NGÔN NGỮ HỌC TÍNH TOÁN: NHỮNG XU HƯỚNG MỚI, TRIỂN VỌNG VÀ THÁCH THỨC | 55
...................................................................................................................................................................................
CẢI THIỆN GIAO TIẾP BẰNG TIẾNG ANH
THÔNG QUA MẠNG TRÍ TUỆ NHÂN TẠO
NGUYỄN THÚY NGỌC* - ĐỖ THỊ HỒNG HÀ**
Tóm tắt: Giao tiếp rất quan trọng trong thế giới ngày nay. Một cá nhân phải có khả
năng giao tiếp trôi chảy để theo kịp phần còn lại của thế giới. Có rất nhiều người gặp khó khăn
để làm được điều đó và cần một phương pháp phù hợp để hỗ trợ họ, điều này có thể được thực
hiện một cách hiệu quả bằng cách sử dụng Mạng thần kinh nhân tạo. Bài viết này nhằm nghiên
cứu khả năng sử dụng Mạng thần kinh nhân tạo để cải thiện khả năng giao tiếp bằng tiếng
Anh. Nghiên cứu được thực hiện dựa vào sinh viên năm ba đại học Kinh tế - Kỹ thuật Công
nghiệp ( UNETI). Nó có thể được mở rộng hơn nữa đối với các sinh viên từ các trường đại
học khác. Một bảng câu hỏi được gửi tới sinh viên UNETI thông qua Google Forms, với nhiều
loại câu hỏi khác nhau. Các kết quả nghiên cứu được trình bày trong bài viết này và được phân
tích kỹ lưỡng. Kết quả cho thấy sinh viên quan tâm đến việc sử dụng Mạng thần kinh nhân tạo
để cải thiện kỹ năng giao tiếp bằng tiếng Anh, mặc dù các em chưa biết nhiều về Mạng thần
kinh nhân tạo. Mặc dù, một số người nghi ngờ về tính hữu ích nhưng vẫn sẵn sàng thử. Bài
viết cho chúng ta thấy quá trình suy nghĩ của sinh viên về chủ đề này bằng cách phân tích câu
trả lời của họ cho bảng câu hỏi.
Từ khóa: Khả năng giao tiếp bằng Tiếng Anh, mạng lưới hệ thần kinh, lợi ích, sinh
viên đại học UNETI.
1. Đặt vấn đề
Các nút trong Mạng thần kinh nhân tạo được kết nối với nhau để tạo ra các biểu đồ
khác nhau. Đầu ra của các đơn vị gắn liền với nó, tang hyperbol và tổng trọng số logistic
sigmoid của 101, đóng vai trò là trường hợp điển hình của hàm kích hoạt phi tuyến mà đơn vị
sử dụng để tạo đầu ra của nó. Mạng thần kinh nhân tạo (MTKNT) có thể được chứng minh là
các công cụ phổ quát và mô hình tính toán thần kinh có một số yếu tố lý thuyết hấp dẫn. Mặc
dù MTKNT thường được sử dụng để dự đoán và phân loại các yếu tố khác nhau nhưng chúng
vẫn chưa được sử dụng phổ biến trong tâm lý giáo dục. Việc sử dụng MTKNT cho kỹ thuật
truyền thông không dây đã trở nên phổ biến gần đây. Mục tiêu cơ bản của việc sử dụng mạng
nơron là thay thế các chu trình phân tích và thiết kế mở rộng cần thiết để tạo ra các hệ thống
hiệu suất cao với khung thời gian phát triển sản phẩm cực nhanh, ngay cả khi chúng được áp
dụng cho một số mục đích và theo nhiều phương pháp khác nhau. Mạng thần kinh (NN) có
thể cung cấp câu trả lời cho các vấn đề thách thức trong truyền thông kỹ thuật số nhờ xử lý phi
* ThS, Trường Đại học Kinh Tế-Kỹ Thuật Công Nghiệp; Email: ntngoc.khoann@uneti.edu.vn
** ThS, Trường Đại học Đại học Kinh Tế-Kỹ Thuật Công Nghiệp, Email: hadth@uneti.edu.vn
56 | KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA 2024
...................................................................................................................................................................................
