English title:
Developing and Validating the Curriculum 5.0 Model: AI-Enabled Adaptive Curriculum Governance for Enhancing Graduate Competency Relevance

 

NGUYỄN VĂN HÙNG

TÓM TẮT

Sự phát triển nhanh chóng của trí tuệ nhân tạo, tự động hóa, dữ liệu lớn và các hình thức lao động số đang làm thay đổi cấu trúc nhiệm vụ nghề nghiệp và hệ năng lực mà người tốt nghiệp đại học cần sở hữu. Trong bối cảnh đó, thách thức đối với quản trị chương trình đào tạo không còn chỉ là định kỳ cập nhật nội dung hay đáp ứng các chuẩn kiểm định, mà chuyển sang khả năng liên tục nhận diện những thay đổi về công nghệ, thị trường lao động, người học và yêu cầu nghề nghiệp; chuyển hóa các tín hiệu đó thành tri thức có khả năng hành động; và tái cấu hình chương trình đủ nhanh để duy trì sự phù hợp của năng lực người tốt nghiệp. OECD cho thấy các AI Capability Indicators có thể hỗ trợ phân tích tác động của AI lên công việc, năng lực con người và những thay đổi cần thiết đối với mục tiêu, chương trình và vai trò giáo dục.

Nghiên cứu này đề xuất phát triển và kiểm định Curriculum 5.0 Model theo chuỗi AI Capability → Curriculum Intelligence → Curriculum Adaptability → Graduate Competency Relevance. AI Capability phản ánh năng lực tổ chức trong việc huy động hạ tầng AI, dữ liệu, nguồn nhân lực, năng lực kỹ thuật và cơ chế quản trị AI. Curriculum Intelligence được khái niệm hóa như khả năng liên tục thu nhận, tích hợp, phân tích, diễn giải và chuyển hóa dữ liệu đa nguồn về người học, chương trình, thị trường lao động, nghề nghiệp, công nghệ và các bên liên quan thành tri thức có khả năng hành động phục vụ quyết định chương trình. Curriculum Adaptability phản ánh năng lực tái cấu hình chuẩn đầu ra, nội dung, cấu trúc học phần, phương pháp dạy học, đánh giá và liên kết nghề nghiệp một cách kịp thời nhưng vẫn duy trì tính nhất quán học thuật. Graduate Competency Relevance phản ánh mức độ tương thích giữa năng lực người tốt nghiệp với các yêu cầu nghề nghiệp, công nghệ và xã hội hiện tại cũng như đang nổi lên.

Nghiên cứu tích hợp Dynamic Capabilities Theory, Organizational Information Processing Theory và Absorptive Capacity. Thiết kế thực nghiệm dự kiến áp dụng sequential exploratory mixed methods, kết hợp phát triển thang đo Curriculum Intelligence, dữ liệu multi-wave/multi-source, CFA/SEM, serial mediation, incremental validity, measurement invariance và robustness tests. Đóng góp trọng tâm gồm: phát triển Curriculum Intelligence như một construct có ranh giới lý thuyết rõ; phát triển Curriculum Intelligence Scale – CIS; giải thích cơ chế chuyển hóa AI Capability thành Graduate Competency Relevance thông qua hai trung gian nối tiếp; và đề xuất mô hình quản trị chương trình chuyển từ periodic curriculum review sang continuous curriculum intelligence and adaptive governance.

Từ khóa: Curriculum 5.0; Curriculum Intelligence; AI Capability; Curriculum Adaptability; Graduate Competency Relevance; quản trị chương trình đào tạo; năng lực động; trí tuệ nhân tạo; phát triển thang đo.

ABSTRACT

The rapid advancement of artificial intelligence, automation, big data, and emerging forms of digital labor is fundamentally restructuring occupational task profiles and the competency frameworks that university graduates are expected to possess. In this context, the challenge for curriculum governance has shifted beyond periodic content updates or compliance with accreditation standards toward the capacity to continuously detect signals of change in technology, labor markets, learner demographics, and professional requirements; to translate those signals into actionable knowledge; and to reconfigure curricula with sufficient agility to sustain graduate competency relevance. The OECD has demonstrated that AI Capability Indicators can support the analysis of AI’s impact on work, human competencies, and the necessary adjustments to educational objectives, curricula, and institutional roles.

This study proposes the development and validation of a Curriculum 5.0 Model along the sequential pathway: AI Capability → Curriculum Intelligence → Curriculum Adaptability → Graduate Competency Relevance. AI Capability reflects an organization’s capacity to mobilize AI infrastructure, data assets, human resources, technical expertise, and AI governance mechanisms. Curriculum Intelligence is conceptualized as the ability to continuously acquire, integrate, analyze, interpret, and transform multi-source data pertaining to learners, curricula, labor markets, occupations, technologies, and stakeholders into actionable knowledge for curriculum decision-making. Curriculum Adaptability reflects the capacity to reconfigure learning outcomes, content, course structures, pedagogical methods, assessment strategies, and industry linkages in a timely manner while maintaining academic coherence. Graduate Competency Relevance reflects the degree of alignment between graduate competencies and current as well as emerging professional, technological, and societal demands.

The study integrates Dynamic Capabilities Theory, Organizational Information Processing Theory, and Absorptive Capacity. The proposed research design employs a sequential exploratory mixed-methods approach, combining Curriculum Intelligence scale development, multi-wave/multi-source data collection, CFA/SEM, serial mediation, incremental validity, measurement invariance, and robustness testing. Core contributions include: the theoretical development of Curriculum Intelligence as a construct with clearly defined boundaries; the development of a validated Curriculum Intelligence Scale (CIS); the explication of a dual-serial mediation mechanism through which AI Capability translates into Graduate Competency Relevance; and the proposition of a curriculum governance model that shifts from periodic curriculum review toward continuous curriculum intelligence and adaptive governance.

Keywords: Curriculum 5.0; Curriculum Intelligence; AI Capability; Curriculum Adaptability; Graduate Competency Relevance; curriculum governance; dynamic capabilities; artificial intelligence; scale development.

1. TÍNH CẤP THIẾT VÀ BỐI CẢNH NGHIÊN CỨU

AI đang làm thay đổi đồng thời ba nền tảng mà chương trình đại học truyền thống dựa vào: cấu trúc công việc, phân công giữa con người và công nghệ, và thời gian hữu dụng của năng lực nghề nghiệp. Khả năng của AI không chỉ gia tăng trong xử lý thông tin mà còn mở rộng sang ngôn ngữ, giải quyết vấn đề, sáng tạo, nhận thức, học tập và các nhiệm vụ vốn gắn với lao động tri thức. OECD phát triển chín nhóm AI Capability Indicators nhằm so sánh khả năng của AI với năng lực con người và nhấn mạnh rằng việc ánh xạ AI capabilities với yêu cầu nghề nghiệp có thể giúp dự báo cách công việc thay đổi; đồng thời những chỉ báo này có thể hỗ trợ suy nghĩ lại về curriculum design, pedagogy và student competencies.

Vấn đề đối với đại học vì vậy không chỉ là “đưa AI vào chương trình”. Nếu AI có thể đảm nhận ngày càng nhiều nhiệm vụ từng được xem là minh chứng của năng lực nghề nghiệp, trường đại học phải liên tục xem xét năng lực nào còn cần phát triển, năng lực nào cần nâng cấp, năng lực nào cần tái định nghĩa, và con người cần học cách hợp tác với AI như thế nào. Điều này làm giảm tính phù hợp của mô hình quản trị chương trình dựa chủ yếu vào các chu kỳ rà soát dài, nơi chương trình thường chỉ được thay đổi sau khi tín hiệu môi trường đã trở nên rõ ràng.

Một chương trình đào tạo có thể vẫn đạt chuẩn kiểm định nhưng đã bắt đầu xuất hiện competency lag: khoảng cách giữa năng lực mà chương trình đang phát triển và năng lực mà môi trường nghề nghiệp đang cần. Độ trễ này càng nguy hiểm trong các lĩnh vực chịu tác động lớn của AI bởi vòng đời của công nghệ và kỹ năng có thể ngắn hơn vòng đời phê duyệt, triển khai và đánh giá một chương trình.

Từ góc nhìn quản trị, vấn đề không phải chỉ là tốc độ cập nhật mà là chất lượng của khả năng cảm nhận và tái cấu hình. Thay đổi chương trình nhanh nhưng dựa trên tín hiệu không đáng tin cậy có thể tạo ra sự mất ổn định. Ngược lại, bảo thủ để bảo vệ tính nhất quán học thuật có thể khiến chương trình mất dần sự phù hợp. Điều cần thiết là một năng lực giúp tổ chức phân biệt xu hướng nhất thời với thay đổi có tính cấu trúc, chuyển dữ liệu thành hiểu biết và chuyển hiểu biết thành quyết định.

AI tạo ra tiềm năng đáng kể cho quá trình này. Năng lực AI ở cấp tổ chức đã được nghiên cứu như một tập hợp các nguồn lực có thể tạo ra năng lực tổ chức và đóng góp vào sáng tạo cũng như hiệu suất; Mikalef và Gupta (2021) đã phát triển và kiểm định công cụ đo AI Capability thay vì xem AI chỉ là mức sử dụng công nghệ. Điều này gợi ý một nguyên tắc quan trọng cho nghiên cứu Curriculum 5.0: AI Capability phải được xem là năng lực tạo điều kiện, không phải kết quả chương trình.

Một trường đại học có thể có hạ tầng AI mạnh nhưng vẫn ra quyết định chương trình chậm; có thể có dữ liệu nhưng thiếu khả năng tích hợp; có dashboard nhưng không có cơ chế chuyển insight thành quyết định; hoặc có những thử nghiệm AI rời rạc nhưng không tạo được một chu trình học hỏi tổ chức. Vì vậy:

AI Capability ≠ Curriculum Intelligence ≠ Curriculum Adaptability.

Sự phân biệt này là nền tảng của đề tài.

Nghiên cứu đề xuất chuỗi tạo giá trị:

AI Capability → Curriculum Intelligence → Curriculum Adaptability → Graduate Competency Relevance.

Trong chuỗi này, AI Capability tạo tiềm năng, Curriculum Intelligence chuyển tiềm năng thành actionable knowledge, Curriculum Adaptability chuyển knowledge thành reconfiguration, và Graduate Competency Relevance phản ánh value realization.

2. VẤN ĐỀ NGHIÊN CỨU VÀ HỆ THỐNG KHOẢNG TRỐNG KHOA HỌC

2.1. Khoảng trống từ “AI in curriculum” đến “AI-enabled curriculum governance”

Một phần đáng kể thảo luận hiện nay về AI và chương trình tập trung vào việc đưa AI literacy, GenAI, data science hoặc ethics vào nội dung đào tạo. Đây là hướng cần thiết nhưng chưa giải quyết vấn đề quản trị thích ứng của toàn bộ chương trình.

Nghiên cứu này phân biệt:

AI as curriculum content — AI là cái được dạy;

AI as teaching technology — AI hỗ trợ dạy học;

AI as curriculum intelligence infrastructure — AI hỗ trợ cảm nhận, diễn giải và ra quyết định chương trình.

Đóng góp của Curriculum 5.0 chủ yếu nằm ở cấp độ thứ ba.

2.2. Khoảng trống giữa AI Capability và Curriculum Adaptability

AI Capability có thể giúp trường khai thác dữ liệu lớn, NLP, labour-market data, learning analytics và dự báo. Tuy nhiên, việc sở hữu năng lực đó chưa giải thích cách dữ liệu trở thành quyết định.

