Edu-Ep2: Từ Breadth Learning, Depth Learning đến T-Shaped Approach

Disclaimer

Đây chỉ là những quan điểm riêng của tôi, những kiến thức tôi đã học được, không phải lời khuyên. Thoải mái khi tiếp nhận nó nếu bạn muốn.

Mở đầu

Chắc hẳn trong chúng ta ai cũng có thể hiểu về khái niệm Breadth và Depth learning (học rộng và học sâu), nhưng lại ít có người nhìn nhận sự kết nối giữa sâu và rộng trong việc học, tuy sự kết hợp đó vẫn xuất hiện trong đời sống. Trong bài viết này, ta sẽ tìm hiểu về Breadth learning, Depth learning, và T-shaped approach—sự hòa hợp giữa breadth và depth.

Breadth Learning và Depth Learning

Breadth learning (học rộng) là hình thức tiếp cận thông tin theo chiều rộng, trong khi đó, Depth learning (học sâu) là hình thức ngược lại—tiếp cận thông tin theo chiều sâu. Cả 2 khái niệm đều rất dễ hiểu nên tôi sẽ không đào quá sâu.

Các trường học ở Việt Nam

Trước khi đọc phần này, các bạn hãy thử dừng lại và suy nghĩ xem trong những năm tháng tiểu học và trung học mình đã học theo hướng tiếp cận nào?

Ở tiểu học, chắc hẳn các bạn cũng nhận ra, hướng tiếp cận hầu hết sẽ là Breadth learning. Đầu tiên, chúng ta được học nhận diện mặt chữ và các con số cơ bản, sau khi đã thành thạo việc đọc và phát âm các âm tiết ta mới được học cách kết hợp chúng lại với nhau. Theo quan niệm cá nhân tôi, cách tiếp cận này giúp tôi có nền tảng trước khi học theo cách mà tôi sẽ nói tiếp sau đây—học thuộc lòng. Chúng ta học thuộc lòng và học vẹt khá nhiều trong quá trình 12 năm học, riêng với thuộc lòng, mỗi lần nghĩ về nó hồi cấp 2 và cấp 3 là tôi chạy mất dép liền. Và với tôi, việc học thuộc lòng hữu hiệu nhất chính là bảng cửu chương. Các bạn hãy nhớ lại xem, có phải chúng ta đều bị bắt phải thuộc lòng bảng cửu chương không? Nếu nhận ra được, chắc hẳn các bạn cũng rút ra được gì đó rồi. (Hãy thử suy ngẫm về lợi ích của việc học thuộc lòng!)

Ở trung học, tôi nói chung về cấp 2 và cấp 3, thì hướng tiếp cận áp đảo chính là Depth learning. Chúng ta sẽ được học các kiến thức ở mức độ sâu ngay từ đầu, có thể từ đầu năm học, đầu chương, hoặc đầu từng bài học. Ví dụ về môn sử học, ta sẽ được học khái quát qua về các giai đoạn lịch sử (thậm chí không có, hoặc bị lược bỏ) một cách sơ sài rồi đi thẳng ngay vào từng thời kỳ, thời kỳ đồ đồng, chiếm hữu nô lệ,… Với tôi, đây không phải là cách học hiệu quả, nếu có thì chỉ hiệu quả khi được hỏi đúng các nội dung đấy. Các vấn đề tương tự cũng xảy ra ở Đại học, Cao đẳng.

Một câu hỏi giúp tôi chọn cách bắt đầu là “mình đã có bất cứ nền tảng nào về nó hay chưa?”, rồi áp dụng một cách hài hòa T-shape mà tôi sẽ trình bày sau đây.

T-Shaped Approach

Cách đây khoảng 3 năm, trong khoảng thời gian “được” ở nhà do đại dịch bùng phát, tôi đã quyết định thử thách bản thân bằng việc tự học các kiến thức để thi Đại học. Sau những lần khó khăn và chật vật với việc thử rất nhiều các cách học khác nhau thì tôi đã vô tình dùng T-shape (nhưng không biết về khái niệm này), và sau đây là cách tôi đã tìm ra nó.

Mỗi khi đứng trước một vấn đề, hay một lựa chọn nào đó, câu hỏi mà tôi sẽ suy nghĩ đến đầu tiên là độc lập hay phụ thuộc, hay dịch nôm na là mình phải lựa chọn hay có thể kết hợp các phương án này lại. Ví dụ có 2 giải pháp để giải quyết vấn đề (A và B), liệu mình phải chọn 1 trong 2 hay kết hợp cả 2 lại với nhau.

