Scientific Thinking Competence in Generative AI–Mediated Learning: The Roles of Evidence Verification, Critical Thinking, Epistemic Responsibility, and GenAI Literacy

NGUYỄN VĂN HÙNG

HIGHLIGHTS

• Nghiên cứu phân biệt bốn tầng nhận thức thường bị đồng nhất trong môi trường GenAI: AI-generated information → admissible evidence → inference → warranted scientific judgment.
• Evidence Verification (EV) được định vị như cơ chế kiểm soát chất lượng nhận thức quyết định thông tin nào đủ điều kiện trở thành bằng chứng.
• Critical Thinking (CT) được xác lập như cơ chế xử lý suy luận chuyển bằng chứng đã được kiểm chứng thành phán đoán khoa học có căn cứ.
• Mô hình trung tâm đề xuất chuỗi EV → CT → Scientific Thinking Competence (STC).
• Epistemic Responsibility (ER) giải thích khoảng cách giữa có khả năng kiểm chứng và thực sự thực hiện kiểm chứng có trách nhiệm.
• GenAI Literacy (GAIL) được xem là điều kiện biên có khả năng thay đổi mức độ chuyển hóa năng lực kiểm chứng thành năng lực tư duy khoa học.
• Human Scientific Accountability (HSA) được đề xuất như nguyên tắc chuẩn tắc: Task Delegation ≠ Responsibility Delegation.

TÓM TẮT

Bối cảnh nghiên cứu

Trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI) đang nhanh chóng làm thay đổi các điều kiện nhận thức luận mà trong đó sinh viên đại học tìm kiếm thông tin, xây dựng lập luận, diễn giải bằng chứng và thực hiện các sản phẩm học thuật. Các hệ thống GenAI hiện nay có khả năng tạo lập những diễn giải lưu loát, tổng hợp tài liệu, đề xuất nguồn tham khảo, xây dựng lập luận, sinh mã phục vụ phân tích thống kê và hình thành những phát biểu có vẻ mang tính khoa học. Sự mở rộng nhanh chóng của năng lực tạo lập thông tin này mang lại những cơ hội quan trọng cho giáo dục, nhưng đồng thời làm xuất hiện một vấn đề nhận thức luận cốt lõi: sự lưu loát về ngôn ngữ không đồng nghĩa với tính hợp lệ của bằng chứng (linguistic fluency does not guarantee evidential validity). Vì vậy, sinh viên có thể tiếp nhận những đầu ra có vẻ hợp lý, mạch lạc và thuyết phục nhưng lại chứa tài liệu tham khảo không tồn tại, quy nguồn không chính xác, phát biểu thiếu căn cứ, sự không tương thích giữa nguồn và phát biểu, bằng chứng mang tính chọn lọc hoặc mức độ chắc chắn vượt quá những gì bằng chứng thực sự cho phép kết luận.

Vấn đề nghiên cứu

Thách thức trung tâm của giáo dục đại học vì thế đang chuyển dịch từ tiếp cận thông tin sang kiểm chứng bằng chứng, đánh giá suy luận và thực hiện trách nhiệm nhận thức. Các nghiên cứu hiện có về năng lực GenAI, tư duy phản biện và học tập bậc cao cung cấp những nền tảng quan trọng, nhưng chưa giải thích đầy đủ quá trình thông tin do AI tạo ra được chuyển hóa thành bằng chứng đủ điều kiện sử dụng trong lập luận khoa học, cũng như cách bằng chứng đã được kiểm chứng tiếp tục được chuyển hóa thành phán đoán khoa học có căn cứ. Trên cơ sở đó, nghiên cứu phân biệt bốn tầng nhận thức luận:

Thông tin do AI tạo ra → bằng chứng đủ điều kiện sử dụng → suy luận → phán đoán khoa học có căn cứ.

Mục đích nghiên cứu

Bài viết phát triển một khung lý thuyết tích hợp và khuôn khổ kiểm định thực nghiệm nhằm giải thích năng lực tư duy khoa học (Scientific Thinking Competence – STC) của sinh viên trong môi trường học tập có sự trung gian của GenAI. Năm cấu trúc được phân biệt về mặt khái niệm và chức năng gồm: Kiểm chứng bằng chứng (Evidence Verification – EV), Tư duy phản biện (Critical Thinking – CT), Trách nhiệm nhận thức (Epistemic Responsibility – ER), Năng lực GenAI (GenAI Literacy – GAIL) và Năng lực tư duy khoa học (Scientific Thinking Competence – STC).

Mô hình lý thuyết

Cơ chế lý thuyết được đề xuất đặt EV ở vị trí tiền đề của CT trong chuỗi hình thành phán đoán khoa học. EV quyết định liệu một đơn vị thông tin có đáp ứng đầy đủ các điều kiện về bằng chứng để được đưa vào quá trình suy luận khoa học hay không; trong khi đó, CT đánh giá những kết luận nào có thể được suy ra một cách hợp lý từ tập bằng chứng đã được kiểm chứng. Vì vậy, cơ chế lý thuyết trung tâm của nghiên cứu được biểu diễn như sau:

EV → CT → STC.

ER được đưa vào mô hình nhằm giải thích sự khác biệt giữa có năng lực nhận thức để kiểm chứng và thực sự hành động một cách có trách nhiệm đối với bằng chứng và phát biểu khoa học. Trong khi đó, GAIL được lý thuyết hóa như một điều kiện biên (boundary condition) có khả năng làm thay đổi mức độ chuyển hóa năng lực kiểm chứng bằng chứng thành năng lực tư duy khoa học trong môi trường GenAI.

Khung phương pháp nghiên cứu

Nghiên cứu đề xuất thiết kế cắt ngang đa phương pháp (cross-sectional multimethod design), kết hợp đo lường tâm trắc với Nhiệm vụ Kiểm chứng Bằng chứng dựa trên hiệu suất (performance-based Evidence Verification Task). Việc kiểm định mô hình đo lường được thực hiện trước khi kiểm định mô hình cấu trúc. Chiến lược phân tích dự kiến bao gồm phân tích nhân tố khẳng định, so sánh các mô hình đo lường cạnh tranh, mô hình phương trình cấu trúc, ước lượng bootstrap đối với các quan hệ gián tiếp, phân tích tương tác ở cấp độ biến quan sát hoặc biến tiềm ẩn và các kiểm định độ vững của kết quả. Do dữ liệu cắt ngang không cho phép xác lập thứ tự thời gian cần thiết để suy luận cơ chế nhân quả, các hiệu ứng gián tiếp chỉ được diễn giải như quan hệ trung gian thống kê phù hợp với cơ chế lý thuyết được đề xuất, thay vì được xem là bằng chứng xác nhận quan hệ trung gian nhân quả.

