Luận văn Thạc sĩ VNU-UET: Nghiên cứu phương pháp mô hình hóa tri thức văn bản luật

Luận văn thạc sĩ VNU UET nghiên cứu phương pháp mô hình hóa tri thức cho hệ thống văn bản luật, góp phần nâng cao hiệu quả quản lý và tra cứu.

• Tác giả: Nguyễn Hà Thanh
• Người hướng dẫn: PGS. TS. Nguyễn Việt Hà
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên cứu và đề xuất phương pháp mô hình hóa tri thức cho hệ thống văn bản luật
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: Lý do chọn đề tài
• 1.1. Các nghiên cứu liên quan
• 1.1.1. Các nghiên cứu về biểu diễn tri thức
• 1.1.2. Các nghiên cứu về Legal Engineering
• 1.2. Nhiệm vụ của luận văn
• 1.3. Cấu trúc luận văn
• 2. CHƯƠNG 2: Mô hình hóa tri thức
• 2.1. Tri thức và biểu diễn tri thức
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về mô hình hóa tri thức cho hệ thống văn bản luật

Mô hình hóa tri thức là một lĩnh vực quan trọng trong nghiên cứu trí tuệ nhân tạo, đặc biệt trong việc xử lý và quản lý thông tin từ các văn bản pháp luật. Luận văn thạc sĩ tại VNU UET nghiên cứu và đề xuất phương pháp mô hình hóa tri thức cho hệ thống văn bản luật Việt Nam. Mục tiêu chính là tạo ra một cơ sở tri thức có thể hỗ trợ việc truy vấn và xử lý thông tin pháp luật một cách hiệu quả.

1.1. Định nghĩa và vai trò của mô hình hóa tri thức

Mô hình hóa tri thức là quá trình chuyển đổi thông tin thành dạng có thể hiểu và xử lý bởi máy tính. Trong lĩnh vực pháp luật, điều này giúp cải thiện khả năng truy cập và sử dụng thông tin pháp lý, từ đó nâng cao hiệu quả của hệ thống pháp luật.

1.2. Tầm quan trọng của hệ thống văn bản luật

Hệ thống văn bản luật đóng vai trò quan trọng trong việc điều chỉnh các mối quan hệ xã hội. Việc mô hình hóa tri thức cho hệ thống này không chỉ giúp giảm thiểu sai sót mà còn nâng cao tính nhất quán và hiệu quả trong việc áp dụng pháp luật.

II. Vấn đề và thách thức trong mô hình hóa tri thức cho văn bản luật

Mô hình hóa tri thức cho hệ thống văn bản luật gặp phải nhiều thách thức, bao gồm tính phức tạp và sự thay đổi liên tục của các văn bản pháp luật. Những vấn đề này cần được giải quyết để đảm bảo tính chính xác và hiệu quả của hệ thống.

2.1. Tính phức tạp của văn bản pháp luật

Văn bản pháp luật thường chứa đựng nhiều quy định, điều khoản và mối quan hệ phức tạp. Việc mô hình hóa tri thức cần phải phản ánh đầy đủ các yếu tố này để đảm bảo tính chính xác trong việc áp dụng.

2.2. Sự thay đổi liên tục của văn bản pháp luật

Các văn bản pháp luật thường xuyên được sửa đổi, bổ sung. Điều này tạo ra thách thức lớn trong việc duy trì tính nhất quán của cơ sở tri thức, yêu cầu các phương pháp mô hình hóa phải linh hoạt và có khả năng thích ứng.

III. Phương pháp mô hình hóa tri thức cho hệ thống văn bản luật

Luận văn đề xuất một phương pháp mô hình hóa tri thức kết hợp giữa ngôn ngữ khung và luật sinh. Phương pháp này nhằm mục đích tạo ra một cơ sở tri thức có khả năng xử lý thông tin pháp luật một cách hiệu quả.

3.1. Ngôn ngữ khung trong mô hình hóa tri thức

Ngôn ngữ khung là một công cụ mạnh mẽ trong việc biểu diễn tri thức. Nó cho phép tổ chức thông tin theo cấu trúc có thể hiểu được, từ đó giúp máy tính dễ dàng truy cập và xử lý.

3.2. Luật sinh và ứng dụng trong mô hình hóa

Luật sinh là một phương pháp cho phép tạo ra các quy tắc suy diễn từ các thông tin đã có. Việc áp dụng luật sinh trong mô hình hóa tri thức giúp tăng cường khả năng suy diễn và tìm kiếm thông tin trong hệ thống văn bản luật.

