[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ma%20tr%E1%BA%ADn%20chuy%E1%BB%83n%20ti%E1%BA%BFp{\"limit\":5}":3,"_public_topic_byId_ma trận chuyển tiếp":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},"ma trận chuyển tiếp","Ma trận chuyển tiếp là gì? Các bài báo nghiên cứu khoa học","Ma trận chuyển tiếp là ma trận vuông mô tả xác suất chuyển từ trạng thái này sang trạng thái khác trong một hệ thống rời rạc theo thời gian. Mỗi hàng là một phân phối xác suất với tổng bằng 1, thường dùng trong chuỗi Markov để dự đoán trạng thái tương lai dựa trên trạng thái hiện tại.\n","\u003Cdiv>\u003Ch2>Định nghĩa ma trận chuyển tiếp\u003C\u002Fh2>\n\u003Cp>\nMa trận chuyển tiếp (transition matrix) là một cấu trúc toán học mô tả cách một hệ thống rời rạc chuyển từ trạng thái này sang trạng thái khác theo thời gian. Trong bối cảnh phổ biến nhất – chuỗi Markov – mỗi hàng của ma trận biểu diễn xác suất phân bố trạng thái tiếp theo dựa trên trạng thái hiện tại.\n\u003C\u002Fp>\n\u003Cp>\nGiả sử hệ thống có \u003Ci>n\u003C\u002Fi> trạng thái có thể xảy ra. Khi đó, ma trận chuyển tiếp là một ma trận vuông kích thước \u003Ci>n × n\u003C\u002Fi>, trong đó phần tử tại hàng \u003Ci>i\u003C\u002Fi> và cột \u003Ci>j\u003C\u002Fi> là xác suất chuyển từ trạng thái \u003Ci>i\u003C\u002Fi> sang trạng thái \u003Ci>j\u003C\u002Fi>. Do đó, các hàng trong ma trận thể hiện các phân phối xác suất – nghĩa là tổng các phần tử trên mỗi hàng đều bằng 1.\n\u003C\u002Fp>\n\u003Cp>\nMa trận chuyển tiếp thường được sử dụng trong các mô hình như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Chuỗi Markov bậc nhất (First-order Markov Chains)\u003C\u002Fli>\n  \u003Cli>Mô hình Markov ẩn (Hidden Markov Models – HMM)\u003C\u002Fli>\n  \u003Cli>Hệ thống học tăng cường (Reinforcement Learning)\u003C\u002Fli>\n  \u003Cli>Thuật toán phân tích văn bản như chuỗi trạng thái từ loại trong NLP\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột số lĩnh vực ứng dụng tiêu biểu của ma trận chuyển tiếp gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Khoa học dữ liệu\u003C\u002Fli>\n  \u003Cli>Kinh tế học định lượng\u003C\u002Fli>\n  \u003Cli>Mô hình hóa trong vật lý thống kê\u003C\u002Fli>\n  \u003Cli>Lý thuyết trò chơi\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Đặc điểm của ma trận chuyển tiếp\u003C\u002Fh2>\n\u003Cp>\nMột ma trận chuyển tiếp hợp lệ phải tuân thủ một số đặc tính bắt buộc về mặt toán học. Cụ thể:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Tất cả phần tử trong ma trận đều không âm: \u003Cscript type=\"math\u002Ftex\"> p_{ij} \\geq 0 \u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>Tổng xác suất trên mỗi hàng phải bằng 1: \u003Cscript type=\"math\u002Ftex\"> \\sum_{j=1}^{n} p_{ij} = 1 \u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột cách trực quan, mỗi hàng trong ma trận là một phân phối xác suất rời rạc trên toàn bộ không gian trạng thái. Việc các hàng có tổng bằng 1 đảm bảo rằng hệ thống luôn chuyển đến một trạng thái nào đó sau mỗi bước thời gian.