GOVERNANCE OF GENERATIVE ARTIFICIAL INTELLIGENCE USE IN HIGHER EDUCATION TEACHING AND ASSESSMENT: DEVELOPMENT AND VALIDATION OF A RESPONSIBLE USE MODEL
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự phổ biến nhanh chóng của trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI) đang làm thay đổi căn bản môi trường dạy học và đánh giá trong giáo dục đại học. Tuy nhiên, phần lớn nghiên cứu hiện nay vẫn tập trung vào mức độ chấp nhận, ý định sử dụng, năng lực AI hoặc tần suất sử dụng GenAI, trong khi chưa giải thích đầy đủ việc sử dụng GenAI như thế nào mới được xem là có trách nhiệm, những điều kiện quản trị thể chế nào thúc đẩy hành vi đó, và bằng cơ chế nào việc sử dụng có trách nhiệm tạo ra giá trị giáo dục. Khoảng trống này trở nên đặc biệt quan trọng khi bằng chứng gần đây cho thấy GenAI có thể nâng cao hiệu suất hoàn thành nhiệm vụ mà không nhất thiết tạo ra mức tăng tương ứng về học tập nếu việc sử dụng không được định hướng bởi mục tiêu sư phạm rõ ràng (OECD, 2026).
Nghiên cứu đề xuất phát triển và kiểm định mô hình Institutional GenAI Governance → Responsible GenAI Use → Teaching & Assessment Quality. Trong mô hình, Responsible GenAI Use (RGU) được khái niệm hóa như một cấu trúc đa chiều gồm: (1) Pedagogical Alignment; (2) Transparency & Disclosure; (3) Verification & Epistemic Responsibility; (4) Privacy, Safety & Fairness; (5) Academic Integrity & Accountability; và (6) Human Agency & Oversight. Institutional GenAI Governance (IGG) được xem là điều kiện thể chế tạo ra môi trường chính sách, năng lực, bảo đảm trách nhiệm và cơ chế quản trị đánh giá cho RGU; Teaching & Assessment Quality (TAQ) là kết quả giáo dục phản ánh hỗ trợ học tập, chất lượng phản hồi, tính giá trị của đánh giá, quyền chủ thể của người học và liêm chính học tập.
Nghiên cứu sử dụng thiết kế hỗn hợp khám phá tuần tự (sequential exploratory mixed-methods design), kết hợp tổng quan tài liệu, nghiên cứu định tính, phát triển thang đo, đánh giá chuyên gia, nghiên cứu thử nghiệm, EFA, CFA, SEM, kiểm định tác động trung gian và bất biến đo lường. Đóng góp lý thuyết trọng tâm của nghiên cứu là chuyển trọng tâm từ AI adoption sang responsible use, đồng thời thiết lập cơ chế giải thích cách quản trị thể chế chuyển hóa việc sử dụng GenAI thành giá trị giáo dục. Về thực tiễn, nghiên cứu đề xuất khung quản trị tuần hoàn GOVERN–ENABLE–USE–VERIFY–LEARN, hỗ trợ các cơ sở giáo dục đại học quản trị GenAI theo hướng lấy con người làm trung tâm, có trách nhiệm, minh bạch và phù hợp với mục tiêu sư phạm.
Từ khóa: trí tuệ nhân tạo tạo sinh; Responsible GenAI Use; quản trị AI; giáo dục đại học; đánh giá; liêm chính học thuật; human agency; Teaching & Assessment Quality.
ABSTRACT
The rapid proliferation of Generative Artificial Intelligence (GenAI) is fundamentally reshaping teaching, learning, and assessment environments in higher education. However, much of the existing literature continues to focus on technology acceptance, behavioral intention, AI literacy, or the frequency and intensity of GenAI use, while offering limited explanation of what constitutes responsible GenAI use, which institutional governance conditions enable such practices, and through what mechanisms responsible use generates educational value. This gap is particularly consequential given emerging evidence that GenAI may improve task performance without necessarily producing commensurate learning gains when its use is not explicitly aligned with pedagogical objectives (OECD, 2026).
This study proposes the development and empirical validation of an integrated model linking Institutional GenAI Governance → Responsible GenAI Use → Teaching & Assessment Quality. Within this framework, Responsible GenAI Use (RGU) is conceptualized as a multidimensional construct comprising six dimensions: (1) Pedagogical Alignment; (2) Transparency & Disclosure; (3) Verification & Epistemic Responsibility; (4) Privacy, Safety & Fairness; (5) Academic Integrity & Accountability; and (6) Human Agency & Oversight. Institutional GenAI Governance (IGG) represents the institutional conditions that establish the policy environment, organizational capabilities, accountability arrangements, and assessment-governance mechanisms required to enable responsible GenAI practices. Teaching & Assessment Quality (TAQ) represents the educational outcome domain, encompassing support for learning, feedback quality, assessment validity, learner agency, and academic integrity.
