ỨNG DỤNG LÝ THUYẾT KIẾN TẠO XÃ HỘI ĐỂ THIẾT KẾ HOẠT ĐỘNG HỌC TẬP HỢP TÁC VỚI TÁC NHÂN AI NHẰM PHÁT TRIỂN TƯ DUY PHẢN BIỆN

APPLYING SOCIAL CONSTRUCTIVISM TO DESIGN AI-AGENT COLLABORATIVE LEARNING ACTIVITIES FOR DEVELOPING CRITICAL THINKING

Nguyễn Văn Hùng

HIGHLIGHTS

Xác lập khung thiết kế bốn giai đoạn (Four-Phase Design Framework): Tích hợp Vùng Phát triển Gần nhất (Zone of Proximal Development – ZPD) của Vygotsky với thiết kế tác nhân AI (AI agent) trong hoạt động học tập hợp tác, chuyển dịch từ AI như công cụ tra cứu sang AI như thành viên nhóm có vai trò sư phạm xác định.
Phân biệt ba vai trò tác nhân AI (Three AI-Agent Roles): Peer agent (cung cấp góc nhìn đa dạng), Socratic agent (đặt câu hỏi thách thức giả định), và Orchestrator agent (điều phối thảo luận) – mỗi vai trò gắn với cơ chế nhận thức cụ thể trong ZPD.
Tích hợp bằng chứng thực nghiệm về InquiryGPT và AI-Enhanced Think-Pair-Share: Kết nối phát hiện của InquiryGPT về cải thiện tư duy bậc cao với mô hình TPS tích hợp AI về cân bằng giữa hỗ trợ có cấu trúc và tự do sáng tạo.
Luận giải cơ chế “ma sát mang tính xây dựng” (productive friction): Đối chiếu với các phát hiện về cognitive offloading và “hollow skill effect” để xác lập nguyên tắc thiết kế AI không thay thế mà kích thích nỗ lực nhận thức.
Bối cảnh hóa giáo dục đại học Việt Nam 2020–2026: Đối chiếu với Nghị quyết 71-NQ/TW về đổi mới giáo dục, nhấn mạnh yêu cầu “tăng cường tự học, trải nghiệm sáng tạo, hướng học sinh phát huy tư duy độc lập”.
Đề xuất quy trình kiểm định thực nghiệm: Thiết kế thực nghiệm đối chứng với thang đo Watson-Glaser, phân tích transcript thảo luận nhóm và nhật ký phản ánh để kiểm chứng hiệu quả của ba vai trò tác nhân AI.

TÓM TẮT BÀI BÁO (STRUCTURED ABSTRACT)

Tóm tắt tiếng Việt

Bối cảnh (Background): Sự phổ biến của trí tuệ nhân tạo sinh tạo (Generative AI – GenAI) trong giáo dục đại học giai đoạn 2020–2026 đã tạo ra một nghịch lý: cùng lúc mở rộng khả năng tiếp cận thông tin và đe dọa làm suy giảm tư duy phản biện (critical thinking) do hiện tượng ủy thác nhận thức (cognitive offloading). Tổng quan hệ thống 65 nghiên cứu thực nghiệm (2022–2025) xác nhận rằng ChatGPT có thể tăng cường tư duy phản biện khi được sử dụng trong các thiết kế có giàn giáo, nhưng gây hại khi sử dụng không cấu trúc (Guo et al., 2025). Trong bối cảnh đó, câu hỏi thiết kế sư phạm trở nên cấp thiết: làm thế nào để AI trở thành giàn giáo (scaffold) thay vì lối tắt (shortcut)?

Vấn đề nghiên cứu (Research Problem): Y văn về học tập hợp tác với AI còn phân mảnh. Nghiên cứu của Oppenheimer et al. (2025) chứng minh LLM có thể là đối tác phản biện cải thiện kỹ năng viết lập luận, với cải thiện khoảng một độ lệch chuẩn trên ba chiều. Nghiên cứu của Lobo-Quintero (2025) về AI-Enhanced Think-Pair-Share phát hiện tích hợp AI ở mức tương đồng trung bình (0.3–0.7) tối ưu hóa sáng tạo, với mức tăng năng suất 30–37%. Tuy nhiên, chưa có khung thiết kế tác nhân AI dựa trên ZPD phân biệt vai trò sư phạm cụ thể và được kiểm chứng trong bối cảnh giáo dục đại học Việt Nam.

Mục tiêu (Purpose): Nghiên cứu đặt ba mục tiêu: (1) xây dựng khung thiết kế bốn giai đoạn tích hợp ZPD với ba vai trò tác nhân AI; (2) luận giải cơ chế nhận thức qua đó mỗi vai trò tác động đến tư duy phản biện; (3) đề xuất thiết kế thực nghiệm kiểm định hiệu quả trong bối cảnh giáo dục đại học Việt Nam.

Phương pháp tiếp cận (Approach): Nghiên cứu vận dụng phương pháp tổng hợp lý thuyết tích hợp (integrative theoretical synthesis), kết nối Lý thuyết Kiến tạo Xã hội (Social Constructivism) của Vygotsky (1978), lý thuyết ủy thác nhận thức (cognitive offloading) (Risko & Gilbert, 2016), và bằng chứng thực nghiệm về InquiryGPT (Li et al., 2025), AI-Enhanced TPS (Lobo-Quintero, 2025), và LLM như đối tác hợp tác (Oppenheimer et al., 2025). Phương pháp của bài viết là tổng hợp lý thuyết tích hợp; thiết kế thực nghiệm đối chứng với thang đo Watson-Glaser được trình bày tại Mục 5 như một đề xuất cho kiểm định tương lai, không phải phương pháp của nghiên cứu hiện tại.

Kết quả lý thuyết (Theoretical Results): Nghiên cứu thiết lập khung bốn giai đoạn (Kích hoạt – Khám phá – Giải thích – Mở rộng), xác lập ba vai trò tác nhân AI với cơ chế nhận thức tương ứng, và đề xuất ba giả thuyết (H1–H3) về hiệu quả tương đối của Socratic agent so với Peer agent, vai trò trung gian của chất lượng thảo luận nhóm, và sự khác biệt theo năng lực AI của sinh viên.

Đóng góp (Contribution): Đóng góp của bài viết là chuyển nguyên lý kiến tạo xã hội từ lý thuyết sang thiết kế tác nhân AI khả vận hành, đồng thời cung cấp khung thực nghiệm có thể kiểm chứng cho bối cảnh giáo dục đại học Việt Nam – nơi Nghị quyết 71-NQ/TW yêu cầu “tăng cường tự học, trải nghiệm sáng tạo, hướng học sinh phát huy tư duy độc lập, năng lực giải quyết vấn đề” (Bộ Chính trị, 2025).

Bối cảnh ứng dụng (Context): Giáo dục đại học Việt Nam giai đoạn 2020–2026, với khung chính sách Nghị quyết 57-NQ/TW và 71-NQ/TW về đổi mới giáo dục và phát triển AI, được lựa chọn làm bối cảnh tham chiếu.

Từ khóa: social constructivism (chủ nghĩa kiến tạo xã hội); AI agent (tác nhân AI); collaborative learning (học tập hợp tác); critical thinking (tư duy phản biện); Zone of Proximal Development (vùng phát triển gần nhất); cognitive offloading (ủy thác nhận thức); Vietnamese higher education (giáo dục đại học Việt Nam)

Structured English

Abstract

Background: The proliferation of generative artificial intelligence (GenAI) in higher education during 2020–2026 has created a paradox: it simultaneously expands access to information and threatens to diminish critical thinking through cognitive offloading. A systematic review of 65 empirical studies (2022–2025) confirms that ChatGPT can enhance critical thinking when used within scaffolded designs, but causes harm under unstructured use (Guo et al., 2025). In this context, the pedagogical design question becomes urgent: how can AI become a scaffold rather than a shortcut?

Research Problem: The literature on collaborative learning with AI remains fragmented. Oppenheimer et al. (2025) demonstrate that LLMs can serve as critical partners improving argumentative writing skills, with approximately one standard deviation improvement across three dimensions. Lobo-Quintero’s (2025) research on AI-Enhanced Think-Pair-Share finds that moderate AI integration (0.3–0.7 similarity) optimizes creativity, with 30–37% productivity gains. However, no ZPD-based AI-agent design framework distinguishing specific pedagogical roles has been validated in Vietnamese higher education.

Purpose: The study sets three objectives: (1) to construct a four-phase design framework integrating ZPD with three AI-agent roles; (2) to explicate the cognitive mechanism through which each role affects critical thinking; (3) to propose an experimental design for validating the framework in Vietnamese higher education.

Approach: Adopting an integrative theoretical synthesis, the study connects Vygotsky’s (1978) Social Constructivism, cognitive offloading theory (Risko & Gilbert, 2016), and empirical evidence from InquiryGPT (Li et al., 2025), AI-Enhanced TPS (Lobo-Quintero, 2025), and LLMs as collaborative partners (Oppenheimer et al., 2025). The method of this article is integrative theoretical synthesis; the randomized controlled trial with the Watson-Glaser Critical Thinking Appraisal presented in Section 5 is proposed for future validation, not the method of the present study.

Theoretical Results: The study establishes a four-phase framework (Activate – Explore – Explain – Elaborate), specifies three AI-agent roles with corresponding cognitive mechanisms, and formulates three propositions (H1–H3) regarding the relative efficacy of Socratic versus Peer agents, the mediating role of group discussion quality, and differences by student AI literacy level.

Contribution: The contribution lies in translating social constructivist principles into operational AI-agent design, while providing a testable experimental framework for Vietnamese higher education—a context where Resolution 71-NQ/TW explicitly requires “enhancing self-study, creative experience, and guiding students to develop independent thinking and problem-solving capacity” (Bộ Chính trị, 2025).

Application Context: Vietnamese higher education during 2020–2026, with the policy framework of Resolution 57-NQ/TW and 71-NQ/TW, serves as the reference context.

Keywords: social constructivism; AI agent; collaborative learning; critical thinking; Zone of Proximal Development; cognitive offloading; Vietnamese higher education

1. GIỚI THIỆU (INTRODUCTION)

1.1. Bối cảnh (Context)

Sự phổ biến của trí tuệ nhân tạo sinh tạo (Generative AI – GenAI) trong giáo dục đại học giai đoạn 2020–2026 đặt ra một nghịch lý nền tảng. Một mặt, các công cụ như ChatGPT, Gemini và Claude mở rộng chưa từng có khả năng tiếp cận thông tin, hỗ trợ cá nhân hóa và phản hồi tức thời. Mặt khác, bằng chứng tích lũy cho thấy việc ủy thác quá mức các thao tác nhận thức cho AI có thể triệt tiêu chính năng lực mà giáo dục đại học kỳ vọng nuôi dưỡng: tư duy phản biện.

Tổng quan hệ thống 65 nghiên cứu thực nghiệm (tháng 12 năm 2022 – tháng 10 năm 2025) về tác động của ChatGPT đối với tư duy phản biện xác lập một kết luận có ý nghĩa thiết kế: bằng chứng hiện tại ở mức độ trung bình, và ChatGPT có thể tăng cường tư duy phản biện của sinh viên khi được sử dụng trong các điều kiện nhất định – cụ thể là khi được nhúng vào các thiết kế hướng truy vấn, có giàn giáo và phản tư (Guo et al., 2025). Ngược lại, sử dụng không cấu trúc có xu hướng thúc đẩy ủy thác nhận thức (cognitive offloading), phát triển bất đối xứng theo hướng lưu loát sáng tạo trong khi giảm kiểm chứng phản biện.

Nghiên cứu tại Việt Nam cũng xác nhận tính cấp thiết của vấn đề. Nghị quyết 71-NQ/TW của Bộ Chính trị yêu cầu “chuyển mạnh sang phương pháp giáo dục hiện đại, tích cực, tăng cường tự học, trải nghiệm sáng tạo, hướng học sinh phát huy tư duy độc lập, năng lực giải quyết vấn đề” và “nghiên cứu đưa kiến thức về năng lực số, trí tuệ nhân tạo vào chương trình giáo dục phổ thông” (Bộ Chính trị, 2025). Định hướng chính sách này tạo ra một cửa sổ thể chế cho việc thiết kế các hoạt động học tập tích hợp AI có mục đích sư phạm rõ ràng – không phải để thay thế tư duy của người học, mà để kích thích và mở rộng nó. Định hướng này cũng phù hợp với khuyến nghị của UNESCO (2023) về sử dụng GenAI trong giáo dục và nghiên cứu, và với khung năng lực AI cho giáo viên và sinh viên (Miao & Cukurova, 2024; Miao et al., 2024).

1.2. Vấn đề nghiên cứu (Research Problem)

Y văn về học tập hợp tác với AI đang phát triển nhanh nhưng phân mảnh. Bốn tuyến nghiên cứu nổi bật chưa được tích hợp.

Tuyến thứ nhất – LLM như đối tác học tập hợp tác. Oppenheimer et al. (2025) đã kiểm định can thiệp trong đó 154 sinh viên đại học viết bài luận lập luận nhiều lần trong học kỳ, nhận phê bình từ LLM, và cải thiện bài viết bằng cách tích hợp hoặc phản bác phê bình. Kết quả cho thấy cải thiện đáng kể trên ba chiều: chất lượng lập luận ban đầu, kỹ năng thiết kế prompt, và chất lượng phản hồi đối với phê bình của AI – mỗi chiều cải thiện khoảng một độ lệch chuẩn. Đáng chú ý, cải thiện được ghi nhận ngay cả ở các bài luận sinh viên viết mà không có hỗ trợ LLM, gợi ý rằng can thiệp đã tạo ra sự chuyển dịch trong năng lực lập luận của chính sinh viên, không chỉ trong khả năng sử dụng công cụ. Tuy nhiên, nghiên cứu không phân biệt giữa các vai trò khác nhau của LLM: liệu hiệu quả đến từ việc LLM đóng vai “người phê bình” (critic), “người cung cấp thông tin” (information provider), hay “người đặt câu hỏi” (questioner)? Câu hỏi này có ý nghĩa thiết kế quan trọng.

Tuyến thứ hai – Tác nhân AI có ràng buộc quy trình. InquiryGPT (Li et al., 2025) được thiết kế để hướng dẫn sinh viên qua quy trình POEE (Predict–Observe–Explain–Evaluate) bằng cách áp đặt giới hạn đối thoại: AI không được trả lời trực tiếp câu hỏi của sinh viên mà phải dẫn dắt họ qua các bước. Phát hiện này có ý nghĩa lý thuyết then chốt: ràng buộc quy trình là cơ chế sư phạm, không phải hạn chế kỹ thuật. Khi AI bị ràng buộc không được cung cấp câu trả lời trực tiếp, nó buộc người học phải thực hiện các thao tác nhận thức mà họ có thể đã bỏ qua. Tuy nhiên, InquiryGPT được thiết kế cho STEM và chưa được kiểm định trong bối cảnh học tập hợp tác.

Tuyến thứ ba – Tích hợp AI vào phương pháp hợp tác có cấu trúc. Lobo-Quintero (2025) kiểm định tích hợp chatbot Gemini vào quy trình Think-Pair-Share với N = 140 sinh viên khoa học máy tính. Kết quả cho thấy nhóm thực nghiệm đạt mức tăng năng suất 30–37% và tăng 99% đa dạng chủ đề so với nhóm đối chứng, với tích hợp AI tối ưu ở mức tương đồng trung bình (0.3–0.7), đạt được bởi 70% người tham gia. Phát hiện này xác lập một nguyên tắc thiết kế quan trọng: tích hợp AI không phải là “càng nhiều càng tốt”. Mức tương đồng trung bình – tức là AI cung cấp hỗ trợ vừa đủ để mở rộng không gian khám phá mà không thay thế quá trình sáng tạo của sinh viên – là tối ưu. Tuy nhiên, nghiên cứu đo lường sáng tạo ngôn ngữ, chưa đo tư duy phản biện.

Tuyến thứ tư – Tác nhân AI Socratic và kiến trúc đa tác nhân có điều phối. Degen và Asanov (2025) đã kiểm định thực nghiệm có đối chứng một Socratic AI Tutor được thiết kế dựa trên lý thuyết kiến tạo, với 65 sinh viên sư phạm tại Đức. Kết quả cho thấy sinh viên sử dụng Socratic Tutor báo cáo mức hỗ trợ tư duy phản biện, độc lập và phản tư cao hơn có ý nghĩa so với nhóm sử dụng chatbot không được hướng dẫn. Quan trọng hơn, nghiên cứu đề xuất khái niệm “orchestrated MAS” – các chùm tác nhân AI có vai trò chuyên biệt, được giáo viên tuyển chọn và điều phối, nhằm hỗ trợ các quỹ đạo học tập đa dạng. Đây là bằng chứng gần nhất với khung đề xuất của bài viết này, nhưng Degen và Asanov mới dừng ở mức khái niệm về đa tác nhân, chưa cụ thể hóa thành một khung thiết kế gắn với ZPD và chưa phân biệt các vai trò sư phạm cụ thể trong hoạt động hợp tác nhóm.

Khoảng trống tích hợp. Bốn tuyến nghiên cứu trên chưa được kết nối bởi một khung lý thuyết chung. Cụ thể: (1) chưa có khung thiết kế tác nhân AI dựa trên ZPD phân biệt vai trò sư phạm cụ thể (peer, Socratic, orchestrator) và cơ chế nhận thức tương ứng; (2) Degen và Asanov (2025) đã chứng minh Socratic AI hiệu quả và đề xuất ý tưởng đa tác nhân, nhưng chưa vận hành hóa thành khung bốn giai đoạn với ba vai trò trong bối cảnh hợp tác nhóm; (3) chưa có kiểm định thực nghiệm về tác động của các vai trò tác nhân AI khác nhau lên tư duy phản biện; (4) chưa có nghiên cứu nào tại Việt Nam kiểm định khung thiết kế như vậy trong bối cảnh Nghị quyết 71-NQ/TW đang thúc đẩy đổi mới phương pháp giáo dục (Bộ Chính trị, 2025).

1.3. Mục tiêu và câu hỏi nghiên cứu (Objectives and Research Questions)

Nghiên cứu đặt ba mục tiêu: (1) xây dựng khung thiết kế bốn giai đoạn tích hợp ZPD với ba vai trò tác nhân AI; (2) luận giải cơ chế nhận thức qua đó mỗi vai trò tác động đến tư duy phản biện; (3) đề xuất thiết kế thực nghiệm kiểm định hiệu quả trong bối cảnh giáo dục đại học Việt Nam.

Các câu hỏi dưới đây được đặt trong khuôn khổ chương trình nghiên cứu (research program), bao gồm cả nghiên cứu lý thuyết hiện tại và kiểm định thực nghiệm tương lai. Cụ thể, câu hỏi (1) thuộc phạm vi lý thuyết của bài viết này – nó hỏi về khung lý thuyết giải thích cơ chế; câu hỏi (2) và (3) thuộc phạm vi thực nghiệm đề xuất cho nghiên cứu tương lai. Câu hỏi nghiên cứu tương ứng: (1) Khung lý thuyết nào giải thích cơ chế tác động của Peer agent và Socratic agent đến tư duy phản biện của sinh viên? (2) Tương tác nhóm (người–người, người–AI) đóng vai trò gì trong cơ chế tác động? (3) Có sự khác biệt giữa các nhóm sinh viên theo năng lực AI không?

1.4. Phạm vi nghiên cứu (Scope)

Phạm vi lý thuyết giới hạn ở tích hợp lý thuyết kiến tạo xã hội với thiết kế tác nhân AI cho tư duy phản biện trong giáo dục đại học. Phạm vi thực nghiệm đề xuất giới hạn ở sinh viên năm hai tại các cơ sở giáo dục đại học Việt Nam, giai đoạn 2020–2026, với khung chính sách Nghị quyết 57-NQ/TW (đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo) và Nghị quyết 71-NQ/TW (đột phá phát triển giáo dục và đào tạo) làm bối cảnh thể chế (Bộ Chính trị, 2024, 2025).

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

2.1. Lý thuyết Kiến tạo Xã hội: ZPD và giàn giáo (Social Constructivism: ZPD and Scaffolding)

Vygotsky (1978) xác lập nguyên lý trung tâm của kiến tạo xã hội: học tập là quá trình kiến tạo tri thức thông qua tương tác xã hội trong Vùng Phát triển Gần nhất (Zone of Proximal Development – ZPD). ZPD được định nghĩa là khoảng cách giữa những gì người học có thể làm độc lập và những gì họ có thể làm với sự hỗ trợ của người có năng lực cao hơn. Cơ chế then chốt là giàn giáo (scaffolding): hỗ trợ có cấu trúc, tạm thời và giảm dần, cho phép người học thực hiện các thao tác nhận thức mà họ chưa thể tự mình hoàn thành, từ đó nội hóa (internalize) các thao tác đó.

Tranh luận về giàn giáo trong học tập truy vấn cũng được Kirschner, Sweller và Clark (2006) đặt ra khi phê phán hướng dẫn tối thiểu (minimal guidance): họ lập luận rằng hướng dẫn có giàn giáo là cần thiết để tránh quá tải nhận thức, đặc biệt với người học mới. Quan điểm này củng cố luận điểm rằng tác nhân AI, nếu được thiết kế đúng, có thể đóng vai trò giàn giáo có cấu trúc thay vì để người học tự khám phá trong môi trường không có hướng dẫn. Tuy nhiên, cần lưu ý rằng Kirschner et al. (2006) phê phán “hướng dẫn tối thiểu” chứ không phủ nhận nguyên lý kiến tạo xã hội: điểm hội tụ giữa hai truyền thống là ở chỗ cả hai đều nhấn mạnh vai trò của hỗ trợ có cấu trúc – khác biệt là ở mức độ và cách thức giàn giáo. Khung đề xuất trong bài viết này đứng ở điểm hội tụ đó: AI không thay thế hướng dẫn, mà cung cấp giàn giáo có cấu trúc trong ZPD. Cách hiểu này cũng tương thích với nguyên tắc căn chỉnh kiến tạo (constructive alignment) trong thiết kế dạy học (Biggs, 1996) và các nguyên tắc học tập hiệu quả (Ambrose et al., 2010).

Định hướng constructionism của Papert (1980) cũng nhấn mạnh vai trò của người học kiến tạo tri thức qua sản phẩm cụ thể (artifacts) – một nguyên lý tương thích với thiết kế tác nhân AI trong bài viết này, ở đó sản phẩm học tập (lập luận được tinh chỉnh, tri thức cộng đồng được lưu trữ) là phương tiện để người học kiến tạo và tái kiến tạo hiểu biết của mình.

Trong bối cảnh thiết kế tác nhân AI, ZPD cung cấp một tiêu chuẩn đánh giá quan trọng: tác nhân AI chỉ có giá trị sư phạm nếu nó hoạt động trong ZPD của người học – tức là cung cấp hỗ trợ ở mức độ phù hợp với khả năng hiện tại, không quá thấp (gây nhàm chán) và không quá cao (gây quá tải). Khi AI cung cấp câu trả lời hoàn chỉnh mà không có giàn giáo quy trình, nó không tạo ra học tập – nó chỉ tạo ra ảo giác năng lực. Ngược lại, khi AI được thiết kế để đặt câu hỏi dẫn dắt, gợi ý tiệm tiến, và tạo xung đột nhận thức trong ZPD, nó có thể phục vụ học tập bền vững.

Sweller, Ayres và Kalyuga (2011) với Lý thuyết Tải nhận thức (Cognitive Load Theory) cung cấp cơ chế nhận thức cho phán đoán này: khi AI loại bỏ hoàn toàn nỗ lực nhận thức – tức là loại bỏ “tải nhận thức có lợi” (germane cognitive load) – nó triệt tiêu cơ chế hình thành lược đồ nhận thức (schema formation) vốn là nền tảng của học tập bền vững. Điều này có nghĩa là thiết kế AI phải duy trì một mức độ “ma sát” (friction) nhất định – không phải để làm khó người học, mà để kích hoạt các quá trình nhận thức cần thiết cho việc hình thành năng lực.

2.2. Kiến tạo Cộng đồng: Tri thức tập thể trong môi trường số (Communal Constructivism: Collective Knowledge in Digital Environments)

Leask và Younie (2001) đề xuất Kiến tạo Cộng đồng (Communal Constructivism) như một lý thuyết thống nhất cho sư phạm ICT. Điểm khác biệt của Kiến tạo Cộng đồng so với kiến tạo xã hội cổ điển là ở chỗ: người học không chỉ kiến tạo tri thức cho bản thân và cho nhóm hiện tại, mà còn cho các nhóm học tập tương lai. Sản phẩm học tập của nhóm này được đưa trở lại làm đầu vào cho các vòng lặp học tập tiếp theo, tạo ra một chu trình kiến tạo tri thức liên tục.

Trong bối cảnh thiết kế tác nhân AI, Kiến tạo Cộng đồng cung cấp một nguyên lý quan trọng: tri thức được kiến tạo qua tương tác không chỉ giữa các thành viên người trong nhóm, mà còn giữa người và tác nhân AI, và giữa các nhóm qua thời gian. Tác nhân AI có thể đóng vai trò “người lưu giữ tri thức cộng đồng” – ghi nhận, tổng hợp và tái trình bày các lập luận đã được kiến tạo, để các nhóm sau có thể kế thừa và vượt qua. Tuy nhiên, cần phân biệt rõ: AI không phải là thành viên cộng đồng theo nghĩa đầy đủ, vì nó không có trách nhiệm giải trình và không tham gia vào quá trình đàm phán ý nghĩa với tư cách chủ thể đạo đức. Vai trò của AI là phương tiện cho kiến tạo cộng đồng, không phải chủ thể của kiến tạo cộng đồng.

2.3. Ủy thác Nhận thức và Tăng cường Nhận thức: Khi nào AI hỗ trợ, khi nào cản trở? (Cognitive Offloading vs. Cognitive Augmentation)

Ủy thác nhận thức (cognitive offloading) đề cập đến xu hướng chuyển giao các thao tác nhận thức cho công cụ bên ngoài để giảm tải nhận thức (Risko & Gilbert, 2016). Trong bối cảnh AI, hiện tượng này có hai mặt. Mặt tích cực: AI có thể giảm tải nhận thức ngoại lai (extraneous cognitive load) – như tra cứu thông tin, định dạng văn bản, tìm kiếm ví dụ – giải phóng nguồn lực nhận thức cho các thao tác bậc cao hơn như phân tích, đánh giá và sáng tạo. Mặt tiêu cực: khi AI thay thế các thao tác nhận thức cốt lõi – như hình thành lập luận, đánh giá bằng chứng, xem xét quan điểm đối lập – nó triệt tiêu chính quá trình học tập.

Nghiên cứu gần đây xác nhận mặt tiêu cực này với khái niệm “hiệu ứng kỹ năng rỗng” (hollow skill effect) – thuật ngữ được tổng hợp từ các phát hiện trong Guo et al. (2025) và các nghiên cứu liên quan: sinh viên sử dụng GenAI thường xuyên báo cáo mức tự tin cao hơn, nhưng điểm giải quyết vấn đề không có AI thấp hơn đáng kể so với người dùng ít . Nghiên cứu về các hình thức sử dụng AI trong viết học thuật tại Đức (N = 4.048) – được tổng hợp trong Guo et al. (2025) – phát hiện 19% sinh viên để AI tạo bản tóm tắt và đọc bản tóm tắt thay vì đọc văn bản gốc; 11,3% sử dụng AI trong đọc nghiên cứu hoàn toàn ở vai trò “ghost”. Điều này có nghĩa là: nếu AI được sử dụng để tạo ra câu trả lời “trông có vẻ phản biện” mà không đòi hỏi người học thực hiện các thao tác phản biện, thì tư duy phản biện thực sự không được phát triển. Cơ chế tự điều chỉnh học tập (Zimmerman, 2002) đóng vai trò then chốt ở đây: người học có năng lực tự điều chỉnh cao có nhiều khả năng duy trì tương tác đánh giá với AI hơn là ủy thác thụ động.

Đối trọng với ủy thác nhận thức là tăng cường nhận thức (cognitive augmentation): AI được thiết kế để mở rộng chứ không thay thế năng lực nhận thức của người học. Trong mô hình này, AI cung cấp thông tin, đặt câu hỏi, hoặc tạo xung đột nhận thức – nhưng người học vẫn là chủ thể thực hiện các thao tác phản biện. Nghiên cứu đa quốc gia được tổng hợp trong Guo et al. (2025) phân biệt hai mô hình sử dụng: “Augmentors” (sử dụng hỗ trợ) và “Substitutors” (sử dụng thay thế), và phát hiện rằng các nhiệm vụ phức tạp thúc đẩy phát triển kỹ năng, trong khi các nhiệm vụ đơn giản có nguy cơ thay thế. Sự phân biệt này có ý nghĩa thiết kế: tác nhân AI phải được thiết kế để kích hoạt các thao tác nhận thức, không phải để thực hiện chúng thay người học.

2.4. Học tập Truy vấn và Tác nhân AI như Người đặt câu hỏi Socratic (Inquiry-Based Learning and Socratic AI Agents)

Học tập truy vấn (inquiry-based learning) đặt người học vào vị trí chủ động khám phá, đặt câu hỏi, và kiến tạo tri thức qua quá trình điều tra. Trong mô hình này, vai trò của người dạy là tạo điều kiện cho quá trình khám phá, không phải truyền đạt kiến thức. Cơ chế Socratic – đặt câu hỏi để thách thức giả định, làm rõ khái niệm, và kiểm tra tính nhất quán của lập luận – là một dạng giàn giáo nhận thức đặc biệt phù hợp với ZPD. Khi tác nhân AI đặt câu hỏi Socratic, nó không cung cấp câu trả lời mà tạo ra “khoảng trống” (gap) mà người học phải lấp đầy bằng nỗ lực nhận thức của chính mình.

Cơ chế này được gọi là “ma sát mang tính xây dựng” (productive friction): AI tạo ra một trở ngại nhận thức có chủ đích, buộc người học phải huy động các thao tác phản biện mà lẽ ra họ có thể bỏ qua nếu AI cung cấp câu trả lời trực tiếp. Cần lưu ý rằng khái niệm “productive friction” đã được nghiên cứu trong lĩnh vực tương tác người–máy. Prism (Ramaprasad, 2026) – một hệ thống AI có chức năng tạo ma sát nhận thức – đã triển khai “three-phase friction loop” gồm priming, calibrated response, và Socratic follow-up, cho thấy ma sát có chủ đích trong giao diện AI là khả thi và được người dùng chuyên môn đón nhận . Tuy nhiên, Prism tập trung vào thiết kế giao diện để tạo ma sát cho người dùng cá nhân; khung đề xuất trong bài viết này khác ở chỗ tập trung vào thiết kế vai trò sư phạm của tác nhân trong hoạt động hợp tác nhóm, với Socratic agent đảm nhận chức năng tạo ma sát nhận thức có kiểm soát trong ZPD – không phải ở cấp độ giao diện, mà ở cấp độ phân vai và điều phối hoạt động học tập. Cách tiếp cận này kế thừa định hướng constructionism của Papert (1980): người học kiến tạo tri thức qua việc tương tác với sản phẩm và công cụ, không phải qua tiếp nhận thụ động.

2.5. Tổng hợp: Ba Vai trò Tác nhân AI trong ZPD (Synthesis: Three AI-Agent Roles in the ZPD)

Từ các nền tảng lý thuyết trên, nghiên cứu đề xuất ba vai trò tác nhân AI, mỗi vai trò gắn với một cơ chế nhận thức cụ thể trong ZPD.

Peer agent (Tác nhân ngang hàng): Cung cấp góc nhìn đa dạng, thông tin bổ sung, và quan điểm đối lập mà người học có thể xem xét. Cơ chế nhận thức: mở rộng không gian lập luận (argument space expansion). Khi người học tiếp xúc với quan điểm khác, họ phải đánh giá, so sánh và tích hợp – các thao tác cốt lõi của tư duy phản biện. Tuy nhiên, peer agent có rủi ro: nếu nó cung cấp quá nhiều thông tin, người học có thể bị quá tải và chuyển sang chế độ tiếp nhận thụ động.

Socratic agent (Tác nhân Socrates): Đặt câu hỏi thách thức giả định, yêu cầu làm rõ, và kiểm tra tính nhất quán của lập luận. Cơ chế nhận thức: kích hoạt tư duy phản biện qua xung đột nhận thức có kiểm soát (controlled cognitive conflict). Khi người học bị thách thức bởi một câu hỏi mà họ chưa có câu trả lời sẵn, họ phải huy động các thao tác phân tích và đánh giá. Đây là vai trò có tiềm năng cao nhất cho phát triển tư duy phản biện, nhưng cũng đòi hỏi thiết kế cẩn trọng để tránh gây frustration quá mức.

Orchestrator agent (Tác nhân điều phối): Điều phối thảo luận nhóm, đảm bảo tất cả thành viên tham gia, tóm tắt các điểm chính, và chuyển hướng thảo luận khi cần. Cơ chế nhận thức: tối ưu hóa phân bổ nguồn lực nhận thức trong nhóm (cognitive resource allocation). Khi orchestrator agent đảm nhận các thao tác tổ chức, các thành viên người có thể tập trung vào các thao tác phản biện bậc cao.

Sự phân biệt ba vai trò này khác với khái niệm “orchestrated MAS” của Degen và Asanov (2025) ở hai điểm: thứ nhất, Degen và Asanov đề xuất đa tác nhân ở cấp độ kiến trúc hệ thống (các chùm tác nhân được giáo viên tuyển chọn), trong khi khung này phân vai ở cấp độ hoạt động học tập (mỗi vai trò gắn với một giai đoạn và một cơ chế nhận thức); thứ hai, khung này tích hợp trực tiếp với ZPD và lý thuyết kiến tạo cộng đồng, trong khi Degen và Asanov dừng ở mức mô hình offer-and-use.

3. TỔNG QUAN NGHIÊN CỨU (LITERATURE REVIEW)

3.1. LLM như Đối tác Học tập Hợp tác (LLMs as Collaborative Learning Partners)

Oppenheimer et al. (2025) đã kiểm định can thiệp trong đó 154 sinh viên đại học viết bài luận lập luận nhiều lần trong học kỳ, nhận phê bình từ LLM, và cải thiện bài viết bằng cách tích hợp hoặc phản bác phê bình. Kết quả cho thấy cải thiện đáng kể ở ba chiều: chất lượng lập luận ban đầu (từ 2.58 lên 2.90 trên thang 3 điểm), kỹ năng thiết kế prompt (từ 2.34 lên 2.89), và chất lượng phản hồi đối với phê bình của AI (từ 2.41 lên 2.88) – mỗi chiều cải thiện khoảng một độ lệch chuẩn. Đáng chú ý, cải thiện được ghi nhận ngay cả ở các bài luận sinh viên viết mà không có hỗ trợ LLM, gợi ý rằng can thiệp đã tạo ra sự chuyển dịch trong năng lực lập luận của chính sinh viên.

Phát hiện này hỗ trợ giả thuyết rằng LLM có thể đóng vai trò đối tác phản biện trong ZPD. Tuy nhiên, nghiên cứu không phân biệt giữa các vai trò khác nhau của LLM: liệu hiệu quả đến từ việc LLM đóng vai “người phê bình” (critic), “người cung cấp thông tin” (information provider), hay “người đặt câu hỏi” (questioner)? Câu hỏi này có ý nghĩa thiết kế quan trọng: nếu hiệu quả chủ yếu đến từ vai trò phê bình, thì thiết kế tác nhân AI nên tập trung vào chức năng này; nếu hiệu quả đến từ sự kết hợp, thì cần thiết kế đa vai trò.

3.2. Tác nhân AI có Ràng buộc Quy trình: InquiryGPT (Process-Constrained AI Agents: InquiryGPT)

[ĐÃ SỬA VÒNG 4: K3] InquiryGPT (Li et al., 2025) được thiết kế để hướng dẫn sinh viên qua quy trình POEE bằng cách áp đặt giới hạn đối thoại: AI không được trả lời trực tiếp câu hỏi của sinh viên mà phải dẫn dắt họ qua các bước dự đoán, quan sát, giải thích và đánh giá. Kết quả ANCOVA cho thấy InquiryGPT cải thiện đáng kể sáng tạo, năng lực giải quyết vấn đề, tư duy phản biện và kiến tạo tri thức so với ChatGPT không ràng buộc .

Phát hiện này có ý nghĩa lý thuyết then chốt: ràng buộc quy trình là cơ chế sư phạm, không phải hạn chế kỹ thuật. Khi AI bị ràng buộc không được cung cấp câu trả lời trực tiếp, nó buộc người học phải thực hiện các thao tác nhận thức mà họ có thể đã bỏ qua. Đây chính là cơ chế “ma sát mang tính xây dựng”: AI tạo ra một trở ngại có chủ đích để kích hoạt các quá trình nhận thức cần thiết cho học tập. Tuy nhiên, InquiryGPT được thiết kế cho STEM và chưa được kiểm định trong bối cảnh học tập hợp tác. Câu hỏi mở rộng là: liệu ràng buộc quy trình có hiệu quả tương tự khi AI tham gia vào thảo luận nhóm, nơi có nhiều chủ thể và quan điểm hơn?

3.3. Tích hợp AI vào Phương pháp Hợp tác có Cấu trúc: AI-Enhanced Think-Pair-Share (AI Integration into Structured Collaborative Methods)

Lobo-Quintero (2025) kiểm định tích hợp chatbot Gemini vào quy trình TPS với N = 140 sinh viên khoa học máy tính. Nhóm thực nghiệm (n = 80) sử dụng chatbot Gemini để làm giàn giáo, nhóm đối chứng (n = 60) sử dụng nền tảng tiêu chuẩn. Kết quả cho thấy nhóm thực nghiệm đạt mức tăng năng suất 30–37% và tăng 99% đa dạng chủ đề so với nhóm đối chứng, với tích hợp AI tối ưu ở mức tương đồng trung bình (0.3–0.7), đạt được bởi 70% người tham gia .

Phát hiện này xác lập một nguyên tắc thiết kế quan trọng: tích hợp AI không phải là “càng nhiều càng tốt”. Mức tương đồng trung bình – tức là AI cung cấp hỗ trợ vừa đủ để mở rộng không gian khám phá mà không thay thế quá trình sáng tạo của sinh viên – là tối ưu. Điều này phù hợp với lý thuyết ZPD: giàn giáo phải ở mức độ phù hợp với khả năng hiện tại của người học. Tuy nhiên, nghiên cứu đo lường sáng tạo ngôn ngữ, chưa đo tư duy phản biện. Câu hỏi mở rộng là: liệu nguyên tắc “tương đồng trung bình” có áp dụng cho tư duy phản biện, hay tư duy phản biện đòi hỏi một mức độ xung đột nhận thức cao hơn?

3.4. Tư duy Phản biện với AI: Tác động Nghịch lý (Critical Thinking with AI: Paradoxical Effects)

Tổng quan hệ thống 65 nghiên cứu thực nghiệm về ChatGPT và tư duy phản biện xác lập một bức tranh nghịch lý: ChatGPT vừa hỗ trợ vừa cản trở tư duy phản biện, tùy thuộc vào thiết kế hướng dẫn. Bằng chứng hiện tại ở mức độ trung bình, và các nghiên cứu nhất quán nhấn mạnh tác động tích cực của AI trong giáo dục đồng thời nhấn mạnh tầm quan trọng của các rủi ro tiềm ẩn và điều kiện sử dụng (Guo et al., 2025) . Cụ thể, ChatGPT có thể tăng cường tư duy phản biện khi được nhúng vào các thiết kế hướng truy vấn, có giàn giáo và phản tư; ngược lại, sử dụng không cấu trúc có xu hướng thúc đẩy ủy thác nhận thức (Risko & Gilbert, 2016).

Điều đáng chú ý là các rủi ro này rõ rệt hơn ở người viết mới, người nói tiếng Anh không bản ngữ, và sinh viên có năng lực AI hạn chế, trong khi người dùng có kinh nghiệm hoặc được đào tạo có nhiều khả năng duy trì tương tác đánh giá (evaluative engagement) bền vững hơn. Phát hiện này có hàm ý công bằng: nếu không có thiết kế sư phạm cẩn trọng, AI có thể mở rộng khoảng cách năng lực thay vì thu hẹp nó.

3.5. Khoảng trống Nghiên cứu tại Việt Nam (Research Gap in Vietnam)

Nghiên cứu về AI và tư duy phản biện tại Việt Nam còn hạn chế. Nghị quyết 71-NQ/TW đặt yêu cầu rõ ràng về đổi mới phương pháp giáo dục theo hướng “tích cực, tăng cường tự học, trải nghiệm sáng tạo, hướng học sinh phát huy tư duy độc lập, năng lực giải quyết vấn đề” (Bộ Chính trị, 2025). Khung chính sách này cũng phản ánh các khuyến nghị quốc tế về việc tích hợp AI có trách nhiệm trong giáo dục (UNESCO, 2023; OECD, 2026). Tuy nhiên, chưa có nghiên cứu nào kiểm định khung thiết kế tác nhân AI dựa trên ZPD trong bối cảnh giáo dục đại học Việt Nam, nơi sinh viên thường có năng lực AI không đồng đều và thói quen học tập thụ động còn phổ biến.

Khoảng trống này khiến bối cảnh Việt Nam có giá trị kép: vừa là trường thực tiễn cần can thiệp, vừa là cơ hội kiểm định tính phù hợp của khung thiết kế trong một hệ thống giáo dục đang chuyển đổi mạnh mẽ dưới tác động của Nghị quyết 57-NQ/TW và 71-NQ/TW.

4. MÔ HÌNH NGHIÊN CỨU (RESEARCH MODEL)

4.1. Khung Thiết kế Bốn Giai đoạn (Four-Phase Design Framework)

Khung thiết kế tích hợp ZPD với ba vai trò tác nhân AI qua bốn giai đoạn hoạt động học tập hợp tác.

Giai đoạn 1 – Kích hoạt (Activate): Mục tiêu là kích hoạt kiến thức nền và tạo “khoảng trống nhận thức” (cognitive gap) mà hoạt động sẽ lấp đầy. Tác nhân AI đóng vai Socratic agent đặt câu hỏi gợi mở về một vấn đề chưa có câu trả lời rõ ràng, yêu cầu sinh viên dự đoán hoặc đưa ra giả thuyết ban đầu. Cơ chế: kích hoạt tư duy phản biện qua việc buộc sinh viên phải hình thành lập luận sơ bộ trước khi tiếp nhận thông tin.

Giai đoạn 2 – Khám phá (Explore): Mục tiêu là mở rộng không gian lập luận qua tương tác nhóm và với AI. Tác nhân AI đóng vai Peer agent cung cấp thông tin bổ sung, góc nhìn đa dạng, và quan điểm đối lập mà nhóm có thể xem xét. Đồng thời, Orchestrator agent điều phối để đảm bảo tất cả thành viên đóng góp và các quan điểm được ghi nhận. Cơ chế: mở rộng không gian lập luận và tối ưu hóa phân bổ nguồn lực nhận thức nhóm.

Giai đoạn 3 – Giải thích (Explain): Mục tiêu là thách thức và tinh chỉnh lập luận. Tác nhân AI quay lại vai Socratic agent, đặt câu hỏi thách thức giả định, yêu cầu làm rõ mối quan hệ nhân quả, và kiểm tra tính nhất quán của lập luận nhóm. Cơ chế: kích hoạt tư duy phản biện bậc cao qua xung đột nhận thức có kiểm soát.

Giai đoạn 4 – Mở rộng (Elaborate): Mục tiêu là kết nối lập luận với bối cảnh mới và kiến tạo tri thức cộng đồng. Tác nhân AI đóng vai Orchestrator agent tổng hợp các lập luận đã được tinh chỉnh, kết nối với các vấn đề tương tự, và lưu trữ như “tri thức cộng đồng” cho các nhóm học tập tiếp theo. Cơ chế: chuyển dịch từ kiến tạo tri thức cá nhân/nhóm sang kiến tạo tri thức cộng đồng (communal constructivism).

4.2. Ba Vai trò Tác nhân AI và Cơ chế Nhận thức (Three AI-Agent Roles and Cognitive Mechanisms)

Bảng 1 trình bày ba vai trò tác nhân AI và cơ chế nhận thức tương ứng.

Bảng 1
Ba vai trò tác nhân AI và cơ chế nhận thức trong ZPD

Vai trò	Chức năng sư phạm	Cơ chế nhận thức	Rủi ro thiết kế
Peer agent	Cung cấp thông tin, góc nhìn đa dạng, quan điểm đối lập	Mở rộng không gian lập luận (argument space expansion)	Quá tải thông tin, tiếp nhận thụ động
Socratic agent	Đặt câu hỏi thách thức giả định, yêu cầu làm rõ, kiểm tra nhất quán	Xung đột nhận thức có kiểm soát (controlled cognitive conflict)	Frustration quá mức, mất động lực
Orchestrator agent	Điều phối thảo luận, đảm bảo tham gia, tóm tắt và chuyển hướng	Tối ưu hóa phân bổ nguồn lực nhận thức (cognitive resource allocation)	Can thiệp quá mức, giảm tự chủ nhóm

4.3. So sánh Tương phản với Các Khung Đã có (Contrastive Comparison with Existing Frameworks)

Bảng 2 so sánh khung đề xuất với các khung đã có.

Bảng 2
So sánh khung đề xuất với các khung hiện có

Khung	Trọng tâm	Điểm mạnh	Điểm hạn chế so với khung đề xuất	Nguồn
InquiryGPT	Ràng buộc quy trình POEE trong tương tác cá nhân với AI	Chứng minh ràng buộc quy trình cải thiện tư duy bậc cao	Chưa tích hợp chiều hợp tác nhóm; chưa phân biệt vai trò tác nhân AI	Li et al. (2025)
AI-Enhanced TPS	Tích hợp AI vào quy trình Think-Pair-Share	Xác lập nguyên tắc “tương đồng trung bình tối ưu”	Đo sáng tạo ngôn ngữ, chưa đo tư duy phản biện; AI là giàn giáo chung, chưa phân vai	Lobo-Quintero (2025)
Socratic AI Tutor / orchestrated MAS	Tác nhân Socratic dựa trên kiến tạo; đa tác nhân có điều phối	Chứng minh Socratic AI hiệu quả; đề xuất ý tưởng đa tác nhân	Chưa vận hành hóa thành khung giai đoạn; chưa gắn với ZPD và hợp tác nhóm	Degen & Asanov (2025)
Prism	Ma sát nhận thức trong giao diện AI	Chứng minh productive friction khả thi trong tương tác người–AI	Tập trung giao diện cá nhân, chưa phân vai sư phạm trong hợp tác nhóm	Ramaprasad (2026)
TPACK	Năng lực tích hợp công nghệ của giảng viên	Cung cấp khung phát triển chuyên môn	Tập trung vào giảng viên, chưa thiết kế tác nhân AI cho người học	Mishra & Koehler (2006)
ICAP	Mức độ gắn kết nhận thức (thụ động → tương tác)	Cung cấp tiêu chí quan sát gắn kết	Mô tả trạng thái, chưa thiết kế cơ chế chuyển dịch	Chi & Wylie (2014)
ZPD cổ điển	Khoảng cách giữa năng lực hiện tại và tiềm năng	Nguyên lý nền tảng về giàn giáo	Chưa cụ thể hóa cho tác nhân AI trong môi trường số	Vygotsky (1978)
Khung đề xuất	Bốn giai đoạn + ba vai trò tác nhân AI	Kết hợp ZPD, phân vai sư phạm, và kiến tạo cộng đồng	Cần kiểm định thực nghiệm	Bài viết này

4.4. Giả thuyết Đề xuất cho Kiểm định Tương lai (Proposed Propositions for Future Testing)

Các giả thuyết dưới đây được đề xuất cho kiểm định thực nghiệm trong nghiên cứu tương lai.

H1: Nhóm có Socratic agent đạt điểm tư duy phản biện (Watson-Glaser) cao hơn có ý nghĩa thống kê so với nhóm có Peer agent, do Socratic agent tạo ra xung đột nhận thức có kiểm soát – cơ chế phù hợp hơn với phát triển tư duy phản biện so với mở rộng thông tin đơn thuần. Tuy nhiên, cần lưu ý một giả định cạnh tranh: Peer agent có thể mạnh hơn ở chiều độ rộng lập luận (do tiếp xúc với nhiều quan điểm), trong khi Socratic agent mạnh hơn ở chiều độ sâu phản biện (do bị thách thức trực tiếp). Do đó, H1 được phát biểu lại: Socratic agent hiệu quả hơn Peer agent ở các thành phần tư duy phản biện đòi hỏi thách thức nhận thức (nhận diện giả định, đánh giá lập luận), trong khi Peer agent có thể có lợi thế ở các thành phần mở rộng lập luận.

H2: Chất lượng thảo luận nhóm (đo qua số câu hỏi phản biện, độ sâu lập luận trong transcript) đóng vai trò trung gian giữa vai trò tác nhân AI và điểm tư duy phản biện sau can thiệp. Logic: tác nhân AI không trực tiếp tác động đến tư duy phản biện cá nhân, mà qua việc nâng cao chất lượng tương tác nhóm.

H3: Hiệu quả của Socratic agent mạnh hơn ở sinh viên có năng lực AI thấp hơn, do sinh viên có năng lực AI cao có thể đã có chiến lược tự điều chỉnh để duy trì tương tác phản biện ngay cả với Peer agent. Giả thuyết này kiểm định tác động công bằng của thiết kế.

5. ĐỀ XUẤT THIẾT KẾ THỰC NGHIỆM KIỂM ĐỊNH (PROPOSED EXPERIMENTAL DESIGN)

Phần này trình bày thiết kế thực nghiệm đề xuất cho nghiên cứu tương lai, không phải phương pháp của bài viết hiện tại. Phương pháp của bài viết là tổng hợp lý thuyết tích hợp (integrative theoretical synthesis).

5.1. Thiết kế (Design)

Thiết kế thực nghiệm đối chứng ngẫu nhiên (randomized controlled trial) với ba nhóm: nhóm đối chứng (thảo luận nhóm không có AI agent), nhóm thực nghiệm 1 (thảo luận nhóm với Peer agent), và nhóm thực nghiệm 2 (thảo luận nhóm với Socratic agent). Thiết kế này cho phép so sánh cả hiệu quả của việc có AI agent so với không có, và hiệu quả tương đối của hai vai trò tác nhân.

Đạo đức nghiên cứu: Nghiên cứu sẽ được phê duyệt bởi hội đồng đạo đức của cơ sở giáo dục chủ trì. Tất cả người tham gia ký informed consent và được thông báo về quyền rút khỏi nghiên cứu bất cứ lúc nào mà không ảnh hưởng đến kết quả học tập. Dữ liệu sẽ được mã hóa và lưu trữ bảo mật. Hiệu ứng Hawthorne sẽ được kiểm soát bằng cách: (a) không thông báo cho sinh viên biết giả thuyết nghiên cứu cụ thể; (b) sử dụng nhóm đối chứng tích cực (active control) để giảm sự khác biệt do kỳ vọng; (c) thu thập dữ liệu từ nhiều nguồn (transcript, nhật ký, phỏng vấn) để tam giác hóa.

5.2. Mẫu (Sample)

Mẫu gồm 120 sinh viên năm hai tại các cơ sở giáo dục đại học Việt Nam, chia thành 30 nhóm 4 người. Phân bổ ngẫu nhiên 10 nhóm vào mỗi điều kiện. Tiêu chí chọn mẫu: sinh viên đã hoàn thành ít nhất một khóa học về kỹ năng học thuật hoặc tư duy phản biện, có kinh nghiệm sử dụng AI ở mức cơ bản. Loại trừ sinh viên đã có kinh nghiệm thiết kế hoặc điều hành tác nhân AI để kiểm soát biến gây nhiễu. Xử lý dữ liệu thiếu: Sử dụng multiple imputation (MI) nếu tỷ lệ thiếu dưới 10%; phân tích độ nhạy nếu tỷ lệ thiếu cao hơn.

5.3. Can thiệp (Intervention)

Can thiệp kéo dài 8 tuần, mỗi tuần một buổi thảo luận nhóm 90 phút, theo khung bốn giai đoạn. Chủ đề thảo luận là các vấn đề liên ngành không có câu trả lời duy nhất. Tác nhân AI được triển khai trên nền tảng chat, với kịch bản được thiết kế trước cho từng giai đoạn và từng vai trò. Kịch bản chi tiết được cung cấp trong Phụ lục A.

5.4. Đo lường (Measures)

Đo lường trước và sau can thiệp: Watson-Glaser Critical Thinking Appraisal (phiên bản tiếng Việt đã được kiểm định) đo năm thành phần: suy luận, nhận diện giả định, suy diễn, diễn giải, và đánh giá lập luận.

Đo lường quá trình: Phân tích transcript thảo luận nhóm theo ba chỉ số: (1) số lượng câu hỏi phản biện; (2) độ sâu lập luận; (3) tỷ lệ đóng góp của các thành viên. Cách thao tác hóa biến “chất lượng thảo luận nhóm”: Mỗi chỉ số được chấm theo rubric 3 mức (xem Bảng 3, Phụ lục B) bởi hai người chấm độc lập; điểm cuối cùng là trung bình cộng của ba chỉ số sau khi chuẩn hóa z-score, với hệ số tin cậy liên người chấm được kiểm tra bằng Cohen’s kappa (mục tiêu κ ≥ 0.70). Biến này được sử dụng làm biến trung gian trong phân tích mediation (H2).

Đo lường định tính: Phỏng vấn nhóm bán cấu trúc sau can thiệp (15 phút/nhóm) về trải nghiệm với tác nhân AI, nhận thức về vai trò của AI trong thảo luận, và chiến lược duy trì tư duy phản biện. Nhật ký phản ánh cá nhân thu thập hàng tuần.

5.5. Phân tích (Analysis)

Định lượng: ANCOVA với điểm Watson-Glaser trước can thiệp làm covariate để kiểm định H1. Phân tích trung gian (Bootstrap) để kiểm định H2, với chất lượng thảo luận nhóm là biến trung gian. Phân tích đa nhóm theo mức năng lực AI (thấp/cao) để kiểm định H3.

Định tính: Phân tích chủ đề (thematic analysis) transcript thảo luận và phỏng vấn, tập trung vào cơ chế tương tác với tác nhân AI và chiến lược duy trì tư duy phản biện.

6. KẾT QUẢ DỰ KIẾN (ANTICIPATED RESULTS)

Trên cơ sở khung lý thuyết đã trình bày tại Mục 4, phần này dự đoán kết quả thực nghiệm tương lai.

6.1. Hiệu quả của Tác nhân AI so với Không có AI (Effect of AI Agent vs. No AI)

Dự kiến cả hai nhóm có AI agent đều đạt điểm Watson-Glaser sau can thiệp cao hơn nhóm đối chứng, nhưng mức độ khác biệt phụ thuộc vào vai trò tác nhân. Cơ sở dự kiến: bằng chứng từ AI-Enhanced TPS cho thấy tích hợp AI ở mức độ phù hợp cải thiện kết quả sáng tạo (Lobo-Quintero, 2025), và bằng chứng từ LLM như đối tác học tập cho thấy tương tác với AI có thể cải thiện kỹ năng lập luận (Oppenheimer et al., 2025). Tuy nhiên, hiệu ứng có thể không đồng đều: nhóm Peer agent có thể cải thiện ở thành phần “đánh giá lập luận” (do tiếp xúc với nhiều quan điểm), trong khi nhóm Socratic agent cải thiện ở thành phần “nhận diện giả định” và “suy luận” (do bị thách thức trực tiếp).

6.2. Socratic Agent so với Peer Agent (Socratic vs. Peer Agent)

Dự kiến Socratic agent hiệu quả hơn Peer agent ở các thành phần tư duy phản biện đòi hỏi thách thức nhận thức (nhận diện giả định, đánh giá lập luận), trong khi Peer agent có thể có lợi thế ở chiều mở rộng lập luận. Cơ sở lý thuyết: Socratic agent tạo ra xung đột nhận thức có kiểm soát – cơ chế phù hợp hơn với ZPD cho phát triển chiều sâu phản biện; Peer agent mở rộng không gian lập luận nhưng không nhất thiết tạo ra xung đột nhận thức. Degen và Asanov (2025) đã chứng minh Socratic AI Tutor hiệu quả hơn chatbot không hướng dẫn, nhưng chưa so sánh trực tiếp Socratic với Peer – đây là khoảng trống mà thiết kế thực nghiệm đề xuất của bài viết này nhắm tới.

Tuy nhiên, cần lưu ý một kết quả có thể đảo ngược: nếu Socratic agent được thiết kế quá thách thức, nó có thể gây frustration và giảm động lực, dẫn đến kết quả thấp hơn Peer agent. Điều này sẽ xác nhận nguyên tắc “ma sát phải được hiệu chỉnh” (friction must be calibrated) – không phải càng nhiều càng tốt.

6.3. Vai trò Trung gian của Chất lượng Thảo luận Nhóm (Mediating Role of Group Discussion Quality)

Dự kiến chất lượng thảo luận nhóm (số câu hỏi phản biện, độ sâu lập luận) là biến trung gian có ý nghĩa giữa vai trò tác nhân AI và điểm tư duy phản biện. Cơ sở: tác nhân AI không trực tiếp “dạy” tư duy phản biện cho từng cá nhân, mà tạo ra môi trường tương tác trong đó các thao tác phản biện được thực hành và nội hóa. Nếu chất lượng thảo luận nhóm không được cải thiện, hiệu quả của tác nhân AI sẽ hạn chế.

6.4. Khác biệt theo Năng lực AI (Differences by AI Literacy)

Dự kiến hiệu quả của Socratic agent mạnh hơn ở sinh viên có năng lực AI thấp hơn. Cơ sở: sinh viên có năng lực AI cao có thể đã có chiến lược tự điều chỉnh để duy trì tương tác phản biện ngay cả với Peer agent, trong khi sinh viên có năng lực AI thấp có xu hướng phụ thuộc vào AI hơn (Risko & Gilbert, 2016; Zimmerman, 2002). Nếu được xác nhận, phát hiện này có hàm ý công bằng quan trọng: thiết kế tác nhân AI có thể là công cụ thu hẹp khoảng cách năng lực.

7. THẢO LUẬN (DISCUSSION)

7.1. So sánh với InquiryGPT, AI-Enhanced Think-Pair-Share, và Socratic AI Tutor

Khung thiết kế bốn giai đoạn với ba vai trò tác nhân AI kế thừa và mở rộng ba tuyến nghiên cứu trước đó. So với InquiryGPT (Li et al., 2025), khung này bổ sung chiều hợp tác nhóm – yếu tố mà InquiryGPT chưa tích hợp. InquiryGPT được thiết kế cho tương tác cá nhân với AI trong quy trình POEE; khung này phân bổ vai trò tác nhân AI qua các giai đoạn hợp tác nhóm.

So với AI-Enhanced Think-Pair-Share của Lobo-Quintero (2025), khung này bổ sung phân biệt vai trò tác nhân AI. TPS tích hợp AI như một “giàn giáo” chung; khung này phân biệt Peer agent và Socratic agent – hai cơ chế nhận thức khác nhau.

So với Degen và Asanov (2025), khung này vận hành hóa ý tưởng “orchestrated MAS” thành một khung bốn giai đoạn cụ thể gắn với ZPD, với ba vai trò sư phạm được phân định rõ ràng và gắn với cơ chế nhận thức tương ứng. Degen và Asanov đề xuất đa tác nhân ở cấp độ kiến trúc; khung này phân vai ở cấp độ hoạt động học tập, tích hợp với lý thuyết kiến tạo cộng đồng để chỉ rõ cách tri thức được luân chuyển giữa các nhóm qua thời gian.

So với Prism (Ramaprasad, 2026), khung này khác ở cấp độ thiết kế: Prism tạo ma sát ở cấp độ giao diện người–AI (priming, calibrated response, Socratic follow-up), trong khi khung này tạo ma sát ở cấp độ phân vai sư phạm trong hoạt động hợp tác nhóm. Hai cách tiếp cận có thể bổ sung cho nhau: Prism có thể cung cấp giao diện cho từng tác nhân, trong khi khung này cung cấp logic phân vai và điều phối.

7.2. Vai trò của Thiết kế Sư phạm: AI không Tự động Cải thiện Tư duy

Một kết luận xuyên suốt từ tổng quan nghiên cứu là: AI không tự động cải thiện tư duy phản biện. Tổng quan hệ thống 65 nghiên cứu xác nhận rằng tác động của ChatGPT phụ thuộc vào thiết kế hướng dẫn (Guo et al., 2025). Câu hỏi đúng không phải là “AI có cải thiện tư duy phản biện không?” mà là: “Thiết kế sư phạm nào, với vai trò tác nhân AI nào, trong bối cảnh nào, cải thiện thành phần tư duy phản biện nào?”

Khung bốn giai đoạn với ba vai trò tác nhân AI là một câu trả lời cho câu hỏi đúng. Nó không hứa hẹn rằng AI sẽ tự động cải thiện tư duy phản biện, mà xác lập các điều kiện thiết kế để AI có thể phục vụ mục tiêu đó.

7.3. Hàm ý cho Giảng viên: “Dạy” AI để Dạy Học sinh

Đây là hàm ý phái sinh (derived implication) từ khung thiết kế, không phải mục tiêu trực tiếp của nghiên cứu.

Hàm ý thực tiễn quan trọng nhất là: giảng viên cần học cách “dạy” AI – thiết kế kịch bản tác nhân AI, xác định vai trò và giới hạn của AI trong từng giai đoạn, và điều chỉnh mức độ ma sát nhận thức phù hợp với trình độ sinh viên. Điều này đòi hỏi năng lực thiết kế sư phạm với AI (pedagogical design with AI). Năng lực này có thể được phát triển qua các chương trình đào tạo giảng viên tập trung vào: (1) hiểu cơ chế nhận thức của các vai trò tác nhân AI; (2) thiết kế kịch bản AI phù hợp; (3) đánh giá chất lượng tương tác người–AI; (4) điều chỉnh mức độ ma sát. Các khung năng lực AI cho giáo viên và sinh viên (Miao & Cukurova, 2024; Miao et al., 2024) cung cấp tham chiếu để thể chế hóa năng lực này.

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

Nghiên cứu có ba hạn chế chính. Thứ nhất, đây là nghiên cứu lý thuyết đề xuất khung và thiết kế thực nghiệm, chưa có dữ liệu thực nghiệm. Thứ hai, khung được thiết kế cho bối cảnh Việt Nam nhưng chưa được điều chỉnh cho các đặc thù văn hóa học tập. Thứ ba, ba vai trò tác nhân AI là sự đơn giản hóa; trong thực tế, ranh giới giữa các vai trò có thể mờ nhạt.

Một chiều phản tư quan trọng: liệu khung này có nguy cơ tạo ra “chủ nghĩa hình thức tác nhân AI” – tập trung vào thiết kế đúng quy trình mà bỏ qua câu hỏi liệu tương tác người–AI có thực sự tạo ra học tập sâu? Câu trả lời là: khung này chỉ có giá trị nếu được kiểm chứng qua thực nghiệm, và nếu được sử dụng như công cụ chẩn đoán để điều chỉnh thiết kế dựa trên bằng chứng, không phải công thức áp dụng máy móc.

8. KẾT LUẬN (CONCLUSION)

Nghiên cứu này đề xuất một khung thiết kế tích hợp lý thuyết kiến tạo xã hội với tác nhân AI để phát triển tư duy phản biện trong học tập hợp tác. Khung gồm bốn giai đoạn (Kích hoạt – Khám phá – Giải thích – Mở rộng) và ba vai trò tác nhân AI (Peer, Socratic, Orchestrator), mỗi vai trò gắn với một cơ chế nhận thức cụ thể trong ZPD: mở rộng không gian lập luận, xung đột nhận thức có kiểm soát, và tối ưu hóa phân bổ nguồn lực nhận thức nhóm.

Đóng góp lý thuyết của nghiên cứu là chuyển nguyên lý kiến tạo xã hội từ lý thuyết sang thiết kế tác nhân AI khả vận hành, đồng thời phân biệt các cơ chế nhận thức của các vai trò tác nhân khác nhau. Đóng góp thứ hai là luận giải cơ chế nhận thức của từng vai trò tác nhân AI trong ZPD. Đóng góp thực tiễn là cung cấp khung thiết kế có thể được giảng viên sử dụng, và cung cấp thiết kế thực nghiệm có thể kiểm chứng hiệu quả trong bối cảnh giáo dục đại học Việt Nam (Bộ Chính trị, 2025).

Ba giả thuyết được đề xuất để kiểm định: (H1) Socratic agent hiệu quả hơn Peer agent ở các thành phần tư duy phản biện đòi hỏi thách thức nhận thức, trong khi Peer agent có thể có lợi thế ở chiều mở rộng lập luận; (H2) chất lượng thảo luận nhóm là biến trung gian; (H3) hiệu quả của Socratic agent mạnh hơn ở sinh viên có năng lực AI thấp hơn.

Hướng nghiên cứu tương lai bao gồm: kiểm định thực nghiệm khung tại các cơ sở giáo dục đại học Việt Nam; mở rộng khung cho các môn học và cấp học khác; phát triển các chỉ số quan sát chất lượng thảo luận nhóm có AI agent; và nghiên cứu sự phát triển chuyên môn của giảng viên trong thiết kế sư phạm với AI.

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

Nguyễn Văn Hùng: Ý tưởng nghiên cứu cốt lõi (Conceptualization); Thiết lập phương pháp luận và cơ sở lý thuyết kiến tạo xã hội (Methodology & Theoretical Development); Xây dựng khung thiết kế bốn giai đoạn và ba vai trò tác nhân AI (Framework Architecture & Propositions); Tích hợp bằng chứng thực nghiệm về InquiryGPT, AI-Enhanced TPS, Socratic AI Tutor, và LLM như đối tác học tập (Evidence Integration); Thiết kế thực nghiệm kiểm định (Experimental Design); Soạn thảo toàn văn bản thảo (Writing – Original Draft); Rà soát, hiệu đính học thuật và chuẩn hóa APA 7 (Writing – Review & Editing); Quản trị dự án nghiên cứu (Project Administration).

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

Ambrose, S. A., Bridges, M. W., DiPietro, M., Lovett, M. C., & Norman, M. K. (2010). How learning works: Seven research-based principles for smart teaching. Jossey-Bass.

Biggs, J. (1996). Enhancing teaching through constructive alignment. Higher Education, 32(3), 347–364. https://doi.org/10.1007/BF00138871

Bộ Chính trị. (2024). Nghị quyết số 57-NQ/TW ngày 22 tháng 12 năm 2024 về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.

Bộ Chính trị. (2025). Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 về đột phá phát triển giáo dục và đào tạo.

Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823

Degen, P.-B., & Asanov, I. (2025). Beyond automation: Socratic AI, epistemic agency, and the implications of the emergence of orchestrated multi-agent learning architectures (arXiv:2508.05116). arXiv. https://doi.org/10.48550/arXiv.2508.05116

Guo, Y., Huang, L., Zhang, C., Li, Q., & Chen, M. (2025). ChatGPT in education: A systematic review of its impact on critical thinking skills and dispositions. Computers and Education: Artificial Intelligence, 8, Article 100353. https://doi.org/10.1016/j.caeai.2025.100353

Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching. Educational Psychologist, 41(2), 75–86. https://doi.org/10.1207/s15326985ep4102_1

Leask, M., & Younie, S. (2001). Communal constructivist theory: Information and communications technology pedagogy and internationalisation of the curriculum. Journal of Information Technology for Teacher Education, 10(1–2), 117–134. https://doi.org/10.1080/14759390100200106

Li, P.-H., Lee, H.-Y., Lin, C.-J., Wang, W.-S., & Huang, Y.-M. (2025). InquiryGPT: Augmenting ChatGPT for enhancing inquiry-based learning in STEM education. Journal of Educational Computing Research, 62(8), 2157–2186.

Lobo-Quintero, R. (2025). AI-enhanced Think-Pair-Share: A learning analytics approach to foster linguistic creative thinking and collaborative learning. Journal of Learning Analytics, 12(2), 19–34. https://doi.org/10.18608/jla.2025.8807

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://doi.org/10.54675/ZJTE2084

Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391105

Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x

OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing.

Oppenheimer, D. M., Cash, T. N., & Connell Pensky, A. E. (2025). You’ve got AI friend in me: LLMs as collaborative learning partners. International Journal of Artificial Intelligence in Education, 35(6), 3896–3921. https://doi.org/10.1007/s40593-025-00521-6

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Ramaprasad, J. (2026). Prism: Investigating productive friction to track cognitive skill development. In Adjunct Proceedings of the 5th Annual Symposium on Human-Computer Interaction for Work (CHIWORK Adjunct ’26). ACM. https://doi.org/10.1145/3805029.3818289

Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002

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

UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.

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

Wiggins, G., & McTighe, J. (2005). Understanding by design (2nd ed.). ASCD.

Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2

PHỤ LỤC (APPENDIX)

Phụ lục A: Kịch bản Thiết kế Tác nhân AI (AI Agent Design Script)

Giai đoạn 1 – Kích hoạt (Socratic agent):

Câu hỏi mở đầu: “Trước khi thảo luận, mỗi thành viên hãy viết ra một dự đoán của mình về [vấn đề]. Dự đoán này dựa trên giả định nào?”
Câu hỏi thách thức: “Nếu giả định đó sai, dự đoán của bạn sẽ thay đổi như thế nào?”

Giai đoạn 2 – Khám phá (Peer agent + Orchestrator agent):

Peer agent cung cấp: “Có một quan điểm khác cho rằng [quan điểm đối lập]. Nhóm bạn đánh giá quan điểm này như thế nào?”
Orchestrator agent điều phối: “Thành viên A chưa đóng góp. Bạn có muốn bổ sung góc nhìn từ phần của mình không?”

Giai đoạn 3 – Giải thích (Socratic agent):

Câu hỏi làm rõ: “Bạn nói rằng [lập luận]. Bằng chứng nào ủng hộ lập luận này? Có bằng chứng nào mâu thuẫn không?”
Câu hỏi kiểm tra nhất quán: “Nếu áp dụng lập luận này cho trường hợp [tình huống tương tự], kết quả có nhất quán với lập luận ban đầu không?”

Giai đoạn 4 – Mở rộng (Orchestrator agent):

Tổng hợp: “Nhóm đã đưa ra ba lập luận chính: [A, B, C]. Lập luận nào mạnh nhất? Tại sao?”
Kết nối: “Lập luận này có thể áp dụng cho vấn đề [lĩnh vực khác] như thế nào?”

Phụ lục B: Rubric Đánh giá Tư duy Phản biện trong Transcript Thảo luận (Critical Thinking Rubric for Discussion Transcripts)

Bảng 3
Rubric đánh giá tư duy phản biện trong transcript thảo luận

Tiêu chí	Mức 1 (Thấp)	Mức 2 (Trung bình)	Mức 3 (Cao)
Đặt câu hỏi phản biện	Không đặt câu hỏi hoặc chỉ hỏi thông tin	Đặt câu hỏi yêu cầu làm rõ	Đặt câu hỏi thách thức giả định, yêu cầu bằng chứng, xem xét quan điểm đối lập
Độ sâu lập luận	Lập luận một tầng	Lập luận hai tầng	Lập luận ba tầng trở lên
Xem xét quan điểm đối lập	Không đề cập	Đề cập nhưng không đánh giá	Đề cập và đánh giá có lý lẽ
Tự điều chỉnh	Không thay đổi lập luận	Thay đổi khi có bằng chứng nhưng không giải thích	Thay đổi và giải thích lý do thay đổi

Phụ lục C: Mẫu Nhật ký Phản ánh (Reflective Journal Template)

Mỗi tuần, sinh viên trả lời ba câu hỏi:

Tuần này, tôi đã thay đổi quan điểm về [vấn đề] như thế nào? Điều gì khiến tôi thay đổi?
Tác nhân AI đã đóng vai trò gì trong thảo luận nhóm? Vai trò đó có giúp tôi suy nghĩ sâu hơn không? Tại sao có/không?
Nếu tôi thiết kế lại tác nhân AI cho tuần sau, tôi sẽ thay đổi gì? Tại sao?