English title:
Developing and Validating an Artificial Intelligence Competency Framework for University Faculty in Vietnam: Multidimensional Structure, Scale Validation, and Human Resource Development Implications
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự phát triển nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang tái cấu trúc công việc học thuật, thực hành sư phạm và yêu cầu năng lực của giảng viên đại học. AI hiện không chỉ hỗ trợ tạo nội dung mà còn tham gia vào thiết kế học tập, cá nhân hóa, đánh giá, phản hồi, phân tích dữ liệu, nghiên cứu, quản trị học thuật và phát triển nghề nghiệp. Vì vậy, năng lực AI của giảng viên không thể được giản lược thành khả năng sử dụng công cụ hoặc AI literacy theo nghĩa kỹ thuật. UNESCO (2024) xác định 15 năng lực giáo viên AI thuộc năm chiều cạnh gồm human-centred mindset, ethics of AI, AI foundations and applications, AI pedagogy và AI for professional learning, được tổ chức theo ba mức phát triển Acquire–Deepen–Create. DigCompEdu trước đó cũng khẳng định năng lực số của nhà giáo phải được đặt trong toàn bộ hoạt động nghề nghiệp, thay vì chỉ được hiểu như mức độ thành thạo công nghệ (Redecker, 2017).
Tuy nhiên, GenAI làm phát sinh các yêu cầu năng lực mới liên quan đến thiết kế tương tác Người–AI, đánh giá và kiểm chứng đầu ra AI, tái thiết kế đánh giá, quản trị dữ liệu, liêm chính học thuật, bản quyền, trách nhiệm nghề nghiệp và học tập chuyên môn liên tục. Các nghiên cứu gần đây đã chuyển từ việc mô tả năng lực sang phát triển các công cụ đo lường: GAICS-TR của Xia et al. (2026) bao phủ bốn miền và chín chiều cạnh đối với giảng viên và nhà nghiên cứu trong giáo dục đại học, trong khi Aldighrir (2026) phát triển thang năng lực chuyên môn GenAI gồm ba nhân tố pedagogical judgment, ethical leadership và professional agency. Những tiến bộ này cho thấy khoảng trống hiện nay không còn nằm ở việc tạo thêm một danh sách kỹ năng AI, mà ở việc xây dựng một khung được bản địa hóa cho giáo dục đại học Việt Nam, có cấu trúc đa chiều, giá trị tâm trắc rõ ràng, khả năng so sánh giữa các nhóm và khả năng chuyển hóa thành công cụ phát triển nguồn nhân lực.
Nghiên cứu đề xuất phát triển và kiểm định Vietnamese University Teacher AI Competency Framework (VUT-AICF) với sáu chiều cạnh dự kiến: AI Foundations & Literacy; Ethical, Responsible & Human-Centred AI Competence; AI Pedagogical Design & Teaching Competence; AI Assessment & Learning Analytics Competence; Human–AI Collaboration & Professional Practice Competence; AI-Enabled Professional Learning & Innovation Competence. Nghiên cứu sử dụng thiết kế sequential exploratory mixed-methods, bao gồm tổng quan tích hợp, phỏng vấn chuyên gia, tạo lập và thẩm định nội dung các biến quan sát, khảo sát thử, EFA, CFA và kiểm định mô hình đo lường trên mẫu giảng viên đại học Việt Nam. Measurement invariance được đề xuất để kiểm tra tính tương đương của thang đo giữa các nhóm giảng viên.
Đóng góp của nghiên cứu không nằm ở việc đề xuất thêm một danh sách kỹ năng AI, mà ở việc xây dựng một competency architecture có thể đo lường, kiểm định và chuyển hóa thành quyết định HRD, qua đó hỗ trợ competency profiling, training-needs analysis, personalized faculty development, competency progression, institutional AI readiness và hoạch định phát triển nguồn nhân lực học thuật trong bối cảnh chuyển đổi AI.
Từ khóa: Năng lực Trí tuệ Nhân tạo; Giảng viên đại học; Năng lực sư phạm về AI; Trí tuệ Nhân tạo Tạo sinh; Phát triển thang đo; Phát triển nguồn nhân lực; Giáo dục đại học; Việt Nam.
ABSTRACT
The rapid advancement of artificial intelligence (AI), particularly generative artificial intelligence (GenAI), is reshaping academic work, pedagogical practices, and the competency requirements of university faculty. AI now extends beyond content generation to support learning design, personalization, assessment, feedback, data analytics, research, academic administration, and professional development. Consequently, faculty AI competency cannot be reduced to tool-use proficiency or AI literacy in a narrowly technical sense. UNESCO (2024) identifies 15 teacher AI competencies across five dimensions—human-centred mindset, ethics of AI, AI foundations and applications, AI pedagogy, and AI for professional learning—organized across three developmental levels: Acquire, Deepen, and Create. Similarly, DigCompEdu emphasizes that educators’ digital competence should be situated within the broader spectrum of professional practice rather than understood merely as technological proficiency (Redecker, 2017).
However, GenAI introduces emerging competency requirements associated with designing Human–AI interactions, critically evaluating and verifying AI-generated outputs, redesigning assessment, governing data, safeguarding academic integrity and intellectual property, exercising professional accountability, and engaging in continuous professional learning. Recent scholarship has consequently progressed from conceptual descriptions of AI competency toward the development and validation of measurement instruments. Xia et al. (2026), for example, developed the Generative Artificial Intelligence Competency Self-Efficacy Scale for Teachers and Researchers (GAICS-TR), encompassing four domains and nine dimensions for faculty and researchers in higher education, whereas Aldighrir (2026) developed a GenAI professional competence scale comprising three factors: pedagogical judgment, ethical leadership, and professional agency. These developments suggest that the principal research gap no longer lies in generating another inventory of AI-related skills. Rather, it lies in developing a contextually grounded framework for Vietnamese higher education that demonstrates a multidimensional construct structure, robust psychometric properties, cross-group measurement equivalence, and the capacity to translate competency assessment into actionable human resource development (HRD) strategies.
Accordingly, this study proposes the development and validation of the Vietnamese University Teacher AI Competency Framework (VUT-AICF), comprising six proposed dimensions: AI Foundations & Literacy; Ethical, Responsible & Human-Centred AI Competence; AI Pedagogical Design & Teaching Competence; AI Assessment & Learning Analytics Competence; Human–AI Collaboration & Professional Practice Competence; and AI-Enabled Professional Learning & Innovation Competence. The study adopts a sequential exploratory mixed-methods design, incorporating an integrative literature review, expert interviews, item generation and content validation, pilot testing, exploratory factor analysis (EFA), confirmatory factor analysis (CFA), and validation of the measurement model using a sample of university faculty in Vietnam. Measurement invariance analysis is further proposed to establish the equivalence of the scale across relevant faculty subgroups.
