[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20bayes{\"limit\":5}":3,"_public_topic_byId_phương pháp bayes":42},{"code":4,"data":5,"meta":21},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":40,"vietnamLatest":41},[],[8,25],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":21,"url":22,"doi":23,"summary":24},"dc9ef1cc-9e09-4144-a858-14f97436093c","Một phương pháp học Bayes đa quan điểm có trọng số nhanh chóng với học sâu cho việc truy xuất hình ảnh dựa trên văn bản từ các bộ sưu tập không nhãn","A fast weighted multi-view Bayesian learning scheme with deep learning for text-based image retrieval from unlabeled galleries",[13,14,15],"Aiadi Oussama","Belal Khaldi","Mohammed Lamine Kherfi",3,"Multimedia Tools and Applications",false,"2022-09-17",2022,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11042-022-13788-x","10.1007\u002Fs11042-022-13788-x","\u003Cp>Khoa học máy tính đề xuất mô hình học biểu diễn đa quan điểm có trọng số kết hợp \u003Cb class=\"publication-topic-keywords\">phương pháp Bayes\u003C\u002Fb> và học sâu phục vụ truy xuất hình ảnh dựa trên truy vấn văn bản từ kho dữ liệu chưa gắn nhãn. Bằng việc ước lượng xác suất hậu nghiệm qua thuật toán kỳ vọng - tối đa hóa EM, mô hình đạt độ chính xác phân loại cao và tốc độ xử lý vượt trội so với các thuật toán truyền thống.\u003C\u002Fp>",{"publicationId":26,"title":27,"originalTitle":28,"authorNames":29,"authorCount":33,"journalName":34,"vietnamJournal":18,"publishDate":35,"publishYear":36,"totalCitation":21,"url":37,"doi":38,"summary":39},"8d32edac-965f-418e-a084-c7b867586cc7","Dự đoán độc tính tủy xương do thuốc gây ra bằng phương pháp Naïve Bayes","In silico prediction of drug-induced myelotoxicity by using Naïve Bayes method",[30,31,32],"Hui Zhang","Peng Yu","Teng-Guo Zhang",8,"Molecular Diversity","2015-07-11",2015,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs11030-015-9613-3","10.1007\u002Fs11030-015-9613-3","\u003Cp>Tin sinh học dược phẩm xây dựng công cụ sàng lọc in silico dự đoán độc tính tủy xương của phân tử thuốc sử dụng \u003Cb class=\"publication-topic-keywords\">phương pháp Bayes\u003C\u002Fb> dạng phân loại Naïve Bayes. Kiểm thử trên tập dữ liệu hợp chất quy mô lớn cho độ chính xác dự báo vượt trên tám mươi phần trăm, giúp các nhà phát triển thuốc phát hiện sớm tác dụng phụ ức chế tạo máu và giảm thiểu rủi ro lâm sàng.\u003C\u002Fp>",[],[],{"code":4,"data":43,"meta":21},{"id":44,"title":45,"description":46,"content":47,"term":44,"englishTitle":48,"synonyms":49,"definition":52,"discipline":53,"references":54,"faqs":78,"createUser":88,"publishUser":92,"keywords":93,"keywordCount":21,"enrichTopicLink":18,"status":94,"createTime":95,"updateTime":96,"publishTime":97,"linkEnrichedTime":21,"publicationScanTime":98,"contentErrorMessage":21,"viewCount":99,"relateTopics":100},"phương pháp bayes","Phương pháp bayes là gì? Bản chất, cơ chế và ứng dụng","Phương pháp Bayes là cách tiếp cận thống kê kết hợp thông tin tiền định với dữ liệu thực nghiệm để tính toán phân phối hậu định của các tham số không ","\u003Ch2>Định nghĩa và lịch sử phát triển\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>Phương pháp bayes\u003C\u002Fstrong> (Bayesian method) là phương pháp Bayes là cách tiếp cận thống kê kết hợp thông tin tiền định với dữ liệu thực nghiệm để tính toán phân phối hậu định của các tham số không biết.