[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20l%C3%A2y%20lan{\"limit\":5}":3,"_public_topic_byId_mô hình lây lan":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":20,"discipline":21,"references":22,"faqs":47,"createUser":57,"publishUser":61,"keywords":65,"keywordCount":76,"enrichTopicLink":77,"status":78,"createTime":79,"updateTime":80,"publishTime":81,"linkEnrichedTime":82,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":83,"relateTopics":84},"mô hình lây lan","Mô hình lây lan là gì? Định nghĩa và ứng dụng","Tìm hiểu Mô hình lây lan (Epidemic Spreading Models): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu. C...","\u003Cp>\u003Cstrong>Mô hình lây lan\u003C\u002Fstrong> (\u003Cem>Epidemic Spreading Models\u003C\u002Fem>) là hệ thống các phương trình toán học và mô phỏng tính toán mô tả quy luật truyền nhiễm của dịch bệnh hoặc sự lan truyền thông tin, hành vi trong một quần thể cấu trúc hoặc mạng lưới phức hợp.\u003C\u002Fp>\n\u003Ch2>Giới thiệu về mô hình lây lan\u003C\u002Fh2>\n\u003Cp>\nMô hình lây lan là các công cụ toán học được phát triển để phân tích và mô phỏng sự truyền bá của các yếu tố qua một quần thể. Các yếu tố này có thể là virus, vi khuẩn, thông tin, hành vi xã hội, thậm chí là phần mềm độc hại trong hệ thống máy tính. Những mô hình này không chỉ giới hạn trong y tế mà còn được sử dụng rộng rãi trong các lĩnh vực như kinh tế học, {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20x%C3%A3%20h%E1%BB%99i%22%7D}}, và khoa học dữ liệu.\n\u003C\u002Fp>\n\u003Cp>\nĐiểm mạnh của mô hình lây lan nằm ở khả năng trừu tượng hóa hiện tượng thực tế thành các biến số và tham số có thể đo lường và phân tích được. Nhờ đó, nhà nghiên cứu có thể dự đoán xu hướng lan truyền, xác định thời điểm bùng phát, {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20hi%E1%BB%87u%20qu%E1%BA%A3%22%7D}} can thiệp, và xây dựng chiến lược kiểm soát. Việc sử dụng mô hình hóa giúp tiết kiệm chi phí thử nghiệm trong thực tế và rút ngắn thời gian ra quyết định.\n\u003C\u002Fp>\n\u003Cp>\nMô hình lây lan thường được xây dựng dựa trên giả định về hành vi trung bình của các nhóm đối tượng trong quần thể. Tùy vào mức độ chi tiết và mục tiêu phân tích, các mô hình có thể rất đơn giản (chỉ vài biến số) hoặc rất phức tạp (kết hợp yếu tố không gian, mạng xã hội, hoặc hành vi cá nhân). Mục tiêu cốt lõi là hiểu được quy luật lan truyền để đưa ra dự đoán và can thiệp hợp lý.\n\u003C\u002Fp>\n\n\u003Ch2>Phân loại mô hình lây lan\u003C\u002Fh2>\n\u003Cp>\nCác mô hình lây lan được phân loại dựa trên cách tiếp cận toán học và mức độ ngẫu nhiên trong mô phỏng. Hai nhóm chính là mô hình xác định (deterministic models) và {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20ng%E1%BA%ABu%20nhi%C3%AAn%22%7D}} (stochastic models). Mỗi loại có ưu và nhược điểm riêng, phù hợp với từng tình huống cụ thể.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Mô hình xác định:\u003C\u002Fstrong> Dựa trên {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20vi%20ph%C3%A2n%22%7D}}, mô tả hành vi trung bình của quần thể lớn. Không tính đến yếu tố ngẫu nhiên. Ví dụ: mô hình SIR, SEIR, SIS.