IV. Ứng dụng thực tiễn của mô hình hóa tri thức trong văn bản luật

Mô hình hóa tri thức cho hệ thống văn bản luật không chỉ là lý thuyết mà còn có nhiều ứng dụng thực tiễn. Các hệ thống thông tin pháp luật có thể được cải thiện đáng kể nhờ vào việc áp dụng các phương pháp mô hình hóa này.

4.1. Hệ thống hỗ trợ soạn thảo văn bản luật

Một trong những ứng dụng quan trọng của mô hình hóa tri thức là phát triển hệ thống hỗ trợ soạn thảo văn bản luật. Hệ thống này giúp người dùng dễ dàng tạo ra các văn bản pháp luật chính xác và nhất quán.

4.2. Hệ thống truy vấn tri thức pháp luật

Hệ thống truy vấn tri thức cho phép người dùng tìm kiếm thông tin pháp luật một cách nhanh chóng và hiệu quả. Điều này giúp nâng cao khả năng tiếp cận thông tin pháp lý cho người dân và các tổ chức.

V. Kết luận và hướng phát triển tương lai của mô hình hóa tri thức

Mô hình hóa tri thức cho hệ thống văn bản luật là một lĩnh vực đầy tiềm năng và cần được nghiên cứu sâu hơn. Kết quả của luận văn có thể là nền tảng cho các nghiên cứu tiếp theo trong lĩnh vực này.

5.1. Tóm tắt kết quả nghiên cứu

Luận văn đã đề xuất một phương pháp mô hình hóa tri thức hiệu quả cho hệ thống văn bản luật, giúp cải thiện khả năng truy vấn và xử lý thông tin pháp luật.

5.2. Hướng phát triển trong tương lai

Nghiên cứu có thể mở rộng sang các lĩnh vực khác như trí tuệ nhân tạo và học máy, nhằm nâng cao khả năng tự động hóa trong việc xử lý và áp dụng pháp luật.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa quản trị quốc gia, việc tin học hóa hệ thống văn bản quy phạm pháp luật đóng vai trò cốt lõi nhằm xây dựng xã hội thông minh và nâng cao hiệu quả lập pháp. Tại các quốc gia theo truyền thống dân luật như Việt Nam, hệ thống pháp luật bao gồm hàng chục nghìn văn bản quy phạm chằng chịt, được ban hành bởi hơn 10 cấp cơ quan thẩm quyền từ Quốc hội, Chính phủ đến các Bộ ngành và chính quyền địa phương. Thách thức lớn nhất hiện nay là tính chất biến động liên tục theo thời gian: khi một văn bản được sửa đổi, bổ sung hoặc bãi bỏ, hàng loạt văn bản hướng dẫn và liên đới trong toàn bộ hệ thống cũng bị thay đổi hiệu lực thi hành. Việc rà soát thủ công của con người đối với khối lượng văn bản khổng lồ này thường xuyên dẫn đến tình trạng chồng chéo, mâu thuẫn và sai sót trong áp dụng pháp luật.

Nhằm giải quyết bài toán cấp thiết trên, luận văn thạc sĩ chuyên ngành Kỹ thuật phần mềm của tác giả Nguyễn Hà Thanh, dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Việt Hà tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội năm 2017, đã nghiên cứu và đề xuất phương pháp mô hình hóa tri thức đột phá cho hệ thống văn bản luật Việt Nam. Mục tiêu cụ thể của nghiên cứu là xây dựng mô hình biểu diễn tri thức kết hợp giữa Ngôn ngữ Khung (Frame Language) và Luật sinh (Production Rules), cho phép tự động tính toán, suy diễn chính xác tập hợp văn bản có hiệu lực và các mối liên hệ tại một mốc thời gian bất kỳ. Phạm vi nghiên cứu tập trung vào 383 văn bản pháp luật trung ương và 766 mối quan hệ ràng buộc xoay quanh 4 bộ luật trọng tâm trong giai đoạn từ năm 1982 đến năm 2017. Kết quả thực nghiệm cho thấy hệ tri thức đạt độ chính xác 100% tại mốc ban đầu và chỉ số F1-score duy trì trên 94% qua các giai đoạn phức tạp, chứng minh tính khả thi vượt trội trong việc tự động hóa xử lý dữ liệu pháp lý.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của 3 lý thuyết biểu diễn tri thức kinh điển trong trí tuệ nhân tạo kết hợp với lý thuyết Kỹ nghệ pháp lý (Legal Engineering):

• Lý thuyết Ngôn ngữ Khung (Frame Language): Biểu diễn các thực thể văn bản và quan hệ pháp luật dưới dạng các cấu trúc Khung gồm các thuộc tính (Slot) và mặt thuộc tính (Facet). Cấu trúc này đặc biệt hiệu quả trong việc đóng gói dữ liệu tĩnh, phân cấp lớp đối tượng và tích hợp các thủ tục tính toán tự động thông qua hai cơ chế chuyên biệt: thủ tục kích hoạt khi thêm dữ liệu (IF-ADDED) và thủ tục kích hoạt khi truy vấn giá trị (IF-NEEDED).
• Lý thuyết Biểu diễn tri thức bằng Luật sinh (Production Rules): Sử dụng các mệnh đề nhân quả dạng "Nếu Tiền đề thì Kết luận" để mô hình hóa các quy tắc suy diễn pháp lý. Cơ chế luật sinh cho phép suy luận bắc cầu tính hiệu lực của văn bản dựa trên 4 chiến lược giải quyết xung đột ưu tiên.
• Lý thuyết Mạng ngữ nghĩa (Semantic Network): Được phân tích và đối sánh nhằm kế thừa ưu điểm biểu diễn quan hệ dạng đồ thị, đồng thời khắc phục triệt để hạn chế bùng nổ không gian lưu trữ bằng cách bổ sung cơ chế kiểm tra hiệu lực theo thời gian thực.
• Bốn khái niệm cốt lõi được định hình xuyên suốt mô hình gồm: Tri thức động phụ thuộc mốc thời gian, Quan hệ trích dẫn (Citation), Quan hệ hướng dẫn (Clarify), và Quan hệ thay thế (Replacement).

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm khoa học nghiêm ngặt với các thông số cụ thể:

• Cỡ mẫu nghiên cứu: Tập dữ liệu gồm 383 văn bản quy phạm pháp luật cấp trung ương và 766 mối quan hệ liên kết được chuẩn hóa và lập chỉ mục đầy đủ.
• Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu có chủ đích (Purposive Sampling). Mẫu dữ liệu tập trung thu thập toàn bộ các văn bản hướng dẫn, sửa đổi, bổ sung và thay thế xoay quanh 4 văn bản trụ cột của hệ thống pháp luật Việt Nam: Bộ luật Dân sự, Bộ luật Tố tụng Dân sự, Bộ luật Hình sự và Bộ luật Tố tụng Hình sự. Dữ liệu trải dài trong khoảng thời gian 35 năm, từ năm 1982 đến năm 2017.
• Lý do lựa chọn phương pháp phân tích: Việc kết hợp Ngôn ngữ Khung và Luật sinh được lựa chọn vì văn bản pháp luật chứa đồng thời các thuộc tính tĩnh (số hiệu, cơ quan ban hành) và các thuộc tính động biến thiên theo thời gian (tình trạng hiệu lực). Mô hình suy diễn lai (Hybrid Inference) này cho phép tận dụng tối đa cấu trúc thứ bậc của khung để lưu trữ dữ liệu, đồng thời kích hoạt các luật sinh để giải quyết bài toán suy luận trạng thái pháp lý một cách linh hoạt mà không làm tăng độ phức tạp tính toán.
• Nguồn dữ liệu và dòng thời gian nghiên cứu: Dữ liệu được thu thập và đối chiếu chéo từ 3 cổng thông tin uy tín gồm Cơ sở dữ liệu quốc gia về văn bản pháp luật (vbpl.vn), Hệ thống văn bản pháp luật của Bộ Tư pháp (moj.vn), và Trang thông tin Thư viện Pháp luật. Quá trình thu thập, thiết kế mô hình, cài đặt dịch vụ và đánh giá thực nghiệm được hoàn thành trọn vẹn trong năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên hệ cơ sở tri thức đã mang lại 4 phát hiện quan trọng:

• Thứ nhất, về cơ cấu phân bổ văn bản: Trong tổng số 383 văn bản thu thập, Nghị định của Chính phủ chiếm tỷ trọng lớn nhất với 123 văn bản (tương đương 32,45%), tiếp theo là Thông tư liên tịch với 42 văn bản (chiếm 10,97%), phản ánh tính chất đa dạng và thứ bậc chặt chẽ của các văn bản hướng dẫn thi hành dưới luật tại Việt Nam.
• Thứ hai, về độ chính xác của cơ chế suy diễn: Tại mốc thời gian kiểm thử ngày 1/1/1995, hệ tri thức đạt độ chính xác (Precision) 100%, độ hồi tưởng (Recall) 100% và chỉ số F1-score tuyệt đối 100% khi nhận diện chính xác 12/12 văn bản có hiệu lực. Tại mốc ngày 1/1/2000, hệ thống đạt độ chính xác 100%, độ hồi tưởng 96,97% và F1-score đạt 98,46%.
• Thứ ba, phát hiện vượt trội so với dữ liệu nhập tay: Hệ tri thức chứng minh khả năng tự động cập nhật trạng thái chính xác hơn cơ sở dữ liệu thủ công. Cụ thể, tại mốc 1/1/2017, hệ thống đã áp dụng luật sinh suy diễn đúng việc Nghị quyết số 01/2000/NQ-HĐTP hết hiệu lực do văn bản gốc là Bộ luật Hình sự 1999 đã bị thay thế, trong khi Cơ sở dữ liệu quốc gia về văn bản pháp luật vẫn ghi nhận sai trạng thái là còn hiệu lực.
• Thứ tư, khả năng tích hợp ứng dụng thực tế: Mô hình đã được đóng gói thành công thành hệ thống hướng dịch vụ theo chuẩn REST API trên máy chủ kiến trúc 64-bit 4 lõi CPU, phục vụ đồng thời cho 2 ứng dụng thực tế là môi trường hỗ trợ soạn thảo văn bản IEE và tiện ích trình duyệt hỗ trợ đọc văn bản pháp luật.

Thảo luận kết quả

Hiệu năng ấn tượng của mô hình bắt nguồn từ việc mô phỏng chính xác nguyên tắc pháp lý theo Điều 154 Luật Ban hành văn bản quy phạm pháp luật 2015: "Văn bản quy phạm pháp luật hết hiệu lực thì văn bản quy định chi tiết thi hành văn bản đó cũng đồng thời hết hiệu lực". Bằng cách cài đặt nguyên tắc này thành luật sinh, hệ thống tự động lan truyền trạng thái hết hiệu lực từ văn bản mẹ sang toàn bộ hệ thống văn bản con mà không cần sự can thiệp thủ công.

Dữ liệu thực nghiệm của nghiên cứu có thể được trực quan hóa tối ưu thông qua một bảng tổng hợp đối chuẩn 5 cột tương ứng với 5 mốc thời gian lịch sử (1995, 2000, 2005, 2010, 2017) kết hợp biểu đồ đường thể hiện xu hướng biến thiên của chỉ số F1-score (từ 100% ở năm 1995, 98,46% ở năm 2000 và duy trì ổn định ở mức 94,00% - 94,93% trong giai đoạn 2005-2017). Nguyên nhân dẫn đến sự sụt giảm nhẹ của chỉ số F1-score ở các giai đoạn sau là do sự xuất hiện của các văn bản sửa đổi, bổ sung một phần – một hiện tượng pháp lý phức tạp mà mô hình khung ở cấp độ toàn văn bản chưa bao quát hết. So với các nghiên cứu Kỹ nghệ pháp lý tại Viện Khoa học và Công nghệ Tiên tiến Nhật Bản (JAIST) hay Đại học Toronto (Canada), phương pháp đề xuất trong luận văn này đã giải quyết xuất sắc bài toán biến động hiệu lực đặc thù của hệ thống lập pháp Việt Nam với độ hồi tưởng luôn giữ vững từ 96,97% đến 100%.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và những hạn chế nội tại, tác giả đưa ra 4 nhóm giải pháp chiến lược nhằm hoàn thiện và ứng dụng mô hình tri thức pháp luật:

• Nâng cấp cấu trúc mô hình hóa vi mô xuống cấp độ Điều, Khoản, Điểm: Nhóm nghiên cứu kỹ thuật phần mềm cần mở rộng cấu trúc Khung để quản lý hiệu lực chi tiết từng điều khoản, đặt mục tiêu nâng chỉ số F1-score xử lý các văn bản có hiệu lực một phần lên mức trên 98% trong vòng 12 tháng thực hiện.
• Tích hợp công nghệ xử lý ngôn ngữ tự nhiên (NLP) và học máy: Các kỹ sư dữ liệu cần xây dựng module trích xuất thực thể tự động từ văn bản thô để tự động hóa 90% khâu thu thập văn bản và bóc tách quan hệ liên kết mới từ internet trong vòng 6 tháng tới.
• Xây dựng bộ luật suy diễn phát hiện mâu thuẫn và vi hiến: Các chuyên gia pháp lý phối hợp với kỹ sư tri thức bổ sung tối thiểu 15 luật suy diễn chuyên sâu nhằm tự động phát hiện các quy định trái luật, sai thẩm quyền ban hành hoặc tự mâu thuẫn nội tại trong thời hạn 18 tháng.
• Triển khai nền tảng dịch vụ tri thức mở (Open Legal Knowledge API): Đơn vị chủ quản công nghệ thông tin ngành Tư pháp cần thương mại hóa và mở rộng hệ thống REST API thành 10 dịch vụ tra cứu tri thức cốt lõi, phục vụ tích hợp vào các hệ thống chính phủ điện tử và các giải pháp LegalTech trên toàn quốc trong giai đoạn 2024-2026.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng trọng tâm:

• Học viên, nhà nghiên cứu ngành Công nghệ thông tin và Khoa học máy tính: Tham khảo phương pháp kết hợp mô hình lai giữa Ngôn ngữ Khung và Luật sinh để giải quyết các bài toán biểu diễn tri thức động, xử lý đồ thị tri thức và xây dựng hệ thống chuyên gia.
• Đội ngũ kỹ sư phần mềm và doanh nghiệp khởi nghiệp LegalTech: Ứng dụng trực tiếp kiến trúc hệ thống hướng dịch vụ REST API và các giải thuật suy diễn để phát triển các sản phẩm thông minh như phần mềm tự động soạn thảo hợp đồng, bot tư vấn pháp lý và tiện ích rà soát văn bản.
• Luật sư, chuyên viên pháp chế và cán bộ tư pháp: Tiếp cận phương pháp luận tin học hóa để nâng cao năng suất tra cứu, giảm thiểu 80% thời gian rà soát hiệu lực chéo giữa các văn bản pháp luật phức tạp.
• Các cơ quan quản lý nhà nước và ban soạn thảo chính sách: Sử dụng mô hình làm cơ sở kỹ thuật để nâng cấp Cổng thông tin Cơ sở dữ liệu quốc gia về văn bản pháp luật, hỗ trợ kiểm soát tính đồng bộ và hạn chế triệt để tình trạng chồng chéo văn bản quy phạm.

Câu hỏi thường gặp

Mô hình tri thức đề xuất trong luận văn xử lý tính chất thay đổi hiệu lực của văn bản luật như thế nào? Hệ thống giải quyết tính biến động bằng cách gán các thuộc tính thời gian vào Khung văn bản và tích hợp các thủ tục tính toán tự động qua Facet IF-NEEDED. Khi người dùng truy vấn trạng thái tại mốc thời gian chỉ định, hệ thống kích hoạt chuỗi luật sinh để suy diễn quan hệ thay thế và bãi bỏ, đảm bảo độ chính xác đạt từ 94% đến 100% qua 383 văn bản thực nghiệm.

Tại sao việc kết hợp Ngôn ngữ Khung và Luật sinh lại vượt trội hơn Mạng ngữ nghĩa thuần túy? Mạng ngữ nghĩa biểu diễn tri thức dạng đồ thị tĩnh, nếu biểu diễn theo từng mốc thời gian sẽ gây bùng nổ số lượng đồ thị lưu trữ. Ngược lại, Ngôn ngữ Khung tổ chức thuộc tính thực thể có thứ bậc rõ ràng, kết hợp cùng Luật sinh cung cấp khả năng suy diễn quy tắc logic mạnh mẽ, giúp hệ thống vận hành linh hoạt và tối ưu hóa tài nguyên phần cứng.

Dữ liệu thực nghiệm của nghiên cứu được thu thập từ những nguồn nào và quy mô ra sao? Nghiên cứu thu thập mẫu chuẩn gồm 383 văn bản và 766 quan hệ pháp lý từ 3 nguồn chính thức: Cơ sở dữ liệu quốc gia về văn bản pháp luật, Bộ Tư pháp và Thư viện Pháp luật. Tập mẫu bao quát các văn bản trung ương ban hành từ năm 1982 đến 2017 liên quan mật thiết đến 4 bộ luật nòng cốt của Việt Nam.

Kiến trúc hướng dịch vụ của hệ thống được cài đặt trên nền tảng công nghệ nào? Hệ thống được thiết kế theo kiến trúc hướng dịch vụ chuẩn RESTful API, triển khai trên hệ điều hành CentOS 7 máy chủ 4 lõi CPU. Cấu trúc gồm 3 module liên kết: Module Khung tri thức, Module Luật suy diễn và Bộ thu thập dữ liệu tự động, cung cấp các phương thức giao tiếp chuẩn như GET, POST và PUT.

Hạn chế lớn nhất của mô hình hiện tại là gì và hướng khắc phục ra sao? Hạn chế chính là mô hình mới biểu diễn ở cấp độ toàn văn bản, chưa hỗ trợ phát hiện tự động các trường hợp văn bản còn hiệu lực một phần (sửa đổi từng điều khoản). Hướng khắc phục trong 12 tháng tới là mở rộng cấu trúc Khung chi tiết xuống cấp độ Điều, Khoản, Điểm và tích hợp thêm công nghệ xử lý ngôn ngữ tự nhiên.

Kết luận

• Nghiên cứu đã đề xuất thành công mô hình biểu diễn tri thức đột phá kết hợp giữa Ngôn ngữ Khung và Luật sinh, giải quyết trọn vẹn bài toán mô hình hóa tính chất biến động theo thời gian của hệ thống pháp luật Việt Nam.
• Thực nghiệm trên tập dữ liệu gồm 383 văn bản và 766 quan hệ đã minh chứng tính đúng đắn với độ hồi tưởng ấn tượng từ 96,97% đến 100% và chỉ số F1-score luôn duy trì trên 94%.
• Hệ thống chứng minh năng lực vượt trội trong việc tự động suy diễn trạng thái hết hiệu lực của các văn bản hướng dẫn liên đới, khắc phục hoàn toàn những sai sót thường gặp trong cơ sở dữ liệu nhập tay truyền thống.
• Đóng gói hoàn chỉnh kiến trúc hệ thống hướng dịch vụ REST API và triển khai ứng dụng thực tế thành công trên 2 sản phẩm: môi trường soạn thảo IEE và tiện ích trình duyệt hỗ trợ đọc văn bản.
• Đặt nền móng vững chắc cho sự phát triển của lĩnh vực Kỹ nghệ pháp lý (Legal Engineering) và các ứng dụng trí tuệ nhân tạo chuyên sâu trong ngành tư pháp tại Việt Nam.

Trong lộ trình 12 tháng tiếp theo, nhóm nghiên cứu sẽ tiếp tục mở rộng mô hình xuống cấu trúc vi mô cấp độ Điều - Khoản và tích hợp các thuật toán học máy hiện đại để khai phá tri thức ẩn. Quý độc giả, các nhà nghiên cứu và doanh nghiệp quan tâm có thể khai thác tài liệu toàn văn công trình luận văn thạc sĩ này để làm tài liệu tham khảo nền tảng cho các dự án chuyển đổi số và phát triển phần mềm pháp lý thông minh.

Trích đoạn nội dung tài liệu

chương 1 đã được trình bày, các phần còn lại luận văn có nội dung như sau: 5 LUAN VAN CHAT LUONG download : add [e-mail] Chương 2 nêu ra những cơ sở lý thuyết quan trọng làm nền móng cho việc đề xuất phương pháp mô hình hóa tri thức của luận văn. Phần đầu chương nêu lên những lý thuyết về tri thức và mô hình hóa tri thức gồm những khái niệm và phương pháp chung của lĩnh vực. Tiếp đó là những lý thuyết về văn bản pháp luật, phân loại và đặc trưng của chúng. Chương 3 của luận văn phân tích kỹ những đặc điểm riêng có của hệ thống văn bản pháp luật Việt Nam và đề xuất phương pháp mô hình hóa tri thức cho hệ thống này dựa trên những phân tích và cơ sở đã có.

Phần cuối chương nêu ra những đánh giá sơ bộ về phương pháp trên phương diện những điểm mạnh, hạn chế và nguyên nhân của chúng. Chương 4 trình bày phương pháp thực nghiệm, dữ liệu dùng cho thực nghiệm, kết quả thực nghiệm và phân tích các kết quả đó để đưa ra được những nhận xét và hướng phát triển trong tương lai. Bên cạnh, chúng tôi cũng trình bày những kết quả bước đầu trong việc áp dụng hệ thống vào các ứng dụng thực tế. Chương 5 tổng kết toàn bộ những kết quả đã đạt được trong luận văn.

Các nội dung về xuất xứ bài toán, phương pháp, kết quả thực nghiệm, ý nghĩa và hướng phát triển của nghiên cứu được thể hiện trong chương này. 6 LUAN VAN CHAT LUONG download : add [e-mail] CHƯƠNG 2. Mô hình hóa tri thức 2. Tri thức và biểu diễn tri thức Tri thức hay kiến thức là những sự kiện, thông tin hay kỹ năng thu được thông qua trải nghiệm hoặc giáo dục, những hiểu biết lý thuyết hay thực tiễn về một vấn đề [35].

