FROM TECHNOLOGY-FIRST TO PEDAGOGY-FIRST, HUMAN-CENTERED: AN ANALYSIS OF THE PARADIGM SHIFT IN AI INTEGRATION IN EDUCATION
Tác giả: Nguyễn Văn Hùng
HIGHLIGHTS
- Xác lập khung phân tích ba trục (Three-Axis Framework): Phân biệt mô hình technology-first và pedagogy-first trên ba chiều mục đích – quy trình – đánh giá, cung cấp ngôn ngữ chẩn đoán khả vận hành cho cơ sở giáo dục đại học.
- Phân biệt bốn cấp độ giá trị (Four-Level Distinction): Tách biệt năng lực công nghệ (technological capability) → lợi ích biểu hiện (performance gain) → lợi ích học tập (learning gain) → giá trị giáo dục (educational value), chặn đứng suy luận tự động từ cấp thấp đến cấp cao.
- Đề xuất mô hình trưởng thành năm cấp (Five-Level Maturity Model): Từ tiếp nhận công cụ (tool adoption) đến nhúng quản trị (governance embeddedness), cho phép cơ sở giáo dục tự định vị và hoạch định lộ trình chuyển dịch.
- Tích hợp lý thuyết học tập thực chứng (Evidence-Based Learning Theories): Kết nối Lý thuyết Tải nhận thức (Cognitive Load Theory), Vùng Phát triển Gần nhất (ZPD), Khung ICAP, và Lý thuyết Tự điều hòa Học tập (SRL) vào lập luận về “ma sát mang tính xây dựng” (constructive friction).
- Bối cảnh hóa chính sách Việt Nam 2020–2026: Đối chiếu Nghị quyết 57-NQ/TW, Nghị quyết 71-NQ/TW và Thông tư 02/2025/TT-BGDĐT với khung chuyển dịch, nhận diện khoảng cách giữa định hướng quy phạm và vận hành thực tiễn.
- Chuyển dịch phát triển giảng viên: Từ “đào tạo công cụ” (tool training) sang “bồi dưỡng phán đoán” (judgment cultivation), xác lập năng lực siêu sư phạm (meta-pedagogical competence) làm đòn bẩy cốt lõi.
TÓM TẮT BÀI BÁO (STRUCTURED ABSTRACT)
Tóm tắt tiếng Việt
Bối cảnh: Giai đoạn 2020–2026 chứng kiến sự bùng nổ của trí tuệ nhân tạo sinh tạo (Generative AI, GenAI) trong giáo dục đại học, đặc biệt sau khi ChatGPT được công bố rộng rãi vào cuối năm 2022. Tuy nhiên, quy mô tiếp nhận chưa chuyển hóa thành chất lượng học tập. OECD (2026) mô tả hiện tượng “ảo ảnh làm chủ sai lầm” (mirage of false mastery): sinh viên sử dụng GenAI tạo ra sản phẩm có chất lượng cao hơn, nhưng khi AI bị loại bỏ khỏi điều kiện đánh giá, ưu thế biểu hiện biến mất hoặc đảo chiều.
Vấn đề nghiên cứu: Khoảng cách giữa tiềm năng công nghệ và giá trị giáo dục không phải là vấn đề kỹ thuật mà là vấn đề mô hình (paradigm). Y văn hiện có thiếu ba hướng: thiếu khái niệm hóa có hệ thống về “sự chuyển dịch mô hình”; thiếu quan tâm đến bối cảnh phi phương Tây như Việt Nam; và thiếu khung đánh giá khả dụng để cơ sở giáo dục tự chẩn đoán vị trí.
Mục tiêu: Nghiên cứu đặt ba mục tiêu: (1) làm rõ sự khác biệt căn bản giữa hai mô hình trên ba chiều mục đích, quy trình và đánh giá; (2) xây dựng khung trưởng thành năm cấp có thể vận hành; (3) nhận diện các yếu tố cấu trúc thúc đẩy và cản trở chuyển dịch trong bối cảnh giáo dục đại học Việt Nam 2020–2026.
Phương pháp tiếp cận: Nghiên cứu vận dụng phương pháp tổng hợp lý thuyết tích hợp (integrative theoretical synthesis), kết hợp tư duy hệ thống (systems thinking), lý thuyết khuếch tán đổi mới (diffusion of innovations), và khung AI lấy con người làm trung tâm (human-centered AI). Thiết kế phương pháp hỗn hợp chuỗi giải thích (explanatory sequential mixed methods) được đề xuất cho kiểm định thực nghiệm tương lai.
Kết quả lý thuyết: Nghiên cứu thiết lập khung phân tích ba trục, phân biệt bốn cấp độ giá trị, đề xuất mô hình trưởng thành năm cấp, và xác lập ba giả thuyết (H1–H3) về mối quan hệ giữa năng lực giảng viên, thiết kế thể chế “thí điểm sư phạm trước”, văn hóa học tập tổ chức và mức độ trưởng thành chuyển dịch.
Đóng góp: Đóng góp của bài viết là chuyển “pedagogy-first” từ lời kêu gọi quy phạm thành cấu trúc khả phân tích, đồng thời cung cấp cho cơ sở giáo dục một ngôn ngữ chẩn đoán không phụ thuộc vào nền tảng công nghệ cụ thể.
Bối cảnh ứng dụng: Giáo dục đại học Việt Nam giai đoạn 2020–2026 được lựa chọn làm bối cảnh tham chiếu, với khung chính sách “hai đường ray” do Nghị quyết 57-NQ/TW và Nghị quyết 71-NQ/TW tạo thành.
Từ khóa (Keywords): Trí tuệ nhân tạo trong giáo dục (Artificial Intelligence in Education); chuyển dịch mô hình (Paradigm Shift); tiếp cận ưu tiên sư phạm (Pedagogy-First); AI lấy con người làm trung tâm (Human-Centered AI); mô hình ưu tiên công nghệ (Technology-First); khung trưởng thành chuyển dịch (Paradigm Shift Maturity Model); năng lực siêu sư phạm (Meta-Pedagogical Competence); giá trị giáo dục (Educational Value); giáo dục đại học Việt Nam (Vietnamese Higher Education).
Structured English Abstract
Background: The period 2020–2026 witnessed an explosion of generative artificial intelligence (GenAI) in higher education, particularly following the widespread release of ChatGPT in late 2022. However, the scale of adoption has not translated into learning quality. The OECD (2026) describes a “mirage of false mastery”: students using GenAI produce higher-quality artifacts, yet when AI is removed from assessment conditions, the performance advantage disappears or reverses.
Research Problem: The gap between technological potential and educational value is not a technical problem but a paradigmatic one. Existing research is insufficient in three directions: lacking systematic conceptualization of the “paradigm shift” itself; paying limited attention to non-Western contexts such as Vietnam; and rarely providing actionable assessment frameworks enabling institutions to diagnose their own position.
Purpose: The study sets three objectives: (1) to clarify the fundamental differences between the two paradigms across purpose, process, and evaluation; (2) to construct an operational five-level maturity framework; (3) to identify structural factors that drive and hinder the transition in Vietnamese higher education during 2020–2026.
Approach: Adopting an integrative theoretical synthesis, the study combines systems thinking, diffusion of innovations theory, and a human-centered AI perspective. An explanatory sequential mixed methods design is proposed for future empirical validation.
Theoretical Results: The study establishes a three-axis analytical framework, distinguishes four levels of value, proposes a five-level maturity model, and formulates three propositions (H1–H3) regarding the relationships between teacher AI competency, institutional design of “pedagogical piloting before procurement,” organizational learning culture, and transition maturity.
Contribution: The contribution lies in converting “pedagogy-first” from a normative call into an analyzable structure, while providing institutions with a diagnostic language independent of specific technological platforms.
Application Context: Vietnamese higher education during 2020–2026 serves as the reference context, with the “dual-track” policy framework formed by Resolution 57-NQ/TW and Resolution 71-NQ/TW.
1. GIỚI THIỆU (INTRODUCTION)
1.1. Bối cảnh (Context)
Việc ChatGPT được công bố rộng rãi vào cuối năm 2022 đánh dấu một điểm đứt gãy trong quan hệ giữa trí tuệ nhân tạo và giáo dục. Trước thời điểm đó, tiến trình của công nghệ giáo dục — từ hệ thống quản lý học tập (Learning Management Systems – LMS) đến MOOCs, từ học liệu đa phương tiện đến phân tích học tập (learning analytics) — tuy liên tục mở rộng nhưng phần lớn tuân theo một lộ trình có thể dự báo: cơ sở giáo dục lựa chọn công nghệ, đào tạo giảng viên, tích hợp công nghệ vào quy trình hiện hữu. Generative AI phá vỡ lộ trình này. Tính trực quan, tính phổ dụng và khả năng tiếp cận miễn phí khiến sinh viên và giảng viên có thể sử dụng AI mà không cần qua cơ chế quản trị của nhà trường, trong khi nhà trường ở một mức độ đáng kể đã mất đi quyền chủ động trong việc lựa chọn công nghệ và kiểm soát nhịp độ triển khai.
OECD (2026) trong Digital Education Outlook 2026 nhận định rằng khác với các làn sóng công nghệ giáo dục trước đây, một phần đáng kể GenAI là miễn phí, dễ tiếp cận và do tính trực quan cùng tính đa dụng của nó, phần lớn nằm ngoài tầm kiểm soát của cơ sở giáo dục. Báo cáo đưa ra một phân biệt có ý nghĩa mô hình: khi GenAI được sử dụng dưới sự dẫn dắt của các nguyên tắc sư phạm rõ ràng, nó có thể hỗ trợ học tập và nuôi dưỡng tư duy phản biện, sáng tạo và hợp tác; nhưng khi thiết kế hoặc sử dụng thiếu định hướng sư phạm, “việc ủy thác nhiệm vụ cho GenAI chỉ nâng cao biểu hiện mà không tạo ra lợi ích học tập thực sự” (outsourcing tasks to GenAI simply enhances performance with no real learning gains).
Báo cáo OECD cũng cảnh báo về “hiệu ứng nạng” (crutch effect): sinh viên sử dụng AI hoàn thành nhiệm vụ thành công hơn 48%, nhưng hiệu suất giảm 17% khi AI bị loại bỏ trong điều kiện thi cử truyền thống. Cơ chế được giải thích là “ủy thác nhận thức” (cognitive offloading) — khi sinh viên sử dụng AI để “suy nghĩ thay” họ, họ bỏ lỡ “nỗ lực tinh thần cần thiết cho việc tiếp thu kỹ năng thực sự”. Báo cáo cũng cảnh báo về “lười biếng nhận thức” (cognitive laziness) và “phân ly kỹ thuật số thứ hai” (second digital divide): sinh viên trong môi trường được hỗ trợ tốt sử dụng AI như “gia sư” hoặc “huấn luyện viên” tinh vi, trong khi sinh viên có hoàn cảnh khó khăn có thể chỉ sử dụng nó như “lối tắt”, có khả năng mở rộng khoảng cách thành tích thay vì thu hẹp nó.
