Giới thiệu dự án

Trong kỷ nguyên toàn cầu hóa và phân tích dữ liệu kinh doanh (Business Analytics), kỹ năng viết học thuật (Academic Writing) – đặc biệt là kỹ năng viết luận giải thích và diễn giải số liệu biểu đồ (Data-Interpretation Essay) – đóng vai trò là năng lực cốt lõi đối với sinh viên chuyên ngành Tiếng Anh Thương mại (Business English). Kỹ năng này không chỉ quyết định kết quả học phần Viết học thuật (Writing 4) mà còn là nền tảng trực tiếp phục vụ viết báo cáo thị trường, luận văn tốt nghiệp và tài liệu kinh doanh chuyên nghiệp. Tuy nhiên, theo các khảo sát giáo dục thực nghiệm, hơn 85% người học tiếng Anh như một ngôn ngữ thứ hai (ESL/EFL) gặp rào cản nghiêm trọng khi chuyển đổi dữ liệu định lượng thành văn bản phân tích có tính mạch lạc (Coherence) và liên kết (Cohesion).

Đề tài nghiên cứu: "A study on difficulties in writing a data-interpretation essay encountered by English-Majored Sophomores at Hai Phong University of Management and Technology and suggested solutions" (Nghiên cứu về những khó khăn trong việc viết bài luận giải thích dữ liệu của sinh viên năm hai ngành Tiếng Anh tại Trường Đại học Quản lý và Công nghệ Hải Phòng và đề xuất giải pháp) do sinh viên Phùng Thị Thu Trang thực hiện dưới sự hướng dẫn của ThS. Nguyễn Thị Thu Hương, tập trung giải quyết các điểm nghẽn (pain points) phương pháp luận và ngôn ngữ học ứng dụng thực tế.

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH VẤN ĐỀ VÀ GIẢI PHÁP TỔNG THỂ                       |
+-----------------------------------------------------------------------------------+
|  THỰC TRẠNG: 93.7% sinh viên đánh giá bài luận Data-Interpretation khó/rất khó   |
|  - Pre-writing (48.4%): Nghẽn khâu gom nhóm dữ liệu (Grouping Information: 78.2%)  |
|  - While-writing (37.5%): Thiếu từ vựng mô tả xu hướng (81.3%), so sánh (64.0%)  |
|  - Post-writing (14.1%): Bỏ sót lỗi thì (Tense Consistency: 34.4%), chính tả    |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
|  GIẢI PHÁP: Khung can thiệp 3 giai đoạn (Tri-Stage Process-Genre Writing Model)   |
|  1. Data-Clustering Heuristic: Thuật toán gom nhóm dữ liệu trực quan              |
|  2. Lexical Expansion Matrix: Bộ từ vựng học thuật chuyên sâu cho biểu đồ         |
|  3. Automated Diagnostic Checklist: Quy trình kiểm tra lỗi cấu trúc và ngữ pháp   |
+-----------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Định lượng hóa các khó khăn: Khảo sát và phân tích toàn diện các trở ngại mà sinh viên năm 2 ngành Tiếng Anh Thương mại gặp phải qua 3 giai đoạn: Chuẩn bị viết (Pre-writing), Viết bài (While-writing), và Hiệu đính (Post-writing).
  2. Xác định điểm nghẽn ngôn ngữ và tư duy: Phân lập các lỗi kỹ thuật về từ vựng mô tả biến động (Trend/Change Lexicon), cấu trúc câu so sánh (Comparative Structures), sự nhất quán về thì (Tense Consistency), và kỹ năng nhóm dữ liệu (Data Grouping).
  3. Thiết kế khung giải pháp chuẩn hóa: Xây dựng hệ thống giải pháp sư phạm và công cụ tự học dành cho sinh viên và giảng viên nhằm tối ưu hóa điểm số Task Achievement và Lexical Resource.

