FROM DATA TO SCHOOL IMPROVEMENT: THE ROLES OF EVIDENCE QUALITY, DIAGNOSIS, AND ORGANIZATIONAL LEARNING
Nguyễn Văn Hùng
HIGHLIGHTS
- Phát triển mô hình Bằng chứng–Chẩn đoán–Quyết định–Can thiệp–Thực thi–Đánh giá–Cải tiến (Evidence–Diagnosis–Decision–Intervention–Implementation–Evaluation–Improvement – EDDIEI) nhằm giải thích cách dữ liệu được chuyển hóa thành cải tiến trường học.
- Định vị Chất lượng bằng chứng (Evidence Quality – EQ), thay vì khối lượng dữ liệu, tại điểm xuất phát của quá trình cải tiến.
- Xác lập Chất lượng chẩn đoán (Diagnostic Quality – DQ) như cơ chế nhận thức trung tâm nối bằng chứng với quyết định.
- Phân biệt Chất lượng quyết định (Decision Quality – DECQ), Độ phù hợp của can thiệp (Intervention Fit – IF), Chất lượng thực thi (Implementation Quality – IMQ) và Kết quả can thiệp (Intervention Outcomes – IO).
- Tái định vị Chất lượng đánh giá (Evaluation Quality – EVQ) như năng lực tạo suy luận đáng tin cậy từ bằng chứng về quá trình và kết quả, thay vì xem đánh giá là kết quả trực tiếp của thực thi.
- Đưa Học tập tổ chức (Organizational Learning – OL) vào cơ chế phản hồi, biến EDDIEI từ chuỗi tuyến tính thành hệ thống học tập đệ quy (Recursive Learning System).
- Đề xuất tám giả thuyết, năm mô hình cạnh tranh, các điều kiện biên và chương trình kiểm định dọc thời gian–đa cấp.
TÓM TẮT / ABSTRACT
Bối cảnh (Background)
Chuyển đổi số, hệ thống thông tin giáo dục, phân tích học tập và trí tuệ nhân tạo (Artificial Intelligence – AI) đang mở rộng đáng kể khả năng thu thập, tích hợp và phân tích dữ liệu trong nhà trường. Tuy nhiên, sự gia tăng dữ liệu không tự động tạo ra quyết định tốt hơn hoặc cải tiến trường học (School Improvement) bền vững. Tổng quan hệ thống của Lee et al. (2024) trên 56 nghiên cứu thực nghiệm về năng lực dữ liệu của hiệu trưởng (Principals’ Data Literacy) xác định 63 chỉ báo thuộc bảy chiều, cho thấy sử dụng dữ liệu của lãnh đạo nhà trường là một năng lực phức hợp chứ không chỉ là kỹ năng phân tích số liệu. Nghiên cứu về nhóm dữ liệu (Data Teams) cũng cho thấy sử dụng dữ liệu không diễn ra tuyến tính; các nhóm thường phải quay lại những giai đoạn trước thông qua các vòng phản hồi để đạt chiều sâu điều tra cao hơn.
Vấn đề nghiên cứu (Research Problem)
Các mô hình giản lược theo logic Dữ liệu → Quyết định → Cải tiến (Data → Decision → Improvement) có nguy cơ bỏ qua những cơ chế quyết định chất lượng chuyển hóa từ thông tin sang hành động. Bài viết xác định bốn khoảng trống: Khoảng trống dữ liệu–bằng chứng (Data–Evidence Gap), Khoảng trống bằng chứng–chẩn đoán (Evidence–Diagnosis Gap), Khoảng trống quyết định–thực thi (Decision–Implementation Gap) và Khoảng trống đánh giá–học tập (Evaluation–Learning Gap).
Mục tiêu (Purpose)
Bài viết phát triển mô hình EDDIEI như một kiến trúc cơ chế tích hợp (Integrated Mechanism Architecture). Mô hình đề xuất rằng Chất lượng bằng chứng (Evidence Quality – EQ) hỗ trợ Chất lượng chẩn đoán (Diagnostic Quality – DQ); DQ nâng cao Chất lượng quyết định (Decision Quality – DECQ); DECQ hỗ trợ lựa chọn Can thiệp phù hợp (Intervention Fit – IF); IF tạo điều kiện cho Chất lượng thực thi (Implementation Quality – IMQ); IMQ góp phần hiện thực hóa Kết quả can thiệp (Intervention Outcomes – IO); và Chất lượng đánh giá (Evaluation Quality – EVQ) quyết định mức độ bằng chứng về quá trình và kết quả có thể được chuyển hóa thành Học tập tổ chức (Organizational Learning – OL), qua đó thúc đẩy Cải tiến trường học (School Improvement – SI).
Đóng góp (Contribution)
Đóng góp của EDDIEI không nằm ở tuyên bố rằng từng cấu trúc thành phần hoàn toàn mới. Thay vào đó, mô hình tích hợp các dòng nghiên cứu về năng lực dữ liệu (Data Literacy), sử dụng bằng chứng (Evidence Use), lập luận chẩn đoán (Diagnostic Reasoning), ra quyết định dựa trên bằng chứng (Evidence-Informed Decision-Making), khoa học thực thi (Implementation Science) và học tập tổ chức (Organizational Learning) thành một kiến trúc cơ chế có thể kiểm định và phản bác. Mô hình đồng thời mở rộng sang AI tăng cường (AI Augmentation) nhưng duy trì phán đoán nghề nghiệp (Professional Judgment), giám sát có ý nghĩa của con người (Meaningful Human Oversight) và trách nhiệm giải trình của con người (Human Accountability).
Từ khóa (Keywords): Chất lượng bằng chứng (Evidence Quality); Chất lượng chẩn đoán (Diagnostic Quality); Chất lượng quyết định (Decision Quality); Độ phù hợp của can thiệp (Intervention Fit); Chất lượng thực thi (Implementation Quality); Chất lượng đánh giá (Evaluation Quality); Học tập tổ chức (Organizational Learning); Cải tiến trường học (School Improvement); Lãnh đạo dựa trên bằng chứng (Evidence-Informed Leadership).
ABSTRACT
Digital transformation, educational information systems, learning analytics, and artificial intelligence have substantially expanded schools’ capacity to collect, integrate, and analyse data. Yet greater data availability does not automatically generate better decisions or sustainable school improvement. This article develops the Evidence–Diagnosis–Decision–Intervention–Implementation–Evaluation–Improvement (EDDIEI) model to explain the mechanisms through which credible evidence may be transformed into organizational improvement.
EDDIEI identifies four transition gaps frequently compressed in conventional data-use models: the data–evidence gap, evidence–diagnosis gap, decision–implementation gap, and evaluation–learning gap. The framework proposes that Evidence Quality (EQ) supports Diagnostic Quality (DQ); DQ informs Decision Quality (DECQ); DECQ contributes to Intervention Fit (IF); IF facilitates Implementation Quality (IMQ); and IMQ contributes to Intervention Outcomes (IO). Evaluation Quality (EVQ) determines the credibility with which implementation processes and outcomes can be interpreted and transformed through Organizational Learning (OL) into School Improvement (SI).
The model is conceptualized as recursive rather than merely linear because organizational learning generated during one improvement cycle strengthens the capacity to generate, appraise, and diagnose evidence in subsequent cycles. Its theoretical contribution therefore lies not in claiming that evidence use, diagnosis, implementation, evaluation, or organizational learning are individually novel, but in connecting these traditions through a testable mechanism architecture. Eight hypotheses, five competing models, contextual boundary conditions, and a longitudinal and multilevel empirical validation programme are developed. The framework further considers AI augmentation while preserving professional judgment, meaningful human oversight, and human accountability.
Keywords: Evidence Quality; Diagnostic Quality; Decision Quality; Intervention Fit; Implementation Quality; Evaluation Quality; Organizational Learning; School Improvement; Evidence-Informed Leadership.
1. GIỚI THIỆU / INTRODUCTION
1.1. Nghịch lý dữ liệu–cải tiến / The Data–Improvement Paradox
Nhà trường đương đại đang trở thành một tổ chức ngày càng giàu dữ liệu. Kết quả học tập, chuyên cần, tiến độ chương trình, quan sát lớp học, hành vi người học, phản hồi phụ huynh, phát triển chuyên môn giáo viên, dữ liệu nền tảng số và các chỉ báo quản trị có thể được thu thập với tốc độ và mức độ chi tiết lớn hơn trước. AI tiếp tục giảm chi phí kỹ thuật của việc tổng hợp, phân loại, phát hiện mẫu và xây dựng phương án từ những tập dữ liệu phức tạp.
Tuy nhiên, sự mở rộng năng lực kỹ thuật tạo ra một nghịch lý: khả năng quan sát nhiều hơn không tất yếu tạo ra khả năng hiểu đúng hơn.
Literature về năng lực dữ liệu (Data Literacy) đã cho thấy vấn đề này từ nhiều góc độ. Mandinach và Gummer (2016) khái niệm hóa năng lực dữ liệu của giáo viên như sự kết hợp của kiến thức, kỹ năng và dispositions cần thiết để sử dụng dữ liệu hiệu quả và có trách nhiệm. Gần một thập niên sau, Lee et al. (2024) cho thấy năng lực dữ liệu của hiệu trưởng có phạm vi rộng hơn thao tác dữ liệu đơn thuần: tổng quan 56 nghiên cứu xác định 63 chỉ báo thuộc bảy chiều và nhấn mạnh trách nhiệm của hiệu trưởng trong việc dẫn dắt cộng đồng nhà trường sử dụng dữ liệu.
Điều đó có nghĩa một nhà trường có thể có dashboard hiện đại nhưng vẫn xác định sai nguyên nhân của vấn đề. Nhà trường có thể phân tích đúng một pattern nhưng đưa ra causal inference sai. Một diagnosis tương đối chính xác vẫn có thể dẫn tới một intervention không phù hợp với nguồn lực. Một intervention có bằng chứng nghiên cứu vẫn có thể được triển khai không đầy đủ. Và ngay cả khi có evaluation, tổ chức vẫn có thể không học nếu findings không thay đổi routines, assumptions hoặc institutional memory.
Vì vậy:
Dữ liệu (Data) ≠ Bằng chứng (Evidence) ≠ Chẩn đoán (Diagnosis) ≠ Quyết định (Decision) ≠ Cải tiến (Improvement).
EDDIEI bắt đầu từ sự phân biệt này.
1.2. Cải tiến như một vấn đề chuyển hóa / Improvement as a Transformation Problem
Bài viết lập luận rằng cải tiến trường học (School Improvement) trước hết là một vấn đề chuyển hóa.
Chuỗi lý thuyết là:
Dữ liệu (Data) → Bằng chứng (Evidence) → Chẩn đoán (Diagnosis) → Quyết định (Decision) → Can thiệp (Intervention) → Thực thi (Implementation) → Kết quả (Outcomes) → Đánh giá (Evaluation) → Học tập tổ chức (Organizational Learning) → Cải tiến (Improvement).
Điểm quan trọng là mỗi mũi tên không đại diện cho một chuyển đổi tất định. Nó biểu thị một chuyển tiếp có điều kiện (Conditional Transition) có thể thành công, suy yếu hoặc thất bại.
Đây là lý do data availability không thể được sử dụng như proxy cho evidence-informed improvement.
Nghiên cứu của Schildkamp et al. (2016), theo dõi bốn data teams trong hai năm, cho thấy data use là một quá trình không tuyến tính với nhiều feedback loops. Phân tích tổng hợp gần đây của Spiele et al. (2025) trên 27 nghiên cứu và 86 effect sizes tìm thấy hiệu ứng trung bình tích cực của các can thiệp phát triển chuyên môn về data use đối với thành tích học sinh (g = .41), nhưng đồng thời ghi nhận heterogeneity đáng kể; study design giải thích sự khác biệt tốt hơn intervention design trong moderator analysis.
Hai bằng chứng này cùng dẫn đến một kết luận thận trọng: data use có tiềm năng hỗ trợ improvement, nhưng quan hệ đó phụ thuộc vào những cơ chế nằm giữa data và outcome.
2. VẤN ĐỀ VÀ KHOẢNG TRỐNG NGHIÊN CỨU / RESEARCH PROBLEM AND GAPS
2.1. Khoảng trống dữ liệu–bằng chứng / Data–Evidence Gap
Không phải mọi data point đều có giá trị bằng chứng như nhau. Dữ liệu có thể chính xác nhưng không liên quan; liên quan nhưng lỗi thời; kịp thời nhưng không đại diện; hoặc đại diện nhưng không đủ để hỗ trợ causal claim.
Do đó, bước đầu tiên của school improvement không nên là:
“Chúng ta có dữ liệu gì?”
mà là:
“Dữ liệu nào có đủ chất lượng và tính liên quan để được sử dụng như bằng chứng cho vấn đề đang xem xét?”
2.2. Khoảng trống bằng chứng–chẩn đoán / Evidence–Diagnosis Gap
Evidence mô tả một phenomenon không tự xác định causal mechanism.
Achievement giảm là một observation. Nó chưa cho biết nguyên nhân nằm ở instructional quality, curriculum alignment, attendance, prior knowledge, motivation, assessment design, teacher turnover hay một combination.
Vì vậy, giữa evidence và decision cần một tầng nhận thức độc lập:
Chẩn đoán (Diagnosis).
Đây là khoảng trống mà EDDIEI xem là quan trọng nhất.
2.3. Khoảng trống quyết định–thực thi / Decision–Implementation Gap
Một quyết định tốt không tự triển khai.
Việc chọn một intervention được hỗ trợ bởi research evidence không trả lời được các câu hỏi về capacity, resources, staff commitment, dosage, reach, adaptation hoặc leadership support.
Do đó:
Evidence-Based Intervention ≠ Successfully Implemented Intervention.
2.4. Khoảng trống đánh giá–học tập / Evaluation–Learning Gap
Một trường có thể đánh giá mà không học.
Evaluation chỉ trở thành organizational learning nếu evidence được phản tư, chia sẻ, lưu giữ và chuyển thành thay đổi trong assumptions, routines hoặc capabilities.
Kools và Stoll (2016) xác định bảy chiều của trường học như một tổ chức học tập (School as a Learning Organisation), bao gồm continuous staff learning, team learning, inquiry and innovation, embedded systems for collecting and exchanging knowledge, learning with the external environment và learning leadership. Kools et al. (2020) sau đó phát triển và kiểm tra thang đo cho khái niệm này trên dữ liệu 1.703 nhân sự trường học tại Wales, củng cố khả năng operationalize organizational learning trong school settings.
3. CÂU HỎI NGHIÊN CỨU / RESEARCH QUESTIONS
Từ bốn khoảng trống trên, bài viết đặt ra bốn câu hỏi.
RQ1. Bằng những cơ chế nào Chất lượng bằng chứng (Evidence Quality) được chuyển hóa thành Cải tiến trường học (School Improvement)?
RQ2. Chất lượng chẩn đoán (Diagnostic Quality), Độ phù hợp của can thiệp (Intervention Fit), Chất lượng thực thi (Implementation Quality) và Học tập tổ chức (Organizational Learning) đóng vai trò gì trong chuỗi chuyển hóa này?
RQ3. Những điều kiện biên (Boundary Conditions) nào làm tăng hoặc giảm sức mạnh của các quan hệ trong EDDIEI?
RQ4. Liệu mô hình EDDIEI đầy đủ có tạo ra giá trị giải thích gia tăng (Incremental Explanatory Value) so với những mô hình cạnh tranh đơn giản hơn hay không?
RQ4 đặc biệt quan trọng. EDDIEI không nên được thiết kế chỉ để được xác nhận; nó phải có khả năng bị bác bỏ.
4. NỀN TẢNG LÝ THUYẾT TÍCH HỢP / INTEGRATED THEORETICAL FOUNDATION
EDDIEI tích hợp bốn truyền thống lý thuyết.
Thứ nhất là năng lực dữ liệu và sử dụng bằng chứng (Data Literacy and Evidence Use), giải thích khả năng thu thập, phân tích và sử dụng thông tin. Mandinach và Gummer (2016) cho thấy data literacy bao gồm cả kiến thức, kỹ năng và dispositions; Lee et al. (2024) mở rộng logic này sang principal leadership và xác định một cấu trúc đa chiều của principals’ data literacy.
