[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20pandora{\"limit\":5}":3,"_public_topic_byId_mô hình pandora":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":22,"discipline":23,"references":24,"faqs":67,"createUser":80,"publishUser":84,"keywords":88,"keywordCount":99,"enrichTopicLink":100,"status":101,"createTime":102,"updateTime":103,"publishTime":104,"linkEnrichedTime":105,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":106,"relateTopics":107},"mô hình pandora","Mô hình Pandora là gì? Lý thuyết tìm kiếm tối ưu Weitzman","Mô hình Pandora của Martin L. Weitzman phân tích quá trình tìm kiếm tuần tự tối ưu giữa nhiều lựa chọn với chi phí kiểm tra và giá trị dự phòng.","\u003Cp>\u003Cstrong>Mô hình Pandora\u003C\u002Fstrong> (tiếng Anh: \u003Cem>Pandora's box model\u003C\u002Fem> hoặc \u003Cem>Weitzman's search model\u003C\u002Fem>) là mô hình lý thuyết kinh điển trong kinh tế học vi mô và lý thuyết tìm kiếm tối ưu, phân tích quá trình ra quyết định tuần tự nhằm lựa chọn phương án tối ưu trong điều kiện thông tin bất hoàn hảo và việc đánh giá mỗi phương án đòi hỏi một khoản chi phí nhất định. Mô hình do nhà kinh tế học Martin L. Weitzman xây dựng, đặt trọng tâm vào việc xác định thứ tự kiểm tra tối ưu và thời điểm dừng tìm kiếm thích hợp khi người ra quyết định đứng trước nhiều lựa chọn có giá trị phần thưởng chưa biết trước nhưng tuân theo các quy luật phân phối xác suất xác định. Nội dung bài viết hệ thống hóa nguồn gốc lịch sử, cấu trúc giải tích, phương trình cân bằng điểm bàng quan, quy tắc Weitzman, bảng đối chiếu với các mô hình tìm kiếm kinh tế khác, cùng các phân tích ứng dụng thực tiễn và mở rộng thuật toán hiện đại.\u003C\u002Fp>\n\n\u003Ch2>Bối cảnh lịch sử và nguồn gốc lý thuyết\u003C\u002Fh2>\n\n\u003Cp>Trong {{topic|%7B%22topic%22%3A%22kinh%20t%E1%BA%BF%20h%E1%BB%8Dc%22%7D}} cổ điển, giả định về thông tin hoàn hảo thường coi rằng người tiêu dùng hoặc nhà đầu tư nắm bắt toàn bộ giá trị của các phương án trên thị trường mà không tốn chi phí. Tuy nhiên, thực tế thị trường luôn tồn tại sự bất cân xứng thông tin và chi phí tìm kiếm (search cost). George J. Stigler (1961) trên Journal of Political Economy, tập 69, số 3, trang 213-225 đã đặt nền móng cho kinh tế học thông tin với mô hình tìm kiếm kích thước mẫu cố định (fixed-sample-size search). Trong mô hình của Stigler, người tìm kiếm ấn định trước số lượng đối tượng cần khảo sát, tiến hành thu thập báo giá đồng thời, sau đó chọn phương án tốt nhất. Hạn chế cốt lõi của cách tiếp cận này là tính thiếu linh hoạt: người tìm kiếm không thể tận dụng thông tin thu được từ các quan sát ban đầu để điều chỉnh chiến lược khảo sát tiếp theo.\u003C\u002Fp>\n\n\u003Cp>Để khắc phục nhược điểm trên, lý thuyết tìm kiếm tuần tự (sequential search) ra đời, tiêu biểu là mô hình tìm kiếm việc làm của John J. McCall (1970) trên The Quarterly Journal of Economics, tập 84, số 1, trang 113-126. Tuy nhiên, mô hình của McCall chủ yếu xem xét các cơ hội đến tuần tự theo thời gian với các phân phối giống nhau. Bước đột phá toàn diện cho bài toán lựa chọn giữa nhiều phương án không đồng nhất được Martin L. Weitzman (1979) công bố trong bài báo kinh điển Optimal Search for the Best Alternative trên tạp chí Econometrica, tập 47, số 3, trang 641-654. Weitzman đã đặt tên cho bài toán này là bài toán chiếc hộp Pandora (Pandora's box problem).\u003C\u002Fp>\n\n\u003Cp>Tên gọi của mô hình bắt nguồn từ hình tượng chiếc hộp Pandora trong thần thoại Hy Lạp cổ đại. Trong thần thoại, hành động mở chiếc hộp tiềm ẩn những tai họa không lường trước. Nhưng dưới góc độ kinh tế học toán học, Weitzman {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20h%C3%B3a%22%7D}} mỗi phương án như một chiếc hộp chứa đựng một phần thưởng ngẫu nhiên; để biết được giá trị chính xác bên trong chiếc hộp, người tìm kiếm bắt buộc phải trả một chi phí kiểm tra cố định và không thể hoàn lại. Người tìm kiếm không phải là nạn nhân thụ động của sự bất định mà là chủ thể tối ưu hóa có khả năng cân nhắc lợi ích cận biên và chi phí cận biên của việc thu thập thông tin.\u003C\u002Fp>\n\n\u003Ch2>Cấu trúc toán học của mô hình Pandora\u003C\u002Fh2>\n\n\u003Cp>Mô hình Pandora thiết lập một khung phân tích giải tích chặt chẽ gồm các thành phần sau:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Tập hợp phương án:\u003C\u002Fstrong> Người ra quyết định đối mặt với tập hợp gồm các phương án thay thế loại trừ lẫn nhau, ký hiệu là các chiếc hộp từ hộp thứ nhất đến hộp thứ \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>, với chỉ số phương án \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript>.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Chi phí kiểm tra:\u003C\u002Fstrong> Mỗi chiếc hộp \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> gắn liền với một khoản chi phí kiểm tra \u003Cscript type=\"math\u002Ftex\">c_i > 0\u003C\u002Fscript>. Khoản chi phí này mang tính chất chi phí chìm (sunk cost), tức là một khi đã bỏ ra để mở hộp thì không thể thu hồi.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Phần thưởng ngẫu nhiên:\u003C\u002Fstrong> Giá trị thực tế của chiếc hộp \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> là {{topic|%7B%22topic%22%3A%22bi%E1%BA%BFn%20ng%E1%BA%ABu%20nhi%C3%AAn%22%7D}} \u003Cscript type=\"math\u002Ftex\">x_i\u003C\u002Fscript>, chưa được biết trước khi mở hộp nhưng tuân theo hàm {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} tích lũy đã biết \u003Cscript type=\"math\u002Ftex\">F_i(x)\u003C\u002Fscript> với hàm mật độ xác suất \u003Cscript type=\"math\u002Ftex\">f_i(x)\u003C\u002Fscript>. Các biến ngẫu nhiên này được giả định là độc lập thống kê với nhau giữa các hộp khác nhau.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Khả năng hồi tố hoàn toàn:\u003C\u002Fstrong> Sau khi mở một số lượng hộp nhất định, người tìm kiếm có toàn quyền quay lại chọn bất kỳ phương án nào đã mở trước đó mà không phải chịu thêm bất kỳ chi phí phát sinh nào (full recall).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Phương án dự phòng bên ngoài:\u003C\u002Fstrong> Người tìm kiếm có thể có một phương án dự phòng ban đầu đã biết chắc chắn giá trị, ký hiệu là \u003Cscript type=\"math\u002Ftex\">x_0\u003C\u002Fscript>, đóng vai trò mức sàn lợi ích ban đầu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Tại mỗi thời điểm, người ra quyết định dựa trên tập hợp các phương án đã mở kiểm tra, ký hiệu là \u003Cscript type=\"math\u002Ftex\">S\u003C\u002Fscript>, cùng các giá trị phần thưởng thực tế đã được bộc lộ. Mục tiêu của người tìm kiếm là tìm ra một chiến lược dừng và chiến lược lựa chọn nhằm tối đa hóa kỳ vọng của phần thưởng ròng, tức là giá trị cao nhất thu được trừ đi tổng chi phí kiểm tra đã chi trả:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbb{E}\\left[\\max_{j \\in S \\cup \\{0\\}} x_j - \\sum_{j \\in S} c_j \\right]\u003C\u002Fscript>\n\n\u003Cp>Trong công thức trên, tổng chi phí kiểm tra là tổng các đại lượng \u003Cscript type=\"math\u002Ftex\">c_j\u003C\u002Fscript> của các hộp thuộc tập hợp \u003Cscript type=\"math\u002Ftex\">S\u003C\u002Fscript>, và giá trị lựa chọn cuối cùng là giá trị lớn nhất trong số các phần thưởng của các phương án đã được khảo sát.\u003C\u002Fp>\n\n\u003Ch2>Giá trị dự phòng và phương trình Weitzman\u003C\u002Fh2>\n\n\u003Cp>Thách thức lớn nhất của bài toán tìm kiếm tuần tự là không gian trạng thái phình to theo cấp số nhân nếu giải bằng phương pháp quy hoạch động thông thường. Đóng góp thiên tài của Weitzman (1979) là chứng minh rằng bài toán phức tạp này có thể giải quyết triệt để thông qua việc gán cho mỗi chiếc hộp một chỉ số duy nhất gọi là giá trị dự phòng hoặc giá trị ngưỡng (reservation price hay reservation value), ký hiệu là \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch3>Bản chất kinh tế của giá trị dự phòng\u003C\u002Fh3>\n\n\u003Cp>Về mặt kinh tế học vi mô, giá trị dự phòng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> của chiếc hộp \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> đại diện cho mức phần thưởng chắc chắn mà tại đó người tìm kiếm hoàn toàn bàng quan giữa hai lựa chọn:\u003C\u002Fp>\n\n\u003Col>\n\u003Cli>Nhận ngay mức phần thưởng chắc chắn bằng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> và dừng quá trình tìm kiếm.\u003C\u002Fli>\n\u003Cli>Chi trả khoản chi phí kiểm tra \u003Cscript type=\"math\u002Ftex\">c_i\u003C\u002Fscript> để mở chiếc hộp \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript>, sau đó nhận giá trị lớn hơn giữa phần thưởng ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">x_i\u003C\u002Fscript> vừa bộc lộ và mức bảo hiểm dự phòng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Cp>Điều kiện bàng quan này được biểu diễn qua phương trình toán học:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">z_i = -c_i + \\mathbb{E}[\\max(x_i, z_i)]\u003C\u002Fscript>\n\n\u003Ch3>Phương trình tích phân Weitzman\u003C\u002Fh3>\n\n\u003Cp>Bằng cách khai triển kỳ vọng toán học của biểu thức trên theo hàm phân phối xác suất tích lũy \u003Cscript type=\"math\u002Ftex\">F_i(x)\u003C\u002Fscript>, ta có:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">z_i = -c_i + z_i F_i(z_i) + \\int_{z_i}^\\infty x dF_i(x)\u003C\u002Fscript>\n\n\u003Cp>Biến đổi đại số phương trình bằng cách chuyển đại lượng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> sang vế phải và nhận thấy rằng \u003Cscript type=\"math\u002Ftex\">z_i - z_i F_i(z_i) = z_i (1 - F_i(z_i)) = \\int_{z_i}^\\infty z_i dF_i(x)\u003C\u002Fscript>, Weitzman thu được phương trình cân bằng nổi tiếng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\int_{z_i}^\\infty (x - z_i) dF_i(x) = c_i\u003C\u002Fscript>\n\n\u003Cp>Phương trình này cũng có thể viết dưới dạng kỳ vọng toán học gọn gàng:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbb{E}[\\max(x_i - z_i, 0)] = c_i\u003C\u002Fscript>\n\n\u003Cp>Ý nghĩa kinh tế của phương trình vô cùng sâu sắc: vế trái thể hiện lợi ích cận biên kỳ vọng thu được từ việc mở hộp \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> phần vượt trội so với ngưỡng dự phòng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript>, trong khi vế phải chính là chi phí cận biên \u003Cscript type=\"math\u002Ftex\">c_i\u003C\u002Fscript> để có được thông tin đó. Điểm cân bằng xác định mức trần mà người tìm kiếm sẵn sàng trả để kiểm tra chiếc hộp.\u003C\u002Fp>\n\n\u003Ch3>Tính đơn điệu và nghiệm duy nhất\u003C\u002Fh3>\n\n\u003Cp>Xét hàm số \u003Cscript type=\"math\u002Ftex\">\\Phi_i(z) = \\int_{z}^\\infty (x - z) dF_i(x)\u003C\u002Fscript>. Đạo hàm của hàm số này theo biến \u003Cscript type=\"math\u002Ftex\">z\u003C\u002Fscript> là:\u003C\u002Fp>\n\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\frac{d\\Phi_i(z)}{dz} = -(1 - F_i(z)) \u003C 0\u003C\u002Fscript>\n\n\u003Cp>Do đạo hàm luôn mang dấu âm với mọi điểm có xác suất tích lũy nhỏ hơn một, hàm số \u003Cscript type=\"math\u002Ftex\">\\Phi_i(z)\u003C\u002Fscript> là hàm giảm nghiêm ngặt theo \u003Cscript type=\"math\u002Ftex\">z\u003C\u002Fscript>. Khi \u003Cscript type=\"math\u002Ftex\">z\u003C\u002Fscript> tiến về âm vô cùng, giá trị tích phân tiến tới dương vô cùng (\u003Cscript type=\"math\u002Ftex\">+\\infty\u003C\u002Fscript>); khi \u003Cscript type=\"math\u002Ftex\">z\u003C\u002Fscript> tiến về dương vô cùng, tích phân tiến dần về không (\u003Cscript type=\"math\u002Ftex\">0\u003C\u002Fscript>). Do \u003Cscript type=\"math\u002Ftex\">\\Phi_i(z)\u003C\u002Fscript> là hàm liên tục, giảm nghiêm ngặt từ \u003Cscript type=\"math\u002Ftex\">+\\infty\u003C\u002Fscript> về \u003Cscript type=\"math\u002Ftex\">0\u003C\u002Fscript>, nên theo định lý giá trị trung gian, với mọi mức chi phí dương \u003Cscript type=\"math\u002Ftex\">c_i > 0\u003C\u002Fscript>, phương trình Weitzman luôn tồn tại duy nhất một nghiệm thực \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> (xét trường hợp không chiết khấu thời gian với hệ số chiết khấu \u003Cscript type=\"math\u002Ftex\">\\beta_i = 1\u003C\u002Fscript>).\u003C\u002Fp>\n\n\u003Ch3>Tính chất phân tách độc lập\u003C\u002Fh3>\n\n\u003Cp>Đặc tính ưu việt nhất của giá trị dự phòng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> là tính chất phân tách (decoupling property). Giá trị \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> của chiếc hộp thứ \u003Cscript type=\"math\u002Ftex\">i\u003C\u002Fscript> chỉ phụ thuộc duy nhất vào phân phối xác suất nội tại \u003Cscript type=\"math\u002Ftex\">F_i(x)\u003C\u002Fscript> và chi phí kiểm tra \u003Cscript type=\"math\u002Ftex\">c_i\u003C\u002Fscript> của chính chiếc hộp đó. Nó hoàn toàn độc lập với các đặc tính, phân phối hay chi phí của các chiếc hộp khác. Nhờ tính chất phân tách này, {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} động nhiều giai đoạn vốn có độ phức tạp tổ hợp khổng lồ được đơn giản hóa thành việc tính toán độc lập các chỉ số đơn lẻ rồi sắp xếp chúng theo thứ tự giảm dần.