Tổng quan về luận án

Nghiên cứu của tác giả Nguyễn Trọng Chỉnh với đề tài "Mô hình và phương pháp lập luận để trả lời các câu hỏi 'TẠI SAO' dựa trên cách tiếp cận phân tích diễn ngôn tiếng Việt" (Chuyên ngành: Khoa học máy tính, Mã số: 62.01, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM, dưới sự hướng dẫn khoa học của PGS.TS. Nguyễn Tuấn Đăng và TS. Phạm Hữu Đức, năm 2023) là công trình tiên phong giải quyết bài toán hỏi - đáp nguyên nhân (Why-QA / Non-factoid QA) chuyên sâu cho tiếng Việt. Trong bối cảnh phần lớn các nghiên cứu xử lý ngôn ngữ tự nhiên (NLP) và hệ thống hỏi - đáp tự động (Question Answering - QA) tập trung vào các câu hỏi dạng sự kiện thực tế (Factoid QA), bài toán trả lời câu hỏi "Tại sao" đặt ra thách thức học thuật lớn do câu trả lời không đơn thuần là một thực thể xác định mà là một chuỗi giải thích, lập luận đa mệnh đề có ranh giới phức tạp.

Khoảng trống nghiên cứu (research gap) then chốt được xác định rõ: Các mô hình học sâu hiện đại (như BERT, RoBERTa, XLM-R) đạt hiệu năng rất cao trên các câu hỏi Factoid nhưng sụt giảm nghiêm trọng khi xử lý câu hỏi "Tại sao". Dữ liệu thực nghiệm trên tập phát triển của ngữ liệu chuẩn quốc tế SQuAD v1.1 chỉ ra sự chênh lệch rõ rệt: mô hình r-net+ (ensemble) đạt $F_1 = 88{,}49%$ trên toàn bộ câu hỏi nhưng chỉ đạt $66{,}90%$ trên câu hỏi "Tại sao"; SLQA+ (ensemble) giảm từ $87{,}00%$ xuống $66{,}07%$; Match-LSTM giảm từ $86{,}10%$ xuống $64{,}98%$; và ngay cả BERT (ensemble) của Google AI Language dù đạt $F_1 = 93{,}20%$ tổng thể thì câu hỏi "Tại sao" cũng chỉ chạm mức $69{,}66%$. Bên cạnh đó, các mô hình Deep Neural Networks (DNN) đóng vai trò như những "hộp đen" (black-box), không thể giải thích được tiến trình logic từng bước khi trích xuất lý do. Mặt khác, các nghiên cứu dựa trên quy tắc logic hình thức bậc một (First-Order Logic - FOL) lại gặp nút thắt lớn về độ bao phủ cú pháp và chi phí xây dựng từ vựng.

Luận án thiết lập 3 câu hỏi nghiên cứu ($RQ$) và 2 giả thuyết khoa học ($H$):

  • $RQ_1$: Làm thế nào để tự động nhận dạng và phân đoạn các đơn vị diễn ngôn cơ bản (EDU) cũng như xác định các quan hệ diễn ngôn thuộc nhóm quan hệ lý do ở cấp độ câu và liên câu trong văn bản tiếng Việt?
  • $RQ_2$: Làm thế nào để mô hình hóa cơ chế lập luận loại suy (analogical reasoning) trên biểu diễn văn bản tiếng Việt nhằm phát hiện các lập luận không tường minh?
  • $RQ_3$: Sự kết hợp giữa phân tích diễn ngôn theo lý thuyết cấu trúc tu từ (RST) và lập luận loại suy có nâng cao độ chính xác và tính giải thích được (explainability) cho hệ thống hỏi - đáp câu hỏi "Tại sao" tiếng Việt hay không?
  • $H_1$: Cấu trúc diễn ngôn và cấu trúc lập luận là hai không gian chứa đựng đầy đủ tiền đề và kết luận để giải thích nguyên nhân cho các câu hỏi "Tại sao".
  • $H_2$: Khung tích hợp giữa phân tích diễn ngôn hình thức và mô hình suy luận ngôn ngữ tự nhiên (NLI) theo lược đồ Juthe sẽ vượt trội hơn các mô hình đọc hiểu máy (Machine Reading Comprehension - MRC) đơn hop (single-hop) thuần túy, đặc biệt đối với các câu trả lời chứa nhiều ý không liên tục.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa của 4 lý thuyết nền tảng: Lý thuyết cấu trúc tu từ (Rhetorical Structure Theory - RST) của Mann & Thompson (1988), Lược đồ lập luận loại suy của Juthe (2005), Logic phi hình thức (Informal Logic) của Johnson & Blair (1994), và Ngữ nghĩa học phân bố (Distributional Semantics) kết hợp kiến trúc Transformers/BERT. Phạm vi nghiên cứu giới hạn trên các văn bản ngắn tiếng Việt ($\le 500$ từ, đơn chủ đề), tập trung vào phân tích quan hệ nhân - quả/lý do ở cấp độ câu và liên câu với ngữ nghĩa hiển ngôn. Đóng góp đột phá của luận án không chỉ được lượng hóa qua các độ đo truyền thống ($P, R, F_1, EM, MRR$) mà còn qua 2 độ đo mới do tác giả đề xuất: Tỷ lệ câu trả lời chứa đáp án (Answer Rate - AR) và Tỷ lệ hoàn thành câu trả lời (Completing Answer Rate - CAR).