1.2. Vấn đề nghiên cứu (Research Problem)
Khoảng cách giữa tiềm năng công nghệ và giá trị giáo dục thực sự không phải là vấn đề kỹ thuật mà là vấn đề mô hình (paradigm). Các nghiên cứu hiện có trong ba hướng vẫn chưa đáp ứng đầy đủ. Thứ nhất, phần lớn tài liệu tập trung vào hiệu quả kỹ thuật hoặc khảo sát mức độ chấp nhận, thiếu sự khái niệm hóa và thao tác hóa có hệ thống đối với bản thân “sự chuyển dịch mô hình”. Thứ hai, các thảo luận về tích hợp AI trong giáo dục phần lớn lấy bối cảnh các nước nói tiếng Anh và các cơ sở phương Tây làm mặc định, ít quan tâm đến các hệ thống giáo dục đại học đang trong giai đoạn kiến tạo chính sách nhanh như Việt Nam. Thứ ba, tài liệu phê phán tuy đã chỉ ra rủi ro của lộ trình technology-first một cách thuyết phục, nhưng ít cung cấp khung đánh giá khả dụng để cơ sở giáo dục tự chẩn đoán vị trí của mình và hoạch định lộ trình chuyển dịch.
1.3. Mục tiêu nghiên cứu (Research Objectives)
Nghiên cứu đặt ra ba mục tiêu: (1) làm rõ ở cấp độ khái niệm sự khác biệt căn bản giữa hai mô hình technology-first và pedagogy-first trên ba chiều mục đích, quy trình và đánh giá; (2) xây dựng khung trưởng thành năm cấp có thể vận hành để đánh giá vị trí mô hình của cơ sở giáo dục đại học trong tích hợp AI; (3) lấy chính sách và thực tiễn giáo dục đại học Việt Nam giai đoạn 2020–2026 làm tham chiếu kinh nghiệm, nhận diện các yếu tố cấu trúc thúc đẩy và cản trở chuyển dịch.
1.4. Câu hỏi nghiên cứu (Research Questions)
- Sự khác biệt cốt lõi giữa hai mô hình technology-first và pedagogy-first trên các chiều mục đích, quy trình và đánh giá là gì?
- Làm thế nào để thao tác hóa sự khác biệt này thành mức độ chuyển dịch có thể đo lường?
- Trong bối cảnh thể chế cụ thể của giáo dục đại học Việt Nam, những yếu tố nào thúc đẩy hoặc cản trở sự chuyển dịch từ technology-first sang pedagogy-first?
1.5. Phạm vi nghiên cứu (Scope)
Phạm vi được giới hạn ở thực tiễn tích hợp AI của các cơ sở giáo dục đại học Việt Nam giai đoạn 2020–2026. Giới hạn này dựa trên hai lý do: giai đoạn này bao trùm toàn bộ cung đường từ số hóa khẩn cấp do đại dịch đến thử nghiệm thể chế hóa GenAI; và hệ thống giáo dục đại học Việt Nam đang trong giai đoạn kiến tạo chính sách dày đặc, khiến kinh nghiệm của nó có giá trị phân tích đối với việc hiểu “lựa chọn mô hình trong bối cảnh đi sau”. Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 của Bộ Chính trị và Nghị quyết số 57-NQ/TW ngày 22 tháng 12 năm 2024 cùng tạo thành khung chiến lược “hai đường ray” — một bên cung cấp nguồn nhân lực, một bên cung cấp công cụ và động lực. Nghị quyết 71 yêu cầu rõ “đổi mới tư duy, nhận thức và thể chế” và nhấn mạnh “lấy người học làm trung tâm, lấy giáo viên làm động lực”. Cấu trúc thể chế này tạo ra một cửa sổ chính sách đặc thù để khảo sát sự chuyển dịch mô hình.
2. CƠ SỞ LÝ THUYẾT TÍCH HỢP (INTEGRATED THEORETICAL FOUNDATIONS)
2.1. Tư duy hệ thống: giáo dục như một hệ thống xã hội – kỹ thuật (Systems Thinking: Education as a Socio-Technical System)
Cách tư duy “thêm AI vào lớp học” tiền giả định rằng công nghệ là một biến độc lập nằm ngoài hệ thống giáo dục. Tư duy hệ thống bác bỏ tiền giả định này. Cơ sở giáo dục là một hệ thống xã hội – kỹ thuật phức hợp, cấu thành từ mục tiêu giảng dạy, thiết kế học tập, chế độ đánh giá, bản sắc nghề nghiệp của giảng viên, cấu trúc tổ chức, hạ tầng dữ liệu và chuẩn mực quản trị. Bất kỳ thay đổi nào ở một yếu tố đơn lẻ — đặc biệt là AI, một công nghệ có tiềm năng thay thế nhận thức — đều gây ra những điều chỉnh dây chuyền trong toàn hệ thống.
UNESCO (2024a) trong Khung năng lực AI cho người học đặt “tư duy lấy con người làm trung tâm” (human-centred mindset) ở vị trí đầu tiên trong bốn chiều năng lực, với hạt nhân quy phạm là khuyến khích người học “hiểu và khẳng định năng lực chủ thể của mình trong quan hệ với AI”. Hàm ý ẩn của phát biểu này là: năng lực công nghệ nếu tách rời khỏi hiểu biết về năng lực chủ thể và trách nhiệm xã hội của con người có thể sản sinh những hiệu ứng tha hóa mang tính hệ thống. Khung này nhấn mạnh thêm rằng “AI nên hỗ trợ thay vì làm suy yếu hoặc thay thế việc ra quyết định và phát triển trí tuệ của con người”. Lập trường quy phạm này tạo thành chuẩn mực đạo đức để đánh giá sự chuyển dịch mô hình trong bài viết.
Hệ quả phương pháp luận cốt lõi của tư duy hệ thống là: đánh giá thành công của tích hợp AI không thể chỉ nhìn vào việc công nghệ đã được triển khai hay giảng viên đã được đào tạo, mà phải khảo sát xem can thiệp công nghệ có tạo ra sự tái căn chỉnh giữa mục tiêu giảng dạy, hoạt động học tập và phương thức đánh giá hay không. Nói cách khác, sai lầm điển hình của lộ trình technology-first không nằm ở việc lựa chọn công nghệ sai, mà ở việc đặt lựa chọn công nghệ trước việc làm rõ mục tiêu giảng dạy và tái thiết kế sư phạm.
2.2. Lý thuyết khuếch tán đổi mới: quỹ đạo phi tuyến của tiếp nhận AI (Diffusion of Innovations: Non-Linear Adoption Trajectories)
Mô hình khuếch tán đổi mới của Rogers cần được hiệu chỉnh trong bối cảnh GenAI. Mô hình truyền thống giả định việc tiếp nhận tiến triển theo các giai đoạn tuyến tính “tri thức – thuyết phục – quyết định – thực hiện – xác nhận”. Nhưng sự khuếch tán của GenAI trong giáo dục đại học thể hiện tính phi tuyến và tính dị thể thể chế rõ rệt. Phân tích chính sách đại học cho thấy phản ứng của cơ sở giáo dục đối với GenAI không tiến đồng thời từ “cấm” sang “chấp nhận”, mà triển khai theo nhiều quỹ đạo song song: cấm, giới hạn, thí điểm, cho phép có điều kiện, tích hợp sư phạm và quản trị chiến lược. Những quỹ đạo này có thể cùng tồn tại trong một cơ sở giáo dục, tạo ra sự phân mảnh chính sách.
Altamirano và cộng sự (2026) công bố trên Review of Education đã tổng quan 125 nghiên cứu thực nghiệm (2021–2025) và kết luận rằng tích hợp GenAI thành công “đòi hỏi nhiều hơn việc tiếp nhận công nghệ—nó yêu cầu chuyển dịch mô hình giáo dục căn bản thông qua các chiến lược nhạy cảm với bối cảnh và có nền tảng đạo đức, nhằm cân bằng đổi mới với công bằng”. Kết luận này đồng nhất cao với phán đoán cốt lõi của bài viết, nhưng phân tích dừng ở cấp độ quy phạm “cần chuyển dịch”, chưa thao tác hóa các chiều và giai đoạn của chuyển dịch.
2.3. AI lấy con người làm trung tâm: năng lực chủ thể như chuẩn mực quy phạm (Human-Centered AI: Agency as a Normative Standard)
Khung năng lực AI cho giáo viên của UNESCO (2024b) lấy “bảo vệ quyền của giáo viên, tăng cường năng lực chủ thể của con người và thúc đẩy tính bền vững” làm nguyên tắc phát triển, đặt “tư duy lấy con người làm trung tâm” ở vị trí đầu tiên trong mười lăm năng lực, với nội hàm được xác định là “tập trung vào năng lực chủ thể, trách nhiệm giải trình và trách nhiệm xã hội của con người”. Hạt nhân quy phạm của khung này có thể khái quát như sau: tính chính đáng của AI trong giáo dục phụ thuộc vào việc nó có tăng cường thay vì làm suy yếu quyền kiểm soát của người học và giáo viên đối với quá trình nhận thức, việc gánh vác phán đoán và việc tự chủ định nghĩa mục tiêu học tập hay không.
Chuẩn mực này chuyển “lấy con người làm trung tâm” từ tu từ luân lý mơ hồ thành chiều đánh giá khả vận hành. Khi một công cụ AI được sử dụng để thay thế người học thực hiện các thao tác nhận thức mà lẽ ra chính họ phải thực hiện, thì dù nó “hiệu quả” về mặt kỹ thuật, nó vẫn là một bước thụt lùi về mặt quy phạm. Ngược lại, khi AI được thiết kế như một người đặt câu hỏi kiểu Socrates, một người phản biện lập luận hay một bộ điều chỉnh môi trường mô phỏng, buộc người học phải huy động nguồn lực nhận thức của chính mình, thì nó mới có thể vừa nâng cao biểu hiện vừa tạo ra lợi ích học tập.
Bằng chứng mà OECD (2026) trích dẫn phù hợp với nhận định này: các công cụ GenAI giáo dục cho thấy cải thiện học tập chính là vì thiết kế của chúng duy trì “ma sát mang tính xây dựng” (constructive friction) thay vì loại bỏ nỗ lực nhận thức. Cơ sở lý thuyết học tập của phán đoán này có thể được truy nguyên từ Sweller, Ayres và Kalyuga (2011) với Lý thuyết Tải nhận thức (Cognitive Load Theory): khi GenAI loại bỏ hoàn toàn nỗ lực nhận thức — tức là loại bỏ “tải nhận thức có lợi” (germane cognitive load) — nó triệt tiêu cơ chế hình thành lược đồ nhận thức (schema formation) vốn là nền tảng của học tập bền vững. Vygotsky (1978) với khái niệm Vùng Phát triển Gần nhất (Zone of Proximal Development – ZPD) bổ sung một chiều quan trọng: học tập hiệu quả nhất xảy ra khi người học được hỗ trợ trong vùng mà họ chưa thể tự mình hoàn thành nhưng có thể hoàn thành với giàn giáo (scaffolding) phù hợp. GenAI, nếu được thiết kế như giàn giáo — gợi ý tiệm tiến, đặt câu hỏi dẫn dắt, tạo xung đột nhận thức — sẽ phục vụ ZPD; nếu được thiết kế như công cụ thay thế — tạo ra giải pháp hoàn chỉnh — sẽ triệt tiêu ZPD.
Kirschner, Sweller và Clark (2006) trong Why Minimal Guidance During Instruction Does Not Work đã cảnh báo rằng hướng dẫn tối thiểu trong giảng dạy không hiệu quả vì nó bỏ qua giới hạn của trí nhớ làm việc (working memory) và nhu cầu giàn giáo tri thức. Phát hiện này có hàm ý trực tiếp cho thiết kế GenAI: nếu AI cung cấp “hướng dẫn tối thiểu” dưới hình thức câu trả lời hoàn chỉnh, nó không tạo ra học tập; nếu nó cung cấp “giàn giáo có cấu trúc” — như Chi và Wylie (2014) mô tả trong Khung ICAP về chuyển dịch từ thụ động (passive) sang chủ động (active), kiến tạo (constructive) và tương tác (interactive) — thì nó mới thúc đẩy gắn kết nhận thức. Biggs (1996) với nguyên tắc căn chỉnh kiến tạo (constructive alignment) bổ sung chiều thể chế: mục tiêu học tập, hoạt động học tập và đánh giá phải nhất quán với nhau; nếu GenAI được sử dụng trong hoạt động nhưng đánh giá vẫn đo lường năng lực “không có AI”, thì sự căn chỉnh bị phá vỡ.
Mishra và Koehler (2006) với khung TPACK (Technological Pedagogical Content Knowledge) cung cấp nền tảng cho luận điểm về phát triển giảng viên: năng lực tích hợp công nghệ không phải là năng lực kỹ thuật thuần túy mà là sự giao thoa giữa tri thức công nghệ, tri thức sư phạm và tri thức nội dung. Điều này có nghĩa là đào tạo giảng viên về AI không thể chỉ là “đào tạo công cụ” mà phải là “bồi dưỡng phán đoán sư phạm trong điều kiện AI can thiệp”.
Zimmerman (2002) với chu trình tự điều hòa học tập (Self-Regulated Learning – SRL) và Pintrich (2000) với vai trò của định hướng mục tiêu (goal orientation) bổ sung chiều người học: GenAI có thể hỗ trợ hoặc cản trở SRL tùy thuộc vào cách nó được thiết kế. Nếu AI khuyến khích sinh viên đặt mục tiêu, giám sát tiến độ và điều chỉnh chiến lược — thì nó hỗ trợ SRL; nếu AI thay thế các quá trình này — thì nó triệt tiêu SRL. Nicol và Macfarlane-Dick (2006) với bảy nguyên tắc phản hồi tốt (good feedback practice) và Boud và Falchikov (2007) với đánh giá vì sự học tập bền vững (assessment for longer-term learning) cung cấp khung cho thiết kế đánh giá trong kỷ nguyên AI: đánh giá không chỉ đo lường sản phẩm cuối cùng mà phải đo lường quá trình học tập, bao gồm khả năng huy động chiến lược nhận thức khi AI vắng mặt.
2.4. Phân biệt bốn cấp độ và khung sáu tầng (Four-Level Distinction and Six-Layer Framework)
Trên nền tảng lý thuyết trên, bài viết vận dụng hai công cụ phân tích. Thứ nhất là phân biệt bốn cấp độ: năng lực công nghệ (technological capability – hệ thống có thể làm gì) → lợi ích biểu hiện (performance gain – đầu ra nhiệm vụ có được cải thiện hay không) → lợi ích học tập (learning gain – năng lực nhận thức của người học có phát triển hay không) → giá trị giáo dục (educational value – sự phát triển đó có tính chính đáng và tính bền vững về mặt cá nhân và xã hội hay không). Chức năng của sự phân biệt này là chặn đứng suy luận tự động từ tầng thứ nhất đến tầng thứ tư. Năng lực tạo văn bản của GenAI là năng lực công nghệ; sinh viên dùng nó viết bài luận trôi chảy hơn là lợi ích biểu hiện; năng lực lập luận của chính sinh viên có được nâng cao hay không là lợi ích học tập; sự nâng cao đó có phải trả giá bằng tính chính trực học thuật, tính tự chủ nhận thức hay công bằng giáo dục hay không thuộc về phán đoán giá trị giáo dục. “Ảo ảnh làm chủ sai lầm” mà OECD mô tả chính là triệu chứng điển hình của việc lợi ích biểu hiện tách rời khỏi lợi ích học tập.
Thứ hai là khung công nghệ giáo dục sáu tầng: mục đích con người → sư phạm → công nghệ thông minh → môi trường → dữ liệu và bằng chứng → quản trị. Hướng nhân quả của khung này ngược với thực tiễn chủ lưu: nó yêu cầu xuất phát từ mục đích giáo dục và mục tiêu giảng dạy, sau đó lựa chọn chiến lược sư phạm, cuối cùng mới quyết định phương thức và mức độ can thiệp công nghệ. Lộ trình technology-first vận hành theo hướng ngược lại: trước tiên mua sắm nền tảng hoặc công cụ, sau đó tìm cách “tích hợp” chúng vào giảng dạy, còn quản trị thường xuất hiện như biện pháp khắc phục hậu quả.
3. TỔNG QUAN NGHIÊN CỨU (LITERATURE REVIEW)
3.1. Thói quen lấy công cụ làm trung tâm trong công nghệ giáo dục (Tool-Centered Inertia in Educational Technology)
Giai đoạn 2000–2020, nghiên cứu và thực tiễn công nghệ giáo dục hình thành một thói quen lấy công cụ làm trung tâm khá ổn định. Việc phổ biến LMS, MOOCs, học liệu đa phương tiện và phân tích học tập sơ khai phần lớn tuân theo logic tuyến tính “tiếp nhận – đào tạo – tích hợp”. Trong logic này, giá trị giáo dục của công nghệ được mặc định là phần mở rộng tự nhiên của hiệu dụng chức năng. Woolf (2008) trong Building Intelligent Interactive Tutors đã chỉ ra rằng ảnh hưởng của máy tính đối với giáo dục không được hiện thực hóa phổ biến một phần vì “phần mềm giảng dạy hiện tại không thực sự đáp ứng nhu cầu của người học và cũng không đủ linh hoạt để mô phỏng giảng dạy”. Chẩn đoán này trong kỷ nguyên GenAI có thêm tính cấp bách mới: công nghệ đã trở nên linh hoạt và đáp ứng hơn nhiều, nhưng phán đoán thiết kế giảng dạy “đáp ứng nhu cầu người học” không vì thế mà tự động nhúng vào bản thân công nghệ.
Caballé và cộng sự (2021) trong Intelligent Systems and Learning Data Analytics in Online Education tập trung vấn đề vào tỷ lệ bỏ học và mức độ tham gia thấp trong học tập trực tuyến, trình bày tiềm năng của AI và phương pháp phân tích trong gia sư tự động, phân tích học tập hợp tác và trực quan hóa dữ liệu học tập. Tuy nhiên, lộ trình mà tuyển tập này đại diện vẫn chủ yếu xuất phát từ phương pháp kỹ thuật, xem vấn đề sư phạm như “kịch bản ứng dụng” chờ công nghệ giải quyết, thay vì xem mục đích sư phạm như khung quy phạm ràng buộc thiết kế công nghệ.
3.2. Bằng chứng về sự tách rời “biểu hiện – học tập” của GenAI (Evidence of the Performance–Learning Disconnect)
Bằng chứng tích lũy giai đoạn 2023–2026 ngày càng chỉ rõ một kết luận: giữa năng lực nâng cao biểu hiện nhiệm vụ của các công cụ GenAI phổ thông và năng lực thúc đẩy học tập của chúng không tồn tại quan hệ tất yếu. OECD (2026) qua tổng hợp nhiều nghiên cứu cho thấy sinh viên có thể sử dụng GenAI phổ thông tạo ra sản phẩm chất lượng cao hơn trong nhiệm vụ luyện tập, nhưng khi điều kiện đánh giá loại bỏ quyền truy cập AI, ưu thế này biến mất, đôi khi đảo chiều. Báo cáo quy hiện tượng này cho “lười biếng siêu nhận thức” và suy giảm tham gia do “ủy thác nhiệm vụ nhận thức”.
Bond và cộng sự (2024) qua tổng quan bậc ba 66 tổng quan hệ thống phát hiện chủ đề nghiên cứu AI trong giáo dục đại học tập trung vào hệ thống thích ứng và cá nhân hóa, nhưng lỗ hổng nghiên cứu chính xác nằm ở “các cân nhắc về đạo đức, phương pháp luận và bối cảnh”, cũng như sự thiếu quan tâm đến các lĩnh vực ngoài STEM và kết quả nhận thức. Điều này có nghĩa là phần lớn nghiên cứu được xếp vào danh mục “AI hiệu quả” có chỉ số hiệu quả dừng ở cấp độ biểu hiện (điểm số, tỷ lệ hoàn thành, sự hài lòng), ít chạm đến chất lượng quá trình học tập — chẳng hạn liệu sinh viên có còn huy động được các chiến lược nhận thức tương ứng khi không có AI hay không.
Kasneci và cộng sự (2023) trong ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education đồng thời liệt kê cơ hội và rủi ro: tiềm năng hỗ trợ cá nhân hóa và phản hồi tức thời song hành với rủi ro hallucination, thiên kiến và tính chính trực học thuật. Tính lưỡng diện này tự nó không cấu thành sự phủ định đối với technology-first, nhưng nó đòi hỏi một khung đánh giá có thể đồng thời dung chứa phán đoán hiệu năng và phán đoán giá trị. Nếu đánh giá chỉ đo “sau khi dùng AI điểm số có tăng hay không”, thì rủi ro hallucination và phụ thuộc nhận thức bị bỏ sót một cách hệ thống.
Dunlosky và cộng sự (2013) trong Improving Students’ Learning With Effective Learning Techniques đã thiết lập một chuẩn mực thực chứng cho kỹ thuật học tập: các kỹ thuật như “thực hành truy hồi” (retrieval practice) và “thực hành phân tán” (distributed practice) được chứng minh có hiệu quả cao, trong khi các kỹ thuật như “đọc lại” (rereading) có hiệu quả thấp. Phát hiện này có hàm ý trực tiếp cho thiết kế GenAI: nếu AI khuyến khích sinh viên “thực hành truy hồi” — tức là tự mình tạo ra câu trả lời trước khi AI can thiệp — thì nó hỗ trợ học tập; nếu AI thay thế quá trình truy hồi bằng cách cung cấp câu trả lời ngay lập tức — thì nó triệt tiêu học tập. Đây chính là cơ chế nhận thức của sự tách rời “biểu hiện – học tập”.
Facione (1990) với The Delphi Report và Kuhn (1999) với mô hình phát triển tư duy phản biện bổ sung chiều nhận thức: tư duy phản biện không phải là một kỹ năng đơn lẻ mà là một cấu trúc bao gồm diễn giải, phân tích, đánh giá, suy luận, giải thích và tự điều chỉnh. GenAI có thể hỗ trợ một số thành phần — như cung cấp thông tin để đánh giá — nhưng nếu nó thay thế quá trình tự điều chỉnh (self-regulation) — thì nó triệt tiêu tư duy phản biện. Điều này có nghĩa là đánh giá tác động của GenAI đối với tư duy phản biện không thể chỉ đo “điểm số bài luận” mà phải đo “khả năng tự điều chỉnh quá trình lập luận khi AI vắng mặt”.
3.3. Chuyển hướng quy phạm của pedagogy-first và biểu đạt thể chế (The Normative Turn of Pedagogy-First)
Chuyển hướng ở cấp độ quy phạm trong giai đoạn 2024–2026 đã có biểu đạt thể chế. Đặc điểm chung của các khung năng lực AI cho người học và giáo viên của UNESCO là đặt “tư duy lấy con người làm trung tâm” và “đạo đức AI” trước tri thức công nghệ và sư phạm, đồng thời lấy “người học như những người đồng sáng tạo AI có trách nhiệm” làm viễn cảnh. Khung giáo viên nhấn mạnh thêm rằng AI đã chuyển quan hệ truyền thống thầy – trò thành quan hệ động “giáo viên – AI – học sinh”, điều này đòi hỏi xem xét lại vai trò giáo viên và năng lực cần thiết, trong khi “rất ít quốc gia đã định nghĩa những năng lực này hoặc phát triển các chương trình đào tạo giáo viên về AI cấp quốc gia”.
Singh (2026) trong GenAI in Higher Education: Ethical Frontiers, Challenge and Sustainable Pathways (Elsevier) đặt công bằng, quản trị và tính bền vững vào trung tâm tích hợp GenAI, với lập trường quy phạm bổ sung cho phán đoán ưu tiên sư phạm của OECD: tính chính đáng của triển khai công nghệ phụ thuộc vào việc nó có phục vụ mục tiêu giáo dục bao trùm, minh bạch và bền vững hay không.
Đóng góp chung của các khung này là nâng “pedagogy-first” từ lời kêu gọi của một số học giả lên thành chuẩn năng lực khả vận hành, nhưng hạn chế của chúng là chủ yếu quy định “điều nên là”, còn ít đề cập cơ chế quá trình để cơ sở giáo dục đi từ “điều đang là” đến “điều nên là”. Các hướng dẫn của Harvard Bok Center (2024–2025) về GenAI trong giảng dạy và học tập, của Stanford Teaching Commons (2024–2025) về chiến lược sư phạm và tái thiết kế đánh giá, và của University of Oxford (2024–2025) về chính sách khảo thí trong kỷ nguyên AI đều chia sẻ đặc điểm này: chúng cung cấp nguyên tắc và ví dụ thực hành, nhưng không cung cấp khung chẩn đoán để cơ sở giáo dục tự đánh giá vị trí của mình trong quá trình chuyển dịch.
Altamirano và cộng sự (2026) phần nào lấp đầy lỗ hổng “cơ chế quá trình” này. Tổng quan phân tích 125 nghiên cứu thực nghiệm, đề xuất rằng tích hợp GenAI thành công “không chỉ cần tiếp nhận công nghệ — nó đòi hỏi chuyển dịch mô hình giáo dục căn bản thông qua các chiến lược nhạy cảm với bối cảnh và có nền tảng đạo đức, nhằm cân bằng đổi mới với công bằng”. Kết luận này đồng nhất cao với phán đoán cốt lõi của bài viết, nhưng phân tích dừng ở cấp độ quy phạm “cần chuyển dịch”, chưa thao tác hóa các chiều và giai đoạn của chuyển dịch. Mô hình trưởng thành năm cấp của bài viết chính là phản hồi cho lỗ hổng này.
3.4. Lỗ hổng nghiên cứu và cửa sổ chính sách tại Việt Nam (Research Gap and Policy Window in Vietnam)
Giáo dục đại học Việt Nam giai đoạn 2020–2026 trải qua quá trình kiến tạo khung chính sách nhanh chóng. Quyết định số 127/QĐ-TTg (2021) xác lập Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI; Quyết định số 131/QĐ-TTg (2022) thúc đẩy chuyển đổi số giáo dục; Thông tư số 02/2025/TT-BGDĐT quy định Khung năng lực số cho người học. Khung này gồm sáu miền năng lực, trong đó miền thứ sáu xác định rõ là “Ứng dụng AI”, yêu cầu người học “hiểu, sử dụng và đánh giá các công cụ và hệ thống AI theo cách có đạo đức và có trách nhiệm”. Thiết kế thể chế này về hình thức xác nhận năng lực AI như một thành phần của năng lực người học, nhưng định vị là năng lực người học chứ không phải mô hình sư phạm của cơ sở giáo dục; cơ chế chuyển hóa giữa hai cấp độ này chưa được đề cập.
Nghị quyết số 71-NQ/TW bổ sung tính cấp bách mới cho lỗ hổng này. Nghị quyết yêu cầu rõ “đổi mới tư duy, nhận thức và thể chế”, nhấn mạnh quản trị giáo dục đại học chuyển từ “dựa trên đầu vào và quy trình” sang “dựa trên mục tiêu, sản phẩm, chất lượng và tác động”. Nghị quyết cũng yêu cầu “nghiên cứu đưa năng lực số, kiến thức về trí tuệ nhân tạo vào chương trình giáo dục phổ thông” và “đẩy mạnh ứng dụng trí tuệ nhân tạo trong dạy học tiếng Anh”. Những phát biểu này đồng nhất cao với logic pedagogy-first mà bài viết chủ trương, nhưng giữa định hướng quy phạm của văn bản chính sách và vận hành thực tế ở cấp cơ sở vẫn tồn tại khoảng cách chuyển hóa cần được khảo sát thực nghiệm.
Lỗ hổng này khiến trường hợp Việt Nam có giá trị kép: vừa là một trường thực tiễn cần chẩn đoán, vừa là cơ hội kiểm định tính phù hợp của khung chuyển dịch mô hình trong bối cảnh phi phương Tây. Đáng chú ý, Altamirano và cộng sự (2026) trong phân tích địa lý đã phát hiện một khác biệt cấu trúc: phương Bắc toàn cầu quan tâm “tăng cường sáng tạo”, trong khi phương Nam toàn cầu đối mặt thách thức “tiếp cận cơ bản”. Thực tế giáo dục đại học Việt Nam với “hạ tầng chưa đồng bộ, năng lực số của giảng viên không đồng đều, khung pháp lý về chứng nhận học trực tuyến và quản lý dữ liệu học tập chưa hoàn thiện” chính là biểu hiện cụ thể của khác biệt cấu trúc này. Điều này có nghĩa là thảo luận chuyển dịch mô hình tại Việt Nam không thể sao chép đơn giản chương trình nghị sự của phương Bắc, mà phải xác định vị trí của mình trong quan hệ tiệm tiến “tiếp cận – năng lực – phán đoán”.
4. MÔ HÌNH NGHIÊN CỨU (RESEARCH MODEL)
4.1. Khung phân tích ba trục (Three-Axis Analytical Framework)
Bài viết thao tác hóa khác biệt mô hình thành ba trục liên quan:
Trục mục đích (Purpose Axis): công nghệ dẫn dắt so với mục đích con người dẫn dắt. Lộ trình công nghệ dẫn dắt lấy “sử dụng chức năng nào của AI” làm điểm xuất phát, câu hỏi điển hình là “công cụ này có thể làm gì, chúng ta sử dụng nó cho giảng dạy như thế nào”. Lộ trình mục đích con người dẫn dắt lấy “sinh viên cần phát triển gì, vì sao” làm điểm xuất phát, câu hỏi điển hình là “mục tiêu học tập này đòi hỏi sự tham gia nhận thức nào, vị trí thích hợp của AI trong đó là gì”.
Trục quy trình (Process Axis): lựa chọn công nghệ → giảng dạy so với giảng dạy → công nghệ. Lộ trình trước tuân theo trình tự “mua sắm – đào tạo – tích hợp”, thiết kế giảng dạy xuất hiện như công việc thích ứng sau khi công nghệ đã được chọn. Lộ trình sau tuân theo trình tự “làm rõ mục tiêu – thiết kế giảng dạy – đánh giá công nghệ”, lựa chọn công nghệ chịu ràng buộc của nhu cầu giảng dạy, chứ không phải ngược lại.
Trục đánh giá (Evaluation Axis): chỉ số biểu hiện so với giá trị giáo dục. Chỉ số biểu hiện bao gồm nâng cao điểm số, tỷ lệ hoàn thành, sự hài lòng, tần suất sử dụng. Chỉ số giá trị giáo dục bao gồm lợi ích học tập (biểu hiện nhận thức trong điều kiện không có AI), năng lực chủ thể (cảm giác kiểm soát và gánh vác trách nhiệm của sinh viên đối với quá trình học tập), công bằng (phân bố lợi ích hoặc tổn thất giữa các nhóm) và tính bền vững (mức độ có thể duy trì của mô hình dưới ràng buộc nguồn lực).