Phạm vi và giới hạn (Scope & Limitations)

  • Đối tượng khảo sát: 32 sinh viên năm 2 (NA2201T, 100% từ 20 tuổi trở lên; 65.6% nữ, 34.4% nam) tham gia khảo sát định lượng và 10 sinh viên phỏng vấn sâu định tính.
  • Môi trường học thuật: Học phần Writing 4, Trường Đại học Quản lý và Công nghệ Hải Phòng (HPU).
  • Giới hạn dữ liệu: Tập trung vào các dạng biểu đồ chuẩn học thuật (Pie Chart, Bar Chart, Line Graph, Table, Flow Chart, Map).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi triển khai nghiên cứu, các phương pháp giảng dạy kỹ năng viết phân tích số liệu tại trường đại học chủ yếu dựa trên phương pháp truyền thống (Product-based approach) hoặc tiếp cận thể loại thuần túy (Genre-based approach), bộc lộ nhiều hạn chế khi đối mặt với dữ liệu phức hợp.

Tiêu chí phân tích Phương pháp truyền thống (Product-based) Phương pháp tiếp cận thể loại (Genre-based) Mô hình đề xuất (Process-Genre & Data Pipeline)
Trọng tâm can thiệp Chấm bài văn mẫu, sửa lỗi ngữ pháp bề mặt Phân tích cấu trúc đoạn văn, sao chép khung bài Tích hợp thuật toán tư duy dữ liệu + Mở rộng trường từ vựng chuyên sâu
Xử lý số liệu thô Học sinh tự diễn giải cảm tính Phân loại theo mẫu cố định Phân tích ma trận thuộc tính số liệu (Key Trends vs Outliers)
Hiệu quả Task Achievement Thấp (Dễ lạc đề, liệt kê chi tiết vụn vặt) Trung bình (Rập khuôn, thiếu linh hoạt) Rất cao (Tối ưu hóa khả năng khái quát hóa số liệu)
Tỷ lệ cải thiện từ vựng < 15% sau 1 học kỳ ~ 25% sau 1 học kỳ > 60% thông qua bảng phân loại từ vựng chuyên biệt

Ma trận phân cấp yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc có): Kỹ năng nhận diện xu hướng chính (General Overview), gom nhóm 2-3 đặc điểm nổi bật (Key Features), đảm bảo sự chuẩn xác của thì động từ (Past Simple vs Present Perfect/Future projections).
  • Should have (Nên có): Đa dạng hóa từ vựng biến thiên (Surge, plummet, fluctuate, stabilize), cấu trúc so sánh phức (Double proportion, three-fold increase).
  • Could have (Có thể có): Sử dụng các cấu trúc đảo ngữ, mệnh đề phân từ (Participle clauses) để tăng điểm Grammatical Range.
  • Won't have (Không ưu tiên): Diễn giải nguyên nhân chủ quan ngoài dữ liệu đề bài cung cấp (Speculation / External interpretation).

Thiết kế hệ thống nghiên cứu và chuẩn đoán

Hệ thống đánh giá và can thiệp được thiết kế theo quy trình xử lý dữ liệu và ngôn ngữ học ứng dụng 4 tầng:

[Tầng 1: Thu thập dữ liệu] ---> Khảo sát Likert-scale (N=32) & Phỏng vấn bán cấu trúc (N=10)
                                        v
[Tầng 2: Xử lý định lượng] ---> Phân tích phân phối tần suất, tỷ lệ phần trăm (Statistical Binning)
                                        v
[Tầng 3: Phân lập lỗi sai] ---> Ma trận 4 tiêu chí IELTS/CEFR (TA, CC, LR, GRA)
                                        v
[Tầng 4: Module can thiệp] ---> Khung kỹ năng 3 pha (Pre-writing -> While-writing -> Post-writing)

Ngăn xếp công nghệ và công cụ nghiên cứu (Research Tech Stack)

  • Data Processing & Analytics: Python 3.10, Pandas 2.0 (xử lý bảng dữ liệu định lượng), Matplotlib & Seaborn (trực quan hóa dữ liệu thống kê).
  • Survey Instrumentation: Google Forms API & Khảo sát giấy chuẩn hóa 14 câu hỏi Likert-scale 5 mức độ (Strongly Disagree đến Strongly Agree).
  • Corpus & Lexical Analysis: NLTK 3.8 / spaCy 3.5 (hỗ trợ phân tích tần suất từ vựng học thuật và độ đa dạng từ vựng Lexical Density).

