English title: A Governance Model for Implementing Intelligent Tutoring Systems in Higher Education: Balancing Learning Personalization, Learning Outcomes, and AI Dependency Risks
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 thúc đẩy sự chuyển đổi của Hệ thống Gia sư Thông minh (Intelligent Tutoring Systems – ITS) từ các hệ thống thích ứng dựa trên luật, mô hình người học và miền tri thức sang các môi trường hỗ trợ học tập có khả năng đối thoại, tạo sinh nội dung, phản hồi tức thời và cá nhân hóa ở quy mô lớn. Trong giáo dục đại học, ITS thế hệ mới có tiềm năng hỗ trợ chẩn đoán nhu cầu, điều chỉnh độ khó, cung cấp scaffolding, phản hồi cá nhân hóa và hỗ trợ tự học. Tuy nhiên, giá trị giáo dục của AI tutoring không tự động phát sinh từ mức độ thông minh hoặc mức độ cá nhân hóa của hệ thống. UNESCO nhấn mạnh rằng AI trong giáo dục cần được quản trị theo định hướng lấy con người làm trung tâm, bảo vệ human agency, quyền riêng tư, công bằng và trách nhiệm của con người (Miao & Holmes, 2023; UNESCO, 2021).
Một thách thức mới nổi là AI dependency. Bằng chứng gần đây cho thấy GenAI có thể hỗ trợ self-regulation, feedback engagement và learner agency khi được sử dụng như một scaffold, nhưng cũng có thể gắn với cognitive offloading, overreliance, dependence và suy giảm evaluative judgment khi thay thế những hoạt động nhận thức mà người học cần tự thực hiện (Wang et al., 2026). Một scoping review năm 2026 tổng hợp 123 nghiên cứu trong giáo dục đại học cho thấy hai khuynh hướng này cùng tồn tại và phụ thuộc đáng kể vào cách AI được tích hợp về mặt sư phạm (Wang et al., 2026). Các nghiên cứu gần đây về pedagogical partnerships với GenAI cũng chỉ ra rằng cognitive offloading có thể đóng vai trò như “strategic cognitive investment” thay vì “intellectual abdication” khi được thiết kế phù hợp (Wang & Zhang, 2026).
Trên cơ sở đó, nghiên cứu đề xuất Responsible Intelligent Tutoring Systems Governance Model (RITSGM) nhằm giải thích cách thức ITS Governance (ITSG) tạo ra giá trị giáo dục thông qua Personalization Quality (PQ), đồng thời kiểm soát AI Dependency (AID) để bảo vệ Learner Agency (LA) và tối ưu hóa Learning Outcomes (LO). Mô hình đặt ra luận điểm trung tâm rằng mục tiêu của quản trị ITS không phải là maximum personalization, mà là responsible personalization: cá nhân hóa chỉ tạo ra giá trị bền vững khi hỗ trợ người học suy nghĩ, tự điều chỉnh và ra quyết định thay vì thay thế các quá trình đó. Các khung quản trị gần đây như Advisory Governance Layer (AGL) – một multi-agent framework cho phép sự tham gia phân tán của các bên liên quan trong quản trị AI – đã chỉ ra rằng việc dung hòa các giá trị đa dạng và thường xung đột giữa sinh viên, phụ huynh, giáo viên và tổ chức là một thách thức quan trọng trong triển khai ITS (Uchoa et al., 2026).
Nghiên cứu dự kiến sử dụng sequential exploratory mixed-methods design, kết hợp tổng quan tích hợp, phỏng vấn chuyên gia, phát triển/thích nghi thang đo, khảo sát thử và khảo sát chính thức sinh viên đại học. EFA, CFA và CB-SEM được sử dụng để kiểm định mô hình đo lường và mô hình cấu trúc; bootstrap được sử dụng để đánh giá các hiệu ứng trung gian. Đóng góp chính của nghiên cứu là chuyển trọng tâm từ câu hỏi “ITS có cải thiện học tập hay không?” sang câu hỏi quản trị sâu hơn: “ITS cần được thiết kế và quản trị như thế nào để cá nhân hóa nâng cao kết quả học tập mà không tạo ra sự phụ thuộc AI và suy giảm năng lực chủ thể của người học?”
Từ khóa: Hệ thống Gia sư Thông minh; Quản trị Trí tuệ Nhân tạo; Cá nhân hóa học tập; Sự phụ thuộc vào AI; Năng lực chủ thể của người học; Kết quả học tập; Trí tuệ Nhân tạo Tạo sinh; Giáo dục đại học.
ABSTRACT
The rapid advancement of artificial intelligence (AI), particularly generative artificial intelligence (GenAI), is accelerating the transformation of Intelligent Tutoring Systems (ITS) from rule-based adaptive systems built around learner and domain models into interactive learning environments capable of dialogue, content generation, real-time feedback, and large-scale personalization. In higher education, next-generation ITS have the potential to diagnose learning needs, dynamically adjust task difficulty, provide scaffolding and personalized feedback, and support self-directed learning. However, the educational value of AI tutoring does not arise automatically from the sophistication or degree of personalization of the system. UNESCO emphasizes that AI in education should be governed through a human-centered approach that safeguards human agency, privacy, fairness, and human accountability (Miao & Holmes, 2023; UNESCO, 2021).
An emerging challenge is AI dependency. Recent evidence suggests that GenAI can strengthen self-regulation, engagement with feedback, and learner agency when used as a cognitive and pedagogical scaffold; however, it may also be associated with cognitive offloading, overreliance, dependency, and diminished evaluative judgment when it substitutes for cognitive activities that learners need to perform themselves (Wang et al., 2026). A 2026 scoping review synthesizing 123 studies in higher education indicates that these two trajectories coexist and depend substantially on how AI is pedagogically integrated (Wang et al., 2026). Recent research on pedagogical partnerships with GenAI further suggests that cognitive offloading may function as “strategic cognitive investment” rather than “intellectual abdication” when appropriately designed (Wang & Zhang, 2026).
Against this background, this study proposes the Responsible Intelligent Tutoring Systems Governance Model (RITSGM) to explain how ITS Governance (ITSG) generates educational value through Personalization Quality (PQ) while simultaneously managing AI Dependency (AID) to safeguard Learner Agency (LA) and optimize Learning Outcomes (LO). The model advances the central proposition that the goal of ITS governance should not be maximum personalization, but rather responsible personalization: personalization creates sustainable educational value only when it enables learners to think, self-regulate, exercise judgment, and make decisions rather than replacing these processes. Emerging governance architectures, such as the Advisory Governance Layer (AGL)—a multi-agent framework designed to enable distributed stakeholder participation in AI governance—further demonstrate that reconciling the diverse and often competing values of students, parents, teachers, and institutions represents a critical challenge in ITS implementation (Uchoa et al., 2026).
