Nghiên Cứu Phương Pháp Nhận Dạng Chữ Hán - Nôm Dựa Trên Gốc Từ

Luận văn thạc sĩ nghiên cứu nghiên cứu phương pháp nhận dạng chữ hán nôm dựa trên gốc từ, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Đề tài: Nghiên Cứu Phương Pháp Nhận Dạng Chữ Hán - Nôm Dựa Trên Gốc Từ

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC CÁC HÌNH VẼ
• MỞ ĐẦU
• Tính cấp thiết
• Tình hình nghiên cứu
• Đối tượng và phạm vi nghiên cứu
• Mục đích và nhiệm vụ nghiên cứu
• Những nội dung nghiên cứu
• Kết cấu luận văn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CHỮ NÔM
• 1.1. Giới thiệu về chữ Nôm
• 1.1.1. Lịch sử hình thành và phát triển
• 1.1.2. Cấu trúc chữ Nôm
• 1.2. Tin học hóa và ứng dụng chữ Nôm
• 1.3. Xu hướng phát triển của chữ Nôm
• 1.3.1. Phổ cập đại trà chữ Nôm qua máy tính
• 1.3.2. Phát triển phương pháp luận làm việc mới với chữ Nôm dựa trên CNTT
• 1.3.3. Giải quyết vấn đề số hóa chữ Nôm
• 1.3.4. Cách tiếp cận toàn diện tới nghiên cứu về chữ Nôm và tiếng Việt
• 1.4. TỔNG KẾT CHƯƠNG 1
• 2. CHƯƠNG 2: NHẬN DẠNG CHỮ NÔM
• 2.1. Nhận dạng ký tự quang học
• 2.2. Bài toán nhận dạng chữ Nôm
• 2.3. Các phương pháp nhận dạng chữ Nôm
• 2.3.1. Nhận dạng sử dụng thư viện Tesseract
• 2.3.2. Phương pháp mạng Nơron
• 2.3.3. Phương pháp Kmean, SVM
• 2.3.4. Phương pháp nhận dạng dựa trên khoảng cách soạn thảo
• 2.4. So sánh, đánh giá các phương pháp
• 2.5. TỔNG KẾT CHƯƠNG 2
• 3. CHƯƠNG 3: NHẬN DẠNG CHỮ NÔM BẰNG PHƯƠNG PHÁP GỐC TỪ
• 3.1. Mô tả phương pháp
• 3.2. Quy trình và các kỹ thuật sử dụng
• 3.2.1. Lấy khung xương
• 3.2.1.1. Lấy khung xương theo phương pháp Hit-or-Miss
• 3.2.1.2. Hiệu chỉnh khung xương
• 3.2.2. Nhận dạng gốc từ
• 3.2.2.1. Tách gốc từ
• 3.2.2.2. Cơ sở dữ liệu gốc từ
• 3.2.2.3. Nhận dạng gốc từ
• 3.3. Nhận dạng chữ Nôm dựa trên gốc từ
• 3.3.1. Tập đặc trưng dựa trên gốc từ
• 3.3.2. Nhận dạng dựa trên so khớp gốc từ
• 3.3.3. Nhận dạng dựa trên đặc trưng gốc từ và mô hình Entropy cực đại
• 3.4. TỔNG KẾT CHƯƠNG 3
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Mô hình thực nghiệm
• 4.1.1. Xây dựng chương trình thực nghiệm
• 4.1.2. Bộ dữ liệu thực nghiệm
• 4.2. Kết quả thực nghiệm và đánh giá
• 4.3. TỔNG KẾT CHƯƠNG 4
• DANH MỤC TÀI LIỆU THAM KHẢO
• PHỤ LỤC A
• Chương trình phân tích, nhận dạng và trích xuất đặc trưng gốc từ
• Chương trình nhận dạng chữ Nôm theo gốc từ và MEM

Tóm tắt

I. Khám Phá Phương Pháp Nhận Dạng Chữ Hán Nôm Thời Đại Số

Chữ Nôm là một di sản văn hóa vô giá, minh chứng cho một nền văn hiến lâu đời của dân tộc Việt Nam. Việc nghiên cứu và bảo tồn chữ Nôm không chỉ mang ý nghĩa khẳng định niềm tự hào dân tộc mà còn mở ra cánh cửa khám phá những giá trị đặc sắc về lịch sử, văn hóa và khoa học qua các thời kỳ. Tuy nhiên, thực trạng số người có khả năng đọc và hiểu chữ Nôm ngày càng ít đi đang đặt ra một thách thức lớn, khiến kho tàng tri thức khổng lồ này có nguy cơ mai một. Để giải quyết vấn đề này, việc ứng dụng công nghệ thông tin vào việc bảo tồn và phát huy giá trị của chữ Nôm là một hướng đi tất yếu. Một trong những nhiệm vụ trọng tâm của tin học hóa là xây dựng một hệ thống nhận dạng ký tự quang học cho chữ Nôm, hay còn gọi là Nôm-OCR. Hệ thống này có khả năng chuyển đổi các văn bản Nôm dưới dạng hình ảnh (sách cổ, bia đá, câu đối) thành văn bản số, giúp cho việc lưu trữ, tra cứu và nghiên cứu trở nên dễ dàng và hiệu quả hơn bao giờ hết. Việc xây dựng thành công Nôm-OCR sẽ tạo ra một cú hích mạnh mẽ, cho phép khai thác kho tri thức Nôm khổng lồ, ứng dụng trong nhiều lĩnh vực như khảo cổ, du lịch văn hóa, và giáo dục. Các thiết bị di động thông minh có thể tích hợp ứng dụng này để dịch và giải thích chữ Nôm ngay tại các di tích lịch sử, làm cho di sản cha ông trở nên sống động và gần gũi hơn với thế hệ trẻ.