Methodologically, the study adopts a sequential exploratory mixed-methods design integrating a systematic review of the literature, qualitative inquiry, scale development, expert validation, pilot testing, exploratory factor analysis (EFA), confirmatory factor analysis (CFA), structural equation modeling (SEM), mediation analysis, and measurement invariance testing. This design enables the study to establish the conceptual boundaries and psychometric properties of RGU while simultaneously examining its nomological role as a behavioral mechanism linking institutional governance to educational outcomes. The study’s principal theoretical contribution lies in shifting the analytical focus from AI adoption to responsible AI use and in specifying the mechanism through which institutional governance can translate GenAI use into educational value. From a practical perspective, the study introduces the cyclical GOVERN–ENABLE–USE–VERIFY–LEARN governance framework to support higher education institutions in managing GenAI in ways that are human-centered, accountable, transparent, and pedagogically aligned.
Keywords: generative artificial intelligence; Responsible GenAI Use; AI governance; higher education; assessment; academic integrity; human agency; Teaching & Assessment Quality.
1. TÍNH CẤP THIẾT VÀ BỐI CẢNH NGHIÊN CỨU
Sự phát triển nhanh chóng của GenAI đánh dấu một bước chuyển quan trọng trong tiến trình số hóa giáo dục đại học. Khác với nhiều thế hệ công nghệ giáo dục trước đây chủ yếu hỗ trợ truyền tải nội dung, quản lý học tập hoặc giao tiếp, GenAI có thể trực tiếp tham gia vào các hoạt động nhận thức như tìm kiếm và tổng hợp thông tin, giải thích khái niệm, xây dựng lập luận, viết và chỉnh sửa văn bản, lập trình, giải quyết vấn đề, thiết kế học liệu, tạo phản hồi và hỗ trợ đánh giá. Vì vậy, GenAI không chỉ là một công cụ công nghệ mới mà còn đặt ra yêu cầu xem xét lại quan hệ giữa con người – công nghệ – tri thức – đánh giá – trách nhiệm trong giáo dục đại học.
OECD Digital Education Outlook 2026 xác nhận rằng GenAI đang tái định hình bối cảnh giáo dục vượt ra ngoài phạm vi dạy và học. Một đặc điểm khiến GenAI khác với nhiều làn sóng EdTech trước đây là các công cụ đa dụng thường dễ tiếp cận, trực quan và có thể được sử dụng bên ngoài sự kiểm soát trực tiếp của cơ sở giáo dục (OECD, 2026).
Sự phát triển này tạo ra một nghịch lý giáo dục và quản trị. Một mặt, GenAI mở rộng khả năng hỗ trợ học tập, cá nhân hóa, phản hồi, phát triển ý tưởng và hỗ trợ công việc chuyên môn của giảng viên. Khi được tích hợp có chủ đích và dựa trên các nguyên tắc sư phạm rõ ràng, GenAI có tiềm năng hỗ trợ học tập. Mặt khác, việc chuyển giao hoạt động nhận thức cho AI không đồng nghĩa với việc người học đã hình thành kiến thức hay năng lực tương ứng. OECD (2026) đặc biệt phân biệt giữa task performance và learning gains: hoàn thành một nhiệm vụ tốt hơn với sự hỗ trợ của GenAI không tự động chứng minh rằng quá trình học tập đã được cải thiện.
Sự phân biệt này có ý nghĩa lý thuyết đặc biệt đối với nghiên cứu hiện tại. Nếu chỉ đo lường tần suất sử dụng, ý định tiếp tục sử dụng hoặc perceived usefulness, nhà nghiên cứu có thể kết luận rằng GenAI mang lại giá trị trong khi chưa xác định được liệu công nghệ có thực sự hỗ trợ phát triển năng lực hay chỉ thay thế một phần nỗ lực nhận thức của người học.
Ở bình diện đạo đức và quản trị, các rủi ro cũng mở rộng nhanh chóng: hallucination, thiên lệch thuật toán, quyền riêng tư dữ liệu, sở hữu trí tuệ, thiếu minh bạch, bất bình đẳng tiếp cận, phụ thuộc nhận thức, suy giảm năng lực tự chủ và những thách thức đối với liêm chính học thuật.
UNESCO (2023) vì vậy đề xuất cách tiếp cận human-centred đối với GenAI, trong đó việc sử dụng phải được đặt trong hệ thống bảo vệ dữ liệu, thẩm định đạo đức và thiết kế sư phạm thích hợp. UNESCO cũng nhận định tốc độ xuất hiện của các phiên bản GenAI đã vượt nhanh hơn quá trình thích nghi của nhiều khuôn khổ pháp lý và cơ sở giáo dục.
