[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_thu%E1%BA%ADt%20to%C3%A1n%20%C4%91om%20%C4%91%C3%B3m{\"limit\":5}":3,"_public_topic_byId_thuật toán đom đóm":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":46,"createUser":56,"publishUser":60,"keywords":64,"keywordCount":75,"enrichTopicLink":76,"status":77,"createTime":78,"updateTime":79,"publishTime":80,"linkEnrichedTime":81,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":82,"relateTopics":83},"thuật toán đom đóm","Thuật toán đom đóm là gì? Các nghiên cứu khoa học liên quan","Thuật toán đom đóm là một phương pháp tối ưu metaheuristic lấy cảm hứng từ hành vi phát sáng của đom đóm để dẫn hướng tìm kiếm lời giải tốt hơn. Nó hoạt động dựa trên mức độ hấp dẫn ánh sáng giữa các cá thể, áp dụng hiệu quả cho các bài toán tối ưu liên tục, rời rạc và đa mục tiêu. ","\u003Ch2>Khái niệm thuật toán đom đóm\u003C\u002Fh2>\u003Cp>\u003Cstrong>Thuật toán đom đóm\u003C\u002Fstrong> (\u003Cem>Firefly algorithm \u002F FA\u003C\u002Fem>) Thuật toán đom đóm (FA) là thuật toán tối ưu hóa bầy đàn metaheuristic lấy cảm hứng từ đặc tính phát sáng nhấp nháy sinh học và mức độ hấp dẫn quang học tỷ lệ nghịch với khoảng cách giữa các cá thể đom đóm nhằm tìm kiếm nghiệm tối ưu toàn cục.\u003C\u002Fp>\u003Cp>Được đề xuất bởi Xin‑She Yang vào năm 2008, FA là một phần của dải thuật toán được phát triển dựa trên hiện tượng thiên nhiên, kết hợp giữa khai thác địa phương (local search) và khám phá toàn cục (global search). FA được áp dụng rộng rãi trong tối ưu hóa liên tục, tổ hợp, {{topic|%7B%22topic%22%3A%22thi%E1%BA%BFt%20k%E1%BA%BF%20k%E1%BB%B9%20thu%E1%BA%ADt%22%7D}} và điều chỉnh tham số hệ thống.\u003C\u002Fp>\u003Cp>Các tài liệu khoa học hàng đầu như Nature‑Inspired Metaheuristic Algorithms xuất bản bởi Springer là nguồn tham khảo gốc cung cấp nền tảng lý thuyết và ứng dụng phong phú của phương pháp này.\u003C\u002Fp>\u003Ch2>Nguyên lý hoạt động\u003C\u002Fh2>\u003Cp>Cơ chế FA dựa trên ba giả định chính:\u003C\u002Fp>\u003Cul>\u003Cli>Mỗi đom đóm có độ sáng (intensity) tỷ lệ thuận với chất lượng lời giải.\u003C\u002Fli>\u003Cli>Đom đóm kém sáng hơn di chuyển về phía đom đóm sáng hơn để cải thiện lời giải.\u003C\u002Fli>\u003Cli>Ánh sáng giảm dần theo khoảng cách, tạo ra sự kết hợp giữa hội tụ và duy trì đa dạng quần thể.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Hấp dẫn giữa hai cá thể được mô tả bởi công thức:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\beta = \\beta_0 e^{-\\gamma r^2}\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript> là hấp dẫn gốc khi khoảng cách bằng 0,\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">\\gamma\u003C\u002Fscript> là hệ số giảm sáng theo khoảng cách,\u003C\u002Fli>\u003Cli>\u003Cscript type=\"math\u002Ftex\">r\u003C\u002Fscript> là khoảng cách giữa hai lời giải (theo Euclide hoặc tùy chọn).\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Sự di chuyển của đom đóm i về phía đom đóm j được xác định như:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">x_i = x_i + \\beta (x_j - x_i) + \\alpha \\epsilon\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">\\alpha \\epsilon\u003C\u002Fscript> là phần ngẫu nhiên giúp duy trì độ đa dạng và khám phá tốt hơn các vùng không gian.\u003C\u002Fp>\u003Ch2>Các bước thực hiện thuật toán\u003C\u002Fh2>\u003Col>\u003Cli>Khởi tạo N đom đóm (lời giải) với vị trí ngẫu nhiên trong không gian tìm kiếm.