Nghiên cứu khoa học về sự kiện an toàn giao thông trong văn bản tiếng Việt

Chuyên khảo phân tích Đề tài nghiên cứu khoa học cấp trường trích chọn sự kiện an toàn giao thông trong văn bản sử dụng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• Người hướng dẫn: ThS. Đào Ngọc Tú
• Trường học: Đại học Hải Phòng
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Trích chọn sự kiện an toàn giao thông trong văn bản sử dụng ngôn ngữ tiếng Việt
• Loại tài liệu: báo cáo tổng kết đề tài nghiên cứu khoa học cấp trường
• Năm xuất bản: 2024
• Địa điểm: Hải Phòng

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU
• 1.1. Bài toán trích chọn thông tin trong văn bản
• 1.2. Tổng quan về sự kiện
• 1.3. Định nghĩa sự kiện
• 1.4. Trích chọn sự kiện
• 1.5. Trích chọn sự kiện trong văn bản tin tức tiếng việt
• 1.6. Ý nghĩa khoa học
• 1.7. Ý nghĩa thực tiễn
• 2. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP TIẾP CẬN
• 2.1. Phương pháp tiếp cận dựa trên tập luật (rule – based)
• 2.2. Luật ngữ nghĩa (lexico-semantic patterns)
• 2.3. Hình dạng và biểu diễn của tập luật (Form and Representation of Rules)
• 2.4. Phương pháp tiếp cận dựa trên học máy
• 2.5. 3 phương pháp tiếp cận kết hợp luật và học máy
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH TRÍCH CHỌN SỰ KIỆN VỤ TAI NẠN
• 3.1. Các đặc tính của sự kiện vụ tai nạn
• 3.2. Phát biểu bài toán
• 3.3. Mô hình phát hiện và trích chọn sự kiện vụ tai nạn
• 3.4. Phương pháp đề xuất
• 3.5. Giải quyết bài toán phát hiện sự kiện và bài toán trích chọn sự kiện vụ tai nạn
• 3.5.1. Bài toán 1- Phát hiện sự kiện vụ tai nạn (pha 1)
• 3.5.2. Bài toán 2- Trích chọn sự kiện vụ tai nạn (pha 2)
• 3.5.2.1. Trích chọn thời gian
• 3.5.2.2. Trích chọn địa điểm
• 3.5.2.3. Trích chọn số thương vong
• 3.5.2.4. Trích chọn phương tiện gây tai nạn
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Môi trường và các công cụ sử dụng thực nghiệm
• 4.2. Xây dựng tập dữ liệu
• 4.3. Thu thập dữ liệu
• 4.4. Tiền xử lý dữ liệu
• 4.5. Đánh giá quá trình phát hiện sự kiện
• 4.6. Đánh giá bộ lọc dữ liệu
• 4.7. Đánh giá quá trình phân lớp
• 4.8. Đánh giá quá trình trích chọn sự kiện
• 4.9. Thực nghiệm không qua bộ phân lớp
• 4.10. Thực nghiệm qua bộ phân lớp
• 4.11. Phân tích lỗi
• 4.11.1. Phân tích lỗi quá trình phát hiện sự kiện
• 4.11.2. Phân tích lỗi quá trình trích chọn sự kiện
• 4.12. Một số kết quả phân tích các sự kiện
• 4.13. Thống kê số vụ tai nạn theo tỉnh
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về an toàn giao thông và sự kiện giao thông

Nghiên cứu tập trung vào việc trích chọn sự kiện an toàn giao thông từ các văn bản tiếng Việt, đặc biệt là các bản tin về tai nạn giao thông. Sự kiện giao thông được định nghĩa là các tình huống cụ thể liên quan đến tai nạn, bao gồm thời gian, địa điểm, số thương vong và phương tiện liên quan. Mục tiêu của nghiên cứu là xây dựng mô hình tự động trích xuất thông tin từ các bản tin để hỗ trợ thống kê tai nạn và đưa ra giải pháp an toàn giao thông.

1.1. Định nghĩa và tầm quan trọng của sự kiện giao thông

Sự kiện giao thông được coi là một mẫu (template) gồm các thuộc tính như thời gian, địa điểm, số thương vong và phương tiện. Việc trích chọn sự kiện giúp biến đổi thông tin từ dạng phi cấu trúc sang dạng có cấu trúc, hỗ trợ các hệ thống thống kê và giám sát an toàn giao thông. Ví dụ, từ bản tin 'Vụ tai nạn xảy ra lúc 8h ngày 30/4 tại Hà Nội, làm 2 người bị thương', mô hình sẽ trích xuất các thuộc tính: {30/4, Hà Nội, 2 người bị thương}.

1.2. Tình hình nghiên cứu và ứng dụng thực tiễn

Nghiên cứu về trích chọn sự kiện đã được phát triển từ các chương trình như MUC, TDT và ACE. Các phương pháp này tập trung vào việc trích xuất thông tin từ văn bản để hỗ trợ phân tích sự kiện và dự đoán xu hướng. Ứng dụng thực tiễn của nghiên cứu bao gồm việc xác định các điểm nóng tai nạn, thời gian có nguy cơ cao và đưa ra các giải pháp an toàn giao thông.

II. Phương pháp tiếp cận và mô hình trích chọn sự kiện

Nghiên cứu sử dụng kết hợp phương pháp dựa trên tập luật và học máy để xây dựng mô hình trích chọn sự kiện vụ tai nạn. Phương pháp dựa trên tập luật tập trung vào việc xác định các từ khóa và mẫu ngữ nghĩa, trong khi học máy sử dụng các kỹ thuật như phân lớp và nhận dạng thực thể (NER) để trích xuất thông tin.

