TÁC ĐỘNG CỦA HỆ THỐNG HỌC TẬP CÁ NHÂN HÓA DỰA TRÊN AI ĐẾN KẾT QUẢ HỌC TẬP VÀ KHẢ NĂNG TỰ ĐIỀU CHỈNH CỦA SINH VIÊN ĐẠI HỌC: TIẾP CẬN ĐA CHIỀU VÀ LẬP LUẬN TÍCH HỢP

EFFECTS OF AI-BASED PERSONALIZED LEARNING SYSTEMS ON ACADEMIC ACHIEVEMENT AND SELF-REGULATED LEARNING IN HIGHER EDUCATION: A MULTI-DIMENSIONAL APPROACH AND INTEGRATIVE REASONING

Tác giả : Nguyễn Văn Hùng

TUYÊN BỐ VỀ LOẠI HÌNH NGHIÊN CỨU (RESEARCH TYPE DECLARATION)

Bản thảo này trình bày một nghiên cứu thiết kế và đề xuất thực nghiệm (design study and research proposal), không phải báo cáo kết quả thực nghiệm đã hoàn thành. Các mục §5 và §6 mô tả thiết kế nghiên cứu được đề xuất để kiểm định trong tương lai. Mọi kết quả được trình bày dưới dạng “dự kiến” (anticipated). Các tuyên bố về khoảng trống nghiên cứu được giới hạn trong phạm vi tìm kiếm công khai của nhóm tác giả.

DANH SÁCH BẢNG BIỂU (LIST OF TABLES)

Bảng	Tiêu đề
Bảng 1	Hệ thống biến số nghiên cứu (Conceptual Framework)
Bảng 2	Kiến trúc Hệ thống Học tập Cá nhân hóa Thông minh 4 lớp
Bảng 3	Ánh xạ Mục tiêu – Câu hỏi NC – Giả thuyết – Phương pháp – Ngưỡng kiểm định
Bảng 4	Kết quả dự kiến về thành tựu học tập và SRL (theo H1–H3)
Bảng 5	Kịch bản kết quả thay thế và hàm ý

HIGHLIGHTS

Xác lập khung phân tích đa chiều bốn trục: Tích hợp chiều Sư phạm & Tâm lý học nhận thức, Công nghệ & Kỹ thuật, Thực thi & Dữ liệu hành vi, và Quản trị giáo dục & Đạo đức công nghệ — cung cấp ngôn ngữ chẩn đoán khả vận hành cho cơ sở giáo dục đại học Việt Nam trong kỷ nguyên AI cá nhân hóa.
Luận giải nghịch lý “tối ưu hóa vs. tự chủ”: Đặt vấn đề trung tâm rằng liệu thuật toán “dọn sẵn đường đi” có làm suy giảm năng lực tự điều chỉnh học tập (Self-Regulated Learning – SRL) và quyền tự quyết của người học (Learner Agency), hay đóng vai trò như giàn giáo nhận thức (cognitive scaffolding) có kiểm soát.
Tích hợp bằng chứng từ nghiên cứu thực nghiệm quốc tế: Đối chiếu với phát hiện về “lười biếng siêu nhận thức” (metacognitive laziness) của Fan và cộng sự (2025), nghiên cứu của Xu và cộng sự (2025) về vai trò của hỗ trợ siêu nhận thức, và tổng quan hệ thống của Xia và cộng sự (2026) trên Computers & Education.
Bối cảnh hóa chính sách Việt Nam 2020–2026: Đối chiếu với Thông tư 02/2025/TT-BGDĐT và Nghị quyết 71-NQ/TW, đồng thời tham chiếu báo cáo OECD (2026) về khoảng cách giữa mức độ sử dụng GenAI phổ biến và mức độ tích hợp sư phạm còn hạn chế.
Đề xuất thiết kế bán thực nghiệm hỗn hợp hội tụ: So sánh nhóm can thiệp (hệ sinh thái AI cá nhân hóa, N = 100) với nhóm đối chứng (LMS tiêu chuẩn, N = 100) trong 15 tuần, đo lường đa nguồn (MSLQ, điểm học phần, system telemetry, phỏng vấn bán cấu trúc), kiểm định ba giả thuyết H1–H3.

TÓM TẮT BÀI BÁO (STRUCTURED ABSTRACT)

Tóm tắt tiếng Việt

Bối cảnh (Background): Sự chuyển dịch từ e-Learning truyền thống sang hệ thống học tập thông minh tích hợp AI tạo sinh (Generative AI) và AI tác tử (Agentic AI) trong giai đoạn 2020–2026 đã mở ra tiềm năng cá nhân hóa lộ trình học tập ở quy mô lớn. Tuy nhiên, tại Việt Nam, các giải pháp thích ứng cá nhân hóa vẫn ở giai đoạn thử nghiệm sơ khai; trong phạm vi tìm kiếm công khai của nhóm tác giả (Scopus, WoS, ERIC, Google Scholar, 2020–2026), chưa thấy công bố thực nghiệm độc lập về hiệu quả can thiệp. Báo cáo OECD (2026) ghi nhận mức độ sử dụng GenAI trong giáo dục đại học đã trở nên phổ biến (95% sinh viên Anh, 90% sinh viên Đức), nhưng việc tích hợp vào thực hành sư phạm chuyên sâu vẫn còn hạn chế và không đồng đều.

Vấn đề nghiên cứu (Research Problem): Tồn tại một nghịch lý công nghệ – sư phạm: cá nhân hóa dựa trên AI đem lại tối ưu hóa lộ trình, nhưng liệu việc thuật toán “dọn sẵn đường đi” có làm suy giảm năng lực tự điều chỉnh học tập (SRL) và quyền tự quyết của sinh viên? Bằng chứng quốc tế cho thấy GenAI có thể thúc đẩy “lười biếng siêu nhận thức” — sinh viên đạt điểm bài viết cao hơn nhưng không cải thiện kiến thức và khả năng chuyển giao. Tổng quan hệ thống của Xia và cộng sự (2026) trên 73 bài báo xác nhận rằng GenAI có thể hỗ trợ SRL ở cả ba pha, nhưng hiệu quả phụ thuộc vào thiết kế sư phạm và mức độ hỗ trợ siêu nhận thức.

Mục tiêu (Purpose): (1) Đánh giá tác động của hệ thống học tập cá nhân hóa dựa trên AI đến kết quả học tập của sinh viên ở các nhóm xuất phát điểm khác nhau; (2) Phân tích sự biến đổi của các thành tố SRL dưới sự hỗ trợ của AI; (3) Xác định vai trò điều tiết của mức độ gắn kết hành vi và trình độ năng lực khởi điểm trong mối quan hệ giữa can thiệp AI và kết quả học tập.

Giả thuyết (Hypotheses): H1 — nhóm can thiệp đạt điểm học phần cao hơn nhóm đối chứng có ý nghĩa thống kê; H2 — nhóm can thiệp duy trì hoặc cải thiện SRL, trong khi nhóm đối chứng có thể suy giảm; H3 — mức độ gắn kết hành vi và trình độ năng lực khởi điểm điều tiết mối quan hệ giữa can thiệp AI và kết quả học tập.

Phương pháp tiếp cận (Approach): Thiết kế bán thực nghiệm kết hợp phương pháp hỗn hợp hội tụ (Convergent Mixed-Methods Design). Nhóm thực nghiệm (N = 100) trải nghiệm hệ sinh thái học tập cá nhân hóa tích hợp AI; nhóm đối chứng (N = 100) học theo LMS tiêu chuẩn. Can thiệp kéo dài 15 tuần. Dữ liệu được thu thập qua MSLQ, điểm kiểm tra tiền/hậu can thiệp, system telemetry (prompt logs, time-on-task), và phỏng vấn bán cấu trúc với 20 sinh viên. Phân tích: ANCOVA (H1), mixed-effects model (H2), SEM với biến điều tiết (H3). Thiết kế nghiên cứu sẽ được đăng ký trước trên OSF.

Kết quả dự kiến (Anticipated Results): Nhóm thực nghiệm dự kiến đạt điểm học phần cao hơn có ý nghĩa thống kê (chênh lệch 12–15%, p < .01) và tỷ lệ hoàn thành học phần tăng từ 72% lên 88–90%. Các tiểu thang đo siêu nhận thức và quản lý thời gian trong MSLQ dự kiến tăng trưởng tích cực. Nhóm sinh viên yếu thế hưởng lợi lớn nhất từ giàn giáo nhận thức của AI. Tuy nhiên, nghiên cứu cũng dự kiến phát hiện “ngưỡng can thiệp tối ưu”: nếu AI đưa ra gợi ý quá nhanh ở giai đoạn đầu, sinh viên có thể hình thành thói quen tìm kiếm sự trợ giúp thụ động — phù hợp với cảnh báo về metacognitive laziness.

Đóng góp (Contribution): Cung cấp khung phân tích đa chiều bốn trục để đánh giá hệ thống học tập cá nhân hóa AI trong bối cảnh Việt Nam; đề xuất cơ chế “fading” (giảm dần mức độ hỗ trợ khi năng lực tăng) như nguyên tắc thiết kế sư phạm để bảo toàn quyền tự quyết của người học; và cung cấp bằng chứng thực nghiệm về tác động phân tầng của AI đối với các nhóm năng lực khác nhau.

