[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%C3%ADch%20y%E1%BA%BFu%20t%E1%BB%91%20x%C3%A1c%20nh%E1%BA%ADn{\"limit\":5}":3,"_public_topic_byId_phân tích yếu tố xác nhận":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":10,"definition":19,"discipline":20,"references":21,"faqs":42,"createUser":52,"publishUser":56,"keywords":60,"keywordCount":71,"enrichTopicLink":72,"status":73,"createTime":74,"updateTime":75,"publishTime":76,"linkEnrichedTime":77,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":78,"relateTopics":79},"phân tích yếu tố xác nhận","Phân tích yếu tố xác nhận là gì? Các nghiên cứu khoa học","CFA là phương pháp thống kê kiểm định cấu trúc yếu tố tiềm ẩn thông qua so sánh hiệp phương sai biến quan sát với cấu trúc giả thuyết. Phương pháp này đánh giá tính hợp lệ và độ tin cậy của thang đo trong tâm lý và giáo dục qua các chỉ số độ phù hợp CFI, TLI và RMSEA. ","\u003Cp>\u003Cstrong>Phân tích yếu tố xác nhận\u003C\u002Fstrong> (\u003Cem>Confirmatory factor analysis \u002F CFA\u003C\u002Fem>) là một kỹ thuật mô hình hóa thống kê đa biến chuyên sâu thuộc họ mô hình phương trình cấu trúc (SEM), được sử dụng để kiểm định giả thuyết xem các biến quan sát đo lường thực tế có phản ánh nhất quán cấu trúc của các khái niệm tiềm ẩn được xây dựng từ lý thuyết tiên nghiệm hay không. phương pháp thống kê đa biến nhằm kiểm định cấu trúc yếu tố tiềm ẩn trong tập biến quan sát. Khác với phân tích yếu tố khám phá (Exploratory Factor Analysis – EFA), CFA yêu cầu người nghiên cứu xác định trước số lượng yếu tố, mối quan hệ giữa các yếu tố và biến quan sát, sau đó đánh giá mức độ phù hợp giữa mô hình giả thuyết và dữ liệu thực nghiệm.\u003C\u002Fp>\n\u003Cp>Mục tiêu chính của CFA bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Kiểm định tính hợp lệ cấu trúc (construct validity), xác nhận rằng các biến quan sát thực sự đo lường đúng yếu tố tiềm ẩn.\u003C\u002Fli>\n  \u003Cli>Đánh giá {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20tin%20c%E1%BA%ADy%22%7D}} cấu trúc (reliability) thông qua hệ số tải yếu tố (factor loadings) và sai số đo (measurement errors).\u003C\u002Fli>\n  \u003Cli>So sánh các mô hình khác nhau về cấu trúc yếu tố bằng các chỉ số độ phù hợp (fit indices) như CFI, TLI, RMSEA.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>CFA thường được ứng dụng trong các lĩnh vực {{topic|%7B%22topic%22%3A%22t%C3%A2m%20l%C3%BD%20h%E1%BB%8Dc%22%7D}}, giáo dục, marketing và {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20x%C3%A3%20h%E1%BB%99i%22%7D}} để kiểm định thang đo, đo lường các khái niệm trừu tượng và {{topic|%7B%22topic%22%3A%22ph%C3%A1t%20tri%E1%BB%83n%20l%C3%BD%20thuy%E1%BA%BFt%22%7D}} dựa trên dữ liệu quan sát thực tế.\u003C\u002Fp>\n\n\u003Ch2>Cơ sở lý thuyết\u003C\u002Fh2>\n\u003Cp>CFA nằm trong khuôn khổ Mô hình Phương trình Cấu trúc (Structural Equation Modeling – SEM), nơi yếu tố tiềm ẩn (latent variable) không quan sát trực tiếp mà được ước lượng thông qua các biến quan sát. Mô hình CFA thể hiện mối quan hệ tuyến tính giữa vector biến quan sát x và vector yếu tố tiềm ẩn ξ thông qua ma trận tải yếu tố Λ và sai số đo δ:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">x = \\Lambda \\,\\xi + \\delta\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cem>x\u003C\u002Fem> là vector biến quan sát (observed variables).\u003C\u002Fli>\n  \u003Cli>\u003Cem>Λ\u003C\u002Fem> là ma trận hệ số tải yếu tố (factor loading matrix), xác định mức độ liên hệ giữa biến quan sát và yếu tố tiềm ẩn.\u003C\u002Fli>\n  \u003Cli>\u003Cem>ξ\u003C\u002Fem> là vector yếu tố tiềm ẩn (latent factors).\u003C\u002Fli>\n  \u003Cli>\u003Cem>δ\u003C\u002Fem> là vector sai số đo (measurement errors), giả định không tương quan với nhau.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Cơ sở lý thuyết của CFA dựa trên việc tối ưu hàm mục tiêu (ví dụ Maximum Likelihood) để ước lượng các tham số Λ, phương sai yếu tố và sai số đo sao cho {{topic|%7B%22topic%22%3A%22ma%20tr%E1%BA%ADn%20hi%E1%BB%87p%20ph%C6%B0%C6%A1ng%20sai%22%7D}} dự đoán của mô hình càng giống ma trận hiệp phương sai thực nghiệm càng tốt.\u003C\u002Fp>\n\n\u003Ch2>Đặc tả mô hình và giả thuyết\u003C\u002Fh2>\n\u003Cp>Quá trình thiết kế mô hình CFA bao gồm các bước chính:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cstrong>Xác định số yếu tố:\u003C\u002Fstrong> dựa trên kiến thức lý thuyết hoặc nghiên cứu trước đó để quyết định có bao nhiêu yếu tố tiềm ẩn cần kiểm định.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân bổ biến quan sát:\u003C\u002Fstrong> gán mỗi biến quan sát cho một hoặc nhiều yếu tố, lập ma trận tải yếu tố Λ với các vị trí cố định bằng 0 hoặc ước lượng tự do.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Thiết lập {{topic|%7B%22topic%22%3A%22m%E1%BB%91i%20t%C6%B0%C6%A1ng%20quan%22%7D}} giữa yếu tố:\u003C\u002Fstrong> quyết định yếu tố nào có thể tương quan (non-orthogonal) hoặc độc lập (orthogonal).\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Giả thuyết cơ bản của mô hình CFA bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Mỗi biến quan sát chỉ tải lên một yếu tố (đường tải chéo = 0 trừ khi có lý do lý thuyết).\u003C\u002Fli>\n  \u003Cli>Sai số đo của các biến quan sát không tương quan với nhau.\u003C\u002Fli>\n  \u003Cli>Yếu tố tiềm ẩn tuân theo phân phối chuẩn đa biến.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Sau khi đặc tả mô hình, việc {{topic|%7B%22topic%22%3A%22%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%20tham%20s%E1%BB%91%22%7D}} và kiểm định độ phù hợp được tiến hành để xác nhận hoặc bác bỏ giả thuyết về cấu trúc yếu tố.\u003C\u002Fp>\n\n\u003Ch2>Điều kiện nhận dạng (Identification)\u003C\u002Fh2>\n\u003Cp>Điều kiện nhận dạng (model identification) đảm bảo mô hình có thể ước lượng duy nhất các tham số. Mô hình CFA được coi là nhận dạng khi số thông tin quan sát đủ lớn để xác định số tham số ước lượng. Một số quy tắc cơ bản:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Số biến quan sát tối thiểu cho mỗi yếu tố ≥ 3 để có thể ước lượng phương sai và hệ số tải.\u003C\u002Fli>\n  \u003Cli>Tổng số phương trình (các phần tử ma trận hiệp phương sai quan sát) ≥ tổng số tham số cần ước lượng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Phương pháp nhận dạng phổ biến:\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp\u003C\u002Fth>\n      \u003Cth>Mô tả\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Khóa hệ số tải\u003C\u002Ftd>\n      \u003Ctd>Gán hệ số tải của một biến quan sát lên yếu tố bằng 1 để chuẩn hóa tỷ lệ.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Khóa phương sai yếu tố\u003C\u002Ftd>\n      \u003Ctd>Gán phương sai của yếu tố tiềm ẩn bằng 1 để quy ước thang đo.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Việc đảm bảo điều kiện nhận dạng giúp quá trình ước lượng tham số trở nên ổn định và kết quả mô hình có ý nghĩa thống kê.