> MSV: 25024023 | Lớp: K70P-ME1 | Đại học Công nghệ, ĐHQGHN
Sinh viên ngành Kỹ thuật Cơ điện tử với niềm đam mê khám phá giao thoa giữa
trí tuệ nhân tạo, vật liệu tiên tiến và tự động hóa thông minh.
Portfolio này là hành trình học tập — không chỉ lưu trữ sản phẩm, mà còn phản ánh
tư duy phản biện và tinh thần liêm chính học thuật.
07Bài tập
100%Liêm chính
4+Công cụ AI
Mức 4Mục tiêu
portfolio_v1.0 — bash
❯ whoami
→ Đào Dương Nam Phương
❯ cat info.json
{
"msv": "25024023",
"lop": "K70P-ME1",
"truong": "UET-VNU",
"so_thich": "[Robotics, AI, Nhiếp ảnh]"
}
❯ ls ./projects/
bai1/ bai2/ bai3/ bai4/ bai5/ bai6/ bai7/
❯ status --check
[✓] 7/7 tasks COMPLETED
[✓] academic_integrity: OK
❯
ĐNP
01 — Giới thiệu bản thân
Về Tôi
Tôi là Đào Dương Nam Phương — sinh viên năm nhất Đại học Công nghệ, ĐHQGHN.
Xuất phát từ đam mê với cơ học và điện tử, tôi đang khám phá cách kết hợp
trí tuệ nhân tạo vào giải quyết các bài toán kỹ thuật thực tiễn —
từ dự đoán vật liệu tiên tiến đến tối ưu hóa hệ thống tự động.
🎓
Ngành họcKỹ thuật Cơ điện tử — Đại học Công nghệ, ĐHQGHN
🏷
Mã số sinh viên & Lớp25024023 — K70P-ME1
⚙️
Sở thíchLập trình Robot · Nghiên cứu AI/Vật liệu · Nhiếp ảnh kỹ thuật số · Mô hình hóa 3D
🌐
Môn học PortfolioNhập môn Công nghệ số & Ứng dụng Trí tuệ nhân tạo
KỸ NĂNG SỐ
Quản lý Tệp & Thư mục90%
Tìm kiếm Học thuật Nâng cao88%
Prompt Engineering87%
Cộng tác Trực tuyến (Trello/Drive)92%
AI Tạo sinh & Sáng tạo Nội dung83%
Đạo đức AI & Liêm chính Học thuật96%
MỤC TIÊU HỌC TẬP
01
NGẮN HẠN — 2024/2025
Thành thạo kỹ năng số cốt lõi — quản lý thông tin, khai thác AI có đạo đức, cộng tác trực tuyến. Đạt GPA ≥ 3.4/4.0 học kỳ đầu tiên.
02
TRUNG HẠN — 2025/2027
Nghiên cứu ứng dụng Machine Learning trong khoa học vật liệu và cơ điện tử. Tham gia nhóm nghiên cứu, đăng bài hội nghị sinh viên.
03
DÀI HẠN — SAU TỐT NGHIỆP
Trở thành kỹ sư nghiên cứu tại tổ chức công nghệ hàng đầu hoặc theo đuổi học bổng Tiến sĩ về AI & Vật liệu thông minh tại Nhật/EU.
Mọi nội dung được tự thực hiện. Việc dùng AI được khai báo rõ ràng. AI chỉ là công cụ hỗ trợ — không thay thế tư duy.
✓ VERIFIED — Academic Integrity Standard
Mục tiêu Portfolio
Ba Mục Đích Cốt Lõi
01
💾
LƯU TRỮ SẢN PHẨM
Hệ thống hóa toàn bộ bài tập, dự án và sản phẩm số từ học phần thành hồ sơ năng lực có thể truy xuất và đối chiếu trong tương lai.
02
⚡
THỂ HIỆN KỸ NĂNG SỐ
Minh chứng cụ thể và có hệ thống cho năng lực sử dụng công nghệ số — từ quản lý tệp, khai thác thông tin đến ứng dụng AI tạo sinh sáng tạo.
03
⚖️
LIÊM CHÍNH HỌC THUẬT
Cam kết minh bạch về nguồn gốc nội dung, sử dụng AI có trách nhiệm và tuân thủ quy chuẩn đạo đức trong mọi sản phẩm được trình bày.
