Luận văn thạc sĩ nghiên cứu mô hình ngôn ngữ lớn định hình lại nhận thức của ĐH SPKT Hưng Yên năm 2026

Nghiên cứu ứng dụng mô hình ngôn ngữ lớn trong định hình lại nhận thức của các suy nghĩ tiêu cực, hỗ trợ can thiệp tâm lý và trị liệu hành vi nhận thức.

• Tác giả: Nguyễn Thị Ngọc Phượng
• Người hướng dẫn: PGS.TS. Nguyễn Minh Tiến
• Trường học: Trường Đại học Sư phạm Kỹ thuật Hưng Yên
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên cứu một số mô hình ngôn ngữ lớn cho định hình lại nhận thức của các suy nghĩ tiêu cực
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2026
• Địa điểm: Hưng Yên

Tóm tắt

I. Tổng quan về mô hình ngôn ngữ lớn định hình lại nhận thức

Luận văn thạc sĩ ngành Công nghệ thông tin của tác giả Nguyễn Thị Ngọc Phượng tại Trường Đại học Sư phạm Kỹ thuật Hưng Yên đánh dấu bước tiến quan trọng trong lĩnh vực trí tuệ nhân tạo y tế. Đề tài tập trung nghiên cứu mô hình ngôn ngữ lớn định hình lại nhận thức của các suy nghĩ tiêu cực dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Minh Tiến. Nghiên cứu giải quyết bài toán cấp bách về sức khỏe tinh thần trong thời đại số. Hiện nay áp lực tâm lý trong xã hội ngày càng gia tăng. Phương pháp can thiệp truyền thống thường đối mặt rào cản về chi phí và số lượng chuyên gia. Do đó việc áp dụng trí tuệ nhân tạo mở ra hướng tiếp cận mới mẻ. Nghiên cứu kết hợp chặt chẽ giữa khoa học máy tính hiện đại và tâm lý học nhận thức. Nhóm tác giả tại phòng thí nghiệm Alpha-Lab đã xây dựng quy trình can thiệp tự động dựa trên nền tảng lý thuyết vững chắc. Công trình không chỉ đóng góp giá trị học thuật xuất sắc cho cộng đồng nghiên cứu quốc tế. Kết quả thực nghiệm còn mở ra tiềm năng ứng dụng thực tế to lớn tại Việt Nam. Các thử nghiệm mô phỏng chứng minh tính khả thi cao của giải pháp công nghệ này.

1.1. Bối cảnh nghiên cứu sức khỏe tâm thần thời đại số

Sức khỏe tâm thần đang trở thành mối quan tâm hàng đầu của xã hội hiện đại. Tỷ lệ người mắc chứng lo âu và trầm cảm tăng nhanh mỗi năm. Sự bùng nổ của mạng xã hội khiến con người dễ nảy sinh các suy nghĩ tiêu cực tự động. Những suy nghĩ này gây tổn thương nghiêm trọng đến chất lượng cuộc sống hàng ngày. Tuy nhiên hệ thống y tế hiện tại chưa thể đáp ứng đầy đủ nhu cầu tư vấn tâm lý. Rào cản định kiến xã hội cũng ngăn cản nhiều người tìm kiếm sự hỗ trợ chuyên môn. Trí tuệ nhân tạo mang đến cơ hội mở rộng khả năng tiếp cận dịch vụ chăm sóc tinh thần. Các mô hình ngôn ngữ lớn sở hữu tiềm năng đồng hành cùng người dùng mọi lúc mọi nơi.

1.2. Mục tiêu nghiên cứu và vai trò của ĐH SPKT Hưng Yên

Nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật Hưng Yên đặt mục tiêu xây dựng giải pháp công nghệ toàn diện. Tác giả hướng tới việc chuyển hóa suy nghĩ lệch lạc thành nhận thức tích cực và cân bằng. Khoa Công nghệ thông tin cùng phòng thí nghiệm Alpha-Lab cung cấp môi trường nghiên cứu học thuật chuẩn mực. Nhóm nghiên cứu thiết lập quy trình thực nghiệm nghiêm ngặt theo các tiêu chuẩn quốc tế. Mục tiêu cốt lõi là đảm bảo tính chính xác và an toàn tuyệt đối khi đưa ra lời khuyên tâm lý. Công trình khẳng định năng lực nghiên cứu chuyên sâu của nhà trường trong lĩnh vực xử lý ngôn ngữ tự nhiên. Đề tài tạo tiền đề vững chắc cho việc ứng dụng trí tuệ nhân tạo vào chăm sóc sức khỏe cộng đồng.

II. Phân tích mô hình ngôn ngữ lớn định hình lại nhận thức tiêu cực

Việc triển khai mô hình ngôn ngữ lớn vào trị liệu tâm lý gặp phải nhiều rào cản kỹ thuật phức tạp. Trở ngại lớn nhất là hiện tượng ảo giác thông tin và mất kiểm soát ngữ cảnh hội thoại kéo dài. Khi xử lý các vấn đề nhạy cảm, mô hình ngôn ngữ thông thường dễ đưa ra câu trả lời hời hợt hoặc sáo rỗng. Lời khuyên thiếu căn cứ tâm lý có thể làm trầm trọng thêm sự bế tắc của người dùng. Ngoài ra các cấu trúc nhận thức tiêu cực thường ẩn sâu dưới ngôn ngữ tự nhiên phức tạp. Người gặp bất ổn tâm lý hay sử dụng lối nói phóng đại hoặc cá nhân hóa sự việc. Mô hình trí tuệ nhân tạo truyền thống chỉ phân tích câu chữ bề mặt mà bỏ qua nguyên nhân cốt lõi. Sự thiếu hụt cơ chế suy luận đối chứng dẫn đến phản hồi thiếu tính đồng cảm sâu sắc. Vấn đề an toàn đạo đức trong AI trị liệu cũng đòi hỏi sự kiểm soát nghiêm ngặt. Hệ thống phải tuân thủ chặt chẽ ranh giới can thiệp y khoa để phòng tránh rủi ro tiêu cực. Luận văn đã mổ xẻ chi tiết những hạn chế này để xây dựng giải pháp khắc phục triệt để.

2.1. Thách thức ảo giác thông tin và tràn ngữ cảnh

Ảo giác thông tin là trở ngại kỹ thuật lớn nhất khi ứng dụng mô hình ngôn ngữ lớn. Trong các cuộc đối thoại kéo dài, khối lượng dữ liệu ngữ cảnh tăng lên nhanh chóng. Hiện tượng tràn ngữ cảnh khiến hệ thống quên mất các chi tiết quan trọng ban đầu. Mô hình có xu hướng tự tạo ra các thông tin sai lệch không có thật. Đối với lĩnh vực tâm lý học, sai số này có thể tạo ra hậu quả vô cùng nguy hiểm. Người dùng đang chịu tổn thương tâm lý rất nhạy cảm với từng phản hồi. Nếu hệ thống đưa ra nhận định sai lệch, niềm tin của người dùng sẽ sụp đổ hoàn toàn. Do đó việc kiểm soát hiện tượng ảo giác là điều kiện tiên quyết để xây dựng hệ thống AI trị liệu an toàn.

2.2. Nhận diện các bóp méo nhận thức trong tâm lý học

Bóp méo nhận thức là các mô thức suy nghĩ tiêu cực lặp đi lặp lại. Những kiểu nhận thức sai lệch phổ biến bao gồm thảm họa hóa và cá nhân hóa vấn đề. Người mắc chứng thảm họa hóa luôn suy diễn tình huống theo chiều hướng tồi tệ nhất. Trong khi đó cá nhân hóa khiến người bệnh tự nhận lỗi về những biến cố ngoài tầm kiểm soát. Các mô hình ngôn ngữ thông thường gặp nhiều khó khăn trong việc gắn nhãn chính xác những kiểu tư duy này. Việc thiếu phân tích chuyên sâu về lược đồ niềm tin cốt lõi làm giảm chất lượng can thiệp. Nếu không xác định đúng nguyên nhân gốc rễ, thông điệp phản hồi sẽ không mang lại hiệu quả trị liệu thực sự.

III. Giải pháp mô hình ngôn ngữ lớn định hình lại nhận thức Psy MACR

Để giải quyết triệt để các thách thức kỹ thuật, nghiên cứu đề xuất khung đa tác tử dựa trên cơ sở tâm lý học mang tên Psy-MACR. Khung kiến trúc này mô phỏng chặt chẽ quy trình của Liệu pháp Nhận thức Hành vi chuẩn mực. Luồng suy luận phức tạp được phân tách thành từng giai đoạn chuyên biệt hóa rõ ràng. Cách tiếp cận này giúp triệt tiêu hiện tượng tràn ngữ cảnh và kiểm soát tối đa ảo giác thông tin. Trọng tâm của giải pháp là khung Chẩn đoán Suy nghĩ mang tên Diagnosis of Thought. Quy trình bắt đầu bằng bước Đánh giá Tính chủ quan để tách bạch giữa sự kiện khách quan và cảm xúc cá nhân. Tiếp theo thuật toán thực hiện Suy luận Đối chứng nhằm tìm kiếm các bằng chứng ủng hộ và phản bác suy nghĩ đó. Bước cuối cùng là Phân tích Lược đồ niềm tin để chỉ ra mô thức nhận thức gốc rễ. Chỉ khi hoàn thành việc gán nhãn bóp méo nhận thức chính xác, hệ thống mới tiến hành tạo thông điệp can thiệp. Quy trình bảo đảm tính minh bạch khoa học tương tự như quy trình chẩn đoán của bác sĩ tâm lý chuyên nghiệp. Thông điệp sinh ra đạt chuẩn mực đạo đức y khoa và giàu tính đồng cảm.

3.1. Kiến trúc đa tác tử Psy MACR mô phỏng CBT

Kiến trúc Psy-MACR phân chia nhiệm vụ can thiệp tâm lý cho nhiều tác tử chuyên biệt. Mỗi tác tử đảm nhận một vai trò độc lập trong chu trình trị liệu hành vi nhận thức. Tác tử phân tích phụ trách bóc tách câu chữ và phát hiện biến dạng tư duy. Tác tử đối chứng tìm kiếm các luận điểm phản biện mang tính khách quan. Cuối cùng tác tử tạo sinh sẽ tổng hợp dữ liệu để soạn thảo thông điệp phản hồi hoàn chỉnh. Sự phối hợp nhịp nhàng giữa các tác tử loại bỏ hoàn toàn nguy cơ quá tải bộ nhớ ngữ cảnh. Khung làm việc bảo đảm mọi lời khuyên đưa ra đều có căn cứ khoa học rõ ràng. Nhờ vậy hệ thống duy trì được tính nhất quán và độ tin cậy vượt trội trong suốt phiên tương tác.

3.2. Quy trình chẩn đoán suy nghĩ Diagnosis of Thought

Diagnosis of Thought là đột phá thuật toán then chốt trong nghiên cứu của Đại học Sư phạm Kỹ thuật Hưng Yên. Khung vận hành theo ba bước logic chặt chẽ. Bước đầu tiên đánh giá tính chủ quan để tách riêng sự kiện thực tế khỏi cảm xúc cá nhân. Bước thứ hai tiến hành suy luận đối chứng nhằm tìm bằng chứng ủng hộ lẫn phản đối suy nghĩ tiêu cực. Bước thứ ba phân tích lược đồ niềm tin cốt lõi chi phối tâm lý người dùng. Cơ chế này đem lại khả năng giải thích minh bạch trong từng quyết định của hệ thống. Chuyên gia tâm lý có thể dễ dàng kiểm tra và truy vết toàn bộ quá trình can thiệp. Đây là bước đệm quan trọng để tích hợp tri thức y khoa vào trí tuệ nhân tạo.

IV. Kết luận mô hình ngôn ngữ lớn định hình lại nhận thức thực tiễn

Công trình nghiên cứu tại Đại học Sư phạm Kỹ thuật Hưng Yên đã gặt hái thành công vang dội trên cả hai phương diện học thuật và ứng dụng thực tiễn. Về mặt học thuật, kiến trúc cốt lõi phân tích bóp méo nhận thức đã được công bố chính thức tại kỷ yếu hội thảo quốc tế PACLIC 39 danh giá. Hai công trình nghiên cứu chuyên sâu mở rộng khả năng sinh đa góc nhìn và đánh giá hiệu quả giáo dục đang được bình duyệt tại các hội nghị khoa học hàng đầu như ACL và ICALT. Về mặt ứng dụng thực tiễn, tác giả không giới hạn phạm vi nghiên cứu trên các tập dữ liệu tĩnh thông thường. Đề tài đã chuyển giao công nghệ thành công vào hệ sinh thái ứng dụng chăm sóc sức khỏe tinh thần toàn diện. Hệ thống cho phép người dùng tiếp cận liệu pháp tái cấu trúc nhận thức an toàn và bảo mật ngay trên thiết bị cá nhân. Kết quả thử nghiệm thực tế chứng minh mô hình giúp giảm thiểu căng thẳng và cải thiện tư duy tích cực rõ rệt. Đây là minh chứng rõ nét cho chất lượng đào tạo sau đại học và năng lực nghiên cứu khoa học tiên tiến của nhà trường.

4.1. Đóng góp học thuật quốc tế tại PACLIC ACL và ICALT

Giá trị học thuật của luận văn được cộng đồng khoa học quốc tế ghi nhận thông qua các công bố uy tín. Đề tài đã xuất bản thành công bài báo khoa học về kiến trúc phân tích bóp méo nhận thức tại hội thảo PACLIC 39. Bên cạnh đó nhóm nghiên cứu hoàn thiện hai bài báo chuyên sâu gửi tới hội nghị hàng đầu ACL và ICALT. Các công trình tập trung mở rộng kỹ thuật tạo sinh đa góc nhìn và kiểm định hiệu quả giáo dục tâm lý. Việc xuất hiện tại các diễn đàn khoa học đỉnh cao khẳng định phương pháp luận nghiên cứu đạt chuẩn quốc tế. Thành tích này nâng cao vị thế học thuật của Trường Đại học Sư phạm Kỹ thuật Hưng Yên trên bản đồ nghiên cứu trí tuệ nhân tạo toàn cầu.

4.2. Khả năng ứng dụng thực tế và chuyển giao công nghệ

Nghiên cứu tạo ra bước đột phá khi chuyển hóa thành công mô hình lý thuyết thành hệ sinh thái ứng dụng thực tiễn. Nền tảng công nghệ sẵn sàng tích hợp vào các ứng dụng di động hỗ trợ sức khỏe tinh thần. Người dùng có thể thực hành định hình lại nhận thức mỗi khi đối diện với cảm xúc tiêu cực hàng ngày. Quy trình can thiệp tự động bảo đảm tính riêng tư tuyệt đối cho dữ liệu cá nhân. Giải pháp giúp giảm tải áp lực công việc cho đội ngũ chuyên gia tâm lý học đường và bệnh viện. Đây là minh chứng rõ nét cho định hướng nghiên cứu ứng dụng phục vụ đời sống của Đại học Sư phạm Kỹ thuật Hưng Yên. Sản phẩm hứa hẹn tạo ra tác động xã hội sâu sắc và bền vững.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ Tổ chức Y tế Thế giới, hiện có khoảng 1 tỷ người trên toàn cầu đang phải đối mặt với các vấn đề sức khỏe tinh thần, trong đó trầm cảm và lo âu chiếm tỷ lệ áp đảo. Đáng lo ngại, tỷ lệ bao phủ của các dịch vụ điều trị chuyên nghiệp tại những quốc gia có thu nhập thấp và trung bình thấp chỉ đạt khoảng 8%. Tại Việt Nam, số lượng người trưởng thành trải qua các trạng thái suy nghĩ tiêu cực kéo dài như tuyệt vọng, âu lo hay bất an đang gia tăng nhanh chóng dưới áp lực học tập và đời sống hiện đại.

Trước thực trạng đó, Liệu pháp Nhận thức Hành vi (Cognitive Behavioral Therapy - CBT) đã chứng minh hiệu quả vượt trội thông qua kỹ thuật tái cấu trúc nhận thức, giúp nhận diện và điều chỉnh các kiểu suy nghĩ lệch lạc. Sự phát triển mạnh mẽ của Trí tuệ nhân tạo và các Mô hình ngôn ngữ lớn (Large Language Models - LLM) mở ra tiềm năng tự động hóa việc hỗ trợ tâm lý. Tuy nhiên, các giải pháp AI hiện nay thường vận hành như một chiếc hộp đen, chỉ thực hiện viết lại văn bản bề mặt, dễ rơi vào trạng thái tích cực độc hại hoặc tạo ra ảo giác thông tin nguy hại do thiếu nền tảng lý thuyết lâm sàng vững chắc.

Để giải quyết triệt để rào cản này, luận văn thạc sĩ ngành Công nghệ thông tin của học viên Nguyễn Thị Ngọc Phượng tại Trường Đại học Sư phạm Kỹ thuật Hưng Yên, dưới sự hướng dẫn của Phó Giáo sư, Tiến sĩ Nguyễn Minh Tiến vào năm 2026, đã tập trung nghiên cứu kiến trúc đa tác tử dựa trên nền tảng tâm lý học mang tên Psy-MACR. Mục tiêu trọng tâm của đề tài là phân rã quy trình trị liệu phức tạp thành chuỗi các bước suy luận minh bạch gồm đánh giá tính chủ quan, lập luận đối lập, phân tích lược đồ nhận thức và chẩn đoán méo mó nhận thức. Phạm vi nghiên cứu được thực nghiệm trên các bộ dữ liệu chuẩn quốc tế và kiểm chứng thực tế với 50 sinh viên trong giai đoạn 2024 - 2026. Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc nâng cao độ chính xác chẩn đoán lỗi nhận thức lên trên 86%, đồng thời xây dựng thành công hệ sinh thái can thiệp đa nền tảng gồm ứng dụng web ẩn danh MindReframe, robot vật lý để bàn và chatbot mạng xã hội, tạo bước đột phá trong sơ cứu tâm lý học đường 24/7.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng vững chắc của hai trường phái trị liệu lớn: Liệu pháp Nhận thức Hành vi kinh điển của Aaron Beck và Liệu pháp Hành vi Cảm xúc Hợp lý (REBT) với mô hình ABCDE của Albert Ellis. Bên cạnh đó, tác giả tích hợp các liệu pháp làn sóng thứ ba như Liệu pháp Chấp nhận và Cam kết (ACT) cùng Liệu pháp Lược đồ (Schema Therapy) nhằm xử lý các niềm tin tiêu cực bám rễ sâu.

Mô hình nghiên cứu cốt lõi là khung kiến trúc đa tác tử có cơ sở tâm lý học (Psy-MACR), vận hành tuần tự qua 5 tác tử chuyên biệt: Tác tử Đánh giá Tính chủ quan, Tác tử Lập luận Đối lập, Tác tử Phân tích Lược đồ, Tác tử Chẩn đoán Méo mó Nhận thức và Tác tử Tái định hình Nhận thức. Mô hình kết hợp phương pháp suy luận Chuỗi chẩn đoán tư duy (Diagnosis of Thought - DoT) và cơ chế Tạo sinh Tăng cường Truy xuất (Retrieval-Augmented Generation - RAG).

Năm khái niệm chuyên ngành cốt lõi định hình toàn bộ cấu trúc nghiên cứu bao gồm:

1. Méo mó nhận thức (Cognitive Distortions): Những thông dịch sai lệch, phóng đại hoặc phiến diện về sự kiện khách quan, điển hình như tư duy trắng đen, cá nhân hóa hay thảm kịch hóa.
2. Tái định hình nhận thức (Cognitive Reframing): Quy trình thay thế suy nghĩ tự động tiêu cực bằng cách diễn giải cân bằng, dựa trên bằng chứng thực tế.
3. Tách rời nhận thức (Cognitive Defusion): Kỹ thuật nhận biết suy nghĩ chỉ là sự kiện ngôn ngữ tâm trí thay vì sự thật tuyệt đối.
4. Ảo giác thông tin (Hallucination): Hiện tượng mô hình ngôn ngữ tự sinh nội dung sai lệch hoặc lời khuyên y khoa vô căn cứ.
5. Lược đồ thích ứng sai lệch sớm (Early Maladaptive Schemas): Khuôn mẫu nhận thức thâm căn cố đế hình thành từ trải nghiệm tiêu cực trong quá khứ.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm của luận văn bao gồm hai kho ngữ liệu chuẩn hóa quốc tế: Bộ dữ liệu Tái định hình Nhận thức (CR Dataset) với khoảng 2.000 cặp suy nghĩ tiêu cực và phản hồi tái cấu trúc, cùng Bộ dữ liệu Tái định hình Khuôn mẫu (PR Dataset) với hơn 1.500 mẫu phân loại chính xác 10 dạng méo mó nhận thức.

Phương pháp nghiên cứu áp dụng quy trình hỗn hợp đa phương pháp (mixed-methods). Về mặt định lượng, hiệu năng sinh văn bản được đo lường tự động qua các chỉ số xử lý ngôn ngữ tự nhiên tiêu chuẩn gồm BLEU-4, ROUGE-L, BERTScore và kỹ thuật LLM-as-a-judge sử dụng các mô hình tiên tiến như GPT-4 và Qwen 2.5 7B. Về mặt định tính, nghiên cứu áp dụng phương pháp thẩm định mù đôi (double-blind review) do hội đồng chuyên gia tâm lý học lâm sàng độc lập tiến hành dựa trên bộ tiêu chí rubric 5 mức độ nghiêm ngặt nhằm đánh giá tính thấu cảm, độ an toàn y tế và sự phù hợp ngữ cảnh.

Về quy mô và cách thức chọn mẫu, nhóm thực nghiệm thực tế bao gồm 50 sinh viên đại học được tuyển chọn thông qua phương pháp chọn mẫu thuận tiện có chủ đích (purposive convenience sampling) tại Đại học Sư phạm Kỹ thuật Hưng Yên, đại diện cho nhóm thanh niên chịu nhiều căng thẳng học tập. Toàn bộ timeline nghiên cứu kéo dài 24 tháng, chia thành 3 giai đoạn: xây dựng khung lý thuyết, thực nghiệm thuật toán và phát triển nguyên mẫu sản phẩm ứng dụng.

Lý do lựa chọn phương pháp phân tích hỗn hợp bắt nguồn từ tính chất đặc thù của miền tâm lý học. Các phép đo chuỗi n-gram truyền thống chỉ phản ánh độ trùng lặp từ vựng mà hoàn toàn bất lực trong việc định lượng sự thấu hiểu cảm xúc hoặc tính chuẩn xác của các biện pháp can thiệp lâm sàng. Sự kết hợp giữa các chỉ số thuật toán tự động và thẩm định chuyên gia giúp đảm bảo vừa tối ưu hóa sức mạnh tính toán, vừa bảo chứng an toàn đạo đức và kiểm soát hoàn toàn rủi ro sai lệch thông tin.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, kiến trúc đa tác tử Psy-MACR đạt hiệu năng sinh văn bản tái định hình vượt trội so với các mô hình đơn khối truyền thống. Trên bộ dữ liệu CR, điểm BLEU-4 của Psy-MACR đạt 18,45%, tăng 24,6% so với mô hình cơ sở Shallow Reframing chỉ đạt 14,80%; đồng thời chỉ số ROUGE-L đạt 38,92%, cải thiện 15,2% so với baseline thông thường.

Thứ hai, độ chính xác trong việc phát hiện và chẩn đoán các dạng méo mó nhận thức trên tập dữ liệu PR đạt 86,7%. Kết quả này vượt trội hơn 21,3% so với kỹ thuật Chain-of-Thought tiêu chuẩn (đạt 65,4%), chứng minh năng lực phân lập chuẩn xác giữa sự kiện khách quan và cảm xúc chủ quan của tác tử chẩn đoán.

Thứ ba, kết quả đánh giá mù đôi từ hội đồng chuyên gia tâm lý ghi nhận 91,2% phản hồi của hệ thống đạt chuẩn an toàn lâm sàng, trong khi tỷ lệ xuất hiện phản hồi mang tính tích cực độc hại (toxic positivity) giảm mạnh xuống dưới 4,5%, so với mức 28,7% ở các mô hình sinh văn bản trực tiếp không qua quy trình chẩn đoán trung gian.

Thứ tư, thử nghiệm thực địa trên quy mô 50 người dùng sinh viên ghi nhận điểm đánh giá trải nghiệm đạt trung bình 4,62 trên thang điểm 5. Trong đó, có 84,0% người tham gia xác nhận cảm xúc tiêu cực và trạng thái căng thẳng thuyên giảm rõ rệt chỉ sau 15 phút tương tác với hệ thống.

Thảo luận kết quả

Nguyên nhân chủ yếu giúp Psy-MACR đạt được bước nhảy vọt về hiệu năng nằm ở chiến lược phân rã bài toán lớn thành các tác vụ chuyên biệt hóa. Thay vì để một mô hình ngôn ngữ gánh vác toàn bộ chu trình trị liệu, việc tách biệt rõ ràng các pha đánh giá tính chủ quan, lập luận đối lập và phân tích lược đồ đã triệt tiêu hoàn toàn hiện tượng tràn ngữ cảnh (context overflow). Ngoài ra, việc tích hợp cơ chế RAG đóng vai trò như một mỏ neo dữ liệu lâm sàng, ngăn chặn hiệu quả hiện tượng ảo giác sinh văn bản.

Khi đối sánh với các nghiên cứu cùng thời kỳ, mô hình đề xuất thể hiện tính ưu việt rõ rệt. Trong khi các nghiên cứu trước đây chỉ đạt chỉ số tương đồng ngữ nghĩa BERTScore ở mức xấp xỉ 0,82 do dựa vào các mẫu prompt đóng khung cứng nhắc, Psy-MACR đạt mức BERTScore 0,89, tạo ra những câu phản biện sắc bén, đậm tính nhân văn và không làm mất đi tính cá nhân hóa của người dùng.

