Giới thiệu dự án

Bối cảnh và thực trạng nghiệp vụ

Trong kỷ nguyên số hóa giáo dục đại học, công tác quản lý và đánh giá điểm rèn luyện của học sinh - sinh viên đóng vai trò then chốt nhằm phản ánh toàn diện phẩm chất, ý thức và năng lực công dân. Theo thống kê tại các cơ sở giáo dục đại học giai đoạn 2015–2016, hơn 85% quy trình xử lý phiếu điểm rèn luyện vẫn thực hiện thủ công: giáo viên chủ nhiệm và ban cán sự lớp tổng hợp điểm trên giấy, sau đó chuyển về Phòng Công tác Học sinh - Sinh viên (CTHSSV) để nhập liệu từng dòng vào hệ thống quản lý.

Thực trạng này bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Tốn kém nhân lực và thời gian: Một khoa có quy mô 3.000 sinh viên tiêu tốn từ 120–160 giờ công mỗi kỳ chỉ dành riêng cho công tác nhập điểm và rà soát thủ công.
  • Tỷ lệ sai sót cao: Tỷ lệ nhầm lẫn do thao tác gõ phím thủ công dao động từ 3% đến 5%, dẫn đến khiếu nại và kéo dài thời gian công bố kết quả xét học bổng, thi đua.
  • Khó khăn trong giám sát và lưu trữ: Dữ liệu giấy dễ thất lạc, hư hỏng và thiếu tính minh bạch khi cần hậu kiểm.
[Phiếu điểm giấy A4] ➔ [Máy quét Scanner 200-300 DPI] ➔ [Hệ thống tiền xử lý & Trích chọn đặc trưng] ➔ [Mạng Nơ-ron Phân loại] ➔ [Xuất CSDL / Excel]

Mục tiêu đề tài

Đề tài "Một số kỹ thuật trích chọn đặc trưng chữ viết tay trong nhập điểm rèn luyện tự động" do tác giả Mai Quốc An thực hiện dưới sự hướng dẫn của TS. Vũ Duy Linh tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên tập trung vào các mục tiêu cụ thể:

  1. Nghiên cứu cơ sở lý thuyết: Khảo sát toàn diện về mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và các kỹ thuật trích chọn đặc trưng ảnh chữ viết tay.
  2. Phát triển thuật toán trích chọn đặc trưng: Cải tiến và thử nghiệm 3 phương pháp nòng cốt: Biến đổi Cosin rời rạc kết hợp Phân tích thành phần chính (DCT + PCA), Moment Legendre và Mạng nơ-ron tích chập (Convolutional Neural Network - CNN).
  3. Thiết kế mô hình nhận dạng chữ số viết tay: Xây dựng mạng lan truyền ngược nhiều lớp (Multi-layer Perceptron với thuật toán Back-propagation) tối ưu hóa số lượng nơ-ron ẩn và hàm truyền.
  4. Xây dựng hệ thống tự động hóa: Thực nghiệm nhận dạng điểm số và đánh dấu trên phiếu đánh giá rèn luyện thực tế, trích xuất dữ liệu sang các định dạng chuẩn (DBF, MDB, XLS).

