ajdsai@ajeb.edu.vn (+84) 28 3821 0238
Khoa học Dữ liệu và Trí tuệ Nhân tạo châu Á Asian Journal of Data Science and Artificial Intelligence (AJDSAI)
Đăng nhậpSign in Đăng kýSign up

Giỏ hàngCart

    MUACheckout
    Gửi bài viết Submit Article

    TÔN CHỈ & MỤC ĐÍCH

    Khoa học Dữ liệu và Trí tuệ Nhân tạo châu Á (AJDSAI) là ấn phẩm khoa học được bình duyệt, tập trung công bố các nghiên cứu chất lượng cao về khoa học dữ liệu và trí tuệ nhân tạo (AI), với định hướng ứng dụng vào các lĩnh vực kinh tế, tài chính, kinh doanh và chính sách công, đặc biệt trong bối cảnh châu Á và các nền kinh tế mới nổi. Ấn phẩm hướng tới thu hẹp khoảng cách giữa phát triển phương pháp và ứng dụng thực tiễn, ưu tiên các nghiên cứu có đóng góp phương pháp luận rõ ràng hoặc ứng dụng dữ liệu quy mô lớn để giải quyết các vấn đề kinh tế - xã hội phức tạp.

    AJDSAI chào đón các nghiên cứu lý thuyết, thực nghiệm và phương pháp luận trong các lĩnh vực cốt lõi sau: Học máy, học sâu và các phương pháp học thống kê; Phân tích dữ liệu lớn, kỹ thuật dữ liệu và tính toán hiệu năng cao; Ứng dụng AI trong tài chính, kinh tế và kinh doanh; Xử lý ngôn ngữ tự nhiên, khai thác dữ liệu văn bản và thị giác máy tính; Công nghệ tài chính (FinTech), kinh tế số và chuyển đổi số; AI trong quản trị và chính sách công; AI có thể giải thích, minh bạch và có trách nhiệm, … 

    Ấn phẩm đặc biệt ưu tiên các nghiên cứu sử dụng phương pháp tiên tiến, khả năng tái lập, tính minh bạch dữ liệu/mô hình, và có hàm ý ứng dụng hoặc chính sách rõ ràng. Các nghiên cứu sử dụng dữ liệu trong bối cảnh châu Á nhưng có giá trị khái quát quốc tế được khuyến khích mạnh mẽ. AJDSAI cam kết đáp ứng các tiêu chuẩn học thuật cao và định vị là diễn đàn học thuật chuyên sâu về AI và khoa học dữ liệu ứng dụng trong kinh tế - xã hội, phục vụ cộng đồng nghiên cứu, thực hành và hoạch định chính sách.

    SỐ MỚI NHẤT LATEST ISSUE

    Khoa học Dữ liệu và Trí tuệ Nhân tạo châu Á Asian Journal of Data Science and Artificial Intelligence (AJDSAI)

    Asian Journal of Data Science and Artificial Intelligence (AJDSAI)
    Xem số mới nhất View current issue

    • Mô hình học máy dự báo khả năng vỡ nợ của khách hàng vay tín dụng tại ngân hàng thương mại Mô hình học máy dự báo khả năng vỡ nợ của khách hàng vay tín dụng tại ngân hàng thương mại

      Phan Ngọc Mai Anh, Nguyễn Huỳnh Anh Vũ

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.001

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Nghiên cứu này nhằm xây dựng và đánh giá các mô hình học máy để dự báo khả năng vỡ nợ của khách hàng vay tín dụng cá nhân tại ngân hàng thương mại, đồng thời phát hiện và khắc phục hiện tượng rò rỉ dữ liệu (RRDL) khi áp dụng kỹ thuật xử lý dữ liệu mất cân bằng. Mục tiêu cụ thể bao gồm so sánh hiệu suất của ba mô hình học máy (Hồi quy Logistic, Random Forest và XGBoost), xác định tác động của RRDL và tối ưu hóa ngưỡng phân loại nhằm nâng cao khả năng phát hiện rủi ro tín dụng.
      Thiết kế/phương pháp/tiếp cận: Nghiên cứu sử dụng dữ liệu tín dụng thực tế từ 18.805 hồ sơ khách hàng với 27 biến đặc trưng thuộc ba nhóm thông tin: (i) Nhân khẩu xã hội; (ii) Năng lực tài chính và khoản vay; và (iii) Các chỉ số kinh tế vĩ mô. Quy trình thực nghiệm gồm hai giai đoạn nhằm phát hiện và khắc phục RRDL phát sinh khi áp dụng kỹ thuật tạo mẫu tổng hợp SMOTE không đúng cách. Tối ưu hóa siêu tham số bằng GridSearchCV kết hợp kiểm định chéo năm lớp (5-fold cross-validation). Việc phân tích SHAP được sử dụng để giải thích các yếu tố có ảnh hưởng đến dự báo.
      Kết quả nghiên cứu chính: Nghiên cứu phát hiện RRDL nghiêm trọng khi SMOTE áp dụng không đúng quy trình, dẫn đến Random Forest và XGBoost đạt hiệu suất hoàn hảo không thực tế (AUC-ROC = 1,0000). Sau khắc phục, mô hình XGBoost đạt AUC-ROC = 0,9973 và F1 = 0,9900 sau tối ưu hóa ngưỡng phân loại từ 0,5 xuống 0,4303.
      Giá trị đóng góp mới: Nghiên cứu cung cấp bằng chứng thực nghiệm về mức độ nghiêm trọng của RRDL trong dự báo vỡ nợ, đề xuất quy trình chuẩn để phát hiện và khắc phục vấn đề này, đồng thời cung cấp giải pháp tối ưu hóa ngưỡng phân loại phù hợp với mục tiêu quản trị rủi ro ngân hàng.

    • Xử lý dữ liệu lớn cho bài toán phân loại ảnh đa miền với CLIP và Conformal Prediction trên nền tảng Hadoop MapReduce Xử lý dữ liệu lớn cho bài toán phân loại ảnh đa miền với CLIP và Conformal Prediction trên nền tảng Hadoop MapReduce

      Lê Quang Thiện, Nguyễn Phương Nam, Nguyễn Quốc Binh, Vũ Lê Quỳnh Phương

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.002

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Nghiên cứu đánh giá hiệu năng và khả năng định lượng độ bất định của mô hình CLIP (Contrastive Language-Image Pretraining) kết hợp với Conformal Prediction (CP) trong phân loại ảnh đa miền theo hướng zero-shot.
      Thiết kế nghiên cứu/phương pháp tiếp cận: CLIP thiếu cơ chế định lượng độ bất định, hạn chế áp dụng trong hệ thống yêu cầu cao về độ tin cậy. Nghiên cứu triển khai và so sánh ba chiến lược CP: LAC (Least Ambiguous Classifier), APS (Adaptive Prediction Sets) và RAPS (Regularized Adaptive Prediction Sets), tạo tập dự đoán có đảm bảo thống kê thay vì một nhãn duy nhất. Hệ thống tích hợp Hadoop MapReduce để trích xuất đặc trưng phân tán và xử lý dữ liệu lớn.
      Kết quả nghiên cứu chính: Thực nghiệm trên DTD (Describable Textures Dataset) và Oxford Flowers 102 cho thấy cả ba phương pháp duy trì độ phủ xấp xỉ hoặc đạt mức mục tiêu 90% (α = 0,1). APS đạt kích thước tập dự đoán nhỏ nhất; RAPS cung cấp cơ chế điều chuẩn phù hợp hơn với không gian nhãn lớn. Hadoop MapReduce với 8 node đạt tốc độ nhanh hơn 1,56 lần so với thực thi tuần tự.
      Giá trị đóng góp mới: Bài báo đề xuất khung CLIP–CP–Hadoop MapReduce cho phân loại ảnh đa miền zero-shot, gồm: (i) kiến trúc ba thành phần; (ii) so sánh LAC, APS và RAPS; và (iii) đánh giá trên DTD và Oxford Flowers 102, minh chứng khả năng kiểm soát độ phủ thống kê và hiệu quả xử lý phân tán.

    • Tác động hai mặt của sử dụng AI tạo sinh đến ý định khởi nghiệp số của sinh viên Thành phố Hồ Chí Minh Tác động hai mặt của sử dụng AI tạo sinh đến ý định khởi nghiệp số của sinh viên Thành phố Hồ Chí Minh

      Nguyễn Văn Thọ, Lê Thị Thanh Huyền

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.003

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Kiểm định giả thuyết "con dao hai lưỡi" về tác động của việc sử dụng trí tuệ nhân tạo tạo sinh (GenAI) đến ý định khởi nghiệp số (YĐKNS) của sinh viên kinh tế tại TP. Hồ Chí Minh, cùng vai trò điều tiết của năng lực AI.
      Thiết kế nghiên cứu/phương pháp/tiếp cận: Dữ liệu từ 455 sinh viên kinh tế tại TP. HCM được phân tích bằng SPSS 28 (Cronbach's alpha, EFA), AMOS 28 (CFA, SEM) và PROCESS, dựa trên khung Kích thích-Chủ thể-Phản ứng và lý thuyết Định hướng điều chỉnh (RFT).
      Kết quả nghiên cứu chính: GenAI làm gia tăng cả ba trạng thái tâm lý vốn đều tác động dương đến YĐKNS (R² = 48,8%); lệ thuộc vào AI là kênh mạnh nhất (H5 được chấp nhận). Trái với giả thuyết, lo âu AI thúc đẩy nhẹ thay vì kìm hãm ý định (H6 bị bác bỏ). Năng lực AI khuếch đại con đường tự tin khởi nghiệp, không làm dịu con đường lo âu.
      Giá trị đóng góp mới: Bằng chứng thực nghiệm đầu tiên tại Việt Nam phản biện giả thuyết con dao hai lưỡi trong khởi nghiệp số: ở thị trường mới nổi lạc quan công nghệ, lệ thuộc vào AI là sự cộng sinh thúc đẩy khởi nghiệp và lo âu AI là cảm xúc kích hoạt hơn là rào cản, qua đó tinh chỉnh lý thuyết cho bối cảnh Việt Nam.

    • ESG và đổi mới công nghệ trong ngành bảo hiểm ESG và đổi mới công nghệ trong ngành bảo hiểm

      Lưu Thu Quang, Lê Thị Hân, Trần Hoàng Vũ

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.004

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Nghiên cứu này phân tích tác động của môi trường, xã hội và quản trị (ESG) đến đổi mới công nghệ (ĐMCN) trong ngành bảo hiểm (NBH). Đồng thời, bài viết xem xét vai trò điều tiết của bất ổn chính sách kinh tế (EPU), trong mối quan hệ giữa ESG và ĐMCN.
      Thiết kế nghiên cứu/phương pháp/tiếp cận: Nghiên cứu sử dụng bộ dữ liệu bảng của 287 công ty bảo hiểm niêm yết tại nhiều quốc gia trong giai đoạn 2015–2024 và sử dụng mô hình hồi quy hiệu ứng cố định kết hợp 2SLS. 
      Kết quả nghiên cứu chính: ESG thúc đẩy đáng kể ĐMCN. Tuy nhiên, tác động này phụ thuộc vào bối cảnh chính sách: bất định tiền tệ và tài khóa làm suy yếu mối quan hệ giữa ESG và ĐMCN, trong khi bất định thương mại lại khuếch đại tác động tích cực này.
      Giá trị đóng góp mới: Nghiên cứu mở rộng các tài liệu hiện có bằng cách kết hợp lý thuyết ESG, ĐMCN và EPU trong một khung phân tích thống nhất đối với NBH. Bài báo cung cấp bằng chứng thực nghiệm về vai trò điều tiết của các thành phần EPU trong mối quan hệ giữa ESG và ĐMCN, đồng thời đưa ra hàm ý quản trị cho doanh nghiệp bảo hiểm.

    • Ứng dụng mô hình học máy tổ hợp có khả năng giải thích trong phát hiện và cảnh báo gian lận giao dịch thẻ Ứng dụng mô hình học máy tổ hợp có khả năng giải thích trong phát hiện và cảnh báo gian lận giao dịch thẻ

      Trương Thị Ngọc Yến, Nguyễn Duy Thanh

      DOI: https://doi.org/10.63065/ajdsai.vn.2026.02.005

      Tóm tắt Abstract | Bài viết Article | PDF | Mua ngay Buy now
      Tóm tắt Abstract

      Mục tiêu nghiên cứu: Đề xuất khung phát hiện và cảnh báo gian lận giao dịch thẻ bằng học máy tổ hợp có khả năng giải thích, nhằm nâng cao hiệu năng, khả năng giải trình và quản trị mô hình.
      Thiết kế nghiên cứu/phương pháp/tiếp cận: Nghiên cứu sử dụng bộ dữ liệu IEEE-CIS gồm 590.540 giao dịch có nhãn, sắp xếp theo thời gian và chia tuần tự thành tập huấn luyện, xác thực và kiểm định. XGBoost, LightGBM và CatBoost được kết hợp bằng kiến trúc xếp chồng và phối trộn xác suất. Hiệu năng được đánh giá bằng ROC-AUC, AP, F1, Precision, Recall và Top-K; độ vững được kiểm tra bằng DeLong, bootstrap theo cụm thời gian và phân tích độ nhạy. Cơ chế trí tuệ nhân tạo có khả năng giải thích (XAI) hai tầng làm rõ quá trình kết hợp mô hình và ảnh hưởng của các đặc trưng giao dịch.
      Kết quả nghiên cứu chính: Trên tập xác thực, mô hình tổ hợp đạt ROC-AUC 0,9286, AP 0,6271, F1 0,6089 và Recall 0,5446. Trên tập kiểm định theo thời gian, ROC-AUC và AP đạt cao nhất, lần lượt 0,8953 và 0,5097; Precision đạt 0,5515, Recall 0,4493 và Precision@500 đạt 0,944. Chênh lệch ROC-AUC so với LightGBM có ý nghĩa thống kê và ổn định theo thời gian. 
      Giá trị đóng góp mới: Khung đề xuất tích hợp học máy tổ hợp, đánh giá theo thời gian, kiểm tra độ vững và XAI hai tầng, hỗ trợ ưu tiên điều tra, giám sát và truy vết quyết định.