[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%C3%ACm%20ki%E1%BA%BFm%20heuristic{\"limit\":5}":3,"_public_topic_byId_t%C3%ACm%20ki%E1%BA%BFm%20heuristic":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":25,"keywordCount":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"wikidataId":10,"relateTopics":32},"tìm kiếm heuristic","Tìm kiếm heuristic là gì? Các nghiên cứu khoa học liên quan","Tìm kiếm heuristic là nhóm phương pháp trong trí tuệ nhân tạo sử dụng tri thức miền và hàm ước lượng để định hướng tìm lời giải hiệu quả trong không gian trạng thái. Các thuật toán heuristic khác tìm kiếm mù ở chỗ chúng ưu tiên trạng thái hứa hẹn, giúp giảm chi phí tính toán mà vẫn đạt mục tiêu tối ưu trong nhiều bài toán. ","\u003Cdiv>\u003Ch2>Giới thiệu chung về tìm kiếm heuristic\u003C\u002Fh2>\n\u003Cp>\nTìm kiếm heuristic là một hướng tiếp cận quan trọng trong trí tuệ nhân tạo và khoa học máy tính, được thiết kế để giải quyết các bài toán tìm kiếm\ntrong không gian trạng thái có quy mô lớn hoặc rất lớn. Trong các bài toán này, việc duyệt toàn bộ không gian bằng các phương pháp vét cạn\nthường không khả thi do giới hạn về thời gian và bộ nhớ. Tìm kiếm heuristic ra đời nhằm khắc phục hạn chế đó bằng cách tận dụng thông tin bổ sung\nvề cấu trúc của bài toán.\n\u003C\u002Fp>\n\u003Cp>\nKhác với các thuật toán tìm kiếm không có thông tin (uninformed search) như tìm kiếm theo chiều rộng hay chiều sâu,\ntìm kiếm heuristic sử dụng tri thức miền (domain knowledge) để đánh giá mức độ “hứa hẹn” của từng trạng thái.\nTri thức này không đảm bảo luôn chính xác, nhưng đủ tốt để dẫn dắt quá trình tìm kiếm theo những hướng có khả năng đạt mục tiêu nhanh hơn.\n\u003C\u002Fp>\n\u003Cp>\nTrong thực tế, tìm kiếm heuristic không chỉ là một kỹ thuật đơn lẻ mà là một họ các phương pháp.\nChúng được ứng dụng rộng rãi trong các hệ thống lập kế hoạch, robot tự hành, trò chơi trí tuệ, và các bài toán tối ưu hóa.\nHiệu quả của tìm kiếm heuristic khiến nó trở thành nền tảng cho nhiều thuật toán AI hiện đại.\n\u003C\u002Fp>\n\n\u003Ch2>Khái niệm heuristic và hàm heuristic\u003C\u002Fh2>\n\u003Cp>\nHeuristic có thể được hiểu là một quy tắc kinh nghiệm hoặc một phương pháp xấp xỉ,\nđược dùng để đưa ra ước lượng nhanh trong quá trình ra quyết định.\nTrong bối cảnh tìm kiếm, heuristic không nhằm đưa ra lời giải chính xác tuyệt đối,\nmà nhằm cung cấp một chỉ dẫn hợp lý giúp giảm số lượng trạng thái cần xem xét.\n\u003C\u002Fp>\n\u003Cp>\nHeuristic trong tìm kiếm thường được mô hình hóa bằng một hàm số, gọi là hàm heuristic, ký hiệu là \u003Cem>h(n)\u003C\u002Fem>.\nHàm này nhận đầu vào là một trạng thái hoặc một nút \u003Cem>n\u003C\u002Fem> trong không gian tìm kiếm,\nvà trả về một giá trị ước lượng chi phí cần thiết để đi từ \u003Cem>n\u003C\u002Fem> đến trạng thái mục tiêu.\nGiá trị này có thể đại diện cho khoảng cách, thời gian, năng lượng, hoặc bất kỳ thước đo chi phí nào phù hợp với bài toán.\n\u003C\u002Fp>\n\u003Cp>\nMột số đặc điểm thường thấy của hàm heuristic bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Dễ tính toán và không tốn nhiều tài nguyên.