The study’s contribution lies not in proposing another list of AI skills, but in developing a measurable, psychometrically defensible, and development-oriented competency architecture that can inform HRD decision-making. The VUT-AICF is intended to support competency profiling, training-needs analysis, personalized faculty development, competency progression, institutional AI readiness, and strategic academic workforce development in the context of AI-driven transformation.
Keywords: Artificial Intelligence Competency; University Faculty; AI Pedagogical Competence; Generative Artificial Intelligence; Scale Development; Human Resource Development; Higher Education; Vietnam.
- ĐẶT VẤN ĐỀ
1.1. Bối cảnh nghiên cứu
AI đang chuyển đổi giáo dục đại học từ một hệ thống chủ yếu dựa trên tương tác giảng viên–sinh viên sang hệ sinh thái ngày càng mang đặc trưng teacher–AI–student. UNESCO nhận định sự thay đổi này đòi hỏi phải xem xét lại vai trò của giáo viên và hệ năng lực cần thiết trong thời đại AI. Trong thực tiễn, AI đã tham gia vào nhiều hoạt động vốn được xem là thành tố cốt lõi của lao động học thuật: tìm kiếm và tổng hợp tri thức, phát triển học liệu, thiết kế tình huống, hỗ trợ viết, tạo câu hỏi, đánh giá, phản hồi, phân tích dữ liệu học tập, hỗ trợ nghiên cứu và quản trị công việc.
Điều này đặt ra một vấn đề quan trọng: khả năng sử dụng AI không đồng nhất với năng lực nghề nghiệp để tích hợp AI một cách có hiệu quả, có trách nhiệm và có giá trị sư phạm. Một giảng viên có thể thành thạo prompt nhưng chưa chắc có khả năng đánh giá độ tin cậy của đầu ra, thiết kế hoạt động học nhằm tránh cognitive offloading, xây dựng đánh giá có tính xác thực trong môi trường GenAI hoặc hướng dẫn sinh viên tương tác với AI một cách phản biện.
Sự khác biệt giữa AI tool proficiency và AI professional competence vì vậy cần được xác lập rõ. Nếu AI literacy chủ yếu trả lời câu hỏi “giảng viên hiểu AI và có thể sử dụng nó đến mức nào?”, thì AI professional competence cần trả lời câu hỏi rộng hơn: “giảng viên có thể tích hợp, đánh giá, điều phối và quản trị AI như thế nào để nâng cao chất lượng dạy học, đánh giá, nghiên cứu và phát triển nghề nghiệp?”
Đây là một thay đổi về cấp độ phân tích từ:
AI Literacy → AI Application → AI Pedagogical Integration → Human–AI Professional Competence.
UNESCO (2024) đã phản ánh bước chuyển này khi xây dựng AI Competency Framework for Teachers gồm 15 năng lực thuộc năm chiều cạnh và nhấn mạnh human agency, đạo đức, AI pedagogy và professional learning, thay vì chỉ chú trọng kỹ thuật. Trong khi đó, DigCompEdu từ trước đã xác định năng lực số của nhà giáo dưới dạng cấu trúc nghề nghiệp gồm 22 năng lực trong sáu lĩnh vực, bao quát từ professional engagement đến assessment và learner empowerment.
Tuy nhiên, GenAI đặt ra những vấn đề vượt ra ngoài phạm vi của các khung năng lực số truyền thống: hallucination, synthetic content, prompt-mediated interaction, algorithmic bias, intellectual property, academic integrity, AI-assisted assessment, human oversight và phân chia vai trò giữa giảng viên với AI.
Nghiên cứu gần đây về năng lực GenAI trong giáo dục đại học cho thấy lĩnh vực đã bước sang giai đoạn psychometric validation. Xia et al. (2026) phát triển Generative Artificial Intelligence Competency Self-Efficacy Scale for Teachers and Researchers (GAICS-TR) với bốn miền và chín chiều cạnh, dựa trên dữ liệu của 787 học giả thuộc chín trường đại học. Aldighrir (2026) tiếp tục phát triển Teachers’ Generative AI Professional Competence Scale với ba nhân tố pedagogical judgment, ethical leadership và professional agency, kiểm định trên 648 giáo viên. Hai hướng nghiên cứu này đặc biệt quan trọng vì chúng cho thấy thang đo mới chỉ có giá trị khi chứng minh được phạm vi khái niệm, cấu trúc nhân tố, độ tin cậy và giá trị phân biệt so với những công cụ đã có.
Những tiến bộ này đồng thời làm rõ khoảng trống nghiên cứu: thay vì tuyên bố xây dựng “khung AI đầu tiên”, một nghiên cứu tại Việt Nam cần chứng minh incremental contribution ở ít nhất bốn phương diện: (1) contextualization cho giáo dục đại học Việt Nam; (2) mở rộng construct coverage sang đánh giá, Human–AI Collaboration và đổi mới nghề nghiệp; (3) kiểm định tâm trắc và measurement invariance; và (4) chuyển hóa kết quả đo thành kiến trúc phát triển nguồn nhân lực.
1.2. Bối cảnh Việt Nam
Việt Nam đang đặt phát triển AI và nguồn nhân lực AI vào chiến lược quốc gia. Quyết định 127/QĐ-TTg năm 2021 xác lập Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030. Đáng chú ý hơn, ngày 11 tháng 8 năm 2026, Chính phủ ban hành Quyết định 1528/QĐ-TTg phê duyệt Chương trình quốc gia phát triển nhân lực trí tuệ nhân tạo đến năm 2030, định hướng đến năm 2035, làm cho câu hỏi về chuẩn năng lực AI của nguồn nhân lực giáo dục đại học càng trở nên cấp thiết.
Một nghiên cứu Việt Nam công bố gần đây đã xây dựng khung 40 năng lực ứng dụng AI cho giáo viên phổ thông và khảo sát 206 giáo viên tiểu học tại Hà Nội, qua đó cho thấy khoảng cách đáng kể giữa hiểu biết khái niệm và năng lực ứng dụng AI trong thực hành. Tuy nhiên, nghiên cứu này tập trung vào giáo dục phổ thông, không phải lao động học thuật của giảng viên đại học.
Giảng viên đại học có những yêu cầu nghề nghiệp khác biệt đáng kể, bao gồm đồng thời:
Teaching + Assessment + Research + Academic Integrity + Professional Development + Institutional Service.