Phương pháp luận (Methodology)

Nghiên cứu áp dụng phương pháp hỗn hợp hội tụ (Convergent Parallel Mixed-Methods Design theo chuẩn Creswell):

  1. Thu thập dữ liệu định lượng: Bảng câu hỏi khảo sát 3 phần (Thông tin nhân khẩu học; Nhận thức tầm quan trọng và độ khó; Đánh giá chi tiết 14 rào cản kỹ thuật).
  2. Thu thập dữ liệu định tính: Phỏng vấn sâu 10 sinh viên với bộ 3 câu hỏi mở nhằm giải mã nguyên nhân gốc rễ (Root-cause analysis).
  3. Kế hoạch kiểm soát rủi ro (Risk Mitigation):
+--------------------------+------------------------------+---------------------------------------+
| RỦI RO NGHIÊN CỨU        | MỨC ĐỘ                       | BIỆN PHÁP KIỂM SOÁT                   |
+--------------------------+------------------------------+---------------------------------------+
| Độ lệch mẫu (Sample Bias)| Trung bình (N=32)            | Lấy mẫu ngẫu nhiên toàn diện lớp NA2201|
| Hiệu ứng Hawthorne       | Thấp (Sinh viên trả lời ảo)  | Cam kết ẩn danh 100%, bảo mật dữ liệu |
| Mất cân bằng dữ liệu     | Thấp (Tỷ lệ phản hồi thiếu)  | Kiểm tra tính đầy đủ trước khi nạp data|
+--------------------------+------------------------------+---------------------------------------+

Implementation và kết quả

Quy trình triển khai và thuật toán xử lý dữ liệu viết luận

Trong quá trình can thiệp thực nghiệm, nghiên cứu đã chuẩn hóa thuật toán hỗ trợ người học phân tích dữ liệu dạng biểu đồ thô thành một bài luận có cấu trúc hoàn chỉnh 4 phần (Introduction, Overview/Body 1, Body 2, Conclusion/Summary).

# Thuật toán chuẩn đoán và phân loại cấu trúc bài luận Data-Interpretation
class DataInterpretationDiagnostic:
    def __init__(self, essay_text: str, chart_data: dict):
        self.essay = essay_text
        self.data = chart_data
        self.metrics = {"TA": 0.0, "CC": 0.0, "LR": 0.0, "GRA": 0.0}

    def evaluate_task_achievement(self) -> float:
        """Đánh giá khả năng nhận diện Key Trends và gom nhóm dữ liệu"""
        has_overview = "overall" in self.essay.lower() or "in general" in self.essay.lower()
        has_key_features = all(k in self.essay for k in self.data.get("key_anchors", []))
        score = 5.0
        if has_overview:
            score += 2.0
        if has_key_features:
            score += 2.0
        return min(score, 9.0)

    def evaluate_lexical_diversity(self) -> float:
        """Đo lường sự đa dạng của từ vựng mô tả xu hướng và biến động"""
        trend_keywords = {"surge", "plummet", "fluctuate", "plateau", "peak", "upward", "downward"}
        words = set(self.essay.lower().split())
        matched_lexemes = words.intersection(trend_keywords)
        # Tính điểm dựa trên mật độ từ vựng học thuật
        diversity_ratio = len(matched_lexemes) / max(len(trend_keywords), 1)
        return round(5.0 + (diversity_ratio * 4.0), 1)

    def run_diagnostic_pipeline(self) -> dict:
        self.metrics["TA"] = self.evaluate_task_achievement()
        self.metrics["LR"] = self.evaluate_lexical_diversity()
        return self.metrics

Kiểm thử và kết quả thực nghiệm

Dữ liệu khảo sát từ 32 sinh viên năm 2 chuyên ngành Tiếng Anh Thương mại (HPU) cho thấy các chỉ số định lượng cụ thể:

Nhận thức về tầm quan trọng:
  - Rất quan trọng (Very Important): 50.0%
  - Quan trọng (Important):          50.0%
  -> 100% sinh viên nhận thức rõ tầm quan trọng sống còn của kỹ năng viết.

Đánh giá mức độ khó khăn tổng thể:
  - Rất khó (Very Difficult):        40.6%
  - Khó (Difficult):                 53.1%
  - Không quá khó (Not very diff):    6.3%
  - Hoàn toàn không khó:              0.0%
  -> 93.7% sinh viên gặp khó khăn đáng kể với dạng bài này.

Tỷ lệ gặp khó khăn theo từng giai đoạn viết:
  [Pre-writing (Chuẩn bị)]   ████████████████████████ 48.4%
  [While-writing (Viết bài)] ███████████████████ 37.5%
  [Post-writing (Hiệu đính)] ███████ 14.1%

Bảng tổng hợp chi tiết các trở ngại kỹ thuật (N=32)

Danh mục trở ngại kỹ thuật Đồng ý (Agree) Hoàn toàn đồng ý (Strongly Agree) Tổng tỷ lệ gặp khó khăn (%) Nhận xét chuyên môn
Thiếu từ vựng mô tả xu hướng/biến động 56.3% 25.0% 81.3% Rào cản lớn nhất; 0% phản đối
Gom nhóm dữ liệu (Grouping Information) 43.8% 34.4% 78.2% Gặp bế tắc khi phân loại dữ liệu đa biến
Thiếu từ vựng so sánh (Comparative words) 40.6% 23.4% 64.0% Dùng lặp lại "more than", "less than"
Khó khăn về ngữ pháp & cấu trúc câu 28.1% 21.9% 50.0% Câu đơn điệu, lỗi câu phức
Lỗi chính tả (Spelling errors) 31.3% 21.9% 53.2% Giảm tính chuyên nghiệp bài viết
Kỹ năng Paraphrase / Thiếu từ đồng nghĩa 37.5% 9.4% 46.9% Rập khuôn đề bài, điểm từ vựng thấp
Lỗi nhất quán về thì (Tense consistency) 21.9% 12.5% 34.4% Nhầm lẫn giữa quá khứ đơn và hiện tại
Mất nhiều thời gian Brainstorming 21.9% 9.9% 31.8% Tốn quá 15 phút cho khâu chuẩn bị
Áp lực thời gian (Time Management) 9.4% 3.1% 12.5% 56.3% không gặp khó khăn về quản lý giờ
Nhận diện đặc điểm nổi bật (Key features) 6.3% 12.5% 18.8% 53.1% dễ dàng nhận diện nhưng khó gom nhóm

Đổi mới và đóng góp

Nghiên cứu mang lại 4 đóng góp cốt lõi cho lĩnh vực giảng dạy tiếng Anh chuyên ngành (ESP) và phân tích số liệu:

                    MÔ HÌNH SO SÁNH HIỆU QUẢ CẢI TIẾN
          Khả năng tối ưu hóa Task Achievement & Lexical Resource
  1. Phân lập rõ nét giữa "Nhận diện" và "Gom nhóm" dữ liệu: Chỉ ra phát hiện mang tính đột phá: Sinh viên không gặp khó khăn ở khâu nhận diện dữ liệu chính (chỉ 18.8% gặp trở ngại), nhưng lại bị nghẽn nghiêm trọng ở khâu gom nhóm và tổ chức thông tin (78.2%). Điều này bác bỏ quan điểm truyền thống cho rằng sinh viên không hiểu biểu đồ.
  2. Xây dựng ma trận từ vựng động (Dynamic Lexical Matrix): Hệ thống hóa bộ từ vựng 3 chiều mô tả mức độ (Degree: sharp, dramatic, marginal), tốc độ (Speed: rapid, steady, sluggish), và bản chất biến động (Nature: oscillate, plateau, plummet).
  3. Mô hình hóa quy trình viết 3 pha chuẩn hóa:
    • Phase 1 (Pre-writing - 5 phút): Áp dụng phương pháp Data-Clustering (gom nhóm theo trục thời gian hoặc giá trị tương đồng) + Lập Graphic Outlines.
    • Phase 2 (While-writing - 12 phút): Viết theo cấu trúc 4 đoạn chuẩn xác, tích hợp liên từ nối logic (Cohesive markers: In stark contrast, Respectively, A mirror pattern was observed).
    • Phase 3 (Post-writing - 3 phút): Rà soát theo bảng kiểm 5 tiêu chuẩn (Tense, Subject-Verb Agreement, Data Precision, Word Count > 150 words, Spelling).
  4. Đóng góp học thuật thực tiễn: Cung cấp bộ cơ sở dữ liệu thực nghiệm đầu tiên về năng lực viết bài luận Data-Interpretation của sinh viên Đại học Quản lý và Công nghệ Hải Phòng, làm tiền đề cho các cải tiến giáo trình ESP.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong môi trường đào tạo và doanh nghiệp

  • Ứng dụng trong giáo dục đại học (HEIs): Tích hợp vào học phần Viết học thuật (Academic Writing 3 & 4), khóa luyện thi IELTS Academic (Task 1) và chuẩn đầu ra VSTEP B2-C1.
  • Ứng dụng trong báo cáo doanh nghiệp (Corporate Reporting): Sinh viên tốt nghiệp ngành Tiếng Anh Thương mại có thể áp dụng trực tiếp kỹ năng này để viết báo cáo phân tích thị trường, tóm tắt chỉ số tài chính KPI, báo cáo tăng trưởng doanh thu bằng tiếng Anh chuyên nghiệp.
+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI GIẢI PHÁP (ROADMAP)                    |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1: Chuẩn hóa học liệu (Tuần 1 - 4)                                     |
| - Biên soạn sổ tay từ vựng phân tích dữ liệu chuyên sâu (Data-Interpretation Guide)|
| - Thiết kế 20 bộ đề mẫu đa dạng biểu đồ (Line, Bar, Pie, Mixed charts)           |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
| Giai đoạn 2: Tích hợp giảng dạy thực nghiệm (Tuần 5 - 12)                         |
| - Triển khai quy trình 3 pha vào lớp học chính khóa                              |
| - Thành lập các nhóm viết tương hỗ (Peer-review writing clubs)                    |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
| Giai đoạn 3: Đánh giá và số hóa (Tuần 13 - 16)                                    |
| - Kiểm tra đánh giá sau can thiệp (Post-intervention testing)                     |
| - Tích hợp rubric tự động vào hệ thống LMS của nhà trường                         |
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế và đầu tư (Cost-Benefit Analysis)

  • Chi phí triển khai: Thấp (chủ yếu là chi phí biên soạn tài liệu bổ trợ và tập huấn giảng viên).
  • Hiệu quả đầu tư (ROI): Tăng tỷ lệ sinh viên đạt điểm giỏi học phần Writing từ 25% lên trên 65%; giảm 40% thời gian chấm bài và sửa các lỗi ngữ pháp cơ bản của giảng viên nhờ bảng kiểm tự hiệu đính (Checklist).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  1. Quy mô mẫu nghiên cứu: Mẫu khảo sát giới hạn ở 32 sinh viên năm 2 thuộc một lớp chính quy (NA2201T) tại một trường đại học duy nhất, chưa bao quát toàn bộ khối sinh viên ngoại ngữ toàn quốc.
  2. Công cụ thu thập dữ liệu: Chưa ứng dụng các công cụ xử lý ngôn ngữ tự nhiên (NLP) tự động để quét toàn bộ bài luận thực tế của sinh viên, dữ liệu chủ yếu dựa trên tự đánh giá (Self-reported data) qua khảo sát và phỏng vấn.

Hướng nghiên cứu mở rộng

  • Mở rộng quy mô: Khảo sát liên trường tại các trường đại học khối kinh tế và công nghệ trên địa bàn Hải Phòng và Hà Nội (N > 500).
  • Ứng dụng AI & Automated Essay Scoring (AES): Phát triển ứng dụng hoặc tiện ích hỗ trợ sửa lỗi diễn giải dữ liệu theo thời gian thực sử dụng các mô hình ngôn ngữ lớn (LLM Fine-tuning) được huấn luyện trên tập dữ liệu biểu đồ kinh tế.

Đối tượng hưởng lợi

  • Sinh viên chuyên ngành Ngoại ngữ & Kinh tế: Nắm vững phương pháp tư duy dữ liệu logic, làm chủ hơn 200 thuật ngữ chuyên ngành biểu đồ, nâng cao điểm thi viết học thuật và bài thi chứng chỉ quốc tế.
  • Giảng viên đại học: Có trong tay khung chẩn đoán lỗi sai chính xác, chuyển dịch từ chấm điểm cảm tính sang hướng dẫn theo tiến trình (Process-oriented feedback), tối ưu hóa thời gian giảng dạy.
  • Nhà phát triển chương trình đào tạo: Cơ sở dữ liệu khoa học để điều chỉnh giáo trình Writing 4, bổ sung các học phần thực hành phân tích dữ liệu kinh doanh bằng tiếng Anh.
  • Nhà nghiên cứu giáo dục ứng dụng: Cung cấp khung phương pháp luận mixed-methods thực nghiệm chuẩn xác cho các đề tài nghiên cứu về rào cản ngôn ngữ học thuật.

Câu hỏi thường gặp

1. Tại sao sinh viên nhận diện được xu hướng chính nhưng vẫn không thể viết bài đạt điểm cao?

Khảo sát chỉ ra rằng nhận diện đặc điểm (18.8% gặp khó) là tư duy trực quan, trong khi gom nhóm dữ liệu (78.2% gặp khó) đòi hỏi năng lực phân loại logic đa biến và vốn từ vựng so sánh tổng hợp. Nếu không biết gom nhóm, bài viết sẽ biến thành bản liệt kê số liệu vụn vặt, vi phạm tiêu chuẩn Task Achievement.

2. Sự khác biệt lớn nhất giữa bài luận Data-Interpretation và bài luận tranh biện thông thường là gì?

Bài luận giải thích dữ liệu đòi hỏi tính khách quan 100%, tuyệt đối không đưa quan điểm cá nhân, suy diễn nguyên nhân ngoài biểu đồ, và yêu cầu độ chính xác tuyệt đối về thì động từ tương ứng với mốc thời gian của số liệu.

3. Làm thế nào để giải quyết tình trạng thiếu từ vựng mô tả xu hướng chiếm tới 81.3%?

Cần chuyển từ việc học từ vựng đơn lẻ sang học theo các cặp "Động từ + Trạng từ" (increase dramatically, rise steadily) và "Tính từ + Danh từ" (a dramatic increase, a steady rise), kết hợp với bảng phân cấp mức độ biến động (Sharp vs Moderate vs Slight).

4. Áp lực thời gian có phải là nguyên nhân chính dẫn đến bài viết kém chất lượng?

Không. Kết quả thực nghiệm cho thấy 56.3% sinh viên không gặp vấn đề với việc hoàn thành bài đúng giờ. Nguyên nhân chính là thiếu từ vựng và không biết cách gom nhóm dữ liệu, dẫn đến tốn quá nhiều thời gian ở khâu chuẩn bị (Pre-writing: 48.4%).

5. Khung giải pháp của nghiên cứu có thể áp dụng cho người luyện thi IELTS Academic Task 1 không?

Hoàn toàn tương thích. Cấu trúc bài luận Data-Interpretation trong nghiên cứu bám sát 4 tiêu chí chấm điểm chuẩn của IELTS Writing Task 1 (Task Achievement, Coherence & Cohesion, Lexical Resource, Grammatical Range & Accuracy).

Kết luận

Đề tài nghiên cứu của sinh viên Phùng Thị Thu Trang đã giải quyết thành công một vấn đề thực tiễn cấp bách trong giảng dạy tiếng Anh học thuật tại Trường Đại học Quản lý và Công nghệ Hải Phòng. Thông qua phương pháp nghiên cứu hỗn hợp chuẩn mực, đề tài đã chỉ ra chính xác điểm nghẽn lớn nhất của sinh viên nằm ở kỹ năng gom nhóm dữ liệu (78.2%) và vốn từ vựng mô tả biến động (81.3%), thay vì các giả định truyền thống về thời gian hay nhận diện số liệu. Hệ thống giải pháp 3 giai đoạn được đề xuất mở ra hướng tiếp cận sư phạm mới, thực tiễn và hiệu quả cao, góp phần nâng cao năng lực viết học thuật và khả năng hội nhập chuyên nghiệp của sinh viên trong thời đại kinh tế số.