Trường Đại học Công nghệ Thông tin

Học tập - Nghiên cứu

Nhóm sinh viên UIT tìm lời giải “AI nhìn hình ảnh như thế nào?”
SDG 1SDG 2

Nhóm sinh viên UIT tìm lời giải “AI nhìn hình ảnh như thế nào?”

28-10-2026
Bài báo: On the Explainability of Graph Neural Networks for Computer VisionNhóm tác giả:- Đỗ Minh Dũng – KHMT 2023 – Tác giả chính- Lê Đức Thành – KHMT2023 – Tác giả chính- Lê Huỳnh Anh Tuấn – KTPM 2024- Đỗ Minh Trí – KTPM 2024- Bùi Cao Trí – KHMT 2024Giảng viên hướng dẫn:- TS. Bùi Cao Doanh- PGS.TS. Nguyễn Tấn Trần Minh KhangTóm tắt:Trí tuệ nhân tạo ngày càng đạt được những kết quả đáng chú ý trong các bài toán thị giác máy tính, từ nhận diện đối tượng đến phân loại hình ảnh.Tuy nhiên, một mô hình AI đưa ra kết quả chính xác không đồng nghĩa với việc chúng ta có thể hiểu rõ cách mô hình đi đến quyết định đó.Đặc biệt, đối với các kiến trúc học sâu hiện đại, việc lý giải cách mô hình tiếp nhận thông tin, xác định mối quan hệ giữa các vùng ảnh và phản ứng trước những thay đổi của dữ liệu đầu vào vẫn là một thách thức quan trọng.Xuất phát từ vấn đề này, nhóm nghiên cứu của Trường Đại học Công nghệ Thông tin, ĐHQG-HCM (UIT) thực hiện công trình phân tích khả năng giải thích và hành vi của mạng nơ-ron đồ thị trong thị giác máy tính (Vision Graph Neural Networks – Vision GNNs).Nghiên cứu khảo sát và so sánh ba nhóm kiến trúc học sâu tiêu biểu:- Vision Transformers (ViTs): Kiến trúc sử dụng cơ chế chú ý để học mối quan hệ giữa các thành phần của hình ảnh.- Vision Graph Neural Networks (Vision GNNs): Kiến trúc khai thác cấu trúc đồ thị để biểu diễn và xử lý mối quan hệ giữa các vùng ảnh.- Hypergraph Neural Networks: Kiến trúc sử dụng siêu đồ thị để mô hình hóa các mối quan hệ phức tạp giữa nhiều thành phần.Để phân tích cách các mô hình hoạt động, nhóm nghiên cứu kết hợp hai hướng tiếp cận:- Grad-CAM++: Phương pháp trực quan hóa giúp quan sát những vùng ảnh có ảnh hưởng đến kết quả dự đoán của mô hình.- Các độ đo dựa trên tính liên tục Lipschitz (Lipschitz Continuity): Được sử dụng để đánh giá mức độ nhạy cảm của mô hình trước những thay đổi trong dữ liệu đầu vào.Thông qua sự kết hợp này, nghiên cứu không chỉ xem xét hiệu quả phân loại hình ảnh mà còn tìm hiểu cách các kiến trúc học sâu liên kết thông tin và phản ứng với những biến đổi của dữ liệu.Kết quả thực nghiệm:Nhóm nghiên cứu tiến hành đánh giá trên hai bộ dữ liệu hình ảnh: CIFAR-10 và ImageNet-100.Kết quả cho thấy các kiến trúc được khảo sát có thể đạt hiệu quả phân loại tương đương, nhưng lại thể hiện những đặc điểm khác biệt đáng chú ý:- Mức độ nhạy cảm trước những thay đổi của dữ liệu đầu vào không giống nhau.- Cơ chế học và liên kết thông tin giữa các vùng ảnh có sự khác biệt giữa các kiến trúc.- Việc kết hợp trực quan hóa và các độ đo về tính ổn định giúp cung cấp thêm góc nhìn về hành vi của mô hình, bên cạnh những chỉ số đánh giá độ chính xác thông thường.Những phát hiện này cho thấy việc đánh giá một mô hình AI không nên chỉ dừng lại ở kết quả dự đoán, mà còn cần quan tâm đến khả năng giải thích và tính ổn định trong quá trình xử lý thông tin.Thông qua nghiên cứu, nhóm tác giả góp phần làm rõ cơ chế hoạt động của các mô hình học sâu trong thị giác máy tính, tạo cơ sở cho những nghiên cứu tiếp theo về AI có khả năng giải thích (Explainable AI – XAI) và phát triển các hệ thống trí tuệ nhân tạo đáng tin cậy hơn.Lời cảm ơn của nhóm:  “Nhóm nghiên cứu xin gửi lời cảm ơn chân thành đến UITTOGETHER đã quan tâm, ghi nhận và lan tỏa những thành tích nghiên cứu khoa học của sinh viên UIT. Đặc biệt, nhóm xin bày tỏ lòng biết ơn sâu sắc đến anh Bùi Cao Doanh và thầy Nguyễn Khang đã tận tình hướng dẫn, hỗ trợ và đồng hành cùng nhóm trong suốt quá trình thực hiện nghiên cứu. Sự chỉ dẫn và động viên của hai thầy là nguồn động lực quý báu để nhóm tiếp tục học hỏi, phát triển và đạt được nhiều thành tựu hơn nữa trên hành trình nghiên cứu khoa học.”Thông tin Hội nghị:The 15th International Symposium on Information and Communication Technology (SOICT 2026) – Hội nghị Quốc tế lần thứ 15 về Công nghệ Thông tin và Truyền thông.SOICT 2026 dự kiến diễn ra từ ngày 04–05/12/2026 tại TP. Hồ Chí Minh, do Trường Công nghệ Thông tin và Truyền thông, Đại học Bách khoa Hà Nội (HUST) phối hợp cùng Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM (HCMUS) tổ chức.Hội nghị tập trung vào các hướng nghiên cứu như nền tảng trí tuệ nhân tạo và dữ liệu lớn, mạng và truyền thông, xử lý đa phương tiện, AI ứng dụng, AI tạo sinh, nghiên cứu vận hành và tối ưu hóa, cùng an ninh mạng.Theo thông tin hội nghị, kỷ yếu SOICT 2026 được xuất bản trong chuỗi Communications in Computer and Information Science (CCIS) của Springer, với các cơ sở dữ liệu chỉ mục được giới thiệu gồm Scopus, DBLP, EI-Compendex, SCImago, Google Scholar và Mathematical Reviews; đồng thời được gửi đánh giá để xem xét đưa vào ISI Proceedings.Các bài báo xuất sắc nhất của hội nghị có cơ hội được mời gửi phiên bản mở rộng đến tạp chí Multimedia Tools and Applications.Thông tin chi tiết tại: https://www.facebook.com/share/p/1F1E5tVbgr/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Sinh viên UIT nghiên cứu phát hiện các cơ chế khai thác giá trị trong hệ sinh thái blockchain với hơn 22.000 hợp đồng token được quét
SDG 1SDG 2

Sinh viên UIT nghiên cứu phát hiện các cơ chế khai thác giá trị trong hệ sinh thái blockchain với hơn 22.000 hợp đồng token được quét

28-10-2026
Bài báo: PRECISE: Precision-Driven Discovery of Token-centric MEVNhóm tác giả:- Nguyễn Đình Khang – ATTT2023.1 – Đồng tác giả- Nguyễn Thị Huỳnh Như – ATTT2023.2 – Đồng tác giả- Hồng Bích Như – ATTT2023.2 – Đồng tác giả- Đỗ Quang Trung – ATTT2023.2 – Đồng tác giảGiảng viên hướng dẫn:- ThS. Trần Tuấn Dũng- TS. Phạm Văn HậuTóm tắt:Trong hệ sinh thái tài chính phi tập trung (Decentralized Finance – DeFi), các giao dịch token được thực hiện thông qua hợp đồng thông minh và những cơ chế định giá tự động.Tuy nhiên, sự tương tác giữa cách token kiểm soát nguồn cung và cơ chế định giá của các sàn giao dịch có thể tạo ra những tình huống khai thác giá trị, đặc biệt khi hệ thống định giá không phản ánh một số thay đổi về số dư token.Hiện tượng này được nghiên cứu dưới khái niệm Token-centric Maximal Extractable Value (tMEV) – giá trị có thể khai thác tối đa gắn với các cơ chế của token.Việc phát hiện tMEV đặt ra nhiều thách thức: Không gian trạng thái của hợp đồng thông minh rất lớn, những chuỗi hành vi khai thác có thể trải qua nhiều giao dịch và các phương pháp phân tích hiện có vẫn có nguy cơ đưa ra cảnh báo sai.Xuất phát từ bài toán đó, nhóm nghiên cứu đề xuất PRECISE – một phương pháp kết hợp phân tích tĩnh, kiểm thử động và xác minh thay đổi trạng thái nhằm phát hiện các đường đi có khả năng dẫn đến tMEV.PRECISE được xây dựng với ba thành phần chính:- Lọc tĩnh ở cấp độ token (Token-Level Static Filtering): Phân tích mã nguồn hoặc bytecode để xác định những đường thực thi tiềm năng liên quan đến hành vi kiểm soát nguồn cung token.- Kiểm thử động dựa trên môi trường fork (Fork-Based Dynamic Fuzzing): Thực thi và kiểm tra những đường đi tiềm năng trong môi trường mô phỏng trạng thái blockchain.- Xác minh sự khác biệt trạng thái (State-Difference Verification): Đối chiếu những thay đổi trạng thái để đánh giá tính hợp lệ của hành vi được phát hiện.Về phương pháp, nghiên cứu sử dụng đồ thị phụ thuộc hệ thống liên thủ tục (Inter-procedural System Dependence Graphs – SDGs) để xác định các đường đi ứng viên từ mã nguồn hoặc bytecode.Các đường đi này tiếp tục được kiểm tra bằng kỹ thuật fuzzing có định hướng theo hàm tiện ích (Utility-Guided Fuzzing) trên môi trường Anvil mainnet fork với trạng thái được cố định để phục vụ tái hiện thực nghiệm.Quá trình xác minh xem xét những điều kiện liên quan đến quyền thực thi, sự kiện và khả năng sinh lợi, thông qua các tiêu chí Type-1 và Type-2.Đối với khả năng sinh lợi, nghiên cứu sử dụng mô hình trượt giá của cơ chế tạo lập thị trường tự động theo tích không đổi (Constant-Product Automated Market Maker – AMM).Cách tiếp cận này giúp PRECISE giới hạn phạm vi kiểm thử động vào những đường thực thi nhạy cảm với nguồn cung token, đồng thời vẫn xác minh kết quả dựa trên hành vi thực thi thực tế.Kết quả thực nghiệm ghi nhận:- PRECISE quét 22.279 hợp đồng token và 7.030 pool thanh khoản.- Trên tập đánh giá chuẩn gồm 499 hợp đồng, PRECISE đạt Precision 72,45%, Recall 84,58% và F1-score 78,04%.- Nghiên cứu đối sánh với các phương pháp Nyx, FORAY, DeFiTainter và SmartCAT.- Trên tập kiểm thử chuyên sâu Complex-Tokens gồm 150 hợp đồng, Recall đạt 91,2%.- Bộ công cụ thực nghiệm cố định các ngữ cảnh tái thực thi, hỗ trợ tái hiện quá trình quét.- Chi phí tính toán ước tính để tái hiện quá trình quét là 25,84 USD, theo đơn giá giờ sử dụng máy tính được báo cáo trong nghiên cứu.Những kết quả này cho thấy việc kết hợp phân tích tĩnh và kiểm thử động có thể hỗ trợ phát hiện các đường khai thác tMEV phức tạp, đồng thời giảm phạm vi tìm kiếm so với việc kiểm thử động trên toàn bộ không gian trạng thái.Thông qua PRECISE, công trình đóng góp một phương pháp phân tích và kiểm chứng các cơ chế khai thác giá trị liên quan đến token, cung cấp thêm cơ sở thực nghiệm cho nghiên cứu bảo mật hợp đồng thông minh và các hệ thống tài chính phi tập trung.Lời cảm ơn của nhóm:“Chúng em xin gửi lời tri ân sâu sắc và lòng biết ơn chân thành đến các thầy – những người đã luôn tận tâm đồng hành, hướng dẫn và hỗ trợ chúng em trong suốt quá trình thực hiện đề tài. Những kiến thức quý báu, kinh nghiệm thực tiễn cùng những định hướng tận tình của các thầy đã giúp chúng em vượt qua khó khăn, hoàn thiện ý tưởng và nâng cao chất lượng nghiên cứu. Chúng em trân trọng và biết ơn những đóng góp quý báu ấy, xem đó là hành trang ý nghĩa trên chặng đường học tập và nghiên cứu phía trước.”Thông tin Hội nghị:The 9th International Conference on Multimedia Analysis and Pattern Recognition (MAPR 2026) – Hội nghị Quốc tế lần thứ 9 về Phân tích Đa phương tiện và Nhận dạng Mẫu.MAPR 2026 diễn ra từ ngày 13–14/08/2026 tại thành phố Huế, với sự phối hợp tổ chức của Trường Đại học Công nghệ Thông tin, ĐHQG-HCM (UIT) cùng các đơn vị nghiên cứu và học thuật.Hội nghị có sự hỗ trợ của Hội Nhận dạng Mẫu Việt Nam (VAPR), là diễn đàn trao đổi các kết quả nghiên cứu về trí tuệ nhân tạo, nhận dạng mẫu, thị giác máy tính và xử lý đa phương tiện.Các bài báo được chấp nhận sẽ được xuất bản trên IEEE Xplore và lập chỉ mục trong cơ sở dữ liệu Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/19ACsNYtiZ/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Khi chữ và hình đều không mang ý châm biếm, nhưng ghép lại thì có! Sinh viên UIT nghiên cứu bài toán nhận diện châm biếm trên mạng xã hội bằng AI
SDG 1SDG 2

Khi chữ và hình đều không mang ý châm biếm, nhưng ghép lại thì có! Sinh viên UIT nghiên cứu bài toán nhận diện châm biếm trên mạng xã hội bằng AI

28-10-2026
Bài báo: ViMMSarc-Fine: Building a Modality-Level Fine-Grained Dataset for Vietnamese Multimodal Sarcasm DetectionNhóm tác giả:- Vũ Đình Nhật – KHDL2023 – Tác giả chính- Hồ Huỳnh Thư Nhi – KHDL2023 – Đồng tác giả- Lê Diễm Quỳnh Như – KHDL2023 – Đồng tác giả- Trần Ngọc Hân – KHDL2023 – Đồng tác giảGiảng viên hướng dẫn: ThS. Huỳnh Văn TínTóm tắt:Trên mạng xã hội, không phải lúc nào ý nghĩa của một bài đăng cũng nằm hoàn toàn trong câu chữ hoặc hình ảnh.Đôi khi, một dòng trạng thái đọc riêng không có gì bất thường, hình ảnh đi kèm cũng không mang ý châm biếm. Nhưng khi kết hợp cả hai, người xem lại nhận ra một thông điệp mỉa mai hoàn toàn khác.Đây chính là một trong những thách thức đối với trí tuệ nhân tạo trong bài toán phát hiện châm biếm đa phương thức (Multimodal Sarcasm Detection).Xuất phát từ vấn đề này, nhóm nghiên cứu của Trường Đại học Công nghệ Thông tin, ĐHQG-HCM (UIT) giới thiệu ViMMSarc-Fine – bộ dữ liệu tiếng Việt phục vụ nghiên cứu phát hiện châm biếm đa phương thức ở mức độ chi tiết.Bộ dữ liệu ViMMSarc-Fine gồm 7.355 bài đăng được chọn lọc từ hai nền tảng mạng xã hội Facebook và Threads.Điểm khác biệt của bộ dữ liệu nằm ở cách gán nhãn riêng biệt cho ba thành phần:- Văn bản (T – Text): Xác định nội dung chữ viết có mang ý châm biếm hay không.- Hình ảnh (I – Image): Đánh giá yếu tố châm biếm trong hình ảnh.- Toàn bộ bài đăng (M – Multimodal): Xác định ý nghĩa châm biếm khi kết hợp văn bản và hình ảnh.Ngoài ra, bộ dữ liệu còn bổ sung nội dung văn bản được trích xuất từ hình ảnh bằng công nghệ nhận dạng ký tự quang học (OCR).Để xây dựng ViMMSarc-Fine, nhóm nghiên cứu áp dụng quy trình gán nhãn hai vòng, từ mức độ thô đến chi tiết, có sự hỗ trợ của mô hình ngôn ngữ lớn (LLM).Theo đó, phần chú thích, hình ảnh và toàn bộ bài đăng được đánh giá riêng nhằm làm rõ vai trò của từng phương thức trong việc hình thành ý nghĩa châm biếm.Kết quả nghiên cứu ghi nhận những phát hiện đáng chú ý:- 49,71% bài đăng châm biếm có cấu hình nhãn (0, 0, 1). Điều này có nghĩa là văn bản và hình ảnh khi xét riêng đều không được gán nhãn châm biếm, nhưng khi kết hợp lại, toàn bộ bài đăng được xác định là có ý châm biếm.- Trên bốn kịch bản xử lý dữ liệu và emoji, mức chênh lệch F1 trung bình tốt nhất giữa mô hình chỉ sử dụng văn bản và mô hình đa phương thức dao động từ 0,12 đến 0,94 điểm. Chiều chênh lệch thay đổi tùy theo kịch bản, cho thấy việc kết hợp nhiều phương thức không phải lúc nào cũng mang lại kết quả tốt hơn.- Việc bổ sung OCR giúp mô hình PhoBERT cải thiện nhẹ kết quả, nhưng chưa đủ cơ sở để đưa ra kết luận chắc chắn về hiệu quả.- Đối với mô hình DT4MID, OCR gần như không làm thay đổi kết quả trung bình.- Khả năng chuyển giao mô hình giữa dữ liệu Facebook và Threads vẫn còn hạn chế, phản ánh những thách thức khi áp dụng mô hình trên các nền tảng mạng xã hội khác nhau.Một điểm đáng chú ý khác là cách nhóm nghiên cứu xử lý vấn đề dữ liệu: Gói dữ liệu dẫn xuất đã được ẩn danh được cung cấp theo hình thức truy cập có kiểm soát, trong khi nội dung gốc từ các nền tảng mạng xã hội không được phân phối lại.Thông qua ViMMSarc-Fine, nghiên cứu cung cấp một bộ dữ liệu phục vụ đánh giá các mô hình AI trong bài toán nhận diện châm biếm tiếng Việt, đồng thời làm rõ vai trò của sự tương tác giữa văn bản và hình ảnh.Công trình cũng chỉ ra những giới hạn hiện tại của các phương pháp xử lý đa phương thức, đặc biệt về hiệu quả bổ sung OCR và khả năng khái quát hóa giữa các nền tảng mạng xã hội.Thông tin Hội nghị: The 18th International Conference on Knowledge and Systems Engineering (KSE 2026) – Hội nghị Quốc tế lần thứ 18 về Kỹ thuật Tri thức và Hệ thống. KSE 2026 dự kiến diễn ra từ ngày 11–14/11/2026 tại Kanazawa, Nhật Bản, do Viện Khoa học và Công nghệ Tiên tiến Nhật Bản (JAIST) và Trường Đại học Công nghệ, ĐHQG Hà Nội phối hợp tổ chức.Đây là diễn đàn học thuật quốc tế để các nhà nghiên cứu trao đổi kết quả trong các lĩnh vực trí tuệ nhân tạo, học máy, khoa học dữ liệu, xử lý ngôn ngữ tự nhiên, kỹ thuật phần mềm và an ninh mạng.Kỷ yếu KSE 2026 được công bố trên IEEE Xplore và lập chỉ mục trong cơ sở dữ liệu Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/14wRi5LDSTg/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Vì sao sinh viên quyết định sử dụng GenAI? Nghiên cứu của sinh viên UIT chỉ ra vai trò quan trọng của bạn bè và giảng viên
SDG 1SDG 2

