[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20c%E1%BB%A5m%20ph%C3%A2n%20c%E1%BA%A5p{\"limit\":5}":3,"_public_topic_byId_ph%C3%A2n%20t%C3%ADch%20c%E1%BB%A5m%20ph%C3%A2n%20c%E1%BA%A5p":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":17,"synonyms":10,"definition":18,"discipline":19,"references":20,"faqs":42,"createUser":52,"publishUser":56,"keywords":60,"keywordCount":67,"enrichTopicLink":68,"status":69,"createTime":70,"updateTime":71,"publishTime":72,"linkEnrichedTime":73,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":74,"wikidataId":10,"relateTopics":75},"phân tích cụm phân cấp","Phân tích cụm phân cấp là gì? Khái niệm, cơ chế và ứng dụng","Phân tích cụm phân cấp (hierarchical cluster analysis) là phương pháp học máy không giám sát phân nhóm các phần tử dữ liệu thành một cây thứ bậc dựa trê...","\u003Cp>\u003Cstrong>Phân tích cụm phân cấp\u003C\u002Fstrong> (\u003Cem>Hierarchical cluster analysis (HCA)\u003C\u002Fem>) là phương pháp học máy không giám sát phân nhóm các phần tử dữ liệu thành một cây thứ bậc dựa trên ma trận khoảng cách tương đồng giữa các quan sát.\u003C\u002Fp>\n\u003Cp>Trong kỹ thuật này, mỗi điểm dữ liệu ban đầu được xem là một cụm riêng biệt. Sau đó, các cụm được kết hợp từng bước dựa trên khoảng cách giữa chúng, cho đến khi tất cả dữ liệu hợp nhất thành một cụm duy nhất (trong phương pháp kết hợp), hoặc tách dần từ một cụm tổng thể thành các cụm nhỏ hơn (trong phương pháp phân rã).\u003C\u002Fp>\u003Cp>Không giống như các thuật toán như K-means hoặc DBSCAN, phương pháp này không yêu cầu xác định trước số cụm. Điều này đặc biệt hữu ích trong các trường hợp cần khám phá dữ liệu hoặc phân tích mối quan hệ phân tầng trong hệ thống.\u003C\u002Fp>\n\n\u003Ch2>Phân biệt với các phương pháp phân cụm khác\u003C\u002Fh2>\u003Cp>Phân cụm phân cấp khác biệt với các phương pháp phân cụm “phẳng” như K-means hoặc phương pháp dựa trên mật độ như DBSCAN. Các phương pháp phẳng yêu cầu chỉ định trước số cụm hoặc ngưỡng mật độ, trong khi {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20c%E1%BB%A5m%20ph%C3%A2n%20c%E1%BA%A5p%22%7D}} hoạt động dựa trên khoảng cách và xây dựng cấu trúc phân tầng, cho phép cắt cụm linh hoạt tại nhiều cấp độ khác nhau.\u003C\u002Fp>\u003Cp>Bảng so sánh dưới đây minh họa sự khác biệt giữa một số thuật toán phổ biến:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\u003Cthead>\u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Yêu cầu tham số\u003C\u002Fth>\u003Cth>Khả năng mở rộng\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Nhược điểm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Hierarchical\u003C\u002Ftd>\u003Ctd>Không cần số cụm\u003C\u002Ftd>\u003Ctd>Vừa\u003C\u002Ftd>\u003Ctd>Dendrogram chi tiết\u003C\u002Ftd>\u003Ctd>Chi phí tính toán cao\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>K-means\u003C\u002Ftd>\u003Ctd>Cần số cụm \u003Cscript type=\"math\u002Ftex\"> k \u003C\u002Fscript>\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003Ctd>Hiệu quả với dữ liệu lớn\u003C\u002Ftd>\u003Ctd>Phụ thuộc khởi tạo\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>DBSCAN\u003C\u002Ftd>\u003Ctd>\u003Cscript type=\"math\u002Ftex\"> \\varepsilon \u003C\u002Fscript>, minPts\u003C\u002Ftd>\u003Ctd>Trung bình\u003C\u002Ftd>\u003Ctd>Phát