Trong khi tri thức hiện có thể được giải thích, mã hóa dưới dạng ngôn ngữ, văn bản, âm thanh, phim, ảnh thì tri thức ẩn là những tri thức thu được từ trải nghiệm thực tế, ẩn trong mỗi cá nhân và khó mã hóa cũng như chuyển giao ví dụ như niềm tin, thái độ, kỹ năng. Trong lĩnh vực trí tuệ nhân tạo, biểu diễn tri trức là biểu diễn được trạng thái của một miền bài toán như các đối tượng, thuộc tính của các đối tượng và quan hệ giữa chúng [36]. Biểu diễn tri thức nhằm thể hiện thông tin về thế giới dưới hình thức thuận tiện cho các hệ thống máy tính sử dụng. Biểu diễn tri thức được đặt trên nền tảng nghiên cứu về con người, cách con người giải quyết các vấn đề, và biểu diễn tri thức với mục đích đưa ra được mô hình giúp đơn giản hóa việc thiết kế và xây dựng các hệ thống phức tạp.

Biểu diễn tri thức có mối liên hệ chặt chẽ với logic để có thể thực thi tự động các phép suy diễn, phổ biến là các phép suy diễn trên tập hợp [17]. Giá trị của dữ liệu tăng lên khi nó được chuyển thành tri thức, là cơ sở đưa ra các quyết định phù hợp.1 là lược đồ thể hiện quan hệ giữa Dữ liệu, Thông tin và Tri thức. Dữ liệu, thông tin và tri thức [30] 7 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Mô hình tri thức Mô hình tri thức là đặc tả hình thức một cách rõ ràng của các khái niệm, các biến số cần cho quá trình tính toán và thiết lập mối quan hệ giữa chúng [23].

Mô hình tri thức được sử dụng như một khung trình bày tri thức về thế giới hay một phần của nó. Các mô hình tri thức mô tả: - Các cá thể: Các đối tượng cơ bản, nền tảng - Các lớp: Các tập hợp, hay kiểu của các đối tượng - Các thuộc tính: Thuộc tính, tính năng, đặc điểm, tính cách, hay các thông số của các đối tượng. - Các mối liên hệ: Cách thức mà các đối tượng liên hệ tới một đối tượng khác. Phương pháp mô hình hóa tri thức bằng ngôn ngữ khung Ngôn ngữ khung [22] cho phép các đối tượng trong thế giới thực được biểu diễn một cách đầy đủ và linh hoạt.

Sử dụng ngôn ngữ khung, các đối tượng được đóng gói thành một thực thể có cấu trúc, bên cạnh đó các thao tác trên tri thức cũng được định nghĩa trên cấu trúc đó, ví dụ khi mô tả khái niệm về một ma trận, các thao tác có thể định nghĩa thêm có thể là phép tính định thức, tính ma trận nghịch đảo hay véc tơ riêng của ma trận đã cho. Khung (Frame) là cấu trúc tổng quát nhất bao gồm hai thành phần là Slot và Facet. Slot thể hiện một thuộc tính của đối tượng được đặc tả bằng Khung. Mỗi Slot lại được đặc tả chi tiết hơn bởi các Facet, đó là các thông tin hoặc thủ tục của thuộc tính đặc tả bởi Slot.

Facet có thể được định nghĩa gồm nhiều loại khác nhau: - Value (giá trị) : thể hiện giá trị hiện tại của thuộc tính mô tả bởi Slot - Default (giá trị mặc định): giá trị này được lấy nếu như Slot có giá trị rỗng - Range (miền giá trị): cho biết miền giá trị hợp lệ mà Slot có thể nhận - If added: thủ tục được gọi khi Slot được thêm vào hoặc cập nhật - If needed: Facet này mô tả một hàm để tính giá trị của slot 8 LUAN VAN CHAT LUONG download : add [e-mail] Các hệ thống trí tuệ nhân tạo trong thực tế thường sử dụng nhiều Khung, chúng được liên kết với nhau theo một quan hệ nhất định. Đặc tính phân cấp và kế thừa của Khung giúp cho ngữ nghĩa được thể hiện tốt hơn. Trong cây kế thừa, gốc cây thể hiện mức độ trừu tượng cao nhất, các nút lá thể hiện Khung có mức độ trừu tượng thấp nhất. Các Khung ở mức thấp có thể kế thừa tất cả những tính chất của những Khung cao hơn.

Đặc tính này của Khung đã được kế thừa và tạo thành lợi thế của các ngôn ngữ hướng đối tượng. Cấu trúc phân cấp của khung cho phép giảm bớt độ phức tạp trong quá trình xây dựng cơ sở tri thức và cho phép dễ dàng phân loại tri thức. Phương pháp mô hình hóa tri thức bằng luật sinh Biểu diễn tri thức bằng luật sinh [25] là một kiểu biểu diễn tri thức có cấu trúc. Ý tưởng cơ bản của phương pháp này là mô tả tri thức dưới một cấu trúc nhân quả: “Nếu A thì B”.