The study adopts a sequential exploratory mixed-methods design, integrating an integrative literature review, expert interviews, scale development and/or adaptation, a pilot survey, and a large-scale survey of university students. Exploratory factor analysis (EFA), confirmatory factor analysis (CFA), and covariance-based structural equation modeling (CB-SEM) will be employed to evaluate the measurement and structural models, while bootstrapping will be used to assess indirect effects. The principal contribution of the study is to shift the research focus from the conventional question of “Do intelligent tutoring systems improve learning?” toward a more consequential governance question: “How should intelligent tutoring systems be designed and governed so that personalization enhances learning outcomes without fostering AI dependency or undermining learner agency?”
Keywords: Intelligent Tutoring Systems; AI Governance; Learning Personalization; AI Dependency; Learner Agency; Learning Outcomes; Generative AI; Higher Education.
- ĐẶT VẤN ĐỀ
1.1. Bối cảnh nghiên cứu
Intelligent Tutoring Systems là một trong những hướng phát triển lâu đời của AI trong giáo dục. Về nguyên lý, ITS mô phỏng một số chức năng của gia sư con người bằng cách nhận diện trạng thái người học, lựa chọn nội dung hoặc chiến lược hỗ trợ và cung cấp phản hồi thích ứng (Graesser et al., 2012; VanLehn, 2011). Sự phát triển của machine learning, learning analytics, natural language processing và đặc biệt là large language models đang mở rộng đáng kể năng lực của ITS.
ITS thế hệ mới có thể thực hiện:
- Learner Diagnosis→ Adaptive Content → Personalized Scaffolding → Immediate Feedback → Progress Monitoring → Learning Recommendation.
Các meta-analysis gần đây cho thấy ITS có thể tạo ra hiệu quả học tập đáng kể (Steenbergen-Hu & Cooper, 2014; Ma et al., 2014; Huang et al., 2025). Nghiên cứu của Huang và cộng sự (2025) tổng hợp 30 nghiên cứu và ghi nhận tác động tích cực tổng thể của ITS, nhưng hiệu quả khác nhau theo từng loại kết quả học tập và thiết kế hệ thống; các tác động đối với kiến thức, động lực, hiệu suất và kỹ năng giải quyết vấn đề chưa hoàn toàn nhất quán. Sự chuyển đổi này tạo ra một hứa hẹn hấp dẫn: cung cấp hỗ trợ gần với tutoring cá nhân cho số lượng lớn sinh viên.
Tuy nhiên, khả năng cá nhân hóa càng sâu càng làm phát sinh câu hỏi về ranh giới tối ưu giữa hỗ trợ và thay thế. Khi hệ thống không chỉ cung cấp gợi ý mà còn tạo câu trả lời, giải quyết vấn đề, xây dựng lập luận hoặc đưa ra quyết định thay người học, ITS có thể chuyển từ cognitive scaffold thành cognitive substitute. Nghiên cứu của Wang và Zhang (2026) đã chỉ ra rằng mối quan hệ giữa cognitive offloading và transformative learning có thể mang hình chữ U, trong đó offloading hoạt động như “cognitive multiplier” khi đủ cường độ, giải phóng nguồn lực tinh thần cho tổng hợp và phê phán bậc cao. Điều này cho thấy cần phân biệt giữa strategic cognitive offloading và maladaptive overreliance (Wang et al., 2026). Các tác giả nhấn mạnh rằng không phải mọi sự ủy thác cho AI đều có hại, và cần xác định loại ủy thác nào tương thích với learner agency và loại nào làm suy yếu nó (Wang et al., 2026).
OECD Digital Education Outlook 2026 cũng cảnh báo rằng việc sử dụng GenAI như một “answer machine” có thể dẫn đến sự suy giảm khả năng tư duy phê phán và tạo ra “knowledge illusion” khi sinh viên không thực sự tiếp thu kiến thức hay phát triển tư duy độc lập (OECD, 2026). OECD khuyến nghị sử dụng AI như một “Socratic tutor” đặt câu hỏi dẫn dắt thay vì cung cấp câu trả lời trực tiếp.
Do đó, vấn đề trung tâm không còn đơn thuần là:
ITS có hiệu quả không?
mà phải chuyển thành:
Những điều kiện quản trị và thiết kế nào khiến ITS trở thành công nghệ tăng cường học tập thay vì công nghệ thay thế hoạt động học tập?
Đây là điểm xuất phát của nghiên cứu.
1.2. Đóng góp của khung quản trị ITS
Nghiên cứu gần đây về quản trị ITS đã bắt đầu xuất hiện. Uchoa và cộng sự (2026) giới thiệu Advisory Governance Layer (AGL), một multi-agent framework cho phép sự tham gia phân tán của các bên liên quan trong quản trị AI. AGL sử dụng các tác nhân chuyên biệt đại diện cho các nhóm bên liên quan để đánh giá các hành động sư phạm dựa trên các chính sách cụ thể của họ, cung cấp lời khuyên quản trị có cấu trúc và có thể kiểm toán cho ITS mà không làm thay đổi quyết định sư phạm cốt lõi của nó (Uchoa et al., 2026).
Tương tự, nghiên cứu về deepfake-style AI tutors đã đề xuất một khung quản trị nhấn mạnh tính minh bạch, công bằng và trách nhiệm giải trình trong các hệ thống giảng dạy do AI điều khiển, nhằm bảo vệ tính toàn vẹn, quyền riêng tư và niềm tin học thuật (Saeed et al., 2025). Các khung này phản ánh nhận thức rằng việc triển khai ITS đòi hỏi không chỉ năng lực kỹ thuật mà còn các cơ chế quản trị có thể đảm bảo alignment với các giá trị đa dạng của các bên liên quan.
- VẤN ĐỀ VÀ KHOẢNG TRỐNG NGHIÊN CỨU
Nghiên cứu xác định năm khoảng trống.
2.1. Khoảng trống từ ITS effectiveness đến ITS governance
Nghiên cứu ITS truyền thống tập trung mạnh vào: system performance → learning effectiveness → user acceptance. Tuy nhiên, khi ITS tích hợp GenAI và ngày càng tham gia vào những hoạt động nhận thức phức tạp, các vấn đề transparency, accountability, privacy, human oversight, fairness và pedagogical responsibility trở thành thành phần thiết yếu của triển khai. UNESCO cho rằng việc triển khai GenAI cần được đặt trong các khung chính sách toàn diện và human-centred, thay vì chỉ dựa vào khả năng công nghệ (Miao & Holmes, 2023). Nghiên cứu về quản trị AI trong giáo dục đại học cũng chỉ ra rằng các tổ chức cần phát triển các khuôn khổ quản trị toàn diện nhằm cân bằng đổi mới với tính liêm chính học thuật, bao gồm hướng dẫn rõ ràng về sử dụng phù hợp theo từng ngành và các giao thức đánh giá liên tục (Spada et al., 2025).
