English title:
Governing AI-Driven Personalized Learning in Higher Education: Optimizing Learning Outcomes while Safeguarding Learner Agency
NGUYỄN VĂN HÙNG
TÓM TẮT
Trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI), đang mở rộng khả năng cá nhân hóa học tập trong giáo dục đại học ở quy mô chưa từng có. Các hệ thống AI có thể phân tích đặc điểm, hành vi, mức độ tiến bộ và nhu cầu của từng người học để điều chỉnh nội dung, trình tự học tập, mức độ khó, phản hồi, scaffolding, tốc độ học và các khuyến nghị học tập. Tuy nhiên, khả năng tối ưu hóa học tập bằng thuật toán đồng thời tạo ra một nghịch lý quản trị quan trọng: AI càng có khả năng dự đoán và quyết định “điều gì tốt nhất” cho sinh viên, người học càng có nguy cơ chuyển giao một phần quyền xác lập mục tiêu, lựa chọn lộ trình, đưa ra quyết định và tự điều chỉnh quá trình học tập cho hệ thống.
Nghiên cứu đề xuất khái niệm AI Personalization Governance Capability (AI-PGC) – năng lực quản trị học tập cá nhân hóa dựa trên AI – như một năng lực cấp tổ chức cho phép trường đại học định hướng, thiết kế, triển khai, giám sát và điều chỉnh hệ thống cá nhân hóa AI theo các mục tiêu giáo dục và nguyên tắc lấy con người làm trung tâm. AI-PGC được giả định thúc đẩy Quality of AI-Driven Personalization (Q-AIDP) – chất lượng cá nhân hóa học tập dựa trên AI. Q-AIDP tiếp tục tạo ra hai nhóm kết quả cần được xem xét đồng thời: Learning Outcomes (LO) và Learner Agency (LA).
Điểm mới lý thuyết cốt lõi của nghiên cứu là không mặc định personalization càng sâu thì giáo dục càng tốt. Thay vào đó, nghiên cứu đề xuất AI Personalization Paradox: mức độ tối ưu hóa thuật toán có thể đồng thời làm tăng hiệu quả học tập ngắn hạn và làm suy giảm agency nếu người học thiếu khả năng hiểu, chất vấn, điều chỉnh hoặc từ chối các khuyến nghị của AI. Nghiên cứu thực nghiệm gần đây đã chỉ ra rằng personalization thường làm giảm quyền tự chủ, đơn giản hóa quá trình học tập và gạt ra ngoài lề những người học đa dạng về nhận thức và văn hóa, với các chủ đề về thiên lệch thuật toán, thiếu minh bạch và bất bình đẳng số là trọng tâm (Inam, 2025). Bellomo và Sun (2026) cũng xác định năm nghịch lý của personalization, bao gồm việc AI personalization có thể dẫn đến depersonalization hơn là deep personalization khi nó làm suy giảm các quá trình nội tại của agency, siêu nhận thức và tự điều chỉnh.
Agency-Safeguarding Governance – Cơ chế quản trị bảo đảm năng lực chủ thể
Vì vậy, nghiên cứu bổ sung Agency-Safeguarding Governance (ASG) – quản trị bảo đảm năng lực chủ thể – như một cơ chế quản trị xuyên suốt nhằm bảo đảm rằng việc tích hợp AI không chuyển từ hỗ trợ sang thay thế quyền chủ thể của người học. ASG bao gồm năm nguyên tắc cốt lõ: human oversight (giám sát của con người), transparency/explainability (minh bạch và khả năng giải thích), meaningful learner choice (quyền lựa chọn có ý nghĩa của người học), contestability (khả năng chất vấn và phản biện quyết định do AI hỗ trợ), và human decision authority (thẩm quyền quyết định cuối cùng của con người). Trong mô hình nghiên cứu, ASG không đơn thuần là cơ chế kiểm soát rủi ro AI mà tạo ra institutional safeguards giúp duy trì quyền tự chủ, phán đoán và trách nhiệm của người học. Qua đó, ASG định hướng Human–AI Collaboration theo logic augmentation rather than substitution, bảo đảm AI mở rộng thay vì làm suy giảm Learner Agency và sự phát triển năng lực 7Cs.
Mô hình trung tâm được đề xuất:
AI-PGC → Q-AIDP → Learning Outcomes
và song song:
AI-PGC → Q-AIDP → Learner Agency
trong đó Agency-Safeguarding Governance điều chỉnh mối quan hệ giữa AI personalization và Learner Agency.
Nghiên cứu dự kiến sử dụng thiết kế hỗn hợp tuần tự khám phá, kết hợp nghiên cứu định tính, phát triển/hiệu chỉnh thang đo, EFA, CFA, CB-SEM, kiểm định moderation và measurement invariance. Khi dữ liệu được lồng theo lớp/khoa/trường, Multilevel SEM được khuyến nghị.
Đóng góp trung tâm của nghiên cứu là chuyển từ logic “personalization as algorithmic optimization” sang “personalization as governed human–AI co-regulation”, qua đó đề xuất một mô hình quản trị giúp các trường đại học khai thác giá trị của AI mà không làm suy giảm quyền chủ thể, phán đoán và trách nhiệm của người học.
Từ khóa: học tập cá nhân hóa dựa trên AI; quản trị giáo dục đại học; năng lực chủ thể của người học; kết quả học tập; giám sát của con người; kiểm soát thuật toán; AI lấy con người làm trung tâm; học tập cá nhân hóa.
ABSTRACT
Artificial intelligence (AI), particularly generative artificial intelligence (GenAI), is expanding the possibilities for personalized learning in higher education on an unprecedented scale. AI systems can analyze individual learners’ characteristics, behaviors, progress, and needs to adapt learning content, instructional sequencing, task difficulty, feedback, scaffolding, learning pace, and recommendations. However, the capacity to algorithmically optimize learning simultaneously creates a critical governance paradox: the more capable AI becomes of predicting and determining “what is best” for students, the greater the risk that learners may progressively delegate to the system part of their authority to set goals, select learning pathways, make decisions, and self-regulate their learning.
This study proposes AI Personalization Governance Capability (AI-PGC) as an organizational-level capability that enables universities to strategically guide, design, implement, monitor, and recalibrate AI-driven personalization systems in alignment with educational goals and human-centred principles. AI-PGC is hypothesized to enhance the Quality of AI-Driven Personalization (Q-AIDP), which, in turn, generates two categories of educational outcomes that should be evaluated simultaneously: Learning Outcomes (LO) and Learner Agency (LA).
