Ứng dụng kỹ thuật phân lớp trong việc phân tích, đánh giá kết quả khảo sát sinh viên cuối khóa tại trường Đại học Quảng Nam - Lê Phước Thành

ỨNG DỤNG KỸ THUẬT PHÂN LỚP TRONG VIỆC PHÂN TÍCH, ĐÁNH GIÁ KẾT QUẢ KHẢO SÁT SINH VIÊN CUỐI KHÓA TẠI TRƯỜNG ĐẠI HỌC QUẢNG NAM Lê Phước Thành1 Tóm tắt: Từ năm học 2015-2016, Trường Đại học Quảng Nam thực hiện khảo sát lấy ý kiến phản hồi về chất lượng đào tạo đối với sinh viên cuối khóa, mục đích nhằm đo lường và đánh giá mức độ hài lòng của sinh viên trong toàn khóa học. Dựa trên bộ dữ liệu đã được khảo sát, bên cạnh phân tích dữ liệu theo phương pháp thống kê truyền thống ta có thể phân tích sâu thêm để khai phá những thông tin tiềm ẩn nằm trong chính dữ liệu này. Kỹ thuật phân lớp trong khai phá dữ liệu giúp chúng ta khám phá ra những tri thức mới, hữu ích. Bài viết này được thiết kế nhằm trình bày tổng quan kỹ thuật phân lớp trong khai phá dữ liệu và khả năng ứng dụng vào lĩnh vực khảo sát lấy ý kiến phản hồi từ người học. Kết quả của việc nghiên cứu là trích ra những tiêu chí cơ bản nhất ảnh hưởng đến sự hài lòng của sinh viên khi hoàn thành khóa học từ một số lượng lớn các tiêu chí. Từ đó với những nguồn lực nhất định, nhà trường chỉ cần tập trung cải thiện các tiêu chí này sẽ góp phần nâng cao chất lượng đào tạo. Từ khóa: Khai phá dữ liệu, phân lớp, cây quyết định, lý thuyết thông tin, Entropy, độ chính xác phân lớp. 1. Mở đầu Thực hiện công văn số 7324/BGDĐT- NGCBQLGD ngày 08/10/2013 của Bộ GD&ĐT về việc hướng dẫn tổ chức lấy ý kiến phản hồi từ người học về hoạt động giảng dạy của giảng viên, trường Đại học Quảng Nam giao cho Phòng Khảo thí và Đảm bảo chất lượng tiến hành 2 nhiệm vụ khảo sát: Khảo sát hoạt động giảng dạy của giảng viên và Khảo sát sinh viên cuối khóa. Theo đó, hoạt động khảo sát sinh viên năm cuối được thực hiện định kỳ hằng năm vào học kỳ cuối của khóa học, nhằm mục đích đo lường và đánh giá mức độ hài lòng của sinh viên trong toàn khóa học, đồng thời tìm ra những cơ hội cải tiến nâng cao chất lượng đào tạo. Mục tiêu khảo sát nhằm thu thập những phản hồi của sinh viên về tất cả các mặt hoạt động đào tạo của nhà trường bao gồm chương trình đào tạo, đội ngũ giảng viên, tổ chức quản lý đào tạo, dịch vụ hỗ trợXuất phát từ mục tiêu đó, Phòng Khảo thí và Đảm bảo chất lượng xây dựng quy trình tổ chức lấy ý kiến phản hồi từ sinh viên cuối khóa, xử lý dữ liệu và công bố kết quả. Tập trung nghiên cứu xây dựng bộ công cụ khảo sát (phiếu khảo sát) gồm tiêu chí, chỉ số và mức độ đánh giá. Công cụ khảo sát này được kiểm định về kích thước mẫu, thang đo và phân tích nhân tố. Báo cáo kết quả khảo sát, trong đó việc phân tích dữ liệu dựa vào các đại lượng thống kê mô tả, phân phối tần suất, thông qua điểm số so sánh mức độ đạt được giữa các tiêu chí, giữa các lĩnh vực, giữa các đơn vị, ...Từ đó báo cáo chỉ ra những tiêu chí cần cải thiện để nâng cao chất lượng đào tạo. 1 . ThS. Phòng Khảo thí và Đảm bảo chất lượng, trường Đại học Quảng Nam Qua khảo sát lần đầu tiên này, nhà trường đã sưu tập được số lượng lớn về dữ liệu, bao gồm kích thước mẫu sinh viên được khảo sát (gần như tổng thể) và lớn về số lượng tiêu chí (40 tiêu chí). Vấn đề đặt ra còn có thông tin nào (tri thức nào) đang tiềm ẩn trong tập dữ liệu này cần được khai phá. Có hay