Đóng góp của nghiên cứu

Nghiên cứu đóng góp một kiến trúc nhận thức luận nhằm giải thích năng lực tư duy khoa học trong môi trường học tập có sự trung gian của GenAI. Thay vì đặt trọng tâm vào câu hỏi liệu sinh viên có khả năng sử dụng AI hay không, nghiên cứu chuyển trọng tâm sang ba vấn đề nền tảng hơn: thông tin có hỗ trợ bởi AI nào đủ điều kiện được thừa nhận như bằng chứng; bằng chứng đó thực sự cho phép đưa ra những kết luận nào; và ai phải chịu trách nhiệm cuối cùng đối với phát biểu khoa học được hình thành. Kiến trúc tích hợp của nghiên cứu được khái quát như sau:

Sự dồi dào thông tin → cảnh giác nhận thức luận → kiểm chứng bằng chứng → bằng chứng đủ điều kiện sử dụng → tư duy phản biện → phán đoán khoa học có căn cứ → năng lực tư duy khoa học.

Khung này góp phần chuyển trọng tâm nghiên cứu GenAI trong giáo dục đại học từ năng lực tạo lập đầu ra sang chất lượng nhận thức luận của quá trình hình thành phán đoán khoa học, đồng thời nhấn mạnh rằng việc mở rộng khả năng hỗ trợ nhận thức của AI không làm giảm yêu cầu về kiểm chứng, phán đoán và trách nhiệm khoa học của con người.

Từ khóa: trí tuệ nhân tạo tạo sinh; năng lực tư duy khoa học; kiểm chứng bằng chứng; tư duy phản biện; trách nhiệm nhận thức; năng lực GenAI; cảnh giác nhận thức luận; giáo dục đại học.

ABSTRACT

Background

Generative artificial intelligence (GenAI) is rapidly altering the epistemic conditions under which university students search for information, construct arguments, interpret evidence, and produce academic work. Contemporary GenAI systems can generate fluent explanations, summarize literature, suggest sources, construct arguments, produce statistical code, and formulate apparently scientific claims. This expansion of information-generating capacity creates important educational opportunities, but it also introduces an epistemic problem: linguistic fluency does not guarantee evidential validity. Students may therefore encounter outputs that are plausible and coherent while containing fabricated references, inaccurate attribution, unsupported claims, weak source–claim alignment, selective evidence, or excessive certainty.

Research problem

The central educational challenge is consequently shifting from information acquisition toward evidence verification, inferential evaluation, and epistemic responsibility. Existing discussions of GenAI literacy, critical thinking, and higher-order learning provide important foundations but do not fully explain how AI-generated information becomes admissible evidence and how verified evidence is subsequently transformed into warranted scientific judgment. This study therefore distinguishes four epistemic stages:

AI-generated information → admissible evidence → inference → warranted scientific judgment.

Purpose

The article develops an integrated theoretical and empirical-testing framework explaining scientific thinking competence (STC) in GenAI-mediated university learning. Five constructs are distinguished: Evidence Verification (EV), Critical Thinking (CT), Epistemic Responsibility (ER), GenAI Literacy (GAIL), and STC.

Theoretical model

The proposed mechanism places EV upstream of CT. EV determines whether information satisfies sufficient evidential conditions to enter scientific reasoning, whereas CT evaluates what conclusions the admitted evidence can reasonably warrant. The central theoretical pathway is therefore:

EV → CT → STC.

ER is introduced to address the distinction between epistemic competence and epistemically responsible action, while GAIL is theorized as a boundary condition affecting the translation of verification capability into scientific-thinking performance.

Methodological framework

A cross-sectional multimethod design is proposed, combining psychometric measurement with a performance-based Evidence Verification Task. Measurement validation precedes structural-model testing. Confirmatory factor analysis, competing measurement models, structural equation modeling, bootstrap estimation of indirect associations, latent or observed interaction analysis, and robustness checks are proposed. Because cross-sectional data cannot establish temporal causal mediation, indirect effects are interpreted as statistical mediation consistent with the proposed theoretical mechanism rather than proof of causal mediation.

Contribution

The study contributes an epistemic architecture for understanding scientific thinking in GenAI-mediated learning. It reframes the educational problem from whether students can use AI toward whether they can determine which AI-assisted information deserves evidential status, what that evidence warrants, and who remains accountable for the final scientific claim. The resulting framework is summarized as:

Information abundance → epistemic vigilance → evidence verification → admissible evidence → critical thinking → warranted scientific judgment → scientific thinking competence.

Keywords: Generative AI; scientific thinking competence; evidence verification; critical thinking; epistemic responsibility; GenAI literacy; epistemic vigilance; higher education.

1. INTRODUCTION

1.1. Từ khan hiếm thông tin đến khan hiếm năng lực kiểm chứng

Sự phát triển nhanh của Generative AI đang làm thay đổi một điều kiện nền tảng của hoạt động học thuật. Trong mô hình học tập truyền thống, người học thường phải đầu tư đáng kể thời gian để tìm kiếm, tiếp cận và tổng hợp thông tin. Trong môi trường GenAI, chi phí tạo lập thông tin giảm mạnh. Một sinh viên có thể yêu cầu hệ thống giải thích khái niệm, xây dựng tổng quan tài liệu, đề xuất giả thuyết, tạo lập lập luận hoặc cung cấp tài liệu tham khảo chỉ trong thời gian ngắn.

Thay đổi này không làm mất đi vấn đề tri thức; nó làm thay đổi vị trí của vấn đề. Khi thông tin trở nên dồi dào, năng lực khan hiếm chuyển từ information acquisition sang verification, evaluation, judgment, and accountability.

Các hướng dẫn quốc tế về GenAI trong giáo dục nhấn mạnh rằng việc tích hợp AI cần duy trì human agency, trách nhiệm, minh bạch và khả năng phán đoán của con người. Tuy nhiên, những nguyên tắc này cần được chuyển thành các cơ chế nhận thức có thể nghiên cứu và đo lường. Một người học có thể sử dụng AI thành thạo về thao tác nhưng vẫn không xác định được một tài liệu có tồn tại hay không, một nguồn có thực sự hỗ trợ tuyên bố đang được đưa ra hay không, hoặc mức độ chắc chắn của kết luận có vượt quá bằng chứng hay không.

Do đó, vấn đề không còn đơn giản là:

Sinh viên có sử dụng GenAI hay không?

Câu hỏi quan trọng hơn là:

Sinh viên có thể chuyển thông tin do GenAI tạo ra thành bằng chứng có thể bảo vệ và phán đoán khoa học có căn cứ hay không?

1.2. Linguistic Fluency ≠ Evidential Validity

Một đặc điểm quan trọng của GenAI là khả năng tạo văn bản có mức độ lưu loát ngôn ngữ rất cao. Tuy nhiên, chất lượng bề mặt của diễn ngôn và chất lượng nhận thức luận của bằng chứng thuộc hai tầng khác nhau.