Vì sao sinh viên quyết định sử dụng GenAI? Nghiên cứu của sinh viên UIT chỉ ra vai trò quan trọng của bạn bè và giảng viên

28-10-2026
Bài báo: Integrating TAM-TPB model and Technostress to explore Vietnamese students’ intention to adopt GenAINhóm tác giả:- Phạm Nguyễn Minh Hiền – 24520478 – KHDL2024 – Tác giả chính- Nguyễn Thảo Nga – 23520993 – KHDL2023 – Đồng tác giả- Phạm Đức Thắng – 23521430 – KTMT2023.2 – Đồng tác giả- Nguyễn Thị Yến Nhi – 23521113 – KTPM2023.2 – Đồng tác giả- Chung Kiết Lâm – 22520735 – CNNB2022.1 – Đồng tác giảGiảng viên hướng dẫn:- TS. Lê Thị Mỹ Danh- TS. Đỗ Thị Thanh TuyềnTóm tắt:Trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI) đang ngày càng hiện diện trong môi trường giáo dục đại học, hỗ trợ sinh viên học tập, tìm kiếm thông tin và thực hiện nhiều nhiệm vụ học thuật.Tuy nhiên, bên cạnh những lợi ích, việc tiếp cận GenAI cũng đặt ra các áp lực tâm lý và yêu cầu thích nghi với công nghệ mới.Vậy điều gì thực sự thúc đẩy sinh viên quyết định sử dụng GenAI? Sự hữu ích của công nghệ, khả năng làm chủ AI hay ảnh hưởng từ bạn bè và giảng viên? Và liệu áp lực công nghệ có khiến sinh viên e ngại sử dụng AI?Xuất phát từ những câu hỏi này, nhóm nghiên cứu thực hiện công trình phân tích các yếu tố ảnh hưởng đến ý định chấp nhận và sử dụng GenAI của sinh viên Việt Nam.Nghiên cứu tích hợp ba nền tảng lý thuyết:- Mô hình Chấp nhận Công nghệ (Technology Acceptance Model – TAM): Giải thích các yếu tố ảnh hưởng đến việc chấp nhận công nghệ.- Lý thuyết Hành vi có kế hoạch (Theory of Planned Behavior – TPB): Xem xét vai trò của thái độ, chuẩn mực xã hội và khả năng kiểm soát hành vi đối với ý định sử dụng công nghệ.- Lý thuyết Áp lực Công nghệ (Technostress): Phân tích những áp lực tâm lý phát sinh khi tiếp cận và sử dụng công nghệ.Nhóm nghiên cứu thu thập dữ liệu từ 352 sinh viên và sử dụng phương pháp mô hình phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM), thực hiện phân tích trên phần mềm SmartPLS 4.Nghiên cứu đặc biệt quan tâm đến vai trò của nhận thức về AI (AI Awareness), ảnh hưởng xã hội và hai dạng áp lực công nghệ: áp lực mang tính thách thức (Challenge Technostress) và áp lực mang tính cản trở (Hindrance Technostress).Kết quả thực nghiệm ghi nhận ba phát hiện đáng chú ý:- Ảnh hưởng từ bạn bè và giảng viên đóng vai trò nổi bật.Chuẩn mực xã hội (Subjective Norm) là yếu tố có tác động mạnh nhất đến ý định sử dụng GenAI của sinh viên. Sự khuyến khích từ bạn bè và giảng viên có vai trò quan trọng trong việc thúc đẩy sinh viên tiếp cận công nghệ.- Hiểu biết về AI giúp sinh viên tự tin hơn.Nhận thức về AI (AI Awareness) góp phần gia tăng đáng kể cảm nhận về khả năng kiểm soát và sự tự tin của sinh viên khi ứng dụng GenAI.- Áp lực công nghệ không phải lúc nào cũng mang tác động tiêu cực.Áp lực mang tính thách thức (Challenge Technostress) có tác động tích cực, thúc đẩy sinh viên chủ động học hỏi và thích nghi với công nghệ.Trong khi đó, áp lực mang tính cản trở (Hindrance Technostress) không cho thấy ảnh hưởng đến thái độ của sinh viên trong mô hình nghiên cứu.Những phát hiện này cho thấy ý định sử dụng GenAI của sinh viên không chỉ liên quan đến bản thân công nghệ mà còn chịu ảnh hưởng từ môi trường xã hội, mức độ hiểu biết về AI và cách sinh viên nhìn nhận những thách thức khi sử dụng công nghệ.Thông qua việc kết hợp TAM, TPB và Technostress, nghiên cứu cung cấp cơ sở khoa học để các trường đại học xem xét xây dựng chính sách hỗ trợ sinh viên, tổ chức đào tạo kỹ năng AI thực hành và phát triển môi trường học tập hợp tác.Thông tin Hội nghị:The International Conference on Software and Language Technologies (ICSLT 2026) – Hội nghị Quốc tế về Công nghệ Phần mềm và Công nghệ Ngôn ngữ.ICSLT là diễn đàn học thuật quốc tế quy tụ các nhà nghiên cứu, chuyên gia và học giả từ nhiều quốc gia để trao đổi các công trình trong lĩnh vực công nghệ phần mềm, công nghệ ngôn ngữ và những hướng nghiên cứu liên quan.Theo thông tin được giới thiệu về hội nghị, ICSLT thuộc danh mục CORE Rank C và các bài báo đáp ứng điều kiện xuất bản được đưa vào cơ sở dữ liệu học thuật Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/1Le3had8DM/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Vì sao GenZ thêm hàng vào giỏ khi xem livestream nhưng cuối cùng lại không mua? Sinh viên UIT tìm lời giải từ góc độ tâm lý người tiêu dùng
SDG 1SDG 2

Vì sao GenZ thêm hàng vào giỏ khi xem livestream nhưng cuối cùng lại không mua? Sinh viên UIT tìm lời giải từ góc độ tâm lý người tiêu dùng