4.2. Năm cấp trưởng thành chuyển dịch (Five-Level Maturity Model)
Dựa trên mức độ nhất quán của ba trục, đề xuất mô hình năm cấp:
Cấp 1 – Tiếp nhận công cụ (Tool Adoption): Cơ sở giáo dục đã đưa công cụ AI vào, nhưng mục tiêu giảng dạy, hoạt động và đánh giá chưa thay đổi thực chất. AI tồn tại như thành phần bổ trợ. Biểu hiện điển hình là giới thiệu ChatGPT cho sinh viên sử dụng, nhưng thiết kế bài tập và thi cử giữ nguyên.
Cấp 2 – Quy huấn sử dụng (Usage Regulation): Cơ sở giáo dục đã ban hành quy định sử dụng (cho phép/cấm/yêu cầu trích dẫn), nhưng quy định tập trung vào kiểm soát hành vi chứ không phải thiết kế giảng dạy. Chính sách liêm chính học thuật là hình thức chủ yếu, không có điều chỉnh hệ thống ở cấp sư phạm. “Nghịch lý tích hợp chương trình” (curriculum integration paradox) — tương quan yếu giữa đầu tư phát triển giảng viên và chuyển dịch sư phạm — chính là triệu chứng điển hình của cấp này.
Cấp 3 – Thí điểm sư phạm (Pedagogical Piloting): Ở một số khóa học hoặc dự án, giảng viên có ý thức tái thiết kế hoạt động học tập, khiến việc sử dụng AI phục vụ mục tiêu nhận thức cụ thể (như người phản biện, người đặt câu hỏi hoặc môi trường mô phỏng), đồng thời điều chỉnh phương thức đánh giá. Đặc trưng của thí điểm là tính cục bộ và tính tự nguyện. Mô thức “giàn giáo tốt hơn thay thế” (scaffolding better than substitution) bắt đầu được vận dụng có ý thức ở cấp này.
Cấp 4 – Căn chỉnh hệ thống (System Alignment): Mục tiêu giảng dạy, hoạt động học tập, phương thức đánh giá và sử dụng AI đạt căn chỉnh hệ thống ở cấp dự án hoặc khoa. Phát triển giảng viên, hỗ trợ kỹ thuật và bảo đảm chất lượng được tái cấu trúc quanh logic ưu tiên sư phạm. Cơ chế thể chế hóa việc lựa chọn công nghệ chịu ràng buộc của thiết kế giảng dạy bắt đầu hình thành.
Cấp 5 – Nhúng quản trị (Governance Embeddedness): Cấu trúc quản trị (dữ liệu, đạo đức, mua sắm, đánh giá) gắn kết sâu với nguyên tắc ưu tiên sư phạm. Cơ sở giáo dục có năng lực đánh giá sư phạm nhanh đối với công nghệ mới, và có thể phản hồi kết quả đánh giá vào điều chỉnh mua sắm và chính sách. Chuyển dịch trở thành năng lực liên tục của tổ chức chứ không phải dự án một lần.
4.3. Giả thuyết nghiên cứu (Research Propositions)
Trên cơ sở khung và tài liệu trên, đề xuất ba giả thuyết có thể kiểm định:
H1: Năng lực AI của giảng viên (với chiều “sư phạm AI” của khung UNESCO làm đo lường cốt lõi) tương quan thuận với mức độ trưởng thành chuyển dịch của cơ sở giáo dục. Lý do là thao tác cốt lõi của chuyển dịch ưu tiên sư phạm diễn ra ở cấp khóa học và lớp học, mà năng lực phán đoán ở cấp này tập trung ở giảng viên.
H2: Cơ sở giáo dục có thiết kế thể chế “thí điểm sư phạm trước” (nghĩa là cơ chế cho phép giảng viên thử nghiệm AI với mục đích thiết kế giảng dạy trước khi mua sắm chính thức) có mức độ trưởng thành chuyển dịch cao hơn đáng kể so với cơ sở chỉ đẩy AI qua mua sắm tập trung và đào tạo. Giả thuyết này trực tiếp kiểm định hướng nhân quả của trục quy trình. Cơ sở của nó nằm ở mô thức “tích cực có điều kiện” (positive but conditional): hiệu ích của GenAI phụ thuộc chặt chẽ vào căn chỉnh nhiệm vụ và thiết kế giàn giáo, mà những phán đoán thiết kế này chỉ có thể được thực hiện hiệu quả trong bối cảnh giảng dạy.
H3: Văn hóa học tập của tổ chức (biểu hiện ở sự khoan dung với thất bại, đối thoại liên bộ phận và lặp lại dựa trên bằng chứng) đóng vai trò trung gian giữa năng lực giảng viên và mức độ trưởng thành chuyển dịch. Logic là: năng lực cá nhân nếu không được nhúng vào quy trình tổ chức cho phép thử sai và phản ánh, khó có thể chuyển hóa thành căn chỉnh ở cấp hệ thống.
5.PHƯƠNG PHÁP NGHIÊN CỨU (RESEARCH METHODOLOGY)
5.1. Thiết kế (Design)
Sử dụng thiết kế phương pháp hỗn hợp chuỗi giải thích (explanatory sequential mixed methods). Giai đoạn thứ nhất dùng khảo sát định lượng để mô tả phân bố mức độ trưởng thành chuyển dịch và quan hệ với các biến số then chốt; giai đoạn thứ hai dùng phỏng vấn định tính và phân tích tài liệu để giải thích cơ chế đằng sau các mô thức định lượng, đặc biệt tập trung vào những trường hợp không phù hợp với giả thuyết.
5.2. Giai đoạn định lượng (Quantitative Phase)
Mẫu gồm 300 người tham gia tại 10 cơ sở giáo dục đại học Việt Nam, bao gồm quản lý cấp khoa/bộ môn, giảng viên tham gia cải cách giảng dạy liên quan AI và nhân sự trung tâm phát triển giảng dạy. Lấy mẫu phân tầng có mục đích: ở cấp cơ sở xem xét loại hình (công lập/tư thục, tổng hợp/chuyên ngành) và vùng (Hà Nội, Thành phố Hồ Chí Minh, Đà Nẵng và các địa phương khác); ở cấp cá nhân xem xét vai trò và kinh nghiệm sử dụng AI.
Công cụ đo lường gồm: (1) thang tự đánh giá mức độ trưởng thành chuyển dịch, xây dựng theo mô hình năm cấp, yêu cầu người tham gia đánh giá biểu hiện của khóa học/dự án của mình trên ba trục theo Likert 5 điểm; (2) thang năng lực AI của giảng viên, phóng tác từ các chiều “sư phạm AI” và “nền tảng và ứng dụng AI” của khung UNESCO; (3) thang văn hóa học tập của tổ chức, tập trung vào an toàn tâm lý, khoan dung thử sai và giao tiếp liên bộ phận; (4) các mục về thiết kế thể chế, hỏi về sự tồn tại của cơ chế thí điểm sư phạm trước, sự hiện diện của thẩm định sư phạm trong quy trình mua sắm, v.v.
Chiến lược phân tích: trước tiên dùng phân tích nhân tố khám phá để kiểm định cấu trúc chiều của thang đo, sau đó dùng hồi quy đa biến để kiểm định H1 và H2, cuối cùng dùng phân tích trung gian (phương pháp Bootstrap) để kiểm định H3.
5.3. Giai đoạn định tính (Qualitative Phase)
Tiến hành phỏng vấn bán cấu trúc với 15 người cung cấp thông tin then chốt: 5 lãnh đạo cơ sở giáo dục (hiệu trưởng/phó hiệu trưởng/trưởng phòng đào tạo), 5 giảng viên có kinh nghiệm tích hợp AI hệ thống trong giảng dạy, 5 nhà thiết kế giảng dạy hoặc chuyên viên công nghệ giáo dục. Phỏng vấn tập trung vào: quá trình ra quyết định đưa AI vào, vị trí của phán đoán thiết kế giảng dạy trong đó, lực cản và điều kiện thúc đẩy gặp phải, định nghĩa về “tích hợp AI tốt”.
Phân tích tài liệu bao gồm chính sách AI, hồ sơ phê duyệt khóa học và chương trình phát triển giảng viên của 5 cơ sở giáo dục, dùng để tam giác hóa các phát biểu trong phỏng vấn.
Phân tích dữ liệu định tính sử dụng phân tích chủ đề, lấy khung ba trục làm phạm trù mã hóa ban đầu, đồng thời duy trì tính mở đối với các mô thức ngoài dự kiến của khung. Trong phân tích đặc biệt chú ý đến “phản ví dụ” — những trường hợp đánh giá định lượng và mô tả định tính không nhất quán — vì chúng thường bộc lộ ranh giới của bản thân khung hoặc sai lệch đo lường.
6. KẾT QUẢ DỰ KIẾN (ANTICIPATED RESULTS)
6.1. Đặc điểm phân bố mức độ trưởng thành chuyển dịch
Dự kiến phần lớn cơ sở giáo dục nằm giữa cấp 2 (quy huấn sử dụng) và cấp 3 (thí điểm sư phạm). Phân bố này phản ánh một thực tế cấu trúc: áp lực chính sách và đầu tư nguồn lực trước tiên sinh ra khung quy phạm và thử nghiệm cục bộ, chứ không phải căn chỉnh hệ thống. Cấp 1 có thể tồn tại ở cơ sở có nguồn lực hạn chế hoặc quản trị tập trung vào hạ tầng; cấp 4 và 5 dự kiến rất hiếm, nếu có, có thể xuất hiện ở khoa có truyền thống trung tâm phát triển giảng dạy hoặc đã tham gia các dự án cải cách chương trình có hệ thống.
Dự kiến này nhất quán với phát hiện của Altamirano và cộng sự (2026). Tổng quan báo cáo “căng thẳng dai dẳng” giữa tỷ lệ tiếp nhận 73% của sinh viên và sự kháng cự của giảng viên, đồng thời chỉ ra rằng căng thẳng này “phản ánh sự bất định nhận thức luận sâu xa hơn”. Cấp 2 “quy huấn sử dụng” chính là biểu đạt thể chế của sự bất định này: cơ sở giáo dục phản hồi bất định bằng quy tắc, chứ không bằng phán đoán thiết kế giảng dạy.
6.2. Yếu tố thúc đẩy và cản trở then chốt
Dự kiến H1 được ủng hộ, nhưng kích thước hiệu ứng ở mức trung bình. Năng lực AI của giảng viên là điều kiện cần chứ không phải điều kiện đủ: giảng viên có năng lực nếu ở trong môi trường thể chế lấy chỉ số biểu hiện làm tiêu chuẩn đánh giá duy nhất, thực tiễn ưu tiên sư phạm của họ có thể dừng ở cấp khóa học cá nhân và không thể lan tỏa. “Nghịch lý tích hợp chương trình” cung cấp tham chiếu ngược cho dự kiến này: chỉ tăng cường đào tạo giảng viên mà không thay đổi môi trường thể chế thì hiệu quả chuyển dịch sẽ rất hạn chế.
Dự kiến H2 được ủng hộ mạnh hơn. Giá trị thể chế của thí điểm sư phạm trước nằm ở việc nó tạo ra không gian phán đoán giảng dạy trước quyết định mua sắm, khiến lựa chọn công nghệ trở thành hàm của nhu cầu giảng dạy chứ không phải ngược lại. Cơ sở lý thuyết của nó nằm ở việc lợi ích học tập của GenAI phụ thuộc vào thiết kế “nỗ lực ban đầu của người học được theo sau bởi gợi ý có cấu trúc, phản hồi hoặc câu hỏi dẫn dắt”, và thiết kế này chỉ có thể được phán đoán và điều chỉnh trong bối cảnh giảng dạy.
Hiệu ứng trung gian của H3 dự kiến có ý nghĩa, nhưng đường dẫn có thể bất đối xứng: tác động của văn hóa học tập tổ chức đối với bước nhảy từ “thí điểm giảng dạy” sang “căn chỉnh hệ thống” có thể lớn hơn tác động của nó đối với bước từ “tiếp nhận công cụ” sang “quy huấn sử dụng”.
Về lực cản, dự kiến dữ liệu định tính sẽ làm nổi bật ba chủ đề: mô hình đào tạo giảng viên lấy công cụ làm trung tâm (nội dung đào tạo là “cách sử dụng công cụ X” chứ không phải “sử dụng AI nào với mục tiêu học tập nào là phù hợp”), sự vắng mặt thể chế của thẩm định giảng dạy trong quy trình mua sắm, và văn hóa bảo đảm chất lượng lấy chỉ số biểu hiện làm chủ đạo có thể trừng phạt ngầm các thử nghiệm giảng dạy.
6.3. Kiểu học lộ trình chuyển dịch
Dựa trên tích hợp dữ liệu định lượng và định tính, dự kiến nhận diện ba kiểu lộ trình: kiểu chính sách dẫn dắt (chuyển dịch được kích hoạt bởi yêu cầu chính sách bên ngoài, nhưng mức độ căn chỉnh giảng dạy thấp), kiểu lãnh đạo giảng dạy (được thúc đẩy bởi lãnh đạo cấp khoa, lan tỏa hạn chế nhưng độ sâu cao), kiểu phản hồi khủng hoảng (được thúc đẩy bởi vấn đề giảng dạy cụ thể, như thiếu phản hồi trong lớp đông, AI được đưa vào như giải pháp nhưng kèm theo tái thiết kế giảng dạy). Kiểu học này sẽ giúp giải thích vì sao dưới cùng áp lực chính sách, mức độ chuyển dịch giữa các cơ sở lại khác biệt đáng kể.
7. THẢO LUẬN HỌC THUẬT (DISCUSSION)
7.1. Đối thoại với bằng chứng của OECD và lý thuyết học tập thực chứng
Phán đoán cốt lõi của báo cáo OECD 2026 — GenAI phổ thông nâng cao biểu hiện mà không nhất thiết thúc đẩy học tập, còn công cụ giáo dục dưới dẫn dắt của thiết kế giảng dạy có thể tạo ra cải thiện học tập bền vững — được giải thích về mặt cấu trúc trong khung của bài viết. Sự tách rời “biểu hiện – học tập” của công cụ phổ thông xảy ra chính vì thiết kế của chúng bỏ qua tầng sư phạm: người dùng nhập nhiệm vụ, hệ thống xuất kết quả, nỗ lực nhận thức bị tối thiểu hóa. Công cụ giáo dục khác ở chỗ thiết kế của chúng nhúng sẵn các ràng buộc sư phạm (như đặt câu hỏi kiểu Socrates, gợi ý tiệm tiến, tạo xung đột nhận thức), khiến người dùng không thể ủy thác hoàn toàn thao tác nhận thức.
Cơ sở lý thuyết học tập của phán đoán này có thể được truy nguyên từ Sweller, Ayres và Kalyuga (2011): khi GenAI loại bỏ hoàn toàn “tải nhận thức có lợi” (germane cognitive load), nó triệt tiêu cơ chế hình thành lược đồ nhận thức — nền tảng của học tập bền vững. Vygotsky (1978) bổ sung chiều ZPD: GenAI chỉ phục vụ học tập khi nó hoạt động như giàn giáo trong vùng phát triển gần nhất, không phải như công cụ thay thế. Chi và Wylie (2014) với Khung ICAP cung cấp tiêu chí quan sát: GenAI thúc đẩy học tập khi nó khuyến khích chuyển dịch từ thụ động (passive) sang kiến tạo (constructive) và tương tác (interactive); nó triệt tiêu học tập khi nó giữ người học ở trạng thái thụ động.
Hàm ý thực tiễn của cách giải thích này là rõ ràng: cơ sở giáo dục không nên đánh đồng “cung cấp quyền truy cập ChatGPT cho sinh viên” với “tích hợp AI trong giảng dạy”. Cái trước là quyết định ở cấp năng lực công nghệ, cái sau đòi hỏi tái thiết kế ở cấp sư phạm. Đánh đồng hai điều này chính là biểu hiện điển hình của thói quen technology-first. Trường hợp khóa học lập trình mà Altamirano và cộng sự (2026) báo cáo — cho phép sử dụng ChatGPT nhưng điểm số không thay đổi nhờ tái thiết kế nhiệm vụ — cho thấy khi thiết kế giảng dạy đủ thận trọng, quyền truy cập công nghệ tự nó không nhất thiết làm tổn hại học tập. Nhưng điều kiện thành công của trường hợp này chính là pedagogy-first: nhiệm vụ được thiết kế “khó hoàn thành bằng prompt”, bài tập trên lớp loại trừ AI, và đưa vào bảo vệ miệng và thi giấy.
7.2. Hàm ý đối với bối cảnh chính sách Việt Nam
Khung chính sách Việt Nam giai đoạn 2020–2026 đã đưa ra tín hiệu rõ ràng về câu hỏi “có tích hợp AI hay không”, nhưng còn thiếu hướng dẫn hệ thống về câu hỏi “tích hợp theo mô hình nào”. Khoảng trống này không nằm ở sự thiếu vắng văn bản quy phạm — trên thực tế, mật độ chính sách trong giai đoạn này dày đặc chưa từng có — mà nằm ở chỗ các văn bản hiện hành định vị AI như một năng lực của người học hoặc một công cụ của giảng viên, chứ chưa định vị nó như một đối tượng của quản trị thể chế. Thông tư số 02/2025/TT-BGDĐT với Khung năng lực số gồm sáu miền, trong đó miền thứ sáu là “Ứng dụng trí tuệ nhân tạo”, yêu cầu người học “hiểu, sử dụng và đánh giá các công cụ và hệ thống AI một cách có đạo đức và có trách nhiệm”. Thiết kế này xác lập chuẩn đầu ra ở cấp người học, nhưng không quy định cơ chế nào để cơ sở giáo dục chuyển hóa chuẩn đầu ra đó thành thiết kế giảng dạy, đánh giá và mua sắm công nghệ. Nói cách khác, văn bản trả lời câu hỏi “sinh viên cần biết gì về AI” mà chưa trả lời câu hỏi “nhà trường cần vận hành như thế nào để việc dạy và học AI không triệt tiêu chính năng lực mà nó nhắm đến”.
Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 của Bộ Chính trị bổ sung một tầng định hướng quan trọng nhưng cũng làm lộ rõ khoảng cách chuyển hóa. Nghị quyết yêu cầu “đổi mới tư duy, nhận thức và thể chế”, chuyển quản trị giáo dục đại học từ “dựa trên đầu vào và quy trình” sang “dựa trên mục tiêu, sản phẩm, chất lượng và tác động”. Nghị quyết cũng yêu cầu “nghiên cứu đưa năng lực số, kiến thức về trí tuệ nhân tạo vào chương trình giáo dục phổ thông” và “ứng dụng mạnh mẽ trí tuệ nhân tạo trong dạy và học tiếng Anh”. Đây là những tín hiệu quy phạm đồng nhất với logic pedagogy-first: nhấn mạnh mục tiêu và tác động thay vì đầu vào, nhấn mạnh năng lực người học thay vì danh mục công cụ. Tuy nhiên, giữa định hướng “chuyển sang quản trị dựa trên tác động” và thực tiễn vận hành ở cấp cơ sở vẫn tồn tại một khoảng trống trung giới: không có cơ chế nào buộc quyết định mua sắm công nghệ phải chịu ràng buộc của thẩm định sư phạm trước, không có quy trình nào yêu cầu đánh giá tác động học tập (learning gain) tách biệt khỏi đánh giá mức độ hài lòng hoặc tần suất sử dụng, và không có chuẩn nào quy định rằng một khóa học chỉ được coi là “tích hợp AI thành công” khi sinh viên vẫn huy động được năng lực nhận thức tương ứng trong điều kiện không có AI.
Hàm ý thực tiễn đầu tiên đối với cơ sở giáo dục Việt Nam là: dưới ràng buộc nguồn lực, theo đuổi Cấp 5 “nhúng quản trị” của mô hình trưởng thành là không thực tế, nhưng Cấp 2 “quy huấn sử dụng” — nơi chính sách dừng lại ở quy định cho phép/cấm mà không điều chỉnh thiết kế giảng dạy — cũng không phải là đích đến an toàn. Mục tiêu có ý nghĩa chiến lược hơn là hệ thống hóa Cấp 3 “thí điểm sư phạm”: đạt tích hợp sâu theo hướng ưu tiên sư phạm ở một số khóa học, đồng thời xây dựng cơ chế chuyển hóa kinh nghiệm thí điểm thành tri thức thể chế. Lợi thế của lộ trình này là nó không đòi hỏi đầu tư hạ tầng lớn trước, mà đòi hỏi đầu tư vào phán đoán giảng dạy và học tập tổ chức. Mục tiêu đầu tư R&D 2% GDP mà Nghị quyết số 57-NQ/TW xác lập và các đột phá chính sách giáo viên mà Nghị quyết số 71-NQ/TW nhấn mạnh tạo ra tiềm năng hỗ trợ nguồn lực và điều kiện thể chế cho lộ trình này, nhưng tiềm năng chỉ trở thành hiện thực nếu cơ chế phân bổ ở cấp cơ sở ưu tiên thí điểm sư phạm thay vì mua sắm tập trung.
Hàm ý thứ hai liên quan đến cơ chế đánh giá tác động. Các văn bản hiện hành chủ yếu đặt ra chuẩn đầu ra về năng lực số và năng lực AI, nhưng không thiết lập yêu cầu đo lường lợi ích học tập (learning gain) như một chỉ số tách biệt khỏi lợi ích biểu hiện (performance gain). Trong bối cảnh mà sinh viên có thể sử dụng GenAI để tạo ra sản phẩm có chất lượng cao hơn, nếu cơ sở giáo dục chỉ đánh giá sản phẩm cuối cùng mà không đánh giá năng lực nhận thức độc lập, chính sách “tích hợp AI” sẽ vô tình hợp thức hóa hiện tượng “ảo ảnh làm chủ sai lầm” mà OECD mô tả. Cơ sở giáo dục cần thiết kế các điểm đánh giá trong đó sinh viên phải thể hiện năng lực không có sự hỗ trợ của AI — không phải để cấm AI, mà để bảo đảm rằng AI đang đóng vai trò giàn giáo chứ không phải công cụ thay thế. Đây là một yêu cầu có thể được cụ thể hóa trong quy chế đào tạo và quy chế đánh giá của từng trường, không cần chờ hướng dẫn từ cấp trên.
Hàm ý thứ ba liên quan đến chính sách phát triển giảng viên. Nghị quyết số 71-NQ/TW nhấn mạnh “phát triển đội ngũ nhà giáo” và “thu hút giáo viên đến vùng khó khăn”, nhưng chưa đặt ra yêu cầu về năng lực siêu sư phạm (meta-pedagogical competence) — khả năng phán đoán thao tác nhận thức nào nên giữ lại cho người học và thao tác nào có thể ủy thác cho công nghệ. Các chương trình bồi dưỡng hiện hành có xu hướng tập trung vào kỹ năng sử dụng công cụ, trong khi bằng chứng từ “nghịch lý tích hợp chương trình” cho thấy đầu tư vào đào tạo công cụ không tự động chuyển hóa thành chuyển dịch sư phạm. Cơ sở giáo dục cần chuyển trọng tâm từ “đào tạo công cụ” sang “bồi dưỡng phán đoán” thông qua phân tích hợp tác trên các trường hợp khóa học thực, so sánh bằng chứng về quá trình học tập trước và sau khi AI can thiệp, và thảo luận liên tục về ranh giới giữa tích hợp tốt và tích hợp xấu. Đây là một lĩnh vực mà các trường đại học có quyền tự chủ chuyên môn có thể triển khai ngay, không phụ thuộc vào việc ban hành thêm văn bản quy phạm.
Cuối cùng, cần nhận diện một rủi ro thể chế trong cách diễn giải Nghị quyết số 71-NQ/TW. Nghị quyết yêu cầu chuyển sang quản trị dựa trên “sản phẩm, chất lượng và tác động”, nhưng nếu “sản phẩm” được hiểu là các chỉ số dễ đo lường như số lượng khóa học có tích hợp AI, số giảng viên được tập huấn, hoặc số lượt sử dụng công cụ, thì cơ chế đánh giá mới sẽ tái tạo chính logic technology-first dưới hình thức khác. Điều cần được đo lường không phải là mức độ hiện diện của AI, mà là mức độ bảo tồn và phát triển năng lực nhận thức trong điều kiện AI hiện diện. Sự khác biệt này là ranh giới giữa một chính sách tích hợp AI có trách nhiệm và một chính sách tích hợp AI mang tính hình thức. Ở cấp cơ sở, các trường cần chủ động xây dựng bộ chỉ số đánh giá tác động bao gồm cả lợi ích biểu hiện và lợi ích học tập, thay vì chờ đợi một bộ chỉ số thống nhất từ cấp hệ thống — bởi lẽ, như phân tích ở trên, chính sự chậm trễ trong việc xác lập cơ chế đo lường tác động là điều kiện thuận lợi cho thói quen technology-first tiếp tục tồn tại.
7.3. Tái cấu trúc phát triển giảng viên
Cách diễn đạt hiện tại của khung năng lực AI cho giảng viên có xu hướng đặt “sư phạm AI” như một lĩnh vực năng lực song song với các lĩnh vực khác. Phân tích của bài viết gợi ý rằng sự song song này có thể đánh giá thấp độ sâu của vấn đề. Điều mà chuyển dịch ưu tiên sư phạm đòi hỏi không phải là giảng viên “nắm vững” một phương pháp sư phạm mới, mà là giảng viên có thể thực hiện lại phán đoán giảng dạy trong điều kiện AI can thiệp — phán đoán thao tác nhận thức nào nên giữ lại cho người học, thao tác nào có thể ủy thác cho công nghệ, và điều kiện cũng như giới hạn của việc ủy thác. Đây là một năng lực siêu sư phạm (meta-pedagogical competence), sự phát triển của nó phụ thuộc vào thực hành phản ánh liên tục và đối thoại đồng nghiệp, chứ không phải đào tạo ngắn hạn.
Mishra và Koehler (2006) với khung TPACK cung cấp nền tảng lý thuyết cho phán đoán này: năng lực tích hợp công nghệ không phải là năng lực kỹ thuật thuần túy mà là sự giao thoa giữa tri thức công nghệ, tri thức sư phạm và tri thức nội dung. Điều này có nghĩa là đào tạo giảng viên về AI không thể chỉ là “đào tạo công cụ” mà phải là “bồi dưỡng phán đoán sư phạm trong điều kiện AI can thiệp” — tức là phát triển năng lực siêu sư phạm.
Biggs (1996) với nguyên tắc căn chỉnh kiến tạo (constructive alignment) bổ sung chiều thể chế: mục tiêu học tập, hoạt động học tập và đánh giá phải nhất quán với nhau. Nếu GenAI được sử dụng trong hoạt động nhưng đánh giá vẫn đo lường năng lực “không có AI”, thì sự căn chỉnh bị phá vỡ. Điều này có nghĩa là phát triển giảng viên không thể chỉ tập trung vào “cách sử dụng AI” mà phải bao gồm “cách thiết kế đánh giá để đo lường lợi ích học tập thực sự”.
Phát hiện “nghịch lý tích hợp chương trình” của Altamirano và cộng sự (2026) — tương quan gần bằng không giữa đầu tư phát triển giảng viên và chuyển dịch giảng dạy — cung cấp hỗ trợ thực nghiệm cho phán đoán này. Cách giải thích là: nếu phát triển giảng viên được thiết kế như “đào tạo sử dụng công cụ”, nó bồi dưỡng kỹ năng thao tác chứ không phải năng lực phán đoán; còn năng lực phán đoán đòi hỏi phân tích hợp tác trên các trường hợp khóa học thực, so sánh bằng chứng về quá trình học tập của sinh viên trước và sau khi AI can thiệp, và thảo luận liên tục về ranh giới “tích hợp tốt” và “tích hợp xấu”.
Vì vậy, thiết kế phát triển giảng viên nên chuyển từ “đào tạo công cụ” sang “bồi dưỡng phán đoán”. Cụ thể, phân tích hợp tác dựa trên trường hợp khóa học thực, so sánh bằng chứng về quá trình học tập của sinh viên trước và sau khi AI can thiệp, và thảo luận về ranh giới “tích hợp tốt” và “tích hợp xấu” có thể phát triển năng lực phán đoán này hiệu quả hơn trình diễn chức năng.
7.4. Hạn chế và chiều phản tư
Thiết kế của bài viết tồn tại một số hạn chế. Thứ nhất, mức độ trưởng thành chuyển dịch dựa vào tự đánh giá, có thể chịu ảnh hưởng của thiên lệch mong muốn xã hội. Chiến lược giảm thiểu bao gồm tam giác hóa bằng chứng tài liệu và quan sát bên thứ ba trong giai đoạn định tính, đồng thời thông báo rõ mục đích nghiên cứu không phải đánh giá ưu劣 của cơ sở. Thứ hai, tính đa dạng thể chế của giáo dục đại học Việt Nam có nghĩa là mẫu 10 cơ sở có tính đại diện thống kê hạn chế; kết luận nên giới hạn ở khái quát hóa phân tích chứ không phải khái quát hóa thống kê. Thứ ba, bản thân khung ba trục là một sự đơn giản hóa; cơ sở giáo dục trong thực tế có thể thể hiện vị trí không nhất quán trên các trục (ví dụ ưu tiên sư phạm trên trục mục đích song hành với định hướng biểu hiện trên trục đánh giá), và sự không nhất quán này tự nó là hiện tượng đáng phân tích chứ không phải nhiễu đo lường.
Một chiều phản tư đáng suy nghĩ thêm là: bài viết lấy “pedagogy-first” làm lập trường quy phạm, nhưng liệu lập trường này có thể trở thành một giáo điều chính thống mới hay không? Nếu pedagogy-first bị đơn giản hóa thành “giảng viên phải kiểm soát mọi khâu sử dụng AI”, nó có thể cản trở những hình thức hỗ trợ học tập tự động hơn vốn thực sự hiệu quả trong những điều kiện nhất định. Bằng chứng của OECD cho thấy công cụ AI giáo dục đạt hiệu quả tốt nhất trong điều kiện “được đồng thiết kế với giảng viên”, điều này gợi ý rằng ý nghĩa chính xác của pedagogy-first không phải là giảng viên kiểm soát toàn bộ công nghệ, mà là phán đoán giảng dạy hiện diện có tính cấu trúc trong thiết kế công nghệ — bất kể sự hiện diện đó được thực hiện thông qua đồng thiết kế, thẩm định giảng dạy hay phán đoán chuyên môn liên tục.
Ngoài ra, một số học giả đề xuất góc nhìn “sư phạm quấn quít” (entangled pedagogy), cho rằng đặt công nghệ đơn giản “sau” hay “trước” giảng dạy đều bỏ qua quan hệ kiến tạo lẫn nhau giữa công nghệ và sư phạm. Phê phán này đáng được xem xét nghiêm túc. Phản hồi của bài viết là: khung ba trục không chủ trương công nghệ phải “sau” giảng dạy theo trình tự thời gian, mà chủ trương phán đoán giảng dạy phải “ràng buộc” lựa chọn công nghệ về mặt quy phạm. Ở cấp thực tiễn, sự ràng buộc này có thể được thực hiện qua nhiều cơ chế — đồng thiết kế, thẩm định mua sắm, phán đoán chuyên môn liên tục — mà không cần tiền giả định một trình tự thời gian tuyến tính.
8. KẾT LUẬN (CONCLUSION)
Lập luận cốt lõi của bài viết có thể khái quát thành một sự phân biệt và một phán đoán. Sự phân biệt là: năng lực công nghệ, lợi ích biểu hiện, lợi ích học tập và giá trị giáo dục là bốn cấp độ khác nhau; suy luận từ cấp trước đến cấp sau cần sự trung giới của sư phạm và quản trị. Phán đoán là: mô hình tích hợp chủ lưu của GenAI trong giáo dục giai đoạn 2020–2026 vẫn dừng ở lộ trình technology-first, với dấu hiệu là nhầm lẫn cải thiện biểu hiện với cải thiện học tập, nhầm lẫn tính khả dụng của công cụ với tính hiệu quả của giảng dạy.
Khái niệm “ảo ảnh làm chủ sai lầm” của OECD cung cấp điểm neo bằng chứng rõ ràng nhất cho phán đoán này. Altamirano và cộng sự (2026) với phát hiện “giàn giáo tốt hơn thay thế” đã đẩy phán đoán từ chẩn đoán phê phán sang nguyên tắc thiết kế khả vận hành. Các lý thuyết học tập thực chứng — Tải nhận thức (Sweller et al., 2011), ZPD (Vygotsky, 1978), ICAP (Chi & Wylie, 2014), SRL (Zimmerman, 2002), TPACK (Mishra & Koehler, 2006), căn chỉnh kiến tạo (Biggs, 1996) — cung cấp cơ sở nhận thức cho phán đoán này. Khung năng lực của UNESCO cung cấp định hướng quy phạm: AI lấy con người làm trung tâm có nghĩa là ưu tiên năng lực chủ thể nhận thức và phán đoán đạo đức. Đóng góp của bài viết là kết nối các tuyến này thành một khung phân tích chuyển dịch khả vận hành — ba trục, bốn cấp độ và năm cấp trưởng thành — để cơ sở giáo dục có thể chẩn đoán vị trí của mình, nhận diện đòn bẩy chuyển dịch và hoạch định mục tiêu theo giai đoạn.
Đối với giáo dục đại học Việt Nam, quá trình kiến tạo chính sách giai đoạn 2020–2026 đã mở ra cửa sổ cho lựa chọn mô hình. Khung “hai đường ray” do Nghị quyết số 57-NQ/TW và Nghị quyết số 71-NQ/TW tạo thành xác nhận ở cấp thể chế quan hệ kiến tạo lẫn nhau giữa công cụ công nghệ và phát triển con người. Tuy nhiên, giữa cam kết quy phạm của văn bản chính sách và thực tiễn giảng dạy ở cấp cơ sở vẫn tồn tại các khâu trung giới của phán đoán giảng viên, văn hóa học tập tổ chức và chế độ đánh giá. Giá trị của cửa sổ này không nằm ở việc đuổi theo biên giới công nghệ, mà ở việc nhúng phán đoán giảng dạy vào ký ức thể chế trong giai đoạn lựa chọn công nghệ chưa bị khóa cứng bởi phụ thuộc lộ trình. Lộ trình chuyển dịch bền vững nhất có thể không phải là leo tuyến tính từ cấp 1 lên cấp 5, mà là xây dựng ở cấp 3 mật độ thí điểm sâu đủ dày để thực tiễn ưu tiên sư phạm có được tính khả kiến và tính chính đáng thể chế, từ đó tích lũy tri thức tổ chức cho căn chỉnh hệ thống sau này.
Về mặt lý thuyết, đóng góp của bài viết là chuyển “pedagogy-first” từ lời kêu gọi quy phạm thành cấu trúc khả phân tích. Về mặt thực tiễn, đóng góp là cung cấp cho cơ sở giáo dục một ngôn ngữ chẩn đoán không phụ thuộc vào nền tảng công nghệ cụ thể. Hướng nghiên cứu tương lai bao gồm: theo dõi dọc thí điểm cấp 3 để kiểm định tính bền vững của lợi ích học tập, phát triển chỉ số quan sát mức độ trưởng thành chuyển dịch độc lập với tự đánh giá, và kiểm định ranh giới áp dụng của khung trong bối cảnh các nước thu nhập trung bình đa dạng hơn. Chuyển dịch mô hình chưa bao giờ là một tuyên bố một lần, mà là sự tích lũy của một chuỗi phán đoán cụ thể. Trong quan hệ giữa giáo dục và AI, câu hỏi cốt lõi của những phán đoán này luôn là: chúng ta thực sự muốn công nghệ làm gì cho sự phát triển của sinh viên, và chúng ta không muốn nó làm gì.
TUYÊN BỐ ĐÓNG GÓP CỦA TÁC GIẢ (CRediT AUTHORSHIP STATEMENT)
Nguyễn Văn Hùng: Ý tưởng nghiên cứu cốt lõi (Conceptualization); Thiết lập phương pháp luận và cơ sở lý thuyết (Methodology & Theoretical Development); Xây dựng khung phân tích ba trục và mô hình trưởng thành năm cấp (Framework Architecture & Propositions); Tích hợp lý thuyết học tập thực chứng (Evidence-Based Learning Theories Integration); Trực quan hóa mô hình (Visualization); Soạn thảo toàn văn bản thảo (Writing – Original Draft); Rà soát, hiệu đính học thuật chuyên sâu và chuẩn hóa định dạng tham chiếu APA 7 (Writing – Review & Editing); Quản trị dự án nghiên cứu (Project Administration).
TÀI LIỆU THAM KHẢO (REFERENCES – APA 7TH EDITION)
Altamirano, S. F. S., Maquen-Niño, G. L. E., Guzmán Roldán, C. M., Herrera, A. P., & Cárdenas, D. M. C. (2026). Generative artificial intelligence in higher education: A systematic review of perceptions, implementation and pedagogical transformation. Review of Education, 14(1). https://doi.org/10.1002/rev3.70045
Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32(3), 347–364. https://doi.org/10.1007/BF00138871
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21, Article 4. https://doi.org/10.1186/s41239-023-00436-z
Boud, D., & Falchikov, N. (Eds.). (2007). Rethinking assessment in higher education: Learning for the longer term. Routledge.
Bộ Chính trị. (2024). Nghị quyết số 57-NQ/TW ngày 22 tháng 12 năm 2024 về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.
Bộ Chính trị. (2025). Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 về đột phá phát triển giáo dục và đào tạo.
Bộ Giáo dục và Đào tạo. (2025). Thông tư số 02/2025/TT-BGDĐT ngày 24 tháng 01 năm 2025 quy định Khung năng lực số cho người học.
Caballé, S., Demetriadis, S. N., Gómez-Sánchez, E., Papadopoulos, P. M., & Weinberger, A. (Eds.). (2021). Intelligent systems and learning data analytics in online education. Academic Press/Elsevier.
Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266
Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction (The Delphi Report). The California Academic Press.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching. Educational Psychologist, 41(2), 75–86. https://doi.org/10.1207/s15326985ep4102_1
Kuhn, D. (1999). A developmental model of critical thinking. Educational Researcher, 28(2), 16–46. https://doi.org/10.3102/0013189X028002016
Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391105
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Nicol, D. J., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199–218. https://doi.org/10.1080/03075070600572090
OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing.
Pintrich, P. R. (2000). The role of goal orientation in self-regulated learning. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 451–502). Academic Press. https://doi.org/10.1016/B978-012109890-2/50043-3
Singh, U. G. (Ed.). (2026). GenAI in higher education: Ethical frontiers, challenge and sustainable pathways. Elsevier.
Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer. https://doi.org/10.1007/978-1-4419-8126-4
Thủ tướng Chính phủ. (2021). Quyết định số 127/QĐ-TTg ngày 26 tháng 01 năm 2021 ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030.
Thủ tướng Chính phủ. (2022). Quyết định số 131/QĐ-TTg ngày 25 tháng 01 năm 2022 phê duyệt Đề án tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022–2025, định hướng đến năm 2030.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
UNESCO. (2024a). AI competency framework for students. UNESCO.
UNESCO. (2024b). AI competency framework for teachers. UNESCO.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Woolf, B. P. (2008). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann/Elsevier.
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
PHỤ LỤC (APPENDIX)
Phụ lục A: Thang tự đánh giá mức độ trưởng thành chuyển dịch (trích)
Vui lòng đánh giá mức độ phù hợp của các phát biểu sau với khóa học/dự án của quý vị, theo thang 1 (hoàn toàn không phù hợp) đến 5 (hoàn toàn phù hợp).
Trục mục đích
- Trước khi đưa công cụ AI vào, chúng tôi đã xác định rõ năng lực nhận thức cụ thể cần phát triển cho sinh viên.
- Phương thức sử dụng AI được suy ra từ mục tiêu học tập, chứ không phải từ chức năng của công cụ.
Trục quy trình
- Trong các quyết định liên quan AI của chúng tôi, thẩm định thiết kế giảng dạy đi trước quyết định mua sắm công nghệ.
- Giảng viên có cơ hội thử nghiệm công cụ với mục đích thí nghiệm giảng dạy trước khi chính thức áp dụng.
Trục đánh giá
- Khi đánh giá hiệu quả tích hợp AI, chúng tôi quan tâm đến biểu hiện nhận thức của sinh viên trong điều kiện không có AI.
- Cảm giác kiểm soát và gánh vác trách nhiệm của sinh viên đối với quá trình học tập là chỉ số quan trọng trong đánh giá tích hợp AI của chúng tôi.
Phụ lục B: Hướng dẫn phỏng vấn bán cấu trúc (trích)
- Xin mô tả quá trình ra quyết định đưa công cụ hoặc phương pháp AI hiện tại vào đơn vị của quý vị. Ai đã tham gia? Phán đoán then chốt được đưa ra ở giai đoạn nào?
- Theo quý vị, thế nào là “tích hợp AI tốt” trong giảng dạy? Quý vị có thể nêu một ví dụ thành công và một ví dụ không thành công mà quý vị cho là điển hình không?
- Khi quý vị cố gắng sử dụng AI theo hướng ưu tiên sư phạm, quý vị gặp những hỗ trợ và lực cản nào?
