Chương 1 - Giới thiệu: Trình bày tổng quan vấn đề cần phải nghiên cứu, trong đó bao gồm cơ sở hình thành đề tài, mục tiêu nghiên cứu, phạm vi nghiên cứu, và ý nghĩa đề tài. Cuối cùng là cấu trúc của luận văn. • Chương 2 - Kiến thức nền tảng và các công trình liên quan: Tổng hợp và phân tích kiến thức nền tảng, các công trình nghiên cứu, và các kết quả liên quan được chia thành hai nhóm chính: Nghiên cứu phương pháp trích xuất từ vựng viết tắt, phương pháp xây dựng từ điển. Cuối chương này, học viên sẽ đưa ra định hướng cho đề tài nghiên cứu và phương pháp đánh giá.
• Chương 3 - Hiện thực hệ thống: Chương này sẽ phân tích vấn đề của đề tài. Từ đó, tác giả đưa ra các chức năng cho từ điển để giải quyết các vấn đề. Cuối cùng, tác giả sẽ mô tả thiết kế chi tiết và hiện thực hệ thống. • Chương 4 - Đánh giá kết quả: Chương này tác giả trình bày các kết quả thực nghiệm từ hệ thống và đánh giá kết quả bằng các phương pháp khác nhau.
• Chương 5 - Kết luận: Chương cuối cùng để đánh giá lại toàn bộ các kết quả mà đề tài đã thực hiện và đạt được trong quá trình thực hiện Luận văn Thạc sĩ. Chương này cũng chỉ ra những khó khăn trong quá trình thực hiện cũng như các giới hạn của kết quả, và từ đó đề xuất những hướng phát triển tiếp theo. LUẬN VĂN TỐT NGHIỆP Trang 3/61 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính Chương 2 Kiến thức nền tảng và các công trình liên quan Chương này trình bày các khái niệm nền tảng, bao gồm định nghĩa về từ viết tắt trong y học và khái niệm từ điển. Đồng thời, chương này cũng phân tích các phương pháp xây dựng từ điển viết tắt, bao gồm các nguồn dữ liệu và cách thức xây dựng.
Ngoài ra, chương này cũng giới thiệu một số từ điển viết tắt tiêu biểu và ứng dụng tra cứu từ viết tắt bằng tiếng Việt, cùng với các phương pháp đánh giá để định hướng đề tài.1 Viết tắt trong y học Từ viết tắt là một cách rút gọn một từ hoặc một cụm từ. Cách biểu diễn từ có thể ở nhiều dạng khác nhau, nhưng thường được hình thành bằng các kí tự đầu tiên của các từ [8]. Trong y học, chúng thường được sử dụng để viết gọn các tên bệnh, phương pháp điều trị, thuốc, và các thuật ngữ y học khác. Dưới đây là một số ví dụ về từ viết tắt trong y học: • ALL: Acute lymphoblastic leukemia, nghĩa là bệnh bạch cầu cấp tính.
• AMI: Acute myocardial infarction, nghĩa là đau thắt ngực. • IBS: Irritable bowel syndrome, nghĩa là hội chứng ruột kích thích. • IDDM: Insulin-dependent diabetes mellitus, nghĩa là tiểu đường phụ thuộc insulin. • PE: Pulmonary embolism, nghĩa là tắc nghẽn động mạch phổi.
• TSH: Thyroid-stimulating hormone, nghĩa là hormon kích thích tuyến giáp. LUẬN VĂN TỐT NGHIỆP Trang 4/61 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính Tác giả Liu H và các cộng sự đã chỉ ra rằng khoảng 81,2% các từ vựng viết tắt có sự nhập nhằng về nghĩa và có trung bình 16,6 nghĩa cho 1 từ viết tắt [9]. Ví dụ như từ viết tắt PC. Chúng ta có một số nghĩa của từ bằng tiếng Anh như Personal Computer, Primary case, principal component, prostate cancer, v.2 Từ điển Từ điển không chỉ là một công cụ hữu ích để tra cứu từ vựng, mà còn là một nguồn tài nguyên quý giá để nghiên cứu và hiểu biết sâu hơn về ngôn ngữ.
Từ điển cung cấp thông tin chi tiết về từ vựng, bao gồm cả nghĩa, cách sử dụng, ngữ cảnh, từ loại, và thậm chí là nguồn gốc của từ [10]. Nó cũng có thể bao gồm các ví dụ về cách sử dụng từ trong câu, giúp người dùng hiểu rõ hơn về cách sử dụng từ đó một cách chính xác. Từ điển viết tắt, một dạng đặc biệt của từ điển, chứa một bộ sưu tập các từ viết tắt và giải thích ý nghĩa của chúng. Điều này đặc biệt hữu ích trong các lĩnh vực chuyên ngành, nơi mà việc sử dụng từ viết tắt là phổ biến.
Ví dụ, trong y học, từ viết tắt như điện tâm đồ (ECG) và hình ảnh cộng hưởng từ (MRI) thường được sử dụng. Từ điển viết tắt giúp người đọc hiểu rõ hơn về các từ viết tắt này và cung cấp kiến thức chuyên ngành một cách chính xác.2 Phân tích cách xây dựng từ điển viết tắt Học viên đã nghiên cứu các hệ thống cung cấp từ viết tắt cho các ngôn ngữ khác nhau. Trong quá trình nghiên cứu, Học viên đã tìm thấy nhiều bài báo liên quan. Bài thứ nhất của SungRim [5] là một nghiên cứu được công bố trên Nature và bài báo của các tác giả Sungrim Moon, Serguei Pakhomov, Nathan Liu, James O.
Ryan, và Genevieve B. Các tác giả đã tiến hành kết hợp hệ thống của tám kho dữ liệu (UMLS-LRABR [11], ADAM [12], Berman [13], Wikipedia [14], Vanderbilt1 [15], Vanderbilt2 [15], Stetson [16],.) từ nhiều chuyên ngành và môi trường chăm sóc sức khỏe khác nhau, từ đó xác định được 104,057 từ viết tắt với 170,426 ý nghĩa tương ứng. Bài viết thứ hai [17] là một nghiên cứu của tác giả Hua Xu từ Khoa Thông tin Y học, Đại học Columbia, New York, USA. Nghiên cứu này tập trung vào việc xây dựng bộ từ vựng cụ thể cho các từ viết tắt xuất hiện trong các ghi chú lâm sàng.
Bài viết thứ 3 [4] giới thiệu về cách xây dựng một cơ sở dữ liệu viết tắt bằng Tiếng Việt bằng phương pháp so khớp tối đa Maximum Matching (MM) [18] và phương pháp sử dụng biểu thức chính quy. Phương pháp MM này sẽ duyệt một đoạn văn bản từ trái sang phải và chọn từ có nhiều âm tiết nhất có mặt trong từ điển và thực hiện đến hết văn bản. Phương pháp này dựa vào các dấu hiệu nhận biết chữ viết tắt được định nghĩa sẵn để có thể trích xuất từ viết tắt. Các tác giả thấy rằng việc trích xuất từ viết tắt theo phương pháp so khớp tối đa không hiệu quả do phải so khớp với từ điển để loại bỏ các từ có nghĩa.
Phương pháp sử dụng biểu thức chính quy LUẬN VĂN TỐT NGHIỆP Trang 5/61 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính có tốc độ xử lý nhanh và chính xác với các dạng từ viết tắt phổ biến. Tuy nhiên, do chữ viết tắt có cấu trúc rất đa dạng, có những dạng từ viết tắt không phổ biến mà phương pháp này không thể nhận biết được. LUẬN VĂN TỐT NGHIỆP Trang 6/61 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính Điểm tương đồng của các bài báo: • Tập trung vào việc xây dựng một từ điển hoặc hệ thống để giải mã các từ viết tắt. Điểm khác biệt của các bài báo được so sánh dạng bảng như sau: Bảng 2.1: Điểm khác biệt của các nghiên cứu liên quan Bài báo Nội dung của từ điển Cách đánh giá - Tập trung vào việc xây dựng một cơ sở dữ liệu về các từ viết tắt trong y học.