Tiếp cận giải pháp và phạm vi nghiên cứu

  • Phương pháp tiếp cận: Kết hợp công nghệ Nhận dạng thẻ quang học (Optical Mark Recognition - OMR) để định vị ô tích điểm và Nhận dạng ký tự thông minh (Intelligent Character Recognition - ICR) dựa trên trích chọn đặc trưng miền tần số và không gian cho chữ số viết tay.
  • Phạm vi nghiên cứu: Phiếu điểm rèn luyện chuẩn khổ A4 chứa các trường thông tin dạng bảng biểu, ô chọn (vuông, tròn, elip) và ô điền điểm số viết tay (từ '0' đến '9').
  • Giới hạn kỹ thuật: Ảnh quét đen trắng (Binary) hoặc đa cấp xám (Grayscale) độ phân giải từ 200–300 DPI; ký tự số được viết tách rời trong từng ô định sẵn.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Nhập liệu thủ công Hệ thống OMR thuần túy Phần mềm OCR thương mại (ABBYY, VnDocR) Hệ thống đề xuất (DCT-PCA/CNN + ANN)
Độ chính xác 94.0% – 96.0% 98.5% (chỉ ô tick) >98% (chữ in), <85% (viết tay tự do) 96.8% – 98.2% (chữ số viết tay)
Tốc độ xử lý 45–60 giây/phiếu 0.5 giây/phiếu 3.0–5.0 giây/phiếu 1.0–1.5 giây/phiếu
Khả năng nhận dạng chữ viết tay Không áp dụng Không hỗ trợ Trung bình với font chuẩn Tối ưu hóa cho chữ số viết tay rời
Chi phí triển khai Chi phí nhân công cao Cần máy quét/giấy OMR đắt tiền Chi phí bản quyền phần mềm cao Chi phí thấp, dùng máy quét thông dụng
Độ linh hoạt mẫu biểu Thấp Rất thấp (cố định layout) Trung bình Cao (cấu hình động vùng dữ liệu)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Tự động tách ô dữ liệu, nhận dạng chính xác chữ số viết tay từ 0–9, trích xuất bảng điểm sang file Excel/Access.
  • Should have (Nên có): Tự động khử nghiêng (Deskew), khử nhiễu (Denoising), liên kết các nét đứt trên ảnh nhị phân.
  • Could have (Có thể có): Giao diện hiệu chỉnh nhanh bằng tay khi độ tin cậy nhận dạng dưới ngưỡng threshold ($T < 0.75$).
  • Won't have (Chưa hỗ trợ): Nhận dạng chữ viết tay dạng văn bản liên tục (Cursive text recognition).

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc module hóa phân tầng:

Ngăn xếp công nghệ (Technology Stack)

  • Môi trường tính toán & phát triển thuật toán: MATLAB R2016a (Toolbox: Neural Network, Image Processing).
  • Ngôn ngữ triển khai ứng dụng: C++ / C# .NET Framework 4.5.
  • Thư viện xử lý ảnh: OpenCV v3.1 tích hợp module biến đổi ma trận rời rạc.
  • Cơ sở dữ liệu lưu trữ: Microsoft Access / SQL Server 2012 (Driver: OLE DB / ODBC).

Thiết kế cấu trúc bảng dữ liệu (Database Schema)

CREATE TABLE BangDiem_RenLuyen (
    MaSinhVien VARCHAR(15) NOT NULL,
    MaLop VARCHAR(10) NOT NULL,
    HocKy INT NOT NULL,
    NamHoc VARCHAR(9) NOT NULL,
    DiemTieuChi_1 INT CHECK (DiemTieuChi_1 BETWEEN 0 AND 20),
    DiemTieuChi_2 INT CHECK (DiemTieuChi_2 BETWEEN 0 AND 25),
    DiemTieuChi_3 INT CHECK (DiemTieuChi_3 BETWEEN 0 AND 20),
    DiemTieuChi_4 INT CHECK (DiemTieuChi_4 BETWEEN 0 stocks AND 25),
    DiemTieuChi_5 INT CHECK (DiemTieuChi_5 BETWEEN 0 AND 10),
    TongDiem INT,
    XepLoai NVARCHAR(20),
    DoTinCayNhanDang FLOAT,
    TrangThaiPheDuyet BIT DEFAULT 0,
    PRIMARY KEY (MaSinhVien, HocKy, NamHoc)
);

Phương pháp nghiên cứu và quản trị rủi ro

  1. Phương pháp thực nghiệm lặp: Xây dựng tập mẫu huấn luyện chuẩn hóa từ 1.200 mẫu chữ số thực tế thu thập từ sinh viên ICTU, phân chia tỉ lệ 70% Training, 15% Validation, 15% Testing.
  2. Kỹ thuật thẩm định chéo (Cross-Validation): Đánh giá sai số toàn phương trung bình (Mean-Square Error - MSE) qua từng epoch huấn luyện để chống hiện tượng quá khớp (Overfitting).
  3. Kế hoạch kiểm soát rủi ro:
Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu
Ảnh phiếu bị lệch góc khi scan Cao Áp dụng thuật toán biến đổi Radon/Hough để xác định góc nghiêng và xoay trả về $0^\circ$.
Chữ số bị biến dạng / đứt nét Trung bình Sử dụng phép co giãn hình thái học (Morphological Dilation/Closing) trước khi trích xuất.
Mạng nơ-ron rơi vào cực tiểu địa phương Trung bình Khởi tạo trọng số ngẫu nhiên theo phân phối Nguyen-Widrow và áp dụng hệ số quán tính (Momentum term $\alpha = 0.9$).

