THÔNG TIN VỀ LUẬN ÁN TIẾN SĨ
1. Họ và tên nghiên cứu sinh: Nguyễn Hoài Nam 2. Giới tính: Nam
3. Ngày sinh: 27/07/1983 4. Nơi sinh: Hà Nội
5. Quyết định công nhận nghiên cứu sinh số: 2120/QĐ-ĐHGD, ngày 16/12/2020
6. Các thay đổi trong quá trình đào tạo:
- Chỉnh sửa tên đề tài lần 1 thành: “Phát triển mô hình học máy hỗ trợ đánh giá năng lực kỹ thuật số của sinh viên sư phạm”, tại Quyết định số 939/QĐ-ĐHGD ngày 10/6/2022 của Hiệu trưởng Trường Đại học Giáo dục, ĐHQGHN.
- Gia hạn thời gian học tập lần 1 theo Quyết định số 3150/QĐ-ĐHGD ngày 13/12/2023 của Hiệu trưởng Trường Đại học Giáo dục, ĐHQGHN.
- Gia hạn thời gian học tập lần 2 theo Quyết định số 3720/QĐ-ĐHGD ngày 10/12/2024 của Hiệu trưởng Trường Đại học Giáo dục, ĐHQGHN.
- Chỉnh sửa tên đề tài lần 2 thành: “Thiết kế mô hình học máy hỗ trợ đánh giá năng lực số của sinh viên sư phạm”, tại Quyết định số 2456/QĐ-ĐHGD ngày 25/9/2025 của Hiệu trưởng Trường Đại học Giáo dục, ĐHQGHN.
- Chỉnh sửa tên đề tài lần 3 thành: “Ứng dụng Mô hình Markov ẩn và dữ liệu học tập trên hệ thống LMS để hỗ trợ đánh giá năng lực số của sinh viên sư phạm”, tại Quyết định số 3090/QĐ-ĐHGD ngày 09/12/2025 của Hiệu trưởng Trường Đại học Giáo dục, ĐHQGHN.
7. Tên đề tài luận án: Ứng dụng Mô hình Markov ẩn và dữ liệu học tập trên hệ thống LMS để hỗ trợ đánh giá năng lực số của sinh viên sư phạm
8. Chuyên ngành: Lí luận, phương pháp và công nghệ dạy học 9. Mã số: 9140120.01.QTD
10. Cán bộ hướng dẫn khoa học: PGS.TS. Nguyễn Hà Nam và PGS.TS. Lê Kim Long
11. Tóm tắt các kết quả mới của luận án:
- Luận án đã đề xuất một hướng tiếp cận đa chiều trong đánh giá năng lực số bằng việc phát triển khung lý thuyết tích hợp giữa Mô hình Markov ẩn (HMM) với lý thuyết Học tập tự điều chỉnh (SRL) phục vụ việc đánh giá năng lực số. Đây là hướng tiếp cận mới giúp chuyển dịch từ việc đánh giá kết quả tĩnh sang đánh giá tiến trình động, cho phép nhận diện các trạng thái năng lực tiềm ẩn của người học thông qua các dấu vết hành vi số.
- Luận án đã phát triển và chuẩn hóa bộ thang đo năng lực số dành riêng cho sinh viên sư phạm Việt Nam gồm 5 nhân tố với 24 tiêu chí. Thang đo này đã được xác thực bằng phương pháp phân tích nhân tố khám phá (EFA) và khẳng định (CFA) trên mẫu lớn (1.439 sinh viên), cung cấp một thước đo tham chiếu chuẩn mực đảm bảo độ tin cậy và giá trị khoa học để sử dụng trong các nghiên cứu và đánh giá giáo dục.
- Luận án đã hoàn thành thiết lập quy trình học máy (pipeline) HMM-SRL-NLS có khả năng tự động xử lý dữ liệu log từ hệ thống LMS Moodle để phân loại mức độ năng lực số. Điểm mới nổi bật là mô hình học máy ứng dụng HMM không chỉ đạt độ chính xác cao về mặt kỹ thuật mà còn có khả năng diễn giải sư phạm minh bạch, giúp giảng viên hiểu rõ lộ trình chuyển biến năng lực của sinh viên. Mô hình này có tính thực tiễn cao nhờ khả năng tích hợp thành bộ công cụ phần mềm, cho phép thu thập dữ liệu học tập từ hệ thống Moodle, tự động phân tích và tạo báo cáo đánh giá năng lực số theo các tiêu chí đã định.
12. Khả năng ứng dụng trong thực tiễn:
Các kết quả nghiên cứu trong luận án có khả năng ứng dụng nâng cao hiệu quả quản lý, dạy và học cho các đối tượng khác nhau trong môi trường giáo dục, cụ thể là:
- Đối với giảng viên: Mô hình cung cấp công cụ cảnh báo sớm các nhóm sinh viên có nguy cơ thụ động hoặc gặp khó khăn trong môi trường học tập số. Giảng viên có thể dựa vào các vùng lệch giữa tự đánh giá và năng lực thực tế được mô hình chỉ ra để điều chỉnh phương pháp giảng dạy và hỗ trợ kịp thời.
