[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_d%E1%BB%8Bch%20m%C3%A1y{\"limit\":5}":3,"_public_topic_byId_dịch máy":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":10,"keywords":21,"keywordCount":10,"enrichTopicLink":22,"status":23,"createTime":24,"updateTime":25,"publishTime":10,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":26,"relateTopics":27},"dịch máy","Dịch máy là gì? Các nghiên cứu khoa học về Dịch máy","Dịch máy là quá trình sử dụng phần mềm để tự động chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác bằng cách mô hình hóa ngôn ngữ và học từ dữ liệu. Nó là một lĩnh vực cốt lõi trong xử lý ngôn ngữ tự nhiên, kết hợp trí tuệ nhân tạo, ngôn ngữ học và khoa học máy tính để phá vỡ rào cản ngôn ngữ toàn cầu.","\u003Cdiv>\u003Ch2>Giới thiệu về dịch máy\u003C\u002Fh2>\n\u003Cp>\nDịch máy (Machine Translation - MT) là quá trình sử dụng phần mềm để chuyển đổi văn bản tự động từ ngôn ngữ nguồn sang ngôn ngữ đích mà không có (hoặc rất ít) sự can thiệp của con người. Đây là một trong những lĩnh vực nền tảng của xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP), có vai trò thiết yếu trong việc phá vỡ rào cản ngôn ngữ trên quy mô toàn cầu.\n\u003C\u002Fp>\n\u003Cp>\nKhác với các công cụ từ điển hay dịch bán thủ công, dịch máy hướng tới khả năng xử lý hoàn toàn tự động, hoạt động trên nguyên tắc mô hình hóa ngôn ngữ và học từ dữ liệu lớn. Trong bối cảnh toàn cầu hóa, nhu cầu về dịch thuật tức thời, chi phí thấp và khả năng mở rộng khiến dịch máy trở thành công nghệ không thể thiếu trong các nền tảng quốc tế như Google, Facebook, Amazon, hoặc các hệ thống chăm sóc khách hàng toàn cầu.\n\u003C\u002Fp>\n\u003Cp>\nDịch máy có thể áp dụng trong nhiều ngữ cảnh khác nhau, từ dịch tài liệu kỹ thuật, hội thoại thời gian thực đến phụ đề phim. Mức độ chính xác và tự nhiên của bản dịch phụ thuộc vào công nghệ nền tảng của hệ thống dịch, mô hình ngôn ngữ được huấn luyện và dữ liệu đầu vào.\n\u003C\u002Fp>\n\n\u003Ch2>Phân loại các hệ thống dịch máy\u003C\u002Fh2>\n\u003Cp>\nCác hệ thống dịch máy hiện nay được phân loại theo phương pháp tiếp cận và kỹ thuật được sử dụng. Mỗi loại hệ thống có đặc điểm riêng, phù hợp với các tình huống sử dụng và yêu cầu khác nhau về chất lượng, tốc độ và khả năng thích ứng.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Dịch máy dựa trên quy tắc (Rule-Based MT - RBMT)\u003C\u002Fstrong>: Sử dụng tập hợp quy tắc ngữ pháp và từ điển song ngữ để phân tích và dịch văn bản. Đây là phương pháp sớm nhất, yêu cầu nhiều công sức thiết kế quy tắc ngôn ngữ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Dịch máy thống kê (Statistical MT - SMT)\u003C\u002Fstrong>: Dựa trên mô hình xác suất từ dữ liệu song ngữ lớn. Hệ thống học cách dịch dựa trên xác suất xuất hiện của các cặp cụm từ tương ứng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Dịch máy bằng mạng nơ-ron (Neural MT - NMT)\u003C\u002Fstrong>: Dựa trên mạng nơ-ron sâu để học ánh xạ giữa ngôn ngữ nguồn và ngôn ngữ đích. Đây là phương pháp tiên tiến nhất hiện nay.