Triển khai và kết quả thực nghiệm

Quy trình kỹ thuật và thuật toán cốt lõi

1. Thuật toán trích chọn đặc trưng DCT kết hợp PCA

Phương pháp tiếp cận dựa trên việc chuyển đổi ảnh ký tự từ miền không gian sang miền tần số thông qua biến đổi Cosin rời rạc 2 chiều (2D-DCT), sau đó gom cụm hệ số năng lượng bằng đường quét Zigzag và nén số chiều bằng PCA:

[Ảnh ký tự MxN (32x32)] ➔ [Biến đổi 2D-DCT] ➔ [Ma trận hệ số tần số 32x32] ➔ [Quét Zigzag lấy K hệ số thấp] ➔ [Giảm chiều PCA: Ma trận hiệp phương sai C ➔ Trị riêng / Vector riêng] ➔ [Vector đặc trưng Y kích thước L (L << 1024)]

Công thức biến đổi 2D-DCT đối với ma trận điểm ảnh $f(x, y)$ kích thước $M \times N$:

$$F(u, v) = \alpha(u)\alpha(v) \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x, y) \cos\left[\frac{(2x+1)u\pi}{2M}\right] \cos\left[\frac{(2y+1)v\pi}{2N}\right]$$

Trong đó: $$\alpha(u) = \begin{cases} \frac{1}{\sqrt{M}}, & u = 0 \ \sqrt{\frac{2}{M}}, & u = 1, \dots, M-1 \end{cases}; \quad \alpha(v) = \begin{cases} \frac{1}{\sqrt{N}}, & v = 0 \ \sqrt{\frac{2}{N}}, & v = 1, \dots, N-1 \end{cases}$$

Đoạn mã hiện thực hóa thuật toán trích chọn đặc trưng DCT-PCA trên MATLAB:

function [featureVector] = extract_DCT_PCA(charImage, numComponents)
    % Chuẩn hóa kích thước ảnh về 32x32 và chuyển đổi double
    imgResized = imresize(charImage, [32 32]);
    imgDouble = double(imgResized);
    
    % Thực hiện biến đổi 2D-DCT
    dctCoeff = dct2(imgDouble);
    
    % Trích xuất hệ số năng lượng thấp theo đường Zigzag (Lấy 64 hệ số đầu)
    zigzagVector = zigzag_scan(dctCoeff, 64);
    
    % Chuẩn hóa trung bình (Zero-mean normalization)
    mu = mean(zigzagVector);
    centeredData = zigzagVector - mu;
    
    % Tính ma trận hiệp phương sai và vector riêng (PCA)
    covMat = cov(centeredData);
    [eigVectors, eigValues] = eig(covMat);
    
    % Sắp xếp và chọn numComponents vector riêng có trị riêng lớn nhất
    [~, sortIdx] = sort(diag(eigValues), 'descend');
    selectedEigVectors = eigVectors(:, sortIdx(1:numComponents));
    
    % Chiếu dữ liệu sang không gian đặc trưng mới
    featureVector = centeredData * selectedEigVectors;
end

2. Kỹ thuật trích chọn đặc trưng Moment Legendre

Sử dụng đa thức trực giao Legendre $P_p(x)$ trên đoạn $[-1, 1]$ để khử tính dư thừa thông tin, biểu diễn hình dạng nét chữ bất biến với tỉ lệ và phép tịnh tiến:

$$\lambda_{pq} = \frac{(2p+1)(2q+1)}{4} \int_{-1}^{1} \int_{-1}^{1} P_p(x) P_q(y) f(x, y) dx dy$$

3. Cấu hình mạng nơ-ron nhận dạng (MLP Back-propagation)

  • Số lớp: 3 lớp (1 Input layer, 1 Hidden layer, 1 Output layer).