Literature Review và Positioning

Lịch sử phát triển của hệ thống hỏi - đáp tự động được phân hóa thành hai dòng tiếp cận chính: Khai phá tri thức (Knowledge Mining / IR-based) và Chú giải tri thức (Knowledge Annotation / Knowledge-based).

Trong dòng tiếp cận Chú giải tri thức, các hệ thống thời kỳ đầu như BASEBALL của Green (1963) và LUNAR của Woods (1972) đóng vai trò nền tảng cho giao diện cơ sở dữ liệu bằng ngôn ngữ tự nhiên (NLIDB). Đến năm 2002, hệ thống START của Boris Katz mở rộng sang dữ liệu bán cấu trúc thông qua OmniBase với biểu diễn bộ ba $\langle \text{object, property, value} \rangle$. Gần đây, hỏi - đáp trên Đồ thị tri thức (Knowledge Graph - KG) phát triển mạnh với Freebase (Bollacker et al., 2008) và DBpedia (Lehmann et al., 2015), hỗ trợ trích xuất thông tin qua các bộ ba ngữ nghĩa nhưng bị giới hạn nghiêm ngặt bởi miền tri thức định sẵn. Hướng tiếp cận biểu diễn bằng Logic vị từ bậc một (FOL) kết hợp Lý thuyết biểu diễn diễn ngôn (Discourse Representation Theory - DRT) của Hans Kamp (1981) mang lại khả năng giải quyết hồi chỉ (anaphora) mạnh mẽ, song hệ thống VENSES của Rodolfo Delmonte (2007) khi kiểm thử suy luận trên cấu trúc DRS chỉ đạt độ chính xác $31{,}25%$, cho thấy sự kém khả thi khi mở rộng sang văn bản tự nhiên phức tạp.

Đối với dòng tiếp cận Khai phá tri thức cho câu hỏi "Tại sao", các nghiên cứu quốc tế tiêu biểu bao gồm:

  1. Suzan Verberne (2006–2010): Tiên phong xử lý câu hỏi "Tại sao" tiếng Anh trên ngữ liệu INEX bằng cách kết hợp truy xuất thông tin (IR) với bộ phân lớp quan hệ RST (Cause, Motivation, Circumstance, Purpose) dựa trên từ ngữ liên kết (discourse markers như "because", "therefore", "for"), đạt $MRR@150 = 0{,}34$.
  2. Higashinaka & Isozaki (2008): Xử lý câu hỏi "Tại sao" trên tiếng Nhật, kết hợp IR với mô hình phân loại Support Vector Machine (SVM) khai thác các cặp từ nhân quả trích từ ngữ liệu, đạt $MRR@20 = 0{,}339$.
  3. Jong-Hoon Oh và cộng sự (2013, 2016, 2017, 2019): Tiến hành chuỗi nghiên cứu sâu rộng trên ngữ liệu tiếng Nhật WhySet và các tập dữ liệu mở (Quasar-T, SearchQA, TriviaQA). Từ việc sử dụng Conditional Random Fields (CRF) đạt $P@1 = 41{,}8%$ (2013) nâng lên $50%$ (2016), chuyển sang Convolutional Neural Networks (CNN) đạt $P@1 = 54%$ (2017), và áp dụng mô hình sinh đối kháng/sequence-to-sequence đạt $P@1 = 54{,}8%$, $F_1 = 65{,}3%$ trên SearchQA (2019).
  4. Aqeel Azmi (2016–2017): Ứng dụng phân tích diễn ngôn RST trên tiếng Ả Rập, kết hợp từ liên kết (cue-phrases) để trích xuất mệnh đề lý do, đạt độ chính xác $ACC = 71%$.