\u003C\u002Fp>\n\u003Ch2>Phương pháp ước lượng\u003C\u002Fh2>\n\u003Cp>Các phương pháp ước lượng tham số trong CFA bao gồm Maximum Likelihood (ML), Generalized Least Squares (GLS) và Weighted Least Squares (WLS). ML là phương pháp phổ biến nhất, ước lượng tham số bằng cách tối đa hóa hàm hợp lý, yêu cầu phân phối chuẩn đa biến của biến quan sát. GLS ít nhạy với vi phạm giả định phân phối chuẩn, còn WLS phù hợp với dữ liệu dạng thứ tự hoặc nhị phân.\u003C\u002Fp>\n\u003Cp>Ưu nhược điểm và điều kiện áp dụng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>ML:\u003C\u002Fstrong> mạnh về tính thống nhất và tính hiệu quả; cần mẫu lớn và phân phối chuẩn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>GLS:\u003C\u002Fstrong> ít ảnh hưởng bởi ngoại lệ; dễ bị sai lệch khi mẫu nhỏ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>WLS:\u003C\u002Fstrong> tốt với biến ordinal; yêu cầu ma trận trọng số chính xác.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Phần mềm như lavaan (R) và Mplus cho phép lựa chọn {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20%C6%B0%E1%BB%9Bc%20l%C6%B0%E1%BB%A3ng%22%7D}} và cấu hình các tùy chọn nâng cao để {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} không hoàn hảo hoặc thiếu.\u003C\u002Fp>\n\n\u003Ch2>Các chỉ số độ phù hợp\u003C\u002Fh2>\n\u003Cp>Đánh giá độ phù hợp mô hình dựa trên nhiều chỉ số khác nhau, không chỉ dựa vào chi-square. Chi-square nhỏ cho thấy mô hình phù hợp, nhưng nhạy với kích thước mẫu lớn. Các chỉ số phổ biến khác bao gồm:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>CFI (Comparative Fit Index):\u003C\u002Fstrong> giá trị ≥ 0.95 (tốt) hoặc ≥ 0.90 (chấp nhận được).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>TLI (Tucker–Lewis Index):\u003C\u002Fstrong> ≥ 0.95 (tốt) hoặc ≥ 0.90 (chấp nhận được).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>RMSEA (Root Mean Square Error of Approximation):\u003C\u002Fstrong> ≤ 0.05 (tốt), ≤ 0.08 (chấp nhận được).\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>SRMR (Standardized Root Mean Square Residual):\u003C\u002Fstrong> ≤ 0.08.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng so sánh các mức độ đánh giá:\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Chỉ số\u003C\u002Fth>\n      \u003Cth>Ngưỡng tốt\u003C\u002Fth>\n      \u003Cth>Ngưỡng chấp nhận\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>CFI\u002FTLI\u003C\u002Ftd>\n      \u003Ctd>>= 0.95\u003C\u002Ftd>\n      \u003Ctd>>= 0.90\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>RMSEA\u003C\u002Ftd>\n      \u003Ctd><= 0.05\u003C\u002Ftd>\n      \u003Ctd><= 0.08\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>SRMR\u003C\u002Ftd>\n      \u003Ctd><= 0.05\u003C\u002Ftd>\n      \u003Ctd><= 0.08\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Kiểm định bất biến đo lường (Measurement Invariance)\u003C\u002Fh2>\n\u003Cp>Measurement Invariance đánh giá xem cấu trúc CFA có áp dụng chung cho các nhóm mẫu khác nhau hay không. Quá trình gồm ba bước: configural (cấu trúc chung), metric (đường tải yếu tố bằng nhau) và scalar (intercepts bằng nhau). Mỗi bước càng nghiêm ngặt, càng chứng tỏ thang đo ổn định qua nhóm.\u003C\u002Fp>\n\u003Cp>Quy trình kiểm định:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>\u003Cstrong>Configural Invariance:\u003C\u002Fstrong> mô hình cơ bản giống nhau, không ràng buộc tham số.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Metric Invariance:\u003C\u002Fstrong> cố định tải yếu tố, so sánh ΔCFI ≤ 0.01.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Scalar Invariance:\u003C\u002Fstrong> cố định intercept, so sánh ΔRMSEA ≤ 0.015.