LuanVan.vnLuận Văn
Gửi thư

DEVELOPING A RETRIEVAL-AUGMENTED GENERATION SYSTEM FOR LEARNING SUPPORT

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Thị Kim Trân
Người hướng dẫnPhan Phương Lan
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Large Language Models (LLMs) are increasingly used to support learning activities; however, several limitations remain. AI-generated responses may not be grounded in official educational materials, their accuracy and reliability are not always verified, and valuable knowledge arising from student–AI interactions is often not systematically accumulated and reused for subsequent learning activities. As a result, students may find it difficult to assess the reliability of AI-generated information and to effectively transform these interactions into opportunities for knowledge reinforcement. This thesis aims to develop a Retrieval-Augmented Generation (RAG)-based learning support system in which AI-generated answers are grounded in official academic documents and can be reviewed and verified by lecturers, thereby improving the reliability and academic usefulness of the generated content. In addition, the system accumulates lecturer-verified question–answer pairs as reusable knowledge units and uses them to generate learning exercises, enabling students to review and reinforce previously acquired knowledge. To achieve these objectives, a RAG pipeline was first designed and experimentally evaluated to identify suitable document chunking and retrieval strategies that could provide relevant and effective context for the Large Language Model. The selected configuration was then integrated into the RAG engine of a complete webbased learning support system. The system provides document-grounded question answering, lecturer verification, knowledge curation and reuse, automatic exercise generation, review activities, and document management. The completed system supports three main user groups. Students can interact with the RAG-based chatbot, take generated review exercises, and upload personal documents as additional private knowledge sources. Lecturers can review, edit, and approve AI-generated question–answer pairs, as well as manage curated knowledge and generated exercises. Administrators can manage system documents, user accounts, curated knowledge, and learning exercises when necessary. Overall, the thesis demonstrates the feasibility of combining RAG, lecturer verification, and knowledge reuse within a unified learning support system to provide more reliable AI-assisted learning and support continuous knowledge reinforcement. Các mô hình ngôn ngữ lớn (Large Language Models – LLMs) ngày càng được sử dụng rộng rãi để hỗ trợ các hoạt động học tập. Tuy nhiên, việc ứng dụng các mô hình này vẫn còn tồn tại một số hạn chế. Các câu trả lời do trí tuệ nhân tạo tạo ra có thể không dựa trên các tài liệu giáo dục chính thống, tính chính xác và độ tin cậy của nội dung không phải lúc nào cũng được xác minh, đồng thời những kiến thức có giá trị hình thành từ quá trình tương tác giữa sinh viên và AI thường chưa được tích lũy và tái sử dụng một cách có hệ thống cho các hoạt động học tập tiếp theo. Do đó, sinh viên có thể gặp khó khăn trong việc đánh giá độ tin cậy của thông tin do AI cung cấp cũng như trong việc tận dụng hiệu quả các tương tác này để củng cố kiến thức. Luận văn này hướng đến việc xây dựng một hệ thống hỗ trợ học tập dựa trên kỹ thuật Retrieval-Augmented Generation (RAG), trong đó các câu trả lời do AI tạo ra được dựa trên các tài liệu học thuật chính thống và có thể được giảng viên xem xét, xác minh nhằm nâng cao độ tin cậy cũng như giá trị sử dụng trong học tập của nội dung được tạo ra. Bên cạnh đó, hệ thống tích lũy các cặp câu hỏi – câu trả lời đã được giảng viên xác minh thành những đơn vị kiến thức có thể tái sử dụng và sử dụng chúng để tạo các bài tập học tập, qua đó giúp sinh viên ôn tập và củng cố những kiến thức đã tiếp thu. Để đạt được các mục tiêu trên, trước tiên một quy trình RAG được thiết kế và đánh giá thực nghiệm nhằm xác định các chiến lược phân đoạn tài liệu và truy xuất phù hợp, có khả năng cung cấp ngữ cảnh liên quan và hiệu quả cho mô hình ngôn ngữ lớn. Cấu hình được lựa chọn sau đó được tích hợp vào bộ máy R
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.