02 — Bài tập thành phần
07 Dự Án Thực Hành
Mỗi bài trình bày theo cấu trúc: MỤC TIÊU → QUÁ TRÌNH → SẢN PHẨM.
Nhấn vào nút [EXPAND] để xem chi tiết từng bài.
01
Mục 1.4COMPLETED
THAO TÁC TỆP VÀ THƯ MỤC — Máy tính & Thiết bị ngoại vi
Thực hành toàn diện với File Explorer: tạo, đổi tên, sao chép, di chuyển, xóa tệp và thư mục.
Nắm vững thao tác Recycle Bin và khôi phục dữ liệu.
File ExplorerWindows OSCtrl+C/V/XRecycle Bin
// QUANG TRÌNH THỰC HIỆN
S.01Mở File Explorer (Windows+E), truy cập ổ D: hoặc Documents.
S.02Tạo thư mục ThucHanh_DaoDuongNamPhuong bằng New → Folder.
S.03Tạo tệp GhiChu.txt → đổi tên thành GhiChuQuanTrong.txt.
S.04Tạo thư mục con TaiLieu; sao chép tệp vào bằng Ctrl+C/V.
S.05Tạo DiChuyen.txt → Cut & Paste vào TaiLieu (Ctrl+X/V).
S.06Xóa tệp → Recycle Bin → Restore; xóa vĩnh viễn bằng Shift+Delete.
Sản phẩm cuối: Cấu trúc thư mục hoàn chỉnh minh chứng 6 thao tác cơ bản. Nắm vững sự khác biệt giữa Copy/Move/Delete và cơ chế Recycle Bin. Xây dựng thói quen đặt tên tệp có cấu trúc: [MÔN]_[LOẠI]_[NỘI DUNG]_v[VER].ext
// KIẾN THỨC QUAN TRỌNG
Hiểu được cấu trúc hệ thống tệp phân cấp, sự khác biệt giữa copy và move ở cấp độ bit, và tầm quan trọng của quy chuẩn đặt tên file trong quản lý thông tin dài hạn.
02
Mục 2.4COMPLETED
PHÁT TRIỂN KỸ NĂNG TÌM KIẾM VÀ ĐÁNH GIÁ THÔNG TIN HỌC THUẬT
Chủ đề: Tác động của AI đến hành vi mua sắm trực tuyến. Sử dụng toán tử nâng cao, tìm kiếm 10 nguồn đa dạng, đánh giá theo tiêu chí học thuật.
Google ScholarScienceDirectHarvard StyleMcKinsey/Gartner
// CHIẾN LƯỢC TÌM KIẾM
Từ khóa: "Artificial Intelligence", "Consumer Behavior", "E-commerce", "Personalization", "AI Ethics"
Nguồn tài liệu
Tác giả / Năm
Loại
Đánh giá
International Journal of Information Management
Dwivedi et al. (2021)
Q1 Journal
✓ Rất cao
Journal of the Academy of Marketing Science
Huang & Rust (2021)
Q1 Journal
✓ Rất cao
Journal of the Academy of Marketing Science
Davenport et al. (2020)
Q1 Journal
✓ Cao
Tạp chí Công thương Việt Nam
Nguyen M.H. (2022)
Nội địa
✓ Trung bình
McKinsey & Company Report
McKinsey (2023)
Báo cáo
△ Tham khảo
Gartner Top Trends 2024
Gartner (2024)
Báo cáo
△ Tham khảo
Blog cá nhân không rõ nguồn
Không rõ
Blog
✗ Loại bỏ
Sản phẩm cuối: Danh mục 10 tài liệu trích dẫn theo Harvard Style, kèm bảng đánh giá theo mô hình CRAAP (Currency, Relevance, Authority, Accuracy, Purpose). Tổng hợp chiến lược tìm kiếm hiệu quả cho nghiên cứu học thuật.
03
Mục 3.4COMPLETED
TỐI ƯU HÓA QUY TRÌNH HỌC TẬP QUA KỸ THUẬT PROMPT ENGINEERING
Tiếp cận AI như "đối tác tư duy". Thử nghiệm 3 phiên bản Prompt (Basic → Structured → Expert) trên các tác vụ học thuật thực tế, phân tích hiệu quả qua bảng so sánh.
Chain-of-ThoughtRole-playFew-shotContext Priming
// SO SÁNH PROMPT TRƯỚC & SAU
Tiêu chí
❌ Prompt Cơ bản
✅ Prompt Nâng cao
Nội dung
"Tóm tắt bài báo Sol-gel này giúp tôi."
Role-play biên tập viên Nature + CoT 3 bước + yêu cầu thuật ngữ chuyên ngành
Vai trò AI
Không xác định
Chỉ định rõ (Biên tập viên Nature / GS Vật lý)
Định dạng
Đoạn văn dài
Bảng + danh sách + câu hỏi phản biện
Chất lượng
Chung chung, 120 từ
Chuyên sâu, 650+ từ có cấu trúc
// 3 NGUYÊN TẮC VÀNG ĐÃ RÚT RA
R.01Context Priming: Thiết lập vai trò rõ ràng giúp AI giới hạn không gian từ vựng chuyên môn, loại bỏ nhiễu thông tin.
R.02Decomposition (CoT): Phân rã bài toán thành các bước trung gian ngăn AI đưa ra kết luận vội vàng (hallucination).
R.03Delimitation: Ràng buộc cụ thể ("không quá 200 chữ", "dùng bảng") buộc AI chắt lọc thông tin chất lượng cao nhất.
Sản phẩm cuối: Báo cáo phân tích kỹ thuật Prompt Engineering với bảng so sánh 5 tiêu chí. Bộ quy tắc thiết kế prompt cá nhân hóa cho môi trường học thuật kỹ thuật.
04
Mục 4.4COMPLETED
KỸ NĂNG LÀM VIỆC NHÓM & CÔNG CỤ HỢP TÁC TRỰC TUYẾN
Dự án nhóm: Nghiên cứu kỹ thuật Prompt Engineering. Vai trò: Phụ trách phân tích kỹ thuật & quản lý tài liệu. Sử dụng hệ sinh thái Trello + Drive + Docs + Discord.
Trello KanbanGoogle DriveGoogle DocsDiscord
// HỆ THỐNG CỘNG TÁC ĐÃ TRIỂN KHAI
T.01Trello Kanban: 4 cột (Backlog→To-do→Doing→Review→Done), hệ thống Label màu (Đỏ:Gấp, Vàng:Bình thường, Xanh:Kỹ thuật), cập nhật tiến độ 4 lần/tuần.
T.03Google Docs: Sử dụng Suggesting Mode thay vì chỉnh sửa trực tiếp, Add Comment cho thuật ngữ chuyên sâu. Khôi phục nội dung bị xóa nhầm qua Version History.
T.04Discord: Pin Message cho link Drive quan trọng, quy định đồng bộ file lên Drive ngay khi gửi. 12+ lượt tương tác chủ động/tuần.
Sản phẩm cuối: Báo cáo cá nhân phân tích 3 thách thức chính (phân tán thông tin, xung đột phiên bản, định lượng tiến độ) kèm giải pháp hệ thống. Minh chứng ảnh chụp Trello board và Google Drive structure.
05
Mục 5.4COMPLETED
SÁNG TẠO NỘI DUNG SỐ BẰNG AI — INFOGRAPHIC VẬT LIỆU
Dự án: Infographic "Ứng dụng AI trong khám phá vật liệu mới". Sử dụng ChatGPT + Gemini + Canva AI theo quy trình 4 bước, kết hợp sáng tạo cá nhân.
ChatGPTGeminiCanva AIInfographic
// QUY TRÌNH 4 BƯỚC
B.01ChatGPT — Xây dựng nội dung: Prompt yêu cầu nội dung ngắn gọn dành cho sinh viên, gồm: khái niệm, quy trình, lợi ích, ứng dụng thực tế của AI trong khoa học vật liệu.
B.02Gemini — Mở rộng ví dụ: Bổ sung ví dụ cụ thể: DeepMind dự đoán vật liệu, AI phát triển pin lithium, thiết kế vật liệu sinh học.
B.03Chỉnh sửa cá nhân: Loại bỏ phần quá học thuật, viết lại ngôn ngữ dễ hiểu, thiết kế sơ đồ quy trình riêng, thêm phần "tương lai của AI".
B.04Canva AI — Thiết kế: Prompt tiếng Anh với chủ đề scientific blue/purple, icons AI + batteries + solar panels + lab. Chỉnh sửa bố cục, thêm biểu tượng cá nhân.
// INFOGRAPHIC — QUY TRÌNH AI
Dữ liệu nghiên cứu → Huấn luyện AI → Dự đoán vật liệu → Kiểm tra lab → Vật liệu mới
⚡ Pin lithium thế hệ mới
☀️ Pin mặt trời cao hiệu suất
🔬 Vật liệu y sinh
🚗 Công nghệ xe điện
Sản phẩm cuối: Infographic hoàn chỉnh + Báo cáo so sánh 3 công cụ AI (ChatGPT vs Gemini vs Canva AI). Khai báo đầy đủ vai trò AI — tác giả chịu trách nhiệm toàn bộ nội dung cuối cùng.
06
Mục 6.4COMPLETED
SỬ DỤNG AI CÓ TRÁCH NHIỆM & ĐẠO ĐỨC TRONG HỌC TẬP
Nghiên cứu chính sách AI của VNU-ĐHQGHN; thực hiện nhiệm vụ viết luận với hỗ trợ AI; phân tích đạo đức; xây dựng bộ nguyên tắc cá nhân có cơ sở lý thuyết.
AI EthicsVNU PolicySol-gel ResearchAcademic Integrity
// BỘ NGUYÊN TẮC CÁ NHÂN — AI CÓ TRÁCH NHIỆM
01 — MINH BẠCH (Transparency)
Luôn khai báo khi AI có đóng góp đáng kể. Ghi rõ công cụ và vai trò AI so với đóng góp cá nhân trong từng sản phẩm.
02 — TRÁCH NHIỆM (Accountability)
Dù AI hỗ trợ ở mức nào, tác giả chịu hoàn toàn trách nhiệm về độ chính xác, chất lượng và hệ quả của nội dung.
03 — KHÔNG ĐẠO VĂN AI
Không sao chép nguyên văn đầu ra AI. Mọi nội dung phải được tư duy lại, chỉnh sửa, và là sản phẩm của quá trình nhận thức cá nhân.
04 — TƯ DUY PHÊ PHÁN
AI có thể "hallucinate". Luôn kiểm chứng thông tin từ nguồn học thuật uy tín. Tin tưởng có phê phán, không tin tuyệt đối.
05 — TÔN TRỌNG BẢN QUYỀN
Chỉ sử dụng AI tạo sinh cho nội dung không vi phạm quyền sở hữu trí tuệ. Không dùng AI để sao chép tác phẩm người khác.
06 — PHÁT TRIỂN BẢN THÂN
AI là công cụ học hỏi, không phải máy "làm bài thay". Mục tiêu cuối cùng là phát triển năng lực tư duy thực sự của bản thân.
Sản phẩm cuối: Báo cáo nghiên cứu chính sách AI của VNU + minh chứng thực hiện bài luận Sol-gel theo từng bước có AI hỗ trợ + bộ 6 nguyên tắc đạo đức cá nhân tham chiếu UNESCO (2022) & EU AI Act (2024).
07
Nghiên cứu Khoa họcCOMPLETED
ỨNG DỤNG AI TRONG KHÁM PHÁ VẬT LIỆU PIN THỂ RẮN — NGHIÊN CỨU TỔNG QUAN HỆ THỐNG
Câu hỏi nghiên cứu: AI hỗ trợ sàng lọc, dự đoán và thiết kế vật liệu chất điện phân rắn như thế nào?
Tổng quan 5 bài báo ISI/Scopus tiêu biểu (2017–2023), phân tích xu hướng từ ML truyền thống đến GNN quy mô lớn.
2017Sendek et al. — Logistic Regression/SVM sàng lọc 12.111 vật liệu chứa Li → phát hiện Li5B7S13 tiềm năng.
2018Ahmad et al. — SVR + Random Forest dự đoán cửa sổ ổn định điện hóa, MAE < 0.15V.
2020Allam et al. — XGBoost + High-throughput DFT đề xuất 5 hệ vật liệu mới >10⁻³ S/cm.
2021Hatakeyama-Sato et al. — Graph-based ML thiết kế màng polyme lai gốm, kiểm chứng thực nghiệm.
2023Google DeepMind — GNoME: 381.000 vật liệu mới, 528 fast-ion conductors cho pin thể rắn.
// XU HƯỚNG CHUYỂN DỊCH MÔ HÌNH
Giai đoạn 1ML truyền thống (SVM, RF): Phụ thuộc Feature Engineering thủ công.
Giai đoạn 2Gradient Boosting (XGBoost): Kết hợp High-throughput DFT, độ chính xác cao hơn.
Giai đoạn 3Graph Neural Networks: Biểu diễn tinh thể dạng đồ thị, tự học đặc trưng từ cấu trúc nguyên tử.
Tương laiClosed-loop Autonomous Labs: AI + Robot + thực nghiệm tự động khép kín.
// 3 KHOẢNG TRỐNG NGHIÊN CỨU (Research Gaps)
① Data Scarcity: Dữ liệu huấn luyện thiên lệch về các vật liệu thành công, thiếu dữ liệu thất bại → AI bị bias.
② Synthesis Gap: Vật liệu dự đoán tốt trên máy tính nhưng không thể tổng hợp thực tế do kinetics phức tạp.
③ Black-Box: Học sâu thiếu tính diễn giải vật lý (Explainable AI), giảm tin tưởng của kỹ sư thực nghiệm.
Sản phẩm cuối: Báo cáo nghiên cứu khoa học 3.000+ từ với bảng tổng hợp 5 bài báo (8 cột phân tích), phân tích xu hướng thuật toán, đánh giá khoảng trống nghiên cứu và triển vọng "Phòng thí nghiệm tự chủ đóng kín". Tra cứu qua Consensus AI và Elicit.
03 — Tổng kết & Suy ngẫm
Nhìn Lại Hành Trình Để Tiến Về Phía Trước
Sau một học kỳ với 7 bài tập thành phần — đây là những gì tôi thực sự học được,
cảm nhận được, và mang theo.
Trải nghiệm thực tế
Cảm nhận cá nhân
Từ "biết dùng máy tính" đến "tư duy số"
Trước học kỳ này, tôi nghĩ mình đã "thành thạo công nghệ" vì biết dùng máy tính, tìm kiếm Google, và đã từng dùng ChatGPT.
Nhưng qua 7 bài tập, tôi nhận ra có một khoảng cách rất lớn giữa "biết dùng" và "dùng có hệ thống, có chiến lược và có đạo đức".
Bài học đầu tiên về quản lý tệp tưởng như đơn giản — nhưng chính việc xây dựng một hệ thống đặt tên nhất quán đã giúp tôi tiết kiệm hàng giờ mỗi tuần.
Bài nghiên cứu về pin thể rắn (Bài 7) là lần đầu tiên tôi cảm nhận được sức mạnh thực sự của AI nghiên cứu — khi Consensus AI và Elicit
giúp tôi sàng lọc 120+ bài báo xuống còn 5 bài tiêu biểu nhất chỉ trong 30 phút.
Khoảnh khắc thay đổi quan điểm
AI không phải "máy trả lời" — mà là "đối tác tư duy"
Bước ngoặt lớn nhất trong học kỳ là khi tôi thay đổi cách nhìn về AI. Lúc đầu, tôi thường prompt kiểu
"Giải thích X cho tôi" và nhận về những câu trả lời chung chung.
Sau khi học Prompt Engineering (Bài 3), tôi bắt đầu thiết kế prompt như một bài toán kỹ thuật —
xác định vai trò, ngữ cảnh, ràng buộc, định dạng đầu ra.
Lần đầu tiên tôi dùng kỹ thuật Chain-of-Thought + Role-play để phân tích bài báo Sol-gel,
kết quả đầu ra của AI đột nhiên trở nên sâu sắc và có cấu trúc đến mức tôi phải đọc lại để hiểu.
Đó là khoảnh khắc tôi hiểu: chất lượng của câu trả lời phản ánh chất lượng của câu hỏi.
Trải nghiệm nhóm
Cộng tác số không tự nhiên — nó cần thiết kế
Dự án nhóm (Bài 4) là thử thách thực tế nhất. Tuần đầu, nhóm 4 người thất bại hoàn toàn về cộng tác:
file gửi qua Zalo, thông tin quan trọng bị "trôi", hai người cùng chỉnh sửa một đoạn văn và xóa mất công việc của nhau.
Giải pháp không phải là "cố gắng hơn" — mà là thiết kế lại quy trình làm việc:
Pin Message, Suggesting Mode trên Google Docs, phân quyền Drive, và rule "mọi file phải có trên Drive trước khi gửi vào chat".
Sau khi áp dụng, nhóm tôi hoàn thành công việc nhanh hơn gấp đôi với chất lượng tốt hơn nhiều.
Bài học: hệ thống tốt quan trọng hơn nỗ lực cá nhân.
Kiến thức & Kỹ năng
Những Bài Học Quan Trọng Nhất
01
HỆ THỐNG HÓA TIẾT KIỆM HƠN TỐC ĐỘ
Đầu tư 2 giờ thiết kế cấu trúc thư mục và quy tắc đặt tên (Bài 1) đã tiết kiệm hàng chục giờ tìm kiếm file về sau. Tư duy dài hạn trong quản lý thông tin là kỹ năng nền tảng của mọi kỹ sư.
02
CHẤT LƯỢNG CÂU HỎI = CHẤT LƯỢNG CÂU TRẢ LỜI
Prompt Engineering (Bài 3) dạy tôi rằng thiết kế câu hỏi là một kỹ năng kỹ thuật. Một prompt được cấu trúc tốt không chỉ cho kết quả AI tốt hơn — nó còn buộc chính mình phải suy nghĩ rõ ràng hơn về vấn đề.
03
ĐÁNH GIÁ NGUỒN TIN LÀ KỸ NĂNG SỐNG CÒN
Bài 2 cho thấy 40%+ kết quả trang đầu Google không đủ tiêu chuẩn học thuật. Mô hình CRAAP và kỹ năng đọc bài báo ISI là công cụ không thể thiếu trong thời đại thông tin nhiễu.
04
AI THAY ĐỔI TỐC ĐỘ NGHIÊN CỨU KHOA HỌC
Bài 7 về pin thể rắn cho thấy AI (GNoME của DeepMind) rút ngắn chu kỳ phát triển vật liệu từ 18 năm xuống 12 tháng. Tôi — một kỹ sư tương lai — phải hiểu và biết khai thác sức mạnh này.
Thách thức & Giải pháp
Những Thách Thức Đã Vượt Qua
⚠ QUẢN LÝ THỜI GIAN
Bị quá tải khi song song 7 bài tập với môn chuyên ngành. Giải pháp: Áp dụng Time-blocking (Pomodoro 50/10) và ưu tiên theo ma trận Eisenhower. Hoàn thành tất cả đúng hạn và không hy sinh chất lượng.
⚠ CÁM DỖ LẠM DỤNG AI
Cám dỗ dùng AI làm toàn bộ bài tập rất lớn — đặc biệt với Bài 7 (nghiên cứu khoa học phức tạp). Giải pháp: Tự đặt quy tắc: AI chỉ hỗ trợ sàng lọc tài liệu và kiểm tra lập luận; phân tích và kết luận phải là của mình. Kết quả: sản phẩm có chiều sâu thực sự.
⚠ KHOẢNG CÁCH NGÔN NGỮ CHUYÊN NGÀNH
Bài 7 đòi hỏi hiểu thuật ngữ về GNN, DFT, solid electrolyte — vượt xa kiến thức năm 1. Giải pháp: Dùng chính kỹ thuật Prompt Engineering (Bài 3) để yêu cầu AI giải thích theo cấp độ từng bước. Biến thách thức thành ứng dụng thực tế của bài học.
⚠ ĐÁNH GIÁ CHÍNH XÁC NGUỒN TIN
Lúc đầu không phân biệt được peer-reviewed và non-peer-reviewed, bị nhầm lẫn giữa báo cáo công ty (McKinsey) và bài báo ISI. Giải pháp: Thực hành đánh giá 15+ nguồn theo mô hình CRAAP. Nay có thể xác định chất lượng nguồn trong vòng 2 phút.
Điều tâm đắc nhất
"Điều tôi tâm đắc nhất không phải là 7 sản phẩm đã hoàn thành, mà là thói quen tư duy đã hình thành.
Tôi học cách đặt câu hỏi trước khi tìm câu trả lời, kiểm chứng trước khi tin tưởng, và khai báo trước khi nộp.
Đây là nền tảng của một kỹ sư nghiên cứu — không chỉ giỏi kỹ thuật,
mà còn trung thực với khoa học và có trách nhiệm với xã hội."
— Đào Dương Nam Phương · MSV 25024023 · ĐH Công nghệ, ĐHQGHN · 2025