[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_qu%C3%A1%20tr%C3%ACnh%20poisson%20ng%E1%BA%ABu%20nhi%C3%AAn%20k%C3%A9p{\"limit\":5}":3,"_public_topic_byId_qu%C3%A1%20tr%C3%ACnh%20poisson%20ng%E1%BA%ABu%20nhi%C3%AAn%20k%C3%A9p":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},"quá trình poisson ngẫu nhiên kép","Quá trình poisson ngẫu nhiên kép là gì? Các nghiên cứu","Quá trình Poisson ngẫu nhiên kép là mô hình xác suất trong đó cường độ xảy ra sự kiện là một hàm ngẫu nhiên, không cố định theo thời gian. Khác với Poisson chuẩn có cường độ xác định, quá trình này phản ánh sự ngẫu nhiên kép từ chính sự kiện và từ môi trường sinh sự kiện.\n","\u003Cdiv>\u003Ch2>Định nghĩa quá trình Poisson ngẫu nhiên kép\u003C\u002Fh2>\n\u003Cp>\nQuá trình Poisson ngẫu nhiên kép (Double Stochastic Poisson Process), còn gọi là quá trình Cox (Cox Process), là một mô hình xác suất trong đó cường độ xuất hiện sự kiện là một quá trình ngẫu nhiên. Đây là một tổng quát hóa của quá trình Poisson không đồng nhất theo thời gian, cho phép mô phỏng tốt các hiện tượng có mức độ ngẫu nhiên biến thiên theo thời gian hoặc không gian.\n\u003C\u002Fp>\n\u003Cp>\nÝ tưởng trung tâm của quá trình này là thay vì sử dụng cường độ xác định \u003Cscript type=\"math\u002Ftex\"> \\lambda(t) \u003C\u002Fscript>, ta sử dụng một hàm ngẫu nhiên \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript>. Khi biết trước giá trị của \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript>, thì số lượng sự kiện xảy ra trong khoảng thời gian nhỏ \u003Cscript type=\"math\u002Ftex\"> \\Delta t \u003C\u002Fscript> tuân theo phân phối Poisson với tham số \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \\Delta t \u003C\u002Fscript>. Xét về mặt điều kiện, đây là quá trình Poisson có điều kiện theo một quá trình nền ngẫu nhiên.\n\u003C\u002Fp>\n\u003Cp>\nQuá trình Cox xuất hiện tự nhiên trong các tình huống mà sự ngẫu nhiên không chỉ đến từ bản thân sự kiện mà còn đến từ trạng thái nền, ví dụ như mật độ dân số thay đổi, biến động tài chính, hoặc tín hiệu sinh lý. Đây là công cụ mô hình hóa linh hoạt, mạnh mẽ, được sử dụng rộng rãi trong thống kê, tài chính, học máy, viễn thông và y sinh.\n\u003C\u002Fp>\n\n\u003Ch2>So sánh với quá trình Poisson chuẩn\u003C\u002Fh2>\n\u003Cp>\nTrong quá trình Poisson chuẩn, cường độ \u003Cscript type=\"math\u002Ftex\"> \\lambda \u003C\u002Fscript> là một giá trị xác định — có thể là hằng số hoặc một hàm xác định theo thời gian. Điều này nghĩa là nếu biết \u003Cscript type=\"math\u002Ftex\"> \\lambda(t) \u003C\u002Fscript>, ta có thể mô tả hoàn toàn phân phối số sự kiện. Trong quá trình Cox, \u003Cscript type=\"math\u002Ftex\"> \\lambda(t) \u003C\u002Fscript> lại là một đại lượng ngẫu nhiên, không xác định trước, khiến cho phân phối tổng thể trở thành tích phân hỗn hợp của các phân phối Poisson có điều kiện.\n\u003C\u002Fp>\n\u003Cp>\nBiểu thức xác suất xảy ra \u003Cscript type=\"math\u002Ftex\"> k \u003C\u002Fscript> sự kiện trong khoảng thời gian ngắn \u003Cscript type=\"math\u002Ftex\"> \\Delta t \u003C\u002Fscript> điều kiện theo cường độ ngẫu nhiên là:\n\u003Cscript type=\"math\u002Ftex\">\nP(N(t + \\Delta t) - N(t) = k \\mid \\Lambda(t)) = \\frac{[\\Lambda(t)\\Delta t]^k}{k!