không sự ảnh hưởng của một số tiêu chí trong bộ tiêu chí đưa ra dẫn đến kết quả cuối cùng sự đánh giá của sinh viên về chất lượng đào tạo (kết quả cuối cùng được đánh giá dựa trên điểm bình quân của tất cả các tiêu chí)?. Nói một cách khác, có một số tiêu chí quan trọng nào mà sinh viên thật sự quan tâm làm ảnh hưởng đến mức độ hài lòng chung?. Như vậy việc trích ra những tiêu chí cơ bản đó thật sự rất quan trọng trong việc giúp nhà trường tập trung cải thiện chất lượng với nguồn lực nhất định. Nghiên cứu về kỹ thuật phân lớp (Classification) trong khai phá dữ liệu (Data Mining) có khả năng trích ra những tiêu chí này. 2. Nội dung 2.1. Thuật toán phân lớp bằng cây quyết định (Decision Tree) Kỹ thuật phân lớp trong khai phá dữ liệu bao gồm các tiến trình chính như sau: - Tập dữ liệu đầu vào: Cấu trúc dạng bảng, gồm dòng là các đối tượng khảo sát, cột là các thuộc tính (các tiêu chí), trong đó có thuộc tính quyết định việc phân lớp ( đánh giá cuối cùng của sinh viên về chất lượng đào tạo dựa trên bộ tiêu chí đưa ra), - Xây dựng mô hình phân lớp: Mô hình là cây quyết định với nút trong là các tiêu chí và nút lá là kết quả xếp loại, nhánh của cây là mức độ đánh giá của tiêu chí, - Tìm quy luật/ khám phá tri thức: Bằng cách duyệt cây từ nút gốc đến nút với luật ifthen - Đánh giá độ chính xác của mô hình phân lớp. Một cây quyết định có thể được xây dựng bằng cách chia tập dữ liệu nguồn (dữ liệu đã khảo sát) thành các tập con dựa theo một kiểm tra giá trị thuộc tính. Quá trình này được lặp lại một cách đệ quy cho mỗi tập con dẫn xuất. Quá trình đệ quy hoàn thành khi không thể tiếp tục thực hiện việc chia tách được nữa. Cây quyết định là cách biểu diễn đơn giản nhất để tìm ra các quy luật (dạng ifthen), mỗi luật này được suy ra bằng cách duyệt cây từ nút gốc đến nút lá. Sau đây là minh họa (hình 1) một phần cây quyết định, hình tròn mô tả các tiêu chí, hình vuông mô tả việc đánh giá cuối cùng, giá trị nhánh cây là mức độ đánh giá của tiêu chí. Bằng cách duyệt cây, ta thu được các luật sau: Nếu (Phương pháp đánh giá tốt) và (Kỹ năng ngoại ngữ khá) thì (Sinh viên đánh giá tốt về chất lượng đào tạo), hoặc luật Nếu (Phương pháp đánh giá tốt) và (Kỹ năng ngoại ngữ Trung bình) thì (Sinh viên đánh giá mức trung bình về chất lượng đào tạo). Thứ tự chọn thuộc tính làm gốc của cây không phải là sự ngẫu nhiên, nghĩa là phải xác định tiêu chí nào là tiêu chí quan trọng đầu tiên để xét duyệt. Thuộc tính được chọn đầu tiên là thuộc tính đem lại lợi nhuận thông tin lớn nhất. Trong toán học, đại lượng Entropy dùng để đo lượng thông tin chứa trong thuộc tính và chọn ra thuộc tính có lợi nhuận thông tin lớn nhất. Entropy của tập dữ liệu S đối với việc phân lớp có c lớp: c E(S)=∑− pi *log(pi ) i=1 Trong đó pi là tỷ lệ các thể hiện trong tập S thuộc vào lớp i Tính lợi nhuận thông tin thuộc tính A đối với tập dữ liệu S như sau: Gain (S,A)= E(S)− ∑E(Sv ) v∈Value(A) Trong đó Values(A) là tập các giá trị có thể của thuộc tính A, và Sv ={x|x S, xA = v } 2.2. Ứng dụng phân lớp bằng cây quyết định để phát hiện các tiêu chí cơ bản ảnh hưởng đến chất lượng đào tạo 2.2.1 Giới thiệu phiếu khảo sát phản hồi chất lượng đào tạo của sinh viên khi hoàn thành khóa học Phiếu khảo sát được thiết kế và tiến hành khảo sát vào năm 