Tổng quan về luận án

Nghiên cứu "Khảo sát các yếu tố từ vựng trong độ đo phong cách các văn bản báo chí tiếng Việt (So sánh với tiếng Anh)" của nghiên cứu sinh Nguyễn Tuyết Nhung (chuyên ngành Ngôn ngữ học so sánh đối chiếu, Trường Đại học Khoa học Xã hội và Nhân văn – Đại học Quốc gia Thành phố Hồ Chí Minh, 2023) đặt nền móng tiên phong trong việc ứng dụng phong trắc học tính toán (computational stylometry) vào hệ thống báo chí chính luận tiếng Việt hiện đại đặt trong tương quan đối chiếu với tiếng Anh. Trong bối cảnh kỷ nguyên số hóa văn bản và sự gia tăng của các luồng thông tin ẩn danh trên không gian mạng, việc xác định dấu vân phong cách (stylistic fingerprint) và định danh tác giả (authorship attribution) trở thành một bài toán cấp thiết của ngôn ngữ học ứng dụng và khoa học dữ liệu ngôn ngữ.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế rằng các mô hình độ đo phong cách kinh điển—được thiết lập từ nghiên cứu của T. C. Mendenhall (1887), Mosteller và Wallace (1964), hay John Burrows (2002)—chủ yếu được xây dựng và chuẩn hóa trên các ngôn ngữ biến tố (inflectional languages) như tiếng Anh, nơi ranh giới từ hình thái học trùng khớp trực tiếp với khoảng trắng văn bản. Ngược lại, tiếng Việt là một ngôn ngữ đơn lập (isolating language) mang đặc trưng ngữ âm đơn lập tính, phân tiết tính, trong đó đơn vị từ vựng có thể là từ đơn một âm tiết hoặc các cấu trúc từ ghép, từ láy đa âm tiết kết hợp bởi các hình tiết rời rạc. Cho đến trước công trình này, chưa có nghiên cứu hệ thống nào đánh giá tính tương thích và giới hạn thực nghiệm của đường cong phân bố chiều dài từ Mendenhall khi chuyển dịch từ hệ quy chiếu tiếng Anh sang hệ chữ viết ghi âm tiếng Việt, đặc biệt trên khối ngữ liệu báo chí phân tầng theo các nhóm xã hội học (giới tính và nghề nghiệp chuyên môn).

Để giải quyết khoảng trống học thuật này, luận án xác lập hệ thống câu hỏi nghiên cứu và giả thuyết tường minh:

  1. Câu hỏi nghiên cứu 1 (RQ1): Các yếu tố từ vựng (chiều dài từ theo ký tự, chiều dài từ theo âm tiết, lớp từ Hán Việt, từ mượn nước ngoài, từ mới, thành ngữ) biểu hiện phân bố như thế nào trong văn bản báo chí chính luận tiếng Việt?
  2. Câu hỏi nghiên cứu 2 (RQ2): Mức độ hiệu lực của đường cong đặc trưng Mendenhall trong việc định danh tác giả ẩn danh tiếng Việt đạt tỷ lệ chính xác bao nhiêu và chịu sự chi phối của những biến số nào so với văn bản tiếng Anh?
  3. Giả thuyết 1 (H1): Đường cong phân bố chiều dài từ tính theo ký tự của tiếng Việt có đỉnh tần suất tập trung đơn cực tại phân đoạn từ ngắn (3 ký tự) đồng nhất trên diện rộng do cấu trúc âm tiết đơn lập, khác biệt căn bản với phân bố đa đỉnh của tiếng Anh.
  4. Giả thuyết 2 (H2): Khả năng định danh tác giả bằng độ đo phong cách từ vựng tiếng Việt bị suy giảm đáng kể bởi sự trôi dạt chủ đề (thematic drift), khoảng cách niên đại văn bản (temporal gap) và dung lượng ngữ liệu cá nhân hạn chế.

Khung lý thuyết của công trình tích hợp lý thuyết Phong trắc học (Stylometry Theory - Holmes, 1998), Lý thuyết Phân tích đối chiếu (Contrastive Analysis - Lado, 1957) và Ngôn ngữ học xã hội về phong cách (Socio-stylistics - Labov, 1972). Đóng góp đột phá định lượng của luận án thể hiện ở việc xây dựng và chuẩn hóa ngữ liệu thực nghiệm VVC_Stylometry gồm 48 tác giả chuyên nghiệp (12 nhà báo nữ, 12 nhà nghiên cứu nữ, 12 nhà báo nam, 12 nhà nghiên cứu nam) với hàng trăm văn bản trải dài từ năm 2013 đến 2022, kết hợp bộ ngữ liệu đối chiếu tiếng Anh chuẩn từ báo The Telegraph.