\u003C\u002Fli>\n  \u003Cli>Dựa trên tri thức miền hoặc các đặc trưng quan sát được của trạng thái.\u003C\u002Fli>\n  \u003Cli>Không yêu cầu phải chính xác tuyệt đối.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nVí dụ, trong bài toán tìm đường trên bản đồ, heuristic phổ biến là khoảng cách đường thẳng (Euclidean distance)\nhoặc khoảng cách Manhattan giữa vị trí hiện tại và đích đến.\nNhững ước lượng này đơn giản nhưng thường đủ tốt để cải thiện đáng kể hiệu quả tìm kiếm.\n\u003C\u002Fp>\n\n\u003Ch2>Cơ sở lý thuyết của tìm kiếm heuristic\u003C\u002Fh2>\n\u003Cp>\nVề mặt lý thuyết, tìm kiếm heuristic được xây dựng trên mô hình không gian trạng thái.\nMột bài toán tìm kiếm được biểu diễn thông qua các thành phần cơ bản:\ntập trạng thái, trạng thái ban đầu, tập hành động, hàm chuyển trạng thái,\nvà tập trạng thái mục tiêu. Mỗi trạng thái tương ứng với một nút trong đồ thị tìm kiếm.\n\u003C\u002Fp>\n\u003Cp>\nQuá trình tìm kiếm có thể được xem như việc duyệt một đồ thị hoặc cây trạng thái,\ntrong đó các cạnh biểu diễn hành động và các nút biểu diễn trạng thái.\nHeuristic đóng vai trò như một hàm đánh giá bổ sung,\ngiúp thuật toán quyết định nút nào nên được mở rộng trước trong tập các nút biên.\n\u003C\u002Fp>\n\u003Cp>\nBảng dưới đây tóm tắt sự khác biệt cơ bản giữa tìm kiếm không có thông tin và tìm kiếm heuristic:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí\u003C\u002Fth>\n    \u003Cth>Tìm kiếm không có thông tin\u003C\u002Fth>\n    \u003Cth>Tìm kiếm heuristic\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Thông tin sử dụng\u003C\u002Ftd>\n    \u003Ctd>Chỉ dựa vào cấu trúc bài toán\u003C\u002Ftd>\n    \u003Ctd>Kết hợp tri thức miền\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Thứ tự mở rộng nút\u003C\u002Ftd>\n    \u003Ctd>Cố định hoặc ngẫu nhiên\u003C\u002Ftd>\n    \u003Ctd>Dựa trên đánh giá heuristic\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Hiệu quả\u003C\u002Ftd>\n    \u003Ctd>Thường thấp với không gian lớn\u003C\u002Ftd>\n    \u003Ctd>Cao hơn nếu heuristic tốt\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\nTừ góc nhìn lý thuyết, tìm kiếm heuristic chấp nhận đánh đổi giữa tính chính xác và hiệu quả.\nViệc phân tích và đánh giá chất lượng heuristic là một chủ đề nghiên cứu quan trọng trong AI.\n\u003C\u002Fp>\n\n\u003Ch2>Phân loại các thuật toán tìm kiếm heuristic\u003C\u002Fh2>\n\u003Cp>\nCác thuật toán tìm kiếm heuristic có thể được phân loại dựa trên cách chúng sử dụng thông tin heuristic\nvà cách chúng quản lý chi phí tìm kiếm. Một cách phân loại phổ biến là dựa trên hàm đánh giá\nđược dùng để sắp xếp thứ tự mở rộng các nút trong không gian tìm kiếm.\n\u003C\u002Fp>\n\u003Cp>\nMột số nhóm thuật toán tiêu biểu bao gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Tìm kiếm tham lam (Greedy Best-First Search), chỉ sử dụng \u003Cem>h(n)\u003C\u002Fem> để lựa chọn nút.\u003C\u002Fli>\n  \u003Cli>Tìm kiếm kết hợp chi phí, tiêu biểu là A*, sử dụng cả chi phí đã đi và chi phí ước lượng.\u003C\u002Fli>\n  \u003Cli>Các biến thể tối ưu bộ nhớ như IDA* hoặc RBFS.