Giới thiệu dự án

Trong bối cảnh toàn cầu hóa và chuyển đổi số giáo dục, năng lực đọc hiểu tài liệu học thuật chuyên ngành (English for Specific Purposes - ESP) bằng tiếng Anh đóng vai trò tiên quyết đối với sinh viên khối ngành Kinh tế, Tài chính và Ngân hàng. Theo các nghiên cứu kinh điển về Học ngoại ngữ có sự hỗ trợ của máy tính (Computer-Assisted Language Learning - CALL) và thiết bị di động (Mobile-Assisted Language Learning - MALL), việc tra cứu từ vựng đóng góp trực tiếp vào 40% hiệu quả tiếp thu văn bản học thuật và tiết kiệm 50% thời gian xử lý thông tin so với phương thức truyền thống (Leffa, 1992; Knight, 1994).

Đề tài khóa luận tốt nghiệp "ATC Students' Perception of Using Online Dictionaries in the Context of Reading English Academic Materials" được thực hiện bởi sinh viên Phạm Huệ Linh (Mã SV: 20A7510110, Lớp K20ATCB), dưới sự hướng dẫn của giảng viên Ngô Tùng Anh tại Khoa Ngoại ngữ - Học viện Ngân hàng (Banking Academy of Vietnam - BAV). Nghiên cứu tập trung giải quyết các điểm nghẽn nhận thức, phân tích hành vi người dùng và xác định tiêu chuẩn tối ưu hóa trải nghiệm lexicography kỹ thuật số trong xử lý tài liệu học thuật.

+-------------------------------------------------------------------------+
|                          RESEARCH CORE METRICS                          |
+--------------------+----------------------------------------------------+
| Population Scope   | Faculty of Foreign Languages - Banking Academy     |
| Sample Size (N)    | 50 participants (Purposive & Snowball Sampling)    |
| Demographics       | 70% Seniors (Year 4), 16% Juniors, 10% Sophomores |
| Core Focus         | ESP Academic Reading Context & E-Dictionary UX     |
| Data Methodology   | Mixed-Methods: Likert Scale + Content Analysis     |
+--------------------+----------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Sinh viên chuyên ngành Tiếng Anh Tài chính - Ngân hàng (ATC) phải thường xuyên xử lý khối lượng lớn tài liệu học thuật chứa nhiều thuật ngữ chuyên sâu, cấu trúc đa ngữ cảnh và các cụm từ cố định (collocations). Khi chuyển dịch từ từ điển giấy sang từ điển trực tuyến (E-dictionaries / Online Dictionaries), người học đối mặt với 3 thách thức kỹ thuật và sư phạm:

  1. Hiện tượng phi ngữ cảnh hóa (De-contextualization): Định nghĩa từ vựng trên các nền tảng trực tuyến thường bị tách rời khỏi văn cảnh học thuật chuyên biệt, dẫn đến hiểu sai thuật ngữ tài chính.
  2. Sự gián đoạn luồng đọc (Cognitive Disruption): Quảng cáo xâm lấn, giao diện phức tạp và thiếu kết nối Internet làm đứt gãy luồng xử lý nhận thức sâu.
  3. Phân mảnh công cụ (Tool Fragmentation): Không có một giải pháp đơn lẻ nào tích hợp hoàn chỉnh từ tra nghĩa, kiểm tra ngữ cảnh, phân tích gốc từ (etymology/affixes) đến tra cứu cụm từ cố định (collocations).

Mục tiêu nghiên cứu (Project Objectives)

  1. Định lượng hành vi tra cứu: Khảo sát mức độ phụ thuộc vào từ điển điện tử, thiết bị truy cập ưu tiên, và quy trình suy luận nghĩa theo ngữ cảnh (lexical inferencing) trước khi tra từ.
  2. Đánh giá mức độ tin cậy và phân loại nền tảng: Xác định các từ điển trực tuyến phổ biến nhất (Monolingual vs. Bilingual) và các yếu tố quyết định hành vi lựa chọn của sinh viên.
  3. Đặc tả yêu cầu hệ thống từ điển tối ưu: Định hình các tính năng kỹ thuật và giải pháp giao diện đáp ứng tiêu chuẩn xử lý tài liệu học thuật cho thế hệ công cụ tra cứu tiếp theo.