The study’s central theoretical innovation lies in rejecting the assumption that deeper personalization necessarily produces better education. Instead, it advances the AI Personalization Paradox: greater algorithmic optimization may simultaneously improve short-term learning performance while weakening learner agency when students lack the capacity to understand, question, modify, or reject AI-generated recommendations. Recent empirical research suggests that personalization may constrain autonomy, simplify learning processes, and marginalize cognitively and culturally diverse learners, with algorithmic bias, limited transparency, and digital inequality emerging as central concerns (Inam, 2025). Bellomo and Sun (2026) similarly identify five paradoxes of personalization, arguing that AI-enabled personalization may result in depersonalization rather than deep personalization when it undermines the internal processes underlying agency, metacognition, and self-regulation.
To address this tension, the study introduces Agency-Safeguarding Governance (ASG) as a cross-cutting governance mechanism designed to ensure that AI integration does not shift from augmenting learning to displacing learners’ agency. ASG encompasses five core principles: human oversight, transparency and explainability, meaningful learner choice, contestability, and human decision authority. Within the proposed model, ASG is conceptualized not merely as an AI risk-control mechanism, but as a set of institutional safeguards that preserves learners’ autonomy, judgment, and responsibility. In this way, ASG directs Human–AI Collaboration according to a logic of augmentation rather than substitution, ensuring that AI strengthens rather than diminishes Learner Agency and the development of 7Cs competencies.
The proposed core model is:
AI-PGC → Q-AIDP → Learning Outcomes
and, in parallel:
AI-PGC → Q-AIDP → Learner Agency
with Agency-Safeguarding Governance moderating the relationship between AI-driven personalization and Learner Agency.
Methodologically, the study is expected to employ a sequential exploratory mixed-methods design, integrating qualitative inquiry, scale development and refinement, exploratory factor analysis (EFA), confirmatory factor analysis (CFA), covariance-based structural equation modelling (CB-SEM), moderation analysis, and measurement invariance testing. Where observations are nested within classes, faculties, or universities, Multilevel Structural Equation Modelling (MSEM) is recommended to appropriately account for the hierarchical structure of the data.
The study’s principal contribution is to shift the dominant logic from “personalization as algorithmic optimization” toward “personalization as governed Human–AI co-regulation.” In doing so, it develops a governance-oriented theoretical model that enables universities to harness the educational value of AI-driven personalization while safeguarding learners’ agency, judgment, decision authority, and responsibility for their own learning.
Keywords: AI-driven personalized learning; higher education governance; learner agency; learning outcomes; Agency-Safeguarding Governance; human oversight; algorithmic control; Human-Centred AI; personalized learning.
- TÍNH CẤP THIẾT CỦA ĐỀ TÀI
Cá nhân hóa từ lâu là một mục tiêu quan trọng của giáo dục. Tuy nhiên, trong mô hình giáo dục truyền thống, khả năng cung cấp nội dung, phản hồi, nhịp độ và hỗ trợ phù hợp với nhu cầu của từng sinh viên bị giới hạn bởi số lượng người học, thời gian của giảng viên và nguồn lực của cơ sở giáo dục. Sự phát triển của AI đang làm thay đổi giới hạn đó.
Các hệ thống AI hiện nay có khả năng phân tích dữ liệu hành vi học tập, lịch sử tương tác, kết quả đánh giá và thông tin ngữ cảnh để đề xuất nội dung, thay đổi độ khó, tạo câu hỏi, cung cấp phản hồi tức thời, giải thích khái niệm và hỗ trợ sinh viên theo những lộ trình khác nhau. OECD nhìn nhận AI và công nghệ số có khả năng cải thiện chất lượng giáo dục thông qua cá nhân hóa việc dạy và học, đồng thời tạo cơ hội tăng tính bao trùm và hiệu quả của hệ thống giáo dục (OECD, 2021). OECD Digital Education Outlook 2026 nhấn mạnh rằng GenAI có tiềm năng hỗ trợ học tập cá nhân hóa và phản hồi chất lượng cao ở quy mô lớn khi được thiết kế sư phạm phù hợp (OECD, 2026). Các nghiên cứu gần đây về nhận thức của giảng viên về AI cho giảng dạy và học tập cá nhân hóa cũng nhấn mạnh nhu cầu về quản trị đạo đức, độ chính xác nội dung và sự sẵn sàng của tổ chức (Scientific Reports, 2026).
GenAI làm khả năng này tiến thêm một bước. Thay vì chỉ chọn nội dung từ một kho tài nguyên đã có, GenAI có thể tạo nội dung, phản hồi và scaffolding theo thời gian thực. Một hệ thống có thể đóng vai trò gia sư, đối tác đối thoại hoặc trợ lý học tập và điều chỉnh cách hỗ trợ dựa trên phản ứng của từng người học. Các nghiên cứu cũng chỉ ra rằng AI có thể tăng cường học tập tự điều chỉnh thông qua các hệ thống đề xuất cá nhân hóa, với bằng chứng cho thấy sinh viên tương tác thường xuyên hơn với hệ thống đạt được cải thiện đáng kể hơn trong kết quả học tập (SRLAdvisor, 2025).
Tuy nhiên, personalization không đồng nghĩa với learning.
OECD Digital Education Outlook 2026 tổng hợp bằng chứng cho thấy GenAI có thể hỗ trợ học tập khi được sử dụng với mục đích sư phạm rõ ràng; ngược lại, việc chuyển giao nhiệm vụ nhận thức cho GenAI mà thiếu định hướng sư phạm có thể làm tăng chất lượng sản phẩm nhưng không tạo ra learning gains tương ứng (OECD, 2026). OECD cũng cảnh báo cognitive offloading có thể dẫn tới metacognitive laziness và disengagement.
Điều này làm xuất hiện một nghịch lý quan trọng: AI có thể tối ưu hóa hành vi học tập quan sát được mà không tối ưu hóa sự phát triển năng lực của người học. Inam (2025) chỉ ra rằng personalization thường làm giảm quyền tự chủ, đơn giản hóa quá trình học tập và gạt ra ngoài lề những người học đa dạng về nhận thức và văn hóa. Một sinh viên có thể nhận được câu hỏi phù hợp hơn, đáp án nhanh hơn, gợi ý chính xác hơn và hoàn thành nhiệm vụ hiệu quả hơn. Nhưng nếu hệ thống ngày càng xác định thay người học nên học gì, theo trình tự nào, sử dụng chiến lược nào và khi nào nên chuyển sang chủ đề tiếp theo, thì hiệu suất có thể tăng trong khi quyền chủ thể của người học giảm.
