BUILDING AND EVALUATING THE EFFECTIVENESS OF AN AI-EDUCATION ECOSYSTEM IN A UNIVERSITY
Nguyễn Văn Hùng
HIGHLIGHTS
- Xác lập khung kiến trúc hệ sinh thái AI giáo dục (AI-Education Ecosystem Architecture): Tích hợp sáu lớp chức năng (hạ tầng dữ liệu, phân tích, thông minh cá nhân hóa, tương tác trải nghiệm, quản trị đạo đức, tích hợp đồng tiến hóa) với năm thành phần can thiệp cốt lõi, dựa trên bằng chứng từ các mô hình đại học thông minh quốc tế và Việt Nam.
- Luận giải nguyên lý đồng tiến hóa (Co-evolution Principle): Chuyển dịch từ triển khai AI rời rạc sang hệ sinh thái nơi các thành phần tương tác và đồng tiến hóa, khắc phục giới hạn của các can thiệp công cụ đơn lẻ trong bối cảnh giáo dục đại học Việt Nam 2020–2026.
- Tích hợp bằng chứng thực tiễn từ NEU, PTIT và CMC: Đối chiếu mô hình hệ sinh thái số toàn diện của Đại học Kinh tế Quốc dân với định hướng AI trợ giảng của PTIT (mục tiêu 100% môn học có AI trợ giảng) và hệ sinh thái học tập AI-Native (CAINLE) của Đại học CMC để xác lập các chiều thiết kế khả thi.
- Đề xuất thiết kế đánh giá hiệu quả bốn chiều (Four-Dimensional Evaluation Design): Kết hợp đánh giá trước–sau với phân tích đa nhóm trên bốn chiều: engagement, learning outcomes, satisfaction, equity, sử dụng dữ liệu từ hệ thống LMS, learning analytics, và khảo sát người dùng.
- Xác lập khung quản trị rủi ro (Risk Governance Framework): Nhận diện bốn nhóm rủi ro cốt lõi (thiên kiến thuật toán, quyền riêng tư dữ liệu, phụ thuộc công nghệ, bất bình đẳng tiếp cận) và đề xuất cơ chế kiểm soát dựa trên nguyên tắc Human-in-the-loop và minh bạch thuật toán.
- Tích hợp lý thuyết học tập thực chứng (Evidence-Based Learning Theories): Kết nối Lý thuyết Tải nhận thức, Vùng Phát triển Gần nhất (ZPD), Khung ICAP, TPACK, Constructive Alignment, và Thiết kế Đảo ngược (Backward Design) vào kiến trúc hệ sinh thái để đảm bảo rằng AI phục vụ mục tiêu sư phạm, không chỉ tối ưu hóa hiệu suất.
TÓM TẮT BÀI BÁO (STRUCTURED ABSTRACT)
Tóm tắt tiếng Việt
Bối cảnh (Background): Nhiều trường đại học tại Việt Nam đã triển khai các ứng dụng trí tuệ nhân tạo (AI) riêng lẻ trong giảng dạy, quản trị và nghiên cứu, nhưng thiếu một kiến trúc hệ sinh thái tích hợp. Sự phân mảnh này dẫn đến trùng lặp đầu tư, dữ liệu không kết nối, và hiệu quả tổng thể thấp hơn tiềm năng. Nghị quyết 71-NQ/TW yêu cầu “đổi mới tư duy, nhận thức và thể chế” trong giáo dục, tạo cửa sổ chính sách cho việc thiết kế lại kiến trúc AI ở cấp độ tổ chức (Bộ Chính trị, 2025).
Vấn đề nghiên cứu (Research Problem): Y văn về AI trong giáo dục đại học tập trung chủ yếu vào các can thiệp đơn lẻ (chatbot, hệ thống gia sư thông minh, phân tích học tập) mà ít quan tâm đến kiến trúc tổ chức tổng thể. Các khung hệ sinh thái hiện có được phát triển trong bối cảnh phương Tây hoặc Mỹ Latinh, chưa được kiểm định tại Việt Nam. Một số trường đại học Việt Nam (CMC, PTIT) đã bắt đầu triển khai các hệ sinh thái AI giáo dục ở cấp độ tổ chức, nhưng chưa có khung kiến trúc nào được thiết kế cho bối cảnh Việt Nam và được kiểm định độc lập qua thực nghiệm. Khoảng trống cốt lõi là thiếu một mô hình hệ sinh thái AI giáo dục khả vận hành cho trường đại học Việt Nam, cùng thiết kế đánh giá hiệu quả đi kèm.
Mục tiêu (Purpose): Nghiên cứu đặt ba mục tiêu: (1) xây dựng khung kiến trúc hệ sinh thái AI giáo dục cho trường đại học Việt Nam; (2) đề xuất thiết kế đánh giá hiệu quả trên bốn chiều (engagement, learning outcomes, satisfaction, equity); (3) nhận diện các thách thức quản trị và đạo đức, đề xuất cơ chế kiểm soát.
Phương pháp tiếp cận (Approach): Nghiên cứu vận dụng phương pháp tổng hợp lý thuyết tích hợp (integrative theoretical synthesis), kết nối lý thuyết hệ sinh thái (ecosystem theory), khung Human-Centered AI, lý thuyết học tập thực chứng (Bransford et al., 2000; Ambrose et al., 2010; Sweller et al., 2011; Vygotsky, 1978; Chi & Wylie, 2014; Mishra & Koehler, 2006; Biggs, 1996; Wiggins & McTighe, 2005), và bằng chứng thực tiễn từ các mô hình đại học thông minh tại Việt Nam (NEU, PTIT, CMC) và quốc tế (Viloria Soto & Gelves Gelves, 2025; Wei et al., 2026; García-Peñalvo, 2026). Phương pháp của bài viết là tổng hợp lý thuyết tích hợp; thiết kế nghiên cứu trường hợp kết hợp đánh giá trước–sau 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 kiến trúc sáu lớp, xác lập năm thành phần can thiệp cốt lõi, và đề xuất bốn giả thuyết (H1–H4) về tác động của hệ sinh thái lên engagement, learning outcomes, satisfaction, và equity.
Đóng góp (Contribution): Đóng góp của bài viết là cung cấp khung kiến trúc hệ sinh thái AI giáo dục khả vận hành cho bối cảnh Việt Nam, chuyển dịch từ tiếp cận công cụ sang tiếp cận hệ thống, đồng thời đề xuất thiết kế đánh giá hiệu quả và khung quản trị rủi ro có thể áp dụng ngay.
Bối cảnh ứng dụng (Context): Một trường đại học Việt Nam với quy mô 5.000 sinh viên và 300 giảng viên được lựa chọn làm đơn vị nghiên cứu trường hợp, trong giai đoạn 2020–2026, với khung chính sách Nghị quyết 57-NQ/TW và 71-NQ/TW làm bối cảnh thể chế.
Từ khóa: AI-Education Ecosystem (hệ sinh thái giáo dục AI); Smart University (đại học thông minh); Human-Centered AI (AI lấy con người làm trung tâm); Learning Analytics (phân tích học tập); AI Governance (quản trị AI); Evidence-Based Learning Theories (lý thuyết học tập thực chứng); Vietnamese Higher Education (giáo dục đại học Việt Nam)
Structured English Abstract
Background: Many universities in Vietnam have deployed isolated artificial intelligence (AI) applications in teaching, administration, and research, but lack an integrated ecosystem architecture. This fragmentation leads to duplicated investment, disconnected data, and suboptimal overall effectiveness. Resolution 71-NQ/TW requires “innovation in thinking, awareness, and institutions” in education, creating a policy window for redesigning AI architecture at the institutional level (Bộ Chính trị, 2025).
Research Problem: The literature on AI in higher education focuses predominantly on isolated interventions with limited attention to overall organizational architecture. Existing ecosystem frameworks were developed in Western or Latin American contexts and have not been validated in Vietnam. Some Vietnamese universities (CMC, PTIT) have begun implementing AI-education ecosystems at the institutional level, but no architecture framework has been designed for the Vietnamese context and independently validated through empirical research. The core gap is the absence of an operational AI-education ecosystem model for Vietnamese universities, along with a corresponding effectiveness evaluation design.
Purpose: The study sets three objectives: (1) to construct an AI-Education Ecosystem architecture framework for Vietnamese universities; (2) to propose an effectiveness evaluation design across four dimensions (engagement, learning outcomes, satisfaction, equity); (3) to identify governance and ethical challenges and propose control mechanisms.
Approach: Adopting an integrative theoretical synthesis, the study connects ecosystem theory, the Human-Centered AI framework, evidence-based learning theories (Bransford et al., 2000; Ambrose et al., 2010; Sweller et al., 2011; Vygotsky, 1978; Chi & Wylie, 2014; Mishra & Koehler, 2006; Biggs, 1996; Wiggins & McTighe, 2005), and empirical evidence from smart university models in Vietnam (NEU, PTIT, CMC) and internationally (Viloria Soto & Gelves Gelves, 2025; Wei et al., 2026; García-Peñalvo, 2026). The method of this article is integrative theoretical synthesis; the case study design combined with pre–post evaluation presented in Section 5 is proposed for future validation, not the method of the present study.
Theoretical Results: The study establishes a six-layer architecture framework, specifies five core intervention components, and formulates four propositions (H1–H4) regarding the ecosystem’s effects on engagement, learning outcomes, satisfaction, and equity.
Contribution: The contribution lies in providing an operational AI-education ecosystem architecture framework for the Vietnamese context, shifting from a tool-based to a systems-based approach, while proposing an effectiveness evaluation design and a risk governance framework ready for application.
Application Context: A Vietnamese university with 5,000 students and 300 faculty members serves as the case study unit during 2020–2026, with Resolutions 57-NQ/TW and 71-NQ/TW providing the institutional policy context.
Keywords: AI-Education Ecosystem; Smart University; Human-Centered AI; Learning Analytics; AI Governance; Evidence-Based Learning Theories; Vietnamese Higher Education
1. GIỚI THIỆU (INTRODUCTION)
1.1. Bối cảnh (Context)
Giai đoạn 2020–2026 chứng kiến làn sóng triển khai trí tuệ nhân tạo (AI) trong giáo dục đại học Việt Nam với tốc độ nhanh chưa từng có. 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” (Bộ Chính trị, 2025). Tuy nhiên, phần lớn các trường đại học triển khai AI theo cách rời rạc: một chatbot tuyển sinh ở phòng công tác sinh viên, một hệ thống chấm bài tự động ở khoa ngoại ngữ, một công cụ phân tích dữ liệu ở phòng đảm bảo chất lượng. Các ứng dụng này không kết nối với nhau, không chia sẻ dữ liệu, và không tạo ra hiệu ứng hệ thống.
Sự phân mảnh này có nguyên nhân cấu trúc. Thứ nhất, ngân sách công nghệ thường được phân bổ theo đơn vị, khuyến khích mua sắm công cụ riêng lẻ thay vì đầu tư hạ tầng tích hợp. Thứ hai, năng lực kỹ thuật của các đơn vị không đồng đều, dẫn đến việc đơn vị có năng lực cao hơn tự phát triển giải pháp riêng. Thứ ba, thiếu một khung kiến trúc tổ chức (organizational architecture) để hướng dẫn cách các thành phần AI tương tác và đồng tiến hóa. Kết quả là trường đại học có nhiều công cụ AI nhưng ít hiệu ứng tổng hợp, và sinh viên, giảng viên phải đối mặt với nhiều giao diện, nhiều tài khoản, nhiều quy trình không nhất quán.
Tuy nhiên, một số trường đại học Việt Nam đã bắt đầu hình thành các mô hình tích hợp. Đại học Kinh tế Quốc dân (NEU) đã xây dựng hệ sinh thái số toàn diện bao gồm hạ tầng Wi-Fi 6 toàn khuôn viên, thư viện số với hơn 2,3 triệu đầu sách và tạp chí cùng hơn 19.000 eBook bản quyền từ các nhà xuất bản quốc tế, NEU Student App định danh số với điểm danh bằng nhận diện khuôn mặt, NEU Reader cổng tri thức số tích hợp AI, hệ thống LMS hỗ trợ học tập cá nhân hóa, và NEU AI Lab & Data Center phục vụ nghiên cứu và ứng dụng AI (Đại học Kinh tế Quốc dân, 2026a, 2026b). Học viện Công nghệ Bưu chính Viễn thông (PTIT) đã xác lập mục tiêu đến năm 2027 có 100% môn học với AI trợ giảng, xây dựng nội dung học tập dựa trên giáo trình, tài liệu tiên tiến của các trường đại học hàng đầu thế giới, và đang triển khai hệ sinh thái AI trong giáo dục gồm AI học đường, AI gia sư, AI hỗ trợ người khiếm thính học tập (Học viện Công nghệ Bưu chính Viễn thông, 2026). PTIT cũng đang hợp tác với VNPT để phát triển mô hình đại học tích hợp AI toàn diện – AI-Native University (VNPT & PTIT, 2026).
Gần đây nhất, Trường Đại học CMC đã công bố và đưa vào vận hành AI-Native Learning Ecosystem (CAINLE) – hệ sinh thái học tập được thiết kế với AI là thành phần cốt lõi ngay từ đầu, kết nối người học, giảng viên, học liệu, hoạt động học tập và dữ liệu trong một môi trường thống nhất (Trường Đại học CMC, 2026). CAINLE hướng tới tái thiết kế toàn bộ hoạt động đào tạo theo tư duy AI-Native, thay vì chỉ bổ sung công cụ AI vào các quy trình hiện hữu. Sự xuất hiện của CAINLE cho thấy bối cảnh Việt Nam đã có những nỗ lực hệ sinh thái AI giáo dục ở cấp độ tổ chức, nhưng chưa có đánh giá độc lập nào về hiệu quả của mô hình này.
Tuy nhiên, chưa có nghiên cứu nào đánh giá một cách hệ thống hiệu quả của các mô hình tích hợp này, và chưa có khung kiến trúc chuẩn hóa nào được đề xuất cho bối cảnh Việt Nam và được kiểm định độc lập qua thực nghiệm.
1.2. Vấn đề nghiên cứu (Research Problem)
Y văn về AI trong giáo dục đại học đang đối mặt với ba khoảng trống liên quan đến câu hỏi hệ sinh thái.
Khoảng trống thứ nhất – thiếu khung kiến trúc tổ chức được kiểm định. Phần lớn nghiên cứu tập trung vào hiệu quả của từng công cụ AI riêng lẻ. Ít nghiên cứu quan tâm đến cách các công cụ này được tích hợp vào một kiến trúc tổ chức tổng thể, cách chúng chia sẻ dữ liệu, và cách chúng đồng tiến hóa theo thời gian. Một nghiên cứu tại Colombia (Viloria Soto & Gelves Gelves, 2025) đề xuất mô hình hệ sinh thái học tập thông minh gồm năm thành phần: hạ tầng dữ liệu, trí tuệ nhân tạo và phân tích, sư phạm thích ứng, quản trị đạo đức, và văn hóa tổ chức. Nghiên cứu này nhấn mạnh rằng văn hóa tổ chức là thành phần “phức tạp nhất và thường bị bỏ qua nhất” trong các dự án chuyển đổi số. Tuy nhiên, mô hình này được phát triển trong bối cảnh Mỹ Latinh và chưa được kiểm định tại Việt Nam. Tại Việt Nam, các mô hình như CAINLE của CMC (Trường Đại học CMC, 2026) và định hướng AI trợ giảng của PTIT (Học viện Công nghệ Bưu chính Viễn thông, 2026) đã được triển khai, nhưng chưa có khung kiến trúc nào được thiết kế cho bối cảnh Việt Nam và được kiểm định độc lập qua thực nghiệm.
Khoảng trống thứ hai – thiếu đánh giá hiệu quả tổng hợp. Các trường đại học triển khai AI thường đo lường hiệu quả bằng các chỉ số rời rạc: số lượt truy cập chatbot, tỷ lệ sử dụng LMS, điểm hài lòng của sinh viên với một ứng dụng cụ thể. Nhưng hiệu quả hệ sinh thái không phải là tổng của các hiệu quả thành phần. Một hệ sinh thái có thể có từng công cụ tốt nhưng không tạo ra giá trị tổng hợp nếu thiếu tích hợp; ngược lại, một hệ sinh thái được thiết kế tốt có thể tạo ra hiệu ứng cộng hưởng vượt trội so với tổng các phần.
Khoảng trống thứ ba – thiếu khung quản trị rủi ro cho hệ sinh thái. Khi AI được tích hợp ở quy mô hệ sinh thái, rủi ro cũng tăng theo cấp số nhân. Thiên kiến thuật toán trong một chatbot có thể ảnh hưởng đến hàng nghìn sinh viên; rò rỉ dữ liệu từ một hệ thống LMS có thể ảnh hưởng đến toàn bộ cơ sở dữ liệu sinh viên; sự phụ thuộc vào một nhà cung cấp nền tảng duy nhất có thể khiến toàn bộ hệ sinh thái tê liệt khi nhà cung cấp thay đổi chính sách. García-Peñalvo (2026) nhấn mạnh rằng các trường đại học phải đối mặt với các rủi ro đa chiều về đạo đức, pháp lý, vận hành và danh tiếng, và cần một khung quản trị tích hợp để đảm bảo rằng AI phục vụ mục tiêu giáo dục thay vì làm suy yếu nó.
1.3. Mục tiêu và câu hỏi nghiên cứu (Objectives and Research Questions)
Nghiên cứu đặt ba mục tiêu: (1) xây dựng khung kiến trúc hệ sinh thái AI giáo dục cho trường đại học Việt Nam, bao gồm các lớp chức năng và thành phần can thiệp; (2) đề xuất thiết kế đánh giá hiệu quả trên bốn chiều (engagement, learning outcomes, satisfaction, equity); (3) nhận diện các thách thức quản trị và đạo đức, đề xuất cơ chế kiểm soát.
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. Câu hỏi nghiên cứu tương ứng: (1) Các thành phần cốt lõi của hệ sinh thái AI giáo dục là gì, và chúng tương tác với nhau như thế nào? (2) Hệ sinh thái AI giáo dục tác động đến engagement, learning outcomes, satisfaction và equity như thế nào? (3) Các thách thức về quản trị và đạo đức nào cần được giải quyết để đảm bảo hệ sinh thái vận hành có trách nhiệm?
1.4. Phạm vi nghiên cứu (Scope)
Phạm vi lý thuyết giới hạn ở thiết kế kiến trúc hệ sinh thái AI giáo dục cho giáo dục đại học, tập trung vào năm chức năng: quản trị, giảng dạy, học tập, nghiên cứu và dịch vụ. Phạm vi thực nghiệm đề xuất giới hạn ở một trường đại học Việt Nam với quy mô 5.000 sinh viên và 300 giảng viên, giai đoạn 2020–2026.
2. CƠ SỞ LÝ THUYẾT TÍCH HỢP (INTEGRATED THEORETICAL FOUNDATIONS)
2.1. Lý thuyết Hệ sinh thái: Đồng tiến hóa và Tương tác (Ecosystem Theory: Co-evolution and Interaction)
Lý thuyết hệ sinh thái trong bối cảnh tổ chức đề cập đến tập hợp các thành phần tương tác trong một môi trường, nơi sự thay đổi của một thành phần tạo ra áp lực thích nghi lên các thành phần khác, dẫn đến quá trình đồng tiến hóa (co-evolution). Trong hệ sinh thái AI giáo dục, các thành phần không chỉ là công cụ kỹ thuật mà còn là con người (sinh viên, giảng viên, cán bộ quản trị), quy trình (tuyển sinh, giảng dạy, đánh giá, nghiên cứu), và thể chế (chính sách, quy định, văn hóa tổ chức). Một hệ sinh thái khỏe mạnh là một hệ sinh thái trong đó các thành phần tương tác để tạo ra giá trị tổng hợp lớn hơn tổng các giá trị riêng lẻ.
Viloria Soto và Gelves Gelves (2025) đã vận dụng lý thuyết này để đề xuất mô hình hệ sinh thái học tập thông minh gồm năm thành phần: (1) hạ tầng dữ liệu; (2) trí tuệ nhân tạo và phân tích; (3) sư phạm thích ứng; (4) quản trị đạo đức; và (5) văn hóa tổ chức. Điểm quan trọng của mô hình này là nó không bắt đầu từ công nghệ mà từ mục tiêu giáo dục: giảm tải nhận thức cho các nhiệm vụ thường quy để giải phóng nguồn lực cho tư duy bậc cao. Tuy nhiên, cần lưu ý rằng mô hình này được phát triển trong bối cảnh giáo dục đại học Colombia, nơi khung pháp lý dữ liệu (Luật 1581 năm 2012) và điều kiện nguồn lực khác với Việt Nam. Đây là nguyên lý mà khung kiến trúc trong bài viết này kế thừa: hệ sinh thái AI không phải là tập hợp công cụ để tăng hiệu suất mà là kiến trúc để tái phân bổ nguồn lực nhận thức của người học và người dạy, đồng thời thích ứng với điều kiện thể chế cụ thể.
2.2. Lý thuyết Học tập Thực chứng: Tải nhận thức, ZPD, và Gắn kết Nhận thức (Evidence-Based Learning Theories: Cognitive Load, ZPD, and Cognitive Engagement)
Khung kiến trúc hệ sinh thái không chỉ là vấn đề kỹ thuật mà còn là vấn đề sư phạm. Bảy lý thuyết học tập thực chứng cung cấp nền tảng cho thiết kế hệ sinh thái.
Lý thuyết Tải nhận thức (Cognitive Load Theory – Sweller, Ayres & Kalyuga, 2011): 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 hệ sinh thái 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.
Vùng Phát triển Gần nhất (Zone of Proximal Development – Vygotsky, 1978): Học tập hiệu quả nhất xảy ra khi người học được hỗ trợ trong vùng mà họ chưa thể tự mình hoàn thành nhưng có thể hoàn thành với giàn giáo (scaffolding) phù hợp. Trong hệ sinh thái AI, giàn giáo này có thể được cung cấp bởi AI tutoring, learning analytics, hoặc các công cụ hỗ trợ khác – nhưng phải ở mức độ phù hợp với khả năng hiện tại của người học.
Khung Gắn kết Nhận thức (ICAP Framework – Chi & Wylie, 2014): Phân biệt bốn mức độ gắn kết nhận thức: thụ động (passive), chủ động (active), kiến tạo (constructive), và tương tác (interactive). Hệ sinh thái AI có giá trị sư phạm khi nó khuyến khích chuyển dịch từ thụ động sang kiến tạo và tương tác; nó triệt tiêu học tập khi nó giữ người học ở trạng thái thụ động.
Khung TPACK (Mishra & Koehler, 2006): Năng lực tích hợp công nghệ không phải là năng lực kỹ thuật thuần túy mà là sự giao thoa giữa tri thức công nghệ, tri thức sư phạm và tri thức nội dung. Điều này có nghĩa là đào tạo giảng viên về AI không thể chỉ là “đào tạo công cụ” mà phải là “bồi dưỡng phán đoán sư phạm trong điều kiện AI can thiệp”.
Căn chỉnh Kiến tạo (Constructive Alignment – Biggs, 1996): Mục tiêu học tập, hoạt động học tập và đánh giá phải nhất quán với nhau. Nếu AI được sử dụng trong hoạt động nhưng đánh giá vẫn đo lường năng lực “không có AI”, thì sự căn chỉnh bị phá vỡ. Hệ sinh thái phải đảm bảo rằng các thành phần AI phục vụ mục tiêu học tập và được đánh giá tương ứng.
Thiết kế Đảo ngược (Backward Design – Wiggins & McTighe, 2005): Thiết kế bài giảng nên bắt đầu từ mục tiêu học tập mong muốn, sau đó xác định bằng chứng đánh giá, và cuối cùng là hoạt động học tập. Trong hệ sinh thái AI, điều này có nghĩa là các thành phần AI phải được thiết kế để phục vụ mục tiêu học tập, không phải để tận dụng công nghệ.
Nền tảng Khoa học Học tập (Bransford, Brown & Cocking, 2000): Học tập hiệu quả dựa trên ba nguyên lý: người học đến với lớp học với kiến thức và quan niệm sẵn có; người học cần nền tảng kiến thức sự kiện và khái niệm để tư duy hiệu quả; và người học cần giám sát quá trình học tập của chính mình (metacognition). Hệ sinh thái AI phải được thiết kế để hỗ trợ cả ba nguyên lý này, không chỉ cung cấp thông tin.
Nguyên tắc Sư phạm Thực chứng (Ambrose et al., 2010): Bảy nguyên tắc: kiến thức nền của người học ảnh hưởng đến học tập; cách người học tổ chức kiến thức ảnh hưởng đến học tập; động lực của người học quyết định thời gian và nỗ lực; để phát triển thành thạo, người học cần tiếp thu, thực hành và tích hợp; phản hồi mục tiêu và kịp thời thúc đẩy học tập; khí hậu phát triển của khóa học ảnh hưởng đến học tập; và người học cần giám sát và điều chỉnh cách tiếp cận học tập của mình. Hệ sinh thái AI phải được thiết kế để hỗ trợ các nguyên tắc này.
Các lý thuyết về đánh giá và tự điều chỉnh học tập (Boud & Falchikov, 2007; Nicol & Macfarlane-Dick, 2006; Pintrich, 2000; Zimmerman, 2002) bổ sung chiều thứ tám: hệ sinh thái AI phải hỗ trợ người học phát triển năng lực tự đánh giá và tự điều chỉnh – không chỉ cung cấp phản hồi từ bên ngoài mà còn giúp người học hình thành khả năng giám sát và điều chỉnh quá trình học tập của chính mình. Đây là điều kiện để hệ sinh thái không tạo ra sự phụ thuộc mà nuôi dưỡng tính tự chủ.
2.3. Human-Centered AI: Con người là Trung tâm (Human-Centered AI: Human at the Center)
Khung Human-Centered AI cung cấp định hướng quy phạm cho thiết kế hệ sinh thái. Nguyên lý cốt lõi là: AI chỉ có giá trị nếu nó tăng cường năng lực của con người, không thay thế hoặc làm suy yếu nó. Trong bối cảnh hệ sinh thái, điều này có nghĩa là mỗi thành phần AI phải được thiết kế để mở rộng khả năng của sinh viên, giảng viên và cán bộ quản trị, đồng thời duy trì quyền kiểm soát của con người đối với các quyết định quan trọng.
García-Peñalvo (2026) nhấn mạnh rằng thách thức thực sự của các trường đại học là “tư duy lại chuyển đổi số từ số hóa quy trình sang quản trị các hệ sinh thái công nghệ-xã hội được hỗ trợ bởi AI với sự giám sát có ý nghĩa của con người”. Điều này có nghĩa là hệ sinh thái không chỉ là vấn đề kỹ thuật mà là vấn đề quản trị: ai giám sát AI, ai chịu trách nhiệm khi AI sai, và làm thế nào để đảm bảo rằng các quyết định do AI đề xuất được con người xem xét một cách thực chất.
2.4. Learning Analytics và Can thiệp Sư phạm (Learning Analytics and Pedagogical Intervention)
Learning analytics cung cấp nền tảng dữ liệu cho hệ sinh thái. Nghiên cứu tổng quan hệ thống về can thiệp learning analytics trong giáo dục đại học cho thấy learning analytics có tiềm năng cải thiện kết quả học tập thông qua việc cung cấp phản hồi thời gian thực, cho phép giảng viên điều chỉnh phương pháp sư phạm để giúp sinh viên vượt qua khó khăn (Zheng et al., 2024). Tuy nhiên, hiệu quả của learning analytics phụ thuộc vào cách dữ liệu được sử dụng: nếu chỉ thu thập mà không can thiệp, learning analytics không tạo ra giá trị; nếu can thiệp dựa trên dữ liệu nhưng thiếu căn chỉnh với mục tiêu sư phạm, can thiệp có thể phản tác dụng.
Trong khung kiến trúc đề xuất, learning analytics không phải là một lớp riêng biệt mà là một chức năng xuyên suốt: nó thu thập dữ liệu từ Lớp 1 (hạ tầng), xử lý ở Lớp 2 (phân tích), và cung cấp đầu vào cho Lớp 3 (thông minh cá nhân hóa) và Lớp 4 (tương tác). Điều này đảm bảo rằng dữ liệu không bị “chết” trong các silo mà được chuyển hóa thành hành động sư phạm.
3. TỔNG QUAN NGHIÊN CỨU (LITERATURE REVIEW)
3.1. Các Mô hình AI-Ecosystem Quốc tế (International AI-Ecosystem Models)
Mô hình hệ sinh thái học tập thông minh tại Colombia. Viloria Soto và Gelves Gelves (2025) đề xuất mô hình hệ sinh thái học tập thông minh gồm năm thành phần: hạ tầng dữ liệu, trí tuệ nhân tạo và phân tích, sư phạm thích ứng, quản trị đạo đức, và văn hóa tổ chức. Điểm mạnh của mô hình này là nó bắt đầu từ mục tiêu giảm tải nhận thức cho các nhiệm vụ thường quy, từ đó giải phóng nguồn lực cho tư duy bậc cao. Kết quả nghiên cứu cho thấy hệ sinh thái này giúp người học tiến tới tư duy phản biện và tổng hợp sáng tạo ở mức cao hơn. Tuy nhiên, nghiên cứu này được thực hiện trong bối cảnh Colombia, nơi khung pháp lý dữ liệu và điều kiện nguồn lực khác với Việt Nam, và chưa được kiểm định tại Việt Nam.
Mô hình PIVOT tại Hoa Kỳ. Wei et al. (2026) đề xuất mô hình PIVOT gồm năm trụ cột: Purpose, Identity, Values, Oversight, và Transformation. Mô hình này định vị AI không phải là tập hợp công cụ mà là chất xúc tác cho chuyển đổi chiến lược, đòi hỏi tái thiết kế đồng bộ hệ thống giáo dục, thực tiễn học thuật và văn hóa tổ chức. Điểm mạnh của PIVOT là nó nhấn mạnh chiều quản trị và chuyển đổi văn hóa; tuy nhiên, mô hình này được phát triển cho bối cảnh Hoa Kỳ với giả định về nguồn lực và năng lực thể chế cao hơn nhiều so với Việt Nam, và ít tập trung vào kiến trúc kỹ thuật – yếu tố then chốt đối với các trường đại học Việt Nam đang ở giai đoạn đầu xây dựng hạ tầng số.
Khung quản trị AI đa tầng. Shapiro (2025) đề xuất khung quản trị AI đa tầng cho các trường đại học, bao gồm hướng dẫn thể chế, chính sách theo ngành, và quy định cấp khóa học, nhấn mạnh sự tham gia của các bên liên quan và tính thích ứng với công nghệ thay đổi nhanh. Khung này cung cấp tham chiếu cho Lớp 5 (Quản trị và Đạo đức) trong kiến trúc đề xuất. Tuy nhiên, khung này giới hạn ở chiều quản trị, chưa tích hợp với kiến trúc kỹ thuật và sư phạm – trong khi khung đề xuất của bài viết này tích hợp cả ba chiều trong một kiến trúc tổng thể.
3.2. Các Mô hình Tại Việt Nam (Vietnamese Models)
Đại học Kinh tế Quốc dân (NEU). NEU đã xây dựng hệ sinh thái số toàn diện bao gồm: hạ tầng Wi-Fi 6 toàn khuôn viên; giảng đường thông minh với thiết bị tương tác đa phương tiện; thư viện số với hơn 2,3 triệu đầu sách và tạp chí, hơn 19.000 eBook từ các nhà xuất bản quốc tế; NEU Student App định danh số và điểm danh bằng nhận diện khuôn mặt; NEU Reader cổng tri thức số tích hợp AI; hệ thống LMS hỗ trợ học tập cá nhân hóa; hệ thống OneGate xử lý thủ tục hành chính trực tuyến; và NEU AI Lab & Data Center phục vụ nghiên cứu và ứng dụng AI (Đại học Kinh tế Quốc dân, 2026a, 2026b). Tuy nhiên, chưa có đánh giá hệ thống nào về hiệu quả tổng hợp của hệ sinh thái này.
Học viện Công nghệ Bưu chính Viễn thông (PTIT). PTIT đã xác lập mục tiêu đến năm 2027 có 100% môn học với AI trợ giảng, xây dựng nội dung học tập dựa trên giáo trình, tài liệu tiên tiến của các trường đại học hàng đầu thế giới (Học viện Công nghệ Bưu chính Viễn thông, 2026). PTIT đang triển khai hệ sinh thái AI trong giáo dục gồm AI học đường, AI gia sư, AI hỗ trợ người khiếm thính học tập, cùng các dự án nghiên cứu chuyên sâu như ngôn ngữ lớn LLM, DeepEdu Việt Nam trong giáo dục. PTIT cũng đang hợp tác với VNPT để phát triển mô hình AI-Native University, hướng tới tích hợp AI vào toàn bộ hoạt động từ đào tạo, nghiên cứu, khảo thí đến quản trị điều hành và dịch vụ sinh viên (VNPT & PTIT, 2026). Đây là một trong những nỗ lực tích hợp hệ sinh thái bài bản nhất tại Việt Nam, nhưng cũng chưa có đánh giá hiệu quả công bố.
Trường Đại học CMC. CMC đã công bố và đưa vào vận hành AI-Native Learning Ecosystem (CAINLE) – hệ sinh thái học tập được thiết kế với AI là thành phần cốt lõi ngay từ đầu, kết nối người học, giảng viên, học liệu, hoạt động học tập và dữ liệu trong một môi trường thống nhất (Trường Đại học CMC, 2026). Khác với cách tiếp cận AI-enabled (đưa AI vào hỗ trợ một số khâu riêng lẻ), CAINLE hướng tới tái thiết kế toàn bộ hoạt động đào tạo theo tư duy AI-Native: AI đồng hành cùng sinh viên trong toàn bộ quá trình học tập (trước, trong và sau buổi học), đồng thời hỗ trợ giảng viên trong giảng dạy và quản trị đào tạo dựa trên dữ liệu. Đây là một trong những nỗ lực hệ sinh thái AI giáo dục bài bản nhất tại Việt Nam tính đến thời điểm hiện tại, nhưng cũng chưa có đánh giá độc lập nào về hiệu quả của mô hình này.
3.3. Khoảng trống Nghiên cứu (Research Gap)
Từ tổng quan trên, ba khoảng trống được xác định. Thứ nhất, chưa có khung kiến trúc hệ sinh thái AI giáo dục nào được thiết kế riêng cho bối cảnh Việt Nam và được kiểm định độc lập qua thực nghiệm, mặc dù đã có các mô hình triển khai như CAINLE (CMC) và định hướng AI trợ giảng (PTIT). Thứ hai, chưa có đánh giá hệ thống nào về hiệu quả của các mô hình tích hợp đang hình thành tại Việt Nam (NEU, PTIT, CMC), khiến các trường khác thiếu bằng chứng để ra quyết định đầu tư. Thứ ba, chưa có khung quản trị rủi ro nào được thiết kế cho hệ sinh thái AI giáo dục tại Việt Nam, trong khi rủi ro về thiên kiến, quyền riêng tư, và phụ thuộc công nghệ ngày càng tăng khi AI được tích hợp ở quy mô lớn.
4. MÔ HÌNH NGHIÊN CỨU (RESEARCH MODEL)
4.1. Khung Kiến trúc Sáu lớp (Six-Layer Architecture Framework)
Khung kiến trúc đề xuất gồm sáu lớp, từ hạ tầng đến tích hợp, với năm thành phần can thiệp cốt lõi phân bổ across các lớp. Cần lưu ý rằng Lớp 6 (Tích hợp & Đồng tiến hóa) là đóng góp lý thuyết của bài viết này, chưa được kiểm chứng độc lập trong các mô hình hiện có (Viloria Soto & Gelves Gelves, 2025; Wei et al., 2026).
Bảng 1
Sáu lớp kiến trúc và thành phần can thiệp
| Lớp | Chức năng | Thành phần can thiệp |
| 1. Hạ tầng & Dữ liệu | Kết nối, lưu trữ, quản trị dữ liệu | Hạ tầng mạng, data lake, data warehouse |
| 2. Phân tích & Mô hình hóa | Learning analytics, behavioral analytics, learner modeling | Learning analytics platform |
| 3. Thông minh & Cá nhân hóa | AI tutoring, generative AI, adaptive pathways | AI tutoring system, AI research assistant |
| 4. Tương tác & Trải nghiệm | Giao diện người dùng, kênh tương tác | AI-powered LMS, mobile app, chatbot |
| 5. Quản trị & Đạo đức | Data governance, algorithmic governance, risk governance | AI governance framework |
| 6. Tích hợp & Đồng tiến hóa | Kết nối liên lớp, học hỏi liên tục | Cơ chế phối hợp liên đơn vị, vòng phản hồi |
4.2. So sánh Tương phản với Các Khung Đã có (Contrastive Comparison with Existing Frameworks)
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 |
| Viloria Soto & Gelves Gelves (2025) | Năm thành phần: hạ tầng dữ liệu, AI/analytics, sư phạm thích ứng, quản trị đạo đức, văn hóa tổ chức | Bắt đầu từ mục tiêu giảm tải nhận thức; nhấn mạnh văn hóa tổ chức | Chưa kiểm định tại Việt Nam; thiếu lớp tích hợp đồng tiến hóa như một lớp chức năng riêng; bối cảnh Colombia |
| PIVOT (Wei et al., 2026) | Năm trụ cột: Purpose, Identity, Values, Oversight, Transformation | Nhấn mạnh chuyển đổi chiến lược và văn hóa tổ chức | Giả định nguồn lực và năng lực thể chế cao; ít tập trung vào kiến trúc kỹ thuật |
| AI Governance Multitiered (Shapiro, 2025) | Hướng dẫn thể chế, chính sách ngành, quy định khóa học | Cung cấp khung quản trị đa tầng, nhấn mạnh sự tham gia của các bên | Tập trung vào quản trị, chưa tích hợp với kiến trúc kỹ thuật và sư phạm |
| CAINLE (Trường Đại học CMC, 2026) | Hệ sinh thái học tập AI-Native: tái thiết kế toàn bộ hoạt động đào tạo với AI là trung tâm | Đã triển khai thực tế tại Việt Nam; AI đồng hành xuyên suốt quá trình học tập | Chưa có đánh giá độc lập về hiệu quả; chưa công bố chi tiết kiến trúc kỹ thuật và cơ chế quản trị |
| TPACK (Mishra & Koehler, 2006) | Năng lực tích hợp công nghệ của giảng viên | Cung cấp khung phát triển chuyên môn | Tập trung vào giảng viên, chưa thiết kế hệ sinh thái tổ chức |
| ICAP (Chi & Wylie, 2014) | Mức độ gắn kết nhận thức | Cung cấp tiêu chí quan sát gắn kết | Mô tả trạng thái, chưa thiết kế cơ chế chuyển dịch |
| Khung đề xuất | Sáu lớp + năm thành phần can thiệp | Kết hợp kiến trúc kỹ thuật, sư phạm, quản trị, và đồng tiến hóa; thiết kế cho bối cảnh Việt Nam | Cần kiểm định thực nghiệm |
4.3. Bốn 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 (Engagement): Hệ sinh thái AI giáo dục được tích hợp đầy đủ (có Lớp 6) sẽ tăng mức độ tham gia của sinh viên (số lượt truy cập, thời gian sử dụng, tỷ lệ hoàn thành hoạt động) cao hơn có ý nghĩa thống kê so với hệ sinh thái từng phần (chỉ có Lớp 1–4). Cơ sở: tích hợp dữ liệu và cá nhân hóa giảm ma sát chuyển đổi giữa các công cụ, tăng tính liền mạch của trải nghiệm.
H2 (Learning Outcomes): Hệ sinh thái AI giáo dục được tích hợp đầy đủ sẽ cải thiện kết quả học tập (GPA, tỷ lệ đậu môn học) so với nhóm đối chứng, với effect size dự kiến ở mức nhỏ đến trung bình dựa trên tổng quan hệ thống của Khare và Khare (2026) về AI tutors. Cơ sở: learning analytics cung cấp cảnh báo sớm và phản hồi kịp thời (Zheng et al., 2024), AI tutoring cung cấp hỗ trợ cá nhân hóa, và tích hợp dữ liệu cho phép giảng viên điều chỉnh giảng dạy dựa trên bằng chứng. Cần lưu ý rằng hiệu quả có thể bị điều tiết bởi yếu tố hành vi (động lực, tự điều chỉnh) và có thể giảm dần trong can thiệp dài hạn do hiệu ứng mới lạ (novelty effect) (Wu & Yu, 2024).
H3 (Satisfaction): Mức độ hài lòng của sinh viên và giảng viên với hệ sinh thái tích hợp cao hơn so với hệ thống rời rạc. Cơ sở: trải nghiệm người dùng liền mạch, giảm gánh nặng hành chính, và tăng cảm giác được hỗ trợ cá nhân hóa.
H4 (Equity): Hệ sinh thái AI giáo dục có tác động công bằng hơn: khoảng cách kết quả học tập giữa các nhóm sinh viên (theo điều kiện kinh tế, vùng miền, năng lực đầu vào) được thu hẹp so với nhóm đối chứng. Cơ sở: AI tutoring cung cấp hỗ trợ bổ sung cho sinh viên yếu thế, learning analytics phát hiện sớm sinh viên có nguy cơ, và cá nhân hóa giúp điều chỉnh tốc độ học tập phù hợp. Tuy nhiên, cần lưu ý rằng nếu không được thiết kế cẩn trọng, hệ sinh thái có thể mở rộng khoảng cách do sinh viên có năng lực số cao hơn hưởng lợi nhiều hơn.
5. ĐỀ XUẤT THIẾT KẾ NGHIÊN CỨU TRƯỜNG HỢP KIỂM ĐỊNH (PROPOSED CASE STUDY DESIGN)
Phần này trình bày thiết kế nghiên cứu trường hợp 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)
Nghiên cứu sử dụng thiết kế nghiên cứu trường hợp (case study) kết hợp đánh giá trước–sau (pre–post evaluation). Đơn vị nghiên cứu là một trường đại học Việt Nam với quy mô 5.000 sinh viên và 300 giảng viên. Thiết kế gồm ba giai đoạn: (1) đánh giá hiện trạng (readiness assessment) – 3 tháng; (2) thiết kế và triển khai hệ sinh thái – 12 tháng; (3) đánh giá tác động – 6 tháng sau triển khai.
Đạo đức nghiên cứu: Nghiên cứu sẽ được phê duyệt bởi hội đồng đạo đức của trường. Tất cả người tham gia ký informed consent và được thông báo về quyền rút khỏi nghiên cứu bất cứ lúc nào. Dữ liệu sẽ được mã hóa và lưu trữ bảo mật. Hiệu ứng Hawthorne được kiểm soát bằng cách không thông báo cho sinh viên biết giả thuyết nghiên cứu cụ thể, sử dụng nhóm đối chứng tích cực, và thu thập dữ liệu từ nhiều nguồn. Cần lưu ý thêm về hiệu ứng mới lạ (novelty effect): can thiệp 8 tuần có thể đủ dài để hiệu ứng này phai nhạt, dẫn đến hiệu quả quan sát được thấp hơn so với can thiệp ngắn (Wu & Yu, 2024). Thiết kế cần tính đến yếu tố này khi diễn giải kết quả.
5.2. Đo lường (Measures)
Engagement: Số lượt truy cập hệ sinh thái/tuần; thời gian sử dụng trung bình/ngày; tỷ lệ hoàn thành hoạt động học tập được giao; số lần tương tác với AI tutoring/LMS.
Learning Outcomes: Điểm GPA học kỳ; tỷ lệ đậu môn học; điểm đánh giá năng lực đầu ra; tỷ lệ sinh viên đạt chuẩn đầu ra.
Satisfaction: Khảo sát sinh viên và giảng viên (Likert 5 điểm) về: mức độ hữu ích của hệ sinh thái, mức độ dễ sử dụng, mức độ hỗ trợ cho học tập/giảng dạy, mức độ hài lòng tổng thể.
Equity: So sánh các chỉ số learning outcomes và engagement giữa các nhóm sinh viên: theo điều kiện kinh tế, theo vùng miền, theo năng lực đầu vào, theo giới tính.
5.3. Phân tích (Analysis)
Định lượng: So sánh trước–sau bằng paired samples t-test hoặc Wilcoxon signed-rank test. So sánh giữa nhóm can thiệp và nhóm đối chứng bằng independent samples t-test hoặc Mann-Whitney U test. Phân tích đa nhóm để kiểm định H4 (equity). Sử dụng ANCOVA với điểm đầu vào làm covariate để kiểm soát sự khác biệt ban đầu.
Định tính: Phỏng vấn bán cấu trúc với 20 sinh viên, 10 giảng viên, và 5 cán bộ quản trị về trải nghiệm với hệ sinh thái, các yếu tố thúc đẩy và cản trở, và đề xuất cải tiến. Phân tích chủ đề để bổ sung và giải thích kết quả định lượng.
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. Kết quả 1: Mô tả Kiến trúc Hệ sinh thái
Dự kiến nghiên cứu sẽ mô tả chi tiết kiến trúc sáu lớp của hệ sinh thái AI giáo dục được triển khai tại trường, bao gồm: các thành phần kỹ thuật cụ thể, luồng dữ liệu giữa các lớp, các giao diện người dùng, và các cơ chế quản trị. Mô tả này sẽ là tài liệu tham chiếu cho các trường khác muốn triển khai mô hình tương tự.
6.2. Kết quả 2: Tác động đến Engagement và Learning Outcomes
Dựa trên bằng chứng từ các mô hình quốc tế và Việt Nam, dự kiến hệ sinh thái tích hợp sẽ tăng engagement và cải thiện learning outcomes so với nhóm đối chứng. Cơ sở dự kiến: nghiên cứu của Viloria Soto và Gelves Gelves (2025) cho thấy giảm tải nhận thức cho các nhiệm vụ thường quy giúp người học tiến tới tư duy bậc cao hơn; định hướng AI trợ giảng của PTIT với mục tiêu 100% môn học cho thấy tính khả thi của việc tích hợp AI vào giảng dạy ở quy mô lớn (Học viện Công nghệ Bưu chính Viễn thông, 2026). Tuy nhiên, cần điều chỉnh kỳ vọng: tổng quan hệ thống của Khare và Khare (2026) cho thấy AI tutors có effect size nhỏ đến trung bình trên kết quả học tập, và hiệu quả bị điều tiết mạnh bởi yếu tố hành vi (động lực, tự điều chỉnh). Mức độ cải thiện có thể khác nhau giữa các môn học và giữa các nhóm sinh viên.
6.3. Kết quả 3: Thách thức về Governance
Dự kiến nghiên cứu sẽ xác định ba nhóm thách thức quản trị chính. Thứ nhất, thiên kiến thuật toán: các mô hình AI có thể tái tạo hoặc khuếch đại định kiến xã hội nếu dữ liệu huấn luyện không đại diện. Thứ hai, quyền riêng tư dữ liệu: hệ sinh thái tích hợp thu thập lượng lớn dữ liệu sinh viên, tạo rủi ro rò rỉ hoặc sử dụng sai mục đích. Thứ ba, phụ thuộc công nghệ: sự phụ thuộc vào một nhà cung cấp nền tảng duy nhất có thể khiến hệ sinh thái tê liệt khi nhà cung cấp thay đổi chính sách hoặc ngừng dịch vụ. García-Peñalvo (2026) cũng xác định các rủi ro tương tự: thiên kiến, không minh bạch, vi phạm pháp lý, xâm phạm quyền riêng tư, và phụ thuộc vào bên thứ ba.
6.4. Kết quả 4: Bài học Kinh nghiệm và Khuyến nghị
Dự kiến nghiên cứu sẽ rút ra các bài học về: tầm quan trọng của lãnh đạo cấp cao trong việc thúc đẩy tích hợp; vai trò của văn hóa tổ chức trong việc chấp nhận thay đổi; nhu cầu đào tạo giảng viên về năng lực số và AI; và tầm quan trọng của việc thiết kế quản trị trước khi triển khai công nghệ, không phải sau.
7. THẢO LUẬN (DISCUSSION)
7.1. So sánh với các Mô hình Quốc tế
Khung kiến trúc đề xuất chia sẻ nhiều điểm với mô hình của Viloria Soto và Gelves Gelves (2025) ở việc nhấn mạnh năm thành phần: hạ tầng dữ liệu, AI/analytics, sư phạm thích ứng, quản trị đạo đức, và văn hóa tổ chức. Tuy nhiên, khung đề xuất bổ sung Lớp 6 (Tích hợp và Đồng tiến hóa) như một lớp chức năng riêng biệt, phản ánh thực tế rằng các trường đại học Việt Nam thường triển khai nhiều công cụ nhưng thiếu cơ chế kết nối chúng.
So với mô hình PIVOT của Wei et al. (2026), khung đề xuất tập trung nhiều hơn vào kiến trúc kỹ thuật và quy trình, trong khi PIVOT tập trung vào chuyển đổi chiến lược và văn hóa. Hai khung có thể bổ sung cho nhau: PIVOT cung cấp tầm nhìn chiến lược, khung đề xuất cung cấp kiến trúc vận hành. Tuy nhiên, PIVOT giả định nguồn lực và năng lực thể chế cao hơn nhiều so với Việt Nam, và ít tập trung vào kiến trúc kỹ thuật – yếu tố then chốt đối với các trường đại học Việt Nam đang ở giai đoạn đầu xây dựng hạ tầng số.
So với khung AI Governance Multitiered của Shapiro (2025), khung đề xuất tích hợp chiều quản trị vào kiến trúc tổng thể thay vì tách rời, đảm bảo rằng quản trị không phải là “phần thêm vào” mà là một lớp chức năng bắt buộc. Tuy nhiên, Shapiro (2025) giới hạn ở chiều quản trị, chưa tích hợp với kiến trúc kỹ thuật và sư phạm – trong khi khung đề xuất của bài viết này tích hợp cả ba chiều trong một kiến trúc tổng thể.
So với CAINLE của Trường Đại học CMC (2026), khung đề xuất chia sẻ triết lý AI-Native (AI là thành phần cốt lõi, không phải phần thêm vào) nhưng khác ở cấp độ phân tích: CAINLE là một mô hình triển khai cụ thể tại một trường, trong khi khung đề xuất là một kiến trúc tổng quát có thể thích ứng với nhiều bối cảnh. Khung đề xuất cũng bổ sung chiều đánh giá hiệu quả và quản trị rủi ro mà CAINLE chưa công bố chi tiết.
7.2. Vai trò của Lãnh đạo và Văn hóa Tổ chức
Đây là hàm ý phái sinh (derived implication) từ khung thiết kế, không phải mục tiêu trực tiếp của nghiên cứu.
Một phát hiện quan trọng từ García-Peñalvo (2026) là chuyển đổi số không chỉ là tối ưu hóa quy trình mà là thay đổi tư duy, mô hình vận hành, và văn hóa tổ chức, với yếu tố trung tâm là con người, không phải công cụ. Điều này có nghĩa là thành công của hệ sinh thái AI giáo dục phụ thuộc không chỉ vào chất lượng kỹ thuật mà vào cam kết của lãnh đạo, sự tham gia của giảng viên, và văn hóa học hỏi của tổ chức. Viloria Soto và Gelves Gelves (2025) cũng nhấn mạnh rằng văn hóa tổ chức là thành phần “phức tạp nhất và thường bị bỏ qua nhất” trong các dự án chuyển đổi số. Nếu hệ sinh thái được triển khai như một dự án công nghệ do phòng IT chủ trì mà không có sự tham gia của các bên liên quan, nó sẽ thất bại.
7.3. Hàm ý Chính sách
Nghiên cứu có ba hàm ý chính sách. Thứ nhất, cần khung pháp lý về dữ liệu và AI trong giáo dục: hiện tại Việt Nam chưa có quy định cụ thể về quản trị dữ liệu sinh viên trong hệ sinh thái AI, tạo rủi ro pháp lý cho các trường. Thứ hai, cần đầu tư hạ tầng đồng bộ: nhiều trường có công cụ AI nhưng thiếu hạ tầng dữ liệu và kết nối, khiến hệ sinh thái không thể vận hành. Thứ ba, cần đào tạo nhân lực: giảng viên và cán bộ quản trị cần được đào tạo về năng lực số, hiểu biết AI, và quản trị rủi ro để có thể tham gia hiệu quả vào hệ sinh thái.
7.4. Hạn chế và Chiều Phản tư (Limitations and Reflective Dimension)
Nghiên cứu có bốn 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. Thứ tư, cần thừa nhận giới hạn nhận thức luận của việc mô hình hóa giáo dục bằng AI: Selwyn (2025) cảnh báo rằng giáo dục có những chiều kích không thể quy giản thành mô hình thống kê, và việc áp dụng AI một cách không phê phán có nguy cơ tái tổ chức dạy học theo yêu cầu của máy móc thay vì mục tiêu sư phạm. Holmes et al. (2025) cũng cảnh báo về “chủ nghĩa giải pháp công nghệ” (techno-solutionism) trong giáo dục. Khung đề xuất trong bài viết này không né tránh những phê phán đó: nó chỉ có giá trị nếu được kiểm chứng qua thực nghiệm, và nếu được sử dụng như một công cụ chẩn đoán để điều chỉnh thiết kế dựa trên bằng chứng về học tập của sinh viên, không phải như một công thức áp dụng máy móc.
8. KẾT LUẬN (CONCLUSION)
Nghiên cứu này đề xuất một khung kiến trúc hệ sinh thái AI giáo dục cho trường đại học Việt Nam, gồm sáu lớp chức năng (hạ tầng dữ liệu, phân tích, thông minh cá nhân hóa, tương tác trải nghiệm, quản trị đạo đức, tích hợp đồng tiến hóa) và năm thành phần can thiệp cốt lõi. Khung này chuyển dịch từ tiếp cận công cụ sang tiếp cận hệ thống, nhấn mạnh rằng hiệu quả của AI trong giáo dục phụ thuộc vào kiến trúc tổng thể chứ không chỉ chất lượng từng công cụ.
Đóng góp lý thuyết của nghiên cứu là tích hợp lý thuyết hệ sinh thái với khung Human-Centered AI, lý thuyết học tập thực chứng (Bransford et al., 2000; Ambrose et al., 2010; Sweller et al., 2011; Vygotsky, 1978; Chi & Wylie, 2014; Mishra & Koehler, 2006; Biggs, 1996; Wiggins & McTighe, 2005; Boud & Falchikov, 2007; Nicol & Macfarlane-Dick, 2006; Pintrich, 2000; Zimmerman, 2002), và bằng chứng thực tiễn từ các mô hình quốc tế và Việt Nam (NEU, PTIT, CMC) để tạo ra một khung kiến trúc khả vận hành cho bối cảnh Việt Nam. Đóng góp thứ hai là đề xuất thiết kế đánh giá hiệu quả trên bốn chiều (engagement, learning outcomes, satisfaction, equity). Đóng góp thứ ba là nhận diện bốn nhóm thách thức quản trị (thiên kiến thuật toán, quyền riêng tư dữ liệu, phụ thuộc công nghệ, bất bình đẳng tiếp cận) và đề xuất cơ chế kiểm soát dựa trên nguyên tắc Human-in-the-loop và minh bạch thuật toán.
Bốn giả thuyết được đề xuất để kiểm định: (H1) hệ sinh thái tích hợp tăng engagement; (H2) cải thiện learning outcomes với effect size dự kiến nhỏ đến trung bình; (H3) tăng satisfaction; (H4) có tác động công bằng hơn. Các giả thuyết này cần được kiểm chứng qua nghiên cứu trường hợp tại một trường đại học Việt Nam trong giai đoạn 2020–2026.
Hướng nghiên cứu tương lai bao gồm: mở rộng nghiên cứu trường hợp sang nhiều trường để so sánh; phát triển các chỉ số đo lường hiệu quả hệ sinh thái độc lập với tự đánh giá; và nghiên cứu sự phát triển năng lực của giảng viên và cán bộ quản trị trong môi trường hệ sinh thái AI. Câu hỏi xuyên suốt là: làm thế nào để hệ sinh thái AI giáo dục trở thành hạ tầng cho sự phát triển con người, không phải cỗ máy tối ưu hóa hiệu suất làm tha hóa mục đích giáo dục.
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 hệ sinh thái (Methodology & Theoretical Development); Xây dựng khung kiến trúc sáu lớp và năm thành phần can thiệp (Framework Architecture & Propositions); Tích hợp bằng chứng thực tiễn từ NEU, PTIT, CMC, Viloria Soto & Gelves Gelves, PIVOT (Evidence Integration); Tích hợp lý thuyết học tập thực chứng (Evidence-Based Learning Theories Integration); Thiết kế đánh giá hiệu quả và khung quản trị rủi ro (Evaluation Design & Risk Governance); 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).
DANH MỤC 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.
Boud, D., & Falchikov, N. (Eds.). (2007). Rethinking assessment in higher education: Learning for the longer term. Routledge.
Bransford, J. D., Brown, A. L., & Cocking, R. R. (Eds.). (2000). How people learn: Brain, mind, experience, and school. National Academies Press.
CAST. (2024). Universal design for learning guidelines version 3.0. CAST.
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
Đại học Kinh tế Quốc dân. (2026a). Đại học Kinh tế Quốc dân: Khẳng định vị thế đại học thông minh, kiến tạo thế hệ công dân số toàn cầu. https://neu.edu.vn/dai-hoc-kinh-te-quoc-dan-2026-khang-dinh-vi-the-dai-hoc-thong-minh-kien-tao-the-he-cong-dan-so-toan-cau/
Đại học Kinh tế Quốc dân. (2026b). National Economics University: Affirming its position as a smart university, cultivating a generation of global digital citizens. https://neu.edu.vn/en/national-economics-university-affirming-its-position-as-a-smart-university-cultivating-a-generation-of-global-digital-citizens/
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266
Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction (The Delphi Report). The California Academic Press.
García-Peñalvo, F. J. (2026). AI governance strategies: A university perspective. Keynote at the T4EU Transformational Leadership Programme, University of Alicante, Spain. https://doi.org/10.5281/zenodo.20151552
Harvard Bok Center. (2024–2025). Generative AI in teaching and learning guidance. Harvard University.
Học viện Công nghệ Bưu chính Viễn thông. (2026). PTIT tin tưởng sẽ trở thành trường ĐH công nghệ thế hệ mới hàng đầu về đổi mới sáng tạo. https://sdh.ptit.edu.vn/2026/02/26/ptit-tin-tuong-se-tro-thanh-truong-dh-cong-nghe-the-he-moi-hang-dau-ve-doi-moi-sang-tao/
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
Kuhn, D. (1999). A developmental model of critical thinking. Educational Researcher, 28(2), 16–46. https://doi.org/10.3102/0013189X028002016
Mayer, R. E. (2021). Multimedia learning (3rd ed.). Cambridge University Press.
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
Nicol, D. J., & Macfarlane-Dick, D. (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education, 31(2), 199–218. https://doi.org/10.1080/03075070600572090
Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.
Pintrich, P. R. (2000). The role of goal orientation in self-regulated learning. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 451–502). Academic Press. https://doi.org/10.1016/B978-012109890-2/50043-3
Shapiro, S. (2025). AI policies in higher education institutions (HEIs): A governance framework. In N. El-Bassiouny, W. Amann, D. El-Bassiouny, & C. Hauser (Eds.), Artificial intelligence and responsible management education: Current applications and future directions. Taylor & Francis.
Stanford HAI. (2025). AI Index Report 2025. Stanford Institute for Human-Centered Artificial Intelligence.
Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive load theory. Springer. https://doi.org/10.1007/978-1-4419-8126-4
Trường Đại học CMC. (2026). AI-Native Learning Ecosystem: Hệ sinh thái học tập tái thiết kế hoạt động đào tạo tại Trường Đại học CMC. https://cmcu.edu.vn/ai-native-learning-ecosystem-he-sinh-thai-hoc-tap-tai-thiet-ke-hoat-dong-dao-tao-tai-truong-dai-hoc-cmc/
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
University of Oxford. (2024–2025). Policy and guidance on the use of AI in education. Oxford University.
Viloria Soto, S., & Gelves Gelves, E. (2025). Universidades 2035: Ecosistema de aprendizaje inteligente. Revista Docencia Universitaria, 26(2), 78–87. https://doi.org/10.18273/revdu.v26n2-2025006
VNPT & PTIT. (2026). VNPT hợp tác Học viện Công nghệ Bưu chính Viễn thông phát triển đại học AI-Native. https://www.vietnam.vn/vnpt-hop-tac-hoc-vien-cong-nghe-buu-chinh-vien-thong-phat-trien-dai-hoc-ai-native
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Wei, H., Castro-Quirino, S., Wei, A., & Kruse, S. W. (2026). The PIVOT model for strategic academic transformation in AI-powered higher education. Discover Education, 5, Article 863.
Wiggins, G., & McTighe, J. (2005). Understanding by design (2nd ed.). ASCD.
Zheng, L., Fan, Y., Gao, L., & Huang, Z. (2024). The impact of learning analytics interventions on learning achievements: A meta-analysis. Interactive Learning Environments. https://doi.org/10.1080/10494820.2024.2303565
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: Sơ đồ Kiến trúc Hệ sinh thái (Ecosystem Architecture Diagram)
(Mô tả sơ đồ: Sáu lớp xếp chồng từ dưới lên: Lớp 1 – Hạ tầng & Dữ liệu; Lớp 2 – Phân tích & Mô hình hóa; Lớp 3 – Thông minh & Cá nhân hóa; Lớp 4 – Tương tác & Trải nghiệm; Lớp 5 – Quản trị & Đạo đức; Lớp 6 – Tích hợp & Đồng tiến hóa. Các mũi tên hai chiều giữa các lớp thể hiện luồng dữ liệu và phản hồi. Năm thành phần can thiệp được đánh dấu tại các lớp tương ứng. Bốn giả thuyết H1–H4 được ánh xạ vào các mũi tên tương ứng.)
Phụ lục B: Bảng hỏi Đánh giá Readiness (Readiness Assessment Questionnaire)
Phần 1 – Hạ tầng: Đánh giá mức độ sẵn sàng của hạ tầng mạng, lưu trữ, và kết nối. (5 mục, Likert 5 điểm)
Phần 2 – Dữ liệu: Đánh giá mức độ sẵn sàng của dữ liệu (chất lượng, tích hợp, quản trị). (5 mục)
Phần 3 – Năng lực con người: Đánh giá năng lực số của giảng viên, sinh viên, cán bộ quản trị. (10 mục)
Phần 4 – Quản trị: Đánh giá sự hiện diện của chính sách dữ liệu, quy trình phê duyệt công nghệ, và cơ chế giám sát. (5 mục)
Phần 5 – Văn hóa: Đánh giá mức độ sẵn sàng thay đổi, sự hỗ trợ của lãnh đạo, và thói quen học hỏi của tổ chức. (5 mục)
Phụ lục C: Báo cáo Tác động (Impact Report Template)
Phần 1 – Tóm tắt Điều hành: Các phát hiện chính và khuyến nghị.
Phần 2 – Engagement: Số liệu trước–sau, so sánh nhóm, phân tích theo nhóm sinh viên.
Phần 3 – Learning Outcomes: GPA, tỷ lệ đậu, điểm đánh giá năng lực, phân tích theo nhóm.
Phần 4 – Satisfaction: Kết quả khảo sát sinh viên và giảng viên, phân tích định tính.
Phần 5 – Equity: So sánh các nhóm sinh viên, xác định khoảng cách và xu hướng.
Phần 6 – Governance: Các rủi ro đã nhận diện, cơ chế kiểm soát đã triển khai, bài học kinh nghiệm.
Phần 7 – Khuyến nghị: Đề xuất cải tiến cho giai đoạn tiếp theo.