- Đối với quản lý giáo dục: Các trường đại học sư phạm có thể ứng dụng quy trình này vào hệ thống LMS có sẵn để giám sát và đánh giá sự phát triển năng lực số của sinh viên một cách thường xuyên, liên tục mà không làm gián đoạn quá trình học tập.
- Đối với sinh viên: Giúp người học tự nhận thức được trạng thái năng lực thực tế của mình thông qua phản hồi dựa trên dữ liệu, từ đó thúc đẩy kỹ năng học tập tự điều chỉnh trong môi trường số.
13. Những hướng nghiên cứu tiếp theo:
Từ các kết quả nghiên cứu từ luận án, một số hướng nghiên cứu tiếp theo như sau:
- Nghiên cứu áp dụng mô hình trên các nền tảng học tập khác ngoài Moodle và tích hợp thêm các nguồn dữ liệu đa phương thức (như dữ liệu tương tác video, dữ liệu từ các công cụ cộng tác trực tuyến) để tăng độ chính xác của việc nhận diện năng lực.
- Thử nghiệm các biến thể khác của mô hình Markov hoặc kết hợp với các thuật toán học sâu (Deep Learning) để mô hình hóa các lộ trình học tập phức tạp và dài hạn hơn.
- Xây dựng hệ thống hỗ trợ học tập thông minh (Intelligent Tutoring System) dựa trên nền tảng mô hình HMM đã đề xuất, nhằm tự động đưa ra các gợi ý học tập cá nhân hóa phù hợp với từng trạng thái năng lực ẩn của sinh viên trong thời gian thực.
14. Các công trình đã công bố có liên quan đến luận án:
[1] Pham, N., Tiep, P. V., Trang, T. T., Nguyen, H.-N., Choi, G.-S., & Nguyen, H.-N. (2022). Applying advanced machine learning techniques in the early prediction of graduate ability of university students. International Journal of Internet, Broadcasting and Communication, 14(3), 285–291. https://doi.org/10.7236/IJIBC.2022.14.3.285.
[2] Tiến, N. B., Nguyen, H. N., Le, H. H., Trang, T. T., Van Dinh, C., Nguyen, H. N., & Choi, G. S. (2023). Applying Machine Learning approaches to predict High-school Student Assessment scores based on high school transcript records. International Journal of Internet, Broadcasting and Communication, 15(2), 261-267. https://doi.org/10.7236/IJIBC.2023.15.2.261
[3] Vinh, L. A., Lan, D. D., Nam, N. H., Quan, L. Q., Huong, B. T., Hai, N. M., Luan, V. V., Lan, L. A., Chi, V. K., & Hai, L. D. (2025). Khung Năng lực trí tuệ nhân tạo dành cho học sinh phổ thông Việt Nam. Tạp chí Khoa học Giáo dục Việt Nam, 21(7), 1–8.
[4] Nguyễn, H. N., & Nguyễn, H. N. (2025). Phát triển và xác thực thang đo năng lực số của sinh viên sư phạm Việt Nam: nghiên cứu định lượng bằng EFA và CFA. Tạp Chí Giáo dục, 25(23), 47–52.
[5] NAM, N. H, & NAM, N. H., (2025). Suy luận năng lực số ẩn của sinh viên sư phạm từ dấu vết học tập số: Nghiên cứu với Mô hình Markov ẩn và khung lý thuyết học tập tự điều chỉnh. Tạp chí Khoa học Giáo dục Việt Nam, 21(12), 1-10.
[6] Nguyen, H. N., Nguyen, H. N., Ngo, T.T.T. (2026). Survey data on digital competence assessment among pre-service teachers in Vietnam. Data in Brief, 112465. https://doi.org/10.1016/j.dib.2026.112465.
Ngày 11 tháng 02 năm 2026
Nghiên cứu sinh
(Kí và ghi rõ họ tên)
Nguyễn Hoài Nam
INFORMATION ON DOCTORAL THESIS
1. Full name : Nguyen Hoai Nam 2. Sex: Male
3. Date of birth: 27/07/1983 4. Place of birth: Ha Noi
5. Admission decision number: 2120/QĐ-ĐHGD Dated 16/12/2020
6. Changes in academic process:
- First revision of the thesis title to: "Developing a machine learning model to support the assessment of digital skills for pre-service teachers," pursuant to Decision No. 939/QD-DHGD dated June 10, 2022, issued by the Rector of the University of Education, VNU.
- First extension of the study period pursuant to Decision No. 3150/QD-DHGD dated 13/12/2023 issued by the Rector of the University of Education, VNU.
- Second extension of the study period pursuant to Decision No. 3720/QD-DHGD dated 10/12/2024 issued by the Rector of the University of Education, VNU.
- Second revision of the thesis title to: "Designing a machine learning model to support the assessment of digital competence for pre-service teachers," pursuant to Decision No. 2456/QD-DHGD dated 25/9/2025 issued by the Rector of the University of Education, VNU.
- Third revision of the thesis title to: "Application of Hidden Markov Models and LMS learning data to support the assessment of pre-service teachers' digital competence," pursuant to Decision No. 3090/QD-DHGD dated 09/12/2025 issued by the Rector of the University of Education, VNU.