}e^{-\\Lambda(t)\\Delta t}\n\u003C\u002Fscript>\nSự khác biệt lớn nhất là trong khi Poisson chuẩn chỉ mô tả sự không chắc chắn về sự kiện, thì quá trình Cox mô hình cả sự không chắc chắn về môi trường sinh sự kiện.\n\u003C\u002Fp>\n\u003Cp>\nBảng sau tóm tắt một số điểm khác biệt cơ bản:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Đặc điểm\u003C\u002Fth>\n    \u003Cth>Poisson chuẩn\u003C\u002Fth>\n    \u003Cth>Poisson ngẫu nhiên kép\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Cường độ\u003C\u002Ftd>\n    \u003Ctd>Xác định\u003C\u002Ftd>\n    \u003Ctd>Ngẫu nhiên\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tính độc lập\u003C\u002Ftd>\n    \u003Ctd>Độc lập gia tăng\u003C\u002Ftd>\n    \u003Ctd>Không nhất thiết độc lập\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Đặc trưng thống kê\u003C\u002Ftd>\n    \u003Ctd>Đơn giản, giải tích được\u003C\u002Ftd>\n    \u003Ctd>Phức tạp, phụ thuộc vào mô hình nền\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Ứng dụng\u003C\u002Ftd>\n    \u003Ctd>Mô hình sự kiện đơn giản\u003C\u002Ftd>\n    \u003Ctd>Mô hình môi trường động, phức tạp\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Mô hình hóa cường độ ngẫu nhiên\u003C\u002Fh2>\n\u003Cp>\nCường độ ngẫu nhiên \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript> có thể được mô hình hóa bằng nhiều phương pháp khác nhau tùy theo ứng dụng. Trong nhiều trường hợp, nó được coi là một quá trình ngẫu nhiên độc lập, như quá trình Markov, quá trình Gauss, hoặc các mô hình hồi quy theo thời gian.\n\u003C\u002Fp>\n\u003Cp>\nMột số mô hình phổ biến cho \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript> bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Markov Modulated Poisson Process (MMPP):\u003C\u002Fstrong> cường độ chuyển đổi giữa các trạng thái dựa trên một chuỗi Markov rời rạc.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Gaussian Process Modulated Poisson Process (GPM-PP):\u003C\u002Fstrong> dùng quá trình Gauss để mô tả cường độ trơn, linh hoạt.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Piecewise Constant Models:\u003C\u002Fstrong> chia thời gian thành các khoảng ngắn và coi \u003Cscript type=\"math\u002Ftex\"> \\Lambda \u003C\u002Fscript> không đổi trong mỗi khoảng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nViệc lựa chọn mô hình nền không chỉ ảnh hưởng đến khả năng mô tả dữ liệu mà còn đến hiệu quả tính toán. Với các ứng dụng thời gian thực, mô hình cần đủ linh hoạt nhưng vẫn đảm bảo khả năng ước lượng nhanh chóng, chính xác.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong tài chính định lượng\u003C\u002Fh2>\n\u003Cp>\nTrong tài chính, quá trình Cox được sử dụng để mô hình hóa các sự kiện rủi ro hiếm gặp nhưng có ảnh hưởng lớn, ví dụ như cú sụp giá cổ phiếu, sự kiện vỡ nợ, hoặc các cú nhảy đột ngột về thanh khoản. Những hiện tượng này không xảy ra đều đặn và thường bị ảnh hưởng bởi các yếu tố nền không quan sát được trực tiếp, như tâm lý thị trường hoặc rủi ro hệ thống.\n\u003C\u002Fp>\n\u003Cp>\nMột ứng dụng nổi bật là mô hình đánh giá rủi ro tín dụng theo tiếp cận giảm dạng (reduced-form). Trong mô hình này, xác suất vỡ nợ được mô tả bằng quá trình Poisson có cường độ ngẫu nhiên, phản ánh sự thay đổi của rủi ro theo thời gian. Công cụ như \u003Ca href=\"https:\u002F\u002Fwww.moodysanalytics.com\u002Fproducts\u002Fcreditedge\">Moody’s CreditEdge\u003C\u002Fa> sử dụng khái niệm này để phân tích xác suất vỡ nợ của công ty.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, quá trình này còn được dùng trong định giá phái sinh có chứa thành phần nhảy, ví dụ mô hình Merton hoặc Bates kết hợp chuyển động Brown với nhảy theo quá trình Poisson. Khi tích hợp thêm cường độ ngẫu nhiên, mô hình này mô tả tốt hơn sự biến động gián đoạn của giá tài sản.\n\u003C\u002Fp>\n\u003Cp>\nMột số mô hình trong tài chính sử dụng quá trình Poisson ngẫu nhiên kép:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.bis.org\u002Fpubl\u002Fwork409.pdf\">Jarrow–Turnbull Model:\u003C\u002Fa> mô hình hóa xác suất vỡ nợ có điều kiện theo tín hiệu rủi ro.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00780-005-0145-2\">Duffie–Singleton Model:\u003C\u002Fa> mô hình hóa rủi ro tín dụng với cấu trúc trạng thái tiềm ẩn.\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fpapers.ssrn.com\u002Fsol3\u002Fpapers.cfm?abstract_id=2042747\">Jump Diffusion with Stochastic Intensity:\u003C\u002Fa> mô phỏng giá tài sản có cú nhảy đột ngột phụ thuộc vào thời điểm thị trường.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Ch2>Ứng dụng trong thống kê và học máy\u003C\u002Fh2>\n\u003Cp>\nTrong thống kê Bayesian và học máy hiện đại, quá trình Poisson ngẫu nhiên kép được dùng để mô hình hóa dữ liệu sự kiện (event data) có cấu trúc thời gian và không gian phức tạp. Điển hình là các chuỗi sự kiện phi tuyến, phi định kỳ, nơi cường độ xảy ra sự kiện biến thiên theo yếu tố ẩn hoặc tín hiệu đầu vào động.\n\u003C\u002Fp>\n\u003Cp>\nMột mô hình nổi bật là Gaussian Process Modulated Poisson Process (GPM-PP), trong đó cường độ \u003Cscript type=\"math\u002Ftex\"> \\lambda(t) \u003C\u002Fscript> được mô hình như một quá trình Gaussian. Phương pháp này cho phép mô tả độ trơn mượt của cường độ trong thời gian và tích hợp dễ dàng vào khung Bayesian thông qua xấp xỉ biến phân hoặc MCMC. Ứng dụng trong lĩnh vực như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Dự đoán hành vi người dùng dựa trên lịch sử click, mua hàng, hoặc tương tác mạng xã hội.\u003C\u002Fli>\n  \u003Cli>Mô hình thời gian giữa các cơn động kinh, tai biến, hoặc các sự kiện y tế hiếm.\u003C\u002Fli>\n  \u003Cli>Đánh giá thời gian xảy ra lỗi trong hệ thống công nghiệp hoặc máy móc.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNgoài ra, quá trình Cox cũng là nền tảng cho các mô hình Hawkes mở rộng, mô tả sự tự kích thích và lan truyền theo thời gian trong mạng lưới. Các mô hình này đã được dùng trong dự báo hành vi người dùng trên nền tảng streaming, phát hiện sự kiện bất thường trong bảo mật mạng, hoặc phân tích tương tác giữa các nút mạng.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong viễn thông và y sinh\u003C\u002Fh2>\n\u003Cp>\nTrong viễn thông, quá trình Poisson ngẫu nhiên kép, đặc biệt là biến thể Markov Modulated Poisson Process (MMPP), được sử dụng để mô hình hóa lưu lượng mạng có tính thời vụ và thay đổi động. Cường độ gói tin đến không phải hằng số mà thay đổi theo trạng thái mạng, ví dụ như giờ cao điểm, nghẽn mạng, hoặc tấn công từ chối dịch vụ.