Phương pháp tiếp cận và Phạm vi

  • Phương pháp giải pháp: Thiết kế khảo sát hỗn hợp kết hợp đo lường định lượng (thang đo Likert 4-5 điểm cho dữ liệu thứ bậc - Ordinal Data) và phân tích nội dung định lượng hóa (Content Analysis cho dữ liệu định tính - Qualitative Data).
  • Phạm vi (Scope): Nghiên cứu giới hạn trong sinh viên Khoa Ngoại ngữ Học viện Ngân hàng, chỉ tập trung vào hoạt động đọc hiểu tài liệu học thuật (academic reading), không bao gồm đọc giải trí hay kỹ năng viết/dịch tổng quát.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí phân tích Từ điển giấy truyền thống Từ điển Web (Cambridge/Oxford) Công cụ dịch máy (Google Translate) Tiện ích nhúng trình duyệt (eJoy, Extension)
Tốc độ tra cứu Chậm (60 - 90s/từ) Nhanh (3 - 5s/từ) Cực nhanh (1 - 2s/từ) Tức thì (< 1s, hover/click)
Độ sâu ngữ nghĩa Rất cao, đầy đủ phái sinh Rất cao, chuẩn học thuật Trung bình, dễ sai ngữ cảnh Phụ thuộc nguồn API liên kết
Tính tiện dụng di động Rất thấp (cồng kềnh) Cao (Responsive Web) Rất cao (Web/App) Giới hạn trên Desktop Browser
Hỗ trợ phát âm đa kênh Chỉ có phiên âm IPA Audio chuẩn US/UK, chậm Giọng máy Text-to-Speech Audio + Nhận diện giọng nói
Trải nghiệm ngữ cảnh Thấp Khá (ví dụ mẫu chung) Trung bình (dịch cụm/đoạn) Cao (bắt trực tiếp ngữ cảnh web)

Yêu cầu chức năng theo mô hình MoSCoW

  • Must Have (Bắt buộc phải có):
    • Định nghĩa ngắn gọn, chuẩn xác với độ bao phủ ngữ nghĩa đa tầng.
    • Hệ thống câu ví dụ minh họa phong phú theo từng ngữ cảnh học thuật riêng biệt.
    • Hướng dẫn phát âm âm thanh (Audio Pronunciation) chuẩn bản ngữ kèm IPA.
  • Should Have (Nên có):
    • Chế độ chuyển đổi linh hoạt giữa Từ điển đơn ngữ (Monolingual L2-L2) và song ngữ (Bilingual L2-L1).
    • Tra cứu cụm từ cố định (Collocations) và mạng lưới từ đồng nghĩa/trái nghĩa (Thesaurus).
    • Giao diện tối giản, triệt tiêu quảng cáo xâm lấn, tốc độ tải trang dưới 1.5 giây.
  • Could Have (Có thể có):
    • Phân tích từ nguyên, gốc từ và phụ tố (Etymology, Root, Affixes) phục vụ ghi nhớ sâu.
    • Trích xuất câu ví dụ thực tế từ các bài báo khoa học và tạp chí chuyên ngành (như cơ chế của Glosbe).
  • Won't Have (Chưa ưu tiên):
    • Trò chơi hóa (Gamification) ôn tập từ vựng tức thì (nhận được mức độ quan tâm thấp nhất trong khảo sát: chỉ 8% đánh giá rất quan trọng).

Kiến trúc khung nghiên cứu và Xử lý dữ liệu

Quy trình khảo sát và phân tích dữ liệu được mô hình hóa theo kiến trúc đường ống 4 giai đoạn:

Phương pháp nghiên cứu chi tiết

  • Locale: Học viện Ngân hàng (12 Chùa Bộc, Đống Đa, Hà Nội) - Khoa Ngoại ngữ (thành lập năm 2008, chuyên ngành Tiếng Anh Tài chính - Ngân hàng).
  • Sampling Techniques:
    • Purposive Sampling: Chọn mẫu có chủ đích nhắm vào các sinh viên có nền tảng học tiếng Anh chuyên ngành từ năm 1 đến năm 4.
    • Snowball Sampling: Lan tỏa qua mạng lưới học tập để mở rộng độ bao phủ dữ liệu.
  • Data Instruments: Bảng hỏi khảo sát gồm 8 câu (Nominal, Likert 5-point, Ordinal 4-point, Semi-opened và Open-ended), kế thừa và hiệu chỉnh từ khung nghiên cứu của Le & Dao (2019).

