[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_hi%E1%BB%87u%20su%E1%BA%A5t%20d%E1%BB%B1%20%C4%91o%C3%A1n{\"limit\":5}":3,"_public_topic_byId_hiệu suất dự đoán":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":46,"createUser":56,"publishUser":60,"keywords":61,"keywordCount":68,"enrichTopicLink":69,"status":70,"createTime":71,"updateTime":72,"publishTime":73,"linkEnrichedTime":74,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":75,"relateTopics":76},"hiệu suất dự đoán","Hiệu suất dự đoán là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Hiệu suất dự đoán (predictive performance): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu.","\u003Cp>\u003Cstrong>Hiệu suất dự đoán\u003C\u002Fstrong> (\u003Cem>predictive performance\u003C\u002Fem>) là mức độ chính xác và độ tin cậy của một mô hình thống kê hoặc máy học khi tổng quát hóa để đưa ra dự báo trên tập dữ liệu kiểm thử độc lập mà mô hình chưa từng được huấn luyện.\u003C\u002Fp>\n\u003Ch2>Giới thiệu về hiệu suất dự đoán\u003C\u002Fh2>\n\u003Cp>\nHiệu suất dự đoán (predictive performance) là thước đo khả năng của một mô hình hoặc thuật toán trong việc dự đoán chính xác dữ liệu chưa từng thấy. Đây là một khái niệm cốt lõi trong học máy, thống kê và các lĩnh vực liên quan đến {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} như tài chính, y sinh và kỹ thuật. Việc hiểu đúng và đo lường chính xác hiệu suất dự đoán là điều kiện tiên quyết để đảm bảo tính ứng dụng và độ tin cậy của mô hình.\n\u003C\u002Fp>\n\n\u003Ch2>Các chỉ số đo lường hiệu suất dự đoán\u003C\u002Fh2>\n\u003Cp>\nTùy vào bài toán cụ thể (phân loại, hồi quy, {{topic|%7B%22topic%22%3A%22ph%C3%A1t%20hi%E1%BB%87n%20b%E1%BA%A5t%20th%C6%B0%E1%BB%9Dng%22%7D}}...), các {{topic|%7B%22topic%22%3A%22ch%E1%BB%89%20s%E1%BB%91%20hi%E1%BB%87u%20su%E1%BA%A5t%22%7D}} khác nhau sẽ được sử dụng. Một số chỉ số phổ biến:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Độ chính xác (Accuracy)\u003C\u002Fli>\n  \u003Cli>Độ nhạy (Recall) và độ đặc hiệu (Specificity)\u003C\u002Fli>\n  \u003Cli>F1 Score: \u003Cscript type=\"math\u002Ftex\">F_1 = \\frac{2PR}{P + R}\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Diện tích dưới đường cong ROC (AUC-ROC)\u003C\u002Fli>\n  \u003Cli>Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE)\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hiệu suất huấn luyện vs hiệu suất dự đoán\u003C\u002Fh2>\n\u003Cp>\nMột mô hình có thể thể hiện hiệu suất rất cao trên tập huấn luyện nhưng lại hoạt động kém trên tập kiểm tra, hiện tượng gọi là \u003Cstrong>overfitting\u003C\u002Fstrong>. Ngược lại, underfitting xảy ra khi mô hình không học đủ từ dữ liệu. Hiệu suất dự đoán phản ánh khả năng tổng quát hóa, tức năng lực của mô hình áp dụng vào dữ liệu chưa từng thấy.\n\u003C\u002Fp>\n\n\u003Ch2>Vai trò của phân chia dữ liệu\u003C\u002Fh2>\n\u003Cp>\nViệc chia tách dữ liệu thành tập huấn luyện, kiểm tra và kiểm định (train\u002Ftest\u002Fvalidation) là quan trọng để {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20hi%E1%BB%87u%20su%E1%BA%A5t%22%7D}} dự đoán một cách khách quan. Ngoài ra, kỹ thuật cross-validation thường được dùng để ổn định kết quả đánh giá.\n\u003C\u002Fp>\n\n\u003Ch2>Ảnh hưởng của tiền xử lý dữ liệu\u003C\u002Fh2>\n\u003Cp>\nHiệu suất dự đoán chịu ảnh hưởng lớn bởi {{topic|%7B%22topic%22%3A%22ch%E1%BA%A5t%20l%C6%B0%E1%BB%A3ng%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}}. Các kỹ thuật như chuẩn hóa, loại bỏ outlier, xử lý giá trị thiếu, giảm chiều không gian (PCA, t-SNE) có thể cải thiện đáng kể độ chính xác của mô hình. \n\u003C\u002Fp>\n\n\u003Ch2>Hiệu suất dự đoán và tính công bằng (fairness)\u003C\u002Fh2>\n\u003Cp>\nMột mô hình có hiệu suất dự đoán cao không nhất thiết đảm bảo tính công bằng. Trong nhiều ứng dụng nhạy cảm như tuyển dụng, xét duyệt tín dụng hoặc y tế, cần kết hợp đánh giá hiệu suất với các chỉ số công bằng như disparate impact hoặc equal opportunity.\n\u003C\u002Fp>\n\n\u003Ch2>Đánh đổi giữa độ chính xác và khả năng giải thích\u003C\u002Fh2>\n\u003Cp>\nMột số mô hình có hiệu suất dự đoán cao nhưng khó giải thích (ví dụ: mạng nơ-ron sâu), trong khi các mô hình tuyến tính thường dễ hiểu nhưng hiệu suất thấp hơn. Việc lựa chọn mô hình cần cân nhắc giữa hai yếu tố này, đặc biệt trong môi trường có yêu cầu minh bạch cao như luật pháp hoặc y học.\n\u003C\u002Fp>\n\n\u003Ch2>Hiệu suất dự đoán trong bối cảnh thay đổi dữ liệu (data drift)\u003C\u002Fh2>\n\u003Cp>\nKhi phân phối dữ liệu thay đổi theo thời gian (concept drift), hiệu suất dự đoán của mô hình cũ có thể giảm. Cần triển khai các kỹ thuật như giám sát mô hình (model monitoring), học online hoặc tái huấn luyện định kỳ để duy trì hiệu quả.\n\u003C\u002Fp>\n\n\u003Ch2>Các công cụ hỗ trợ đo lường hiệu suất\u003C\u002Fh2>\n\u003Cp>\nNhiều thư viện phần mềm hỗ trợ đánh giá hiệu suất dự đoán:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Scikit-learn (Python)\u003C\u002Fli>\n  \u003Cli>TensorFlow \u002F PyTorch\u003C\u002Fli>\n  \u003Cli>Caret (R)\u003C\u002Fli>\n\u003C\u002Ful>\nCác công cụ này cung cấp hàm dựng sẵn để tính toán và trực quan hóa hiệu suất của mô hình trên dữ liệu kiểm tra.\n\n\n\u003Ch2>Kết luận\u003C\u002Fh2>\n\u003Cp>\nHiệu suất dự đoán là tiêu chí then chốt để đánh giá mức độ thành công của bất kỳ mô hình dự báo nào. Tuy nhiên, cần đặt nó trong bối cảnh tổng thể bao gồm tính ổn định, khả năng giải thích và công bằng mô hình. Một đánh giá toàn diện sẽ giúp tối ưu hóa không chỉ độ chính xác mà còn tính ứng dụng thực tiễn của hệ thống.\n\u003C\u002Fp>\n\n\u003Ch2>Chi tiết các chỉ số đánh giá hiệu suất dự đoán\u003C\u002Fh2>\n\u003Cp>\nTrong bài toán phân loại, một số chỉ số đo hiệu suất phổ biến bao gồm:\n\u003C\u002Fp>\n\n\u003Cul>\n  \u003Cli>\n    \u003Cstrong>Độ chính xác (Accuracy)\u003C\u002Fstrong>: Tỷ lệ dự đoán đúng trên toàn bộ tập kiểm tra. Dễ hiểu nhưng có thể gây hiểu nhầm khi dữ liệu mất cân bằng.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">Accuracy = \\frac{TP + TN}{TP + TN + FP + FN}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>\n    \u003Cstrong>Độ nhạy (Recall)\u003C\u002Fstrong>: Khả năng phát hiện đúng các trường hợp dương tính.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">Recall = \\frac{TP}{TP + FN}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>\n    \u003Cstrong>Độ chính xác (Precision)\u003C\u002Fstrong>: Tỷ lệ các trường hợp mô hình dự đoán là dương tính thực sự là dương tính.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">Precision = \\frac{TP}{TP + FP}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>\n    \u003Cstrong>F1 Score\u003C\u002Fstrong>: Trung bình điều hòa giữa precision và recall. Cân bằng trong trường hợp không thể tối ưu đồng thời cả hai.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">F_1 = \\frac{2 \\cdot Precision \\cdot Recall}{Precision + Recall}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>\n    \u003Cstrong>ROC-AUC\u003C\u002Fstrong>: Diện tích dưới đường cong ROC, biểu diễn mối quan hệ giữa tỷ lệ dương tính đúng và dương tính giả.\n    \u003Cbr>\n    Google: ROC & AUC\n  \u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nTrong bài toán hồi quy, các chỉ số phổ biến gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\n    \u003Cstrong>Mean Absolute Error (MAE)\u003C\u002Fstrong>: Sai số trung bình tuyệt đối giữa dự đoán và giá trị thực tế.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">MAE = \\frac{1}{n} \\sum_{i=1}^{n} |y_i - \\hat{y}_i|\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>\n    \u003Cstrong>Mean Squared Error (MSE)\u003C\u002Fstrong>: Trung bình bình phương sai số – nhạy cảm với outlier.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">MSE = \\frac{1}{n} \\sum_{i=1}^{n} (y_i - \\hat{y}_i)^2\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>\n    \u003Cstrong>R² Score\u003C\u002Fstrong>: Tỷ lệ phương sai được giải thích bởi mô hình.\n    \u003Cbr>\n    \u003Cscript type=\"math\u002Ftex\">R^2 = 1 - \\frac{\\sum (y_i - \\hat{y}_i)^2}{\\sum (y_i - \\bar{y})^2}\u003C\u002Fscript>\n  \u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Cross-validation: tiêu chuẩn vàng để đo hiệu suất dự đoán\u003C\u002Fh2>\n\u003Cp>\nKỹ thuật cross-validation được sử dụng rộng rãi để đánh giá độ ổn định và tổng quát hóa của mô hình. Thông thường, dữ liệu được chia thành k phần (folds), mô hình được huấn luyện trên k−1 phần và kiểm tra trên phần còn lại, sau đó lặp lại cho từng fold. Kết quả trung bình giúp loại bỏ bias do phân chia dữ liệu ngẫu nhiên.\n\u003C\u002Fp>\n\n\u003Cp>\nMột số biến thể của cross-validation:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>k-Fold Cross-Validation\u003C\u002Fstrong>: phổ biến nhất, thường dùng với k = 5 hoặc 10.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Stratified k-Fold\u003C\u002Fstrong>: duy trì tỷ lệ lớp (class) giữa các fold trong bài toán phân loại.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Leave-One-Out Cross-Validation (LOOCV)\u003C\u002Fstrong>: dùng khi tập dữ liệu nhỏ; tính toán đắt đỏ.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Giám sát mô hình và hiệu suất theo thời gian\u003C\u002Fh2>\n\u003Cp>\nSau khi triển khai mô hình, cần tiếp tục theo dõi hiệu suất dự đoán vì dữ liệu thực tế có thể thay đổi. Các loại drift chính:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Concept Drift\u003C\u002Fstrong>: mối quan hệ giữa đầu vào và đầu ra thay đổi (ví dụ: {{topic|%7B%22topic%22%3A%22h%C3%A0nh%20vi%20kh%C3%A1ch%20h%C3%A0ng%22%7D}}).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Data Drift\u003C\u002Fstrong>: phân phối đầu vào thay đổi, nhưng nhãn giữ nguyên.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nPhát hiện và xử lý drift là một phần quan trọng trong MLOps. Các giải pháp gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Theo dõi phân phối dữ liệu đầu vào bằng kiểm định thống kê.\u003C\u002Fli>\n  \u003Cli>Thiết lập cảnh báo tự động nếu hiệu suất giảm.\u003C\u002Fli>\n  \u003Cli>Tái huấn luyện định kỳ với dữ liệu mới.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Đánh giá hiệu suất trong môi trường mất cân bằng\u003C\u002Fh2>\n\u003Cp>\nTrong bài toán như phát hiện gian lận hoặc chẩn đoán bệnh hiếm, dữ liệu thường mất cân bằng nghiêm trọng. Accuracy trở nên vô nghĩa (ví dụ, mô hình luôn dự đoán “âm tính” vẫn đạt độ chính xác cao). Các chỉ số nên dùng:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Precision, Recall, F1\u003C\u002Fli>\n  \u003Cli>PR-AUC (Precision-Recall Area Under Curve)\u003C\u002Fli>\n  \u003Cli>Balanced Accuracy\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Giải thích hiệu suất và sự tin tưởng của người dùng\u003C\u002Fh2>\n\u003Cp>\nNgười dùng cuối thường không tin tưởng mô hình “hộp đen” dù hiệu suất cao. Do đó, mô hình cần đi kèm các công cụ giải thích như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>SHAP: Shapley Additive Explanations\u003C\u002Fli>\n  \u003Cli>LIME: Local Interpretable Model-agnostic Explanations\u003C\u002Fli>\n\u003C\u002Ful>\nGiải thích giúp tăng tính minh bạch, hỗ trợ kiểm toán mô hình và nâng cao sự chấp nhận trong tổ chức.\n\n\n\u003Ch2>Ứng dụng hiệu suất dự đoán trong thực tiễn\u003C\u002Fh2>\n\u003Cp>\nHiệu suất dự đoán không chỉ là một con số – nó quyết định thành công của mô hình trong các lĩnh vực cụ thể:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Y tế:\u003C\u002Fstrong> Chẩn đoán hình ảnh, dự đoán nguy cơ bệnh, phân tích gen.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tài chính:\u003C\u002Fstrong> Dự báo vỡ nợ, phát hiện giao dịch gian lận.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Marketing:\u003C\u002Fstrong> Phân khúc khách hàng, cá nhân hóa quảng cáo.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Giao thông:\u003C\u002Fstrong> Dự đoán luồng xe, bảo trì dự phòng.\u003C\u002Fli>\n\u003C\u002Ful>\nĐánh giá đúng hiệu suất dự đoán là điều kiện tiên quyết để đưa mô hình vào thực tế với độ tin cậy cao.","Hiệu suất dự đoán","predictive performance",[20,21,18,22],"độ chính xác dự đoán","năng lực dự đoán","predictive accuracy","Hiệu suất dự đoán là mức độ chính xác và độ tin cậy của một mô hình thống kê hoặc máy học khi tổng quát hóa để đưa ra dự báo trên tập dữ liệu kiểm thử độc lập mà mô hình chưa từng được huấn luyện.","ENGINEERING_TECHNOLOGY",[26,33,39],{"citationText":27,"title":28,"authors":29,"source":30,"year":31,"doi":32,"url":10},"Qahtan (2023). Machine Learning—Evaluation (Cross-validation, Metrics, Importance Scores...). Clinical Applications of Artificial Intelligence in Real-World Data.","Machine Learning—Evaluation (Cross-validation, Metrics, Importance Scores...)","Qahtan","Clinical Applications of Artificial Intelligence in Real-World Data",2023,"10.1007\u002F978-3-031-36678-9_11",{"citationText":34,"title":35,"authors":36,"source":37,"year":31,"doi":38,"url":10},"Vallarino (2023). A Predictive Perspective on Machine Learning Survival Models: Inventory, Evaluation Metrics, and Empirical Analysis.. Elsevier BV.","A Predictive Perspective on Machine Learning Survival Models: Inventory, Evaluation Metrics, and Empirical Analysis.","Vallarino","Elsevier BV","10.2139\u002Fssrn.4588085",{"citationText":40,"title":41,"authors":42,"source":43,"year":44,"doi":45,"url":10},"Korkmaz (2025). SLmetrics: Machine Learning Performance Evaluation on Steroids. CRAN: Contributed Packages.","SLmetrics: Machine Learning Performance Evaluation on Steroids","Korkmaz","CRAN: Contributed Packages",2025,"10.32614\u002Fcran.package.slmetrics",[47,50,53],{"question":48,"answer":49},"Vì sao độ chính xác (Accuracy) không phải lúc nào cũng là chỉ số tốt để đánh giá hiệu suất dự đoán?","Khi tập dữ liệu mất cân bằng lớp nghiêm trọng (imbalanced dataset), một mô hình luôn dự đoán lớp đa số vẫn đạt Accuracy cao nhưng hoàn toàn thất bại trong việc phát hiện lớp thiểu số quan trọng.",{"question":51,"answer":52},"Chỉ số diện tích dưới đường cong ROC (AUC-ROC) có ý nghĩa gì trong phân loại?","AUC-ROC đo lường khả năng của mô hình trong việc phân biệt giữa các lớp nhãn ở mọi ngưỡng phân loại khác nhau, với giá trị 1.0 biểu thị sự phân biệt hoàn hảo và 0.5 tương đương đoán ngẫu nhiên.",{"question":54,"answer":55},"Kỹ thuật kiểm thực chéo k-fold (k-fold cross-validation) giúp cải thiện đánh giá như thế nào?","Phương pháp này chia dữ liệu thành k phần bằng nhau, huấn luyện trên k-1 phần và kiểm thử trên phần còn lại lặp lại k lần, giúp giảm thiểu độ chệch và cung cấp ước lượng khách quan về năng lực tổng quát hóa.",{"id":57,"researcherId":10,"name":58,"imageUrl":59},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},[62,63,64,65,66,67],"phân tích dữ liệu","phát hiện bất thường","chỉ số hiệu suất","đánh giá hiệu suất","chất lượng dữ liệu","hành vi khách hàng",6,false,"PUBLISHED","2025-07-19T09:40:03.351+00:00","2026-09-12T05:11:13.827+00:00","2025-07-22T07:31:27.396+00:00","2026-09-12T05:11:13.402+00:00",264,[77,80,83,86,89,92,95,98,101,104],{"id":78,"title":79,"term":78,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"biến đổi wavelet","Biến đổi wavelet là gì? Các nghiên cứu khoa học về Wavelet Transform",{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":105,"title":106,"term":105,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"pls sem","PLS-SEM là gì? Các bài nghiên cứu khoa học về PLS-SEM"]