Nếu kiểm định trực tiếp:

AI Capability → Curriculum Adaptability

nghiên cứu bỏ qua một “hộp đen” quan trọng.

Đề tài giải quyết bằng Curriculum Intelligence.

2.3. Khoảng trống Curriculum Intelligence

“Curriculum Intelligence” có thể xuất hiện trong các sáng kiến kỹ thuật hoặc thực hành, nhưng cần thận trọng với tuyên bố “lần đầu tiên”. Vấn đề khoa học có sức bảo vệ cao hơn là:

Curriculum Intelligence chưa được xác lập đầy đủ như một năng lực tổ chức domain-specific có conceptual domain, cấu trúc đo lường, nomological position và incremental validity được kiểm định trong quản trị chương trình đại học.

Đây là khoảng trống trọng tâm.

2.4. Khoảng trống giữa Curriculum Intelligence và các construct lân cận

CI có nguy cơ bị xem là cách đặt tên mới cho:

• market intelligence;
• learning analytics capability;
• knowledge management capability;
• absorptive capacity;
• data-driven decision-making;
• environmental scanning;
• curriculum analytics.

Vì vậy, nghiên cứu phải chứng minh không chỉ discriminant validity, mà cả incremental validity.

2.5. Khoảng trống giữa Curriculum Adaptability và Curriculum Agility

Curriculum agility đã được nghiên cứu trong giáo dục đại học. Menon et al. (2022) xác định các yếu tố thúc đẩy curriculum agility và vai trò của curriculum leadership, organizational governance và teacher autonomy.

Do đó, đề tài không tuyên bố Curriculum Adaptability hoàn toàn mới. CA được phát triển theo hướng hẹp và cơ chế hơn:

Curriculum Adaptability là năng lực tái cấu hình chương trình một cách kịp thời, có căn cứ, có chọn lọc và vẫn duy trì coherence khi môi trường thay đổi.

Điểm mới nằm ở CI → CA, không phải ở việc nói rằng chương trình phải linh hoạt.

2.6. Khoảng trống giữa Curriculum Adaptability và Graduate Competency Relevance

Chương trình thay đổi chưa chắc làm năng lực người tốt nghiệp phù hợp hơn. Nếu thay đổi không đúng hướng, chương trình có thể mới nhưng không relevant.

Đây là lý do mô hình không dừng ở Curriculum Adaptability mà kéo chuỗi tới Graduate Competency Relevance.

2.7. Khoảng trống đo lường

Nếu CI là đóng góp mới, cần có:

definition → dimensions → items → factor structure → validity → invariance → predictive/incremental value.

Nếu chỉ đặt tên CI rồi dùng một số items tự xây dựng, đóng góp lý thuyết sẽ yếu.

2.8. Khoảng trống phương pháp

Chuỗi bốn biến có serial mediation nhưng nếu tất cả được thu tại một thời điểm và một nguồn, kết luận dễ bị common method variance và temporal ambiguity.

Do đó cần:

multi-wave + multi-source + independent scale validation + SEM + alternative models + invariance.

 

3. MỤC TIÊU NGHIÊN CỨU

3.1. Mục tiêu tổng quát

Xây dựng và kiểm định mô hình Curriculum 5.0 nhằm giải thích cơ chế mà qua đó AI Capability được chuyển hóa thành Curriculum Intelligence, từ đó nâng cao Curriculum Adaptability và cuối cùng duy trì Graduate Competency Relevance trong môi trường công nghệ, nghề nghiệp và xã hội biến đổi nhanh.

3.2. Mục tiêu cụ thể

1. Xác lập cơ sở lý thuyết tích hợp của Curriculum 5.0.
2. Khái niệm hóa Curriculum Intelligence như một organizational capability chuyên biệt.
3. Phân biệt CI với các construct gần nghĩa.
4. Phát triển và kiểm định Curriculum Intelligence Scale – CIS.
5. Hiệu chỉnh và kiểm định thang đo AI Capability, Curriculum Adaptability và Graduate Competency Relevance.
6. Kiểm định AC → CI.
7. Kiểm định CI → CA.
8. Kiểm định CA → GCR.
9. Kiểm định mediation của CI.
10. Kiểm định mediation của CA.
11. Kiểm định serial mediation AC → CI → CA → GCR.
12. Kiểm định incremental validity của CI.
13. Kiểm định measurement invariance.
14. Xây dựng bộ chẩn đoán Curriculum 5.0 cho cơ sở giáo dục đại học.

4. CÂU HỎI NGHIÊN CỨU

RQ1. Curriculum Intelligence nên được định nghĩa và giới hạn miền khái niệm như thế nào?

RQ2. CI khác market intelligence, learning analytics capability, absorptive capacity, data-driven decision-making và curriculum agility/adaptability như thế nào?

RQ3. AI Capability ảnh hưởng như thế nào đến Curriculum Intelligence?

RQ4. Curriculum Intelligence ảnh hưởng như thế nào đến Curriculum Adaptability?

RQ5. Curriculum Adaptability ảnh hưởng như thế nào đến Graduate Competency Relevance?

RQ6. CI có đóng vai trò trung gian giữa AC và CA hay không?

RQ7. CA có đóng vai trò trung gian giữa CI và GCR hay không?

RQ8. CI và CA có tạo thành serial mediation giữa AC và GCR hay không?

RQ9. CI có incremental validity vượt trên learning analytics capability và data-driven decision-making capability hay không?

RQ10. Các construct có duy trì measurement invariance giữa các nhóm cơ sở giáo dục và lĩnh vực đào tạo quan trọng hay không?