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nNgoài ra, các thuật toán còn có thể được phân loại theo đặc tính như:\nđảm bảo tìm được lời giải hay không (tính đầy đủ),\ncó đảm bảo lời giải tối ưu hay không,\nvà mức độ tiêu thụ tài nguyên tính toán.\nSự đa dạng này cho phép tìm kiếm heuristic được áp dụng linh hoạt\ntrong nhiều bối cảnh và yêu cầu khác nhau.\n\u003C\u002Fp>\n\u003Ch2>Thuật toán A* và vai trò trung tâm trong tìm kiếm heuristic\u003C\u002Fh2>\n\u003Cp>\nThuật toán A* là một trong những thuật toán tìm kiếm heuristic được nghiên cứu và ứng dụng rộng rãi nhất.\nĐiểm cốt lõi của A* nằm ở việc kết hợp hai nguồn thông tin: chi phí thực tế từ trạng thái ban đầu đến nút hiện tại\nvà chi phí ước lượng từ nút đó đến trạng thái mục tiêu. Sự kết hợp này cho phép A* vừa có định hướng,\nvừa duy trì khả năng tìm ra lời giải tối ưu trong nhiều điều kiện.\n\u003C\u002Fp>\n\u003Cp>\nCụ thể, A* sử dụng hàm đánh giá \u003Cem>f(n)\u003C\u002Fem> để sắp xếp thứ tự mở rộng các nút trong hàng đợi ưu tiên.\nHàm này được định nghĩa như sau:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\nf(n) = g(n) + h(n)\n\u003C\u002Fscript>\n\u003Cp>\nTrong đó \u003Cem>g(n)\u003C\u002Fem> là chi phí nhỏ nhất đã biết từ trạng thái ban đầu đến \u003Cem>n\u003C\u002Fem>,\ncòn \u003Cem>h(n)\u003C\u002Fem> là hàm heuristic ước lượng chi phí từ \u003Cem>n\u003C\u002Fem> đến mục tiêu.\nNhờ cấu trúc này, A* có thể được xem là sự tổng quát hóa của nhiều thuật toán khác.\n\u003C\u002Fp>\n\u003Cp>\nMột số đặc điểm quan trọng của A*:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Có thể đảm bảo tìm được lời giải tối ưu nếu heuristic thỏa mãn điều kiện nhất định.\u003C\u002Fli>\n  \u003Cli>Linh hoạt trong việc lựa chọn heuristic cho từng bài toán cụ thể.\u003C\u002Fli>\n  \u003Cli>Hiệu quả cao trong các bài toán tìm đường và lập kế hoạch.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tính chấp nhận được và tính nhất quán của heuristic\u003C\u002Fh2>\n\u003Cp>\nChất lượng của một heuristic không chỉ ảnh hưởng đến tốc độ tìm kiếm\nmà còn quyết định việc thuật toán có đảm bảo tính tối ưu hay không.\nHai khái niệm quan trọng thường được dùng để đánh giá heuristic là tính chấp nhận được\n(admissibility) và tính nhất quán (consistency).\n\u003C\u002Fp>\n\u003Cp>\nMột heuristic được gọi là chấp nhận được nếu với mọi nút \u003Cem>n\u003C\u002Fem>,\ngiá trị \u003Cem>h(n)\u003C\u002Fem> không bao giờ lớn hơn chi phí thực tế ngắn nhất từ \u003Cem>n\u003C\u002Fem> đến mục tiêu.\nĐiều này đảm bảo rằng heuristic không “quá lạc quan” theo hướng sai lệch,\ntừ đó A* sẽ không bỏ qua lời giải tối ưu.\n\u003C\u002Fp>\n\u003Cp>\nHeuristic nhất quán là một dạng mạnh hơn của heuristic chấp nhận được.\nNó yêu cầu rằng với mọi cặp nút kề nhau \u003Cem>n\u003C\u002Fem> và \u003Cem>n'\u003C\u002Fem>,\ngiá trị heuristic phải thỏa mãn bất đẳng thức tam giác.\nKhi heuristic nhất quán, chi phí \u003Cem>f(n)\u003C\u002Fem> của các nút được mở rộng sẽ không giảm,\ngiúp thuật toán hoạt động ổn định và đơn giản hơn trong cài đặt.