- Sử dụng các nguồn dữ liệu lâm sàng để xây dựng So sánh độ phủ của từ điển xây dựng với các từ [5] từ điển của họ. điển lớn như UMLS, ADAM,. - Sử dụng học máy để giảm độ trùng lặp thông qua việc ánh xạ chéo tự động các bản ghi đồng nghĩa và gom nhóm các nghĩa của từ. Bài báo đánh giá theo hai chỉ số: - Tỉ lệ đầy đủ nghĩa (Sense Completeness) là tỉ lệ số lượng nghĩa được tìm thấy thông qua mô hình - Tập trung vào việc xây dựng một từ điển cho các trên số lượng nghĩa của từ được tìm bằng cách thủ từ viết tắt lâm sàng.
Tập dữ liệu sẽ là 200 mẫu ngẫu nhiên cho - Sử dụng các nguồn dữ liệu lâm sàng để xây dựng [17] mỗi từ viết tắt. từ điển của họ. - Chi phí chú thích (Annotation Cost) là tỉ lệ số - Sử dụng phương pháp thủ công để gán nhãn cho lượng từ chú thích đươc tìm thấy thông qua mô hình từng từ viết tắt. trên tổng số từ chú thích được tìm bằng cách thủ công.
- Tập trung vào việc xây dựng một cơ sở dữ liệu về các từ viết tắt bằng Tiếng Việt không theo chủ đề nhất định. - Sử dụng các nguồn dữ liệu từ các tệp văn bản Tác giả bài báo không đề cập tới cách đánh giá cơ [4] hoặc từ internet. sở dữ liệu viết tắt. - Sử dụng các dạng dấu hiệu từ viết tắt để trích xuất như: Cụm từ đầy đủ (Chữ viết tắt), Chữ viết tắt (Cụm từ đầy đủ), Chữ viết tắt dấu cách Cụm từ đầy đủ, dạng bảng LUẬN VĂN TỐT NGHIỆP Trang 7/61 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính 2.3 Xây dựng nguồn dữ liệu của từ điển Học viên tiến hành so sánh các phương pháp để các bài báo phân tích trích xuất từ viết tắt.
Các bài báo được khảo sát: • "Acrophile: An Automated Acronym Extractor and Server" của tác giả Larkey LS, Ogilvie P, Price MA, Tamilio B [19]. • "Creating an online dictionary of abbreviations from MEDLINE" của tác giả Chang JT and Schutze H and Altman RB [20]. • "Mining terminological knowledge in language biomedical corpora" của tác giả Liu H and Friedman C [21]. • "A Simple Algorithm for Identifying Abbreviation Definitions in Biomedical Text" của tác giả A.
Hearst [22] LUẬN VĂN TỐT NGHIỆP Trang 8/61 Đại học Quốc gia TP.HCM - Trường Đại Học Bách Khoa Khoa Khoa học và Kỹ thuật Máy tính Các bài báo sẽ được so sánh theo như bảng sau: Bảng 2.2: So sánh phương pháp trích dẫn từ viết tắt và nghĩa của từ Nguồn trích Bài báo Phương pháp trích dẫn Ưu điểm Nhược điểm Cách đánh giá dẫn Việc trích xuất từ vựng viết tắt được hiện thực Trích dẫn các từ vựng viết tắt dựa bằng cách thủ công. Ứng trên việc sử dụng các ngoặc đơn So sánh các phương pháp dụng chưa thể trích xuất và các quy tắc đặc biệt. Tác giả trích dẫn theo 4 hướng mà Thử nghiệm với những quy được các dạng “14C-urea [19] Các trang web bài báo phân tích theo 4 hướng tác giả đã đề xuất với tỉ lệ tắc khác nhau về ngôn ngữ breath test (14C-UBT),” Contextual Canonical, Contex- Precision và Recall. “granule membrane tual, Canonical, Simple Canoni- protein-140 (GMP-140),” cal “fibrinogen (Fg),” or “protein kinase C (PKC).” Sự dụng mô hình học có giám sát (Supervised Machine Learning) Thuật toán đã đạt được tỉ Các bài báo để trích dẫn các từ vựng viết tắt.