Các cấp độ và kỹ thuật mô hình hóa dữ liệu

Bài viết này giới thiệu cho bạn về mô hình hóa dữ liệu và các loại mô hình dữ liệu khác nhau. Các mô hình dữ liệu giúp giữ cho dữ liệu nhất quán và cho phép mọi người vạch ra cách tổ chức dữ liệu. Hiểu biết cơ bản giúp các nhà phân tích và các bên liên quan khác dễ dàng hiểu được dữ liệu của họ và sử dụng dữ liệu đó theo đúng cách.

Bài viết này giới thiệu cho bạn về mô hình hóa dữ liệu và các loại mô hình dữ liệu khác nhau. Các mô hình dữ liệu giúp giữ cho dữ liệu nhất quán và cho phép mọi người vạch ra cách tổ chức dữ liệu. Hiểu biết cơ bản giúp các nhà phân tích và các bên liên quan khác dễ dàng hiểu được dữ liệu của họ và sử dụng dữ liệu đó theo đúng cách.

Lưu ý quan trọng: Nếu là một nhà phân tích dữ liệu mới vào nghề, bạn sẽ không được yêu cầu thiết kế mô hình dữ liệu. Nhưng bạn có thể bắt gặp các mô hình dữ liệu hiện có mà tổ chức của bạn đã có sẵn.

Mô hình hóa dữ liệu là gì?

Mô hình hóa dữ liệu là quá trình tạo sơ đồ thể hiện trực quan cách tổ chức và cấu trúc dữ liệu. Những biểu diễn trực quan này được gọi là mô hình dữ liệu. Bạn có thể coi mô hình dữ liệu như một bản thiết kế của một ngôi nhà. Tại bất kỳ thời điểm nào, có thể có thợ điện, thợ mộc và thợ sửa ống nước sử dụng bản thiết kế đó. Mỗi người trong số những người thợ xây dựng này có mối quan hệ khác nhau với bản thiết kế, nhưng tất cả họ đều cần nó để hiểu cấu trúc tổng thể của ngôi nhà. Các mô hình dữ liệu cũng tương tự; những người dùng khác nhau có thể có các nhu cầu dữ liệu khác nhau, nhưng mô hình dữ liệu mang lại cho họ sự hiểu biết về toàn bộ cấu trúc.

Các cấp độ mô hình hóa dữ liệu

Mỗi cấp độ mô hình hóa dữ liệu có một mức độ chi tiết khác nhau.

kim tự tháp với ba loại mô hình hóa dữ liệu phổ biến: khái niệm, logic và vật lý

Mô hình hóa dữ liệu khái niệm cung cấp chế độ xem ở mức cao về cấu trúc dữ liệu, chẳng hạn như cách dữ liệu tương tác trong một tổ chức. Ví dụ, một mô hình dữ liệu khái niệm có thể được sử dụng để xác định các yêu cầu kinh doanh cho một cơ sở dữ liệu mới. Một mô hình dữ liệu khái niệm không chứa các chi tiết kỹ thuật.

Mô hình hóa dữ liệu logic tập trung vào các chi tiết kỹ thuật của cơ sở dữ liệu như mối quan hệ, thuộc tính và thực thể. Ví dụ: một mô hình dữ liệu logic xác định cách các bản ghi riêng lẻ được xác định duy nhất trong cơ sở dữ liệu. Nhưng nó không đánh vần tên thực của các bảng cơ sở dữ liệu. Đó là công việc của một mô hình dữ liệu vật lý.

Mô hình hóa dữ liệu vật lý mô tả cách cơ sở dữ liệu hoạt động. Một mô hình dữ liệu vật lý xác định tất cả các thực thể và thuộc tính được sử dụng; ví dụ, nó bao gồm tên bảng, tên cột và kiểu dữ liệu cho cơ sở dữ liệu.

Thông tin thêm có thể được tìm thấy trong phần so sánh các mô hình dữ liệu này.

