Hội nghị Khoa học Nghiên cứu sinh Công nghệ Thông tin, 2012
-----------------------------------------------------------------------------------------------------------


Hội nghị Khoa học Nghiên cứu sinh Công nghệ Thông tin, 2012
-----------------------------------------------------------------------------------------------------------


Các Phương pháp Lập luận và
Tích hợp Ontology Mờ
Trương Hải Bằng
Trường Đại học Công nghệ Thông tin, Đại học quốc gia TP.HCM


Tóm tắt. Ontology có vai trò quan trọng trong việc tổ chức và quản lý tri thức
ở các lĩnh vực nghiên cứu và ứng dụng khác nhau. Tri thức Ontology đã thu hút
sự quan tâm nghiên cứu của các nhà khoa học trên thế giới. Tuy nhiên, khái
niệm ontology truyền thống còn thiếu khả năng biểu diễn các thông tin mờ
trong lĩnh vực tri thức không chắc chắn. Mặt khác bài toán lập luận và tích hợp
các ontology mờ hiện vẫn còn là vấn đề đang có nhiều trao đổi và nghiên cứu
về cả lý thuyết lẫn ứng dụng. Bài báo đề xuất một mô hình về ontology mờ
nhằm hướng đến giải quyết bài toán tích hợp ontology mờ dựa trên lý thuyết
đồng thuận trong quá trình giải quyết mâu thuẫn giữa các ontology mờ và một
số kết quả nghiên cứu gần đây.

1 Giới thiệu
Ontology đóng vai trò thiết yếu trong quá trình trao đổi tri thức giữa các hệ thống
thông tin phân tán. Để thực hiện điều này một cách hiệu quả, các ontology phân tán
cần phải được tích hợp lại. Tuy nhiên tích hợp ontology là quá trình rất phức tạp, vì
tính chất đa dạng về cấu trúc của nó. Do vậy tích hợp ontology là bài toán được nhiều
nhà nghiên cứu quan tâm theo các hướng tiếp cận khác nhau [13]. Với mục tiêu tích

bao gồm các phương pháp tiếp cận dựa trên logic, cụ thể là logic mô tả mờ [16], [20].
Nhóm thứ hai sử dụng tiếp cận không-logic [14]. Nhóm này đề xuất một mô hình
ontology mờ trong đó một mô tả khái niệm được mờ hóa mức độ của giá trị các thuộc
tính bằng cách sử dụng một hàm thành viên mờ [27]-[29]. Trong nhóm này Blanco
[15] đề xuất một mô hình ontology linh hoạt cho phép lưu trữ thông tin mờ trong cơ
sở dữ liệu. Đề xuất này cho phép người dùng quản lý thông tin không chính xác.
Trong phần tiếp theo, chúng tôi trình bày các nghiên cứu liên quan đến các phương
pháp lập luận và tích hợp tri thức ontology mờ. Trong phần 3 trình bày các vấn đề cơ
bản liên quan phương pháp lập luận và tích hợp ontology mờ. Phần 4 đề xuất phương
pháp sử dụng lý thuyết đồng thuận để tích hợp ontology mờ và một số kết quả đã
được nhóm tác giả công bố gần đây [31]-[34]. Cuối cùng là các nghiên cứu trong thời
gian tiếp theo.

2 Các Công trình Liên quan
Các công trình mới nhất về tích hợp ontology từ năm 2009 đến nay đã được trình
bày[1]-[12]. Các nghiên cứu tập trung đề cập vấn đề tích hợp ontology theo các
phương pháp khác nhau về so khớp, ánh xạ và trộn ontology tùy thuộc vào ứng dụng
cụ thể chủ yếu liên quan đến web ngữ nghĩa, truy vấn thông tin. Các phương pháp
tiếp cận để tích hợp ontology được trình bày không thể hiện các tiêu chí một cách rõ
ràng cho quá trình tích hợp, các thuật toán tích hợp chỉ liên quan đến các nghiên cứu
và ứng dụng thực tế cho một vấn đề cụ thể.
Hiện nay có rất nhiều định nghĩa về tích hợp ontology trong đó định nghĩa được
nhiều nghiên cứu tham khảo [19] được phát biểu như sau: Cho n ontologies O1,..,On ta
cần xác định một ontology O* tốt nhất đại diện cho cho các ontology O1,..,On. Để
thực hiện được điều này tùy thuộc vào ứng dụng và mục tiêu nghiên cứu, cần tiến
hành những kỹ thuật sau:


Các Phương pháp Lập luận và Tích hợp Ontology Mờ


và fc là hàm thành viên mờ: fc: Ac[0,1] biểu diễn mức
⋃
thuộc tính mô tả khái niệm c. Bộ (Ac, Vc, fc) được gọi là cấu trúc mờ của c.
 R là tập các quan hệ mờ giữa các khái niệm, R = {R1, R2,…, Rm}, Ri  C C
(0,1], i = 1, 2,..,m. Một quan hệ là một tập bao gồm một cặp khái niệm và
giá trị mờ biểu diễn mức độ quan hệ giữa chúng. Mối quan hệ Ri giữa hai
khái niệm trong ontology chỉ được biểu diễn bằng một giá trị mờ duy nhất,
nghĩa là nếu (c, c, v) Ri và (c, c, v) Ri thì v = v.
 Z là tập hợp các tiên đề, có thể được hiểu là ràng buộc toàn vẹn hoặc mối
quan hệ giữa các khái niệm và là tập hợp các hạn chế hay điều kiện (cần và
đủ) để xác định các khái niệm trong C.

3.2 Các Phương pháp Tích hợp Ontology
Trong quá trình thực hiện so khớp, ánh xạ, trộn và xung đột ontology cần phải giải
quyết hai hai vấn đề chính sau:
 Các ontology đã cho đồng dạng (Similarity) với nhau đến mức độ nào?


4

Trương Hải Bằng



Những mâu thuẫn thường xuất hiện giữa các ontology như thế nào?

Các phương pháp xác định mức độ đồng dạng giữa các ontology
Các phương pháp xác định mức độ đồng dạng giữa các ontology bao gồm các kỹ
thuật cơ bản như sau:
 Kỹ thuật dựa trên chuỗi;

(5)
trong đó
 Dk+1-D0>threshold (vượt một ngưỡng cho trước)
 E(P1, P2) là trọng số tăng bởi sự so khớp lại P 1 và P2.
Quy tắc tính sự tương đương theo tiếp cận PCP:
Quy tắc 1: Tính sự tương đương của cặp khái niệm có cả 2 đường được đánh dấu
trong bảng. Nếu được so khớp, loại khỏi bảng, tính lại D0và cập nhật Dk+1
Quy tắc 2: Nếu chỉ một trong 2 đường được đánh dấu, chúng ta tính độ tương đương
cho cặp khái niệm theo khoảng cách nhỏ nhất. Nếu được so khớp loại khỏi dòng hoặc
cột tương ứng, cập nhật lại bảng , tính lại D0, Dk+1.
Quy tắc 3: Nếu Dk+1 - D0 > Threshold hoặc tất cả các cặp khái niệm được so khớp.
Ý tưởng thuật toán:
Bắt đầu từ một cặp khái niệm được so khớp duyệt các khái niệm theo mối quan hệ
hoặc các trong kiến trúc ontology theo một mức cụ thể để xác định được phần chung
tiềm năng ban đầu. Quá trình này lan truyền đến cặp khái niệm lân cận và kết quả là
một tập hợp của sự sắp xếp giữa các khái niệm trong tập hợp kết nối ngữ nghĩa của
hai đồ thị gọi là phân đoạn. Để so sánh sự giống nhau giữa các cặp khái niệm của các


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

5

ontology láng giềng quá trình này lặp đi lặp lại cho đến khi thuật toán thỏa mãn "hoặc
là tất cả các khái niệm thu thập được liên kết tìm thấy, hoặc không có cặp liên kết
mới ".
Thuật toán PCP:
input: Hai ontologyO1 và O2, hai Medoids, và một mức DepthLevel
output: Tập các khái niệm so khớp C* = ⋃
, Ci O1 hoặc O2;

trúc của các yếu tố thành phần ban đầu.
Có ba mức mâu thuẫn ontology:
 Mâu thuẫn ở mức thực thể: cùng thực thể của các ontology khác nhau có mô
tả mâu thuẫn với nhau.
 Mâu thuẫn ở mức khái niệm: cùng khái niệm giống nhau nhưng có cấu trúc
khác nhau trong các ontology khác nhau.
 Mâu thuẫn ở mức quan hệ: có mâu thuẫn về quan hệ giữa hai khái niệm
trong các ontology khác nhau.