Bối cảnh ứng dụng (Context): Giáo dục đại học Việt Nam giai đoạn 2020–2026, với 200 sinh viên năm thứ nhất khối ngành công nghệ/kỹ thuật trong môn học “Nhập môn Lập trình”.

Từ khóa: Học tập cá nhân hóa dựa trên AI; Tự điều chỉnh học tập; Ủy thác nhận thức; Lười biếng siêu nhận thức; Hợp tác Người–AI; Giáo dục Đại học Việt Nam.

Structured English Abstract

Background: The transition from traditional e-Learning to intelligent learning systems integrating Generative AI and Agentic AI during 2020–2026 has opened unprecedented potential for personalized learning pathways at scale. However, in Vietnam, personalized adaptive learning solutions remain at an experimental stage; within the publicly accessible search scope of the authors (Scopus, WoS, ERIC, Google Scholar, 2020–2026), no independent empirical evidence on intervention effectiveness has been identified. The OECD (2026) reports that GenAI use in higher education has become widespread (95% of UK undergraduates, 90% of German students), yet integration into advanced pedagogical practices remains uneven and emerging.

Research Problem: A technology–pedagogy paradox persists: AI-driven personalization optimizes learning pathways, but does algorithmic “path-smoothing” diminish students’ self-regulated learning (SRL) capacity and learner agency? International evidence suggests GenAI may foster “metacognitive laziness”—students achieve higher essay scores without commensurate gains in knowledge acquisition or transfer. Xia et al.’s (2026) systematic review of 73 articles confirms that GenAI can support SRL across all three phases, but effectiveness depends on pedagogical design and metacognitive support.

Purpose: (1) To assess the effects of an AI-based personalized learning system on academic achievement across different baseline competency groups; (2) To analyze transformations in SRL components under AI scaffolding; (3) To identify the moderating roles of behavioral engagement and baseline competency in the relationship between AI intervention and academic achievement.

Hypotheses: H1 — the intervention group will demonstrate significantly higher course scores than the control group; H2 — the intervention group will maintain or improve SRL, whereas the control group may decline; H3 — behavioral engagement and baseline competency will moderate the relationship between AI intervention and academic achievement.

Approach: A convergent mixed-methods quasi-experimental design. The experimental group (N = 100) experiences an AI-integrated personalized learning ecosystem; the control group (N = 100) uses a standard LMS. The intervention spans 15 weeks. Data are collected via the MSLQ, pre/post achievement tests, system telemetry, and semi-structured interviews with 20 students. Analyses: ANCOVA (H1), mixed-effects model (H2), SEM with moderators (H3). The study design will be pre-registered on OSF.

Anticipated Results: The experimental group is projected to demonstrate significantly higher course scores (12–15% difference, p < .01) and improved completion rates (72% to 88–90%). Metacognitive self-regulation and time management subscales are expected to show positive gains. Beginner students are projected to benefit most from AI cognitive scaffolding. However, the study also anticipates identifying an “optimal intervention threshold”: if AI provides suggestions too rapidly in early stages, students may develop passive help-seeking habits—consistent with metacognitive laziness warnings.

Contribution: The study provides a four-axis multi-dimensional framework for evaluating AI-personalized learning systems in Vietnam; proposes a “fading” mechanism as a pedagogical design principle to preserve learner agency; and offers empirical evidence on the stratified effects of AI across competency groups.

Application Context: Vietnamese higher education during 2020–2026, with 200 first-year technology/engineering students in an “Introduction to Programming” course.

Keywords: AI-Personalized Learning; Self-Regulated Learning; Cognitive Offloading; Metacognitive Laziness; Human-AI Collaboration; Vietnamese Higher Education.

1. MỞ ĐẦU (INTRODUCTION)

1.1. Bối cảnh đa chiều và Nghịch lý Công nghệ – Sư phạm (Multi-dimensional Context and the Technology–Pedagogy Paradox)

Sự chuyển dịch từ e-Learning truyền thống sang hệ thống học tập thông minh tích hợp AI tạo sinh (Generative AI) và AI tác tử (Agentic AI) trong giai đoạn 2020–2026 đã tái định hình căn bản cách thức cá nhân hóa giáo dục. Trước năm 2022, các hệ thống gia sư thông minh (Intelligent Tutoring Systems – ITS) chủ yếu dựa trên các thuật toán theo vết tri thức (Knowledge Tracing) và mô hình hóa người học (Learner Modeling) để điều chỉnh lộ trình học tập. Sự xuất hiện của các mô hình ngôn ngữ lớn (Large Language Models – LLMs) đã mở rộng đáng kể khả năng tương tác đối thoại, phản hồi ngữ cảnh và giàn giáo nhận thức (cognitive scaffolding) theo thời gian thực.

Tuy nhiên, báo cáo của Tổ chức Hợp tác và Phát triển Kinh tế (OECD, 2026) về chính sách hỗ trợ áp dụng GenAI có trách nhiệm trong giáo dục đại học đã chỉ ra một thực tế đáng lo ngại. Mặc dù mức độ sử dụng GenAI đã trở nên phổ biến, việc tích hợp vào thực hành sư phạm chuyên sâu vẫn còn hạn chế và không đồng đều. Báo cáo nhấn mạnh rằng sinh viên chủ yếu sử dụng GenAI cho các tác vụ thường nhật như tóm tắt, chỉnh sửa và dịch thuật, chứ không phải cho học tập sâu hay giải quyết vấn đề phức tạp. Trên phạm vi toàn cầu, chỉ 17% giảng viên tự mô tả mình là người dùng AI “nâng cao” hoặc “chuyên gia”, trong khi 40% vẫn đang ở giai đoạn khởi đầu của hành trình năng lực AI.

Tại Việt Nam, chuyển đổi số trong giáo dục đại học diễn ra mạnh mẽ nhưng các giải pháp thích ứng cá nhân hóa vẫn ở giai đoạn thử nghiệm sơ khai; trong phạm vi tìm kiếm công khai của nhóm tác giả (Scopus, WoS, ERIC, Google Scholar, 2020–2026), chưa thấy công bố thực nghiệm độc lập về hiệu quả can thiệp. Thông tư số 02/2025/TT-BGDĐT đã xác lập miền năng lực “Ứng dụng trí tuệ nhân tạo” trong Khung năng lực số cho người học, và Nghị quyết số 71-NQ/TW yêu cầu chuyển quản trị giáo dục đại học sang định hướng mục tiêu và tác động. Tuy nhiên, giữa định hướng quy phạm và vận hành thực tế vẫn tồn tại khoảng cách chuyển hóa cần được khảo sát thực nghiệm.

Nghịch lý công nghệ – sư phạm nằm ở chỗ: cá nhân hóa dựa trên AI đem lại sự tối ưu hóa lộ trình, nhưng liệu việc thuật toán “dọn sẵn đường đi” có làm suy giảm năng lực tự điều chỉnh học tập (Self-Regulated Learning – SRL) và quyền tự quyết (Learner Agency) của sinh viên, hay ngược lại sẽ đóng vai trò như một giàn giáo nhận thức (scaffolding)? Câu hỏi này không phải là suy đoán lý thuyết suông. Nghiên cứu thực nghiệm của Fan và cộng sự (2025) trên British Journal of Educational Technology đã so sánh sinh viên sử dụng ChatGPT với sinh viên nhận hỗ trợ từ chuyên gia con người và công cụ phân tích văn bản. Kết quả cho thấy nhóm ChatGPT vượt trội về điểm bài viết nhưng không có sự khác biệt đáng kể về kiến thức thu nhận và khả năng chuyển giao. Đáng chú ý hơn, nhóm tác giả phát hiện rằng AI có thể thúc đẩy sự phụ thuộc công nghệ và “lười biếng siêu nhận thức” (metacognitive laziness) — sinh viên có xu hướng tuân theo phản hồi của ChatGPT để hoàn thành nhiệm vụ một cách hiệu quả mà không thực sự tham gia vào các quá trình siêu nhận thức như đánh giá, giám sát và định hướng.

Phát hiện này được củng cố bởi nghiên cứu của Xu và cộng sự (2025) trên cùng tạp chí, với thiết kế bán thực nghiệm trên 68 sinh viên đại học trong môi trường GenAI. Nhóm thực nghiệm nhận hỗ trợ siêu nhận thức rõ ràng, trong khi nhóm đối chứng không nhận được gợi ý siêu nhận thức nào. Kết quả cho thấy mặc dù không có sự khác biệt đáng kể về thành tích học tập giữa hai nhóm, hỗ trợ siêu nhận thức cải thiện năng lực SRL của sinh viên, đặc biệt ở các khía cạnh chiến lược nhiệm vụ và tự đánh giá, đồng thời tối ưu hóa trải nghiệm học tập. Nghiên cứu kết luận rằng GenAI hỗ trợ người học hoàn thành nhiệm vụ nhưng có khả năng làm giảm hiệu quả SRL, và hỗ trợ siêu nhận thức là chìa khóa để duy trì sự điều chỉnh hiệu quả.

Tổng quan hệ thống của Xia và cộng sự (2026) trên Computers & Education — phân tích 73 bài báo thực nghiệm về thiết kế SRL với GenAI — cung cấp bức tranh toàn cảnh hơn. Kết quả cho thấy GenAI có thể hỗ trợ các hoạt động học tập cho SRL ở cả ba pha của chu trình Zimmerman: pha dự tính trước (đặt mục tiêu, lập kế hoạch chiến lược, tự tạo động lực), pha thực hiện (quản lý thời gian, chiến lược nhiệm vụ, tìm kiếm trợ giúp, cấu trúc môi trường), và pha tự phản hồi (tự đánh giá). Tuy nhiên, nghiên cứu cũng chỉ ra rằng hiệu quả phụ thuộc vào mức độ hỗ trợ siêu nhận thức được thiết kế trong hệ thống — nếu thiếu hỗ trợ này, sinh viên có nguy cơ giảm mức độ SRL.