28-10-2026
Bài báo: An analysis of cognitive overload as a driver for livestreaming cart abandonment among Generation Z consumers in VietnamNhóm tác giả:- Nguyễn Đức Tấn – TMĐT2022.2 – Tác giả chính- Phan Trung Kiên – CNTT2023.1 – Đồng tác giả- Đậu Thị Diệu Anh – TMĐT2023.1 – Đồng tác giả- Trần Việt Anh – CNTT2022.1 – Đồng tác giả- Hồ Tuấn Kiệt – CNTT2022.1 – Đồng tác giảGiảng viên hướng dẫn: TS. Lê Thị Mỹ DanhTóm tắt:Mua sắm qua livestream đang trở thành một hình thức thương mại xã hội phổ biến, đặc biệt đối với người tiêu dùng thuộc thế hệ Gen Z.Tuy nhiên, dù tích cực theo dõi và tương tác trong các phiên livestream, không ít người tiêu dùng vẫn quyết định bỏ giỏ hàng trước khi hoàn tất thanh toán.Vậy điều gì khiến người xem quan tâm đến sản phẩm, thêm hàng vào giỏ nhưng cuối cùng lại không mua?Xuất phát từ vấn đề này, nhóm nghiên cứu thực hiện công trình phân tích vai trò của tình trạng quá tải nhận thức (Cognitive Overload) đối với hành vi bỏ giỏ hàng khi mua sắm qua livestream của Gen Z tại Việt Nam.Nghiên cứu vận dụng mô hình Kích thích – Chủ thể – Phản ứng (Stimulus – Organism – Response, S–O–R) kết hợp với Lý thuyết Quá tải lựa chọn (Choice Overload Theory).Nhóm tập trung xem xét tác động của ba yếu tố trong phiên livestream:- Sự đa dạng sản phẩm (Product Variety).- Mức độ tương tác trong livestream (Livestream Interactivity).- Các tín hiệu khan hiếm (Scarcity Cues).Đồng thời, nghiên cứu phân tích vai trò trung gian của hai yếu tố tâm lý:- Quá tải thông tin (Information Overload): Tình trạng người tiêu dùng phải tiếp nhận và xử lý lượng thông tin lớn.- Mệt mỏi khi ra quyết định (Decision Fatigue): Trạng thái mệt mỏi trong quá trình cân nhắc và lựa chọn mua hàng.Nhóm nghiên cứu thu thập dữ liệu từ 204 người tiêu dùng Gen Z tại Việt Nam đã có kinh nghiệm mua sắm qua livestream.Dữ liệu được phân tích bằng phương pháp mô hình phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM) nhằm kiểm định mối quan hệ giữa các yếu tố trong mô hình nghiên cứu.Kết quả thực nghiệm cho thấy:- Cả ba yếu tố gồm sự đa dạng sản phẩm, mức độ tương tác và tín hiệu khan hiếm đều làm gia tăng đáng kể tình trạng quá tải thông tin.- Quá tải thông tin tiếp tục dẫn đến mệt mỏi khi ra quyết định, từ đó góp phần làm tăng hành vi bỏ giỏ hàng.- Quá tải thông tin và mệt mỏi khi ra quyết định đóng vai trò trung gian nối tiếp có ý nghĩa thống kê trong mối quan hệ giữa các yếu tố kích thích của livestream và hành vi bỏ giỏ hàng.Điều này cho thấy những yếu tố thường xuất hiện trong các phiên livestream bán hàng, như nhiều sản phẩm để lựa chọn, tương tác liên tục hay thông báo về sự khan hiếm, có thể đồng thời tạo thêm áp lực xử lý thông tin cho người tiêu dùng.Khi lượng thông tin cần tiếp nhận tăng lên, người mua có thể cảm thấy mệt mỏi trong quá trình ra quyết định và cuối cùng không hoàn tất giao dịch.Thông qua kết quả nghiên cứu, nhóm tác giả mở rộng cách tiếp cận S–O–R bằng việc làm rõ cơ chế nhận thức dẫn đến hành vi bỏ giỏ hàng trong thương mại livestream.Công trình đồng thời cung cấp những hàm ý thực tiễn liên quan đến việc giảm áp lực nhận thức của người tiêu dùng trong các phiên mua sắm trực tuyến.Lời cảm ơn của nhóm:“Nhóm nghiên cứu xin bày tỏ lòng biết ơn sâu sắc đến TS. Lê Thị Mỹ Danh vì sự hướng dẫn tận tâm, những góp ý chuyên môn quý báu và sự hỗ trợ xuyên suốt trong quá trình thực hiện nghiên cứu.Đồng thời, nhóm cũng chân thành cảm ơn Nhà trường đã tạo điều kiện thuận lợi về môi trường học tập, nghiên cứu và các nguồn lực cần thiết để nhóm hoàn thành đề tài này.”Thông tin Hội nghị:The 12th International Conference on e-Society, e-Learning and e-Technologies (ICSLT 2026) – Hội nghị Quốc tế lần thứ 12 về Xã hội điện tử, Học tập điện tử và Công nghệ điện tử.ICSLT 2026 diễn ra từ ngày 16–18/06/2026 tại Milan, Ý, quy tụ các nhà nghiên cứu, giảng viên, học giả và chuyên gia trong lĩnh vực giáo dục số, học tập điện tử, công nghệ web và chuyển đổi số.Hội nghị tập trung vào các chủ đề như giáo dục và học tập điện tử, công nghệ di động và dịch vụ web, kinh doanh điện tử, chính phủ điện tử, cùng các nghiên cứu ứng dụng trí tuệ nhân tạo, khoa học dữ liệu và công nghệ số.Theo thông tin hội nghị, các bài báo được chấp nhận sẽ được xuất bản trong chuỗi sách Lecture Notes in Networks and Systems (LNNS) của Springer và được lập chỉ mục trong các cơ sở dữ liệu học thuật như Scopus, Ei Compendex, INSPEC, zbMATH và SCImago.Thông tin chi tiết tại: https://www.facebook.com/share/p/1KpSi3oYNH/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Mua trước, trả sau: Tiện lợi hơn nhưng liệu GenZ có thực sự kiểm soát tài chính tốt hơn?
SDG 1SDG 2

Mua trước, trả sau: Tiện lợi hơn nhưng liệu GenZ có thực sự kiểm soát tài chính tốt hơn?

28-10-2026
Bài báo: Paradoxical Effects of Buy-Now-Pay-Later Service Design on Gen Z’s Financial Outcomes: Evidence from SPayLater in VietnamNhóm tác giả:- Nguyễn Lê Bảo Anh – TMĐT2023.1 – Tác giả chính- Lưu Lê Ngọc Huyền – TMĐT2023.1 – Đồng tác giả- Nguyễn Đức Toàn – KTMT2023.2 – Đồng tác giả- Nguyễn Xuân Dũng – MTVM2023 – Đồng tác giả- Võ Nguyệt Nhi – KTPM2025.2 – Đồng tác giảGiảng viên hướng dẫn:- TS. Lê Thị Mỹ Danh- TS. Đỗ Thị Thanh TuyềnTóm tắt:Cùng với sự phát triển của thương mại điện tử, phương thức thanh toán Mua trước, Trả sau (Buy Now, Pay Later – BNPL) ngày càng được người tiêu dùng trẻ lựa chọn.Tuy nhiên, đằng sau sự thuận tiện của hình thức thanh toán này là một câu hỏi đáng quan tâm: Liệu việc sử dụng BNPL có thực sự cải thiện tình hình tài chính của Gen Z, hay có thể tạo ra những tác động trái chiều?Xuất phát từ vấn đề đó, nhóm nghiên cứu thực hiện công trình tìm hiểu những tác động nghịch lý của thiết kế dịch vụ BNPL đối với tình hình tài chính của Gen Z tại Việt Nam, tập trung vào dịch vụ SPayLater.Nghiên cứu thu thập 141 phản hồi khảo sát hợp lệ và sử dụng phương pháp mô hình phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM), dựa trên mô hình Kích thích – Chủ thể – Phản ứng (Stimulus – Organism – Response, S–O–R) mở rộng.Nghiên cứu tập trung phân tích mối quan hệ giữa:- Thiết kế dịch vụ Mua trước, Trả sau (BNPL).- Nhận thức về hiểu biết tài chính (Perceived Financial Literacy).- Ảo tưởng kiểm soát (Illusion of Control).- Sức khỏe tài chính (Financial Well-being).- Mức độ dễ bị tổn thương về tài chính (Financial Vulnerability).Điểm đáng chú ý của nghiên cứu là hiện tượng nghịch lý trong trải nghiệm tài chính của người sử dụng BNPL.Thiết kế dịch vụ có mức độ phức tạp nhận thức thấp giúp người dùng cảm thấy việc thanh toán và quản lý tài chính trở nên đơn giản hơn. Đồng thời, họ có thể cảm nhận rằng bản thân đang kiểm soát tài chính tốt hơn và ít đối mặt với rủi ro tài chính hơn.Tuy nhiên, cảm nhận về khả năng kiểm soát không nhất thiết đồng nghĩa với những kết quả tài chính thực tế tích cực.Kết quả nghiên cứu cho thấy:- Thiết kế BNPL có thể tạo ra những tác động trái chiều đối với sức khỏe tài chính và mức độ dễ bị tổn thương về tài chính của người dùng Gen Z.- Hiện tượng ảo tưởng kiểm soát (Illusion of Control) đóng vai trò trung gian trong những tác động này.- Nhận thức về hiểu biết tài chính và cách thiết kế dịch vụ BNPL có liên quan đến việc hình thành cảm nhận kiểm soát tài chính của người sử dụng.- Việc giảm gánh nặng nhận thức và gia tăng cảm giác tự kiểm soát có thể đi kèm với những kết quả tài chính bất lợi về sau.Nghiên cứu làm rõ nghịch lý của BNPL: Một dịch vụ được thiết kế đơn giản, thuận tiện có thể khiến người dùng cảm thấy tình hình tài chính của mình tốt hơn, trong khi những tác động tài chính thực tế có thể diễn biến theo chiều hướng khác.Thông qua trường hợp SPayLater tại Việt Nam, công trình cung cấp góc nhìn thực nghiệm về mối quan hệ giữa thiết kế dịch vụ tín dụng số, nhận thức tài chính và kết quả tài chính của người tiêu dùng Gen Z.Lời cảm ơn của nhóm:“Nhóm nghiên cứu xin bày tỏ lòng biết ơn sâu sắc đến TS. Đỗ Thị Thanh Tuyền và TS. Lê Thị Mỹ Danh vì sự hướng dẫn tận tâm, những góp ý chuyên môn quý báu và sự hỗ trợ xuyên suốt trong quá trình thực hiện nghiên cứu.Đồng thời, nhóm cũng xin chân thành cảm ơn Nhà trường đã tạo điều kiện thuận lợi về môi trường học tập, nghiên cứu và cung cấp các nguồn lực cần thiết để nhóm hoàn thành xuất sắc đề tài này.”Thông tin Hội nghị:The 12th International Conference on e-Society, e-Learning and e-Technologies (ICSLT 2026) – Hội nghị Quốc tế lần thứ 12 về Xã hội điện tử, Học tập điện tử và Công nghệ điện tử.ICSLT 2026 diễn ra từ ngày 16–18/06/2026 tại Milano, Ý.Theo thông tin hội nghị, các bài báo được chấp nhận sẽ được xuất bản bởi Springer trong chuỗi sách Lecture Notes in Networks and Systems (LNNS).Kỷ yếu hội nghị được giới thiệu trong các cơ sở dữ liệu quốc tế như Scopus, EI Compendex, SCImago, INSPEC, zbMATH và WTI Frankfurt eG, đồng thời được xem xét đưa vào Web of Science.Bài báo: https://tinyurl.com/BNPL-ParadoxThông tin chi tiết tại: https://www.facebook.com/share/p/1EimKjJ8XK/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Sinh viên UIT nghiên cứu khả năng phát hiện lỗ hổng phần mềm của AI trên nhiều ngôn ngữ lập trình
SDG 1SDG 2

Sinh viên UIT nghiên cứu khả năng phát hiện lỗ hổng phần mềm của AI trên nhiều ngôn ngữ lập trình

28-10-2026
 Bài báo: An Empirical Study on the Transferability of Transformer-Based Models for Software Vulnerability DetectionNhóm tác giả:- Đinh Hữu Nhiên – Cộng tác viên Phòng thí nghiệm An toàn thông tin (InSecLab) – Tác giả chính- Châu Thế Vĩ – KHTN2022 – Đồng tác giảGiảng viên hướng dẫn:- ThS. Tô Trọng Nghĩa- TS. Phan Thế DuyTóm tắt:Các mô hình trí tuệ nhân tạo dựa trên kiến trúc Transformer ngày càng được ứng dụng trong phát hiện lỗ hổng phần mềm. Tuy nhiên, một câu hỏi quan trọng vẫn được đặt ra: Liệu những kiến thức về lỗ hổng bảo mật mà AI học được từ một ngôn ngữ lập trình có thể áp dụng hiệu quả sang ngôn ngữ lập trình khác?Để tìm lời giải, nhóm nghiên cứu thực hiện công trình đánh giá khả năng chuyển giao kiến thức giữa các ngôn ngữ lập trình của những mô hình Transformer trong bài toán phát hiện lỗ hổng phần mềm.Nghiên cứu xây dựng khung đánh giá gồm ba giai đoạn với năm kịch bản thực nghiệm, tập trung phân tích:- Độ nhạy của mô hình đối với dữ liệu đầu vào (Input Sensitivity).- Hiệu quả phát hiện lỗ hổng của mô hình cơ sở (Baseline Performance).- Khả năng chuyển giao kiến thức giữa các ngôn ngữ lập trình (Cross-lingual Transferability).- Tính minh bạch trong quá trình ra quyết định (Decision Transparency).Nhóm nghiên cứu tiến hành so sánh bốn mô hình tiêu biểu: CodeBERT, GraphCodeBERT, UniXcoder, CodeT5+.Các thực nghiệm được thực hiện trên bộ dữ liệu Polyglot Injection Dataset đã được tinh lọc, bao gồm mã nguồn C/C++ và Java.Một điểm đáng chú ý là nghiên cứu không chỉ đánh giá hiệu quả phát hiện lỗ hổng mà còn phân tích cách các mô hình học, xử lý và chuyển giao kiến thức bảo mật giữa những ngôn ngữ lập trình khác nhau.Kết quả thực nghiệm ghi nhận:- Khi mở rộng độ dài ngữ cảnh đầu vào từ 128 lên 512 token, hiệu quả của mô hình chỉ cải thiện không đáng kể. Kết quả này cho thấy các mô hình phụ thuộc nhiều vào những đặc trưng cục bộ trong mã nguồn.- Khả năng chuyển giao kiến thức giữa các ngôn ngữ lập trình thể hiện tính bất đối xứng rõ rệt, với xu hướng thuận lợi hơn khi sử dụng C/C++ làm ngôn ngữ nguồn.- Trong số các mô hình được đánh giá, CodeT5+ với kiến trúc Encoder–Decoder thể hiện khả năng khái quát hóa đa ngôn ngữ vượt trội.- Các mô hình cho thấy độ bền vững cấu trúc cao trước những phép biến đổi ngữ nghĩa. Kết hợp với phân tích định lượng về sự đồng thuận trong các phương pháp AI có khả năng giải thích (Explainable AI – XAI), kết quả cho thấy các mô hình có khả năng nắm bắt logic cốt lõi của lỗ hổng phần mềm.Từ những phát hiện này, nhóm nghiên cứu nhận định rằng rào cản chính đối với khả năng chuyển giao kiến thức giữa các ngôn ngữ lập trình nằm ở sự bất tương thích về mặt từ vựng (Vocabulary Mismatch), thay vì hạn chế trong khả năng lập luận của mô hình.Nghiên cứu góp phần làm rõ khả năng khái quát hóa và chuyển giao kiến thức bảo mật của các mô hình Transformer, đồng thời cung cấp cơ sở thực nghiệm cho việc đánh giá các mô hình AI trong phát hiện lỗ hổng phần mềm đa ngôn ngữ.Lời cảm ơn của nhóm: “Lời đầu tiên, nhóm nghiên cứu xin gửi lời cảm ơn chân thành và sâu sắc nhất tới ThS. Tô Trọng Nghĩa và TS. Phan Thế Duy – những người thầy đã tận tâm hướng dẫn, dìu dắt và dành nhiều tâm huyết trong suốt quá trình chúng em thực hiện đề tài nghiên cứu này.Sự chỉ bảo tận tình của quý thầy chính là kim chỉ nam giúp chúng em vượt qua những thách thức về mặt học thuật và hoàn thiện bài báo một cách tốt nhất.Đồng thời, chúng em cũng xin gửi lời cảm ơn đến Phòng thí nghiệm An toàn thông tin và Trường Đại học Công nghệ Thông tin, ĐHQG-HCM đã tạo điều kiện thuận lợi, cung cấp môi trường nghiên cứu chuyên nghiệp để chúng em có cơ hội học hỏi và phát triển.Cuối cùng, xin cảm ơn gia đình, bạn bè đã luôn ủng hộ và là nguồn động lực tinh thần to lớn để chúng em kiên trì theo đuổi niềm đam mê nghiên cứu khoa học.”Thông tin Hội nghị:The 9th International Conference on Multimedia Analysis and Pattern Recognition (MAPR 2026) – Hội nghị Quốc tế về Phân tích Đa phương tiện và Nhận dạng Mẫu. MAPR 2026 diễn ra tại thành phố Huế, do Trường Đại học Công nghệ Thông tin, ĐHQG-HCM (UIT) phối hợp tổ chức.Hội nghị là diễn đàn trao đổi học thuật, kết nối các nhà nghiên cứu, chuyên gia và học giả trong và ngoài nước thuộc các lĩnh vực trí tuệ nhân tạo, nhận dạng mẫu và xử lý đa phương tiện. Hội nghị có sự tham gia của diễn giả chính, Giáo sư NGO Chong Wah, đến từ Trường Máy tính và Hệ thống Thông tin, Đại học Quản lý Singapore (SMU).Các bài báo được chấp nhận tại MAPR 2026 sẽ được xuất bản trong kỷ yếu hội nghị và đưa vào cơ sở dữ liệu IEEE Xplore.Thông tin chi tiết tại: https://www.facebook.com/share/p/1M72veXxi6/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Sinh viên UIT nghiên cứu hệ thống AI phát hiện tấn công DDoS theo thời gian thực, đạt độ chính xác 99,64%
SDG 1SDG 2