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Mplus và lavaan cung cấp công cụ tự động kiểm định invariance, xuất báo cáo ΔCFI, ΔRMSEA và ΔSRMR để đánh giá sự thay đổi độ phù hợp.\u003C\u002Fp>\n\n\u003Ch2>Quy mô mẫu và năng lực kiểm định\u003C\u002Fh2>\n\u003Cp>CFA yêu cầu kích thước mẫu đủ lớn để đảm bảo độ ổn định và đáng tin cậy của tham số. Quy tắc chung khuyến nghị tối thiểu 200 mẫu hoặc tỷ lệ 10–20 quan sát cho mỗi tham số ước lượng. Mẫu nhỏ dễ dẫn đến kết quả lệch hoặc không hội tụ.\u003C\u002Fp>\n\u003Cp>Phân tích power CFA có thể thực hiện qua mô phỏng Monte Carlo hoặc công cụ G*Power. Các yếu tố ảnh hưởng power gồm số yếu tố, hệ số tải trung bình và kích thước mẫu.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Hệ số tải yếu tố cao (λ > 0.7) yêu cầu mẫu nhỏ hơn.\u003C\u002Fli>\n  \u003Cli>Mô hình phức tạp (nhiều yếu tố) cần mẫu lớn hơn để đảm bảo hội tụ.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Công cụ phần mềm và triển khai\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>lavaan (R):\u003C\u002Fstrong> miễn phí, cú pháp trực quan, hỗ trợ GLS, WLS và ML; tích hợp trực tiếp trong RStudio. \u003Cstrong>Mplus:\u003C\u002Fstrong> mạnh về phân tích đa nhóm và dữ liệu ordinal; trả phí nhưng giao diện dòng lệnh rõ ràng. \u003Cstrong>AMOS (SPSS):\u003C\u002Fstrong> giao diện đồ họa, thích hợp người mới; hạn chế với mô hình quá phức tạp.\u003C\u002Fp>\n\u003Cp>Các bước triển khai chung:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Chuẩn bị dữ liệu: xử lý missing, kiểm tra phân phối.\u003C\u002Fli>\n  \u003Cli>Định nghĩa mô hình: cú pháp hoặc đồ họa.\u003C\u002Fli>\n  \u003Cli>Chạy ước lượng và kiểm tra hội tụ.\u003C\u002Fli>\n  \u003Cli>Đánh giá độ phù hợp và điều chỉnh mô hình nếu cần.\u003C\u002Fli>\n\u003C\u002Fol>\n\n\u003Ch2>Ứng dụng và hạn chế\u003C\u002Fh2>\n\u003Cp>CFA ứng dụng rộng rãi trong tâm lý học để kiểm định thang đo tâm lý, trong marketing để đánh giá {{topic|%7B%22topic%22%3A%22h%C3%A0nh%20vi%20ng%C6%B0%E1%BB%9Di%20ti%C3%AAu%20d%C3%B9ng%22%7D}} và trong giáo dục để xác minh cấu trúc bài kiểm tra. Nó cho phép kiểm chứng giả thuyết lý thuyết một cách định lượng.\u003C\u002Fp>\n\u003Cp>Hạn chế của CFA bao gồm yêu cầu mẫu lớn, nhạy với dữ liệu lệch chuẩn và sai đặc tả mô hình. Khi mô hình sai, CFA có thể cho kết quả phù hợp giả tạo hoặc không hội tụ.\u003C\u002Fp>","Phân tích yếu tố xác nhận","Confirmatory factor analysis \u002F CFA","Phân tích yếu tố xác nhận là một kỹ thuật thống kê đa biến thuộc mô hình cấu trúc tuyến tính (SEM), dùng để kiểm định giả thuyết xem mối quan hệ giữa các biến quan sát và các biến tiềm ẩn có phù hợp với mô hình lý thuyết định trước hay không.","NATURAL_SCIENCES",[22,29,36],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":10},"Rosseel, Jorgensen, De Wilde (2012). lavaan: Latent Variable Analysis. CRAN: Contributed Packages.","lavaan: Latent Variable Analysis","Rosseel, Jorgensen, De Wilde","CRAN: Contributed Packages",2012,"10.32614\u002Fcran.package.lavaan",{"citationText":30,"title":31,"authors":32,"source":33,"year":34,"doi":35,"url":10},"Satorra (2003). Power of χ2 Goodness-of-fit Tests in Structural Equation Models: the Case of Non-Normal Data. New Developments in Psychometrics.","Power of χ2 Goodness-of-fit Tests in Structural Equation Models: the Case of Non-Normal Data","Satorra","New Developments in Psychometrics",2003,"10.1007\u002F978-4-431-66996-8_5",{"citationText":37,"title":38,"authors":39,"source":26,"year":40,"doi":41,"url":10},"Epskamp (2019). psychonetrics: Structural Equation Modeling and Confirmatory Network Analysis. CRAN: Contributed Packages.","psychonetrics: Structural Equation Modeling and Confirmatory Network Analysis","Epskamp",2019,"10.32614\u002Fcran.package.psychonetrics",[43,46,49],{"question":44,"answer":45},"Sự khác biệt căn bản giữa Phân tích yếu tố khám phá (EFA) và Phân tích yếu tố xác nhận (CFA) là gì?","EFA dùng khi chưa có giả thuyết rõ ràng nhằm rút gọn tập biến và phát hiện cấu trúc tiềm ẩn; trong khi CFA kiểm định một cấu trúc lý thuyết đã định trước (chỉ định rõ biến quan sát nào tải lên nhân tố nào) và đánh giá độ phù hợp của mô hình.",{"question":47,"answer":48},"Các chỉ số độ phù hợp mô hình (Model Fit Indices) then chốt trong CFA bao gồm những gì?","Bao gồm chỉ số Chi-square chuẩn hóa (\u003Cscript type=\"math\u002Ftex\">\\chi^2\u002Fdf \u003C 3\u003C\u002Fscript>), chỉ số CFI và TLI (ngưỡng tối ưu > 0,95), và chỉ số sai số xấp xỉ căn bậc hai RMSEA cùng SRMR (ngưỡng tối ưu \u003C 0,06 hoặc \u003C 0,08).",{"question":50,"answer":51},"Độ giá trị hội tụ (Convergent validity) và độ giá trị phân biệt (Discriminant validity) được thẩm định qua CFA ra sao?","Độ giá trị hội tụ đạt yêu cầu khi phương sai trích trung bình AVE > 0,5 và độ tin cậy tổng hợp CR > 0,7; độ giá trị phân biệt được khẳng định khi căn bậc hai của AVE mỗi nhân tố lớn hơn hệ số tương quan giữa nhân tố đó với các nhân tố khác (tiêu chuẩn Fornell-Larcker).",{"id":53,"researcherId":10,"name":54,"imageUrl":55},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[61,62,63,64,65,66,67,68,69,70],"độ tin cậy","tâm lý học","khoa học xã hội","phát triển lý thuyết","ma trận hiệp phương sai","mối tương quan","ước lượng tham số","phương pháp ước lượng","xử lý dữ liệu","hành vi người tiêu dùng",10,true,"PUBLISHED","2025-05-09T13:45:41.612+00:00","2026-09-10T07:09:30.139+00:00","2025-08-07T10:26:56.348+00:00","2026-09-10T07:09:29.752+00:00",240,[80,83,86,96,99,102,105,108,111,114],{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thang điểm morisky 8","Thang điểm morisky 8 là gì? Các công bố khoa học về Thang điểm morisky 8",{"id":84,"title":85,"term":84,"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":87,"title":88,"term":87,"englishTitle":89,"definition":90,"discipline":91,"disciplineCode":92,"disciplineLabel":93,"disciplineColor":94,"disciplineIcon":95},"chuẩn chủ quan","Chuẩn chủ quan là gì? Cấu trúc và ứng dụng","subjective norm","Chuẩn chủ quan (subjective norm) là nhận thức của một cá nhân về áp lực và kỳ vọng xã hội từ những người hoặc nhóm tham chiếu quan trọng đối với việc họ nên hay không nên thực hiện một hành vi cụ thể.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":100,"title":101,"term":100,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"adolescent","Adolescent là gì? Các công bố khoa học về Adolescent",{"id":103,"title":104,"term":103,"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":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ẩn dụ ý niệm","Ẩn dụ ý niệm là gì? Các nghiên cứu khoa học liên quan",{"id":109,"title":110,"term":109,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu tổng quan","Nghiên cứu tổng quan là gì? Các bài báo nghiên cứu khoa học",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực sáng tạo","Năng lực sáng tạo là gì? Các nghiên cứu khoa học liên quan",{"id":115,"title":116,"term":115,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuột cống trắng","Chuột cống trắng là gì? Các công bố khoa học về Chuột cống trắng"]