Nghiên cứu phát triển kỹ thuật hỗ trợ phát hiện đạo văn trong văn bản tiếng Việt

• Tác giả: Nguyễn Văn Sơn
• Người hướng dẫn: TS. Lê Thanh Hương
• Trường học: Viện Khoa học và Công nghệ Quân sự
• Chuyên ngành: Cơ sở toán học cho tin học
• Đề tài: Nghiên Cứu Phát Triển Kỹ Thuật Hỗ Trợ Phát Hiện Đạo Văn Trong Văn Bản Tiếng Việt
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN PHÁT HIỆN SAO CHÉP
• 1.1. Các hình thức sao chép
• 1.2. Các kiến thức nền tảng
• 1.2.1. Một số kiến thức nền tảng về ngôn ngữ tiếng Việt
• 1.2.2. Cơ sở lý thuyết về thuật toán LDA
• 1.2.3. Giới thiệu luật kết hợp và thuật toán Apriori
• 1.2.4. Giới thiệu mạng nơ ron hồi quy RNN
• 1.2.5. Giới thiệu mạng LSTM xếp chồng
• 1.3. Các nghiên cứu về phát hiện sao chép trên thế giới
• 1.3.1. Trích rút từ khóa
• 1.3.2. Phát hiện đoạn sao chép
• 1.4. Các hướng tiếp cận phát hiện sao chép trong nước
• 1.5. Kho ngữ liệu và phương pháp đánh giá
• 1.5.1. Kho ngữ liệu thử nghiệm
• 1.5.2. Phương pháp đánh giá
• 1.6. Những vấn đề luận án cần tập trung nghiên cứu giải quyết
• 1.7. Kết luận Chương 1
• 2. CHƯƠNG 2: TRÍCH RÚT TỪ KHÓA DỰA TRÊN MÔ HÌNH HỌC SÂU
• 2.1. Phát biểu bài toán tìm tập tài liệu ứng cử và bài toán trích rút từ khóa
• 2.2. Trích rút từ khóa dựa trên kỹ thuật trích rút đặc trưng và mô hình mạng FFNN
• 2.2.1. Nội dung đề xuất
• 2.2.2. Đánh giá thử nghiệm
• 2.3. Kết luận Chương 2
• 3. CHƯƠNG 3: PHÁT HIỆN ĐOẠN SAO CHÉP GIỮA HAI TÀI LIỆU DỰA TRÊN CÁC MÔ HÌNH HỌC MÁY
• 3.1. Phát biểu bài toán phát hiện đoạn sao chép
• 3.2. Mô hình chủ đề cho bài toán phát hiện đoạn sao chép
• 3.2.1. Đề xuất giải pháp
• 3.2.2. Đánh giá thử nghiệm trên kho ngữ liệu PAN
• 3.3. Kỹ thuật trích rút đặc trưng và mô hình LSTM xếp chồng cho bài toán phát hiện đoạn sao chép
• 3.3.1. Mô hình đề xuất pha đoạn và pha từ
• 3.3.2. Đánh giá thử nghiệm trên kho ngữ liệu PAN
• 3.4. Kết luận Chương 3
• 4. CHƯƠNG 4: ỨNG DỤNG CÁC KỸ THUẬT PHÁT HIỆN SAO CHÉP CHO VĂN BẢN TIẾNG VIỆT
• 4.1. Xây dựng kho ngữ liệu phát hiện đoạn sao chép tiếng Việt
• 4.2. Đề xuất giải pháp xây dựng kho ngữ liệu phát hiện đoạn sao chép văn bản tiếng Việt
• 4.3. Kết quả, đánh giá kho ngữ liệu
• 4.4. Trích rút từ khóa cho văn bản tiếng Việt
• 4.4.1. Trích rút từ khóa dựa trên độ đo TF-IDF cho văn bản dài tiếng Việt
• 4.4.2. Cải tiến kỹ thuật trích rút từ khóa dựa trên mô hình học sâu cho văn bản tiếng Việt
• 4.5. Ứng dụng kỹ thuật phát hiện đoạn sao chép cho văn bản tiếng Việt
• 4.5.1. Cải tiến mô hình chủ đề cho bài toán phát hiện đoạn sao chép văn bản tiếng Việt
• 4.5.2. Cải tiến kỹ thuật trích rút đặc trưng và mô hình LSTM xếp chồng cho bài toán phát hiện đoạn sao chép văn bản tiếng Việt
• 4.6. Kết luận Chương 4
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ
• TÀI LIỆU THAM KHẢO