Định hướng này được phát triển sâu hơn trong AI Competency Framework for Teachers. Miao và Cukurova (2024) tổ chức năng lực AI của giáo viên thành năm miền, bao gồm human-centred mindset, ethics of AI, AI foundations and applications, AI pedagogy, và AI for professional learning. Cách tiếp cận này cho thấy năng lực AI không thể được giản lược thành kỹ năng vận hành công cụ.
Ở cấp thể chế, vấn đề càng trở nên rõ ràng. Phân tích 132 tài liệu chính sách và hướng dẫn của 76 trường đại học tại Vương quốc Anh của Tao et al. (2026) cho thấy xu hướng assessment-centred and integrity-first governance: các tổ chức tập trung đáng kể vào bảo vệ tính liêm chính của đánh giá và quản lý việc sử dụng AI trong bài làm, trong khi tích hợp sư phạm nhận được ít sự chú ý hơn. Do đây hiện là preprint, kết quả cần được sử dụng như bằng chứng mới nổi thay vì bằng chứng kết luận.
Từ đó, vấn đề nghiên cứu không còn đơn giản là:
“Giảng viên và sinh viên có chấp nhận hoặc sử dụng GenAI hay không?”
mà chuyển thành:
“GenAI được sử dụng như thế nào, dưới những điều kiện quản trị thể chế nào, và bằng cơ chế nào việc sử dụng đó trở thành thực hành có trách nhiệm và tạo ra giá trị thực chất cho dạy học và đánh giá?”
Sự chuyển dịch từ AI adoption → Responsible GenAI Use và từ tool management → educational AI governance chính là điểm xuất phát của nghiên cứu.
- VẤN ĐỀ VÀ KHOẢNG TRỐNG NGHIÊN CỨU
2.1. Khoảng trống khái niệm: từ AI adoption đến Responsible GenAI Use
Một bộ phận đáng kể nghiên cứu công nghệ giáo dục kế thừa các mô hình acceptance/adoption để giải thích ý định và hành vi sử dụng công nghệ. Những mô hình này hữu ích khi câu hỏi nghiên cứu là tại sao một cá nhân chấp nhận công nghệ. Tuy nhiên, trong bối cảnh GenAI, use không đồng nghĩa với responsible use.
Một người có thể sử dụng GenAI thường xuyên nhưng không kiểm chứng thông tin; có AI literacy cao nhưng không disclosure; sử dụng AI hiệu quả nhưng đưa dữ liệu nhạy cảm vào hệ thống; hoặc tạo ra sản phẩm chất lượng cao bằng cách thay thế chính năng lực mà bài đánh giá dự định đo lường.
Vì vậy:
GenAI adoption ≠ Responsible GenAI Use.
Đây không phải khác biệt ngôn ngữ mà là khác biệt về construct domain.
2.2. Khoảng trống giữa performance gain và learning gain
OECD (2026) tổng hợp bằng chứng mới nổi cho thấy GenAI đa dụng có thể cải thiện hiệu suất thực hiện nhiệm vụ nhưng điều đó không bảo đảm hình thành kiến thức và kỹ năng lâu dài.
Điều này đặt ra một câu hỏi nền tảng: giá trị giáo dục của GenAI phải được xác định bằng chất lượng sản phẩm hay bằng sự phát triển của người học?
Nghiên cứu này lựa chọn cách tiếp cận thứ hai. Công nghệ chỉ tạo ra educational value khi nó hỗ trợ learning, feedback, assessment validity và learner agency thay vì đơn thuần nâng cao sản lượng.
2.3. Khoảng trống quản trị thể chế
Các nguyên tắc responsible AI thường được trình bày ở cấp hệ thống công nghệ: fairness, transparency, accountability, privacy, safety và human oversight. Tuy nhiên, trong giáo dục đại học, hành vi sử dụng AI diễn ra trong một hệ thống xã hội – tổ chức cụ thể.
Phân tích của Spada et al. (2025) về tài liệu quản trị AI của 21 trường đại học hàng đầu cho thấy mức độ tích hợp các nguyên tắc digital responsibility không đồng đều; Data Privacy và Accountability xuất hiện nhất quán hơn, trong khi Functionality và Participation thường ít được chú ý.
Tương tự, Tao et al. (2026) cho thấy governance ở nhiều trường đại học Anh có xu hướng nghiêng về assessment integrity hơn pedagogical integration.
Khoảng trống vì vậy không chỉ nằm ở việc “trường đại học có chính sách AI hay không”, mà ở việc chính sách, năng lực tổ chức, safeguards, quản trị assessment và accountability có chuyển hóa thành hành vi responsible use hay không.
2.4. Khoảng trống về đánh giá và liêm chính học thuật
GenAI thách thức cách tiếp cận truyền thống dựa vào phát hiện gian lận. Perkins et al. (2024) cho thấy ngay cả khi kết hợp phán đoán học thuật với công cụ phát hiện AI, khả năng nhận diện nội dung GenAI vẫn có giới hạn đáng kể.
Hệ quả là governance không thể dựa chủ yếu vào logic detect–punish. Cần chuyển sang assessment design, transparency, process evidence, human judgement và accountability.
2.5. Khoảng trống về cơ chế
Khoảng trống tổng hợp có thể được biểu diễn:
Institutional GenAI Governance
↓
?
↓
Educational Value
Nghiên cứu này đề xuất biến “?” thành một cơ chế lý thuyết có thể định nghĩa và đo lường:
Institutional GenAI Governance → Responsible GenAI Use → Teaching & Assessment Quality.
Đây là điểm khác biệt cốt lõi so với mô hình acceptance truyền thống.
- MỤC TIÊU NGHIÊN CỨU
3.1. Mục tiêu tổng quát
Phát triển và kiểm định mô hình giải thích cơ chế mà Institutional GenAI Governance thúc đẩy Responsible GenAI Use, từ đó tạo ra Teaching & Assessment Quality trong giáo dục đại học.
3.2. Mục tiêu cụ thể
- Xác lập miền khái niệm và định nghĩa RGU.
- Phân biệt RGU với AI adoption, acceptance, literacy và usage frequency.
- Xác định cấu trúc khái niệm của Institutional GenAI Governance.
- Phát triển và kiểm định thang đo RGU-HE.
- Phát triển/hiệu chỉnh thang đo IGG.
- Kiểm định quan hệ IGG → RGU.
- Kiểm định quan hệ RGU → TAQ.
- Kiểm định tác động trực tiếp IGG → TAQ.
- Kiểm định vai trò trung gian của RGU.
- Phát triển khung quản trị GenAI có khả năng chuyển giao cho các cơ sở giáo dục đại học.
- CÂU HỎI NGHIÊN CỨU
RQ1. Responsible GenAI Use trong giáo dục đại học được định nghĩa và cấu trúc như thế nào?
RQ2. RGU khác biệt về mặt khái niệm và thực nghiệm với GenAI usage, AI acceptance, AI literacy và academic integrity như thế nào?
RQ3. Institutional GenAI Governance gồm những cấu phần nào?
RQ4. IGG ảnh hưởng như thế nào đến RGU?
RQ5. RGU ảnh hưởng như thế nào đến Teaching & Assessment Quality?
RQ6. RGU có đóng vai trò trung gian trong quan hệ IGG → TAQ hay không?
RQ7. Những nguyên tắc và cơ chế nào cần được tích hợp vào khung quản trị GenAI trong dạy học và đánh giá đại học?
5. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
Đối tượng nghiên cứu là các quan hệ giữa quản trị GenAI cấp thể chế, hành vi sử dụng GenAI có trách nhiệm và chất lượng dạy học – đánh giá.
Khách thể nghiên cứu gồm giảng viên, sinh viên và cán bộ quản lý/bảo đảm chất lượng tại các cơ sở giáo dục đại học.
Một hiệu chỉnh phương pháp quan trọng là không nên mặc định cả ba nhóm đều đánh giá tất cả constructs. Nghiên cứu cần triển khai multi-source design:
- quản lý/giảng viên: đánh giá Institutional GenAI Governance;
- giảng viên và sinh viên: đánh giá Responsible GenAI Use;
- sinh viên: đánh giá learning support, feedback và learner agency;
- dữ liệu môn học hoặc đánh giá chuyên gia, khi khả thi: bổ sung chỉ báo assessment quality.
Cách tổ chức này giảm common method bias và nguy cơ suy luận sai cấp độ.
6. CƠ SỞ LÝ THUYẾT
6.1. Responsible AI
Responsible AI cung cấp nền tảng chuẩn tắc đầu tiên. Recommendation on the Ethics of Artificial Intelligence của UNESCO đặt nhân phẩm và quyền con người ở trung tâm, đồng thời nhấn mạnh transparency, fairness, sustainability và human oversight.
Tuy nhiên, nghiên cứu này thực hiện một bước chuyển quan trọng:
Responsible AI principles → Responsible GenAI use practices.
Nói cách khác, fairness hay transparency chỉ trở thành biến nghiên cứu giáo dục khi được operationalize thành những hành vi có thể quan sát và đo lường.
6.2. Human-centred AI
Human-centred AI cung cấp cơ sở cho chiều Human Agency & Oversight.
UNESCO (2023, 2024) nhất quán nhấn mạnh rằng AI phải phục vụ sự phát triển của con người, bảo vệ agency và được tích hợp dựa trên thiết kế sư phạm thích hợp.