Nghiên cứu về agency trong kỷ nguyên AI nhấn mạnh rằng agency không thể được giản lược thành “quyền lựa chọn”. Agency yêu cầu ít nhất ba điều kiện: người học có cơ hội đưa ra quyết định, có năng lực đưa ra quyết định và có khả năng thực thi quyết định đó (Agency Allocation Framework, 2026). Một nghiên cứu về phân bổ agency trong học tập được AI hỗ trợ chỉ ra rằng khi các quyết định được phân phối giữa người học, nhà giáo dục và hệ thống thuật toán, trách nhiệm đối với các kết quả liên quan đến agency trở nên không rõ ràng, và agency không bị loại bỏ mà được tái cấu hình (Agency Allocation Framework, 2026).
Do đó, vấn đề của giáo dục đại học không đơn thuần là:
“AI có thể cá nhân hóa học tập tốt đến mức nào?”
mà là:
“Các trường đại học cần quản trị AI-driven personalization như thế nào để cải thiện kết quả học tập mà không dần chuyển quyền quyết định học tập từ sinh viên sang thuật toán?”
Đây là vấn đề trung tâm của đề tài.
- VẤN ĐỀ NGHIÊN CỨU VÀ KHOẢNG TRỐNG KHOA HỌC
2.1. Khoảng trống giữa personalization và optimization
Trong nhiều hệ thống adaptive learning, personalization chủ yếu được hiểu theo logic:
Learner data → prediction → recommendation → adaptation.
Hệ thống dự đoán nhu cầu hoặc trạng thái của người học và tối ưu hóa một số biến đầu ra như performance, completion, accuracy hoặc engagement.
Tuy nhiên, personalized learning về bản chất giáo dục rộng hơn algorithmic optimization. Bellomo và Sun (2026) đặt vấn đề rằng personalization trong giáo dục thường bị khái niệm hóa hẹp, trong khi cách hiểu sâu hơn phải liên quan tới autonomy, dignity và sự phát triển toàn diện của con người. Các tác giả đề xuất phân biệt giữa extrinsic personalization (các điều kiện thích ứng do bên ngoài cung cấp) và intrinsic personalization (các quá trình do người học định hướng về agency, siêu nhận thức và tự điều chỉnh). Trong khi AI đóng góp hiệu quả vào personalization bên ngoài, nó không thể thay thế chiều kích nội tại, vốn là nền tảng của deep personalization (Bellomo & Sun, 2026).
Do đó:
Algorithmic Optimization ≠ Deep Educational Personalization.
Personalization thực chất phải giúp người học ngày càng hiểu mình, đưa ra lựa chọn tốt hơn và phát triển khả năng tự định hướng, chứ không đơn thuần nhận được ngày càng nhiều quyết định “tối ưu” từ thuật toán.
2.2. Khoảng trống giữa personalization và Learner Agency
Một giả định thường gặp là càng nhiều lựa chọn cá nhân hóa thì agency càng cao. Đây là giả định cần xem xét lại.
Một hệ thống có thể cho phép người học lựa chọn giữa ba nội dung, nhưng ba lựa chọn đó đều đã được thuật toán định trước. Tương tự, sinh viên có thể lựa chọn một lộ trình nhưng không hiểu tại sao hệ thống đề xuất lộ trình đó hoặc không biết có thể chất vấn quyết định của AI. Nghiên cứu về Agency Allocation Framework chỉ ra rằng người học có thể chấp nhận các khuyến nghị như có thẩm quyền, đặc biệt khi chúng được đóng khung là dựa trên dữ liệu hoặc được cá nhân hóa, ngay cả khi những khuyến nghị đó mã hóa các ưu tiên của tổ chức như hiệu quả hoặc thông lượng (Agency Allocation Framework, 2026).
Vì vậy:
Personalized Choice ≠ Learner Agency.
Learner Agency yêu cầu:
- Opportunity to decide + Capacity to decide + Ability to enact decisions.
Do đó, câu hỏi phải chuyển từ:
“Hệ thống cho sinh viên bao nhiêu lựa chọn?”
sang:
“Sinh viên duy trì mức độ kiểm soát, hiểu biết và trách nhiệm nào đối với quá trình học đã được AI cá nhân hóa?”
2.3. Khoảng trống giữa performance và learning
AI personalization có thể tạo ra task performance tốt mà không bảo đảm learning outcomes lâu dài. OECD (2026) nhấn mạnh rằng người học có thể tạo sản phẩm tốt hơn khi sử dụng GenAI nhưng lợi thế này có thể biến mất hoặc đảo chiều khi AI không còn sẵn có trong đánh giá. Nghiên cứu về personalization cũng chỉ ra rằng các hệ thống thích ứng có thể tạo ra hiệu suất ngắn hạn nhưng làm suy yếu sự phát triển của người học mới vào nghề, vì chúng đóng vai trò như “mái chèo” cho người có kỹ năng nhưng như “nạng” cho người mới, làm suy yếu sự phát triển của họ (Bellomo & Sun, 2026).
Điều này cho thấy cần phân biệt:
AI-Assisted Performance ≠ Learning Gains ≠ Transferable Competence.
Đề tài vì vậy không đo “hiệu quả” chỉ qua perceived usefulness hoặc completion rate mà ưu tiên:
- Knowledge Acquisition;
- Higher-Order Thinking;
- Problem Solving;
- Transfer of Learning;
- Independent Performance khi AI không hiện diện.
2.4. Khoảng trống quản trị
Phần lớn nghiên cứu personalization tập trung vào thuật toán, hệ thống, instructional design hoặc trải nghiệm cá nhân của người học. Khoảng trống quan trọng đối với khoa học quản trị giáo dục là:
- Ai chịu trách nhiệm quyết định mức độ personalization phù hợp?
- Ai xác định những quyết định nào AI được phép đưa ra?
- Ai kiểm tra bias và fairness?
- Ai bảo đảm sinh viên có khả năng hiểu và phản đối recommendation?
- Ai đánh giá personalization có làm giảm learner agency hay không?
Một nghiên cứu về quản trị AI trong giáo dục đại học nhấn mạnh rằng các hệ thống AI phải minh bạch, có thể xem xét và được quản trị bởi con người (giảng viên), đặc biệt khi được sử dụng ở quy mô lớn, và các tổ chức coi AI như một lớp hỗ trợ giảng dạy thay vì một cơ quan có thẩm quyền về chương trình giảng dạy có nhiều khả năng bảo tồn chất lượng học tập và trách nhiệm giải trình của tổ chức (Fortuna et al., 2026). Các khung gần đây như HD-AIHED cũng nhấn mạnh quản trị lấy con người làm trung tâm (Human-Driven AI in Higher Education Framework, 2025).
Vì vậy cần chuyển:
AI Personalization Technology → AI Personalization Governance.
2.5. Khoảng trống về Human Oversight
Human oversight thường được đưa vào AI governance như một nguyên tắc đạo đức, nhưng chưa được tích hợp đầy đủ vào cơ chế personalization.
