Tiểu luận

HỢP TÁC NGƯỜI–AI VÀ PHÁT TRIỂN NĂNG LỰC 7Cs TRONG GIÁO DỤC ĐẠI HỌC: CƠ CHẾ CỦA NĂNG LỰC CHỦ THỂ VÀ ĐIỀU KIỆN CỦA MÔI TRƯỜNG HỌC TẬP HỖ TRỢ AI

Đăng vào bởi admin

HUMAN–AI COLLABORATION AND 7Cs COMPETENCY DEVELOPMENT IN HIGHER EDUCATION: THE MEDIATING ROLE OF LEARNER AGENCY AND THE CONDITIONAL ROLE OF AI-SUPPORTIVE LEARNING ENVIRONMENTS

NGUYỄN VĂN HÙNG

TÓM TẮT

Sự phát triển nhanh chóng của trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI) trong giáo dục đại học đang làm thay đổi căn bản cách sinh viên tìm kiếm thông tin, kiến tạo tri thức, giải quyết vấn đề, sáng tạo, giao tiếp và cộng tác. Tuy nhiên, tần suất sử dụng AI cao không đồng nghĩa với sự phát triển năng lực người học. AI có thể mở rộng khả năng nhận thức và học tập, nhưng đồng thời cũng có thể làm gia tăng hiện tượng chuyển giao nhận thức (cognitive offloading), sự phụ thuộc công nghệ và suy giảm năng lực chủ thể nếu người học chuyển giao quá mức hoạt động đặt vấn đề, đánh giá, lựa chọn và ra quyết định cho hệ thống. Nghiên cứu này đề xuất và kiểm định một mô hình tích hợp giải thích tác động của Hợp tác Người–AI (Human–AI Collaboration – HAC) đối với Phát triển Năng lực 7Cs (7Cs Competency Development – 7Cs-CD) thông qua Năng lực Chủ thể của Người học (Learner Agency – LA), dưới điều kiện biên của Môi trường Học tập Hỗ trợ AI (AI-Supportive Learning Environment – AI-SLE). Bảy năng lực được khái niệm hóa bao gồm: Tư duy phản biện (Critical Thinking), Sáng tạo (Creativity), Hợp tác (Collaboration), Giao tiếp (Communication), Hiểu biết liên văn hóa (Cross-Cultural Understanding), Năng lực Tin học/AI (Computing/AI Literacy) và Tự định hướng nghề nghiệp (Career Self-Reliance). Thay vì xem 7Cs như bảy kỹ năng rời rạc, nghiên cứu xem xét tính khả thi của chúng như một cấu trúc năng lực đa chiều bậc cao. Cơ chế cốt lõi được đề xuất—HAC → LA → 7Cs-CD—định vị Năng lực Chủ thể của Người học là quá trình trung gian quan trọng thông qua đó sự cộng tác với AI chuyển hóa thành năng lực bền vững của con người. AI-SLE được giả thuyết hóa đóng vai trò điều tiết mối quan hệ HAC–LA, sao cho tác động tích cực của hợp tác lên năng lực chủ thể được củng cố trong các môi trường học tập hỗ trợ hơn. Nghiên cứu này đóng góp vào lĩnh vực bằng cách chuyển trọng tâm từ sử dụng AI sang phát triển năng lực hợp tác Người–AI, đồng thời làm sáng tỏ cơ chế và điều kiện để AI có thể hỗ trợ—thay vì thay thế—sự phát triển năng lực con người trong giáo dục đại học.

Từ khóa: Hợp tác Người–AI; Năng lực 7Cs; Năng lực Chủ thể của Người học; Môi trường Học tập Hỗ trợ AI; AI tạo sinh; Giáo dục Đại học; AI Lấy Con người làm Trung tâm

ABSTRACT

The rapid advancement of Generative Artificial Intelligence (GenAI) in higher education is fundamentally reshaping how students search for information, construct knowledge, solve problems, create, communicate, and collaborate. However, frequent AI use does not necessarily translate into the development of learner competencies. Although AI can augment cognitive and learning capabilities, it may also intensify cognitive offloading, technological dependence, and the erosion of learner agency when students excessively delegate problem formulation, evaluation, selection, and decision-making to AI systems.

This study proposes and empirically tests an integrated model explaining the effects of Human–AI Collaboration (HAC) on 7Cs Competency Development (7Cs-CD) through Learner Agency (LA), under the boundary condition of an AI-Supportive Learning Environment (AI-SLE). The seven competencies are conceptualized as Critical Thinking, Creativity, Collaboration, Communication, Cross-Cultural Understanding, Computing/AI Literacy, and Career Self-Reliance. Rather than treating the 7Cs as seven discrete skills, the study examines their viability as a higher-order multidimensional competency construct.

The proposed core mechanism—HAC → LA → 7Cs-CD—positions Learner Agency as a critical mediating process through which collaboration with AI is translated into sustainable human competency development. AI-SLE is hypothesized to moderate the HAC–LA relationship, such that the positive effect of Human–AI Collaboration on Learner Agency is strengthened in more supportive AI-enabled learning environments.

This study contributes to the literature by shifting the analytical focus from AI use to the development of Human–AI collaborative capability, while elucidating the mechanisms and boundary conditions through which AI can augment rather than substitute for human competency development in higher education. In doing so, the study advances a human-centred perspective in which the educational value of AI is assessed not merely by the extent of technology use or improvements in task performance, but by its capacity to strengthen learners’ agency and foster sustainable competencies for learning, work, and human–AI collaboration.

Keywords: Human–AI Collaboration; 7Cs Competencies; Learner Agency; AI-Supportive Learning Environment; Generative Artificial Intelligence; Higher Education; Human-Centred AI.

  1. ĐẶT VẤN ĐỀ

Trí tuệ nhân tạo tạo sinh đang chuyển đổi AI từ một công cụ hỗ trợ bên ngoài thành một đối tác nhận thức tiềm năng trong quá trình học tập. Sinh viên hiện có thể sử dụng AI để khám phá vấn đề, hình thành ý tưởng, phản biện lập luận, mô phỏng nhiều góc nhìn, nhận phản hồi, phân tích dữ liệu, lập trình, tạo nội dung và hỗ trợ ra quyết định (Woolf, 2010; Caballé, 2021). Sự chuyển đổi này đặt ra những câu hỏi căn bản về bản chất của học tập, vai trò của nhận thức con người và các năng lực mà giáo dục đại học cần nuôi dưỡng (Singh et al., 2023; Singh, 2026).

