Giới thiệu dự án

Bối cảnh và thực trạng ngành giáo dục đại học

Trong môi trường giáo dục đại học hiện đại, việc tiếp cận và nắm bắt chính xác các quy chế, quy định đào tạo (như điều kiện tốt nghiệp, bảo lưu kết quả, học bổng, chuyển ngành, chuẩn đầu ra ngoại ngữ) là nhu cầu cấp thiết của sinh viên. Tuy nhiên, quy trình hỗ trợ sinh viên tại các trường đại học hiện nay phần lớn vẫn vận hành theo phương thức truyền thống: tiếp đón trực tiếp tại Phòng Đào tạo, trả lời qua tổng đài hoặc phản hồi qua thư điện tử (email).

Theo một khảo sát thực tế tại Trường Đại học Công nghệ Thông tin (ĐHQG-HCM), thực trạng tiếp cận thông tin của sinh viên bộc lộ nhiều bất cập:

  • 65% sinh viên lựa chọn hỏi bạn bè hoặc thầy cô khi gặp vướng mắc về quy định đào tạo.
  • 45% sinh viên gửi email trực tiếp về Phòng Đào tạo Đại học, gây áp lực xử lý rất lớn cho đội ngũ chuyên viên.
  • Chỉ 15% sinh viên tự chủ động tra cứu tài liệu, văn bản quy định chính thức do nhà trường ban hành.
  • 33.3% sinh viên bày tỏ sự không hài lòng về tốc độ phản hồi email của phòng ban chức năng khi vào các đợt cao điểm học vụ.
                  KÊNH TRA CỨU QUY ĐỊNH ĐÀO TẠO CỦA SINH VIÊN
  Hỏi bạn bè / giảng viên [===================================] 65%
  Gửi email Phòng Đào tạo [========================] 45%
  Tự tra cứu văn bản gốc  [========] 15%

Vấn đề cốt lõi (Problem Statement)

Các phương thức tư vấn truyền thống tiêu tốn nhiều nhân lực và thời gian nhưng không đáp ứng được tính tức thời (real-time). Khi sinh viên cần thông tin khẩn cấp để hoàn tất thủ tục có thời hạn (deadline nộp chứng chỉ, đăng ký môn học, xét tốt nghiệp), tình trạng quá tải hộp thư khiến việc hỗ trợ bị gián đoạn, trực tiếp ảnh hưởng đến tiến độ học tập của người học.

Mục tiêu đề tài

Đồ án tập trung nghiên cứu, thiết kế và phát triển hệ thống hỏi đáp tự động thông minh (Task-Oriented QA Chatbot) với các mục tiêu cụ thể:

  1. Xây dựng bộ phân loại ý định người dùng (NLU): Tích hợp kiến trúc Transformer để hiểu các phát ngôn hội thoại tự nhiên và các yêu cầu hỏi đáp học vụ.
  2. Thiết lập cơ chế truy vấn đa tầng RetFAQ và RetMRC:
    • RetFAQ: So khớp ngữ nghĩa giữa câu hỏi của sinh viên và cơ sở dữ liệu các câu hỏi thường gặp (89 cặp FAQ).
    • RetMRC: Kết hợp thuật toán xếp hạng thông tin BM25+ với mô hình đọc hiểu máy (Machine Reading Comprehension - MRC) dựa trên BERT để rút trích câu trả lời chính xác từ 152 văn bản quy chế của nhà trường.
  3. Quản lý hội thoại thông minh (Dialogue Management): Vận hành trên nền tảng mã nguồn mở Rasa, duy trì ngữ cảnh trò chuyện mượt mà.
  4. Tích hợp kênh giao tiếp thực tế: Triển khai webhook kết nối trực tiếp với giao diện Facebook Messenger để sinh viên tương tác thuận tiện.

