BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC KINH TẾ QUỐC DÂN LÊ THỊ THU
PHÁT TRIỂN HỆ THỐNG TÌM KIẾM CHUYÊN GIA CHO DOANH NGHIỆP NHỎ VÀ VỪA TẠI VIỆT NAM
Chuyên ngành: Hệ thống thông tin quản lý Mã số: 9340405
TÓM TẮT LUẬN ÁN TIẾN SĨ
HÀ NỘI - 2025
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI ĐẠI HỌC KINH TẾ QUỐC DÂN
Người hướng dẫn khoa học: TS. Phạm Xuân Lâm
Phản biện 1:
Phản biện 2:
Phản biện 3:
Luận án được bảo vệ trước Hội đồng đánh giá luận án
cấp Đại học Kinh tế Quốc dân
Vào hồi: ngày tháng năm 2025
Có thể tìm hiểu luận án tại: - Thư viện Quốc gia - Thư viện Đại học Kinh tế Quốc dân
1
MỞ ĐẦU
1. Lý do chọn đề tài
Trong thời đại kinh tế tri thức và toàn cầu hóa, việc khai thác và quản lý hiệu quả nguồn lực chuyên gia đóng vai trò cực kỳ quan trọng đối với sự phát triển của quốc gia. Chuyên gia là những người có kiến thức, kỹ năng và kinh nghiệm chuyên sâu trong nhiều lĩnh vực khác nhau (Weiss & Shanteau, 2003; Lin & cộng sự, 2017), góp phần trực tiếp vào việc thúc đẩy đổi mới sáng tạo, nghiên cứu khoa học, và tăng trưởng kinh tế (Pantouvakis & Karakasnaki, 2017). Tuy nhiên, thực trạng quản lý thông tin chuyên gia ở Việt Nam hiện nay vẫn còn nhiều bất cập, chưa đáp ứng được yêu cầu của sự phát triển. Điều này đặt ra nhu cầu cấp bách về việc xây dựng một hệ thống quản lý và tìm kiếm thông tin chuyên gia hiệu quả, giúp tận dụng tối đa nguồn tài sản trí thức này.
Hiện tại, Việt Nam vẫn chưa có một cơ sở dữ liệu (CSDL) chuyên gia đồng bộ, thống nhất và tích hợp trên quy mô toàn quốc, tạm gọi là CSDL quốc gia về chuyên gia. Trên thực tế, một số bộ, ngành, địa phương và tổ chức như Bộ Khoa học và Công nghệ (KHCN), Cục công nghiệp - Bộ Công thương (Cục công nghiệp Việt Nam, 2019), tỉnh Bình Định (Liên hiệp các Hội Khoa học và Kỹ thuật Bình Định, 2020), thành phố Đà Nẵng, cùng một số cơ quan, tổ chức khác đã bắt đầu xây dựng các CSDL chuyên gia riêng lẻ. Tuy nhiên, các CSDL này chỉ phục vụ nội bộ và không được kết nối với nhau, dẫn đến nhiều khó khăn trong việc tìm kiếm, chia sẻ và khai thác thông tin chuyên gia giữa các đơn vị. Điều này không chỉ gây lãng phí nguồn tài nguyên tri thức của quốc gia mà còn khiến cho việc tìm kiếm chuyên gia phù hợp trở nên phức tạp và thiếu hiệu quả, đặc biệt khi các doanh nghiệp, tổ chức có nhu cầu tìm kiếm nhanh thông tin chuyên gia để phục vụ cho các dự án quan trọng.
Bên cạnh đó, cũng còn thiếu các hệ thống tìm kiếm chuyên gia để quản lý dữ liệu tích hợp, điều này đã tạo ra nhiều vấn đề bất cập. Các cơ quan, doanh nghiệp và tổ chức gặp khó khăn trong việc tiếp cận các chuyên gia phù hợp với nhu cầu của họ, dẫn đến mất nhiều thời gian và nguồn lực trong việc tìm kiếm thông tin hoặc phải sử dụng các kênh không chính thức, không đảm bảo chất lượng thông tin. Điều này ảnh hưởng không nhỏ đến các dự án nghiên cứu, đổi mới sáng tạo và cả hoạt động kinh doanh, sản xuất. Một số tổ chức phải xây dựng riêng hệ thống tìm kiếm chuyên gia của mình, nhưng điều này lại dẫn đến tình trạng trùng lặp, thiếu đồng bộ và không tận dụng được nguồn lực chuyên gia từ các lĩnh vực khác.
Trước thực trạng này, nghiên cứu sinh (NCS) nhận thấy nhu cầu cần thiết phải xây dựng hệ thống quản lý thông tin và tìm kiếm chuyên gia, bên cạnh những dữ liệu chuyên gia nội bộ của đơn vị triển khai, hệ thống này còn có thể đấu nối, tích hợp với các cơ sở dữ liệu chuyên gia được chia sẻ tại đơn vị khác (như các bộ, ngành, địa phương và tổ chức, doanh nghiệp). Ngoài ra, nếu trong tương lai, CSDL quốc gia về chuyên gia được thiết lập sẽ trở thành nguồn dữ liệu tập trung, tin cậy, phục vụ hiệu quả cho các hoạt động nghiên cứu, hợp tác, và phát triển. Hệ thống tìm kiếm chuyên
2
gia có thể kết nối với CSDL này để tìm kiếm thông tin chuyên gia một cách nhanh chóng nhất. Điều này đặc biệt quan trọng trong bối cảnh các tổ chức, doanh nghiệp cần nhanh chóng tìm kiếm và liên hệ với các chuyên gia để giải quyết các vấn đề kỹ thuật, nghiên cứu và phát triển sản phẩm (Liff & Andersson, 2021).
Hệ thống tìm kiếm chuyên gia không chỉ giúp lưu trữ và quản lý thông tin chuyên gia, mà còn cung cấp các tính năng hỗ trợ tìm kiếm nâng cao, giúp người dùng dễ dàng tìm kiếm chuyên gia theo nhiều tiêu chí khác nhau như lĩnh vực chuyên môn, vị trí địa lý, kinh nghiệm làm việc, hoặc các dự án đã tham gia. Hệ thống này có thể tích hợp trí tuệ nhân tạo (AI) để gợi ý các chuyên gia phù hợp với nhu cầu cụ thể của từng tổ chức, doanh nghiệp. Từ đó, không chỉ các cơ quan nhà nước mà các doanh nghiệp, tổ chức giáo dục, viện nghiên cứu đều có thể dễ dàng tiếp cận nguồn lực chuyên gia chất lượng cao, phục vụ cho các mục tiêu nghiên cứu, phát triển, và kinh doanh (Pantouvakis & Karakasnaki, 2017).
Việc xây dựng hệ thống tìm kiếm chuyên gia có thể mang lại nhiều lợi ích thiết thực như giúp nâng cao hiệu quả quản lý thông tin chuyên gia, tạo ra một hệ thống quản lý tập trung, liên thông, giúp các cơ quan, doanh nghiệp và tổ chức có thể truy cập vào cùng một nguồn thông tin đầy đủ, tin cậy. Tăng cường khả năng chia sẻ và kết nối thông tin, hệ thống cho phép các bộ, ngành, địa phương, trường đại học, viện nghiên cứu, doanh nghiệp và hiệp hội doanh nghiệp dễ dàng chia sẻ và cập nhật thông tin chuyên gia, từ đó tối ưu hóa việc sử dụng nguồn lực trí thức quốc gia. Bên cạnh đó, hệ thống có thể hỗ trợ việc ra quyết định, giúp các doanh nghiệp có thể tìm kiếm chuyên gia phù hợp một cách nhanh chóng, giúp tiết kiệm thời gian và nguồn lực trong việc tìm kiếm và triển khai các dự án liên quan. Việc có hệ thống tìm kiếm chuyên gia sẽ giúp cải thiện rõ rệt khả năng khai thác và tận dụng nguồn lực trí thức, thúc đẩy sự phát triển của đất nước trong mọi lĩnh vực từ khoa học công nghệ đến kinh tế xã hội.
