[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20roc{\"limit\":5}":3,"_public_topic_byId_ph%C3%A2n%20t%C3%ADch%20roc":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":22,"keywordCount":23,"enrichTopicLink":24,"status":25,"createTime":26,"updateTime":27,"publishTime":28,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":29,"wikidataId":10,"relateTopics":30},"phân tích roc","Phân tích roc là gì? Các bài nghiên cứu khoa học liên quan","Phân tích ROC là phương pháp đánh giá mô hình phân loại nhị phân bằng cách so sánh tỷ lệ phát hiện đúng và tỷ lệ báo động giả trên nhiều ngưỡng. Đường cong ROC và chỉ số AUC giúp đo lường khả năng phân biệt giữa hai lớp, hỗ trợ chọn mô hình hiệu quả và ngưỡng phân loại tối ưu. ","\u003Cdiv>\u003Ch2>Giới thiệu về phân tích ROC\u003C\u002Fh2>\n\u003Cp>\nPhân tích ROC (Receiver Operating Characteristic) là một công cụ thống kê được sử dụng rộng rãi để đánh giá hiệu suất của các mô hình phân loại nhị phân. Kỹ thuật này đặc biệt hữu ích trong các lĩnh vực như y học chẩn đoán, học máy, an ninh mạng và tài chính, nơi việc phân biệt giữa hai lớp – ví dụ như bệnh và không bệnh, gian lận và hợp lệ – có ý nghĩa quan trọng. Thay vì chỉ dựa vào độ chính xác tổng thể, ROC cung cấp cái nhìn toàn diện hơn bằng cách phân tích cách mô hình xử lý các điểm phân loại tại nhiều ngưỡng khác nhau.\n\u003C\u002Fp>\n\u003Cp>\nMỗi mô hình phân loại đều tạo ra một giá trị xác suất cho từng đối tượng được dự đoán. Tuy nhiên, để đưa ra quyết định nhị phân (ví dụ: bệnh hay không), người dùng cần thiết lập một ngưỡng (threshold). Việc thay đổi ngưỡng này ảnh hưởng đến tỷ lệ phát hiện đúng (True Positive Rate – TPR) và tỷ lệ báo động giả (False Positive Rate – FPR). ROC giúp trực quan hóa sự đánh đổi giữa hai tỷ lệ này trên toàn bộ dải ngưỡng có thể.\n\u003C\u002Fp>\n\n\u003Ch2>Lịch sử và nguồn gốc của đường cong ROC\u003C\u002Fh2>\n\u003Cp>\nKhái niệm ROC bắt nguồn từ lĩnh vực phát hiện tín hiệu trong chiến tranh thế giới thứ hai, khi các kỹ sư ra-đa phải phân biệt giữa tín hiệu thực sự và nhiễu. Họ phát triển các phương pháp đánh giá để xác định khả năng phát hiện máy bay địch dựa trên các tín hiệu nhận được. Sau chiến tranh, khái niệm này được chuyển giao vào lĩnh vực thống kê và dần trở thành một kỹ thuật phổ biến trong y học và các ngành khoa học dữ liệu hiện đại.\n\u003C\u002Fp>\n\u003Cp>\nTrong thập niên 1970–1980, ROC bắt đầu được áp dụng để đánh giá các công cụ chẩn đoán y tế, chẳng hạn như xét nghiệm phát hiện ung thư, HIV hoặc các rối loạn tim mạch. Kể từ đó, phương pháp này đã được mở rộng để sử dụng trong hầu hết các mô hình học máy phân loại hiện đại. Hiện nay, ROC là một phần không thể thiếu trong quy trình đánh giá mô hình phân loại, đặc biệt khi độ cân bằng giữa hai lớp dữ liệu không rõ ràng.\n\u003C\u002Fp>\n\u003Cp>\nMột ví dụ minh họa từ y học: xét nghiệm phát hiện ung thư tuyến tiền liệt có thể được điều chỉnh ngưỡng PSA để tối ưu hóa việc phát hiện sớm (tăng TPR), nhưng sẽ đi kèm nguy cơ tăng báo động giả (tăng FPR), dẫn đến việc điều trị không cần thiết. ROC cho phép đánh giá cụ thể hiệu suất của từng ngưỡng một cách khoa học. Chi tiết hơn có thể tham khảo tại \u003Ca href=\"https:\u002F\u002Fpubmed.ncbi.nlm.nih.gov\u002F15019680\u002F\" target=\"_blank\">PubMed - ROC in clinical medicine\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Khái niệm cơ bản: TPR và FPR\u003C\u002Fh2>\n\u003Cp>\nHai khái niệm cốt lõi trong phân tích ROC là TPR và FPR, lần lượt đại diện cho tỷ lệ phát hiện đúng và tỷ lệ cảnh báo sai. Các chỉ số này được tính dựa trên ma trận nhầm lẫn (confusion matrix), là công cụ tiêu chuẩn trong việc đánh giá hiệu suất của mô hình phân loại nhị phân.