[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_c%C6%A1%20s%E1%BB%9F%20tri%20th%E1%BB%A9c{\"limit\":5}":3,"_public_topic_byId_cơ sở tri thức":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":26,"enrichTopicLink":27,"status":28,"createTime":29,"updateTime":30,"publishTime":31,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":32,"relateTopics":33},"cơ sở tri thức","Cơ sở tri thức là gì? Các bài nghiên cứu khoa học liên quan","Cơ sở tri thức là hệ thống lưu trữ tri thức có cấu trúc, gồm các dữ kiện, luật suy diễn và quan hệ logic để hỗ trợ suy luận và ra quyết định tự động. Khác với cơ sở dữ liệu thông thường, nó cho phép hệ thống máy tính mô phỏng tư duy con người bằng cách biểu diễn và xử lý tri thức theo logic hình thức. ","\u003Cdiv>\u003Ch2>Định nghĩa cơ sở tri thức\u003C\u002Fh2>\n\u003Cp>\nCơ sở tri thức (knowledge base) là một hệ thống lưu trữ có cấu trúc, được thiết kế để nắm giữ, quản lý và truy xuất thông tin dưới dạng có thể được xử lý bởi các thuật toán suy luận. Khác với cơ sở dữ liệu truyền thống, cơ sở tri thức không chỉ lưu trữ dữ liệu mà còn chứa các mối quan hệ logic, luật, và khái niệm trừu tượng nhằm mục đích mô phỏng quá trình suy luận của con người.\n\u003C\u002Fp>\n\u003Cp>\nTheo IBM (\u003Ca href=\"https:\u002F\u002Fdeveloper.ibm.com\u002Farticles\u002Fwhat-is-a-knowledge-base\u002F\" target=\"_blank\">IBM Developer\u003C\u002Fa>), cơ sở tri thức là thành phần trung tâm trong các hệ thống hỗ trợ ra quyết định, hệ thống chuyên gia và ứng dụng trí tuệ nhân tạo, cho phép các hệ thống đó “hiểu” và “lý giải” được dữ liệu một cách thông minh. Về mặt kỹ thuật, nó có thể là một tập hợp các luật IF–THEN, ontology (hệ thống khái niệm và quan hệ), hoặc mạng tri thức (knowledge graph).\n\u003C\u002Fp>\n\n\u003Ch2>Phân loại cơ sở tri thức\u003C\u002Fh2>\n\u003Cp>\nCác cơ sở tri thức có thể được phân loại dựa trên hình thức biểu diễn và mục đích sử dụng. Phân loại này giúp xác định kiến trúc hệ thống phù hợp và chiến lược quản lý tri thức hiệu quả hơn trong các ứng dụng cụ thể.\n\u003C\u002Fp>\n\u003Cp>\nCác loại hình cơ bản bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Cơ sở tri thức khai báo:\u003C\u002Fstrong> biểu diễn sự thật, khái niệm, mối quan hệ mà không kèm theo cách xử lý cụ thể. Ví dụ: ontology, biểu đồ tri thức.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cơ sở tri thức thủ tục:\u003C\u002Fstrong> mô tả cách thức thực hiện tác vụ hoặc quy trình ra quyết định, như luật sản xuất dạng IF–THEN.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cơ sở tri thức biểu tượng:\u003C\u002Fstrong> sử dụng logic hình thức như logic vị từ để biểu diễn và suy luận.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Cơ sở tri thức xác suất:\u003C\u002Fstrong> kết hợp mô hình thống kê và logic để xử lý tri thức không chắc chắn, như mạng Bayes.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nCác hệ thống hiện đại thường tích hợp nhiều loại cơ sở tri thức, ví dụ một hệ thống chatbot sử dụng biểu đồ tri thức (khai báo) kết hợp mô hình học sâu (thống kê) để hiểu ngữ cảnh và phản hồi hợp lý.\n\u003C\u002Fp>\n\n\u003Ch2>Thành phần của một cơ sở tri thức\u003C\u002Fh2>\n\u003Cp>\nCơ sở tri thức là một hệ thống đa tầng với nhiều thành phần phối hợp nhằm mục tiêu lưu trữ, truy xuất và suy luận hiệu quả. Mỗi thành phần đảm nhiệm vai trò riêng biệt và liên kết chặt chẽ trong kiến trúc tổng thể.