\n\u003C\u002Fp>\n\u003Cp>\nCấu trúc của ma trận chuyển tiếp như sau:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Trạng thái hiện tại\u003C\u002Fth>\n    \u003Cth>→ Trạng thái 1\u003C\u002Fth>\n    \u003Cth>→ Trạng thái 2\u003C\u002Fth>\n    \u003Cth>…\u003C\u002Fth>\n    \u003Cth>→ Trạng thái n\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Trạng thái 1\u003C\u002Ftd>\n    \u003Ctd>p₁₁\u003C\u002Ftd>\n    \u003Ctd>p₁₂\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>p₁ₙ\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Trạng thái 2\u003C\u002Ftd>\n    \u003Ctd>p₂₁\u003C\u002Ftd>\n    \u003Ctd>p₂₂\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>p₂ₙ\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Trạng thái n\u003C\u002Ftd>\n    \u003Ctd>pₙ₁\u003C\u002Ftd>\n    \u003Ctd>pₙ₂\u003C\u002Ftd>\n    \u003Ctd>…\u003C\u002Ftd>\n    \u003Ctd>pₙₙ\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVì đặc điểm này, ma trận chuyển tiếp còn được gọi là \u003Ca href=\"https:\u002F\u002Fmathworld.wolfram.com\u002FStochasticMatrix.html\">ma trận stochastic hàng (row-stochastic matrix)\u003C\u002Fa>, trong đó mỗi hàng là một vectơ xác suất độc lập.\n\u003C\u002Fp>\n\n\u003Ch2>Biểu diễn toán học\u003C\u002Fh2>\n\u003Cp>\nTa ký hiệu ma trận chuyển tiếp là \u003Cscript type=\"math\u002Ftex\"> P \u003C\u002Fscript>, với mỗi phần tử \u003Cscript type=\"math\u002Ftex\"> p_{ij} \u003C\u002Fscript> biểu diễn xác suất hệ thống chuyển từ trạng thái \u003Cscript type=\"math\u002Ftex\"> i \u003C\u002Fscript> sang trạng thái \u003Cscript type=\"math\u002Ftex\"> j \u003C\u002Fscript>. Ma trận có dạng:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nP = \\begin{bmatrix}\np_{11} & p_{12} & \\cdots & p_{1n} \\\\\np_{21} & p_{22} & \\cdots & p_{2n} \\\\\n\\vdots & \\vdots & \\ddots & \\vdots \\\\\np_{n1} & p_{n2} & \\cdots & p_{nn}\n\\end{bmatrix}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli> \u003Cscript type=\"math\u002Ftex\"> 0 \\leq p_{ij} \\leq 1 \u003C\u002Fscript> \u003C\u002Fli>\n  \u003Cli> \u003Cscript type=\"math\u002Ftex\"> \\sum_{j=1}^{n} p_{ij} = 1 \\quad \\forall i \u003C\u002Fscript> \u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nKhi xét nhiều bước thời gian liên tiếp, xác suất chuyển sau \u003Cscript type=\"math\u002Ftex\"> k \u003C\u002Fscript> bước có thể được tính bằng lũy thừa ma trận:\n\u003Cscript type=\"math\u002Ftex\">P^{(k)} = P^k\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nVí dụ, xác suất chuyển từ trạng thái 1 đến trạng thái 3 sau 2 bước là phần tử hàng 1, cột 3 của ma trận \u003Cscript type=\"math\u002Ftex\"> P^2 \u003C\u002Fscript>.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong chuỗi Markov\u003C\u002Fh2>\n\u003Cp>\nChuỗi Markov là mô hình xác suất đặc biệt trong đó trạng thái tương lai chỉ phụ thuộc vào trạng thái hiện tại, không phụ thuộc vào quá khứ. Mối quan hệ chuyển tiếp này được mô tả trực tiếp thông qua ma trận chuyển tiếp.\n\u003C\u002Fp>\n\u003Cp>\nCông thức xác suất chuyển tiếp trong chuỗi Markov bậc nhất:\n\u003Cscript type=\"math\u002Ftex\">\nP(X_{t+1} = j \\mid X_t = i) = p_{ij}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nVới \u003Cscript type=\"math\u002Ftex\"> X_t \u003C\u002Fscript> là trạng thái tại thời điểm \u003Cscript type=\"math\u002Ftex\"> t \u003C\u002Fscript>. Điều này dẫn đến khả năng mô phỏng chuỗi trạng thái bằng cách nhân liên tiếp các vectơ xác suất trạng thái với ma trận chuyển tiếp.\n\u003C\u002Fp>\n\u003Cp>\nCác ứng dụng điển hình của chuỗi Markov sử dụng ma trận chuyển tiếp gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Dự đoán thời tiết dựa trên chuỗi thời tiết trước đó\u003C\u002Fli>\n  \u003Cli>Mô phỏng hành vi người dùng trong web analytics\u003C\u002Fli>\n  \u003Cli>Xác suất hệ thống rơi vào trạng thái lỗi trong mô hình tin cậy (reliability modeling)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTrong các hệ thống học máy, việc sử dụng ma trận chuyển tiếp giúp giảm tải tính toán bằng cách khai thác cấu trúc Markov, chỉ cần lưu giữ trạng thái hiện tại mà không phải toàn bộ lịch sử.