EViQA: BỘ DỮ LIỆU HỎI ĐÁP TRỰC QUAN ĐA LĨNH VỰC CHO HỌC LIỆU SỐ TẠI VIỆT NAM
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15406Tóm tắt
Bài báo giới thiệu EViQA (Hỏi đáp trực quan về kiến thức giáo dục Việt Nam), bộ dữ liệu hỏi đáp trực quan (VQA) có cấu trúc dành cho giáo dục phổ thông tại Việt Nam. Khác với các bộ dữ liệu VQA tiếng Việt hiện có như ViVQA, OpenViVQA, ViCLEVR và ViInfographicVQA vốn tập trung vào miền tổng quát hoặc một thể loại ảnh đơn nhất, EViQA hướng đến nội dung sách giáo khoa đa môn học và cung cấp hệ thống siêu dữ liệu có cấu trúc để phân tích hiệu năng chuyên sâu. EViQA được xây dựng từ ba bộ sách giáo khoa được Bộ Giáo dục và Đào tạo phê duyệt (lớp 6–12), bao phủ tám môn học. Bộ dữ liệu gồm 15.694 hình ảnh với 56.960 cặp câu hỏi–trả lời, được làm phong phú bằng Supporting Facts (thông tin bổ trợ) và tăng cường theo phương pháp FixA. Kết quả thực nghiệm cho thấy Supporting Facts cải thiện đáng kể hiệu năng (EM từ 11,35% lên 30,01% trong thiết lập có giám sát). Trong nhóm mô hình đa phương thức lớn zero-shot, Qwen2.5-VL-3B đạt Soft-EM cao nhất (47,21%), tiếp theo là Vintern-1B (42,55%), cho thấy ưu thế của mô hình chuyên biệt tiếng Việt. EViQA cung cấp một benchmark đa chiều, thúc đẩy nghiên cứu AI đa phương thức cho ngôn ngữ ít tài nguyên trong giáo dục.Lượt tải
Tài liệu tham khảo
A. Agrawal et al., “VQA: Visual Question Answering,” Jun. 2015. [Online]. Available: www.visualqa.org. [Accessed Apr. 13, 2026].
Y. Goyal, T. Khot, A. Agrawal, D. Summers-Stay, D. Batra, and D. Parikh, “Making the V in VQA Matter: Elevating the Role of Image Understanding in Visual Question Answering,” Int. J. Comput. Vis., vol. 127, no. 4, pp. 398-414, Dec. 2016, doi: 10.1007/s11263-018-1116-0.
S. E. Kahou, V. Michalski, A. Atkinson, Á. Kádár, A. Trischler, and Y. Bengio, “FigureQA: An Annotated Figure Dataset for Visual Reasoning,” 6th International Conference on Learning Representations, ICLR 2018 - Workshop Track Proceedings, Oct. 2017. [Online]. Available: https://arxiv.org/pdf/1710.07300. [Accessed Apr. 13, 2026].
K. Kafle, B. Price, S. Cohen, and C. Kanan, “DVQA: Understanding Data Visualizations via Question Answering,” Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Jan. 2018, pp. 5648-5656, doi: 10.1109/CVPR.2018.00592.
M. Mathew, V. Bagal, R. Tito, D. Karatzas, E. Valveny, and C. V. Jawahar, “InfographicVQA,” Proceedings - 2022 IEEE/CVF Winter Conference on Applications of Computer Vision, WACV 2022, Apr. 2021, pp. 2582-2591, doi: 10.1109/WACV51458.2022.00264.
D. Schwenk, A. Khandelwal, C. Clark, K. Marino, and R. Mottaghi, “A-OKVQA: A Benchmark for Visual Question Answering using World Knowledge,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 13668 LNCS, pp. 146-162, Jun. 2022, doi: 10.1007/978-3-031-20074-8_9.
X. Yue et al., “MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI,” Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Nov. 2023, pp. 9556-9567, doi: 10.1109/CVPR52733.2024.00913.
X. Yue et al., “MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark,” Proceedings of the Annual Meeting of the Association for Computational Linguistics, vol. 1, pp. 15134-15186, Sep. 2024, doi: 10.18653/v1/2025.acl-long.736.