Phạm vi và giới hạn của hệ thống

  • Phạm vi dữ liệu: 152 văn bản quy định đào tạo đại học chính thức của Trường Đại học Công nghệ Thông tin (UIT - ĐHQG-HCM) và 89 cặp FAQ chuẩn hóa.
  • Phạm vi tác vụ: Rút trích câu trả lời dạng đoạn văn liên tục (extractive QA), không bao gồm sinh văn bản tự do (generative QA) nhằm đảm bảo tính chuẩn xác tuyệt đối của văn bản pháp lý học vụ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Giải pháp Cơ chế hoạt động Ưu điểm Nhược điểm Khả năng mở rộng
AIML / Rule-based (Hoàng Đức Thịnh, 2014) So khớp mẫu văn bản cứng (pattern matching) theo tập luật định sẵn. Dễ cài đặt, phản hồi nhanh, không yêu cầu GPU. Không xử lý được câu hỏi ngoài mẫu, từ đồng nghĩa hoặc lỗi chính tả. Rất kém, phải bổ sung luật thủ công.
SVM Intent Classification (Nguyễn Thành Thủy, 2017) Vector hóa TF-IDF kết hợp SVM phân loại 35 ý định cố định. Phân loại nhanh trên tập dữ liệu nhỏ. Giới hạn số lượng câu hỏi, khi thêm quy chế mới bắt buộc phải gán nhãn và train lại toàn bộ. Kém, giới hạn theo số nhãn lớp.
Deep MRC Đơn lẻ (Nguyễn Việt Nam, 2020) Truy vấn văn bản kết hợp mạng đọc hiểu máy trích xuất đoạn văn. Trả lời được câu hỏi mở từ kho văn bản quy định lớn. Thiếu mô-đun quản lý hội thoại; không xử lý được các câu giao tiếp thông thường (chào hỏi, cảm ơn). Khá tốt trên văn bản, thiếu tính linh hoạt đối thoại.
Hệ thống Đề xuất (RetFAQ + RetMRC + Rasa) Kết hợp phân loại ý định DIET, quản lý hội thoại TED, định tuyến RetFAQ và RetMRC dựa trên BERT. Xử lý hội thoại tự nhiên, trích xuất chính xác theo ngữ cảnh quy định, tự động fallback linh hoạt. Chi phí tính toán cao hơn, cần hạ tầng inference BERT. Rất cao, bổ sung tài liệu mới mà không cần train lại NLU.

Phân loại yêu cầu hệ thống theo mô hình MoSCoW

  +-------------------------------------------------------------------------+
  |                           MA TRẬN YÊU CẦU MOSCOW                        |
  +-------------------------------------------------------------------------+
  | MUST HAVE (Bắt buộc)    | * Phân loại đúng 7 ý định hội thoại cốt lõi.  |
  |                         | * Truy vấn văn bản chính xác với BM25+.       |
  |                         | * Trích xuất câu trả lời với F1 > 80% (BERT). |
  |                         | * Tích hợp webhook Facebook Messenger.        |
  +-------------------------+-----------------------------------------------+
  | SHOULD HAVE (Nên có)    | * Cơ chế định tuyến kép RetFAQ/RetMRC theo    |
  |                         |   ngưỡng tin cậy epsilon.                     |
  |                         | * Xử lý lỗi chính tả bằng Subword Semantic    |
  |                         |   Hashing.                                    |
  +-------------------------+-----------------------------------------------+
  | COULD HAVE (Có thể có)  | * Gợi ý các câu hỏi liên quan tiếp theo.      |
  |                         | * Bảng điều khiển (Dashboard) quản lý FAQ.    |
  +-------------------------+-----------------------------------------------+
  | WON'T HAVE (Chưa làm)   | * Trả lời bằng giọng nói (Voice-bot).         |
  |                         | * Tự động tóm tắt văn bản pháp quy dài.       |
  +-------------------------+-----------------------------------------------+

Thiết kế kiến trúc hệ thống

Hệ thống được thiết kế theo mô hình phân tầng hướng dịch vụ, tích hợp các mô-đun xử lý ngôn ngữ chuyên sâu:

flowchart TD
    User([Người dùng / Sinh viên]) <--> FB[Giao diện Facebook Messenger]
    FB <--> RasaCore[Rasa Dialogue Engine]
    
    subgraph Rasa_NLU [Mô-đun Hiểu Ngôn Ngữ Tự Nhiên - NLU]
        Tokenizer[Subword Semantic Hashing Tokenizer] --> DIET[DIET Classifier - 7 Intents]
    end
    