7. Official thesis title: Application of Hidden Markov Models and LMS learning data to support the assessment of pre-service teachers' digital competency
8. Major: Theory, Methodology and Technology of Teaching 9. Code: 9140120.01.QTD
10. Supervisors: Assoc. Prof. Dr. Nguyen Ha Nam and Assoc. Prof. Dr. Le Kim Long
11. Summary of the new findings of the thesis:
- The thesis proposes a multidimensional approach to digital competence assessment by developing an integrated theoretical framework that combines Hidden Markov Models (HMM) with Self-Regulated Learning (SRL) theory. This novel approach enables a shift from static outcome-based assessment to dynamic process-based assessment, allowing for the identification of learners' latent competency states through digital behavioral traces.
- The thesis developed and standardized a digital competence scale specifically for Vietnamese pre-service teachers, consisting of 5 factors and 24 criteria. This scale was validated using Exploratory Factor Analysis (EFA) and Confirmatory Factor Analysis (CFA) on a large sample (1,439 students), providing a standardized reference measure that ensures scientific reliability and validity for use in educational research and assessment.
- The thesis successfully established a machine learning pipeline (HMM-SRL-NLS) capable of automatically processing log data from the Moodle LMS to classify digital competence levels. A standout innovation is that the HMM-based machine learning model not only achieves high technical accuracy but also offers transparent pedagogical interpretability, helping instructors understand the transition paths of students' competencies. This model is highly practical as it can be integrated into a software toolkit, allowing for the collection of learning data from Moodle, automated analysis, and the generation of digital competence assessment reports based on predefined criteria.
12. Practical applicability, if any:
The research results of the thesis have the potential to be applied to enhance the effectiveness of management, teaching, and learning for various stakeholders in the educational environment, specifically:
- For instructors: The model provides a tool for the early identification of student groups at risk of passivity or struggling in digital learning environments. Based on the "discrepancy zones" between self-assessment and actual competence identified by the model, instructors can adjust their teaching methods and provide timely support.
- For educational management: Pedagogical universities can integrate this pipeline into existing LMS platforms to monitor and evaluate the development of students' digital competence regularly and continuously without disrupting the learning process.
- For students: It helps learners become aware of their actual competency status through data-driven feedback, thereby fostering self-regulated learning skills in digital environments.
13. Further research directions, if any:
Based on the research findings of the thesis, several directions for future research are proposed as follows
- Applying the model to learning platforms other than Moodle and integrating multimodal data sources (such as video interaction data and online collaboration tool data) to increase the accuracy of competence identification.
- Experimenting with other variants of Markov models or combining them with Deep Learning algorithms to model more complex and long-term learning trajectories.
- Building an Intelligent Tutoring System (ITS) based on the proposed HMM framework to automatically provide personalized learning suggestions tailored to each student's latent competency state in real-time.
14. Thesis-related publications:
[1] Pham, N., Tiep, P. V., Trang, T. T., Nguyen, H.-N., Choi, G.-S., & Nguyen, H.-N. (2022). Applying advanced machine learning techniques in the early prediction of graduate ability of university students. International Journal of Internet, Broadcasting and Communication, 14(3), 285–291. https://doi.org/10.7236/IJIBC.2022.14.3.285.
[2] Tiến, N. B., Nguyen, H. N., Le, H. H., Trang, T. T., Van Dinh, C., Nguyen, H. N., & Choi, G. S. (2023). Applying Machine Learning approaches to predict High-school Student Assessment scores based on high school transcript records. International Journal of Internet, Broadcasting and Communication, 15(2), 261-267. https://doi.org/10.7236/IJIBC.2023.15.2.261
[3] Vinh, L. A., Lan, D. D., Nam, N. H., Quan, L. Q., Huong, B. T., Hai, N. M., Luan, V. V., Lan, L. A., Chi, V. K., & Hai, L. D. (2025). Khung Năng lực trí tuệ nhân tạo dành cho học sinh phổ thông Việt Nam. Tạp chí Khoa học Giáo dục Việt Nam, 21(7), 1–8.
[4] Nguyễn, H. N., & Nguyễn, H. N. (2025). Phát triển và xác thực thang đo năng lực số của sinh viên sư phạm Việt Nam: nghiên cứu định lượng bằng EFA và CFA. Tạp Chí Giáo dục, 25(23), 47–52.
[5] NAM, N. H, & NAM, N. H., (2025). Suy luận năng lực số ẩn của sinh viên sư phạm từ dấu vết học tập số: Nghiên cứu với Mô hình Markov ẩn và khung lý thuyết học tập tự điều chỉnh. Tạp chí Khoa học Giáo dục Việt Nam, 21(12), 1-10.
[6] Nguyen, H. N., Nguyen, H. N., Ngo, T.T.T. (2026). Survey data on digital competence assessment among pre-service teachers in Vietnam. Data in Brief, 112465. https://doi.org/10.1016/j.dib.2026.112465.
Date: 11/02/2026
Signature:
Full name: Nguyen Hoai Nam
