Luận văn thạc sĩ: Xây dựng hệ thống hỗ trợ học vụ đa ngôn ngữ tiếng Việt và tiếng Anh

• Tác giả: Phạm Nguyễn Quang Khánh
• Người hướng dẫn: TS. Lê Thanh Vân
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Khoa học máy tính
• Đề tài: Xây Dựng Hệ Thống Hỗ Trợ Học Vụ Đa Ngôn Ngữ Trong Tiếng Anh Và Tiếng Việt
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT OF DISSERTATION
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Giới thiệu đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Đối tượng nghiên cứu
• 1.4. Ý nghĩa của đề tài
• 1.5. Tóm tắt nội dung
• 2. CHƯƠNG 2: CƠ SỞ KIẾN THỨC
• 2.1. Mô hình truy vấn đoạn văn bản liên quan
• 2.2. Truy vấn và tìm kiếm văn bản sử dụng công nghệ FAISS kết hợp với Sentence Embedding
• 2.3. Tìm kiếm độ tương đồng (Similarity Search)
• 2.4. Mô hình Transformer
• 2.5. Các phương thức để đánh giá độ chính xác và hiệu suất từ các mô hình
• 2.5.1. Bilingual Evaluation Understudy (BLEU)
• 3. CHƯƠNG 3: CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3.1. Hướng tiếp cận của mô hình BERT
• 3.2. Hướng tiếp cận mô hình PhoBERT
• 3.3. Hướng tiếp mô hình RoBERTa
• 3.4. Hướng tiếp cận mô hình XLM-RoBERTa
• 3.5. Một số hướng tiếp cận khác
• 4. CHƯƠNG 4: TRÌNH BÀY, ĐÁNH GIÁ, BÀN LUẬN KẾT QUẢ
• 4.1. Tổng hợp và xây dựng bộ dữ liệu học vụ
• 4.1.1. Xây dựng bộ dữ liệu huấn luyện cho truy vấn đoạn văn bản liên quan
• 4.1.2. Xây dựng bộ dữ liệu để huấn luyện cho nhận diện ngôn ngữ
• 4.1.3. Xây dựng bộ dữ liệu huấn luyện cho Question Answering
• 4.2. Xây dựng thành phần truy vấn văn bản liên quan
• 4.3. Nhận xét và đánh giá
• 4.3.1. Mô hình nhận diện ngôn ngữ
• 4.3.1.1. Quá trình huấn luyện
• 4.3.1.2. Cấu trúc và bảng thông số của thành phần nhận diện ngôn ngữ
• 4.3.1.3. Kết quả thực nghiệm từ mô hình nhận diện ngôn ngữ
• 4.3.1.4. Đánh giá và nhận xét
• 4.3.2. Mô hình dịch thuật
• 4.3.2.1. Dữ liệu huấn luyện
• 4.3.2.2. Phương pháp ứng dụng của 2 mô hình
• 4.3.2.3. Kết quả thực nghiệm của 2 mô hình đã huấn luyện
• 4.3.2.4. Đánh giá và nhận xét
• 4.3.3. Mô hình Question Answering
• 4.3.3.1. Quá trình huấn luyện
• 4.3.3.2. Cấu trúc và bảng thông số của thành phần Question Answering
• 4.3.3.3. Kết quả thực nghiệm từ mô hình Question Answering
• 4.3.3.4. Đánh giá và nhận xét
• 4.4. Giao diện hoàn thiện của hệ thống hỗ trợ học vụ
• 4.5. Kiểm thử sau khi hoàn thiện hệ thống hỗ trợ học vụ
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG MỞ RỘNG ĐỀ TÀI
• TÀI LIỆU THAM KHẢO

I. Giới thiệu đề tài

Đề tài "Xây dựng hệ thống hỗ trợ học vụ đa ngôn ngữ trong tiếng Anh và tiếng Việt" tập trung vào việc phát triển một hệ thống hỗ trợ học vụ cho thạc sĩ khoa học máy tính. Hệ thống này sử dụng công nghệ xử lý ngôn ngữ tự nhiên (NLP) và trí tuệ nhân tạo (AI) để giúp máy tính hiểu và phân tích văn bản tự động. Mục tiêu chính là giải quyết các câu hỏi liên quan đến học vụ, từ đó nâng cao hiệu quả học tập cho sinh viên. Trong bối cảnh hiện tại, việc ứng dụng Machine Reading Comprehension (MRC) trong lĩnh vực học vụ còn hạn chế, với nhiều thách thức như thiếu dữ liệu và mô hình huấn luyện không phù hợp. Nghiên cứu này nhằm cải thiện khả năng đọc hiểu tự động cho cả hai ngôn ngữ, từ đó hỗ trợ sinh viên trong việc tìm kiếm thông tin học vụ.

1.1 Mục tiêu của đề tài

Mục tiêu của đề tài là phát triển hệ thống hỗ trợ học vụ đa ngôn ngữ, giúp sinh viên có thể truy cập thông tin học vụ bằng cả tiếng Việt và tiếng Anh. Điều này sẽ được thực hiện thông qua việc thu thập và xử lý dữ liệu học vụ, xây dựng các mô hình MRC và đánh giá hiệu suất của hệ thống. Hệ thống sẽ cung cấp khả năng trả lời tự động cho các câu hỏi liên quan đến nội dung học vụ, từ đó tạo ra một công cụ hữu ích cho sinh viên và giảng viên. Hệ thống này sẽ hoạt động 24/7, giúp sinh viên dễ dàng tiếp cận thông tin cần thiết bất cứ khi nào cần thiết.

II. Cơ sở kiến thức

Cơ sở kiến thức cho đề tài bao gồm các khái niệm và phương pháp liên quan đến xử lý ngôn ngữ tự nhiên và học sâu. Các mô hình như BERT, RoBERTa, và XLM-RoBERTa được nghiên cứu và áp dụng để cải thiện khả năng đọc hiểu văn bản. Mô hình Transformer cũng được xem xét vì khả năng xử lý ngữ nghĩa và ngữ cảnh trong văn bản. Các phương pháp đánh giá như Bilingual Evaluation Understudy (BLEU) sẽ được sử dụng để đánh giá độ chính xác và hiệu suất của các mô hình. Việc nắm vững các kiến thức này là cần thiết để phát triển hệ thống hỗ trợ học vụ hiệu quả, giúp máy tính có thể hiểu và xử lý thông tin đa ngôn ngữ một cách chính xác.

2.1 Mô hình Transformer

Mô hình Transformer đã trở thành một trong những kiến trúc phổ biến nhất trong lĩnh vực NLP. Với khả năng xử lý song song và tự động chú ý đến các phần khác nhau của văn bản, Transformer giúp cải thiện đáng kể độ chính xác trong các tác vụ như dịch máy và đọc hiểu. Các mô hình như BERT và RoBERTa được xây dựng dựa trên nền tảng của Transformer, cho phép máy tính hiểu và phân tích ngữ nghĩa văn bản một cách hiệu quả. Việc áp dụng mô hình Transformer trong nghiên cứu này sẽ giúp phát triển hệ thống hỗ trợ học vụ đa ngôn ngữ, từ đó nâng cao khả năng trả lời câu hỏi cho sinh viên.

III. Công trình nghiên cứu liên quan

Nghiên cứu này sẽ tham khảo và xây dựng trên nền tảng các công trình nghiên cứu trước đó về Machine Reading Comprehension và các mô hình NLP hiện đại. Các mô hình như PhoBERT, XLM-RoBERTa đã cho thấy hiệu suất cao trong việc xử lý ngôn ngữ tiếng Việt. Tuy nhiên, hầu hết các nghiên cứu hiện tại đều tập trung vào ngôn ngữ tiếng Anh, dẫn đến một khoảng trống trong việc phát triển các mô hình cho tiếng Việt. Đề tài sẽ nghiên cứu các phương pháp và kỹ thuật đã được áp dụng trong các hệ thống hỏi đáp tự động, từ đó điều chỉnh và áp dụng cho ngôn ngữ Việt Nam nhằm nâng cao hiệu quả và độ chính xác của hệ thống.

3.1 Hướng tiếp cận của mô hình BERT

Mô hình BERT đã chứng minh được sức mạnh của nó trong việc hiểu ngữ nghĩa và ngữ cảnh của văn bản. Hướng tiếp cận của BERT dựa trên việc sử dụng các kỹ thuật học sâu để huấn luyện mô hình trên một tập dữ liệu lớn, từ đó cải thiện khả năng đọc hiểu. Trong nghiên cứu này, việc áp dụng BERT sẽ giúp xây dựng nền tảng cho hệ thống hỗ trợ học vụ, cho phép máy tính hiểu và phân tích các văn bản học vụ một cách chính xác hơn. Điều này đặc biệt quan trọng trong việc giải quyết các câu hỏi phức tạp liên quan đến học vụ.

IV. Trình bày đánh giá bàn luận kết quả

Kết quả nghiên cứu cho thấy rằng các mô hình và phương pháp được phát triển có khả năng đọc hiểu và tổng hợp thông tin từ văn bản một cách chính xác và hiệu quả. Các thử nghiệm với dữ liệu học vụ cho thấy rằng hệ thống có thể trả lời các câu hỏi liên quan đến văn bản một cách nhanh chóng và chính xác. Sự kết hợp giữa các mô hình học sâu và phương pháp xử lý ngôn ngữ tự nhiên đã tạo ra một hệ thống hỗ trợ học vụ mạnh mẽ, có khả năng phục vụ nhu cầu học tập của sinh viên. Điều này mở ra nhiều cơ hội ứng dụng trong lĩnh vực giáo dục, từ việc hỗ trợ học viên trong việc tìm kiếm thông tin đến việc cải thiện trải nghiệm học tập tổng thể.

4.1 Tổng hợp và xây dựng bộ dữ liệu học vụ

Việc xây dựng bộ dữ liệu học vụ là một phần quan trọng trong nghiên cứu này. Dữ liệu phải đáp ứng các tiêu chí đa ngôn ngữ và bao quát nội dung học vụ cần thiết. Các phương pháp thu thập và xử lý dữ liệu sẽ được áp dụng để đảm bảo tính chính xác và đầy đủ của bộ dữ liệu. Kết quả từ bộ dữ liệu này sẽ được sử dụng để huấn luyện các mô hình MRC, từ đó đánh giá hiệu suất của hệ thống. Sự thành công của hệ thống hỗ trợ học vụ phụ thuộc rất nhiều vào chất lượng của bộ dữ liệu được xây dựng.

V. Kết luận và hướng mở rộng đề tài

Nghiên cứu đã chỉ ra rằng việc xây dựng hệ thống hỗ trợ học vụ đa ngôn ngữ là khả thi và có giá trị thực tiễn cao. Hệ thống không chỉ giúp sinh viên dễ dàng tiếp cận thông tin học vụ mà còn nâng cao hiệu quả học tập. Trong tương lai, nghiên cứu có thể được mở rộng để bao gồm nhiều ngôn ngữ khác, cũng như áp dụng các công nghệ mới trong lĩnh vực AI và NLP để cải thiện hơn nữa khả năng đọc hiểu. Hệ thống hỗ trợ học vụ này sẽ là một công cụ hữu ích cho sinh viên và giảng viên trong việc tìm kiếm và sử dụng thông tin học vụ một cách hiệu quả.

5.1 Hướng mở rộng nghiên cứu

Hướng mở rộng nghiên cứu có thể bao gồm việc tích hợp thêm các ngôn ngữ khác vào hệ thống, từ đó tạo ra một nền tảng hỗ trợ học vụ đa ngôn ngữ toàn diện hơn. Ngoài ra, việc áp dụng các công nghệ mới như học sâu và học máy sẽ giúp cải thiện khả năng đọc hiểu và phân tích văn bản. Các nghiên cứu tiếp theo cũng có thể tập trung vào việc phát triển các ứng dụng thực tế dựa trên hệ thống hỗ trợ học vụ này, từ đó nâng cao giá trị và tính khả thi của nghiên cứu trong thực tế.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên (NLP), bài toán đọc hiểu tự động (Machine Reading Comprehension - MRC) ngày càng trở nên quan trọng, đặc biệt trong các ứng dụng hỗ trợ học vụ. Theo ước tính, các hệ thống MRC hiện đại đã đạt được độ chính xác cao trong các tác vụ hỏi đáp tự động, tuy nhiên, việc áp dụng cho ngôn ngữ tiếng Việt và lĩnh vực học vụ vẫn còn nhiều thách thức do hạn chế về dữ liệu và đặc thù ngôn ngữ. Luận văn tập trung xây dựng hệ thống hỗ trợ học vụ đa ngôn ngữ trong tiếng Việt và tiếng Anh, nhằm giải quyết các vấn đề về hiểu và trích xuất thông tin từ các văn bản học vụ của Trường Đại học Bách Khoa, ĐHQG TP.HCM.

Mục tiêu cụ thể của nghiên cứu là phát triển các mô hình học sâu kết hợp với kỹ thuật xử lý ngôn ngữ tự nhiên để xác định câu trả lời chính xác từ các văn bản học vụ đa dạng, đồng thời xây dựng hệ thống có khả năng nhận diện ngôn ngữ, dịch thuật và trả lời câu hỏi 24/7 cho sinh viên và cán bộ nhà trường. Phạm vi nghiên cứu bao gồm dữ liệu học vụ tiếng Việt và tiếng Anh được thu thập từ các văn bản chính quy của nhà trường qua nhiều năm, với thời gian thực hiện từ tháng 01 đến tháng 05 năm 2024. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao hiệu quả xử lý thông tin học vụ, hỗ trợ tự động hóa và cải thiện trải nghiệm người dùng trong môi trường giáo dục đại học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình nghiên cứu chính:

1. Mô hình Transformer: Đây là kiến trúc mạng nơ-ron sâu sử dụng cơ chế self-attention để mã hóa ngữ cảnh và cú pháp của văn bản. Transformer gồm hai phần chính là Encoder và Decoder, với khả năng xử lý song song và hiệu quả cao trong các tác vụ NLP. Các thành phần như multi-head attention và positional encoding giúp mô hình hiểu sâu sắc mối quan hệ giữa các từ trong câu.

2. Mô hình XLM-RoBERTa: Là mô hình đa ngôn ngữ được huấn luyện trên 100 ngôn ngữ với 2.5TB dữ liệu, cải tiến từ RoBERTa, loại bỏ Next Sentence Prediction (NSP) và sử dụng dynamic masking trong huấn luyện. XLM-RoBERTa có khả năng tổng quát hóa tốt, phù hợp cho các tác vụ nhận diện ngôn ngữ, dịch máy và hỏi đáp đa ngôn ngữ.

Các khái niệm chính bao gồm:

• Machine Reading Comprehension (MRC): Tác vụ đọc hiểu và trả lời câu hỏi dựa trên văn bản đầu vào.
• Sentence Embedding: Biểu diễn câu hoặc đoạn văn dưới dạng vector đa chiều chứa thông tin ngữ nghĩa.
• BM25: Thuật toán xếp hạng tài liệu dựa trên tần suất từ khóa và độ quan trọng của từ trong tập dữ liệu.
• FAISS: Thư viện tìm kiếm tương tự hiệu quả trên dữ liệu lớn, hỗ trợ tìm kiếm vector embedding.
• F1 Score và Exact Match (EM): Các chỉ số đánh giá hiệu suất mô hình trong các tác vụ NLP.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ các văn bản học vụ của Trường Đại học Bách Khoa, ĐHQG TP.HCM, bao gồm các tài liệu PDF được trích xuất thành đoạn văn bản, kết hợp với các bộ dữ liệu mở về tiếng Việt và tiếng Anh như MS Macro, SQuAD v2, và Legal Text Retrieval Zalo 2021 challenge. Tổng số dữ liệu huấn luyện cho nhận diện ngôn ngữ là 90.000 dòng, phân chia đều cho 20 ngôn ngữ.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu: Tokenize, phân tách đoạn văn, chuẩn hóa cú pháp, biểu diễn vector embedding 768 chiều bằng mô hình phoBERT-base-v2.
• Xây dựng mô hình: Huấn luyện lại mô hình XLM-RoBERTa cho các tác vụ nhận diện ngôn ngữ, dịch thuật (sử dụng Opus-MT và EnViT5), và hỏi đáp tự động.
• Tìm kiếm văn bản liên quan: Áp dụng thuật toán BM25 kết hợp với FAISS và sentence embedding để truy vấn đoạn văn bản phù hợp nhất với câu hỏi.
• Đánh giá mô hình: Sử dụng các chỉ số F1 score, Exact Match, và BLEU để đánh giá hiệu suất trên tập kiểm thử.

Timeline nghiên cứu kéo dài từ tháng 01 đến tháng 05 năm 2024, bao gồm các giai đoạn thu thập dữ liệu, huấn luyện mô hình, kiểm thử và hoàn thiện hệ thống.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình nhận diện ngôn ngữ XLM-RoBERTa: Mô hình đạt độ chính xác trung bình 99% trên tập kiểm tra 10.000 mẫu, với precision và recall cân bằng cho 20 ngôn ngữ, trong đó một số ngôn ngữ như tiếng Anh, Pháp, Hà Lan, Ba Lan, Swahili, Urdu và Trung Quốc đạt 100% chính xác.

2. So sánh phương pháp truy vấn văn bản: Phương pháp vector stores kết hợp sentence embedding và FAISS cho kết quả tìm kiếm đoạn văn liên quan chính xác hơn so với thuật toán BM25 truyền thống, do BM25 chỉ dựa trên tần suất từ khóa mà không xét đến ngữ nghĩa. Ví dụ, phương pháp embedding giúp giảm sai lệch trong việc hiểu các từ đồng nghĩa và ngữ cảnh phức tạp.

3. Hiệu suất mô hình dịch thuật: Mô hình EnViT5 được finetune trên bộ dữ liệu MTet và phoMT đạt điểm BLEU vượt trội so với các mô hình trước đó, đảm bảo dịch chính xác và giữ nguyên ngữ nghĩa câu trả lời giữa tiếng Việt và tiếng Anh.

4. Kết quả mô hình hỏi đáp đa ngôn ngữ: Mô hình XLM-RoBERTa được huấn luyện bổ sung dữ liệu học vụ cho thấy cải thiện đáng kể về F1 score và Exact Match so với mô hình gốc, với F1 score tăng khoảng 5-7% trên tập dữ liệu chuyên biệt.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất là do việc bổ sung dữ liệu học vụ chuyên biệt giúp mô hình hiểu sâu hơn về ngữ nghĩa và từ vựng đặc thù trong lĩnh vực giáo dục đại học. Việc sử dụng sentence embedding và FAISS cho phép hệ thống truy vấn chính xác hơn, giảm thiểu lỗi do hiểu sai ngữ cảnh từ các phương pháp truyền thống như BM25.

So với các nghiên cứu trước đây chủ yếu tập trung vào tiếng Anh, nghiên cứu này mở rộng thành công sang tiếng Việt, đồng thời phát triển hệ thống đa ngôn ngữ có khả năng nhận diện và dịch thuật linh hoạt. Kết quả này có ý nghĩa lớn trong việc ứng dụng tự động hóa xử lý văn bản học vụ, giúp sinh viên và cán bộ nhà trường tiếp cận thông tin nhanh chóng, chính xác.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác của các mô hình nhận diện ngôn ngữ, bảng kết quả F1 score và Exact Match của mô hình hỏi đáp trước và sau khi huấn luyện bổ sung dữ liệu học vụ, cũng như biểu đồ điểm BLEU của các mô hình dịch thuật.

Đề xuất và khuyến nghị

1. Mở rộng và cập nhật dữ liệu học vụ thường xuyên: Động viên các phòng ban chức năng nhà trường phối hợp thu thập, số hóa và cập nhật các văn bản học vụ mới để đảm bảo hệ thống luôn có dữ liệu phong phú, chính xác, phục vụ cho việc huấn luyện và cải tiến mô hình. Thời gian thực hiện: hàng năm; Chủ thể: Ban quản lý đào tạo và phòng CNTT.

2. Phát triển thêm các mô hình đa ngôn ngữ nâng cao: Áp dụng các mô hình Transformer mới nhất có khả năng xử lý đa ngôn ngữ và đa nhiệm, nhằm nâng cao độ chính xác và khả năng mở rộng của hệ thống. Thời gian: 6-12 tháng; Chủ thể: Nhóm nghiên cứu và phát triển AI của trường.

3. Tích hợp hệ thống vào nền tảng học tập trực tuyến: Kết nối hệ thống hỗ trợ học vụ đa ngôn ngữ với các nền tảng quản lý học tập (LMS) để sinh viên và giảng viên có thể truy cập dễ dàng, tăng tính tiện ích và trải nghiệm người dùng. Thời gian: 3-6 tháng; Chủ thể: Phòng CNTT và Ban đào tạo.

4. Đào tạo và nâng cao nhận thức người dùng: Tổ chức các buổi tập huấn, hướng dẫn sử dụng hệ thống cho sinh viên và cán bộ nhà trường nhằm khai thác tối đa hiệu quả của công nghệ mới. Thời gian: liên tục; Chủ thể: Phòng đào tạo và Trung tâm hỗ trợ sinh viên.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Trí tuệ nhân tạo: Luận văn cung cấp kiến thức sâu rộng về ứng dụng mô hình học sâu trong xử lý ngôn ngữ tự nhiên đa ngôn ngữ, đặc biệt trong lĩnh vực học vụ, giúp phát triển các đề tài nghiên cứu tiếp theo.

2. Phòng CNTT và quản lý đào tạo các trường đại học: Hệ thống hỗ trợ học vụ đa ngôn ngữ có thể được áp dụng để tự động hóa công tác giải đáp thắc mắc, nâng cao hiệu quả quản lý và phục vụ sinh viên.

3. Các nhà phát triển phần mềm và công nghệ giáo dục: Tham khảo các kỹ thuật xử lý ngôn ngữ tự nhiên, mô hình Transformer, và phương pháp embedding để phát triển các sản phẩm hỗ trợ học tập thông minh.

4. Cán bộ, giảng viên và sinh viên trong môi trường giáo dục đại học: Sử dụng hệ thống để tra cứu thông tin học vụ nhanh chóng, chính xác, hỗ trợ quá trình học tập và công tác hành chính.

Câu hỏi thường gặp

1. Hệ thống hỗ trợ học vụ đa ngôn ngữ này có thể áp dụng cho các trường khác không?
   Có thể áp dụng cho các trường đại học khác nếu có dữ liệu học vụ tương ứng. Việc tùy chỉnh mô hình và huấn luyện lại với dữ liệu đặc thù của từng trường sẽ giúp hệ thống hoạt động hiệu quả hơn.

2. Mô hình XLM-RoBERTa có ưu điểm gì so với các mô hình đơn ngôn ngữ?
   XLM-RoBERTa được huấn luyện trên 100 ngôn ngữ, có khả năng tổng quát hóa tốt, hỗ trợ nhận diện và xử lý đa ngôn ngữ trong cùng một mô hình, giúp tiết kiệm tài nguyên và nâng cao hiệu quả.

3. Phương pháp BM25 và sentence embedding khác nhau như thế nào trong truy vấn văn bản?
   BM25 dựa trên tần suất từ khóa và không xét ngữ nghĩa, trong khi sentence embedding biểu diễn văn bản dưới dạng vector đa chiều chứa thông tin ngữ cảnh và ngữ nghĩa, giúp tìm kiếm chính xác hơn.

4. Hệ thống có thể trả lời câu hỏi ngoài phạm vi dữ liệu học vụ không?
   Hệ thống chủ yếu dựa trên dữ liệu học vụ được cung cấp, nên khả năng trả lời ngoài phạm vi này còn hạn chế. Tuy nhiên, có thể mở rộng dữ liệu để cải thiện khả năng trả lời.

5. Làm thế nào để đảm bảo tính chính xác của câu trả lời trong hệ thống?
   Hệ thống sử dụng mô hình học sâu được huấn luyện trên dữ liệu chuyên biệt, kết hợp với kỹ thuật tìm kiếm tương tự và dịch thuật chất lượng cao, đồng thời được đánh giá bằng các chỉ số F1, EM và BLEU để đảm bảo độ chính xác.

Kết luận

• Luận văn đã xây dựng thành công hệ thống hỗ trợ học vụ đa ngôn ngữ tiếng Việt và tiếng Anh, ứng dụng các mô hình học sâu tiên tiến như XLM-RoBERTa và Transformer.
• Phương pháp kết hợp sentence embedding và FAISS cho phép truy vấn văn bản chính xác hơn so với các phương pháp truyền thống như BM25.
• Mô hình nhận diện ngôn ngữ đạt độ chính xác 99%, mô hình dịch thuật EnViT5 đạt điểm BLEU cao, đảm bảo chất lượng dịch và trả lời.
• Hệ thống có tiềm năng ứng dụng rộng rãi trong tự động hóa xử lý văn bản học vụ, nâng cao hiệu quả công tác quản lý và hỗ trợ sinh viên.
• Các bước tiếp theo bao gồm mở rộng dữ liệu, nâng cấp mô hình, tích hợp hệ thống vào nền tảng học tập và đào tạo người dùng để phát huy tối đa hiệu quả.

Quý độc giả và các nhà nghiên cứu được khuyến khích tiếp cận và phát triển thêm dựa trên nền tảng nghiên cứu này nhằm thúc đẩy ứng dụng trí tuệ nhân tạo trong giáo dục hiện đại.