hiện cụm không cầu\u003C\u002Ftd>\u003Ctd>Khó tối ưu tham số\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fclustering.html#hierarchical-clustering\" target=\"_blank\">Scikit-learn – Hierarchical Clustering\u003C\u002Fa>\u003C\u002Fp>\n\n\u003Ch2>Phân loại phân cụm phân cấp\u003C\u002Fh2>\u003Cp>Có hai loại chính trong phân cụm phân cấp: phương pháp kết hợp (agglomerative) và phương pháp phân rã (divisive). Phương pháp kết hợp là phổ biến hơn trong thực tiễn và được hỗ trợ rộng rãi trong các thư viện phân tích dữ liệu.\u003C\u002Fp>\u003Cp>Trong phân cụm kết hợp, thuật toán bắt đầu với mỗi điểm là một cụm riêng. Ở mỗi bước, hai cụm gần nhất được hợp nhất cho đến khi chỉ còn một cụm duy nhất. Đây là quá trình từ dưới lên (bottom-up). Ngược lại, trong phân cụm phân rã, thuật toán bắt đầu với một cụm bao gồm toàn bộ dữ liệu và tách dần từng cụm nhỏ hơn, đi theo hướng từ trên xuống (top-down).\u003C\u002Fp>\u003Cp>So sánh hai phương pháp:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Agglomerative:\u003C\u002Fstrong> Thường dùng, hiệu quả tốt, dễ {{topic|%7B%22topic%22%3A%22tr%E1%BB%B1c%20quan%20h%C3%B3a%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Divisive:\u003C\u002Fstrong> Khó triển khai, ít được dùng do tốn tài nguyên tính toán.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Trong các thư viện phổ biến như scikit-learn hoặc scipy, phương pháp kết hợp là mặc định khi triển khai phân tích cụm phân cấp.\u003C\u002Fp>\n\n\u003Ch2>Đo lường khoảng cách giữa cụm\u003C\u002Fh2>\u003Cp>Để thực hiện phân cụm phân cấp, điều quan trọng là định nghĩa cách đo khoảng cách giữa các cụm. Khoảng cách này không chỉ xác định sự tương đồng giữa hai điểm mà còn giữa hai tập hợp điểm. Có nhiều chiến lược khác nhau để làm việc này, mỗi cách sẽ dẫn đến cấu trúc cụm khác nhau.\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Liên kết đơn (single linkage):\u003C\u002Fstrong> Khoảng cách giữa hai cụm là khoảng cách nhỏ nhất giữa các điểm thuộc hai cụm đó.\u003C\u002Fli>\u003Cli>\u003Cstrong>Liên kết hoàn chỉnh (complete linkage):\u003C\u002Fstrong> Khoảng cách lớn nhất giữa các điểm của hai cụm.\u003C\u002Fli>\u003Cli>\u003Cstrong>Liên kết trung bình (average linkage):\u003C\u002Fstrong> Trung bình khoảng cách giữa mọi cặp điểm thuộc hai cụm.\u003C\u002Fli>\u003Cli>\u003Cstrong>Liên kết trung tâm (centroid linkage):\u003C\u002Fstrong> Khoảng cách giữa trung tâm (centroid) của hai cụm.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Công thức khoảng cách phổ biến nhất là khoảng cách Euclidean:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">d(x, y) = \\sqrt{\\sum_{i=1}^{n} (x_i - y_i)^2}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Tùy vào mục tiêu phân tích và bản chất của dữ liệu, lựa chọn chiến lược đo khoảng cách sẽ ảnh hưởng đáng kể đến kết quả cụm cuối cùng. Trong các tập dữ liệu có hình dạng cụm kéo dài hoặc không đồng nhất, liên kết đơn có thể gây ra hiệu ứng \"chuỗi\" (chaining effect), còn liên kết hoàn chỉnh lại có xu hướng tạo các cụm chặt hơn.\u003C\u002Fp>\n\u003Ch2>Dendrogram và cắt cụm\u003C\u002Fh2>\u003Cp>Kết quả của phân tích cụm phân cấp thường được biểu diễn dưới dạng biểu đồ cây gọi là dendrogram. Đây là công cụ trực quan mạnh mẽ giúp hiển thị cấu trúc phân tầng của dữ liệu. Trục tung thể hiện khoảng cách hoặc độ tương đồng giữa các cụm, trong khi các nhánh cây cho biết trình tự hợp nhất hoặc phân tách cụm.\u003C\u002Fp>\u003Cp>Việc xác định số lượng cụm trong dendrogram không cố định mà phụ thuộc vào việc cắt cây tại một ngưỡng độ cao nhất định. Việc chọn ngưỡng cắt phù hợp giúp chia cây thành các nhánh tương ứng với các cụm dữ liệu có ý nghĩa. Một cách phổ biến là tìm “khoảng nhảy” lớn nhất giữa các mức liên kết để quyết định vị trí cắt.\u003C\u002Fp>\u003Cp>Ví dụ, nếu đoạn dài nhất không bị phân chia trong dendrogram nằm ở khoảng giá trị 7 trên trục khoảng cách, thì có thể chọn ngưỡng cắt tại giá trị này để chia tập dữ liệu thành các cụm ổn định. Trong thực tế, dendrogram được sử dụng cùng với các kỹ thuật đánh giá như chỉ số Silhouette hoặc Gap Statistic để xác thực cấu trúc cụm.\u003C\u002Fp>\n\n\u003Ch2>Ưu điểm và nhược điểm\u003C\u002Fh2>\u003Cp>Phân tích cụm phân cấp có nhiều ưu điểm khiến nó trở thành lựa chọn quan trọng trong các bài toán khám phá dữ liệu, đặc biệt là khi không biết trước số cụm hoặc cần tìm hiểu cấu trúc phân tầng của dữ liệu.\u003C\u002Fp>\u003Cul>\u003Cli>Không yêu cầu xác định số cụm trước khi phân tích.\u003C\u002Fli>\u003Cli>Cho phép khám phá phân tầng tự nhiên trong dữ liệu.\u003C\u002Fli>\u003Cli>Hiển thị kết quả trực quan dễ hiểu qua dendrogram.\u003C\u002Fli>\u003Cli>Hoạt động tốt trên tập dữ liệu nhỏ và trung bình.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Tuy nhiên, phương pháp này cũng có một số hạn chế nghiêm trọng:\u003C\u002Fp>\u003Cul>\u003Cli>Chi phí tính toán cao, đặc biệt với dữ liệu lớn do phải tính toàn bộ ma trận khoảng cách và duyệt cây.\u003C\u002Fli>\u003Cli>Nhạy cảm với nhiễu và điểm ngoại lai.\u003C\u002Fli>\u003Cli>Không thể sửa đổi hoặc đảo ngược quyết định phân cụm sau khi đã gộp.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Vì vậy, trong trường hợp xử lý hàng triệu mẫu, người ta thường dùng phương pháp phân cụm phẳng hoặc triển khai các biến thể gần đúng để tiết kiệm tài nguyên tính toán.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong thực tế\u003C\u002Fh2>\u003Cp>Phân tích cụm phân cấp được ứng dụng rộng rãi trong nhiều lĩnh vực nghiên cứu và công nghiệp, nơi cần phân nhóm các đối tượng có quan hệ phân tầng hoặc khi dữ liệu không có cấu trúc cụm rõ ràng.\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Phân tích gen:\u003C\u002Fstrong> Gom nhóm các gen hoặc mẫu sinh học dựa trên biểu hiện gene (microarray data), giúp xác định các nhóm {{topic|%7B%22topic%22%3A%22ch%E1%BB%A9c%20n%C4%83ng%20sinh%20h%E1%BB%8Dc%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tiếp thị và kinh doanh:\u003C\u002Fstrong> Phân khúc khách hàng dựa trên hành vi, chi tiêu, hoặc tương tác với sản phẩm.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phân tích tài liệu:\u003C\u002Fstrong> Nhóm các tài liệu hoặc trang web theo nội dung hoặc chủ đề, ứng dụng trong máy tìm kiếm và {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20lo%E1%BA%A1i%20v%C4%83n%20b%E1%BA%A3n%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Chẩn đoán y học:\u003C\u002Fstrong> Phân loại bệnh nhân hoặc mẫu bệnh lý dựa trên các chỉ số lâm sàng hoặc hình ảnh.