[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_x%E1%BB%AD%20l%C3%BD%20d%E1%BB%AF%20li%E1%BB%87u{\"limit\":5}":3,"_public_topic_byId_xử lý dữ liệu":40},{"code":4,"data":5,"meta":11},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":38,"vietnamLatest":39},[],[8,24],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":11,"url":21,"doi":22,"summary":23},"605c7b33-c5f9-41ee-8693-52ca410dbd37","Shipborne gravimetry in the Baltic Sea: data processing strategies, crucial findings and preliminary geoid determination tests",null,[13,14,15],"Biao Lu","Franz Barthelmes","Min Li",11,"Journal of Geodesy",false,"2019-01-22",2019,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs00190-018-01225-7","10.1007\u002Fs00190-018-01225-7","\u003Cp>Khảo sát trắc địa biển đề xuất quy trình \u003Cb class=\"publication-topic-keywords\">xử lý dữ liệu\u003C\u002Fb> trọng lực thu thập từ các chuyến hải trình trên biển Baltic kết hợp kỹ thuật phân tích điểm giao cắt crossover. Tác giả hiệu chỉnh triệt để sai số trôi dạt của cảm biến gia tốc kế và đối chiếu độ chính xác với dữ liệu đo từ máy bay. Kết quả góp phần chuẩn hóa lưới dị thường trọng lực phục vụ mô hình hóa độ cao hải dương học.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":11,"authorNames":27,"authorCount":31,"journalName":32,"vietnamJournal":18,"publishDate":33,"publishYear":34,"totalCitation":11,"url":35,"doi":36,"summary":37},"705c16aa-7268-4ec8-83fc-df7d89b115ce","Data-Driven Short-Term Forecasting for Urban Road Network Traffic Based on Data Processing and LSTM-RNN",[28,29,30],"Wang Xiangxue","Xu Lunhui","Chen Kaixun",3,"Arabian Journal for Science and Engineering","2018-06-20",2018,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs13369-018-3390-0","10.1007\u002Fs13369-018-3390-0","\u003Cp>Nghiên cứu giao thông thông minh ứng dụng mạng nơ-ron tích chập đồ thị động để \u003Cb class=\"publication-topic-keywords\">xử lý dữ liệu\u003C\u002Fb> chuỗi thời gian lớn và dự báo ngắn hạn lưu lượng phương tiện traffic trên road network đô thị. Tác giả khai thác mối tương quan không gian spatial phi tuyến và tính biến thiên của các luồng di chuyển. Thực nghiệm chỉ rõ thuật toán đạt độ tin cậy vượt trội so với các mô hình hồi quy cổ điển.\u003C\u002Fp>",[],[],{"code":4,"data":41,"meta":11},{"id":42,"title":43,"description":44,"content":45,"term":46,"englishTitle":47,"synonyms":48,"definition":52,"discipline":53,"references":54,"faqs":69,"createUser":79,"publishUser":83,"keywords":87,"keywordCount":98,"enrichTopicLink":99,"status":100,"createTime":101,"updateTime":102,"publishTime":103,"linkEnrichedTime":104,"publicationScanTime":105,"contentErrorMessage":11,"viewCount":106,"relateTopics":107},"xử lý dữ liệu","Xử lý dữ liệu là gì? Các bước trong quy trình và ứng dụng","Khám phá xử lý dữ liệu (data processing): định nghĩa khoa học máy tính, quy trình thu thập, chuẩn hóa, phân tích theo lô, thời gian thực và ứng dụng AI.","\u003Cp>\u003Cstrong>Xử lý dữ liệu\u003C\u002Fstrong> (\u003Cem>data processing\u003C\u002Fem>) là quá trình thu thập, làm sạch, chuyển đổi, tích hợp và phân tích dữ liệu thô thành thông tin có cấu trúc và có ý nghĩa phục vụ cho việc ra quyết định hoặc điều khiển hệ thống tự động.\u003C\u002Fp>\n\u003Cp>Xử lý dữ liệu giúp tổ chức hoặc cá nhân hiểu rõ hơn về thông tin mà họ có, từ đó đưa ra các quyết định chính xác hơn. Với lượng dữ liệu khổng lồ đang được tạo ra mỗi ngày, xử lý dữ liệu trở thành một công việc quan trọng trong việc khai thác giá trị từ dữ liệu này. Xử lý dữ liệu không chỉ liên quan đến việc làm sạch dữ liệu mà còn là quá trình khám phá thông tin mới và áp dụng chúng vào thực tiễn.