Bối cảnh và vấn đề nghiên cứu

1. Lý do chọn đề tài và bối cảnh thực tiễn

Phân tích cảm xúc (Emotion Analysis) là một trong những lĩnh vực nghiên cứu quan trọng trong khoa học máy tính và trí tuệ nhân tạo (AI). Trong bối cảnh số hóa và sự phát triển của các nền tảng mạng xã hội, dữ liệu dạng văn bản thể hiện cảm xúc của con người gia tăng nhanh chóng. Đối với lĩnh vực giáo dục, cảm xúc đóng vai trò quan trọng trong quá trình học tập và phát triển của người học.

Tại Việt Nam, sinh viên thường xuyên chia sẻ tâm tư, tình cảm và quan điểm của mình trên mạng xã hội thông qua các bài đăng và bình luận trên các trang/nhóm "confession" của Facebook. Việc phân tích tự động các nội dung này bằng các kỹ thuật Xử lý Ngôn ngữ Tự nhiên (Natural Language Processing - NLP) và Khoa học Dữ liệu (Data Science) cung cấp cơ sở dữ liệu thực chứng hỗ trợ ban giám hiệu và các đơn vị quản lý giáo dục nắm bắt tâm lý sinh viên, kịp thời giải quyết các vấn đề tâm lý - xã hội, điều chỉnh phương pháp đào tạo và ngăn chặn khủng hoảng thông tin sai lệch.

2. Vấn đề và thách thức nghiên cứu

Nghiên cứu chỉ ra các thách thức chính trong phân loại cảm xúc từ văn bản mạng xã hội:

  • Tính mơ hồ và biến đổi của ngôn ngữ tự nhiên: Cảm xúc con người đa dạng, chịu ảnh hưởng từ bối cảnh, văn hóa cá nhân và vùng miền. Các sắc thái như mỉa mai (sarcasm), thành ngữ, hoặc các cách diễn đạt tinh tế (ví dụ: cụm từ "Tôi ổn" có thể thể hiện sự bằng lòng, cam chịu hoặc thất vọng) khiến các mô hình khó phân loại chính xác.
  • Dạng thức biểu đạt phi chuẩn: Giới trẻ và sinh viên sử dụng nhiều tiếng lóng (internet slang), từ viết tắt, ký tự biểu cảm (emoticons) và biểu tượng cảm xúc (emojis). Sự xuất hiện của các chuỗi ký tự lặp (như :), :(((, :)))) và tính đa nghĩa của emoji làm tăng độ phức tạp trong phân loại.
  • Chất lượng dữ liệu và mất cân bằng nhãn (Class Imbalance): Việc gán nhãn dữ liệu cảm xúc mang tính chủ quan cao giữa các người gán nhãn (annotators). Đồng thời, dữ liệu thực tế tồn tại sự phân bổ không đều giữa các nhóm cảm xúc đa số và thiểu số.
  • Thiếu vắng nghiên cứu đặc thù: Chưa có nhiều nghiên cứu chuyên sâu về phân loại cảm xúc của sinh viên trên mạng xã hội bằng tiếng Việt - một ngôn ngữ tài nguyên thấp (low-resource language).

3. Mục tiêu và nhiệm vụ nghiên cứu

Khóa luận đặt ra các nhiệm vụ trọng tâm:

  1. Xây dựng quy trình xử lý, làm sạch dữ liệu tuần tự và phân tích trực quan hóa khám phá (Exploratory Data Analysis - EDA) phù hợp với văn bản mạng xã hội tiếng Việt.
  2. Đánh giá thực nghiệm các mô hình học máy truyền thống (Logistic Regression, Decision Tree, Random Forest, Support Vector Machine) và các mô hình dựa trên kiến trúc Transformer (BERT đa ngôn ngữ, PhoBERT-base, PhoBERT-large, CafeBERT, XLNet, ViSoBERT).
  3. Thử nghiệm và so sánh các hàm mất mát (Cross-Entropy Loss, Focal Loss, Self-adjusting Dice Loss và các dạng kết hợp) nhằm xử lý tình trạng mất cân bằng dữ liệu.
  4. Kiểm thử tác động của các kỹ thuật tăng cường dữ liệu (Data Augmentation qua thư viện NLPaug và kỹ thuật tái lấy mẫu SMOTE) đối với độ chính xác của phân loại cảm xúc.

4. Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các phương pháp và mô hình phân loại cảm xúc tự động trong văn bản tiếng Việt.
  • Phạm vi dữ liệu: Các bài đăng (posts) và bình luận (comments) ẩn danh thu thập từ các trang/nhóm confession của sinh viên trên Facebook tại Việt Nam.
  • Không gian và thời gian: Đề tài hoàn thành vào tháng 6 năm 2024 tại Trường Quốc tế – Đại học Quốc gia Hà Nội (VNU-IS), thuộc chuyên ngành Phân tích Dữ liệu Kinh doanh (Business Data Analytics - BDA).

Cơ sở lý thuyết và phương pháp

1. Khung lý thuyết và mô hình phân loại cảm xúc

  • Khung phân loại cảm xúc: Kế thừa 6 cảm xúc cơ bản theo nghiên cứu của Charles Darwin và Paul Ekman (Joy, Sadness, Fear, Disgust, Anger, Surprise) kết hợp bổ sung nhãn trung tính (Neutral), hình thành bài toán phân loại 7 lớp nhãn.
  • Các thuật toán học máy (Machine Learning):
    • Hồi quy Logistic (Logistic Regression - LR): Ước lượng xác suất phân loại nhãn.
    • Cây quyết định (Decision Tree - DT): Phân loại phi tham số dựa trên quy tắc suy diễn từ đặc trưng.
    • Rừng ngẫu nhiên (Random Forest - RF): Phương pháp học kết hợp (ensemble) tổng hợp kết quả từ nhiều cây quyết định.
    • Máy vector hỗ trợ (Support Vector Machine - SVM): Phân loại dữ liệu dựa trên việc tối đa hóa khoảng cách siêu phẳng trong không gian nhiều chiều.
  • Kiến trúc học sâu (Deep Learning / Transformers):
    • Cơ chế tự chú ý (Self-Attention), mã hóa vị trí (Positional Encoding), chuẩn hóa lớp (Layer Normalization) và kết nối phần dư (Residual Connections).
    • Mô hình BERT và các biến thể tiếng Việt: BERT đa ngôn ngữ (BERT Multilingual Base Cased), PhoBERT (base/large), CafeBERT, XLNet và ViSoBERT (mô hình tiền huấn luyện chuyên biệt trên văn bản mạng xã hội tiếng Việt).
  • Các hàm mất mát (Loss Functions):
    • Cross-Entropy Loss: Đo lường sai số phân phối xác suất dự đoán và thực tế.
    • Focal Loss: Điều chỉnh phân phối trọng số thông qua hệ số $\alpha$ và $\gamma$ để tập trung vào các mẫu khó phân loại.
    • Self-adjusting Dice Loss: Dựa trên hệ số Sørensen–Dice / Tversky index, cân bằng tầm quan trọng của False Positives và False Negatives, giảm ảnh hưởng của mất cân bằng lớp.

2. Phương pháp nghiên cứu

  • Phương pháp thực nghiệm định lượng: Huấn luyện, kiểm thử và so sánh hiệu năng các mô hình trên cùng một tập dữ liệu chuẩn hóa.
  • Độ đo đánh giá hiệu năng (Evaluation Metrics): Sử dụng các chỉ số Accuracy, Precision, Recall và điểm F1 có trọng số (Weighted F1-score) để phản ánh chính xác hiệu quả trên tập dữ liệu mất cân bằng nhãn:

$$\text{Weighted } F1 = \sum_{i=1}^{N} w_i \times F1_i$$

(Trong đó $N$ là số lớp, $w_i$ là tỷ lệ số mẫu thực tế của lớp $i$, và $F1_i$ là điểm F1 của lớp $i$)

  • Độ tin cậy của việc gán nhãn: Đánh giá mức độ đồng thuận giữa các chuyên viên gán nhãn thông qua hệ số Cohen's Kappa.