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Trong các {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20kh%E1%BA%A3o%20s%C3%A1t%22%7D}} xã hội học hoặc tâm lý học, hierarchical clustering thường được dùng để phát hiện các nhóm thái độ, hành vi, hoặc các kiểu mẫu phản ứng trong bảng câu hỏi.\u003C\u002Fp>\n\n\u003Ch2>Triển khai thuật toán bằng phần mềm\u003C\u002Fh2>\u003Cp>Phân tích cụm phân cấp được hỗ trợ bởi nhiều thư viện mã nguồn mở và phần mềm thống kê. Tùy theo ngôn ngữ và mục đích sử dụng, người dùng có thể lựa chọn các công cụ phù hợp:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Python:\u003C\u002Fstrong> Thư viện \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fgenerated\u002Fsklearn.cluster.AgglomerativeClustering.html\" target=\"_blank\">scikit-learn\u003C\u002Fa> cung cấp thuật toán Agglomerative Clustering, cùng hàm plot_dendrogram để trực quan hóa.\u003C\u002Fli>\u003Cli>\u003Cstrong>R:\u003C\u002Fstrong> Các hàm \u003Ccode>hclust()\u003C\u002Fcode> và \u003Ccode>dendrogram()\u003C\u002Fcode> trong gói stats hỗ trợ đầy đủ phân tích phân cấp.\u003C\u002Fli>\u003Cli>\u003Cstrong>MATLAB:\u003C\u002Fstrong> Cung cấp hàm \u003Ccode>linkage\u003C\u002Fcode> và \u003Ccode>dendrogram\u003C\u002Fcode> cho {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} số lượng lớn.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Quy trình triển khai điển hình gồm:\u003C\u002Fp>\u003Col>\u003Cli>Chuẩn hóa dữ liệu để đảm bảo các đặc trưng có cùng tỷ lệ ảnh hưởng.\u003C\u002Fli>\u003Cli>Tính toán ma trận khoảng cách (Euclidean, cosine, hoặc Mahalanobis).\u003C\u002Fli>\u003Cli>Áp dụng thuật toán liên kết cụm (single, complete, average, centroid).\u003C\u002Fli>\u003Cli>Vẽ dendrogram và lựa chọn ngưỡng cắt cụm.\u003C\u002Fli>\u003Cli>Đánh giá cụm bằng chỉ số như Silhouette Score.\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Các biến thể nâng cao như Ward linkage (giảm phương sai nội cụm) cũng được hỗ trợ trong scikit-learn và được khuyến khích khi xử lý dữ liệu số học có tính tuyến tính cao.\u003C\u002Fp>","Hierarchical cluster analysis (HCA)","Phân tích cụm phân cấp (hierarchical cluster analysis) là phương pháp học máy không giám sát phân nhóm các phần tử dữ liệu thành một cây thứ bậc dựa trên ma trận khoảng cách tương đồng giữa các quan sát.","NATURAL_SCIENCES",[21,28,35],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":10},"Cleophas, Zwinderman (2012). Hierarchical Cluster Analysis for Unsupervised Data. Machine Learning in Medicine. doi:10.1007\u002F978-94-007-5824-7_15","Hierarchical Cluster Analysis for Unsupervised Data","Cleophas, Zwinderman","Machine Learning in Medicine",2012,"10.1007\u002F978-94-007-5824-7_15",{"citationText":29,"title":30,"authors":31,"source":32,"year":33,"doi":34,"url":10},"Parks (1970). FORTRAN IV Program for Q-Mode Cluster Analysis on Distance Function with Printed Dendrogram. Bulletin (Kansas Geological Survey). doi:10.17161\u002Fkgsbulletin.no..23460","FORTRAN IV Program for Q-Mode Cluster Analysis on Distance Function with Printed Dendrogram","Parks","Bulletin (Kansas Geological Survey)",1970,"10.17161\u002Fkgsbulletin.no..23460",{"citationText":36,"title":37,"authors":38,"source":39,"year":40,"doi":41,"url":10},"Marangon, Quartaroli (2025). Water Quality Assessment of the São Bartolomeu Stream (Viçosa, Brazil) Using the