Educational AI Data Governance Capability in Higher Education: Scale Development and Validation of a Privacy, Safety, Accountability, and Digital Trust Model
NGUYỄN VĂN HÙNG
TÓM TẮT
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 thúc đẩy quá trình dữ liệu hóa giáo dục đại học ở quy mô chưa từng có. Các hệ thống quản lý học tập, phân tích học tập, nền tảng đánh giá, trợ giảng AI, hệ thống hỗ trợ sinh viên và các công cụ GenAI liên tục thu thập, xử lý, kết hợp và suy luận từ dữ liệu học tập, hành vi, hồ sơ cá nhân và tương tác số. Trong bối cảnh đó, dữ liệu không còn chỉ là nguồn lực hỗ trợ quản trị mà trở thành một thành phần trung tâm của hạ tầng AI giáo dục. Tuy nhiên, việc mở rộng xử lý dữ liệu đồng thời làm gia tăng rủi ro về quyền riêng tư, bảo mật, tái sử dụng dữ liệu ngoài mục đích ban đầu, suy luận dữ liệu nhạy cảm, thiên kiến, truy cập trái phép, thiếu khả năng truy vết và sự phân tán trách nhiệm giữa trường đại học và nhà cung cấp công nghệ.
Nghiên cứu đề xuất khái niệm Năng lực Quản trị Dữ liệu AI trong Giáo dục Đại học (Educational AI Data Governance Capability – EAIDGC) 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 quản trị dữ liệu xuyên suốt vòng đời AI giáo dục. Bốn cấu phần bậc một được đề xuất gồm: Data Stewardship & Quality Capability; Privacy & Consent Governance Capability; Data Security & AI Safety Capability; và Transparency, Accountability & Auditability Capability. Digital Trust không được xem là một cấu phần của EAIDGC mà là kết quả thể chế–tâm lý được hình thành khi người học, giảng viên và các bên liên quan nhận thấy dữ liệu được sử dụng có năng lực, an toàn, minh bạch và có trách nhiệm.
Nghiên cứu đề xuất mô hình ba tầng EAIDGC → Responsible Educational AI Data Practices (REAIDP) → Digital Trust in AI-Enabled Education (DTAIE). Thang đo được phát triển thông qua xác định miền khái niệm, tạo mục hỏi diễn dịch–quy nạp, đánh giá chuyên gia, phỏng vấn nhận thức, nghiên cứu thí điểm, EFA, CFA và kiểm định mô hình cấu trúc. Nghiên cứu dự kiến đóng góp bằng cách chuyển quản trị dữ liệu AI giáo dục từ tập hợp yêu cầu pháp lý và kỹ thuật thành một năng lực thể chế có thể đo lường, đồng thời giải thích cách năng lực đó tạo ra thực hành dữ liệu có trách nhiệm và hình thành niềm tin số.
Từ khóa: AI data governance; educational data governance; higher education; data privacy; AI safety; accountability; digital trust; scale development.
ABSTRACT
The rapid advancement of Artificial Intelligence (AI), particularly Generative AI (GenAI), is driving the datafication of higher education at an unprecedented scale. Learning management systems, learning analytics, assessment platforms, AI tutors, student support systems, and GenAI tools continuously collect, process, combine, and infer from learning data, behavioral data, personal profiles, and digital interactions. In this context, data is no longer merely a resource supporting administration but has become a central component of the educational AI infrastructure. However, the expansion of data processing simultaneously increases risks related to privacy, security, reuse of data beyond original purposes, inference of sensitive information, bias, unauthorized access, lack of traceability, and fragmented accountability between universities and technology providers.
This study proposes the construct of Educational AI Data Governance Capability (EAIDGC) as a higher-order, multidimensional institutional capability that reflects a university’s ability to design, implement, monitor, and continuously improve data governance mechanisms across the educational AI lifecycle. Four first-order dimensions are proposed: Data Stewardship & Quality Capability; Privacy & Consent Governance Capability; Data Security & AI Safety Capability; and Transparency, Accountability & Auditability Capability. Digital Trust is not conceptualized as a dimension of EAIDGC but as an institutional–psychological outcome that emerges when learners, faculty, and stakeholders perceive that data is used competently, safely, transparently, and responsibly.
The study proposes a three-tier model: EAIDGC → Responsible Educational AI Data Practices (REAIDP) → Digital Trust in AI-Enabled Education (DTAIE). The scale is developed through domain specification, deductive–inductive item generation, expert review, cognitive interviews, pilot testing, EFA, CFA, and structural model testing. The study is expected to contribute by transforming educational AI data governance from a set of legal and technical requirements into a measurable institutional capability, while explaining how this capability generates responsible data practices and fosters digital trust.
Keywords: AI data governance; educational data governance; higher education; data privacy; AI safety; accountability; digital trust; scale development.
- GIỚI THIỆU
1.1. Từ số hóa giáo dục đến dữ liệu hóa và AI hóa giáo dục
Chuyển đổi số trong giáo dục đại học đã đưa các trường từ việc sử dụng hệ thống thông tin như công cụ hỗ trợ sang môi trường mà dữ liệu ngày càng trở thành cơ sở của hoạt động giảng dạy, học tập, đánh giá và quản trị. Learning Management Systems, Student Information Systems, learning analytics, adaptive learning, online assessment và các nền tảng GenAI liên tục tạo ra những dòng dữ liệu mới.
AI làm thay đổi bản chất của quá trình này theo ba cách.
Thứ nhất, AI làm tăng khối lượng và tốc độ xử lý dữ liệu.
Thứ hai, AI có thể tạo ra dữ liệu suy luận (inferred data) mà người học chưa từng trực tiếp cung cấp, chẳng hạn dự báo khả năng bỏ học, mức độ tham gia, năng lực, hành vi hoặc nhu cầu hỗ trợ.
Thứ ba, AI làm tăng sự phụ thuộc vào external vendors, cloud infrastructure và các mô hình nền tảng có chuỗi xử lý dữ liệu phức tạp.
Do đó, quá trình chuyển đổi có thể được khái quát:
Digitization → Datafication → AI-mediated education → AI Data Governance.
Câu hỏi quản trị vì vậy không còn chỉ là:
“Trường đại học có dữ liệu không?”
mà trở thành:
“Trường đại học có đủ năng lực để quản trị dữ liệu được thu thập, tạo ra, suy luận, chia sẻ và tái sử dụng bởi AI trong toàn bộ vòng đời giáo dục hay không?”
1.2. Nghịch lý dữ liệu trong giáo dục AI
Dữ liệu có thể tạo giá trị đáng kể.
Nó hỗ trợ cá nhân hóa học tập, phát hiện sớm nguy cơ học tập, phân bổ nguồn lực, cải thiện chương trình, ra quyết định dựa trên bằng chứng và phát triển dịch vụ hỗ trợ sinh viên.
Tuy nhiên, cùng một hạ tầng dữ liệu có thể gây ra:
- thu thập dữ liệu quá mức;
- function creep;
- secondary use không minh bạch;
- suy luận thông tin nhạy cảm;
- profiling;
- data leakage;
- unauthorized access;
- vendor dependency;
- algorithmic bias;
- re-identification;
- mất kiểm soát của data subject;
- suy giảm niềm tin của người học và giảng viên.
UNESCO nhấn mạnh rằng GenAI tạo ra các vấn đề đặc biệt về privacy và yêu cầu cơ sở giáo dục phải hiểu loại dữ liệu được thu thập, cách dữ liệu được sử dụng và tác động của việc xử lý đó đối với người học.
Điểm quan trọng ở đây là privacy compliance chưa đồng nghĩa với data governance capability.
Một trường có thể có privacy notice nhưng vẫn không kiểm soát tốt data lineage, retention, third-party processing hoặc model-training reuse.
1.3. Khoảng trống nghiên cứu
Nghiên cứu xác định năm khoảng trống.
Khoảng trống 1 – Data management → AI data governance. Quản trị dữ liệu truyền thống tập trung vào ownership, quality, access và stewardship. AI bổ sung các vấn đề mới như training data, inferred data, model input/output, prompt data, synthetic data và feedback loops.
Khoảng trống 2 – Legal compliance → Institutional capability. Tuân thủ quy định là điều kiện cần nhưng không đủ. Trường đại học cần năng lực triển khai, giám sát, audit và thích ứng.
Khoảng trống 3 – Privacy → Data lifecycle governance. Privacy thường được nghiên cứu riêng lẻ, trong khi AI đòi hỏi governance xuyên chuỗi collection → processing → inference → storage → sharing → reuse → deletion.
Khoảng trống 4 – Technical security → Socio-technical safety. Bảo mật thông tin không bao phủ toàn bộ AI safety. Dữ liệu có thể được bảo mật tốt nhưng vẫn tạo ra outcome bất công hoặc gây hại khi sử dụng sai mục đích.
Khoảng trống 5 – Governance → Digital Trust. Chưa có đủ bằng chứng về cơ chế qua đó năng lực quản trị dữ liệu AI cấp thể chế chuyển thành niềm tin của người học và giảng viên.
1.4. Mục tiêu, câu hỏi nghiên cứu và giá trị gia tăng lý thuyết
Nghiên cứu hướng tới bốn mục tiêu:
- khái niệm hóa Educational AI Data Governance Capability – EAIDGC;
- phát triển và kiểm định thang đo EAIDGC;
- kiểm tra vai trò của Responsible Educational AI Data Practices – REAIDP như cơ chế chuyển hóa năng lực quản trị thành thực hành;
- kiểm định ảnh hưởng của EAIDGC và REAIDP đến Digital Trust in AI-Enabled Education – DTAIE.
Câu hỏi nghiên cứu trung tâm:
Năng lực quản trị dữ liệu AI trong giáo dục đại học được cấu thành và đo lường như thế nào, và thông qua cơ chế nào năng lực đó thúc đẩy các thực hành dữ liệu AI có trách nhiệm và hình thành niềm tin số?
Giá trị gia tăng của nghiên cứu nằm ở ba chuyển dịch phân tích. Thứ nhất, nghiên cứu chuyển từ policy existence sang institutional capability, qua đó phân biệt sự hiện diện của quy định với khả năng thực thi, phối hợp, giám sát và thích ứng. Thứ hai, nghiên cứu chuyển từ việc xem privacy, security và accountability như các silo quản trị sang một kiến trúc năng lực tích hợp nhưng vẫn bảo toàn tính phân biệt của từng cấu phần. Thứ ba, nghiên cứu xác lập một cơ chế trung gian có thể kiểm định—REAIDP—để giải thích vì sao năng lực quản trị chỉ tạo ra niềm tin khi được chuyển hóa thành các thực hành dữ liệu có trách nhiệm mà người dùng có thể quan sát hoặc trải nghiệm.
- CƠ SỞ LÝ THUYẾT
2.1. Data Governance
Data Governance phân biệt với Data Management.
Data Management tập trung vào hoạt động vận hành dữ liệu.
Data Governance tập trung vào quyền quyết định, trách nhiệm, quy tắc, tiêu chuẩn, kiểm soát và cơ chế phối hợp liên quan đến dữ liệu.
Khatri và Brown (2010) xem data governance như việc xác lập quyền quyết định và trách nhiệm đối với các miền dữ liệu. Abraham et al. (2019) tiếp tục cho thấy data governance là một cấu trúc liên tổ chức bao gồm decision rights, accountability, policies, standards và mechanisms.
Trong giáo dục đại học, cách tiếp cận này phải được mở rộng vì dữ liệu không chỉ thuộc về hệ thống hành chính mà còn liên quan trực tiếp đến người học, giảng viên, hoạt động sư phạm và các quyết định ảnh hưởng tới cơ hội giáo dục.
2.2. AI Data Governance
AI tạo ra một lớp governance mới.
Dữ liệu có thể đóng vai trò:
Input data → Training data → Validation data → Prompt/context data → Inferred data → AI output → Feedback data.
Không phải tất cả các dữ liệu này đều được người dùng chủ động cung cấp.
Đặc biệt, AI có thể suy luận những đặc điểm mà data subject không biết hoặc không mong muốn bị suy luận.
Vì vậy, AI data governance phải bao gồm:
provenance + purpose + quality + consent + security + access + inference + sharing + retention + auditability.
OECD nhấn mạnh rằng AI và privacy governance không nên được xử lý trong những silo tách biệt bởi chúng có nhiều nguyên tắc và rủi ro giao nhau.
2.3. Dynamic Capabilities View
Dynamic Capabilities View cung cấp cơ sở để giải thích vì sao governance phải được xem là capability.
Trong môi trường AI:
Sensing = phát hiện công nghệ, rủi ro, quy định và use case dữ liệu mới.
Seizing = thiết lập policy, data architecture, controls, procurement rules và resources.
Transforming = cập nhật data governance khi mô hình, vendor, quy định hoặc rủi ro thay đổi.
Do đó:
EAIDGC ≠ số lượng chính sách dữ liệu.
EAIDGC là khả năng tổ chức có thể liên tục quản trị dữ liệu trong môi trường công nghệ biến đổi.
2.4. Privacy và quyền kiểm soát dữ liệu
Privacy không chỉ là secrecy.
Trong giáo dục AI, privacy bao gồm:
- informed processing;
- purpose limitation;
- data minimization;
- consent khi thích hợp;
- user awareness;
- access;
- correction;
- retention;
- deletion;
- control over secondary use.
Một vấn đề đặc biệt là consent asymmetry.
Sinh viên không luôn có khả năng thực sự từ chối nền tảng AI nếu công cụ đó được tích hợp bắt buộc vào quá trình học tập.
Vì vậy, privacy governance phải vượt khỏi “consent checkbox” sang meaningful data control.
2.5. AI Safety và Data Security
Security và safety cần được phân biệt.
Data Security tập trung vào confidentiality, integrity và availability.
AI Safety rộng hơn, bao gồm khả năng dữ liệu hoặc AI-enabled decisions gây tổn hại cho cá nhân hoặc nhóm.
Một dataset có thể không bị rò rỉ nhưng vẫn không an toàn nếu dữ liệu kém đại diện và tạo quyết định thiên lệch.
Do đó:
Secure data ≠ safe AI.
EAIDGC phải tích hợp cả cyber/data security và socio-technical safety.
2.6. Accountability và auditability
AI tạo ra nguy cơ “many hands problem”: trách nhiệm bị phân tán giữa institution, vendor, developer, faculty và administrator.
Một hệ thống governance trưởng thành cần trả lời:
Who owns the data?
Who approves the use?
Who verifies the model or output?
Who monitors risk?
Who responds to incidents?
Who remedies harm?
Accountability chỉ có ý nghĩa khi có traceability + answerability + auditability + remediation.
2.7. Digital Trust
Digital Trust không nên được cấu trúc như một dimension của EAIDGC.
Nó là outcome.
Dựa trên trust theory, trust hình thành khi một chủ thể tin rằng hệ thống hoặc tổ chức có:
ability + integrity + benevolence/reliability.
Trong bối cảnh này, Digital Trust được định nghĩa là:
Mức độ mà người học, giảng viên và các bên liên quan tin rằng trường đại học có năng lực và thiện chí sử dụng dữ liệu trong các hệ thống AI theo cách an toàn, minh bạch, phù hợp mục đích và có trách nhiệm đối với quyền lợi của họ.
Như vậy:
Governance capability → observable responsible practices → trust.
- KHÁI NIỆM HÓA EAIDGC
EAIDGC được định nghĩa:
Năng lực Quản trị Dữ liệu AI trong Giáo dục Đại học là năng lực thể chế bậc cao của trường đại học trong việc thiết kế, triển khai, giám sát và liên tục cải tiến các cơ chế quản trị dữ liệu được thu thập, xử lý, tạo ra, suy luận, chia sẻ hoặc tái sử dụng bởi các hệ thống AI nhằm bảo đảm chất lượng, quyền riêng tư, an toàn, trách nhiệm giải trình và việc sử dụng dữ liệu phù hợp với mục tiêu giáo dục.
Bốn cấu phần được đề xuất.
3.1. Data Stewardship & Quality Capability – DSQC
DSQC phản ánh khả năng của tổ chức trong việc xác định ownership, stewardship, provenance, quality, lifecycle và suitability của dữ liệu AI giáo dục.
Nó bao gồm:
Data ownership/stewardship
Ai chịu trách nhiệm đối với từng domain dữ liệu?
Data provenance
Dữ liệu đến từ đâu?
Data quality
Dữ liệu có đầy đủ, chính xác, cập nhật và phù hợp không?
Representativeness
Dữ liệu có phản ánh đầy đủ nhóm người học liên quan không?
Lifecycle management
Dữ liệu được lưu bao lâu, khi nào archive và khi nào xóa?
Fitness for purpose
Dữ liệu được thu cho mục đích A có phù hợp để dùng cho AI purpose B hay không?
DSQC đặc biệt quan trọng vì chất lượng AI phụ thuộc trực tiếp vào chất lượng và tính phù hợp của dữ liệu.
3.2. Privacy & Consent Governance Capability – PCGC
PCGC phản ánh khả năng của trường trong việc bảo vệ quyền riêng tư và bảo đảm việc xử lý dữ liệu cá nhân có cơ sở, minh bạch và phù hợp mục đích.
Các miền chính gồm:
- data minimization;
- purpose specification;
- meaningful notice;
- lawful/appropriate processing basis;
- meaningful consent khi cần;
- secondary-use controls;
- retention limitation;
- rights of access/correction/deletion;
- protection of sensitive and inferred data;
- vendor privacy controls.
Một trường có PCGC cao không chỉ “có privacy policy”.
Nó phải có khả năng chuyển chính sách thành quyết định:
Can this data be collected?
Can it be sent to this AI provider?
Can it be reused?
Can this inferred variable be retained?
Can the student contest its use?
3.3. Data Security & AI Safety Capability – DSSC
DSSC kết hợp hai lớp.
Data Security
- identity and access management;
- encryption;
- secure transfer;
- secure storage;
- logging;
- incident response;
- vendor security;
- breach management.
AI Data Safety
- misuse prevention;
- sensitive-data exposure assessment;
- re-identification risk;
- adversarial manipulation;
- harmful inference;
- bias-related data risk;
- high-impact decision safeguards.
OECD gần đây nhấn mạnh vai trò của Privacy-Enhancing Technologies như differential privacy, federated learning, secure multiparty computation và trusted execution environments trong việc hỗ trợ sử dụng dữ liệu AI mà giảm rủi ro privacy.
Tuy nhiên, PETs không thay thế governance.
Technology is a governance enabler, not governance itself.
3.4. Transparency, Accountability & Auditability Capability – TAAC
TAAC phản ánh khả năng tổ chức trong việc làm cho các quyết định dữ liệu AI có thể giải thích, truy vết, kiểm toán và gắn với trách nhiệm cụ thể.
Nó bao gồm:
- data-use disclosure;
- data lineage;
- records of processing;
- role accountability;
- model/vendor documentation;
- audit trails;
- incident accountability;
- redress mechanisms;
- independent review where necessary.
Ba lớp cần phân biệt:
Transparency: Người dùng có biết dữ liệu đang được xử lý thế nào không?
Accountability: Ai chịu trách nhiệm?
Auditability: Tổ chức có bằng chứng để xác minh việc đó không?
Một governance system không thể được đánh giá dựa trên lời tuyên bố.
Nó phải tạo ra evidence of governance.
- KIẾN TRÚC ĐO LƯỜNG
EAIDGC được đề xuất là higher-order multidimensional institutional capability.
Bốn first-order constructs:
DSQC
PCGC
DSSC
TAAC
được đặc tả ban đầu là reflective constructs.
Ở bậc hai:
EAIDGC = formative/composite higher-order construct.
Lý do là bốn cấu phần cùng tạo ra governance capability và không thể thay thế lẫn nhau.
Một trường có security tốt nhưng privacy yếu.
Một trường có privacy tốt nhưng accountability thấp.
Một trường có auditability tốt nhưng dữ liệu kém chất lượng.
Do đó:
DSQC + PCGC + DSSC + TAAC → jointly constitute EAIDGC.
Việc bỏ bất kỳ cấu phần nào sẽ thay đổi ý nghĩa của construct.
Bảng 1. Kiến trúc EAIDGC
| Cấu phần | Nội dung cốt lõi | Câu hỏi trung tâm |
| DSQC | Ownership, stewardship, provenance, quality, representativeness, lifecycle | Dữ liệu AI có được quản lý đúng người, đúng chất lượng và đúng mục đích không? |
| PCGC | Privacy, minimization, consent, secondary use, data rights | Người học có được bảo vệ và có mức kiểm soát phù hợp đối với dữ liệu không? |
| DSSC | Security, access, breach prevention, AI safety, harmful inference | Dữ liệu và người dùng có được bảo vệ khỏi rủi ro kỹ thuật và AI-mediated harms không? |
| TAAC | Disclosure, accountability, lineage, audit trail, redress | Việc sử dụng dữ liệu AI có thể được giải thích, truy vết và quy trách nhiệm không? |
- MÔ HÌNH NGHIÊN CỨU VÀ GIẢ THUYẾT
Mô hình tuân theo logic capability → practice → outcome. Cách đặc tả này tránh đồng nhất nguồn lực quản trị với kết quả quản trị: EAIDGC phản ánh điều tổ chức có khả năng thực hiện; REAIDP phản ánh mức độ năng lực đó được hiện thực hóa trong hoạt động; còn DTAIE phản ánh đánh giá của các bên liên quan về mức độ đáng tin cậy của môi trường giáo dục có AI. Sự phân tầng này đồng thời làm rõ temporal ordering về mặt lý thuyết, dù thiết kế cắt ngang ban đầu chỉ cho phép kiểm định các quan hệ phù hợp với thứ tự nhân quả đề xuất chứ không chứng minh nhân quả.
Mô hình được thiết kế thành ba tầng.
Tầng I – Institutional Capability
Educational AI Data Governance Capability – EAIDGC
↓
Tầng II – Governance Practice Mechanism
Responsible Educational AI Data Practices – REAIDP
↓
Tầng III – Outcome
Digital Trust in AI-Enabled Education – DTAIE
REAIDP phản ánh mức độ governance capability thực sự được chuyển thành hành vi, chẳng hạn:
- chỉ thu dữ liệu cần thiết;
- xác minh purpose;
- bảo vệ dữ liệu nhạy cảm;
- sử dụng approved tools;
- ghi nhận data lineage;
- kiểm tra risk;
- disclosure phù hợp;
- phản ứng sự cố;
- bảo đảm quyền contest.
H1. EAIDGC → REAIDP
Năng lực governance càng mạnh càng tạo điều kiện cho responsible practice.
H1: EAIDGC có mối quan hệ tích cực với Responsible Educational AI Data Practices.
H2. EAIDGC → Digital Trust
Policy clarity, security controls, privacy safeguards và accountability có thể trực tiếp làm tăng institutional trust.
H2: EAIDGC có mối quan hệ tích cực với Digital Trust in AI-Enabled Education.
H3. REAIDP → Digital Trust
Người dùng không chỉ đánh giá policy; họ đánh giá các practices mà họ trải nghiệm.
H3: Responsible Educational AI Data Practices có mối quan hệ tích cực với Digital Trust.
H4. Mediation
EAIDGC chỉ có thể tạo trust bền vững nếu governance được chuyển thành practice.
H4: Responsible Educational AI Data Practices đóng vai trò trung gian trong mối quan hệ giữa EAIDGC và Digital Trust.
Mô hình trung tâm
EAIDGC → REAIDP → DTAIE
với direct path:
EAIDGC → DTAIE
Cấu trúc này gọn và phù hợp cho bài scale development + SEM.
- PHƯƠNG PHÁP NGHIÊN CỨU
6.1. Thiết kế tổng thể
Quy trình gồm ba pha:
Phase I – Construct Development
Phase II – Scale Purification and Validation
Phase III – Nomological and Structural Validation
6.2. Domain specification
Miền lý thuyết được triangulate từ:
- Data Governance;
- Information Governance;
- AI Governance;
- Privacy Governance;
- Cybersecurity;
- Responsible AI;
- Higher Education Data Governance;
- Digital Trust.
Các framework như UNESCO, OECD AI Principles, OECD Privacy Guidelines, NIST AI RMF, NIST Privacy Framework và EU AI Act có thể được dùng như normative-operational domain sources, không nên gọi chúng là causal theories.
6.3. Item generation
Ngân hàng đầu khoảng 40–48 items, 10–12 mục/dimension.
Kết hợp:
Deductive generation từ literature/frameworks.
Inductive generation từ phỏng vấn:
- CIO/CDO;
- data protection/privacy officers;
- cán bộ chuyển đổi số;
- lãnh đạo đào tạo;
- giảng viên;
- sinh viên;
- chuyên gia AI/cybersecurity.
Câu hỏi phỏng vấn nên tập trung vào governance failures:
“Dữ liệu AI giáo dục thường mất kiểm soát ở đâu?”
“Quyết định nào cần phê duyệt?”
“Khi trường dùng external GenAI, dữ liệu nào không được phép nhập?”
“Ai chịu trách nhiệm khi vendor thay đổi terms?”
6.4. Content validity
Panel khoảng 12–18 chuyên gia.
Đánh giá:
- relevance;
- clarity;
- representativeness;
- institutional observability.
Yếu tố “observability” quan trọng vì item phải đo capability mà respondent có đủ thông tin để đánh giá.
6.5. Cognitive interviews
10–15 respondents.
Kiểm tra đặc biệt sự phân biệt giữa:
“Tôi bảo vệ dữ liệu tốt”
và
“Trường của tôi có governance capability tốt.”
Nếu wording không tách hai cấp này, construct sẽ bị contamination.
6.6. Pilot study
Pilot n ≈ 150–200.
Kiểm tra:
- missingness;
- distributions;
- floor/ceiling;
- item-total correlation;
- redundancy;
- α;
- ω;
- preliminary EFA.
6.7. Main study
Mục tiêu:
≥600 usable responses
từ khoảng 15–20 trường nếu nguồn lực cho phép.
Mẫu phân tầng theo:
- công/tư;
- STEM/non-STEM;
- vị trí;
- mức sử dụng AI;
- vùng.
6.8. Level of analysis
Đây là vấn đề phương pháp quan trọng.
EAIDGC được định nghĩa ở institutional level, nhưng survey thường được trả lời ở individual level.
Bài đầu tiên nên operationalize:
Perceived Educational AI Data Governance Capability – P-EAIDGC.
Nếu có nhiều respondent mỗi trường, nghiên cứu tiếp theo có thể kiểm tra:
rwg; ICC(1); ICC(2)
trước khi aggregate.
Không nên tự động gọi mean score của cá nhân là objective university capability.
6.9. EFA
Nên sử dụng:
- principal axis factoring hoặc maximum likelihood;
- parallel analysis;
- scree plot;
- oblique rotation.
Không dùng PCA thay cho factor analysis.
6.10. CFA
CFA kiểm định competing models:
- one-factor;
- four correlated factors;
- higher-order alternatives.
Báo cáo:
- CFI;
- TLI;
- RMSEA;
- SRMR;
- χ²;
- α;
- ω;
- CR;
- AVE;
- HTMT.
6.11. Higher-order validation
Nếu EAIDGC là formative/composite bậc hai:
- kiểm tra VIF;
- outer weights;
- significance;
- relevance.
Có thể sử dụng two-stage modeling.
6.12. Structural model
Kiểm định H1–H4.
Mediation dùng bootstrapped confidence intervals.
Ngoài significance cần báo:
- effect size;
- R²;
- confidence intervals;
- predictive relevance nếu dùng PLS.
6.13. Common method bias, endogeneity và causality
Procedural remedies:
- tách predictor/outcome;
- anonymity;
- giảm evaluative wording;
- randomized item order;
- marker variable nếu phù hợp.
Cross-sectional data không chứng minh causal effect.
Ngôn ngữ nên sử dụng:
relationship, association, indirect effect
thay vì:
proves impact.
Ngoài common method variance, mô hình cần thừa nhận khả năng reverse association: các trường đã có mức độ tin cậy cao hoặc văn hóa quản trị trưởng thành có thể được respondent đánh giá EAIDGC cao hơn. Vì vậy, nghiên cứu nên kiểm tra các mô hình cạnh tranh hợp lý, sử dụng biến kiểm soát có cơ sở lý thuyết và, trong các nghiên cứu tiếp theo, ưu tiên thiết kế theo thời gian hoặc dữ liệu đa nguồn. Không nên sử dụng các thủ tục thống kê hậu nghiệm như một sự thay thế cho lập luận nhận dạng nhân quả.
6.14. Kiểm định độ bền và giá trị gia tăng của thang đo
Để chứng minh EAIDGC không chỉ đổi tên các construct hiện hữu, nghiên cứu cần kiểm tra incremental validity. EAIDGC nên được đặt cạnh các biến gần về khái niệm như mức độ trưởng thành chuyển đổi số, năng lực quản trị dữ liệu nói chung hoặc AI readiness. Nếu EAIDGC giải thích thêm phương sai của REAIDP hoặc DTAIE sau khi đã kiểm soát các construct gần kề, bằng chứng về giá trị lý thuyết gia tăng sẽ mạnh hơn. Đồng thời, measurement invariance có thể được kiểm tra cho một số nhóm có ý nghĩa lý thuyết—chẳng hạn trường công/tư hoặc nhóm respondent—khi kích thước mẫu cho phép.
- ĐÓNG GÓP LÝ THUYẾT KỲ VỌNG
7.1. Từ Data Governance sang AI Data Governance Capability
Đóng góp đầu tiên là mở rộng governance từ dữ liệu truyền thống sang dữ liệu được AI:
thu thập → xử lý → suy luận → tái tạo → tái sử dụng.
7.2. Từ compliance sang measurable capability
Nghiên cứu chuyển câu hỏi:
“Trường có privacy policy không?”
thành:
“Trường có năng lực để quản trị dữ liệu AI một cách nhất quán và thích ứng không?”
7.3. Tích hợp privacy, safety và accountability
Nghiên cứu tránh ba silo thường gặp:
privacy silo
cybersecurity silo
AI ethics silo
và tích hợp chúng trong một organizational capability.
7.4. Giải thích Digital Trust thông qua cơ chế thực hành
Đóng góp mạnh nhất của structural model là:
EAIDGC → Responsible Data Practices → Digital Trust.
Niềm tin không được xem là kết quả của communication hoặc branding mà là kết quả của observable governance capability and practices.
Điểm quan trọng là mô hình không giả định rằng governance tự động tạo trust. Những chính sách mạnh trên giấy nhưng không được triển khai nhất quán có thể tạo ra khoảng cách giữa espoused governance và governance-in-use. REAIDP vì vậy đóng vai trò cầu nối lý thuyết giữa năng lực tổ chức và đánh giá của các bên liên quan, giúp mô hình giải thích cả trường hợp governance chính thức cao nhưng trust thấp.
- HÀM Ý QUẢN TRỊ
Nếu được kiểm định, EAIDGC Scale có thể trở thành công cụ diagnostic cho trường đại học.
Ứng dụng có thể bao gồm:
AI procurement
Đánh giá vendor trước khi mua.
Data classification
Phân loại dữ liệu được phép hoặc không được phép đưa vào AI.
Privacy impact assessment
Đánh giá use case có dữ liệu cá nhân.
AI/data impact assessment
Đánh giá bias, safety và inferred-data risks.
Data retention
Thiết lập thời hạn lưu giữ.
Vendor governance
Quy định subprocessors, training reuse, location và breach notification.
Incident management
Quy trình phát hiện–phản ứng–khắc phục.
Một chu trình quản trị thực hành có thể được tổ chức:
Purpose → Data → Access → AI Use → Monitoring → Audit → Redress → Learning.
Không nên chuyển EAIDGC score thành maturity level ngay khi scale vừa được kiểm định.
- HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI
Bốn giới hạn chính gồm:
self-report;
perceived capability;
cross-sectional design;
AI/data regulation thay đổi nhanh.
Nghiên cứu tương lai nên kết hợp:
Policy Audit + Technical Audit + Faculty Survey + Student Survey + Vendor Assessment + Incident Data.
Multi-level validation giúp chuyển từ perception sang institutional capability.
Longitudinal design kiểm tra liệu EAIDGC có thực sự dự báo trust theo thời gian.
Multi-country studies có thể kiểm tra measurement invariance và ảnh hưởng của regulatory regimes.
- KẾT LUẬN
Trong giáo dục đại học được hỗ trợ bởi AI, dữ liệu không còn là một tài sản hành chính thụ động mà trở thành hạ tầng nhận thức và vận hành của nhiều quyết định giáo dục. Vì vậy, privacy policy hoặc cybersecurity controls riêng lẻ không đủ để bảo đảm quản trị có trách nhiệm.
Nghiên cứu đề xuất:
Educational AI Data Governance Capability – EAIDGC
với bốn cấu phần:
Data Stewardship & Quality Capability
Privacy & Consent Governance Capability
Data Security & AI Safety Capability
Transparency, Accountability & Auditability Capability
Mô hình trung tâm là:
EAIDGC → Responsible Educational AI Data Practices → Digital Trust in AI-Enabled Education.
Đóng góp cốt lõi là chuyển quản trị dữ liệu AI từ compliance requirement sang measurable institutional capability.
Trong logic này:
Trusted AI Education requires trusted data governance.
Quan trọng hơn, trusted data governance không được tạo ra chỉ bằng việc ban hành thêm quy định. Nó đòi hỏi một năng lực tổ chức có thể nhận diện rủi ro mới, phân bổ quyền quyết định, bảo vệ dữ liệu, kiểm toán thực hành, khắc phục sai lệch và học hỏi từ sự cố. Vì vậy, đóng góp của EAIDGC không nằm ở việc tái đóng gói các nguyên tắc privacy, security và accountability, mà ở việc giải thích cách những nguyên tắc này được kết hợp thành một capability có thể đo lường và cách capability đó được chuyển hóa thành thực hành có trách nhiệm và niềm tin số. Đây là cơ sở để đưa nghiên cứu quản trị dữ liệu AI trong giáo dục đại học từ logic tuân thủ tĩnh sang logic năng lực thích ứng và tạo lập niềm tin.
HIGHLIGHTS
- Educational AI Data Governance Capability được khái niệm hóa như một năng lực thể chế bậc cao có thể đo lường.
- EAIDGC tích hợp Data Stewardship, Privacy, Data Security/AI Safety và Accountability/Auditability.
- Responsible Educational AI Data Practices được xác định là cơ chế hành vi chuyển governance capability thành kết quả.
- Digital Trust được đặt là outcome thay vì constituent dimension của data governance.
- Mô hình chuyển nghiên cứu từ privacy compliance sang adaptive institutional AI data governance capability.
TÀI LIỆU THAM KHẢO – APA 7
- Abraham, R., Schneider, J., & vom Brocke, J. (2019). Data governance: A conceptual framework, structured review, and research agenda. International Journal of Information Management, 49, 424–438. https://doi.org/10.1016/j.ijinfomgt.2019.07.008
- 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
- Culnan, M. J., & Armstrong, P. K. (1999). Information privacy concerns, procedural fairness, and impersonal trust: An empirical investigation. Organization Science, 10(1), 104–115. https://doi.org/10.1287/orsc.10.1.104
- 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.
- European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.
- 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
- Khatri, V., & Brown, C. V. (2010). Designing data governance. Communications of the ACM, 53(1), 148–152. https://doi.org/10.1145/1629175.1629210
- Mayer, R. C., Davis, J. H., & Schoorman, F. D. (1995). An integrative model of organizational trust. Academy of Management Review, 20(3), 709–734. https://doi.org/10.2307/258792
- McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 13(3), 334–359. https://doi.org/10.1287/isre.13.3.334.81
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- National Institute of Standards and Technology. (2020). NIST Privacy Framework: A tool for improving privacy through enterprise risk management, Version 1.0. U.S. Department of Commerce.
- 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.
- (2024). AI, data governance and privacy: Synergies and areas of international co-operation (OECD Artificial Intelligence Papers No. 22). OECD Publishing. https://doi.org/10.1787/2476b1a4-en
- (2025). Sharing trustworthy AI models with privacy-enhancing technologies (OECD Artificial Intelligence Papers No. 38). OECD Publishing. https://doi.org/10.1787/a266160b-en
- 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
- 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.
- (2025). AI and education: Protecting the rights of learners. UNESCO.
