Learner Model: 8-Layer Structure
Learner Model của chúng ta được chia thành 8 tầng dữ liệu và logic tích hợp từ cơ bản đến nâng cao. Mỗi tầng giải quyết một khía cạnh cụ thể về thông tin, năng lực, hành vi và dự đoán của người học.
Layer 1: Identity (Identity & Context)
Đây là tầng cơ bản nhất, lưu trữ metadata hành chính của người học. Tầng này không mang tính chất suy luận thông minh (intelligence) mà đóng vai trò cung cấp ngữ cảnh nền tảng.
- Các thuộc tính lưu trữ:
- Mã người học (Learner ID).
- Chương trình/Khóa học đang tham gia (Program/Course).
- Mục tiêu hiện tại (Current Goal).
- Múi giờ (Timezone) và Ngôn ngữ sử dụng (Language).
Layer 2: Competency State
Tầng quan trọng nhất để đánh giá kỹ năng thực tế của người học đối chiếu với Khung năng lực tiêu chuẩn.
- Mỗi competency (năng lực) sẽ bao gồm:
- Estimated Level (Level ước lượng): Ví dụ
Level 2.8. - Confidence (Độ tự tin của AI vào đánh giá này): Ví dụ
81%. - Evidence Count (Số lượng bằng chứng thu thập được).
- Trend (Xu hướng phát triển): Đang đi lên (Increasing), đi ngang (Stable) hay đi xuống (Decreasing).
- Gap (Khoảng cách năng lực cần bù đắp để đạt mục tiêu).
- Estimated Level (Level ước lượng): Ví dụ
Layer 3: Knowledge Graph
Không chỉ đo lường điểm số hay level, hệ thống cần biết chính xác người học đã thấu hiểu và kết nối những khái niệm nào.
- Cấu trúc dạng Đồ thị (Graph): Các khái niệm liên kết chặt chẽ với nhau thông qua quan hệ điều kiện tiên quyết (prerequisites).
- Ví dụ luồng tri thức:Nếu người học đã hiểu rõ khái niệm JTBD và Functional Job nhưng chưa nắm vững Customer Segment, hệ thống sẽ định vị được lỗ hổng kiến thức chính xác để không vội vã gợi ý học sang Value Proposition.
JTBD (Jobs-to-be-done) ──> Functional Job ──> Customer Segment ──> Value Proposition
Layer 4: Evidence Graph
Đây là gốc rễ của mọi kết luận năng lực. Level hay điểm số của người học chỉ có giá trị khi có bằng chứng thực tế chứng minh.
- Cơ chế liên kết: AI luôn trả lời được câu hỏi "Tại sao tôi tin người học ở Level X?" bằng cách truy vết lại các mắt xích bằng chứng trong đồ thị.
- Ví dụ luồng bằng chứng:
[Kỹ năng: Website Quality] │ ▼ (được chứng minh bởi) [Task 4 Nộp bài] │ ├──> [Website URL thực tế] ──> [Rubric chấm điểm tự động] ├──> [Mentor Review & Đánh giá] ├──> [Điểm số Quiz liên quan] └──> [Reflection - Bài tự phản hồi của học viên]
Layer 5: Misconception Graph
Học viên thường không chỉ trả lời "Sai", mà họ trả lời sai vì có những hiểu lầm cốt lõi trong tư duy. Hệ thống cần định nghĩa các ngộ nhận cụ thể để sửa đổi tận gốc.
- Lưu trữ ngộ nhận dưới dạng:
- Misconception ID (Ví dụ:
Lầm tưởng JTBD = Persona). - Strength (Độ bám rễ của ngộ nhận trong tư duy học viên).
- Confidence (Mức độ chắc chắn của AI về sự tồn tại của ngộ nhận này).
- Evidence (Các câu trả lời sai hoặc hành động thực tế dẫn đến kết luận này).
- Misconception ID (Ví dụ:
- Mục tiêu: Hỗ trợ AI đưa ra phản hồi mang tính sư phạm: "Bạn sai vì bạn đang nghĩ X là Y, hãy thử tiếp cận theo cách..." thay vì chỉ báo "Sai rồi".
Layer 6: Learning Behaviour
Tầng này lưu trữ các thói quen, phong cách và đặc điểm học tập được AI học hỏi và đúc kết dần qua thời gian.
- Ví dụ hành vi được phát hiện:
- Thích học ban đêm (Night learner).
- Học tốt nhất qua ví dụ thực hành mẫu (Worked examples) thay vì xem video.
- Hay hỏi trợ lý AI cứu trợ nhưng ít khi tự đọc kỹ feedback của Mentor.
- Ứng dụng: AI tự động điều chỉnh chiến lược tương tác (Ví dụ: Gửi tin nhắn nhắc nhở (Reminder) vào lúc 8h tối giúp tăng tỷ lệ hoàn thành nhiệm vụ lên 18%).
Layer 7: Current Cognitive State
Đây là trạng thái nhận thức mang tính chất nhất thời, thay đổi liên tục theo từng ngày hoặc từng phiên học.
- Ví dụ trạng thái:
- Nhiệm vụ hiện tại:
Deploy Website lên Cloudflare Pages. - Tình trạng:
Blocked(Bị tắc nghẽn). - Nguyên nhân cụ thể:
Lỗi DNS / Cấu hình Record. - Nhu cầu hiện tại:
Cần gợi ý từng bước (Needs Hint).
- Nhiệm vụ hiện tại:
- Trạng thái này sẽ biến mất hoặc chuyển đổi ngay khi người học giải quyết xong blocker trong phiên học tiếp theo.
Layer 8: Prediction (AI Prediction Layer)
Đây là tầng thể hiện rõ nhất sức mạnh của Trí tuệ nhân tạo. AI không chỉ quan sát lịch sử mà đưa ra các dự báo mang tính chủ động.
- Các chỉ số dự báo:
- Dropout Risk (Nguy cơ bỏ học): Ví dụ
72%(Cần can thiệp khẩn cấp). - Estimated Completion (Thời gian dự kiến hoàn thành): Ví dụ
Ngày mai với xác suất 89%. - Task Difficulty Estimation (Độ khó của nhiệm vụ hiện tại đối với riêng học viên này): Ví dụ
Too Hard(Quá khó so với năng lực hiện tại).
- Dropout Risk (Nguy cơ bỏ học): Ví dụ
- Ứng dụng: Kích hoạt các luồng tự động can thiệp (chủ động gợi ý tài liệu bổ trợ, hạ độ khó bài tập hoặc thông báo cho Mentor hỗ trợ trực tiếp).