Do đó:
Technical Intelligence ≠ Responsible Educational Intelligence.
2.2. Khoảng trống từ personalization intensity đến personalization quality
Nhiều cách tiếp cận mặc định rằng càng cá nhân hóa sâu thì càng có lợi. Nghiên cứu này đề xuất phân biệt:
- Personalization Intensity– hệ thống cá nhân hóa bao nhiêu;
- Personalization Quality– cá nhân hóa có phù hợp với mục tiêu học tập, trạng thái người học và yêu cầu phát triển năng lực hay không.
Đây là khác biệt quan trọng. Một hệ thống cung cấp ngay lời giải “hoàn hảo” có thể có personalization intensity cao nhưng pedagogical quality thấp nếu nó loại bỏ productive struggle. Nghiên cứu về adaptive intelligent tutoring systems trong giáo dục STEM cho thấy phản hồi thích ứng và cá nhân hóa có tiềm năng cải thiện trải nghiệm và kết quả học tập, nhưng hiệu quả phụ thuộc vào thiết kế nhiệm vụ, chất lượng phản hồi và mức độ người học vẫn phải tham gia vào hoạt động nhận thức cốt lõi (Villegas-Ch et al., 2025). Vì vậy:
More personalization ≠ better learning.
2.3. Khoảng trống giữa learning performance và learning development
Các outcome ngắn hạn như điểm bài tập, tốc độ hoàn thành hoặc accuracy chưa phản ánh đầy đủ giá trị giáo dục. AI có thể làm sinh viên hoàn thành nhiệm vụ tốt hơn nhưng chưa chắc giúp họ:
- hiểu sâu hơn;
- chuyển giao kiến thức;
- tự giải quyết vấn đề;
- phát triển metacognition;
- duy trì learner agency.
Các bằng chứng gần đây về cognitive offloading cho thấy việc đánh giá AI-supported learning cần vượt khỏi task performance để xem xét cả chất lượng của quá trình nhận thức (Wang et al., 2026; Risko & Gilbert, 2016). Nghiên cứu của Panadero và Broadbent (2025) đã đặt ra khái niệm “decremental research” để nhấn mạnh rằng trong kỷ nguyên GenAI, cần xem xét những gì công nghệ có thể cản trở, bỏ qua hoặc làm cho trở nên lỗi thời trong quá trình học tập, đặc biệt là trong các cơ chế tự điều chỉnh học tập.
2.4. Khoảng trống về AI Dependency
AI dependency thường được đề cập như một “rủi ro”, nhưng chưa luôn được tích hợp thành construct trung tâm trong mô hình quản trị ITS. Nghiên cứu đề xuất phân biệt:
- Functional reliance– dựa vào AI một cách chiến lược;
- Maladaptive dependency– phụ thuộc đến mức làm giảm khả năng tự thực hiện, tự đánh giá hoặc tự điều chỉnh.
Do đó, reliance không mặc nhiên đồng nghĩa với dependency. Scoping review của Wang và cộng sự (2026) nhấn mạnh rằng cần phân biệt rõ hơn giữa strategic cognitive offloading và maladaptive overreliance để tránh nhầm lẫn khái niệm và hướng tới những giải thích chính xác hơn về quá trình học tập. Đây là ranh giới construct phải được bảo vệ khi phát triển thang đo.
2.5. Khoảng trống về mô hình tích hợp benefit–risk
Các nghiên cứu thường phân tích riêng: personalization, learning outcomes, hoặc AI risks. Còn thiếu mô hình giải thích đồng thời:
Governance → Personalization → Learning → Dependency/Agency.
RITSGM được đề xuất nhằm lấp khoảng trống này, tích hợp cả augmentation pathway và dependency pathway trong một nomological network thống nhất.
- MỤC TIÊU NGHIÊN CỨU
3.1. Mục tiêu tổng quát
Phát triển và kiểm định Responsible Intelligent Tutoring Systems Governance Model nhằm giải thích cách quản trị triển khai ITS trong giáo dục đại học có thể nâng cao chất lượng cá nhân hóa và kết quả học tập, đồng thời hạn chế AI dependency và bảo vệ learner agency.
3.2. Mục tiêu cụ thể
- Khái niệm hóa Responsible ITS Governancetrong giáo dục đại học.
- Xác định các chiều cạnh cấu thành ITS Governance.
- Kiểm định tác động của ITS Governance đến Personalization Quality.
- Kiểm định tác động của Personalization Quality đến Learning Outcomes.
- Kiểm định quan hệ giữa Personalization Quality và AI Dependency.
- Xác định tác động của AI Dependency đến Learner Agency và Learning Outcomes.
- Kiểm định vai trò bảo vệ của Learner Agency.
- Phân tích các cơ chế trung gian nối ITS Governance với Learning Outcomes.
- Đề xuất nguyên tắc quản trị responsible personalizationcho các trường đại học.
- CÂU HỎI NGHIÊN CỨU
RQ1. Responsible ITS Governance nên được khái niệm hóa như thế nào trong giáo dục đại học?
RQ2. Những chiều cạnh nào cấu thành chất lượng quản trị triển khai ITS?
RQ3. ITS Governance ảnh hưởng như thế nào đến Personalization Quality?
RQ4. Personalization Quality ảnh hưởng như thế nào đến Learning Outcomes?
RQ5. Trong điều kiện nào cá nhân hóa hỗ trợ học tập và trong điều kiện nào nó làm gia tăng AI Dependency?
RQ6. AI Dependency ảnh hưởng như thế nào đến Learner Agency và Learning Outcomes?
RQ7. Learner Agency đóng vai trò gì trong việc chuyển hóa hỗ trợ AI thành kết quả học tập bền vững?
RQ8. Các trường đại học cần quản trị ITS như thế nào để đạt được augmentation without dependency?
- CƠ SỞ LÝ THUYẾT
5.1. Intelligent Tutoring Systems
ITS có thể được xem như hệ thống AI cung cấp hỗ trợ học tập thích ứng dựa trên thông tin về người học, nội dung và chiến lược sư phạm. Kiến trúc ITS truyền thống thường bao gồm: Domain Model + Learner Model + Pedagogical Model + Interface (Graesser et al., 2012; Woolf, 2009). GenAI làm thay đổi kiến trúc này bằng việc bổ sung khả năng đối thoại mở, reasoning, content generation và adaptive feedback. Các nghiên cứu gần đây về LLM-powered ITS đã đề xuất các khung như Advisory Governance Layer (AGL) để giải quyết thách thức alignment với các giá trị đa dạng của các bên liên quan (Uchoa et al., 2026). Do đó, ITS thế hệ mới không chỉ adapt content, mà ngày càng có khả năng participate in cognition. Chính sự dịch chuyển này khiến governance trở thành vấn đề lý thuyết trung tâm.