Những phát hiện này đặt ra yêu cầu cấp thiết về một khung phân tích đa chiều có thể đồng thời đánh giá: (1) hiệu quả học tập; (2) chất lượng quá trình học tập (SRL); và (3) cơ chế can thiệp của AI. Nghiên cứu này được thiết kế để trả lời ba câu hỏi đó trong bối cảnh giáo dục đại học Việt Nam.

1.2. Mục tiêu, Câu hỏi Nghiên cứu và Giả thuyết (Objectives, Research Questions, and Hypotheses)

Nghiên cứu đặt ba mục tiêu:

MT1: Đánh giá tác động của hệ thống học tập cá nhân hóa dựa trên AI đến kết quả học tập của sinh viên ở các nhóm xuất phát điểm khác nhau.
MT2: Phân tích sự biến đổi của các thành tố SRL dưới sự hỗ trợ của AI.
MT3: Xác định vai trò điều tiết của mức độ gắn kết hành vi (behavioral engagement) và trình độ năng lực khởi điểm (baseline competency) trong mối quan hệ giữa can thiệp AI và kết quả học tập.

Câu hỏi nghiên cứu tương ứng:

RQ1: Hệ thống học tập cá nhân hóa dựa trên AI tác động như thế nào đến kết quả học tập của sinh viên ở các nhóm xuất phát điểm khác nhau (Beginner vs. Advanced)?
RQ2: Các thành tố cốt lõi của SRL biến đổi ra sao dưới sự hỗ trợ của AI?
RQ3: Mức độ gắn kết hành vi (engagement logs) và trình độ năng lực khởi điểm điều tiết mối quan hệ giữa can thiệp AI và kết quả học tập như thế nào?

Ba giả thuyết được hình thức hóa:

H1 (Thành tựu học tập): Nhóm can thiệp (hệ sinh thái AI cá nhân hóa) đạt điểm học phần cao hơn nhóm đối chứng (LMS tiêu chuẩn) có ý nghĩa thống kê, sau khi kiểm soát kiến thức nền tảng ban đầu. Ngưỡng kiểm định: chênh lệch 12–15%, p < .01; Cohen’s d ≥ 0.50.
H2 (Tự điều chỉnh học tập): Nhóm can thiệp duy trì hoặc cải thiện các thành tố SRL (đặc biệt siêu nhận thức và quản lý thời gian), trong khi nhóm đối chứng có thể suy giảm. Ngưỡng kiểm định: tương tác nhóm × thời gian có ý nghĩa thống kê (p < .05); η² ≥ 0.06.
H3 (Vai trò điều tiết): Mức độ gắn kết hành vi và trình độ năng lực khởi điểm điều tiết mối quan hệ giữa can thiệp AI và kết quả học tập; sinh viên yếu thế (Beginner) hưởng lợi lớn nhất từ giàn giáo nhận thức của AI. Ngưỡng kiểm định: hệ số tương tác trong SEM có ý nghĩa thống kê (p < .05); ΔR² ≥ 0.02.

Bảng 3. Ánh xạ Mục tiêu – Câu hỏi NC – Giả thuyết – Phương pháp – Ngưỡng kiểm định

Mục tiêu	Câu hỏi NC	Giả thuyết	Phương pháp phân tích	Ngưỡng kiểm định
MT1	RQ1	H1: Nhóm can thiệp đạt điểm cao hơn	ANCOVA (kiểm soát prior knowledge)	Chênh lệch 12–15%; p < .01; d ≥ 0.50
MT2	RQ2	H2: Nhóm can thiệp duy trì/cải thiện SRL	Mixed-effects model (nhóm × thời gian)	Tương tác có ý nghĩa (p < .05); η² ≥ 0.06
MT3	RQ3	H3: Engagement và baseline điều tiết	SEM với biến điều tiết	Hệ số tương tác p < .05; ΔR² ≥ 0.02

1.3. Phạm vi Nghiên cứu (Scope)

Phạm vi lý thuyết giới hạn ở thiết kế hệ thống học tập cá nhân hóa tích hợp AI cho giáo dục đại học, dựa trên lý thuyết SRL của Zimmerman (2002), Lý thuyết Tải nhận thức của Sweller và cộng sự (2011), khung ICAP của Chi và Wylie (2014), và khung Hybrid Human-AI Regulated Learning (HHAIRL) — sẽ được triển khai chi tiết trong §2.5. Phạm vi thực nghiệm đề xuất giới hạn ở 200 sinh viên năm thứ nhất khối ngành công nghệ/kỹ thuật trong môn học “Nhập môn Lập trình” tại một trường đại học công lập Việt Nam, trong 15 tuần, giai đoạn 2020–2026.

2. CƠ SỞ LÝ THUYẾT TÍCH HỢP (INTEGRATED THEORETICAL FOUNDATIONS)

2.1. Phân định Khái niệm: Personalized Learning và Adaptive Learning

Hai khái niệm thường bị sử dụng lẫn lộn trong y văn cần được phân định rõ ràng. Personalized Learning (Học tập cá nhân hóa) đặt người học làm trung tâm, nhấn mạnh vào quyền tự quyết và tiếng nói của người học trong việc lựa chọn mục tiêu, phương pháp và nhịp độ học tập. Trong mô hình này, công nghệ đóng vai trò hỗ trợ người học đưa ra quyết định sáng suốt hơn, chứ không thay thế quyết định đó. Adaptive Learning (Học tập thích ứng) là một tập con của personalized learning, trong đó hệ thống tự động điều chỉnh độ khó, tài nguyên và lộ trình dựa trên thuật toán phân tích hành vi — thường không có sự tham gia chủ động của người học trong quyết định điều chỉnh.

Sự phân định này có hàm ý thiết kế quan trọng: nếu hệ thống chỉ là adaptive mà không personalized, nguy cơ suy giảm learner agency là hiện hữu. Ngược lại, nếu hệ thống được thiết kế để người học chủ động đặt mục tiêu, tự giám sát tiến độ và quyết định khi nào cần hỗ trợ, thì AI có thể đóng vai trò giàn giáo nhận thức có kiểm soát.

2.2. Lý thuyết Tự điều chỉnh Học tập (Self-Regulated Learning – SRL)

Mô hình chu trình ba pha của Zimmerman (2002) xác lập nền tảng lý thuyết cho nghiên cứu này: Pha Dự tính trước (Forethought Phase) bao gồm phân tích nhiệm vụ, đặt mục tiêu, lập kế hoạch chiến lược và niềm tin tự hiệu quả; Pha Thực hiện/Kiểm soát (Performance Phase) bao gồm tự giám sát, tự hướng dẫn và điều chỉnh chiến lược trong quá trình thực hiện nhiệm vụ; Pha Tự phản hồi (Self-Reflection Phase) bao gồm tự đánh giá và phản ứng cảm xúc với kết quả.

Trong môi trường AI, mỗi pha của chu trình SRL có thể được hỗ trợ hoặc bị triệt tiêu tùy thuộc vào thiết kế hệ thống. Nếu AI tự động đặt mục tiêu và lập kế hoạch thay người học, Pha Dự tính trước bị triệt tiêu. Nếu AI cung cấp phản hồi ngay lập tức mỗi khi người học gặp khó khăn, Pha Thực hiện có thể bị gián đoạn bởi sự phụ thuộc. Ngược lại, nếu AI đặt câu hỏi gợi mở (Socratic prompting) để người học tự suy nghĩ trước khi nhận gợi ý, hoặc nếu AI nhắc nhở người học tự đánh giá sau khi hoàn thành nhiệm vụ, thì nó đang củng cố SRL thay vì triệt tiêu.

Nghiên cứu của Xu và cộng sự (2025) cung cấp bằng chứng thực nghiệm cho luận điểm này: trong môi trường GenAI, sinh viên không nhận hỗ trợ siêu nhận thức có nguy cơ giảm mức độ SRL, trong khi nhóm nhận hỗ trợ siêu nhận thức duy trì và cải thiện năng lực SRL, đặc biệt ở chiến lược nhiệm vụ (ES = +0.69) và tự đánh giá (ES = +0.53). Điều này cho thấy SRL không phải là thuộc tính cố định của người học mà là một tập hợp các kỹ năng có thể được nuôi dưỡng — hoặc bị xói mòn — bởi thiết kế môi trường học tập.

Phân định SRL và Learner Agency: Cần phân biệt SRL (quá trình tâm lý nhận thức) với learner agency (quyền tự quyết trong việc đưa ra quyết định về học tập). Một sinh viên có thể có SRL cao (biết cách lập kế hoạch, tự giám sát) nhưng vẫn thiếu learner agency nếu hệ thống không cho phép họ đưa ra quyết định về mục tiêu và phương pháp học tập. Ngược lại, một sinh viên có thể có learner agency cao (được tự chọn mục tiêu) nhưng thiếu SRL (không biết cách thực hiện). Nghiên cứu này đo lường cả hai: SRL qua MSLQ, và learner agency qua phỏng vấn định tính và quan sát hành vi trong hệ thống.

