Rerank]
                                                               │
[Đề thi nháp]      ──> [Anti-Hallucination Guard] ──> [Review UI (Human-in-the-loop)]
                                                               │
[Xuất bản]         <── [python-docx / Office Math] <── [Ngân hàng câu hỏi (Metadata)]

2.1. Kiến trúc phân tầng và Tech Stack lựa chọn

• Frontend: Phát triển trên nền tảng React 18 và Vite 6 cho tốc độ phản hồi giao diện tối ưu, giao diện hiện đại đồng bộ qua Tailwind CSS 4 và shadcn/ui. Để giải quyết bài toán hiển thị công thức toán học thời gian thực, hệ thống tích hợp KaTeX, giúp render toàn bộ mã $LaTeX$ lập tức ngay khi giáo viên chỉnh sửa.
• Backend: Xây dựng bằng FastAPI (Python) nhằm tối ưu hiệu năng xử lý bất đồng bộ (Asynchronous) và xử lý dữ liệu nặng. Sử dụng kết hợp LangChain và LangGraph để thiết kế các luồng xử lý dạng Agent (Agentic workflows), cho phép hệ thống tự sửa đổi, tự duyệt và sinh bù câu hỏi một cách thông minh.
• Cơ sở dữ liệu & Hạ tầng: PostgreSQL kết hợp tiện ích mở rộng pgvector (triển khai trên Supabase) đóng vai trò lưu trữ đồng thời cả dữ liệu quan hệ truyền thống (thông tin người dùng, đề thi, metadata câu hỏi) lẫn dữ liệu vector nhúng (embeddings) của học liệu.
• Lõi AI Models: Hệ thống sử dụng kiến trúc đa mô hình (Multi-model):
  • Gemini 2.0 Flash: Mô hình mặc định nhờ tốc độ xử lý vượt trội, ngữ cảnh lớn và khả năng hiểu hình ảnh (Vision) cực tốt cho tác vụ OCR và RAG.
  • Pixtral-12b: Chuyên biệt hóa cho việc đọc và trích xuất cấu trúc các tài liệu chứa nhiều sơ đồ, công thức.
  • GPT-4o-mini: Đóng vai trò Agent phụ trợ, thực hiện chấm điểm logic và rà soát lỗi chéo.
  • Cohere rerank-v3.5: Tối ưu hóa việc xếp hạng lại kết quả tìm kiếm ngữ cảnh.

2.2. Các Module xử lý kỹ thuật cốt lõi

a. Module Tiền xử lý dữ liệu & OCR nâng cao (Data Ingestion Pipeline)

Để AI không bịa nội dung, hệ thống buộc phải đọc hiểu chính xác Sách giáo khoa (SGK) gốc hoặc tài liệu do giáo viên tải lên. Quy trình diễn ra như sau:

1. File PDF tài liệu được chuyển đổi thành chuỗi hình ảnh độ phân giải cao bằng thư viện PyMuPDF và tối ưu bằng opencv-python.
2. Hệ thống đưa các trang ảnh này qua Vision LLM (Gemini 2.0 Flash / Pixtral) để thực hiện OCR toàn trang. Thay vì trả về văn bản thô (Plain text) làm mất định dạng cấu trúc, mô hình được cấu hình để trích xuất ra định dạng Markdown chuẩn, trong đó các biểu thức toán học và khoa học bắt buộc phải nằm trong các thẻ $LaTeX$ (ví dụ: $$\int_{a}^{b} f(x) dx$$).

b. Module Lõi RAG tối ưu hóa (Advanced RAG Retrieval)

Khi giáo viên yêu cầu tạo đề thi về một chủ đề cụ thể, hệ thống không gửi trực tiếp yêu cầu cho LLM mà thực hiện cơ chế tìm kiếm tăng cường (RAG):

• Toàn bộ tài liệu SGK đã số hóa được chia nhỏ thành các đoạn văn (Chunks) và lưu vào kho lưu trữ thông qua file cấu hình điều phối pg_chunk_store.py.
• Hệ thống áp dụng công nghệ Hybrid Search – kết hợp giữa tìm kiếm từ khóa truyền thống (BM25) và tìm kiếm ngữ nghĩa theo khoảng cách Vector (Dense Vector Cosine Similarity) sử dụng model text-embedding-004.
• Kết quả tìm kiếm từ hai phương thức được trộn lại bằng thuật toán Reciprocal Rank Fusion (RRF) và đưa qua tầng tái xếp hạng Cohere Rerank v3.5. Những đoạn văn bản chuẩn xác nhất từ SGK sẽ được đính kèm vào Context của Prompt để cung cấp cho mô hình sinh đề, triệt tiêu khả năng AI sinh sai kiến thức nền tảng.

c. Module Kiểm soát chất lượng & Chống ảo giác (Anti-Hallucination Guardrails)

Hệ thống thiết lập một quy trình xác thực tự động (Validation Layer) chạy ngầm trước khi hiển thị câu hỏi cho giáo viên:

• Kiểm tra ma trận tự động: Thuật toán tự động phân tích cấu trúc bộ câu hỏi vừa sinh ra để so khớp với bảng JSON ma trận tỷ lệ (NB-TH-VD) mà giáo viên yêu cầu ban đầu. Nếu phát hiện thiếu hụt (ví dụ: thiếu 1 câu Vận dụng), hệ thống tự động kích hoạt một Agent phụ gọi lệnh sinh bù đúng chủ đề và mức độ đó.
• Xác thực logic câu hỏi: Sử dụng một prompt kiểm duyệt độc lập (Guardrail Prompt) để bắt buộc AI kiểm tra lại: Đề bài có bị thiếu dữ kiện không? Có chính xác là chỉ có duy nhất 1 đáp án đúng trong 4 phương án không? Phần lời giải chi tiết có dẫn dắt logic đến đáp án cuối cùng không?
• Lọc trùng lặp: Hệ thống tính toán khoảng cách Cosine giữa vector của câu hỏi mới và các câu hỏi đã có trong ngân hàng câu hỏi để đưa ra cảnh báo nếu độ tương đồng vượt quá mức cấu hình (ví dụ: tương đồng trên 85%).

d. Module Quản lý Ngân hàng câu hỏi & Định danh Metadata

Những câu hỏi sau khi được giáo viên phê duyệt sẽ được đồng bộ trực tiếp vào hệ sinh thái dữ liệu chung. Để phục vụ việc tái sử dụng hiệu quả, mỗi câu hỏi được gắn một nhãn cấu trúc dữ liệu phức tạp (Rich Metadata Indexing) bao gồm: Mã môn học, khối lớp, chương/chủ đề kiến thức, dạng câu hỏi (Trắc nghiệm/Đúng sai/Điền từ), mức độ nhận thức, nguồn học liệu gốc, và lịch sử số lần đã được sử dụng trong các đề thi trước đó.

e. Module Kết xuất layout & Hoán vị mã đề (Multi-Code Export Pipeline)

• Xáo trộn thông minh: Hệ thống hỗ trợ hoán vị thứ tự câu hỏi và thứ tự các phương án lựa chọn độc lập để sinh ra nhiều mã đề thi khác nhau (ví dụ: Mã đề 101, 102, 103, 104). Cơ sở dữ liệu đảm bảo ánh xạ (Mapping) chính xác bảng đáp án tương ứng với từng mã đề để giáo viên thuận tiện chấm bài.
• Xuất file chuẩn in ấn: Sử dụng thư viện python-docx để tạo file Word .docx và PDF. Điểm đặc biệt là mã $LaTeX$ của câu hỏi được hệ thống chuyển đổi trực tiếp sang cấu trúc mã XML Office Math nguyên bản của Microsoft Word. Nhờ đó, giáo viên khi tải file về máy có thể mở bằng MS Word và chỉnh sửa công thức toán học một cách trực quan, hoàn toàn không bị lỗi hiển thị hay vỡ khung hình.
• Tự động vẽ hình: Tích hợp pipeline chuyên biệt (diagram_planner / figure_renderer), khi câu hỏi yêu cầu các hình vẽ toán học cơ bản (như đồ thị hàm số bậc 3, hình chóp, hình lập phương), hệ thống sẽ tự động sinh mã lập trình đồ họa để render ra ảnh vector sắc nét chèn vào file Word, thay vì để AI tạo hình tự do dễ bị méo hoặc sai lệch thông số hình học.