Tuy nhiên, trong phạm vi luận án này, do giới hạn về thời gian và nguồn lực để thực hiện quá trình thu thập và phân tích dữ liệu cũng như tiếp cận các đối tượng điều tra, NCS sẽ chỉ tập trung vào việc nghiên cứu thực trạng chung, đề xuất kiến trúc tham khảo của hệ thống tìm kiếm chuyên gia có khả năng kết nối và tích hợp nhiều nguồn dữ liệu khác nhau, đồng thời xây dựng thử nghiệm một hệ thống tìm kiếm chuyên gia với một số chức năng cụ thể để kiểm chứng tính khả thi. Ngoài ra, hệ thống này sẽ tập trung chính vào đối tượng là các doanh nghiệp nhỏ và vừa (DNNVV). Đây là nhóm doanh nghiệp (DN) được xác định là một nhân tố quan trọng trong chiến lược phát triển kinh tế của Việt Nam và thế giới. Tại Việt Nam, theo số liệu thống kê trong sách trắng doanh nghiệp Việt Nam 2022, số lượng DNNVV đang hoạt động có kết quả sản xuất kinh doanh tính đến hết năm 2020 chiếm tỉ lệ lớn với 97,4% (Bộ Kế hoạch và Đầu tư, 2022). Tuy nhiên, DNNVV đang phải đối mặt với không ít khó khăn trong các hoạt động nhằm tiếp cận và mở rộng thị trường, đặc biệt trong việc đáp ứng những yêu cầu ngày càng khắt khe của các thị trường lớn trên thế giới. Một số thách thức mà DNNVV
3
thường gặp bao gồm các vấn đề liên quan đến: Tài chính, nhận thức, nguồn nhân lực, công nghệ, khả năng tiếp cận thông tin, v.v. (ASEAN CSR Network, 2017; Yoshino & Taghizadeh Hesary, 2016). Trong đó, việc tiếp cận với các chuyên gia để hỗ trợ doanh nghiệp trong nhiều hoạt động khác nhau là vô cùng cần thiết. Theo kết quả tổng hợp từ hơn 90 tài liệu nghiên cứu học thuật về mối quan hệ giữa việc tiếp cận nguồn lực chuyên gia từ bên ngoài và hiệu quả kinh doanh của hai nhóm DN: DNNVV và các DN lớn đã chỉ ra rằng, các DNNVV có nhu cầu cao hơn nhiều với nguồn lực tư vấn từ bên ngoài so với DN lớn (IFAC, 2016). Với DNNVV, các nghiên cứu chỉ ra rằng DN chủ yếu sử dụng tư vấn từ bên ngoài trong hoạt động kế toán, nguồn nhân lực, vấn đề môi trường, hỗ trợ kinh doanh và quản lý, v.v. giúp DNNVV hoạt động hiệu quả hơn, tỷ lệ sống tốt hơn, tăng trưởng, lợi nhuận, ra quyết định tốt hơn, học tập và cải thiện mối quan hệ với các mạng lưới liên hệ. Trong khi DN lớn thường có sẵn nhóm chuyên gia (nội bộ và bên ngoài), đặc biệt trong lĩnh vực kế toán giúp tư vấn, hỗ trợ và thực hiện các hoạt động của DN (IFAC, 2016). Đây cũng là cơ sở để NCS lựa chọn nhóm DNNVV làm khách thể nghiên cứu thay vì DN lớn.
Và để hỗ trợ DNNVV có khả năng tiếp cận với hệ thống tìm kiếm chuyên gia, NCS đề xuất sẽ có một cơ quan, tổ chức (thuộc Bộ, ban ngành Nhà nước) sẽ là đầu mối triển khai hệ thống tìm kiếm chuyên gia với CSDL chuyên gia được tích hợp từ nhiều nguồn khác nhau. Từ đó, các DN có thể tiến hành kết nối đến hệ thống để tìm kiếm thông tin chuyên gia, kết nối với các chuyên gia và trích xuất các báo cáo thống kê từ hệ thống này. Hoặc nếu DN đã có/ muốn xây dựng hệ thống tìm kiếm chuyên gia trong nội bộ trong DN của mình, thì vẫn có thể kết nối với hệ thống tìm kiếm chuyên gia cấp Bộ, để “hưởng lợi” từ hệ thống chung. Ngoài ra, kiến trúc hệ thống đề xuất cũng sẽ được xây dựng dựa trên khung kiến trúc Chính phủ điện tử 3.0, để có thể phù hợp với kiến trúc chung của các hệ thống khác do Nhà nước chủ trì và ban hành.
Với những lý do trên, NCS đã lựa chọn đề tài nghiên cứu “Phát triển Hệ thống tìm kiếm chuyên gia cho Doanh nghiệp nhỏ và vừa tại Việt Nam” làm đề tài luận án tiến sĩ chuyên ngành Hệ thống thông tin quản lý, nhằm đáp ứng tốt nhất cho nhu cầu tìm kiếm chuyên gia của DNNVV trong giai đoạn hiện nay. 2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu 2.1. Mục tiêu nghiên cứu Mục tiêu chung: Nghiên cứu phát triển hệ thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam. Mục tiêu cụ thể: Phân tích nhu cầu tìm kiếm chuyên gia của các DNNVV tại Việt nam hiện nay và hiện trạng trong việc quản lý thông tin chuyên gia, cũng như các hệ thống tìm kiếm chuyên gia hiện có.
Đề xuất kiến trúc tham khảo của hệ thống tìm kiếm chuyên gia theo hướng
tích hợp thông tin chuyên gia từ nhiều nguồn khác nhau.
4
Phát triển một số thuật toán hỗ trợ tìm kiếm chuyên gia. Đánh giá kiến trúc đề xuất và đánh giá ý định chấp nhận sử dụng hệ thống
tìm kiếm chuyên gia của các DNNVV tại Việt Nam.
Đề xuất, khuyến nghị một số giải pháp để có thể hoàn thiện và triển khai hệ
thống tìm kiếm chuyên gia phù hợp với yêu cầu thực tế.
2.2. Câu hỏi nghiên cứu
Từ mục tiêu nêu trên, những câu hỏi nghiên cứu mà luận án cần trả lời:
Câu hỏi 1: Xu hướng và các lĩnh vực, nền tảng được nghiên cứu trong lĩnh
vực tìm kiếm chuyên gia là gì?
Câu hỏi 2: Thực trạng việc quản lý thông tin chuyên gia tại Việt Nam hiện nay như thế nào? Hệ thống tìm kiếm chuyên gia hiện có đã đáp ứng nhu cầu tìm kiếm chuyên gia của DN chưa?
Câu hỏi 3: Kiến trúc tham khảo của hệ thống tìm kiếm chuyên gia nên được xây dựng như thế nào để đáp ứng nhu cầu của DNNVV tại Việt Nam? Câu hỏi 4: Đánh giá ý định chấp nhận sử dụng hệ thống của các DN bằng
phương pháp nào? 3. Đối tượng và phạm vi nghiên cứu 3.1. Đối tượng nghiên cứu Đối tượng nghiên cứu của luận án là Hệ thống tìm kiếm chuyên gia. Khách thể nghiên cứu (Đơn vị phân tích) - Đơn vị sử dụng/thụ hưởng hệ thống: Doanh nghiệp nhỏ và vừa tại Việt Nam 3.2. Phạm vi nghiên cứu Phạm vi nội dung
Nghiên cứu tập trung vào các vấn đề liên quan đến lĩnh vực tìm kiếm thông tin chuyến gia và hệ thống tìm kiếm chuyên gia. Đây là một trong các bài toàn thuộc lĩnh vực truy xuất thông tin của ngành Hệ thống thông tin. Bên cạnh đó, hệ thống đề xuất có thể được triển khai theo từng giai đoạn khác nhau tuỳ thuộc vào bối cảnh của Việt Nam. Ở thời điểm hiện tại, khi chưa có cơ chế về việc chia sẻ và quản lý CSDL chuyên gia tập trung, hệ thống tìm kiếm chuyên gia có thể do một tổ chức trung lập quản lý. Hệ thống sẽ thu thập dữ liệu chuyên gia từ các nguồn dữ liệu có sẵn để tổng hợp và hình thành nguồn dữ liệu tập trung, đồng thời tạo ra kênh thông tin để các DN có thể truy cập và tìm kiếm chuyên gia một cách nhanh chóng. Trong thời gian tiếp theo, hệ thống có thể được tiếp nhận và triển khai tại một cơ quan, tổ chức (thuộc Bộ, ban ngành) có khả năng và có đủ pháp lý để có thể đứng ra tiếp nhận, quản lý và tiếp cận với các nguồn dữ liệu từ nhiều tổ chức khác nhau, cũng như tiếp cận với trung tâm dữ liệu Quốc gia. Từ đó, đơn vị này sẽ chia sẻ hệ thống tìm kiếm chuyên gia cho các doanh nghiệp kết nối và sử dụng. Hệ thống này có thể được sử dụng cho bất kỳ loại hình DN nào.
5
Phạm vi không gian
Về phạm vi điều tra, do điều kiện nguồn lực có hạn, tác giả sẽ tập trung thu thập dữ liệu sơ cấp từ 20 DNNVV để phục vụ cho việc phỏng vấn chuyên sâu để tìm hiểu thực trạng nhu cầu tìm kiếm chuyên gia trong các DN hiện nay và khảo sát 50 DNNVV trong khu vực thương mại, dịch vụ tại một số khu vực như: Hà Nội (đại diện miền Bắc), Thanh Hoá (đại diện miền Trung) và thành phố Hồ Chí Minh (đại diện miền Nam) để phục vụ cho quá trình đánh giá hệ thống thử nghiệm.
Tuy nhiên, cách tiếp cận và phương pháp nghiên cứu được sử dụng cho đề tài này hoàn toàn có thể áp dụng cho nhóm các doanh nghiệp ở khu vực khác hoặc với phạm vi nghiên cứu, khảo sát rộng hơn.
Phạm vi thời gian
Đối với dữ liệu thứ cấp về lý thuyết, NCS thu thập từ các nghiên cứu đã thực
hiện có liên quan đến đề tài từ trước cho đến nay.
Đối với dữ liệu sơ cấp về thực tiễn, NCS thu thập số liệu thông qua việc tiến
hành phỏng vấn và khảo sát một số DNNVV trong thời gian 2021 - 2024. 4. Phương pháp nghiên cứu
Sử dụng phương pháp nghiên cứu hỗn hợp (kết hợp cả nghiên cứu định tính và
Tổng quan
Xác định thực
nghiên cứu
trạng quản lý
Nghiên cứu một số hệ
thông tin chuyên
thống tìm kiếm chuyên
Phỏng vấn sâu
gia và nhu cầu
gia hiện có
một số DNNVV
tìm kiếm chuyên
tại Việt Nam
gia trong DN
nghiên cứu định lượng) làm phương pháp nghiên cứu chính trong luận án này.
