FROM ENVIRONMENTAL DATA TO GREEN ACTION COMPETENCE: INTEGRATING AI AND NET-ZERO PRINCIPLES INTO SCHOOL EDUCATIONAL TOURISM IN PHU QUOC THROUGH THE SKILLTRIP X MODEL
Nguyễn Văn Hùng
HIGHLIGHTS / ĐIỂM NỔI BẬT
- Phát triển Khung Dữ liệu–Hành động Xanh (Data-to-Green-Action – DGA) giải thích cách trải nghiệm thực địa môi trường được chuyển hóa thành năng lực hành động xanh dựa trên bằng chứng.
- Định vị Năng lực Dữ liệu Môi trường (Environmental Data Literacy – EDL) như cơ chế nhận thức luận trung tâm kết nối trải nghiệm môi trường, bằng chứng, phán đoán và hành động có trách nhiệm.
- Khái niệm hóa Học tập Môi trường Tăng cường bởi AI (AI-Augmented Environmental Learning – AIAEL) như tăng cường nhận thức dưới sự giám sát của con người, thay vì thay thế tự động phán đoán của người học.
- Phát triển Thiết kế Học tập Net-Zero (Net-Zero Learning Design – NZLD) như kiến trúc quyết định sư phạm kết nối bằng chứng carbon, đánh đổi bền vững, tái thiết kế và phản tư.
- Đề xuất thiết kế SkillTrip X theo chiều dọc, đa nguồn, tích hợp khảo sát, bằng chứng thực địa môi trường, hồ sơ kỹ thuật số, hiệu suất dự án, nhật ký tương tác AI và đánh giá theo dõi.
- TÓM TẮT / ABSTRACT
1.1. Tóm tắt
Bối cảnh
Du lịch học đường có khả năng mở rộng không gian giáo dục vượt khỏi lớp học bằng cách đưa người học tiếp xúc trực tiếp với hệ sinh thái, cộng đồng và những vấn đề phát triển bền vững trong bối cảnh thực. Tuy nhiên, environmental exposure không tự động tạo environmental competence. Học sinh có thể quan sát ô nhiễm nhựa, suy giảm sinh cảnh, áp lực du lịch hoặc phát thải giao thông nhưng vẫn thiếu khả năng thu thập dữ liệu có hệ thống, kiểm chứng bằng chứng, xử lý bất định, cân nhắc trade-offs và chuyển hiểu biết thành hành động có trách nhiệm.
Vấn đề nghiên cứu
Literature về experiential learning, field-based education, Education for Sustainable Development (ESD), environmental literacy, sustainability competence, action competence, data literacy và artificial intelligence in education cung cấp nhiều nền tảng quan trọng nhưng còn phân mảnh. Đặc biệt, cơ chế giải thích quá trình environmental experience → evidence → data literacy → judgment → competent green action chưa được tích hợp đầy đủ. Khoảng trống này trở nên quan trọng hơn khi AI tham gia ngày càng sâu vào xử lý dữ liệu, trong khi Net Zero thường được tiếp cận như mục tiêu vận hành hơn là một nguyên tắc thiết kế học tập.
Mục tiêu
Nghiên cứu phát triển Data-to-Green-Action Framework (DGA) với cơ chế trung tâm:
Environmental Field Experience (EFE) → Environmental Data Literacy (EDL) → Green Action Competence (GAC).
Trong mô hình, AI-Augmented Environmental Learning (AIAEL) được khái niệm hóa như nguồn lực tăng cường xử lý bằng chứng dưới human oversight; Net-Zero Learning Design (NZLD) được phát triển như kiến trúc quyết định sư phạm thúc đẩy chuyển evidence-informed judgment thành lựa chọn, redesign và hành động có thể giải trình.
Phương pháp đề xuất
Bài viết đề xuất quasi-experimental longitudinal field design tại Phú Quốc, so sánh nhóm tham gia SkillTrip X + Environmental Data Tasks + AIAEL + NZLD với nhóm educational field trip thông thường. Dữ liệu được thu tại T0–Pre-Trip, T1–Immediate Post-Trip và T2–Follow-up sau 6–8 tuần. Survey được kết hợp với digital portfolio, environmental project rubric, field evidence, reflection journal và AI interaction evidence nhằm giảm sự phụ thuộc vào self-report.
Đóng góp
Bài viết chuyển trọng tâm từ environmental awareness và behavioural intention sang evidence-informed Green Action Competence; đặt EDL vào vị trí cơ chế nhận thức luận trung tâm; tái định vị AI từ answer-generation technology thành human-supervised augmentation resource; và phát triển NZLD như một pedagogical decision architecture có thể thao tác hóa và kiểm định.
Từ khóa: Du lịch giáo dục; du lịch học đường; experiential learning; Environmental Data Literacy; Green Action Competence; AI-Augmented Environmental Learning; Net-Zero Learning Design; SkillTrip X; Education for Sustainable Development; Phú Quốc.
1.2. Abstract
Background
School educational tourism can extend learning beyond the classroom by exposing learners to ecosystems, communities, and authentic sustainability challenges. Environmental exposure, however, does not automatically generate the competence required for responsible action. Students may observe plastic pollution, habitat degradation, tourism pressure, or transport emissions without developing the capacity to systematically collect data, verify evidence, evaluate uncertainty, compare alternatives, justify decisions, and translate environmental understanding into responsible action.
Research problem
Research on experiential learning, field-based education, Education for Sustainable Development, environmental literacy, sustainability competence, action competence, data literacy, and artificial intelligence in education has expanded substantially, yet these literatures remain insufficiently integrated. In particular, limited attention has been paid to the mechanism through which environmental experience becomes evidence, evidence develops data literacy, data literacy supports judgment, and judgment becomes competent green action.
Purpose
This article develops a Data-to-Green-Action (DGA) Framework centred on:
Environmental Field Experience (EFE) → Environmental Data Literacy (EDL) → Green Action Competence (GAC).
AI-Augmented Environmental Learning (AIAEL) is conceptualized as a human-supervised cognitive augmentation resource, whereas Net-Zero Learning Design (NZLD) functions as a pedagogical decision architecture facilitating the transformation of evidence-informed judgment into sustainable choices, redesign, and responsible action.
Proposed method
A quasi-experimental longitudinal field study is proposed in Phu Quoc, Viet Nam, comparing a SkillTrip X intervention integrating environmental data tasks, AI augmentation, and Net-Zero learning design with a conventional educational field trip. Measurements at pre-trip, immediate post-trip, and six-to-eight-week follow-up stages are complemented by digital portfolios, environmental project rubrics, field evidence, reflective journals, and AI-interaction evidence.
Contribution
The framework shifts attention from environmental awareness and behavioural intention toward evidence-informed Green Action Competence. It positions EDL as the central epistemic mechanism, reconceptualizes AI as human-supervised augmentation, and develops NZLD as a testable pedagogical architecture for sustainability-oriented educational tourism.
Keywords: Educational tourism; school educational tourism; experiential learning; environmental data literacy; green action competence; artificial intelligence; Net Zero; SkillTrip X; Education for Sustainable Development.
- GIỚI THIỆU / INTRODUCTION
Educational tourism đang chuyển từ hoạt động tham quan bổ trợ sang một không gian học tập có cấu trúc, nơi địa điểm, hiện tượng và cộng đồng có thể trở thành nguồn bằng chứng cho inquiry, reflection và competence development. Experiential learning cho thấy trải nghiệm chỉ tạo giá trị giáo dục khi được phản tư, khái niệm hóa và kết nối với hành động tiếp theo (Kolb, 1984). Các nghiên cứu về field trips cũng chỉ ra rằng việc học ngoài lớp có tiềm năng tạo ra những cơ hội nhận thức và trải nghiệm khó tái tạo trong môi trường lớp học (Behrendt & Franklin, 2014; Djonko-Moore & Joseph, 2016).
Tuy nhiên, việc chứng minh field experience có giá trị không đồng nghĩa với việc đã giải thích được cơ chế tạo ra năng lực. Ba phân biệt cần được đặt ở trung tâm:
Experience ≠ Competence
Data ≠ Evidence
Understanding ≠ Action.
Một học sinh có thể nhìn thấy rác thải nhựa trên bãi biển nhưng chưa biết thiết kế quy trình lấy mẫu. Người học có thể thu thập hàng trăm hình ảnh nhưng không nhận diện sampling bias. Một nhóm có thể tạo GIS map hấp dẫn nhưng không biết dữ liệu đó cho phép kết luận điều gì. Người học cũng có thể hiểu rằng phương tiện giao thông tạo phát thải nhưng chưa đủ khả năng so sánh carbon với cost, safety, accessibility, educational value và community impact.
Do đó:
Exposure ≠ Learning ≠ Competence.
Sự phân biệt này đặc biệt quan trọng trong environmental education. Environmental awareness, attitude, behavioural intention và pro-environmental behaviour đều là những outcomes có giá trị, nhưng không đồng nhất với competence. Truyền thống action competence nhấn mạnh rằng mục tiêu giáo dục không chỉ là khiến người học thực hiện hành vi được người khác định nghĩa trước là “đúng”, mà là phát triển khả năng tham gia có chủ đích vào việc hiểu, lựa chọn và giải quyết vấn đề (Jensen & Schnack, 1997).
Vì vậy:
Prescribed Green Behaviour ≠ Green Action Competence.
Câu hỏi phù hợp hơn không chỉ là “học sinh có thực hiện hành vi xanh hay không?” mà là:
“Người học có thể nhận diện vấn đề, đánh giá bằng chứng, xử lý bất định, cân nhắc trade-offs, lựa chọn, hành động, hợp tác, đánh giá kết quả và giải trình quyết định hay không?”
Sự chuyển dịch này đưa evidence và data literacy vào trung tâm educational tourism. Những chuyến học tập hiện đại có thể tạo ra dữ liệu GIS, hình ảnh, video, quan sát đa dạng sinh học, dữ liệu chất thải, dấu chân carbon, nhật ký di chuyển và bằng chứng từ cộng đồng. Nhưng:
More Data ≠ Better Learning.
Nếu người học không biết xác định dữ liệu cần thiết, kiểm chứng nguồn, đánh giá representativeness, diễn giải uncertainty và tích hợp nhiều loại bằng chứng, digitalization có thể tạo ra data accumulation without epistemic improvement.
Nghiên cứu vì vậy phát triển Environmental Data Literacy (EDL) như một cơ chế giải thích cách environmental field experience được chuyển thành evidence-based judgment.
AI làm cho vấn đề này trở nên cấp thiết hơn. AI có thể phân loại hình ảnh, phát hiện pattern, trực quan hóa dữ liệu, hỗ trợ so sánh kịch bản và tạo alternative explanations. Tuy nhiên:
AI Output ≠ Verified Evidence.
Do đó, SkillTrip X không giả định:
AI Use → Green Competence.
Thay vào đó:
Environmental Evidence → AI-Augmented Processing → Human Verification → Environmental Judgment → Responsible Action.
Cùng lúc đó, Net Zero có thể được tái khái niệm hóa từ operational target thành learning object. Người học không chỉ tính carbon mà phải hiểu assumptions, system boundaries và trade-offs, sau đó thiết kế lại phương án.
Như vậy:
Net Zero as Operational Target → Net Zero as Pedagogical Decision Architecture.
Từ ba chuyển dịch — Experience → Evidence; AI Use → Human–AI Judgment; Net-Zero Target → Learning Design — nghiên cứu phát triển Data-to-Green-Action Framework.
Câu hỏi trung tâm là:
Làm thế nào trải nghiệm và dữ liệu môi trường trong du lịch học đường có thể chuyển hóa thành Green Action Competence, và AIAEL cùng NZLD đóng vai trò gì trong quá trình đó?
- KHOẢNG TRỐNG NGHIÊN CỨU / RESEARCH GAPS
3.1. Experience-to-Action Gap / Khoảng trống từ trải nghiệm đến hành động
Experiential và field-based learning giải thích giá trị của việc tương tác với bối cảnh thực nhưng chưa tự động giải thích vì sao cùng một trải nghiệm có thể tạo ra outcomes khác nhau.
Experience → ? → Action Competence
DGA đề xuất mắt xích còn thiếu:
Experience → EDL → GAC.
3.2. Environmental Data-Literacy Gap / Khoảng trống năng lực dữ liệu môi trường
Environmental learning ngày càng data-rich, nhưng:
Data Availability ≠ Data Literacy
và:
Data Literacy ≠ Environmental Judgment.
Literature về educational data literacy cho thấy data competence đòi hỏi nhiều hơn khả năng tiếp cận dữ liệu; nó liên quan đến khả năng hiểu, đánh giá và sử dụng dữ liệu cho quyết định (Papamitsiou et al., 2021). DGA mở rộng logic này vào socio-ecological field context.
3.3. AI-Mechanism Gap / Khoảng trống cơ chế AI
AI education research thường đo adoption, attitudes, perceived usefulness hoặc literacy. Tuy nhiên, AI usage frequency không trực tiếp cho biết liệu AI có cải thiện evidence reasoning hay không.
DGA đặt câu hỏi:
AI có tăng cường khả năng xử lý bằng chứng mà không làm suy giảm human agency và accountability hay không?
3.4. Net-Zero-Pedagogy Gap / Khoảng trống sư phạm Net Zero
Net Zero thường được xem như mục tiêu carbon-management. DGA đặt câu hỏi khác:
Điều gì xảy ra khi chính việc Measure → Understand → Compare → Reduce → Redesign → Reflect trở thành nhiệm vụ học tập?
3.5. Behaviour–Competence Gap / Khoảng trống hành vi–năng lực
Awareness ≠ Intention ≠ Behaviour ≠ Competence.
Competence đòi hỏi:
Act + Justify + Adapt + Collaborate + Reflect.
3.6. Integration Gap / Khoảng trống tích hợp
Literature còn thiếu một kiến trúc educational tourism kết nối đồng thời:
Field Experience + Environmental Evidence + Data Literacy + Human-Supervised AI + Net-Zero Learning + Action Competence.
4.NỀN TẢNG LÝ THUYẾT TÍCH HỢP / INTEGRATED THEORETICAL FOUNDATIONS
DGA không được xây dựng từ một lý thuyết đơn lẻ mà từ sự tích hợp chức năng giữa Experiential Learning Theory, place-based learning, Education for Sustainable Development, action competence và sustainability competence. Mỗi nền tảng giải thích một mắt xích khác nhau của quá trình experience-to-action.
4.1. Experiential Learning Theory / Lý thuyết học tập trải nghiệm
Kolb (1984) mô hình hóa learning như sự vận động giữa concrete experience, reflective observation, abstract conceptualization và active experimentation. DGA giữ logic chuyển hóa này nhưng bổ sung một tầng nhận thức luận: evidence.
Quan sát rác trên bãi biển chỉ là experience. Để hỗ trợ kết luận, người học phải xác định dữ liệu, phương pháp thu thập, nguồn sai số, mức độ đại diện và uncertainty.
Vì vậy:
Experience itself is not evidence.
DGA mở rộng chu trình:
Concrete Experience → Environmental Data → Verification → Evidence → Interpretation → Reflection → Conceptualization → Decision → Action.
4.2. Place-Based Learning / Học tập dựa vào địa điểm
Địa điểm trong SkillTrip X không phải backdrop. Nó trở thành evidence environment.
Place as Destination → Place as Learning Context → Place as Evidence Environment.
Trong trường hợp Phú Quốc:
Ecosystem ↔ Tourism ↔ Mobility ↔ Consumption ↔ Waste ↔ Community.
Bối cảnh thực địa giúp người học chuyển từ single-cause reasoning sang systems thinking.
4.3. Education for Sustainable Development / Giáo dục vì phát triển bền vững
ESD mở rộng learning outcomes từ knowledge acquisition sang khả năng tham gia vào chuyển đổi bền vững. UNESCO (2020) nhấn mạnh vai trò của giáo dục trong transformation ở cấp độ cá nhân và xã hội.
Vì vậy, assessment không thể dừng ở:
Recall → Correct Answer → Test Score.
DGA sử dụng:
Understand → Interpret Evidence → Judge → Decide → Act → Evaluate → Reflect.
4.4. Action Competence / Năng lực hành động
Jensen và Schnack (1997) cung cấp nền tảng quan trọng để phân biệt activity, behaviour và action competence.
Một học sinh thu gom rác vì giáo viên yêu cầu đang thực hiện activity. Một học sinh thường xuyên dùng chai tái sử dụng có thể biểu hiện pro-environmental behaviour. Nhưng competence đòi hỏi khả năng tự tham gia vào quá trình:
Problem Recognition → Evidence → Choice → Action → Evaluation → Revision.
Do đó:
Compliance ≠ Behaviour ≠ Competent Action ≠ Agency.
4.5. Sustainability Competence và GreenComp
GreenComp tổ chức sustainability competence thành bốn miền: embodying sustainability values, embracing complexity in sustainability, envisioning sustainable futures, và acting for sustainability (Bianchi et al., 2022).
Tuy nhiên:
GAC ≠ GreenComp.
GreenComp là reference framework rộng; GAC trong DGA là context-specific competence construct tập trung vào khả năng sử dụng environmental evidence để hình thành judgment và responsible action trong educational tourism.
4.6. Tổng hợp lý thuyết / Theoretical Synthesis
Năm nền tảng tạo thành một functional architecture:
PLACE → EXPERIENCE → DATA → VERIFICATION → EVIDENCE → INTERPRETATION → JUDGMENT → DECISION → ACTION → AGENCY.
Điểm DGA bổ sung là EDL như epistemic bridge:
Environmental Field Experience → Environmental Data Literacy → Green Action Competence.
- ENVIRONMENTAL DATA LITERACY / NĂNG LỰC DỮ LIỆU MÔI TRƯỜNG
DGA định nghĩa Environmental Data Literacy là năng lực xác định nhu cầu dữ liệu, thu thập, diễn giải, kiểm chứng, tích hợp và sử dụng environmental data để hình thành judgment và decision có căn cứ trong một socio-ecological context.
EDL nằm tại giao điểm:
EDL = Environmental Context × Data Reasoning × Evidence Verification × Evidence-Based Decision.
EDL gồm năm miền:
Collect → Interpret → Verify → Integrate → Decide.
Collect đòi hỏi xác định dữ liệu nào cần thiết, tại sao, thu ở đâu, khi nào và bằng phương pháp nào.
Interpret đòi hỏi nhận diện patterns, variation và association nhưng đồng thời giới hạn inference theo evidence.
Verify yêu cầu đánh giá source quality, sampling, missingness, measurement error, representativeness và uncertainty.
Do đó:
Data Availability ≠ Evidence Quality
và:
AI-Processed Data ≠ Verified Evidence.
Integrate đòi hỏi kết hợp quantitative measurements, GIS, photographs, field observations, interviews và contextual information, đồng thời nhận diện convergence, complementarity hoặc conflict giữa các nguồn.
Decide yêu cầu sử dụng evidence để so sánh alternatives, giải thích lựa chọn và xác định những điều vẫn chưa biết.
Environmental knowledge hỏi:
“Tôi biết gì?”
EDL hỏi:
“Bằng chứng nào cho phép tôi biết điều đó; bằng chứng đáng tin đến mức nào; điều gì vẫn chưa biết; và quyết định nào có thể được bảo vệ từ evidence hiện có?”
EDL cũng khác GAC:
EDL = epistemic competence.
GAC = action-oriented competence.
Do đó:
EDL → Evidence-Based Judgment → Sustainable Decision → GAC.
- GREEN ACTION COMPETENCE / NĂNG LỰC HÀNH ĐỘNG XANH
Nghiên cứu định nghĩa Green Action Competence là năng lực nhận diện environmental problem, đánh giá evidence, cân nhắc alternatives và trade-offs, đưa ra sustainable decision, thực hiện intentional action, phối hợp với người khác và phản tư về kết quả cũng như trách nhiệm của hành động.
GAC gồm năm miền:
Environmental Problem Recognition → Evidence-Based Judgment → Sustainable Decision Making → Green Action → Collective Environmental Agency.
Problem Recognition không chỉ là nhìn thấy hiện tượng mà phải xác định vấn đề, tác nhân, phạm vi và stakeholders.
Evidence-Based Judgment đòi hỏi sử dụng verified evidence, đánh giá uncertainty và alternative explanations.
Sustainable Decision Making yêu cầu cân nhắc nhiều tiêu chí. Một phương án ít carbon hơn không tự động là phương án bền vững nhất nếu nó tạo ra vấn đề về safety, accessibility, educational value hoặc community impact.
Green Action chuyển decision thành intervention.
Collective Environmental Agency mở rộng action từ cá nhân sang collaboration, negotiation và shared responsibility.
Do đó:
GAC ≠ Environmental Awareness
GAC ≠ Green Intention
GAC ≠ Frequency of Green Behaviour.
Logic assessment phù hợp là:
Identify → Explain → Judge → Choose → Act → Evaluate → Reflect.
GAC vì vậy không nên được đo chỉ bằng Likert self-report. Performance tasks, projects, portfolio và field evidence cần được tích hợp.
- AI-AUGMENTED ENVIRONMENTAL LEARNING / HỌC TẬP MÔI TRƯỜNG ĐƯỢC TĂNG CƯỜNG BỞI AI
UNESCO AI Competency Framework for Students nhấn mạnh human-centred mindset, ethics, AI techniques/applications và AI system design, đồng thời đặt critical judgment và responsible engagement vào quá trình phát triển năng lực AI (Miao et al., 2024). Điều này hỗ trợ cách tiếp cận trong DGA: AI không được đánh giá bằng mức độ xuất hiện mà bằng chất lượng augmentation.
Do đó:
AI Access ≠ AI Use ≠ AI-Augmented Learning.
Một học sinh có thể sử dụng AI nhiều nhưng chấp nhận output mà không kiểm chứng. Một học sinh khác sử dụng AI ít hơn nhưng dùng nó để tạo visualization, alternative explanations và kiểm tra patterns trước khi đối chiếu field evidence. Trường hợp thứ hai có thể phản ánh augmentation quality cao hơn.
DGA định nghĩa AIAEL là mức độ AI hỗ trợ có ý nghĩa cho processing, visualization, verification, interpretation và comparison của environmental evidence trong khi judgment và accountability cuối cùng vẫn thuộc về con người.
AIAEL gồm:
Interpretation Support → Visualization Support → Feedback Quality → Scenario Comparison → Verification Support → Decision Scaffolding.
Cơ chế:
Environmental Observation → Data Capture → AI-Assisted Processing → Human Verification → Contextual Interpretation → Alternative Explanations → Judgment → Decision → Justification.
Human Verification là epistemic control point.
Nếu AI thay thế quá trình interpretation và judgment, augmentation có thể biến thành epistemic substitution: sản phẩm được hoàn thành nhưng competence nền tảng không nhất thiết phát triển.
Do đó, DGA đề xuất:
P-DGA2. AI augmentation tạo giá trị giáo dục khi mở rộng khả năng xử lý bằng chứng và phán đoán của người học mà không chuyển giao quyền phán đoán và trách nhiệm cuối cùng cho máy.
Nguyên tắc quản trị là:
AI AUGMENTS → HUMAN VERIFIES → HUMAN INTERPRETS → HUMAN JUDGES → HUMAN DECIDES → HUMAN REMAINS ACCOUNTABLE.
- TỪ CARBON LITERACY ĐẾN NET-ZERO LEARNING DESIGN / FROM CARBON LITERACY TO NET-ZERO LEARNING DESIGN
DGA phân biệt:
Carbon Awareness → Carbon Literacy → Carbon-Informed Judgment → Sustainable Decision → Net-Zero Redesign.
Carbon awareness giúp nhận biết nguồn phát thải. Carbon literacy cho phép hiểu và diễn giải carbon evidence. Nhưng sustainability competence còn yêu cầu xử lý trade-offs.
Vì vậy:
Carbon Efficiency ≠ Sustainability Competence
và:
Lowest Carbon ≠ Automatically Best Sustainable Decision.
Nghiên cứu phát triển Net-Zero Learning Design (NZLD) như một author-developed pedagogical construct, không giả định đây là một established measurement construct.
NZLD được định nghĩa là nguyên tắc thiết kế học tập trong đó measurement, interpretation, comparison, reduction, redesign và reflection về environmental/carbon impacts được nhúng vào learning tasks.
Kiến trúc:
Measure → Understand → Compare → Reduce → Redesign → Reflect.
Measure xác định footprint của:
Transport + Accommodation + Food + Activities + Waste.
Mục tiêu không phải tạo một con số “chính xác tuyệt đối” mà hiểu emission factors, assumptions và system boundaries.
Compare yêu cầu cân nhắc:
Carbon + Cost + Safety + Accessibility + Educational Value + Community Impact.
Reduce xác định những thay đổi khả thi.
Redesign biến learner từ analyst thành designer.
Reflect yêu cầu kiểm tra uncertainty, rebound effects và burden shifting.
Do đó:
P-NZLD1. Net Zero có thể chuyển từ operational target thành pedagogical decision architecture khi measurement, interpretation, comparison, reduction, redesign và reflection được tích hợp vào learning tasks.
Quan hệ lý thuyết là:
EDL → Evidence-Based Judgment → [NZLD] → Sustainable Decision and Redesign → GAC.
9.MA TRẬN PHÂN BIỆT CẤU TRÚC / CONSTRUCT DISCRIMINANT MATRIX
| Construct | Câu hỏi trung tâm | Không đồng nhất với | Chức năng trong DGA |
| EFE | Người học tương tác với environmental problem thực như thế nào? | Trip participation/satisfaction | Experience source |
| EDL | Người học có thể làm gì với environmental data? | Environmental knowledge/literacy | Epistemic mechanism |
| AIAEL | AI cải thiện evidence processing như thế nào? | AI usage/adoption | Augmentation condition |
| NZLD | Learning design có buộc evidence trở thành sustainability decision hay không? | Carbon awareness | Decision architecture |
| GAC | Người học có thể phán đoán và hành động có căn cứ hay không? | Attitude/intention/behaviour frequency | Competence outcome |
Bốn discriminant boundaries cần được bảo vệ:
EDL ≠ Environmental Literacy
AIAEL ≠ AI Usage
NZLD ≠ Carbon Awareness
GAC ≠ Pro-Environmental Behaviour.
- MÔ HÌNH KHÁI NIỆM VÀ PHÁT TRIỂN GIẢ THUYẾT / CONCEPTUAL MODEL AND HYPOTHESES DEVELOPMENT
Kiến trúc trung tâm là:
EFE → EDL → GAC.
Environmental Field Experience tạo authentic environmental encounters và cơ hội sản sinh dữ liệu. Khi field tasks yêu cầu systematic observation, collection, comparison và reflection, trải nghiệm có khả năng phát triển EDL.
H1. Environmental Field Experience có ảnh hưởng tích cực đến Environmental Data Literacy.
EDL giúp người học chuyển từ data exposure sang evidence-based reasoning.
H2. Environmental Data Literacy có ảnh hưởng tích cực đến Green Action Competence.
EFE cũng có thể tác động trực tiếp lên GAC thông qua participation, reflection và place interaction.
H3. Environmental Field Experience có ảnh hưởng tích cực đến Green Action Competence.
Tuy nhiên, direct path không phải cơ chế chính. DGA cho rằng phần quan trọng của EFE effect được giải thích qua EDL.
H4 — Primary Hypothesis. Environmental Data Literacy trung gian hóa quan hệ giữa Environmental Field Experience và Green Action Competence.
AIAEL có thể cung cấp incremental support cho evidence processing.
H5. AI-Augmented Environmental Learning có ảnh hưởng tích cực đến Environmental Data Literacy.
Quan trọng hơn, augmentation quality có thể thay đổi mức độ mà EFE chuyển thành EDL.
H6. AIAEL điều tiết tích cực quan hệ EFE → EDL, sao cho tác động của EFE lên EDL mạnh hơn khi AI augmentation quality cao.
H5 và H6 có chức năng khác nhau: H5 kiểm tra incremental contribution, trong khi H6 kiểm tra boundary condition.
NZLD tác động vào literacy-to-action pathway.
H7. Net-Zero Learning Design điều tiết tích cực quan hệ EDL → GAC, sao cho EDL chuyển thành GAC mạnh hơn khi learning design yêu cầu người học Measure → Understand → Compare → Reduce → Redesign → Reflect.
Mô hình tổng hợp:
EFE → EDL → GAC
với:
AIAEL → EDL
EFE × AIAEL → EDL
và:
EDL × NZLD → GAC.
- KIẾN TRÚC LẬP LUẬN HỌC THUẬT TÍCH HỢP / INTEGRATED SCHOLARLY ARGUMENT ARCHITECTURE
Toàn bộ literature được tích hợp theo một master architecture:
Experience → Evidence → EDL → Human–AI Augmentation → Verification → Sustainability Judgment → Net-Zero Decision → GAC → Environmental Agency.
Experiential learning giải thích cách experience có thể trở thành learning; place-based learning biến location thành evidence environment; EDL giải thích cách data trở thành evidence; action competence giải thích cách judgment chuyển thành purposeful action; GreenComp đặt action trong sustainability competence; human-centred AI quy định AI phải augment thay vì substitute judgment; NZLD tạo architecture buộc evidence đi vào sustainable decision.
Từ đó hình thành ba luận đề tổng hợp:
P-DGA1. Environmental data chỉ tạo giá trị giáo dục khi người học có thể chuyển data thành evidence có thể kiểm chứng, diễn giải và sử dụng.
P-DGA2. AI augmentation tạo giá trị giáo dục khi mở rộng evidence processing mà không chuyển giao final judgment và accountability cho máy.
P-DGA3. Environmental agency phát triển khi evidence-informed judgment được chuyển thành lựa chọn, collective action, evaluation và reflection.
Cùng với:
P-NZLD1. Net Zero trở thành pedagogical decision architecture khi carbon evidence được chuyển thành comparison, reduction, redesign và reflection.
Các propositions này là author-developed theoretical propositions, không phải phát biểu nguyên văn của các nguồn nền.
- THIẾT KẾ NGHIÊN CỨU / RESEARCH DESIGN
Nghiên cứu đề xuất quasi-experimental longitudinal field design nhằm cân bằng ecological validity với yêu cầu suy luận về intervention effects.
Hai điều kiện:
Intervention Group: SkillTrip X + Environmental Data Tasks + AIAEL + NZLD.
Comparison Group: Conventional Educational Field Trip.
Intervention được thiết kế theo chuỗi:
Observation → Data → Verification → AI-Assisted Interpretation → Human Verification → Alternative Explanations → Net-Zero Decision → Green Action Project → Reflection.
T0 – Pre-Trip
Đo baseline EDL, GAC, environmental knowledge, environmental attitudes, AI familiarity, prior field-trip experience và relevant background characteristics.
T1 – Immediate Post-Trip
Đo EFE, EDL, AIAEL, NZLD exposure/condition, GAC và project performance; thu digital portfolio, field evidence và reflection.
T2 – Follow-Up: 6–8 tuần
Đánh giá retention và transfer của EDL/GAC.
Ba patterns cần phân biệt:
T0 < T1: immediate improvement.
T0 < T1 ≈ T2: pattern consistent with retention.
T0 < T1; T2 ≈ T0: possible temporary or novelty effect.
Do đó:
Immediate Gain ≠ Sustained Competence.
Planning sample có thể ở khoảng 250–400 học sinh, nhưng final sample size phải được xác định bằng a priori power analysis, xét effect sizes, alpha, desired power, interaction effects, clustering và expected attrition.
Nếu students được nested trong classes, schools hoặc trips, intraclass correlation cần được kiểm tra và multilevel modelling hoặc cluster-robust inference cần được xem xét.
Vì đối tượng có thể bao gồm người chưa thành niên, nghiên cứu cần institutional ethics approval/exemption theo yêu cầu của cơ sở nghiên cứu; parental consent/guardian permission và learner assent khi áp dụng; data minimization; privacy protection; AI safeguards; và hạn chế lưu precise geolocation hoặc interaction data không cần thiết.
- PHÚ QUỐC NHƯ LIVING ENVIRONMENTAL LEARNING LABORATORY / PHU QUOC AS A LIVING ENVIRONMENTAL LEARNING LABORATORY
Phú Quốc được khái niệm hóa như evidence environment, không chỉ như destination.
Mọi learning station sử dụng:
Place → Problem → Data → Verification → Evidence → Judgment → Decision → Action → Reflection.
13.1. Coastal Ecosystem Station
Người học khảo sát coastal environment, waste và tourism pressure:
Observe → Sample → Classify → Map → Verify → Explain.
Sản phẩm: Coastal Environmental Evidence Map.
13.2. Biodiversity Station
Chuỗi:
Observe → Identify → Record → Verify → Interpret.
AI có thể hỗ trợ tentative species identification nhưng:
AI Identification ≠ Verified Biodiversity Evidence.
Sản phẩm: Biodiversity Digital Portfolio.
13.3. Community Sustainability Station
Người học khảo sát:
Tourism ↔ Livelihood ↔ Culture ↔ Environment.
Sản phẩm: Community Sustainability Evidence Brief.
13.4. Carbon Station
Người học xây dựng:
Student Travel Carbon Account
từ:
Transport + Accommodation + Food + Activities + Waste.
Sau đó:
Measure → Understand → Compare → Reduce → Redesign → Reflect.
13.5. Circularity Station
Chuỗi:
Waste Audit → Classification → Source Analysis → Circular Alternative → Prototype → Action → Evaluation.
Sản phẩm: Green Action Project.
Năm stations không phải năm hoạt động độc lập. Chúng tạo progression:
Spatial Evidence → Verification → Systems Reasoning → Sustainability Decision → Competent Action.
Toàn bộ architecture:
PLACE → PROBLEM → DATA → VERIFICATION → EVIDENCE → EDL → JUDGMENT → DECISION → GAC → REFLECTION.
Learner transformation là:
Visitor → Observer → Evidence User → Decision Maker → Environmental Actor.
- MÔ HÌNH ĐO LƯỜNG / MEASUREMENT MODEL
Measurement phải tuân theo construct–indicator alignment.
14.1. EFE
Các dimensions đề xuất:
Authenticity → Active Participation → Place Interaction → Problem Engagement → Reflective Experience.
Trip Satisfaction ≠ Environmental Field Experience.
14.2. EDL
Collect → Interpret → Verify → Integrate → Decide.
EDL không nên chỉ đo bằng confidence statements.
Perceived Data Confidence ≠ Demonstrated EDL.
14.3. AIAEL
Interpretation Support; Visualization Support; Feedback Quality; Scenario Comparison; Verification Support; Decision Scaffolding.
AI Usage Frequency ≠ AIAEL Quality.
14.4. NZLD
Carbon Measurement → Alternative Comparison → Reduction Decision → Environmental Redesign → Circular Practice → Reflection.
Nếu NZLD được assigned như intervention condition, nên ưu tiên condition-based operationalization thay vì biến nó hoàn toàn thành self-reported perception.
14.5. GAC
Problem Recognition → Evidence-Based Judgment → Sustainable Decision → Green Action → Collective Environmental Agency.
GAC cần kết hợp self-report với performance evidence.
- PHÁT TRIỂN VÀ XÁC NHẬN THANG ĐO / SCALE DEVELOPMENT AND VALIDATION
Scale validation phải được xem như quá trình tích lũy evidence:
Construct Definition → Literature Mapping → Item Pool → Expert Review → Content Validity → Cognitive Interviews → Pilot → Exploratory Assessment → CFA → Convergent/Discriminant Validity → Criterion/Predictive Validity → Measurement Invariance.
Construct definition phải đi trước item generation.
Expert panel đánh giá relevance, representativeness, clarity và theoretical alignment.
Cognitive interviews cần kiểm tra học sinh hiểu các thuật ngữ như verification, uncertainty, AI-supported judgment và sustainable trade-off như thế nào.
Pilot study kiểm tra distribution, missingness, response pattern và item functioning.
Nếu structure của EDL/AIAEL/NZLD/GAC chưa chắc chắn, EFA hoặc ESEM có thể được sử dụng trong exploratory stage; CFA sau đó kiểm tra prespecified structure, lý tưởng trên sample khác hoặc split sample.
Các boundaries cần kiểm định:
EDL ≠ Environmental Literacy
AIAEL ≠ AI Literacy/AI Use
NZLD ≠ Carbon Literacy
GAC ≠ Environmental Attitude/Behaviour.
Measurement invariance qua T0–T1–T2 và giữa intervention/comparison groups phải được kiểm tra trước khi latent means được so sánh.
Self-Reported Competence ≠ Demonstrated Competence.
Vì vậy, trước khi empirical evidence đầy đủ, các measures phải được mô tả là proposed, adapted hoặc newly developed measures undergoing validation, không phải established scales.
- ĐÁNH GIÁ NĂNG LỰC ĐA NGUỒN / MULTI-SOURCE COMPETENCE ASSESSMENT
Core principle:
Self-Report ≠ Competence.
DGA đề xuất sáu evidence sources:
Survey → Digital Portfolio → Environmental Project Rubric → Field Evidence → AI Interaction Evidence → Reflection Journal.
Survey đo perceived competence và latent dispositions.
Digital Portfolio lưu evidence trail:
Observation → Data → Verification → Interpretation → Revision → Judgment.
Environmental Project Rubric đánh giá problem recognition, evidence quality, trade-off analysis, solution design, implementation và evaluation.
Field Evidence kiểm tra competence trong authentic context, nơi dữ liệu có missingness, uncertainty và noise.
AI Interaction Evidence được sử dụng để đánh giá human–AI process, không phải đơn giản đếm prompts.
AI Use Frequency ≠ Quality of Human–AI Augmentation.
Reflection Journal cung cấp evidence về metacognition, uncertainty và accountability.
Triangulation được diễn giải theo:
Convergence → Complementarity → Discrepancy.
Discrepancy không phải lỗi cần loại bỏ. Nếu self-reported EDL cao nhưng portfolio cho thấy học sinh chấp nhận AI classification mà không verification, khoảng cách đó có thể phản ánh competence calibration gap.
Do đó:
Perception + Process + Performance + Field Evidence + Human–AI Interaction + Reflection → Competence Evidence Profile.
- CHIẾN LƯỢC PHÂN TÍCH / DATA ANALYSIS STRATEGY
Analysis được tổ chức theo chuỗi:
Data Screening → Missingness/Attrition → Baseline Equivalence → Measurement Model → Measurement Invariance → Structural Model → Mediation → Moderation → Group × Time → Performance Validation → Triangulation.
Trước tiên cần kiểm tra missingness, outliers, response patterns và attrition. Listwise deletion không nên được sử dụng cơ học nếu missingness có cấu trúc.
Baseline equivalence được kiểm tra đối với EDL, GAC, knowledge, AI familiarity, prior experience và relevant characteristics.
Observed Group Difference ≠ Intervention Effect.
Measurement model cần báo cáo factor loadings, reliability, omega/composite reliability khi phù hợp, convergent validity, discriminant validity và model fit. Thresholds không nên được áp dụng như pass/fail rules tách khỏi theory.
Measurement invariance là điều kiện quan trọng trước latent-change interpretation.
Score Change ≠ Competence Change unless measurement comparability is defensible.
Structural model kiểm tra H1, H2, H3 và H5.
H4 là primary mediation hypothesis:
EFE → EDL → GAC.
Indirect effect cần được đánh giá với confidence intervals, chẳng hạn bootstrap procedures phù hợp.
H6:
EFE × AIAEL → EDL.
H7:
EDL × NZLD → GAC.
Interaction effects cần được trình bày cùng simple slopes hoặc marginal effects thay vì chỉ báo p-value.
Longitudinal change cần ưu tiên mixed-effects models, latent-change models hoặc longitudinal SEM tùy measurement properties và sample structure.
Key test:
Group × Time.
Nếu nesting đáng kể, multilevel structure phải được xử lý.
Cuối cùng, survey evidence được so sánh với portfolio, project, field evidence và AI-interaction evidence.
Ba nguyên tắc diễn giải:
Statistical Significance ≠ Theoretical Importance
Immediate Improvement ≠ Retained Competence
Self-Report ≠ Demonstrated Competence.
- KHUNG KẾT QUẢ / RESULTS FRAMEWORK
Phiên bản hiện tại là theoretical/protocol-development manuscript; do đó không báo cáo hoặc tạo số liệu thực nghiệm giả định.
Nguyên tắc:
Proposed Relationship ≠ Observed Effect.
Results section của nghiên cứu thực nghiệm sau này nên vận hành theo cumulative evidence architecture:
Sample Integrity → Measurement Integrity → Structural Evidence → Mechanism → Boundary Conditions → Longitudinal Change → Performance Evidence → Educational Meaning.
Thứ nhất, báo cáo participant flow tại T0, T1 và T2 cùng attrition.
Attrition Rate ≠ Attrition Bias.
Thứ hai, báo cáo baseline equivalence.
Thứ ba, trình bày descriptives và correlations.
Thứ tư, kiểm định measurement structure, reliability, convergent/discriminant validity.
Thứ năm, kiểm định measurement invariance.
Thứ sáu, kiểm định structural paths H1, H2, H3 và H5.
Thứ bảy, kiểm định H4 mediation bằng indirect effect.
Thứ tám, kiểm định H6 và H7 moderation bằng interaction terms và conditional effects.
Thứ chín, kiểm tra Group × Time cho T0–T1–T2.
Thứ mười, đối chiếu latent/self-report outcomes với performance evidence.
Các bảng chính nên gồm:
Table 1. Participant and Field-Trip Characteristics
Table 2. Construct Definitions and Boundaries
Table 3. Measurement Items and Evidence Sources
Table 4. Reliability and Construct Validity
Table 5. Measurement Invariance
Table 6. Structural Path Estimates
Table 7. Mediation and Moderation Tests
Table 8. Longitudinal T0–T1–T2 Effects
Table 9. Survey–Portfolio–Performance Triangulation
Results interpretation phải phân biệt:
Statistical Significance ≠ Effect Magnitude ≠ Educational Significance.
- THẢO LUẬN / DISCUSSION
Câu hỏi lý thuyết quan trọng nhất của DGA không phải liệu field trips có thể tạo learning gains, mà là điều gì xảy ra giữa environmental experience và competent environmental action.
Nếu H4 được hỗ trợ, EDL cung cấp câu trả lời cơ chế:
Experience → Evidence → EDL → Judgment → GAC.
19.1. Từ exposure đến epistemic processing
EFE cung cấp learning opportunity nhưng không phải competence outcome.
Exposure ≠ Evidence ≠ Understanding ≠ Competence.
EDL giải thích vì sao hai learners có thể tham gia cùng field experience nhưng phát triển outcomes khác nhau: họ khác nhau về khả năng collect, interpret, verify, integrate và decide.
19.2. Từ behaviour modification đến action competence
Environmental education không nên được đánh giá chỉ bằng việc học sinh có thực hiện prescribed green behaviour hay không.
Green Behaviour ≠ Green Action Competence.
GAC đòi hỏi:
Investigate → Collect → Verify → Compare → Choose → Implement → Evaluate → Revise.
Đây là sự chuyển từ compliance sang agency.
19.3. Từ data literacy đến environmental judgment
DGA khác logic đơn giản:
Experience → Awareness → Behaviour.
Mô hình đề xuất:
Experience → Evidence → EDL → Judgment → Decision → GAC.
EDL đưa evidence quality, uncertainty, alternative explanations và trade-offs vào trung tâm environmental learning.
19.4. Từ AI use đến augmentation
Nếu H5/H6 được hỗ trợ, kết luận phù hợp không phải “AI tạo ra GAC”. AIAEL tác động gần hơn vào evidence-processing conditions.
AI Value ≠ Usage Frequency.
Giá trị phụ thuộc vào:
Augmentation Quality × Verification × Human Judgment.
AI có thể làm giảm learning quality nếu nó tạo epistemic substitution. Do đó, critical verification phải được xem như thành phần của learning design chứ không phải thao tác tùy chọn.
19.5. Từ Net Zero target đến pedagogical architecture
NZLD thay đổi câu hỏi từ:
“Hành trình này phát thải bao nhiêu?”
sang:
“Evidence nào hỗ trợ việc redesign hành trình này, trade-offs nào phải được cân nhắc và quyết định nào có thể được bảo vệ?”
Measure → Understand → Compare → Reduce → Redesign → Reflect.
Carbon reduction không tự động đồng nghĩa overall sustainability improvement.
19.6. Từ trip satisfaction đến learning evidence
Một chuyến đi hấp dẫn có thể có giá trị trải nghiệm, nhưng:
Enjoyable Trip ≠ Effective Learning.
Câu hỏi assessment phù hợp hơn là:
Người học có thể làm được điều gì sau chuyến đi mà trước đó họ chưa thể làm, và năng lực đó còn được biểu hiện sau 6–8 tuần hay không?
Do đó:
Immediate Gain ≠ Sustained Competence.
Toàn bộ discussion hội tụ vào:
Place → Experience → Data → Verification → Evidence → EDL → Judgment → Decision → GAC → Reflection → Retention/Transfer.
- ĐÓNG GÓP LÝ THUYẾT / THEORETICAL CONTRIBUTIONS
Đóng góp của DGA không nằm ở việc đặt experiential learning, AI, Net Zero và environmental education cạnh nhau, mà ở việc tích hợp chúng thành một explanatory architecture.
Thứ nhất, DGA mở black box experience-to-action:
Experience → EDL → GAC.
EFE tạo opportunity và raw evidence; EDL xử lý evidence; GAC chuyển judgment thành action.
Thứ hai, DGA phát triển Environmental Data Literacy như epistemic bridge:
Observation → Data → Verification → Evidence → Interpretation → Judgment.
EDL khác environmental knowledge vì nó hỏi evidence có đủ mạnh để hỗ trợ inference hay không.
Thứ ba, DGA tái định vị environmental outcomes từ behaviour sang action competence:
Investigate → Judge → Choose → Act → Evaluate → Revise.
Thứ tư, DGA chuyển AI từ adoption logic sang human-supervised cognitive augmentation:
AI Augments → Human Verifies → Human Interprets → Human Judges → Human Decides → Human Remains Accountable.
Thứ năm, DGA chuyển Net Zero từ operational target thành pedagogical decision architecture:
Measure → Understand → Compare → Reduce → Redesign → Reflect.
Thứ sáu, DGA tái khái niệm educational tourism:
Travel with Learning → Place-Based Evidence Generation → Competence Development.
Tổng hợp:
PLACE → EXPERIENCE → DATA → VERIFICATION → EVIDENCE → EDL → JUDGMENT → DECISION → GAC → ENVIRONMENTAL AGENCY.
AIAEL tăng cường experience-to-literacy pathway; NZLD tăng cường literacy-to-action pathway.
Tuy nhiên, vì EDL, AIAEL và NZLD trong cấu trúc cụ thể này cần empirical validation, bài viết sử dụng các động từ proposes, conceptualizes, develops thay vì tuyên bố chúng là established constructs.
- HÀM Ý THỰC TIỄN / PRACTICAL IMPLICATIONS
Hàm ý trung tâm là educational tourism cần chuyển từ destination-first logic sang competence-first logic.
Nhà trường không nên bắt đầu bằng:
“Đi đâu?”
mà bằng:
“Sau trải nghiệm, học sinh cần có khả năng làm được điều gì?”
Thiết kế theo:
Competence → Evidence → Task → Place.
Nhà trường xác định competence, bằng chứng chứng minh competence, nhiệm vụ tạo evidence và sau đó mới lựa chọn place.
Đối với giáo viên:
Tour Supervisor → Learning Facilitator → Evidence Coach → Human Oversight.
Giáo viên hướng dẫn đặt câu hỏi, lựa chọn dữ liệu, đánh giá nguồn, nhận diện uncertainty và bảo vệ decisions bằng evidence. Khi AI tham gia, giáo viên bảo đảm AI output không được mặc nhiên xem là verified evidence.
Đối với học sinh:
Visitor → Observer → Data Collector → Evidence Analyst → Decision Maker → Green Actor.
Đối với AI, Answer Generator phải được thay bằng:
Interpret → Visualize → Compare → Challenge → Verify → Reflect.
Đối với điểm đến:
Tourist Attraction → Environmental Learning Infrastructure.
Destination có thể phát triển learning stations, datasets, GIS layers, observation protocols, community evidence và carbon/circularity challenges.
Cuối cùng:
Attendance + Satisfaction ≠ Competence Development.
Thước đo phù hợp hơn:
Competence Growth + Evidence Quality + Transfer + Retention.
Hàm ý triển khai tổng thể là:
Design for Competence → Generate Evidence → Support Human Judgment → Enable Action → Assess Transfer and Retention.
- HẠN CHẾ VÀ NGHIÊN CỨU TƯƠNG LAI / LIMITATIONS AND FUTURE RESEARCH
Đóng góp của DGA cần được diễn giải trong giới hạn của context, design, measurement và observation period.
Trước hết, một island destination không bảo đảm external validity cho toàn bộ educational tourism. Quasi-experimental design cũng không loại bỏ hoàn toàn selection bias. Teacher/facilitator quality, seasonality và differences between field-trip cohorts có thể ảnh hưởng environmental evidence và outcomes. Future research cần replication tại coastal, urban, rural, mountainous và protected-area settings, đồng thời sử dụng stronger matched, cluster-randomized hoặc multilevel designs khi khả thi.
Nhóm hạn chế thứ hai liên quan đến AI, Net Zero và measurement. AI có thể tạo novelty effects và outputs có thể chứa hallucination, bias hoặc contextual errors. Carbon accounting phụ thuộc emission factors, assumptions và system boundaries. EDL, AIAEL, NZLD và GAC cũng cần empirical validation trước khi được xem là established measurement scales.
Future studies cần kiểm tra factor structure, discriminant/criterion validity và measurement invariance qua populations, groups và time.
Nhóm hạn chế thứ ba liên quan đến persistence và transfer. Follow-up 6–8 tuần chưa đủ chứng minh lifelong environmental agency.
Self-Report ≠ Demonstrated Competence ≠ Sustained Action.
Longitudinal research 6–12 tháng nên kiểm tra:
EDL → GAC → Actual Green Action → Sustained Environmental Agency.
Một research agenda quan trọng khác là competing-model comparison:
Model A: EFE → GAC
Model B: EFE → Environmental Awareness → GAC
Model C: EFE → EDL → GAC
Model D: EFE → EDL → GAC, với AIAEL và NZLD là boundary conditions.
DGA không nên được xem là tốt hơn chỉ vì phức tạp hơn. Evidence mạnh chỉ xuất hiện nếu Model D tạo explanatory gain đủ lớn so với simpler alternatives trong khi vẫn duy trì parsimony.
Research agenda:
Replicate → Strengthen Causal Identification → Validate Constructs → Compare Models → Extend Follow-Up → Observe Actual Action → Test Transfer.
- KẾT LUẬN / CONCLUSION
Giá trị giáo dục của một chuyến đi xanh không nằm ở số địa điểm học sinh đã đến, số công cụ AI đã sử dụng hoặc lượng environmental data đã thu thập. Những yếu tố đó tạo learning opportunities nhưng chưa chứng minh competence. Câu hỏi quan trọng hơn là liệu người học có thể chuyển trải nghiệm thành bằng chứng, bằng chứng thành phán đoán, và phán đoán thành hành động có căn cứ và có trách nhiệm hay không.
DGA vì vậy chuyển:
Travel → Experience
thành:
Travel → Environmental Experience → Data → Verification → Evidence → Environmental Data Literacy → Judgment → Green Action Competence → Environmental Agency.
EDL giữ vị trí trung tâm vì experience không tự động trở thành knowledge; data không tự động trở thành evidence; evidence cũng không tự động tạo defensible decision.
Collect → Interpret → Verify → Integrate → Decide
là quá trình chuyển data exposure thành epistemic competence.
Action competence bổ sung tầng chuyển hóa tiếp theo. Mục tiêu không phải khiến người học tuân thủ các green behaviours đã được định nghĩa trước mà giúp họ nhận diện vấn đề, đánh giá evidence, cân nhắc alternatives, lựa chọn, hành động, hợp tác và chịu trách nhiệm.
Do đó:
Behavioural Compliance ≠ Green Action Competence.
AI có vai trò quan trọng nhưng giới hạn của nó phải được xác lập rõ:
AI AUGMENTS
↓
HUMAN VERIFIES
↓
HUMAN INTERPRETS
↓
HUMAN JUDGES
↓
HUMAN ACTS
↓
HUMAN REMAINS ACCOUNTABLE.
AIAEL vì vậy không được lý thuyết hóa như tác nhân trực tiếp tạo GAC. Nó tăng cường evidence-processing conditions cho quá trình EFE → EDL.
NZLD tạo tầng chuyển hóa tiếp theo:
Measure → Understand → Compare → Reduce → Redesign → Reflect.
Net Zero khi đó không chỉ là emission target mà trở thành pedagogical decision architecture. Người học phải cân nhắc carbon cùng cost, safety, accessibility, educational value và community impact.
Đóng góp của SkillTrip X vì vậy không nằm ở việc đưa nhiều technology hơn vào chuyến đi. Nó nằm ở việc xây dựng một architecture trong đó:
Place generates experience.
Experience generates data.
Verification transforms data into evidence.
Evidence develops literacy.
Literacy supports judgment.
Judgment enables competent action.
Competent action develops agency.
Theo cách tiếp cận này, Phú Quốc được khái niệm hóa như một Living Environmental Learning Laboratory, nơi người học đọc environment bằng evidence, cộng tác với AI mà không từ bỏ human agency, xử lý sustainability trade-offs và chuyển understanding thành responsible green action.
Tuy nhiên, DGA cuối cùng phải được đánh giá bằng empirical evidence. Immediate improvement không đồng nghĩa sustained competence; self-report không đồng nghĩa demonstrated competence; statistical significance không tự động đồng nghĩa educational significance.
Luận đề cuối cùng của nghiên cứu là:
PLACE → EXPERIENCE → EVIDENCE → EDL → JUDGMENT → GAC → ENVIRONMENTAL AGENCY.
Trong đó:
AIAEL strengthens evidence processing; NZLD structures sustainable decision making; human agency governs both.
Mục tiêu cao nhất của SkillTrip X do đó không phải tạo ra những học sinh đã đi nhiều hơn, dùng AI nhiều hơn hoặc thu thập nhiều dữ liệu hơn, mà phát triển những người học có khả năng đọc môi trường bằng bằng chứng, sử dụng AI mà không từ bỏ quyền phán đoán, xử lý trade-offs của sustainability và chuyển hiểu biết thành hành động xanh có căn cứ, có trách nhiệm và có khả năng phản tư.
- TUYÊN BỐ VỀ ĐÓNG GÓP CỦA TÁC GIẢ / CRediT AUTHORSHIP CONTRIBUTION STATEMENT
Nguyễn Văn Hùng: Conceptualization; Methodology; Theoretical Development; Investigation Design; Writing – Original Draft; Writing – Review & Editing; Visualization; Project Administration.
Tác giả chịu trách nhiệm chính đối với quá trình hình thành ý tưởng, phát triển cơ sở lý thuyết và xây dựng kiến trúc nghiên cứu của bài viết. Cụ thể, tác giả phát triển Data-to-Green-Action (DGA) Framework và cơ chế lý thuyết trung tâm Environmental Field Experience (EFE) → Environmental Data Literacy (EDL) → Green Action Competence (GAC); đồng thời khái niệm hóa AI-Augmented Environmental Learning (AIAEL) và Net-Zero Learning Design (NZLD) như các điều kiện hỗ trợ quá trình chuyển đổi từ trải nghiệm, bằng chứng và năng lực dữ liệu sang phán đoán và hành động xanh.
Về phương pháp, tác giả xây dựng quasi-experimental longitudinal design, kiến trúc đo lường, hệ thống đánh giá năng lực đa nguồn và chiến lược kiểm định mediation, moderation, Group × Time và longitudinal effects. Tác giả đồng thời thực hiện tổng hợp tài liệu, phát triển giả thuyết, thiết kế mô hình trực quan, biên soạn bản thảo ban đầu, rà soát và hiệu chỉnh học thuật. Tác giả chịu trách nhiệm cuối cùng đối với tính nhất quán của lập luận, kiểm chứng nguồn và trích dẫn, diễn giải khoa học, tính toàn vẹn học thuật và nội dung của bản thảo được gửi xuất bản.
- TÀI LIỆU THAM KHẢO / REFERENCES
- Behrendt, M., & Franklin, T. (2014). A review of research on school field trips and their value in education. International Journal of Environmental & Science Education, 9(3), 235–245.
- Bianchi, G., Pisiotis, U., & Cabrera Giraldez, M. (2022). GreenComp: The European sustainability competence framework. Publications Office of the European Union. https://doi.org/10.2760/13286
- Djonko-Moore, C. M., & Joseph, N. M. (2016). Out of the classroom and into the city: The use of field trips as an experiential learning tool in teacher education. SAGE Open, 6(2). https://doi.org/10.1177/2158244016649648
- Falk, J. H., & Dierking, L. D. (1997). School field trips: Assessing their long-term impact. Curator: The Museum Journal, 40(3), 211–218. https://doi.org/10.1111/j.2151-6952.1997.tb01304.x
- Jensen, B. B., & Schnack, K. (1997). The action competence approach in environmental education. Environmental Education Research, 3(2), 163–178. https://doi.org/10.1080/1350462970030205
- Kolb, D. A. (1984). Experiential learning: Experience as the source of learning and development. Prentice Hall.
- Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.
- National Research Council. (2009). Learning science in informal environments: People, places, and pursuits. National Academies Press. https://doi.org/10.17226/12190
- National Research Council. (2010). Surrounded by science: Learning science in informal environments. National Academies Press. https://doi.org/10.17226/12614
- Papamitsiou, Z., Filippakis, M. E., Poulou, M., Sampson, D., & Ifenthaler, D. (2021). Towards an educational data literacy framework: Enhancing the profiles of instructional designers and e-tutors of online and blended courses with new competences. Smart Learning Environments, 8, Article 18. https://doi.org/10.1186/s40561-021-00163-w
- Redman, A., Wiek, A., & Barth, M. (2021). Current practice of assessing students’ sustainability competencies: A review of tools. Sustainability Science, 16, 117–135. https://doi.org/10.1007/s11625-020-00855-1
- Sanchez, S.-J., Piedrahita Guzman, Y., Sosa-Molano, J., Robertson, D., Ahern, S., & Garza, T. (2025). Systematic literature review: A typology of sustainability literacy and environmental literacy. Frontiers in Education, 10, 1490791. https://doi.org/10.3389/feduc.2025.1490791
- (2020). Education for sustainable development: A roadmap. UNESCO. https://doi.org/10.54675/YFRE1448