\u003C\u002Fli>\u003Cli>Đánh giá độ sáng (hàm mục tiêu) cho từng cá thể.\u003C\u002Fli>\u003Cli>Với mỗi đom đóm i, di chuyển về phía đom đóm j nếu \u003Cscript type=\"math\u002Ftex\">I_j > I_i\u003C\u002Fscript>, sử dụng công thức di chuyển kết hợp ngẫu nhiên.\u003C\u002Fli>\u003Cli>Cập nhật độ sáng và vị trí sau mỗi bước. Lặp lại bước 3–4 đến khi thoả điều kiện dừng: đạt tối ưu, giới hạn bước lặp hoặc hội tụ gần đủ.\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Công thức di chuyển đảm bảo kết hợp giữa khai thác vùng tốt và khám phá toàn cục, tránh việc hội tụ vào cực trị địa phương quá sớm. Hệ số ngẫu nhiên \u003Cscript type=\"math\u002Ftex\">\\alpha\u003C\u002Fscript> thường giảm dần theo thời gian để siết hẹp không gian tìm kiếm.\u003C\u002Fp>\u003Cp>Hiệu quả thuật toán phụ thuộc vào lựa chọn tham số như \u003Cscript type=\"math\u002Ftex\">\\beta_0\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\gamma\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\alpha\u003C\u002Fscript> và số đom đóm N. Việc điều chỉnh thích hợp giúp cân bằng chính xác giữa {{topic|%7B%22topic%22%3A%22t%E1%BB%91c%20%C4%91%E1%BB%99%20h%E1%BB%99i%20t%E1%BB%A5%22%7D}} và chất lượng lời giải.\u003C\u002Fp>\u003Ch2>So sánh với các thuật toán tối ưu khác\u003C\u002Fh2>\u003Cp>So với các thuật toán swarm hoặc evolution khác, FA có những ưu điểm nổi bật:\u003C\u002Fp>\u003Cul>\u003Cli>Không cần lưu giữ cá thể tốt nhất toàn cục – mỗi đom đóm chỉ học từ những cá thể sáng hơn trong vùng lân cận.\u003C\u002Fli>\u003Cli>Cụm cục bộ tự hình thành, duy trì đa dạng quần thể để khám phá nhiều cực trị cùng lúc.\u003C\u002Fli>\u003Cli>Tính đơn giản trong triển khai, chỉ với vài tham số dễ hiểu và điều chỉnh.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Bảng so sánh đặc điểm chính:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Thuật toán\u003C\u002Fth>\u003Cth>Cơ chế cốt lõi\u003C\u002Fth>\u003Cth>Đặc điểm nổi trội\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Firefly Algorithm\u003C\u002Ftd>\u003Ctd>Hấp dẫn ánh sáng theo khoảng cách\u003C\u002Ftd>\u003Ctd>Đa cực trị, tự cân bằng giữa hội tụ và khám phá\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Particle Swarm Optimization\u003C\u002Ftd>\u003Ctd>Học từ cá thể toàn cục và cá thể tốt nhất\u003C\u002Ftd>\u003Ctd>Hội tụ nhanh nhưng dễ kẹt cực trị\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Genetic Algorithm\u003C\u002Ftd>\u003Ctd>Chọn lọc, lai ghép và đột biến\u003C\u002Ftd>\u003Ctd>Phù hợp bài toán rời rạc, khả năng đa dạng cao\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>FA có thể dễ dàng kết hợp với các phương pháp khác để tạo thuật toán hybrid, từ đó cải thiện hiệu quả giải quyết bài toán phức tạp như tối ưu nhiều mục tiêu, bài toán kết hợp hoặc thiết kế kỹ thuật.\u003C\u002Fp>\u003Ch2>Các biến thể của thuật toán đom đóm\u003C\u002Fh2>\u003Cp>Cùng với sự phát triển của các {{topic|%7B%22topic%22%3A%22b%C3%A0i%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%22%7D}} đa dạng, nhiều biến thể của thuật toán đom đóm (FA) đã được đề xuất để cải thiện hiệu năng và mở rộng ứng dụng. Những biến thể này nhằm khắc phục hạn chế trong hội tụ, tốc độ xử lý hoặc khả năng áp dụng với các loại không gian lời giải khác nhau.\u003C\u002Fp>\u003Cp>Một số biến thể nổi bật gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Discrete Firefly Algorithm (DFA):\u003C\u002Fstrong> điều chỉnh FA để hoạt động với các bài toán rời rạc như bài toán lập lịch, bài toán định tuyến, {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20lo%E1%BA%A1i%20nh%E1%BB%8B%20ph%C3%A2n%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hybrid Firefly Algorithm (HFA):\u003C\u002Fstrong> kết hợp FA với các thuật toán khác như PSO, GA, hoặc Simulated Annealing để tận dụng ưu thế từng mô hình.\u003C\u002Fli>\u003Cli>\u003Cstrong>Adaptive FA:\u003C\u002Fstrong> tự động điều chỉnh tham số \u003Cscript type=\"math\u002Ftex\">\\alpha\u003C\u002Fscript>, \u003Cscript type=\"math\u002Ftex\">\\gamma\u003C\u002Fscript> theo vòng lặp để tăng {{topic|%7B%22topic%22%3A%22t%C3%ADnh%20linh%20ho%E1%BA%A1t%22%7D}}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Multi-objective FA:\u003C\u002Fstrong> mở rộng thuật toán cho bài toán tối ưu nhiều mục tiêu đồng thời.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Việc lựa chọn biến thể phù hợp giúp cải thiện tốc độ hội tụ, độ chính xác và khả năng tìm cực trị toàn cục, đặc biệt trong không gian tìm kiếm phức tạp hoặc nhiều ràng buộc.\u003C\u002Fp>\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\u003Cp>Thuật toán đom đóm được áp dụng trong nhiều lĩnh vực kỹ thuật, công nghiệp và {{topic|%7B%22topic%22%3A%22khoa%20h%E1%BB%8Dc%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}}, nhờ tính linh hoạt và khả năng hội tụ ổn định.\u003C\u002Fp>\u003Cp>Các ứng dụng phổ biến bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Tối ưu tham số mạng nơron:\u003C\u002Fstrong> FA được dùng để tìm cấu hình trọng số tối ưu cho mạng học sâu, thay vì dùng thuật toán gradient descent.\u003C\u002Fli>\u003Cli>\u003Cstrong>Điều khiển công nghiệp:\u003C\u002Fstrong> tối ưu bộ điều khiển PID, các hệ thống robot hoặc thiết kế mạch điện tử.\u003C\u002Fli>\u003Cli>\u003Cstrong>Bài toán tổ hợp:\u003C\u002Fstrong> lập lịch công việc, định tuyến xe tải (VRP), bài toán ba lô (knapsack).\u003C\u002Fli>\u003Cli>\u003Cstrong>Thiết kế kỹ thuật:\u003C\u002Fstrong> tối ưu hình học kết cấu cơ khí, thiết bị nhiệt, hoặc vật liệu tổ hợp.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ngoài ra, FA còn được tích hợp vào các {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20h%E1%BB%97%20tr%E1%BB%A3%20quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh%22%7D}}, tối ưu năng lượng trong {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20th%E1%BB%91ng%20th%C3%B4ng%20minh%22%7D}}, và {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} lớn. Một số nghiên cứu gần đây tại \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0957417411002440\">ScienceDirect\u003C\u002Fa> chứng minh FA hiệu quả vượt trội so với PSO và GA trong xử lý dữ liệu phi tuyến và thời gian thực.\u003C\u002Fp>\u003Ch2>Đánh giá ưu và nhược điểm\u003C\u002Fh2>\u003Cp>Thuật toán đom đóm được đánh giá cao nhờ khả năng đơn giản hóa việc lập trình, tính mô đun và tính linh hoạt trong triển khai.\u003C\u002Fp>\u003Cp>\u003Cstrong>Ưu điểm chính:\u003C\u002Fstrong>\u003C\u002Fp>\u003Cul>\u003Cli>Cấu trúc thuật toán rõ ràng, dễ lập trình và mở rộng.\u003C\u002Fli>\u003Cli>Khả năng tìm cực trị toàn cục tốt nhờ mô hình ánh sáng – khoảng cách.\u003C\u002Fli>\u003Cli>Thích hợp với các bài toán phi tuyến, không khả vi hoặc nhiều cực trị.\u003C\u002Fli>\u003Cli>Dễ tích hợp vào hệ thống {{topic|%7B%22topic%22%3A%22t%C3%ADnh%20to%C3%A1n%20ph%C3%A2n%20t%C3%A1n%22%7D}} hoặc ứng dụng thời gian thực.