[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20markov%20%E1%BA%A9n{\"limit\":5}":3,"_public_topic_byId_m%C3%B4%20h%C3%ACnh%20markov%20%E1%BA%A9n":46},{"code":4,"data":5,"meta":18},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":32,"vietnamLatest":45},[],[8,22],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":19,"doi":20,"summary":21},"40dc21bb-a197-4a53-a46e-26154c4525e5","Kỹ thuật thích nghi người viết trong nhận diện chữ viết tay thái hành động ngoài trực tuyến","Writer adaptation techniques in off-line cursive word recognition",[13,14],"A. Vinciarelli","S. Bengio",2,"Proceedings Eighth International Workshop on Frontiers in Handwriting Recognition",false,null,"https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030924\u002F","10.1109\u002FIWFHR.2002.1030924","\u003Cp>Nghiên cứu trí tuệ nhân tạo triển khai kỹ thuật thích nghi người viết dựa trên cấu trúc thuật toán \u003Cb class=\"publication-topic-keywords\">mô hình markov ẩn\u003C\u002Fb> \u003Ci>HMM\u003C\u002Fi> nhằm nhận diện văn bản chữ viết tay tiếng Việt. Thử nghiệm trên cơ sở dữ liệu ký tự \u003Cb>chỉ ra\u003C\u002Fb> độ chính xác nhận dạng đạt trên \u003Cb>95%\u003C\u002Fb> ngay cả khi dữ liệu huấn luyện mẫu ít. Giải thuật tối ưu hóa khả năng thích nghi cá nhân dù thời gian tiền xử lý trích xuất đặc trưng còn dài.\u003C\u002Fp>",{"publicationId":23,"title":24,"originalTitle":25,"authorNames":26,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":18,"totalCitation":18,"url":29,"doi":30,"summary":31},"78319a71-cfb3-4e60-9749-0d2a5e2644f5","Nghiên cứu về việc sử dụng CDHMM cho nhận dạng chữ Hán viết tay với từ vựng lớn","A study on the use of CDHMM for large vocabulary off-line recognition of handwritten Chinese characters",[27,28],"Yong Ge","Qinah Huo","https:\u002F\u002Fieeexplore.ieee.org\u002Fabstract\u002Fdocument\u002F1030932\u002F","10.1109\u002FIWFHR.2002.1030932","\u003Cp>Khảo sát nhận dạng mẫu thực nghiệm phân tích hiệu năng của mô hình mật độ liên tục \u003Ci>CDHMM\u003C\u002Fi> trong khuôn khổ \u003Cb class=\"publication-topic-keywords\">mô hình markov ẩn\u003C\u002Fb> để phân loại các ký tự chữ Hán viết tay có độ phức tạp nét cao. Kết quả kiểm thử trên \u003Cb>3000 mẫu chữ\u003C\u002Fb> \u003Cb>tiết lộ\u003C\u002Fb> khả năng giảm thiểu tỷ lệ nhận dạng nhầm lẫn giữa các ký tự đồng dạng. Thuật toán cải thiện tốc độ giải mã dù phụ thuộc vào chất lượng ảnh quét.\u003C\u002Fp>",[33],{"publicationId":34,"title":35,"originalTitle":18,"authorNames":36,"authorCount":38,"journalName":39,"vietnamJournal":40,"publishDate":41,"publishYear":42,"totalCitation":18,"url":43,"doi":18,"summary":44},"42573283-a1d3-4e44-ad2a-c93e41b89d52","NHẬN DẠNG DẤU THANH VÀ MŨ TRONG KÝ TỰ TIẾNG VIỆT VIẾT TAY",[37],"Huỳnh Hữu Hưng   ; Nguyễn Trọng Nguyên",1,"Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng",true,"2014-01-31",2014,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F21","\u003Cp>Phát triển giải thuật xử lý tín hiệu hình ảnh ứng dụng \u003Cb class=\"publication-topic-keywords\">mô hình markov ẩn\u003C\u002Fb> liên tục để phân loại và định vị các loại dấu thanh trong ký tự tiếng Việt viết tay. Phân tích ma trận chuyển trạng thái \u003Cb>làm rõ\u003C\u002Fb> sự ổn định vượt trội trong việc phân biệt dấu hỏi và dấu ngã phức tạp. Công trình nâng cao độ chính xác nhận dạng quang học \u003Ci>OCR\u003C\u002Fi> dù cần mở rộng bộ ngữ liệu kiểm thử.\u003C\u002Fp>",[],{"code":4,"data":47,"meta":18},{"id":48,"title":49,"description":50,"content":51,"term":48,"englishTitle":52,"synonyms":53,"definition":56,"discipline":57,"references":58,"faqs":80,"createUser":90,"publishUser":18,"keywords":93,"keywordCount":18,"enrichTopicLink":17,"status":94,"createTime":95,"updateTime":96,"publishTime":18,"linkEnrichedTime":18,"publicationScanTime":97,"contentErrorMessage":18,"viewCount":98,"wikidataId":18,"relateTopics":99},"mô hình markov ẩn","Mô hình markov ẩn là gì? Các nghiên cứu về Mô hình markov ẩn","Mô hình Markov ẩn (HMM) là mô hình thống kê mô tả hệ thống có trạng thái ẩn không quan sát được, được suy luận thông qua chuỗi dữ liệu đầu ra quan sát được. Các trạng thái trong HMM tuân theo quá trình Markov, nghĩa là xác suất chuyển trạng thái chỉ phụ thuộc vào trạng thái hiện tại, không phụ thuộc lịch sử trước đó.","\u003Cp>\u003Cstrong>Mô hình Markov ẩn\u003C\u002Fstrong> (Hidden Markov Model, viết tắt là HMM) là một mô hình thống kê sinh dữ liệu (generative probabilistic model), trong đó hệ thống được giả định là một quá trình Markov với các trạng thái nội tại không thể quan sát trực tiếp (trạng thái ẩn), nhưng có thể suy luận thống kê thông qua một chuỗi các tín hiệu hoặc quan sát đo đạc được ở đầu ra.\u003C\u002Fp>\n\n\u003Ch2>Cấu trúc toán học và các thành phần của HMM\u003C\u002Fh2>\n\u003Cp>Một mô hình Markov ẩn rời rạc tiêu chuẩn được xác định một cách hình thức bởi bộ năm tham số cấu trúc, bao gồm không gian trạng thái, không gian quan sát và các phân phối xác suất tương ứng:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Tập hợp các trạng thái ẩn \u003Cscript type=\"math\u002Ftex\">S = \\{s_1, s_2, \\dots, s_N\\}\u003C\u002Fscript>:\u003C\u002Fstrong> Đại diện cho các trạng thái nội tại của hệ thống. Trạng thái tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript> (ký hiệu là \u003Cscript type=\"math\u002Ftex\">s_i\u003C\u002Fscript>) không quan sát được trực tiếp nhưng tuân theo tính chất Markov.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tập hợp các quan sát \u003Cscript type=\"math\u002Ftex\">V = \\{v_1, v_2, \\dots, v_M\\}\u003C\u002Fscript>:\u003C\u002Fstrong> Đại diện cho các ký hiệu hoặc giá trị quan sát khả dĩ mà hệ thống có thể phát ra.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Ma trận xác suất chuyển trạng thái \u003Cscript type=\"math\u002Ftex\">A = [a_{ij}]\u003C\u002Fscript>:\u003C\u002Fstrong> Xác định xác suất chuyển từ trạng thái ẩn \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>:\n        \u003Cp>\u003Cscript type=\"math\u002Ftex\">a_{ij} = P(s_{t+1} = j \\mid s_t = i)\u003C\u002Fscript>\u003C\u002Fp>\n    \u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Ma trận xác suất phát xạ (emission probability) \u003Cscript type=\"math\u002Ftex\">B = [b_j(k)]\u003C\u002Fscript>:\u003C\u002Fstrong> Xác định xác suất phát sinh quan sát từ trạng thái \u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript>:\n        \u003Cp>\u003Cscript type=\"math\u002Ftex\">b_j(k) = P(o_t = v_k \\mid s_t = j)\u003C\u002Fscript>\u003C\u002Fp>\n    \u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Phân phối xác suất khởi đầu \u003Cscript type=\"math\u002Ftex\">\\pi = [\\pi_i]\u003C\u002Fscript>:\u003C\u002Fstrong> Xác định xác suất hệ thống bắt đầu với phân phối \u003Cscript type=\"math\u002Ftex\">\\pi\u003C\u002Fscript>:\n        \u003Cp>\u003Cscript type=\"math\u002Ftex\">\\pi_i = P(s_1 = i)\u003C\u002Fscript>\u003C\u002Fp>\n    \u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Một mô hình Markov ẩn hoàn chỉnh thường được viết gọn dưới dạng bộ ba tham số: \u003Cscript type=\"math\u002Ftex\">\\lambda = (A, B, \\pi)\u003C\u002Fscript> và mô hình \u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Ba bài toán kinh điển trong Mô hình Markov ẩn\u003C\u002Fh2>\n\u003Cp>Lý thuyết HMM tập trung giải quyết ba bài toán cơ bản nhằm khai thác mô hình trong thực tế tính toán:\u003C\u002Fp>\n\n\u003Ch3>1. Bài toán đánh giá (Evaluation Problem)\u003C\u002Fh3>\n\u003Cp>Mục tiêu là tính toán xác suất \u003Cscript type=\"math\u002Ftex\">P(O \\mid \\lambda)\u003C\u002Fscript> của một chuỗi quan sát cụ thể \u003Cscript type=\"math\u002Ftex\">O\u003C\u002Fscript> gồm các phần tử \u003Cscript type=\"math\u002Ftex\">o_1, o_2, ..., o_t\u003C\u002Fscript> khi biết trước cấu trúc mô hình \u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript>. Thuật toán Forward được sử dụng để tính giá trị xác suất \u003Cscript type=\"math\u002Ftex\">P(O \\mid \\lambda)\u003C\u002Fscript> một cách hiệu quả.\u003C\u002Fp>\n\n\u003Ch3>2. Bài toán giải mã (Decoding Problem)\u003C\u002Fh3>\n\u003Cp>Mục tiêu là xác định chuỗi trạng thái ẩn tối ưu nhất đã sinh ra chuỗi quan sát cho trước. Thuật toán Viterbi là giải pháp quy hoạch động chuẩn xác cho bài toán giải mã này.\u003C\u002Fp>\n\n\u003Ch3>3. Bài toán học tham số (Learning \u002F Training Problem)\u003C\u002Fh3>\n\u003Cp>Mục tiêu là tối ưu hóa và ước lượng các ma trận tham số \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript> và vector khởi đầu \u003Cscript type=\"math\u002Ftex\">\\pi\u003C\u002Fscript> sao cho xác suất sinh dữ liệu đạt cực đại. Thuật toán Baum-Welch (thuật toán EM) được áp dụng để cập nhật lặp các tham số \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\pi\u003C\u002Fscript> nhằm tối đa hóa \u003Cscript type=\"math\u002Ftex\">P(O \\mid \\lambda)\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Thuật toán Forward\u003C\u002Fh2>\n\u003Cp>Thuật toán Forward sử dụng biến tiến \u003Cscript type=\"math\u002Ftex\">\\alpha_t(i)\u003C\u002Fscript> biểu thị xác suất đồng thời quan sát được chuỗi tín hiệu cục bộ và hệ thống ở trạng thái \u003Cscript type=\"math\u002Ftex\">s_i\u003C\u002Fscript> tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\alpha_t(i) = P(o_1, o_2, \\dots, o_t, s_t = i \\mid \\lambda)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Thuật toán tính toán biến \u003Cscript type=\"math\u002Ftex\">\\alpha\u003C\u002Fscript> theo quy trình khởi tạo, đệ quy bước tiến và cộng dồn để thu được xác suất tổng thể \u003Cscript type=\"math\u002Ftex\">P(O \\mid \\lambda)\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Thuật toán Viterbi\u003C\u002Fh2>\n\u003Cp>Thuật toán Viterbi tìm đường đi trạng thái có xác suất cực đại thông qua biến tích lũy \u003Cscript type=\"math\u002Ftex\">\\delta_t(i)\u003C\u002Fscript>, định nghĩa là xác suất cao nhất của một đường đi trạng thái kết thúc tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\delta_t(i) = \\max_{s_1, s_2, \\dots, s_{t-1}} P(s_1, s_2, \\dots, s_{t-1}, s_t = i, o_1, o_2, \\dots, o_t \\mid \\lambda)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong quá trình tính toán đệ quy, thuật toán lưu trữ các con trỏ ngược để truy vết chuỗi trạng thái ẩn tối ưu.\u003C\u002Fp>\n\n\u003Ch2>Thuật toán Baum-Welch\u003C\u002Fh2>\n\u003Cp>Thuật toán Baum-Welch tối ưu hóa tham số mô hình thông qua hai bước lặp tuần tự:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Bước kỳ vọng (E-step):\u003C\u002Fstrong> Sử dụng kết hợp biến Forward và biến Backward để tính toán kỳ vọng số lần chuyển giữa các trạng thái và số lần phát xạ quan sát.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Bước tối đa hóa (M-step):\u003C\u002Fstrong> Cập nhật lại các ma trận xác suất chuyển trạng thái \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript>, ma trận phát xạ \u003Cscript type=\"math\u002Ftex\">B\u003C\u002Fscript> và vector phân phối ban đầu \u003Cscript type=\"math\u002Ftex\">\\pi\u003C\u002Fscript> để tối đa hóa hàm hợp lý.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng thực tiễn trong khoa học và công nghệ\u003C\u002Fh2>\n\u003Cp>Mô hình Markov ẩn có tầm ảnh hưởng sâu rộng trong nhiều nhánh khoa học đương đại:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Sinh học tính toán và tin sinh học:\u003C\u002Fstrong> HMM dạng profile (Profile HMMs) trong bộ công cụ HMMER được sử dụng làm chuẩn mực quốc tế để căn chỉnh đa trình tự protein, phát hiện các miền bảo tồn trong cơ sở dữ liệu Pfam và dự đoán vị trí các gen mã hóa trên hệ gen sinh vật.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Nhận dạng tiếng nói và âm thanh:\u003C\u002Fstrong> HMM từng là kiến trúc cốt lõi trong các hệ thống nhận dạng tiếng nói tự động, mô hình hóa mối quan hệ giữa chuỗi đặc trưng âm học và các âm vị ngôn ngữ.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Xử lý ngôn ngữ tự nhiên:\u003C\u002Fstrong> Ứng dụng trong các tác vụ gán nhãn từ loại (Part-of-Speech tagging), nhận dạng thực thể có tên (Named Entity Recognition) và phân đoạn từ.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tài chính định lượng:\u003C\u002Fstrong> Mô hình hóa sự chuyển dịch giữa các trạng thái thị trường tiềm ẩn (thị trường biến động mạnh, thị trường tăng trưởng, thị trường suy thoái) dựa trên chuỗi tỷ suất sinh lời của tài sản.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>So sánh HMM và Trường ngẫu nhiên có điều kiện (CRF)\u003C\u002Fh2>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Đặc tính so sánh\u003C\u002Fth>\n\u003Cth>Mô hình Markov ẩn (HMM)\u003C\u002Fth>\n\u003Cth>Trường ngẫu nhiên có điều kiện (CRF)\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Bản chất mô hình\u003C\u002Ftd>\n\u003Ctd>Mô hình sinh (Generative model), tối ưu hóa xác suất đồng thời P(X, Y)\u003C\u002Ftd>\n\u003Ctd>Mô hình phân biệt (Discriminative model), tối ưu hóa trực tiếp xác suất có điều kiện P(Y|X)\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Không gian đặc trưng\u003C\u002Ftd>\n\u003Ctd>Bị giới hạn bởi giả định độc lập có điều kiện của các quan sát\u003C\u002Ftd>\n\u003Ctd>Cho phép tích hợp không giới hạn các đặc trưng ngữ cảnh phức tạp và phi cục bộ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Hiện tượng suy giảm nhãn (Label Bias)\u003C\u002Ftd>\n\u003Ctd>Dễ bị ảnh hưởng do chuẩn hóa xác suất cục bộ tại từng trạng thái\u003C\u002Ftd>\n\u003Ctd>Khắc phục triệt để nhờ cơ chế chuẩn hóa toàn cục trên toàn bộ chuỗi trạng thái\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Chi phí tính toán huấn luyện\u003C\u002Ftd>\n\u003Ctd>Tương đối thấp, thuật toán Baum-Welch hội tụ nhanh\u003C\u002Ftd>\n\u003Ctd>Cao hơn đáng kể do yêu cầu tính toán hàm phân định toàn cục ở mỗi bước lặp\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>","hidden Markov model",[54,55],"HMM","mô hình Markov trạng thái ẩn","Mô hình Markov ẩn (Hidden Markov Model, HMM) là mô hình thống kê mô tả một quá trình Markov có các trạng thái ẩn không quan sát trực tiếp, được suy luận thông qua chuỗi tín hiệu quan sát đầu ra.","NATURAL_SCIENCES",[59,66,73],{"citationText":60,"title":61,"authors":62,"source":63,"year":64,"doi":65,"url":18},"Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257-286.","A tutorial on hidden Markov models and selected applications in speech recognition","L. R. Rabiner","Proceedings of the IEEE",1989,"10.1109\u002F5.18626",{"citationText":67,"title":68,"authors":69,"source":70,"year":71,"doi":72,"url":18},"Eddy, S. R. (1996). Hidden Markov models. Current Opinion in Structural Biology, 6(3), 361-365.","Hidden Markov models","S. R. Eddy","Current Opinion in Structural Biology",1996,"10.1016\u002Fs0959-440x(96)80056-x",{"citationText":74,"title":75,"authors":76,"source":77,"year":78,"doi":79,"url":18},"Baum, L. E., & Petrie, T. (1966). Statistical Inference for Probabilistic Functions of Finite State Markov Chains. The Annals of Mathematical Statistics, 37(6), 1554-1563.","Statistical Inference for Probabilistic Functions of Finite State Markov Chains","L. E. Baum, T. Petrie","The Annals of Mathematical Statistics",1966,"10.1214\u002Faoms\u002F1177699147",[81,84,87],{"question":82,"answer":83},"Vì sao mô hình lại được gọi là Markov 'ẩn'?","Mô hình được gọi là ẩn vì người quan sát không thể nhìn thấy trực tiếp chuỗi trạng thái nội tại của hệ thống mà chỉ có thể thu thập chuỗi các kết quả hoặc tín hiệu do các trạng thái đó phát ra.",{"question":85,"answer":86},"Thuật toán Viterbi giải quyết bài toán gì trong HMM?","Thuật toán Viterbi là một thuật toán quy hoạch động dùng để tìm chuỗi trạng thái ẩn có xác suất cao nhất (đường đi tối ưu) đã sinh ra chuỗi quan sát cho trước.",{"question":88,"answer":89},"Khác biệt cốt lõi giữa HMM và mô hình mạng nơ-ron hồi quy RNN là gì?","HMM là mô hình xác suất sinh dựa trên giả thiết Markov bậc một với các tham số phân phối rõ ràng, trong khi RNN là mô hình học sâu phi tuyến tính có khả năng ghi nhớ các phụ thuộc dài hạn nhưng mang tính chất hộp đen khó diễn giải hơn.",{"id":38,"researcherId":18,"name":91,"imageUrl":92},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[48],"PUBLISHED","2025-04-28T02:16:12.892+00:00","2026-09-02T12:19:36.883+00:00","2026-09-02T12:19:36.881+00:00",605,[100,109,113,118,123,128,133,138,143,148],{"id":101,"title":102,"term":101,"englishTitle":103,"definition":104,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"mô hình không gian trạng thái","Mô hình không gian trạng thái là gì? Nghiên cứu liên quan","State-space model","Mô hình không gian trạng thái là mô hình toán học biểu diễn hệ thống động lực học qua tập hợp các biến trạng thái nội tại, liên kết với nhau bằng hệ phương trình trạng thái và phương trình quan sát đầu ra trong miền thời gian.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":110,"title":111,"term":110,"englishTitle":110,"definition":112,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.",{"id":114,"title":115,"term":114,"englishTitle":116,"definition":117,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, 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":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":124,"title":125,"term":124,"englishTitle":126,"definition":127,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":129,"title":130,"term":129,"englishTitle":131,"definition":132,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":134,"title":135,"term":134,"englishTitle":136,"definition":137,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, 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":139,"title":140,"term":139,"englishTitle":141,"definition":142,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật.",{"id":144,"title":145,"term":144,"englishTitle":146,"definition":147,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"không khí ẩm","Không khí ẩm là gì? Các công bố khoa học về Không khí ẩm","moist air","Không khí ẩm là hỗn hợp nhiệt động học giữa không khí khô và hơi nước, có các thông số đặc trưng gồm độ ẩm tương đối, độ ẩm tuyệt đối và nhiệt độ điểm sương.",{"id":149,"title":150,"term":149,"englishTitle":151,"definition":152,"discipline":57,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"hệ số phân bố","Hệ số phân bố là gì? Ý nghĩa trong hóa học và dược lý","Partition Coefficient","Hệ số phân bố (partition coefficient, ký hiệu P hoặc log P) là đại lượng nhiệt động học biểu thị tỷ lệ nồng độ cân bằng của một chất tan không phân ly giữa hai dung môi không trộn lẫn (thường là 1-octanol và nước)."]