Tại Việt Nam, các nghiên cứu hỏi - đáp chủ yếu giải quyết bài toán Factoid: Đỗ và cộng sự (2014) trong lĩnh vực pháp lý kết hợp Google/Lucene và LSA đạt độ chính xác $70%$ trên 211 mẫu; Nguyễn và cộng sự (2018) xây dựng QA trên Đồ thị tri thức đạt độ chính xác $80{,}1%$; Nguyễn và cộng sự (2020) áp dụng logic FOL đạt kết quả trên miền đóng; Kiều và cộng sự (2020) áp dụng PhoBERT đạt $F_1 = 0{,}802$; Nguyễn và cộng sự (2021) kết hợp Siamese-BERT và XLM-R trên tập UIT-ViQuAD v1.0 đạt $F_1 = 89{,}54%$ và $EM = 70{,}83%$. Tuy nhiên, chưa có công trình nào giải quyết chuyên biệt bài toán câu hỏi "Tại sao" trong tiếng Việt bằng việc tích hợp tường minh cấu trúc diễn ngôn và mô hình lập luận.

graph TD
    A["Hệ thống Hỏi - Đáp Tự động (QA)"] --> B["Chú giải tri thức (Knowledge-based)"]
    A --> C["Khai phá tri thức (IR / Deep Learning)"]
    B --> B1["NLIDB / START (Katz, 2002)"]
    B --> B2["Đồ thị tri thức (DBpedia, Freebase)"]
    B --> B3["Logic FOL & DRT (Kamp, 1981; Delmonte, 2007)"]
    C --> C1["Factoid QA (BERT, SQuAD v1.1)"]
    C --> C2["Why-QA Quốc tế (Verberne, 2006; Oh et al., 2013-2019; Azmi, 2016)"]
    C --> C3["Vietnamese QA (UIT-ViQuAD, PhoBERT)"]
    B3 -.-> D["RESEARCH GAP: Thiếu cơ chế lập luận tường minh & xử lý câu trả lời đa ý cho tiếng Việt"]
    C2 -.-> D
    C3 -.-> D
    D ==> E["ĐÓNG GÓP CỦA LUẬN ÁN: Khung tích hợp RST + Lập luận loại suy Juthe + PhoBERT"]

Tranh luận học thuật cốt lõi diễn ra giữa hai trường phái:

  • Trường phái Deep Learning thuần túy (End-to-End): Cho rằng mạng nơ-ron sâu với cơ chế self-attention tự động học được quan hệ ngữ nghĩa tiềm ẩn mà không cần biểu diễn ngôn ngữ học tường minh.
  • Trường phái Ngôn ngữ học tính toán kết hợp Lập luận (Hybrid Linguistic-Reasoning): Lập luận rằng mạng nơ-ron học sâu không thể xử lý đáng tin cậy các suy luận logic phức tạp, thiếu khả năng giải thích nguồn gốc câu trả lời và hoàn toàn thất bại khi câu trả lời gồm các ý phân tán rời rạc trong văn bản.

Luận án định vị vững chắc ở trường phái thứ hai, tiên phong khai thác cấu trúc phân tích diễn ngôn tiếng Việt kết hợp lập luận loại suy để giải quyết triệt để bài toán Why-QA có tính giải thích cao.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng về mặt lý thuyết thông qua việc mở rộng và tích hợp có hệ thống các lý thuyết ngôn ngữ học và logic học:

  1. Mở rộng Lý thuyết cấu trúc tu từ (RST) cho tiếng Việt: Luận án chuẩn hóa cấu trúc quan hệ lý do trong tiếng Việt, phân định rõ vai trò của thành phần Hạt nhân (Nucleus - N) và Vệ tinh (Satellite - S). Luận án chứng minh rằng trong quan hệ nguyên nhân - kết quả (Cause - Result), mệnh đề Vệ tinh biểu thị lý do/nguyên nhân chính là đối tượng mang thông tin trả lời cho câu hỏi "Tại sao", trong khi Hạt nhân biểu thị kết quả/tuyên bố cần giải thích.
  2. Hình thức hóa Lược đồ lập luận loại suy (Juthe, 2005) trong không gian văn bản: Khác với các lược đồ lập luận của Douglas Walton (2008) chủ yếu dựa trên hệ thống câu hỏi phản biện định tính (critical questions), lược đồ loại suy của André Juthe được luận án mô hình hóa thành bài toán đối sánh ánh xạ giữa hai cặp tiền đề - kết luận: cặp lập luận nguồn (đã biết tính đúng đắn) và cặp lập luận đích (cần kiểm chứng trong văn bản).
  3. Mở rộng lý thuyết Logic phi hình thức (Johnson & Blair, 1994): Luận án phân biệt tường minh giữa "Lập luận đời thường" (Real-life argument) và "Lời giải thích" (Explanation). Luận án trích dẫn trực tiếp định nghĩa: Theo Johnson và cộng sự (1994), lập luận đời thường "là một tuyên bố có kèm theo một hoặc nhiều nhóm lý do để chứng minh tuyên bố đó", trong khi lời giải thích nhằm làm rõ nguyên nhân, nguồn gốc hoặc hoàn cảnh của sự kiện đã xảy ra. Luận án kết nối hai khái niệm này thông qua cấu trúc quan hệ lý do trong diễn ngôn.
  4. Vận dụng Ngữ nghĩa học phân bố vào việc xử lý Nghĩa hiển ngôn: Dựa trên quan điểm ngôn ngữ học của Cao Xuân Hạo (1991), luận án phân định: nghĩa hiển ngôn "là nghĩa nguyên văn (gồm nghĩa đen và một số nghĩa bóng quen thuộc) của những từ ngữ có mặt trong câu và nhờ những mối quan hệ cú pháp giữa các từ ấy", đối lập với nghĩa hàm ẩn là "những gì không có sẵn trong nghĩa nguyên văn của các từ ngữ và trong mọi quan hệ cú pháp ấy nhưng vẫn thấu đến người nghe thông qua một sự suy diễn." Luận án chứng minh tính khả thi của việc tính toán ngữ nghĩa phân bố dựa trên Transformer để mô hình hóa mối quan hệ kéo theo văn bản (Textual Entailment) cho nghĩa hiển ngôn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 thành phần cốt lõi tạo nên chu trình xử lý đa tầng:

[Văn bản đầu vào tiếng Việt (<= 500 từ)]
  • Tính tương tác lý thuyết: RST chịu trách nhiệm cấu trúc hóa văn bản thành các đơn vị phân tích rời rạc ($EDU$). Khi các quan hệ diễn ngôn không hiển lộ qua từ liên kết (lập luận không tường minh dựa trên tiền giả định - presupposition), cơ chế lập luận loại suy NLI sẽ can thiệp để xác nhận tính vững chắc (cogency) của suy luận.
  • Điều kiện biên (Boundary conditions): Khung phân tích vận hành tối ưu trên văn bản đơn chủ đề tiếng Việt có độ dài $\le 500$ từ; giả định tính đúng đắn của văn bản nguồn; xử lý nghĩa hiển ngôn và các quan hệ kéo theo logic trực tiếp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân theo hệ hình Khoa học Thiết kế (Design Science Research Paradigm) kết hợp Thực chứng luận (Positivism) trong Ngôn ngữ học tính toán. Thiết kế nghiên cứu là sự kết hợp đa phương pháp (Mixed Computational Methods): kết hợp phương pháp dựa trên luật ngôn ngữ học hình thức (Văn phạm phi ngữ cảnh - CFG cho cấp độ câu) và phương pháp học máy thống kê/học sâu (PhoBERT, Bi-LSTM-CRF cho cấp độ liên câu và suy luận ngữ nghĩa NLI).

Thiết kế đa tầng (Multi-level Design) được định nghĩa cụ thể:

  • Cấp độ 1 (Sub-sentential Level): Phân đoạn văn bản thành các Đơn vị Diễn ngôn Cơ bản ($EDU$).
  • Cấp độ 2 (Intra-sentential Level): Nhận dạng quan hệ lý do giữa các $EDU$ trong cùng một câu thông qua tập luật ngữ pháp $CFG$.
  • Cấp độ 3 (Inter-sentential Level): Xác định quan hệ lý do giữa các câu và các đoạn văn bản.
  • Cấp độ 4 (Discourse-Argument Integration Level): Xây dựng Đồ thị lý do (Reason Graph) kết hợp lập luận loại suy Juthe và giải thuật sinh câu trả lời.
classDiagram
    class TextProcessingLevel {
        +Sub-sentential (EDU Segmentation)
        +Intra-sentential (CFG Rules)
        +Inter-sentential (Discourse Markers)
    }
    class ReasoningLevel {
        +Analogical Scheme Mapping (Juthe)
        +Natural Language Inference (NLI)
        +Reason Graph Construction
    }
    class OutputLevel {
        +Single-hop Answer Extraction
        +Multi-hop Discontinuous Answer Synthesis
        +SHAP Explainability Validation
    }
    TextProcessingLevel --> ReasoningLevel : Cung cấp cây phân tích RST & EDU
    ReasoningLevel --> OutputLevel : Xuất Đồ thị lý do & Xếp hạng ứng viên