6

Trương Hải Bằng

Hình 1. Các mức mâu thuẫn ontology [19]

3.3 Lý thuyết Đồng thuận
Giới thiệu
Phương pháp đồng thuận rất hữu ích trong việc giải quyết các xung đột hay mâu
thuẫn tri thức trong thế giới thực đặc biệt liên quan đến vấn đề tích hợp tri thức
ontology. Phương pháp đồng thuận là một cách tiếp cận hiệu quả trong quá trình giải
quyết xung đột tri thức nói chung và ontology nói riêng.
Xét bài toán đồng thuận như sau: Cho một tập hợp của các đối tượng trong vũ trụ,
cần phải xác định một đối tượng tốt nhất đại diện cho các đối tượng này. Mục tiêu
của vấn đề giải quyết xung đột là xác định được lời giải thích hợp cho bài toán đặt ra.
Có hai trường hợp xảy ra trong quá trình này:
i. Các giải pháp thích hợp độc lập với ý kiến của các người tham gia xung đột. Ví
dụ cho trường hợp này là việc tính GDP hàng năm của một quốc gia được tạo ra
bởi các chuyên gia tài chính khác nhau. Vấn đề xác định GDP được chính xác
khi kết thúc năm, giá trị này là độc lập của dự báo đã cho. Trường hợp này được

Cho U, d được cho trong định nghĩa 1
Cho Ánh xạ C:   Với mỗi conflict profile X P(U), tập C(X) được gọi
là sự đồng thuận của X, và một phần tử của C(X) được gọi là một đồng thuận của
profile X.
Bài toán tích hợp tri thức phát biểu như sau: cho một tập các profile
X = {ri TUPLE(Ti): Ti ⊆ A for i = 1, 2, . . . , n}, cần xác định một bộ r* là đại
diện tốt nhất cho các bộ r1,.. rn. Bộ r* được gọi là tích hợp của các profile.
Các tiêu chí đề lựa chọn phương pháp đồng thuận
Có nhiều tiêu chuẩn liên quan đến bài toán xác định sự đồng thuận [19], hai tiêu
chuẩn quan trọng thường được sử dụng trong bài toán tích hợp tri thức là:
 Tính tối ưu O1: [Kemeny, 1959]:
Nếu và chỉ nếu (x C(X))  (d(x, X) =
d(y,x)),  X P(U).
(tổng khoảng cách từ một đồng thuận đến các phần tử của profile P(U) là nhỏ nhất)
 Tính tối ưu O2:
Nếu và chỉ nếu (xC(X))  (d2(x, X)=
d2(y,X)), X P(U).
(tổng bình phương khoảng cách từ một đồng thuận đến các phần tử của profile P(U)
là nhỏ nhất)
Tóm lại, lược đồ của phương pháp đồng thuận bao gồm các bước như sau:
 Xác định tập các phiên bản tiềm năng của dữ liệu
 Định nghĩa hàm đo khoảng cách giữa các phiên bản
 Chọn tiêu chí lựa chọn phương pháp đồng thuận
 Thực hiện thuật toán để lựa chọn phương pháp đồng thuận


8

Trương Hải Bằng


4.1 Tích hợp Ontology Mờ Mức Khái niệm
Cho hai ontology mờ O1 và O2 , khái niệm c thuộc O1 là concepts (c, Ac1,Vc1, f1) và
thuộc O2 là (c, Ac2, Vc2 , f2). Ta nói rằng sự mâu thuẫn khái niệm xảy ra nếu Ac1≠ Ac2
hoặc Vc1≠ Vc2 hoặc f1 ≠f2
Bài toán 1:
Cho tập cấu trúc mờ của các khái niệm X = {(Ai, Vi, f i)| (Ai, Vi, f i) cấu trúc mờ của
khái niệm c trong ontology Oi, i=1,…,n}, Cần xác định bộ ba: c* = (A*, V*, f*) là biểu
diễn tốt nhất thỏa tiêu chuẩn O2 của lý thuyết đồng thuận cho các cấu trúc trên.
Thuật toán 1. Tích hợp mức khái niệm
Input: cho cấu trúc mờ của khái niệm c trong n ontology
X = {(Ai, Vi,fi): (Ai, Vi, fi) là cấu trúc mờ của khái niệm c trong n ontology O i’
i=1,...,n}
Output: Triple c* = (A*, V*, f*) biểu diễn tốt nhất từ X thỏa tiêu chuẩn đồng thuậnO2
Procedure:
BEGIN
Set A* =⋃
;