 

5. CƠ SỞ LÝ THUYẾT TÍCH HỢP

5.1. Dynamic Capabilities Theory

Dynamic Capabilities Theory là nền tảng chính giải thích chuỗi tạo giá trị.

Teece et al. (1997) xác định dynamic capabilities là khả năng tích hợp, xây dựng và tái cấu hình năng lực tổ chức trong môi trường thay đổi. Teece (2007) phát triển thành:

Sensing → Seizing → Transforming.

Áp dụng vào Curriculum 5.0:

• AI Capability: enabling resource/capability base;
• Curriculum Intelligence: sensing + sensemaking;
• Curriculum Adaptability: seizing + reconfiguration;
• GCR: value realization.

Dynamic Capabilities giúp tránh giả định “có AI = chương trình thích ứng”.

5.2. Organizational Information Processing Theory

OIPT lập luận rằng khi uncertainty tăng, tổ chức phải tăng information-processing capacity (Galbraith, 1974).

Đối với chương trình đại học, uncertainty đến từ:

AI; nghề nghiệp mới; thay đổi task architecture; learner data; employer demand; professional standards; policy; social expectations.

AI mở rộng processing capacity, nhưng CI quyết định processing intelligence.

Do đó, CI là cầu nối giữa thông tin và quyết định.

5.3. Absorptive Capacity

Cohen và Levinthal (1990) nhấn mạnh khả năng nhận diện giá trị, hấp thụ và ứng dụng tri thức mới.

CI kế thừa logic này nhưng khác ở ba điểm:

• CI là curriculum-specific;
• CI tích hợp dữ liệu nội bộ và bên ngoài;
• CI kết thúc ở actionable curriculum decisions.

Absorptive Capacity vì vậy là theoretical antecedent/analogue, không phải construct đồng nhất.

5.4. Lập luận lý thuyết tích hợp

Ba lý thuyết giải thích ba câu hỏi khác nhau:

Lý thuyết	Câu hỏi giải thích
Dynamic Capabilities	Tại sao tổ chức cần sensing và reconfiguration?
OIPT	Tại sao uncertainty đòi hỏi intelligence capacity?
Absorptive Capacity	Tổ chức chuyển external knowledge thành usable knowledge như thế nào?

Curriculum 5.0 tích hợp chúng theo logic:

Environmental uncertainty → information processing → curriculum intelligence → reconfiguration → competency relevance.

6. KHÁI NIỆM HÓA CURRICULUM 5.0 VÀ BỐN CẤU TRÚC CỐT LÕI

6.1. Curriculum 5.0

Curriculum 5.0 là mô hình quản trị chương trình đào tạo thích ứng lấy con người và năng lực người học làm trung tâm, trong đó AI, dữ liệu và organizational intelligence được tích hợp vào chu trình liên tục cảm nhận – diễn giải – quyết định – tái cấu hình – đánh giá nhằm duy trì sự phù hợp giữa chương trình đào tạo với những thay đổi của tri thức, công nghệ, nghề nghiệp và xã hội.

Năm thuộc tính:

AI-enabled; intelligence-driven; adaptive; human-centred; competency-relevance-oriented.

6.2. AI Capability

Dựa trên logic của Mikalef và Gupta (2021), AI Capability không nên được đo bằng frequency of AI use mà bằng khả năng huy động phối hợp AI-related resources.

Định nghĩa đề xuất:

AI Capability là năng lực của cơ sở giáo dục trong việc huy động, phối hợp và quản trị các nguồn lực công nghệ AI, dữ liệu, nhân lực, chuyên môn phân tích và governance để hỗ trợ các nhiệm vụ chiến lược và quản trị chương trình.

6.3. Curriculum Intelligence

Curriculum Intelligence là năng lực tổ chức trong việc liên tục thu nhận, tích hợp, phân tích, diễn giải và chuyển hóa dữ liệu đa nguồn về người học, chương trình, nghề nghiệp, thị trường lao động, công nghệ và các bên liên quan thành tri thức có khả năng hành động phục vụ thiết kế, rà soát và tái cấu hình chương trình đào tạo.

Năm chiều sơ bộ:

1. Environmental & Labour-Market Sensing
2. Learner & Learning Analytics Intelligence
3. Competency Intelligence
4. Stakeholder Intelligence Integration
5. Curriculum Decision Intelligence

Đây là cấu trúc giả định ban đầu, không phải cấu trúc cuối cùng.

6.4. Curriculum Adaptability

Curriculum Adaptability là năng lực của chương trình trong việc kịp thời, có chọn lọc và có căn cứ tái cấu hình chuẩn đầu ra, nội dung, cấu trúc học phần, phương pháp dạy học, đánh giá và quan hệ với môi trường nghề nghiệp mà không làm suy giảm coherence và chất lượng học thuật.

CA gồm các đặc tính:

responsiveness – timeliness – reconfigurability – coherence – evidence orientation.

6.5. Graduate Competency Relevance

Graduate Competency Relevance là mức độ phù hợp giữa hệ năng lực mà người tốt nghiệp thực sự hình thành với các năng lực hiện tại và đang nổi lên cần thiết cho nghề nghiệp, công nghệ, khả năng thích ứng và trách nhiệm xã hội.

OECD nhấn mạnh rằng các AI Capability Indicators có thể được ánh xạ với yêu cầu nhiệm vụ và nghề nghiệp, đồng thời có hàm ý trực tiếp đối với mục tiêu giáo dục và chương trình.

GCR có thể gồm:

• professional relevance;
• AI/digital relevance;
• cognitive relevance;
• transferable relevance;
• adaptability/lifelong-learning relevance.