3. TÍNH KHẢ THI CỦA DỰ ÁN (FEASIBILITY ANALYSIS)

3.1. Tính khả thi về mặt Công nghệ (Technical Feasibility)

• Tận dụng SOTA API thay vì tự huấn luyện: Dự án không chọn hướng đi tốn kém là tự huấn luyện (Fine-tune) lại một mô hình ngôn ngữ lớn từ đầu vốn đòi hỏi chi phí phần cứng siêu máy tính và thời gian dài. Thay vào đó, việc sử dụng các API thương mại hàng đầu thế giới (Gemini, GPT) kết hợp với kiến trúc RAG bản địa hóa là một hướng đi cực kỳ khôn ngoan, tiết kiệm chi phí và có thể triển khai thực tế ngay lập tức trong vòng 6 tuần.
• Hạ tầng Cloud đồng bộ: Toàn bộ hệ thống Backend, Database, Vector DB và Storage được quản lý tập trung qua dịch vụ Cloud của Supabase giúp giảm thiểu tối đa công sức bảo trì hệ thống và đảm bảo khả năng mở rộng (Scalability) khi lượng người dùng tăng cao trong các đợt cao điểm thi cử.

3.2. Tính khả thi về mặt Trải nghiệm người dùng (User Adoption Feasibility)

• Triết lý "Human-in-the-loop": Dự án xác định rõ ràng nguyên tắc cốt lõi: AI chỉ đóng vai trò trợ lý giảm tải sức lao động hành chính, không thay thế vai trò quyết định của nhà giáo. Giáo viên luôn là người kiểm duyệt cuối cùng, được quyền chỉnh sửa trực tiếp nội dung trên giao diện Editor trực quan. Điều này giúp gạt bỏ rào cản tâm lý lo ngại tính chính xác của công nghệ và dễ dàng được các nhà trường chấp nhận đưa vào quy trình làm việc chính thức.
• Giao diện tối giản (Low Learning Curve): Hệ thống được thiết kế hướng tới những giáo viên không có nền tảng công nghệ cao. Chỉ với các thao tác nhập form cơ bản, kéo chọn thanh trượt tỷ lệ ma trận và nhấn nút, hệ thống sẽ tự động vận hành toàn bộ các quy trình AI phức tạp phía sau.

3.3. Chỉ số thành công đo lường được (Success Metrics)

Tính khả thi của MVP được minh chứng bằng hệ thống chỉ số mục tiêu rõ ràng và thực tế:

• Thời gian soạn đề: Giảm đáng kể từ 1 - 4 giờ xuống chỉ còn 5 - 10 phút/đề (bao gồm cả thời gian giáo viên đọc duyệt và xuất file).
• Tốc độ phản hồi (Latency): Thời gian xử lý RAG và trả về gói câu hỏi bản nháp ban đầu dưới 15 giây cho mỗi lượt yêu cầu.
• Tỷ lệ sử dụng ngay: Ít nhất 80% số câu hỏi do hệ thống AI sinh ra đạt chất lượng chuyên môn để giáo viên có thể dùng ngay hoặc chỉ cần chỉnh sửa câu chữ rất nhẹ.
• Độ ổn định định dạng: 100% file Word/PDF xuất ra không bị vỡ layout, công thức toán hiển thị đồng bộ dưới dạng Office Math.

4. HƯỚNG PHÁT TRIỂN TRONG TƯƠNG LAI (FUTURE DEVELOPMENT)

Sau khi hoàn thiện và tối ưu hóa phiên bản MVP chạy ổn định luồng tính năng cốt lõi, Quizify có lộ trình mở rộng dài hạn nhằm xây dựng một hệ sinh thái EdTech toàn diện:

4.1. Mở rộng thành Nền tảng B2B Enterprise cho Nhà trường

Dự án sẽ nâng cấp từ một công cụ hỗ trợ giáo viên cá nhân thành một giải pháp phần mềm quản trị tổng thể (SaaS Enterprise) cung cấp trực tiếp cho các trường học, cụm trường hoặc Sở Giáo dục:

• Quản trị kho tài nguyên tập trung (Admin Dashboard): Xây dựng phân hệ nâng cao dành riêng cho Ban giám hiệu hoặc Quản trị viên của trường. Cấp quản lý có quyền upload, chuẩn hóa và quản lý tập trung kho tài liệu SGK gốc, giáo trình nội bộ trường, cũng như thiết lập các cấu hình ma trận đề thi mẫu dùng chung cho toàn trường để đảm bảo tính đồng bộ kiến thức.
• Quy trình kiểm duyệt đa tầng (Approval Workflow): Tích hợp luồng phê duyệt đề thi chặt chẽ và chuyên nghiệp hóa quy trình làm việc của nhà trường.
  • Luồng xử lý: Giáo viên bộ môn soạn đề bằng AI ──> Nhấn "Gửi yêu cầu duyệt" ──> Tổ trưởng chuyên môn / Ban giám hiệu nhận thông báo, tiến hành review, đánh giá chất lượng và "Duyệt" (Approve) hoặc "Yêu cầu sửa lại" (Reject) ngay trên hệ thống.
  • Lợi ích: Tính năng này giúp minh bạch hóa quy trình ra đề, đảm bảo tính pháp lý của đề kiểm tra và kiểm soát tuyệt đối chất lượng chuyên môn trước khi đề được in ấn, phát hành cho học sinh khối/lớp.

4.2. Mở rộng tính năng chuyên sâu về AI

• Hỗ trợ chấm điểm và đánh giá tự luận thông minh: Phát triển module cho phép học sinh tải ảnh chụp bài làm tự luận (đặc biệt là môn Ngữ Văn hoặc các bài tập lập luận Toán lý hóa dài). Hệ thống sẽ ứng dụng Vision LLM để đọc chữ viết tay, đối chiếu với đáp án hướng dẫn chấm của giáo viên để đưa ra điểm số dự kiến kèm nhận xét chi tiết từng bước sai sót của học sinh.
• Làm chủ công nghệ nguồn với Open-source LLM: Tiến hành thu thập dữ liệu đề thi chuẩn hóa thu được từ hệ thống, thực hiện Fine-tune (huấn luyện tinh chỉnh) các mô hình ngôn ngữ mã nguồn mở có kích thước vừa phải (như Llama-3-8b, Qwen-2.5-7b) chuyên biệt cho ngôn ngữ và chương trình giáo dục Việt Nam. Mục tiêu là chạy độc lập trên máy chủ riêng của nhà trường hoặc quốc gia, giảm chi phí gọi API bên thứ ba và bảo mật tuyệt đối dữ liệu giáo dục.

4.3. Mở rộng Hệ sinh thái và Tích hợp hệ thống (System Integration)

• Cổng làm bài trực tuyến cho Học sinh (Student Portal): Xây dựng thêm phân hệ dành cho học sinh. Giáo viên sau khi chốt đề trên Quizify có thể phát đề trực tuyến ngay trên hệ thống. Học sinh đăng nhập bằng tài khoản trường, làm bài trắc nghiệm realtime, hệ thống tự động khóa đề khi hết giờ và chấm điểm tự động, trả kết quả tức thì.
• Tích hợp sâu vào các LMS trường học: Phát triển các gói plugin/API để tích hợp Quizify đồng bộ dữ liệu trực tiếp với các hệ thống quản trị học tập phổ biến hiện nay như Moodle, Canvas, Microsoft Teams, hoặc Google Classroom, giúp nhà trường không phải thay đổi thói quen quản lý cũ.

4.4. Ứng dụng Phân tích dữ liệu lớn (Learning Analytics & Cá nhân hóa)

• Bản đồ hóa lỗ hổng kiến thức: Dựa trên lịch sử làm bài và thống kê kết quả của học sinh theo từng mục tiêu ma trận (NB-TH-VD), AI của hệ thống sẽ tự động phân tích và vẽ biểu đồ năng lực của từng cá nhân hoặc tập thể lớp. Hệ thống sẽ chỉ ra chính xác: "Học sinh A đang bị hổng kiến thức phần Tích phân ở mức độ Thông hiểu" hoặc "Lớp 12A1 đang yếu phần Vận dụng hình học không gian".
• Gợi ý phiếu bài tập cá nhân hóa: Từ bản đồ lỗ hổng kiến thức nói trên, hệ thống tự động truy vấn ngân hàng câu hỏi để sinh ra các phiếu bài tập ôn tập cá nhân hóa (Personalized Remediation) gửi riêng cho từng học sinh, giúp các em tự bổ sung đúng phần kiến thức còn yếu, tối ưu hóa hiệu quả học tập.