K. Q. Tran, A. T. Nguyen, A. T.-H. Le, and K. V. Nguyen, “ViVQA: Vietnamese Visual Question Answering,” pp. 683-691, 2021. [Online]. Available: https://aclanthology.org/2021.paclic-1.72/ [Accessed Apr. 13, 2026].
N. H. Nguyen, D. T. D. Vo, K. V. Nguyen, and N. L. T. Nguyen, “OpenViVQA: Task, dataset, and multimodal fusion models for visual question answering in Vietnamese,” Information Fusion, vol. 100, Dec. 2023, doi: 10.1016/j.inffus.2023.101868.
K. V. Tran, H. P. Phan, K. V. Nguyen, N. Luu, and T. Nguyen, “ViCLEVR: A Visual Reasoning Dataset and Hybrid Multimodal Fusion Model for Visual Question Answering in Vietnamese,” Oct. 2023. [Online]. Available: https://arxiv.org/pdf/2310.18046. [Accessed Apr. 13, 2026].
T.-T. Van-Dinh, H.-D. Tran, T.-B. Duong, M.-H. Pham, B.-N. Le-Nguyen, and Q.-T. Nguyen, “ViInfographicVQA: A Benchmark for Single and Multi-image Visual Question Answering on Vietnamese Infographics,” Dec. 2025. [Online]. Available: https://arxiv.org/pdf/2512.12424. [Accessed Apr. 13, 2026].
K. T. Doan et al., “Vintern-1B: An Efficient Multimodal Large Language Model for Vietnamese,” Aug. 2024. [Online]. Available: https://arxiv.org/pdf/2408.12480. [Accessed Apr. 13, 2026].
E. Borisova, N. Rauscher, and G. Rehm, “SciVQA 2025: Overview of the First Scientific Visual Question Answering Shared Task,” Association for Computational Linguistics, vol. SDP 2025, pp. 182-210, Aug. 2025, doi: 10.18653/V1/2025.SDP-1.18.
W. Lin, Z. Wang, and B. Byrne, “FVQA 2.0: Introducing Adversarial Samples into Fact-based Visual Question Answering,” EACL 2023 - 17th Conference of the European Chapter of the Association for Computational Linguistics, Findings of EACL 2023, pp. 149-157, Mar. 2023, doi: 10.18653/v1/2023.findings-eacl.11.
A. Dosovitskiy et al., “An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale,” ICLR 2021 - 9th International Conference on Learning Representations, Oct. 2020. [Online]. Available: https://arxiv.org/pdf/2010.11929. [Accessed Apr. 13, 2026].
L. Phan, H. Tran, H. Nguyen, and T. H. Trinh, “ViT5: Pretrained Text-to-Text Transformer for Vietnamese Language Generation,” NAACL 2022 - 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Proceedings of the Student Research Workshop, May 2022, pp. 136-142, doi: 10.18653/v1/2022.naacl-srw.18.
P. Rajpurkar, J. Zhang, K. Lopyrev, and P. Liang, “SQuAD: 100,000+ Questions for Machine Comprehension of Text,” EMNLP 2016 - Conference on Empirical Methods in Natural Language Processing, Proceedings, Jun. 2016, pp. 2383-2392, doi: 10.18653/v1/d16-1264.
T. Zhang, V. Kishore, F. Wu, K. Q. Weinberger, and Y. Artzi, “BERTScore: Evaluating Text Generation with BERT,” 8th International Conference on Learning Representations, ICLR 2020, Apr. 2019, [Online]. Available: https://arxiv.org/pdf/1904.09675. [Accessed Apr. 13, 2026].
S. Bai et al., “Qwen2.5-VL Technical Report,” pp. 1-23, Feb. 2025. [Online]. Available: https://arxiv.org/pdf/2502.13923. [Accessed Apr. 13, 2026].
L. Beyer et al., “PaliGemma: A versatile 3B VLM for transfer,” Jul. 2024. [Online]. Available: https://arxiv.org/pdf/2407.07726. [Accessed Apr. 13, 2026].
Z. Chen et al., “InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks,” Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Dec. 2023, pp. 24185-24198, doi: 10.1109/CVPR52733.2024.02283.
