Responsible AI Education Capability in Higher Education Governance: Scale Development and Validation of a Fairness, Transparency, Accountability, and Human Agency Model
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 tái cấu trúc giáo dục đại học từ thiết kế chương trình, giảng dạy, học tập và đánh giá đến hỗ trợ người học, phân tích dữ liệu và ra quyết định quản trị. Những công nghệ này có khả năng mở rộng tiếp cận, hỗ trợ cá nhân hóa, tăng cường năng lực nhận thức và cải thiện hiệu quả vận hành; đồng thời chúng cũng làm gia tăng các rủi ro liên quan đến thiên kiến thuật toán, bất bình đẳng số, thiếu minh bạch, suy giảm trách nhiệm giải trình, xâm phạm dữ liệu và sự dịch chuyển quyền phán đoán từ con người sang hệ thống thuật toán. Trong bối cảnh đó, câu hỏi trọng tâm không còn là trường đại học có sử dụng AI hay không, mà là liệu tổ chức có sở hữu năng lực thể chế để quản trị việc sử dụng AI theo cách công bằng, minh bạch, có trách nhiệm và bảo vệ năng lực chủ thể của con người hay không.
Nghiên cứu khái niệm hóa Năng lực Giáo dục AI có Trách nhiệm (Responsible AI Education Capability – RAIEC) như một năng lực thể chế bậc cao, đa chiều, phản ánh khả năng của trường đại học trong việc thiết kế, triển khai, giám sát và liên tục cải tiến các cơ chế bảo đảm AI được sử dụng phù hợp với các giá trị giáo dục, quyền con người và các nguyên tắc AI có trách nhiệm. Bốn cấu phần bậc một được đề xuất gồm Fairness Capability, Transparency Capability, Accountability Capability và Human Agency Capability. Trên cơ sở tích hợp Quan điểm Năng lực Động, Responsible AI, Human-Centered AI và lý thuyết Human Agency, nghiên cứu đề xuất RAIEC như một cấu trúc tổng hợp bậc hai và phát triển mô hình ba tầng RAIEC → Responsible AI Educational Practices (RAIEP) → Responsible AI Education Outcomes (RAIEO).
Quy trình phát triển thang đo được thiết kế theo nhiều giai đoạn, bao gồm xác định miền khái niệm, tạo mục hỏi theo hướng diễn dịch và quy nạp, thẩm định giá trị nội dung, phỏng vấn nhận thức, nghiên cứu thí điểm, phân tích nhân tố khám phá, phân tích nhân tố khẳng định và kiểm định mô hình cấu trúc. Đóng góp trung tâm của nghiên cứu là chuyển Responsible AI trong giáo dục từ tập hợp các nguyên tắc chuẩn tắc sang một năng lực thể chế có thể đo lường và kiểm định, đồng thời đưa Human Agency từ vị trí một yêu cầu đạo đức ngoại vi trở thành một cấu phần của năng lực quản trị AI có trách nhiệm. Nghiên cứu qua đó đề xuất Responsible AI Education như một dạng enabling governance: vừa thiết lập ranh giới bảo vệ, vừa tạo điều kiện để AI tạo giá trị giáo dục mà không làm suy giảm quyền lựa chọn, phán đoán và trách nhiệm của con người.
Từ khóa: Responsible AI; Responsible AI Education Capability; quản trị đại học; công bằng; minh bạch; trách nhiệm giải trình; human agency; phát triển thang đo.
ABSTRACT
The rapid advancement of artificial intelligence (AI), particularly generative artificial intelligence (GenAI), is restructuring higher education across curriculum design, teaching, learning, assessment, learner support, analytics, and institutional decision-making. Although AI may expand access, personalize learning, augment cognition, and improve operational efficiency, it also creates risks related to algorithmic bias, digital inequality, opacity, weakened accountability, data protection, and the displacement of meaningful human judgment. The central governance question is therefore no longer whether universities use AI, but whether they possess the institutional capability to govern AI in ways that are fair, transparent, accountable, and protective of human agency.
This study conceptualizes Responsible AI Education Capability (RAIEC) as a multidimensional higher-order institutional capability reflecting a university’s capacity to design, implement, monitor, and continuously improve mechanisms that align AI use with educational values, human rights, and responsible AI principles. Four first-order dimensions are proposed: Fairness Capability, Transparency Capability, Accountability Capability, and Human Agency Capability. Integrating the Dynamic Capabilities View, Responsible AI, Human-Centered AI, and human agency theory, the study specifies RAIEC as a higher-order composite and proposes a three-level model: RAIEC → Responsible AI Educational Practices (RAIEP) → Responsible AI Education Outcomes (RAIEO).
A multi-stage scale-development procedure is proposed, including domain specification, deductive and inductive item generation, expert content validation, cognitive interviewing, pilot testing, exploratory factor analysis, confirmatory factor analysis, higher-order validation, and structural-model assessment. The study contributes by translating responsible AI principles into a measurable institutional capability and by repositioning human agency as a constitutive capability rather than a peripheral ethical consideration. It further frames responsible AI education as enabling governance that simultaneously establishes safeguards and creates trusted conditions for educational value creation without undermining meaningful human choice, judgment, and responsibility.
Keywords: Responsible AI; Responsible AI Education Capability; higher education governance; fairness; transparency; accountability; human agency; scale development.
- GIỚI THIỆU
1.1. Từ công cụ hỗ trợ đến hạ tầng giáo dục
AI ngày càng được tích hợp vào các hoạt động cốt lõi của giáo dục đại học, bao gồm tạo học liệu, trợ giảng thông minh, cá nhân hóa học tập, phản hồi, đánh giá, phân tích học tập, hỗ trợ sinh viên và ra quyết định quản trị. Sự phát triển của GenAI mở rộng đáng kể phạm vi này khi người học và giảng viên có thể tương tác trực tiếp với các hệ thống có khả năng tạo nội dung, đối thoại, giải thích, lập luận, lập trình và hỗ trợ giải quyết vấn đề. Vì vậy, AI đang dịch chuyển từ vị trí một công cụ ngoại vi sang một thành phần của educational infrastructure và institutional workflow.
Sự thay đổi này tạo ra một chuyển dịch quản trị quan trọng:
AI adoption → AI institutionalization → Responsible AI governance.
Khi AI trở thành một phần của hạ tầng giáo dục, việc sử dụng AI có trách nhiệm không thể chỉ phụ thuộc vào sự thận trọng của từng giảng viên hoặc người học. UNESCO (2023) nhấn mạnh rằng tốc độ phát triển của GenAI đang vượt quá khả năng thích ứng của nhiều khung chính sách và năng lực thể chế, do đó giáo dục cần cách tiếp cận lấy con người làm trung tâm, bảo đảm an toàn, công bằng và có ý nghĩa. UNESCO (2025) tiếp tục đặt vấn đề AI trong giáo dục trong khuôn khổ quyền con người, nhấn mạnh các yêu cầu về công bằng, quyền riêng tư, quản trị minh bạch và cơ chế trách nhiệm giải trình.
1.2. Nghịch lý giá trị của AI trong giáo dục đại học
AI có thể mở rộng tiếp cận, hỗ trợ cá nhân hóa, cung cấp phản hồi nhanh và gia tăng khả năng phân tích dữ liệu. Tuy nhiên, cùng một hệ thống có thể tái tạo hoặc khuếch đại thiên kiến; làm sâu sắc khoảng cách số; tạo ra quyết định khó giải thích; khiến trách nhiệm trở nên phân tán; khuyến khích phụ thuộc thuật toán; và làm suy giảm quyền lựa chọn hoặc phán đoán của người học và giảng viên. UNESCO (2021) xác định tôn trọng nhân phẩm, quyền con người, công bằng, minh bạch và giám sát con người là những trụ cột của AI có trách nhiệm. Những nguyên tắc này đặc biệt quan trọng trong giáo dục vì quyết định được hỗ trợ bởi AI có thể ảnh hưởng trực tiếp đến cơ hội học tập, đánh giá, hỗ trợ, tiếp cận nguồn lực và sự phát triển năng lực của người học.
Do đó, Responsible AI Education không thể được giản lược thành “sử dụng AI an toàn” hoặc “tuân thủ chính sách”.
Nó phải trả lời một câu hỏi rộng hơn:
Làm thế nào trường đại học có thể khai thác giá trị của AI trong khi đồng thời bảo vệ công bằng, minh bạch, trách nhiệm giải trình và năng lực chủ thể của con người?
Đây là một nghịch lý quản trị: trường đại học cần đủ năng lực để cho phép các ứng dụng AI có giá trị nhưng đồng thời đủ năng lực để giới hạn, giám sát và điều chỉnh các ứng dụng có nguy cơ gây tổn hại. Vì thế, quản trị Responsible AI không chỉ là compliance; nó có thể được xem như một enabling constraint – một cấu trúc vừa tạo ranh giới vừa tạo điều kiện cho đổi mới có trách nhiệm.
1.3. Khoảng trống nghiên cứu
Nghiên cứu xác định bốn khoảng trống có quan hệ chặt chẽ.
Thứ nhất, khoảng trống từ nguyên tắc đến năng lực. Responsible AI đã được phát triển mạnh ở cấp nguyên tắc. UNESCO (2021), European Commission High-Level Expert Group on AI (2019), OECD và NIST đều nhấn mạnh các yêu cầu như công bằng, minh bạch, trách nhiệm, an toàn và giám sát con người. Tuy nhiên, một danh sách nguyên tắc không tự động trở thành năng lực thực thi của tổ chức. Trường đại học có thể tuyên bố ủng hộ Responsible AI nhưng vẫn thiếu quy trình đánh giá thiên kiến, cơ chế giải thích, trách nhiệm quyết định, quyền khiếu nại hoặc thiết kế bảo vệ human agency.
Thứ hai, khoảng trống từ governance đến measurement. Sự tồn tại của chính sách không đồng nhất với năng lực quản trị. Một trường có thể có quy định AI nhưng thực thi không nhất quán, người dùng không hiểu, công nghệ không được đánh giá hoặc không có cơ chế giám sát. Nghiên cứu gần đây về chính sách GenAI trong đại học cho thấy các nguyên tắc như transparency, accountability, privacy, human agency/oversight và inclusion xuất hiện trong nhiều hướng dẫn thể chế, nhưng mức độ thể chế hóa khác nhau đáng kể. Điều này cho thấy nhu cầu về một construct cấp năng lực có thể đo lường và so sánh.
Thứ ba, khoảng trống từ risk governance đến educational value. Responsible AI thường được tiếp cận như một cơ chế kiểm soát rủi ro. Cách nhìn này cần thiết nhưng chưa đầy đủ. Chính sách rõ ràng, hạ tầng được phê duyệt, quy trình đánh giá, đào tạo và cơ chế hỗ trợ có thể giảm bất định, tăng niềm tin và giúp người dùng khai thác AI hiệu quả hơn. Vì vậy, Responsible AI governance có thể đồng thời thực hiện hai chức năng: risk containment và value enablement.
Thứ tư, khoảng trống từ human oversight đến human agency. Việc con người “có mặt trong vòng lặp” không bảo đảm rằng họ thực sự hiểu, phản biện hoặc có thể thay đổi quyết định của AI. Human oversight là điều kiện cần, nhưng meaningful human agency đòi hỏi nhiều hơn: khả năng lựa chọn, hiểu, phán đoán, contest, override và chịu trách nhiệm. UNESCO (2024a) coi human agency và human accountability là những năng lực nền tảng trong khung năng lực AI dành cho giáo viên; UNESCO (2024b) cũng đặt human-centred mindset ở trung tâm năng lực AI của người học. Điều này gợi ý rằng agency không nên chỉ được xem là outcome, mà còn là năng lực thể chế cần được bảo vệ bằng thiết kế quản trị.
1.4. Mục tiêu, câu hỏi và đóng góp dự kiến
Nghiên cứu hướng tới bốn mục tiêu: (1) khái niệm hóa Responsible AI Education Capability (RAIEC) như một năng lực thể chế đa chiều; (2) phát triển và kiểm định thang đo RAIEC; (3) kiểm định cơ chế qua đó RAIEC chuyển hóa thành Responsible AI Educational Practices (RAIEP); và (4) kiểm tra mối quan hệ giữa RAIEP và các kết quả Responsible AI Education, bao gồm niềm tin giáo dục, bảo tồn human agency và giá trị giáo dục công bằng.
Câu hỏi nghiên cứu trung tâm:
Năng lực Giáo dục AI có Trách nhiệm trong trường đại học được cấu thành và đo lường như thế nào, và thông qua cơ chế nào năng lực này chuyển hóa các nguyên tắc công bằng, minh bạch, trách nhiệm giải trình và năng lực chủ thể con người thành thực hành và kết quả giáo dục AI có trách nhiệm?
- CƠ SỞ LÝ THUYẾT
2.1. Responsible AI và quản trị AI trong giáo dục
Responsible AI có thể được hiểu như một hệ thống giá trị, nguyên tắc, cơ chế và thực hành nhằm bảo đảm AI được thiết kế, triển khai và sử dụng theo cách đáng tin cậy, công bằng, minh bạch, an toàn và có trách nhiệm. UNESCO (2021) đặt quyền con người và nhân phẩm ở trung tâm đạo đức AI, đồng thời nhấn mạnh fairness, transparency, responsibility và human oversight. NIST AI RMF 1.0 (National Institute of Standards and Technology [NIST], 2023) tiếp cận trustworthiness qua bốn chức năng Govern – Map – Measure – Manage, cho thấy responsible AI đòi hỏi cơ chế tổ chức liên tục thay vì một checklist cố định.
Trong giáo dục đại học, Responsible AI phải vượt khỏi logic kỹ thuật đơn thuần vì các quyết định hoặc khuyến nghị do AI hỗ trợ có thể ảnh hưởng đến cơ hội học tập, đánh giá, sự tham gia, hỗ trợ, quyền tự chủ và sự phát triển của người học. UNESCO (2023) vì vậy khuyến nghị một cách tiếp cận lấy con người làm trung tâm đối với GenAI, trong đó bảo vệ dữ liệu, công bằng, validation và human agency phải được tích hợp vào thiết kế chính sách và sư phạm.
2.2. Human-Centered AI
Human-Centered AI cung cấp nền tảng để chuyển trọng tâm từ tối đa hóa khả năng tự động hóa sang tối ưu hóa quan hệ bổ trợ giữa con người và AI. Shneiderman (2022) lập luận rằng thiết kế AI đáng tin cậy cần hướng đến mức độ cao đồng thời của automation và human control thay vì xem chúng như hai cực loại trừ nhau. Trong giáo dục, điều này có nghĩa AI nên tăng cường năng lực học tập và phán đoán của con người, thay vì thay thế các chức năng cốt lõi tạo nên trách nhiệm và chủ thể của người học hoặc giảng viên.
Tuy nhiên, human-centered không đồng nghĩa đơn giản với human-in-the-loop. Một hệ thống có thể yêu cầu con người phê duyệt quyết định cuối cùng nhưng vẫn hạn chế khả năng hiểu, phản biện hoặc thay đổi đề xuất của thuật toán. Human-centered governance vì vậy phải bảo đảm quyền tiếp cận thông tin phù hợp, quyền contest, khả năng override và quyền lựa chọn thay thế.
Nghiên cứu do đó chuyển trọng tâm từ human presence sang meaningful human agency.
2.3. Human Agency
Human Agency được hiểu là năng lực của con người trong việc hình thành mục tiêu, đưa ra lựa chọn có chủ ý, thực hiện phán đoán, tự điều chỉnh, phản tư và tác động đến hành động cũng như môi trường của mình. Theo Bandura (2001), agency gắn với intentionality, forethought, self-reactiveness và self-reflectiveness. Cách tiếp cận này đặc biệt phù hợp với bối cảnh AI, nơi người học có thể vừa được tăng cường năng lực vừa có nguy cơ chuyển giao quá mức việc suy nghĩ, lựa chọn và đánh giá cho hệ thống.
Trong môi trường AI giáo dục, Human Agency có thể được biểu hiện qua một chuỗi năng lực:
Choice → Understanding → Judgment → Contestability → Override → Responsibility.
Chuỗi này phân biệt AI thay thế quyền chủ thể với AI tăng cường năng lực chủ thể. Trong nghiên cứu này, Human Agency Capability ở cấp thể chế không đo mức độ agency thực tế của cá nhân; nó đo khả năng của tổ chức trong việc tạo ra các điều kiện, quy tắc và thiết kế bảo vệ agency. Ngược lại, Human Agency Preservation ở cấp outcome phản ánh mức độ người học và giảng viên cảm nhận rằng quyền lựa chọn và phán đoán của họ thực sự được duy trì. Sự phân biệt này giúp tránh circularity trong mô hình.
