Bối cảnh và vấn đề nghiên cứu

Tra cứu kiến thức pháp luật là một dạng truy vấn thông tin chuyên biệt áp dụng trên hệ thống văn bản quy phạm pháp luật. Trong bối cảnh hàng trăm bộ luật, luật và văn bản dưới luật liên tục được ban hành, sửa đổi, bổ sung hàng năm, độ chính xác của việc tra cứu đóng vai trò quyết định nhằm cung cấp các quy định mới nhất và có hiệu lực thi hành. Tác giả khóa luận chỉ ra ba khó khăn cốt lõi trong công tác xử lý tra cứu văn bản pháp luật:

  • Tính đa nghĩa và phụ thuộc lĩnh vực: Nhiều thuật ngữ hoặc cụm từ mang tính đa nghĩa, được định nghĩa và giải thích riêng biệt theo từng văn bản quy định thuộc từng lĩnh vực cụ thể.
  • Tính phân tầng và chồng chéo văn bản: Một vấn đề pháp lý thường được quy định trong luật gốc, đồng thời được hướng dẫn chi tiết bởi hàng loạt nghị định từ Chính phủ và thông tư từ các bộ chuyên ngành. Để đưa ra đáp án chính xác, hệ thống phải xác định rõ ngữ cảnh và ý định của câu hỏi để định vị đúng lĩnh vực và tầng văn bản áp dụng.
  • Sự biến động pháp lý theo thời gian: Các văn bản sửa đổi, bổ sung hoặc bãi bỏ làm thay đổi ngữ cảnh áp dụng, đòi hỏi quá trình tra cứu phải kết hợp điều khoản cũ với quy định mới để phản ánh đúng hiện trạng pháp luật.

Khóa luận phân tích ba phương pháp tra cứu kiến thức luật hiện hành gồm:

  • Tìm kiếm Boolean (Boolean Search): Kết hợp từ khóa qua các toán tử logic (AND, OR, NOT). Cách tiếp cận này bộc lộ nhược điểm lớn khi không thể nhận diện và xử lý các mối quan hệ mang bản chất thuật ngữ pháp lý.
  • Phân loại thủ công (Manual Classification): Xây dựng bản thể luận (ontology) do chuyên gia pháp lý thiết kế để liên kết văn bản theo loại hình, giá trị và chủ đề (được ứng dụng trong các hệ thống thương mại như Westlaw, LexisNexis). Phương pháp này đòi hỏi chuyên gia trình độ cao, tiêu tốn thời gian và khó thích ứng khi khối lượng văn bản gia tăng nhanh.
  • Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP): Tự động hóa quá trình phân loại văn bản và câu truy vấn. Mặc dù là hướng đi giàu tiềm năng nhằm thay thế phân loại thủ công, các hệ thống NLP trong lĩnh vực pháp lý đã thử nghiệm vẫn còn báo cáo kết quả hạn chế và độ chính xác chưa cao.

Nhằm giải quyết các hạn chế trên, khóa luận tập trung nghiên cứu giải pháp biểu diễn và tra cứu tri thức dựa trên Đồ thị khái niệm (Conceptual Graph) trong một phạm vi cụ thể.

  • Mục tiêu nghiên cứu của đề tài:
    1. Tìm hiểu cấu trúc tổ chức các điều, khoản trong văn bản luật lao động nói chung và văn bản quy định về bảo hiểm thất nghiệp nói riêng.
    2. Nghiên cứu giải pháp tổ chức biểu diễn và hỗ trợ tra cứu kiến thức các điều, khoản liên quan đến bảo hiểm thất nghiệp.
    3. Thiết kế hệ thống tra cứu kiến thức về luật lao động hỗ trợ tra cứu một số thủ tục về bảo hiểm thất nghiệp.
  • Đối tượng và phạm vi nghiên cứu: Giới hạn trong việc biểu diễn tri thức và tra cứu quy định pháp luật lao động về chính sách bảo hiểm thất nghiệp tại Việt Nam, dựa trên Luật Việc làm năm 2013 và các văn bản quy định chi tiết, hướng dẫn thi hành hiện hành tính đến năm 2021-2022.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng giải pháp dựa trên các lý thuyết và kỹ thuật nền tảng:

  • Đồ thị khái niệm (Conceptual Graph): Mô hình hình thức biểu diễn tri thức, trong đó các đỉnh (nodes) biểu thị các từ khóa khái niệm đã được lọc và phân loại; các cạnh (edges) biểu thị mối quan hệ liên kết giữa các từ khóa kề cận theo chiều đọc từ trái sang phải của câu.
  • Lý thuyết so khớp đồ thị (Graph Matching): Đánh giá độ tương đồng giữa hai đồ thị $G_1$ (đồ thị câu truy vấn) và $G_2$ (đồ thị văn bản luật) thông qua đồ thị tương đồng $G_c$ (tập hợp các đỉnh và cạnh cùng xuất hiện trong cả hai đồ thị).
  • Xử lý ngôn ngữ tự nhiên tiếng Việt: Ứng dụng thư viện underthesea để bóc tách từ và gán nhãn từ loại (Part-of-Speech tags), phục vụ việc trích xuất danh từ và động từ.

Phương pháp nghiên cứu thực tế:

  • Phương pháp phân tích - tổng hợp văn bản pháp luật: Chuẩn hóa cấu trúc phân cấp pháp lý thành các tầng dữ liệu logic.
  • Phương pháp mô hình hóa dữ liệu: Thiết kế cấu trúc lưu trữ phi quan hệ dạng JavaScript Object Notation (JSON) để biểu diễn điều khoản luật.
  • Phương pháp thực nghiệm: Xây dựng tập câu truy vấn thử nghiệm (93 câu), tiến hành so khớp đồ thị theo công thức gốc, xác định các điểm nghẽn thuật toán, đề xuất giải pháp cải tiến phân tầng ngữ nghĩa và kiểm chứng kết quả xếp hạng.

Nguồn dữ liệu nghiên cứu:

  • Văn bản quy phạm pháp luật: Thu thập từ cơ sở dữ liệu Thư viện Pháp luật, bao gồm:
    • Luật Việc làm năm 2013 (Luật số 38/2013/QH13), trọng tâm là Chương VI về Bảo hiểm thất nghiệp (gồm 5 mục, Điều 41 đến Điều 58).
    • Nghị định số 28/2015/NĐ-CP quy định chi tiết thi hành một số điều của Luật Việc làm về bảo hiểm thất nghiệp.
    • Thông tư số 28/2015/TT-BLĐTBXH hướng dẫn thực hiện Điều 52 Luật Việc làm và một số điều của Nghị định số 28/2015/NĐ-CP.
    • Nghị định số 61/2020/NĐ-CP sửa đổi, bổ sung một số điều của Nghị định số 28/2015/NĐ-CP.
    • Quyết định số 77/2014/QĐ-TTg quy định mức hỗ trợ học nghề đối với người lao động tham gia bảo hiểm thất nghiệp.
    • Quyết định số 28/2021/QĐ-TTg và Công văn số 3535/LĐTBXH-VL về chính sách hỗ trợ người lao động, người sử dụng lao động bị ảnh hưởng bởi đại dịch COVID-19 từ Quỹ Bảo hiểm thất nghiệp.
  • Tập câu hỏi truy vấn: 93 câu hỏi thu thập từ tài liệu "Giải đáp 30 thắc mắc về trợ cấp thất nghiệp" của Thư viện Pháp luật, chuyên mục Hỏi - Đáp của Cổng thông tin Bảo hiểm xã hội Chính phủ, cùng các biến thể đảo ngữ, đảo ý. Dữ liệu phân loại theo 6 nhóm nội dung: Bảo hiểm thất nghiệp; Trợ cấp thất nghiệp; Hỗ trợ học nghề; Hỗ trợ duy trì việc làm; Tư vấn, giới thiệu việc làm; Hỗ trợ do ảnh hưởng của COVID-19.