Trong trường hợp tự học trên, tôi đã hỏi bản thân mình: “Tôi nên học thật kĩ từng chương, từng môn (Toán, Lý, Hóa) hay học sơ lược qua tất cả trước?” Bằng cách giải quyết vấn đề như trên, tôi sẽ làm cả 2. Nhưng tôi sẽ chọn đâu là điểm xuất phát, học rộng trước hay học sâu trước? Chính những suy tưởng tưởng chừng đơn giản như vậy đã giúp tôi tìm ra cách học rất nhanh và cũng rất hiệu quả, Sau này, tôi liên hệ trải nghiệm ấy với hình dung về việc kết hợp chiều rộng và chiều sâu của kiến thức.

Trong bài này, tôi dùng hình chữ T để hình dung việc có nền tảng rộng và đào sâu ở một hướng. Tôi liên hệ nó với hai cách học mình dùng: top-down và bottom-up. Đây là cách tôi kết nối các ý tưởng để giải thích trải nghiệm tự học, không phải định nghĩa rằng T-shaped approach chỉ gồm hai phương pháp này.

Top-down được sử dụng khi bắt đầu học một kiến thức gần như là mới hoàn toàn, ví dụ một môn học mới hoặc một lĩnh vực mới.
Bottom-up được sử dụng khi bắt đầu học một kiến thức mới nhưng có những sự tương đồng, kế thừa từ những gì đã tồn tại trong trí nhớ dài hạn (long-term memory).

Top-down

Top-down là quá trình xây dựng các nền tảng (tức chiều rộng) các kiến thức ở một góc nhìn tổng quát. Ta sẽ tập trung hiểu rõ các trụ cột vấn đề, từ đó tiếp nối đến các khái niệm tổng quát trong từng vấn đề theo mô hình cây (tree), sau đây là ví dụ về biểu đồ cây (tree diagram) trong lĩnh vực AI:

Nguồn: https://medium.com/swlh/a-beginners-guide-to-understanding-the-buzz-words-ai-ml-nlp-deep-learning-computer-vision-a877ee1c2cde

Theo cách tiếp cận top-down và là người mới trong lĩnh vực này, đầu tiên sẽ tìm hiểu về AI là gì, rồi đến Machine Learning, Natural Language Processing, Computer Vision,… là gì? Tiếp tục các bước như vậy cho đến khi các vấn đề không thể chia nhỏ hơn nữa thì ta sẽ bắt đầu đào sâu vào bằng Depth Learning.

Bottom-up

Bottom-up sẽ ngược lại với top-down, quá trình tiếp cận này sẽ bắt đầu với những người đã có nền tảng và muốn mở rộng kiến thức. Lúc này, ta sẽ đi tìm những vấn đề cụ thể và bắt đầu tổng quát hóa (generalize) thành các khái niệm, các thành phần lớn hơn.

Ví dụ trong hình biểu đồ cây về AI (tree diagram in AI ) ở trên, nếu bạn là người đã học về các bài toán Supervised learning và Unsupervised learning trong Machine learning thì bước kế tiếp là review lại các bài toán đó thật chi tiết, đi dần lên đến khái niệm Machine learning, rồi bắt đầu lan truyền sang các bài toán NLP, CV,…

Tại sao cần phải review lại các kiến thức cũ?

Câu trả lời là đôi khi những kiến thức cũ sẽ giúp mở rộng kiến thức nhanh hơn. Hãy lấy ví dụ về một biểu đồ cây khác, sau đây là tree diagram về các phương pháp Optimizer trong Deep learning, bạn không cần phải hiểu chúng đâu, chỉ cần nhìn các kiến thức liên kết với nhau.

Nguồn: https://www.kdnuggets.com/2019/06/gradient-descent-algorithms-cheat-sheet.html

Ví dụ cả Momentum và AdaGrad đều liên quan đến Adam, nên khi đã biết về một trong 2 (Momentum hoặc AdaGrad) thì sẽ rất dễ dàng để hiểu khái niệm còn lại vì chúng có liên kết với nhau thông qua SGD và cùng tạo ra Adam. Hơn thế nữa, ta sẽ được gặp lại Adam 2 lần nên sẽ càng làm tăng khả năng distill kiến thức để chuyển từ working-memory sang long-term memory.

Tổng kết

Trong bài này, tôi đã chia sẻ cách kết hợp học rộng và học sâu, rồi liên hệ với hai hướng đi từ tổng quát đến chi tiết và từ chi tiết trở lại tổng quát. Tùy phần kiến thức đang học, tôi có thể đổi hướng thay vì chỉ dùng một cách.

Học rộng: xây nền tảng và nhìn vấn đề từ nhiều phía.
Học sâu: tìm hiểu kĩ một khía cạnh cụ thể.
Top-down: trong cách học của tôi, bắt đầu từ bức tranh tổng quát rồi đi vào chi tiết.
Bottom-up: bắt đầu từ những điều cụ thể đã biết rồi tìm mối liên hệ rộng hơn.