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>\u003Cstrong>Hạn chế cần lưu ý:\u003C\u002Fstrong>\u003C\u002Fp>\u003Cul>\u003Cli>Hiệu suất phụ thuộc nhiều vào việc lựa chọn tham số phù hợp.\u003C\u002Fli>\u003Cli>Có thể bị chậm hội tụ nếu không điều chỉnh hệ số tắt sáng hợp lý.\u003C\u002Fli>\u003Cli>Trong bài toán lớn, cần cơ chế tăng cường để duy trì độ đa dạng quần thể.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Một số phương pháp tăng cường hiệu quả gồm: sử dụng giải pháp học tăng cường tham số, hybrid với các phương pháp khác hoặc thay đổi công thức ánh sáng theo logic mờ (fuzzy logic).\u003C\u002Fp>\u003Ch2>Triển vọng nghiên cứu và phát triển\u003C\u002Fh2>\u003Cp>FA tiếp tục là một chủ đề nghiên cứu tích cực, được phát triển cả về lý thuyết lẫn ứng dụng trong bối cảnh công nghệ 4.0. Những xu hướng phát triển đáng chú ý:\u003C\u002Fp>\u003Cul>\u003Cli>Phát triển FA lượng tử (Quantum Firefly Algorithm) ứng dụng logic lượng tử cho tính ngẫu nhiên.\u003C\u002Fli>\u003Cli>Kết hợp FA với học máy (machine learning), học sâu (deep learning) để huấn luyện mô hình thông minh hơn.\u003C\u002Fli>\u003Cli>Tối ưu hóa thời gian thực trong hệ thống IoT, robot tự hành và smart grid.\u003C\u002Fli>\u003Cli>Phát triển FA song song (parallel FA) để tăng tốc xử lý với GPU hoặc cụm máy tính.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ngoài ra, việc ứng dụng FA trong các lĩnh vực phi truyền thống như kinh tế lượng, y học cá thể hóa, dự đoán thị trường và mô hình dịch tễ học là những hướng đi giàu tiềm năng. Tính linh hoạt và khả năng thích nghi khiến FA trở thành công cụ mạnh mẽ không chỉ trong kỹ thuật mà còn trong các lĩnh vực xã hội và nhân văn.\u003C\u002Fp>\u003Ch2>Kết luận\u003C\u002Fh2>\u003Cp>Thuật toán đom đóm là một mô hình tối ưu metaheuristic mạnh mẽ, lấy cảm hứng từ tự nhiên với đặc điểm đơn giản, hiệu quả và dễ mở rộng. Nhờ khả năng khám phá tốt và cơ chế hội tụ đa dạng, FA trở thành công cụ hữu ích trong nhiều lĩnh vực từ kỹ thuật đến khoa học dữ liệu. Tiềm năng phát triển trong tương lai của FA nằm ở sự kết hợp với trí tuệ nhân tạo, học tăng cường và tính toán phân tán.\u003C\u002Fp>","Thuật toán đom đóm","Firefly algorithm \u002F FA","Thuật toán đom đóm (FA) là thuật toán tối ưu hóa bầy đàn metaheuristic lấy cảm hứng từ đặc tính phát sáng nhấp nháy sinh học và mức độ hấp dẫn quang học tỷ lệ nghịch với khoảng cách giữa các cá thể đom đóm nhằm tìm kiếm nghiệm tối ưu toàn cục.","ENGINEERING_TECHNOLOGY",[22,30,38],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":29},"Fateen, Bonilla-Petriciolet (2013). Intelligent Firefly Algorithm for Global Optimization. Studies in Computational Intelligence Cuckoo Search and Firefly Algorithm.","Intelligent Firefly Algorithm for Global Optimization","Fateen, Bonilla-Petriciolet","Studies in Computational Intelligence Cuckoo Search and Firefly Algorithm",2013,"10.1007\u002F978-3-319-02141-6_15","https:\u002F\u002Fdoi.org\u002F10.1007\u002F978-3-319-02141-6_15",{"citationText":31,"title":32,"authors":33,"source":34,"year":35,"doi":36,"url":37},"Akinsunmade (2025). Bio-Inspired Optimization: A hearing-based metaheuristic Algorithm for Global Optimization Problems. Springer Science and Business Media LLC.","Bio-Inspired Optimization: A hearing-based metaheuristic Algorithm for Global Optimization Problems","Akinsunmade","Springer Science and Business Media LLC",2025,"10.21203\u002Frs.3.rs-6785352\u002Fv1","https:\u002F\u002Fdoi.org\u002F10.21203\u002Frs.3.rs-6785352\u002Fv1",{"citationText":39,"title":40,"authors":41,"source":42,"year":43,"doi":44,"url":45},"Ovelade, Ezugwu (2021). Ebola Optimization Search Algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems. 2021 International Conference on Electrical, Computer and Energy Technologies (ICECET).","Ebola Optimization Search Algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems","Ovelade, Ezugwu","2021 International Conference on Electrical, Computer and Energy Technologies (ICECET)",2021,"10.1109\u002Ficecet52533.2021.9698813","https:\u002F\u002Fdoi.org\u002F10.1109\u002Ficecet52533.2021.9698813",[47,50,53],{"question":48,"answer":49},"Hàm lực hấp dẫn ánh sáng trong thuật toán đom đóm biến thiên theo khoảng cách như thế nào?","Độ hấp dẫn beta giảm dần theo hàm mũ của bình phương khoảng cách r giữa hai đom đóm: beta(r) = beta0 * exp(-gamma * r^2), với gamma là hệ số hấp thụ ánh sáng của môi trường.",{"question":51,"answer":52},"Tham số ngẫu nhiên alpha trong thuật toán đom đóm đóng vai trò gì?","Tham số alpha kiểm soát bước nhảy ngẫu nhiên trong không gian tìm kiếm, giúp thuật toán thoát khỏi các cực trị cục bộ và duy trì tính đa dạng của bầy đàn cá thể.",{"question":54,"answer":55},"Thuật toán đom đóm vượt trội hơn thuật toán bầy đàn hạt (PSO) ở những đặc điểm nào?","FA tự động phân chia bầy đàn thành các nhóm nhỏ tìm kiếm xung quanh nhiều cực trị địa phương đồng thời, giúp giải quyết hiệu quả các bài toán tối ưu hóa đa đỉnh (multimodal optimization).",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":61,"researcherId":10,"name":62,"imageUrl":63},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[65,66,67,68,69,70,71,72,73,74],"thiết kế kỹ thuật","tốc độ hội tụ","bài toán tối ưu","phân loại nhị phân","tính linh hoạt","khoa học dữ liệu","hệ thống hỗ trợ quyết định","hệ thống thông minh","xử lý dữ liệu","tính toán phân tán",10,true,"PUBLISHED","2025-06-10T08:09:21.514+00:00","2026-09-11T08:09:22.873+00:00","2025-06-12T02:16:49.718+00:00","2026-09-11T08:09:22.434+00:00",294,[84,87,90,93,96,99,102,105,108,111],{"id":85,"title":86,"term":85,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"syngas","Syngas là gì? Các bài báo nghiên cứu khoa học về Syngas",{"id":88,"title":89,"term":88,"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":91,"title":92,"term":91,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":94,"title":95,"term":94,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":97,"title":98,"term":97,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phương pháp luận","Phương pháp luận là gì? Các 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},"năng lực nghiên cứu khoa học","Năng lực nghiên cứu khoa học là gì? Các bài báo phân tích",{"id":103,"title":104,"term":103,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ngôn ngữ học tri nhận","Ngôn ngữ học tri nhận là gì? Nghiên cứu khoa học liên quan",{"id":106,"title":107,"term":106,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hiệu suất học tập","Hiệu suất học tập 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},"không gian mạng","Không gian mạng là gì? Các nghiên cứu khoa học liên quan",{"id":112,"title":113,"term":112,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giễu nhại","Giễu nhại là gì? Các công bố khoa học về Giễu nhại"]