\n\u003C\u002Fp>\n\u003Ch2>Tính chất đại số\u003C\u002Fh2>\n\u003Cp>\nMa trận chuyển tiếp không chỉ là công cụ mô hình xác suất mà còn có những đặc điểm đại số quan trọng, đặc biệt trong các bài toán phân tích hành vi dài hạn của hệ thống. Đây là lý do nó được nghiên cứu sâu trong đại số tuyến tính, xác suất và lý thuyết hệ thống động.\n\u003C\u002Fp>\n\u003Cp>\nTính chất quan trọng đầu tiên là tính *stochastic hàng*: mọi hàng trong ma trận có tổng bằng 1, nhưng tổng theo cột thì không nhất thiết. Nếu một ma trận vừa stochastic hàng vừa stochastic cột thì được gọi là ma trận *doubly stochastic*.\n\u003C\u002Fp>\n\u003Cp>\nMột số tính chất nổi bật:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Ma trận chuyển tiếp luôn có giá trị riêng lớn nhất bằng 1.\u003C\u002Fli>\n  \u003Cli>Giá trị riêng lớn nhất luôn có vectơ riêng tương ứng là phân phối xác suất (nếu tồn tại phân phối dừng).\u003C\u002Fli>\n  \u003Cli>Lũy thừa của ma trận chuyển tiếp, \u003Cscript type=\"math\u002Ftex\"> P^k \u003C\u002Fscript>, phản ánh hành vi dài hạn của chuỗi Markov.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nKhi ma trận chuyển tiếp khả nghịch hoặc có thể phân rã phổ (eigen decomposition), ta có thể phân tích sự hội tụ hoặc dao động của hệ thống theo thời gian. Ví dụ, trong hệ thống phân kỳ, ma trận có thể dẫn đến chu kỳ lặp lại, trong khi với hệ thống khả quy và kỳ vọng dừng, ma trận sẽ hội tụ về một trạng thái ổn định.\n\u003C\u002Fp>\n\n\u003Ch2>Phân phối dừng (stationary distribution)\u003C\u002Fh2>\n\u003Cp>\nPhân phối dừng là một khái niệm cốt lõi trong lý thuyết chuỗi Markov. Đây là phân phối xác suất mà khi được nhân với ma trận chuyển tiếp sẽ không thay đổi. Nói cách khác, nếu hệ thống bắt đầu ở phân phối dừng, nó sẽ duy trì phân phối đó mãi mãi.\n\u003C\u002Fp>\n\u003Cp>\nĐiều kiện toán học:\n\u003Cscript type=\"math\u002Ftex\">\n\\pi P = \\pi\n\u003C\u002Fscript>\nvà\n\u003Cscript type=\"math\u002Ftex\">\n\\sum_{i=1}^{n} \\pi_i = 1\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nĐây là bài toán tìm vectơ riêng ứng với giá trị riêng 1 của ma trận \u003Cscript type=\"math\u002Ftex\"> P \u003C\u002Fscript>. Phân phối dừng tồn tại duy nhất nếu ma trận là khả quy (irreducible) và không tuần hoàn (aperiodic).\n\u003C\u002Fp>\n\u003Cp>\nMột ví dụ nổi bật về ứng dụng phân phối dừng là thuật toán \u003Ca href=\"https:\u002F\u002Fwww.geeksforgeeks.org\u002Fpage-rank-algorithm\u002F\">PageRank\u003C\u002Fa> của Google. Trong đó, web được mô hình như một chuỗi Markov và PageRank của một trang chính là giá trị trong phân phối dừng tương ứng.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\n\u003Cp>\nMa trận chuyển tiếp có mặt trong rất nhiều lĩnh vực từ khoa học tự nhiên đến công nghệ hiện đại. Sau đây là một số ứng dụng tiêu biểu:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Học máy và xử lý ngôn ngữ tự nhiên:\u003C\u002Fstrong> Trong mô hình Markov ẩn (HMM), ma trận chuyển tiếp xác định xác suất chuyển giữa các trạng thái ẩn. Các ứng dụng gồm nhận dạng giọng nói, gán nhãn từ loại (POS tagging), và phân tích chuỗi DNA.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tài chính:\u003C\u002Fstrong> Trong đánh giá tín dụng, các trạng thái có thể là mức tín nhiệm khác nhau, và ma trận chuyển tiếp mô tả xác suất khách hàng rơi vào nợ xấu trong tương lai.