Thiết kế và triển khai hệ thống

Hệ thống lựa chọn định dạng JSON để tổ chức dữ liệu thay vì hệ quản trị cơ sở dữ liệu quan hệ, nhằm đảm bảo tính linh hoạt khi thử nghiệm thuật toán, tối ưu khả năng tái sử dụng và phù hợp với đặc thù công khai của văn bản luật. Dữ liệu được bóc tách và phân cấp thành bốn thực thể chính:

Thực thể Thuộc tính Kiểu dữ liệu Vai trò kỹ thuật
Law code, title String Lưu trữ mã định danh và tên văn bản luật gốc.
Article id, title, keyphrase, lookUpId String Biểu diễn Điều luật, lưu tiêu đề, cụm từ khóa chính và liên kết tới bảng LookUp.
Rule id, lookUpId, keyphrase, content, references String, Array<String> Biểu diễn Khoản luật, lưu toàn bộ nội dung quy định, cụm từ khóa và mảng mã tham chiếu tới Rule hoặc LookUp khác.
LookUp id, laws, article, rules, references, lastest String, Array<String>, Int Đóng vai trò cầu nối liên kết các tầng dữ liệu; tập hợp mã các văn bản sửa đổi, danh sách Khoản luật thuộc Điều, các liên kết chéo và năm ban hành/sửa đổi gần nhất (lastest).

Quy trình xử lý truy vấn và so khớp tri thức diễn ra qua các bước:

  1. Tiền xử lý văn bản: Chuẩn hóa câu hỏi người dùng bằng bảng tra 25 nhóm từ đồng nghĩa (ví dụ: chuyển "xin", "yêu cầu" thành "đề nghị"; "nhận" thành "hưởng"; "ngừng", "ngưng" thành "tạm dừng"; "kết thúc" thành "chấm dứt").
  2. Phân tích hình thái: Thư viện underthesea bóc tách từ và gán nhãn từ loại, trích chọn các danh từ và động từ.
  3. Gom cụm khái niệm: Nhận diện và gộp các từ đơn lẻ thành cụm từ pháp lý chuyên ngành dựa trên danh mục 8 khái niệm chính (CONCEPT_MAIN) và 32 khái niệm phụ (CONCEPT_SIDE).
  4. Xác lập quan hệ ngữ nghĩa phân tầng: Tách câu hỏi thành hai vùng TARGET (mục tiêu chính) và THEME (ngữ cảnh phụ) thông qua các từ tín hiệu ngữ cảnh ("để được", "khi", "có được", "do").
  5. So khớp và chấm điểm: Tính toán độ tương đồng khái niệm ($S_c$) và độ tương đồng quan hệ ($S_r$) có tích hợp hệ số trọng số, cộng thêm điểm ưu tiên định dạng Điều luật ($c = 0.05$) và mức độ cập nhật thời gian ($d$).

Nội dung chính theo từng chương

Chương 1. Tổ chức kiến thức luật về bảo hiểm thất nghiệp

Chương này tập trung chuẩn hóa cơ sở tri thức pháp luật lao động về bảo hiểm thất nghiệp từ dạng văn bản tự nhiên sang cấu trúc dữ liệu có thể xử lý máy tính. Tác giả phân tích cấu trúc thứ bậc của hệ thống văn bản pháp luật Việt Nam: Chương quy định mảng nội dung lớn; Mục phân rã các mảng nhỏ; Điều quy định chi tiết nội dung xoay quanh mục; Khoản phân loại các ý cụ thể trong điều để tiện dẫn chiếu.

Tác giả hệ thống hóa toàn bộ Chương VI của Luật Việc làm năm 2013 và các văn bản sửa đổi, hướng dẫn thi hành liên quan (Nghị định 28/2015/NĐ-CP, Thông tư 28/2015/TT-BLĐTBXH, Nghị định 61/2020/NĐ-CP, Quyết định 77/2014/QĐ-TTg, Quyết định 28/2021/QĐ-TTg, Công văn 3535/LĐTBXH-VL). Từ đó, dữ liệu được mô hình hóa thành sơ đồ 4 thực thể (Law, Article, Rule, LookUp). Trong đó, thực thể LookUp đóng vai trò trọng tâm trong việc xử lý mối quan hệ đa tầng giữa điều khoản luật gốc với các văn bản sửa đổi, bổ sung và bãi bỏ qua các thời kỳ.

