Đồ án tốt nghiệp - Thiết kế hệ thống tạo sinh câu hỏi đọc hiểu trong bộ đề Toeic

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG

ĐỒ ÁN TỐT NGHIỆP

ĐỀ TÀI
THIẾT KẾ HỆ THỐNG TẠO SINH CÂU HỎI
ĐỌC HIỂU TRONG BỘ ĐỀ TOEIC
Ngành Công Nghệ Kỹ Thuật Máy Tính

Sinh viên:
MSSV:

PHẠM TẤN TÀI
20161367

TP. HỒ CHÍ MINH – tháng 6 năm 2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HỒ CHÍ MINH
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG

ĐỒ ÁN TỐT NGHIỆP

ĐỀ TÀI
THIẾT KẾ HỆ THỐNG TẠO SINH CÂU HỎI
ĐỌC HIỂU TRONG BỘ ĐỀ TOEIC
Ngành Công Nghệ Kỹ Thuật Máy Tính

Sinh viên:
MSSV:

PHẠM TẤN TÀI
20161367

Hướng dẫn: TS. TRẦN VŨ HOÀNG

TP. HỒ CHÍ MINH – tháng 6 năm 2024

ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM
KHOA ĐIỆN – ĐIỆN TỬ
Bộ Môn: KTMT - VT

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
***

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên Sinh viên: Phạm Tấn Tài
MSSV: 20161367
Ngành: Công nghệ Kỹ thuật Máy tính
Tên đề tài: Thiết kế hệ thống tạo sinh câu hỏi đọc hiểu trong đồ đề thi TOEIC
Giáo viên hướng dẫn: TS. Trần Vũ Hoàng
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thực hiện:
Đề tài mang tính mới và khả năng ứng dụng khá cao. Sinh viên đã vận dụng các kỹ thuật
mới nhất hiện nay về chủ đề tạo sinh và các mô hình ngôn ngữ lớn vào đề tài để giải
quyết việc tạo sinh câu hỏi cho đề thi TOEIC. Khối lượng công việc của đề tài này phù
hợp với đề tài tốt nghiệp đại học.
2. Hình thức trình bày quyển báo cáo:
Cuốn báo cáo được trình bày chi tiết, các tài liệu tham khảo được trích dẫn đầy đủ, đúng
quy định. Tuy nhiên còn một số lỗi dịch thuật, một số hình ảnh có chất lượng chưa cao.
Tỷ lệ trùng lắp của đề tài là 26% thỏa mãn yêu cầu của đề tài tốt nghiệp đại học .
3. Những hạn chế cần chỉnh sửa, bổ sung:
Nâng cao chất lượng các hình ảnh để có thể thể hiện rõ nét hơn. Hiệu chỉnh các lỗi dịch
thuật, trau chuốt ngôn từ được sử dụng trong các đoạn văn.
4. Đề xuất của GVHD
Đồng ý cho bảo vệ!
TP. Hồ Chí Minh, ngày 21 tháng 6 năm 2024

GIẢNG VIÊN HƯỚNG DẪN

iii

iv

LỜI CẢM ƠN
Lời đầu tiên cho em em xin được bày tỏ lòng biết ơn đến gia đình, họ hàng đã định
hướng và dẫn dắt em đến con đường của ngành Kỹ Thuật máy tính – Viễn Thông. Sự
định hướng đó đã giúp em phát triển được sự đam mê và khả năng của em trong suốt 4
năm đại học với chuyên ngành yêu thích của mình. Em cũng xin cảm ơn chân thành đến
các quý Thầy/Cô trường Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh đã truyền
đạt cho em nhiều kiến thức quý báu để em chinh phục từng bậc thang kiến thức trong
...

...
g systems, vol. 30, 2017.
[15] H. Lee, S. Phatale, H. Mansoor, K. Lu, T. Mesnard, C. Bishop, V.
Carbune, and A. Rastogi, “Rlaif: Scaling reinforcement learning from
human feedback with ai feedback,” arXiv preprint arXiv:2309.00267,
2023.
[16] R. Rafailov, A. Sharma, E. Mitchell, S. Ermon, C. D. Manning, and C.
Finn, “Direct preference optimization: Your language model is secretly a
reward model,” arXiv preprint arXiv:2305.18290, 2023.
[17] SAHOO, Pranab, et al. A Systematic Survey of Prompt Engineering in
Large Language Models: Techniques and Applications. arXiv preprint
arXiv:2402.07927, 2024.
[18] [Radford et al., 2019] Alec Radford, Jeffrey Wu, Rewon Child, David
Luan, Dario Amodei, Ilya Sutskever, et al. Language models are
unsupervised multitask learners. OpenAI blog, 1(8):9, 2019.
[19] Singh A, Jamali-Rad H. Transductive decoupled variational inference for
few-shot classification. arXiv preprint arXiv:2208.10559. 2022 Aug 22.
[20] Wei J, Wang X, Schuurmans D, Bosma M, Xia F, Chi E, Le QV, Zhou D.
Chain-of-thought prompting elicits reasoning in large language models.
Advances in neural information processing systems. 2022 Dec
635:24824-37.
[21] Jiang AQ, Sablayrolles A, Roux A, Mensch A, Savary B, Bamford C,
Chaplot DS, Casas DD, Hanna EB, Bressand F, Lengyel G. Mixtral of
experts. arXiv preprint arXiv:2401.04088. 2024 Jan 8.
[22] Wu Q, Bansal G, Zhang J, Wu Y, Zhang S, Zhu E, Li B, Jiang L, Zhang
X, Wang C. Autogen: Enabling next-gen llm applications via multi-agent
conversation framework. arXiv preprint arXiv:2308.08155. 2023 Aug 16.
[23] Ainslie J, Lee-Thorp J, de Jong M, Zemlyanskiy Y, Lebrón F, Sanghai S.
Gqa: Training generalized multi-query transformer models from multihead checkpoints. arXiv preprint arXiv:2305.13245. 2023 May 22.
[24] Abdin M, Jacobs SA, Awan AA, Aneja J, Awadallah A, Awadalla H, Bach
N, Bahree A, Bakhtiari A, Behl H, Benhaim A. Phi-3 technical report: A
highly capable language model locally on your phone. arXiv preprint
arXiv:2404.14219. 2024 Apr 22.
[25] Ye J, Chen X, Xu N, Zu C, Shao Z, Liu S, Cui Y, Zhou Z, Gong C, Shen
Y, Zhou J. A comprehensive capability analysis of gpt-3 and gpt-3.5 series
models. arXiv preprint arXiv:2303.10420. 2023 Mar 18.

70

[26] Touvron H, Martin L, Stone K, Albert P, Almahairi A, Babaei Y,
Bashlykov N, Batra S, Bhargava P, Bhosale S, Bikel D. Llama 2: Open
foundation and fine-tuned chat models. arXiv preprint arXiv:2307.09288.
2023 Jul 18.

71

CHƯƠNG 6 : PHỤ LỤC

72