2.4. Quan điểm năng lực và Dynamic Capabilities
Nghiên cứu đề xuất chuyển đơn vị phân tích:
Responsible AI principles → Responsible AI Education Capability.
Một nguyên tắc cho biết tổ chức nên làm gì; một capability phản ánh tổ chức có khả năng thực hiện điều đó một cách nhất quán, có hệ thống và thích ứng hay không. Teece et al. (1997) và Teece (2007) mô tả dynamic capabilities như khả năng cảm nhận thay đổi, nắm bắt cơ hội và tái cấu hình nguồn lực. Trong bối cảnh AI, logic này đặc biệt phù hợp vì công nghệ, rủi ro và chuẩn mực thay đổi nhanh. Một policy phù hợp hôm nay có thể trở nên thiếu hiệu lực khi mô hình, agent hoặc phương thức thu thập dữ liệu thay đổi.
RAIEC vì vậy được định nghĩa là:
Năng lực thể chế của cơ sở giáo dục đại học trong việc nhận diện, thiết kế, triển khai, giám sát và liên tục cải tiến các cơ chế bảo đảm AI được sử dụng công bằng, minh bạch, có trách nhiệm giải trình và theo cách bảo vệ hoặc tăng cường năng lực chủ thể của con người.
- KHÁI NIỆM HÓA RAIEC
3.1. Năng lực Công bằng – Fairness Capability (FC)
Fairness Capability phản ánh khả năng thể chế trong việc nhận diện, đánh giá, phòng ngừa và khắc phục các hình thức bất công có thể phát sinh từ AI. Fairness không chỉ liên quan đến sai lệch thuật toán, mà còn liên quan đến điều kiện tiếp cận, tính đại diện của dữ liệu, khả năng sử dụng của người khuyết tật, chênh lệch nguồn lực số và tác động khác biệt giữa các nhóm người học.
Ở cấp thể chế, FC bao gồm tối thiểu năm nhóm năng lực: (1) phát hiện và đánh giá algorithmic bias; (2) đánh giá differential impact đối với các nhóm người học; (3) bảo đảm accessibility và inclusion; (4) giảm thiểu digital inequality; và (5) cung cấp cơ chế redress khi AI tạo ra hoặc khuếch đại bất lợi.
Fairness vì vậy không chỉ là đặc tính kỹ thuật của thuật toán mà là năng lực thể chế để bảo vệ công bằng giáo dục trong điều kiện giáo dục được trung gian bởi AI. Các hướng dẫn UNESCO (2025) về quyền học tập cũng chỉ ra rằng AI có thể mở rộng cơ hội nhưng đồng thời làm sâu sắc bất bình đẳng nếu thiếu các safeguard về tiếp cận, dữ liệu và trách nhiệm.
3.2. Năng lực Minh bạch – Transparency Capability (TC)
Transparency Capability phản ánh khả năng của trường trong việc làm cho việc sử dụng AI có ảnh hưởng đáng kể trở nên nhận biết, hiểu được ở mức phù hợp và có thể truy vết. Transparency không nên bị giản lược thành disclosure đơn thuần. Một thông báo “AI được sử dụng” có giá trị hạn chế nếu người học không hiểu AI ảnh hưởng đến quyết định nào, dữ liệu nào được xử lý, giới hạn của hệ thống là gì và có thể yêu cầu giải thích ở đâu.
Ba cấp độ được phân biệt:
Disclosure — AI có được sử dụng không và ở đâu?
Explainability — AI đóng vai trò gì và logic quyết định có thể được diễn giải ở mức phù hợp hay không?
Traceability — dữ liệu, quyết định hoặc đầu ra quan trọng có thể được truy nguyên và kiểm toán hay không?
Transparency không có nghĩa cung cấp càng nhiều thông tin càng tốt. Mục tiêu là meaningful transparency: thông tin đúng đối tượng, đúng thời điểm và đủ để người bị ảnh hưởng hiểu, phản biện hoặc yêu cầu xem xét lại.
3.3. Năng lực Trách nhiệm giải trình – Accountability Capability (AC)
Accountability Capability là khả năng của tổ chức trong việc xác định rõ quyền quyết định, trách nhiệm kiểm chứng, cơ chế can thiệp và trách nhiệm cuối cùng khi AI tham gia vào hoạt động giáo dục. Logic trung tâm là:
Who decides? → Who verifies? → Who can intervene? → Who is responsible?
AI không thể trở thành nơi tổ chức chuyển giao trách nhiệm. Trách nhiệm giải trình phải gắn với con người hoặc đơn vị có thẩm quyền, bởi hệ thống AI không thể tự chịu trách nhiệm đạo đức, nghề nghiệp hay thể chế.
Một hệ thống RAIEC trưởng thành cần xác định trách nhiệm của lãnh đạo, đơn vị công nghệ, giảng viên, người học, nhà cung cấp AI và các đơn vị bảo đảm chất lượng. Đồng thời, accountability phải bao gồm cả answerability – khả năng giải thích và trả lời – và remediability – khả năng sửa sai, khắc phục và phục hồi quyền lợi.
Điểm này giúp phân biệt accountability với mere responsibility statement. Một chính sách nêu “giảng viên chịu trách nhiệm” nhưng không thiết lập quyền truy cập thông tin, quy trình xem xét, thời hạn xử lý hoặc cơ chế khắc phục vẫn là accountability yếu.
3.4. Năng lực Chủ thể Con người – Human Agency Capability (HAC)
HAC là cấu phần tạo khác biệt lý thuyết quan trọng nhất của mô hình. Nó phản ánh khả năng của tổ chức trong việc thiết kế các điều kiện để AI tăng cường, thay vì thay thế, quyền lựa chọn, phán đoán, phản biện và tự quyết có ý nghĩa của con người.
HAC khác với human oversight. Oversight có thể chỉ yêu cầu con người xác nhận kết quả; agency đòi hỏi con người có khả năng hiểu, từ chối, lựa chọn phương án khác, contest và override khi cần. UNESCO (2024a) đặt human agency trong human-centred mindset của năng lực giáo viên và nhấn mạnh rằng AI phải hỗ trợ thay vì làm suy giảm quyền nghề nghiệp và trách nhiệm của giáo viên.
HAC bao gồm meaningful choice, informed decision-making, critical judgment, contestability, override capability, learner/teacher autonomy và các cơ chế hạn chế excessive cognitive delegation. Trong bối cảnh giáo dục, đây không chỉ là một yêu cầu đạo đức mà còn liên quan trực tiếp đến mục tiêu phát triển năng lực của người học: nếu hệ thống tối ưu hóa hiệu suất bằng cách thay thế suy luận, lựa chọn và phản tư, nó có thể tạo hiệu quả ngắn hạn nhưng làm suy yếu mục tiêu giáo dục dài hạn.
Human Agency do đó xuất hiện ở hai cấp nhưng với ý nghĩa khác nhau. Human Agency Capability là điều kiện thể chế – tổ chức có năng lực bảo vệ agency hay không. Human Agency Preservation là outcome – người học và giảng viên có thực sự duy trì được lựa chọn, phán đoán và tự chủ trong thực hành hay không. Việc phân biệt hai cấp này là yêu cầu quan trọng để bảo đảm discriminant validity.
- KIẾN TRÚC ĐO LƯỜNG
RAIEC được đề xuất là một higher-order multidimensional institutional capability.
Bốn cấu phần FC, TC, AC và HAC được đặc tả ban đầu như các cấu trúc phản xạ bậc một. Các mục hỏi trong từng cấu phần được kỳ vọng là những biểu hiện của cùng một năng lực cụ thể và có tương quan với nhau.
Ở bậc cao, RAIEC được đặc tả là formative/composite higher-order capability.
Lập luận là bốn cấu phần không thể thay thế lẫn nhau và không nhất thiết biến thiên đồng đều. Một trường có thể đạt transparency cao nhưng fairness thấp; có accountability tốt nhưng human agency yếu. Việc loại bỏ một chiều sẽ làm thay đổi miền khái niệm của RAIEC. Đây là logic tạo thành, không phải logic phản xạ.
Do đó: FC + TC + AC + HAC → jointly constitute RAIEC.
Một vấn đề phương pháp cần khóa trước thu thập dữ liệu là level of analysis. RAIEC được định nghĩa ở cấp thể chế, trong khi bảng hỏi có thể được trả lời bởi giảng viên, cán bộ quản lý hoặc người học. Trong nghiên cứu phát triển thang đo đầu tiên, construct nên được thao tác hóa dưới dạng Perceived Responsible AI Education Capability (P-RAIEC) – nhận thức của respondent về năng lực thể chế. Nghiên cứu tiếp theo mới aggregate lên cấp trường sau khi kiểm tra rwg, ICC(1), ICC(2) hoặc sử dụng multilevel modeling.
Bảng 1. Cấu trúc khái niệm của RAIEC
| Cấu phần | Nội dung cốt lõi | Câu hỏi quản trị trung tâm |
| Fairness Capability (FC) | Bias detection, differential impact, accessibility, inclusion, digital inequality, redress | Trường có khả năng nhận diện và khắc phục bất công do AI tạo ra không? |
| Transparency Capability (TC) | Disclosure, explainability, traceability, meaningful transparency | Người bị ảnh hưởng có biết AI được sử dụng ở đâu, vì sao và có thể truy vết quyết định không? |
| Accountability Capability (AC) | Decision rights, verification, intervention, responsibility assignment, remediation | Ai quyết định, ai kiểm chứng, ai can thiệp và ai chịu trách nhiệm? |
| Human Agency Capability (HAC) | Choice, informed judgment, contestability, override, autonomy preservation | AI có tăng cường hay làm suy giảm quyền lựa chọn và phán đoán có ý nghĩa của con người? |
- MÔ HÌNH NGHIÊN CỨU VÀ PHÁT TRIỂN GIẢ THUYẾT
Để tránh biến bốn cấu phần vừa là dimensions vừa trở thành predictors của chính RAIEC, mô hình phân biệt ba tầng rõ ràng.
5.1. Tầng I – Institutional Capability
Responsible AI Education Capability – RAIEC, được cấu thành bởi Fairness Capability, Transparency Capability, Accountability Capability và Human Agency Capability.
5.2. Tầng II – Behavioral/Organizational Mechanism
Responsible AI Educational Practices – RAIEP phản ánh mức độ các nguyên tắc Responsible AI được chuyển thành thực hành thường nhật trong giảng dạy, học tập, đánh giá, hỗ trợ người học và ra quyết định. RAIEP bao gồm các hành vi như công khai sử dụng AI, kiểm tra đầu ra, đánh giá bias, bảo vệ dữ liệu, duy trì human judgment và sử dụng cơ chế khiếu nại khi cần.
5.3. Tầng III – Responsible Education Outcomes
Responsible AI Education Outcomes – RAIEO được đề xuất gồm ba miền: Educational Trust, Human Agency Preservation và Equitable Educational Value. Educational Trust phản ánh mức độ người dùng tin rằng AI được sử dụng theo cách có năng lực, có thiện chí và có trách nhiệm; Human Agency Preservation phản ánh việc người học và giảng viên duy trì lựa chọn, phán đoán và quyền kiểm soát; Equitable Educational Value phản ánh mức độ giá trị do AI tạo ra được phân bổ công bằng thay vì tập trung vào các nhóm có lợi thế số.
5.4. Giả thuyết
Khi tổ chức có quy tắc rõ, cơ chế đánh giá fairness, transparency, accountability và human agency, các thành viên sẽ có điều kiện cụ thể để chuyển nguyên tắc thành hành vi. Vì vậy:
H1: RAIEC có mối quan hệ tích cực với Responsible AI Educational Practices.
Năng lực thể chế có thể ảnh hưởng trực tiếp đến outcome thông qua thiết kế hệ thống, procurement, policy và hỗ trợ. Vì vậy:
H2: RAIEC có mối quan hệ tích cực với Responsible AI Education Outcomes.
Các outcome có trách nhiệm không được tạo ra chỉ bởi policy existence; chúng phụ thuộc vào việc các nguyên tắc được thực hành. Vì vậy:
H3: Responsible AI Educational Practices có mối quan hệ tích cực với Responsible AI Education Outcomes.
Nếu institutional capability tạo outcome thông qua hành vi, RAIEP phải truyền ít nhất một phần ảnh hưởng đó. Vì vậy:
H4: Responsible AI Educational Practices đóng vai trò trung gian trong mối quan hệ giữa RAIEC và Responsible AI Education Outcomes.
Để làm rõ nomological validity, mô hình có thể kiểm tra ba outcome thành phần:
H5a: RAIEP có mối quan hệ tích cực với Educational Trust.
H5b: RAIEP có mối quan hệ tích cực với Human Agency Preservation.
H5c: RAIEP có mối quan hệ tích cực với Equitable Educational Value.
Mô hình trung tâm:
RAIEC → RAIEP → RAIEO
Kiến trúc này phù hợp với SEM hơn việc biến bốn dimensions thành các predictor song song. Nó đồng thời giải quyết hai yêu cầu reviewer thường đặt ra: what is the construct? và through what mechanism does it matter?
- PHƯƠNG PHÁP NGHIÊN CỨU
6.1. Thiết kế nghiên cứu tổng thể
Nghiên cứu sử dụng thiết kế phát triển thang đo nhiều giai đoạn theo truyền thống Churchill (1979), Hinkin (1998) và DeVellis và Thorpe (2021). Ba pha chính gồm: Phase I – Construct Development; Phase II – Scale Purification and Measurement Validation; Phase III – Nomological and Structural Validation. Cách tổ chức này bảo đảm sự tách biệt giữa phát triển nội dung, tinh lọc measurement model và kiểm định structural model.
6.2. Phase I – Xác định miền khái niệm và tạo mục hỏi
Miền khái niệm được xây dựng từ sáu nhóm nguồn: Responsible AI; AI ethics; Human-Centered AI; AI governance; higher education governance; và human/learner agency. UNESCO (2021, 2023, 2024a, 2024b, 2025), NIST (2023), European Commission High-Level Expert Group on AI (2019), cùng literature về human agency và dynamic capabilities được sử dụng để triangulate construct domain.
Ngân hàng ban đầu nên khoảng 40–48 items, tương đương 10–12 mục cho mỗi dimension trước khi tinh lọc. Item generation kết hợp deductive generation từ literature/frameworks và inductive generation từ phỏng vấn bán cấu trúc với lãnh đạo, cán bộ quản trị AI/chuyển đổi số, giảng viên và đại diện người học. Phỏng vấn không nên hỏi trực tiếp “bốn dimensions có đúng không?” mà nên khai thác critical incidents, failure points, support needs và những quyết định AI cần quyền contest hoặc override.
6.3. Content validity
Panel khoảng 12–18 chuyên gia đại diện quản trị giáo dục đại học, Responsible AI, giáo dục số, đo lường và đạo đức AI. Mỗi item được đánh giá tối thiểu về relevance, clarity và representativeness. I-CVI và S-CVI/Ave có thể được báo cáo, nhưng quyết định loại item không nên dựa máy móc vào cutoff; cần xem xét qualitative comments và construct coverage để tránh loại bỏ các khía cạnh mới nhưng quan trọng.
6.4. Cognitive interviewing
Khoảng 10–15 người thuộc nhóm mục tiêu được mời phỏng vấn nhận thức nhằm kiểm tra comprehension, retrieval, judgment và response mapping. Đặc biệt cần kiểm tra respondent có phân biệt được “tổ chức của tôi có năng lực bảo vệ agency” với “tôi cảm thấy mình có agency” hay không. Đây là điều kiện quan trọng để tránh conceptual contamination giữa HAC và Human Agency Preservation.
6.5. Pilot study
Pilot n ≈ 150–200 phù hợp với quy mô ngân hàng mục hỏi ban đầu.
Các phân tích bao gồm item distribution, missingness, floor/ceiling effects, corrected item–total correlations, redundancy, Cronbach’s α, McDonald’s ω và preliminary dimensionality. Alpha quá cao cần được xem xét như dấu hiệu redundancy thay vì mặc định là ưu điểm.
6.6. Mẫu nghiên cứu chính và level of analysis
Mục tiêu thực tế là ≥600 phản hồi hợp lệ từ khoảng 15–20 trường đại học Việt Nam nếu điều kiện cho phép. Respondent có thể gồm giảng viên, cán bộ quản lý học thuật và các vị trí có đủ trải nghiệm để đánh giá cơ chế AI của trường. Nếu outcome tập trung vào người học, cần thiết kế multi-source hoặc student subsample thay vì yêu cầu giảng viên tự đánh giá toàn bộ learner outcomes.
Mẫu cần bảo đảm sự đa dạng theo loại hình công lập/tư thục, lĩnh vực đào tạo, vị trí công tác, kinh nghiệm sử dụng AI và vùng địa lý. Vì construct lý thuyết là institutional capability nhưng dữ liệu ban đầu ở individual level, bài đầu tiên nên sử dụng thuật ngữ P-RAIEC khi trình bày empirical measurement. Nếu có nhiều respondent trên mỗi trường, có thể kiểm tra agreement và aggregation; nếu số trường chưa đủ lớn, không nên tuyên bố đã đo objective institutional capability.
6.7. EFA và CFA
Mẫu chính nên được tách độc lập cho EFA và CFA hoặc sử dụng hai sample độc lập nếu nguồn lực cho phép.
EFA sử dụng principal axis factoring hoặc maximum likelihood, parallel analysis, scree plot và oblique rotation. Không nên sử dụng PCA như một phương án thay thế cho factor analysis.
CFA đánh giá factor loadings, CFI, TLI, RMSEA, SRMR và χ²; reliability gồm α, ω và Composite Reliability; convergent validity sử dụng AVE; discriminant validity ưu tiên HTMT kết hợp confidence intervals khi cần. Các cutoff cần được diễn giải linh hoạt theo mô hình, sample và lý thuyết thay vì dùng như tiêu chuẩn tuyệt đối.
6.8. Higher-order validation và SEM
Nếu RAIEC được xác nhận là formative/composite ở bậc hai, một two-stage approach là phù hợp: trước hết kiểm định chặt chẽ các reflective first-order constructs bằng CFA; sau đó sử dụng latent variable scores hoặc PLS-SEM two-stage composite modeling để đánh giá higher-order construct.
Đánh giá cần bao gồm collinearity/VIF, outer weights, outer loadings, significance và relevance. Structural model kiểm tra direct effects, indirect effects, R², effect sizes và bootstrapped confidence intervals. Lựa chọn CB-SEM hay PLS-SEM phải dựa trên measurement specification và mục tiêu phân tích, không nên dựa trên tuyên bố đơn giản rằng một phương pháp “tốt hơn” phương pháp kia.
6.9. Common method bias, endogeneity và robustness
Nếu predictor, mediator và outcome được thu từ cùng respondent trong cùng thời điểm, common method variance là rủi ro đáng kể. Procedural remedies nên được thiết kế trước survey: tách các phần predictor–criterion, bảo đảm anonymity, tránh wording đánh giá đạo đức trực tiếp, trộn item hợp lý và không tiết lộ giả thuyết. Harman’s single-factor test không đủ; có thể bổ sung marker variable hoặc latent method factor tùy analytical framework (Podsakoff et al., 2003).
Cross-sectional design không chứng minh causality. Vì vậy, ngôn ngữ bài báo phải sử dụng association, relationship, indirect effect hoặc influence consistent with the proposed model, tránh “proves causal impact”. Robustness có thể bao gồm alternative direct-effects model, mediation model, và measurement invariance cho tối đa một vài nhóm có ý nghĩa lý thuyết như public/private hoặc STEM/non-STEM nếu sample đủ lớn.
- ĐÓNG GÓP LÝ THUYẾT KỲ VỌNG
7.1. Từ Responsible AI principles đến institutional capability
Đóng góp thứ nhất là chuyển câu hỏi từ:
“Trường đại học có tuân thủ các nguyên tắc Responsible AI không?”
sang:
“Trường đại học có năng lực thể chế để biến các nguyên tắc Responsible AI thành thực hành giáo dục bền vững hay không?”
Sự chuyển dịch này quan trọng vì policy hoặc principle là artifact/normative statement, trong khi capability bao gồm khả năng sensing, implementation, coordination, monitoring và adaptation.
7.2. Từ normative framework đến measurable construct
RAIEC tạo cầu nối:
Ethical principles → Organizational capability → Measurement → Educational practices → Outcomes.
Đóng góp đo lường nằm ở việc operationalize một miền normative thành construct có thể kiểm định psychometrically. Nếu được xác nhận, RAIEC tạo nền tảng để so sánh tổ chức, đánh giá can thiệp và xây dựng nomological network cho Responsible AI Education.
7.3. Đưa Human Agency vào lõi Responsible AI Education
Đóng góp quan trọng nhất là chuyển Human Agency từ outcome hoặc nguyên tắc phụ trợ thành constituent capability ở cấp thể chế. Điều này không phủ nhận agency như một outcome; trái lại, nó phân biệt capacity to protect agency với actual preservation of agency.
Điều này mở rộng logic:
Human oversight → Human control → Human agency.
7.4. Responsible AI như enabling governance
Quản trị AI không nhất thiết chỉ là restriction. Một governance system tốt có thể đồng thời tạo guardrails, trust, clarity, human empowerment và educational value. Luận đề có thể kiểm định là:
Responsible AI governance can function as an enabling constraint: limiting harmful practices while increasing trusted pathways for educational innovation.
- HÀM Ý QUẢN TRỊ
Sau khi được kiểm định, RAIEC Scale có thể trở thành công cụ diagnostic giúp trường đại học xác định điểm mạnh và khoảng trống ở bốn miền Fairness, Transparency, Accountability và Human Agency.
Ở góc độ thực hành, công cụ có thể hỗ trợ chu trình Policy → Procurement → Deployment → Use → Monitoring → Redress → Learning. Fairness criteria có thể được tích hợp vào đánh giá công cụ; transparency requirements vào communication và disclosure; accountability vào decision rights và incident response; human agency vào contestability, override và lựa chọn phương án phi-AI khi cần.
RAIEC cũng có thể giúp các trường thiết kế AI procurement criteria, phát triển AI literacy, xây dựng cơ chế khiếu nại và contestability, bảo đảm human oversight, bảo vệ learner/teacher agency và tích hợp Responsible AI vào hệ thống bảo đảm chất lượng.