    RasaCore <--> Rasa_NLU
    RasaCore <--> TED[TED Policy - Transformer Dialogue Management]
    
    subgraph QA_Module [Mô-đun Hỏi Đáp Học Vụ Tùy Chỉnh]
        Router{Định tuyến câu hỏi}
        RetFAQ[RetFAQ: Cosine Similarity / TF-IDF]
        RetMRC_BM25[RetMRC: Bộ truy vấn BM25+]
        Corpus[(152 Văn bản Quy định)]
        BERT_MRC[Mô hình Đọc hiểu BERT Span Extractor]
        
        Router -->|Confidence >= Epsilon| RetFAQ
        Router -->|Confidence < Epsilon| RetMRC_BM25
        Corpus --> RetMRC_BM25
        RetMRC_BM25 -->|Top-K Ngữ cảnh| BERT_MRC
    end
    
    TED -->|Hành động: action_answer| QA_Module
    QA_Module -->|Trả về câu trả lời| RasaCore

Technology Stack chi tiết

  • Nền tảng Quản lý Hội thoại: Rasa Open Source framework (Phiên bản 2.1.2), triển khai pipeline NLU và Dialogue Engine.
  • Ngôn ngữ lập trình: Python 3.8.
  • Học sâu & Đọc hiểu máy: PyTorch 1.7.1, Hugging Face Transformers 4.1.1 (Pre-trained BERT-base-multilingual / PhoBERT).
  • Truy vấn thông tin (Information Retrieval): Thuật toán Okapi BM25+ tùy biến trên nền tảng biểu diễn Vector Space Model.
  • Hạ tầng triển khai & Giao diện: Facebook Graph API v9.0, Flask/Sanic Webhook Server, Docker containerization.

Implementation và kết quả thực nghiệm

Các thuật toán cốt lõi

1. Thuật toán Subword Semantic Hashing cho NLU tiếng Việt

Để xử lý hiện tượng gõ tắt, sai chính tả hoặc không chuẩn hóa từ ngữ của sinh viên trên mạng xã hội, hệ thống áp dụng kỹ thuật băm ngữ nghĩa cấp độ ký tự (character n-gram):

def subword_semantic_hashing(text: str, n: int = 3) -> list:
    """
    Rút trích các sub-token n-gram có đệm ký tự '#' đầu và cuối từ.
    Ví dụ: 'hỏi' -> ['#hỏ', 'hỏi', 'ỏi#']
    """
    tokens = text.lower().strip().split()
    sub_tokens = []
    for token in tokens:
        padded = f"#{token}#"
        if len(padded) >= n:
            for j in range(len(padded) - n + 1):
                sub_tokens.append(padded[j : j + n])
        else:
            sub_tokens.append(padded)
    return sub_tokens

2. Phân loại ý định với Dual Intent Entity Transformer (DIET)

Mô hình DIET sử dụng 2 lớp Transformer Encoder để ánh xạ biểu diễn văn bản $h_{\text{CLS}}$ và biểu diễn nhãn ý định $h_{\text{intent}}$ vào cùng không gian embedding đa chiều (kích thước 256). Hàm mất mát tối ưu hóa độ tương đồng StarSpace:

$$L_{\text{intent}} = -\text{Avg} \left[ S^+ - \log \left( e^{S^+} + \sum_{j \in \Omega^-} e^{S_j^-} \right) \right]$$

Trong đó:

  • $S^+ = h_{\text{CLS}}^T \cdot h_{\text{intent}}^+$ là điểm tương đồng với nhãn dương tính.
  • $\Omega^-$ là tập các mẫu nhãn âm tính.