Giới hạn của SRL khi tác nhân giàn giáo là AI: Cần lưu ý rằng lý thuyết SRL giả định một tác nhân giàn giáo có khả năng đọc ngữ cảnh cảm xúc, nhận diện trạng thái nhận thức của người học và điều chỉnh hỗ trợ một cách linh hoạt. AI hiện tại — dù có khả năng tạo sinh mạnh mẽ — vẫn thiếu khả năng đọc ngữ cảnh cảm xúc và nhận diện chính xác trạng thái nhận thức của người học. Do đó, AI có thể đảm nhận vai trò giàn giáo ở cấp độ kỹ thuật (gợi ý cấu trúc, phát hiện lỗi, tạo mẫu) nhưng không thể thay thế giàn giáo ở cấp độ cảm xúc và quan hệ (động viên, điều chỉnh nhịp độ dựa trên quan sát tinh tế). Đây là lý do vì sao nghiên cứu này đặt con người ở vị trí trung tâm của phán đoán sư phạm, còn AI ở vị trí hỗ trợ kỹ thuật có cấu trúc.

2.3. Lý thuyết Tải nhận thức và Giàn giáo Sư phạm trong Môi trường số

Lý thuyết Tải nhận thức (Cognitive Load Theory) của Sweller và cộng sự (2011) phân biệt ba loại tải: tải nội tại (intrinsic load — độ phức tạp của tài liệu), tải ngoại lai (extraneous load — do thiết kế trình bày kém hiệu quả), và tải có lợi (germane load — nỗ lực nhận thức cần thiết để hình thành lược đồ). Trong môi trường AI, một trong những rủi ro chính là AI có thể loại bỏ tải có lợi bằng cách cung cấp câu trả lời ngay lập tức, triệt tiêu cơ chế hình thành lược đồ — điều mà OECD (2026) mô tả là “ủy thác nhận thức” (cognitive offloading). Báo cáo OECD nhấn mạnh: “Routine delegation of tasks such as drafting, summarising or problem-solving to GenAI, known as cognitive offloading, risks displacing the thinking through which skills are built. Frequent GenAI use has been linked to weaker critical thinking.”

Tuy nhiên, không phải mọi sự hỗ trợ của AI đều có hại. Vygotsky (1978) với khái niệm Vùng Phát triển Gần nhất (Zone of Proximal Development – ZPD) và giàn giáo (scaffolding) cho thấy học tập hiệu quả nhất xảy ra khi người học được hỗ trợ trong vùng mà họ chưa thể tự mình hoàn thành nhưng có thể hoàn thành với giàn giáo phù hợp. AI, nếu được thiết kế như giàn giáo — gợi ý tiệm tiến, đặt câu hỏi dẫn dắt, tạo xung đột nhận thức — sẽ phục vụ ZPD.

Điểm mấu chốt nằm ở cơ chế “fading” (giảm dần): giàn giáo hiệu quả là giàn giáo được tháo dỡ khi năng lực của người học tăng lên. Trong môi trường AI, cơ chế này cần được thiết kế có chủ đích: AI phải giảm dần mức độ can thiệp khi hệ thống nhận diện rằng người học đã có thể tự thực hiện nhiệm vụ. Nếu không có fading, AI sẽ tạo ra sự phụ thuộc vĩnh viễn — chính là “lười biếng siêu nhận thức” mà Fan và cộng sự (2025) cảnh báo.

2.4. Khung Gắn kết Nhận thức ICAP và Hàm ý cho Thiết kế AI

Khung ICAP (Interactive – Constructive – Active – Passive) của Chi và Wylie (2014) phân loại mức độ gắn kết nhận thức của người học, với giả thuyết rằng học tập tăng lên khi người học chuyển từ thụ động sang chủ động, kiến tạo và tương tác. Trong môi trường AI, khung này cung cấp tiêu chí thiết kế quan trọng: AI nên khuyến khích người học ở trạng thái Interactive (tương tác với AI để phản biện, đặt câu hỏi, kiến tạo) thay vì Passive (nhận câu trả lời mà không xử lý).

2.5. Khung Hybrid Human-AI Regulated Learning (HHAIRL)

Khung HHAIRL (Hybrid Human-AI Regulated Learning) — được phát triển trong dòng nghiên cứu về học tập tự điều chỉnh trong môi trường AI — cung cấp nền tảng khái niệm để hiểu cách thức phân chia lao động nhận thức giữa người học và hệ thống AI. Khung này xuất phát từ quan sát rằng trong môi trường học tập tích hợp AI, quá trình điều chỉnh học tập không còn là hoạt động thuần túy của cá nhân người học, mà là kết quả của sự tương tác giữa ba tác nhân: (1) người học với năng lực tự điều chỉnh của mình; (2) hệ thống AI với các thuật toán giám sát và gợi ý; và (3) giảng viên với vai trò thiết kế sư phạm và can thiệp khi cần.

HHAIRL phân biệt ba mức độ phân chia quyền điều chỉnh:

AI-regulated (AI điều chỉnh hoàn toàn): Hệ thống tự động đặt mục tiêu, điều chỉnh lộ trình và cung cấp phản hồi mà không có sự tham gia của người học. Mức độ này có nguy cơ triệt tiêu SRL cao nhất — tương ứng với “lười biếng siêu nhận thức” mà Fan và cộng sự (2025) cảnh báo.
Co-regulated (Đồng điều chỉnh): Người học và AI chia sẻ quyền điều chỉnh; AI gợi ý nhưng người học quyết định; hệ thống đặt câu hỏi gợi mở thay vì cung cấp đáp án. Mức độ này được kỳ vọng là tối ưu cho việc nuôi dưỡng SRL.
Self-regulated (Người học tự điều chỉnh hoàn toàn): Người học chủ động kiểm soát toàn bộ quá trình, AI chỉ đóng vai trò công cụ tra cứu. Mức độ này phù hợp với sinh viên đã có năng lực SRL cao.

Khung HHAIRL được vận hành hóa trong nghiên cứu này qua ba thành phần:

Mức độ can thiệp AI (AI intervention intensity) — đo lường qua tần suất gợi ý hệ thống đưa ra, tỷ lệ fading được kích hoạt, và số lần người học từ chối gợi ý. Đây là biến số thiết kế hệ thống, được kiểm soát bởi nhóm nghiên cứu.
Mức độ gắn kết hành vi (behavioral engagement) — đo lường qua engagement logs: tần suất truy cập, thời lượng phản tư, tỷ lệ làm bài chủ động, số lần yêu cầu trợ giúp.
Chuyển dịch quyền điều chỉnh (regulatory shift) — đo lường qua sự thay đổi tỷ lệ self-regulated so với co-regulated theo thời gian, thông qua phân tích system telemetry.

Lưu ý về trạng thái phát triển của HHAIRL: Khung HHAIRL là một khung lý thuyết đang phát triển. Trong phạm vi tìm kiếm công khai của nhóm tác giả, chưa thấy nghiên cứu thực nghiệm nào kiểm định hiệu quả của HHAIRL trong bối cảnh giáo dục đại học Việt Nam. Do đó, việc sử dụng HHAIRL làm nền tảng lý thuyết trong nghiên cứu này mang tính đề xuất khung phân tích, không phải khẳng định một lý thuyết đã được kiểm chứng đầy đủ.

2.6. Kiến trúc Hệ thống Can thiệp: Mô hình 4 Lớp

Để vận hành hóa các nguyên lý lý thuyết trên, nghiên cứu đề xuất kiến trúc Hệ thống Học tập Cá nhân hóa Thông minh 4 lớp:

Lớp 1 – Thu thập Dữ liệu (Data Collection): Dữ liệu clickstream, thời gian phản hồi, nhật ký prompt, bài kiểm tra vi mô, và chỉ số tự báo cáo SRL.
Lớp 2 – Phân tích (Analysis): Khai phá dữ liệu giáo dục (Educational Data Mining – EDM), mô hình hóa người học thông qua Knowledge Tracing (BKT, DKT) và mạng xác suất Bayesian để dự đoán lỗ hổng kiến thức và trạng thái SRL.
Lớp 3 – Ra quyết định (Decision): Động cơ suy luận đề xuất lộ trình học tập tối ưu và mức độ can thiệp AI phù hợp theo thời gian thực, dựa trên nguyên tắc fading.
Lớp 4 – Tương tác (Interaction): Giao diện tương tác thích ứng, hệ thống gợi ý, và trợ lý ảo đối thoại sử dụng Socratic prompting — đặt câu hỏi gợi mở thay vì cung cấp đáp án.

2.7. Đối thoại với các Lý thuyết Cạnh tranh (Dialogue with Competing Theories)

Để đảm bảo tính phản biện, mục này thảo luận ngắn gọn ba khung lý thuyết cạnh tranh và lý do nghiên cứu không chọn chúng làm nền tảng chính:

Lý thuyết Hoạt động (Activity Theory – Engeström): Nhấn mạnh hệ thống hoạt động tập thể với các nút thắt (contradictions) giữa chủ thể, công cụ, cộng đồng và phân công lao động. Khung này có giá trị phân tích thể chế, nhưng khó vận hành hóa thành các chiều kích đo lường cá nhân như mục tiêu của nghiên cứu này.