tuyến tính, kiến trúc phân tán song song, khả năng tự tổ chức, khả năng học hỏi và khái quát
hóa cũng như triển khai phần cứng hiệu quả. Bài viết cung cấp một bản tóm tắt về việc sử dụng
NN trong giao tiếp, truyền thông kỹ thuật số, bao gồm cả sự tương đương và nhận dạng kênh;
mã hóa và giải mã; phép lượng tử vector; đang xử lý hình ảnh; lọc phi tuyến; ứng dụng trải
phổ; v.v. Thách thức chính là tìm ra kiến trúc phù hợp cho các phương pháp tiếp cận MTKNT
để tạo ra kết quả lớn nhất. Trong nhiều lĩnh vực nghiên cứu nơi dữ liệu đến từ nhiều nguồn và
có đặc điểm rất phức tạp, việc tìm ra cách trình bày phù hợp là rất quan trọng. MTKNT là một
phương pháp học tập phổ biến và hữu ích cho việc biểu diễn. MTKNT được mô phỏng theo
vỏ não con người, như tên gọi của chúng gợi ý. Bài báo trình bày việc lựa chọn kiến trúc mạng
nơ-ron và tích hợp các thuật toán mạng nơ-ron với các phương pháp khác, bao gồm xử lý tín
hiệu thích ứng, hệ thống mờ và các thuật toán tiến hóa. Nghiên cứu này xem xét các phương
pháp toán học được sử dụng để hiểu hành vi học tập, giao tiếp và hội tụ của các thuật toán
mạng thần kinh trong phần cuối cùng.
2. Cơ sở lý thuyết
2.1. Lịch sử các nghiên cứu và các ứng dụng MTKNT của thế kỷ 20
Chen S (1993) tuyên bố xem xét cách sử dụng mạng chức năng cơ sở xuyên tâm để
cân bằng các kênh truyền thông kỹ thuật số, chứng minh rằng mạng hàm cơ sở xuyên tâm có
thể được sử dụng để tạo ra bộ cân bằng Bayesian vì nó có cấu trúc giống hệt với giải pháp bộ
cân bằng quyết định ký hiệu Bayesian tốt nhất. Sử dụng phương pháp phân cụm có giám sát
đơn giản và đáng tin cậy, giải pháp cân bằng Bayes có thể được thực hiện nhanh chóng bằng
cách huấn luyện mạng hàm cơ sở xuyên tâm. Một biến thể theo hướng quyết định của kỹ thuật
phân cụm cho phép mạng chức năng cơ sở xuyên tâm tuân theo môi trường thay đổi chậm
trong khi dữ liệu được truyền đi. Mô phỏng máy tính được sử dụng để hiển thị kết quả phân
tích. Kechriotis (1994) cho rằng nhiễu cấu trúc từ các cấu trúc vi mô không đồng nhất làm
cho việc phát hiện các khuyết tật có trong vật liệu có độ tán xạ cao trở nên khó khăn. Một số
kỹ thuật đã được áp dụng để cải thiện tỷ lệ tín hiệu trên nhiễu (SNR) nhằm giúp việc phát hiện
khuyết tật dễ dàng hơn. Lọc tuyến tính không mang lại kết quả tốt vì cả nhiễu cấu trúc và tín
hiệu sai sót đều tập trung năng lượng vào cùng một dải tần. Lọc phi tuyến tính có thể được sử
dụng để giảm nhiễu cấu trúc của tín hiệu siêu âm. Vì vậy, MTKNT được áp dụng trong công
việc này cho mục đích này. Để sử dụng mạng nơron cho lọc phi tuyến tính, phải áp dụng cấu
trúc động. Cách dễ nhất để triển khai mạng nơ-ron có khả năng xử lý các mẫu thời gian là xem
chúng là các mẫu không gian, áp dụng tín hiệu vào đường trễ có phần mở rộng hữu hạn được
khai thác, đó là đầu vào của mạng nơ-ron tĩnh (ví dụ: đa - lớp perceptron). Trong nghiên cứu
này, một MTKNT đã được xây dựng để lọc tín hiệu siêu âm có nhiễu cấu trúc và đã được huấn
luyện bằng thuật toán truyền ngược thời gian thực, sử dụng làm đầu vào 3.000 tín hiệu siêu
âm tổng hợp gồm 896 mẫu. Tín hiệu mục tiêu để huấn luyện giống như tín hiệu được sử dụng
NGÔN NGỮ HỌC TÍNH TOÁN: NHỮNG XU HƯỚNG MỚI, TRIỂN VỌNG VÀ THÁCH THỨC | 57
...................................................................................................................................................................................
làm đầu vào nhưng không có nhiễu. Mạng nơ-ron được huấn luyện để tạo ra tín hiệu mục tiêu
ở đầu ra khi áp dụng tín hiệu đầu vào nhiễu. Để kiểm tra hiệu suất của bộ lọc phi tuyến tính,
một bộ 500 tín hiệu nhiễu mới đã được sử dụng. Sự cải thiện SNR trung bình khoảng 6 dB.