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Mô hình ngẫu nhiên:\u003C\u002Fstrong> Bao gồm các biến số ngẫu nhiên để mô phỏng {{topic|%7B%22topic%22%3A%22s%E1%BB%B1%20kh%C3%B4ng%20ch%E1%BA%AFc%20ch%E1%BA%AFn%22%7D}} trong lan truyền. Phù hợp cho mô phỏng ở quy mô nhỏ, hoặc khi số lượng ca ban đầu rất thấp.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nBảng dưới đây so sánh đặc điểm của hai loại mô hình:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí\u003C\u002Fth>\n    \u003Cth>Mô hình xác định\u003C\u002Fth>\n    \u003Cth>Mô hình ngẫu nhiên\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Cơ sở toán học\u003C\u002Ftd>\n    \u003Ctd>Phương trình vi phân\u003C\u002Ftd>\n    \u003Ctd>Lý thuyết xác suất, mô phỏng Monte Carlo\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Quy mô phù hợp\u003C\u002Ftd>\n    \u003Ctd>Quần thể lớn\u003C\u002Ftd>\n    \u003Ctd>Quần thể nhỏ hoặc không ổn định\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Độ phức tạp\u003C\u002Ftd>\n    \u003Ctd>Thường đơn giản hơn\u003C\u002Ftd>\n    \u003Ctd>Thường phức tạp hơn\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Khả năng dự đoán\u003C\u002Ftd>\n    \u003Ctd>Ổn định, có thể giải tích\u003C\u002Ftd>\n    \u003Ctd>Không ổn định, cần nhiều mô phỏng\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Mô hình SIR và biến thể\u003C\u002Fh2>\n\u003Cp>\nMô hình SIR là mô hình kinh điển và nền tảng trong nghiên cứu lây lan dịch bệnh. Nó chia quần thể thành ba nhóm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Susceptible (S):\u003C\u002Fstrong> Những người dễ bị nhiễm.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Infected (I):\u003C\u002Fstrong> Những người đang mang mầm bệnh và có khả năng lây lan.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Recovered (R):\u003C\u002Fstrong> Những người đã khỏi bệnh và có miễn dịch.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nMối quan hệ giữa ba nhóm được mô tả bằng hệ phương trình vi phân sau:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\n\\begin{aligned}\n\\frac{dS}{dt} &= -\\beta SI \\\\\n\\frac{dI}{dt} &= \\beta SI - \\gamma I \\\\\n\\frac{dR}{dt} &= \\gamma I\n\\end{aligned}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> \\beta \u003C\u002Fscript>: Hệ số truyền bệnh, phụ thuộc vào tần suất tiếp xúc và xác suất lây nhiễm.\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\"> \\gamma \u003C\u002Fscript>: Tỷ lệ phục hồi, bằng nghịch đảo của thời gian nhiễm trung bình.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nMô hình có thể mở rộng bằng cách thêm trạng thái mới:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>SEIR:\u003C\u002Fstrong> Bổ sung giai đoạn ủ bệnh (E – Exposed).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>SIS:\u003C\u002Fstrong> Không có miễn dịch sau hồi phục, người bệnh trở lại trạng thái nhạy cảm.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>SIRS:\u003C\u002Fstrong> Miễn dịch tạm thời, sau một thời gian sẽ có thể tái nhiễm.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\n\u003Ch2>Tham số quan trọng: Hệ số lây cơ bản \u003Cscript type=\"math\u002Ftex\"> R_0 \u003C\u002Fscript>\u003C\u002Fh2>\n\u003Cp>\nHệ số lây cơ bản \u003Cscript type=\"math\u002Ftex\"> R_0 \u003C\u002Fscript> là chỉ số then chốt để đánh giá mức độ nguy hiểm và khả năng lan rộng của một tác nhân truyền nhiễm. Đây là giá trị trung bình số ca nhiễm thứ cấp được tạo ra bởi một cá nhân nhiễm bệnh trong quần thể hoàn toàn nhạy cảm.\n\u003C\u002Fp>\n\u003Cp>\nVới mô hình SIR, \u003Cscript type=\"math\u002Ftex\"> R_0 \u003C\u002Fscript> được tính như sau:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nR_0 = \\frac{\\beta}{\\gamma}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nÝ nghĩa của \u003Cscript type=\"math\u002Ftex\"> R_0 \u003C\u002Fscript>:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\"> R_0 > 1 \u003C\u002Fscript>: Dịch bệnh có xu hướng lan rộng.\u003C\u002Fli>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\"> R_0 = 1 \u003C\u002Fscript>: Số ca mắc mới ổn định theo thời gian.\u003C\u002Fli>\n  \u003Cli>Nếu \u003Cscript type=\"math\u002Ftex\"> R_0 \u003C 1 \u003C\u002Fscript>: Dịch bệnh sẽ dần tự chấm dứt.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nHệ số này giúp các nhà quản lý {{topic|%7B%22topic%22%3A%22y%20t%E1%BA%BF%20c%C3%B4ng%20c%E1%BB%99ng%22%7D}} đưa ra các biện pháp can thiệp như {{topic|%7B%22topic%22%3A%22gi%C3%A3n%20c%C3%A1ch%20x%C3%A3%20h%E1%BB%99i%22%7D}}, tiêm vaccine, hoặc kiểm soát di chuyển. Khi một vaccine hiệu quả được triển khai rộng rãi, mục tiêu là đưa \u003Cscript type=\"math\u002Ftex\"> R_0 \u003C\u002Fscript> về dưới 1 để chấm dứt chuỗi lây lan.\n\u003C\u002Fp>\n\u003Cp>\nXem thêm phân tích chi tiết tại bài báo của Viện Y tế Quốc gia Hoa Kỳ: \u003Ca href=\"https:\u002F\u002Fwww.ncbi.nlm.nih.gov\u002Fpmc\u002Farticles\u002FPMC6002118\u002F\" target=\"_blank\">Basic Reproduction Number\u003C\u002Fa>.\n\u003C\u002Fp>\n\u003Ch2>Mô hình mạng lưới và mô hình lưới không gian\u003C\u002Fh2>\n\u003Cp>\nTrong thế giới thực, cá nhân không tiếp xúc ngẫu nhiên với toàn bộ quần thể mà chỉ tương tác trong một mạng lưới quan hệ xác định. Mô hình mạng (network-based model) mô phỏng sự lan truyền dựa trên cấu trúc các kết nối – ví dụ như quan hệ bạn bè, mạng xã hội, hoặc mạng tiếp xúc thực tế. Mỗi cá thể là một nút (node), và mối quan hệ là các cạnh (edge) nối giữa chúng.\n\u003C\u002Fp>\n\u003Cp>\nMột số đặc trưng của mạng ảnh hưởng mạnh đến quá trình lây lan:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Độ phân bố bậc (degree distribution):\u003C\u002Fstrong> Nhiều mạng thực tế tuân theo luật phân bố hàm mũ hoặc phân bố lũy thừa.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Hệ số cụm (clustering coefficient):\u003C\u002Fstrong> Mức độ các nút có xu hướng tạo thành nhóm liên kết chặt chẽ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Đường đi trung bình (average path length):\u003C\u002Fstrong> Khoảng cách trung bình giữa các nút trong mạng.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nMột ví dụ điển hình là mạng scale-free – nơi một số ít nút có rất nhiều kết nối (siêu lan truyền - super-spreaders). Dịch bệnh trong mạng này có thể lan rất nhanh và khó kiểm soát nếu không cô lập các nút có bậc cao.\n\u003C\u002Fp>\n\u003Cp>\nSong song đó, mô hình lưới không gian (spatial or grid-based model) mô phỏng quá trình lan truyền theo không gian vật lý. Quần thể được phân bố trong một lưới hai hoặc ba chiều, mỗi ô tương ứng với một khu vực địa lý. Điều này phù hợp để mô phỏng lây lan trong thành phố, vùng dân cư, hoặc môi trường kín như bệnh viện.