Vì vậy, việc trực tiếp chuyển một khung dành cho K–12 sang giáo dục đại học sẽ không đủ về construct coverage.
- VẤN ĐỀ VÀ KHOẢNG TRỐNG NGHIÊN CỨU
Nghiên cứu xác định năm khoảng trống.
2.1. Khoảng trống từ digital competence đến AI competence
Các khung như DigCompEdu cung cấp nền tảng mạnh cho năng lực số nhưng được phát triển trước khi GenAI trở thành công nghệ phổ biến. DigCompEdu có 22 năng lực trong sáu lĩnh vực và chủ đích tập trung vào cách công nghệ số hỗ trợ đổi mới giáo dục hơn là kỹ năng kỹ thuật thuần túy. Tuy nhiên, những hiện tượng như prompt engineering, synthetic knowledge, hallucination, generative assessment, AI co-creation và human oversight đòi hỏi các năng lực mới.
Do đó:
Digital Competence ≠ AI Competence.
AI competence nên được xem là một cấu trúc nghề nghiệp kế thừa nhưng vượt ra ngoài digital competence.
2.2. Khoảng trống giữa AI literacy và AI pedagogical competence
Nhiều nghiên cứu tập trung vào hiểu biết AI hoặc khả năng sử dụng công cụ. Tuy nhiên, AI literacy chỉ tạo ra potential capability. Giá trị giáo dục chỉ xuất hiện khi hiểu biết này được chuyển hóa thành các quyết định sư phạm.
Chuỗi phát triển có thể được khái quát:
AI Literacy → Critical Evaluation → Pedagogical Integration → Professional Transformation.
Nghiên cứu năm 2025 về Intelligent-TPACK cho thấy chương trình phát triển nghề nghiệp có thể nâng cao AI competency của giảng viên, đặc biệt ở AI Technological Knowledge và AI Technological Pedagogical Knowledge. Một nghiên cứu khác với 247 giảng viên đại học cho thấy AI competency dự báo TPACK, và TPACK đóng vai trò trung gian giữa AI competency và teaching performance.
Như vậy, AI pedagogical competence cần được xem là cấu trúc trung tâm chứ không phải phần phụ của AI literacy.
2.3. Khoảng trống về đặc thù giáo dục đại học
Phần lớn khung năng lực giáo viên AI ban đầu tập trung hoặc có khả năng áp dụng rộng cho nhiều cấp học. Tuy nhiên, giảng viên đại học đồng thời thực hiện vai trò:
- người dạy;
- người thiết kế chương trình;
- người đánh giá;
- nhà nghiên cứu;
- tác giả học thuật;
- cố vấn;
- thành viên quản trị học thuật;
- người tham gia đổi mới chuyên môn.
GAICS-TR được phát triển chính vì các khung AI/digital trước đó thường chưa phản ánh đầy đủ các yêu cầu về research và assessment trong giáo dục đại học.
Do đó, construct của nghiên cứu phải bao phủ cả teaching–assessment–research–professional learning, thay vì chỉ instructional technology.
2.4. Khoảng trống từ framework development đến scale validation
Một khung năng lực có thể hợp lý về nội dung nhưng chưa chắc là một mô hình đo lường tốt.
Danh sách chuyên gia về “những gì giảng viên cần biết” không tự động trở thành validated competency scale.
Một thang đo khoa học phải chứng minh:
Content validity → Factorial validity → Reliability → Convergent validity → Discriminant validity → Measurement invariance → Criterion/Nomological validity.
Đây chính là điểm nghiên cứu đề xuất vượt ra ngoài việc xây dựng framework mô tả.
2.5. Khoảng trống từ assessment sang Human Resource Development
Năng lực chỉ có giá trị quản trị khi kết quả đánh giá có thể chuyển thành hành động.
Trong nhiều nghiên cứu, competency framework kết thúc ở self-assessment. Đối với quản trị đại học, cần bước tiếp theo:
Competency Measurement → Competency Profiling → Gap Analysis → Targeted Development → Career/Performance Development.
Đây là khoảng trống mà VUT-AICF hướng đến.
- MỤC TIÊU NGHIÊN CỨU
3.1. Mục tiêu tổng quát
Phát triển và kiểm định Khung năng lực AI của giảng viên đại học Việt Nam – VUT-AICF như một cấu trúc năng lực đa chiều, có thang đo đạt độ tin cậy và giá trị, đồng thời có khả năng ứng dụng trong quản trị và phát triển nguồn nhân lực đại học.
3.2. Mục tiêu cụ thể
- Hệ thống hóa các khung AI competence, digital competence và AI pedagogy hiện hành.
- Khái niệm hóa Teacher AI Competency phù hợp với đặc thù giáo dục đại học.
- Xác định các chiều cạnh cấu thành VUT-AICF.
- Phát triển ngân hàng biến quan sát cho từng chiều cạnh.
- Kiểm định content validity của thang đo.
- Khám phá cấu trúc nhân tố bằng EFA.
- Xác nhận cấu trúc đo lường bằng CFA.
- Kiểm định reliability, convergent validity và discriminant validity.
- Kiểm định measurement invariance giữa các nhóm giảng viên.
- Phát triển các mức năng lực phục vụ competency profiling.
- Đề xuất cơ chế ứng dụng VUT-AICF vào đào tạo, phát triển nghề nghiệp và quản trị nhân lực đại học.
- CÂU HỎI NGHIÊN CỨU
RQ1. Năng lực AI của giảng viên đại học nên được khái niệm hóa như thế nào trong bối cảnh GenAI?
RQ2. Những chiều cạnh nào cấu thành VUT-AICF?
RQ3. Cấu trúc nhân tố thực nghiệm của thang đo có phù hợp với cấu trúc lý thuyết đề xuất hay không?
RQ4. Thang đo VUT-AICF có đạt độ tin cậy, giá trị hội tụ và giá trị phân biệt hay không?
RQ5. Thang đo có đạt measurement invariance giữa các nhóm giảng viên khác nhau hay không?
RQ6. Mức độ năng lực AI khác nhau như thế nào theo kinh nghiệm, lĩnh vực chuyên môn, mức độ sử dụng AI hoặc kinh nghiệm đào tạo AI?
RQ7. Làm thế nào chuyển kết quả đo lường VUT-AICF thành các chiến lược Human Resource Development tại trường đại học?
- CƠ SỞ LÝ THUYẾT
5.1. Khái niệm và bản chất đo lường của Teacher AI Competency
Nghiên cứu đề xuất định nghĩa:
Teacher AI Competency là cấu trúc năng lực nghề nghiệp đa chiều phản ánh khả năng của giảng viên trong việc tích hợp tri thức, kỹ năng, phán đoán, giá trị và năng lực thích ứng để lựa chọn, sử dụng, đánh giá, thiết kế và quản trị tương tác với các hệ thống AI nhằm nâng cao dạy học, đánh giá, nghiên cứu và phát triển nghề nghiệp, đồng thời duy trì trách nhiệm, đạo đức và quyền kiểm soát có ý nghĩa của con người.
Định nghĩa này có năm đặc điểm.
Thứ nhất, competence vượt quá knowledge.
Thứ hai, năng lực bao gồm knowing + doing + judging + governing.
Thứ ba, AI competence phải gắn với nhiệm vụ nghề nghiệp.
Thứ tư, năng lực phải bao gồm ethical responsibility.
Thứ năm, competence là cấu trúc có thể phát triển theo cấp độ.
Về measurement ontology, nghiên cứu không mặc định rằng sáu chiều cạnh là các biểu hiện thay thế cho nhau của một latent trait duy nhất. Ở giai đoạn đầu, VUT-AICF được xem như một multidimensional correlated-factor architecture. Sau khi xác nhận cấu trúc sáu nhân tố, nghiên cứu mới so sánh hai cách biểu diễn bậc cao: (a) reflective second-order model, trong đó Teacher AI Competency được giả định là latent construct phản ánh qua sáu năng lực thành phần; và (b) composite/formative representation, trong đó sáu năng lực cùng cấu thành năng lực AI tổng thể. Việc lựa chọn giữa hai cách biểu diễn phải dựa trên logic nhân quả của construct, tính thay thế của các chiều cạnh và bằng chứng thực nghiệm, không chỉ dựa vào độ phù hợp mô hình.
Phân biệt này có ý nghĩa phương pháp quan trọng. Với mô hình reflective, structural validity, internal consistency và factor loadings là các bằng chứng trung tâm; với mô hình formative/composite, việc loại item hoặc chiều cạnh chỉ vì tương quan thấp có thể làm mất phạm vi nội dung của construct. Do đó, content validity và construct domain specification phải được thiết lập trước khi tối ưu mô hình thống kê.
Một phân biệt thứ hai cũng cần được khóa ngay từ đầu: self-reported competency không đồng nhất với demonstrated competency. Nếu phần định lượng chủ yếu sử dụng bảng hỏi tự báo cáo, kết quả phải được diễn giải là perceived/self-reported Teacher AI Competency. Để đưa ra tuyên bố mạnh hơn về năng lực thực hiện, nghiên cứu nên bổ sung một tiểu mẫu thực hiện các nhiệm vụ dựa trên tình huống hoặc performance-based tasks nhằm tạo bằng chứng hội tụ giữa tự đánh giá và hành vi thực tế.
5.2. UNESCO AI Competency Framework for Teachers
UNESCO (2024) cung cấp nền tảng tham chiếu toàn cầu quan trọng nhất với năm chiều cạnh:
- Human-centred mindset;
- Ethics of AI;
- AI foundations and applications;
- AI pedagogy;
- AI for professional learning.
Khung bao gồm 15 năng lực và ba mức Acquire–Deepen–Create, đồng thời được UNESCO định vị như tham chiếu cho việc xây dựng khung quốc gia, chương trình đào tạo và các tham số đánh giá năng lực giáo viên AI.
VUT-AICF không thay thế UNESCO AI CFT mà bản địa hóa, mở rộng và operationalize các định hướng cốt lõi của khung này cho bối cảnh giáo dục đại học Việt Nam.
5.3. DigCompEdu
DigCompEdu cung cấp nền tảng digital pedagogy gồm sáu lĩnh vực:
Professional Engagement – Digital Resources – Teaching and Learning – Assessment – Empowering Learners – Facilitating Learners’ Digital Competence.
Khung đặc biệt hữu ích để xác định rằng năng lực công nghệ của nhà giáo phải được đặt trong hoạt động nghề nghiệp, không phải kỹ năng máy tính độc lập.
5.4. TPACK và Intelligent-TPACK
TPACK giải thích sự tích hợp giữa:
Technology × Pedagogy × Content.
Trong bối cảnh AI, Intelligent-TPACK mở rộng logic này bằng cách xem kiến thức AI và kiến thức sư phạm AI như năng lực cần tích hợp vào chuyên môn của giảng viên.
Các nghiên cứu gần đây cho thấy AI competency và TPACK có quan hệ chặt chẽ với teaching performance và có thể được phát triển thông qua can thiệp chuyên môn.
5.5. Human Capital Theory và Human Resource Development
Từ quan điểm Human Capital Theory, năng lực AI của giảng viên là một dạng vốn nhân lực có khả năng tạo ra giá trị ở nhiều cấp:
Individual → Teaching → Student → Institution.
Nhưng HRD bổ sung một luận điểm quan trọng: năng lực không chỉ cần được đo, mà cần được phát triển có hệ thống.
Vì vậy, VUT-AICF đồng thời là:
Measurement Framework + Development Framework + HRM/HRD Tool.
- KHUNG NĂNG LỰC VUT-AICF ĐỀ XUẤT
Để tránh sao chép cơ học UNESCO hoặc các framework hiện hữu, nghiên cứu đề xuất sáu chiều cạnh phản ánh các chức năng nghề nghiệp đặc thù của giảng viên đại học.
6.1. AI Foundations & Literacy Competence – AIL
Khả năng hiểu nguyên lý, affordances, limitations và điều kiện sử dụng các hệ thống AI.
Các thành phần:
- AI concepts and terminology;
- Generative AI understanding;
- AI tool selection;
- Prompt and interaction literacy;
- AI output evaluation;
- hallucination awareness;
- verification and source checking;
- limitations and uncertainty.
AIL là nền móng, nhưng không phải đích đến.
6.2. Ethical, Responsible & Human-Centred AI Competence – ERAI
Khả năng sử dụng AI phù hợp với các nguyên tắc đạo đức, pháp lý, quyền con người và trách nhiệm nghề nghiệp.
Bao gồm:
- fairness and bias awareness;
- privacy;
- data governance;
- intellectual property;
- attribution;
- academic integrity;
- transparency;
- accountability;
- meaningful human oversight;
- inclusivity;
- sustainability.
Chiều cạnh này trực tiếp kế thừa định hướng human-centred mindset và ethics của UNESCO.
6.3. AI Pedagogical Design & Teaching Competence – AIPT
Đây là cấu trúc trung tâm của framework.