Khung Australia năm 2025 cũng mở rộng vấn đề từ GenAI sang AI trong giáo dục đại học nói chung và cung cấp hướng dẫn triển khai ở cấp hệ thống. Tài liệu chính thức có sáu tác giả — Lodge, Bower, Gulson, Henderson, Slade và Southgate — thay vì trích dẫn chưa hoàn chỉnh “Lodge et al., University research team” trong bản thảo ban đầu.
6.3. Institutional Governance
Governance là nền tảng lý thuyết giải thích context of responsible action.
Chính sách, nguồn lực, đào tạo, cơ chế accountability, privacy safeguards và assessment rules tạo thành môi trường thể chế trong đó cá nhân đưa ra quyết định sử dụng GenAI.
Vì vậy, nghiên cứu đề xuất nguyên lý:
Responsible GenAI Use = responsible individual practice enabled, constrained and shaped by institutional governance.
6.4. Lý thuyết cơ chế tích hợp
Ba nền tảng trên được tích hợp theo logic:
Normative principles
→ xác định thế nào là có trách nhiệm;
Human-centred AI
→ xác định AI phục vụ giá trị giáo dục và human agency như thế nào;
Institutional governance
→ giải thích điều kiện nào chuyển các nguyên tắc thành hành vi.
Từ đó hình thành:
Governance → Responsible Practice → Educational Value.
7. KHÁI NIỆM RESPONSIBLE GENERATIVE AI USE
Nghiên cứu đề xuất:
Responsible Generative AI Use (RGU) là mức độ mà giảng viên và người học sử dụng GenAI một cách có chủ đích về sư phạm, minh bạch, có kiểm chứng, bảo vệ dữ liệu và công bằng, duy trì liêm chính và trách nhiệm học thuật, đồng thời bảo toàn quyền chủ thể, phán đoán và sự giám sát có ý nghĩa của con người.
Định nghĩa này tương thích với định hướng human-centred, ethical, safe, equitable and meaningful use của UNESCO.
Bảng 1. Cấu trúc đề xuất của RGU
| Chiều | Định nghĩa thao tác |
| Pedagogical Alignment | Mức GenAI được sử dụng phù hợp learning outcomes và mục tiêu assessment |
| Transparency & Disclosure | Mức người dùng công khai vai trò và phạm vi đóng góp của GenAI |
| Verification & Epistemic Responsibility | Mức đầu ra được kiểm chứng về bằng chứng, nguồn, logic và độ chính xác |
| Privacy, Safety & Fairness | Mức sử dụng bảo vệ dữ liệu, giảm bias, harm và exclusion |
| Academic Integrity & Accountability | Mức người dùng tuân thủ chuẩn mực và chịu trách nhiệm về sản phẩm cuối |
| Human Agency & Oversight | Mức con người duy trì phán đoán, quyết định và nỗ lực nhận thức thiết yếu |
Cấu trúc sáu chiều là đề xuất lý thuyết, không được trình bày như cấu trúc đã được xác nhận. Nghiên cứu định tính, EFA và CFA phải có quyền bác bỏ, hợp nhất hoặc tách các chiều này.
8. MÔ HÌNH NGHIÊN CỨU
8.1. Tầng I – Institutional GenAI Governance
IGG
→ Policy Clarity
→ Capacity Building
→ Responsible AI Safeguards
→ Assessment Governance
→ Support & Accountability
↓
8.2. Tầng II – Responsible GenAI Use
RGU
→ Pedagogical Alignment
→ Transparency & Disclosure
→ Verification & Epistemic Responsibility
→ Privacy, Safety & Fairness
→ Academic Integrity & Accountability
→ Human Agency & Oversight
↓
8.3. Tầng III – Teaching & Assessment Quality
TAQ
→ Learning Support
→ Feedback Quality
→ Assessment Validity
→ Learner Agency
→ Learning Integrity
Mô hình cấu trúc
IGG → RGU → TAQ
với đường trực tiếp:
IGG → TAQ
được giữ lại nhằm kiểm định partial versus full mediation.
Điểm lý thuyết quan trọng nhất là nghiên cứu không giả định GenAI use tự động tạo educational value. OECD (2026) cung cấp nền tảng mạnh cho lập luận này khi phân biệt rõ task performance và actual learning.
9. GIẢ THUYẾT NGHIÊN CỨU
H1. Institutional GenAI Governance có ảnh hưởng tích cực đến Responsible GenAI Use.
Policy clarity làm giảm ambiguity; capacity building tăng năng lực sử dụng; safeguards xác lập ranh giới an toàn; assessment governance làm rõ permitted use; support và accountability tạo điều kiện chuyển nguyên tắc thành hành vi.
H2. Responsible GenAI Use có ảnh hưởng tích cực đến Teaching & Assessment Quality.
Khi AI được sử dụng có mục đích sư phạm, kiểm chứng, minh bạch và không thay thế human agency, khả năng tạo learning value được kỳ vọng cao hơn. OECD (2026) nhấn mạnh GenAI nên được sử dụng có chọn lọc vì lý do sư phạm thay vì thay thế nỗ lực nhận thức.
H3. Institutional GenAI Governance có ảnh hưởng tích cực đến Teaching & Assessment Quality.
Governance có thể tác động trực tiếp thông qua assessment design, infrastructure, professional development và quality assurance.
H4. Responsible GenAI Use đóng vai trò trung gian trong mối quan hệ giữa Institutional GenAI Governance và Teaching & Assessment Quality.
H4 là giả thuyết cơ chế trung tâm:
Governance creates conditions; responsible use translates conditions into educational value.
10. PHÁT TRIỂN VÀ KIỂM ĐỊNH THANG ĐO
Đây nên được xem là một work package khoa học độc lập, không chỉ là bước chuẩn bị bảng hỏi.
Quy trình đề xuất:
Domain specification → Literature synthesis → Qualitative elicitation → Item generation → Content validation → Cognitive interviewing → Pilot → EFA → CFA → Reliability/Validity → Invariance → Nomological validation.
Giai đoạn 1: Domain specification
Xác định rõ RGU bao gồm và không bao gồm những gì.
Giai đoạn 2: Item generation
Tạo khoảng 45–60 items từ literature + qualitative evidence. Không nên buộc mỗi chiều phải có số item bằng nhau.
Giai đoạn 3: Content validity
Nhóm chuyên gia nên bao gồm AI ethics, EdTech, assessment, psychometrics, higher-education governance và giảng viên thực hành.
Giai đoạn 4: Cognitive interviewing
Kiểm tra người trả lời hiểu “verification”, “disclosure”, “agency” hay “accountability” theo đúng construct domain hay không.
Giai đoạn 5: EFA
Dùng mẫu độc lập để khám phá cấu trúc nhân tố.
Giai đoạn 6: CFA
Kiểm định cấu trúc trên mẫu khác, tránh sử dụng cùng một dataset cho cả khám phá và xác nhận nếu điều kiện cho phép.
Giai đoạn 7: Reliability và validity
Kiểm tra ω/CR, convergent validity, discriminant validity và criterion/nomological validity.
Phải chứng minh:
RGU ≠ AI literacy
RGU ≠ GenAI usage frequency
RGU ≠ AI acceptance
RGU ≠ academic integrity
Academic integrity là thành phần quan trọng nhưng không phải toàn bộ RGU.
11. PHƯƠNG PHÁP NGHIÊN CỨU
11.1. Thiết kế nghiên cứu
Lựa chọn phù hợp là sequential exploratory mixed-methods design.
Pha I – Conceptual development
Thực hiện systematic/scoping review nhằm xác lập conceptual domain của IGG, RGU và TAQ.
Pha II – Qualitative exploration
Phỏng vấn bán cấu trúc chuyên gia, cán bộ quản lý, giảng viên và sinh viên.
Phân tích chủ đề được sử dụng để kiểm tra xem cấu trúc lý thuyết sáu chiều có phản ánh thực tiễn hay không.
Pha III – Instrument development
Item generation → expert review → CVI → cognitive interview.
Pha IV – Pilot study
Khoảng 150–250 quan sát có thể được xem là điểm xuất phát thực tiễn, nhưng quyết định cuối cùng phải phụ thuộc vào số item, communalities và cấu trúc dữ liệu.
Pha V – Main quantitative study
Cỡ mẫu CFA/SEM được xác định bằng power analysis, model complexity và expected effect size, không sử dụng máy móc quy tắc “10 observations per item”.
11.2. Kiểm định mô hình đo lường
Đánh giá:
- factor loadings;
- composite reliability/omega;
- AVE;
- discriminant validity;
- HTMT;
- model fit;
- convergent validity.
11.3. Kiểm định mô hình cấu trúc
SEM được sử dụng để kiểm định H1–H3.
Tác động trung gian H4:
IGG → RGU → TAQ
được kiểm định bằng bootstrap confidence intervals for indirect effects.
11.4. Measurement invariance
Trước khi so sánh nhóm cần lần lượt kiểm định:
Configural → Metric → Scalar invariance.
11.5. Common method bias
Không nên chỉ dựa vào một kiểm định hậu nghiệm đơn giản. Thiết kế nghiên cứu cần giảm CMB từ đầu bằng:
multi-source data + temporal separation + psychological separation + appropriate measurement design.
11.6. Đạo đức nghiên cứu
Nghiên cứu phải bảo đảm informed consent, voluntary participation, confidentiality, data minimization, secure storage và quyền rút lui. Việc sử dụng GenAI trong chính quá trình nghiên cứu cũng phải được disclosure theo quy định của cơ sở nghiên cứu/tạp chí.