2.1. Phương pháp dựa trên tập luật

Phương pháp này sử dụng các luật ngữ nghĩa để xác định các thuộc tính của sự kiện. Ví dụ, từ khóa 'tai nạn' kết hợp với các từ chỉ thời gian và địa điểm sẽ giúp xác định sự kiện. Các luật được xây dựng dựa trên khảo sát dữ liệu và có thể điều chỉnh để phù hợp với các văn bản tiếng Việt.

2.2. Phương pháp học máy

Phương pháp học máy sử dụng các bộ dữ liệu đã được gán nhãn để huấn luyện mô hình phân lớp. Mô hình này có thể xác định các văn bản chứa sự kiện tai nạn và trích xuất các thuộc tính như thời gian, địa điểm và số thương vong. Kỹ thuật NER được sử dụng để nhận dạng các thực thể như tên người, địa điểm và thời gian.

III. Thực nghiệm và đánh giá mô hình

Nghiên cứu tiến hành thực nghiệm trên các bản tin về tai nạn giao thông từ các báo điện tử uy tín. Mô hình được đánh giá dựa trên độ chính xác và khả năng trích xuất thông tin. Kết quả cho thấy mô hình kết hợp giữa tập luật và học máy đạt hiệu quả cao trong việc phát hiện và trích chọn sự kiện.

3.1. Xây dựng tập dữ liệu

Tập dữ liệu được thu thập từ các bản tin về tai nạn giao thông trong khoảng thời gian từ năm 2023 đến nay. Dữ liệu được tiền xử lý để loại bỏ thông tin không liên quan và chuẩn hóa định dạng. Tập dữ liệu được chia thành hai phần: huấn luyện và kiểm tra.

3.2. Đánh giá kết quả

Mô hình được đánh giá dựa trên các chỉ số như độ chính xác (precision), độ hồi tưởng (recall) và F1-score. Kết quả cho thấy mô hình đạt độ chính xác cao trong việc phát hiện sự kiện và trích xuất các thuộc tính như thời gian, địa điểm và số thương vong. Các lỗi chủ yếu liên quan đến việc nhận dạng thực thể trong các văn bản phức tạp.

IV. Giải pháp và ứng dụng thực tiễn

Nghiên cứu đề xuất các giải pháp an toàn giao thông dựa trên kết quả trích xuất thông tin từ các sự kiện tai nạn. Các giải pháp bao gồm việc xác định các điểm nóng tai nạn, thời gian có nguy cơ cao và đưa ra các biện pháp phòng ngừa. Kết quả nghiên cứu có thể được sử dụng để hỗ trợ các nhà quản lý trong việc giảm thiểu tai nạn giao thông.

4.1. Xác định điểm nóng tai nạn

Dựa trên thông tin trích xuất, nghiên cứu xác định các địa điểm thường xuyên xảy ra tai nạn. Các điểm nóng này được đánh dấu trên bản đồ để hỗ trợ việc đặt biển báo và tăng cường giám sát.

4.2. Giáo dục và nâng cao nhận thức

Nghiên cứu cũng đề xuất các chương trình giáo dục để nâng cao nhận thức của người dân về an toàn giao thông. Các thông tin về thời gian và địa điểm có nguy cơ cao được truyền tải đến người dân để họ có thể chủ động phòng tránh.

Nội dung chính

Phân Tích Chuyên Sâu: Trích Chọn Sự Kiện An Toàn Giao Thông Trong Văn Bản Tiếng Việt Bằng Mô Hình Lai (Hybrid AI)

Thông tin đề tài:

• Tên đề tài: Trích chọn sự kiện an toàn giao thông trong văn bản sử dụng ngôn ngữ Tiếng Việt
• Chủ nhiệm đề tài: ThS. Đào Ngọc Tú – Khoa Công nghệ Thông tin, Trường Đại học Hải Phòng (2024)
• Lĩnh vực nghiên cứu: Khai phá dữ liệu (Data Mining), Xử lý ngôn ngữ tự nhiên (NLP), Trích chọn sự kiện (Event Extraction)

---

1. Tóm tắt nghiên cứu (Executive Summary)

• Vấn đề nghiên cứu: Nghiên cứu tập trung giải quyết câu hỏi: Làm thế nào để tự động phát hiện và trích xuất chính xác các thuộc tính có cấu trúc của sự kiện tai nạn giao thông từ nguồn tin tức báo chí trực tuyến bằng tiếng Việt phi cấu trúc?
• Phương pháp tiếp cận: Tác giả đề xuất mô hình lai (Hybrid Approach) kết hợp hai giai đoạn (two-phase pipeline):
  1. Pha phát hiện sự kiện: Sử dụng luật cú pháp – từ vựng kết hợp mô hình học máy phân lớp xác suất Maximum Entropy (ME) dựa trên đặc trưng n-grams;
  2. Pha trích chọn sự kiện: Kết hợp biểu thức chính quy (Regular Expressions), nhận dạng thực thể tên riêng (NER) và hệ thống luật ngữ nghĩa chuyên miền (lexico-semantic rules) kết hợp từ điển phương tiện giao thông.
• Kết quả chính: Mô hình phân lớp Maximum Entropy đạt độ chính xác (Precision) 85%, độ hồi tưởng (Recall) 97% và $F_1$-score 91%. Trong khâu trích xuất thuộc tính sự kiện bộ 4 thành phần $\langle\text{Thời gian, Địa điểm, Số thương vong, Phương tiện gây tai nạn}\rangle$, khi dữ liệu được xử lý qua bộ phân lớp, hiệu năng đạt Precision 95%, Recall 97% và $F_1$-score 96%, vượt trội so với khi không qua phân lớp ($F_1$ đạt 88%).
• Ý nghĩa thực tiễn: Nghiên cứu mở ra giải pháp tự động hóa khai phá tri thức giao thông đường bộ từ Internet, tạo nền tảng cho việc trực quan hóa "điểm đen" tai nạn trên bản đồ số, cảnh báo thời gian thực và hỗ trợ các cơ quan chức năng ban hành chính sách bảo đảm trật tự an toàn giao thông.