AIPT đo khả năng chuyển AI knowledge thành pedagogical value.
Bao gồm:
- AI-enhanced instructional design;
- learning objective alignment;
- AI-supported personalization;
- AI-assisted content development;
- scaffolding;
- student–AI interaction design;
- higher-order thinking;
- feedback design;
- learner agency protection;
- inclusive AI pedagogy.
Nghiên cứu năm 2026 cũng chỉ ra rằng GenAI competency của university teachers cần mở rộng từ literacy sang curriculum/learning design và teaching and learning.
6.4. AI Assessment & Learning Analytics Competence – AIAL
Khả năng thiết kế, thực hiện và quản trị đánh giá trong môi trường AI.
Bao gồm:
- AI-assisted assessment design;
- authentic assessment;
- assessment redesign for GenAI;
- AI-generated feedback evaluation;
- detecting inappropriate AI dependence;
- learning analytics interpretation;
- responsible automated assessment;
- validity and fairness;
- academic integrity assessment.
Việc tách AIAL thành chiều cạnh riêng là quan trọng vì assessment là lĩnh vực chịu ảnh hưởng mạnh của GenAI và đã được nhận diện như một khoảng trống trong nhiều framework cũ.
6.5. Human–AI Collaboration & Professional Practice Competence – HAC
Khả năng phối hợp với AI như một đối tác nhận thức nhưng không chuyển giao trách nhiệm nghề nghiệp.
Các thành phần:
- task allocation;
- AI-assisted decision support;
- co-creation;
- iterative prompting;
- human verification;
- professional judgment;
- human oversight;
- responsibility retention;
- AI orchestration.
Chiều cạnh này tạo điểm khác biệt của VUT-AICF so với những khung chỉ tập trung “using AI”.
6.6. AI-Enabled Professional Learning & Innovation Competence – AIPLI
Khả năng sử dụng AI để phát triển nghề nghiệp liên tục và thúc đẩy đổi mới học thuật.
Bao gồm:
- AI-assisted professional learning;
- reflective practice;
- research support;
- scholarly productivity;
- experimentation;
- innovation;
- sharing practices;
- peer learning;
- continuous updating;
- institutional contribution.
Khía cạnh này tương thích với AI for professional learning của UNESCO và professional engagement của DigCompEdu.
- KIẾN TRÚC KHUNG ĐỀ XUẤT
VUT-AICF
VIETNAMESE UNIVERSITY TEACHER
AI COMPETENCY FRAMEWORK
│
┌───────────────┼────────────────┐
│ │ │
▼ ▼ ▼
AI FOUNDATIONS ETHICAL & AI PEDAGOGICAL
& LITERACY RESPONSIBLE AI DESIGN & TEACHING
(AIL) (ERAI) (AIPT)
│
┌─────────────────┼───────────────┐
▼ ▼ ▼
AI ASSESSMENT HUMAN–AI AI-ENABLED
& ANALYTICS COLLABORATION PROFESSIONAL
(AIAL) (HAC) LEARNING &
INNOVATION
(AIPLI)
↓
AI-COMPETENT UNIVERSITY TEACHER
↓
TEACHING – ASSESSMENT – RESEARCH –
PROFESSIONAL LEARNING – RESPONSIBLE INNOVATION
VUT-AICF trước hết nên được kiểm định như mô hình sáu nhân tố tương quan. Chỉ sau khi cấu trúc này đạt độ phù hợp, giá trị hội tụ và giá trị phân biệt mới xem xét second-order Teacher AI Competency construct như một mô hình cạnh tranh. Đồng thời, nghiên cứu cần đánh giá liệu logic bậc cao là reflective hay composite/formative trước khi tạo tổng điểm. Cách tiếp cận này tránh áp đặt một ontology đo lường chỉ vì mô hình CFA có độ phù hợp tốt và cho phép xác định liệu tổng điểm Teacher AI Competency có thực sự có ý nghĩa diễn giải hay không.
- MỨC PHÁT TRIỂN NĂNG LỰC
Nghiên cứu đề xuất tham chiếu logic progression của UNESCO nhưng điều chỉnh phù hợp HRD đại học.
Level 1 – Foundation
Giảng viên hiểu AI, sử dụng được công cụ cơ bản, nhận diện giới hạn và tuân thủ nguyên tắc an toàn.
Level 2 – Integration
Giảng viên tích hợp AI có chủ đích vào dạy học, đánh giá và công việc nghề nghiệp.
Level 3 – Transformation
Giảng viên thiết kế lại thực hành chuyên môn, phát triển phương pháp mới, hỗ trợ đồng nghiệp và tham gia xây dựng chính sách/đổi mới AI.
Không nên xác định cut-off score chủ quan ngay từ đầu. Các ngưỡng năng lực cần được phát triển sau validation thông qua dữ liệu phân bố, expert judgment và nếu có thể latent profile analysis.
- PHƯƠNG PHÁP NGHIÊN CỨU
9.1. Thiết kế
Nghiên cứu sử dụng sequential exploratory mixed-methods design gồm năm pha.
Phase I – Framework synthesis
Systematic/integrative review các framework và thang đo:
- UNESCO AI CFT;
- DigCompEdu;
- TPACK/Intelligent-TPACK;
- GenAI competency frameworks;
- GenAI competency scales;
- higher education AI integration literature.
Mục tiêu: xây dựng construct domain specification.
Phase II – Qualitative contextualization và target-population item elicitation
Phỏng vấn 20–30 chuyên gia gồm:
- giảng viên đại học;
- chuyên gia EdTech/AI;
- chuyên gia giáo dục;
- quản trị nhân lực đại học;
- lãnh đạo đào tạo;
- chuyên gia bảo đảm chất lượng.
Phân tích thematic analysis nhằm xác định competency indicators đặc thù Việt Nam. Ngoài chuyên gia, một nhóm giảng viên thuộc đúng target population cần được tham gia trực tiếp vào quá trình phát sinh nội dung item. Vì vậy, item pool nên hình thành từ ba nguồn bổ sung nhau:
Literature-derived items → Expert-derived items → Faculty-derived items.
Cách tiếp cận này giúp tăng tính bao quát và tính dễ hiểu của thang đo, đồng thời giảm nguy cơ framework chỉ phản ánh quan điểm của chuyên gia hoặc các khung quốc tế mà bỏ sót hành vi nghề nghiệp đặc thù trong bối cảnh Việt Nam.
Phase III – Item generation và content validation
Dự kiến tạo 60–90 item ban đầu, trong đó mỗi item phải được ánh xạ rõ về một construct domain và tránh đồng thời đo hai năng lực khác nhau.
Quy trình:
Domain Definition → Item Generation → Expert Review → CVR/CVI → Cognitive Interview → Item Refinement.
Hội đồng chuyên gia khoảng 7–15 người để đánh giá mức độ phù hợp, rõ ràng, tính đại diện và tính thích hợp bối cảnh. Cognitive interviews khoảng 10–20 giảng viên được sử dụng để kiểm tra cách người trả lời hiểu thuật ngữ, phạm vi hành vi và mức độ phân biệt giữa các item trước khi khảo sát thử.
Phase IV – Pilot/EFA
Mẫu khoảng 250–400 giảng viên, tách biệt với mẫu xác nhận ở Phase V.
Sử dụng:
- item analysis;
- corrected item-total correlation;
- EFA với phép quay xiên khi các nhân tố có khả năng tương quan;
- parallel analysis;
- factor interpretability.
Không nên chỉ dựa vào eigenvalue > 1.
Phase V – CFA, cross-validation và multimethod validation
Mẫu độc lập khoảng 500–800 giảng viên. CB-SEM được ưu tiên để kiểm định mô hình đo lường xác nhận, so sánh mô hình sáu nhân tố tương quan với mô hình một nhân tố và mô hình bậc hai khi có cơ sở. Nếu cỡ mẫu cho phép, mẫu xác nhận nên tiếp tục được chia theo chiến lược calibration/holdout hoặc được tái kiểm định trên một wave độc lập để đánh giá cross-validation và hạn chế nguy cơ capitalizing on chance.
Đánh giá:
- factor loadings;
- Cronbach’s alpha;
- McDonald’s omega nếu phù hợp;
- composite reliability;
- AVE;
- HTMT;
- CFI;
- TLI;
- RMSEA;
- SRMR.
Ngoài các chỉ số phù hợp mô hình, nghiên cứu cần báo cáo logic loại item, tránh tối ưu mô hình chỉ dựa trên modification indices. Nếu sử dụng dữ liệu tự báo cáo, cần thảo luận rõ giới hạn của self-efficacy/perceived competence so với năng lực thể hiện qua nhiệm vụ thực hành. Một performance-validation subsample được khuyến nghị thực hiện các nhiệm vụ như nhận diện hallucination, đánh giá một học liệu do AI tạo, tái thiết kế một assessment trong môi trường GenAI hoặc giải thích quyết định human oversight. Điểm performance sau đó có thể được dùng để kiểm tra convergent/criterion validity với điểm VUT-AICF tự báo cáo.
- KIỂM ĐỊNH GIÁ TRỊ THANG ĐO
10.1. Content Validity
Sử dụng:
Content Validity Ratio – CVR
Item-Level CVI – I-CVI
Scale-Level CVI – S-CVI
Các chuyên gia đánh giá mức độ:
- relevance;
- clarity;
- representativeness;
- contextual appropriateness.
10.2. Convergent Validity
Các item trong cùng construct phải thể hiện hội tụ.
Đánh giá thông qua:
- standardized factor loading;
- AVE;
- CR.
10.3. Discriminant Validity
Đặc biệt quan trọng vì các cấu trúc:
AI Literacy – AI Pedagogy – Human–AI Collaboration – Professional Learning
có nguy cơ chồng lấn.
Sử dụng HTMT và so sánh mô hình cạnh tranh.
10.4. Criterion, Incremental, Known-Groups và Nomological Validity
Có thể kiểm tra mối quan hệ của Teacher AI Competency với:
- AI use quality;
- AI teaching integration;
- teaching innovation;
- professional learning engagement.
Quan trọng hơn, VUT-AICF cần chứng minh incremental validity so với một thước đo gần kề như AI literacy hoặc GenAI self-efficacy nếu dữ liệu cho phép. Có thể sử dụng hierarchical regression, latent-variable comparison hoặc SEM để kiểm tra liệu VUT-AICF giải thích thêm phương sai của AI teaching integration, teaching innovation hoặc responsible AI practice sau khi đã kiểm soát construct gần kề. Điều này trực tiếp trả lời câu hỏi liệu khung sáu chiều cạnh có cung cấp thông tin bổ sung thực sự hay chỉ tái cấu trúc những construct đã tồn tại.
Nghiên cứu cũng có thể kiểm tra known-groups validity bằng các giả thuyết tiên nghiệm, chẳng hạn nhóm giảng viên đã hoàn thành đào tạo AI chuyên sâu được kỳ vọng có điểm cao hơn ở một số chiều cạnh liên quan so với nhóm chưa được đào tạo, với điều kiện hai nhóm có đủ cỡ mẫu và sự khác biệt có cơ sở lý thuyết. Không nên đưa quá nhiều outcomes vào bài scale-development đầu tiên.
10.5. Measurement Invariance và fairness
Kiểm định:
Configural → Metric → Scalar → Strict invariance
theo:
- giới tính;
- lĩnh vực chuyên môn;
- loại trường;
- seniority;
- AI-training experience.
Nếu scalar invariance đạt yêu cầu, mới nên so sánh latent means. Strict invariance chỉ cần thiết khi nghiên cứu muốn biện minh mạnh hơn cho việc so sánh observed scores. Trong trường hợp full invariance không đạt, có thể xem xét partial invariance nếu việc giải phóng một số tham số có cơ sở thống kê và lý thuyết rõ ràng. Số nhóm được so sánh cần phù hợp với cỡ mẫu thực tế để tránh mô hình không ổn định.
Ngoài invariance, fairness cần được xem như một phần của validity argument. VUT-AICF không nên tạo bất lợi hệ thống cho giảng viên thuộc lĩnh vực có mức độ tiếp cận AI khác nhau, cơ sở giáo dục có nguồn lực khác nhau hoặc nhóm chưa có cơ hội đào tạo AI tương đương.
10.6. Reliability theo thời gian và measurement error
Nếu Teacher AI Competency được giả định tương đối ổn định trong một khoảng thời gian ngắn, nghiên cứu nên sử dụng một subsample để đánh giá test–retest reliability. Việc này giúp phân biệt sai số đo ngẫu nhiên với thay đổi năng lực thực sự. Trong trường hợp thang được dùng cho competency profiling hoặc theo dõi phát triển nghề nghiệp, cần thảo luận thêm measurement error và mức thay đổi tối thiểu có ý nghĩa trước khi dùng điểm số cho quyết định cá nhân.
- CHIẾN LƯỢC CHỌN MẪU
Đối tượng là giảng viên đang làm việc tại cơ sở giáo dục đại học Việt Nam.
Đề xuất stratified multistage sampling theo:
- Bắc – Trung – Nam;
- công lập – ngoài công lập;
- STEM – Social Sciences – Business – Humanities – Health Sciences;
- teaching experience;
- AI training experience.
Tổng cỡ mẫu cho toàn bộ các pha định lượng có thể đạt 800–1.200 người, nhưng EFA và CFA nên sử dụng hai mẫu độc lập.
Việc sử dụng cùng một mẫu cho EFA và CFA cần tránh nếu mục tiêu chính là scale development.
- HÀM Ý PHÁT TRIỂN NGUỒN NHÂN LỰC
Đây là một trong những đóng góp quan trọng nhất của đề tài.
12.1. Competency Profiling
Mỗi giảng viên có thể nhận AI Competency Profile trên sáu chiều cạnh.
Ví dụ:
AIL: High
ERAI: High
AIPT: Moderate
AIAL: Low
HAC: Moderate
AIPLI: Moderate
Kết quả có giá trị hơn một tổng điểm AI duy nhất.
12.2. Training Needs Analysis
Khoảng cách:
Required Competency – Current Competency = Development Gap.
Đào tạo từ đó chuyển từ:
“tất cả giảng viên học cùng một khóa AI”
sang:
personalized faculty development pathways.
12.3. Professional Development Architecture
Có thể thiết kế chương trình ba tầng:
Foundation → Integration → Transformation.
Mỗi tầng gắn với micro-credentials hoặc chứng nhận phát triển chuyên môn.
12.4. Recruitment và Role Profiling
VUT-AICF không nên ngay lập tức được sử dụng như công cụ loại trừ trong tuyển dụng. Tuy nhiên, framework có thể hỗ trợ:
- mô tả năng lực vị trí;
- xác định yêu cầu phát triển;
- lựa chọn faculty development;
- xây dựng AI leadership roles.
12.5. Performance Development
Năng lực AI nên được dùng theo định hướng developmental assessment, không phải đơn thuần performance surveillance.
Điều này tránh hiện tượng:
measurement → ranking → punishment
và chuyển sang:
measurement → diagnosis → development → support.
12.6. Workforce AI Readiness
Ở cấp tổ chức, dữ liệu tổng hợp từ VUT-AICF có thể cung cấp:
Faculty AI Readiness Dashboard.
Nhà trường có thể biết:
- năng lực nào đang mạnh;
- năng lực nào thiếu;
- đơn vị nào cần hỗ trợ;
- nhóm nào có thể trở thành AI champions;
- đào tạo nào cần ưu tiên.
- ĐÓNG GÓP KHOA HỌC DỰ KIẾN
13.1. Đóng góp lý thuyết
Thứ nhất, nghiên cứu phân biệt rõ AI literacy với Teacher AI Competency.
Thứ hai, nghiên cứu đưa AI Pedagogical Competence từ vị trí một kỹ năng ứng dụng lên thành một cấu trúc trung tâm của năng lực nghề nghiệp.
Thứ ba, khung tích hợp đồng thời:
Literacy + Ethics + Pedagogy + Assessment + Human–AI Collaboration + Professional Learning.
Thứ tư, nghiên cứu đưa Human–AI Collaboration vào competency architecture thay vì chỉ xem AI như một công cụ.
Thứ năm, VUT-AICF mở rộng phạm vi từ teaching sang teaching–assessment–research–Human–AI professional practice–professional learning, qua đó phản ánh đầy đủ hơn cấu trúc lao động học thuật ở đại học.
13.2. Đóng góp đo lường
Đóng góp chính là phát triển một validity-evidence-based measurement instrument có khả năng chứng minh không chỉ reliability và factorial validity mà còn content validity, discriminant validity, measurement invariance, incremental validity và, nếu khả thi, criterion/performance validity. Cách diễn đạt này tránh xem “validated” như trạng thái đạt được một lần sau CFA; validity được hiểu là tập hợp bằng chứng hỗ trợ cách diễn giải và sử dụng điểm số trong những mục đích cụ thể.
Điều này khác bản chất với một conceptual framework.
Nghiên cứu kiểm định:
- content validity;
- factorial validity;
- reliability;
- convergent validity;
- discriminant validity;
- measurement invariance.
- cross-validation;
- test–retest reliability khi phù hợp;
- criterion/performance validity;
- incremental validity.
13.3. Đóng góp bối cảnh
Không tuyên bố VUT-AICF là “khung đầu tiên”.
Điểm mới nằm ở:
contextualization and empirical validation for Vietnamese higher education.
Điều này đặc biệt quan trọng khi các nghiên cứu gần đây đã phát triển framework và scale GenAI competency ở cấp quốc tế.
13.4. Đóng góp quản trị
VUT-AICF tạo cầu nối:
Educational Technology Research ↔ Human Resource Development.
Framework có thể chuyển thành:
Assessment → Profiling → Gap Analysis → Training → Development → Institutional AI Readiness.
- ĐIỂM MỚI CỦA NGHIÊN CỨU
Điểm mới không phải:
“Nghiên cứu đầu tiên xây dựng khung năng lực AI cho giảng viên.”
Tuyên bố đó hiện không còn đứng vững vì đã có nhiều khung và thang đo 2024–2026.
Điểm mới nên được xác lập theo bốn lớp:
Novelty 1 – Contextualization:
Bản địa hóa năng lực AI cho đặc thù giảng viên đại học Việt Nam.
Novelty 2 – Construct Architecture:
Tích hợp sáu chiều cạnh bao phủ literacy, ethics, pedagogy, assessment, Human–AI Collaboration và professional learning.
Novelty 3 – Psychometric and Multimethod Validation:
Chuyển competency framework thành công cụ đo có hệ bằng chứng validity đa nguồn, đồng thời kiểm tra xem cấu trúc sáu chiều cạnh có tạo ra giá trị đo lường bổ sung so với các construct gần kề và có liên hệ nhất quán với bằng chứng performance-based hay không.
Novelty 4 – HRD Translation:
Chuyển measurement thành actionable HRD architecture.
Có thể cô đọng thành:
Framework → Scale → Profile → Development.
Đây nên là “signature contribution” của bài.
- MÔ HÌNH KHÁI NIỆM HOÀN CHỈNH
VUT-AICF
VIETNAMESE UNIVERSITY TEACHER
AI COMPETENCY FRAMEWORK
┌──────────────────────────────┐
│ AI FOUNDATIONS & LITERACY │
│ AIL │
└──────────────┬───────────────┘
│
┌──────────────▼───────────────┐
│ ETHICAL, RESPONSIBLE & │
│ HUMAN-CENTRED AI – ERAI │
└──────────────┬───────────────┘
│
┌──────────────▼───────────────┐
│ AI PEDAGOGICAL DESIGN & │
│ TEACHING – AIPT │
└──────────────┬───────────────┘
│
┌─────────┼─────────┐
▼ ▼
AI ASSESSMENT HUMAN–AI
& ANALYTICS COLLABORATION
AIAL HAC
│ │
└─────────┬─────────┘
▼
AI-ENABLED PROFESSIONAL
LEARNING & INNOVATION
AIPLI
│
▼
TEACHER AI COMPETENCY
│
┌─────────┼─────────┐
▼ ▼ ▼
TEACHING ASSESSMENT RESEARCH
│ │ │
└─────────┼─────────┘
▼
PROFESSIONAL DEVELOPMENT
& INNOVATION
Sơ đồ này chỉ là conceptual architecture ban đầu. Quan hệ nhân quả giữa sáu dimensions không nên mặc định trước khi dữ liệu cung cấp bằng chứng. Trong bài scale-development, ưu tiên trước hết là xác nhận measurement structure, không phải xây dựng một SEM quá phức tạp.
- HÀM Ý CHÍNH SÁCH
Trong bối cảnh Việt Nam đã có Chiến lược quốc gia về AI đến năm 2030 và vừa phê duyệt Chương trình quốc gia phát triển nhân lực AI đến năm 2030, định hướng 2035, việc phát triển năng lực AI của đội ngũ giảng viên có thể được xem như một thành phần của hạ tầng nhân lực cho chuyển đổi AI quốc gia.
VUT-AICF có thể cung cấp bằng chứng cho:
- chuẩn năng lực AI giảng viên;
- chương trình bồi dưỡng;
- micro-credentials;
- professional development;
- chiến lược AI readiness cấp trường;
- bảo đảm chất lượng;
- hoạch định nguồn nhân lực;
- chính sách sử dụng AI có trách nhiệm.
Tuy nhiên, framework không nên trở thành công cụ áp đặt công nghệ. Các trường cần duy trì nguyên tắc:
AI competency development should expand professional capability, not merely increase AI usage.
- KẾT LUẬN
Sự phổ biến của AI và GenAI đang làm thay đổi câu hỏi căn bản về năng lực giảng viên đại học. Trong giai đoạn chuyển đổi số trước đây, câu hỏi trung tâm là liệu giảng viên có năng lực sử dụng công nghệ hay không. Trong giai đoạn AI, câu hỏi phải được mở rộng: giảng viên có thể hiểu, đánh giá, tích hợp, điều phối và quản trị AI như thế nào để tạo ra giá trị giáo dục và nghề nghiệp có trách nhiệm?
Vì vậy, AI literacy là điều kiện cần nhưng không phải điều kiện đủ.
Một giảng viên có AI literacy chưa chắc có AI pedagogical competence; một giảng viên có khả năng sử dụng GenAI chưa chắc có khả năng thiết kế đánh giá phù hợp với GenAI; và khả năng tạo nội dung bằng AI chưa chắc đồng nghĩa với khả năng cộng tác Người–AI một cách có trách nhiệm.
Nghiên cứu đề xuất Vietnamese University Teacher AI Competency Framework – VUT-AICF như một cấu trúc đa chiều gồm sáu năng lực: AI Foundations & Literacy; Ethical, Responsible & Human-Centred AI; AI Pedagogical Design & Teaching; AI Assessment & Learning Analytics; Human–AI Collaboration & Professional Practice; và AI-Enabled Professional Learning & Innovation.
Giá trị khoa học của VUT-AICF không nên được đánh giá bởi số lượng competency được liệt kê, mà bởi ba câu hỏi: các cấu trúc có được định nghĩa rõ không; thang đo có đạt độ tin cậy và giá trị không; và kết quả đo có chuyển hóa thành quyết định phát triển nguồn nhân lực hay không?
Do đó, đóng góp trung tâm của đề tài có thể cô đọng thành:
Teacher AI Competency = AI Knowledge + Responsible Judgment + Pedagogical Integration + Assessment Capability + Human–AI Collaboration + Continuous Professional Learning.
Ở cấp quản trị:
VUT-AICF: Measure → Profile → Diagnose → Develop → Transform.
Cách tiếp cận này đưa nghiên cứu vượt ra ngoài câu hỏi “giảng viên có biết sử dụng AI hay không” để giải quyết vấn đề có ý nghĩa chiến lược hơn: làm thế nào xây dựng một lực lượng giảng viên đại học có khả năng chuyển AI từ công nghệ hỗ trợ thành năng lực nghề nghiệp và nguồn lực đổi mới giáo dục bền vững.
TÀI LIỆU THAM KHẢO – APA 7
- American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
- Aldighrir, W. M. (2026). Development and validation of the teachers generative AI professional competence scale. Scientific Reports. https://doi.org/10.1038/s41598-026-65021-6
- Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
- 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
- Mokkink, L. B., Prinsen, C. A. C., Patrick, D. L., Alonso, J., Bouter, L. M., de Vet, H. C. W., & Terwee, C. B. (2026). COSMIN methodology for systematic reviews of patient-reported outcome measures (PROMs): User manual (Version 2.0). COSMIN.
- Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 1). AITECHBOOK.
- Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 2). AITECHBOOK.
- Redecker, C. (2017). European framework for the digital competence of educators: DigCompEdu (Y. Punie, Ed.). Publications Office of the European Union. https://doi.org/10.2760/159770
- Shi, L. (2025). Assessing teachers’ generative artificial intelligence competencies: Instrument development and validation. Education and Information Technologies, 30, 23365–23384.
- 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. (2026). Quyết định số 1528/QĐ-TTg ngày 11 tháng 8 năm 2026 phê duyệt Chương trình quốc gia phát triển nhân lực trí tuệ nhân tạo đến năm 2030, định hướng đến năm 2035.
- (2023). Guidance for generative AI in education and research. UNESCO.
- Xia, Q., Yang, Y., Weng, X., Cilsalar-Sagnak, H., Cheng, W. K., & Chiu, T. K. F. (2026). Generative artificial intelligence competency self-efficacy scale for teachers and researchers (GAICS-TR) in higher education. Journal of Computers in Education, 13, 769–793. https://doi.org/10.1007/s40692-025-00373-y
- Zhou, X., Lavicza, Z., & Chiu, T. K. F. (2026). Developing teacher AI competence: A systematic review of beliefs, professional learning, and cultural factors. Teaching and Teacher Education, 172, 105384. https://doi.org/10.1016/j.tate.2026.105384