I. Tổng quan về phát hiện đạo văn

Phát hiện đạo văn là một vấn đề cấp thiết trong bối cảnh gia tăng sử dụng tài liệu số và sự phát triển của công nghệ thông tin. Tình trạng đạo văn diễn ra phổ biến, không chỉ ở các nước phát triển mà còn ở Việt Nam. Theo khảo sát, tỷ lệ sinh viên thừa nhận đạo văn tại một số trường đại học ở Việt Nam có thể lên đến 70%. Điều này đặt ra yêu cầu cần thiết phải có các phương pháp phát hiện đạo văn hiệu quả. Việc phát hiện đạo văn không chỉ dừng lại ở việc xác định các đoạn văn bản giống nhau mà còn phải phân tích ngữ nghĩa để hiểu rõ hơn về cách thức sao chép. Các hệ thống phát hiện đạo văn hiện nay thường dựa vào các thuật toán phức tạp như LDA, mạng nơ ron hồi quy (RNN) và LSTM. Những phương pháp này giúp nâng cao độ chính xác trong việc phát hiện đạo văn, đặc biệt là trong văn bản tiếng Việt, nơi có nhiều đặc thù ngôn ngữ.

1.1 Khái niệm đạo văn

Đạo văn được định nghĩa là việc sao chép ý tưởng hoặc nội dung của người khác mà không ghi rõ nguồn gốc. Theo từ điển Merriam-Webster, đạo văn bao gồm việc sử dụng ý tưởng, kết quả mà không trích dẫn nguồn. Đạo văn có thể xuất hiện dưới dạng sao chép nguyên văn hoặc có sửa đổi. Tình trạng này đang ngày càng gia tăng trong các lĩnh vực như giáo dục và nghiên cứu khoa học, đòi hỏi các biện pháp phát hiện hiệu quả hơn để bảo vệ quyền sở hữu trí tuệ.

1.2 Các hình thức sao chép

Có nhiều hình thức sao chép khác nhau, bao gồm sao chép nguyên văn và sao chép có sửa đổi. Hình thức sao chép nguyên văn là việc sao chép chính xác nội dung mà không có bất kỳ thay đổi nào, trong khi sao chép có sửa đổi có thể bao gồm việc thay đổi một số từ ngữ nhưng vẫn giữ nguyên ý tưởng cơ bản. Các hình thức này cần được nhận diện và xử lý khác nhau trong các hệ thống phát hiện đạo văn. Việc hiểu rõ các hình thức sao chép này sẽ giúp cải thiện độ chính xác của các kỹ thuật phát hiện đạo văn.

II. Kỹ thuật phát hiện đạo văn

Kỹ thuật phát hiện đạo văn hiện nay chủ yếu dựa vào các mô hình học máy và thuật toán ngữ nghĩa. Những phương pháp này không chỉ giúp phát hiện các đoạn văn bản giống nhau mà còn phân tích ngữ nghĩa để hiểu rõ hơn về cách thức sao chép. Các thuật toán như LDA và RNN đã được áp dụng rộng rãi trong việc phát hiện đạo văn, với khả năng phân tích sâu hơn về cấu trúc ngữ nghĩa của văn bản. Việc ứng dụng các mô hình học sâu như LSTM trong phát hiện đạo văn giúp cải thiện độ chính xác và khả năng phát hiện các trường hợp sao chép phức tạp hơn. Các kỹ thuật này đã được thử nghiệm trên nhiều kho ngữ liệu khác nhau, cho thấy hiệu quả cao trong việc phát hiện đạo văn tiếng Việt.

2.1 Mô hình LDA trong phát hiện đạo văn

Mô hình LDA (Latent Dirichlet Allocation) là một trong những kỹ thuật phổ biến trong việc phát hiện đạo văn. Mô hình này giúp phân tích và nhận diện các chủ đề trong văn bản, từ đó xác định các đoạn văn bản có khả năng bị sao chép. LDA hoạt động dựa trên giả định rằng mỗi tài liệu có thể được mô tả bằng một tổ hợp của các chủ đề, và mỗi chủ đề lại được mô tả bằng một tổ hợp của các từ. Việc áp dụng LDA trong phát hiện đạo văn giúp cải thiện khả năng nhận diện các đoạn văn bản có nội dung tương đồng mà không bị ảnh hưởng bởi cách diễn đạt khác nhau.

2.2 Mô hình mạng nơ ron hồi quy RNN

Mạng nơ ron hồi quy (RNN) là một kỹ thuật học sâu được sử dụng rộng rãi trong việc phát hiện đạo văn. RNN có khả năng xử lý dữ liệu tuần tự, cho phép phân tích các mối quan hệ giữa các từ trong một đoạn văn bản. Điều này giúp mô hình hiểu rõ hơn về ngữ nghĩa và cấu trúc của văn bản, từ đó phát hiện các đoạn sao chép một cách chính xác hơn. Việc sử dụng RNN trong phát hiện đạo văn tiếng Việt đang trở thành một xu hướng mới, giúp nâng cao hiệu quả và tính chính xác của các hệ thống phát hiện đạo văn hiện tại.

III. Ứng dụng và thực tiễn

Việc nghiên cứu và phát triển các kỹ thuật phát hiện đạo văn không chỉ có ý nghĩa trong lĩnh vực học thuật mà còn có ứng dụng thực tiễn quan trọng. Các hệ thống phát hiện đạo văn có thể được áp dụng trong các cơ sở giáo dục, giúp nâng cao tính trung thực trong nghiên cứu và học tập. Điều này không chỉ bảo vệ quyền sở hữu trí tuệ mà còn tạo ra một môi trường học tập lành mạnh hơn. Các kết quả nghiên cứu từ luận án có thể được áp dụng để phát triển các phần mềm phát hiện đạo văn, hỗ trợ giảng viên và sinh viên trong việc kiểm tra tính chính xác của tài liệu. Hơn nữa, việc xây dựng kho ngữ liệu tiêu chuẩn cho văn bản tiếng Việt sẽ giúp cải thiện khả năng phát hiện đạo văn và nâng cao chất lượng nghiên cứu trong nước.

3.1 Tác động đến giáo dục

Việc ứng dụng các kỹ thuật phát hiện đạo văn trong giáo dục có thể tạo ra một môi trường học tập trung thực hơn. Các giảng viên có thể sử dụng các hệ thống phát hiện đạo văn để kiểm tra các bài luận của sinh viên, từ đó nâng cao ý thức về việc trích dẫn nguồn và bảo vệ quyền sở hữu trí tuệ. Điều này không chỉ giúp sinh viên hiểu rõ hơn về trách nhiệm của mình trong việc sử dụng tài liệu mà còn khuyến khích họ phát triển tư duy sáng tạo.

3.2 Phát triển phần mềm phát hiện đạo văn

Kết quả nghiên cứu trong luận án có thể được ứng dụng để phát triển các phần mềm phát hiện đạo văn, phục vụ cho các cơ sở giáo dục và nghiên cứu. Việc phát triển phần mềm này không chỉ giúp nâng cao hiệu quả trong việc phát hiện đạo văn mà còn cung cấp các công cụ hữu ích cho giảng viên và sinh viên. Các phần mềm này có thể được cải tiến và cập nhật thường xuyên để đáp ứng nhu cầu ngày càng cao trong việc kiểm tra tính chính xác của tài liệu.