5.2. Human-Centred AI Governance
Human-centred AI đặt giá trị, quyền, agency và trách nhiệm của con người vào trung tâm của quá trình thiết kế và triển khai AI (Shneiderman, 2020, 2022). UNESCO đề xuất việc sử dụng GenAI trong giáo dục phải bảo đảm ethical, safe, equitable và meaningful use, đồng thời phát triển chính sách, năng lực và cơ chế bảo vệ người học (Miao & Holmes, 2023; UNESCO, 2021). Nghiên cứu về quản trị AI trong giáo dục đại học đã chỉ ra rằng các tổ chức cần phát triển các khuôn khổ quản trị toàn diện nhằm cân bằng đổi mới với tính liêm chính học thuật, bao gồm hướng dẫn rõ ràng về sử dụng phù hợp theo từng ngành và các giao thức đánh giá liên tục (Spada et al., 2025).
Trong nghiên cứu này, ITS Governance được định nghĩa là:
Hệ thống các nguyên tắc, cấu trúc, quy trình và cơ chế giám sát nhằm định hướng việc lựa chọn, thiết kế, triển khai, đánh giá và cải tiến ITS sao cho hệ thống tạo ra giá trị học tập có trách nhiệm đồng thời bảo vệ agency, quyền, dữ liệu và năng lực phát triển của người học.
Khung quản trị như AGL của Uchoa và cộng sự (2026) cung cấp một cơ chế tham chiếu quan trọng, trong đó các tác nhân đại diện cho các nhóm bên liên quan đánh giá các hành động sư phạm dựa trên các chính sách cụ thể, cung cấp lời khuyên quản trị có cấu trúc và có thể kiểm toán.
5.3. Personalized Learning
Personalization không đơn thuần là cung cấp nội dung khác nhau cho mỗi sinh viên. Nghiên cứu đề xuất Personalization Quality (PQ) gồm:
- Diagnostic Accuracy;
- Goal Alignment;
- Adaptive Scaffolding;
- Feedback Relevance;
- Learner Control;
- Fading/Graduated Support.
Hai thành phần cuối đặc biệt quan trọng vì cá nhân hóa tốt phải có khả năng trao lại quyền kiểm soát và giảm hỗ trợ khi năng lực người học tăng. Nghiên cứu thực nghiệm về adaptive intelligent tutoring systems trong giáo dục STEM cho thấy phản hồi cá nhân hóa và điều chỉnh lộ trình có thể hỗ trợ tiến bộ học tập, nhưng hiệu quả cần được diễn giải theo thiết kế nhiệm vụ, môn học và cách đo kết quả (Villegas-Ch et al., 2025).
5.4. Self-Regulated Learning và Learner Agency
Self-regulated learning giải thích cách người học đặt mục tiêu, theo dõi tiến trình, điều chỉnh chiến lược và đánh giá kết quả (Zimmerman, 2002; Winne & Hadwin, 1998). Trong môi trường AI, Learner Agency rộng hơn SRL ở chỗ nhấn mạnh:
- intentionality;
- choice;
- self-direction;
- evaluative judgment;
- responsibility;
- khả năng quyết định khi nào nên hoặc không nên sử dụng AI.
Scoping review gần đây cho thấy learner agency trong GenAI-supported higher education thường được khái niệm hóa thông qua self-regulation, reflective judgment, intentionality và responsible action (Wang et al., 2026). Nghiên cứu của Panadero và Broadbent (2025) đã đặt ra câu hỏi về việc GenAI có thể làm suy yếu các quá trình tự điều chỉnh học tập như thế nào, và đề xuất các thiết kế nghiên cứu như theo dõi quá trình, tam giác hóa đa phương pháp và thiết kế chuyển giao để đánh giá tác động thực sự.
5.5. Cognitive Offloading và AI Dependency
Cognitive offloading là việc chuyển một phần hoạt động nhận thức sang công cụ bên ngoài (Risko & Gilbert, 2016). Offloading không nhất thiết có hại. Strategic offloading có thể giải phóng nguồn lực nhận thức cho nhiệm vụ bậc cao. Nghiên cứu của Wang và Zhang (2026) đã chỉ ra rằng cognitive offloading có thể đóng vai trò như “cognitive multiplier” khi đủ cường độ, giải phóng nguồn lực tinh thần cho tổng hợp và phê phán bậc cao, thách thức các giả định nhị phân về tác động của AI. Tuy nhiên, dependent offloading có thể thay thế chính những hoạt động mà người học cần thực hiện để phát triển năng lực.
Vì vậy, nghiên cứu đề xuất:
AI Dependency là trạng thái reliance không thích ứng, trong đó người học ngày càng khó hoặc không sẵn sàng thực hiện độc lập những hoạt động nhận thức, đánh giá hoặc điều chỉnh học tập mà trước đó được giao cho AI.
Khái niệm này cần được phân biệt thực nghiệm với: frequency of AI use, trust, reliance intention, cognitive offloading và habit. Wang và cộng sự (2026) nhấn mạnh rằng cần có sự phân biệt tinh tế hơn để xác định loại ủy thác nào tương thích với learner agency và loại nào làm suy yếu nó.
- KHUNG QUẢN TRỊ ITS ĐỀ XUẤT
Nghiên cứu đề xuất sáu chiều cạnh của Responsible ITS Governance (ITSG), kế thừa và mở rộng từ các khung quản trị hiện có như AGL (Uchoa et al., 2026) và các nguyên tắc của UNESCO (Miao & Holmes, 2023).
| Chiều cạnh | Nội hàm |
| Pedagogical Alignment | ITS phục vụ mục tiêu, chuẩn đầu ra và thiết kế học tập. |
| Human Oversight | Con người có khả năng giám sát, can thiệp và phủ quyết. |
| Transparency & Explainability | Người học hiểu vai trò, giới hạn và logic hỗ trợ của ITS ở mức phù hợp. |
| Data Governance & Privacy | Quản trị việc thu thập, sử dụng, lưu trữ và bảo vệ dữ liệu. |
| Fairness & Inclusion | Giảm thiên lệch, bất bình đẳng và rào cản tiếp cận. |
| Accountability & Continuous Evaluation | Xác định trách nhiệm và giám sát tác động dài hạn. |
Sáu chiều cạnh này không nên mặc nhiên được xem là reflective indicators của một latent trait duy nhất. Nghiên cứu cần kiểm định liệu chúng là correlated governance capabilities hay cùng cấu thành một higher-order/composite governance architecture. Uchoa và cộng sự (2026) đã chỉ ra rằng việc dung hòa các giá trị đa dạng và thường xung đột giữa các bên liên quan là một thách thức quan trọng, và các cơ chế quản trị như AGL có thể cung cấp lời khuyên có cấu trúc và có thể kiểm toán mà không làm thay đổi quyết định sư phạm cốt lõi.
