[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_kh%E1%BA%A3%20n%C4%83ng%20k%E1%BA%BFt%20h%E1%BB%A3p%20chung{\"limit\":5}":3,"_public_topic_byId_khả năng kết hợp chung":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},"khả năng kết hợp chung","Khả năng kết hợp chung là gì? Nghiên cứu khoa học liên quan","Khả năng kết hợp chung là năng lực của mô hình học máy áp dụng hiệu quả lên dữ liệu mới chưa từng gặp trong quá trình huấn luyện, phản ánh độ tin cậy thực tế. Nó chịu ảnh hưởng bởi độ phức tạp mô hình, dữ liệu huấn luyện và được đo bằng sai số trên tập kiểm tra hoặc qua đánh giá chéo. ","\u003Cdiv>\u003Ch2>Giới thiệu về khả năng kết hợp chung\u003C\u002Fh2>\n\u003Cp>\nKhả năng kết hợp chung (generalization ability) đề cập đến năng lực của một mô hình học máy khi áp dụng vào dữ liệu mới chưa từng thấy trong quá trình huấn luyện. Đây là một chỉ tiêu trung tâm để đánh giá chất lượng của mô hình: không chỉ đơn giản là học thuộc dữ liệu đã cho, mà phải học được quy luật có thể áp dụng rộng rãi. Nếu một mô hình đạt độ chính xác cao trên tập huấn luyện nhưng thấp trên tập kiểm tra, đó là dấu hiệu cho thấy khả năng kết hợp chung kém.\n\u003C\u002Fp>\n\u003Cp>\nVề mặt kỹ thuật, khả năng kết hợp chung là sự khác biệt giữa lỗi dự đoán trên dữ liệu huấn luyện và lỗi dự đoán trên phân phối dữ liệu thực tế. Trong thực tiễn, chúng ta không thể tiếp cận toàn bộ phân phối dữ liệu thật, nên việc ước lượng năng lực tổng quát hóa luôn gắn liền với sai số thống kê và các giả định về tính đại diện của tập kiểm tra. \n\u003C\u002Fp>\n\u003Cp>\nKhái niệm này không chỉ quan trọng trong học máy mà còn phổ biến trong thống kê dự báo, sinh học tính toán và trí tuệ nhân tạo. Mọi mô hình dự đoán đều phải đối mặt với câu hỏi: “Liệu những gì tôi học được có áp dụng được với dữ liệu tương lai không?”.\n\u003C\u002Fp>\n\n\u003Ch2>Cơ sở lý thuyết của khả năng kết hợp chung\u003C\u002Fh2>\n\u003Cp>\nTổng sai số của một mô hình có thể được phân tách thành ba thành phần: độ lệch (bias), phương sai (variance) và nhiễu không thể loại bỏ (irreducible noise). Mối quan hệ này thường được trình bày qua công thức:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\n\\mathbb{E}[(\\hat{f}(x) - y)^2] = \\text{Bias}^2 + \\text{Variance} + \\text{Noise}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nĐộ lệch phản ánh mức độ mà mô hình đơn giản hóa quá mức cấu trúc thực tế. Phương sai phản ánh sự nhạy cảm của mô hình với dữ liệu huấn luyện cụ thể. Khi bias thấp và variance cao, mô hình có xu hướng overfit. Ngược lại, khi bias cao và variance thấp, mô hình có xu hướng underfit.\n\u003C\u002Fp>\n\u003Cp>\nBiểu đồ dưới đây mô tả mối quan hệ giữa độ phức tạp mô hình và tổng lỗi kỳ vọng:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Độ phức tạp mô hình\u003C\u002Fth>\n      \u003Cth>Bias\u003C\u002Fth>\n      \u003Cth>Variance\u003C\u002Fth>\n      \u003Cth>Tổng lỗi\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Vừa phải\u003C\u002Ftd>\n      \u003Ctd>Vừa\u003C\u002Ftd>\n      \u003Ctd>Vừa\u003C\u002Ftd>\n      \u003Ctd>Thấp nhất\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Các thước đo khả năng kết hợp chung\u003C\u002Fh2>\n\u003Cp>\nĐể đánh giá khả năng kết hợp chung của mô hình, người ta sử dụng một số phương pháp định lượng. Mỗi phương pháp đều có điểm mạnh và hạn chế riêng, phụ thuộc vào ngữ cảnh ứng dụng.\n\u003C\u002Fp>\n\u003Cp>\nMột số thước đo phổ biến gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Hiệu suất trên tập kiểm tra:\u003C\u002Fstrong> Độ chính xác, sai số trung bình tuyệt đối (MAE), sai số bình phương trung bình (RMSE) trên dữ liệu chưa từng huấn luyện.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đánh giá chéo (cross-validation):\u003C\u002Fstrong> Chia dữ liệu thành nhiều phần, huấn luyện và kiểm tra mô hình nhiều lần để giảm sai số ước lượng. Tham khảo tại \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fcross_validation.html\">Scikit-learn: Cross-validation\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Khoảng tin cậy:\u003C\u002Fstrong> Sử dụng thống kê để ước lượng sai số tổng quát hóa trong khoảng xác suất cao.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nTrong các bài toán học có giám sát, biểu đồ learning curve (đường cong học) cũng thường được dùng để quan sát hiệu suất mô hình khi thay đổi kích thước dữ liệu:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Kích thước tập huấn luyện\u003C\u002Fth>\n      \u003Cth>Độ chính xác trên huấn luyện\u003C\u002Fth>\n      \u003Cth>Độ chính xác trên kiểm tra\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Nhỏ\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Trung bình\u003C\u002Ftd>\n      \u003Ctd>Vừa\u003C\u002Ftd>\n      \u003Ctd>Vừa\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Lớn\u003C\u002Ftd>\n      \u003Ctd>Thấp hơn\u003C\u002Ftd>\n      \u003Ctd>Cao hơn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Vai trò của overfitting và underfitting\u003C\u002Fh2>\n\u003Cp>\nHai hiện tượng quan trọng ảnh hưởng trực tiếp đến khả năng kết hợp chung là overfitting và underfitting. Đây là hai thái cực trong quá trình huấn luyện mô hình:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Overfitting:\u003C\u002Fstrong> Mô hình khớp quá chặt với dữ liệu huấn luyện, học cả nhiễu và ngoại lệ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Underfitting:\u003C\u002Fstrong> Mô hình quá đơn giản, không đủ khả năng mô tả mối quan hệ trong dữ liệu.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nMột mô hình overfit thường đạt điểm cao trên tập huấn luyện nhưng thấp trên tập kiểm tra, trong khi underfit thể hiện kết quả kém trên cả hai. Biểu đồ dưới đây minh họa rõ ràng mối quan hệ giữa độ phức tạp mô hình và lỗi tổng quát hóa:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\n\\text{Generalization Error} = \\mathbb{E}_{x \\sim P}[(f(x) - f^*(x))^2]\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nGiải quyết vấn đề này thường yêu cầu điều chỉnh kiến trúc mô hình, lựa chọn đúng hàm mất mát, sử dụng kỹ thuật regularization hoặc tăng cường dữ liệu. Chìa khóa là đạt được điểm cân bằng giữa bias và variance, tối ưu hóa mô hình vừa đủ linh hoạt để học quy luật, nhưng không quá phức tạp để học nhiễu.\n\u003C\u002Fp>\n\u003Ch2>Yếu tố ảnh hưởng đến khả năng kết hợp chung\u003C\u002Fh2>\n\u003Cp>\nNhiều yếu tố góp phần quyết định một mô hình học máy có tổng quát hóa tốt hay không. Đầu tiên là \u003Cstrong>kích thước tập huấn luyện\u003C\u002Fstrong>. Một tập dữ liệu lớn, đa dạng và đại diện tốt cho phân phối thực tế sẽ giúp mô hình học được nhiều quy luật có giá trị, từ đó cải thiện độ chính xác khi áp dụng ra thế giới thực.\n\u003C\u002Fp>\n\u003Cp>\nTiếp theo là \u003Cstrong>độ phức tạp của mô hình\u003C\u002Fstrong>. Mô hình với quá nhiều tham số hoặc kiến trúc quá sâu (như mạng nơ-ron sâu) có thể học cả những nhiễu trong dữ liệu. Ngược lại, mô hình quá đơn giản sẽ không đủ khả năng biểu diễn các mối quan hệ phi tuyến phức tạp.\n\u003C\u002Fp>\n\u003Cp>\nMột số yếu tố ảnh hưởng khác bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Chiến lược regularization (ví dụ: L1, L2)\u003C\u002Fli>\n  \u003Cli>Chất lượng và tính nhất quán của dữ liệu huấn luyện\u003C\u002Fli>\n  \u003Cli>Kỹ thuật tiền xử lý: chuẩn hóa, loại bỏ ngoại lệ, chọn đặc trưng\u003C\u002Fli>\n  \u003Cli>Phân phối dữ liệu huấn luyện có đồng nhất với dữ liệu kiểm tra không\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nNgoài ra, việc lựa chọn thuật toán tối ưu hóa (như SGD, Adam) và siêu tham số như learning rate, batch size cũng có thể ảnh hưởng đáng kể đến khả năng tổng quát hóa.\n\u003C\u002Fp>\n\n\u003Ch2>Vai trò của lý thuyết thống kê học máy\u003C\u002Fh2>\n\u003Cp>\nKhả năng kết hợp chung không chỉ là một hiện tượng thực nghiệm, mà còn được lý giải chặt chẽ dưới góc độ lý thuyết. Trong đó, hai khái niệm cốt lõi thường được viện dẫn là:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>VC Dimension (Vapnik–Chervonenkis Dimension):\u003C\u002Fstrong> Một đại lượng đo khả năng phân biệt của một lớp mô hình. Mô hình có VC dimension quá cao có thể overfit, trong khi VC dimension thấp khiến khả năng học bị giới hạn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Probably Approximately Correct (PAC) Learning:\u003C\u002Fstrong> Một khung lý thuyết mô tả điều kiện mà dưới đó mô hình học có thể đạt được sai số thấp với xác suất cao, dựa trên kích thước mẫu và độ phức tạp mô hình.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nCác bất đẳng thức thống kê như Hoeffding hoặc McDiarmid được dùng để đặt giới hạn sai số tổng quát hóa. Ví dụ, theo PAC learning, để đảm bảo tổng sai số nhỏ hơn \u003Cscript type=\"math\u002Ftex\">\\epsilon\u003C\u002Fscript> với xác suất ít nhất \u003Cscript type=\"math\u002Ftex\">1 - \\delta\u003C\u002Fscript>, cần một số lượng mẫu huấn luyện tối thiểu phụ thuộc vào độ phức tạp của mô hình và \u003Cscript type=\"math\u002Ftex\">\\epsilon, \\delta\u003C\u002Fscript>.\n\u003C\u002Fp>\n\u003Cp>\nTài liệu nền tảng cho phần này có thể tìm đọc trong giáo trình \u003Ca href=\"https:\u002F\u002Fwww.cs.huji.ac.il\u002F~shais\u002FUnderstandingMachineLearning\u002F\">Understanding Machine Learning\u003C\u002Fa> (Shalev-Shwartz & Ben-David, 2014).\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong học sâu và mạng nơ-ron\u003C\u002Fh2>\n\u003Cp>\nTrong học sâu (deep learning), một nghịch lý thú vị xuất hiện: các mô hình có số lượng tham số rất lớn (đôi khi lớn hơn số mẫu huấn luyện) vẫn có khả năng tổng quát hóa rất tốt. Điều này đi ngược lại trực giác truyền thống dựa trên lý thuyết thống kê cổ điển.\n\u003C\u002Fp>\n\u003Cp>\nNghiên cứu của Zhang et al. (2017) \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.03530\">\"Understanding Deep Learning Requires Rethinking Generalization\"\u003C\u002Fa> cho thấy mạng nơ-ron có thể dễ dàng học thuộc dữ liệu ngẫu nhiên, nhưng lại tổng quát hóa tốt trên dữ liệu thực tế. Từ đó đặt ra câu hỏi: điều gì thực sự kiểm soát khả năng kết hợp chung của mạng sâu?\n\u003C\u002Fp>\n\u003Cp>\nMột số giả thuyết được đề xuất:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Hiện tượng khởi tạo ngẫu nhiên dẫn đến mô hình hội tụ về cực tiểu “phẳng” hơn (sharpness hypothesis)\u003C\u002Fli>\n  \u003Cli>Các kỹ thuật như batch normalization, dropout giúp điều hòa và ngăn quá khớp\u003C\u002Fli>\n  \u003Cli>Quỹ đạo tối ưu hóa của SGD có xu hướng chọn nghiệm đơn giản hơn\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nNgoài ra, có bằng chứng cho thấy các cực tiểu phẳng (flat minima) tương quan mạnh với khả năng tổng quát hóa tốt hơn các cực tiểu nhọn (sharp minima). Xem thêm tại \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.05468\">Sharp Minima Can Generalize For Deep Nets\u003C\u002Fa> (Dinh et al., 2017).\n\u003C\u002Fp>\n\n\u003Ch2>Các phương pháp cải thiện khả năng kết hợp chung\u003C\u002Fh2>\n\u003Cp>\nCó nhiều chiến lược thực tiễn giúp tăng khả năng kết hợp chung cho mô hình học máy. Một số kỹ thuật được áp dụng rộng rãi bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Data augmentation:\u003C\u002Fstrong> Tạo thêm dữ liệu huấn luyện bằng cách biến đổi mẫu gốc (xoay ảnh, nhiễu âm thanh...)\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Regularization:\u003C\u002Fstrong> Bổ sung ràng buộc vào hàm mất mát để giảm độ phức tạp mô hình (L1, L2, ElasticNet)\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Dropout:\u003C\u002Fstrong> Tắt ngẫu nhiên một số neuron trong quá trình huấn luyện để giảm phụ thuộc vào đặc trưng cụ thể\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Early stopping:\u003C\u002Fstrong> Dừng huấn luyện sớm khi hiệu suất trên tập kiểm tra bắt đầu giảm\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Normalization:\u003C\u002Fstrong> Giúp hội tụ nhanh và ổn định hơn, ví dụ batch normalization\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nNgoài ra, sử dụng ensemble (tập hợp mô hình) như bagging, boosting cũng là cách hiệu quả để giảm sai số phương sai và cải thiện tổng quát hóa.\n\u003C\u002Fp>\n\n\u003Ch2>Thách thức và hướng nghiên cứu tương lai\u003C\u002Fh2>\n\u003Cp>\nDù đã có nhiều tiến bộ, khả năng kết hợp chung vẫn là chủ đề nghiên cứu nóng trong học máy. Một số thách thức lớn hiện nay gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Khả năng giải thích:\u003C\u002Fstrong> Làm thế nào để hiểu vì sao mô hình hoạt động tốt trên dữ liệu mới?\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tổng quát hóa trong môi trường thay đổi:\u003C\u002Fstrong> Dữ liệu thực tế có thể thay đổi theo thời gian, theo miền ứng dụng, gây khó khăn cho mô hình học tĩnh.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học liên kết (Federated Learning):\u003C\u002Fstrong> Làm sao để mô hình tổng quát hóa tốt trên nhiều phân phối không đồng nhất?\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nCác hướng nghiên cứu mới đang tập trung vào học thích nghi (meta-learning), học chuyển (transfer learning), và học không giám sát. Tất cả đều hướng đến mục tiêu xây dựng mô hình có thể học hiệu quả từ ít dữ liệu, thích ứng nhanh với điều kiện mới.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Shalev-Shwartz, S., & Ben-David, S. (2014). \u003Cem>Understanding Machine Learning: From Theory to Algorithms\u003C\u002Fem>. Cambridge University Press. \u003Ca href=\"https:\u002F\u002Fwww.cs.huji.ac.il\u002F~shais\u002FUnderstandingMachineLearning\u002F\">Link\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Goodfellow, I., Bengio, Y., & Courville, A. (2016). \u003Cem>Deep Learning\u003C\u002Fem>. MIT Press. \u003Ca href=\"https:\u002F\u002Fwww.deeplearningbook.org\u002F\">Link\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Zhang, C., Bengio, S., Hardt, M., Recht, B., & Vinyals, O. (2017). \u003Cem>Understanding deep learning requires rethinking generalization\u003C\u002Fem>. \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.03530\">arXiv:1611.03530\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Dinh, L., Pascanu, R., Bengio, S., & Bengio, Y. (2017). \u003Cem>Sharp Minima Can Generalize For Deep Nets\u003C\u002Fem>. \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.05468\">arXiv:1710.05468\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Hastie, T., Tibshirani, R., & Friedman, J. (2009). \u003Cem>The Elements of Statistical Learning\u003C\u002Fem>. Springer. \u003Ca href=\"https:\u002F\u002Fhastie.su.domains\u002FElemStatLearn\u002F\">Link\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Ng, A. (2018). \u003Cem>Machine Learning Yearning\u003C\u002Fem>. \u003Ca href=\"https:\u002F\u002Fwww.deeplearning.ai\u002Fmachine-learning-yearning\u002F\">Link\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Scikit-learn documentation on model evaluation. \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fmodel_evaluation.html\">Link\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>Christoph Molnar. \u003Cem>Interpretable Machine Learning\u003C\u002Fem>. \u003Ca href=\"https:\u002F\u002Fchristophm.github.io\u002Finterpretable-ml-book\u002F\">Link\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","2025-10-10T03:08:24.582+00:00","2025-10-13T17:22:56.276+00:00","2025-10-13T17:22:56.270+00:00",142,[34,44,54,64,69,79,85,91,97,103],{"id":35,"title":36,"term":35,"englishTitle":37,"definition":38,"discipline":39,"disciplineCode":40,"disciplineLabel":41,"disciplineColor":42,"disciplineIcon":43},"tổ hợp lai","Tổ hợp lai là gì? Các bài báo nghiên cứu khoa học liên quan","Hybrid combination \u002F Crossing combination","Tổ hợp lai là sự kết hợp di truyền giữa hai hoặc nhiều dòng, giống hoặc cá thể có kiểu gen khác biệt thông qua quá trình thụ phấn nhân tạo hoặc giao phối có chủ đích trong công tác chọn giống cây trồng và vật nuôi, nhằm khai thác ưu thế lai và phân ly tái tổ hợp gen.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":45,"title":46,"term":45,"englishTitle":47,"definition":48,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"hiếp dâm","hiếp dâm là gì? Ý nghĩa và ứng dụng chuyên sâu","Rape \u002F Sexual violence","Hiếp dâm (rape) là hành vi xâm hại tình dục nghiêm trọng được thực hiện bằng vũ lực, đe dọa dùng vũ lực hoặc lợi dụng tình trạng không thể tự vệ của nạn nhân để thực hiện quan hệ tình dục trái ý muốn, cấu thành tội phạm hình sự đặc biệt nghiêm trọng.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":55,"title":56,"term":55,"englishTitle":57,"definition":58,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"cường độ ứng suất","cường độ ứng suất là gì? Ý nghĩa và ứng dụng chuyên sâu","Stress intensity factor \u002F Stress concentration","Cường độ ứng suất (stress intensity factor, K) là đại lượng cơ học đứt gãy đặc trưng cho mức độ tập trung và phân bố trạng thái ứng suất tại vùng đỉnh vết nứt trong vật liệu đàn hồi tuyến tính dưới tác dụng của tải trọng ngoài.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":65,"title":66,"term":65,"englishTitle":67,"definition":68,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"hành vi bên ngoài","hành vi bên ngoài là gì? Ý nghĩa và ứng dụng chuyên sâu","Externalizing behavior \u002F Externalizing problems","Hành vi bên ngoài (externalizing behavior) là nhóm các biểu hiện rối loạn hành vi định hướng ra môi trường ngoại cảnh, bao gồm gây hấn, chống đối, phá hoại quy tắc xã hội và xung động, thường được nghiên cứu trong tâm lý học phát triển và tâm thần học trẻ em.",{"id":70,"title":71,"term":70,"englishTitle":72,"definition":73,"discipline":74,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"gầy còm","gầy còm là gì? Ý nghĩa và ứng dụng chuyên sâu","Cachexia \u002F Disease-related wasting","Gầy còm (cachexia) là hội chứng chuyển hóa phức tạp đặc trưng bởi sự suy giảm khối lượng cơ vân nghiêm trọng kèm theo hoặc không kèm theo mất khối mỡ, không thể đảo ngược hoàn toàn bằng liệu pháp dinh dưỡng đơn thuần và thường phát triển thứ phát sau các bệnh lý mạn tính nặng.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":80,"title":81,"term":82,"englishTitle":83,"definition":84,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"phương pháp thuyết trình","Phương pháp thuyết trình là gì? Cấu trúc và kỹ thuật sư phạm","Phương pháp thuyết trình","Oral presentation skills","Phương pháp thuyết trình là phương thức truyền đạt thông tin có cấu trúc bằng lời nói kết hợp phương tiện trực quan nhằm cung cấp tri thức, định hình nhận thức hoặc thuyết phục người nghe.",{"id":86,"title":87,"term":88,"englishTitle":89,"definition":90,"discipline":74,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"viêm mũi xoang mạn tính","Viêm mũi xoang mạn tính là gì? Định nghĩa và ứng dụng","Viêm mũi xoang mạn tính","chronic rhinosinusitis","Viêm mũi xoang mạn tính (CRS) là hội chứng viêm mạn tính kéo dài từ 12 tuần trở lên của niêm mạc mũi và các xoang cạnh mũi, đặc trưng bởi nghẹt mũi, chảy dịch mũi mủ nhầy, đau tức nặng vùng mặt và suy giảm khứu giác.",{"id":92,"title":93,"term":94,"englishTitle":95,"definition":96,"discipline":74,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"phẫu thuật tim ít xâm lấn","Phẫu thuật tim ít xâm lấn là gì? Định nghĩa và ứng dụng","Phẫu thuật tim ít xâm lấn","minimally invasive cardiac surgery","Phẫu thuật tim ít xâm lấn (MICS) là kỹ thuật ngoại khoa tim mạch thực hiện các can thiệp phẫu thuật tim hở thông qua các đường rạch ngực nhỏ hạn chế (như mở ngực mini trước - bên hoặc cưa bán phần xương ức) thay cho đường cưa dọc toàn bộ xương ức kinh điển, giúp giảm thiểu sang chấn và phục hồi nhanh.",{"id":98,"title":99,"term":100,"englishTitle":101,"definition":102,"discipline":49,"disciplineCode":50,"disciplineLabel":51,"disciplineColor":52,"disciplineIcon":53},"vụ án hình sự","Vụ án hình sự là gì? Ý nghĩa và ứng dụng chuyên sâu","Vụ án hình sự","criminal case","Vụ án hình sự là một vụ việc pháp lý phản ánh hành vi nguy hiểm cho xã hội bị Bộ luật Hình sự quy định là tội phạm, được các cơ quan tiến hành tố tụng có thẩm quyền khởi tố, điều tra, truy tố và xét xử theo trình tự, thủ tục chặt chẽ được quy định trong Bộ luật Tố tụng Hình sự nhằm xác định sự thật khách quan, trừng trị người phạm tội và bảo vệ trật tự pháp luật.",{"id":104,"title":105,"term":106,"englishTitle":107,"definition":108,"discipline":74,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"biểu mô sắc tố võng mạc","Biểu mô sắc tố võng mạc là gì? Định nghĩa và ứng dụng","Biểu mô sắc tố võng mạc","retinal pigment epithelium","Biểu mô sắc tố võng mạc (RPE) là lớp đơn tế bào biểu mô có sắc tố nằm giữa võng mạc cảm thụ thần kinh và màng mạch (choroid), đóng vai trò sống còn trong chu trình thị giác, thực bào các đĩa ngoài thụ cảm quang và duy trì hàng rào máu - võng mạc ngoài."]