EDUCATIONAL VALUE ASSESSMENT OF AI-INTEGRATED EDTECH ECOSYSTEMS (EVAIE)
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự phát triển nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang làm thay đổi bản chất của hệ sinh thái giáo dục đại học. Khác với các thế hệ công nghệ giáo dục trước chủ yếu hỗ trợ phân phối nội dung, quản lý học tập và giao tiếp, AI ngày càng tham gia trực tiếp vào các quá trình nhận thức như giải thích, tổng hợp, phản biện, sáng tạo, lập trình, phản hồi, đánh giá và hỗ trợ ra quyết định. Tuy nhiên, mức độ triển khai hoặc sử dụng AI không đồng nghĩa với giá trị giáo dục. Chính bản thảo EVAIE đã xác định khoảng trống này bằng việc chuyển trọng tâm từ câu hỏi AI được sử dụng bao nhiêu sang AI tạo ra giá trị gì, thông qua cơ chế nào, cho ai và dưới điều kiện quản trị nào.
Nghiên cứu đề xuất Educational Value Assessment of AI-Integrated EdTech Ecosystems (EVAIE) như một khung lý thuyết tích hợp nhằm giải thích quá trình chuyển hóa năng lực của hệ sinh thái AI thành giá trị giáo dục. EVAIE được tổ chức theo kiến trúc ba tầng: AI-EdTech Ecosystem Capabilities → Educational Value Creation Mechanisms → Educational Value Outcomes, trong đó Responsible AI Governance đóng vai trò điều kiện quản trị xuyên suốt và điều kiện biên.
Tầng năng lực gồm năm chiều: Technological Capability, Data & Analytics Capability, Human–AI Capability, AI-Pedagogical Capability và Organizational Capability. Tầng cơ chế tạo giá trị gồm Personalization, Human Augmentation, Evidence-Based Decision Support và Human–AI Collaboration. Giá trị giáo dục được đánh giá thông qua sáu chiều: Learning Value, Human Development, Equity & Inclusion, Human Agency, Trustworthiness và Sustainability. Cấu trúc này được đặt trong điều kiện của Responsible AI Governance, bao gồm fairness, transparency, privacy, accountability, human oversight và contestability.
Đóng góp lý thuyết chủ yếu của EVAIE là dịch chuyển trọng tâm nghiên cứu từ AI adoption sang AI-enabled educational value creation, qua đó giải thích không chỉ AI có được chấp nhận hay sử dụng hay không, mà quan trọng hơn, năng lực AI được chuyển hóa thành giá trị giáo dục bằng cơ chế nào, dưới những điều kiện quản trị nào và với những đánh đổi nào.
Từ khóa: Artificial Intelligence in Education; Educational Value; EdTech Ecosystem; Higher Education; Human–AI Collaboration; Responsible AI Governance; Human Agency; EVAIE.
- ĐẶT VẤN ĐỀ
1.1. Bối cảnh nghiên cứu
Giáo dục đại học đang bước vào một giai đoạn chuyển đổi khác về bản chất so với các làn sóng số hóa trước đây. Learning Management Systems, MOOCs, videoconferencing và learning analytics chủ yếu mở rộng khả năng phân phối, quản lý và theo dõi hoạt động học tập; trong khi AI thế hệ mới có khả năng tham gia trực tiếp vào nhiều hoạt động nhận thức từng được xem là đặc quyền của con người, từ giải thích, tổng hợp và phản biện đến sáng tạo nội dung, lập trình, đánh giá và hỗ trợ ra quyết định. Bản thảo EVAIE cũng xác định GenAI đồng thời tạo ra cơ hội về cá nhân hóa và hỗ trợ người học, nhưng kéo theo các rủi ro về sai lệch, thông tin không chính xác, thiên kiến và liêm chính học thuật.
Vấn đề trọng tâm vì thế không còn là liệu trường đại học có sử dụng AI hay không. Một tổ chức có thể sở hữu nhiều công cụ AI, đạt tỷ lệ sử dụng cao và cải thiện hiệu suất thực hiện nhiệm vụ nhưng vẫn không tạo ra learning gain, năng lực con người hoặc giá trị giáo dục bền vững.
Điều này dẫn đến sự phân biệt nền tảng:
AI availability ≠ AI capability ≠ AI use ≠ educational value.
Sự phân biệt này đặc biệt quan trọng bởi AI có khả năng đồng thời tạo ra cả augmentation và substitution. Khi AI bổ trợ tư duy, phản hồi, sáng tạo và ra quyết định, nó có thể mở rộng năng lực của con người. Ngược lại, khi AI thay thế chính những hoạt động nhận thức mà người học cần thực hành để phát triển năng lực, hiệu suất ngắn hạn có thể tăng trong khi năng lực dài hạn suy giảm.
Do đó, nghiên cứu AI trong giáo dục cần vượt khỏi câu hỏi về adoption và usage để giải thích quá trình value creation.
- KHOẢNG TRỐNG NGHIÊN CỨU
Có thể xác định bốn khoảng trống lý thuyết chính.