3. Thuật toán xếp hạng văn bản Okapi BM25+

Để khắc phục nhược điểm của BM25 truyền thống khi tài liệu có độ dài quá lớn ($|D| \gg \text{avgdl}$), tham số $\delta = 1.0$ được bổ sung nhằm chặn dưới giá trị trọng số:

$$\text{Score}(D, Q) = \sum_{q_i \in Q} \text{IDF}(q_i) \cdot \left[ \frac{f(q_i, D) \cdot (k_1 + 1)}{f(q_i, D) + k_1 \cdot \left( 1 - b + b \cdot \frac{|D|}{\text{avgdl}} \right)} + \delta \right]$$

Tham số thực nghiệm: $k_1 = 1.2$, $b = 0.75$, $\delta = 1.0$.

4. Trích xuất câu trả lời với BERT Extractive Span Classifier

Mô hình đọc hiểu nhận đầu vào là chuỗi ghép $[\text{CLS}] \ Q \ [\text{SEP}] \ C \ [\text{SEP}]$. Xác suất vị trí bắt đầu ($P_{\text{start}}$) và kết thúc ($P_{\text{end}}$) của câu trả lời trong đoạn văn $C$ được tính bằng lớp tuyến tính kết hợp Softmax:

$$P_{\text{start}}(i) = \frac{\exp(w_{\text{start}} \cdot T_i)}{\sum_j \exp(w_{\text{start}} \cdot T_j)}, \quad P_{\text{end}}(i) = \frac{\exp(w_{\text{end}} \cdot T_i)}{\sum_j \exp(w_{\text{end}} \cdot T_j)}$$

[Đầu vào] -> [Token Embedding + Segment Embedding + Position Embedding]
                  |
            [12 Lớp BERT Encoder (Self-Attention Head = 12)]
                  |
       +----------+----------+
       |                     |
 [Vector T_i]          [Vector T_j]
       |                     |
 [Lớp Tuyến tính Start] [Lớp Tuyến tính End]
       |                     |
 [Softmax -> Index 42] [Softmax -> Index 45] -> Kết quả: "JLPT N4"

Đánh giá và kết quả thực nghiệm

1. Đánh giá mô hình NLU (Phân loại 7 ý định)

Thử nghiệm trên bộ dữ liệu hội thoại thực tế của sinh viên UIT cho thấy hiệu năng vượt trội của cấu hình kết hợp Subword Semantic Hashing và DIET Classifier.

Cấu hình NLU Độ chính xác (Accuracy) F1-Score vĩ mô Khả năng chịu lỗi chính tả
BoW + Support Vector Machine (SVM) 84.15% 82.30% Kém
CountVectors + GloVe Embedding + DIET 88.60% 87.10% Trung bình
Subword Semantic Hashing + DIET (Đề xuất) 93.85% 92.74% Rất tốt

2. Đánh giá mô hình Đọc hiểu máy (Machine Reading Comprehension)

Mô hình đọc hiểu được huấn luyện trên dữ liệu tổng hợp (SQuAD dịch sang tiếng Việt kết hợp TyDi QA) và tinh chỉnh trên bộ câu hỏi quy định đào tạo.

Mô hình MRC Tỉ lệ khớp chính xác (EM) F1-Score
BiDAF (Nguyễn Việt Nam, 2020) 64.20% 75.40%
Multilingual BERT (mBERT-base) 71.30% 79.85%
Fine-tuned BERT-base (Đề tài nghiên cứu) 73.65% 81.72%

3. Đánh giá toàn diện hội thoại đầu - cuối (End-to-End Dialogue)

Đánh giá trên tập các phiên trò chuyện độc lập chứa từ 1 đến 2 câu hỏi học vụ kèm theo các yếu tố đàm thoại tự nhiên (chào hỏi, cảm ơn, hỏi thăm ngoài lề):

                     TỈ LỆ THÀNH CÔNG HỘI THOẠI ĐẦU-CUỐI
  Hội thoại ngắn (1 câu hỏi học vụ) [===================================] 71.0%
  Hội thoại dài (2 câu hỏi học vụ)  [================] 33.0%
  • Hội thoại ngắn (Single-turn QA): Đạt tỷ lệ hoàn thành 71.0%, đáp ứng tốt nhu cầu tra cứu nhanh.
  • Hội thoại phức tạp (Multi-turn QA): Đạt 33.0%, nguyên nhân chính do sự trôi dạt ngữ cảnh (context drift) khi người dùng đổi chủ đề đột ngột giữa hai lượt hỏi.