\n\u003C\u002Fp>\n\u003Cp>\nMô hình MMPP có thể cải thiện khả năng dự đoán độ trễ, băng thông và tối ưu hóa tài nguyên phân bổ trong thiết kế hệ thống mạng. Tài liệu \u003Ca href=\"https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F4074336\">\"Modeling and performance evaluation of video traffic using MMPP\"\u003C\u002Fa> chỉ ra rằng việc dùng quá trình Cox giúp tăng độ chính xác khi mô phỏng hệ thống truyền thông thời gian thực.\n\u003C\u002Fp>\n\u003Cp>\nTrong y sinh, quá trình Cox được áp dụng để mô hình hóa sự kiện sinh lý như nhịp tim, co bóp mạch, hoặc thời gian tái phát bệnh. Với dữ liệu dạng chuỗi thời gian không đều và biến động cao, mô hình này cho phép bác sĩ dự đoán khả năng xảy ra biến cố y tế, lập kế hoạch điều trị cá nhân hóa và theo dõi bệnh nhân hiệu quả hơn.\n\u003C\u002Fp>\n\n\u003Ch2>Tính chất toán học nổi bật\u003C\u002Fh2>\n\u003Cp>\nMột số tính chất xác suất và giải tích quan trọng của quá trình Poisson ngẫu nhiên kép như sau:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Không có tính độc lập gia tăng như Poisson chuẩn, do cường độ ngẫu nhiên gây ra phụ thuộc theo thời gian.\u003C\u002Fli>\n  \u003Cli>Là quá trình không dừng nếu \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript> không dừng.\u003C\u002Fli>\n  \u003Cli>Không phải quá trình Markov, nhưng có thể trở thành Markov dưới điều kiện cường độ.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nKỳ vọng và phương sai số sự kiện tính đến thời điểm \u003Cscript type=\"math\u002Ftex\"> t \u003C\u002Fscript> được biểu diễn như sau:\n\u003Cscript type=\"math\u002Ftex\">\n\\mathbb{E}[N(t)] = \\mathbb{E}\\left[ \\int_0^t \\Lambda(s) ds \\right]\n\u003C\u002Fscript>\n\u003Cscript type=\"math\u002Ftex\">\n\\mathrm{Var}[N(t)] = \\mathbb{E}\\left[ \\int_0^t \\Lambda(s) ds \\right] + \\mathrm{Var}\\left( \\int_0^t \\Lambda(s) ds \\right)\n\u003C\u002Fscript>\nCông thức trên thể hiện rõ ảnh hưởng kép: phần đầu phản ánh ngẫu nhiên của Poisson, phần sau phản ánh ngẫu nhiên của cường độ.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, hàm sinh đặc trưng (moment-generating function) và công cụ Laplace transform cũng được phát triển để phân tích lý thuyết quá trình này trong các nghiên cứu toán xác suất nâng cao.\n\u003C\u002Fp>\n\n\u003Ch2>Ước lượng và suy luận tham số\u003C\u002Fh2>\n\u003Cp>\nƯớc lượng tham số cho quá trình Poisson ngẫu nhiên kép là một bài toán phức tạp do ta không quan sát trực tiếp cường độ \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript>. Các kỹ thuật phổ biến bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Ước lượng cực đại khả năng (MLE):\u003C\u002Fstrong> giả định dạng hàm cụ thể cho \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript>, tối ưu theo dữ liệu quan sát.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Bayesian inference:\u003C\u002Fstrong> dùng phân phối tiên nghiệm và hậu nghiệm, thường giải bằng MCMC hoặc xấp xỉ biến phân.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân rã Expectation-Maximization (EM):\u003C\u002Fstrong> nếu \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript> được xem như biến ẩn.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Học sâu:\u003C\u002Fstrong> sử dụng mạng nơ-ron để ước lượng \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript> từ dữ liệu đầu vào đầu-cuối (end-to-end).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMột thách thức lớn là cần dữ liệu chuỗi thời gian chi tiết và khả năng tính toán cao. Khi xử lý dữ liệu có nhiễu hoặc thiếu sót, mô hình dễ dẫn đến overfitting hoặc hội tụ sai. Các phương pháp khử nhiễu, chọn mô hình tối ưu và kiểm định độ phù hợp mô hình là những yếu tố không thể thiếu trong thực nghiệm.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và hướng nghiên cứu mở rộng\u003C\u002Fh2>\n\u003Cp>\nMặc dù linh hoạt và biểu đạt được nhiều đặc điểm động, quá trình Poisson ngẫu nhiên kép cũng có những hạn chế:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Khó xác định mô hình cường độ nền phù hợp trong thực tế.\u003C\u002Fli>\n  \u003Cli>Chi phí tính toán cao nếu sử dụng inference Bayesian hoặc mô hình không tham số.\u003C\u002Fli>\n  \u003Cli>Dữ liệu cần có độ phân giải thời gian cao để ước lượng chính xác.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nCác hướng nghiên cứu hiện nay tập trung vào:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Tích hợp deep learning để học hàm \u003Cscript type=\"math\u002Ftex\"> \\Lambda(t) \u003C\u002Fscript> từ dữ liệu phi cấu trúc.\u003C\u002Fli>\n  \u003Cli>Mô hình hóa không tham số hoặc semi-parametric để giảm phụ thuộc vào giả định cứng.\u003C\u002Fli>\n  \u003Cli>Phát triển phương pháp inference hiệu quả cho dữ liệu streaming và thời gian thực.\u003C\u002Fli>\n  \u003Cli>Kết hợp quá trình Cox với mạng Bayesian hoặc mô hình đồ thị để mô tả cấu trúc phụ thuộc phức tạp.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Cox DR. \"Some statistical methods connected with series of events.\" \u003Cem>Journal of the Royal Statistical Society. Series B\u003C\u002Fem>, 1955.\u003C\u002Fli>\n  \u003Cli>Kingman JFC. \"Poisson Processes.\" Oxford University Press, 1993.\u003C\u002Fli>\n  \u003Cli>Daley DJ, Vere-Jones D. \"An Introduction to the Theory of Point Processes.\" Springer, 2003.\u003C\u002Fli>\n  \u003Cli>Lloyd C, Gunter T, Osborne MA. \"Variational inference for Gaussian process modulated Poisson processes.\" \u003Cem>ICML\u003C\u002Fem>, 2015.\u003C\u002Fli>\n  \u003Cli>Reinhart A. \"A review of self-exciting spatio-temporal point processes and their applications.\" \u003Cem>Statistical Science\u003C\u002Fem>, 2018.\u003C\u002Fli>\n  \u003Cli>Neal RM. \"Bayesian learning for neural networks.\" Springer, 1996.\u003C\u002Fli>\n  \u003Cli>Snyder DL, Miller MI. \"Random Point Processes in Time and Space.\" Springer, 1991.\u003C\u002Fli>\n  \u003Cli>Streit R. \"Poisson Point Processes: Imaging, Tracking, and Sensing.\" Springer, 2010.\u003C\u002Fli>\n  \u003Cli>Yang Y, Zha H, et al. \"A unified point process framework for modeling information diffusion in social media.\" \u003Cem>KDD\u003C\u002Fem>, 2013.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":18,"researcherId":10,"name":19,"imageUrl":20},[13],1,false,"PUBLISHED","2025-11-10T03:47:44.614+00:00","2025-11-13T02:06:50.864+00:00","2025-11-13T02:06:50.861+00:00",140,[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."]