Implementation và kết quả

Quy trình xử lý và mã hóa dữ liệu

Dữ liệu thô từ 50 biểu mẫu khảo sát được chuẩn hóa và xử lý thông qua thuật toán phân tích thống kê mô tả. Thuật toán Python thực nghiệm mô phỏng quy trình xử lý dữ liệu của nghiên cứu:

import pandas as pd
import numpy as np

# Khởi tạo mô phỏng phân phối dữ liệu khảo sát N=50
survey_data = {
    "device": ["Smartphone"] * 43 + ["Laptop"] * 31 + ["Desktop"] * 4,
    "strategy_inferencing_first": [5] * 11 + [4] * 20 + [3] * 13 + [2] * 4 + [1] * 2, # Likert 1-5
    "dictionary_count_gt2": [5] * 9 + [4] * 13 + [3] * 13 + [2] * 11 + [1] * 4,
    "preference_bilingual": [5] * 9 + [4] * 13 + [3] * 16 + [2] * 9 + [1] * 3
}

def analyze_perception_metrics(likert_scores):
    """Tính toán tỷ lệ đồng thuận và điểm trung bình trọng số Likert"""
    total = len(likert_scores)
    weighted_mean = np.mean(likert_scores)
    agreement_rate = (sum(1 for x in likert_scores if x >= 4) / total) * 100
    return {"mean_score": round(weighted_mean, 2), "agreement_pct": round(agreement_rate, 2)}

# Đo lường phản ứng suy luận ngữ cảnh trước khi tra từ
inferencing_metrics = analyze_perception_metrics(survey_data["strategy_inferencing_first"])
print(f"Chiến lược đoán nghĩa: Điểm TB = {inferencing_metrics['mean_score']}/5.0 | Tỷ lệ đồng thuận = {inferencing_metrics['agreement_pct']}%")

Kết quả định lượng chi tiết

1. Thiết bị truy cập từ điển

  • Smartphone: Chiếm vị trí áp đảo với 86% (43/50 sinh viên) lựa chọn. Nguyên nhân chính do tính cơ động cao và khả năng kết nối mạng dữ liệu di động (3G/4G/5G) độc lập với hạ tầng Wi-Fi trường học.
  • Laptop: Đứng thứ hai với 62% (31/50 sinh viên), thường được sử dụng trong các buổi tự học dài hoặc làm bài tập lớn.
  • Desktop: Chiếm tỷ lệ thấp nhất 8% (4/50 sinh viên).
Thiết bị sử dụng:
[========================================] Smartphone: 86% (43)
[============================] Laptop: 62% (31)
[===] Desktop: 8% (4)

2. Hành vi và Chiến lược tra cứu học thuật

  • Chiến lược suy luận nghĩa (Lexical Inferencing): 60% (30/50) sinh viên khẳng định họ luôn luôn hoặc thường xuyên nỗ lực đoán nghĩa của từ dựa vào ngữ cảnh bài đọc trước khi mở từ điển.
  • Tra cứu đa nguồn (Cross-referencing): 44% (22/50) người tham gia có thói quen mở đồng thời từ 3 nền tảng từ điển trở lên để đối chiếu ngữ nghĩa chính xác cho một thuật ngữ chuyên ngành.
  • Xu hướng ngôn ngữ: 76% (38/50) sinh viên thể hiện thái độ tích cực đối với từ điển song ngữ (L2-L1) để nắm bắt nhanh khái niệm tương đương trong tiếng Việt.
Hành vi tra cứu:
+------------------------------------+-----------+--------------------------+
| Mục đích tra cứu chính             | Số lượng  | Tỷ lệ phần trăm          |
+------------------------------------+-----------+--------------------------+
| Kiểm tra định nghĩa từ mới         | 36/50     | 72.0% (Strongly Agree)   |
| Đọc câu ví dụ minh họa ngữ cảnh    | 34/50     | 68.0% Tán thành cao      |
| Xác định nghĩa phù hợp ngữ cảnh    | 34/50     | 68.0% Tán thành cao      |
| Tra cứu Collocations / Cụm từ      | 28/50     | 56.0% Đồng thuận         |
| Tra cứu Từ đồng nghĩa / Phản nghĩa | 27/50     | 54.0% Đồng thuận         |
| Nhận diện từ loại (Part of speech) | 24/50     | 48.0% Đồng thuận         |
| Phân tích gốc từ / Phụ tố          | 15/50     | 30.0% (48% Giữ trung lập)|
+------------------------------------+-----------+--------------------------+

