From Learning Analytics to Agentic AI in Higher Education: Early Prediction, Meaningful Human Oversight, and Student-Support Decision Quality

NGUYỄN VĂN HÙNG

HIGHLIGHTS

• Mở rộng Learning Analytics từ prediction-centred analytics sang agentic decision support.
• Định vị Student-Support Decision Quality là cơ chế nối Agentic AI với hiệu quả hỗ trợ.
• Lý thuyết hóa Meaningful Human Oversight như điều kiện biên, thay vì sự hiện diện hình thức của con người.
• Phân biệt prediction, decision, authorized action, effectiveness và accountability.
• Đề xuất Bounded Educational Agency để phân bổ hợp lý agency giữa AI, con người và tổ chức.

TÓM TẮT

Bối cảnh. Learning Analytics (LA) đã trở thành một cấu phần quan trọng của giáo dục đại học dựa trên dữ liệu nhờ khả năng thu thập, tích hợp, phân tích và diễn giải dấu vết học tập để mô tả, giải thích và dự báo trạng thái của người học. Tuy nhiên, phần lớn logic đánh giá LA vẫn tập trung vào chất lượng mô hình dự báo, trong khi giá trị giáo dục cuối cùng phụ thuộc vào những gì xảy ra sau dự báo. Một mô hình có thể nhận diện chính xác sinh viên có nguy cơ nhưng vẫn tạo ra giá trị hạn chế nếu dự báo không được chuyển thành quyết định phù hợp, can thiệp đúng thời điểm và kết quả hỗ trợ có ý nghĩa. Dai et al. (2025), chẳng hạn, cho thấy các mô hình dự báo có AUC trên 0,8, nhưng điểm có ý nghĩa giáo dục nằm ở việc kết nối nhận diện sớm với feedback intervention; hơn 30% sinh viên được xác định có nguy cơ đã quay lại những hoạt động học tập trước đó chưa tương tác trong hai tuần sau can thiệp.

Khoảng trống nghiên cứu. Sự xuất hiện của Agentic AI làm khoảng cách prediction–decision trở nên quan trọng hơn. Trong khi Learning Analytics truyền thống chủ yếu vận hành theo chuỗi Observe → Analyze → Predict, các hệ thống tác tử có thể mở rộng chuỗi này thành Observe → Analyze → Predict → Reason → Plan → Recommend → Act → Monitor → Adapt. Sự thay đổi này không chỉ làm tăng năng lực kỹ thuật mà còn chuyển AI từ nguồn cung cấp thông tin sang một thành phần có khả năng tham gia tổ chức quyết định và hành động. Vì vậy, vấn đề nghiên cứu không còn giới hạn ở câu hỏi AI dự báo chính xác đến đâu, mà chuyển sang câu hỏi: khi nào Agentic AI tạo ra quyết định hỗ trợ sinh viên tốt hơn, dưới điều kiện giám sát nào, với mức quyền chủ động nào và trong một kiến trúc trách nhiệm giải trình ra sao?

Mục tiêu. Bài viết phát triển mô hình tích hợp gồm Learning Analytics Capability (LAC), Agentic AI Decision Support (AADS), Student-Support Decision Quality (SSDQ), Student Support Effectiveness (SSE), Meaningful Human Oversight (MHO), Human Accountability (HA) và Responsible Agentic AI Adoption (RAAA). Trục tạo giá trị được lý thuyết hóa là LAC → AADS → SSDQ → SSE, trong đó SSDQ là cơ chế trung gian chủ yếu và MHO là điều kiện biên của quan hệ AADS–SSDQ. HA → RAAA được đặt như một nhánh governance bổ trợ, phản ánh điều kiện thể chế cần thiết để năng lực tác tử được triển khai có trách nhiệm.

Phương pháp. Nghiên cứu được thiết kế theo hai study. Study 1 phát triển và kiểm định hệ thống thang đo thông qua construct specification, item generation, expert review, cognitive interviewing, exploratory factor analysis, confirmatory factor analysis trên mẫu độc lập, structural equation modeling, mediation, moderation, measurement invariance và competing-model analysis. Study 2 sử dụng scenario-based factorial experiment nhằm kiểm tra tác động nhân quả của mức hỗ trợ quyết định AI và MHO đối với SSDQ, qua đó giảm phụ thuộc vào self-report evidence.

Đóng góp. Bài viết đưa ra năm ranh giới lý thuyết: Analytics ≠ Agency; Prediction ≠ Decision; Decision ≠ Authorized Action; Action ≠ Effectiveness; Automation ≠ Accountability. Trên cơ sở đó, nghiên cứu đề xuất Bounded Educational Agency, theo đó AI có thể được trao operational agency nhưng normative authority và final accountability vẫn thuộc về con người và tổ chức. Luận điểm trung tâm là: giá trị giáo dục của Agentic AI không đến từ tự động hóa tối đa mà từ khả năng chuyển bằng chứng phân tích thành quyết định có chất lượng trong một kiến trúc giám sát tương xứng với rủi ro.

Từ khóa: Learning Analytics; Agentic AI; higher education; early prediction; student-support decision quality; meaningful human oversight; human accountability; bounded educational agency; responsible AI.

ABSTRACT

Background. Learning Analytics (LA) has become an increasingly important component of data-informed higher education because of its capacity to collect, integrate, analyze, and interpret learning traces to describe, explain, and predict learner states and trajectories. However, much of the prevailing evaluation logic in LA continues to emphasize predictive model performance, whereas the ultimate educational value of analytics depends on what happens after a prediction is generated. A model may accurately identify students at risk yet still produce limited educational value if predictive information is not translated into appropriate decisions, timely interventions, and meaningful support outcomes. Dai et al. (2025), for example, reported predictive models with areas under the receiver operating characteristic curve (AUCs) exceeding 0.80; importantly, however, the educational significance of their study lay in linking early identification with feedback intervention, with more than 30% of identified at-risk students subsequently re-engaging with previously unattended learning activities within two weeks of the intervention.

Research gap. The emergence of Agentic AI makes the prediction–decision gap substantially more consequential. Whereas conventional Learning Analytics largely follows an Observe → Analyze → Predict logic, agentic systems can extend this sequence to Observe → Analyze → Predict → Reason → Plan → Recommend → Act → Monitor → Adapt. This transition does more than increase technical capability; it shifts AI from an information-generating resource toward an active component in the organization of decisions and actions. Accordingly, the central research problem is no longer limited to how accurately AI can predict student risk. It becomes a broader governance and decision-quality question: under what conditions does Agentic AI generate better student-support decisions, under what forms of human oversight, with what degree of operational agency, and within what architecture of accountability?

Objective. This article develops an integrated framework comprising Learning Analytics Capability (LAC), Agentic AI Decision Support (AADS), Student-Support Decision Quality (SSDQ), Student Support Effectiveness (SSE), Meaningful Human Oversight (MHO), Human Accountability (HA), and Responsible Agentic AI Adoption (RAAA). The principal value-creation pathway is theorized as LAC → AADS → SSDQ → SSE, with SSDQ functioning as the primary mediating mechanism and MHO as a boundary condition governing the AADS–SSDQ relationship. The HA → RAAA pathway is positioned as a complementary governance branch representing the institutional conditions required for the responsible deployment of agentic capabilities.

Method. The proposed research adopts a two-study design. Study 1 develops and validates the measurement system through construct specification, item generation, expert review, cognitive interviewing, exploratory factor analysis, confirmatory factor analysis using an independent sample, structural equation modeling, mediation and moderation analysis, measurement-invariance testing, and competing-model analysis. Study 2 employs a scenario-based factorial experiment to examine the causal effects of different levels of AI decision support and Meaningful Human Oversight on SSDQ, thereby reducing reliance on self-reported evidence and strengthening causal inference regarding human–AI decision processes.

Contributions. The article advances five theoretical distinctions: Analytics ≠ Agency; Prediction ≠ Decision; Decision ≠ Authorized Action; Action ≠ Effectiveness; and Automation ≠ Accountability. Building on these distinctions, it introduces Bounded Educational Agency, a governance principle under which AI may be granted operational agency while normative authority and ultimate accountability remain with human actors and educational institutions. The central theoretical proposition is that the educational value of Agentic AI does not arise from maximizing automation, but from its capacity to transform analytical evidence into high-quality decisions within an oversight architecture proportionate to risk.

Keywords: Learning Analytics; Agentic AI; higher education; early prediction; student-support decision quality; meaningful human oversight; human accountability; bounded educational agency; responsible AI.

1. GIỚI THIỆU

Learning Analytics đã phát triển từ một lĩnh vực tập trung vào thu thập và trực quan hóa dữ liệu thành một hạ tầng ngày càng có ảnh hưởng đối với việc hiểu, dự báo và hỗ trợ quá trình học tập. Theo logic nền tảng của lĩnh vực, dữ liệu về người học và bối cảnh học tập được thu thập, phân tích và diễn giải nhằm tạo ra tri thức có khả năng hỗ trợ cải thiện việc học. Sự phát triển của educational data mining, predictive modeling và learning analytics đã mở rộng đáng kể khả năng phát hiện pattern, nhận diện nguy cơ và cá nhân hóa hỗ trợ (Romero & Ventura, 2020). Tuy nhiên, sự gia tăng năng lực dự báo cũng làm nổi lên một vấn đề phương pháp luận quan trọng: prediction accuracy không tương đương educational value.