Trong giáo dục, oversight không chỉ có nghĩa giảng viên có thể tắt hệ thống. Nó bao gồm:
- quyền xem xét recommendation;
- quyền can thiệp;
- quyền override;
- quyền điều chỉnh mục tiêu;
- quyền giải thích khác với AI;
- quyền chuyển trách nhiệm quyết định về con người.
Human oversight vì vậy cần được khái niệm hóa như một cơ chế sư phạm–quản trị. Nghiên cứu về quản trị AI trong giáo dục cũng chỉ ra rằng các cơ quan giám sát nên bao gồm người học và nhà đạo đức học để đảm bảo tính công bằng và trách nhiệm (Educational Technology and AI, 2025).
2.6. Khoảng trống về Transparency và Contestability
Một recommendation có thể chính xác nhưng vẫn làm suy giảm agency nếu người học không hiểu:
- tại sao nó được tạo ra;
- dữ liệu nào được sử dụng;
- tiêu chí tối ưu hóa là gì;
- những lựa chọn nào đã bị loại bỏ;
- cách bác bỏ recommendation.
Do đó, transparency phải kết nối với contestability. Một hệ thống lấy con người làm trung tâm không chỉ cần:
“AI explains.”
mà phải cho phép:
“Human understands → questions → rejects → modifies.”
Nghiên cứu về Agency Allocation Framework nhấn mạnh rằng các hệ thống học tập phải hỗ trợ khả năng hiểu cách các quyết định được đưa ra, ai đã ảnh hưởng đến chúng và cách chúng có thể bị thách thức hoặc sửa đổi (Agency Allocation Framework, 2026). Các khuôn khổ như GDPR và EU AI Act đặt ra các giới hạn đối với việc ra quyết định tự động trong các bối cảnh có rủi ro cao, bao gồm giáo dục, và nhấn mạnh các yêu cầu về quyền tự chủ, minh bạch và trách nhiệm giải trình của con người (Agency Allocation Framework, 2026).
- MỤC TIÊU NGHIÊN CỨU
3.1. Mục tiêu tổng quát
Xây dựng và kiểm định mô hình giải thích cách AI Personalization Governance Capability (AI-PGC) của trường đại học thúc đẩy Quality of AI-Driven Personalization (Q-AIDP), qua đó cải thiện Learning Outcomes đồng thời bảo đảm Learner Agency.
3.2. Mục tiêu cụ thể
- Hệ thống hóa cơ sở lý thuyết về AI-driven personalized learning, adaptive learning, Human-Centred AI, learner agency và governance.
- Xác lập ranh giới giữa AI personalization và algorithmic optimization.
- Khái niệm hóa AI-PGC như một năng lực quản trị cấp tổ chức.
- Khái niệm hóa và phát triển thang đo Q-AIDP.
- Xác định các thành tố của Agency-Safeguarding Governance.
- Kiểm định AI-PGC → Q-AIDP.
- Kiểm định Q-AIDP → Learning Outcomes.
- Kiểm định Q-AIDP → Learner Agency.
- Kiểm định vai trò điều tiết của Agency-Safeguarding Governance.
- Xây dựng Human-Centred AI Personalization Governance Framework cho các trường đại học.
- CÂU HỎI NGHIÊN CỨU
RQ1. Năng lực quản trị AI-driven personalized learning của trường đại học được cấu thành bởi những thành tố nào?
RQ2. Quality of AI-Driven Personalization cần được định nghĩa và đo lường như thế nào?
RQ3. AI-PGC ảnh hưởng như thế nào đến Q-AIDP?
RQ4. Q-AIDP ảnh hưởng như thế nào đến Learning Outcomes?
RQ5. Q-AIDP ảnh hưởng như thế nào đến Learner Agency?
RQ6. Human Oversight, Transparency, Meaningful Learner Choice và Contestability bảo vệ Learner Agency như thế nào?
RQ7. AI personalization có tồn tại ngưỡng mà tại đó lợi ích học tập tăng nhưng learner agency bắt đầu suy giảm hay không?
RQ8. Các trường đại học cần quản trị personalization như thế nào để chuyển từ algorithmic optimization sang Human–AI co-regulated learning?
- CƠ SỞ LÝ THUYẾT TÍCH HỢP
5.1. Personalized Learning và Adaptive Learning
Personalized learning hướng tới điều chỉnh trải nghiệm học tập theo nhu cầu, khả năng, mục tiêu và tiến bộ của người học. Adaptive learning thường là một cơ chế cụ thể trong personalization, trong đó hệ thống tự động thay đổi nội dung hoặc lộ trình dựa trên dữ liệu.
Trong nghiên cứu này:
AI-driven personalized learning là quá trình sử dụng AI để điều chỉnh có chủ đích nội dung, trình tự, độ khó, hỗ trợ, phản hồi, nhịp độ và cơ hội lựa chọn phù hợp với đặc điểm và tiến trình của từng người học nhằm thúc đẩy học tập thực chất.
Tuy nhiên, như Bellomo và Sun (2026) đã chỉ ra, cần phân biệt giữa extrinsic personalization (các điều kiện thích ứng do bên ngoài cung cấp) và intrinsic personalization (các quá trình do người học định hướng về agency, siêu nhận thức và tự điều chỉnh).
5.2. Self-Determination Theory
Self-Determination Theory của Deci và Ryan (2000) cung cấp nền tảng giải thích nghịch lý personalization. Ba nhu cầu cơ bản: Autonomy – Competence – Relatedness.
AI personalization có thể tăng competence thông qua scaffolding và feedback. Nhưng personalization quá mức có thể làm giảm autonomy nếu hệ thống liên tục chọn thay người học. Nghiên cứu về autonomy và agency trong hệ thống giáo dục thông minh cũng chỉ ra rằng các hệ thống được cá nhân hóa quá mức và gamified thường làm suy yếu quyền tự chủ và động lực nội tại, khiến sinh viên xem AI tutor không phải như người hướng dẫn mà như người có thẩm quyền, dẫn đến emotional outsourcing và giảm epistemic agency (Frontiers in Education, 2025).
Do đó có thể xuất hiện:
Personalization without autonomy.
Đây là tension cốt lõi của đề tài.
5.3. Self-Regulated Learning
SRL mô tả chu trình: Forethought → Performance/Monitoring → Reflection → Adaptation (Zimmerman, 2000). AI có thể hỗ trợ tất cả các bước.
