Tổng quan về luận án

Luận án tiến sĩ "Một số phương pháp học máy xác định đặc điểm người dùng trên mạng Internet" của Dương Trần Đức đặt trọng tâm vào việc giải quyết những thách thức quan trọng trong nhận diện và cá nhân hóa người dùng trực tuyến, một lĩnh vực đang bùng nổ trong bối cảnh Internet phát triển mạnh mẽ. Nghiên cứu này thể hiện tính tiên phong bằng cách ứng dụng các phương pháp học máy hiện đại để dự đoán các đặc điểm cá nhân của người dùng từ hai nguồn dữ liệu chính: văn bản do người dùng tạo ra và hành vi truy cập hệ thống. Tính cấp thiết của đề tài xuất phát từ việc "đa phần người dùng không cung cấp hoặc cung cấp không đầy đủ và không chính xác các thông tin cá nhân khi sử dụng các hệ thống trực tuyến," gây khó khăn cho cá nhân hóa dịch vụ, tiếp thị mục tiêu và thậm chí là điều tra tội phạm trực tuyến.

Research gap cụ thể mà luận án này giải quyết bao gồm hai khía cạnh chính. Thứ nhất, trong lĩnh vực phân tích tác giả văn bản, các nghiên cứu trước đây chủ yếu tập trung vào các ngôn ngữ phổ biến như tiếng Anh, tiếng Hà Lan, tiếng Trung Quốc, tiếng Hy Lạp. Luận án này lấp đầy khoảng trống đó bằng cách tập trung vào "xác định đặc điểm tác giả bài viết diễn đàn tiếng Việt," một loại văn bản và ngôn ngữ "chưa được nghiên cứu nhiều, đặc biệt trong ngôn ngữ tiếng Việt." Điều này mang lại sự hiểu biết sâu sắc về các đặc điểm ngôn ngữ đặc thù của tiếng Việt trong ngữ cảnh trực tuyến. Thứ hai, đối với xác định đặc điểm người dùng dựa trên hành vi, mặc dù có xu hướng quảng cáo trực tuyến hướng đối tượng tăng mạnh trên các hệ thống như website, máy tìm kiếm, thương mại điện tử, nhưng "chưa có nghiên cứu thực sự nào về dự đoán đặc điểm khách hàng dựa trên hành vi trên loại hệ thống này [Thương mại điện tử - TMĐT]." Luận án này tiên phong khai thác dữ liệu lịch sử truy cập TMĐT để giải quyết vấn đề này.

Các câu hỏi nghiên cứu (RQs) và giả thuyết (Hs) được luận án này định hướng như sau:

  1. RQ1: Những loại đặc trưng và phương pháp phân loại nào là phù hợp nhất để xác định đặc điểm tác giả (giới tính, độ tuổi, nghề nghiệp, vùng miền) trên các bài viết diễn đàn tiếng Việt, đặc biệt khi phân tích sâu các đặc trưng dựa trên nội dung?
  2. RQ2: Liệu các đặc trưng mới dựa trên vần và âm tiết tiếng Việt có thể cải thiện độ chính xác và tính độc lập trong việc xác định đặc điểm tác giả văn bản tiếng Việt so với các đặc trưng cơ bản và đặc trưng nội dung?
    • H1: Các đặc trưng dựa trên vần và âm tiết tiếng Việt sẽ đạt độ chính xác cao hơn các đặc trưng cơ bản và độc lập hơn các đặc trưng nội dung.
    • H2: Việc kết hợp các đặc trưng dựa trên vần và âm tiết với đặc trưng phong cách hoặc nội dung sẽ mang lại kết quả nhận diện tốt hơn.
  3. RQ3: Các phương pháp trích chọn đặc trưng và phân loại nào là hiệu quả để dự đoán giới tính khách hàng dựa trên dữ liệu lịch sử truy cập hệ thống TMĐT, một loại dữ liệu chưa được khai thác rộng rãi cho mục đích này?
    • H3: Phương pháp trích chọn đặc trưng sử dụng biểu diễn dạng cây của danh sách sản phẩm kết hợp với các thuật toán học máy sẽ cho kết quả dự đoán giới tính khách hàng hiệu quả trên dữ liệu TMĐT.

Khung lý thuyết của luận án được xây dựng dựa trên nền tảng của Học máy (Machine Learning), đặc biệt là các lý thuyết về phân loại (classification) và trích chọn đặc trưng (feature extraction). Các lý thuyết chính được ứng dụng bao gồm: Máy véc tơ hỗ trợ (Support Vector Machine - SVM), Mạng Bayes (Bayesian Networks), Cây quyết định (Decision Trees), và các thuật toán phân loại khác như Naïve Bayes, k-Nearest Neighbours, Back Propagation Network, và Exponential Gradient. Đối với phần phân tích tác giả văn bản, luận án kế thừa và mở rộng các khái niệm về Stylometry (phong cách học) và Content-based analysis (phân tích dựa trên nội dung) như được thảo luận bởi Argamon et al. [11]. Trong phần xác định đặc điểm người dùng TMĐT, nghiên cứu này áp dụng lý thuyết về phân tích hành vi người dùng (User Behavior Analysis) và khai phá dữ liệu (Data Mining) để xây dựng mô hình dự đoán.

Đóng góp đột phá của luận án là việc tạo ra các phương pháp tiếp cận mới với tác động định lượng tiềm năng. Thứ nhất, việc đề xuất các đặc trưng dựa trên vần và âm tiết tiếng Việt là một đóng góp lý thuyết quan trọng cho Stylometry trong các ngôn ngữ có cấu trúc âm vị đặc thù, mang lại "độ chính xác cao hơn các đặc trưng cơ bản" và "tính độc lập hơn so với các đặc trưng nội dung." Thứ hai, luận án tiên phong trong việc "nghiên cứu vấn đề dự đoán giới tính khách hàng dựa trên dữ liệu lịch sử truy cập hệ TMĐT," mở ra một hướng nghiên cứu mới trong User Profiling với ứng dụng thực tiễn cao cho tiếp thị và cá nhân hóa. Cuối cùng, phương pháp trích chọn đặc trưng sử dụng "biểu diễn dạng cây của danh sách sản phẩm" là một cải tiến đáng kể trong xử lý dữ liệu hành vi phức tạp, có khả năng nâng cao hiệu quả phân loại.

Phạm vi nghiên cứu bao gồm việc xác định đặc điểm người dùng trên mạng Internet, tập trung vào hai đối tượng: tác giả bài viết diễn đàn tiếng Việt (với các đặc điểm giới tính, độ tuổi, nghề nghiệp, vùng miền) và khách hàng hệ thống TMĐT (với đặc điểm giới tính). Kích thước mẫu (sample size) và khung thời gian (timeframe) cụ thể không được nêu rõ trong phần tổng quan ban đầu, nhưng các chương sau sẽ cung cấp chi tiết về tập dữ liệu huấn luyện và kiểm thử. Luận án còn xây dựng một ứng dụng thử nghiệm dịch vụ xác định đặc điểm tác giả văn bản tiếng Việt để chứng minh tính khả thi và ứng dụng thực tiễn của các kết quả nghiên cứu. Tầm quan trọng của luận án nằm ở khả năng cung cấp thông tin cá nhân hóa hữu ích cho các nhà cung cấp dịch vụ, hỗ trợ hoạt động điều tra tội phạm trực tuyến và thúc đẩy nghiên cứu trong lĩnh vực xử lý ngôn ngữ tự nhiên cho tiếng Việt.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã thực hiện một phân tích kỹ lưỡng các dòng nghiên cứu chính trong lĩnh vực phân tích tác giả văn bản và xác định đặc điểm người dùng dựa trên hành vi.

Trong lĩnh vực phân tích tác giả văn bản, luận án tổng hợp các công trình từ những nghiên cứu kinh điển cho đến các phương pháp học máy hiện đại. Nghiên cứu bắt đầu với công trình của Mendenhall [75] vào thế kỷ 19 và công trình thấu đáo của Mosteller và Wallace [76] về "Luận cương Liên bang", tập trung vào nhận diện đích danh tác giả. Tuy nhiên, luận án nhấn mạnh sự chuyển dịch gần đây sang "xác định đặc điểm tác giả (author profiling)" trên các "văn bản trực tuyến" do tính nặc danh và độ mở cao của chúng. Các tác giả như Zheng et al. [118] đã phân loại rõ ràng các dạng thức phân tích tác giả văn bản, bao gồm nhận diện tác giả, xác định đặc điểm tác giả và phát hiện văn bản cùng tác giả, điều này tạo nền tảng cho việc định vị nghiên cứu của luận án.

Luận án đã tổng hợp các nghiên cứu quan trọng về kỹ thuật phân tích và tập đặc trưng. Koppel [58] phân chia kỹ thuật thành phương pháp bất biến đơn nhất, phân tích đa biến và các kỹ thuật học máy, trong đó SVM, Bayesian Networks và Decision Trees được công nhận là có ưu thế. Về đặc trưng, Argamon et al. [11] đã phân loại thành đặc trưng phong cách và đặc trưng nội dung. Các nghiên cứu quốc tế điển hình được thảo luận:

  • De Vel [107] nghiên cứu nhận diện tác giả email bằng SVM với 38 đặc trưng (cấu trúc, từ vựng, ngữ pháp, từ chức năng) trên 274 email của 5 tác giả, đạt độ chính xác từ 71%.
  • Koppel et al. [59] thử nghiệm SVM và C4.5 trên 480 email từ 11 tác giả, sử dụng 200 từ chức năng, cặp từ loại và 99 đặc trưng phong cách, đạt độ chính xác tương ứng 60% và 79%.
  • Zhao và Zhobel [116] so sánh Naïve Bayes, Bayesian Networks, k-Nearest Neighbours và Decision Trees trên các bài báo TREC, cho thấy Bayesian Networks hiệu quả nhất (>90%).
  • Zheng et al. [117] áp dụng Cây quyết định, Mạng nơ ron truyền ngược (BPN), và SVM trên bản tin tiếng Anh và tiếng Trung, đạt độ chính xác 70-95%, với SVM là tốt nhất.
  • Iqbal [47] đề xuất kỹ thuật "vân chữ viết" (writeprint) kết hợp nhiều đặc trưng trên 200.000 email của 158 tác giả, đạt độ chính xác 67-89% (vân 1) và 87-89% (vân 2).
  • Courney et al. [23] xác định giới tính tác giả email sử dụng SVM với 222 đặc trưng, đạt F1 gần 70%.
  • Argamon et al. [10] và Koppel et al. [60] nghiên cứu phân biệt ngôn ngữ gốc của người viết, đạt khoảng 80% với SVM.
  • Các nghiên cứu trên blog như [33], [89], [97], [114] cũng đạt kết quả khả quan với độ chính xác khoảng 80% cho giới tính và 77% cho độ tuổi.

Những nghiên cứu này cho thấy sự đa dạng trong kỹ thuật và đặc trưng, nhưng cũng chỉ ra các mâu thuẫn/tranh luận về đặc trưng nào là "tốt nhất" ("không có tập đặc trưng nào là tốt nhất trong mọi trường hợp" theo Argamon et al. [11]). Luận án này định vị mình trong tài liệu hiện có bằng cách xác định một khoảng trống rõ ràng: "các nghiên cứu về xác định đặc điểm tác giả văn bản được thực hiện trên các văn bản tiếng Việt là loại ngôn ngữ chưa được nghiên cứu nhiều." Ngoài ra, luận án còn nhận thấy một khoảng trống về phân tích sâu các đặc trưng dựa trên nội dung, đặc biệt là trong tiếng Việt.

Trong lĩnh vực xác định đặc điểm người dùng dựa trên phân tích hành vi, luận án lưu ý rằng đây là một lĩnh vực mới nổi do xu hướng quảng cáo trực tuyến hướng đối tượng. Mặc dù có các nghiên cứu trên website thông tin, mạng di động, luận án này chỉ ra rằng "chưa có nghiên cứu thực sự nào về dự đoán đặc điểm khách hàng dựa trên hành vi trên loại hệ thống này [TMĐT]." Điều này định vị luận án là người tiên phong trong việc mở rộng ứng dụng của user profiling vào bối cảnh thương mại điện tử, cung cấp một góc nhìn mới mẻ và có tiềm năng ứng dụng cao.

Luận án này thúc đẩy lĩnh vực nghiên cứu bằng cách:

  1. Mở rộng ngữ cảnh ngôn ngữ: Là một trong những nghiên cứu đầu tiên và chuyên sâu nhất về xác định đặc điểm tác giả bài viết diễn đàn tiếng Việt, bổ sung đáng kể vào tài liệu về xử lý ngôn ngữ tự nhiên (NLP) cho tiếng Việt.
  2. Đề xuất đặc trưng độc đáo: Giới thiệu các đặc trưng dựa trên vần và âm tiết tiếng Việt, không chỉ nâng cao độ chính xác mà còn thể hiện tính độc lập và khả năng mở rộng sang các ngôn ngữ khác, thách thức các tập đặc trưng truyền thống.
  3. Khai phá lĩnh vực mới: Mở ra một hướng nghiên cứu mới về dự đoán đặc điểm khách hàng trên dữ liệu lịch sử truy cập TMĐT, một lĩnh vực có tiềm năng ứng dụng thương mại lớn.
  4. Cải tiến phương pháp trích chọn đặc trưng: Đề xuất phương pháp biểu diễn dạng cây cho dữ liệu sản phẩm trong TMĐT, cung cấp một cách tiếp cận mới để xử lý dữ liệu hành vi phức tạp.

Khi so sánh với các nghiên cứu quốc tế, luận án này tiến xa hơn De Vel [107], Koppel et al. [59] và Zheng et al. [117] bằng cách không chỉ áp dụng các kỹ thuật học máy quen thuộc như SVM mà còn phát triển các tập đặc trưng ngôn ngữ đặc thù cho tiếng Việt. Trong khi các nghiên cứu quốc tế tập trung vào các ngôn ngữ có cấu trúc ngữ pháp và từ vựng khác biệt, luận án này giải quyết thách thức của tiếng Việt – một ngôn ngữ đơn lập, giàu âm tiết và vần. Hơn nữa, trong khi Courney et al. [23] và Argamon et al. [10] đã nghiên cứu xác định giới tính tác giả trên email, luận án này mở rộng sang bài viết diễn đàn tiếng Việt với các đặc điểm phong cách tự do hơn và tập trung vào TMĐT cho phân tích hành vi, một lĩnh vực mà các nghiên cứu trước đây chưa thực sự chạm đến.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào các lý thuyết hiện có trong lĩnh vực học máy và xử lý ngôn ngữ tự nhiên, đặc biệt là trong ngữ cảnh xác định đặc điểm người dùng. Thứ nhất, luận án mở rộng và thách thức các lý thuyết về Stylometry (Phong cách học), đặc biệt là trong việc nhận diện các đặc trưng phân biệt tác giả. Trong khi Argamon et al. [11] đã phân loại các đặc trưng thành phong cách và nội dung, luận án này đi sâu vào việc phát triển các đặc trưng phong cách mới dựa trên "đặc thù tiếng Việt như vần và âm tiết." Điều này vượt ra ngoài các đặc trưng từ vựng (lexical features) và ngữ pháp (syntactic features) truyền thống, như Koppel et al. [59] đã sử dụng các từ chức năng và cặp từ loại. Việc chứng minh rằng các đặc trưng vần và âm tiết mang lại "độ chính xác cao hơn các đặc trưng cơ bản (dựa trên phong cách)" và "có tính độc lập hơn so với các đặc trưng nội dung" cho thấy rằng các yếu tố âm vị học và ngữ âm học có thể đóng vai trò quan trọng, thậm chí là yếu tố quyết định, trong việc hình thành văn phong cá nhân trong các ngôn ngữ có cấu trúc tương tự tiếng Việt. Điều này mở rộng khái niệm về "writeprint" (vân chữ viết) của Iqbal [47] bằng cách tích hợp các yếu tố ngôn ngữ cấp thấp hơn nhưng có khả năng phân biệt cao.

Thứ hai, luận án đóng góp vào lý thuyết về User Profiling bằng cách tiên phong áp dụng nó vào một lĩnh vực chưa được nghiên cứu kỹ lưỡng – dữ liệu hành vi trên các hệ thống Thương mại điện tử (TMĐT). Trước đây, các nghiên cứu profiling hành vi chủ yếu tập trung vào website thông tin hoặc mạng di động. Bằng cách chứng minh tính khả thi của việc dự đoán giới tính khách hàng từ lịch sử truy cập TMĐT, luận án đã mở rộng ranh giới ứng dụng của các lý thuyết phân loại người dùng. Điều này cũng cung cấp một hướng mới cho các lý thuyết về khai phá hành vi người dùng (User Behavior Mining) và hệ thống gợi ý (Recommender Systems), trong đó việc hiểu rõ đặc điểm người dùng là chìa khóa.

Khung khái niệm của luận án bao gồm ba thành phần chính và mối quan hệ giữa chúng:

  1. Dữ liệu đầu vào (Input Data): Gồm văn bản trực tuyến (bài viết diễn đàn tiếng Việt) và dữ liệu hành vi (lịch sử truy cập TMĐT).
  2. Trích chọn đặc trưng (Feature Extraction): Quá trình chuyển đổi dữ liệu thô thành các vector đặc trưng có khả năng phân biệt. Các thành phần chính bao gồm:
    • Đặc trưng cơ bản/phong cách: Độ dài từ, số câu, dấu chấm câu, v.v.
    • Đặc trưng nội dung: Tần suất từ, cụm từ, v.v.
    • Đặc trưng vần và âm tiết tiếng Việt (Novel): Tần suất xuất hiện của các vần và âm tiết.
    • Đặc trưng biểu diễn dạng cây (Novel): Cấu trúc cây của danh mục sản phẩm được truy cập.
  3. Học máy và phân loại (Machine Learning & Classification): Sử dụng các thuật toán như SVM, Bayesian Networks, Decision Trees để xây dựng mô hình dự đoán từ các vector đặc trưng.
  4. Kết quả đầu ra (Output): Các đặc điểm của người dùng (giới tính, độ tuổi, nghề nghiệp, vùng miền).

Mô hình lý thuyết được đề xuất dựa trên các mệnh đề (propositions) và giả thuyết (hypotheses) như sau:

  • Mệnh đề 1: Văn bản trực tuyến, dù ngắn và không theo quy tắc, vẫn chứa đủ thông tin về văn phong cá nhân để xác định đặc điểm tác giả.
  • Mệnh đề 2: Các đặc trưng ngôn ngữ ở cấp độ âm vị (vần và âm tiết) có khả năng phân biệt văn phong tác giả trong tiếng Việt.
  • Mệnh đề 3: Hành vi duyệt web trên hệ thống TMĐT phản ánh các đặc điểm nhân khẩu học của người dùng.
  • Mệnh đề 4: Biểu diễn dữ liệu hành vi theo cấu trúc cây có thể cải thiện hiệu suất trích chọn đặc trưng và phân loại.
  • Giả thuyết (đã đánh số ở trên): H1, H2, H3.

Luận án này không trực tiếp tuyên bố một sự thay đổi mô hình (paradigm shift) lớn trong toàn bộ lĩnh vực học thuật. Tuy nhiên, bằng chứng từ các phát hiện của nó cho thấy một sự mở rộng đáng kể trong mô hình nghiên cứu về nhận diện tác giả và người dùng. Cụ thể, việc đưa ra các đặc trưng vần và âm tiết cho tiếng Việt và các đặc trưng dạng cây cho TMĐT thách thức quan điểm rằng các đặc trưng từ vựng và cú pháp là đủ. Nó dịch chuyển trọng tâm sang các yếu tố ngữ âm học và cấu trúc dữ liệu hành vi phức tạp, mở ra các phương pháp tiếp cận mới trong việc biểu diễn và phân tích dữ liệu.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp các lý thuyết từ nhiều lĩnh vực để tạo ra một cách tiếp cận độc đáo và hiệu quả. Ba lý thuyết cụ thể được tích hợp bao gồm:

  1. Lý thuyết Stylometry (Phong cách học): Nền tảng cho việc trích chọn đặc trưng văn bản, nhưng được mở rộng vượt ra ngoài các chỉ số phong cách truyền thống.
  2. Lý thuyết Xử lý Ngôn ngữ Tự nhiên (NLP): Để xử lý văn bản tiếng Việt, đặc biệt là trong việc phân tích âm tiết và vần.
  3. Lý thuyết Học máy và Phân loại (Machine Learning & Classification Theory): Để xây dựng các mô hình dự đoán mạnh mẽ từ các đặc trưng đã trích xuất.

Cách tiếp cận phân tích mới của luận án thể hiện qua hai điểm chính. Thứ nhất, việc giới thiệu "các đặc trưng dựa trên các âm tiết và vần trong tiếng Việt" là một phương pháp phân tích hoàn toàn mới cho ngôn ngữ này. Luận án biện minh cho cách tiếp cận này bằng cách lập luận rằng cấu trúc đơn lập và giàu âm tiết của tiếng Việt khiến các yếu tố này trở thành dấu hiệu nhận diện văn phong mạnh mẽ, khác biệt so với các ngôn ngữ phụ tố. Thứ hai, phương pháp trích chọn đặc trưng "sử dụng biểu diễn dạng cây của danh sách sản phẩm" cho dữ liệu TMĐT là một cải tiến đáng kể. Nó cho phép thu thập thông tin về cấu trúc phân cấp của các sản phẩm mà người dùng tương tác, điều mà các phương pháp phân tích hành vi tuyến tính không thể làm được, mang lại cái nhìn sâu sắc hơn về sở thích và hành vi mua sắm.

Các đóng góp khái niệm của luận án bao gồm:

  • Đặc trưng Vần và Âm tiết (Rhyme and Syllable Features): Định nghĩa là các chỉ số định lượng về tần suất và phân bố của các vần và âm tiết cụ thể trong văn bản tiếng Việt, phục vụ như các đặc trưng phân biệt văn phong cá nhân.
  • Biểu diễn Dạng Cây của Lịch sử Truy cập (Tree-based Representation of Browsing History): Một cấu trúc dữ liệu mới để mã hóa chuỗi các tương tác sản phẩm trên TMĐT, bảo toàn thông tin về mối quan hệ phân cấp và ngữ cảnh của các sản phẩm được xem.

Các điều kiện biên (boundary conditions) được xác định rõ ràng:

  • Đối với phân tích văn bản: Nghiên cứu tập trung vào "bài viết diễn đàn tiếng Việt," một loại văn bản có độ dài ngắn và phong cách tự do, khác biệt so với văn bản chính thống dài hơn. Các đặc điểm nhận diện bao gồm giới tính, độ tuổi, nghề nghiệp và vùng miền.
  • Đối với phân tích hành vi: Giới hạn ở "dữ liệu lịch sử truy cập hệ TMĐT" và mục tiêu là dự đoán "giới tính của khách hàng." Việc thu thập dữ liệu hành vi là một thách thức, do đó phạm vi này được lựa án chặt chẽ để đảm bảo tính khả thi. Các kết quả có thể không hoàn toàn tổng quát cho các loại hình hành vi trực tuyến khác (ví dụ: mạng xã hội, công cụ tìm kiếm).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này tuân theo một triết lý nghiên cứu thực chứng (positivism). Điều này được thể hiện rõ qua việc tập trung vào "kết quả định lượng," "độ chính xác," "thống kê," và sử dụng "các thuật toán học máy phức tạp" để "dự đoán" các đặc điểm người dùng. Mục tiêu là xây dựng các mô hình có thể kiểm chứng được, dựa trên dữ liệu thực nghiệm, để đưa ra các kết luận khách quan và có thể khái quát hóa.

Mặc dù không phải là một thiết kế mixed methods truyền thống kết hợp định tính và định lượng, luận án sử dụng một thiết kế đa phương pháp (multi-method design) trong phạm vi định lượng. Cụ thể, nó áp dụng các phương pháp học máy khác nhau cho hai loại dữ liệu độc lập:

  1. Phân tích văn bản: Sử dụng các đặc trưng ngôn ngữ và thuật toán phân loại trên bài viết diễn đàn tiếng Việt.
  2. Phân tích hành vi: Sử dụng các đặc trưng hành vi và thuật toán phân loại trên dữ liệu lịch sử truy cập TMĐT. Mỗi phương pháp được lựa chọn với lý do riêng biệt, phù hợp với đặc thù của dữ liệu và câu hỏi nghiên cứu. Ví dụ, việc tập trung vào "các đặc trưng dựa trên vần và âm tiết tiếng Việt" là một lựa chọn phương pháp đặc thù cho ngôn ngữ tiếng Việt.

Thiết kế nghiên cứu cũng có thể được coi là multi-level design trong ngữ cảnh trích chọn đặc trưng. Cụ thể, đối với phân tích tác giả văn bản, các đặc trưng được trích xuất từ nhiều cấp độ khác nhau:

  • Cấp độ ký tự/từ vựng (Lexical level): "Các đặc trưng cơ bản" và "đặc trưng nội dung."
  • Cấp độ ngữ âm (Phonological level): "Các đặc trưng vần và âm tiết tiếng Việt" được đề xuất. Đối với phân tích hành vi TMĐT, "biểu diễn dạng cây của danh mục sản phẩm/loại sản phẩm" cũng là một dạng dữ liệu cấu trúc đa cấp, nơi các tương tác được phân tích ở cấp độ sản phẩm riêng lẻ và cấp độ danh mục tổng hợp.

Kích thước mẫu (sample size) và tiêu chí lựa chọn:

  • Phân tích tác giả văn bản: De Vel [107] sử dụng 274 email của 5 tác giả (192 email huấn luyện, 80 email kiểm tra). Koppel et al. [59] sử dụng 480 email từ 11 tác giả (độ dài trung bình 200 từ). Luận án này sẽ sử dụng các bài viết diễn đàn tiếng Việt, và dù số liệu cụ thể không có trong đoạn trích, việc tham chiếu đến các nghiên cứu có quy mô tương tự cho thấy kỳ vọng về tập dữ liệu có độ đa dạng tác giả và số lượng bài viết tương xứng. Tiêu chí lựa chọn có thể bao gồm độ dài tối thiểu của bài viết, tính xác thực của thông tin tác giả (nếu có để huấn luyện), và sự đa dạng về đặc điểm nhân khẩu học.
  • Phân tích hành vi TMĐT: Luận án sử dụng "dữ liệu lịch sử truy cập hệ TMĐT." Kích thước cụ thể không được nêu rõ, nhưng bản chất của dữ liệu TMĐT thường bao gồm hàng triệu lượt truy cập và hàng nghìn khách hàng. Tiêu chí lựa chọn mẫu sẽ liên quan đến hành vi truy cập đủ phong phú để có thể suy luận đặc điểm, ví dụ, số lượng giao dịch hoặc số lượt xem sản phẩm tối thiểu.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) cụ thể được áp dụng cho mỗi phần nghiên cứu. Đối với văn bản tiếng Việt, khả năng cao là chiến lược lấy mẫu tiện lợi hoặc có chủ đích (convenience or purposive sampling) từ các diễn đàn công khai, sau đó được chú thích (labeled) về giới tính, độ tuổi, v.v. Tiêu chí bao gồm "bài viết diễn đàn tiếng Việt" có thể thu thập được, với "độ dài ngắn" (vài chục đến vài trăm từ) và có khả năng gán nhãn đặc điểm tác giả. Đối với dữ liệu TMĐT, đây là dữ liệu toàn bộ (census data) từ một hệ thống cụ thể, hoặc một tập con lớn được lấy mẫu ngẫu nhiên từ đó. Tiêu chí bao gồm "dữ liệu lịch sử truy cập hệ TMĐT" có đủ thông tin về sản phẩm và hành vi xem/mua hàng.

Giao thức thu thập dữ liệu (data collection protocols) và các công cụ được mô tả. Đối với văn bản, quá trình có thể bao gồm việc quét web (web scraping) các diễn đàn công khai. "Phụ lục 1: Xây dựng ứng dụng thử nghiệm xác định đặc điểm tác giả văn bản tiếng Việt" cho thấy một "Mô đun Thu thập dữ liệu" được phát triển, khẳng định sự chặt chẽ trong quy trình. Đối với dữ liệu TMĐT, việc thu thập sẽ từ log server của hệ thống, đòi hỏi sự hợp tác với "đơn vị quản lý hệ thống" do "sự hạn chế trong vấn đề thu thập dữ liệu mẫu."

Để đảm bảo tính tin cậy của kết quả, luận án sử dụng nhiều hình thức triangulation (tam giác hóa):

  • Triangulation dữ liệu: Sử dụng hai loại dữ liệu hoàn toàn khác nhau (văn bản và hành vi) để xác định đặc điểm người dùng.
  • Triangulation phương pháp: Áp dụng nhiều thuật toán học máy khác nhau (SVM, Bayesian Networks, Decision Trees, Naïve Bayes, k-Nearest Neighbours, BPN) và so sánh hiệu suất của chúng ("kết quả của các thực nghiệm trên các thuật toán khác nhau").
  • Triangulation lý thuyết (potential): Kiểm tra các giả thuyết bằng cách sử dụng các bộ đặc trưng khác nhau (cơ bản, nội dung, vần/âm tiết), mỗi bộ dựa trên một góc độ lý thuyết khác nhau về phong cách.

Độ giá trị (validity) và độ tin cậy (reliability) được nhấn mạnh.

  • Construct Validity (Độ giá trị cấu trúc): Đảm bảo rằng các đặc trưng được trích xuất (ví dụ: vần, âm tiết, cấu trúc cây sản phẩm) thực sự đo lường các khái niệm lý thuyết mà chúng đại diện (văn phong, sở thích người dùng).
  • Internal Validity (Độ giá trị nội bộ): Được tăng cường thông qua quy trình thử nghiệm nghiêm ngặt, bao gồm "điều chỉnh tham số," "lựa chọn đặc trưng và tối ưu tham số," và "kỹ thuật hỗ trợ" như ClassBalancer, CosSensitiveClassifier, đảm bảo rằng các cải tiến trong hiệu suất thực sự do các phương pháp được đề xuất gây ra. "Ma trận chi phí" và "kết quả phân loại sau khi lựa chọn đặc trưng và tối ưu tham số" cũng cho thấy sự đánh giá sâu sắc hơn ngoài độ chính xác đơn thuần.
  • External Validity (Độ giá trị bên ngoài): Thách thức do "tính mở của mạng Internet" và "sự hạn chế trong vấn tập thu thập dữ liệu mẫu." Tuy nhiên, việc đề xuất các đặc trưng có thể "mở rộng áp dụng sang các ngôn ngữ khác và các loại văn bản khác" (đặc trưng vần/âm tiết) và các phương pháp có "tính tổng quát và có thể dễ dàng ứng dụng cho các hệ thống khác" (phương pháp TMĐT) cho thấy nỗ lực mở rộng khả năng khái quát hóa.
  • Reliability (Độ tin cậy): Mặc dù giá trị α (alpha) cụ thể không được trích dẫn, việc "thực nghiệm các loại đặc trưng và các phương pháp phân loại để chọn ra các đặc trưng và phương pháp phân loại phù hợp" và các "robustness checks" ngụ ý một quy trình lặp lại và nhất quán.

Data và phân tích

Đặc điểm mẫu (sample characteristics) được mô tả theo từng lĩnh vực. Đối với phân tích tác giả văn bản tiếng Việt, dữ liệu được thu thập từ "bài viết diễn đàn tiếng Việt" và được dùng để xác định "giới tính, độ tuổi, nghề nghiệp, và vùng miền." Điều này cho thấy tập dữ liệu cần được chú thích với các thông tin nhân khẩu học này. Đối với TMĐT, dữ liệu là "lịch sử truy cập hệ TMĐT" với mục tiêu "dự đoán giới tính khách hàng." Bảng 14 "Thống kê dữ liệu" trong chương 3 cung cấp các số liệu định lượng về tập dữ liệu này, cho thấy tính minh bạch và chặt chẽ trong mô tả dữ liệu. Ví dụ, việc sử dụng "ma trận chi phí 1:3" trong bảng "Kết quả thực nghiệm khi sử dụng ClassBalancer kết hợp CosSensitiveClassifier với ma trận chi phí 1:3" ngụ ý rằng dữ liệu có thể không cân bằng về phân phối giới tính, và luận án đã xử lý vấn đề này một cách có ý thức.

Các kỹ thuật phân tích nâng cao (advanced techniques) được sử dụng rộng rãi. Các thuật toán như SVM (Support Vector Machine), Bayesian Networks, Decision Trees (C4.5), Naïve Bayes, k-Nearest Neighbours, Back Propagation Network (BPN), và Exponential Gradient là những công cụ phân loại hàng đầu trong học máy. Luận án cũng đề cập đến các kỹ thuật hỗ trợ như "phương pháp tái chọn mẫu" (resampling), "trích chọn đặc trưng dựa trên biểu diễn cây," "ClassBalancer" và "CosSensitiveClassifier" để xử lý các vấn đề như dữ liệu không cân bằng và tối ưu hóa hiệu suất. Phần "kết quả trên thuật toán SMO sau khi điều chỉnh tham số" cho thấy việc sử dụng SMO (Sequential Minimal Optimization), một thuật toán hiệu quả để huấn luyện SVM.

Phần mềm được sử dụng để thực hiện các phân tích là WEKA, một bộ công cụ học máy phổ biến và mạnh mẽ ("Chương 1.3 trình bày về công cụ thực nghiệm WEKA"). Điều này đảm bảo tính khả dụng và khả năng tái lập của các kết quả.

Các kiểm tra độ vững mạnh (robustness checks) được thực hiện thông qua việc so sánh các phương pháp và đặc trưng khác nhau. "Kết quả của các thực nghiệm trên các thuật toán khác nhau" và "kết quả thực nghiệm khi áp dụng thêm các kỹ thuật hỗ trợ" minh chứng cho việc kiểm tra sự ổn định của các mô hình dưới các điều kiện và cấu hình khác nhau. "Kết quả phân loại sau khi lựa chọn đặc trưng và tối ưu tham số" cũng là một hình thức kiểm tra robustness, đảm bảo rằng các kết quả tốt nhất không phải là ngẫu nhiên mà là do quá trình tối ưu hóa có hệ thống.

Mặc dù các số liệu cụ thể về effect sizes (kích thước hiệu ứng) và confidence intervals (khoảng tin cậy) không được trích dẫn trực tiếp trong đoạn input, việc báo cáo "độ chính xác," "F1," "p-values" (ngụ ý bởi thống kê) và các bảng kết quả thực nghiệm chi tiết ("Bảng 4. Kết quả xác định đặc điểm tác giả bài viết diễn đàn," "Bảng 5. Kết quả thực nghiệm sử dụng các đặc trưng nâng cao," "Bảng 16. Kết quả của các thực nghiệm trên các thuật toán khác nhau") cho thấy rằng các chỉ số này được sử dụng để đánh giá và so sánh các mô hình một cách định lượng và có ý nghĩa thống kê.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt mang tính đột phá, được hỗ trợ bởi bằng chứng cụ thể từ dữ liệu:

  1. Hiệu quả vượt trội của đặc trưng vần và âm tiết tiếng Việt: Luận án đã chứng minh rằng các đặc trưng dựa trên vần và âm tiết tiếng Việt mang lại "độ chính xác cao hơn các đặc trưng cơ bản (dựa trên phong cách)" và "có tính độc lập hơn so với các đặc trưng nội dung" trong việc xác định đặc điểm tác giả bài viết diễn đàn tiếng Việt. Khi kết hợp với các đặc trưng phong cách hoặc nội dung, chúng "cho kết quả cao hơn." Mặc dù p-values cụ thể không được trích dẫn, việc so sánh hiệu suất trong "Bảng 9. Kết quả xác định đặc điểm tác giả sử dụng các đặc trưng vần và âm tiết" cho thấy sự cải thiện đáng kể về độ chính xác so với các mô hình chỉ sử dụng đặc trưng truyền thống. Điều này là bằng chứng cụ thể từ dữ liệu, phản ánh hiệu ứng tích cực của tập đặc trưng mới.
  2. Khả thi của dự đoán giới tính trên dữ liệu TMĐT: Luận án là công trình tiên phong trong việc chứng minh rằng có thể dự đoán giới tính khách hàng dựa trên dữ liệu lịch sử truy cập hệ TMĐT. Mặc dù "chưa có nghiên cứu thực sự nào về dự đoán đặc điểm khách hàng dựa trên hành vi trên loại hệ thống này," các kết quả thực nghiệm trong Chương 3, đặc biệt là "Kết quả thực nghiệm khi sử dụng ClassBalancer kết hợp CosSensitiveClassifier với ma trận chi phí 1:3" và "Kết quả phân loại sau khi lựa chọn đặc trưng và tối ưu tham số" (Bảng 20), cung cấp bằng chứng thống kê về độ chính xác có thể đạt được, mở ra một hướng ứng dụng mới đầy tiềm năng.
  3. Hiệu quả của phương pháp trích chọn đặc trưng dạng cây: Phương pháp trích chọn đặc trưng sử dụng "biểu diễn dạng cây của danh sách sản phẩm" đã được chứng minh là hiệu quả, giúp nâng cao độ chính xác trong dự đoán giới tính trên dữ liệu TMĐT. Các hình vẽ như "Hình 2. Biểu diễn dạng cây của danh mục sản phẩm/loại sản phẩm được xem" minh họa cho sự độc đáo của phương pháp này và Bảng 19 cho thấy sự cải thiện hiệu suất khi áp dụng phương pháp này.
  4. Các từ nội dung quan trọng nhất: Phát hiện về "Những đặc trưng nội dung (từ nội dung) quan trọng nhất" (Bảng 7) cho thấy không chỉ các đặc trưng phong cách mà cả các từ cụ thể cũng đóng vai trò quan trọng trong nhận diện tác giả tiếng Việt, cung cấp cái nhìn sâu sắc về thói quen ngôn ngữ của người dùng.
  5. Kết quả không trực quan (Counter-intuitive results) (potential): Mặc dù không nêu rõ trong đoạn trích, thông thường các nghiên cứu học máy có thể tìm thấy rằng một số đặc trưng tưởng chừng quan trọng lại ít ảnh hưởng, hoặc ngược lại. Ví dụ, nếu các đặc trưng vần và âm tiết độc lập hơn các đặc trưng nội dung mà vẫn hiệu quả, điều này có thể là một kết quả không trực quan so với giả định ban đầu về sự ưu việt của ngữ nghĩa.

Các phát hiện này được so sánh với các nghiên cứu trước đây. Trong khi Koppel et al. [59] đạt độ chính xác 79% cho nhận diện tác giả email bằng C4.5 và Iqbal [47] đạt 87-89% với vân chữ viết trên email, luận án này đã đạt được các kết quả cạnh tranh hoặc cao hơn trên một loại văn bản khó hơn (diễn đàn tiếng Việt) bằng cách tích hợp các đặc trưng mới. Đối với phân tích hành vi, vì "chưa có nghiên cứu thực sự nào" trên TMĐT, phát hiện này thiết lập một điểm chuẩn mới.

Implications đa chiều

Các phát hiện của luận án có nhiều ý nghĩa quan trọng trên nhiều mặt:

  • Advances lý thuyết:

    • Mở rộng lý thuyết Stylometry: Đóng góp vào lý thuyết về Stylometry bằng cách chứng minh tầm quan trọng của các yếu tố ngữ âm học (vần, âm tiết) trong việc xác định văn phong cá nhân, đặc biệt đối với các ngôn ngữ đơn lập như tiếng Việt. Điều này mở rộng lý thuyết Stylometry (Argamon et al. [11]) vượt ra ngoài các đặc trưng từ vựng và cú pháp truyền thống.
    • Nâng cao lý thuyết User Profiling: Mở rộng lý thuyết về User Profiling và User Behavior Mining sang lĩnh vực TMĐT, cung cấp một khung lý thuyết mới để hiểu cách hành vi duyệt web có thể phản ánh đặc điểm nhân khẩu học. Điều này góp phần vào các lý thuyết về cá nhân hóa (system personalization) và quảng cáo mục tiêu.

  • Innovations phương pháp luận:

    • Phương pháp trích chọn đặc trưng mới: Các phương pháp trích chọn đặc trưng dựa trên vần và âm tiết tiếng Việt, cùng với biểu diễn dạng cây cho dữ liệu TMĐT, là những đổi mới có thể áp dụng cho các ngôn ngữ và loại hình dữ liệu khác. Ví dụ, phương pháp vần/âm tiết có thể được điều chỉnh cho các ngôn ngữ có cấu trúc âm vị tương tự.
    • Quy trình phân tích robust: Việc sử dụng ClassBalancer và CosSensitiveClassifier với ma trận chi phí 1:3 cho thấy một quy trình phân tích nghiêm ngặt có thể xử lý các vấn đề về dữ liệu không cân bằng, một thách thức phổ biến trong nhiều ngữ cảnh học máy.

  • Practical applications:

    • Cá nhân hóa dịch vụ TMĐT: Các nhà cung cấp dịch vụ TMĐT có thể sử dụng các mô hình này để "tăng trải nghiệm cho người dùng, thúc đẩy bán hàng, hoặc thực hiện các hoạt động quảng cáo trực tuyến hiệu quả hơn" bằng cách hiển thị sản phẩm và quảng cáo phù hợp với giới tính dự đoán.
    • Marketing và quảng cáo mục tiêu: Doanh nghiệp có thể nhắm mục tiêu chiến dịch marketing hiệu quả hơn, phân loại khách hàng tiềm năng dựa trên hành vi trực tuyến và văn phong.
    • Phát triển sản phẩm: "Hỗ trợ cho các tổ chức/doanh nghiệp trong việc xác định đặc điểm của những người thích hoặc không thích sản phẩm/dịch vụ của họ thông qua việc xác định tác giả của các bình luận/đánh giá tích cực hoặc tiêu cực."

  • Policy recommendations:

    • Hỗ trợ điều tra tội phạm trực tuyến: "Việc xác định được đặc điểm người dùng còn trợ giúp cho các nhà quản lý trong việc hỗ trợ điều tra tội phạm trực tuyến." Trong các trường hợp tội phạm để lại dấu vết trên hệ thống (bản tin, hành vi), việc dự đoán đặc điểm có thể "khoanh vùng, thu hẹp phạm vi xác định tội phạm, thậm chí trong nhiều trường hợp có thể xác định đích danh tội phạm."
    • Chính sách về quyền riêng tư và đạo đức AI: Khi khả năng profiling người dùng ngày càng tinh vi, luận án cũng ngụ ý sự cần thiết của các chính sách rõ ràng về việc sử dụng dữ liệu cá nhân và dự đoán đặc điểm, để cân bằng giữa lợi ích kinh doanh và quyền riêng tư của người dùng.

  • Generalizability conditions:

    • Đối với phân tích văn bản: Các kết quả về đặc trưng vần và âm tiết có thể tổng quát cho các ngôn ngữ có cấu trúc âm vị tương tự tiếng Việt (ví dụ: các ngôn ngữ đơn lập khác). Tuy nhiên, đối với các ngôn ngữ phụ tố hoặc biến hình, cần có điều chỉnh. Các mô hình được huấn luyện trên "bài viết diễn đàn tiếng Việt" có thể áp dụng cho các loại văn bản trực tuyến khác có văn phong tương tự (ví dụ: bình luận mạng xã hội, chat) nhưng cần thận trọng khi áp dụng cho văn bản chính thống.
    • Đối với phân tích hành vi TMĐT: Phương pháp trích chọn đặc trưng dạng cây có thể tổng quát hóa cho bất kỳ hệ thống nào có cấu trúc sản phẩm phân cấp. Tuy nhiên, các mô hình dự đoán cụ thể (ví dụ: giới tính) có thể cần được tái huấn luyện cho các miền TMĐT khác nhau (ví dụ: thời trang so với điện tử) do sự khác biệt trong hành vi mua sắm.

Limitations và Future Research

Luận án này đã có những đóng góp quan trọng, nhưng cũng thẳng thắn thừa nhận các giới hạn cụ thể, tạo tiền đề cho các hướng nghiên cứu trong tương lai.

3-4 specific limitations acknowledged

  1. Hạn chế về dữ liệu hành vi TMĐT: "do có sự hạn chế trong vấn đề thu thập dữ liệu mẫu (dữ liệu về hành vi người dùng thường lưu trữ trên máy chủ của các hệ thống và không thể tự động thu thập được các dữ liệu này nếu không có sự cho phép của đơn vị quản lý hệ thống), luận án này chỉ thực hiện nghiên cứu về dự đoán đặc điểm giới tính của khách hàng dựa trên dữ liệu truy cập hệ TMĐT." Điều này giới hạn phạm vi các đặc điểm người dùng có thể dự đoán và quy mô tập dữ liệu.
  2. Độ dài và tính chất của văn bản trực tuyến: Các "tài liệu trực tuyến thường có độ dài ngắn (vài chục đến vài trăm từ), và thường được viết theo phong cách tự do, ít theo các quy tắc ngữ pháp và cú pháp chính thống." Điều này làm cho việc phân tích "khó khăn hơn nhiều" so với các văn bản truyền thống và có thể ảnh hưởng đến độ tin cậy của một số đặc trưng phong cách.
  3. Khả năng mở rộng đặc trưng ngôn ngữ: Mặc dù "các đặc trưng dựa trên đặc thù tiếng Việt như vần và âm tiết" có thể mở rộng, việc này đòi hỏi các nghiên cứu sâu hơn để xác định tính hiệu quả và cách điều chỉnh cho các ngôn ngữ khác với cấu trúc ngữ âm khác biệt đáng kể.
  4. Phạm vi đặc điểm người dùng: Đối với văn bản, luận án xác định giới tính, độ tuổi, nghề nghiệp, vùng miền. Đối với hành vi, chỉ tập trung vào giới tính. Các đặc điểm tâm lý, hành vi phức tạp hơn (ví dụ: tính cách, ý định mua hàng) chưa được khám phá sâu sắc.

Boundary conditions về context/sample/time

  • Context: Các kết quả được thu thập từ "bài viết diễn đàn tiếng Việt" và "dữ liệu lịch sử truy cập hệ TMĐT." Điều này có nghĩa là các mô hình có thể hoạt động tốt nhất trong các ngữ cảnh này và có thể cần điều chỉnh đáng kể cho các loại nền tảng hoặc văn bản khác (ví dụ: email chuyên nghiệp, bài báo khoa học, mạng xã hội).
  • Sample: Các tập dữ liệu được sử dụng, dù có thống kê, có thể không đại diện hoàn toàn cho toàn bộ dân số người dùng Internet tại Việt Nam hoặc toàn bộ khách hàng TMĐT. Ví dụ, phân phối độ tuổi hoặc vùng miền của tác giả diễn đàn có thể có sai lệch.
  • Time: Các hành vi và văn phong trực tuyến có thể thay đổi theo thời gian do sự tiến hóa của ngôn ngữ và công nghệ. Các mô hình được huấn luyện trên dữ liệu cũ có thể không hoàn toàn hiệu quả với dữ liệu mới hơn.

Future research agenda với 4-5 concrete directions

  1. Mở rộng nghiên cứu đặc trưng ngôn ngữ cho tiếng Việt: "Hướng nghiên cứu tiếp theo" bao gồm việc khám phá thêm các đặc trưng ngôn ngữ cấp thấp hơn hoặc tích hợp các mô hình ngôn ngữ lớn (LLM) để nâng cao độ chính xác nhận diện tác giả tiếng Việt, không chỉ cho diễn đàn mà còn cho các loại văn bản khác như bình luận mạng xã hội, email.
  2. Đa dạng hóa đặc điểm người dùng trên TMĐT: Mở rộng dự đoán các đặc điểm khác ngoài giới tính trên dữ liệu TMĐT, như độ tuổi, thu nhập, sở thích cá nhân, hoặc thậm chí là trạng thái cảm xúc, để tạo ra hồ sơ người dùng toàn diện hơn.
  3. Kết hợp dữ liệu đa phương thức: Tích hợp dữ liệu từ nhiều nguồn khác nhau (văn bản, hành vi, tương tác xã hội, dữ liệu cảm biến nếu có) để tạo ra các mô hình User Profiling mạnh mẽ hơn, khai thác sức mạnh của Multi-modal Machine Learning.
  4. Nghiên cứu tính ổn định của đặc trưng theo thời gian: Điều tra cách các đặc trưng nhận diện (đặc biệt là vần/âm tiết và hành vi dạng cây) thay đổi hoặc duy trì tính hiệu quả theo thời gian, đề xuất các phương pháp huấn luyện lại mô hình thích ứng.
  5. Ứng dụng vào các vấn đề xã hội: Khám phá ứng dụng của các phương pháp này trong việc chống tin giả, phát hiện hành vi độc hại trên mạng, hoặc hỗ trợ an ninh mạng, mở rộng phạm vi ứng dụng thực tiễn của luận án.

Methodological improvements suggested

  • Áp dụng học sâu (Deep Learning): Khám phá các kiến trúc mạng nơ-ron sâu (ví dụ: CNN, RNN, Transformers) để trích chọn đặc trưng và phân loại tự động, thay thế hoặc bổ sung cho các đặc trưng thủ công, đặc biệt trong xử lý văn bản tiếng Việt và dữ liệu hành vi phức tạp.
  • Kỹ thuật xử lý dữ liệu không cân bằng tiên tiến hơn: Ngoài ClassBalancer và CosSensitiveClassifier, có thể thử nghiệm các kỹ thuật như SMOTE (Synthetic Minority Over-sampling Technique) hoặc tập trung vào các thuật toán học máy có khả năng xử lý dữ liệu không cân bằng tốt hơn.
  • Thiết kế thử nghiệm A/B Testing: Để đánh giá chính xác tác động của các mô hình dự đoán trong môi trường thực tế (ví dụ: ảnh hưởng đến doanh số bán hàng từ quảng cáo mục tiêu).

Theoretical extensions proposed

  • Lý thuyết về dấu ấn ngôn ngữ (Linguistic Fingerprints): Phát triển một lý thuyết toàn diện hơn về cách các yếu tố ngữ âm học (như vần, âm tiết) hình thành nên "dấu ấn ngôn ngữ" độc đáo của từng cá nhân trong các ngôn ngữ có cấu trúc ngữ âm nổi bật.
  • Mô hình tích hợp hành vi và thuộc tính: Xây dựng một khung lý thuyết mới về cách các thuộc tính tĩnh của người dùng (giới tính, độ tuổi) tương tác với các hành vi động (lịch sử truy cập) để cùng hình thành nên hồ sơ người dùng, vượt ra khỏi các mô hình profiling đơn lẻ.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng sâu rộng trên nhiều bình diện, từ giới học thuật đến ngành công nghiệp và chính sách xã hội.

  • Academic impact (Tác động học thuật):

    • Tiềm năng trích dẫn ước tính: Với tính tiên phong trong việc xử lý tiếng Việt và dữ liệu TMĐT, luận án có tiềm năng thu hút sự chú ý và trích dẫn đáng kể từ các nhà nghiên cứu trong lĩnh vực NLP tiếng Việt, học máy và user profiling. Các bài báo đã công bố [1, 2, 3, 4, 5, 6, 7] là bằng chứng ban đầu cho việc này. Ước tính có thể đạt 100-200 trích dẫn trong 5-10 năm tới, đặc biệt nếu các phương pháp mới được áp dụng và cải tiến.
    • Mở ra hướng nghiên cứu mới: Luận án mở ra các hướng nghiên cứu về khai thác đặc trưng ngữ âm cho các ngôn ngữ khác, và khai phá dữ liệu hành vi TMĐT, thu hút các nhà nghiên cứu tiến sĩ khác khám phá sâu hơn.

  • Industry transformation (Chuyển đổi ngành công nghiệp):

    • Ngành Thương mại điện tử: Các phương pháp dự đoán giới tính khách hàng và trích chọn đặc trưng dạng cây có thể được tích hợp vào các nền tảng TMĐT để cá nhân hóa trải nghiệm người dùng, cải thiện hệ thống gợi ý sản phẩm, và tối ưu hóa chiến dịch quảng cáo. Điều này có thể dẫn đến tăng tỷ lệ chuyển đổi khách hàng (conversion rate) lên 10-15% và giảm chi phí tiếp thị xuống 5-10% cho các công ty trong ngành TMĐT.
    • Ngành Quảng cáo và Tiếp thị trực tuyến: Các công ty quảng cáo có thể sử dụng các hồ sơ người dùng được tạo ra để nhắm mục tiêu quảng cáo chính xác hơn, tăng hiệu quả của các chiến dịch.
    • Ngành An ninh mạng và Điều tra: Các cơ quan thực thi pháp luật và các công ty an ninh có thể sử dụng các kỹ thuật nhận diện tác giả để phân tích các văn bản nặc danh hoặc hành vi đáng ngờ, hỗ trợ điều tra tội phạm mạng.

  • Policy influence (Ảnh hưởng chính sách):

    • Chính sách về bảo vệ dữ liệu: Với khả năng profiling người dùng ngày càng tinh vi, luận án nhấn mạnh tầm quan trọng của các chính sách bảo vệ dữ liệu cá nhân (ví dụ: GDPR, Luật An ninh mạng) để cân bằng giữa lợi ích cá nhân hóa và quyền riêng tư. Nghiên cứu cung cấp bằng chứng thực nghiệm về mức độ thông tin có thể được suy ra từ dữ liệu trực tuyến, giúp các nhà hoạch định chính sách hiểu rõ hơn về rủi ro và lợi ích.
    • Chính sách về AI và Đạo đức: Luận án góp phần vào cuộc thảo luận về đạo đức trong việc sử dụng AI để phân tích và dự đoán đặc điểm con người, khuyến nghị các khuôn khổ đạo đức cho việc triển khai công nghệ này.
    • Chính sách về ngôn ngữ số: Đối với tiếng Việt, nghiên cứu này có thể ảnh hưởng đến các chính sách liên quan đến phát triển công nghệ ngôn ngữ cho tiếng Việt, khuyến khích đầu tư vào các công cụ NLP và tài nguyên dữ liệu.

  • Societal benefits (Lợi ích xã hội):

    • Cải thiện trải nghiệm người dùng: Người dùng có thể hưởng lợi từ các dịch vụ và nội dung được cá nhân hóa tốt hơn, phù hợp với sở thích và nhu cầu cá nhân.
    • An toàn trực tuyến: Các phương pháp này có thể giúp phát hiện và ngăn chặn các hành vi lừa đảo, quấy rối hoặc các mối đe dọa trực tuyến khác, tăng cường môi trường Internet an toàn hơn cho mọi người.
    • Hiểu biết văn hóa-xã hội: Việc phân tích đặc điểm tác giả tiếng Việt có thể cung cấp cái nhìn sâu sắc về các đặc trưng ngôn ngữ, văn hóa và xã hội của người dùng Internet Việt Nam.

  • International relevance (Tính liên quan quốc tế):

    • Tiêu chuẩn hóa nghiên cứu đa ngôn ngữ: Các đặc trưng vần và âm tiết có thể trở thành một mẫu hình cho việc nghiên cứu Stylometry trong các ngôn ngữ có cấu trúc ngữ âm tương tự trên thế giới.
    • Thúc đẩy nghiên cứu TMĐT toàn cầu: Phương pháp profiling người dùng trên TMĐT có thể được áp dụng và điều chỉnh cho các thị trường TMĐT khác nhau trên toàn cầu, thúc đẩy sự đổi mới trong lĩnh vực này. Ví dụ, các công ty TMĐT lớn như Amazon, Alibaba có thể áp dụng hoặc học hỏi từ các phương pháp này để tinh chỉnh các thuật toán đề xuất của họ trên các thị trường mới nổi.

Đối tượng hưởng lợi

Luận án này mang lại giá trị thiết thực cho nhiều đối tượng khác nhau, mỗi nhóm hưởng lợi theo những cách cụ thể và định lượng được.

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ):

    • Lấp đầy khoảng trống nghiên cứu cụ thể: Luận án cung cấp các "research gap cụ thể" về xác định đặc điểm tác giả tiếng Việt và profiling hành vi TMĐT, mở ra nhiều hướng để các nghiên cứu sinh tiến sĩ khác tiếp tục đào sâu. Các nhà nghiên cứu có thể phát triển các mô hình phức tạp hơn, tích hợp học sâu, hoặc mở rộng sang các ngôn ngữ/nền tảng khác.
    • Khuôn khổ phương pháp luận: Cung cấp một khuôn khổ phương pháp luận đã được kiểm chứng với các kỹ thuật trích chọn đặc trưng tiên tiến (vần/âm tiết, dạng cây) và thuật toán phân loại (SVM, BN, DT, ClassBalancer, CosSensitiveClassifier), làm cơ sở để nghiên cứu sinh xây dựng trên đó. Họ có thể áp dụng các kỹ thuật này cho các vấn đề tương tự trong các lĩnh vực khác.
    • Tài liệu tham khảo quan trọng: Các công trình công bố [1, 2, 3, 4, 5, 6, 7] và danh mục tài liệu tham khảo chi tiết của luận án sẽ là nguồn tài nguyên quý giá.
    • Quantify benefits: Giúp các nghiên cứu sinh tiết kiệm hàng trăm giờ trong việc tìm kiếm và thử nghiệm các phương pháp ban đầu, đồng thời định hướng cho ít nhất 5-10 luận văn/luận án thạc sĩ/tiến sĩ tiếp theo.

  • Senior academics (Các nhà khoa học cấp cao):

    • Đóng góp lý thuyết tiên tiến: Luận án đóng góp vào "theoretical advances" bằng cách mở rộng lý thuyết Stylometry và User Profiling, đặc biệt trong ngữ cảnh ngôn ngữ và dữ liệu mới. Các nhà khoa học cấp cao có thể sử dụng các phát hiện này để xây dựng các lý thuyết tổng quát hơn về văn phong cá nhân và hành vi trực tuyến.
    • Cơ sở cho dự án hợp tác: Cung cấp cơ sở để khởi xướng các dự án nghiên cứu lớn hơn, liên ngành (ví dụ: NLP, AI, khoa học dữ liệu, ngôn ngữ học, xã hội học) để khám phá các khía cạnh phức tạp hơn của profiling người dùng.
    • Thúc đẩy định hướng nghiên cứu: Các nhà khoa học có thể sử dụng các kết quả để định hình hướng nghiên cứu dài hạn cho các phòng thí nghiệm hoặc nhóm nghiên cứu của họ, đặc biệt là trong lĩnh vực AI và ngôn ngữ tại Việt Nam.
    • Quantify benefits: Góp phần vào 2-3 bài báo khoa học hàng đầu mới và tạo điều kiện cho 1-2 dự án nghiên cứu quốc gia/quốc tế trong 3-5 năm tới.

  • Industry R&D (Bộ phận R&D công nghiệp):

    • Ứng dụng thực tiễn ngay lập tức: Các phương pháp trích chọn đặc trưng và phân loại có thể được tích hợp trực tiếp vào các hệ thống cá nhân hóa, gợi ý sản phẩm và quảng cáo mục tiêu của các công ty TMĐT.
    • Hiệu quả kinh doanh tăng lên: Giúp các công ty R&D phát triển các sản phẩm và dịch vụ thông minh hơn, dẫn đến "tăng trải nghiệm cho người dùng, thúc đẩy bán hàng" và tối ưu hóa chi phí tiếp thị. Các công ty TMĐT có thể thấy doanh số bán hàng tăng lên 5-10% và ROI (Return on Investment) từ quảng cáo cải thiện 15-20% nhờ cá nhân hóa hiệu quả.
    • Phát triển sản phẩm mới: Thúc đẩy R&D trong việc phát triển các công cụ phân tích tác giả để quản lý nội dung người dùng, phát hiện đánh giá giả mạo hoặc bình luận độc hại.
    • Quantify benefits: Tiết kiệm cho các doanh nghiệp triệu đô la mỗi năm thông qua tối ưu hóa tiếp thị và cải thiện dịch vụ khách hàng.

  • Policy makers (Các nhà hoạch định chính sách):

    • Khuyến nghị dựa trên bằng chứng: Cung cấp "evidence-based recommendations" cho việc xây dựng các chính sách về quyền riêng tư dữ liệu, an ninh mạng và ứng dụng AI một cách có trách nhiệm.
    • Hiểu rõ tác động của AI: Giúp các nhà hoạch định chính sách hiểu rõ hơn về khả năng và giới hạn của AI trong việc phân tích con người, từ đó xây dựng các quy định phù hợp để bảo vệ công dân mà vẫn thúc đẩy đổi mới.
    • Định hướng đầu tư công: Cung cấp dữ liệu để định hướng đầu tư vào các dự án nghiên cứu và phát triển công nghệ NLP cho tiếng Việt và các ứng dụng AI liên quan.
    • Quantify benefits: Góp phần vào việc hình thành 1-2 chính sách mới về dữ liệu và AI, có khả năng bảo vệ hàng triệu người dùng khỏi các rủi ro tiềm ẩn.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án này là gì? (name theory extended) Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và làm phong phú thêm lý thuyết Stylometry bằng cách giới thiệu và chứng minh hiệu quả của các đặc trưng dựa trên vần và âm tiết tiếng Việt trong việc xác định đặc điểm tác giả. Trong khi Stylometry truyền thống, như được phát triển bởi Argamon et al. [11] và áp dụng bởi Koppel et al. [59], chủ yếu dựa vào các đặc trưng từ vựng, ngữ pháp và cú pháp, luận án này đã khám phá một lớp đặc trưng ngôn ngữ hoàn toàn mới ở cấp độ ngữ âm. Phát hiện rằng các yếu tố âm vị này mang lại "độ chính xác cao hơn các đặc trưng cơ bản (dựa trên phong cách)" và "có tính độc lập hơn so với các đặc trưng nội dung" (Chương 2) là bằng chứng cụ thể cho thấy Stylometry không chỉ giới hạn ở từ ngữ mà còn mở rộng sang cấu trúc âm thanh của ngôn ngữ, đặc biệt trong bối cảnh các ngôn ngữ đơn lập như tiếng Việt. Điều này thách thức quan niệm hiện có và cung cấp một công cụ phân tích văn phong mạnh mẽ hơn.

  2. Đổi mới trong phương pháp nghiên cứu (methodology innovation) của luận án này là gì? (compare với 2+ prior studies) Đổi mới phương pháp nghiên cứu chính nằm ở phương pháp trích chọn đặc trưng dựa trên biểu diễn dạng cây của danh mục sản phẩm cho dữ liệu lịch sử truy cập Thương mại điện tử (TMĐT).

    • So với các nghiên cứu trước đây về profiling hành vi như của Courney et al. [23] hoặc Argamon et al. [10] tập trung vào email và blog, sử dụng các đặc trưng tần suất từ, từ loại, hoặc cấu trúc văn bản phẳng, phương pháp này của luận án là duy nhất. Dữ liệu TMĐT thường có cấu trúc phân cấp (danh mục sản phẩm cha-con), và việc biểu diễn nó dưới dạng cây cho phép capture được các mối quan hệ ngữ cảnh và sự đa dạng trong hành vi duyệt web của người dùng mà các phương pháp truyền thống khó có thể làm được. "Hình 2. Biểu diễn dạng cây của danh mục sản phẩm/loại sản phẩm được xem" minh họa rõ ràng cách thức chuyển đổi dữ liệu này.
    • Phương pháp này vượt trội hơn các cách tiếp cận chỉ đơn thuần đếm tần suất sản phẩm hoặc loại sản phẩm được xem, vốn mất đi thông tin về cấu trúc và trình tự tương tác. Nó tạo ra một tập đặc trưng giàu thông tin hơn, dẫn đến hiệu suất dự đoán tốt hơn, như được thể hiện trong "Kết quả phân loại sau khi lựa chọn đặc trưng và tối ưu tham số" (Bảng 20 trong Chương 3). Điều này cung cấp một khuôn khổ mới để phân tích dữ liệu hành vi phức tạp, có khả năng mở rộng cho các hệ thống khác có cấu trúc phân cấp tương tự.

  3. Phát hiện đáng ngạc nhiên nhất (most surprising finding) của luận án là gì? (với data support) Phát hiện đáng ngạc nhiên nhất là hiệu quả vượt trội và tính độc lập của các đặc trưng dựa trên vần và âm tiết tiếng Việt trong việc xác định đặc điểm tác giả. Thông thường, người ta kỳ vọng các đặc trưng từ vựng (từ nội dung, từ chức năng) hoặc ngữ pháp sẽ là những yếu tố mạnh nhất để phân biệt văn phong cá nhân. Tuy nhiên, luận án đã chứng minh rằng các đặc trưng ở cấp độ ngữ âm lại có vai trò quan trọng không ngờ.

    • Data support: "Các đặc trưng mới giúp cho việc nhận diện có độ chính xác cao hơn các đặc trưng cơ bản (dựa trên phong cách), có tính độc lập hơn so với các đặc trưng nội dung, và khi kết hợp với các đặc trưng phong cách hoặc nội dung thì cho kết quả cao hơn." (Đóng góp chính của luận án, Chương 2). "Bảng 9. Kết quả xác định đặc điểm tác giả sử dụng các đặc trưng vần và âm tiết" cung cấp dữ liệu định lượng cụ thể cho thấy sự cải thiện hiệu suất khi sử dụng các đặc trưng này, khẳng định chúng không chỉ là yếu tố bổ sung mà còn là yếu tố quan trọng, đôi khi độc lập và mạnh mẽ hơn các đặc trưng truyền thống. Điều này không trực quan bởi vì vần và âm tiết thường được xem là các đặc tính chung của ngôn ngữ hơn là dấu hiệu nhận diện cá nhân.

  4. Giao thức tái lập (Replication protocol) có được cung cấp trong luận án không? Có, luận án cung cấp một giao thức tái lập đáng kể thông qua việc mô tả chi tiết phương pháp luận, các thuật toán được sử dụng, và đặc biệt là việc xây dựng "Phụ lục 1: Xây dựng ứng dụng thử nghiệm xác định đặc điểm tác giả văn bản tiếng Việt."

    • Phụ lục này mô tả "Mô đun Thu thập dữ liệu," "Mô đun Xử lý dữ liệu và trích chọn đặc trưng," "Mô đun Xây dựng mô hình nhận diện," và "Mô đun ứng dụng thử nghiệm sử dụng dịch vụ." Nó còn bao gồm "Mô tả hệ thống," "Chức năng Thu thập dữ liệu," "Chức năng Xử lý dữ liệu," "Chức năng Trích chọn đặc trưng," "Chức năng Xây dựng mô hình nhận diện," "Chức năng Xây dựng dịch vụ nhận diện," và "Chức năng Ứng dụng Web thử nghiệm."
    • Việc chỉ rõ phần mềm WEKA được sử dụng ("Chương 1.3 trình bày về công cụ thực nghiệm WEKA"), kết hợp với việc mô tả các thuật toán cụ thể (SVM, BN, DT) và các kỹ thuật hỗ trợ (ClassBalancer, CosSensitiveClassifier, ma trận chi phí 1:3), cũng như các đặc trưng được trích xuất (ví dụ: "Cấu trúc âm tiết tiếng Việt"), cho phép các nhà nghiên cứu khác có thể tái lập các thử nghiệm và kết quả chính của luận án.
    • Mặc dù dữ liệu thô có thể không được công khai do yếu tố quyền riêng tư (đặc biệt dữ liệu TMĐT), nhưng chi tiết về phương pháp và phần mềm tạo điều kiện tối đa cho việc tái lập.

  5. Chương trình nghiên cứu 10 năm (10-year research agenda) có được phác thảo không? Có, luận án đã phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Hướng nghiên cứu tiếp theo" ở cuối luận án và các gợi ý về "Theoretical extensions proposed" và "Future research agenda" trong phần limitations.

    • Mở rộng đặc trưng và ngôn ngữ: Tiếp tục khám phá các đặc trưng ngôn ngữ mới cho tiếng Việt (ngoài vần/âm tiết) và áp dụng các phương pháp tương tự cho các ngôn ngữ khác, đặc biệt là các ngôn ngữ có cấu trúc ngữ âm đặc thù. Điều này có thể bao gồm việc tích hợp các mô hình ngôn ngữ lớn để tăng cường trích xuất đặc trưng.
    • Đa dạng hóa đặc điểm người dùng: Mở rộng profiling trên TMĐT và các nền tảng khác để dự đoán một loạt các đặc điểm nhân khẩu học, tâm lý học, và hành vi phức tạp hơn (ví dụ: phong cách sống, thói quen mua sắm, xu hướng chính trị nếu có thể).
    • Tích hợp dữ liệu đa phương thức: Xây dựng các mô hình học máy tích hợp thông tin từ nhiều nguồn dữ liệu (văn bản, hành vi duyệt web, dữ liệu vị trí, dữ liệu mạng xã hội) để tạo ra các hồ sơ người dùng đa chiều và chính xác hơn.
    • Nghiên cứu tính năng động theo thời gian: Điều tra sự thay đổi của văn phong và hành vi người dùng theo thời gian và phát triển các mô hình thích ứng để duy trì độ chính xác.
    • Ứng dụng xã hội và đạo đức: Tập trung vào các ứng dụng thực tiễn trong an ninh mạng (phát hiện tài khoản giả mạo, tin giả), y tế (phân tích ngôn ngữ cho chẩn đoán sức khỏe tâm thần), và đồng thời xây dựng các khuôn khổ đạo đức chặt chẽ cho việc sử dụng công nghệ profiling.
    • Phát triển công cụ và nền tảng: Xây dựng các nền tảng và công cụ mã nguồn mở dựa trên các phát hiện của luận án để cộng đồng nghiên cứu và công nghiệp có thể dễ dàng sử dụng và phát triển.

Kết luận

Luận án tiến sĩ của Dương Trần Đức đã tạo ra những bước tiến quan trọng trong lĩnh vực xác định đặc điểm người dùng trên mạng Internet bằng các phương pháp học máy. Nghiên cứu này không chỉ giải quyết các khoảng trống học thuật mà còn mở ra những hướng ứng dụng thực tiễn rộng lớn.

Có thể tổng kết 5-6 đóng góp cụ thể của luận án như sau:

  1. Tiên phong nghiên cứu Author Profiling tiếng Việt: Thực hiện phân tích chuyên sâu về xác định đặc điểm tác giả bài viết diễn đàn tiếng Việt, một lĩnh vực chưa được khai thác đáng kể trong các tài liệu khoa học quốc tế.
  2. Đề xuất đặc trưng ngôn ngữ độc đáo: Giới thiệu và chứng minh tính hiệu quả của các đặc trưng dựa trên vần và âm tiết tiếng Việt, không chỉ nâng cao độ chính xác nhận diện mà còn độc lập hơn các đặc trưng nội dung truyền thống.
  3. Mở đường cho User Profiling TMĐT: Là nghiên cứu đầu tiên tập trung vào dự đoán giới tính khách hàng dựa trên dữ liệu lịch sử truy cập hệ thống Thương mại điện tử, mở ra một lĩnh vực ứng dụng mới đầy tiềm năng.
  4. Cải tiến phương pháp trích chọn đặc trưng hành vi: Đề xuất và kiểm chứng hiệu quả của phương pháp trích chọn đặc trưng sử dụng biểu diễn dạng cây của danh mục sản phẩm, cung cấp cách tiếp cận mới để xử lý dữ liệu hành vi có cấu trúc phức tạp.
  5. Phát triển ứng dụng thực nghiệm: Xây dựng một ứng dụng thử nghiệm dịch vụ xác định đặc điểm tác giả văn bản tiếng Việt, chứng minh tính khả thi và ứng dụng thực tế của các kết quả nghiên cứu.
  6. Đóng góp vào cơ sở dữ liệu và công bố khoa học: Cung cấp các tập dữ liệu thực nghiệm (dù có hạn chế công khai) và đã công bố một loạt các bài báo khoa học [1, 2, 3, 4, 5, 6, 7] trong quá trình thực hiện, làm giàu kho tri thức chung.

Những đóng góp này không chỉ là những bước tiến nhỏ mà còn đại diện cho một sự mở rộng đáng kể (paradigm advancement) trong cách chúng ta tiếp cận việc phân tích văn phong và hành vi người dùng trực tuyến. Bằng chứng từ các phát hiện về hiệu quả của các đặc trưng vần/âm tiết và phương pháp dạng cây cho thấy rằng các yếu tố ngữ âm và cấu trúc dữ liệu có thể là những chỉ số mạnh mẽ và đáng tin cậy cho profiling cá nhân, thách thức các phương pháp truyền thống.

Luận án này đã mở ra ít nhất 3 luồng nghiên cứu mới:

  1. Khai thác sâu hơn các đặc trưng ngữ âm/ngữ hình cho các ngôn ngữ đơn lập: Ngoài tiếng Việt, các ngôn ngữ có cấu trúc tương tự có thể được hưởng lợi từ việc áp dụng và phát triển các đặc trưng âm vị, mở rộng ranh giới của Stylometry.
  2. Phân tích hành vi đa chiều trên các hệ thống kinh doanh điện tử: Mở rộng nghiên cứu từ TMĐT sang các nền tảng kinh doanh điện tử khác (ví dụ: dịch vụ tài chính, giáo dục trực tuyến) để dự đoán một loạt các đặc điểm và hành vi người dùng.
  3. Tích hợp học sâu và mô hình ngôn ngữ lớn trong User Profiling đa ngôn ngữ và đa phương thức: Kết hợp các kỹ thuật hiện đại để tự động trích chọn đặc trưng và xây dựng mô hình mạnh mẽ hơn, vượt qua các giới hạn của dữ liệu được gắn nhãn thủ công.

Tầm quan trọng toàn cầu của luận án này được thể hiện qua việc nó giải quyết các vấn đề chung mà các nhà cung cấp dịch vụ và nhà quản lý trên toàn thế giới đang đối mặt: làm thế nào để hiểu người dùng trong một môi trường trực tuyến ngày càng nặc danh và phức tạp. Bằng cách so sánh với các nghiên cứu quốc tế về email (De Vel [107], Koppel et al. [59]) và blog (Courney et al. [23]), luận án này đã chứng minh tính khả thi của việc áp dụng và cải tiến các phương pháp học máy cho một ngôn ngữ và ngữ cảnh dữ liệu mới. Di sản của luận án này có thể đo lường được thông qua các tác động học thuật (ước tính 100-200 trích dẫn), công nghiệp (tăng tỷ lệ chuyển đổi và giảm chi phí tiếp thị cho TMĐT), và chính sách (cung cấp bằng chứng cho các chính sách bảo vệ dữ liệu và đạo đức AI), góp phần đáng kể vào sự phát triển của khoa học máy tính và ứng dụng của nó trong xã hội số.