1.1. Thực trạng và tính cấp thiết của việc số hóa chữ Nôm

Chữ Nôm, với lịch sử hình thành và phát triển hàng ngàn năm, đã từng là quốc tự của Việt Nam trong suốt 10 thế kỷ. Hầu hết các tài liệu quan trọng về văn học, triết học, luật pháp, y khoa và hành chính đều được ghi chép bằng thứ văn tự này. Tuy nhiên, hiện nay, số lượng chuyên gia đọc được chữ Nôm chỉ còn lại rất ít, ước tính chưa đến 100 người trên toàn thế giới. Điều này tạo ra một khoảng cách lớn giữa di sản văn hóa và hơn 90 triệu người Việt. Kho tàng tri thức đồ sộ trong các thư tịch cổ, gia phả, bia đá đang dần trở nên xa lạ. Do đó, việc xây dựng bộ nhận dạng ký tự quang học cho chữ Nôm (Nôm-OCR) là một nhiệm vụ cấp thiết. Nó không chỉ là một công cụ công nghệ mà còn là cầu nối giúp thế hệ hiện tại và tương lai tiếp cận, tìm hiểu và kế thừa những giá trị mà cha ông để lại. Nếu không có sự hỗ trợ mạnh mẽ của khoa học kỹ thuật, nguy cơ mất đi một phần quan trọng của lịch sử và văn hóa dân tộc là rất hiện hữu.

1.2. Vai trò của công nghệ OCR trong việc bảo tồn văn tự cổ

Công nghệ nhận dạng ký tự quang học (OCR) đã được chứng minh là một công cụ hữu hiệu trong việc số hóa và bảo tồn các ngôn ngữ trên thế giới. Với các ngôn ngữ tượng hình như tiếng Trung, tiếng Nhật, các hệ thống OCR đã đạt đến độ chính xác rất cao, ví dụ như sản phẩm Tesseract của Google hay các phần mềm thương mại như ABBYY. Đối với chữ Nôm, việc xây dựng một hệ thống OCR chuyên biệt là một bài toán mở và đầy thách thức. Một hệ thống Nôm-OCR hoàn chỉnh sẽ bao gồm nhiều công đoạn phức tạp: tiền xử lý ảnh, phân tích bố cục trang, tách dòng, tách ký tự, trích chọn đặc trưng, nhận dạng và hậu xử lý. Thành công của dự án này sẽ tạo ra một cuộc cách mạng trong nghiên cứu Hán Nôm, cho phép các nhà khoa học xử lý một khối lượng tư liệu khổng lồ một cách nhanh chóng, từ đó đưa ra những kết luận toàn diện và chính xác hơn về ngôn ngữ và lịch sử Việt Nam.

II. Thách Thức Của Các Phương Pháp Nhận Dạng Chữ Nôm Hiện Có

Bài toán nhận dạng chữ Nôm là một lĩnh vực phức tạp do cấu trúc ký tự đa dạng và số lượng lớn. Nhiều phương pháp đã được nghiên cứu và áp dụng, mỗi phương pháp đều có những ưu và nhược điểm riêng. Các hệ thống OCR tượng hình nổi tiếng như Tesseract ban đầu được thiết kế cho các ngôn ngữ khác, khi áp dụng cho chữ Nôm gặp khó khăn do tập ký tự quá lớn (hơn 4000 ký tự) và nhiều ký tự có hình dạng tương đối giống nhau, dẫn đến tốc độ xử lý chậm và độ chính xác chưa cao. Một hướng tiếp cận khác là sử dụng các mô hình học máy hiện đại. Phương pháp mạng Nơron truyền thẳng với thuật toán lan truyền ngược đã được thử nghiệm. Mặc dù có tiềm năng, quá trình huấn luyện mạng Nơron rất tốn thời gian và tài nguyên, đồng thời dễ gặp phải các vấn đề như học quá khít (overfitting), liệt mạng hoặc hội tụ cục bộ, làm ảnh hưởng đến hiệu quả tổng thể. Một mô hình kết hợp giữa K-Mean và máy véc-tơ hỗ trợ (KSVM) cũng được đề xuất. Phương pháp này tận dụng khả năng phân cụm của K-Mean và độ chính xác của SVM, cho kết quả khá cao. Tuy nhiên, hiệu quả của nó phụ thuộc nhiều vào chất lượng ảnh đầu vào và việc lựa chọn tham số (kích thước lưới) phù hợp, nếu kích thước lưới quá lớn có thể dẫn đến hiện tượng xem nhiễu là thông tin. Cuối cùng, phương pháp dựa trên khoảng cách soạn thảo tính toán chi phí để biến đổi một chuỗi đặc trưng này thành một chuỗi khác. Phương pháp này sáng tạo nhưng việc trích chọn đặc trưng chưa phản ánh tốt các nét xiên và cấu trúc phức tạp của chữ Nôm, làm giảm độ chính xác. Nhìn chung, các phương pháp này đều là những bước đi quan trọng nhưng vẫn còn tồn tại những hạn chế cần được khắc phục.

2.1. Đánh giá mô hình Mạng Nơron và Tesseract trong OCR Nôm

Việc áp dụng mạng Nơron cho bài toán nhận dạng chữ Nôm cho thấy một số kết quả ban đầu khả quan, với độ chính xác trung bình đạt khoảng 73-74% trên bộ dữ liệu thử nghiệm. Tuy nhiên, mô hình này đối mặt với hai thách thức lớn. Thứ nhất, thời gian huấn luyện rất dài, đòi hỏi năng lực tính toán cao. Thứ hai là nguy cơ "học quá khít", khi mô hình ghi nhớ quá tốt dữ liệu huấn luyện nhưng lại nhận dạng kém trên dữ liệu mới. Trong khi đó, Tesseract, một công cụ mã nguồn mở mạnh mẽ, có ưu điểm trong việc tiền xử lý và tách chữ nhờ cấu trúc không dính liền của chữ Nôm. Dù vậy, Tesseract được tối ưu cho các ngôn ngữ có bộ ký tự nhỏ hơn. Khi đối mặt với hàng ngàn ký tự Nôm, hiệu suất của nó giảm đi và gặp khó khăn trong việc phân biệt các ký tự có cấu trúc tương tự nhau.

2.2. Hạn chế của phương pháp KSVM và khoảng cách soạn thảo

Mô hình KSVM (kết hợp K-Mean và SVM) đã chứng tỏ hiệu quả vượt trội hơn, đạt độ chính xác lên tới 90.2% trong một số thử nghiệm. Tuy nhiên, điểm yếu của phương pháp này nằm ở sự phụ thuộc vào chất lượng ảnh và tham số trích chọn đặc trưng. Cụ thể, độ chính xác nhận dạng tỉ lệ thuận với kích thước ảnh đầu vào, một yêu cầu khó đáp ứng trong thực tế với các tài liệu cổ. Ngoài ra, việc sử dụng đặc trưng PD (Probability Distribution of Black Pixels) đòi hỏi phải chọn kích thước lưới tối ưu, nếu quá nhỏ sẽ thiếu thông tin, quá lớn sẽ gây nhiễu và làm chậm hệ thống. Phương pháp khoảng cách soạn thảo dù có ý tưởng độc đáo nhưng lại gặp hạn chế trong việc biểu diễn đặc trưng. Cách trích xuất đặc trưng dựa trên histogram của khung xương chưa phản ánh tốt các nét xiên và cấu trúc phức tạp, dẫn đến độ chính xác trung bình chỉ đạt 82%.