\n\u003C\u002Fp>\n\u003Cp>\nBảng so sánh hai mô hình như sau:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Đặc điểm\u003C\u002Fth>\n    \u003Cth>Mô hình mạng\u003C\u002Fth>\n    \u003Cth>Mô hình lưới không gian\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Cấu trúc\u003C\u002Ftd>\n    \u003Ctd>Đồ thị phi không gian\u003C\u002Ftd>\n    \u003Ctd>Lưới định vị theo tọa độ\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Ứng dụng\u003C\u002Ftd>\n    \u003Ctd>Mạng xã hội, hệ thống liên lạc\u003C\u002Ftd>\n    \u003Ctd>Dịch bệnh địa phương, môi trường thực\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Ưu điểm\u003C\u002Ftd>\n    \u003Ctd>Phản ánh kết nối xã hội linh hoạt\u003C\u002Ftd>\n    \u003Ctd>Phản ánh sự lan truyền theo không gian thực\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\nTài liệu chi tiết: \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41598-019-38822-z\" target=\"_blank\">Epidemic processes in complex networks - Nature Scientific Reports\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tiễn của mô hình lây lan\u003C\u002Fh2>\n\u003Cp>\nMô hình lây lan là công cụ chiến lược trong nhiều lĩnh vực khác nhau. Trong y tế công cộng, mô hình được sử dụng để dự đoán số ca mắc, ước lượng đỉnh dịch, đánh giá tác động của các biện pháp can thiệp như tiêm chủng, phong tỏa hay đeo khẩu trang.\n\u003C\u002Fp>\n\u003Cp>\nTrong khoa học xã hội, các nhà nghiên cứu sử dụng mô hình để hiểu cách thông tin, tin đồn, hoặc xu hướng hành vi lan truyền trên mạng xã hội. Những hiện tượng như “viral marketing” hay hiệu ứng lan truyền tư tưởng đều có thể mô phỏng dưới dạng quá trình lây lan.\n\u003C\u002Fp>\n\u003Cp>\nMột số ứng dụng điển hình:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Dịch COVID-19:\u003C\u002Fstrong> Các mô hình SEIR kết hợp AI được dùng để dự đoán diễn biến dịch và hướng dẫn chính sách.\u003Cbr>\n  Xem bài báo tại \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fpii\u002FS0895717720301400\" target=\"_blank\">ScienceDirect - SEIR and AI for COVID-19\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>An ninh mạng:\u003C\u002Fstrong> Phân tích sự lan truyền của phần mềm độc hại trong hệ thống mạng máy tính, từ đó thiết kế giải pháp chặn lây.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kinh tế:\u003C\u002Fstrong> Mô hình hóa sự lan truyền {{topic|%7B%22topic%22%3A%22kh%E1%BB%A7ng%20ho%E1%BA%A3ng%20t%C3%A0i%20ch%C3%ADnh%22%7D}} hoặc ảnh hưởng giữa các thị trường liên thông.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\n\u003Ch2>Hạn chế và giả định của mô hình\u003C\u002Fh2>\n\u003Cp>\nDù hữu ích, mô hình lây lan cũng tồn tại nhiều giới hạn do phải đơn giản hóa thực tế để có thể phân tích được. Các giả định phổ biến gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Quần thể đồng nhất, mọi cá thể có xác suất tiếp xúc như nhau.\u003C\u002Fli>\n  \u003Cli>Tỷ lệ lây và hồi phục không đổi theo thời gian.\u003C\u002Fli>\n  \u003Cli>Không xét yếu tố không gian hoặc hành vi con người.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>\nKết quả mô hình có thể sai lệch lớn nếu các giả định không đúng với thực tế. Ví dụ, trong COVID-19, hành vi như đeo khẩu trang, giãn cách xã hội, hoặc tiêm vaccine không được mô hình SIR truyền thống phản ánh đầy đủ.