Luật sinh là công cụ mô tả tri thức phổ biến và được áp dụng rộng rãi trong nhiều hệ thống thông minh vì nó có thể giải quyết các vấn đề thực tế. Các luật sinh giúp giảm không gian tìm kiếm từ đó giảm độ phức tạp tính toán cho các hệ thống. Bên cạnh đó, luật sinh có thể sử dụng để mã hóa các quyết định của chuyên gia. Một cách tổng quát luật sinh có dạng như công thức 2.1) Trong đó là các biểu thức logic.

Trong đó là mệnh đề điều kiện và là mệnh đề kết luận. Mệnh đề điều kiện không chứa toán tử OR ( ) giữa các biểu thức, trong trường hợp mệnh đề điều kiện chứa toán tử OR thì luật ban đầu sẽ được tách thành hai luật mới không chứa toán tử OR. Mệnh đề kết luận chỉ gồm duy nhất một biểu thức logic. Bên cạnh những ưu điểm được nêu phía trên, biểu diễn tri thức bằng luật sinh có những hạn chế riêng của nó.

Đối với hệ thống luật chứa vòng lặp hoặc chứa mâu thuẫn, quá trình suy diễn sẽ không dừng hoặc cho ra sai kết quả. Ngoài ra, phương pháp biểu diễn bằng luật sinh mang lại sự khó khăn nếu muốn bổ sung cập nhật cơ sở tri thức. 9 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Phương pháp mô hình hóa tri thức bằng mạng ngữ nghĩa Mạng ngữ nghĩa [37] là phương pháp biểu diễn tri thức dưới dạng một đồ thị như một mô hình của bộ nhớ con người.

Trong đồ thị, các đỉnh là các đối tượng (khái niệm) còn các cung chỉ ra mối liên kết (quan hệ) giữa chúng. Đây là cách biểu diễn tri thức phù hợp với nhu cầu giao tiếp của con người.2 là một ví dụ của mạng ngữ nghĩa. Chúng ta có những khái niệm như “Họa mi”, “Chim”, “Lông vũ”, “Tổ”, “Cánh” được kết nối bằng các quan hệ như trong đồ thị. Bằng việc tìm kiếm trên đồ thị này, ta có được những kết luận như “Họa mi có cánh”, “Họa mi có lông vũ” hay “Họa mi làm tổ”.

Ta thấy rằng cách biểu diễn này dễ hiểu đối với con người. Họa mi Lông vũ là có Chim làm có Tổ Cánh Hình 2. Ví dụ về mạng ngữ nghĩa Điểm mạnh của mạng ngữ nghĩa chính là điểm mạnh của công cụ đồ thị trong việc thực hiện các giải thuật tìm kiếm. Các thuật toán như tìm đồ thị liên thông, tìm chu trình, tìm đường đi ngắn nhất đều có thể được áp dụng trên mạng 10 LUAN VAN CHAT LUONG download : add [e-mail] ngữ nghĩa.

Các cung thể hiện quan hệ giữa hai đối tượng, vì vậy việc tìm kiếm trên đồ thị chính là thực hiện cơ chế suy diễn trong mô hình tri thức. Bên cạnh đó, việc thể hiện tri thức theo cách này giúp giảm bớt số lượng đồ thị cần lưu trữ bằng việc kết hợp lưu trữ và tính toán suy diễn thông qua các thuật toán trên đồ thị. Đối với đồ thị thông thường, các cung trong một đồ thị cùng biểu diễn một ý nghĩa nhất định, do đó với mỗi quan hệ cần có một đồ thị riêng mô tả quan hệ ấy. Điều này gây lãng phí tài nguyên và không thích hợp cho miền tri thức không ngừng mở rộng như hệ thống văn bản pháp luật.

Mạng ngữ nghĩa phù hợp trong phân tích vấn đề nhưng điểm yếu của phương pháp này khi cài đặt vào máy tính gặp phải những trở ngại kỹ thuật. Ví dụ trong Hình 2.3, nếu ta thêm “Cánh cụt” vào đồ thị, ta sẽ có được “Cánh cụt có lông vũ”, đây là một kết luận không chính xác. Sự sai lầm ở đây xuất phát từ các trường hợp ngoại lệ trong quan hệ kế thừa, nếu ta can thiệp vào đồ thị để giải quyết các trường hợp ngoại lệ này, các trường hợp khác trong toàn mạng ngữ nghĩa sẽ bị ảnh hưởng. Cánh cụt là Họa mi Lông vũ là có Chim làm có Tổ Cánh Hình 2.

Ví dụ về nhược điểm của mạng ngữ nghĩa 11 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Văn bản pháp luật 2.