Thứ nhất, adoption–value gap. Các mô hình chấp nhận công nghệ có giá trị trong việc giải thích intention, acceptance và use, nhưng việc một công nghệ được chấp nhận không chứng minh rằng nó tạo ra giá trị giáo dục.
Thứ hai, capability–mechanism gap. Việc một cơ sở giáo dục có hạ tầng, dữ liệu, nhân lực và công cụ AI không có nghĩa các nguồn lực đó tự động tạo ra kết quả giáo dục. Cần một tầng lý thuyết giải thích cơ chế chuyển hóa.
Thứ ba, performance–learning gap. AI có thể giúp hoàn thành nhiệm vụ nhanh hơn mà không nhất thiết tạo ra learning gain tương ứng. Bản thảo EVAIE vì vậy nhấn mạnh nguyên tắc Efficiency Gain ≠ Learning Gain.
Thứ tư, innovation–governance gap. Giá trị AI không thể được đánh giá tách rời fairness, privacy, transparency, accountability, human agency và các điều kiện quản trị khác.
Từ bốn khoảng trống trên, EVAIE đặt ra câu hỏi trung tâm:
How do AI-integrated EdTech ecosystem capabilities generate educational value, through what value-creation mechanisms, and under what responsible AI governance conditions?
- NỀN TẢNG LÝ THUYẾT TÍCH HỢP
EVAIE không nên được trình bày như phần mở rộng đơn giản của TAM, UTAUT hoặc IS Success Model. Mô hình được xây dựng trên logic tích hợp của năm dòng lý thuyết.
3.1. Socio-Technical Systems Perspective
Giá trị AI không được tạo ra bởi công nghệ đơn độc mà từ sự tương tác giữa công nghệ, dữ liệu, con người, sư phạm, cấu trúc tổ chức và quản trị. Do đó, đơn vị phân tích thích hợp của EVAIE là AI-integrated educational ecosystem, không phải một ứng dụng AI riêng lẻ.
3.2. Dynamic Capabilities Perspective
Các nguồn lực công nghệ chỉ trở thành năng lực khi tổ chức có khả năng nhận diện cơ hội, huy động nguồn lực, tái cấu hình quy trình và tích hợp công nghệ vào hoạt động giáo dục.
Theo logic này:
AI resources → AI ecosystem capabilities → value-creation mechanisms → educational value.
3.3. Human-Centered AI
Human-centered AI chuyển mục tiêu từ tối đa hóa automation sang tối ưu hóa human augmentation. AI có giá trị giáo dục khi giúp người học và giảng viên suy nghĩ tốt hơn, sáng tạo tốt hơn, ra quyết định tốt hơn và duy trì meaningful human control.
3.4. Educational Value Creation
Educational value không thể được giản lược thành satisfaction, intention to use hoặc productivity. Giá trị phải bao gồm learning, human development, agency, equity, trust và sustainability.
3.5. Responsible AI
Responsible AI bổ sung một nguyên tắc quan trọng:
Technically possible ≠ educationally valuable ≠ ethically acceptable.
Một hệ thống AI chỉ có thể tạo ra giá trị giáo dục bền vững khi các lợi ích của nó được cân bằng với fairness, privacy, transparency, accountability, safety và quyền tự chủ của con người.
- ĐỊNH NGHĨA VÀ KIẾN TRÚC EVAIE
4.1. Định nghĩa
Educational Value Assessment of AI-Integrated EdTech Ecosystems (EVAIE) được định nghĩa là:
Khung lý thuyết đa chiều nhằm đánh giá mức độ một hệ sinh thái công nghệ giáo dục tích hợp AI huy động và chuyển hóa các năng lực công nghệ, dữ liệu, con người, sư phạm và tổ chức thành các giá trị giáo dục có ý nghĩa thông qua những cơ chế tạo giá trị cụ thể, dưới các điều kiện quản trị AI có trách nhiệm.
Định nghĩa này kế thừa trực tiếp logic của bản thảo gốc.
4.2. Kiến trúc tổng thể
Tầng I – AI-EdTech Ecosystem Capabilities
- Technological Capability
- Data & Analytics Capability
- Human–AI Capability
- AI-Pedagogical Capability
- Organizational Capability
↓
Tầng II – Educational Value Creation Mechanisms
- Personalization
- Human Augmentation
- Evidence-Based Decision Support
- Human–AI Collaboration
↓
Tầng III – Educational Value Outcomes
- Learning Value
- Human Development
- Equity & Inclusion
- Human Agency
- Trustworthiness
- Sustainability
Toàn bộ quá trình diễn ra dưới:
Responsible AI Governance
Fairness – Transparency – Privacy – Accountability – Human Oversight – Contestability.
- TẦNG I – AI-EDTECH ECOSYSTEM CAPABILITIES
5.1. Technological Capability
Technological Capability không nên được đo bằng số lượng phần mềm AI mà tổ chức sở hữu. Nó phản ánh khả năng lựa chọn, tích hợp, vận hành, duy trì và mở rộng công nghệ phù hợp với mục tiêu giáo dục.
