Đề án tốt nghiệp Thạc sĩ: Nhận diện cảm xúc trong văn bản tiếng Việt bằng mô hình học sâu

Trong kỷ nguyên số hóa hiện nay, việc thấu hiểu cảm xúc con người qua văn bản có ý nghĩa then chốt, đặc biệt trong lĩnh vực giáo dục, nơi nó có thể hỗ trợ giáo viên và quản lý nắm bắt tâm lý học sinh. Tuy nhiên, các nghiên cứu nhận diện cảm xúc hiện tại chủ yếu tập trung vào tiếng Anh, bỏ qua những thách thức đặc thù của tiếng Việt – một ngôn ngữ đơn âm với ngữ pháp linh hoạt và hệ thống dấu thanh phong phú. Các mô hình đa ngữ phổ biến chưa đủ khả năng xử lý hiệu quả những đặc trưng này. Để giải quyết khoảng trống đó, đề tài này tập trung vào việc xây dựng và thử nghiệm một mô hình học sâu dựa trên PhoBERT kết hợp với Linear Classifier. Mục tiêu là phát triển một công cụ nhận diện cảm xúc tiếng Việt hiệu quả, đặc biệt trong ngữ cảnh giáo dục, góp phần cải thiện sự tương tác và hỗ trợ tâm lý trong môi trường học đường.

Các nhà nghiên cứu và kỹ sư trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP) và học sâu, đặc biệt quan tâm đến nhận diện cảm xúc tiếng Việt; các chuyên gia và quản lý giáo dục, nhà tâm lý học đường muốn ứng dụng công nghệ để phân tích phản hồi và hỗ trợ học sinh.

Luận văn này trình bày một nghiên cứu toàn diện về nhận diện cảm xúc trong văn bản tiếng Việt, đặc biệt trong bối cảnh giáo dục, nhằm giải quyết hạn chế của các mô hình xử lý ngôn ngữ tự nhiên hiện tại đối với đặc thù của tiếng Việt. Nghiên cứu nhấn mạnh tầm quan trọng của việc hiểu cảm xúc học sinh để hỗ trợ giáo viên, tư vấn tâm lý và quản lý giáo dục. Thay vì các mô hình đa ngữ kém hiệu quả, đề tài đề xuất sử dụng PhoBERT, một mô hình ngôn ngữ tiền huấn luyện được phát triển riêng cho tiếng Việt bởi VinAI Research, kết hợp với bộ phân loại tuyến tính (Linear Classifier) để đạt được độ chính xác cao trong ứng dụng thực tiễn. Về phương pháp, nghiên cứu sẽ phân tích lý thuyết về học sâu, BERT, PhoBERT và các kỹ thuật nhận diện cảm xúc. Sau đó, một tập dữ liệu cảm xúc tiếng Việt chất lượng cao sẽ được xây dựng từ phản hồi của học sinh, giáo viên, và phụ huynh, trải qua quá trình tiền xử lý và gán nhãn thành ba loại cảm xúc chính: tích cực, tiêu cực và trung tính. Mô hình PhoBERT kết hợp Linear Classifier sẽ được huấn luyện và tinh chỉnh để tối ưu hóa hiệu suất, sau đó đánh giá bằng các chỉ số đo lường chuẩn như độ chính xác, Precision, Recall và F1-score. Mục tiêu ứng dụng là tích hợp mô hình vào phần mềm phân tích phản hồi giáo dục, hỗ trợ nhà trường quản lý và cải thiện chất lượng giảng dạy. Giá trị ứng dụng không chỉ giới hạn trong giáo dục mà còn mở rộng sang thương mại điện tử, truyền thông và chăm sóc sức khỏe, mang lại công cụ mạnh mẽ để phân tích sắc thái cảm xúc, dù với những thách thức về ngữ nghĩa mơ hồ và dữ liệu hạn chế trong tiếng Việt.