Tổng quan

Trong kỷ nguyên của đô thị hóa và tăng trưởng kinh tế, Việt Nam đang phải đối mặt với một thách thức môi trường ngày càng nghiêm trọng là vấn đề quản lý rác thải sinh hoạt. Theo báo cáo từ Bộ Tài nguyên và Môi trường năm 2023, mỗi ngày cả nước phát sinh khoảng 60.000 tấn rác thải sinh hoạt, và con số này được dự báo sẽ tăng thêm 10-16% vào năm 2025 nếu không có các biện pháp can thiệp quyết liệt [28].

Trước áp lực từ khối lượng rác thải khổng lồ, phương pháp xử lý rác thải tại Việt Nam lại cho thấy sự lạc hậu và thiếu bền vững. Cụ thể, việc chôn lấp vẫn là phương pháp xử lý rác thải chủ đạo, chiếm khoảng 71% tổng lượng chất thải được xử lý thông qua chôn lấp (không bao gồm chất thải từ các cơ sở ủ phân và tro từ lò đốt) [9]. Các bãi chôn lấp không chỉ chiếm dụng quỹ đất vốn đã hạn hẹp tại các đô thị, mà còn là nguồn gây ô nhiễm lâu dài khi rác thải (đặc biệt là nhựa và các chất khó phân hủy) tồn tại hàng trăm năm. Quá trình phân hủy yếm khí tại các bãi rác còn phát sinh một lượng lớn khí methane (CH4) và carbon dioxide (CO2), những khí nhà kính góp phần trực tiếp vào biến đổi khí hậu, đồng thời tiềm ẩn nguy cơ gây ô nhiễm nguồn nước ngầm [70].

Để giảm tải cho các bãi chôn lấp và thúc đẩy tái chế rác thải, việc phân loại rác tại nguồn đóng một vai trò then chốt. Nhận thức được điều này, Chính phủ đã có những bước đi mạnh mẽ, điển hình là Luật Bảo vệ Môi trường 2020 [47], quy định việc phân loại rác là bắt buộc. Mặc dù vậy, quá trình triển khai thực tế về việc phân loại rác vẫn còn nhiều hạn chế khi chủ yếu phụ thuộc vào ý thức và thói quen của người dân. Điều này dẫn đến tình trạng thiếu đồng bộ, hiệu quả phân loại thấp, gây khó khăn cho quá trình tái chế, làm tăng chi phí xử lý và giảm hiệu quả quản lý tổng thể.

Trước những thách thức của việc phân loại thủ công, các giải pháp công nghệ ứng dụng mô hình học sâu (DL) và Internet Vạn Vật (IoT) đã mở ra một hướng đi đầy hứa hẹn. Một số hệ thống thùng rác thông minh đã được nghiên cứu và phát triển tại Việt Nam, như mô hình của sinh viên RMIT với độ chính xác 93% [81] hay hệ thống tại Đại học Cần Thơ đạt 90% [39]. Các công trình này đã chứng minh tính khả thi của việc tự động hóa phân loại rác. Tuy nhiên, khi phân tích sâu hơn, có thể nhận thấy các giải pháp hiện tại vẫn còn tồn tại những khoảng trống nghiên cứu và công nghệ quan trọng, cần được giải quyết để đưa ứng dụng vào thực tiễn một cách hiệu quả. Thách thức đầu tiên
xuất phát từ chính cấp độ mô hình thuật toán. Các mô hình học sâu hiện nay, dù mạnh mẽ, thường được huấn luyện trên các tập dữ liệu quốc tế hoặc dữ liệu “sạch” trong môi trường nghiên cứu. Điều này tạo ra một sự không tương thích lớn khi chúng phải đối mặt với rác thải sinh hoạt thực tế tại Việt Nam. Quan trọng hơn, việc đánh giá và so sánh hiệu suất giữa các kiến trúc mô hình học sâu khác nhau thường thiếu một quy trình chuẩn hóa. Sự thiếu vắng này tạo ra một rào cản lớn, khiến việc xác định một cách khoa học mô hình nào thực sự tối ưu và phù hợp nhất cho bài toán trở nên khó khăn và mang tính phỏng đoán. Ngoài ra, các giải pháp trên chưa hiện thực hóa việc xây dựng hệ thống quản lý thùng rác để thu thập dữ liệu, giám sát hoạt động và cung cấp thông tin chiến lược cho người vận hành.

Từ những thực trạng và các khoảng trống công nghệ còn tồn tại, chúng tôi nhận thấy sự cần thiết của một hướng tiếp cận toàn diện hơn. Một giải pháp không chỉ dừng lại ở việc xây dựng một thiết bị thông minh, mà phải kiến tạo một hệ sinh thái hoàn chỉnh, giải quyết bài toán từ khâu chuẩn bị dữ liệu, lựa chọn mô hình một cách khoa học, cho đến việc tích hợp thiết bị vào một hệ thống quản lý có khả năng mở rộng. Chính vì vậy, chúng tôi đã quyết định thực hiện đề tài: “Xây dựng hệ thống quản lý và mô hình thùng rác thông minh dựa trên kỹ thuật học sâu kết hợp với Internet Vạn Vật”. Đề tài hướng tới việc cung cấp một giải pháp đầu cuối, trong đó Benchmark Framework cho phép lựa chọn mô hình học sâu tối ưu nhất một cách khách quan và tích hợp mô hình đó vào một thiết bị vật lý được kết nối và quản lý bởi một hệ thống website tập trung.

Đối tượng nghiên cứu

Đề tài tập trung nghiên cứu các đối tượng khoa học và công nghệ bao gồm:

• Các kiến trúc học sâu (Deep Learning): Nghiên cứu, so sánh và đánh giá các mô hình thị giác máy tính (Computer Vision) hiện đại như ResNet, EfficientNet, ViT, ConvNeXt… cho bài toán phân loại hình ảnh rác thải.
• Công nghệ internet vạn vật (IoT): Nghiên cứu các thành phần phần cứng bao gồm vi điều khiển (Raspberry Pi 4), cảm biến (camera, cảm biến siêu âm) và cơ cấu chấp hành (động cơ servo) để thiết kế và tích hợp thành một thiết bị thông minh hoàn chỉnh.
• Các kiến trúc và công nghệ phát triển phần mềm: Nghiên cứu và áp dụng các mô hình kiến trúc phần mềm như Client-Server, mô hình MVC (Model-View-Controller) và các công nghệ web (HTML/CSS, JavaScript, Spring Boot) để xây dựng hệ thống quản lý tập trung.

Phạm vi nghiên cứu

Để đảm bảo tính khả thi và tập trung, phạm vi nghiên cứu của đề tài được giới hạn như sau:

• Các tập dữ liệu: Thu thập, xử lý và gắn nhãn cho 4 nhóm chất thải chính;
• Mô hình học sâu: So sánh và tinh chọn các mô hình có sẵn, không nghiên cứu thuật toán mới; tập trung vào đánh giá trên bộ dữ liệu do đề tài chuẩn bị.
• Thùng rác thông minh: Chế tạo mô hình thùng rác vật lý có khả năng tự động phân loại 4 nhóm rác chính (hữu cơ, tái chế, khó phân hủy, nguy hại) và sử dụng năng lượng mặt trời để duy trì hoạt động.
• Hệ thống quản lý: Phát triển các chức năng giám sát cơ bản (vị trí, trạng thái đầy, cảnh báo); chưa bao gồm phân tích dữ liệu nâng cao hay tính năng dự báo.
• Kiểm thử và đánh giá hiệu suất: Sử dụng bộ metric đầy đủ bao gồm Accuracy, Precision, Recall và F1-score để đánh giá toàn diện hiệu quả của framework. Kiểm thử hệ thống quản lý thùng rác và mô hình thùng rác thông minh trong môi trường thực tế.

PHÂN TÍCH THIẾT KẾ HỆ THỐNG

Tổng quan kiến trúc

• Benchmark Framework: Benchmark framework được thiết kế dựa trên 2 thành phần chính là Dataloader và Benchmark model. Dataloader được xây dựng thành một bộ nạp dữ liệu thống nhất, quản lý và cung cấp các dataset về rác thải từ các nguồn khác nhau trên internet. Sau đó chúng tôi sẽ tiền xử lý dữ liệu đó và thực hiện Benchmark model để đánh giá các mô hình học sâu trên các tập dataset khác nhau với các chỉ số đo lường (metrics) như accuracy, F1-score, … nhằm so sánh hiệu quả giữa các mô hình trong cùng một điều kiện thực nghiệm. Sau đó chúng tôi sẽ áp dụng các mô hình học sâu vào mô hình thùng rác thông minh.
• Mô hình thùng rác thông minh: mô hình thùng rác thông minh của chúng tôi được thiết kế dạng hình hộp chữ nhật với 4 ngăn cho 4 loại rác (hữu cơ, tái chế, khó phân hủy và độc hại). Raspberry Pi 4 đóng vai trò điều khiển trung tâm, xử lý hình ảnh và tín hiệu từ các cảm biến để phân loại rác. Chúng tôi tích hợp vào thùng rác mô hình học sâu để nhận dạng rác thuộc loại rác nào và sao đó tích hợp các sensor cho việc xử lý việc phân loại rác tự động.
• Hệ thống quản lí thùng rác: Đến với hệ thống quản lý thùng rác chúng tôi thiết kế theo mô hình kiến trúc ba tầng (MVC – Model, View, Controller), giúp tách biệt rõ ràng giữa logic nghiệp vụ, giao diện người dùng, và xử lý dữ liệu. Phần website (frontend) được xây dựng cho người quản trị hệ thống tương tác, theo dõi các thùng rác và tương tác với server để lấy dữ liệu. Ngoài ra thì Raspberry sẽ trực tiếp gửi dữ liệu thùng rác lên server thông qua API. Mục tiêu chính là tối ưu hóa khả năng mở rộng, bảo trì và nâng cấp hệ thống. Các thành phần giao tiếp với nhau thông qua API và xác thực bằng JWT để đảm bảo bảo mật. Hệ thống được triển khai trên pipeline CI/CD sẽ giúp cho việc kiểm tra và vận hành hệ thống quản lí thùng rác đảm bảo tính liên tục, an toàn và ổn định của quá trình phát hành sản phẩm hiệu quả.

Quy trình Huấn luyện và Đánh giá

Để đảm bảo tính khách quan và khả năng tái lập, một quy trình thực nghiệm chuẩn hóa đã được thiết kế và tự động hóa thông qua framework lập trình, áp dụng nhất quán cho tất cả các mô hình được lựa chọn. Quy trình bắt đầu với bước tiền xử lý dữ liệu đầu vào. Dữ liệu nhận từ Dataloader được xử lý để đồng nhất hóa định dạng, trong đó tất cả hình ảnh đều được thay đổi kích thước về một độ phân giải tiêu chuẩn (ví dụ: 224×224 pixels). Đồng thời, các giá trị pixel của ảnh được chuẩn hóa (normalize) theo giá trị trung bình và độ lệch chuẩn cơ bản nhằm ổn định và tăng tốc quá trình hội tụ của mô hình.

Sau khi tiền xử lý, mỗi mô hình sẽ được huấn luyện trên tập huấn luyện (train set). Để tận dụng kiến thức từ các bài toán lớn, kỹ thuật học chuyển giao (transfer learning) được áp dụng bằng cách khởi tạo trọng số từ các mô hình đã được huấn luyện trước trên ImageNet. Trong suốt quá trình huấn luyện, trình tối ưu hóa Adam và hàm mất mát Categorical Cross-Entropy được sử dụng. Hiệu suất của mô hình được liên tục theo dõi trên tập kiểm định (validation set) sau mỗi epoch.

Dựa trên kết quả này, các siêu tham số như tốc độ học (learning rate) sẽ được tinh chỉnh, và phiên bản mô hình có hiệu suất tốt nhất trên tập kiểm định (dựa trên giá trị accuracy_val) sẽ được lưu lại. Bước cuối cùng và quan trọng nhất là đánh giá khả năng tổng quát hóa của
mô hình. Phiên bản mô hình tốt nhất đã được lựa chọn từ bước trước sẽ được đánh giá một lần duy nhất trên tập kiểm tra (test set). Vì tập dữ liệu này hoàn toàn mới và chưa từng được mô hình sử dụng trong quá trình huấn luyện hay tinh chỉnh, kết quả thu được trên tập này phản ánh một cách khách quan và đáng tin cậy nhất hiệu suất của mô hình khi đối mặt với các dữ liệu thực tế. Để định lượng hóa hiệu suất này một cách toàn diện, các chỉ số đánh giá tiêu chuẩn sẽ được sử dụng.

Mô hình thùng rác thông minh

Tiếp nối việc lựa chọn mô hình học sâu tối ưu, mục này sẽ trình bày chi tiết về kiến trúc mô hình thùng rác thông minh – một thiết bị IoT tự hành, nơi lý thuyết về trí tuệ nhân tạo được tích hợp vào một hệ thống phần cứng vật lý. Mô hình này được thiết kế như một hệ thống khép kín, có khả năng thực hiện toàn bộ chu trình phân loại rác tại nguồn một cách tự động, từ việc phát hiện vật thể, thu nhận và xử lý hình ảnh, đến việc điều khiển cơ cấu cơ khí để đưa rác vào đúng ngăn chứa.

Hệ thống quản lý thùng rác

Khối client đóng vai trò là điểm tương tác với hệ thống và bao gồm hai tác nhân riêng biệt. Tác nhân thứ nhất là giao diện người dùng (User Interface), một ứng dụng web được xây dựng bằng HTML, CSS, và JavaScript, cung cấp cho người quản trị một giao diện trực quan để giám sát và điều khiển. Tác nhân thứ hai là các thiết bị smartbin, hoạt động như những client IoT, có nhiệm vụ thu thập dữ liệu cảm biến và gửi chúng đến server một cách tự động.

Khối server, đóng vai trò là lõi xử lý của toàn bộ hệ thống, được xây dựng theo kiến trúc ba tầng (Three-Tier Architecture) và tuân thủ chặt chẽ mẫu thiết kế Model-View-Controller (MVC):

• Tầng Presentation (Controller): Đây là cổng giao tiếp của Server, chịu trách nhiệm tiếp nhận và xác thực các yêu cầu HTTP REST API từ cả giao diện web và các thùng rác thông minh.
• Tầng Business Logic (Service): Tầng này chứa đựng toàn bộ logic nghiệp vụ cốt lõi. Nó nhận yêu cầu từ controller, thực hiện các quy trình xử lý phức tạp như kiểm tra ngưỡng, điều phối các tác vụ, và chuẩn bị dữ liệu trước khi trả về.
• Tầng Data Access (Repository): Tầng này đóng vai trò là một lớp trừu tượng, chịu trách nhiệm cho mọi tương tác với cơ sở dữ liệu. Việc tách biệt tầng này giúp hệ thống độc lập với loại database cụ thể và đơn giản hóa việc truy vấn dữ liệu.

Để mở rộng chức năng vượt ra ngoài phạm vi xử lý nội bộ và cung cấp các tiện ích quan trọng như cảnh báo tức thời, kiến trúc hệ thống còn được thiết kế để có thể tương tác một cách linh hoạt với các dịch vụ của bên thứ ba. Cụ thể, hệ thống tích hợp với Dịch vụ bên thứ ba, mà trong trường hợp này là Gmail SMTP Server, để thực hiện chức năng gửi email cảnh báo tự động đến người quản trị khi có sự kiện quan trọng xảy ra.

Sự phối hợp giữa các khối chức năng này tạo nên một luồng dữ liệu và tương tác được định nghĩa rõ ràng, đảm bảo hệ thống vận hành một cách nhất quán. Khi người dùng thực hiện một thao tác trên giao diện, một yêu cầu (request) sẽ được gửi đến tầng Controller. Controller sau đó gọi đến Service tương ứng để xử lý. Nếu cần dữ liệu, Service sẽ yêu cầu Repository truy vấn từ Database. Dữ liệu lấy ra từ database, thường ở dạng các đối tượng Entity được ánh xạ bởi ORM (Object-Relational Mapping), sẽ được tầng Service xử lý, biến đổi thành các đối
tượng Model (DTO – Data Transfer Object) gọn nhẹ hơn và trả về cho Controller.

Cuối cùng, Controller đóng gói dữ liệu này trong một phản hồi API (response) và gửi lại cho Client để hiển thị. Tương tự, khi Server cần gửi thông báo, nó sẽ tương tác với dịch vụ SMTP để gửi email đến người dùng cuối.

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Kết quả đạt được

Qua quá trình nghiên cứu và triển khai, đề tài đã hoàn thành các mục tiêu trọng tâm, tạo nên một giải pháp tổng thể và đồng bộ. Các kết quả đạt được không chỉ dừng lại ở một sản phẩm đơn lẻ mà đã hình thành một hệ sinh thái hoàn chỉnh, bao gồm ba đóng góp chính: xây dựng hệ thống quản lý thùng rác, chế tạo mô hình thùng rác thông minh vật lý và xây dựng khung đánh giá benchmark framework.

• Hệ thống quản lý và giám sát thùng rác: đã hoàn thiện các chức năng cốt lõi, bao gồm: hiển thị vị trí thùng rác trên bản đồ, trực quan hóa dữ liệu thời gian thực và cảnh báo qua email khi các thông số vượt ngưỡng cho phép. Bên cạnh đó, quy trình CI/CD đã được thiết lập nhằm tự động hóa kiểm thử và triển khai liên tục lên môi trường Kubernetes, được quản lý bởi ArgoCD.
• Mô hình thùng rác vật lý tích hợp mô hình học sâu: sử dụng nguồn điện từ pin mặt trời nhằm đảm bảo khả năng hoạt động ổn định cho Raspberry Pi và các thiết bị ngoại vi. Hệ thống tích hợp các cảm biến sóng âm để phát hiện vật thể và đo mức đầy trong ngăn chứa rác, servo để điều khiển việc phân loại và thả rác vào đúng vị trí, cùng với màn hình LED hiển thị kết quả dự đoán. Mô hình học sâu sau khi được huấn luyện đã được nhúng trực tiếp vào Raspberry Pi, thực hiện nhận dạng loại rác thông qua hình ảnh thu được từ camera gắn trên thùng. Dựa vào kết quả phân loại, hệ thống sẽ điều khiển cơ cấu cơ khí đưa rác vào đúng ngăn chứa tương ứng (hữu cơ, tái chế, khó phân hủy, nguy hại). Đồng thời, toàn bộ dữ liệu vận hành sẽ được gửi tự động lên server để lưu trữ và phục vụ công tác giám sát, theo dõi trạng thái hoạt động từ xa.
• Khung đánh giá benchmark framework: đề tài đã hoàn thiện mô-đun DataLoader cho việc tải và sử dụng các tập dataset đã được lọc và xử lý trên server. Sau đó dựa trên nền tảng dữ liệu này, Framework cho phép triển khai một quy trình thực nghiệm khách quan để đánh giá và so sánh đồng bộ hiệu suất của các mô hình học sâu tiên tiến (như ResNet, EfficientNet, ConvNeXt,…). Kết quả không chỉ được thể hiện qua các bảng so sánh chi tiết về chỉ số Accuracy, F1-score, Precision và Recall. Quan trọng hơn, nó đã cung cấp một cơ sở khoa học vững chắc để lựa chọn ra mô hình tối ưu cho việc tích hợp vào thùng rác thông minh.

Hạn chế

Dù đề tài đã đạt được một số kết quả tích cực và chứng minh được tính khả thi trong ứng dụng thực tiễn, tuy nhiên vẫn còn tồn tại một số hạn chế nhất định cần được xem xét và khắc phục trong các nghiên cứu tiếp theo. Cụ thể, những điểm hạn chế của đề tài bao gồm:

• Hiệu năng trên thiết bị cận biên: hệ thống hiện tại vẫn còn tồn tại một số hạn chế về mặt phần cứng ảnh hưởng đến hiệu quả hoạt động. Cụ thể, máng trượt chưa đủ rộng và bề mặt chưa đủ nhẵn, khiến một số loại rác có kích thước lớn hoặc độ dính cao khó trượt xuống ngăn phân loại một cách trơn tru. Khi ánh sáng yếu hoặc vật thể bị che khuất, chất lượng hình ảnh đầu vào suy giảm, làm mất các đặc trưng quan trọng mà mô hình cần để nhận diện, từ đó khiến hiệu suất phân loại giảm. Trong môi trường thiếu sáng, chi tiết như biên cạnh, kết cấu, màu sắc trở nên mờ nhạt hoặc biến dạng; còn khi vật thể bị che khuất bởi vật cản, bóng tối hay thời tiết xấu như mưa và sương mù, mô hình dễ nhầm lẫn do thiếu thông tin đầy đủ về hình dạng và vị trí đối tượng.
• Độ ổn định trong điều kiện bất lợi: khi ánh sáng yếu hoặc vật thể bị che khuất, chất lượng hình ảnh đầu vào suy giảm, làm mất các đặc trưng quan trọng mà mô hình cần để nhận diện, từ đó khiến hiệu suất phân loại giảm. Khi vật thể bị che khuất một phần do vật cản, bóng tối hoặc các yếu tố môi trường (như mưa, sương mù), mô hình dễ bị nhầm lẫn vì thiếu thông tin toàn diện về hình dạng và vị trí của đối tượng.

Hướng Phát triển tương lai

Trước những hạn chế còn tồn đọng và bối cảnh công nghệ không ngừng tiến bộ và nhu cầu thực tiễn ngày càng thay đổi, việc khai phá các hướng phát triển tương lai không chỉ là một nhiệm vụ quan trọng mà còn là nguồn cảm hứng cho sự sáng tạo và đổi mới.

• Cải tiến thiết bị: nghiên cứu và tăng cường tính cơ khí và độ chính xác trong vận hành của hệ thống, cụ thể chúng tôi sẽ nghiên cứu, cải thiện thiết kế máng trượt để đảm bảo bề mặt nhẵn hơn và chiều rộng phù hợp với đa dạng chủng loại rác. Tối ưu bố trí cảm biến để nâng cao hiệu quả nhận diện, giảm thiểu độ trễ trong xử lý tín hiệu và tăng độ chính xác trong phân loại.
• Nâng cao khả năng hoạt động trong điều kiện khắc nghiệt: để hệ thống thùng rác thông minh hoạt động ổn định dưới điều kiện thời tiết bất lợi (như nắng gắt, mưa lớn, trời âm u hoặc sương mù, …), cần áp dụng các giải pháp như: sử dụng vỏ thiết bị đạt chuẩn chống nước, chống bụi cho camera, cảm biến và pin mặt trời; tích hợp cảm biến môi trường để điều chỉnh tần suất xử lý nhằm tiết kiệm năng lượng; và trang bị camera HDR hoặc hồng ngoại nhằm đảm bảo khả năng nhận diện trong điều kiện ánh sáng yếu hoặc sương mù.
• Mở rộng số loại rác và tích hợp xử lý sau phân loại: thu thập thêm dữ liệu thực địa từ các khu dân cư, trường học, trung tâm thương mại; tích hợp dữ liệu từ người dùng qua ứng dụng di động để cải thiện khả năng tổng quát của mô hình. Phát triển thêm phân loại chi tiết cho rác tái chế theo từng chức năng của từng loại rác ( như chai nhựa sẽ tách riêng với các lon nước bằng thiết,…) ; nghiên cứu tích hợp công nghệ xử lý hiện đại và điều phối phương tiện thu gom tự động. Thử nghiệm hệ thống trên nhiều loại rác thải khác nhau hơn và trong các điều kiện thực tế khác nhau để kiểm tra tính ổn định của mô hình. Cải thiện giao diện website quản lý, tích hợp thêm AI-driven analytics để phân tích xu hướng rác thải và hỗ trợ quản lý môi trường. Phát triển hệ thống ,tối ưu hóa thu gom rác thải bằng cách kết nối với các dịch vụ thu gom, giúp tối ưu hóa lộ trình và giảm chi phí vận hành.
• Tích hợp hệ sinh thái IoT và thành phố thông minh: liên kết hệ thống với các nền tảng IoT quy mô lớn nhằm theo dõi, dự báo lượng rác phát sinh theo thời gian thực, hỗ trợ các cơ quan chức năng trong việc quản lý và quy hoạch đô thị. Kết hợp với công nghệ Big Data để phân tích xu hướng, hành vi xả rác, từ đó đưa ra các chính sách phù hợp hơn trong công tác bảo vệ môi trường.
• Phát triển ứng dụng di động và gamification: thiết kế ứng dụng dành cho người dùng nhằm theo dõi tình trạng rác thải, nhận thông báo lịch trình thu gom và cung cấp dữ liệu người dùng để cải thiện mô hình AI. Đồng thời, có thể tích hợp cơ chế gamification (trò chơi hóa) để khuyến khích người dân phân loại rác đúng cách thông qua việc tích điểm, nhận thưởng hoặc xếp hạng, từ đó nâng cao nhận thức cộng đồng và lan tỏa hành vi tích cực.