  • Số nơ-ron lớp ẩn: Thiết lập theo quy tắc hình kim tự tháp:

    $$N_{hidden} = \lceil \sqrt{n_{input} \times m_{output}} \rceil$$

    Với $n_{input} = 36$ (kích thước vector đặc trưng sau PCA) và $m_{output} = 10$ (các lớp số từ 0 đến 9), chọn $N_{hidden} = 19$ đến $25$ nơ-ron.

  • Hàm kích hoạt (Transfer Function): Log-Sigmoid ($f(x) = \frac{1}{1 + e^{-x}}$) cho lớp ẩn và hàm tuyến tính/Softmax cho lớp ra.

  • Thuật toán tối ưu trọng số: Gradient Descent with Momentum and Adaptive Learning Rate (traingdx).

[Input Layer: 36 nodes] ➔ [Weights W1] ➔ [Hidden Layer: 22 nodes (Sigmoid)] ➔ [Weights W2] ➔ [Output Layer: 10 nodes (Digits 0-9)]

Kết quả thử nghiệm và đánh giá hiệu năng

Thử nghiệm được tiến hành trên tập dữ liệu gồm 2.000 mẫu chữ số viết tay độc lập thu thập từ 200 phiếu điểm thực tế:

Phương pháp trích chọn đặc trưng Kích thước Vector đặc trưng Thời gian trích xuất trung bình (ms) Độ chính xác nhận dạng (%) Sai số toàn phương (MSE)
Ảnh thô (Raw Pixel Grayscale) $32 \times 32 = 1024$ 2.1 ms 82.45% $4.8 \times 10^{-2}$
Moment Legendre (Bậc $p+q \le 8$) 45 18.6 ms 92.30% $1.9 \times 10^{-2}$
Mạng tích chập CNN (2 Conv + Pool) 128 35.2 ms 98.15% $3.5 \times 10^{-3}$
Biến đổi DCT + PCA (Đề xuất) 36 6.4 ms 97.20% $5.1 \times 10^{-3}$ 
Độ chính xác nhận dạng (%) theo phương pháp:
Raw Pixel:       |████████████████                     | 82.45%
Moment Legendre: |██████████████████                   | 92.30%
DCT + PCA:       |███████████████████                  | 97.20%
CNN (Deep Feat): |████████████████████                 | 98.15%

Ma trận nhầm lẫn (Confusion Matrix) của mô hình DCT-PCA + ANN:

  • Các chữ số dễ nhận dạng nhất: Số 0 (99.1%), Số 1 (99.5%), Số 8 (98.0%).
  • Các cặp số có độ nhầm lẫn cao nhất: Cặp 4 và 9 (nhầm lẫn 2.1%), Cặp 3 và 5 (nhầm lẫn 1.6%) do đặc thù nét viết tay uốn lượn hoặc khép góc không kín.

Đổi mới và đóng góp kỹ thuật

  1. Tối ưu hóa không gian biểu diễn đặc trưng: Việc kết hợp trích chọn hệ số DCT theo đường quét Zigzag với thuật toán PCA giúp giảm chiều dữ liệu từ $1024$ chiều (điểm ảnh thô) xuống còn $36$ chiều (giảm 96.5% kích thước vector đặc trưng), nhưng vẫn giữ lại hơn 95.8% tổng phương sai thông tin của ảnh gốc.
  2. Cân bằng giữa độ chính xác và chi phí tính toán: So với mô hình CNN thuần túy đòi hỏi phần cứng GPU chuyên dụng và thời gian trích xuất 35.2 ms/chữ số, phương pháp DCT + PCA chỉ mất 6.4 ms trên CPU tiêu chuẩn mà vẫn đạt độ chính xác tương đương (97.20% so với 98.15%).
  3. Mô hình hóa toàn diện quy trình nhập điểm tự động: Đề tài đã đóng gói hoàn chỉnh pipeline từ khâu căn chỉnh ảnh phiếu scan, tự động tách ô trường thông tin OMR, cô lập chữ số ICR, cho đến lưu trữ trực tiếp vào cơ sở dữ liệu quan hệ, tạo tiền đề ứng dụng trực tiếp tại các trường đại học.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Use Case)

Tại Phòng Công tác HSSV Trường Đại học Công nghệ Thông tin & Truyền thông – Đại học Thái Nguyên:

  1. Bước 1 (Số hóa hàng loạt): Phiếu điểm sau khi họp xét tại lớp được xếp theo tập và đưa vào khay nạp tự động (ADF) của máy quét thông thường với tốc độ 40 trang/phút.
  2. Bước 2 (Xử lý nền): Phần mềm tự động đọc batch ảnh, kiểm tra mã vạch/mã sinh viên, tách vùng OMR và vùng ký tự số.
  3. Bước 3 (Nhận dạng & Cảnh báo): Hệ thống phân loại điểm số. Những ký tự có độ tin cậy $T < 0.70$ sẽ được khoanh vùng màu đỏ trên màn hình để nhân viên kiểm tra lại bằng mắt trong chưa đầy 2 giây.
  4. Bước 4 (Đồng bộ CSDL): Kết quả được export trực tiếp ra file Excel tổng hợp và đồng bộ vào CSDL quản lý sinh viên của nhà trường.
[Khay nạp Scanner ADF] ➔ [Tự động quét Batch 40 trang/phút] ➔ [Engine nhận dạng DCT-PCA] ➔ [UI Xác thực các mẫu điểm nghi vấn (T < 0.7)] ➔ [Đồng bộ Portal Sinh viên]

Hiệu quả kinh tế và vận hành (ROI)

  • Tiết kiệm thời gian: Giảm thời gian xử lý phiếu điểm của toàn trường từ 3 tuần xuống còn 1.5 ngày làm việc.
  • Tiết kiệm chi phí: Cắt giảm hơn 80% chi phí làm thêm giờ (Overtime) của cán bộ nhập liệu, ước tính tiết kiệm 60–80 triệu VNĐ mỗi năm học cho một cơ sở đào tạo quy mô 10.000 sinh viên.
  • Thời gian hoàn vốn (Payback Period): Dưới 3 tháng kể từ khi tích hợp hệ thống vào hạ tầng phần cứng sẵn có.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc vào chất lượng phôi in: Khi phôi phiếu điểm in bị nhòe mực nặng hoặc góc quét bị lệch quá $15^\circ$, độ chính xác phân vùng ô giảm 4.2%.
  • Chữ số dính liền nét (Touching digits): Hệ thống gặp khó khăn khi sinh viên viết điểm số gồm 2 chữ số (ví dụ: số 10, 95) chạm nét vào nhau mà không nằm đúng 2 ô riêng biệt.

Hướng nâng cấp tương lai

  • Ứng dụng mạng học sâu hiện đại như ResNet-50 kết hợp tầng Bi-LSTM + CTC Loss để nhận dạng chuỗi ký tự viết tay tự do mà không cần chia ô cố định.
  • Mở rộng ứng dụng trên nền tảng di động: Cho phép giảng viên dùng camera điện thoại chụp phiếu điểm trực tiếp và xử lý thông qua máy chủ đám mây (Cloud API).

Đối tượng hưởng lợi

    [Sinh viên & Học viên]       [Cán bộ Quản lý]           [Kỹ sư Phần mềm]            [Nhà nghiên cứu]
  - Điểm công bố nhanh         - Giảm 85% áp lực nhập     - Nắm vững pipeline xử     - Cơ sở thực nghiệm
  - Tra cứu minh bạch            liệu thủ công              lý ảnh và MLP              cho nhận dạng chữ
  - Khiếu nại giảm 90%         - Dữ liệu chuẩn hóa        - Tái sử dụng source code    viết tay tiếng Việt
  • Sinh viên & Giảng viên: Kết quả rèn luyện được công bố nhanh chóng, giảm thiểu tối đa sai sót điểm số và hỗ trợ xét duyệt học bổng đúng hạn.
  • Cán bộ Quản lý Đào tạo: Loại bỏ hoàn toàn khâu gõ điểm thủ công lặp đi lặp lại, dữ liệu được tự động đồng bộ hóa lên hệ thống cơ sở dữ liệu tập trung.
  • Kỹ sư Phát triển & Lập trình viên: Nắm bắt được phương pháp kết hợp hiệu quả giữa trích chọn đặc trưng cổ điển miền tần số (DCT) với mô hình học máy (ANN/PCA), dễ dàng ứng dụng vào bài toán nhận dạng biểu mẫu, hóa đơn, séc ngân hàng.
  • Cộng đồng Nghiên cứu Khoa học: Cung cấp tài liệu tham khảo chi tiết về tính toán ma trận, Moment Legendre và cấu trúc mạng nơ-ron nhận dạng mẫu trong tiếng Việt.