\u003C\u002Fp>\n\n\u003Ch2>Quy tắc tối ưu Weitzman (Pandora's Rule)\u003C\u002Fh2>\n\n\u003Cp>Dựa trên các giá trị dự phòng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> đã được xác định độc lập, Weitzman (1979) đã chứng minh định lý nền tảng khẳng định rằng chiến lược tìm kiếm tối ưu toàn cục tuân theo một quy tắc chỉ số cực kỳ đơn giản gồm ba bước vận hành liên tục:\u003C\u002Fp>\n\n\u003Col>\n\u003Cli>\u003Cstrong>Quy tắc thứ tự kiểm tra (Selection Rule):\u003C\u002Fstrong> Tại bất kỳ thời điểm nào, nếu quyết định mở thêm một chiếc hộp mới, người tìm kiếm phải luôn luôn chọn chiếc hộp chưa mở có giá trị dự phòng cao nhất trong số các hộp còn lại. Tức là chọn hộp thỏa mãn điều kiện chỉ số cực đại:\n\u003Cscript type=\"math\u002Ftex; mode=display\">i^* = \\arg\\max_{k \notin S} z_k\u003C\u002Fscript>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Điều kiện dừng tối ưu (Stopping Rule):\u003C\u002Fstrong> Quá trình tìm kiếm sẽ lập tức dừng lại ngay khi giá trị phần thưởng thực tế cao nhất quan sát được cho đến thời điểm hiện tại, ký hiệu là \u003Cscript type=\"math\u002Ftex\">y = \\max_{j \\in S} x_j\u003C\u002Fscript>, lớn hơn hoặc bằng giá trị dự phòng của mọi chiếc hộp chưa mở còn lại:\n\u003Cscript type=\"math\u002Ftex; mode=display\">\\max_{j \\in S \\cup \\{0\\}} x_j \\ge \\max_{k \notin S} z_k\u003C\u002Fscript>\nNếu điều kiện này chưa được thỏa mãn và vẫn còn hộp chưa mở có giá trị dự phòng lớn hơn giá trị thực tế tốt nhất hiện có, người tìm kiếm phải tiếp tục mở hộp tiếp theo.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Quy tắc lựa chọn cuối cùng (Choice Rule):\u003C\u002Fstrong> Khi điều kiện dừng được kích hoạt, người tìm kiếm sẽ chính thức chọn phương án mang lại giá trị phần thưởng thực tế cao nhất trong số tất cả các phương án đã được mở kiểm tra (cộng với phương án dự phòng ban đầu nếu có):\n\u003Cscript type=\"math\u002Ftex; mode=display\">j^* = \\arg\\max_{j \\in S \\cup \\{0\\}} x_j\u003C\u002Fscript>\n\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Ch3>Nghịch lý độ biến động và giá trị của sự bất định\u003C\u002Fh3>\n\n\u003Cp>Một phát hiện sâu sắc từ quy tắc Weitzman là vai trò tích cực của độ biến động (variance) đối với việc xếp hạng tìm kiếm. Giả sử có hai phương án có cùng chi phí kiểm tra và cùng kỳ vọng toán học, phương án nào có phương sai lớn hơn (tức là phân phối phân tán hơn với tiềm năng đạt giá trị cực cao ở đuôi phân phối) sẽ có giá trị dự phòng \u003Cscript type=\"math\u002Ftex\">z_i\u003C\u002Fscript> cao hơn.\u003C\u002Fp>\n\n\u003Cp>Nguyên nhân là do người tìm kiếm nắm giữ quyền chọn (option value): nếu chiếc hộp mở ra giá trị tồi tệ, người tìm kiếm không bắt buộc phải nhận nó mà có thể bỏ qua để chọn phương án khác đã mở trước đó; ngược lại, nếu chiếc hộp bộc lộ giá trị xuất sắc vượt trội, người tìm kiếm sẽ được hưởng toàn bộ phần thặng dư đó. Do đó, sự bất định tạo ra hiệu ứng bất đối xứng có lợi, khiến các lựa chọn có rủi ro cao nhưng tiềm năng bứt phá lớn luôn được ưu tiên kiểm tra trước các lựa chọn an toàn nhưng mức trần thấp.\u003C\u002Fp>\n\n\u003Ch2>So sánh mô hình Pandora với các mô hình tìm kiếm và ra quyết định\u003C\u002Fh2>\n\n\u003Cp>Để hiểu rõ vị trí của mô hình Pandora trong lý thuyết kinh tế, bảng dưới đây đối chiếu mô hình này với ba mô hình ra quyết định và tìm kiếm quan trọng khác trong tài liệu học thuật:\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Mô hình\u003C\u002Fth>\n\u003Cth>Cơ chế thu thập thông tin\u003C\u002Fth>\n\u003Cth>Chi phí và cấu trúc lựa chọn\u003C\u002Fth>\n\u003Cth>Khả năng hồi tố (Recall)\u003C\u002Fth>\n\u003Cth>Quy tắc dừng và chỉ số quyết định\u003C\u002Fth>\n\u003Cth>Bối cảnh ứng dụng điển hình\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Mô hình Pandora\u003C\u002Fstrong> (Weitzman, 1979)\u003C\u002Ftd>\n\u003Ctd>Tìm kiếm tuần tự thích ứng, mở từng phương án để đánh giá giá trị thực tế\u003C\u002Ftd>\n\u003Ctd>Chi phí kiểm tra riêng biệt cho từng phương án; chọn duy nhất một phương án cuối cùng\u003C\u002Ftd>\n\u003Ctd>Có hồi tố hoàn toàn không mất thêm chi phí\u003C\u002Ftd>\n\u003Ctd>Chỉ số giá trị dự phòng độc lập; dừng khi giá trị thực tế tốt nhất vượt mọi giá trị dự phòng còn lại\u003C\u002Ftd>\n\u003Ctd>Tuyển dụng nhân sự chuyên gia, thẩm định dự án đầu tư, tìm kiếm sản phẩm thương mại\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Tìm kiếm mẫu cố định\u003C\u002Fstrong> (Stigler, 1961)\u003C\u002Ftd>\n\u003Ctd>Thu thập đồng thời toàn bộ kích thước mẫu định trước, không có tính thích ứng động\u003C\u002Ftd>\n\u003Ctd>Chi phí tỷ lệ thuận với kích thước mẫu ban đầu; không có chi phí kiểm tra riêng rẽ\u003C\u002Ftd>\n\u003Ctd>Không áp dụng vì toàn bộ mẫu được mở cùng một thời điểm\u003C\u002Ftd>\n\u003Ctd>Cân bằng biên giữa chi phí lấy thêm mẫu và mức giá kỳ vọng giảm bớt trong toàn mẫu\u003C\u002Ftd>\n\u003Ctd>Khảo sát giá tiêu dùng hàng loạt, mua sắm hàng hóa tiêu chuẩn hóa trên thị trường\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Tìm kiếm việc làm\u003C\u002Fstrong> (McCall, 1970)\u003C\u002Ftd>\n\u003Ctd>Các cơ hội xuất hiện tuần tự theo thời gian từ một phân phối đồng nhất\u003C\u002Ftd>\n\u003Ctd>Chi phí tìm kiếm cơ hội cho mỗi kỳ; chỉ có một lời mời làm việc tại mỗi bước\u003C\u002Ftd>\n\u003Ctd>Thường không có hồi tố hoặc hồi tố có chi phí phạt\u003C\u002Ftd>\n\u003Ctd>Mức lương dự phòng duy nhất; chấp nhận ngay lời mời đầu tiên vượt mức lương dự phòng\u003C\u002Ftd>\n\u003Ctd>Hành vi người lao động tìm việc, bảo hiểm thất nghiệp, kinh tế học vĩ mô thị trường lao động\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>\u003Cstrong>Cánh tay robot đa hướng\u003C\u002Fstrong> (Multi-Armed Bandit)\u003C\u002Ftd>\n\u003Ctd>Hành động lặp đi lặp lại qua vô hạn hoặc nhiều kỳ; vừa thăm dò vừa khai thác\u003C\u002Ftd>\n\u003Ctd>Chi phí cơ hội của việc chọn nhánh kém tối ưu; phần thưởng nhận được liên tục qua từng kỳ\u003C\u002Ftd>\n\u003Ctd>Không áp dụng vì bài toán không nhắm tới một lần chọn duy nhất sau cùng\u003C\u002Ftd>\n\u003Ctd>Chỉ số Gittins cân đối giữa phần thưởng kỳ vọng tức thời và giá trị học hỏi dài hạn\u003C\u002Ftd>\n\u003Ctd>Thử nghiệm lâm sàng thuốc, thuật toán gợi ý quảng cáo trực tuyến, định tuyến mạng máy tính\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Cp>So với mô hình Stigler, mô hình Pandora vượt trội nhờ khai thác tối đa tính linh hoạt của thông tin theo thời gian thực. So với mô hình McCall, Pandora xử lý được tính chất không đồng nhất của các phương án với các phân phối và chi phí khác nhau. So với bài toán cánh tay robot đa hướng, mô hình Pandora tách biệt hoàn toàn giữa giai đoạn thăm dò trả phí và giai đoạn khai thác cuối cùng (chỉ chọn duy nhất một giải pháp sau cùng).\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tế trong kinh tế học và khoa học xã hội\u003C\u002Fh2>\n\n\u003Cp>Mô hình Pandora không chỉ là một công trình toán học thuần túy mà còn cung cấp khung phân tích mạnh mẽ cho nhiều hiện tượng kinh tế - xã hội quan trọng:\u003C\u002Fp>\n\n\u003Ch3>Tuyển dụng nhân sự và quản trị tài năng\u003C\u002Fh3>\n\n\u003Cp>Trong quản trị nguồn nhân lực, tuyển dụng các vị trí cấp cao hoặc nhân sự nghiên cứu phát triển là ví dụ kinh điển của mô hình Pandora. Doanh nghiệp không thể biết chính xác năng lực thực tế của ứng viên nếu không tiến hành phỏng vấn sâu, kiểm tra chuyên môn và thẩm định hồ sơ. Mỗi quy trình đánh giá ứng viên đòi hỏi thời gian của hội đồng chuyên môn và chi phí tài chính đáng kể, đóng vai trò như chi phí kiểm tra. Theo quy tắc Weitzman:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>Doanh nghiệp nên xếp lịch phỏng vấn những ứng viên có giá trị dự phòng cao nhất trước. Những ứng viên có hồ sơ độc đáo, tiềm năng đột phá lớn nhưng khó đoán định (độ biến động cao) nên được phỏng vấn sớm hơn những ứng viên có hồ sơ an toàn nhưng tiềm năng bình thường.\u003C\u002Fli>\n\u003Cli>Doanh nghiệp nên dừng phỏng vấn ngay khi tìm được một ứng viên đã thể hiện năng lực thực tế xuất sắc vượt qua giá trị dự phòng của toàn bộ các ứng viên còn lại trong danh sách chờ, giúp {{topic|%7B%22topic%22%3A%22ti%E1%BA%BFt%20ki%E1%BB%87m%20chi%20ph%C3%AD%22%7D}} tuyển dụng mà vẫn đảm bảo chất lượng tối ưu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Hành vi tìm kiếm của người tiêu dùng và nền tảng số\u003C\u002Fh3>\n\n\u003Cp>Trong thương mại điện tử, người mua hàng phải duyệt qua nhiều trang web hoặc danh mục sản phẩm để so sánh giá cả, chất lượng và đánh giá của khách hàng. Mỗi lượt bấm chuột, đọc thông tin và so sánh cấu hình đều tiêu tốn thời gian và công sức của người dùng. Mark Armstrong (2017) trên Journal of the European Economic Association, tập 15, số 5, trang 989-1024 đã mở rộng mô hình Weitzman để phân tích hành vi tìm kiếm có thứ tự của người tiêu dùng trong môi trường cạnh tranh giá.\u003C\u002Fp>\n\n\u003Cp>Nghiên cứu của Armstrong chỉ ra rằng vị trí hiển thị ưu tiên trên các {{topic|%7B%22topic%22%3A%22c%C3%B4ng%20c%E1%BB%A5%20t%C3%ACm%20ki%E1%BA%BFm%22%7D}} và sàn thương mại điện tử tạo ra lợi thế cạnh tranh khổng lồ cho người bán. Người tiêu dùng thường kiểm tra các sản phẩm xuất hiện đầu tiên; nếu sản phẩm ở vị trí nổi bật mang lại mức độ hài lòng vượt qua giá trị dự phòng của các sản phẩm xếp sau, người tiêu dùng sẽ dừng tìm kiếm và thực hiện mua hàng ngay lập tức, khiến các nhà cung cấp xếp sau thậm chí không có cơ hội được người dùng xem xét.\u003C\u002Fp>\n\n\u003Ch3>Thiết kế cơ chế và đấu giá tối ưu\u003C\u002Fh3>\n\n\u003Cp>Trong {{topic|%7B%22topic%22%3A%22l%C3%BD%20thuy%E1%BA%BFt%20tr%C3%B2%20ch%C6%A1i%22%7D}} và kinh tế học thuật toán, Robert Kleinberg, Bo Waggoner và E. Glen Weyl (2016) trên Proceedings of the 2016 ACM Conference on Economics and Computation, trang 23-24 đã công bố nghiên cứu chứng minh rằng cơ chế đấu giá giá giảm (descending price auctions) có thể điều phối hành vi tìm kiếm của người mua để đạt được trạng thái tối ưu xã hội theo đúng khung mô hình Pandora của Weitzman. Khi người bán giảm dần mức giá công bố theo thời gian, người mua tiềm năng sẽ được định hướng một cách tự nhiên để kiểm tra các phương án theo đúng thứ tự giá trị dự phòng mà không cần một cơ quan điều phối trung tâm can thiệp trực tiếp.\u003C\u002Fp>\n\n\u003Ch3>Thẩm định dự án đầu tư mạo hiểm\u003C\u002Fh3>\n\n\u003Cp>Các quỹ đầu tư mạo hiểm (Venture Capital) thường xuyên nhận được hàng trăm bản đề xuất kinh doanh từ các công ty khởi nghiệp. Quá trình thẩm định chuyên sâu (due diligence) yêu cầu rà soát pháp lý, kiểm toán tài chính và đánh giá công nghệ, tiêu tốn kinh phí đáng kể. Mô hình Pandora giải thích tại sao các quỹ đầu tư lại ưa chuộng các công ty khởi nghiệp công nghệ có ý tưởng đột phá mang tính mạo hiểm cao hơn là các {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20kinh%20doanh%22%7D}} truyền thống có mức sinh lời khiêm tốn: quyền chọn khước từ bảo vệ quỹ khỏi các thất bại, trong khi giá trị dự phòng cao của các công ty có tiềm năng bùng nổ dẫn dắt thứ tự thẩm định ưu tiên.\u003C\u002Fp>\n\n\u003Ch2>Các mở rộng hiện đại trong khoa học máy tính và tối ưu hóa\u003C\u002Fh2>\n\n\u003Cp>Trong hai thập kỷ qua, mô hình Pandora đã thu hút sự quan tâm đặc biệt từ cộng đồng khoa học máy tính lý thuyết, trí tuệ nhân tạo và kinh tế học thuật toán. Bài viết tổng quan của Hedyeh Beyhaghi và Linda Cai (2023) trên tạp chí ACM SIGecom Exchanges, tập 21, số 1, trang 20-34 đã tổng kết các hướng mở rộng nổi bật sau:\u003C\u002Fp>\n\n\u003Ch3>Kiểm tra không bắt buộc (Nonobligatory Inspection)\u003C\u002Fh3>\n\n\u003Cp>Trong mô hình gốc của Weitzman, muốn nhận phần thưởng từ một chiếc hộp, người tìm kiếm bắt buộc phải trả chi phí để mở hộp đó. Tuy nhiên, trong thực tế, nhiều trường hợp cho phép người ra quyết định chọn ngay một phương án chưa qua kiểm tra mà không cần tốn phí (chẳng hạn thuê một ứng viên chỉ dựa trên hồ sơ lý lịch sơ bộ để tiết kiệm thời gian phỏng vấn). Khi cho phép lựa chọn không qua kiểm tra, tính chất đơn giản của quy tắc chỉ số Weitzman hoàn toàn bị phá vỡ. Beyhaghi và Cai (2023) chỉ ra rằng bài toán kiểm tra không bắt buộc là một bài toán NP-khó và các nhà nghiên cứu đã phải phát triển các lược đồ xấp xỉ thời gian đa thức (polynomial-time approximation scheme, PTAS) để tìm kiếm giải pháp gần tối ưu.\u003C\u002Fp>\n\n\u003Ch3>Mô hình Pandora có tương quan (Correlated Pandora's Box)\u003C\u002Fh3>\n\n\u003Cp>Một giả định then chốt của Weitzman là các phân phối phần thưởng độc lập với nhau. Trong các kịch bản thực tế như thăm dò địa chất dầu khí hay định giá tài sản tài chính, giá trị của các phương án thường chịu tác động của các cú sốc chung trên thị trường. Khi các phương án có tương quan thống kê, việc mở một chiếc hộp không chỉ bộc lộ giá trị của chính nó mà còn cung cấp tín hiệu cập nhật niềm tin Bayesian về phân phối của các hộp còn lại. Sự phụ thuộc lẫn nhau này loại bỏ tính phân tách của giá trị dự phòng và biến bài toán tìm kiếm thành một quá trình ra quyết định Markov phức tạp.\u003C\u002Fp>\n\n\u003Ch3>Ràng buộc tổ hợp và chọn đa phương án\u003C\u002Fh3>\n\n\u003Cp>Thay vì chỉ chọn một phương án duy nhất sau khi kết thúc tìm kiếm, nhiều bài toán thực tế đòi hỏi lựa chọn một tập hợp gồm nhiều phương án thỏa mãn các ràng buộc ngân sách, ràng buộc cấu trúc matroid hoặc đồ thị. Các nhà {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20m%C3%A1y%20t%C3%ADnh%22%7D}} đã mở rộng quy tắc Weitzman để thiết kế các thuật toán tham lam xấp xỉ có hệ số bảo đảm chất lượng chặt chẽ cho bài toán chọn tập hợp tối ưu có chi phí kiểm tra.