Kết quả cho thấy phương pháp lọc phi tuyến tính này khá hữu ích trong giai đoạn tiền xử lý
trong các hệ thống phát hiện khuyết tật. Trong bối cảnh giám sát phổ, một phương pháp khôi
phục mã của tín hiệu trải phổ chuỗi trực tiếp được trình bày, trong khi máy thu không biết gì
về chuỗi trải phổ của máy phát. Cách tiếp cận này dựa trên MTKNT buộc phải mô hình hóa
tín hiệu nhận được. Kết quả thực nghiệm cho thấy phương pháp cho ước lượng tốt ngay cả khi
công suất tín hiệu thấp hơn công suất nhiễu.
Bouder C (2000) tuyên bố rằng Mạng thần kinh chuyển đổi (CNN) được điều khiển
bởi nhận dạng hình ảnh đã được chứng minh là có thể giải thích các phản ứng của vỏ não đối
với các hình ảnh tĩnh ở khu vực bụng. Ở đây, chúng tôi đã chỉ ra thêm rằng CNN như vậy có
thể dự đoán và giải mã dữ liệu hình ảnh cộng hưởng từ chức năng một cách đáng tin cậy từ
những người xem phim tự nhiên, mặc dù nó không có bất kỳ cơ chế nào để giải thích cho động
lực học thời gian hoặc xử lý phản hồi. Sử dụng dữ liệu riêng biệt, các mô hình mã hóa và giải
mã đã được phát triển và đánh giá để mô tả mối quan hệ hai chiều giữa CNN và não bộ. Thông
qua các mô hình mã hóa, CNN dự đoán các khu vực không chỉ bao phủ dòng bụng mà còn cả
dòng lưng, mặc dù ở mức độ thấp hơn; phản hồi điểm ảnh ba chiều đơn lẻ được hiển thị dưới
dạng mẫu pixel cụ thể điều khiển phản hồi, cho thấy sự thể hiện rõ ràng của vị trí vỏ não riêng
lẻ; kích hoạt vỏ não được tổng hợp từ các hình ảnh tự nhiên với thông lượng cao để thể hiện,
độ tương phản và độ chọn lọc của bản đồ. Thông qua các mô hình giải mã, tín hiệu fMRI được
giải mã trực tiếp để ước tính các biểu diễn đặc điểm trong cả không gian hình ảnh và ngữ
nghĩa, nhằm tái tạo hình ảnh trực tiếp và phân loại ngữ nghĩa tương ứng. Những kết quả này
chứng thực, khái quát hóa và mở rộng những phát hiện trước đó, đồng thời nêu bật giá trị của
việc sử dụng học sâu, như một mô hình tất cả trong một của vỏ não thị giác, để hiểu và giải
mã tầm nhìn tự nhiên.
Ibnkahla (2000) cho biết hơn 200 ứng dụng của mạng nơ-ron trong xử lý hình ảnh và
thảo luận về vai trò hiện tại và có thể có trong tương lai của mạng nơ-ron, đặc biệt là mạng
nơ-ron chuyển tiếp nguồn cấp dữ liệu, bản đồ đặc trưng Kohonen và mạng nơ-ron Hopfield.
Các ứng dụng khác nhau được phân loại thành phân loại hai chiều mới cho các thuật toán xử
lý hình ảnh. Một chiều chỉ định loại tác vụ được thực hiện bởi thuật toán: xử lý trước, giảm dữ
liệu/trích xuất tính năng, phân đoạn, nhận dạng đối tượng, hiểu và tối ưu hóa hình ảnh. Chiều
thứ hai ghi lại mức độ trừu tượng của dữ liệu đầu vào được xử lý bằng thuật toán: cấp độ pixel,
cấp độ tính năng cục bộ, cấp độ cấu trúc, cấp độ đối tượng, cấp độ tập đối tượng và đặc tính
cảnh. Mỗi loại trong số sáu loại nhiệm vụ đặt ra những hạn chế cụ thể đối với cách tiếp cận
dựa trên thần kinh. Những điều kiện cụ thể này sẽ được thảo luận chi tiết. Tổng hợp các vấn
đề chưa được giải quyết liên quan đến việc áp dụng các kỹ thuật nhận dạng mẫu trong xử lý
58 | KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA 2024
...................................................................................................................................................................................
hình ảnh và đặc biệt là ứng dụng Mạng thần kinh nhân tạo. Cuối cùng, ông trình bày quan
điểm về ứng dụng tương lai của MTKNT và liên hệ chúng với những phát triển mới.