\n\u003C\u002Fp>\n\n\u003Ch2>Ưu điểm và hạn chế của tìm kiếm heuristic\u003C\u002Fh2>\n\u003Cp>\nƯu điểm nổi bật nhất của tìm kiếm heuristic là khả năng giảm đáng kể số lượng trạng thái cần duyệt.\nTrong nhiều bài toán thực tế, sự khác biệt về hiệu năng giữa tìm kiếm heuristic\nvà tìm kiếm không có thông tin là rất lớn, thậm chí mang tính quyết định.\nĐiều này đặc biệt quan trọng khi không gian trạng thái tăng theo cấp số nhân.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, tìm kiếm heuristic cho phép tích hợp tri thức miền một cách linh hoạt.\nCác nhà thiết kế hệ thống có thể khai thác hiểu biết về cấu trúc bài toán\nđể xây dựng heuristic phù hợp, từ đó cải thiện hiệu quả mà không cần thay đổi thuật toán cốt lõi.\n\u003C\u002Fp>\n\u003Cp>\nTuy nhiên, phương pháp này cũng tồn tại những hạn chế rõ ràng:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Thiết kế heuristic tốt thường khó và tốn công.\u003C\u002Fli>\n  \u003Cli>Heuristic kém chất lượng có thể khiến thuật toán hoạt động không hiệu quả.\u003C\u002Fli>\n  \u003Cli>Một số thuật toán heuristic tiêu tốn nhiều bộ nhớ.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng thực tiễn của tìm kiếm heuristic\u003C\u002Fh2>\n\u003Cp>\nTìm kiếm heuristic được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau của khoa học và kỹ thuật.\nMột trong những ứng dụng phổ biến nhất là bài toán tìm đường đi ngắn nhất\ntrong đồ thị, chẳng hạn như định tuyến giao thông, trò chơi điện tử,\nhoặc robot tự hành trong môi trường thực.\n\u003C\u002Fp>\n\u003Cp>\nTrong lĩnh vực lập kế hoạch tự động, tìm kiếm heuristic giúp các hệ thống AI\nxác định chuỗi hành động tối ưu để đạt mục tiêu.\nCác hệ thống lập lịch, lập kế hoạch sản xuất, và điều phối tài nguyên\nđều tận dụng mạnh mẽ các kỹ thuật này.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, tìm kiếm heuristic còn xuất hiện trong:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Các trò chơi chiến thuật và trí tuệ.\u003C\u002Fli>\n  \u003Cli>Bài toán tối ưu hóa tổ hợp.\u003C\u002Fli>\n  \u003Cli>Hệ thống hỗ trợ ra quyết định.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Hướng nghiên cứu và phát triển hiện nay\u003C\u002Fh2>\n\u003Cp>\nCác nghiên cứu gần đây tập trung vào việc kết hợp tìm kiếm heuristic\nvới các phương pháp học máy nhằm tự động sinh hoặc cải thiện heuristic.\nThay vì thiết kế thủ công, hệ thống có thể học heuristic từ dữ liệu hoặc kinh nghiệm trước đó.\n\u003C\u002Fp>\n\u003Cp>\nMột hướng khác là phát triển các thuật toán tìm kiếm heuristic\ncó khả năng xử lý không gian trạng thái rất lớn hoặc động,\nnơi môi trường và mục tiêu có thể thay đổi theo thời gian.\nNhững cải tiến này đặc biệt quan trọng trong robot và hệ thống tự hành.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, việc tối ưu hóa bộ nhớ và khả năng song song hóa\ncũng là những chủ đề được quan tâm,\nnhằm đưa tìm kiếm heuristic vào các hệ thống quy mô lớn và thời gian thực.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>\n    Russell, S., Norvig, P. \u003Cem>Artificial Intelligence: A Modern Approach\u003C\u002Fem>, Pearson.