---

2. Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng vấn đề an toàn giao thông

Tai nạn giao thông (TNGT) luôn là vấn đề nhức nhối mang tính toàn cầu và đặc biệt nghiêm trọng tại Việt Nam. Theo thống kê của Ủy ban An toàn giao thông Quốc gia, năm 2023 cả nước xảy ra 22.067 vụ tai nạn, làm chết 11.628 người và làm bị thương hàng chục nghìn người. Chỉ riêng quý I năm 2024, số người bị thương do TNGT đã tăng tới 54,3% so với cùng kỳ năm trước. Lượng thông tin về các vụ tai nạn được cập nhật liên tục từng giờ trên các báo điện tử uy tín như VOV Giao thông, Cổng thông tin An toàn giao thông. Tuy nhiên, nguồn dữ liệu này chủ yếu tồn tại dưới dạng văn bản phi cấu trúc (unstructured text), gây khó khăn lớn cho công tác thống kê, tổng hợp và phân tích dự báo nếu thực hiện thủ công.

       [ Bản tin báo điện tử (Văn bản phi cấu trúc) ]
   [ Bộ sự kiện E = <Thời gian, Địa điểm, Số thương vong, Phương tiện> ]
 [ Bản đồ cảnh báo điểm đen - Thống kê dự báo - Hỗ trợ ra quyết định ]

Khoảng trống nghiên cứu (Research Gap)

Mặc dù các chương trình quốc tế như MUC (Message Understanding Conference), TDT (Topic Detection and Tracking) và ACE (Automatic Content Extraction) đã đạt nhiều thành tựu nổi bật trong trích chọn sự kiện cho tiếng Anh, tiếng Trung và tiếng Ả Rập, việc áp dụng vào tiếng Việt vẫn gặp nhiều rào cản:

1. Tiếng Việt có đặc trưng ngữ pháp đa dạng, từ ghép phong phú, ranh giới từ phức tạp và cách diễn đạt thời gian tương đối đa dạng ("rạng sáng nay", "đúng giờ tan tầm", "chiều tối qua").
2. Các nghiên cứu trước đây tại Việt Nam thường tiếp cận đơn lẻ: hoặc chỉ dựa hoàn toàn vào luật (rule-based – tốn công xây dựng, độ bao phủ thấp) hoặc chỉ dùng học máy thuần túy (data-driven – đòi hỏi tập gán nhãn khổng lồ và khó xử lý các quan hệ ngữ nghĩa tinh vi).

Tính cấp thiết và tác động

Đề tài nghiên cứu của ThS. Đào Ngọc Tú xuất hiện đúng thời điểm chuyển đổi số quốc gia trong quản lý giao thông đô thị và phát triển hệ thống giao thông thông minh (ITS). Việc tự động hóa phát hiện và trích xuất sự kiện tai nạn giúp chuyển hóa "biển dữ liệu" tin tức trực tuyến thành tri thức có cấu trúc phục vụ giám sát, giảm thiểu tai nạn và bảo vệ tính mạng người dân.

---

3. Phương pháp tiếp cận và kiến trúc mô hình (Methodology & Architecture)

Mô hình nghiên cứu được xây dựng theo kiến trúc liên tầng gồm 4 thành phần chính: Thu thập dữ liệu $\rightarrow$ Tiền xử lý $\rightarrow$ Phát hiện sự kiện (Pha 1) $\rightarrow$ Trích chọn thuộc tính sự kiện (Pha 2).

+----------------------------------------------------------------------------------------------------+
|                                    QUY TRÌNH HỆ THỐNG 2 PHA                                        |
+----------------------------------------------------------------------------------------------------+
|                                                                                                    |
|  PHA 1: PHÁT HIỆN SỰ KIỆN                                                                          |
|  PHA 2: TRÍCH CHỌN THUỘC TÍNH SỰ KIỆN                                                              |
|              [ Đầu ra cấu trúc: E = <Thời gian, Địa điểm, Thương vong, Phương tiện> ]               |
+----------------------------------------------------------------------------------------------------+

3.1. Thu thập và tiền xử lý dữ liệu

• Thu thập: Sử dụng phần mềm chuyên dụng tải dữ liệu tự động từ hai nguồn tin tức giao thông hàng đầu: VOV Giao thông (vovgiaothong.vn) và Chuyên trang An toàn giao thông (antoangiaothong.vn).
• Tiền xử lý: Sử dụng thư viện JsoupParser bóc tách mã HTML, loại bỏ quảng cáo/nhiễu kỹ thuật để trích xuất văn bản thô (raw text), phân tách các trường: Tiêu đề, Tóm tắt, Ngày đăng tin, Nội dung chi tiết. Bộ ngữ liệu thực nghiệm thu được gồm 1.000 bản tin.