Cài đặt thử
Đề xuất mô hình kiến
nghiệm hệ thống
trúc Hệ thống tìm kiếm
Kết luận
và thực hiện đánh
chuyên gia cho DNNVV
giá
Ngoài ra, mục tiêu chính của luận án là phát triển hệ thống tìm kiếm chuyên gia, vì thế phương pháp nghiên cứu khoa học thiết kế cũng sẽ được NCS sử dụng để đánh giá mô hình kiến trúc hệ thống tìm kiếm chuyên gia. DSRM tập trung vào việc thiết kế, xây dựng, đánh giá và cải thiện các sản phẩm nhằm giải quyết các vấn đề thực tiễn. Quy trình thực hiện nghiên cứu gồm các giai đoạn chính như sau:
Hình 1. Qui trình thực hiện nghiên cứu của luận án
6
4.1. Phương pháp tiếp cận nghiên cứu
Luận án sử dụng phương pháp nghiên cứu hỗn hợp, kết hợp cả phương pháp nghiên cứu trong lĩnh vực khoa học xã hội cũng như trong lĩnh vực công nghệ thông tin, để có thể tận dụng những ưu điểm của mỗi phương pháp trong quá trình thực hiện các giai đoạn khác nhau của luận án. Bao gồm:
Giai đoạn 1: Nghiên cứu định tính (Đánh giá hiện trạng và thu thập nhu cầu) Giai đoạn 2: Nghiên cứu khoa học thiết kế DSRM và nghiên cứu định lượng
(Xây dựng và khảo sát đánh giá hệ thống thử nghiệm) 4.2. Phát triển thang đo cho phiếu điều tra 4.3. Phương pháp chọn mẫu
Phương pháp chọn mẫu định tính: chọn mẫu theo mục đích, số lượng 20 đại diện
DNNVV, thời gian thực hiện từ tháng 12/2021 đến tháng 1/2022.
Phương pháp chọn mẫu định lượng: chọn mẫu thuận tiện và phương pháp quả bóng tuyết. Số lượng mẫu: 50 DNNVV hoạt động trong một số lĩnh vực thuộc loại Hình DN dịch vụ (bao gồm 20 DN tham gia phỏng vấn). Với số phiếu phát ra 182 phiếu, thu về 149 phiếu hợp lệ để đưa vào xử lý. Thời gian thực hiện từ tháng 1/2024 đến tháng 3/2024.
4.4. Phương pháp thu thập dữ liệu 4.5. Phương pháp xử lý dữ liệu
Trong phương pháp nghiên cứu định tính, tác giả chủ yếu sử dụng phương pháp phân tích và tổng hợp tài liệu đối với dữ liệu thứ cấp nhằm tìm ra các xu hướng công nghệ và kỹ thuật để phục vụ hoạt động xây dựng hệ tìm kiếm chuyên gia. Việc phân tích này được thực hiện trên các phần mềm hỗ trợ như: Excel, Nvivo và VOSViewer. Nghiên cứu tại bàn để xử lý các dữ liệu phỏng vấn chuyên sâu nhằm tìm ra những thông tin quan trọng để xác định thực trạng cũng như nhu cầu tìm kiếm chuyên gia của các DNNVV hiện nay.
Đối với phương pháp nghiên cứu định lượng, dữ liệu thu về từ bộ phiếu khảo sát sẽ được tổng hợp phân tích thống kê, phân tích hồi qui bằng phần mềm Excel, SPSS. Kết quả thu về làm căn cứ cho các đánh giá và đề xuất cải tiến hệ thống trong thời gian tới.
5. Khung nghiên cứu lý thuyết của luận án
Lý thuyết nền trong xây dựng hệ tìm kiếm chuyên gia Cơ sở hình thành khung nghiên cứu lý thuyết của NCS được dựa trên một số lý
thuyết, bao gồm:
Khung nghiên cứu lý thuyết về HTTT (IS Research Framework) Lý thuyết về phương pháp nghiên cứu khoa học thiết kế (DSRM) Lý thuyết về học máy (Machine learning theory)
7
Mô hình chấp nhận và sử dụng công nghệ hợp nhất (UTAUT)
Từ cơ sở trên, NCS đề xuất khung nghiên cứu lý thuyết cho đề tài như Hình 2:
Môi trường ngữ cảnh CON NGƯỜI Vai trò Năng lực Chuyên môn
Hệ thống tìm kiếm chuyên gia XÁC ĐỊNH Thực trạng quản lý thông tin chuyên gia Nhu cầu ứng dụng hệ thống tìm kiếm chuyên gia cho DNNVV
Cơ sở tri thức LÝ THUYẾT Khung lý thuyết nghiên cứu HTTT Lý thuyết học máy Mô hình Chấp nhận và sử dụng công nghệ hợp nhất
PHÁT TRIỂN Mô hình kiến trúc HT tìm kiếm chuyên gia
TỔ CHỨC Cấu trúc doanh nghiệp Chiến lược về nhân sự Quy trình hoạt động Văn hóa doanh nghiệp
CÔNG CỤ Thu thập, xử lý dữ liệu lớn, phi cấu trúc Trí tuệ nhân tạo Phát triển Web/App
CÔNG NGHỆ Tìm kiếm chuyên gia Phân loại chuyên gia Xếp hạng chuyên gia
PHƯƠNG PHÁP Phân tích định tính Phân tích định lượng Phương pháp nghiên cứu khoa học thiết kế
THỰC NGHIỆM VÀ ĐÁNH GIÁ Thu thập, xử lý dữ liệu Đánh chỉ mục, xếp hạng Lập trình hệ thống Đánh giá hệ thống
Hình 2. Khung nghiên cứu lý thuyết của đề tài
6. Những đóng góp mới của đề tài Đóng góp về mặt lý luận Thứ nhất, luận án đã sử dụng một phương pháp tiếp cận mới trong tổng quan nghiên cứu về xu hướng tìm kiếm chuyên gia bằng cách áp dụng kết hợp phương pháp trắc lượng thư mục và đánh giá tổng quan có hệ thống trong khoảng thời gian từ năm 2000 đến 2023. Kết quả không chỉ phát hiện ra sự dịch chuyển của xu hướng nghiên cứu từ tìm kiếm chuyên gia trong doanh nghiệp lớn sang lĩnh vực học thuật và nền tảng trực tuyến như cộng đồng hỏi đáp, mà còn phát hiện ra sự thay đổi về cách thức và mục tiêu tìm kiếm, trong đó theo hướng lấy người dùng làm trung tâm.
Thứ hai, luận án đã đề xuất kiến trúc tham khảo VietSME-EFSA của Hệ thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam, trong đó tập trung vào việc tích hợp và thống nhất nguồn thông tin chuyên gia từ nhiều tổ chức, đơn vị khác nhau, theo khung kiến trúc TOGAF và khung kiến trúc Chính phủ điện tử 3.0. Với các thành phần
8
chính bao gồm: Hạ tầng kỹ thuật - công nghệ, an toàn thông tin mạng - an ninh mạng, tầng dữ liệu và cơ sở dữ liệu, tầng nền tảng tích hợp và chia sẻ dữ liệu, v.v. Từ đó, hệ thống có thể kết nối với các hệ thống khác theo chuẩn chung của Chính phủ.
Thứ ba, luận án đã đề xuất thuật toán mới KDD để phát hiện trùng lặp hồ sơ chuyên gia, trong đó độ tương tự giữa các thực thể được tính toán dựa trên sự kết hợp của việc phát hiện độ tương đồng trong tên người Việt và tập Cơ sở tri thức chuyên gia (Expert Knowledge Base) được thu thập từ nhiều nguồn khác nhau, nhằm giải quyết vấn đề tương tự phụ thuộc vào cấp độ.
Thứ tư, bên cạnh việc xác định bộ phương pháp đánh giá hệ thống tìm kiếm chuyên gia, luận án cũng đề xuất áp dụng mô hình UTAUT vào đánh giá việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia. Mặc dù, phương pháp này không mới, nhưng với lĩnh vực tìm kiếm chuyên gia thì phương pháp này chưa được áp dụng. Vì thế, luận án đã đề xuất bổ sung UTAUT vào bộ các phương pháp dùng để đánh giá trong lĩnh vực tìm kiếm chuyên gia. Đóng góp về mặt thực tiễn Thứ nhất, kết quả nghiên cứu đã xác định được những bất cập trong thực trạng quản lý thông tin chuyên gia hiện nay cùng với nhu cầu tìm kiếm của doanh nghiệp, trên cơ sở đó đề xuất việc triển khai một hệ thống tìm kiếm chuyên gia phù hợp với DN, giúp quản lý và tích hợp dữ liệu chuyên gia một cách hiệu quả hơn.
Thứ hai, kết quả đánh giá việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia từ các DN đã cho thấy rằng, hai yếu tố quan trọng nhất mà đơn vị triển khai cần xem xét khi triển khai hệ thống mới là “Điều kiện thuận lợi” liên quan đến cơ sở hạ tầng để cài đặt và sử dụng hệ thống; và “Kỳ vọng nỗ lực” liên quan đến nhận thức của người dùng về tính dễ sử dụng của hệ thống. 7. Kết cấu luận án
Ngoài phần mở đầu bao gồm các mục: Lý do chọn đề tài; Mục tiêu nghiên cứu và câu hỏi nghiên cứu; Phạm vi và đối tượng nghiên cứu; Phương pháp nghiên cứu; Khung nghiên cứu lý thuyết; Những đóng góp mới của đề tài. Kết cấu luận án gồm 4 chương:
Chương 1. Tổng quan nghiên cứu và cơ sở lý luận về hệ thống tìm kiếm chuyên gia Chương 2. Phân tích yêu cầu của hệ thống tìm kiếm chuyên gia cho doanh nghiệp
nhỏ và vừa tại Việt Nam
Chương 3. Đề xuất kiến trúc tham khảo hệ thống tìm kiếm chuyên gia cho doanh
nghiệp nhỏ và vừa tại Việt Nam
Chương 4. Kết quả thử nghiệm và đánh giá hệ thống tìm kiếm chuyên gia cho
doanh nghiệp nhỏ và vừa tại Việt Nam Kết luận và các phụ lục.
9
CHƯƠNG 1. TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ LUẬN VỀ HỆ THỐNG TÌM KIẾM CHUYÊN GIA
1.1. Tổng quan nghiên cứu 1.1.1. Phương pháp thực hiện 1.1.2. Kết quả đánh giá các nghiên cứu trên thế giới 1.1.3. Tình hình nghiên cứu tại Việt Nam 1.1.4. Khoảng trống nghiên cứu Có thể nhận thấy, có khá nhiều nghiên cứu về hệ tìm kiếm chuyên gia trên thế giới, tuy nhiên các bài viết chủ yếu tập trung về vấn đề kĩ thuật để xây dựng hệ thống, hoặc ứng dụng của hệ thống tìm kiếm chuyên gia trong các nền tảng như cộng đồng hỏi đáp, bên trong doanh nghiệp và lĩnh vực học thuật. Những nghiên cứu tập trung vào vấn đề phát triển hệ thống tìm kiếm chuyên gia cho DN, đặc biệt là tìm kiếm chuyên gia người Việt phục vụ nhu cầu tìm nguồn nhân lực chuyên gia cho DNNVV tại Việt Nam là khá ít. Bên cạnh đó, việc quản lý thông tin chuyên gia hiện nay cũng còn nhiều điểm bất hợp lý và chưa thống nhất, gây khó khăn cho các hoạt động tìm kiếm và kết nối với chuyên gia. Từ những khoảng trống được phát hiện trong quá trình làm tổng quan nghiên cứu và phân tích hiện trạng thực tiễn tại Việt Nam, NCS lựa chọn một số khoảng trống phù hợp với bối cảnh tại Việt Nam để tiến hành nghiên cứu chuyên sâu và hỗ trợ giải quyết bài toán tìm kiếm chuyên gia cho DNNVV, như sau:
Khoảng trống 1: Hiện nay, việc quản lý thông tin chuyên gia tại Việt Nam còn cục bộ, riêng lẻ và chưa có sự liên giữa các tổ chức, doanh nghiệp với CSDL chung của quốc gia. Vì thế, cần thực hiện nghiên cứu sâu hơn về vấn đề này và đưa ra giải pháp để kết nối dữ liệu về chuyên gia, cũng như quản lý các dữ liệu này, phục vụ hoạt động tìm kiếm của doanh nghiệp một cách hiệu quả hơn. Khoảng trống 2: Có rất ít các nghiên cứu chuyên sâu về việc phát triển hệ tìm kiếm chuyên gia cho doanh nghiệp, đặc biệt là phát triển hệ thống dành riêng cho đối tượng là DNNVV. Vì thế, đây có thể coi là một hướng nghiên cứu khá mới tại Việt Nam cũng như trên thế giới. Việc đề xuất một kiến trúc tham khảo hệ thống tìm kiếm chuyên gia cho DNNVV sẽ góp phần giải quyết khoảng trống từ lý thuyết, và là đóng góp mới về mặt lý thuyết trong lĩnh vực truy xuất thông tin của ngành HTTT.
Khoảng trống 3: Trong quá trình thực hiện tổng quan nghiên cứu về các phương pháp đánh giá được sử dụng trong các bài toán về tìm kiếm chuyên gia, chủ yếu là các phương pháp để đánh giá thuật toán hoặc mô hình cụ thể, còn ít nhắc đến việc đánh giá mô hình kiến trúc hệ thống hoặc đánh giá việc chấp nhận sử dụng
10
hệ thống. Vì thế, trong phạm vi luận án này, NCS đề xuất sử dụng thêm hai phương pháp đánh giá, bổ sung cho những phương pháp đã được dùng trong các nghiên cứu trước. (1) là sử dụng phương pháp FAAM để đánh giá kiến trúc hệ thống, và (2) là phương pháp đánh giá mô hình chấp nhận và sử dụng công nghệ hợp nhất (UTAUT) áp dụng trong quá trình đánh giá thử nghiệm hệ thống tìm kiếm chuyên gia. Đây cũng là một trong những đóng góp bổ sung cho lý thuyết và thực nghiệm của lĩnh vực nghiên cứu này. Ba khoảng trống này tương ứng với bốn câu hỏi nghiên cứu mà NCS đã trình
bày trong phần mở đầu của luận án. 1.2. Cơ sở lý luận 1.2.1. Chuyên gia 1.2.2. Hệ tìm kiếm chuyên gia 1.2.3. Lý thuyết nền tảng 1.3. Tổng kết chương 1
Thông qua việc nghiên cứu tổng quan các tài liệu về hoạt động tìm kiếm chuyên gia và hệ tìm kiếm chuyên gia từ năm 2000 đến 2023, NCS đã xác định được những kết quả mà những nghiên cứu trước đã làm được, đồng thời phát hiện ra những khoảng trống trong lý thuyết và thực tiễn. Đây chính là cơ sở để định hướng cho những nội dung nghiên cứu mà luận án sẽ thực hiện.
Nội dung tổng quan nghiên cứu đã được đăng trong bài báo: Xuan-Lam Pham, Thi Thu Le (2024), ‘Bibliometric Analysis and Systematic Review of Research on Expert Finding: A PRISMA-guided Approach’, International Arab Journal of Information Technology, 21(4), Q2 Scopus, SCIE.
CHƯƠNG 2. PHÂN TÍCH YÊU CẦU HỆ THỐNG TÌM KIẾM CHUYÊN GIA CHO DOANH NGHIỆP NHỎ VÀ VỪA TẠI VIỆT NAM
2.1. Thực trạng nhu cầu tìm kiếm chuyên gia trong DNNVV Việt Nam 2.1.1. Mô tả mẫu 2.1.2. Phân tích thực trạng - Về nguồn nhân lực sẵn có trong doanh nghiệp - Về nhu cầu tìm kiếm chuyên gia - Về nhu cầu tư vấn, hợp tác từ các chuyên gia - Về phương pháp và phương tiện đang sử dụng để tìm kiếm, kết nối với chuyên gia - Về hệ thống tìm kiếm chuyên gia
Có thể thấy rằng, DN đã đặt khá nhiều kì vọng vào nguồn nhân lực có chuyên môn cao. Và tất cả các DN khẳng định họ rất mong chờ hệ thống tìm kiếm chuyên gia hỗ trợ việc tìm kiếm và hợp tác với các chuyên gia. Họ sẽ sẵn sàng dùng thử và đóng góp ý kiến nếu hệ thống hoàn thành và đưa vào thử nghiệm.
11
2.2. Thực trạng hoạt động quản lý thông tin chuyên gia tại Việt Nam
Hiện nay, hoạt động quản lý thông tin chuyên gia tại Việt Nam đang đối mặt với nhiều thách thức về sự phân tán, thiếu chuẩn hóa và khả năng cập nhật thông tin. Các cơ sở dữ liệu chuyên gia được quản lý bởi nhiều bộ, ngành và tổ chức khác nhau, như Bộ Khoa học và Công nghệ (KH&CN), các tỉnh thành phố (Đà Nẵng, Bình Định v.v.), các trường đại học, viện nghiên cứu, và các hiệp hội nghề nghiệp. Tuy nhiên, các cơ sở dữ liệu này thường hoạt động độc lập, thiếu sự liên kết chặt chẽ, dẫn đến tình trạng phân tán thông tin, gây khó khăn trong việc tìm kiếm và khai thác dữ liệu chuyên gia một cách hiệu quả. Hơn nữa, hiện chưa có một hệ thống quốc gia tập trung quản lý thông tin về chuyên gia trên phạm vi toàn quốc, đặc biệt trong các lĩnh vực như quản trị, tài chính, pháp lý, kinh tế v.v.. Điều này ảnh hưởng đáng kể đến khả năng tiếp cận chuyên gia của các doanh nghiệp, đặc biệt là các doanh nghiệp nhỏ và vừa. 2.3. Đánh giá thực trạng hệ thống tìm kiếm chuyên gia hiện nay 2.4. Đề xuất các chức năng của hệ thống tìm kiếm chuyên gia cho các DNNVV tại Việt Nam 2.4.1. Đề xuất các chức năng của hệ thống
Từ kết quả đánh giá chức năng của các hệ thống hiện có, cũng như ý kiến của các DN thông qua việc phỏng vấn sâu về hệ thống tìm kiếm chuyên gia, NCS đề xuất một số chức năng chính để hệ thống có thể hoàn thiện nhằm tăng cường tương tác với người dùng, phù hợp hơn với nhu cầu của doanh nghiệp. Bảng 2.1. Danh sách các chức năng đề xuất của hệ tìm kiếm chuyên gia cho DNNVV
Chức năng
Chức năng con
Đối tượng sử dụng
Tìm kiếm
- Tìm kiếm theo tên
chuyên gia
- Tìm kiếm theo danh mục chủ đề
Tất cả các đối tượng người dùng và người quản lý hệ thống. Bao gồm:
- Tìm kiếm theo vị trí
Doanh nghiệp
- Tìm kiếm theo ngành
Chuyên gia
- Tìm kiếm theo danh mục công việc
Khách
Quản trị viên
- Tìm kiếm nâng cao: Kết hợp một số tiêu chí như Kỹ năng, Kinh nghiệm, Trình độ học vấn, Khả năng ngôn ngữ và Độ tuổi.