Thứ hai là điều tra hợp tác dựa trên dữ liệu (Collaborative Data Inquiry). Schildkamp et al. (2016) cho thấy data teams hoạt động thông qua các feedback loops, hàm ý rằng problem definition, analysis và action không phải các giai đoạn đơn tuyến.
Thứ ba là thực thi và cải tiến (Implementation and Improvement). Literature này chuyển câu hỏi từ “intervention có evidence hay không?” sang “intervention được đưa vào practice như thế nào, trong điều kiện nào và với mức độ fidelity/adaptation nào?”
Thứ tư là học tập tổ chức (Organizational Learning). Kools và Stoll (2016) cũng như Kools et al. (2020) chỉ ra rằng trường học có thể được conceptualize như learning organizations khi learning, inquiry, collaboration và knowledge systems được institutionalize.
EDDIEI nối bốn traditions này bằng một câu hỏi chung:
Điều gì xảy ra giữa thời điểm một trường có dữ liệu và thời điểm trường thực sự cải thiện?
5. CHẤT LƯỢNG BẰNG CHỨNG / EVIDENCE QUALITY
5.1. Từ dữ liệu đến bằng chứng / From Data to Evidence
EDDIEI phân biệt:
- Dữ liệu (Data) – observations hoặc measurements;
- Thông tin (Information) – data đã được tổ chức và contextualize;
- Bằng chứng (Evidence) – information được đánh giá về chất lượng và relevance đối với một claim;
- Tri thức có thể hành động (Actionable Knowledge) – evidence được diễn giải đủ để hỗ trợ action.
Quan hệ có thể biểu diễn về mặt khái niệm:
Data + Quality Appraisal + Contextual Relevance → Evidence.
Đây không phải phương trình thống kê mà là biểu thức khái niệm (Conceptual Expression).
Chất lượng bằng chứng (Evidence Quality – EQ) được định nghĩa là mức độ một tập hợp information có độ tin cậy, giá trị, relevance và khả năng kiểm chứng đủ để hỗ trợ hoặc phản biện một claim trong một context xác định.
Các chiều tiềm năng gồm:
Độ tin cậy (Reliability); Giá trị đo lường (Validity); Tính đại diện (Representativeness); Tính liên quan (Relevance); Tính kịp thời (Timeliness); Tam giác hóa (Triangulation); Giá trị theo bối cảnh (Contextual Validity).
Không nên mặc định các dimensions này là manifestations interchangeable của một latent construct. EQ có thể mang cấu trúc cấu thành (Formative) hơn là hoàn toàn phản xạ (Reflective).
Phát biểu học thuật 1
“Nhiều dữ liệu hơn không tất yếu tạo ra bằng chứng tốt hơn; giá trị cải tiến của dữ liệu phụ thuộc vào chất lượng, tính liên quan và khả năng hỗ trợ một suy luận có thể kiểm chứng.”
6. CHẤT LƯỢNG CHẨN ĐOÁN / DIAGNOSTIC QUALITY
6.1. Chẩn đoán như cơ chế nhận thức trung tâm
Chất lượng chẩn đoán (Diagnostic Quality – DQ) là construct tạo bản sắc rõ nhất cho EDDIEI.
Một school dashboard có thể cho thấy:
“Điểm đọc hiểu của nhóm A thấp hơn nhóm B.”
Đây là description.
Nhưng school improvement cần trả lời:
“Vì sao?”
Diagnosis phải chuyển từ:
Triệu chứng (Symptom) → Định nghĩa vấn đề (Problem Definition) → Nguyên nhân khả dĩ (Candidate Causes) → Giả thuyết cạnh tranh (Competing Hypotheses) → Kiểm tra bằng chứng (Evidence Testing) → Chẩn đoán có điều kiện (Conditional Diagnosis).
Điểm này giải thích vì sao data literacy cần thiết nhưng chưa đủ. Một người có thể phân tích statistical pattern chính xác nhưng vẫn giải thích sai causal mechanism.
6.2. Chẩn đoán và bất định / Diagnosis and Uncertainty
Diagnosis trong education hiếm khi đạt certainty tuyệt đối. Vì vậy DQ không nên được định nghĩa là “đã tìm ra nguyên nhân đúng” mà là chất lượng của reasoning process.
Một diagnosis tốt phải:
- xác định rõ problem;
- phân biệt symptom với cause;
- tạo alternative explanations;
- kiểm tra evidence ủng hộ và phản bác;
- triangulate nhiều nguồn;
- nhận diện uncertainty;
- và tránh chuyển correlation thành causation.
Phát biểu học thuật 2
“Chẩn đoán là cơ chế nhận thức chuyển câu hỏi từ ‘điều gì đang xảy ra?’ sang ‘cơ chế nào có khả năng giải thích điều đang xảy ra?’.”
H1
Chất lượng bằng chứng (Evidence Quality) có quan hệ tích cực với Chất lượng chẩn đoán (Diagnostic Quality).
EQ → DQ (+)
H1 không có nghĩa high-quality evidence bảo đảm correct diagnosis. Domain knowledge, reasoning competence và organizational culture vẫn có thể tạo variation.
7. CHẤT LƯỢNG QUYẾT ĐỊNH / DECISION QUALITY
EDDIEI phân biệt:
Ra quyết định dựa trên bằng chứng (Evidence-Informed Decision-Making)
với:
Ra quyết định do bằng chứng quyết định (Evidence-Determined Decision-Making).
Hai khái niệm không đồng nhất.
OECD (2024) nhấn mạnh rằng việc sử dụng research evidence có hệ thống trong policy-making phụ thuộc cả vào năng lực cá nhân/tập thể và những structures ổn định hỗ trợ evidence use; báo cáo dựa trên khảo sát các bộ giáo dục thuộc 37 hệ thống giáo dục ở 29 quốc gia. Điều này hỗ trợ một nguyên tắc rộng hơn: evidence use là institutional capacity chứ không phải thao tác cá nhân đơn giản.
Chất lượng quyết định (Decision Quality – DECQ) trong EDDIEI gồm:
Mức đầy đủ của bằng chứng (Evidence Adequacy); Tính nhất quán với chẩn đoán (Diagnostic Consistency); Khả năng tạo phương án (Alternative Generation); Tính khả thi (Feasibility); Cân nhắc đạo đức (Ethical Consideration); Hệ quả đối với các bên liên quan (Stakeholder Consequences); Nhận diện bất định (Uncertainty Recognition).
Phát biểu học thuật 3
“Bằng chứng có thể làm giảm bất định của quyết định nhưng không loại bỏ nhu cầu về phán đoán nghề nghiệp, cân nhắc giá trị và trách nhiệm của người ra quyết định.”
H2
Chất lượng chẩn đoán (Diagnostic Quality) có quan hệ tích cực với Chất lượng quyết định (Decision Quality).
DQ → DECQ (+)
Cơ chế của H2 là diagnostic alignment. Khi decision trực tiếp phản hồi causal mechanism đã được xác định thay vì symptom bề mặt, xác suất lựa chọn action phù hợp về mặt lý thuyết sẽ cao hơn.
8. ĐỘ PHÙ HỢP CỦA CAN THIỆP / INTERVENTION FIT
Decision xác định hướng hành động. Intervention design xác định cách action tác động vào mechanism.
EDDIEI định nghĩa Độ phù hợp của can thiệp (Intervention Fit – IF) là mức độ intervention phù hợp với:
Vấn đề (Problem Fit); Cơ chế (Mechanism Fit); Đối tượng (Population Fit); Bối cảnh (Context Fit); Nguồn lực (Resource Fit); Năng lực tổ chức (Organizational Capacity Fit).
Giả sử diagnosis cho thấy instructional inconsistency bắt nguồn chủ yếu từ việc giáo viên thiếu collaborative planning routines. Nếu intervention chỉ mua một analytics platform mới, intervention có thể tăng information capacity nhưng không tác động trực tiếp vào diagnosed mechanism.
Ngược lại, một intervention được chứng minh hiệu quả ở một context khác vẫn có thể không phù hợp nếu school thiếu time, staff capacity hoặc leadership support cần thiết.
Phát biểu học thuật 4
“Một can thiệp có cơ sở bằng chứng vẫn có thể thất bại khi cơ chế của can thiệp không phù hợp với nguyên nhân được chẩn đoán hoặc với năng lực thực tế của tổ chức.”
H3
Chất lượng quyết định (Decision Quality) có quan hệ tích cực với Độ phù hợp của can thiệp (Intervention Fit).
DECQ → IF (+)
9. CHẤT LƯỢNG THỰC THI / IMPLEMENTATION QUALITY
9.1. Intervention selection không phải implementation
EDDIEI phân biệt can thiệp được lựa chọn (Selected Intervention) với can thiệp được hiện thực hóa (Realized Intervention).
Khoảng cách giữa hai trạng thái này chính là implementation.
Chất lượng thực thi (Implementation Quality – IMQ) có thể gồm:
Độ trung thành thực thi (Fidelity); Cường độ/liều lượng (Dosage); Mức độ tiếp cận (Reach); Chất lượng cung cấp (Delivery Quality); Mức độ tham gia (Engagement); Thích ứng có kiểm soát (Adaptive Integrity).
Một intervention có strong evidence base vẫn có thể tạo weak outcomes nếu implementation bị gián đoạn, reach thấp hoặc staff không hiểu mechanism.
Meta-analysis năm 2025 của Spiele et al. đặc biệt có ý nghĩa ở đây. Tổng hợp 27 studies và 86 effect sizes cho thấy các professional-development interventions về data use có hiệu ứng trung bình tích cực đối với student achievement, nhưng heterogeneity đáng kể; qualitative analysis cũng cho thấy collaboration, support và school implementation characteristics liên quan đến effect sizes cao hơn.
Điều này không chứng minh trực tiếp EDDIEI, nhưng phù hợp với luận điểm rằng intervention label đơn thuần không đủ để giải thích outcomes.
9.2. Fidelity và adaptation
Fidelity không nên được hiểu như rigid compliance.
Trong complex school environments, adaptation có thể cần thiết để phù hợp với population, resources và institutional constraints.
Câu hỏi khoa học đúng hơn là:
Những thành phần nào phải được bảo toàn để duy trì cơ chế cốt lõi, và những thành phần nào có thể thích ứng mà không phá vỡ lý thuyết can thiệp?
Đây là tính toàn vẹn thích ứng (Adaptive Integrity).
Phát biểu học thuật 5
“Hiệu lực của một can thiệp và năng lực của tổ chức trong việc thực thi can thiệp đó là hai câu hỏi khoa học khác nhau.”
H4
Độ phù hợp của can thiệp (Intervention Fit) có quan hệ tích cực với Chất lượng thực thi (Implementation Quality).
IF → IMQ (+)
10. KẾT QUẢ CAN THIỆP / INTERVENTION OUTCOMES
Đây là điểm được hiệu chỉnh quan trọng sau phản biện.
Không nên thiết lập:
IMQ → EVQ
như một causal path đơn giản.
Thực thi tạo hoặc góp phần tạo Kết quả can thiệp (Intervention Outcomes – IO). Evaluation là quá trình đánh giá evidence về implementation và outcomes.
Vì vậy:
IF → IMQ → IO.
IO có thể gồm:
Kết quả gần (Proximal Outcomes) và Kết quả xa (Distal Outcomes).
Ví dụ, teacher professional learning có thể trước hết thay đổi instructional knowledge, sau đó instructional practice và cuối cùng student outcomes.
H5
Chất lượng thực thi (Implementation Quality) có quan hệ tích cực với mức độ hiện thực hóa Kết quả can thiệp kỳ vọng (Expected Intervention Outcomes).
IMQ → IO (+)
Tuy nhiên:
High IMQ ≠ Guaranteed Positive Outcome.
Nếu underlying intervention theory sai, implementation hoàn hảo vẫn có thể không tạo expected outcome.
11. CHẤT LƯỢNG ĐÁNH GIÁ / EVALUATION QUALITY
11.1. Evaluation như cơ chế tạo suy luận
Chất lượng đánh giá (Evaluation Quality – EVQ) không phải một outcome của implementation mà là khả năng tạo inference đáng tin cậy từ:
Bằng chứng quá trình (Process Evidence) • Bằng chứng thực thi (Implementation Evidence) • Bằng chứng kết quả (Outcome Evidence) • Bằng chứng bối cảnh (Contextual Evidence).
Evaluation tốt phải trả lời:
Kết quả: Có thay đổi không?
Thực thi: Intervention thực tế được triển khai như thế nào?
Cơ chế: Mechanism giả định có được kích hoạt?
Công bằng: Ai hưởng lợi và ai không?
Bối cảnh: Những yếu tố nào hỗ trợ hoặc cản trở?
Bền vững: Change có tiếp tục sau thời gian intervention hay không?
Do đó:
Outcome Evidence without Implementation Evidence = Incomplete Evaluation.
Đây cũng là lý do không nên tạo giả thuyết máy móc IO → EVQ. Outcome không “gây ra” evaluation quality.
EVQ được xem tốt hơn như năng lực đánh giá của tổ chức (Organizational Evaluation Capability) có chức năng biến IO và implementation evidence thành evaluative inference.
Phát biểu học thuật 6
“Một kết quả không như kỳ vọng không tự chứng minh lý thuyết can thiệp sai; nó có thể phản ánh sai chẩn đoán, độ phù hợp thấp, thất bại thực thi hoặc hạn chế của chính quá trình đánh giá.”
12. HỌC TẬP TỔ CHỨC / ORGANIZATIONAL LEARNING
12.1. Evaluation không đồng nghĩa với learning
Một evaluation report có thể được viết, gửi và lưu trữ mà không thay đổi bất kỳ organizational routine nào.
Vì vậy:
Evaluation ≠ Organizational Learning.
Chuyển đổi cần một cơ chế:
Đánh giá (Evaluation) → Phản tư (Reflection) → Kiến tạo ý nghĩa tập thể (Collective Sensemaking) → Chia sẻ tri thức (Knowledge Sharing) → Thay đổi thực hành/quy trình (Practice and Routine Change) → Trí nhớ tổ chức (Organizational Memory).
Kools và Stoll (2016) xem embedded systems for collecting and exchanging knowledge là một trong bảy dimensions của school as a learning organisation. Nghiên cứu đo lường tiếp theo của Kools et al. (2020) cung cấp bằng chứng thực nghiệm cho khả năng operationalize learning-organisation characteristics trong schools.
Phát biểu học thuật 7
“Đánh giá chỉ trở thành học tập tổ chức khi bằng chứng làm thay đổi cách tổ chức hiểu vấn đề, chia sẻ tri thức và tổ chức hành động.”
H6
Chất lượng đánh giá (Evaluation Quality) có quan hệ tích cực với Học tập tổ chức (Organizational Learning).
EVQ → OL (+)
13. CẢI TIẾN TRƯỜNG HỌC / SCHOOL IMPROVEMENT
EDDIEI không đồng nhất SI với test-score gains.
Cải tiến trường học (School Improvement – SI) là construct đa chiều có thể bao gồm:
Kết quả học tập (Learning Outcomes); Công bằng (Equity); Chất lượng dạy học (Instructional Quality); Năng lực giáo viên (Teacher Capacity); Năng lực tổ chức (Organizational Capacity); Khả năng thích ứng (Adaptability); Tính bền vững (Sustainability).
Điều này dẫn tới một distinction quan trọng:
Improvement as Outcome
và:
Improvement as Capability.
Outcome phản ánh trường tốt hơn ở chu kỳ hiện tại.
Capability phản ánh trường trở nên tốt hơn trong việc cải thiện chính mình.
Phát biểu học thuật 8
“Cải tiến bền vững xuất hiện khi tổ chức không chỉ giải quyết một vấn đề hiện tại mà đồng thời tăng năng lực giải quyết những vấn đề tiếp theo.”
H7
Học tập tổ chức (Organizational Learning) có quan hệ tích cực với Cải tiến trường học (School Improvement).
OL → SI (+)
14. EDDIEI NHƯ HỆ THỐNG HỌC TẬP ĐỆ QUY / EDDIEI AS A RECURSIVE LEARNING SYSTEM
Nếu EDDIEI kết thúc tại SI, nó vẫn chủ yếu là một pipeline.
Để trở thành learning architecture, model cần feedback.
Do đó:
EQₜ → DQₜ → DECQₜ → IFₜ → IMQₜ → IOₜ → EVQₜ → OLₜ → SIₜ
và:
OLₜ → Evidence/Diagnostic Capacityₜ₊₁.
Thay vì đưa thêm một latent variable mới vào primary SEM, Năng lực bằng chứng/chẩn đoán của chu kỳ tiếp theo (Next-Cycle Evidence/Diagnostic Capacity) được xem như longitudinal extension.
H8
Học tập tổ chức (Organizational Learning) trong chu kỳ hiện tại có quan hệ tích cực với năng lực tạo lập, đánh giá và chẩn đoán bằng chứng trong chu kỳ cải tiến tiếp theo.
OLₜ → Evidence/Diagnostic Capacityₜ₊₁ (+)
Đây là giả thuyết biến EDDIEI thành mô hình động (Dynamic Model).
15. MÔ HÌNH KHÁI NIỆM TÍCH HỢP / INTEGRATED CONCEPTUAL MODEL
CHẤT LƯỢNG BẰNG CHỨNG (Evidence Quality – EQ)
↓ H1
CHẤT LƯỢNG CHẨN ĐOÁN (Diagnostic Quality – DQ)
↓ H2
CHẤT LƯỢNG QUYẾT ĐỊNH (Decision Quality – DECQ)
↓ H3
ĐỘ PHÙ HỢP CỦA CAN THIỆP (Intervention Fit – IF)
↓ H4
CHẤT LƯỢNG THỰC THI (Implementation Quality – IMQ)
↓ H5
KẾT QUẢ CAN THIỆP (Intervention Outcomes – IO)
↓
ĐÁNH GIÁ VÀ DIỄN GIẢI (Evaluation and Interpretation)
↓ H6
HỌC TẬP TỔ CHỨC (Organizational Learning – OL)
↓ H7
CẢI TIẾN TRƯỜNG HỌC (School Improvement – SI)
↺ H8
NĂNG LỰC BẰNG CHỨNG/CHẨN ĐOÁN CHU KỲ TIẾP THEO (Next-Cycle Evidence/Diagnostic Capacity)
Mô hình gồm bốn logic:
Logic nhận thức (Epistemic Logic): EQ → DQ
Logic quyết định (Decision Logic): DQ → DECQ → IF
Logic thực thi (Implementation Logic): IF → IMQ → IO
Logic học tập (Learning Logic): Evaluation → OL → SI → New Evidence Capacity.
16. MÔ HÌNH CẠNH TRANH / COMPETING MODELS
Một contribution lý thuyết mạnh cần chấp nhận khả năng model của chính mình không phải explanation tốt nhất.
Mô hình A – Mô hình bằng chứng trực tiếp (Direct Evidence Model)
EQ → DECQ → SI
Mô hình B – Mô hình chẩn đoán (Diagnostic Model)
EQ → DQ → DECQ → SI
Mô hình C – Mô hình thực thi (Implementation Model)
EQ → DECQ → IF → IMQ → SI
Mô hình D – Mô hình học tập (Learning Model)
Evidence Use → Action → EVQ → OL → SI
Mô hình E – EDDIEI đầy đủ (Full EDDIEI)
EQ → DQ → DECQ → IF → IMQ → IO → EVQ → OL → SI
Nếu Model E không tạo fit, explanatory value hoặc predictive validity đủ để biện minh complexity bổ sung, theoretical parsimony yêu cầu rút gọn model.
Phát biểu học thuật 9
“Giá trị của một mô hình cải tiến không nằm ở số lượng cơ chế mà nó chứa, mà ở khả năng những cơ chế bổ sung giải thích được điều mà mô hình đơn giản hơn không giải thích được.”
17. ĐIỀU KIỆN BIÊN / BOUNDARY CONDITIONS
EDDIEI không giả định path coefficients giống nhau trong mọi trường.
Các điều kiện biên (Boundary Conditions) gồm:
Loại hình trường (School Type); Nguồn lực (Resources); Văn hóa tổ chức (Organizational Culture); Năng lực lãnh đạo (Leadership Capacity); Năng lực giáo viên (Teacher Capacity); Mức trưởng thành số (Digital Maturity); Điều kiện kinh tế–xã hội (Socioeconomic Conditions); Kiến trúc quản trị (Governance Architecture).
Ví dụ, IF có thể dự báo IMQ mạnh hơn khi organizational capacity cao.
Ngược lại, severe resource constraints có thể làm yếu IF→IMQ ngay cả khi intervention được lựa chọn tốt.
Do đó:
Context ≠ Control Variable Only.
Context có thể là biến điều tiết (Moderator) hoặc xác định phạm vi hiệu lực của lý thuyết (Theory Boundary).
18. AI TĂNG CƯỜNG EDDIEI / AI-AUGMENTED EDDIEI
AI có thể hỗ trợ tất cả stages.
Ở Chất lượng bằng chứng (Evidence Quality), AI có thể phát hiện anomalies, missingness và patterns.
Ở Chẩn đoán (Diagnosis), AI có thể tạo competing hypotheses.
Ở Quyết định (Decision), AI có thể tạo và so sánh scenarios.
Ở Can thiệp (Intervention), AI có thể hỗ trợ alternative design.
Ở Thực thi (Implementation), AI có thể hỗ trợ monitoring.
Ở Đánh giá (Evaluation), AI có thể hỗ trợ multidimensional analysis.
Ở Học tập tổ chức (Organizational Learning), AI có thể hỗ trợ retrieval và institutional memory.
Nhưng ba distinction phải được bảo toàn:
Nhận diện mẫu (Pattern Recognition) ≠ Chẩn đoán nhân quả (Causal Diagnosis).
Tối ưu hóa (Optimization) ≠ Phán đoán giá trị giáo dục (Educational Value Judgment).
Khuyến nghị (Recommendation) ≠ Trách nhiệm giải trình (Accountability).
UNESCO (2024) đặt AI competence của giáo viên trong một framework bao gồm knowledge, skills và values, đồng thời nhấn mạnh việc sử dụng và cả misuse của AI trong education. Vì vậy, EDDIEI không conceptualize AI như autonomous decision authority.
Architecture phù hợp là:
AI hỗ trợ (AI Augmentation) → Con người xác minh (Human Verification) → Phán đoán nghề nghiệp (Professional Judgment) → Quyết định có trách nhiệm (Accountable Decision).
Phát biểu học thuật 10
“AI có thể mở rộng năng lực xử lý bằng chứng và tạo phương án nhưng không tự sở hữu thẩm quyền nhận thức, thẩm quyền quyết định hoặc trách nhiệm đối với hệ quả giáo dục.”
19. BỐI CẢNH VIỆT NAM / VIETNAMESE CONTEXT
Trong bối cảnh Việt Nam, EDDIEI có ý nghĩa đặc biệt ở distinction giữa hai chức năng của educational data:
Báo cáo và trách nhiệm giải trình (Reporting and Accountability)
và:
Học tập và cải tiến (Learning and Improvement).
Một information system có thể tối ưu cho compliance reporting nhưng chưa chắc tối ưu cho diagnosis.
Nếu school staff chủ yếu thu thập data vì reporting requirements, organizational data volume có thể tăng trong khi evidence-use capability không tăng tương ứng.
Vì vậy, EDDIEI đặt ra chuỗi câu hỏi governance:
Ai tạo dữ liệu? → Ai kiểm tra chất lượng bằng chứng? → Ai diễn giải bằng chứng? → Ai thực hiện chẩn đoán? → Ai có thẩm quyền quyết định? → Ai chịu trách nhiệm thực thi? → Ai đánh giá? → Ai học từ kết quả? → Ai chịu trách nhiệm cuối cùng?
Đây là Chuỗi quản trị bằng chứng đa cấp (Multi-Level Evidence Governance Chain).
Đối với nghiên cứu thực nghiệm tại Việt Nam, điều này cũng có nghĩa không nên chỉ khảo sát hiệu trưởng. Teachers, professional groups, school leadership, local education authorities và data infrastructures có thể nằm ở các levels khác nhau của cùng một evidence cycle.
20. MƯỜI BA PHÁT BIỂU HỌC THUẬT TÍCH HỢP / THIRTEEN INTEGRATED ACADEMIC STATEMENTS
Các phát biểu dưới đây là phát biểu tổng hợp (Synthesis Statements) được phát triển từ argument architecture của bài, không phải quotation nguyên văn.
Phát biểu 1.Dữ liệu không tự trở thành bằng chứng; giá trị của dữ liệu xuất hiện khi chất lượng, tính liên quan và bối cảnh của nó được đánh giá.”
Phát biểu 2.“Năng lực dữ liệu của lãnh đạo trường học là năng lực tổ chức và kiến tạo ý nghĩa, không chỉ là năng lực phân tích kỹ thuật.”
Phát biểu 3.“Chẩn đoán là cơ chế nhận thức nối bằng chứng với quyết định.”
Phát biểu 4.“Nhận diện triệu chứng mà không xác định nguyên nhân có thể dẫn đến việc lựa chọn một giải pháp hợp lý cho một vấn đề được xác định sai.”
Phát biểu 5.“Bằng chứng làm giảm bất định của quyết định nhưng không thay thế phán đoán nghề nghiệp.”
Phát biểu 6.“Chất lượng quyết định phải được đánh giá từ chất lượng của quá trình cân nhắc tại thời điểm quyết định, không chỉ từ kết quả được quan sát về sau.”
Phát biểu 7.“Một can thiệp có cơ sở bằng chứng chưa bảo đảm can thiệp đó phù hợp với nguyên nhân, bối cảnh và năng lực của một trường cụ thể.”
Phát biểu 8.“Hiệu lực của can thiệp và chất lượng thực thi can thiệp là hai vấn đề khoa học khác nhau.”
Phát biểu 9.“Không thể phân biệt thất bại của lý thuyết với thất bại của thực thi nếu chỉ quan sát kết quả cuối cùng.”
Phát biểu 10.“Đánh giá có giá trị không chỉ đo kết quả mà còn kiểm tra quá trình, cơ chế, công bằng, bối cảnh và khả năng duy trì.”
Phát biểu 11.“Đánh giá chỉ trở thành học tập tổ chức khi bằng chứng được chuyển thành phản tư tập thể, tri thức có thể truy xuất và thay đổi thực hành tổ chức.”
Phát biểu 12.“Cải tiến bền vững xuất hiện khi tổ chức vừa cải thiện kết quả hiện tại vừa tăng năng lực giải quyết những vấn đề tiếp theo.”
Phát biểu 13.“Từ dữ liệu đến cải tiến không phải một bước nhảy trực tiếp mà là chuỗi chuyển hóa bằng chứng–chẩn đoán–quyết định–can thiệp–thực thi–đánh giá–học tập.”
Phát biểu 13 là luận đề tổng hợp trung tâm (Central Synthesis Thesis) của EDDIEI.
21. THIẾT KẾ KIỂM ĐỊNH THỰC NGHIỆM / EMPIRICAL VALIDATION DESIGN
EDDIEI hiện là mô hình lý thuyết (Theoretical Model). Do đó, bài viết không báo cáo bất kỳ β, p, CFI, TLI, RMSEA, SRMR hoặc effect size giả định nào.
Validation nên được triển khai thành ba phases.
21.1. Giai đoạn 1 – Phát triển cấu trúc và thang đo / Construct and Scale Development
Quy trình:
Tổng quan hệ thống (Systematic Review) → Định nghĩa cấu trúc (Construct Definition) → Sinh chỉ báo (Item Generation) → Hội đồng chuyên gia (Expert Review) → Delphi → Phỏng vấn nhận thức (Cognitive Interviews) → Pilot Study.
Các constructs chính:
EQ – Evidence Quality
DQ – Diagnostic Quality
DECQ – Decision Quality
IF – Intervention Fit
IMQ – Implementation Quality
EVQ – Evaluation Quality
OL – Organizational Learning
SI – School Improvement.
Kết quả can thiệp (Intervention Outcomes – IO) có thể được operationalize bằng objective indicators, latent construct hoặc mixed outcome block tùy intervention.
22. MÔ HÌNH ĐO LƯỜNG / MEASUREMENT MODEL
Một vấn đề phương pháp quan trọng là không mặc định tất cả constructs đều phản xạ (Reflective).
Ví dụ, EQ có thể là cấu trúc cấu thành (Formative Construct) nếu reliability, timeliness, representativeness, relevance và triangulation cùng tạo nên quality nhưng không nhất thiết covary như interchangeable manifestations.
Đối với reflective constructs, cần kiểm tra:
Độ tin cậy nhất quán nội tại (Internal Consistency Reliability);
Độ tin cậy tổng hợp (Composite Reliability);
Giá trị hội tụ (Convergent Validity);
Giá trị phân biệt (Discriminant Validity).
Đối với formative constructs, cần kiểm tra:
Đa cộng tuyến (Collinearity);
Trọng số chỉ báo (Indicator Weights);
Mức độ liên quan của chỉ báo (Indicator Relevance);
Giá trị nội dung (Content Validity).
Nếu nghiên cứu so sánh public/private, primary/secondary hoặc urban/non-urban schools, bất biến đo lường (Measurement Invariance) phải được thiết lập trước khi diễn giải differences.
Kools et al. (2020) là ví dụ hữu ích về việc chuyển một conceptual framework về school learning organisation thành một measurement instrument có thể kiểm tra thực nghiệm.
23. MÔ HÌNH CẤU TRÚC / STRUCTURAL MODEL
Không nên bắt đầu bằng việc kiểm định ngay một chain dài.
Một strategy hợp lý hơn là:
Model 1 – Epistemic Model:
EQ → DQ → DECQ.
Model 2 – Action Model:
DECQ → IF → IMQ → IO.
Model 3 – Learning Model:
EVQ → OL → SI.
Model 4 – Full EDDIEI:
EQ → DQ → DECQ → IF → IMQ → IO + EVQ → OL → SI.
Việc chia model thành các modules cho phép kiểm tra construct overlap, measurement problems và misspecification trước khi đánh giá full architecture.
24. TRUNG GIAN VÀ NHÂN QUẢ / MEDIATION AND CAUSALITY
EDDIEI dự đoán nhiều hiệu ứng trung gian tuần tự (Sequential Mediation Effects).
Ví dụ:
EQ → DQ → DECQ
nghĩa là tác động của evidence quality lên decision quality được giải thích một phần thông qua diagnosis.
Tương tự:
DECQ → IF → IMQ → IO
giả định decision tốt chỉ được chuyển thành outcome khi intervention phù hợp và được triển khai đủ chất lượng.
Nhưng cần giữ distinction:
Trung gian thống kê (Statistical Mediation) ≠ Trung gian nhân quả (Causal Mediation).
Cross-sectional SEM có thể cho thấy covariance structure phù hợp với theoretical model. Nó không chứng minh temporal ordering hoặc causal mechanism.
Vì vậy, một nghiên cứu cross-sectional chỉ nên được mô tả là initial structural test, không phải causal validation.
25. THIẾT KẾ DỌC THỜI GIAN / LONGITUDINAL DESIGN
Một test mạnh hơn của EDDIEI nên sử dụng:
T1: Evidence Quality + Diagnosis;
T2: Decision + Intervention Selection;
T3: Implementation;
T4: Outcomes + Evaluation;
T5: Organizational Learning + Subsequent Improvement;
T6: Next-Cycle Evidence/Diagnostic Capacity.
Thiết kế này tạo điều kiện kiểm tra:
temporal ordering;
cross-lagged relationships;
stability;
recursive effects;
và H8.
Đây là cách phù hợp nhất để kiểm tra claim rằng EDDIEI là recursive rather than merely sequential.
26. THIẾT KẾ ĐA CẤP / MULTILEVEL DESIGN
School improvement inherently nested.
Giáo viên (Teachers) nằm trong tổ chuyên môn (Departments/Teams);
teams nằm trong nhà trường (Schools); schools nằm trong hệ thống giáo dục địa phương (Local Education Systems).
Evidence Quality có thể được tạo ở individual/team level nhưng decision authority tồn tại ở school/system level.
Do đó, nếu sample structure đủ mạnh, Mô hình phương trình cấu trúc đa cấp (Multilevel Structural Equation Modeling – MSEM) phù hợp hơn single-level SEM.
Điều này đặc biệt quan trọng đối với Việt Nam, nơi authority, reporting và implementation responsibility có thể phân bố ở nhiều cấp quản trị.
27. KIỂM TRA ĐỘ BỀN VÀ MÔ HÌNH CẠNH TRANH / ROBUSTNESS AND COMPETING-MODEL TESTS
Một validation programme mạnh cần bao gồm:
Đặc tả thay thế (Alternative Specifications);
Đường dẫn ngược (Reverse Paths);
Mô hình cạnh tranh A–E (Competing Models A–E);
Kiểm tra sai lệch phương pháp chung (Common-Method Diagnostics);
Kết quả khách quan (Objective Outcomes);
Phân tích đa nhóm (Multigroup Analysis);
Bất biến đo lường (Measurement Invariance);
Độ ổn định dọc thời gian (Longitudinal Stability);
Phân tích độ nhạy (Sensitivity Analysis).
Nguyên tắc là:
Không bảo vệ Full EDDIEI bằng mọi giá.
Nếu model đơn giản hơn giải thích data tương đương với ít parameters hơn, parsimony phải được ưu tiên.
28. THẢO LUẬN / DISCUSSION
EDDIEI tạo ra bốn chuyển dịch lý thuyết.
28.1. Từ dữ liệu sang bằng chứng / From Data to Evidence
Data-rich schools không nhất thiết evidence-rich.
Lee et al. (2024) cho thấy principals’ data literacy là construct đa chiều gồm 63 indicators thuộc bảy dimensions. Điều này củng cố quan điểm rằng data leadership không thể được rút gọn thành khả năng đọc statistical reports.
EDDIEI đi thêm một bước: ngay cả data literacy tốt cũng chưa bảo đảm evidence quality nếu data source không phù hợp với claim.
Do đó:
Data Literacy → Evidence Appraisal
là một theoretical transition cần được làm rõ.
28.2. Từ bằng chứng sang chẩn đoán / From Evidence to Diagnosis
Đây là contribution trung tâm.
Traditional data-use question thường là:
“Data cho thấy điều gì?”
EDDIEI bổ sung:
“Data/evidence này cho phép chúng ta giải thích điều gì, với mức độ chắc chắn nào?”
Analytics có thể nhận diện patterns.
Diagnosis phải đánh giá explanations.
Do đó:
Analytics ≠ Diagnosis.
Nếu empirical validation cho thấy DQ tạo incremental explanatory value giữa EQ và DECQ, đây sẽ là bằng chứng quan trọng nhất cho distinctiveness của EDDIEI.
28.3. Từ quyết định sang thực thi / From Decision to Implementation
Một quyết định theoretically sound có thể organizationally infeasible.
Meta-analysis của Spiele et al. (2025) cho thấy professional-development interventions cho data use có average positive effect nhưng substantial heterogeneity, đồng thời nhấn mạnh vai trò của collaboration, support và school implementation characteristics trong qualitative comparison.
Điều này củng cố distinction:
Decision Quality ≠ Intervention Fit ≠ Implementation Quality.
28.4. Từ đánh giá sang học tập / From Evaluation to Learning
Learning organizations không được hình thành chỉ vì schools có reports.
Kools và Stoll (2016) đặt embedded knowledge systems, team learning, inquiry và learning leadership trong cùng một architecture. Kools et al. (2020) tiếp tục đưa construct này sang measurement, cho thấy organizational-learning architecture có thể được nghiên cứu thực nghiệm.
EDDIEI đóng góp bằng việc đặt evaluation trước organizational learning:
Evaluation → Sensemaking → Knowledge Integration → Routine Change.
Phát biểu học thuật 11
“Một trường học không trở thành tổ chức học tập vì nó sở hữu nhiều thông tin; nó trở thành tổ chức học tập khi thông tin đáng tin cậy thay đổi tri thức, thực hành và năng lực giải quyết vấn đề của tổ chức.”
29. ĐÓNG GÓP LÝ THUYẾT / THEORETICAL CONTRIBUTIONS
EDDIEI tạo năm đóng góp.
Thứ nhất, thay Khối lượng dữ liệu (Data Volume) bằng Chất lượng bằng chứng (Evidence Quality) ở điểm xuất phát.
Thứ hai, đưa Chất lượng chẩn đoán (Diagnostic Quality) thành mechanism độc lập giữa evidence và decision.
Thứ ba, decomposes action thành:
Decision Quality → Intervention Fit → Implementation Quality.
Thứ tư, tách:
Implementation → Outcomes
khỏi:
Evidence about Implementation/Outcomes → Evaluation → Learning.
Thứ năm, đưa vào feedback:
OLₜ → Evidence/Diagnostic Capacityₜ₊₁.
Vì vậy, EDDIEI được conceptualize tốt nhất như:
Lý thuyết về chất lượng chuyển hóa bằng chứng thành cải tiến (Theory of Evidence-to-Improvement Transformation Quality).
Đây là novelty claim vừa đủ mạnh nhưng không overclaim rằng từng construct là hoàn toàn mới.
30. HÀM Ý ĐỐI VỚI LÃNH ĐẠO TRƯỜNG HỌC / IMPLICATIONS FOR SCHOOL LEADERSHIP
Đối với hiệu trưởng (Principals), data literacy cần được mở rộng thành năng lực chẩn đoán dựa trên bằng chứng (Evidence-Informed Diagnostic Capacity).
Một hiệu trưởng không chỉ cần biết:
“Chỉ số nào giảm?”
mà cần đặt:
“Có những explanation cạnh tranh nào?”
“Evidence nào phân biệt các explanation đó?”
“Mức uncertainty còn lại là bao nhiêu?”
Đối với giáo viên (Teachers), collaborative inquiry nên chuyển từ “xem dữ liệu” sang kiểm tra giả thuyết (Hypothesis Testing).
Đối với nhà trường (Schools), cần institutionalize:
Evidence Appraisal → Diagnosis → Decision → Intervention Design → Implementation Monitoring → Evaluation → Reflection.
Đối với cơ quan quản lý (Education Authorities), dashboard nên hỗ trợ diagnostic inquiry chứ không chỉ compliance reporting.
OECD (2024) cũng nhấn mạnh vai trò đồng thời của professional skills và institutional structures trong việc sử dụng evidence có hệ thống.
31. HÀM Ý ĐỐI VỚI AI VÀ QUẢN TRỊ DỮ LIỆU / IMPLICATIONS FOR AI AND DATA GOVERNANCE
AI làm tăng khả năng xử lý data nhưng đồng thời làm tăng nguy cơ tự động hóa suy luận yếu (Automation of Weak Inference).
Nếu input evidence kém, AI có thể xử lý nhanh một evidence base kém.
Nếu causal assumptions sai, AI có thể tạo một recommendation có vẻ sophisticated nhưng dựa trên faulty diagnosis.
Do đó, AI governance trong EDDIEI cần kiểm tra ít nhất:
Nguồn dữ liệu (Data Provenance);
Chất lượng dữ liệu (Data Quality);
Khả năng giải thích (Explainability);
Bias/Fairness;
Human Validation;
Decision Authority;
Accountability.
UNESCO (2024) nhấn mạnh knowledge, skills và values trong AI competency for teachers, cho thấy AI competence không thể được hiểu đơn thuần là technical proficiency.
Phát biểu học thuật 12
“Một hệ thống AI có năng lực dự báo cao chưa tự động trở thành một hệ thống ra quyết định giáo dục có chất lượng nếu thiếu kiểm chứng, phán đoán nghề nghiệp và trách nhiệm con người.”
32. HẠN CHẾ / LIMITATIONS
EDDIEI có ít nhất sáu giới hạn.
Thứ nhất, đây là theoretical architecture chưa được validated như một whole model.
Thứ hai, một số constructs có nguy cơ overlap, đặc biệt EQ–DQ và DECQ–IF.
Thứ ba, causal relationships có thể reciprocal.
Thứ tư, OL vừa là outcome của current cycle vừa là antecedent của future cycles.
Thứ năm, context có thể thay đổi path strengths đáng kể.
Thứ sáu, self-report measurement có nguy cơ common-method inflation.
Một giới hạn bổ sung liên quan tới conceptual breadth. EDDIEI cố gắng kết nối epistemic, decision, implementation và organizational-learning mechanisms. Ưu điểm là integration; rủi ro là model complexity. Vì vậy competing-model testing không phải phần phụ mà là yêu cầu cốt lõi.
33. CHƯƠNG TRÌNH NGHIÊN CỨU TƯƠNG LAI / FUTURE RESEARCH AGENDA
Bốn hướng nghiên cứu được ưu tiên.
Hướng 1 – Xác nhận cấu trúc (Construct Validation)
Phát triển và kiểm tra EQ, DQ, DECQ, IF, IMQ và EVQ.
Hướng 2 – Nhân quả dọc thời gian (Longitudinal Causality)
Kiểm tra temporal sequence và feedback H8.
Hướng 3 – EDDIEI đa cấp (Multilevel EDDIEI)
Phân biệt individual, team, school và system mechanisms.
Hướng 4 – EDDIEI tăng cường bởi AI (AI-Augmented EDDIEI)
So sánh:
Chẩn đoán chỉ do con người (Human-Only Diagnosis)
với:
Chẩn đoán có AI hỗ trợ + Con người xác minh (AI-Assisted Diagnosis + Human Verification).
Outcomes không nên chỉ đo speed hoặc user satisfaction mà cần:
Diagnostic Accuracy; Uncertainty Calibration; Bias; Explainability; Decision Quality; Accountability.
34. KẾT LUẬN / CONCLUSION
Sự phát triển của dữ liệu, analytics và AI đang làm thay đổi điều kiện kỹ thuật của quản trị trường học. Nhưng vấn đề trung tâm của school improvement không biến mất khi computational capacity tăng lên. Ngược lại, càng có nhiều data và automated recommendations, việc phân biệt dữ liệu (Data), bằng chứng (Evidence), chẩn đoán (Diagnosis), quyết định (Decision) và học tập tổ chức (Organizational Learning) càng trở nên quan trọng.
EDDIEI lập luận rằng dữ liệu không trực tiếp tạo cải tiến.
Cải tiến hình thành thông qua một chuỗi:
Chất lượng bằng chứng (Evidence Quality)
→ Chất lượng chẩn đoán (Diagnostic Quality)
→ Chất lượng quyết định (Decision Quality)
→ Độ phù hợp của can thiệp (Intervention Fit)
→ Chất lượng thực thi (Implementation Quality)
→ Kết quả can thiệp (Intervention Outcomes)
→ Chất lượng đánh giá (Evaluation Quality)
→ Học tập tổ chức (Organizational Learning)
→ Cải tiến trường học (School Improvement)
↺ Năng lực bằng chứng/chẩn đoán chu kỳ tiếp theo (Next-Cycle Evidence/Diagnostic Capacity).
Bằng chứng hiện có hỗ trợ nhiều thành phần của logic này nhưng chưa đủ để xác nhận toàn bộ causal architecture. Data-team research cho thấy data use có feedback loops thay vì tuyến tính. Tổng quan gần đây về principals’ data literacy cho thấy leadership with data là năng lực đa chiều và vượt ra ngoài thao tác kỹ thuật. Meta-analysis năm 2025 cho thấy data-use professional development có average positive effect nhưng substantial heterogeneity. Organizational-learning research cho thấy improvement capacity phụ thuộc vào learning, collaboration, inquiry và knowledge systems được institutionalize.
Do đó, contribution của EDDIEI không phải là tuyên bố phát hiện từng thành tố riêng lẻ. Contribution nằm ở việc kết nối chúng thành một kiến trúc cơ chế có thể kiểm định, so sánh và phản bác (Testable, Comparable, and Falsifiable Mechanism Architecture).
Phát biểu học thuật 13 – Luận đề trung tâm (Central Thesis)
“Cải tiến trường học bền vững không phải sản phẩm trực tiếp của dữ liệu; đó là năng lực của tổ chức chuyển hóa bằng chứng đáng tin cậy thành chẩn đoán có cơ sở, quyết định có trách nhiệm, can thiệp phù hợp, thực thi có chất lượng, đánh giá có giá trị và học tập tổ chức liên tục.”
Trong kỷ nguyên AI, luận đề này càng quan trọng. AI có thể tăng tốc data processing, hypothesis generation và scenario comparison, nhưng computational power không tự giải quyết causal uncertainty, educational values hoặc accountability.
Vì vậy, nguyên tắc cuối cùng của EDDIEI là:
AI hỗ trợ (AI Augmentation)
→ Con người xác minh (Human Verification)
→ Con người phán đoán (Human Judgment)
→ Con người chịu trách nhiệm (Human Accountability).
EDDIEI vì thế không chỉ là một mô hình về sử dụng dữ liệu (Data Use). Nó là một lý thuyết về cách nhà trường chuyển từ có dữ liệu sang biết, từ biết sang hành động, và từ hành động sang học tập tổ chức có khả năng duy trì cải tiến.
35. TUYÊN BỐ ĐÓNG GÓP TÁC GIẢ / CRediT AUTHORSHIP CONTRIBUTION STATEMENT
Nguyễn Văn Hùng: Khái niệm hóa (Conceptualization); Phương pháp luận (Methodology); Phát triển lý thuyết (Theoretical Development); Thiết kế điều tra (Investigation Design); Phát triển khung (Framework Development); Viết – Bản thảo gốc (Writing – Original Draft); Viết – Xem xét & Chỉnh sửa (Writing – Review & Editing); Trực quan hóa (Visualization); Quản lý dự án (Project Administration).
Nguyễn Văn Hùng chịu trách nhiệm phát triển Vấn đề nghiên cứu (Research Problem), kiến trúc lý thuyết EDDIEI, mô hình EQ–DQ–DECQ–IF–IMQ–IO–EVQ–OL–SI, tám giả thuyết, Điều kiện biên (Boundary Conditions), Mô hình cạnh tranh (Competing Models) và Quy trình kiểm định thực nghiệm (Empirical-Validation Protocol). Tác giả đồng thời chịu trách nhiệm đối với tính nhất quán lý thuyết, chuẩn hóa thuật ngữ, xác minh nguồn và trích dẫn, diễn giải và bản thảo cuối cùng.
TÀI LIỆU THAM KHẢO / REFERENCES
Kools, M., & Stoll, L. (2016). What makes a school a learning organisation? OECD Education Working Papers, No. 137. OECD Publishing. https://doi.org/10.1787/5jlwm62b3bvh-en
Kools, M., Stoll, L., George, B., Steijn, B., Bekkers, V., & Gouëdard, P. (2020). The school as a learning organisation: The concept and its measurement. European Journal of Education, *55*(1), 24–42. https://doi.org/10.1111/ejed.12383
Lee, J., Alonzo, D., Beswick, K., Oo, C. Z., Anson, D. W. J., & Abril, J. M. V. (2024). Data literacy of principals in K–12 school contexts: A systematic review. Educational Research Review, *45*, 100649. https://doi.org/10.1016/j.edurev.2024.100649
Lee, J., Alonzo, D., Beswick, K., Abril, J. M. V., Chew, A. W., & Oo, C. Z. (2024). Dimensions of teachers’ data literacy: A systematic review of literature from 1990 to 2021. Educational Assessment, Evaluation and Accountability, *36*, 145–200. https://doi.org/10.1007/s11092-024-09435-8
Mandinach, E. B., & Gummer, E. S. (2016). What does it mean for teachers to be data literate: Laying out the skills, knowledge, and dispositions. Teaching and Teacher Education, *60*, 366–376. https://doi.org/10.1016/j.tate.2016.07.011
Mandinach, E. B., & Gummer, E. S. (2016). Data literacy for educators: Making it count in teacher preparation and practice. Teachers College Press.
OECD. (2024). Yes Minister, Yes Evidence: Structures and skills for better evidence use in education policy (OECD Education Policy Perspectives, No. 96). OECD Publishing. https://doi.org/10.1787/6f97bcda-en
Schildkamp, K., Poortman, C. L., & Handelzalts, A. (2016). Data teams for school improvement. School Effectiveness and School Improvement, *27*(2), 228–254. https://doi.org/10.1080/09243453.2015.1056192
Spiele, S., Janssen, J. J. H. M., Schildkamp, K., & Poortman, C. L. (2025). The effect of teacher data use professional development interventions on student achievement: A meta-analysis and qualitative comparative analysis. Studies in Educational Evaluation, *87*, 101528. https://doi.org/10.1016/j.stueduc.2025.101528
UNESCO. (2024). AI competency framework for teachers. UNESCO.