Water Quality Index (WQI) and Hierarchical Cluster Analysis (HCA): Seasonal Variation and Anthropogenic Influence. Springer Science and Business Media LLC. doi:10.21203\u002Frs.3.rs-7943771\u002Fv1","Water Quality Assessment of the São Bartolomeu Stream (Viçosa, Brazil) Using the Water Quality Index (WQI) and Hierarchical Cluster Analysis (HCA): Seasonal Variation and Anthropogenic Influence","Marangon, Quartaroli","Springer Science and Business Media LLC",2025,"10.21203\u002Frs.3.rs-7943771\u002Fv1",[43,46,49],{"question":44,"answer":45},"Hai hướng tiếp cận chính trong phân tích cụm phân cấp là gì?","Hai hướng tiếp cận chính là: phân cụm tích lũy (agglomerative - bottom-up, ban đầu mỗi điểm là một cụm riêng rồi gộp dần lại) và phân cụm phân chia (divisive - top-down, ban đầu toàn bộ dữ liệu nằm trong một cụm lớn rồi tách dần thành các cụm nhỏ).",{"question":47,"answer":48},"Biểu đồ nhánh (dendrogram) có vai trò gì trong phân tích cụm phân cấp?","Dendrogram trực quan hóa toàn bộ tiến trình gộp hoặc tách các cụm theo từng mức khoảng cách, cho phép nhà nghiên cứu quan sát cấu trúc thứ bậc của dữ liệu và chọn ngưỡng cắt phù hợp để xác định số lượng cụm tối ưu.",{"question":50,"answer":51},"Các tiêu chí liên kết (linkage criteria) phổ biến trong phân tích cụm phân cấp gồm những gì?","Các tiêu chí liên kết phổ biến bao gồm liên kết đơn (single linkage - khoảng cách nhỏ nhất), liên kết hoàn toàn (complete linkage - khoảng cách lớn nhất), liên kết trung bình (average linkage) và phương pháp Ward (tối thiểu hóa độ tăng phương sai nội cụm).",{"id":53,"researcherId":10,"name":54,"imageUrl":55},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[61,62,63,64,65,66],"phân cụm phân cấp","trực quan hóa","chức năng sinh học","phân loại văn bản","nghiên cứu khảo sát","xử lý dữ liệu",6,false,"PUBLISHED","2025-07-04T09:36:07.368+00:00","2026-09-11T03:09:30.175+00:00","2025-07-05T15:21:57.026+00:00","2026-09-11T03:09:29.587+00:00",280,[76,79,82,85,88,91,94,97,100,103],{"id":77,"title":78,"term":77,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":80,"title":81,"term":80,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":83,"title":84,"term":83,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"peptidoglycan","Peptidoglycan là gì? Các bài nghiên cứu khoa học liên quan",{"id":86,"title":87,"term":86,"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",{"id":89,"title":90,"term":89,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tnf α","Tnf-α là gì? Các bài báo nghiên cứu khoa học về Tnf-α",{"id":92,"title":93,"term":92,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực nghiên cứu khoa học","Năng lực nghiên cứu khoa học là gì? Các bài báo phân tích",{"id":95,"title":96,"term":95,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"pectin","Pectin là gì? Các bài báo nghiên cứu khoa học về Pectin",{"id":98,"title":99,"term":98,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"google earth engine","Google earth engine là gì? Các 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},"tảo silic","Tảo silic là gì? Các nghiên cứu khoa học về Tảo silic",{"id":104,"title":105,"term":104,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"không gian mạng","Không gian mạng là gì? Các nghiên cứu khoa học liên quan"]