\u003C\u002Fp>\n\u003Cp>Thomas Bayes lần đầu tiên đề xuất ý tưởng này vào nửa sau thế kỷ XVIII, nhưng phải đến đầu thế kỷ XIX, Pierre-Simon Laplace mới hệ thống hóa và phổ biến định lý. Trong suốt thế kỷ XX, phương pháp Bayes từng bị lãng quên so với thống kê tần suất (frequentist) do hạn chế về tính toán. Sự bùng nổ máy tính và thuật toán MCMC từ những năm 1990 đã đưa Bayesian inference trở lại vị trí trung tâm trong nhiều lĩnh vực từ y sinh, kinh tế đến học máy.\u003C\u002Fp>\n\u003Cp>Phần mềm như BUGS, JAGS và đặc biệt Stan đã tạo môi trường thân thiện để phát triển mô hình Bayes phức tạp. Cộng đồng nghiên cứu ngày càng mở rộng nhờ khả năng Bayes giải quyết vấn đề về dữ liệu nhỏ, mô hình phân tầng và kết hợp kiến thức chuyên môn.\u003C\u002Fp>\n\n\u003Ch2>Định lý Bayes\u003C\u002Fh2>\n\u003Cp>Định lý Bayes mô tả mối quan hệ giữa xác suất tiên nghiệm, hàm khả năng và xác suất hậu nghiệm qua công thức:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nP(\\theta \\mid D) = \\frac{P(D \\mid \\theta)\\,P(\\theta)}{P(D)},\n\u003C\u002Fscript>\n\u003Cp>trong đó \u003Cscript type=\"math\u002Ftex\"> \\theta \u003C\u002Fscript> là tham số cần suy luận, \u003Cscript type=\"math\u002Ftex\"> D \u003C\u002Fscript> là dữ liệu quan sát. \u003Cscript type=\"math\u002Ftex\"> P(\\theta) \u003C\u002Fscript> là phân bố tiên nghiệm, thể hiện kiến thức hoặc niềm tin trước khi quan sát, \u003Cscript type=\"math\u002Ftex\"> P(D \\mid \\theta) \u003C\u002Fscript> là hàm khả năng, mô tả xác suất sinh mẫu dữ liệu dưới giả thiết tham số, và \u003Cscript type=\"math\u002Ftex\"> P(D) = \\int P(D \\mid \\theta)P(\\theta)\\,d\\theta \u003C\u002Fscript> là hằng số chuẩn hóa đảm bảo tổng xác suất bằng 1.\u003C\u002Fp>\n\u003Cp>Phân bố hậu nghiệm \u003Cscript type=\"math\u002Ftex\">P(\\theta \\mid D)\u003C\u002Fscript> cung cấp thông tin chi tiết về tham số sau khi đã kết hợp dữ liệu, cho phép tính toán trực tiếp các ước lượng như kỳ vọng, khoảng tin cậy và dự báo cho quan sát tương lai. Khi dữ liệu mới được cập nhật, posterior hiện tại trở thành prior cho bước tính tiếp theo, xây dựng quy trình học liên tục.\u003C\u002Fp>\n\n\u003Ch2>Prior, Likelihood và Posterior\u003C\u002Fh2>\n\u003Cp>\u003Cstrong>Prior (P(\\theta))\u003C\u002Fstrong> đóng vai trò khởi điểm, thể hiện niềm tin ban đầu về tham số hoặc giả thuyết. Prior có thể dựa trên kinh nghiệm chuyên môn, dữ liệu lịch sử hoặc được chọn phi thông tin (non-informative) để giảm thiểu thiên kiến.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Likelihood (P(D \\mid \\theta))\u003C\u002Fstrong> phản ánh mô hình dữ liệu: giả sử dữ liệu độc lập và tuân theo phân phối xác định, likelihood là hàm của tham số. Ví dụ, với dữ liệu đếm Poisson, likelihood có dạng \u003Cscript type=\"math\u002Ftex\"> \\prod_i \\frac{\\lambda^{y_i} e^{-\\lambda}}{y_i!} \u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Posterior (P(\\theta \\mid D))\u003C\u002Fstrong> kết quả của Bayes, chứa thông tin cập nhật sau khi quan sát. Posterior cho phép so sánh mô hình (qua Bayes factor), tính các chỉ số rủi ro, ước lượng tham số và xây dựng dự báo. Sự minh bạch trong lựa chọn prior và likelihood giúp kiểm soát độ tin cậy và khả năng lặp lại của kết quả.\u003C\u002Fp>\n\n\u003Ch2>Lựa chọn Prior\u003C\u002Fh2>\n\u003Cp>Việc chọn prior ảnh hưởng mạnh đến posterior, đặc biệt khi dữ liệu ít. Prior được chia thành:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Informative priors:\u003C\u002Fstrong> dựa trên kiến thức trước, phù hợp khi có nhiều nghiên cứu tiền lệ.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Non-informative priors:\u003C\u002Fstrong> như uniform hoặc Jeffreys’ prior, nhằm giảm ảnh hưởng chủ quan.