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm việc thu thập, gán nhãn, phát triển tập luật và huấn luyện mô hình qua các pha kiểm định nghiêm ngặt:

  1. Xây dựng ngữ liệu phân đoạn EDU (EDU-UNI): Trích xuất và chuẩn hóa tự động từ kho ngữ liệu cây cú pháp cấu trúc ngữ đoạn tiếng Việt NIIVTB (NII Vietnamese Treebank). Luận án xây dựng quy tắc chuyển đổi cây cú pháp thành chuỗi nhãn $EDU$, gán nhãn ranh giới mệnh đề độc lập và mệnh đề phụ thuộc.
  2. Xây dựng Văn phạm phi ngữ cảnh ($CFG$) cho quan hệ lý do cấp câu: Luận án đặc tả tập các luật sản sinh cú pháp phản ánh cấu trúc nguyên nhân - kết quả tiếng Việt (sử dụng các liên từ chính phụ như "vì... nên...", "bởi vì... cho nên...", "do... dẫn đến...").
  3. Xây dựng bộ ngữ liệu suy luận tiếng Việt (VnNewsNLI): Xây dựng tập dữ liệu gồm các cặp Tiền đề (Premise) – Kết luận (Hypothesis) gán nhãn quan hệ kéo theo (Entailment), mâu thuẫn (Contradiction) và trung lập (Neutral) nhằm phục vụ huấn luyện mô hình nhận dạng lập luận loại suy.
  4. Triangulation và Validity: Kiểm tra chéo giữa phân tích diễn ngôn tự động và đánh giá thủ công của chuyên gia ngôn ngữ học; đối soát độ nhất quán gán nhãn ($Cohen's\ \kappa > 0{,}82$); kiểm định tính hợp thức của cấu trúc ($Construct\ Validity$) và tính hiệu lực nội tại ($Internal\ Validity$) qua các ablation test loại bỏ từng thành phần.

Data và phân tích

Thống kê và đặc tính của các bộ dữ liệu được sử dụng trong luận án:

  • Tập ngữ liệu gán nhãn EDU-UNI: Hơn 10.000 câu trích từ NIIVTB được phân đoạn thành các đơn vị $EDU$ chuẩn.
  • Tập ngữ liệu VnNewsNLI: Gồm hàng nghìn cặp câu phân loại quan hệ kéo theo phục vụ bài toán lập luận loại suy tiếng Việt.
  • Tập ngữ liệu kiểm thử hỏi - đáp Why-QA:
    • $VnYQA$: Tập câu hỏi "Tại sao" đơn ý được xây dựng công phu từ các bài báo khoa học, tin tức.
    • $ViYQuAD$: Tập câu hỏi "Tại sao" trích xuất từ bộ ngữ liệu đọc hiểu chuẩn UIT-ViQuAD v1.0.
    • $VnYNews$: Bộ ngữ liệu đặc biệt gồm các câu hỏi "Tại sao" mà câu trả lời chứa nhiều ý không liên tục (multi-part / non-contiguous answer spans).

Các mô hình và công cụ kỹ thuật tiên tiến được triển khai và so sánh:

  • Kiến trúc Transformers: PhoBERT (base/large), DistilBERT, XLM-RoBERTa (XLM-R).
  • Các chương trình thử nghiệm đối chuẩn: IRYQA, QU-PhoBERT, UIT-PhoBERT, UIT-DistilBERT, UIT-XLMR, BERTYQA, OH-YQA (cài đặt lại theo phương pháp của Oh et al.), MHOPQA (mô hình multi-hop baseline).
  • Phương pháp giải thích: Tích hợp thuật toán SHAP (SHapley Additive exPlanations) để trực quan hóa trọng số đóng góp của từng đơn vị $EDU$ và từ khóa trong quá trình đưa ra quyết định trả lời.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Phân tích diễn ngôn kết hợp lập luận vượt trội hơn hẳn các mô hình Deep Learning đơn thuần trên Why-QA: Chương trình đề xuất BERTYQA (kết hợp phân tích quan hệ lý do RST và lập luận loại suy trên nền PhoBERT) đạt hiệu năng cao nhất trên toàn bộ các tập thử nghiệm $VnYQA$ và $ViYQuAD$, vượt trội so với các mô hình baseline như UIT-PhoBERT, UIT-XLMR và OH-YQA.
  2. Khả năng giải quyết đột phá bài toán câu trả lời đa ý không liên tục: Trên ngữ liệu $VnYNews$, các mô hình đọc hiểu máy truyền thống (như Single-hop BERT/PhoBERT) bị suy giảm nghiêm trọng về điểm $EM$ và $CAR$ do chỉ có khả năng trích xuất một đoạn văn bản liên tục duy nhất. Ngược lại, mô hình của luận án đạt $CAR$ và $F_1$ vượt bậc nhờ khả năng nhận dạng toàn bộ các nhánh Vệ tinh mang quan hệ lý do phân tán trong Đồ thị lý do rồi tổng hợp lại ở pha Hậu xử lý.
  3. Hiệu lực của cơ chế lập luận loại suy đối với lập luận không tường minh: Kết quả thử nghiệm ablation test (khi loại bỏ thành phần Lập luận loại suy) chỉ ra rằng điểm $F_1$ và $AR$ sụt giảm mạnh nhất ở nhóm câu hỏi "Khó" (nhóm câu hỏi mà văn bản không chứa từ liên kết nguyên nhân tường minh). Điều này chứng minh giả thuyết $H_1$ và $H_2$: mô hình NLI theo lược đồ Juthe đã bù đắp thành công khoảng trống mà phân tích cú pháp/từ liên kết bỏ sót.
  4. Tính minh bạch và khả năng giải thích được lượng hóa qua SHAP: Phân tích SHAP chứng minh rằng mô hình BERTYQA tập trung trọng số chú ý vào đúng các mệnh đề mang chức năng giải thích nguyên nhân do thành phần diễn ngôn cung cấp, loại bỏ hiện tượng "học vẹt" (spurious correlations) thường gặp ở các mạng nơ-ron sâu.
graph LR
    subgraph "Mô hình Single-hop Deep Learning Truyền thống"
        Q1["Câu hỏi 'Tại sao'"] --> M1["PhoBERT / XLM-R"]
        Doc1["Văn bản"] --> M1
        M1 --> Out1["Trích xuất 1 đoạn liên tục duy nhất (F1 giảm khi gặp đa ý)"]
    end

    subgraph "Mô hình BERTYQA của Luận án"
        Q2["Câu hỏi 'Tại sao'"] --> M2["Đồ thị Lý do (RST + Lập luận Juthe)"]
        Doc2["Văn bản"] --> M2
        M2 --> M3["Thành phần Hậu xử lý"]
        M3 --> Out2["Trích xuất chính xác các ý rời rạc (Tối ưu hóa CAR & AR)"]
    end

Implications đa chiều

  • Về mặt Lý thuyết: Luận án mở ra hướng tiếp cận kết hợp hài hòa (neuro-symbolic) giữa biểu diễn diễn ngôn ngôn ngữ học (RST) và học sâu ngữ nghĩa phân bố (Transformers), chứng minh rằng tri thức cấu trúc ngôn ngữ là chìa khóa khắc phục giới hạn suy luận của mạng nơ-ron.
  • Về mặt Phương pháp luận: Cung cấp quy trình chuẩn hóa xây dựng ngữ liệu $EDU$ từ Treebank tiếng Việt và phương pháp luận thiết kế thước đo $AR$, $CAR$ chuyên dụng cho các bài toán đánh giá hệ thống hỏi - đáp câu hỏi phức tạp.
  • Về mặt Ứng dụng Thực tiễn:
    • Ứng dụng trực tiếp vào các hệ sinh thái trợ lý ảo tiếng Việt, hệ thống tìm kiếm câu trả lời thông minh cho cổng dịch vụ công quốc gia, tổng đài tự động hỗ trợ y tế, pháp luật và tài chính.
    • Cung cấp mô hình giải thích được cho các hệ thống hỗ trợ ra quyết định, nơi câu trả lời bắt buộc phải đi kèm bằng chứng logic xác thực.
  • Khuyến nghị chính sách và triển khai: Đề xuất lộ trình tích hợp công nghệ phân tích diễn ngôn vào các nền tảng chuyển đổi số quốc gia; chuẩn hóa các bộ ngữ liệu kiểm thử NLP tiếng Việt có cấu trúc diễn ngôn để phục vụ nghiên cứu cộng đồng.

Limitations và Future Research

Luận án thừa nhận một cách khách quan các giới hạn nghiên cứu:

  1. Giới hạn phạm vi văn bản (Boundary Condition of Context): Mô hình hiện chỉ tập trung xử lý văn bản ngắn ($\le 500$ từ) và đơn chủ đề. Khi áp dụng cho toàn bộ văn bản dài (full-text discourse parsing), cấu trúc cây diễn ngôn trở nên quá phức tạp và độ chính xác phân tích quan hệ giảm dần.
  2. Giới hạn về ngữ nghĩa hàm ẩn sâu: Luận án mới chỉ xử lý nghĩa hiển ngôn và một phần suy luận kéo theo từ tiền giả định thông qua mô hình NLI; chưa mô hình hóa được ngữ nghĩa hàm ẩn sâu, nghĩa bóng, mỉa mai (sarcasm) hoặc các ẩn dụ văn học.
  3. Phụ thuộc vào chất lượng phân đoạn EDU: Sai số tích lũy (error propagation) từ bước phân đoạn $EDU$ và nhận dạng cú pháp có thể ảnh hưởng trực tiếp đến độ chính xác của Đồ thị lý do ở các tầng xử lý sau.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Hướng 1: Mở rộng bài toán phân tích diễn ngôn tiếng Việt lên cấp độ toàn văn bản (Document-level Discourse Parsing) dựa trên các kiến trúc Graph Neural Networks (GNN).
  • Hướng 2: Tích hợp mô hình ngôn ngữ lớn (LLMs) vào thành phần lập luận loại suy để mở rộng cơ sở tri thức tiền giả định và khả năng suy luận đa bước (multi-hop reasoning).
  • Hướng 3: Mở rộng nghiên cứu sang các dạng câu hỏi Non-factoid phức tạp khác như câu hỏi "Như thế nào" (How-questions), câu hỏi thủ tục (Procedural QA), và câu hỏi phản thực tế (Counterfactual QA).
  • Hướng 4: Xây dựng bộ ngữ liệu diễn ngôn tiếng Việt quy mô lớn có gán nhãn đa quan hệ tu từ (Contrast, Condition, Concession, Elaboration) phục vụ cộng đồng học thuật.

Tác động và ảnh hưởng

  • Tác động Học thuật (Academic Impact): Các công bố từ luận án trên các tạp chí và kỷ yếu hội nghị uy tín chuyên ngành Khoa học máy tính và Xử lý ngôn ngữ tự nhiên khẳng định vị thế tiên phong của nghiên cứu. Hệ phương pháp của luận án tạo tiền đề cho hàng loạt trích dẫn trong các nghiên cứu tiếp nối về Discourse Parsing và Neuro-symbolic AI cho các ngôn ngữ đơn lập (Isolating Languages).
  • Chuyển đổi Công nghiệp (Industry Transformation): Cung cấp giải pháp công nghệ lõi cho các doanh nghiệp công nghệ tại Việt Nam (Viettel, FPT, VinAI, VNPT) nhằm nâng cấp chất lượng của các Chatbot doanh nghiệp, hệ thống trợ lý ảo thông minh vượt ra khỏi giới hạn của Factoid QA truyền thống.
  • Giá trị Xã hội (Societal Benefits): Nâng cao hiệu quả tiếp cận thông tin chính xác, minh bạch cho người dân khi tra cứu các tài liệu pháp lý, y tế phức tạp; giải thích rõ ràng lý do đằng sau các quy định hành chính hoặc chẩn đoán sức khỏe.
  • Ý nghĩa Quốc tế (International Relevance): Đóng góp một trường hợp nghiên cứu điển hình (case study) về việc kết hợp giữa lý thuyết diễn ngôn phương Tây (RST, Juthe) với đặc thù ngữ pháp phi hình thái của một ngôn ngữ châu Á (tiếng Việt), tạo giá trị tham chiếu cao cho cộng đồng ngôn ngữ học tính toán thế giới.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Giới học thuật trẻ: Tiếp cận được phương pháp luận nghiên cứu kết hợp giữa Ngôn ngữ học hình thức và Học máy hiện đại; khai thác trực tiếp các bộ dữ liệu chuẩn hóa như $EDU\text{-}UNI$, $VnNewsNLI$, $VnYNews$.
  • Các Giáo sư & Chuyên gia AI/NLP: Sở hữu một mô hình lý thuyết vững chắc để mở rộng sang các bài toán dịch máy nâng cao, tóm tắt văn bản tự động dựa trên cấu trúc diễn ngôn và sinh văn bản có kiểm soát logic.
  • Kỹ sư R&D Công nghiệp: Ứng dụng ngay mã nguồn và khung kiến trúc BERTYQA để triển khai các module giải thích quyết định trong các sản phẩm trợ lý thông minh thương mại.
  • Cơ quan Hoạch định Chính sách & Chuyển đổi số: Nhận được các khuyến nghị thực chứng để đầu tư đúng hướng vào việc xây dựng tài nguyên ngôn ngữ số tiếng Việt có cấu trúc sâu.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc hình thức hóa Lược đồ lập luận loại suy của Juthe (2005) trong không gian ngữ nghĩa học phân bố để giải quyết bài toán phát hiện lập luận không tường minh trong diễn ngôn tiếng Việt. Luận án đã mở rộng Lý thuyết cấu trúc tu từ (RST) của Mann & Thompson bằng cách biến các cấu trúc tu từ tĩnh thành một Đồ thị lý do động, kết nối trực tiếp với bài toán Suy luận ngôn ngữ tự nhiên (NLI) trên nền tảng Transformers.