3. Nguồn và mô tả dữ liệu

Bộ dữ liệu gồm tổng cộng 15.515 bản ghi (bài đăng và bình luận), trong đó 6.196 bản ghi được phân chia đều cho hai tập kiểm thử (test) và tập đánh giá (validation) (mỗi tập 3.098 bản ghi). Điểm đồng thuận gán nhãn Kappa giữa các người gán nhãn đạt mức 80%.

Tên biến Mô tả Kiểu dữ liệu Vai trò Chuyển đổi
Text Nội dung bài viết confession hoặc bình luận của sinh viên trên Facebook Text / Str() Biến độc lập (Predictor) Xử lý và làm sạch văn bản
Emotion Nhãn cảm xúc được gán: Neutral, Joy, Sadness, Surprise, Anger, Fear, Disgust Categorical / Str() Biến phản hồi (Response) Phân loại 7 lớp
TAG Tài khoản Facebook được gắn thẻ trong bài đăng/bình luận Text / Str() Tiền xử lý Loại bỏ nhiễu

Sự phân bổ số lượng các lớp cảm xúc trong bộ dữ liệu thể hiện sự chênh lệch lớn giữa các lớp:

Nhãn cảm xúc Số lượng mẫu (Count) Tỷ lệ phân bố
Neutral (Trung tính) 5.475 Lớp đa số
Joy (Vui vẻ) 4.246 Lớp đa số
Sadness (Buồn bã) 3.909 Lớp đa số
Surprise (Ngạc nhiên) 691 Lớp thiểu số
Anger (Tức giận) 681 Lớp thiểu số
Fear (Sợ hãi) 481 Lớp thiểu số
Disgust (Ghê tởm) 32 Lớp thiểu số cực đoan (< 1%)
Tổng cộng 15.515 100%

Nội dung chính theo từng chương

Chapter 1: Introduction (Mở đầu)

  • Cơ sở lý luận: Phân tích nhu cầu cấp thiết của việc tự động hóa nhận diện cảm xúc trong bối cảnh bùng nổ dữ liệu số từ các nghiên cứu nền tảng (Strapparava & Mihalcea, 2008; Emotion in Education, 2007).
  • Tính cấp thiết thực tiễn: Trình bày bối cảnh sinh viên Việt Nam chia sẻ tâm tư qua confession trên Facebook và giá trị ứng dụng của NLP trong việc phân tích tâm lý học đường, hỗ trợ công tác quản lý giáo dục.
  • Tổng quan nghiên cứu liên quan: Tổng hợp các công trình trước đây như nghiên cứu của Gomez et al. (2023) về BERT/DistilBERT/RoBERTa, nghiên cứu tăng cường dữ liệu của Koufakou et al. (2023), và các tập ngữ liệu tiếng Việt chuẩn như UIT-VSFC (Nguyễn Văn Kiệt et al., 2018) và UIT-VSMEC (Hồ et al., 2020 đạt F1 có trọng số 59,74% với mô hình CNN + Word2Vec).

Chapter 2: Theoretical Foundations (Cơ sở lý thuyết)

  • Lý thuyết phân loại văn bản: Định nghĩa và vai trò của phân loại văn bản tự động nhằm giải quyết tính chất phi cấu trúc của dữ liệu mạng xã hội, đảm bảo tính nhất quán hơn so với việc gán nhãn thủ công dễ bị chi phối bởi sự mệt mỏi hay định kiến chủ quan.
  • Thách thức trong gán nhãn và bối cảnh: Phân tích sự biến đổi của cảm xúc theo ngữ cảnh đối thoại, sự khác biệt văn hóa vùng miền (như văn hóa miền Trung so với miền Bắc) và sự đa nghĩa của câu từ.
  • Cơ sở toán học các mô hình và hàm mất mát: Trình bày nguyên lý của các thuật toán ML (LR, DT, RF, SVM), kiến trúc Transformer, cơ chế biểu diễn ngữ cảnh của BERT, các hàm mất mát (Cross-Entropy, Focal Loss, Self-adjusting Dice Loss) và các chỉ số đo lường (Accuracy, Precision, Recall, Weighted F1).

Chapter 3: Datasets (Bộ dữ liệu và quy trình tiền xử lý)

  • Nhận diện và phân tích trực quan nhiễu (EDA):
    • Phát hiện tần suất xuất hiện dày đặc của các ký tự đặc biệt như dấu ngoặc đơn (), dấu hai chấm :, dấu bằng =, dấu gạch chéo \.
    • Phân tích Bi-gram và Tri-gram các ký tự biểu cảm cho thấy sinh viên sử dụng lặp ký tự để gia tăng mức độ biểu đạt cảm xúc (ví dụ: :))) biểu thị sự thích thú/phấn khích cao; :((( biểu thị nỗi buồn sâu sắc).
    • Thống kê biểu tượng cảm xúc (Emoji): Emoji mặt khóc xuất hiện nhiều nhất và có mặt trong mọi nhãn cảm xúc; biểu tượng cảm xúc mang tính đa nghĩa (ví dụ 😊 có thể là thân thiện, vui vẻ hoặc châm biếm).
    • Phân tích độ dài token: Các nhãn cảm xúc tiêu cực (Sadness, Anger, Fear) có xu hướng sử dụng số lượng token dài hơn do tính chất diễn giải phức tạp của sự ức chế hay lo âu.
    • Phân tích Word Cloud và N-gram: Xuất hiện nhiều từ dừng (stopwords) mang sắc thái ngữ cảnh đặc trưng của mạng xã hội tiếng Việt như "nhé", "rồi", "đi", "thì", cùng các chủ đề học đường như "học phí". Tác giả quyết định không xóa từ dừng nhằm bảo toàn sắc thái biểu cảm.
  • Quy trình làm sạch dữ liệu tuần tự:
Loại nhiễu / Tác vụ Văn bản thô (Dirty text) Văn bản sau xử lý (Cleaned text)
Ký tự xuống dòng Mà túm lại vẫn sai nên thui nghe nhạc i mọi người😀\nhttps://youtu.be/Q3xlEH3_HGA Mà túm lại vẫn sai nên thui nghe nhạc i mọi người😀 https://youtu.be/Q3xlEH3_HGA
Đường dẫn URL ...nghe nhạc i mọi người😀 https://youtu.be/Q3xlEH3_HGA ...nghe nhạc i mọi người😀
Gắn thẻ tài khoản Đặng Thanh Tùng Hương Thu học đủ rồi tôi muốn nghỉ tết :))) học đủ rồi tôi muốn nghỉ tết :)))
Ngày tháng ủa 8/5 hay 5/8 :)) ủa hay :))
Thời gian trộm vía 6h58 e xong 5 môn ạ 🤣 trộm vía e xong 5 môn ạ 🤣
Địa chỉ Email canvapro@gmail.com add mình vào nhóm nhá bạn add mình vào nhóm nhá bạn
Số điện thoại 0862966068 đây bạn ơi đây bạn ơi
Ký tự bất thường/Hashtag muốn học tốt thì nên học lại :< #20330 cho mình xin với. Tks muốn học tốt thì nên học lại ( cho mình xin với. Tks
Mở rộng từ viết tắt jztr 😀 gì vậy trời 😀
Emoji liên tiếp nghỉ 20 ngày 😀😀 nghỉ 20 ngày 😀
  • Chuẩn hóa và Tách từ (Tokenization): Tách từ vựng và chuẩn hóa chính tả (ví dụ: "người yêu" $\rightarrow$ "người_yêu").
  • Giải mã Emoji (Emoji Decoding): Bước cuối cùng chuyển đổi emoji thành văn bản mô tả đặt trong cặp dấu hai chấm (ví dụ: học vs hành 😂 $\rightarrow$ học vs_hành :khuôn mặt với những giọt nước mắt của niềm vui:).