Kỹ thuật mô hình hóa dữ liệu

Có rất nhiều cách tiếp cận khi phát triển mô hình dữ liệu, nhưng hai phương pháp phổ biến là Sơ đồ mối quan hệ thực thể (Entity Relationship Diagram ERD) và sơ đồ Ngôn ngữ mô hình hóa thống nhất (Unified Modeling Language – UML). ERD là một cách trực quan để hiểu mối quan hệ giữa các thực thể trong mô hình dữ liệu. Sơ đồ UML là những sơ đồ rất chi tiết mô tả cấu trúc của một hệ thống bằng cách hiển thị các thực thể, thuộc tính, hoạt động của hệ thống và các mối quan hệ của chúng. Nếu là một nhà phân tích dữ liệu mới vào nghề, bạn cần hiểu rằng có nhiều kỹ thuật lập mô hình dữ liệu khác nhau, nhưng trên thực tế, có thể bạn sẽ sử dụng kỹ thuật hiện có của tổ chức mình.

Bạn có thể đọc thêm về ERD, UML và từ điển dữ liệu trong bài viết về kỹ thuật lập mô hình dữ liệu này.

Phân tích dữ liệu và mô hình hóa dữ liệu

Mô hình hóa dữ liệu có thể giúp bạn khám phá các chi tiết ở mức độ cao về dữ liệu của mình và cách dữ liệu đó có liên quan trên các hệ thống thông tin của tổ chức. Mô hình hóa dữ liệu đôi khi yêu cầu phân tích dữ liệu để hiểu cách dữ liệu được kết hợp với nhau; theo cách đó, bạn biết cách lập bản đồ dữ liệu. Và cuối cùng, các mô hình dữ liệu giúp mọi người trong tổ chức của bạn hiểu và cộng tác với bạn trên dữ liệu của bạn dễ dàng hơn. Điều này rất quan trọng đối với bạn và mọi người trong nhóm của bạn!

Chuyển đổi số đang làm trầm trọng thêm bất bình đẳng xã hội như thế nào

Một góc nhìn về bất bình đẳng kỹ thuật số, dẫn đến bất bình đẳng xã hội của GS Alexander van Deursen, ĐH Twente, Hà Lan. Qua những câu chuyện, ví dụ chúng ta có thể thấy chúng ta ở đâu đó, vào lúc nào đó cũng như vậy.

Bài gốc trên website của ĐH Twente, Hà Lan.

Chúng ta sống trong một thế giới mà hầu hết mọi người đều trực tuyến. Internet là nguồn thông tin gần như vô tận, là không gian để chúng ta giữ liên lạc với những người thân yêu và là nơi chúng ta làm việc và tiêu dùng. Nhưng nếu bạn không có quyền truy cập internet, vì thiếu động lực, thiếu kỹ năng hoặc không có máy tính thì sao? Bất bình đẳng kỹ thuật số làm tăng khoảng cách xã hội giữa mọi người và thậm chí có thể dẫn đến sự loại trừ ai đó. Alexander van Deursen, giáo sư khoa học truyền thông tại Đại học Twente, Hà Lan đang nghiên cứu nguyên nhân phát sinh bất bình đẳng kỹ thuật số và cách chúng ta có thể chống lại nó.

Tác giả: Roel van der Heijden

Kim sử dụng Internet như một tạp chí hào nhoáng vô tận, nơi cô có thể tìm thấy câu trả lời cho mọi câu hỏi của mình về sức khỏe và các mối quan hệ. Điều đó khiến cô cảm thấy tự tin hơn. Willem dành vài giờ mỗi ngày trên YouTube và Facebook, nơi anh cảm thấy được lắng nghe bởi những người cùng tư tưởng, chí hướng. Anh ấy có thể đối phó với sự thất vọng của mình, nếu nó phát sinh, theo cách đó. Amina có một chiếc máy tính bảng mà các con của cô ấy có thể sử dụng để tra cứu thông tin. Bằng cách đó, bọn trẻ theo kịp việc học tại trường trường và học nhanh hơn.