\n\u003C\u002Fp>\n\u003Cp>\nĐể tăng tính chính xác, mô hình cần được hiệu chỉnh bằng {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}}, đồng thời nên sử dụng kết hợp với các mô hình thống kê hoặc học máy để cập nhật tham số theo thời gian.\n\u003C\u002Fp>\n\n\u003Ch2>Hướng phát triển mới trong nghiên cứu mô hình lây lan\u003C\u002Fh2>\n\u003Cp>\nCùng với sự phát triển của dữ liệu lớn và AI, mô hình lây lan đang tiến tới tích hợp đa phương pháp và phản ánh thực tế phức tạp hơn. Một số hướng nghiên cứu đang được tập trung:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Mô hình hóa đa tác nhân (Agent-based Modeling):\u003C\u002Fstrong> Mỗi cá thể được mô phỏng độc lập, có hành vi và trạng thái riêng. Phù hợp với các hệ thống nhỏ hoặc có yếu tố xã hội đặc thù.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học máy và mô hình lai (hybrid):\u003C\u002Fstrong> Kết hợp mô hình toán học với AI để tối ưu tham số theo dữ liệu thời gian thực.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Dữ liệu di động và mạng xã hội:\u003C\u002Fstrong> Sử dụng dữ liệu GPS, Bluetooth, hoặc tương tác mạng để xây dựng mô hình tiếp xúc chính xác hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nMột {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20%C4%91i%E1%BB%83n%20h%C3%ACnh%22%7D}} trong lĩnh vực này: \u003Ca href=\"https:\u002F\u002Fwww.frontiersin.org\u002Farticles\u002F10.3389\u002Ffphy.2020.00319\u002Ffull\" target=\"_blank\">Chowell et al., Mathematical models to characterize early epidemic growth\u003C\u002Fa>.\n\u003C\u002Fp>","Mô hình lây lan","Epidemic Spreading Models",[],"Mô hình lây lan là hệ thống các phương trình toán học và mô phỏng tính toán mô tả quy luật truyền nhiễm của dịch bệnh hoặc sự lan truyền thông tin, hành vi trong một quần thể cấu trúc hoặc mạng lưới phức hợp.","NATURAL_SCIENCES",[23,31,39],{"citationText":24,"title":25,"authors":26,"source":27,"year":28,"doi":29,"url":30},"Zhou, Liu (2008). Epidemic spreading in complex networks. Frontiers of Physics in China.","Epidemic spreading in complex networks","Zhou, Liu","Frontiers of Physics in China",2008,"10.1007\u002Fs11467-008-0027-x","https:\u002F\u002Fdoi.org\u002F10.1007\u002Fs11467-008-0027-x",{"citationText":32,"title":33,"authors":34,"source":35,"year":36,"doi":37,"url":38},"Stegehuis, van der Hofstad, van Leeuwaarden (2016). Epidemic spreading on complex networks with community structures. Scientific Reports.","Epidemic spreading on complex networks with community structures","Stegehuis, van der Hofstad, van Leeuwaarden","Scientific Reports",2016,"10.1038\u002Fsrep29748","https:\u002F\u002Fdoi.org\u002F10.1038\u002Fsrep29748",{"citationText":40,"title":41,"authors":42,"source":43,"year":44,"doi":45,"url":46},"Wang Ya-Qi, Jiang Guo-Ping, College of Automation, Nanjing University of Posts and Telecommunications, Nanjing 210003, China (2011). Epidemic spreading in complex networks with spreading delay based on cellular automata. Acta Physica Sinica.","Epidemic spreading in complex networks with spreading delay based on cellular automata","Wang Ya-Qi, Jiang Guo-Ping, College of Automation, Nanjing University of Posts and Telecommunications, Nanjing 210003, China","Acta Physica Sinica",2011,"10.7498\u002Faps.60.080510","https:\u002F\u002Fdoi.org\u002F10.7498\u002Faps.60.080510",[48,51,54],{"question":49,"answer":50},"Các ngăn trạng thái trong