12. RESPONSIBLE AI GOVERNANCE TRONG DẠY HỌC VÀ ĐÁNH GIÁ
Governance nên được tổ chức theo ba cấp.
Cấp I – Institutional governance
Bao gồm:
policy → procurement → privacy → security → fairness → accountability → audit → grievance/contestability.
Cấp II – Programme/course governance
Mỗi chương trình và học phần cần quy định:
AI được phép sử dụng ở đâu; mức độ nào; mục đích gì; disclosure như thế nào; dữ liệu nào không được đưa vào hệ thống; và trách nhiệm cuối cùng thuộc về ai.
Cấp III – Assessment-task governance
Mỗi nhiệm vụ đánh giá cần trả lời:
AI use có làm thay đổi construct mà assessment đang đo hay không?
Đây là câu hỏi quan trọng hơn “AI có được phép hay không”.
Perkins et al. (2024) cho thấy cách tiếp cận dựa vào detection có những giới hạn thực nghiệm đáng kể. Do đó, assessment governance cần dịch chuyển:
Detection-centred → Design-centred
và:
Prohibition → Transparent bounded use.
Khung quốc gia của Ireland cũng đi theo định hướng values-based adoption và cung cấp một điểm tham chiếu chung để các cơ sở giáo dục chuyển chính sách thành thực hành.
13. ĐÓNG GÓP MỚI CỦA NGHIÊN CỨU
13.1. Đóng góp khái niệm
Định hình Responsible GenAI Use như một construct đa chiều có ranh giới rõ.
13.2. Đóng góp lý thuyết
Chuyển đơn vị giải thích:
Acceptance → Responsibility
và:
Individual behaviour → Institutionally embedded behaviour.
13.3. Đóng góp cơ chế
Đề xuất và kiểm định:
IGG → RGU → TAQ
thay vì chỉ chứng minh một tập hợp các tương quan giữa AI và educational outcomes.
13.4. Đóng góp đo lường
Phát triển Responsible GenAI Use Scale for Higher Education – RGU-HE.
13.5. Đóng góp quản trị
Chuyển các nguyên tắc responsible AI từ cấp normative principles thành governable educational practices.
13.6. Đóng góp giáo dục
Định vị learning, assessment validity, learner agency và integrity là tiêu chuẩn cuối cùng, thay vì số người sử dụng hoặc mức độ hài lòng với AI.
14. KHUNG QUẢN TRỊ ĐỀ XUẤT: GOVERN–ENABLE–USE–VERIFY–LEARN
Nghiên cứu đề xuất khung quản trị tuần hoàn năm thành tố.
GOVERN
Thiết lập policy, responsibility, privacy, security, academic integrity, assessment boundaries và accountability.
ENABLE
Phát triển AI literacy, AI pedagogy, năng lực verification, infrastructure và equitable access.
USE
Tích hợp GenAI có chọn lọc theo learning outcomes, learner needs và assessment purposes.
VERIFY
Kiểm chứng output, sources, bias, disclosure, fairness, assessment validity và mức độ human oversight.
LEARN
Đánh giá educational outcomes, unintended consequences, incidents và stakeholder feedback; sử dụng bằng chứng để cải tiến policy.
Chu trình đầy đủ:
GOVERN → ENABLE → USE → VERIFY → LEARN → GOVERN
Khung này không được tuyên bố là framework đã được kiểm định. Nó là proposed governance framework cần được đánh giá bằng dữ liệu thực nghiệm và expert validation.
15. KẾT QUẢ VÀ SẢN PHẨM DỰ KIẾN
Nghiên cứu dự kiến tạo ra tám nhóm sản phẩm:
- Mô hình lý thuyết IGG → RGU → TAQ.
- Định nghĩa và conceptual domain của RGU.
- Thang đo RGU-HE.
- Thang đo/measurement model của IGG.
- Bằng chứng thực nghiệm về mediation mechanism.
- Khung GOVERN–ENABLE–USE–VERIFY–LEARN.
- Bộ tiêu chí quản trị GenAI cho teaching–learning–assessment.
- Chuỗi công bố về construct development, scale validation, structural model và governance framework.
16. KẾ HOẠCH NGHIÊN CỨU
| Giai đoạn | Hoạt động chính | Sản phẩm |
| 1 | Systematic/scoping review | Conceptual domain |
| 2 | Nghiên cứu định tính | Cấu trúc IGG/RGU |
| 3 | Item generation | Item pool |
| 4 | Expert + cognitive validation | Content-valid instrument |
| 5 | Pilot + EFA | Preliminary scale |
| 6 | CFA + validation | RGU-HE |
| 7 | SEM + mediation | Structural model |
| 8 | Invariance/robustness | Cross-group evidence |
| 9 | Expert validation | Governance framework |
| 10 | Tổng hợp và chuyển giao | Publications + toolkit |
Một thiết kế multi-wave/multi-source nên được ưu tiên nếu nguồn lực cho phép. Điều này đặc biệt quan trọng vì mô hình đang đưa ra lập luận về cơ chế, trong khi dữ liệu tự báo cáo cắt ngang từ một nguồn chỉ hỗ trợ hạn chế cho diễn giải nhân quả.
17. KẾT LUẬN
Nghiên cứu đề xuất một sự chuyển dịch về bản chất trong cách nghiên cứu GenAI ở giáo dục đại học. Thay vì tiếp tục đặt câu hỏi chủ yếu về mức độ chấp nhận hoặc tần suất sử dụng công nghệ, nghiên cứu tập trung vào chất lượng, trách nhiệm và giá trị giáo dục của việc sử dụng GenAI.
Mô hình:
Institutional GenAI Governance → Responsible GenAI Use → Teaching & Assessment Quality
xây dựng một kiến trúc ba tầng điều kiện – cơ chế – kết quả.
Governance thiết lập môi trường chính sách, năng lực, safeguards và accountability; Responsible GenAI Use chuyển các điều kiện đó thành hành vi thực tế; Teaching & Assessment Quality phản ánh giá trị giáo dục được tạo ra.
Trong kiến trúc này, RGU là đóng góp trung tâm. Một cá nhân có thể có AI literacy cao nhưng sử dụng AI thiếu trách nhiệm; có thể sử dụng AI thường xuyên nhưng không kiểm chứng; có thể tuân thủ integrity nhưng sử dụng AI theo cách làm suy giảm nỗ lực nhận thức. Do đó, Responsible GenAI Use phải vượt khỏi cả adoption, literacy lẫn academic integrity.
Định vị này phù hợp với xu hướng quản trị quốc tế. UNESCO đặt human dignity, fairness, transparency và human oversight vào nền tảng responsible AI; hướng dẫn GenAI của UNESCO yêu cầu cách tiếp cận human-centred, safe, equitable and meaningful; OECD nhấn mạnh rằng thành công trong thực hiện nhiệm vụ với GenAI không tự động đồng nghĩa với learning; các khung giáo dục đại học gần đây tại Australia và Ireland tiếp tục dịch chuyển thảo luận từ prohibition sang responsible, values-based integration.
Vì vậy, novelty claim mạnh nhất của nghiên cứu không nên là:
“GenAI ảnh hưởng đến giáo dục đại học.”
Mà nên được chuẩn hóa thành:
Nghiên cứu phát triển và kiểm định Responsible GenAI Use như một cơ chế đa chiều giải thích cách năng lực quản trị GenAI cấp thể chế được chuyển hóa thành chất lượng dạy học và đánh giá trong giáo dục đại học.
Nếu thang đo RGU-HE đạt độ tin cậy, giá trị phân biệt và giá trị dự báo; nếu mediation IGG → RGU → TAQ được xác nhận trên thiết kế dữ liệu phù hợp; và nếu khung governance được expert/empirical validation, nghiên cứu có cơ sở để tạo ra đồng thời construct contribution, measurement contribution, mechanism contribution và governance contribution.
Đó là nền tảng lý thuyết chặt chẽ hơn đáng kể so với việc xây dựng thêm một mô hình AI adoption mở rộng.
TÀI LIỆU THAM KHẢO
- Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. https://doi.org/10.3389/fpubh.2018.00149
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
- Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106
- Lodge, J. M., Bower, M., Gulson, K., Henderson, M., Slade, C., & Southgate, E. (2025). Australian framework for artificial intelligence in higher education. Australian Centre for Student Equity and Success.
- Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO.
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- 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
- O’Sullivan, J., Lowry, C., Woods, R., & Conlon, T. (2025). Generative AI in higher education teaching & learning: National policy framework. Higher Education Authority. https://doi.org/10.82110/073e-hg66
- Perkins, M., Roe, J., Postma, D., McGaughran, J., & Hickerson, D. (2024). Detection of GPT-4 generated text in higher education: Combining academic judgement and software to identify generative AI tool misuse. Journal of Academic Ethics, 22(1), 89–113. https://doi.org/10.1007/s10805-023-09492-6
- Spada, D., Shirish, A., Davey, T., & O’Hara, A. (2025). Embedding digital responsibility: An exploratory analysis of AI policies in higher education. MCIS 2025 Proceedings, Article 33.
- Tao, Y., Ryan, M., Bialy, F., & Zhang, X. (2026). Assessment-focused governance mode? Mapping generative AI policies across 76 UK higher education institutions: Policy framework and recommendations [Preprint]. Research Square. https://doi.org/10.21203/rs.3.rs-10029667/v1
- (2022). Recommendation on the ethics of artificial intelligence. UNESCO. (Recommendation adopted November 23, 2021).