Chapter 4: Experiments and Evaluation (Thực nghiệm và đánh giá)

  • Thực nghiệm mô hình học máy truyền thống:

    • SVM: Đạt Accuracy 57%, F1 55% trên tập test; bị hiện tượng quá khớp (overfitting) với Accuracy tập train đạt 88%. Khi kết hợp kỹ thuật tăng mẫu SMOTE, Accuracy giảm còn 55% trong khi độ chính xác tập train tăng lên 95%.
    • Random Forest (RF): Bị quá khớp nặng nhất (Accuracy tập train đạt 98%, nhưng tập test chỉ đạt Accuracy 55% và F1 53%).
    • Logistic Regression (LR): Ít bị quá khớp nhất (Train Accuracy 56%, Test Accuracy 56%, F1 55%).
    • Decision Tree (DT): Độ chính xác thấp nhất (Test Accuracy 50%, F1 50%, Train Accuracy 98%).
  • Thực nghiệm mô hình Transformer (Học sâu):

    • Các mô hình tối ưu cho tiếng Việt đạt kết quả vượt trội: PhoBERT-base (Accuracy 64,04%), PhoBERT-large và CafeBERT dao động từ 64% đến 66%.
    • BERT Multilingual Base đạt Accuracy 63,2%.
    • XLNet đạt Accuracy 61% và F1 60%.
    • ViSoBERT đạt hiệu năng cao nhất với Accuracy 67% và F1 66,9%.
Mô hình Transformer Accuracy (%) Precision (%) Recall (%) Weighted F1 (%)
BERT Multilingual Base 63,20 - - 63,00
XLNet 61,00 - - 60,00
PhoBERT-base 64,04 - - 64,00
PhoBERT-large / CafeBERT 64,00 - 66,00 - - 64,00 - 66,00
ViSoBERT 67,00 - - 66,90
  • Thực nghiệm các hàm mất mát trên ViSoBERT:
Hàm mất mát (Loss Function) Accuracy (%) Precision (%) Recall (%) Weighted F1 (%)
Cross-Entropy Loss 67,64 (hoặc 67,08) - - 67,00
Dice Loss + Focal Loss 66,62 - - -
Focal Loss + Cross-Entropy Loss 66,21 - - -
Focal Loss + Cross-Entropy Loss (Weight=3) 66,98 - - -
Cross-Entropy (W=1) + Dice (W=1) + Focal 66,09 - - -
Cross-Entropy (W=3) + Dice (W=1) + Focal 66,41 - - -
Dice Loss đơn lẻ 62,91 - - 62,00

Phân tích hàm mất mát: Cross-Entropy Loss đơn lẻ cho kết quả tổng thể tốt nhất. Dice Loss đơn lẻ làm giảm sút hiệu năng đáng kể (Accuracy 62,91%). Việc kết hợp giữa Cross-Entropy Loss và Focal Loss (đặc biệt khi tăng trọng số Cross-Entropy lên 3) cho thấy sự cải thiện đối với các lớp thiểu số nhưng không vượt qua được Cross-Entropy đơn lẻ về điểm số tổng thể.

  • Thực nghiệm Tăng cường dữ liệu (Data Augmentation):
    • Sử dụng module ContextualWordEmbsAug của thư viện NLPaug tạo thêm 2.000 dòng dữ liệu cho 4 nhãn thiểu số (Surprise, Anger, Fear, Disgust).
    • Kết quả kiểm thử trên ViSoBERT với dữ liệu tăng cường ghi nhận sự sụt giảm hiệu năng rõ rệt:
Thiết lập thực nghiệm Accuracy (%) Precision (%) Recall (%) Weighted F1 (%)
ViSoBERT gốc 67,00 - - 66,90
ViSoBERT + NLPaug Augmentation 61,00 63,00 61,00 61,00

Kết quả và đóng góp

1. Kết quả nghiên cứu chính

  • Xác lập quy trình tiền xử lý văn bản chuyên biệt cho ngôn ngữ mạng xã hội tiếng Việt, bao gồm các bước chuẩn hóa ký tự lặp, bảo toàn từ dừng ngữ cảnh, giải mã biểu tượng cảm xúc (emoji) và loại bỏ thông tin định danh cá nhân.
  • Khẳng định mô hình tiền huấn luyện trên dữ liệu mạng xã hội tiếng Việt ViSoBERT đạt hiệu năng phân loại cao nhất (Accuracy 67%, Weighted F1 66,9%), vượt trội hơn các mô hình học máy truyền thống và các biến thể BERT thông thường.
  • Chứng minh bằng thực nghiệm rằng Cross-Entropy Loss vẫn là hàm mất mát tối ưu nhất cho bài toán này (Accuracy đạt 67,64%), trong khi việc kết hợp với Focal Loss hỗ trợ tốt hơn cho việc phân biệt các lớp thiểu số.
  • Chỉ ra rằng các kỹ thuật sinh dữ liệu nhân tạo như NLPaug và kỹ thuật tăng mẫu SMOTE làm giảm độ chính xác của mô hình (Accuracy giảm từ 67% xuống 61%), do làm sai lệch hoặc phá vỡ các cấu trúc ngữ nghĩa, tiếng lóng và sắc thái biểu cảm tinh tế trong dữ liệu mạng xã hội.

2. Đóng góp về mặt học thuật và thực tiễn

  • Về mặt học thuật: Cung cấp bộ thực nghiệm toàn diện về phân loại cảm xúc trên dữ liệu mạng xã hội tiếng Việt (ngôn ngữ tài nguyên thấp), so sánh đa dạng mô hình từ cơ bản đến nâng cao, kiểm thử nhiều hàm mất mát và phân tích hạn chế của phương pháp tăng cường dữ liệu văn bản.
  • Về mặt thực tiễn:
    • Giúp các cơ sở giáo dục đại học nắm bắt kịp thời diễn biến tâm lý, khó khăn và nhu cầu của sinh viên thông qua các kênh confession ẩn danh.
    • Hỗ trợ phát hiện sớm và xử lý các luồng thông tin sai lệch (misinformation), bảo vệ môi trường học đường và nâng cao hình ảnh, uy tín của nhà trường.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế của đề tài

  • Tình trạng mất cân bằng dữ liệu giữa các lớp cảm xúc còn nghiêm trọng (lớp Disgust chỉ chiếm 32 mẫu, dưới 1% tổng tập dữ liệu).
  • Văn bản mạng xã hội chứa nhiều từ viết tắt, từ lóng chưa được chuẩn hóa hoàn toàn và tính đa nghĩa phức tạp của emoji chưa được khai thác triệt để.
  • Các kỹ thuật tăng cường dữ liệu truyền thống (NLPaug, SMOTE) gây nhiễu và làm suy giảm hiệu năng mô hình.

2. Hướng nghiên cứu tiếp theo

  • Thử nghiệm các kiến trúc mô hình ngôn ngữ lớn tiên tiến hơn (như GPT).
  • Phát triển các phương pháp chuyên sâu hơn trong việc xử lý và biểu diễn ngữ nghĩa của emoticon và emoji.
  • Ứng dụng kỹ thuật Học tương phản kép (Dual Contrastive Learning) nhằm điều chỉnh quá trình học dựa trên mối quan hệ giữa các mẫu, từ đó giảm thiểu tác động của mất cân bằng lớp mà không làm méo mó ngữ cảnh dữ liệu.
  • Mở rộng phạm vi nghiên cứu để xây dựng các mô hình nhận diện cảm xúc thích ứng sâu với các bối cảnh sư phạm và giáo dục chuyên biệt.

Giá trị tham khảo

  • Đối tượng tham khảo:
    • Sinh viên, học viên và nhà nghiên cứu thuộc các chuyên ngành Phân tích Dữ liệu (Data Analytics), Khoa học Dữ liệu (Data Science), Khoa học Máy tính và Công nghệ Thông tin đang thực hiện đề tài về Xử lý Ngôn ngữ Tự nhiên tiếng Việt.
    • Các nhà quản lý giáo dục, phòng công tác sinh viên và chuyên viên truyền thông tại các trường đại học quan tâm đến việc ứng dụng AI để phân tích tâm lý người học và quản trị truyền thông mạng xã hội.
  • Nội dung giá trị:
    • Bảng quy trình làm sạch dữ liệu văn bản mạng xã hội (bảo toàn từ dừng, xử lý emoji, chuẩn hóa viết tắt).
    • Kết quả đối chuẩn thực nghiệm chi tiết giữa các mô hình Transformer tiếng Việt (PhoBERT, CafeBERT, ViSoBERT) và các hàm mất mát xử lý mất cân bằng lớp.

Câu hỏi thường gặp

1. Khóa luận giải quyết bài toán phân loại cảm xúc với những nhãn cụ thể nào?

Khóa luận phân loại văn bản theo 7 lớp cảm xúc: 6 cảm xúc cơ bản của Paul Ekman gồm Joy (Vui vẻ), Sadness (Buồn bã), Fear (Sợ hãi), Disgust (Ghê tởm), Anger (Tức giận), Surprise (Ngạc nhiên) và bổ sung thêm nhãn Neutral (Trung tính).

2. Dữ liệu nghiên cứu được thu thập từ đâu và có quy mô bao nhiêu?

Dữ liệu gồm 15.515 bản ghi (bài đăng và bình luận ẩn danh) được thu thập từ các trang và nhóm confession của sinh viên trên Facebook tại Việt Nam. Bộ dữ liệu được chia với 6.196 dòng dành cho tập kiểm thử và đánh giá. Độ đồng thuận gán nhãn giữa các annotators đạt hệ số Kappa là 80%.

3. Tại sao tác giả quyết định không xóa từ dừng (stopwords) trong quá trình làm sạch dữ liệu?

Khác với xử lý văn bản truyền thống, trong ngôn ngữ mạng xã hội, các từ dừng tiếng Việt (như "nhé", "rồi", "đi", "thì") mang ý nghĩa ngữ cảnh quan trọng và đóng góp trực tiếp vào sắc thái biểu cảm của câu văn. Việc giữ lại từ dừng giúp mô hình bảo toàn được tính chân thực và tinh tế của văn phong sinh viên.

4. Mô hình học sâu nào đạt hiệu năng cao nhất và hàm mất mát nào hoạt động tốt nhất?

Mô hình ViSoBERT đạt hiệu năng cao nhất với độ chính xác (Accuracy) đạt 67% và Weighted F1 đạt 66,9%. Về hàm mất mát, Cross-Entropy Loss cho kết quả tổng thể tối ưu nhất (Accuracy đạt 67,64%), trong khi sự kết hợp giữa Cross-Entropy Loss và Focal Loss giúp cải thiện khả năng nhận diện các lớp cảm xúc thiểu số.

5. Kết quả thực nghiệm khi áp dụng kỹ thuật tăng cường dữ liệu (Data Augmentation) bằng NLPaug và SMOTE như thế nào?

Cả hai kỹ thuật tăng cường dữ liệu đều làm giảm hiệu năng mô hình. Khi áp dụng NLPaug để sinh thêm 2.000 mẫu cho các lớp thiểu số trên mô hình ViSoBERT, Accuracy giảm từ 67% xuống 61% và F1 giảm từ 66,9% xuống 61%. Nguyên nhân là do các phương pháp này làm biến đổi ngữ cảnh cảm xúc tinh tế và đưa thêm nhiễu vào dữ liệu mạng xã hội phi chuẩn.


Kết luận

Khóa luận tốt nghiệp của tác giả Ngô Phương Minh đã thực hiện một nghiên cứu thực nghiệm toàn diện về bài toán phân loại 7 lớp cảm xúc từ dữ liệu confession của sinh viên trên mạng xã hội tiếng Việt. Bằng cách thiết lập quy trình tiền xử lý tuần tự nghiêm ngặt và đánh giá so sánh nhiều kiến trúc mô hình, nghiên cứu chứng minh ViSoBERT kết hợp với Cross-Entropy Loss mang lại hiệu năng vượt trội nhất. Đồng thời, tác giả chỉ ra những thách thức đặc thù của ngôn ngữ mạng xã hội và tác động tiêu cực của các kỹ thuật tăng cường dữ liệu nhân tạo đối với việc giữ gìn sắc thái ngữ nghĩa cảm xúc, mở ra định hướng ứng dụng thiết thực trong công tác quản trị và hỗ trợ tâm lý học đường.