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

9

Set V* =;⋃
;
For each a  A* do
Begin
xác định Xa= {fi(a): if fi(a) tồn tại, i = 1,...,n};
∑
tính toán f*(a) =

<b, c, 0.8>

<c, a, 0.7>
<b, c, 0.7>

O2

<a, c, 0.3>
<a, b, 0.7>

<a, c, 0.4>
<b, c, 0.8>

<c, a, 0.7>

Bài toán 2:
Cho i  {1,…,m} và tập các quan hệ X = {Rij(c,c):i=1,..m; j = 1,..,n} giữa 2 khái
niệm c và c trong n ontologies, cần xác định Ri(c, c) - quan hệ tốt nhất giữa c và c
trong tập các quan hệ đã cho thỏa tiêu chuẩn đồng thuận O 1.
Thuật toán 2: Tích hợp mức quan hệ
Input: Cho tập các quan hệ giữa 2 khái niệm c và c’ trong n ontologies X={Rij(c,c’): j
= 1,...,n}
Output: Quan hệ Ri(c,c’) = (c, c’, v) tốt nhất trong tập các quan hệ X thỏa O1 consensus.
Procedure:
BEGIN
Thiết lập thứ tự X= {x1, x2,...,xn};
Thiết lập khoảng
Xác định giá trị v trong khoảng




Lấy một giá trị v trong khoảng trên ;
đặt Ri := Ri {<c, c’, v>}
End;
For each (c, c’, c’’) C × C × C do
Begin
If <c, c’, v1>Ri, <c, c’, v2>Riand <c, c’, v3>Ri then
v3 = min {v1, v2};
If only <c, c’, v1>Ri and <c, c’, v2>Ri then set Ri:= Ri<c, c’, v3>
where v3= min{v1, v2};
End
END.
Chứng minh: Tương tự thuật toán 2
4.3 Mô hình Đa Thuộc tính và Đa Giá trị cho Bài toán Tích hợp Ontology Mờ ở
Mức Thực thể
Cho A là tập các thuộc tính của một ontology. Mỗi thuộc tính a A có miền giá Va,
Va được gọi là tập các giá trị cơ bản (elementary values). Một giá của thuộc tính a là


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

11

một tập con của Va. Tập
được gọi là siêu miền (super domain) của thuộc tính a.
giả sử có tập B là tập con của A: B ⊆ A, lấy Vb = ⋃
và
=⋃
Định nghĩa: Một thực thể mờ của khái niệm c được mô tả bởi các thuộc tính của tập
Ac có các giá trị thuộc tập


Thuộc tính
Áp suất

990–995

990–997

992–999

993–997

Hướng gió

{W, W–N}

{E, E–N} {S, W–S} {S, W–S}

{W–N}

Vận tốc gió

10–12

5–10

20–30

40–50


Nắng
Tuyết

không
có

không

có
có



17–20
có
không
có

Trong bảng 1 ta thấy các thực thể có thể có các giá trị thuộc tính khác nhau, xảy ra
mâu thuẫn.
Thuật toán 4:
Input: tập các mô tả của các thực thể: X = {ri  TUPLE(Ti): Ti  A, i = 1, 2,.., n}
và hàm khoảng cách da cho các thuộc tính a  A,
da là hàm được xác định như sau da:
[0,1]
Output: bộ t* T*  A là đại diện tốt nhật được tích hợp từ các bộ của X .
Procedure:
BEGIN
1. A =⋃
;

alignment of ontologies of arbitrary size, Web Semantics: Science, Services and Agents
on the World Wide Web, (Elsevier 2009) 344–3567
2. Deryle Lonsdale a, David W. Embley a, Yihong Ding a, Li Xub, Martin Hepp, 2010],
Reusing ontologies and language components for ontology generation, Data &
Knowledge Engineering Journal (2010) 318–330
3. Watson Wei Khong Chua, Jung-jae Kim, BOAT: Automatic alignment of biomedical
ontologies using term informativeness and candidate selection, Journal of Biomedical
Informatics 45 (2012) 337–349
4. Jürgen Bock a, Jan Hettenhausen, Discrete particle swarm optimisation for ontology
alignment, Information Sciences (2012) 152–173
5. Asad Masood Khattak, Zeeshan Pervez, Khalid Latif, Sungyoung, Knowledge
accumulation through automatic merging of ontologies, Knowledge-Based Systems
(2012)
6. Adolfo Guzmán-Arenas, Alma-Delia Cuevas. Time efficient reconciliation of mappings in
dynamic web ontologies, Expert Systems with Applications (2010) 1991–2005
7. Ming Mao, Yefei Peng, Michael Spring, An adaptive ontology mapping approach with
neural network based constraint satisfaction, Web Semantics: Science, Services and
Agents on the World Wide Web (2010) 14–25
8. Hacene Belhadef, A new bidirectional method for ontologies matching, Procedia
Engineering (2011) 558 – 564
9. Mohamed Bakillah, A Fuzzy Logic Semantic Mapping Approach for Fuzzy Geospatial
Ontologies, The Fifth International Conference on Advances in Semantic Processing,
2011
10. Hacene Belhadef, A new bidirectional method for ontologies matching, Procedia
Engineering 23 (2011) 558 – 564
11. Rung-Ching Chen, Cho-Tscan Bau, Chun-Ju Yeh, Merging domain ontologies based on
the WordNet system and Fuzzy Formal Concept Analysis techniques, Applied Soft


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

First International Conference on Knowledge Capture, pp. 131–138. ACM Press (2001)
23. Calegari, S., Ciucci, D.: Fuzzy Ontology, Fuzzy Description Logics and Fuzzy-OWL. In:
Proceedings of WILF 2007. Volume 4578 of LNCS. (2007) In printing.
24. Calegari, S., Ciucci, D.: Fuzzy Ontology and Fuzzy-OWL in the KAON Project. In:
FUZZIEEE 2007. IEEE International Conference on Fuzzy Systems (2007).
25. Straccia U., A Fuzzy Description Logic for the semantic Web, Proc. in Capturing
Intelligence: Fuzzy logic and the semantic Web, Elie Sanchez ed., Elsevier, 2006.
26. Zadeh, L. A. Fuzzy sets. Information and control, Elsevier, 1965, pp. 338-358.
27. Thanh Tho Quan, Siu Cheung Hui and Tru Hoang Cao.: Automatic fuzzy ontology
generation for semantic Web, Knowledge and Data Engineering Journals IEEE,
Volume: 18, Issue: 6, pp: 842 - 856 , Product Type: Journals & Magazines, 2006.
28. Silvia, Calegari and Elie Sanchez.:
A Fuzzy Ontology-Approach to improve
Semantic Information Retrieval. Proceedings of the Third ISWCWorkshop on
Uncertainty Reasoning for the Semantic Web - URSW'07, 2007.
29. Hua Mao Gu.: Educational Game for Middle & Primary School Students- EGMPSS.
Proceedings of the 18th Conference of International Maritime Lecturers’ Association,
2008.
30. Hai Bang Truong, Ngoc Thanh Nguyen: A Multi-attribute and Multi-valued Model for
Fuzzy Ontology Integrationon Instance Level. ACIIDS The 4nd Asian Conference on
Intelligent Information and Database Systems, Springer Verlag in a volume LNAI, 2012:
187-197
31. Trong Hai Duong, Hai Bang Truong, Ngoc Thanh Nguyen: Local Neighbor Enrichment
for Ontology Integration. ACIIDS The 4nd Asian Conference on Intelligent Information
and Database Systems, Springer Verlag in a volume LNAI, 2012: 156-166


14

Trương Hải Bằng

thông minh.

1 Giới thiệu
Năm 2004 Lee và cộng sự [1] đã công bố nghiên cứu mang tính thống kê trên 385 bài báo
thuộc các tạp chí khoa học nhằm giới thiệu sự phân bố của các chủ đề nghiên cứu, các
phương pháp nghiên cứu, các tác giả được trích dẫn nhiều nhất, danh mục sách và giáo
trình được tham khảo nhiều nhất. Kết quả nghiên cứu cho thấy đa số các công trình nghiên
cứu triển khai xoay quanh hai chủ đề chính: xây dựng bài giảng và cung cấp các tiện ích hỗ
trợ như khai thác tài nguyên, đánh giá kết quả học tập, tính cộng tác của người học, vv.
Tiện ích cung cấp trong các hệ thống đào tạo thông minh hay các hệ thống đa truyền thông
thích nghi (Adaptive Hypermedia Systems –AHS) được xây dựng dựa trên các mô hình đặc
trưng của người dùng (user profile) để hỗ trợ khai thác thông tin cùng với tài nguyên học
tập phù hợp với từng cá nhân người học. Nhìn chung các nghiên cứu hiện nay chủ yếu
nhắm vào các chức năng hỗ trợ xây dựng bài giảng, diễn đàn thảo luận giữa người học
mang tính tự phát và thiếu tính tổ chức.
Trên thế giới hiện nay, đào tạo điện tử đã trở nên thông dụng và hầu hết các tổ chức đào
tạo đều có sự trợ giúp của đào tạo điện tử [2]. Phạm vi ảnh hưởng của đào tạo điện tử đã lan
rộng ra rất nhiều lĩnh vực. Trong học tập theo xu hướng Xây dựng khóa học theo nhu cầu
người học [4,5] thể hiện rõ ràng khi chúng được gọi là các thiết kế "hướng tới học viên"
hay "tập trung vào sinh viên". Điều này không chỉ là tập trung vào nhiều phong cách học
tập khác nhau của học viên mà là chính học viên có thể quyết định và quản lý được quá
trình học tập của mình. Trong một số quy trình hướng dẫn sử dụng bằng tay hoặc bán tự

Transactions of the UIT Doctoral Workshop, Vol 1, pp. 15-24, 2012.


16

Đặng Kiên Cường


(Learning Management System - Hệ thống quản trị học tập) để phát triển mô hình đào
tạo dựa trên công nghệ web toàn diện, từ đó tạo ra các khóa học trực tuyến hoàn chỉnh,
độc lập để tăng thêm hiệu quả cho những LMS này, nội dung các bài giảng phải dễ
hiểu, dễ truyền đạt, sử dụng đa phương tiện để tăng chất lượng đào tạo.
ii) Xây dựng khóa học theo chuẩn: Phát triển về mặt nội dung, nâng cấp các chuẩn
nội dung, hướng tới một chuẩn phù hợp với yêu cầu chung của đào tạo điện tử thế giới
và mang đầy đủ các đặc tính thỏa mãn yêu cầu của thời đại đó là khả năng sử dụng lại,
tính tương thích, tính khả chuyển, tính thích nghi, vv. Một chuẩn nội dung đầy đủ các
hiệu quả sẽ là động lực phát triển đào tạo điện tử theo bề rộng bằng cách phân phối nội
dung học trên toàn thế giới qua mạng Internet. Đây cũng là tiền đề để tạo ra trung tâm
phân phối tri thức chung cho tất cả LMS, LCMS (Learning Content Management System - Hệ thống quản trị nội dung học). Đến lúc đó chi phí con người phải trả cho giáo
dục và đào tạo sẽ giảm tối đa mà chất lượng, hiệu quả lại tăng rõ rệt.


Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

17

iii) Xây dựng khóa học theo nhu cầu người học: Phát triển về nội dung, cộng đồng
đào tạo điện tử thế giới đang xây dựng một mô hình chuẩn để sắp xếp và điều hướng
nội dung học hiệu quả, tạo khóa học động phù hợp với đặc trưng của từng học viên.
Trong quá trình phát triển các chuẩn nội dung, các tổ chức cũng đề xuất ra mô hình
điều hướng và sắp xếp. Trong tương lai, khi các chuẩn nội dung phát triển đến giai
đoạn ổn định và thích nghi, mô hình sắp xếp và điều hướng nội dung sẽ được chuẩn
hóa và tích hợp vào chuẩn nội dung. Hiện nay, chuẩn SCORM (Shareable Content Object Reference Model- Chuẩn mô tả đối tượng nội dung có thể chia sẻ được) cũng đang
chỉnh sửa và nâng cấp để đáp ứng yêu cầu này, nhưng khả năng điều hướng trong
SCORM vẫn chưa linh hoạt và chưa thực sự hiệu quả.
Ở Việt Nam, các nghiên cứu trong 10 năm gần đây, tập trung vào việc phát triển nội
dung học tập trên nền tảng đào tạo điện tử.
Nhìn chung, sự phát triển đào tạo điện tử tại Việt Nam đang trong giai đoạn khởi đầu.

người sử dụng, mô hình thích nghi và Hệ thống hỗ trợ thông minh.