Về phương diện trực quan hóa, toàn bộ dữ liệu thực nghiệm được trình bày sinh động qua hai dạng hiển thị trực quan chính. Thứ nhất là biểu đồ cột so sánh đa chiều giữa Psy-MACR và 4 kiến trúc nền tảng (BART, T5, GPT-4 và Qwen 2.5 7B) trên 3 thang đo BLEU, ROUGE và BERTScore. Thứ hai là biểu đồ phân tán không gian tiềm ẩn (PCA) minh họa sự phân tách ranh giới ngữ nghĩa rõ rệt giữa 10 trường phái can thiệp trị liệu trên nền tảng MindReframe, chứng minh khả năng định hình phong cách phản hồi đa dạng mà không bị hòa lẫn nội dung.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được từ luận văn, 4 giải pháp cụ thể được đề xuất nhằm hoàn thiện và nhân rộng hệ thống:

Thứ nhất, mở rộng kho ngữ liệu can thiệp tâm lý tiếng Việt chuẩn hóa đạt quy mô tối thiểu 10.000 mẫu hội thoại chất lượng cao trong thời hạn 12 tháng tới, nhằm tăng cường khả năng xử lý phương ngữ và văn hóa bản địa. Chủ thể thực hiện là Nhóm nghiên cứu Alpha-Lab phối hợp cùng Khoa Công nghệ thông tin, Trường Đại học Sư phạm Kỹ thuật Hưng Yên.

Thứ hai, chuẩn hóa quy trình và tiến hành thử nghiệm lâm sàng ngẫu nhiên có đối chứng (Randomized Controlled Trial - RCT) trên quy mô 300 đối tượng người dùng, hướng tới mục tiêu nâng tỷ lệ cải thiện chỉ số sức khỏe tinh thần đo lường theo thang DASS-21 lên trên 95% trong vòng 18 tháng. Chủ thể chịu trách nhiệm là nhóm nghiên cứu công nghệ phối hợp cùng các bác sĩ và chuyên gia tại các bệnh viện tâm thần và trung tâm tham vấn học đường.

Thứ ba, tối ưu hóa thuật toán nén mô hình để nhúng hoàn toàn mô hình ngôn ngữ Qwen 2.5 7B lên phần cứng máy tính nhúng cục bộ, nhằm hạ độ trễ phản hồi giọng nói của robot xuống dưới 1,2 giây và giảm 40% dung lượng RAM tiêu thụ trong lộ trình 6 tháng. Chủ thể thực hiện là đội ngũ kỹ sư phần cứng và chuyên viên AI của phòng thí nghiệm.

Thứ tư, thiết lập hàng rào kiểm duyệt an toàn tự động có khả năng phát hiện 100% các tín hiệu nguy cơ tự làm hại bản thân hoặc khủng hoảng tâm lý cấp tính trong vòng 3 tháng, tự động kích hoạt cơ chế chuyển tiếp cuộc gọi khẩn cấp tới đường dây nóng hỗ trợ xã hội. Chủ thể quản lý là Ban điều hành nền tảng MindReframe cùng các chuyên viên công tác xã hội học đường.

Đối tượng nên tham khảo luận văn

Luận văn thạc sĩ mang lại giá trị học thuật và ứng dụng thực tiễn to lớn cho 4 nhóm đối tượng trọng tâm sau:

Nhóm 1: Các nhà nghiên cứu và kỹ sư Trí tuệ Nhân tạo trong lĩnh vực Xử lý Ngôn ngữ Tự nhiên. Tài liệu cung cấp cơ sở kỹ thuật chi tiết về việc xây dựng hệ thống đa tác tử (Multi-Agent System), ứng dụng phương pháp Chuỗi chẩn đoán tư duy (DoT) và tối ưu hóa prompt chuyên biệt. Use case điển hình là ứng dụng khung kiến trúc này để phát triển các trợ lý ảo thông minh trong các lĩnh vực đòi hỏi suy luận nhiều bước như y tế, luật pháp hay giáo dục.

Nhóm 2: Các chuyên gia tâm lý học lâm sàng và cán bộ tham vấn tâm lý học đường. Luận văn mở ra góc nhìn toàn diện về cách thức số hóa các liệu pháp kinh điển như CBT, ACT hay DBT thành các bước can thiệp tự động. Use case thực tiễn là ứng dụng nền tảng MindReframe như một công cụ hỗ trợ ra quyết định lâm sàng, giúp sàng lọc nhanh 10 dạng méo mó nhận thức của học sinh, sinh viên trước khi bước vào buổi tham vấn trực tiếp.

Nhóm 3: Học viên cao học và sinh viên ngành Công nghệ thông tin, Khoa học Máy tính. Công trình là tài liệu tham khảo mẫu mực về quy trình triển khai đề tài nghiên cứu liên ngành giữa tâm lý học và AI, từ khâu thiết kế mô hình đến đo kiểm thực nghiệm đạt chuẩn công bố quốc tế. Use case là học tập phương pháp luận nghiên cứu, kỹ thuật triển khai mô hình mã nguồn mở cục bộ nhằm bảo vệ dữ liệu nhạy cảm.

Nhóm 4: Các nhà phát triển thiết bị công nghệ và nhà quản lý giáo dục. Luận văn cung cấp giải pháp tích hợp AI lên phần cứng tương tác vật lý thông qua giao thức UART và I2C trên robot để bàn. Use case là triển khai các trạm sơ cứu tâm lý tự động hoặc robot đồng hành thân thiện tại ký túc xá, thư viện trường đại học nhằm hỗ trợ chăm sóc sức khỏe tinh thần học sinh, sinh viên 24/7.

Câu hỏi thường gặp

Câu hỏi 1: Khung kiến trúc đa tác tử Psy-MACR có điểm gì khác biệt so với các chatbot trí tuệ nhân tạo thông thường?

Trả lời: Khác với chatbot truyền thống vốn sinh phản hồi tức thì dễ rơi vào ảo giác thông tin và tích cực độc hại, Psy-MACR vận hành theo quy trình lâm sàng 5 bước chặt chẽ. Hệ thống phân tách sự kiện khách quan, phân tích lược đồ và chỉ định hướng tái cấu trúc sau khi chẩn đoán lỗi nhận thức với độ chính xác đạt 86,7%, giữ tỷ lệ phản hồi sai lệch dưới 4,5%.

Câu hỏi 2: Nền tảng MindReframe bảo vệ dữ liệu cá nhân của người dùng bằng cách nào?

Trả lời: MindReframe sử dụng mô hình ngôn ngữ mã nguồn mở Qwen 2.5 7B chạy hoàn toàn trên máy chủ cục bộ, cam kết bảo mật tuyệt đối 100% dữ liệu mà không truyền gửi sang các API thương mại bên thứ ba. Hệ sinh thái cho phép người dùng ẩn danh hoàn toàn khi chia sẻ các suy nghĩ tiêu cực nhạy cảm, loại bỏ triệt để định kiến xã hội.

Câu hỏi 3: Hệ thống AI này có thể thay thế hoàn toàn vai trò của một chuyên gia tâm lý hay bác sĩ hay không?

Trả lời: Luận văn khẳng định rõ hệ thống chỉ đóng vai trò sơ cứu tâm lý ban đầu và hỗ trợ giáo dục nhận thức cho các trường hợp căng thẳng mức độ nhẹ đến vừa. Khi phát hiện các dấu hiệu khủng hoảng nghiêm trọng, hệ thống tự động kích hoạt ngưỡng an toàn 100% để hướng dẫn người dùng kết nối với bác sĩ chuyên khoa hoặc đường dây nóng y tế.

Câu hỏi 4: Việc tích hợp mô hình lên robot vật lý để bàn mang lại lợi ích gì so với ứng dụng web?

Trả lời: Robot để bàn hình mèo tạo ra sự hiện diện xã hội sinh động thông qua giọng nói truyền cảm và biểu cảm mắt cơ học qua giao tiếp UART và I2C. Thử nghiệm trên 50 người dùng cho thấy tỷ lệ gắn kết cảm xúc đạt 88%, giúp người dùng giảm 35% rào cản e ngại tâm lý ban đầu so với việc chỉ gõ phím trên màn hình máy tính.

Câu hỏi 5: Luận văn đã kết hợp các chỉ số đánh giá nào để đảm bảo tính khách quan cho kết quả nghiên cứu?

Trả lời: Nghiên cứu phối hợp chặt chẽ giữa định lượng và định tính: sử dụng các thang đo n-gram như BLEU-4 đạt 18,45%, ROUGE-L đạt 38,92% cùng chỉ số ngữ nghĩa BERTScore đạt 0,89, song song với việc đánh giá mù đôi từ hội đồng chuyên gia tâm lý học theo thang rubric 5 cấp độ để bảo chứng tính an toàn y khoa.

Kết luận

Luận văn thạc sĩ đã giải quyết thành công bài toán tích hợp lý thuyết tâm lý học lâm sàng vào trí tuệ nhân tạo với 5 đóng góp học thuật và thực tiễn cốt lõi:

• Đề xuất thành công khung kiến trúc đa tác tử Psy-MACR gồm 5 module chuyên biệt, giải quyết triệt để hiện tượng tràn ngữ cảnh và ảo giác thông tin của các mô hình ngôn ngữ lớn.
• Nâng độ chính xác chẩn đoán méo mó nhận thức lên 86,7% và cải thiện chỉ số BLEU-4 lên 24,6% so với các phương pháp tái định hình nhận thức bề mặt trước đây.
• Cá nhân hóa can thiệp tâm lý bằng việc mô phỏng thành công 10 trường phái trị liệu chuyên sâu trên nền tảng số.
• Phát triển trọn vẹn hệ sinh thái hỗ trợ tâm lý đa nền tảng gồm ứng dụng web MindReframe, chatbot mạng xã hội và robot vật lý để bàn tương tác đa phương thức qua giao thức UART và I2C.
• Công bố thành công 3 công trình nghiên cứu tại các hội thảo khoa học quốc tế uy tín gồm PACLIC 39 cùng các bài báo đang bình duyệt tại ACL và ICALT.

Trong lộ trình 12 đến 24 tháng tới, nhóm tác giả sẽ tiếp tục mở rộng thử nghiệm lâm sàng có đối chứng trên 300 đối tượng và hoàn thiện bộ ngữ liệu tiếng Việt chuyên sâu. Hãy cùng chung tay thúc đẩy ứng dụng công nghệ trí tuệ nhân tạo nhân văn, an toàn vì sức khỏe tinh thần bền vững của cộng đồng!

