3. Các bước tiến hành nghiên cứu
Qua bài học trước, bạn đã nắm được các khái niệm Khoa học, KHMT, CNTT và phân biệt được sự khác nhau giữa Phương pháp và Phương pháp luận.
Trong phần này, chúng ta sẽ tìm hiểu xem: Quy trình NCKH sẽ gồm những bước nào?
Dưới đây là 5 bước chính trong Quy trình NCKH ngành KHMT và CNTT:
- Bước 1: Phát hiện, định nghĩa bài toán và khảo sát tài liệu
- Bước 2: Đề xuất giải pháp mới và mô hình hóa
- Bước 3: Hiện thực hóa và xây dựng nguyên mẫu
- Bước 4: Thực nghiệm, thu thập số liệu và Benchmark
- Bước 5: Phân tích kết quả và viết báo cáo khoa học
3.1. Phát hiện, định nghĩa bài toán và khảo sát tài liệu
Đây là bước khởi đầu có tính chất quyết định đến toàn bộ sự thành công của một công trình NCKH. Một bài toán nghiên cứu tốt cần xuất phát từ thực tiễn công nghệ hoặc từ các khoảng trống tri thức (research gap) trong cộng đồng học thuật.
Phát hiện và định nghĩa bài toán
Ở bước này, bạn cần làm 3 việc sau:
- Phát hiện bài toán: Nhận diện nhu cầu thực tế (ví dụ: tối ưu thời gian xử lý dữ liệu, nâng cao độ chính xác của mô hình nhận dạng, khắc phục lỗ hổng bảo mật hoặc hạn chế của các công nghệ hiện hành)
- Giới hạn phạm vi: Cụ thể hóa bài toán bằng các câu hỏi nghiên cứu cụ thể. Tránh đặt bài toán quá rộng hoặc quá mơ hồ
- Xác định mục tiêu: Làm rõ đầu ra mong đợi của nghiên cứu (ví dụ: phát triển một thuật toán mới, đề xuất một kiến trúc hệ thống cải tiến, hoặc tối ưu hóa tham số)
Chúng ta cùng xem xét một tình huống ví dụ:
Giả sử bạn là một người vận hành Hệ thống nhận diện biển số xe. Trong quá trình vận hành, bạn nhận thấy hệ thống quét biển số bị chậm vào ban đêm.
Bạn sẽ đặt ra câu hỏi: tại sao hệ thống quét biển số lại bị chậm vào ban đêm, và có giải pháp nào để khắc phục không?
Như vậy, từ thực tiễn vận hành, bạn đã đặt ra bài toán: “Cải thiện hệ thống nhận diện biển số vào ban đêm”
Tuy nhiên, từ “cải thiện” trong đề tài khá cảm tính, còn chung chung. Vì “cải thiện” là cải thiện cái gì: tăng tốc độ khung hình, hay giảm độ trễ nhận diện, hay nâng cao độ chính xác.
Vậy là, bạn (với vai trò là nhà nghiên cứu) phải xác định mục tiêu rõ ràng hơn và giới hạn phạm vi cho đề tài nghiên cứu.
Làm sao để giới hạn phạm vi và xác định mục tiêu rõ ràng hơn cho đề tài?
Bạn cần các việc sau:
- Tìm kiếm sự hỗ trợ, tư vấn từ những người nghiên cứu thuộc lĩnh vực bạn đang quan tâm. Bạn sẽ nhận được những gợi ý về từ khóa tìm kiếm, tư vấn về lĩnh vực hẹp cần tìm hiểu, mạng lưới các nhà khoa học đang nghiên cứu về lĩnh vực này. Ví dụ: Bạn sẽ được hướng dẫn là nên tìm kiếm theo các từ khóa: Low-light License Plate Recognition, Retinex-based enhancement for ANPR, hoặc Synthetic data generation for dark illumination, và tránh việc lạc lối trong hàng trăm ngàn bài báo công nghệ trên Internet.
- Thực hiện Khảo sát tài liệu
Khảo sát tài liệu
Khảo sát tài liệu (Literature Review) không đơn thuần là đọc và tóm tắt sách báo, mà là quá trình tổng hợp, phân tích và đánh giá có hệ thống các công trình đã xuất bản liên quan đến bài toán. Công việc của bước Khảo sát tài liệu gồm:
- Tìm kiếm nguồn tài liệu uy tín: Khai thác các cơ sở dữ liệu học thuật quốc tế chuyên ngành CNTT/KHMT như arXiv, IEEE Xplore, ACM Digital Library, Springer, ScienceDirect, Google Scholar...v.v thông qua các từ khóa
- Phân tích công trình liên quan (State-of-the-Art hay — SOTA):
+ Người đi trước đã giải quyết bài toán này bằng những phương pháp nào?
+ Ưu điểm và hạn chế của từng phương pháp hiện có là gì?
+ Dữ liệu (Dataset) và chỉ số đánh giá nào đã được cộng đồng sử dụng?
- Xác định khoảng trống nghiên cứu (Research Gap): Chỉ ra điểm mà các nghiên cứu trước chưa giải quyết được hoặc giải quyết chưa triệt để. Đây chính là động lực và giá trị đóng góp mới cho đề tài của bạn
Lưu ý: Bạn đừng bắt tay vào lập trình hay xây dựng hệ thống khi chưa làm rõ bài toán và chưa đọc kỹ các nghiên cứu liên quan. Việc bỏ qua hoặc làm hời hợt bước Xác định bài toán và khảo sát tài liệu rất dễ dẫn đến tình trạng "chế tạo lại cái bánh xe" — tức là tốn thời gian để giải quyết một vấn đề đã được cộng đồng xử lý xong từ lâu.
Quay trở lại tình huống ví dụ, sau khi tìm kiếm trên các cơ sở dữ liệu học thuật uy tín với các từ khóa chuyên sâu, bạn đọc và phân tích hai nhóm công trình tiêu biểu gần đây:
[Nhóm 1] Các giải pháp học sâu nâng cao (Deep Learning-based Enhancement):
- Phương pháp: Sử dụng các mô hình học sâu phức tạp (như mạng sinh GAN hoặc các kiến trúc Transformer chuyên dụng cho khôi phục ảnh thiếu sáng)
- Kết quả & Hạn chế: Mô hình xử lý rất tốt cả điều kiện tối lẫn vùng bị lóa đèn pha. Tuy nhiên, các mô hình này tiêu tốn lượng lớn tài nguyên tính toán (RAM, VRAM, năng lượng), dẫn đến tốc độ xử lý chỉ đạt từ 5 - 10 khung hình/giây (FPS), hoàn toàn không thể triển khai chạy thời gian thực trên các thiết bị biên có cấu hình hạn chế như camera giao thông thông thường
[Nhóm 2] - Các giải pháp tiền xử lý truyền thống (Traditional Image Processing):
- Phương pháp: Sử dụng các thuật toán kinh điển như CLAHE (Contrast Limited Adaptive Histogram Equalization) hoặc các biến thể Retinex
- Kết quả & Hạn chế: Các phương pháp này rất nhẹ, chạy mượt mà trên thiết bị biên. Tuy nhiên, chúng lại bị hạn chế trước hiện tượng lóa đèn (headlight glare) vào ban đêm, vì chúng khuếch đại toàn bộ độ sáng của vùng lóa, làm cháy hình ảnh và khiến các ký tự trên biển số biến mất hoàn toàn trước khi đưa vào mô hình nhận diện ký tự (OCR)
Dựa trên kết quả khảo sát trên, bạn đã xác định được Khoảng trống nghiên cứu là:
Hiện nay, cộng đồng học thuật chưa có một giải pháp tiền xử lý ảnh nào vừa đảm bảo tính gọn nhẹ (đủ khả năng chạy thời gian thực trên các thiết bị biên hạn chế tài nguyên), lại vừa giải quyết đồng thời được hai thách thức hóc búa của giao thông ban đêm: vừa thiếu sáng vừa bị lóa đèn pha, nhằm cung cấp đầu vào tối ưu cho hệ thống nhận diện biển số.
Chính khoảng trống này là yếu tố thuyết phục nhất để bạn khẳng định tính đóng góp mới và sự cần thiết của đề tài mà bạn đang nghiên cứu.
Như vậy, từ một tên đề tài nghiên cứu với phạm vi nghiên cứu rộng, chưa có kết quả đầu ra rõ ràng:
“Cải thiện hệ thống nhận diện biển số vào ban đêm”
Bạn có thể giới hạn lại phạm vi và xác định được kết quả đầu ra rõ ràng hơn:
"Nghiên cứu ứng dụng kỹ thuật tiền xử lý ảnh dựa trên mô hình nhẹ để cải thiện độ chính xác nhận diện biển số xe dưới điều kiện thiếu sáng và lóa đèn trên thiết bị biên".
3.2 Một vài khó khăn và ngộ nhận trong việc xác định bài toán
- Bài toán quá rộng hoặc quá mơ hồ, ví dụ Xây dựng hệ thống AI toàn diện cho thành phố thông minh
- Thiếu cơ sở thực tiễn hoặc không tìm được khoảng trống nghiên cứu, ví dụ đề xuất giải pháp nhưng không chỉ ra được hệ thống hiện tại đang gặp lỗi gì, lãng phí tài nguyên ở đâu hay thua kém các công nghệ khác ra sao
- Không xác định được những hạn chế về năng lực và thời gian, đặt mục tiêu quá lớn trong khi thời gian có hạn
- Cứ nghĩ ra dùng công nghệ mới nhất, mô hình “khủng” nhất áp vào bất kỳ việc gì cũng thành đề tài NCKH
- Nhầm lẫn giữa việc phát triển phần mềm với việc NCKH
Để tránh những khó khăn và ngộ nhận ở trên, cách hiệu quả nhất là tìm sự đồng hành từ người nghiên cứu có kinh nghiệm hoặc tham gia vào các nhóm nghiên cứu (research group) sẵn có. Ngoài ra, bạn cũng có thể chủ động tìm kiếm và định hình bài toán thông qua việc khảo sát tài liệu kỹ lưỡng kết hợp với sự hỗ trợ của các công cụ AI.
3.3 Học kiến thức nền tảng
Song song với việc Khảo sát tài liệu, bạn cần phải trang bị các kiến thức nền tảng của lĩnh vực bạn đang nghiên cứu.
Việc này mất rất nhiều thời gian và công sức.
Hãy kiên trì, tìm hiểu, ghi chép và thực hành các kiến thức nền tảng để bạn có đủ khả năng: đọc hiểu, thực hiện cài đặt, triển khai hệ thống trong quá trình nghiên cứu.
Bạn có thể đồng hành cùng Chatbot (Gemini, Grok, ChatGPT) để học kiến thức nền tảng.