- Danh sách chuyên gia hàng đầu theo lĩnh
Doanh nghiệp
vực/ ngành nghề
Chuyên gia
Danh sách chuyên gia hàng đầu
- Danh sách chuyên gia hàng đầu theo danh
Khách
mục công việc
Quản trị viên
- Tạo/ Cập nhật/ Xoá hồ sơ
Chuyên gia
- Giám sát hồ sơ
Quản trị viên
Quản lý hồ sơ chuyên gia
12
Chức năng
Chức năng con
Đối tượng sử dụng
Đặt hàng
- Gửi yêu cầu chuyên gia
Doanh nghiệp
chuyên gia
- Nhận yêu cầu
Chuyên gia
- Đề xuất chuyên gia
Quản trị viên
Hỏi đáp
- Danh sách câu hỏi
Doanh nghiệp
chuyên gia
- Đặt câu hỏi
Chuyên gia
- Trả lời câu hỏi
Thống kê
- Thống kê theo danh mục công việc
Doanh nghiệp
chuyên gia
- Thống kê theo vị trí
Quản trị viên
- Thống kê theo trình độ học vấn
- Thống kê theo năm kinh nghiệm
Cộng tác
- Hợp tác chuyên gia
Doanh nghiệp
chuyên gia
- Giới thiệu chuyên gia
Chuyên gia
- Hệ thống xếp hạng và đánh giá
Quản trị viên
- Công cụ cộng tác thời gian thực
đồ
- Bộ lọc định vị địa lý
Doanh nghiệp
Bản chuyên gia
- Bản đồ tương tác
Chuyên gia
- Phân cụm địa lý
Khách
- Phân tích xu hướng địa lý
Quản trị viên
Tin
tức
- Nguồn cấp tin tức
Doanh nghiệp
chuyên gia
- Đề xuất nội dung
Chuyên gia
- Phỏng vấn chuyên gia
Khách
Quản trị viên
Sự
kiện
- Lịch sự kiện
Doanh nghiệp
chuyên gia
- Đăng ký sự kiện
Chuyên gia
- Nhắc nhở sự kiện
Khách
- Sự kiện do người dùng tạo
Quản trị viên
2.4.2. Yêu cầu phi chức năng 2.5. Tổng kết chương 2
Chương 2 đã thực hiện nghiên cứu tìm hiểu thực trạng về hệ thống tìm kiếm chuyên gia hiện nay thông qua việc phỏng vấn sâu một số DNNVV Việt Nam để tìm hiểu nhu cầu, cũng như phân tích một số hệ thống tìm kiếm chuyên gia hiện có để xác định ưu nhược điểm của các hệ thống này. Từ đó xác định các vấn đề còn gặp phải với hệ thống và đề xuất các chức năng phù hợp với hệ thống tìm kiếm chuyên gia cho
13
DNNVV. Những kết quả này sẽ là đầu vào để NCS đề xuất mô hình kiến trúc cho thống tìm kiếm chuyên gia cho DNNVV Việt Nam tại Chương 3. Kết quả của Chương 2 đã được đăng trong bài nghiên cứu: Lê Thị Thu, Phạm Xuân Lâm (2021), ‘Phát triển hệ thống Cơ sở dữ liệu lớn về nguồn nhân lực chất lượng cao cho doanh nghiệp nhỏ và vừa tại Việt Nam: Đánh giá nhu cầu và đề xuất giải pháp’, Kỷ yếu hội thảo Quốc gia Hệ thống thông tin trong kinh doanh và quản lý ISBM’21, TP. Hồ Chí Minh.
CHƯƠNG 3. ĐỀ XUẤT KIẾN TRÚC THAM KHẢO HỆ THỐNG TÌM KIẾM CHUYÊN GIA CHO DOANH NGHIỆP NHỎ VÀ VỪA TẠI VIỆT NAM 3.1. Quy trình thực hiện đề xuất kiến trúc tham khảo và thử nghiệm, đánh giá hệ thống Bước 1. Nhận diện vấn đề và xác định nhu cầu Bước 2. Xác định mục tiêu Bước 3. Thiết kế và phát triển Bước 4. Đánh giá hệ thống Các bước cuối như phát hành kết quả hay nâng cấp cải tiến hệ thống sẽ nằm trong những nghiên cứu tiếp theo, khi hệ thống đã được hoàn thiện và triển khai rộng rãi. 3.2. Kiến trúc tham khảo hệ thống 3.2.1. Kiến trúc nền tảng Kiến trúc nền tảng được sử dụng là khung kiến trúc TOGAF và khung kiến trúc Chính phủ điện tử 3.0. 3.2.2. Đề xuất kiến trúc tham khảo Thông qua việc phân tích các yêu cầu cũng như mong muốn có được một kiến trúc hệ thống phù hợp với yêu cầu của hệ tìm kiếm chuyên gia, NCS đề xuất kiến trúc tham khảo phân tầng. Trong đó, các tầng được chồng xếp lên nhau thể hiện quan hệ dạng cung cấp - sử dụng, tầng bên dưới cung cấp dịch vụ cho tầng bên trên sử dụng. Việc xây dựng kiến trúc theo mô hình phân tầng giúp đảm bảo hệ thống tìm kiếm chuyên gia hoạt động hiệu quả, linh hoạt và có khả năng mở rộng, đồng thời tuân thủ các quy định chung. Mỗi tầng có các thành phần và chức năng rõ ràng, hỗ trợ và cung cấp dịch vụ cho các tầng khác, tạo nên một hệ thống thống nhất và mạnh mẽ. Kiến trúc này được đặt tên là VietSME-EFSA (Expert Finding System Architecture for Vietnam SMEs) – Kiến trúc hệ thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam. Gồm năm tầng: 1. Tầng người dùng và kênh giao tiếp:
14
- Thể hiện tất cả người dùng có thể sử dụng các dịch vụ được Kiến trúc hệ thống tìm kiếm chuyên gia cho DNNVV cung cấp. Tuỳ thuộc vào vai trò của người dùng, họ có thể tiếp cận và sử dụng các dịch vụ với nhiều mức độ khác nhau. - Thể hiện các hình thức, phương tiện mà qua đó người sử dụng tiếp cận và sử dụng được các dịch vụ thông tin được mà hệ thống này cung cấp. 2. Tầng Ứng dụng và dịch vụ: Tầng này là sự gom nhóm, kết hợp các tầng Dịch vụ cổng thông tin, và phần ứng dụng trong tầng Ứng dụng trong hệ thống. Mục đích của việc gom nhóm, kết hợp này nhằm đảm bảo tính logic trong kiến trúc; phù hợp với hiện trạng và định hướng triển khai của doanh nghiệp, tổ chức và của các bộ ban ngành. Tầng này thể hiện tất cả các dịch vụ và các ứng dụng hỗ trợ cho hệ thống có liên quan. 3. Tầng Nền tảng chia sẻ, tích hợp: Tầng này bao gồm các dịch vụ dùng chung hỗ trợ trực tiếp các ứng dụng và dịch vụ tầng trên, các dịch vụ chia sẻ, tích hợp, kết nối liên thông giữa các ứng dụng bên trong và các ứng dụng bên ngoài. 4. Tầng Quản lý dữ liệu (bao gồm xử lý dữ liệu và lưu trữ, quản trị dữ liệu): Tầng này bao gồm việc xử lý và lưu trữ tất cả các nhóm CSDL mà hệ thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam cần xây dựng, kết hợp với Cơ sở tri thức về chuyên gia liên tục được cập nhật để có thể giúp hệ thống trả về kết quả tìm kiếm nhanh và phù hợp nhất với yêu cầu của DN. 5. Tầng Hạ tầng kỹ thuật – công nghệ và An toàn thông tin mạng: Tầng này cung cấp hạ tầng CNTT và ATTT mạng để triển khai các dịch vụ, ứng dụng và CSDL trong kiến trúc, bao gồm các nền tảng hỗ trợ tính toán, lưu trữ, kết nối… và các thiết bị đảm bảo an toàn, an ninh thông tin, v.v. Mô hình kiến trúc chi tiết được mô tả như trong Hình 3.1 bên dưới.
15
Hình 3.1. Kiến trúc tham khảo VietSME-EFSA của hệ thống tìm kiếm chuyên gia.
16
3.3. Mô tả các thành phần 3.4. So sánh kiến trúc đề xuất với một số hệ thống tìm kiếm chuyên gia hiện nay So với các hệ thống lớn như LinkedIn và Google Scholar, hệ thống tìm kiếm chuyên gia đề xuất có quy mô nhỏ hơn và chủ yếu tập trung vào việc quản lý thông tin chuyên gia trong phạm vi quốc gia hoặc tổ chức. Mặc dù khả năng mở rộng và tích hợp quốc tế của hệ thống này có thể không bằng các nền tảng toàn cầu, nhưng nó lại nhắm đến việc giải quyết các vấn đề nội bộ, như cập nhật và quản lý dữ liệu chuyên gia chi tiết. Hệ thống đề xuất cũng nổi bật với các tính năng tìm kiếm, xếp hạng và khuyến nghị chuyên gia phong phú hơn so với ResearchGate hoặc Google Scholar, nhờ khả năng kết nối và khai thác thông tin đa chiều về chuyên gia, thay vì chỉ dựa trên các chỉ số học thuật. Ngoài ra, hệ thống này còn cung cấp các giao diện API mở tương tự LinkedIn, cho phép tích hợp với các hệ thống khác trong phạm vi quốc gia, một tính năng mà không phải hệ thống nào cũng có. 3.5. Đánh giá kiến trúc đề xuất
Kiến trúc hệ thống đề xuất được đánh giá bằng phương pháp phương pháp phân tích kiến trúc – gia đình FAAM, và NCS tự thực hiện đánh giá, với tư cách là đại diện cho nhóm liên quan nội bộ. Dựa trên phân tích đánh giá kiến trúc theo hai tiêu chí chính mà phương pháp FAAM hướng đến là khả năng tương tác và khả năng mở rộng. Hệ thống có lợi thế tích hợp API mở rộng, khả năng chia sẻ dữ liệu tốt, hỗ trợ nhiều nền tảng triển khai và có kiến trúc theo hướng chia nhỏ dịch vụ, có thhể mở rộng linh hoạt. Tuy nhiên, vấn đề đồng bộ dữ liệu theo thời gian thực, và tối ưu hoá hiệu suất khi số lượng người dùng tăng chưa thực sự được chú trọng. Vì thế, cần bổ sung thêm những khả năng này để hệ thống hoạt động hiệu quả hơn. 3.6. Tổng kết Chương 3
Trong Chương 3, NCS đã đề xuất một mô hình kiến trúc hệ thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam với các thành phần được mô tả chi tiết. Trong mô hình kiến trúc này, điểm nội bật là bộ Cơ sở tri thức góp phần và việc hỗ trợ các nhiệm vụ trong hệ tìm kiếm chuyên gia hoạt động một cách hiệu quả hơn. Mô hình kiến trúc đề xuất này cũng giải quyết một số vấn đề mà hệ tìm kiếm chuyên gia đang gặp phải như đã trình bày trong Chương 2 của bài toán. Việc thử nghiệm một số chức năng nghiệp vụ cũng như thử nghiệm hệ thống sẽ được trình bày trong Chương 4 dưới đây.
Kết quả Chương 3 đã được phát triển và xuất bản trong ba tài liệu: - Thu Thi Le, Lam Xuan Pham (2022), ‘Towards NoSQL Databases: Experiences from Actual Projects’, Kỷ yếu hội thảo Quốc tế “The 3rd International Conference on Big Data Analytics and Practices – IBDAP”, Bangkok.
- Thi Thu Le, Tuan-Dung Cao, Xuan Lam Pham, Duc Trung Pham, Toan Luu (2023), ‘An Automatic Method for Building a Taxonomy of Areas of Expertise’, Kỷ yếu hội thảo Quốc tế “15th International Conference on Agents and Artificial Intelligence – ICAART”, Lisbon.
- Thi Thu Le, Xuan Lam Pham, Thanh Huong Nguyen (2023), ‘Tailored Expert Finding Systems for Vietnamese SMEs: A Five-Step Framework’, International Journal of Advanced Computer Science and Applications (IJACSA), 14(11), Q3 Scopus.
17
CHƯƠNG 4. KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ HỆ THỐNG TÌM KIẾM CHUYÊN GIA CHO DOANH NGHIỆP NHỎ VÀ VỪA TẠI VIỆT NAM
4.1. Thử nghiệm độ phù hợp của thuật toán trong hệ thống 4.1.1. Thử nghiệm và đánh giá mô đun “Hợp nhất dữ liệu” Hợp nhất dữ liệu là quá trình xử lý việc thu thập dữ liệu chuyên gia từ nhiều nguồn khác nhau, trong đó có hai yêu cầu chính là phát hiện sự trùng lặp của các hồ sơ chuyên gia và hợp nhất thành một hồ sơ chung. Quy trình thực hiện như sau:
Hình 4.2. Quy trình kết hợp giữa Cơ sở tri thức về chuyên gia và mô đun hợp nhất dữ liệu
NCS thực hiện triển khai phương pháp bao gồm ba bước chính: Tiền xử lý, Phát hiện trùng lặp và Hợp nhất hồ sơ. Trong giai đoạn Tiền xử lý, tác giả chuẩn hóa dữ liệu, phân đoạn từ, chuyển đổi các từ thành vectơ và mở rộng các thực thể bằng cách sử dụng cách tiếp cận cơ sở tri thức để đảm bảo tính nhất quán và đầy đủ. Tiếp theo, trong giai đoạn Phát hiện trùng lặp, tác giả sử dụng các kỹ thuật Kỹ thuật tính năng nâng cao và tính toán điểm tương đồng để xác định và gắn cờ các bản sao tiềm năng trong bộ thực thể. Cuối cùng, trong giai đoạn Hợp nhất hồ sơ, tác giả xác định hồ sơ chính trong số các hồ sơ tương tự dựa trên các thực thể trong chính hồ sơ đó. Hồ sơ chính sẽ chứa nhiều thông tin thực thể hơn so với các hồ sơ khác. Bằng cách thực hiện các bước này một cách có hệ thống, tác giả mong muốn nâng cao độ chính xác và hiệu quả của việc phân giải thực thể trong các bộ dữ liệu phức tạp, cuối cùng là tối ưu hóa chất lượng và độ tin cậy của dữ liệu hồ sơ chuyên gia. Tập dữ liệu
Trong thử nghiệm này, tác giả sử dụng các bộ dữ liệu 𝓓𝑳𝑰, 𝓓𝑹𝑮, 𝓓𝑮𝑺𝟏 , 𝓓𝑮𝑺𝟐 ∈ 𝓓. Tập
𝓓𝑳𝑰 dữ liệu chứa hồ sơ chuyên gia từ LinkedIn, 𝓓𝑹𝑮 từ Research Gate và 𝓓𝑮𝑺𝟏, 𝓓𝑮𝑺𝟐 từ
Google Scholar. Số lượng thực thể chuyên gia của mỗi tập dữ liệu được minh họa ở Bảng 4.1.
18
Bảng 4.1. Số lượng hồ sơ trong bộ dữ liệu
Nhóm Tập dữ liệu
Nhóm 1
Số lượng hồ sơ 43 72 30 2179 Nhóm 2 𝓓𝑳𝑰 𝓓𝑮𝑺𝟏 𝓓𝑹𝑮 𝓓𝑮𝑺𝟐
Tổng số hồ sơ trong nhóm 1: 𝓓𝑳𝑰, 𝓓𝑹𝑮, 𝓓𝑮𝑺𝟏 là 145. Tuy nhiên, 145 hồ sơ chỉ đại diện cho 47 chuyên gia duy nhất. Mặt khác, nhóm 2: 𝓓𝑮𝑺𝟐 cung cấp 2179 hồ sơ, trong đó có 274 hồ sơ trùng lặp.
Cấu trúc của hồ sơ chuyên gia 𝒫𝑖 ∈ 𝑑 ( 𝑑 ∈ 𝓓) như sau: trong hồ sơ 𝒫𝑖, có một số thực thể ℰ𝑖 và siêu dữ liệu ℳ𝑖. Tất cả các thực thể ℰ𝑖 bao gồm tên, địa điểm, tổ chức, chủ đề và ngành nghề. Ngoài ra, các trường trong ℳ𝑖 chứa ID hồ sơ và nguồn URL, được sử dụng để xác nhận hồ sơ và đảm bảo tính chính xác.
Thuật toán Phát hiện trùng lặp ngây thơ (NDD), Phát hiện trùng lặp tri thức (KDD). Kết quả Phát hiện trùng lặp
Bảng 4.4 dưới đây trình bày hiệu suất của các thuật toán liên quan đến hai bộ dữ liệu riêng biệt. Có thể nhận thấy rằng thuật toán KDD vượt qua NDD với độ chính xác gần gấp đôi trong tập dữ liệu Nhóm 1. Hơn nữa, các đánh giá về hai thuật toán trên với tập dữ liệu Nhóm 2 cũng được chỉ rõ, trong đó tất cả các chỉ số đánh giá với thuật toán KDD đều thể hiện giá trị vượt trội so với các chỉ số đánh giá với thuật toán NDD. Do đó, các số liệu hiệu suất khẳng định rằng KDD mang lại hiệu suất tốt hơn so với NDD. Bảng 4.4. Các chỉ số đánh giá thuật toán
Độ đo
Accuracy Precision Recall F1 score Tập dữ liệu Nhóm 1 NDD 0,4359 0,6892 0,5426 0,6071 KDD 0,8600 0,9348 0,9149 0,9247 Tập dữ liệu Nhóm 2 NDD 0,4106 0,4615 0,7883 0,5822 KDD 0,6696 0,7729 0,8321 0,8014
Kết quả hợp nhất
Sau khi phát hiện các hồ sơ trùng lặp và hợp nhất chúng thành một hồ sơ duy nhất, chất lượng của hồ sơ cuối cùng được cải thiện đáng kể về mặt tính nhất quán, đầy đủ và đa dạng của dữ liệu. Hồ sơ cuối cùng bao gồm tất cả các thực thể từ tất cả các phiên bản trùng lặp, đảm bảo rằng không có thông tin quan trọng nào bị bỏ sót.
