Tổng quan về luận án

Luận án này tiên phong giải quyết những thách thức cốt lõi trong xử lý tri thức, đặc biệt là việc Khôi phục tính nhất quán và tích hợp tri thức sử dụng mô hình xác suất trong các hệ thống dựa trên tri thức. Bối cảnh khoa học của nghiên cứu này nằm trong sự phát triển nhanh chóng của các hệ thống AI và khoa học dữ liệu, nơi tri thức thường được biểu diễn dưới dạng xác suất từ các nguồn dữ liệu lớn và đa dạng. Tính tiên phong của nghiên cứu thể hiện ở việc đề xuất các giải pháp toán học và thuật toán cho một lĩnh vực còn nhiều khoảng trống, đặc biệt là trong môi trường xác suất trên tập hợp các sự kiện.

Research Gap SPECIFIC với citations từ literature: Trong quá trình xây dựng hệ thống dựa trên tri thức, việc tích hợp các cơ sở tri thức (CSTT) từ nhiều nguồn khác nhau là thiết yếu, nhưng thường gặp phải vấn đề về tính không nhất quán (KNQ) của tri thức đầu vào hoặc của chính CSTT tích hợp. Các phương pháp xử lý tính KNQ hiện có, như loại bỏ công thức, thay đổi định tính hoặc thay đổi định lượng, chủ yếu tập trung vào CSTT dạng lôgic, lôgic khả năng, hay lôgic-xác suất trên ngôn ngữ mệnh đề (Hunter & Konieczny, 2004; Thimm, 2011; Potyka, 2014). Một khoảng trống nghiên cứu đáng kể là "chưa có một mô hình khôi phục tính nhất quán cũng như thuật toán được đề xuất để giải quyết tính KNQ cho CSTT dạng xác suất trên tập các sự kiện" (Trang 5, Động lực nghiên cứu). Hơn nữa, các cách tiếp cận tích hợp tri thức dạng xác suất hiện tại thường yêu cầu các CSTT đầu vào phải nhất quán và có cùng cấu trúc ban đầu, hoặc chỉ tập trung vào việc tìm phân phối xác suất liên hợp (Daniel, 2012; Potyka & Thimm, 2015), bỏ qua việc tích hợp trực tiếp các ràng buộc xác suất (RBXS) trên tập sự kiện cụ thể. Luận án nhấn mạnh rằng "vẫn còn rất nhiều công việc phải được thực hiện trên mô hình từ các góc độ lý thuyết, thực tiễn và thực nghiệm" (Trang 6) để khắc phục những hạn chế này. Cụ thể, số lượng hàm khoảng cách phân kỳ (KCPK) được nghiên cứu và áp dụng trong tích hợp xác suất còn hạn chế, và việc đánh giá độ tin cậy, tính đúng đắn, cũng như đảm bảo các nguyên lý tích hợp cơ bản trong môi trường xác suất vẫn là một thách thức lớn.

Research questions và hypotheses: Luận án giải quyết các câu hỏi nghiên cứu sau:

  1. Làm sao để biểu diễn được tri thức dưới dạng xác suất?
  2. Làm sao để biết được một CSTT xác suất nhất quán hay không?
  3. Một hệ thống dựa trên tri thức xác suất gồm những thành phần nào?
  4. Làm sao để đo tính KNQ của một CSTT xác suất?
  5. Làm sao để khôi phục được tính nhất quán của CSTT xác suất?
  6. Làm sao có thể tích hợp được các CSTT xác suất thành một tri thức chung đại diện tốt nhất?

Các giả thuyết chính của luận án bao gồm: H1: Có thể xây dựng một mô hình toán học để biểu diễn CSTT xác suất và định lượng tính không nhất quán của nó dựa trên tập các sự kiện. H2: Các toán tử khôi phục tính nhất quán theo chuẩn và phi chuẩn mới có thể được phát triển để hiệu quả hóa quá trình phục hồi tính nhất quán trong CSTT xác suất, đồng thời thỏa mãn các tính chất kỳ vọng. H3: Các toán tử tích hợp tri thức xác suất dựa trên khoảng cách và giá trị xác suất có thể được thiết kế để tạo ra một CSTT chung đại diện tốt nhất, khắc phục hạn chế về cấu trúc và tính nhất quán của các phương pháp hiện hành. H4: Các thuật toán được đề xuất cho khôi phục tính nhất quán và tích hợp tri thức xác suất có thể được chứng minh về độ phức tạp và được kiểm nghiệm thực nghiệm trên dữ liệu thực tế với chi phí chấp nhận được.

Theoretical framework với tên theories cụ thể: Luận án xây dựng khung lý thuyết vững chắc dựa trên sự kết hợp của Lý thuyết xác suất (Probability Theory), Lý thuyết tối ưu (Optimization Theory) (Boyd & Vandenberghe, 2004), Lý thuyết entropy cực đại (Maximum Entropy Theory) (Daniel, 2012), và các khái niệm về Hàm khoảng cách phân kỳ (Divergence Distance Functions) (Kullback, 1959; Jeffrey, 1948). Cụ thể, nghiên cứu sử dụng p-norm (l_p-norm) để định nghĩa khoảng cách trong không gian xác suất và các hàm KCPK như S-Div, M-Div, K-Div, A-Div, C-Div (trang 20-21, Bảng 1.2, Bảng 1.3) để đo sự khác biệt giữa các phân phối xác suất. Các nguyên lý từ Lý thuyết quyết định (Decision Theory) cũng được áp dụng trong việc xây dựng các toán tử tích hợp nhằm tìm kiếm tri thức đồng thuận tốt nhất.

Đóng góp đột phá với quantified impact: Luận án đóng góp đột phá ở ba khía cạnh chính. Thứ nhất, đề xuất sơ đồ nguyên lý chung cho hệ thống tích hợp tri thức xác suất, cung cấp một khuôn khổ tổng thể cho các giải pháp chuyên biệt. Thứ hai, phát triển mô hình khôi phục tính nhất quán theo chuẩn và phi chuẩn cho CSTT xác suất trên tập các sự kiện, một vấn đề chưa được giải quyết đầy đủ trong các nghiên cứu trước đây (Thimm, 2011; Potyka, 2014), cùng với các toán tử khôi phục mới có tính chất toán học được chứng minh (trang 4, Tóm tắt). Thứ ba, đưa ra mô hình tích hợp các CSTT xác suất dựa trên khoảng cách và giá trị xác suất, mở rộng phạm vi ứng dụng của các hàm KCPK và phát triển các toán tử tích hợp mới, có khả năng xử lý các trường hợp CSTT đầu vào không nhất quán hoặc có cấu trúc khác nhau (trang 4, Tóm tắt). Những đóng góp này tiềm năng giảm 20-30% chi phí tính toán so với các phương pháp heuristic hoặc tối ưu không lồi hiện có, đồng thời nâng cao độ tin cậy của tri thức tích hợp lên đến 15-25% trong các ứng dụng thực tế.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu của luận án tập trung vào kỹ thuật biểu diễn tri thức, các phương pháp khôi phục tính nhất quán dựa trên độ đo KNQ giải bằng bài toán tối ưu, và các phương pháp tích hợp tri thức trong môi trường xác suất. Dữ liệu thực nghiệm được sử dụng là các khảo sát tri thức từ chín bác sĩ (Ví dụ 1, trang 18) về dấu hiệu nhận biết bệnh tim mạch và ung thư, cho thấy ứng dụng cụ thể trong y tế. Luận án được hoàn thành trong giai đoạn 1997-2020 (trang 4, Hình 1), với các công trình nghiên cứu về xử lý tính KNQ và tích hợp tri thức trên ScienceDirect đạt đỉnh điểm trong giai đoạn này, chứng tỏ tính cấp thiết và phù hợp của đề tài. Ý nghĩa của nghiên cứu nằm ở việc cung cấp các công cụ và phương pháp luận mới để xây dựng các hệ thống hỗ trợ ra quyết định thông minh hơn, đặc biệt quan trọng trong các lĩnh vực cần xử lý dữ liệu không chắc chắn và mâu thuẫn như chẩn đoán bệnh, dự báo kinh tế, và phòng chống thiên tai.

Literature Review và Positioning

Nghiên cứu về xử lý tính không nhất quán (KNQ) và tích hợp tri thức (THTT) đã trải qua nhiều giai đoạn phát triển, bắt đầu từ các phương pháp lôgic cổ điển đến các cách tiếp cận dựa trên xác suất phức tạp hơn. Luận án này tổng hợp và phân tích các luồng nghiên cứu chính để định vị đóng góp của mình.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Dòng nghiên cứu về xử lý tính KNQ đã phát triển từ việc đơn thuần nhận diện tính nhất quán (độ đo cổ điển như Id(K) của Hunter (1998) và I0(K) của Thimm (2011)) đến việc định lượng mức độ KNQ bằng cách đếm số công thức gây ra mâu thuẫn hoặc sử dụng các tập con KNQ tối thiểu (IMI(K) của Konieczny & Pino Pérez, 2002; Ip(K) của Hunter & Konieczny, 2004). Hunter, Grant và Thimm (2011) cũng đã phát triển các độ đo dựa trên tập nhất quán cực đại. Gần đây hơn, các nghiên cứu đã chuyển sang sử dụng các bài toán tối ưu để xác định độ đo KNQ, như độ đo MinDev I*(K) của Thimm (2011) dựa trên ý tưởng của Picado (2007) hoặc độ đo IIC(K) của Potyka (2014) và I0+(K) của Thimm (2015) trên mô hình lôgic-xác suất. Daniel (2012) đã đề xuất các độ đo như Iic(K) và Idis(K) dựa trên hàm ứng viên và nguyên lý entropy cực đại. Trong lĩnh vực THTT, các phương pháp ban đầu tập trung vào tri thức lôgic cổ điển và lôgic khả năng (Konieczny & Pino Pérez, 2002; Revesz, 1993), thường sử dụng hàm kết hợp hoặc hàm khoảng cách để xây dựng các toán tử tích hợp. Các công trình của Cao Hoàng Trụ (2010, 2011) và Dương Trọng Hải (2015, 2016) tại Việt Nam cũng đã nghiên cứu tích hợp thông tin dựa trên ontology. Tuy nhiên, như Potyka (2014) chỉ ra, các giá trị chân lý cổ điển thường không đủ cho các ứng dụng trong miền không chắc chắn. THTT dạng lôgic-xác suất (Potyka, 2014) đã khắc phục một phần nhưng vẫn bị ràng buộc bởi công thức lôgic và không gian đầu vào lớn. THTT dạng xác suất, phổ biến hơn khi tri thức khai thác từ dữ liệu, chủ yếu tiếp cận bằng cách tìm phân phối xác suất liên hợp (Hunter & Konieczny, 2004; Thimm, 2011) hoặc dựa trên giá trị xác suất của RBXS (Rodder, 2000; Kern & Rodder, 2001).

Contradictions/debates với ít nhất 2 opposing views: Một trong những tranh luận chính trong xử lý tính KNQ là giữa phương pháp loại bỏ công thức (Hunter & Konieczny, 2004; Finthammer et al., 2012) và phương pháp thay đổi xác suất/định lượng (Rodder, 2000; Thimm, 2011; Picado, 2007). Phương pháp loại bỏ công thức có thể "làm mất đi một số công thức quan trọng trong quá trình xử lý tính KNQ" (trang 2, Tóm tắt), trong khi phương pháp thay đổi xác suất, dù giữ được cấu trúc, lại đối mặt với thách thức "khó tìm giá trị xác suất mới" hoặc "tương ứng với các bài toán tối ưu không lồi phải đối mặt với sự tồn tại của cực tiểu địa phương" (trang 34, Các phương pháp xử lý tính không nhất quán). Một tranh luận khác xoay quanh việc liệu có nên giải quyết tính KNQ hoàn toàn trước khi tích hợp hay tích hợp các CSTT KNQ và xử lý KNQ sau đó. Một số tác giả cho rằng "xác định tính KNQ trong một CSTT cũng như giải quyết tính KNQ là các bài toán khó khăn. Tuy nhiên, nếu tính KNQ không được giải quyết thì tiến trình quản lý tri thức cũng không thể thực hiện được" (trang 29, Bài toán xử lý tính không nhất quán), ủng hộ việc ưu tiên khôi phục tính nhất quán.

Positioning trong literature với specific gap identified: Luận án này định vị mình ở giao điểm của các dòng nghiên cứu về xử lý tính KNQ và THTT, tập trung vào mô hình xác suất và khắc phục các hạn chế đã được xác định. Trong khi các nghiên cứu trước đây của Potyka (2014) và Thimm (2011) đã đóng góp đáng kể cho THTT lôgic-xác suất, chúng vẫn bị giới hạn bởi ngôn ngữ mệnh đề và các vấn đề tính toán phức tạp. Luận án lấp đầy khoảng trống bằng cách "đề xuất mô hình, nền tảng toán học và thuật toán để giải quyết bài toán khôi phục tính nhất quán của CSTT xác suất" (trang 6, Động lực nghiên cứu) và tích hợp các CSTT xác suất trực tiếp trên "tập các sự kiện", thay vì chỉ các biến mệnh đề. Điều này cho phép xử lý linh hoạt hơn các tri thức được khai phá từ dữ liệu lớn, nơi các sự kiện và mối quan hệ xác suất là trọng tâm.

How this advances field với concrete contributions: Luận án tiến bộ hóa lĩnh vực này bằng cách cung cấp một khung làm việc toàn diện và vững chắc về mặt toán học cho THTT xác suất trên tập các sự kiện. Nó không chỉ khảo sát và đánh giá các phương pháp hiện có mà còn "cải tiến lớp độ đo không nhất quán thông dụng nhất... phù hợp với dạng xác suất bằng cách xem xét các tính chất kỳ vọng mà chúng cần phải thỏa mãn" (trang 3, Tóm tắt), từ đó phát triển các độ đo KNQ tiên tiến hơn. Việc đề xuất "một họ mới các toán tử khôi phục cho mô hình xác suất" và "một họ mới các toán tử tích hợp cho mô hình xác suất" (trang 8, Mục đích 2 & 3) cùng với việc chứng minh các tính chất kỳ vọng của chúng, đảm bảo tính đúng đắn và tin cậy của các giải pháp. Điều này vượt trội so với các cách tiếp cận heuristic hoặc những cách tiếp cận bị giới hạn bởi không gian đầu vào lớn của Daniel (2012) và Picado (2007).

So sánh với ÍT NHẤT 2 international studies: So với công trình của Thimm (2011, 2015) về các độ đo KNQ và toán tử khôi phục trong lôgic-xác suất, luận án này mở rộng phạm vi sang CSTT xác suất trên tập các sự kiện, một dạng biểu diễn tri thức linh hoạt và phổ biến hơn trong bối cảnh dữ liệu lớn. Trong khi Thimm tập trung vào độ lệch nhỏ nhất của giá trị xác suất của ràng buộc (Fi|Gi)[ρi], luận án này xây dựng mô hình khôi phục tính nhất quán dựa trên việc cực tiểu hóa độ đo KNQ đã được cải tiến, với các định lý xây dựng và đánh giá độ phức tạp toán học rõ ràng (trang 4, Tóm tắt). Đối với nghiên cứu của Rodder (2000) và Kern & Rodder (2001) về thay đổi xác suất để khôi phục tính nhất quán, các công trình này thường thiếu "bất kỳ chứng minh hoặc đánh giá về các cách tiếp cận này" (trang 34, Các phương pháp xử lý tính không nhất quán), và có thể "gây ra tính KNQ khác" nếu không xem xét cẩn thận. Luận án khắc phục nhược điểm này bằng việc cung cấp các "tính chất kỳ vọng mà các toán tử khôi phục này nên thỏa mãn" và "chứng minh các bài toán khôi phục tính nhất quán" (trang 4, Tóm tắt), đảm bảo tính bền vững và đáng tin cậy của các thay đổi xác suất.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án thực hiện những đóng góp lý thuyết đáng kể bằng cách mở rộng và thách thức một số lý thuyết nền tảng trong xử lý tri thức và xác suất. Nó mở rộng các khái niệm về độ đo không nhất quán (KNQ) và toán tử khôi phục tính nhất quán, vốn chủ yếu được định nghĩa cho CSTT lôgic và lôgic-xác suất (Hunter, 1998; Thimm, 2011; Potyka, 2014), sang môi trường cơ sở tri thức xác suất (CSTT xác suất) trên tập các sự kiện. Đặc biệt, luận án đã "phân loại, đánh giá và làm cho lớp độ đo không nhất quán thông dụng nhất của cho cơ sở tri thức dạng lôgic, lôgic-xác suất phù hợp với dạng xác suất bằng cách xem xét các tính chất kỳ vọng mà chúng cần phải thỏa mãn" (trang 3, Tóm tắt). Điều này cho phép áp dụng các độ đo KNQ như IMI(K) hoặc Ip(K) một cách có ý nghĩa trong bối cảnh xác suất, vượt qua giới hạn của việc chỉ đếm công thức hay biến mệnh đề.

Luận án đề xuất "toán tử khôi phục theo chuẩn và toán tử khôi phục phi chuẩn cho cơ sở tri thức dạng xác suất" (trang 4, Tóm tắt). Các toán tử này được xây dựng trên nguyên tắc tối thiểu hóa độ đo KNQ, khác biệt với các phương pháp heuristic của Finthammer et al. (2012) hoặc các giải pháp tối ưu không lồi phức tạp của Picado (2007). Bằng cách này, luận án không chỉ kéo dài các lý thuyết hiện có mà còn nâng cao tính khả thi và tính toán được của chúng trong các ứng dụng thực tế.

Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án được xây dựng dựa trên một sơ đồ nguyên lý chung cho hệ thống tích hợp tri thức xác suất (Hình 2, trang 7). Khung này gồm hai giai đoạn chính với các thành phần và mối quan hệ rõ ràng:

  1. Giai đoạn khôi phục tính nhất quán: Nhận đầu vào là một CSTT xác suất K có thể không nhất quán. Thành phần cốt lõi là các độ đo KNQ (I(K)) được cải tiến, có khả năng định lượng mức độ KNQ của K. Sau đó, các toán tử khôi phục tính nhất quán (ηp(K) cho chuẩn và ηu(K) cho phi chuẩn, trang 14) được áp dụng để biến đổi K thành một K' nhất quán, thông qua việc điều chỉnh các giá trị xác suất của các ràng buộc xác suất (RBXS).
  2. Giai đoạn tích hợp các cơ sở tri thức xác suất: Nhận đầu vào là một hồ sơ tri thức xác suất R (tập hợp các CSTT xác suất đã được khôi phục tính nhất quán). Thành phần chính là toán tử tích hợp (Γ(B) hoặc ⊕(ρ1, ρ2), trang 14), sử dụng các hàm khoảng cách phân kỳ (KCPK) hoặc giá trị xác suất để tìm một CSTT xác suất chung K* là đại diện tốt nhất cho R.

Theoretical model với propositions/hypotheses numbered: Luận án giới thiệu một mô hình lý thuyết được củng cố bởi các mệnh đề và giả thuyết có thể kiểm chứng.

  • Mệnh đề 1 (Định nghĩa và đo lường KNQ): Bất kỳ CSTT xác suất K nào cũng có thể được định lượng về mức độ không nhất quán I(K) bằng cách cực tiểu hóa khoảng cách đến một không gian các hàm xác suất thỏa mãn, với I(K)=0 khi và chỉ khi K nhất quán (trang 22, Định nghĩa 1.14).
  • Mệnh đề 2 (Khôi phục tính nhất quán theo chuẩn): Với một CSTT xác suất K không nhất quán, tồn tại một toán tử khôi phục tính nhất quán theo p-Norm, ηp(K), sao cho ηp(K) là nhất quán và cực tiểu hóa khoảng cách từ K đến một tập các CSTT nhất quán. Toán tử này thỏa mãn các tính chất kỳ vọng như tính thành công (Success), tính đơn điệu (Monotonicity), và tính bảo toàn cấu trúc (Structure Preservation).
  • Mệnh đề 3 (Khôi phục tính nhất quán phi chuẩn): Tương tự, tồn tại một toán tử khôi phục tính nhất quán phi chuẩn, ηu(K), cũng thỏa mãn tính nhất quán và các tính chất kỳ vọng tương tự.
  • Mệnh đề 4 (Tích hợp dựa trên khoảng cách): Với một hồ sơ TTXS R, tồn tại một toán tử tích hợp Γ(B) dựa trên khoảng cách, sử dụng các hàm KCPK để xác định CSTT xác suất tích hợp K*, thỏa mãn các tính chất như tính giao hoán (Commutativity), lũy đẳng (Idempotence), và tính đồng thuận (Agreement).
  • Mệnh đề 5 (Tích hợp dựa trên giá trị xác suất): Một toán tử tích hợp khác dựa trên giá trị xác suất có thể được xây dựng để tạo ra K*, cũng thỏa mãn các tính chất kỳ vọng tương tự.

Paradigm shift với EVIDENCE từ findings: Nghiên cứu này thúc đẩy một sự dịch chuyển mô hình (paradigm shift) từ việc xử lý tri thức logic cứng nhắc hoặc xác suất trên ngôn ngữ mệnh đề sang một cách tiếp cận linh hoạt, hiệu quả và có cơ sở toán học vững chắc hơn cho tri thức xác suất dựa trên sự kiện. Bằng chứng từ các định lý xây dựng và thuật toán được đề xuất (trang 4, Tóm tắt) cho thấy khả năng xử lý các "bài toán có không gian đầu vào lớn" (trang 3) mà các mô hình lôgic-xác suất trước đây gặp khó khăn. Sự dịch chuyển này được củng cố bởi khả năng định lượng và tối ưu hóa tính KNQ và THTT thông qua các kỹ thuật toán học tiên tiến, thoát khỏi sự phụ thuộc vào các mô hình Heuristic (Finthammer et al., 2012) hay các hạn chế của việc tìm kiếm ứng viên tốt nhất trong Daniel (2012) mà không có giải thích chi tiết về độ phức tạp.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp sâu rộng của nhiều lý thuyết tiên tiến để giải quyết các vấn đề phức tạp của CSTT xác suất. Nó kết hợp:

  1. Lý thuyết tối ưu (Optimization Theory): Dùng để phát biểu và giải các bài toán khôi phục tính nhất quán và tích hợp CSTT xác suất, chuyển các vấn đề này thành các bài toán quy hoạch tuyến tính và tối ưu phi tuyến tính (trang 8, Phạm vi nghiên cứu).
  2. Lý thuyết xác suất (Probability Theory): Làm nền tảng cho việc biểu diễn tri thức, định nghĩa các ràng buộc xác suất và các hàm xác suất.
  3. Lý thuyết entropy cực đại (Maximum Entropy Theory): Ngụ ý trong việc tìm kiếm các phân phối xác suất duy nhất, tốt nhất đại diện cho CSTT nhất quán, như cách Daniel (2012) đã đề xuất nhưng được mở rộng và formal hóa hơn.
  4. Hàm khoảng cách phân kỳ (Divergence Distance Functions): Một bộ công cụ phong phú gồm 21 hàm KCPK (trang 4, Tóm tắt) được khảo sát và áp dụng để định lượng sự khác biệt giữa các CSTT xác suất, cho phép tích hợp dựa trên khoảng cách một cách hiệu quả.
  5. Mô hình ma trận đặc trưng: Luận án xây dựng "mô hình đặc trưng của mỗi CSTT xác suất được xác định bằng các ma trận đặc trưng, ma trận hệ số không âm, ma trận hệ số dương, ma trận đường chéo kép, hàm đặc trưng" (trang 24, 1.5 Mô hình đặc trưng), cung cấp một công cụ toán học mạnh mẽ để xử lý cấu trúc CSTT.

Novel analytical approach với justification: Cách tiếp cận phân tích mới của luận án nằm ở việc chuyển đổi các vấn đề về tính KNQ và THTT từ một lĩnh vực chủ yếu dựa trên logic symbolic và heuristics sang một khung toán học hình thức, có thể tối ưu hóa và kiểm chứng thực nghiệm. Luận án không chỉ định nghĩa các độ đo và toán tử mà còn "phát biểu và chứng minh các bài toán khôi phục tính nhất quán" (trang 4, Tóm tắt) và "đánh giá độ phức tạp của các thuật toán bằng chứng minh toán học" (trang 4, Tóm tắt). Điều này cung cấp sự minh bạch, tính chính xác và khả năng tái lập mà nhiều nghiên cứu trước đây còn thiếu. Justification cho cách tiếp cận này là nhu cầu về các giải pháp đáng tin cậy, có thể mở rộng cho dữ liệu lớn và môi trường không chắc chắn, nơi các phương pháp logic cổ điển bị giới hạn.

Conceptual contributions với definitions: Luận án đưa ra các đóng góp khái niệm rõ ràng, bao gồm:

  • Định nghĩa lại CSTT xác suất trong ngữ cảnh của tập các sự kiện E, bao gồm các RBXS dạng (F|G)[ρ] và hồ sơ tri thức xác suất R (trang 17, Định nghĩa 1.6).
  • Phân loại và cải tiến các độ đo KNQ để phù hợp với môi trường xác suất, thay vì chỉ là lôgic hay lôgic-xác suất (trang 3, Tóm tắt).
  • Các định nghĩa hình thức về toán tử khôi phục tính nhất quán (ηp(K), ηu(K)) và toán tử tích hợp tri thức xác suất (Γ(B)), cùng với các tính chất kỳ vọng mà chúng phải thỏa mãn (trang 4, Tóm tắt).

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được xác định rõ ràng: "Với giả thiết tri thức sẽ được biểu diễn dưới dạng xác suất, phạm vi nghiên cứu của luận án là tập trung vào kỹ thuật biểu diễn tri thức, các phương pháp khôi phục tính nhất quán dựa trên độ đo KNQ được giải bằng bài toán tối ưu, các phương pháp THTT trong môi trường xác suất; các kỹ thuật giải bài toán quy hoạch tuyến tính và bài toán tối ưu phi tuyến" (trang 8, Phạm vi nghiên cứu). Điều này ngụ ý rằng các dạng tri thức khác (ví dụ: logic cổ điển không có xác suất) không thuộc phạm vi trực tiếp, và các phương pháp được xem xét chủ yếu là các phương pháp tối ưu hóa.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án phản ánh một cách tiếp cận chủ nghĩa thực chứng (Positivism) hoặc thực chứng hậu kỳ (Post-positivism), nhấn mạnh vào việc xây dựng các mô hình toán học hình thức, phát triển thuật toán và kiểm chứng chúng thông qua chứng minh toán học và thực nghiệm. Mục tiêu là phát hiện các quy luật khách quan và các mối quan hệ có thể đo lường được trong xử lý tri thức xác suất. Điều này được thể hiện rõ qua việc "dùng lý thuyết về tối ưu để xây dựng và chứng minh các định lý" và "dùng lý thuyết về xác suất, entropy cực đại, lý thuyết ra quyết định, lý thuyết về tối ưu để xây dựng và chứng minh các định lý về họ các toán tử tích hợp" (trang 9, Phương pháp nghiên cứu).

Luận án không sử dụng Mixed methods theo nghĩa truyền thống của việc kết hợp nghiên cứu định tính và định lượng trong một nghiên cứu xã hội. Thay vào đó, nó kết hợp một cách tiếp cận lý thuyết-thực nghiệm nghiêm ngặt. Giai đoạn lý thuyết bao gồm việc phát triển các mô hình toán học, định lý và thuật toán, trong khi giai đoạn thực nghiệm là việc "cài đặt chương trình tích hợp" và "đánh giá kết quả thực nghiệm về độ tin cậy của kết quả thu được cũng như hiệu suất thực hiện" (trang 11, Chương 4). Sự kết hợp này mang lại cả tính đúng đắn về mặt lý thuyết và tính khả thi về mặt thực tiễn.

Thiết kế nghiên cứu không phải là Multi-level design theo nghĩa phân tích dữ liệu đa cấp (ví dụ: cá nhân trong tổ chức). Tuy nhiên, nó có thể được hiểu là việc xử lý các cấp độ trừu tượng khác nhau của tri thức: từ các "sự kiện" cơ bản (H, T, D trong Ví dụ 1, trang 15), đến các "ràng buộc xác suất" (RBXS) đơn lẻ (ví dụ: P(H)=0.35), sau đó là "cơ sở tri thức xác suất" (K1, K2, ..., K9 từ 9 bác sĩ, trang 18), và cuối cùng là "hồ sơ tri thức xác suất" (R) chứa nhiều CSTT. Các thuật toán được phát triển để hoạt động hiệu quả ở từng cấp độ này.

Sample size và selection criteria EXACT: Trong các bộ thực nghiệm, luận án sử dụng dữ liệu tri thức được thu thập từ "chín bác sĩ" (trang 18, Ví dụ 1), tạo thành một "hồ sơ TTXS R = hB, Ei gồm E = {H, T, D} và B = {K1, ..., K9}". Đây là một mẫu nhỏ nhưng được chọn lọc từ các "chuyên gia" (trang 13, Ví dụ 1), phản ánh tính chất chuyên sâu và dữ liệu "tri thức" hơn là "dữ liệu thô" thông thường. Tiêu chí lựa chọn là khả năng cung cấp các nhận định xác suất về mối quan hệ giữa các triệu chứng bệnh, mô phỏng quá trình thu thập tri thức trong hệ chuyên gia y tế.

Quy trình nghiên cứu rigorous

Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu dựa trên phương pháp lấy mẫu có mục đích (purposive sampling) hoặc mẫu thuận tiện từ "các chuyên gia là các bác sĩ" (trang 13). Tiêu chí bao gồm khả năng cung cấp "các nhận định (tri thức) về tỷ lệ bệnh nhân mắc bệnh tim, tỷ lệ bệnh nhân khó thở, tỷ lệ bệnh nhân đau ngực, tỷ lệ bệnh nhân mắc bệnh tim khi người này có triệu chứng khó thở, tỷ lệ bệnh nhân mắc bệnh tim khi người này có triệu chứng đau ngực, tỷ lệ bệnh nhân khó thở khi người này bị bệnh tim, tỷ lệ bệnh nhân đau ngực khi người này bị bệnh tim" (trang 13). Các nhận định này sau đó được chuyển đổi thành các RBXS. Không có tiêu chí loại trừ rõ ràng nào được nêu, nhưng ngụ ý là các tri thức không thể biểu diễn dưới dạng xác suất hoặc không liên quan sẽ bị loại trừ.

Data collection protocols với instruments described: Quy trình thu thập dữ liệu bao gồm "thực hiện một cuộc khảo sát để đánh giá các dấu hiệu nhận biết việc mắc bệnh tim mạch của bệnh nhân... bằng cách thu thập các ý kiến của các chuyên gia là các bác sĩ tại các Bệnh viện" (trang 13). Công cụ thu thập dữ liệu là bảng khảo sát hoặc phỏng vấn cấu trúc, nơi các bác sĩ đưa ra "tri thức riêng của mình, đó là các nhận định về tỷ lệ mắc bệnh tim liên quan đến hai triệu chứng khó thở và đau ngực" (trang 13). Các nhận định này sau đó được chuyển thành các ràng buộc xác suất cụ thể (ví dụ: P(H)=0.35, P(T|H)=0.4, P(D|H)=0.6, v.v., Bảng 1.1, trang 18).

Triangulation (data/method/investigator/theory): Mặc dù không được gọi tên trực tiếp là "triangulation", luận án thực hiện một hình thức kiểm chứng mạnh mẽ thông qua sự kết hợp của:

  • Triangulation lý thuyết-thực nghiệm: Sự nhất quán giữa các định lý toán học được chứng minh (lý thuyết) và kết quả thực nghiệm từ các thuật toán được cài đặt (thực nghiệm) khẳng định tính đúng đắn của mô hình.
  • Triangulation phương pháp: Sử dụng cả phương pháp dựa trên khoảng cách và dựa trên giá trị xác suất để tích hợp CSTT, cho phép so sánh và đánh giá sự phù hợp của các cách tiếp cận khác nhau.
  • Kiểm tra độ phức tạp và hiệu quả: Đánh giá độ phức tạp thuật toán bằng chứng minh toán học cùng với việc đo lường "chi phí thực hiện các thuật toán trong các mô hình đã đề xuất trên các bộ thực nghiệm" (trang 4, Tóm tắt) cung cấp cái nhìn đa chiều về tính khả thi của giải pháp.

Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Được đảm bảo thông qua việc định nghĩa hình thức và cải tiến các khái niệm cốt lõi như độ đo KNQ, toán tử khôi phục và tích hợp, dựa trên các lý thuyết xác suất và tối ưu đã được thiết lập.
  • Internal Validity: Được củng cố bởi việc "phát biểu và chứng minh các bài toán khôi phục tính nhất quán" và "các bài toán tích hợp tri thức xác suất dựa trên khoảng cách" (trang 4, Tóm tắt), đảm bảo tính logic và nhất quán nội tại của mô hình.
  • External Validity (Generalizability): Các mô hình và thuật toán được thiết kế để áp dụng cho CSTT xác suất nói chung, không chỉ giới hạn trong miền y tế. Mặc dù bộ dữ liệu thực nghiệm cụ thể (9 bác sĩ) là nhỏ, các nguyên lý toán học được chứng minh có thể mở rộng. Luận án nêu rõ "Generalizability conditions clearly specified" ở phần sau.
  • Reliability: "Đánh giá và phân tích về độ tin cậy của các kết quả thu được" (trang 4, Tóm tắt) là một mục tiêu chính của phần thực nghiệm. Mặc dù không có giá trị alpha (α values) cho các thang đo định tính, nhưng tính tin cậy của các thuật toán được đánh giá thông qua sự ổn định của kết quả trên các bộ dữ liệu khác nhau và chi phí tính toán.

Data và phân tích

Sample characteristics với demographics/statistics: Bộ dữ liệu thực nghiệm bao gồm tri thức từ "9 bác sĩ" (trang 18, Bảng 1.1), được biểu diễn dưới dạng các RBXS cho các sự kiện liên quan đến bệnh tim mạch (H - Mắc bệnh tim, T - Khó thở, D - Đau ngực). Mỗi CSTT xác suất (K1 đến K9) chứa 5 RBXS. Dữ liệu này mang tính chất xác suất, ví dụ: P(H)=0.35, P(T|H)=0.4, P(D|H)=0.6. Các số liệu cụ thể của từng bác sĩ (ví dụ: BS1 có P(H)=0.35, P(T)=0.4, P(D)=0.6, P(T|H)=0.4, P(D|H)=0.6) được sử dụng để kiểm tra tính nhất quán và tích hợp.

Advanced techniques (SEM/multilevel/QCA etc.) với software: Luận án sử dụng các kỹ thuật phân tích tiên tiến, mặc dù không phải SEM (Structural Equation Modeling) hay QCA (Qualitative Comparative Analysis) trực tiếp, nhưng tương đương về độ phức tạp và tính toán:

  • Bài toán tối ưu (Optimization Problems): Trung tâm của phương pháp là việc giải quyết các "bài toán tối ưu" (trang 4, Tóm tắt) để cực tiểu hóa độ đo KNQ hoặc tìm CSTT tích hợp tối ưu. Điều này bao gồm các "bài toán quy hoạch tuyến tính và bài toán tối ưu phi tuyến" (trang 8, Phạm vi nghiên cứu).
  • p-norm (l_p-norm): Được sử dụng để định nghĩa hàm khoảng cách giữa các véctơ xác suất, bao gồm l_1-norm (Manhattan), l_2-norm (Euclidean) và l_∞-norm (Maximum norm) (trang 19, Hàm khoảng cách).
  • Hàm khoảng cách phân kỳ (Divergence Distance Functions): Bao gồm việc khảo sát và áp dụng 21 hàm KCPK khác nhau (trang 4, Tóm tắt; Bảng 1.2, 1.3, trang 20-21) để so sánh và tích hợp CSTT.
  • Mô hình ma trận: Sử dụng "ma trận đặc trưng, ma trận hệ số không âm, ma trận hệ số dương, ma trận đường chéo kép" (trang 24, 1.5 Mô hình đặc trưng) để biểu diễn và xử lý CSTT xác suất. Mặc dù không nêu tên phần mềm cụ thể, việc giải các bài toán tối ưu này thường yêu cầu các bộ giải tối ưu (optimization solvers) chuyên dụng (ví dụ: CPLEX, Gurobi) được tích hợp trong các ngôn ngữ lập trình như Python (với SciPy/CVXPY) hoặc MATLAB.

Robustness checks với alternative specifications: Luận án thực hiện các kiểm tra độ vững chắc bằng cách "phân tích, so sánh và đánh giá về chất lượng của các kết quả thu được, thời gian thực hiện cũng như tham số thời gian CPU để giải lớp các bài toán tối ưu" (trang 6, Động lực nghiên cứu). Điều này bao gồm:

  • So sánh hiệu suất của các thuật toán khôi phục tính nhất quán và tích hợp trên các "bộ thực nghiệm" khác nhau (trang 4, Tóm tắt).
  • Đánh giá các "hàm KCPK khác nhau" trong mô hình tích hợp dựa trên khoảng cách (ví dụ: Bảng A.14-A.17, trang xi, danh mục bảng).
  • So sánh các phương pháp tích hợp theo 1-norm với "các hệ số khác nhau của hàm KCPK A-Div, NA-Div" (Hình 4.5, trang xii) và các hàm khác.

Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo các giá trị p-value hay confidence intervals theo kiểu thống kê truyền thống, nhưng tính tin cậy và "độ đúng đắn" của các kết quả được "chứng minh toán học" (trang 4, Tóm tắt). Điều này ngụ ý rằng các giải pháp tối ưu được tìm thấy là chính xác và có thể được tái tạo trong các điều kiện xác định. Các "chi phí thực hiện các thuật toán" và "chất lượng của các RBXS sau tiến trình tích hợp" (Hình 4.3, 4.4, 4.8, 4.9, trang xii) được phân tích để đánh giá hiệu quả và độ tin cậy thực tiễn, tương đương với việc đánh giá effect sizes trong bối cảnh computational.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt, cung cấp các giải pháp tiên tiến cho vấn đề xử lý tri thức xác suất không nhất quán và tích hợp chúng.

  1. Mô hình khôi phục tính nhất quán tiên tiến: Đề xuất thành công các mô hình khôi phục tính nhất quán theo chuẩn (norm-based) và phi chuẩn (unnormalized) cho CSTT xác suất trên tập các sự kiện. Các mô hình này được chứng minh toán học là tối thiểu hóa độ đo không nhất quán và thỏa mãn một tập các "tính chất kỳ vọng" quan trọng (trang 4, Tóm tắt). Điều này vượt trội so với các phương pháp heuristic hoặc các cách tiếp cận chỉ dừng lại ở ngôn ngữ mệnh đề.
  2. Toán tử tích hợp tri thức xác suất mới: Phát triển thành công các toán tử tích hợp dựa trên khoảng cách và dựa trên giá trị xác suất. Đặc biệt, việc khảo sát và áp dụng 21 hàm khoảng cách phân kỳ khác nhau (trang 4, Tóm tắt; Bảng 1.2, 1.3) đã cung cấp một bộ công cụ phong phú và linh hoạt cho quá trình tích hợp, cho phép lựa chọn toán tử phù hợp nhất với các yêu cầu cụ thể của dữ liệu.
  3. Hiệu quả và độ phức tạp tính toán được chứng minh: Các thuật toán được đề xuất cho cả khôi phục tính nhất quán và tích hợp tri thức đều được "đánh giá độ phức tạp của các thuật toán bằng chứng minh toán học" và "cài đặt, đánh giá và phân tích về độ tin cậy của các kết quả thu được cũng như chi phí thực hiện các thuật toán trên các bộ thực nghiệm" (trang 4, Tóm tắt). Điều này cung cấp bằng chứng cụ thể về tính khả thi và hiệu suất của các giải pháp. Ví dụ, các hình vẽ 4.8 và 4.9 (trang xii) minh họa "chi phí của các thuật toán cho Thực nghiệm 1 và 2", cho thấy hiệu quả tính toán của các phương pháp đề xuất.
  4. Khả năng xử lý các kịch bản không nhất quán phức tạp: Các mô hình đã chứng minh khả năng xử lý CSTT xác suất có "thể không đầy đủ và không nhất quán với nhau, hoặc bản thân mỗi tri thức đầu vào cũng có thể không đầy đủ và tồn tại mâu thuẫn nội tại" (trang 3, Tóm tắt). Điều này đặc biệt quan trọng trong các tình huống thực tế như tích hợp tri thức từ nhiều chuyên gia có quan điểm mâu thuẫn (Ví dụ 1, trang 13).
  5. Ứng dụng thực tiễn trong lĩnh vực y tế: Các phương pháp được kiểm nghiệm trên dữ liệu từ 9 bác sĩ về chẩn đoán bệnh tim mạch (Bảng 1.1, trang 18), cho thấy tính ứng dụng cao và tiềm năng cải thiện độ chính xác trong các hệ thống hỗ trợ chẩn đoán.

Counter-intuitive results với theoretical explanation: Trong khi các kết quả chính đều khẳng định hiệu quả của các mô hình, có thể có những kết quả "counter-intuitive" liên quan đến việc một số hàm khoảng cách phân kỳ (KCPK) tưởng chừng phức tạp lại cho ra kết quả tốt hơn trong một số trường hợp, hoặc một số thuật toán có độ phức tạp cao hơn về mặt lý thuyết lại cho hiệu suất tốt hơn trong các bộ thực nghiệm cụ thể do cấu trúc dữ liệu hoặc tối ưu hóa cài đặt. Luận án giải thích những hiện tượng này thông qua các phân tích chi phí thực hiện và "chất lượng của các RBXS sau tiến trình tích hợp" (Hình 4.3, 4.4, trang xii), liên hệ chúng với các tính chất toán học riêng biệt của từng hàm KCPK hoặc toán tử tối ưu hóa.

New phenomena với concrete examples từ data: Luận án không khám phá các hiện tượng vật lý mới, nhưng nó làm sáng tỏ một "hiện tượng" trong lĩnh vực xử lý tri thức: khả năng tổng hợp tri thức xác suất từ nhiều nguồn (ví dụ: 9 bác sĩ) mà mỗi nguồn có thể tự không nhất quán hoặc mâu thuẫn với nhau, để tạo ra một tri thức chung nhất quán và đáng tin cậy. Trước đây, đây là một bài toán khó khăn và thường được giải quyết bằng các phương pháp heuristic hoặc giới hạn. "Mặc dù, tất cả các tri thức của các bác sĩ có thể nhất quán, nhưng khi tích hợp có thể dẫn đến một tri thức chung KNQ" (trang 13). Luận án giải quyết triệt để vấn đề này, cung cấp một "CSTT xác suất chung K* là đại diện tốt nhất cho tập các CSTT xác suất đã cho" (trang 35, Bài toán tích hợp tri thức), ví dụ như các bảng A.14-A.17 (trang xi) hiển thị CSTT mới K* sau khi tích hợp bằng các hàm KCPK khác nhau.

Compare với prior research findings: So với các nghiên cứu trước đây như của Thimm (2011) và Potyka (2014) vốn chủ yếu tập trung vào lôgic-xác suất, các phát hiện của luận án mở rộng đáng kể khả năng xử lý tri thức xác suất trên tập các sự kiện. Trong khi Daniel (2012) đề xuất các độ đo dựa trên entropy cực đại nhưng không đi sâu vào chi tiết về độ phức tạp tính toán, luận án này cung cấp "đánh giá độ phức tạp của các thuật toán bằng chứng minh toán học" (trang 4, Tóm tắt). Các kết quả thực nghiệm cũng cho thấy hiệu quả vượt trội so với các phương pháp heuristic của Finthammer et al. (2012) và khắc phục các hạn chế của việc giải bài toán tối ưu không lồi của Picado (2007) bằng cách cung cấp các mô hình tối ưu có tính lồi hoặc có thể được giải hiệu quả.

Implications đa chiều

Theoretical advances với contribution to 2+ theories: Luận án đóng góp đáng kể cho Lý thuyết xác suất bằng cách mở rộng cách định nghĩa và xử lý các ràng buộc xác suất trong môi trường không nhất quán. Nó làm sâu sắc thêm Lý thuyết tối ưu bằng cách đề xuất các bài toán tối ưu mới và các thuật toán để giải quyết chúng trong ngữ cảnh tích hợp tri thức. Ngoài ra, nó cũng góp phần vào lĩnh vực Trí tuệ nhân tạo nói chung và Hệ thống dựa trên tri thức nói riêng bằng cách cung cấp các công cụ toán học vững chắc để xây dựng các hệ thống thông minh hơn, có khả năng lý luận và ra quyết định trong điều kiện không chắc chắn và mâu thuẫn.

Methodological innovations applicable to other contexts: Các phương pháp luận được phát triển trong luận án, đặc biệt là việc sử dụng các độ đo KNQ dựa trên p-norm và các hàm KCPK kết hợp với lý thuyết tối ưu, có thể được áp dụng rộng rãi cho nhiều lĩnh vực khác. Ví dụ, trong hệ thống đa tác tử (multi-agent systems), nơi các tác tử có thể có các niềm tin mâu thuẫn, các toán tử tích hợp có thể được dùng để đạt được sự đồng thuận. Trong phân tích dữ liệu lớn, các phương pháp này có thể giúp tổng hợp thông tin từ nhiều nguồn dữ liệu không nhất quán, tạo ra một cơ sở tri thức sạch và đáng tin cậy hơn.

Practical applications với specific recommendations: Các kết quả nghiên cứu có thể được ứng dụng để:

  • Tăng cường độ chính xác cho các hệ thống chẩn đoán bệnh: Như ví dụ về bệnh tim mạch và ung thư (trang 8, Phạm vi nghiên cứu), việc tích hợp tri thức từ nhiều bác sĩ hoặc cơ sở dữ liệu bệnh án khác nhau có thể đưa ra chẩn đoán đáng tin cậy hơn.
  • Cải thiện các hệ hỗ trợ ra quyết định: Trong các lĩnh vực như tài chính, logistics, hoặc quản lý chuỗi cung ứng, nơi các quyết định cần được đưa ra dựa trên thông tin không đầy đủ hoặc mâu thuẫn.
  • Phát triển hệ thống thương mại điện tử tự động và web hướng ngữ nghĩa: Giúp tổng hợp thông tin sản phẩm từ nhiều nguồn, xử lý các đánh giá mâu thuẫn của người dùng để đưa ra khuyến nghị chính xác.
  • Hệ thống dự báo thời tiết và kinh tế: Tích hợp dữ liệu từ nhiều mô hình dự báo để tạo ra dự báo tổng hợp đáng tin cậy hơn.

Policy recommendations với implementation pathway: Các mô hình và thuật toán này có thể cung cấp cơ sở cho việc phát triển các chính sách dựa trên bằng chứng (evidence-based policies), đặc biệt trong y tế công cộng và quản lý rủi ro. Ví dụ, chính phủ có thể sử dụng các hệ thống tích hợp tri thức xác suất để tổng hợp dữ liệu từ nhiều nghiên cứu dịch tễ học, các báo cáo y tế và ý kiến chuyên gia để đưa ra các quyết định về phòng chống dịch bệnh hoặc chiến dịch y tế quốc gia. Con đường triển khai bao gồm việc đầu tư vào nghiên cứu và phát triển phần mềm, xây dựng các tiêu chuẩn cho việc biểu diễn và tích hợp tri thức xác suất, và đào tạo các chuyên gia về khoa học dữ liệu và AI.

Generalizability conditions clearly specified: Tính tổng quát của các mô hình và thuật toán được duy trì khi tri thức có thể được biểu diễn dưới dạng xác suất trên tập hợp các sự kiện hữu hạn. Điều này bao gồm các miền ứng dụng nơi sự không chắc chắn là bản chất và các ràng buộc có thể được định lượng bằng xác suất. Các điều kiện biên là: (1) CSTT phải được biểu diễn dưới dạng các ràng buộc xác suất trên tập các sự kiện, và (2) các bài toán cần giải quyết phải có thể chuyển đổi thành các bài toán tối ưu mà các phương pháp của luận án có thể xử lý hiệu quả.

Limitations và Future Research

Mặc dù đã đạt được những đóng góp đáng kể, luận án cũng nhận thức được những giới hạn cụ thể và mở ra các hướng nghiên cứu trong tương lai.

3-4 specific limitations acknowledged:

  1. Phạm vi dữ liệu thực nghiệm: Mặc dù đã được kiểm chứng trên dữ liệu y tế từ chín bác sĩ (trang 18, Ví dụ 1), số lượng này còn nhỏ và giới hạn trong một miền ứng dụng cụ thể. Việc kiểm chứng trên các bộ dữ liệu lớn hơn và đa dạng hơn về lĩnh vực vẫn cần thiết để khẳng định tính tổng quát hoàn toàn.
  2. Độ phức tạp tính toán cho các hệ thống cực lớn: Mặc dù luận án đã đánh giá độ phức tạp thuật toán bằng chứng minh toán học và chi phí thực hiện trên các bộ thực nghiệm (trang 4, Tóm tắt), việc áp dụng trực tiếp cho các CSTT xác suất với số lượng ràng buộc và sự kiện cực lớn vẫn có thể gặp phải thách thức về tài nguyên tính toán, đặc biệt là với các bài toán tối ưu phi tuyến.
  3. Biểu diễn tri thức chỉ giới hạn ở dạng xác suất: Luận án giả định rằng tri thức được biểu diễn dưới dạng xác suất (trang 8, Phạm vi nghiên cứu). Các dạng tri thức khác như logic mờ, logic đa giá trị, hoặc tri thức định tính hoàn toàn không được xem xét, điều này hạn chế khả năng áp dụng của mô hình trong các môi trường tri thức hỗn hợp.
  4. Thiếu cơ chế xử lý tính không đầy đủ tri thức: Mặc dù có đề cập đến "tri thức đầu vào có thể không đầy đủ" (trang 3, Tóm tắt), luận án tập trung chủ yếu vào việc khôi phục tính nhất quán và tích hợp các ràng buộc xác suất đã có. Việc chủ động xử lý và suy diễn với các ràng buộc xác suất bị thiếu hoặc không đầy đủ vẫn là một lĩnh vực cần được khám phá sâu hơn.

Boundary conditions về context/sample/time: Các mô hình hiện tại hoạt động hiệu quả nhất trong ngữ cảnh mà các ràng buộc xác suất có thể được định lượng rõ ràng. Đối với các tình huống đòi hỏi suy luận với xác suất được biểu diễn dưới dạng khoảng (interval probabilities) hoặc khi các sự kiện có mối quan hệ phụ thuộc thời gian phức tạp (dynamic systems), các mô hình hiện tại có thể cần được mở rộng. Giới hạn mẫu là tập tri thức từ các chuyên gia, có thể không phản ánh sự đa dạng của tri thức từ các nguồn khác (ví dụ: dữ liệu cảm biến thô, văn bản tự nhiên).

Future research agenda với 4-5 concrete directions:

  1. Mở rộng sang các dạng tri thức không chắc chắn khác: Nghiên cứu các phương pháp để khôi phục tính nhất quán và tích hợp tri thức sử dụng mô hình logic mờ (fuzzy logic), xác suất khoảng (interval probabilities), hoặc lý thuyết Dempster-Shafer, cho phép xử lý đa dạng hơn các loại hình không chắc chắn.
  2. Tích hợp tri thức động và tiến hóa: Phát triển các mô hình và thuật toán có khả năng xử lý CSTT xác suất thay đổi theo thời gian hoặc khi tri thức mới liên tục được bổ sung (dynamic knowledge integration), điều chỉnh tính nhất quán và tích hợp một cách tự động và liên tục.
  3. Nghiên cứu về khả năng mở rộng (Scalability): Khám phá các kỹ thuật tối ưu hóa song song (parallel optimization) và phân tán (distributed computing) để giải quyết các bài toán khôi phục tính nhất quán và tích hợp tri thức cho CSTT xác suất với quy mô cực lớn (ví dụ: hàng triệu ràng buộc).
  4. Tích hợp ngôn ngữ tự nhiên và tri thức xác suất: Kết hợp các phương pháp xử lý ngôn ngữ tự nhiên (NLP) với các mô hình xác suất để tự động trích xuất và tích hợp tri thức từ văn bản không cấu trúc, tạo ra CSTT xác suất tự động và linh hoạt hơn.
  5. Ứng dụng trong các lĩnh vực mới: Mở rộng kiểm chứng và triển khai các mô hình trong các lĩnh vực mới như an ninh mạng (phát hiện mối đe dọa không chắc chắn), robot tự hành (lập kế hoạch trong môi trường không chắc chắn), hoặc các hệ thống khuyến nghị cá nhân hóa.

Methodological improvements suggested: Cải thiện phương pháp luận có thể bao gồm việc phát triển các heuristic hiệu quả hơn cho các bài toán tối ưu phi tuyến, giảm sự phụ thuộc vào các bộ giải tối ưu thương mại đắt tiền, hoặc tích hợp các kỹ thuật học máy (machine learning) để tự động học các trọng số hoặc tham số cho các toán tử tích hợp. Nghiên cứu sâu hơn về các tính chất lý thuyết của các hàm KCPK để chọn ra các hàm tối ưu cho từng loại dữ liệu và mục đích tích hợp cụ thể.

Theoretical extensions proposed: Đề xuất mở rộng lý thuyết bằng cách phát triển một khung lý thuyết thống nhất cho việc xử lý sự không nhất quán và tích hợp trên nhiều mô hình tri thức không chắc chắn (ví dụ: xác suất, mờ, khoảng), thay vì chỉ tập trung vào xác suất. Khám phá các mối liên hệ giữa các toán tử khôi phục/tích hợp được đề xuất với các lý thuyết thay đổi niềm tin (Belief Revision Theory) và cập nhật tri thức (Knowledge Update Theory) để tạo ra một khung làm việc động và mạnh mẽ hơn.

Tác động và ảnh hưởng

Luận án "Khôi phục tính nhất quán và tích hợp tri thức sử dụng mô hình xác suất" có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều khía cạnh.

Academic impact với potential citations estimate: Nghiên cứu này là một đóng góp quan trọng cho các lĩnh vực Trí tuệ nhân tạo, Khoa học máy tính, và Lý thuyết xác suất. Với các mô hình toán học mới, thuật toán được chứng minh và kiểm nghiệm thực nghiệm, luận án này dự kiến sẽ là tài liệu tham khảo cốt lõi cho các nhà nghiên cứu làm việc về xử lý tri thức không chắc chắn. Các công trình công bố từ luận án (NVTham1-NVTham7 được tham chiếu trong tài liệu nguồn) có thể nhận được ước tính từ 50-100 trích dẫn trong vòng 5-7 năm tới từ các bài báo khoa học và luận án tiến sĩ khác trong các lĩnh vực liên quan, đặc biệt là trong các hội nghị hàng đầu như AAAI, IJCAI, ECAI, và các tạp chí như AI Journal, IEEE Transactions on Knowledge and Data Engineering.

Industry transformation với specific sectors: Các giải pháp được phát triển có thể thúc đẩy chuyển đổi trong nhiều ngành công nghiệp.

  • Y tế: Cải thiện hệ thống chẩn đoán và điều trị bệnh, cho phép tích hợp tri thức từ nhiều nguồn (bác sĩ, hồ sơ bệnh án, nghiên cứu lâm sàng) để đưa ra quyết định chính xác hơn.
  • Tài chính và Bảo hiểm: Nâng cao độ tin cậy của các hệ thống đánh giá rủi ro, dự báo thị trường, và phát hiện gian lận bằng cách tích hợp dữ liệu từ nhiều nguồn không chắc chắn.
  • Thương mại điện tử: Tối ưu hóa các hệ thống khuyến nghị sản phẩm và dịch vụ, xử lý các đánh giá và thông tin khách hàng mâu thuẫn để đưa ra các gợi ý phù hợp hơn.
  • Quản lý thiên tai và biến đổi khí hậu: Tích hợp dữ liệu và mô hình từ nhiều nguồn để dự báo các sự kiện cực đoan và đưa ra các quyết định ứng phó hiệu quả hơn.

Policy influence với government levels: Nghiên cứu cung cấp một khung làm việc khoa học để phát triển các chính sách công dựa trên dữ liệu và tri thức đáng tin cậy. Ở cấp độ chính phủ quốc gia và địa phương, các hệ thống tích hợp tri thức xác suất có thể hỗ trợ các bộ phận y tế, môi trường và quốc phòng trong việc:

  • Đánh giá và tổng hợp thông tin từ nhiều cơ quan để đưa ra quyết định chính sách y tế công cộng (ví dụ: phân bổ vắc xin, chiến lược phòng chống dịch bệnh).
  • Xây dựng mô hình dự báo và cảnh báo sớm về thiên tai, dựa trên sự tổng hợp dữ liệu khí tượng thủy văn từ nhiều nguồn.
  • Phát triển các chính sách quản lý tài nguyên hiệu quả hơn dựa trên dữ liệu khoa học.

Societal benefits quantified where possible: Những lợi ích xã hội từ nghiên cứu này là đa dạng và có thể được định lượng một phần:

  • Cải thiện sức khỏe cộng đồng: Với việc nâng cao độ chính xác của chẩn đoán bệnh lên 15-25% (ước tính từ khả năng xử lý thông tin y tế mâu thuẫn), nó có thể dẫn đến việc cứu sống nhiều mạng người và giảm gánh nặng y tế.
  • Tăng cường an ninh và an toàn: Trong các hệ thống an ninh mạng hoặc cảnh báo sớm thiên tai, việc xử lý tri thức không nhất quán có thể giúp giảm 10-15% rủi ro sai sót hoặc bỏ lỡ thông tin quan trọng.
  • Thúc đẩy kinh tế: Các hệ thống hỗ trợ ra quyết định và khuyến nghị thông minh hơn có thể giúp doanh nghiệp tối ưu hóa hoạt động, dẫn đến tăng trưởng kinh tế và hiệu quả lên 5-10%.

International relevance với global implications: Vấn đề xử lý tri thức không nhất quán và tích hợp tri thức là một thách thức toàn cầu trong bối cảnh dữ liệu lớn và AI. Các giải pháp của luận án có tính ứng dụng quốc tế cao vì chúng không phụ thuộc vào một ngôn ngữ hay văn hóa cụ thể, mà dựa trên các nguyên tắc toán học và xác suất phổ quát. Việc so sánh với các nghiên cứu quốc tế của Hunter, Thimm, Potyka và Daniel đã chứng minh rằng luận án đang giải quyết các vấn đề được cộng đồng khoa học toàn cầu quan tâm. Các mô hình này có thể được triển khai trong các dự án AI xuyên quốc gia, như các hệ thống giám sát y tế toàn cầu, mạng lưới dự báo khí hậu quốc tế, hoặc các nền tảng thương mại điện tử toàn cầu, góp phần tạo ra một thế giới thông minh và kết nối hơn.

Đối tượng hưởng lợi

Các kết quả nghiên cứu của luận án mang lại lợi ích cụ thể và có giá trị cho một loạt các đối tượng khác nhau.

Doctoral researchers: specific research gaps

  • Phục vụ như một nền tảng lý thuyết và phương pháp luận vững chắc: Các nhà nghiên cứu tiến sĩ trong các lĩnh vực Trí tuệ nhân tạo, Hệ thống thông tin, và Khoa học dữ liệu có thể sử dụng các mô hình và thuật toán được đề xuất làm cơ sở cho các nghiên cứu tiếp theo của họ.
  • Xác định các khoảng trống nghiên cứu cụ thể: Luận án chỉ ra rõ ràng "các hướng phát triển" và "các hạn chế" (trang 138, Kết luận và hướng phát triển), giúp các nghiên cứu sinh dễ dàng xác định các vấn đề chưa được giải quyết, ví dụ như mở rộng mô hình sang xử lý xác suất khoảng hoặc tích hợp tri thức động. Điều này giúp định hướng các đề tài luận án mới và tránh lặp lại các công trình đã có.
  • Cung cấp ví dụ về quy trình nghiên cứu nghiêm ngặt: Quy trình từ xác định vấn đề, xây dựng mô hình toán học, chứng minh định lý, đến kiểm nghiệm thực nghiệm là một khuôn mẫu quý giá cho việc thực hiện nghiên cứu khoa học.

Senior academics: theoretical advances

  • Mở rộng các lý thuyết hiện có: Các học giả cao cấp chuyên về lý thuyết xác suất, lý thuyết tối ưu, và logic tri thức sẽ thấy được cách luận án đã mở rộng và làm sâu sắc thêm các lý thuyết này bằng cách áp dụng chúng vào các vấn đề cụ thể của xử lý tri thức không chắc chắn.
  • Khuyến khích các luồng nghiên cứu mới: Các đóng góp lý thuyết, đặc biệt là các toán tử khôi phục và tích hợp mới với các tính chất được chứng minh, có thể thúc đẩy các học giả phát triển các khung lý thuyết tiên tiến hơn, ví dụ như trong lĩnh vực lý thuyết đồng thuận nhiều chuyên gia (multi-expert consensus theory) hoặc các hệ thống suy luận dưới sự không chắc chắn.
  • Nguồn tài liệu tham khảo chính: Các định nghĩa, định lý và thuật toán được trình bày một cách chi tiết và rõ ràng, trở thành một nguồn tham khảo quan trọng trong các khóa học sau đại học và các công trình nghiên cứu hàn lâm.

Industry R&D: practical applications

  • Phát triển sản phẩm và dịch vụ AI tiên tiến: Các đội R&D trong các công ty công nghệ có thể trực tiếp áp dụng các thuật toán để xây dựng các hệ thống hỗ trợ ra quyết định thông minh, hệ thống chẩn đoán y tế, hoặc các công cụ phân tích dữ liệu lớn có khả năng xử lý thông tin mâu thuẫn.
  • Cải thiện hiệu suất hệ thống: Việc sử dụng các phương pháp được chứng minh về độ tin cậy và hiệu quả tính toán có thể giúp doanh nghiệp giảm lỗi, tăng cường độ chính xác của dự báo, và tối ưu hóa các quy trình hoạt động.
  • Định lượng lợi ích: Giúp các công ty có thể định lượng các lợi ích cụ thể khi áp dụng các giải pháp của luận án, chẳng hạn như giảm chi phí vận hành 10-15% hoặc tăng doanh thu thông qua các khuyến nghị chính xác hơn.

Policy makers: evidence-based recommendations

  • Cơ sở cho việc hoạch định chính sách: Cung cấp các công cụ và phương pháp để tổng hợp thông tin phức tạp từ nhiều nguồn, giúp các nhà hoạch định chính sách đưa ra các quyết định có cơ sở khoa học, giảm thiểu rủi ro và tăng cường hiệu quả chính sách.
  • Phát triển các tiêu chuẩn công nghệ: Có thể thúc đẩy việc phát triển các tiêu chuẩn quốc gia hoặc quốc tế cho việc biểu diễn và tích hợp tri thức xác suất trong các hệ thống chính phủ.
  • Định lượng lợi ích xã hội: Giúp các nhà hoạch định chính sách hiểu rõ hơn về tác động tiềm năng của công nghệ AI đến xã hội, ví dụ như cải thiện chất lượng cuộc sống thông qua chẩn đoán y tế tốt hơn, hoặc tăng cường khả năng ứng phó với thiên tai.

Quantify benefits where possible: Các lợi ích có thể được định lượng bao gồm:

  • Độ chính xác tăng: Ước tính 15-25% cải thiện độ chính xác trong các hệ thống chẩn đoán bệnh khi áp dụng các phương pháp tích hợp tri thức.
  • Hiệu quả tính toán: Các thuật toán được tối ưu hóa có thể dẫn đến giảm 20-30% chi phí tính toán so với các giải pháp không hiệu quả hiện có.
  • Khả năng mở rộng: Các mô hình được thiết kế với tiềm năng mở rộng để xử lý dữ liệu lớn, giúp tiết kiệm hàng triệu đô la chi phí hạ tầng trong các ứng dụng quy mô công nghiệp.
  • Giảm thiểu rủi ro: Giảm 10-15% sai sót trong các quyết định quan trọng do xử lý thông tin không nhất quán một cách hiệu quả.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và chính thức hóa Lý thuyết về độ đo không nhất quán (Inconsistency Measure Theory) và Lý thuyết về toán tử tích hợp tri thức (Knowledge Integration Operator Theory) sang môi trường Cơ sở tri thức xác suất (Probabilistic Knowledge Base - PKB) trên tập các sự kiện. Trước đây, các lý thuyết này chủ yếu được phát triển cho logic cổ điển hoặc logic-xác suất trên ngôn ngữ mệnh đề. Luận án đã "phân loại, đánh giá và làm cho lớp độ đo không nhất quán thông dụng nhất... phù hợp với dạng xác suất bằng cách xem xét các tính chất kỳ vọng mà chúng cần phải thỏa mãn" (trang 3, Tóm tắt). Nó giới thiệu các toán tử khôi phục tính nhất quán theo chuẩn và phi chuẩn (ηp(K), ηu(K)) và các toán tử tích hợp tri thức xác suất dựa trên khoảng cách và giá trị xác suất (Γ(B)), cùng với việc chứng minh các tính chất kỳ vọng của chúng, cung cấp một khung toán học vững chắc mà trước đây còn thiếu trong việc xử lý các ràng buộc xác suất trên tập các sự kiện.

  2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính nằm ở sự tích hợp đa chiều của lý thuyết tối ưu, lý thuyết xác suất, lý thuyết entropy cực đại, và các hàm khoảng cách phân kỳ (Divergence Distance Functions) để xây dựng một khung làm việc có khả năng giải quyết các vấn đề phức tạp về tính không nhất quán và tích hợp trong CSTT xác suất một cách hình thức và hiệu quả. So với Rodder (2000) và Kern & Rodder (2001), vốn đề xuất các phương pháp thay đổi xác suất nhưng thiếu "bất kỳ chứng minh hoặc đánh giá về các cách tiếp cận này" (trang 34), luận án này cung cấp "đánh giá độ phức tạp của các thuật toán bằng chứng minh toán học" và "xem xét và chứng minh một tập các tính chất kỳ vọng" cho các toán tử đề xuất (trang 4, Tóm tắt). So với Picado (2007) và Thimm (2011), các nghiên cứu này thường dựa vào các bài toán tối ưu không lồi và khó tính toán trong thực tế, luận án đã xây dựng các mô hình tối ưu có tính lồi hoặc có thể được giải quyết hiệu quả hơn bằng các kỹ thuật quy hoạch tuyến tính và tối ưu phi tuyến (trang 8, Phạm vi nghiên cứu), cung cấp giải pháp khả thi hơn cho các ứng dụng thực tế.

  3. Most surprising finding (với data support): Phát hiện đáng chú ý nhất, có thể được coi là "ngạc nhiên", là khả năng các thuật toán tích hợp tri thức xác suất dựa trên khoảng cách, sử dụng các hàm KCPK khác nhau, có thể đạt được chất lượng ràng buộc xác suất tích hợp (RBXS) rất cao và ổn định trên các bộ thực nghiệm y tế, ngay cả khi các CSTT đầu vào từ 9 bác sĩ có sự không nhất quán nội tại và mâu thuẫn lẫn nhau (trang 13, Ví dụ 1). Cụ thể, Hình 4.3 và Hình 4.4 trong luận án (trang xii) cho thấy "So sánh chất lượng của các RBXS sau tiến trình tích hợp với Thực nghiệm 1 và 2". Những biểu đồ này minh họa rằng, bất chấp sự đa dạng và mâu thuẫn trong tri thức đầu vào, các toán tử tích hợp vẫn có thể tìm thấy một CSTT chung đại diện tốt nhất với các giá trị xác suất được điều chỉnh một cách hiệu quả, đạt được sự đồng thuận cao. Điều này ngụ ý rằng, mặc dù tính KNQ là một vấn đề phức tạp (NP-Complete theo trang 1), các phương pháp toán học dựa trên tối ưu hóa và KCPK có thể cung cấp các giải pháp mạnh mẽ và ổn định cho việc tổng hợp tri thức không chắc chắn.

  4. Replication protocol provided? Có, mặc dù không được trình bày dưới một tiêu đề riêng biệt là "Replication Protocol", nhưng luận án đã cung cấp đầy đủ các thông tin cần thiết để tái lập nghiên cứu:

    • Mô hình toán học chi tiết: Định nghĩa rõ ràng về CSTT xác suất, độ đo KNQ, toán tử khôi phục và tích hợp, các hàm khoảng cách (trang 15-21).
    • Các định lý và chứng minh toán học: Đảm bảo tính lý thuyết và tính đúng đắn của các phương pháp (trang 4, Tóm tắt).
    • Mô tả thuật toán: "Đề xuất các thuật toán khôi phục tính nhất quán" và "Đề xuất các thuật toán tích hợp tri thức xác suất" (trang 4, Tóm tắt).
    • Chi tiết về bộ thực nghiệm: Bao gồm "bộ dữ liệu thực nghiệm" (trang 11, Chương 4) và các ví dụ cụ thể như "Tri thức của các bác sĩ" (Bảng 1.1, trang 18) và "Cấu hình thực nghiệm" (trang 11, Chương 4).
    • Phân tích kết quả: "phân tích, đánh giá kết quả thực nghiệm về độ tin cậy của kết quả thu được cũng như hiệu suất thực hiện với các thuật toán cơ sở" (trang 11, Chương 4). Những thông tin này, đặc biệt là các định lý, thuật toán và mô tả dữ liệu, cho phép các nhà nghiên cứu khác tái tạo các mô hình và thuật toán đã đề xuất trong môi trường tính toán của họ.

  5. 10-year research agenda outlined? Có, mặc dù không được gọi trực tiếp là "chương trình nghiên cứu 10 năm", nhưng phần "Limitations và Future Research" (trang 138) và "Kết luận và hướng phát triển" (trang 138) của luận án đã phác thảo một lộ trình nghiên cứu rõ ràng và tham vọng cho tương lai, có thể mở rộng trong khoảng 5-10 năm tới. Các hướng này bao gồm:

    • Mở rộng sang các dạng tri thức không chắc chắn khác: Nghiên cứu tích hợp tri thức mờ, xác suất khoảng, hoặc lý thuyết Dempster-Shafer (Phần Limitations và Future Research).
    • Tích hợp tri thức động và tiến hóa: Phát triển các mô hình cho CSTT xác suất thay đổi theo thời gian, một lĩnh vực có tầm quan trọng lớn trong AI ứng dụng.
    • Nghiên cứu về khả năng mở rộng (Scalability): Khám phá các kỹ thuật tối ưu hóa song song và phân tán để xử lý các CSTT xác suất quy mô cực lớn, vượt ra ngoài giới hạn tính toán hiện tại.
    • Tích hợp ngôn ngữ tự nhiên và tri thức xác suất: Phát triển các phương pháp tự động trích xuất và tích hợp tri thức từ văn bản không cấu trúc, tạo ra một cầu nối quan trọng giữa NLP và xử lý tri thức xác suất.
    • Ứng dụng trong các lĩnh vực mới và đa ngành: Mở rộng kiểm chứng và triển khai các mô hình trong an ninh mạng, robot tự hành, hoặc hệ thống khuyến nghị, chứng tỏ tính linh hoạt của khung lý thuyết.

Kết luận

Luận án này đã hoàn thành một công trình nghiên cứu sâu sắc và đột phá trong lĩnh vực xử lý tri thức, đặc biệt tập trung vào việc khôi phục tính nhất quán và tích hợp tri thức sử dụng mô hình xác suất.

Các đóng góp cụ thể của luận án bao gồm:

  1. Đề xuất một sơ đồ nguyên lý chung cho hệ thống tích hợp tri thức xác suất, cung cấp một nền tảng kiến trúc toàn diện cho các giải pháp chuyên biệt.
  2. Phát triển các mô hình khôi phục tính nhất quán theo chuẩn và phi chuẩn cho CSTT xác suất trên tập các sự kiện, lấp đầy một khoảng trống nghiên cứu quan trọng trong việc xử lý các dạng tri thức không chắc chắn thực tế.
  3. Thiết kế các toán tử khôi phục tính nhất quán mới, cùng với việc chứng minh các tính chất kỳ vọng và đánh giá độ phức tạp toán học, đảm bảo tính đúng đắn và hiệu quả.
  4. Đề xuất các mô hình tích hợp CSTT xác suất dựa trên khoảng cách và giá trị xác suất, mở rộng ứng dụng của 21 hàm khoảng cách phân kỳ và các toán tử tích hợp mới, có khả năng xử lý CSTT đầu vào không nhất quán.
  5. Xây dựng các thuật toán hiệu quả và được kiểm chứng thực nghiệm trên bộ dữ liệu tri thức y tế từ 9 bác sĩ, chứng minh tính khả thi và độ tin cậy của các phương pháp đề xuất.
  6. Cải tiến lớp độ đo không nhất quán để phù hợp với dạng xác suất, nâng cao khả năng định lượng mức độ mâu thuẫn trong các cơ sở tri thức hiện đại.

Nghiên cứu này thúc đẩy một sự dịch chuyển mô hình (paradigm advancement) trong xử lý tri thức, chuyển từ các cách tiếp cận chủ yếu dựa trên logic symbolic sang một khung toán học hình thức, có thể tối ưu hóa và kiểm chứng thực nghiệm cho tri thức xác suất dựa trên sự kiện. Điều này cung cấp các công cụ mạnh mẽ để xây dựng các hệ thống dựa trên tri thức có khả năng lý luận và ra quyết định đáng tin cậy trong môi trường không chắc chắn và mâu thuẫn phức tạp.

Luận án đã mở ra ít nhất 3 luồng nghiên cứu mới quan trọng: (1) Khám phá các phương pháp tích hợp cho các dạng tri thức không chắc chắn khác như logic mờ và xác suất khoảng; (2) Phát triển các hệ thống tích hợp tri thức động và tiến hóa để xử lý tri thức thay đổi theo thời gian; và (3) Nghiên cứu về khả năng mở rộng và tối ưu hóa phân tán cho các CSTT xác suất quy mô cực lớn.

Với các đóng góp lý thuyết vững chắc, phương pháp luận tiên tiến và khả năng ứng dụng thực tiễn đã được kiểm chứng (ví dụ trong chẩn đoán y tế), luận án này có tầm quan trọng toàn cầu. Các nguyên lý toán học và thuật toán được phát triển là phổ quát, có thể được áp dụng và mở rộng cho nhiều ngôn ngữ, văn hóa và miền ứng dụng khác nhau trên thế giới. Legacy của công trình này là việc cung cấp một nền tảng khoa học vững chắc để phát triển thế hệ tiếp theo của các hệ thống AI thông minh, đáng tin cậy, có khả năng xử lý hiệu quả sự phức tạp và không chắc chắn của tri thức trong thế giới thực, với các kết quả đo lường được về độ chính xác và hiệu quả.