Tuy nhiên, với tất cả những gì đang đọc, Kim cũng luôn tìm kiếm chế độ ăn kiêng phù hợp mà cô ấy không thể tìm thấy. Willem bắt đầu tin vào các thuyết âm mưu và ngày càng vướng vào ảo tưởng của chính mình. Trong cuộc khủng hoảng vi-rút corona, một máy tính bảng được chứng minh là không đủ cho ba đứa con của Amina. Các con của cô hiện đã bị tụt lại phía sau ở trường học.

Công nghệ mới có thể có những tác động tích cực cũng như tiêu cực. Làm thế nào để bạn ngăn chặn các khía cạnh tiêu cực có thể chiếm thế thượng phong? Ngoài ra, làm thế nào để bạn tránh được những yếu tố tiêu cực chủ yếu ảnh hưởng đến một nhóm người cụ thể trong xã hội? Các ví dụ trên được lấy từ bài giảng mở đầu của GS Alexander van Deursen với tựa đề ‘Nghịch lý bao trùm kỹ thuật số’ vào ngày 13/4/2023. Giáo sư Alexander van Deursen giữ ghế chủ tịch ‘Bất bình đẳng kỹ thuật số’ trong Bộ môn khoa học truyền thông tại Khoa Khoa học Hành vi, Quản lý và Xã hội của Đại học Twente. Ông là người sáng lập và giám đốc của Trung tâm Hòa nhập Kỹ thuật số tại khoa này. 

Các ví dụ minh họa những hệ quả sâu rộng của quá trình chuyển đổi số. Nắm vững các kỹ năng kỹ thuật số hiện là một phần thiết yếu trong cuộc sống hàng ngày của chúng ta. Điều đó không chỉ bao gồm các kỹ năng cơ bản để vận hành máy tính. Điều quan trọng không kém là mọi người sử dụng công nghệ một cách có trách nhiệm và họ có thể cảm nhận được những cạm bẫy. Nghiên cứu của GS Van Deursen tập trung vào nguyên nhân và hậu quả của bất bình đẳng kỹ thuật số, thường xuất phát từ vị trí của một cá nhân trong xã hội và các nguồn tài nguyên mà họ có quyền truy cập. Trình độ học vấn, thu nhập, sức khỏe, trình độ biết chữ hoặc mạng lưới xã hội là những ví dụ về các yếu tố tác động.

CHATGPT

Phạm vi và chiều sâu của các khả năng kỹ thuật số đang gia tăng nhanh chóng. Để chứng minh điều này, GS Van Deursen đã nhờ ChatGPT, một mô hình ngôn ngữ tiên tiến sử dụng trí tuệ nhân tạo để tạo ra văn bản trôi chảy theo yêu cầu, viết bài giảng mở đầu cho ông. Kết quả là tuyệt vời, ông cho biết. Mặc dù những công nghệ mới như vậy mang lại nhiều cơ hội, nhưng ngày càng có một nhóm nhỏ người được định vị để gặt hái những lợi ích. “Những thành viên thiệt thòi trong xã hội được hưởng lợi tương đối ít hơn từ những phát triển này, đồng thời, họ cũng là những người có nhiều khả năng bị ảnh hưởng bởi những trải nghiệm tiêu cực.”

Alexander van Deursen

Những thành viên thiệt thòi trong xã hội được hưởng lợi tương đối ít hơn từ những phát triển này, đồng thời, họ cũng là những người có nhiều khả năng bị ảnh hưởng bởi những trải nghiệm tiêu cực.

– Alexander van Deursen.

Trong bài diễn văn mở đầu của mình, ông đưa ra một số ví dụ về những cạm bẫy kỹ thuật số, bao gồm sắp xếp theo thuật toán (vốn là cơ sở phát sinh vụ bê bối trợ cấp chăm sóc trẻ em ở Hà Lan), các hệ thống tín dụng đáng ngờ, phòng phản hồi trên mạng xã hội, vi phạm quyền riêng tư, nhưng cũng là chứng nghiện mạng xã hội, các vấn đề về khoảng chú ý và rối loạn nhân cách. “Những rủi ro là có thật, và những mối nguy hiểm đang gia tăng. Quy định pháp luật để khắc phục các khía cạnh tiêu cực của công nghệ thường đi sau thực tiễn.”

CÁC THIẾT BỊ THÔNG MINH, NHƯNG QUYẾT ĐỊNH KHÔNG SÁNG SUỐT

Chuyển đổi số tiếp tục len lỏi sâu hơn vào cuộc sống của chúng ta thông qua các thiết bị chúng ta sử dụng ở nhà, tại nơi làm việc và trên đường đi. Chúng ta có nhiều thiết bị thông minh như máy điều nhiệt, thiết bị đeo, tivi, lò nướng và thậm chí cả tất trẻ em. Hệ thống Internet of Things (internet vạn vật – IoTs) phức tạp đang phát triển nhanh chóng. Nó nhằm làm cho cuộc sống dễ dàng hơn, bền vững hơn hoặc an toàn hơn cho tất cả chúng ta và sẽ giúp chúng ta đưa ra quyết định đúng đắn, chẳng hạn như về sức khỏe hoặc tính bền vững. GS Van Deursen nói: “Tuy nhiên, nghiên cứu của chúng tôi chỉ ra rằng hệ thống này không cải thiện quá trình ra quyết định của nhiều người. “Mọi người cảm thấy khó đánh giá một quyết định được đưa ra bởi một hệ thống. Sử dụng các thiết bị thông minh thường không dẫn đến hành vi bền vững, mặc dù đó là ý định.”

CẦN NHIỀU HƠN LÀ CHỈ TẶNG LAPTOP

Chuyển đổi số thường được coi là một điều tốt cho tất cả mọi người. Tuy nhiên, những tác động tiêu cực cũng có thể lấn át những kết quả tích cực. GS Alexander van Deursen đưa ra thuật ngữ “nghịch lý bao trùm kỹ thuật số” (digital inclusion paradox).

Làm thế nào để chúng ta giải quyết điều này? GS Van Deursen nói rằng bất bình đẳng kỹ thuật số đang ngày càng được chú ý và nó chiếm vị trí cao trong chương trình nghị sự chính trị. “Nhiều sáng kiến ​​tập trung vào việc đưa mọi người lên mạng, từ việc tổ chức các khóa học đến phát máy tính xách tay. Ý tưởng là sau đó mọi thứ sẽ ổn khi mọi người có thể xử lý công nghệ. Nhưng việc sử dụng ngày càng trở nên quan trọng. Ví dụ: hiểu được rằng bạn không nên chia sẻ thông tin của mình với bất kỳ ai hoặc không phải tất cả tin tức trực tuyến đều là sự thật. Theo nghĩa đó, điều quan trọng không chỉ là phát huy những tác động tích cực mà còn phải tránh những hậu quả tiêu cực của công nghệ.”

TĂNG KHẢ NĂNG PHỤC HỒI

Làm cho mọi người trở nên ‘kiên cường kỹ thuật số’ nên bắt đầu từ trường học, tốt nhất là càng sớm càng tốt. Theo GS Van Deursen, người lớn cũng nên được đào tạo thông qua các khóa học hoặc lớp học cộng đồng hoặc thư viện chẳng hạn.

GS Van Deursen cho biết trách nhiệm đối với việc quy định liên quan sử dụng kỹ thuật số của chúng ta thuộc về chính phủ, nhưng cũng rõ ràng thuộc về các nhà sản xuất công nghệ. Ví dụ: lấy các điều khoản và điều kiện mà chúng tôi buộc phải hiểu để sử dụng một số thiết bị hoặc dịch vụ nhất định. “Nhiều người cảm thấy không thể đọc hết và hiểu ba mươi sáu trang ‘ngôn ngữ pháp lý’. Chúng ta thường chấp nhận điều này (coi nó không cần thiết). Tuy nhiên, do số lượng dữ liệu cá nhân được thu thập ngày càng tăng, chúng ta cần hiểu điều gì xảy ra với thông tin cá nhân và ai có thể truy cập thông tin cá nhân. Điều này rất quan trọng đối với quyền riêng tư, bảo mật và tự do của chúng ta. Theo nghĩa đó, việc hiểu các điều khoản và điều kiện sử dụng nên được quan tâm đúng mức.