3.2. Pha 1: Phát hiện sự kiện vụ tai nạn (Event Detection)

Mục tiêu là xác định xem một bản tin bất kỳ có chứa sự kiện tai nạn giao thông hay không thông qua quy trình 2 bước:

1. Bộ lọc dữ liệu bằng tập luật:
   • Khảo sát cho thấy tiêu đề bản tin phản ánh trực tiếp nội dung chính. Tác giả xây dựng tập từ điển gồm 56 loại phương tiện giao thông (ô tô, xe máy, xe khách, xe tải, container, xe đầu kéo, xe ba gác, xích-lô, tàu hỏa,...).
   • Áp dụng 2 mẫu luật so khớp trên tiêu đề: $$\text{Mẫu 1} = \text{"Phương tiện giao thông"}$$ $$\text{Mẫu 2} = \text{"Động từ"} \ # \ \text{"Danh từ"} \quad (\text{VD: "tai nạn" # "thương tâm", "tai nạn" # "giao thông"})$$
2. Bộ phân lớp Maximum Entropy (ME):
   • Dữ liệu sau khi lọc được chuyển vào mô hình học máy Maximum Entropy. ME hoạt động dựa trên nguyên lý xác suất có điều kiện, tìm phân phối xác suất đều nhất thỏa mãn các ràng buộc thống kê từ tập huấn luyện mà không thêm giả định thiên lệch.
   • Không gian đặc trưng: Trích xuất các tổ hợp n-grams ($2\text{-grams}, 3\text{-grams}, 4\text{-grams}$) từ tiêu đề và tóm tắt bản tin. Mô hình gán nhãn nhị phân: EVENT (Chứa sự kiện tai nạn) hoặc NOT_EVENT (Không chứa sự kiện tai nạn).

3.3. Pha 2: Trích chọn thuộc tính sự kiện (Event Extraction)

Sự kiện tai nạn được chuẩn hóa thành bộ tứ thuộc tính: $$E = \langle \text{Thời gian, Địa điểm, Số thương vong, Phương tiện gây tai nạn} \rangle$$

                                  CẤU TRÚC SỰ KIỆN TAI NẠN (E)
   [Tuyệt đối /           [Thực thể              [Số tử vong /          [Loại phương
    Tương đối]             Địa danh]              Số bị thương]          tiện gây tai nạn]

• Trích chọn Thời gian:
  • Thời gian tuyệt đối: Biểu thức chính quy (Regex) nhận diện định dạng chuẩn DD/MM/YYYY hoặc DD/MM.
  • Thời gian tương đối: Kết hợp luật $\text{Thời gian} = \langle\text{Tiền tố}\rangle + \langle\text{Ngày tháng}\rangle$ (với tiền tố gồm: "rạng sáng", "nửa đêm", "giờ tan tầm", "chiều tối", "hôm qua").
• Trích chọn Địa điểm:
  • Sử dụng công cụ gán nhãn thực thể tiếng Việt (JvnTextPro / vn.tokenizer) gắn thẻ nhãn vị trí địa lý $\langle\text{loc}\rangle$.
  • Đối soát ngược với từ điển địa danh hành chính Việt Nam để chuẩn hóa tên đường, xã/phường, quận/huyện, tỉnh/thành phố.
• Trích chọn Số thương vong:
  • Áp dụng luật ngữ nghĩa: $\text{Số nạn nhân} = \langle\text{Số}\rangle + \langle\text{Hậu tố}\rangle$.
  • Tách biệt rõ ràng thành danh sách 2 trường: Số tử vong (hậu tố: "chết", "tử vong", "thiệt mạng", "chết tại chỗ") và Số bị thương (hậu tố: "bị thương", "thương nặng", "nhập viện", "cấp cứu").
• Trích chọn Phương tiện gây tai nạn:
  • Sử dụng mẫu kết hợp: $\text{Phương tiện gây tai nạn} = \langle\text{Danh từ phương tiện}\rangle + \langle\text{Động từ va chạm}\rangle$ (động từ gồm 25 hành động như "đâm nát đầu", "tông mạnh", "đấu đầu", "cuốn vào gầm", "lật ngửa").

---

4. Phát hiện chính và Đánh giá thực nghiệm (Key Findings & Performance)

4.1. Hiệu năng vượt trội của kiến trúc 2 pha

Thực nghiệm trên tập dữ liệu 1.000 bản tin đã chứng minh tính ưu việt của mô hình kết hợp so với việc xử lý đơn lẻ:

Thành phần thử nghiệm	Kích thước mẫu	Precision (%)	Recall (%)	$F_1$-score (%)
Bộ lọc luật ban đầu	1.000 bản tin	96.1%	–	Tỷ lệ lỗi: 3.9%
Bộ phân lớp Maximum Entropy	100 bản tin x 5 đợt	85.0%	97.0%	91.0%
Trích chọn (KHÔNG qua phân lớp)	200 bản tin	82.0%	95.0%	88.0%
Trích chọn (CÓ QUA phân lớp ME)	100 bản tin	95.0%	97.0%	96.0%

So sánh F1-Score giữa các phương pháp:

Nhận xét quan trọng: Khi bản tin được tiền lọc và phân loại chính xác qua bộ phân lớp Maximum Entropy trước khi bước vào pha trích chọn, $F_1$-score tăng vọt từ 88% lên 96% (độ chính xác tăng từ 82% lên 95%). Điều này chứng minh bộ phân lớp đóng vai trò là "màng lọc triệt tiêu nhiễu", ngăn chặn việc trích xuất sai lệch từ các văn bản không liên quan.