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HUNG YEN UNIVERSITY OF TECHNOLOGY AND EDUCATION THI-NGOC-PHUONG NGUYEN A STUDY OF LARGE LANGUAGE MODELS FOR COGNITIVE REFRAMING OF NEGATIVE THOUGHTS MASTER’S THESIS IN INFORMATION TECHNOLOGY Hung Yen - 2026 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT HƯNG YÊN NGUYỄN THỊ NGỌC PHƯỢNG NGHIÊN CỨU MỘT SỐ MÔ HÌNH NGÔN NGỮ LỚN CHO ĐỊNH HÌNH LẠI NHẬN THỨC CỦA CÁC SUY NGHĨ TIÊU CỰC LUẬN VĂN THẠC SĨ NGÀNH CÔNG NGHỆ THÔNG TIN Hưng Yên 2026 MINISTRY OF EDUCATION AND TRAINING HUNG YEN UNIVERSITY OF TECHNOLOGY AND EDUCATION THI-NGOC-PHUONG NGUYEN A STUDY OF LARGE LANGUAGE MODELS FOR COGNITIVE REFRAMING OF NEGATIVE THOUGHTS Major: Information Technology Major Code: 8480201 MASTER’S THESIS IN INFORMATION TECHNOLOGY SUPERVISOR: ASSOC. MINH-TIEN NGUYEN Hung Yen – 2026 COMMENTS Comments of the instructor. INSTRUCTOR (Signature and full name) 2 A Study of Large Language Models for Cognitive Reframing of Negative Thoughts GUARANTEE I hereby pledge that the project " A study of Large Language Models for Cognitive Reframing of Negative Thoughts" is the result of my own efforts under the guidance of Assoc. Minh-Tien Nguyen The sections using reference materials in this project have been clearly stated in the reference section.

The results presented in this project and the developed program are entirely my own work. If I violate this pledge, I take full responsibility before the department and the university. Hung Yen, day. Student 3 A Study of Large Language Models for Cognitive Reframing of Negative Thoughts ACKNOWLEDGEMENTS To complete this project, first and foremost, I would like to express my gratitude to the Department of Computer Science, Faculty of Information Technology – Hung Yen University of Technology and Education, for facili- tating the conditions to carry out this course project.

Special thanks to Assoc. Minh-Tien Nguyen for his dedicated guid- ance and support throughout the project. I am also truly grateful to all members of Alpha-Lab—the mentors, se- nior researchers, and my peers. I deeply value the invaluable guidance from my seniors, the insightful discussions, and the wonderful camaraderie we all shared.

Your collective support and companionship have made this research journey much more memorable and enjoyable. Furthermore, I would like to extend my sincere thanks to all the lecturers at the university for their thorough teaching, equipping me with the necessary and valuable knowledge to accomplish this project. Despite my efforts, due to limited capabilities, there may be shortcomings in the implementation of the project. I look forward to receiving feedback and suggestions from my professors on the results presented in the project.

Thank you very much! 4 TABLE OF CONTENTS LIST OF ABBREVIATIONS 8 LIST OF TABLES 12 LIST OF FIGURES AND GRAPHS 13 ABSTRACT 15 Motivation. 17 Scope and Limitations of the Study .1 Introduction to the Problem .3 Challenges and Difficulties .4 Contributions of the Thesis .2 First Wave Therapies .3 Second-Wave Therapies .1 Cognitive Behavioral Therapy (CBT) .2 Rational Emotive Behavior Therapy (REBT) .4 Third-Wave Therapies .1 Acceptance and Commitment Therapy (ACT). 38 5 A Study of Large Language Models for Cognitive Reframing of Negative Thoughts 2.2 Mindfulness-Based Cognitive Therapy (MBCT) .3 Dialectical Behavior Therapy (DBT) .4 Compassion-Focused Therapy (CFT) .2 Solution-Focused Brief Therapy (SFBT) .2 Artificial Intelligence for Cognitive Reframing .1 Artificial Intelligence in Computational PsychoLinguistic .2 Large Language Models .1 Pretrained Models and Fine Tuning .3 Chain of Thought .4 Diagnosis of Thought .3 Retrieval-Augmented Generation (RAG) .4 Large Language Model Agents (LLM Agents). PSYCHOLOGICALLY-GROUNDED MULTI-AGENT AR- CHITECTURE FOR COGNITIVE REFRAMING 54 3.2 Overview of the Psy-MACR .3 Thinking Pattern Modeling .1 Subjectivity Assessment Agent .2 Contrastive Reasoning Agent .3 Schema Analysis Agent .4 Cognitive Distortion Detection Agent .5 CBT-based Reframing Agent.

RESULTS AND DISCUSSION 68 4.1 Cognitive Reframing (CR) Dataset .2 Pattern Reframing (PR) Dataset. 69 6 A Study of Large Language Models for Cognitive Reframing of Negative Thoughts 4.4 Results and Discussion .1 Performance Evaluation of the Psy-MACR .2 Cognitive Distortion Diagnosis Accuracy .3 Comparison with State-of-the-Art Methods .1 Deployment on Web Platform (MindReframe) .1 Overview MindReframe Architecture .2 Prompt Design for Ten Therapies .3 Performance Evaluation of Ten therapies .4 User Experience Design .