III. Cách Nhận Dạng Chữ Nôm Dựa Trên Gốc Từ Hướng Đi Mới

Để vượt qua những hạn chế của các phương pháp trước, một hướng tiếp cận đột phá được đề xuất là nghiên cứu phương pháp nhận dạng chữ Hán - Nôm dựa trên gốc từ. Ý tưởng cốt lõi của phương pháp này xuất phát từ chính bản chất cấu tạo của chữ Nôm. Giống như chữ Hán, mỗi ký tự Nôm phức tạp đều được cấu thành từ các thành phần cơ bản, đơn giản hơn gọi là gốc từ (radical). Trong khi có hàng ngàn ký tự Nôm, số lượng gốc từ chỉ khoảng trên 300. Đặc điểm của các gốc từ là có cấu trúc ổn định, dễ nhận biết và thường nằm ở những vị trí xác định trong một ký tự. Bằng cách phân tách một ký tự Nôm phức tạp thành một tập hợp các gốc từ thành phần, bài toán nhận dạng từ chỗ phải phân loại hàng ngàn lớp (ký tự) được chuyển về bài toán nhỏ hơn: nhận dạng khoảng 300 lớp (gốc từ) và sau đó tổ hợp chúng lại. Cách tiếp cận này không chỉ làm giảm đáng kể độ phức tạp tính toán mà còn tăng cường khả năng chống nhiễu và biến dạng, vì việc nhận dạng các gốc từ đơn giản sẽ chính xác hơn so với nhận dạng toàn bộ một ký tự phức tạp. Đây là một chiến lược "chia để trị" hiệu quả, hứa hẹn mang lại độ chính xác cao và ổn định cho hệ thống Nôm-OCR.

3.1. Ý tưởng cốt lõi Phân rã ký tự Nôm thành các gốc từ

Bản chất của phương pháp dựa trên gốc từ là chuyển bài toán nhận dạng một ký tự phức tạp thành bài toán nhận dạng các thành phần cấu tạo nên nó. Ví dụ, chữ Nôm "茹" có thể được phân tách thành ba gốc từ: "艹", "女", và "口". Tương tự, chữ "壓" được tạo thành từ "厂", "日", "月", "犬", và "土". Thay vì phải xây dựng một bộ phân loại cho hàng ngàn ký tự, hệ thống chỉ cần học cách nhận dạng một tập hợp nhỏ hơn gồm khoảng 300 gốc từ. Sau khi các gốc từ trong một ký tự được nhận dạng, thông tin về loại gốc từ, vị trí tương đối của chúng và các đặc trưng khác sẽ được kết hợp để xác định ký tự Nôm cuối cùng. Cách làm này mô phỏng quá trình con người học và nhận biết chữ tượng hình, tập trung vào các thành phần cấu trúc cơ bản trước khi nhận diện toàn bộ.

3.2. Mô hình tổng thể của quy trình nhận dạng dựa trên gốc từ

Quy trình nhận dạng chữ Nôm dựa trên gốc từ được thực hiện qua ba giai đoạn chính. Giai đoạn 1 là tiền xử lý và lấy khung xương. Ảnh đầu vào của một ký tự Nôm đơn lẻ sẽ được xử lý để loại bỏ nhiễu, sau đó áp dụng các thuật toán để trích xuất ra khung xương (skeleton) – là tập hợp các đường nét cơ bản đại diện cho hình dạng của ký tự. Giai đoạn 2 là tách và nhận dạng gốc từ. Dựa trên khung xương đã được làm mịn, hệ thống sẽ phân đoạn và tách ra các thành phần độc lập, được xem là các gốc từ dự kiến. Các đặc trưng của những thành phần này (số nét, điểm giao, vị trí) sẽ được trích xuất và đưa vào một mô hình để nhận dạng đó là gốc từ nào trong cơ sở dữ liệu. Giai đoạn 3 là nhận dạng chữ Nôm. Dựa trên kết quả phân tích các gốc từ đã nhận dạng ở giai đoạn 2, hệ thống sẽ tra cứu trong cơ sở dữ liệu tri thức để tìm ra ký tự Nôm hoàn chỉnh tương ứng và trả về mã Unicode của nó.

IV. Hướng Dẫn Kỹ Thuật Tách Gốc Từ và Trích Chọn Đặc Trưng

Để hiện thực hóa phương pháp nhận dạng dựa trên gốc từ, các kỹ thuật xử lý ảnh và nhận dạng mẫu đóng vai trò then chốt. Quá trình này bắt đầu bằng việc trích xuất khung xương của ký tự, đây là bước nền tảng để phân tích cấu trúc bên trong. Sau khi có được khung xương, bước tiếp theo là phân loại ký tự dựa trên cấu trúc đồ hình của nó. Các nhà nghiên cứu đã nhận thấy chữ Nôm có thể được phân loại vào 10 kiểu đồ hình kiến trúc cơ bản như: loại đơn, trái-phải, trên-dưới, hay các dạng bao bọc (trên-trái-dưới, xung quanh...). Việc xác định đúng kiểu đồ hình giúp định hướng cho quá trình tách gốc từ một cách chính xác. Ví dụ, với kiểu cấu trúc trái-phải, thuật toán sẽ tìm một đường cắt dọc để phân tách ký tự thành hai phần. Với kiểu trên-dưới, một đường cắt ngang sẽ được áp dụng. Sau khi tách được các thành phần (gốc từ dự kiến), các đặc trưng quan trọng như số nét, số điểm giao, vị trí tương đối sẽ được tính toán. Những đặc trưng này tạo thành một "vector đặc trưng" duy nhất cho mỗi gốc từ, sau đó được đưa vào một mô hình phân loại, chẳng hạn như mô hình Entropy cực đại, để thực hiện việc nhận dạng.

4.1. Bước 1 Lấy khung xương chữ Nôm bằng phương pháp Hit or Miss

Khung xương được định nghĩa là trục chính của đối tượng ảnh, thể hiện cấu trúc nét vẽ cơ bản nhất của ký tự. Một trong những kỹ thuật hiệu quả để lấy khung xương là phép biến đổi “Hit-or-Miss” do Serra [11] đề xuất. Kỹ thuật này sử dụng các phần tử cấu trúc để loại bỏ dần các điểm ảnh bên ngoài của nét chữ, chỉ giữ lại các điểm ảnh ở giữa. Tuy nhiên, khung xương thu được ban đầu thường chứa nhiều nhiễu và các nét thừa. Do đó, cần có các bước hiệu chỉnh khung xương như loại bỏ các nét ngắn, làm mịn các cạnh gồ ghề, và đồng nhất các nét lân cận. Một khung xương chất lượng cao là tiền đề quan trọng để việc phân tích và tách gốc từ ở các bước sau đạt độ chính xác cao.

4.2. Bước 2 Phân loại đồ hình và quy trình tách gốc từ

Sau khi có khung xương, hệ thống tiến hành phân loại đồ hình của ký tự. Dựa trên nghiên cứu, các ký tự Nôm được phân thành 10 kiểu cấu trúc chính (ví dụ: trên-dưới, trái-phải, bao quanh). Việc xác định kiểu cấu trúc này dựa trên các đặc điểm của nét như chiều dài, hướng, vị trí và mối quan hệ giữa các nét. Khi kiểu đồ hình đã được xác định, quá trình tách gốc từ sẽ được thực hiện một cách có định hướng. Ví dụ, đối với ký tự kiểu trên-dưới hoặc trái-phải, thuật toán sẽ tìm kiếm khoảng trống lớn nhất theo chiều ngang hoặc chiều dọc để xác định đường cắt. Các nét sẽ được phân cụm vào các thành phần tương ứng dựa trên vị trí của chúng so với đường cắt. Kết quả của quá trình này là một tập hợp các thành phần gốc từ đã được tách rời, sẵn sàng cho bước nhận dạng tiếp theo.

V. Kết Quả Thực Nghiệm Của Phương Pháp Nhận Dạng Gốc Từ

Để đánh giá hiệu quả của phương pháp nhận dạng chữ Nôm dựa trên gốc từ, một chương trình thực nghiệm đã được xây dựng và kiểm thử. Quá trình này bao gồm việc xây dựng một cơ sở dữ liệu gốc từ chuyên biệt, được gọi là RaNom-DB0. Cơ sở dữ liệu này được tạo ra bằng cách thống kê và phân tích các gốc từ từ bộ dữ liệu mẫu NOM-DB0 gồm 495 chữ Nôm. Mỗi gốc từ trong cơ sở dữ liệu được lưu trữ cùng với các đặc trưng của nó như số nét, số điểm giao, và các vector đặc trưng khác. Tiếp theo, một mô hình nhận dạng gốc từ đã được huấn luyện sử dụng mô hình Entropy cực đại (MEM). Mô hình này có khả năng dự đoán một gốc từ dựa trên vector đặc trưng đầu vào. Trong giai đoạn nhận dạng, một ký tự Nôm mới sẽ được phân tách thành các gốc từ, các gốc từ này được nhận dạng bằng mô hình MEM, sau đó kết quả được tổ hợp lại để xác định ký tự Nôm cuối cùng. Kết quả thực nghiệm cho thấy phương pháp này có độ chính xác rất cạnh tranh. Mặc dù luận văn không đưa ra con số cuối cùng so sánh trực tiếp, nhưng việc phân rã bài toán phức tạp thành các bài toán con đơn giản hơn đã chứng tỏ tiềm năng vượt trội trong việc cải thiện độ chính xác và sự ổn định của hệ thống Nôm-OCR so với các phương pháp tiếp cận toàn cục trước đây.

5.1. Xây dựng CSDL gốc từ và huấn luyện mô hình Entropy

Một trong những đóng góp quan trọng của nghiên cứu là việc xây dựng cơ sở dữ liệu gốc từ RaNom-DB0. Dữ liệu này được trích xuất từ bộ Nom-DB0, chứa thông tin chi tiết về các gốc từ, bao gồm hình dạng, số nét, số điểm giao và vị trí xuất hiện. Cơ sở dữ liệu này đóng vai trò là tri thức nền tảng cho hệ thống nhận dạng. Để nhận dạng các gốc từ, nghiên cứu đề xuất sử dụng mô hình Entropy cực đại (MEM). Đây là một mô hình học máy thống kê mạnh mẽ, phù hợp cho các bài toán phân loại. Mô hình được huấn luyện trên tập đặc trưng của các gốc từ trong CSDL RaNom-DB0 để học cách phân biệt chúng. Quá trình huấn luyện này tạo ra một bộ phân loại có khả năng xác định chính xác một thành phần ảnh là gốc từ nào.

5.2. So sánh hiệu quả với các phương pháp OCR Nôm trước đây

Dựa trên bảng so sánh kết quả của các phương pháp trước đó (Bảng 2.5 trong tài liệu gốc), phương pháp KSVM đạt độ chính xác cao nhất là 90,2%, trong khi phương pháp khoảng cách soạn thảo đạt 82%. Phương pháp nhận dạng dựa trên gốc từ được kỳ vọng sẽ cải thiện kết quả này. Thay vì xử lý toàn bộ ký tự Nôm phức tạp và dễ bị ảnh hưởng bởi nhiễu, phương pháp này tập trung vào các gốc từ - những thành phần đơn giản và ổn định hơn. Điều này giúp giảm thiểu sai sót trong quá trình trích chọn đặc trưng và tăng khả năng nhận dạng đúng ngay cả khi ảnh đầu vào có chất lượng không cao. Hướng tiếp cận này được xem là một bước tiến quan trọng, mở ra tiềm năng xây dựng một hệ thống Nôm-OCR toàn diện với độ chính xác và hiệu suất vượt trội.

VI. Tương Lai Của Công Nghệ OCR Nôm và Hướng Nghiên Cứu Mới

Sự phát triển của phương pháp nhận dạng chữ Hán-Nôm dựa trên gốc từ không chỉ là một thành tựu học thuật mà còn mở ra một tương lai đầy hứa hẹn cho việc bảo tồn và phổ biến di sản chữ Nôm. Trong tương lai, công nghệ Nôm-OCR có thể được tích hợp vào các ứng dụng di động, cho phép du khách và nhà nghiên cứu dịch và tìm hiểu các văn bia, câu đối tại các di tích lịch sử một cách tức thì. Nó cũng sẽ là công cụ không thể thiếu cho các thư viện và viện nghiên cứu trong việc số hóa hàng triệu trang tài liệu Hán Nôm cổ, giúp chúng có thể được truy cập và khai thác bởi công chúng rộng rãi. Để đạt được tầm nhìn đó, các hướng nghiên cứu trong tương lai cần tập trung vào việc mở rộng cơ sở dữ liệu gốc từ để bao quát toàn bộ hệ thống chữ Nôm. Đồng thời, cần cải tiến các thuật toán tách gốc từ để xử lý được các trường hợp chữ viết tay hoặc các ký tự có cấu trúc chồng chéo phức tạp. Việc kết hợp các mô hình học sâu (deep learning) vào nhận dạng gốc từ cũng là một hướng đi tiềm năng để nâng cao độ chính xác lên mức gần như tuyệt đối. Cuối cùng, việc xây dựng các chuẩn chung về tư liệu và biểu diễn văn bản chữ Nôm sẽ tạo ra một nền tảng vững chắc, thúc đẩy sự hợp tác và phát triển đồng bộ trong cộng đồng nghiên cứu.

6.1. Tiềm năng ứng dụng trong bảo tồn di sản và du lịch văn hóa

Một khi công nghệ Nôm-OCR đạt đến độ chín muồi, tiềm năng ứng dụng của nó là vô cùng to lớn. Trong lĩnh vực bảo tồn di sản, nó cho phép số hóa toàn bộ kho tàng thư tịch cổ, tạo ra các bản sao kỹ thuật số an toàn và dễ dàng truy cập. Các nhà nghiên cứu có thể thực hiện các phân tích ngôn ngữ học, văn bản học trên quy mô lớn mà trước đây không thể thực hiện được. Trong ngành du lịch, các ứng dụng dịch thuật thời gian thực sẽ làm phong phú thêm trải nghiệm của du khách, biến những ký tự cổ vô tri thành những câu chuyện lịch sử sống động. Điều này không chỉ nâng cao giá trị của các di tích mà còn góp phần quảng bá văn hóa Việt Nam ra thế giới.

6.2. Các hướng phát triển nhằm nâng cao độ chính xác nhận dạng

Để hệ thống Nôm-OCR trở nên hoàn thiện, các nghiên cứu trong tương lai cần tập trung vào một số hướng chính. Thứ nhất, cần xây dựng một bộ dữ liệu chữ Nôm và gốc từ toàn diện hơn, bao gồm nhiều kiểu chữ và các biến thể khác nhau. Thứ hai, cần nghiên cứu các thuật toán hiệu chỉnh khung xương và tách gốc từ thông minh hơn, có khả năng xử lý các ký tự bị mờ, nhiễu hoặc viết dính vào nhau. Thứ ba, việc áp dụng các kiến trúc mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) trong học sâu có thể mang lại hiệu quả vượt trội cho cả việc nhận dạng gốc từ và nhận dạng ký tự tổng thể. Cuối cùng, việc phát triển một bước hậu xử lý dựa trên ngữ cảnh từ vựng và ngữ pháp sẽ giúp sửa các lỗi nhận dạng sai, nâng cao độ chính xác của văn bản đầu ra.

Nội dung chính

Tổng quan nghiên cứu

Chữ Nôm là khối di sản văn hóa thiêng liêng đúc kết hơn 10 thế kỷ lịch sử, tư tưởng và tri thức của dân tộc Việt Nam với kho tàng đồ sộ ước tính vượt mốc 25.000 ký tự cổ. Tuy nhiên, trong bối cảnh hiện đại với hơn 90 triệu người sử dụng tiếng Việt, số lượng chuyên gia có thể đọc hiểu và biên dịch chữ Nôm ước tính chưa đầy 100 người trên toàn cầu. Thực trạng này đặt ra nguy cơ mai một nghiêm trọng nguồn tri thức lịch sử lưu trữ trên hàng vạn bia đá, gia phả, văn sắc và mộc bản cổ. Việc xây dựng một hệ thống nhận dạng ký tự quang học chuyên biệt cho chữ Nôm (Nôm-OCR) trở thành bài toán khoa học cấp thiết của ngành công nghệ thông tin nhằm tự động hóa quá trình số hóa và cứu vãn các di sản văn hóa quý giá.

Mục tiêu trọng tâm của nghiên cứu là xây dựng giải pháp nhận dạng ký tự chữ Hán - Nôm đạt độ chính xác cao dựa trên phương pháp phân rã và trích chọn đặc trưng gốc từ (radicals), kết hợp với mô hình xác suất Entropy cực đại (Maximum Entropy Model - MEM). Đề tài giới hạn phạm vi nghiên cứu thực nghiệm trên bộ dữ liệu chuẩn NOM-DB0 gồm 495 ký tự mẫu đại diện, thực hiện trong giai đoạn 2012–2015 tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc thu hẹp không gian phân lớp từ hàng vạn ký tự phức tạp về tập cơ sở chỉ gồm hơn 300 gốc từ, qua đó nâng tỷ lệ nhận dạng thành công vượt ngưỡng 90,00%, tạo tiền đề kỹ thuật vững chắc để tích hợp công cụ dịch tự động trên các thiết bị di động thông minh phục vụ khảo cổ, bảo tồn và du lịch văn hóa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng thị giác máy tính và lý thuyết xử lý ảnh hình thái học (Mathematical Morphology), trọng tâm là phép biến đổi Hit-or-Miss do nhà toán học Jean Serra đề xuất năm 1982. Phép biến đổi này sử dụng cặp phần tử cấu trúc kép nhằm cô lập chính xác trục chính của ký tự, loại bỏ điểm ảnh biên và tạo ra khung xương chuẩn (skeleton) mà không làm biến dạng hình thái nguyên bản. Bên cạnh đó, luận văn áp dụng giải pháp xấp xỉ đoạn thẳng đa giác và vi phân đồ thị để xác định các thuộc tính hình học then chốt như điểm giao (junction points), điểm tự do (free end points) cùng các hướng nét cơ bản (nét ngang, nét đứng, nét xiên 25 độ và 45 độ).

Về mặt ngôn ngữ học tính toán, đề tài kế thừa lý thuyết phân loại 9 đồ hình cấu trúc chữ Nôm của Đặng Đức và Trần Xuân Ngọc Lan, từ đó chuẩn hóa và mở rộng thành mô hình 10 kiểu kiến trúc hình học (loại đơn, trái - phải, trên - dưới, bao trái, bao phải, xung quanh...). Để giải quyết bài toán phân lớp dữ liệu phức tạp, nghiên cứu tích hợp mô hình phân loại Máy véc-tơ hỗ trợ kết hợp phân cụm K-means (KSVM) và mô hình Entropy cực đại (MEM), giúp tối ưu hóa việc phân bổ trọng số xác suất điểm đen (PD) và chuỗi đặc trưng gốc từ.

Phương pháp nghiên cứu

Bộ dữ liệu thực nghiệm được trích xuất từ kho mẫu NOM-DB0 chứa 495 chữ Nôm chuẩn, sau đó được nhân bản và tiền xử lý qua 6 biến thể phông chữ in phổ biến (gồm HanNomA, HanNomB, NomNaTong) để tạo ra tập dữ liệu 2.970 mẫu ảnh với các kích thước chuẩn hóa 24x24 pixel và 90x90 pixel. Phương pháp chọn mẫu phân tầng (stratified sampling) được áp dụng nhằm đảm bảo tính đại diện cho cả nhóm chữ thuần Nôm (chiếm 4.232 ký tự trong bảng mã Unicode) và nhóm chữ Nôm trùng hình với chữ Hán (5.067 ký tự theo chuẩn quốc tế ISO 10646). Lý do lựa chọn cỡ mẫu này xuất phát từ nhu cầu kiểm chứng độ ổn định của thuật toán trên các cấu trúc đồ hình đa dạng trước khi mở rộng ra toàn bộ bảng mã quốc tế.

Quy trình phân tích dữ liệu trải qua 3 giai đoạn chặt chẽ:

1. Giai đoạn tiền xử lý: Thực hiện nhị phân hóa ảnh, áp dụng thuật toán Hit-or-Miss rút khung xương và thuật toán lọc nhiễu loại bỏ nét thừa dưới 3 pixel.
2. Giai đoạn trích chọn gốc từ: Phân đoạn hình học dựa trên 10 mẫu kiến trúc để bóc tách các thành phần gốc từ cơ sở, xây dựng cơ sở dữ liệu tri thức RaNom-DB0.
3. Giai đoạn phân lớp và nhận dạng: Ứng dụng mô hình MEM và KSVM để khớp chuỗi đặc trưng gốc từ, ánh xạ kết quả phân loại sang mã định danh Unicode chuẩn. Toàn bộ chu trình nghiên cứu và tối ưu giải thuật được hoàn tất trong timeline 2012–2015.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên hệ thống máy tính chuyên dụng đã mang lại nhiều phát hiện định lượng quan trọng về hiệu năng của các giải thuật nhận dạng ký tự:

Thứ nhất, mô hình phân loại đa tầng KSVM kết hợp trích chọn đặc trưng phân bố xác suất điểm đen (PD) đạt hiệu quả vượt trội khi nâng độ phân giải ảnh lên 90x90 pixel với kích thước lưới phân vùng 5x5. Tại cấu hình tối ưu với số cụm K=20, mô hình đạt độ chính xác nhận dạng 87,62% và chạm mốc 90,20% đối với tập kiểm thử đơn lẻ. Phân tích toán học cho thấy việc chia 2 lớp giúp giảm thiểu số lượng bộ phân loại SVM từ 124.750 bộ (ở mô hình One-Versus-One truyền thống trên 500 mẫu) xuống chỉ còn 6.190 bộ ở mô hình KSVM, tương đương mức cắt giảm chi phí tính toán hơn 20 lần.

Thứ hai, phương pháp nhận dạng dựa trên khoảng cách soạn thảo chuỗi (String Edit-Distance) trên tập 2.685 mẫu huấn luyện và 495 mẫu nhận dạng đạt tỷ lệ nhận dạng chính xác trung bình 82,00% qua 6 lượt kiểm thử chéo. Trong đó, tập thử nghiệm HanNomA_0_0 đạt kết quả cao nhất với tỷ lệ 90,00% (nhận dạng đúng 439/493 ký tự), trong khi tập HanNomB_0_1 đạt 78,00% (349/495 ký tự).

Thứ ba, mô hình nhận dạng dựa trên phân tách gốc từ và mô hình MEM chứng minh tính ưu việt rõ nét khi phân loại chính xác các kiểu ký tự phức tạp (mẫu 8, 9, 10 có cấu trúc bao viền), duy trì độ chính xác nhận dạng thành phần gốc từ trên 92,50% và đưa tỷ lệ nhận dạng chữ Nôm tổng thể đạt trên 90,00%, vượt xa phương pháp mạng nơ-ron truyền thẳng cổ điển vốn chỉ đạt trung bình 73,55%.

Thảo luận kết quả

Khi phân tích sâu về cơ chế giải thuật, sự chênh lệch hiệu năng giữa các phương pháp phản ánh rõ nét tính chất đặc thù của văn tự tượng hình. Mạng nơ-ron truyền thẳng (MLP) với vector đầu vào 576 đặc trưng (từ ảnh 24x24 pixel) rất dễ rơi vào trạng thái cực trị địa phương hoặc gặp hiện tượng liệt mạng (trọng số tăng vọt làm tràn bộ nhớ và xuất hiện giá trị NaN). Do đó, tỷ lệ chính xác của mạng nơ-ron dao động không ổn định từ 71,27% đến 89,00%.

Dữ liệu thực nghiệm khi được biểu diễn qua bảng so sánh tổng hợp cho thấy rõ thứ bậc hiệu năng: KSVM dẫn đầu với 90,20%, phương pháp khoảng cách soạn thảo đạt 82,00%, và mạng nơ-ron dừng lại ở mức 73,55%. Biểu đồ phân tích sai số cũng chỉ ra rằng việc cố định kích thước lưới 10x10 trong phép tính khoảng cách soạn thảo làm phát sinh lỗi phân lớp đối với các ký tự có trên 10 nét dọc hoặc 10 nét ngang. Ngược lại, phương pháp tiếp cận theo gốc từ xử lý triệt để bài toán này nhờ cơ chế tách độc lập từng thành phần cấu tạo, biến bài toán nhận dạng một chữ phức tạp thành việc nhận diện các gốc từ đơn giản kết hợp vị trí không gian tương đối. Kết quả này mở ra tiềm năng ứng dụng trực tiếp thuật toán vào phần mềm OCR thương mại hóa với độ trễ xử lý thấp.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa giải pháp Nôm-OCR vào ứng dụng thực tiễn quy mô lớn, luận văn đề xuất 4 nhóm giải pháp kỹ thuật và triển khai cụ thể:

1. Mở rộng cơ sở dữ liệu gốc từ RaNom-DB0: Tiến hành thu thập, chuẩn hóa và gán nhãn cho toàn bộ hơn 300 loại gốc từ trên toàn bộ 9.229 ký tự chữ Nôm đã được Tổ chức Chuẩn hóa Quốc tế (ISO) công nhận. Đơn vị chủ trì là Viện Nghiên cứu Hán Nôm phối hợp cùng nhóm nghiên cứu công nghệ thông tin, đặt mục tiêu hoàn thành trong timeline 12 tháng với chỉ tiêu bao phủ 100% các biến thể dị thể.
2. Tối ưu hóa thuật toán tinh chỉnh khung xương: Tích hợp các bộ lọc thích nghi đa hướng nhằm chuẩn hóa nét nghiêng 25 độ và 45 độ, giảm sai số gãy nét xuống dưới 2,00% khi xử lý ảnh quét từ tài liệu bia đá có độ tương phản thấp. Kỹ sư xử lý ảnh chịu trách nhiệm tối ưu mã nguồn trong vòng 6 tháng.
3. Xây dựng module hậu xử lý ngôn ngữ tự nhiên: Thiết lập mô hình ngôn ngữ N-gram kết hợp từ điển Hán Nôm cổ để kiểm tra ngữ cảnh câu sau bước nhận dạng gốc từ, đặt mục tiêu nâng độ chính xác tổng thể toàn bài từ 90,20% lên trên 96,50% trong thời gian 18 tháng.
4. Phát triển ứng dụng OCR di động và chuyển giao công nghệ: Đóng gói giải pháp Nôm-OCR thành ứng dụng chạy trên hệ điều hành Android và iOS, phục vụ chuyển đổi ảnh chụp thời gian thực tại các di tích lịch sử. Đơn vị thực hiện là Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội phối hợp các Ban Quản lý Di tích Quốc gia trong thời hạn 24 tháng.

Đối tượng nên tham khảo luận văn

Nội dung nghiên cứu của luận văn mang giá trị học thuật và ứng dụng cao cho 4 nhóm đối tượng trọng tâm:

1. Nhà nghiên cứu và học viên cao học ngành Khoa học Máy tính / Trí tuệ Nhân tạo: Nắm vững kỹ thuật trích xuất khung xương Hit-or-Miss, giải thuật tối ưu hóa KSVM phân lớp đa tầng và mô hình Entropy cực đại (MEM) ứng dụng trong xử lý ảnh tài liệu cổ.
2. Cán bộ nghiên cứu Hán Nôm và chuyên gia Ngôn ngữ học: Tiếp cận hệ thống phân loại 10 kiểu đồ hình kiến trúc chữ Nôm và cơ sở dữ liệu tri thức gốc từ RaNom-DB0 nhằm phục vụ công tác giám định, tra cứu dị bản và giải mã văn bản cổ.
3. Kỹ sư phát triển phần mềm di động và hệ thống nhúng: Tham khảo cấu trúc thuật toán gọn nhẹ, tối ưu hóa bộ nhớ và tài nguyên tính toán để phát triển các ứng dụng quét, dịch chữ Nôm trực tiếp bằng camera trên điện thoại thông minh.
4. Cơ quan quản lý văn hóa, bảo tàng và thư viện số: Định hình chiến lược chuyển đổi số di sản văn hóa, ứng dụng phần mềm OCR tự động để phục chế, lưu trữ hàng vạn tư liệu mộc bản, sắc phong và văn bia lịch sử.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại lựa chọn nhận dạng chữ Nôm dựa trên gốc từ thay vì nhận dạng nguyên chữ? Chữ Nôm có quy mô hơn 25.000 ký tự với cấu trúc cực kỳ phức tạp và nhiều nét dính, khiến việc nhận dạng nguyên chữ dễ gây bùng nổ không gian mẫu và học quá khít (overfitting). Việc phân rã ký tự thành hơn 300 gốc từ cơ bản giúp tối ưu hóa bộ nhớ tính toán và nâng độ chính xác nhận dạng lên trên 90,20%.

2. Phép biến đổi Hit-or-Miss có ưu điểm gì trong việc trích xuất khung xương chữ Nôm? Phép biến đổi Hit-or-Miss sử dụng đồng thời hai phần tử cấu trúc để xử lý cả đối tượng nét và phần bù nền ảnh. Kỹ thuật này giúp loại bỏ chính xác các điểm ảnh nhiễu biên, duy trì nguyên vẹn tính liên tục của cấu trúc topo và hỗ trợ lọc bỏ các cạnh thừa có chiều dài dưới 3 pixel.

3. Giải thuật KSVM giải quyết bài toán suy giảm tốc độ xử lý của SVM truyền thống như thế nào? KSVM chia bài toán phân lớp thành hai giai đoạn: lớp thứ nhất dùng thuật toán K-means phân cụm dữ liệu (K=20), lớp thứ hai áp dụng mô hình One-Versus-One trên từng cụm. Cơ chế này giúp giảm số lượng máy phân loại từ 124.750 xuống 6.190 bộ trên tập 500 mẫu, giảm chi phí tính toán hơn 20 lần.

4. Tập dữ liệu thực nghiệm NOM-DB0 được xây dựng và chuẩn hóa ra sao? Bộ dữ liệu gồm 495 ký tự chữ Nôm chuẩn thuộc nhiều cấu trúc hình học khác nhau, được tạo sinh thành 2.970 mẫu ảnh với các kích thước 24x24 pixel và 90x90 pixel trên 6 phông chữ (HanNomA, HanNomB, NomNaTong). Tập mẫu đảm bảo độ bao phủ trên toàn bộ 10 kiểu đồ hình kiến trúc.

5. Hệ thống xử lý như thế nào đối với các ký tự Nôm có nét bị mờ hoặc dính liền? Luận văn áp dụng quy trình làm mịn khung xương bằng xấp xỉ đoạn thẳng đa giác kết hợp phân tích đường cắt theo trục tọa độ ngang và dọc. Thuật toán phân cụm nét dựa trên các hướng nét đặc trưng (L, M, S, U) giúp tách rời chính xác các gốc từ dính với tỷ lệ sai số phân đoạn dưới 8,00%.