Nhận thức Phân tán (Distributed Cognition – Hutchins): Cho rằng nhận thức không nằm trong cá nhân mà phân tán giữa người, công cụ và môi trường. Quan điểm này tương thích với ý tưởng “đối tác nhận thức”, nhưng nếu lấy làm nền tảng chính sẽ làm mờ ranh giới trách nhiệm giải trình — điều mà nghiên cứu này muốn giữ vững thông qua việc đo lường SRL.

Sư phạm Phê phán (Critical Pedagogy – Freire, Giroux): Đặt vấn đề với mọi mô hình giáo dục có nguy cơ củng cố quan hệ quyền lực hiện có. Phê phán này đặc biệt quan trọng với AI cá nhân hóa: nếu hệ thống được thiết kế bởi các tập đoàn lớn và triển khai trong các cơ sở giáo dục có cấu trúc quyền lực bất bình đẳng, nó có thể củng cố thay vì thách thức các bất bình đẳng đó. OECD (2026) cũng xác nhận mối lo ngại về equity: “unequal access to advanced GenAI tools may reinforce existing inequalities between individuals and institutions.”

Hàm ý thực tiễn của Critical Pedagogy cho thiết kế hệ thống: Để phản hồi phê phán này, hệ thống AI cá nhân hóa cần được thiết kế với ba nguyên tắc: (1) minh bạch thuật toán — sinh viên phải hiểu tại sao hệ thống đề xuất lộ trình đó; (2) quyền từ chối — sinh viên có thể từ chối gợi ý của AI và tự chọn lộ trình khác; (3) đa dạng nguồn tri thức — hệ thống không chỉ dựa trên một nguồn dữ liệu duy nhất mà tích hợp nhiều quan điểm. Nghiên cứu này đưa ba nguyên tắc này vào thiết kế Module Trợ lý Đồng hành Nhận thức (xem §4.1).

Việc chọn SRL, Cognitive Load Theory, ICAP và HHAIRL làm nền tảng chính không phủ nhận giá trị của ba khung trên, mà phản ánh ưu tiên vận hành hóa và định hướng quy phạm của nghiên cứu.

3. TỔNG QUAN NGHIÊN CỨU VÀ KHOẢNG TRỐNG (LITERATURE REVIEW AND RESEARCH GAP)

3.0. Chiến lược Tìm kiếm Tài liệu (Search Strategy)

Tổng quan này được thực hiện qua tìm kiếm có hệ thống tối thiểu trên các cơ sở dữ liệu Scopus, Web of Science, ERIC và Google Scholar, với các từ khóa: (“AI personalized learning” OR “adaptive learning” OR “intelligent tutoring system”) AND (“self-regulated learning” OR “SRL” OR “metacognition”) AND (“higher education” OR “university students”); (“generative AI” OR “ChatGPT”) AND (“self-regulated learning” OR “metacognitive” OR “learning achievement”); và (“AI” AND “Vietnam” AND “higher education”). Khung thời gian: 2020–2026. Tiêu chí bao gồm: bài báo bình duyệt, tiếng Anh hoặc tiếng Việt, liên quan trực tiếp đến tác động của AI cá nhân hóa đến kết quả học tập và SRL. Tiêu chí loại trừ: bài xã luận, bài báo cáo hội thảo không bình duyệt, nghiên cứu chỉ tập trung vào K-12. Kết quả ban đầu: 312 bản ghi; sau khi loại trùng lặp và sàng lọc tiêu đề/tóm tắt: 45 bài được đưa vào tổng quan.

3.1. Tiến trình Công nghệ Cá nhân hóa AI trong Giáo dục

Sự phát triển của các hệ thống học tập cá nhân hóa đã trải qua ba giai đoạn chính. Giai đoạn thứ nhất (trước 2020) chứng kiến sự thống trị của các Hệ thống Gia sư Thông minh (ITS) dựa trên mô hình hóa người học và Knowledge Tracing. Giai đoạn thứ hai (2020–2022) mở rộng sang Learning Analytics và các hệ thống cảnh báo sớm. Giai đoạn thứ ba (2023–2026) được đánh dấu bởi sự tích hợp của LLM và AI tác tử, cho phép tương tác đối thoại tự nhiên, phản hồi ngữ cảnh và giàn giáo nhận thức theo thời gian thực.

Tổng quan hệ thống của Xia và cộng sự (2026) trên 73 bài báo thực nghiệm cho thấy phần lớn các nghiên cứu sử dụng chatbot như ChatGPT để hỗ trợ SRL, bên cạnh các ứng dụng GenAI khác như hệ thống gia sư thông minh, AI coach/virtual-human, và AI visual feedback. Kết quả tổng quan xác định ba phát hiện thực nghiệm chính: (1) GenAI có thể hỗ trợ các hoạt động học tập cho SRL ở cả ba pha; (2) sinh viên có thể tham gia hoặc không tham gia vào các hoạt động này, chịu ảnh hưởng bởi các chiều kích cá nhân và môi trường; (3) hiệu quả phụ thuộc vào thiết kế sư phạm và mức độ hỗ trợ siêu nhận thức.

3.2. Bức tranh Tác động Thực nghiệm: Hai mặt của Can thiệp AI

Bằng chứng thực nghiệm về tác động của AI cá nhân hóa đến kết quả học tập và SRL là không đồng nhất, phản ánh bản chất hai mặt của can thiệp công nghệ.

Mặt tích cực: Các nghiên cứu tổng quan hệ thống cho thấy GenAI có thể hỗ trợ SRL ở cả ba pha của chu trình Zimmerman. Xia và cộng sự (2026) xác định rằng GenAI có thể hỗ trợ các hoạt động học tập cho SRL ở pha dự tính trước (đặt mục tiêu, lập kế hoạch chiến lược), pha thực hiện (quản lý thời gian, chiến lược nhiệm vụ, tìm kiếm trợ giúp), và pha tự phản hồi (tự đánh giá).

Mặt rủi ro: Nghiên cứu của Fan và cộng sự (2025) đã chỉ ra rằng sinh viên sử dụng ChatGPT có thể đạt điểm bài viết cao hơn nhưng không cải thiện kiến thức và khả năng chuyển giao, đồng thời có nguy cơ phát triển “lười biếng siêu nhận thức”. OECD (2026) cũng cảnh báo rằng việc ủy thác thường xuyên các tác vụ cho GenAI có nguy cơ thay thế quá trình tư duy mà qua đó kỹ năng được hình thành, và việc sử dụng GenAI thường xuyên có liên quan đến tư duy phản biện yếu hơn, với hiệu ứng rõ rệt nhất ở người dùng trẻ.

Sự không đồng nhất này cho thấy một điều quan trọng: hiệu quả của AI cá nhân hóa không phụ thuộc vào bản thân công nghệ mà vào thiết kế sư phạm của hệ thống. Cùng một công cụ AI có thể là giàn giáo nhận thức nếu được thiết kế để thúc đẩy SRL, hoặc là công cụ triệt tiêu học tập nếu được thiết kế để tối đa hóa sự tiện lợi.

3.3. Khoảng trống Nghiên cứu (Research Gap)

Từ tổng quan trên, ba khoảng trống được xác định trong phạm vi tìm kiếm công khai của nhóm tác giả (Scopus, WoS, ERIC, Google Scholar, 2020–2026):

KG1: Phần lớn nghiên cứu thực nghiệm tập trung vào các nước phát triển; chưa thấy nghiên cứu thực nghiệm dài hạn tại bối cảnh văn hóa học tập phụ thuộc nhiều vào giảng viên như Việt Nam. OECD (2026) xác nhận rằng “hầu hết các kết quả hiện tại dựa trên các can thiệp rất ngắn thay vì sử dụng GenAI liên tục, lặp lại trong thời gian dài hơn” — điều này củng cố thêm khoảng trống nghiên cứu dài hạn trên phạm vi toàn cầu, nhưng chưa có bằng chứng trực tiếp về Việt Nam.

KG2: Chưa thấy nghiên cứu kết hợp phân tích đa chiều giữa nhật ký tương tác hệ thống (system telemetry) với bảng hỏi đo lường tâm lý học nhận thức (MSLQ) trong bối cảnh Việt Nam.

KG3: Chưa thấy nghiên cứu xác định “ngưỡng can thiệp tối ưu” của AI trong bối cảnh Việt Nam — tức là mức độ và thời điểm hỗ trợ nào là tối ưu để vừa nâng cao kết quả học tập vừa bảo toàn SRL.

4. MÔ HÌNH NGHIÊN CỨU VÀ HỆ THỐNG CAN THIỆP (RESEARCH MODEL AND INTERVENTION ECOSYSTEM)

4.1. Cấu trúc Hệ thống Can thiệp (Intervention Ecosystem)

Module Phân tầng Đầu vào (Input Stratification Module): Đánh giá năng lực nền tảng và phong cách giải quyết vấn đề của sinh viên để phân nhóm khởi điểm (Beginner, Intermediate, Advanced).

Module Lộ trình Động (Dynamic Learning Pathways): Tự động điều chỉnh cây mục tiêu học tập (Knowledge Graph) theo năng lực cá nhân, sử dụng Knowledge Tracing để dự đoán lỗ hổng kiến thức và đề xuất bài tập tiếp theo với độ khó phù hợp trong ZPD.

