[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_d%E1%BB%AF%20li%E1%BB%87u%20chu%E1%BA%A9n%20h%C3%B3a{\"limit\":5}":3,"_public_topic_byId_dữ liệu chuẩn hóa":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":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"relateTopics":32},"dữ liệu chuẩn hóa","Dữ liệu chuẩn hóa là gì? Các nghiên cứu khoa học liên quan","Dữ liệu chuẩn hóa là dữ liệu đã được biến đổi để đưa các đặc trưng về cùng một thang đo, nhằm đảm bảo tính đồng nhất và cải thiện hiệu quả xử lý. Quá trình này giúp loại bỏ sự chênh lệch về đơn vị, phạm vi hoặc phân phối giữa các biến, đặc biệt quan trọng trong học máy và phân tích thống kê. ","\u003Cdiv>\u003Ch2>Định nghĩa dữ liệu chuẩn hóa\u003C\u002Fh2>\n\u003Cp>Dữ liệu chuẩn hóa (normalized data) là dạng dữ liệu đã được biến đổi toán học để đưa các giá trị về cùng một thang đo, phạm vi hoặc phân phối. Đây là một bước tiền xử lý quan trọng trong các bài toán học máy, phân tích dữ liệu thống kê và xử lý tín hiệu nhằm đảm bảo tính đồng nhất giữa các đặc trưng đầu vào. Mục tiêu chính là loại bỏ sự khác biệt về đơn vị đo, quy mô hoặc độ lệch chuẩn giữa các thuộc tính, từ đó tránh làm sai lệch kết quả mô hình hóa.\u003C\u002Fp>\n\u003Cp>Dữ liệu chuẩn hóa giúp tạo điều kiện để các thuật toán hoạt động hiệu quả hơn bằng cách giảm ảnh hưởng của các đặc trưng có giá trị lớn hoặc đơn vị không tương đồng. Ví dụ, trong một tập dữ liệu có hai cột: chiều cao (cm) và thu nhập (triệu đồng), nếu không chuẩn hóa, đặc trưng thu nhập có thể chi phối quá trình học của mô hình do giá trị tuyệt đối lớn hơn nhiều.\u003C\u002Fp>\n\u003Cp>Một trong những phương pháp chuẩn hóa phổ biến nhất là z-score, được tính bằng công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">z = \\frac{x - \\mu}{\\sigma}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> là giá trị ban đầu, \u003Cscript type=\"math\u002Ftex\">\\mu\u003C\u002Fscript> là giá trị trung bình và \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> là độ lệch chuẩn của cột dữ liệu. Sau chuẩn hóa, dữ liệu có trung bình 0 và độ lệch chuẩn 1, phù hợp cho các thuật toán giả định phân phối chuẩn đầu vào như hồi quy tuyến tính hoặc PCA.\u003C\u002Fp>\n\n\u003Ch2>Tại sao cần chuẩn hóa dữ liệu?\u003C\u002Fh2>\n\u003Cp>Trong các tập dữ liệu thực tế, các đặc trưng thường có đơn vị đo khác nhau, phạm vi biến đổi khác nhau và phân phối không đồng nhất. Việc đưa dữ liệu về cùng một quy mô giúp tăng độ chính xác và tính ổn định của mô hình học máy. Nhiều thuật toán như KNN, SVM, K-means hoặc mạng nơ-ron nhân tạo rất nhạy cảm với khoảng cách Euclidean, do đó nếu không chuẩn hóa, các thuộc tính có giá trị lớn sẽ gây thiên lệch trong tính toán.\u003C\u002Fp>\n\u003Cp>Chuẩn hóa dữ liệu đặc biệt quan trọng khi:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Áp dụng các thuật toán dựa trên độ đo (KNN, K-means, DBSCAN)\u003C\u002Fli>\n  \u003Cli>Dữ liệu đầu vào chứa nhiều đặc trưng có giá trị tuyệt đối lớn nhỏ không đồng đều\u003C\u002Fli>\n  \u003Cli>Huấn luyện mạng nơ-ron để tránh hiện tượng gradient biến mất hoặc nổ\u003C\u002Fli>\n  \u003Cli>So sánh các chỉ số thống kê có đơn vị khác nhau\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Việc chuẩn hóa không chỉ cải thiện tốc độ hội tụ trong quá trình huấn luyện mà còn giúp mô hình học tập đồng đều từ tất cả các đặc trưng thay vì bị chi phối bởi một số biến có quy mô lớn.\u003C\u002Fp>\n\n\u003Ch2>Các phương pháp chuẩn hóa phổ biến\u003C\u002Fh2>\n\u003Cp>Có nhiều phương pháp chuẩn hóa dữ liệu tùy thuộc vào mục đích và đặc tính của dữ liệu. Mỗi phương pháp sử dụng công thức biến đổi khác nhau và phù hợp với từng loại thuật toán cụ thể. Dưới đây là một số kỹ thuật thường được sử dụng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Min-max scaling:\u003C\u002Fstrong> Đưa dữ liệu về khoảng [0, 1] theo công thức:\n    \u003Cscript type=\"math\u002Ftex\">x' = \\frac{x - x_{\\text{min}}}{x_{\\text{max}} - x_{\\text{min}}}\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Z-score normalization:\u003C\u002Fstrong> Chuẩn hóa theo phân phối chuẩn:\n    \u003Cscript type=\"math\u002Ftex\">z = \\frac{x - \\mu}{\\sigma}\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Decimal scaling:\u003C\u002Fstrong> Chia giá trị cho lũy thừa của 10 sao cho \u003Cscript type=\"math\u002Ftex\">|x'| \u003C 1\u003C\u002Fscript>:\n    \u003Cscript type=\"math\u002Ftex\">x' = \\frac{x}{10^j}\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng sau so sánh các phương pháp chuẩn hóa phổ biến:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Phương pháp\u003C\u002Fth>\n    \u003Cth>Phạm vi kết quả\u003C\u002Fth>\n    \u003Cth>Phù hợp với\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Min-max scaling\u003C\u002Ftd>\n    \u003Ctd>[0, 1] hoặc [-1, 1]\u003C\u002Ftd>\n    \u003Ctd>KNN, mạng nơ-ron, thuật toán cần giá trị giới hạn\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Z-score (Standardization)\u003C\u002Ftd>\n    \u003Ctd>Không giới hạn\u003C\u002Ftd>\n    \u003Ctd>Hồi quy tuyến tính, PCA, SVM\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Decimal scaling\u003C\u002Ftd>\n    \u003Ctd>\u003Cscript type=\"math\u002Ftex\">(-1, 1)\u003C\u002Fscript>\u003C\u002Ftd>\n    \u003Ctd>Dữ liệu có phân phối không chuẩn, dễ hiểu\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>Lựa chọn phương pháp chuẩn hóa cần dựa trên bản chất dữ liệu và yêu cầu thuật toán. Không có kỹ thuật nào là tối ưu cho mọi trường hợp, do đó việc thử nghiệm nhiều phương pháp và đánh giá hiệu quả mô hình là cần thiết.\u003C\u002Fp>\n\n\u003Ch2>Phân biệt chuẩn hóa và chuẩn hoá dữ liệu (data standardization vs normalization)\u003C\u002Fh2>\n\u003Cp>Trong nhiều tài liệu tiếng Anh, hai thuật ngữ “normalization” và “standardization” thường được sử dụng thay thế nhau, nhưng trong ngữ cảnh học máy và thống kê, chúng mang ý nghĩa khác nhau. Việc phân biệt rõ hai khái niệm này là cần thiết để áp dụng đúng kỹ thuật xử lý dữ liệu.\u003C\u002Fp>\n\u003Cp>Normalization thường ám chỉ việc đưa dữ liệu về một phạm vi xác định, như [0, 1] hoặc [-1, 1], trong khi standardization là biến đổi dữ liệu để có phân phối chuẩn với trung bình 0 và độ lệch chuẩn 1. Sự khác biệt này được tóm tắt như sau:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Đặc điểm\u003C\u002Fth>\n    \u003Cth>Normalization\u003C\u002Fth>\n    \u003Cth>Standardization\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Phép biến đổi\u003C\u002Ftd>\n    \u003Ctd>Min-max scaling, log transformation\u003C\u002Ftd>\n    \u003Ctd>Z-score scaling\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Phân phối sau chuẩn hóa\u003C\u002Ftd>\n    \u003Ctd>Không nhất định\u003C\u002Ftd>\n    \u003Ctd>Gần phân phối chuẩn\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Phù hợp với\u003C\u002Ftd>\n    \u003Ctd>KNN, mạng nơ-ron\u003C\u002Ftd>\n    \u003Ctd>PCA, hồi quy tuyến tính\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>Việc hiểu sai hai khái niệm có thể dẫn đến lựa chọn phương pháp tiền xử lý không phù hợp, làm giảm hiệu suất mô hình và độ chính xác của kết quả.\u003C\u002Fp>\n\u003Ch2>Chuẩn hóa trong học máy\u003C\u002Fh2>\n\u003Cp>Trong học máy (machine learning), việc chuẩn hóa dữ liệu đóng vai trò đặc biệt quan trọng để đảm bảo mô hình hoạt động chính xác và ổn định. Nhiều thuật toán giả định rằng dữ liệu đầu vào có phân phối tương đồng hoặc trung tâm hóa quanh 0. Nếu không thực hiện chuẩn hóa, mô hình có thể học sai xu hướng hoặc hội tụ chậm trong quá trình huấn luyện.\u003C\u002Fp>\n\u003Cp>Các thuật toán bị ảnh hưởng trực tiếp bởi dữ liệu chưa chuẩn hóa bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Hồi quy tuyến tính:\u003C\u002Fstrong> Cần dữ liệu có phân phối chuẩn để các hệ số ước lượng không bị lệch\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>SVM:\u003C\u002Fstrong> Dựa vào khoảng cách Euclidean nên bị ảnh hưởng bởi quy mô đặc trưng\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>KNN, K-means:\u003C\u002Fstrong> So sánh khoảng cách trực tiếp, cần dữ liệu trong cùng phạm vi\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mạng nơ-ron:\u003C\u002Fstrong> Dữ liệu không chuẩn hóa có thể gây gradient nổ hoặc tiêu biến\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Trong các framework hiện đại như \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fpreprocessing.html\" target=\"_blank\">scikit-learn\u003C\u002Fa>, việc chuẩn hóa được hỗ trợ thông qua các công cụ như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Ccode>StandardScaler\u003C\u002Fcode>: chuẩn hóa theo z-score\u003C\u002Fli>\n  \u003Cli>\u003Ccode>MinMaxScaler\u003C\u002Fcode>: biến đổi về khoảng [0, 1]\u003C\u002Fli>\n  \u003Cli>\u003Ccode>RobustScaler\u003C\u002Fcode>: ít bị ảnh hưởng bởi ngoại lệ (outlier)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Lưu ý quan trọng là khi chuẩn hóa dữ liệu trong học máy, cần tính toán thông số (mean, std, min, max) từ tập huấn luyện và áp dụng lên tập kiểm tra, tránh làm rò rỉ thông tin (data leakage) và đảm bảo tính khách quan.\u003C\u002Fp>\n\n\u003Ch2>Chuẩn hóa trong cơ sở dữ liệu\u003C\u002Fh2>\n\u003Cp>Trong lĩnh vực cơ sở dữ liệu, “chuẩn hóa dữ liệu” có nghĩa hoàn toàn khác so với trong học máy. Nó là quá trình thiết kế lược đồ cơ sở dữ liệu sao cho loại bỏ dư thừa thông tin, tránh mâu thuẫn và đảm bảo toàn vẹn dữ liệu. Việc này được thực hiện thông qua các cấp độ gọi là dạng chuẩn (normal forms).\u003C\u002Fp>\n\u003Cp>Các dạng chuẩn chính bao gồm:\n\u003C\u002Fp>\u003Col>\n  \u003Cli>\u003Cstrong>1NF – First Normal Form:\u003C\u002Fstrong> Loại bỏ thuộc tính đa trị và lồng nhau, đảm bảo mỗi trường chứa đúng một giá trị nguyên tử\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>2NF – Second Normal Form:\u003C\u002Fstrong> Loại bỏ phụ thuộc từng phần vào khóa chính\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>3NF – Third Normal Form:\u003C\u002Fstrong> Loại bỏ phụ thuộc bắc cầu không cần thiết\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Ví dụ: một bảng thông tin sinh viên chứa mã lớp, tên lớp, tên khoa – nếu có nhiều sinh viên cùng lớp, việc lặp lại tên lớp và tên khoa sẽ gây dư thừa và khó duy trì. Chuẩn hóa sẽ tách lớp học và khoa thành các bảng riêng biệt, liên kết qua khóa ngoại.\u003C\u002Fp>\n\u003Cp>Để biết thêm chi tiết về chuẩn hóa trong cơ sở dữ liệu, có thể tham khảo tài liệu chính thức từ IBM tại \u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fdocs\u002Fen\u002Fdb2\u002F11.5?topic=model-normalization\" target=\"_blank\">đây\u003C\u002Fa>.\u003C\u002Fp>\n\n\u003Ch2>Chuẩn hóa và ảnh hưởng đến phân tích thống kê\u003C\u002Fh2>\n\u003Cp>Chuẩn hóa cũng là bước tiền xử lý cần thiết trong thống kê mô tả và phân tích suy diễn. Khi các biến có đơn vị hoặc phạm vi khác nhau, việc so sánh trực tiếp là không hợp lý. Chuẩn hóa giúp biến đổi dữ liệu về cùng một thang đo để dễ phân tích và diễn giải.\u003C\u002Fp>\n\u003Cp>Một ví dụ điển hình là phân tích thành phần chính (PCA). Trước khi thực hiện PCA, các đặc trưng phải được chuẩn hóa để tránh hiện tượng một biến có phương sai lớn chi phối hướng phân tích chính. Nếu không, kết quả PCA sẽ phản ánh biến có giá trị lớn thay vì cấu trúc tổng thể của dữ liệu.\u003C\u002Fp>\n\u003Cp>Chuẩn hóa điểm số (z-score) cũng là công cụ phổ biến để phát hiện giá trị ngoại lệ. Nếu một điểm dữ liệu có \u003Cscript type=\"math\u002Ftex\">|z| > 3\u003C\u002Fscript>, nó thường được coi là ngoại lệ thống kê vì nằm ngoài ba độ lệch chuẩn tính từ trung bình.\u003C\u002Fp>\n\n\u003Ch2>Lưu ý và sai lầm thường gặp\u003C\u002Fh2>\n\u003Cp>Một số sai sót phổ biến trong chuẩn hóa dữ liệu có thể gây ảnh hưởng nghiêm trọng đến kết quả mô hình hoặc phân tích. Dưới đây là các lưu ý cần quan tâm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Chuẩn hóa toàn bộ tập dữ liệu trước chia train\u002Ftest:\u003C\u002Fstrong> Sai lầm này gây rò rỉ thông tin và làm sai lệch độ chính xác thực tế\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Chuẩn hóa các biến nhị phân hoặc one-hot:\u003C\u002Fstrong> Điều này không cần thiết vì các biến này đã ở thang đo cố định\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Áp dụng chuẩn hóa không phù hợp:\u003C\u002Fstrong> Dữ liệu phân phối lệch mạnh có thể cần kỹ thuật như log transform, Box-Cox thay vì z-score\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Bỏ qua chuẩn hóa khi dùng mô hình khoảng cách:\u003C\u002Fstrong> KNN, K-means không chuẩn hóa thường cho kết quả sai lệch lớn\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>Ngoài ra, trong một số bài toán như cây quyết định, random forest hoặc gradient boosting, chuẩn hóa không thực sự cần thiết do các thuật toán này không dựa trên khoảng cách hoặc phân phối đầu vào.\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fpreprocessing.html\" target=\"_blank\">scikit-learn – Preprocessing Data\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fdata-prep\u002Ftransform\u002Fnormalization\" target=\"_blank\">Google Developers – Data Normalization\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ibm.com\u002Fdocs\u002Fen\u002Fdb2\u002F11.5?topic=model-normalization\" target=\"_blank\">IBM – Database Normalization\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fmachinelearningmastery.com\u002Fwhy-data-normalization-is-important-in-machine-learning\u002F\" target=\"_blank\">Machine Learning Mastery – Importance of Normalization\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0957417418300409\" target=\"_blank\">ScienceDirect – Data Normalization Techniques for ML\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Ffeature-engineering\" target=\"_blank\">Kaggle – Feature Engineering and Scaling\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-11-10T04:02:38.023+00:00","2025-11-10T14:05:24.122+00:00","2025-11-10T14:05:24.117+00:00",226,[33,44,54,64,69,74,80,86,97,103],{"id":34,"title":35,"term":36,"englishTitle":37,"definition":38,"discipline":39,"disciplineCode":40,"disciplineLabel":41,"disciplineColor":42,"disciplineIcon":43},"web ngữ nghĩa","Web ngữ nghĩa là gì? Các nghiên cứu khoa học liên quan","Web ngữ nghĩa","Semantic Web","Web ngữ nghĩa là một bước phát triển mở rộng của World Wide Web do Tổ chức W3C khởi xướng, trong đó thông tin được biểu diễn và chú giải ngữ nghĩa rõ ràng theo các tiêu chuẩn hình thức máy tính có thể đọc hiểu và suy diễn tự động, cho phép tích hợp và chia sẻ dữ liệu liên thông qua các hệ thống phần mềm.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":45,"title":46,"term":45,"englishTitle":47,"definition":48,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"nha khoa","Nha khoa là gì? Các bài báo nghiên cứu khoa học liên quan","Dentistry \u002F Dental medicine","ngành y học chuyên sâu về chẩn đoán, điều trị, phục hồi và dự phòng các bệnh lý, rối loạn chức năng của bộ răng, mô nha chu và cấu trúc hàm mặt liên quan.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":55,"title":56,"term":55,"englishTitle":57,"definition":58,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"crinivirus","Crinivirus là gì? Các bài báo nghiên cứu khoa học liên quan","Crinivirus","chi virus thực vật thuộc họ Closteroviridae có bộ gene RNA sợi đơn phân đoạn, lây truyền chọn lọc qua loài bọ phấn trắng và gây bệnh vàng lá, suy giảm năng suất cây trồng nông nghiệp.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":65,"title":66,"term":65,"englishTitle":67,"definition":68,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"gãy cột sống lưng thắt lưng","Gãy cột sống lưng thắt lưng là gì? Các nghiên cứu khoa học","Thoracolumbar spine fracture","tổn thương đứt gãy hoặc xẹp lún cấu trúc xương và dây chằng tại vùng chuyển tiếp giữa đoạn ngực và thắt lưng (T11-L2), có thể đi kèm biến chứng chèn ép tủy sống hoặc rễ thần kinh.",{"id":70,"title":71,"term":70,"englishTitle":72,"definition":73,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"chống ung thư","Chống ung thư là gì? Các bài nghiên cứu khoa học liên quan","Anticancer \u002F Antitumor","tập hợp các hoạt chất dược lý hoặc phương pháp điều trị sinh học có tác dụng ức chế tăng sinh tế bào ác tính, kích hoạt chết theo chương trình và ngăn chặn quá trình di căn của khối u.",{"id":75,"title":76,"term":77,"englishTitle":78,"definition":79,"discipline":39,"disciplineCode":40,"disciplineLabel":41,"disciplineColor":42,"disciplineIcon":43},"tính toán hóa lượng tử","Tính toán hóa lượng tử là gì? Các phương pháp và ứng dụng","Tính toán hóa lượng tử","quantum chemical calculation","Tính toán hóa lượng tử là tập hợp các phương pháp tính số dựa trên cơ học lượng tử nhằm giải gần đúng phương trình Schrödinger cho các hệ nguyên tử và phân tử, từ đó xác định cấu trúc hình học, năng lượng và tính chất hóa lý của vật chất.",{"id":81,"title":82,"term":83,"englishTitle":84,"definition":85,"discipline":39,"disciplineCode":40,"disciplineLabel":41,"disciplineColor":42,"disciplineIcon":43},"lớp phủ sử dụng đất","Lớp phủ sử dụng đất là gì? Khái niệm LULC và ứng dụng","Lớp phủ sử dụng đất","land use and land cover","Lớp phủ sử dụng đất là khái niệm kép kết hợp giữa hiện trạng sinh vật lý tự nhiên trên bề mặt đất (lớp phủ đất) và các hoạt động kinh tế, xã hội nhằm khai thác, biến đổi đất đai của con người (sử dụng đất).",{"id":87,"title":88,"term":89,"englishTitle":90,"definition":91,"discipline":92,"disciplineCode":93,"disciplineLabel":94,"disciplineColor":95,"disciplineIcon":96},"nền tảng trên cao","Nền tảng trên cao là gì? Ứng dụng trạm viễn thông HAPS","Nền tảng trên cao","high-altitude platform","Nền tảng trên cao là các trạm hoặc phương tiện bay hoạt động ở tầng bình lưu tại độ cao từ 20 đến 50 km, được sử dụng làm trạm phát sóng viễn thông, chuyển tiếp dữ liệu hoặc quan sát bề mặt Trái Đất.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":98,"title":99,"term":100,"englishTitle":101,"definition":102,"discipline":92,"disciplineCode":93,"disciplineLabel":94,"disciplineColor":95,"disciplineIcon":96},"nung gốm","Nung gốm là gì? Cơ chế nhiệt học và kỹ thuật thiêu kết","Nung gốm","ceramic firing","Nung gốm là quá trình xử lý nhiệt ở nhiệt độ cao nhằm biến đổi cấu trúc khoáng và vi cấu trúc của phôi mộc gốm thông qua các phản ứng pha rắn và thiêu kết, tạo ra sản phẩm rắn chắc có độ bền cơ học cao.",{"id":104,"title":105,"term":106,"englishTitle":107,"definition":108,"discipline":39,"disciplineCode":40,"disciplineLabel":41,"disciplineColor":42,"disciplineIcon":43},"cắt ghép rna","Cắt ghép RNA là gì? Cơ chế spliceosome và ứng dụng","Cắt ghép RNA","rna splicing","Cắt ghép RNA là quá trình biến đổi hậu phiên mã ở sinh vật nhân thực, trong đó các đoạn không mã hóa (intron) bị loại bỏ khỏi phân tử pre-mRNA và các đoạn mã hóa (exon) được nối lại để tạo thành mRNA trưởng thành."]