\n\u003C\u002Fp>\n\u003Cp>\nCông thức tính:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>True Positive Rate (TPR)\u003C\u002Fstrong> = \u003Cscript type=\"math\u002Ftex\"> \\frac{TP}{TP + FN} \u003C\u002Fscript> – xác suất mô hình phát hiện đúng đối tượng dương tính.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>False Positive Rate (FPR)\u003C\u002Fstrong> = \u003Cscript type=\"math\u002Ftex\"> \\frac{FP}{FP + TN} \u003C\u002Fscript> – xác suất mô hình báo sai đối tượng âm tính là dương tính.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nDưới đây là một bảng thể hiện mối quan hệ giữa các thành phần trong ma trận nhầm lẫn:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>\u003C\u002Fth>\n      \u003Cth>Thực tế: Dương tính\u003C\u002Fth>\n      \u003Cth>Thực tế: Âm tính\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Dự đoán: Dương tính\u003C\u002Ftd>\n      \u003Ctd>\u003Cstrong>TP\u003C\u002Fstrong> (True Positive)\u003C\u002Ftd>\n      \u003Ctd>\u003Cstrong>FP\u003C\u002Fstrong> (False Positive)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Dự đoán: Âm tính\u003C\u002Ftd>\n      \u003Ctd>\u003Cstrong>FN\u003C\u002Fstrong> (False Negative)\u003C\u002Ftd>\n      \u003Ctd>\u003Cstrong>TN\u003C\u002Fstrong> (True Negative)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>\nHiểu rõ các chỉ số này là tiền đề để giải thích đường cong ROC và chỉ số AUC một cách chính xác. Việc lựa chọn ngưỡng phân loại sẽ ảnh hưởng trực tiếp đến TPR và FPR, và do đó làm thay đổi hình dạng của đường cong ROC.\n\u003C\u002Fp>\n\n\u003Ch2>Cách vẽ và diễn giải đường cong ROC\u003C\u002Fh2>\n\u003Cp>\nĐể vẽ đường cong ROC, ta thực hiện lần lượt các bước sau:\n\u003C\u002Fp>\u003Col>\n  \u003Cli>Xác định tập giá trị xác suất đầu ra của mô hình cho mỗi điểm dữ liệu.\u003C\u002Fli>\n  \u003Cli>Chọn một tập các ngưỡng từ 0 đến 1 (thường chia đều theo bước nhỏ, ví dụ 0.01).\u003C\u002Fli>\n  \u003Cli>Với mỗi ngưỡng, tính TPR và FPR dựa trên phân loại nhị phân tại ngưỡng đó.\u003C\u002Fli>\n  \u003Cli>Vẽ các điểm (FPR, TPR) tương ứng trên mặt phẳng tọa độ và nối chúng lại để tạo thành đường cong ROC.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột mô hình lý tưởng sẽ có đường ROC đi sát mép bên trái và đỉnh trên cùng của đồ thị, tức đạt TPR cao trong khi giữ FPR thấp. Trong khi đó, mô hình ngẫu nhiên sẽ tạo ra đường chéo từ điểm (0,0) đến (1,1), cho thấy không có khả năng phân biệt giữa hai lớp.\n\u003C\u002Fp>\n\u003Cp>\nCác đặc điểm quan trọng cần lưu ý khi diễn giải đường cong ROC:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Góc trên bên trái là vùng lý tưởng.\u003C\u002Fli>\n  \u003Cli>Diện tích dưới đường cong càng lớn, mô hình càng tốt.\u003C\u002Fli>\n  \u003Cli>Đường cong càng gần đường chéo, mô hình càng thiếu năng lực phân biệt.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột ví dụ minh họa: Nếu mô hình A có đường cong ROC luôn nằm trên mô hình B, ta có thể khẳng định A tốt hơn B về mọi mặt. Tuy nhiên, trong thực tế, các đường cong thường cắt nhau, đòi hỏi phân tích sâu hơn bằng chỉ số AUC (phần tiếp theo).\n\u003C\u002Fp>\n\u003Ch2>Chỉ số AUC - Diện tích dưới đường cong ROC\u003C\u002Fh2>\n\u003Cp>\nAUC (Area Under the Curve) là đại lượng toán học thể hiện tổng diện tích nằm dưới đường cong ROC. Đây là chỉ số quan trọng giúp đánh giá tổng quát hiệu quả phân loại của mô hình mà không phụ thuộc vào ngưỡng phân loại cụ thể. Giá trị AUC dao động trong khoảng từ 0 đến 1, với ý nghĩa như sau:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>AUC = 1.0: mô hình phân loại hoàn hảo.\u003C\u002Fli>\n  \u003Cli>AUC = 0.5: mô hình không tốt hơn chọn ngẫu nhiên.\u003C\u002Fli>\n  \u003Cli>AUC &lt; 0.5: mô hình có xu hướng phân loại ngược (có thể cải thiện bằng cách đảo ngược nhãn).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nVề mặt toán học, AUC được tính là tích phân:\n\u003Cscript type=\"math\u002Ftex\"> AUC = \\int_0^1 TPR(FPR^{-1}(x))\\,dx \u003C\u002Fscript>\nĐiều này tương đương với xác suất mà mô hình xếp hạng một ví dụ dương tính cao hơn một ví dụ âm tính bất kỳ được chọn ngẫu nhiên.\n\u003C\u002Fp>\n\u003Cp>\nMột số mô hình học máy phổ biến (như logistic regression, random forest, XGBoost) thường có tích hợp sẵn khả năng tính AUC. Trong thư viện Scikit-learn của Python, có thể sử dụng hàm \u003Ccode>roc_auc_score\u003C\u002Fcode> để đánh giá trực tiếp mô hình. Tham khảo chi tiết tại \u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fmodel_evaluation.html#roc-metrics\" target=\"_blank\">Scikit-learn: ROC Metrics\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>So sánh ROC với Precision-Recall\u003C\u002Fh2>\n\u003Cp>\nMặc dù ROC rất mạnh trong các tình huống dữ liệu cân bằng, nhưng khi đối mặt với các tập dữ liệu mất cân bằng (ví dụ: chỉ có 1% gian lận trong dữ liệu thẻ tín dụng), chỉ số Precision-Recall (PR) thường phản ánh chính xác hơn khả năng phân loại. ROC có thể đánh giá cao các mô hình đoán tất cả là âm tính nếu lớp dương tính quá ít.\n\u003C\u002Fp>\n\u003Cp>\nSự khác biệt chính:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>ROC\u003C\u002Fstrong> tập trung vào mối quan hệ giữa TPR và FPR.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>PR\u003C\u002Fstrong> nhấn mạnh vào Precision (\u003Cscript type=\"math\u002Ftex\"> \\frac{TP}{TP + FP} \u003C\u002Fscript>) và Recall (tức TPR).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột ví dụ minh họa: Với tập dữ liệu có 1% gian lận, một mô hình dự đoán tất cả là âm tính sẽ có TPR = 0, FPR = 0 và Precision không xác định. ROC sẽ coi mô hình này là “ổn” (vì FPR thấp), trong khi PR sẽ cho thấy mô hình hoàn toàn vô dụng.\n\u003C\u002Fp>\n\u003Cp>\nChi tiết về sự khác biệt có thể xem thêm tại \u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fclassification\u002Froc-and-auc\" target=\"_blank\">Google Machine Learning Crash Course\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng phân tích ROC trong thực tiễn\u003C\u002Fh2>\n\u003Cp>\nROC không chỉ là công cụ học thuật mà còn được ứng dụng rộng rãi trong các hệ thống thực tế. Trong y học, các bác sĩ sử dụng đường cong ROC để đánh giá độ nhạy và độ đặc hiệu của các xét nghiệm chẩn đoán, từ đó xác định ngưỡng tối ưu để phát hiện bệnh sớm mà không gây quá nhiều báo động giả.\n\u003C\u002Fp>\n\u003Cp>\nTrong lĩnh vực tài chính, các hệ thống phát hiện gian lận sử dụng mô hình phân loại nhị phân để xác định giao dịch đáng ngờ. ROC giúp đội ngũ kỹ thuật chọn ngưỡng tối ưu để cân bằng giữa việc phát hiện đủ gian lận và không làm phiền khách hàng hợp lệ.