Tuy nhiên, cần phải phân biệt một cách rõ ràng ngay từ đầu: Sử dụng AI ≠ Hợp tác Người–AI ≠ Phát triển Năng lực. Những sinh viên sử dụng AI thường xuyên không nhất thiết phát triển năng lực tốt hơn. Một người học có thể giao toàn bộ nhiệm vụ cho AI; người khác có thể sử dụng AI để tạo ra các phương án cạnh tranh, kiểm tra giả định, tìm bằng chứng đối lập, đánh giá phản biện đầu ra và cuối cùng đưa ra quyết định độc lập. Sự khác biệt nằm ở chất lượng của cấu trúc hợp tác Người–AI—không chỉ ở tần suất sử dụng.

Sự phân biệt này ngày càng trở nên có ý nghĩa quan trọng. Báo cáo Tương lai Việc làm 2025 của Diễn đàn Kinh tế Thế giới (World Economic Forum, 2025) xác định AI và dữ liệu lớn nằm trong nhóm kỹ năng tăng trưởng nhanh nhất, trong khi tư duy phân tích, tư duy sáng tạo, khả năng phục hồi, lãnh đạo và hợp tác tiếp tục giữ vai trò then chốt như những năng lực cốt lõi. Khung Năng lực AI cho Học sinh của UNESCO (Miao et al., 2024) tổ chức mười hai năng lực theo bốn miền—tư duy lấy con người làm trung tâm, đạo đức AI, kỹ thuật và ứng dụng AI, thiết kế hệ thống AI—đồng thời nhấn mạnh phán đoán phản biện và vai trò của học sinh như những người sử dụng và đồng kiến tạo AI có trách nhiệm. Như Shneiderman (2022) lập luận trong Human-Centered AI, trí tuệ nhân tạo cần được sử dụng để nâng cao và cải thiện cuộc sống con người hơn là thay thế năng lực chủ thể của con người.

Giáo dục đại học do đó đối mặt với một câu hỏi mới: Làm thế nào AI có thể được tổ chức không chỉ để giúp sinh viên hoàn thành nhiệm vụ hiệu quả hơn mà còn giúp họ trở thành những người tư duy, sáng tạo, cộng tác, giao tiếp, thích ứng và hành động độc lập tốt hơn? Nghiên cứu này giải quyết câu hỏi đó trong khuôn khổ Phát triển Năng lực 7Cs.

Luận điểm lý thuyết trung tâm của nghiên cứu này được phát biểu như sau:

Giá trị giáo dục của Hợp tác Người–AI không nằm ở mức độ khối lượng công việc nhận thức mà AI có thể thực hiện cho sinh viên, mà nằm ở mức độ hiệu quả mà sự cộng tác đó củng cố năng lực chủ thể của sinh viên để tư duy, sáng tạo, giao tiếp, cộng tác, thực hiện phán đoán phản biện và hành động độc lập trong các môi trường ngày càng trung gian bởi AI.

  1. TỔNG QUAN NGHIÊN CỨU VÀ NỀN TẢNG LÝ THUYẾT

2.1. Từ Sử dụng AI đến Hợp tác Người–AI

Phần lớn nghiên cứu hiện có tập trung vào chấp nhận AI, ý định sử dụng, tần suất sử dụng, tính hữu ích cảm nhận hoặc năng lực AI. Mặc dù những cấu trúc này quan trọng, chúng không giải thích đầy đủ cách thức con người và AI phân phối hoạt động nhận thức. Hợp tác Người–AI cần được phân biệt bằng một số đặc điểm xác định: bổ sung vai trò, tương tác lặp lại, đồng kiến tạo tri thức, kiểm chứng phản biện và quyền quyết định của con người (Dillenbourg, 1999).

Nghiên cứu gần đây đã bắt đầu khái niệm hóa sự phân biệt này một cách chính xác hơn. Van de Poël (2025) đề xuất một khuôn khổ bốn chiều về năng lực lai người-AI, phân biệt: (1) năng lực thiết yếu để kiểm chứng phản biện, (2) khả năng của AI làm điểm chuẩn để phân công nhiệm vụ, (3) năng lực AI là khả năng tương tác với công cụ, và (4) năng lực đặc thù của con người bao gồm tư duy phản biện, sáng tạo khái niệm, sự đồng cảm và phán đoán đạo đức. Khuôn khổ này nhấn mạnh rằng “năng lực được cấu thành như một quá trình động trong đó mỗi bên, con người và AI, mang lại các nguồn lực nhận thức cụ thể” (Van de Poël, 2025, phần “A Four-Dimensional Framework”). Nếu không làm chủ các năng lực thiết yếu để kiểm chứng phản biện, Van de Poël (2025) cảnh báo, “mối quan hệ trở thành sự ủy thác đơn thuần mà không có kiểm soát” và “việc huy động AI khóa chúng ta vào một cách sử dụng thay thế không liên quan gì đến học tập”.

Tương tự, Essien và cộng sự (2026) nghiên cứu năng lực chủ thể Người-AI cảm nhận “được hiểu theo nghĩa thực nghiệm là sự chủ động được báo cáo của sinh viên, giám sát đầu ra của AI và ra quyết định cuối cùng trong học tập được hỗ trợ bởi AI” (Essien et al., 2026, phần “Methodology”). Nghiên cứu so sánh của họ với sinh viên đại học Anh và Trung Quốc cho thấy năng lực chủ thể Người-AI cảm nhận có liên hệ tích cực với sự tham gia phản tư, từ đó liên hệ với tư duy phản biện tự báo cáo. Phát hiện này lý thuyết hóa một “khoảng cách năng lực chủ thể” (agency gap), cho thấy rằng “những sinh viên báo cáo giữ quyền ra quyết định khi sử dụng AI cũng có xu hướng báo cáo mức độ tham gia phản tư và tư duy phản biện tự báo cáo mạnh hơn” (Essien et al., 2026, phần “Discussion”).

Ge và Li (2026) tiếp tục làm rõ cách sinh viên duy trì năng lực chủ thể trong học tập hỗ trợ bởi GenAI, phát triển mô hình Tham gia Chiến lược và Đánh giá Phản biện (Strategic Engagement and Critical Evaluation), trong đó “khái niệm hóa năng lực chủ thể như một quá trình điều chỉnh liên tục được thực hiện thông qua đánh giá phản biện đầu ra AI, thiết lập ranh giới và điều chỉnh yêu cầu” (Ge & Li, 2026, phần “Theoretical Framework”). Kết quả cho thấy “sinh viên hoạt động như ‘con người trong vòng lặp’, liên tục hiệu chỉnh mức độ tin cậy trong khi vẫn giữ quyền đánh giá đối với nội dung do AI tạo ra” (Ge & Li, 2026, phần “Findings”).