Đổi mới và đóng góp khoa học

  1. Cơ chế định tuyến câu hỏi thích ứng (Adaptive Fallback Routing):
    • Khác với các hệ thống chatbot đóng khung chỉ trả lời FAQ hoặc chỉ trích xuất tài liệu, đồ án triển khai bộ định tuyến thông minh: ưu tiên tìm kiếm câu trả lời nhanh qua RetFAQ; nếu điểm tự tin $\text{Score} < \epsilon$ ($\epsilon = 0.75$), hệ thống tự động kích hoạt pipeline BM25+ và BERT-MRC để rà soát toàn bộ 152 tài liệu quy định.
  2. Khả năng mở rộng tri thức không cần huấn luyện lại (Zero-retraining Expansion):
    • Khi nhà trường cập nhật văn bản quy chế mới, quản trị viên chỉ cần đưa tệp văn bản vào thư viện chỉ mục BM25+. Hệ thống có thể trả lời các câu hỏi liên quan ngay lập tức mà không cần gán nhãn hay train lại mô hình phân loại NLU.
  3. Cải tiến độ chính xác trích xuất văn bản:
    • Mô hình đọc hiểu dựa trên Transformer nâng chỉ số F1 lên 81.72% (tăng 6.32% so với mô hình BiDAF của công trình liên quan trước đó).
  4. Tích hợp xử lý hội thoại toàn diện:
    • Khắc phục triệt để điểm yếu "chỉ trả lời câu hỏi cụt lủn" của các hệ thống hỏi đáp văn bản trước đây bằng cách lồng ghép mô-đun quản lý hội thoại Rasa TED, mang lại trải nghiệm tương tác tự nhiên và thân thiện.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Use Case Scenarios)

Sinh viên: "Chào bạn, cho mình hỏi chuẩn đầu ra tiếng Anh của khoa KHMT là gì vậy?"
Chatbot:  [NLU: Greet + Ask_QA] -> [RetMRC: Trích xuất Quy định Chuẩn ngoại ngữ]
          "Chào bạn! Theo quy định hiện hành, chuẩn đầu ra ngoại ngữ của Khoa Khoa học Máy tính
          yêu cầu chứng chỉ TOEIC quốc tế tối thiểu 600 điểm hoặc IELTS 5.5 trở lên."

Sinh viên: "Nếu mình nộp trễ hạn thì có bị hủy môn không?"
Chatbot:  [NLU: Ask_QA] -> [RetMRC: Trích xuất Quy định Đăng ký Học phần]
          "Trường hợp nộp chứng chỉ sau thời hạn quy định, kết quả xét điều kiện tốt nghiệp 
          đợt hiện tại sẽ bị hoãn sang đợt xét tiếp theo, không tự động hủy các môn học đã tích lũy."

Sinh viên: "Cảm ơn bạn nhiều nhé!"
Chatbot:  [NLU: Gratitude] -> [TED Policy: utter_welcome]
          "Không có chi! Chúc bạn học tập tốt. Nếu cần thêm thông tin gì cứ nhắn mình nhé!"

Kiến trúc triển khai hệ thống (Deployment Architecture)

[Người dùng Facebook] <--> [Facebook Graph API / Webhook]
                                     |
                         [Reverse Proxy NGINX (SSL)]
                                     |
        +----------------------------+----------------------------+
        |                                                         |
[Rasa Core & NLU Server]                               [Custom Action Server (Python)]
(Port 5005 - Docker)                                    (Port 5055 - Docker)
        |                                                         |
        +----------------------------+----------------------------+
                                     |
                          [BERT Inference Engine]
                       (PyTorch GPU / CUDA Caching)
                                     |
                         [152 Văn bản Index BM25+]

Hiệu quả kinh tế - xã hội (Cost-Benefit Analysis)

  • Giảm tải thủ tục hành chính: Dự kiến cắt giảm 60% lượng email có nội dung trùng lặp gửi về Phòng Đào tạo trong các tuần đầu học kỳ.
  • Thời gian phản hồi: Giảm thời gian chờ đợi của sinh viên từ trung bình 4 - 24 giờ (qua email) xuống dưới 1.5 giây (qua Messenger).
  • Tính sẵn sàng: Phục vụ liên tục 24/7/365, hỗ trợ tức thì ngay trong các dịp cao điểm đăng ký học phần.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Phụ thuộc vào trích xuất đoạn văn (Extractive Span): Hệ thống chưa thể tự tổng hợp hoặc tính toán câu trả lời nếu thông tin nằm rải rác ở nhiều điều khoản khác nhau (ví dụ: cộng điểm rèn luyện và điểm trung bình tích lũy từ 2 văn bản riêng biệt).
  • Độ dài ngữ cảnh BERT giới hạn: Giới hạn 512 token của mô hình BERT chuẩn đòi hỏi văn bản phải được chia nhỏ (chunking), có thể làm mất ngữ cảnh bao quát của một điều luật dài.
  • Tỷ lệ hoàn thành hội thoại nhiều bước còn thấp (33%): Khi sinh viên thay đổi chủ thể câu hỏi mà dùng đại từ thay thế ("Cái đó thì sao?", "Còn trường hợp kia?"), mô hình quản lý hội thoại dễ bị mất dấu thực thể.

Hướng phát triển trong tương lai

  1. Tích hợp Kiến trúc RAG thế hệ mới (Retrieval-Augmented Generation): Kết hợp các mô hình ngôn ngữ lớn (LLMs) để tổng hợp câu trả lời tự nhiên, có khả năng suy luận logic trên nhiều văn bản quy định.
  2. Dense Passage Retrieval (DPR): Thay thế thuật toán BM25+ bằng các mô hình nhúng ngữ nghĩa dày đặc (Dense Embeddings) hai tháp (Bi-encoder) để nâng cao độ chính xác khi tìm kiếm đoạn văn bản liên quan.
  3. Mở rộng kênh tương tác đa phương thức: Tích hợp Voice-bot vào ứng dụng di động nội bộ của nhà trường và hỗ trợ tra cứu trực tiếp trên Cổng thông tin đào tạo (Portal).

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                                ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+---------------------------------------------------------------------------------------+
| Sinh viên:               * Tiếp cận thông tin quy chế 24/7 tức thì (< 1.5s).          |
|                          * Giảm thiểu sai sót thủ tục, tránh trễ hạn học vụ quan trọng.|
+--------------------------+------------------------------------------------------------+
| Cán bộ / Chuyên viên:    * Giảm hơn 60% khối lượng email và câu hỏi lặp lại.          |
|                          * Tập trung xử lý các trường hợp học vụ đặc biệt phức tạp.   |
+--------------------------+------------------------------------------------------------+
| Lập trình viên / Kỹ sư:  * Tham khảo mã nguồn mở tích hợp Rasa với mô hình BERT MRC.  |
|                          * Áp dụng kiến trúc định tuyến RetFAQ/RetMRC cho doanh nghiệp.|
+--------------------------+------------------------------------------------------------+
| Nhà nghiên cứu NLP:      * Cung cấp dữ liệu thực nghiệm và đánh giá benchmark cho     |
|                          * bài toán đọc hiểu máy trên văn bản hành chính tiếng Việt.  |
+---------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Cần cấu hình phần cứng tối thiểu nào để triển khai hệ thống?

Để vận hành trơn tru cả Rasa Engine và mô hình đọc hiểu máy BERT, cấu hình máy chủ đề xuất gồm:

  • CPU: Tối thiểu 4 Cores (Intel Xeon hoặc AMD EPYC).
  • RAM: 16 GB trở lên.
  • GPU: NVIDIA GPU với tối thiểu 8GB VRAM (như GTX 1080Ti, RTX 2080 hoặc T4 trên Cloud) để đảm bảo độ trễ suy luận BERT dưới 500ms cho mỗi câu hỏi.

2. Khi nhà trường ban hành quy chế mới, có cần huấn luyện lại toàn bộ mô hình không?

Không. Đây chính là điểm ưu việt của kiến trúc RetMRC:

  • Quản trị viên chỉ cần định dạng lại văn bản mới theo chuẩn đoạn văn và cập nhật vào kho ngữ liệu chỉ mục của BM25+.
  • Mô hình BERT đóng vai trò là bộ đọc hiểu phổ quát (Zero-shot reader), tự động trích xuất thông tin trên văn bản mới mà không cần fine-tune lại trọng số mạng.

3. Làm cách nào hệ thống xử lý được các từ viết tắt, tiếng lóng hay lỗi chính tả của sinh viên?

Nhờ lớp tiền xử lý Subword Semantic Hashing, thông điệp đầu vào được băm nhỏ thành các chuỗi ký tự n-gram liền kề kèm ký tự đệm (ví dụ: #đk#, đkh#, khp#). Do đó, dù sinh viên gõ sai vài ký tự hoặc viết tắt, biểu diễn vector của từ vẫn duy trì khoảng cách cosine rất gần với từ chuẩn trong không gian đặc trưng của DIET.

4. Hệ thống đảm bảo tính chính xác của câu trả lời như thế nào để tránh gây hiểu lầm quy chế?

Đồ án lựa chọn phương pháp Trích xuất nguyên văn (Extractive Reading Comprehension) thay vì sinh từ tự do. Câu trả lời gửi về cho sinh viên luôn là một đoạn trích nguyên vẹn từ văn bản pháp quy chính thức, kèm theo trích dẫn số hiệu quyết định/điều khoản để sinh viên đối chiếu.

5. Chi phí vận hành và tỷ suất hoàn vốn đầu tư (ROI) ước tính ra sao?

  • Chi phí ban đầu: Gần như bằng 0 về mặt bản quyền nhờ tận dụng 100% công nghệ mã nguồn mở (Rasa, PyTorch, Hugging Face). Chi phí chính nằm ở hạ tầng máy chủ GPU (khoảng 30 - 50 USD/tháng trên các nền tảng đám mây).
  • Hiệu quả ROI: Tiết kiệm hàng trăm giờ làm việc hành chính mỗi tháng của cán bộ đào tạo, giảm thiểu chi phí in ấn tài liệu và hạn chế tối đa khiếu nại học vụ do hiểu sai quy định.

Kết luận

Đề tài "Xây dựng hệ thống hỏi đáp quy định đào tạo đại học" đã giải quyết thành công bài toán tự động hóa tư vấn học vụ tại Trường Đại học Công nghệ Thông tin (ĐHQG-HCM). Bằng việc kết hợp sáng tạo giữa nền tảng quản lý hội thoại Rasa, kỹ thuật băm ngữ nghĩa Subword Semantic Hashing và mô hình đọc hiểu máy sâu dựa trên kiến trúc Transformer/BERT, hệ thống đã chứng minh tính hiệu quả vượt trội so với các phương pháp tiếp cận truyền thống:

  • Đạt độ chính xác F1 81.72% trong tác vụ trích xuất câu trả lời từ văn bản quy định.
  • Hoàn thành thành công 71% các phiên hội thoại hỏi đáp thực tế trên nền tảng Facebook Messenger.
  • Thiết lập cấu trúc hệ thống linh hoạt, dễ dàng mở rộng và bảo trì mà không tốn chi phí huấn luyện lại mô hình phân loại.

Hệ thống mở ra hướng ứng dụng thực tế đầy tiềm năng cho các trường đại học và cơ quan hành chính trong kỷ nguyên chuyển đổi số, góp phần nâng cao chất lượng dịch vụ hỗ trợ người học và tối ưu hóa nguồn lực vận hành của nhà trường.