\n\u003C\u002Fp>\n\u003Cp>\nCấu trúc điển hình của cơ sở tri thức:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\u003Cth>Thành phần\u003C\u002Fth>\u003Cth>Mô tả chức năng\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Kho dữ kiện (Facts)\u003C\u002Ftd>\u003Ctd>Chứa các mệnh đề hoặc sự kiện cụ thể đã được xác nhận là đúng\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Tập luật (Rules)\u003C\u002Ftd>\u003Ctd>Biểu diễn tri thức dưới dạng luật logic, thường ở dạng IF–THEN\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Bộ suy diễn (Inference Engine)\u003C\u002Ftd>\u003Ctd>Thực hiện quá trình suy luận để rút ra kết luận từ dữ kiện và luật\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Giao diện người dùng\u003C\u002Ftd>\u003Ctd>Cung cấp công cụ tương tác giữa con người và hệ thống tri thức\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNgoài ra, một số hệ thống còn bao gồm mô-đun học máy, giúp tự động mở rộng tri thức thông qua học từ dữ liệu. Khả năng này đặc biệt quan trọng trong các hệ thống hiện đại như trợ lý ảo, công cụ tìm kiếm ngữ nghĩa và hệ khuyến nghị.\n\u003C\u002Fp>\n\n\u003Ch2>Biểu diễn tri thức trong cơ sở tri thức\u003C\u002Fh2>\n\u003Cp>\nBiểu diễn tri thức là bước chuyển đổi thông tin ngôn ngữ tự nhiên sang dạng hình thức hóa, có thể được xử lý bằng thuật toán. Mỗi mô hình biểu diễn đều có điểm mạnh riêng về khả năng suy luận, mở rộng và hiệu suất tính toán.\n\u003C\u002Fp>\n\u003Cp>\nCác phương pháp biểu diễn phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Logic vị từ (First-order logic):\u003C\u002Fstrong> Biểu diễn khái quát các mệnh đề với định lượng như ∀, ∃\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Khung (Frame):\u003C\u002Fstrong> Biểu diễn khái niệm với các thuộc tính cố định, giống cấu trúc dữ liệu hướng đối tượng\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Luật sản xuất:\u003C\u002Fstrong> Dạng IF–THEN, dùng phổ biến trong hệ chuyên gia\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mạng ngữ nghĩa:\u003C\u002Fstrong> Mô hình hóa khái niệm và quan hệ bằng đồ thị\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Biểu đồ tri thức:\u003C\u002Fstrong> Biểu diễn tri thức ở quy mô lớn dưới dạng đồ thị có quan hệ đa dạng và giàu ngữ nghĩa\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVí dụ: một luật trong cơ sở tri thức biểu diễn rằng mọi người đều là sinh vật có thể được viết bằng logic vị từ như sau:  \n\u003Cscript type=\"math\u002Ftex\">∀x (Human(x) → LivingBeing(x))\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nViệc lựa chọn mô hình biểu diễn phù hợp quyết định hiệu quả xử lý của hệ thống, nhất là trong môi trường tri thức mở, không chắc chắn hoặc có tính thay đổi cao như web ngữ nghĩa hay dữ liệu lớn.\n\u003C\u002Fp>\n\u003Ch2>Cơ sở tri thức trong hệ thống chuyên gia\u003C\u002Fh2>\n\u003Cp>\nHệ thống chuyên gia (Expert System) là loại hình trí tuệ nhân tạo được phát triển để mô phỏng khả năng ra quyết định của con người trong một lĩnh vực cụ thể. Thành phần trọng yếu của hệ thống chuyên gia chính là cơ sở tri thức, nơi lưu trữ tập hợp các dữ kiện và luật chuyên môn để thực hiện quá trình suy luận.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ điển hình là hệ thống MYCIN – được phát triển tại Đại học Stanford trong những năm 1970 – có khả năng chẩn đoán bệnh truyền nhiễm và đề xuất điều trị kháng sinh. MYCIN sử dụng hàng trăm luật IF–THEN như:\n\u003Cscript type=\"math\u002Ftex\">\\text{IF}~(Patient~has~GramPositive~AND~high~Fever)~\\text{THEN}~(Suggest~Penicillin)\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nCác hệ thống hiện đại như CLIPS hoặc Drools cũng dựa vào kiến trúc gồm: \u003Ci>cơ sở dữ kiện\u003C\u002Fi> (fact base), \u003Ci>tập luật\u003C\u002Fi> (rule base) và \u003Ci>bộ suy diễn\u003C\u002Fi> (inference engine), thường sử dụng sơ đồ “chuỗi tiến” (forward chaining) hoặc “chuỗi lùi” (backward chaining) để tìm ra giải pháp.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng của cơ sở tri thức\u003C\u002Fh2>\n\u003Cp>\nCơ sở tri thức được ứng dụng rộng rãi trong các lĩnh vực nhờ khả năng hỗ trợ suy luận, giải thích và ra quyết định hiệu quả. Tùy thuộc vào hình thức biểu diễn, các hệ thống có thể hoạt động dưới dạng chatbot, trợ lý ảo, công cụ tìm kiếm ngữ nghĩa, hoặc hệ thống hỗ trợ kỹ thuật.\n\u003C\u002Fp>\n\u003Cp>\nMột số lĩnh vực ứng dụng:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Y học:\u003C\u002Fstrong> hệ thống hỗ trợ chẩn đoán bệnh, khuyến nghị phác đồ điều trị, phân tích hình ảnh y tế\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Giáo dục:\u003C\u002Fstrong> hệ thống dạy học thích ứng (adaptive learning), trợ lý học tập cá nhân\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hành chính – doanh nghiệp:\u003C\u002Fstrong> cổng hỏi đáp tự động (QnA), quản lý tri thức tổ chức\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Công nghiệp:\u003C\u002Fstrong> bảo trì dự đoán, hướng dẫn vận hành máy móc\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Giao tiếp người – máy:\u003C\u002Fstrong> chatbot, trợ lý AI như Siri, Alexa, Google Assistant\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột ví dụ thực tế là \u003Ca href=\"https:\u002F\u002Fazure.microsoft.com\u002Fen-us\u002Fproducts\u002Fcognitive-services\u002Fqna-maker\u002F\" target=\"_blank\">Microsoft QnA Maker\u003C\u002Fa>, nền tảng xây dựng hệ thống hỏi đáp dựa trên cơ sở tri thức, giúp tạo các chatbot hỗ trợ khách hàng từ nội dung văn bản sẵn có như tài liệu hướng dẫn hoặc câu hỏi thường gặp.\n\u003C\u002Fp>\n\n\u003Ch2>Khác biệt giữa cơ sở tri thức và cơ sở dữ liệu\u003C\u002Fh2>\n\u003Cp>\nCơ sở tri thức và cơ sở dữ liệu đều lưu trữ thông tin, nhưng mục tiêu, kiến trúc và chức năng của chúng khác nhau rõ rệt. Cơ sở dữ liệu hướng đến quản lý dữ liệu tĩnh, trong khi cơ sở tri thức xử lý các mối quan hệ logic giữa các phần tử tri thức, cho phép suy luận và sinh tri thức mới.\n\u003C\u002Fp>\n\u003Cp>\nBảng so sánh dưới đây minh họa sự khác biệt giữa hai khái niệm:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\u003Cth>Tiêu chí\u003C\u002Fth>\u003Cth>Cơ sở dữ liệu\u003C\u002Fth>\u003Cth>Cơ sở tri thức\u003C\u002Fth>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Đơn vị lưu trữ\u003C\u002Ftd>\u003Ctd>Bảng, bản ghi\u003C\u002Ftd>\u003Ctd>Dữ kiện, luật, biểu đồ\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Khả năng suy luận\u003C\u002Ftd>\u003Ctd>Không có\u003C\u002Ftd>\u003Ctd>Có, thông qua bộ suy diễn\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Định dạng biểu diễn\u003C\u002Ftd>\u003Ctd>Quan hệ bảng\u003C\u002Ftd>\u003Ctd>Logic, biểu đồ, khung\u003C\u002Ftd>\u003C\u002Ftr>\n  \u003Ctr>\u003Ctd>Ứng dụng\u003C\u002Ftd>\u003Ctd>Quản lý thông tin\u003C\u002Ftd>\u003Ctd>Ra quyết định, AI\u003C\u002Ftd>\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Thách thức khi xây dựng cơ sở tri thức\u003C\u002Fh2>\n\u003Cp>\nViệc xây dựng và duy trì cơ sở tri thức hiệu quả đòi hỏi chi phí cao và công sức lớn. Quá trình này bao gồm thu thập tri thức, chuẩn hóa, kiểm chứng, cập nhật và tích hợp liên tục từ nhiều nguồn khác nhau. Đặc biệt, trong các lĩnh vực chuyên sâu như y học hay pháp luật, việc mô hình hóa kiến thức từ chuyên gia là một thách thức.\n\u003C\u002Fp>\n\u003Cp>\nNhững thách thức phổ biến:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Thiếu tiêu chuẩn biểu diễn thống nhất:\u003C\u002Fstrong> gây khó khăn khi tích hợp từ nhiều nguồn\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Dễ lỗi thời:\u003C\u002Fstrong> tri thức thay đổi nhanh, đặc biệt trong công nghệ và y học\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Độ phức tạp cao:\u003C\u002Fstrong> trong việc duy trì tính nhất quán và tránh mâu thuẫn tri thức\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phụ thuộc chuyên gia:\u003C\u002Fstrong> thu thập tri thức thủ công cần sự phối hợp với chuyên gia lĩnh vực\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Xu hướng phát triển cơ sở tri thức hiện đại\u003C\u002Fh2>\n\u003Cp>\nCùng với sự phát triển của trí tuệ nhân tạo và dữ liệu lớn, các hệ thống cơ sở tri thức đang chuyển từ biểu diễn thủ công sang học máy và biểu đồ tri thức động. Biểu đồ tri thức (knowledge graph) được xem là xu hướng chủ đạo, đặc biệt khi kết hợp với NLP để tự động thu thập, gán nhãn và mở rộng tri thức theo ngữ cảnh.