Một đoạn văn có thể rõ ràng nhưng dựa trên nguồn không tồn tại. Một trích dẫn có thể đúng định dạng nhưng gán sai kết luận cho tác giả. Một nguồn có thể có thật nhưng không chứa bằng chứng cần thiết cho tuyên bố. Một kết luận có thể tương thích với một phần dữ liệu nhưng bỏ qua bằng chứng trái chiều.

Vì vậy:

Linguistic Fluency ≠ Evidential Validity.

Từ đây cần phân biệt:

Information ≠ Evidence ≠ Inference ≠ Warranted Scientific Judgment.

Thông tin chỉ trở thành bằng chứng khi nó vượt qua các yêu cầu liên quan đến nguồn gốc, tính xác thực, vị trí bằng chứng, mức độ phù hợp giữa claim và evidence, độ tin cậy của nguồn và nguy cơ thiên lệch. Ngay cả khi thông tin đã trở thành bằng chứng, bằng chứng đó vẫn chưa tự động tạo ra phán đoán khoa học. Một tầng xử lý suy luận tiếp theo vẫn cần thiết.

1.3. Tư duy khoa học như năng lực phán đoán dưới các ràng buộc bằng chứng

Trong nghiên cứu này, Scientific Thinking Competence không được giản lược thành khả năng ghi nhớ phương pháp khoa học hoặc sử dụng thuật ngữ nghiên cứu. STC được hiểu là năng lực xây dựng, đánh giá, hiệu chỉnh và bảo vệ các phán đoán khoa học dưới những ràng buộc của bằng chứng.

Nguyên tắc nền tảng là:

Strength of Scientific Claim ≤ Strength of Supporting Evidence.

Một tuyên bố khoa học không nên mạnh hơn bằng chứng hỗ trợ nó. Năng lực khoa học vì vậy bao gồm khả năng xác định khi nào có đủ căn cứ để kết luận, khi nào cần giảm mức độ chắc chắn, khi nào phải tìm thêm bằng chứng và khi nào cần bác bỏ một tuyên bố hấp dẫn nhưng không được hỗ trợ đầy đủ.

Trong môi trường GenAI, năng lực này càng quan trọng vì hệ thống có thể giảm chi phí sản xuất câu trả lời mà không đồng thời bảo đảm giảm chi phí xác minh.

1.4. Epistemic vigilance như nền tảng lý thuyết

Khái niệm epistemic vigilance cung cấp một nền tảng quan trọng để giải thích cách con người đánh giá thông tin nhận được từ người khác hoặc từ các hệ thống trung gian. Khung Extended Epistemic Vigilance nhấn mạnh việc đánh giá không chỉ nguồn và nội dung của claim mà còn vị trí của người tiếp nhận trong quá trình đánh giá.

Trong bối cảnh GenAI, epistemic vigilance có thể được mở rộng thành yêu cầu đặt câu hỏi:

• Nguồn này là gì và có tồn tại không?
• Claim thực tế đang được đưa ra là gì?
• Bằng chứng nằm ở đâu?
• Bằng chứng có thực sự hỗ trợ claim hay không?
• Người tiếp nhận có đủ kiến thức để đánh giá không?
• Khi không đủ khả năng đánh giá, cần tìm kiếm nguồn hoặc chuyên môn bổ sung nào?

Epistemic vigilance vì vậy là tiền đề lý thuyết phù hợp cho EV nhưng không đồng nhất với EV. Nghiên cứu hiện tại operationalize một phần logic vigilance thành các hành vi kiểm chứng cụ thể có thể đo lường trong môi trường GenAI.

2. RESEARCH PROBLEM AND LITERATURE POSITIONING

2.1. Vấn đề nghiên cứu

Nghiên cứu GenAI trong giáo dục đại học đã mở rộng nhanh chóng sang các chủ đề như achievement, critical thinking, creativity, problem solving, self-regulated learning, assessment và AI literacy. Bằng chứng tổng hợp gần đây cho thấy GenAI có thể tạo ra lợi ích đối với một số kết quả học tập và tư duy bậc cao, nhưng mức độ tác động khác nhau theo người học, công cụ, nhiệm vụ, thiết kế can thiệp và bối cảnh.

Điều này dẫn đến một điểm quan trọng: GenAI không nên được mô hình hóa như một tác nhân có hiệu ứng nhận thức đồng nhất.

AI access ≠ cognitive gain.

Kết quả nhận thức phụ thuộc vào những gì người học thực hiện với đầu ra AI.

Bài viết này tập trung vào một mắt xích chưa được giải thích đầy đủ: quá trình chuyển từ thông tin do AI tạo ra đến phán đoán khoa học có căn cứ.

2.2. Khoảng trống về tư duy khoa học

Critical thinking, creativity và problem solving thường được sử dụng như các đại diện của higher-order thinking. Tuy nhiên, STC đặt ra yêu cầu cụ thể hơn: người học phải đánh giá tuyên bố dưới ràng buộc của bằng chứng khoa học.

Do đó:

Higher-Order Thinking ≠ Scientific Thinking Competence.

Một người có thể tạo nhiều giải pháp sáng tạo nhưng vẫn sử dụng bằng chứng yếu. Một người có thể phản biện tốt một lập luận nhưng không xác minh nguồn. STC vì thế cần được conceptualize như một outcome riêng gắn với evidence-based scientific judgment.

2.3. Khoảng trống về Evidence Verification

Các nghiên cứu về information literacy, misinformation, source evaluation và epistemic vigilance cung cấp nhiều thành tố liên quan đến kiểm chứng. Tuy nhiên, môi trường GenAI làm tăng nhu cầu tích hợp chúng thành một cấu trúc có khả năng giải quyết đồng thời:

1. Source Authenticity;
2. Citation Accuracy;
3. Evidence Location;
4. Claim–Evidence Fit;
5. Source Credibility;
6. Bias Detection.

Nghiên cứu này gọi cấu trúc đó là Evidence Verification.

EV không chỉ là “kiểm tra tài liệu tham khảo”. Nó là cơ chế quyết định một đơn vị thông tin có đủ điều kiện nhận thức luận để được sử dụng như bằng chứng hay không.

2.4. Khoảng trống về cơ chế

Ngay cả khi người học kiểm chứng đúng nguồn, chưa chắc họ đã suy luận đúng.

Một bài báo có thể có thật và một số liệu có thể được trích chính xác, nhưng người học vẫn có thể:

• suy rộng vượt quá phạm vi mẫu;
• nhầm tương quan với nhân quả;
• bỏ qua giả định phương pháp;
• không cân nhắc giải thích thay thế;
• chọn lọc bằng chứng thuận chiều;
• diễn giải quá mức độ chắc chắn.

Vì vậy:

Verified Evidence ≠ Scientific Judgment.

Khoảng trống này đòi hỏi một cơ chế trung gian. Nghiên cứu đề xuất CT đảm nhận chức năng đó.

2.5. Khoảng trống về trách nhiệm nhận thức

Một vấn đề khác là khoảng cách giữa khả năng và hành vi.

Epistemic Competence ≠ Epistemically Responsible Action.

Sinh viên có thể biết cần kiểm chứng nhưng không thực hiện vì áp lực thời gian, sự thuận tiện, quá tin tưởng vào AI hoặc mong muốn xác nhận quan điểm sẵn có.

Do đó, ER cần được tách khỏi EV. EV phản ánh khả năng thực hiện các thao tác kiểm chứng; ER phản ánh cam kết thực hiện nghĩa vụ nhận thức đối với bằng chứng và tuyên bố.

2.6. Khoảng trống về GenAI Literacy

GAIL cũng không nên đồng nhất với EV hoặc CT.

Một sinh viên có thể hiểu hallucination, prompt design và limitations của mô hình nhưng không kiểm tra nguồn. Ngược lại, một sinh viên có thể có kỹ năng đánh giá nguồn truyền thống tốt nhưng không hiểu đặc tính tạo sinh của GenAI.

Do đó:

GAIL ≠ EV ≠ CT.

GAIL được nghiên cứu như năng lực đặc thù của môi trường công nghệ, trong khi EV và CT là các cơ chế nhận thức trực tiếp của quá trình hình thành phán đoán khoa học.

3. CONSTRUCT ARCHITECTURE

3.1. Scientific Thinking Competence

STC là năng lực đánh giá và xây dựng phán đoán khoa học phù hợp với chất lượng, phạm vi và giới hạn của bằng chứng.

Câu hỏi trung tâm:

What scientific judgment is warranted by the available evidence?

Các biểu hiện gồm nhận diện claim, đánh giá sức mạnh bằng chứng, phân biệt mô tả–giải thích–nhân quả, xem xét uncertainty, đánh giá competing explanations và điều chỉnh kết luận theo giới hạn dữ liệu.

3.2. Evidence Verification

EV là năng lực kiểm tra tính xác thực, khả năng truy vết, độ tin cậy và sự phù hợp của thông tin trước khi sử dụng thông tin đó như bằng chứng.

Câu hỏi trung tâm:

Should this information be admitted as evidence?

EV gồm sáu miền:

Source Authenticity → Citation Accuracy → Evidence Location → Claim–Evidence Fit → Source Credibility → Bias Detection.

Logic chức năng:

Information → EV → Admissible Evidence.

3.3. Critical Thinking

CT được giới hạn nhằm tránh construct contamination. Trong mô hình này, CT gồm:

• argument analysis;
• assumption identification;
• evaluation of inferential strength;
• consideration of alternatives;
• uncertainty calibration;
• reflective judgment.

Câu hỏi trung tâm:

What does the admitted evidence warrant?

Do đó:

EV asks what evidence may enter reasoning.

CT asks what the admitted evidence warrants.

Từ đây có thể biểu diễn:

Scientific Judgment Quality = f(Evidence Quality, Processing Quality).

EV bảo vệ Evidence Quality; CT bảo vệ Processing Quality.

3.4. Epistemic Responsibility

ER là khuynh hướng nhận và thực hiện trách nhiệm đối với các claim mà cá nhân sử dụng, diễn giải hoặc công bố.

Bốn miền được đề xuất:

Duty to Verify

Represent Evidence Faithfully

Acknowledge Uncertainty

Correct Error

Câu hỏi trung tâm:

Will the learner act responsibly toward evidence and claims?

Một nguyên tắc quan trọng là:

Correct APA Formatting ≠ Correct Evidence Use.

Một trích dẫn có thể hoàn toàn đúng APA nhưng vẫn được sử dụng sai về nội dung.

3.5. GenAI Literacy

GAIL phản ánh năng lực hiểu capabilities, limitations, risks và appropriate human agency khi làm việc với GenAI.

Câu hỏi trung tâm:

Can the learner use and evaluate GenAI appropriately as an AI-specific system?

GAIL không thay thế critical thinking và cũng không thay thế evidence verification. Nó cung cấp kiến thức và năng lực đặc thù giúp người học nhận diện những loại rủi ro có nguồn gốc từ cơ chế của GenAI.

3.6. Kiểm tra độ phân biệt cấu trúc

Năm cấu trúc có thể được phân biệt bằng năm câu hỏi:

EV: Thông tin này có đủ điều kiện trở thành bằng chứng không?

CT: Bằng chứng này cho phép suy luận đến đâu?

ER: Tôi có thực hiện trách nhiệm kiểm chứng và trình bày bằng chứng trung thực không?

GAIL: Tôi có hiểu khả năng, giới hạn và rủi ro đặc thù của GenAI không?

STC: Phán đoán khoa học nào có thể được bảo vệ từ toàn bộ bằng chứng?

Việc duy trì ranh giới này là điều kiện tiên quyết trước khi kiểm định structural model.

4. KIẾN TRÚC LẬP LUẬN PHỐI HỢP

Thay vì sử dụng các phát biểu học thuật như những câu trích dẫn độc lập, nghiên cứu tích hợp chúng thành một argument architecture gồm bảy luận điểm.

Luận điểm 1. GenAI làm tăng năng lực tạo thông tin nhưng không bảo đảm tính hợp lệ của bằng chứng

Luận cứ: GenAI tạo nội dung lưu loát với chi phí thấp.

Luận chứng: Fluency không cung cấp provenance, source authenticity hoặc claim–evidence fit.

Kết luận: Information ≠ Evidence.

Luận điểm 2. Tư duy khoa học trong môi trường GenAI cần một cơ chế kiểm soát chất lượng bằng chứng

Luận cứ: Scientific claims phải bị ràng buộc bởi supporting evidence.

Luận chứng: Nếu thông tin không được kiểm chứng trước khi bước vào reasoning, chất lượng suy luận phía sau không thể sửa chữa hoàn toàn lỗi đầu vào.

Kết luận: EV phải được đặt upstream của reasoning.

Luận điểm 3. Kiểm chứng đúng chưa đủ để tạo ra phán đoán đúng

Luận cứ: Một nguồn xác thực vẫn có thể bị suy diễn sai.

Luận chứng: Claim–evidence reasoning đòi hỏi đánh giá assumptions, inferential strength, alternatives và uncertainty.

Kết luận: Verified Evidence ≠ Scientific Judgment.

Luận điểm 4. CT là cơ chế chuyển hóa EV thành STC

EV cải thiện chất lượng của evidence set. CT xử lý evidence set đó để xác định mức độ kết luận có thể bảo vệ.

Do đó:

EV → CT → STC.

Đây là cơ chế lý thuyết trung tâm của nghiên cứu.

Luận điểm 5. Khả năng kiểm chứng không bảo đảm hành vi kiểm chứng

Một người học có thể biết cách kiểm chứng nhưng vẫn không thực hiện.

Do đó:

Can Verify ≠ Will Verify.

ER được đưa vào để giải thích phần trách nhiệm mà competence alone không bao quát.

Luận điểm 6. Năng lực đặc thù về GenAI có thể thay đổi hiệu quả chuyển hóa EV thành STC

GAIL giúp người học nhận diện hallucination, synthetic fluency, automation bias, opacity và các giới hạn khác của hệ thống. Vì vậy, cùng một mức EV có thể tạo ra mức STC khác nhau tùy theo khả năng người học hiểu bối cảnh AI nơi bằng chứng được tạo ra hoặc trung gian hóa.

GAIL vì thế được đề xuất như boundary condition, thay vì mặc nhiên coi là antecedent hoặc thành phần của EV.

Luận điểm 7. Ủy quyền tác vụ không chuyển giao trách nhiệm khoa học cuối cùng

AI có thể hỗ trợ tìm kiếm, tóm tắt, mã hóa, phân tích hoặc soạn thảo. Tuy nhiên, tác giả con người vẫn phải chịu trách nhiệm đối với claim cuối cùng.

Task Delegation ≠ Responsibility Delegation.

Nguyên tắc này tạo nền tảng cho Human Scientific Accountability.

5. CONCEPTUAL MODEL AND HYPOTHESES

Mô hình trung tâm:

Evidence Verification → Critical Thinking → Scientific Thinking Competence

Bổ sung:

Epistemic Responsibility → Scientific Thinking Competence

và:

GenAI Literacy × Evidence Verification → Scientific Thinking Competence

H1

Evidence Verification có quan hệ thuận với Critical Thinking.

H2

Critical Thinking có quan hệ thuận với Scientific Thinking Competence.

H3

Evidence Verification có quan hệ thuận với Scientific Thinking Competence.

H4

Critical Thinking có vai trò trung gian thống kê trong mối quan hệ giữa Evidence Verification và Scientific Thinking Competence.

Trong thiết kế cắt ngang, H4 được hiểu là indirect statistical association consistent with the proposed mechanism, không phải bằng chứng về causal mediation.

H5

Epistemic Responsibility có quan hệ thuận với Scientific Thinking Competence.

H6

GenAI Literacy điều tiết mối quan hệ giữa Evidence Verification và Scientific Thinking Competence, theo hướng mối quan hệ này mạnh hơn khi GAIL cao hơn.

H6 có mức độ bất định lý thuyết cao hơn H1–H5 và do đó phải được xem là một boundary-condition hypothesis có khả năng bị bác bỏ. Nếu tương tác không được hỗ trợ nhưng GAIL thể hiện main effect hoặc liên hệ mạnh với EV, các mô hình thay thế cần được xem xét.

6. METHOD

6.1. Research design

Nghiên cứu thực nghiệm tương lai được thiết kế theo hướng cross-sectional multimethod study, kết hợp:

1. psychometric survey;
2. performance-based Evidence Verification Task.

Lựa chọn multimethod nhằm giảm nguy cơ common-method bias và tránh đồng nhất self-perceived competence với demonstrated competence.

6.2. Participants and sampling

Đối tượng mục tiêu là sinh viên đại học có kinh nghiệm sử dụng hoặc tiếp xúc với GenAI trong học tập.

Khoảng 500–800 người tham gia chỉ được xem là planning range, không phải sample-size justification cuối cùng.

Cỡ mẫu chính thức phải được xác định trước thu thập dữ liệu bằng a priori power analysis hoặc simulation phù hợp với:

• primary estimands;
• smallest effect size of interest;
• reliability của thang đo;
• số latent variables;
• complexity của mediation/moderation;
• latent interaction nếu sử dụng;
• anticipated missingness;
• planned robustness analyses.

Cách tiếp cận này tránh sử dụng các quy tắc máy móc như “10 người cho một biến quan sát”.

7. MEASUREMENT ARCHITECTURE

7.1. Scientific Thinking Competence

STC nên được đo bằng các tình huống yêu cầu người học:

• xác định claim;
• đánh giá chất lượng bằng chứng;
• phân biệt evidence strength;
• nhận diện overclaim;
• đánh giá uncertainty;
• cân nhắc competing explanations;
• lựa chọn hoặc xây dựng conclusion phù hợp.

Self-report có thể được sử dụng bổ sung nhưng không nên là nguồn đo duy nhất.

7.2. Evidence Verification

EV là cấu trúc cần ưu tiên performance measurement.

Sáu miền:

Miền	Năng lực cần quan sát
Source Authenticity	Xác định nguồn có tồn tại và đúng danh tính
Citation Accuracy	Xác định thông tin thư mục và attribution có chính xác
Evidence Location	Tìm đúng vị trí chứa bằng chứng
Claim–Evidence Fit	Đánh giá bằng chứng có thực sự hỗ trợ claim
Source Credibility	Đánh giá chất lượng và thẩm quyền của nguồn
Bias Detection	Phát hiện chọn lọc, framing hoặc evidence imbalance

Cần duy trì phân biệt:

Perceived EV ≠ Demonstrated EV.

8. PERFORMANCE-BASED EVIDENCE VERIFICATION TASK

Người tham gia được cung cấp một tập tài liệu học thuật có hỗ trợ bởi GenAI, trong đó chủ ý cài đặt các loại vấn đề khác nhau:

• accurate sources;
• fabricated references;
• incorrect metadata;
• false attribution;
• claim–evidence mismatch;
• weak evidence;
• overclaim;
• selective evidence.

Quy trình đánh giá:

Claim Identification

↓

Source Tracing

↓

Evidence Location

↓

Evidence Evaluation

↓

Mismatch/Bias Detection

↓

Scientific Judgment

Điểm EV không chỉ dựa trên số lỗi được phát hiện mà còn phải phản ánh khả năng giải thích vì sao lỗi đó ảnh hưởng đến tính hợp lệ của bằng chứng.

Đối với các thành phần chấm điểm cần judgment, tối thiểu hai raters độc lập nên được sử dụng. Cần báo cáo inter-rater reliability/agreement và quy trình giải quyết bất đồng.

9. MEASUREMENT VALIDITY BEFORE STRUCTURAL TESTING

Nguyên tắc:

Measurement validity precedes structural inference.

Trước khi kiểm định H1–H6, cần đánh giá measurement model.

Các mô hình cạnh tranh tối thiểu gồm:

M1: Five-factor model: EV, CT, ER, GAIL, STC.

M2: EV và CT được gộp.

M3: CT và GAIL được gộp.

M4: Higher-order alternative model nếu có cơ sở lý thuyết.

Mục tiêu không phải chỉ tìm mô hình có fit tốt mà kiểm tra xem construct architecture được đề xuất có thực sự được dữ liệu phân biệt hay không.

Các cặp đặc biệt quan trọng:

EV vs. CT

CT vs. GAIL

ER vs. STC

Nếu five-factor structure không được hỗ trợ, structural model không nên được giữ nguyên chỉ vì phù hợp với giả thuyết ban đầu.

10. DATA ANALYSIS STRATEGY

10.1. Preliminary analysis

Kiểm tra:

• missingness;
• careless responding;
• outliers;
• distributional characteristics;
• descriptive statistics;
• correlations;
• performance-task quality.

Mọi exclusion rule cần được xác lập minh bạch và tốt nhất trước khi phân tích chính.

10.2. Confirmatory factor analysis

CFA được thực hiện trước SEM.

Cần báo cáo:

• factor loadings;
• reliability;
• convergent validity;
• discriminant validity;
• model fit;
• competing-model comparison.

Không nên sử dụng một chỉ số fit duy nhất để quyết định chất lượng mô hình.

10.3. Structural model

Sau khi measurement model được hỗ trợ, kiểm định:

EV → CT

CT → STC

EV → STC

ER → STC

Các covariates chỉ nên được thêm khi có justification lý thuyết hoặc thiết kế, không phải vì data-driven significance hunting.

10.4. Mediation

Indirect pathway:

EV → CT → STC

được kiểm định bằng bootstrap confidence intervals hoặc phương pháp phù hợp trong latent SEM.

Tuy nhiên:

Cross-sectional indirect effect ≠ causal mediation.

Nếu dữ liệu được thu tại cùng một thời điểm, kết quả chỉ hỗ trợ một indirect statistical association phù hợp với cơ chế được đề xuất.

10.5. Moderation

H6 kiểm tra interaction:

EV × GAIL → STC.

Nếu có ý nghĩa, cần trình bày simple slopes hoặc conditional effects ở các mức GAIL có ý nghĩa thực tế.

Nếu interaction không được hỗ trợ, cần kiểm tra các mô hình thay thế đã được xác định trước:

GAIL → EV → STC

hoặc:

GAIL → STC.

Việc này đặc biệt quan trọng vì literature hiện tại cho thấy hiệu quả của GenAI đối với learning outcomes phụ thuộc vào nhiều đặc điểm của người học, công cụ, nhiệm vụ và bối cảnh hơn là một hiệu ứng đồng nhất.

11. FALSIFIABILITY AND ALTERNATIVE EXPLANATIONS

Một mô hình khoa học có giá trị không chỉ nêu điều gì sẽ xác nhận nó mà còn phải chỉ ra điều gì có thể làm nó suy yếu.

H1 bị suy yếu nếu:

EV không liên hệ đáng kể với CT sau khi measurement error được xử lý.

H2 bị suy yếu nếu:

CT không dự báo STC.

H3 bị suy yếu nếu:

EV không có direct association với STC.

Điều này không nhất thiết bác bỏ toàn bộ mô hình nếu indirect pathway vẫn được hỗ trợ; nó có thể cho thấy cơ chế gần với full statistical mediation.

H4 bị suy yếu nếu:

indirect association EV → CT → STC có confidence interval bao gồm zero hoặc không ổn định qua robustness specifications.

H5 bị suy yếu nếu:

ER không cung cấp explanatory value đối với STC sau khi EV và CT được kiểm soát.

H6 bị suy yếu nếu:

EV × GAIL không được hỗ trợ.

Trong trường hợp đó, GAIL có thể phù hợp hơn như antecedent hoặc direct predictor.

Quan trọng hơn, nếu EV và CT không đạt discriminant validity, nghiên cứu phải xem xét lại chính kiến trúc lý thuyết thay vì tiếp tục diễn giải structural paths như thể hai construct độc lập.

12. RESULTS REPORTING PRINCIPLES

Phiên bản hiện tại là theoretical-development/research-protocol manuscript. Vì chưa có empirical dataset, bài viết không báo cáo các hệ số β, SE, p, CFI, TLI, RMSEA, SRMR, indirect effect hoặc interaction giả định.

Khi nghiên cứu được triển khai, phần Results nên theo thứ tự:

Participant Flow

↓

Data Quality

↓

Descriptive Statistics

↓

Measurement Model

↓

Reliability and Validity

↓

Structural Model

↓

Indirect Association

↓

Moderation

↓

Robustness Analysis

Null findings cần được báo cáo như evidence có giá trị, không phải “kết quả thất bại”.

13. DISCUSSION

13.1. Từ Information Abundance đến Verification Scarcity

Đóng góp đầu tiên của mô hình là tái định vị vấn đề GenAI trong giáo dục đại học.

GenAI làm tăng mạnh information-generation capacity. Nhưng khi chi phí tạo thông tin giảm, bottleneck nhận thức chuyển sang khả năng xác định thông tin nào đáng tin, bằng chứng nào phù hợp và kết luận nào có thể bảo vệ.

Do đó:

Information Abundance → Verification Scarcity.

Điều này không có nghĩa GenAI tất yếu làm suy giảm tư duy. Ngược lại, bằng chứng tổng hợp cho thấy GenAI có thể hỗ trợ higher-order thinking trong những điều kiện nhất định. Vấn đề lý thuyết là xác định các cơ chế và điều kiện khiến lợi ích đó xảy ra.

Mô hình hiện tại đề xuất rằng verification và evaluative reasoning là hai cơ chế quan trọng trong quá trình này.

13.2. EV như epistemic quality-control mechanism

EV đóng vai trò như một cổng kiểm soát.

Nếu nguồn giả, citation sai hoặc claim không được nguồn hỗ trợ, thông tin không nên được đưa vào reasoning như bằng chứng hợp lệ.

EV vì vậy không phải kỹ thuật phụ trợ cho academic writing. Nó là một phần của epistemic infrastructure của tư duy khoa học.

Điều này đặc biệt quan trọng trong môi trường GenAI vì một hệ thống có thể tạo ra citation-looking objects và academically styled claims đủ thuyết phục về bề mặt.

13.3. CT như inferential transformation mechanism

Sau EV, CT thực hiện một chức năng khác: xác định bằng chứng đã được chấp nhận cho phép kết luận điều gì.

Cấu trúc:

EV → admissible evidence

và:

admissible evidence → CT → warranted scientific judgment

giúp giải quyết một hạn chế phổ biến trong các mô hình chỉ kêu gọi “critical thinking” mà không xác định chất lượng input của reasoning.

Critical reasoning với evidence set bị nhiễm nguồn giả hoặc claim–evidence mismatch vẫn có thể tạo ra kết luận không đáng tin.

13.4. ER và competence–responsibility gap

ER bổ sung một tầng quan trọng.

EV trả lời:

Can the learner verify?

ER trả lời:

Will the learner accept responsibility for verifying?

Khoảng cách này đặc biệt có ý nghĩa trong môi trường AI vì automation có thể làm giảm friction của việc tạo nội dung nhưng không tự động tăng động cơ kiểm chứng.

Giáo dục nghiên cứu vì thế cần phát triển không chỉ năng lực mà còn các chuẩn mực hành vi nhận thức: kiểm chứng trước khi sử dụng, trình bày trung thực mức độ bằng chứng, thừa nhận uncertainty và sửa lỗi khi phát hiện.

13.5. GAIL như boundary condition

GAIL được giữ tách khỏi CT và EV nhằm tránh construct inflation.

Một người hiểu cách LLM hoạt động chưa chắc suy luận khoa học tốt. Một người suy luận tốt chưa chắc hiểu hallucination hoặc opacity của AI.

Tuy nhiên, hiểu biết AI-specific có thể làm thay đổi cách EV được vận dụng trong bối cảnh GenAI. Người có GAIL cao hơn có thể biết khi nào cần tăng mức kiểm tra, loại lỗi nào cần ưu tiên tìm kiếm và vì sao fluent outputs không nên được mặc nhiên xem là credible evidence.

Đây là cơ sở cho H6.

Tuy nhiên, vì bằng chứng trực tiếp cho moderation này vẫn đang phát triển, H6 phải được xem như giả thuyết có tính mở, không phải một kết luận được định trước.

14. HUMAN SCIENTIFIC ACCOUNTABILITY

Một đóng góp chuẩn tắc của nghiên cứu là Human Scientific Accountability.

HSA không được đưa vào như latent construct thứ sáu. Nó là nguyên tắc tổ chức trách nhiệm khoa học trong hệ sinh thái Người–AI.

AI có thể hỗ trợ:

• literature retrieval;
• summarization;
• coding;
• data analysis;
• visualization;
• drafting;
• language editing.

Nhưng AI assistance không tự động chuyển quyền sở hữu nhận thức luận đối với claim cuối cùng.

Nguyên tắc:

Task Delegation ≠ Responsibility Delegation.

HSA bao gồm:

Problem Ownership

↓

Evidence Verification

↓

Claim–Evidence Alignment

↓

Methodological Judgment

↓

Uncertainty Disclosure

↓

Error Correction

↓

Final Scientific Claim

Tác giả con người phải có khả năng trả lời: claim này đến từ đâu, evidence nào hỗ trợ nó, bằng chứng đã được kiểm chứng thế nào, phương pháp có phù hợp không, uncertainty là gì và ai chịu trách nhiệm sửa sai.

15. IMPLICATIONS FOR HIGHER EDUCATION

15.1. Dạy người học kiểm chứng trước khi sử dụng

Việc đào tạo GenAI không nên dừng ở prompt engineering.

Một workflow phù hợp hơn là:

Generate/Search

↓

Trace

↓

Verify

↓

Evaluate

↓

Reason

↓

Claim

↓

Disclose

Nguyên tắc:

Automation Must Not Outrun Verification.

15.2. Thiết kế đánh giá

Nếu chỉ chấm final product, giảng viên khó phân biệt một sản phẩm tốt được tạo ra bởi năng lực thực sự với một sản phẩm tốt chủ yếu do external cognitive support.

Do đó:

Product Quality ≠ Cognitive Competence.

Đánh giá trong môi trường GenAI có thể kết hợp:

• final product;
• verification log;
• claim–evidence matrix;
• AI interaction record khi phù hợp về đạo đức và quyền riêng tư;
• revision rationale;
• oral defense;
• performance-based verification task.

Mục tiêu là thu thập bằng chứng về quá trình judgment, không chỉ bề mặt của sản phẩm.

15.3. Phát triển AI literacy

AI literacy nên được dạy cùng với epistemic literacy.

Sinh viên cần hiểu không chỉ cách sử dụng công cụ mà còn:

• AI có thể tạo loại lỗi nào;
• tại sao fluent answer có thể sai;
• khi nào cần kiểm chứng bên ngoài;
• cách truy nguồn;
• cách đánh giá provenance;
• khi nào không nên sử dụng AI;
• phần nào của judgment không được chuyển giao cho AI.

16. RESEARCH INTEGRITY

Trong môi trường GenAI, research integrity cần được mở rộng vượt khỏi attribution.

Một tác giả có thể ghi nhận AI nhưng vẫn sử dụng thông tin sai. Ngược lại, một tác giả có thể kiểm chứng thông tin nhưng không minh bạch mức độ AI assistance.

Một công thức tích hợp được đề xuất:

Integrity = Attribution + Verification + Transparency + Accountability.

Attribution xác định nguồn đóng góp.

Verification xác định tính hợp lệ của evidence.

Transparency làm rõ cách AI tham gia vào quy trình.

Accountability xác định chủ thể chịu trách nhiệm cuối cùng.

17. LIMITATIONS

Thứ nhất, mô hình hiện tại cần được kiểm định thực nghiệm. Quan hệ lý thuyết hợp lý không bảo đảm measurement model hoặc structural model sẽ được dữ liệu hỗ trợ.

Thứ hai, thiết kế cross-sectional hạn chế khả năng xác lập temporal precedence. Vì vậy, mediation trong nghiên cứu đầu tiên chỉ có thể được diễn giải như statistical indirect association.

Thứ ba, EV là construct được tích hợp và operationalize cho môi trường GenAI; cấu trúc sáu miền cần content validation, pilot testing và psychometric validation.

Thứ tư, ranh giới EV–CT và CT–GAIL có nguy cơ empirical overlap. Đây không phải vấn đề cần che giấu mà là một trong những kiểm định trung tâm của nghiên cứu.

Thứ năm, H6 có mức độ bất định cao hơn các giả thuyết cơ chế trung tâm. GAIL có thể hoạt động như moderator, antecedent hoặc direct predictor tùy bối cảnh.

Thứ sáu, performance task có thể nhạy với discipline, language proficiency và prior research-methods knowledge. Measurement invariance và task equivalence cần được nghiên cứu ở các nhóm khác nhau.

18. FUTURE RESEARCH

18.1. Longitudinal design

Một thiết kế mạnh hơn:

T1: EV

↓

T2: CT

↓

T3: STC

có thể cung cấp bằng chứng tốt hơn về temporal ordering.

18.2. Randomized verification intervention

Có thể so sánh:

Conventional GenAI Use

với:

GenAI + Verification Scaffold.

Verification scaffold có thể yêu cầu source tracing, claim–evidence matrix, confidence calibration và justification trước khi người học chấp nhận output.

18.3. Factorial experiment

Thiết kế:

AI Access × Verification Scaffold

tạo bốn điều kiện:

1. No AI / No Scaffold;
2. No AI / Scaffold;
3. AI / No Scaffold;
4. AI / Scaffold.

Outcomes:

EV – CT – STC – Confidence – Calibration – Retention – Transfer.

Thiết kế này cho phép kiểm tra một câu hỏi mạnh hơn:

Liệu lợi ích của AI đến từ quyền truy cập AI, hay từ kiến trúc học tập buộc người học phải kiểm chứng và phán đoán?

19. INTEGRATED ARGUMENT ARCHITECTURE

Toàn bộ logic nghiên cứu có thể biểu diễn như sau:

GENAI

↓

INCREASED INFORMATION-GENERATION CAPACITY

↓

LINGUISTIC FLUENCY ≠ EVIDENTIAL VALIDITY

↓

EPISTEMIC VIGILANCE

↓

EVIDENCE VERIFICATION

↓

ADMISSIBLE EVIDENCE

↓

VERIFIED EVIDENCE ≠ SCIENTIFIC JUDGMENT

↓

CRITICAL THINKING

↓

WARRANTED SCIENTIFIC JUDGMENT

↓

SCIENTIFIC THINKING COMPETENCE

Song song:

CAN VERIFY ≠ WILL VERIFY

↓

EPISTEMIC RESPONSIBILITY

và:

GENERIC SCIENTIFIC REASONING ≠ AI-SPECIFIC CAPABILITY

↓

GENAI LITERACY AS A BOUNDARY CONDITION

Cuối cùng:

TASK DELEGATION ≠ RESPONSIBILITY DELEGATION

↓

HUMAN SCIENTIFIC ACCOUNTABILITY

Kiến trúc này tạo một chuỗi lập luận thống nhất từ điều kiện công nghệ đến cơ chế nhận thức, hành vi trách nhiệm, outcome khoa học và nguyên tắc accountability.

20. CONCLUSION

Generative AI đang thay đổi không chỉ cách sinh viên tìm kiếm thông tin mà cả điều kiện nhận thức luận của hoạt động học thuật. Khi một hệ thống có thể tạo ra văn bản lưu loát, lập luận hợp lý về bề mặt và tài liệu tham khảo có vẻ xác thực trong thời gian rất ngắn, vấn đề trung tâm của giáo dục khoa học không còn là khả năng tiếp cận thông tin.

Vấn đề trở thành khả năng xác định thông tin nào xứng đáng được xem là bằng chứng, bằng chứng đó cho phép kết luận điều gì và ai chịu trách nhiệm đối với kết luận cuối cùng.

Bài viết phát triển mô hình dựa trên sự phân biệt:

Information ≠ Evidence ≠ Inference ≠ Warranted Scientific Judgment.

Evidence Verification được đặt ở đầu chuỗi như cơ chế epistemic quality control. Critical Thinking tiếp nhận evidence đã được kiểm chứng và chuyển nó thành inferential judgment. Scientific Thinking Competence là khả năng tạo ra và bảo vệ phán đoán khoa học phù hợp với sức mạnh và giới hạn của bằng chứng.

Từ đó, cơ chế trung tâm được đề xuất:

EV → CT → STC.

Tuy nhiên, competence alone không đủ. Sinh viên có thể có khả năng kiểm chứng nhưng không thực hiện kiểm chứng. Vì vậy:

Can Verify ≠ Will Verify.

Epistemic Responsibility bổ sung tầng trách nhiệm cần thiết.

Tương tự, năng lực sử dụng AI không đồng nhất với năng lực khoa học:

GAIL ≠ EV ≠ CT.

GAIL được xem như một boundary condition tiềm năng giúp giải thích tại sao cùng một năng lực kiểm chứng có thể tạo ra hiệu quả tư duy khoa học khác nhau trong các môi trường GenAI khác nhau.

Cuối cùng, sự tham gia ngày càng sâu của AI vào quy trình học thuật không loại bỏ trách nhiệm con người. Khả năng ủy quyền retrieval, summarization, coding, analysis hoặc drafting không đồng nghĩa với ủy quyền trách nhiệm đối với claim khoa học.

Do đó:

Task Delegation ≠ Responsibility Delegation.

Human Scientific Accountability đặt trách nhiệm cuối cùng về evidence, inference, uncertainty và scientific claim ở chủ thể con người.

Đóng góp cốt lõi của nghiên cứu vì vậy không phải là khẳng định GenAI làm tăng hay làm giảm tư duy khoa học một cách tất định. Đóng góp nằm ở việc xác định một kiến trúc cơ chế có thể kiểm định:

Information abundance → epistemic vigilance → evidence verification → admissible evidence → critical thinking → warranted scientific judgment → scientific thinking competence.

Kiến trúc này chuyển trọng tâm nghiên cứu từ câu hỏi “AI có giúp sinh viên tạo ra câu trả lời tốt hơn không?” sang câu hỏi nhận thức luận quan trọng hơn:

“Sinh viên có thể xác định vì sao một câu trả lời đáng được tin, mức độ nào của kết luận được bằng chứng cho phép, và liệu họ có sẵn sàng chịu trách nhiệm đối với phán đoán khoa học đó hay không?”

Trong kỷ nguyên Generative AI, đây có thể trở thành một trong những tiêu chuẩn quan trọng nhất của năng lực nghiên cứu và giáo dục đại học có trách nhiệm.

CRediT AUTHORSHIP CONTRIBUTION STATEMENT

Nguyễn Văn Hùng: Conceptualization; Theoretical Development; Methodology; Framework Development; Writing – Original Draft; Writing – Review & Editing; Visualization; Project Administration. Tác giả chịu trách nhiệm hình thành ý tưởng nghiên cứu, xác lập vấn đề và khoảng trống nghiên cứu, phát triển nền tảng lý thuyết, kiến trúc khái niệm và hệ giả thuyết; thiết kế khung phương pháp, chiến lược đo lường và phân tích; xây dựng mô hình tích hợp EV–CT–STC cùng vai trò của ER, GAIL và Human Scientific Accountability; biên soạn, rà soát và hiệu chỉnh bản thảo; phát triển các hình thức trực quan hóa; đồng thời quản lý, điều phối và chịu trách nhiệm học thuật đối với toàn bộ quá trình phát triển nghiên cứu.

REFERENCES

1. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
2. American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association.
3. Bearman, M., Tai, J., Dawson, P., Boud, D., & Ajjawi, R. (2024). Developing evaluative judgement for a time of generative artificial intelligence. Assessment & Evaluation in Higher Education, 49(6), 893–905. doi:10.1080/02602938.2024.2335321.
4. Bielik, T., & Krell, M. (2025). Developing and evaluating the extended epistemic vigilance framework. Journal of Research in Science Teaching, 62(3), 869–895. doi:10.1002/tea.21983.
5. Chen, S., & Cheung, A. C. K. (2025). Effect of generative artificial intelligence on university students learning outcomes: A systematic review and meta-analysis. Educational Research Review, 49, 100737. doi:10.1016/j.edurev.2025.100737.
6. Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and mixed methods approaches (6th ed.). SAGE.
7. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
8. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. doi:10.1525/collabra.33267.
9. Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
10. Sperber, D., Clément, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359–393.
11. Tseng, A. S., Bonilla, S., & MacPherson, A. (2021). Fighting “bad science” in the information age: The effects of an intervention to stimulate evaluation and critique of false scientific claims. Journal of Research in Science Teaching, 58(8), 1152–1178. doi:10.1002/tea.21696.