- MÔ HÌNH NGHIÊN CỨU ĐỀ XUẤT
7.1. Kiến trúc bốn tầng
Tầng I – Responsible Governance
ITS Governance (ITSG)
↓
Tầng II – Educational Implementation
Personalization Quality (PQ)
↓
Tầng III – Learner Mechanisms
Learner Agency (LA)
AI Dependency (AID)
↓
Tầng IV – Educational Value
Learning Outcomes (LO)
Logic tích cực:
ITSG → PQ → LA → LO
Logic rủi ro:
PQ → AID → LA/LO
Nhưng quan hệ PQ → AID không nên mặc định là tuyến tính dương. Cá nhân hóa có chất lượng cao, có learner control, fading và productive struggle có thể giảm dependency; ngược lại, cá nhân hóa thay thế nhận thức có thể làm dependency tăng. Vì vậy, nghiên cứu cần phân biệt:
- Supportive Personalization– cá nhân hóa hỗ trợ tư duy
- Substitutive Personalization– cá nhân hóa thay thế tư duy
Nghiên cứu của Wang và Zhang (2026) đã chỉ ra rằng các quan hệ đối tác sư phạm với GenAI có thể kích hoạt đồng thời cognitive vigilance và cognitive offloading, thách thức các giả định nhị phân về tác động của AI.
- RESPONSIBLE PERSONALIZATION–DEPENDENCY PARADOX
Đây có thể trở thành signature theoretical contribution của nghiên cứu.
Nghiên cứu đề xuất Personalization–Dependency Paradox như một mệnh đề cần kiểm định, không phải một lý thuyết đã được xác lập:
The same adaptive capability that enables an ITS to personalize learning can enhance learner agency when it scaffolds cognition, but can increase AI dependency when it substitutes for cognition.
Có thể biểu diễn:
Scaffolding pathway:
Personalization → Productive Support → Self-Regulation ↑ → Learner Agency ↑ → Learning Outcomes ↑
Substitution pathway:
Personalization → Cognitive Substitution → Cognitive Offloading ↑ → AI Dependency ↑ → Learner Agency ↓ → Sustainable Learning ↓
Bằng chứng gần đây ủng hộ việc không xem cognitive offloading theo cách hoàn toàn tiêu cực; sự khác biệt quan trọng nằm ở việc AI scaffold hay substitute hoạt động tư duy (Wang et al., 2026; Ursavaş et al., 2025). OECD (2026) cũng khuyến nghị sử dụng AI như một “Socratic tutor” đặt câu hỏi dẫn dắt thay vì “answer machine”.
- GIẢ THUYẾT NGHIÊN CỨU
H1: ITS Governance có tác động tích cực đến Personalization Quality.
H2: Personalization Quality có tác động tích cực đến Learner Agency.
H3: Personalization Quality có tác động tích cực đến Learning Outcomes.
H4: Learner Agency có tác động tích cực đến Learning Outcomes.
H5: AI Dependency có tác động tiêu cực đến Learner Agency.
H6: AI Dependency có tác động tiêu cực đến Learning Outcomes.
H7: Personalization Quality đóng vai trò trung gian trong mối quan hệ giữa ITS Governance và Learner Agency.
H8: Learner Agency đóng vai trò trung gian giữa Personalization Quality và Learning Outcomes.
H9: AI Dependency đóng vai trò trung gian tiêu cực giữa các hình thức substitutive personalization và Learning Outcomes.
H10: ITS Governance có tác động tiêu cực đến AI Dependency thông qua các cơ chế learner control, human oversight và pedagogical safeguards.
Giả thuyết trung tâm:
ITSG → PQ → LA → LO
được kiểm định song song với pathway rủi ro:
Substitutive Personalization → AID → LA ↓ → LO ↓
Cấu trúc hai pathway mạnh hơn mô hình đơn giản “personalization → dependency”, vì tránh giả định rằng mọi cá nhân hóa đều tạo phụ thuộc.
- KHUNG ĐO LƯỜNG
| Construct | Nội hàm dự kiến |
| ITSG | Pedagogical Alignment; Human Oversight; Transparency & Explainability; Data Governance & Privacy; Fairness & Inclusion; Accountability & Continuous Evaluation |
| PQ | Diagnostic Fit; Goal Alignment; Adaptive Scaffolding; Feedback Quality; Learner Control; Fading/Graduated Support |
| LA | Intentionality; Self-Regulation; Choice; Evaluative Judgment; Responsibility |
| AID | Maladaptive Reliance; Cognitive Substitution; Reduced Independent Capability; Control Loss |
| LO | Knowledge Acquisition; Conceptual Understanding; Transfer; Problem Solving |
Đối với Learning Outcomes, không nên chỉ dùng self-report. Đề tài sẽ mạnh hơn đáng kể nếu kết hợp:
- Perceived Learning+ Course Performance + Knowledge/Transfer Test.
Điều này giảm common-method bias và giúp phân biệt perceived efficiency với actual learning. Panadero và Broadbent (2025) nhấn mạnh tầm quan trọng của việc sử dụng process data tracking, multi-method triangulation và transfer designs để đánh giá tác động thực sự của GenAI đối với học tập.
- PHƯƠNG PHÁP NGHIÊN CỨU
11.1. Thiết kế
Đề xuất sequential exploratory mixed-methods design gồm năm pha.
Phase I – Conceptual synthesis
Tổng quan tích hợp hoặc systematic review về:
- ITS;
- personalized learning;
- AI governance;
- learner agency;
- self-regulated learning;
- cognitive offloading;
- AI dependency;
- learning outcomes.
Mục tiêu là xây dựng nomological network.
Phase II – Qualitative contextualization
Phỏng vấn khoảng 20–30 người, gồm:
- chuyên gia AI/EdTech;
- giảng viên;
- chuyên gia instructional design;
- cán bộ quản trị đại học;
- sinh viên có kinh nghiệm AI tutoring.
Phân tích thematic analysis nhằm nhận diện: benefit mechanisms + dependency mechanisms + governance safeguards.
Phase III – Scale development/adaptation
Quy trình:
Construct Definition → Item Generation/Adaptation → Expert Review → CVR/CVI → Cognitive Interview → Pilot Testing.
Đặc biệt, AI Dependency phải được phát triển hoặc thích nghi thận trọng để tránh nhầm lẫn giữa: healthy reliance và maladaptive dependency. Wang và cộng sự (2026) nhấn mạnh rằng cần có sự phân biệt tinh tế hơn giữa các loại ủy thác khác nhau.
Phase IV – EFA/CFA
- Mẫu EFA: 250–400 sinh viên.
- Mẫu CFA độc lập: 400–600 sinh viên.
Thực hiện:
- EFA;
- parallel analysis;
- CFA;
- α/ω;
- CR;
- AVE;
- HTMT;
- competing-model analysis.