Các domain có thể bao gồm AI infrastructure, interoperability, scalability, reliability, accessibility, cybersecurity và khả năng tích hợp với LMS/SIS. Đây cũng chính là cách bản thảo gốc phân biệt capability với possession of technology.
5.2. Data & Analytics Capability
Năng lực này phản ánh khả năng biến dữ liệu thành bằng chứng hỗ trợ hoạt động giáo dục:
Data → Information → Insight → Educational Decision → Intervention → Evidence.
Nó bao gồm data quality, interoperability, learning analytics, data literacy, predictive capability và data governance.
5.3. Human–AI Capability
Human–AI Capability là khả năng của sinh viên, giảng viên, nhà quản trị và các bên liên quan trong việc sử dụng, đánh giá, kiểm chứng và cộng tác với AI một cách có phán đoán.
Điểm cốt lõi không phải là prompting skill đơn thuần, mà là:
AI literacy + critical evaluation + domain judgment + human–AI collaboration + responsible use.
5.4. AI-Pedagogical Capability
Đây là khả năng tích hợp AI với learning outcomes, learning activities, assessment và feedback.
Một trường có thể có công nghệ AI mạnh nhưng AI-Pedagogical Capability thấp nếu AI chỉ được sử dụng để tạo nội dung nhanh hơn mà không làm cải thiện thiết kế học tập.
5.5. Organizational Capability
Organizational Capability phản ánh mức độ chiến lược, lãnh đạo, văn hóa, nguồn lực, cơ chế hỗ trợ và quản trị của tổ chức cho phép AI được tích hợp có hệ thống vào giáo dục.
- TẦNG II – EDUCATIONAL VALUE CREATION MECHANISMS
Đây là tầng tạo nên đóng góp lý thuyết quan trọng nhất của EVAIE.
Năng lực không tự động trở thành giá trị:
Capability ≠ Value.
Cần giải thích how capability becomes value.
6.1. Personalization
AI có thể điều chỉnh nội dung, tốc độ, phản hồi và hỗ trợ theo đặc điểm người học. Tuy nhiên, personalization chỉ có giá trị khi phục vụ learning objectives thay vì tối đa hóa engagement đơn thuần.
6.2. Human Augmentation
Human Augmentation mô tả AI như công cụ mở rộng năng lực con người thay vì thay thế con người.
Mục tiêu là:
Human capability + AI capability > either alone.
Đây là điểm phân biệt EVAIE với automation-oriented approaches.
6.3. Evidence-Based Decision Support
AI và analytics có thể chuyển dữ liệu thành insight để hỗ trợ quyết định về dạy học, hỗ trợ sinh viên, assessment và quản trị.
Tuy nhiên, decision support ≠ decision replacement. Quyết định giáo dục có hệ quả cao phải duy trì meaningful human oversight.
6.4. Human–AI Collaboration
Human–AI Collaboration mô tả quá trình phân bổ nhiệm vụ động giữa con người và AI dựa trên lợi thế tương đối.
AI phù hợp với xử lý quy mô lớn, phát hiện pattern và tạo phương án; con người giữ vai trò trong contextual judgment, ethical reasoning, empathy, accountability và quyết định cuối cùng.
- TẦNG III – EDUCATIONAL VALUE OUTCOMES
7.1. Learning Value
Learning Value phản ánh mức độ AI thực sự nâng cao hiểu biết, mastery, retention, transfer và chất lượng kết quả học tập.
Đây phải là outcome trung tâm của EVAIE.
7.2. Human Development
AI có giá trị khi hỗ trợ phát triển tư duy phản biện, sáng tạo, giải quyết vấn đề, năng lực số và khả năng thích ứng, thay vì chỉ làm tăng tốc độ hoàn thành nhiệm vụ.
7.3. Equity & Inclusion
Giá trị giáo dục phải xem xét phân phối lợi ích:
Value for whom?
AI tạo giá trị cao hơn khi mở rộng accessibility và support mà không khuếch đại digital divide hoặc algorithmic discrimination.
7.4. Human Agency
Human Agency phản ánh khả năng người học duy trì quyền lựa chọn, tự điều chỉnh, phán đoán và trách nhiệm đối với việc học.
Đây là outcome đặc biệt quan trọng vì AI vừa có thể tăng agency vừa có thể tạo cognitive dependency.
7.5. Trustworthiness
Trustworthiness không đồng nghĩa với blind trust. Giá trị nằm ở calibrated trust: người sử dụng hiểu khi nào nên tin AI, khi nào cần kiểm chứng và khi nào phải từ chối đề xuất của hệ thống.
7.6. Sustainability
Sustainability bao gồm khả năng duy trì giá trị giáo dục lâu dài, khả năng mở rộng hợp lý, sử dụng nguồn lực có trách nhiệm và tránh phụ thuộc vào các giải pháp AI tạo lợi ích ngắn hạn nhưng chi phí dài hạn cao.
Sáu outcome trên phù hợp với cấu trúc đã được bản thảo xác định.
- RESPONSIBLE AI GOVERNANCE
RAIG không nên chỉ được xem là một biến ethics perception. Nó là governance capability bao phủ vòng đời AI.
Sáu domain cốt lõi gồm:
| Domain | Nội hàm |
| Fairness | Phát hiện, đánh giá và giảm bias/discrimination |
| Transparency | Minh bạch việc AI được sử dụng, mục đích và giới hạn |
| Privacy | Bảo vệ dữ liệu và quyền riêng tư |
| Accountability | Xác định trách nhiệm đối với quyết định/hệ quả |
| Human Oversight | Duy trì meaningful human control |
| Contestability | Cho phép chất vấn, xem xét và sửa quyết định |
Về mô hình thực nghiệm, RAIG nên được ưu tiên kiểm định như boundary condition của quan hệ Value Creation Mechanisms → Educational Value, thay vì tạo quá nhiều moderation paths.
- BA NGHỊCH LÝ LÝ THUYẾT CỦA EVAIE
Ba nghịch lý trong bản thảo hiện tại nên được giữ vì chúng làm tăng đáng kể explanatory depth.
9.1. Automation–Agency Paradox
Automation ↑ → Efficiency ↑, nhưng vượt quá mức thích hợp có thể dẫn tới:
Human cognitive effort ↓ → Agency ↓ → Capability development ↓.
Do đó:
Maximum automation ≠ Optimal educational design.
9.2. Personalization–Privacy Paradox
Cá nhân hóa thường đòi hỏi dữ liệu chi tiết:
Personalization ↑ → Data intensity ↑ → Privacy exposure ↑.
Do đó, personalization không thể được đánh giá độc lập với privacy governance.
9.3. Efficiency–Learning Paradox
AI có thể giúp sinh viên hoàn thành nhiệm vụ nhanh hơn nhưng việc loại bỏ productive struggle có thể làm giảm quá trình hình thành năng lực.
Do đó:
Performance Gain ≠ Learning Gain.
Ba nghịch lý này giúp EVAIE tránh giả định tuyến tính đơn giản More AI → More Educational Value.
- HỆ GIẢ THUYẾT NGHIÊN CỨU SAU PHẢN BIỆN
Bản thảo trước có bảy giả thuyết, gồm cả các đường dẫn riêng cho Human–AI Capability và AI-Pedagogical Capability. Để tăng parsimony và giảm nguy cơ spaghetti model, phiên bản cuối nên thu gọn thành năm giả thuyết bậc cao:
H1. Năng lực của hệ sinh thái AI–EdTech (AI-EdTech Ecosystem Capabilities) có ảnh hưởng tích cực đến các cơ chế tạo ra giá trị giáo dục (Educational Value Creation Mechanisms).
H2. Các cơ chế tạo ra giá trị giáo dục (Educational Value Creation Mechanisms) có ảnh hưởng tích cực đến các kết quả giá trị giáo dục (Educational Value Outcomes).
H3. Năng lực của hệ sinh thái AI–EdTech (AI-EdTech Ecosystem Capabilities) có ảnh hưởng tích cực đến các kết quả giá trị giáo dục (Educational Value Outcomes).
H4. Các cơ chế tạo ra giá trị giáo dục (Educational Value Creation Mechanisms) đóng vai trò trung gian trong mối quan hệ giữa năng lực của hệ sinh thái AI–EdTech (AI-EdTech Ecosystem Capabilities) và các kết quả giá trị giáo dục (Educational Value Outcomes).
H5. Quản trị AI có trách nhiệm (Responsible AI Governance) điều tiết tích cực mối quan hệ giữa các cơ chế tạo ra giá trị giáo dục (Educational Value Creation Mechanisms) và các kết quả giá trị giáo dục (Educational Value Outcomes); cụ thể, mối quan hệ này trở nên mạnh hơn khi mức độ Quản trị AI có trách nhiệm cao hơn.
Mô hình thực nghiệm cuối cùng
AIEC → EVCM → EVO
với:
AIEC → EVO
và:
RAIG × EVCM → EVO.
Trong cấu trúc này, H4 giải thích “how”, còn H5 giải thích “under what conditions”. Đây là hai quan hệ có giá trị lý thuyết cao nhất.
- KIẾN TRÚC ĐO LƯỜNG EVAIE
Một điểm cần hiệu chỉnh quan trọng so với phiên bản trước là không nên gọi 5 + 4 + 6 + 6 dimensions là 21/22 first-order constructs trước khi hoàn thành domain specification và scale validation.
Phiên bản an toàn hơn về phương pháp là:
| Higher-order domain | Dimensions | Số chiều |
| AI-EdTech Ecosystem Capabilities | Technology; Data & Analytics; Human–AI; AI-Pedagogical; Organizational | 5 |
| Educational Value Creation Mechanisms | Personalization; Human Augmentation; Evidence-Based Decision Support; Human–AI Collaboration | 4 |
| Educational Value Outcomes | Learning; Human Development; Equity & Inclusion; Human Agency; Trustworthiness; Sustainability | 6 |
| Responsible AI Governance | Fairness; Transparency; Privacy; Accountability; Human Oversight; Contestability | 6 |
Tổng cộng: 21 conceptual dimensions.
Các dimensions này chỉ nên được xác nhận là first-order latent constructs sau khi content validation, EFA/CFA và higher-order model testing chứng minh cấu trúc đó phù hợp.
Đây là cách diễn đạt học thuật thận trọng hơn vì bản thảo hiện vẫn xác định EVAIE là conceptual model chưa có thang đo được xác nhận.
- QUY TRÌNH PHÁT TRIỂN THANG ĐO
Bản thảo đã xác định scale development là ưu tiên nghiên cứu tiếp theo. Phiên bản chuẩn hóa nên triển khai theo ba study.
Study 1 – Construct Domain and Item Development
Systematic/scoping review → qualitative interviews → item generation → expert panel → Delphi → content validity → cognitive interviews.
Delphi có thể sử dụng khoảng 15–25 chuyên gia trong 2–3 vòng để đánh giá relevance, clarity, representativeness và feasibility, đúng với thiết kế hiện tại của bản thảo.
Study 2 – Measurement Validation
Thực hiện pilot và EFA trên mẫu độc lập, sau đó CFA trên mẫu xác nhận khác.
Kiểm định:
factor loadings → reliability → convergent validity → discriminant validity → higher-order structure → common-method assessment.
Không quyết định reflective/formative chỉ bằng thống kê. Specification phải bắt đầu từ bản chất lý thuyết của construct.
Study 3 – Nomological and Structural Validation
Sau khi measurement model ổn định mới kiểm định:
direct effects → mediation → moderation → predictive validity → robustness → multigroup analysis → measurement invariance.
Đặc biệt, so sánh giữa trường công/tư, ngành học hoặc mức độ trưởng thành số chỉ có ý nghĩa sau khi measurement invariance được thiết lập.
- THIẾT KẾ NGHIÊN CỨU THỰC NGHIỆM
Một thiết kế mạnh cho bối cảnh giáo dục đại học Việt Nam nên kết hợp nhiều nguồn dữ liệu:
Survey + LMS data + learning analytics + assessment results + policy/governance audit + institutional indicators.
Điều này giảm sự phụ thuộc vào self-report.
Nghiên cứu dọc đặc biệt quan trọng vì dữ liệu cắt ngang khó chứng minh causal transformation. Bản thảo hiện tại cũng xác định đây là hạn chế và đề xuất nghiên cứu dọc để phân biệt short-term performance gain với long-term capability gain.
Câu hỏi dài hạn quan trọng là:
Does short-term AI-supported performance gain translate into sustainable human capability gain?
- GIÁ TRỊ LÝ THUYẾT GIA TĂNG CỦA EVAIE
Đây là phần phải được nhấn mạnh mạnh nhất khi gửi phản biện quốc tế.
TAM/UTAUT chủ yếu hỏi:
Will users adopt/use AI?
IS Success hỏi:
Does the system perform successfully and produce net benefits?
Trong khi EVAIE hỏi:
“Sau khi AI đã được chấp nhận, triển khai và tích hợp vào hệ sinh thái giáo dục, các năng lực liên quan đến AI được chuyển hóa thành giá trị giáo dục như thế nào, thông qua những cơ chế kiến tạo giá trị nào, dưới những điều kiện quản trị nào, giá trị đó được tạo ra cho những chủ thể nào, và quá trình chuyển hóa này phát sinh những sự đánh đổi nào?”
Bản thảo đã xác định chính xác sự dịch chuyển:
Adoption → Capability → Mechanism → Educational Value.
Vì vậy, theoretical novelty của EVAIE không nằm ở việc thêm nhiều biến vào TAM/UTAUT, mà ở việc thay đổi explanandum — từ giải thích adoption sang giải thích educational value creation.
- BỐN ĐÓNG GÓP LÝ THUYẾT CỐT LÕI
Thứ nhất – Capability contribution. EVAIE phân biệt rõ possession/use với organizational ecosystem capability.
Thứ hai – Mechanism contribution. EVAIE đưa tầng EVCM vào giữa capability và outcome để giải thích how value is generated.
Thứ ba – Multidimensional educational value contribution. Giá trị không chỉ là productivity hoặc satisfaction mà bao gồm learning, human development, equity, agency, trustworthiness và sustainability.
Thứ tư – Governance contribution. Responsible AI Governance được tích hợp như điều kiện biên quyết định mức độ các cơ chế AI có thể chuyển hóa thành giá trị giáo dục bền vững.
Có thể tóm tắt novelty bằng:
Capability → Mechanism → Value, conditioned by Governance.
- HÀM Ý QUẢN TRỊ ĐẠI HỌC
EVAIE thay đổi logic KPI của chiến lược AI trong đại học.
Không nên chỉ hỏi bao nhiêu giảng viên sử dụng AI, mà phải đánh giá AI tạo ra learning gain như thế nào. Không nên chỉ hỏi bao nhiêu sinh viên dùng GenAI, mà phải xem sinh viên trở nên độc lập hơn hay phụ thuộc hơn. Không nên chỉ đo số giờ tiết kiệm, mà phải xác định thời gian đó có được tái đầu tư vào các hoạt động giáo dục có giá trị cao hơn hay không. Đây chính là hướng quản trị mà bản thảo đã đề xuất.
Vì vậy, KPI nên chuyển:
AI adoption metrics → AI capability metrics → value-creation metrics → educational outcome metrics → responsible-governance metrics.
- HẠN CHẾ
EVAIE hiện là conceptual framework, chưa phải validated measurement instrument. Điều này phải được công bố rõ thay vì trình bày 21 dimensions như một thang đo đã được xác nhận.
Thứ hai, educational value phụ thuộc bối cảnh; trọng số của learning, agency, equity, trust hoặc sustainability có thể khác nhau giữa các loại hình cơ sở giáo dục.
Thứ ba, dữ liệu cắt ngang không đủ để chứng minh quá trình chuyển hóa nhân quả.
Thứ tư, self-reported AI use có thể khác đáng kể với hành vi sử dụng thực tế.
Cuối cùng, AI phát triển nhanh hơn chu kỳ xuất bản học thuật, do đó các item cần được thiết kế technology-agnostic để tránh thang đo nhanh chóng lỗi thời. Các giới hạn này đã được nhận diện trong bản thảo nền.
- CHƯƠNG TRÌNH NGHIÊN CỨU TIẾP THEO
Ưu tiên thứ nhất là phát triển và kiểm định EVAIE Scale.
Ưu tiên thứ hai là longitudinal validation nhằm phân biệt performance gain và durable learning/capability gain.
Ưu tiên thứ ba là multi-source/multilevel research kết hợp survey, LMS, analytics, assessment và institutional data.
Ưu tiên thứ tư là cross-context validation, đặc biệt trong các trường đại học Việt Nam và sau đó mở rộng sang các hệ thống giáo dục khác.
Ưu tiên thứ năm là kiểm định ba nghịch lý:
Automation ↔ Agency
Personalization ↔ Privacy
Efficiency ↔ Learning
Các quan hệ này có thể mở đường cho một thế hệ nghiên cứu tiếp theo vượt khỏi giả định tuyến tính “more AI is better”.
- ĐÓNG GÓP LÝ THUYẾT
EVAIE đóng góp cho dòng nghiên cứu về trí tuệ nhân tạo trong giáo dục đại học bằng cách chuyển trọng tâm phân tích từ sự chấp nhận AI sang quá trình kiến tạo giá trị giáo dục được AI hỗ trợ. Thay vì xem việc sử dụng AI như một kết quả cuối cùng, mô hình phân biệt rõ ba tầng lý thuyết có quan hệ kế tiếp nhau: năng lực của hệ sinh thái cần thiết để huy động và tích hợp AI; các cơ chế thông qua đó những năng lực này được chuyển hóa thành giá trị giáo dục; và các kết quả giáo dục đa chiều được hình thành từ quá trình chuyển hóa đó.
Theo logic này, EVAIE không giả định rằng việc sở hữu hoặc sử dụng nhiều công nghệ AI hơn tất yếu dẫn đến kết quả giáo dục tốt hơn. Điểm cốt lõi nằm ở khả năng của cơ sở giáo dục trong việc chuyển hóa các nguồn lực công nghệ, dữ liệu, con người, sư phạm và tổ chức thành những cơ chế có ý nghĩa về mặt giáo dục, chẳng hạn cá nhân hóa, tăng cường năng lực con người, hỗ trợ quyết định dựa trên bằng chứng và cộng tác con người – AI. Chính các cơ chế này tạo thành cầu nối lý thuyết giữa năng lực AI và giá trị giáo dục, qua đó giúp mở “hộp đen” thường tồn tại trong các mô hình giả định quan hệ trực tiếp giữa công nghệ và kết quả.
Một đóng góp quan trọng khác của EVAIE là mở rộng khái niệm kết quả từ những thước đo truyền thống như mức độ sử dụng, sự hài lòng, hiệu suất hoặc lợi ích ròng sang một cấu trúc giá trị giáo dục đa chiều. Giá trị này không chỉ bao gồm hiệu quả học tập mà còn liên quan đến phát triển con người, công bằng và hòa nhập, năng lực chủ thể của người học, mức độ đáng tin cậy và tính bền vững. Cách tiếp cận này cho phép phân biệt rõ giữa hiệu suất do AI hỗ trợ và giá trị giáo dục thực sự, bởi một hệ thống có thể giúp người học hoàn thành nhiệm vụ nhanh hơn nhưng chưa chắc làm gia tăng năng lực nhận thức, tính tự chủ hoặc khả năng học tập dài hạn.
Bên cạnh đó, EVAIE tích hợp Quản trị AI có trách nhiệm (Responsible AI Governance – RAIG) như một điều kiện lý thuyết của quá trình hiện thực hóa giá trị, thay vì xem đạo đức AI như một lớp bổ sung bên ngoài mô hình. Theo cách tiếp cận này, các cơ chế được AI hỗ trợ chỉ có khả năng tạo ra giá trị giáo dục bền vững khi chúng được triển khai trong những điều kiện bảo đảm công bằng, minh bạch, quyền riêng tư, trách nhiệm giải trình, giám sát của con người và khả năng chất vấn hoặc xem xét lại các quyết định do AI hỗ trợ. Vì vậy, quản trị AI không đơn thuần làm giảm rủi ro mà còn quyết định mức độ chính đáng, độ tin cậy và tính bền vững của giá trị giáo dục được tạo ra.
Từ đó, EVAIE tạo ra bốn chuyển dịch lý thuyết đáng chú ý. Thứ nhất, mô hình chuyển từ AI adoption sang AI-enabled educational value creation. Thứ hai, đơn vị phân tích được mở rộng từ một công cụ hoặc ứng dụng AI riêng lẻ sang hệ sinh thái giáo dục tích hợp AI. Thứ ba, EVAIE chuyển từ logic tác động trực tiếp sang logic năng lực – cơ chế – giá trị, qua đó giải thích rõ hơn cách thức giá trị được hình thành. Thứ tư, mô hình chuyển từ việc xem đạo đức và quản trị AI như những yêu cầu tuân thủ sang việc xem chúng là điều kiện biên của quá trình tạo lập giá trị giáo dục.
Do đó, EVAIE không chỉ nhằm giải thích liệu AI có được chấp nhận trong giáo dục đại học hay không. Mô hình hướng tới một câu hỏi có sức giải thích rộng hơn:
Sau khi AI được chấp nhận, triển khai và tích hợp vào hệ sinh thái giáo dục, những năng lực nào cho phép AI tạo ra giá trị, giá trị đó được hình thành thông qua những cơ chế nào, được tạo ra cho những chủ thể nào, dưới những điều kiện quản trị nào và đi kèm với những đánh đổi nào?
Có thể khái quát đóng góp lý thuyết trung tâm của EVAIE bằng cấu trúc:
AI-Integrated Educational Ecosystem Capabilities
→ Educational Value-Creation Mechanisms
→ Educational Value Outcomes
trong điều kiện của:
Responsible AI Governance.
Theo nghĩa đó, EVAIE đóng góp không phải bằng cách bổ sung thêm một mô hình chấp nhận công nghệ, mà bằng việc tái định nghĩa vấn đề cần giải thích của nghiên cứu AI trong giáo dục đại học: từ “AI có được sử dụng hay không?” sang “AI được chuyển hóa thành giá trị giáo dục có ý nghĩa, có trách nhiệm và bền vững như thế nào?”
- TUYÊN BỐ VỀ TÍNH MỚI
Tính mới của EVAIE không nằm ở việc đề xuất thêm một mô hình giải thích sự chấp nhận công nghệ, mà ở việc tái khái niệm hóa hiện tượng nghiên cứu trung tâm từ sự chấp nhận AI sang quá trình kiến tạo giá trị giáo dục (educational value creation). Theo cách tiếp cận này, việc AI được chấp nhận, sử dụng hoặc tích hợp chỉ là điều kiện khởi đầu; vấn đề lý thuyết quan trọng hơn là AI được chuyển hóa thành giá trị giáo dục như thế nào, thông qua những cơ chế nào và dưới những điều kiện nào.
EVAIE lý thuyết hóa một kiến trúc Năng lực – Cơ chế – Giá trị (Capability–Mechanism–Value), trong đó các năng lực của hệ sinh thái AI–EdTech tạo nền tảng cho việc huy động và tích hợp AI; các năng lực này không trực tiếp bảo đảm kết quả giáo dục mà phải được chuyển hóa thông qua những cơ chế kiến tạo giá trị có thể nhận diện và kiểm định. Chính các cơ chế trung gian này giải thích cách nguồn lực công nghệ, dữ liệu, sư phạm, con người và tổ chức được chuyển thành những kết quả có ý nghĩa đối với người học, nhà giáo và cơ sở giáo dục.
Điểm mới tiếp theo của EVAIE là xác lập Quản trị AI có trách nhiệm (Responsible AI Governance – RAIG) như một điều kiện biên chi phối cả hiệu quả lẫn tính chính đáng của quá trình chuyển hóa từ năng lực AI–EdTech sang giá trị giáo dục. Theo đó, cùng một năng lực công nghệ có thể tạo ra những mức độ giá trị khác nhau tùy thuộc vào chất lượng quản trị liên quan đến công bằng, minh bạch, quyền riêng tư, trách nhiệm giải trình, giám sát của con người và khả năng kiểm soát hoặc chất vấn các quyết định được AI hỗ trợ.
Quan trọng hơn, kiến trúc này cho phép EVAIE thiết lập hai phân biệt lý thuyết có ý nghĩa. Thứ nhất là phân biệt giữa hiệu suất công nghệ (technological performance) và giá trị giáo dục (educational value): một hệ thống AI có thể đạt độ chính xác, tốc độ hoặc khả năng tự động hóa cao nhưng chưa chắc tạo ra học tập sâu, năng lực chủ thể, công bằng hay phát triển con người. Thứ hai là phân biệt giữa hiệu quả ngắn hạn (short-term efficiency) và phát triển năng lực con người bền vững (sustainable human capability development): AI có thể giúp hoàn thành nhiệm vụ nhanh hơn nhưng giá trị giáo dục chỉ được xác lập khi sự hỗ trợ đó góp phần nâng cao năng lực học tập, tư duy, sáng tạo, tự chủ và khả năng thích ứng dài hạn của con người.
Vì vậy, tính mới cốt lõi của EVAIE có thể được khái quát bằng sự chuyển dịch:
AI Adoption → AI-Enabled Educational Value Creation
thông qua kiến trúc:
AI–EdTech Ecosystem Capabilities → Value-Creation Mechanisms → Educational Value Outcomes
với:
Responsible AI Governance
là điều kiện biên của hiệu quả, tính chính đáng và tính bền vững của quá trình kiến tạo giá trị.
Theo nghĩa đó, EVAIE không cạnh tranh với các mô hình chấp nhận công nghệ bằng cách bổ sung thêm các biến dự báo ý định hoặc hành vi sử dụng AI. Thay vào đó, mô hình dịch chuyển câu hỏi lý thuyết sang giai đoạn sau chấp nhận công nghệ: từ việc giải thích “AI có được sử dụng hay không?” sang giải thích “sau khi AI được tích hợp, hệ sinh thái giáo dục chuyển hóa các năng lực AI–EdTech thành giá trị giáo dục có ý nghĩa, chính đáng và bền vững bằng cách nào?” Đây chính là nền tảng tạo nên giá trị lý thuyết gia tăng (theoretical value added) và khả năng phân biệt của EVAIE so với các mô hình nghiên cứu lấy technology adoption làm biến đích.
- KẾT LUẬN
AI đang làm thay đổi giáo dục đại học không chỉ bởi khả năng tự động hóa mà bởi việc công nghệ ngày càng tham gia sâu vào quá trình tạo lập tri thức, phản hồi, đánh giá, quyết định và tương tác học tập. Tuy nhiên:
The presence of AI does not constitute educational value.
EVAIE được phát triển để giải quyết chính khoảng trống đó.
Kiến trúc lý thuyết cuối cùng được chuẩn hóa thành:
AI-EdTech Ecosystem Capabilities
5 dimensions
↓
Educational Value Creation Mechanisms
4 dimensions
↓
Educational Value Outcomes
6 dimensions
dưới điều kiện:
Responsible AI Governance – 6 governance dimensions.
Do đó:
More AI ≠ More Value.
Mô hình chính xác hơn là:
AI Capability → Value-Creation Mechanisms → Educational Value,
conditioned by Responsible AI Governance.
Điểm mạnh nhất của EVAIE vì thế không phải là tạo thêm một danh sách biến về AI trong giáo dục, mà là cung cấp một explanatory architecture cho quá trình tạo giá trị. Nó đặt ra câu hỏi sâu hơn về việc liệu hiệu suất do AI tạo ra có chuyển thành năng lực con người hay không; liệu personalization có đủ giá trị để biện minh cho privacy cost hay không; liệu automation có tăng cường hay làm suy giảm agency; và liệu những lợi ích của AI có được phân phối công bằng, đáng tin cậy và bền vững hay không.
Bản thảo nền đã kết luận rằng sự hiện diện của AI không đồng nghĩa với giá trị giáo dục và xác định EVAIE theo đúng chuỗi Capabilities → Value Creation Mechanisms → Educational Value Outcomes → Responsible AI Governance. Phiên bản sau phản biện này củng cố luận điểm đó thành một cấu trúc có thể chuyển trực tiếp sang scale-development program và empirical validation.
Câu hỏi trung tâm cuối cùng của toàn bộ chương trình EVAIE nên được khóa lại như sau:
How do AI-integrated educational ecosystem capabilities become meaningful and sustainable educational value, through what mechanisms, for whom, under what responsible AI governance conditions, and with what trade-offs?
“Các năng lực của hệ sinh thái giáo dục tích hợp trí tuệ nhân tạo (AI) được chuyển hóa thành giá trị giáo dục có ý nghĩa và bền vững như thế nào, thông qua những cơ chế kiến tạo giá trị nào, tạo ra giá trị cho những chủ thể nào, dưới những điều kiện quản trị AI có trách nhiệm nào, và quá trình chuyển hóa đó phát sinh những sự đánh đổi nào?”
Đây là phiên bản nên dùng làm khung học thuật chính thức để phát triển bài báo quốc tế, đồng thời giữ nhất quán 5 năng lực – 4 cơ chế – 6 giá trị – 6 chiều quản trị của bản EVAIE gốc, thay vì thay đổi ontology của mô hình trong giai đoạn phát triển thang đoTÀI LIỆU THAM KHẢO – APA 7
TÀI LIỆU THAM KHẢO – APA 7
- Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1.
- DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9–30. https://doi.org/10.1080/07421222.2003.11045748
- https://doi.org/10.1093/oso/9780192845290.001.0001
- Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). Association for Computing Machinery. https://doi.org/10.1145/3313831.3376727
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
- 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.
- 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.
- (2023). OECD digital education outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en.
- Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354
- Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