Nhưng nếu AI:
- đặt mục tiêu;
- lựa chọn chiến lược;
- theo dõi tiến độ;
- đánh giá;
- tự động điều chỉnh;
thì người học có nguy cơ trở thành người thực thi một chu trình tự điều chỉnh do AI thực hiện. Nghiên cứu về SRLAdvisor cho thấy hệ thống đề xuất cá nhân hóa dựa trên GenAI có thể hỗ trợ SRL hiệu quả, nhưng cũng đặt ra những lo ngại tiềm ẩn như sự phụ thuộc quá mức vào AI và sự đơn điệu của prompt (SRLAdvisor, 2025). Systematic review năm 2025 cho thấy AI có tiềm năng hỗ trợ SRL trong giáo dục đại học, nhưng việc hỗ trợ autonomy và self-regulation cần được thiết kế có chủ đích (Lan & Zhou, 2025).
5.4. Human-Centred AI
Human-Centred AI chuyển tiêu chí tối ưu hóa từ: system performance sang: human capability + human control + human values (Shneiderman, 2020, 2022). UNESCO định vị human-centred mindset và human agency là những thành tố quan trọng của năng lực AI và nhấn mạnh sinh viên như responsible users và co-creators (Miao et al., 2024).
Đối với personalization:
AI nên tối ưu hóa điều kiện để con người học và quyết định tốt hơn, thay vì tối ưu hóa việc đưa ra quyết định thay con người.
Nghiên cứu về human-centered AI trong giáo dục cũng chỉ ra rằng các hệ thống phải tăng cường chứ không hạn chế khả năng của người học trong việc đưa ra lựa chọn, giải quyết vấn đề một cách độc lập và tham gia tích cực vào trải nghiệm giáo dục của họ (AI in the E-Learning Ecosystem, 2025).
5.5. Dynamic Capabilities
Dynamic Capabilities cung cấp nền tảng cho AI-PGC (Teece, 2007). Ba năng lực cốt lõi: Sensing – Seizing – Transforming.
- Sensing: Nhận diện nhu cầu personalization, cơ hội và rủi ro.
- Seizing: Lựa chọn hệ thống, huy động dữ liệu, thiết kế thử nghiệm.
- Transforming: Tái cấu hình chương trình, assessment, learning support và governance.
AI-PGC vì vậy không phải technology capability đơn thuần mà là:
dynamic organizational capability for responsibly governing AI personalization.
- KHÁI NIỆM HÓA CÁC CẤU TRÚC
6.1. AI Personalization Governance Capability – AI-PGC
Định nghĩa đề xuất:
AI-PGC là năng lực tổ chức của trường đại học trong việc định hướng, thiết kế, triển khai, giám sát, đánh giá và điều chỉnh các hệ thống học tập cá nhân hóa dựa trên AI nhằm tạo ra giá trị học tập trong khi bảo đảm quyền chủ thể, công bằng, minh bạch và trách nhiệm của con người.
Năm chiều dự kiến:
- Strategic Personalization Governance
- Data & Algorithmic Governance
- Pedagogical Alignment Capability
- Human Capability & Oversight
- Continuous Evaluation & Responsible Scaling
6.2. Quality of AI-Driven Personalization – Q-AIDP
Q-AIDP không được định nghĩa bằng “mức độ AI cá nhân hóa nhiều”. Đề xuất:
Q-AIDP là mức độ hệ thống AI điều chỉnh trải nghiệm học tập phù hợp, chính xác, kịp thời, có ý nghĩa sư phạm và có thể kiểm soát theo nhu cầu, mục tiêu và tiến trình của người học.
Các chiều:
- Personalization Relevance
- Adaptive Responsiveness
- Pedagogical Alignment
- Feedback & Scaffolding Quality
- Learner Controllability
6.3. Learner Agency – LA
Đề tài định nghĩa:
Learner Agency là năng lực của người học trong việc xác lập mục tiêu, đưa ra lựa chọn có chủ đích, đánh giá các khuyến nghị của AI, điều phối nguồn lực, thực thi quyết định và chịu trách nhiệm đối với quá trình học tập.
Năm miền:
- Intentionality;
- Decision Capacity;
- Decision Authority;
- Self-Regulation;
- Accountability.
Không nên đồng nhất: Agency = Choice.
Nghiên cứu về Agency Allocation Framework chỉ ra rằng agency không bị loại bỏ mà được tái cấu hình khi các quyết định được phân phối giữa người học, nhà giáo dục và hệ thống thuật toán (Agency Allocation Framework, 2026).
6.4. Learning Outcomes – LO
Các outcome ưu tiên:
- Knowledge Acquisition
- Higher-Order Thinking
- Problem-Solving
- Transfer
- Independent Performance
Đặc biệt cần phân biệt: AI-assisted performance với AI-independent learning capability.
6.5. Agency-Safeguarding Governance – ASG
Đề xuất cấu trúc mới:
Agency-Safeguarding Governance là tập hợp các cơ chế thiết kế và quản trị bảo đảm rằng người học có khả năng hiểu, ảnh hưởng, chất vấn, điều chỉnh và khi cần thiết bác bỏ quyết định personalization do AI tạo ra.
Bốn thành tố:
- Human Oversight: Con người có khả năng xem xét và override AI.
- Transparency & Explainability: Người học hiểu logic recommendation ở mức phù hợp.
- Meaningful Learner Choice: Người học có lựa chọn thực chất thay vì pseudo-choice.
- Contestability & Decision Authority: Người học có thể phản đối và thay đổi recommendation.
Đây là cách gọn hơn việc đưa bốn moderator độc lập. Nghiên cứu về quản trị AI trong giáo dục nhấn mạnh rằng các hệ thống phải hỗ trợ khả năng hiểu cách quyết định được đưa ra, ai ảnh hưởng đến chúng và cách chúng có thể bị thách thức hoặc sửa đổi (Agency Allocation Framework, 2026).
- AI PERSONALIZATION PARADOX
Đây nên là novelty claim trung tâm.
AI personalization có hai logic cùng tồn tại.
Logic I – Optimization Logic:
More data → better prediction → better recommendation → greater personalization → higher performance.
Logic II – Agency Displacement Logic:
More prediction → more automated decisions → greater cognitive outsourcing → lower decision practice → reduced learner control → weakened agency.
Do đó:
The same personalization mechanisms that improve efficiency may progressively reduce the learner’s opportunity to exercise the very capacities education is intended to develop.
Đề tài gọi đây là:
AI Personalization Paradox
Không phải mọi personalization đều gây mất agency. Nghịch lý xuất hiện khi personalization chuyển từ:
AI informs human decisions
sang:
AI increasingly makes learning decisions for humans.
Bellomo và Sun (2026) đã xác định năm nghịch lý tương tự: (1) mở rộng chân trời trong khi thu hẹp kiến thức thông qua chuẩn hóa tương quan; (2) mô phỏng tính độc đáo trong khi thúc đẩy đồng nhất hóa; (3) cho phép cá nhân hóa với cái giá là giám sát được đồng ý; (4) đóng vai trò vừa là mái chèo vừa là nạng; và (5) hứa hẹn công bằng trong khi làm sâu sắc thêm sự phân chia thông qua Hiệu ứng Matthew.