2016, phiếu khảo sát này đã được kiểm định với các thông số sau: - Kích thước mẫu (Sample Size) - Công thức tính kích thước mẫu, với độ tin cậy 95%, kích thước mẫu cần thiết là: N n = 2 , với N: số lượng tổng thể, e: Mức ý nghĩa 1-95% 1+ N(e) n = = 294 V S S Kích thước mẫu tính được là 294 phiếu, cộng với chi phí thất thoát 20% của mẫu là 59 phiếu. Kích thước mẫu cần đạt là 353 phiếu. Số phiếu thu được là 927 phiếu, nên việc phân tích hoàn toàn có ý nghĩa thống kê. - Độ tin cậy của thang đo (Reliability) Cronbach’s Alpha của thang đo là 0≤0.959≤1, các hệ số tương quan biến tổng của các biến quan sát trong thang đo đều lớn hơn 0.4 và không có trường hợp loại bỏ biến quan sát nào có thể làm cho Cronbach’s Alpha của thang đo này lớn hơn 0.959. - Phân tích nhân tố khám phá (Exploratory Factor Analysis) + Tham số KMO: Tham số cho biết sự thích hợp của phân tích nhân tố, điều kiện: 0 .5 ≤KMO =0.965≤1.0 Sig=0.00<0.05, kết luận các biến / câu hỏi có tương quan nhau trong tổng thể + Có 5 nhân tố / lĩnh vực được trích ra, giải thích được 55.2 % sự biến thiên của dữ liệu. + Hệ số tải nhân tố đều đạt trên 0.4 Kết quả phân tích nhân tố được phân thành 5 lĩnh vực /5 thành phần, mỗi lĩnh vực gồm nhóm các câu hỏi như sau (Bảng 1): Bảng 1. Phiếu khảo sát lấy ý kiến phản hồi của sinh viên cuối khóa Câu Lĩnh vực Tiêu chí 1. 1. Chương trình đào tạo Sinh viên được cung cấp, hướng dẫn đầy đủ về mục tiêu và chương trình đào tạo của ngành học 2. Chương trình đào tạo bao gồm các môn học đáp ứng với yêu cầu nghề nghiệp 3. Chương trình đào tạo mềm dẻo, luôn cập nhật 4. Chương trình đào tạo có số lượng, khối lượng các môn học phù hợp 5. Tỷ lệ phân bố giữa lý thuyết và thực hành/thí nghiệm/thảo luận trong các môn học hợp lý 6. Các môn học có hình thức, nội dung kiểm tra/ thi phù hợp 7. Các môn học trong chương trình đào tạo có gắn kết với nhau 8. Khóa học giúp SV phát triển đạo đức, nhân cách nghề nghiệp 9. Kế hoạch, nội dung, hình thức và lĩnh vực thực tập phù hợp 10. Hầu hết các GV có kiến thức chuyên môn cao 11. 2. Giảng viên Hầu hết các GV có phương pháp giảng dạy tốt 12. Hầu hết các GV có trách nhiệm, nhiệt tình, sẵn lòng giúp đỡ người học 13. Hầu hết các GV có tác phong và ứng xử chuẩn mực trong giảng dạy 14. Hầu hết các GV đảm bảo giờ lên lớp và kế hoạch giảng dạy 15. Hầu hết các GV chấm điểm chính xác, công bằng trong kiểm tra/ thi 16. Hầu hết các GV khi giảng dạy biết liên hệ giữa các vấn đề trong lý thuyết với thực tiễn 17. 3. Quản lý và phục vụ Giáo viên chủ nhiệm, giảng viên của Khoa tích cực tư vấn, hỗ trợ SV trong suốt quá trình học tập 18. Cán bộ, nhân viên văn phòng có thái độ phục vụ SV tốt 19. Các chế độ, chính sách (học phí, học bổng, ) luôn công khai, rõ ràng và giải quyết kịp thời 20. Thư viện có đủ tư liệu, khai thác thông tin, thái độ phục vụ tốt 21. Nhà trường có đủ cơ sở vật chất, trang thiết bị phục vụ giảng dạy, học tập 22. Môi trường, cảnh quan của nhà trường tạo thuận lợi cho việc học tập và sinh hoạt của SV 23. Kế hoạch học tập được thông báo kịp thời cho SV 24. Kết quả kiểm tra, đánh giá được thông báo kịp thời cho SV 25. Nhà trường đã tổ chức nhiều hoạt động hỗ trợ để tạo cơ hội việc làm cho sinh viên 26. Nhà trường có nhiều hoạt động thiết thực để giáo dục đạo đức, lối sống, ý thức kỷ luật 27. Nhà trường tạo điều kiện để SV tiếp xúc với các doanh nghiệp, đi thực tế, các tổ chức xã hội khác 28. Nhà trường tạo điều kiện thuận lợi cho SV để phản hồi chất lượng đào tạo 29. SV được đảm bảo an toàn trong môi trường học tập và các hoạt động khác 30. 