Phase V – Structural model validation
Mẫu chính thức khoảng 600–1.000 sinh viên thuộc nhiều cơ sở giáo dục đại học.
Sử dụng CB-SEM nếu phù hợp với mục tiêu xác nhận lý thuyết và đặc điểm dữ liệu.
Kiểm định:
Direct effects → Indirect effects → Serial mediation → Competing models → Robustness.
- NÂNG CẤP THIẾT KẾ: KẾT HỢP SEM VỚI QUASI-EXPERIMENT
Nếu điều kiện nghiên cứu cho phép, đây là nâng cấp được khuyến nghị mạnh. SEM từ khảo sát có thể xác định association và structural consistency, nhưng chưa đủ mạnh để tuyên bố rằng ITS gây ra cải thiện kết quả học tập.
Có thể thiết kế ba nhóm:
- Group A– Traditional Learning
- Group B– Unrestricted AI Tutor
- Group C– Governed/Scaffolded AI Tutor
Trong đó Group C áp dụng:
- progressive hints;
- delayed full answers;
- self-explanation prompts;
- confidence judgment;
- source verification;
- learner choice;
- fading;
- reflection.
Đo:
Pre-test → Intervention → Post-test → Delayed Transfer Test.
Nếu Governed ITS tạo kết quả học tập/transfer cao hơn và dependency thấp hơn Unrestricted ITS, nghiên cứu có bằng chứng mạnh hơn rất nhiều cho luận điểm responsible personalization. OECD (2026) cũng khuyến nghị các thiết kế đánh giá có thể phân biệt giữa hiệu suất được hỗ trợ bởi AI và tiến bộ học tập thực sự.
- PHÂN TÍCH DỮ LIỆU
Quy trình dự kiến:
- Data screening;
- Missing-data analysis;
- Descriptive statistics;
- EFA;
- CFA;
- Reliability;
- Convergent validity;
- Discriminant validity;
- Measurement invariance;
- CB-SEM;
- Bootstrap indirect effects;
- Alternative-model comparison;
- Multigroup analysis;
- Robustness analysis.
Nếu có dữ liệu thực nghiệm:
ANCOVA/mixed models → effect sizes → post-test → delayed transfer.
Đối với mediation trong dữ liệu cắt ngang, ngôn ngữ diễn giải cần thận trọng; không nên biến một structural pathway thành causal mechanism nếu chưa có temporal hoặc experimental evidence. Panadero và Broadbent (2025) nhấn mạnh tầm quan trọng của thiết kế chuyển giao và theo dõi quá trình để đánh giá tác động thực sự.
13.1. Nguyên tắc diễn giải nhân quả và kiểm định độ bền
Để tránh suy luận nhân quả quá mức, nghiên cứu phân biệt ba cấp độ bằng chứng. Thứ nhất, dữ liệu khảo sát cắt ngang chỉ hỗ trợ đánh giá mức độ phù hợp của mô hình lý thuyết và các mối liên hệ cấu trúc. Thứ hai, dữ liệu nhiều thời điểm có thể củng cố thứ tự thời gian giữa ITSG, PQ, LA/AID và LO. Thứ ba, quasi-experiment hoặc field experiment mới tạo cơ sở mạnh hơn để đánh giá liệu một cấu hình quản trị ITS cụ thể có làm thay đổi learning gain, transfer và AI dependency hay không. Vì vậy, thuật ngữ “tác động” trong phần thảo luận thực nghiệm chỉ được sử dụng khi thiết kế nghiên cứu và bằng chứng thực tế cho phép.
Các kiểm định độ bền nên bao gồm so sánh mô hình cạnh tranh, kiểm soát mức sử dụng AI trước nghiên cứu, kinh nghiệm công nghệ, năng lực học tập ban đầu và đặc điểm môn học; đánh giá common-method variance; kiểm định measurement invariance khi so sánh nhóm; và, nếu có dữ liệu lặp lại, kiểm tra độ ổn định của các ước lượng theo thời gian. Đối với Learning Outcomes, ưu tiên bằng chứng đa nguồn gồm self-report, điểm học tập và bài kiểm tra transfer độc lập với ITS.
- ĐÓNG GÓP KHOA HỌC
14.1. Đóng góp lý thuyết
Thứ nhất, chuyển nghiên cứu từ ITS effectiveness sang ITS governance.
Thứ hai, phân biệt personalization intensity với personalization quality.
Thứ ba, đưa AI Dependency vào mô hình giá trị giáo dục thay vì xem đây là external risk.
Thứ tư, tích hợp Learner Agency như cơ chế xác định liệu AI đang tăng cường hay thay thế học tập. Nghiên cứu của Wang và Zhang (2026) đã chỉ ra rằng các quan hệ đối tác sư phạm với GenAI có thể kích hoạt đồng thời cognitive vigilance và cognitive offloading, và sự phân biệt này là trung tâm để hiểu tác động của AI đối với học tập chuyển hóa.
Thứ năm, đề xuất hai pathway:
- Augmentation Pathway: ITSG → PQ → LA → LO
- Dependency Pathway: Substitutive Personalization → AID → LA↓ → LO↓
Thứ sáu, đề xuất Personalization–Dependency Paradox để giải thích tại sao cùng một khả năng cá nhân hóa có thể tạo ra kết quả đối nghịch tùy thiết kế.
14.2. Đóng góp quản trị
RITSGM chuyển trọng tâm quản trị từ:
Acquire AI → Deploy AI → Measure Usage
sang:
Govern AI → Personalize Responsibly → Preserve Agency → Measure Learning → Monitor Dependency.
Ở cấp trường đại học, mô hình có thể hỗ trợ:
- tiêu chí lựa chọn ITS;
- procurement;
- data governance;
- AI risk assessment;
- instructional design;
- student AI literacy;
- faculty development;
- quality assurance;
- learning analytics governance;
- monitoring dependency.
Đặc biệt, dashboard ITS không nên chỉ báo cáo: logins, prompts, time-on-system, completion rate. Nó cần theo dõi: learning gain + transfer + learner agency + independent performance + dependency indicators. Nghiên cứu của Uchoa và cộng sự (2026) về AGL cung cấp một tham chiếu quan trọng cho việc thiết kế các cơ chế quản trị có sự tham gia của nhiều bên liên quan.
- NGUYÊN TẮC RESPONSIBLE ITS GOVERNANCE
Nghiên cứu đề xuất sáu nguyên tắc:
- Pedagogy before automation.Không tự động hóa một hoạt động chỉ vì AI có khả năng thực hiện nó. UNESCO nhấn mạnh rằng công nghệ nên phục vụ mục tiêu giáo dục, không định nghĩa chúng (UNESCO, 2021).
- Scaffold before solve.Ưu tiên gợi ý, câu hỏi và feedback trước khi cung cấp đáp án hoàn chỉnh. OECD (2026) khuyến nghị sử dụng AI như một “Socratic tutor”.
- Preserve productive struggle.ITS không nên loại bỏ mọi khó khăn nhận thức. Nghiên cứu về cognitive offloading đã chỉ ra rằng việc loại bỏ hoàn toàn khó khăn có thể làm suy giảm học tập sâu (Risko & Gilbert, 2016).
- Maintain learner control.Sinh viên phải có không gian lựa chọn, phản biện và từ chối khuyến nghị. Wang và cộng sự (2026) nhấn mạnh rằng learner agency là yếu tố quyết định liệu AI hỗ trợ hay làm suy yếu học tập.
- Fade AI support.Khi năng lực tăng, mức hỗ trợ phải giảm. Đây là nguyên lý cốt lõi của scaffolding trong thiết kế sư phạm.
- Measure independent capability.Hiệu quả ITS phải được kiểm tra cả khi AI không còn hiện diện. Nguyên tắc thứ sáu đặc biệt quan trọng: nếu sinh viên chỉ thực hiện tốt khi AI hiện diện, hệ thống có thể đã cải thiện assisted performance nhưng chưa chứng minh được learning.
- MÔ HÌNH KHÁI NIỆM HOÀN CHỈNH
text
RESPONSIBLE INTELLIGENT TUTORING
SYSTEMS GOVERNANCE MODEL
(RITSGM)
ITS GOVERNANCE
(ITSG)
│
▼
PERSONALIZATION QUALITY
(PQ)
┌──────┴──────┐
│ │
▼ ▼
LEARNER AGENCY AI DEPENDENCY
(LA) (AID)
│ │
│ ▼
│ Cognitive Offloading
│ Overreliance
│ Control Loss
│ │
▼ ▼
LEARNING OUTCOMES
(LO)
AUGMENTATION PATHWAY
ITSG → PQ → LA → LO ↑
DEPENDENCY PATHWAY
Substitutive Personalization → AID ↑ → LA ↓ → LO ↓
Ở tầng quản trị:
text
Pedagogical Alignment
Human Oversight
Transparency
Data Governance
Fairness & Inclusion
Accountability
│
▼
RESPONSIBLE PERSONALIZATION
│
┌──────┴──────┐
▼ ▼
Scaffolding Substitution
▼ ▼
Agency ↑ Dependency ↑
▼ ▼
Sustainable Fragile /
Learning ↑ Assisted Performance
- ĐIỂM MỚI CỦA NGHIÊN CỨU
Không nên tuyên bố: “Đây là nghiên cứu đầu tiên về ITS trong giáo dục đại học.”
Điểm mới nên được xác lập ở cơ chế giải thích và governance architecture.
Novelty 1 – Governance
Đưa governance từ một yếu tố ngoại vi thành antecedent trung tâm của giá trị ITS. Các khung như AGL (Uchoa et al., 2026) đã bắt đầu đề cập đến vấn đề này, nhưng chưa tích hợp vào một mô hình kiểm định thực nghiệm với các biến trung gian như learner agency và AI dependency.
Novelty 2 – Responsible Personalization
Chuyển mục tiêu từ: Maximum Personalization sang: Optimal/Responsible Personalization.
Novelty 3 – Dual-Pathway Model
Đồng thời kiểm định: Augmentation và Dependency.
Novelty 4 – Agency Preservation
Đánh giá ITS không chỉ bằng learning performance mà bằng khả năng duy trì independent learner capability.
Novelty 5 – Benefit–Risk Integration
Đưa: Personalization + Learning Outcomes + AI Dependency vào cùng một nomological network.
Có thể cô đọng đóng góp thành:
Governance → Responsible Personalization → Agency-Preserving Learning.
- HÀM Ý CHÍNH SÁCH
Việc triển khai AI tutor không nên được xem đơn thuần là quyết định mua sắm EdTech. Đó là quyết định liên quan đến: pedagogy + data + ethics + cognition + assessment + human development.
UNESCO nhấn mạnh nhu cầu xây dựng các khung chính sách toàn diện, bảo vệ privacy, equity và human agency khi GenAI được đưa vào giáo dục (Miao & Holmes, 2023). Nghiên cứu về quản trị AI trong giáo dục đại học cũng chỉ ra rằng các tổ chức cần phát triển các khuôn khổ quản trị toàn diện nhằm cân bằng đổi mới với tính liêm chính học thuật (Spada et al., 2025).
Vì vậy, trước khi triển khai ITS ở quy mô toàn trường, cơ sở giáo dục nên yêu cầu tối thiểu:
- Pedagogical Impact Assessment+ AI Risk Assessment + Data Protection Assessment + Learner Agency Assessment.
Không nên đánh giá thành công bằng:
“Bao nhiêu sinh viên sử dụng AI tutor?”
mà bằng:
“Sinh viên học được gì, có thể tự làm được gì sau khi AI rút đi, và mức phụ thuộc AI thay đổi như thế nào?”
- GIỚI HẠN NGHIÊN CỨU VÀ HƯỚNG PHÁT TRIỂN
RITSGM là một mô hình đề xuất và vì vậy cần được kiểm định trước khi sử dụng như một khung quản trị chuẩn. Thứ nhất, ranh giới giữa functional reliance, strategic cognitive offloading và maladaptive AI dependency có thể thay đổi theo môn học, độ khó nhiệm vụ và mức chuyên môn của người học. Việc phát triển thang đo AID do đó phải dựa trên content validity, cognitive interviewing và bằng chứng phân biệt với trust, habit, frequency of use và cognitive offloading. Thứ hai, Personalization Quality là một construct đa chiều; learner control và fading có thể hoạt động khác với diagnostic fit hoặc feedback relevance. Nghiên cứu cần so sánh mô hình các nhân tố tương quan, mô hình bậc hai và, nếu phù hợp về mặt lý thuyết, cấu trúc composite/formative.
Thứ ba, governance thường tồn tại ở cấp tổ chức trong khi PQ, LA, AID và LO được đo ở cấp người học. Nếu dữ liệu được thu từ nhiều trường hoặc nhiều môn học, cấu trúc phân tầng cần được xử lý bằng multilevel modeling hoặc cluster-robust estimation thay vì giả định mọi quan sát độc lập. Thứ tư, survey-based SEM không đủ để chứng minh rằng governance gây ra learning gain. Vì vậy, nghiên cứu tiếp theo nên kết hợp longitudinal design, randomized/field experiments, log data và performance-based measures. Thứ năm, kết quả trong bối cảnh Việt Nam cần được kiểm tra tính khái quát ở các hệ thống giáo dục, ngành học và loại ITS khác nhau.