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Vật lý thống kê:\u003C\u002Fstrong> Các mô hình như chuỗi Ising, hệ thống hạt có thể được mô phỏng bằng chuỗi Markov với ma trận chuyển tiếp tương ứng.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Sinh học:\u003C\u002Fstrong> Trong mô hình tiến triển bệnh, các giai đoạn của bệnh là trạng thái, và ma trận chuyển tiếp biểu diễn xác suất chuyển giai đoạn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nVí dụ trong tài chính, một ngân hàng có thể sử dụng ma trận sau để dự đoán tỷ lệ vỡ nợ của khách hàng qua các kỳ:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Trạng thái\u003C\u002Fth>\n    \u003Cth>Good\u003C\u002Fth>\n    \u003Cth>Delinquent\u003C\u002Fth>\n    \u003Cth>Default\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Good\u003C\u002Ftd>\n    \u003Ctd>0.85\u003C\u002Ftd>\n    \u003Ctd>0.10\u003C\u002Ftd>\n    \u003Ctd>0.05\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Delinquent\u003C\u002Ftd>\n    \u003Ctd>0.20\u003C\u002Ftd>\n    \u003Ctd>0.60\u003C\u002Ftd>\n    \u003Ctd>0.20\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Default\u003C\u002Ftd>\n    \u003Ctd>0.00\u003C\u002Ftd>\n    \u003Ctd>0.00\u003C\u002Ftd>\n    \u003Ctd>1.00\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nDữ liệu này có thể dùng để mô phỏng rủi ro tín dụng trong các kịch bản khác nhau, giúp đưa ra quyết định cho vay hoặc định giá trái phiếu.\n\u003C\u002Fp>\n\n\u003Ch2>Mở rộng: ma trận chuyển tiếp trong mô hình Markov ẩn\u003C\u002Fh2>\n\u003Cp>\nTrong HMM (Hidden Markov Model), ma trận chuyển tiếp điều khiển quá trình dịch chuyển giữa các trạng thái ẩn – tức những trạng thái không quan sát được trực tiếp. Đầu ra quan sát được sinh ra từ mỗi trạng thái theo một hàm xác suất riêng biệt.\n\u003C\u002Fp>\n\u003Cp>\nHuấn luyện HMM yêu cầu ước lượng ma trận chuyển tiếp từ dữ liệu quan sát. Thuật toán phổ biến nhất để làm điều này là \u003Ca href=\"https:\u002F\u002Fwww.analyticsvidhya.com\u002Fblog\u002F2021\u002F10\u002Funderstanding-hidden-markov-model\u002F\">Baum-Welch\u003C\u002Fa>, một dạng của kỳ vọng cực đại (EM). Khi hệ thống đã được huấn luyện, thuật toán \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FViterbi_algorithm\">Viterbi\u003C\u002Fa> được dùng để tìm chuỗi trạng thái ẩn có xác suất cao nhất.\n\u003C\u002Fp>\n\u003Cp>\nMa trận chuyển tiếp trong HMM phải thỏa mãn các điều kiện stochastic như trong chuỗi Markov cơ bản, nhưng thường phức tạp hơn do không thể quan sát trực tiếp mà phải ước lượng gián tiếp từ dữ liệu.\n\u003C\u002Fp>\n\n\u003Ch2>Phân biệt với ma trận chuyển tiếp xác định (deterministic transition)\u003C\u002Fh2>\n\u003Cp>\nKhông nên nhầm lẫn ma trận chuyển tiếp xác suất với các hệ thống xác định như máy trạng thái hữu hạn (finite state machines). Trong đó, trạng thái tiếp theo được xác định một cách rõ ràng, không có tính xác suất.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ, trong máy trạng thái của một bộ vi xử lý hoặc trình điều khiển giao tiếp, trạng thái tiếp theo được xác định theo bảng điều kiện – không cần đến phân phối xác suất. Do đó, ma trận chuyển tiếp xác định có các phần tử chỉ nhận giá trị 0 hoặc 1 duy nhất trên mỗi hàng.