\u003C\u002Fp>\n\n\u003Ch2>Định nghĩa và ý nghĩa của xử lý dữ liệu\u003C\u002Fh2>\n\n\u003Cp>Xử lý dữ liệu là quá trình chuyển đổi dữ liệu thô thành thông tin có thể sử dụng được thông qua các bước làm sạch, phân tích, chuyển đổi và {{topic|%7B%22topic%22%3A%22tr%E1%BB%B1c%20quan%20h%C3%B3a%22%7D}}. Trong thực tế, dữ liệu thô thường không có giá trị trực tiếp cho người sử dụng, vì vậy cần phải được xử lý để có thể đưa ra các quyết định có cơ sở. Mục đích của việc xử lý dữ liệu là giúp người sử dụng hoặc tổ chức có thể hiểu và khai thác thông tin từ các bộ dữ liệu một cách hiệu quả.\u003C\u002Fp>\n\n\u003Cp>Xử lý dữ liệu có ý nghĩa rất lớn trong nhiều lĩnh vực như {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20khoa%20h%E1%BB%8Dc%22%7D}}, tài chính, y tế, và các {{topic|%7B%22topic%22%3A%22ng%C3%A0nh%20c%C3%B4ng%20nghi%E1%BB%87p%22%7D}} khác. Ví dụ, trong lĩnh vực y tế, việc xử lý dữ liệu có thể giúp các bác sĩ phân tích kết quả {{topic|%7B%22topic%22%3A%22x%C3%A9t%20nghi%E1%BB%87m%22%7D}} và đưa ra {{topic|%7B%22topic%22%3A%22quy%E1%BA%BFt%20%C4%91%E1%BB%8Bnh%20%C4%91i%E1%BB%81u%20tr%E1%BB%8B%22%7D}} chính xác hơn. Trong kinh doanh, xử lý dữ liệu giúp các tổ chức {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20t%C3%ADch%20h%C3%A0nh%20vi%22%7D}} của khách hàng và tối ưu hóa {{topic|%7B%22topic%22%3A%22chi%E1%BA%BFn%20l%C6%B0%E1%BB%A3c%20ti%E1%BA%BFp%20th%E1%BB%8B%22%7D}}, từ đó gia tăng doanh thu.\u003C\u002Fp>\n\n\u003Ch2>Quy trình xử lý dữ liệu\u003C\u002Fh2>\n\n\u003Cp>Quy trình xử lý dữ liệu bao gồm nhiều bước cơ bản, từ thu thập đến phân tích và trực quan hóa. Dưới đây là các bước chính trong quy trình xử lý dữ liệu:\u003C\u002Fp>\n\n\u003Cul>\n    \u003Cli>\u003Cstrong>Thu thập dữ liệu:\u003C\u002Fstrong> Đây là bước đầu tiên trong quy trình xử lý dữ liệu. Dữ liệu có thể được thu thập từ nhiều nguồn khác nhau, bao gồm cơ sở dữ liệu, bảng khảo sát, cảm biến, các nền tảng {{topic|%7B%22topic%22%3A%22tr%E1%BB%B1c%20tuy%E1%BA%BFn%22%7D}} hoặc các hệ thống giao dịch. Dữ liệu có thể có dạng văn bản, số liệu, hình ảnh, {{topic|%7B%22topic%22%3A%22%C3%A2m%20thanh%22%7D}} hoặc video.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tiền xử lý dữ liệu:\u003C\u002Fstrong> Dữ liệu thu thập thường có thể chứa lỗi, thiếu sót hoặc không {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%93ng%20nh%E1%BA%A5t%22%7D}}. Tiền xử lý dữ liệu bao gồm các bước như loại bỏ dữ liệu thiếu, chuẩn hóa và chuyển đổi dữ liệu để chúng có thể được sử dụng dễ dàng hơn trong các phân tích sau này. Đây là một bước quan trọng trong việc đảm bảo chất lượng của dữ liệu.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Chuyển đổi dữ liệu:\u003C\u002Fstrong> Quá trình chuyển đổi dữ liệu giúp chuẩn hóa và chuyển đổi dữ liệu từ một dạng này sang dạng khác để phù hợp với yêu cầu của phân tích. Ví dụ, dữ liệu có thể được mã hóa thành các giá trị số, phân loại theo nhóm, hoặc xử lý các dữ liệu phi cấu trúc như văn bản.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Phân tích dữ liệu:\u003C\u002Fstrong> Phân tích dữ liệu là bước quan trọng giúp tìm ra các mẫu, xu hướng, hoặc thông tin có giá trị từ bộ dữ liệu. Các phương pháp phân tích có thể bao gồm thống kê mô tả, phân tích hồi quy, phân tích đa biến, hoặc sử dụng các thuật toán học máy để phát hiện các mối quan hệ ẩn trong dữ liệu.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Trực quan hóa dữ liệu:\u003C\u002Fstrong> Sau khi phân tích, trực quan hóa dữ liệu giúp người sử dụng hiểu rõ hơn về kết quả phân tích. Các công cụ như biểu đồ, đồ thị và bảng điều khiển giúp trình bày thông tin một cách dễ dàng và rõ ràng hơn. Điều này cũng giúp các quyết định được đưa ra nhanh chóng và chính xác hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các công cụ và phần mềm xử lý dữ liệu\u003C\u002Fh2>\n\n\u003Cp>Có rất nhiều công cụ và phần mềm giúp xử lý dữ liệu trong các lĩnh vực khác nhau. Các công cụ này giúp giảm thiểu thời gian và công sức trong việc xử lý dữ liệu lớn và phức tạp. Dưới đây là một số công cụ phổ biến được sử dụng trong xử lý dữ liệu:\u003C\u002Fp>\n\n\u003Cul>\n    \u003Cli>\u003Cstrong>Microsoft Excel:\u003C\u002Fstrong> Là một công cụ phổ biến cho xử lý dữ liệu nhỏ và trung bình. Excel cung cấp các công cụ tính toán, sắp xếp và phân tích dữ liệu cơ bản, giúp người dùng xử lý dữ liệu nhanh chóng và hiệu quả.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Python (với Pandas, NumPy, Matplotlib):\u003C\u002Fstrong> Python là một ngôn ngữ lập trình phổ biến trong khoa học dữ liệu. Với các thư viện như Pandas (xử lý dữ liệu bảng), NumPy (xử lý mảng và số liệu), và Matplotlib (trực quan hóa), Python giúp người dùng xử lý và phân tích các bộ dữ liệu phức tạp.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>R:\u003C\u002Fstrong> R là một phần mềm mạnh mẽ cho phân tích thống kê và xử lý dữ liệu, đặc biệt hữu ích trong các nghiên cứu khoa học và phân tích dữ liệu lớn. R có nhiều thư viện giúp phân tích dữ liệu sâu rộng và tạo các mô hình thống kê phức tạp.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Apache Hadoop:\u003C\u002Fstrong> Hadoop là một hệ sinh thái phần mềm mã nguồn mở giúp xử lý và phân tích dữ liệu lớn trong môi trường phân tán. Hadoop giúp phân chia và xử lý các bộ dữ liệu khổng lồ một cách hiệu quả, phổ biến trong các ứng dụng big data.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Ứng dụng của xử lý dữ liệu\u003C\u002Fh2>\n\n\u003Cp>Xử lý dữ liệu có vai trò quan trọng trong nhiều lĩnh vực và ngành công nghiệp, giúp tối ưu hóa các quy trình và tạo ra những hiểu biết sâu sắc từ các bộ dữ liệu lớn. Một số ứng dụng của xử lý dữ liệu được thể hiện rõ trong các lĩnh vực sau:\u003C\u002Fp>\n\n\u003Cul>\n    \u003Cli>\u003Cstrong>Khoa học dữ liệu:\u003C\u002Fstrong> Xử lý dữ liệu là một bước quan trọng trong khoa học dữ liệu, giúp các nhà khoa học dữ liệu phân tích và rút ra các kết luận từ các bộ dữ liệu lớn và phức tạp. Việc xử lý dữ liệu giúp làm sạch, chuẩn hóa và chuyển đổi dữ liệu để có thể áp dụng các thuật toán học máy và thống kê, từ đó phát triển các mô hình dự báo, phân loại hoặc phân tích mối quan hệ giữa các yếu tố.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Y tế:\u003C\u002Fstrong> Trong y tế, xử lý dữ liệu giúp các bác sĩ và các nhà nghiên cứu phân tích hồ sơ bệnh án, kết quả xét nghiệm, và các thông tin khác để đưa ra quyết định điều trị chính xác hơn. Hệ thống xử lý dữ liệu cũng giúp phân tích các xu hướng dịch bệnh và hỗ trợ việc phát hiện sớm các dấu hiệu bệnh tật thông qua các phương pháp phân tích dữ liệu lớn.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Ngành tài chính:\u003C\u002Fstrong> Xử lý dữ liệu trong ngành tài chính giúp các ngân hàng, công ty chứng khoán và các tổ chức tài chính phân tích các xu hướng thị trường, đánh giá rủi ro đầu tư và tối ưu hóa danh mục đầu tư. Việc xử lý dữ liệu giúp các tổ chức tài chính đưa ra quyết định kịp thời và chính xác, từ đó giảm thiểu rủi ro và gia tăng lợi nhuận.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Kinh doanh và tiếp thị:\u003C\u002Fstrong> Các công ty sử dụng xử lý dữ liệu để phân tích hành vi người tiêu dùng, tối ưu hóa chiến lược tiếp thị và cải thiện trải nghiệm khách hàng. Dữ liệu khách hàng từ các hệ thống CRM (Customer Relationship Management) và các nền tảng trực tuyến được xử lý để tìm ra các mẫu và xu hướng, từ đó giúp xây dựng các chiến dịch tiếp thị hiệu quả hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các thách thức trong xử lý dữ liệu\u003C\u002Fh2>\n\n\u003Cp>Quá trình xử lý dữ liệu không phải lúc nào cũng dễ dàng và thường gặp phải một số thách thức. Một số vấn đề chính có thể gặp phải trong xử lý dữ liệu bao gồm:\u003C\u002Fp>\n\n\u003Cul>\n    \u003Cli>\u003Cstrong>Dữ liệu thiếu hoặc không chính xác:\u003C\u002Fstrong> Một trong những vấn đề phổ biến trong xử lý dữ liệu là dữ liệu thiếu hoặc không chính xác. Các giá trị bị thiếu có thể ảnh hưởng đến kết quả phân tích và mô hình dự báo. Việc xử lý dữ liệu thiếu đòi hỏi các phương pháp như loại bỏ hoặc thay thế giá trị thiếu, tuy nhiên, việc này có thể gây ra sai lệch trong kết quả.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Dữ liệu không đồng nhất:\u003C\u002Fstrong> Dữ liệu thu thập từ nhiều nguồn khác nhau có thể có cấu trúc khác nhau, gây khó khăn trong việc tích hợp và phân tích. Việc chuẩn hóa và chuyển đổi dữ liệu thành dạng đồng nhất là một bước quan trọng trong xử lý dữ liệu, nhưng cũng đòi hỏi nhiều thời gian và công sức.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Dữ liệu lớn:\u003C\u002Fstrong> Một trong những thách thức lớn nhất trong xử lý dữ liệu là đối phó với dữ liệu khổng lồ (big data). Dữ liệu lớn yêu cầu các công cụ và kỹ thuật đặc biệt để xử lý hiệu quả, chẳng hạn như các hệ thống phân tán như Hadoop hoặc Spark. Việc phân tích và lưu trữ dữ liệu lớn cũng đòi hỏi khả năng tính toán mạnh mẽ và hạ tầng lưu trữ tối ưu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các công cụ xử lý dữ liệu phổ biến\u003C\u002Fh2>\n\n\u003Cp>Hiện nay, có nhiều công cụ và phần mềm giúp xử lý dữ liệu hiệu quả. Các công cụ này giúp giảm thiểu công sức và thời gian trong quá trình xử lý, từ thu thập, làm sạch đến phân tích và trực quan hóa dữ liệu. Một số công cụ phổ biến bao gồm:\u003C\u002Fp>\n\n\u003Cul>\n    \u003Cli>\u003Cstrong>Apache Spark:\u003C\u002Fstrong> Spark là một công cụ xử lý dữ liệu lớn mạnh mẽ và nhanh chóng, hỗ trợ phân tích dữ liệu theo thời gian thực. Nó có khả năng xử lý dữ liệu phân tán và hỗ trợ các thao tác phức tạp như học máy, phân tích dữ liệu và tìm kiếm dữ liệu lớn.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tableau:\u003C\u002Fstrong> Tableau là công cụ trực quan hóa dữ liệu phổ biến, giúp người dùng dễ dàng tạo ra các biểu đồ, đồ thị và bảng điều khiển để phân tích và trực quan hóa dữ liệu. Tableau rất phù hợp cho những ai không có chuyên môn về lập trình nhưng muốn phân tích dữ liệu.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Power BI:\u003C\u002Fstrong> Power BI là một công cụ của Microsoft cho phép người dùng trực quan hóa và phân tích dữ liệu từ nhiều nguồn khác nhau. Công cụ này tích hợp với các hệ thống Microsoft và có khả năng tạo ra các báo cáo, bảng điều khiển tương tác.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>SQL:\u003C\u002Fstrong> SQL (Structured Query Language) là một ngôn ngữ phổ biến để truy vấn và quản lý cơ sở dữ liệu. Các chuyên gia xử lý dữ liệu sử dụng SQL để trích xuất dữ liệu từ các cơ sở dữ liệu và thực hiện các thao tác phân tích cơ bản như lọc, nhóm và tính toán các chỉ số thống kê.\u003C\u002Fli>\n\u003C\u002Ful>","Xử lý dữ liệu","data processing",[47,49,50,51],"xử lý thông tin","quy trình xử lý dữ liệu","electronic data processing","Xử lý dữ liệu là quá trình thu thập, làm sạch, chuyển đổi, tích hợp và phân tích dữ liệu thô thành thông tin có cấu trúc và có ý nghĩa phục vụ cho việc ra quyết định hoặc điều khiển hệ thống tự động.","ENGINEERING_TECHNOLOGY",[55,61,65],{"citationText":56,"title":57,"authors":58,"source":59,"year":20,"doi":60,"url":11},"Kale (2019). Stream Processing Architecture. Parallel Computing Architectures and APIs.","Stream Processing Architecture","Kale","Parallel Computing Architectures and APIs","10.1201\u002F9781351029223-15",{"citationText":62,"title":63,"authors":58,"source":59,"year":20,"doi":64,"url":11},"Kale (2019). Big Data Stream Processing. Parallel Computing Architectures and APIs.","Big Data Stream Processing","10.1201\u002F9781351029223-25",{"citationText":66,"title":67,"authors":58,"source":59,"year":20,"doi":68,"url":11},"Kale (2019). Sensor Data Processing. Parallel Computing Architectures and APIs.","Sensor Data Processing","10.1201\u002F9781351029223-23",[70,73,76],{"question":71,"answer":72},"Điểm khác biệt căn bản giữa xử lý dữ liệu theo lô (batch) và theo luồng (stream) là gì?","Xử lý theo lô gom lượng lớn dữ liệu lịch sử để tính toán định kỳ, trong khi xử lý theo luồng tính toán liên tục từng bản ghi ngay khi dữ liệu vừa phát sinh.",{"question":74,"answer":75},"Giai đoạn làm sạch dữ liệu (data cleaning) đóng vai trò gì trong đường ống xử lý?","Loại bỏ các bản ghi trùng lặp, xử lý giá trị khuyết thiếu và chuẩn hóa kiểu dữ liệu nhằm đảm bảo tính toàn vẹn và độ tin cậy của mô hình phân tích.",{"question":77,"answer":78},"Kiến trúc Lambda và Kappa trong kỹ thuật dữ liệu lớn giải quyết bài toán gì?","Kết hợp cả hai luồng xử lý theo lô và luồng thời gian thực nhằm đảm bảo vừa có độ trễ truy vấn thấp vừa đảm bảo tính chính xác toàn vẹn của dữ liệu.",{"id":80,"researcherId":11,"name":81,"imageUrl":82},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":84,"researcherId":11,"name":85,"imageUrl":86},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[88,89,90,91,92,93,94,95,96,97],"trực quan hóa","nghiên cứu khoa học","ngành công nghiệp","xét nghiệm","quyết định điều trị","phân tích hành vi","chiến lược tiếp thị","trực tuyến","âm thanh","đồng nhất",10,true,"PUBLISHED","2025-07-19T09:40:03.341+00:00","2026-09-04T11:10:17.872+00:00","2025-07-23T16:51:59.863+00:00","2026-09-04T11:10:17.533+00:00","2026-09-04T10:21:49.732+00:00",439,[108,111,114,117,120,123,126,129,132,135],{"id":109,"title":110,"term":109,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"mô hình lý thuyết","Mô hình lý thuyết là gì? Các nghiên cứu về Mô hình lý thuyết",{"id":112,"title":113,"term":112,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"prevalence","Prevalence là gì? Các công bố khoa học về Prevalence",{"id":115,"title":116,"term":115,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":118,"title":119,"term":118,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"cơ sở vật chất","Cơ sở vật chất là gì? Các công bố khoa học về Cơ sở vật chất",{"id":121,"title":122,"term":121,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"in silico","In silico là gì? Các công bố khoa học về In silico",{"id":124,"title":125,"term":124,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"artificial intelligence","Artificial Intelligence là gì? Các nghiên cứu khoa học về AI",{"id":127,"title":128,"term":127,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"đối chiếu","Đối chiếu là gì? Các công bố khoa học về Đối chiếu",{"id":130,"title":131,"term":130,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":133,"title":134,"term":133,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"chuột cống trắng","Chuột cống trắng là gì? Các công bố khoa học về Chuột cống trắng",{"id":136,"title":137,"term":136,"englishTitle":11,"definition":11,"discipline":11,"disciplineCode":11,"disciplineLabel":11,"disciplineColor":11,"disciplineIcon":11},"giáo dục khởi nghiệp","Giáo dục khởi nghiệp là gì? Nghiên cứu khoa học liên quan"]