4. Sinh hoạt và đời sống Các hoạt động Đoàn, Hội và ngoại khóa có tác dụng tốt, thiết thực 31. Nhà trường đáp ứng tốt nhu cầu văn hóa, văn nghệ của SV 32. Nhà trường đáp ứng tốt nhu cầu thể dục, thể thao của SV 33. Nhà trường đáp ứng tốt nhu cầu nội trú của SV 34. Nhà trường chăm lo tốt sức khỏe của SV 35. 5. Kỹ năng Khóa học giúp SV nâng cao năng lực tự học, nghiên cứu khoa học 36. Khóa học giúp SV nâng cao kỹ năng sử dụng ngoại ngữ 37. Khóa học giúp SV nâng cao kỹ năng sử dụng tin học 38. Khóa học giúp SV có kỹ năng tư duy sáng tạo 39. Khóa học giúp SV có kỹ năng hợp tác, làm việc nhóm 40. SV tự tin về khả năng đáp ứng các yêu cầu của nghề nghiệp 2.2.2 . Kết quả cây quyết định với các tiêu chí cơ bản Với dữ liệu đã được khảo sát, mỗi tiêu chí được đo lường ở thang đo likert 5 (thang điểm 5) và được nhập liệu bằng phần mềm SPSS với kiểu dữ liệu định lượng (thang đo tỷ lệ-Scale), sau đó chuyển dữ liệu vào phần mềm SQL Server 2008 R2 với kiểu dữ liệu của tiêu chí là dữ liệu liên tục (continuous) và thuộc tính nhãn lớp gồm các giá trị xếp loại “Rất tốt”, “Tốt”, “Khá”, “TB Khá”, “Trung bình”, “Dưới TB”. Việc xếp loại được tính bằng lấy trung bình thang điểm 5 (tương ứng với mức độ trả lời phiếu) của 40 tiêu chí. Kết quả phân lớp bằng cây quyết định như sau (Hình 2): LV3_C26_GDDD LV3_C18_NVVP Hình 2. Kết quả phân lớp bằng cây quyết định với các tiêu chí cơ bản Kết quả của cây quyết định cho thấy rằng có 5 tiêu chí cơ bản làm ảnh hưởng đến chất lượng đào tạo của nhà trường, nói cách khác nếu cải thiện tốt 5 tiêu chí này nhà trường sẽ đạt mức độ hài lòng của sinh viên cao nhất. Năm tiêu chí bao gồm Phương pháp giảng dạy của giảng viên; các chế độ, chính sách được công khai rõ ràng; kết quả kiểm tra đánh giá được thông báo kịp thời; các hoạt động ngoại khóa chú trọng giáo dục đạo đức cho sinh viên và thái độ phục vụ của nhân viên văn phòng. Tại nút LV3_C26_GDDD (hoạt động ngoại khóa giáo dục đạo đức cho sinh viên) kết hợp với nút LV2_C11_PhuongPhap (phương pháp giảng dạy) được đánh giá cao thì hầu hết sinh viên đánh giá chất lượng đào tạo ở mức “Rất tốt” (67.5%). Ngược lại, kết hợp với nút LV3_C18_NVVP (thái độ của nhân viên văn phòng) đánh giá thấp thì hầu như sinh viên đánh giá ở mức độ “TB Khá” (46.18%) và “Trung bình” (22.49%), thậm chí là mức “Dưới TB” (3.78%). Với việc tìm ra các tiêu chí cơ bản ảnh hưởng đến chất lượng đào tạo, phần nào cũng lý giải quan điểm những người làm công tác giáo dục, tâm lý này thường cho rằng có những tiêu chí được sinh viên cảm nhận tốt thì thường kéo theo các tiêu chí khác cũng đánh giá tốt, vấn đề là tìm ra những tiêu chí cơ bản nào ảnh hưởng đến thái độ và cảm xúc của sinh viên khi trả lời phiếu khảo sát. 2.3. Đánh giá độ chính xác phân lớp (Estimate the accuracy of classification) 2.3.1. Độ chính xác Độ chính xác của mô hình hay độ chính xác của việc phân lớp là khả năng dự đoán chính xác tập dữ liệu trong tương lai. Độ chính xác của mô hình là tỷ lệ phần trăm của tập dữ liệu dự đoán được phân lớp đúng theo mô hình. Mục tiêu của phương pháp phân lớp dữ liệu là dự đoán nhãn lớp cho các mẫu dữ liệu ở tương lai (tập dữ liệu chưa xác định việc phân loại). Quá trình phân lớp dữ liệu gồm 2 bước: Thứ nhất, xây dựng mô hình, một mô hình sẽ được xây dựng dựa trên việc phân tích các mẫu dữ liệu sẵn có. Mỗi mẫu tương ứng với một lớp, được quyết định bởi một thuộc tính gọi là thuộc tính nhãn lớp. Thứ hai, sử dụng mô hình để phân lớp dữ liệu và tính độ chính xác của mô hình. Nếu độ chính xác là chấp nhận được, mô hình sẽ được sử dụng để dự đoán nhãn lớp cho các mẫu dữ liệu khác trong tương lai. Để đánh giá độ chính xác của mô hình, phương pháp Holdout là một trong những phương pháp phổ biến nhất được áp dụng trong các phần mềm phân tích dữ liệu chuyên nghiệp hiện nay như SPSS, SQL Server, ... Dữ liệu ban đầu được phân chia ngẫu nhiên thành 2 phần: tập dữ liệu huấn luyện (Training Sets) và tập dữ liệu kiểm tra (Testing Sets) rời nhau. Thông thường 2/3 dữ liệu cấp cho tập dữ liệu huấn luyện dùng để xây dựng mô hình, 1/3 phần còn lại cho tập dữ liệu kiểm tra để đánh giá mô hình (Hình 3). Hình 3. Cách đánh giá độ chính xác mô hình 2.3.2 . Kết quả ước lượng độ chính xác bằng biểu đồ nâng (Lift chart ) Biểu đồ nâng trong SQL Server 2008 R2 là hình ảnh trực quan để đánh giá hiệu quả của mô hình phân lớp. Biểu đồ cho phép người dùng so sánh hiệu quả phân lớp theo 3 cách: theo mô hình ngẫu nhiên (Random Guess), mô hình lý tưởng (Ideal Model) và mô hình phân lớp thực tế theo tập dữ liệu (Hình 4). Hình 4. Biểu đồ nâng đánh giá độ chính xác phân lớp Trục X: Biểu diễn phần trăm của tập dữ liệu kiểm tra (testing data set) được dùng để so sánh kết quả dự đoán. Trục Y: Biểu diễn phần trăm giá trị dự đoán theo tập dữ liệu kiểm tra. Trong trường hợp dự đoán xếp loại “Rất tốt” ta có kết quả các đường dự đoán như sau: Đường số (1): Đường dự báo kết quả chọn ngẫu nhiên một mẫu dữ liệu không dùng mô hình, giả sử khi lấy xấp xỉ 50% ngẫu nhiên trên tập dữ liệu kiểm tra thì cũng có 50% dự đoán đúng. Giả sử tập kiểm tra có 100 mẫu, thì sẽ có 50%*100=50 mẫu dự đoán đúng (lớp Rất tốt), 50%-50%. Đường số (2): Đường biểu diễn mô hình lý tưởng cho việc dự đoán (dự đoán chính xác 100%), trong trường hợp này, đỉnh của đường lý tưởng lập đỉnh tại trục x quanh giá trị 23% (chỉ cần chọn 23% trong tập dữ liệu kiểm tra theo mô hình thì sẽ có 100% dự đoán đúng mô hình). Đường số (3): Đường dự đoán theo mô hình, đường này lập đỉnh tại trục x quanh giá trị 55% (chỉ cần chọn 55% trong tập kiểm tra theo mô hình thì sẽ có 100% dự đoán đúng theo mô hình). Khi lập đỉnh tại giá trị x càng nhỏ thì mô hình dự báo càng tốt. Đường này càng tiệm cận với đường lý tưởng thì đây là mô hình dự báo tốt (0≤Score=0.90≤1). Qua phân tích độ chính xác trên cho phép chúng ta dự đoán rằng nếu chọn ra 55% trong tập sinh viên cần khảo sát cho năm sau khi được cải thiện về 5 tiêu chí trên thì sẽ có 100% trong số này sẽ đánh giá chất lượng đào tạo của nhà trường là “Rất tốt”. 