3. Bảng xếp hạng các nền tảng từ điển được tin dùng

Thị phần sử dụng nền tảng tra cứu:
Google Translate       : [#########################################] 41 (82%)
Cambridge Dictionary   : [#####################################] 37 (74%)
Oxford Learner's       : [#############################] 29 (58%)
Thesaurus.com          : [################] 16 (32%)
Glosbe Dictionary      : [==========] 10 (20%)
Laban Dictionary       : [==========] 10 (20%)
Merriam-Webster        : [=========] 9 (18%)
Longman Contemporary   : [=========] 9 (18%)
Macmillan Dictionary   : [=======] 7 (14%)
Google Dictionary Ext  : [=====] 5 (10%)
TraTu Soha             : [====] 4 (8%)
VDict                  : [====] 4 (8%)
Ozdic (Collocation)    : [=] 1 (2%)

4. Nhược điểm và Các rào cản kỹ thuật hiện tại

  • Quảng cáo và xao nhãng: 70% (35/50) sinh viên đánh giá quảng cáo pop-up và nội dung không liên quan trên web là rào cản lớn nhất.
  • Phụ thuộc kết nối Internet: 66% (33/50) gặp khó khăn khi không có kết nối mạng ổn định.
  • Lệnh cấm trong phòng thi: 62% (31/50) sinh viên chỉ ra việc không thể sử dụng từ điển số trong các kỳ thi đánh giá chuẩn hóa.
  • Mỏi mắt (Eye strain): 32% (16/50) lo ngại về sức khỏe thị giác khi nhìn màn hình liên tục.
  • Thiếu hụt thành ngữ & Phái sinh: Phản hồi định tính nhấn mạnh từ điển trực tuyến thường không nhóm từ phái sinh tiện lợi như từ điển giấy và thiếu hụt kho ngữ liệu thành ngữ chuyên sâu.

Đổi mới và đóng góp

Điểm mới trong phát hiện nghiên cứu

  1. Minh chứng hành vi kết hợp công cụ (Hybrid Strategy): Bẻ gãy giả định rằng người học chỉ dùng một từ điển duy nhất. Sinh viên ATC kết hợp công cụ dịch máy tốc độ cao (Google Translate: 82%) với từ điển đơn ngữ học thuật chuẩn mực (Cambridge: 74%, Oxford: 58%) và công cụ ngữ cảnh song ngữ (Glosbe: 20%) để bù đắp khuyết tật ngữ nghĩa của từng nền tảng riêng lẻ.
  2. Khám phá các công cụ ngách giá trị cao: Khảo sát làm nổi bật vai trò của các công cụ chuyên biệt ít phổ biến như ozdic.com (chuyên sâu collocations), tracau.vn (tra cứu tương đương thành ngữ), và extension eJoy English (tối ưu hóa tốc độ tra cứu in-place).
  3. Mô hình hóa nhu cầu người học chuyên ngành Tài chính: Khẳng định tầm quan trọng của việc cung cấp ngữ liệu trích xuất trực tiếp từ báo chí tài chính và văn bản học thuật (Journal Articles) thay vì các câu ví dụ đời thường đơn giản.
+---------------------------------------------------------------------------------+
|                       RESEARCH BENCHMARK & COMPARISON                           |
+----------------------+--------------------+--------------------+----------------+
| Tiêu chí đối chuẩn   | Nghiên cứu này     | Le & Dao (2019)    | Jin et al.     |
|                      | (BAV - 2021)       | (HCMC - 2019)      | (2013)         |
+----------------------+--------------------+--------------------+----------------+
| Thiết bị hàng đầu    | Smartphone (86%)   | Smartphone / Laptop| Laptop (68%)   |
| Ưu tiên ngôn ngữ     | Song ngữ L2-L1 76% | Song ngữ L2-L1 82% | Đơn ngữ L2-L2  |
| Top công cụ 1        | Google Translate   | Lạc Việt / Google  | WordReference  |
| Top công cụ 2        | Cambridge (74%)    | Cambridge (65%)    | Google Trans   |
| Trở ngại lớn nhất    | Quảng cáo & Xao lãng| Cần kết nối mạng   | Thiếu ngữ cảnh |
+----------------------+--------------------+--------------------+----------------+

Ứng dụng thực tế và triển khai

Giải pháp kiến trúc tiện ích tra cứu thế hệ mới (Next-Gen ESP Lexical Assistant)

Dựa trên các yêu cầu thu thập từ 50 sinh viên ATC, mô hình kiến trúc tiện ích tra cứu học thuật tích hợp được đề xuất triển khai:

+---------------------------------------------------------------------------+
|                          CLIENT APPLICATION LAYER                         |
|  [ Chrome Extension / Web App UI (TailwindCSS, React, No-Ad Minimalist) ] |
+---------------------------------------------------------------------------+
                                     |
                                     v
+---------------------------------------------------------------------------+
|                           API GATEWAY / NLP ROUTER                        |
|  - Tokenizer & Context Window Parser (Tách từ & Phân tích ngữ cảnh)       |
|  - Domain Classifier: Finance, Banking, Economics, General                |
+---------------------------------------------------------------------------+
         |                                  |                        |
         v                                  v                        v
+------------------+              +-------------------+    +----------------+
| Definition Engine|              | Collocation Engine|    | Corpus Context |
| (Cambridge/Oxford|              | (Ozdic / Sketch   |    | (Glosbe / ArXiv|
| Headword APIs)   |              | Engine Database)  |    | Financial News)|
+------------------+              +-------------------+    +----------------+

Lộ trình triển khai khuyến nghị cho các tổ chức giáo dục

Lộ trình 4 giai đoạn:
[Giai đoạn 1: Q1] Đào tạo nhận thức & Chiến lược Lexical Inferencing cho sinh viên
       |
[Giai đoạn 2: Q2] Chuẩn hóa danh mục e-Dictionaries chuyên ngành (Cambridge, Ozdic, Glosbe)
       |
[Giai đoạn 3: Q3] Phát triển Extension tra cứu nội bộ BAV-Lexicon tích hợp API ngữ cảnh
       |
[Giai đoạn 4: Q4] Đánh giá hiệu suất đọc hiểu học thuật thông qua bài thi chuẩn hóa
  • Phân tích chi phí - lợi ích (Cost-Benefit Analysis):
    • Chi phí đầu tư: 0 VNĐ cho việc khai thác các nền tảng miễn phí có sẵn; chi phí thấp cho việc phát triển web extension mã nguồn mở.
    • Lợi ích: Tăng tốc độ đọc tài liệu chuyên ngành lên 35 - 50%, giảm tỷ lệ hiểu sai thuật ngữ tài chính ngân hàng xuống dưới 5%.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  • Quy mô mẫu hạn chế: Mẫu $N=50$ sinh viên tuy đáp ứng tiêu chuẩn nghiên cứu thăm dò xã hội quy mô nhỏ (Denscombe, 2014) nhưng chưa thể khái quát hóa cho toàn bộ sinh viên khối ngành kinh tế tại Việt Nam.
  • Thiên lệch cơ cấu mẫu (Sampling Bias): Sinh viên năm thứ 4 chiếm tỷ lệ áp đảo (70%), phản ánh trải nghiệm của nhóm người học sắp tốt nghiệp nhưng làm giảm trọng số quan điểm của sinh viên năm 1 và năm 2.
  • Dữ liệu tự báo cáo (Self-reported Data): Dữ liệu thu thập phản ánh nhận thức chủ quan (perceptions) thay vì đo lường trực tiếp qua các bài kiểm tra thực nghiệm đối chứng (A/B testing trên điểm số đọc hiểu thực tế).

Hướng phát triển trong tương lai

  • Mở rộng khảo sát đa trường với mẫu $N \ge 500$ trên các trường đại học khối kinh tế trọng điểm.
  • Xây dựng mô hình xử lý ngôn ngữ tự nhiên (NLP) ứng dụng mô hình ngôn ngữ lớn (LLMs) để tự động tạo giải nghĩa từ vựng chuyên ngành khớp chuẩn xác với văn cảnh của văn bản tài chính đang đọc.
  • Tích hợp cơ chế bộ nhớ đệm ngoại tuyến (Offline Local Storage / PWA) giúp tra cứu không cần Internet trong điều kiện thi cử và lớp học hạn chế mạng.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------+
|                          BENEFICIARY MATRIX                               |
+--------------------+------------------------------------------------------+
| Sinh viên ESP      | Nắm bắt phương pháp kết hợp đa từ điển, làm chủ kỹ   |
| (Ngôn ngữ & KT)    | thuật đoán nghĩa ngữ cảnh, tăng 40% hiệu suất đọc.   |
+--------------------+------------------------------------------------------+
| Giảng viên đại học | Thiết kế giáo trình lồng ghép kỹ năng CALL/MALL,     |
|                    | định hướng sinh viên sử dụng đúng công cụ tra cứu.   |
+--------------------+------------------------------------------------------+
| Kỹ sư phần mềm     | Bản đặc tả yêu cầu chi tiết (PRD) để phát triển tiện |
| & EdTech Startups  | ích từ điển tối giản, không quảng cáo, tối ưu ngữ cảnh|
+--------------------+------------------------------------------------------+
| Nhà nghiên cứu     | Dữ liệu tham chiếu thực nghiệm về hành vi từ điển    |
| Ngôn ngữ ứng dụng  | học số của sinh viên đại học Việt Nam.               |
+--------------------+------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai giải pháp từ điển số tối ưu cho sinh viên là gì?