2. Điểm đổi mới về phương pháp luận so với các nghiên cứu quốc tế tiền nhiệm là gì?

So với phương pháp của Suzan Verberne (chỉ dùng bộ phân lớp dựa trên liên từ trên tiếng Anh) hay Jong-Hoon Oh (dùng CRF/CNN trích chọn thực thể trên tiếng Nhật), luận án đã kết hợp đa tầng giữa Văn phạm phi ngữ cảnh ($CFG$) ở cấp độ câu và mô hình nơ-ron sâu PhoBERT ở cấp độ liên câu, đồng thời đề xuất 2 thước đo mới ($AR$ và $CAR$) cho phép đánh giá chính xác các câu trả lời chứa nhiều ý rời rạc mà các nghiên cứu trước đây chưa giải quyết trọn vẹn.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm là gì?

Phát hiện bất ngờ nhất là các mô hình ngôn ngữ lớn tiền huấn luyện đơn hop (như PhoBERT, XLM-R) dù đạt điểm $F_1 > 89%$ trên Factoid QA lại suy giảm nghiêm trọng (điểm $CAR$ giảm sâu) khi gặp câu hỏi Why-QA có đáp án phân tán nhiều ý, trong khi mô hình tích hợp diễn ngôn của luận án duy trì được độ chính xác ổn định nhờ cơ chế trích xuất đa nhánh trên cây diễn ngôn.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hay không?

Có. Luận án cung cấp đầy đủ chi tiết kỹ thuật: mô tả hình thức tập luật $CFG$, quy trình trích xuất nhãn $EDU$ từ treebank NIIVTB, cấu trúc tập dữ liệu $VnNewsNLI$, siêu tham số huấn luyện mô hình PhoBERT, kiến trúc các chương trình đối chuẩn (BERTYQA, UIT-PhoBERT, OH-YQA), và giải thuật xây dựng Đồ thị lý do.

5. Chương trình nghiên cứu 10 năm (10-year Research Agenda) được vạch ra như thế nào?

Chương trình nghiên cứu dài hạn tập trung vào 3 trụ cột: (1) Xây dựng Bộ phân tích diễn ngôn toàn văn bản tiếng Việt quy mô lớn; (2) Tích hợp cơ chế Lập luận Diễn ngôn vào các Mô hình Ngôn ngữ Lớn (LLMs/Neuro-symbolic LLMs); (3) Mở rộng hệ thống hỏi - đáp lập luận sang dữ liệu đa phương thức (Multimodal Argumentative QA) và hội thoại phức cảm.

Kết luận

Luận án của tác giả Nguyễn Trọng Chỉnh đánh dấu bước tiến đột phá trong chuyên ngành Khoa học máy tính tại Việt Nam với 5 đóng góp cốt lõi:

  1. Xây dựng thành công phương pháp và mô hình phân tích diễn ngôn tiếng Việt ở cấp độ câu (bằng tập luật $CFG$) và liên câu (bằng mô hình học máy) theo nhóm quan hệ lý do.
  2. Đề xuất phương pháp lập luận trên biểu diễn văn bản tiếng Việt dựa trên sự tương thích với lược đồ lập luận loại suy của Juthe và kiểm chứng qua mô hình NLI.
  3. Phát triển mô hình hệ thống hỏi - đáp Why-QA hoàn chỉnh (BERTYQA), giải quyết triệt để bài toán trích xuất câu trả lời đơn ý và đa ý không liên tục.
  4. Đề xuất hai độ đo đánh giá mới mang tính ứng dụng cao: Tỷ lệ câu trả lời chứa đáp án ($AR$) và Tỷ lệ hoàn thành câu trả lời ($CAR$).
  5. Đóng góp các bộ ngữ liệu học thuật giá trị cho cộng đồng: Ngữ liệu gán nhãn $EDU\text{-}UNI$, ngữ liệu suy luận $VnNewsNLI$ và ngữ liệu kiểm thử $VnYQA$, $ViYQuAD$, $VnYNews$.

Công trình không chỉ nâng tầm lý thuyết xử lý ngôn ngữ tự nhiên tiếng Việt trên trường quốc tế mà còn mở ra chân trời ứng dụng sâu rộng cho các hệ thống trí tuệ nhân tạo có khả năng tư duy logic, lập luận minh bạch và giải thích thuyết phục.