Câu hỏi thường gặp (FAQ)

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu máy tính vận hành tối thiểu: CPU Intel Core i3 (thế hệ 4 trở lên), RAM 4GB, ổ cứng trống 500MB và máy quét quang học (Flatbed hoặc ADF Scanner) hỗ trợ độ phân giải quang học từ 200–300 DPI, giao tiếp qua cổng USB 2.0/3.0.

2. Phương pháp DCT + PCA xử lý thế nào với các nét viết tay có độ đậm nhạt khác nhau?

Trước khi biến đổi DCT, ảnh được đưa qua bước tiền xử lý gồm cân bằng lược đồ xám (Histogram Equalization) và nhị phân hóa cục bộ thích nghi (Adaptive Otsu Thresholding), giúp chuẩn hóa nét chữ về dạng nhị phân đồng nhất, loại bỏ ảnh hưởng của lực ấn bút hay màu mực (xanh, đen).

3. Hệ thống có thể tích hợp với các phần mềm quản trị đại học hiện nay (như Edusoft, PSC, UIS) không?

Có. Module đầu ra của hệ thống hỗ trợ xuất dữ liệu theo chuẩn bảng trung gian (ODBC, Web API JSON/RESTful hoặc file Excel chuẩn định dạng). Quản trị viên chỉ cần cấu hình ánh xạ cột mã sinh viên và điểm thành phần để import trực tiếp vào hệ thống quản lý đào tạo hiện hữu.

4. Nếu sinh viên gạch xóa điểm số trong ô thì phần mềm xử lý ra sao?

Hệ thống tích hợp thuật toán phân tích tỷ lệ điểm ảnh đen/trắng (Black Pixel Density) và kiểm tra hình thái học. Khi phát hiện mẫu hình có mật độ nét bất thường hoặc phân phối năng lượng DCT phân tán mạnh, hệ thống sẽ gán nhãn trạng thái "Nghi vấn" và tự động hiển thị popup để người quản trị duyệt thủ công.

5. Chi phí và thời gian triển khai một hệ thống hoàn chỉnh là bao nhiêu?

Nếu tận dụng hạ tầng máy tính và máy quét sẵn có của nhà trường, chi phí triển khai phần mềm gần như bằng 0 (mã nguồn mở tự phát triển). Thời gian cài đặt, cấu hình mẫu biểu phiếu điểm và đào tạo cán bộ sử dụng chỉ mất từ 2 đến 3 ngày làm việc.

Kết luận

Luận văn thạc sĩ "Một số kỹ thuật trích chọn đặc trưng chữ viết tay trong nhập điểm rèn luyện tự động" của tác giả Mai Quốc An đã giải quyết triệt để bài toán tự động hóa xử lý dữ liệu học đường mang tính thời sự cao. Bằng việc kết hợp tinh tế giữa biến đổi miền tần số Cosin rời rạc (DCT), thuật toán giảm số chiều ma trận trực giao (PCA) và mô hình mạng nơ-ron lan truyền ngược (MLP), đề tài đã chứng minh tính khả thi vượt trội với độ chính xác nhận dạng đạt 97.20%, thời gian xử lý nhanh và yêu cầu tài nguyên phần cứng tối thiểu.

Giải pháp không chỉ đóng góp giá trị lý thuyết quan trọng trong lĩnh vực nhận dạng mẫu và thị giác máy tính mà còn mở ra hướng ứng dụng thực tiễn to lớn, góp phần đẩy nhanh tiến trình chuyển đổi số trong công tác quản trị giáo dục tại Việt Nam.