4.2. Các quy luật phát hiện từ dữ liệu thực tế

Sau khi trích chọn thành công các bộ sự kiện, hệ thống tiến hành tổng hợp và đưa ra các phát hiện đáng chú ý về tình hình giao thông:

1. Quy luật ngày nghỉ lễ: Trong giai đoạn cao điểm nghỉ lễ 30/4 – 1/5, số vụ tai nạn tăng đột biến, ghi nhận 191 vụ làm 109 người tử vong.
2. Quy luật chu kỳ tuần: Tai nạn giao thông có xu hướng gia tăng rõ rệt vào các ngày thứ Bảy và Chủ Nhật so với các ngày làm việc trong tuần.
3. Địa bàn trọng điểm: Trong số các địa phương khảo sát, TP. Hồ Chí Minh là đô thị có tần suất và số lượng vụ tai nạn giao thông cao nhất.
4. Phương tiện rủi ro cao: Xe máy và xe tải là hai loại phương tiện chiếm tỷ lệ gây tai nạn và chịu thiệt hại cao nhất, tiếp theo là xe khách, xe container và xe buýt.

       MỨC ĐỘ NGUY CƠ TAI NẠN THEO CÁC CHIỀU DỮ LIỆU
       

4.3. Phân tích lỗi (Error Analysis)

Nghiên cứu chỉ ra các nguyên nhân dẫn đến sai số của hệ thống:

• Lỗi địa danh viết tắt / thiếu ngữ cảnh: Khi bài báo chỉ nhắc tên đường mà không ghi kèm quận/huyện hay tỉnh/thành (ví dụ: "Quốc lộ 1A", "đường Nguyễn Huệ"), hệ thống NER không thể xác định vị trí chính xác và trả về giá trị Null.
• Nhầm lẫn vai trò thực thể (Agent vs. Victim): Trong câu "xe máy bị đâm, nạn nhân chết tại chỗ", luật so khớp đơn giản đã gán nhầm "xe máy" là phương tiện gây tai nạn thay vì là phương tiện bị hại.
• Định lượng mơ hồ: Những câu văn không chứa số từ cụ thể (ví dụ: "Nhiều nạn nhân được người dân đưa đi cấp cứu") khiến hệ thống trích xuất thương vong trả về Null do thiếu số từ đi kèm.

---

5. Đóng góp khoa học và Giá trị thực tiễn (Scientific Contributions)

                            ĐÓNG GÓP CỦA NGHIÊN CỨU

Đóng góp về mặt lý thuyết và phương pháp

• Chứng minh tính hiệu quả của mô hình lai: Khẳng định sự kết hợp giữa mô hình học máy thống kê Maximum Entropy và hệ luật ngữ nghĩa chuyên miền là giải pháp tối ưu cho bài toán trích chọn sự kiện tiếng Việt – ngôn ngữ vốn hạn chế về tài nguyên gán nhãn lớn so với tiếng Anh.
• Chuẩn hóa bộ tri thức chuyên miền: Xây dựng thành công bộ từ điển chuẩn hóa gồm 56 loại phương tiện giao thông và hệ thống các luật quan hệ ngữ nghĩa hành động va chạm đặc thù trong tiếng Việt.
• Đề xuất quy trình phân tách 2 pha: Thiết kế đường ống giải thuật giúp giảm tải tính toán cho bộ trích chọn sâu bằng cách loại bỏ triệt để các văn bản nhiễu ngay từ pha phân lớp ban đầu.

Giá trị thực tiễn và chính sách

• Giám sát giao thông thông minh: Cung cấp công cụ tự động quét tin tức báo chí 24/7 để cập nhật cơ sở dữ liệu tai nạn theo thời gian thực mà không cần sự can thiệp thủ công.
• Cơ sở dữ liệu hỗ trợ ra quyết định: Giúp các cơ quan quản lý nhà nước (Ủy ban An toàn giao thông Quốc gia, Cục Đường bộ Việt Nam) phát hiện các cung đường có nguy cơ cao để lắp đặt biển báo, điều chỉnh đèn tín hiệu hoặc cải tạo hạ tầng.
• Học liệu giảng dạy đại học: Toàn bộ cơ sở lý thuyết, mã nguồn và quy trình thực nghiệm được ứng dụng trực tiếp vào giảng dạy các học phần chuyên ngành như Trí tuệ nhân tạo (AI), Khai phá dữ liệu (Data Mining) và Học sâu (Deep Learning) tại Khoa Công nghệ Thông tin – Trường Đại học Hải Phòng.

---

6. Đối tượng quan tâm và Giá trị mang lại (Target Audience)

|         ĐỐI TƯỢNG                 |                      LỢI ÍCH CỤ THỂ                           |
| 1. Nhà nghiên cứu AI & NLP        | • Kế thừa bộ luật ngữ nghĩa và từ điển 56 phương tiện giao    |
|                                   |   thông tiếng Việt.                                           |
|                                   | • Tham khảo kiến trúc lai ME + Rule-based cho các miền        |
|                                   |   dữ liệu hẹp khác (y tế, dịch bệnh, tài chính).              |
| 2. Cơ quan Quản lý & CSGT         | • Tự động hóa báo cáo thống kê tình hình TNGT định kỳ.        |
|                                   | • Xác định chính xác các "điểm đen", khung giờ nguy hiểm      |
|                                   |   để bố trí lực lượng tuần tra và xử lý hạ tầng.             |
| 3. Doanh nghiệp Công nghệ & ITS   | • Tích hợp module phân tích sự kiện vào các ứng dụng bản đồ,  |
|                                   |   dẫn đường (navigation apps) nhằm cảnh báo nguy hiểm sớm.    |
| 4. Người tham gia giao thông      | • Nâng cao nhận thức phòng tránh rủi ro khi lưu thông qua     |
|                                   |   các tuyến đường trọng điểm vào dịp lễ tết, cuối tuần.       |

---

7. Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của nghiên cứu này là gì?

Trả lời: Phát hiện quan trọng nhất là vai trò quyết định của bộ phân lớp Maximum Entropy trong kiến trúc 2 pha. Khi dữ liệu được phân lớp đúng trước khi trích chọn, $F_1$-score tăng từ 88% lên 96%, chứng minh rằng việc kết hợp học máy lọc nhiễu với luật ngữ nghĩa trích xuất là chìa khóa giải quyết bài toán NLP tiếng Việt.

2. Phương pháp tiếp cận lai (Hybrid Approach) có điểm gì vượt trội so với Rule-based hoặc Machine Learning đơn lẻ?

Trả lời: Phương pháp luật thuần túy đòi hỏi chuyên gia xây dựng kỳ công và độ bao phủ kém; học máy đơn lẻ lại đòi hỏi tập dữ liệu gán nhãn khổng lồ và dễ sai lệch ở các ngữ cảnh thời gian tương đối. Mô hình lai kết hợp sức mạnh phân loại xác suất tổng quát của Maximum Entropy với độ chính xác cao của Luật ngữ nghĩa, tạo nên sự cân bằng hoàn hảo giữa Precision (95%) và Recall (97%).

3. Kết quả của mô hình có thể tổng quát hóa (generalize) cho các lĩnh vực khác không?

Trả lời: Hoàn toàn có thể. Khung kiến trúc 2 pha này có thể áp dụng trực tiếp cho các miền sự kiện khác trong văn bản tiếng Việt như: theo dõi dịch bệnh y tế, biến động thị trường tài chính – chứng khoán, tin tức thiên tai bão lũ, hoặc sự kiện pháp luật tội phạm chỉ bằng cách thay thế bộ từ điển thực thể và tập luật hành động tương ứng.

4. Những hạn chế hiện tại và hướng phát triển tiếp theo là gì?

Trả lời: Hạn chế hiện tại nằm ở việc trích xuất địa danh thiếu cấp hành chính và sự nhầm lẫn giữa chủ thể gây tai nạn với phương tiện bị hại. Hướng phát triển tiếp theo bao gồm: ứng dụng các mô hình học sâu ngôn ngữ tiên tiến (PhoBERT, Transformers), mở rộng cấu trúc sự kiện để trích chọn thêm độ tuổi tài xế, nguyên nhân tai nạn, điều kiện địa hình, và trực quan hóa tự động lên bản đồ GIS trực tuyến.

5. Ứng dụng thực tế gần nhất của hệ thống này là gì?

Trả lời: Hệ thống có thể triển khai thành một Bot quét tin tức tự động (News Crawler & Analyzer) tích hợp vào cổng thông tin của Ban An toàn Giao thông các tỉnh/thành phố, tự động trích xuất và hiển thị biểu đồ phân tích thời gian thực về các vụ tai nạn trên địa bàn mà không cần nhân sự nhập liệu thủ công.

---

8. Kết luận (Conclusion)

Báo cáo nghiên cứu khoa học của ThS. Đào Ngọc Tú (Trường Đại học Hải Phòng) đã giải quyết trọn vẹn bài toán trích chọn sự kiện an toàn giao thông trong văn bản tin tức tiếng Việt. Bằng cách tiếp cận khoa học thông qua kiến trúc lai 2 pha, kết hợp tối ưu giữa luật ngữ nghĩa và mô hình phân lớp Maximum Entropy, đề tài đã đạt được độ chính xác xuất sắc ($F_1 = 96%$).

Nghiên cứu không chỉ đóng góp quan trọng về mặt học thuật cho cộng đồng xử lý ngôn ngữ tự nhiên tiếng Việt mà còn mang lại giá trị ứng dụng thực tiễn to lớn trong kỷ nguyên xây dựng đô thị thông minh. Việc tiếp tục đầu tư mở rộng mô hình này với các công nghệ học sâu và bản đồ số hứa hẹn sẽ mang lại bước đột phá cho công tác giám sát và giảm thiểu tai nạn giao thông tại Việt Nam trong tương lai.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN NGHIÊN CỨU Trong chương này, đề tài tập trung giải quyết các vấn đề sau: tổng quan về tình hình nghiên cứu; giới thiệu bài toán trích chọn thông tin; tổng quan về sự kiện; trích chọn sự kiện trong văn bản tin tức tiếng Việt (tin tức được đề cập là vụ tai nạn); ý nghĩa khoa học và ý nghĩa thực tiễn của bài toán trích chọn sự kiện vụ tai nạn. Bài toán trích chọn thông tin trong văn bản Theo Douglas E. Appelt, trích chọn thông tin (Information Extraction- IE) có thể được coi nằm giữa thu hồi thông tin (Information Retrieval - IR) và hiểu văn bản (Text Understanding - UT) [2].