18

Đặng Kiên Cường

Hình. 1. Xu hướng sử dụng Web (Nguồn: Nova Spivack and Radar Networks)[4].

Hình. 2. Trạng thái nghiên cứu sử dụng của Web ngữ nghĩa (Nguồn: Courtesy of Mills Davis, Project10X; source: Nova Spivack, Radar Networks and John Breslin, DERI)[4].

3 Cách Tiếp cận
3.1 Mô hình Người Sử dụng, Mô hình Thích nghi, Hệ thống Hỗ trợ Thông minh
Sergey Sosnovsky [8] đã tổng kết lịch sử phát triển của mô hình người sử dụng với bốn giai
đoạn cùng với đặc trưng chính của mỗi giai đoạn, trong đó những năm 2000 sẽ theo xu
hướng mới với hai sáng kiến chính trong phát triển Web – Mạng Xã hội (Web 2.0) [11] và
Web Ngữ nghĩa ảnh hưởng đến sự phát triển của công nghệ mô hình người sử dụng trên
Web đồng thời bị ảnh hưởng do sự phát triển của các thiết bị điện thoại di động và công
nghệ không.
Học tập là một trong những lĩnh vực quan trọng nhất trên thế giới để thúc đẩy sáng tạo ý
tưởng về giáo dục và nghiên cứu. Trong đó, việc xây dựng kế hoạch học tập thật sự là vấn
đề quan trọng. Đặc biệt, hoạt động dạy và học trên mạng ngày càng trở nên phổ biến do
ứng dụng rộng rãi những thành tựu của công nghệ thông tin, đặc biệt khi có sự phát triển
của công nghệ Internet. Gần đây, việc tự học, chuẩn bị kiến thức qua mạng đã trở thành


Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

19


các nhiệm vụ Tj1, Tj2, …Tjm (ví dụ trong học tập, để hoàn thành một môn học thì phải có các
môn tiên quyết, các môn học tự chọn).
Một hệ thống hỗ trợ cố vấn học tập thông minh có quan hệ mật thiết với sự thích nghi
của người học (Hình 5) tham gia trong hệ thống học tập. Những thông tin hay kiến thức về
một khái niệm nào đó trong một môn học sẽ được phân chia thành nhiều phần và mỗi phần
sẽ được liên kết với một điều kiện cụ thể về trình độ của người học. Sau đó, tùy theo trình
độ được thể hiện trong hồ sơ của từng cá nhân mà hệ thống sẽ áp dụng những luật thích


20

Đặng Kiên Cường

nghi tương ứng nhằm cung cấp những phần nội dung thông tin hay kiến thức về khái niệm
cùng với cách trình bày một cách phù hợp nhất [13,14].
T
T1
T11
C1

T2
T12

C2

C6
C5

C3




Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

21

Hình. 6. Kiến trúc chung của hệ thống ITS [15]

