LuanVan.vnLuận Văn
Gửi thư

NÂNG CAO HIỆU QUẢ TRỢ LÝ ẢO HỎI ĐÁP THÔNG TIN GIÁO DỤC THÔNG QUA TỐI ƯU THỜI GIAN XỬ LÝ VÀ LÀM GIÀU ĐỒ THỊ TRI THỨC

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

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhGiáo dục, sư phạm
Tác giảTrần Huỳnh Tịnh
Người hướng dẫnTrần Nguyễn Minh Thư
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Sinh viên tại các trường thường xuyên cần tra cứu nhiều loại thông tin liên quan đến các văn bản thông báo, kế hoạch. Các thông tin này được phân bố trong nhiều tài liệu khác nhau, có thể tồn tại dưới dạng văn bản, bảng biểu khiến việc tìm kiếm thủ công tốn thời gian. Đề tài xây dựng hệ thống chatbot hỗ trợ tra cứu thông tin từ các loại thông báo như danh sách lớp học phần bị xóa, kế hoạch giảng dạy và đăng ký học kỳ mới của Đại học Cần Thơ. Đề tài phát triển trợ lý ảo theo hướng Graph RetrievalAugmented Generation (GraphRAG) là sự kết hợp giữa mô hình ngôn ngữ lớn (LLMs) và đồ thị tri thức (Knowledge Graph) hỗ trợ truy xuất và sinh câu trả lời chính xác. Khi nhận câu hỏi từ người dùng, hệ thống thực hiện chuẩn hóa câu hỏi, phân tích và trích xuất các đặc trưng cần thiết, kết hợp truy xuất theo độ tương đồng ngữ nghĩa (vector search) và khai thác các mối quan hệ trong đồ thị tri thức để thu thập thông tin liên quan. Đề tài xây dựng và tích hợp nguồn tri thức từ nhóm văn bản thông báo, kế hoạch vào hệ thống trợ lý ảo. Dữ liệu được tổ chức thành đồ thị tri thức theo cấu trúc của tài liệu, gồm các mục, bảng và dòng dữ liệu, đồng thời lưu giữ các thông tin về thời gian, học kỳ và năm học phục vụ quá trình truy xuất. Hệ thống kết hợp truy xuất chính xác đối với các giá trị định danh như mã học phần, mã số sinh viên và khóa với truy xuất theo độ tương đồng ngữ nghĩa. Các kết quả truy xuất tiếp tục được khai thác theo quan hệ trong đồ thị để lấy các thông tin liên quan giúp xây dựng ngữ cảnh đầu vào đầy đủ hơn cho mô hình ngôn ngữ lớn sinh câu trả lời. Hệ thống được đánh giá trên bộ 23 câu hỏi được xây dựng từ dữ liệu thực tế với ba tiêu chí Correctness, Relevance và Helpfulness theo thang điểm 5. Kết quả đánh giá bằng LLM-as-a-Judge đạt lần lượt 4.57/5 về độ chính xác, 4.74/5 về độ liên quan và 4.52/5 về độ hữu ích. Kết quả cho thấy hệ thống có khả năng trả lời tốt nhiều dạng câu hỏi liên quan đến nội dung văn bản, dữ liệu bảng và thông tin phụ thuộc vào thời gian. Tuy nhiên, một số câu hỏi yêu cầu tổng hợp đầy đủ nhiều thông tin từ cùng một nội dung hoặc nhiều thành phần của tài liệu vẫn có thể bị thiếu một phần thông tin trong câu trả lời. Đồng thời, thực hiện thử nghiệm chạy hệ thống với nhiều cấu hình mô hình ngôn ngữ khác nhau nhằm chọn ra cấu hình phù hợp để cải thiện tốc độ. Từ khóa: Trợ lý ảo, GraphRAG, Retrieval-Augmented Generation, Neo4j, Knowledge Graph, mô hình ngôn ngữ lớn, hệ thống hỏi đáp. Students at universities frequently require access to diverse information regarding announcements and academic plans. Distributed across multiple documents in both textual and tabular formats, this information renders manual search timeconsuming. This project develops a chatbot system to assist in retrieving information from official notices at Can Tho University, such as cancelled course section lists, teaching schedules, and new semester registration plans. The virtual assistant leverages Graph Retrieval-Augmented Generation (GraphRAG), integrating Large Language Models (LLMs) with Knowledge Graphs to facilitate accurate retrieval and answer generation. Upon receiving a user query, the system normalizes the input, extracts key features, and combines semantic similarity retrieval (vector search) with relational graph traversal to gather relevant information. Knowledge from notices and plans is structured into a document-oriented knowledge graph—encompassing sections, tables, and data rows—while preserving temporal metadata (semesters and academic years). The system combines exact retrieval for identifier values (such as course codes, student IDs, and academic cohorts) with semantic similarity search. Retrieved results are further expanded along graph relations to construct a richer contextual prompt for the LLM to generate final answers. The system was evaluated on a benchmark of 23 real-world queries across three criteria—Correctness, Relevance, and Helpfulness—on a 5-point scale. Evaluated using the LLM-as-a-Judge framework, the
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 giáo dục, sư phạm · 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.

Tải ứng dụng AI Học Thuật

Tư vấn học thuật, luận văn, công bố quốc tế với chuyên gia — miễn phí trên iPhone, iPad và Android.

Download on the App Store Tải trên Google Play