Module Trợ lý Đồng hành Nhận thức (Cognitive Scaffolding Agent): Trợ lý AI đặt câu hỏi kích thích tư duy gợi mở (Socratic prompting) thay vì cung cấp ngay đáp án. Cơ chế fading được vận hành theo quy tắc: mức độ gợi ý giảm dần khi hệ thống nhận diện người học đã có thể tự giải quyết vấn đề. Cụ thể, hệ thống theo dõi tỷ lệ giải quyết thành công không cần gợi ý trong 3 phiên liên tiếp; nếu tỷ lệ ≥ 80%, mức độ gợi ý giảm 25%; nếu tỷ lệ ≤ 40%, mức độ gợi ý tăng 25%. Module này được thiết kế theo ba nguyên tắc của Critical Pedagogy: minh bạch thuật toán, quyền từ chối, và đa dạng nguồn tri thức.

Module Dashboard Cảnh báo Sớm và Phản tư (Learning Analytics Dashboard): Cung cấp chỉ số trực quan giúp sinh viên tự theo dõi mức độ chủ động, thời gian học tập, và tiến trình của bản thân.

4.2. Hệ thống Biến số Nghiên cứu (Conceptual Framework)

Bảng 1. Hệ thống biến số nghiên cứu

Loại biến	Biến số	Cách đo lường
Biến độc lập	Phương thức học tập	Học tập truyền thống/LMS tiêu chuẩn vs. Hệ sinh thái học tập cá nhân hóa AI
Biến phụ thuộc 1	Kết quả học tập	Điểm kiểm tra định kỳ, điểm đánh giá kỹ năng thực hành lập trình, tỷ lệ duy trì khóa học
Biến phụ thuộc 2	Năng lực tự điều chỉnh (SRL)	Các chiều cạnh theo bảng hỏi MSLQ
Biến phụ thuộc 3	Learner Agency	Phỏng vấn định tính + quan sát hành vi trong hệ thống
Biến điều tiết 1	Mức độ gắn kết hành vi	Engagement logs: tần suất truy cập, thời lượng phản tư, tỷ lệ làm bài chủ động
Biến điều tiết 2	Trình độ năng lực khởi điểm	Prior Knowledge (bài kiểm tra đầu vào)
Biến kiểm soát (thiết kế)	Mức độ can thiệp AI	Số gợi ý hệ thống đưa ra/tuần; tỷ lệ fading được kích hoạt; được kiểm soát bởi nhóm nghiên cứu

5. PHƯƠNG PHÁP NGHIÊN CỨU (RESEARCH METHODOLOGY)

5.1. Thiết kế Nghiên cứu (Research Design)

Nghiên cứu sử dụng thiết kế bán thực nghiệm kết hợp phương pháp hỗn hợp hội tụ (Convergent Mixed-Methods Design). Nhóm đối chứng (N = 100) học theo LMS tiêu chuẩn; nhóm thực nghiệm (N = 100) trải nghiệm nền tảng học tập cá nhân hóa tích hợp AI.

Power Analysis: Với N = 200 (100/100), giả định effect size d = 0.5, α = 0.05, power mong muốn = 0.80, cỡ mẫu cần thiết là n ≈ 64 mỗi nhóm. Với n = 100 mỗi nhóm, power ước tính đạt ≈ 0.94 — vượt ngưỡng yêu cầu.

Pre-registration: Thiết kế nghiên cứu, giả thuyết, kế hoạch phân tích và ngưỡng kiểm định sẽ được đăng ký trước trên Open Science Framework (OSF) trước khi thu thập dữ liệu, nhằm tăng tính minh bạch và giảm nguy cơ thiên lệch công bố (publication bias).

Đạo đức nghiên cứu: Nghiên cứu sẽ được phê duyệt bởi hội đồng đạo đức của trường. Tất cả người tham gia ký informed consent và được thông báo về quyền rút khỏi nghiên cứu bất cứ lúc nào.

5.2. Mẫu Nghiên cứu (Sample)

Mẫu gồm 200 sinh viên năm thứ nhất thuộc khối ngành công nghệ/kỹ thuật tham gia môn học “Nhập môn Lập trình” tại một trường đại học công lập Việt Nam. Tiêu chí chọn mẫu: chưa có kinh nghiệm lập trình trước đó, có kinh nghiệm sử dụng AI ở mức cơ bản.

Phân bổ ngẫu nhiên có kiểm soát theo tầng (Stratified Randomization): Sinh viên được phân tầng theo trình độ năng lực khởi điểm (Beginner, Intermediate, Advanced dựa trên bài kiểm tra đầu vào) và sau đó được phân bổ ngẫu nhiên vào nhóm thực nghiệm hoặc đối chứng trong mỗi tầng, đảm bảo cân bằng về năng lực giữa hai nhóm.

5.3. Quy trình Can thiệp (Intervention Process)

Can thiệp kéo dài 15 tuần, trải qua ba giai đoạn: (1) Khởi động và Đánh giá Nền tảng (tuần 1–2); (2) Học tập Chính (tuần 3–13); (3) Đánh giá Tổng kết (tuần 14–15).

5.4. Hệ thống Đo lường Đa nguồn (Data Triangulation)

Định lượng tiền/hậu can thiệp: Bài kiểm tra chuẩn hóa năng lực lập trình và thang đo MSLQ.
Định lượng hành vi tiến trình: Khai thác nhật ký tương tác máy chủ (System logs, prompt patterns, time-on-task, số lần yêu cầu trợ giúp).
Định tính chuyên sâu: Phỏng vấn bán cấu trúc 20 sinh viên (được chọn phân tầng từ các nhóm tiến bộ vượt bậc, trung bình và nhóm gặp khó khăn).

5.5. Vận hành hóa biến số “Mức độ can thiệp AI”

Biến “mức độ can thiệp AI” (AI intervention intensity) được vận hành hóa qua ba chỉ số từ system telemetry:

Tần suất gợi ý (suggestion frequency): Số gợi ý hệ thống đưa ra mỗi tuần cho mỗi sinh viên.
Tỷ lệ fading được kích hoạt (fading activation rate): Tỷ lệ các tình huống hệ thống chủ động giảm mức độ can thiệp khi nhận diện người học đã có thể tự giải quyết vấn đề (theo quy tắc: tỷ lệ giải quyết thành công không cần gợi ý ≥ 80% trong 3 phiên liên tiếp → giảm 25% mức độ gợi ý).
Tỷ lệ từ chối gợi ý (suggestion rejection rate): Tỷ lệ sinh viên từ chối gợi ý của AI và tự chọn lộ trình khác — chỉ số này phản ánh mức độ learner agency và được phân tích như biến trung gian trong H3.

5.6. Phân tích Dữ liệu (Data Analysis)

Định lượng: Kiểm định ANCOVA (kiểm soát biến kiến thức nền tảng ban đầu), mô hình phương trình cấu trúc (SEM) để kiểm định mối quan hệ giữa can thiệp AI, SRL và kết quả học tập, với biến điều tiết là mức độ gắn kết hành vi. Mức ý nghĩa đặt ở p < .05. Báo cáo effect size (Cohen’s d, η²) và 95% confidence intervals.

Phân tích dữ liệu chuỗi thời gian (Time-series analysis): Dữ liệu system telemetry có cấu trúc chuỗi thời gian với autocorrelation. Nghiên cứu sẽ sử dụng mô hình mixed-effects với biến thời gian là biến lặp để phân tích xu hướng thay đổi hành vi theo tuần. Phương pháp này cho phép xác định thời điểm xuất hiện “ngưỡng can thiệp tối ưu” — khi sinh viên bắt đầu có dấu hiệu phụ thuộc vào gợi ý của AI.

Định tính: Phân tích chủ đề (Thematic Analysis) từ phỏng vấn, tập trung vào cơ chế tương tác Human–AI và chiến lược duy trì tự chủ nhận thức.

5.7. Kiểm định Giả thuyết (Hypothesis Testing)

Giả thuyết	Phân tích chính	Biến số	Ngưỡng kiểm định
H1: Nhóm can thiệp đạt điểm cao hơn	ANCOVA (covariate: prior knowledge)	DV: điểm học phần; IV: nhóm	Chênh lệch 12–15%; p < .01; Cohen’s d ≥ 0.50
H2: Nhóm can thiệp duy trì/cải thiện SRL	Mixed-effects model (nhóm × thời gian)	DV: MSLQ subscales; IV: nhóm, thời gian	Tương tác nhóm × thời gian p < .05; η² ≥ 0.06
H3: Engagement và baseline điều tiết	SEM với biến điều tiết	DV: điểm học phần; IV: nhóm; Moderators: engagement logs, prior knowledge	Hệ số tương tác p < .05; ΔR² ≥ 0.02

Phân tích khám phá (Exploratory analysis): Ngoài H1–H3, nghiên cứu sẽ thực hiện phân tích khám phá để xác định “ngưỡng can thiệp tối ưu” — thời điểm mà sinh viên bắt đầu có dấu hiệu phụ thuộc vào gợi ý của AI.

5.8. Xử lý Dữ liệu Khuyết, Ngoại lai và Kiểm soát Thiên lệch

Missing Data: Sử dụng Full Information Maximum Likelihood (FIML) nếu tỷ lệ thiếu < 20%; multiple imputation nếu tỷ lệ thiếu cao hơn.

Common Method Bias: Sử dụng Harman’s single-factor test; bổ sung marker variable technique nếu cần.

Outliers: Sử dụng PCA kết hợp khoảng cách Mahalanobis để phát hiện outliers đa biến trong dữ liệu system telemetry.

6. KẾT QUẢ DỰ KIẾN (ANTICIPATED RESULTS)

Lưu ý: Đây là kết quả dự kiến dựa trên bằng chứng từ y văn và logic thiết kế mô hình. Cấu trúc §6 ánh xạ trực tiếp theo H1–H3 đã khai báo ở §1.2.

6.1. Kiểm định H1: Thành tựu Học tập (Academic Achievement)

Dựa trên bằng chứng từ các nghiên cứu về hiệu quả của AI cá nhân hóa, dự kiến nhóm thực nghiệm đạt điểm trung bình môn cao hơn nhóm đối chứng có ý nghĩa thống kê (chênh lệch 12–15%, p < .01; Cohen’s d ≥ 0.50). Tỷ lệ sinh viên hoàn thành học phần dự kiến tăng từ 72% lên 88–90%. Bằng chứng bên ngoài xác nhận một phần: Fan et al. (2025) ghi nhận nhóm ChatGPT “vượt trội về điểm bài viết”; OECD (2026) xác nhận “các công cụ GenAI giáo dục phù hợp với kiến thức và khoa học giáo dục có thể dẫn đến học tập tốt hơn”.

Đối thoại với bằng chứng phản bác: Tuy nhiên, cần thận trọng khi diễn giải kết quả này. Nghiên cứu của Fan và cộng sự (2025) cho thấy điểm số cao hơn có thể không đi kèm với cải thiện kiến thức và khả năng chuyển giao. Do đó, nghiên cứu sẽ không chỉ đo điểm số mà còn đo chất lượng quá trình học tập (SRL) và khả năng chuyển giao.

6.2. Kiểm định H2: Chuyển dịch Năng lực Tự điều chỉnh (SRL Transformation)

Dựa trên nghiên cứu của Xu và cộng sự (2025), dự kiến điểm các tiểu thang đo siêu nhận thức và quản lý thời gian trong MSLQ của nhóm thực nghiệm tăng trưởng tích cực so với nhóm đối chứng (tương tác nhóm × thời gian p < .05; η² ≥ 0.06). Xu et al. (2025) ghi nhận “hỗ trợ siêu nhận thức… tăng cường năng lực tự điều chỉnh học tập của sinh viên, đặc biệt ở khía cạnh chiến lược nhiệm vụ và tự đánh giá”. H2 dự kiến được ủng hộ.

6.3. Kiểm định H3: Tác động Phân tầng và Vai trò Điều tiết (Stratified Effects and Moderation)

Dựa trên lý thuyết ZPD và giàn giáo, dự kiến nhóm sinh viên yếu thế (Beginner) hưởng lợi lớn nhất từ giàn giáo nhận thức của AI, thu hẹp khoảng cách điểm số với nhóm khá giỏi. Mức độ gắn kết hành vi dự kiến điều tiết mối quan hệ giữa can thiệp AI và kết quả học tập (hệ số tương tác p < .05; ΔR² ≥ 0.02). H3 dự kiến được ủng hộ. Lưu ý: Trong phạm vi tìm kiếm công khai, chưa thấy bằng chứng thực nghiệm trực tiếp xác nhận giả thuyết “sinh viên yếu thế hưởng lợi nhiều nhất từ giàn giáo AI” — đây là giả thuyết cần kiểm chứng.

6.4. Phát hiện Bổ sung: Ngưỡng Can thiệp Tối ưu (Exploratory Finding)

Ngoài H1–H3, phân tích khám phá dự kiến sẽ phát hiện “ngưỡng can thiệp”: việc trợ lý AI đưa ra gợi ý quá nhanh ở giai đoạn đầu có thể tạo thói quen tìm kiếm sự trợ giúp thụ động nếu thiếu thiết kế sư phạm hạn chế tần suất giải đáp trực tiếp. Đây là phát hiện bổ sung, không thuộc H1–H3.

Bảng 4. Kết quả dự kiến về thành tựu học tập và SRL (theo H1–H3)

Giả thuyết	Kết quả dự kiến	Ngưỡng kiểm định	Trạng thái dự kiến	Bằng chứng bên ngoài
H1	Nhóm can thiệp đạt điểm cao hơn 12–15%	p < .01; d ≥ 0.50	Được ủng hộ	Fan et al. (2025); OECD (2026) — xác nhận một phần
H2	Nhóm can thiệp duy trì/cải thiện SRL	Tương tác p < .05; η² ≥ 0.06	Được ủng hộ	Xu et al. (2025); Xia et al. (2026) — xác nhận mạnh
H3	Beginner hưởng lợi lớn nhất; engagement điều tiết	Hệ số tương tác p < .05; ΔR² ≥ 0.02	Được ủng hộ	Chưa có bằng chứng trực tiếp — giả thuyết cần kiểm chứng

Bảng 5. Kịch bản kết quả thay thế và hàm ý

Kịch bản	Hàm ý lý thuyết	Hàm ý thực tiễn
H2 bị bác bỏ (SRL suy giảm ở cả hai nhóm)	Thiết kế fading chưa đủ mạnh; AI vẫn triệt tiêu SRL	Cần tăng cường Socratic prompting và giảm tần suất gợi ý
H1 được ủng hộ nhưng H2 bị bác bỏ	Điểm cao nhưng SRL suy giảm — xác nhận metacognitive laziness	Cần đo lường quá trình, không chỉ kết quả
H3 không được ủng hộ (không có điều tiết)	Hiệu quả AI đồng đều — không phụ thuộc năng lực khởi điểm	Cần xem xét lại lý thuyết ZPD trong môi trường AI

7. THẢO LUẬN (DISCUSSION)

7.1. Đối thoại với các Công bố Quốc tế (Dialogue with International Literature)

Kết quả dự kiến của nghiên cứu này sẽ được đối chiếu với các phát hiện từ nghiên cứu về metacognitive laziness của Fan và cộng sự (2025), nghiên cứu về hỗ trợ siêu nhận thức của Xu và cộng sự (2025), và tổng quan hệ thống của Xia và cộng sự (2026). Điểm tương đồng dự kiến nằm ở việc xác nhận rằng AI cá nhân hóa có thể cải thiện kết quả học tập ngắn hạn, nhưng hiệu quả dài hạn phụ thuộc vào việc bảo toàn SRL.

Thừa nhận khác biệt thiết kế: Cần thừa nhận rằng các nghiên cứu đối sánh có thiết kế khác biệt đáng kể so với nghiên cứu này. Fan và cộng sự (2025) sử dụng thiết kế thực nghiệm ngẫu nhiên (RCT) — mạnh hơn về kiểm soát nội tại nhưng không rõ thời gian can thiệp và bối cảnh quốc gia. Xu và cộng sự (2025) sử dụng bán thực nghiệm với N = 68 (35/33) trong 4 tuần — ngắn hơn nhiều so với 15 tuần của nghiên cứu này, và không có telemetry. Xia và cộng sự (2026) là tổng quan hệ thống, không phải thực nghiệm. Do đó, nghiên cứu này bổ sung giá trị ở ba điểm: (1) thời gian can thiệp dài hơn (15 tuần vs. 4 tuần của Xu et al.); (2) quy mô lớn hơn (N = 200 vs. N = 68 của Xu et al.); (3) bối cảnh văn hóa Việt Nam — chưa được nghiên cứu trước đây trong phạm vi tìm kiếm công khai.

Tương tác giữa văn hóa Nho giáo và giàn giáo AI: Một khía cạnh lý thuyết quan trọng cần thảo luận là cách văn hóa học tập Việt Nam — chịu ảnh hưởng Nho giáo với sự tôn trọng thẩm quyền và e ngại tranh biện — có thể tương tác với giàn giáo AI theo cách khác với mẫu phương Tây. Sinh viên Việt Nam có thể dễ chấp nhận gợi ý của AI hơn (do AI được nhận thức như “thẩm quyền tri thức”), nhưng cũng có thể ít chủ động đặt câu hỏi phản biện hơn. Điều này có hàm ý thiết kế: hệ thống AI cá nhân hóa cần được thiết kế để khuyến khích hành vi phản biện một cách tinh tế, phù hợp với văn hóa — ví dụ, thông qua Socratic prompting nhưng với ngôn ngữ khuyến khích thay vì thách thức trực diện. Đây là giả thuyết lý thuyết cần được kiểm chứng thực nghiệm trong nghiên cứu này.

7.2. Bản chất của Giàn giáo Công nghệ (Technological Scaffolding)

Một đóng góp lý thuyết quan trọng của nghiên cứu là làm rõ rằng AI không thể thay thế thiết kế sư phạm. Hiệu quả của hệ thống phụ thuộc vào cơ chế fading — giảm dần mức độ hỗ trợ khi năng lực của sinh viên tăng lên — nhằm bảo đảm quyền tự quyết của người học. Lưu ý: Trong phạm vi tìm kiếm công khai, chưa thấy nghiên cứu thực nghiệm trực tiếp kiểm định cơ chế fading trong môi trường AI cá nhân hóa — đây là đề xuất lý thuyết của bản thảo, cần kiểm chứng.

7.3. Hàm ý Chính sách và Quản trị Giáo dục (Policy and Governance Implications)

Tái định vị vai trò của giảng viên: Giảng viên chuyển từ người truyền đạt kiến thức đơn thuần sang “kiến trúc sư trải nghiệm học tập” và huấn luyện viên học tập (learning coach). Điều này đòi hỏi nhu cầu cấp thiết về đào tạo năng lực số và kỹ năng tương tác sư phạm với AI cho đội ngũ giảng viên.

Xây dựng chính sách sử dụng AI có trách nhiệm: Kết quả nghiên cứu có thể cung cấp bằng chứng cho việc xây dựng hướng dẫn sử dụng AI trong giảng dạy và học tập, bao gồm các nguyên tắc về fading, Socratic prompting, và giám sát mức độ phụ thuộc của sinh viên.

Chi phí và quy trình triển khai: Hệ thống AI cá nhân hóa có thể được triển khai theo mô hình từng bước: (1) pilot ở quy mô nhỏ (1–2 lớp); (2) mở rộng sang các môn học khác; (3) tích hợp vào hệ thống LMS của trường.

Đo lường learning gain: Nghiên cứu sẽ sử dụng ba chỉ số: (1) absolute gain; (2) normalized gain (g = (post − pre)/(100 − pre)); và (3) learning gain theo chuẩn đầu ra.

7.4. Hạn chế và Chiều Phản tư (Limitations and Reflexivity)

Hạn chế về thiết kế: Bản thảo này trình bày một đề xuất nghiên cứu; các kết quả dự kiến cần được kiểm chứng thực nghiệm. Mẫu 200 sinh viên từ một trường đại học công lập có thể không đại diện cho toàn bộ hệ thống giáo dục đại học Việt Nam.

Hạn chế về đo lường: Thang đo MSLQ là tự báo cáo và có thể bị ảnh hưởng bởi thiên lệch mong muốn xã hội. Kết hợp với system telemetry giúp giảm thiểu nhưng không loại bỏ hoàn toàn hạn chế này.

Chiều phản tư: Tác giả thừa nhận rằng nghiên cứu được thiết kế với giả định rằng AI có thể là giàn giáo nhận thức nếu được thiết kế đúng. Tuy nhiên, cần thừa nhận khả năng rằng trong một số bối cảnh, lợi ích của AI cá nhân hóa có thể không bù đắp được chi phí nhận thức và rủi ro phụ thuộc — đặc biệt với sinh viên có năng lực tự điều chỉnh thấp.

8. KẾT LUẬN (CONCLUSION)

Nghiên cứu này đề xuất một khung phân tích đa chiều bốn trục để đánh giá tác động của hệ thống học tập cá nhân hóa dựa trên AI đến kết quả học tập và năng lực tự điều chỉnh của sinh viên đại học Việt Nam. Khung này tích hợp chiều Sư phạm & Tâm lý học nhận thức, Công nghệ & Kỹ thuật, Thực thi & Dữ liệu hành vi, và Quản trị giáo dục & Đạo đức công nghệ.

Đóng góp lý thuyết của nghiên cứu là làm rõ nghịch lý công nghệ – sư phạm: AI cá nhân hóa có thể vừa là giàn giáo nhận thức vừa là công cụ triệt tiêu học tập, tùy thuộc vào thiết kế sư phạm. Cơ chế fading — giảm dần mức độ hỗ trợ khi năng lực tăng — là nguyên tắc thiết kế cốt lõi để bảo toàn quyền tự quyết của người học. Đóng góp thực tiễn là cung cấp thiết kế bán thực nghiệm có power analysis, đo lường đa nguồn, và kế hoạch phân tích dữ liệu có thể được các trường đại học sử dụng để đánh giá hiệu quả của các giải pháp AI cá nhân hóa trước khi triển khai diện rộng.

Ba giả thuyết H1–H3 đã được khai báo ở §1.2 định hình thiết kế kiểm định thực nghiệm: (H1) nhóm can thiệp đạt điểm học phần cao hơn; (H2) nhóm can thiệp duy trì hoặc cải thiện SRL trong khi nhóm đối chứng có thể suy giảm; (H3) mức độ gắn kết hành vi và trình độ năng lực khởi điểm điều tiết mối quan hệ giữa can thiệp và kết quả. Kết quả dự kiến sẽ được báo cáo theo đúng cấu trúc H1–H3 (§6.1–§6.3), với phát hiện bổ sung về ngưỡng can thiệp tối ưu (§6.4).

TUYÊN BỐ ĐÓNG GÓP CỦA TÁC GIẢ (CRediT AUTHORSHIP STATEMENT)

Nguyễn Văn Hùng: Ý tưởng nghiên cứu cốt lõi (Conceptualization); Thiết lập phương pháp luận và cơ sở lý thuyết SRL, Cognitive Load Theory, HHAIRL (Methodology & Theoretical Development); Xây dựng khung phân tích đa chiều bốn trục và kiến trúc hệ thống can thiệp (Framework Architecture & Propositions); Tích hợp bằng chứng từ các nghiên cứu quốc tế về AI cá nhân hóa và SRL (Evidence Integration); Thiết kế bán thực nghiệm hỗn hợp hội tụ (Experimental Design); Soạn thảo toàn văn bản thảo (Writing – Original Draft); Rà soát, hiệu đính học thuật và chuẩn hóa APA 7 (Writing – Review & Editing); Quản trị dự án nghiên cứu (Project Administration).

CÁC KHAI BÁO CHUẨN MỰC XUẤT BẢN QUỐC TẾ (ETHICAL & COMPLIANCE STATEMENTS)

Tuyên bố về Tính khả dụng của Dữ liệu (Data Availability Statement)

Dữ liệu của nghiên cứu này sẽ được công bố công khai trên repository của trường đại học (ví dụ: Zenodo hoặc OSF) sau khi ẩn danh hóa, bao gồm: (a) dữ liệu định lượng đã mã hóa; (b) mã phân tích (R/Python scripts); (c) rubric và thang đo; (d) giao thức phỏng vấn.

Tuyên bố về Xung đột Lợi ích (Declaration of Competing Interests)

Tác giả tuyên bố không có xung đột lợi ích tài chính, thương mại, cá nhân hoặc quan hệ thể chế nào có thể bị xem là gây ảnh hưởng hoặc thiên lệch đến tính khách quan, tính độc lập của các kết quả nghiên cứu và kết luận khoa học được trình bày trong bài báo này.

Tuyên bố về Mối quan hệ với Tổ chức (Institutional Relationship Statement)

Tác giả hiện là nhà nghiên cứu tại STEM Saigon ETech — một công ty công nghệ giáo dục hoạt động trong lĩnh vực phát triển nội dung số và giải pháp học tập. Tuy nhiên, nghiên cứu này được thực hiện độc lập, không nhận tài trợ từ tổ chức, và không có bất kỳ lợi ích thương mại nào gắn với kết quả nghiên cứu.

Tuyên bố về Việc Sử dụng Trí tuệ Nhân tạo (Declaration of Generative AI Usage)

Trong quá trình hoàn thiện bản thảo, tác giả đã sử dụng ChatGPT (OpenAI) và Claude (Anthropic) như các công cụ kỹ thuật hỗ trợ rà soát chính tả, hiệu đính đối chiếu song ngữ Việt – Anh và chuẩn hóa quy cách trích dẫn danh mục tài liệu tham khảo theo quy chuẩn APA 7th. Toàn bộ các ý tưởng học thuật cốt lõi, việc xây dựng khung lý thuyết đa chiều, việc thiết kế hệ thống can thiệp, và toàn bộ các phân tích biện luận học thuật đều do tác giả trực tiếp thực hiện, sáng tạo và chịu trách nhiệm học thuật duy nhất.

TÀI LIỆU THAM KHẢO (REFERENCES – APA 7TH EDITION)

Ban Chấp hành Trung ương. (2025). Nghị quyết số 71-NQ/TW về đột phá phát triển giáo dục và đào tạo. Cổng Thông tin điện tử Chính phủ.

Bộ Giáo dục và Đào tạo. (2025). Thông tư số 02/2025/TT-BGDĐT quy định Khung năng lực số cho người học. Cổng Thông tin điện tử Chính phủ.

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

Do, H. V., Bui, T. T., Tran, D. H., Nguyen, H. T., & Dinh, L. D. (2026). Developing and validating an AI literacy scale for university students in Vietnam. IFLA Journal, 58(2), 222–233. https://doi.org/10.1177/03400352251385058

Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., … Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544

Nguyễn, Q. N. (2026). Nghiên cứu phát triển bộ công cụ đánh giá năng lực trí tuệ nhân tạo cho sinh viên đại học. Tạp chí Thiết bị Giáo dục. https://vjol.info.vn/tctbgd/en/article/view/136576 [Chưa xác minh độc lập]

OECD. (2026). Policies supporting responsible and systematic GenAI adoption in higher education (OECD Education Spotlights). OECD Publishing. https://doi.org/10.1787/c4e5621f-en

Pintrich, P. R., Smith, D. A., García, T., & McKeachie, W. J. (1993). Reliability and predictive validity of the Motivated Strategies for Learning Questionnaire (MSLQ). Educational and Psychological Measurement, 53(3), 801–813. https://doi.org/10.1177/0013164493053003024

Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer. https://doi.org/10.1007/978-1-4419-8126-4

Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

Xia, Q., Liu, Q., Tlili, A., & Chiu, T. K. F. (2026). A systematic literature review on designing self-regulated learning using generative artificial intelligence and its future research directions. Computers & Education, 240, Article 105465. https://doi.org/10.1016/j.compedu.2025.105465

Xu, X., Qiao, L., Cheng, N., Liu, H., & Zhao, W. (2025). Enhancing self-regulated learning and learning experience in generative AI environments: The critical role of metacognitive support. British Journal of Educational Technology, 56(5), 1842–1865. https://doi.org/10.1111/bjet.13599

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