Burneo-Arteaga và cộng sự (2025) sử dụng phương pháp phân tích khung hỗn hợp tích hợp hợp tác người-GenAI để xác định các mẫu hình năng lực, cho thấy rằng “trong khi năng lực AI và nhận thức đạo đức thường được đề cập, không có khuôn khổ năng lực thống nhất nào giải quyết các khía cạnh sư phạm và kỹ thuật của tích hợp GenAI” (Burneo-Arteaga et al., 2025, phần “Introduction”). Khoảng trống này nhấn mạnh nhu cầu về các khuôn khổ có cơ sở lý thuyết xác định các năng lực cần thiết cho hợp tác Người–AI hiệu quả trong bối cảnh giáo dục.

2.2. Khung Năng lực 7Cs

Khung 7Cs đã xuất hiện trong nhiều bối cảnh giáo dục như một cách tiếp cận toàn diện đối với năng lực thế kỷ 21. Trong nghiên cứu giáo dục đại học Campuchia, 7Cs được vận hành hóa bao gồm: Tư duy phản biện và giải quyết vấn đề; Sáng tạo và đổi mới; Hợp tác, làm việc nhóm và lãnh đạo; Hiểu biết liên văn hóa; Giao tiếp, thông tin và năng lực truyền thông; Năng lực Tin học và ICT; và Tự định hướng học tập và nghề nghiệp. Trilling và Fadel (2009, trích dẫn trong Van de Poël, 2025) đã mở rộng khung 4Cs trước đó thành 7Cs để làm cho nó thích ứng hơn với thời đại số.

Nghiên cứu này áp dụng và tinh chỉnh khung bảy miền này cho kỷ nguyên AI. Mỗi năng lực được định nghĩa như sau:

C1 – Tư duy phản biện (Critical Thinking): Khả năng phân tích, đánh giá bằng chứng, phát hiện giả định, kiểm chứng đầu ra AI và đưa ra phán đoán có căn cứ (Van de Poël, 2025; Essien et al., 2026).

C2 – Sáng tạo (Creativity): Khả năng tạo ra, kết hợp, đánh giá và phát triển các ý tưởng mới với sự hỗ trợ của AI mà không giao toàn bộ quá trình sáng tạo cho AI (World Economic Forum, 2025).

C3 – Hợp tác (Collaboration): Khả năng cộng tác hiệu quả với cả con người và AI, phân công vai trò và đồng kiến tạo giá trị (Dillenbourg, 1999).

C4 – Giao tiếp (Communication): Khả năng diễn đạt, đối thoại, trình bày, tạo lập thông điệp và điều chỉnh giao tiếp trong các môi trường đa phương thức có trung gian AI.

C5 – Hiểu biết liên văn hóa (Cross-Cultural Understanding): Khả năng hiểu, tôn trọng và làm việc với các quan điểm, giá trị và bối cảnh văn hóa đa dạng, đồng thời nhận diện thiên lệch văn hóa trong đầu ra AI.

C6 – Năng lực Tin học/AI (Computing/AI Literacy): Khả năng hiểu, sử dụng, đánh giá và cộng tác có trách nhiệm với các hệ thống số và AI (Miao et al., 2024).

C7 – Tự định hướng nghề nghiệp (Career Self-Reliance): Khả năng tự định hướng học tập và phát triển nghề nghiệp, thích ứng, tái đào tạo/nâng cao kỹ năng và duy trì khả năng tạo giá trị trong môi trường làm việc được hỗ trợ bởi AI.

Như Báo cáo Tương lai Việc làm 2025 chỉ ra, trong khi kỹ năng AI và dữ liệu lớn đang phát triển nhanh chóng, các kỹ năng con người như tư duy phân tích, tư duy sáng tạo và hợp tác vẫn là thành phần cốt lõi của năng lực nghề nghiệp (World Economic Forum, 2025).

2.3. Năng lực Chủ thể của Người học như Cơ chế Trung tâm

Khái niệm năng lực chủ thể của người học (learner agency) chiếm vị trí trung tâm trong các khuôn khổ giáo dục đương đại. OECD Learning Compass 2030 định nghĩa năng lực chủ thể của học sinh là “khả năng đặt ra mục tiêu, phản tư và hành động có trách nhiệm để tạo ra sự thay đổi” (OECD, 2019, tr. 23). Khuôn khổ nhấn mạnh rằng “khái niệm năng lực chủ thể của học sinh là trung tâm đối với khả năng tự định hướng, duy trì ý thức về mục đích và trách nhiệm trong khi học cách ảnh hưởng đến con người, sự kiện và hoàn cảnh xung quanh họ” (OECD, 2019, tr. 24). Như OECD (2019) diễn giải, “năng lực chủ thể của người học là hành động hơn là bị hành động; định hình hơn là bị định hình” (tr. 25).

Trong các môi trường học tập có trung gian AI, câu hỏi về năng lực chủ thể trở nên đặc biệt cấp thiết. Zhang và cộng sự (2026) đã nghiên cứu hỗ trợ AI tạo sinh do giảng viên điều tiết và phát hiện rằng “năng lực chủ thể của sinh viên phù hợp về mặt thống kê với một con đường trung gian kết nối hỗ trợ AI tạo sinh do giảng viên điều tiết với kết quả học tập cảm nhận” (Zhang et al., 2026, phần “Results”). Nghiên cứu của họ trên 428 sinh viên đại học cho thấy công bằng cảm nhận củng cố mối quan hệ tích cực giữa hỗ trợ AI do giảng viên điều tiết và năng lực chủ thể của sinh viên. Nghiên cứu này nhấn mạnh “năng lực chủ thể của sinh viên như một con đường trung gian hợp lý kết nối sử dụng AI tạo sinh do giảng viên điều tiết với kết quả học tập cảm nhận trong giáo dục đại học” (Zhang et al., 2026, phần “Discussion”).

Nghiên cứu gần đây cũng đặt ra những lo ngại về năng lực chủ thể của người học bị suy yếu trong môi trường GenAI. Nghiên cứu về “căng thẳng hiệu quả–năng lực chủ thể” (efficiency–agency tension) cho thấy trong khi AI tạo sinh cải thiện đáng kể khả năng tiếp cận tri thức và hiệu quả công việc, nó đồng thời đặt ra lo ngại về sự suy yếu năng lực chủ thể của người học (Essien et al., 2026). Khi công việc nhận thức ngày càng có thể được ủy thác cho thuật toán, “điều quan trọng là phải xem xét các điều kiện tâm lý và hành vi trong đó học tập hỗ trợ AI có thể được trải nghiệm như mang tính xây dựng hơn là thụ động hoặc phụ thuộc quá mức” (Ge & Li, 2026, phần “Discussion”).

