NĂNG LỰC LÃNH ĐẠO TRƯỜNG HỌC TRONG KỶ NGUYÊN AI: PHÁT TRIỂN VÀ KIỂM ĐỊNH THANG ĐO AISLCF

 SCHOOL LEADERSHIP COMPETENCIES IN THE AI ERA: DEVELOPMENT AND VALIDATION OF THE AISLCF SCALE

 Nguyễn Văn Hùng

HIGHLIGHTS

• Tái khái niệm hóa năng lực lãnh đạo trường học trong kỷ nguyên AI (AI-era school leadership competency) như một năng lực lãnh đạo đa chiều (multidimensional leadership competency), thay vì đồng nhất với mức độ sử dụng AI (AI use) hoặc thành thạo công nghệ (technological proficiency).
• Phát triển Khung Năng lực Lãnh đạo Trường học trong Kỷ nguyên AI (AI-Era School Leadership Competency Framework – AISLCF) gồm bảy miền năng lực (seven competency domains) có khả năng phân biệt về lý thuyết và kiểm định thực nghiệm.
• Xác lập ranh giới cấu trúc (construct boundaries) giữa năng lực lãnh đạo AI (AI leadership competency) với hiểu biết AI (AI literacy), năng lực số (digital competence), tự hiệu quả AI (AI self-efficacy), chấp nhận AI (AI acceptance), sử dụng AI (AI use) và lãnh đạo số (digital leadership).
• Định vị phán đoán con người (human judgment), giám sát có ý nghĩa của con người (meaningful human oversight), đạo đức AI (AI ethics) và quản trị AI (AI governance) như những thành tố cấu thành năng lực lãnh đạo (constitutive leadership competency components), không phải các biến bổ sung ngoại vi (peripheral supplementary variables).
• Đề xuất quy trình phát triển thang đo nhiều giai đoạn (multi-stage scale-development protocol) gồm xác định miền cấu trúc (construct-domain specification), tạo biến quan sát (item generation), giá trị nội dung (content validity), phỏng vấn nhận thức (cognitive interviewing), thử nghiệm sơ bộ (pilot testing), phân tích nhân tố khám phá (exploratory factor analysis – EFA), phân tích nhân tố khẳng định (confirmatory factor analysis – CFA) và bất biến đo lường (measurement invariance).
• So sánh năm mô hình đo lường cạnh tranh (five competing measurement models) thay vì mặc định AISLCF là cấu trúc bậc hai (second-order construct).

 

TÓM TẮT (ABSTRACT)

Bối cảnh (Background)

Sự phát triển nhanh chóng của trí tuệ nhân tạo (artificial intelligence – AI), đặc biệt trí tuệ nhân tạo tạo sinh (generative artificial intelligence – GenAI), đang thay đổi môi trường mà trong đó lãnh đạo trường học (school leaders) thực hiện định hướng chiến lược (strategic direction), lãnh đạo dạy học (instructional leadership), ra quyết định dựa trên dữ liệu (data-informed decision-making), phát triển đội ngũ (people development), đổi mới tổ chức (organizational innovation) và quản trị công nghệ (technology governance).

Khi AI ngày càng tham gia vào phân tích (analysis), dự báo (prediction), tạo nội dung (content generation) và hỗ trợ quyết định (decision support), năng lực lãnh đạo (leadership competency) không thể được giản lược thành khả năng vận hành công cụ (ability to operate technological tools). Lãnh đạo còn phải xác định AI nên được sử dụng cho mục đích giáo dục nào (educational purposes), bằng chứng nào đủ đáng tin cậy (sufficiently trustworthy evidence) để hỗ trợ quyết định, rủi ro nào phải được kiểm soát (governed risks) và quyết định nào phải tiếp tục thuộc thẩm quyền của con người (meaningful human authority).

Vấn đề nghiên cứu (Research Problem)

Ba khoảng trống liên kết (interconnected gaps) vẫn tồn tại. Thứ nhất, nhiều khung năng lực lãnh đạo trường học (school leadership competency frameworks) được hình thành trước khi AI trở thành một thành tố đáng kể của môi trường tổ chức và do đó chưa mô tả đầy đủ các năng lực liên quan đến dữ liệu (data), AI, phán đoán con người (human judgment) và quản trị thuật toán (algorithmic governance). Thứ hai, các khung năng lực AI (AI competency frameworks) thường tập trung vào giáo viên (teachers), người học (learners) hoặc người sử dụng công nghệ (technology users), nên không thể được chuyển trực tiếp thành khung năng lực lãnh đạo (leadership competency framework) mà không có nguy cơ sai lệch miền cấu trúc (construct-domain misspecification). Thứ ba, literature còn thiếu một công cụ chuyên biệt theo vai trò (role-specific instrument), có khả năng phân biệt năng lực lãnh đạo trường học trong kỷ nguyên AI (AI-era school leadership competency) với những cấu trúc lân cận (adjacent constructs) và được kiểm định bằng một kiến trúc tâm trắc (psychometric architecture) có khả năng bác bỏ.

Mục tiêu (Purpose)

Nghiên cứu phát triển Khung Năng lực Lãnh đạo Trường học trong Kỷ nguyên AI (AI-Era School Leadership Competency Framework – AISLCF) và đề xuất giao thức phát triển, tinh lọc và kiểm định thang đo (scale development, refinement, and validation protocol). AISLCF khái niệm hóa năng lực lãnh đạo AI ở cấp trường (school-level AI leadership competency) như khả năng định hướng AI theo mục đích giáo dục (align AI with educational purpose); dẫn dắt dạy học được tăng cường bởi AI (lead AI-enabled teaching and learning); đánh giá dữ liệu và đầu ra AI (critically evaluate data and AI outputs); thực thi phán đoán con người (exercise human judgment); quản trị rủi ro, đạo đức và trách nhiệm giải trình (govern ethical, accountability, and risk implications); phát triển năng lực con người (develop professional capability); dẫn dắt đổi mới (lead innovation and change); và xây dựng khả năng học tập, thích ứng của tổ chức (strengthen organizational learning and adaptation).

Khung lý thuyết (Theoretical Framework)

AISLCF đề xuất bảy miền (seven domains): Định hướng chiến lược và mục đích giáo dục (Strategic Direction and Educational Purpose – SDEP); Lãnh đạo dạy học được tăng cường bởi AI (AI-Enabled Instructional Leadership – AIL); Năng lực dữ liệu, AI và phán đoán (Data, AI and Judgment Competency – DAJ); Đạo đức và quản trị AI (AI Ethics and Governance – AIEG); Lãnh đạo con người và phát triển năng lực (People Leadership and Capability Development – PLCD); Lãnh đạo đổi mới và thay đổi (Innovation and Change Leadership – ICL); và Học tập tổ chức và khả năng thích ứng (Organizational Learning and Adaptive Capacity – OLAC).

Luận đề trung tâm (Central Thesis):

NĂNG LỰC LÃNH ĐẠO TRƯỜNG HỌC TRONG KỶ NGUYÊN AI (AI-ERA SCHOOL LEADERSHIP COMPETENCY) ≠ NĂNG LỰC SỬ DỤNG AI (AI-USE COMPETENCY).

Phương pháp (Method)

Nghiên cứu đề xuất thiết kế phát triển và kiểm định thang đo nhiều giai đoạn (multi-stage scale-development and validation design). Quy trình gồm xác định miền cấu trúc (construct-domain specification), tạo biến quan sát theo hướng diễn dịch và quy nạp (deductive and inductive item generation), đánh giá giá trị nội dung (content validation), phỏng vấn nhận thức (cognitive interviewing), nghiên cứu thử nghiệm (pilot study), phân tích nhân tố khám phá (EFA) trên mẫu phát triển (development sample) và phân tích nhân tố khẳng định (CFA) trên mẫu kiểm định độc lập (independent validation sample).

Năm kiến trúc cạnh tranh (five competing measurement structures) gồm mô hình một nhân tố (one-factor model), mô hình bảy nhân tố tương quan (seven-correlated-factor model), mô hình bậc hai (second-order model), mô hình bifactor (bifactor model) và mô hình giảm chiều có cơ sở lý thuyết (theoretically defensible reduced-dimension model). Các bước tiếp theo đánh giá độ tin cậy (reliability), giá trị hội tụ (convergent validity), giá trị phân biệt (discriminant validity), bất biến đo lường (measurement invariance) và giá trị mạng lưới lý thuyết (nomological validity). Cỡ mẫu (sample size) được xác định bằng mô phỏng Monte Carlo (Monte Carlo simulation) thay cho tỷ lệ cơ học (mechanical respondent-to-item ratios).

Đóng góp (Contribution)

AISLCF chuyển trọng tâm nghiên cứu từ câu hỏi “Lãnh đạo trường học có sử dụng AI hay không?” sang “Lãnh đạo trường học có năng lực định hướng, chất vấn, đánh giá, giám sát và quản trị AI vì mục đích giáo dục hay không?”.

Khung kết nối lãnh đạo trường học (school leadership), lãnh đạo dạy học (instructional leadership), năng lực AI (AI competency), ra quyết định dựa trên dữ liệu (data-informed decision-making), AI lấy con người làm trung tâm (human-centred AI), đạo đức và quản trị AI (AI ethics and governance), lãnh đạo đổi mới (innovation leadership) và học tập tổ chức (organizational learning) trong một kiến trúc đo lường có khả năng kiểm định và bác bỏ (falsifiable measurement architecture).

Từ khóa (Keywords): năng lực lãnh đạo trường học (school leadership competency); trí tuệ nhân tạo (artificial intelligence); trí tuệ nhân tạo tạo sinh (generative AI); hiểu biết AI (AI literacy); phán đoán con người (human judgment); quản trị AI (AI governance); học tập tổ chức (organizational learning); phát triển thang đo (scale development); kiểm định thang đo (scale validation); AISLCF.

1. GIỚI THIỆU (INTRODUCTION)

1.1. Từ số hóa đến môi trường lãnh đạo được tăng cường bởi AI (From Digitalization to AI-Augmented Leadership Environments)

Chuyển đổi số (digitalization) trước đây chủ yếu đặt ra câu hỏi liệu lãnh đạo trường học (school leaders) có khả năng lựa chọn (select), triển khai (deploy) và sử dụng công nghệ (use technology) để hỗ trợ quản lý (management) và dạy học (teaching and learning) hay không. AI làm thay đổi bản chất của vấn đề này. Công nghệ không còn chỉ lưu trữ (store), truyền tải (transmit) hoặc trực quan hóa thông tin (visualize information) mà có thể tạo nội dung (generate content), phát hiện mẫu (detect patterns), đưa ra dự báo (make predictions), đề xuất phương án (recommend options) và tham gia vào quá trình hình thành quyết định (participate in decision formation).

Do đó, môi trường lãnh đạo được tăng cường bởi AI (AI-augmented leadership environment) tạo ra một tập hợp yêu cầu khác với lãnh đạo số (digital leadership) truyền thống. Lãnh đạo phải có khả năng trả lời:

AI CÓ THỂ LÀM GÌ? (WHAT CAN AI DO?)

nhưng đồng thời:

AI CÓ NÊN ĐƯỢC SỬ DỤNG CHO QUYẾT ĐỊNH NÀY KHÔNG? (SHOULD AI BE USED FOR THIS DECISION?)

và:

AI ĐƯỢC SỬ DỤNG DƯỚI THẨM QUYỀN, GIÁM SÁT VÀ TRÁCH NHIỆM CỦA AI? (UNDER WHOSE AUTHORITY, OVERSIGHT, AND ACCOUNTABILITY IS AI USED?)

Vì vậy:

NĂNG LỰC CÔNG NGHỆ (TECHNOLOGICAL COMPETENCE) ≠ NĂNG LỰC LÃNH ĐẠO AI (AI LEADERSHIP COMPETENCY).

1.2. Vấn đề sai lệch cấu trúc (The Construct-Misspecification Problem)

Nếu AISLCF chỉ đo khả năng sử dụng chatbot (ability to use chatbots), tạo prompt (prompt engineering), phân tích dữ liệu (data analysis) hoặc sử dụng các ứng dụng AI (AI applications), thang đo sẽ chủ yếu đo năng lực sử dụng AI (AI-use competency).

Nếu AISLCF chủ yếu đo thái độ tích cực (positive attitudes) và sự tự tin (confidence) đối với AI, nó có nguy cơ đo chấp nhận AI (AI acceptance) hoặc tự hiệu quả AI (AI self-efficacy).

Nếu thang đo chỉ tập trung vào hiểu biết về cách AI vận hành (understanding how AI works), nó có thể trở thành một biến thể của hiểu biết AI (AI literacy).

Trong khi đó, đối tượng lý thuyết cần đo là:

KHẢ NĂNG LÃNH ĐẠO MỘT TỔ CHỨC GIÁO DỤC TRONG MÔI TRƯỜNG ĐƯỢC TĂNG CƯỜNG BỞI AI (CAPACITY TO LEAD AN EDUCATIONAL ORGANIZATION IN AN AI-AUGMENTED ENVIRONMENT).

Đây là vấn đề giá trị cấu trúc (construct validity) ngay từ giai đoạn hình thành thang đo.

1.3. Từ AI literacy đến leadership competency (From AI Literacy to Leadership Competency)

Hiểu biết AI (AI literacy) là điều kiện cần nhưng không đủ. Một lãnh đạo có thể hiểu tương đối tốt cách AI hoạt động nhưng không có khả năng:

• xác định mục tiêu chiến lược (define strategic goals);
• chuyển AI thành cải tiến dạy học (translate AI into instructional improvement);
• đánh giá chất lượng bằng chứng (evaluate evidence quality);
• bảo vệ quyền của người học (protect learner rights);
• thiết lập cơ chế giám sát (establish oversight mechanisms);
• phát triển năng lực đội ngũ (develop staff capability);
• quản trị thay đổi (govern change);
• xây dựng khả năng học tập của tổ chức (build organizational learning capacity).

Do đó:

AI LITERACY IS AN INPUT TO AI-ERA LEADERSHIP, NOT A SUBSTITUTE FOR LEADERSHIP.

1.4. Câu hỏi nghiên cứu (Research Questions)

RQ1: Những miền năng lực (competency domains) nào cấu thành năng lực lãnh đạo trường học trong kỷ nguyên AI (AI-era school leadership competency)?

RQ2: AISLCF có cấu trúc đo lường (measurement structure) nào được dữ liệu hỗ trợ tốt nhất?

RQ3: AISLCF có thể phân biệt với AI literacy, digital competence, AI self-efficacy, AI acceptance và AI use hay không?

RQ4: AISLCF có duy trì bất biến đo lường (measurement invariance) giữa các nhóm lãnh đạo và bối cảnh trường học hay không?

RQ5: AISLCF có thể hiện giá trị mạng lưới lý thuyết (nomological validity) thông qua các quan hệ dự kiến với những cấu trúc tổ chức liên quan (relevant organizational constructs) hay không?

 

2. CƠ SỞ LÝ THUYẾT TÍCH HỢP (INTEGRATED THEORETICAL FOUNDATIONS)

2.1. Năng lực lãnh đạo trường học (School Leadership Competency)

Năng lực lãnh đạo (leadership competency) không chỉ là kiến thức (knowledge) hoặc kỹ năng riêng lẻ (isolated skills) mà là khả năng huy động kiến thức (knowledge), phán đoán (judgment), kỹ năng (skills), giá trị (values) và hành vi (behaviors) để thực hiện những nhiệm vụ lãnh đạo có ý nghĩa (meaningful leadership tasks) trong điều kiện thực tế.

Trong AISLCF:

KNOWING ≠ DOING ≠ LEADING.

Biết AI là gì không đồng nghĩa với sử dụng AI có chất lượng; sử dụng AI có chất lượng cũng chưa đồng nghĩa với khả năng lãnh đạo tổ chức trong môi trường AI.

2.2. Lãnh đạo dạy học trong môi trường AI (Instructional Leadership in AI Environments)

AI chỉ có giá trị giáo dục khi được liên kết với dạy học (teaching), đánh giá (assessment), chương trình (curriculum) và phát triển người học (learner development). Vì vậy, lãnh đạo dạy học được tăng cường bởi AI (AI-enabled instructional leadership) không phải là khuyến khích giáo viên “dùng nhiều AI hơn”, mà là tạo điều kiện để giáo viên lựa chọn (select) và đánh giá (evaluate) AI theo mục tiêu học tập (learning goals), bằng chứng sư phạm (pedagogical evidence) và nhu cầu người học (learner needs).

Do đó:

AI ADOPTION ≠ INSTRUCTIONAL IMPROVEMENT.

2.3. Dữ liệu, AI và phán đoán con người (Data, AI, and Human Judgment)

AI có thể mở rộng khả năng phân tích nhưng đầu ra thuật toán (algorithmic output) không đồng nghĩa với bằng chứng đủ cho quyết định (sufficient evidence for decision).

Cần phân biệt:

DỮ LIỆU (DATA) ≠ BẰNG CHỨNG (EVIDENCE).

DỰ BÁO (PREDICTION) ≠ QUYẾT ĐỊNH (DECISION).

ĐẦU RA AI (AI OUTPUT) ≠ PHÁN ĐOÁN CON NGƯỜI (HUMAN JUDGMENT).

Lãnh đạo có năng lực phải có khả năng đánh giá nguồn dữ liệu (data sources), độ tin cậy (reliability), giả định (assumptions), độ bất định (uncertainty), tính đại diện (representativeness) và hậu quả (consequences) trước khi sử dụng đầu ra AI.

2.4. AI lấy con người làm trung tâm và quản trị AI (Human-Centred AI and AI Governance)

AI trong nhà trường liên quan đến quyền riêng tư (privacy), dữ liệu cá nhân (personal data), công bằng (equity), thiên lệch (bias), khả năng giải thích (explainability), quyền chủ thể (agency) và trách nhiệm đối với quyết định (decision accountability).

Vì vậy:

HUMAN IN THE LOOP ≠ MEANINGFUL HUMAN OVERSIGHT.

Sự hiện diện hình thức của con người không bảo đảm giám sát có ý nghĩa (meaningful oversight).

Giám sát có ý nghĩa của con người (meaningful human oversight) đòi hỏi ít nhất sự phối hợp của:

THÔNG TIN (INFORMATION) + NĂNG LỰC (COMPETENCE) + THỜI GIAN (TIME) + THẨM QUYỀN (AUTHORITY) + KHẢ NĂNG CHẤT VẤN (ABILITY TO CHALLENGE) + KHẢ NĂNG CAN THIỆP/GHI ĐÈ (ABILITY TO INTERVENE/OVERRIDE) + TRÁCH NHIỆM GIẢI TRÌNH (ACCOUNTABILITY).

2.5. Lãnh đạo thay đổi và học tập tổ chức (Change Leadership and Organizational Learning)

AI tạo ra thay đổi liên tục (continuous change) thay vì một lần triển khai công nghệ. Vì vậy, lãnh đạo cần khả năng thử nghiệm có kiểm soát (controlled experimentation), đánh giá (evaluation), phản hồi (feedback), sửa sai (correction) và tái cấu hình practice (reconfiguration of practice).

Logic chuyển đổi là:

THỬ NGHIỆM (EXPERIMENTATION) → BẰNG CHỨNG (EVIDENCE) → PHẢN TƯ (REFLECTION) → HỌC TẬP (LEARNING) → THÍCH ỨNG (ADAPTATION).

 

3. KHOẢNG TRỐNG NGHIÊN CỨU (RESEARCH GAPS)

Nghiên cứu xác định sáu khoảng trống (six gaps).

Khoảng trống 1 – Khoảng trống cấu trúc (Construct Gap): chưa có sự đồng thuận đầy đủ về nội hàm năng lực lãnh đạo trường học trong kỷ nguyên AI (AI-era school leadership competency).

Khoảng trống 2 – Khoảng trống vai trò (Role-Specificity Gap): competency frameworks dành cho giáo viên (teachers) hoặc người học (learners) không phản ánh đầy đủ quyền hạn (authority) và trách nhiệm (responsibility) của school leaders.

Khoảng trống 3 – Khoảng trống phán đoán (Judgment Gap): nhiều cách tiếp cận AI competency tập trung vào kiến thức (knowledge) và sử dụng (use) nhưng chưa đặt phán đoán con người (human judgment) ở vị trí trung tâm.

Khoảng trống 4 – Khoảng trống quản trị (Governance Gap): AI ethics thường được trình bày như kiến thức chuẩn tắc (normative knowledge) hơn là năng lực lãnh đạo có thể quan sát (observable leadership capability).

Khoảng trống 5 – Khoảng trống tâm trắc (Psychometric Gap): cần kiểm định cấu trúc (structure), độ tin cậy (reliability), giá trị phân biệt (discriminant validity), bất biến đo lường (measurement invariance) và nomological validity.

Khoảng trống 6 – Khoảng trống khả năng bác bỏ (Falsifiability Gap): việc đề xuất một framework rồi chỉ kiểm định chính framework đó tạo nguy cơ xác nhận theo thiết kế (confirmation-by-design).

 

4. KHUNG AISLCF (THE AISLCF FRAMEWORK)

AISLCF đề xuất bảy miền (seven domains).

4.1. Định hướng chiến lược và mục đích giáo dục (Strategic Direction and Educational Purpose – SDEP)

Khả năng xác định AI được sử dụng vì mục tiêu giáo dục nào (for what educational purpose), ưu tiên vấn đề nào (which problems to prioritize) và tạo giá trị gì cho người học (what value for learners).

Câu hỏi cốt lõi:

AI FOR WHAT EDUCATIONAL PURPOSE?

4.2. Lãnh đạo dạy học được tăng cường bởi AI (AI-Enabled Instructional Leadership – AIL)

Khả năng định hướng, hỗ trợ và đánh giá việc tích hợp AI vào chương trình (curriculum), dạy học (teaching), đánh giá (assessment) và phát triển người học (learner development).

4.3. Năng lực dữ liệu, AI và phán đoán (Data, AI and Judgment Competency – DAJ)

Khả năng hiểu, đánh giá và sử dụng có phê phán dữ liệu (data), analytics và AI outputs trong quyết định.

DAJ nhấn mạnh:

AI ASSISTANCE → HUMAN EVALUATION → HUMAN JUDGMENT → AUTHORIZED DECISION.

4.4. Đạo đức và quản trị AI (AI Ethics and Governance – AIEG)

Khả năng thiết lập quy tắc (rules), safeguards, oversight và accountability nhằm bảo đảm AI được sử dụng hợp pháp (lawful), công bằng (equitable), minh bạch (transparent), an toàn (safe) và phù hợp mục tiêu giáo dục (aligned with educational purpose).

4.5. Lãnh đạo con người và phát triển năng lực (People Leadership and Capability Development – PLCD)

Khả năng phát triển năng lực AI của giáo viên và nhân viên (AI capability of teachers and staff), xây dựng niềm tin (trust), thúc đẩy cộng tác (collaboration) và duy trì quyền chủ thể nghề nghiệp (professional agency).

4.6. Lãnh đạo đổi mới và thay đổi (Innovation and Change Leadership – ICL)

Khả năng quản trị experimentation, uncertainty, resistance, implementation và scaling trong quá trình chuyển đổi được hỗ trợ bởi AI.

4.7. Học tập tổ chức và khả năng thích ứng (Organizational Learning and Adaptive Capacity – OLAC)

Khả năng biến dữ liệu (data) và trải nghiệm (experience) thành organizational learning; điều chỉnh routines; và thích ứng với công nghệ (technology), rủi ro (risks) và bằng chứng mới (new evidence).

 

5. PHÁT TRIỂN CÁC MỆNH ĐỀ ĐO LƯỜNG (MEASUREMENT PROPOSITIONS)

Do đây là nghiên cứu phát triển thang đo (scale development), các phát biểu nên được xem là mệnh đề kiểm định (testable propositions) thay vì giả định trước rằng cấu trúc AISLCF đã được xác nhận.

P1: Các biến quan sát AISLCF (AISLCF items) sẽ biểu hiện một cấu trúc đa chiều (multidimensional structure) có thể phân biệt về mặt thực nghiệm.

P2: Mô hình đa chiều (multidimensional model) sẽ phù hợp dữ liệu tốt hơn mô hình một nhân tố (one-factor model).

P3: Bảy miền AISLCF (seven AISLCF domains) sẽ thể hiện giá trị hội tụ (convergent validity) phù hợp.

P4: Bảy miền AISLCF sẽ thể hiện giá trị phân biệt (discriminant validity) đủ để không bị xem là các nhãn khác nhau của cùng một cấu trúc.

P5: AISLCF sẽ phân biệt với AI literacy, digital competence, AI self-efficacy, AI acceptance và AI use.

P6: Nếu một nhân tố chung AISLCF (general AISLCF factor) tồn tại, nó phải giải thích phương sai chung (common variance) đáng kể ngoài các miền cụ thể (specific domains) trước khi tổng điểm AISLCF (AISLCF total score) được sử dụng.

P7: AISLCF sẽ đạt mức bất biến đo lường (measurement invariance) đủ để cho phép những so sánh nhóm (group comparisons) được thực hiện.

P8: AISLCF sẽ thể hiện giá trị mạng lưới lý thuyết (nomological validity) thông qua các quan hệ có ý nghĩa với những kết quả lãnh đạo (leadership outcomes) và tổ chức (organizational outcomes) có liên quan.

 

6. MÔ HÌNH ĐO LƯỜNG CẠNH TRANH (COMPETING MEASUREMENT MODELS)

Mô hình A (Model A): Mô hình một nhân tố (One-Factor Model) — Tất cả items → AISLCF chung (general AISLCF).

Mô hình B (Model B): Mô hình bảy nhân tố tương quan (Seven-Correlated-Factor Model) — SDEP ↔ AIL ↔ DAJ ↔ AIEG ↔ PLCD ↔ ICL ↔ OLAC.

Mô hình C (Model C): Mô hình bậc hai (Second-Order Model) — Bảy miền → Năng lực lãnh đạo trường học trong kỷ nguyên AI tổng quát (General AI-Era School Leadership Competency).

Mô hình D (Model D): Mô hình bifactor (Bifactor Model) — Mỗi item tải đồng thời lên nhân tố chung (general factor) và một nhân tố miền (specific domain factor).

Mô hình E (Model E): Mô hình giảm chiều (Reduced-Dimension Model) — Các miền được hợp nhất chỉ khi bằng chứng lý thuyết (theoretical evidence) và thực nghiệm (empirical evidence) cho thấy thiếu giá trị phân biệt (discriminant validity).

Không mô hình nào được tuyên bố trước là “đúng”.

 

7. MA TRẬN RANH GIỚI CẤU TRÚC (CONSTRUCT-BOUNDARY MATRIX)

Cấu trúc (Construct)	Câu hỏi cốt lõi (Core Question)	Không đồng nhất với (Not Equivalent To)
AISLCF	Lãnh đạo tổ chức giáo dục trong môi trường AI như thế nào?	AI use
Hiểu biết AI (AI Literacy)	Cá nhân hiểu và đánh giá AI đến đâu?	Leadership competency
Năng lực số (Digital Competence)	Cá nhân sử dụng công nghệ số hiệu quả đến đâu?	AI governance
Tự hiệu quả AI (AI Self-Efficacy)	Cá nhân tin mình có thể sử dụng AI đến đâu?	Demonstrated capability
Chấp nhận AI (AI Acceptance)	Cá nhân sẵn sàng chấp nhận AI đến đâu?	Responsible leadership
Sử dụng AI (AI Use)	AI được sử dụng với tần suất/mức độ nào?	Quality of leadership
Lãnh đạo số (Digital Leadership)	Lãnh đạo chuyển đổi số như thế nào?	Full AI-era leadership construct

Ba phép phân biệt đặc biệt quan trọng:

AI LITERACY ≠ AISLCF.

AI USE ≠ AI LEADERSHIP COMPETENCY.

DIGITAL LEADERSHIP ≠ AI GOVERNANCE.

 

8.KIẾN TRÚC ĐO LƯỜNG (MEASUREMENT ARCHITECTURE)

8.1. Nguyên tắc phát triển biến quan sát (Item-Development Principles)

Items phải đo khả năng lãnh đạo (leadership capability) thay vì sở thích (preferences) hoặc tần suất sử dụng (frequency of use).

Tránh item:

“Tôi thường xuyên sử dụng AI trong công việc.”

Ưu tiên item:

“Tôi có thể đánh giá liệu đầu ra AI có cung cấp bằng chứng đủ tin cậy cho một quyết định quản trị cụ thể hay không.”

Mỗi item phải đáp ứng bốn yêu cầu:

MỘT Ý (SINGLE IDEA) + HÀNH VI/NĂNG LỰC XÁC ĐỊNH (SPECIFIC CAPABILITY) + PHÙ HỢP VAI TRÒ (ROLE RELEVANCE) + KHẢ NĂNG QUAN SÁT/ĐÁNH GIÁ (ASSESSABILITY).

8.2. Kiến trúc item ban đầu (Initial Item Architecture)

Giai đoạn tạo item nên phát triển một ngân hàng biến quan sát ban đầu (initial item pool) rộng hơn thang đo cuối cùng.

Có thể định hướng khoảng:

• SDEP: 7–9 items;
• AIL: 7–9 items;
• DAJ: 8–10 items;
• AIEG: 8–10 items;
• PLCD: 7–9 items;
• ICL: 7–9 items;
• OLAC: 7–9 items.

Như vậy initial pool khoảng 51–65 items, trước khi content validation, cognitive interviewing và psychometric purification.

Không xác định trước số item cuối cùng bằng quota cơ học (mechanical quota).

 

9. THIẾT KẾ PHÁT TRIỂN VÀ KIỂM ĐỊNH THANG ĐO (SCALE DEVELOPMENT AND VALIDATION DESIGN)

9.1. Giai đoạn 1 – Xác định miền cấu trúc (Construct-Domain Specification)

Xây dựng bản đồ miền cấu trúc (construct-domain map) từ literature về school leadership, instructional leadership, digital leadership, AI competency, AI literacy, data-informed decision-making, AI ethics, governance, change leadership và organizational learning.

Mục tiêu là xác định:

AISLCF BAO GỒM GÌ? (INCLUSION)

và quan trọng không kém:

AISLCF KHÔNG BAO GỒM GÌ? (EXCLUSION).

9.2. Giai đoạn 2 – Tạo biến quan sát (Item Generation)

Sử dụng kết hợp:

phương pháp diễn dịch (deductive approach) từ theory/frameworks;

và:

phương pháp quy nạp (inductive approach) từ interviews/focus groups với school leaders và các chuyên gia.

9.3. Giai đoạn 3 – Giá trị nội dung (Content Validity)

Hội đồng chuyên gia đánh giá:

• mức độ phù hợp (relevance);
• mức độ rõ ràng (clarity);
• tính đại diện (representativeness);
• tính đặc thù vai trò (role specificity);
• khả năng phân biệt miền (domain discriminability).

Có thể sử dụng chỉ số giá trị nội dung cấp biến quan sát (item-level content validity index – I-CVI) và chỉ số giá trị nội dung cấp thang đo (scale-level content validity index – S-CVI) như bằng chứng bổ trợ.

9.4. Giai đoạn 4 – Phỏng vấn nhận thức (Cognitive Interviewing)

Kiểm tra người trả lời diễn giải:

• “AI”;
• “human judgment”;
• “AI governance”;
• “oversight”;
• “educational purpose”;
• “organizational learning”

theo đúng intended construct hay không.

9.5. Giai đoạn 5 – Nghiên cứu thử nghiệm (Pilot Study)

Pilot kiểm tra:

• item distributions;
• missingness;
• floor/ceiling effects;
• item-total relations;
• ambiguity;
• response burden;
• preliminary dimensionality.

Không loại item chỉ vì một chỉ số thống kê nếu item có vai trò quan trọng đối với giá trị nội dung (content validity).

 

10. PHÂN TÍCH NHÂN TỐ KHÁM PHÁ (EXPLORATORY FACTOR ANALYSIS – EFA)

EFA được thực hiện trên mẫu phát triển (development sample) độc lập với CFA.

Số nhân tố không được quyết định chỉ bởi eigenvalue > 1. Cần kết hợp:

PHÂN TÍCH SONG SONG (PARALLEL ANALYSIS) + SCREE PLOT + FACTOR INTERPRETABILITY + THEORETICAL COHERENCE.

Nếu items sử dụng thang Likert dạng thứ bậc (ordinal Likert scale), estimator và correlation matrix phải phù hợp với đặc tính ordinal của dữ liệu.

Cross-loading phải được đánh giá theo cả ý nghĩa thống kê (statistical significance) và ý nghĩa cấu trúc (structural meaningfulness).

 

11. PHÂN TÍCH NHÂN TỐ KHẲNG ĐỊNH (CONFIRMATORY FACTOR ANALYSIS – CFA)

CFA sử dụng mẫu kiểm định độc lập (independent validation sample).

So sánh Models A–E thông qua nhiều nguồn bằng chứng về độ phù hợp (fit), không lựa chọn mô hình chỉ dựa vào một fit index.

Đặc biệt:

GOOD GLOBAL FIT ≠ VALID CONSTRUCT.

Một mô hình có fit tốt vẫn có thể có vấn đề về discriminant validity, cross-loadings, factor interpretability hoặc theoretical coherence.

 

12. ĐỘ TIN CẬY VÀ GIÁ TRỊ ĐO LƯỜNG (RELIABILITY AND MEASUREMENT VALIDITY)

Đánh giá:

• Cronbach’s alpha (α);
• McDonald’s omega (ω);
• độ tin cậy tổng hợp (composite reliability – CR);
• phương sai trích trung bình (average variance extracted – AVE);
• HTMT;
• giá trị hội tụ (convergent validity);
• giá trị phân biệt (discriminant validity).

Nhưng:

RELIABILITY ≠ VALIDITY.

Một thang đo có độ tin cậy cao vẫn có thể đo sai construct.

Đối với bifactor, cần đánh giá thêm mức độ mà total score thực sự đại diện cho general factor trước khi khuyến nghị một điểm AISLCF tổng (AISLCF total score).

 

13. BẤT BIẾN ĐO LƯỜNG (MEASUREMENT INVARIANCE)

Khi cỡ mẫu cho phép, kiểm định:

bất biến cấu hình (configural invariance) → bất biến tải nhân tố (metric invariance) → bất biến hệ số chặn/ngưỡng (scalar/threshold invariance) → bất biến phần dư (residual invariance) khi thích hợp.

Các nhóm có thể gồm:

• hiệu trưởng và phó hiệu trưởng (principals and vice-principals);
• cấp học (educational level);
• loại trường (school type);
• đô thị và nông thôn (urban and rural);
• nhóm có mức kinh nghiệm lãnh đạo khác nhau (leadership experience groups).

Nguyên tắc:

KHÔNG CÓ BẤT BIẾN ĐO LƯỜNG (NO MEASUREMENT INVARIANCE) → KHÔNG NÊN DIỄN GIẢI CHÊNH LỆCH ĐIỂM NHƯ CHÊNH LỆCH NĂNG LỰC THỰC (DO NOT INTERPRET SCORE DIFFERENCES AS TRUE COMPETENCY DIFFERENCES).

 

14. GIÁ TRỊ MẠNG LƯỚI LÝ THUYẾT (NOMOLOGICAL VALIDITY)

AISLCF không nên được xác nhận chỉ bằng internal structure.

Cần kiểm tra quan hệ với các cấu trúc theoretically relevant, chẳng hạn:

AISLCF → CHẤT LƯỢNG RA QUYẾT ĐỊNH (DECISION QUALITY)

AISLCF → NĂNG LỰC TỔ CHỨC (ORGANIZATIONAL CAPABILITY)

AISLCF → MỨC ĐỘ SẴN SÀNG AI CỦA NHÀ TRƯỜNG (SCHOOL AI READINESS)

AISLCF → CHẤT LƯỢNG QUẢN TRỊ AI (AI GOVERNANCE QUALITY).

Tuy nhiên, các quan hệ này cần được xem là kiểm định nomological validity, không phải bằng chứng mặc nhiên (automatic evidence) cho quan hệ nhân quả.

 

15. CỠ MẪU VÀ CÔNG SUẤT THỐNG KÊ (SAMPLE SIZE AND STATISTICAL POWER)

Không sử dụng máy móc:

10 RESPONDENTS PER ITEM.

Ưu tiên mô phỏng Monte Carlo (Monte Carlo simulation) dựa trên:

• số factors (number of factors);
• số items/factor (items per factor);
• expected factor loadings;
• factor correlations;
• ordinal response structure;
• missingness;
• estimator;
• mức độ phức tạp của competing models (complexity of competing models);
• subgroup sizes cho measurement invariance.

Cỡ mẫu phải đủ cho cả:

DEVELOPMENT SAMPLE

và:

INDEPENDENT VALIDATION SAMPLE.

Nếu thực hiện cross-validation nhiều nhóm (multi-group cross-validation), yêu cầu mẫu phải được xác định cho mục tiêu khó nhất (most demanding target) chứ không chỉ EFA.

 

16. CHIẾN LƯỢC PHÂN TÍCH (ANALYTICAL STRATEGY)

Trình tự đề xuất:

DOMAIN SPECIFICATION → ITEM GENERATION → CONTENT VALIDATION → COGNITIVE INTERVIEWING → PILOT TESTING → EFA → INDEPENDENT CFA → COMPETING MEASUREMENT MODELS → RELIABILITY → CONVERGENT VALIDITY → DISCRIMINANT VALIDITY → MEASUREMENT INVARIANCE → NOMOLOGICAL VALIDITY → CROSS-VALIDATION / ROBUSTNESS TESTS.

Quy trình này tránh:

THEORY → ITEMS → CFA OF ONLY THE EXPECTED MODEL → “VALIDATED SCALE”.

Đó không phải là validation đủ mạnh (sufficiently rigorous validation).

 

17. KHUNG DIỄN GIẢI KẾT QUẢ (RESULTS INTERPRETATION FRAMEWORK)

Phiên bản hiện tại là nghiên cứu phát triển lý thuyết và giao thức kiểm định (theoretical-development and validation-protocol study); vì vậy không báo cáo hệ số tâm trắc giả định (hypothetical psychometric coefficients).

Nếu Model C được hỗ trợ tốt nhất, có thể kết luận rằng bằng chứng phù hợp với cách biểu diễn AISLCF như một cấu trúc bậc cao (higher-order construct).

Nếu Model B tốt hơn, nên giữ bảy competency scores (seven competency scores) thay vì ép thành một total score.

Nếu Model D tốt nhất, phải đánh giá liệu general factor có đủ mạnh để hỗ trợ total score và liệu các specific domains còn mang thông tin đáng kể hay không.

Nếu Model E vượt các mô hình bảy miền, framework phải được tinh giản (streamlined).

Nếu discriminant validity giữa DAJ và AIEG không đạt, phải xem xét overlap về nội dung (content overlap).

Nếu AISLCF không phân biệt với AI literacy hoặc digital leadership, tuyên bố về construct novelty phải được thu hẹp.

Đây là:

KHẢ NĂNG BÁC BỎ (FALSIFIABILITY).

 

18. THẢO LUẬN (DISCUSSION)

18.1. Từ sử dụng AI đến lãnh đạo AI (From AI Use to AI Leadership)

Đóng góp cơ bản của AISLCF nằm ở việc thay đổi đơn vị phân tích (unit of analysis).

Câu hỏi không còn là:

LÃNH ĐẠO CÓ SỬ DỤNG AI KHÔNG? (DO LEADERS USE AI?)

mà là:

LÃNH ĐẠO CÓ THỂ QUẢN TRỊ NHỮNG KHẢ NĂNG VÀ RỦI RO DO AI TẠO RA HAY KHÔNG? (CAN LEADERS GOVERN THE CAPABILITIES AND RISKS CREATED BY AI?)

Tần suất sử dụng (frequency of use) không chứng minh năng lực lãnh đạo (leadership competency).

18.2. Mục đích giáo dục đứng trước công nghệ (Educational Purpose Precedes Technology)

SDEP đặt mục đích giáo dục (educational purpose) ở đầu chuỗi.

Logic là:

MỤC ĐÍCH GIÁO DỤC (EDUCATIONAL PURPOSE) → VẤN ĐỀ CẦN GIẢI QUYẾT (PROBLEM TO BE ADDRESSED) → BẰNG CHỨNG (EVIDENCE) → LỰA CHỌN CÔNG NGHỆ/AI (TECHNOLOGY/AI CHOICE) → THỰC THI CÓ GIÁM SÁT (GOVERNED IMPLEMENTATION) → ĐÁNH GIÁ GIÁ TRỊ GIÁO DỤC (EVALUATION OF EDUCATIONAL VALUE).

Không đảo thành:

AI TOOL → FIND A USE CASE.

18.3. Phán đoán con người là năng lực lãnh đạo cốt lõi (Human Judgment as a Core Leadership Competency)

DAJ làm rõ rằng năng lực lãnh đạo AI (AI leadership competency) không chỉ nằm ở khả năng đọc dashboard hoặc sử dụng analytics.

Nó nằm ở khả năng hỏi:

• Nguồn dữ liệu có phù hợp không? (Are the data sources appropriate?);
• Mô hình dự báo điều gì và không dự báo điều gì? (What does the model predict and not predict?);
• Sai số có ý nghĩa gì? (What do the errors mean?);
• Nhóm nào có thể chịu bất lợi? (Which groups may be disadvantaged?);
• Có bằng chứng khác mâu thuẫn với đầu ra AI không? (Is there contradictory evidence?);
• Ai chịu trách nhiệm cho quyết định cuối cùng? (Who is accountable for the final decision?).

Do đó:

AI CAPABILITY ≠ DECISION AUTHORITY.

18.4. Đạo đức phải trở thành năng lực quản trị (From Ethics to Governance Capability)

Biết các nguyên tắc fairness, privacy hoặc transparency chưa đủ.

Lãnh đạo phải có khả năng chuyển nguyên tắc thành:

QUY TẮC (RULES) → VAI TRÒ (ROLES) → QUYỀN HẠN (AUTHORITY) → GIÁM SÁT (OVERSIGHT) → BẰNG CHỨNG (EVIDENCE) → TRÁCH NHIỆM GIẢI TRÌNH (ACCOUNTABILITY) → SỬA SAI (CORRECTION).

Đây là ranh giới giữa nhận thức đạo đức (ethical awareness) và năng lực quản trị đạo đức (ethical governance capability).

18.5. AI competency phải trở thành năng lực tổ chức (From Individual AI Competency to Organizational Capability)

PLCD và OLAC giải quyết một hạn chế quan trọng của cách tiếp cận cá nhân.

Một hiệu trưởng có năng lực AI cao (high AI competency principal) không đồng nghĩa với một trường học có năng lực AI cao (high AI capability school).

INDIVIDUAL LEADER COMPETENCY ≠ ORGANIZATIONAL AI CAPABILITY.

Vai trò của leadership là biến năng lực cá nhân (individual capability) thành:

SHARED KNOWLEDGE → PROFESSIONAL ROUTINES → COLLABORATIVE PRACTICE → ORGANIZATIONAL LEARNING → ADAPTIVE CAPABILITY.

 

19.ĐÓNG GÓP LÝ THUYẾT (THEORETICAL CONTRIBUTIONS)

Nghiên cứu tạo bảy đóng góp (seven contributions).

Thứ nhất, tái khái niệm hóa năng lực lãnh đạo AI (AI leadership competency) từ technological proficiency sang multidimensional leadership capability.

Thứ hai, đặt mục đích giáo dục (educational purpose) trước technology adoption.

Thứ ba, tích hợp phán đoán con người (human judgment) vào chính construct thay vì coi đó là safeguard ngoại vi (peripheral safeguard).

Thứ tư, chuyển đạo đức AI (AI ethics) từ nhận thức chuẩn tắc (normative awareness) sang năng lực quản trị AI (AI governance capability).

Thứ năm, kết nối individual leadership với phát triển năng lực tập thể (collective capability development) và học tập tổ chức (organizational learning).

Thứ sáu, thiết lập ranh giới lý thuyết (theoretical boundaries) giữa AISLCF và các adjacent constructs.

Thứ bảy, tăng khả năng bác bỏ (falsifiability) bằng competing measurement models, independent validation và discriminant tests.

 

20. HÀM Ý THỰC TIỄN VÀ CHÍNH SÁCH (PRACTICAL AND POLICY IMPLICATIONS)

AISLCF không nên được sử dụng trước hết như một công cụ xếp hạng lãnh đạo (leadership ranking tool).

Ứng dụng phù hợp hơn gồm:

1. Chẩn đoán phát triển nghề nghiệp (Professional Development Diagnosis). Xác định những miền cần được bồi dưỡng.
2. Thiết kế chương trình phát triển lãnh đạo (Leadership Development Design). Chuyển đào tạo từ “cách dùng AI” sang “cách lãnh đạo trong môi trường AI”.
3. Tự đánh giá có cấu trúc (Structured Self-Assessment). Hỗ trợ reflection nhưng không đồng nhất self-report với objective competence.
4. Thiết kế quản trị AI cấp trường (School-Level AI Governance Design). Sử dụng AIEG và DAJ để xây dựng roles, decision rights, oversight và accountability.
5. Nghiên cứu so sánh (Comparative Research). Sau khi measurement invariance được xác lập, AISLCF có thể hỗ trợ nghiên cứu giữa cấp học (educational levels), loại trường (school types) và bối cảnh (contexts).

Một nguyên tắc đặc biệt quan trọng:

AISLCF SCORE ≠ AUTOMATIC EVIDENCE OF LEADERSHIP EFFECTIVENESS.

 

21.HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI (LIMITATIONS AND FUTURE RESEARCH)

AISLCF có ít nhất tám giới hạn (eight limitations) cần được kiểm định.

Thứ nhất, AI thay đổi nhanh (rapid AI change) nên miền cấu trúc (construct domain) có thể dịch chuyển theo thời gian.

Thứ hai, self-report có thể chịu thiên lệch mong muốn xã hội (social-desirability bias).

Thứ ba, perceived competence không đồng nhất với demonstrated competence.

Thứ tư, bảy miền (seven domains) có thể không đạt discriminant validity hoàn toàn.

Thứ năm, cấu trúc higher-order có thể không được dữ liệu hỗ trợ.

Thứ sáu, competency requirements có thể khác theo cấp học (educational level) và hệ thống giáo dục (education system).

Thứ bảy, AI governance chịu ảnh hưởng mạnh của institutional and regulatory context.

Thứ tám, cross-sectional validation không chứng minh predictive validity theo thời gian.

Nghiên cứu tương lai cần phát triển:

đánh giá dựa trên tình huống (scenario-based assessment); nhiệm vụ thực hiện (performance tasks); đánh giá 360 độ (360-degree assessment); dữ liệu đa nguồn (multi-source data); nghiên cứu dọc (longitudinal validation); kiểm định xuyên văn hóa (cross-cultural validation); và lý thuyết đáp ứng câu hỏi (item response theory – IRT).

 

22. KẾT LUẬN (CONCLUSION)

AI làm thay đổi môi trường lãnh đạo trường học (school leadership environment) nhưng không làm thay đổi mục đích cơ bản của lãnh đạo giáo dục (fundamental purpose of educational leadership): tạo điều kiện để tổ chức thực hiện tốt hơn sứ mệnh phát triển người học (mission of learner development).

AISLCF đề xuất kiến trúc:

MỤC ĐÍCH GIÁO DỤC (EDUCATIONAL PURPOSE) → ĐỊNH HƯỚNG CHIẾN LƯỢC (STRATEGIC DIRECTION) → LÃNH ĐẠO DẠY HỌC ĐƯỢC TĂNG CƯỜNG BỞI AI (AI-ENABLED INSTRUCTIONAL LEADERSHIP) → DỮ LIỆU + AI + PHÁN ĐOÁN CON NGƯỜI (DATA + AI + HUMAN JUDGMENT) → ĐẠO ĐỨC + QUẢN TRỊ AI (AI ETHICS + GOVERNANCE) → PHÁT TRIỂN CON NGƯỜI (PEOPLE AND CAPABILITY DEVELOPMENT) → ĐỔI MỚI VÀ THAY ĐỔI (INNOVATION AND CHANGE) → HỌC TẬP VÀ THÍCH ỨNG TỔ CHỨC (ORGANIZATIONAL LEARNING AND ADAPTATION).

Luận đề trung tâm (Central Thesis):

“Năng lực lãnh đạo trường học trong kỷ nguyên AI không được xác định bởi mức độ lãnh đạo sử dụng AI, mà bởi khả năng định hướng, chất vấn, đánh giá, giám sát và quản trị AI để công nghệ phục vụ mục đích giáo dục dưới thẩm quyền và trách nhiệm của con người.”— Nguyễn Văn Hùng (2026), luận đề lý thuyết của nghiên cứu

Câu hỏi trung tâm vì vậy chuyển từ:

“LÃNH ĐẠO TRƯỜNG HỌC SỬ DỤNG AI TỐT ĐẾN ĐÂU?”

sang:

“LÃNH ĐẠO TRƯỜNG HỌC CẦN NHỮNG NĂNG LỰC NÀO ĐỂ BIẾN KHẢ NĂNG CỦA AI THÀNH GIÁ TRỊ GIÁO DỤC MÀ KHÔNG CHUYỂN GIAO PHÁN ĐOÁN, QUYỀN CHỦ THỂ VÀ TRÁCH NHIỆM CỦA CON NGƯỜI CHO THUẬT TOÁN?”

“WHAT COMPETENCIES DO SCHOOL LEADERS NEED TO TRANSFORM AI CAPABILITIES INTO EDUCATIONAL VALUE WITHOUT TRANSFERRING HUMAN JUDGMENT, AGENCY, AND ACCOUNTABILITY TO ALGORITHMS?”

 

23. TUYÊN BỐ ĐÓNG GÓP TÁC GIẢ (CRediT AUTHORSHIP CONTRIBUTION STATEMENT)

Nguyễn Văn Hùng: Conceptualization; Methodology; Theoretical Development; Framework Development; Investigation Design; Measurement Architecture; Writing – Original Draft; Writing – Review & Editing; Visualization; Project Administration.

Nguyễn Văn Hùng chịu trách nhiệm hình thành vấn đề nghiên cứu (research problem); phát triển Khung Năng lực Lãnh đạo Trường học trong Kỷ nguyên AI (AISLCF); xác lập bảy miền năng lực (seven competency domains) và ranh giới (boundaries) giữa năng lực lãnh đạo AI (AI leadership competency), hiểu biết AI (AI literacy), năng lực số (digital competence), tự hiệu quả AI (AI self-efficacy), chấp nhận AI (AI acceptance), sử dụng AI (AI use) và lãnh đạo số (digital leadership); xây dựng kiến trúc đo lường (measurement architecture), các mô hình đo lường cạnh tranh (competing measurement models) và giao thức kiểm định tâm trắc (psychometric validation protocol). Tác giả đồng thời chịu trách nhiệm đối với tính nhất quán lý thuyết (theoretical coherence), thiết kế phương pháp (methodological design), xác minh nguồn và trích dẫn (source and citation verification), diễn giải bằng chứng (evidence interpretation), chuẩn hóa bản thảo (manuscript standardization) và nội dung cuối cùng được nộp (final submitted content).

2.4.TÀI LIỆU THAM KHẢO (REFERENCES)

Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, *6*, Article 149. https://doi.org/10.3389/fpubh.2018.00149

Brown, C., Schildkamp, K., & Hubers, M. D. (2017). Combining the best of two worlds: A conceptual proposal for evidence-informed school improvement. Educational Research, *59*(2), 154–172. https://doi.org/10.1080/00131881.2017.1304327

Cukurova, M., Miao, F., & Brooker, R. (2023). Adoption of artificial intelligence in schools: Unveiling factors influencing teachers. International Journal of Artificial Intelligence in Education. [Metadata and final bibliographic details should be reverified before submission.]

Datnow, A., & Hubbard, L. (2016). Teacher capacity for and beliefs about data-driven decision making: A literature review of international research. Journal of Educational Change, *17*, 7–28. https://doi.org/10.1007/s10833-015-9264-2

Global Education Monitoring Report Team. (2024). Global education monitoring report 2024/5: Leadership in education—Lead for learning. UNESCO.

Grissom, J. A., Egalite, A. J., & Lindsay, C. A. (2021). How principals affect students and schools: A systematic synthesis of two decades of research. The Wallace Foundation. https://doi.org/10.59656/EL-SB1065.001

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, *43*, 115–135. https://doi.org/10.1007/s11747-014-0403-8

Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K. R. (2022). Ethics of AI in education: Towards a community-wide framework. International Journal of Artificial Intelligence in Education, *32*, 504–526. https://doi.org/10.1007/s40593-021-00239-1

Leithwood, K., Harris, A., & Hopkins, D. (2020). Seven strong claims about successful school leadership revisited. School Leadership & Management, *40*(1), 5–22. https://doi.org/10.1080/13632434.2019.1596077

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.

(2021). OECD digital education outlook 2021: Pushing the frontiers with artificial intelligence, blockchain and robots. OECD Publishing. https://doi.org/10.1787/589b283f-en

(2023). OECD digital education outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en

Ouyang, F., & Jiao, P. (2021). Artificial intelligence in education: The three paradigms. Computers and Education: Artificial Intelligence, *2*, Article 100020. https://doi.org/10.1016/j.caeai.2021.100020

Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, *41*, 71–90. https://doi.org/10.1016/j.dr.2016.06.004

Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, *46*(1), 192–210. https://doi.org/10.5465/amr.2018.0072Schildkamp, K. (2019). Data-based decision-making for school improvement: Research insights and gaps. Educational Research, *61*(3), 257–273. https://doi.org/10.1080/00131881.2019.1625716

Terwee, C. B., Prinsen, C. A. C., Chiarotto, A., Westerman, M. J., Patrick, D. L., Alonso, J., Bouter, L. M., de Vet, H. C. W., & Mokkink, L. B. (2018). COSMIN methodology for evaluating the content validity of patient-reported outcome measures: A Delphi study. Quality of Life Research, *27*, 1159–1170. https://doi.org/10.1007/s11136-018-1829-0

(2021). Recommendation on the ethics of artificial intelligence. UNESCO.

(2023). Guidance for generative AI in education and research. UNESCO.

(2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084