3.2. Đánh giá năng lực bằng BKT

Hệ thống sử dụng Bayesian Knowledge Tracing để theo dõi xác suất sinh viên đã hiểu từng topic. Với mỗi câu trả lời đúng/sai, hệ thống cập nhật p_know, tức xác suất sinh viên đã nắm vững chủ đề đó.

Mỗi topic có các tham số:

• p_init: xác suất ban đầu sinh viên đã biết topic.
• p_transit: xác suất sinh viên học được sau một lượt làm bài.
• p_slip: xác suất trả lời sai dù đã biết.
• p_guess: xác suất trả lời đúng do đoán.

Sau khi cập nhật, hệ thống phân loại topic thành các mức như:

• weak: còn yếu.
• average: trung bình.
• good: khá.
• very_good: tốt.
• excellent: thành thạo.

Nhờ đó, hệ thống có thể xác định chính xác topic nào cần được ưu tiên ôn tập.

3.3. Lập lịch ôn tập bằng FSRS

Sau khi BKT xác định mức độ thành thạo, hệ thống dùng FSRS để lập lịch ôn tập theo đường cong quên. FSRS giúp quyết định khi nào sinh viên nên ôn lại một topic để tối ưu khả năng ghi nhớ.

Các topic yếu hoặc trung bình sẽ được đưa vào lịch ôn tập sớm hơn. Các topic đã tốt hoặc thành thạo có thể được đánh dấu là optional, tức không bắt buộc ôn ngay nhưng vẫn có thể được gợi ý nếu đã lâu chưa học lại.

FSRS lưu các thông tin như:

• difficulty: độ khó của topic với sinh viên.
• stability: độ bền trí nhớ.
• retrievability: khả năng còn nhớ tại thời điểm hiện tại.
• due_at: thời điểm cần ôn lại.
• reps: số lần đã ôn.

3.4. Sinh nội dung học bằng RAG

Khi sinh viên chọn một topic cần ôn, hệ thống không sinh nội dung một cách ngẫu nhiên mà sử dụng RAG để truy xuất tài liệu giáo trình liên quan trước. Pipeline xử lý gồm:

1. Biến đổi câu hỏi hoặc topic thành các truy vấn phù hợp.
2. Truy xuất tài liệu bằng hybrid search, kết hợp semantic search và BM25.
3. Gộp kết quả bằng RRF fusion.
4. Rerank để chọn các đoạn tài liệu liên quan nhất.
5. Dùng LLM sinh nội dung học dựa trên tài liệu đã truy xuất.

Kết quả trả về là một gói học tập gồm:

• Bài lý thuyết theo topic.
• Flashcard ôn tập.
• Quiz kiểm tra nhanh.
• Gợi ý lịch ôn tập tiếp theo.

3.5. Trợ lý AI hỏi đáp

Sản phẩm có chatbot AI hỗ trợ sinh viên đặt câu hỏi tự do về kiến thức bài học. Chatbot sử dụng RAG để trả lời dựa trên tài liệu giáo trình, giúp câu trả lời bám sát nội dung môn học hơn so với việc chỉ dùng LLM thông thường.

Chatbot hỗ trợ streaming response, tức câu trả lời được hiển thị dần theo thời gian thực, tạo trải nghiệm tự nhiên hơn cho người dùng.

3.6. Hỗ trợ Markdown

Hệ thống hỗ trợ hiển thị nội dung Markdown trong cả bài học và chatbot. Frontend sử dụng react-markdown kết hợp remark-gfm, cho phép render các định dạng như:

• Heading.
• Danh sách.
• Bảng.
• Code inline và code block.
• Blockquote.
• Link.
• Chữ đậm, chữ nghiêng.

Điều này rất phù hợp với nội dung học tập do AI sinh ra, đặc biệt với các môn CNTT cần hiển thị công thức, đoạn code, bảng so sánh và cấu trúc kiến thức rõ ràng.

4. Tính khả thi

Sản phẩm có tính khả thi cao vì các thành phần cốt lõi đã được triển khai trong project:

• Đã có frontend React với các trang như dashboard, quiz, study plan, lesson và chatbot.
• Đã có AI service FastAPI với các router cho BKT, FSRS, content generation, Q&A và exam generation.
• Đã có MongoDB repository để đọc bài làm, topic và lưu trạng thái học tập từng sinh viên.
• Đã có thuật toán BKT để cập nhật năng lực theo từng topic.
• Đã có thuật toán FSRS để lập lịch ôn tập.
• Đã có RAG pipeline gồm ingestion, embedding, retrieval, reranking và generation.
• Đã có hỗ trợ Markdown cho nội dung học tập và chatbot.
• Đã có Dockerfile, docker-compose và test cho một số module quan trọng.

Về dữ liệu, hệ thống đã định hướng cho 5 môn học CNTT phổ biến: Cấu trúc dữ liệu và giải thuật, Cơ sở dữ liệu, Mạng máy tính, Hệ điều hành và Lập trình hướng đối tượng. Đây là nhóm môn có cấu trúc topic rõ ràng, phù hợp để áp dụng BKT, FSRS và RAG.

5. Hướng phát triển

Trong tương lai, sản phẩm có thể phát triển theo các hướng sau:

1. Hoàn thiện dashboard học tập cá nhân hóa, hiển thị tiến độ, topic yếu, lịch ôn và xu hướng cải thiện của sinh viên.

2. Mở rộng ngân hàng câu hỏi và chuẩn hóa taxonomy topic cho nhiều môn học hơn.

3. Cải thiện chất lượng RAG bằng cách tối ưu chunking, metadata, reranking và kiểm tra hallucination.

4. Thêm cơ chế citation để câu trả lời của AI chỉ rõ nguồn trong giáo trình.

5. Cá nhân hóa nội dung sâu hơn theo năng lực, lịch sử học và mục tiêu điểm số của từng sinh viên.

6. Bổ sung hệ thống nhắc lịch ôn tập qua email, notification hoặc calendar.

7. Tích hợp tài khoản người dùng, phân quyền sinh viên/giảng viên và lưu lịch sử học tập dài hạn.

8. Xây dựng giao diện cho giảng viên để theo dõi thống kê lớp học, phát hiện topic nhiều sinh viên đang yếu.

9. Đánh giá hiệu quả thực tế bằng thực nghiệm với sinh viên, so sánh giữa ôn tập truyền thống và ôn tập theo lộ trình AI.

10. Tối ưu triển khai production với logging, monitoring, rate limit, caching và bảo mật API key.

11. Kết luận

Sản phẩm giải quyết một vấn đề thực tế trong học tập: sinh viên thường ôn tập không đúng trọng tâm và không biết rõ năng lực của bản thân theo từng chủ đề. Bằng cách kết hợp BKT để đánh giá mức độ hiểu bài, FSRS để lập lịch ôn tập và RAG/AI để sinh nội dung học tập, hệ thống tạo ra một vòng lặp học tập cá nhân hóa: đánh giá, phát hiện điểm yếu, ôn đúng nội dung, kiểm tra lại và tiếp tục điều chỉnh lộ trình.

Đây không chỉ là một chatbot học tập, mà là một nền tảng hỗ trợ ôn tập thông minh có khả năng theo dõi tiến bộ và đưa ra kế hoạch học phù hợp với từng sinh viên.