Một hướng nghiên cứu đặc biệt quan trọng là kiểm định quan hệ phi tuyến giữa mức hỗ trợ AI và learning development. Nếu quá ít hỗ trợ làm giảm khả năng tiếp cận, nhưng quá nhiều hỗ trợ làm tăng cognitive substitution, có thể tồn tại một vùng tối ưu của responsible personalization. Kiểm định quan hệ này bằng quadratic effects, response-surface analysis hoặc experimental dosage design có thể giúp chuyển khái niệm Personalization–Dependency Paradox từ một mệnh đề lý thuyết sang bằng chứng thực nghiệm mạnh hơn.
- KẾT LUẬN
Sự phát triển của AI và GenAI đang mở ra khả năng xây dựng các hệ thống gia sư thông minh có mức độ cá nhân hóa chưa từng có. Tuy nhiên, khả năng hỗ trợ ngày càng mạnh cũng tạo ra một nghịch lý: AI càng có khả năng làm thay người học, việc thiết kế ranh giới giữa hỗ trợ và thay thế càng trở nên quan trọng.
Vì vậy, giá trị của ITS không nên được xác định bằng mức độ tự động hóa hoặc cá nhân hóa tối đa. Nghiên cứu đề xuất Responsible Intelligent Tutoring Systems Governance Model – RITSGM nhằm chuyển câu hỏi từ:
“AI tutor có cải thiện kết quả học tập không?”
sang:
“Làm thế nào quản trị AI tutor để cải thiện học tập mà không làm suy giảm khả năng tự học của người học?”
Logic cốt lõi của mô hình là:
Responsible ITS Governance → Personalization Quality → Learner Agency → Learning Outcomes.
Song song với đó là pathway rủi ro:
Substitutive Personalization → AI Dependency → Agency Erosion → Fragile Learning.
Bằng chứng mới trong giáo dục đại học cũng cho thấy không nên xem GenAI theo mô hình nhị nguyên “có lợi/có hại”; kết quả phụ thuộc vào việc AI được dùng như scaffold hay như replacement cho hoạt động nhận thức (Wang et al., 2026; Ursavaş et al., 2025). OECD (2026) cũng cảnh báo về nguy cơ “knowledge illusion” khi sinh viên sử dụng AI như một “answer machine” thay vì một công cụ hỗ trợ tư duy.
Do đó, đóng góp sâu nhất của đề tài không phải là chứng minh rằng ITS có thể cá nhân hóa học tập. Điều quan trọng hơn là xác lập điều kiện để cá nhân hóa trở thành human-development technology thay vì dependency-producing technology.
TÀI LIỆU THAM KHẢO – APA 7
- Aleven, V., McLaughlin, E. A., Glenn, R. A., & Koedinger, K. R. (2017). Instruction based on adaptive learning technologies. In R. E. Mayer & P. A. Alexander (Eds.), Handbook of research on learning and instruction (2nd ed., pp. 522–560). Routledge.
- American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
- Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1–26. https://doi.org/10.1146/annurev.psych.52.1.1
- Biesta, G., & Tedder, M. (2007). Agency and learning in the lifecourse: Towards an ecological perspective. Studies in the Education of Adults, 39(2), 132–149. https://doi.org/10.1080/02660830.2007.11661545
- Chi, M. T. H., Siler, S. A., Jeong, H., Yamauchi, T., & Hausmann, R. G. (2001). Learning from human tutoring. Cognitive Science, 25(4), 471–533. https://doi.org/10.1207/S15516709COG2504_1
- 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. https://doi.org/10.1207/S15327965PLI1104_01
- Graesser, A. C., Conley, M. W., & Olney, A. (2012). Intelligent tutoring systems. In K. R. Harris, S. Graham, & T. Urdan (Eds.), APA educational psychology handbook: Vol. 3. Application to learning and teaching (pp. 451–473). American Psychological Association. https://doi.org/10.1037/13275-018
- Huang, X., Xu, W., & Liu, R. (2025). Effects of intelligent tutoring systems on educational outcomes: Evidence from a comprehensive analysis. International Journal of Distance Education Technologies, 23(1), 1–25. https://doi.org/10.4018/IJDET.368420
- Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.
- Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–918. https://doi.org/10.1037/a0037123
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- 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.
- (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
- Panadero, E., & Broadbent, J. (2025). Decremental research in the GenAI era: Rethinking what learning means when machines do the work. Infancia y Aprendizaje / Journal for the Study of Education and Development. Advance online publication. https://doi.org/10.1177/02103702251398409
- Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886
- 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
- Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
- Sharif, H., Atif, A., & Nagra, A. A. (2025). Deepfake-style AI tutors in higher education: A mixed-methods review and governance framework for sustainable digital education. Sustainability, 17(21), 9793. https://doi.org/10.3390/su17219793
- Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. https://doi.org/10.1080/10447318.2020.1741118
- Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
- Spada, D., Shirish, A., Davey, T., & O’Hara, A. (2025). Embedding digital responsibility: An exploratory analysis of AI policies in higher education. MCIS 2025 Proceedings, Article 33.
- Steenbergen-Hu, S., & Cooper, H. (2014). A meta-analysis of the effectiveness of intelligent tutoring systems on college students’ academic learning. Journal of Educational Psychology, 106(2), 331–347. https://doi.org/10.1037/a0034752
- Uchoa, A. P., Oliveira, C. E. T., Motta, C. L. R., & Schneider, D. (2026). Multi-stakeholder alignment in LLM-powered collaborative AI systems: A multi-agent framework for intelligent tutoring. In Computer-human interaction research and applications: 9th International Conference, CHIRA 2025, Proceedings, Part II (pp. 360–379). Springer. https://doi.org/10.1007/978-3-032-16451-3_23
- (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
- VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221. https://doi.org/10.1080/00461520.2011.611369
- Villegas-Ch, W., Buenano-Fernandez, D., Maldonado Navarro, A., & Mera-Navarrete, A. (2025). Adaptive intelligent tutoring systems for STEM education: Analysis of the learning impact and effectiveness of personalized feedback. Smart Learning Environments, 12, Article 41. https://doi.org/10.1186/s40561-025-00389-y
- Wang, G., Wang, W., Yang, D., & Ren, J. (2026). Generative AI, cognitive offloading, and learner agency in higher education: A scoping review. Behavioral Sciences, 16(7), 1150. https://doi.org/10.3390/bs16071150
- Wang, S., & Zhang, H. (2026). Pedagogical partnerships with generative AI in higher education: How dual cognitive pathways paradoxically enable transformative learning. International Journal of Educational Technology in Higher Education, 23, Article 11. https://doi.org/10.1186/s41239-026-00585-x
- Winne, P. H., & Hadwin, A. F. (1998). Studying as self-regulated learning. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Metacognition in educational theory and practice (pp. 277–304). Lawrence Erlbaum Associates.
- Woolf, B. P. (2009). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann.
- Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/S15430421TIP4102_2
