QUẢN TRỊ CHUYỂN ĐỔI PHƯƠNG PHÁP DẠY HỌC DỰA TRÊN KHOA HỌC HỌC TẬP TRONG BỐI CẢNH TRÍ TUỆ NHÂN TẠO TẠI CÁC TRƯỜNG ĐẠI HỌC: VAI TRÒ CỦA NĂNG LỰC QUẢN TRỊ ĐỔI MỚI ĐỐI VỚI ĐỔI MỚI SƯ PHẠM VÀ CHẤT LƯỢNG HỌC TẬP

English title:

Managing the Transformation of Learning-Science-Based Teaching in the Artificial Intelligence Context at Universities: The Role of Innovation Management Capability in Pedagogical Innovation and Learning Quality

NGUYỄN VĂN HÙNG

TÓM TẮT

Trong bối cảnh trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang tái định hình hoạt động dạy, học và đánh giá trong giáo dục đại học, thách thức trung tâm đối với các trường đại học không còn nằm ở việc có áp dụng AI hay không, mà ở khả năng quản trị quá trình chuyển đổi phương pháp dạy học để công nghệ thực sự tạo ra giá trị học tập. Nghiên cứu này đề xuất một mô hình tích hợp nhằm giải thích cơ chế mà qua đó năng lực quản trị đổi mới (Innovation Management Capability – IMC) thúc đẩy đổi mới sư phạm dựa trên khoa học học tập (Learning-Science-Based Pedagogical Innovation – LSBPI) và từ đó nâng cao chất lượng học tập (Learning Quality – LQ). Trên nền tảng lý thuyết năng lực động và các nguyên lý của khoa học học tập, IMC được khái niệm hóa như một năng lực tổ chức bậc cao gồm lãnh đạo chiến lược, học tập tổ chức, huy động nguồn lực, quản trị thay đổi và quản trị dựa trên dữ liệu; LSBPI được xem là cơ chế trung gian chuyển hóa năng lực tổ chức thành các thực hành sư phạm dựa trên bằng chứng về học tập tích cực và kiến tạo, tối ưu hóa nhận thức, phản hồi hình thành, siêu nhận thức/tự điều chỉnh và học tập thích ứng/cá nhân hóa. Đồng thời, AI Enablement (AIE), gồm hạ tầng AI, năng lực AI, năng lực dữ liệu và quản trị AI có trách nhiệm, được định vị như một điều kiện biên điều tiết quan hệ IMC → LSBPI. Nghiên cứu dự kiến sử dụng thiết kế hỗn hợp tuần tự khám phá, kết hợp nghiên cứu định tính, phát triển và kiểm định thang đo, CFA/SEM, kiểm định trung gian, điều tiết và bất biến đo lường. Đóng góp kỳ vọng của nghiên cứu là phát triển một cơ chế lý thuyết tích hợp nối kết năng lực tổ chức – đổi mới sư phạm – chất lượng học tập, đồng thời cung cấp khung quản trị giúp các trường đại học chuyển từ tư duy “ứng dụng AI” sang tư duy “tạo giá trị học tập bằng AI” dựa trên bằng chứng và trách nhiệm.

Từ khóa: năng lực quản trị đổi mới; đổi mới sư phạm dựa trên khoa học học tập; chất lượng học tập; AI Enablement; trí tuệ nhân tạo; giáo dục đại học; năng lực động.

ABSTRACT

As artificial intelligence (AI), particularly generative artificial intelligence (GenAI), increasingly reshapes teaching, learning, and assessment in higher education, the central challenge for universities is no longer whether AI should be adopted, but how pedagogical transformation should be governed so that technology generates genuine learning value. This study proposes an integrated model explaining how Innovation Management Capability (IMC) fosters Learning-Science-Based Pedagogical Innovation (LSBPI) and, in turn, enhances Learning Quality (LQ). Drawing on Dynamic Capabilities theory and core principles from the Learning Sciences, IMC is conceptualized as a higher-order organizational capability comprising strategic leadership, organizational learning, resource mobilization, change management, and data-informed governance. LSBPI is positioned as the mediating mechanism through which organizational capability is translated into evidence-informed pedagogical practices grounded in active and generative learning, cognitive optimization, formative feedback, metacognitive and self-regulated learning, and adaptive/personalized learning. In addition, AI Enablement (AIE)—comprising AI infrastructure, AI competence, data capability, and responsible AI governance—is conceptualized as a boundary condition that moderates the relationship between IMC and LSBPI. The study is expected to adopt a sequential exploratory mixed-methods design combining qualitative inquiry, scale development and validation, confirmatory factor analysis, structural equation modeling, mediation and moderation analysis, and measurement invariance testing. The anticipated contribution is a theoretically integrated mechanism linking organizational capability, pedagogical innovation, and learning quality while providing a governance framework that helps universities move beyond an “AI adoption” orientation toward an evidence-informed, responsible, and learning-value-centered approach to AI-enabled educational transformation.

Keywords: innovation management capability; learning-science-based pedagogical innovation; learning quality; AI enablement; artificial intelligence; higher education; dynamic capabilities.

1. TÍNH CẤP THIẾT VÀ BỐI CẢNH NGHIÊN CỨU

Sự phát triển nhanh của trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang tạo ra một chuyển dịch có tính cấu trúc đối với giáo dục đại học. Nếu các làn sóng công nghệ giáo dục trước đây chủ yếu mở rộng hạ tầng cung cấp nội dung, quản lý học tập hoặc hỗ trợ giao tiếp, GenAI can thiệp trực tiếp vào các hoạt động vốn được xem là trung tâm của quá trình học tập như tìm kiếm thông tin, diễn giải khái niệm, tạo lập văn bản, lập luận, giải quyết vấn đề, mô phỏng, phản hồi và kiến tạo tri thức. Với khả năng tương tác bằng ngôn ngữ tự nhiên và tạo nội dung theo ngữ cảnh, AI không còn chỉ là một công cụ ngoại vi mà ngày càng trở thành một thành tố của môi trường học tập đại học.

Sự thay đổi này tạo ra đồng thời cơ hội và thách thức. Ở bình diện cơ hội, AI có thể hỗ trợ cá nhân hóa nội dung, cung cấp phản hồi nhanh, tạo tình huống mô phỏng, hỗ trợ thiết kế học liệu, phân tích dữ liệu học tập, thúc đẩy khả năng tiếp cận và mở rộng hỗ trợ học tập ngoài lớp học. Giảng viên có thể sử dụng AI để tạo ví dụ, xây dựng hoạt động, phát triển câu hỏi, phân tích phản hồi của người học và thiết kế các lộ trình học tập linh hoạt hơn. Sinh viên có thể khai thác AI để giải thích khái niệm khó, luyện tập, tự đánh giá, phản biện ý tưởng và nhận hỗ trợ trong quá trình giải quyết vấn đề. Tuy nhiên, cùng những cơ hội đó là các rủi ro về phụ thuộc nhận thức, giảm nỗ lực học tập, ảo giác thông tin, thiên lệch thuật toán, quyền riêng tư dữ liệu, liêm chính học thuật và nguy cơ đồng nhất hiệu suất tạo sản phẩm với sự phát triển năng lực thực chất.

Điểm then chốt ở đây là hiệu quả công nghệ không đồng nhất với hiệu quả học tập. OECD (2026) phân biệt rõ giữa khả năng GenAI cải thiện chất lượng đầu ra tức thời và khả năng tạo ra tiến bộ học tập bền vững. Một người học có thể hoàn thành nhiệm vụ tốt hơn nhờ AI nhưng không nhất thiết hình thành được kiến thức, kỹ năng, năng lực tự điều chỉnh hoặc khả năng chuyển giao tương ứng. Do đó, việc đánh giá thành công của AI trong giáo dục không thể chỉ dựa trên mức độ sử dụng, tốc độ hoàn thành nhiệm vụ hoặc chất lượng sản phẩm tức thời. Tiêu chuẩn cuối cùng phải là những thay đổi có ý nghĩa trong quá trình và kết quả học tập của người học. Lập luận này đòi hỏi dịch chuyển từ tư duy AI adoption sang AI-enabled pedagogical transformation: AI chỉ tạo ra giá trị giáo dục khi được đặt trong một thiết kế sư phạm có chủ đích và được quản trị phù hợp.

Ở bình diện quốc tế, AI Competency Framework for Teachers của UNESCO xác định năm miền năng lực gồm tư duy lấy con người làm trung tâm, đạo đức AI, nền tảng và ứng dụng AI, sư phạm AI và AI cho phát triển nghề nghiệp (Miao & Cukurova, 2024). Việc đặt AI pedagogy bên cạnh đạo đức, nền tảng công nghệ và phát triển nghề nghiệp cho thấy năng lực AI trong giáo dục không thể được xem như một năng lực kỹ thuật độc lập. Khả năng sử dụng AI phải gắn với mục tiêu học tập, quyền chủ thể của con người, trách nhiệm nghề nghiệp và năng lực thiết kế sư phạm. Từ đó, vấn đề không chỉ nằm ở cấp độ cá nhân giảng viên mà còn ở cấp độ tổ chức: trường đại học phải có năng lực chiến lược, cơ chế học tập tổ chức, nguồn lực, dữ liệu, quản trị thay đổi và hệ thống trách nhiệm để biến AI thành một nguồn lực tạo giá trị giáo dục.

Song song với sự phát triển của AI, khoa học học tập (Learning Sciences) cung cấp nền tảng bằng chứng để trả lời hai câu hỏi cơ bản: con người học như thế nào và những điều kiện nào giúp việc học trở nên sâu, bền vững và có khả năng chuyển giao. Các nghiên cứu về tải nhận thức cho thấy thiết kế học tập cần phù hợp với giới hạn của bộ nhớ làm việc và cấu trúc tri thức của người học (Sweller, 1988). Thực hành truy hồi và phân bố thời gian học có thể tạo ra hiệu ứng bền vững đối với trí nhớ và khả năng giữ kiến thức (Dunlosky et al., 2013; Roediger & Karpicke, 2006). Phản hồi hình thành và đánh giá vì học tập giúp người học nhận diện khoảng cách giữa trạng thái hiện tại và mục tiêu cần đạt (Black & Wiliam, 1998). Tự điều chỉnh học tập nhấn mạnh vai trò của đặt mục tiêu, theo dõi, phản tư và điều chỉnh chiến lược của người học (Zimmerman, 2002). Học tập tích cực và mang tính kiến tạo tạo điều kiện để người học xử lý, tổ chức và tạo nghĩa cho kiến thức thay vì tiếp nhận thụ động (Chi & Wylie, 2014; Freeman et al., 2014).

Từ nền tảng đó, nghiên cứu này đề xuất khái niệm Learning-Science-Based Pedagogical Innovation (LSBPI) – đổi mới sư phạm dựa trên khoa học học tập. LSBPI không được hiểu là việc đưa một công cụ mới vào lớp học, mà là quá trình thiết kế, triển khai, đánh giá và cải tiến các thực hành dạy học mới dựa trên bằng chứng về nhận thức, siêu nhận thức, động lực, phản hồi, tương tác xã hội và tự điều chỉnh của người học. AI có thể hỗ trợ quá trình này, nhưng AI không thay thế logic sư phạm. Nói cách khác, công nghệ được xem là phương tiện, còn cơ chế học tập là nền tảng quyết định giá trị giáo dục.

Từ góc độ quản trị giáo dục, thách thức lớn nhất nằm ở khoảng cách giữa chiến lược đổi mới ở cấp tổ chức và thực hành dạy học ở cấp lớp học. Một trường đại học có thể đầu tư đáng kể cho hạ tầng số, nền tảng AI, dữ liệu hoặc giấy phép công nghệ nhưng các nguồn lực đó không tự động làm thay đổi cách giảng viên thiết kế trải nghiệm học tập. Ngược lại, các đổi mới sư phạm riêng lẻ của giảng viên cũng khó tạo ra tác động bền vững nếu thiếu hỗ trợ chiến lược, nguồn lực, cơ chế phối hợp, dữ liệu và khả năng thể chế hóa. Đây là lý do nghiên cứu cần dịch chuyển trọng tâm từ “có công nghệ hay không” sang “tổ chức có năng lực chuyển hóa nguồn lực công nghệ thành đổi mới sư phạm và chất lượng học tập hay không”.

Lý thuyết năng lực động (Dynamic Capabilities) cung cấp một nền tảng phù hợp để giải thích vấn đề này. Theo Teece et al. (1997) và Teece (2007), trong môi trường biến động nhanh, lợi thế của tổ chức không chỉ phụ thuộc vào tài sản hiện có mà còn phụ thuộc vào khả năng nhận diện cơ hội, huy động nguồn lực và tái cấu hình năng lực. Áp dụng vào đại học, một tổ chức có thể sở hữu hạ tầng AI tương đương tổ chức khác nhưng tạo ra giá trị giáo dục khác nhau do khác biệt về năng lực lãnh đạo chiến lược, học tập tổ chức, huy động nguồn lực, quản trị thay đổi và ra quyết định dựa trên dữ liệu. Trên cơ sở đó, đề tài khái niệm hóa Innovation Management Capability (IMC) như một năng lực tổ chức bậc cao giúp trường đại học định hướng, điều phối, học hỏi và thể chế hóa đổi mới sư phạm.

Từ hai nền tảng trên, đề tài xây dựng một chuỗi tạo giá trị giáo dục gồm ba tầng: năng lực quản trị đổi mới → đổi mới sư phạm dựa trên khoa học học tập → chất lượng học tập. Trong chuỗi này, IMC là năng lực tổ chức khởi nguồn; LSBPI là cơ chế chuyển hóa; Learning Quality (LQ) là kết quả giáo dục cuối cùng. Đồng thời, AI Enablement (AIE) được xem là một điều kiện biên, phản ánh mức độ mà hạ tầng AI, năng lực con người, năng lực dữ liệu và quản trị AI có trách nhiệm cho phép năng lực quản trị được chuyển hóa hiệu quả thành đổi mới sư phạm.

Vì vậy, vấn đề khoa học trung tâm của đề tài không phải là “AI có cải thiện giáo dục hay không”, mà là: bằng cơ chế nào năng lực quản trị đổi mới của trường đại học được chuyển hóa thành đổi mới sư phạm dựa trên khoa học học tập, từ đó tạo ra chất lượng học tập; và quá trình chuyển hóa này thay đổi như thế nào dưới các mức độ AI Enablement khác nhau? Đây là câu hỏi vừa mang bản chất quản trị giáo dục, vừa có khả năng đóng góp cho nghiên cứu đổi mới sư phạm, khoa học học tập và AI trong giáo dục đại học.

2. VẤN ĐỀ NGHIÊN CỨU VÀ KHOẢNG TRỐNG KHOA HỌC

2.1. Khoảng trống nghiên cứu tổng quát

Nghiên cứu về AI trong giáo dục đại học phát triển nhanh nhưng vẫn phân mảnh theo nhiều hướng. Một nhóm công trình tập trung vào sự chấp nhận công nghệ, ý định sử dụng, thái độ, nhận thức hữu ích hoặc năng lực số của giảng viên và sinh viên. Nhóm thứ hai đánh giá hiệu quả của các công cụ AI trong những nhiệm vụ cụ thể như viết, phản hồi, dịch thuật, tạo mã, phân tích hoặc gia sư. Nhóm thứ ba tập trung vào các vấn đề đạo đức, liêm chính học thuật, quyền riêng tư và chính sách. Song song với đó, nghiên cứu quản trị đại học thường quan tâm đến chuyển đổi số, lãnh đạo, đổi mới tổ chức và năng lực thể chế, trong khi khoa học học tập tập trung vào các cơ chế nhận thức và sư phạm ở cấp độ người học.

Các dòng nghiên cứu trên đều có giá trị, nhưng việc tồn tại tương đối độc lập tạo ra một khoảng trống tích hợp: còn thiếu một mô hình giải thích cách năng lực quản trị ở cấp tổ chức được chuyển hóa thành thay đổi sư phạm ở cấp thực hành và cuối cùng thành chất lượng học tập ở cấp người học. Khi thiếu cơ chế liên kết này, nghiên cứu có nguy cơ rơi vào hai cực: một bên là quyết định luận công nghệ, giả định công nghệ tự thân tạo ra cải thiện; bên kia là phân tích sư phạm vi mô nhưng không giải thích điều kiện tổ chức cho đổi mới được lan tỏa và duy trì.

Đề tài khắc phục khoảng trống này bằng cách liên kết ba tầng phân tích: organizational capability – pedagogical mechanism – learning outcome. Cấu trúc này cho phép giải thích không chỉ “cái gì tác động đến cái gì”, mà còn “bằng cách nào” và “trong điều kiện nào” giá trị giáo dục được tạo ra.

2.2. Khoảng trống lý thuyết

Khoảng trống lý thuyết thứ nhất là sự thiếu vắng một cơ chế trung gian rõ ràng giữa năng lực tổ chức và kết quả học tập. Các nghiên cứu về chuyển đổi số thường đo nguồn lực công nghệ, mức độ số hóa hoặc năng lực kỹ thuật rồi liên hệ trực tiếp với hiệu suất tổ chức hoặc kết quả giáo dục. Tuy nhiên, từ góc độ logic nhân quả, hạ tầng hay năng lực quản trị chỉ tạo ra tiềm năng; giá trị giáo dục chỉ xuất hiện khi tiềm năng đó được hiện thực hóa trong thiết kế và thực hành dạy học.

Khoảng trống thứ hai nằm ở cách khái niệm hóa đổi mới sư phạm. “Pedagogical innovation” trong nhiều nghiên cứu được đo bằng mức độ mới của phương pháp, tần suất sử dụng công nghệ hoặc số lượng hoạt động đổi mới. Cách đo này chưa trả lời liệu đổi mới có dựa trên bằng chứng về cách con người học hay không. Một đổi mới có thể mới về công nghệ nhưng kém hiệu quả về nhận thức; ngược lại, một thực hành ít “hào nhoáng” về công nghệ có thể tạo ra tác động mạnh nếu được thiết kế phù hợp với các nguyên lý về tải nhận thức, truy hồi, phản hồi, siêu nhận thức và học tập tích cực. Vì vậy, nghiên cứu cần một cấu trúc có tính phân biệt cao hơn: Learning-Science-Based Pedagogical Innovation.

Khoảng trống thứ ba liên quan đến vị trí của AI trong mô hình lý thuyết. Nếu AI được đặt như một biến độc lập trực tiếp tác động đến mọi kết quả, mô hình dễ rơi vào giả định quyết định luận công nghệ. Trong khi đó, OECD (2026) cho thấy hiệu suất hỗ trợ bởi GenAI không đồng nhất với tiến bộ học tập. Do đó, cách định vị có sức thuyết phục hơn là xem AI như một điều kiện hỗ trợ có tính tổ chức. AI chỉ khuếch đại tác động của năng lực quản trị khi nhà trường có hạ tầng phù hợp, năng lực con người, dữ liệu và cơ chế quản trị có trách nhiệm. Từ đó hình thành vai trò lý thuyết của AI Enablement như một boundary condition.

2.3. Khoảng trống cơ chế

Khoảng trống cơ chế trả lời câu hỏi: tại sao hai trường đại học có mức đầu tư công nghệ tương tự lại tạo ra kết quả đổi mới sư phạm và chất lượng học tập khác nhau? Lý thuyết năng lực động gợi ý rằng khác biệt không chỉ nằm ở tài sản mà ở khả năng sensing, seizing và transforming/reconfiguring của tổ chức (Teece, 2007). Trong bối cảnh giáo dục, sensing có thể biểu hiện qua khả năng nhận diện nhu cầu học tập, xu hướng AI và khoảng trống năng lực; seizing thể hiện qua quyết định chiến lược, huy động nguồn lực và thiết kế thử nghiệm; transforming thể hiện qua tái cấu trúc quy trình, phát triển giảng viên, chuẩn hóa dữ liệu, điều chỉnh chính sách và thể chế hóa thực hành tốt.

Tuy nhiên, năng lực quản trị chỉ là điều kiện cần. Cơ chế gần nhất tạo ra thay đổi trong học tập nằm ở cách nhiệm vụ, phản hồi, tương tác và hoạt động nhận thức được thiết kế. Vì vậy, LSBPI được đặt ở vị trí trung gian giữa IMC và LQ. Nếu giả thuyết trung gian được xác nhận, nghiên cứu sẽ cho thấy giá trị của năng lực quản trị không nằm chủ yếu ở tác động trực tiếp đến sinh viên, mà ở khả năng tạo ra một hệ sinh thái thúc đẩy và duy trì thực hành sư phạm có căn cứ khoa học.

2.4. Khoảng trống bối cảnh AI

AI không phải là một điều kiện đồng nhất. Hai tổ chức có thể đều “ứng dụng AI” nhưng mức độ sẵn sàng và khả năng huy động AI cho mục tiêu sư phạm rất khác nhau. Một trường có thể cung cấp công cụ AI nhưng thiếu dữ liệu, hướng dẫn sử dụng, năng lực giảng viên hoặc quy tắc trách nhiệm; trường khác có thể xây dựng hạ tầng, đào tạo, chuẩn dữ liệu và cơ chế quản trị đồng bộ. Vì vậy, đo lường đơn thuần “AI use” hoặc tần suất sử dụng không đủ để phản ánh môi trường tổ chức.

Đề tài đề xuất khái niệm AI Enablement gồm bốn chiều: AI Infrastructure, AI Competence, Data Capability và Responsible AI Governance. Cấu trúc này phản ánh khả năng tổ chức biến AI thành một nguồn lực giáo dục có thể huy động có trách nhiệm. AIE do đó có thể làm mạnh quan hệ giữa IMC và LSBPI: cùng một năng lực quản trị đổi mới, tổ chức có AIE cao sẽ có khả năng thử nghiệm, đánh giá, cá nhân hóa, mở rộng và thể chế hóa đổi mới sư phạm hiệu quả hơn.

2.5. Khoảng trống đo lường

Một khoảng trống quan trọng khác nằm ở công cụ đo lường. IMC, LSBPI, LQ và AIE là các cấu trúc đa chiều, nhưng chưa thể giả định rằng các thang đo hiện hữu ở lĩnh vực quản trị doanh nghiệp, công nghệ hoặc giáo dục có thể được chuyển nguyên trạng sang bối cảnh đại học. IMC cần phản ánh năng lực tổ chức thay vì chỉ là phong cách lãnh đạo cá nhân. LSBPI cần phân biệt giữa “đổi mới” và “đổi mới có cơ sở khoa học học tập”. LQ cần vượt ra ngoài điểm số hoặc sự hài lòng. AIE cần đo khả năng tạo điều kiện chứ không chỉ đo tần suất sử dụng AI.

Vì vậy, đề tài không chỉ kiểm định quan hệ giữa các biến mà còn có nhiệm vụ phát triển, tinh chỉnh và kiểm định cấu trúc đo lường phù hợp. Đây là đóng góp phương pháp có ý nghĩa, đặc biệt nếu thang đo được chứng minh có độ tin cậy, giá trị hội tụ, giá trị phân biệt và bất biến đo lường giữa các nhóm.

2.6. Khoảng trống phương pháp

Các nghiên cứu cắt ngang, một nguồn dữ liệu và hoàn toàn tự báo cáo có nguy cơ làm tăng common method variance và làm mờ bản chất đa cấp của hiện tượng. Năng lực quản trị là đặc tính tổ chức; đổi mới sư phạm biểu hiện ở cấp giảng viên hoặc đơn vị học thuật; chất lượng học tập biểu hiện ở người học. Nếu mọi biến đều được đo bằng nhận thức của một cá nhân tại một thời điểm, kết quả dễ phản ánh thiên lệch nhận thức chung hơn là cơ chế thực tế.

Đề tài vì vậy định hướng mixed-methods sequential exploratory design, kết hợp dữ liệu định tính để phát triển cấu trúc khái niệm với kiểm định định lượng mô hình đo lường và mô hình cấu trúc. Khi khả thi, dữ liệu đa nguồn và cấu trúc lồng ghép sinh viên – giảng viên – khoa/trường sẽ được xem xét. Cách tiếp cận này không chỉ giảm sai lệch phương pháp chung mà còn phù hợp hơn với bản chất đa cấp của quản trị chuyển đổi sư phạm.

3. MỤC TIÊU NGHIÊN CỨU

3.1. Mục tiêu tổng quát

Xây dựng và kiểm định mô hình giải thích cơ chế mà qua đó năng lực quản trị đổi mới (Innovation Management Capability – IMC) thúc đẩy đổi mới sư phạm dựa trên khoa học học tập (Learning-Science-Based Pedagogical Innovation – LSBPI), từ đó nâng cao chất lượng học tập (Learning Quality – LQ) tại các trường đại học trong bối cảnh ứng dụng AI; đồng thời xác định vai trò điều tiết của AI Enablement (AIE) đối với quá trình chuyển hóa từ năng lực quản trị đổi mới sang đổi mới sư phạm.

3.2. Mục tiêu cụ thể

Hệ thống hóa và tích hợp cơ sở lý thuyết về năng lực động, năng lực quản trị đổi mới, khoa học học tập, đổi mới sư phạm, chất lượng học tập và AI trong giáo dục đại học.
Khái niệm hóa IMC, LSBPI, LQ và AIE phù hợp với bối cảnh chuyển đổi phương pháp dạy học tại trường đại học.
Phát triển và kiểm định cấu trúc đo lường cho bốn khái niệm IMC, LSBPI, LQ và AIE.
Kiểm định tác động của IMC đến LSBPI và LQ.
Kiểm định tác động của LSBPI đến LQ và vai trò trung gian của LSBPI trong mối quan hệ IMC–LQ.
Kiểm định vai trò điều tiết của AIE trong mối quan hệ IMC–LSBPI.
Đề xuất và thẩm định khung quản trị chuyển đổi phương pháp dạy học dựa trên khoa học học tập trong bối cảnh AI cho các trường đại học.

4. CÂU HỎI NGHIÊN CỨU

RQ1. Năng lực quản trị đổi mới trong trường đại học được cấu thành bởi những năng lực thành phần nào trong bối cảnh chuyển đổi sư phạm và AI?

RQ2. Đổi mới sư phạm dựa trên khoa học học tập nên được khái niệm hóa và đo lường như thế nào để phân biệt với việc đơn thuần áp dụng công nghệ mới?

RQ3. Năng lực quản trị đổi mới tác động như thế nào đến đổi mới sư phạm dựa trên khoa học học tập và chất lượng học tập?

RQ4. Đổi mới sư phạm dựa trên khoa học học tập có đóng vai trò trung gian trong mối quan hệ giữa năng lực quản trị đổi mới và chất lượng học tập hay không?

RQ5. AI Enablement có điều tiết mối quan hệ giữa năng lực quản trị đổi mới và đổi mới sư phạm dựa trên khoa học học tập hay không?

RQ6. Các cấu trúc IMC, LSBPI, LQ và AIE có duy trì độ tin cậy, giá trị và tính bất biến đo lường giữa các nhóm trường, ngành hoặc nhóm đối tượng quan trọng hay không?

RQ7. Các trường đại học cần thiết kế hệ thống quản trị như thế nào để chuyển hóa năng lực tổ chức và tiềm năng AI thành đổi mới sư phạm có căn cứ và chất lượng học tập bền vững?

5. ĐỐI TƯỢNG, KHÁCH THỂ VÀ PHẠM VI NGHIÊN CỨU

Đối tượng nghiên cứu là cơ chế và các mối quan hệ giữa năng lực quản trị đổi mới, đổi mới sư phạm dựa trên khoa học học tập, AI Enablement và chất lượng học tập trong quá trình chuyển đổi phương pháp dạy học tại các trường đại học.

Khách thể nghiên cứu dự kiến gồm cán bộ quản lý học thuật, lãnh đạo khoa/bộ môn, giảng viên và sinh viên. Việc lựa chọn nhiều nhóm đối tượng nhằm phản ánh đúng các cấp độ khác nhau của mô hình. Cán bộ quản lý và lãnh đạo học thuật phù hợp để cung cấp dữ liệu về chiến lược, nguồn lực, quản trị thay đổi và dữ liệu; giảng viên phù hợp để phản ánh thực hành LSBPI; sinh viên phù hợp để cung cấp thông tin về trải nghiệm và chất lượng học tập. Khi điều kiện cho phép, dữ liệu kết quả học tập khách quan hoặc dữ liệu quá trình học sẽ được sử dụng bổ sung nhằm giảm phụ thuộc vào tự báo cáo.

Phạm vi nội dung tập trung vào quản trị chuyển đổi phương pháp dạy học và tạo giá trị học tập, không bao quát toàn bộ chuyển đổi số của trường đại học. AI được xem là điều kiện hỗ trợ và điều kiện biên của chuyển đổi sư phạm, không phải mục tiêu tự thân.

Phạm vi không gian sẽ lựa chọn các trường đại học có mức độ đa dạng về loại hình, lĩnh vực đào tạo và mức trưởng thành số/AI. Cấu trúc mẫu cuối cùng được xác định theo yêu cầu của thiết kế thực nghiệm và khả năng tiếp cận dữ liệu, nhưng cần đủ đa dạng để kiểm định tính khái quát và bất biến đo lường.

Phạm vi thời gian bao gồm giai đoạn tổng quan, phát triển thang đo, nghiên cứu định tính, khảo sát thử, khảo sát chính thức và thẩm định khung quản trị theo kế hoạch nghiên cứu. Nếu khả thi, tách thời điểm thu thập các biến nguyên nhân, trung gian và kết quả sẽ được sử dụng để tăng sức mạnh suy luận.

6. CƠ SỞ LÝ THUYẾT VÀ LẬP LUẬN TÍCH HỢP

6.1. Lý thuyết năng lực động và Innovation Management Capability

Lý thuyết năng lực động giải thích khả năng của tổ chức trong việc tích hợp, xây dựng và tái cấu hình các năng lực bên trong và bên ngoài để đáp ứng môi trường thay đổi nhanh (Teece et al., 1997). Teece (2007) phát triển khung này theo ba nhóm hoạt động cốt lõi: sensing – nhận diện cơ hội và thách thức; seizing – huy động nguồn lực và đưa ra quyết định để nắm bắt cơ hội; và transforming – tái cấu trúc tài sản, quy trình và năng lực để duy trì thích ứng.

Trong giáo dục đại học, AI và chuyển đổi số tạo ra một môi trường biến động tương tự về mặt tổ chức. Công nghệ thay đổi nhanh, kỳ vọng của người học thay đổi, phương thức đánh giá phải điều chỉnh, và các vấn đề đạo đức – pháp lý xuất hiện trước khi nhiều cơ sở kịp xây dựng quy trình chính thức. Do đó, trường đại học cần nhiều hơn “năng lực vận hành” để sử dụng các công cụ hiện có; họ cần năng lực bậc cao để nhận diện cơ hội giáo dục, thử nghiệm, học hỏi, phân bổ nguồn lực và tái cấu hình thực hành.

Trên cơ sở đó, đề tài định nghĩa Innovation Management Capability (IMC) là năng lực tổ chức của trường đại học trong việc định hướng, huy động, phối hợp, học hỏi, điều chỉnh và thể chế hóa đổi mới nhằm chuyển hóa các thay đổi công nghệ và tri thức thành giá trị giáo dục. Khái niệm này khác với “innovation orientation” – khuynh hướng ủng hộ đổi mới – và cũng khác với “innovation adoption” – mức độ tiếp nhận một công nghệ. IMC nhấn mạnh năng lực tổ chức để quản trị toàn bộ chu trình đổi mới.

IMC được dự kiến cấu thành bởi năm chiều. Strategic Leadership phản ánh khả năng xác lập tầm nhìn, ưu tiên và mục tiêu sư phạm cho chuyển đổi. Organizational Learning thể hiện khả năng tạo, chia sẻ và tích lũy tri thức từ thử nghiệm và dữ liệu. Resource Mobilization phản ánh khả năng huy động và phối hợp con người, thời gian, tài chính, hạ tầng và hỗ trợ chuyên môn. Change Management đề cập khả năng quản trị sự tham gia, truyền thông, kháng cự, phát triển năng lực và thể chế hóa thay đổi. Data-Informed Governance phản ánh khả năng sử dụng dữ liệu, bằng chứng và phản hồi để đưa ra quyết định, giám sát và cải tiến.

Năm chiều này tương ứng tương đối với logic của năng lực động: lãnh đạo chiến lược và dữ liệu hỗ trợ sensing; huy động nguồn lực hỗ trợ seizing; học tập tổ chức và quản trị thay đổi hỗ trợ transforming. Tuy nhiên, đề tài không đồng nhất IMC với Dynamic Capabilities mà sử dụng Dynamic Capabilities như nền tảng giải thích. IMC là cấu trúc được phát triển cụ thể cho bối cảnh quản trị đổi mới sư phạm trong đại học.

6.2. Khoa học học tập và Learning-Science-Based Pedagogical Innovation

Khoa học học tập là lĩnh vực liên ngành nghiên cứu quá trình học, điều kiện tạo ra học tập và thiết kế môi trường hỗ trợ học tập. Đối với đề tài này, giá trị của khoa học học tập nằm ở việc cung cấp cơ chế để phân biệt đổi mới sư phạm có khả năng tạo ra học tập thực chất với đổi mới mang tính hình thức hoặc công nghệ.

Thứ nhất, active and generative learning nhấn mạnh người học cần tham gia vào quá trình xử lý và kiến tạo ý nghĩa. Khung ICAP của Chi và Wylie (2014) phân biệt các mức độ tham gia thụ động, chủ động, kiến tạo và tương tác, trong đó mức độ xử lý nhận thức sâu hơn được kỳ vọng tạo ra kết quả học tập tốt hơn. Tổng quan của Freeman et al. (2014) cũng cho thấy học tập tích cực có thể cải thiện thành tích trong giáo dục đại học ở các lĩnh vực STEM.

Thứ hai, cognitive optimization yêu cầu thiết kế nhiệm vụ phù hợp với giới hạn nhận thức. Lý thuyết tải nhận thức chỉ ra rằng học tập bị cản trở khi nhiệm vụ hoặc cách trình bày tạo ra tải nhận thức không cần thiết vượt quá khả năng xử lý của bộ nhớ làm việc (Sweller, 1988). Trong bối cảnh AI, điều này đặc biệt quan trọng bởi người học có thể tiếp nhận khối lượng thông tin lớn, nhưng lượng thông tin nhiều hơn không đồng nghĩa với cấu trúc tri thức tốt hơn.

Thứ ba, retrieval and spacing nhấn mạnh vai trò của việc truy hồi kiến thức và phân bố thực hành theo thời gian. Thực hành truy hồi có thể tăng khả năng lưu giữ và chuyển giao tốt hơn so với việc chỉ đọc lại tài liệu (Roediger & Karpicke, 2006). Dunlosky et al. (2013) cũng tổng hợp bằng chứng về hiệu quả của practice testing và distributed practice như các kỹ thuật học tập có tính ứng dụng rộng.

Thứ tư, formative feedback hỗ trợ người học xác định trạng thái hiện tại, mục tiêu và bước tiếp theo. Black và Wiliam (1998) cho thấy đánh giá hình thành có vai trò quan trọng trong cải thiện học tập. AI có tiềm năng mở rộng khả năng phản hồi, nhưng chất lượng phản hồi vẫn phụ thuộc vào tiêu chí, ngữ cảnh, độ chính xác và khả năng kích hoạt hành động điều chỉnh của người học.

Thứ năm, metacognitive and self-regulated learning nhấn mạnh năng lực đặt mục tiêu, lập kế hoạch, theo dõi, tự đánh giá và điều chỉnh chiến lược. Zimmerman (2002) mô tả tự điều chỉnh như một quá trình chủ động của người học. Meta-analysis của Jansen et al. (2019) cho thấy self-regulated learning đóng vai trò trung gian một phần giữa các can thiệp hỗ trợ tự điều chỉnh và thành tích trong giáo dục đại học, qua đó củng cố lập luận rằng cơ chế học tập chứ không chỉ bản thân can thiệp mới giải thích kết quả.

Trên cơ sở các nguyên lý này, Learning-Science-Based Pedagogical Innovation (LSBPI) được định nghĩa là mức độ mà trường đại học và giảng viên thiết kế, triển khai, đánh giá và cải tiến các thực hành dạy học mới dựa trên bằng chứng về cách con người học, nhằm thúc đẩy xử lý nhận thức có ý nghĩa, phản hồi, tự điều chỉnh, tương tác và khả năng chuyển giao. Cấu trúc dự kiến gồm năm chiều: Active & Generative Learning; Cognitive Optimization; Formative Feedback; Metacognitive & Self-Regulated Learning; Adaptive & Personalized Learning.

Điểm mới của LSBPI không nằm ở từng nguyên lý riêng lẻ mà ở việc tích hợp chúng thành một cấu trúc đo lường của đổi mới sư phạm có căn cứ. Vì vậy, một hoạt động chỉ được xem là LSBPI ở mức cao khi tính mới đi kèm với căn cứ về học tập, cơ chế phản hồi, đánh giá và cải tiến. Cách tiếp cận này tránh đồng nhất “có sử dụng AI” với “có đổi mới sư phạm”.

6.3. Learning Quality như giá trị giáo dục đầu ra

Khái niệm chất lượng học tập trong nghiên cứu này được phân biệt với chất lượng đào tạo ở cấp chương trình hoặc chất lượng dịch vụ giáo dục. Learning Quality (LQ) tập trung vào chất lượng của những thay đổi xảy ra ở người học và quá trình tạo ra những thay đổi đó. Đây là lựa chọn quan trọng vì mục tiêu của chuyển đổi phương pháp dạy học không phải là tăng mức độ số hóa mà là cải thiện việc học.

Đề tài dự kiến khái niệm hóa LQ qua năm chiều. Learning Engagement phản ánh mức độ đầu tư nhận thức, hành vi và cảm xúc vào hoạt động học tập. Learning Effectiveness phản ánh mức độ đạt mục tiêu, hiểu biết và năng lực thực hiện. Deep Learning đề cập khả năng tổ chức, liên kết, giải thích và sử dụng tri thức vượt ra ngoài ghi nhớ bề mặt. Transfer of Learning phản ánh khả năng vận dụng kiến thức và kỹ năng vào tình huống mới. Learner Agency phản ánh khả năng người học đưa ra lựa chọn có chủ đích, tự điều chỉnh và chịu trách nhiệm đối với quá trình học.

Việc đưa learner agency vào LQ có ý nghĩa đặc biệt trong bối cảnh AI. Nếu người học đạt sản phẩm tốt nhờ phụ thuộc vào AI nhưng giảm khả năng tự đặt câu hỏi, tự đánh giá hoặc tự giải quyết vấn đề, chất lượng học tập không thể được xem là tăng. Vì vậy, LQ phải phân biệt “performance with AI” với “capability developed through learning”. Lập luận này phù hợp với cảnh báo của OECD (2026) về sự khác biệt giữa hiệu suất thực hiện nhiệm vụ và learning gains.

6.4. AI Enablement như điều kiện biên

Trong đề tài, AI Enablement (AIE) không đồng nhất với mức độ sử dụng AI. AIE được định nghĩa là mức độ mà tổ chức tạo ra các điều kiện công nghệ, năng lực con người, dữ liệu và quản trị cần thiết để AI có thể được huy động an toàn, có trách nhiệm và có ý nghĩa cho mục tiêu sư phạm.

AIE gồm bốn chiều. AI Infrastructure phản ánh khả năng tiếp cận công cụ, tích hợp hệ thống, hỗ trợ kỹ thuật và tính ổn định. AI Competence phản ánh năng lực của giảng viên, cán bộ quản lý và các đơn vị hỗ trợ trong việc hiểu, lựa chọn, sử dụng và đánh giá AI. Data Capability phản ánh khả năng thu thập, quản lý, bảo vệ, tích hợp và sử dụng dữ liệu phục vụ quyết định và cải tiến. Responsible AI Governance bao gồm quy tắc minh bạch, trách nhiệm giải trình, quyền riêng tư, an toàn, công bằng, giám sát con người và cơ chế xử lý rủi ro.

UNESCO (Miao & Cukurova, 2024) nhấn mạnh rằng năng lực AI của giáo viên phải gắn với tư duy lấy con người làm trung tâm, đạo đức, sư phạm và phát triển nghề nghiệp. Điều này hỗ trợ cách tiếp cận AIE như một cấu trúc tổ chức đa chiều thay vì chỉ là hạ tầng kỹ thuật. Khi AIE cao, tổ chức có nhiều khả năng biến định hướng quản trị thành thử nghiệm sư phạm, phản hồi dữ liệu, cá nhân hóa và mở rộng đổi mới. Khi AIE thấp, ngay cả tổ chức có định hướng đổi mới tốt cũng có thể gặp giới hạn về công cụ, năng lực, dữ liệu và trách nhiệm.

6.5. Khung lập luận tích hợp

Từ bốn cấu trúc trên, mô hình tích hợp của đề tài được xây dựng theo logic tạo giá trị. IMC trả lời câu hỏi tổ chức có khả năng dẫn dắt và thể chế hóa đổi mới hay không. LSBPI trả lời câu hỏi năng lực tổ chức đó có được chuyển hóa thành thay đổi sư phạm phù hợp với cách con người học hay không. LQ trả lời câu hỏi thay đổi sư phạm có tạo ra giá trị thực sự cho người học hay không. AIE trả lời câu hỏi điều kiện AI – dữ liệu – năng lực – quản trị có khuếch đại hay hạn chế quá trình chuyển hóa từ quản trị sang sư phạm hay không.

Logic này tạo ra ba lớp giải thích: năng lực → cơ chế → kết quả, cùng một điều kiện biên. Đây là điểm giúp mô hình vừa tinh gọn vừa có chiều sâu. Thay vì đưa nhiều biến công nghệ, lãnh đạo, văn hóa và kết quả vào một cấu trúc phức tạp, đề tài tập trung vào một cơ chế trung tâm có khả năng kiểm định rõ ràng.

7. MÔ HÌNH NGHIÊN CỨU ĐỀ XUẤT

Kiến trúc mô hình được tổ chức thành ba tầng và một điều kiện biên:

Tầng I – Organizational/Management Capability
Innovation Management Capability (IMC)
Strategic Leadership – Organizational Learning – Resource Mobilization – Change Management – Data-Informed Governance

↓

Tầng II – Educational Transformation Mechanism
Learning-Science-Based Pedagogical Innovation (LSBPI)
Active & Generative Learning – Cognitive Optimization – Formative Feedback – Metacognitive/Self-Regulated Learning – Adaptive & Personalized Learning

↓

Tầng III – Educational Value Outcomes
Learning Quality (LQ)
Learning Engagement – Learning Effectiveness – Deep Learning – Transfer of Learning – Learner Agency

Boundary Condition – AI Enablement (AIE)
AI Infrastructure – AI Competence – Data Capability – Responsible AI Governance

Mô hình cấu trúc cốt lõi:

IMC → LSBPI → LQ

trong đó AIE điều tiết quan hệ IMC → LSBPI.

Mô hình chủ ý không đưa Learning Sciences thành một biến độc lập riêng, vì Learning Sciences là nền tảng lý thuyết xác định nội hàm của LSBPI. Tương tự, AI không được đưa vào như một biến nguyên nhân trực tiếp của mọi kết quả, vì điều đó dễ tạo ra technological determinism. AI Enablement được định vị như điều kiện tổ chức giúp năng lực quản trị được chuyển hóa thành đổi mới sư phạm hiệu quả hơn.

8. GIẢ THUYẾT NGHIÊN CỨU VÀ LẬP LUẬN

8.1. IMC và LSBPI

Theo lý thuyết năng lực động, tổ chức có khả năng nhận diện cơ hội, huy động nguồn lực và tái cấu hình năng lực tốt hơn sẽ thích ứng hiệu quả hơn trước thay đổi (Teece et al., 1997; Teece, 2007). Trong đại học, đổi mới sư phạm thường đòi hỏi nhiều điều kiện đồng thời: tầm nhìn lãnh đạo, thời gian thiết kế, hỗ trợ chuyên môn, năng lực giảng viên, dữ liệu, cơ chế thử nghiệm và sự chấp nhận thay đổi. Nếu thiếu các điều kiện này, đổi mới dễ dừng ở sáng kiến cá nhân và khó trở thành thực hành tổ chức.

Strategic Leadership giúp xác định mục tiêu đổi mới dựa trên giá trị học tập thay vì mục tiêu công nghệ. Organizational Learning giúp trường học từ thử nghiệm và lan tỏa tri thức. Resource Mobilization tạo nguồn lực cần thiết để giảng viên thiết kế và thử nghiệm. Change Management giảm kháng cự và tăng khả năng thể chế hóa. Data-Informed Governance giúp lựa chọn, đánh giá và điều chỉnh đổi mới bằng bằng chứng. Vì vậy, IMC được kỳ vọng làm tăng xác suất và chất lượng của LSBPI.

H1: Innovation Management Capability có tác động tích cực đến Learning-Science-Based Pedagogical Innovation.

8.2. LSBPI và Learning Quality

LSBPI được xây dựng trực tiếp từ các cơ chế học tập đã có nền tảng bằng chứng. Active and generative learning tăng mức xử lý nhận thức; cognitive optimization hạn chế tải nhận thức không cần thiết; formative feedback giúp điều chỉnh sai lệch; metacognitive and self-regulated learning tăng khả năng tự quản trị học tập; adaptive and personalized learning giúp điều chỉnh hỗ trợ phù hợp với nhu cầu người học. Vì vậy, LSBPI không chỉ là “đổi mới” theo nghĩa mới lạ mà là đổi mới có khả năng tác động đến quá trình học thông qua các cơ chế xác định.

Điều này dẫn tới dự báo rằng khi mức LSBPI tăng, người học có khả năng tham gia sâu hơn, đạt mục tiêu hiệu quả hơn, hình thành hiểu biết sâu hơn, chuyển giao tri thức tốt hơn và duy trì quyền chủ thể trong quá trình học. Các bằng chứng về active learning, retrieval, formative assessment và self-regulated learning củng cố logic này (Black & Wiliam, 1998; Chi & Wylie, 2014; Freeman et al., 2014; Jansen et al., 2019; Roediger & Karpicke, 2006).

H2: Learning-Science-Based Pedagogical Innovation có tác động tích cực đến Learning Quality.

8.3. IMC và Learning Quality

IMC có thể ảnh hưởng đến LQ không chỉ thông qua thay đổi sư phạm mà còn qua những cơ chế bổ trợ như phân bổ nguồn lực, hỗ trợ người học, điều chỉnh chính sách đánh giá, xây dựng dữ liệu và phát triển năng lực giảng viên. Vì vậy, việc kiểm định tác động trực tiếp IMC → LQ vẫn cần thiết để xác định mức độ tác động còn lại sau khi đưa LSBPI vào mô hình.

Tuy nhiên, đề tài không giả định đường trực tiếp này phải mạnh hơn đường gián tiếp. Ngược lại, logic trung tâm dự báo phần quan trọng của tác động IMC lên LQ được chuyển hóa qua LSBPI. H3 do đó đóng vai trò kiểm định tác động tổng thể và giúp xác định trung gian một phần hay toàn phần.

H3: Innovation Management Capability có tác động tích cực đến Learning Quality.

8.4. Vai trò trung gian của LSBPI

H4 là giả thuyết lý thuyết trung tâm của nghiên cứu. Nếu IMC chỉ tác động trực tiếp đến LQ, mô hình sẽ không giải thích được cơ chế chuyển hóa. Ngược lại, nếu IMC làm tăng LSBPI và LSBPI làm tăng LQ, đồng thời tác động gián tiếp có ý nghĩa, nghiên cứu có thể chỉ ra rằng năng lực quản trị tạo ra giá trị giáo dục chủ yếu bằng cách thay đổi thiết kế và thực hành dạy học.

Lập luận này tương thích với nguyên tắc của nghiên cứu cơ chế: một nguồn lực hoặc năng lực bậc cao chỉ tạo ra kết quả cuối cùng khi được hiện thực hóa qua quá trình gần với kết quả. Trong trường hợp này, IMC là năng lực tổ chức xa người học hơn; LSBPI là cơ chế sư phạm gần người học hơn; LQ là kết quả cuối cùng. Vì vậy, việc kiểm định trung gian giúp mở “hộp đen” giữa quản trị và học tập.

H4: Learning-Science-Based Pedagogical Innovation đóng vai trò trung gian trong mối quan hệ giữa Innovation Management Capability và Learning Quality.

8.5. Vai trò điều tiết của AI Enablement

AI Enablement được kỳ vọng làm thay đổi cường độ tác động IMC → LSBPI. Khi AIE cao, lãnh đạo có thể chuyển chiến lược thành hành động nhanh hơn nhờ hạ tầng sẵn có; giảng viên có thể thử nghiệm và đánh giá công cụ hiệu quả hơn nhờ năng lực AI; dữ liệu hỗ trợ cá nhân hóa và giám sát; quản trị có trách nhiệm tạo ra khung an toàn để đổi mới. Khi AIE thấp, các quyết định đổi mới có thể bị hạn chế bởi thiếu công cụ, thiếu năng lực, dữ liệu phân mảnh hoặc rủi ro chưa được quản trị.

Quan trọng hơn, AIE không được kỳ vọng thay thế IMC. Một trường có công nghệ tốt nhưng năng lực quản trị yếu vẫn có thể tạo ra việc sử dụng AI rời rạc, thiếu liên kết với mục tiêu học tập. Vì vậy, AIE đóng vai trò khuếch đại hoặc hạn chế khả năng IMC được chuyển hóa thành LSBPI.

H5: AI Enablement điều tiết tích cực mối quan hệ giữa Innovation Management Capability và Learning-Science-Based Pedagogical Innovation; tác động của IMC lên LSBPI mạnh hơn khi AIE ở mức cao.

9. KHÁI NIỆM HÓA VÀ PHÁT TRIỂN THANG ĐO

9.1. Nguyên tắc chung

Phát triển thang đo cần được xem là một phần trọng yếu của đóng góp khoa học, không phải bước kỹ thuật sau cùng. Quy trình dự kiến gồm: xác định miền khái niệm; tổng quan có hệ thống các thang đo hiện hữu; phỏng vấn chuyên gia và người sử dụng; xây dựng item pool; đánh giá giá trị nội dung; khảo sát nhận thức/cognitive interview khi cần; pilot; EFA nếu cấu trúc mới hoặc chưa ổn định; CFA; và kiểm định độ tin cậy, giá trị hội tụ, giá trị phân biệt và tính bất biến đo lường.

Các chỉ báo cần được viết ở đúng cấp độ phân tích. Đối với IMC và AIE, câu hỏi phải phản ánh năng lực hoặc điều kiện của tổ chức, không chỉ phản ánh năng lực cá nhân. Đối với LSBPI, chỉ báo cần phản ánh thực hành thiết kế và triển khai sư phạm. Đối với LQ, chỉ báo phải phản ánh kết quả và trải nghiệm học tập của sinh viên.

9.2. Định hướng thang đo IMC

IMC dự kiến được mô hình hóa như một cấu trúc bậc cao với năm cấu phần. Strategic Leadership có thể bao gồm khả năng xác lập tầm nhìn, đặt mục tiêu học tập, ưu tiên đổi mới và duy trì cam kết. Organizational Learning có thể đo khả năng chia sẻ thực hành, học từ thử nghiệm, phản tư và lan tỏa tri thức. Resource Mobilization đo khả năng phân bổ thời gian, kinh phí, chuyên gia, hạ tầng và hỗ trợ. Change Management đo khả năng truyền thông, tham gia, đào tạo, xử lý kháng cự và thể chế hóa. Data-Informed Governance đo khả năng sử dụng dữ liệu, bằng chứng và chỉ số học tập trong quyết định.

Một yêu cầu quan trọng là kiểm tra liệu IMC nên được mô hình hóa như reflective higher-order construct hay formative/composite construct. Quyết định này phải dựa trên logic khái niệm và kiểm định thực nghiệm, không chỉ theo thuận tiện kỹ thuật. Nếu các chiều là biểu hiện có thể thay thế của cùng một năng lực tiềm ẩn, mô hình phản xạ phù hợp hơn; nếu mỗi chiều đóng góp một thành phần không thể thay thế cho IMC, mô hình tạo thành có thể hợp lý hơn.

9.3. Định hướng thang đo LSBPI

LSBPI là cấu trúc mới cần phát triển cẩn trọng. Các item không nên chỉ hỏi “giảng viên có sử dụng phương pháp mới hay không”, mà phải liên kết hành vi sư phạm với cơ chế học tập. Ví dụ, Active & Generative Learning có thể đo mức độ người học được yêu cầu giải thích, tạo sản phẩm, lập luận, giải quyết vấn đề và tương tác; Cognitive Optimization đo cách nội dung và nhiệm vụ được tổ chức để kiểm soát tải nhận thức; Formative Feedback đo tính kịp thời, cụ thể, hướng hành động và lặp lại; Metacognitive & Self-Regulated Learning đo cơ hội đặt mục tiêu, tự theo dõi, phản tư và điều chỉnh; Adaptive & Personalized Learning đo khả năng điều chỉnh nhiệm vụ, hỗ trợ hoặc phản hồi dựa trên nhu cầu người học.

AI có thể xuất hiện trong ví dụ hoặc bối cảnh của các item nhưng không nên trở thành tiêu chí bắt buộc của LSBPI. Điều này bảo đảm LSBPI vẫn là một cấu trúc sư phạm, không bị đồng nhất với AI use.

9.4. Định hướng thang đo Learning Quality

LQ cần kết hợp nhiều nguồn dữ liệu khi khả thi. Chỉ báo tự báo cáo có thể đo engagement, deep learning và agency. Kết quả học tập, bài kiểm tra hoặc đánh giá năng lực có thể bổ sung cho learning effectiveness. Nhiệm vụ vận dụng hoặc bài tập mới có thể phản ánh transfer. Dữ liệu hành vi trên hệ thống học tập có thể được sử dụng như nguồn bổ trợ, nhưng cần tránh đánh đồng hoạt động trực tuyến với học tập thực chất.

Việc kết hợp dữ liệu cảm nhận và dữ liệu khách quan sẽ giúp xử lý nghịch lý “sản phẩm tốt – học tập thấp” trong bối cảnh AI. Nếu sinh viên đánh giá trải nghiệm tích cực nhưng không duy trì được kiến thức hoặc chuyển giao, LQ không nên được kết luận cao chỉ từ sự hài lòng.

9.5. Định hướng thang đo AI Enablement

AIE cần đo điều kiện tổ chức. AI Infrastructure có thể phản ánh khả năng truy cập, tích hợp và hỗ trợ. AI Competence phản ánh kiến thức, kỹ năng và khả năng đánh giá. Data Capability phản ánh chất lượng, tích hợp, quản trị và sử dụng dữ liệu. Responsible AI Governance phản ánh chính sách, giám sát, trách nhiệm, bảo mật, công bằng, minh bạch và human oversight.

Phân biệt AIE với AI use là yêu cầu quan trọng. Tần suất sử dụng cao có thể xảy ra trong môi trường quản trị yếu; ngược lại, AIE cao có thể tồn tại dù việc sử dụng chỉ tập trung vào những trường hợp có giá trị sư phạm rõ ràng. Do đó, đo AIE bằng “số lần sử dụng AI” sẽ làm sai lệch bản chất cấu trúc.

9.6. Giá trị nội dung và bất biến đo lường

Sau khi hình thành item pool, hội đồng chuyên gia nên đánh giá mức độ đại diện, rõ nghĩa và phù hợp với miền khái niệm. Các chỉ số như Content Validity Index có thể được sử dụng nếu phù hợp với thiết kế. Sau CFA, cần kiểm định convergent validity, discriminant validity và composite reliability. Nếu nghiên cứu so sánh giữa loại hình trường, nhóm ngành hoặc nhóm đối tượng, measurement invariance là yêu cầu cần thiết trước khi diễn giải khác biệt trung bình hoặc hệ số cấu trúc giữa các nhóm.

10. PHƯƠNG PHÁP NGHIÊN CỨU

10.1. Triết lý và thiết kế nghiên cứu

Đề tài phù hợp với mixed-methods sequential exploratory design. Lựa chọn này xuất phát từ hai mục tiêu đồng thời: phát triển/hiệu chỉnh các cấu trúc đo lường trong bối cảnh đại học và kiểm định mô hình lý thuyết. Giai đoạn định tính giúp đảm bảo khái niệm không chỉ hợp lý về mặt lý thuyết mà còn phù hợp với ngôn ngữ, thực hành và điều kiện của trường đại học. Giai đoạn định lượng cho phép kiểm định độ tin cậy, giá trị của thang đo và các quan hệ H1–H5.

Trình tự nghiên cứu dự kiến gồm bốn pha chính: (1) tổng quan và xây dựng mô hình sơ bộ; (2) nghiên cứu định tính và phát triển item pool; (3) pilot và tinh chỉnh công cụ; (4) khảo sát chính thức và kiểm định mô hình. Sau đó, kết quả định tính và định lượng được tích hợp để xây dựng khung quản trị.

10.2. Tổng quan tài liệu

Giai đoạn đầu nên thực hiện tổng quan có cấu trúc đối với bốn cụm tài liệu: dynamic capabilities/innovation management; learning sciences/pedagogical innovation; learning quality; và AI-enabled higher education/responsible AI. Mục tiêu không chỉ là liệt kê công trình mà là xác định miền khái niệm, cấu trúc đo lường hiện hữu, mối quan hệ đã kiểm định và khoảng trống còn lại.

Quy trình tìm kiếm cần ghi rõ cơ sở dữ liệu, từ khóa, tiêu chí đưa vào/loại ra và cách tổng hợp. Khi phạm vi đủ rõ, có thể áp dụng các nguyên tắc báo cáo minh bạch của systematic/scoping review phù hợp. Kết quả tổng quan là cơ sở để xây dựng conceptual domain và initial item pool.

10.3. Nghiên cứu định tính

Nghiên cứu định tính dự kiến sử dụng phỏng vấn bán cấu trúc với lãnh đạo đại học, cán bộ quản lý đào tạo, lãnh đạo khoa/bộ môn, chuyên gia Learning Sciences/EdTech/AI và giảng viên có kinh nghiệm đổi mới. Chọn mẫu theo purposive sampling, bảo đảm sự đa dạng về vai trò và kinh nghiệm. Việc dừng thu thập dữ liệu cần dựa trên độ đầy đủ của thông tin và độ bão hòa khái niệm thay vì một con số cứng nhắc.

Hướng dẫn phỏng vấn nên tập trung vào: cách nhà trường nhận diện nhu cầu đổi mới; cơ chế huy động nguồn lực; cách giảng viên thiết kế và đánh giá đổi mới; vai trò của dữ liệu; điều kiện và rào cản AI; dấu hiệu của chất lượng học tập; và các vấn đề đạo đức/quản trị. Dữ liệu được phân tích theo phương pháp phân tích chủ đề có hệ thống. Quá trình mã hóa cần duy trì audit trail, memo và cơ chế kiểm tra tính nhất quán của diễn giải.

Kết quả định tính được sử dụng để: xác nhận hoặc điều chỉnh định nghĩa cấu trúc; bổ sung hoặc loại bỏ chiều đo; phát triển item; xác định ngôn ngữ phù hợp; và phát hiện các biến kiểm soát hoặc điều kiện bối cảnh quan trọng.

10.4. Phát triển và thử nghiệm công cụ

Item pool được xây dựng từ ba nguồn: lý thuyết, thang đo hiện hữu và dữ liệu định tính. Các item cần ngắn gọn, đơn nghĩa, tránh câu kép, tránh thuật ngữ quá kỹ thuật và phù hợp với cấp độ người trả lời. Hội đồng chuyên gia đánh giá tính phù hợp và đại diện nội dung. Sau đó có thể thực hiện cognitive interview với một nhóm nhỏ để kiểm tra cách người trả lời hiểu câu hỏi.

Khảo sát pilot được sử dụng để đánh giá phân bố item, ceiling/floor effects, độ tin cậy sơ bộ và cấu trúc nhân tố. EFA chỉ nên dùng khi cần khám phá cấu trúc chưa ổn định; nếu cấu trúc lý thuyết rõ và item chủ yếu điều chỉnh từ thang đo đã được kiểm chứng, CFA có thể đóng vai trò chính. Nếu có đủ mẫu, nên tách mẫu phát triển và mẫu xác nhận để tránh overfitting.

10.5. Thiết kế mẫu định lượng

Mẫu chính thức cần bao phủ nhiều trường, nhóm ngành và vai trò để tăng khả năng khái quát hóa. Kích thước mẫu không nên chỉ dựa trên quy tắc “số quan sát trên số biến”, mà cần kết hợp power analysis, độ phức tạp mô hình, số tham số và phương pháp ước lượng. Với mô hình có các cấu trúc bậc cao, mediation và moderation, kích thước mẫu cần đủ để ước lượng ổn định và phát hiện tác động gián tiếp/điều tiết.

Nếu mô hình đo IMC/AIE ở cấp tổ chức hoặc khoa nhưng LSBPI/LQ ở cấp cá nhân, cần xử lý vấn đề cấp độ. Một lựa chọn là thu thập đủ số người trong mỗi đơn vị và kiểm tra các chỉ số đồng thuận/độ tin cậy trước khi tổng hợp lên cấp nhóm. Nếu dữ liệu lồng ghép rõ và đủ số cụm, multilevel SEM có thể được xem xét. Nếu điều kiện không cho phép, nghiên cứu phải giới hạn tuyên bố ở cấp độ dữ liệu thực tế và tránh suy luận vượt cấp.

10.6. Phân tích mô hình đo lường

Trước SEM, dữ liệu cần được kiểm tra về missingness, outliers, phân phối, multicollinearity và chất lượng đáp ứng. CFA được sử dụng để kiểm định cấu trúc nhân tố. Độ tin cậy có thể đánh giá bằng composite reliability và omega/alpha phù hợp. Convergent validity được xem xét qua hệ số tải và AVE; discriminant validity có thể đánh giá bằng HTMT kết hợp bằng chứng khái niệm. Mô hình cạnh tranh cần được kiểm tra nếu các cấu trúc gần nhau về nội dung.

Đối với các cấu trúc bậc cao, mô hình cần được so sánh với cấu trúc bậc một hoặc các mô hình thay thế để chứng minh lợi ích của cấu trúc đề xuất. Measurement invariance cần được kiểm định nếu so sánh nhóm hoặc dùng multi-group SEM.

10.7. Kiểm định mô hình cấu trúc

CB-SEM được ưu tiên nếu mục tiêu chính là kiểm định lý thuyết và dữ liệu đáp ứng yêu cầu ước lượng. Các chỉ số phù hợp mô hình cần được báo cáo theo thông lệ, nhưng không nên dựa vào một chỉ số duy nhất. H1–H3 được kiểm định qua hệ số đường dẫn. H4 được kiểm định bằng indirect effect với bootstrap confidence intervals thay vì chỉ dựa trên logic từng bước truyền thống. Loại trung gian được diễn giải dựa trên ý nghĩa của tác động trực tiếp và gián tiếp.

H5 có thể được kiểm định bằng latent interaction, product indicator hoặc multi-group approach tùy đặc điểm thang đo và phần mềm. Nếu sử dụng tương tác tiềm ẩn, cần diễn giải simple slopes ở các mức AIE phù hợp. Chỉ kết luận moderation khi hệ số tương tác và dạng quan hệ có ý nghĩa theo dự báo.

PLS-SEM chỉ nên lựa chọn khi mục tiêu nghiên cứu nghiêng rõ về dự báo, mô hình tạo thành phức tạp hoặc điều kiện dữ liệu biện minh cho phương pháp. Việc lựa chọn CB-SEM hay PLS-SEM phải xuất phát từ mục tiêu và bản chất mô hình, không dựa trên thói quen phần mềm.

10.8. Kiểm soát common method bias

Thiết kế nghiên cứu cần ưu tiên procedural remedies. Trước hết, nên tách nguồn đo: cán bộ quản lý có thể cung cấp dữ liệu IMC/AIE, giảng viên phản ánh LSBPI và sinh viên phản ánh LQ. Thứ hai, có thể tách thời điểm đo các biến chính. Thứ ba, bảo đảm ẩn danh và giảm áp lực đánh giá xã hội. Thứ tư, bố trí bảng hỏi tránh làm lộ rõ mô hình nhân quả. Thứ năm, bổ sung dữ liệu khách quan khi khả thi.

Các kiểm định thống kê đối với common method variance chỉ nên đóng vai trò hỗ trợ. Harman’s single-factor test không đủ để chứng minh không có bias. Các lựa chọn tốt hơn có thể gồm marker variable hoặc common latent factor tùy thiết kế và dữ liệu.

10.9. Kiểm soát biến nhiễu và kiểm định độ bền

Nghiên cứu cần xác định trước các biến kiểm soát có cơ sở lý thuyết, chẳng hạn quy mô trường, loại hình sở hữu, mức trưởng thành số, lĩnh vực đào tạo, kinh nghiệm giảng dạy hoặc mức độ sử dụng AI. Không nên đưa quá nhiều biến kiểm soát chỉ vì có sẵn dữ liệu. Robustness checks có thể bao gồm mô hình thay thế, loại bỏ đường trực tiếp, so sánh cấu trúc bậc cao/bậc một và kiểm định theo nhóm.

10.10. Đạo đức nghiên cứu và Responsible AI

Người tham gia cần được cung cấp thông tin đầy đủ về mục tiêu, dữ liệu thu thập, quyền rút lui và cách bảo vệ thông tin; sự tham gia phải tự nguyện. Dữ liệu phải được tối thiểu hóa, ẩn danh hoặc giả danh hóa khi phù hợp và lưu trữ an toàn. Dữ liệu nhạy cảm không được đưa vào hệ thống AI bên ngoài nếu chưa có cơ chế phê duyệt phù hợp.

Nếu AI được sử dụng để hỗ trợ phiên âm, mã hóa, phân tích, dịch thuật hoặc soạn thảo, nhà nghiên cứu vẫn chịu trách nhiệm đối với mọi quyết định học thuật. AI không được xem là tác giả hoặc người chịu trách nhiệm. Việc sử dụng AI cần được ghi nhận minh bạch theo chính sách của cơ sở nghiên cứu và tạp chí/nhà xuất bản. Các kết quả AI tạo ra phải được kiểm chứng với dữ liệu gốc và nguồn học thuật.

11. ĐÓNG GÓP MỚI DỰ KIẾN

11.1. Đóng góp lý thuyết

Thứ nhất, nghiên cứu tích hợp ba dòng lý thuyết thường tách biệt: năng lực động/quản trị đổi mới, khoa học học tập/đổi mới sư phạm và AI-enabled education. Thay vì giả định công nghệ tạo ra kết quả trực tiếp, mô hình xác lập một chuỗi tạo giá trị từ năng lực tổ chức đến cơ chế sư phạm rồi đến kết quả học tập.

Thứ hai, nghiên cứu đưa Learning-Science-Based Pedagogical Innovation thành một cấu trúc lý thuyết có nội hàm được neo vào cơ chế học tập. Giá trị gia tăng của khái niệm này nằm ở việc phân biệt đổi mới có căn cứ khoa học với đổi mới chỉ dựa trên tính mới hoặc mức độ sử dụng công nghệ.

Thứ ba, mô hình mở “hộp đen” giữa quản trị và chất lượng học tập bằng cơ chế trung gian IMC → LSBPI → LQ. Nếu H4 được xác nhận, nghiên cứu cung cấp một cách giải thích cơ chế: năng lực quản trị không tự động tạo ra học tập tốt; nó tạo ra điều kiện để sư phạm thay đổi, và chính thay đổi sư phạm làm phát sinh giá trị học tập.

Thứ tư, việc định vị AI Enablement là boundary condition giúp tránh technological determinism. Nghiên cứu không đặt câu hỏi “AI tốt hay xấu”, mà xem giá trị của AI phụ thuộc vào khả năng tổ chức tạo điều kiện và quản trị việc sử dụng AI. Cùng một mức IMC có thể tạo ra kết quả LSBPI khác nhau dưới các mức AIE khác nhau.

Thứ năm, mô hình đóng góp cho lý thuyết năng lực động bằng cách chuyển logic sensing–seizing–transforming sang bối cảnh chuyển đổi sư phạm, nơi kết quả cuối cùng không phải hiệu suất kinh doanh mà là chất lượng học tập. Điều này mở rộng phạm vi giải thích của dynamic capabilities trong các tổ chức giáo dục có mục tiêu xã hội và học thuật.

11.2. Đóng góp khái niệm và đo lường

Đề tài dự kiến phát triển hoặc tinh chỉnh bốn cấu trúc đo lường: IMC, LSBPI, LQ và AIE. Trong đó, LSBPI và AIE có tiềm năng đóng góp nổi bật vì chúng khắc phục hai vấn đề phổ biến: đồng nhất đổi mới sư phạm với công nghệ và đồng nhất điều kiện AI với tần suất sử dụng AI.

Nếu thang đo đạt độ tin cậy, giá trị và bất biến đo lường, nghiên cứu có thể cung cấp bộ công cụ có khả năng tái sử dụng trong các nghiên cứu tiếp theo về chuyển đổi giáo dục đại học.

11.3. Đóng góp phương pháp

Thiết kế mixed methods giúp kết nối phát triển khái niệm với kiểm định lý thuyết. Việc ưu tiên dữ liệu đa nguồn, tách thời điểm và cân nhắc đa cấp làm tăng độ tin cậy của suy luận so với khảo sát một nguồn đơn thuần. Việc kiểm định mediation, moderation và measurement invariance cho phép đánh giá không chỉ tác động trực tiếp mà cả cơ chế và điều kiện biên.

11.4. Đóng góp thực tiễn

Đối với lãnh đạo đại học, kết quả giúp chuyển trọng tâm từ câu hỏi “cần mua công nghệ AI nào?” sang “cần xây dựng những năng lực tổ chức và thực hành sư phạm nào để AI tạo ra giá trị học tập?”. Điều này có ý nghĩa quan trọng vì đầu tư AI mà thiếu thiết kế sư phạm và quản trị có thể tạo ra hiệu suất bề mặt nhưng không tạo learning gains bền vững.

Đối với trung tâm phát triển giảng dạy, mô hình LSBPI cung cấp khung để thiết kế chương trình bồi dưỡng giảng viên dựa trên cơ chế học tập thay vì đào tạo công cụ. Đối với đơn vị chuyển đổi số, AIE giúp mở rộng tiêu chí thành công từ hạ tầng sang năng lực, dữ liệu và Responsible AI Governance. Đối với đơn vị bảo đảm chất lượng, LQ cung cấp cơ sở để đánh giá chuyển đổi bằng engagement, effectiveness, deep learning, transfer và agency thay vì chỉ bằng mức sử dụng nền tảng.

11.5. Đóng góp chính sách

Kết quả có thể hỗ trợ xây dựng chính sách AI trong giáo dục đại học theo hướng human-centred, evidence-informed và learning-oriented. Chính sách không chỉ cần quy định cái gì được phép sử dụng, mà phải xác định mục đích sư phạm, trách nhiệm của các bên, năng lực cần phát triển, dữ liệu cần bảo vệ và tiêu chí đánh giá giá trị học tập.

12. KHUNG QUẢN TRỊ CHUYỂN ĐỔI DỰ KIẾN

Từ logic của Dynamic Capabilities và kết quả thực nghiệm, đề tài dự kiến phát triển khung quản trị gồm năm bước liên kết:

(1) Sense – Nhận diện. Nhà trường nhận diện nhu cầu học tập, khoảng trống sư phạm, thay đổi công nghệ, cơ hội và rủi ro AI. Hoạt động này phải dựa trên dữ liệu về người học, bằng chứng khoa học học tập và bối cảnh ngành đào tạo, thay vì chạy theo xu hướng công nghệ.

(2) Strategize – Chiến lược hóa. Bằng chứng được chuyển thành mục tiêu, ưu tiên và nguyên tắc thiết kế. Nhà trường xác định rõ đổi mới nào cần thực hiện, giá trị học tập nào cần tạo ra, chỉ số nào sẽ được sử dụng và ranh giới đạo đức nào phải được duy trì.

(3) Enable – Tạo điều kiện. Tổ chức phát triển năng lực giảng viên và cán bộ, đầu tư hạ tầng, chuẩn hóa dữ liệu, xây dựng hỗ trợ chuyên môn, bố trí thời gian và nguồn lực, đồng thời thiết lập Responsible AI Governance.

(4) Transform – Chuyển đổi. Các nhóm chuyên môn đồng thiết kế, thử nghiệm, phản hồi và mở rộng LSBPI. Đổi mới được xem như một chu trình học tập tổ chức chứ không phải dự án triển khai công nghệ một lần.

(5) Evaluate & Learn – Đánh giá và học hỏi. Nhà trường đo Learning Quality, phân tích dữ liệu, đánh giá tác động, nhận diện sai lệch và đưa kết quả trở lại quyết định chiến lược. Thực hành có bằng chứng được mở rộng; thực hành không tạo giá trị được điều chỉnh hoặc dừng lại.

Năm bước này tạo thành vòng lặp liên tục. Khung quản trị do đó nhấn mạnh ba nguyên tắc: learning-first, evidence-informed và responsible AI. Thành công của chuyển đổi không được đánh giá bằng số lượng công cụ, số tài khoản hoặc tần suất sử dụng AI, mà bằng mức độ tổ chức tạo ra và duy trì giá trị học tập.

13. KẾT QUẢ VÀ SẢN PHẨM DỰ KIẾN

Đề tài dự kiến tạo ra năm nhóm kết quả. Thứ nhất, một mô hình lý thuyết tích hợp giải thích chuỗi IMC → LSBPI → LQ với AIE là điều kiện biên. Thứ hai, hệ thống khái niệm và bộ thang đo cho IMC, LSBPI, LQ và AIE. Thứ ba, bằng chứng thực nghiệm về các tác động trực tiếp, gián tiếp và điều tiết. Thứ tư, khung quản trị chuyển đổi phương pháp dạy học dựa trên khoa học học tập trong bối cảnh AI. Thứ năm, hàm ý chính sách và bộ tiêu chí chẩn đoán cho lãnh đạo trường, trung tâm phát triển giảng dạy, đơn vị bảo đảm chất lượng và đơn vị AI/chuyển đổi số.

Về sản phẩm học thuật, đề tài có thể phát triển thành các bài báo theo từng cấu phần: bài về phát triển thang đo LSBPI; bài kiểm định mô hình IMC–LSBPI–LQ; bài về moderation của AIE; và bài phát triển khung quản trị. Cách tách này giúp mỗi công bố có câu hỏi nghiên cứu và đóng góp rõ ràng thay vì đưa toàn bộ mô hình vào một bài duy nhất.

14. KẾ HOẠCH NGHIÊN CỨU DỰ KIẾN

Giai đoạn 1 – Tổng quan và xây dựng khung lý thuyết: thực hiện tổng quan tài liệu, xác định miền khái niệm, xây dựng mô hình sơ bộ và ma trận khái niệm – chỉ báo.

Giai đoạn 2 – Nghiên cứu định tính: phỏng vấn chuyên gia và các bên liên quan, phân tích chủ đề, tinh chỉnh định nghĩa cấu trúc, mô hình và item pool.

Giai đoạn 3 – Phát triển thang đo: đánh giá chuyên gia, cognitive interview nếu cần, pilot, EFA/CFA phù hợp và tinh giản item.

Giai đoạn 4 – Nghiên cứu định lượng: triển khai khảo sát chính thức, kiểm định mô hình đo lường, reliability/validity, measurement invariance, SEM, mediation và moderation.

Giai đoạn 5 – Tích hợp và thẩm định khung quản trị: tích hợp kết quả định tính – định lượng, xây dựng khung Sense–Strategize–Enable–Transform–Evaluate & Learn, tham vấn chuyên gia và hiệu chỉnh.

Giai đoạn 6 – Công bố và chuyển giao: hoàn thiện báo cáo khoa học, bài báo, bộ thang đo, hướng dẫn chẩn đoán và khuyến nghị quản trị cho các trường đại học.

15. GIÁ TRỊ KHOA HỌC, TÍNH KHẢ THI VÀ RỦI RO NGHIÊN CỨU

15.1. Giá trị khoa học

Giá trị khoa học cốt lõi của đề tài nằm ở việc chuyển câu hỏi nghiên cứu từ “AI có tác động đến giáo dục hay không?” sang “năng lực tổ chức tạo ra giá trị học tập bằng AI thông qua cơ chế nào và trong điều kiện nào?”. Cách đặt vấn đề này tạo khoảng cách rõ với các nghiên cứu chấp nhận công nghệ hoặc đánh giá công cụ đơn lẻ, đồng thời duy trì bản chất quản trị giáo dục của đề tài.

15.2. Tính khả thi

Mô hình chỉ gồm bốn cấu trúc chính và năm giả thuyết nên đủ tinh gọn để kiểm định. Các nền tảng lý thuyết – Dynamic Capabilities, Learning Sciences, self-regulated learning, formative assessment và Responsible AI – đều có hệ thống tài liệu phong phú. Phương pháp mixed methods phù hợp với nhiệm vụ vừa phát triển cấu trúc đo lường vừa kiểm định mô hình. Dữ liệu có thể thu thập từ các nhóm đối tượng hiện diện phổ biến tại trường đại học.

15.3. Rủi ro và biện pháp xử lý

Rủi ro thứ nhất là overlap khái niệm giữa IMC và AIE, đặc biệt ở các thành phần quản trị và năng lực. Biện pháp xử lý là xác định rõ IMC đo năng lực quản trị đổi mới tổng quát, trong khi AIE đo điều kiện AI cụ thể; đồng thời kiểm định discriminant validity.

Rủi ro thứ hai là LSBPI quá rộng. Biện pháp xử lý là neo từng chiều vào cơ chế học tập cụ thể và sử dụng nghiên cứu định tính cùng hội đồng chuyên gia để kiểm soát miền nội dung.

Rủi ro thứ ba là LQ quá phụ thuộc vào tự báo cáo. Biện pháp xử lý là bổ sung dữ liệu học tập khách quan hoặc dữ liệu quá trình khi khả thi và tách nguồn đo.

Rủi ro thứ tư là suy luận nhân quả từ dữ liệu cắt ngang. Biện pháp xử lý là tách thời điểm đo khi có thể, sử dụng ngôn ngữ “tác động/quan hệ” thận trọng, kiểm định mô hình thay thế và tránh tuyên bố nhân quả tuyệt đối nếu thiết kế không hỗ trợ.

Rủi ro thứ năm là thay đổi nhanh của công nghệ AI. Biện pháp xử lý là xây dựng AIE ở mức năng lực và quản trị nền tảng thay vì gắn với tên công cụ cụ thể, giúp mô hình có tính bền vững hơn trước thay đổi công nghệ.

16. KẾT LUẬN ĐỀ CƯƠNG

Đề tài đề xuất một chuyển dịch quan trọng trong nghiên cứu quản trị giáo dục đại học trong kỷ nguyên AI: từ quản trị việc áp dụng công nghệ sang quản trị quá trình tạo ra giá trị học tập bằng công nghệ. Luận điểm trung tâm là AI không tự động cải thiện chất lượng giáo dục. Năng lực quản trị đổi mới tạo ra điều kiện tổ chức; đổi mới sư phạm dựa trên khoa học học tập chuyển hóa điều kiện đó thành trải nghiệm và hoạt động học tập; chất lượng học tập là tiêu chuẩn cuối cùng để đánh giá thành công của chuyển đổi.

Theo logic này, mô hình IMC → LSBPI → LQ, với AI Enablement là điều kiện biên, tạo được sự cân bằng giữa tính tinh gọn và chiều sâu lý thuyết. Mô hình tránh hai hạn chế phổ biến: một là đồng nhất đầu tư công nghệ với đổi mới giáo dục; hai là nghiên cứu sư phạm mà bỏ qua năng lực tổ chức cần thiết để đổi mới được lan tỏa và duy trì. Việc đưa LSBPI vào vai trò trung gian giúp giải thích cơ chế tạo giá trị; việc đưa AIE vào vai trò điều tiết giúp giải thích sự khác biệt theo bối cảnh công nghệ – năng lực – dữ liệu – quản trị.

Nếu được kiểm định nghiêm ngặt, nghiên cứu có khả năng đóng góp trên bốn phương diện: mở rộng ứng dụng của Dynamic Capabilities vào quản trị giáo dục; phát triển khái niệm LSBPI; xây dựng cấu trúc AIE theo hướng responsible and learning-oriented; và cung cấp bằng chứng về cơ chế quản trị tạo ra Learning Quality. Về thực tiễn, kết quả có thể giúp các trường đại học chuyển từ tư duy “mua và sử dụng AI” sang tư duy “xây dựng năng lực tổ chức để thiết kế, quản trị và đánh giá học tập trong môi trường AI”.

Câu hỏi cốt lõi mà đề tài hướng tới vì vậy có thể được diễn đạt ngắn gọn: bằng cách nào trường đại học chuyển hóa năng lực quản trị đổi mới và tiềm năng AI thành đổi mới sư phạm có căn cứ khoa học và chất lượng học tập bền vững? Trả lời câu hỏi này không chỉ có ý nghĩa đối với quản trị đại học, mà còn góp phần định hình một cách tiếp cận AI trong giáo dục lấy học tập, bằng chứng và trách nhiệm làm trung tâm.

TÀI LIỆU THAM KHẢO (APA 7)

Black, P., & Wiliam, D. (1998). Assessment and classroom learning. Assessment in Education: Principles, Policy & Practice, 5(1), 7–74. https://doi.org/10.1080/0969595980050102
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
Freeman, S., Eddy, S. L., McDonough, M., Smith, M. K., Okoroafor, N., Jordt, H., & Wenderoth, M. P. (2014). Active learning increases student performance in science, engineering, and mathematics. Proceedings of the National Academy of Sciences, 111(23), 8410–8415. https://doi.org/10.1073/pnas.1319030111
Jansen, R. S., van Leeuwen, A., Janssen, J., Jak, S., & Kester, L. (2019). Self-regulated learning partially mediates the effect of self-regulated learning interventions on achievement in higher education: A meta-analysis. Educational Research Review, 28, 100292. https://doi.org/10.1016/j.edurev.2019.100292
Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084
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.
(2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
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