I. GIỚI THIỆU TẬP DỮ LIỆU

Tập dữ liệu “Students Social Media Addiction” bao gồm 705 bản ghi ẩn danh khảo sát về hành vi sử dụng mạng xã hội của học sinh, sinh viên trên nhiều quốc gia và trình độ học vấn khác nhau.

Hệ thống thuộc tính dữ liệu (13 cột):

• Thông tin nhân khẩu học: Student_ID (Mã định danh), Age (Độ tuổi từ 18-24), Gender (Giới tính), Country (Quốc gia cư trú).

• Hành vi sử dụng mạng xã hội: Avg_Daily_Usage_Hours (Số giờ sử dụng trung bình/ngày), Most_Used_Platform (Nền tảng sử dụng nhiều nhất: Facebook, Instagram, TikTok…), Conflicts_Over_Social_Media (Số lượng xung đột do mạng xã hội).

• Đời sống & Học tập: Academic_Level (Trình độ học vấn), Affects_Academic_Performance (Tác động tiêu cực đến học tập: Có/Không), Sleep_Hours_Per_Night (Thời gian ngủ trung bình).

• Đánh giá tâm lý (Thang điểm 1-10): Mental_Health_Score (Sức khỏe tinh thần), Addicted_Score (Mức độ nghiện mạng xã hội).

---

II. QUY TRÌNH TIỀN XỬ LÝ DỮ LIỆU (DATA PREPROCESSING)

1. Làm sạch & Loại bỏ nhiễu (Data Cleaning & Noise Handling)

• Trùng lặp & Khuyết thiếu: Tập dữ liệu hoàn chỉnh, không có giá trị trùng lặp và không có dữ liệu khuyết thiếu (Missing value).

• Xử lý dữ liệu nhiễu (Outliers): Áp dụng phương pháp khoảng tứ phân vị $IQR$. Đối với thuộc tính Avg_Daily_Usage_Hours:

  • Khoảng $IQR = 1.7$ (Giới hạn dưới: $1.55$, Giới hạn trên: $8.35$).

  • Phát hiện và gắn nhãn các giá trị ngoại lai dị biệt: [1.5, 8.4, 8.5].

2. Tích hợp & Biến đổi dữ liệu (Data Integration & Transformation)

• Gom cụm Địa lý (Country): Rút gọn từ hàng chục quốc gia đơn lẻ thành 5 nhóm Châu lục chính để giảm nhiễu: Châu Âu ($278$), Châu Á ($249$), Châu Mỹ ($123$), Châu Đại Dương ($22$), và Châu Phi ($6$).

• Mã hóa biến phân loại (Encoding Categorical Variables):

  • Mã hóa nhị phân (Label Encoding): Gender (Nữ $\rightarrow$ 0, Nam $\rightarrow$ 1); Affects_Academic_Performance (Không $\rightarrow$ 0, Có $\rightarrow$ 1).

  • Mã hóa thứ bậc: Academic_Level (Trung học $\rightarrow$ 0, Đại học $\rightarrow$ 1, Sau đại học $\rightarrow$ 2).

  • Mã hóa One-hot: Biến đổi các trường dữ liệu nhiều danh mục như Country, Relationship_Status, Most_Used_Platform thành các vector nhị phân độc lập.

3. Chuẩn hóa dữ liệu (Normalization)

• Min-Max Scaling (Đưa về khoảng $[0, 1]$): Áp dụng cho Sleep_Hours_Per_Night, Addicted_Score, và Mental_Health_Score nhằm loại bỏ chênh lệch quy mô đơn vị.

• Z-score Standardization (Trung bình $0$, Độ lệch chuẩn $1$): Áp dụng cho các biến nhạy cảm về khoảng cách: Avg_Daily_Usage_Hours và Conflicts_Over_Social_Media.