\n\u003C\u002Fp>\n\u003Cp>\nTrái lại, trong ma trận chuyển tiếp xác suất:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Có thể tồn tại nhiều trạng thái kế tiếp với xác suất khác nhau\u003C\u002Fli>\n  \u003Cli>Mỗi hàng là phân phối xác suất chứ không phải lựa chọn duy nhất\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>J.R. Norris, \u003Ci>Markov Chains\u003C\u002Fi>, Cambridge University Press, 1997.\u003C\u002Fli>\n  \u003Cli>Grinstead & Snell, \u003Ci>Introduction to Probability\u003C\u002Fi>, AMS, 2012.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fmathworld.wolfram.com\u002FStochasticMatrix.html\">Wolfram MathWorld – Stochastic Matrix\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.geeksforgeeks.org\u002Fpage-rank-algorithm\u002F\">GeeksforGeeks – PageRank Algorithm\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.analyticsvidhya.com\u002Fblog\u002F2021\u002F10\u002Funderstanding-hidden-markov-model\u002F\">Analytics Vidhya – Understanding Hidden Markov Models\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Ftowardsdatascience.com\u002Fmarkov-models-explained-with-python-examples-479e6e0b52a1\">Towards Data Science – Markov Models\u003C\u002Fa>\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},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-11-10T04:02:38.023+00:00","2025-11-10T12:40:07.501+00:00","2025-11-10T12:40:07.473+00:00",129,[33,43,53,63,68,78,84,90,96,102],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"trạng thái dừng","Trạng thái dừng là gì? Các nghiên cứu khoa học liên quan","Stationary state","Trạng thái dừng là trạng thái lượng tử có năng lượng xác định mà mật độ xác suất tìm thấy hạt không biến thiên theo thời gian.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":44,"title":45,"term":44,"englishTitle":46,"definition":47,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"hiếp dâm","hiếp dâm là gì? Ý nghĩa và ứng dụng chuyên sâu","Rape \u002F Sexual violence","Hiếp dâm (rape) là hành vi xâm hại tình dục nghiêm trọng được thực hiện bằng vũ lực, đe dọa dùng vũ lực hoặc lợi dụng tình trạng không thể tự vệ của nạn nhân để thực hiện quan hệ tình dục trái ý muốn, cấu thành tội phạm hình sự đặc biệt nghiêm trọng.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":54,"title":55,"term":54,"englishTitle":56,"definition":57,"discipline":58,"disciplineCode":59,"disciplineLabel":60,"disciplineColor":61,"disciplineIcon":62},"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":64,"title":65,"term":64,"englishTitle":66,"definition":67,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"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":69,"title":70,"term":69,"englishTitle":71,"definition":72,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"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":79,"title":80,"term":81,"englishTitle":82,"definition":83,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"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":85,"title":86,"term":87,"englishTitle":88,"definition":89,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"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":91,"title":92,"term":93,"englishTitle":94,"definition":95,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"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":97,"title":98,"term":99,"englishTitle":100,"definition":101,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"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":103,"title":104,"term":105,"englishTitle":106,"definition":107,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"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."]