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nBảng sau tóm tắt sự khác biệt giữa các phương pháp chính:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Nhược điểm\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>RBMT\u003C\u002Ftd>\n      \u003Ctd>Kiểm soát chặt chẽ về ngữ pháp, phù hợp cho ngôn ngữ có cấu trúc rõ ràng\u003C\u002Ftd>\n      \u003Ctd>Khó mở rộng, tốn công xây dựng quy tắc\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>SMT\u003C\u002Ftd>\n      \u003Ctd>Dễ huấn luyện từ dữ liệu song ngữ; không cần quy tắc ngữ pháp\u003C\u002Ftd>\n      \u003Ctd>Dịch không tự nhiên, sai lệch trong ngữ cảnh dài\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>NMT\u003C\u002Ftd>\n      \u003Ctd>Chất lượng dịch cao, ngữ cảnh rộng, có thể học ngữ nghĩa\u003C\u002Ftd>\n      \u003Ctd>Yêu cầu tài nguyên tính toán lớn, khó kiểm soát lỗi\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Các giai đoạn phát triển của dịch máy\u003C\u002Fh2>\n\u003Cp>\nDịch máy bắt đầu từ giữa thế kỷ 20, ban đầu được tài trợ mạnh mẽ bởi chính phủ trong bối cảnh Chiến tranh Lạnh. Năm 1954, IBM và Đại học Georgetown thực hiện bản dịch máy đầu tiên từ tiếng Nga sang tiếng Anh, nhưng hệ thống chỉ có thể dịch vài chục câu với từ vựng hạn chế.\n\u003C\u002Fp>\n\u003Cp>\nTrong thập niên 1980 và 1990, phương pháp dịch máy dựa trên quy tắc được phát triển mạnh mẽ. Tuy nhiên, hạn chế về khả năng mở rộng và chi phí phát triển khiến nó dần bị thay thế bởi dịch máy thống kê vào đầu những năm 2000, khi mà khả năng lưu trữ và xử lý dữ liệu lớn trở nên phổ biến.\n\u003C\u002Fp>\n\u003Cp>\nMột bước ngoặt xuất hiện vào năm 2014 với sự xuất hiện của các mô hình dịch máy bằng mạng nơ-ron. Đến năm 2017, mô hình Transformer được giới thiệu trong bài báo nổi tiếng \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762\" target=\"_blank\">“Attention is All You Need”\u003C\u002Fa>, đánh dấu kỷ nguyên của các hệ thống dịch máy hiện đại, trong đó Google Translate cũng đã chuyển sang kiến trúc này.\n\u003C\u002Fp>\n\n\u003Ch2>Nguyên lý hoạt động của mô hình Neural Machine Translation\u003C\u002Fh2>\n\u003Cp>\nMô hình dịch máy bằng mạng nơ-ron thường sử dụng kiến trúc Encoder-Decoder, trong đó câu đầu vào (ngôn ngữ nguồn) được mã hóa thành một biểu diễn ngữ nghĩa (vector), sau đó giải mã thành câu đầu ra (ngôn ngữ đích). Toàn bộ quá trình được huấn luyện từ dữ liệu song ngữ.\n\u003C\u002Fp>\n\u003Cp>\nBiểu thức xác suất của quá trình này có thể mô tả như sau:\n\u003Cscript type=\"math\u002Ftex\">\nP(y|x) = \\prod_{t=1}^{T} P(y_t | y_{\u003Ct}, x)\n\u003C\u002Fscript>\nTrong đó:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> x \u003C\u002Fscript>: câu nguồn\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> y \u003C\u002Fscript>: câu đích\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> y_t \u003C\u002Fscript>: từ thứ t trong câu đích\u003C\u002Fli>\n\u003C\u002Ful>\nMỗi từ trong câu đích được sinh ra dựa trên toàn bộ câu nguồn và các từ trước đó đã sinh.\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNgoài kiến trúc RNN truyền thống, các mô hình hiện đại như Transformer không dùng cơ chế tuần tự mà áp dụng attention đa đầu (multi-head attention), giúp cải thiện tốc độ và khả năng học ngữ cảnh xa. Điều này làm cho các mô hình dịch máy ngày nay nhanh hơn, chính xác hơn và có khả năng dịch tốt hơn cho các ngôn ngữ có cấu trúc phức tạp.\n\u003C\u002Fp>\u003Ch2>Mô hình Transformer và ảnh hưởng đến dịch máy\u003C\u002Fh2>\n\u003Cp>\nTransformer là kiến trúc mạng nơ-ron được giới thiệu năm 2017 trong công trình \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762\" target=\"_blank\">“Attention Is All You Need”\u003C\u002Fa> của nhóm nghiên cứu tại Google Brain. Khác với RNN hay LSTM, Transformer không xử lý dữ liệu theo thứ tự thời gian mà dựa vào cơ chế attention để mô hình hóa quan hệ giữa các từ trong câu đầu vào và đầu ra.\n\u003C\u002Fp>\n\u003Cp>\nĐiểm nổi bật của Transformer là khả năng xử lý song song trên toàn bộ chuỗi, giúp tăng tốc độ huấn luyện và dịch. Các thành phần chính của kiến trúc này bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Multi-head self-attention\u003C\u002Fli>\n  \u003Cli>Position-wise feedforward networks\u003C\u002Fli>\n  \u003Cli>Positional encoding để giữ thứ tự từ\u003C\u002Fli>\n\u003C\u002Ful>\nTransformer đã nhanh chóng trở thành nền tảng cho nhiều hệ thống dịch máy hiện đại như Google Translate, DeepL, Microsoft Translator, và là tiền đề của các mô hình ngôn ngữ lớn như BERT, GPT.\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột so sánh tổng quan giữa ba kiến trúc dịch máy phổ biến:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Kiến trúc\u003C\u002Fth>\n      \u003Cth>Xử lý tuần tự\u003C\u002Fth>\n      \u003Cth>Học ngữ cảnh dài\u003C\u002Fth>\n      \u003Cth>Tốc độ huấn luyện\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>RNN\u003C\u002Ftd>\n      \u003Ctd>Có\u003C\u002Ftd>\n      \u003Ctd>Giới hạn\u003C\u002Ftd>\n      \u003Ctd>Chậm\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>LSTM\u003C\u002Ftd>\n      \u003Ctd>Có\u003C\u002Ftd>\n      \u003Ctd>Tốt hơn RNN\u003C\u002Ftd>\n      \u003Ctd>Trung bình\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Transformer\u003C\u002Ftd>\n      \u003Ctd>Không\u003C\u002Ftd>\n      \u003Ctd>Rất tốt\u003C\u002Ftd>\n      \u003Ctd>Nhanh\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Đánh giá chất lượng dịch máy\u003C\u002Fh2>\n\u003Cp>\nChất lượng của hệ thống dịch máy không thể đánh giá chỉ bằng cảm nhận chủ quan. Cần có các chỉ số định lượng để đo lường độ chính xác và mức độ tương đồng giữa bản dịch máy và bản dịch tham chiếu. Phổ biến nhất là chỉ số BLEU (Bilingual Evaluation Understudy).\n\u003C\u002Fp>\n\u003Cp>\nChỉ số BLEU được tính dựa trên mức độ khớp của n-gram giữa bản dịch máy và một hoặc nhiều bản dịch tham chiếu của con người:\n\u003Cscript type=\"math\u002Ftex\">\nBLEU = BP \\cdot \\exp \\left( \\sum_{n=1}^{N} w_n \\log p_n \\right)\n\u003C\u002Fscript>\nTrong đó:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> p_n \u003C\u002Fscript>: tỉ lệ n-gram khớp giữa bản dịch máy và bản dịch tham chiếu\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> w_n \u003C\u002Fscript>: trọng số (thường chia đều)\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> BP \u003C\u002Fscript>: penalty nếu bản dịch máy quá ngắn\u003C\u002Fli>\n\u003C\u002Ful>\nBLEU hoạt động tốt với dữ liệu lớn nhưng không phản ánh được ngữ nghĩa và phong cách trong nhiều ngữ cảnh cụ thể. Do đó, các chỉ số bổ sung như METEOR, TER, hoặc đánh giá thủ công vẫn được sử dụng trong nghiên cứu và ứng dụng thực tế.\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế của dịch máy\u003C\u002Fh2>\n\u003Cp>\nDịch máy đã vượt khỏi phạm vi thử nghiệm và được triển khai trong nhiều lĩnh vực thực tiễn. Các nền tảng dịch trực tuyến như \u003Ca href=\"https:\u002F\u002Ftranslate.google.com\u002F\" target=\"_blank\">Google Translate\u003C\u002Fa>, \u003Ca href=\"https:\u002F\u002Fwww.deepl.com\u002Ftranslator\" target=\"_blank\">DeepL\u003C\u002Fa> hay \u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Ftranslator\u002F\" target=\"_blank\">Microsoft Translator\u003C\u002Fa> cho phép người dùng dịch văn bản, trang web, hoặc tài liệu nhanh chóng với hơn 100 ngôn ngữ.\n\u003C\u002Fp>\n\u003Cp>\nMột số lĩnh vực ứng dụng chính:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Giáo dục: Hỗ trợ sinh viên tiếp cận tài liệu nước ngoài\u003C\u002Fli>\n  \u003Cli>Truyền thông: Tự động hóa phụ đề phim, bản tin\u003C\u002Fli>\n  \u003Cli>Dịch vụ khách hàng: Chatbot đa ngôn ngữ, email tự động\u003C\u002Fli>\n  \u003Cli>Thương mại điện tử: Dịch mô tả sản phẩm, đánh giá khách hàng\u003C\u002Fli>\n\u003C\u002Ful>\nNgoài ra, các công ty đa quốc gia sử dụng dịch máy để duy trì luồng thông tin nội bộ xuyên biên giới. Tại một số quốc gia, hệ thống dịch máy còn được tích hợp trong hành chính công để phục vụ người dân sử dụng ngôn ngữ thiểu số.\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\n\u003Cp>\nMặc dù chất lượng bản dịch ngày càng cải thiện, dịch máy vẫn chưa thể đạt đến mức độ chính xác và biểu cảm như bản dịch do con người thực hiện. Một số vấn đề còn tồn tại:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Hiểu sai ngữ cảnh hoặc mối quan hệ giữa các câu\u003C\u002Fli>\n  \u003Cli>Khó xử lý các cấu trúc ngữ pháp đặc thù hoặc ngôn ngữ ít tài nguyên\u003C\u002Fli>\n  \u003Cli>Dịch từ đa nghĩa hoặc biểu đạt mơ hồ\u003C\u002Fli>\n  \u003Cli>Không đủ độ chính xác trong các lĩnh vực chuyên ngành như luật, y tế\u003C\u002Fli>\n\u003C\u002Ful>\nNgoài ra, mô hình dịch máy cũng dễ bị thiên lệch do dữ liệu huấn luyện không cân bằng về giới tính, chủng tộc hoặc địa lý. Điều này đòi hỏi việc tiền xử lý dữ liệu và đánh giá đạo đức trong thiết kế hệ thống.\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>So sánh giữa dịch máy và dịch thủ công\u003C\u002Fh2>\n\u003Cp>\nDịch máy vượt trội về tốc độ và chi phí, đặc biệt trong môi trường cần xử lý khối lượng văn bản lớn trong thời gian ngắn. Tuy nhiên, dịch thủ công do con người thực hiện vẫn giữ ưu thế trong các tình huống cần độ chính xác cao, sự tinh tế về ngữ nghĩa, và hiểu biết văn hóa.\n\u003C\u002Fp>\n\u003Cp>\nSo sánh nhanh giữa hai phương pháp:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tiêu chí\u003C\u002Fth>\n      \u003Cth>Dịch máy\u003C\u002Fth>\n      \u003Cth>Dịch thủ công\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Tốc độ\u003C\u002Ftd>\n      \u003Ctd>Rất nhanh\u003C\u002Ftd>\n      \u003Ctd>Chậm hơn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Chi phí\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Chất lượng ngữ nghĩa\u003C\u002Ftd>\n      \u003Ctd>Không ổn định\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Xử lý ngữ cảnh phức tạp\u003C\u002Ftd>\n      \u003Ctd>Hạn chế\u003C\u002Ftd>\n      \u003Ctd>Tốt\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nGiải pháp trung gian là sử dụng công cụ hỗ trợ dịch (CAT - Computer-Assisted Translation), trong đó dịch máy cung cấp bản nháp để người dịch hiệu đính, vừa tiết kiệm thời gian vừa đảm bảo chất lượng.\n\u003C\u002Fp>\n\n\u003Ch2>Triển vọng tương lai\u003C\u002Fh2>\n\u003Cp>\nVới sự phát triển nhanh chóng của trí tuệ nhân tạo và mô hình ngôn ngữ lớn (Large Language Models - LLMs), dịch máy đang tiến gần đến khả năng hiểu ngôn ngữ như con người. Các hướng nghiên cứu mới tập trung vào:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Dịch đa ngôn ngữ (multilingual MT)\u003C\u002Fli>\n  \u003Cli>Dịch không giám sát (unsupervised MT) cho ngôn ngữ hiếm\u003C\u002Fli>\n  \u003Cli>Dịch theo ngữ cảnh dài, liên đoạn\u003C\u002Fli>\n  \u003Cli>Học liên tục và cá nhân hóa theo người dùng\u003C\u002Fli>\n\u003C\u002Ful>\nMột số mô hình tiên phong như GPT-4, PaLM hay Gemini đang mở ra khả năng tích hợp dịch máy vào hệ thống trí tuệ tổng quát, nơi dịch chỉ là một phần của quá trình giao tiếp và xử lý ngôn ngữ tự nhiên toàn diện.\n\u003Cp>\u003C\u002Fp>\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[13],false,"PUBLISHED","2024-01-10T06:38:21.115+00:00","2025-09-09T04:09:23.125+00:00",488,[28,38,43,48,58,63,73,78,83,88],{"id":29,"title":30,"term":29,"englishTitle":31,"definition":32,"discipline":33,"disciplineCode":34,"disciplineLabel":35,"disciplineColor":36,"disciplineIcon":37},"học sâu","Học sâu là gì? Các công bố khoa học về Học sâu","Deep Learning","Học sâu (Deep Learning) là một phân ngành của học máy (Machine Learning) dựa trên các mạng nơ-ron nhân tạo nhiều lớp sâu, cho phép mô hình tự động học các biểu diễn đặc trưng phân cấp của dữ liệu từ mức độ thô đến trừu tượng cao mà không cần kỹ thuật trích chọn đặc trưng thủ công.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":39,"title":40,"term":39,"englishTitle":41,"definition":42,"discipline":33,"disciplineCode":34,"disciplineLabel":35,"disciplineColor":36,"disciplineIcon":37},"α synuclein","Alpha-synuclein là gì? Cấu trúc, cơ chế vón cục và bệnh Parkinson","Alpha-Synuclein","Alpha-synuclein (\\alpha-synuclein, viết tắt là a-synuclein) là một protein hòa tan nhỏ gồm 140 axit amin (trọng lượng phân tử xấp xỉ 14.4\\text{ kDa}), được mã hóa bởi gen SNCA nằm trên cánh dài nhiễm sắc thể số 4 (4q22.1). Protein này hiện diện phong phú trong não bộ con người, đặc biệt tập trung ở cúc tận cùng tiền synapse của các tế bào thần kinh, tham gia điều hòa quá trình giải phóng các túi chứa chất dẫn truyền thần kinh dopamine.",{"id":44,"title":45,"term":44,"englishTitle":46,"definition":47,"discipline":33,"disciplineCode":34,"disciplineLabel":35,"disciplineColor":36,"disciplineIcon":37},"phân loại nhị phân","Phân loại nhị phân là gì? Ma trận nhầm lẫn, đường cong ROC và các thuật toán","Binary Classification","Phân loại nhị phân (binary classification) là một dạng bài toán kinh điển và cơ bản nhất trong học máy có giám sát (supervised machine learning) và thống kê học ứng dụng, trong đó nhiệm vụ của mô hình thuật toán là học một ánh xạ dự đoán f: \\mathbb{R}^d \\to \\{0, 1\\} từ một vector không gian đặc trưng đầu vào x vào một trong hai nhóm nhãn rời rạc loại trừ lẫn nhau (thường được quy ước là lớp âm tính 0 và lớp dương tính 1).",{"id":49,"title":50,"term":49,"englishTitle":51,"definition":52,"discipline":53,"disciplineCode":54,"disciplineLabel":55,"disciplineColor":56,"disciplineIcon":57},"suy gan cấp tính","Suy gan cấp tính là gì? Tiêu chuẩn chẩn đoán, nguyên nhân và điều trị tích cực","Acute Liver Failure","Suy gan cấp tính (Acute Liver Failure - ALF, trước đây thường được gọi là hoại tử gan tối cấp hay suy gan bùng phát) là một hội chứng cấp cứu y khoa nghiêm trọng đe dọa tính mạng, đặc trưng bởi sự hoại tử ồ ạt các tế bào nhu mô gan hoặc suy giảm chức năng tế bào gan nghiêm trọng xảy ra đột ngột trên một người bệnh trước đó có lá gan hoàn toàn khỏe mạnh (hoặc không có tiền sử xơ gan).","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":59,"title":60,"term":59,"englishTitle":61,"definition":62,"discipline":53,"disciplineCode":54,"disciplineLabel":55,"disciplineColor":56,"disciplineIcon":57},"cytokine viêm","Cytokine viêm là gì? Cơ chế TNF-α, IL-6, IL-1 và bão cytokine","Proinflammatory Cytokines","Cytokine viêm (proinflammatory cytokines \u002F cytokine tiền viêm) là một nhóm lớn các protein hoặc glycoprotein hòa tan có trọng lượng phân tử nhỏ (8 - 40\\text{ kDa}), được tiết ra chủ yếu bởi các đại thực bào, tế bào đuôi gai (dendritic cells), tế bào mast và tế bào lympho T hỗ trợ (Th1, Th17) nhằm mục đích điều phối, khuếch đại phản ứng viêm miễn dịch và kích thích huy động các tế bào bạch cầu đến vị trí nhiễm trùng hoặc tổn thương mô.",{"id":64,"title":65,"term":64,"englishTitle":66,"definition":67,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"sang chấn tâm lý","Sang chấn tâm lý là gì? Phân loại, cơ chế thần kinh và điều trị PTSD","Psychological Trauma","Sang chấn tâm lý (psychological trauma) là trạng thái tổn thương cảm xúc, nhận thức và sinh lý thần kinh sâu sắc xảy ra khi một cá nhân phải trải qua hoặc chứng kiến những biến cố thảm khốc vượt quá ngưỡng chịu đựng và khả năng thích ứng thông thường của tâm trí—chẳng hạn như tai nạn nghiêm trọng, thiên tai tàn khốc, chiến tranh bạo lực, hoặc bị xâm hại thể xác và lạm dụng tình dục.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":74,"title":75,"term":74,"englishTitle":76,"definition":77,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"chi phí điều trị trực tiếp","Chi phí điều trị trực tiếp là gì? Khái niệm, phân loại và đánh giá kinh tế y tế","Direct Medical Costs","Chi phí điều trị trực tiếp (Direct Medical Costs \u002F Direct Healthcare Costs) trong kinh tế y tế (Health Economics) là tổng các nguồn lực tài chính được chi trả bằng tiền thực tế cho việc cung cấp và sử dụng các dịch vụ chăm sóc sức khỏe nhằm mục đích phòng ngừa, chẩn đoán, điều trị, phục hồi chức năng hoặc chăm sóc giảm nhẹ đối với một căn bệnh cụ thể.",{"id":79,"title":80,"term":79,"englishTitle":81,"definition":82,"discipline":53,"disciplineCode":54,"disciplineLabel":55,"disciplineColor":56,"disciplineIcon":57},"kháng nguyên liên quan đến lõi của vi rút viêm gan b hbcrag","HBcrAg là gì? Vai trò đánh giá cccDNA, theo dõi viêm gan B và nguy cơ ung thư gan","Hepatitis B Core-Related Antigen","Kháng nguyên liên quan đến lõi của vi rút viêm gan B (Hepatitis B core-related antigen, viết tắt là HBcrAg) là một dấu ấn sinh học huyết thanh thế hệ mới mang tính đột phá trong quản lý bệnh nhân nhiễm virus viêm gan B (HBV). HBcrAg đo lường đồng thời ba loại protein do gen tiền lõi\u002Flõi (precore\u002Fcore gene) của HBV mã hóa, phản ánh trực tiếp bể chứa DNA dạng vòng khép kín liên kết cộng hóa trị (cccDNA) và mức độ phiên mã virus trong nhân tế bào gan.",{"id":84,"title":85,"term":84,"englishTitle":86,"definition":87,"discipline":33,"disciplineCode":34,"disciplineLabel":35,"disciplineColor":36,"disciplineIcon":37},"thuật toán tối ưu hóa","Thuật toán tối ưu hóa là gì? Phân loại, Gradient Descent và bài toán lồi","Optimization Algorithms","Thuật toán tối ưu hóa (optimization algorithm) là các phương pháp tính toán số học được thiết kế có hệ thống nhằm tìm ra phần tử tốt nhất x^* (điểm cực tiểu hóa hoặc cực đại hóa) của một hàm mục tiêu f(x) trong một tập hợp các giá trị khả thi \\Omega chịu sự chi phối của các điều kiện ràng buộc. Tối ưu hóa là nền tảng cốt lõi của toán học ứng dụng, khoa học dữ liệu, học máy (Machine Learning), kinh tế lượng và kỹ thuật công nghiệp.",{"id":89,"title":90,"term":89,"englishTitle":91,"definition":92,"discipline":53,"disciplineCode":54,"disciplineLabel":55,"disciplineColor":56,"disciplineIcon":57},"chụp mạch số hóa xóa nền","Chụp mạch số hóa xóa nền là gì? Nguyên lý DSA, quy trình và can thiệp mạch","Digital Subtraction Angiography","Chụp mạch số hóa xóa nền (Digital Subtraction Angiography - DSA) là phương pháp chẩn đoán hình ảnh và can thiệp nội mạch hiện đại sử dụng tia X kết hợp xử lý thuật toán máy tính kỹ thuật số để hiển thị hình ảnh lòng mạch máu một cách sắc nét và chi tiết, bằng cách loại bỏ (xóa nền) hoàn toàn các cấu trúc giải phẫu cố định xung quanh như xương sọ, cột sống và mô mềm."]