Sinh viên UIT nghiên cứu hệ thống AI phát hiện tấn công DDoS theo thời gian thực, đạt độ chính xác 99,64%

28-10-2026
Bài báo: MLOps-Driven Real-Time DDoS Detection With Incremental Learning in Cloud EnvironmentsNhóm tác giả:- Bùi Quốc Minh – MMTT2022.2 – Tác giả chính- Tô Công Quân – MMTT2022.3 – Đồng tác giảGiảng viên hướng dẫn:- PGS.TS. Lê Trung Quân- ThS. Nguyễn Khánh Thuật- ThS. Văn Thiên LuânTóm tắt:Tấn công từ chối dịch vụ phân tán (Distributed Denial of Service – DDoS) là một trong những vấn đề được quan tâm trong lĩnh vực an toàn thông tin. Việc phát hiện các cuộc tấn công này theo thời gian thực đặt ra yêu cầu đối với hệ thống nhận diện, đặc biệt khi đặc điểm dữ liệu mạng có thể thay đổi theo thời gian.Để giải quyết bài toán trên, nhóm nghiên cứu đề xuất hệ thống phát hiện DDoS theo thời gian thực, tích hợp học tăng dần (Incremental Learning) vào quy trình vận hành học máy MLOps đầu cuối, được triển khai trên môi trường điện toán đám mây.Hệ thống sử dụng mô hình Adaptive Random Forest, được huấn luyện trên bộ dữ liệu CIC-DDoS2019, kết hợp thuật toán ADWIN để phát hiện hiện tượng thay đổi phân phối dữ liệu (Concept Drift).Khi phát hiện sự thay đổi trong luồng dữ liệu, hệ thống có thể tự động kích hoạt quá trình cập nhật mô hình bằng phương pháp học tăng dần.Quy trình MLOps được xây dựng bao gồm: Tiền xử lý dữ liệu, Tối ưu hóa siêu tham số,  Triển khai mô hình thông qua API, Giám sát liên tục hoạt động của mô hình, Tự động huấn luyện lại khi cần thiết.Điểm đáng chú ý của nghiên cứu là khả năng kết hợp phát hiện Concept Drift với Incremental Learning, giúp mô hình được cập nhật khi đặc điểm dữ liệu thay đổi thay vì chỉ phụ thuộc vào mô hình được huấn luyện ban đầu.Kết quả thực nghiệm ghi nhận:- Mô hình cơ sở đạt độ chính xác (Accuracy) 99,64% và F1-score 0,997.- Khi xuất hiện Concept Drift, phương pháp học tăng dần giúp cải thiện F1-score trên dữ liệu chưa từng xuất hiện từ 0,6517 lên 0,9469.- Khả năng duy trì kiến thức đã học (Retention) đạt 98,8%.- Mức độ quên kiến thức (Forgetting) được ghi nhận ở mức 1,2%.- Độ trễ suy luận của mô hình dưới 3 mili giây, đáp ứng hiệu năng gần thời gian thực.- Hệ thống duy trì hoạt động ổn định trên môi trường điện toán đám mây.Những kết quả này cho thấy việc tích hợp Incremental Learning và cơ chế phát hiện Concept Drift trong quy trình MLOps giúp cải thiện khả năng nhận diện DDoS khi dữ liệu thay đổi, đồng thời duy trì hiệu năng suy luận với độ trễ thấp.Nghiên cứu cung cấp kết quả thực nghiệm về một hệ thống phát hiện DDoS kết hợp học máy, cập nhật mô hình tự động và vận hành trên nền tảng đám mây.Thông tin Hội nghị:The 8th International Conference on Green Technology and Sustainable Development (GTSD 2026) – Hội nghị Quốc tế lần thứ 8 về Công nghệ xanh và Phát triển bền vững. GTSD 2026 diễn ra từ ngày 30–31/07/2026 tại TP. Hồ Chí Minh, theo hình thức kết hợp trực tiếp và trực tuyến (Hybrid).Hội nghị là diễn đàn học thuật quốc tế quy tụ các nhà nghiên cứu, giảng viên và chuyên gia doanh nghiệp nhằm trao đổi những tiến bộ trong công nghệ xanh, phát triển bền vững và Cách mạng Công nghiệp 4.0. Các chủ đề nghiên cứu tại hội nghị bao gồm trí tuệ nhân tạo, học máy, dữ liệu lớn, Internet vạn vật (IoT), an toàn thông tin, năng lượng tái tạo, hệ thống thông minh và các công nghệ mới nổi.Những bài báo được chấp nhận và đáp ứng yêu cầu chất lượng sẽ được xem xét xuất bản trên IEEE Xplore, kỷ yếu Springer hoặc kỷ yếu của Nhà xuất bản Đại học Quốc gia TP.HCM, tùy theo lĩnh vực nghiên cứu.Thông tin chi tiết tại: https://www.facebook.com/share/p/19qKWN47BD/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Sinh viên UIT xây dựng bộ dữ liệu tiếng Việt để phân tích cảm xúc và phát hiện ngôn từ thù ghét trong đánh giá doanh nghiệp
SDG 1SDG 2

Sinh viên UIT xây dựng bộ dữ liệu tiếng Việt để phân tích cảm xúc và phát hiện ngôn từ thù ghét trong đánh giá doanh nghiệp

28-10-2026
Bài báo: ViCorpReviews: A Benchmark Dataset for Multi-Dimensional Sentiment and Hate Speech Detection in Vietnamese Workplace ContextNhóm tác giả:- Hồ Vương Khánh Long – CNCL2018.1 – Tác giả chính- Đặng Nhật Huy – CNCL2018.1 – Đồng tác giả- Đỗ Gia Bảo – CNCL2018.1 – Đồng tác giảGiảng viên hướng dẫn: ThS. Tô Quốc HuyTóm tắt:Các nền tảng đánh giá doanh nghiệp trực tuyến ngày càng đóng vai trò quan trọng trong việc phản ánh văn hóa công ty, tính minh bạch của môi trường làm việc và mức độ hài lòng của nhân viên.Tuy nhiên, việc phân tích số lượng lớn phản hồi của người lao động vẫn gặp nhiều thách thức do đặc điểm ngôn ngữ phức tạp, cách diễn đạt mang tính đặc thù ngành nghề và sự thiếu hụt các bộ dữ liệu đa chiều có chất lượng cao, đặc biệt đối với tiếng Việt.Xuất phát từ vấn đề này, nhóm nghiên cứu đề xuất ViCorpReviews – một bộ dữ liệu chuẩn đánh giá (Benchmark Dataset) được xây dựng dành riêng cho việc phân tích các đánh giá về môi trường làm việc tại Việt Nam.ViCorpReviews tập trung vào hai bài toán xử lý ngôn ngữ tự nhiên:- Phân tích cảm xúc dựa trên khía cạnh (Aspect-Based Sentiment Analysis – ABSA): Phân tích cảm xúc được thể hiện đối với từng khía cạnh trong nội dung đánh giá.- Phát hiện ngôn từ thù ghét (Hate Speech Detection – HSD): Nhận diện những nội dung mang tính thù ghét trong các phản hồi về môi trường làm việc.Điểm đáng chú ý của nghiên cứu là quy trình gán nhãn kết hợp con người và máy (Human-in-the-loop).Trong đó, nhóm nghiên cứu khai thác khả năng của các mô hình ngôn ngữ lớn (Large Language Models – LLMs) để tạo nhãn ban đầu. Các nhãn này sau đó tiếp tục được tinh chỉnh, kiểm tra và xác minh thông qua quy trình kiểm duyệt thủ công nhằm nâng cao chất lượng dữ liệu.Để xây dựng cơ sở đánh giá cho bộ dữ liệu, nhóm nghiên cứu tiến hành thực nghiệm với bốn mô hình ngôn ngữ: PhoBERT, XLM-RoBERTa, mT5, ViT5.Kết quả thực nghiệm cho thấy dữ liệu đánh giá môi trường làm việc chứa đựng những đặc điểm phức tạp về cảm xúc và mức độ độc hại trong ngôn ngữ.Đồng thời, việc kết hợp hai nhiệm vụ ABSA và HSD mang lại những góc nhìn bổ trợ, giúp phân tích trải nghiệm của người lao động trên nhiều phương diện thay vì chỉ xem xét cảm xúc chung của một đánh giá.Thông qua ViCorpReviews, nhóm nghiên cứu xây dựng một bộ dữ liệu chuẩn phục vụ đánh giá các mô hình xử lý ngôn ngữ tự nhiên, tạo cơ sở cho những nghiên cứu tiếp theo về nhận dạng mẫu và hiểu ngôn ngữ tiếng Việt trong bối cảnh doanh nghiệp.Lời cảm ơn của nhóm:“Chúng em xin bày tỏ lòng biết ơn sâu sắc đến thầy ThS. Tô Quốc Huy – người đã tận tình hướng dẫn, đồng hành và hỗ trợ chúng em trong suốt hành trình nghiên cứu và công bố bài báo khoa học quốc tế này.”Thông tin Hội nghị:The 9th International Conference on Multimedia Analysis and Pattern Recognition (MAPR 2026) – Hội nghị Quốc tế lần thứ 9 về Phân tích Đa phương tiện và Nhận dạng Mẫu.MAPR 2026 diễn ra từ ngày 13–14/08/2026 tại Silk Path Grand, Thành phố Huế. Hội nghị do Trường Đại học Công nghệ Thông tin, ĐHQG-HCM (UIT) phối hợp tổ chức cùng Hội Nhận dạng Mẫu Việt Nam (VAPR), Trường Đại học Bách khoa Hà Nội (HUST) và Viện Công nghệ Thông tin (VAST), dưới sự bảo trợ kỹ thuật của IEEE.Được khởi xướng từ năm 2018 và tổ chức thường niên, MAPR là diễn đàn học thuật để các nhà nghiên cứu, chuyên gia trong nước và quốc tế trao đổi những kết quả nghiên cứu về trí tuệ nhân tạo, nhận dạng mẫu, phân tích đa phương tiện và các công nghệ mới nổi. Theo thông tin hội nghị, các công trình được chấp nhận tại MAPR 2026 sẽ được xuất bản trong kỷ yếu số IEEE Xplore và lập chỉ mục trong cơ sở dữ liệu Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/1CsYA4mXEe/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Sinh viên UIT nghiên cứu ứng dụng LLM trong mô phỏng hành vi mã độc, cải thiện độ chính xác lựa chọn kỹ thuật tấn công
SDG 1SDG 2

Sinh viên UIT nghiên cứu ứng dụng LLM trong mô phỏng hành vi mã độc, cải thiện độ chính xác lựa chọn kỹ thuật tấn công

26-10-2026
Bài báo: Improving TTP Alignment in LLM-Based Malware Artifact Generation via Hybrid VerificationNhóm tác giả:- Nguyễn Ngọc Sáng – ATTT2023 – Tác giả chính- Nguyễn Minh Quân – ATTT2023 – Đồng tác giảGiảng viên hướng dẫn: TS. Phan Thế Duy Tóm tắt:Sự phát triển nhanh chóng của các mô hình ngôn ngữ lớn (Large Language Models – LLMs) đang mở ra những khả năng mới trong việc tự động hóa các tác vụ an toàn thông tin, bao gồm phân tích mối đe dọa, sinh mã và mô phỏng hành vi tấn công.Tuy nhiên, đối với các hệ thống sử dụng LLM để tạo ra các thành phần phục vụ nghiên cứu mã độc, một thách thức quan trọng là bảo đảm những kỹ thuật được lựa chọn trong giai đoạn lập kế hoạch thực sự phù hợp với hành vi an ninh mạng cần mô phỏng.Để giải quyết vấn đề này, nhóm nghiên cứu mở rộng MalGEN – một kiến trúc đa tác tử phục vụ mô hình hóa và tạo các thành phần mã độc trong môi trường nghiên cứu có kiểm soát – bằng cách bổ sung thành phần xác minh lai có điều kiện theo TTP (TTP-conditioned Hybrid Verifier).Thành phần Hybrid Verifier được đặt giữa giai đoạn lập kế hoạch (Planner) và phát triển (Developer), nhằm kiểm tra và tinh chỉnh các kỹ thuật MITRE ATT&CK do Planner lựa chọn trước khi hệ thống chuyển sang bước sinh mã.Kiến trúc hoàn chỉnh gồm năm thành phần:Planner → Hybrid Verifier → Developer → Integrator → BuilderCơ chế xác minh kết hợp nhiều yếu tố:- Mức độ tin cậy của Planner.- Sự phù hợp của kỹ thuật với từng giai đoạn tấn công.- Độ tương đồng ngữ nghĩa được tính toán bằng SciBERT.- Bằng chứng hỗ trợ từ bộ dữ liệu.- Các điều chỉnh dựa trên quy tắc.Nhóm nghiên cứu đánh giá hệ thống trên 15 kịch bản hành vi an ninh mạng, sử dụng bốn cấu hình dựa trên GPT-4o và DeepSeek-V4-Pro, có và không có thành phần Hybrid Verifier.Tổng cộng 60 kết quả đầu ra được sử dụng để đánh giá tác động của cơ chế xác minh đối với việc lựa chọn các chiến thuật, kỹ thuật và quy trình tấn công (Tactics, Techniques and Procedures – TTP) trước giai đoạn sinh mã.Kết quả thực nghiệm cho thấy Hybrid Verifier cải thiện mức độ phù hợp giữa các TTP được lựa chọn và hành vi dự kiến mô phỏng.Cụ thể:- Với GPT-4o, Macro-F1 tăng từ 51,92% lên 57,53%.- Với DeepSeek-V4-Pro, Macro-F1 tăng từ 56,92% lên 63,00%.- Sự cải thiện chủ yếu đến từ việc tăng Recall.- Số trường hợp các TTP được lựa chọn khớp với những dấu hiệu MITRE ATT&CK do VirusTotal báo cáo cũng tăng ở cả hai mô hình.Kết quả cho thấy cơ chế Hybrid Verification giúp nâng cao độ chính xác trong việc lựa chọn TTP trước khi sinh mã, qua đó hỗ trợ tốt hơn cho các nghiên cứu mô phỏng hành vi tấn công và đánh giá hệ thống phòng thủ. Lời cảm ơn của nhóm: “Chúng em xin gửi lời cảm ơn chân thành đến TS. Phan Thế Duy và cùng với các thầy cô của Phòng thí nghiệm An toàn thông tin (InSecLab) thuộc Khoa Mạng máy tính và Truyền thông đã tận tình hướng dẫn, góp ý và đồng hành cùng chúng em trong suốt quá trình thực hiện nghiên cứu.Những định hướng chuyên môn, các ý kiến phản biện và sự hỗ trợ của các thầy và các cô đã giúp chúng em hoàn thiện đề tài cũng như bài báo tốt hơn. Đây là một trải nghiệm rất quý báu và là động lực để chúng em tiếp tục phát triển trên con đường nghiên cứu khoa học.” Thông tin hội nghị: The 32nd IEEE International Conference on Parallel and Distributed Systems (ICPADS 2026) – Hội nghị Quốc tế IEEE lần thứ 32 về Hệ thống Song song và Phân tán.ICPADS 2026 dự kiến diễn ra từ ngày 22–26/11/2026 tại International Conference Center, Waseda University, Tokyo, Nhật Bản, với chủ đề “Ubiquitous Computing for Global Communities”.Được giới thiệu là một hội nghị trọng điểm (Flagship Conference) của IEEE Computer Society, ICPADS 2026 tập trung vào các hướng nghiên cứu như hạ tầng và hệ thống AI, trí tuệ biên (Edge Intelligence), AIoT, bảo mật và quyền riêng tư Web3, hệ thống đa tác tử và mạng, cùng điện toán thông minh.Hội nghị được xếp hạng B theo hệ thống ICORE/CORE 2026 trong lĩnh vực Distributed Computing and Systems Software.Các bài báo tại ICPADS 2026 được phản biện theo hình thức Single-blind Peer Review và sử dụng định dạng IEEE Computer Society Proceedings. Theo thông tin hội nghị, các bài báo được chấp nhận sẽ được gửi để xem xét đưa vào IEEE Xplore và EI; những công trình chất lượng cao có cơ hội được đề cử vào các số đặc biệt của tạp chí liên kết.Hội nghị nhận được sự hỗ trợ của IEEE, IEEE Computer Society, IEEE Computer Society Technical Committee on Parallel Processing (TCPP) và Technical Community on Distributed Processing (TCDP).Thông tin chi tiết tại: https://www.facebook.com/share/p/1BscSSyVw9/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Sinh viên UIT khám phá sức mạnh học máy lượng tử trong phát hiện mã độc và chống tấn công đối kháng
SDG 1SDG 2

Sinh viên UIT khám phá sức mạnh học máy lượng tử trong phát hiện mã độc và chống tấn công đối kháng