Chương 2. Phương pháp tra cứu kiến thức luật về bảo hiểm thất nghiệp

Chương 2 trình bày chi tiết thuật ngữ, mô hình toán học và quá trình thực nghiệm phương pháp so khớp đồ thị khái niệm.

1. Phương pháp gốc: Độ tương đồng $S$ giữa đồ thị câu truy vấn $G_1$ và đồ thị dữ liệu luật $G_2$ được xác định dựa trên đồ thị tương đồng $G_c$:

  • Tương đồng khái niệm ($S_c$): $$S_c = \frac{2n(G_c)}{n(G_1) + n(G_2)}$$ Trong đó $n(G_c), n(G_1), n(G_2)$ lần lượt là tổng số đỉnh của $G_c, G_1, G_2$.
  • Tương đồng quan hệ ($S_r$): $$S_r = \frac{m(G_c)}{m_{Gc}(G_1) + m_{Gc}(G_2)}$$ Trong đó $m(G_c)$ là tổng số cạnh của $G_c$; $m_{Gc}(G_1), m_{Gc}(G_2)$ là số cạnh liên kết với các đỉnh xuất hiện trong $G_c$ trên $G_1$ và $G_2$.
  • Hệ số phụ ($a$): $$a = \frac{2n(G_c)}{2n(G_c) + m_{Gc}(G_1) + m_{Gc}(G_2)}$$
  • Độ tương đồng tổng quát ($S$): $$S = S_c \times (a + b \times S_r) \quad \text{với } b = 1 - a$$

Kiểm thử phương pháp gốc trên Câu số 18 ("Thời gian hưởng hỗ trợ học nghề được quy định thế nào ?") cho thấy hệ thống trả về kết quả xếp hạng 1 là Điều 56 (rule/114) do toàn bộ đỉnh đều khớp với câu hỏi.

2. Hai hạn chế của phương pháp gốc:

  • Không phân biệt tầm quan trọng giữa các từ khóa: Mọi đỉnh đều có trọng số ngang nhau. Trong các câu dài, sự xuất hiện của nhiều từ khóa phụ làm tăng điểm $S_c$, lấn át các kết quả chứa từ khóa trọng tâm.
  • Quan hệ giữa các từ khóa thuần túy ngang cấp: Các cạnh chỉ nối hai từ gần kề mà không phân định vai trò chính - phụ. Ví dụ, với câu "Tôi đang tham gia bảo hiểm thất nghiệp có được hưởng trợ cấp thất nghiệp không?", hệ số quan hệ giữa [tham gia] -> [bảo hiểm thất nghiệp] bị đánh đồng với [hưởng] -> [trợ cấp thất nghiệp].

3. Phương pháp cải tiến: Tác giả tái cấu trúc đồ thị với việc phân chia ranh giới giữa hai miền: TARGET (nội dung trọng tâm cần hỏi) và THEME (ngữ cảnh phụ, điều kiện bổ trợ), đồng thời xác lập 9 dạng quan hệ ngữ nghĩa:

Tên quan hệ Vị trí từ Bản chất và mục đích
TRIGGER Noun $\rightarrow$ Verb Tác nhân chính thực hiện chuỗi hành động trong câu.
TRIGGER_NOT Noun $\rightarrow$ Verb Tác nhân trong ngữ cảnh phủ định (không thực hiện hành vi).
TARGET_ACTION Verb $\rightarrow$ Verb Hai động từ liền nhau nằm trong phần TARGET.
THEME_ACTION Verb $\rightarrow$ Verb Hai động từ liền nhau nằm trong phần THEME.
INTENT Verb $\rightarrow$ Noun Động từ chính hướng tới danh từ trọng điểm trong phần TARGET.
INTENT_EXTRA Verb $\rightarrow$ Noun Động từ chính hướng tới chuỗi danh từ đứng sau danh từ kề cận.
SITUATION Verb $\rightarrow$ Noun Động từ hướng tới danh từ thuộc phần ngữ cảnh phụ THEME.
TARGET_EVENT Noun $\rightarrow$ Noun Liên kết giữa các danh từ kề nhau trong phần TARGET.
THEME_EVENT Noun $\rightarrow$ Noun Liên kết giữa các danh từ kề nhau trong phần THEME.

