T. 16 S. 05 (2026): Tạp chí Vật liệu và Xây dựng
##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Đánh giá khả năng ứng dụng của AI trong quản lý hợp đồng xây dựng

Nguyễn Trọng Phúc , Phạm Trương Thị Lệ Hiểu , Hà Duy Khánh

Từ khóa:

Quản lý hợp đồng xây dựng
Trí tuệ nhân tạo
Xử lý ngôn ngữ tự nhiên
Xử lý văn bản
BERT
Mô hình ngôn ngữ lớn

Tóm tắt

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) ngày càng được ứng dụng rộng rãi trong quản lý hợp đồng xây dựng. Tuy nhiên, các nghiên cứu hiện nay chưa khảo sát và so sánh một cách hệ thống ảnh hưởng của các yếu tố như sử dụng mô hình đã được tiền huấn luyện (pre-trained model), kiến trúc đơn nhiệm hay đa nhiệm, cũng như mối quan hệ giữa các yếu tố này, quy mô dữ liệu và hiệu suất mô hình (accuracy, F1 score, tỷ lệ hài lòng và tỷ lệ thành công). Khoảng trống này làm hạn chế cơ sở tham khảo định lượng cho việc lựa chọn kiến trúc mô hình và chiến lược huấn luyện phù hợp với từng bài toán NLP trong quản lý hợp đồng xây dựng. Để giải quyết những giới hạn này, nghiên cứu này tổng quan có hệ thống 124 bài báo về ứng dụng NLP trong quản lý hợp đồng xây dựng, phân loại theo nhóm tác vụ, loại tài liệu và phương pháp, đồng thời xem xét ảnh hưởng của mô hình tiền huấn luyện, quy mô dữ liệu huấn luyện và kiến trúc đơn nhiệm/đa nhiệm đến hiệu suất mô hình. Kết quả cho thấy phân loại văn bản là nhóm tác vụ phổ biến nhất (60%), điều khoản hợp đồng là loại tài liệu được nghiên cứu nhiều nhất (46%), trong khi các mô hình học máy (Machine Learning - ML) chiếm tỷ lệ cao nhất (26%) và Bidirectional Encoder Representations from Transformers (BERT) cùng các biến thể đạt hiệu suất trung bình cao nhất (89%). Các mô hình tiền huấn luyện có lợi thế rõ rệt khi dữ liệu gán nhãn hạn chế, trong khi mô hình đa nhiệm cho thấy hiệu quả tốt hơn ở quy mô dữ liệu trung bình. Bên cạnh đó, nghiên cứu đồng thời chỉ ra các hướng nghiên cứu nhằm phát triển mô hình ngôn ngữ chuyên ngành, bộ dữ liệu chuẩn hóa và công khai, dữ liệu hợp đồng xây dựng tiếng Việt, cũng như các kiến trúc đa nhiệm để nâng cao khả năng ứng dụng thực tiễn.

Điều hướng Người dùng

Cách trích dẫn

Nguyễn Trọng Phúc, Phạm Trương Thị Lệ Hiểu, & Hà Duy Khánh. (2026). Đánh giá khả năng ứng dụng của AI trong quản lý hợp đồng xây dựng. Tạp Chí Vật liệu Và Xây dựng - Bộ Xây dựng, 16(05). https://doi.org/10.54772/jomc.05.2026.1508

Tài liệu tham khảo

  1. S.-O. Cheung and H. C. H. Suen, “A multi-attribute utility model for dispute resolution strategy selection,” Constr. Manag. Econ., vol. 20, no. 7, pp. 557–568, Oct. 2002, doi: 10.1080/01446190210157568.
  2. M. Abdelsayed and R. Moffat, “Design on better outcomes, getting to the CRUX of time and cost overruns on capital projects,” ReNew Canada.
  3. The Construction Broadsheet, “Report: Value of global construction claims reach $73B,” 2021, [Online]. Available: https://theconstructionbroadsheet.com/report-value-of-global-construction-claims-reach-b-p544-117.htm
  4. R. Khalef and I. H. El-adaway, “Automated Identification of Substantial Changes in Construction Projects of Airport Improvement Program: Machine Learning and Natural Language Processing Comparative Analysis,” J. Manag. Eng., vol. 37, no. 6, p. 04021062, 2021, doi: 10.1061/(ASCE)ME.1943-5479.0000959.
  5. I. Dikmen, G. Eken, H. Erol, and M. T. Birgonul, “Automated construction contract analysis for risk and responsibility assessment using natural language processing and machine learning,” Comput. Ind., vol. 166, p. 104251, 2025, doi: 10.1016/j.compind.2025.104251.
  6. H. T. T. L. Pham and S. Han, “Natural Language Processing with Multitask Classification for Semantic Prediction of Risk-Handling Actions in Construction Contracts,” J. Comput. Civ. Eng., vol. 37, no. 6, 2023, doi: 10.1061/jccee5.cpeng-5218.
  7. M. Soy, T. Zhao, H. Hegazy, J. Zhang, and E. Elwakil, “Advancement of Construction Contract Analysis with Natural Language Processing and Large Language Models: A Literature Review,” 2026, doi: 10.22260/crc-csce-2025/0104.
  8. M. S. Uddin, S. D. Datta, A. Abdelaty, and M. Babar, “Application of Artificial Intelligence in Construction Contract Management: A Systematic Review,” Journal of Legal Affairs and Dispute Resolution in Engineering and Construction, vol. 18, no. 3, p. 03126002, 2026. doi: 10.1061/jladah.ladr-1536.
  9. E. O. Aktas, B. Un, and O. Genc, “Applications of Artificial Intelligence in Construction Contract Management,” 5th International Conference on Modern and Advanced Research, Turkey, pp. 357–364, 2026.
  10. H. Zhou, B. Gao, S. Tang, B. Li, and S. Wang, “Intelligent detection on construction project contract missing clauses based on deep learning and NLP,” Eng. Constr. Archit. Manag., vol. 32, no. 3, pp. 1546–1580, 2025, doi: 10.1108/ECAM-02-2023-0172.
  11. S. Moon, S. Chi, and S. B. Im, “Automated detection of contractual risk clauses from construction specifications using bidirectional encoder representations from transformers (BERT),” Autom. Constr., vol. 142, p. 104465, 2022, doi: 10.1016/j.autcon.2022.104465.
  12. J. I. Deza, H. Ihshaish, and L. Mahdjoubi, “A Machine Learning Approach to Classifying Construction Cost Documents into the International Construction Measurement Standard,” 2022, doi: http://arxiv.org/abs/2211.07705.
  13. A. Erfani and H. Khanjar, “Large Language Models for Construction Risk Classification: A Comparative Study,” Buildings, vol. 15, no. 18, 2025, doi: 10.3390/buildings15183379.
  14. F. ul Hassan and T. Le, “Computer-assisted separation of design-build contract requirements to support subcontract drafting,” Autom. Constr., vol. 122, p. 103479, 2021, doi: 10.1016/j.autcon.2020.103479.
  15. D. M. Salama and N. M. El-Gohary, “Semantic Text Classification for Supporting Automated Compliance Checking in Construction,” J. Comput. Civ. Eng., vol. 30, no. 1, p. 04014106, 2016, doi: 10.1061/(asce)cp.1943-5487.0000301.
  16. P. Jafari, M. Al Hattab, E. Mohamed, and S. Abourizk, “Automated extraction and time-cost prediction of contractual reporting requirements in construction using natural language processing and simulation,” Appl. Sci., vol. 11, no. 13, 2021, doi: 10.3390/app11136188.
  17. G. Eken, “Using natural language processing for automated construction contract review during risk assessment at the bidding stage,” Ph.D. - Doctoral Program, Middle East Technical University, pp. 1–154, 2022. [Online]. Available: https://open.metu.edu.tr/handle/11511/101793
  18. L. Zhang, Y. Ning, and S. Zhou, “Automated multi-label classification of risk clauses in construction contracts using GPT-driven data augmentation,” Autom. Constr., vol. 181, p. 106599, 2026, doi: 10.1016/j.autcon.2025.106599.
  19. P. Waditwar, “Agentic AI in Contract Analytics Harnessing Machine Learning for Risk Assessment and Compliance in Government Procurement Contracts,” Open J. Bus. Manag., vol. 13, no. 05, pp. 3385–3395, 2025, doi: 10.4236/ojbm.2025.135179.
  20. G. Eken, I. Dikmen, and M. T. Birgonul, “Using NLP for Automated Contract Review and Risk Assessment,” Proceedings ofthe 33rd European Safety and ReliabilityConference (ESREL 2023), pp. 2566–2567, 2023. doi: 10.3850/978-981-18-8071-1_p030-cd.
  21. R. Bashir, M. Salamak, and S. Ahmed, “Dispute Management in Engineering Contracts Using Artificial Intelligence,” Int. J. BIM Eng. Sci., vol. 11, no. 2, 2025, doi: 10.54216/ijbes.110202.
  22. A. Demircan and L. O. Uğur, “Analysis of Design-Build Contracts Utilising Machine Learning on the Axis of Time, Cost and Quality,” Düzce Üniversitesi Bilim ve Teknol. Derg., vol. 13, no. 4, pp. 1455–1475, 2025, doi: 10.29130/dubited.1664225.
  23. R. Balaji, K. S. Sivakumar, M. Jagannathan, and V. S. Kumar Delhi, “Automatic Assessment of Leanness of Construction Contract Provisions: A Proof-of-Concept,” Proceedings of the International Symposium on Automation and Robotics in Construction, pp. 822–829, 2024. doi: 10.22260/ISARC2024/0107.
  24. A. Demircan and L. O. Uğur, “Transformer-Based NLP for Construction Contract Clause Classification: Implications for Sustainable Construction Project Governance,” Sustain., vol. 18, no. 13, 2026, doi: 10.3390/su18136788.
  25. C. Zheng, S. Wong, X. Su, Y. Tang, A. Nawaz, and M. Kassem, “Automating construction contract review using knowledge graph-enhanced large language models,” Autom. Constr., vol. 175, p. 106179, 2025, doi: 10.1016/j.autcon.2025.106179.
  26. M. Al Qady and A. Kandil, “Concept Relation Extraction from Construction Documents Using Natural Language Processing,” J. Constr. Eng. Manag., vol. 136, no. 3, pp. 294–302, 2010, doi: 10.1061/(asce)co.1943-7862.0000131.
  27. S. J. Choi, S. W. Choi, J. H. Kim, and E. B. Lee, “Ai and text‐mining applications for analyzing contractor’s risk in invitation to bid (ITB) and contracts for engineering procurement and construction (EPC) projects,” Energies, vol. 14, no. 15, 2021, doi: 10.3390/en14154632.
  28. S. W. Choi and E. B. Lee, “Contractor’s Risk Analysis of Engineering Procurement and Construction (EPC) Contracts Using Ontological Semantic Model and Bi-Long Short-Term Memory (LSTM) Technology,” Sustain., vol. 14, no. 11, 2022, doi: 10.3390/su14116938.
  29. E. W. Kim, Y. J. Shin, K. J. Kim, and S. Kwon, “Development of an Automated Construction Contract Review Framework Using Large Language Model and Domain Knowledge,” Buildings, vol. 15, no. 6, 2025, doi: 10.3390/buildings15060923.
  30. J. Lee, J.-S. Yi, and J. Son, “Development of Automatic-Extraction Model of Poisonous Clauses in International Construction Contracts Using Rule-Based NLP,” J. Comput. Civ. Eng., vol. 33, no. 3, 2019, doi: 10.1061/(asce)cp.1943-5487.0000807.
  31. A. Faraji, M. Rashidi, and S. Perera, “Text Mining Risk Assessment–Based Model to Conduct Uncertainty Analysis of the General Conditions of Contract in Housing Construction Projects: Case Study of the NSW GC21,” J. Archit. Eng., vol. 27, no. 3, 2021, doi: 10.1061/(asce)ae.1943-5568.0000489.
  32. P. V. I. N. Saparamadu et al., “Optimising Contract Interpretations with Large Language Models: A Comparative Evaluation of a Vector Database-Powered Chatbot vs. ChatGPT,” Buildings, vol. 15, no. 7, 2025, doi: 10.3390/buildings15071144.
  33. Z. Zhang, Y., Wang, X., Hu, M., & Zhang, “BifrostRAG Bridging Dual Knowledge Graphs for Multi-Hop Question Answering in Construction Safety,” arXiv e-prints, arXiv-2507, 2025.
  34. G. Rejithkumar, P. R. Anish, P. Sonar, and S. Ghaisas, “Automated Extraction of Compliance Elements in Software Engineering Contracts Using Natural Language Generation,” Proceedings - 2024 ACM/IEEE International Workshop on NL-Based Software Engineering, NLBSE 2024, pp. 69–72, 2024. doi: 10.1145/3643787.3648030.
  35. Y. Gao, Y. Gan, Y. Chen, and Y. Chen, “Application of large language models to intelligently analyze long construction contract texts,” Constr. Manag. Econ., vol. 43, no. 3, pp. 226–242, 2025, doi: 10.1080/01446193.2024.2415676.
  36. Y. Kim, S. Bang, J. Sohn, and H. Kim, “Question answering method for infrastructure damage information retrieval from textual data using bidirectional encoder representations from transformers,” Autom. Constr., vol. 134, 2022, doi: 10.1016/j.autcon.2021.104061.
  37. Y. Fu, T. Lyu, Y. Chen, and Z. Lv, “Q&A system for international construction contracts driven by large language model and knowledge graph,” Eng. Manag., vol. 13, no. 1, pp. 124–145, 2026, doi: 10.1007/s42524-026-4237-0.
  38. M. Zhang, C. Xu, Y. Gan, Y. Wang, Y. Fu, and Y. Chen, “Automating construction contract question answering using large language model and fine-tuning,” Expert Syst. Appl., vol. 297, 2026, doi: 10.1016/j.eswa.2025.129493.
  39. D. Zhao, Y., & Li, “A Large Language Model-Based Framework for Semi-Structured Tender Document Retrieval-Augmented Generation,” arXiv preprint arXiv:2410.09077, 2024.
  40. T. T. Zhou, X. D. Gao, and G. Y. Wei, “Construction Method of Tender Document Based on Case-based Reasoning,” Int. J. Comput. Commun. Control, vol. 16, no. 3, pp. 1–20, 2021, doi: 10.15837/ijccc.2021.3.4170.