Không giống như thu hồi thông tin chỉ tập trung vào các mẫu thông tin có liên quan trong văn bản mà không chú trọng đến việc hiểu văn bản; trích chọn thông tin còn quan tâm tới các sự kiện có liên quan trong văn bản và biểu diễn chúng dưới dạng các khuôn mẫu thông tin có liên quan trong văn bản và biểu diễn chúng dưới dạng khuôn mẫu. Khác với hiểu văn bản chỉ tập trung trên một phần nhỏ của văn bản (câu, đoạn), trích chọn thông tin quan tâm tới toàn bộ nội dung văn bản. Theo Peshkin và Pfeffer [11], trích chọn thông tin có thể được định nghĩa: như là một công việc điền thông tin vào các mẫu từ các dữ liệu chưa biết trước trong miền được định nghĩa trước. Mục tiêu của trích chọn thông tin là lấy từ văn bản các thông tin nổi bật của các sự kiện, thực thể, các mối liên hệ.

Như vậy, có thể coi trích xuất thông tin là một kỹ nghệ lấy và biểu diễn tri thức thành các thông tin có định dạng và hữu ích từ nguồn dữ liệu lớn trên Internet. Bài toán trích chọn thông tin trong văn bản có thể được phát biểu như sau: - Đầu vào: dữ liệu văn bản bất kỳ - Đầu ra: thông tin hữu ích dưới dạng có cấu trúc. Tổng quan về sự kiện Trích chọn sự kiện với vai trò trích chọn ra các thông tin có ý nghĩa từ tập dữ liệu lớn và được cộng đồng khoa học rất quan tâm và đầu tư nghiên cứu. Năm 1987, Message Understanding Conferences (MUC) được tổ chức với sự hỗ trợ của Quỹ nghiên cứu Bộ quốc phòng Hoa Kỳ7 và lần đầu tiên khái niệm event (sự kiện) được đề cập.

Sau đó, rất nhiều hội nghị được tổ chức tạo thành dãy hội nghị MUC. Với mỗi hội 2 nghị, thông tin được quan tâm khác nhau nhưng đều có đặc điểm chung là chúng được trích xuất từ dữ liệu nói về khủng hoảng (crisis). Các chủ đề trong dữ liệu thường là tội phạm, khủng bố, đánh bom… một trong những đóng góp lớn của MUC là đưa ra việc trích chọn thông tin dựa trên mẫu (scenariotemplate). Các mẫu được ban tổ chức quy định và các đội tham gia cần điền thông tin vào các mẫu này một các tự động.

Cuối cùng, các sự kiện được trích chọn gồm các thông tin: tổ chức, đối tượng tham gia (người, sự vật, sự việc), thời gian, địa điểm, số lượng…Độ chính xác (precision) và hồi tưởng (recall) của các nghiên cứu tham dự MUC nằm trong khoảng 50% đến 60% [5]. Chương trình Phát hiện và theo dõi chủ đề (Topic Detection and Tracking, TDT) được tổ chức từ năm 1997 thu hút nhiều nhóm nghiên cứu từ các trường đại học tham gia. Chương trình này được phối hợp bởi Viện Công nghệ và Chuẩn hoá quốc gia Hoa Kỳ (NIST) và DAPRA nhằm giải quyết bài toán phát hiện, theo dõi và xâu chuỗi sự kiện. Một số nhóm nghiên cứu tham gia chương trình như sau: nhóm CMU của đại học Carnegie Mellon, nhóm BBN từ công ty BBN Technologies, nhóm DRAGON của công ty Dragon, nhóm UPENN của trường đại học Pennsylvania (UPENN).

Các bài toán quan trọng của TDT gồm: Story Segmentation, Topic Tracking, Topic Detection, First Story Detection, và Link Detection. Chương trình Trích chọn nội dung tự động (Automatic Content Extraction, ACE) của đại học Pennsylvania cũng thu hút được nhiều quan tâm từ các cộng đồng nghiên cứu và trích chọn thông tin cũng như trích chọn sự kiện. Chương trình này tập trung vào các ngôn ngữ như tiếng Anh, Trung Quốc và Ả rập. Các thông tin được trích chọn gồm các thực thể, quan hệ giữa các thực thể, và các sự kiện chúng tham gia vào.

Như vậy, có thể thấy rằng trích chọn thông tin nói chung và trích chọn sự kiện nói riêng là một vấn đề quan trọng và thời đại, nhận được rất nhiều quan tâm từ cộng đồng khoa học. Trong phần tiếp theo đề tài sẽ làm sáng tỏ định nghĩa sự kiện [1.1] và trích chọn sự kiện [1. Định nghĩa sự kiện Trích chọn sự kiện lần đầu tiên được giới thiệu như một chủ đề quan trọng trong Message Understanding Conference (MUC) năm 1987 [21]. Trong MUC, một sự kiện được định nghĩa như sau: “một sự kiện có tác nhân (actor), thời gian (time), địa điểm (place) và tác động tới môi trường xung quanh”.

Trong chương trình ACE, Dodington Deorge R và cộng sự đưa ra định nghĩa sự kiện như sau: “một sự kiện là một hành động được tạo bởi những người tham gia”[22]. ACE chia sự kiện thành 8 loại khác nhau: LIFE (sự sống - chết), MOVEMENT (sự di chuyển), TRANSACTION (giao dịch), BUSINESS (kinh tế), CONFLICT (xung đột), CONTACT (giao thiệp), PERSONNEL (nhận - đổi việc), JUSTICE (pháp lý). Mỗi dạng sự kiện lại phân biệt từng dạng con. Ví dụ, LIFE có các dạng con như BE-BORN (chào đời), INJURE (bị thương), DIE (chết), hay PERSONAL có START-POSITION (vị trí khi nhận việc), END-POSITION (vị trí khi thôi việc), NOMINATE (bổ nhiệm), ELECT (bầu chọn),.