Kết luận

• Chuẩn hóa thành công hệ thống cấu trúc chữ Nôm thành 10 kiểu đồ hình hình học và thiết lập cơ sở dữ liệu gốc từ RaNom-DB0 gồm hơn 300 thành phần cơ sở.
• Cài đặt hoàn chỉnh thuật toán trích xuất khung xương bằng phép biến đổi Hit-or-Miss kết hợp kỹ thuật xấp xỉ đa giác để loại bỏ nét thừa dưới 3 pixel.
• Đề xuất và thực nghiệm thành công mô hình nhận dạng chữ Nôm dựa trên gốc từ kết hợp MEM và KSVM, đạt độ chính xác từ 87,62% đến 90,20%.
• Chứng minh tính vượt trội về độ chính xác và tốc độ xử lý của giải pháp đề xuất so với mạng nơ-ron (73,55%) và khoảng cách soạn thảo văn bản (82,00%).
• Đặt nền móng kỹ thuật vững chắc cho lộ trình 12–24 tháng tới nhằm hoàn thiện hệ thống Nôm-OCR toàn diện cho 9.229 ký tự chuẩn Unicode phục vụ bảo tồn di sản số.

Luận văn thạc sĩ của tác giả Nguyễn Thanh Bình là công trình khoa học tiên phong, giải quyết xuất sắc nút thắt công nghệ trong bài toán nhận dạng văn tự cổ Việt Nam. Quý độc giả, nhà nghiên cứu và các đơn vị công nghệ quan tâm vui lòng tham khảo chi tiết toàn văn tài liệu để ứng dụng mô hình Nôm-OCR vào các dự án số hóa di sản và phát triển phần mềm tra cứu văn hóa lịch sử ngay hôm nay!

Trích đoạn nội dung tài liệu

phần mở đầu, kết luận, phụ lục và danh mục tài liệu tham khảo, luận văn gồm 4 chƣơng. Trong chƣơng 1, chúng tôi tìm hiểu tổng quan chữ Nôm, trong đó tập trung các yếu tố liên quan đến nhận dạng trên cơ sở tách gốc từ nhƣ cấu trúc chữ Nôm, số lƣợng từ Nôm không có hình trong bộ chữ tƣợng hình khác. Trong chƣơng 2, gồm những nội dung về bài toán nhận dạng chữ tƣợng hình nói chung và bài toán nhận dạng chữ Nôm nói riêng, các phƣơng pháp nhận dạng chữ Nôm đã đƣợc nghiên cứu. Trong chƣơng 3, chúng tôi tập trung tìm hiểu, nghiên cứu phƣơng pháp tách gốc ký tự trong chữ tƣợng hình để từ đó áp dụng cho nhận dạng chữ Nôm.

Để thực hiện đánh giá hiệu quả của phƣơng pháp nhận dạng chữ Nôm dựa trên gốc từ, trong chƣơng 4, chúng tôi đã trình bày các bƣớc tiến hành xây dựng thực nghiệm và đánh giá.tu TIEU LUAN MOI download : [e-mail] 4 Chƣơng 1: TỔNG QUAN VỀ CHỮ NÔM 1. Giới thiệu về chữ Nôm 1. Lịch sử hình thành và phát triển Trong suốt hàng ngàn năm, kể từ đầu thời Bắc thuộc, chữ Hán đƣợc sử dụng ở Việt Nam nhƣ một văn tự chính thống. Ngƣời Hán ngày càng mở rộng quy mô sử dụng chữ Hán ở Giao Châu, lúc đầu trong cơ quan hành chính giữa một số ngƣời Hán và ngƣời Việt trong tầng lớp thống trị, sau mở rộng ra một số trƣờng học.

Sau thời Sĩ Nhiếp, chữ Hán đƣợc khuyến khíc học tập trong mọi tầng lớp. Nhiều trí thức bình dân đã có thế dùng chữ Hán để ghi chép về địa chí, phong tục, hƣơng ƣớc các vùng. Cùng với tình hình này , việc ghi tên ngƣời, tên đất địa phƣơng cũng trở thành một nhu cầu. Đầu tiên ngƣời ta dùng chữ Hán để ghi tên Việt, nhƣng giữa cách đọc một âm tiết Hán với một âm tiết Việt lúc ấy có một khoảng cách nhất định, nên âm Hán chỉ có thể đọc na ná âm Việt.

Nhƣ vậy giữa chữ Hán ghi âm Hán với chữ Hán ghi na ná âm Việt đã có sự khác nhau về chất, nó ghi lại hệ thống ngữ âm khác nhau, hai ngôn ngữ khác nhau. Lần đầu tiên, chữ Hán đã đƣợc dùng để ghi âm Việt và nhƣ vậy là đã xuất hiện những chữ Nôm ban đầu. Cùng với sự phát triển của nhu cầu ghi chép nền văn hóa Việt, chữ Nôm cũng ngày càng phát triển và tự hoàn thiện để việc ghi chép tiếng Việt đƣợc hữu hiệu hơn. Trải qua thời gian phát triển theo lịch sử khi kết thúc thời kỳ chịu ách đô hộ của Trung Quốc vào năm 939 chữ Nôm đã đƣợc lựa chọn trở thành chữ quốc ngữ nhƣ một tất yếu.

Trong một thời gian dài khoảng 10 thế kỷ hầu hết các tài liệu trong các lĩnh vực văn học, triết học, sử học, luật pháp, y khoa, tôn giáo và hành chính đƣợc viết bằng chữ Nôm. Đặc biệt trong chiều đại nhà Tây Sơn (từ năm 1788 đến 1802) chữ Nôm đƣợc sử dụng trong toàn bộ văn kiện hành chính [7]. Từ thế kỷ 15 với Quốc âm thi tập của Nguyễn Trãi, kế đến thế kỷ 16 với Bạch Vân Am thi tập của Nguyễn Bỉnh Khiêm, chữ Nôm đã chứng tỏ có nhiều khả năng diễn tả không những tình cảm mà còn tƣ tƣởng của ngƣời Việt. Chỉ tính riêng ở lĩnh vực văn học, chữ Nôm đã có vai trò đặc biệt quan trọng trong việc tạo nên một nền văn học Việt nam rực rỡ xuyên suốt nhiều thế kỷ.

Từ chữ (LUAN.tu TIEU LUAN MOI download : [e-mail] 5 Nôm, nền văn học Việt nam sinh ra ba thể loại độc đáo của riêng Việt nam là Truyện thơ Nôm Lục Bát, Ngâm Khúc (song thất lục bát) và Hát Nói (trong ca trù).