Nghiên cứu này đề xuất rằng Năng lực Chủ thể của Người học đóng vai trò như cơ chế quan trọng thông qua đó Hợp tác Người–AI chuyển hóa thành phát triển năng lực. Logic như sau: Hợp tác Người–AI không trực tiếp “tạo ra” các năng lực 7Cs. Đúng hơn, sự hợp tác tạo ra các cơ hội nhận thức và khả năng hành động mà khi được người học điều phối một cách chủ động sẽ chuyển hóa thành phát triển năng lực bền vững (Bandura, 2001). Năng lực chủ thể là thành phần hoạt tính chuyển đổi tiềm năng hợp tác thành kết quả phát triển.

2.4. Môi trường Học tập Hỗ trợ AI như Điều kiện Biên

Hợp tác Người–AI không diễn ra trong chân không. Chất lượng của sự hợp tác được định hình bởi nhiều yếu tố bối cảnh: thiết kế nhiệm vụ, hướng dẫn của giảng viên, quyền truy cập AI, hỗ trợ kịp thời (scaffolding), phản hồi, chuẩn mực kiểm chứng, chính sách sử dụng AI, an toàn tâm lý và quản trị AI có trách nhiệm (Woolf, 2010; Caballé, 2021; Singh, 2026).

Zhang và cộng sự (2026) cung cấp bằng chứng thực nghiệm về tầm quan trọng của các điều kiện bối cảnh như vậy, cho thấy hỗ trợ AI tạo sinh do giảng viên điều tiết có liên hệ tích cực với kết quả học tập cảm nhận cả trực tiếp và gián tiếp thông qua năng lực chủ thể của sinh viên. Kết quả của họ gợi ý rằng “sinh viên báo cáo lợi ích học tập lớn hơn khi việc sử dụng AI tạo sinh được giảng viên hướng dẫn rõ ràng hơn, được người học tiếp nhận tích cực hơn và được trải nghiệm trong một bối cảnh học tập công bằng hơn” (Zhang et al., 2026, phần “Discussion”).

Nghiên cứu này khái niệm hóa Môi trường Học tập Hỗ trợ AI (AI-SLE) là mức độ mà môi trường học tập cung cấp các điều kiện sư phạm, công nghệ, xã hội và quản trị cho phép sinh viên cộng tác với AI một cách có chủ đích, phản biện, an toàn, công bằng và có trách nhiệm nhằm phát triển năng lực. Năm chiều được đề xuất bao gồm: (1) Quyền truy cập AI và Hỗ trợ Kỹ thuật, (2) Thiết kế Sư phạm Tích hợp AI, (3) Hỗ trợ và Phản hồi của Giảng viên, (4) Chuẩn mực và Quản trị AI Có trách nhiệm, và (5) An toàn Tâm lý cho Thử nghiệm và Điều tra Phản biện.

Một AI-SLE được thiết kế tốt sẽ giúp sinh viên di chuyển qua một chu trình hoàn chỉnh: sử dụng → đặt câu hỏi → kiểm chứng → quyết định → phản tư (Singh et al., 2023). Điều này phù hợp với lập luận rộng hơn rằng “giá trị giáo dục của AI tạo sinh không được giải thích bởi quyền truy cập đơn thuần, mà bởi cách sử dụng AI được tổ chức sư phạm, được người học tiếp nhận tích cực và được nhúng trong các điều kiện học tập công bằng” (Zhang et al., 2026, phần “Introduction”).

2.5. Tích hợp Lý thuyết: Nền tảng Đa Lý thuyết

Nghiên cứu này tích hợp nhiều góc nhìn lý thuyết để cung cấp nền tảng vững chắc cho mô hình đề xuất.

Thuyết Nhận thức Xã hội (Social Cognitive Theory) của Bandura (2001) cung cấp nền tảng để hiểu con người như những chủ thể có chủ đích (intentionality), dự kiến (forethought), tự phản ứng (self-reactiveness) và tự phản tư (self-reflectiveness). Trong môi trường AI, năng lực chủ thể trở thành phân tán và đàm phán: người học lựa chọn khi nào sử dụng AI, chức năng nào giao cho AI và chức năng nào phải giữ lại (Bandura, 2001).

Thuyết Tự quyết (Self-Determination Theory) của Deci và Ryan (2000; Ryan & Deci, 2017) nhấn mạnh ba nhu cầu tâm lý cơ bản: tự chủ (autonomy), năng lực (competence) và liên kết (relatedness). Hợp tác Người–AI có thể nâng cao năng lực thông qua hỗ trợ và phản hồi, nhưng cũng có thể làm suy giảm tính tự chủ nếu AI kiểm soát quá nhiều hoạt động nhận thức. Hỗ trợ của AI không tự động đồng nghĩa với trao quyền cho người học (Ryan & Deci, 2017).

Thuyết Học tập Tự điều chỉnh (Self-Regulated Learning) của Zimmerman (2000, 2002) xác định ba giai đoạn: dự kiến (forethought) → thực hiện/giám sát (performance/monitoring) → phản tư (reflection). AI có thể hỗ trợ cả ba giai đoạn. Tuy nhiên, nếu AI thực hiện cả ba giai đoạn thay cho người học, hỗ trợ SRL có thể trở thành học tập do AI điều chỉnh. Năng lực Chủ thể của Người học do đó là điều kiện giúp sinh viên sử dụng AI để nâng cao khả năng tự điều chỉnh hơn là thuê ngoài nó (Zimmerman, 2000).

Thuyết Học tập Hợp tác (Collaborative Learning) của Dillenbourg (1999) cung cấp cơ sở để xem học tập như quá trình đồng kiến tạo. Trong Hợp tác Người–AI, AI tạo ra một loại đối tác đặc biệt—nó có thể đóng góp thông tin, phản hồi và các phương án nhưng không sở hữu trách nhiệm nhận thức và đạo đức tương đương với người học. HAC chất lượng cao do đó phải duy trì trách nhiệm nhận thức của con người (Dillenbourg, 1999).

AI Lấy Con người làm Trung tâm (Human-Centred AI) của Shneiderman (2022) cung cấp nguyên tắc chỉ đạo: năng lực AI → nâng cao con người → phát triển con người. Khung của UNESCO (Miao et al., 2024) củng cố điều này bằng cách nhấn mạnh tư duy lấy con người làm trung tâm, trách nhiệm đạo đức và phán đoán phản biện trong năng lực AI của học sinh.

  1. PHÁT TRIỂN GIẢ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

3.1. Mô hình Trung gian Cốt lõi

Dựa trên các nền tảng lý thuyết đã xem xét ở trên, nghiên cứu này đề xuất rằng Hợp tác Người–AI nâng cao Phát triển Năng lực 7Cs thông qua cơ chế trung gian của Năng lực Chủ thể của Người học. Logic như sau: Khi sinh viên tham gia vào sự hợp tác chất lượng cao với AI—đặc trưng bởi bổ sung vai trò, tương tác lặp lại, đồng kiến tạo tri thức, kiểm chứng phản biện và giữ quyền quyết định của con người—họ phát triển năng lực chủ thể cao hơn. Năng lực chủ thể được nâng cao này, đến lượt nó, cho phép họ phát triển hiệu quả hơn bảy miền năng lực.

H1: Hợp tác Người–AI có tác động tích cực đến Phát triển Năng lực 7Cs.

H2: Hợp tác Người–AI có tác động tích cực đến Năng lực Chủ thể của Người học.

H3: Năng lực Chủ thể của Người học có tác động tích cực đến Phát triển Năng lực 7Cs.

H4: Năng lực Chủ thể của Người học đóng vai trò trung gian trong mối quan hệ giữa Hợp tác Người–AI và Phát triển Năng lực 7Cs.

3.2. Vai trò Điều tiết của Môi trường Học tập Hỗ trợ AI

Cường độ của mối quan hệ giữa Hợp tác Người–AI và Năng lực Chủ thể của Người học được kỳ vọng phụ thuộc vào chất lượng của môi trường học tập. Khi môi trường cung cấp thiết kế sư phạm đầy đủ, hỗ trợ của giảng viên, hỗ trợ kỹ thuật, quản trị có trách nhiệm và an toàn tâm lý, tác động tích cực của hợp tác lên năng lực chủ thể sẽ mạnh hơn. Ngược lại, trong các môi trường không hỗ trợ, ngay cả hợp tác chất lượng cao cũng có thể không chuyển hóa thành năng lực chủ thể được nâng cao.

H5: Môi trường Học tập Hỗ trợ AI điều tiết tích cực mối quan hệ giữa Hợp tác Người–AI và Năng lực Chủ thể của Người học, sao cho tác động tích cực của HAC lên LA mạnh hơn khi AI-SLE ở mức cao.

H6: Tác động gián tiếp của Hợp tác Người–AI đến Phát triển Năng lực 7Cs thông qua Năng lực Chủ thể của Người học mạnh hơn khi Môi trường Học tập Hỗ trợ AI ở mức cao (trung gian điều tiết – moderated mediation).

3.3. Mô hình Nghiên cứu

Mô hình nghiên cứu đề xuất có thể được biểu diễn như sau:

TẦNG I – QUÁ TRÌNH HỢP TÁC NGƯỜI–AI

Hợp tác Người–AI (HAC)

↓

TẦNG II – CƠ CHẾ PHÁT TRIỂN CON NGƯỜI

Năng lực Chủ thể của Người học (LA)

↓

TẦNG III – PHÁT TRIỂN NĂNG LỰC

Phát triển Năng lực 7Cs (7Cs-CD)

Bao gồm: Tư duy phản biện, Sáng tạo, Hợp tác, Giao tiếp, Hiểu biết liên văn hóa, Năng lực Tin học/AI, Tự định hướng nghề nghiệp

ĐIỀU KIỆN BIÊN:

Môi trường Học tập Hỗ trợ AI (AI-SLE) điều tiết mối quan hệ HAC → LA.

Mô hình cốt lõi là: HAC → LA → 7Cs-CD, với AI-SLE điều tiết giai đoạn đầu của con đường trung gian.

  1. PHƯƠNG PHÁP NGHIÊN CỨU

4.1. Thiết kế Nghiên cứu

Nghiên cứu này đề xuất thiết kế hỗn hợp tuần tự thăm dò (sequential exploratory mixed-methods design) bao gồm năm giai đoạn:

Giai đoạn I – Phát triển Khái niệm: Tinh chỉnh định nghĩa cấu trúc và đặc tả miền thông qua tổng quan tài liệu và tham vấn chuyên gia.

Giai đoạn II – Kiểm định Cấu trúc Định tính: Phỏng vấn bán cấu trúc với 25–40 người tham gia bao gồm sinh viên, giảng viên, nhà thiết kế học tập, chuyên gia AI/EdTech và cán bộ quản lý đào tạo. Phỏng vấn tập trung vào phân phối vai trò Người–AI, chuyển giao nhận thức, thực hành kiểm chứng, kiểm soát của người học, trải nghiệm năng lực chủ thể, nhận thức phát triển năng lực, hỗ trợ của giảng viên và đặc điểm môi trường học tập AI.

Giai đoạn III – Thích nghi và Phát triển Thang đo: Thích nghi các thang đo đã được kiểm định hiện có và phát triển các mục mới khi không có thang đo phù hợp. Quy trình tuân theo: Định nghĩa Cấu trúc → Đặc tả Miền → Tạo/Thích nghi Mục → Đánh giá Chuyên gia → Đánh giá Giá trị Nội dung → Phỏng vấn Nhận thức → Thử nghiệm Pilot.

Giai đoạn IV – Kiểm định Đo lường: Phân tích Nhân tố Khám phá (EFA) với Mẫu A (khoảng 300–400 sinh viên) để kiểm tra cấu trúc nhân tố.

Giai đoạn V – Kiểm định Mô hình Cấu trúc: Phân tích Nhân tố Khẳng định (CFA) và Mô hình Hóa Phương trình Cấu trúc dựa trên Hiệp phương sai (CB-SEM) với Mẫu B (khoảng 500–700 sinh viên) để kiểm tra các mối quan hệ giả thuyết.

4.2. Mẫu và Quy trình

Tổng cỡ mẫu ước tính khoảng N ≈ 800–1.100, với cỡ mẫu cuối cùng được xác định bằng phân tích năng lực a priori và độ phức tạp của mô hình đo lường. Lấy mẫu sẽ được phân tầng theo: nhiều trường đại học, cơ sở công lập và ngoài công lập, các ngành STEM và phi STEM, và nhiều năm học.