Hệ thống trọng số được thiết lập nhằm phân hóa thứ tự ưu tiên:

  • Đỉnh khái niệm chính (CONCEPT_MAIN): trọng số bằng 3.
  • Đỉnh khái niệm phụ (CONCEPT_SIDE): trọng số bằng 1.
  • Cạnh: TRIGGER (0.25), TRIGGER_NOT (0.25), TARGET_EVENT (0.75), TARGET_ACTION (0.75), INTENT_EXTRA (0.4), THEME_ACTION (-0.5), THEME_EVENT (-0.75).
  • Các đỉnh khái niệm nằm trong vùng THEME bị giảm trọng số xuống còn 50% trọng số gốc.

Công thức tính độ tương đồng cải tiến được cập nhật: $$S = S_c \times (a + b \times S_r) + c + d$$ Trong đó các giá trị $n_{G1}(G_c), m(G_c), m_{Gc}(G_1), m_{Gc}(G_2)$ được tính trên tổng trọng số có gán ngữ cảnh; $c = 0.05$ là hệ số cộng ưu tiên thực thể Điều luật (Article) trước Khoản luật (Rule); $d$ là hệ số ưu tiên văn bản pháp luật có hiệu lực mới nhất.

Chương 3. So sánh kết quả và đánh giá phương pháp

Tác giả tiến hành số hóa các dạng quan hệ thành các mã định danh (UNDEFINED: 0, TRIGGER: 5, TRIGGER_NOT: 6, TARGET_EVENT: 7, TARGET_ACTION: 8, INTENT: 9, INTENT_EXTRA: 13, THEME_EVENT: 10, THEME_ACTION: 11, SITUATION: 12) để thuận tiện trong quá trình lập trình xử lý so khớp.

Chương này trình bày các thực nghiệm so sánh đối đầu giữa phương pháp gốc và phương pháp cải tiến trên tập câu hỏi điển hình:

  • Câu truy vấn số 3: "Người đang nhận hỗ trợ học nghề có được hưởng chế độ trợ cấp thất nghiệp của bảo hiểm thất nghiệp không?". Phương pháp gốc gán trọng số ngang hàng cho cả cụm [hỗ trợ học nghề] và [trợ cấp thất nghiệp]. Trong khi đó, phương pháp cải tiến nhận diện chính xác phần THEME là [nhận hỗ trợ học nghề] và phần TARGET là [hưởng chế độ trợ cấp thất nghiệp]. Nhờ trọng số âm của các cạnh THEME và trọng số cao của cạnh INTENT, hệ thống đã đưa các quy định giải quyết việc hưởng trợ cấp thất nghiệp lên đầu bảng xếp hạng, loại bỏ việc ưu tiên nhầm vào các điều khoản quy định về học nghề.
  • Quá trình thực nghiệm đối với các câu truy vấn số 21, số 7 và số 22 tiếp tục chứng minh mô hình cải tiến có khả năng định vị chính xác văn bản và điều khoản thỏa mãn đúng ý định của người truy vấn.

Kết quả và đóng góp

  • Kết quả kỹ thuật đạt được:
    • Chuẩn hóa và xây dựng cơ sở dữ liệu pháp luật chuyên ngành về bảo hiểm thất nghiệp dưới định dạng JSON gồm 4 thực thể liên kết (Law, Article, Rule, LookUp), bao hàm toàn diện Luật Việc làm năm 2013 và 6 văn bản nghị định, thông tư, quyết định hướng dẫn, sửa đổi kèm theo.
    • Xây dựng thành công thuật toán biểu diễn đồ thị khái niệm có khả năng phân biệt thành phần câu hỏi thành hai miền TARGET và THEME, kết hợp hệ thống 9 quan hệ cú pháp - ngữ nghĩa pháp lý.
    • Tích hợp thành công các tham số điều chỉnh kỹ thuật: trọng số khái niệm phân cấp (CONCEPT_MAIN: 3, CONCEPT_SIDE: 1), hệ số ưu tiên tầng điều luật ($c = 0.05$) và hệ số ưu tiên tính cập nhật của văn bản pháp lý ($d$).
  • Giải pháp và cải tiến kỹ thuật đề xuất: Giải quyết triệt để hai nhược điểm cốt lõi của bài toán so khớp đồ thị văn bản luật: loại bỏ hiện tượng sai lệch do câu truy vấn dài chứa nhiều từ khóa phụ và khắc phục tình trạng đồng nhất hóa mọi quan hệ ngữ nghĩa.
  • Đóng góp so với các nghiên cứu trước: Khóa luận kết hợp được ưu điểm tự động hóa của NLP với tính chặt chẽ về mặt cấu trúc của Đồ thị khái niệm, khắc phục hạn chế thiếu ngữ cảnh của Boolean Search và giảm thiểu sự phụ thuộc vào chi phí xây dựng bản thể luận của phương pháp Manual Classification.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế được ghi nhận trong văn bản:
    • Quy trình nhận diện và gom cụm từ khóa khái niệm (8 khái niệm chính, 32 khái niệm phụ) cùng bảng 25 nhóm từ đồng nghĩa được xây dựng dựa trên tập quy tắc đóng, áp dụng riêng cho miền bảo hiểm thất nghiệp, chưa có cơ chế tự động mở rộng sang các mảng luật khác.
    • Hệ thống vẫn phụ thuộc vào độ chính xác gán nhãn từ loại của thư viện underthesea; các trường hợp câu truy vấn có cấu trúc ngữ pháp phức tạp, đảo ngữ sâu hoặc chứa từ viết tắt chuyên ngành có thể dẫn đến việc xác định sai lệch vùng TARGET và THEME.
    • Quy mô thử nghiệm dừng lại ở tập 93 câu hỏi truy vấn mẫu, chưa được đánh giá trên các tập dữ liệu người dùng thực tế quy mô lớn.
  • Hướng mở rộng nghiên cứu:
    • Tự động hóa quá trình sinh bảng khái niệm và trích xuất quan hệ ngữ nghĩa từ văn bản quy phạm pháp luật bằng các kỹ thuật học máy nâng cao.
    • Mở rộng phạm vi cơ sở tri thức sang toàn bộ các chương của Luật Lao động và các lĩnh vực pháp luật chuyên ngành khác.
    • Hoàn thiện giao diện ứng dụng hoàn chỉnh cho người dùng cuối và tối ưu hiệu năng tính toán thuật toán so khớp đồ thị.

Giá trị tham khảo

  • Đối tượng tham khảo:
    • Sinh viên, học viên chuyên ngành Kỹ thuật Phần mềm, Công nghệ Thông tin và Khoa học Dữ liệu nghiên cứu về biểu diễn tri thức, truy vấn thông tin pháp lý (Legal Information Retrieval) và xử lý ngôn ngữ tự nhiên tiếng Việt.
    • Các kỹ sư phần mềm phát triển hệ thống hỏi đáp (QA System), hệ thống hỗ trợ tra cứu văn bản quy phạm pháp luật hoặc các ứng dụng LegalTech.
  • Nội dung có giá trị tham khảo cao nhất:
    • Mô hình tổ chức dữ liệu phân tầng JSON (Chương 1, Bảng 1-1 đến Bảng 1-4) xử lý hiệu quả bài toán cập nhật, dẫn chiếu và bãi bỏ điều khoản giữa các văn bản quy phạm pháp luật.
    • Kỹ thuật phân tách cấu trúc câu truy vấn thành TARGET/THEME và hệ thống gán trọng số 9 quan hệ ngữ nghĩa (Chương 2, Bảng 2-3 và Bảng 2-5), cung cấp giải pháp khả thi để xử lý bài toán so khớp đồ thị khái niệm trong tiếng Việt.

Câu hỏi thường gặp

1. Khóa luận tổ chức cơ sở dữ liệu văn bản pháp luật theo cấu trúc nào và vì sao chọn định dạng JSON?
Dữ liệu luật được tổ chức thành bốn thực thể: Law (bộ luật), Article (điều luật), Rule (khoản luật) và LookUp (thực thể cầu nối liên kết, lưu trữ lịch sử sửa đổi, trích dẫn chéo và năm cập nhật mới nhất). Tác giả chọn định dạng JSON nhằm giúp quá trình thử nghiệm thuật toán diễn ra độc lập, không bị ràng buộc vào hệ quản trị cơ sở dữ liệu quan hệ, nâng cao tính linh hoạt, thuận tiện tái sử dụng trong các hệ sinh thái khác và phù hợp với dữ liệu pháp luật mang tính công khai.