---

III. PHÂN TÍCH TƯƠNG QUAN CHI TIẾT (CORRELATION ANALYSIS)

Phát hiện quan trọng nhất: Cặp thuộc tính có mối tương quan mạnh nhất toàn tập dữ liệu là Mental_Health_Score (Sức khỏe tinh thần) và Addicted_Score (Mức độ nghiện) với hệ số tương quan âm rất cao ($-0.95$). Sức khỏe tinh thần càng giảm thì mức độ nghiện mạng xã hội càng nghiêm trọng.

Cặp thuộc tính tương quan DƯƠNG mạnh	Hệ số (r)	Insight rút ra
Conflict_Over_Social_Media & Addicted_Score	0.93	Nghiện mạng xã hội càng nặng càng dễ phát sinh xung đột với người thân, bạn bè.
Avg_Daily_Usage_Hours & Addicted_Score	0.83	Thời gian sử dụng mỗi ngày tỷ lệ thuận trực tiếp với mức độ nghiện.
Affects_Academic_Performance & Addicted_Score	0.87	Mức độ nghiện cao đi liền với nhận thức về sự sa sút trong kết quả học tập.

Cặp thuộc tính tương quan ÂM mạnh	Hệ số (r)	Insight rút ra
Mental_Health_Score & Conflict_Over_Social_Media	-0.89	Xung đột mạng xã hội tăng cao tỷ lệ nghịch nghiêm trọng với sức khỏe tinh thần.
Avg_Daily_Usage_Hours & Mental_Health_Score	-0.80	Thời gian “lướt” mạng xã hội càng nhiều, sức khỏe tinh thần càng suy giảm.
Sleep_Hours_Per_Night & Addicted_Score	-0.76	Càng sa đà vào mạng xã hội, thời gian ngủ mỗi đêm càng bị thu hẹp.

---

IV. ỨNG DỤNG CÁC MÔ HÌNH HỌC MÁY (MACHINE LEARNING)

1. Học tập có giám sát (Supervised Learning)

• Hồi quy tuyến tính (Dự đoán điểm nghiện dựa trên Sức khỏe tinh thần):

  • Phương trình hồi quy: $y = -0.9695x + 1.0657$

  • Hiệu năng: Mô hình đạt hệ số xác định $R^2 = 0.8931$, giải thích được 89.31% sự biến động của dữ liệu thực tế với sai số cực nhỏ ($MAE = 0.0563$).

• Hồi quy Logistics (Phân loại tác động học tập dựa trên Thời gian sử dụng):

  • Dự đoán khả năng sinh viên bị ảnh hưởng tiêu cực kết quả học tập (Affects_Academic_Performance).

• Phân loại đa lớp (Phân cấp mức độ nghiện: Thấp, Trung bình, Cao):

  • Thực hiện huấn luyện, so sánh trực quan ranh giới quyết định (Decision Boundary Plot) và ma trận nhầm lẫn (Confusion Matrix) giữa hai thuật toán KNN và SVM dựa trên các chỉ số Accuracy, Precision, Recall, và F1-Score.

2. Học tập không giám sát (Unsupervised Learning)

• Thuật toán K-means: Áp dụng biểu đồ Elbow để tìm số cụm tối ưu, phân tích đặc trưng trung bình giữa các cụm nhằm phác họa rõ nét chân dung hành vi của từng nhóm học sinh, sinh viên.

• Thuật toán DBSCAN: Sử dụng biểu đồ K-distance tìm tham số $Eps$ phù hợp để phân cụm mật độ, cô lập các điểm nhiễu (noise) ra khỏi nhóm dữ liệu chuẩn.

---

V. KẾT LUẬN & ĐỀ XUẤT CẢI TIẾN

Báo cáo đã xây dựng thành công một quy trình khai phá dữ liệu toàn diện từ tiền xử lý, trực quan hóa đến triển khai mô hình học máy. Kết quả thực nghiệm là cơ sở khoa học vững chắc để nhà trường và gia đình đưa ra các giải pháp can thiệp về tâm lý, điều chỉnh thời lượng sử dụng mạng xã hội phù hợp, giúp cải thiện chất lượng giấc ngủ cũng như kết quả học tập của học sinh, sinh viên.