26-10-2026
Chúc mừng Tào Minh Đức và Phan Nguyễn Hoài An – sinh viên ngành An toàn thông tin, Trường Đại học Công nghệ Thông tin, ĐHQG-HCM – có bài báo khoa học được chấp nhận tại hội nghị quốc tế NSS-SocialSec 2026, tổ chức tại Hàng Châu, Trung Quốc. Bài báo: “Benchmarking Classical and Quantum Classifiers for Windows PE Malware Detection under Functionality-Preserving Evasion Attacks”Sinh viên thực hiện:- Tào Minh Đức – ATTT2023 (Khoa Mạng máy tính và truyền thông)- Phan Nguyễn Hoài An – MMTT2023 (Khoa Mạng máy tính và truyền thông)Giảng viên hướng dẫn: ThS. Nghi Hoàng Khoa, TS. Nguyễn Thanh Hòa, TS. Huỳnh Văn Đặng, TS. Phan Thế Duy, PGS.TS. Phạm Văn Hậu Tóm tắt bài báo:Quantum Machine Learning (QML) gần đây đã được nghiên cứu trong lĩnh vực phát hiện mã độc, tuy nhiên khả năng chống chịu của các mô hình lượng tử trước các cuộc tấn công đối kháng vẫn chưa được đánh giá đầy đủ, đặc biệt đối với các kỹ thuật né tránh có khả năng bảo toàn chức năng của tệp thực thi. Bài báo thực hiện nghiên cứu đánh giá và so sánh các bộ phân loại cổ điển và lượng tử trong bài toán phát hiện mã độc Windows PE dưới các cuộc tấn công né tránh đối kháng. Để đảm bảo tính công bằng và nhất quán trong quá trình so sánh, cả sáu mô hình đều sử dụng cùng một biểu diễn đặc trưng 24 chiều, được xây dựng từ embedding của MalConv kết hợp với kỹ thuật giảm chiều Principal Component Analysis (PCA). Nghiên cứu đánh giá cả hiệu suất phân loại trên dữ liệu sạch và khả năng chống chịu đối kháng thông qua framework RAMEN trong hai kịch bản white-box và black-box transfer attack, với ba chiến lược chỉnh sửa tệp bảo toàn chức năng gồm Full DOS, Extend và Shift. Kết quả thực nghiệm cho thấy các bộ phân loại cổ điển đạt độ chính xác lên tới 0,98 và F1-score 0,99, trong khi các mô hình lượng tử đạt độ chính xác tối đa 0,97 và F1-score 0,98. Trong điều kiện đối kháng, hiệu quả phòng thủ có sự khác biệt tùy theo kiến trúc mô hình và chiến lược tấn công. Đáng chú ý, Quantum SVM duy trì detection rate xấp xỉ 0,97 trên cả ba cuộc tấn công white-box và lần lượt đạt 0,90, 0,95 và 0,84 đối với Full DOS, Extend và Shift trong kịch bản black-box transfer. Các kết quả cho thấy mặc dù các mô hình cổ điển vẫn có ưu thế về hiệu suất trên dữ liệu sạch, một số cấu hình lượng tử thể hiện khả năng duy trì tỷ lệ phát hiện cao trước các cuộc tấn công né tránh bảo toàn chức năng được khảo sát. Nghiên cứu cung cấp một cơ sở thực nghiệm ban đầu cho các nghiên cứu tiếp theo về khả năng ứng dụng và độ bền vững đối kháng của QML trong phát hiện mã độc. Thông tin về hội nghị:NSS-SocialSec 2026 là sự kiện khoa học quốc tế kết hợp giữa Hội nghị Quốc tế lần thứ 20 về An ninh Mạng và Hệ thống (NSS 2026) và Hội thảo Quốc tế lần thứ 12 về An ninh và Quyền riêng tư trong Mạng xã hội và Dữ liệu lớn (SocialSec 2026). Được khởi xướng lần lượt từ năm 2007 và 2015, hai chuỗi hội nghị hướng đến việc tạo diễn đàn trao đổi học thuật giữa các nhà nghiên cứu, chuyên gia phát triển và đại diện từ giới học thuật, công nghiệp và cơ quan chính phủ trong các lĩnh vực an ninh mạng, an ninh hệ thống, quyền riêng tư, mạng xã hội và dữ liệu lớn. Nội dung NSS tập trung vào các vấn đề lý thuyết và thực tiễn như xác thực, kiểm soát truy cập, tính sẵn sàng, toàn vẹn, bảo mật, quyền riêng tư và độ tin cậy của các hệ thống và mạng máy tính, trong khi SocialSec tập trung vào các thách thức bảo mật và quyền riêng tư phát sinh từ quy mô, độ phức tạp và tính không đồng nhất của mạng xã hội và các ứng dụng dữ liệu lớn. NSS-SocialSec 2026 sẽ được tổ chức tại Hàng Châu, Trung Quốc, từ ngày 30/10 đến 01/11/2026, tiếp nối chuỗi hội nghị đã được tổ chức tại nhiều quốc gia và khu vực trên thế giới.Thông tin chi tiết tại: https://www.facebook.com/share/p/1ErHQoRdc3/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin 
Học viên cao học UIT nghiên cứu giải pháp tìm kiếm mã nhị phân phục vụ phát hiện lỗ hổng và truy vết mã độc
SDG 1SDG 2

Học viên cao học UIT nghiên cứu giải pháp tìm kiếm mã nhị phân phục vụ phát hiện lỗ hổng và truy vết mã độc

26-10-2026
Chúc mừng Nguyễn Phúc Hải - học viên cao học ngành An toàn thông tin - có bài báo khoa học được chấp nhận đăng tại Hội nghị Quốc tế về Công nghệ Thông tin và Truyền thông - The 15th International Symposium on Information and Communication Technology (SOICT 2026) tại TP. Hồ Chí Minh, Việt Nam.  Bài báo: "ViRA: A Retrieval-Oriented Semantic Embedding for Binary Code Similarity Detection” Học viên thực hiện: Nguyễn Phúc Hải – ATTT K19.2 (Khoa Mạng máy tính và truyền thông) Giảng viên hướng dẫn: TS. Phan Thế Duy, PGS.TS Phạm Văn Hậu Tóm tắt bài báo:Phát hiện tương đồng mã nhị phân (Binary Code Similarity Detection – BCSD) được ứng dụng rộng rãi trong tìm kiếm lỗ hổng, truy vết mã độc và phát hiện mã tái sử dụng, nơi một hàm truy vấn cần được so khớp với hàng trăm nghìn hàm ứng viên. Tuy nhiên, các phương pháp học sâu hiện nay chủ yếu được thiết kế cho bài toán phân loại theo cặp nên không thể xây dựng chỉ mục tìm kiếm, trong khi các bộ mã hóa mã nguồn huấn luyện sẵn lại chưa được huấn luyện cho mục tiêu xếp hạng. Bài báo đề xuất ViRA, một embedding ngữ nghĩa hướng truy hồi cho BCSD. ViRA tinh chỉnh mô hình ngôn ngữ mã nguồn CodeT5+ bằng LoRA (chỉ huấn luyện 0,27% tham số) với hàm mục tiêu tương phản InfoNCE, sử dụng một hàm khác trong cùng dự án làm mẫu âm khó (hard negative). Mỗi hàm chỉ cần mã hóa một lần và được tìm kiếm qua chỉ mục FAISS. Với bài toán xác minh một-một, ViRA kết hợp embedding này với đặc trưng VEX-IR và byte thô bằng bộ phân loại hợp nhất có cơ chế cổng (gated fusion). Kết quả trên 173.694 hàm từ bộ dữ liệu BinaryCorp cho thấy ViRA vượt trội 9 phương pháp hiện có (jTrans, CEBin, kTrans, FASER...), cải thiện Recall@10 thêm 117% so với phương pháp tốt nhất trong số đó. Theo giao thức đánh giá của jTrans, ViRA đạt Recall@1 là 0,752 trên 10.000 ứng viên, so với 0,571 của jTrans. Nghiên cứu cho thấy việc huấn luyện embedding trực tiếp cho mục tiêu xếp hạng hiệu quả hơn việc kết hợp thêm đặc trưng, và truy hồi với xác minh cần các biểu diễn khác nhau.  Thông tin về hội nghị:SOICT là hội nghị khoa học quốc tế thường niên về Công nghệ thông tin và Truyền thông, quy tụ các nghiên cứu về trí tuệ nhân tạo và dữ liệu lớn, mạng và truyền thông, xử lý đa phương tiện, kỹ thuật phần mềm và an toàn thông tin. SOICT 2026 là lần tổ chức thứ 15, diễn ra ngày 04–05/12/2026 tại TP. Hồ Chí Minh. Bài báo được chấp nhận tại track Communications, Networking, and Cybersecurity. Kỷ yếu hội nghị được xuất bản bởi Springer trong loạt CCIS và lập chỉ mục trên Scopus.Thông tin chi tiết tại: https://www.facebook.com/share/p/1CJMwyFZ9F/ Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin