Tạp chí Nature: Hướng dẫn toàn diện về các công cụ AI hỗ trợ nghiên cứu

• AI đang ngày càng phổ biến trong giới nghiên cứu và học thuật, với sinh viên và nhà khoa học sử dụng các công cụ AI hằng ngày để hỗ trợ tìm tài liệu, viết bài và thậm chí chạy thí nghiệm.

• Mohammed Shafi, nghiên cứu sinh kỹ thuật dân dụng ở Ấn Độ, ban đầu hoài nghi nhưng sau đó đã xây dựng toàn bộ quy trình nghiên cứu dựa trên AI: từ cập nhật nghiên cứu mới, phân tích chủ đề, đến viết lách và trích dẫn.

• Công cụ Gemini Deep Research và OpenAI Deep Research nổi bật nhờ khả năng thực hiện tìm kiếm sâu, sử dụng kỹ thuật active learning, tạo ra báo cáo chi tiết có hình ảnh và tài liệu tham khảo chính xác sau 30 phút.

• Chuck Downing (MIT) sử dụng Deep Research để tổng hợp các chiến lược giảm khí thải cho nhà máy sản xuất – học nhanh chóng trong các lĩnh vực mới.

• Các công cụ như SciSpace, Claude, NotebookLM, PDF.ai giúp sinh viên đối thoại trực tiếp với tài liệu học thuật thông qua tính năng "Chat with PDF".

• David Tompkins (ĐH Cornell) dùng Claude để tóm tắt tài liệu trước các buổi thảo luận nhóm – giúp tiết kiệm thời gian nhưng vẫn duy trì chất lượng học tập.

• AI giúp tạo giả thuyết bằng cách kết nối thông tin từ nhiều nguồn. Tổ chức Allen Institute đang phát triển công cụ phát hiện và tạo giả thuyết dựa trên nội dung bài báo.

• Research Rabbit hỗ trợ khám phá mạng lưới nghiên cứu từ một bài viết gốc (seed paper), kết hợp với ChatGPT để tìm ý tưởng ẩn.

• CRESt, công cụ do Zhichu Ren phát triển, tích hợp AI điều khiển thiết bị, thu thập dữ liệu, gợi ý thí nghiệm và gửi cảnh báo qua email. Đã được dùng thành công trong nghiên cứu tế bào nhiên liệu.

• Gemini Deep Research còn có thể đề xuất kế hoạch nghiên cứu cá nhân hoá, trong khi Scite và Elicit hoạt động như trợ lý nghiên cứu, giúp thiết kế thí nghiệm từ giả thuyết đầu vào.

• Sinh viên Joseph Fernandez dùng ChatGPT để tìm nguyên nhân lỗi trong xét nghiệm sinh học và tính toán tỷ lệ pha loãng hóa chất đắt tiền.

• Các công cụ viết mã như GitHub Copilot, Amazon Q Developer, Cursor hỗ trợ phân tích dữ liệu, viết mã thống kê và vẽ đồ thị. Giảm đáng kể thời gian gỡ lỗi và tăng khả năng hiểu sâu dữ liệu.

• CatalyzeX cho phép truy xuất mã nguồn mở từ bài báo học thuật, hỗ trợ tái sử dụng mã và cải thiện khả năng tái lập nghiên cứu khoa học.

• Công cụ viết học thuật như Paperpal, Thesify, SciSpace, Quillbot và Whisper giúp kiểm tra ngữ pháp, tạo bản nháp, và dịch thuật. Hữu ích cho những người không nói tiếng Anh bản ngữ.

• María Mercedes Hincapié-Otero dùng AI để cải thiện văn phong và tự tin hơn khi viết khoa học bằng tiếng Anh.

• Thesify còn đào tạo kỹ năng viết đơn xin tài trợ – một lĩnh vực hiếm khi được AI đào tạo trước đây – và tìm hội nghị hoặc tạp chí phù hợp với nghiên cứu.

📌 AI đang tái định nghĩa cách sinh viên và nhà khoa học làm việc: từ các công cụ tìm kiếm học thuật như Deep Research, trợ lý PDF như Claude và SciSpace, đến trợ lý thí nghiệm như CRESt. Sinh viên có thể phân tích dữ liệu, viết mã, đề xuất giả thuyết và thậm chí viết đơn tài trợ chỉ với sự trợ giúp từ AI. Những tiến bộ này không chỉ tiết kiệm thời gian mà còn giúp tăng khả năng tiếp cận tri thức khoa học.

https://www.nature.com/articles/d41586-025-01069-0

#NATURE

AI cho nghiên cứu: hướng dẫn toàn diện để chọn công cụ phù hợp

Bạn tò mò về việc sử dụng trí tuệ nhân tạo để nâng cao nghiên cứu của mình? Đây là những chương trình bạn không nên bỏ lỡ.

Tác giả: Amanda Heidt

Khi Mohammed Shafi, một nghiên cứu sinh tiến sĩ ngành kỹ thuật dân dụng tại Viện Công nghệ Ấn Độ Guwahati, lần đầu thấy bạn bè thử nghiệm các công cụ trí tuệ nhân tạo (AI) vào cuối năm 2022, anh không ngay lập tức thấy được sự hấp dẫn. Phần lớn, mọi người dường như đang sử dụng các nền tảng AI tạo sinh như ChatGPT của OpenAI để thay thế Google, hoặc như một điều mới lạ để nghĩ ra ý tưởng cho các trò đùa và đặt tên thú cưng. "Chúng thật thú vị để trải nghiệm, nhưng tôi không nhất thiết thấy sự liên quan đến khóa học hoặc nghiên cứu của mình," anh nói.

Tuy nhiên, anh nhanh chóng thay đổi ý kiến khi bắt đầu thấy nhiều công cụ AI được xây dựng để đáp ứng nhu cầu của sinh viên và nhà khoa học. Hiện là người dùng AI hàng ngày, Shafi đã tập hợp được toàn bộ quy trình gồm các nền tảng được hỗ trợ bởi AI kết nối với nhau. Các công cụ này cập nhật cho anh về nghiên cứu mới, phân tích các chủ đề phức tạp, khắc phục sự cố trong thí nghiệm, tổ chức bài viết và trích dẫn, đồng thời giúp anh đối phó với các yêu cầu của lớp học và nghiên cứu.

Hiện Shafi nói rằng sự xuất hiện của AI là "một cuộc cách mạng cho nghiên cứu", một quan điểm dường như được nhiều người khác chia sẻ. Các cuộc khảo sát cho thấy nhiều sinh viên đại học và nhà khoa học đang sử dụng AI trong công việc của họ, thường là hàng tuần hoặc thậm chí hàng ngày. Và mặc dù ban đầu nhiều nhà giáo dục và tổ chức học thuật phản ứng với sự thận trọng, giới học thuật dường như ngày càng sẵn sàng cho phép sinh viên sử dụng AI, dù là theo những cách có kiểm soát. Mặc dù không phải là không thể quay lại cách làm việc trước đây, Shafi nói, "thật khó để tưởng tượng việc muốn quay lại".

Ở đây, Nature khám phá cách các học giả và sinh viên có thể khai thác AI để hợp lý hóa các phần khác nhau của quá trình nghiên cứu.

Nâng cao đánh giá tài liệu của bạn

Daniel Weld, nhà khoa học trưởng tại công cụ tìm kiếm học thuật Semantic Scholar, người đặt tại Seattle, Washington, nói rằng nhiều nền tảng AI phổ biến đã "phát triển mạnh mẽ" trong một lĩnh vực gọi là học tập chủ động — một phương pháp bắt chước cách một người tiếp cận câu hỏi nghiên cứu. Các chương trình như Gemini Deep Research của Google và Deep Research của OpenAI cung cấp các công cụ mạnh mẽ nhất trong lĩnh vực này, và nhiều công ty đang ra mắt các sản phẩm tương tự.

Sinh viên có thể nhập một truy vấn, được hỗ trợ bởi dữ liệu hoặc tài liệu của riêng họ, và sau đó rời đi khi các mô hình tiên tiến này tiến hành tìm kiếm chuyên sâu trong khoảng 30 phút. Báo cáo cuối cùng có thể bao gồm văn bản, hình ảnh và hình ảnh trực quan, và tất cả đầu ra đều được tham chiếu kỹ lưỡng — một bước tiến so với các phiên bản trước đây, theo Isa Fulford, một nhà nghiên cứu kỹ thuật tại OpenAI ở San Francisco, California, người đã giúp phát triển Deep Research. "Đặc biệt trong bối cảnh nghiên cứu khoa học, chúng tôi nhận ra rằng tính xác thực là rất quan trọng, và chúng tôi nghĩ mô hình này tốt hơn trong việc bao gồm các trích dẫn thích hợp so với bất kỳ mô hình nào khác mà chúng tôi đã phát hành," cô nói.