mô hình dịch tễ kinh điển SIR và SEIR có ý nghĩa gì?","SIR chia quần thể thành S (Susceptible - nhạy cảm dễ nhiễm), I (Infectious - có khả năng lây truyền) và R (Recovered - đã khỏi bệnh và có miễn dịch); mô hình SEIR bổ sung thêm ngăn E (Exposed - thời kỳ phơi nhiễm, ủ bệnh chưa có khả năng lây truyền).",{"question":52,"answer":53},"Hệ số lây nhiễm cơ bản R₀ (Basic Reproduction Number) quyết định sự bùng phát dịch bệnh như thế nào?","R₀ là số ca nhiễm thứ phát trung bình do một ca bệnh nguyên phát gây ra trong một quần thể hoàn toàn chưa có miễn dịch: nếu R₀ > 1 dịch bệnh sẽ lây lan theo cấp số nhân thành đại dịch; nếu R₀ \u003C 1 dịch bệnh sẽ tự suy giảm và biến mất.",{"question":55,"answer":56},"Cấu trúc liên kết mạng không đồng nhất (như mạng không thang độ scale-free) ảnh hưởng đến ngưỡng dịch tễ học ra sao?","Trong các mạng scale-free với phân bố bậc theo luật lũy thừa, các nút trung tâm liên kết cực cao (hubs) đóng vai trò siêu lây nhiễm (super-spreaders), làm cho ngưỡng dịch tễ học tiệm cận về 0, đòi hỏi các chiến lược can thiệp có mục tiêu vào các nút trung tâm thay vì phân bổ ngẫu nhiên.",{"id":58,"researcherId":10,"name":59,"imageUrl":60},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":62,"researcherId":10,"name":63,"imageUrl":64},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[66,67,68,69,70,71,72,73,74,75],"khoa học xã hội","đánh giá hiệu quả","mô hình ngẫu nhiên","hệ phương trình vi phân","sự không chắc chắn","y tế công cộng","giãn cách xã hội","khủng hoảng tài chính","dữ liệu thực nghiệm","nghiên cứu điển hình",10,true,"PUBLISHED","2025-09-19T02:00:42.699+00:00","2026-09-14T03:09:32.336+00:00","2025-09-24T06:59:16.553+00:00","2026-09-14T03:09:31.914+00:00",176,[85,88,91,94,97,100,103,106,109,112],{"id":86,"title":87,"term":86,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":89,"title":90,"term":89,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"prevalence","Prevalence là gì? Các công bố khoa học về Prevalence",{"id":92,"title":93,"term":92,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"scopus","Scopus là gì? Các bài báo nghiên cứu khoa học về Scopus",{"id":95,"title":96,"term":95,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hành vi xã hội","Hành vi xã hội là gì? Các nghiên cứu về Hành vi xã hội",{"id":98,"title":99,"term":98,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bất bình đẳng giáo dục","Bất bình đẳng giáo dục là gì? Nghiên cứu khoa học liên quan",{"id":101,"title":102,"term":101,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thang panss","Thang PANSS là gì? Các nghiên cứu khoa học về Thang PANSS",{"id":104,"title":105,"term":104,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"đánh giá kinh tế y tế","Đánh giá kinh tế y tế là gì? Nghiên cứu khoa học liên quan",{"id":107,"title":108,"term":107,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chi phí y tế trực tiếp","Chi phí y tế trực tiếp là gì? Nghiên cứu khoa học liên quan",{"id":110,"title":111,"term":110,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"epidemiology","Epidemiology là gì? Các nghiên cứu khoa học về Epidemiology",{"id":113,"title":114,"term":113,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"công cụ đánh giá","Công cụ đánh giá là gì? Các nghiên cứu khoa học liên quan"]