2.2. Lịch sử các nghiên cứu và các ứng dụng Mạng thần kinh nhân tạo của thế kỷ 21
Farsad N (2018) xem xét các nguyên tắc cơ bản của xử lý tín hiệu thích ứng trong một
cuộc khảo sát về các kỹ thuật xử lý tín hiệu thích ứng phổ biến nhất được sử dụng trong truyền
thông không dây. Chương này thảo luận về nhận dạng và cân bằng kênh, bao gồm các kênh
liên lạc vệ tinh và các kênh đầu ra nhiều đầu vào. Mạng nơ-ron nhân tạo là một hệ thống phi
tuyến thích ứng, thường là phi tuyến, học cách thực hiện một chức năng từ dữ liệu. Dữ liệu
huấn luyện đầu vào-đầu ra là nền tảng trong công nghệ mạng thần kinh vì chúng truyền tải
thông tin cần thiết để “khám phá” điểm vận hành tối ưu. Một vấn đề cơ bản là làm thế nào để
điều chỉnh chiến thắng trọng số của perceptron đa lớp (MLP) để đạt được bản đồ đầu vào-đầu
ra nhất định. Chương này đề cập đến các khía cạnh sau: kích thước của tập huấn luyện so với
trọng số, thủ tục tìm kiếm, cách dừng huấn luyện, cách thiết lập cấu trúc liên kết để khái quát
hóa tối đa. Khi độ trễ băng thực hiện bộ nhớ ngắn hạn, có thể sử dụng phương pháp truyền
ngược thẳng vì tham số thích ứng duy nhất là trọng số MLP.
Guo (2020) cho biết rằng trong hệ thống liên lạc không dây, vị trí không dây là kỹ thuật
được sử dụng để ước tính vị trí của trạm di động (MS). Để nâng cao độ chính xác của dự đoán
vị trí MS, chúng tôi đề xuất một thuật toán mới sử dụng các phép đo thời gian đến (TOA) và
thông tin góc đến (AOA) để định vị MS khi có sẵn ba trạm gốc (BS). Mạng nơ-ron nhân tạo
(ANN) là các kỹ thuật được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau để khắc phục vấn
đề về mối quan hệ độc quyền và phi tuyến tính. Khi chỉ có ba BS nghe thấy MS, thuật toán đề
xuất sử dụng giao điểm của ba vòng tròn TOA (và đường AOA), dựa trên các mạng thần kinh
khác nhau, để ước tính vị trí MS trong môi trường không có tầm nhìn thẳng (NLOS). Mô
phỏng được thực hiện để đánh giá hiệu suất của thuật toán đối với các phân phối lỗi NLOS
khác nhau. Kết quả phân tích và mô phỏng số cho thấy các thuật toán đề xuất có thể ước tính
vị trí chính xác hơn trong các môi trường NLOS khác nhau.
Albers (2012) cho rằng thuật toán định tuyến cho mạng truyền thông quy mô lớn có
vấn đề tự kích nổ được đề xuất trong bài báo này. Cách tiếp cận được đề xuất bao gồm ba quy
trình: mạng thần kinh Hopfield đệ quy để lấy thứ tự định tuyến giữa nguồn nhất định và nhiều
đích, quy trình sàng lọc để bản địa hóa vấn đề và giảm thiểu nỗ lực tính toán cùng với phương
pháp tìm kiếm theo chiều sâu và phiên bản cải tiến của Hopfield mạng nơ-ron để định tuyến
trong các mạng truyền thông quy mô lớn. Kết quả cho thấy sự cải thiện cả về hiệu suất tính
toán và tính tối ưu của giải pháp bằng cách tiếp cận được đề xuất so với các phương pháp
thông thường.
Zhu B (2019) tuyên bố rằng trong thế giới tin tặc và phần mềm độc hại ngày nay, khả
năng phục hồi và bảo mật trong các hệ thống điều khiển như SCADA và các nhà máy hạt nhân
là một vấn đề quan trọng. Các hệ thống máy tính có cơ sở hạ tầng quan trọng điều chỉnh các
quy trình vật lý không được loại trừ khỏi nguy cơ bị tấn công mạng và có thể là điểm yếu.
NGÔN NGỮ HỌC TÍNH TOÁN: NHỮNG XU HƯỚNG MỚI, TRIỂN VỌNG VÀ THÁCH THỨC | 59
...................................................................................................................................................................................
Tính bảo mật của hệ thống phát hiện xâm nhập có thể được tăng lên đáng kể bằng cách làm
cho nó phù hợp đặc biệt với các cơ sở hạ tầng quan trọng. Nghiên cứu này giới thiệu IDS-
NNM, một hệ thống phát hiện xâm nhập dựa trên Mạng thần kinh nhân tạo. Đóng góp chính
của công việc này là: 1) việc sử dụng và phân tích dữ liệu mạng thực (dữ liệu được thu thập
từ cơ sở hạ tầng quan trọng hiện có); 2) việc tạo ra một kỹ thuật trích xuất tính năng dựa trên
cửa sổ cụ thể; 3) tạo tập dữ liệu huấn luyện bằng cách sử dụng các vectơ xâm nhập được tạo
ngẫu nhiên; và 4) ứng dụng kết hợp hai thuật toán học mạng thần kinh, lan truyền ngược lỗi
và Levenberg Marquardt, để mô hình hóa hành vi bình thường. Thuật toán đề xuất đã được
đánh giá trên dữ liệu mạng chưa từng thấy trước đây. Thuật toán IDS-NNM đã chứng minh
khả năng phát hiện tất cả các nỗ lực xâm nhập có trong lưu lượng mạng mà không đưa ra bất
kỳ cảnh báo sai nào.
Linda (2009) cho rằng nhờ khả năng khái quát hóa tuyệt vời, học sâu có nhiều ứng
dụng trong lĩnh vực xử lý ngôn ngữ tự nhiên và xử lý hình ảnh. Để cùng tối ưu hóa máy phát
và máy thu trong lớp vật lý truyền thông dưới các kênh mờ dần, bà và cộng sự đề xuất một
cấu trúc liên kết mạng thần kinh duy nhất trong nghiên cứu này. Bà và cộng sự xây dựng một
bộ mã hóa tự động tích chập để thực hiện tất cả các chức năng điều chế, cân bằng và giải điều
chế cùng một lúc. Theo các điều kiện kênh khác nhau, hệ thống được đề xuất có thể tạo ra các
sơ đồ ánh xạ khác nhau từ các chuỗi bit đầu vào có độ dài bất kỳ đến các ký hiệu chòm sao.
Các kết quả mô phỏng chứng minh rằng, xét về độ phức tạp về thời gian và tỷ lệ lỗi bit đối với
các kênh pha đinh, các hệ thống dựa trên mạng thần kinh hoạt động tốt hơn các phương pháp
điều chế và cân bằng thông thường. Để nâng cao hiệu suất hơn nữa, phương pháp đề xuất có
thể được tích hợp với các chiến lược mã hóa bổ sung. Hơn nữa, so với các kỹ thuật liên lạc
thông thường, mạng hệ thống được đề xuất có khả năng phục hồi tốt hơn trước sự thay đổi của
kênh. Farsad (2018) tuyên bố sẽ xem xét khả năng phát hiện dựa trên học sâu và chứng minh
rằng các máy dò tốt có thể được đào tạo mà không cần nhận thức được các mô hình kênh cơ
bản. Ngoài ra, Ông và cộng sự cho thấy rằng có thể huấn luyện các bộ dò mà không cần thông
tin trạng thái kênh khi có sẵn mô hình kênh (CSI). Cụ thể, một phương pháp phát hiện được
gọi là mạng thần kinh tái phát hai chiều trượt (SBRNN) được đề xuất, trong đó bộ dò ước tính
dữ liệu theo thời gian thực khi luồng tín hiệu đi vào máy thu sau quá trình huấn luyện. Sử dụng
mô hình kênh Poisson, có thể áp dụng cho các hệ thống truyền thông quang học và phân tử,
Ông và cộng sự đánh giá kỹ thuật này cũng như các cấu trúc liên kết mạng thần kinh (NN)
khác nhau. Ngoài ra, Ông và cộng sự đánh giá kỹ thuật phát hiện này hoạt động tốt như thế
nào khi được sử dụng với dữ liệu được cung cấp thông qua nền tảng truyền thông phân tử,
trong đó việc phân tích mô hình kênh là một thách thức. Ông và cộng sự chứng minh hiệu quả
tính toán của SBRNN và khả năng thực hiện phát hiện trong các trường hợp kênh khác nhau
mà không cần biết về mô hình kênh cơ bản.