2. Nguyên nhân nào khiến phương pháp so khớp đồ thị khái niệm gốc cho kết quả không chính xác ở các câu hỏi dài?
Phương pháp gốc coi tất cả các từ khóa là các đỉnh có vai trò ngang hàng nhau, đồng thời các liên kết giữa các từ kề cận đều là quan hệ ngang cấp không phân loại. Khi câu hỏi dài chứa nhiều từ ngữ mô tả ngữ cảnh phụ, số lượng đỉnh tương đồng giữa câu hỏi và các điều khoản không liên quan tăng lên, dẫn đến điểm tương đồng khái niệm ($S_c$) bị đẩy lên cao, lấn át và làm lu mờ các điều khoản thực sự chứa từ khóa trọng tâm của câu truy vấn.

3. Khái niệm TARGET và THEME trong phương pháp cải tiến được phân biệt ra sao?
TARGET là tập hợp các từ khóa và mối quan hệ diễn đạt mục tiêu hoặc hành vi chính mà người dùng muốn hướng tới để tìm câu trả lời. THEME là tập hợp các từ khóa và mối quan hệ mang tính bổ trợ, biểu thị hoàn cảnh, điều kiện hoặc ngữ cảnh đi kèm. Hệ thống sử dụng các từ khóa điều hướng ngữ cảnh ("để được", "có được", "khi", "bởi", "do") để phân tách hai miền này, từ đó áp dụng trọng số dương cho phần TARGET và trọng số âm hoặc giảm trừ đối với phần THEME.

4. Hệ số $c$ và $d$ trong công thức tính độ tương đồng cải tiến (Công thức 8) có chức năng gì?
Hệ số $c$ được gán giá trị cố định bằng $0.05$, dùng để cộng ưu tiên cho các đồ thị khái niệm thuộc cấp độ Điều luật (Article) so với Khoản luật (Rule), nhằm ưu tiên trả về các kết quả có tính bao quát và chi tiết hơn khi cả hai cùng quy định về một vấn đề. Hệ số $d$ là điểm cộng ưu tiên dành cho các quy định thuộc văn bản pháp luật có năm ban hành hoặc sửa đổi gần nhất, đảm bảo hệ thống phản ánh đúng hiệu lực pháp lý hiện hành.

5. Khóa luận sử dụng công cụ nào để xử lý ngôn ngữ tự nhiên và danh mục khái niệm chính gồm những cụm từ nào?
Khóa luận sử dụng thư viện underthesea để bóc tách từ và gán nhãn từ loại (lọc danh từ và động từ). Danh mục khái niệm chính (CONCEPT_MAIN) gồm 8 cụm từ khóa cốt lõi: người lao động; người sử dụng lao động; bảo hiểm thất nghiệp; đào tạo, bồi dưỡng, nâng cao trình độ kỹ năng nghề; trợ cấp thất nghiệp; tư vấn, giới thiệu việc làm; quỹ bảo hiểm thất nghiệp; học nghề.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Trùng Dương đã giải quyết bài toán tra cứu kiến thức pháp luật lao động về mảng bảo hiểm thất nghiệp thông qua việc kết hợp kỹ thuật biểu diễn Đồ thị khái niệm với xử lý ngôn ngữ tự nhiên tiếng Việt. Đề tài đóng góp một cấu trúc dữ liệu JSON bốn tầng giải quyết được mối quan hệ phân cấp, dẫn chiếu phức tạp của văn bản luật, cùng thuật toán so khớp đồ thị cải tiến có khả năng phân tách ranh giới ngữ nghĩa TARGET - THEME và trọng số hóa 9 dạng quan hệ cú pháp. Kết quả thử nghiệm trên 93 câu truy vấn thực tế khẳng định mô hình cải tiến giúp nâng cao độ chính xác trong việc xếp hạng điều khoản luật, tạo tiền đề kỹ thuật vững chắc cho việc phát triển các hệ thống hỗ trợ tra cứu pháp luật tự động.