Một mô hình có thể dự báo rằng một sinh viên có xác suất disengagement cao nhưng không tự xác định được tổ chức nên thực hiện hành động nào. Cùng một risk score có thể liên quan tới những nguyên nhân hoàn toàn khác nhau: khó khăn tài chính, thay đổi lịch làm việc, vấn đề sức khỏe, thiếu động lực, khó khăn học thuật hoặc đơn giản là cách sinh viên sử dụng tài nguyên ngoài LMS. Vì vậy, risk score là một biểu diễn xác suất; nó chưa phải là chẩn đoán nguyên nhân, càng chưa phải là quyết định can thiệp.

Khoảng cách này được minh họa rõ bởi Dai et al. (2025). Nghiên cứu của họ sử dụng trace data và academic data để nhận diện sớm sinh viên có nguy cơ, sau đó kết nối prediction với feedback intervention được xây dựng trên một relational feedback framework. Các mô hình đạt AUC trên 0,8 khi áp dụng sang cohort mới; hơn 30% sinh viên được nhận diện có nguy cơ quay lại những hoạt động trước đó chưa tham gia trong vòng hai tuần sau can thiệp. Ý nghĩa quan trọng của kết quả không phải là một AUC cao tự tạo ra giá trị, mà là prediction được nối với một intervention có thiết kế và outcome được quan sát sau can thiệp.

Từ đó xuất hiện luận điểm thứ nhất của bài viết:

Prediction quality is necessary in many analytics applications, but it is not sufficient for intervention effectiveness.

Nói cách khác:

Prediction ≠ Decision ≠ Authorized Action ≠ Effectiveness.

Khoảng cách này trở nên quan trọng hơn khi giáo dục chuyển từ Generative AI sang Agentic AI. Generative AI chủ yếu phản hồi các yêu cầu của người dùng, trong khi Agentic AI có thể duy trì mục tiêu, sử dụng bộ nhớ, phân rã nhiệm vụ, lập kế hoạch, phối hợp công cụ, theo dõi môi trường và thực hiện một chuỗi hành động. Các tổng quan về LLM-based agents cho thấy planning, memory, tool use và environment interaction là những thành phần quan trọng phân biệt hệ thống tác tử với mô hình sinh nội dung phản ứng đơn thuần (Wang et al., 2024; Xi et al., 2025).

Trong hỗ trợ sinh viên, một hệ thống Agentic AI về mặt kỹ thuật có thể tiếp nhận risk score, truy xuất lịch sử học tập, nhận diện contextual information, đề xuất intervention, soạn thông điệp, lên lịch tư vấn, kiểm tra phản hồi và điều chỉnh kế hoạch. Khi đó, cùng một hệ thống không chỉ sản xuất knowledge claims mà bắt đầu tham gia vào decision orchestration.

Vấn đề vì thế thay đổi về bản chất. Nếu Learning Analytics chủ yếu đặt câu hỏi “What can we know?”, Agentic AI bổ sung câu hỏi “What can the system recommend or do?”. Nhưng governance giáo dục phải trả lời thêm câu hỏi thứ ba: “What should be done, who may authorize it, and who remains accountable?”

Đây là lý do không thể đánh giá Agentic AI chỉ bằng technical capability. Systematic review của Alfredo et al. (2024) về human-centred Learning Analytics và AI in Education cho thấy stakeholder participation, human control, safety, reliability và trustworthiness vẫn là những thách thức đáng kể. Kết quả này hàm ý rằng tăng automation trong một hệ thống chưa được thiết kế theo hướng human-centred có thể đồng thời mở rộng năng lực và mở rộng điểm mù quản trị.

Cùng logic đó, OECD Digital Education Outlook 2026 nhấn mạnh rằng GenAI có thể tăng cường hoạt động giảng dạy và tutoring trong khi vẫn duy trì teacher agency; việc đồng thiết kế công cụ với giáo viên và người dùng cuối được xem là một con đường để bảo đảm giá trị giáo dục. Đây là điểm quan trọng: human–AI complementarity không đạt được bằng cách trao mọi quyết định cho AI hoặc buộc con người xử lý mọi vi thao tác, mà bằng cách phân bổ đúng chức năng, thẩm quyền và trách nhiệm.

Bài viết vì vậy không bảo vệ luận đề “Agentic AI tốt hơn Learning Analytics”. Thay vào đó, bài đề xuất một luận đề có khả năng kiểm định:

Agentic AI mở rộng Learning Analytics từ dự báo sang điều phối hỗ trợ quyết định; nhưng giá trị giáo dục của sự mở rộng này phụ thuộc vào chất lượng quyết định được tạo ra và kiến trúc giám sát điều chỉnh agency của hệ thống.

Trục lý thuyết chính là:

Learning Analytics Capability → Agentic AI Decision Support → Student-Support Decision Quality → Student Support Effectiveness.

Trong đó:

Meaningful Human Oversight điều tiết AADS → SSDQ.

Song song, Human Accountability → Responsible Agentic AI Adoption đại diện cho nhánh governance thể chế.

Bài viết đóng góp trên bốn phương diện. Thứ nhất, Learning Analytics được tái định vị như epistemic infrastructure, thay vì endpoint của educational intelligence. Thứ hai, AADS được khái niệm hóa như decision-orchestration capability, khác với generic AI capability. Thứ ba, SSDQ được đưa vào như proximal mechanism giải thích tại sao và bằng cách nào AADS có thể tạo ra SSE. Thứ tư, nghiên cứu phát triển Bounded Educational Agency, trong đó AI có operational agency nhưng con người giữ normative authority và tổ chức duy trì institutional accountability.

2. KIẾN TRÚC LẬP LUẬN TÍCH HỢP BẢY BƯỚC

Để tránh kiểu literature review liệt kê nguồn, bài viết sử dụng kiến trúc lập luận bảy bước.

Bước 1 – Problem. Learning Analytics đã cải thiện khả năng dự báo nhưng prediction chưa giải quyết decision quality.

Bước 2 – Evidence. Bằng chứng về early identification và feedback intervention cho thấy predictive performance chỉ tạo giá trị khi được nối với intervention có cơ sở.

Bước 3 – Technological transition. Agentic AI mở rộng analytics thành reasoning, planning, recommendation, action và adaptation.

Bước 4 – Mechanism. Do đó cần một construct trung gian giải thích việc năng lực tác tử được chuyển thành giá trị giáo dục; bài viết đề xuất SSDQ.

Bước 5 – Boundary condition. AADS không hoạt động trong chân không; MHO xác định khi nào AI reasoning được contextualize, challenged hoặc overridden.

Bước 6 – Counterargument. Automation có thể tạo immediate task performance nhưng đồng thời làm suy yếu learner agency, metacognition hoặc productive struggle. Salah et al. (2026) gọi căng thẳng này là regulation paradox, phân biệt regulatory displacement, metacognitive laziness, reduced productive struggle và epistemic over-trust.

Bước 7 – Synthesis. Cần một cấu hình governance trong đó AI có đủ operational agency để tạo giá trị nhưng không chiếm normative authority. Khái niệm Bounded Educational Agency được phát triển để mô tả cấu hình này.

Kiến trúc trên tạo thành một research story thống nhất:

Data → Prediction → Agentic Reasoning → Decision Quality → Authorized Intervention → Educational Effectiveness, dưới điều kiện meaningful oversight, bounded agency và human accountability.

3. LEARNING ANALYTICS: TỪ DỮ LIỆU ĐẾN KHẢ NĂNG HÀNH ĐỘNG

3.1. Learning Analytics như epistemic infrastructure

Learning Analytics có thể được mô tả thông qua chuỗi:

Data → Representation → Analysis → Interpretation → Prediction → Decision Support.

Điểm quan trọng là dữ liệu không tự mang ý nghĩa. Attendance, submission frequency, clickstream, assessment result hoặc time-on-task chỉ là observations cho tới khi chúng được đặt trong một mô hình giải thích và một bối cảnh có liên quan. Tempelaar et al. (2020), khi đối chiếu subjective và objective data trong predictive modeling, cho thấy cách dữ liệu được lựa chọn và kết hợp ảnh hưởng tới prediction và interpretation. Vì vậy, một hệ thống analytics mạnh không chỉ cần nhiều dữ liệu mà cần epistemically appropriate data.

Sự phát triển của LA thường được phân biệt thành descriptive, diagnostic, predictive và prescriptive analytics. Ba mức đầu chủ yếu liên quan tới việc hiểu trạng thái hoặc xác suất. Prescriptive analytics tiến gần hơn tới câu hỏi nên làm gì, vì vậy mang hàm lượng normative và governance cao hơn.

Có thể phân biệt bốn validity layers:

Prediction validity: Dự báo có đủ chính xác và generalizable không?

Decision validity: Quyết định suy ra từ dự báo có hợp lý không?

Intervention validity: Hành động lựa chọn có phù hợp và có thể thực hiện không?

Outcome validity: Hành động có tạo ra kết quả hỗ trợ có ý nghĩa không?

Một bài nghiên cứu chỉ báo cáo AUC hoặc accuracy chủ yếu giải quyết lớp đầu tiên.

3.2. Learning Analytics Capability

Bài viết định nghĩa:

Learning Analytics Capability (LAC) là năng lực của cơ sở giáo dục trong việc tích hợp, xử lý, phân tích và diễn giải dữ liệu học tập một cách kịp thời, đáng tin cậy và có khả năng hành động nhằm tạo lập bằng chứng hỗ trợ quyết định giáo dục.

LAC gồm sáu miền: Data Integration, Analytical Capability, Predictive Capability, Interpretability, Timeliness và Actionability.

Data Integration phản ánh khả năng kết nối LMS, SIS, assessment, attendance và những nguồn dữ liệu có liên quan. Analytical Capability liên quan tới khả năng lựa chọn và thực thi phân tích phù hợp. Predictive Capability phản ánh khả năng tạo ra dự báo có độ chính xác và generalizability thích hợp. Interpretability yêu cầu output có thể được hiểu trong bối cảnh quyết định. Timeliness xác định liệu insight xuất hiện trước khi cửa sổ can thiệp đóng lại. Actionability phản ánh khả năng chuyển insight thành decision-relevant evidence.

Câu hỏi đặc trưng của LAC là:

What can the institution reliably know from learning data?

Đây là epistemic capacity, không phải action authority. Một tổ chức có LAC cao có thể biết nhiều hơn và sớm hơn, nhưng chưa đương nhiên có một cơ chế quyết định tốt hơn.

4. TỪ GENERATIVE AI ĐẾN AGENTIC AI

4.1. Từ phản hồi nội dung đến goal-directed operation

Generative AI đã mở rộng khả năng viết, giải thích, tutoring, coding và tạo nội dung trong giáo dục. Tuy nhiên, khả năng sinh nội dung không tự chứng minh tính chính xác, độ tin cậy hay giá trị giáo dục. Kasneci et al. (2023) nhấn mạnh song song opportunities với reliability, bias, privacy và responsible use.

Mô hình sử dụng phổ biến của GenAI có thể biểu diễn:

User Prompt → Model Response → Human Use.

Trong đó, user initiative thường khởi động chuỗi hoạt động.

Agentic AI mở rộng cấu trúc này bằng khả năng duy trì mục tiêu và thực thi chuỗi nhiều bước:

Goal → Observe → Reason → Plan → Tool Use → Act → Monitor → Adapt.

Wang et al. (2024) tổng hợp autonomous agents dựa trên LLM qua các thành tố như profile, memory, planning và action. Xi et al. (2025) tiếp tục hệ thống hóa sự chuyển dịch của LLM từ text generation sang goal-oriented interaction. Vì vậy, distinction trọng yếu không phải “AI agent viết văn bản tốt hơn chatbot”, mà là AI agent có thể tổ chức nhiều hoạt động hướng mục tiêu qua thời gian.

4.2. Agentic AI Decision Support

Bài viết định nghĩa:

Agentic AI Decision Support (AADS) là mức độ một hệ thống AI có khả năng chủ động tích hợp dữ liệu và bối cảnh, suy luận về một vấn đề hỗ trợ sinh viên, xây dựng kế hoạch, tạo và so sánh phương án, phối hợp công cụ, theo dõi phản hồi và điều chỉnh khuyến nghị nhằm hỗ trợ quá trình ra quyết định.

AADS gồm bảy miền:

Context Integration – kết hợp risk prediction với bối cảnh cá nhân và tổ chức.

Agentic Reasoning – suy luận qua nhiều nguồn evidence và constraints.

Planning – chuyển problem representation thành một hoặc nhiều intervention sequences.

Recommendation Generation – tạo phương án có rationale.

Tool/Workflow Coordination – điều phối calendar, communication, advising hoặc support systems trong phạm vi được phép.

Monitoring – theo dõi student response và environmental change.

Adaptive Revision – điều chỉnh recommendation khi evidence thay đổi.

Câu hỏi đặc trưng của AADS là:

What can AI do with what analytics knows?

Sự khác biệt với LAC vì vậy có tính bản chất:

LAC = epistemic capability.

AADS = decision-orchestration capability.

Một tổ chức có thể có dashboard và prediction model rất mạnh nhưng AADS thấp nếu AI không thể tích hợp context, lập kế hoạch hay tổ chức workflow. Ngược lại, một agent có khả năng planning mạnh nhưng hoạt động trên nền data chất lượng thấp có thể tạo ra “accelerated error”. Vì vậy, AADS phụ thuộc vào chất lượng epistemic infrastructure phía trước.

Đây là distinction thứ nhất:

Analytics ≠ Agency.

5. STUDENT-SUPPORT DECISION QUALITY NHƯ CƠ CHẾ TẠO GIÁ TRỊ

5.1. Tại sao decision quality phải đứng giữa AI và outcome?

Một cấu trúc thường gặp trong AI research là:

AI Capability → Performance.

Cấu trúc này có thể hữu ích về mặt dự báo nhưng thường không giải thích mechanism. Nếu Agentic AI cải thiện hỗ trợ sinh viên, cần xác định thành phần nào thay đổi giữa technical capability và student outcome.

AADS không trực tiếp “tạo retention”. Hệ thống sử dụng dữ liệu, hình thành reasoning, nhận diện options, kiểm tra constraints, tạo recommendation và hỗ trợ quyết định. Quyết định sau đó mới được chuyển thành intervention và có thể tác động tới người học.

Do đó:

AADS → SSDQ → SSE

có ý nghĩa giải thích mạnh hơn:

AI capability → educational outcome.

Nó định vị một cơ chế có thể bị bác bỏ thực nghiệm. Nếu AADS cao nhưng SSDQ không cải thiện, claim về agentic value phải được xem xét lại. Nếu SSDQ cải thiện nhưng SSE không tăng, cần kiểm tra intervention implementation, student response hoặc institutional capacity.

5.2. Định nghĩa SSDQ

Student-Support Decision Quality (SSDQ) là mức độ một quyết định hỗ trợ sinh viên dựa trên bằng chứng phù hợp và đủ chính xác, được đưa ra kịp thời, tương thích với bối cảnh và nhu cầu, khả thi, công bằng, có thể giải thích, tương xứng với rủi ro và duy trì quyền chủ thể của người học.

SSDQ gồm tám miền.

Accuracy phản ánh mức độ decision sử dụng đúng evidence.

Relevance phản ánh mức phù hợp giữa vấn đề và intervention.

Timeliness phản ánh việc quyết định được đưa ra trong cửa sổ có thể tạo ảnh hưởng.

Contextual Appropriateness phản ánh mức consideration đối với circumstances mà predictive model có thể không quan sát được.

Actionability phản ánh khả năng thực thi với nguồn lực hiện có.

Fairness yêu cầu decision không tạo bất lợi không chính đáng hoặc dựa vào proxy không phù hợp.

Explainability yêu cầu rationale có thể được trình bày, kiểm tra và bảo vệ.

Student-Centredness phản ánh dignity, agency, contestability và quyền được hỗ trợ thay vì bị xử lý như một risk score.

5.3. SSDQ khác AADS như thế nào?

Đây là discriminant distinction quan trọng.

AADS đo năng lực của hệ thống hỗ trợ quá trình quyết định.

SSDQ đo chất lượng của quyết định được tạo ra.

Một hệ thống có thể có AADS cao nhưng SSDQ thấp. Ví dụ, agent có thể truy xuất dữ liệu, lập kế hoạch và điều phối công cụ rất tốt nhưng dựa trên một interpretation sai hoặc lựa chọn intervention không tương xứng.

Ngược lại, một quyết định có thể đạt SSDQ cao dù AADS thấp nếu một cố vấn giàu kinh nghiệm diễn giải tốt dữ liệu đơn giản.

Do đó:

Capability ≠ Decision Quality.

5.4. SSDQ khác SSE như thế nào?

SSDQ là proximal decision outcome; SSE là distal educational/service outcome.

Một quyết định có thể rất hợp lý nhưng không đạt kết quả do sinh viên không phản hồi, dịch vụ thiếu nguồn lực hoặc hoàn cảnh thay đổi. Ngược lại, một outcome tích cực tình cờ không chứng minh decision process có chất lượng.

Vì vậy:

Good decision ≠ Guaranteed outcome.

Sự phân biệt này giúp tránh đồng nhất process quality với distal performance.

6. STUDENT SUPPORT EFFECTIVENESS

Bài viết định nghĩa:

Student Support Effectiveness (SSE) là mức độ các quyết định và hoạt động hỗ trợ giúp người học nhận được hỗ trợ kịp thời, phù hợp và hữu ích, qua đó cải thiện engagement, help-seeking, persistence, resolution of support needs hoặc khả năng tiếp tục học.

SSE không nên được đồng nhất với GPA hoặc retention đơn lẻ. Một intervention có thể thành công bằng cách đưa sinh viên tới đúng dịch vụ, giải quyết registration barrier, tăng help-seeking hoặc phục hồi engagement ngay cả khi GPA chưa thay đổi trong ngắn hạn.

Dai et al. (2025) minh họa một logic đánh giá hữu ích khi tách predictive performance khỏi post-intervention engagement. Điều này củng cố nguyên tắc:

Prediction metric ≠ Intervention outcome metric.

Trong nghiên cứu Agentic AI, SSE nên được operationalize phù hợp với loại support decision thay vì sử dụng một outcome chung cho mọi bối cảnh.

7. MEANINGFUL HUMAN OVERSIGHT NHƯ ĐIỀU KIỆN BIÊN

7.1. Human-in-the-loop chưa đủ

Sự hiện diện của con người không đương nhiên đồng nghĩa với human oversight có ý nghĩa.

Một advisor nhận AI recommendation và bấm “approve” mà không thấy evidence, uncertainty hoặc alternative options không thực sự thực hiện substantive review. Nếu hệ thống khiến override khó khăn hoặc decision mặc định được triển khai trừ khi con người can thiệp trong một thời gian rất ngắn, sự hiện diện của con người có thể chỉ mang tính procedural.

Vì vậy:

Human presence ≠ Meaningful Human Oversight.

7.2. Định nghĩa MHO

Meaningful Human Oversight (MHO) là năng lực và thẩm quyền có thể chứng minh của chủ thể con người để tiếp cận cơ sở của khuyến nghị AI, diễn giải evidence và uncertainty, đặt chúng trong bối cảnh, chất vấn, sửa đổi, từ chối hoặc dừng hành động, theo dõi hệ quả và tham gia chịu trách nhiệm đối với quyết định cuối cùng.

MHO có thể biểu diễn:

Inspect → Interpret → Question → Modify → Override → Approve/Stop → Monitor.

Ba nền tảng của MHO là epistemic access, intervention authority và monitoring capability.

Nếu con người không nhìn thấy evidence, họ không thể giám sát một cách có hiểu biết.

Nếu nhìn thấy nhưng không được phép sửa đổi hay dừng action, họ chỉ quan sát.

Nếu có quyền can thiệp nhưng không có enough information, đó là blind control.

Từ đây:

Information without authority = observation.

Authority without information = blind control.

7.3. MHO không phải mediator trong mô hình lý thuyết

Đây là hiệu chỉnh quan trọng.

MHO không được đặt như một mắt xích tuyến tính:

AADS → SSDQ → MHO → SSE.

Logic này sẽ làm sai vai trò construct, vì oversight không phải sản phẩm tất yếu xuất hiện sau decision quality. Trong mô hình lý thuyết, MHO được định vị như boundary condition của AADS → SSDQ.

Tức là:

AADS × MHO → SSDQ.

Ở mức MHO phù hợp, human contextual knowledge, ethical judgment và authority có thể sửa những limitations của AI recommendation. Ở MHO quá thấp, automation bias và contextual blindness có thể làm giảm SSDQ.

Tuy nhiên, bài viết không giả định “càng nhiều oversight càng tốt”. Oversight quá mức có thể tạo friction, delay hoặc ritualistic approval. Vì vậy, nonlinear relationship là một competing explanation cần được kiểm tra trong nghiên cứu tiếp theo.

8. REGULATION PARADOX VÀ GIỚI HẠN CỦA AUTOMATION-CENTRED LOGIC

Một lý thuyết về Agentic AI trong giáo dục sẽ không đầy đủ nếu chỉ xét lợi ích efficiency.

Agentic AI có thể giúp người học đặt mục tiêu, theo dõi tiến độ, lựa chọn chiến lược và điều chỉnh hành vi. Nhưng những hoạt động đó cũng chính là năng lực người học cần thực hành để phát triển self-regulated learning.

Salah et al. (2026) gọi sự căng thẳng này là regulation paradox: hệ thống được thiết kế để hỗ trợ self-regulation có thể bắt đầu thay thế những hoạt động thông qua đó self-regulation được hình thành. Các tác giả phân biệt bốn rủi ro: regulatory displacement, metacognitive laziness, reduced productive struggle và epistemic over-trust.

Counterargument này có ý nghĩa rộng hơn student self-regulation. Nó cho thấy immediate efficiency không phải là tiêu chí duy nhất của educational value.

Một agent có thể giúp hoàn thành nhiệm vụ tốt hơn hôm nay nhưng làm giảm năng lực tự thực hiện nhiệm vụ ngày mai.

Vì vậy:

Task performance ≠ Learning development.

Tương tự, một support system có thể tăng workflow efficiency nhưng giảm professional judgment nếu nhân viên hình thành thói quen rubber-stamping AI recommendations.

Do đó:

Operational efficiency ≠ Decision capability development.

Bài viết vì vậy đặt Agentic AI trong logic complementarity thay vì substitution. OECD (2026) cũng nhấn mạnh educational GenAI có thể augment human teaching trong khi bảo tồn teacher agency.

Câu hỏi thích hợp không phải:

How much can AI automate?

Mà là:

Which cognitive and operational functions should AI perform, which should humans retain, and how should authority change with risk?

9. BOUNDED EDUCATIONAL AGENCY

9.1. Từ bounded autonomy đến educational agency

Salah et al. (2026) đề xuất bounded autonomy, trong đó phạm vi autonomy của Agentic AI cần được giới hạn theo scope, timing, transparency, contestability, duration và decision authority.

Bài viết kế thừa nguyên tắc này nhưng mở rộng theo ba hướng.

Thứ nhất, analysis không chỉ tập trung vào learner–AI interaction mà vào quyết định hỗ trợ sinh viên ở cấp tổ chức.

Thứ hai, cần phân biệt technical autonomy với legitimate decision authority.

Thứ ba, accountability không chỉ thuộc cá nhân human reviewer mà còn có tầng organizational responsibility.

Trên cơ sở đó, bài đề xuất:

Bounded Educational Agency là quyền chủ động tác nghiệp được trao cho AI trong những giới hạn xác định trước về mục tiêu, dữ liệu, phạm vi nhiệm vụ, thời gian, loại hành động, khả năng đảo ngược, mức rủi ro và thẩm quyền quyết định, trong khi con người duy trì normative authority, khả năng contest/override/stop và tổ chức duy trì final institutional accountability.

9.2. Ba tầng agency–authority–accountability

Operational Agency — AI. AI có thể thu thập evidence, sequencing tasks, tạo recommendation, chuẩn bị intervention và trong một số tình huống rủi ro thấp thực hiện hành động đã được ủy quyền trước.

Normative Authority — Human. Con người xác định cái gì nên được làm, can thiệp khi context đòi hỏi và duy trì quyền override ở những quyết định có hệ quả đáng kể.

Institutional Accountability — Organization. Tổ chức chịu trách nhiệm thiết lập policy, permissions, safeguards, escalation rules, audit, appeal mechanisms và remediation.

Distinction cốt lõi là:

AI may possess operational agency without possessing legitimate normative authority.

9.3. Risk-proportional allocation

Bounded Educational Agency tránh hai cực.

Zero autonomy làm mất ý nghĩa của agentic architecture vì con người phải thực hiện mọi bước.

Unbounded autonomy làm chuyển quá mức decision authority sang hệ thống kỹ thuật.

Giải pháp là proportional allocation:

Mức rủi ro	Vai trò phù hợp của AI	Vai trò con người
Thấp, dễ đảo ngược	Execute trong policy đã phê duyệt	Monitor
Trung bình	Recommend/prepare	Review/modify
Cao	Analyze/recommend	Explicitly approve
Rất cao, khó đảo ngược	Evidence support only	Decide and authorize

Nguyên tắc:

Permissible AI agency should decrease as risk, irreversibility and consequence increase.

10. HUMAN ACCOUNTABILITY VÀ RESPONSIBLE AGENTIC AI ADOPTION

10.1. Human Accountability khác Meaningful Human Oversight

Để bảo đảm discriminant validity, bài viết tách hai construct.

MHO hỏi: Con người có đủ thông tin và quyền để can thiệp vào AI-supported decision hay không?

HA hỏi: Ai phải trả lời và chịu trách nhiệm đối với quyết định cuối cùng?

Do đó:

Oversight ≠ Accountability.

Một tổ chức có thể thiết kế giao diện cho phép override nhưng vẫn không xác định ai chịu trách nhiệm nếu decision gây hậu quả. Ngược lại, tổ chức có thể quy trách nhiệm cho advisor nhưng advisor lại không có quyền sửa hoặc dừng AI workflow. Cả hai cấu hình đều không đầy đủ.

Human Accountability (HA) là mức độ trách nhiệm cuối cùng đối với quyết định hỗ trợ sinh viên và hậu quả liên quan có thể được quy định rõ cho một chủ thể con người hoặc đơn vị có thẩm quyền, bất kể mức độ AI tham gia thực thi workflow.

10.2. Responsible Agentic AI Adoption

Responsible Agentic AI Adoption (RAAA) là mức độ một cơ sở giáo dục triển khai Agentic AI trong một kiến trúc duy trì human authority, proportionality, privacy, fairness, transparency, contestability, monitoring và accountability.

RAAA không đồng nghĩa adoption intensity.

Một trường có thể triển khai nhiều agents nhưng thiếu audit, escalation, appeal và accountability. Trường đó có AI adoption cao nhưng responsible adoption thấp.

Vì vậy:

AI adoption ≠ Responsible AI adoption.

HA → RAAA được giữ trong nghiên cứu như một governance complement, không phải mắt xích trong value-creation chain LAC → AADS → SSDQ → SSE. Sự tách này làm mô hình parsimonious hơn và tránh nhầm lẫn giữa hai câu hỏi khác nhau: “Agentic AI tạo giá trị bằng cơ chế nào?” và “Tổ chức cần điều kiện governance nào để triển khai Agentic AI có trách nhiệm?”

11. MÔ HÌNH LÝ THUYẾT VÀ GIẢ THUYẾT

11.1. Mô hình cốt lõi

LEARNING ANALYTICS CAPABILITY — LAC

↓ H1

AGENTIC AI DECISION SUPPORT — AADS

↓ H2

STUDENT-SUPPORT DECISION QUALITY — SSDQ

↓ H3

STUDENT SUPPORT EFFECTIVENESS — SSE

Đường bổ sung:

AADS → SSE — H4

Cơ chế trung gian:

AADS → SSDQ → SSE — H5

Điều kiện biên:

AADS × MHO → SSDQ — H6

Nhánh governance bổ trợ:

HA → RAAA — H7

11.2. H1: LAC → AADS

AADS cần dependable data, contextual signals và analytical representations để reasoning. Nếu dữ liệu phân mảnh, chậm hoặc sai, một agent có khả năng planning mạnh vẫn có thể reasoning trên nền evidence kém.

LAC vì vậy cung cấp epistemic substrate cho AADS.

H1. Learning Analytics Capability có ảnh hưởng tích cực đến Agentic AI Decision Support.

Cơ chế:

Reliable Data → Analytical Intelligence → Agentic Reasoning Capacity.

11.3. H2: AADS → SSDQ

AADS có thể nâng decision quality bằng cách kết hợp nhiều nguồn, kiểm tra conflict, tạo alternatives, xem xét constraints, sequencing actions và theo dõi hậu quả. Tuy nhiên, tác động không được hiểu là AI luôn đưa ra quyết định tốt hơn; nó là một proposition có điều kiện và cần empirical test.

H2. Agentic AI Decision Support có ảnh hưởng tích cực đến Student-Support Decision Quality.

11.4. H3: SSDQ → SSE

Một quyết định chính xác, contextually appropriate, timely, actionable và student-centred có xác suất cao hơn được chuyển thành intervention phù hợp.

H3. Student-Support Decision Quality có ảnh hưởng tích cực đến Student Support Effectiveness.

11.5. H4: AADS → SSE

Ngoài pathway qua decision quality, AADS có thể mang lại operational benefits như giảm latency, hỗ trợ follow-up và phối hợp workflow.

H4. Agentic AI Decision Support có ảnh hưởng tích cực đến Student Support Effectiveness.

H4 được giữ để kiểm tra partial versus full mediation; nó không thay thế H5.

11.6. H5: Vai trò trung gian của SSDQ

Đây là cơ chế trung tâm.

H5. Student-Support Decision Quality đóng vai trò trung gian trong quan hệ giữa Agentic AI Decision Support và Student Support Effectiveness.

Nếu H5 được hỗ trợ, claim lý thuyết trở nên rõ:

Agentic AI creates educational value through better decisions, not merely through greater automation.

11.7. H6: Vai trò điều tiết của MHO

AI có thể thiếu contextual knowledge, sử dụng proxy không phù hợp hoặc tạo recommendation quá tự tin. MHO giúp contextualize, challenge, modify và override.

H6. Meaningful Human Oversight điều tiết tích cực quan hệ giữa Agentic AI Decision Support và Student-Support Decision Quality; ảnh hưởng tích cực của AADS lên SSDQ mạnh hơn khi MHO ở mức phù hợp cao.

Cần lưu ý đây là linear hypothesis chính. Nonlinear/threshold pattern được xem là competing hypothesis cho nghiên cứu tiếp theo.

11.8. H7: HA → RAAA

Accountability rõ ràng làm tăng incentive để tổ chức xác định permissions, logging, audit, escalation và remediation.

H7. Human Accountability có ảnh hưởng tích cực đến Responsible Agentic AI Adoption.

12. CÂU HỎI NGHIÊN CỨU

RQ1. LAC tạo nền tảng cho AADS như thế nào?

RQ2. AADS ảnh hưởng đến SSE trực tiếp và gián tiếp thông qua SSDQ ở mức độ nào?

RQ3. MHO thay đổi quan hệ AADS–SSDQ như thế nào?

RQ4. Khi nào human oversight cải thiện judgment và khi nào tạo procedural friction?

RQ5. HA có liên hệ như thế nào với RAAA?

RQ6. Agentic decision support có tạo decision-quality gains vượt prediction-only Learning Analytics hay không?

13. PHƯƠNG PHÁP NGHIÊN CỨU

13.1. Triết lý thiết kế

Nghiên cứu sử dụng two-study design vì không một phương pháp đơn lẻ có thể đồng thời cung cấp bằng chứng tối ưu về construct validity, nomological relationships và causal effects.

Study 1 — Scale Development and Nomological Validation tập trung vào cấu trúc đo lường và quan hệ lý thuyết.

Study 2 — Scenario-Based Factorial Experiment tập trung vào causal mechanism và behavioral decision performance.

Logic này phù hợp với nguyên tắc lựa chọn phương pháp dựa trên research question và loại inference cần thiết thay vì dựa trên sự tiện lợi của công cụ (Lazar et al., 2017; Williamson & Johanson, 2018).

14. STUDY 1 — SCALE DEVELOPMENT AND NOMOLOGICAL VALIDATION

14.1. Construct specification

Trước khi tạo item, boundaries cần được xác lập rõ:

Construct	Nội hàm
LAC	Năng lực phân tích và tạo evidence của tổ chức
AADS	Năng lực AI điều phối hỗ trợ quyết định
SSDQ	Chất lượng quyết định hỗ trợ
SSE	Hiệu quả downstream của hoạt động hỗ trợ
MHO	Khả năng và thẩm quyền giám sát/can thiệp
HA	Trách nhiệm cuối cùng
RAAA	Chất lượng triển khai Agentic AI có trách nhiệm

Construct specification giúp hạn chế jingle–jangle fallacy và đặc biệt quan trọng với bốn cặp có nguy cơ overlap: LAC–AADS, AADS–SSDQ, SSDQ–SSE, MHO–HA.

14.2. Item generation

Initial item pool nên được phát triển từ systematic literature mapping, Learning Analytics research, autonomous-agent literature, human-centred AI, AI governance và interviews với student-support professionals.

Khoảng 8–12 item cho mỗi construct có thể được tạo ở vòng đầu trước reduction. Không nên giả định mọi construct đều cần scale hoàn toàn mới. Validated measures hiện có nên được adapt khi conceptually equivalent. AADS và SSDQ có khả năng cần development mới nhiều nhất.

14.3. Content validation

Expert panel dự kiến khoảng 10–15 chuyên gia thuộc Learning Analytics, psychometrics, educational technology, student support, AI governance và HCI.

Các item được đánh giá theo relevance, clarity, representativeness và construct specificity.

Có thể báo cáo I-CVI, S-CVI/Ave và modified κ khi phù hợp. Tuy nhiên, numerical content-validity index không thay thế theoretical judgment. Một item có CVI cao nhưng được chuyên gia gán cho hai constructs khác nhau vẫn cần revision.

14.4. Cognitive interviewing

Khoảng 15–30 người thuộc target population được sử dụng cho think-aloud, paraphrasing và comprehension probing.

Đặc biệt cần kiểm tra các thuật ngữ agentic, override, accountability, authorized action, decision quality và oversight, vì respondent có thể diễn giải khác researcher.

Cognitive validity cần được xác lập trước large-scale CFA; factor fit không thể sửa một item mà người trả lời hiểu sai.

14.5. Exploratory factor analysis

Pilot sample dự kiến khoảng 250–350, nhưng final sample size cần được xác định bằng power/precision analysis dựa trên số item, communalities, factor structure và estimation method thay vì coi khoảng này là quy tắc cố định.

Phân tích cần kiểm tra missingness, distribution, floor/ceiling effects, inter-item correlations, KMO, Bartlett test, parallel analysis, factor loadings, cross-loadings và communalities.

Không sử dụng duy nhất eigenvalue > 1 để giữ factor.

Item elimination phải cân bằng statistical evidence với theoretical coverage.

14.6. Independent confirmatory factor analysis

Independent CFA sample dự kiến khoảng 350–500, với final target được xác định theo model complexity và estimation assumptions.

Các mô hình cạnh tranh bao gồm:

M1: one-factor model.

M2: collapsed-factor model cho những constructs có nguy cơ overlap.

M3: seven correlated factors.

M4: proposed theoretically constrained measurement model.

Báo cáo χ², CFI, TLI, RMSEA với confidence interval và SRMR. Fit indices được diễn giải tổng hợp, không dùng như một pass/fail algorithm.

14.7. Reliability và construct validity

Reliability được đánh giá bằng Cronbach’s α, McDonald’s ω và composite reliability khi phù hợp.

Convergent validity dựa trên standardized loadings, AVE và CR.

Discriminant validity cần dùng HTMT, factor correlations và model comparisons. Henseler et al. (2015) cung cấp nền tảng cho việc sử dụng HTMT như một tiêu chí đánh giá discriminant validity.

Nếu HTMT cao ở LAC–AADS hoặc AADS–SSDQ, phản ứng thích hợp không phải chỉ xóa item để “đạt ngưỡng”, mà phải quay lại construct theory.

14.8. Structural model

Các paths:

LAC → AADS.

AADS → SSDQ.

SSDQ → SSE.

AADS → SSE.

HA → RAAA.

Mediation:

AADS → SSDQ → SSE.

Moderation:

AADS × MHO → SSDQ.

Indirect effects được đánh giá bằng bootstrap, chẳng hạn 5.000 resamples, cùng confidence intervals.

Cần báo cáo standardized β, SE, confidence intervals, p values, R², indirect effect và total effect sau khi có dữ liệu.

Do Study 1 có thể mang tính cross-sectional, manuscript không được diễn giải correlation/SEM paths như definitive causal effects.

14.9. Common-method considerations

Nếu phần lớn measures dựa trên cùng respondent, procedural remedies cần được thiết kế trước: anonymity, separation of predictor/outcome sections, randomization of item order, alternate scale anchors khi hợp lý và temporal separation nếu khả thi.

Statistical diagnostics có thể gồm marker variable hoặc common latent factor khi thiết kế cho phép. Không nên xem Harman one-factor test là bằng chứng đầy đủ loại trừ common-method bias.

14.10. Measurement invariance

Nếu sample size cho phép, measurement invariance nên được kiểm tra qua các nhóm như disciplines, AI experience hoặc support contexts.

Trình tự:

Configural → Metric → Scalar.

Việc so sánh latent means chỉ có ý nghĩa khi mức invariance phù hợp được thiết lập (Putnick & Bornstein, 2016).

15. STUDY 2 — SCENARIO-BASED FACTORIAL EXPERIMENT

15.1. Mục tiêu

Study 1 kiểm tra constructs có phân biệt và liên hệ theo nomological expectations hay không. Study 2 giải quyết câu hỏi mạnh hơn:

AADS và MHO có thực sự thay đổi chất lượng quyết định trong cùng một decision context hay không?

Thiết kế này giảm phụ thuộc vào respondent perceptions và cung cấp causal leverage.

15.2. Thiết kế thí nghiệm

Mô hình đề xuất là 4 × 2 factorial design.

Factor A — AI Decision Support Level:

1. Learning Analytics dashboard only.
2. Predictive AI + recommendation.
3. Agentic AI + recommendation + intervention plan.
4. Semi-autonomous agentic action.

Factor B — Human Oversight:

1. Low MHO.
2. High MHO.

Thiết kế 4 × 2 cho phép tách “more AI” khỏi “more agency”. Đây là distinction quan trọng, vì predictive recommendation và agentic planning không phải cùng một treatment level về mặt lý thuyết.

15.3. Scenario

Participant được cung cấp tình huống về một sinh viên được nhận diện có nguy cơ cao dựa trên attendance decline, reduced LMS activity, late assignment submission, historical academic record, employment hours và help-seeking history.

Risk probability, chẳng hạn 0,82, được dùng như experimental stimulus, không phải empirical result của bài nghiên cứu.

AI system có thể:

retrieve history;

integrate evidence;

generate interpretation;

propose intervention;

prepare communication;

suggest advising appointment;

monitor response.

Scenario cần chứa ít nhất một challenge có khả năng làm lộ decision quality, chẳng hạn omitted context, unsupported inference, false positive, sensitive proxy hoặc excessive intervention.

Participant lựa chọn:

Accept / Modify / Reject / Escalate / Stop.

15.4. MHO manipulation

Low-MHO condition có limited rationale, limited uncertainty information, default acceptance, difficult override và ambiguous accountability.

High-MHO condition cung cấp visible evidence, uncertainty information, contextual access, modify/reject/stop controls và explicit accountable role.

Như vậy manipulation phản ánh substantive oversight chứ không đơn giản là “có con người trong workflow”.

15.5. Outcomes

Primary outcome: SSDQ.

Secondary outcomes có thể gồm fairness, contextual sensitivity, proportionality, intervention appropriateness, decision confidence, willingness to delegate và student-centredness.

SSDQ performance có thể được expert-rated bằng rubric độc lập, giúp bổ sung self-report measure.

15.6. Analysis plan

Nếu mỗi participant xử lý một scenario, factorial regression hoặc ANOVA/ANCOVA có thể được sử dụng tùy assumptions.

Nếu mỗi participant xử lý nhiều scenarios, multilevel modeling phù hợp hơn.

Binary decision outcome có thể sử dụng logistic regression.

Primary reporting cần gồm main effects, interaction, marginal means, simple effects, confidence intervals và effect size.

Preregistration được khuyến nghị để phân biệt confirmatory và exploratory analyses.

16. MÔ HÌNH CẠNH TRANH VÀ FALSIFIABILITY

Một bài lý thuyết mạnh không chỉ xây dựng mô hình có vẻ hợp lý mà phải nêu rõ điều gì có thể khiến mô hình bị thu hẹp hoặc bác bỏ.

Alternative Model 1: LAC → SSDQ → SSE.

Nếu AADS không tạo incremental explanatory value, việc thêm construct agentic capability có thể không cần thiết.

Alternative Model 2: AADS → SSE.

Nếu SSDQ không đóng vai trò trung gian đáng kể, mechanism claim cần được xem lại.

Alternative Model 3: MHO → SSDQ.

MHO có thể là direct antecedent chứ không phải moderator.

Alternative Model 4: LAC và AADS song song → SSDQ.

Nếu dữ liệu cho thấy LAC và AADS là complementary antecedents thay vì sequential capabilities, causal ordering LAC → AADS cần được thu hẹp.

Alternative Model 5: Nonlinear MHO.

Mức oversight trung bình/cao có thể tối ưu, trong khi quá cao gây friction.

Mục tiêu là:

Theory testing, not model decoration.

17. THẢO LUẬN

17.1. Từ prediction-centred analytics sang decision-centred intelligence

Đóng góp đầu tiên của mô hình là thay đổi đơn vị phân tích.

Learning Analytics truyền thống thường dừng tại insight hoặc prediction. Dai et al. (2025) cho thấy prediction phải được nối với timely intervention mới có thể tạo behavioral response. Bài viết mở rộng logic đó bằng cách đặt decision quality vào giữa:

Prediction → Decision Quality → Authorized Intervention → Effectiveness.

Khi đó, câu hỏi không còn là “risk model có chính xác không?” mà là “risk information đã được chuyển thành quyết định có chất lượng hay chưa?”

17.2. Analytics ≠ Agency

Learning Analytics sản xuất intelligence; Agentic AI có thể tổ chức activity.

Một dashboard có machine learning vẫn không phải agent chỉ vì sử dụng AI. Agentic quality đòi hỏi goal-directed reasoning, planning, sequencing, monitoring và adaptive action.

Distinction này ngăn khái niệm “Agentic AI” bị mở rộng quá mức.

17.3. Prediction ≠ Decision

Prediction là descriptive/probabilistic judgment về điều có thể xảy ra.

Decision liên quan tới lựa chọn action.

Câu hỏi “What is likely to happen?” khác bản chất với “What should we do?”

Câu hỏi thứ hai chứa normative, contextual, ethical và resource judgments.

Vì vậy predictive model không thể tự hợp thức hóa intervention.

17.4. Decision ≠ Authorized Action

Một recommendation có chất lượng vẫn chưa phải legitimate action.

AI có technical ability gửi email, đặt lịch hoặc thay đổi workflow không đồng nghĩa hệ thống có authority làm điều đó trong mọi trường hợp.

Decision authority có thể thuộc advisor, faculty member, student-support office hoặc institution.

Đây là lý do “Authorized Action” xuất hiện trong operational architecture nhưng không phải construct trung gian độc lập trong theoretical SEM model.

17.5. Action ≠ Effectiveness

Một intervention đã được triển khai không đồng nghĩa support thành công.

Sinh viên có thể bỏ qua, hiểu sai, cảm thấy bị gắn nhãn hoặc không có khả năng tiếp cận dịch vụ được đề xuất.

SSE vì vậy phải được đo downstream.

17.6. Automation ≠ Accountability

Automation chuyển execution nhưng không làm accountability biến mất.

Nguyên tắc tương tự có thể thấy trong chính sách GenAI hiện hành của Elsevier: AI tools có thể hỗ trợ manuscript preparation nhưng không được thay thế human critical thinking; tác giả vẫn chịu trách nhiệm kiểm tra độ chính xác, nguồn, tính toàn diện và nội dung cuối cùng. Chính sách cũng yêu cầu disclosure thích hợp khi GenAI được sử dụng.

Mặc dù scholarly publishing và student-support governance là hai bối cảnh khác nhau, logic trách nhiệm có điểm tương đồng:

Execution may be delegated; accountability requires an accountable human/institutional locus.

18. ĐÓNG GÓP LÝ THUYẾT

Đóng góp thứ nhất — Learning Analytics như Epistemic Infrastructure. Agentic AI không thay thế LA. LA cung cấp data, pattern, prediction và evidence structures mà agent cần để reasoning.

Đóng góp thứ hai — AADS như Decision-Orchestration Capability. AADS được tách khỏi generic AI use bằng các capability liên quan tới context integration, reasoning, planning, workflow coordination, monitoring và adaptation.

Đóng góp thứ ba — SSDQ như Proximal Mechanism. Thay vì AI → outcome, bài đề xuất AADS → SSDQ → SSE, làm rõ mechanism và tăng falsifiability.

Đóng góp thứ tư — MHO như Governance Boundary Condition. Oversight không còn là ethical slogan mà trở thành construct có thể đo và experimentally manipulate.

Đóng góp thứ năm — Bounded Educational Agency. Khái niệm phân biệt operational agency của AI, normative authority của con người và institutional accountability của tổ chức.

Đóng góp thứ sáu — Decision-Centred Evaluation. Evaluation mở rộng từ accuracy/AUC sang appropriateness, fairness, contextual sensitivity, explainability và downstream effectiveness.

Đóng góp thứ bảy — Tách value-creation architecture khỏi governance architecture. LAC → AADS → SSDQ → SSE trả lời AI tạo giá trị bằng cơ chế nào; HA → RAAA trả lời tổ chức thể chế hóa AI có trách nhiệm bằng điều kiện nào.

19. HÀM Ý QUẢN TRỊ VÀ THỰC HÀNH

Các trường đại học không nên bắt đầu chiến lược Agentic AI bằng câu hỏi:

“Chúng ta có thể tự động hóa bao nhiêu?”

Câu hỏi phù hợp hơn là:

“Quyết định nào đang được hỗ trợ, mức rủi ro là bao nhiêu, hành động có đảo ngược được không và ai có legitimate authority?”

Một governance architecture cần trả lời tối thiểu các vấn đề: dữ liệu nào được dùng; prediction hàm ý gì và không hàm ý gì; AI được phép recommend những gì; AI được phép execute đến đâu; action có thể đảo ngược hay không; student có quyền contest không; staff có khả năng override không; ai theo dõi outcome; và ai chịu trách nhiệm.

Điều này chuyển governance từ:

tool-based governance

sang:

decision-, risk- and authority-based governance.

OECD (2026) nhấn mạnh việc co-design GenAI với teachers và end users để tạo educational value, củng cố định hướng chuyển từ “AI deployed to users” sang “AI governed with users”.

20. HÀM Ý ĐỐI VỚI SINH VIÊN VÀ LEARNER AGENCY

Student-centredness không nên chỉ là một item của SSDQ. Sinh viên là stakeholders chịu trực tiếp hệ quả của prediction và intervention.

Responsible Agentic AI vì vậy cần xem xét awareness, explanation, proportional consent khi phù hợp, contestability, appeal, data rights và non-stigmatization.

Một risk label có thể tạo lợi ích nếu kích hoạt hỗ trợ, nhưng cũng có thể tạo harm nếu được diễn giải như định danh cố định về năng lực của sinh viên.

Do đó, hệ thống phải phân biệt:

risk prediction as provisional evidence

với:

student identity as substantive judgment.

Bounded Educational Agency còn bảo vệ learner agency bằng cách không tự động hóa những lựa chọn mà sinh viên có quyền tham gia. Trong nhiều trường hợp, AI nên tạo options thay vì chọn thay; giải thích trade-offs thay vì áp đặt; và chuyển quyền quyết định về cho sinh viên khi decision chủ yếu ảnh hưởng đến con đường học tập của chính họ.

Regulation paradox của Salah et al. (2026) làm rõ thêm rằng AI support chỉ thực sự có giá trị giáo dục nếu cuối cùng giúp người học trở nên có năng lực hơn, thay vì phụ thuộc hơn vào hệ thống.

21. KIẾN TRÚC VẬN HÀNH CỦA AGENTIC AI TRONG HỖ TRỢ SINH VIÊN

Mô hình workflow được tách khỏi structural theoretical model:

EDUCATIONAL DATA

↓

LEARNING ANALYTICS

↓

EARLY PREDICTION

↓

CONTEXT INTEGRATION

↓

AGENTIC REASONING

↓

INTERVENTION PLANNING

↓

SUPPORT RECOMMENDATION

↓

MEANINGFUL HUMAN REVIEW

↓

AUTHORIZED ACTION

↓

STUDENT RESPONSE

↓

OUTCOME MONITORING

↓

FEEDBACK & ADAPTATION

Ở đây, Meaningful Human Review là một stage trong operational workflow. Điều này không mâu thuẫn với MHO là moderator trong theoretical model. Một construct có thể đóng vai trò boundary condition ở mức lý thuyết nhưng được operationalized qua review affordances trong workflow thực tế.

Sự bổ sung quan trọng nhất là:

AUTHORIZED ACTION.

Bởi:

Decision ≠ Authorized Action.

Khả năng kỹ thuật thực hiện action phải được tách khỏi legitimate authority thực hiện action.

22. HẠN CHẾ VÀ CHƯƠNG TRÌNH NGHIÊN CỨU TIẾP THEO

Thứ nhất, mô hình hiện tại là theoretical-development/protocol model; các constructs mới, đặc biệt AADS, SSDQ và Bounded Educational Agency, cần empirical validation.

Thứ hai, Study 1 nếu cross-sectional không thể xác lập causal direction. SEM paths cần được diễn giải như associations phù hợp với theory, không phải causal proof.

Thứ ba, self-reported MHO có nguy cơ phản ánh perceived control thay vì actual control. Study 2 vì vậy cần performance-based manipulation.

Thứ tư, SSE chịu ảnh hưởng bởi institutional resources, service availability và implementation fidelity. Một quyết định tốt không thể tạo outcome nếu support infrastructure thiếu năng lực.

Thứ năm, MHO có thể phi tuyến. Oversight quá thấp làm tăng automation risk; oversight quá cao có thể tạo procedural friction.

Thứ sáu, cultural và institutional differences có thể thay đổi cách authority, student consent và contestability được hiểu.

Thứ bảy, short-term outcome có thể khác long-term learner agency. Một intervention làm tăng completion ngay lập tức nhưng làm giảm self-regulation về dài hạn không nên được đánh giá đơn giản là thành công.

Thứ tám, Agentic AI phát triển nhanh khiến operationalization có thể cần điều chỉnh khi architecture thay đổi. Do đó construct definitions cần dựa trên chức năng — reasoning, planning, coordination, monitoring — thay vì một sản phẩm cụ thể.

Thứ chín, HA → RAAA mới là governance complement ở mức khái niệm. Các nghiên cứu sau có thể phát triển một institutional governance model riêng, gồm accountability clarity, auditability, escalation design, risk classification và student contestability.

Thứ mười, cần longitudinal studies để kiểm tra liệu lợi ích decision efficiency có duy trì hay tạo deskilling ở staff và dependency ở students.

23. KẾT LUẬN

Sự chuyển dịch từ Learning Analytics sang Agentic AI trong giáo dục đại học không chỉ là sự tiến hóa từ predictive model yếu sang predictive model mạnh hơn. Nó là sự thay đổi về đơn vị hành động, quyền chủ động và cấu trúc trách nhiệm.

Learning Analytics trả lời:

What can we know?

Agentic AI mở rộng:

What can the system reason, recommend and operationally do?

Nhưng giáo dục và governance phải trả lời:

What should be done, who may authorize it, under what safeguards, and who remains accountable?

Bài viết đề xuất trục:

LAC → AADS → SSDQ → SSE

với:

MHO điều tiết AADS → SSDQ

và nhánh governance:

HA → RAAA.

Giá trị lý thuyết của cấu trúc này được kết tinh qua năm distinctions:

Analytics ≠ Agency.

Prediction ≠ Decision.

Decision ≠ Authorized Action.

Action ≠ Effectiveness.

Automation ≠ Accountability.

Những distinctions này cho thấy đánh giá Agentic AI không thể dừng ở câu hỏi hệ thống làm được bao nhiêu. Một agent có thể technically capable nhưng epistemically weak, contextually inappropriate hoặc institutionally unauthorized. Ngược lại, một kiến trúc quá hạn chế agency có thể làm mất những lợi ích thực sự của agentic coordination.

Vì vậy, mục tiêu không phải zero agency hay maximum autonomy, mà là appropriate agency.

Bounded Educational Agency được đề xuất như cấu hình trong đó AI được trao đủ operational agency để thực hiện những nhiệm vụ có giá trị, nhưng agency đó được giới hạn theo risk, reversibility và consequence; con người duy trì normative authority, meaningful oversight và quyền override; tổ chức duy trì accountability, policy và remediation responsibility.

Luận điểm trung tâm có thể được tóm lại:

Agentic AI creates educational value through better decisions, not merely through greater automation.

Và đầy đủ hơn:

Giá trị giáo dục của Agentic AI không được quyết định bởi mức tự động hóa tối đa, mà bởi khả năng chuyển bằng chứng phân tích thành quyết định có chất lượng trong một kiến trúc bảo tồn human agency, phân bổ authority tương xứng với rủi ro và duy trì accountability có thể quy trách nhiệm.

NOVELTY STATEMENT

This study advances higher-education analytics research from prediction-centred intelligence toward governance-aware agentic decision support. It distinguishes analytics from agency, prediction from decision, decision from authorized action, action from effectiveness, and automation from accountability. It conceptualizes Agentic AI Decision Support as a decision-orchestration capability, positions Student-Support Decision Quality as the proximal mechanism through which agentic capability may improve support effectiveness, and models Meaningful Human Oversight as a boundary condition rather than nominal human presence. The study further introduces Bounded Educational Agency, distinguishing AI operational agency from human normative authority and institutional accountability.

CONTRIBUTION STATEMENT

The study makes five principal contributions. First, it reframes Learning Analytics as an epistemic infrastructure for Agentic AI rather than the endpoint of educational prediction. Second, it conceptualizes Agentic AI Decision Support as a distinct decision-orchestration capability. Third, it positions Student-Support Decision Quality as the mechanism connecting agentic capability with Student Support Effectiveness. Fourth, it theorizes Meaningful Human Oversight as an empirically testable governance boundary condition. Fifth, it introduces Bounded Educational Agency as a risk-proportional architecture that separates AI operational agency, human normative authority, and institutional accountability.

FIGURE 1. PROPOSED THEORETICAL MODEL

LEARNING ANALYTICS CAPABILITY — LAC

↓ H1

AGENTIC AI DECISION SUPPORT — AADS

↓ H2

STUDENT-SUPPORT DECISION QUALITY — SSDQ

↓ H3

STUDENT SUPPORT EFFECTIVENESS — SSE

AADS → SSE — H4

AADS → SSDQ → SSE — H5

MHO moderates AADS → SSDQ — H6

Separate governance branch:

HUMAN ACCOUNTABILITY — HA → RESPONSIBLE AGENTIC AI ADOPTION — RAAA — H7

English caption:
Figure 1. Proposed theoretical model linking Learning Analytics Capability, Agentic AI Decision Support, Student-Support Decision Quality and Student Support Effectiveness, with Meaningful Human Oversight as a boundary condition and Human Accountability–Responsible Agentic AI Adoption as a complementary governance pathway.

Chú thích tiếng Việt:
Hình 1. Mô hình lý thuyết đề xuất kết nối Năng lực Learning Analytics, Hỗ trợ quyết định bằng Agentic AI, Chất lượng quyết định hỗ trợ sinh viên và Hiệu quả hỗ trợ sinh viên; Meaningful Human Oversight là điều kiện biên, trong khi Human Accountability–Responsible Agentic AI Adoption tạo thành nhánh quản trị bổ trợ.

FIGURE 2. OPERATIONAL ARCHITECTURE FOR HUMAN-GOVERNED AGENTIC AI

Educational Data → Learning Analytics → Early Prediction → Context Integration → Agentic Reasoning → Intervention Planning → Support Recommendation → Meaningful Human Review → Authorized Action → Student Response → Outcome Monitoring → Feedback & Adaptation

English caption:

Figure 2. Operational architecture for human-governed Agentic AI in student support, distinguishing prediction, recommendation, meaningful human review, authorized action, outcome monitoring, and adaptive feedback.

Chú thích tiếng Việt:

Hình 2. Kiến trúc vận hành của Agentic AI được con người quản trị trong hỗ trợ sinh viên, phân biệt dự báo, khuyến nghị, rà soát có ý nghĩa của con người, hành động được ủy quyền, giám sát kết quả và thích ứng.

DATA AVAILABILITY STATEMENT

No empirical dataset is reported in the present theoretical-development and research-protocol version. Data availability information should be added after completion of the proposed empirical studies and in accordance with the requirements of the target journal and applicable research-ethics regulations.

ETHICS STATEMENT

The proposed empirical studies should obtain appropriate institutional ethics approval or exemption before participant recruitment where required. The final empirical manuscript should report the approving body, approval identifier where applicable, informed-consent procedures, data-protection safeguards, and procedures governing access to potentially sensitive student information.

CONFLICT OF INTEREST

The authors should disclose all financial and non-financial competing interests relevant to the study. If no competing interests exist, the final wording should follow the requirements of the journal selected for submission.

DECLARATION OF GENERATIVE AI AND AI-ASSISTED TECHNOLOGIES

If generative AI or AI-assisted technologies were used in preparing the manuscript, the final submission should contain the disclosure required by the selected journal, including the tool or service used, the purpose of its use, and confirmation that the authors critically reviewed and edited the resulting material and retain full responsibility for the publication.

Elsevier’s current policy states that AI tools may support manuscript preparation but may not substitute for human critical thinking and evaluation; authors remain accountable for accuracy, source verification, originality and final content.

TÀI LIỆU THAM KHẢO

Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024). Human-centred learning analytics and AI in education: A systematic literature review. Computers and Education: Artificial Intelligence, 6, 100215. DOI 10.1016/j.caeai.2024.100215.

American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.

Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. DOI 10.3389/fpubh.2018.00149.

Dai, W., Lin, J., Jin, F. J.-Y., Tsai, Y.-S., Srivastava, N., Le Bodic, P., Gašević, D., & Chen, G. (2025). Learning analytics for early identification of at-risk students and feedback intervention. Journal of Learning Analytics, 12(3), 102–125. DOI 10.18608/jla.2025.8735.

European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence. Official Journal of the European Union.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.

Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115–135. DOI 10.1007/s11747-014-0403-8.

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. DOI 10.1016/j.lindif.2023.102274.

Lazar, J., Feng, J. H., & Hochheiser, H. (2017). Research methods in human-computer interaction (2nd ed.). Morgan Kaufmann.

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. DOI 10.54675/ZJTE2084.

Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.

Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO.

National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0). NIST.

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. DOI 10.1787/062a7394-en.

Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71–90. DOI 10.1016/j.dr.2016.06.004.

Romero, C., & Ventura, S. (2020). Educational data mining and learning analytics: An updated survey. WIREs Data Mining and Knowledge Discovery, 10(3), e1355.

Salah, M., Al-Busaidi, R., Al-Ghawi, A., & Shawky, W. (2026). The regulation paradox: Agentic AI, bounded autonomy, and self-regulated learning in higher education. Frontiers in Education, 11, 1902833. DOI 10.3389/feduc.2026.1902833.

Shneiderman, B. (2022). Human-centered AI. Oxford University Press.

Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30–40.

Tempelaar, D. T., Rienties, B., & Nguyen, Q. (2020). Subjective data, objective data and the role of bias in predictive modelling: Lessons from a dispositional learning analytics application. PLOS ONE, 15(6), e0233977.

UNESCO. (2021). Recommendation on the ethics of artificial intelligence. UNESCO.

Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18, 186345. DOI 10.1007/s11704-024-40231-1.

Williamson, K., & Johanson, G. (Eds.). (2018). Research methods: Information, systems, and contexts (2nd ed.). Chandos Publishing.

Xi, Z., Chen, W., Guo, X., He, W., Ding, Y., Hong, B., Zhang, M., Wang, J., Jin, S., Zhou, E., Zheng, R., Fan, X., Wang, X., Xiong, L., Zhou, Y., Wang, W., Jiang, C., Zou, Y., Liu, X., Yin, Z., Dou, S., Weng, R., Qin, W., Zheng, Y., Qiu, X., Huang, X., Zhang, Q., & Gui, T. (2025). The rise and potential of large language model based agents: A survey. Science China Information Sciences, 68, 121101. DOI 10.1007/s11432-024-4222-0.