Có thể thấy rằng các nghiên cứu liệt kê ở trên đều đồng ý rằng sự kiện có thể coi như một mẫu (template) gồm nhiều các thuộc tính (elements). Quá trình trích chọn sự kiện quan tâm tới việc làm thế nào có thể điền các thông tin phù hợp từ các văn bản gốc tương ứng từng thuộc tính. Trích chọn sự kiện Trích chọn sự kiện và trích chọn thông tin có điểm gì chung? Có thể nói rằng trích chọn sự kiện là một lĩnh vực con của trích chọn thông tin. Nếu như trích chọn thông tin chỉ quan tâm các dữ liệu rời rạc (tên người, địa điểm, các con số,…) thì trích chọn sự kiện quan tâm nhiều hơn tới tính cấu trúc và mức độ liên quan của thông tin trong một sự kiện.

Từ đó, người đọc có thể dễ ràng suy luận ra các thông tin có ý nghĩa. Ví dụ, “ngay sáng ngày 30/4, trên đường Xuân Thuỷ, thủ đô Hà Nội đã xảy ra vụ tai nạn nghiêm trong làm 2 người trên xe máy bị thương nặng. Nguyên nhân bước đầu được cho là do tài xế tắc-xi đã tăng tốc khi nhận điểm nên đã xô thẳng vào xe máy đi cùng chiều.” Trong ví dụ này, trích chọn thông tin đưa ra các kết quả rời rạc như: 30/4, Hà Nội, 2 hoặc tắc xi; trong khi đó trích chọn sự kiện thì quan tâm tới một bộ các 4 thuộc tính biểu diễn cho sự kiện gồm {30/4, Hà Nội, 2 người bị thương, tắc-xi}. Rõ ràng, với tập dữ liệu trên, thông tin là hữu ích và đầy đủ hơn các thông tin rời rạc.

Một cách tổng quát, có thể coi trích chọn sự kiện trong văn bản nhận đầu vào là các văn bản phi cấu trúc và đầu ra là tri thức được biểu diễn dưới dạng thông tin có cấu trúc. Những thông tin này rất hữu ích cho việc khai thác dữ liệu như: thống kê, hệ thống giám sát, các hệ thống hỗ trợ ra quyết định. Trích chọn sự kiện có thể áp dụng cho một miền dữ liệu cụ thể như vụ tai nạn giao thông, thông tin các tour du lịch, bệnh dịch,… đồng thời đưa ra các thông tin xung quanh sự kiện đó thường bao gồm: Thời gian, địa điểm, số lượng, … Theo Grishman và cộng sự, trích chọn sự kiện là một bài toán khó do vấn đề xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) và đặc trưng dữ liệu [21]. Dễ ràng nhận thấy trích chọn sự kiện phụ thuộc nhiều vào NLP, cụ thể là bài toán nhận dạng thực thể (Named Entity Recognition - NER).

Bên cạnh đó, dữ liệu đầu vào của trích chọn sự kiện rất đa dạng nên sẽ ảnh hưởng tới tính hiệu quả của quá trình trích chọn. Trích chọn sự kiện trong văn bản tin tức tiếng việt 1. Bài toán trích chọn sự kiện vụ tai nạn Trích chọn thông tin (Information Extraction - IE), đặc biệt là trích chọn sự kiện (Event Extraction - EE) là một lĩnh vực con trong khai phá dữ liệu (Data Mining - DM). Những năm gần đây, trích chọn sự kiện đã thu hút nhiều sự quan tâm từ các nhà khoa học.

Nó là bước đi tốt cho việc khai thác tri thức trên văn bản. Trích chọn thông tin về sự kiện vụ tai nạn như: thời gian(giờ trong ngày), thời gian (dd/mm/yyyy), thứ/tuần, tháng/năm, địa điểm xảy ra vụ tai nạn, số thương vong, phương tiện tham gia trong vụ tai nạn, phương tiện gây tai nạn, độ tuổi của người điều khiển phương tiện gây tai nạn, ngành nghề, địa hình gây tai nạn, nguyên nhân gây tai nạn. Kết quả của quá trình trích chọn được làm đầu vào cho hệ thống khai thác như thống kê và trực quan hoá trên bản đồ Việt Nam những địa điểm nóng hay xảy ra tai nạn, thời gian nào trong ngày có nguy cơ xảy ra tai nạn nhiều hơn, tháng nào hay mùa nào trong năm có nguy cơ tai nạn giao thông nhiều hơn, độ tuổi có nguy cơ xảy ra tai nạn… Những điều đó giúp ích cho các nhà quản lý có biệt pháp giúp khắc phục để 5 giảm thiểu số vụ tai nạn, đặt bảng biển báo hiệu nơi có nguy cơ tai nạn cao, có biệm pháp giáo dục người dân khi tham gia giao thông. Mặt khác, giúp người dân biết cách tự phòng tránh không để mình là mạn nhân đáng tiếc trong các vụ tai nạn.

Bài toán trích chọn sự kiện vụ tai nạn được phát biểu như sau: Đầu vào: bản tin bất kỳ trên báo điện tử Đầu ra: trích chọn những thông tin của sự kiện vụ tai nạn (nếu có). Bài toán trích chọn sự kiện vụ tai nạn được chia thành hai bài toán. Bài toán thứ nhất, phát hiện sự kiện vụ tai nạn, đầu vào là bản tin bất kỳ trên báo điện tử, bài toán phải chỉ ra đâu là sự kiện vụ tai nạn.