\n\u003C\u002Fp>\n\u003Cp>\nMột số xu hướng nổi bật:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Tri thức mở:\u003C\u002Fstrong> như Wikidata, DBpedia phục vụ các hệ thống AI mở\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Ontology miền chuyên sâu:\u003C\u002Fstrong> dùng trong y học, luật, công nghiệp\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học máy tăng cường:\u003C\u002Fstrong> cải thiện chất lượng suy luận dựa trên dữ liệu huấn luyện\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Trí tuệ nhân tạo có thể giải thích (XAI):\u003C\u002Fstrong> kết hợp luật với mô hình AI nhằm minh bạch hóa kết quả\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột ví dụ tiêu biểu là \u003Ca href=\"https:\u002F\u002Fresearch.google.com\u002Fpubs\u002Farchive\u002F43818.pdf\" target=\"_blank\">Google Knowledge Graph\u003C\u002Fa> – hệ thống biểu đồ tri thức hỗ trợ công cụ tìm kiếm hiểu rõ ngữ nghĩa và mối liên hệ giữa các thực thể như người, địa điểm, sự kiện.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fdeveloper.ibm.com\u002Farticles\u002Fwhat-is-a-knowledge-base\u002F\" target=\"_blank\">IBM Developer – What is a Knowledge Base?\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0004370219300116\" target=\"_blank\">Nickel et al. (2016), A Review of Relational Machine Learning for Knowledge Graphs, Artificial Intelligence Journal\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fazure.microsoft.com\u002Fen-us\u002Fproducts\u002Fcognitive-services\u002Fqna-maker\u002F\" target=\"_blank\">Microsoft Azure – QnA Maker\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fresearch.google.com\u002Fpubs\u002Farchive\u002F43818.pdf\" target=\"_blank\">Google Research – Introducing the Knowledge Graph\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fplato.stanford.edu\u002Fentries\u002Fknowledge-representation\u002F\" target=\"_blank\">Stanford Encyclopedia of Philosophy – Knowledge Representation\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],1,false,"PUBLISHED","2025-11-10T03:47:43.427+00:00","2025-11-10T15:05:20.082+00:00","2025-11-10T15:05:20.076+00:00",114,[34,37,47,52,62,72,77,82,87,92],{"id":35,"title":36,"term":35,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngữ nghĩa học","Ngữ nghĩa học là gì? Các bài nghiên cứu khoa học liên quan",{"id":38,"title":39,"term":38,"englishTitle":40,"definition":41,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"hệ thống chuyên gia","Hệ thống chuyên gia (Expert System): Cơ sở tri thức, động cơ suy diễn và ứng dụng","Expert system","Hệ thống chuyên gia (Expert System) là một chương trình máy tính thuộc lĩnh vực trí tuệ nhân tạo biểu tượng, sử dụng cơ sở tri thức chuyên gia và các quy tắc suy luận logic để giải quyết các bài toán phức tạp trong một miền chuyên môn hẹp.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":48,"title":49,"term":48,"englishTitle":50,"definition":51,"discipline":42,"disciplineCode":43,"disciplineLabel":44,"disciplineColor":45,"disciplineIcon":46},"hệ thống tri thức","Hệ thống tri thức là gì? Kiến trúc và phương pháp suy luận","knowledge-based system","Hệ thống tri thức (knowledge-based system) là một hệ thống phần mềm trí tuệ nhân tạo có khả năng giải quyết các bài toán phức tạp bằng cách biểu diễn tường minh tri thức chuyên gia trong một cơ sở tri thức và sử dụng bộ máy suy luận logic độc lập để rút ra các kết luận mới.",{"id":53,"title":54,"term":53,"englishTitle":55,"definition":56,"discipline":57,"disciplineCode":58,"disciplineLabel":59,"disciplineColor":60,"disciplineIcon":61},"theo dõi huyết áp","Theo dõi huyết áp là gì? Các phương thức và giá trị chẩn đoán","blood pressure monitoring","Theo dõi huyết áp (blood pressure monitoring) là quy trình lâm sàng và cận lâm sàng nhằm định lượng liên tục hoặc định kỳ áp lực huyết động do dòng máu tác động lên bề mặt thành động mạch qua các chu kỳ tâm thu và tâm trương của tim, đóng vai trò then chốt trong việc sàng lọc, chẩn đoán xác định, phân tầng nguy cơ tim mạch và đánh giá hiệu quả kiểm soát huyết áp.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":63,"title":64,"term":63,"englishTitle":65,"definition":66,"discipline":67,"disciplineCode":68,"disciplineLabel":69,"disciplineColor":70,"disciplineIcon":71},"liên minh tiền tệ","Liên minh tiền tệ là gì? Lý thuyết khu vực tiền tệ tối ưu","monetary union","Liên minh tiền tệ (monetary union) là hình thức hội nhập kinh tế quốc tế sâu sắc, trong đó hai hoặc nhiều quốc gia độc lập chính thức thỏa thuận từ bỏ đồng nội tệ riêng biệt để áp dụng chung một đồng tiền pháp định duy nhất, hoặc cố định vĩnh viễn tỷ giá hối đoái giữa các đồng tiền thành viên mà không thể đảo ngược.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":73,"title":74,"term":73,"englishTitle":75,"definition":76,"discipline":57,"disciplineCode":58,"disciplineLabel":59,"disciplineColor":60,"disciplineIcon":61},"trọng lượng não","Trọng lượng não là gì? Ý nghĩa giải phẫu và tiến hóa","brain weight","Trọng lượng não là đại lượng hình thái học phản ánh khối lượng toàn bộ mô thần kinh trung ương được bảo vệ bên trong hộp sọ, bao gồm hai bán cầu đại não, tiểu não và thân não.",{"id":78,"title":79,"term":78,"englishTitle":80,"definition":81,"discipline":67,"disciplineCode":68,"disciplineLabel":69,"disciplineColor":70,"disciplineIcon":71},"chương trình can thiệp","Chương trình can thiệp là gì? Nghiên cứu khoa học liên quan","intervention program","Chương trình can thiệp (intervention program) là một tập hợp có cấu trúc các hành động, chính sách hoặc biện pháp dựa trên bằng chứng khoa học, được thiết kế và thực thi nhằm thay đổi hành vi, giải quyết một vấn đề sức khỏe, giáo dục hoặc xã hội cụ thể.",{"id":83,"title":84,"term":83,"englishTitle":85,"definition":86,"discipline":67,"disciplineCode":68,"disciplineLabel":69,"disciplineColor":70,"disciplineIcon":71},"tính linh hoạt","Tính linh hoạt là gì? Các bài nghiên cứu khoa học liên quan","flexibility","Tính linh hoạt (flexibility) trong khoa học quản trị và lý thuyết hệ thống là năng lực của một tổ chức hay quy trình trong việc chủ động cảm nhận, phản ứng nhanh chóng và tái cấu trúc hiệu quả trước những bất định và thay đổi của môi trường.",{"id":88,"title":89,"term":88,"englishTitle":90,"definition":91,"discipline":67,"disciplineCode":68,"disciplineLabel":69,"disciplineColor":70,"disciplineIcon":71},"bạo lực đối tác thân mật","Bạo lực đối tác thân mật là gì? Các bài nghiên cứu khoa học","intimate partner violence","Bạo lực đối tác thân mật (IPV) là hành vi gây tổn hại về thể chất, tình dục, tâm lý hoặc kinh tế do bạn đời hoặc người yêu hiện tại hoặc trước đây gây ra, nhằm áp đặt quyền lực và kiểm soát đối phương.",{"id":93,"title":94,"term":93,"englishTitle":95,"definition":96,"discipline":97,"disciplineCode":98,"disciplineLabel":99,"disciplineColor":100,"disciplineIcon":101},"aphanomyces astaci","Aphanomyces astaci là gì? Đặc điểm và dịch tả tôm hùm đất","Aphanomyces astaci","Aphanomyces astaci là một loài noãn khuẩn ký sinh chuyên tính thuộc họ Saprolegniaceae trong bộ Saprolegniales, tác nhân căn nguyên gây ra bệnh dịch tả tôm hùm đất nước ngọt.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom"]