[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20%C4%91a%20c%E1%BA%A5p{\"limit\":5}":3,"_public_topic_byId_mô hình đa cấp":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},"mô hình đa cấp","Mô hình đa cấp là gì? Các bài nghiên cứu khoa học liên quan","Mô hình đa cấp là phương pháp thống kê dùng để phân tích dữ liệu có cấu trúc phân cấp, trong đó các quan sát được lồng trong những nhóm hay bối cảnh khác nhau. Mô hình này cho phép ước lượng đồng thời hiệu ứng ở nhiều cấp độ và xử lý sự phụ thuộc giữa các quan sát, giúp kết quả phản ánh đúng bối cảnh dữ liệu. ","\u003Cdiv>\u003Ch2>Khái niệm “mô hình đa cấp” là gì?\u003C\u002Fh2>\n\u003Cp>\nMô hình đa cấp (multilevel model), còn được gọi là mô hình phân cấp hay mô hình hỗn hợp, là một khung phân tích thống kê được thiết kế để xử lý dữ liệu có cấu trúc lồng nhau. Trong loại dữ liệu này, các đơn vị quan sát ở cấp thấp không tồn tại độc lập mà được nhóm trong các đơn vị cấp cao hơn, chẳng hạn học sinh trong lớp học, bệnh nhân trong bệnh viện hoặc các phép đo lặp lại trong cùng một cá thể.\n\u003C\u002Fp>\n\u003Cp>\nĐiểm cốt lõi của mô hình đa cấp là thừa nhận và mô hình hóa sự phụ thuộc thống kê giữa các quan sát cùng nhóm. Thay vì coi mọi quan sát là độc lập như trong hồi quy tuyến tính cổ điển, mô hình đa cấp cho phép các tham số nhất định thay đổi giữa các nhóm, phản ánh sự khác biệt có hệ thống ở cấp cao hơn.\n\u003C\u002Fp>\n\u003Cp>\nTrong thực hành nghiên cứu, mô hình đa cấp được xem là công cụ trung tâm khi dữ liệu có nguồn gốc từ nhiều bối cảnh hoặc môi trường khác nhau. Việc sử dụng mô hình này giúp các ước lượng có ý nghĩa thực tế hơn, đồng thời tránh được những kết luận sai lệch do vi phạm giả định độc lập.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Đối tượng phân tích: dữ liệu có cấu trúc lồng nhau.\u003C\u002Fli>\n  \u003Cli>Mục tiêu chính: ước lượng đồng thời ảnh hưởng ở nhiều cấp.\u003C\u002Fli>\n  \u003Cli>Lĩnh vực ứng dụng: giáo dục, y sinh, xã hội học, kinh tế.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Cấu trúc dữ liệu phân cấp và các vấn đề thống kê phát sinh\u003C\u002Fh2>\n\u003Cp>\nDữ liệu phân cấp xuất hiện khi các quan sát được tổ chức theo từng nhóm hoặc cấp bậc tự nhiên. Ví dụ, học sinh được xếp trong lớp, lớp thuộc trường; bệnh nhân được điều trị tại các bệnh viện khác nhau; hoặc các quan sát theo thời gian được lặp lại trên cùng một cá thể. Trong những trường hợp này, các quan sát trong cùng một nhóm thường giống nhau hơn so với các quan sát thuộc nhóm khác.\n\u003C\u002Fp>\n\u003Cp>\nSự giống nhau nội tại này dẫn đến hiện tượng tương quan trong nhóm (intra-class correlation). Nếu bỏ qua tương quan này và áp dụng các mô hình hồi quy truyền thống, phương sai của ước lượng có thể bị đánh giá thấp, làm tăng nguy cơ sai lầm loại I và khiến kết luận thống kê trở nên kém tin cậy.\n\u003C\u002Fp>\n\u003Cp>\nMô hình đa cấp được phát triển để giải quyết chính vấn đề này bằng cách mô hình hóa trực tiếp cấu trúc phân cấp của dữ liệu, cho phép tách biệt biến thiên giữa các nhóm và biến thiên trong từng nhóm.\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Ví dụ dữ liệu\u003C\u002Fth>\n    \u003Cth>Cấp thấp\u003C\u002Fth>\n    \u003Cth>Cấp cao\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Giáo dục\u003C\u002Ftd>\n    \u003Ctd>Học sinh\u003C\u002Ftd>\n    \u003Ctd>Lớp học \u002F Trường\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Y tế\u003C\u002Ftd>\n    \u003Ctd>Bệnh nhân\u003C\u002Ftd>\n    \u003Ctd>Bệnh viện\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Dữ liệu dọc\u003C\u002Ftd>\n    \u003Ctd>Phép đo\u003C\u002Ftd>\n    \u003Ctd>Cá thể\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Nguyên lý cơ bản của mô hình đa cấp\u003C\u002Fh2>\n\u003Cp>\nNguyên lý trung tâm của mô hình đa cấp là phân rã tổng phương sai của biến phụ thuộc thành các thành phần tương ứng với từng cấp trong cấu trúc dữ liệu. Cách tiếp cận này cho phép nhà nghiên cứu định lượng mức độ biến thiên xuất phát từ khác biệt giữa các nhóm so với khác biệt giữa các cá thể trong cùng nhóm.\n\u003C\u002Fp>\n\u003Cp>\nTrong mô hình đa cấp hai cấp đơn giản, biến phụ thuộc được mô tả như tổng của một giá trị trung bình chung, một thành phần ngẫu nhiên ở cấp nhóm và một sai số ở cấp cá thể. Thành phần ngẫu nhiên này phản ánh việc mỗi nhóm có thể có giá trị trung bình riêng, lệch khỏi trung bình chung của toàn bộ quần thể.\n\u003C\u002Fp>\n\u003Cp>\nBiểu diễn toán học của mô hình hai cấp cơ bản thường được viết dưới dạng:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\ny_{ij} = \\beta_0 + u_j + \\varepsilon_{ij}\n\u003C\u002Fscript>\n\u003Cp>\nTrong đó \u003Cscript type=\"math\u002Ftex\">y_{ij}\u003C\u002Fscript> là giá trị quan sát của cá thể \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> trong nhóm \u003Cscript type=\"math\u002Ftex\">j\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript> là trung bình chung, \u003Cscript type=\"math\u002Ftex\">u_j\u003C\u002Fscript> là hiệu ứng ngẫu nhiên của nhóm và \u003Cscript type=\"math\u002Ftex\">\\varepsilon_{ij}\u003C\u002Fscript> là sai số ngẫu nhiên ở cấp cá thể.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript>: hiệu ứng cố định ở cấp tổng thể.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">u_j\u003C\u002Fscript>: biến thiên giữa các nhóm.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\varepsilon_{ij}\u003C\u002Fscript>: biến thiên trong nhóm.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hiệu ứng cố định và hiệu ứng ngẫu nhiên trong mô hình đa cấp\u003C\u002Fh2>\n\u003Cp>\nHiệu ứng cố định (fixed effects) trong mô hình đa cấp đại diện cho ảnh hưởng trung bình của các biến giải thích lên biến phụ thuộc trong toàn bộ quần thể nghiên cứu. Các hệ số này được giả định là giống nhau cho mọi nhóm và thường là trọng tâm chính khi diễn giải kết quả.\n\u003C\u002Fp>\n\u003Cp>\nHiệu ứng ngẫu nhiên (random effects) cho phép một hoặc nhiều tham số của mô hình thay đổi giữa các nhóm. Ví dụ, không chỉ hệ số chặn mà cả hệ số góc của một biến độc lập cũng có thể khác nhau giữa các trường học hoặc bệnh viện, phản ánh sự khác biệt bối cảnh.\n\u003C\u002Fp>\n\u003Cp>\nViệc kết hợp cả hai loại hiệu ứng giúp mô hình đa cấp vừa giữ được khả năng diễn giải tổng quát, vừa phản ánh được tính đa dạng và không đồng nhất của dữ liệu thực tế.\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Thành phần\u003C\u002Fth>\n    \u003Cth>Vai trò\u003C\u002Fth>\n    \u003Cth>Ý nghĩa\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Hiệu ứng cố định\u003C\u002Ftd>\n    \u003Ctd>Ảnh hưởng trung bình\u003C\u002Ftd>\n    \u003Ctd>Diễn giải ở mức quần thể\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Hiệu ứng ngẫu nhiên\u003C\u002Ftd>\n    \u003Ctd>Biến thiên giữa nhóm\u003C\u002Ftd>\n    \u003Ctd>Phản ánh khác biệt bối cảnh\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2>Các loại mô hình đa cấp phổ biến\u003C\u002Fh2>\n\u003Cp>\nTùy theo bản chất của biến phụ thuộc và cấu trúc dữ liệu, mô hình đa cấp được phát triển thành nhiều dạng khác nhau nhằm đáp ứng yêu cầu phân tích cụ thể. Dạng cơ bản nhất là mô hình đa cấp tuyến tính, trong đó biến phụ thuộc liên tục và phân phối gần chuẩn, phù hợp với nhiều bài toán trong giáo dục và khoa học xã hội.\n\u003C\u002Fp>\n\u003Cp>\nKhi biến phụ thuộc không tuân theo phân phối chuẩn, mô hình đa cấp có thể được mở rộng thành mô hình hỗn hợp tổng quát (Generalized Linear Mixed Models). Các mô hình này cho phép xử lý dữ liệu nhị phân, đếm hoặc tỷ lệ, ví dụ như kết cục điều trị (có\u002Fkhông), số ca mắc bệnh hoặc xác suất xảy ra sự kiện.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, các mô hình đa cấp còn được sử dụng rộng rãi cho dữ liệu dọc và mô hình tăng trưởng, nơi các phép đo lặp lại theo thời gian được lồng trong cùng một cá thể. Cách tiếp cận này giúp mô tả đồng thời xu hướng trung bình theo thời gian và sự khác biệt cá thể trong quỹ đạo phát triển.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Mô hình đa cấp tuyến tính cho biến liên tục.\u003C\u002Fli>\n  \u003Cli>Mô hình hỗn hợp tổng quát cho biến rời rạc.\u003C\u002Fli>\n  \u003Cli>Mô hình dữ liệu dọc và mô hình tăng trưởng.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ước lượng tham số và phương pháp suy luận thống kê\u003C\u002Fh2>\n\u003Cp>\nCác tham số trong mô hình đa cấp thường được ước lượng bằng phương pháp hợp lý tối đa (Maximum Likelihood – ML) hoặc hợp lý tối đa hạn chế (Restricted Maximum Likelihood – REML). Phương pháp ML ước lượng đồng thời các hệ số hồi quy và các thành phần phương sai, trong khi REML tập trung vào ước lượng phương sai một cách ít chệch hơn trong mẫu nhỏ.\n\u003C\u002Fp>\n\u003Cp>\nViệc lựa chọn giữa ML và REML phụ thuộc vào mục tiêu phân tích. ML thường được sử dụng khi so sánh các mô hình có cấu trúc hiệu ứng cố định khác nhau, còn REML phù hợp hơn khi quan tâm đến ước lượng chính xác các thành phần phương sai.\n\u003C\u002Fp>\n\u003Cp>\nTrong suy luận thống kê, ý nghĩa của các hiệu ứng cố định thường được kiểm định bằng kiểm định Wald hoặc kiểm định tỷ số hợp lý. Đối với hiệu ứng ngẫu nhiên, việc đánh giá ý nghĩa cần thận trọng hơn do các giả định biên và phân phối của tham số phương sai.\n\u003C\u002Fp>\n\n\u003Ch2>Ưu điểm của mô hình đa cấp so với các mô hình truyền thống\u003C\u002Fh2>\n\u003Cp>\nƯu điểm nổi bật nhất của mô hình đa cấp là khả năng xử lý dữ liệu có cấu trúc phức tạp mà không vi phạm giả định độc lập của sai số. Bằng cách mô hình hóa trực tiếp sự phụ thuộc trong nhóm, mô hình đa cấp cung cấp các ước lượng phương sai và sai số chuẩn chính xác hơn.\n\u003C\u002Fp>\n\u003Cp>\nMô hình đa cấp còn cho phép “chia sẻ thông tin” giữa các nhóm thông qua cơ chế co rút thống kê (shrinkage), trong đó các ước lượng nhóm riêng lẻ được điều chỉnh về trung bình chung khi dữ liệu của nhóm đó hạn chế. Điều này giúp tăng độ ổn định của ước lượng.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, mô hình đa cấp linh hoạt trong việc mở rộng, cho phép kết hợp nhiều cấp độ, nhiều nguồn biến thiên và các cấu trúc tương quan phức tạp mà các mô hình hồi quy đơn giản khó đáp ứng.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và thách thức khi áp dụng mô hình đa cấp\u003C\u002Fh2>\n\u003Cp>\nMặc dù có nhiều ưu điểm, mô hình đa cấp cũng đặt ra những thách thức đáng kể. Việc xây dựng và diễn giải mô hình đòi hỏi kiến thức thống kê nâng cao, đặc biệt trong việc lựa chọn cấu trúc hiệu ứng ngẫu nhiên phù hợp.\n\u003C\u002Fp>\n\u003Cp>\nChi phí tính toán của mô hình đa cấp thường cao hơn so với các mô hình truyền thống, nhất là với dữ liệu lớn hoặc mô hình có nhiều cấp và nhiều hiệu ứng ngẫu nhiên. Trong một số trường hợp, vấn đề hội tụ hoặc ước lượng không ổn định có thể xảy ra.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, kết quả phân tích có thể nhạy cảm với các giả định về phân phối của hiệu ứng ngẫu nhiên, do đó việc kiểm tra giả định và phân tích độ nhạy là cần thiết.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng của mô hình đa cấp trong các lĩnh vực nghiên cứu\u003C\u002Fh2>\n\u003Cp>\nTrong giáo dục, mô hình đa cấp được sử dụng để đánh giá hiệu quả trường học hoặc chương trình giảng dạy, tách biệt ảnh hưởng của học sinh, lớp học và trường. Cách tiếp cận này giúp tránh việc quy kết sai khác biệt kết quả học tập cho cá nhân khi nguyên nhân thực sự đến từ bối cảnh.\n\u003C\u002Fp>\n\u003Cp>\nTrong y tế và dịch tễ học, mô hình đa cấp cho phép phân tích dữ liệu bệnh nhân lồng trong bệnh viện hoặc khu vực địa lý, từ đó đánh giá sự khác biệt về chất lượng chăm sóc hoặc nguy cơ bệnh tật giữa các cơ sở.\n\u003C\u002Fp>\n\u003Cp>\nTrong khoa học xã hội và kinh tế học, mô hình đa cấp được áp dụng để nghiên cứu hành vi cá nhân trong bối cảnh cộng đồng, khu vực hoặc quốc gia, phản ánh sự tương tác giữa yếu tố cá nhân và môi trường.\n\u003C\u002Fp>\n\n\u003Ch2>Tiêu chí lựa chọn, đánh giá và kiểm định mô hình\u003C\u002Fh2>\n\u003Cp>\nViệc lựa chọn mô hình đa cấp phù hợp thường bắt đầu bằng việc xác định rõ cấu trúc phân cấp của dữ liệu và các giả thuyết nghiên cứu. Các chỉ số thông tin như AIC và BIC được sử dụng để so sánh các mô hình cạnh tranh.\n\u003C\u002Fp>\n\u003Cp>\nKiểm định tỷ số hợp lý cho phép đánh giá sự cần thiết của các hiệu ứng ngẫu nhiên hoặc các thành phần mô hình bổ sung. Bên cạnh đó, việc kiểm tra phần dư và đánh giá giả định phân phối là bước không thể thiếu.\n\u003C\u002Fp>\n\u003Cp>\nMột mô hình đa cấp được xem là phù hợp khi vừa phản ánh đúng cấu trúc dữ liệu, vừa cung cấp các ước lượng ổn định và có ý nghĩa khoa học.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\n    Gelman A, Hill J. Data Analysis Using Regression and Multilevel\u002FHierarchical Models. Cambridge University Press.\n    \u003Ca href=\"https:\u002F\u002Fwww.cambridge.org\u002Fcore\u002Fbooks\u002Fdata-analysis-using-regression-and-multilevelhierarchical-models\u002F32A29531C3E8A9F9E44F68B4E33F0C92\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fwww.cambridge.org\u002Fcore\u002Fbooks\u002Fdata-analysis-using-regression-and-multilevelhierarchical-models\u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    Snijders TAB, Bosker RJ. Multilevel Analysis: An Introduction to Basic and Advanced Multilevel Modeling. Sage Publications.\n    \u003Ca href=\"https:\u002F\u002Fus.sagepub.com\u002Fen-us\u002Fnam\u002Fmultilevel-analysis\u002Fbook245890\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fus.sagepub.com\u002Fen-us\u002Fnam\u002Fmultilevel-analysis\u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    Goldstein H. Multilevel Statistical Models. Wiley.\n    \u003Ca href=\"https:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Fbook\u002F10.1002\u002F9780470973394\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fonlinelibrary.wiley.com\u002Fdoi\u002Fbook\u002F10.1002\u002F9780470973394\u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    Raudenbush SW, Bryk AS. Hierarchical Linear Models: Applications and Data Analysis Methods. Sage Publications.\n    \u003Ca href=\"https:\u002F\u002Fus.sagepub.com\u002Fen-us\u002Fnam\u002Fhierarchical-linear-models\u002Fbook243738\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fus.sagepub.com\u002Fen-us\u002Fnam\u002Fhierarchical-linear-models\u003C\u002Fa>\n  \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},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[13],false,"PUBLISHED","2025-12-01T11:30:04.337+00:00","2025-12-25T03:26:45.909+00:00","2025-12-25T03:26:45.905+00:00",61,[33,43,48,58,63,73,79,85,91,97],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"phân tích đa cấp","Phân tích đa cấp là gì? Các nghiên cứu khoa học liên quan","multilevel analysis","Phân tích đa cấp (multilevel analysis hay hierarchical linear modeling - HLM) là phương pháp thống kê nâng cao dùng để mô hình hóa và phân tích các cấu trúc dữ liệu phân tầng lồng nhau, cho phép ước tính đồng thời tác động của các biến số ở cấp độ cá nhân và cấp độ nhóm.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":44,"title":45,"term":44,"englishTitle":46,"definition":47,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"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.",{"id":49,"title":50,"term":49,"englishTitle":51,"definition":52,"discipline":53,"disciplineCode":54,"disciplineLabel":55,"disciplineColor":56,"disciplineIcon":57},"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":59,"title":60,"term":59,"englishTitle":61,"definition":62,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"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":64,"title":65,"term":64,"englishTitle":66,"definition":67,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"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":74,"title":75,"term":76,"englishTitle":77,"definition":78,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"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":80,"title":81,"term":82,"englishTitle":83,"definition":84,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"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":86,"title":87,"term":88,"englishTitle":89,"definition":90,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"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":92,"title":93,"term":94,"englishTitle":95,"definition":96,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"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":98,"title":99,"term":100,"englishTitle":101,"definition":102,"discipline":68,"disciplineCode":69,"disciplineLabel":70,"disciplineColor":71,"disciplineIcon":72},"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."]