\n    \u003Ca href=\"https:\u002F\u002Faima.cs.berkeley.edu\u002F\" target=\"_blank\" rel=\"noopener\">\n      https:\u002F\u002Faima.cs.berkeley.edu\u002F\n    \u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    Stanford University – CS221: Artificial Intelligence, Search Algorithms.\n    \u003Ca href=\"https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs221\u002F\" target=\"_blank\" rel=\"noopener\">\n      https:\u002F\u002Fweb.stanford.edu\u002Fclass\u002Fcs221\u002F\n    \u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    MIT OpenCourseWare – Artificial Intelligence.\n    \u003Ca href=\"https:\u002F\u002Focw.mit.edu\u002Fcourses\u002F6-034-artificial-intelligence-fall-2010\u002F\" target=\"_blank\" rel=\"noopener\">\n      https:\u002F\u002Focw.mit.edu\u002Fcourses\u002F6-034-artificial-intelligence-fall-2010\u002F\n    \u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    Hart, P. E., Nilsson, N. J., & Raphael, B. (1968). A Formal Basis for the Heuristic Determination of Minimum Cost Paths.\n    \u003Ca href=\"https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F4082128\" target=\"_blank\" rel=\"noopener\">\n      https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F4082128\n    \u003C\u002Fa>\n  \u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-12-01T11:27:49.304+00:00","2026-01-30T17:04:26.337+00:00","2026-01-30T17:04:26.334+00:00",65,[33,43,53,58,68,73,78,83,88,98],{"id":34,"title":35,"term":34,"englishTitle":36,"definition":37,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"kết hợp","Kết hợp là gì? Các bài báo nghiên cứu khoa học liên quan","combination","Kết hợp (tổ hợp) là cách chọn một tập con gồm k phần tử không phân biệt thứ tự từ một tập hợp gồm n phần tử cho trước.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":44,"title":45,"term":44,"englishTitle":46,"definition":47,"discipline":48,"disciplineCode":49,"disciplineLabel":50,"disciplineColor":51,"disciplineIcon":52},"tiếng nhật","Tiếng nhật là gì? Các bài báo nghiên cứu khoa học liên quan","Japanese language","Tiếng Nhật (tiếng Nhật: 日本語, chuyển tự: Nihongo) là ngôn ngữ chính thức trên thực tế của Nhật Bản thuộc ngữ hệ Nhật Bản - Ryukyu, có đặc trưng loại hình là ngôn ngữ chắp dính với cấu trúc đầu hạt đứng sau và hệ thống chữ viết kết hợp đa dạng.","HUMANITIES","humanities","Nhân văn và nghệ thuật","#9333EA","book-open",{"id":54,"title":55,"term":54,"englishTitle":56,"definition":57,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"lý thuyết đại diện","Lý thuyết đại diện là gì? Các nghiên cứu khoa học liên quan","Representation theory","Lý thuyết đại diện (tiếng Anh: representation theory, thường được gọi là lý thuyết biểu diễn) là phân ngành toán học nghiên cứu các cấu trúc đại số trừu tượng thông qua việc mô hình hóa các phần tử của chúng dưới dạng các toán tử tuyến tính trên không gian véc tơ.",{"id":59,"title":60,"term":59,"englishTitle":61,"definition":62,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"tai nạn thương tích","Tai nạn thương tích là gì? Các bài báo nghiên cứu khoa học","Injury and Violence","Tai nạn thương tích (tiếng Anh: injury hoặc trauma) là tổn thương thực thể cấp tính trên cơ thể người phát sinh khi tiếp xúc đột ngột với các dạng năng lượng vượt quá ngưỡng sinh lý bình thường hoặc do thiếu hụt các yếu tố sinh tồn thiết yếu.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":69,"title":70,"term":69,"englishTitle":71,"definition":72,"discipline":38,"disciplineCode":39,"disciplineLabel":40,"disciplineColor":41,"disciplineIcon":42},"động lực phi tuyến","Động lực phi tuyến là gì? Các nghiên cứu khoa học liên quan","Nonlinear dynamics","Động lực phi tuyến là phân ngành nghiên cứu hành vi của các hệ thống mà đầu ra không tỷ lệ thuận với đầu vào, đặc trưng bởi các hiện tượng phân nhánh, dao động tự kích và hỗn loạn tất định.",{"id":74,"title":75,"term":74,"englishTitle":76,"definition":77,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"độc hoạt tang ký sinh","Độc hoạt tang ký sinh là gì? Nghiên cứu khoa học liên quan","Duhuo Jisheng Decoction","Độc hoạt tang ký sinh (danh pháp bài thuốc: Duhuo Jisheng Tang hoặc Duhuo Jisheng Decoction) là bài thuốc cổ phương kinh điển xuất xứ từ tác phẩm Thiên Kim Yếu Phương của danh y Tôn Tư Mạo, chuyên trị chứng đau nhức xương khớp, thoái hóa khớp và đau thần kinh tọa do phong hàn thấp kết hợp can thận hư suy.",{"id":79,"title":80,"term":79,"englishTitle":81,"definition":82,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"phân suất tống máu bảo tồn","Phân suất tống máu bảo tồn là gì? Các nghiên cứu khoa học","Heart failure with preserved ejection fraction","Suy tim có phân suất tống máu bảo tồn (HFpEF) là hội chứng suy tim lâm sàng trong đó phân suất tống máu thất trái vẫn duy trì ≥ 50% nhưng buồng tim bị suy giảm chức năng giãn nở và đổ đầy trong thì tâm trương.",{"id":84,"title":85,"term":84,"englishTitle":86,"definition":87,"discipline":63,"disciplineCode":64,"disciplineLabel":65,"disciplineColor":66,"disciplineIcon":67},"ngừng tim","Ngừng tim là gì? Các bài báo nghiên cứu khoa học liên quan","Cardiac arrest","Ngừng tim là tình trạng y tế khẩn cấp đặc trưng bởi sự ngừng trệ đột ngột chức năng co bóp bơm máu của tim, dẫn đến mất tuần hoàn toàn thân và ngưng tưới máu não.",{"id":89,"title":90,"term":89,"englishTitle":91,"definition":92,"discipline":93,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"kỹ năng xã hội","Kỹ năng xã hội là gì? Các bài nghiên cứu khoa học liên quan","Social skills","Kỹ năng xã hội là hệ thống các khả năng, hành vi và chiến lược tâm lý có thể học hỏi được, giúp cá nhân tương tác, giao tiếp hiệu quả và thích ứng linh hoạt trong các mối quan hệ xã hội.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":93,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"kỹ năng sống","Kỹ năng sống là gì? Các bài nghiên cứu khoa học liên quan","Life skills","Kỹ năng sống (tiếng Anh: life skills) là tập hợp các năng lực tâm lý xã hội và hành vi thích ứng giúp cá nhân đối diện và giải quyết hiệu quả các tình huống, nhu cầu và thách thức phát sinh trong đời sống thường nhật."]