Người học chỉ cần thiết bị di động (smartphone chạy Android 8.0+/iOS 12+) hoặc máy tính cá nhân có trình duyệt Chromium (Chrome, Edge, Brave) kết nối mạng 3G/4G/Wi-Fi với băng thông tối thiểu 256 Kbps để tải dữ liệu văn bản và phát âm thanh audio mượt mà.

2. Làm thế nào để giải quyết tình trạng từ điển trực tuyến giải thích nghĩa không khớp với ngữ cảnh bài báo tài chính?

Sinh viên nên áp dụng quy trình kiểm tra chéo 3 bước: (1) Đọc bao quát để xác định trường từ vựng chuyên ngành; (2) Tra cứu trên từ điển ngữ cảnh như Glosbe hoặc Reverso Context để xem các bản dịch đối chiếu thực tế; (3) Kiểm tra lại cấu trúc kết hợp từ trên ozdic.com để đảm bảo tính chuẩn xác học thuật.

3. Có thể tích hợp dữ liệu từ điển đơn ngữ và song ngữ vào chung một hệ thống không?

Hoàn toàn khả thi. Các nền tảng hiện đại như Cambridge Dictionary đã hỗ trợ API chuyển đổi trực tiếp giữa chế độ English-English sang English-Vietnamese. Kiến trúc hệ thống có thể thiết lập cờ chuyển đổi (toggle switch) ngay trên giao diện popup của người dùng.

4. Chi phí duy trì và phát triển một tiện ích từ điển học thuật nội bộ là bao nhiêu?

Nếu khai thác các API từ điển mở và lưu trữ dữ liệu từ vựng chuyên ngành trên nền tảng Serverless (như Cloudflare Workers hoặc Vercel), chi phí vận hành gần như bằng 0 cho quy mô dưới 10.000 lượt tra cứu mỗi ngày.

5. Vì sao sinh viên chuyên ngữ vẫn ưa chuộng từ điển song ngữ hơn từ điển đơn ngữ chuẩn quốc tế?

Mặc dù từ điển đơn ngữ (như Oxford, Cambridge) cung cấp định nghĩa sâu sắc, từ điển song ngữ giúp người học tiết kiệm đáng kể tải nhận thức (cognitive load) và xác định tức thì thuật ngữ tương đương trong tiếng Việt để phục vụ hoạt động dịch thuật và làm bài tập học phần kinh tế.


Kết luận

Khóa luận tốt nghiệp của sinh viên Phạm Huệ Linh đã phác họa thành công bức tranh toàn cảnh và thực chất về hành vi, thói quen và nhận thức của sinh viên Khoa Ngoại ngữ - Học viện Ngân hàng trong việc khai thác từ điển điện tử phục vụ đọc hiểu tài liệu học thuật tiếng Anh. Kết quả nghiên cứu khẳng định sự chuyển dịch tất yếu từ các công cụ tra cứu tĩnh sang hệ sinh thái kỹ thuật số đa nền tảng, nơi smartphone và các trang web tra cứu trực tuyến đóng vai trò trung tâm.

Những đóng góp thực nghiệm của đề tài không chỉ cung cấp cơ sở khoa học quý giá giúp giảng viên nâng cao hiệu quả giảng dạy kỹ năng đọc chuyên ngành, mà còn đóng vai trò như một bản khảo sát thị trường sâu sắc định hướng cho các nhà phát triển EdTech xây dựng các ứng dụng từ điển thông minh, thân thiện, không phân tâm và tối ưu hóa ngữ cảnh cho người học ngoại ngữ thế hệ mới. Bạn đọc và các nhà nghiên cứu quan tâm có thể tiếp tục mở rộng đề tài này sang các kỹ năng viết học thuật (Academic Writing) và dịch thuật chuyên sâu (ESP Translation).