3 . Kết luận Khảo sát sinh viên cuối khóa là một phần quan trọng giúp nhà trường đánh giá việc đào tạo sinh viên trong cả khóa đào tạo. Tác giả cùng với ban khảo sát đã xây dựng phiếu khảo sát với một bộ tiêu chí đầy đủ các khía cạnh ảnh hưởng đến mức độ hài lòng của sinh viên cuối khóa và được kiểm định. Báo cáo kết quả khảo sát chủ yếu là phân tích dữ liệu bằng những phương pháp thống kê truyền thống, chúng ta dựa vào các chỉ báo về thang điểm để đánh giá các tiêu chí, so sánh mức độ đạt được giữa các tiêu chí, từ đó tìm ra những tiêu chí đánh giá kém và đề xuất nhà trường những giải pháp cải thiện những tiêu chí đó. Bài nghiên cứu này với mong muốn thúc đẩy việc ứng dụng kỹ thuật phân lớp trong khai phá dữ liệu nhằm trích những tiêu chí quan trọng nhất ảnh hưởng đến sự hài lòng của sinh viên cuối khóa về chất lượng đào tạo. Đây là những tiêu chí được sinh viên quan tâm nhiều nhất (bất kể kết quả khảo sát các tiêu chí này được đánh giá tốt/ kém), hoặc có thể là những tiêu chí làm ảnh hưởng đến tâm lý của sinh viên khi trả lời những tiêu chí còn lại. Một đặc điểm quan trọng của kỹ thuật phân lớp là khi mô hình cây quyết định được chấp nhận (đánh giá về độ chính xác), sẽ dự báo cho các lần khảo sát tiếp theo. Như vậy những tiêu chí cơ bản này nếu nhận được sự quan tâm về cải tiến chất lượng thì có khả năng làm tăng sự hài lòng về chất lượng đào tạo của sinh viên trong khóa đào tạo. Để đánh giá chất lượng đào tạo, các trường đại học hiện nay thường dùng công cụ khảo sát nhằm đo lường sự hài lòng của các bên liên quan như: người học, nhà tuyển dụng, cựu sinh viên, môi trường làm việc của công chức, viên chức; đo lường chỉ số phục vụ hành chính côngKhi dữ liệu khảo sát được chuẩn hóa, làm đầu vào cho kỹ thuật phân lớp, kỹ thuật này có khả năng áp dụng vào các loại khảo sát khác nhau. TÀI LIỆU THAM KHẢO [1]Phạm Hữu Khang; Hoàng Đức Hải (2002), Lập trình ứng dụng chuyên nghiệp SQL Server 2000, Nhà xuất bản Giáo dục. [2]Đỗ Phúc (2008), Giáo trình khai thác dữ liệu, Nhà xuất bản Đại học Quốc gia Thành phố Hồ Chí Minh. [3]Lê Phước Thành (2016), Báo cáo kết quả khảo sát sinh viên cuối khóa, Trường Đại học Quảng Nam. [4]Jiawei Han and Micheline Kamber (2006), Data mining : Concepts & Technique, Morgan Kaufmann Publishers. [5]Daniel Calbimonte (2012), Data Mining Introduction, Cambridge, < sqlservercentral.com>, truy cập ngày 28/04/2016. Title: APPLYING CLASSIFICATION TECHNIQUES TO ANALYZE AND EVALUATE THE SENIOR’S SURVEY RESULTS AT QUANG NAM UNIVERSITY LE PHUOC THANH Quang Nam University Abstract: Since the academic year 2015-2016, Quang Nam University has implemented senior’s feedback surveys on the training quality aims to measure and evaluate student’s satisfaction of the whole program. Based on the survey data, besides the traditional data analysis methods, we can also analyze further to explore the underlying information. Classification techniques in data mining enable us to discover the new and useful knowledge. This article is designed to present an overview of classification techniques in data mining and their applicability to the field of learners’ feedback survey. The research result is to extract the most basic criteria affecting student’s satisfaction from a large number of criteria. As a result, with available resources, the university can just focus on improving these criteria, which would contribute to raising the training quality. Keywords: Data Mining, classification, decision tree, information theory, Entropy, accuracy of classification.