- MÔ HÌNH NGHIÊN CỨU ĐỀ XUẤT
TẦNG I – GOVERNANCE CAPABILITY
AI Personalization Governance Capability – AI-PGC
↓
TẦNG II – PERSONALIZATION QUALITY
Quality of AI-Driven Personalization – Q-AIDP
↓
TẦNG III – DUAL EDUCATIONAL VALUE
Learning Optimization: Learning Outcomes – LO
Human Development: Learner Agency – LA
với:
AGENCY-SAFEGUARDING GOVERNANCE – ASG điều tiết: Q-AIDP → LA
Mô hình chính thức:
AI-PGC → Q-AIDP → LO
và:
AI-PGC → Q-AIDP → LA
trong đó:
ASG × Q-AIDP → LA
Mô hình có thể biểu diễn:
AI-PGC → Q-AIDP → {LO, LA}
ASG safeguards Q-AIDP → LA
Đây là mô hình được khuyến nghị vì vừa gọn, vừa phản ánh đúng câu hỏi quản trị.
- GIẢ THUYẾT NGHIÊN CỨU
H1: AI Personalization Governance Capability có ảnh hưởng tích cực đến Quality of AI-Driven Personalization.
H2: Quality of AI-Driven Personalization có ảnh hưởng tích cực đến Learning Outcomes.
H3: Quality of AI-Driven Personalization có ảnh hưởng tích cực đến Learner Agency khi hệ thống bảo đảm mức độ kiểm soát phù hợp của người học.
H4: AI-PGC có ảnh hưởng gián tiếp đến Learning Outcomes thông qua Q-AIDP.
H5: AI-PGC có ảnh hưởng gián tiếp đến Learner Agency thông qua Q-AIDP.
H6: Agency-Safeguarding Governance điều tiết tích cực quan hệ Q-AIDP → Learner Agency, sao cho ảnh hưởng tích cực của personalization lên agency mạnh hơn khi human oversight, transparency, meaningful choice và contestability cao.
Giả thuyết mở rộng:
H7: Algorithmic Control cao làm suy yếu quan hệ Q-AIDP → Learner Agency.
Tuy nhiên, không nên đưa H7 vào mô hình lõi ngay từ đầu nếu muốn giữ bài báo gọn. Algorithmic Control có thể được xử lý như robustness test hoặc bài báo thứ hai.
- TENSION GIỮA ALGORITHMIC CONTROL VÀ LEARNER CONTROL
Có thể hình dung một continuum:
Human-Controlled Personalization ← Human–AI Co-Regulated Personalization → Algorithm-Controlled Personalization
Ở cực trái, người học phải tự đưa ra gần như mọi quyết định; AI chỉ cung cấp thông tin. Ở cực phải, AI lựa chọn hầu hết nội dung, trình tự, scaffolding và hành động tiếp theo.
Giả thuyết lý thuyết của đề tài là:
Giá trị giáo dục tối ưu không nằm ở hai cực mà ở Human–AI Co-Regulated Personalization.
Trong đó:
- AI predicts and recommends.
- Human interprets and decides.
- AI adapts.
- Human monitors and overrides.
- Both contribute, but accountability remains human.
Nghiên cứu về quản trị AI trong giáo dục nhấn mạnh rằng các tổ chức coi AI như một lớp hỗ trợ giảng dạy thay vì một cơ quan có thẩm quyền về chương trình giảng dạy có nhiều khả năng bảo tồn chất lượng học tập và trách nhiệm giải trình của tổ chức (Fortuna et al., 2026). Các khuôn khổ quản trị cũng nhấn mạnh tầm quan trọng của việc đảm bảo các hệ thống AI minh bạch, có thể xem xét và được quản trị bởi con người (Human-in-the-Loop AI Personalization, 2026).
- PHƯƠNG PHÁP NGHIÊN CỨU
11.1. Thiết kế
Đề xuất: Sequential Exploratory Mixed-Methods Design gồm:
Phase I – Conceptual Development
→ Phase II – Qualitative Validation
→ Phase III – Scale Development
→ Phase IV – Quantitative Model Testing
→ Phase V – Governance Framework Development
11.2. Giai đoạn định tính
Dự kiến 30–45 người:
- lãnh đạo đại học;
- quản lý đào tạo;
- giảng viên;
- chuyên gia AI/EdTech;
- learning designers;
- sinh viên.
Phỏng vấn tập trung vào:
- personalization đang diễn ra thế nào;
- quyết định nào AI đưa ra;
- quyết định nào con người giữ;
- khi nào personalization hữu ích;
- biểu hiện algorithmic dependence;
- cảm nhận mất/giành lại control;
- khả năng override;
- transparency;
- fairness;
- agency.
11.3. Phát triển thang đo
Các construct mới cần ưu tiên phát triển:
- AI-PGC
- Q-AIDP
- ASG
Learner Agency nên ưu tiên adaptation/validation từ các thang hiện hữu thay vì mặc nhiên tạo mới.
Quy trình:
Domain definition → Item generation → Expert review → Content validity → Cognitive interviews → Pilot → EFA → CFA → Reliability/Validity → Measurement invariance → Nomological validity.
11.4. Mẫu
Khuyến nghị tối thiểu hai mẫu độc lập:
- Sample A – Scale Development: N ≈ 300–450
- Sample B – CFA/SEM: N ≈ 500–700
Tổng mẫu mục tiêu: 800–1.100 sinh viên.
Nếu nghiên cứu lấy mẫu từ nhiều trường, nên cố gắng đạt:
- ≥ 30–50 trường/khoa/lớp clusters tùy cấp phân tích;
- đủ số quan sát mỗi cluster.
Power analysis phải quyết định mẫu cuối cùng.
11.5. Thiết kế đa nguồn
Một thiết kế mạnh:
- University/Management → AI-PGC
- Lecturer/Course → Q-AIDP + ASG
- Student → Learner Agency
- Assessment/LMS/Performance Task → LO
Điều này giảm common method bias đáng kể.
11.6. Đo Learning Outcomes
Không nên dùng hoàn toàn self-report. Ưu tiên:
- Course Results
- Performance Tasks
- Higher-Order Thinking Tasks
- AI-withdrawal task
Trong đó AI-withdrawal task đặc biệt giá trị: Sinh viên thực hiện một nhiệm vụ có AI trước, sau đó thực hiện nhiệm vụ tương đương không có AI. Khoảng cách giữa hai performance có thể giúp phân biệt: AI-supported performance với internalized learning.
11.7. Phân tích dữ liệu
Quy trình:
EFA → CFA → CR / omega → AVE → HTMT → Measurement invariance → Structural model → Bootstrapping → Moderation → Robustness tests.
CB-SEM phù hợp nếu mục tiêu là theory testing. Nếu dữ liệu lồng: Multilevel SEM là lựa chọn tốt hơn.
- CHIẾN LƯỢC KIỂM SOÁT CONSTRUCT OVERLAP
| Cặp construct | Phân biệt |
| Q-AIDP vs Adaptive Learning | Adaptive Learning là hệ thống/cơ chế. Q-AIDP là chất lượng của personalization được tạo ra. |
| Q-AIDP vs Perceived Personalization | Perceived Personalization chủ yếu là nhận thức cá nhân. Q-AIDP nên bao gồm cả objective/system-level indicators khi khả thi. |
| Learner Agency vs Autonomy | Autonomy chủ yếu liên quan tự nguyện và self-endorsement. Agency rộng hơn: intentionality + capacity + enactment + accountability. |
| Learner Agency vs SRL | SRL mô tả regulation processes. Agency bao gồm quyền và khả năng định hướng chính quá trình đó. |
| ASG vs Responsible AI Governance | Responsible AI Governance rất rộng. ASG chỉ tập trung: protecting learner decision capacity and authority in personalization. |
- TÍNH MỚI CỦA ĐỀ TÀI
Tính mới không nên tuyên bố rằng chưa có AI personalized learning. Đây là lĩnh vực đã phát triển mạnh.
Novelty cần đặt ở năm tầng:
13.1. Governance Novelty
Chuyển AI personalization từ công nghệ học tập sang đối tượng quản trị giáo dục đại học. Nghiên cứu về quản trị AI trong giáo dục đã chỉ ra nhu cầu về các khuôn khổ quản trị đạo đức và sự sẵn sàng của tổ chức (Scientific Reports, 2026).
13.2. Paradox Novelty
Đề xuất AI Personalization Paradox: Personalization có thể đồng thời increase learning efficiency và reduce opportunities to exercise learner agency. Bellomo và Sun (2026) đã xác định các nghịch lý tương tự, nhưng nghiên cứu này đặt chúng trong một mô hình quản trị có thể kiểm định.
13.3. Dual-Outcome Novelty
Đánh giá personalization qua hai outcome độc lập: Learning Outcomes và Learner Agency.
13.4. Safeguarding Novelty
Khái niệm hóa Agency-Safeguarding Governance bao gồm: Oversight + Transparency + Meaningful Choice + Contestability.
13.5. Human–AI Co-Regulation Novelty
Đề xuất mục tiêu cuối cùng không phải maximum personalization mà Optimal Human–AI Co-Regulated Personalization.
- ĐÓNG GÓP KHOA HỌC DỰ KIẾN
Thứ nhất – Management Contribution
Đưa AI personalization vào khoa học quản trị giáo dục. Các nghiên cứu gần đây đã chỉ ra rằng việc tích hợp AI hiệu quả đòi hỏi sự sẵn sàng về công nghệ, năng lực số của giảng viên và các khuôn khổ quản trị đạo đức (Scientific Reports, 2026).
Thứ hai – Construct Contribution
Phát triển AI-PGC và Q-AIDP.
Thứ ba – Paradox Contribution
Đưa tension optimization ↔ agency thành câu hỏi lý thuyết trung tâm. Nghiên cứu về personalization đã chỉ ra rằng personalization thường làm giảm quyền tự chủ và đơn giản hóa quá trình học tập (Inam, 2025).
Thứ tư – Learner Agency Contribution
Định vị agency như một outcome độc lập. Nghiên cứu về Agency Allocation Framework đã chỉ ra rằng agency không bị loại bỏ mà được tái cấu hình trong các hệ thống AI (Agency Allocation Framework, 2026).
Thứ năm – Governance Mechanism Contribution
Phát triển ASG.
Thứ sáu – Measurement Contribution
Cung cấp thang đo governance và personalization quality.
Thứ bảy – Human-Centred AI Contribution
Đưa tiêu chuẩn thành công của personalization từ: “Did the algorithm optimize learning?” sang: “Did personalization improve learning while strengthening the learner’s capacity to direct learning?”
- HÀM Ý QUẢN TRỊ
Mô hình giúp lãnh đạo trường chuyển từ các câu hỏi:
AI có dự đoán chính xác không?
Recommendation có tăng điểm không?
Sinh viên có dùng hệ thống không?
sang:
AI đang tối ưu hóa điều gì?
Ai đặt mục tiêu tối ưu hóa?
Sinh viên có hiểu recommendation không?
Sinh viên có thể bác bỏ recommendation không?
Ai có quyền override?
Personalization có làm sinh viên học tốt hơn khi AI không còn hiện diện không?
Agency đang được mở rộng hay chuyển từ người học sang hệ thống?
Nghiên cứu về quản trị AI trong giáo dục nhấn mạnh rằng các tổ chức phải tích cực kiểm tra thiên lệch thuật toán và các vấn đề quyền riêng tư dữ liệu, và các cơ quan giám sát nên bao gồm người học và nhà đạo đức học (Educational Technology and AI, 2025). Các hệ thống AI phải minh bạch, có thể xem xét và được quản trị bởi con người, đặc biệt khi được sử dụng ở quy mô lớn (Fortuna et al., 2026).
- KHUNG QUẢN TRỊ ĐỀ XUẤT
Đề tài đề xuất chu trình:
SENSE → PERSONALIZE → EXPLAIN → CHOOSE → ACT → MONITOR → CONTEST → REFLECT → RECALIBRATE
- Sense: Nhận diện nhu cầu người học.
- Personalize: AI tạo recommendation.
- Explain: Hệ thống làm rõ recommendation.
- Choose: Người học lựa chọn.
- Act: Người học thực hiện.
- Monitor: AI và con người theo dõi tiến độ.
- Contest: Người học có quyền chất vấn/override.
- Reflect: Người học phản tư về lựa chọn.
- Recalibrate: Hệ thống và con người cùng điều chỉnh.
Năm nguyên tắc:
- Human-led
- AI-augmented
- Learner-controllable
- Transparent and contestable
- Learning-centred
- RỦI RO NGHIÊN CỨU VÀ KIỂM SOÁT
| Rủi ro | Giải pháp |
| Construct proliferation | Discriminant + incremental validity |
| Quá nhiều moderator | Gom Oversight/Transparency/Choice/Contestability thành ASG |
| Self-report bias | Thiết kế đa nguồn |
| Performance ≠ Learning | Performance task và AI-withdrawal assessment |
| Causal overclaiming | Time-lagged hoặc quasi-experiment |
| Personalization endogeneity | Kiểm soát prior achievement, AI literacy, self-regulation và baseline agency |
| Algorithmic opacity | Kết hợp perceived measures với system/log indicators |
- SẢN PHẨM DỰ KIẾN
- Mô hình: AI-PGC → Q-AIDP → {LO, LA}
- Khái niệm AI Personalization Paradox.
- Thang đo AI-PGC.
- Thang đo Q-AIDP.
- Thang đo/khung ASG.
- Bộ chỉ báo Learner Agency trong personalization.
- Human-Centred AI Personalization Governance Framework.
- Bộ tiêu chí đánh giá hệ thống personalization.
- Bài báo 1: AI Personalization Governance Capability: Scale Development and Validation.
- Bài báo 2: The AI Personalization Paradox: Learning Optimization versus Learner Agency.
- Bài báo 3: Agency-Safeguarding Governance in AI-Driven Personalized Learning.
- Khuyến nghị chính sách cho trường đại học.
- KẾT LUẬN
AI đang làm cho học tập cá nhân hóa chuyển từ một khát vọng sư phạm khó mở rộng thành một khả năng công nghệ có thể triển khai trên quy mô lớn. AI có thể nhận diện nhu cầu, điều chỉnh nhiệm vụ, tạo scaffolding, cung cấp phản hồi và xây dựng những lộ trình học tập mà trước đây một giảng viên khó có thể cung cấp đồng thời cho hàng trăm sinh viên. Các khả năng đó mở ra tiềm năng thực sự để cải thiện chất lượng và tính bao trùm của giáo dục.
Tuy nhiên, personalization càng mạnh thì câu hỏi về ai kiểm soát quá trình học tập càng trở nên quan trọng.
Nếu mục tiêu của giáo dục chỉ là tối ưu hóa performance, việc để AI đưa ra ngày càng nhiều quyết định có thể được xem là hợp lý. Nhưng nếu giáo dục đại học còn nhằm phát triển những con người có khả năng xác định mục tiêu, đưa ra phán đoán, tự điều chỉnh và chịu trách nhiệm, thì tối đa hóa algorithmic control không thể là mục tiêu cuối cùng.
Bằng chứng mới nhất cũng cho thấy sự cần thiết của cách tiếp cận thận trọng này. OECD nhấn mạnh rằng GenAI chỉ tạo learning gains bền vững khi được thiết kế và sử dụng với mục đích sư phạm rõ ràng; chuyển giao nhiệm vụ nhận thức cho AI có thể làm tăng performance mà không tạo learning tương ứng (OECD, 2026). Nghiên cứu về personalization cũng chỉ ra rằng personalization thường làm giảm quyền tự chủ, đơn giản hóa quá trình học tập và gạt ra ngoài lề những người học đa dạng về nhận thức và văn hóa (Inam, 2025). Bellomo và Sun (2026) đã chỉ ra rằng AI personalization có thể dẫn đến depersonalization hơn là deep personalization khi nó làm suy giảm các quá trình nội tại của agency, siêu nhận thức và tự điều chỉnh.
Điều này dẫn đến một chuyển đổi lý thuyết quan trọng:
Maximum Personalization không phải là mục tiêu. Mục tiêu phải là Optimal Human–AI Co-Regulated Personalization.
Trong mô hình đó:
- AI predicts – Human judges.
- AI recommends – Human chooses.
- AI adapts – Human monitors.
- AI assists – Human remains accountable.
Cũng từ đây, đề tài định vị AI Personalization Paradox như đóng góp lý thuyết trung tâm: những cơ chế AI giúp tối ưu hóa trải nghiệm học tập cũng có thể làm giảm cơ hội để người học thực hành quyền chủ thể nếu chúng dần chuyển việc xác lập mục tiêu, lựa chọn chiến lược và ra quyết định từ người học sang thuật toán.
Vì vậy, quản trị AI personalization phải thực hiện hai nhiệm vụ đồng thời:
Optimize Learning Outcomes và Safeguard Learner Agency.
Hai nhiệm vụ này không nên được xem như hai mục tiêu tách biệt. Learner Agency chính là một thành phần của giá trị giáo dục dài hạn. Một hệ thống giúp sinh viên hoàn thành nhiệm vụ tốt hơn nhưng khiến họ ngày càng kém khả năng học độc lập không thể được xem là một hệ thống personalization thành công.
Từ góc độ quản trị, trường đại học vì vậy phải chuyển từ:
“How accurately can AI personalize learning?”
sang câu hỏi mạnh hơn:
“How should AI personalization be governed so that increasingly intelligent systems make learners more capable of directing their own learning rather than increasingly dependent on algorithmic direction?”
Thông điệp học thuật cốt lõi của nghiên cứu có thể cô đọng:
The educational value of AI personalization should not be judged by how effectively algorithms make learning decisions for students, but by how effectively AI helps students make increasingly informed, capable, and responsible learning decisions for themselves.
TÀI LIỆU THAM KHẢO
- Agency Allocation Framework. (2026). Who decides in AI-mediated learning? arXiv. https://arxiv.org/html/2604.13534v2
- Bellomo, S. T., & Sun, K. (2026). Can artificial intelligence foster deep personalization in education? Future Humanities. https://onlinelibrary.wiley.com/doi/10.1002/fhu2.70028
- Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.org/10.1207/S15327965PLI1104_01
- Educational Technology and AI. (2025). Educational technology and AI: Bridging cognitive load and learner engagement for effective learning. Sage Journals.
- Fortuna, P., et al. (2026). Human-in-the-loop AI personalization in higher education. LinkedIn.
- Frontiers in Education. (2025). Beyond personalization: Autonomy and agency in intelligent systems education. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1610239
- HD-AIHED Framework. (2025). Human-Driven AI in Higher Education Framework. ScienceOpen.
- Inam, A. (2025). Ethics of AI-driven personalization in learning: Designing for cognitive diversity and inclusive intelligence. IntechOpen. https://doi.org/10.5772/intechopen.101298
- Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated learning in higher education. npj Science of Learning, 10, Article 21.
- Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO. https://doi.org/10.54675/JKJB9835
- 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.
- (2021). OECD digital education outlook 2021: Pushing the frontiers with artificial intelligence, blockchain and robots. OECD Publishing. https://doi.org/10.1787/589b283f-en
- (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
- Scientific Reports. (2026). Faculty perceptions of AI for personalized instruction and learning facilitation in higher education. Scientific Reports, 16. https://link.springer.com
- Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human–Computer Interaction, 36(6), 495–504. https://doi.org/10.1080/10447318.2020.1741118
- Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
- (2025). Development and implementation of a generative AI-based personalized recommender system to improve students’ self-regulated learning and academic performance. Computers & Education. https://www.sciencedirect.com/science/article/abs/pii/S0360131525002544
- 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
- Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation(pp. 13–39). Academic Press. https://doi.org/10.1016/B978-012109890-2/50031-7