Chuck Downing, một nghiên cứu sinh tiến sĩ ngành kế toán tại Viện Công nghệ Massachusetts (MIT) ở Cambridge, nói rằng những công cụ nghiên cứu sâu này đặc biệt hữu ích khi đào sâu vào các chủ đề không quen thuộc. Trong một dự án, Downing đã sử dụng Deep Research của OpenAI để tạo một báo cáo xếp hạng các phương pháp khác nhau để giảm phát thải tại các nhà máy sản xuất. "Tôi không biết nhiều khi bắt đầu, nhưng tôi đã học được khá nhiều, và vì vậy bây giờ tôi sử dụng những nghiên cứu sâu này mọi lúc," anh nói. "Nó tốt hơn bất cứ thứ gì khác mà tôi đã sử dụng cho đến nay trong việc tìm kiếm các bài báo hay và trình bày thông tin theo cách mà tôi có thể dễ dàng hiểu."

Các chương trình khác cho phép sinh viên đi sâu hơn vào một tài liệu đơn lẻ hoặc bộ sưu tập nhỏ các bài báo. Nền tảng AI dành cho sinh viên SciSpace, ví dụ, có chức năng 'Chat with PDF'. Người dùng có thể tải lên một bài báo và đặt câu hỏi về nội dung của nó — một tính năng được chia sẻ bởi các nền tảng khác, như Claude, NotebookLM và PDF.ai.

Đối với David Tompkins, một nghiên cứu sinh tiến sĩ về phát triển con người tại Đại học Cornell ở Ithaca, New York, phương pháp này đã giúp anh theo kịp các tài liệu khoa học đang phát triển. Tompkins thường đến các cuộc họp câu lạc bộ tạp chí sau khi đã sử dụng Claude để tạo ra một bản tóm tắt của một bài báo đã chọn, sau đó anh tiếp tục với các câu hỏi có mục tiêu hơn dựa trên cuộc thảo luận của nhóm. "Tôi vẫn là người tin tưởng mạnh mẽ vào việc đọc các bài báo để hiểu chúng đầy đủ, nhưng việc chuẩn bị của tôi đã trở nên dễ dàng hơn nhiều khi tôi cảm thấy căng thẳng," anh nói. "Theo một cách nào đó, tôi cảm thấy mình đang tương tác nhiều hơn với tài liệu thông qua các công cụ này so với trước đây."

Tạo giả thuyết của bạn

Khả năng của AI trong việc kết hợp nhiều luồng thông tin dường như đã giúp việc xác định khoảng trống nghiên cứu và kết nối ý tưởng trở nên dễ dàng hơn — mặc dù một cuộc khảo sát gần đây cho thấy sự phụ thuộc quá mức vào AI tạo sinh có thể làm giảm kỹ năng tư duy phản biện của một người. Weld, người cũng là một nhà nghiên cứu AI tại Viện Allen cho AI ở Seattle, nói rằng đã có rất nhiều nhu cầu về các công cụ hỗ trợ hình thành ý tưởng nên anh và nhóm của mình đang phát triển các sản phẩm tạo và phát hiện giả thuyết, cố gắng kết hợp các ý tưởng từ các bài báo thành một điều gì đó mới. "Chúng đang chạy nội bộ, nhưng chúng tôi đang cố gắng đảm bảo rằng chúng hoạt động mạnh mẽ," anh nói, thêm rằng nhóm Viện Allen của anh hy vọng sẽ phát hành chúng rộng rãi trong vài tháng tới.

Shafi đã chuyển sang các chương trình như công cụ trực quan hóa Research Rabbit khi làm luận án của mình, tập trung vào cách vi nhựa được vận chuyển qua đất và vào nước ngầm. Research Rabbit lấy một 'bài báo hạt giống' duy nhất và tạo ra một mạng lưới kết nối nghiên cứu liên kết bởi chủ đề, tác giả, phương pháp luận hoặc các đặc điểm chính khác. Bằng cách chuyển kết quả vào một chatbot như ChatGPT, "có thể truy vấn toàn bộ công trình để tìm các liên kết ẩn hoặc ý tưởng mới", Shafi nói.

Các chương trình được hỗ trợ bởi AI cũng đang chứng tỏ ngày càng có khả năng như những trợ lý thí nghiệm. Là một nghiên cứu sinh tiến sĩ tại MIT, Zhichu Ren đã tạo ra phần mềm Copilot for Real-world Experimental Scientist (CRESt), kết hợp một số công nghệ AI thành một chatbot nâng cao (Z. Ren et al. Preprint at ChemRxiv https://doi.org/pdwv; 2023). Người dùng có thể trò chuyện với CRESt như với một đồng nghiệp, và nó có thể giúp thiết kế và chạy các thí nghiệm bằng cách truy xuất và phân tích dữ liệu, bật tắt thiết bị bằng công tắc kỹ thuật số, cung cấp năng lượng cho cánh tay robot, ghi lại các phát hiện và cảnh báo các nhà khoa học qua e-mail khi có vấn đề phát sinh hoặc giao thức kết thúc. Trong một bài báo hội nghị năm 2023, CRESt đã hỗ trợ các nhà nghiên cứu bằng cách ưu tiên các hợp kim ứng viên cho một pin nhiên liệu mới, và đề xuất các thí nghiệm mà nhóm có thể thực hiện để kiểm tra chúng. "Tôi muốn tạo ra một công cụ có thể tiếp tục giúp đỡ ngay cả khi nhu cầu của bạn thay đổi," Ren nói, người hiện làm việc tại công ty khởi nghiệp AI Labig ở Cambridge, Massachusetts. "AI có thể làm điều đó theo cách mà tài liệu viết tĩnh không thể."

Nhưng ngay cả đối với những sinh viên không có quyền truy cập vào thứ gì đó tiên tiến như CRESt, AI vẫn có thể hoạt động như một đồng nghiệp hữu ích. Gemini Deep Research, ví dụ, có thể tạo ra một "kế hoạch nghiên cứu đa điểm được cá nhân hóa" cùng với các tính năng khác, và các nguồn như Scite và Elicit được quảng cáo như những trợ lý nghiên cứu. Người dùng có thể cung cấp cho những chương trình này một vài bài báo hoặc một giả thuyết làm việc, ví dụ, và yêu cầu một bộ thí nghiệm để kiểm tra lý thuyết.

Joseph Fernandez, một nghiên cứu sinh tiến sĩ về kỹ thuật y sinh tại Đại học Colorado Anschutz Medical Campus ở Aurora, nói rằng anh tiếp tục sử dụng ChatGPT cho hầu hết mọi thứ, bao gồm cả việc khắc phục sự cố trong các thí nghiệm của mình. Trong quá khứ, chatbot đã giúp anh động não giải thích khi một trong những xét nghiệm của anh trả về giá trị bất thường, và tính toán các pha loãng nối tiếp để tránh lãng phí thuốc thử đắt tiền. ChatGPT cũng đã đóng vai trò thay thế cho ủy ban của anh, tạo ra các câu hỏi sắc bén để kiểm tra đề xuất nghiên cứu của anh trước khi thi.

"Tôi nghĩ bạn thực sự chỉ bị giới hạn bởi trí tưởng tượng của mình, ngay cả khi một số cách sử dụng tầm thường hơn những cách khác," anh nói. "Ngày nay, nếu một câu hỏi hoặc nhiệm vụ xuất hiện trong đầu tôi, tôi thường tự hỏi liệu ChatGPT có thể giúp đỡ được không."

Hợp lý hóa thống kê của bạn

Các trình soạn thảo mã bao gồm GitHub's Copilot, Amazon CodeWhisperer (hiện là Amazon Q Developer) và Cursor của Anysphere nhằm giúp người mới bắt đầu dễ dàng sử dụng mã hóa để tổ chức dữ liệu, tạo đường dẫn phân tích, chạy thống kê mô tả và tạo hình ảnh trực quan. Các công cụ như vậy, các nhà nghiên cứu lưu ý, cũng đã phần lớn vượt qua các trang web như GitHub và Stack Exchange như các nguồn chính để khắc phục sự cố. Thay vì dành hàng giờ để tìm câu trả lời, người dùng có thể đơn giản là làm nổi bật một phần mã và yêu cầu chatbot sửa nó, Downing nói.

"Suy nghĩ về những gì một nghiên cứu sinh tiến sĩ chủ yếu làm, các nhiệm vụ lớn nhất ngày càng là lập trình và phân tích dữ liệu, ít nhất là đối với các lĩnh vực tính toán, vì vậy bất cứ điều gì giúp ích ở đó sẽ hữu ích một cách không cân xứng," anh nói. Mặc dù anh đã coi mình là một lập trình viên đủ giỏi, anh nói rằng công cụ ưa thích của mình, Cursor, đã làm cho anh tốt hơn bằng cách loại bỏ các khía cạnh tẻ nhạt hơn và làm cho việc khám phá các khía cạnh cụ thể của một tập dữ liệu dễ dàng hơn. Thay vì dành tất cả thời gian của mình để gỡ lỗi (làm sạch mã), anh nói, anh "dành nhiều nỗ lực hơn để thực sự tìm hiểu dữ liệu cơ bản và tương tác với mã của mình theo những cách giúp tôi học hỏi. Nếu tôi tò mò về điều gì đó, rất dễ dàng để tạo ra thống kê mô tả, như một biểu đồ."

Tương tự, Tompkins đã thấy các công cụ như Claude là thiết yếu để viết mã cho các hình ảnh trực quan hấp dẫn, năng động. Tạo một biểu đồ tốt, đặc biệt nếu nó là tương tác, có thể yêu cầu hàng trăm dòng mã, và Tompkins nói rằng, trong quá khứ, mức độ nỗ lực đó đã khiến anh nản lòng. "Nhưng khi tôi bắt đầu sử dụng Claude, tôi đã có thể yêu cầu nó viết ra hàng trăm dòng mã đó," anh nói. Các hình ảnh trực quan kết quả đã giúp nhiều người khác hiểu nghiên cứu của anh, mô tả cách những thay đổi nhỏ trong cách mọi người trải nghiệm thông tin có thể thúc đẩy phản ứng của họ đối với nó.

Tuy nhiên, anh nói thêm rằng anh vẫn luôn tự viết mã của mình để phân tích thống kê: "Tôi muốn đảm bảo rằng bất cứ điều gì tôi báo cáo là điều mà tôi hoàn toàn hiểu và có thể bảo vệ khi tôi gửi một bài báo."

Các chương trình AI này tập trung vào việc tạo mã mới, nhưng Gaurav Ragtah, người sáng lập nền tảng CatalyzeX, đã thấy cơ hội tái sử dụng mã hiện có. Nếu các nhà nghiên cứu viết một đường dẫn phân tích mới cho mỗi thí nghiệm, ví dụ, nó có thể làm cho người khác khó tái tạo công việc của họ hơn, đặc biệt nếu tài liệu kém hoặc nhà phát triển ngừng cập nhật mã của họ. Thay vào đó, Ragtah, người có trụ sở tại San Francisco, muốn giúp việc định vị và chia sẻ mã mà người khác đã xuất bản dễ dàng hơn. CatalyzeX sử dụng nền tảng web và tiện ích mở rộng trình duyệt để đánh dấu mã nguồn mở được chia sẻ trong các bài báo được lập chỉ mục trên các trang web như Google Scholar hoặc PubMed, và các nhà nghiên cứu có thể tìm kiếm mã thông qua nền tảng bằng từ khóa. Người quan tâm đến việc sử dụng học máy để hỗ trợ phát hiện ung thư, ví dụ, có thể tìm kiếm đường dẫn xử lý dữ liệu đã được sửa đổi giúp giải quyết thực tế là dữ liệu có sẵn công khai thường liên quan đến kích thước mẫu nhỏ.

"Dù các trình tạo mã này tuyệt vời đến đâu, chúng ta không cần phải tái phát minh bánh xe mỗi lần khi có những ví dụ tuyệt vời về những gì bạn đang cố gắng làm," Ragtah nói. "Mã nguồn mở giúp mọi người không phải bắt đầu từ đầu và cung cấp cho họ một giàn giáo để xây dựng và cải thiện, đồng thời làm cho nghiên cứu dễ dàng so sánh hơn."

Hoàn thiện bài viết của bạn

Những cách sử dụng chatbot sớm nhất, rõ ràng nhất là như các công cụ viết, và việc tạo văn bản vẫn là một nhiệm vụ hàng đầu. Tuy nhiên, AI tổng quát đôi khi có thể gặp khó khăn với sự phức tạp của việc viết khoa học, vì vậy các nhà phát triển đang tạo ra các nền tảng thu hút trực tiếp vào nhu cầu độc đáo của các nhà nghiên cứu và sinh viên trong các ngành khoa học, kỹ thuật và y học.

Các công cụ như Paperpal và Thesify kiểm tra bản thảo học thuật đối chiếu với hướng dẫn gửi bài của tạp chí, ví dụ, và cung cấp mẫu cho đề xuất nghiên cứu, đánh giá tài liệu, tóm tắt, luận án và bài luận. SciSpace, cùng với các nền tảng bao gồm Coral AI, Quillbot và Whisper của OpenAI, cũng quảng cáo khả năng dịch thuật bao gồm hàng chục ngôn ngữ — một công cụ hữu ích cho các nhà nghiên cứu như María Mercedes Hincapié-Otero, một nghiên cứu sinh tiến sĩ về sinh học tế bào tại Đại học Helsinki ở Phần Lan, người lớn lên nói tiếng Tây Ban Nha ở Colombia.

Hincapié-Otero thường sử dụng AI để kiểm tra bài viết của mình về sự trôi chảy, ngữ pháp và giọng điệu, và đã sử dụng ChatGPT, trong số các chương trình khác, để soạn thảo email không chính thức và để đăng ký thành công công việc. "Đã có một gánh nặng không cân xứng trên các nhà khoa học nói tiếng Anh như ngôn ngữ thứ hai," cô nói thêm rằng đôi khi cô đã cảm thấy tự ý thức về khả năng giải thích các chủ đề khoa học phức tạp khi viết bằng tiếng Anh. "AI là một sự thay thế tuyệt vời cho khi tôi muốn chạy ý tưởng hoặc bài viết của mình qua một người khác, nhưng không có ai, và nó chỉ mang lại cho tôi sự bình an trong tâm trí để tập trung vào những điều quan trọng hơn."

Ý tưởng về việc tăng cường tiếp cận kiến thức thể chế này là một phần của điều đã thúc đẩy Marc-Oliver Gewaltig, một nhà thần kinh học trước đây, đồng sáng lập công ty Thụy Sĩ Thesify vào năm 2024 như một nền tảng đa điểm dừng cho sinh viên. "Tôi có lợi thế của một người hướng dẫn cực kỳ chú ý, người đọc mọi thứ cẩn thận và cho chúng tôi phản hồi," anh nói. "Điều đó không phải lúc nào cũng xảy ra, và bây giờ tôi có thêm góc nhìn về việc khó khăn như thế nào đối với các thành viên khoa để thậm chí tìm thời gian truyền đạt tất cả kiến thức của họ cho sinh viên. May mắn thay, chúng ta có thể giảm bớt gánh nặng đó ở cả hai phía với AI."

Ngoài việc cung cấp phản hồi về các bài báo nghiên cứu và luận án, Thesify là một trong số ít nền tảng tập trung vào việc đào tạo sinh viên trong một không gian thiết yếu khác: viết tài trợ. Các đề xuất tài trợ, Gewaltig nói, hiếm khi được đại diện trong dữ liệu đào tạo AI, nhưng việc học cách cấu trúc chúng là một kỹ năng cần thiết thường mất nhiều năm để phát triển. Tương tự, người tìm hội nghị và tạp chí của nền tảng giúp sinh viên xác định các cuộc họp và ấn phẩm nơi công việc của họ có nhiều khả năng được chấp nhận nhất.

"Mục tiêu của công cụ này, thực sự là mục tiêu của nhiều nền tảng này, là tăng hiệu quả và năng suất, nhưng trong khoa học điều đó đôi khi có ý nghĩa khác," anh nói, đề cập đến thực tế là rất nhiều thành công trong học thuật được quyết định bởi kinh nghiệm và sự hướng dẫn tốt. "Vẫn còn một chặng đường dài để tạo ra thứ gì đó như trí thông minh tổng quát thực sự, nhưng chúng ta hiện có khả năng làm cho thông tin dễ tiếp cận hơn cho mọi người."