Trong viết học thuật, cấu trúc song hành (Parallelism) và phân từ V-ing (Participle Clauses) phục vụ hai mục đích diễn đạt khác biệt:

1. Cấu trúc song hành (Parallel Structure)

Yêu cầu các thành phần nối bởi and, or, but phải cùng từ loại hoặc cấu trúc ngữ pháp.

• Khi nào dùng: Liệt kê các ý tưởng, hành động ngang hàng, độc lập.
• Ví dụ:
  • Chưa chuẩn: “AI agents can build 3D faces from avatars, making phone calls…”
  • Sửa lại: “AI agents can build 3D faces… and make phone calls…”
  • Lý do: Tạo mặt 3D và gọi điện là hai khả năng độc lập, không phải quan hệ nhân quả. Cần dùng động từ nguyên mẫu song hành (build và make).
  • Ví dụ khác: “…experience convenience and comfort…” (danh từ song hành danh từ).

2. Phân từ V-ing (Present Participle Clauses)

Dùng rút gọn mệnh đề quan hệ hoặc diễn tả hệ quả trực tiếp.

Có nên làm thêm một giờ? Có nên sản xuất thêm một sản phẩm?

Kinh tế học chỉ ra rằng người duy lý ra quyết định tại điểm cận biên: so sánh phần thu thêm và chi thêm cho bước tiếp theo.

1. Khái niệm cốt lõi

• Chi phí biên (Marginal Cost - $MC$): Chi phí phát sinh để thực hiện thêm một đơn vị hành động hoặc sản phẩm.
• Doanh thu / Lợi ích biên ($MR$ hoặc $MB$): Phần giá trị hoặc doanh thu thu thêm từ đơn vị đó.
• Lợi nhuận biên ($M\pi$): Chênh lệch ròng của đơn vị tiếp theo: $M\pi = MR - MC$.

Khác với chi phí trung bình, phân tích cận biên chỉ đo lường sự thay đổi tức thời ở bước kế tiếp:

Tại sao một chiếc xe vừa lăn bánh khỏi đại lý đã lập tức mất giá mạnh trên thị trường đồ cũ?

Năm 1970, George Akerlof giải thích hiện tượng này trong bài báo kinh điển “The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism” (công trình giúp ông nhận giải Nobel Kinh tế năm 2001).

1. Cơ chế mô hình

Trong tiếng lóng Mỹ, “lemon” là xe cũ kém chất lượng, còn “peach” là xe tốt. Giả sử thị trường có hai loại xe với tỷ lệ 50-50: xe tốt giá 10.000 USD, xe tồi giá 4.000 USD.

Tại sao người bồi bàn có thể nhớ chính xác từng món ăn của các bàn chưa tính tiền, nhưng lại quên sạch ngay khi khách thanh toán xong?

Quan sát này tại một quán cà phê ở Berlin đã dẫn dắt nhà tâm lý học Bluma Zeigarnik thực hiện nghiên cứu kinh điển năm 1927, phát hiện ra Hiệu ứng Zeigarnik (Zeigarnik Effect).

1. Thí nghiệm của Bluma Zeigarnik

Trong phòng thí nghiệm, Zeigarnik giao cho người tham gia khoảng 20 tác vụ nhỏ (giải câu đố, xâu hạt, xếp hình). Một nửa số tác vụ bị ngắt quãng bất ngờ giữa chừng; nửa còn lại được làm đến khi hoàn tất.

Khi đang làm một việc phức tạp (Tác vụ A), nếu bạn “chỉ liếc qua” kiểm tra email hay tin nhắn (Tác vụ B), liệu bạn có thể quay lại tập trung ngay sau đó?

Thực nghiệm cho thấy: không. Não người không thể chuyển ngữ cảnh tức thì như CPU.

Hiện tượng này được Giáo sư Sophie Leroy đặt tên là Attention Residue (dư lượng chú ý) trong công trình nghiên cứu năm 2009, sau đó được Cal Newport nhấn mạnh trong cuốn Deep Work.

Khi học về phân rã Bias – Variance và Cross-Validation, nhiều người bối rối trước phát biểu: “5-fold CV có bias cao hơn LOOCV”.

“Cùng một mô hình, tại sao chia dữ liệu lại làm thay đổi độ chệch?”

Sự nhầm lẫn xuất phát từ việc đánh đồng hai khái niệm:

1. Model Bias (Độ chệch của mô hình)

Đây là năng lực nội tại của dạng hàm bạn chọn:

• Dùng Hồi quy tuyến tính để khớp một quy luật cong, thì dù có nạp 100% hay 1 tỷ dữ liệu, đường thẳng vẫn không thể khớp hoàn hảo đường cong.
• Sự sai lệch này sinh ra từ giả định cấu trúc cố hữu của mô hình. Cách bạn chia dữ liệu kiểm định không làm thay đổi Model Bias.

2. Estimator Bias (Độ chệch của ước lượng sai số)

Đây không phải độ chệch của hàm mô hình, mà là độ chệch trong thước đo ước lượng sai số ngoài mẫu: