02

Tìm kiếm và đánh giá thông tin học thuật

Bài tập này rèn luyện kỹ năng tìm kiếm, chọn lọc và đánh giá thông tin học thuật từ các nguồn đáng tin cậy. Chủ đề được lựa chọn là ứng dụng của Large Language Models trong phân tích dữ liệu bảng, một hướng nghiên cứu liên quan trực tiếp đến ngành Khoa học Dữ liệu.

Chủ đề và phạm vi tìm kiếm

Chủ đề: Ứng dụng của Large Language Models trong phân tích dữ liệu bảng như GPT-4, Llama 3 và các mô hình nền tảng hỗ trợ xử lý dữ liệu dạng bảng.

Phạm vi: Các nghiên cứu học thuật, báo cáo công nghiệp và tài liệu chuyên khảo được công bố trong giai đoạn 2022–2026. Nội dung tập trung vào khả năng của LLMs trong việc hỗ trợ hoặc thay thế một phần các thuật toán học máy truyền thống như XGBoost, Random Forest trong các nhiệm vụ với dữ liệu bảng.

01. Cơ sở dữ liệu học thuật

Tìm kiếm trên Google Scholar và ArXiv với các từ khóa như LLM for Tabular Data, Tabular Foundation Models và Large Language Models for Data Science.

02. Tạp chí khoa học

Ưu tiên các bài báo từ IEEE, JMLR, NeurIPS và ICLR vì đây là các nguồn có quy trình phản biện học thuật nghiêm ngặt, phù hợp để đánh giá độ tin cậy.

03. Sách chuyên khảo

Sử dụng sách từ các nhà xuất bản uy tín như O'Reilly hoặc Springer để tham khảo kiến thức nền tảng về machine learning, dữ liệu bảng và quy trình xây dựng mô hình.

04. Nguồn mở Internet

Tham khảo thêm báo cáo, blog kỹ thuật và khảo sát từ Kaggle, Google DeepMind, McKinsey hoặc các cộng đồng Data Science, nhưng cần kiểm chứng lại bằng nguồn học thuật.

Bảng đánh giá độ tin cậy của nguồn

Các nguồn thông tin được đánh giá dựa trên các tiêu chí: tác giả, nơi công bố, phương pháp nghiên cứu, mức độ cập nhật, khả năng kiểm chứng và độ phù hợp với chủ đề.

STT Nguồn/Tài liệu Loại nguồn Đánh giá độ tin cậy Xếp hạng
01 Fang et al. (2024) - Large Language Models on Tabular Data: A Survey Bài báo khảo sát / arXiv Nguồn cập nhật, tập trung trực tiếp vào LLMs với dữ liệu bảng, bao gồm các nhiệm vụ dự đoán, sinh dữ liệu bảng, hỏi đáp và hiểu bảng. Rất cao
02 Ruan et al. (2024) - Language Modeling on Tabular Data Bài báo khảo sát / arXiv Tổng hợp nền tảng, kỹ thuật và sự phát triển của language modeling trên dữ liệu bảng. Phù hợp để hiểu bức tranh nghiên cứu chung. Rất cao
03 Gardner, Perdomo and Schmidt (2024) - TabuLa-8B Bài báo nghiên cứu / arXiv Nghiên cứu mới về mô hình ngôn ngữ chuyên cho dự đoán trên dữ liệu bảng, có đánh giá trên nhiều bộ dữ liệu và so sánh với các phương pháp truyền thống. Cao
04 Hollmann et al. (2023) - TabPFN Bài báo hội nghị / mô hình nền tảng Có liên quan mạnh đến foundation model cho dữ liệu bảng. Nguồn có khả năng kiểm chứng qua mã nguồn và tài liệu kỹ thuật. Rất cao
05 Grinsztajn, Oyallon and Varoquaux (2022) - Tree-based Models Bài báo hội nghị Nguồn quan trọng để so sánh LLMs/deep learning với các mô hình cây truyền thống trên dữ liệu bảng. Rất cao
06 Géron (2022) - Hands-On Machine Learning Sách chuyên khảo Sách nền tảng về machine learning, phù hợp để đối chiếu kiến thức về pipeline, mô hình học máy và đánh giá mô hình. Rất cao
07 Kaggle - State of Data Science and Machine Learning Survey Báo cáo cộng đồng / nguồn mở Có tính thực tế cao vì phản ánh xu hướng sử dụng công cụ của cộng đồng Data Science, nhưng cần đối chiếu với nguồn học thuật. Khá cao
08 McKinsey Global Institute - Generative AI Report Báo cáo công nghiệp Hữu ích để hiểu tác động kinh tế và ứng dụng doanh nghiệp của GenAI, nhưng không thay thế được bài báo học thuật chuyên sâu. Khá cao
09 Google DeepMind Blog / Technical Blog Blog kỹ thuật Cập nhật nhanh từ nhóm phát triển AI, hữu ích để nắm xu hướng, nhưng cần kiểm chứng lại bằng bài báo hoặc tài liệu chính thức. Cao
10 Towards Data Science / Medium technical posts Bài viết Internet Dễ hiểu và có tính ứng dụng, nhưng mức độ phản biện học thuật thấp hơn, nên chỉ dùng làm nguồn phụ. Trung bình

Tổng quát

Qua quá trình tìm kiếm, có thể thấy các bài báo khảo sát và nghiên cứu học thuật là nguồn có độ tin cậy cao nhất vì trình bày rõ phương pháp, phạm vi nghiên cứu và giới hạn của mô hình. Sách chuyên khảo giúp củng cố kiến thức nền, trong khi báo cáo công nghiệp và blog kỹ thuật phù hợp để theo dõi xu hướng ứng dụng thực tế. Tuy nhiên, các nguồn Internet mở cần được kiểm chứng lại trước khi sử dụng trong báo cáo học thuật.

Credits

  • Nguồn học thuật: các bài báo khảo sát và nghiên cứu về LLMs, foundation models và dữ liệu bảng.
  • Nguồn sách: sách chuyên khảo về Machine Learning dùng để đối chiếu kiến thức nền.
  • Nguồn mở Internet: Kaggle, báo cáo công nghiệp, blog kỹ thuật và bài viết cộng đồng được sử dụng như nguồn phụ để bổ sung góc nhìn thực tế.
  • Hỗ trợ AI: AI được sử dụng để gợi ý bố cục trình bày và diễn đạt lại nội dung; sinh viên chịu trách nhiệm chọn lọc, kiểm chứng và chỉnh sửa nội dung cuối cùng.

File minh chứng

File minh chứng báo cáo đánh giá nguồn thông tin, bảng tổng hợp tài liệu tham khảo.

← Quay lại danh sách bài tập