Thiết kế theo chiều dọc hai đợt được khuyến nghị để giải quyết mối quan ngại về việc đo lường “phát triển” thay vì chỉ nhận thức:

  • T1 (Đường cơ sở): Đo lường năng lực 7Cs, năng lực AI và Năng lực Chủ thể của Người học.
  • Giai đoạn Học tập: Sinh viên tham gia vào các hoạt động học tập được hỗ trợ bởi AI với các mức độ Hợp tác Người–AI khác nhau.
  • T2 (Kết quả): Đo lường lại năng lực 7Cs và Năng lực Chủ thể của Người học.

Thiết kế này cho phép kiểm soát năng lực đường cơ sở và kiểm tra sự phát triển thực tế thay vì chỉ dựa vào nhận thức cắt ngang.

4.3. Thang đo

Hợp tác Người–AI (HAC): Thang đo đa chiều đo lường: (1) Bổ sung Vai trò Người–AI, (2) Đồng sáng tạo Tương tác, (3) Giải quyết Vấn đề Được Hỗ trợ bởi AI, (4) Kiểm chứng Phản biện và Phản tư, và (5) Giám sát của Con người và Quyền Quyết định.

Năng lực Chủ thể của Người học (LA): Thang đo được thích nghi cho bối cảnh học tập có trung gian AI, đo lường: Chủ đích (Intentionality), Định hướng Mục tiêu (Goal Direction), Quyền Lựa chọn và Quyết định (Choice and Decision Authority), Tự điều chỉnh (Self-Regulation), Phán đoán AI Phản biện (Critical AI Judgment), và Trách nhiệm giải trình (Accountability).

Phát triển Năng lực 7Cs (7Cs-CD): Thang đo đa chiều với bảy thang đo con tương ứng với mỗi miền năng lực. Các mô hình đo lường sẽ được so sánh để xác định xem 7Cs hoạt động như bảy nhân tố bậc một tương quan, một nhân tố bậc hai hay cấu trúc lưỡng nhân tố (bifactor).

Môi trường Học tập Hỗ trợ AI (AI-SLE): Thang đo đo lường: (1) Quyền truy cập AI và Hỗ trợ Kỹ thuật, (2) Thiết kế Sư phạm Tích hợp AI, (3) Hỗ trợ và Phản hồi của Giảng viên, (4) Chuẩn mực và Quản trị AI Có trách nhiệm, và (5) An toàn Tâm lý.

4.4. Chiến lược Phân tích

Phân tích dữ liệu sẽ tiến hành qua:

  1. Sàng lọc dữ liệu và xử lý dữ liệu khuyết
  2. Phân tích Nhân tố Khám phá (EFA) với Mẫu A
  3. Phân tích Nhân tố Khẳng định (CFA) với Mẫu B
  4. Đánh giá độ tin cậy (Cronbach’s α, độ tin cậy tổng hợp)
  5. Giá trị hội tụ (AVE) và giá trị phân biệt (HTMT, Fornell-Larcker)
  6. Kiểm định tính bất biến của đo lường
  7. Mô hình hóa phương trình cấu trúc với CB-SEM
  8. Phân tích trung gian sử dụng khoảng tin cậy bootstrap
  9. Phân tích điều tiết với số hạng tương tác
  10. Phân tích tác động gián tiếp có điều kiện (trung gian điều tiết)
  11. Các kiểm định độ bền vững
  1. ĐÓNG GÓP LÝ THUYẾT DỰ KIẾN

Nghiên cứu này được định vị để tạo ra một số đóng góp đặc biệt cho lĩnh vực AI trong giáo dục đại học.

Thứ nhất, Đóng góp về Hợp tác Người–AI: Nghiên cứu phân biệt Hợp tác Người–AI với việc áp dụng AI và sử dụng AI, cung cấp sự rõ ràng về khái niệm và kiểm định thực nghiệm cho một cấu trúc còn ít được lý thuyết hóa trong nghiên cứu công nghệ giáo dục. Như Van de Poël (2025) lưu ý, nếu không phân biệt cách sử dụng hợp tác với cách sử dụng thay thế, “việc huy động AI khóa chúng ta vào một cách sử dụng thay thế không liên quan gì đến học tập”.

Thứ hai, Đóng góp về Năng lực: Bằng cách định vị 7Cs như một kết quả đa chiều của học tập hợp tác Người–AI, nghiên cứu này chuyển biến phụ thuộc từ hiệu suất nhiệm vụ sang phát triển năng lực bền vững của con người. Điều này giải quyết mối quan ngại được nêu ra trong nghiên cứu gần đây về “Nhận thức Điều hành Mở rộng” (Extended Executive Cognition) rằng “các trường đại học phải tái cấu trúc kết quả học tập của mình để giải quyết khoảng cách ngày càng lớn giữa chuẩn bị học thuật và yêu cầu nhận thức của môi trường làm việc tích hợp AI” (Van de Poël, 2025).

Thứ ba, Đóng góp về Năng lực Chủ thể: Nghiên cứu định vị Năng lực Chủ thể của Người học như cơ chế giải thích cách hợp tác AI chuyển hóa thành năng lực con người. Điều này phù hợp với sự nhấn mạnh của OECD Learning Compass về năng lực chủ thể của học sinh như trung tâm của phát triển năng lực tương lai (OECD, 2019). Như Essien và cộng sự (2026) chứng minh, “những sinh viên báo cáo giữ quyền ra quyết định khi sử dụng AI cũng có xu hướng báo cáo mức độ tham gia phản tư mạnh hơn”.

Thứ tư, Đóng góp về Bối cảnh: Bằng cách khái niệm hóa AI-SLE như một điều kiện biên thay vì một biến nền, nghiên cứu giải thích khi nào và trong những điều kiện nào Hợp tác Người–AI phát triển năng lực hiệu quả. Điều này đáp ứng lời kêu gọi nghiên cứu xem xét “dưới những điều kiện sư phạm và xã hội nào [AI] hỗ trợ học tập thực chất” (Zhang et al., 2026, phần “Introduction”).

Thứ năm, Đóng góp về AI Lấy Con người làm Trung tâm: Nghiên cứu đánh giá sự thành công của AI thông qua nâng cao năng lực con người hơn là hiệu suất nhiệm vụ đơn thuần, hiện thực hóa tầm nhìn của Shneiderman (2022) về AI “nâng cao và cải thiện cuộc sống con người”.

Thứ sáu, Đóng góp về Đo lường: Nghiên cứu phát triển và kiểm định các thang đo cho Hợp tác Người–AI, Năng lực Chủ thể của Người học trong bối cảnh AI, Môi trường Học tập Hỗ trợ AI và cấu trúc năng lực 7Cs trong giáo dục đại học.

