TRANG THÔNG TIN LUẬN ÁN TIẾN SĨ
– Tên đề tài luận án tiến sĩ: Phát hiện tin bài độc hại tiếng Việt sử dụng kết hợp đặc trưng văn bản và hình ảnh
– Chuyên ngành: Hệ thống thông tin
– Mã số: 9.48.01.04
– Họ và tên NCS: Lê Ngọc An
– Người hướng dẫn khoa học:
- PGS.TS. Hoàng Xuân Dậu
- TS. Đinh Trường Duy
– Cơ sở đào tạo: Học viện Công nghệ Bưu chính Viễn thông
NHỮNG KẾT QUẢ MỚI CỦA LUẬN ÁN
Luận án nghiên cứu bài toán phát hiện tin bài độc hại tiếng Việt trên không gian mạng, tập trung vào các tin bài có nội dung độc hại về chính trị được thể hiện kết hợp dưới dạng văn bản và hình ảnh. Để khắc phục hạn chế của các phương pháp chỉ xử lý một phương thức dữ liệu và giảm sự phụ thuộc vào dữ liệu gán nhãn thủ công, luận án đề xuất các mô hình đa phương thức dựa trên sự kết hợp đặc trưng văn bản và hình ảnh, đồng thời khai thác học bán giám sát. Các kết quả mới chính của luận án gồm:
(1.) Đề xuất mô hình đa phương thức phát hiện tin bài độc hại tiếng Việt, kết hợp PhoBERT để trích xuất đặc trưng văn bản và Swin Transformer V2 để xử lý đặc trưng hình ảnh. Mô hình có khả năng phát hiện theo hai chế độ: nhị phân (tin bài thường và tin bài độc hại) và đa lớp gồm bốn nhóm: tin bài thường, vu khống/bôi nhọ, kêu gọi chống đối và thúc đẩy tư tưởng cực đoan. Trên thực nghiệm phát hiện nhị phân, mô hình đạt Accuracy 97,00%, Precision 97,00%, Recall 97,10% và F1-score 97,00%. Ở chế độ đa lớp, mô hình đạt Accuracy 95,67%, Precision 95,71%, Recall 95,67% và F1-score 95,68%. Kết quả so sánh cho thấy mô hình đề xuất đạt hiệu suất tốt hơn các cấu hình kết hợp được khảo sát trong luận án.
(2.) Đề xuất mô hình phát hiện tin bài độc hại tiếng Việt dựa trên học bán giám sát, kế thừa mô hình đa phương thức PhoBERT và Swin Transformer V2, sử dụng kỹ thuật gán nhãn giả (pseudo-labeling) để tận dụng dữ liệu chưa được gán nhãn. Thực nghiệm được tiến hành với tỷ lệ dữ liệu huấn luyện có nhãn từ 5% đến 50%. Kết quả cho thấy mô hình duy trì F1-score 85,78% khi chỉ sử dụng 5% dữ liệu có nhãn; đạt 90,30% với 10%, 92,18% với 20%, 93,24% với 30% và 93,45% với 50% dữ liệu có nhãn. Với 30% dữ liệu huấn luyện có nhãn, mô hình đạt Accuracy 93,19%, Precision 93,30%, Recall 93,19% và F1-score 93,24%, cho thấy khả năng khai thác dữ liệu chưa gán nhãn trong điều kiện nguồn dữ liệu gán nhãn hạn chế.
(3.) Thu thập và xây dựng bộ dữ liệu tin bài tiếng Việt quy mô 18.000 mẫu, gồm dữ liệu văn bản và hình ảnh, phục vụ huấn luyện, đánh giá và so sánh các mô hình phát hiện tin bài độc hại. Bộ dữ liệu bao gồm tin bài thường và các nhóm tin bài độc hại theo phạm vi nghiên cứu, tạo cơ sở thực nghiệm cho việc đánh giá mô hình đa phương thức và mô hình học bán giám sát.
CÁC ỨNG DỤNG, KHẢ NĂNG ỨNG DỤNG TRONG THỰC TIỄN HOẶC NHỮNG VẤN ĐỀ CÒN BỎ NGỎ CẦN TIẾP TỤC NGHIÊN CỨU
Các mô hình được đề xuất có thể làm cơ sở cho việc xây dựng công cụ hỗ trợ phát hiện, phân loại và giám sát tin bài độc hại tiếng Việt có đồng thời văn bản và hình ảnh trên không gian mạng. Việc kết hợp hai phương thức dữ liệu giúp khai thác thông tin bổ trợ giữa ngôn ngữ và thị giác; phương pháp học bán giám sát có tiềm năng giảm yêu cầu về lượng dữ liệu được gán nhãn thủ công. Tuy nhiên, để nâng cao khả năng ứng dụng thực tế, luận án xác định một số vấn đề cần tiếp tục nghiên cứu như sau:
(1.) Mở rộng quy mô và tăng tính đa dạng của bộ dữ liệu bằng cách tiếp tục thu thập tin bài từ nhiều nguồn khác nhau trên mạng xã hội, đồng thời nghiên cứu mở rộng phạm vi sang các loại tin bài độc hại khác ngoài nhóm nội dung chính trị.
(2.) Nghiên cứu các kỹ thuật học sâu tiên tiến, như học tự giám sát (self-supervised learning) và học ít mẫu (few-shot learning), nhằm giảm sự phụ thuộc vào dữ liệu gán nhãn thủ công và cải thiện khả năng thích ứng khi dữ liệu huấn luyện hạn chế.
(3.) Mở rộng mô hình theo hướng đa phương thức bằng cách tích hợp thêm dữ liệu video và âm thanh; đồng thời nghiên cứu khả năng áp dụng cho các ngôn ngữ khác để đánh giá tính khái quát của phương pháp.
(4.) Tiếp tục giảm nguy cơ lan truyền lỗi trong quá trình gán nhãn giả và cải thiện khả năng phân biệt các nhóm tin bài có ngữ nghĩa gần nhau hoặc sử dụng cách diễn đạt ngụy trang tinh vi.
(5.) Phát triển hệ thống giám sát trực tuyến có khả năng hỗ trợ phát hiện tin bài độc hại theo thời gian thực trên không gian mạng. Việc triển khai thực tế cần tiếp tục được đánh giá về hiệu năng, độ tin cậy và khả năng xử lý dữ liệu phát sinh liên tục.