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Conjugate priors:\u003C\u002Fstrong> làm cho posterior có cùng dạng phân phối với prior, giúp tính toán nghiệm đóng. Ví dụ, Beta là conjugate prior cho Bernoulli.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Loại Prior\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Nhược điểm\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Informative\u003C\u002Ftd>\n      \u003Ctd>Tích hợp kiến thức chuyên môn\u003C\u002Ftd>\n      \u003Ctd>Có thể quá thiên vị\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Non-informative\u003C\u002Ftd>\n      \u003Ctd>Trung lập, dễ chấp nhận\u003C\u002Ftd>\n      \u003Ctd>Posterior có thể rộng, thiếu độ chính xác\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Conjugate\u003C\u002Ftd>\n      \u003Ctd>Tính toán nhanh, đơn giản\u003C\u002Ftd>\n      \u003Ctd>Chỉ áp dụng cho mô hình đơn giản\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Quy trình lựa chọn prior cần cân nhắc tính chất dữ liệu, mục tiêu phân tích và khả năng lặp lại. Việc kiểm tra độ nhạy (sensitivity analysis) với nhiều prior khác nhau giúp đánh giá ảnh hưởng của giả định tiên nghiệm và tăng tính tin cậy cho kết quả posterior.\u003C\u002Fp>\n\u003Ch2>Ưu điểm và nhược điểm so với Frequentist\u003C\u002Fh2>\n\u003Cp>Ưu điểm chính của phương pháp Bayes là khả năng cung cấp phân bố xác suất trực tiếp cho tham số hoặc giả thuyết, thay vì chỉ đưa ra ước lượng điểm và khoảng tin cậy như thống kê frequentist. Điều này cho phép đánh giá không chỉ giá trị trung bình mà còn toàn bộ độ không chắc chắn qua posterior.\u003C\u002Fp>\n\u003Cp>Bayesian inference dễ dàng tích hợp thông tin chuyên môn hoặc dữ liệu lịch sử thông qua prior, giúp cải thiện ước lượng đặc biệt khi kích thước mẫu nhỏ hoặc dữ liệu hiếm. Quy trình cập nhật lặp lại (sequential updating) cho phép mô hình học liên tục khi dữ liệu mới xuất hiện.\u003C\u002Fp>\n\u003Cp>Nhược điểm là phụ thuộc vào lựa chọn prior – một prior không phù hợp có thể dẫn đến posterior sai lệch. Bên cạnh đó, tính toán posterior thường yêu cầu giải tích phức tạp hoặc mô phỏng MCMC tốn thời gian khi số chiều tham số lớn.\u003C\u002Fp>\n\n\u003Ch2>Phương pháp tính toán\u003C\u002Fh2>\n\u003Cp>Hàm posterior hiếm khi có nghiệm dạng đóng; do đó cần phương pháp xấp xỉ như MCMC (Markov Chain Monte Carlo) hoặc biến phân (Variational Inference). MCMC bao gồm Metropolis–Hastings và Gibbs sampling, cho phép sinh mẫu từ posterior thực tế qua chuỗi Markov.\u003C\u002Fp>\n\u003Cp>Ưu điểm của MCMC là tính chính xác cao và không giới hạn loại phân phối, nhưng chi phí tính toán O(n × k) cao với n mẫu và k độ đo độ hội tụ. Gibbs sampling giản lược thành từng bước cập nhật tham số riêng rẽ khi phân phối conditional biết trước.\u003C\u002Fp>\n\u003Cp>Variational Inference tối ưu hóa hàm mục tiêu (ELBO) để tìm phân phối xấp xỉ posterior có dạng tham số, giảm chi phí so với MCMC nhưng có thể mất thông tin đuôi (tail) và cho kết quả biased. Hamiltonian Monte Carlo (HMC) kết hợp động lực học Hamilton để di chuyển nhanh trong không gian tham số, cải thiện tốc độ hội tụ – được triển khai trong Stan và PyMC3.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng tiêu biểu\u003C\u002Fh2>\n\u003Cp>Trong y sinh, phương pháp Bayes được sử dụng để ước lượng hiệu quả điều trị từ thử nghiệm lâm sàng giai đoạn đầu với mẫu nhỏ, đồng thời tích hợp thông tin từ các nghiên cứu tiền lệ. Ví dụ Bayesian hierarchical model cho phép tổng hợp kết quả meta-analysis giữa nhiều thử nghiệm độc lập.\u003C\u002Fp>\n\u003Cp>Trong machine learning, Gaussian Processes (GP) là mô hình Bayes không tham số cho hồi quy và phân loại, cung cấp phân bố dự báo cùng độ tin cậy. Bayesian Neural Networks (BNN) đưa chế độ posterior vào trọng số mạng, giảm overfitting và đo lường độ không chắc chắn đầu ra.\u003C\u002Fp>\n\u003Cp>Trong địa thống kê, kriging Bayes sử dụng posterior distribution để nội suy giá trị tại vị trí chưa đo, đồng thời cung cấp khoảng tin cậy không gian theo hàm posterior. Tài chính sử dụng Bayesian VAR (Vector Autoregression) để dự báo chuỗi thời gian và đánh giá rủi ro thông qua posterior predictive checks.\u003C\u002Fp>\n\n\u003Ch2>Tiêu chí mô hình và so sánh\u003C\u002Fh2>\n\u003Cp>Để lựa chọn và so sánh mô hình Bayes, người ta dùng Bayes factor và các tiêu chí ước lượng dự báo như WAIC (Watanabe–Akaike Information Criterion) và LOO-CV (Leave-One-Out Cross-Validation). Bayes factor so sánh xác suất dữ liệu dưới hai mô hình M₁ và M₂:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nBF_{12} = \\frac{P(D\\mid M_1)}{P(D\\mid M_2)}.\n\u003C\u002Fscript>\n\u003Cp>WAIC tính toán độ phù hợp (goodness-of-fit) trừ đi độ phức tạp mô hình qua posterior variance, cho phép so sánh mô hình không cần phân phối tiên nghiệm conjugate. LOO-CV ước lượng sai số dự báo ngoài mẫu, hữu ích đánh giá khả năng khái quát hóa của mô hình.\u003C\u002Fp>\n\n\u003Ch2>Phương pháp mở rộng và Hierarchical Bayes\u003C\u002Fh2>\n\u003Cp>Hierarchical Bayes (mô hình phân tầng) phát triển khi dữ liệu có cấu trúc đa cấp (nested) hoặc phân nhóm. Mỗi nhóm i có tham số riêng θ_i, được giả thiết điều hòa theo prior chung hyperprior φ. Cấu trúc hai tầng cho phép chia sẻ thông tin giữa các nhóm, cải thiện ước lượng khi một số nhóm có ít dữ liệu.\u003C\u002Fp>\n\u003Cp>Công thức điển hình cho hierarchical model:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n\\begin{aligned}\n\\theta_i &\\sim P(\\theta_i\\mid \\phi),\\\\\nD_i &\\sim P(D_i\\mid \\theta_i),\\\\\n\\phi &\\sim P(\\phi).\n\\end{aligned}\n\u003C\u002Fscript>\n\u003Cp>Ứng dụng trong education testing (ước lượng năng lực học sinh theo lớp và trường), trong marketing (ước lượng phản hồi quảng cáo theo phân khúc người dùng) và trong y tế (ước lượng tác dụng thuốc qua nhiều bệnh viện). Hierarchical Bayes dễ mở rộng thành đa tầng khi cần kết hợp nhiều mức độ phân loại khác nhau.\u003C\u002Fp>","Bayesian method",[50,51],"thống kê Bayes","suy diễn Bayes","Phương pháp Bayes là cách tiếp cận thống kê kết hợp thông tin tiền định với dữ liệu thực nghiệm để tính toán phân phối hậu định của các tham số không biết.","NATURAL_SCIENCES",[55,63,70],{"citationText":56,"title":57,"authors":58,"source":59,"year":60,"doi":61,"url":62},"Hughes, et al. (2024). A Bayesian tour of binomial inference. Statistics & Probability Letters.","A Bayesian tour of binomial inference","Hughes John","Statistics & Probability Letters",2024,"10.1016\u002Fj.spl.2023.109974","https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.spl.2023.109974",{"citationText":64,"title":65,"authors":66,"source":59,"year":67,"doi":68,"url":69},"Boratyńska, et al. (1997). Stability of Bayesian inference in exponential families. Statistics & Probability Letters.","Stability of Bayesian inference in exponential families","Boratyńska Agata",1997,"10.1016\u002Fs0167-7152(97)00060-6","https:\u002F\u002Fdoi.org\u002F10.1016\u002Fs0167-7152(97)00060-6",{"citationText":71,"title":72,"authors":73,"source":74,"year":75,"doi":76,"url":77},"Lombardi, et al. (2007). Bayesian inference for -stable distributions: A random walk MCMC approach. Computational Statistics & Data Analysis.","Bayesian inference for -stable distributions: A random walk MCMC approach","Lombardi Marco J.","Computational Statistics & Data Analysis",2007,"10.1016\u002Fj.csda.2006.01.009","https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.csda.2006.01.009",[79,82,85],{"question":80,"answer":81},"Bản chất khoa học và nguyên lý cơ bản của phương pháp bayes (Bayesian method) là gì?","Phương pháp Bayes là cách tiếp cận thống kê kết hợp thông tin tiền định với dữ liệu thực nghiệm để tính toán phân phối hậu định của các tham số không biết. Khái niệm này cung cấp cơ sở lý luận quan trọng để mô tả, phân tích và giải thích các hiện tượng thực nghiệm.",{"question":83,"answer":84},"Phương pháp bayes được ứng dụng thực tiễn trong những lĩnh vực nào?","Phương pháp bayes được ứng dụng rộng rãi trong nghiên cứu thực nghiệm, chẩn đoán, tối ưu hóa quy trình kỹ thuật và đánh giá tác động thực tế.",{"question":86,"answer":87},"Những yếu tố chính ảnh hưởng đến hiệu quả và sự phát triển của phương pháp bayes là gì?","Bao gồm điều kiện môi trường, phương pháp đo lường phân tích, độ chính xác của công cụ thực nghiệm và sự kết hợp dữ liệu đa nguồn.",{"id":89,"researcherId":21,"name":90,"imageUrl":91},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":89,"researcherId":21,"name":90,"imageUrl":91},[44],"PUBLISHED","2025-05-23T10:15:18.340+00:00","2026-09-05T03:25:50.853+00:00","2025-07-24T09:51:28.063+00:00","2026-09-05T03:25:50.849+00:00",414,[101,109,114,119,124,129,134,139,144,149],{"id":102,"title":103,"term":102,"englishTitle":102,"definition":104,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":110,"title":111,"term":110,"englishTitle":112,"definition":113,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":115,"title":116,"term":115,"englishTitle":117,"definition":118,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":120,"title":121,"term":120,"englishTitle":122,"definition":123,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":125,"title":126,"term":125,"englishTitle":127,"definition":128,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":130,"title":131,"term":130,"englishTitle":132,"definition":133,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":135,"title":136,"term":135,"englishTitle":137,"definition":138,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật.",{"id":140,"title":141,"term":140,"englishTitle":142,"definition":143,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"không khí ẩm","Không khí ẩm là gì? Các công bố khoa học về Không khí ẩm","moist air","Không khí ẩm là hỗn hợp nhiệt động học giữa không khí khô và hơi nước, có các thông số đặc trưng gồm độ ẩm tương đối, độ ẩm tuyệt đối và nhiệt độ điểm sương.",{"id":145,"title":146,"term":145,"englishTitle":147,"definition":148,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"hệ số phân bố","Hệ số phân bố là gì? Ý nghĩa trong hóa học và dược lý","Partition Coefficient","Hệ số phân bố (partition coefficient, ký hiệu P hoặc log P) là đại lượng nhiệt động học biểu thị tỷ lệ nồng độ cân bằng của một chất tan không phân ly giữa hai dung môi không trộn lẫn (thường là 1-octanol và nước).",{"id":150,"title":151,"term":150,"englishTitle":150,"definition":152,"discipline":53,"disciplineCode":105,"disciplineLabel":106,"disciplineColor":107,"disciplineIcon":108},"phytoplankton","Phytoplankton là gì? Vai trò sinh thái, chu trình carbon và hiện tượng nở hoa","Phytoplankton (thực vật phù du) là tập hợp các vi sinh vật tự dưỡng quang hợp trôi nổi trong các thủy vực nước ngọt và đại dương, đóng vai trò sản xuất sơ cấp nền tảng của lưới thức ăn thủy sinh và điều hòa chu trình carbon toàn cầu."]