8 GIAI ĐOẠN TRONG VÒNG ĐỜI DỮ LIỆU

Không có hai dự án dữ liệu nào giống hệt nhau. Tuy nhiên các dự án dữ liệu có xu hướng tuân theo cùng một chu trình.

Subscribe to continue reading

Subscribe to get access to the rest of this post and other subscriber-only content.

4 VÍ DỤ VỀ PHÂN TÍCH KINH DOANH TRONG THỰC TẾ

Bài viết này về một số ứng dụng gần đây của phân tích dữ liệu trong thế giới kinh doanh. Bài viết hé lộ cách thức các tập đoàn sử dụng các hiểu biết từ dữ liệu để tối ưu quá trình ra quyết định của họ.

Subscribe to continue reading

Subscribe to get access to the rest of this post and other subscriber-only content.

Các khóa học về phân tích dữ liệu

Dưới đây là một số khóa học về phân tích dữ liệu, khoa học dữ liệu. Danh sách này sẽ luôn được tác giả cập nhật. Bạn đọc có thông tin về khóa học khác có thể cung cấp cho tác giả để cập nhật cho đông đảo bạn đọc khác tham khảo.

Coursera:

Foundations: Data, Data, Everywhere, Google. Đây là khóa học nền tảng cho chuỗi các khóa học về phân tích dữ liệu (professional certificate) của Google trên Coursera.

Chuỗi khóa học về Data analytics của IBM.

Khóa học Giới thiệu về Khoa học dữ liệu của IBM.

Chuỗi khóa học chuyên gia khoa học dữ liệu (professional certificate) của IBM.

Data Science Fundamentals with Python and SQL Specialization (gồm 5 khóa học cung cấp bởi IBM).

Survey Data Collection and Analytics Specialization (gồm 7 khóa học cung cấp bởi ĐH Michigan & ĐH Maryland, College Park).

Others:

Introduction to Business Analytics, Harvard Business School.

Phân biệt Data Analytics với Data Analysis

Data Analytics và Data Analysis đều có thể dịch là “Phân tích dữ liệu”. Tuy nhiên về “kỹ thuật” thì Analytics khác với Analysis.

Data Analytics và Data Analysis đều có thể dịch là “Phân tích dữ liệu”. Tuy nhiên về “kỹ thuật” thì Analytics khác với Analysis.

Theo định nghĩa trong từ điển:

Analysis – detailed examination of the elements or structure of something: kiểm tra chi tiết các yếu tố hoặc cấu trúc của một cái gì đó

Analytics – the systematic computational analysis of data or statistics: phân tích tính toán có hệ thống về dữ liệu hoặc thống kê

Như vậy Analysis có thể thực hiện mà không cần dữ liệu hay con số, ví dụ phân tích kinh doanh (business analysis) hay phân tích tâm lý (psycho analysis); còn Analytics, ngay cả không có từ “data” đứng đằng trước cũng hầu như luôn luôn ngụ ý việc sử dụng dữ liệu để thực hiện các thao tác tính toán và suy luận số.

Một số chuyên gia thậm chí còn nói rằng Data Analysis dựa trên các suy luận dựa trên dữ liệu lịch sử, trong khi Data Analytics là để dự đoán hiệu suất trong tương lai.

Phương pháp Taguchi

Phương pháp kiểm soát chất lượng Taguchi là cách tiếp cận kĩ thuật nhấn mạnh vai trò của nghiên cứu và phát triển, thiết kế và phát triển sản phẩm trong việc giảm sự xuất hiện của sản phẩm lỗi và hỏng hóc trong hàng hóa được sản xuất.

Phương pháp Taguchi (Taguchi Method)

Phương pháp kiểm soát chất lượng Taguchi là cách tiếp cận kĩ thuật nhấn mạnh vai trò của nghiên cứu và phát triển, thiết kế và phát triển sản phẩm trong việc giảm sự xuất hiện của sản phẩm lỗi và hỏng hóc trong hàng hóa được sản xuất.

Phương pháp này được đề xuất bởi kĩ sư và nhà thống kê người Nhật Genichi Taguchi, cho rằng trong kiểm soát chất lượng, công việc thiết kế quan trọng hơn quá trình sản xuất, nhằm loại bỏ sai sóttrong sản xuất trước khi chúng có thể xảy ra.

Key takeaways
> Trong kỹ thuật, phương pháp kiểm soát chất lượng của Taguchi tập trung vào thiết kế và phát triển để tạo ra các sản phẩm hiệu quả, đáng tin cậy.
> Người sáng lập của nó, Genichi Taguchi, coi thiết kế quan trọng hơn quá trình sản xuất trong việc kiểm soát chất lượng và tìm cách loại bỏ những sai lệch trong sản xuất trước khi chúng có thể xảy ra.
> Các công ty như Toyota, Ford, Boeing và Xerox đã áp dụng phương pháp này.

Áp dụng trong quản lý dự án
Có thể dùng các chỉ số (index) về chất lượng đề xuất bởi phương pháp Taguchi để tích hợp vào các kỹ thuật kiểm soát dự án như Quản lý giá trị thu được (Earned Value Management – EVM).

Nguồn tham khảo:
[1] Investopedia
[2] Vietnambiz

Những tính năng mới của Google For Education mà giáo viên cần biết

Từ Google Classroom và Meet đến Workspace và Chrome OS, các bản cập nhật Google for Education (Google cho Giáo dục) này rất thú vị.

Google cho Giáo dục đã có một loạt các bản cập nhật mới được tung ra trước năm học 2021-22. Các thông báo được đưa ra cho giáo viên, quản trị viên và các nhà lãnh đạo giáo dục để giúp họ “xây dựng lại” và hoạch định tương lai.

Tại thời điểm này, các bản cập nhật đã được công bố cho Google Classroom, Google Workspace for Education (trước đây là G Suite for Education), Google Meet và Chromebooks.

Dưới đây là các bản cập nhật được chia nhỏ theo từng phần mềm để bạn có thể chọn bản cập nhật phù hợp nhất với mình.

Google Classroom: Google Lớp học

• Nhập danh sách: Tính năng này được thực hiện cho những quản trị viên cần thiết lập các lớp với số lượng lớn vì nó tự động hóa việc này, đồng bộ hóa với hệ thống thông tin học sinh SIS và sử dụng Clever.

• Tiện ích bổ sung cho Lớp học: Những tiện ích này đã được thêm vào như một cách để tích hợp nội dung hữu ích một cách dễ dàng trong Lớp học. Quản trị viên có thể cài đặt trước để giáo viên dễ dàng sử dụng.

• Bảng điều khiển hoạt động mới của học sinh: Lên lịch bài tập cho nhiều lớp học cùng một lúc và truy cập Meet and Classroom dễ dàng hơn để học sinh tham gia tốt hơn.

• Làm việc ngoại tuyến (offline): Học sinh sẽ có thể bắt đầu công việc, xem lại, viết bài tập và thêm tệp đính kèm, tất cả đều ngoại tuyến.

• Hoạt động của học sinh: Giáo viên sẽ có thể xem lần cuối học sinh hoạt động trực tuyến, nhận xét trong lớp hoặc các bài học sinh đã nộp.

Nội dung cập nhật của Google Meet

• Chức năng kiểm soát mới của quản trị viên: Buộc các sinh viên đã thoát ra khỏi phòng trở lại phòng học chính và kết thúc cuộc họp/ lớp học từ công cụ giám sát.

• Phòng chờ: Học sinh sẽ phải ngồi trong phòng chờ cho đến khi có giáo viên tham gia liên kết.

• Nhiều người điều hành: Meet sẽ hỗ trợ nhiều người điều hành hơn và sẽ tự động đưa các trợ giảng trở thành người đồng chủ trì trong phòng học.

• Quyền riêng tư: Những khách bên ngoài danh sách lớp học sẽ phải yêu cầu được tham gia để không ai có thể vào lớp học được mà không được mời.

• Phát trực tiếp: Các sự kiện có thể được phát trực tiếp công khai lên YouTube.

• Dịch: Phụ đề dịch trực tiếp là một tùy chọn.

Google Workspace for Education (Gói giải pháp của Google cho giáo dục)

• Cập nhật Smart Canvas: Cộng tác tốt hơn với Smart Chip để lấy thông tin từ các ứng dụng khác thuộc Workspace (Tài liệu, Trang tính và Trang trình bày), có nghĩa là danh sách kiểm tra tương tác để đánh dấu các mục có dấu đầu dòng đã được thực hiện xong, các mẫu bảng trong Tài liệu và phân tích cho Tài liệu và Trang tính để tự động tìm các từ ngữ không phù hợp hoặc đề xuất về chỉnh sửa phong cách ngôn ngữ.

• Bảo mật: Cập nhật cho Drive cũng như các cải tiến cho phiên bản Education Plus và phiên bản Standard.

Chromebook đã được cập nhật

• Cá nhân hóa: Đối với các trường học cung cấp Chromebook cá nhân cho học sinh, việc bổ sung thông tin đăng nhập bằng mã PIN có thể giúp thực hiện việc này dễ dàng hơn.

• Báo cáo của Chrome Insight: Quản trị viên dễ dàng biết khi nào sắp đến Ngày hết hạn cập nhật tự động.

• Phóng đại: Chức năng phóng đại toàn màn hình hiện có một phương pháp lia mới để thực hiện dễ dàng hơn.

• ChromeVox: Giờ đây đã đi kèm với các hướng dẫn mới để giúp sử dụng trình đọc màn hình Chrome.

Nguồn: https://www.techlearning.com/news/these-are-the-new-google-for-education-features-teachers-need-to-know-about

Google phát hành Scholar Metrics 2021

Ngày thứ Năm, 22/7/2021, Google phát hành phiên bản 2021 của Scholar Metrics. Đây là bản dịch bài trên blog của Google.

Scholar Metrics cung cấp cho các tác giả một cách dễ dàng nhanh chóng đánh giá khả năng xuất hiện và ảnh hưởng của các bài báo gần đây trong các ấn phẩm học thuật. Hôm nay, chúng tôi phát hành phiên bản 2021 của Scholar Metrics. Bản phát hành này bao gồm các bài báo được xuất bản trong năm 2016–2020 và bao gồm các trích dẫn từ tất cả các bài báo đã được lập chỉ mục trong Google Scholar kể từ tháng 7 năm 2020.

Scholar Metrics bao gồm các tạp chí được đưa vào từ các trang web tuân theo các nguyên tắc của chúng tôi và các hội nghị được chọn trong Kỹ thuật & Khoa học Máy tính. Các ấn phẩm có ít hơn 100 bài báo trong năm 2016 – 2020 hoặc các ấn phẩm không nhận được trích dẫn trong những năm này sẽ không được tính vào.

Bạn có thể duyệt các ấn phẩm trong các danh mục cụ thể như Ngôn ngữ học tính toán, Huyết học hoặc Tôn giáo cũng như các lĩnh vực rộng lớn như Kỹ thuật & Khoa học Máy tính hoặc Nhân văn, Văn học & Nghệ thuật. Bạn sẽ thấy 20 ấn phẩm hàng đầu được sắp xếp theo chỉ số h-index và h-median trong 5 năm của chúng. Bạn cũng có thể duyệt qua 100 ấn phẩm hàng đầu bằng một số ngôn ngữ – ví dụ: tiếng Bồ Đào Nha và tiếng Tây Ban Nha. Đối với mỗi ấn phẩm, bạn có thể xem các bài báo hàng đầu bằng cách nhấp vào mục h5-index.

Chỉ số Scholar bao gồm một số lượng lớn các ấn phẩm ngoài những ấn phẩm được liệt kê trên các trang cho mỗi danh mục và mỗi ngôn ngữ. Bạn có thể tìm thấy những điều này bằng cách nhập các từ từ tiêu đề vào hộp tìm kiếm, ví dụ: [tin học], [giáo dục đặc biệt], [salud].

Để biết thêm chi tiết, hãy xem trang trợ giúp về Các chỉ số Scholar.

Nguồn bài: https://scholar.googleblog.com/2021/07/2021-scholar-metrics-released.html