Literature Review và Positioning

Lịch sử phát triển của phong trắc học ghi nhận các dòng nghiên cứu chính:

  1. Dòng nghiên cứu định lượng hình thái và chiều dài từ: Khởi xướng bởi T. C. Mendenhall (1887) với công trình kinh điển "The Characteristic Curves of Composition", thiết lập giả thuyết rằng mỗi tác giả sở hữu một đường cong phân bố chiều dài từ ổn định vô thức như một "dấu vân tay quang phổ". Dòng nghiên cứu này sau đó được tiếp nối qua quy luật Zipf (Zipf, 1935, 1949) về tần số xuất hiện từ và mối quan hệ nghịch đảo với độ dài từ.
  2. Dòng nghiên cứu xác suất thống kê và từ hư: Dẫn đầu bởi F. Mosteller và D. L. Wallace (1964) trong công trình giải mã quyền tác giả của The Federalist Papers dựa trên phân tích Bayes đối với tần số hư từ (function words), tạo tiền đề cho các thước đo khoảng cách văn bản hiện đại như Burrows' Delta (Burrows, 2002) và Support Vector Machines (Stamatatos, 2009).
  3. Dòng nghiên cứu phong cách học xã hội (Socio-stylistics): Nghiên cứu của Argamon, Koppel, Fine và Shimoni (2003) chỉ ra sự phân hóa giới tính và vai trò xã hội trong việc lựa chọn từ vựng chức năng và cấu trúc diễn ngôn trên văn bản tiếng Anh.

Trong tổng quan tài liệu, tồn tại một cuộc tranh luận học thuật sâu sắc giữa hai trường phái:

  • Trường phái Hình thức học - Vô thức ngôn ngữ (Formalist-Invariable View): Mendenhall (1887) và Burrows (2002) lập luận rằng các chỉ số thống kê từ vựng bề mặt (chiều dài từ, tần số hư từ) là hằng số phong cách bất biến, nằm ngoài tầm kiểm soát ý thức của tác giả, do đó có thể dùng để định danh tác giả bất kể thể loại hay bối cảnh.
  • Trường phái Diễn ngôn Ngữ cảnh (Contextual-Functionalist View): D. Biber (1988) và J. Swales (1990) phản biện rằng phong cách từ vựng luôn biến động phụ thuộc vào mục đích giao tiếp, thể loại văn bản (genre variation) và áp lực chuẩn hóa của tòa soạn báo chí, làm suy yếu độ tin cậy của các độ đo hình thức đơn thuần.

Luận án của NCS. Nguyễn Tuyết Nhung định vị chính xác tại điểm giao thoa giữa phong trắc học tính toán và loại hình học ngôn ngữ đối chiếu. Nghiên cứu thúc đẩy tri thức học thuật thông qua việc so sánh trực tiếp với các công trình quốc tế tiêu biểu:

  • So với nghiên cứu định danh văn bản tiếng Anh của Mosteller & Wallace (1964) và Burrows (2002), luận án chứng minh rằng các độ đo dựa trên ký tự và từ tính của tiếng Anh không thể áp dụng nguyên bản sang tiếng Việt mà bắt buộc phải qua khâu xử lý phân đoạn từ vựng (tokenization/tách từ) nhằm phân định ranh giới giữa âm tiết và từ vị.
  • So với các nghiên cứu phong cách học tác giả hiện đại của Stamatatos (2009) và Juola (2008), công trình này phân tích thấu đáo nguyên nhân sai lệch thực nghiệm của đường cong Mendenhall trong điều kiện văn bản báo chí bị tác động bởi tính thời điểm và sự phân hóa chủ đề chính luận.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án kiểm chứng và mở rộng giới hạn ứng dụng của Lý thuyết Đường cong Đặc trưng Mendenhall (1887) trong môi trường ngôn ngữ đơn lập. Các đóng góp cụ thể được hệ thống hóa:

  • Mở rộng lý thuyết loại hình phong trắc học: Chứng minh rằng cấu trúc âm tiết khép kín và tính chất đơn lập của tiếng Việt tạo ra một "hiệu ứng trần" (ceiling effect) về độ dài từ theo ký tự, trong đó độ dài 3 ký tự chiếm ưu thế tuyệt đối ở hầu hết tác giả báo chí (ví dụ: các từ đơn và hình tiết phổ biến như các, cho, văn, bản, làm, dân, đất, quy). Điều này thách thức giả định của Mendenhall vốn cho rằng đường cong phân bố chiều dài từ có tính chất phân hóa cá nhân đa dạng như trên ngữ liệu tiếng Anh.
  • Xây dựng mô hình tương tác đa biến trong định danh tác giả: Thiết lập mô hình lý thuyết với 3 mệnh đề (propositions):
    1. Proposition 1 (P1): Phân bố chiều dài từ theo ký tự phản ánh tính chất loại hình học của ngôn ngữ nhiều hơn là đặc trưng phong cách cá nhân riêng biệt trong ngôn ngữ đơn lập.
    2. Proposition 2 (P2): Độ đo phong cách từ vựng tầng sâu (lớp từ Hán Việt, từ nước ngoài, thành ngữ) có giá trị phân biệt tác giả cao hơn độ đo hình thức bề mặt (số lượng ký tự/âm tiết).
    3. Proposition 3 (P3): Khả năng phân biệt của mô hình phong trắc học tỷ lệ nghịch với khoảng cách thời gian sáng tác văn bản và tỷ lệ thuận với mức độ đồng nhất về chủ đề nội dung.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: Ngôn ngữ học cấu trúc (Structural Linguistics), Phong trắc học tính toán (Computational Stylometry) và Ngôn ngữ học so sánh đối chiếu (Contrastive Linguistics).

+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH ĐỘ ĐO PHONG CÁCH TỪ VỰNG                |
+-------------------------------------------------------------------------+
                                     |
         +---------------------------+---------------------------+
         |                                                       |
         v                                                       v
+-----------------------------+             +-----------------------------+
|    TẦNG HÌNH THỨC BỀ MẶT     |             |      TẦNG TỪ VỰNG NỘI DUNG   |
+-----------------------------+             +-----------------------------+
| - Phân bố chiều dài ký tự   |             | - Tần số từ Hán Việt (TXH)  |
| - Phân bố chiều dài âm tiết |             | - Thuật ngữ chính trị (TTCT)|
| - Đường cong Mendenhall     |             | - Từ trừu tượng lý luận(TTLL|
| - Tần suất phân đoạn đỉnh   |             | - Từ mượn ngoại lai, từ mới |
+-----------------------------+             +-----------------------------+
         |                                                       |
         +---------------------------+---------------------------+
                                     |
                                     v
+-------------------------------------------------------------------------+
|                MA TRẬN ĐỊNH DANH TÁC GIẢ VÀ ĐỐI CHIẾU                    |
| - Thử nghiệm văn bản ẩn danh (VBÂD X1, X2, X3, X4, X5)                 |
| - Đối chiếu cấu trúc hình thái học: Tiếng Việt (Isolating) vs Anh (Inflectional)|
| - Kiểm soát biến số ngoại lai: Giới tính, Nghề nghiệp, Thời gian, Chủ đề|
+-------------------------------------------------------------------------+

Khung phân tích này đặt ra các điều kiện biên (boundary conditions) chặt chẽ: chỉ áp dụng cho thể loại văn bản báo chí chính luận/nghị luận xã hội (Opinion/Op-ed), nơi tác giả có sự tự do phong cách nhất định nhưng vẫn chịu sự biên tập chuẩn mực của văn phong báo chí.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu vận dụng thế giới quan thực chứng (positivism) kết hợp với chủ nghĩa hiện thực phê phán (critical realism), áp dụng phương pháp nghiên cứu hỗn hợp định lượng chiếm ưu thế (quantitative-dominant mixed methods). Thiết kế nghiên cứu đa tầng (multi-level design) được cấu trúc qua 3 cấp độ:

  • Cấp độ 1 (Micro-level): Phân tích đặc trưng hình thái - từ vựng của từng câu, từng từ vị (chiều dài ký tự, số âm tiết, nguồn gốc từ vựng Hán - Việt, mượn Âu - Mỹ).
  • Cấp độ 2 (Meso-level): Tập hợp ngữ liệu cá nhân của từng tác giả để lập đường cong đặc trưng Mendenhall tổng hợp.
  • Cấp độ 3 (Macro-level): Phân nhóm tác giả theo các biến số xã hội học (Giới tính: Nam/Nữ; Nghề nghiệp: Nhà báo chuyên nghiệp / Nhà nghiên cứu chuyên gia; Thời gian: Giai đoạn 2014-2018 và 2019-2022).

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý ngữ liệu được thực hiện qua các bước nghiêm ngặt:

  1. Chiến lược lấy mẫu: Ngữ liệu tiếng Việt được trích xuất từ chuyên mục chính luận xã hội uy tín (Góc nhìn - Báo điện tử VnExpress), đảm bảo tính đại diện cao. Ngữ liệu tiếng Anh được thu thập từ báo The Telegraph với các bài viết của các tác giả tên tuổi như Roger Highfield, Charles Clover, David Sapsted, Stephanie Cooper.
  2. Tiêu chuẩn lựa chọn và loại trừ (Inclusion/Exclusion criteria): Tác giả tiếng Việt phải có số lượng bài viết phân bố đều qua hai giai đoạn thời gian (2014-2018 và 2019-2022). Loại bỏ các bài viết dạng phỏng vấn, tin tức tổng hợp thuần túy; chỉ giữ lại các bài viết bình luận, phân tích chuyên sâu có đứng tên tác giả cá nhân rõ ràng.
  3. Tiền xử lý văn bản (Data Pre-processing): Toàn bộ văn bản tiếng Việt được gán nhãn, chuẩn hóa chính tả, tiến hành tách từ (word segmentation) tự động và hiệu đính thủ công (ví dụ: gán nhãn nối âm tiết Bài_toán, phụ_huynh, ngành_nghề, xuất_hiện, Đại_học_Ngoại_thương).
  4. Quy trình thực nghiệm mù đôi (Blind experiment protocol): Trích chọn ngẫu nhiên 5 văn bản làm văn bản ẩn danh (VBÂD: X1, X2, X3, X4, X5) để tiến hành đối sánh với đường cong chuẩn của 10 tác giả ứng viên trong từng nhóm xã hội học nhằm kiểm tra độ tin cậy (reliability) và giá trị cấu trúc (construct validity).

Data và phân tích

Tập dữ liệu VVC_Stylometry thể hiện cơ cấu mẫu chi tiết:

  • Tác giả Nữ - Nhà báo (12 tác giả): Đặng Huyền (342), Nguyễn Anh Thi (129), Hoàng Xuân (49 - 17 bài), Cẩm Hà (1193 - 25 bài), Hồng Phúc (414 - 35 bài), Hoàng Phương (890 - 18 bài), Bảo Uyên (1074 - 7 bài), Dương Vân (65 - 4 bài), Thanh Lam (1133 - 8 bài), Thu Hà (95), Bảo Hà (927), Nguyễn Hà (1023).
  • Tác giả Nữ - Nhà nghiên cứu (12 tác giả): Phạm Chi Lan (992), Trần Thị Tuyết (1020 - 7 bài), Vân Anh (968 - 9 bài), Nguyễn Thị Khánh Huyền (1115 - 5 bài), Ngô Thị Phương Lê (1116 - 6 bài), Hạnh Nhân (117 - 6 bài), Bế Minh Nhật (434), Nguyễn Thu Quỳnh (1198 - 7 bài), Phan Thị Thùy Trâm (768 - 3 bài), Hoàng Hà (1024 - 3 bài), Nguyễn Thị Thủy (175 - 3 bài), Huyền Trang (167 - 2 bài).
  • Tác giả Nam - Nhà báo (12 tác giả): Đào Tuấn (24 - 11 bài), Phạm Hồng Phước (30 - 7 bài), Dương Xuân Nam (126 - 4 bài), Hoàng Minh Trí (324 - 20 bài), Phạm Trung Tuyến (403 - 29 bài), Trần Mai Hưởng (438 - 4 bài), Nguyễn Việt Chiến (446 - 2 bài), Trương Anh Ngọc (520 - 7 bài), Lê Anh Ngọc (537 - 10 bài), Ngô Nguyệt Hữu (548 - 6 bài), Lại Trọng Tình (786 - 17 bài), Phùng Nguyên (1037 - 8 bài).
  • Tác giả Nam - Nhà nghiên cứu (12 tác giả): Nguyễn Quốc Toàn (96 - 5 bài), Nguyễn Khắc Giang (97 - 41 bài), Phan Tất Đức (136 - 30 bài), Lê Đức Tiến (764 - 5 bài), Cấn Văn Lực (998 - 11 bài), Nguyễn Quang Đồng (1036 - 4 bài), Trần Ban Hùng (1057 - 19 bài), Nguyễn Dương (1061 - 5 bài), Nguyễn Lừng Danh (1152 - 4 bài), Võ Nhật Vinh (1166 - 12 bài), Phùng Đức Tùng (1183 - 9 bài), Nguyễn Đăng Anh Thi (1191 - 27 bài).

Hệ thống tính toán trích xuất các thông số phân đoạn chiều dài từ (từ 1 đến 20 ký tự), xác định chiều dài từ chiếm tỷ lệ cao nhất, thấp nhất, từ lớn nhất và nhỏ nhất để vẽ đường cong phân bố tần số Mendenhall bằng phần mềm chuyên dụng và script Python xử lý ngôn ngữ tự nhiên.

Phát hiện đột phá và implications

Những phát hiện then chốt

Phát hiện 1: Tính đồng nhất đơn cực của phân bố chiều dài từ tiếng Việt. Dữ liệu thực nghiệm chỉ ra rằng, khác biệt hoàn toàn với đường cong thoai thoải đa đỉnh của tiếng Anh, 100% tác giả trong khối ngữ liệu tiếng Việt đều có đỉnh phân bố chiều dài từ chiếm tỷ lệ cao nhất tuyệt đối ở mức 3 ký tự. Phân đoạn chiều dài từ chiếm tỷ lệ cao nhất của các tác giả nam là nhà báo đều tuân theo chuỗi mở đầu là 3-2-4-5 hoặc 3-4-2-5 (ví dụ: TG 30 là 3-4-2-5-7-8-9; TG 126 là 3-2-4-5-8-7-9; TG 403 là 3-2-4-5-8-9-7; TG 1037 là 3-2-5-4-9-8-7). Hiện tượng này khẳng định đặc trưng loại hình ngôn ngữ chi phối mạnh mẽ lên phân bố ký tự bề mặt hơn là phong cách cá nhân.

Phát hiện 2: Sự sai lệch trong định danh tác giả do biến số thời gian (Temporal Gap). Trong thực nghiệm xác định định danh tác giả cho văn bản ẩn danh X3, mô hình đường cong Mendenhall dự đoán xác suất cao nhất thuộc về tác giả 30 (Phạm Hồng Phước), tiếp đến là tác giả 446 (Nguyễn Việt Chiến). Tuy nhiên, tác giả thực sự lại là TG 403 (Phạm Trung Tuyến) với bài viết "Cánh đồng và những ông quan" (mã số ve3283688).

  • Nguyên nhân cốt lõi từ dữ liệu: Bài viết X3 được đăng ngày 23/09/2015, là bài viết duy nhất của TG 403 trong năm 2015, trong khi 28 bài viết còn lại của tác giả này phân bố từ năm 2016 đến 2021. Sự biến đổi phong cách theo thời gian đã làm thay đổi hình dáng đường cong Mendenhall của cá nhân tác giả.
  • Bằng chứng dữ liệu: Trong văn bản X3, tác giả sử dụng các chuỗi ký số dài 3-4 ký tự với tỷ lệ cao:

"Gần 5 năm trước , 600 trí_thức trẻ được tăng_cường về nông thôn để làm Phó_chủ_tịch xã nghèo. Gần hết một nhiệm kỳ , 99.65 % được đánh giá là hoàn thành nhiệm vụ, trong đó có trên 31 % hoàn_thành xuất sắc ., kết thúc Đại_hội Đảng_bộ các xã nhiệm_kỳ 2015- 2020 chỉ có chưa đầy 25 % thành_viên của Đề_án được bầu vào cấp_uỷ ,." (ve3283688) Trong khi ở các văn bản thuộc giai đoạn sau, tác giả sử dụng chuỗi 2 ký số với tần suất áp đảo: "Hệ_thống phun nước tự_động chữa cháy được Leonardo da Vinci nghĩ đến từ thế_kỷ 15, được hoàn_thiện ở thế_kỷ 19 và được coi là trang_bị bắt buộc của các toà nhà chung_cư cao trên 10 tầng tại Việt_Nam từ nhiều năm trước . / Nhưng ở thế_kỷ 21, hệ_thống đó không hoạt_động tại toà nhà Carina_Plaza đêm qua ." (ve3726878)

Phát hiện 3: Tác động gây nhiễu của sự trôi dạt chủ đề (Topic Drift). Trong thực nghiệm X4, mô hình dự đoán nhầm tác giả thực sự là TG 998 (Cấn Văn Lực) thay vì TG 1057 (Trần Ban Hùng) với bài viết "Bạo hành từ cha mẹ" (mã số ve3683543). TG 1057 là một chuyên gia phát triển nông nghiệp (Fairtrade Asia and Pacific), các bài viết thông thường tập trung vào kinh tế nông sản, trà, cà phê. Khi viết về đề tài tâm lý gia đình và xã hội học, tỷ lệ từ dài 9 ký tự và các cấu trúc từ vựng chuyển dịch đột ngột, khiến đường cong của văn bản X4 (3-4-2-5-9-7-8) lệch khỏi đường cong trung bình của tác giả (3-4-2-5-8-7-9).

Phát hiện 4: Rủi ro định danh trên ngữ liệu cá nhân dung lượng nhỏ. Thực nghiệm văn bản ẩn danh X5 dự đoán tác giả là TG 1061 (Nguyễn Dương) trong khi tác giả thực sự là TG 342 (Đặng Huyền) với bài viết "Nhà có hai con gái" (mã số ve3292716 / ve3592054). Do khối ngữ liệu của TG 342 chỉ gồm 5 bài viết, đường cong Mendenhall chưa đạt ngưỡng ổn định thống kê (statistical stability). Văn bản X5 xuất hiện nhiều từ 7 ký tự là các thực từ đa âm tiết mang tính biểu cảm:

"Làm thế, nghe có_vẻ nhân_văn nhưng thực_ra lại gây tổn_thương cho nữ_giới, chả hoá_ra mặc_định 'con_gái là lũ vịt giời, bé thì ăn_hại lớn rồi lại bay' à ?" (ve3292716)

Phát hiện 5: Sự tương phản hình thái học trong ngữ liệu đối chiếu tiếng Anh. Phân tích văn bản tiếng Anh từ báo The Telegraph (như bài viết "The Butterfly and the Drug Addict" của Roger Highfield hay "Prescott Practises His Sleight of Hand" của Charles Clover) cho thấy đường cong chiều dài từ tiếng Anh trải rộng từ 1 đến 15 ký tự với đỉnh phân tán linh hoạt ở 3, 4, 5 ký tự và tỷ lệ từ ghép, từ phái sinh đa hình vị rất cao (ví dụ: neuropharmacology, benzodiazepines, suburbanisation, conservationists), phản ánh tính chất hòa kết rõ nét.

Implications đa chiều

  • Về mặt lý thuyết: Bổ sung luận điểm quan trọng cho ngôn ngữ học đối chiếu: phương pháp phân tích phong cách lượng hóa bắt buộc phải tích hợp đặc trưng hình thái học và loại hình học của ngôn ngữ đích, không thể sao chép máy móc các mô hình đơn biến từ tiếng Anh sang tiếng Việt.
  • Về phương pháp luận: Khẳng định rằng kỹ thuật đo chiều dài từ Mendenhall khi áp dụng cho tiếng Việt cần kết hợp đồng thời cả hai độ đo: chiều dài theo ký tự và chiều dài theo âm tiết, kết hợp với các tầng phân tích từ vựng - ngữ nghĩa sâu (từ Hán Việt, từ trừu tượng lý luận).
  • Về ứng dụng thực tiễn và pháp lý: Đưa ra khuyến cáo quan trọng cho ngành khoa học giám định ngôn ngữ pháp y (Forensic Linguistics): việc xác định tác giả của văn bản nặc danh trên không gian mạng không thể chỉ dựa vào một vài chỉ số thống kê bề mặt nếu kích thước mẫu văn bản nhỏ hơn ngưỡng tối thiểu hoặc có sự biến động về niên đại và chủ đề.

Limitations và Future Research

Nghiên cứu thẳng thắn thừa nhận các giới hạn học thuật:

  1. Giới hạn phạm vi thể loại (Genre Boundary): Ngữ liệu chỉ tập trung vào thể loại báo chí chính luận (Op-ed) của VnExpress và The Telegraph, chưa bao quát các thể loại khác như phóng sự điều tra, tin vắn, hay văn bản mạng xã hội (Facebook, diễn đàn).
  2. Kích thước ngữ liệu tác giả không đồng đều: Một số tác giả có dung lượng ngữ liệu lớn (Nguyễn Khắc Giang: 41 bài, Phan Tất Đức: 30 bài, Phạm Trung Tuyến: 29 bài), trong khi một số tác giả chỉ có từ 2 đến 5 bài (Huyền Trang, Nguyễn Việt Chiến, Đặng Huyền), gây ra hiện tượng mất cân bằng mẫu trong huấn luyện mô hình phân loại.
  3. Giới hạn của độ đo Mendenhall đơn biến: Phương pháp đường cong Mendenhall là một kỹ thuật phân tích đơn biến cổ điển, dễ bị nhiễu bởi các biến số phong cách tức thời của từng bài viết cụ thể.