\u003C\u002Fp>\n\n\u003Ch3>Tối ưu hóa Bayesian có tính đến chi phí (Cost-aware Bayesian Optimization)\u003C\u002Fh3>\n\n\u003Cp>Trong học máy và khoa học dữ liệu, tối ưu hóa Bayesian thường được sử dụng để điều chỉnh siêu tham số mô hình hoặc thiết kế thí nghiệm tự động. Khi mỗi lần chạy thử nghiệm đánh giá mô hình tiêu tốn thời gian tính toán và tài nguyên đám mây khác nhau, khung mô hình Pandora cung cấp nguyên lý toán học chuẩn xác để cân đối giữa chi phí tính toán của từng cấu hình thử nghiệm và khả năng cải thiện độ chính xác tổng thể của mô hình trí tuệ nhân tạo.\u003C\u002Fp>\n\n\u003Ch2>Hạn chế lý thuyết và điều kiện áp dụng\u003C\u002Fh2>\n\n\u003Cp>Mặc dù là một công cụ phân tích mẫu mực, mô hình Pandora có một số giới hạn lý thuyết cần lưu ý khi ứng dụng vào thực tế:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Giả định tính trung lập với rủi ro:\u003C\u002Fstrong> Mô hình gốc giả định người tìm kiếm tối đa hóa giá trị kỳ vọng toán học, tức là trung lập với rủi ro (risk-neutral). Trong thực tế, các cá nhân và tổ chức thường có tâm lý né tránh rủi ro (risk-averse), do đó cấu trúc của phương trình giá trị dự phòng cần được điều chỉnh thông qua hàm hữu dụng von Neumann - Morgenstern.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Yêu cầu biết trước phân phối xác suất:\u003C\u002Fstrong> Mô hình đòi hỏi người tìm kiếm phải nắm bắt chính xác hàm phân phối xác suất tích lũy của từng phương án. Nếu người ra quyết định đối mặt với sự bất định Knightian (không biết phân phối xác suất), mô hình Weitzman không thể áp dụng trực tiếp mà phải kết hợp với các kỹ thuật học tăng cường hoặc tối ưu hóa vững (robust optimization).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Tính khả thi của hồi tố không tốn phí:\u003C\u002Fstrong> Giả định có thể quay lại bất kỳ phương án nào trong quá khứ mà không mất chi phí thường không được thỏa mãn hoàn toàn trên thị trường lao động hay bất động sản, nơi các cơ hội đã bỏ qua có thể bị đối thủ khác giành mất theo thời gian.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bỏ qua ràng buộc ngân sách thanh khoản:\u003C\u002Fstrong> Mô hình giả định người tìm kiếm luôn có đủ nguồn vốn lưu động để chi trả chi phí kiểm tra cho đến khi chạm điều kiện dừng tối ưu, bỏ qua khả năng kiệt quệ tài chính giữa chừng do các hạn chế tín dụng nghiêm ngặt.\u003C\u002Fli>\n\u003C\u002Ful>\n","Mô hình Pandora","Pandora's box model",[20,21],"bài toán chiếc hộp Pandora","mô hình tìm kiếm Weitzman","Mô hình Pandora là mô hình lý thuyết trong kinh tế học vi mô phân tích quá trình tìm kiếm tuần tự nhằm lựa chọn phương án tối ưu khi các lựa chọn có giá trị ngẫu nhiên và việc đánh giá mỗi lựa chọn đòi hỏi một khoản chi phí kiểm tra không hoàn lại.","SOCIAL_SCIENCES",[25,32,39,46,53,60],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Weitzman, M. L. (1979). Optimal Search for the Best Alternative. Econometrica, 47(3), 641-654.","Optimal Search for the Best Alternative","Martin L. Weitzman","Econometrica",1979,"10.2307\u002F1910412",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":10},"Beyhaghi, H., & Cai, L. (2023). Recent Developments in Pandora's Box Problem: Variants and Applications. ACM SIGecom Exchanges, 21(1), 20-34.","Recent Developments in Pandora's Box Problem: Variants and Applications","Hedyeh Beyhaghi, Linda Cai","ACM SIGecom Exchanges",2023,"10.1145\u002F3699814.3699817",{"citationText":40,"title":41,"authors":42,"source":43,"year":44,"doi":45,"url":10},"Kleinberg, R., Waggoner, B., & Weyl, E. G. (2016). Descending Price Optimally Coordinates Search. Proceedings of the 2016 ACM Conference on Economics and Computation, 23-24.","Descending Price Optimally Coordinates Search","Robert Kleinberg, Bo Waggoner, E. Glen Weyl","Proceedings of the 2016 ACM Conference on Economics and Computation",2016,"10.1145\u002F2940716.2940760",{"citationText":47,"title":48,"authors":49,"source":50,"year":51,"doi":52,"url":10},"Armstrong, M. (2017). Ordered Consumer Search. Journal of the European Economic Association, 15(5), 989-1024.","Ordered Consumer Search","Mark Armstrong","Journal of the European Economic Association",2017,"10.1093\u002Fjeea\u002Fjvx017",{"citationText":54,"title":55,"authors":56,"source":57,"year":58,"doi":59,"url":10},"Stigler, G. J. (1961). The Economics of Information. Journal of Political Economy, 69(3), 213-225.","The Economics of Information","George J. Stigler","Journal of Political Economy",1961,"10.1086\u002F258464",{"citationText":61,"title":62,"authors":63,"source":64,"year":65,"doi":66,"url":10},"McCall, J. J. (1970). Economics of Information and Job Search. The Quarterly Journal of Economics, 84(1), 113-126.","Economics of Information and Job Search","McCall, J. J.","The Quarterly Journal of Economics",1970,"10.2307\u002F1879403",[68,71,74,77],{"question":69,"answer":70},"Mô hình Pandora khác gì so với bài toán tìm kiếm việc làm của McCall?","Mô hình McCall tập trung vào các cơ hội xuất hiện tuần tự theo thời gian từ một phân phối đồng nhất và người tìm việc chỉ nhận một lời mời tại mỗi thời điểm. Ngược lại, mô hình Pandora phân tích tập hợp gồm nhiều phương án không đồng nhất tồn tại sẵn, mỗi phương án có phân phối xác suất và chi phí kiểm tra riêng biệt, đồng thời cho phép người tìm kiếm có toàn quyền quay lại chọn các phương án đã khảo sát trước đó.",{"question":72,"answer":73},"Giá trị dự phòng trong mô hình Pandora được xác định như thế nào?","Giá trị dự phòng của một phương án là nghiệm duy nhất của phương trình Weitzman, tại đó chi phí kiểm tra cận biên để mở chiếc hộp cân bằng chính xác với lợi ích kỳ vọng thu được từ phần thưởng vượt trội hơn mức dự phòng đó. Đây là mức giá trị tương đương chắc chắn khiến người tìm kiếm hoàn toàn bàng quan giữa việc dừng lại nhận ngay phần thưởng bảo đảm hoặc bỏ thêm chi phí để mở hộp nhằm kỳ vọng phần thưởng cao hơn.",{"question":75,"answer":76},"Tại sao phương án có độ biến động cao lại được ưu tiên kiểm tra trước theo quy tắc Weitzman?","Theo quy tắc Weitzman, người tìm kiếm sở hữu quyền chọn khước từ không tốn phí đối với các kết quả bất lợi sau khi đã mở hộp. Do đó, phương án có phương sai lớn mang lại tiềm năng bứt phá ở đuôi phân phối cực cao, làm tăng lợi ích kỳ vọng của quyền chọn và đẩy giá trị dự phòng lên cao hơn so với một phương án an toàn có cùng kỳ vọng nhưng độ biến động thấp.",{"question":78,"answer":79},"Quy tắc Weitzman có còn tối ưu khi các phương án có tương quan với nhau không?","Quy tắc Weitzman không còn giữ được tính tối ưu khi các phương án có tương quan thống kê, bởi vì việc kiểm tra một phương án sẽ cung cấp thêm thông tin cập nhật niềm tin Bayesian về phân phối của các phương án còn lại. Sự tương quan này phá vỡ tính chất phân tách độc lập của giá trị dự phòng, biến bài toán tìm kiếm thành một quá trình ra quyết định phức tạp thuộc lớp NP-khó.",{"id":81,"researcherId":10,"name":82,"imageUrl":83},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":85,"researcherId":10,"name":86,"imageUrl":87},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[89,90,91,92,93,94,95,96,97,98],"kinh tế học","mô hình hóa","biến ngẫu nhiên","phân phối xác suất","bài toán tối ưu","tiết kiệm chi phí","công cụ tìm kiếm","lý thuyết trò chơi","mô hình kinh doanh","khoa học máy tính",10,true,"PUBLISHED","2025-12-01T09:43:10.569+00:00","2026-09-08T11:10:00.168+00:00","2026-09-08T10:26:34.634+00:00","2026-09-08T11:09:59.746+00:00",0,[108,111,114,117,120,123,126,129,132,135],{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngữ nghĩa","Ngữ nghĩa là gì? Các nghiên cứu khoa học về Ngữ nghĩa",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực mô hình hóa toán học","Năng lực mô hình hóa toán học là gì? Các nghiên cứu khoa học",{"id":115,"title":116,"term":115,"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":118,"title":119,"term":118,"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":121,"title":122,"term":121,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":124,"title":125,"term":124,"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":127,"title":128,"term":127,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"vị từ","Vị từ là gì? Các nghiên cứu khoa học về Vị từ",{"id":130,"title":131,"term":130,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giáo dục khởi nghiệp","Giáo dục khởi nghiệp là gì? Nghiên cứu khoa học liên quan",{"id":133,"title":134,"term":133,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":136,"title":137,"term":136,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp luận","Phương pháp luận là gì? Các nghiên cứu khoa học liên quan"]