7. MÔ HÌNH NGHIÊN CỨU VÀ PHÁT TRIỂN H1–H6

H1. AI Capability → Curriculum Intelligence

AI Capability làm tăng khả năng thu thập, kết nối và phân tích lượng dữ liệu mà quy trình curriculum review truyền thống khó xử lý. Từ góc nhìn OIPT, AC mở rộng information-processing capacity. Tuy nhiên, giá trị của capacity chỉ xuất hiện khi tổ chức có routines để diễn giải dữ liệu thành curriculum-relevant intelligence.

Từ Dynamic Capabilities, AC tạo điều kiện cho sensing nhưng không đồng nhất với sensing. Khả năng AI tốt giúp tổ chức phát hiện emerging skills, curriculum gaps và learner patterns nhanh hơn.

H1: AI Capability có tác động tích cực đến Curriculum Intelligence.

H2. Curriculum Intelligence → Curriculum Adaptability

CI giúp giảm uncertainty trong quyết định chương trình. Một chương trình chỉ có thể thích ứng hợp lý khi tổ chức biết:

• điều gì đang thay đổi;
• thay đổi có ý nghĩa ở mức nào;
• phần nào của chương trình bị ảnh hưởng;
• năng lực nào cần thêm hoặc giảm;
• thay đổi nào cần ưu tiên.

Do đó, CI là sensing/sensemaking mechanism đứng trước reconfiguration.

H2: Curriculum Intelligence có tác động tích cực đến Curriculum Adaptability.

H3. Curriculum Adaptability → Graduate Competency Relevance

Mối quan hệ giữa chương trình và năng lực nghề nghiệp không tĩnh. Khi competency requirements thay đổi, chương trình phải có khả năng điều chỉnh đủ nhanh để giảm competency lag.

CA cao không đồng nghĩa thay đổi liên tục. Giá trị nằm ở khả năng thay đổi đúng nội dung, đúng thời điểm và đúng mức.

H3: Curriculum Adaptability có tác động tích cực đến Graduate Competency Relevance.

H4. Mediation của Curriculum Intelligence

AI Capability không tự động làm chương trình thích ứng. AC trước hết phải được chuyển hóa thành insight.

Do đó:

AC → CI → CA

phản ánh cơ chế:

technology/data capability → intelligence → adaptive action.

H4: Curriculum Intelligence đóng vai trò trung gian trong mối quan hệ giữa AI Capability và Curriculum Adaptability.

H5. Mediation của Curriculum Adaptability

CI tự nó cũng chưa tạo ra GCR. Một trường có thể nhận diện chính xác emerging skill requirements nhưng không thay đổi curriculum do governance inertia, resource constraints hoặc approval processes.

Do đó:

CI → CA → GCR

phản ánh:

knowledge → reconfiguration → value.

H5: Curriculum Adaptability đóng vai trò trung gian trong mối quan hệ giữa Curriculum Intelligence và Graduate Competency Relevance.

H6. Serial mediation

H6 là giả thuyết lý thuyết mạnh nhất:

AI Capability → Curriculum Intelligence → Curriculum Adaptability → Graduate Competency Relevance.

Nó mô tả toàn bộ value-creation chain:

Capability → Intelligence → Adaptation → Relevance.

H6: Curriculum Intelligence và Curriculum Adaptability đóng vai trò trung gian nối tiếp trong mối quan hệ giữa AI Capability và Graduate Competency Relevance.

8. CONSTRUCT DIFFERENTIATION & NOMOLOGICAL BOUNDARIES

Bảng 1. Ma trận phân biệt Curriculum Intelligence

Construct	Trọng tâm	Khác CI ở đâu?
Market Intelligence	Khách hàng/thị trường	CI bao gồm learner, curriculum, occupation, competency và stakeholders
Learning Analytics Capability	Dữ liệu quá trình học	CI rộng hơn và có external sensing
Absorptive Capacity	Tri thức bên ngoài nói chung	CI curriculum-specific
Knowledge Management	Lưu trữ/chia sẻ tri thức	CI tập trung sensing–interpretation–decision
Data-Driven Decision Making	Quyết định dựa dữ liệu	CI bao gồm cả sensing và knowledge synthesis
Environmental Scanning	Thu thập tín hiệu môi trường	CI đi xa tới actionable curriculum decisions
Curriculum Agility	Năng lực phản ứng/thay đổi	CI là upstream intelligence mechanism
Curriculum Adaptability	Reconfiguration capability	CI trả lời “biết gì cần đổi”; CA trả lời “có đổi được không”

Nomological boundary của CI được xác lập:

AI Capability → Curriculum Intelligence → Curriculum Adaptability.

Nếu CI không khác về đo lường hoặc không tạo explanatory value bổ sung, tuyên bố construct contribution phải được thu hẹp.

9. PHÁT TRIỂN THANG ĐO VÀ OPERATIONALIZATION MATRIX

9.1. Trọng tâm phát triển thang đo

Không nên “phát minh mới” cả bốn thang đo.

Chiến lược:

AC: adapt/validate;
CI: develop from first principles;
CA: adapt + extend from agility literature;
GCR: develop/adapt from competency relevance/employability alignment.

9.2. Quy trình CIS

Domain specification → systematic/scoping review → qualitative interviews → item generation → expert review → cognitive interviews → pilot → EFA → independent CFA → validity → invariance → incremental validity.

Khuyến nghị ban đầu:

50–70 candidate items → expert review → 30–40 → EFA/CFA → thang đo cuối khoảng 15–25 items, tùy cấu trúc thực nghiệm.

9.3. Operationalization matrix

Construct	Level	Nội dung	Nguồn ưu tiên
AC	Institution	AI infrastructure, data, talent, governance	quản lý/CIO/digital leaders
CI	Program/institution	sensing, analytics, competency intelligence, integration, decision intelligence	program leaders
CA	Program	responsiveness, reconfiguration, timeliness, coherence	program committees
GCR	Graduate/outcome	competency–requirement alignment	employer/alumni/external evidence

Cách tách nguồn này là cần thiết để xử lý common-source inflation.

10. THIẾT KẾ NGHIÊN CỨU MULTI-WAVE/MULTI-SOURCE

Nghiên cứu áp dụng sequential exploratory mixed-methods design.

Pha A – Construct development

Literature review + expert interviews + curriculum leaders + employers.

Pha B – Scale development

Content validation → cognitive interviews → pilot → EFA.

Pha C – Scale confirmation

Independent CFA sample.

Pha D – Structural model

Wave 1 – AI Capability

Nguồn:

• lãnh đạo;
• CIO/chuyển đổi số;
• data/AI leaders;
• đảm bảo chất lượng.

Wave 2 – Curriculum Intelligence

Sau độ trễ lý thuyết phù hợp:

• trưởng chương trình;
• curriculum committees;
• trưởng khoa;
• academic affairs.

Wave 3 – Curriculum Adaptability

Nguồn:

• documentary changes;
• curriculum committees;
• course/program redesign evidence.

Wave 4 – Graduate Competency Relevance

Nguồn độc lập:

• employers;
• alumni;
• external advisory boards;
• competency assessment;
• employment/skills data.

Bảng 2. Research Design Matrix

Wave	Construct	Nguồn	Mục đích
T1	AC	quản lý/digital leaders	antecedent
T2	CI	program leaders	mediator 1
T3	CA	program evidence/committee	mediator 2
T4	GCR	employers/alumni	outcome

Thiết kế này làm giảm đáng kể vấn đề cùng nguồn, cùng thời điểm.

11. SEM PROTOCOL, MEDIATION, INCREMENTAL VALIDITY VÀ ROBUSTNESS TESTS

11.1. Measurement model

Quy trình:

screening → missing data → outliers → distribution → EFA → CFA → higher-order tests.

Đánh giá:

• factor loadings;
• McDonald’s ω;
• composite reliability;
• AVE;
• HTMT;
• model fit.

11.2. Competing measurement models

Đặc biệt với CI:

• Model 1: single factor;
• Model 2: correlated five-factor;
• Model 3: second-order CI;
• Model 4: composite/formative nếu theory hỗ trợ.

Không lựa chọn chỉ bằng fit.

11.3. Structural model

Kiểm định:

AC → CI;
CI → CA;
CA → GCR.

Sau đó indirect effects:

AC → CI → CA;
CI → CA → GCR;
AC → CI → CA → GCR.

Bootstrap confidence intervals được ưu tiên.

11.4. Incremental validity

Đây là phép thử quyết định đối với CI.

Baseline 1: controls → CA
Baseline 2: + AC
Baseline 3: + Learning Analytics Capability / Data-Driven Decision-Making
Extended: + CI.

CI phải chứng minh unique contribution.

Câu hỏi quan trọng nhất:

Sau khi đã biết trường có analytics capability và data-driven decision capability, việc biết thêm Curriculum Intelligence có giúp giải thích Curriculum Adaptability tốt hơn không?

Nếu không, novelty cần được xem xét lại.

11.5. Alternative structural models

Ít nhất so sánh:

• AC → CA → GCR;
• AC → CI → GCR;
• AC → GCR;
• reverse plausible model;
• full serial mediation.

Nếu serial model phù hợp tốt hơn và được hỗ trợ bởi temporal ordering, lập luận cơ chế mạnh hơn.

11.6. Robustness

Bao gồm:

• alternative estimators;
• controls;
• holdout sample;
• bootstrapping;
• subgroup analyses;
• alternative constructs;
• endogeneity diagnostics khi phù hợp.

12. MEASUREMENT INVARIANCE VÀ KHẢ NĂNG KHÁI QUÁT HÓA

Nếu CIS được sử dụng so sánh nhóm, cần kiểm định:

configural → metric → scalar → strict, tùy mục đích.

Các nhóm có ý nghĩa:

• public/private;
• STEM/non-STEM;
• AI-intensive/non-AI-intensive disciplines;
• high/low digital maturity;
• research-oriented/application-oriented institutions.

Metric invariance là điều kiện quan trọng trước khi so sánh path coefficients; scalar invariance cần thiết cho latent mean comparisons.

Nếu full invariance không đạt, có thể xem xét partial invariance nhưng phải báo cáo minh bạch.

Giai đoạn sau nên hướng tới cross-national validation nhằm xem CI có thực sự là construct generalizable hay phản ánh riêng bối cảnh quản trị của một hệ thống đại học.

13. ĐÓNG GÓP LÝ THUYẾT, CONSTRUCT, MEASUREMENT VÀ GOVERNANCE

13.1. Theoretical contribution

Nghiên cứu chuyển logic:

AI adoption → outcome

sang:

AI capability → intelligence → adaptability → value.

Đây là thay đổi từ technological determinism sang organizational mechanism.

13.2. Construct contribution

CI cung cấp một cơ chế ở cấp giữa mà các mô hình trực tiếp AC → adaptation thiếu.

Đóng góp chỉ hợp lệ nếu CI chứng minh:

conceptual distinctiveness + discriminant validity + incremental validity.

13.3. Measurement contribution

Curriculum Intelligence Scale – CIS là sản phẩm học thuật trung tâm.

CIS cần đạt:

content validity; factorial validity; reliability; convergent validity; discriminant validity; nomological validity; incremental validity; measurement invariance.

13.4. Mechanism contribution

Serial mediation cung cấp giải thích:

AI tạo giá trị cho curriculum governance không phải vì AI “tốt”, mà vì organizational AI capability giúp trường tạo intelligence; intelligence giúp trường adapt; adaptability giúp duy trì competency relevance.

13.5. Governance contribution

Mô hình chuyển quản trị từ:

Periodic Curriculum Review

sang:

Continuous Curriculum Intelligence & Adaptive Governance.

Chu trình:

Sense → Integrate → Interpret → Decide → Reconfigure → Evaluate → Learn.

14. TÍNH MỚI, RỦI RO NGHIÊN CỨU VÀ CHIẾN LƯỢC KIỂM SOÁT

14.1. Tính mới

Conceptual novelty: CI như domain-specific organizational capability.

Mechanism novelty: AC → CI → CA → GCR.

Measurement novelty: CIS.

Governance novelty: continuous intelligence-enabled curriculum governance.

Không đặt novelty vào “5.0”.

14.2. Rủi ro construct proliferation

CI có thể bị xem là analytics capability đổi tên.

Kiểm soát: construct differentiation + incremental validity.

14.3. Rủi ro buzzword

Curriculum 5.0 có thể bị xem là marketing terminology.

Kiểm soát: 5.0 chỉ là architecture label.

14.4. Rủi ro CA trùng curriculum agility

Kiểm soát: đối thoại trực tiếp với Menon et al. (2022) và chứng minh CA là reconfiguration capability trong serial mechanism.

14.5. Rủi ro GCR trùng employability

Kiểm soát: GCR đo competency–requirement alignment, không đo chỉ outcome việc làm.

14.6. Reverse causality

Chương trình relevant có thể thu hút đầu tư AI.

Kiểm soát: multi-wave, temporal separation, alternative models.

14.7. Common method bias

Kiểm soát: multi-source.

14.8. Rapid AI evolution

Kiểm soát: đo capability, không gắn với ChatGPT hay một công cụ cụ thể.

14.9. Ecological fallacy

Các construct có nhiều cấp độ khác nhau.

Kiểm soát: xác lập unit of analysis, aggregation logic và multilevel SEM nếu dữ liệu cho phép.

15. SẢN PHẨM KHOA HỌC, GIÁ TRỊ ỨNG DỤNG VÀ CHIẾN LƯỢC CÔNG BỐ

Nghiên cứu dự kiến tạo ra:

1. Curriculum 5.0 theoretical model.
2. Định nghĩa chuẩn Curriculum Intelligence.
3. Curriculum Intelligence Scale – CIS.
4. Thang đo Curriculum Adaptability đã kiểm định.
5. Thang đo Graduate Competency Relevance.
6. Multi-wave/multi-source dataset.
7. Serial mediation evidence.
8. Incremental validity evidence.
9. Measurement invariance report.
10. Curriculum 5.0 Diagnostic Index.
11. Continuous Curriculum Intelligence Framework.
12. Governance toolkit cho trường đại học.

Chiến lược công bố

Paper 1 – Construct development
Conceptualizing and Measuring Curriculum Intelligence in Higher Education.

Paper 2 – Capability mechanism
From AI Capability to Curriculum Adaptability: The Mediating Role of Curriculum Intelligence.

Paper 3 – Full value chain
AI Capability, Curriculum Intelligence, Curriculum Adaptability and Graduate Competency Relevance: A Multi-Wave Multi-Source Serial Mediation Study.

Paper 4 – Measurement/generalization
Cross-Group Validation and Measurement Invariance of the Curriculum Intelligence Scale.

Việc tách thành nhiều bài chỉ nên thực hiện khi mỗi bài có research question độc lập, tránh salami publication.

16. KẾT LUẬN VÀ ĐỊNH VỊ HỌC THUẬT CỦA CURRICULUM 5.0

Thách thức lớn của quản trị chương trình đào tạo trong kỷ nguyên AI không phải chỉ là “cập nhật chương trình nhanh hơn”. Vấn đề sâu hơn là làm thế nào một trường đại học biết điều gì thực sự cần thay đổi, chuyển hiểu biết đó thành quyết định, thực hiện thay đổi mà không phá vỡ coherence, và bảo đảm thay đổi cuối cùng cải thiện sự phù hợp năng lực người tốt nghiệp.

Curriculum 5.0 trả lời vấn đề bằng bốn mắt xích:

AI Capability → Curriculum Intelligence → Curriculum Adaptability → Graduate Competency Relevance.

AI Capability không phải outcome; nó là enabling capability.

Curriculum Intelligence không phải một dashboard; nó là organizational sensing and sensemaking capability.

Curriculum Adaptability không phải số lần thay đổi chương trình; nó là reconfiguration capability.

Graduate Competency Relevance không phải chỉ employment rate; nó là competency–environment alignment.

Do đó, giá trị lý thuyết của mô hình nằm ở chuỗi:

Capability tạo tiềm năng → Intelligence tạo tri thức hành động → Adaptability chuyển tri thức thành tái cấu hình → Relevance phản ánh giá trị cuối cùng.

Cách tiếp cận này phù hợp với Dynamic Capabilities nhưng phát triển logic đó vào một lĩnh vực đặc thù của giáo dục đại học. Nó đồng thời giải quyết một thách thức mà OECD hiện đặt ra rõ ràng: khi AI capabilities tiến triển và có thể thay đổi nhiệm vụ nghề nghiệp cũng như khả năng của con người, giáo dục phải có khả năng xem xét lại mục tiêu, curriculum và competency development.

Vì vậy, Curriculum 5.0 không nên được bảo vệ bằng tuyên bố rằng giáo dục đã bước sang “thế hệ 5.0”. Nó nên được bảo vệ bằng bằng chứng rằng mô hình:

1. có construct boundaries rõ;
2. có Curriculum Intelligence khác biệt với các construct hiện hữu;
3. có thang đo CIS đạt psychometric standards;
4. CI tạo incremental explanatory value;
5. chuỗi AC → CI → CA → GCR được hỗ trợ bằng dữ liệu multi-wave/multi-source;
6. cấu trúc đo lường duy trì invariance hợp lý.

Nếu sáu điều kiện này được đáp ứng, Curriculum 5.0 sẽ vượt khỏi một framework mô tả để trở thành một mô hình quản trị chương trình có khả năng kiểm định, bác bỏ, tái lập và tích lũy bằng chứng.

Định vị học thuật cuối cùng nên khóa

Curriculum 5.0 is an AI-enabled adaptive curriculum governance architecture in which institutional AI capability generates curriculum intelligence, curriculum intelligence enables evidence-informed curriculum reconfiguration, and curriculum adaptability sustains the relevance of graduate competencies in rapidly changing technological, occupational, and societal environments.

TÀI LIỆU THAM KHẢO ĐỀ XUẤT – APA 7

1. Aguinis, H., & Edwards, J. R. (2014). Methodological wishes for the next decade and how to make wishes come true. Journal of Management Studies, 51(1), 143–174.
2. Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411–423.
3. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120. https://doi.org/10.1177/014920639101700108
4. Becker, T. E. (2005). Potential problems in the statistical control of variables in organizational research. Organizational Research Methods, 8(3), 274–289.
5. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. https://doi.org/10.3389/fpubh.2018.00149
6. Bollen, K. A. (1989). Structural equations with latent variables. Wiley.
7. Browne, M. W., & Cudeck, R. (1993). Alternative ways of assessing model fit. In K. A. Bollen & J. S. Long (Eds.), Testing structural equation models (pp. 136–162). SAGE.
8. Byrne, B. M. (2016). Structural equation modeling with AMOS (3rd ed.). Routledge.
9. Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504.
10. Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233–255.
11. Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152. https://doi.org/10.2307/2393553
12. Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). SAGE.
13. DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
14. Edmondson, A. C., & McManus, S. E. (2007). Methodological fit in management field research. Academy of Management Review, 32(4), 1246–1264.
15. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
16. Galbraith, J. R. (1974). Organization design: An information processing view. Interfaces, 4(3), 28–36. https://doi.org/10.1287/inte.4.3.28
17. George, G., Haas, M. R., & Pentland, A. (2014). Big data and management. Academy of Management Journal, 57(2), 321–326.
18. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
19. Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis (3rd ed.). Guilford Press.
20. Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106
21. Homburg, C., Krohmer, H., & Workman, J. P. (2004). A strategy implementation perspective of market orientation. Journal of Business Research, 57(12), 1331–1340.
22. Hu, L.-T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1–55.
23. Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.
24. Kohli, A. K., & Jaworski, B. J. (1990). Market orientation: The construct, research propositions, and managerial implications. Journal of Marketing, 54(2), 1–18.
25. MacKenzie, S. B., Podsakoff, P. M., & Podsakoff, N. P. (2011). Construct measurement and validation procedures in MIS and behavioral research. MIS Quarterly, 35(2), 293–334.
26. Menon, S., Suresh, M., & Raghu Raman, R. (2022). Curriculum agility in higher education. Journal of Further and Higher Education, 46(9), 1175–1194. https://doi.org/10.1080/0309877X.2022.2058355
27. Messick, S. (1995). Validity of psychological assessment. American Psychologist, 50(9), 741–749.
28. Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. Information & Management, 58(3), 103434. https://doi.org/10.1016/j.im.2021.103434
29. Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2019). Big data analytics capabilities and innovation. Information & Management, 56(8), 103152.
30. Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 1). AITECHBOOK.
31. Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 2). AITECHBOOK.
32. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
33. (2025). Introducing the OECD AI capability indicators. OECD Publishing. https://doi.org/10.1787/be745f04-en
34. Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research. Annual Review of Psychology, 63, 539–569.
35. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research. Journal of Applied Psychology, 88(5), 879–903.
36. Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing indirect effects. Behavior Research Methods, 40(3), 879–891.
37. Schumacker, R. E., & Lomax, R. G. (2016). A beginner’s guide to structural equation modeling (4th ed.). Routledge.
38. Senge, P. M. (2006). The fifth discipline: The art & practice of the learning organization (Rev. ed.). Currency.
39. Shah, M., & Nair, C. S. (2014). Turning the ship around: Rethinking strategy development and implementation in universities. Quality Assurance in Education, 22(2), 145–157.
40. Sitzmann, T., & Weinhardt, J. M. (2019). Approaching evaluation from a multilevel perspective. Human Resource Management Review, 29(2), 253–269.
41. Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of sustainable enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
42. Teece, D. J. (2018). Business models and dynamic capabilities. Long Range Planning, 51(1), 40–49.
43. Teece, D. J., Peteraf, M., & Leih, S. (2016). Dynamic capabilities and organizational agility. California Management Review, 58(4), 13–35.
44. Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.
45. Van de Vijver, F. J. R., & Leung, K. (1997). Methods and data analysis for cross-cultural research. SAGE.
46. Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of measurement invariance literature. Organizational Research Methods, 3(1), 4–70.
47. Venkatesh, V., Brown, S. A., & Bala, H. (2013). Bridging the qualitative–quantitative divide. MIS Quarterly, 37(1), 21–54.
48. Wang, C. L., & Ahmed, P. K. (2007). Dynamic capabilities: A review and research agenda. International Journal of Management Reviews, 9(1), 31–51.
49. Winter, S. G. (2003). Understanding dynamic capabilities. Strategic Management Journal, 24(10), 991–995.
50. World Economic Forum. (2025). The future of jobs report 2025. World Economic Forum.
51. Worthington, R. L., & Whittaker, T. A. (2006). Scale development research. The Counseling Psychologist, 34(6), 806–838.
52. Yin, R. K. (2018). Case study research and applications (6th ed.). SAGE.
53. Zahra, S. A., & George, G. (2002). Absorptive capacity: A review, reconceptualization, and extension. Academy of Management Review, 27(2), 185–203.
54. Zollo, M., & Winter, S. G. (2002). Deliberate learning and the evolution of dynamic capabilities. Organization Science, 13(3), 339–351.