\n\u003C\u002Fp>\n\u003Cp>\nMột số ứng dụng cụ thể:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Y học chẩn đoán:\u003C\u002Fstrong> đánh giá hiệu quả của xét nghiệm máu, hình ảnh y tế.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phát hiện gian lận:\u003C\u002Fstrong> giao dịch bất thường qua thẻ tín dụng, chuyển khoản.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại email:\u003C\u002Fstrong> phân biệt thư rác và thư hợp lệ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Nhận diện khuôn mặt:\u003C\u002Fstrong> phân biệt người dùng hợp lệ và không hợp lệ.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTạp chí JAMIA (Journal of the American Medical Informatics Association) đã có nhiều nghiên cứu về hiệu quả của ROC trong phân tích dữ liệu y tế, có thể tham khảo tại \u003Ca href=\"https:\u002F\u002Facademic.oup.com\u002Fjamia\u002Farticle\u002F7\u002F5\u002F426\u002F825078\" target=\"_blank\">JAMIA - ROC in medical informatics\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế của phân tích ROC\u003C\u002Fh2>\n\u003Cp>\nDù là công cụ mạnh, ROC không hoàn hảo và có một số hạn chế đáng chú ý. Đầu tiên là vấn đề với dữ liệu lệch lớp. Khi một lớp chiếm tỷ lệ rất nhỏ (ví dụ: &lt;1%), FPR có thể bị đánh giá thấp không hợp lý, khiến ROC dường như vẫn đẹp trong khi mô hình thực tế có thể bỏ sót phần lớn trường hợp quan trọng.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, ROC không đưa ra kết luận cụ thể về hiệu quả mô hình ở ngưỡng cụ thể. Trong các ứng dụng thực tế, đôi khi người dùng cần chọn ngưỡng tối ưu dựa trên tiêu chí chi phí - lợi ích (cost-benefit), thứ mà ROC không trực tiếp cung cấp.\n\u003C\u002Fp>\n\u003Cp>\nVì vậy, cần kết hợp ROC với các chỉ số khác như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Precision, Recall, F1-score:\u003C\u002Fstrong> đặc biệt quan trọng khi cần tập trung vào lớp dương tính.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Confusion matrix:\u003C\u002Fstrong> trực quan hóa toàn bộ kết quả phân loại.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Precision-Recall curve:\u003C\u002Fstrong> thay thế tốt trong dữ liệu mất cân bằng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Kết luận\u003C\u002Fh2>\n\u003Cp>\nPhân tích ROC là một trong những công cụ quan trọng nhất để đánh giá hiệu quả mô hình phân loại nhị phân. Nhờ khả năng trực quan hóa sự đánh đổi giữa phát hiện đúng và cảnh báo giả, ROC giúp người dùng hiểu rõ hơn về mô hình của mình trên toàn dải ngưỡng. Tuy nhiên, để có đánh giá toàn diện, cần sử dụng kết hợp với các công cụ khác như PR curve, confusion matrix hoặc các chỉ số dựa trên độ chính xác.\n\u003C\u002Fp>\n\u003Cp>\nROC không chỉ là một kỹ thuật thống kê mà còn là một thành phần cốt lõi trong quá trình ra quyết định dựa trên mô hình dữ liệu ở nhiều lĩnh vực quan trọng như y tế, tài chính và an ninh thông tin.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Fawcett, T. (2006). \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patrec.2005.10.010\" target=\"_blank\">An introduction to ROC analysis\u003C\u002Fa>. Pattern Recognition Letters, 27(8), 861–874.\u003C\u002Fli>\n  \u003Cli>Saito, T., &amp; Rehmsmeier, M. (2015). \u003Ca href=\"https:\u002F\u002Fjournals.plos.org\u002Fplosone\u002Farticle?id=10.1371\u002Fjournal.pone.0118432\" target=\"_blank\">The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets\u003C\u002Fa>. PLOS ONE, 10(3).\u003C\u002Fli>\n  \u003Cli>Bradley, A. P. (1997). \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1016\u002FS0031-3203(96)00142-2\" target=\"_blank\">The use of the area under the ROC curve in the evaluation of machine learning algorithms\u003C\u002Fa>. Pattern Recognition, 30(7), 1145–1159.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fscikit-learn.org\u002Fstable\u002Fmodules\u002Fmodel_evaluation.html#roc-metrics\" target=\"_blank\">Scikit-learn Documentation - ROC Metrics\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course\u002Fclassification\u002Froc-and-auc\" target=\"_blank\">Google Developers - ROC and AUC\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Facademic.oup.com\u002Fjamia\u002Farticle\u002F7\u002F5\u002F426\u002F825078\" target=\"_blank\">Journal of the American Medical Informatics Association - ROC Curves in Medical Research\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":18,"researcherId":10,"name":19,"imageUrl":20},[13],1,false,"PUBLISHED","2025-11-13T06:49:07.931+00:00","2025-11-13T07:13:58.178+00:00","2025-11-13T07:13:58.167+00:00",148,[31,42,53,64,75,81,92,103,109,115],{"id":32,"title":33,"term":34,"englishTitle":35,"definition":36,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"máy quang phổ echelle","Máy quang phổ echelle (echelle spectrometer) là gì?","Máy quang phổ echelle","echelle spectrometer","Máy quang phổ echelle là loại máy quang phổ nhiễu xạ độ phân giải cao, kết hợp cách tử echelle làm việc ở bậc nhiễu xạ cao với phần tử tán sắc chéo đặt vuông góc để tách các bậc phổ chồng lấp thành ảnh phổ hai chiều trên đầu thu mảng. Kiến trúc này cho phép ghi nhận đồng thời dải bước sóng rộng với năng suất phân giải lớn mà không cần quét cơ học.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":43,"title":44,"term":45,"englishTitle":46,"definition":47,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"hẹp tắc động mạch nội sọ","Hẹp tắc động mạch nội sọ là gì? Cơ chế và điều trị","Hẹp tắc động mạch nội sọ","intracranial arterial stenosis","Hẹp tắc động mạch nội sọ là tình trạng thu hẹp lòng mạch hoặc bít tắc hoàn toàn một hay nhiều động mạch lớn bên trong hộp sọ, làm giảm lưu lượng máu nuôi não và gây nguy cơ cao đột quỵ thiếu máu não, trong đó căn nguyên phổ biến nhất là xơ vữa động mạch.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":54,"title":55,"term":56,"englishTitle":57,"definition":58,"discipline":59,"disciplineCode":60,"disciplineLabel":61,"disciplineColor":62,"disciplineIcon":63},"phép biện chứng","Phép biện chứng (dialectic) là gì?","Phép biện chứng","dialectic","Phép biện chứng là một truyền thống phương pháp luận và lý luận triết học, trong thời cổ đại chỉ nghệ thuật đối thoại hỏi đáp truy tìm chân lý, còn trong triết học cận hiện đại chỉ học thuyết về sự vận động, mối liên hệ và chuyển hóa của khái niệm hoặc hiện thực thông qua mâu thuẫn.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":65,"title":66,"term":67,"englishTitle":68,"definition":69,"discipline":70,"disciplineCode":71,"disciplineLabel":72,"disciplineColor":73,"disciplineIcon":74},"vật liệu hybrid","Vật liệu hybrid (hybrid material) là gì?","Vật liệu hybrid","hybrid material","Vật liệu hybrid (vật liệu lai) là vật liệu cấu tạo từ hỗn hợp trộn lẫn mật thiết giữa thành phần hữu cơ, vô cơ hoặc cả hai, thường đan xen ở thang kích thước nhỏ hơn 1 µm (IUPAC, 2007) nhằm tạo ra tính chất hiệp đồng vượt trội so với từng thành phần đơn lẻ.