  1. THẢO LUẬN VÀ HÀM Ý

6.1. Hàm ý Lý thuyết

Mô hình đề xuất—HAC → LA → 7Cs-CD, được điều tiết bởi AI-SLE—cung cấp một giải thích có cơ sở lý thuyết về cách thức và khi nào AI có thể hỗ trợ phát triển năng lực con người. Hiểu biết trung tâm là giá trị giáo dục của AI không phụ thuộc vào khối lượng công việc nhận thức mà nó thực hiện mà phụ thuộc vào mức độ hiệu quả mà sự hợp tác củng cố năng lực chủ thể của người học.

Góc nhìn này có hàm ý quan trọng đối với cách chúng ta lý thuyết hóa mối quan hệ giữa AI và học tập. Thay vì đóng khung AI như một công cụ hoặc giúp hoặc cản trở học tập, nghiên cứu này gợi ý rằng cùng một công cụ AI có thể tạo ra kết quả khác biệt đáng kể tùy thuộc vào chất lượng của mối quan hệ hợp tác và sự tham gia mang tính chủ thể của người học (Bandura, 2001; Deci & Ryan, 2000). Điều này giúp giải thích tại sao nghiên cứu về AI và kết quả học tập lại cho thấy những phát hiện hỗn hợp—biến số quan trọng không phải là sự hiện diện của AI mà là bản chất của tương tác Người–AI.

Mô hình trung gian điều tiết cũng gợi ý rằng môi trường học tập đóng một vai trò biên giới quan trọng. Ngay cả hợp tác chất lượng cao cũng có thể không phát triển được năng lực chủ thể và năng lực nếu môi trường không cung cấp hỗ trợ sư phạm đầy đủ, hỗ trợ của giảng viên và cấu trúc quản trị có trách nhiệm (Zhang et al., 2026). Điều này nhấn mạnh tầm quan trọng của thiết kế thể chế và sư phạm trong việc hiện thực hóa tiềm năng giáo dục của AI.

6.2. Hàm ý Thực tiễn cho Giáo dục Đại học

Các phát hiện có một số hàm ý thực tiễn cho các cơ sở giáo dục đại học đang tìm cách tận dụng AI để phát triển năng lực.

Từ Cung cấp Công cụ đến Thiết kế Quan hệ: Các cơ sở cần vượt ra khỏi việc đơn thuần cung cấp công cụ AI để thiết kế các mối quan hệ học tập Người–AI. Điều này bao gồm xác định khi nào và làm thế nào sinh viên nên sử dụng AI, chức năng nào nên được ủy thác so với giữ lại, và hợp tác nên được cấu trúc như thế nào để phát triển thay vì thay thế năng lực con người (Woolf, 2010; Singh, 2026).

Chu trình Đặt câu hỏi–Hợp tác–Kiểm chứng–Quyết định–Sáng tạo–Phản tư–Chuyển giao: Một môi trường AI phát triển năng lực nên tổ chức học tập xoay quanh một chu trình hoàn chỉnh: ĐẶT CÂU HỎI (người học xác định vấn đề), HỢP TÁC (con người và AI đóng góp các khả năng bổ sung), KIỂM CHỨNG (người học xác nhận đầu ra AI), QUYẾT ĐỊNH (quyết định cuối cùng thuộc về con người), SÁNG TẠO (AI hỗ trợ nhưng không thay thế sáng tạo), PHẢN TƯ (người học đánh giá cách họ sử dụng AI), và CHUYỂN GIAO (năng lực được chuyển sang nhiệm vụ mới, ngay cả khi không có AI) (Singh et al., 2023).

Giảng viên với vai trò Người điều phối: Vai trò của giảng viên chuyển từ truyền đạt nội dung sang điều phối Hợp tác Người–AI. Giảng viên phải thiết kế các nhiệm vụ đòi hỏi hợp tác thực sự hơn là ủy thác đơn thuần, cung cấp hỗ trợ có chủ đích giúp phát triển hơn là thay thế năng lực chủ thể, và tạo ra môi trường mà sự tham gia phản biện với AI là chuẩn mực (Zhang et al., 2026).

Cải cách Đánh giá: Đánh giá phải tiến hóa để nắm bắt sự phát triển năng lực hơn là chỉ chất lượng sản phẩm. Điều này bao gồm đánh giá chất lượng hợp tác Người–AI, việc thực hiện phán đoán phản biện và sự phát triển năng lực chủ thể—không chỉ đầu ra cuối cùng (Essien et al., 2026; Ge & Li, 2026).

Quản trị AI Có trách nhiệm và Đạo đức: Các cơ sở phải phát triển các chuẩn mực và chính sách rõ ràng cho sử dụng AI nhấn mạnh trách nhiệm của con người, kiểm chứng phản biện và phát triển năng lực con người cùng với trình độ kỹ thuật (Miao et al., 2024; Shneiderman, 2022).

6.3. Hạn chế và Nghiên cứu Tương lai

Một số hạn chế cần được thừa nhận. Thứ nhất, mô hình đề xuất đòi hỏi kiểm định thực nghiệm thông qua thiết kế hỗn hợp được mô tả ở trên. Thứ hai, cấu trúc năng lực 7Cs đòi hỏi kiểm tra tâm lý học cẩn thận để xác định xem nó hoạt động như một cấu trúc bậc cao hay như bảy năng lực tương quan nhưng khác biệt. Thứ ba, nghiên cứu tập trung vào nhận thức và kết quả tự báo cáo của sinh viên; nghiên cứu tương lai nên kết hợp các biện pháp dựa trên hiệu suất và đánh giá của giảng viên. Thứ tư, mô hình đề xuất không giải quyết các tác động tiêu cực tiềm ẩn của sử dụng AI, như chuyển giao nhận thức hoặc suy giảm tư duy phản biện trong một số bối cảnh nhất định. Thứ năm, các biến thể văn hóa và thể chế trong mô hình áp dụng và sử dụng AI có thể ảnh hưởng đến khả năng khái quát hóa của phát hiện.

Nghiên cứu tương lai nên xem xét: (1) sự phát triển theo chiều dọc của năng lực thông qua hợp tác Người–AI bền vững; (2) tác động khác biệt của các công cụ và nền tảng AI khác nhau đối với phát triển năng lực; (3) vai trò của khác biệt cá nhân (ví dụ: năng lực AI trước đó, tự hiệu quả, định hướng động lực) trong việc điều tiết mối quan hệ HAC–LA; (4) các kết quả tiêu cực tiềm ẩn của hợp tác AI và cách chúng có thể được giảm thiểu; và (5) so sánh đa văn hóa về các mô hình hợp tác Người–AI và tác động của chúng đối với phát triển năng lực.

  1. KẾT LUẬN

Sự xuất hiện của AI tạo sinh làm cho câu hỏi về năng lực sinh viên trở nên nghịch lý hơn và phức tạp hơn. Khi AI ngày càng có khả năng viết, phân tích, sáng tạo, giao tiếp và giải quyết vấn đề, giáo dục đại học phải làm rõ những năng lực nào con người cần tiếp tục phát triển và AI phải được sử dụng như thế nào để củng cố thay vì làm suy yếu chúng.

Nghiên cứu này không bắt đầu từ giả định rằng Nhiều AI → Năng lực Tốt hơn. Đúng hơn, nó đề xuất rằng:

Hợp tác Người–AI → Năng lực Chủ thể của Người học → Phát triển Năng lực 7Cs

dưới điều kiện biên của:

Môi trường Học tập Hỗ trợ AI

Năng lực Chủ thể của Người học là mắt xích quyết định. Một sinh viên có thể sử dụng AI rất hiệu quả nhưng dần mất khả năng xác định vấn đề, đánh giá bằng chứng, lựa chọn chiến lược và chịu trách nhiệm đối với quyết định. Trong những trường hợp như vậy, hiệu quả công nghệ không đồng nghĩa với phát triển năng lực (Essien et al., 2026; Ge & Li, 2026). Ngược lại, khi AI được sử dụng để mở rộng không gian phương án, cung cấp phản hồi, thách thức giả định, mô phỏng góc nhìn, hỗ trợ phản tư và nâng cao khả năng giải quyết vấn đề—trong khi người học vẫn giữ quyền phán đoán—AI có thể trở thành một đối tác nhận thức thực sự cho phát triển năng lực con người (Shneiderman, 2022; Van de Poël, 2025).

Điều này phù hợp với tầm nhìn của OECD (2019), trong đó năng lực chủ thể là “trung tâm đối với khả năng tự định hướng, duy trì ý thức về mục đích và trách nhiệm trong khi học cách ảnh hưởng đến con người, sự kiện và hoàn cảnh xung quanh họ” (tr. 24). Nó cũng phù hợp với sự nhấn mạnh của UNESCO về “tư duy lấy con người làm trung tâm [khuyến khích] học sinh hiểu và khẳng định năng lực chủ thể của mình trong mối quan hệ với AI” (Miao et al., 2024, tr. 15).

Lập luận khoa học trung tâm của nghiên cứu này do đó có thể được phát biểu như sau:

Giá trị giáo dục của Hợp tác Người–AI không nằm ở mức độ khối lượng công việc nhận thức mà AI có thể thực hiện cho sinh viên, mà nằm ở mức độ hiệu quả mà sự cộng tác đó củng cố năng lực chủ thể của sinh viên để tư duy, sáng tạo, giao tiếp, cộng tác, thực hiện phán đoán phản biện và hành động độc lập trong các môi trường ngày càng trung gian bởi AI.

Sự tái định hướng này—từ sử dụng AI sang phát triển năng lực hợp tác Người–AI, từ hiệu suất nhiệm vụ sang phát triển năng lực, từ áp dụng công nghệ sang phát triển con người—cung cấp một con đường có cơ sở lý thuyết và phù hợp thực tiễn để giáo dục đại học định hướng trong kỷ nguyên AI đồng thời bảo tồn và nâng cao những gì đặc biệt của con người trong học tập.

TÀI LIỆU THAM KHẢO

  1. Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1–26.
  2. Burneo-Arteaga, P., Lira Yakamury, R., Murzi, H., Balula, A., & Costa, A. P. (2025). Capability-based training framework for generative AI in higher education. Frontiers in Education, 10, 1594199. https://doi.org/10.3389/feduc.2025.1594199
  3. Caballé, S. (Ed.). (2021). Intelligent systems and learning data analytics in online education. Academic Press/Elsevier.
  4. Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
  5. Dillenbourg, P. (1999). What do you mean by collaborative learning? Trong P. Dillenbourg (Ed.), Collaborative-learning: Cognitive and computational approaches(tr. 1–19). Elsevier.
  6. Essien, A., Zhou, X., Kremantzis, M., & Teng, D. (2026). The agency gap: Perceived human AI agency, reflection and generative AI learning across UK and China based higher education contexts. Studies in Higher Education. Đăng trực tuyến trước khi in. https://doi.org/10.1080/03075079.2026.2686986
  7. Ge, Z.-G., & Li, Q. (2026). Unpacking how humanities and social sciences undergraduate students maintain agency in GenAI-assisted learning. Interactive Learning Environments. Đăng trực tuyến trước khi in. https://doi.org/10.1080/10494820.2026.2667464
  8. Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
  9. Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 1). AITECHBOOK.
  10. Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 2). AITECHBOOK.
  11. (2019). OECD Learning Compass 2030. OECD Publishing.
  12. (2025). OECD Teaching Compass: Reimagining teachers as agents of curriculum changes. OECD Publishing.
  13. Ryan, R. M., & Deci, E. L. (2017). Self-determination theory: Basic psychological needs in motivation, development, and wellness. Guilford Press.
  14. Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
  15. Singh, U. G. (Ed.). (2026). GenAI in higher education: Ethical frontiers, challenge and sustainable pathways. Elsevier.
  16. Singh, U. G., Nair, C. S., & Goncalves, S. (Eds.). (2023). Digital teaching, learning and assessment: The way forward. Chandos Publishing/Elsevier.
  17. Van de Poël, J.-F. (2025). A four-dimensional framework of Humans-AI competencies: An integrated approach. University of Lausanne. https://wp.unil.ch/iaunil/en/a-four-dimensional-framework-of-humans-ai-competencies-an-integrated-approach/
  18. Woolf, B. P. (2010). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Elsevier.
  19. World Economic Forum. (2025). The future of jobs report 2025. World Economic Forum.
  20. Zhang, Z. Z., Lu, X. M., & Kanji, M. (2026). Teacher-regulated generative AI support, student agency, and perceived learning gains in higher education: The moderating role of perceived fairness. Frontiers in Artificial Intelligence. https://doi.org/10.3389/frai.2026.1863666
  21. Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. Trong M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation(tr. 13–39). Academic Press.
  22. Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory into Practice, 41(2), 64–70.

admin

Để lại một bình luận

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *