[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_g%C3%A1n%20nh%C3%A3n{\"limit\":5}":3,"_public_topic_byId_gán nhãn":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":17,"englishTitle":18,"synonyms":19,"definition":23,"discipline":24,"references":25,"faqs":47,"createUser":57,"publishUser":61,"keywords":62,"keywordCount":10,"enrichTopicLink":63,"status":64,"createTime":65,"updateTime":66,"publishTime":67,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":68,"relateTopics":69},"gán nhãn","Gán nhãn là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Gán nhãn (data labeling): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu.","\u003Cp>\u003Cstrong>Gán nhãn\u003C\u002Fstrong> (\u003Cem>data labeling\u003C\u002Fem>) là (data labeling \u002F data annotation) là quá trình gán các siêu dữ liệu, nhãn định danh hoặc chú thích có cấu trúc vào dữ liệu thô (văn bản, hình ảnh, âm thanh, video) nhằm tạo ra tập dữ liệu huấn luyện chuẩn (ground truth) cho các mô hình học máy có giám sát.\u003C\u002Fp>\n\u003Ch2>Giới thiệu\u003C\u002Fh2>\u003Cp>Gán nhãn (data labeling) là bước khởi đầu quan trọng trong quy trình xây dựng hệ thống học máy giám sát, định danh và phân loại dữ liệu thô thành thông tin có cấu trúc. Việc gán nhãn đóng vai trò kết nối giữa dữ liệu thô chưa có ý nghĩa và mô hình máy tính, giúp các thuật toán học sâu và học máy học được biểu diễn mối quan hệ giữa đầu vào và đầu ra mong muốn.\u003C\u002Fp>\u003Cp>Xu hướng ứng dụng dữ liệu lớn (Big Data) và trí tuệ nhân tạo (AI) ngày càng phổ biến đã kéo theo nhu cầu gán nhãn quy mô lớn, đa dạng về loại dữ liệu (hình ảnh, văn bản, âm thanh, video). Các tập dữ liệu như ImageNet, COCO, SQuAD đều dựa trên quy trình gán nhãn thủ công hoặc bán tự động, tạo nền tảng cho hàng loạt nghiên cứu đột phá trong xử lý ngôn ngữ tự nhiên và thị giác máy tính (ImageNet, COCO).\u003C\u002Fp>\u003Cp>Sự phát triển của công cụ gán nhãn mã nguồn mở (Label Studio, CVAT) và dịch vụ thương mại (Amazon SageMaker Ground Truth, Scale AI) cho phép tổ chức quy trình annotation hiệu quả, kết hợp AI hỗ trợ để tự động gán nhãn ban đầu và sau đó hiệu chỉnh bởi annotator con người nhằm tối ưu thời gian và chi phí (Label Studio, SageMaker Ground Truth).\u003C\u002Fp>\u003Ch2>Định nghĩa gán nhãn\u003C\u002Fh2>\u003Cp>Gán nhãn là quá trình gán nhãn (labels) có ý nghĩa lên từng đơn vị dữ liệu (data samples) dựa trên bộ quy tắc và hướng dẫn đã thiết kế, chuyển dữ liệu thô thành dữ liệu có cấu trúc. Trong gán nhãn hình ảnh, mỗi đối tượng trong ảnh được đánh dấu bằng hộp bao quanh (bounding box) hoặc phân đoạn (segmentation mask), kèm theo nhãn phân loại.\u003C\u002Fp>\u003Cp>Trong gán nhãn văn bản, từng câu, đoạn hay từ được gắn thẻ thực thể (entity tags) như người, địa điểm, tổ chức (NER – Named Entity Recognition), hoặc chú thích cảm xúc (sentiment annotation) và mối quan hệ (relation annotation) giữa các entity. Mô hình gán nhãn cần đáp ứng tính nhất quán và độ chính xác cao để đảm bảo chất lượng học tập của mô hình (ScienceDirect Data Annotation).\u003C\u002Fp>\u003Cp>Gán nhãn có thể thực hiện thủ công hoàn toàn bởi con người, bán tự động (human-in-the-loop) hoặc tự động hóa hoàn toàn qua các thuật toán dự đoán và hiệu chỉnh. Việc lựa chọn phương thức tùy thuộc vào độ phức tạp của dữ liệu, mục tiêu ứng dụng và nguồn lực về thời gian – nhân sự – ngân sách.\u003C\u002Fp>\u003Ch2>Vai trò trong học máy và trí tuệ nhân tạo\u003C\u002Fh2>\u003Cp>Dữ liệu gán nhãn là tập huấn luyện (training set) cho mô hình học máy giám sát (supervised learning), giúp thuật toán tối ưu hàm mất mát (loss function) để dự đoán chính xác nhãn của dữ liệu chưa biết. Chất lượng nhãn ảnh hưởng trực tiếp đến độ chính xác (accuracy), độ nhạy (recall), độ đặc hiệu (precision) và khả năng tổng quát hóa (generalization) của mô hình.\u003C\u002Fp>\u003Cp>Trong quá trình đánh giá (evaluation), tập kiểm thử (test set) gán nhãn độc lập được dùng để đo hiệu năng cuối cùng, đảm bảo mô hình không bị overfitting vào tập huấn luyện. Chỉ số như Cohen’s Kappa và F1-score dựa trên nhãn chuẩn giúp đánh giá mức độ đồng thuận và hiệu quả phân loại (Cohen’s Kappa).\u003C\u002Fp>\u003Cul>\u003Cli>Huấn luyện mô hình phân loại ảnh (image classification) dựa trên nhãn lớp.\u003C\u002Fli>\u003Cli>Phát hiện đối tượng (object detection) sử dụng bounding boxes gán nhãn.\u003C\u002Fli>\u003Cli>Phân đoạn ảnh (semantic\u002Finstance segmentation) gán mask pixel-level.\u003C\u002Fli>\u003Cli>Học sâu NLP với dữ liệu gán nhãn thực thể (NER), phân tích cú pháp (parsing).\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Các loại gán nhãn\u003C\u002Fh2>\u003Cp>Gán nhãn phân loại (classification labeling) gán nhãn đơn hoặc đa cho mỗi mẫu, phổ biến trong bài toán nhận dạng ảnh, đánh giá cảm xúc văn bản. Gán nhãn phân đoạn (segmentation labeling) chia ảnh thành các vùng có ý nghĩa, cho phép mô hình nhận diện ranh giới chính xác.\u003C\u002Fp>\u003Cp>Gán nhãn ngữ nghĩa (semantic annotation) bao gồm chú thích metadata như ngày tháng, tác giả, ngữ cảnh ngôn ngữ cho bản văn. Gán nhãn tuần tự (sequence labeling) ứng dụng trong dữ liệu chuỗi thời gian và ngôn ngữ, ví dụ POS tagging, BIO tagging cho NER.\u003C\u002Fp>\u003Cfigure>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Loại nhãn\u003C\u002Fth>\u003Cth>Ứng dụng\u003C\u002Fth>\u003Cth>Đặc điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Classification\u003C\u002Ftd>\u003Ctd>Ảnh, văn bản\u003C\u002Ftd>\u003Ctd>Nhãn đơn\u002Fđa cho mỗi mẫu\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Object Detection\u003C\u002Ftd>\u003Ctd>Ô tô, người\u003C\u002Ftd>\u003Ctd>Bounding box\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Segmentation\u003C\u002Ftd>\u003Ctd>Y tế, ô tô tự lái\u003C\u002Ftd>\u003Ctd>Mask pixel-level\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Sequence Labeling\u003C\u002Ftd>\u003Ctd>NER, POS\u003C\u002Ftd>\u003Ctd>Tag mỗi token\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Mỗi loại gán nhãn đòi hỏi công cụ và quy trình kiểm soát chất lượng khác nhau để đảm bảo tính nhất quán, độ tin cậy và khả năng tái sử dụng dữ liệu cho nhiều dự án AI khác nhau.\u003C\u002Fp>\u003Ch2>Quy trình gán nhãn dữ liệu\u003C\u002Fh2>\u003Cp>Quy trình gán nhãn dữ liệu chuẩn bao gồm các bước cơ bản: chuẩn bị dữ liệu, thiết kế nhãn, huấn luyện annotator, gán nhãn, và kiểm soát chất lượng. Mỗi bước đòi hỏi sự phối hợp chặt chẽ giữa chuyên gia miền và đội ngũ annotator.\u003C\u002Fp>\u003Cp>Chuẩn bị dữ liệu (data preparation) bao gồm thu thập, làm sạch (data cleaning) và phân vùng (data splitting) thành tập huấn luyện, tập kiểm thử và tập hiệu chỉnh. Dữ liệu cần chuẩn hóa định dạng và loại bỏ nhiễu (noise) trước khi tiến hành annotation.\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Thiết kế nhãn (label schema):\u003C\u002Fstrong> xây dựng ontology, danh sách nhãn rõ ràng, kèm ví dụ minh họa và quy tắc xử lý tình huống đặc biệt.\u003C\u002Fli>\u003Cli>\u003Cstrong>Huấn luyện annotator:\u003C\u002Fstrong> đào tạo qua tài liệu, webinar, bài kiểm tra đánh giá (qualification test) để đảm bảo annotator hiểu đúng ý nghĩa và tiêu chí gán nhãn.\u003C\u002Fli>\u003Cli>\u003Cstrong>Gán nhãn (annotation):\u003C\u002Fstrong> annotator gán nhãn theo công cụ, tuân thủ hướng dẫn, ghi chú khi gặp trường hợp mơ hồ.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Cuối cùng, kiểm soát chất lượng (quality control) bao gồm đánh giá liên annotator (inter-annotator agreement) như Cohen’s κ và Krippendorff’s α để đo độ đồng nhất, cũng như xem xét mẫu ngẫu nhiên so với gold standard do chuyên gia tạo ra.\u003C\u002Fp>\u003Ch2>Công cụ và nền tảng\u003C\u002Fh2>\u003Cp>Ngày nay, có nhiều công cụ mã nguồn mở và dịch vụ thương mại hỗ trợ gán nhãn với các tính năng đa dạng:\u003C\u002Fp>\u003Cul>\u003Cli>Label Studio: hỗ trợ gán nhãn hình ảnh, văn bản, âm thanh, video với khả năng mở rộng qua plugin và API.\u003C\u002Fli>\u003Cli>CVAT: do Intel phát triển, mạnh về annotation video và classification, hỗ trợ chia sẻ dự án giữa nhóm.\u003C\u002Fli>\u003Cli>Amazon SageMaker Ground Truth: dịch vụ gán nhãn bán tự động, tích hợp machine learning để đề xuất nhãn và điều chỉnh bởi con người.\u003C\u002Fli>\u003Cli>Scale AI: nền tảng SaaS cho annotation 2D\u002F3D và tự động hóa quy trình qua workflows có sẵn.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Công cụ thường tích hợp chế độ track tiến độ, báo cáo lỗi, phân bổ công việc và xuất dữ liệu định dạng JSON, COCO hoặc Pascal VOC để dễ dàng kết nối vào pipelines huấn luyện.\u003C\u002Fp>\u003Ch2>Đánh giá chất lượng gán nhãn\u003C\u002Fh2>\u003Cp>Để đảm bảo dữ liệu nhãn đúng và nhất quán, các chỉ số đánh giá chất lượng thường được sử dụng:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Cohen’s κ (Kappa):\u003C\u002Fstrong> đo độ đồng thuận giữa hai annotator, giá trị từ 0 (ngẫu nhiên) đến 1 (hoàn hảo) (Cohen’s Kappa).\u003C\u002Fli>\u003Cli>\u003Cstrong>Krippendorff’s α (Alpha):\u003C\u002Fstrong> phù hợp với nhiều annotator và dữ liệu đa nhãn, đánh giá mức độ nhất quán.\u003C\u002Fli>\u003Cli>\u003Cstrong>Precision\u002FRecall\u002FF1-score:\u003C\u002Fstrong> so sánh nhãn annotator với gold standard, đặc biệt quan trọng khi nhãn có số lượng mẫu không cân bằng.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ngoài ra, quy trình đánh giá chất lượng cần kết hợp review bởi chuyên gia (expert review) và feedback loop để cập nhật hướng dẫn nhãn khi phát sinh tình huống mới, đảm bảo chất lượng ổn định trong suốt dự án.\u003C\u002Fp>\u003Ch2>Thách thức và vấn đề đạo đức\u003C\u002Fh2>\u003Cp>Gán nhãn dữ liệu cũng đối mặt với nhiều thách thức:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Thiên kiến nhãn (label bias):\u003C\u002Fstrong> do quan điểm cá nhân của annotator, đặc biệt trong các nhãn mang ý nghĩa xã hội như phân loại nội dung nhạy cảm.\u003C\u002Fli>\u003Cli>\u003Cstrong>Chi phí và thời gian cao:\u003C\u002Fstrong> dữ liệu chất lượng lớn đòi hỏi hàng chục đến hàng trăm annotator làm việc liên tục.\u003C\u002Fli>\u003Cli>\u003Cstrong>Bảo mật và quyền riêng tư:\u003C\u002Fstrong> khi gán nhãn dữ liệu y tế, tài chính hay hình ảnh cá nhân, cần tuân thủ GDPR, HIPAA và quy định địa phương.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Vấn đề đạo đức còn bao gồm đảm bảo annotator không bị căng thẳng khi gán nhãn nội dung bạo lực hoặc nhạy cảm, đảm bảo điều kiện làm việc và thu nhập công bằng, ghi nhận đóng góp qua cơ chế đánh giá công bằng.\u003C\u002Fp>\u003Ch2>Xu hướng tự động hóa và học nửa giám sát\u003C\u002Fh2>\u003Cp>Để giảm phụ thuộc vào gán nhãn thủ công, nhiều dự án áp dụng:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Active Learning:\u003C\u002Fstrong> mô hình chọn mẫu quan trọng nhất (uncertainty sampling) để annotator gán nhãn, giảm 50–70% khối lượng công việc (Active Learning Survey).\u003C\u002Fli>\u003Cli>\u003Cstrong>Self-Supervised Learning:\u003C\u002Fstrong> mô hình học biểu diễn dữ liệu không nhãn qua các nhiệm vụ proxy như dự đoán phần thiếu, sau đó tinh chỉnh qua nhãn nhỏ (Science Self-Supervised).\u003C\u002Fli>\u003Cli>\u003Cstrong>Semi-Supervised Learning:\u003C\u002Fstrong> kết hợp nhãn thủ công và dữ liệu không nhãn để huấn luyện chung, tăng hiệu quả khi nhãn hạn chế.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Công nghệ AI đang ngày càng tham gia vào giai đoạn annotation ban đầu, đề xuất nhãn (pseudo-labeling) và chỉ yêu cầu con người chỉnh sửa, giúp đẩy nhanh tiến độ và tối ưu chi phí.\u003C\u002Fp>","Gán nhãn","data labeling",[13,20,18,21,22],"gán nhãn dữ liệu","data annotation","chú thích dữ liệu","Gán nhãn (data labeling \u002F data annotation) là quá trình gán các siêu dữ liệu, nhãn định danh hoặc chú thích có cấu trúc vào dữ liệu thô (văn bản, hình ảnh, âm thanh, video) nhằm tạo ra tập dữ liệu huấn luyện chuẩn (ground truth) cho các mô hình học máy có giám sát.","ENGINEERING_TECHNOLOGY",[26,33,40],{"citationText":27,"title":28,"authors":29,"source":30,"year":31,"doi":32,"url":10},"Stamatelou (2026). A selective machine learning algorithm for severe periodontitis labeling from questionnaire data. Springer Science and Business Media LLC.","A selective machine learning algorithm for severe periodontitis labeling from questionnaire data","Stamatelou, Nijland, Su et al.","Springer Science and Business Media LLC",2026,"10.21203\u002Frs.3.rs-8369130\u002Fv1",{"citationText":34,"title":35,"authors":36,"source":37,"year":38,"doi":39,"url":10},"Spivak (2016). Water temperature data from stable isotope labeling experiments conducted from 2012.. Biological and Chemical Oceanography Data Management Office.","Water temperature data from stable isotope labeling experiments conducted from 2012.","Spivak","Biological and Chemical Oceanography Data Management Office",2016,"10.1575\u002F1912\u002Fbco-dmo.669630.1",{"citationText":41,"title":42,"authors":43,"source":44,"year":45,"doi":46,"url":10},"Fekete (2003). Excentric Labeling: Dynamic Neighborhood Labeling for Data Visualization. The Craft of Information Visualization.","Excentric Labeling: Dynamic Neighborhood Labeling for Data Visualization","Fekete, Plaisant","The Craft of Information Visualization",2003,"10.1016\u002Fb978-155860915-0\u002F50040-8",[48,51,54],{"question":49,"answer":50},"Sự khác biệt giữa gán nhãn thủ công và gán nhãn bán tự động qua học chủ động là gì?","Gán nhãn thủ công dựa hoàn toàn vào con người gán nhãn từng mẫu, trong khi học chủ động dùng mô hình dự đoán mẫu tự tin cao và chỉ chuyển các mẫu có độ bất định cao cho chuyên gia kiểm tra.",{"question":52,"answer":53},"Chỉ số Fleiss Kappa hoặc Cohen Kappa trong gán nhãn dữ liệu đo lường điều gì?","Đo lường mức độ đồng thuận thực sự giữa các chuyên gia gán nhãn độc lập, loại trừ xác suất đồng thuận do ngẫu nhiên nhằm kiểm định độ tin cậy của tập dữ liệu huấn luyện.",{"question":55,"answer":56},"Hiện tượng trôi dữ liệu (data drift) và trôi khái niệm ảnh hưởng như thế nào đến nhãn dữ liệu?","Làm thay đổi phân phối thống kê của dữ liệu đầu vào hoặc thay đổi mối quan hệ bản chất giữa dữ liệu và nhãn mục tiêu theo thời gian, đòi hỏi phải liên tục cập nhật và gán nhãn lại.",{"id":58,"researcherId":10,"name":59,"imageUrl":60},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":58,"researcherId":10,"name":59,"imageUrl":60},[13],false,"PUBLISHED","2025-07-01T06:39:33.788+00:00","2026-09-04T10:14:49.073+00:00","2025-07-01T08:30:41.052+00:00",318,[70,73,83,93,98,103,108,113,118,123],{"id":71,"title":72,"term":71,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"vị từ","Vị từ là gì? Các nghiên cứu khoa học về Vị từ",{"id":74,"title":75,"term":74,"englishTitle":76,"definition":77,"discipline":78,"disciplineCode":79,"disciplineLabel":80,"disciplineColor":81,"disciplineIcon":82},"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).","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":84,"title":85,"term":86,"englishTitle":87,"definition":88,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"thuật toán heuristic","Thuật toán heuristic là gì? Phân loại, nguyên lý và ứng dụng","Thuật toán heuristic","heuristic algorithm","Thuật toán heuristic (heuristic algorithm, hay phương pháp phỏng đoán) là kỹ thuật giải quyết bài toán được thiết kế nhằm tìm kiếm lời giải đủ tốt và chấp nhận được trong khoảng thời gian tính toán thực tế cho các bài toán tối ưu hóa phức tạp, đánh đổi tính tối ưu tuyệt đối để lấy tốc độ thực thi.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":94,"title":95,"term":94,"englishTitle":96,"definition":97,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"hỏa hoạn","Hỏa hoạn là gì? Các bài báo nghiên cứu khoa học liên quan","fire","Hỏa hoạn là sự cố cháy lớn ngoài tầm kiểm soát do phản ứng hóa học tỏa nhiệt nhanh giữa chất cháy và chất oxy hóa (thường là oxy trong không khí), gây thiệt hại nghiêm trọng về người, tài sản và môi trường.",{"id":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"hệ thống hỗ trợ quyết định","Hệ thống hỗ trợ quyết định là gì? Các nghiên cứu khoa học","decision support system","Hệ thống hỗ trợ quyết định (Decision Support System - DSS) là hệ thống thông tin tích hợp dữ liệu, mô hình phân tích và giao diện tương tác nhằm hỗ trợ con người giải quyết các bài toán ra quyết định phức tạp và bán cấu trúc.",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"tổn thất công suất","Tổn thất công suất là gì? Nguyên nhân, công thức và giải pháp","power loss","Tổn thất công suất là hiện tượng tiêu hao năng lượng điện dưới dạng nhiệt hoặc từ trường trong các phần tử của hệ thống điện như dây dẫn, máy biến áp và thiết bị truyền tải trong quá trình vận hành.",{"id":109,"title":110,"term":109,"englishTitle":111,"definition":112,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"khí động học","Khí động học: Khái niệm, nguyên lý và ứng dụng","Aerodynamics","Khí động học là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực engineering technology, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":114,"title":115,"term":114,"englishTitle":116,"definition":117,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"ứng suất nhiệt","Ứng suất nhiệt là gì? Các bài nghiên cứu khoa học liên quan","ung suat nhiet","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học kỹ thuật và công nghệ, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":119,"title":120,"term":119,"englishTitle":121,"definition":122,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"lực kéo","Lực kéo là gì? Bản chất cơ học, công thức và ứng xử vật liệu","tensile force","Lực kéo (tensile force) là lực tác dụng có xu hướng làm giãn dài hoặc kéo dãn một vật thể dọc theo trục tác dụng, gây ra trạng thái ứng suất kéo và biến dạng kéo trong vật liệu.",{"id":124,"title":125,"term":124,"englishTitle":126,"definition":127,"discipline":24,"disciplineCode":89,"disciplineLabel":90,"disciplineColor":91,"disciplineIcon":92},"np khó","NP-khó là gì? Độ phức tạp, định lý Cook và giải pháp","NP-hard","NP-khó là lớp các bài toán tính toán mà mọi bài toán trong lớp NP đều có thể quy dẫn thời gian đa thức về chúng, bao gồm cả các bài toán tối ưu hóa."]