3.2 Cơ sở Tri thức Sử dụng Bản thể học
Trong bối cảnh về hướng phát triển và sử dụng Internet và Web, cũng như sự phát triển các
mô hình người sử dụng, và đặc biệt là hiện nay các trường ĐH ở Việt Nam đã chuẩn bị để
chuyển sang hoàn toàn theo học chế tín chỉ, nghiên cứu có thể giải quyết hai vấn đề: (1)
Lưu trữ hồ sơ của người học, phân loại người học để tăng hiệu quả việc lựa chọn nội dung
học tập cho từng người học và (2) Cung cấp các mảng kiến thức theo nhiều lĩnh vực khác
nhau (giống như các hệ chuyên gia). Hệ thống đề xuất có thể đóng vai trò của giáo viên trợ
giảng để có thể cung cấp cho người học nhiều gợi ý chính xác hơn dựa trên luồng hồ sơ
người học mà hệ thống cung cấp. Hơn thế nữa, sinh viên có thể giao tiếp với hệ thống “trợ
giảng” này bất cứ khi nào và ở đâu mà họ muốn vì đây là hệ thống sử dụng trên Internet.
Hệ thống này còn là một công cụ giúp cho cố vấn học tập giám sát sinh viên cũng như giảm
bớt gánh nặng cho cố vấn học tập trong việc trả lời các câu hỏi của sinh viên [21].
Khi đã có các miền tri thức của người học, phân loại người học, chương trình học, cần
phải tích hợp các tri thức thành một miền tri thức tích hợp để sử dụng (Hình 6) [22,24].
Kiến trúc mô hình người sử dụng dựa trên bản thể học dựa trên một định nghĩa rõ ràng
cung cấp bởi người dùng thông qua trình soạn thảo hồ sơ người dùng và một phần duy trì
bởi các dịch vụ thông minh (Hình 7). Các dịch vụ thông minh có hai vai trò chính trong hệ
thống: (1) Cập nhật và duy trì các mô hình người sử dụng trên cơ sở dữ liệu sử dụng thông
qua việc áp dụng một số chẩn đoán, (2) Cung cấp các dịch vụ cá nhân dựa trên các đặc tính
của người sử dụng (ví dụ như quan điểm cá nhân được tạo ra và trình bày cho người sử
dụng).
Kiến trúc của hệ thống mô hình người sử dụng dựa trên bản thể học tích hợp ba bản thể

Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

23

trưng người học, mô hình nội dung khóa học, mô hình hỗ trợ và cơ chế thích nghi tạo các
chương trình học theo nhu cầu người học. Các nghiên cứu về qui trình phân tích, thiết kế,
xây dựng hệ thống phần mềm hướng đối tượng sẽ được sử dụng trong hệ thống hỗ trợ học
tập thích nghi. Các công cụ, kỹ thuật trong triển khai ứng dụng trên nền Web trong xây
dựng mô hình hệ thống và triển khai thử nghiệm.
Chúng tôi dự kiến sẽ đạt được một số kết quả về mặt lý thuyết (nghiên cứu, xây dựng
mô hình) và công nghệ (mô hình, qui trình) dựa trên việc khảo nghiệm đánh giá trên 300
sinh viên theo học chuyên ngành liên quan đến công nghệ thông tin, một chương trình học
tập trong lĩnh vực công nghệ thông tin và 10 cố vấn học tập.

Tài liệu Tham khảo
1. Lee Y., Driscoll M.P, Nelson D.W: The Past, Present and Future of Research in Distance Education: Result of a Content Analysis. In: The American Journal of Distance Education, Vol. 18(4)
(2004).
2. Brooks C., Greer J.: Combining ITS and eLearning Technologies: Opportunities and Challenges.
In: The 8th International Conference on Intelligent Tutoring Systems, TAIWAN (2006).
3. Beck, J., Stern, M., & Haugsjaa, E.: Applications of AI in education. ACM Crossroads,3 (1), 1115 (1996).
4. Ngoc Thanh Nguyen: Advanced Methods for Inconsistent Knowledge Management. e-ISBN 9781-84628-889-0, Springer-Verlag London Limited (2008).
5. Anh NV: Một mô hình tạo khóa học thích nghi trong đào tạo điện tử. Ph.D thesis, DH Công nghệ
Hà Nội (2010)
6. Brusilovsky, P.: Methods and Techniques of Adaptive Hypermedia. User Modeling and User
Adapted Interaction. 6, 87–129. [cited at p. vii, 2, 12, 13, 14, 73, 99] (1996).
7. Trong Hai Duong, Geun Sik Jo, Jason J. Jung, Ngoc Thanh Nguyen: Complexity Analysis of
Ontology Integration Methodologies: a Comparative Study. In: Journal of Universal Computer
Science, vol. 15, no. 4,877-897(2009).
8. Sergey Sosnovsky: Ontological Technologies for User Modeling. Ph. D thesis, School of Information Sciences, University of Pittsburgh, US.
9. Ngoc Thanh Nguyen, Jason J. Jung, Trong Hai Duong: Complexity Analysis of Ontology Integration Methodologies:a Comparative Study. In: Journal of Universal Computer Science, vol. 15,