Không nên chuyển raw score thành “maturity levels” ngay sau scale validation. Các mức trưởng thành cần criterion-referenced hoặc normative validation riêng; nếu không, việc gán Level 1–5 chỉ là phân loại tùy ý.
- HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI
Nghiên cứu dự kiến có bốn giới hạn chính. Thứ nhất, self-report có thể tạo social desirability và common method bias. Thứ hai, P-RAIEC phản ánh nhận thức của respondent chứ chưa phải objective institutional capability. Thứ ba, cross-sectional design giới hạn causal inference. Thứ tư, AI governance là một moving target; construct có thể cần tái kiểm định khi hệ thống agentic AI, multimodal AI hoặc quy định mới thay đổi cách AI tham gia giáo dục.
Nghiên cứu tương lai cần phát triển thiết kế multi-source: Policy audit + Faculty survey + Student survey + AI system audit + Institutional indicators. Multi-level validation nên được ưu tiên để chuyển từ individual perception sang organizational capability; longitudinal design có thể kiểm tra temporal stability; multi-country validation có thể đánh giá measurement invariance giữa các hệ thống giáo dục đại học.
Một hướng nghiên cứu đặc biệt quan trọng là kiểm tra liệu RAIEC có tạo ra educational value trong khi vẫn bảo vệ agency hay không. Nếu RAIEC chỉ làm tăng compliance nhưng làm giảm đổi mới, mô hình enabling governance sẽ không được ủng hộ. Ngược lại, nếu RAIEC vừa tăng RAIEP vừa cải thiện trust, equitable value và agency preservation, nó sẽ cung cấp bằng chứng mạnh cho luận điểm “governance as capability”.
- KẾT LUẬN
AI có trách nhiệm trong giáo dục đại học không thể được bảo đảm chỉ bằng một danh sách nguyên tắc đạo đức hoặc một văn bản chính sách. Thách thức cốt lõi là chuyển các nguyên tắc đó thành năng lực thể chế có thể triển khai, đo lường, giám sát, học hỏi và cải tiến.
Nghiên cứu đề xuất Responsible AI Education Capability – RAIEC như một năng lực bậc cao được cấu thành bởi:
Fairness Capability + Transparency Capability + Accountability Capability + Human Agency Capability.
Mô hình trung tâm được khái quát:
Responsible AI Principles → RAIEC → Responsible AI Educational Practices → Responsible AI Education Outcomes.
Đóng góp lý thuyết nổi bật của mô hình là đặt Human Agency vào trung tâm của Responsible AI Education nhưng phân biệt rõ hai cấp: Human Agency Capability là năng lực thể chế bảo vệ agency; Human Agency Preservation là kết quả được trải nghiệm bởi con người. Sự phân biệt này giúp mô hình vừa tránh circularity vừa bảo vệ luận điểm rằng AI có trách nhiệm không thể được đánh giá chỉ bằng hiệu suất hoặc compliance.
Theo cách tiếp cận này, mục tiêu cuối cùng không phải chỉ là AI that works, mà là AI that works fairly, transparently, accountably, and for human agency. Responsible AI Education vì vậy được hiểu không chỉ như một bộ nguyên tắc, mà như một năng lực tổ chức có thể được phát triển, đo lường và kiểm định.
HIGHLIGHTS
- Responsible AI Education Capability (RAIEC) được khái niệm hóa như một higher-order institutional capability có thể đo lường.
- RAIEC gồm bốn cấu phần: Fairness, Transparency, Accountability và Human Agency Capability.
- Responsible AI Educational Practices (RAIEP) được đề xuất như cơ chế chuyển năng lực thể chế thành kết quả giáo dục.
- Human Agency được tách thành institutional capability và experienced outcome để tránh circularity.
- Responsible AI governance được khái niệm hóa như một enabling constraint, đồng thời bảo vệ và tạo giá trị giáo dục.
TÀI LIỆU THAM KHẢO
- 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
- Bộ Giáo dục và Đào tạo. (2025). Kế hoạch phát triển nguồn nhân lực công nghệ cao giai đoạn 2025–2035, tầm nhìn đến 2045. Hà Nội: Bộ Giáo dục và Đào tạo.
- Bộ Giáo dục và Đào tạo. (2025). Thông tư số 02/2025/TT-BGDĐT ngày 24/01/2025 quy định Khung năng lực số cho người học. Hà Nội: Bộ Giáo dục và Đào tạo.
- Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73. https://doi.org/10.2307/3150876
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
- Dignum, V. (2019). Responsible artificial intelligence: How to develop and use AI in a responsible way. Springer. https://doi.org/10.1007/978-3-030-30371-6
- Dwork, C., Hardt, M., Pitassi, T., Reingold, O., & Zemel, R. (2012). Fairness through awareness. Proceedings of the 3rd Innovations in Theoretical Computer Science Conference, 214–226. https://doi.org/10.1145/2090236.2090255
- European Commission, High-Level Expert Group on Artificial Intelligence. (2019). Ethics guidelines for trustworthy AI. European Commission.
- Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689–707. https://doi.org/10.1007/s11023-018-9482-5
- Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106
- Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
- Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389–399. https://doi.org/10.1038/s42256-019-0088-2
- Kearns, M., & Roth, A. (2019). The ethical algorithm: The science of socially aware algorithm design. Oxford University Press.
- Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
- 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.
- (2019). OECD principles on artificial intelligence. OECD Publishing.
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?”: Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. https://doi.org/10.1145/2939672.2939778
- Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
- Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
- Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
- (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
- (2024a). AI competency framework for teachers. UNESCO.
- (2024b). AI competency framework for students. UNESCO.
- (2025). AI and education: Protecting the rights of learners. UNESCO.
- Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in AI in education. Learning, Media and Technology, 45(3), 223–235. https://doi.org/10.1080/17439884.2020.1798