Chương trình nghiên cứu trong tương lai (Future Research Agenda):

  • Tích hợp các thuật toán học máy nâng cao (Machine Learning / Deep Learning) như Transformer-based models (PhoBERT cho tiếng Việt, RoBERTa cho tiếng Anh) kết hợp với các vector đặc trưng phong trắc học đa tầng.
  • Mở rộng khảo sát sang các đơn vị cú pháp (Syntax-level features) như độ dài câu, cây cú pháp phụ thuộc, và phân bố cấu trúc từ loại (POS tagging n-grams).
  • Xây dựng chuẩn Benchmark ngữ liệu phong trắc học tiếng Việt đa thể loại (Vietnamese Stylometry Benchmark Corpus) phục vụ cộng đồng nghiên cứu xử lý ngôn ngữ tự nhiên.

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Công trình là tài liệu tham khảo nền tảng cho các nghiên cứu sinh, học viên cao học ngành Ngôn ngữ học so sánh đối chiếu, Ngôn ngữ học tính toán và Việt ngữ học; mở ra hướng nghiên cứu liên ngành giữa nhân văn số (Digital Humanities) và khoa học dữ liệu tại Việt Nam.
  • Ứng dụng công nghệ và báo chí truyền thông (Media & Technology): Cung cấp cơ sở dữ liệu và thuật toán hỗ trợ các tòa soạn báo điện tử trong việc kiểm duyệt phong cách, phát hiện đạo văn (plagiarism detection), và phân tích văn phong của đội ngũ biên tập viên.
  • An ninh thông tin và Pháp y ngôn ngữ (Forensic Science): Cung cấp luận cứ khoa học thực chứng hỗ trợ các cơ quan an ninh mạng và cơ quan giám định tư pháp trong việc phân tích, truy vết nguồn gốc tác giả của các tài liệu nặc danh, tin giả mạo (fake news) có tổ chức.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên Ngôn ngữ học: Tiếp cận phương pháp luận phong trắc học định lượng và mô hình đối chiếu Anh - Việt mẫu mực để phát triển các đề tài luận án chuyên sâu.
  • Chuyên gia Xử lý Ngôn ngữ Tự nhiên (NLP Engineers): Nắm bắt các đặc thù phân đoạn hình thái học tiếng Việt trong bài toán phân loại văn bản (Text Classification) và nhận dạng tác giả (Author Identification).
  • Cơ quan Quản lý Báo chí và Truyền thông: Ứng dụng các chỉ số độ đo phong cách để chuẩn hóa văn phong báo chí chính luận hiện đại.
  • Cơ quan Giám định Pháp y và Điều tra: Sử dụng các bài học cảnh báo về sai số thực nghiệm để xây dựng quy trình giám định ngôn ngữ pháp lý thận trọng, khách quan.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc xác lập giới hạn loại hình học của Lý thuyết Đường cong Phân bố Chiều dài Từ Mendenhall (Mendenhall, 1887) khi chuyển đổi từ ngôn ngữ hòa kết (tiếng Anh) sang ngôn ngữ đơn lập (tiếng Việt). Luận án chứng minh tính chất đơn lập âm tiết tính của tiếng Việt tạo ra một đỉnh tần suất cố định tại mức 3 ký tự cho hầu hết mọi tác giả, qua đó khẳng định độ đo Mendenhall bề mặt không thể hoạt động độc lập mà bắt buộc phải tích hợp phân tích đa tầng từ vựng - ngữ nghĩa.

2. Đột phá phương pháp luận của nghiên cứu so với các công trình trước đây? Trả lời: So với nghiên cứu của Mosteller & Wallace (1964) (chỉ dùng hư từ tiếng Anh) và Mendenhall (1887) (chỉ đếm số ký tự từ vựng nguyên văn), luận án đã: (1) Chuẩn hóa quy trình tách từ tiếng Việt đa âm tiết trước khi đo chiều dài; (2) Phân lập đồng thời hai thang đo: chiều dài theo ký tự và chiều dài theo âm tiết; (3) Thiết kế thực nghiệm mù đôi đối chiếu giữa 4 nhóm biến số xã hội học (Giới tính x Nghề nghiệp) và so sánh trực tiếp với ngữ liệu báo chí Anh chuẩn.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Trả lời: Phát hiện bất ngờ nhất là sự sai lệch hoàn toàn trong dự đoán tác giả ẩn danh X3 (bài "Cánh đồng và những ông quan"). Mặc dù tác giả thực sự TG 403 (Phạm Trung Tuyến) có tập ngữ liệu cá nhân rất lớn (29 bài), mô hình vẫn dự đoán nhầm sang TG 30. Nguyên nhân không nằm ở năng lực mô hình mà do sự kết hợp của hai hiện tượng: khoảng cách thời gian sáng tác (bài viết duy nhất năm 2015 so với tập mẫu 2016-2021) và sự dịch chuyển từ vựng khi tác giả chuyển từ đề tài sở trường (giao thông, đô thị) sang đề tài nông thôn, sử dụng dày đặc các số liệu thống kê 3-4 chữ số (99.65%, 31%, 25%, 600).

4. Nghiên cứu có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không? Trả lời: Có. Luận án cung cấp hệ thống phụ lục minh bạch và toàn diện: danh mục mã số tác giả (Phụ lục A1 - A4), danh mục toàn bộ tên bài viết kèm mã số và ngày xuất bản (Phụ lục A5 - A8), mẫu văn bản đã tách từ/tách câu chuẩn hóa (Phụ lục A9), dữ liệu đối chiếu báo The Telegraph (Phụ lục A10), hệ thống biểu đồ đường cong Mendenhall chi tiết (Phụ lục B, C) và bảng tần số lớp từ Hán Việt, từ mượn, thành ngữ (Phụ lục D, E).

5. Định hướng chương trình nghiên cứu 10 năm tiếp theo được vạch ra như thế nào? Trả lời: Luận án phác thảo lộ trình 10 năm chuyển đổi từ phong trắc học truyền thống sang phong trắc học trí tuệ nhân tạo (AI-driven Stylometry): (1) Xây dựng kho ngữ liệu đa phương thức (multimodal corpus) tiếng Việt quy mô lớn; (2) Phát triển các kiến trúc học sâu chuyên biệt kết hợp mô hình ngôn ngữ lớn (LLMs) với các tham số phong trắc học truyền thống; (3) Chuẩn hóa bộ quy tắc quốc gia về giám định phong cách ngôn ngữ phục vụ tố tụng tư pháp tại Việt Nam.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Tuyết Nhung là một công trình khoa học công phu, chuẩn mực và mang tính khai phóng cao cho chuyên ngành Ngôn ngữ học so sánh đối chiếu tại Việt Nam. Nghiên cứu tổng kết các đóng góp then chốt:

  1. Chuẩn hóa bộ ngữ liệu đối chiếu: Xây dựng thành công bộ ngữ liệu VVC_Stylometry gồm 48 tác giả chuyên nghiệp phân hóa theo giới tính, nghề nghiệp và thời gian, tạo lập nguồn dữ liệu thực nghiệm chuẩn mực cho giới nghiên cứu.
  2. Kiểm chứng giới hạn của lý thuyết kinh điển: Xác định rõ ràng các điều kiện biên và giới hạn của định luật Mendenhall trên ngôn ngữ đơn lập tiếng Việt, chứng minh tính đồng nhất của đỉnh phân bố 3 ký tự.
  3. Phát hiện quy luật nhiễu phong trắc học: Chỉ ra và lượng hóa tác động tiêu cực của khoảng cách niên đại văn bản, sự trôi dạt chủ đề và dung lượng ngữ liệu tối thiểu đối với độ chính xác của bài toán định danh tác giả.
  4. Mở ra hướng nghiên cứu liên ngành mới: Kết nối chặt chẽ giữa Ngôn ngữ học so sánh đối chiếu, Phong trắc học tính toán và Khoa học giám định pháp y.
  5. Đề xuất quy trình phân tích phong cách đa tầng: Thiết lập mô hình kết hợp độ đo hình thức (chiều dài ký tự/âm tiết) với độ đo từ vựng chuyên sâu (từ Hán Việt, từ nước ngoài, từ trừu tượng chính trị - lý luận).
  6. Giá trị thực tiễn và ứng dụng quốc tế: Cung cấp cơ sở khoa học đối chiếu chuẩn xác giữa tiếng Việt và tiếng Anh, đóng góp thiết thực cho công tác quản trị truyền thông số và an ninh thông tin trong giai đoạn hội nhập toàn cầu.