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":76,"title":77,"term":78,"englishTitle":79,"definition":80,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"đường cong quantum seiberg witten","Đường cong quantum Seiberg-Witten là gì? Cơ chế và ứng dụng","Đường cong quantum Seiberg-Witten","quantum Seiberg-Witten curve","Đường cong quantum Seiberg-Witten là phiên bản lượng tử hóa của đường cong đại số Seiberg-Witten cổ điển, thu được khi nâng tọa độ trên đường cong lên toán tử không giao hoán để tạo thành phương trình vi phân hoặc sai phân tuyến tính trong giới hạn Nekrasov-Shatashvili của lý thuyết chuẩn siêu đối xứng N = 2.",{"id":82,"title":83,"term":84,"englishTitle":85,"definition":86,"discipline":87,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"sản xuất giống","Sản xuất giống (seed production) là gì?","Sản xuất giống","seed production","Sản xuất giống (seed production) là quá trình tổ chức nhân số lượng, kiểm soát chất lượng và cung ứng vật liệu nhân giống từ nguồn giống gốc nhằm duy trì độ thuần di truyền, phẩm chất sinh lý và trạng thái sạch bệnh của giống trong sản xuất nông nghiệp.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":93,"title":94,"term":95,"englishTitle":96,"definition":97,"discipline":98,"disciplineCode":99,"disciplineLabel":100,"disciplineColor":101,"disciplineIcon":102},"lý thuyết hình ảnh","Lý thuyết hình ảnh (image theory) là gì?","Lý thuyết hình ảnh","image theory","Lý thuyết hình ảnh (image theory) là một lý thuyết tâm lý học mô tả quá trình ra quyết định cá nhân và tổ chức do Lee Roy Beach và Terence R. Mitchell đề xuất năm 1987. Thay vì tối đa hóa hữu dụng kỳ vọng, lý thuyết này cho rằng con người sàng lọc phương án dựa trên mức độ tương thích với hệ thống giá trị, mục tiêu và kế hoạch sẵn có.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":104,"title":105,"term":106,"englishTitle":107,"definition":108,"discipline":70,"disciplineCode":71,"disciplineLabel":72,"disciplineColor":73,"disciplineIcon":74},"tổng hợp urê","Tổng hợp urê (urea synthesis) là gì?","Tổng hợp urê","urea synthesis","Tổng hợp urê là quá trình hóa học và công nghệ chuyển hóa amoniac (NH3) và carbon dioxide (CO2) — hoặc các nguồn carbon, nitơ thay thế qua lộ trình điện hóa, quang hóa — thành urê (CO(NH2)2), hợp chất đạm nền tảng của ngành phân bón và hóa chất công nghiệp.",{"id":110,"title":111,"term":112,"englishTitle":113,"definition":114,"discipline":37,"disciplineCode":38,"disciplineLabel":39,"disciplineColor":40,"disciplineIcon":41},"hấp phụ hóa học","Hấp phụ hóa học (chemisorption) là gì?","Hấp phụ hóa học","chemisorption","Hấp phụ hóa học (chemisorption) là quá trình hấp phụ phát sinh từ sự hình thành liên kết hóa học mạnh giữa chất bị hấp phụ và các tâm hoạt tính trên bề mặt chất hấp phụ, tạo thành một đơn lớp trên bề mặt.",{"id":116,"title":117,"term":118,"englishTitle":119,"definition":120,"discipline":70,"disciplineCode":71,"disciplineLabel":72,"disciplineColor":73,"disciplineIcon":74},"mô đun đàn hồi động","Mô đun đàn hồi động (dynamic elastic modulus) là gì?","Mô đun đàn hồi động","dynamic elastic modulus","Mô đun đàn hồi động là đại lượng cơ học đặc trưng cho độ cứng đàn hồi của vật liệu dưới tải trọng biến thiên theo thời gian, dao động điều hòa hoặc sóng ứng suất biên độ nhỏ. Đại lượng này thường được xác định không phá hủy bằng đo tần số cộng hưởng, vận tốc xung siêu âm hoặc phân tích cơ động học."]