Quá trình hợp nhất không chỉ tích hợp các thực thể từ các hồ sơ trùng lặp mà còn mở rộng hồ sơ để bao gồm các thực thể bắt nguồn từ tập dữ liệu kiến thức. Điều này
19
có nghĩa là sau quá trình hợp nhất, dữ liệu chuyên gia không chỉ trở nên nhất quán mà còn phong phú hơn, với sự bổ sung từ các nguồn dữ liệu uy tín và được xác thực. Qua đó phản ánh rõ ràng tính hiệu quả của quá trình hợp nhất trong việc nâng cao chất lượng hồ sơ. Đồng thời cũng hỗ trợ người dùng trong việc tìm kiếm và đánh giá chuyên gia một cách hiệu quả hơn. 4.1.2. Thử nghiệm và đánh giá mô đun “Xếp hạng chuyên gia”
Xếp hạng chuyên gia là một nhiệm vụ vô cùng quan trọng trong các hệ tìm kiếm chuyên gia. Việc xếp hạng chuyên gia không chỉ giúp quá trình hiển thị kết quả tìm kiếm tốt hơn, mà nó còn giúp đem lại trải nghiệm tốt, đáp ứng yêu cầu tìm kiếm của người dùng. Bộ dữ liệu thử nghiệm sẽ là các chuyên gia ngành CNTT.
Quá trình thực hiện được mô tả cụ thể như Hình 4.3 dưới đây
Hình 4.3. Quy trình thực hiện xếp hạng chuyên gia CNTT theo yêu cầu của DN 4.1.2.1. Xác định yêu cầu tìm kiếm chuyên gia CNTT cho một số vị trí công việc trong các doanh nghiệp 4.1.2.2. Lựa chọn vị trí tuyển dụng cụ thể làm tình huống nghiên cứu
Do mục đích chính của việc xếp hạng là tính điểm của các ứng viên, từ đó đề xuất danh sách xếp hạng, vì thế tác giả lựa chọn thuật toán Hồi quy trong phương pháp học có giám sát với nhãn là một giá trị thực cụ thể. Nhãn sẽ được gán từ điểm trung bình của 4 chuyên gia CNTT đánh giá hồ sơ của 150 ứng viên.
Bộ dữ liệu xây dựng sẽ chia làm 2 bộ dữ liệu trước và sau. Bộ dữ liệu 1 gồm 25 trường thông tin như trên. Sau đó bộ dữ liệu này sẽ được so sánh với cơ sở tri thức để làm giàu thêm thông tin, và do đó sẽ kết hợp thêm 2 trường dữ liệu
• Độ nổi tiếng của trường đại học (nơi ứng viên học tập) • Độ nổi tiếng của doanh nghiệp (nơi ứng viên đã/đang làm việc)
Từ đó xây dựng nên Bộ dữ liệu 2.
Hai bộ dữ liệu được xây dựng sẽ đều chia làm 2 tập chính: Training (80%) và Testing (20%) từ bộ dữ liệu gốc. Thực hiện thử chạy dữ liệu với thuật toán boosting
20
Learning to rank như XGBoost, từ đó có những đánh giá xem thuật toán nào đem lại kết quả tốt nhất cho việc xếp hạng tự động chuyên gia. Việc lựa chọn thuật toán này để thử nghiệm là do: Ý tưởng cơ bản là Boosting là tạo ra một loạt các mô hình yếu, học bổ sung lẫn nhau. Có nghĩa là các mô hình sau sẽ cố gắng học để hạn chế lỗi lầm của các mô hình trước. Điều này nếu áp dụng vào xếp hạng chuyên gia sẽ rất phù hợp, vì nếu danh sách chuyên gia đưa ra lần đầu mà chưa tốt, thì mô hình mới được thêm vào sẽ học và tạo ra kết quả tốt hơn. Boosting tiến hành đánh trọng số cho các mô hình mới được thêm vào dựa trên các cách tối ưu khác nhau. Kết quả đầu ra là danh sách gợi ý các chuyên gia cho vị trí mà DN đang tìm, sẽ giúp doanh nghiệp tiết kiệm thời gian trong việc tìm kiếm và lựa chọn những người phù hợp nhất ở giai đoạn đầu, trước khi thực hiện gặp gỡ trực tiếp. 4.1.2.3. Kết quả thử nghiệm Xác định các tiêu chí ảnh hưởng đến kết quả xếp hạng
Có thể nhận thấy, đã có sự thay đổi về những yếu tố có ảnh hưởng đến kết quả xếp hạng chuyên gia. Trong đó, 2 tiêu chí được thêm vào là: Độ uy tín của công ty làm việc và Độ uy tín của trường đại học đã có tác động rõ rệt đến kết quả xếp hạng. Qua đó, có thể khẳng định rằng, thông tin từ Cơ sở tri thức đã làm tăng giá trị của bộ dữ liệu trong quá trình xếp hạng. Nếu cơ sở tri thức càng đầy đủ thì càng làm giàu cho dữ liệu đầu vào. Kết quả đánh giá mô hình xếp hạng
Việc đánh giá mô hình được thực hiện với ba độ đo: MAE, MSE, R2. Lý do sử dụng những thang đo này là do bản chất của mô hình xếp hạng chính là một dạng của mô hình hồi quy, với các tiêu chí xếp hạng là biến độc lập, và điểm xếp hạng là biến phụ thuộc. Và ba độ đo này phù hợp để đánh giá độ chính xác và hiệu suất của mô hình.
Kết quả đánh giá mô hình xếp hạng với 2 bộ dữ liệu:
Bảng 4.7. Đánh giá mô hình xếp hạng
Bộ dữ liệu
Bộ dữ liệu 1
Bộ dữ liệu 2
Độ đo MSE MAE R2
0,021 0,109 0,624
0,018 0,099 0,676
Nguồn: Tác giả tổng hợp từ kết quả thử nghiệm Có thể thấy, mặc dù không nhiều nhưng đã có sự thay đổi trong kết quả đánh giá mô hình với hai bộ dữ liệu. Bộ dữ liệu 2 có chỉ số MSE và MAE đều giảm so với Bộ dữ liệu 1, và chỉ số R2 đã tăng từ 0.62 trong bộ dữ liệu lên 0.67 trong Bộ dữ liệu 2. Điều này chứng tỏ việc bổ sung thông tin từ cơ sở tri thức đã đem lại mô hình xếp hạng tốt hơn. Vì thế, nếu xây dựng bộ cơ sở tri thức đầy đủ và cập nhật sẽ giúp hệ thống tìm kiếm chuyên gia hoạt động hiệu quả hơn, đáp ứng được nhu cầu và đem lại trải nghiệm cho người dùng tốt hơn.
21
4.2. Kết quả xây dựng hệ thống thử nghiệm
Bên cạnh việc thử nghiệm một số chức năng trong hệ thống tìm kiếm chuyên gia, NCS cũng đã thử nghiệm xây dựng một hệ thống trên thực tế để kiểm nghiệm mô hình kiến trúc đề xuất. Hệ thống thử nghiệm có tên là ESSME (Expert Search for Small and Medium Enterprise).
Hệ thống được cài đặt trên 2 ngôn ngữ là tiếng Anh và tiếng Việt, phù hợp nhiều
đối tượng người dùng khác nhau. 4.2.1. Công nghệ, thư viện sử dụng 4.2.2. Giao diện hệ thống Dưới đây là một số hình ảnh về giao diện của hệ thống cài đặt thử nghiệm những chắc năng trong mô hình kiến trúc đề xuất ở Chương 3.
Hình 4.4. Giao diện trang chủ (phần 1)
Tìm kiếm chuyên gia trong lĩnh vực Công nghệ thông tin: Trả về 481 người
Hình 4.5. Kết quả trả về khi tìm kiếm chuyên gia trong lĩnh vực Công nghệ thông tin Thông tin chi tiết của từng chuyên gia
22
Hình 4.6. Kết quả trả về khi xem thông tin 1 chuyên gia
4.3. Đánh giá hệ thống thử nghiệm 4.3.1. Phương pháp sử dụng đánh giá hệ thống 4.3.2. Mô hình và giả thuyết
Trong mô hình này, có 4 biến độc lập gồm: Kỳ vọng về hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội và điều kiện thuận lợi. Biến phụ thuộc là biến: Chấp nhận sử dụng hệ thống tìm kiếm chuyên gia.
Giả thuyết: H1: Kỳ vọng nỗ lực (tính dễ sử dụng) có ảnh hưởng tích cực đến việc chấp nhận
sử dụng hệ thống tìm kiếm chuyên gia.
H2: Kỳ vọng hiệu quả có ảnh hưởng tích cực đến việc chấp nhận sử dụng hệ
thống tìm kiếm chuyên gia.
H3: Ảnh hưởng xã hội có tác động tích cực đến việc chấp nhận sử dụng hệ thống
tìm kiếm chuyên gia.
H4: Điều kiện thuận lợi có ảnh hưởng tích cực đến việc chấp nhận sử dụng hệ
thống tìm kiếm chuyên gia. 4.3.3. Kết quả khảo sát
• Kết quả phân tích hồi quy
Bảng 4.14. Tổng kết mô hình
R2 hiệu chỉnh
R2 R 0,830a 0,689 0,680
Sai số chuẩn của ước lượng Mô hình 1 0,5011 Yếu tố ảnh hưởng: (hằng số), KVHQ, DKTL, KVNL, AHXH Biến phụ thuộc: YDHV
Thông qua bảng tổng kết mô hình, có thể thấy hệ số R2 hiệu chỉnh là 0.68 > 0.5, kết quả này có thể coi là một mô hình tốt. Và các biến độc lập trong mô hình giải thích được 68% sự biến thiên của biến phụ thuộc về hành vi chấp nhận sử dụng hệ thống, còn lại là sai số và do các biến ngoài mô hình.
23
Bảng 4.15. Kết quả phân tích hồi quy các nhân tố ảnh hưởng đến ý định chấp
nhận sử dụng
Từ kết quả phân tích hồi quy, giá trị sig kiểm định của các yếu tố AHXH và KVHQ > 0.05, nên 2 nhân tố này không có ý nghĩa thống kê ở mức sai số 5%. Chỉ có 2 nhân tố DKTL và KVNL có sig <0.05, có ý nghĩa thống kê.
Phương trình hồi quy chuẩn hoá: YDHV = 0.484*DKTL + 0.474*KVNL + ε
Bảng 4.14. Kết quả kiểm định giả thuyết
Kết quả
Giả thuyết H1
Chấp nhận
H2
Bác bỏ
H3
Bác bỏ
H4
Chấp nhận
Quan hệ Kỳ vọng nỗ lực có ảnh hưởng tích cực đến việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia. Kỳ vọng hiệu quả có ảnh hưởng tích cực đến việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia. Ảnh hưởng xã hội có ảnh hưởng tích cực đến việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia. Điều kiện thuận lợi có ảnh hưởng tích cực đến việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia.
Có thể kết luận, 2 yếu tố ảnh hưởng nhiều nhất đề ý định chấp nhận sử dụng hệ
thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam:
• “Điều kiện thuận lợi” (cơ sở hạ tầng của DN đủ điều kiện hỗ trợ cho cài đặt và
sử dụng HT).
• “Kỳ vọng nỗ lực” (nhận thức của người dùng về tính dễ sử dụng của hệ thống). Kết quả này là khá phù hợp vì hệ thống chưa đưa vào sử dụng lâu dài nên người dùng không thể đánh giá được hiệu quả sử dụng cũng như sự ảnh hưởng từ những người xung quanh đến ý định chấp nhận sử dụng hệ thống của họ.
Thông qua kết quả đánh giá, NCS đề xuất với đơn vị muốn triển khai hệ thống tìm kiếm chuyên gia, cần quan tâm đến việc chuẩn bị các điều kiện cơ sở hạ tầng phục vụ người dùng thật tốt, cũng như hướng dẫn người dùng về cách sử dụng hệ thống để có thể giúp người dùng dễ dàng chấp nhận việc sử dụng hệ thống này. 4.4. Một số khuyến nghị triển khai hệ thống
- Triển khai hệ thống ở quy mô nhỏ và từng bước mở rộng - Phát triển hệ thống theo hướng bền vững - Đề xuất các kế hoạch hỗ trợ và đào tạo cho DNNVV
4.5. Tổng kết chương 4
Chương 4 đã trình bày kết quả thử nghiệm và đánh giá thuật toán hai mô đun quan trọng trong hệ tìm kiếm chuyên gia là Hợp nhất dữ liệu và Xếp hạng chuyên gia. Những mô đun này đã chỉ ra tầm quan trọng của Cơ sở tri thức về chuyên gia đến hiệu quả hoạt động của hệ tìm kiếm chuyên gia cho DNNVV tại Việt Nam. Đồng thời, luận
24
án cũng trình bày kết quả xây dựng hệ thống thử nghiệm và đánh giá các yếu tố tác động đến hành vi chấp nhận sử dụng hệ thống tìm kiếm chuyên gia của người dùng tại các DN thông qua mô hình UTAUT, bổ sung thêm vào bộ phương pháp đánh giá với hệ thống tìm kiếm chuyên gia
KẾT LUẬN
Những kết quả đã đạt được của luận án Luận án đã thực hiện hệ thống hoá cơ sở lý thuyết về hệ thống tìm kiếm chuyên gia, phân tích thực trạng quản lý thông tin chuyên gia và tiến hành phỏng vấn sâu một số DNNVV để hiểu rõ hiện trạng cũng như xác định nhu cầu tìm kiếm chuyên gia trong doanh nghiệp hiện nay. Bên cạnh đó, nghiên cứu thêm về các hệ thống tìm kiếm chuyên gia hiện có để phân tích ưu nhược điểm của những hệ thống này. Từ đó, đề xuất kiến trúc tham khảo của hệ thống tìm kiếm chuyên gia dành cho các DNNVV tại Việt Nam. Từ kiến trúc này có thể xây dựng ra các HTTT tìm kiếm chuyên gia cho phép nhiều doanh nghiệp trong các lĩnh vực dễ dàng sử dụng, nhằm trợ giúp việc tìm kiếm chuyên gia từ cả bên trong và bên ngoài DN. Hệ thống thử nghiệm hiện chứa danh mục khoảng 2200 chuyên gia, trong một số lĩnh vực thương mại và dịch vụ (Công nghệ thông tin, truyền thông, kinh tế và kinh doanh (tài chính, ngân hàng, logistic), y tế,, v.v.). Thông qua hệ thống này, các DN có thể thực hiện tìm kiếm một chuyên gia cụ thể hoặc một nhóm chuyên gia để hỗ giải quyết bài toán nhân sự mà DN đang cần. Đây là tiền đề để doanh nghiệp có thể tìm kiếm chuyên gia một cách dễ dàng và nhanh chóng hơn.
Những đóng góp mới về mặt học thuật và lý luận Thứ nhất, luận án đã sử dụng phương pháp tiếp cận mới trong tổng quan nghiên cứu, kết hợp phân tích trắc lượng thư mục và đánh giá có hệ thống, đã phát hiện ra xu hướng nghiên cứu trong lĩnh vực tìm kiếm chuyên gia từ năm 2000 đến 2023, với sự chuyển dịch từ tìm kiếm chuyên gia trong DN lớn, sang tìm kiếm chuyên gia trong lĩnh vực học thuật, và gần đây là tìm kiếm chuyên gia trên các nền tảng cộng đồng.
Thứ hai, luận án đã đề xuất kiến trúc tham khảo VietSME-EFSA cho hệ thống tìm kiếm chuyên gia cho DNNVV tại Việt Nam, tích hợp thông tin từ nhiều nguồn theo Khung kiến trúc Chính phủ điện tử 3.0 và khung kiến trúc TOGAF.
Thứ ba, đề xuất thuật toán KDD để phát hiện trùng lặp hồ sơ chuyên gia, trong đó độ tương tự giữa các thực thể được tính toán dựa trên sự kết hợp của việc phát hiện tương đồng trong tên người Việt và tập dữ liệu Cơ sở tri thức chuyên gia được thu thập từ nhiều nguồn khác nhau, nhằm giải quyết vấn đề tương tự phụ thuộc vào cấp độ.
Thứ tư, đề xuất áp dụng mô hình UTAUT để đánh giá việc chấp nhận sử dụng hệ thống tìm kiếm chuyên gia, bổ sung thêm vào bộ phương pháp đánh giá trong lĩnh vực này.
Những hạn chế và hướng phát triển Hệ thống thử nghiệm mới chỉ tập trung vào việc tìm kiếm chuyên gia trong một số lĩnh vực để hỗ trợ cho các doanh nghiệp trong lĩnh vực Thương mại và dịch vụ nên độ phủ rộng của chuyên gia trong nhiều lĩnh vực là chưa đầy đủ. Ngoài ra, việc đánh giá kết quả của của hệ thống sau khi triển khai là không hề dễ dàng. Việc tìm kiếm, liên lạc và kết nối với chuyên gia không thể thực hiện trong một khoảng thời gian ngắn. Trong thời gian tới, để có thể xây dựng được các hệ thống tìm kiếm chuyên gia hoàn thiện và hiệu quả hơn, cần có thêm những nghiên cứu chuyên sâu với sự tham gia của những bên liên quan.
DANH MỤC CÁC CÔNG TRÌNH NGHIÊN CỨU
CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
1. Lê Thị Thu, Phạm Xuân Lâm (2021), “Phát triển hệ thống Cơ sở dữ liệu lớn về nguồn nhân lực chất lượng cao cho doanh nghiệp nhỏ và vừa tại Việt Nam: Đánh giá nhu cầu
và đề xuất giải pháp”, Kỷ yếu hội thảo Quốc gia Hệ thống thông tin trong kinh doanh
và quản lý ISBM”21, TP. Hồ Chí Minh.
2. Thu Thi Le, Lam Xuan Pham (2022), “Towards NoSQL Databases: Experiences from Actual Projects”, Kỷ yếu hội thảo Quốc tế “The 3rd International Conference on Big
Data Analytics and Practices – IBDAP”, Bangkok.
3. Thi Thu Le, Xuan Lam Pham, Thanh Huong Nguyen (2023), “Tailored Expert Finding Systems for Vietnamese SMEs: A Five-Step Framework”, International Journal of
Advanced Computer Science and Applications (IJACSA), 14(11), Q3 Scopus.
4. Thi Thu Le, Tuan-Dung Cao, Xuan Lam Pham, Duc Trung Pham, Toan Luu (2023), “An Automatic Method for Building a Taxonomy of Areas of Expertise”, Kỷ yếu hội
thảo Quốc tế “15th International Conference on Agents and Artificial Intelligence –
ICAART”, Lisbon.
5. Xuan-Lam Pham, Thi Thu Le (2024), “Bibliometric Analysis and Systematic Review of Research on Expert Finding: A PRISMA-guided Approach”, International Arab
Journal of Information Technology, 21(4), Q2 Scopus, SCIE.
