PHẦN MỞ ĐẦU

Lời dẫn nhập

Thế kỷ hai mươi mốt chứng kiến một cuộc cách mạng kỹ thuật số đang định hình lại gần như mọi khía cạnh của đời sống xã hội loài người, từ kinh tế, y tế, giao thông cho đến giải trí và quản trị công. Trong bối cảnh ấy, giáo dục — đặc biệt là giáo dục đại học — không nằm ngoài vòng ảnh hưởng của làn sóng chuyển đổi số (digital transformation) đang lan rộng khắp toàn cầu. Các trường đại học trên khắp thế giới, từ những cơ sở giáo dục lâu đời ở Bắc Mỹ và Tây Âu cho đến các quốc gia đang phát triển ở châu Á, châu Phi và Mỹ Latinh, đều đang đối mặt với áp lực ngày càng tăng phải tích hợp công nghệ kỹ thuật số vào mọi hoạt động cốt lõi: giảng dạy, nghiên cứu, quản lý hành chính và dịch vụ hỗ trợ sinh viên. Làn sóng này không chỉ đơn thuần là việc áp dụng máy tính hay phần mềm vào quy trình hiện có, mà còn là sự tái cấu trúc sâu sắc cách thức mà các tổ chức giáo dục vận hành, tương tác và cung cấp giá trị cho người học (Akour và Alenezi, 2022).

Theo báo cáo của UNESCO và Ngân hàng Thế giới, đại dịch COVID-19 bùng phát vào đầu năm 2020 đã đóng vai trò như một chất xúc tác khổng lồ, buộc hàng loạt cơ sở giáo dục đại học phải chuyển đổi đột ngột từ phương thức giảng dạy và tư vấn trực tiếp sang các nền tảng trực tuyến chỉ trong vòng vài tuần, thậm chí vài ngày. Quá trình chuyển đổi này — được các nhà nghiên cứu gọi là "giảng dạy từ xa khẩn cấp" (emergency remote teaching) — đã phơi bày cả những năng lực tiềm ẩn lẫn những điểm yếu nghiêm trọng trong hạ tầng công nghệ, năng lực số của giảng viên và chính sách quản lý giáo dục tại nhiều quốc gia (Bond et al., 2021; Bozkurt et al., 2020). Đồng thời, nó cũng tạo ra một cú hích mạnh mẽ cho xu hướng số hóa giáo dục vốn đã có từ trước đại dịch nhưng chưa bao giờ được đẩy nhanh với tốc độ và quy mô như vậy (Iivari et al., 2020).

Trong tất cả các lĩnh vực giáo dục đang được số hóa, hoạt động cố vấn học tập (academic advising) là một trong những lĩnh vực thu hút sự chú ý đặc biệt của cả giới nghiên cứu lẫn các nhà hoạch định chính sách giáo dục. Cố vấn học tập — chức năng cốt lõi trong việc hỗ trợ sinh viên xây dựng lộ trình học tập, lựa chọn môn học, giải quyết khó khăn học thuật và phát triển nghề nghiệp — đang được định hình lại bởi sự xuất hiện của hàng loạt công nghệ mới: trí tuệ nhân tạo (AI), chatbot có khả năng xử lý ngôn ngữ tự nhiên, hệ thống phân tích dữ liệu học tập (learning analytics), hệ thống cảnh báo sớm (early warning systems) và các bảng điều khiển thông tin (dashboard) hiển thị tiến độ học tập của sinh viên theo thời gian thực. Những công nghệ này hứa hẹn sẽ "cách mạng hóa" cách thức mà các trường đại học hỗ trợ sinh viên, biến quá trình cố vấn từ một hoạt động dựa trên tương tác giữa người với người sang một dịch vụ được cá nhân hóa, tự động hóa và có sẵn 24 giờ mỗi ngày, 7 ngày mỗi tuần (Assiri et al., 2020).

Tuy nhiên, đi kèm với những lời hứa hẹn đầy hấp dẫn từ các nhà cung cấp công nghệ và các chiến dịch tiếp thị rầm rộ là một thực tế triển khai phức tạp hơn nhiều. Bằng chứng thực nghiệm từ các nghiên cứu được công bố trong những năm gần đây cho thấy giữa những kỳ vọng được tạo dựng bởi các công ty công nghệ giáo dục (EdTech) và kết quả thực tế khi triển khai tại các trường đại học vẫn tồn tại một khoảng cách đáng kể. Nhiều dự án số hóa cố vấn học tập phải đối mặt với các vấn đề như: tỷ lệ chấp nhận của sinh viên thấp hơn dự kiến, hệ thống không phản ánh đúng bối cảnh cụ thể của từng cơ sở giáo dục, thiếu dữ liệu chất lượng để huấn luyện mô hình, và đặc biệt là sự lo ngại về tính công bằng, quyền riêng tư và khả năng thấu cảm trong tương tác giữa máy móc và con người (Selwyn, 2019; Teräs et al., 2020). Những vấn đề này đặt ra một câu hỏi then chốt: Liệu phong trào số hóa cố vấn học tập có thực sự mang lại những giá trị mà các nhà cung cấp công nghệ hứa hẹn, hay đó chỉ là một "huyền thoại kỹ thuật số" (digital myth) được xây dựng dựa trên sự lạc quan thái quá về năng lực của công nghệ?

Bối cảnh và sự cấp thiết của vấn đề

Giáo dục đại học đang trải qua một giai đoạn biến đổi chưa từng có trong lịch sử hiện đại. Sự kết hợp giữa áp lực kinh tế (chi phí giáo dục ngày càng tăng, giảm tài trợ công), áp lực xã hội (nhu cầu đào tạo lực lượng lao động có kỹ năng số), áp lực công nghệ (sự phát triển bùng nổ của AI, dữ liệu lớn và điện toán đám mây) và yếu tố ngoại cảnh (đại dịch COVID-19) đã tạo ra một "cơn bão hoàn hảo" thúc đẩy chuyển đổi số giáo dục với tốc độ và quy mô chưa từng thấy (Xiao, 2019). Theo Xiao (2019), nhiều trường đại học trên thế giới đã ban hành các "kế hoạch năm năm về chuyển đổi số" (digital transformation five-year plans) với những mục tiêu tham vọng, nhưng việc đánh giá lại những kế hoạch này cho thấy chúng thường thiếu cơ sở thực nghiệm vững chắc và thường bị ảnh hưởng mạnh bởi các xu hướng công nghệ thị trường hơn là nhu cầu thực tế của người học.

Đồng tình với quan điểm trên, Zawacki-Richter et al. (2019) đã tiến hành một tổng quan hệ thống về ứng dụng trí tuệ nhân tạo trong giáo dục đại học và phát hiện ra rằng, mặc dù số lượng nghiên cứu về AI trong giáo dục tăng nhanh chóng, phần lớn các nghiên cứu vẫn ở giai đoạn chứng khái niệm (proof of concept) hoặc triển khai thử nghiệm quy mô nhỏ. Các nghiên cứu đánh giá hiệu quả dài hạn, so sánh với phương pháp truyền thống hoặc phân tích tác động đến kết quả học tập của sinh viên vẫn còn khá hạn chế. Điều này tạo ra một khoảng trống lớn giữa "tiềm năng công nghệ" — những gì công nghệ có thể làm trong lý thuyết — và "thực tiễn giáo dục" — những gì thực sự xảy ra khi triển khai trong các bối cảnh giáo dục phức tạp và đa dạng (Shen và Ho, 2019).

Đặc biệt trong lĩnh vực cố vấn học tập, bức tranh càng trở nên phức tạp hơn bởi bản chất của hoạt động này. Không giống như việc giảng dạy một môn học cụ thể — vốn có thể được đo lường bằng điểm số, bài kiểm tra và kết quả học tập định lượng — cố vấn học tập là một quá trình tương tác đa chiều bao gồm hỗ trợ học thuật, hướng dẫn nghề nghiệp, tư vấn tâm lý xã hội và phát triển cá nhân. Yếu tố con người, bao gồm khả năng thấu cảm, sự thấu hiểu bối cảnh cá nhân của sinh viên và khả năng xây dựng mối quan hệ tin tưởng, được coi là những yếu tố then chốt quyết định chất lượng của quá trình cố vấn (Drake, 2013). Khi thay thế hoặc bổ sung các yếu tố này bằng công nghệ, chúng ta không chỉ đơn thuần là thay đổi phương pháp cung cấp dịch vụ mà còn đang tái định nghĩa bản thân khái niệm "cố vấn học tập" là gì — một quá trình mang ý nghĩa triết học sâu sắc về mối quan hệ giữa con người và công nghệ trong giáo dục (Watters, 2021).

Sự xuất hiện của "cố vấn học tập số"

Khái niệm "cố vấn học tập số" (digital academic advising) là một thuật ngữ ô (umbrella term) bao gồm nhiều hình thức và cấp độ khác nhau của việc ứng dụng công nghệ vào hoạt động cố vấn học tập. Ở cấp độ cơ bản nhất, cố vấn học tập số có thể chỉ đơn giản là việc sử dụng hệ thống quản lý học tập (Learning Management System — LMS) để chia sẻ thông tin về chương trình học, lịch học và quy trình đăng ký môn học. Ở cấp độ cao hơn, nó bao gồm các hệ thống chatbot có khả năng trả lời câu hỏi thường gặp của sinh viên, phân tích dữ liệu học tập để đưa ra các khuyến nghị cá nhân hóa, và thậm chí sử dụng trí tuệ nhân tạo để dự đoán nguy cơ bỏ học và can thiệp kịp thời (Assiri et al., 2020).

Sự phát triển của cố vấn học tập số được thúc đẩy bởi sự hội tụ của nhiều xu hướng công nghệ và giáo dục. Thứ nhất, sự tiến bộ vượt bậc trong lĩnh vực trí tuệ nhân tạo, đặc biệt là học máy (machine learning) và xử lý ngôn ngữ tự nhiên (natural language processing), đã tạo ra khả năng xây dựng các hệ thống có thể xử lý và phân tích lượng lớn dữ liệu về hành vi, hiệu suất và tương tác của sinh viên trong môi trường giáo dục (Zawacki-Richter et al., 2019). Thứ hai, sự phổ biến của các hệ thống quản lý học tập và các nền tảng giáo dục trực tuyến đã tạo ra một lượng dữ liệu khổng lồ — thường được gọi là "dữ liệu học tập" (learning data) hoặc "dữ liệu giáo dục" (educational data) — có thể được khai thác để cung cấp các thông tin chi tiết về tiến độ và kết quả học tập của sinh viên. Thứ ba, áp lực tài chính và nhân sự tại nhiều trường đại học — nơi tỷ lệ sinh viên trên cố vấn ngày càng tăng trong khi ngân sách cho dịch vụ sinh viên lại bị cắt giảm — đã tạo ra động lực kinh tế mạnh mẽ để tìm kiếm các giải pháp công nghệ có thể "mở rộng quy mô" (scale up) dịch vụ cố vấn mà không cần tăng tương ứng về nhân sự (Aoun, 2017).

Các nhà cung cấp công nghệ giáo dục đã nhanh chóng nắm bắt cơ hội này và tung ra thị trường hàng loạt nền tảng cố vấn học tập số với những lời hứa hẹn đầy hấp dẫn: từ việc "giảm 30% tỷ lệ bỏ học" đến việc "cung cấp cố vấn cá nhân hóa cho mọi sinh viên với chi phí thấp hơn 50%". Các nền tảng thương mại như EAB Navigate, Civitas Learning và Starfish (nay thuộc EAB) đã được triển khai tại hàng trăm trường đại học ở Hoa Kỳ và đang mở rộng sang các thị trường khác. Đồng thời, các mô hình mã nguồn mở và các giải pháp được phát triển nội bộ bởi các trường đại học cũng xuất hiện ngày càng nhiều, tạo ra một hệ sinh thái công nghệ đa dạng nhưng cũng phức tạp và đôi khi khó đối chiếu về mặt chất lượng (Bodily và Verbert, 2017).

Vấn đề nghiên cứu

Mặc dù xu hướng số hóa cố vấn học tập đang phát triển mạnh mẽ, một lăng kính phê phán (critical lens) về hiện tượng này cho thấy nhiều vấn đề cần được giải quyết. Thứ nhất, có sự thiếu cân bằng rõ rệt giữa lượng tài liệu tiếp thị và quảng cáo của các nhà cung cấp công nghệ và số lượng nghiên cứu khoa học độc lập đánh giá hiệu quả thực tế của các giải pháp cố vấn học tập số. Teräs et al. (2020) đã sử dụng khái niệm "giải pháp luận" (solutionism) — ý tưởng cho rằng mọi vấn đề xã hội đều có thể được giải quyết bằng công nghệ — để mô tả hiện tượng mà trong đó các công ty EdTech thường phóng đại khả năng của sản phẩm và đơn giản hóa tính phức tạp của các vấn đề giáo dục.

Thứ hai, hầu hết các bằng chứng về hiệu quả của cố vấn học tập số đến từ các nghiên cứu được tài trợ hoặc thực hiện bởi chính các nhà cung cấp công nghệ, làm dấy lên lo ngại về tính khách quan của các kết quả nghiên cứu. Các nghiên cứu độc lập, đặc biệt là những nghiên cứu sử dụng phương pháp thực nghiệm nghiêm ngặt như thử nghiệm ngẫu nhiên có đối chứng (randomized controlled trial), vẫn còn khá hiếm trong lĩnh vực này (Zawacki-Richter et al., 2019).

Thứ ba, ngay cả khi công nghệ có hiệu quả trong một số bối cảnh cụ thể, câu hỏi về khả năng tổng quát hóa (generalizability) — liệu kết quả từ một trường đại học ở Hoa Kỳ có thể áp dụng được cho một trường đại học ở Việt Nam hay châu Phi — vẫn chưa được giải quyết thỏa đáng. Bối cảnh văn hóa, cấu trúc giáo dục, đặc điểm sinh viên, hạ tầng công nghệ và khung pháp lý về quyền riêng tư dữ liệu khác nhau giữa các quốc gia có thể ảnh hưởng đáng kể đến hiệu quả và tính phù hợp của các giải pháp cố vấn học tập số (Nguyễn-Anh et al., 2022).

Thứ tư, việc chuyển dịch trách nhiệm cố vấn từ con người sang máy móc đặt ra những câu hỏi sâu sắc về đạo đức, công bằng và tính nhân văn trong giáo dục. Liệu một chatbot có thể thay thế được khả năng thấu cảm và sự thấu hiểu cá nhân của một cố vấn học tập con người? Liệu việc phụ thuộc vào thuật toán có tạo ra sự bất công mới đối với những sinh viên thuộc nhóm yếu thế — những người có thể không có kỹ năng số cần thiết để tận dụng các công cụ kỹ thuật số hoặc những người có dữ liệu bị thuật toán diễn giải sai lệch? (Selwyn, 2019).

Cuối cùng, trong bối cảnh Việt Nam — một quốc gia đang phát triển với những đặc thù riêng về hệ thống giáo dục đại học, văn hóa học tập và hạ tầng công nghệ — việc áp dụng các mô hình cố vấn học tập số phát triển ở phương Tây cần được xem xét một cách thận trọng. Quy et al. (2023) đã chỉ ra rằng việc chuyển đổi số giáo dục tại Việt Nam đang diễn ra với tốc độ nhanh nhưng đối mặt với nhiều rào cản, bao gồm thiếu hụt hạ tầng công nghệ đồng bộ, năng lực số không đồng đều giữa các vùng miền và các cơ sở giáo dục, cũng như thiếu khung chính sách và tiêu chuẩn rõ ràng cho việc ứng dụng AI trong giáo dục.

Mục tiêu và phương pháp nghiên cứu

Mục tiêu cốt lõi của bài viết này là phân tích khách quan và cân bằng về hiện tượng cố vấn học tập số trong bối cảnh chuyển đổi số giáo dục đại học. Bài viết không nhằm phủ nhận tiềm năng công nghệ — vốn là thực sự đáng kể trong nhiều khía cạnh — cũng không tâng bốc thái quá những lời hứa hẹn của các nhà cung cấp công nghệ. Thay vào đó, bài viết cố gắng tiếp cận vấn đề từ một lăng kính phê phán nhưng mang tính xây dựng (constructive critical lens), nơi các phân tích về những hạn chế và rủi ro của cố vấn học tập số được xem như cơ sở để xây dựng các giải pháp tốt hơn, thay vì là lý do để từ bỏ công nghệ.

Phương pháp nghiên cứu được sử dụng trong bài viết này bao gồm ba phương pháp chính:

Một là, tổng quan tài liệu (literature review): Bài viết tổng hợp và phân tích các nghiên cứu, báo cáo và ấn phẩm học thuật liên quan đến cố vấn học tập số, chuyển đổi số giáo dục và ứng dụng công nghệ trong giáo dục đại học. Các nguồn tài liệu được trích dẫn trong bài viết đều là các nghiên cứu được xuất bản trên các tạp chí học thuật có quy trình bình duyệt (peer-reviewed), báo cáo của các tổ chức quốc tế uy tín (UNESCO, OECD, World Bank) hoặc các ấn phẩm chuyên khảo từ các nhà xuất bản học thuật danh tiếng. Việc tổng quan tài liệu được thực hiện có hệ thống, từ các nghiên cứu nền tảng về cố vấn học tập truyền thống đến các nghiên cứu mới nhất về ứng dụng AI và phân tích dữ liệu học tập trong giáo dục.

Hai là, phân tích so sánh (comparative analysis): Bài viết sử dụng phương pháp phân tích so sánh để đối chiếu các mô hình cố vấn học tập số được triển khai tại các quốc gia và khu vực khác nhau, từ các nước phát triển ở Bắc Mỹ và châu Âu đến các nước đang phát triển ở châu Á, trong đó có Việt Nam. Phân tích so sánh giúp làm nổi bật sự đa dạng trong cách tiếp cận và triển khai cố vấn học tập số, đồng thời nhận diện những yếu tố bối cảnh (contextual factors) có thể ảnh hưởng đến hiệu quả của việc triển khai.

Ba là, đánh giá bằng chứng thực nghiệm (evidence-based evaluation): Bài viết đánh giá các bằng chứng thực nghiệm về hiệu quả của cố vấn học tập số, bao gồm các nghiên cứu thực nghiệm, các báo cáo đánh giá dự án và các nghiên cứu ca điển hình (case study). Đánh giá bằng chứng thực nghiệm được thực hiện với tư cách phê phán, trong đó các tuyên bố về hiệu quả được xem xét dựa trên chất lượng phương pháp nghiên cứu, quy mô mẫu, bối cảnh nghiên cứu và tính khả thi của việc tổng quát hóa kết quả.

Bài viết được cấu trúc thành các phần chính: Phần mở đầu (trình bày bối cảnh, vấn đề nghiên cứu và phương pháp), Chương 1 phân tích sự phát triển của cố vấn học tập từ mô hình truyền thống đến kỹ thuật số, Chương 2 vẽ bức tranh toàn cảnh về chuyển đổi số giáo dục đại học trên thế giới và tại Việt Nam, và các chương tiếp theo sẽ đi sâu vào phân tích các "thần thoại" (myths) về cố vấn học tập số, các vấn đề thực tiễn, khía cạnh đạo đức và hướng phát triển bền vững.

Bằng cách tiếp cận vấn đề một cách đa chiều, bài viết hy vọng đóng góp vào cuộc đối thoại học thuật và chính sách về vai trò của công nghệ trong giáo dục đại học, đặc biệt là trong lĩnh vực cố vấn học tập — một lĩnh vực mà sự cân bằng giữa công nghệ và tính nhân văn là điều kiện tiên quyết để đảm bảo chất lượng và công bằng giáo dục cho mọi sinh viên.

CHƯƠNG 1: CỐ VẤN HỌC TẬP — TỪ TRUYỀN THỐNG ĐẾN KỸ THUẬT SỐ

Chương này nhằm mục đích xây dựng cơ sở khái niệm và bối cảnh lịch sử cho hiểu biết về cố vấn học tập, từ mô hình truyền thống dựa trên tương tác giữa người với người cho đến các hình thức kỹ thuật số đang nổi lên trong bối cảnh chuyển đổi số giáo dục. Việc hiểu rõ bản chất của cố vấn học tập truyền thống, các mô hình và thách thức mà nó đối mặt là điều kiện tiên quyết để đánh giá một cách thấu đáo tiềm năng cũng như những hạn chế của các giải pháp kỹ thuật số. Đồng thời, chương này cũng giới thiệu các công nghệ nền tảng đang được ứng dụng trong cố vấn học tập số, các mô hình triển khai thực tế trên thế giới và bối cảnh cụ thể tại Việt Nam.

1.1. Cố vấn học tập truyền thống

1.1.1. Định nghĩa và vai trò

Cố vấn học tập (academic advising) là một quá trình giáo dục có chủ đích, trong đó cố vấn (advisor) và sinh viên (advisee) thiết lập mối quan hệ đối tác nhằm hỗ trợ sinh viên phát triển các mục tiêu giáo dục, nghề nghiệp và cá nhân. Khái niệm này đã được các hiệp hội giáo dục quốc tế, đặc biệt là National Academic Advising Association (NACA, nay là NACADA) tại Hoa Kỳ, định nghĩa và phát triển qua nhiều thập kỷ. Theo NACADA, cố vấn học tập không chỉ đơn thuần là việc hỗ trợ sinh viên đăng ký môn học hay lên kế hoạch học tập theo chương trình đào tạo, mà còn là một quá trình giáo dục toàn diện nhằm giúp sinh viên trở thành những người học độc lập, có khả năng tự định hướng và phát triển bền vững trong môi trường đại học.

Vai trò của cố vấn học tập trong giáo dục đại học được thể hiện qua nhiều khía cạnh khác nhau. Về mặt học thuật, cố vấn giúp sinh viên hiểu rõ yêu cầu chương trình đào tạo, lựa chọn môn học phù hợp với lộ trình học tập, xác định các điều kiện tiên quyết (prerequisites) và đảm bảo tiến độ học tập phù hợp với thời gian dự kiến tốt nghiệp. Về mặt nghề nghiệp, cố vấn cung cấp thông tin và hướng dẫn về cơ hội nghề nghiệp, chương trình thực tập, nghiên cứu khoa học và các hoạt động ngoại khóa có thể tăng cường năng lực cạnh tranh của sinh viên sau khi tốt nghiệp. Về mặt cá nhân và xã hội, cố vấn thường là người tiếp xúc đầu tiên khi sinh viên gặp khó khăn — từ vấn đề tài chính, sức khỏe tâm lý, xung đột với bạn bè cho đến các vấn đề về nhà ở và thích nghi văn hóa (đặc biệt đối với sinh viên quốc tế).

Nghiên cứu của Assiri et al. (2020) trong tổng quan hệ thống về cố vấn học tập điện tử đã phân tích 23 nghiên cứu liên quan đến cố vấn học tập và chỉ ra rằng, trong các mô hình truyền thống, chất lượng của mối quan hệ giữa cố vấn và sinh viên là yếu tố quan trọng nhất quyết định hiệu quả của quá trình cố vấn. Các yếu tố như sự tin tưởng, khả năng lắng nghe, sự sẵn sàng hỗ trợ và sự thấu hiểu bối cảnh cá nhân của sinh viên được nhấn mạnh là những đặc điểm cốt lõi của một cố vấn hiệu quả — những yếu tố vốn dĩ liên quan mật thiết đến năng lực cảm xúc và xã hội của con người.

1.1.2. Lịch sử phát triển

Lịch sử phát triển của cố vấn học tập tại các trường đại học gắn liền với lịch sử giáo dục đại học phương Tây, đặc biệt là mô hình đại học tại Hoa Kỳ và châu Âu. Trong giai đoạn đầu của giáo dục đại học (thế kỷ 17-18), vai trò cố vấn học tập thường được đảm nhận bởi các giáo sư hoặc hiệu trưởng — những người vừa giảng dạy vừa hướng dẫn sinh viên về mọi khía cạnh của đời sống học thuật. Mô hình này phù hợp với quy mô trường nhỏ, số lượng sinh viên ít và mối quan hệ giữa giảng viên và sinh viên mang tính cá nhân sâu sắc.

Khi giáo dục đại học mở rộng và số lượng sinh viên tăng nhanh trong thế kỷ 19 và 20, đặc biệt là sau Đạo luật Morrill (Morrill Act) năm 1862 tại Hoa Kỳ — đạo luật cung cấp đất công cho các tiểu bang để thành lập các trường đại học chuyên về nông nghiệp và khoa học cơ học — mô hình cố vấn học tập truyền thống bắt đầu bộc lộ những hạn chế. Tỷ lệ sinh viên trên giảng viên tăng nhanh khiến việc cung cấp cố vấn cá nhân hóa cho mọi sinh viên trở nên ngày càng khó khăn. Điều này dẫn đến sự ra đời của vai trò cố vấn học tập chuyên trách (professional advisor) — những nhân viên không trực tiếp giảng dạy mà dành toàn bộ thời gian cho hoạt động cố vấn.

Trong những thập kỷ gần đây, các mô hình cố vấn học tập tiếp tục phát triển theo hướng đa dạng hóa và phân công rõ ràng hơn. Một số trường đại học áp dụng mô hình "cố vấn giảng viên" (faculty advising) — trong đó giảng viên kiêm nhiệm vai trò cố vấn cho sinh viên khoa của mình. Các trường khác sử dụng mô hình "cố vấn chuyên trách" (professional advising) — với đội ngũ nhân viên cố vấn chuyên nghiệp được đào tạo bài bản về kỹ năng cố vấn. Nhiều trường áp dụng mô hình kết hợp, trong đó cố vấn chuyên trách hỗ trợ sinh viên năm nhất và năm hai trong việc thích nghi và xây dựng lộ trình học tập, trong khi giảng viên đảm nhận vai trò cố vấn chuyên môn cho sinh viên năm ba và năm tư về các vấn đề nghiên cứu và phát triển nghề nghiệp chuyên sâu.

Tại Việt Nam, lịch sử cố vấn học tập có những đặc thù riêng. Trong hệ thống giáo dục đại học Việt Nam, vai trò cố vấn học tập truyền thống thường được đảm nhận bởi "cố vấn học tập" — một chức danh được quy định trong quy chế đào tạo trình độ đại học của Bộ Giáo dục và Đào tạo. Theo quy chế này, mỗi giảng viên được phân công cố vấn cho một nhóm sinh viên (thường từ 15-30 sinh viên) và có trách nhiệm hướng dẫn, hỗ trợ sinh viên trong suốt quá trình học tập. Tuy nhiên, thực tế triển khai cho thấy chất lượng và mức độ thực hiện của hoạt động cố vấn học tập khác nhau rất nhiều giữa các cơ sở giáo dục, phụ thuộc vào nhận thức của ban lãnh đạo, cơ sở vật chất và đặc biệt là thời gian và động lực của chính giảng viên — những người thường bị quá tải bởi nhiệm vụ giảng dạy và nghiên cứu.

1.1.3. Các mô hình cố vấn học tập phổ biến

Dựa trên mức độ can thiệp và triết lý tiếp cận, các nhà nghiên cứu giáo dục thường phân loại cố vấn học tập truyền thống thành ba mô hình chính: mô hình quy định (prescriptive advising), mô hình phát triển (developmental advising) và mô hình chủ động (proactive advising).

Mô hình cố vấn quy định (prescriptive advising) là mô hình truyền thống nhất, trong đó cố vấn đóng vai trò như một "chuyên gia" cung cấp thông tin và chỉ dẫn cho sinh viên. Trong mô hình này, cố vấn chủ động cho sinh viên biết họ nên đăng ký môn học nào, lộ trình học tập ra sao và cần đáp ứng điều kiện gì để tốt nghiệp đúng hạn. Quyền ra quyết định chủ yếu nằm ở phía cố vấn, trong khi sinh viên đóng vai trò tiếp nhận và thực hiện theo hướng dẫn. Mô hình này có ưu điểm là rõ ràng, dễ triển khai và phù hợp với sinh viên năm nhất — những người chưa có đủ kiến thức về chương trình đào tạo và môi trường đại học. Tuy nhiên, nhược điểm lớn nhất của mô hình quy định là nó không khuyến khích sinh viên phát triển khả năng tự quyết định và tự quản lý học tập, đồng thời có thể tạo ra sự phụ thuộc quá mức vào cố vấn.

Mô hình cố vấn phát triển (developmental advising), được phát triển bởi Crookston (1972) và sau đó được Burns (1985) và các nhà nghiên cứu khác hoàn thiện, tiếp cận cố vấn học tập như một quá trình giảng dạy và học tập — trong đó cả cố vấn và sinh viên đều đóng vai trò tích cực trong việc khám phá và xác định mục tiêu. Khác với mô hình quy định, mô hình phát triển coi sinh viên là người chủ động trong quá trình ra quyết định, trong khi cố vấn đóng vai trò người hướng dẫn (guide), người đặt câu hỏi, người phản hồi và người hỗ trợ sinh viên trong quá trình phát triển nhận thức và kỹ năng tự quản lý. Mô hình này nhấn mạnh vào việc phát triển toàn diện sinh viên — không chỉ về mặt học thuật mà còn về mặt cá nhân, xã hội và nghề nghiệp — và được coi là mô hình lý tưởng nhất trong lý thuyết cố vấn học tập.

Mô hình cố vấn chủ động (proactive advising) là mô hình tiếp cận từ phía cố vấn — trong đó cố vấn chủ động liên hệ với sinh viên thay vì đợi sinh viên đến gặp. Trong mô hình này, cố vấn sử dụng dữ liệu về điểm số, sự tham gia và tiến độ học tập để xác định những sinh viên đang gặp khó khăn hoặc có nguy cơ bỏ học, sau đó chủ động liên hệ để hỗ trợ. Mô hình chủ động được phát triển dựa trên phát hiện rằng nhiều sinh viên — đặc biệt là sinh viên thuộc nhóm yếu thế hoặc sinh viên thế hệ đầu tiên theo học đại học (first-generation students) — thường ngần ngại tìm kiếm sự giúp đỡ ngay cả khi đang gặp khó khăn nghiêm trọng. Bằng cách chủ động tiếp cận, cố vấn có thể can thiệp sớm hơn và hiệu quả hơn.

Mỗi mô hình có ưu nhược điểm riêng và không có mô hình nào hoàn hảo cho mọi bối cảnh. Trong thực tế, nhiều trường đại học áp dụng một kết hợp linh hoạt giữa các mô hình, điều chỉnh theo đặc điểm sinh viên, nguồn lực nhân sự và mục tiêu giáo dục của cơ sở. Tuy nhiên, một điểm chung của cả ba mô hình là chúng đều phụ thuộc vào năng lực và sự tận tâm của cố vấn con người — yếu tố mà các giải pháp kỹ thuật số đang cố gắng bổ sung hoặc thay thế.

1.1.4. Năng lực cần có của cố vấn học tập

Để thực hiện hiệu quả vai trò cố vấn, đặc biệt trong mô hình phát triển và chủ động, cố vấn học tập cần có một bộ năng lực đa chiều. Các nghiên cứu về năng lực cố vấn (advising competency) thường phân loại các kỹ năng này thành ba nhóm chính.

Nhóm năng lực khái niệm (conceptual competencies) bao gồm kiến thức nền tảng về chương trình đào tạo, quy chế học vụ, chính sách của trường và các cơ hội phát triển cho sinh viên. Cố vấn cần hiểu rõ cấu trúc chương trình học, các điều kiện tiên quyết, quy trình chuyển đổi tín chỉ, chính sách học bổng và các nguồn hỗ trợ sẵn có. Đồng thời, cố vấn cũng cần có kiến thức cơ bản về các lý thuyết phát triển sinh viên (student development theories) — chẳng hạn như lý thuyết phát triển nhận thức của Perry, mô hình phát triển cá nhân của Chickering — để có thể hiểu và hỗ trợ sinh viên ở các giai đoạn phát triển khác nhau.

Nhóm năng lực kỹ năng (relational skills) bao gồm khả năng giao tiếp hiệu quả, kỹ năng lắng nghe tích cực, khả năng đặt câu hỏi mở và khả năng xây dựng mối quan hệ tin tưởng với sinh viên. Trong bối cảnh giáo dục đại học ngày càng đa dạng về thành phần sinh viên — bao gồm sinh viên quốc tế, sinh viên thuộc các nhóm dân tộc thiểu số, sinh viên khuyết tật và sinh viên thế hệ đầu tiên theo học đại học — năng lực giao tiếp xuyên văn hóa (cross-cultural communication) và sự nhạy cảm về sự đa dạng (cultural sensitivity) trở nên đặc biệt quan trọng.

Nhóm năng lực thông tin (informational competencies) bao gồm khả năng sử dụng các hệ thống thông tin học vụ, cơ sở dữ liệu sinh viên và các công cụ công nghệ hỗ trợ công việc cố vấn. Trong thời đại số, cố vấn cũng cần có năng lực số (digital literacy) cơ bản để có thể hướng dẫn sinh viên sử dụng các công cụ kỹ thuật số và hiểu được tác động của công nghệ đối với trải nghiệm học tập của sinh viên.

1.1.5. Thách thức của cố vấn học tập truyền thống

Mặc dù có vai trò quan trọng và được công nhận rộng rãi, cố vấn học tập truyền thống đang đối mặt với nhiều thách thức đáng kể, đặc biệt là trong bối cảnh giáo dục đại học hiện đại.

Thách thức đầu tiên là tỷ lệ sinh viên trên cố vấn ngày càng cao. Ở nhiều trường đại học trên thế giới, đặc biệt là tại các quốc gia đang phát triển, tỷ lệ sinh viên trên một cố vấn đã vượt xa mức lý tưởng. Tại Việt Nam, theo quy chế đào tạo, mỗi giảng viên thường được phân công cố vấn cho khoảng 15-30 sinh viên, nhưng trong thực tế, do thiếu hụt nhân sự và quy mô lớp đông, một giảng viên có thể phải phụ trách cố vấn cho hàng trăm sinh viên. Tỷ lệ cao này khiến việc cung cấp cố vấn cá nhân hóa — vốn được coi là yếu tố cốt lõi của chất lượng cố vấn — trở nên gần như bất khả thi. Một nghiên cứu toàn cầu về tỷ lệ cố vấn học tập tại các trường đại học cho thấy khi tỷ lệ sinh viên trên cố vấn vượt quá 300:1, chất lượng cố vấn giảm sút rõ rệt và vai trò của cố vấn thường bị thu hẹp chỉ còn là hỗ trợ hành chính (hướng dẫn đăng ký môn học, kiểm tra tín chỉ) mà không còn đủ thời gian cho cố vấn học thuật và phát triển cá nhân.

Thách thức thứ hai là thiếu thời gian cho cá nhân hóa. Ngay cả khi cố vấn có tinh thần và năng lực, họ thường bị hạn chế bởi thời gian. Giảng viên cố vấn phải cân bằng giữa nhiệm vụ cố vấn với các trách nhiệm khác — giảng dạy, nghiên cứu, quản lý và các hoạt động phục vụ cộng đồng. Kết quả là, thời gian dành cho mỗi sinh viên trong một kỳ học thường chỉ giới hạn ở một hoặc hai buổi gặp, mỗi buổi kéo dài 15-30 phút — không đủ để giải quyết các vấn đề đa chiều và phức tạp mà sinh viên thường gặp phải.

Thách thức thứ ba là tính chủ quan và thiếu nhất quán. Chất lượng cố vấn học tập phụ thuộc rất lớn vào năng lực, kinh nghiệm và động lực cá nhân của từng cố vấn. Cùng một trường đại học, hai sinh viên với cùng hoàn cảnh có thể nhận được chất lượng cố vấn rất khác nhau tùy thuộc vào việc họ được phân công cho cố vấn nào. Điều này tạo ra sự bất công nội bộ (internal inequity) trong dịch vụ giáo dục — một vấn đề mà các nhà phê phán giáo dục đã nhấn mạnh khi thảo luận về cách mà các dịch vụ hỗ trợ sinh viên thường phân bổ không đồng đều.

Thách thức thứ tư là sự thiếu dữ liệu hệ thống để hỗ trợ ra quyết định. Trong mô hình cố vấn truyền thống, thông tin về sinh viên thường phân tán và không có hệ thống. Cố vấn phải dựa vào ấn tượng cá nhân, ghi chép thủ công và các cuộc trò chuyện trực tiếp để đánh giá tiến độ học tập của sinh viên. Việc thiếu dữ liệu hệ thống khiến cố vấn khó khăn trong việc nhận diện sớm những sinh viên đang gặp khó khăn, khó so sánh hiệu suất giữa các sinh viên và khó đưa ra các khuyến nghị dựa trên bằng chứng.

Thách thức thứ năm là vấn đề tiếp cận và công bằng. Nhiều nghiên cứu cho thấy sinh viên thuộc các nhóm yếu thế — sinh viên thế hệ đầu tiên theo học đại học, sinh viên thuộc gia đình thu nhập thấp, sinh viên thuộc nhóm dân tộc thiểu số — thường ít tiếp cận với dịch vụ cố vấn hơn so với sinh viên thuộc nhóm ưu thế, dù họ thường cần hỗ trợ nhiều hơn. Các nghiên cứu về hành vi tìm kiếm sự giúp đỡ (help-seeking behavior) chỉ ra rằng sinh viên thuộc nhóm yếu thế thường ngần ngại tìm đến cố vấn vì nhiều lý do: cảm thấy xấu hổ, không biết cách tiếp cận, sợ bị phán xét hoặc đơn giản là không biết dịch vụ cố vấn tồn tại. Đây là một nghịch lý đáng chú ý: những sinh viên cần cố vấn nhất lại ít tiếp cận dịch vụ nhất.

Chính những thách thức này — đặc biệt là thách thức về quy mô, thời gian và tính chủ quan — đã tạo ra động lực mạnh mẽ cho việc ứng dụng công nghệ vào hoạt động cố vấn học tập. Tuy nhiên, như sẽ được phân tích trong các phần tiếp theo, việc chuyển từ mô hình truyền thống sang mô hình kỹ thuật số không phải là một quá trình đơn giản và mang lại nhiều vấn đề mới cần được xem xét thận trọng.

1.2. Định nghĩa cố vấn học tập số

1.2.1. Phân biệt cố vấn số và cố vấn truyền thống

Cố vấn học tập số (digital academic advising) có thể được hiểu là việc ứng dụng công nghệ kỹ thuật số — bao gồm phần mềm, nền tảng trực tuyến, trí tuệ nhân tạo và phân tích dữ liệu — vào quá trình hỗ trợ sinh viên trong các hoạt động học tập và phát triển cá nhân. Cần phân biệt rõ giữa cố vấn học tập số và cố vấn học tập truyền thống dựa trên một số tiêu chí quan trọng.

Về phương tiện giao tiếp, cố vấn truyền thống chủ yếu dựa trên tương tác trực tiếp (face-to-face) hoặc thông qua các kênh truyền thống như điện thoại, email. Cố vấn số sử dụng các nền tảng kỹ thuật số — từ hệ thống quản lý học tập, ứng dụng di động, chatbot đến các nền tảng video conference — làm phương tiện giao tiếp chính hoặc bổ sung.

Về phạm vi dịch vụ, cố vấn truyền thống thường cung cấp dịch vụ toàn diện nhưng có giới hạn về quy mô (chỉ phục vụ một số lượng sinh viên nhất định với chất lượng đảm bảo). Cố vấn số có khả năng mở rộng quy mô dịch vụ (scalability) — có thể phục vụ số lượng lớn sinh viên đồng thời — nhưng thường giới hạn phạm vi dịch vụ ở các vấn đề có thể được mã hóa và tự động hóa.

Về thời gian hoạt động, cố vấn truyền thống hoạt động trong giờ hành chính hoặc theo lịch hẹn, trong khi cố vấn số có thể hoạt động 24/7, cung cấp thông tin và hỗ trợ bất cứ khi nào sinh viên cần.

Về cách tiếp cận dữ liệu, cố vấn truyền thống phụ thuộc vào thông tin thu thập qua tương tác cá nhân và hồ sơ học vụ, trong khi cố vấn số có khả năng xử lý lượng lớn dữ liệu đa chiều — điểm số, hành vi học tập trực tuyến, tương tác trên diễn đàn, dữ liệu sử dụng thư viện và nhiều dữ liệu khác — để tạo ra bức tranh toàn diện hơn về tình trạng học tập của sinh viên.

Về tính cá nhân hóa, cố vấn truyền thống cá nhân hóa dựa trên sự thấu hiểu và kinh nghiệm của cố vấn, trong khi cố vấn số cá nhân hóa dựa trên thuật toán và phân tích dữ liệu. Hai cách tiếp cận này có ưu nhược điểm khác nhau: cá nhân hóa dựa trên kinh nghiệm con người có khả năng nắm bắt các sắc thái phức tạp nhưng bị hạn chế bởi khả năng xử lý thông tin; cá nhân hóa dựa trên thuật toán có khả năng xử lý lượng lớn thông tin nhưng thường thiếu khả năng hiểu bối cảnh và sắc thái cảm xúc.

Về yếu tố cảm xúc, đây là điểm phân biệt quan trọng nhất. Cố vấn truyền thống có khả năng thấu cảm (empathy) — khả năng hiểu và chia sẻ cảm xúc của sinh viên — là yếu tố được coi là cốt lõi trong các mô hình cố vấn phát triển. Cố vấn số, ít nhất là ở giai đoạn phát triển hiện tại, thiếu khả năng thấu cảm thực sự. Một chatbot có thể mô phỏng phản hồi cảm xúc nhưng không thực sự "cảm nhận" được cảm xúc của sinh viên. Điều này đặt ra một vấn đề triết học sâu sắc: liệu cố vấn học tập có thể tách rời khỏi yếu tố cảm xúc mà vẫn giữ được bản chất giáo dục của nó?

Assiri et al. (2020) đã tổng quan hệ thống 23 nghiên cứu về cố vấn học tập điện tử (e-academic advising) và phát hiện rằng hầu hết các hệ thống cố vấn số hiện có chủ yếu tập trung vào việc cung cấp thông tin học vụ và hỗ trợ hành chính (đăng ký môn học, kiểm tra tiến độ học tập), trong khi các chức năng hỗ trợ phát triển cá nhân và nghề nghiệp vẫn còn hạn chế. Điều này cho thấy rằng, ở giai đoạn hiện tại, cố vấn học tập số bổ sung và hỗ trợ cho cố vấn truyền thống nhiều hơn là thay thế hoàn toàn.

1.2.2. Các hình thức cố vấn học tập số

Cố vấn học tập số bao gồm nhiều hình thức và cấp độ khác nhau, có thể được phân loại theo mức độ tự động hóa và sự tham gia của công nghệ.

E-advising (Cố vấn học tập điện tử) là hình thức cơ bản nhất, trong đó công nghệ được sử dụng để hỗ trợ giao tiếp và quản lý thông tin giữa cố vấn và sinh viên. E-advising bao gồm việc sử dụng email, hệ thống nhắn tin, nền tảng video conference (Zoom, Microsoft Teams) và hệ thống quản lý học vụ để thực hiện các hoạt động cố vấn mà trước đây được thực hiện trực tiếp. E-advising không thay đổi bản chất của quá trình cố vấn — vẫn là tương tác giữa người với người — mà chỉ thay đổi phương tiện giao tiếp. Đặc biệt trong và sau đại dịch COVID-19, e-advising đã trở thành phương thức cố vấn phổ biến tại nhiều trường đại học và chứng minh được tính khả thi trong nhiều bối cảnh.

Chatbot cố vấn (Advising Chatbot) là hình thức sử dụng các chương trình chatbot — phần mềm có khả năng tương tác với người dùng bằng ngôn ngữ tự nhiên — để trả lời các câu hỏi thường gặp của sinh viên, cung cấp thông tin về chương trình học, lịch thi, quy trình đăng ký môn học và các dịch vụ hỗ trợ. Chatbot có thể hoạt động 24/7, trả lời ngay lập tức và xử lý nhiều yêu cầu đồng thời. Bilquise et al. (2023) đã nghiên cứu sự chấp nhận chatbot cố vấn học tập tại các trường đại học và phát hiện rằng, mặc dù sinh viên đánh giá cao tính tiện lợi và khả năng truy cập 24/7, họ vẫn có những lo ngại về độ chính xác của thông tin và khả năng xử lý các tình huống phức tạp hoặc không chuẩn. Demaeght et al. (2023) đã phân tích việc triển khai chatbot cố vấn tại các trường đại học Đức và chỉ ra rằng việc thiết kế chatbot cần được điều chỉnh theo bối cảnh cụ thể của từng cơ sở giáo dục — các chatbot "một kích thước phù hợp với tất cả" (one-size-fits-all) thường không hiệu quả trong môi trường giáo dục đại học đa dạng.

AI-based Advisory (Cố vấn dựa trên trí tuệ nhân tạo) là hình thức cao cấp hơn, trong đó hệ thống AI không chỉ trả lời câu hỏi đơn thuần mà còn có khả năng phân tích dữ liệu học tập của sinh viên, đưa ra các khuyến nghị cá nhân hóa và thậm chí dự đoán kết quả học tập. Các hệ thống này sử dụng thuật toán học máy để phân tích các mẫu dữ liệu — điểm số, lịch sử đăng ký môn học, thời gian tham gia học trực tuyến, mức độ tương tác trên diễn đàn — để tạo ra các cảnh báo sớm (early warning) và đề xuất can thiệp. Tuy nhiên, Zawacki-Richter et al. (2019) đã cảnh báo rằng việc ứng dụng AI trong giáo dục đại học vẫn ở giai đoạn sớm và nhiều hệ thống AI được quảng cáo là "thông minh" thực chất chỉ thực hiện các tác vụ phân tích dữ liệu đơn giản với giao diện phức tạp hơn.

Learning Analytics Dashboard (Bảng điều khiển phân tích dữ liệu học tập) là hình thức sử dụng các công cụ trực quan hóa dữ liệu để cung cấp cho cả cố vấn và sinh viên thông tin về tiến độ học tập, hành vi học tập và các chỉ số hiệu suất. Các dashboard sinh viên hiển thị các dữ liệu như điểm số theo thời gian, mức độ tham gia học tập, tiến độ hoàn thành chương trình và so sánh với sinh viên cùng nhóm. Bodily và Verbert (2017) đã thực hiện một tổng quan về các dashboard phân tích dữ liệu học tập hướng đến sinh viên (student-facing analytics dashboard) và phát hiện rằng, mặc dù các dashboard có tiềm năng hỗ trợ tự phản hồi (self-reflection) và tự điều chỉnh (self-regulation) của sinh viên, việc thiết kế dashboard cần cân nhắc cẩn thận các yếu tố như cách trình bày thông tin, mức độ chi tiết và đặc biệt là tác động tâm lý — việc hiển thị dữ liệu tiêu cực (chẳng hạn như "bạn đang tụt hậu so với 80% sinh viên khác") có thể gây hiệu ứng ngược, làm giảm động lực thay vì tăng cường.

1.2.3. Đặc điểm nổi bật và hạn chế

Từ phân tích các hình thức trên, có thể tóm tắt đặc điểm nổi bật của cố vấn học tập số qua các khía cạnh sau.

Về ưu điểm, cố vấn học tập số có khả năng hoạt động liên tục (24/7), không bị giới hạn bởi giờ hành chính hay ngày làm việc. Nó có khả năng xử lý đồng thời nhiều yêu cầu, vượt qua hạn chế về quy mô của cố vấn truyền thống. Nó có khả năng phân tích và tích hợp dữ liệu đa chiều, cung cấp bức tranh toàn diện hơn về tình trạng học tập của sinh viên. Nó có khả năng chuẩn hóa thông tin, giảm thiểu rủi ro thông tin không nhất quán giữa các cố vấn. Và nó có khả năng theo dõi và phản hồi theo thời gian thực, giúp phát hiện sớm các vấn đề thay vì đợi đến kỳ đánh giá định kỳ.

Về hạn chế, cố vấn học tập số thiếu khả năng thấu cảm thực sự — nó có thể mô phỏng phản hồi cảm xúc nhưng không thực sự hiểu cảm xúc của sinh viên. Nó phụ thuộc vào chất lượng và đầy đủ của dữ liệu — khi dữ liệu đầu vào sai lệch hoặc không đầy đủ, các khuyến nghị và dự đoán sẽ không chính xác. Nó có nguy cơ tạo ra sự bất công thuật toán (algorithmic bias) — khi các mô hình AI được huấn luyện trên dữ liệu không đại diện, chúng có thể đưa ra các kết luận sai lệch đối với các nhóm sinh viên yếu thế. Nó có thể tạo ra "khoảng cách kỹ thuật số" (digital divide) — sinh viên có kỹ năng số thấp hoặc thiếu thiết bị có thể bị loại khỏi dịch vụ cố vấn số. Và nó đặt ra các vấn đề nghiêm trọng về quyền riêng tư dữ liệu — việc thu thập và phân tích dữ liệu hành vi của sinh viên làm dấy lên lo ngại về giám sát và quyền riêng tư (Watters, 2021).

1.3. Các công nghệ nền tảng

Cố vấn học tập số được xây dựng dựa trên sự hội tụ của nhiều công nghệ nền tảng, mỗi công nghệ đóng vai trò khác nhau trong hệ sinh thái cố vấn kỹ thuật số. Phần này sẽ phân tích năm công nghệ nền tảng chính: trí tuệ nhân tạo và học máy, chatbot và xử lý ngôn ngữ tự nhiên, phân tích dữ liệu học tập, hệ thống cảnh báo sớm và dashboard sinh viên.

1.3.1. Trí tuệ nhân tạo và học máy trong giáo dục

Trí tuệ nhân tạo (Artificial Intelligence — AI) và học máy (Machine Learning — ML) đang là những công nghệ nền tảng quan trọng nhất cho sự phát triển của cố vấn học tập số. Zawacki-Richter et al. (2019) đã phân loại các ứng dụng của AI trong giáo dục đại học thành bốn lĩnh vực chính: (1) hồ sơ và dự đoán (profiling and prediction) — sử dụng AI để phân loại sinh viên và dự đoán kết quả học tập; (2) đánh giá thông minh (intelligent assessment) — sử dụng AI để chấm bài, đánh giá năng lực và phát hiện gian lận; (3) hệ thống hỗ trợ học tập thích ứng (adaptive learning systems) — sử dụng AI để cá nhân hóa nội dung và lộ trình học tập; và (4) hệ thống cố vấn và hỗ trợ (advising and support systems) — sử dụng AI để hỗ trợ sinh viên trong các quyết định học tập và nghề nghiệp.

Trong lĩnh vực cố vấn học tập, AI và ML được ứng dụng chủ yếu qua hai cách. Thứ nhất, phân tích dự đoán (predictive analytics) — sử dụng thuật toán học máy để phân tích dữ liệu lịch sử của sinh viên (điểm số, hành vi học tập, dữ liệu nhân khẩu học) và dự đoán kết quả tương lai, đặc biệt là nguy cơ bỏ học (dropout risk). Thứ hai, hệ thống đề xuất (recommender systems) — tương tự như hệ thống đề xuất phim trên Netflix hoặc sản phẩm trên Amazon — đề xuất môn học, chương trình đào tạo hoặc hoạt động ngoại khóa phù hợp với hồ sơ, sở thích và mục tiêu của sinh viên.

Aoun (2017) trong cuốn sách "Robot-Proof" đã lập luận rằng trong kỷ nguyên AI, giáo dục đại học cần chuyển trọng tâm từ việc truyền đạt kiến thức — vốn có thể được thực hiện tốt hơn bởi AI — sang việc phát triển các năng lực mà máy móc không thể thay thế, bao gồm tư duy phản biện, sáng tạo, thấu cảm và khả năng thích ứng. Đối với cố vấn học tập, luận điểm này có ý nghĩa quan trọng: nếu vai trò cố vấn chỉ là cung cấp thông tin học vụ và hướng dẫn đăng ký môn học, thì công nghệ hoàn toàn có thể thay thế. Nhưng nếu vai trò cố vấn bao gồm phát triển toàn diện sinh viên, xây dựng động lực và hỗ trợ phát triển cá nhân, thì yếu tố con người vẫn là không thể thay thế.

Tuy nhiên, cần lưu ý rằng các ứng dụng AI hiện tại trong giáo dục vẫn còn ở giai đoạn "AI hẹp" (narrow AI) — tức là AI được thiết kế để thực hiện các tác vụ cụ thể trong bối cảnh cụ thể, chứ không phải là "AI tổng quát" (general AI) có khả năng tư duy và hành động như con người. Các hệ thống AI trong giáo dục có thể phân tích dữ liệu và đưa ra khuyến nghị dựa trên các mẫu có sẵn, nhưng chúng không có khả năng hiểu bối cảnh văn hóa, cảm xúc cá nhân hay các yếu tố bất ngờ trong đời sống sinh viên — những yếu tố thường quyết định quyết định học tập quan trọng nhất.

1.3.2. Chatbot và xử lý ngôn ngữ tự nhiên

Chatbot — các chương trình máy tính có khả năng tương tác với con người bằng ngôn ngữ tự nhiên — đang trở thành một trong những công cụ phổ biến nhất trong cố vấn học tập số. Sự phát triển của xử lý ngôn ngữ tự nhiên (Natural Language Processing — NLP) và đặc biệt là các mô hình ngôn ngữ lớn (large language models) đã cải thiện đáng kể khả năng hiểu và tạo văn bản của chatbot, khiến chúng trở nên hữu ích hơn trong các ứng dụng giáo dục.

Trong bối cảnh cố vấn học tập, chatbot thường được triển khai với các chức năng chính: (1) trả lời câu hỏi thường gặp (FAQ) về chương trình đào tạo, lịch học, quy trình đăng ký môn học, học phí và các dịch vụ hỗ trợ; (2) hướng dẫn sinh viên qua các quy trình hành chính như đăng ký môn học, nộp đơn xin học bổng, đăng ký thực tập; (3) cung cấp thông tin về các sự kiện và hoạt động của trường; và (4) chuyển tiếp sinh viên đến cố vấn con người khi vấn đề vượt quá khả năng xử lý của chatbot.

Bilquise et al. (2023) đã nghiên cứu các yếu tố ảnh hưởng đến sự chấp nhận chatbot cố vấn học tập tại các trường đại học dựa trên Mô hình Chấp nhận Công nghệ (Technology Acceptance Model — TAM). Kết quả cho thấy rằng các yếu tố như tính dễ sử dụng (ease of use), tính hữu ích cảm nhận (perceived usefulness) và độ tin cậy cảm nhận (perceived trustworthiness) có ảnh hưởng đáng kể đến ý định sử dụng chatbot của sinh viên. Tuy nhiên, nghiên cứu cũng phát hiện rằng yếu tố "sự tin tưởng" đặc biệt quan trọng trong bối cảnh cố vấn — sinh viên cần tin tưởng rằng thông tin do chatbot cung cấp là chính xác và đáng tin cậy trước khi họ sẵn sàng sử dụng nó cho các quyết định học tập quan trọng.

Demaeght et al. (2023) đã phân tích việc triển khai chatbot cố vấn tại các trường đại học Đức và đưa ra một số phát hiện quan trọng. Thứ nhất, hiệu quả của chatbot phụ thuộc rất lớn vào chất lượng của cơ sở tri thức (knowledge base) — cơ sở dữ liệu thông tin được sử dụng để huấn luyện chatbot. Nếu cơ sở tri thức không được cập nhật thường xuyên hoặc không phản ánh đúng quy trình thực tế của trường, chatbot sẽ cung cấp thông tin sai lệch, gây mất lòng tin của sinh viên. Thứ hai, phạm vi câu hỏi mà chatbot có thể xử lý thường hẹp hơn kỳ vọng — nhiều vấn đề của sinh viên thuộc nhóm "xám" (gray area), không hoàn toàn thuộc loại "câu hỏi thường gặp" cũng không hoàn toàn cần cố vấn con người. Thứ ba, việc chuyển tiếp từ chatbot sang cố vấn con người cần được thiết kế mượt mà để tránh trải nghiệm gián đoạn cho sinh viên.

1.3.3. Phân tích dữ liệu học tập (Learning Analytics)

Phân tích dữ liệu học tập (Learning Analytics — LA) được định nghĩa là "việc đo lường, thu thập, phân tích và báo cáo dữ liệu về người học và bối cảnh học tập của họ, nhằm mục đích hiểu và tối ưu hóa học tập và môi trường mà học tập diễn ra" (Siemens et al., 2011). Trong bối cảnh cố vấn học tập, LA cung cấp cơ sở dữ liệu cho việc ra quyết định — cho phép cố vấn (cả con người và hệ thống) đưa ra các khuyến nghị dựa trên bằng chứng thay vì cảm tính.

Các nguồn dữ liệu chính được sử dụng trong phân tích dữ liệu học tập bao gồm: (1) dữ liệu hệ thống quản lý học tập (LMS) — bao gồm tần suất truy cập, thời gian trên trang, số lần nộp bài, điểm số bài tập và mức độ tương tác trên diễn đàn; (2) dữ liệu hệ thống học vụ — bao gồm điểm số, tín chỉ, lịch sử đăng ký môn học và tiến độ hoàn thành chương trình; (3) dữ liệu hành vi trực tuyến — bao gồm lịch sử sử dụng thư viện số, truy cập tài nguyên học tập và tương tác với hệ thống hỗ trợ sinh viên; và (4) dữ liệu sinh viên — bao gồm thông tin nhân khẩu học, kết quả khảo sát và thông tin về hoàn cảnh cá nhân.

Shen và Ho (2019) đã tiến hành một nghiên cứu thư pháp (bibliometric analysis) về công nghệ tăng cường học tập (technology-enhanced learning) và phát hiện rằng phân tích dữ liệu học tập là một trong các chủ đề nghiên cứu phát triển nhanh nhất trong lĩnh vực giáo dục kỹ thuật số. Tuy nhiên, nghiên cứu cũng chỉ ra rằng phần lớn các nghiên cứu về LA tập trung vào phát triển công nghệ và phương pháp phân tích, trong khi các nghiên cứu về tác động của LA đến kết quả học tập thực tế của sinh viên vẫn còn hạn chế.

Một trong những vấn đề quan trọng trong ứng dụng LA cho cố vấn học tập là vấn đề "xác định đúng dữ liệu" (right data problem) — làm sao đảm bảo rằng dữ liệu được thu thập và phân tích thực sự phản ánh năng lực và tiến độ học tập của sinh viên. Chẳng hạn, việc một sinh viên truy cập hệ thống học tập nhiều lần không nhất thiết có nghĩa là họ đang học tích cực — có thể họ đang gặp khó khăn và phải truy cập lại nhiều lần để tìm hiểu nội dung. Điểm số không nhất thiết phản ánh năng lực thực sự — có thể phản ánh khả năng "thi tốt" hơn là khả năng "học tốt". Việc sử dụng dữ liệu sai hoặc diễn giải sai có thể dẫn đến các quyết định cố vấn không phù hợp.

1.3.4. Hệ thống cảnh báo sớm (Early Warning Systems)

Hệ thống cảnh báo sớm (Early Warning Systems — EWS) là một trong những ứng dụng thực tiễn nhất của phân tích dữ liệu học tập trong lĩnh vực cố vấn học tập. EWS sử dụng dữ liệu về điểm số, hành vi học tập và các chỉ số khác để xác định sinh viên có nguy cơ gặp khó khăn hoặc bỏ học, từ đó cho phép cố vấn can thiệp kịp thời.

Các chỉ số thường được sử dụng trong EWS bao gồm: (1) chỉ số học thuật — điểm số trung bình (GPA), số môn rớt, số tín chỉ tích lũy; (2) chỉ số hành vi — tần suất vắng mặt, mức độ tham gia học tập, tiến độ nộp bài tập; (3) chỉ số tương tác — mức độ tương tác với giảng viên và bạn học, sử dụng các dịch vụ hỗ trợ; và (4) chỉ số nhân khẩu học — thông tin về hoàn cảnh cá nhân và gia đình (sử dụng cẩn thận vì lo ngại về quyền riêng tư và phân biệt đối xử).

Các EWS hiện đại thường sử dụng thuật toán học máy để phân tích nhiều chỉ số đồng thời và tạo ra "điểm nguy cơ" (risk score) cho mỗi sinh viên. Cố vấn hoặc hệ thống tự động sẽ sử dụng điểm nguy cơ này để quyết định mức độ can thiệp — từ gửi email nhắc nhở nhẹ nhàng đến sắp xếp gặp trực tiếp hoặc chuyển đến dịch vụ tư vấn chuyên sâu.

Tuy nhiên, EWS cũng đối mặt với nhiều thách thức và chỉ trích. Thứ nhất, vấn đề "nhãn tự thực hiện" (self-fulfilling prophecy) — khi một sinh viên được gắn nhãn "có nguy cơ cao", cố vấn và giảng viên có thể vô thức đối xử với họ khác biệt, điều này có thể thực sự làm tăng nguy cơ bỏ học. Thứ hai, vấn đề thiếu ngữ cảnh — EWS có thể phát hiện "sự sụt giảm tương tác với hệ thống học tập" nhưng không giải thích được nguyên nhân (có thể sinh viên đang làm việc nhóm bên ngoài hệ thống, hoặc có việc cá nhân cần xử lý). Thứ ba, vấn đề rủi ro sai cảnh báo — sinh viên bị cảnh báo sai (false positive) có thể cảm thấy bị theo dõi hoặc bị áp lực, trong khi sinh viên không được cảnh báo nhưng thực sự cần hỗ trợ (false negative) có thể bị bỏ lỡ.

1.3.5. Dashboard sinh viên

Dashboard sinh viên là các công cụ trực quan hóa dữ liệu hiển thị thông tin về tiến độ học tập và hành vi học tập của sinh viên theo thời gian thực. Các dashboard có thể được thiết kế cho sinh viên (student-facing) — giúp sinh viên tự theo dõi và phản hồi về tiến độ học tập của mình — hoặc cho cố vấn (advisor-facing) — giúp cố vấn nắm bắt tình hình tổng thể của sinh viên đang cố vấn.

Bodily và Verbert (2017) đã thực hiện một tổng quan hệ thống về các dashboard phân tích dữ liệu học tập hướng đến sinh viên và phân loại chúng theo mục đích sử dụng thành năm loại: (1) theo dõi — hiển thị thông tin cơ bản về tiến độ học tập; (2) phản hồi — cung cấp phân tích về hành vi học tập so với chuẩn hoặc so với bạn học; (3) can thiệp — cung cấp các đề xuất hành động cụ thể; (4) social comparison — so sánh hiệu suất với nhóm bạn học; và (5) goal setting — hỗ trợ sinh viên thiết lập và theo dõi mục tiêu học tập.

Một phát hiện quan trọng từ nghiên cứu của Bodily và Verbert (2017) là thiết kế dashboard có ảnh hưởng đáng kể đến hiệu quả và trải nghiệm của sinh viên. Việc hiển thị quá nhiều thông tin có thể gây quá tải nhận thức (information overload), trong khi việc hiển thị quá ít có thể không đủ để sinh viên có hành động. Việc sử dụng so sánh xã hội (social comparison) có thể động viên một số sinh viên nhưng làm giảm động lực của người khác. Việc sử dụng màu sắc và biểu tượng cần phù hợp với ngữ cảnh văn hóa để tránh hiểu sai.

Watters (2021) trong cuốn sách "Teaching Machines" đã nhấn mạnh rằng lịch sử của công nghệ giáo dục — từ các máy dạy học cơ học thế kỷ 20 đến các nền tảng AI hiện đại — cho thấy một mô thức lặp đi lặp lại: công nghệ được giới thiệu với những lời hứa hẹn về cách mạng hóa giáo dục, nhưng thực tế triển khai thường giảm xuống thành các công cụ giám sát và kiểm soát, hơn là các công cụ hỗ trợ học tập thực sự. Đối với dashboard sinh viên, điều này có nghĩa là cần đặc biệt cẩn trọng để đảm bảo rằng các dashboard được thiết kế để trao quyền cho sinh viên (empowerment), chứ không phải để giám sát (surveillance).

1.4. Mô hình triển khai trên thế giới

1.4.1. Các trường đại học tiên phong

Việc ứng dụng công nghệ vào cố vấn học tập đã bắt đầu từ những năm đầu của thế kỷ 21 tại một số trường đại học tiên phong ở Bắc Mỹ và châu Âu. Georgia State University (Hoa Kỳ) thường được trích dẫn như một "ca thành công" (success story) trong việc ứng dụng hệ thống cảnh báo sớm và phân tích dữ liệu học tập để cải thiện tỷ lệ tốt nghiệp. Trường đã triển khai một hệ thống với hơn 800 "điểm kiểm tra" (checkpoints) trong hành trình học tập của sinh viên — tại mỗi điểm, hệ thống sẽ phân tích dữ liệu và phát tín hiệu cho cố vấn khi phát hiện dấu hiệu bất thường. Theo các báo cáo của trường, tỷ lệ tốt nghiệp tăng đáng kể sau khi triển khai hệ thống, đặc biệt là đối với sinh viên thuộc các nhóm yếu thế. Tuy nhiên, các nhà phê phán đã lưu ý rằng thành công của Georgia State không chỉ do công nghệ mà còn do sự đầu tư mạnh mẽ vào nhân sự cố vấn và văn hóa hỗ trợ sinh viên.

Các trường đại học khác như Đại học Arizona (University of Arizona), Đại học Central Florida (University of Central Florida) và nhiều trường trong hệ thống Đại học bang (State University system) cũng đã triển khai các nền tảng cố vấn học tập số với quy mô khác nhau. Ở châu Âu, Đại học Mở Hà Lan (Open University of the Netherlands) là một trong những cơ sở giáo dục tiên phong trong việc ứng dụng phân tích dữ liệu học tập cho cố vấn, phát triển hệ thống "OU Analyse" — một hệ thống cảnh báo sớm sử dụng dữ liệu từ hệ thống học tập trực tuyến để dự đoán nguy cơ bỏ học của sinh viên.

Tại châu Á, Đại học Quốc gia Singapore (National University of Singapore) và Đại học Hong Kong (University of Hong Kong) đã tích hợp công nghệ cố vấn học tập số vào hệ thống hỗ trợ sinh viên tổng thể. Tại Úc, nhiều trường đại học đã sử dụng các nền tảng như Studiosity (trước đây là YourTutor) để cung cấp hỗ trợ học tập trực tuyến, bổ sung cho hệ thống cố vấn truyền thống.

1.4.2. Các nền tảng thương mại

Thị trường công nghệ cố vấn học tập số được thống trị bởi một số nền tảng thương mại lớn, đặc biệt là tại thị trường Hoa Kỳ.

EAB Navigate (trước đây gọi là "EAB Student Success Collaborative") là một trong những nền tảng phổ biến nhất, được triển khai tại hàng trăm trường đại học tại Hoa Kỳ và đang mở rộng sang quốc tế. Nền tảng này kết hợp phân tích dữ liệu học tập, hệ thống cảnh báo sớm, công cụ lên kế hoạch học tập và hệ thống thông tin cho sinh viên. EAB Navigate sử dụng dữ liệu từ hàng triệu sinh viên trong mạng lưới đối tác để xây dựng các mô hình dự đoán và "best practices" cho cố vấn học tập. Điểm đáng chú ý là EAB (Educational Advisory Board) vận hành theo mô hình "cố vấn giáo dục tư nhân" — trường đại học trả phí thành viên để tham gia mạng lưới và tiếp cận các công cụ, dữ liệu và phân tích của EAB. Mô hình kinh doanh này đã tạo ra nhiều tranh luận trong giới học thuật về việc liệu các tư duy giáo dục nên được phát triển nội bộ hay mua từ các công ty tư nhân.

Civitas Learning là một nền tảng tập trung vào phân tích dữ liệu học tập và trí tuệ nhân tạo để hỗ trợ ra quyết định giáo dục. Civitas sử dụng "hệ thống trí tuệ tập thể" (collective intelligence) — phân tích dữ liệu ẩn danh từ nhiều trường đại học đối tác để xây dựng các mô hình dự đoán và đề xuất. Nền tảng này nhấn mạnh vào khả năng cá nhân hóa trải nghiệm học tập dựa trên dữ liệu.

Starfish (nay thuộc EAB) là một nền tảng hỗ trợ sinh viên (student support platform) kết hợp hệ thống cảnh báo sớm, công cụ quản lý ca (case management) và hệ thống thông tin. Starfish cho phép giảng viên và nhân viên gửi "cờ" (flags — tín hiệu cảnh báo) khi nhận thấy sinh viên gặp khó khăn, và hệ thống sẽ tự động phân bổ nhiệm vụ hỗ trợ đến nhân viên phù hợp.

Ngoài các nền tảng lớn trên, thị trường còn có nhiều sản phẩm chuyên biệt như: Degree Map (công cụ lập lộ trình tốt nghiệp), Signal (hệ thống cảnh báo sớm dựa trên phương pháp khảo sát而非dữ liệu học tập), và các giải pháp chatbot như "Pounce" của Đại học bang Georgia (Georgia State University's Pounce chatbot).

1.4.3. Mô hình mã nguồn mở và phát triển nội bộ

Bên cạnh các nền tảng thương mại, một số trường đại học và tổ chức giáo dục đã phát triển các giải pháp mã nguồn mở (open-source) hoặc giải pháp nội bộ. Ưu điểm của mô hình này là tính linh hoạt cao, chi phí thấp hơn và khả năng tùy chỉnh theo bối cảnh cụ thể. Nhược điểm là yêu cầu nguồn lực kỹ thuật nội bộ mạnh và thường thiếu hỗ trợ chuyên nghiệp.

Nhiều trường đại học sử dụng nền tảng Moodle — một hệ thống quản lý học tập mã nguồn mở — kết hợp với các plugin phân tích dữ liệu học tập (chẳng hạn như "Learning Analytics Enhancement" của Đại học mở Hà Lan) để xây dựng các công cụ cố vấn học tập số đơn giản. Các trường có năng lực kỹ thuật mạnh hơn phát triển các giải pháp nội bộ dựa trên công nghệ mã nguồn mở như Apache Mahout (học máy), R (phân tích thống kê) và Python (xử lý dữ liệu).

Mô hình phát triển nội bộ cũng cho phép các trường kiểm soát hoàn toàn dữ liệu sinh viên — một yếu tố quan trọng trong bối cảnh ngày càng siết chặt quy định về quyền riêng tư dữ liệu tại nhiều quốc gia, đặc biệt là sau khi Quy định chung về bảo vệ dữ liệu (GDPR) của Liên minh châu Âu có hiệu lực.

1.4.4. Chi phí triển khai

Chi phí triển khai cố vấn học tập số là một yếu tố quan trọng ảnh hưởng đến quyết định của các trường đại học. Các nền tảng thương mại như EAB Navigate có chi phí khá cao — thường từ vài chục nghìn đến hàng trăm nghìn đô la Mỹ mỗi năm tùy quy mô trường — bao gồm phí triển khai, phí bản quyền hàng năm và phí hỗ trợ kỹ thuật. Ngoài chi phí phần mềm, các trường còn phải đầu tư vào đào tạo nhân sự, tích hợp hệ thống với các hệ thống hiện có (LMS, hệ thống học vụ, CRM) và duy trì hạ tầng kỹ thuật.

Các giải pháp mã nguồn mở có chi phí phần mềm thấp hơn (thường miễn phí bản quyền) nhưng đòi hỏi chi phí nhân sự kỹ thuật cao hơn — chi phí phát triển, tùy chỉnh, bảo trì và nâng cấp. Nhiều trường đại học nhận ra rằng "chi phí sở hữu tổng thể" (total cost of ownership) của giải pháp mã nguồn mở không nhất thiết thấp hơn giải pháp thương mại khi tính đầy đủ các chi phí nhân sự và cơ hội.

Đối với các quốc gia đang phát triển, trong đó có Việt Nam, chi phí triển khai là một rào cản đáng kể. Đồng thời, chi phí cơ hội — nguồn lực được dành cho cố vấn học tập số có thể được sử dụng cho các nhu cầu khác như tăng lương giảng viên, cải thiện cơ sở vật chất hay tăng cường hỗ trợ sinh viên trực tiếp — cũng cần được cân nhắc trong bối cảnh ngân sách giáo dục thường eo hẹp.

1.5. Việt Nam: Thực trạng cố vấn học tập và bước đầu số hóa

1.5.1. Căn tin hệ thống cố vấn tại Việt Nam

Cố vấn học tập tại các trường đại học Việt Nam được quy định trong Quy chế đào tạo trình độ đại học do Bộ Giáo dục và Đào tạo ban hành. Theo quy chế này, các cơ sở giáo dục đại học phải tổ chức hoạt động cố vấn học tập cho sinh viên, với các yêu cầu cụ thể về phân công giảng viên làm cố vấn, nội dung và hình thức cố vấn, và đánh giá hiệu quả cố vấn.

Thực tế triển khai cho thấy bức tranh đa dạng về chất lượng và mức độ thực hiện hoạt động cố vấn học tập tại các trường đại học Việt Nam. Một số trường đại học — đặc biệt là các trường thuộc nhóm có vốn đầu tư nước ngoài, các trường đại học tư thục lớn và một số trường công lập có truyền thống — đã xây dựng hệ thống cố vấn học tập tương đối bài bản, với quy trình rõ ràng, chương trình đào tạo cho cố vấn và cơ sở vật chất hỗ trợ. Các trường này thường có trung tâm hỗ trợ sinh viên (Student Success Center hoặc equivalent) đóng vai trò trung tâm trong việc phối hợp hoạt động cố vấn.

Tuy nhiên, nhiều trường đại học — đặc biệt là các trường ngoài công lập nhỏ, các trường cao đẳng và các trường ở vùng sâu vùng xa — vẫn đối mặt với nhiều thách thức trong việc triển khai cố vấn học tập. Các thách thức này bao gồm: thiếu nhận thức về tầm quan trọng của cố vấn học tập từ ban lãnh đạo; thiếu nhân sự — nhiều giảng viên phải cố vấn cho số lượng sinh viên quá lớn; thiếu đào tạo cho giảng viên về kỹ năng cố vấn; thiếu cơ sở vật chất và không gian cho hoạt động cố vấn; và thiếu cơ chế đánh giá và khuyến khích hoạt động cố vấn.

Một đặc thù của hệ thống giáo dục đại học Việt Nam là vai trò "cố vấn học tập" thường được giao cho giảng viên — những người có nhiệm vụ chính là giảng dạy và nghiên cứu. Việc kiêm nhiệm này, trong khi có ưu điểm là cố vấn hiểu sâu về nội dung chương trình học, cũng có nhược điểm là giảng viên thường bị quá tải và không có đủ thời gian cho hoạt động cố vấn. Nhiều giảng viên coi cố vấn học tập như một "nhiệm vụ hành chính" (administrative burden) thay vì một hoạt động giáo dục có ý nghĩa, dẫn đến chất lượng cố vấn không đạt mức kỳ vọng.

Về mặt phương pháp, cố vấn học tập tại Việt Nam hiện nay chủ yếu thuộc mô hình "quy định" (prescriptive) — cố vấn hướng dẫn sinh viên đăng ký môn học, theo dõi tiến độ tích lũy tín chỉ và nhắc nhở về các quy chế học vụ. Mô hình "phát triển" (developmental) và "chủ động" (proactive) — vốn nhấn mạnh vào phát triển toàn diện sinh viên và chủ động tiếp cận — vẫn chưa được triển khai phổ biến do nhận thức, đào tạo và nguồn lực hạn chế.

1.5.2. Các nỗ lực ứng dụng công nghệ

Trong những năm gần đây, cùng với xu hướng chuyển đổi số chung của xã hội và giáo dục, một số trường đại học Việt Nam đã bắt đầu ứng dụng công nghệ vào hoạt động cố vấn học tập, dù vẫn ở giai đoạn sơ khai.

Ở cấp độ cơ bản nhất, nhiều trường đã sử dụng hệ thống quản lý học vụ điện tử để hỗ trợ cố vấn — thay vì hồ sơ giấy, thông tin về tiến độ học tập của sinh viên được quản lý trên hệ thống điện tử, cho phép cố vấn truy cập nhanh hơn và chính xác hơn. Một số trường sử dụng phần mềm quản lý đào tạo (như EDUSOFT, các giải pháp tự phát triển) để cho phép sinh viên xem tiến độ học tập trực tuyến và cố vấn theo dõi tình hình tổng quan.

Ở cấp độ phát triển hơn, một số trường đã triển khai các nền tảng thông tin trực tuyến cho sinh viên, bao gồm các chức năng như tra cứu thông tin chương trình đào tạo, lịch học, điểm số và tiến độ hoàn thành tín chỉ. Một số trường sử dụng ứng dụng nhắn tin (Zalo, Messenger) và email nhóm để tạo kênh giao tiếp giữa cố vấn và sinh viên.

Một số trường đại học tiên phong hơn đã bắt đầu thử nghiệm các giải pháp công nghệ nâng cao hơn. Một số trường — đặc biệt là các trường đại học kỹ thuật — đã phát triển các chatbot đơn giản để trả lời câu hỏi thường gặp của sinh viên. Một số trường sử dụng dữ liệu từ hệ thống quản lý học tập (Moodle hoặc các nền tảng LMS khác) để theo dõi mức độ tham gia học tập trực tuyến và phát hiện sớm sinh viên có dấu hiệu tụt hậu.

Tuy nhiên, nhìn tổng thể, việc ứng dụng công nghệ vào cố vấn học tập tại Việt Nam vẫn còn ở giai đoạn sớm, chủ yếu ở cấp độ số hóa thông tin (digitization) thay vì chuyển đổi số thực sự (digital transformation). Hầu hết các trường chưa triển khai các hệ thống phân tích dữ liệu học tập tích hợp, hệ thống cảnh báo sớm hay các giải pháp AI-powered advising. Các rào cản chính bao gồm: thiếu hạ tầng công nghệ đồng bộ, thiếu nhân sự kỹ thuật có năng lực, thiếu nguồn tài trợ cho đổi mới công nghệ, thiếu khung pháp lý và tiêu chuẩn rõ ràng cho ứng dụng AI trong giáo dục, và đặc biệt là thiếu nhận thức về tiềm năng cũng như những rủi ro của công nghệ giáo dục.

Quy et al. (2023) đã nghiên cứu ứng dụng trí tuệ nhân tạo và chuyển đổi số tại các trường đại học Việt Nam và phát hiện rằng, mặc dù các trường đại học Việt Nam đang gia tăng đầu tư vào công nghệ giáo dục, việc ứng dụng AI trong các dịch vụ hỗ trợ sinh viên — bao gồm cố vấn học tập — vẫn còn rất hạn chế so với các nước phát triển. Nghiên cứu chỉ ra các rào cản chính bao gồm thiếu hạ tầng công nghệ, thiếu nguồn nhân lực chất lượng cao, thiếu khung chính sách hỗ trợ và đặc biệt là văn hóa quản lý giáo dục chưa ưu tiên đổi mới công nghệ.

Lê et al. (2024) đã phân tích các yếu tố ảnh hưởng đến chuyển đổi số tại các trường đại học Việt Nam và phát hiện rằng, bên cạnh các yếu tố kỹ thuật, các yếu tố như lãnh đạo chiến lược, văn hóa tổ chức và sự sẵn sàng thay đổi của đội ngũ giảng viên đóng vai trò quan trọng không kém. Điều này cho thấy rằng, đối với cố vấn học tập số tại Việt Nam, việc chỉ đầu tư vào công nghệ mà không thay đổi văn hóa tổ chức và nâng cao nhận thức về vai trò của cố vấn học tập sẽ không mang lại kết quả hiệu quả.

CHƯƠNG 2: BỨC TRANH CHUYỂN ĐỔI SỐ GIÁO DỤC ĐẠI HỌC

Chương này vẽ bức tranh toàn cảnh về chuyển đổi số giáo dục đại học trên thế giới và tại Việt Nam — bối cảnh rộng hơn trong đó cố vấn học tập số đang được phát triển và triển khai. Việc hiểu bối cảnh chuyển đổi số giáo dục là cần thiết vì cố vấn học tập số không tồn tại trong môi trường chân không; nó là một phần của phong trào chuyển đổi số giáo dục rộng lớn hơn, chịu ảnh hưởng bởi các xu hướng kinh tế, chính sách, công nghệ và xã hội. Đồng thời, bối cảnh chuyển đổi số giáo dục cũng định hình kỳ vọng và nhận thức về vai trò của công nghệ trong giáo dục — kỳ vọng mà đôi khi quá cao so với thực tế, tạo ra những "thần thoại" về khả năng của công nghệ giáo dục.

2.1. Xu hướng toàn cầu về chuyển đổi số giáo dục đại học

2.1.1. Đầu tư EdTech tăng vọt

Trong thập kỷ qua, ngành công nghệ giáo dục (EdTech) đã trải qua giai đoạn phát triển bùng nổ chưa từng thấy. Dòng vốn đầu tư vào các công ty EdTech toàn cầu tăng từ mức khoảng 4 tỷ đô la Mỹ năm 2015 lên hơn 20 tỷ đô la Mỹ vào năm 2021, với tốc độ tăng trưởng trung bình hàng năm vượt 30%. Số lượng các công ty EdTech được thành lập, các vòng gọi vốn và các thương vụ mua bán sáp nhập (M&A) trong lĩnh vực giáo dục công nghệ tăng nhanh chóng, phản ánh sự quan tâm mạnh mẽ của giới đầu tư và doanh nghiệp đối với thị trường giáo dục.

Trong lĩnh vực giáo dục đại học, các lĩnh vực đầu tư EdTech tập trung vào bao gồm: nền tảng học tập trực tuyến (online learning platforms), hệ thống quản lý học tập (LMS), công cụ cộng tác trực tuyến, hệ thống phân tích dữ liệu học tập (learning analytics), công cụ đánh giá và kiểm tra trực tuyến, và các nền tảng hỗ trợ sinh viên — trong đó có cố vấn học tập số. Đặc biệt sau đại dịch COVID-19, các nhà đầu tư đổ vốn mạnh vào các công ty cung cấp giải pháp học tập trực tuyến và hỗ trợ sinh viên từ xa, dự đoán rằng thói quen học trực tuyến được hình thành trong đại dịch sẽ tiếp tục sau khi tình trạng khẩn cấp qua đi.

Akour và Alenezi (2022) đã phân tích tương lai của giáo dục đại học trong bối cảnh chuyển đổi số và chỉ ra rằng, giáo dục đại học đang trải qua sự thay đổi mô hình kinh doanh cơ bản — từ mô hình dựa trên cơ sở vật chất (campus-based) sang mô hình kết hợp (blended) hoặc mô hình trực tuyến (online-first), từ mô hình dựa trên tương tác giữa người với người sang mô hình kết hợp giữa người và công nghệ, và từ mô hình tài chính dựa vào học phí và tài trợ công sang mô hình đa dạng nguồn thu bao gồm đối tác công tư và thương mại hóa dịch vụ giáo dục. Chuyển đổi mô hình này tạo ra cả cơ hội và rủi ro cho hoạt động cố vấn học tập — cơ hội là có thêm nguồn lực để đầu tư vào công nghệ, rủi ro là áp lực thương mại hóa có thể làm suy giảm chất lượng dịch vụ hỗ trợ sinh viên.

2.1.2. Các chiến lược chuyển đổi số tại các khu vực

Bắc Mỹ: Các trường đại học tại Hoa Kỳ và Canada là những cơ sở giáo dục tiên phong trong chuyển đổi số giáo dục đại học, đặc biệt là trong việc ứng dụng công nghệ vào hỗ trợ sinh viên và cố vấn học tập. Nhiều trường đã phát triển các "chiến lược chuyển đổi số toàn diện" (comprehensive digital transformation strategies) bao gồm đầu tư vào hạ tầng công nghệ, phát triển năng lực số cho nhân viên, tích hợp công nghệ vào giảng dạy và dịch vụ sinh viên, và xây dựng văn hóa đổi mới. Tại Hoa Kỳ, xu hướng này được thúc đẩy bởi nhiều yếu tố: áp lực cạnh tranh giữa các trường (cạnh tranh thu hút sinh viên và giữ chân sinh viên), yêu cầu về minh bạch và trách nhiệm giải trình (accountability) từ các cơ quan quản lý, và đặc biệt là sự quan tâm về tỷ lệ tốt nghiệp và thành công của sinh viên sau đại học. Các chiến lược chuyển đổi số tại Hoa Kỳ thường nhấn mạnh vào khái niệm "thành công sinh viên" (student success) — nơi cố vấn học tập số đóng vai trò như một công cụ then chốt để cải thiện tỷ lệ giữ chân (retention rate) và tỷ lệ tốt nghiệp.

Xiao (2019) đã phân tích và phê phán các "kế hoạch năm năm về chuyển đổi số" (digital transformation five-year plans) tại các trường đại học Hoa Kỳ và phát hiện ra nhiều vấn đề đáng lo ngại. Thứ nhất, các kế hoạch này thường thiếu định nghĩa rõ ràng về "chuyển đổi số" — thuật ngữ được sử dụng mơ hồ và có thể mang nhiều nghĩa khác nhau. Thứ hai, các kế hoạch thường có xu hướng "công nghệ hóa" (technologize) mọi vấn đề giáo dục — coi công nghệ như giải pháp cho mọi vấn đề, trong khi bỏ qua các yếu tố con người, tổ chức và văn hóa. Thứ ba, các kế hoạch thường thiếu cơ sở nghiên cứu vững chắc — các quyết định đầu tư công nghệ thường dựa trên các xu hướng thị trường và chiến dịch tiếp thị của các nhà cung cấp hơn là bằng chứng thực nghiệm về hiệu quả giáo dục. Xiao (2019) cảnh báo rằng, nếu không có lăng kính phê phán và đánh giá cẩn thận, các chiến lược chuyển đổi số có thể trở thành "chiếc áo mới cho nhà vua" — những kế hoạch tham vọng nhưng thiếu nội dung thực chất.

Châu Âu: Tại châu Âu, chuyển đổi số giáo dục đại học được thúc đẩy bởi chiến lược "Châu Âu Kỹ thuật số" (Digital Europe) của Ủy ban châu Âu và các chương trình như Erasmus+ và Horizon Europe. Liên minh châu Âu đã đầu tư mạnh mẽ vào các dự án nghiên cứu và đổi mới về công nghệ giáo dục, bao gồm các dự án về phân tích dữ liệu học tập, AI trong giáo dục và hệ thống hỗ trợ học tập cá nhân hóa. Tuy nhiên, tiếp cận của châu Âu có xu hướng thận trọng hơn và nhấn mạnh nhiều hơn vào các vấn đề đạo đức, quyền riêng tư và công bằng — phản ánh ảnh hưởng của khung pháp lý GDPR và truyền thống bảo vệ quyền con người tại châu Âu. Các trường đại học châu Âu thường có khuynh hướng phát triển giải pháp nội bộ hoặc hợp tác trong mạng lưới (network-based development) thay vì phụ thuộc vào các nền tảng thương mại lớn từ Hoa Kỳ.

Châu Á: Bối cảnh chuyển đổi số giáo dục đại học tại châu Á rất đa dạng, phản ánh sự đa dạng về mức độ phát triển kinh tế, hệ thống giáo dục và văn hóa. Tại Trung Quốc, chính phủ đã đầu tư mạnh mẽ vào giáo dục trực tuyến và công nghệ giáo dục, với các nền tảng như XuetangX, Zhihuishu và Rain Classroom. Nhật Bản và Hàn Quốc — với nền tảng công nghệ mạnh và hạ tầng băng rộng phát triển — đã triển khai nhiều dự án giáo dục thông minh (smart education). Đông Nam Á, với sự phát triển nhanh của thị trường EdTech tại các quốc gia như Indonesia, Philippines, Việt Nam và Thái Lan, đang trở thành một trong những thị trường giáo dục công nghệ phát triển nhanh nhất thế giới. Tuy nhiên, các quốc gia châu Á cũng đối mặt với thách thức đặc thù về bất bình đẳng tiếp cận công nghệ (digital divide) giữa các vùng miền và các nhóm thu nhập khác nhau.

2.2. Khủng hoảng COVID-19 như chất xúc tác

2.2.1. Chuyển đổi ép buộc

Đại dịch COVID-19, bùng phát vào đầu năm 2020, đã tạo ra cuộc khủng hoảng giáo dục toàn cầu chưa từng có. Theo UNESCO, vào thời điểm đỉnh điểm của đại dịch (tháng 4 năm 2020), hơn 1,5 tỷ sinh viên trên toàn thế giới — chiếm gần 90% số sinh viên toàn cầu — bị ảnh hưởng bởi việc đóng cửa trường học. Bozkurt et al. (2020) đã phân tích tác động toàn cầu của gián đoạn giáo dục do COVID-19 và sử dụng thuật ngữ "gián đoạn giáo dục toàn cầu" (global education interruption) để mô tả mức độ nghiêm trọng của cuộc khủng hoảng, đồng thời phân tích các hệ quả về tâm lý, xã hội và kinh tế đối với người học và cơ sở giáo dục.

Đối với giáo dục đại học, đại dịch buộc hàng loạt trường đại học phải chuyển đổi đột ngột từ giảng dạy và tư vấn trực tiếp sang phương thức trực tuyến — một quá trình mà Bond et al. (2021) gọi là "giảng dạy từ xa khẩn cấp" (emergency remote teaching). Cần phân biệt rõ giữa "giảng dạy từ xa khẩn cấp" và "học trực tuyến" (online learning) — trong khi học trực tuyến là một phương pháp giảng dạy được thiết kế, lên kế hoạch và triển khai có chủ đích, thì giảng dạy từ xa khẩn cấp là một giải pháp tạm thời, được triển khai trong thời gian ngắn và thường thiếu sự chuẩn bị đầy đủ. Bond et al. (2021) nhấn mạnh rằng việc gọi chuyển đổi này là "học trực tuyến" có thể tạo ra ấn tượng sai lệch — ngầm hiểu rằng đó là một trải nghiệm học tập được thiết kế tốt, trong khi thực tế nhiều trường hợp chỉ là việc chuyển từ lớp học trực tiếp sang lớp học qua Zoom mà không thay đổi phương pháp giảng dạy.

Rashid và Yadav (2020) đã phân tích tác động của COVID-19 đối với giáo dục đại học tại các quốc gia khác nhau và phát hiện ra rằng, mức độ sẵn sàng cho chuyển đổi số rất không đồng đều. Các trường đại học tại các nước phát triển, đặc biệt là những trường đã có kinh nghiệm với giáo dục trực tuyến và hạ tầng công nghệ tốt, tương đối dễ dàng thích ứng hơn so với các trường ở các nước đang phát triển. Tuy nhiên, ngay cả tại các nước phát triển, việc chuyển đổi đột ngột cũng phơi bày nhiều vấn đề: giảng viên thiếu năng lực số, sinh viên thiếu thiết bị và kết nối internet, chất lượng giảng dạy trực tuyến thấp hơn kỳ vọng, và đặc biệt là các dịch vụ hỗ trợ sinh viên — bao gồm cố vấn học tập — bị gián đoạn nghiêm trọng.

2.2.2. Bài học từ emergency remote teaching

Quá trình chuyển đổi giáo dục khẩn cấp do COVID-19 để lại nhiều bài học quan trọng cho hoạt động chuyển đổi số giáo dục đại học.

Bài học thứ nhất: Công nghệ không phải là giải pháp duy nhất. Nhiều trường đại học nhận ra rằng việc chỉ cung cấp công nghệ — Zoom, LMS, nền tảng trực tuyến — là không đủ để đảm bảo chất lượng giáo dục. Yếu tố con người — năng lực của giảng viên, động lực của sinh viên, sự hỗ trợ từ gia đình và cộng đồng — đóng vai trò quyết định. Điều này đặc biệt đúng đối với cố vấn học tập, nơi yếu tố mối quan hệ giữa người với người được coi là cốt lõi.

Bài học thứ hai: Sự bất bình đẳng kỹ thuật số được phơi bày. Đại dịch đã làm rõ hơn bao giờ hết sự bất bình đẳng trong tiếp cận công nghệ — giữa sinh viên có thiết bị và kết nối tốt và sinh viên không có; giữa sinh viên có không gian học tập yên tĩnh và sinh viên phải học trong điều kiện chật chội; giữa sinh viên có kỹ năng số tốt và sinh viên thiếu kỹ năng số. Iivari et al. (2020) đã phân tích chuyển đổi số trong đời sống hàng ngày trong bối cảnh COVID-19 và phát hiện rằng đại dịch đã tạo ra cả "khoảng cách kỹ thuật số thế hệ thứ nhất" (first-level digital divide — về tiếp cận thiết bị và mạng) và "khoảng cách kỹ thuật số thế hệ thứ hai" (second-level digital divide — về kỹ năng sử dụng và lợi ích thu được từ công nghệ). Đối với cố vấn học tập số, điều này có nghĩa là giải pháp kỹ thuật số có thể vô tình loại trừ những sinh viên cần hỗ trợ nhất.

Bài học thứ ba: Cần thời gian để chuẩn bị và thích ứng. Chuyển đổi đột ngột không cho phép thời gian để đào tạo, thử nghiệm và điều chỉnh — các yếu tố cần thiết cho việc triển khai công nghệ giáo dục thành công. Nhiều trường đại học đã học được rằng chuyển đổi số cần được lên kế hoạch cẩn thận, triển khai từng bước và liên tục đánh giá, thay vì thay đổi đột ngột.

Bài học thứ tư: Tầm quan trọng của sức khỏe tâm lý. Đại dịch đã làm tăng đáng kể các vấn đề sức khỏe tâm lý trong cộng đồng sinh viên — lo âu, trầm cảm, cô lập xã hội — và nhấn mạnh tầm quan trọng của việc hỗ trợ tâm lý xã hội trong giáo dục. Đối với cố vấn học tập, điều này có nghĩa là cố vấn cần được trang bị kỹ năng nhận diện và hỗ trợ sinh viên có vấn đề tâm lý, và các giải pháp cố vấn số cần có cơ chế chuyển tiếp sinh viên đến dịch vụ tư vấn tâm lý chuyên nghiệp khi cần thiết.

Bài học thứ năm: Giá trị của sự linh hoạt và thích ứng. Các trường đại học thành công trong việc đối phó với đại dịch thường là những trường có văn hóa linh hoạt, sẵn sàng thử nghiệm và học hỏi nhanh. Sự linh hoạt và thích ứng — chứ không chỉ công nghệ — là yếu tố then chốt để vượt qua khủng hoảng.

2.3. Chính sách và chiến lược chuyển đổi số giáo dục

2.3.1. Tổ chức quốc tế

Các tổ chức quốc tế lớn — UNESCO, OECD, Ngân hàng Thế giới — đã đóng vai trò quan trọng trong việc định hình chính sách và chiến lược chuyển đổi số giáo dục đại học.

UNESCO đã phát triển nhiều sáng kiến và khung chính sách về chuyển đổi số giáo dục, bao gồm Khung AI cho Giáo dục (AI Framework for Education) — cung cấp các hướng dẫn về ứng dụng AI trong giáo dục với trọng tâm vào đạo đức, công bằng và quyền con người. UNESCO cũng đã ban hành các khuyến nghị về bảo vệ dữ liệu sinh viên, phát triển năng lực số cho giáo viên và đảm bảo công bằng trong giáo dục kỹ thuật số. Đối với cố vấn học tập số, các khuyến nghị của UNESCO nhấn mạnh rằng công nghệ nên được sử dụng để bổ sung và tăng cường vai trò của cố vấn con người, chứ không thay thế hoàn toàn, và rằng việc thu thập và sử dụng dữ liệu sinh viên cần tuân thủ các nguyên tắc về quyền riêng tư và đồng thuận.

OECD đã thực hiện nhiều nghiên cứu và dự án về chuyển đổi số giáo dục, bao gồm dự án "Học tập học tập 2030" (Learning Framework 2030) và các báo cáo về "năng lực số" (digital competencies) cho giáo dục. OECD đặc biệt nhấn mạnh vào khía cạnh "đo lường" (measurement) — cần có các chỉ số rõ ràng và đáng tin cậy để đánh giá hiệu quả của chuyển đổi số giáo dục, thay vì chỉ dựa vào các chỉ số đầu vào như số lượng thiết bị hoặc nền tảng được triển khai.

Ngân hàng Thế giới đã hỗ trợ tài chính và kỹ thuật cho nhiều dự án chuyển đổi số giáo dục tại các nước đang phát triển, bao gồm các dự án về phát triển hạ tầng công nghệ giáo dục, xây dựng hệ thống quản lý thông tin giáo dục và đào tạo nhân sự. Ngân hàng Thế giới cũng đã cảnh báo về "thuyền nhân kỹ thuật số" (digital outcasts) — những người bị bỏ lại trong quá trình chuyển đổi số — và nhấn mạnh tầm quan trọng của việc đảm bảo công bằng trong giáo dục kỹ thuật số.

2.3.2. Chính phủ các nước

Nhiều chính phủ quốc gia đã ban hành các chiến lược và chính sách chuyển đổi số giáo dục cụ thể. Tại Hoa Kỳ, Bộ Giáo dục đã ban hành các hướng dẫn về sử dụng dữ liệu học tập và bảo vệ quyền riêng tư sinh viên (Family Educational Rights and Privacy Act — FERPA). Tại Liên minh châu Âu, khung GDPR tạo ra tiêu chuẩn cao về bảo vệ dữ liệu cá nhân, ảnh hưởng trực tiếp đến cách thức các trường đại học thu thập và sử dụng dữ liệu sinh viên cho các hệ thống phân tích học tập. Tại Anh, Khung Giáo dục Kỹ thuật số (EdTech Strategy) của Bộ Giáo dục nhấn mạnh vào việc phát triển thị trường EdTech nội địa và hỗ trợ các trường trong việc lựa chọn và sử dụng công nghệ giáo dục.

Tại châu Á, nhiều chính phủ đã ban hành các chính sách chuyển đổi số giáo dục quy mô lớn. Trung Quốc có Kế hoạch Phát triển Giáo dục Thông minh (Smart Education Development Plan), Hàn Quốc có Chiến lược Giáo dục Kỹ thuật số (Digital Education Strategy), Nhật Bản có Sáng kiến Xã hội 5.0 (Society 5.0 Initiative) bao gồm giáo dục, và Ấn Độ có Chính sách Giáo dục Quốc gia (National Education Policy) nhấn mạnh vào tích hợp công nghệ. Các chính sách này thể hiện sự cam kết chính trị mạnh mẽ đối với chuyển đổi số giáo dục, nhưng cũng đặt ra thách thức về việc triển khai thực tế — đặc biệt là tại các quốc gia có sự bất bình đẳng lớn trong tiếp cận công nghệ.

2.4. Kinh phí đầu tư EdTech và động lực thị trường

2.4.1. Thị trường EdTech toàn cầu

Thị trường công nghệ giáo dục toàn cầu đã phát triển từ một thị trường ngách thành một ngành công nghiệp trị giá hàng trăm tỷ đô la. Theo các báo cáo phân tích thị trường, quy mô thị trường EdTech toàn cầu ước tính đạt khoảng 106 tỷ đô la Mỹ vào năm 2021 và dự báo có thể đạt 377 tỷ đô la Mỹ vào năm 2028, với tốc độ tăng trưởng kép hàng năm (CAGR) khoảng 16,3%. Các phân khúc phát triển nhanh nhất bao gồm: nền tảng học tập trực tuyến, công cụ quản lý lớp học ảo, hệ thống quản lý học tập (LMS) dựa trên đám mây, và các giải pháp phân tích dữ liệu học tập.

Động lực phát triển của thị trường EdTech đến từ nhiều yếu tố: (1) quá trình số hóa toàn cầu — mọi lĩnh vực kinh tế và xã hội đang được số hóa và giáo dục không ngoại lệ; (2) nhu cầu về giáo dục xuyên suốt (lifelong learning) — khi thị trường lao động thay đổi nhanh, người lao động cần liên tục cập nhật kỹ năng, tạo ra nhu cầu cho các nền tảng học tập trực tuyến; (3) giảm chi phí công nghệ — điện toán đám mây, phần mềm mã nguồn mở và các nền tảng SaaS (Software as a Service) làm giảm rào cản gia nhập thị trường; và (4) tác động của COVID-19 — đại dịch đã "bình thường hóa" học trực tuyến và tăng tốc độ tiếp nhận công nghệ giáo dục.

2.4.2. Vấn đề "thị trường người bán" (seller's market)

Một đặc điểm đáng chú ý của thị trường EdTech giáo dục đại học là xu hướng "thị trường người bán" (seller's market) — nơi các nhà cung cấp công nghệ có vị thế đàm phán mạnh hơn các cơ sở giáo dục. Teräs et al. (2020) đã phân tích hiện tượng "giải pháp luận" (solutionism) trong công nghệ giáo dục sau COVID-19 và cảnh báo rằng, trong bối cảnh khẩn cấp và áp lực chuyển đổi số, nhiều trường đại học có xu hướng chấp nhận các giải pháp công nghệ một cách vội vàng mà không đánh giá kỹ lưỡng hiệu quả, phù hợp và rủi ro.

Nhiều yếu tố góp phần tạo ra "thị trường người bán" trong EdTech giáo dục đại học. Thứ nhất, thông tin bất cân xứng — các nhà cung cấp công nghệ thường hiểu rõ hơn về sản phẩm của mình so với hiểu biết của trường đại học về công nghệ. Thứ hai, áp lực đồng辈 (peer pressure) — các trường đại học sợ bị tụt lại so với các đối thủ cạnh tranh nếu không áp dụng công nghệ mới. Thứ ba, marketing mạnh mẽ — các công ty EdTech sử dụng các chiến dịch tiếp thị rầm rộ, với những lời hứa hẹn đầy hấp dẫn và các nghiên cứu ca điển hình được chọn lọc cẩn thận. Thứ tư, thiếu chuyên môn nội bộ — nhiều trường đại học không có đội ngũ chuyên gia kỹ thuật đủ mạnh để đánh giá độc lập các giải pháp công nghệ.

Đối với cố vấn học tập số, "thị trường người bán" tạo ra nhiều rủi ro. Các trường đại học có thể bị thuyết phục đầu tư vào các nền tảng cố vấn học tập số đắt tiền mà không có đủ bằng chứng về hiệu quả. Các nhà cung cấp công nghệ có thể thiết kế sản phẩm theo lợi ích thương mại của họ hơn là theo nhu cầu thực tế của sinh viên và cố vấn. Và sự phụ thuộc vào các nền tảng thương mại có thể tạo ra rủi ro về khóa nhà cung cấp (vendor lock-in) — khi trường đại học trở nên phụ thuộc vào một nền tảng cụ thể và việc chuyển đổi sang nền tảng khác trở nên quá tốn kém.

Teräs et al. (2020) cũng nhấn mạnh rằng, sau COVID-19, nhiều công ty EdTech đã tận dụng tình trạng khẩn cấp để đẩy mạnh bán hàng, sử dụng chiến lược "fear of missing out" (FOMO) — tạo tâm lý lo sợ bị bỏ lại để thúc đẩy quyết định mua hàng. Điều này đặc biệt nguy hiểm đối với các quốc gia đang phát triển, nơi cơ sở kiến thức về công nghệ giáo dục còn hạn chế và nguồn lực để đánh giá độc lập các giải pháp công nghệ còn yếu.

2.5. Bối cảnh Việt Nam

2.5.1. Khung chính sách chuyển đổi số

Việt Nam đã ban hành nhiều chính sách quan trọng nhằm thúc đẩy chuyển đổi số toàn diện, bao gồm giáo dục. Các chính sách này tạo ra khung pháp lý và định hướng chiến lược cho chuyển đổi số giáo dục đại học tại Việt Nam.

Quyết định 131/QĐ-TTg (ngày 25/6/2020) của Thủ tướng Chính phủ về "Chương trình chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030" là văn kiện chiến lược quan trọng nhất, đặt ra mục tiêu tổng quát về chuyển đổi số trên toàn xã hội. Trong lĩnh vực giáo dục, chương trình nhấn mạnh việc số hóa tài liệu giáo dục, xây dựng cơ sở dữ liệu giáo dục quốc gia, phát triển nền tảng giáo dục trực tuyến và nâng cao năng lực số cho giáo viên và sinh viên. Chương trình cũng đặt ra các chỉ tiêu cụ thể, bao gồm 100% dịch vụ công trực tuyến cấp 4 tại các cơ sở giáo dục và 100% trường học kết nối internet băng thông rộng.

Đề án phát triển ứng dụng dữ liệu dân cư liên quan mật thiết đến chuyển đổi số giáo dục, đặc biệt trong việc xác thực danh tính sinh viên và quản lý hồ sơ học tập điện tử. Việc tích hợp dữ liệu dân cư với hệ thống giáo dục có tiềm năng đơn giản hóa nhiều quy trình hành chính, bao gồm đăng ký nhập học, xác nhận thông tin sinh viên và phát hành văn bằng — nhưng cũng đặt ra câu hỏi về quyền riêng tư và bảo mật dữ liệu.

Thông tư 10/2021/TT-BGDĐT của Bộ Giáo dục và Đào tạo về chuyển đổi số trong lĩnh vực giáo dục quy định cụ thể các nội dung chuyển đổi số đối với các cơ sở giáo dục, bao gồm: xây dựng hạ tầng công nghệ thông tin, phát triển nền tảng quản lý giáo dục, số hóa tài liệu và học liệu, đào tạo và bồi dưỡng năng lực số cho đội ngũ, và ứng dụng công nghệ trong quản lý và giảng dạy. Đối với giáo dục đại học, thông tư đặt ra yêu cầu về xây dựng "trường đại học thông minh" (smart university) — mô hình đại học tích hợp công nghệ vào mọi hoạt động cốt lõi, bao gồm giảng dạy, nghiên cứu, quản lý và dịch vụ sinh viên.

2.5.2. Các trường đại học Việt Nam trong chuyển đổi số

Các trường đại học Việt Nam đã có những bước tiến khác nhau trong chuyển đổi số, phụ thuộc vào nguồn lực, nhận thức và mức độ sẵn sàng của từng cơ sở.

Các trường đại học tiên phong — bao gồm Đại học Quốc gia Hà Nội, Đại học Quốc gia Thành phố Hồ Chí Minh, Đại học Bách khoa Hà Nội, Đại học Cần Thơ và một số trường đại học trẻ như Đại học Tôn Đức Thắng, Đại học FPT — đã phát triển các chiến lược chuyển đổi số tương đối toàn diện, bao gồm đầu tư vào hạ tầng công nghệ, phát triển nền tảng học tập trực tuyến, xây dựng hệ thống quản lý thông tin và đào tạo năng lực số cho giảng viên. Một số trường đã triển khai các hệ thống quản lý học vụ điện tử, nền tảng học tập trực tuyến (Moodle hoặc tự phát triển) và các công cụ hỗ trợ sinh viên trực tuyến.

Các trường đại học thuộc nhóm trung bình — chiếm phần lớn các trường đại học tại Việt Nam — đã có những bước đầu trong số hóa, chủ yếu ở mức số hóa thông tin (digitization): chuyển từ hồ sơ giấy sang hồ sơ điện tử, sử dụng email và ứng dụng nhắn tin cho giao tiếp, và sử dụng phần mềm quản lý đào tạo cơ bản. Tuy nhiên, việc tích hợp công nghệ vào giảng dạy và dịch vụ sinh viên vẫn còn hạn chế.

Các trường đại học thuộc nhóm chậm — đặc biệt là các trường cao đẳng, các trường ngoài công lập nhỏ và các trường ở vùng sâu vùng xa — vẫn đối mặt với nhiều khó khăn trong chuyển đổi số, bao gồm thiếu hạ tầng công nghệ cơ bản, thiếu nguồn nhân lực kỹ thuật và thiếu ngân sách đầu tư.

Nguyễn-Anh et al. (2022) đã nghiên cứu chuyển đổi số và học trực tuyến tại các trường đại học Việt Nam và phát hiện rằng, đại dịch COVID-19 đã tạo ra động lực mạnh mẽ cho chuyển đổi số, nhưng hiệu quả khác biệt rất nhiều giữa các trường. Các trường có sự chuẩn bị trước đại dịch (đã có hạ tầng công nghệ, đã đào tạo giảng viên) thích ứng nhanh hơn và hiệu quả hơn, trong khi các trường chưa chuẩn bị gặp nhiều khó khăn hơn. Nghiên cứu cũng phát hiện ra rằng, ngay cả khi hạ tầng công nghệ đã được cải thiện, thách thức lớn nhất không phải là công nghệ mà là sự thay đổi trong tư duy và phương pháp giảng dạy — yếu tố đòi hỏi thời gian dài hơn để thay đổi.

Tăng và Tiên (2020) đã phân tích chuyển đổi số và phương pháp kết hợp (blended learning) tại các trường đại học Việt Nam và phát hiện ra rằng, phương pháp kết hợp — kết hợp giảng dạy trực tiếp và trực tuyến — được coi là mô hình phù hợp nhất với bối cảnh Việt Nam, ít nhất là trong giai đoạn hiện tại. Đối với cố vấn học tập, điều này có ý nghĩa rằng mô hình phù hợp nhất có thể là kết hợp giữa cố vấn truyền thống và cố vấn số — tận dụng ưu điểm của cả hai phương thức thay vì thay thế hoàn toàn mô hình truyền thống bằng mô hình kỹ thuật số.

Ước (2023) đã phân tích chuyển đổi số tại Việt Nam trong bối cảnh hiện tại và phát hiện ra rằng, mặc dù Việt Nam đã đạt được nhiều thành tựu trong chuyển đổi số — đặc biệt là trong các dịch vụ công trực tuyến và thương mại điện tử — giáo dục vẫn là một trong những lĩnh vực chuyển đổi số chậm hơn so với các lĩnh vực khác. Nguyên nhân bao gồm: đặc thù của giáo dục — đòi hỏi tương tác giữa người với người và không thể hoàn toàn "số hóa"; hệ thống quản lý giáo dục cứng nhắc — quy chế, chương trình đào tạo và phương pháp đánh giá thay đổi chậm; và nguồn lực đầu tư hạn chế — ngân sách cho giáo dục, đặc biệt là cho công nghệ giáo dục, còn thấp so với nhu cầu.

Lê et al. (2024) đã nghiên cứu các yếu tố ảnh hưởng đến chuyển đổi số tại các trường đại học Việt Nam và phân loại các yếu tố này thành ba nhóm: (1) yếu tố công nghệ — hạ tầng công nghệ thông tin, khả năng tiếp cận thiết bị và kết nối; (2) yếu tố con người — năng lực số của lãnh đạo, giảng viên và nhân viên, thái độ đối với thay đổi, động lực đổi mới; và (3) yếu tố tổ chức — cấu trúc quản lý, văn hóa tổ chức, quy trình và chính sách nội bộ. Nghiên cứu phát hiện rằng, yếu tố con người và yếu tố tổ chức thường đóng vai trò quan trọng hơn yếu tố công nghệ — một phát hiện phù hợp với mô hình T-O-E (Technology-Organization-Environment) trong nghiên cứu chuyển đổi số.

Quy et al. (2023) đã nghiên cứu ứng dụng trí tuệ nhân tạo và chuyển đổi số tại các trường đại học Việt Nam và phát hiện ra rằng, ứng dụng AI trong giáo dục đại học Việt Nam vẫn còn ở giai đoạn sớm — chủ yếu ở cấp độ tự động hóa quy trình đơn giản và cung cấp thông tin. Các ứng dụng nâng cao hơn như phân tích dữ liệu học tập tích hợp, hệ thống cảnh báo sớm và cố vấn học tập dựa trên AI vẫn còn rất hạn chế. Nghiên cứu chỉ ra các rào cản chính bao gồm: thiếu nguồn nhân lực chất lượng cao trong lĩnh vực AI và phân tích dữ liệu, thiếu dữ liệu chất lượng để huấn luyện mô hình (nhiều trường chưa có hệ thống quản lý học tập trực tuyến tạo đủ dữ liệu), thiếu khung pháp lý và tiêu chuẩn cho ứng dụng AI trong giáo dục, và thiếu kinh nghiệm triển khai thực tế.

2.5.3. Cơ hội và thách thức cho cố vấn học tập số tại Việt Nam

Bối cảnh chuyển đổi số giáo dục tại Việt Nam tạo ra cả cơ hội và thách thức đặc thù cho việc phát triển cố vấn học tập số.

Về cơ hội: Khung chính sách chuyển đổi số mạnh mẽ của chính phủ tạo ra động lực và nguồn lực (ít nhất là về mặt định hướng) cho các trường đại học đầu tư vào công nghệ giáo dục. Sự phát triển nhanh của hạ tầng viễn thông và băng rộng tại Việt Nam — với tỷ lệ người dùng internet đạt hơn 70% dân số — tạo ra điều kiện thuận lợi cho việc triển khai các giải pháp trực tuyến. Sự gia tăng của thế hệ sinh viên "bản địa số" (digital natives) — những người sinh viên quen thuộc với công nghệ và có kỳ vọng cao về dịch vụ kỹ thuật số — tạo ra nhu cầu thị trường cho các giải pháp cố vấn số. Và kinh nghiệm từ đại dịch COVID-19 đã tạo ra nhận thức về tầm quan trọng của công nghệ trong giáo dục và tăng tốc độ tiếp nhận công nghệ tại nhiều trường đại học.

Về thách thức: Bất bình đẳng kỹ thuật số giữa các vùng miền và các nhóm sinh viên — sinh viên ở vùng nông thôn, sinh viên thuộc gia đình thu nhập thấp, sinh viên dân tộc thiểu số — có thể bị loại khỏi dịch vụ cố vấn số, tạo ra sự bất công mới. Năng lực số của đội ngũ giảng viên và nhân viên — nhiều người chưa có kỹ năng cần thiết để sử dụng và quản lý các hệ thống cố vấn số. Thiếu dữ liệu lịch sử chất lượng — nhiều trường chưa có đủ dữ liệu học tập điện tử để xây dựng các mô hình phân tích và dự đoán đáng tin cậy. Văn hóa giáo dục đặc thù — trong đó mối quan hệ giữa giảng viên và sinh viên mang tính "thầy trò" truyền thống, có thể ảnh hưởng đến cách tiếp nhận các giải pháp cố vấn kỹ thuật số. Và đặc biệt, thiếu nghiên cứu và bằng chứng thực nghiệm trong bối cảnh Việt Nam — phần lớn các nghiên cứu về cố vấn học tập số đến từ phương Tây, và việc áp dụng trực tiếp các kết quả này vào bối cảnh Việt Nam mà không điều chỉnh có thể dẫn đến các quyết định không phù hợp.

Nhìn tổng thể, bối cảnh chuyển đổi số giáo dục đại học tại Việt Nam tạo ra một môi trường đầy tiềm năng nhưng cũng nhiều rủi ro cho việc phát triển cố vấn học tập số. Thành công hay thất bại của cố vấn học tập số tại Việt Nam sẽ phụ thuộc vào việc các trường đại học có thể cân bằng giữa nhiệt huyết đổi mới và sự thận trọng phê phán, giữa đầu tư công nghệ và phát triển con người, và giữa việc tiếp thu kinh nghiệm quốc tế và xây dựng giải pháp phù hợp với bối cảnh địa phương.

Cố vấn học tập số: lời nói dối từ phong trào chuyển đổi số giáo dục đại học

PHẦN II — CHƯƠNG 3 VÀ CHƯƠNG 4

---

CHƯƠNG 3: NHỮNG LỜI HỨA HẸN CỦA CỐ VẤN HỌC TẬP SỐ

3.1. "Cá nhân hóa học tập" cho mọi sinh viên

3.1.1. Lời hứa về lộ trình học tập thiết kế riêng

Trong bối cảnh chuyển đổi số giáo dục đại học toàn cầu, "cá nhân hóa học tập" (personalised learning) nổi lên như một trong những lời hứa hẹn vĩ đại nhất và được tuyên bố nhiều nhất của các nhà cung cấp công nghệ giáo dục. Lời hứa này xây dựng trên một quan điểm thu hút mạnh mẽ: thay vì áp dụng một chương trình học tập chung cho hàng ngàn sinh viên, công nghệ sẽ cho phép mỗi sinh viên nhận được một lộ trình học tập được thiết kế riêng biệt, phù hợp với năng lực, sở thích, tốc độ tiếp thu và mục tiêu nghề nghiệp của riêng người đó. Các nền tảng cố vấn học tập số tự xưng có khả năng sử dụng trí tuệ nhân tạo (AI) để phân tích hồ sơ học tập, kết quả đánh giá, hành vi tương tác trên hệ thống quản lý học tập (LMS) và nhiều dữ liệu khác nhằm đề xuất các môn học, lộ trình tiến độ và nguồn tài liệu phù hợp nhất cho từng cá nhân.

Theo Selwyn và Gašević (2020), quá trình "định dạng dữ liệu" (datafication) giáo dục đại học đã tạo ra một niềm tin lan rộng rằng dữ liệu sinh viên có thể được chuyển hóa thành hiểu biết sâu sắc về quá trình học tập của từng cá nhân, từ đó cho phép thiết kế các trải nghiệm học tập mang tính cá nhân hóa cao. Các nhà cung cấp công nghệ giáo dục, từ các tập đoàn đa quốc gia đến các startup giáo dục công nghệ (edtech), đã không ngừng phát triển và tiếp thị các giải pháp "adaptive learning" (học tập thích ứng) với lời cam kết rằng thuật toán sẽ tự động điều chỉnh nội dung, tốc độ và phương pháp giảng dạy theo nhu cầu của từng sinh viên. Hệ thống quảng cáo của các nền tảng này thường sử dụng những hình ảnh minh họa sinh viên đang mỉm cười trước màn hình hiển thị biểu đồ tiến trình cá nhân, kèm theo thông điệp rằng "mỗi sinh viên đều có một lộ trình riêng".

3.1.2. Học tập thích ứng (adaptive learning) và khái niệm kỹ thuật

Học tập thích ứng là một phương pháp tiếp cận giáo dục sử dụng công nghệ máy tính để điều chỉnh việc trình bày nội dung học tập dựa trên phản hồi và hiệu suất của người học. Về mặt kỹ thuật, các hệ thống adaptive learning hoạt động dựa trên các mô hình kiến thức (knowledge models) — cấu trúc biểu diễn các khái niệm và mối quan hệ giữa chúng — cùng các thuật toán điều chỉnh nội dung. Khi sinh viên làm bài kiểm tra hoặc hoàn thành bài tập trên hệ thống, thuật toán phân tích câu trả lời để xác định mức độ hiểu bài, sau đó chọn nội dung tiếp theo phù hợp với trình độ hiện tại: nội dung mới nếu sinh viên đã thành thạo, nội dung củng cố nếu còn lỗ hổng kiến thức, hoặc nội dung nâng cao nếu sinh viên vượt trội.

Các nhà cung cấp công nghệ giáo dục lớn đã xây dựng các hệ thống adaptive learning dựa trên các mô hình toán học phức tạp, bao gồm Item Response Theory (IRT), Bayesian Knowledge Tracing và mạng Bayes. Tsai, Perrotta và Gašević (2019) đã phân tích cách tiếp cận cá nhân hóa học tập từ góc nhìn trao quyền cho người học và chỉ ra rằng các hệ thống này hứa hẹn giải quyết một trong những thách thức lâu đời nhất của giáo dục: làm sao để một người giảng viên có thể đáp ứng nhu cầu khác biệt của hàng chục, hàng trăm sinh viên cùng một lúc.

Guerrero-Roldán, Rodríguez-González và Bañeres (2021) đã báo cáo về kinh nghiệm sử dụng một hệ thống thông minh thích ứng (adaptive intelligent system) trong môi trường giáo dục đại học, trong đó hệ thống phân tích hành vi của sinh viên trên nền tảng học tập trực tuyến để cung cấp các khuyến nghị cá nhân hóa. Nghiên cứu của họ cho thấy hệ thống có khả năng nhận diện các mẫu hành vi học tập và đề xuất các hoạt động phù hợp, nhưng đồng thời cũng làm nổi bật các giới hạn trong việc thực sự hiểu bối cảnh cá nhân của sinh viên — một khía cạnh mà các nhà cung cấp công nghệ thường ít đề cập đến trong các chiến dịch tiếp thị.

3.1.3. Khuyến nghị môn học dựa trên AI

Một khía cạnh quan trọng khác của lời hứa cá nhân hóa là hệ thống khuyến nghị môn học (course recommendation) dựa trên AI. Các nền tảng cố vấn học tập số tuyên bố có khả năng phân tích điểm số trong quá khứ, kết quả đánh giá năng lực, sở thích đã bày tỏ và thậm chí cả xu hướng thị trường lao động để đề xuất các môn học và chương trình chuyên ngành tối ưu cho từng sinh viên. Mô hình khuyến nghị này tương tự như cách các nền tảng thương mại điện tử đề xuất sản phẩm hoặc các nền tảng phát trực tiếp đề xuất nội dung — nhưng được áp dụng vào bối cảnh giáo dục với mức độ ảnh hưởng sâu hơn đáng kể đối với tương lai của sinh viên.

Các hệ thống này thường hoạt động dựa trên kỹ thuật lọc cộng tác (collaborative filtering), lọc nội dung (content-based filtering) hoặc kết hợp cả hai phương pháp. Lọc cộng tác dựa trên nguyên lý rằng sinh viên có hồ sơ tương đồng sẽ có nhu cầu tương tự, trong khi lọc nội dung phân tích đặc điểm của các môn học để phù hợp với hồ sơ năng lực của sinh viên. Các nhà cung cấp công nghệ khẳng định rằng kết hợp cả hai phương pháp này với dữ liệu hành vi học tập thời gian thực sẽ tạo ra những khuyến nghị ngày càng chính xác.

3.1.4. Giả định nền tảng: dữ liệu đủ thì thuật toán tối ưu

Đằng sau tất cả những lời hứa hẹn về cá nhân hóa học tập là một giả định nền tảng sâu xa và thường không được kiểm chứng đầy đủ: nếu ta thu thập đủ dữ liệu về sinh viên, thuật toán sẽ tự động tối ưu hóa trải nghiệm học tập cho từng cá nhân. Giả định này mang tính công nghệ quyết định (technological determinism) — niềm tin rằng công nghệ, bằng bản chất của nó, sẽ tự động tạo ra kết quả tích cực khi được triển khai đúng cách.

Giả định này dựa trên một chuỗi logic hấp dẫn nhưng có nhiều mắt xích yếu: dữ liệu hành vi học tập phản ánh chính xác quá trình nhận thức của sinh viên; thuật toán máy học có khả năng trích xuất các mẫu có ý nghĩa từ dữ liệu này; và các khuyến nghị dựa trên các mẫu đó thực sự tối ưu cho kết quả học tập. Mỗi mắt xích trong chuỗi logic này đều có những giới hạn đáng kể mà các nhà cung cấp công nghệ thường không đề cập rõ ràng. Dữ liệu hành vi (như thời gian xem video, số lần đăng nhập, tần suất tương tác với bài giảng) chỉ là biến đại diện (proxy) gián tiếp cho quá trình học tập thực sự. Thuật toán có thể phát hiện các mối tương quan thống kê nhưng không thể xác định quan hệ nhân quả. Và ngay cả khi khuyến nghị là "tối ưu" theo một số tiêu chí thống kê, nó có thể không phù hợp với bối cảnh cá nhân, hoàn cảnh gia đình, sức khỏe tâm lý hay mục tiêu nghề nghiệp thay đổi của sinh viên.

Về bản chất, lời hứa cá nhân hóa học tập phản ánh một sự đơn giản hóa đáng lo ngại về bản chất của quá trình giáo dục. Giáo dục không chỉ là việc truyền đạt nội dung kiến thức ở mức độ phù hợp; nó còn là quá trình tương tác xã hội, phát triển tư duy phản biện, xây dựng nhận diện nghề nghiệp và hình thành khả năng tự điều chỉnh học tập — tất cả những yếu tố mà hệ thống adaptive learning hiện tại có khả năng rất hạn chế trong việc hỗ trợ một cách có ý nghĩa.

3.2. "Dữ liệu điều khiển ra quyết định" chính xác

3.2.1. Phân tích học tập (learning analytics) và cố vấn dựa trên dữ liệu

Lời hứa hẹn thứ hai — và có lẽ là lời hứa có sức hấp dẫn mạnh mẽ nhất đối với giới quản lý giáo dục đại học — là khả năng phân tích học tập (learning analytics) sẽ cho phép cố vấn học tập ra quyết định dựa trên dữ liệu thực tế thay vì dựa vào trực giác, kinh nghiệm cá nhân hay các phương pháp đánh giá chủ quan. Theo Ifenthaler và Yau (2020), learning analytics được định nghĩa là "phép đo, thu thập, phân tích và báo cáo dữ liệu về người học và bối cảnh của họ nhằm mục đích hiểu và tối ưu hóa học tập và môi trường mà nó diễn ra". Trong bối cảnh cố vấn học tập, điều này có nghĩa là thay vì dựa vào cuộc trò chuyện với sinh viên hay quan sát trực tiếp — những phương pháp bị hạn chế bởi thời gian và thiên kiến nhận thức của cố vấn — hệ thống số sẽ cung cấp các phân tích dựa trên dữ liệu khách quan về hiệu suất và hành vi học tập của sinh viên.

Fayoumi và Hajjar (2020) đã phân tích cách tiếp cận phân tích học tập nâng cao (advanced learning analytics) trong giáo dục đại học và chỉ ra rằng các hệ thống này hứa hẹn chuyển đổi quá trình cố vấn từ một hoạt động chủ quan, phụ thuộc vào kinh nghiệm cá nhân thành một hoạt động có hệ thống, minh bạch và có thể đo lường. Các bảng điều khiển trực quan (dashboards) hiển thị dữ liệu học tập cho phép cố vấn nhanh chóng nhận diện sinh viên đang gặp khó khăn, theo dõi tiến độ và đo lường hiệu quả của các can thiệp.

3.2.2. Mô hình dự đoán và bảng điều khiển trực quan

Trọng tâm của lời hứa "dữ liệu điều khiển ra quyết định" là các mô hình dự đoán (predictive modeling). Các hệ thống cố vấn học tập số tuyên bố có khả năng dự đoán kết quả học tập — điểm số, tỷ lệ hoàn thành môn học, khả năng tốt nghiệp — dựa trên dữ liệu lịch sử và dữ liệu hành vi hiện tại. Các mô hình này sử dụng nhiều kỹ thuật khác nhau, từ hồi quy logistic đơn giản đến mạng nơ-ron nhân tạo sâu (deep neural networks), để phân tích hàng trăm thậm chí hàng ngàn biến — điểm số trước đây, thời gian tương tác với hệ thống, tần suất tham gia thảo luận, thời gian nộp bài, và nhiều biến khác.

Kết quả phân tích được trình bày thông qua các bảng điều khiển trực quan (dashboards) — giao diện đồ họa hiển thị các chỉ số học tập dưới dạng biểu đồ, chỉ báo màu sắc và cảnh báo. Các bảng điều khiển này thường phân loại sinh viên theo mức độ rủi ro: xanh (an toàn), vàng (cần theo dõi), đỏ (cần can thiệp ngay), cho phép cố vấn nhanh chóng ưu tiên nguồn lực. Các nhà cung cấp công nghệ khẳng định rằng các bảng điều khiển này cung cấp "bức tranh toàn cảnh 360 độ" về mỗi sinh viên, giúp cố vấn ra quyết định chính xác và kịp thời hơn nhiều so với phương pháp truyền thống.

3.2.3. Giả định: dữ liệu mang tính khách quan và chính xác

Giả định nền tảng đằng sau lời hứa này là dữ liệu mang tính khách quan, chính xác và đầy đủ — do đó, quyết định dựa trên dữ liệu sẽ luôn ưu việt hơn quyết định dựa trên trực giác con người. Giả định này phù hợp với xu hướng quản lý dựa trên dữ liệu (data-driven management) đã phổ biến trong nhiều lĩnh vực, từ kinh doanh đến y tế. Trong giáo dục đại học, nó được thúc đẩy bởi áp lực phải chứng minh hiệu quả, đáp ứng các yêu cầu kiểm định chất lượng và cạnh tranh thu hút sinh viên.

Tuy nhiên, Selwyn và Gašević (2020) đã cảnh báo rằng sự "định dạng dữ liệu" giáo dục không phải là một quá trình trung lập về mặt kỹ thuật mà là một quá trình mang tính chính trị và xã hội. Việc quyết định những gì được đo lường, cách đo lường như thế nào và dữ liệu đó được sử dụng ra sao đều phản ánh những lựa chọn giá trị nhất định — thường là lựa chọn của những người thiết kế hệ thống và quản lý trường đại học chứ không phải của sinh viên hay cố vấn. Những dữ liệu được thu thập (ví dụ: thời gian đăng nhập, điểm số bài kiểm tra) chỉ phản ánh một phần rất nhỏ của trải nghiệm học tập thực sự, bỏ qua các yếu tố như động lực học tập, bối cảnh cá nhân, sức khỏe tâm lý và các yếu tố xã hội kinh tế ảnh hưởng đến kết quả học tập.

Ngoài ra, giả định về tính khách quan của dữ liệu bỏ qua thực tế rằng dữ liệu không tự nhiên tồn tại mà được tạo ra thông qua các quy trình cụ thể — quy trình có thể giới thiệu lỗi, thiên kiến và sai lệch ở nhiều giai đoạn khác nhau: từ thiết kế cách thu thập, qua việc tự động hóa xử lý, đến cách trình bày trên bảng điều khiển. Việc một sinh viên có điểm số thấp trong bài kiểm tra trực tuyến có thể phản ánh nhiều nguyên nhân khác nhau — từ thiếu kiến thức cơ bản, qua gặp khó khăn với giao diện công nghệ, đến hoàn cảnh gia đình khó khăn ảnh hưởng đến tâm lý — nhưng dữ liệu thường không phân biệt được các nguyên nhân này.

3.3. "Phòng thủ sinh viên" chủ động (early alert)

3.3.1. Hệ thống phát hiện sớm sinh viên gặp khó khăn

Lời hứa thứ ba của cố vấn học tập số — và có lẽ là lời hứa có sức hấp dẫn mạnh mẽ nhất đối với cả quản lý trường đại học lẫn sinh viên — là khả năng "phòng thủ sinh viên" chủ động thông qua các hệ thống cảnh báo sớm (early alert systems hay early warning systems). Các hệ thống này hứa hẹn phát hiện những dấu hiệu cho thấy sinh viên đang gặp khó khăn trong học tập — trước khi sinh viên đó thất bại một môn học, trước khi sinh viên đó nộp đơn xin rút học phí, trước khi sinh viên đó quyết định bỏ học — để cố vấn có thể can thiệp kịp thời.

Theo Ifenthaler và Yau (2020), các hệ thống cảnh báo sớm trong giáo dục đại học dựa trên nguyên lý rằng kết quả học tập kém không xảy ra đột ngột mà thường được báo trước bởi các dấu hiệu hành vi có thể nhận diện: giảm tần suất đăng nhập hệ thống, nộp bài trễ, điểm bài kiểm tra giữa kỳ giảm, giảm tương tác trong thảo luận trực tuyến, và nhiều dấu hiệu khác. Bằng cách theo dõi liên tục các hành vi này, hệ thống có thể phát hiện những "mẫu hành vi nguy hiểm" (at-risk behavioral patterns) và tự động cảnh báo cố vấn hoặc thậm chí gửi thông báo trực tiếp cho sinh viên.

Các nhà cung cấp công nghệ giáo dục tiếp thị các hệ thống cảnh báo sớm với các con số ấn tượng: tỷ lệ cảnh báo chính xác, tăng tỷ lệ giữ chân sinh viên (retention rate), giảm tỷ lệ bỏ học. Một số công ty tuyên bố rằng hệ thống của họ có thể giảm tỷ lệ bỏ học lên mức đáng kể — những con số mà các trường đại học đang đối mặt với áp lực tài chính và cạnh tranh sinh viên rất khó cưỡng lại.

3.3.2. Behavioral nudges (cú hích hành vi)

Một khía cạnh quan trọng của các hệ thống cảnh báo sớm là việc sử dụng "cú hích hành vi" (behavioral nudges) — các can thiệp nhỏ, tinh tế nhằm định hướng hành vi của sinh viên mà không hạn chế tự do lựa chọn của họ. Khái niệm "nudge" (cú hích) bắt nguồn từ kinh tế học hành vi (behavioral economics) và đã được ứng dụng rộng rãi trong nhiều lĩnh vực chính sách công. Trong giáo dục, nudges thường bao gồm các tin nhắn nhắc nhở (reminders), thông báo khuyến khích (encouragement), hoặc thông tin so sánh xã hội (social comparison) gửi tự động cho sinh viên qua email, tin nhắn hoặc ứng dụng di động.

Ví dụ, một hệ thống cảnh báo sớm có thể gửi tin nhắn cho sinh viên: "Bạn đã nộp 3 trong số 5 bài tập. Hãy hoàn thành 2 bài còn lại trước hạn chót để đạt điểm tối đa." Hoặc: "85% sinh viên khác trong lớp đã hoàn thành bài đọc trước buổi học. Bạn đã sẵn sàng chưa?" Các nhà cung cấp công nghệ hứa hẹn rằng những can thiệp nhỏ này, khi được gửi đúng lúc và với nội dung phù hợp, có thể tạo ra thay đổi đáng kể trong hành vi học tập mà không cần đến sự can thiệp trực tiếp từ cố vấn hay giảng viên.

Tsai, Perrotta và Gašević (2019) đã phân tích cách tiếp cận cá nhân hóa học tập và chỉ ra rằng các can thiệp dựa trên dữ liệu có tiềm năng hỗ trợ người học, nhưng đồng thời nhấn mạnh tầm quan trọng của việc hiểu rõ bối cảnh cá nhân trước khi áp dụng bất kỳ can thiệp nào. Một thông báo nhắc nhở đơn giản có thể hữu ích cho sinh viên đang thiếu kỷ luật tự giác, nhưng có thể gây áp lực tâm lý bất lợi cho sinh viên đang gặp vấn đề sức khỏe tâm thần hay hoàn cảnh gia đình khó khăn.

3.3.3. Lời cam kết về tỷ lệ giữ chân sinh viên (retention rates)

Từ góc độ quản lý trường đại học, lời hứa hấp dẫn nhất của các hệ thống cảnh báo sớm là khả năng tăng tỷ lệ giữ chân sinh viên (retention rate) — tỷ lệ sinh viên tiếp tục theo học từ năm này sang năm khác cho đến khi tốt nghiệp. Tỷ lệ giữ chân sinh viên là một trong những chỉ số quan trọng nhất trong giáo dục đại học, ảnh hưởng trực tiếp đến doanh thu học phí, xếp hạng trường đại học và uy tín với các cơ quan kiểm định chất lượng.

Các nhà cung cấp công nghệ thường trình bày các nghiên cứu ca (case studies) cho thấy trường đại học X đã tăng tỷ lệ giữ chân sinh viên sau khi triển khai hệ thống cảnh báo sớm. Những nghiên cứu ca này thường được công bố dưới dạng báo cáo trắng (white papers), bài đăng blog hoặc bài thuyết trình tại hội nghị — ít khi được kiểm duyệt bởi các hội đồng khoa học (peer review) độc lập. Mặc dù vậy, chúng đóng vai trò quan trọng trong việc thuyết phục các trường đại học đầu tư vào công nghệ cố vấn học tập số.

Fayoumi và Hajjar (2020) đã phân tích cách tiếp cận phân tích học tập nâng cao trong giáo dục và chỉ ra rằng các mô hình dự đoán có thể cung cấp thông tin hữu ích, nhưng hiệu quả của các can thiệp dựa trên dự đoán đó phụ thuộc rất lớn vào cách thức thực hiện can thiệp, năng lực của nhân viên cố vấn và đặc biệt là sự sẵn sàng tiếp nhận của sinh viên. Tức là, ngay cả khi hệ thống dự đoán chính xác một sinh viên đang gặp khó khăn, việc can thiệp có hiệu quả hay không còn phụ thuộc vào nhiều yếu tố con người mà công nghệ không thể kiểm soát.

3.4. "Công bằng tiếp cận" — Công nghệ xóa bỏ rào cản

3.4.1. Lời hứa về bình đẳng hóa giáo dục

Lời hứa thứ tư của cố vấn học tập số xoay quanh khái niệm "công bằng tiếp cận" (equity of access) — ý tưởng rằng công nghệ có khả năng loại bỏ các rào cản truyền thống đối với dịch vụ cố vấn học tập, bao gồm rào cản địa lý, thời gian và nguồn lực. Theo cách tiếp cận này, các nền tảng cố vấn học tập số cho phép mọi sinh viên — bất kể vị trí địa lý, giờ giấc hay hoàn cảnh cá nhân — đều có thể tiếp cận dịch vụ cố vấn chất lượng cao.

Trong bối cảnh giáo dục đại học truyền thống, dịch vụ cố vấn học tập thường bị hạn chế bởi nhiều rào cản: số lượng cố vấn có hạn dẫn đến tỷ lệ sinh viên trên cố vấn (student-to-advisor ratio) cao, thời gian làm việc cố vấn thường là giờ hành chính trong khi sinh viên có lịch trình khác nhau, và sinh viên ở xa khuôn viên trường hoặc sinh viên theo học trực tuyến thường ít tiếp cận được dịch vụ cố vấn. Các nền tảng cố vấn học tập số hứa hẹn giải quyết tất cả những rào cản này bằng cách cung cấp dịch vụ cố vấn 24/7 thông qua các công cụ trực tuyến.

3.4.2. Xóa bỏ rào cản địa lý và thời gian

Công nghệ hứa hẹn xóa bỏ rào cản địa lý bằng cách cho phép sinh viên ở bất kỳ đâu — tại khuôn viên trường, ở nhà trọ, ở quê nhà hay thậm chí ở nước ngoài — đều có thể tiếp cận dịch vụ cố vấn thông qua kết nối Internet. Đối với các chương trình giáo dục từ xa (distance education) và giáo dục trực tuyến đang ngày càng phổ biến, đặc biệt trong và sau đại dịch COVID-19, lời hứa này có sức hấp dẫn đặc biệt mạnh mẽ.

Rào cản thời gian cũng được cam kết giải quyết thông qua tính sẵn sàng 24/7 của hệ thống số. Trong khi cố vấn con người chỉ có thể làm việc trong giờ hành chính — thường là 8 đến 10 giờ mỗi ngày, 5 ngày mỗi tuần — hệ thống cố vấn số hoạt động liên tục không ngừng nghỉ. Sinh viên có thể truy cập hệ thống lúc nửa đêm, cuối tuần hay ngày lễ — những thời điểm mà họ thường cần hỗ trợ nhất nhưng không thể tìm thấy cố vấn nào.

Guerrero-Roldán, Rodríguez-González và Bañeres (2021) đã nhận định rằng các hệ thống thông minh thích ứng có tiềm năng mở rộng tiếp cận dịch vụ giáo dục cho sinh viên theo học trực tuyến, những người thường thiếu cơ hội tương tác trực tiếp với cố vấn. Tuy nhiên, họ cũng lưu ý rằng việc tiếp cận công nghệ không tự động đồng nghĩa với việc nhận được hỗ trợ chất lượng tương đương — một điểm mà các nhà tiếp thị công nghệ thường không nhấn mạnh.

3.4.3. Giả định: mọi sinh viên đều được hỗ trợ như nhau

Giả định nền tảng của lời hứa "công bằng tiếp cận" là công nghệ tạo ra sân chơi bình đẳng — mọi sinh viên, khi tiếp cận cùng một nền tảng, sẽ nhận được cùng chất lượng hỗ trợ. Giả định này bỏ qua nhiều bất bình đẳng hiện có trong khả năng tiếp cận và sử dụng công nghệ. Sinh viên thuộc các nhóm yếu thế — sinh viên nông thôn, sinh viên có hoàn cảnh kinh tế khó khăn, sinh viên khuyết tật, sinh viên là người lao động — có thể gặp nhiều rào cản hơn trong việc sử dụng hiệu quả các nền tảng số: thiết bị không tương thích, kết nối Internet không ổn định, kỹ năng số (digital literacy) hạn chế, hoặc thời gian hạn chế để tương tác với hệ thống.

Hơn nữa, lời hứa "công bằng tiếp cận" thường nhầm lẫn giữa "tiếp cận" (access) và "hỗ trợ hiệu quả" (effective support). Việc sinh viên có thể đăng nhập vào hệ thống không có nghĩa là sinh viên đó thực sự nhận được sự tư vấn phù hợp với nhu cầu cụ thể — đặc biệt là những nhu cầu phức tạp liên quan đến khó khăn tài chính, vấn đề tâm lý, bất bình đẳng xã hội hay hoàn cảnh gia đình đặc biệt mà hệ thống số thường không có khả năng xử lý thấu đáo.

3.5. "Tối ưu hóa nguồn lực" và giảm chi phí

3.5.1. Lời hứa về hiệu quả kinh tế

Lời hứa thứ năm của cố vấn học tập số mang tính kinh tế rõ rệt: khả năng tối ưu hóa nguồn lực nhân sự và giảm chi phí cung cấp dịch vụ cố vấn mà không giảm — và thậm chí được tuyên bố là tăng — chất lượng dịch vụ. Lời hứa này đặc biệt hấp dẫn đối với các trường đại học đang đối mặt với áp lực tài chính ngày càng tăng: giảm ngân sách nhà nước, cạnh tranh sinh viên gay gắt, và chi phí vận hành liên tục tăng.

Cơ sở của lời hứa này là việc sử dụng công nghệ để tự động hóa các nhiệm vụ cố vấn lặp đi lặp lại và ít phức tạp — như cung cấp thông tin về chương trình học, hướng dẫn đăng ký môn học, trả lời các câu hỏi thường gặp — để giải phóng thời gian của cố vấn con người cho các công việc phức tạp hơn cần kỹ năng tư duy phản biện, khả năng thấu cảm và phán đoán kinh nghiệm. Theo logic này, cùng một đội ngũ cố vấn có thể phục vụ nhiều sinh viên hơn mà vẫn duy trì hoặc nâng cao chất lượng tư vấn.

3.5.2. Tăng tỷ lệ sinh viên trên cố vấn mà chất lượng không giảm

Các nhà cung cấp công nghệ thường trình bày các kịch bản theo đó tỷ lệ sinh viên trên cố vấn (student-to-advisor ratio) có thể tăng từ mức hiện tại — thường là 300:1 đến 500:1 ở nhiều trường đại học — lên mức cao hơn đáng kể nhờ sự hỗ trợ của hệ thống số. Lời hứa là "chất lượng không giảm" vì phần lớn công việc tư vấn đơn giản đã được hệ thống tự động hóa, để lại cho cố vấn con người chỉ những trường hợp thực sự cần sự tham gia của con người.

Fayoumi và Hajjar (2020) đã phân tích cách tiếp cận phân tích học tập nâng cao và chỉ ra rằng các hệ thống này có thể hỗ trợ quá trình ra quyết định của cố vấn, nhưng cảnh báo rằng hiệu quả của sự hỗ trợ này phụ thuộc vào việc hệ thống được tích hợp thế nào vào quy trình làm việc thực tế của cố vấn. Nếu hệ thống được triển khai như một công cụ bổ sung — giúp cố vấn có thêm thông tin mà không thay thế mối quan hệ cố vấn-sinh viên — thì nó có thể thực sự tối ưu hóa nguồn lực. Nhưng nếu hệ thống được triển khai như một công cụ thay thế — với kỳ vọng rằng hệ thống sẽ xử lý phần lớn công việc cố vấn — thì kết quả có thể rất khác biệt.

Ifenthaler và Yau (2020) cũng đã nhấn mạnh rằng learning analytics chỉ hiệu quả khi được sử dụng như một phần của chiến lược hỗ trợ sinh viên toàn diện, trong đó cố vấn con người vẫn đóng vai trò trung tâm. Việc đơn giản áp dụng công nghệ mà không đầu tư vào phát triển năng lực cho cố vấn — hoặc thậm chí giảm số lượng cố vấn với giả định công nghệ sẽ bù đắp — có thể dẫn đến kết quả ngược lại mong muốn: dịch vụ cố vấn trở nên máy móc, thiếu thấu cảm và kém hiệu quả hơn.

3.5.3. Ảo tưởng về chi phí

Một vấn đề ít được đề cập trong các lời hứa tối ưu hóa nguồn lực là tổng chi phí sở hữu (total cost of ownership) của các hệ thống cố vấn học tập số. Các nhà cung cấp công nghệ thường chỉ nhấn mạnh chi phí ban đầu hoặc phí thuê bao hàng năm, bỏ qua nhiều chi phí ẩn: chi phí tích hợp với các hệ thống hiện có (LMS, hệ thống thông tin sinh viên), chi phí đào tạo nhân viên sử dụng hệ thống, chi phí bảo trì và nâng cấp, chi phí hỗ trợ kỹ thuật, và chi phí cơ hội từ thời gian nhân viên dành cho việc quản lý hệ thống thay vì trực tiếp hỗ trợ sinh viên.

Selwyn và Gašević (2020) đã chỉ ra rằng quá trình định dạng dữ liệu giáo dục đại học đòi hỏi đầu tư đáng kể không chỉ vào công nghệ mà còn vào cơ sở hạ tầng dữ liệu, năng lực phân tích và các quy trình quản trị dữ liệu. Những chi phí này thường bị đánh giá thấp trong giai đoạn ra quyết định đầu tư, dẫn đến sự thất vọng khi tổng chi phí thực tế vượt xa dự toán ban đầu.

3.6. "Tăng cường trải nghiệm sinh viên"

3.6.1. Tính sẵn sàng 24/7 và tích hợp liền mạch

Lời hứa thứ sáu — và có lẽ là lời hứa định hình mạnh mẽ nhất trải nghiệm người dùng (user experience) — là "tăng cường trải nghiệm sinh viên" thông qua tính sẵn sàng liên tục 24/7 và tích hợp liền mạch (seamless integration) với các hệ thống học tập khác. Các nền tảng cố vấn học tập số hứa hẹn mang lại trải nghiệm đồng nhất, tiện lợi và đáp ứng ngay lập tức — những đặc điểm mà dịch vụ cố vấn truyền thống không thể cung cấp do hạn chế về nguồn lực nhân sự.

Tính sẵn sàng 24/7 cho phép sinh viên nhận được hỗ trợ bất cứ lúc nào, bất kể ngày đêm hay ngày lễ. Không còn cần phải chờ đợi lịch hẹn tư vấn, không còn cần phải đến văn phòng cố vấn trong giờ hành chính, không còn cần phải xếp hàng chờ đợi trong các mùa đăng ký môn học đông đúc. Mọi thông tin, khuyến nghị và hướng dẫn đều có sẵn ngay khi sinh viên cần, chỉ với một vài cú nhấp chuột hoặc thao tác trên điện thoại di động.

Tích hợp liền mạch (seamless integration) có nghĩa là hệ thống cố vấn học tập số kết nối chặt chẽ với hệ thống quản lý học tập (LMS), hệ thống thông tin sinh viên (SIS), hệ thống đăng ký môn học, hệ thống thư viện điện tử và các công cụ học tập khác. Sinh viên không cần phải chuyển đổi giữa nhiều hệ thống khác nhau, không cần phải nhập lại thông tin, không cần phải hỏi ai đó về quy trình — mọi thứ được liên kết thông suốt trong một trải nghiệm số nhất quán.

3.6.2. Lời hứa về trải nghiệm cá nhân hóa và thuận tiện

Các nhà cung cấp công nghệ cam kết rằng trải nghiệm số sẽ mang lại cảm giác "được chăm sóc cá nhân" (personalized attention) mà trước đây chỉ có thể đạt được thông qua mối quan hệ trực tiếp với cố vấn. Thông báo tự động nhắc nhở sinh viên về hạn chót, gợi ý tài liệu học tập phù hợp, đề xuất chương trình học dựa trên mục tiêu nghề nghiệp — tất cả đều được cá nhân hóa theo hồ sơ của từng sinh viên, tạo cảm giác rằng hệ thống "hiểu" sinh viên và quan tâm đến thành công của họ.

Tsai, Perrotta và Gašević (2019) đã chỉ ra rằng trải nghiệm cá nhân hóa có thể tăng cường động lực học tập và cảm giác gắn thuộc (sense of belonging) của sinh viên — hai yếu tố quan trọng đối với thành công trong giáo dục đại học. Tuy nhiên, họ cũng cảnh báo rằng sự cá nhân hóa do thuật toán mang lại về bản chất khác biệt với sự cá nhân hóa trong mối quan hệ cố vấn-sinh viên: thuật toán cá nhân hóa dựa trên phân tích dữ liệu thống kê, trong khi cố vấn con người cá nhân hóa dựa trên thấu cảm, kinh nghiệm sống và hiểu biết sâu sắc về bối cảnh cá nhân của sinh viên.

3.6.3. Giả định về sự tương đương trải nghiệm

Giả định nền tảng của lời hứa "tăng cường trải nghiệm sinh viên" là trải nghiệm số có thể tương đương hoặc ưu việt hơn trải nghiệm truyền thống — rằng sự tiện lợi và tính sẵn sàng liên tục có thể bù đắp hoặc thậm chí vượt qua giá trị của mối quan hệ cố vấn-sinh viên trực tiếp. Giả định này phù hợp với xu hướng số hóa nói chung, trong đó tương tác con người ngày càng được thay thế bằng tương tác với máy móc và thuật toán. Tuy nhiên, trong lĩnh vực giáo dục — nơi mối quan hệ giữa người và người là nền tảng của quá trình học tập — giả định này đặc biệt đáng bàn cãi.

Nhiều nghiên cứu giáo dục đã chứng minh rằng mối quan hệ giữa sinh viên và cố vấn là một trong những yếu tố quan trọng nhất đối với thành công của sinh viên trong giáo dục đại học. Sự thấu cảm, sự lắng nghe tích cực, khả năng đọc được cảm xúc và ngôn ngữ cơ thể, kinh nghiệm sống và hiểu biết về bối cảnh văn hóa — tất cả những yếu tố này là đặc quyền của cố vấn con người và không thể được sao chép bởi hệ thống số. Guerrero-Roldán, Rodríguez-González và Bañeres (2021) đã nhấn mạnh rằng công nghệ có thể bổ sung chứ không thể thay thế mối quan hệ giáo dục giữa con người với con người.

3.6.4. Tổng kết Chương 3: Các lời hứa và giả định nền tảng

Nhìn tổng thể, sáu lời hứa của cố vấn học tập số — cá nhân hóa học tập, dữ liệu điều khiển ra quyết định, phòng thủ sinh viên chủ động, công bằng tiếp cận, tối ưu hóa nguồn lực và tăng cường trải nghiệm sinh viên — tạo thành một hệ thống lý luận hoàn chỉnh và hấp dẫn. Mỗi lời hứa đều nhắm vào một điểm yếu thực sự của hệ thống cố vấn truyền thống và đề xuất một giải pháp công nghệ có vẻ khả thi. Nhưng đằng sau mỗi lời hứa đều ẩn chứa những giả định nền tảng chưa được kiểm chứng đầy đủ, từ niềm tin vào khả năng của thuật toán máy học đến sự đánh giá thấp vai trò của yếu tố con người trong quá trình giáo dục.

Selwyn và Gašević (2020) đã cảnh báo rằng sự nhiệt thành với công nghệ trong giáo dục thường dẫn đến việc bỏ qua các câu hỏi quan trọng: Công nghệ phục vụ ai? Những ai được hưởng lợi và ai bị thiệt thòi? Những giá trị nào được ưu tiên và những giá trị nào bị hy sinh? Tsai, Perrotta và Gašević (2019) cũng đã nhấn mạnh tầm quan trọng của việc đánh giá cách tiếp cận cá nhân hóa học tập không chỉ từ góc độ kỹ thuật mà còn từ góc độ đạo đức, công bằng và bối cảnh văn hóa xã hội.

Trong Chương 4 tiếp theo, chúng ta sẽ kiểm chứng các lời hứa này bằng chứng cứ thực nghiệm — xem xét những gì thực sự xảy ra khi các nền tảng cố vấn học tập số được triển khai trong môi trường giáo dục đại học thực tế.

---

CHƯƠNG 4: THỰC NGHIỆM — KHOẢNG CÁCH GIỮA LỜI HỨA VÀ KẾT QUẢ

4.1. Bằng chứng về hiệu quả hệ thống cảnh báo sớm (early warning)

4.1.1. Tổng quan nghiên cứu về mô hình dự đoán học tập

Hệ thống cảnh báo sớm (early warning systems) là một trong những công cụ cố vấn học tập số được nghiên cứu nhiều nhất trong giáo dục đại học. Để đánh giá mức độ hiệu quả thực sự của các hệ thống này, cần xem xét kỹ lưỡng bằng chứng nghiên cứu hiện có — đặc biệt là các nghiên cứu đã được kiểm duyệt khoa học (peer-reviewed) thay vì chỉ dựa vào các báo cáo trắng (white papers) của nhà cung cấp công nghệ.

Alyahyan và Düştegör (2020) đã thực hiện một tổng quan hệ thống (systematic review) về các mô hình dự đoán sinh viên có nguy cơ bỏ học (dropout prediction) trong giáo dục đại học, phân tích 45 nghiên cứu được công bố trong khoảng thời gian từ 2013 đến 2019. Tổng quan của họ cung cấp một bức tranh toàn diện về trạng thái nghiên cứu trong lĩnh vực này và làm nổi bật cả những thành tựu lẫn những hạn chế đáng kể.

Một phát hiện quan trọng từ tổng quan của Alyahyan và Düştegör (2020) là độ chính xác dự đoán (predictive accuracy) của các mô hình biến động đáng kể giữa các nghiên cứu — từ khoảng 60% đến 85% — tùy thuộc vào phương pháp sử dụng, bộ dữ liệu, bối cảnh nghiên cứu và cách xác định "kết quả". Con số 60-85% này có vẻ ấn tượng tại thời điểm nghe, nhưng cần được đặt trong bối cảnh phù hợp. Độ chính xác 85% nghĩa là trong 100 sinh viên được mô hình dự đoán là "có nguy cơ", có khoảng 15 sinh viên thực sự không gặp khó khăn — đó là tỷ lệ "tích cực giả" (false positives) khá cao. Ngược lại, độ chính xác 60% nghĩa là 40% dự đoán là sai — một tỷ lệ sai sót mà bất kỳ hệ thống nào cũng khó biện minh khi áp dụng vào quyết định ảnh hưởng đến tương lai của sinh viên.

4.1.2. Vấn đề tích cực giả (false positives) và ảnh hưởng

Vấn đề tích cực giả (false positives) — tức là mô hình dự đoán một sinh viên sẽ thất bại hoặc bỏ học nhưng thực tế sinh viên đó lại thành công — là một trong những hậu quả nghiêm trọng nhất của hệ thống cảnh báo sớm. Howard và cộng sự (2018) đã phân tích dữ liệu từ một trường đại học lớn tại Hoa Kỳ sử dụng hệ thống cảnh báo sớm và phát hiện rằng một tỷ lệ đáng kể sinh viên được gắn nhãn "có nguy cơ" thực chất không gặp khó khăn như mô hình dự đoán. Vấn đề tích cực giả không chỉ gây lãng phí nguồn lực cố vấn — vốn đã hạn hạn — mà còn có thể gây ra hậu quả tâm lý đối với sinh viên: tạo cảm giác bị giám sát, giảm động lực học tập và phá vỡ niềm tin vào hệ thống giáo dục.

Hơn nữa, Cardona và cộng sự (2020) đã chỉ ra rằng các mô hình dự đoán thường được xây dựng trên các giả định thống kê không phù hợp với bối cảnh thực tế. Ví dụ, nhiều mô hình giả định rằng các yếu tố dự đoán (predictors) có mối quan hệ ổn định theo thời gian, nhưng trong thực tế, mối quan hệ giữa hành vi học tập và kết quả có thể thay đổi đáng kể giữa các khóa học, giữa các chương trình và giữa các nhóm sinh viên khác nhau. Điều này có nghĩa là một mô hình hoạt động tốt trong một bối cảnh có thể hoạt động rất kém trong bối cảnh khác — một vấn đề thường được gọi là "thiếu khả năng khái quát hóa" (lack of generalizability).

Palacios và cộng sự (2021) đã nghiên cứu tính phức tạp của việc dự đoán kết quả học tập trong giáo dục đại học và phát hiện rằng các yếu tố ảnh hưởng đến thành công học tập tương tác với nhau theo những cách phi tuyến tính (non-linear) khó nắm bắt bằng các mô hình thống kê truyền thống. Họ khuyến nghị sử dụng các phương pháp phân tích phức tạp hơn, nhưng đồng thời cảnh báo rằng ngay cả các phương pháp nâng cao cũng không thể giải quyết triệt để vấn đề tính không chắc chắn (uncertainty) vốn có trong việc dự đoán hành vi con người.

4.1.3. Thiên hướng công bố kết quả tích cực (publication bias)

Một vấn đề nghiêm trọng khác trong nghiên cứu về hiệu quả hệ thống cảnh báo sớm là thiên hướng công bố kết quả tích cực (publication bias). Watson và cộng sự (2020) đã phân tích các nghiên cứu về learning analytics trong giáo dục y khoa — một lĩnh vực có yêu cầu cao về tính chính xác — và phát hiện rằng các nghiên cứu báo cáo kết quả tích cực có nhiều khả năng được công bố hơn các nghiên cứu báo cáo kết quả tiêu cực hoặc không có kết quả đáng kể. Thiên hướng này tạo ra một bức tranh sai lệch về hiệu quả thực sự của hệ thống.

Hơn nữa, nhiều nghiên cứu về hệ thống cảnh báo sớm được thực hiện trên mẫu nhỏ (small sample sizes) — thường chỉ vài trăm sinh viên tại một trường đại học cụ thể — làm hạn chế nghiêm trọng khả năng khái quát hóa kết quả. Alyahyan và Düştegör (2020) đã nhận định rằng đa số các nghiên cứu trong lĩnh vực này sử dụng dữ liệu từ một hoặc một vài trường đại học, và sự đa dạng trong phương pháp nghiên cứu, bộ dữ liệu và bối cảnh khiến việc tổng hợp và so sánh kết quả giữa các nghiên cứu rất khó khăn.

4.1.4. Vấn đề can thiệp: dự đoán không đồng nghĩa với giải quyết

Ngay cả khi giả định rằng mô hình dự đoán có độ chính xác cao, một vấn đề cốt lõi vẫn tồn tại: việc dự đoán chính xác một sinh viên đang gặp khó khăn không tự động dẫn đến việc giải quyết được khó khăn đó. Howard và cộng sự (2018) đã nhấn mạnh rằng hiệu quả của hệ thống cảnh báo sớm phụ thuộc ít nhất vào chất lượng của mô hình dự đoán và nhiều hơn vào chất lượng của các can thiệp (interventions) được thực hiện sau khi cảnh báo được phát ra. Nếu hệ thống cảnh báo một sinh viên đang gặp khó khăn nhưng không có nguồn lực hoặc chiến lược can thiệp phù hợp, thì cảnh báo đó trở nên vô nghĩa hoặc thậm chí phản tác dụng.

Cardona và cộng sự (2020) cũng đã chỉ ra rằng "hiệu ứng cảnh báo" (alert effect) — tức là tác động tâm lý của việc được gắn nhãn "có nguy cơ" — có thể ảnh hưởng đến hành vi của sinh viên theo hướng tiêu cực. Sinh viên được cảnh báo có nguy cơ có thể cảm thấy bị dán nhãn, bị đánh giá hoặc bị phân biệt đối xử, dẫn đến giảm động lực học tập và tăng nguy cơ tự ứng nghiệm (self-fulfilling prophecy) — tức là hành vi thay đổi theo hướng xác nhận dự đoán.

4.1.5. Đánh giá: Hệ thống cảnh báo sớm có giá trị nhưng giới hạn

Nhìn tổng thể, bằng chứng thực nghiệm cho thấy hệ thống cảnh báo sớm có giá trị như một công cụ bổ trợ cho quá trình cố vấn học tập, nhưng giới hạn hiện tại rất đáng kể. Alyahyan và Düştegör (2020) kết luận rằng "cần thận trọng khi áp dụng các mô hình dự đoán vào thực hành giáo dục thực tế, đặc biệt là khi các quyết định dựa trên mô hình có thể ảnh hưởng đến tương lai của sinh viên". Các hệ thống này có thể cung cấp thông tin hữu ích, nhưng không thể thay thế phán đoán chuyên môn của cố vấn và đặc biệt không thể thay thế mối quan hệ trực tiếp với sinh viên.

Howard và cộng sự (2018) khuyến nghị rằng các hệ thống cảnh báo sớm nên được thiết kế và triển khai theo nguyên tắc "con người trong vòng lặp" (human-in-the-loop) — tức là mô hình cung cấp thông tin nhưng con người luôn là người ra quyết định cuối cùng. Nguyên tắc này không chỉ bảo vệ sinh viên khỏi các quyết định sai lầm của thuật toán mà còn đảm bảo rằng bối cảnh cá nhân và các yếu tố mà mô hình không thể nắm bắt được được xem xét đầy đủ.

4.2. Chatbot cố vấn học tập: Giới hạn của trí tuệ nhân tạo đối thoại

4.2.1. Sự trỗi dậy của chatbot trong giáo dục đại học

Trong những năm gần đây, chatbot — chương trình đối thoại dựa trên trí tuệ nhân tạo — đã trở thành một trong những công nghệ cố vấn học tập số được triển khai rộng rãi nhất trong giáo dục đại học. Các chatbot cố vấn học tập được thiết kế để tương tác với sinh viên qua giao diện trò chuyện (chat interface), trả lời câu hỏi về chương trình học, quy trình hành chính, chính sách học phí và nhiều chủ đề khác. Ưu điểm rõ ràng của chatbot so với cố vấn con người là tính sẵn sàng 24/7, khả năng xử lý hàng ngàn cuộc trò chuyện đồng thời và chi phí vận hành thấp hơn đáng kể.

Tuy nhiên, bằng chứng thực nghiệm về hiệu quả và mức độ chấp nhận của chatbot cố vấn học tập cho thấy một bức tranh phức tạp hơn nhiều so với lời hứa của các nhà cung cấp công nghệ. Bilquise và cộng sự (2023) đã thực hiện một nghiên cứu toàn diện về việc sử dụng chatbot trong giáo dục đại học và phát hiện rằng mức độ chấp nhận của sinh viên phụ thuộc rất lớn vào loại vấn đề mà chatbot được yêu cầu giải quyết.

4.2.2. Chấp nhận cho truy vấn đơn giản, từ chối cho tư vấn phức tạp

Nghiên cứu của Bilquise và cộng sự (2023) chỉ ra rằng sinh viên thể hiện mức độ chấp nhận tương đối cao đối với chatbot khi sử dụng cho các truy vấn đơn giản và mang tính thông tin — như hỏi về lịch học, quy trình đăng ký môn học, ngày hạn chót nộp bài, hoặc thông tin liên hệ của các phòng ban. Trong các trường hợp này, chatbot cung cấp câu trả lời nhanh chóng, chính xác và nhất quán, vượt trội hơn so với việc sinh viên phải tìm kiếm thông tin trên website hoặc chờ đợi phản hồi từ cố vấn con người.

Tuy nhiên, khi sinh viên cần tư vấn về các vấn đề phức tạp hơn — như lựa chọn chuyên ngành, lập kế hoạch lộ trình học tập dài hạn, cân bằng giữa học tập và công việc, hoặc giải quyết xung đột học thuật — mức độ chấp nhận chatbot giảm mạnh đáng kể. Nhiều sinh viên cho biết họ cảm thấy chatbot không có khả năng hiểu bối cảnh cá nhân, không thể cung cấp tư vấn phù hợp với tình huống cụ thể và thường đưa ra các câu trả lời "theo kịch bản" (scripted) không giải quyết được vấn đề thực sự.

Demaeght và cộng sự (2023) đã nghiên cứu trải nghiệm sử dụng chatbot cố vấn học tập tại một trường đại học Bỉ và phát hiện một mô hình tương tự: sinh viên đánh giá cao chatbot như một công cụ truy xuất thông tin nhưng không coi nó là một "cố vấn" thực sự. Thuật ngữ "cố vấn" (advisor) ngụ ý một mức độ chuyên môn, thấu cảm và cam kết mà chatbot hiện tại không thể cung cấp. Nhiều sinh viên tham gia nghiên cứu bày tỏ sự khó chịu khi nhà trường gọi chatbot là "cố vấn ảo" — cảm giác rằng nhà trường đang coi nhẹ tầm quan trọng của dịch vụ cố vấn.

4.2.3. Thiếu niềm tin cho vấn đề nhạy cảm

Một phát hiện đặc biệt đáng quan ngại từ nghiên cứu của Bilquise và cộng sự (2023) là thiếu niềm tin của sinh viên đối với chatbot khi giải quyết các vấn đề nhạy cảm — như khó khăn tài chính, vấn đề sức khỏe tâm lý, xung đột gia đình, hoặc các tình huống khủng hoảng cá nhân. Sinh viên cho biết họ không muốn chia sẻ thông tin cá nhân nhạy cảm với một cỗ máy, sợ rằng thông tin có thể bị rò rỉ, được sử dụng sai mục đích hoặc không được xử lý với sự tinh tế cần thiết.

Demaeght và cộng sự (2023) cũng phát hiện rằng nhiều sinh viên có lo ngại về quyền riêng tư khi sử dụng chatbot cố vấn học tập, đặc biệt là khi chatbot yêu cầu cung cấp thông tin cá nhân để "cá nhân hóa" trải nghiệm. Sự lo ngại này không hoàn toàn vô lý — nhiều nền tảng chatbot giáo dục thu thập và lưu trữ dữ liệu cuộc trò chuyện của sinh viên, tạo ra những câu hỏi quan trọng về quyền sở hữu dữ liệu, mục đích sử dụng và biện pháp bảo vệ.

4.2.4. Vấn đề "ảo giác hiểu biết" (illusion of understanding)

Một nguy cơ đặc biệt của chatbot cố vấn học tập là tạo ra "ảo giác hiểu biết" — cảm giác rằng chatbot thực sự hiểu vấn đề của sinh viên và đưa ra tư vấn có giá trị, trong khi thực tế chatbot chỉ đang ghép các câu trả lời được lập trình trước dựa trên việc nhận diện từ khóa. Bilquise và cộng sự (2023) phát hiện rằng một số sinh viên — đặc biệt là sinh viên năm nhất, sinh viên chuyển hệ và sinh viên quốc tế — có thể tin tưởng vào câu trả lời của chatbot ngay cả khi câu trả lời đó không chính xác hoặc không phù hợp, vì họ không có đủ kinh nghiệm để đánh giá chất lượng tư vấn.

Điều này đặt ra một câu hỏi đạo đức quan trọng: nếu một chatbot cố vấn học tập cung cấp thông tin sai lệch hoặc tư vấn không phù hợp — dẫn đến sinh viên đăng ký sai môn, chọn sai chuyên ngành hoặc bỏ lỡ hạn chót quan trọng — ai chịu trách nhiệm? Hiện tại, nhiều trường đại học triển khai chatbot cố vấn học tập với các điều khoản miễn trừ trách nhiệm (disclaimers), nhưng sinh viên có thể không đọc hoặc không hiểu ý nghĩa của các điều khoản này.

4.2.5. Đánh giá: Chatbot có giá trị hạn chế

Tổng hợp bằng chứng từ Bilquise và cộng sự (2023) và Demaeght và cộng sự (2023) cho thấy chatbot cố vấn học tập có giá trị thực sự như một công cụ truy xuất thông tin và hỗ trợ hành chính, nhưng giới hạn hiện tại rất rõ ràng đối với vai trò "cố vấn" thực sự. Chatbot phù hợp cho việc trả lời câu hỏi "Hai giờ chiều mai có lớp nào không?" nhưng hoàn toàn không đủ năng lực để trả lời câu hỏi "Tôi nên chọn chuyên ngành nào cho phù hợp với đam mê và năng lực của mình?".

Các nhà nghiên cứu khuyến nghị rằng chatbot cố vấn học tập nên được định vị chính xác — như một công cụ hỗ trợ hành chính — thay vì bị nâng cấp thành "cố vấn ảo" với những lời hứa không thể hiện thực hóa. Việc gọi chatbot là "cố vấn" không chỉ tạo kỳ vọng sai lệch cho sinh viên mà còn có thể làm giảm tầm quan trọng của dịch vụ cố vấn con người trong mắt quản lý trường đại học.

4.3. Bảng điều khiển phân tích học tập (learning analytics dashboard): Tỷ lệ sử dụng thấp và hội chứng "Fitbit của học tập"

4.3.1. Bảng điều khiển — công cụ cốt lõi của cố vấn số

Bảng điều khiển phân tích học tập (learning analytics dashboard) là công cụ cốt lõi của hầu hết các hệ thống cố vấn học tập số. Dashboard cung cấp giao diện trực quan cho việc hiển thị dữ liệu học tập — điểm số, tiến độ, mức độ tương tác, so sánh với nhóm — cho cả cố vấn và sinh viên. Trong lý thuyết, dashboard cho phép cố vấn nhanh chóng nắm bắt tình hình học tập của nhiều sinh viên, nhận diện những người đang gặp khó khăn và ưu tiên nguồn lực can thiệp. Đối với sinh viên, dashboard cung cấp phản hồi tức thời về hiệu suất học tập, giúp họ tự điều chỉnh hành vi học tập.

Tuy nhiên, bằng chứng thực nghiệm về việc sử dụng dashboard cho thấy một khoảng cách đáng kể giữa lời hứa của nhà thiết kế và thực tế sử dụng.

4.3.2. Tỷ lệ sử dụng thấp — một thực tế phổ biến

Roberts và cộng sự (2016) đã nghiên cứu việc sử dụng learning analytics dashboard trong giáo dục đại học và phát hiện một thực tế đáng thất vọng: tỷ lệ sử dụng dashboard bởi cả cố vấn lẫn sinh viên thường thấp hơn nhiều so với kỳ vọng. Nhiều dashboard được triển khai với sự đầu tư đáng kể vào thiết kế và phát triển, nhưng cuối cùng chỉ được một tỷ lệ nhỏ người dùng mục tiêu sử dụng thường xuyên.

Howell và cộng sự (2017) đã phân tích các yếu tố ảnh hưởng đến việc sử dụng dashboard bởi giảng viên và cố vấn, phát hiện rằng nhiều lý do khác nhau giải thích tỷ lệ sử dụng thấp: thiếu thời gian để học cách sử dụng công cụ mới, không tin tưởng vào dữ liệu được hiển thị, không hiểu cách chuyển đổi dữ liệu thành hành động cụ thể, và cảm thấy dashboard không cung cấp thông tin hữu ích hơn phương pháp truyền thống. Đáng chú ý, một số cố vấn cho biết họ cảm thấy dashboard làm tăng khối lượng công việc thay vì giảm — vì họ phải dành thời gian phân tích và giải thích dữ liệu dashboard cho sinh viên.

Rooksby và cộng sự (2019) đã nghiên cứu cách sinh viên sử dụng (và không sử dụng) learning analytics dashboard tại nhiều trường đại học và phát hiện rằng nhiều sinh viên hiếm khi đăng nhập vào dashboard hoặc chỉ truy cập vào các thời điểm cụ thể (như gần kỳ thi) thay vì sử dụng thường xuyên như nhà thiết kế dự định. Một số sinh viên cho biết họ không thấy giá trị của việc theo dõi dữ liệu học tập liên tục, trong khi những người khác nói rằng họ cảm thấy choáng ngợp bởi lượng thông tin được hiển thị trên dashboard.

4.3.3. Dashboard anxiety — lo âu từ việc theo dõi dữ liệu học tập

Một phát hiện quan trọng và ít được đề cập trong các tài liệu tiếp thị công nghệ là hiện tượng "dashboard anxiety" (lo âu từ bảng điều khiển) — tình trạng sinh viên cảm thấy lo lắng, áp lực hoặc bất an khi xem dữ liệu học tập của chính mình trên dashboard. Schumacher và Ifenthaler (2021) đã nghiên cứu tác động tâm lý của learning analytics dashboard đối với sinh viên và phát hiện rằng một bộ phận không nhỏ sinh viên phản ứng tiêu cực với việc theo dõi dữ liệu học tập liên tục.

Một số sinh viên cho biết họ cảm thấy như đang bị giám sát liên tục, tạo cảm giác áp lực phải luôn duy trì "chỉ số tốt" trên dashboard. Những sinh viên có dữ liệu hiển thị dưới mức trung bình so với nhóm có thể cảm thấy xấu hổ, tự ti hoặc mất động lực — thay vì được động viên để cải thiện như nhà thiết kế kỳ vọng. Sự so sánh xã hội (social comparison) vốn được tích hợp vào nhiều dashboard — ví dụ, hiển thị "Bạn xếp ở vị trí thứ X trong lớp" — có thể tạo ra những tác động tâm lý tiêu cực đặc biệt mạnh mẽ.

Roberts và cộng sự (2016) cũng phát hiện một hiện tượng liên quan: một số sinh viên có xu hướng "game hóa" (gamify) việc học tập — tập trung vào việc cải thiện các chỉ số trên dashboard thay vì tập trung vào quá trình học tập thực sự. Ví dụ, sinh viên có thể đăng nhập vào hệ thống nhiều lần chỉ để cải thiện chỉ số "thời gian tương tác", hoặc cố ý mở tài liệu học tập trong thời gian dài mà không thực sự đọc, chỉ để cải thiện dữ liệu dashboard.

4.3.4. Phản ứng "Fitbit của học tập" và tự chủ dữ liệu

Rooksby và cộng sự (2019) đã phân tích phản ứng của sinh viên đối với learning analytics dashboard thông qua lăng kính của phong trào tự theo dõi (self-tracking) và phát hiện một mô hình đáng chú ý mà họ gọi là "Fitbit của học tập". Giống như Fitbit và các thiết bị đeo theo dõi sức khỏe tạo ra những phản ứng đa dạng — từ tận hưởng việc theo dõi đến cảm thấy bị giám sát, từ sử dụng tích cực để thay đổi hành vi đến lo lắng về các chỉ số không đạt — learning analytics dashboard cũng tạo ra những phản ứng đa dạng và phức tạp.

Một số sinh viên phản hồi tích cực với dashboard, cho biết nó giúp họ nhận thức rõ hơn về thói quen học tập, xác định những điểm yếu cần cải thiện và tự điều chỉnh hành vi học tập. Tuy nhiên, ngay cả những sinh viên phản hồi tích cực cũng thường sử dụng dashboard theo cách riêng của họ — không phải theo hướng dẫn của nhà thiết kế — tạo ra khoảng cách giữa thiết kế dự kiến và sử dụng thực tế.

Rooksby và cộng sự (2019) chỉ ra rằng việc sử dụng learning analytics dashboard không tự động dẫn đến cải thiện kết quả học tập. Mối quan hệ giữa việc theo dõi dữ liệu và thay đổi hành vi là rất phức tạp, phụ thuộc vào động lực cá nhân, khả năng tự điều chỉnh, bối cảnh học tập và nhiều yếu tố khác. Điều này đặt câu hỏi về giả định nền tảng rằng "nếu sinh viên có dữ liệu về học tập của mình, họ sẽ tự động cải thiện hành vi học tập".

4.3.5. Vấn đề thiết kế dashboard và sự tham gia của người dùng

Schumacher và Ifenthaler (2021) đã phân tích cách tiếp cận thiết kế learning analytics dashboard dựa trên dữ liệu và phát hiện rằng nhiều dashboard được thiết kế chủ yếu theo góc nhìn kỹ thuật — tập trung vào việc hiển thị nhiều dữ liệu nhất có thể — thay vì theo góc nhìn người dùng — tập trung vào việc cung cấp thông tin hữu ích và có thể hành động (actionable information). Khoảng cách giữa thiết kế kỹ thuật và thiết kế trải nghiệm người dùng (user experience design) là một trong những nguyên nhân chính dẫn đến tỷ lệ sử dụng thấp.

Howell và cộng sự (2017) đã nhấn mạnh tầm quan trọng của việc tham gia người dùng (user engagement) trong quá trình thiết kế dashboard — tức là tham khảo ý kiến cố vấn và sinh viên từ giai đoạn đầu của quá trình thiết kế thay vì chỉ triển khai công cụ đã hoàn thiện. Nghiên cứu của họ cho thấy rằng khi người dùng được tham gia vào quá trình thiết kế, tỷ lệ sử dụng dashboard tăng đáng kể — nhưng sự tham gia người dùng vẫn là ngoại lệ chứ không phải quy tắc trong thực tế triển khai.

4.4. Cá nhân hóa thực tế: Giới hạn của thuật toán

4.4.1. Vấn đề nền tảng của cá nhân hóa thuật toán

Lời hứa về cá nhân hóa học tập — được phân tích chi tiết trong mục 3.1 — đối mặt với nhiều thách thức kỹ thuật và khái niệm sâu sắc hơn khi được triển khai trong thực tế. Qiu và cộng sự (2022) đã nghiên cứu hiệu quả của các hệ thống khuyến nghị học tập cá nhân hóa và phát hiện rằng "cá nhân hóa" trong bối cảnh thuật toán máy học có giới hạn nghiêm trọng hơn nhiều so với cách thuật ngữ này được sử dụng trong tiếp thị công nghệ.

Vấn đề đầu tiên là vấn đề "cái bẫy của tương đồng" (similarity trap). Hệ thống khuyến nghị hoạt động tốt nhất khi có đủ dữ liệu lịch sử về người dùng tương tự để so sánh — tức là khi có nhiều sinh viên có hồ sơ tương đồng đã theo các lộ trình học tập khác nhau. Tuy nhiên, khi sinh viên có hồ sơ độc đáo hoặc không tiêu biểu — ví dụ: sinh viên chuyển ngành, sinh viên trở lại học sau thời gian gián đoạn, sinh viên có hồ sơ học tập không đồng nhất — hệ thống khuyến nghị có xu hướng đưa ra các gợi ý không phù hợp hoặc không có đủ dữ liệu để đưa ra gợi ý có ý nghĩa.

4.4.2. Giới hạn của mô hình kiến thức

Vấn đề thứ hai liên quan đến giới hạn của mô hình kiến thức (knowledge models) mà hệ thống adaptive learning sử dụng. Các mô hình này biểu diễn kiến thức dưới dạng mạng các khái niệm và mối quan hệ — ví dụ: "để hiểu giải tích II, cần nắm vững giải tích I; để hiểu vật lý I, cần nắm vững đại số tuyến tính". Tuy nhiên, mô hình này đơn giản hóa đáng kể bản chất phức tạp của quá trình học tập thực sự. Quá trình học tập không phải là quá trình tuyến tính, trong đó người học chỉ cần "hoàn thành" từng bước một. Nó là quá trình phi tuyến tính, đệ quy và phụ thuộc bối cảnh — trong đó việc hiểu một khái niệm có thể đòi hỏi việc xem xét nó từ nhiều góc độ khác nhau, trong nhiều ngữ cảnh khác nhau.

Qiu và cộng sự (2022) đã chỉ ra rằng ngay cả các hệ thống adaptive learning tiên tiến nhất hiện tại cũng chỉ có khả năng cá nhân hóa ở mức độ nội dung (content-level personalization) — tức là điều chỉnh nội dung và trình tự bài học — mà không thể thực hiện cá nhân hóa ở mức độ giáo dục (pedagogical-level personalization) — tức là điều chỉnh phương pháp giảng dạy, cách tiếp cận, phong cách giao tiếp và chiến lược hỗ trợ theo đặc điểm nhận thức và bối cảnh cá nhân của từng người học. Đây là một giới hạn nghiêm trọng mà các nhà cung cấp công nghệ thường không đề cập rõ ràng.

4.4.3. Vấn đề sự phù hợp bối cảnh (contextual fit)

Vấn đề thứ ba là sự phù hợp bối cảnh (contextual fit). Hệ thống cá nhân hóa có thể đề xuất nội dung phù hợp với "mức độ kiến thức" của sinh viên, nhưng không thể xem xét bối cảnh cá nhân — như hoàn cảnh gia đình, sức khỏe tâm lý, tình hình tài chính, trách nhiệm công việc — ảnh hưởng đến khả năng và cách tiếp cận học tập. Một sinh viên đang đối mặt với vấn đề sức khỏe tâm lý có thể không cần "nội dung nâng cao" mà cần hỗ trợ về sức khỏe; một sinh viên đang làm việc bán thời gian có thể cần lộ trình học tập linh hoạt hơn thay vì nội dung "phù hợp với trình độ".

Hơn nữa, cá nhân hóa thuật toán thường dựa trên các giả định về "điểm tối ưu" (optimal path) — tức là một lộ trình học tập được coi là tốt nhất cho một loại sinh viên nhất định. Nhưng khái niệm "tối ưu" trong giáo dục là rất phức tạp và phụ thuộc vào nhiều giá trị và mục tiêu khác nhau. Một lộ trình "tối ưu" theo tiêu chí điểm số cao có thể không phải là lộ trình "tối ưu" theo tiêu chí phát triển toàn diện, khám phá sở thích hay trải nghiệm đa dạng.

4.5. Vấn đề dữ liệu: Thiên kiến, riêng tư và chất lượng

4.5.1. Thiên kiến thuật toán (algorithmic bias) trong cố vấn học tập

Một trong những vấn đề nghiêm trọng nhất của cố vấn học tập số — và nói chung của mọi hệ thống sử dụng dữ liệu trong giáo dục — là thiên kiến thuật toán (algorithmic bias). Baker và Hawn (2021) đã phân tích các dạng thiên kiến trong hệ thống giáo dục dựa trên công nghệ và cảnh báo rằng các hệ thống này có thể khuếch đại và thể chế hóa các bất bình đẳng hiện có thay vì giảm thiểu chúng.

Thiên kiến trong dữ liệu huấn luyện (training data bias) là một trong những dạng phổ biến nhất. Khi mô hình dự đoán được huấn luyện trên dữ liệu lịch sử của sinh viên — dữ liệu phản ánh các bất bình đẳng hiện có trong hệ thống giáo dục — mô hình có xu hướng "học" và tái sản xuất các bất bình đẳng đó. Ví dụ, nếu sinh viên thuộc nhóm dân tộc thiểu số có tỷ lệ thành công thấp hơn trong quá khứ (do nhiều yếu tố cấu trúc và xã hội, không phải do năng lực cá nhân), mô hình có thể dự đoán rằng sinh viên thuộc nhóm đó sẽ có nguy cơ cao hơn — dẫn đến các can thiệp giảm kỳ vọng (lowered expectations) hoặc các quyết định phân luồng (tracking) bất công.

Baker và Hawn (2021) đã chỉ ra rằng thiên kiến thuật toán trong giáo dục đặc biệt nguy hiểm vì nó thường hoạt động một cách vô hình — được che đậy bởi vẻ bề ngoài khách quan của "dữ liệu" và "thuật toán". Các quyết định phân biệt đối xử dựa trên thuật toán có thể khó nhận diện và thách thức hơn so với các quyết định phân biệt đối xử rõ ràng do con người đưa ra.

4.5.2. Quyền riêng tư dữ liệu sinh viên

Vấn đề quyền riêng tư dữ liệu sinh viên là một trong những mối quan ngại lớn nhất liên quan đến cố vấn học tập số. Li và cộng sự (2022) đã phân tích các vấn đề quyền riêng tư trong ứng dụng phân tích học tập và chỉ ra rằng việc thu thập, lưu trữ và sử dụng dữ liệu sinh viên cho mục đích cố vấn học tập đặt ra nhiều câu hỏi đạo đức và pháp lý chưa được giải quyết thỏa đáng.

Câu hỏi đầu tiên liên quan đến sự đồng thuận (consent): sinh viên có thực sự hiểu và đồng ý với việc dữ liệu của họ được thu thập và sử dụng để đưa ra các quyết định về học tập của họ không? Nhiều trường đại học thu thập dữ liệu sinh viên thông qua các điều khoản dịch vụ (terms of service) dài và phức tạp mà đa số sinh viên không đọc kỹ. Li và cộng sự (2022) đã cảnh báo rằng sự "đồng thuận mù quáng" (blind consent) — khi người dùng nhấp "Đồng ý" mà không thực sự hiểu những gì họ đang đồng ý — là không phù hợp trong bối cảnh giáo dục, nơi dữ liệu được sử dụng để đưa ra các quyết định ảnh hưởng trực tiếp đến sinh viên.

Câu hỏi thứ hai liên quan đến phạm vi thu thập dữ liệu (data scope): những dữ liệu nào được thu thập, trong bao lâu và cho mục đích nào? Nhiều hệ thống cố vấn học tập số thu thập không chỉ dữ liệu học tập trực tiếp (điểm số, tiến độ môn học) mà còn dữ liệu hành vi gián tiếp (thời gian đăng nhập, tần suất tương tác, địa điểm truy cập, loại thiết bị sử dụng). Phạm vi thu thập rộng này tạo ra một hồ sơ kỹ thuật số (digital profile) chi tiết về mỗi sinh viên — hồ sơ có thể được sử dụng cho các mục đích vượt ra ngoài mục đích cố vấn học tập ban đầu.

Câu hỏi thứ ba liên quan đến quyền sở hữu và kiểm soát dữ liệu: ai sở hữu dữ liệu sinh viên — trường đại học, nhà cung cấp công nghệ, hay sinh viên? Sinh viên có quyền truy cập, sửa chữa hoặc xóa dữ liệu của chính họ không? Li và cộng sự (2022) chỉ ra rằng trong thực tế, sinh viên thường có rất ít quyền kiểm soát đối với dữ liệu của chính họ sau khi nó đã được thu thập và tích hợp vào hệ thống.

4.5.3. Chất lượng dữ liệu — vấn đề nền tảng

Mutimukwe và cộng sự (2022) đã nghiên cứu chất lượng dữ liệu trong hệ thống phân tích học tập và phát hiện rằng chất lượng dữ liệu là một trong những thách thức lớn nhất — và ít được chú ý — đối với cố vấn học tập số. Dữ liệu không chất lượng dẫn đến phân tích không chất lượng, phân tích không chất lượng dẫn đến quyết định không chất lượng, và quyết định không chất lượng có thể gây hại cho sinh viên.

Vấn đề chất lượng dữ liệu biểu hiện dưới nhiều dạng: dữ liệu thiếu (missing data) — khi một số sinh viên hoặc một số biến không được đo lường; dữ liệu không nhất quán (inconsistent data) — khi cùng một hành vi được đo lường theo cách khác nhau ở các thời điểm hoặc hệ thống khác nhau; dữ liệu nhiễu (noisy data) — khi dữ liệu bị ảnh hưởng bởi các yếu tố không liên quan đến quá trình học tập; và dữ liệu lỗi (erroneous data) — khi dữ liệu bị sai do lỗi kỹ thuật, lỗi nhập liệu hoặc các vấn đề khác.

Mutimukwe và cộng sự (2022) chỉ ra rằng nhiều hệ thống cố vấn học tập số được triển khai mà không có chiến lược quản lý chất lượng dữ liệu toàn diện, dẫn đến tình trạng "garbage in, garbage out" — dữ liệu kém chất lượng đầu vào tạo ra phân tích và khuyến nghị kém chất lượng đầu ra. Họ khuyến nghị rằng bất kỳ hệ thống phân tích học tập nào cũng cần có quy trình đảm bảo chất lượng dữ liệu nghiêm ngặt, bao gồm kiểm tra tính toàn vẹn, nhất quán và chính xác dữ liệu trước khi phân tích.

Baker và Hawn (2021) cũng đã cảnh báo rằng việc tập trung quá nhiều vào "lượng dữ liệu" (big data) có thể làm lu mờ vấn đề "chất lượng dữ liệu". Khái niệm "big data" trong giáo dục thường được sử dụng như một thuật ngữ tiếp thị để ám chỉ rằng hệ thống xử lý "nhiều dữ liệu", nhưng số lượng dữ liệu không tự động đồng nghĩa với chất lượng phân tích hoặc giá trị của quyết định dựa trên dữ liệu.

4.6. Bảng so sánh lời hứa và thực tế

4.6.1. Tổng hợp bằng chứng từ các nghiên cứu thực nghiệm

Sau khi xem xét chi tiết bằng chứng thực nghiệm từ từng khía cạnh của cố vấn học tập số, cần tổng hợp các phát hiện thành một bức tranh toàn diện, so sánh lời hứa với thực tế. Bảng dưới đây tóm tắt khoảng cách giữa những gì được hứa hẹn và những gì thực tế xảy ra, dựa trên các nghiên cứu đã được trình bày trong chương này.

Lời hứa 1: Cá nhân hóa học tập cho mọi sinh viên

* Lời hứa: Thuật toán sẽ thiết kế lộ trình học tập tối ưu cho từng cá nhân dựa trên dữ liệu.

* Thực tế: Hệ thống adaptive learning có khả năng cá nhân hóa ở mức độ nội dung (content-level) nhưng giới hạn nghiêm trọng ở mức độ giáo dục (pedagogical-level). Các mô hình kiến thức đơn giản hóa quá trình học tập phức tạp. Khuyến nghị dựa trên thuật toán phù hợp với sinh viên có hồ sơ tiêu biểu nhưng kém hiệu quả với sinh viên có hồ sơ độc đáo (Qiu và cộng sự, 2022).

Lời hứa 2: Dữ liệu điều khiển ra quyết định chính xác

* Lời hứa: Dữ liệu khách quan, chính xác sẽ cho phép cố vấn ra quyết định tốt hơn.

* Thực tế: Dữ liệu mang tính chính trị và xã hội, không trung lập về mặt kỹ thuật. Chất lượng dữ liệu là vấn đề nghiêm trọng: dữ liệu thiếu, không nhất quán và nhiễu là phổ biến (Mutimukwe và cộng sự, 2022). Giả định về tính khách quan của dữ liệu bỏ qua các quy trình tạo ra dữ liệu có thể giới thiệu lỗi và thiên kiến (Selwyn và Gašević, 2020).

Lời hứa 3: Phòng thủ sinh viên chủ động (early alert)

* Lời hứa: Hệ thống phát hiện sinh viên gặp khó khăn trước khi quá muộn.

* Thực tế: Độ chính xác dự đoán biến động 60-85%, tích cực giả phổ biến (Alyahyan và Düştegör, 2020). Thiên hướng công bố kết quả tích cực tạo ra bức tranh sai lệch về hiệu quả (Watson và cộng sự, 2020). Dự đoán chính xác không đồng nghĩa với giải quyết được vấn đề (Howard và cộng sự, 2018). "Hiệu ứng cảnh báo" có thể gây tác động tâm lý tiêu cực (Cardona và cộng sự, 2020).

Lời hứa 4: Công bằng tiếp cận

* Lời hứa: Công nghệ loại bỏ rào cản địa lý, thời gian; mọi sinh viên được hỗ trợ như nhau.

* Thực tế: Bất bình đẳng trong khả năng tiếp cận và sử dụng công nghệ vẫn tồn tại. Thiên kiến thuật toán có thể khuếch đại bất bình đẳng hiện có thay vì giảm thiểu (Baker và Hawn, 2021). Việc tiếp cận công nghệ không đồng nghĩa với nhận được hỗ trợ hiệu quả, đặc biệt cho các nhu cầu phức tạp.

Lời hứa 5: Tối ưu hóa nguồn lực và giảm chi phí

* Lời hứa: Tỷ lệ SV/CV tăng mà chất lượng không giảm.

* Thực tế: Tổng chi phí sở hữu thường vượt xa dự toán ban đầu. Giảm số lượng cố vấn dựa trên giả định công nghệ sẽ bù đắp có thể dẫn đến dịch vụ kém chất lượng hơn. Hệ thống có thể tăng khối lượng công việc của cố vấn thay vì giảm (Howell và cộng sự, 2017).

Lời hứa 6: Tăng cường trải nghiệm sinh viên

* Lời hứa: 24/7 availability, tích hợp liền mạch.

* Thực tế: Tỷ lệ sử dụng dashboard thấp (Roberts và cộng sự, 2016). Dashboard anxiety — lo âu từ việc theo dõi dữ liệu (Schumacher và Ifenthaler, 2021). Chatbot được chấp nhận cho truy vấn đơn giản nhưng từ chối cho tư vấn phức tạp (Bilquise và cộng sự, 2023). Thiếu niềm tin cho vấn đề nhạy cảm (Demaeght và cộng sự, 2023).

4.6.2. Phân tích nguyên nhân khoảng cách

Khoảng cách giữa lời hứa và thực tế không xuất phát từ một nguyên nhân đơn lẻ mà từ một tập hợp các yếu tố tương tác:

Thứ nhất, vấn đề của quá trình thương mại hóa giáo dục. Các nhà cung cấp công nghệ giáo dục có động lực kinh tế mạnh mẽ để phóng đại lời hứa và giảm thiểu hạn chế của sản phẩm. Các báo cáo trắng (white papers), nghiên cứu ca (case studies) và tài liệu tiếp thị thường được thiết kế để thuyết phục khách hàng mua sản phẩm chứ không phải để cung cấp đánh giá khách quan về hiệu quả.

Thứ hai, vấn đề của áp lực thể chế. Các trường đại học đối mặt với áp lực cạnh tranh sinh viên, giảm ngân sách và yêu cầu kiểm định chất lượng — áp lực thúc đẩy việc tìm kiếm "giải pháp công nghệ" nhanh chóng thay vì đầu tư vào các cải cách giáo dục sâu sắc hơn nhưng mất nhiều thời gian hơn.

Thứ ba, vấn đề của sự phức tạp giáo dục. Giáo dục là một quá trình xã hội phức tạp, không thể được đơn giản hóa thành các mô hình toán học hay thuật toán. Lời hứa cá nhân hóa, dự đoán và tối ưu hóa giả định rằng giáo dục có thể được đo lường và kiểm soát như một quy trình kỹ thuật — giả định đã bị bác bỏ bởi nhiều thế hệ nghiên cứu giáo dục.

Thứ tư, vấn đề của kỳ vọng không thực tế. Khái niệm "chuyển đổi số" (digital transformation) tạo kỳ vọng về sự thay đổi tận gốc, nhưng thực tế triển khai công nghệ trong giáo dục thường chỉ là "số hóa quy trình hiện có" (digitizing existing processes) — tức là áp dụng công nghệ vào các quy trình cũ mà không xem xét lại bản thân các quy trình đó.

4.6.3. Đánh giá cân bằng: Những gì đã đạt được

Dù khoảng cách giữa lời hứa và thực tế là đáng kể, cần công bằng ghi nhận những thành tựu thực sự của cố vấn học tập số. Các hệ thống này đã cung cấp thông tin hữu ích cho cố vấn, tự động hóa các nhiệm vụ hành chính lặp lại, mở rộng tiếp cận dịch vụ cho sinh viên theo học trực tuyến, và tạo ra các dữ liệu mới có giá trị cho việc nghiên cứu và cải thiện giáo dục đại học.

Tuy nhiên, những thành tựu này cần được đánh giá đúng mức — như những bước tiến nhưng không phải là "chuyển đổi tận gốc". Việc thừa nhận giới hạn của công nghệ không phải là từ chối công nghệ mà là điều kiện tiên quyết để sử dụng công nghệ một cách khôn ngoan và có trách nhiệm.

Selwyn và Gašević (2020) đã khuyến nghị một cách tiếp cận "hoài nghi xây dựng" (constructive skepticism) đối với công nghệ trong giáo dục — một thái độ cởi mở với tiềm năng của công nghệ nhưng đòi hỏi bằng chứng nghiêm ngặt trước khi chấp nhận các lời hứa hẹn, và luôn đặt câu hỏi về tác động xã hội của việc áp dụng công nghệ vào giáo dục.

---

Kết thúc Chương 3 và Chương 4

CHƯƠNG 5: Giải cấu trúc — giữa lời hứa và sự thật

Các công cụ tư vấn học thuật kỹ thuật số đang được quảng bá như một bước tiến đột phá trong giáo dục đại học. Chúng được hứa hẹn sẽ mang lại cá nhân hóa triệt để, dữ liệu khách quan, hỗ trợ kịp thời, công bằng tiếp cận, tối ưu chi phí và đổi mới toàn diện. Tuy nhiên, khi đào sâu vào các nghiên cứu học thuật, khoảng cách giữa những lời hứa này và thực tế triển khai lại đáng chú ý hơn nhiều so với những gì các nhà tiếp thị giáo dục công nghệ thường thừa nhận. Chương này không nhằm phủ nhận giá trị của công nghệ trong tư vấn học thuật — điều đó sẽ là phiến diện. Thay vào đó, chương đi sâu phân tích sáu lĩnh vực cốt lõi mà sự chênh lệch giữa kỳ vọng và kết quả thực tế là rõ nét nhất. Mỗi lĩnh vực được xem xét dưới lăng kính nghiên cứu học thuật đã bình duyệt, với tinh thần xây dựng nhằm giúp các nhà hoạch định chính sách và nhà quản lý giáo dục có cái nhìn sâu sắc hơn về cả tiềm năng lẫn giới hạn của công nghệ.

5.1. "Cá nhân hóa" — thực chất là phân nhóm

Thuật ngữ "cá nhân hóa" (personalization) có lẽ là khái niệm được sử dụng nhiều nhất và ít được kiểm định kỹ lưỡng nhất trong các chiến dịch tiếp thị công nghệ giáo dục. Khi các nhà cung cấp phần mềm tư vấn học thuật quảng cáo tính năng "cá nhân hóa học đường", hình ảnh được gợi lên thường là một hệ thống thấu hiểu sâu sắc từng sinh viên, nhận biết được nhu cầu riêng biệt của mỗi cá nhân và cung cấp những lời khuyên được thiết kế riêng cho hoàn cảnh cụ thể của họ. Tuy nhiên, thực tế kỹ thuật của các thuật toán hiện tại đang sử dụng trong các nền tảng tư vấn học thuật cho thấy một bức tranh khác hẳn.

Về mặt kỹ thuật, những gì các thuật toán tư vấn thực hiện chủ yếu là phân nhóm (segmentation) — phân loại sinh viên vào các nhóm có đặc điểm tương đồng, sau đó áp dụng các kịch bản can thiệp đã thiết kế trước cho từng nhóm. Một hệ thống có thể phân loại sinh viên thành "nguy cơ bỏ học cao", "trung bình" và "thấp" dựa trên điểm số, dữ liệu tham dự và mức độ tương tác với hệ thống, rồi gửi thông điệp đã lập trình sẵn cho từng nhóm. Quá trình này không khác mấy so với việc cố vấn học tập phân loại hồ sơ theo kinh nghiệm và đưa ra tư vấn dựa trên mô hình sẵn, chỉ khác ở tốc độ lớn hơn và quy mô rộng hơn. Sự khác biệt cốt lõi không phải là cá nhân hóa hay không, mà là mức độ tinh tế của phân nhóm — điều mà nhiều hệ thống hiện tại vẫn còn hạn chế.

Sự nhầm lẫn giữa "cá nhân hóa" trong ngôn ngữ tiếp thị và "cá nhân hóa" trong bối cảnh giáo dục học thuật cần được làm rõ. Trong ngôn ngữ tiếp thị, "cá nhân hóa" đơn giản có nghĩa là hiển thị nội dung khác nhau cho các nhóm người dùng khác nhau — tương tự như cách Amazon đề xuất sản phẩm dựa trên lịch sử mua sắm hoặc Netflix đề xuất phim dựa trên thói quen xem. Đây là hình thức cá nhân hóa dựa trên phân nhóm hành vi, và nó đã được chứng minh là hiệu quả trong bối cảnh thương mại. Tuy nhiên, trong bối cảnh giáo dục, "cá nhân hóa" mang ý nghĩa sâu sắc hơn nhiều — nó hàm ý sự hiểu biết về quá trình học tập, hoàn cảnh gia đình, động lực cá nhân, khó khăn tâm lý, hoàn cảnh kinh tế-xã hội và nhiều yếu tố khác nữa. Yêu cầu này vượt xa khả năng của bất kỳ thuật toán nào hiện nay, và có thể sẽ còn xa trong nhiều năm tới.

Góc nhìn lịch sử mang lại bức tranh đầy tham vọng nhưng thiếu thực tế. Trong tác phẩm Teaching Machines: The History of Personalized Learning, Watters (2021) theo dõi lịch sử các nỗ lực cá nhân hóa giáo dục trong hơn một thế kỷ, từ các cỗ máy dạy học cơ học của Sidney Pressey vào những năm 1920 đến các hệ thống học tập thích ứng được hỗ trợ bởi trí tuệ nhân tạo hiện đại. Watters chỉ ra rằng qua mỗi thập kỷ, công nghệ giáo dục đều đưa ra những lời hứa tương tự về cá nhân hóa, nhưng hiếm khi được thực hiện theo cách các nhà tiên phong tưởng tượng. Lịch sử này không phải lịch sử thất bại công nghệ, mà là lịch sử kỳ vọng quá cao — một mô hình lặp đi lặp lại trong đó công nghệ mới được giới thiệu với lời hứa lớn lao, rồi dần hạ kỳ vọng xuống mức thực tế khi đối mặt với sự phức tạp của giáo dục. Bài học này đặc biệt liên quan đến các nền tảng tư vấn kỹ thuật số hiện đại, vì chúng đang đi theo chính con đường mà các thế hệ công nghệ giáo dục trước đã trải qua.

Tsai, Perrotta và Gašević (2019) đã phân tích sâu hơn những vấn đề liên quan đến cá nhân hóa trong giáo dục, đặc biệt tập trung vào ba yếu tố cốt lõi: quyền chủ động (agency), công bằng (equity) và tính minh bạch (transparency). Về quyền chủ động, các tác giả đặt câu hỏi: khi một hệ thống thuật toán quyết định nội dung và thời điểm can thiệp đối với một sinh viên, liệu sinh viên đó còn có quyền tự quyết định về con đường học tập của mình hay không? Sự mâu thuẫn giữa cá nhân hóa thuật toán và quyền tự chủ của người học là một vấn đề triết học và thực tiễn sâu sắc. Về công bằng, Tsai và cộng sự chỉ ra rằng các hệ thống cá nhân hóa thường được thiết kế dựa trên dữ liệu của nhóm sinh viên đa số, do đó có thể không phản ánh đúng nhu cầu của các nhóm sinh viên thiểu số hoặc nhóm sinh viên có hoàn cảnh đặc biệt. Về tính minh bạch, một vấn đề quan trọng là nhiều hệ thống cá nhân hóa hoạt động như "hộp đen" (black box) — cả sinh viên lẫn cố vấn đều không hiểu rõ tại sao hệ thống đưa ra một khuyến nghị cụ thể, điều này làm giảm đáng kể giá trị của tư vấn học thuật vốn đòi hỏi sự tin tưởng và đối thoại giữa cố vấn và sinh viên.

Tuy nhiên, cần công bằng mà nói, sự phân nhóm — dù không phải là cá nhân hóa theo nghĩa đầy đủ — vẫn mang lại những lợi ích thiết thực. Trong một hệ thống giáo dục đại học với hàng chục ngàn sinh viên, việc có thể xác định nhóm sinh viên đang gặp khó khăn và cung cấp can thiệp phù hợp cho họ đã là một bước tiến so với mô hình "một kích cỡ vừa cho tất cả" (one-size-fits-all) truyền thống. Vấn đề không nằm ở việc phân nhóm có giá trị hay không, mà nằm ở việc các nhà cung cấp công nghệ và các cơ sở giáo dục có trung thực về khả năng thực sự của hệ thống hay không. Khi một nền tảng được quảng cáo là "cá nhân hóa" nhưng thực tế chỉ phân loại sinh viên vào 4–5 nhóm, thì khoảng cách giữa lời hứa và thực tế sẽ dẫn đến kỳ vọng sai lệch ở cả phía nhà quản lý lẫn phía sinh viên.

Để thu hẹp khoảng cách này, cần có một ngôn ngữ phổ biến hơn về khả năng của công nghệ tư vấn. Thay vì gọi là "cá nhân hóa", có thể sử dụng các thuật ngữ chính xác hơn như "tùy chỉnh theo nhóm" (group-tailored) hoặc "thích ứng theo hồ sơ" (profile-adaptive). Điều này giúp thiết lập kỳ vọng phù hợp và mở đường cho các cuộc thảo luận thành thực hơn về cách cải thiện khả năng tư vấn học thuật.

5.2. "Dữ liệu khách quan" — thiên vị trong thuật toán

Một trong những lời hứa mạnh mẽ nhất của công nghệ tư vấn học thuật kỹ thuật số là khả năng thay thế sự chủ quan của con người bằng dữ liệu khách quan. Thông điệp thường được truyền tải là: "Thuật toán không có định kiến và đưa ra quyết định dựa trên dữ liệu thuần túy" — do đó kết quả tư vấn sẽ công bằng hơn và nhất quán hơn. Lời hứa này đặc biệt hấp dẫn trong giáo dục đại học, nơi các quyết định về khóa học và lộ trình học tập ảnh hưởng sâu rộng đến tương lai sinh viên. Tuy nhiên, tiền đề về "dữ liệu khách quan" cần được kiểm chứng chặt chẽ.

Thực tế là dữ liệu giáo dục không bao giờ hoàn toàn khách quan. Mọi dữ liệu được thu thập trong môi trường giáo dục đều mang theo dấu ấn của các bất bình đẳng hệ thống có sẵn trong xã hội — từ sự chênh lệch trong chất lượng giáo dục phổ thông, sự khác biệt về nguồn lực kinh tế, đến các định kiến văn hóa và xã hội sâu rễ. Khi một thuật toán được huấn luyện trên dữ liệu như vậy, nó không chỉ phản ánh các bất bình đẳng hiện có mà còn có nguy cơ khuếch đại chúng. Ví dụ, nếu sinh viên từ các trường phổ thông ở khu vực kinh tế khó khăn có xu hướng có điểm số đầu vào thấp hơn — không phải do năng lực kém hơn mà do điều kiện giáo dục hạn chế — thì một thuật toán dự đoán thành tích dựa trên điểm số đầu vào có thể đánh giá sai tiềm năng của nhóm sinh viên này.

Baker và Hawn (2021) đã phân tích toàn diện về thiên vị thuật toán trong giáo dục, chỉ ra vấn đề tồn tại ở nhiều cấp độ. Ở cấp độ dữ liệu đầu vào, dữ liệu giáo dục thường phản ánh đặc điểm dân số — như chủng tộc, giới tính, tình trạng kinh tế — thông qua các biến số proxy. Ví dụ, mã bưu điện có thể được sử dụng như biến dự đoán, nhưng tương quan mạnh mẽ với tình trạng kinh tế-xã hội. Ở cấp độ thuật toán, ngay cả khi các biến số nhạy cảm bị loại khỏi mô hình, thuật toán vẫn học được các tương quan phức tạp giữa biến số "trung lập" và yếu tố bất bình đẳng nền tảng. Ở cấp độ kết quả, các tác giả cảnh báo quyết định của thuật toán thiên vị có thể tạo "vòng lặp phản hồi" (feedback loop) — khuyến nghị sai lệch dẫn đến kết quả kém hơn, dữ liệu kém này lại huấn luyện thuật toán, củng cố thêm thiên vị ban đầu.

Trong bối cảnh tuyển sinh — lĩnh vực gần gũi với tư vấn học thuật — Marcinkowski và cộng sự (2020) phân tích tác động của sự (không) công bằng của AI trong tuyển sinh. Các tác giả chỉ ra hệ thống AI đang ngày càng được dùng để sàng lọc hồ sơ, dự đoán tiềm năng thành công và đề xuất nhận học sinh. Tuy nhiên, các hệ thống này có thể tạo ra hình thức phân biệt đối xử mới, tinh vi hơn, khó phát hiện hơn so với định kiến con người. Điều đáng quan ngại là khi quyết định bất công do con người đưa ra, nó có thể bị thách thức qua quy trình khiếu nại. Nhưng khi quyết định bất công do thuật toán đưa ra, việc thách thức khó khăn hơn nhiều, đặc biệt khi hệ thống hoạt động dưới dạng "hộp đen".

Li, Xing và Leite (2022) đã khám phá khái niệm "AI công bằng" (fair AI) trong bối cảnh dự đoán kết quả học tập của sinh viên. Các tác giả phát hiện quan trọng: ngay cả khi cố gắng xây dựng thuật toán công bằng bằng kỹ thuật giảm thiểu thiên vị, kết quả vẫn phụ thuộc mạnh mẽ vào bối cảnh cụ thể. Một thuật toán "công bằng" trong một bối cảnh dân số có thể trở nên bất công khi áp dụng ở bối cảnh khác. Điều này có ý nghĩa sâu sắc đối với các nền tảng tư vấn kỹ thuật số, vì chúng thường được kiểm chứng ở một số ít cơ sở giáo dục ở các quốc gia phát triển, sau đó triển khai rộng rãi ở nhiều bối cảnh mà không được đánh giá lại về tính công bằng.

Tuy nhiên, không nên diễn giải các phát hiện trên như một lời bác bỏ hoàn toàn việc sử dụng dữ liệu trong tư vấn học thuật. Dữ liệu — khi được sử dụng có ý thức — có thể giúp phát hiện các mô hình mà con người khó nhận ra. Vấn đề cốt lõi không phải là dữ liệu hay không, mà là cách sử dụng. Việc nhận thức rõ về thiên vị tiềm ẩn, kết hợp với kiểm tra công bằng thường xuyên và sự tham gia của các bên liên quan trong thiết kế, là điều kiện cần thiết để dữ liệu đóng vai trò tích cực.

Một khía cạnh quan trọng là vai trò của con người trong vòng lặp quyết định. Các hệ thống tư vấn tốt nhất hiện nay không thay thế cố vấn mà hỗ trợ họ — cung cấp thông tin dựa trên dữ liệu, nhưng để cho cố vấn đưa ra quyết định cuối cùng. Trong mô hình này, cố vấn có thể sử dụng phán đoán chuyên môn và hiểu biết bối cảnh để điều chỉnh hoặc bác bỏ khuyến nghị của thuật toán khi cần.

5.3. Giữa hỗ trợ và giám sát

Lời hứa về "hỗ trợ chủ động" (proactive support) là một trong những giá trị cốt lõi mà các nền tảng tư vấn học thuật kỹ thuật số đưa ra. Khác với mô hình tư vấn truyền thống, nơi sinh viên phải chủ động tìm đến cố vấn khi cần, các hệ thống kỹ thuật số có thể giám sát liên tục hành vi học tập của sinh viên và chủ động can thiệp khi phát hiện các dấu hiệu bất thường — chẳng hạn như giảm tần suất truy cập hệ thống học tập, điểm bài tập giảm sút, hoặc không đăng ký khóa học đúng hạn. Ý tưởng này, ít nhất về mặt lý thuyết, rất hấp dẫn: không còn sinh viên nào bị bỏ lại phía sau vì họ không biết khi nào nên tìm kiếm sự giúp đỡ.

Tuy nhiên, ranh giới giữa hỗ trợ chủ động và giám sát (surveillance) là một đường rất mỏng và dễ bị vượt qua. Khi một hệ thống liên tục theo dõi các hành vi học tập của sinh viên — khi nào họ đăng nhập, bao lâu họ xem bài giảng, họ làm bài tập ở đâu, họ tương tác với ai — thì hệ thống đó đang thực hiện một hình thức giám sát kỹ thuật số toàn diện. Rooksby, Morrison và Murray-Rust (2019) đã nghiên cứu cách sinh viên nhìn nhận về việc "chuyển hóa kỹ thuật số" (digital phenotyping) — quá trình thu thập và phân tích dữ liệu hành vi số để xây dựng hồ sơ về một người. Các tác giả phát hiện ra rằng nhiều sinh viên cảm thấy không thoải mái với việc bị theo dõi liên tục, ngay cả khi mục đích được tuyên bố là hỗ trợ. Sinh viên cảm thấy rằng sự giám sát này xâm phạm quyền riêng tư cá nhân và tạo ra một môi trường học tập mà họ mô tả là "giống như bị giám sát" (panoptic) — một tham chiếu đến khái niệm Panopticon của Foucault về một không gian mà người bị giam giữ không biết khi nào họ đang được quan sát, dẫn đến việc họ tự điều chỉnh hành vi của mình.

Sự không thoải mái này không chỉ đơn thuần là vấn đề cảm xúc. Rooksby và cộng sự chỉ ra rằng khi sinh viên biết mọi hành vi trực tuyến đang được theo dõi, họ có thể thay đổi hành vi học tập theo cách không mong muốn. Một số sinh viên "làm thêm" (game the system) — thực hiện hành vi tối thiểu để được đánh giá "tương tác tốt" mà không thực sự học hỏi. Những sinh viên khác có thể hạn chế thử nghiệm và khám phá vì sợ hành vi chưa thuần thục sẽ được ghi nhận tiêu cực. Trong cả hai trường hợp, hệ thống được thiết kế để hỗ trợ lại vô tình thay đổi hành vi học tập theo cách không có lợi cho phát triển học thuật thực sự.

Gilliard và Selwyn (2022) phân tích giám sát tự động hóa trong giáo dục dưới lăng kính "chủ nghĩa tư bản giám sát" (surveillance capitalism). Các tác giả lập luận dữ liệu học tập không chỉ phục vụ giáo dục mà còn phục vụ mục đích thương mại — dữ liệu hành vi sinh viên có giá trị kinh tế đối với nhà cung cấp công nghệ. Khi dữ liệu được sử dụng cho mục đích thương mại mà không có sự đồng ý đầy đủ từ sinh viên, ranh giới giữa hỗ trợ giáo dục và bóc lột dữ liệu trở nên mơ hồ. Gilliard và Selwyn đặc biệt lo ngại về "tính thường nhật" (normalization) của giám sát — khi sinh viên quen với việc bị theo dõi, họ chấp nhận nó như phần "bình thường" của cuộc sống, hạ thấp tiêu chuẩn xã hội về quyền riêng tư.

Mutimukwe và cộng sự (2022) nghiên cứu các lo ngại về quyền riêng tư của sinh viên trong phân tích học tập (learning analytics). Các tác giả phát hiện mức độ lo ngại phụ thuộc vào: mức độ minh bạch về thu thập và sử dụng dữ liệu, ai có quyền truy cập, dữ liệu lưu trữ bao lâu, và sinh viên có quyền chọn tham gia hay không. Nghiên cứu cho thấy khi cơ sở giáo dục có chính sách dữ liệu rõ ràng, cho phép sinh viên kiểm soát mức độ tham gia và giải thích minh bạch về mục đích sử dụng, mức độ lo ngại giảm đáng kể. Điều này gợi ý vấn đề không phải là công nghệ giám sát tự nó, mà là cách triển khai và quản lý — và đặc biệt là mức độ tôn trọng quyền tự quyết của sinh viên đối với dữ liệu cá nhân.

Nhìn từ góc độ cân bằng, cần thừa nhận một số hình thức theo dõi dữ liệu học tập là cần thiết. Khả năng phát hiện sớm sinh viên gặp khó khăn — trước khi vấn đề trở thành khủng hoảng — là lợi ích thực sự mà dữ liệu kỹ thuật số mang lại. Vấn đề nằm ở việc thiết kế hệ thống theo nguyên tắc "thu thập tối thiểu" (data minimization), chỉ thu thập dữ liệu thực sự cần thiết, đồng thời đảm bảo sinh viên được thông báo rõ ràng và có quyền kiểm soát dữ liệu của mình. Một hệ thống tư vấn tốt chỉ cần chỉ số học tập cốt lõi — điểm số, tiến độ khóa học, và tín hiệu từ sinh viên — thay vì theo dõi mọi nhấp chuột trên nền tảng.

Ngoài ra, vai trò của cố vấn con người trong việc sử dụng dữ liệu giám sát rất quan trọng. Khi dữ liệu được cố vấn sử dụng trong cuộc trò chuyện cá nhân — "Em có gặp khó khăn gì trong thời gian qua không?" — thì nó trở thành hình thức hỗ trợ có ý nghĩa. Sự khác biệt cốt lõi ở đây là giữa sử dụng dữ liệu như công cụ kiểm soát và như công cụ thấu hiểu.

5.4. "Công bằng" — ai được hưởng lợi?

Khái niệm công bằng (equity) là giá trị nền tảng của giáo dục đại học — và cũng là lời hứa lớn nhất của công nghệ tư vấn kỹ thuật số. Thông điệp thường được nghe là: công nghệ sẽ xóa bỏ khoảng cách, mang cơ hội tư vấn chất lượng cao đến mọi sinh viên, kể cả những người ở khu vực xa xôi hoặc không có điều kiện tiếp cận cố vấn truyền thống. Lời hứa này đặc biệt hấp dẫn trong giáo dục đại học đại chúng, nơi số lượng sinh viên tăng nhanh trong khi nguồn lực cố vấn không theo kịp. Tuy nhiên, câu hỏi quan trọng cần đặt ra là: công nghệ tư vấn kỹ thuật số thực sự mang lại công bằng, hay nó tạo ra những hình thức bất bình đẳng mới?

Khoảng cách kỹ thuật số (digital divide) — vấn đề đã được thảo luận từ những năm 1990 — vẫn tồn tại và có nguy cơ nới rộng. Kumi-Yeboah, Kim và Armah (2023) nghiên cứu chiến lược đối phó với khoảng cách kỹ thuật số trong giáo dục đại học trong bối cảnh COVID-19, phát hiện đại dịch đã phơi bày và khuếch đại bất bình đẳng đã có sẵn. Khi chuyển đổi sang học tập trực tuyến, sinh viên thu nhập thấp, sinh viên nông thôn và nhóm thiểu số gặp nhiều rào cản hơn: thiếu thiết bị, kết nối internet không ổn định, không gian học tập hạn chế và kỹ năng kỹ thuật số thấp hơn. Khi nền tảng tư vấn kỹ thuật số là phần của hệ sinh thái trực tuyến, những rào cản này trực tiếp ảnh hưởng đến khả năng tiếp cận dịch vụ tư vấn.

Woldegiorgis (2022) đã phân tích cụ thể khoảng cách kỹ thuật số trong giáo dục đại học ở Nam Phi — quốc gia có khoảng cách kinh tế-xã hội đặc biệt rõ nét. Tác giả chỉ ra rằng mặc dù chính phủ và các cơ sở giáo dục đã đầu tư đáng kể vào cơ sở hạ tầng kỹ thuật số, khoảng cách giữa các nhóm sinh viên vẫn còn lớn. Sinh viên ở khu vực đô thị với cơ sở hạ tầng tốt thường được hưởng lợi nhiều hơn, trong khi sinh viên nông thôn hoặc khu vực đông người nghèo gặp khó khăn tiếp cận. Điều đáng chú ý là Woldegiorgis phát hiện việc đơn giản cung cấp thiết bị và kết nối là chưa đủ — năng lực kỹ thuật số, ngôn ngữ (nhiều nền tảng chỉ hỗ trợ tiếng Anh) và tính phù hợp văn hóa cũng đóng vai trò quan trọng.

Laufer, Leiser và cộng sự (2021) đã đặt câu hỏi trực diện: giáo dục đại học kỹ thuật số là "người chia rẽ" (divider) hay "người xây cầu" (bridge builder)? Các tác giả phân tích các yếu tố ảnh hưởng đến việc công nghệ giáo dục có đóng vai trò thu hẹp hay nới rộng khoảng cách giáo dục. Họ phát hiện ra rằng kết quả phụ thuộc mạnh mẽ vào cách công nghệ được triển khai và các chính sách hỗ trợ đi kèm. Khi công nghệ được triển khai như một phần của một chiến lược toàn diện — bao gồm đào tạo kỹ năng số, hỗ trợ thiết bị, điều chỉnh nội dung cho phù hợp với bối cảnh địa phương và hỗ trợ cố vấn con người — thì nó có thể đóng vai trò thu hẹp khoảng cách. Nhưng khi công nghệ được triển khai đơn thuần như một giải pháp kỹ thuật mà không có các biện pháp hỗ trợ bổ sung, nó có nguy cơ khuếch đại bất bình đẳng hiện có, bởi vì sinh viên có sẵn điều kiện và kỹ năng sẽ tận dụng được nhiều hơn từ công nghệ, trong khi sinh viên yếu thế lại càng tụt xa hơn.

Một phát hiện đặc biệt đáng quan tâm là sinh viên yếu thế nhất — những người có nhiều nhu cầu về tư vấn nhất — lại thường là những người được hưởng lợi ít nhất từ công nghệ tư vấn kỹ thuật số. Điều này xảy ra vì nhiều lý do: các sinh viên này thường có năng lực kỹ thuật số thấp hơn, gặp khó khăn sử dụng nền tảng kỹ thuật số; họ thường có hoàn cảnh phức tạp hơn — làm thêm chi trả học phí, chăm sóc người thân, hoặc đối mặt khó khăn tâm lý — khiến họ có ít thời gian và năng lượng tương tác với nền tảng; và các nền tảng thường được thiết kế dựa trên giả định về "sinh viên lý tưởng" — có đủ thời gian, kỹ năng và động lực — mà không tính đến sự đa dạng hoàn cảnh thực tế.

Tuy nhiên, cũng cần ghi nhận những nỗ lực giải quyết vấn đề công bằng. Một số cơ sở giáo dục đã triển khai chương trình cung cấp thiết bị mượn cho sinh viên, trung tâm hỗ trợ kỹ thuật số, và phiên bản "nhẹ" của nền tảng tư vấn cho kết nối yếu. Các nhà nghiên cứu cũng đang khám phá thiết kế công nghệ bao trùm (inclusive design), đặt nhu cầu nhóm sinh viên yếu thế vào trung tâm quá trình thiết kế. Những nỗ lực này cho thấy vấn đề không phải không thể giải quyết — nó đòi hỏi cam kết về chính sách và phân bổ nguồn lực.

Để công nghệ tư vấn học thuật thực sự đóng vai trò "người xây cầu" thay vì "người chia rẽ", cần có một cách tiếp cận có hệ thống: đánh giá kỹ lưỡng mức độ sẵn sàng kỹ thuật số của sinh viên, cung cấp hỗ trợ đa dạng cho các nhóm sinh viên khác nhau, thiết kế nền tảng hoạt động được trong nhiều điều kiện kỹ thuật, và duy trì sự kết hợp giữa tư vấn kỹ thuật số và cố vấn con người.

5.5. Chi phí ẩn của "tối ưu chi phí"

Lời hứa về "tối ưu chi phí" (cost optimization) là một trong những động lực chính thúc đẩy các cơ sở giáo dục đại học đầu tư vào công nghệ tư vấn kỹ thuật số. Thông điệp hấp dẫn là: thay vì thuê thêm cố vấn — nguồn lực đắt đỏ và khó mở rộng — hãy sử dụng công nghệ để cung cấp dịch vụ tư vấn với chi phí thấp hơn cho nhiều sinh viên hơn. Lời hứa này có sức hấp dẫn đặc biệt trong bối cảnh nhiều cơ sở giáo dục đang đối mặt với hạn chế ngân sách, giảm sút nguồn tài trợ nhà nước và áp lực phục vụ số lượng sinh viên ngày càng tăng. Tuy nhiên, phân tích kỹ lưỡng về tổng chi phí sở hữu (total cost of ownership) cho thấy bức tranh phức tạp hơn nhiều so với các con số trong bài thuyết trình bán hàng.

Chi phí của một nền tảng tư vấn học thuật kỹ thuật số không chỉ giới hạn ở phí cấp phép ban đầu hoặc phí đăng ký hàng năm — con số thường được nhấn mạnh trong các đề xuất đầu tư. Có một loạt các chi phí ẩn (hidden costs) mà các cơ sở giáo dục thường đánh giá không đầy đủ khi đưa ra quyết định đầu tư. Chi phí cơ sở hạ tầng (infrastructure cost) là khoản đầu tư đầu tiên và thường xuyên bị đánh giá thấp — bao gồm máy chủ, không gian lưu trữ dữ liệu, băng thông mạng, và hệ thống tích hợp với các nền tảng giáo dục hiện có. Nhiều cơ sở giáo dục phát hiện ra rằng cơ sở hạ tầng công nghệ thông tin hiện tại không đủ sức chứa cho một hệ thống tư vấn quy mô lớn, dẫn đến nhu cầu nâng cấp toàn diện — một khoản chi phí có thể vượt xa chi phí phần mềm.

Chi phí đào tạo (training cost) là khoản chi phí khác thường bị bỏ qua. Việc triển khai hệ thống mới đòi hỏi đào tạo cố vấn sử dụng phần mềm, diễn giải dữ liệu, kết hợp khuyến nghị thuật toán với phán đoán chuyên môn, và giao tiếp với sinh viên về hệ thống. Khi hệ thống được cập nhật, quá trình đào tạo phải lặp lại. Chi phí này bao gồm cả chi phí trực tiếp của khóa đào tạo và chi phí cơ hội khi cố vấn dành thời gian cho đào tạo thay vì tư vấn.

Chi phí bảo trì và nâng cấp (maintenance and upgrade cost) là chi phí dài hạn đáng kể. Các nền tảng kỹ thuật số đòi hỏi bảo trì liên tục — vá lỗi, cập nhật bảo mật, tối ưu hiệu suất và tích hợp với hệ thống mới. Khi nhà cung cấp phát hành phiên bản mới, cơ sở giáo dục thường đối mặt quyết định khó khăn: chi trả phí nâng cấp hoặc tiếp tục dùng phiên bản cũ với nguy cơ lỗi thời và không được hỗ trợ. Sự phụ thuộc nhà cung cấp (vendor lock-in) — tình trạng một cơ sở giáo dục bị "giam" vào nhà cung cấp vì chuyển đổi sang nhà cung cấp khác quá tốn kém — là vấn đề đặc biệt nghiêm trọng trong giáo dục đại học, nơi dữ liệu sinh viên và quy trình tư vấn đã tích hợp sâu vào một nền tảng.

Chi phí hội nhập dữ liệu (data integration cost) cũng đáng chú ý. Các hệ thống tư vấn cần dữ liệu từ nhiều nguồn — hệ thống quản lý học tập, hệ thống đăng ký sinh viên, hệ thống quản lý khóa học. Việc kết nối và đồng bộ hóa dữ liệu giữa các hệ thống này là quá trình phức tạp và tốn kém, đòi hỏi chuyên môn kỹ thuật đáng kể. Đôi khi dữ liệu từ các hệ thống khác nhau có định dạng không nhất quán, cần công việc làm sạch và chuẩn hóa — một chi phí ẩn ít người dự báo khi bắt đầu dự án.

Xiao (2019) đã phân tích phê phán các kế hoạch phát triển năm năm về chuyển đổi số trong giáo dục đại học, đặc biệt tại các trường đại học ở Hồng Kông. Xiao cho thấy các kế hoạch này thường trình bày viễn cảnh chuyển đổi số rực rỡ với mục tiêu đầy tham vọng, nhưng thiếu đánh giá thực tế về chi phí và thách thức. Các kế hoạch thường được viết theo hướng "bán hàng nội bộ" (internal selling) — nhấn mạnh lợi ích và giảm nhẹ rủi ro — thay vì cung cấp phân tích trung thực về tổng chi phí sở hữu. Đặc biệt, các kế hoạch thường không tính đến chi phí đào tạo nhân sự, chi phí thay đổi quản lý, và chi phí gián đoạn trong quá trình chuyển đổi.

Các tuyên bố về tỷ suất hoàn vốn đầu tư (ROI) của công nghệ tư vấn cũng cần được xem xét cẩn thận. Nhiều nhà cung cấp tuyên bố hệ thống sẽ "trả vốn" trong một số năm nhất định thông qua giảm chi phí cố vấn, tăng tỷ lệ giữ chân sinh viên và cải thiện hiệu quả tư vấn. Tuy nhiên, các tuyên bố này thường dựa trên giả định thuận lợi — hệ thống hoạt động hoàn hảo ngay từ đầu, tất cả cố vấn sử dụng hệ thống hiệu quả, và không có chi phí bất ngờ. Trong thực tế, triển khai công nghệ giáo dục hiếm khi trơn tru, và chi phí bất ngờ là quy tắc hơn ngoại lệ.

Tuy nhiên, việc chỉ ra các chi phí ẩn không đồng nghĩa với việc công nghệ tư vấn học thuật không có giá trị kinh tế. Đúng hơn, nó đòi hỏi một cách tiếp cận thực tế hơn đối với việc đánh giá đầu tư. Các cơ sở giáo dục cần sử dụng các mô hình tổng chi phí sở hữu đầy đủ, bao gồm tất cả các loại chi phí đã đề cập, và cần có kỳ vọng thực tế về thời gian hoàn vốn. Đồng thời, việc xây dựng năng lực nội bộ — thay vì phụ thuộc hoàn toàn vào nhà cung cấp — có thể giúp giảm chi phí dài hạn và giảm thiểu rủi ro phụ thuộc.

5.6. Số hóa thói cũ — "đổi mới" thực chất là gì?

Khái niệm "đổi mới" (innovation) gắn liền với mọi chiến dịch tiếp thị công nghệ giáo dục. Khi một nền tảng tư vấn học thuật mới được giới thiệu, nó hầu như luôn được mô tả là "đột phá", "cách mạng" hoặc "chuyển đổi" — những từ ngữ gợi lên hình ảnh về một sự thay đổi triệt để trong cách tư vấn học thuật được thực hiện. Tuy nhiên, khi quan sát kỹ hơn cách các công nghệ này thực sự được sử dụng trong thực tế, một mô hình đáng chú ý xuất hiện: nhiều công nghệ giáo dục không thực sự thay đổi thực hành giáo dục mà đơn thuần số hóa các thực hành hiện có — một hiện tượng mà có thể gọi là "số hóa thói cũ" (digitizing old habits).

Ritzer, Jandrić và Hayes (2018) phân tích hiện tượng này dưới khái niệm "chiếc lồng nhung của tiêu dùng giáo dục" (velvet cage of educational consumption). Các tác giả lập luận công nghệ giáo dục, thay vì giải phóng giáo dục khỏi ràng buộc truyền thống, thường tạo ra "chiếc lồng" mới — tinh tế hơn, thoải mái hơn, nhưng vẫn là chiếc lồng. Trong tư vấn học thuật, điều này có nghĩa là công nghệ có thể biến quá trình tư vấn thành trải nghiệm tiêu chuẩn hóa, tự động hóa và được đo lường — nhưng bản chất vẫn tuân theo logic quản lý học đường truyền thống: đảm bảo sinh viên hoàn thành chương trình đúng hạn, đạt điểm cao và không gây rắc rối. "Đổi mới" ở đây chủ yếu là về hình thức — kỹ thuật số thay vì giấy tờ, thuật toán thay vì con người — nhưng bản chất quá trình tư vấn vẫn giữ nguyên.

Teräs, Suoranta và cộng sự (2020) đã phê phán cái mà họ gọi là "giải pháp công nghệ" (edtech solutionism) — niềm tin rằng mọi vấn đề giáo dục đều có thể được giải quyết bằng công nghệ. Các tác giả chỉ ra rằng thị trường công nghệ giáo dục đang hoạt động như một "thị trường của người bán" (seller's market) — trong đó các nhà cung cấp công nghệ định nghĩa vấn đề và đề xuất giải pháp, trong khi các nhà giáo dục và sinh viên — những người trực tiếp chịu ảnh hưởng — ít có tiếng nói trong việc xác định vấn đề và thiết kế giải pháp. Trong bối cảnh tư vấn học thuật, điều này có nghĩa là các nền tảng tư vấn kỹ thuật số thường được thiết kế dựa trên giả định của các nhà công nghệ về những gì cố vấn và sinh viên cần, thay vì dựa trên nghiên cứu sâu sắc về thực tế tư vấn học thuật. Kết quả là, các nền tảng này có thể giải quyết rất tốt những vấn đề mà người dùng không thực sự quan tâm, trong khi bỏ qua những thách thức thực sự của tư vấn học thuật — chẳng hạn như việc tư vấn cho sinh viên có hoàn cảnh đặc biệt, hỗ trợ sinh viên trong việc định hướng nghề nghiệp, hoặc giúp sinh viên đối phó với khó khăn tâm lý.

Buckingham Shum và Luckin (2019) phân tích "chính trị và sư phạm của phân tích học tập" (politics and pedagogy of learning analytics), cung cấp khung phân tích cho việc hiểu cách phân tích dữ liệu — bao gồm nền tảng tư vấn học thuật — được định hình bởi lực lượng chính trị và sư phạm. Các tác giả chỉ ra rằng quyết định thu thập dữ liệu gì, phân tích cách nào, và sử dụng kết quả ra sao không phải quyết định kỹ thuật thuần túy mà là quyết định mang tính chính trị — phản ánh ưu tiên giá trị, mô hình quyền lực và triết lý giáo dục cụ thể. Khi hệ thống tư vấn được thiết kế để tối ưu hóa tỷ lệ hoàn thành chương trình, nó phản ánh triết lý coi hiệu suất học thuật là thước đo chính thành công — bỏ qua các khía cạnh quan trọng khác như phát triển cá nhân, khám phá trí tuệ và tư duy phản biện.

Tuy nhiên, việc phê phán "số hóa thói cũ" không đồng nghĩa với phủ nhận mọi đổi mới thực sự. Có những khu vực công nghệ mang lại khả năng mới không thể đạt được với phương pháp truyền thống. Khả năng phân tích dữ liệu tổng hợp từ hàng ngàn sinh viên để xác định mô hình khó khăn chung — ví dụ, "sinh viên nhóm X thường gặp khó khăn trong môn Y vào học kỳ Z" — là khả năng cố vấn cá nhân không thể thực hiện. Khả năng cung cấp thông tin cập nhật liên tục — thay vì đợi đến buổi hẹn cố vấn định kỳ — cũng là cải thiện thực sự. Khả năng tạo cầu nối giữa cố vấn và sinh viên, giúp cả hai có dữ liệu chung để thảo luận, có thể làm phong phú hơn cuộc trò chuyện tư vấn.

Điểm quan trọng là cần phân biệt giữa ba mức độ "đổi mới" trong công nghệ tư vấn học thuật. Mức độ thứ nhất là số hóa (digitization) — chuyển đổi các quy trình thủ công sang định dạng kỹ thuật số mà không thay đổi bản chất quy trình. Ví dụ: chuyển từ sổ đăng ký cố vấn bằng giấy sang hệ thống đặt lịch trực tuyến. Đây là một cải thiện về hiệu suất nhưng không phải là đổi mới sư phạm. Mức độ thứ hai là tăng cường (enhancement) — sử dụng công nghệ để cải thiện các quy trình hiện có một cách đáng kể. Ví dụ: sử dụng dữ liệu hành vi để xác định sớm sinh viên gặp khó khăn. Đây là một bước tiến thực sự nhưng vẫn hoạt động trong khuôn khổ của mô hình tư vấn truyền thống. Mức độ thứ ba là chuyển đổi (transformation) — sử dụng công nghệ để tái định hình cách tư vấn học thuật được hiểu và thực hiện. Ví dụ: tạo ra các mô hình tư vấn đồng đẳng được hỗ trợ bởi công nghệ, nơi sinh viên có thể nhận tư vấn từ bạn đồng trang lứa được đào tạo với sự hỗ trợ của phân tích dữ liệu. Đây là mức độ đổi mới thực sự, nhưng cũng là mức độ khó đạt được nhất.

Nhìn chung, phần lớn các nền tảng tư vấn học thuật kỹ thuật số hiện tại hoạt động ở mức độ thứ nhất và thứ hai — số hóa và tăng cường — trong khi được tiếp thị như thể đang ở mức độ thứ ba — chuyển đổi. Điều này không có nghĩa là chúng vô giá trị, mà có nghĩa là khoảng cách giữa lời hứa "đổi mới" và thực tế cần được thu hẹp thông qua ngôn ngữ truyền thông trung thực hơn và kỳ vọng phù hợp hơn.

Thay vì coi công nghệ như "đột phá" tự nhiên, cần nhìn nhận nó như một công cụ — một công cụ mạnh mẽ nhưng cần được sử dụng một cách có ý thức, có chiến lược và có sự phản tư liên tục. Chỉ khi công nghệ được đặt trong bối cảnh của một triết lý giáo dục rõ ràng, một chiến lược tổ chức được tính toán kỹ lưỡng, và một cam kết đối với sự phát triển chuyên môn của cố vấn, thì nó mới có thể đóng vai trò thực sự trong việc chuyển đổi tư vấn học thuật — thay vì chỉ đơn thuần số hóa các thói quen cũ.

Tiểu kết chương 5

Sáu lĩnh vực được phân tích trong chương này — từ cá nhân hóa đến đổi mới — không phải là sáu vấn đề riêng biệt mà là sáu góc nhìn khác nhau về một hiện tượng cốt lõi: khoảng cách giữa lời hứa và thực tế trong công nghệ tư vấn học thuật kỹ thuật số. Phân tích cho thấy các lời hứa này không hoàn toàn sai — công nghệ tư vấn thực sự có khả năng cải thiện một số khía cạnh — nhưng chúng thường được trình bày đơn giản hóa và quá mức so với khả năng thực tế. Cá nhân hóa thực chất là phân nhóm tinh tế hơn; dữ liệu "khách quan" mang theo thiên vị hệ thống; hỗ trợ chủ động có nguy cơ biến thành giám sát; công bằng kỹ thuật số có thể khuếch đại bất bình đẳng; tối ưu chi phí thường bỏ qua chi phí ẩn; và nhiều "đổi mới" thực chất là số hóa thực hành hiện có.

Mục đích của giải cấu trúc không phải phủ nhận giá trị công nghệ, mà tạo không gian cho cuộc đối thoại thành thực và có chiều sâu về vai trò công nghệ trong tư vấn học thuật. Khi hiểu rõ cả tiềm năng lẫn giới hạn, chúng ta mới có thể đưa ra quyết định sáng suốt về cách — và khi nào — sử dụng công nghệ một cách hiệu quả nhất. Chương tiếp theo sẽ đi sâu vào góc nhìn thực tiễn hơn: làm thế nào tận dụng những gì công nghệ thực sự mang lại, đồng thời giảm thiểu những rủi ro đã được xác định trong chương này.

CHƯƠNG 6: GÓC NHÌN TỪ BỐI CẢNH VIỆT NAM

6.1. Chuyển đổi số giáo dục đại học Việt Nam: từ chủ trương đến thực tiễn

Chuyển đổi số trong giáo dục đại học tại Việt Nam không phải là một hiện tượng mới xuất hiện trong vài năm trở lại đây, mà là một quá trình phát triển có tính kế thừa, bắt nguồn từ những chủ trương chính sách cấp quốc gia và được triển khai từng bước thông qua các chương trình hành động cụ thể của ngành giáo dục. Để hiểu rõ vị trí và vai trò của cố vấn học tập số trong bối cảnh Việt Nam, chúng ta cần nhìn nhận bức tranh chuyển đổi số giáo dục đại học một cách toàn diện, từ khung chính sách đến thực tế triển khai, từ những thành tựu ban đầu đến những thách thức còn tồn đọng.

6.1.1. Khung chính sách chuyển đổi số quốc gia và giáo dục

Quá trình chuyển đổi số tại Việt Nam được thúc đẩy mạnh mẽ bởi các chính sách cấp quốc gia. Năm 2020, Thủ tướng Chính phủ đã ban hành Quyết định số 131/QĐ-TTg phê duyệt "Chương trình chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030". Chương trình này đặt ra ba trụ cột chính: (i) chính phủ số, (ii) kinh tế số, và (iii) xã hội số. Trong đó, giáo dục được xác định là một trong những lĩnh vực ưu tiên chuyển đổi số, nhằm hiện đại hóa quản lý, nâng cao chất lượng dạy học và đảm bảo công bằng trong tiếp cận tri thức (Quyết định 131/QĐ-TTg, 2020). Chương trình nhấn mạnh việc xây dựng hạ tầng số, phát triển dữ liệu số và đảm bảo an toàn thông tin mạng, tạo tiền đề cho các cơ sở giáo dục đại học triển khai các giải pháp số hóa trong hoạt động đào tạo và quản lý.

Tiếp nối chủ trương quốc gia, Bộ Giáo dục và Đào tạo đã ban hành "Đề án chuyển đổi số ngành Giáo dục và Đào tạo giai đoạn 2022-2025, tầm nhìn đến năm 2030". Đề án này xác định rõ các mục tiêu cụ thể cho giáo dục đại học, bao gồm: (i) số hóa toàn bộ hồ sơ, tài liệu, học liệu; (ii) ứng dụng công nghệ thông tin trong quản lý và điều hành; (iii) phát triển hệ thống giáo dục mở và học tập trực tuyến; và (iv) xây dựng cơ sở dữ liệu ngành giáo dục kết nối với cơ sở dữ liệu quốc gia. Đề án cũng đặt mục tiêu đến năm 2025, 100% cơ sở giáo dục đại học có hệ thống quản lý học vụ điện tử, 80% chương trình đào tạo có học liệu số hóa, và 50% học phần được tổ chức dưới hình thức kết hợp (blended learning) hoặc trực tuyến (Bộ GD&ĐT, 2022).

Một văn bản quan trọng khác là Thông tư số 10/2021/TT-BGDĐT quy định về quản lý hoạt động đào tạo trình độ đại học của cơ sở giáo dục đại học. Thông tư này có những quy định liên quan trực tiếp đến việc ứng dụng công nghệ thông tin trong quản lý đào tạo, bao gồm yêu cầu về hệ thống quản lý điểm số, kết quả học tập của sinh viên, và việc sử dụng hệ thống thông tin để theo dõi, đánh giá tiến độ học tập của sinh viên. Những quy định này tạo hành lang pháp lý cho các trường đại học triển khai các nền tảng số hỗ trợ công tác cố vấn học tập (Thông tư 10/2021/TT-BGDĐT, 2021).

6.1.2. Các cột mốc quan trọng giai đoạn 2017-2024

Quá trình chuyển đổi số giáo dục đại học Việt Nam có thể được chia thành các giai đoạn với những cột mốc đáng chú ý. Giai đoạn 2017-2019 có thể coi là giai đoạn chuẩn bị, khi các trường đại học bắt đầu đầu tư vào hạ tầng công nghệ thông tin cơ bản. Nhiều trường đã triển khai hệ thống quản lý học vụ điện tử, nâng cấp mạng mạng nội bộ, và bắt đầu thử nghiệm các nền tảng học tập trực tuyến (Quy, Vũ Khánh, Thành, Bùi Trung, Chehri, Abdellah et al., 2023). Tuy nhiên, trong giai đoạn này, chuyển đổi số chủ yếu tập trung ở các trường đại học lớn tại khu vực Hà Nội và TP. Hồ Chí Minh, với mức độ đầu tư và triển khai còn hạn chế.

Giai đoạn 2020-2021 đánh dấu một bước ngoặt quan trọng, khi đại dịch COVID-19 buộc toàn bộ hệ thống giáo dục đại học phải chuyển đổi sang hình thức dạy và học trực tuyến đột ngột. Đây là "thử thách" thực tế lớn nhất đối với năng lực số hóa của các trường đại học Việt Nam. Theo nghiên cứu của Trí, Nguyễn Minh và Hoàng, Phạm Duy (2023), đại dịch đã tạo ra áp lực "chuyển đổi ép buộc" (forced transformation), khiến các trường phải triển khai nhanh chóng các giải pháp trực tuyến mà trước đó chỉ nằm ở mức thử nghiệm hoặc kế hoạch. Nhiều trường đã phải đầu tư gấp vào hạ tầng máy chủ, nâng cấp băng thông mạng, và đào tạo giảng viên về sử dụng công cụ trực tuyến. Cú sốc này, dù gây nhiều khó khăn, lại tạo ra động lực mạnh mẽ cho chuyển đổi số giáo dục đại học.

Giai đoạn 2022-2024 chứng kiến sự ổn định và củng cố. Các trường đại học bắt đầu hệ thống hóa quá trình chuyển đổi số thay vì đối phó tình huống. Nhiều trường đã xây dựng chiến lược chuyển đổi số riêng, thành lập các đơn vị chuyên trách về chuyển đổi số, và đầu tư vào các nền tảng quản lý dữ liệu tập trung. Theo nghiên cứu của Quy, Vũ Khánh, Thành, Bùi Trung, Chehri, Abdellah et al. (2023) về cách tiếp cận chuyển đổi số và trí tuệ nhân tạo tại một trường đại học cụ thể ở Việt Nam, các trường đại học Việt Nam đang bước vào giai đoạn chuyển từ "số hóa" (digitization) — tức là chuyển tài liệu vật lý thành dạng số — sang "chuyển đổi số" (digital transformation) — tức là thay đổi quy trình, phương thức hoạt động dựa trên nền tảng công nghệ số.

6.1.3. Tầm nhìn đến năm 2030

Tầm nhìn đến năm 2030 được xác định trong Chương trình chuyển đổi số quốc gia và Đề án chuyển đổi số ngành Giáo dục và Đào tạo khá tham vọng nhưng cũng bám sát khả năng thực tế. Về giáo dục đại học, mục tiêu đến năm 2030 bao gồm: (i) hoàn thành chuyển đổi số toàn diện trong quản lý, điều hành và đào tạo; (ii) áp dụng trí tuệ nhân tạo trong phân tích dữ liệu giáo dục và hỗ trợ ra quyết định; (iii) xây dựng hệ sinh thái giáo dục số kết nối, mở; và (iv) phát triển năng lực số cho toàn bộ đội ngũ giảng viên, nhân viên và sinh viên.

Đối với lĩnh vực cố vấn học tập cụ thể, tầm nhìn này mở ra không gian cho việc áp dụng các giải pháp số hóa trong hỗ trợ sinh viên. Tuy nhiên, cần lưu ý rằng trong các văn bản chính sách hiện hành, thuật ngữ "cố vấn học tập số" chưa xuất hiện một cách rõ ràng. Các chính sách chủ yếu đề cập đến chuyển đổi số trong quản lý đào tạo, dạy học trực tuyến và đánh giá kết quả học tập. Việc áp dụng công nghệ số vào công tác cố vấn học tập do đó thuộc phạm vi "chuyển đổi số trong quản lý sinh viên" hoặc "hỗ trợ sinh viên dựa trên dữ liệu", cần được các trường đại học chủ động triển khai trong khuôn khổ chuyển đổi số chung.

Nghiên cứu của Trí, Nguyễn Minh và Hoàng, Phạm Duy (2023) chỉ ra rằng mức độ chuyển đổi số trong giáo dục đại học Việt Nam hiện nay vẫn ở mức "phát triển" (developing) theo thang đo của chỉ số chuyển đổi số, chưa đạt mức " trưởng thành" (mature). Điều này phản ánh đúng thực tế: nhiều trường đã có hạ tầng và hệ thống cơ bản, nhưng việc tích hợp và khai thác dữ liệu để tạo ra giá trị thực sự cho người học — trong đó có cố vấn học tập — vẫn còn ở giai đoạn đầu.

---

6.2. Thực trạng cố vấn học tập tại các trường đại học Việt Nam

Cố vấn học tập (academic advising) tại các trường đại học Việt Nam là một chức năng giáo dục quan trọng nhưng thường không được chú trọng đúng mức so với các hoạt động giảng dạy và nghiên cứu. Để đánh giá khả năng áp dụng công nghệ số vào công tác cố vấn học tập, chúng ta cần hiểu rõ thực trạng hiện nay, từ khung chính sách đến thực tế triển khai, từ mô hình tổ chức đến những hạn chế tồn tại.

6.2.1. Khung chính sách về cố vấn học tập

Cố vấn học tập tại Việt Nam được quy định trong khung pháp lý về giáo dục đại học. Luật Giáo dục đại học (sửa đổi, bổ sung năm 2018) đã có những quy định liên quan đến trách nhiệm hỗ trợ sinh viên của giảng viên và nhà trường. Theo đó, cơ sở giáo dục đại học có trách nhiệm tổ chức hoạt động cố vấn học tập cho sinh viên, nhằm giúp sinh viên hoạch định lộ trình học tập, lựa chọn học phần phù hợp, và giải quyết các vấn đề liên quan đến quá trình học đại học (Luật Giáo dục đại học sửa đổi 2018, Điều 17). Tuy nhiên, luật không quy định chi tiết về hình thức, nội dung và tiêu chuẩn tổ chức công tác cố vấn học tập, mà giao cho các trường tự quy định trong quy chế đào tạo nội bộ.

Nhiều trường đại học đã ban hành quy chế cố vấn học tập riêng, trong đó quy định mỗi sinh viên sẽ được phân công một giảng viên làm cố vấn học tập trong suốt quá trình học tập. Cố vấn học tập có trách nhiệm hướng dẫn sinh viên đăng ký học phần, theo dõi kết quả học tập, tư vấn về lộ trình nghề nghiệp, và hỗ trợ sinh viên khi gặp khó khăn. Tuy nhiên, mức độ cụ thể của các quy chế này khác nhau rất lớn giữa các trường, và việc thực thi thường không đồng đều.

6.2.2. Thực tế triển khai: chủ yếu thủ công và phụ thuộc năng lực cá nhân

Trên thực tế, công tác cố vấn học tập tại phần lớn các trường đại học Việt Nam vẫn được thực hiện theo phương thức thủ công, chủ yếu thông qua gặp mặt trực tiếp giữa giảng viên và sinh viên. Giảng viên cố vấn thường nhận danh sách sinh viên được phân công, sau đó liên hệ qua điện thoại hoặc email để hẹn gặp mặt. Trong các buổi gặp mặt, ghi chép thường được thực hiện bằng sổ tay hoặc file Excel đơn giản. Không có hệ thống tập trung nào lưu trữ thông tin về các buổi tư vấn, nội dung đã trao đổi, hay kế hoạch hành động theo dõi sinh viên.

Phương thức thủ công này dẫn đến sự phụ thuộc lớn vào năng lực, kinh nghiệm và thái độ của từng giảng viên. Giảng viên nhiệt tình và có kinh nghiệm sẽ chủ động liên hệ sinh viên, theo dõi sát sao kết quả học tập và cung cấp tư vấn có giá trị. Ngược lại, giảng viên bận rộn hoặc thiếu kinh nghiệm có thể chỉ thực hiện công tác cố vấn một cách hình thức, đợi sinh viên主动 liên hệ thay vì chủ động tiếp cận. Sự không đồng đều này tạo ra "lucky draw" (bốc thăm may rủi) cho sinh viên — chất lượng tư vấn phụ thuộc vào việc sinh viên được phân công cho giảng viên nào hơn là vào một hệ thống hỗ trợ nhất quán.

6.2.3. Tỷ lệ sinh viên trên cố vấn học tập

Một trong những thách thức lớn nhất của công tác cố vấn học tập tại Việt Nam là tỷ lệ sinh viên trên mỗi cố vấn học tập quá cao. Theo thông tin từ các trường đại học, tỷ lệ này thường dao động từ 1:50 đến 1:200, tức là mỗi giảng viên phải phụ trách từ 50 đến 200 sinh viên. Trong điều kiện giảng viên đã phải đảm nhận khối lượng công việc giảng dạy, nghiên cứu và quản lý đáng kể, việc dành đủ thời gian và tâm huyết cho công tác cố vấn với số lượng sinh viên lớn như vậy là gần như không khả thi.

Tỷ lệ cao này xuất phát từ nhiều nguyên nhân. Thứ nhất, số lượng giảng viên cơ hữu tại nhiều trường không đủ so với quy mô đào tạo, đặc biệt là trong giai đoạn mở rộng quy mô giáo dục đại học những năm 2010-2020. Thứ hai, cơ chế tính toán và trả lương cho công tác cố vấn học tập thường không tương xứng với công sức bỏ ra, khiến nhiều giảng viên coi đây là nhiệm vụ phụ而非 trọng tâm. Thứ ba, thiếu hệ thống hỗ trợ công nghệ khiến mỗi giảng viên phải tự mình quản lý thông tin của hàng chục đến hàng trăm sinh viên bằng phương pháp thủ công, làm tăng gánh nặng công việc.

6.2.4. Một số trường tiên phong trong áp dụng công nghệ

Mặc dù thực trạng chung còn hạn chế, một số trường đại học tiên phong đã bắt đầu áp dụng công nghệ vào công tác cố vấn và hỗ trợ sinh viên. Đại học Ngoại thương (FTU), Đại học Kinh tế Quốc dân (NEU), Đại học Bách khoa Hà Nội (HUST) và Đại học Công nghệ (UET) thuộc Đại học Quốc gia Hà Nội là những ví dụ tiêu biểu.

Tại Đại học Ngoại thương, hệ thống quản lý học vụ điện tử đã được nâng cấp để cung cấp cho giảng viên dashboadrd theo dõi tình hình học tập của sinh viên thuộc diện phụ trách. Giảng viên có thể xem điểm số, tiến độ tích lũy tín chỉ, và tình trạng nợ môn của sinh viên thông qua giao diện trực quan thay vì phải tra cứu thủ công qua nhiều nguồn khác nhau. Tại Đại học Bách khoa Hà Nội, hệ thống cảnh báo sớm (early alert) cơ bản đã được triển khai, tự động gửi email cho giảng viên khi sinh viên thuộc diện phụ trách có điểm số thấp hoặc vắng mặt nhiều.

Nhiều trường đang sử dụng các hệ thống quản lý học tập (LMS) như Moodle, Canvas, hoặc các nền tảng phát triển nội bộ (in-house) để hỗ trợ hoạt động giảng dạy và theo dõi tiến độ học tập của sinh viên. Các hệ thống này tạo ra lượng dữ liệu đáng kể về tương tác của sinh viên với học liệu, thời gian nộp bài tập, và kết quả đánh giá. Tuy nhiên, dữ liệu này chủ yếu được sử dụng cho mục đích giảng dạy cụ thể của từng học phần, chưa được tích hợp ở mức độ toàn trường để phục vụ công tác cố vấn học tập tổng thể.

Đại học Quốc gia Hà Nội và Đại học Quốc gia TP. Hồ Chí Minh đã có những bước đi tiên phong trong việc xây dựng hệ thống dữ liệu sinh viên tập trung (student data warehouse), tạo nền tảng cho việc phân tích dữ liệu học tập ở quy mô lớn. Tuy nhiên, việc chuyển từ có dữ liệu sang sử dụng dữ liệu cho mục đích cố vấn học tập đòi hỏi một bước chuyển đổi về tư duy và mô hình tổ chức mà nhiều trường vẫn đang trong quá trình tìm hiểu.

6.2.5. Sự xuất hiện của các nền tảng dashboard và báo cáo

Gần đây, một số trường đại học đã bắt đầu triển khai các nền tảng dashboard và báo cáo học tập cho cả cấp quản lý và cấp giảng viên. Các dashboard này tổng hợp dữ liệu từ nhiều nguồn — điểm số, thông tin đăng ký học phần, kết quả đánh giá năng lực đầu vào, dữ liệu tài chính học phí — để cung cấp bức tranh toàn cảnh về tình hình học tập của sinh viên. Dù còn ở giai đoạn đầu, đây là bước tiến quan trọng vì nó chuyển đổi phương thức quản lý sinh viên từ "phản ứng" (reactive) sang "chủ động" (proactive): thay vì đợi đến khi sinh viên gặp rủi ro mới can thiệp, trường có thể nhận diện sớm các dấu hiệu cảnh báo thông qua dữ liệu.

---

6.3. Những điều đã đạt được

Dù còn nhiều hạn chế, giáo dục đại học Việt Nam đã đạt được những thành tựu đáng kể trong quá trình chuyển đổi số, tạo nền tảng quan trọng cho việc phát triển các giải pháp cố vấn học tập số trong tương lai. Phần này sẽ phân tích những điều đã đạt được một cách khách quan, tránh đánh giá quá cao nhưng cũng không phủ nhận những tiến bộ thực tế.

6.3.1. Hệ thống quản lý học vụ số hóa

Thành tựu rõ nét nhất trong chuyển đổi số giáo dục đại học Việt Nam là việc số hóa hệ thống quản lý học vụ. Hầu hết các trường đại học công lập và nhiều trường tư thục đã triển khai hệ thống quản lý học vụ điện tử (Academic Management Information System — AMIS hoặc các hệ thống tương đương). Các hệ thống này quản lý các quy trình cốt lõi như: đăng ký tuyển sinh, nhập học, đăng ký học phần, quản lý điểm số, xếp hạng tốt nghiệp, và cấp bằng tốt nghiệp.

Việc số hóa hệ thống quản lý học vụ có ý nghĩa đặc biệt quan trọng đối với cố vấn học tập số vì nó tạo ra nguồn dữ liệu cấu trúc (structured data) về kết quả học tập, tiến độ đào tạo và hành vi đăng ký của sinh viên. Dữ liệu này là nguyên liệu thô (raw material) cần thiết cho mọi hệ thống phân tích và hỗ trợ ra quyết định. Nếu không có hệ thống quản lý học vụ số hóa, việc triển khai cố vấn học tập số sẽ không có cơ sở dữ liệu để vận hành.

Theo nghiên cứu của Nguyễn-Anh, Tuấn, Nguyễn, Anh T., Trần-Phương, Chi et al. (2022) về chuyển đổi số giáo dục đại học từ góc nhìn học tập trực tuyến, Việt Nam đã có bước tiến đáng kể trong việc xây dựng hạ tầng số cho giáo dục đại học, đặc biệt sau giai đoạn đại dịch COVID-19. Nghiên cứu so sánh giữa Việt Nam và Nhật Bản cho thấy tốc độ số hóa quản lý học vụ tại Việt Nam khá tương đồng với các nước phát triển trong khu vực, dù mức độ tinh vi (sophistication) của hệ thống còn kém hơn.

6.3.2. E-learning: bài giảng điện tử và bài tập trực tuyến

Sự phát triển của e-learning tại các trường đại học Việt Nam là một thành tựu đáng ghi nhận, đặc biệt trong bối cảnh đại dịch COVID-19. Các nền tảng học tập trực tuyến đã được triển khai rộng rãi, bao gồm Moodle, Canvas, Google Classroom, và các nền tảng nội bộ. Nhiều trường đã xây dựng kho học liệu số (learning repository) với hàng ngàn bài giảng điện tử, video bài giảng, và tài liệu học tập số hóa.

Tăng, Sang My và Tiên, Nguyễn Hùng (2020) đã nghiên cứu xu hướng chuyển đổi số trong giáo dục đại học Việt Nam thông qua mô hình blended learning. Kết quả nghiên cứu cho thấy blended learning đã trở thành xu hướng phổ biến tại nhiều trường đại học Việt Nam, kết hợp giữa dạy học trực tiếp trên lớp và các hoạt động học tập trực tuyến. Sự kết hợp này tạo ra dữ liệu về hành vi học tập trực tuyến của sinh viên — bao gồm tần suất truy cập hệ thống, thời gian xem video bài giảng, số lần nộp bài tập, và điểm số bài tập trực tuyến — có thể được sử dụng làm dữ liệu đầu vào cho hệ thống cố vấn học tập số.

6.3.3. Số hóa điểm số và kết quả học tập: nền tảng cho analytics

Việc số hóa điểm số và kết quả học tập, tuy tưởng chừng đơn giản, lại là nền tảng quan trọng nhất cho mọi hình thức phân tích dữ liệu giáo dục (learning analytics) và cố vấn học tập số. Trước đây, điểm số được lưu trữ trên giấy hoặc file Excel phân tán, khiến việc tổng hợp và phân tích ở quy mô lớn là bất khả thi. Hiện nay, hầu hết các trường đã có cơ sở dữ liệu điểm số điện tử, cho phép truy xuất và phân tích nhanh chóng.

Dữ liệu điểm số số hóa cho phép thực hiện nhiều phân tích có giá trị cho công tác cố vấn: xác định sinh viên có nguy cơ trượt học phần, phát hiện sinh viên có xu hướng giảm điểm theo thời gian, so sánh hiệu suất giữa các nhóm sinh viên, và dự đoán kết quả học tập dựa trên các mẫu dữ liệu lịch sử. Một số trường đã sử dụng dữ liệu điểm số để xây dựng báo cáo định kỳ về tình hình học tập của sinh viên, giúp giảng viên cố vấn có thêm thông tin khi tư vấn.

6.3.4. Early alert cơ bản và nhắc nhở qua email/SMS

Một số trường đại học đã triển khai các hệ thống cảnh báo sớm ở mức độ cơ bản. Các hệ thống này thường hoạt động theo quy tắc đơn giản (rule-based): nếu sinh viên có điểm quá thấp ở kỳ trước, hoặc chưa đăng ký đủ số tín chỉ quy định, hệ thống sẽ tự động gửi email hoặc SMS nhắc nhở. Dù còn đơn giản, các hệ thống này đã thể hiện bước chuyển từ quản lý sinh viên thụ động sang chủ động.

Ví dụ, một số trường áp dụng quy tắc: khi sinh viên có điểm trung bình tích lũy (GPA) dưới 1.5 trong hai kỳ liên tiếp, hệ thống sẽ gửi cảnh báo cho giảng viên cố vấn và sinh viên. Hoặc khi sinh viên chưa hoàn thành nợ môn sau thời hạn quy định, hệ thống sẽ thông báo cho các bên liên quan. Các quy tắc này tuy đơn giản nhưng đã giúp giảm thiểu tình trạng sinh viên "mất dấu" (falling through the cracks) — rơi vào tình trạng nguy hiểm mà không ai nhận biết.

6.3.5. Chatbot hỗ trợ thông tin chung

Một thành tựu gần đây là việc triển khai chatbot để hỗ trợ thông tin chung tại nhiều trường đại học. Các chatbot này chủ yếu phục vụ mục đích tuyến sinh (recruitment), cung cấp thông tin về chương trình đào tạo, học phí, học bổng, và thủ tục hành chính cho sinh viên và phụ huynh. Một số trường đã tích hợp chatbot vào website hoặc fanpage Facebook, cho phép người dùng hỏi đáp trực tiếp.

Chatbot hiện tại ở các trường đại học Việt Nam chủ yếu hoạt động dựa trên quy tắc (rule-based chatbot) hoặc sử dụng các mô hình ngôn ngữ đơn giản (simple NLP). Chức năng hỗ trợ cố vấn học tập chuyên sâu chưa được triển khai — chatbot chưa thể tư vấn về lộ trình học tập cá nhân, phân tích điểm số, hay đưa ra khuyến nghị học tập phù hợp. Tuy nhiên, sự hiện diện của chatbot cho thấy cả nhà trường và sinh viên đang dần quen với việc tương tác với các hệ thống hỗ trợ tự động, tạo tiền đề tâm lý cho việc chấp nhận các giải pháp cố vấn học tập số phức tạp hơn trong tương lai.

---

6.4. Thách thức đặc thù

Bên cạnh những thành tựu đã đạt được, giáo dục đại học Việt Nam phải đối mặt với nhiều thách thức đặc thù khi triển khai chuyển đổi số nói chung và cố vấn học tập số nói riêng. Những thách thức này không chỉ mang tính kỹ thuật mà còn liên quan đến văn hóa, thể chế và nguồn lực, đòi hỏi các giải pháp phù hợp với bối cảnh thực tế của Việt Nam.

6.4.1. Cơ sở hạ tầng không đồng đều giữa các khu vực và loại hình trường

Thách thức lớn nhất về hạ tầng là sự không đồng đều giữa các khu vực địa lý và giữa trường công lập với trường tư thục. Các trường đại học tại Hà Nội và TP. Hồ Chí Minh, đặc biệt là các trường thành viên của hai Đại học Quốc gia, thường có hạ tầng công nghệ thông tin tốt hơn hẳn so với các trường ở khu vực miền núi, miền Trung hoặc các tỉnh lẻ. Sự chênh lệch này ảnh hưởng trực tiếp đến khả năng triển khai các giải pháp số hóa, bao gồm cố vấn học tập số.

Lê, Thị, Chu, Ba và Nguyễn, Bình (2024) đã tiến hành nghiên cứu khám phá về các yếu tố ảnh hưởng đến chuyển đổi số giáo dục đại học tại Việt Nam. Nghiên cứu chỉ ra rằng hạ tầng công nghệ thông tin (IT infrastructure) là một trong những yếu tố quan trọng nhất quyết định mức độ chuyển đổi số, nhưng lại có sự phân hóa rõ rệt theo khu vực và loại hình trường. Các trường ở khu vực nông thôn hoặc miền núi không chỉ thiếu thiết bị vật lý (máy tính, đường truyền mạng) mà còn thiếu nhân lực kỹ thuật để vận hành và bảo trì hạ tầng số.

Ngoài ra, ngay cả giữa các trường tại cùng một khu vực, mức độ đầu tư vào hạ tầng cũng khác biệt đáng kể. Các trường tư thục lớn có nguồn tài chính linh hoạt hơn có thể đầu tư mạnh hơn vào công nghệ, trong khi một số trường công lập bị ràng buộc bởi quy trình đầu tư công, khiến việc triển khai công nghệ mới mất nhiều thời gian hơn.

6.4.2. Năng lực số giảng viên: khoảng cách lớn giữa các thế hệ

Năng lực số của đội ngũ giảng viên là một yếu tố then chốt nhưng lại là điểm yếu lớn của giáo dục đại học Việt Nam. Tondeur, Jo, Howard, Sarah et al. (2023) đã phát triển khung năng lực số cho giảng viên đại học (HeDiCom framework — Higher Education teachers' Digital Competencies), trong đó xác định sáu lĩnh vực năng lực số: (i) nội dung và thiết kế kỹ thuật số, (ii) giảng dạy và học tập, (iii) đánh giá, (iv) trao quyền và sự tham gia của người học, (v) giao tiếp và hợp tác, và (vi) phát triển nghề nghiệp số. Áp dụng khung này vào bối cảnh Việt Nam, có thể thấy nhiều giảng viên còn hạn chế ở nhiều lĩnh vực.

Khoảng cách số giữa các thế hệ giảng viên rất rõ rệt. Giảng viên trẻ (dưới 40 tuổi) thường quen thuộc với công nghệ và dễ dàng sử dụng các nền tảng số. Tuy nhiên, giảng viên lớn tuổi hơn, đặc biệt là những người có thâm niên trên 20 năm, thường gặp khó khăn trong việc thích ứng với công nghệ mới. Điều này không phải do năng lực bản chất mà do thiếu cơ hội đào tạo, thiếu thời gian để thực hành, và đôi khi do tâm lý ngại thay đổi.

Một vấn đề quan trọng khác là việc sử dụng dữ liệu cho mục đích cố vấn học tập đòi hỏi không chỉ năng lực công nghệ mà còn năng lực phân tích và tư duy dữ liệu (data literacy). Giảng viên cần hiểu ý nghĩa của các chỉ số như điểm trung bình tích lũy, tỷ lệ hoàn thành tín chỉ, và các chỉ báo cảnh báo rủi ro, sau đó biết cách sử dụng những thông tin này trong tư vấn cho sinh viên. Đây là một bộ kỹ năng mới mà phần lớn giảng viên Việt Nam chưa được đào tạo bài bản.

6.4.3. Khung pháp lý: thiếu quy định cụ thể về bảo vệ dữ liệu sinh viên

Trong bối cảnh chuyển đổi số giáo dục, vấn đề bảo vệ dữ liệu sinh viên (student data privacy) ngày càng trở nên quan trọng. Tại Việt Nam, Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân đã có hiệu lực từ tháng 7 năm 2023, tạo khung pháp lý tổng thể cho việc xử lý dữ liệu cá nhân. Tuy nhiên, trong lĩnh vực giáo dục, chưa có quy định cụ thể nào hướng dẫn các trường đại học cách thu thập, lưu trữ, sử dụng và chia sẻ dữ liệu sinh viên cho mục đích giáo dục, đặc biệt là cho các hệ thống phân tích dữ liệu và cố vấn học tập số.

Sự thiếu vắng khung pháp lý cụ thể tạo ra tình trạng mù mờ pháp lý (legal ambiguity) cho các trường. Các trường không rõ mức độ dữ liệu sinh viên nào được phép thu thập, cách lưu trữ dữ liệu ra sao mới đảm bảo an toàn, và việc sử dụng dữ liệu sinh viên để huấn luyện mô hình dự đoán (predictive model) có vi phạm quyền riêng tư hay không. Điều này khiến nhiều trường e ngại triển khai các giải pháp số hóa tiên tiến, đặc biệt là các hệ thống sử dụng trí tuệ nhân tạo để phân tích dữ liệu sinh viên.

6.4.4. Vấn đề ngôn ngữ: rào cản từ công nghệ gốc tiếng Anh

Phần lớn các nền tảng công nghệ giáo dục tiên tiến, bao gồm các hệ thống học tập phân tích (learning analytics), nền tảng cố vấn học tập số, và các công cụ trí tuệ nhân tạo, được phát triển bằng tiếng Anh và phục vụ bối cảnh giáo dục phương Tây. Việc áp dụng trực tiếp các công cụ này vào bối cảnh Việt Nam gặp phải rào cản ngôn ngữ ở nhiều cấp độ.

Thứ nhất, giao diện người dùng bằng tiếng Anh gây khó khăn cho nhiều giảng viên và sinh viên, đặc biệt là ở các trường không chuyên ngôn ngữ. Thứ hai, các thuật ngữ giáo dục trong tiếng Việt không hoàn toàn tương đương với các thuật ngữ tiếng Anh, dẫn đến sai lệch khi dịch thuật. Ví dụ, "academic advising" có thể được dịch là "cố vấn học tập", "tư vấn học thuật", hoặc "hướng dẫn học tập" tùy ngữ cảnh, và mỗi cách dịch lại mang sắc thái khác nhau. Thứ ba, việc xây dựng chatbot hoặc trợ lý ảo bằng tiếng Việt đòi hỏi xử lý ngôn ngữ tự nhiên tiếng Việt, vốn phức tạp hơn tiếng Anh do đặc trưng ngôn ngữ tách nhau (isolating language) và sự đa dạng của phương ngữ.

6.4.5. Tâm lý: chưa quen với tư vấn qua kênh số

Văn hóa giao tiếp trong giáo dục Việt Nam mang đậm dấu ấn của truyền thống Á Đông, trong đó mối quan hệ thầy trò có tính chất thứ bậc (hierarchical) cao hơn so với phương Tây. Sinh viên Việt Nam thường coi trọng cuộc gặp mặt trực tiếp với thầy cô hơn là tương tác qua kênh số. Nhiều sinh viên cảm thấy không thoải mái khi chia sẻ khó khăn học tập cá nhân qua email, tin nhắn hay chatbot, vì họ cho rằng những vấn đề này cần được thảo luận trong bối cảnh trực tiếp, có sự đồng cảm và tín nhiệm xây dựng qua thời gian.

Tương tự, nhiều giảng viên coi trọng vai trò cố vấn học tập nhưng tin rằng tư vấn hiệu quả chỉ có thể diễn ra qua gặp mặt trực tiếp, nơi họ có thể đọc được biểu cảm, thái độ và cảm xúc của sinh viên. Sự e ngại với công nghệ, kết hợp với niềm tin vào phương pháp truyền thống, tạo ra rào cản tâm lý đáng kể đối với việc triển khai cố vấn học tập số.

6.4.6. Ngân sách hạn chế

So với các nước phát triển, ngân sách đầu tư cho chuyển đổi số giáo dục tại Việt Nam còn hạn chế. Lê, Thị, Chu, Ba và Nguyễn, Bình (2024) nhận thấy nguồn tài chính là một trong những yếu tố cản trở chính đối với chuyển đổi số giáo dục đại học tại Việt Nam. Các trường đại học công lập phụ thuộc vào ngân sách nhà nước, vốn còn hạn hẹp và phải cạnh tranh với nhiều ưu tiên khác trong giáo dục. Các trường tư thục có nguồn tài chính tự chủ hơn nhưng cũng phải cân đối với yêu cầu sinh lời hoặc duy trì học phí ở mức sinh viên có thể chi trả.

Đầu tư vào cố vấn học tập số đòi hỏi chi phí không nhỏ, bao gồm: (i) chi phí mua sắm hoặc phát triển phần mềm, (ii) chi phí tích hợp với các hệ thống hiện có, (iii) chi phí đào tạo nhân sự, (iv) chi phí vận hành và bảo trì, và (v) chi phí an toàn thông tin. Với ngân sách hạn chế, nhiều trường phải ưu tiên các đầu tư mang lại lợi ích trực tiếp và dễ đo lường hơn, như nâng cấp phòng thí nghiệm hay mua sắm thiết bị nghiên cứu, thay vì đầu tư vào các giải pháp hỗ trợ sinh viên mà hiệu quả khó định lượng ngay.

---

6.5. Bài học từ quốc tế áp dụng vào Việt Nam

Khi nghiên cứu các mô hình cố vấn học tập số từ các nước phát triển như Mỹ, Anh, Úc và Singapore, dễ có xu hướng muốn "copy-paste" các mô hình này vào bối cảnh Việt Nam. Tuy nhiên, kinh nghiệm quốc tế cho thấy việc chuyển giao mô hình giáo dục công nghệ không bao giờ đơn giản như sao chép phần mềm. Phần này sẽ phân tích những bài học có thể rút ra từ quốc tế và cách thích ứng vào bối cảnh đặc thù của Việt Nam.

6.5.1. Không thể copy-paste mô hình phương Tây

Mô hình cố vấn học tập số tại các nước phát triển được xây dựng dựa trên hệ sinh thái giáo dục, văn hóa, và hạ tầng công nghệ rất khác so với Việt Nam. Tại Mỹ, hệ thống cố vấn học tập số thường được tích hợp với hệ thống đăng ký học phần tự động (degree audit system), hệ thống quản lý sinh viên toàn diện (student information system), và các nền tảng phân tích dữ liệu tiên tiến (advanced analytics platform). Các hệ thống này được phát triển qua nhiều thập kỷ, với mức đầu tư tài chính và nhân lực khổng lồ.

Việt Nam có xuất phát điểm khác, hạ tầng khác, văn hóa giáo dục khác, và nguồn lực khác. Do đó, việc áp dụng mô hình phương Tây trực tiếp không chỉ kém hiệu quả mà còn có thể gây ra những tác dụng phụ không mong muốn. Thay vì cố gắng tái tạo mô hình phương Tây, các trường đại học Việt Nam cần tiếp thu nguyên tắc cốt lõi và thiết kế giải pháp phù hợp với điều kiện thực tế.

6.5.2. Bắt đầu từ dữ liệu sẵn có thay vì xây dựng hệ thống mới

Một trong những bài học quan trọng nhất từ quốc tế là tận dụng dữ liệu sẵn có trước khi xây dựng hệ thống mới. Thay vì đầu tư ngay vào các nền tảng cố vấn học tập số phức tạp với nhiều chức năng, các trường Việt Nam nên bắt đầu từ việc khai thác hiệu quả dữ liệu đã có trong hệ thống quản lý học vụ điện tử.

Dữ liệu điểm số, lịch sử đăng ký học phần, kết quả đánh giá đầu vào, và thông tin cơ bản về sinh viên đã tồn tại trong hầu hết các trường đại học Việt Nam. Bước đầu tiên nên là tích hợp dữ liệu từ các nguồn khác nhau thành một kho dữ liệu tập trung (data warehouse), sau đó xây dựng các báo cáo và dashboard đơn giản để giảng viên cố vấn có thể xem toàn cảnh thông tin về sinh viên thuộc diện phụ trách. Chỉ sau khi bước nền tảng này được hoàn thiện, mới nên tiến đến các giai đoạn phức tạp hơn như xây dựng mô hình dự đoán rủi ro hay triển khai chatbot tư vấn.

Cách tiếp cận "từ dưới lên" (bottom-up) này có ưu điểm rõ ràng: (i) chi phí thấp hơn vì tận dụng hạ tầng hiện có, (ii) rủi ro kỹ thuật ít hơn vì không đòi hỏi tích hợp với hệ thống mới, (iii) đội ngũ có thể học hỏi và thích ứng dần, và (iv) kết quả có thể thấy ngay ở giai đoạn đầu, tạo động lực tiếp tục phát triển.

6.5.3. Ưu tiên chất lượng hơn số lượng: "quality over quantity"

Bài học thứ hai từ quốc tế là nguyên tắc "chất lượng hơn số lượng". Tốt hơn là có một giải pháp hoạt động tốt cho một chức năng cụ thể, phục vụ một nhóm sinh viên rõ ràng, còn hơn là triển khai một hệ thống lớn với nhiều chức năng nhưng không chức năng nào hoạt động thực sự hiệu quả.

Đối với cố vấn học tập số, điều này có nghĩa là nên chọn một khía cạnh cụ thể để bắt đầu — ví dụ, hệ thống cảnh báo sinh viên có nguy cơ trượt học phần — và làm cho nó hoạt động thật tốt trước khi mở rộng sang các chức năng khác như tư vấn lộ trình nghề nghiệp, hỗ trợ sức khỏe tinh thần, hay kết nối cơ hội thực tập. Mỗi chức năng bổ sung cần được kiểm chứng về hiệu quả thực tế trước khi triển khai quy mô lớn.

6.5.4. Quy tắc "technology follows pedagogy"

Quy tắc "technology follows pedagogy" — công nghệ theo sau giáo dục học — là nguyên tắc nền tảng mà mọi trường đại học áp dụng công nghệ vào giáo dục cần tuân thủ. Điều này có nghĩa là trước khi quyết định sử dụng công nghệ nào, trường cần xác định rõ vấn đề giáo dục học cần giải quyết là gì, phương pháp sư phạm phù hợp là gì, và sau đó mới tìm công nghệ hỗ trợ phương pháp đó.

Áp dụng vào cố vấn học tập số, trường cần trả lời các câu hỏi: (i) mục tiêu của công tác cố vấn học tập là gì? (ii) những khó khăn lớn nhất hiện nay trong công tác cố vấn là gì? (iii) công nghệ có thể giúp giải quyết những khó khăn đó như thế nào? Chỉ sau khi có câu trả lời rõ ràng cho các câu hỏi này, trường mới nên lựa chọn giải pháp công nghệ cụ thể. Tránh tình trạng "công nghệ tìm vấn đề để giải quyết" (technology looking for a problem to solve) thay vì "vấn đề tìm công nghệ để giải quyết" (problem looking for technology to solve).

6.5.5. Phù hợp bối cảnh văn hóa: mối quan hệ thầy trò trong văn hóa Việt Nam

Mối quan hệ thầy trò trong văn hóa giáo dục Việt Nam khác biệt đáng kể so với phương Tây. Trong văn hóa Việt Nam, giảng viên không chỉ là người truyền đạt kiến thức mà còn là người hướng dẫn, bề trên và đôi khi là hình mẫu đạo đức cho sinh viên. Sinh viên được giáo dục để tôn trọng và kính trọng thầy cô, và mối quan hệ này thường mang tính cá nhân, gần gũi hơn so với mô hình cố vấn học tập chuyên nghiệp (professional advising) phổ biến ở phương Tây.

Hệ thống cố vấn học tập số cần được thiết kế để bổ sung (complement) chứ không thay thế mối quan hệ thầy trò truyền thống này. Công nghệ nên đóng vai trò cung cấp thông tin, hỗ trợ phân tích, và tự động hóa các tác vụ lặp đi lặp lại, để giảng viên có thêm thời gian cho những khía cạnh mà máy móc không thể thay thế — đó là sự đồng cảm, truyền cảm hứng, và tư vấn cá nhân hóa dựa trên sự hiểu biết sâu sắc về hoàn cảnh của từng sinh viên.

6.5.6. Ngoại lệ văn hóa: sinh viên Việt Nam ít phản hồi trực tiếp

Một đặc điểm văn hóa quan trọng cần lưu ý là sinh viên Việt Nam có xu hướng ít phản hồi trực tiếp (less direct feedback) hơn so với sinh viên phương Tây. Trong văn hóa giáo dục Việt Nam, sinh viên thường ngại đặt câu hỏi trong lớp, ngại bày tỏ quan điểm trái chiều, và ngại chia sẻ khó khăn cá nhân với người lớn tuổi hơn. Điều này tạo ra thách thức đặc biệt cho hệ thống cố vấn học tập số, vì hầu hết các hệ thống được thiết kế dựa trên giả định rằng sinh viên sẽ chủ động phản hồi khi được hỏi hoặc khi nhận được cảnh báo.

Do đó, hệ thống cố vấn học tập số tại Việt Nam cần có cơ chế thu thập phản hồi gián tiếp (indirect feedback) thay vì chỉ dựa vào phản hồi trực tiếp. Các cơ chế này có thể bao gồm: (i) phân tích hành vi số (digital behavior analysis) — ví dụ, sinh viên ít truy cập hệ thống học tập có thể là dấu hiệu gặp khó khăn; (ii) khảo sát ẩn danh định kỳ; (iii) theo dõi các chỉ số hành vi như nộp bài trễ, vắng mặt, thay đổi mẫu học tập; và (iv) kết hợp thông tin từ nhiều nguồn như phòng công tác sinh viên, tổ chức sinh viên, và giảng viên các học phần.

---

6.6. Khả năng và giới hạn trong ngắn hạn (3-5 năm tới)

Phần này sẽ đề xuất một lộ trình thực tế cho việc phát triển cố vấn học tập số tại các trường đại học Việt Nam trong giai đoạn 3-5 năm tới, dựa trên phân tích bối cảnh hiện tại và các bài học từ quốc tế. Mục tiêu là đưa ra những khuyến nghị khả thi, bám sát thực tế, tránh đánh giá quá lạc quan nhưng cũng không bi quan thái quá.

6.6.1. Thứ tự ưu tiên: những gì nên làm trước

Dựa trên phân tích trong các phần trước, thứ tự ưu tiên cho việc phát triển cố vấn học tập số tại Việt Nam trong ngắn hạn nên tuân theo trình tự sau:

Ưu tiên 1: Cải thiện chất lượng dữ liệu hiện có. Đây là bước nền tảng và không thể bỏ qua. Trước khi áp dụng bất kỳ công nghệ nào, trường cần đảm bảo dữ liệu trong hệ thống quản lý học vụ là chính xác, đầy đủ và nhất quán. Dữ liệu sai, thiếu hoặc không nhất quán sẽ dẫn đến kết quả phân tích sai lệch, làm giảm niềm tin của giảng viên và sinh viên vào hệ thống.

Ưu tiên 2: Xây dựng dashboard cơ bản cho giảng viên cố vấn. Sau khi dữ liệu được đảm bảo chất lượng, bước tiếp theo là cung cấp cho giảng viên cố vấn các công cụ đơn giản để xem thông tin về sinh viên thuộc diện phụ trách. Dashboard cơ bản nên bao gồm: điểm số tích lũy, lịch sử đăng ký học phần, tình trạng nợ môn, và cảnh báo đơn giản khi có dấu hiệu bất thường.

Ưu tiên 3: Triển khai hệ thống cảnh báo sớm (early alert) dựa trên quy tắc. Hệ thống cảnh báo sớm dựa trên quy tắc (rule-based early alert) là bước tiếp theo khả thi, trong đó trường xác định các quy tắc rõ ràng (ví dụ: GPA dưới 1.5, vắng mặt trên 30%, chưa đăng ký học phần kỳ sau) và hệ thống tự động thông báo cho giảng viên và sinh viên.

Ưu tiên 4: Phát triển chatbot hỗ trợ thông tin cố vấn học tập. Sau khi các bước nền tảng đã hoạt động ổn định, trường có thể triển khai chatbot để trả lời các câu hỏi thường gặp về quy trình học tập, chính sách đào tạo, và hướng dẫn đăng ký học phần. Chatbot này giúp giảm tải công việc thủ tục cho giảng viên cố vấn, để họ tập trung vào tư vấn chuyên sâu.

Ưu tiên 5: Nghiên cứu và thử nghiệm phân tích dự đoán (predictive analytics). Chỉ sau khi tất cả các bước trên đã được hoàn thiện và vận hành ổn định, trường mới nên bắt đầu nghiên cứu và thử nghiệm các mô hình dự đoán rủi ro học tập. Đây là bước phức tạp nhất, đòi hỏi năng lực phân tích dữ liệu cao và cần được tiếp cận thận trọng để tránh các vấn đề về đạo đức và công bằng thuật toán.

6.6.2. Đầu tư chiến lược: hạ tầng dữ liệu, chatbot AI và phân tích nâng cao

Chiến lược đầu tư cho cố vấn học tập số nên tuân theo nguyên tắc: data infrastructure > AI chatbot > advanced analytics. Điều này có nghĩa là phần lớn nguồn lực trong giai đoạn đầu nên được dành cho xây dựng và củng cố hạ tầng dữ liệu, sau đó mới dần đầu tư vào các giải pháp công nghệ phức tạp hơn.

Giai đoạn 1 (Năm 1-2): Đầu tư vào hạ tầng dữ liệu. Đây là giai đoạn "làm móng" (foundation). Trường cần: (i) tích hợp dữ liệu từ các hệ thống rời rạc (hệ thống quản lý học vụ, LMS, hệ thống tài chính) thành kho dữ liệu tập trung; (ii) chuẩn hóa định dạng dữ liệu, đảm bảo nhất quán về mã sinh viên, mã học phần, và các trường thông tin chính; (iii) xây dựng cơ chế bảo mật dữ liệu phù hợp với Nghị định 13/2023/NĐ-CP; và (iv) đào tạo nhân sự kỹ thuật để vận hành và bảo trì hạ tầng dữ liệu.

Ước, Trần Mai (2023) trong nghiên cứu về chuyển đổi số giáo dục đại học tại Việt Nam hiện nay đã nhấn mạnh tầm quan trọng của hạ tầng dữ liệu như nền tảng cho mọi hoạt động số hóa. Nghiên cứu chỉ ra rằng nhiều trường đại học Việt Nam có dữ liệu nhưng dữ liệu lại phân tán, không chuẩn hóa và khó tích hợp, khiến việc sử dụng cho mục đích phân tích trở nên khó khăn.

Giai đoạn 2 (Năm 2-3): Triển khai dashboard và cảnh báo sớm. Sau khi hạ tầng dữ liệu sẵn sàng, trường nên triển khai các công cụ trực quan (dashboard) cho giảng viên cố vấn và hệ thống cảnh báo sớm. Giai đoạn này nên tập trung vào việc đảm bảo giảng viên thực sự sử dụng và thấy giá trị của các công cụ này, thay vì chỉ triển khai công nghệ mà không đi kèm đào tạo và hỗ trợ.

Giai đoạn 3 (Năm 3-5): Nghiên cứu và thử nghiệm chatbot và phân tích nâng cao. Giai đoạn cuối của lộ trình ngắn hạn là thử nghiệm các giải pháp tiên tiến hơn, bắt đầu với quy mô nhỏ (pilot) tại một hoặc vài khoa/trường trước khi mở rộng toàn trường. Cần thiết lập cơ chế đánh giá hiệu quả nghiêm ngặt, so sánh kết quả giữa nhóm sử dụng hệ thống và nhóm không sử dụng, để đảm bảo rằng đầu tư mang lại giá trị thực tế.

6.6.3. Các bước cụ thể cho trường đại học Việt Nam

Dựa trên lộ trình ưu tiên và chiến lược đầu tư nêu trên, các trường đại học Việt Nam có thể thực hiện các bước cụ thể sau:

Bước 1: Khảo sát và đánh giá năng lực hiện tại. Trước khi bắt đầu bất kỳ dự án nào, trường cần khảo sát toàn diện về: (i) trạng thái hiện tại của hệ thống quản lý học vụ, (ii) chất lượng và mức độ sẵn có của dữ liệu sinh viên, (iii) năng lực số của đội ngũ giảng viên, (iv) nhu cầu thực tế về cố vấn học tập số từ góc nhìn của cả giảng viên và sinh viên, và (v) nguồn lực tài chính và nhân lực có thể dành riêng cho dự án.

Bước 2: Xây dựng nhóm công tác liên ngành. Cố vấn học tập số là một dự án liên ngành, đòi hỏi sự phối hợp giữa nhiều đơn vị: phòng công tác sinh viên, phòng đào tạo, trung tâm công nghệ thông tin, và các khoa chuyên ngành. Trường cần thành lập nhóm công tác liên ngành với đại diện từ tất cả các đơn vị liên quan, có người đứng đầu có đủ thẩm quyền để điều phối và ra quyết định.

Bước 3: Xác định mục tiêu rõ ràng và đo lường được. Mục tiêu cần được cụ thể hóa và có thể đo lường (SMART goals). Ví dụ: "Giảm 20% tỷ lệ sinh viên bỏ học trong năm đầu tiên thông qua hệ thống cảnh báo sớm" là một mục tiêu rõ ràng hơn là "Cải thiện chất lượng cố vấn học tập".

Bước 4: Chọn giải pháp công nghệ phù hợp. Dựa trên mục tiêu đã xác định và đánh giá năng lực hiện tại, trường cần chọn giải pháp công nghệ phù hợp. Có ba lựa chọn chính: (i) phát triển nội bộ (in-house development) — phù hợp với trường có đội ngũ kỹ thuật mạnh, (ii) mua phần mềm thương mại (commercial software) — phù hợp với trường có ngân sách nhưng thiếu nhân lực kỹ thuật, và (iii) sử dụng giải pháp mã nguồn mở (open-source solution) — phù hợp với trường có nhân lực kỹ thuật nhưng ngân sách hạn chế.

Bước 5: Triển khai thử nghiệm (pilot) và đánh giá. Triển khai ở quy mô nhỏ trước, thu thập phản hồi từ giảng viên và sinh viên, đánh giá hiệu quả, và điều chỉnh trước khi mở rộng. Giai đoạn thử nghiệm là cơ hội để học hỏi và sửa sai với chi phí thấp nhất.

Bước 6: Đào tạo và hỗ trợ liên tục. Đào tạo không phải là sự kiện một lần mà là quá trình liên tục. Trường cần có chương trình đào tạo bài bản cho giảng viên về cách sử dụng hệ thống, cách đọc hiểu dữ liệu, và cách tích hợp thông tin từ hệ thống vào quá trình tư vấn cho sinh viên. Cần có kênh hỗ trợ kỹ thuật thường trực để giải quyết các vấn đề phát sinh trong quá trình sử dụng.

6.6.4. Kỳ vọng thực tế: hỗ trợ chứ không thay thế cố vấn con người

Một trong những kỳ vọng cần thiết lập ngay từ đầu là: cố vấn học tập số được thiết kế để hỗ trợ (augment) chứ không thay thế (replace) cố vấn con người. Công nghệ có thể cung cấp thông tin nhanh hơn, phân tích dữ liệu lớn hơn, và tự động hóa các tác vụ lặp đi lặp lại, nhưng không thể thay thế sự đồng cảm, khả năng đọc hiểu cảm xúc, và mối quan hệ cá nhân giữa giảng viên và sinh viên — những yếu tố cốt lõi của cố vấn học tập hiệu quả.

Ước, Trần Mai (2023) đã chỉ ra rằng trong bối cảnh giáo dục đại học Việt Nam, chuyển đổi số không có nghĩa là loại bỏ yếu tố con người khỏi quá trình giáo dục mà là tăng cường khả năng của con người thông qua công nghệ. Trong lĩnh vực cố vấn học tập, điều này có nghĩa là công nghệ giúp giảng viên cố vấn làm tốt hơn vai trò của họ, có thêm thông tin và công cụ để ra quyết định, chứ không phải thay thế họ bằng máy móc.

Trong ngắn hạn (3-5 năm), kỳ vọng thực tế về mức độ trưởng thành của cố vấn học tập số tại Việt Nam nên được đặt ở mức "hỗ trợ cơ bản" (basic support). Cụ thể, các trường có thể kỳ vọng: (i) giảng viên cố vấn có dashboard để xem thông tin sinh viên nhanh chóng; (ii) hệ thống cảnh báo sớm giúp nhận diện sinh viên gặp khó khăn; (iii) chatbot trả lời các câu hỏi thường gặp, giảm tải công việc thủ tục; và (iv) báo cáo phân tích giúp nhà trường hiểu rõ hơn về tình hình học tập tổng thể. Các kỳ vọng về trí tuệ nhân tạo tư vấn cá nhân hóa, dự đoán chính xác rủi ro, hay hệ thống tự động điều chỉnh lộ trình học tập nên được đặt ở tầm nhìn trung và dài hạn (5-10 năm).

---

Chương 6 đã phân tích toàn diện bối cảnh giáo dục đại học Việt Nam dưới góc độ chuyển đổi số và cố vấn học tập, từ chính sách đến thực tiễn, từ thành tựu đến thách thức, từ bài học quốc tế đến lộ trình triển khai thực tế. Phân tích cho thấy Việt Nam đã có nền tảng nhất định về hạ tầng số, dữ liệu học tập, và nhận thức về tầm quan trọng của hỗ trợ sinh viên, nhưng vẫn đối mặt với nhiều rào cản về năng lực nhân lực, khung pháp lý, nguồn tài chính và văn hóa giáo dục. Lộ trình phát triển cố vấn học tập số cần được tiếp cận từng bước, bám sát thực tế, ưu tiên chất lượng dữ liệu và hạ tầng nền tảng trước khi tiến đến các giải pháp công nghệ phức tạp hơn. Chương tiếp theo sẽ đi sâu vào phân tích các khía cạnh pháp lý và đạo đức của việc sử dụng dữ liệu sinh viên trong giáo dục.

---

Chuyển sang Chương 7: Chương 7 sẽ tập trung vào các vấn đề pháp lý và đạo đức trong ứng dụng công nghệ số vào công tác cố vấn học tập, bao gồm bảo vệ dữ liệu cá nhân sinh viên, công bằng thuật toán (algorithmic fairness), tính minh bạch của hệ thống phân tích dữ liệu, và các khung đạo đức cần thiết để đảm bảo công nghệ phục vụ lợi ích của người học.

CHƯƠNG 7: KHUYẾN NGHỊ THỰC TẾ

7.1. Khuyến nghị cho nhà hoạch định chính sách

7.1.1. Xây dựng khung pháp lý về bảo vệ dữ liệu sinh viên trong giáo dục

Trong bối cảnh chuyển đổi số giáo dục đại học đang diễn ra mạnh mẽ, việc bảo vệ dữ liệu cá nhân của sinh viên trở thành một vấn đề cấp thiết đòi hỏi sự can thiệp của nhà hoạch định chính sách. Hiện nay, tại Việt Nam, Luật An ninh mạng năm 2018 và Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân đã tạo ra một khung pháp lý nền tảng cho việc bảo vệ dữ liệu cá nhân nói chung. Tuy nhiên, các quy định này còn mang tính chung chung và chưa phản ánh đầy đủ đặc thù của môi trường giáo dục đại học, nơi dữ liệu sinh viên được thu thập, xử lý và sử dụng trong một hệ sinh thái phức tạp với nhiều bên tham gia — từ nhà trường đến nhà cung cấp công nghệ bên ngoài, từ giảng viên đến sinh viên.

Cụ thể, khung pháp lý hiện hành chưa quy định rõ: (i) phạm vi thu thập dữ liệu sinh viên hợp lý trong hoạt động cố vấn học tập số; (ii) quyền của sinh viên trong việc kiểm soát dữ liệu học tập của mình; (iii) nghĩa vụ của nhà trường và nhà cung cấp công nghệ trong việc bảo mật dữ liệu; (iv) trách nhiệm bồi thường khi xảy ra vi phạm; và (v) tiêu chuẩn cho việc lưu trữ, xử lý và xóa dữ liệu khi sinh viên đã tốt nghiệp. Sự thiếu vắng các quy định cụ thể này tạo ra vùng xám pháp lý, khiến sinh viên thực chất không có công cụ pháp lý hiệu quả để bảo vệ quyền lợi của mình (Mutimukwe et al., 2022).

Nhà hoạch định chính sách cần ban hành một thông tư hoặc nghị định chuyên biệt quy định về bảo vệ dữ liệu sinh viên trong giáo dục đại học, tương tự như Đạo luật Giáo dục Gia đình và Quyền Riêng tư (Family Educational Rights and Privacy Act — FERPA) tại Hoa Kỳ hay Quy định Chung về Bảo vệ Dữ liệu (General Data Protection Regulation — GDPR) tại Liên minh châu Âu. Trong đó, cần đặc biệt nhấn mạnh nguyên tắc "privacy by design" — tức là bảo vệ quyền riêng tư phải được tích hợp ngay từ khâu thiết kế hệ thống, không phải chỉ là phần bổ sung sau khi triển khai. Các nhà cung cấp công nghệ giáo dục phải chứng minh được hệ thống của họ tuân thủ tiêu chuẩn bảo vệ dữ liệu trước khi được phép triển khai tại các trường đại học (Slimi; Villarejo Carballido, 2023).

Bên cạnh đó, cần quy định rõ yêu cầu về sự đồng ý của sinh viên (informed consent) khi dữ liệu học tập của họ được sử dụng cho mục đích phân tích, dự đoán và cố vấn. Sự đồng ý này không thể chỉ là một hộp kiểm (checkbox) trên giao diện đăng ký, mà phải là một quá trình thông tin đầy đủ, trong đó sinh viên được giải thích rõ: dữ liệu nào đang được thu thập, mục đích sử dụng là gì, ai có quyền truy cập, dữ liệu được lưu trữ bao lâu, và sinh viên có thể rút lại sự đồng ý bất cứ lúc nào như thế nào (Mutimukwe et al., 2022). Đây là điều kiện tiên quyết để đảm bảo sự tôn trọng quyền tự quyết của sinh viên trong môi trường giáo dục số.

7.1.2. Quy định tiêu chuẩn tối thiểu cho hệ thống cố vấn học tập số

Hiện nay, thị trường công nghệ giáo dục (EdTech) tại Việt Nam đang phát triển nhanh chóng, với nhiều sản phẩm được quảng cáo như "giải pháp cố vấn học tập thông minh" hay "hệ thống tư vấn cá nhân hóa bằng AI". Tuy nhiên, không có tiêu chuẩn hoặc bộ tiêu chí nào quy định tối thiểu về chất lượng, tính hiệu quả và mức độ an toàn của các hệ thống này. Điều này tạo ra một tình trạng mà bất kỳ nhà cung cấp công nghệ nào cũng có thể đưa sản phẩm của mình vào trường đại học với những lời hứa hẹn về hiệu quả mà không cần chứng minh bằng bằng chứng thực nghiệm (Assiri et al., 2020).

Nhà hoạch định chính sách cần ban hành bộ tiêu chuẩn tối thiểu cho hệ thống cố vấn học tập số, bao gồm các tiêu chí về: (i) chất lượng dữ liệu đầu vào — hệ thống phải có cơ chế đảm bảo tính chính xác, đầy đủ và cập nhật của dữ liệu sinh viên; (ii) tính minh bạch của thuật toán — nhà cung cấp phải công bố nguyên lý hoạt động cơ bản của hệ thống, đặc biệt đối với các thuật toán sử dụng trí tuệ nhân tạo; (iii) độ chính xác — yêu cầu mức độ chính xác tối thiểu cho các dự đoán (ví dụ: dự đoán sinh viên có nguy cơ bỏ học); (iv) khả năng kiểm tra và kiểm chứng — hệ thống phải cho phép bên thứ ba kiểm tra tính công bằng của thuật toán; và (v) yêu cầu về đánh giá tác động — nhà cung cấp phải cung cấp hoặc hỗ trợ thực hiện nghiên cứu đánh giá hiệu quả thực tế tại môi trường giáo dục Việt Nam trước khi mở rộng triển khai.

Bộ tiêu chuẩn này không nên được thiết kế theo hướng cứng nhắc, hạn chế đổi mới, mà theo nguyên tắc "cấp tiến theo bằng chứng" (evidence-proportionate): hệ thống càng phức tạp, càng có ảnh hưởng sâu rộng đến sinh viên thì yêu cầu về bằng chứng hiệu quả càng phải cao. Một hệ thống chỉ hiển thị điểm số và lịch học có thể không cần đánh giá phức tạp, nhưng một hệ thống sử dụng AI để dự đoán nguy cơ bỏ học và đưa ra khuyến nghị can thiệp thì cần được thẩm định kỹ lưỡng bởi các cơ quan chuyên môn độc lập (Buckingham Shum; Luckin, 2019).

7.1.3. Đầu tư vào hạ tầng số đồng đều giữa các vùng miền

Một trong những rủi ro lớn nhất của việc thúc đẩy cố vấn học tập số mà không quan tâm đến sự đồng đều hạ tầng là tạo ra một "chuyển đổi số hai tầng" — trong đó sinh viên ở các trường đại học lớn tại Hà Nội, TP. Hồ Chí Minh và Đà Nẵng được hưởng lợi từ công nghệ tiên tiến, trong khi sinh viên ở các trường ở vùng núi, vùng sâu, vùng xa hoàn toàn không tiếp cận được. Điều này không chỉ làm sâu sắc thêm bất bình đẳng giáo dục mà còn mâu thuẫn với mục tiêu công bằng xã hội mà chuyển đổi số giáo dục được kỳ vọng mang lại (Woldegiorgis, 2022).

Nghiên cứu của Woldegiorgis (2022) về khoảng cách kỹ thuật số trong giáo dục đại học Nam Phi đã chỉ ra rằng đại dịch COVID-19 đã phơi bày và làm trầm trọng thêm sự bất bình đẳng trong tiếp cận công nghệ giáo dục giữa các nhóm sinh viên khác nhau. Tại Việt Nam, tình trạng tương tự cũng tồn tại khi sinh viên ở các trường đại học vùng núi phía Bắc hoặc Tây Nguyên thường thiếu tiếp cận đến thiết bị công nghệ, kết nối internet ổn định và môi trường học tập số tương đương với sinh viên ở các đô thị lớn (Tăng, Sang My; Tiên, Nguyễn Hùng, 2020).

Chính phủ cần có chương trình đầu tư có mục tiêu vào hạ tầng số cho các trường đại học ở vùng khó khăn, bao gồm: nâng cấp mạng internet, trang bị phòng máy tính, hỗ trợ thiết bị cho sinh viên có hoàn cảnh khó khăn, và xây dựng các trung tâm hỗ trợ công nghệ giáo dục. Đầu tư này cần được thực hiện song song với việc đào tạo đội ngũ nhân sự tại các trường này, vì hạ tầng công nghệ mà không có con người biết sử dụng thì sẽ trở nên vô nghĩa. Theo Kumi-Yeboah et al. (2023), chiến lược giảm thiểu khoảng cách kỹ thuật số phải kết hợp tiếp cận hạ tầng với tiếp cận kỹ năng và tiếp cận nội dung, không thể chỉ giải quyết một khía cạnh mà bỏ qua các khía cạnh còn lại.

7.1.4. Khuyến khích nghiên cứu đánh giá hiệu quả, không chỉ đầu tư công nghệ

Xu hướng hiện nay tại Việt Nam là ưu tiên đầu tư vào công nghệ — mua sắm phần mềm, triển khai hệ thống, xây dựng nền tảng — hơn là đầu tư vào nghiên cứu đánh giá xem các công nghệ này có thực sự hiệu quả hay không. Các cuộc họp về chuyển đổi số giáo dục thường bàn về "chọn nhà cung cấp nào", "triển khai bao nhiêu trường" và "ngân sách bao nhiêu", nhưng hiếm khi bàn về "nghiên cứu cho thấy hiệu quả thế nào" và "bằng chứng thực nghiệm từ các trường đã triển khai ra sao".

Nhà hoạch định chính sách cần thay đổi trọng tâm đầu tư, dành một phần ngân sách chuyển đổi số cho các nghiên cứu đánh giá độc lập. Cụ thể, Bộ Giáo dục và Đào tạo có thể thành lập một "quỹ nghiên cứu đánh giá công nghệ giáo dục" (EdTech Evaluation Research Fund) cấp kinh phí cho các nhóm nghiên cứu tại các trường đại học tiến hành: (i) nghiên cứu thực nghiệm về hiệu quả của các hệ thống cố vấn học tập số đã được triển khai; (ii) nghiên cứu so sánh giữa cố vấn truyền thống và cố vấn số; (iii) nghiên cứu về trải nghiệm và ý thức của sinh viên đối với công nghệ cố vấn; và (iv) nghiên cứu về tác động dài hạn của công nghệ cố vấn đến kết quả giáo dục như tỷ lệ giữ chân, điểm trung bình và tỷ lệ tốt nghiệp đúng hạn (Zawacki-Richter et al., 2019).

Đồng thời, cần thiết lập cơ chế bắt buộc đánh giá tác động đối với các dự án công nghệ giáo dục quy mô lớn được cấp ngân sách nhà nước. Mô hình "chứng nhận hiệu quả" (efficacy certification) có thể được áp dụng, trong đó các hệ thống cố vấn học tập số phải trải qua quá trình đánh giá độc lập tại ít nhất hai trường đại học trong ít nhất hai học kỳ trước khi được khuyến nghị mở rộng (Xiao, 2019). Cách tiếp cận này giúp tránh tình trạng "tiền đầu tư đi trước bằng chứng", khi hàng tỷ đồng được chi cho công nghệ mà không ai biết nó thực sự có tác dụng hay không.

7.1.5. Tư duy dài hạn: chuyển đổi số là quá trình, không phải dự án

Một trong những sai lầm phổ biến nhất trong hoạch định chính sách chuyển đổi số giáo dục là coi chuyển đổi số như một "dự án" (project) có điểm bắt đầu và điểm kết thúc, thay vì một "quá trình" (process) liên tục và không có điểm dừng. Khi chuyển đổi số được hiểu như một dự án, kết quả thường là: đầu tư ồ ạt trong giai đoạn triển khai, nhưng sau khi dự án "kết thúc", hệ thống không được bảo trì, nâng cấp, đào tạo lại người dùng, và dần dần trở nên lỗi thời và bị bỏ rơi (Xiao, 2019).

Nhà hoạch định chính sách cần thay đổi tư duy từ "chuyển đổi số như một dự án" sang "chuyển đổi số như một quá trình phát triển liên tục". Điều này đòi hỏi: (i) ngân sách chuyển đổi số phải được phân bổ thường xuyên hàng năm, không chỉ tập trung trong một giai đoạn; (ii) phải có đơn vị chuyên trách chịu trách nhiệm theo dõi, đánh giá và điều chỉnh chiến lược chuyển đổi số liên tục; (iii) cơ chế đánh giá và điều chỉnh phải linh hoạt, cho phép thay đổi hướng đi khi bằng chứng thực tế cho thấy cần điều chỉnh; và (iv) kế hoạch chuyển đổi số phải có tầm nhìn 10–15 năm, không chỉ 3–5 năm.

Nghiên cứu của Xiao (2019) về chuyển đổi số tại các trường đại học Hồng Kông đã chỉ ra rằng các trường coi chuyển đổi số là quá trình dài hạn — với kế hoạch phát triển 5–10 năm và cơ cấu tổ chức phù hợp — đạt kết quả tốt hơn đáng kể so với các trường tiếp cận theo kiểu dự án ngắn hạn. Tương tự, tại Việt Nam, Quy, Vũ Khánh và cộng sự (2023) đã nhấn mạnh tầm quan trọng của tư duy dài hạn trong chuyển đổi số giáo dục đại học, đặc biệt là việc xây dựng năng lực nội bộ bền vững thay vì phụ thuộc vào các giải pháp bên ngoài.

---

7.2. Khuyến nghị cho lãnh đạo trường đại học

7.2.1. Đánh giá mức độ trưởng thành (maturity level) trước khi đầu tư công nghệ mới

Trước khi quyết định đầu tư vào một hệ thống cố vấn học tập số mới — dù là chatbot, hệ thống early warning hay dashboard analytics — lãnh đạo trường đại học cần thực hiện một đánh giá trung thực về mức độ trưởng thành số hiện tại của trường mình. Đánh giá này phải bao gồm cả hạ tầng công nghệ, năng lực nhân sự, chất lượng dữ liệu hiện có, và mức độ sẵn sàng về mặt văn hóa tổ chức. Việc vội vã triển khai công nghệ mới khi nền tảng cơ bản còn yếu chỉ tạo ra hệ thống "ảo" — có phần mềm nhưng không ai sử dụng hiệu quả, có dữ liệu nhưng không đáng tin cậy, có cảnh báo nhưng không ai chịu trách nhiệm xử lý (Assiri et al., 2020).

Đánh giá mức độ trưởng thành cần xem xét nhiều khía cạnh. Về hạ tầng, trường có hệ thống quản lý học vụ điện tử hoạt động ổn định không? Dữ liệu sinh viên có được số hóa đầy đủ, nhất quán và cập nhật không? Có hạ tầng mạng đủ mạnh để hỗ trợ các ứng dụng phân tích dữ liệu không? Về nhân sự, trường có đội ngũ IT đủ mạnh để vận hành và bảo trì hệ thống không? Giảng viên có sẵn sàng và có năng lực sử dụng công nghệ trong công tác cố vấn không? Có chuyên viên cố vấn học tập chuyên trách không? Về dữ liệu, chất lượng dữ liệu hiện tại ra sao — có trùng lặp, sai sót, thiếu sót không? Dữ liệu từ các hệ thống khác nhau có thể tích hợp được không? Về văn hóa, trường có văn hóa chia sẻ dữ liệu giữa các đơn vị không? Có cơ chế phối hợp giữa phòng Đào tạo, phòng Công nghệ thông tin và các khoa chuyên môn không? (Assiri et al., 2020; Xiao, 2019).

Việc đánh giá trung thực này không phải để "biện minh cho việc không làm gì", mà để xác định đúng điểm xuất phát và xây dựng lộ trình phù hợp. Một trường đang ở mức số hóa cơ bản không nên đặt mục tiêu triển khai "hệ thống cố vấn AI thông minh" trong năm tới, mà nên tập trung vào việc hoàn thiện hệ thống dữ liệu, xây dựng dashboard đơn giản, và đào tạo đội ngũ trước khi bước tiếp. Đừng cố "chạy trước" khi chưa biết mình đang ở đâu trên bản đường.

7.2.2. Xây dựng đội ngũ đa chức năng: IT + giảng viên + chuyên viên tư vấn

Một trong những nguyên nhân phổ biến khiến các dự án cố vấn học tập số thất bại là do được triển khai hoàn toàn bởi đội ngũ công nghệ thông tin (IT), mà không có sự tham gia đầy đủ của giảng viên cố vấn và chuyên viên tư vấn học tập. Lỗi sai này xuất phát từ tư duy "công nghệ giải quyết mọi vấn đề", trong đó lãnh đạo tin rằng chỉ cần mua phần mềm tốt là hệ thống sẽ tự vận hành hiệu quả.

Thực tế, một hệ thống cố vấn học tập số thành công cần sự phối hợp chặt chẽ giữa ít nhất ba nhóm chức năng. Nhóm công nghệ thông tin đóng vai trò thiết kế, triển khai và bảo trì hệ thống, đảm bảo tính ổn định và bảo mật kỹ thuật. Giảng viên cố vấn — những người trực tiếp làm việc với sinh viên — đóng vai trò xác định nhu cầu thực tế, cung cấp phản hồi về tính hữu dụng của hệ thống, và chịu trách nhiệm ra quyết định cuối cùng dựa trên thông tin mà hệ thống cung cấp. Chuyên viên tư vấn học tập — nếu trường có — đóng vai trò cầu nối giữa hệ thống kỹ thuật và hoạt động cố vấn thực tế, giúp điều phối quy trình từ cảnh báo đến can thiệp (Eaton; Pasquini, 2020).

Lãnh đạo trường đại học nên thành lập một "nhóm công tác cố vấn học tập số" (Digital Advising Task Force) bao gồm đại diện từ ba nhóm trên, cùng với đại diện từ sinh viên. Nhóm này không chỉ chịu trách nhiệm triển khai hệ thống mà còn theo dõi, đánh giá và đề xuất cải tiến liên tục. Việc có tiếng nói của sinh viên trong nhóm này là đặc biệt quan trọng, bởi sinh viên là người sử dụng cuối cùng của hệ thống — nếu họ không thấy giá trị, hệ thống sẽ thất bại dù công nghệ có tiên tiến đến đâu (Roberts et al., 2016).

7.2.3. Đặt câu hỏi đúng cho nhà cung cấp công nghệ

Khi tiếp xúc với các nhà cung cấp công nghệ giáo dục, lãnh đạo trường đại học thường dễ bị ấn tượng bởi các bản trình diễn (demo) hào nhoáng với giao diện đẹp, tính năng phong phú và lời hứa về "cá nhân hóa", "AI thông minh" và "dự đoán chính xác". Tuy nhiên, những bản trình diễn này được thiết kế để bán hàng, không phải để phản ánh thực tế sử dụng.

Lãnh đạo trường đại học cần được trang bị bộ câu hỏi phản biện để đánh giá thực chất hơn hình thức. Thay vì hỏi "tính năng có gì?", hãy hỏi "nghiên cứu cho thấy hiệu quả thế nào?". Thay vì hỏi "có bao nhiêu trường đang dùng?", hãy hỏi "có nghiên cứu độc lập nào đánh giá hiệu quả tại các trường đó không?". Thay vì hỏi "độ chính xác của thuật toán bao nhiêu?", hãy hỏi "độ chính xác đó được đo trên tập dữ liệu nào, ở bối cảnh nào, và có thể tái hiện tại trường mình không?". Thay vì hỏi "chi phí triển khai bao nhiêu?", hãy hỏi "chi phí bảo trì, nâng cấp và đào tạo nhân sự hàng năm là bao nhiêu trong 5 năm tới?" (Buckingham Shum; Luckin, 2019).

Cụ thể hơn, bộ câu hỏi đánh giá nên bao gồm các nhóm sau: Về bằng chứng hiệu quả — "Nhà cung cấp có nghiên cứu đánh giá tác động (impact study) được thực hiện bởi bên thứ ba độc lập không? Kết quả cụ thể về tỷ lệ giữ chân, điểm trung bình hoặc sự hài lòng của sinh viên là gì?". Về tính công bằng — "Thuật toán có được kiểm tra thiên kiến (bias audit) đối với các nhóm sinh viên khác nhau (giới tính, dân tộc, vùng miền, hoàn cảnh kinh tế) không?". Về khả năng tùy biến — "Hệ thống có thể được tùy chỉnh cho bối cảnh giáo dục Việt Nam — chương trình đào tạo tín chỉ, quy chế học vụ, văn hóa cố vấn — không?". Về dữ liệu — "Hệ thống yêu cầu dữ liệu đầu vào cụ thể nào? Trường mình có sẵn những dữ liệu đó không, chất lượng ra sao?". Về hỗ trợ — "Nhà cung cấp cung cấp đào tạo cho nhân viên trường bao lâu? Có hỗ trợ kỹ thuật sau triển khai không?".

7.2.4. Ngân sách cho đào tạo con người: ít nhất 30% ngân sách chuyển đổi số

Một nguyên tắc cốt lõi mà nhiều trường đại học vi phạm là phân bổ quá ít ngân sách cho đào tạo con người trong quá trình chuyển đổi số. Phân tích ngân sách chuyển đổi số tại nhiều trường đại học cho thấy tỷ lệ điển hình thường là 80–90% cho công nghệ (phần mềm, phần cứng, triển khai) và chỉ 10–20% cho con người (đào tạo, hỗ trợ, thay đổi tổ chức). Tỷ lệ này hoàn toàn ngược lại so với những gì nghiên cứu quốc tế khuyến nghị (Tondeur et al., 2023).

Nghiên cứu của Tondeur et al. (2023) về năng lực kỹ thuật số của giảng viên đại học cho thấy thành công của chuyển đổi số phụ thuộc trước hết vào năng lực của người sử dụng, không phải vào tính năng của công nghệ. Một hệ thống cố vấn học tập số dù tiên tiến đến đâu cũng vô dụng nếu giảng viên cố vấn không biết sử dụng, không tin tưởng kết quả mà hệ thống đưa ra, hoặc không có thời gian và động lực để tích hợp hệ thống vào quy trình làm việc của mình. Do đó, lãnh đạo trường đại học cần cam kết dành ít nhất 30% ngân sách chuyển đổi số cho các hoạt động liên quan đến con người, bao gồm: (i) đào tạo sử dụng hệ thống cho giảng viên và chuyên viên tư vấn; (ii) đào tạo nâng cao năng lực phân tích dữ liệu cơ bản cho giảng viên; (iii) xây dựng cộng đồng thực hành (community of practice) để giảng viên chia sẻ kinh nghiệm sử dụng công nghệ cố vấn; (iv) hỗ trợ thay đổi — thời gian, nguồn lực và động lực để giảng viên thích nghi với quy trình mới; và (v) đánh giá và phản hồi — cơ chế để thu thập ý kiến của giảng viên và sinh viên về hệ thống và cải tiến liên tục (Eaton; Pasquini, 2020; Blau et al., 2019).

7.2.5. Đo lường kết quả thực tế, không chỉ số lượng triển khai

Khi đánh giá hiệu quả của hệ thống cố vấn học tập số, lãnh đạo trường đại học thường dễ dàng bị lôi cuốn bởi các chỉ số triển khai: bao nhiêu sinh viên đã đăng ký hệ thống, bao nhiêu phiên truy cập, bao nhiêu cảnh báo đã được gửi. Tuy nhiên, các chỉ số này chỉ đo lường mức độ sử dụng (usage), không đo lường mức độ hiệu quả (effectiveness). Một sinh viên có thể nhận 20 cảnh báo từ hệ thống nhưng không có bất kỳ can thiệp nào, hoặc giảng viên có thể đăng nhập hệ thống hàng ngày chỉ để "cho có", mà không thay đổi cách thức cố vấn của mình.

Lãnh đạo trường đại học cần thiết lập một hệ thống chỉ số đo lường hiệu quả thực sự, bao gồm: (i) chỉ số kết quả học tập — tỷ lệ giữ chân sinh viên (retention rate), điểm trung bình tích lũy (GPA), tỷ lệ hoàn thành chương trình đúng hạn, tỷ lệ môn đậu — theo nhóm sinh viên có sử dụng cố vấn số và không sử dụng; (ii) chỉ số trải nghiệm sinh viên — mức độ hài lòng với dịch vụ cố vấn, cảm giác được hỗ trợ, cảm giác được thấu hiểu; (iii) chỉ số hành vi cố vấn — tỷ lệ cảnh báo được xử lý, thời gian từ cảnh báo đến can thiệp, chất lượng can thiệp (được đánh giá bởi sinh viên hoặc chuyên viên độc lập); (iv) chỉ số công bằng — hiệu quả của hệ thống đối với các nhóm sinh viên khác nhau, có nhóm nào bị bỏ lại không; và (v) chỉ số chi phí — chi phí trên mỗi kết quả cải thiện (cost per outcome improvement) (Ifenthaler; Yau, 2020).

Hệ thống đo lường này cần được thiết kế ngay từ đầu, trước khi triển khai hệ thống, để có đường cơ sở (baseline) so sánh. Không có đường cơ sở, mọi kết quả sau triển khai đều không có ý nghĩa — không thể biết sự cải thiện là do hệ thống hay do yếu tố khác.

---

7.3. Khuyến nghị cho giảng viên cố vấn

7.3.1. Công nghệ là công cụ bổ trợ, không phải giải pháp hoàn chỉnh

Giảng viên cố vấn cần hiểu rõ vị trí và vai trò của công nghệ trong công tác cố vấn học tập. Công nghệ — dù là dashboard hiển thị dữ liệu, hệ thống cảnh báo sớm hay chatbot trả lời câu hỏi — là công cụ bổ trợ giúp giảng viên thực hiện tốt hơn công việc của mình, không phải giải pháp thay thế hoàn chỉnh cho quá trình cố vấn. Sự khác biệt này là nền tảng của mọi khuyến nghị dành cho giảng viên (Eaton; Pasquini, 2020).

Hãy hình dung công nghệ cố vấn như một kính lúp: nó giúp giảng viên nhìn rõ hơn, chi tiết hơn về tình trạng học tập của sinh viên, nhưng nó không thay thế đôi mắt và trải nghiệm của người quan sát. Một kính lúp tốt cho phép bạn nhìn thấy chi tiết mà mắt thường không thấy — nhưng việc hiểu ý nghĩa của những chi tiết đó, đặt chúng vào bối cảnh, và quyết định hành động thế nào vẫn là công việc của con người. Tương tự, hệ thống analytics có thể cho thấy một sinh viên trượt hai môn liên tiếp, đăng nhập LMS ít hơn bình thường và nộp bài trễ — nhưng chỉ giảng viên, thông qua giao tiếp trực tiếp, mới có thể hiểu được nguyên nhân: có thể sinh viên đang đối mặt với khủng hoảng gia đình, vấn đề sức khỏe tâm lý, hoặc khó khăn tài chính — những yếu tố mà dữ liệu học tập không thể phản ánh (Eaton; Pasquini, 2020).

Giảng viên cố vấn cần chủ động xác định rõ vai trò của mình trong quá trình cố vấn số. Giảng viên không phải là "người bấm nút" thực thi các khuyến nghị của hệ thống, mà là "người ra quyết định" sử dụng thông tin từ hệ thống như một trong nhiều nguồn dữ liệu — cùng với giao tiếp trực tiếp, quan sát trong lớp học, và kinh nghiệm cá nhân — để đưa ra phán đoán chuyên môn. Sự chủ động này là điều phân biệt giữa cố vấn học tập thực chất và "chăm sóc sinh viên tự động".

7.3.2. Dùng phân tích dữ liệu để bổ sung, không thay thế giao tiếp trực tiếp

Một trong những rủi ro lớn nhất đối với công tác cố vấn học tập khi áp dụng công nghệ là hiện tượng "cố vấn từ xa" (armchair advising) — tình trạng giảng viên chỉ ngồi trước màn hình, nhìn dữ liệu và gửi tin nhắn cho sinh viên, mà không bao giờ gặp gỡ trực tiếp. Dù dữ liệu analytics cung cấp nhiều thông tin hữu ích, nhưng nó chỉ cho thấy phần nổi của tảng băng chìm — hành vi học tập bên ngoài, kết quả kiểm tra, tiến độ đăng ký. Phần chìm — cảm xúc, động lực, khó khăn cá nhân, tham vọng — chỉ có thể được tiếp cận thông qua giao tiếp trực tiếp (Blau et al., 2019).

Giảng viên cố vấn nên coi dữ liệu analytics như "điểm khởi đầu" cho cuộc trò chuyện với sinh viên, chứ không phải là "kết luận cuối cùng". Khi hệ thống cảnh báo rằng sinh viên A có nguy cơ gặp khó khăn, phản hồi đúng đắn không phải là gửi một tin nhắn tự động "Bạn cần nỗ lực hơn", mà là mời sinh viên đến gặp mặt và hỏi: "Thầy/cô thấy kết quả học tập kỳ này chưa đạt như kỳ trước. Bạn có đang gặp khó khăn gì không? Thầy/cô có thể giúp gì cho bạn?". Cách tiếp cận này vừa sử dụng thông tin từ hệ thống, vừa giữ được tính nhân văn trong quá trình cố vấn (Howell et al., 2017).

Nghiên cứu của Blau et al. (2019) về thiết kế sư phạm cho các khóa học ứng dụng công nghệ cho thấy rằng khi công nghệ được tích hợp một cách có chủ đích vào quá trình sư phạm — với sự cân bằng giữa tương tác trực tiếp và tương tác số — kết quả giáo dục được cải thiện đáng kể. Bài học này hoàn toàn áp dụng được cho công tác cố vấn: công nghệ tốt nhất là khi nó tạo thêm cơ hội cho giao tiếp trực tiếp (ví dụ: dữ liệu giúp giảng viên nhận biết sinh viên cần hỗ trợ và chủ động liên hệ), chứ không phải khi nó thay thế giao tiếp trực tiếp.

7.3.3. Ý thức về giới hạn của dữ liệu: nó cho thấy "cái gì" nhưng không giải thích "tại sao"

Giảng viên cố vấn cần được trang bị tư duy phản biện về dữ liệu — khả năng đọc hiểu và đánh giá thông tin từ hệ thống analytics một cách có ý thức về cả giá trị lẫn giới hạn của nó. Dữ liệu học tập cho chúng ta biết "cái gì" đang xảy ra — sinh viên nộp bài trễ, điểm thi giảm, ít đăng nhập hệ thống — nhưng hiếm khi giải thích được "tại sao". Khoảng cách giữa "cái gì" và "tại sao" chính là nơi chuyên môn và kinh nghiệm của giảng viên cố vấn phát huy vai trò (Baker; Hawn, 2021).

Hơn nữa, dữ liệu không bao giờ trung lập. Thuật toán phân tích dữ liệu có thể mang theo những thiên kiến (bias) ngầm ẩn — thiên kiến do cách dữ liệu được thu thập, thiên kiến do cách chỉ số được chọn, thiên kiến do lịch sử dữ liệu phản ánh bất bình đẳng hiện có. Ví dụ, nếu sinh viên từ vùng nông thôn — do hoàn cảnh khách quan — sử dụng hệ thống học tập trực tuyến ít hơn sinh viên thành thị (do hạ tầng internet kém hơn), hệ thống có thể dán nhãn họ là "ít tương tác" hoặc "có nguy cơ". Giảng viên cố vấn cần nhận thức được những giới hạn và thiên kiến tiềm tàng này để không bị dẫn dắt sai lầm bởi dữ liệu (Baker; Hawn, 2021).

Nghiên cứu của Baker và Hawn (2021) về thiên kiến thuật toán trong giáo dục chỉ ra rằng ngay cả những thuật toán được thiết kế với thiện ý cũng có thể sản sinh ra kết quả bất công nếu không được kiểm tra và điều chỉnh thường xuyên. Giảng viên cố vấn, với tư cách là người trực tiếp sử dụng kết quả từ hệ thống analytics, đóng vai trò "người gác cổng cuối cùng" — nếu thấy kết quả từ hệ thống mâu thuẫn với thực tế quan sát trực tiếp, họ có trách nhiệm đặt câu hỏi và không mù quáng tuân theo.

7.3.4. Nhu cầu đào tạo năng lực số cho giảng viên

Để giảng viên cố vấn có thể sử dụng hiệu quả các công cụ cố vấn số, họ cần được đào tạo bài bản về năng lực kỹ thuật số trong giáo dục — không chỉ kỹ năng sử dụng phần mềm (digital skills), mà còn năng lực sư phạm kỹ thuật số (digital pedagogical competence) và tư duy phản biện về dữ liệu (data literacy). Năng lực này không tự nhiên có được, mà cần được xây dựng thông qua các chương trình đào tạo có cấu trúc và liên tục (Tondeur et al., 2023).

Chương trình đào tạo nên bao gồm ba cấp độ. Cấp độ cơ bản: sử dụng hệ thống cố vấn số — cách truy cập, đọc hiểu dashboard, xử lý cảnh báo, và sử dụng các tính năng cơ bản. Cấp độ trung cấp: phân tích dữ liệu học tập — cách đọc hiểu biểu đồ, chỉ số thống kê, xu hướng và mô hình; cách đặt câu hỏi đúng cho dữ liệu; cách nhận diện các dấu hiệu cảnh báo và phân loại mức độ ưu tiên. Cấp độ nâng cao: tư duy phản biện về dữ liệu — hiểu về thiên kiến thuật toán, giới hạn của dữ liệu dự đoán, và cách kết hợp dữ liệu với thông tin định tính; năng lực đánh giá tính công bằng của kết quả phân tích (Blau et al., 2019).

Đào tạo này không nên chỉ diễn ra một lần dưới hình thức khóa học, mà cần được tích hợp vào quy trình làm việc thường xuyên thông qua hội thảo định kỳ, buổi chia sẻ kinh nghiệm, và hỗ trợ đồng nghiệp (peer support). Nghiên cứu của Eaton và Pasquini (2020) về cộng đồng thực hành mạng lưới của các chuyên viên cố vấn học tập đại học cho thấy rằng việc xây dựng cộng đồng chia sẻ kinh nghiệm — cả trực tiếp và qua mạng — là yếu tố quan trọng giúp giảng viên phát triển năng lực cố vấn liên tục, bao gồm cả năng lực ứng dụng công nghệ.

---

7.4. Khuyến nghị cho nhà phát triển công nghệ

7.4.1. Thiết kế cho bối cảnh Việt Nam: ngôn ngữ, văn hóa, hạ tầng

Nhà phát triển công nghệ giáo dục — cả công ty EdTech Việt Nam lẫn nhà cung cấp quốc tế muốn thâm nhập thị trường Việt Nam — cần thay đổi tư duy từ "thiết kế toàn cầu, triển khai địa phương" (design global, deploy local) sang "thiết kế bối cảnh, triển khai bối cảnh" (design contextual, deploy contextual). Cố vấn học tập không phải là một chức năng công nghệ thuần túy mà được nhúng sâu trong bối cảnh văn hóa, xã hội và giáo dục cụ thể. Một hệ thống được thiết kế cho trường đại học Hoa Kỳ — với chương trình đào tạo tự do (liberal arts), tín chỉ chuyển đổi linh hoạt, và văn hóa cố vấn độc lập — sẽ rất khó áp dụng nguyên xi vào trường đại học Việt Nam — với chương trình đào tạo định hướng, quy chế tín chỉ chặt chẽ, và văn hóa quan hệ giảng viên — sinh viên mang tính gia đình (Nguyễn-Anh et al., 2022).

Về ngôn ngữ, hệ thống phải hỗ trợ đầy đủ tiếng Việt — không chỉ giao diện người dùng, mà còn xử lý ngôn ngữ tự nhiên trong tiếng Việt (natural language processing), hiển thị tên học phần, tên giảng viên và các thông tin học vụ theo quy định của Bộ Giáo dục và Đào tạo. Nhiều hệ thống hiện nay chỉ có giao diện tiếng Việt sơ sài, trong khi phần "thông minh" — chatbot, hệ thống đề xuất — chỉ hoạt động bằng tiếng Anh, tạo ra rào cản lớn cho giảng viên và sinh viên.

Về văn hóa, hệ thống cần phản ánh đặc điểm quan hệ cố vấn tại Việt Nam, trong đó giảng viên không chỉ đóng vai trò cố vấn học thuật mà còn mang tính chất "người hướng dẫn" (mentor) theo nghĩa rộng, bao gồm cả định hướng nghề nghiệp và hỗ trợ tâm lý. Cấu trúc thông tin và quy trình cố vấn trên hệ thống cần linh hoạt đủ để hỗ trợ các vai trò đa dạng này, chứ không chỉ đơn thuần hiển thị điểm số và đề xuất môn học (Trí, Nguyễn Minh; Hoàng, Phạm Duy, 2023).

Về hạ tầng, hệ thống cần được tối ưu hóa cho điều kiện thực tế tại Việt Nam, bao gồm: tốc độ internet không đồng đều giữa các vùng miền, thiết bị của sinh viên chủ yếu là điện thoại thông minh và máy tính cấu hình trung bình, và khả năng hoạt động ngoại tuyến (offline capability) cho các khu vực có kết nối kém. Một hệ thống đòi hỏi kết nối internet tốc độ cao và thiết bị hiện đại sẽ loại trừ ngay từ đầu sinh viên ở các vùng khó khăn (Tăng, Sang My; Tiên, Nguyễn Hùng, 2020).

7.4.2. Tính minh bạch trong thuật toán

Nhà phát triển công nghệ phải nhận thức rõ rằng trong lĩnh vực giáo dục, tính minh bạch của thuật toán không phải là yếu tố "tùy chọn thêm" mà là điều kiện tiên quyết để hệ thống được chấp nhận và tin tưởng. Khi hệ thống đưa ra khuyến nghị cho giảng viên — ví dụ: "sinh viên A cần được ưu tiên can thiệp" — giảng viên cần hiểu tại sao hệ thống đưa ra khuyến nghị đó, dựa trên dữ liệu và logic gì, để có thể đánh giá và ra quyết định có ý thức (Buckingham Shum; Luckin, 2019).

Minh bạch thuật toán không có nghĩa là công khai toàn bộ mã nguồn, mà có nghĩa là cung cấp đủ thông tin để người sử dụng hiểu nguyên lý hoạt động cơ bản của hệ thống. Điều này bao gồm: (i) giải thích được các yếu tố đầu vào nào được sử dụng để đưa ra khuyến nghị hoặc cảnh báo; (ii) mức độ quan trọng (weight) của từng yếu tố; (iii) cách thức hệ thống xử lý các trường hợp đặc biệt hoặc ngoại lệ; (iv) giới hạn và mức độ không chắc chắn (uncertainty) của dự đoán; và (v) cơ chế phản hồi — cách người sử dụng có thể báo cáo khi thấy kết quả hệ thống không phù hợp (Baker; Hawn, 2021).

Buckingham Shum và Luckin (2019) đã nhấn mạnh trong nghiên cứu của mình rằng learning analytics và trí tuệ nhân tạo trong giáo dục không chỉ là vấn đề kỹ thuật mà còn là vấn đề chính trị và sư phạm. Việc phát triển công nghệ giáo dục mà thiếu tính minh bạch không chỉ gây nguy hại cho người sử dụng mà còn làm suy giảm niềm tin vào toàn bộ hệ thống giáo dục số. Nhà phát triển công nghệ, với tư cách là người thiết kế "quy tắc chơi", phải chịu trách nhiệm về tính minh bạch của hệ thống mà họ tạo ra.

7.4.3. Privacy by design — Bảo vệ quyền riêng tư ngay từ thiết kế

Nguyên tắc "privacy by design" — bảo vệ quyền riêng tư ngay từ khâu thiết kế — phải trở thành tiêu chuẩn bắt buộc trong phát triển công nghệ cố vấn học tập số, không phải là yếu tố bổ sung sau khi sản phẩm đã hoàn thiện. Điều này có nghĩa là: (i) thu thập dữ liệu tối thiểu (data minimization) — chỉ thu thập dữ liệu thực sự cần thiết cho mục đích cố vấn; (ii) ẩn danh hóa dữ liệu (data anonymization) — khi dữ liệu được sử dụng cho phân tích tổng quát, thông tin nhận diện cá nhân phải được ẩn; (iii) kiểm soát truy cập phân cấp (role-based access control) — không phải ai cũng có quyền xem toàn bộ dữ liệu của sinh viên; (iv) lưu trữ có thời hạn (data retention limits) — dữ liệu sinh viên không nên được lưu trữ vĩnh viễn sau khi đã tốt nghiệp; và (v) cho phép sinh viên xem và kiểm soát dữ liệu của mình (student data access rights) (Mutimukwe et al., 2022).

Nghiên cứu của Mutimukwe et al. (2022) về mối quan ngại quyền riêng tư của sinh viên trong learning analytics cho thấy rằng sinh viên có mức độ lo ngại đáng kể về việc dữ liệu học tập của họ bị thu thập và sử dụng, đặc biệt khi họ không được thông báo đầy đủ hoặc không có quyền kiểm soát. Nhà phát triển công nghệ có thể đóng vai trò tích cực trong việc giảm thiểu các lo ngại này thông qua việc thiết kế hệ thống có chức năng minh bạch và cho phép sinh viên kiểm soát.

7.4.4. Cần nghiên cứu dùng thử thực tế trước khi tung sản phẩm

Một trong những vấn đề nghiêm trọng nhất trong ngành công nghệ giáo dục hiện nay là việc sản phẩm được tung ra thị trường dựa trên các bản trình diễn và đánh giá nội bộ, mà không trải qua nghiên cứu dùng thử thực tế (pilot study) tại môi trường giáo dục thực thụ. Điều này dẫn đến tình trạng "hiệu quả trên slide, thất bại trên thực tế" — khi hệ thống được triển khai tại trường đại học, nó không hoạt động như quảng cáo, không phù hợp với quy trình hiện tại, và không được người sử dụng chấp nhận (Assiri et al., 2020).

Nhà phát triển công nghệ cần cam kết thực hiện nghiên cứu dùng thử thực tế — ít nhất tại hai trường đại học, trong ít nhất một học kỳ — trước khi tung sản phẩm ra thị trường. Nghiên cứu dùng thử này không phải là "dự án triển khai thử" (pilot deployment) nhằm tinh chỉnh công nghệ, mà là "nghiên cứu đánh giá hiệu quả" (efficacy study) nhằm kiểm chứng xem sản phẩm có thực sự mang lại kết quả tốt hơn so với không sử dụng. Kết quả nghiên cứu — cả tích cực lẫn tiêu cực — nên được công bố công khai để giúp các trường đại học đưa ra quyết định có căn cứ (Buckingham Shum; Luckin, 2019).

---

7.5. Khung đánh giá mức độ trưởng thành (Maturity Model) cho cố vấn học tập số

7.5.1. Lý do cần một Maturity Model

Maturity Model — mô hình đánh giá mức độ trưởng thành — là một công cụ quản trị đã được áp dụng thành công trong nhiều lĩnh vực, từ phát triển phần mềm đến quản lý chất lượng. Trong lĩnh vực cố vấn học tập số, một Maturity Model cho phép: (i) các trường đại học tự đánh giá vị trí hiện tại của mình; (ii) xác định khoảng cách đến mức độ trưởng thành tiếp theo; (iii) ưu tiên đầu tư và nỗ lực phù hợp; (iv) so sánh với các trường khác một cách có cấu trúc; và (v) theo dõi tiến độ phát triển theo thời gian (Assiri et al., 2020).

Dựa trên tổng hợp nghiên cứu quốc tế và bối cảnh thực tiễn tại Việt Nam, bài viết đề xuất một mô hình năm cấp độ trưởng thành cho cố vấn học tập số. Mỗi cấp độ phản ánh một bước phát triển cụ thể, với các tiêu chí đánh giá rõ ràng.

7.5.2. Cấp độ 1: Số hóa dữ liệu cơ bản

Mô tả: Ở cấp độ này, trường đại học đã thực hiện số hóa dữ liệu học tập cơ bản của sinh viên — điểm số, kết quả học tập, lịch sử đăng ký môn học, tiến độ chương trình đào tạo — và lưu trữ chúng trong hệ thống quản lý học vụ điện tử. Dữ liệu có thể ở dạng có cấu trúc (cơ sở dữ liệu quan hệ) hoặc bán cấu trúc, nhưng đã được chuyển từ hồ sơ giấy sang dạng kỹ thuật số.

Đặc điểm chính:

• Hệ thống quản lý học vụ điện tử hoạt động ổn định
• Dữ liệu điểm số, kết quả học tập được nhập và lưu trữ điện tử
• Sinh viên có thể xem kết quả học tập qua mạng
• Giảng viên có thể truy xuất danh sách sinh viên và điểm số trực tuyến
• Dữ liệu chủ yếu được sử dụng cho mục đích quản lý hành chính (báo cáo, thống kê)

Tiêu chí đánh giá:

• Tỷ lệ số hóa hồ sơ sinh viên: bao nhiêu phần trăm dữ liệu sinh viên đã được số hóa hoàn toàn?
• Chất lượng dữ liệu: dữ liệu có đầy đủ, chính xác và nhất quán không?
• Khả năng truy xuất: giảng viên có thể truy xuất dữ liệu sinh viên dễ dàng và nhanh chóng không?
• Tính cập nhật: dữ liệu được cập nhật theo thời gian thực hay có độ trễ?

Hạn chế: Dữ liệu chưa được tích hợp từ nhiều nguồn, chưa có phân tích, chỉ đơn thuần là bản số hóa của hồ sơ giấy. Giảng viên phải tự xử lý dữ liệu thủ công (ví dụ: mở Excel, tính toán điểm trung bình, so sánh giữa các kỳ).

Đề xuất: Hầu hết các trường đại học Việt Nam hiện nay đang ở cấp độ này hoặc đang chuyển từ cấp độ 0 (toàn thủ công) sang cấp độ 1. Mục tiêu ưu tiên không phải là nhanh chóng chuyển lên cấp độ cao hơn, mà là hoàn thiện cấp độ 1 — đảm bảo dữ liệu được số hóa đầy đủ, chính xác, nhất quán và dễ truy xuất.

7.5.3. Cấp độ 2: Dashboard thông tin

Mô tả: Ở cấp độ này, trường đại học đã phát triển hoặc triển khai các dashboard — bảng điều khiển trực quan — hiển thị dữ liệu học tập của sinh viên cho giảng viên cố vấn. Dashboard có thể hiển thị thông tin tổng quan về kết quả học tập, tiến độ chương trình, lịch sử điểm số theo kỳ, và các chỉ số cơ bản khác. Dữ liệu từ nhiều nguồn (hệ thống quản lý học vụ, hệ thống học trực tuyến LMS, hệ thống thanh toán học phí) bắt đầu được tích hợp.

Đặc điểm chính:

• Dashboard hiển thị dữ liệu trực quan cho giảng viên cố vấn
• Dữ liệu được tích hợp từ ít nhất hai nguồn khác nhau
• Giảng viên có thể xem toàn bộ bức tranh học tập của sinh viên tại một nơi
• Có thể lọc, sắp xếp và so sánh dữ liệu giữa các sinh viên hoặc nhóm sinh viên
• Sinh viên có thể xem dashboard cá nhân của mình

Tiêu chí đánh giá:

• Số nguồn dữ liệu tích hợp: dashboard lấy dữ liệu từ bao nhiêu hệ thống khác nhau?
• Tính trực quan: dashboard có dễ hiểu đối với giảng viên không phải chuyên gia công nghệ?
• Tính hữu dụng: giảng viên thực sự sử dụng dashboard trong công tác cố vấn không? Tần suất sử dụng?
• Phản hồi người dùng: giảng viên đánh giá dashboard như thế nào? Có cải tiến dựa trên phản hồi không?

Hạn chế: Dashboard chỉ hiển thị dữ liệu quá khứ và hiện tại, chưa có khả năng phân tích xu hướng hay dự đoán tương lai. Giảng viên vẫn phải tự phán đoán dựa trên thông tin hiển thị, không có hỗ trợ từ hệ thống. Cảnh báo vẫn phải được thiết lập thủ công — ví dụ: giảng viên tự lọc danh sách sinh viên có điểm dưới 5.0.

Đề xuất: Cấp độ 2 là mức độ phù hợp cho hầu hết các trường đại học Việt Nam trong giai đoạn 2–3 năm tới. Trước khi lên cấp độ 3, trường cần đảm bảo dashboard cấp độ 2 được sử dụng hiệu quả — giảng viên thực sự truy cập và sử dụng thông tin từ dashboard trong quá trình cố vấn.

7.5.4. Cấp độ 3: Cảnh báo sớm tự động (Early Alert)

Mô tả: Ở cấp độ này, trường đại học đã triển khai hệ thống cảnh báo sớm tự động (early warning system), sử dụng các quy tắc hoặc thuật toán đơn giản để nhận diện sinh viên có nguy cơ gặp khó khăn và gửi cảnh báo cho giảng viên cố vấn hoặc chuyên viên hỗ trợ. Hệ thống có thể sử dụng các quy tắc ngưỡng (threshold-based rules) — ví dụ: "cảnh báo nếu điểm dưới 4.0 hai kỳ liên tiếp" — hoặc thuật toán dự đoán đơn giản dựa trên dữ liệu lịch sử.

Đặc điểm chính:

• Hệ thống tự động nhận diện sinh viên có nguy cơ
• Cảnh báo được gửi tự động cho giảng viên cố vấn hoặc chuyên viên hỗ trợ
• Có quy trình xử lý cảnh báo — ai nhận, hành động gì, trong thời hạn bao lâu
• Có theo dõi kết quả can thiệp — sinh viên sau khi được can thiệp có cải thiện không?
• Sinh viên cũng có thể nhận cảnh báo và lời khuyên từ hệ thống

Tiêu chí đánh giá:

• Độ chính xác của cảnh báo: tỷ lệ cảnh báo đúng (true positive), tỷ lệ cảnh báo sai (false positive), tỷ lệ bỏ sót (false negative)
• Tốc độ cảnh báo: cảnh báo được gửi bao lâu sau khi phát hiện dấu hiệu nguy cơ?
• Tỷ lệ xử lý cảnh báo: bao nhiêu phần trăm cảnh báo được xử lý?
• Hiệu quả can thiệp: sinh viên được can thiệp có cải thiện kết quả học tập không?
• Tính công bằng: hệ thống cảnh báo có thiên kiến đối với các nhóm sinh viên cụ thể không?

Hạn chế: Thuật toán cảnh báo ở cấp độ này thường khá đơn giản, dựa trên các quy tắc cố định hoặc mô hình thống kê cơ bản. Khả năng cá nhân hóa còn hạn chế — tất cả sinh viên gặp cùng điều kiện sẽ nhận cùng cảnh báo, mà không xét đến bối cảnh cá nhân.

Đề xuất: Trước khi lên cấp độ 3, trường cần đảm bảo đã hoàn thiện cấp độ 2 — giảng viên quen với việc sử dụng dữ liệu trong cố vấn — và đã xây dựng quy trình xử lý cảnh báo rõ ràng. Cảnh báo tự động mà không có người xử lý sẽ chỉ tạo ra tiếng ồn mà không tạo ra giá trị.

7.5.5. Cấp độ 4: Khuyến nghị cá nhân hóa (Recommendation Engine)

Mô tả: Ở cấp độ này, hệ thống sử dụng thuật toán học máy (machine learning) để phân tích dữ liệu đa chiều của sinh viên và đưa ra các khuyến nghị cá nhân hóa. Không chỉ cảnh báo "sinh viên đang gặp khó khăn", hệ thống có thể đề xuất các hành động cụ thể: "Sinh viên A nên đăng ký môn X trước môn Y", "Sinh viên B có thể cần hỗ trợ phương pháp học tập", "Sinh viên C nên tham gia chương trình cố vấn đồng trang lứa". Hệ thống có thể phân tích mô hình hành vi học tập, so sánh với nhóm sinh viên tương tự, và học từ dữ liệu lịch sử để cải thiện khuyến nghị.

Đặc điểm chính:

• Hệ thống sử dụng thuật toán học máy để tạo khuyến nghị cá nhân hóa
• Khuyến nghị có tính cụ thể và hành động — không chỉ cảnh báo mà còn gợi ý giải pháp
• Hệ thống có khả năng phân tích dữ liệu đa chiều — kết quả học tập, hành vi học trực tuyến, tham gia hoạt động ngoại khóa, v.v.
• Có cơ chế học hỏi và cải thiện từ phản hồi — khi giảng viên đánh giá khuyến nghị là hữu ích/không hữu ích, hệ thống điều chỉnh
• Sinh viên có thể nhận khuyến nghị trực tiếp và phản hồi

Tiêu chí đánh giá:

• Tỷ lệ chấp nhận khuyến nghị: bao nhiêu phần trăm khuyến nghị được giảng viên/sinh viên chấp nhận và thực hiện?
• Mức độ hữu dụng: giảng viên đánh giá khuyến nghị có hữu ích không? So với cố vấn không có hệ thống?
• Tính cá nhân hóa: khuyến nghị có thực sự khác biệt giữa các sinh viên với bối cảnh khác nhau không?
• Độ chính xác cải thiện: độ chính xác của khuyến nghị có cải thiện theo thời gian không?
• Tính công bằng: các nhóm sinh viên khác nhau có nhận chất lượng khuyến nghị tương đương không?

Hạn chế: Thuật toán trở nên phức tạp hơn, khó giải thích hơn ("black box"), và đòi hỏi lượng dữ liệu lớn hơn để hoạt động hiệu quả. Rủi ro thiên kiến thuật toán tăng lên đáng kể. Yêu cầu về năng lực dữ liệu của trường (data infrastructure, data governance) cao hơn đáng kể.

Đề xuất: Chỉ các trường đã hoàn thiện cấp độ 3, có đội ngũ IT mạnh, chất lượng dữ liệu tốt, và đã tích lũy đủ dữ liệu lịch sử (ít nhất 3–5 năm dữ liệu số hóa chất lượng cao) nên tiến lên cấp độ 4. Hầu hết các trường đại học Việt Nam hiện nay chưa sẵn sàng cho cấp độ này.

7.5.6. Cấp độ 5: Hệ thống cố vấn thông minh tích hợp (AI + Human-in-the-loop)

Mô tả: Ở cấp độ cao nhất, trường đại học có một hệ thống cố vấn học tập thông minh tích hợp, trong đó trí tuệ nhân tạo hỗ trợ toàn diện quá trình cố vấn — từ phân tích dữ liệu, dự đoán nguy cơ, đề xuất can thiệp cá nhân hóa, đến theo dõi kết quả — nhưng luôn với con người trong vòng lặp quyết định (human-in-the-loop). Hệ thống có thể sử dụng xử lý ngôn ngữ tự nhiên để giao tiếp với sinh viên (chatbot thông minh), phân tích cảm xúc từ văn bản, và tích hợp đa dạng nguồn dữ liệu — học tập, ngoại khóa, sức khỏe tâm lý, hoàn cảnh cá nhân (với sự đồng ý). Tuy nhiên, mọi quyết định quan trọng đều được xác nhận bởi giảng viên cố vấn hoặc chuyên viên, và sinh viên luôn có quyền được gặp người thật để tư vấn.

Đặc điểm chính:

• Hệ thống tích hợp AI đa năng: phân tích dữ liệu, dự đoán, đề xuất, giao tiếp tự nhiên
• Human-in-the-loop: con người luôn tham gia vào quyết định quan trọng
• Sinh viên có trải nghiệm đa kênh: có thể giao tiếp với hệ thống 24/7 và gặp người thật khi cần
• Hệ thống liên tục học hỏi và cải thiện từ dữ liệu tương tác
• Có cơ chế kiểm tra công bằng và minh bạch thuật toán thường xuyên

Tiêu chí đánh giá:

• Tích hợp con người — máy: cách hệ thống phối hợp giữa AI và con người như thế nào? Con người có thể can thiệp và ghi đè quyết định của AI không?
• Chất lượng trải nghiệm sinh viên: sinh viên đánh giá trải nghiệm cố vấn tổng thể như thế nào?
• Hiệu quả tổng thể: kết quả giáo dục (tỷ lệ giữ chân, điểm GPA, tỷ lệ tốt nghiệp) cải thiện bao nhiêu so với trước khi có hệ thống?
• Tính công bằng và minh bạch: hệ thống có được kiểm tra độc lập về thiên kiến không? Thuật toán có được giải thích đủ cho người sử dụng không?
• Bền vững: hệ thống có được bảo trì, nâng cấp và đánh giá liên tục không?

Hạn chế: Yêu cầu đầu tư lớn, năng lực kỹ thuật cao, và dữ liệu lịch sử phong phú. Rủi ro phụ thuộc vào công nghệ — nếu hệ thống gặp sự cố, toàn bộ quá trình cố vấn có thể bị gián đoạn. Đòi hỏi văn hóa tổ chức trưởng thành, trong đó công nghệ và con người bổ sung cho nhau chứ không cạnh tranh.

Đề xuất: Cấp độ 5 là tầm nhìn dài hạn, không phải mục tiêu ngắn hạn. Chỉ một số ít trường đại học hàng đầu trên thế giới hiện đang tiếp cận cấp độ này. Các trường đại học Việt Nam không nên vội vã hướng tới cấp độ 5 mà trước tiên cần xây dựng vững chắc các cấp độ 1–3.

7.5.7. Đánh giá thực trạng và lộ trình đề xuất

Dựa trên phân tích về thực trạng chuyển đổi số giáo dục đại học Việt Nam và các nghiên cứu hiện có (Quy, Vũ Khánh et al., 2023; Trí, Nguyễn Minh; Hoàng, Phạm Duy, 2023; Ước, Trần Mai, 2023), có thể đánh giá rằng phần lớn các trường đại học Việt Nam hiện nay đang ở cấp độ 1 hoặc đang chuyển từ cấp độ 1 lên cấp độ 2 của mô hình trưởng thành. Một số trường đại học lớn tại Hà Nội và TP. Hồ Chí Minh có thể đã đạt cấp độ 2 hoặc đang thử nghiệm cấp độ 3.

Lộ trình đề xuất cho hầu hết các trường đại học Việt Nam là:

• Ngắn hạn (1–2 năm): Hoàn thiện cấp độ 1 — đảm bảo dữ liệu được số hóa đầy đủ, chính xác, nhất quán. Bắt đầu chuyển lên cấp độ 2 — triển khai dashboard cơ bản cho giảng viên cố vấn.
• Trung hạn (3–5 năm): Hoàn thiện cấp độ 2 — dashboard được sử dụng hiệu quả, tích hợp nhiều nguồn dữ liệu. Thử nghiệm cấp độ 3 — triển khai cảnh báo sớm tự động ở quy mô nhỏ, đánh giá hiệu quả.
• Dài hạn (5–10 năm): Mở rộng cấp độ 3 nếu hiệu quả đã được chứng minh. Bắt đầu nghiên cứu khả năng lên cấp độ 4 tại các trường có đủ điều kiện.

Lộ trình này không phải là con đường bắt buộc cho mọi trường, mà là khung tham khảo. Mỗi trường cần tự đánh giá bối cảnh riêng — quy mô, nguồn lực, mức độ sẵn sàng, ưu tiên chiến lược — để xác định lộ trình phù hợp. Điểm quan trọng nhất là không vội vã chạy theo xu hướng công nghệ, mà tập trung xây dựng nền tảng vững chắc ở mỗi cấp độ trước khi chuyển lên cấp tiếp theo.

---

7.6. Nguyên tắc triển khai tiếp cận nhân tâm

Phần này trình bày mười nguyên tắc vàng cho việc triển khai cố vấn học tập số theo tiếp cận nhân tâm (human-centered approach). Các nguyên tắc này được rút ra từ tổng hợp nghiên cứu quốc tế và phân tích bối cảnh Việt Nam, nhằm hướng dẫn các bên liên quan triển khai công nghệ cố vấn theo cách tôn trọng con người, đặt sinh viên làm trung tâm, và tránh những cạm bẫy của "chủ nghĩa solutionism" trong giáo dục (Teräs et al., 2020).

Nguyên tắc 1: Con người trước, công nghệ sau

Nguyên tắc nền tảng và quan trọng nhất: mọi quyết định về công nghệ cố vấn học tập phải bắt đầu bằng câu hỏi "vấn đề con người cần giải quyết là gì?", không phải "công nghệ mới có thể làm được gì?". Sự nhầm lẫn giữa hai câu hỏi này — bắt đầu từ công nghệ thay vì bắt đầu từ vấn đề — là nguyên nhân gốc rễ của phần lớn những thất bại trong chuyển đổi số giáo dục.

Khi bắt đầu từ vấn đề con người, câu hỏi đặt ra sẽ là: "Sinh viên bỏ học vì không được tư vấn đúng hướng — làm thế nào để cải thiện tư vấn cho họ?". Khi bắt đầu từ công nghệ, câu hỏi sẽ là: "Hệ thống AI có thể nhận diện sinh viên bỏ học — làm sao triển khai nó?". Cách đặt câu hỏi đầu tiên dẫn đến giải pháp có thể bao gồm nhiều yếu tố — đào tạo giảng viên, thay đổi quy trình, kết hợp với công nghệ. Cách đặt câu hỏi thứ hai dẫn đến "giải pháp" chỉ là công nghệ, mà bỏ qua các yếu tố con người quan trọng không kém (Teräs et al., 2020; Selwyn; Gašević, 2020).

Nguyên tắc 2: Dữ liệu phục vụ quyết định, không thay thế quyết định

Dữ liệu analytics là công cụ hỗ trợ giảng viên cố vấn ra quyết định tốt hơn, không phải công cụ tự động ra quyết định thay cho giảng viên. Khi hệ thống phân tích dữ liệu và đưa ra khuyến nghị, khuyến nghị đó phải được trình bày như một "gợi ý để cân nhắc", chứ không phải là "chỉ thị phải tuân theo". Giảng viên cố vấn luôn có quyền — và trách nhiệm — xem xét bối cảnh cụ thể, sử dụng chuyên môn và kinh nghiệm, và quyết định khác với khuyến nghị của hệ thống nếu cần (Howell et al., 2017).

Nguyên tắc này cũng áp dụng cho sinh viên: nếu hệ thống đề xuất sinh viên đăng ký môn A thay vì môn B, sinh viên cần hiểu tại sao hệ thống đề xuất như vậy, và có quyền lựa chọn khác nếu họ có lý do chính đáng. Dữ liệu và thuật toán là cố vấn thứ hai, không phải thẩm phán.

Nguyên tắc 3: Minh bạch với sinh viên về việc dữ liệu được sử dụng thế nào

Sinh viên có quyền biết: (i) dữ liệu nào của họ đang được thu thập; (ii) dữ liệu được sử dụng cho mục đích gì; (iii) ai có quyền truy cập dữ liệu; (iv) kết quả phân tích dữ liệu ảnh hưởng đến họ như thế nào; và (v) họ có thể kiểm soát, chỉnh sửa hoặc xóa dữ liệu ra sao. Sự minh bạch này không chỉ là yêu cầu pháp lý mà còn là điều kiện để xây dựng niềm tin — một yếu tố then chốt cho sự thành công của bất kỳ hệ thống cố vấn số nào (Mutimukwe et al., 2022).

Minh bạch cần được thực hiện ở ba cấp độ. Cấp độ thông tin: cung cấp cho sinh viên tài liệu dễ hiểu (bằng tiếng Việt) giải thích hệ thống hoạt động thế nào. Cấp độ tương tác: hệ thống cho phép sinh viên xem dữ liệu đang được lưu trữ về mình và kết quả phân tích. Cấp độ kiểm soát: sinh viên có quyền chỉnh sửa dữ liệu không chính xác, chọn tham gia hoặc rút khỏi một số tính năng, và biết cách khiếu nại nếu có sai sót.

Nguyên tắc 4: Tôn trọng quyền riêng tư của sinh viên

Tôn trọng quyền riêng tư không chỉ có nghĩa là bảo mật dữ liệu (data security) — tức là đảm bảo dữ liệu không bị rò rỉ cho bên thứ ba — mà còn là bảo vệ quyền tự quyết (data autonomy) của sinh viên. Sinh viên phải có quyền quyết định mức độ tham gia của họ vào hệ thống cố vấn số — họ có thể chọn chia sẻ dữ liệu học tập để nhận tư vấn cá nhân hóa, nhưng cũng có quyền chọn không chia sẻ và chỉ nhận tư vấn chung.

Đặc biệt, các dữ liệu nhạy cảm — về sức khỏe tâm lý, hoàn cảnh gia đình, tài chính cá nhân — cần được bảo vệ ở mức độ cao nhất và chỉ được sử dụng với sự đồng ý rõ ràng và cụ thể của sinh viên. Việc thu thập và sử dụng dữ liệu sinh viên dưới danh nghĩa "chăm sóc" hay "hỗ trợ" không thể trở thành lý do để vi phạm quyền riêng tư (Gilliard; Selwyn, 2022).

Nguyên tắc 5: Công bằng không có nghĩa là giống nhau

Khi triển khai hệ thống cố vấn số, cần nhận thức rõ rằng công bằng (equity) không đồng nghĩa với sự đồng nhất (equality). Cùng một công nghệ, cùng một can thiệp có thể có tác động khác nhau đối với các nhóm sinh viên khác nhau — và sự khác biệt này cần được xem xét, không phải bị bỏ qua (Baker; Hawn, 2021).

Hệ thống cố vấn số cần được thiết kế và triển khai theo nguyên tắc "công bằng có nhận biết" (equity-aware): (i) đánh giá tác động của hệ thống đối với các nhóm sinh viên khác nhau (giới tính, dân tộc, vùng miền, hoàn cảnh kinh tế — xã hội); (ii) chủ động điều chỉnh để đảm bảo không nhóm nào bị bỏ lại phía sau; (iii) cung cấp hỗ trợ bổ sung cho sinh viên từ nhóm yếu thế — ví dụ, sinh viên từ vùng nông thôn có thể cần thêm hướng dẫn sử dụng hệ thống; và (iv) tránh giả định rằng "tất cả sinh viên đều giống nhau" — và thiết kế cho "sinh viên trung bình" (Tsai et al., 2019).

Nguyên tắc 6: Đo lường cái quan trọng, không phải cái dễ đo lường

Trong kỷ nguyên dữ liệu, có một cạm bẫy nguy hiểm: đánh giá thành công dựa trên những chỉ số dễ đo lường (chu vi đăng nhập, số tin nhắn gửi đi, số cảnh báo xử lý) thay vì những yếu tố thực sự quan trọng nhưng khó đo lường (mức độ hiểu biết của sinh viên, cảm giác thuộc về, sự tự tin, động lực học tập). Nguyên tắc này nhắc nhở rằng: đừng để sự tiện lợi của đo lường định lượng làm lu mờ tầm quan trọng của đánh giá định tính (Selwyn; Gašević, 2020).

Để thực hiện nguyên tắc này, cần kết hợp đo lường định lượng và định tính. Đo lường định lượng: điểm số, tỷ lệ giữ chân, thời gian từ cảnh báo đến can thiệp. Đo lường định tính: phỏng vấn sâu với sinh viên và giảng viên, khảo sát trải nghiệm, nhóm thảo luận. Kết hợp cả hai sẽ cho bức tranh toàn diện hơn về hiệu quả thực sự của hệ thống cố vấn số.

Nguyên tắc 7: Nghe sinh viên, không chỉ nhìn dữ liệu

Dữ liệu cho thấy hành vi, nhưng chỉ sinh viên mới biết cảm xúc và động cơ đằng sau hành vi đó. Một sinh viên có thể có điểm số rất tốt nhưng đang trải qua khủng hoảng tâm lý nghiêm trọng; một sinh viên khác có thể đăng nhập hệ thống rất ít nhưng lại học tập hiệu quả theo phương pháp tự học. Nếu chỉ nhìn dữ liệu mà không nghe sinh viên, hệ thống cố vấn số sẽ không bao giờ có thể hỗ trợ toàn diện (Roberts et al., 2016).

Triển khai cố vấn số cần đảm bảo rằng các kênh giao tiếp trực tiếp — gặp mặt, điện thoại, tin nhắn cá nhân — vẫn được duy trì và ưu tiên. Công nghệ số là kênh bổ sung, không phải kênh duy nhất. Sinh viên phải luôn có quyền và khả năng tiếp cận con người khi họ cần — một chatbot có thể trả lời câu hỏi về quy chế, nhưng không thể thay thế một cuộc trò chuyện chân thành với giảng viên khi sinh viên đang cần sự thấu cảm (Demaeght et al., 2023).

Nguyên tắc 8: Đầu tư vào con người ngang với đầu tư công nghệ

Cân bằng đầu tư giữa công nghệ và con người là điều kiện tiên quyết cho thành công. Nhiều dự án chuyển đổi số giáo dục thất bại không phải vì công nghệ kém, mà vì con người không được trang bị đủ năng lực, thời gian và động lực để sử dụng công nghệ. Cụ thể, ngân sách chuyển đổi số nên được phân bổ cân bằng cho: (i) công nghệ — mua sắm, triển khai, bảo trì; (ii) con người — đào tạo, hỗ trợ, thay đổi tổ chức; và (iii) nghiên cứu — đánh giá, cải tiến, phát triển (Tondeur et al., 2023).

Nguyên tắc này không chỉ áp dụng cho ngân sách mà còn cho sự chú ý của lãnh đạo. Trong các cuộc họp về chuyển đổi số, lãnh đạo cần dành thời gian bàn về: đào tạo giảng viên thế nào, thay đổi quy trình ra sao, sinh viên phản ứng thế nào — chứ không chỉ bàn về nhà cung cấp nào và tính năng gì.

Nguyên tắc 9: Thử nghiệm nhỏ, đánh giá, rồi mở rộng

Không triển khai hệ thống cố vấn số quy mô lớn ngay từ đầu mà không trải qua quá trình thử nghiệm — đánh giá — cải tiến lặp lại. Bắt đầu với một nhóm nhỏ sinh viên và giảng viên, triển khai ở quy mô hẹp, thu thập phản hồi, đánh giá hiệu quả, cải tiến hệ thống, rồi mới mở rộng dần (Bodily; Verbert, 2017).

Phương pháp tiếp cận này — thường được gọi là "thiết kế lặp" (iterative design) hoặc "khởi đầu nhỏ, mở rộng chậm" (start small, scale slow) — có nhiều ưu điểm: giảm rủi ro, cho phép học hỏi từ thực tế, xây dựng động lực qua những thành công nhỏ, và đảm bảo hệ thống được điều chỉnh phù hợp với bối cảnh cụ thể trước khi mở rộng. Đặc biệt trong bối cảnh Việt Nam, nơi bằng chứng về hiệu quả cố vấn số còn rất hạn chế, phương pháp tiếp cận cẩn thận này là đặc biệt quan trọng (Xiao, 2019).

Nguyên tắc 10: Hãy sẵn sàng ngừng lại nếu không hiệu quả

Nguyên tắc cuối cùng — và có thể là nguyên tắc khó thực hiện nhất — là sẵn sàng dừng lại hoặc quay lại khi bằng chứng cho thấy hệ thống không hiệu quả. Trong thực tế, các dự án công nghệ giáo dục hiếm khi bị "hủy bỏ" — khi không hiệu quả, chúng thường được "cải tiến" liên tục, tiêu tốn thêm nguồn lực mà không mang lại kết quả tương xứng. Lý do: (i) hiệu ứng "chi phí chìm" (sunk cost fallacy) — "đã đầu tư nhiều tiền vào rồi, không thể dừng"; (ii) áp lực danh tiếng — "công bố triển khai công nghệ tiên tiến rồi, không thể quay lại"; và (iii) thiếu cơ chế đánh giá khách quan — không có dữ liệu rõ ràng cho thấy hệ thống không hiệu quả (Selwyn; Gašević, 2020).

Để thực hiện nguyên tắc này, cần thiết lập ngay từ đầu các "tiêu chí thoát" (exit criteria) — ngưỡng hiệu quả tối thiểu mà hệ thống phải đạt được để tiếp tục được triển khai. Nếu sau một khoảng thời gian thử nghiệm (ví dụ: hai học kỳ), hệ thống không đạt các tiêu chí này — ví dụ: không cải thiện tỷ lệ giữ chân, không được giảng viên sử dụng, sinh viên không thấy hữu ích — thì lãnh đạo cần có dũng khí chấp nhận thất bại, rút kinh nghiệm và tìm giải pháp khác phù hợp hơn (Xiao, 2019).

Triết lý đằng sau nguyên tắc này rất rõ ràng: chuyển đổi số giáo dục phải phục vụ mục tiêu giáo dục, không phải mục tiêu công nghệ. Nếu công nghệ không phục vụ mục tiêu giáo dục — hoặc thậm chí gây tác hại — thì dừng lại không phải là thất bại, mà là quyết định đúng đắn và có trách nhiệm.

---

Mười nguyên tắc vàng trên tạo thành một bộ khung đạo đức và thực tiễn cho việc triển khai cố vấn học tập số. Chúng không phải là mười quy định cứng nhắc, mà là mười "kim chỉ nam" cần được cân nhắc trong mọi quyết định liên quan đến công nghệ cố vấn — từ lựa chọn nhà cung cấp, đến thiết kế quy trình, đến đánh giá hiệu quả. Tuân thủ các nguyên tắc này không đảm bảo thành công, nhưng vi phạm chúng gần như chắc chắn dẫn đến thất bại hoặc tác hại.

---

PHẦN KẾT

8.1. Tổng kết những phát hiện chính

Bài viết "Cố vấn học tập số: lời nói dối từ phong trào chuyển đổi số giáo dục đại học" đã đi một hành trình dài, từ việc phân tích bối cảnh chuyển đổi số giáo dục đại học toàn cầu và Việt Nam, qua việc giải cấu trúc những lời hứa hẹn của cố vấn học tập số, đến việc phân tích sâu sáu lĩnh vực cốt lõi mà bài viết cho rằng phong trào cố vấn học tập số đang nói dối hoặc nói quá.

Trước khi tổng kết, cần nhấn mạnh một điều quan trọng: bài viết không phủ nhận tiềm năng của công nghệ trong công tác cố vấn học tập. Công nghệ — khi được thiết kế đúng, triển khai đúng và sử dụng đúng — có thể thực sự cải thiện hiệu quả cố vấn, giúp giảng viên tiếp cận nhiều sinh viên hơn, phát hiện sớm những sinh viên cần hỗ trợ, và cung cấp thông tin hữu ích cho quá trình ra quyết định. Nhiều nghiên cứu được trích dẫn trong bài viết đã chỉ ra những kết quả tích cực của hệ thống early warning, dashboard analytics và chatbot cố vấn trong các bối cảnh cụ thể.

Tuy nhiên, bài viết chỉ ra một khoảng cách đáng kể — và thường bị bỏ qua — giữa những lời hứa hẹn hào nhoáng của phong trào chuyển đổi số và bằng chứng thực nghiệm về hiệu quả thực sự. Sự cường điệu hóa (hype) xung quanh trí tuệ nhân tạo, phân tích dữ liệu lớn và cá nhân hóa học tập đã tạo ra một bầu không khí mà trong đó công nghệ được coi như "phép thuật giáo dục" — giải pháp cho mọi vấn đề — trong khi thực tế phức tạp hơn nhiều.

Sáu lĩnh vực phân tích của bài viết có thể được tổng kết như sau:

Thứ nhất, về cá nhân hóa: Lời hứa "cá nhân hóa học tập cho mọi sinh viên" là lời hứa có phần đúng nhưng bị cường điệu hóa đáng kể. Các hệ thống hiện tại cung cấp mức độ cá nhân hóa rất hạn chế — chủ yếu dựa trên kết quả học tập và hành vi đăng nhập — và không thể hiểu được bối cảnh cá nhân, động cơ và nhu cầu phức tạp của từng sinh viên. Hơn nữa, "cá nhân hóa" trong nhiều trường hợp chỉ là "phân loại" — xếp sinh viên vào các nhóm dựa trên mô hình thống kê, chứ không thực sự tạo ra lộ trình học tập riêng biệt cho từng cá nhân (Watters, 2021; Tsai et al., 2019).

Thứ hai, về dữ liệu: Lời hứa "dữ liệu thúc đẩy quyết định chính xác" gặp phải ba trở ngại lớn. Một là, chất lượng dữ liệu tại hầu hết các trường đại học — đặc biệt là tại Việt Nam — còn thấp, với nhiều sai sót, thiếu sót và không nhất quán. Hai là, dữ liệu học tập không bao giờ trung lập mà mang theo thiên kiến có sẵn trong hệ thống giáo dục. Ba là, dữ liệu cho thấy "cái gì" xảy ra nhưng hiếm khi giải thích được "tại sao", và việc diễn dịch sai dữ liệu có thể dẫn đến quyết định sai lầm (Selwyn; Gašević, 2020; Baker; Hawn, 2021).

Thứ ba, về giám sát: Lời hứa "hỗ trợ chủ động thông qua early warning" có thể biến thành "giám sát vô hình" (surveillance) khi sinh viên không được thông tin đầy đủ về việc dữ liệu của họ được sử dụng thế nào, và khi hệ thống theo dõi hành vi của họ mà không có sự đồng ý ý thức. Ranh giới giữa "chăm sóc" và "kiểm soát" là ranh giới mỏng, dễ bị xâm phạm khi công nghệ được triển khai mà không có bảo vệ quyền riêng tư (Gilliard; Selwyn, 2022).

Thứ tư, về công bằng: Lời hứa "công bằng tiếp cận cho mọi sinh viên" mâu thuẫn với thực tế rằng công nghệ có thể làm sâu sắc thêm bất bình đẳng. Sinh viên từ hoàn cảnh yếu thế — vùng nông thôn, hoàn cảnh kinh tế khó khăn, thiếu kỹ năng số — có thể bị bỏ lại phía sau khi cố vấn học tập chuyển dịch lên nền tảng số. Hơn nữa, thuật toán có thể mang thiên kiến đối với các nhóm sinh viên cụ thể, tạo ra "sự công bằng thuật toán" (algorithmic fairness) — khi hệ thống có vẻ công bằng trên bề mặt nhưng thực tế tái sản xuất bất bình đẳng hiện có (Marcinkowski et al., 2020; Woldegiorgis, 2022).

Thứ năm, về chi phí: Lời hứa "tối ưu chi phí và giảm chi phí cố vấn" bỏ qua chi phí ẩn của công nghệ — chi phí bảo trì, nâng cấp, đào tạo nhân sự, và đặc biệt là chi phí của các hệ quả không lường trước (như sinh viên mất niềm tin, dữ liệu bị rò rỉ, quyết định sai lầm do thuật toán). Tổng chi phí sở hữu (total cost of ownership) của một hệ thống cố vấn số thường cao hơn nhiều so với chi phí mua sắm ban đầu (Xiao, 2019).

Thứ sáu, về đổi mới: Lời hứa "đổi mới thực" thường che đậy thực tế là "số hóa thói cũ" — chuyển đổi quy trình thủ công sang phiên bản kỹ thuật số mà không thay đổi bản chất của quy trình đó. Đổi mới thực sự trong cố vấn học tập đòi hỏi thay đổi cách thức tư duy về quan hệ giữa giảng viên và sinh viên, về vai trò của dữ liệu trong giáo dục, và về mục tiêu của giáo dục đại học — những thay đổi sâu sắc hơn nhiều so với việc đơn giản áp dụng công nghệ mới (Ritzer et al., 2018).

8.2. Triết lý cân bằng: giữa technophobia và technophilia

Bài viết đặt mình vào một vị trí triết lý cân bằng — không phải ở thái cực phỉ báng công nghệ (technophobia) cũng không phải ở thái cực sùng bái công nghệ (technophilia), mà ở vị trí của chủ nghĩa thực tế công nghệ (techno-realism).

Technophobia — sự sợ hãi và từ chối công nghệ — không phải là câu trả lời đúng. Trong một thế giới đang chuyển đổi số, việc quay lưng lại với công nghệ không chỉ không thực tế mà còn nguy hiểm, bởi nó có thể khiến sinh viên bị bỏ lại phía sau trong một xã hội ngày càng phụ thuộc vào năng lực số. Những người phỉ báng công nghệ trong giáo dục thường có lý lẽ rằng "giáo dục truyền thống là tốt nhất" — nhưng thực tế, giáo dục truyền thống cũng có nhiều khiếm khuyết, bao gồm sự bất công trong tiếp cận, sự phụ thuộc vào năng lực cá nhân của giảng viên, và thiếu khả năng quy mô (Teräs et al., 2020).

Technophilia — sự sùng bái công nghệ, tin rằng công nghệ sẽ giải quyết mọi vấn đề — cũng không phải là câu trả lời đúng. Những người sùng bái công nghệ trong giáo dục thường có tư duy "solutionism" — tin rằng mọi vấn đề giáo dục đều có thể được giải quyết bằng công nghệ, nếu chỉ đầu tư đủ. Tư duy này bỏ qua tính phức tạp của giáo dục — một quá trình liên quan đến con người, cảm xúc, bối cảnh văn hóa và xã hội, những yếu tố không thể được "giải quyết" bằng thuật toán. Nó cũng tạo ra những rủi ro đáng lo ngại về quyền riêng tư, công bằng và sự kiểm soát (Selwyn; Gašević, 2020).

Techno-realism — chủ nghĩa thực tế công nghệ — là vị trí mà bài viết lựa chọn. Vị trí này chấp nhận rằng công nghệ có tiềm năng đáng kể trong giáo dục, nhưng từ chối tư duy "phép thuật công nghệ". Nó đòi hỏi đánh giá thực tế, dựa trên bằng chứng, về cái mà công nghệ có thể làm và không thể làm, cái mà nó làm tốt và làm kém. Nó đòi hỏi triển khai có trách nhiệm — cân nhắc tác động đối với tất cả các bên liên quan, đặc biệt là sinh viên, và sẵn sàng dừng lại khi công nghệ gây tác hại (Buckingham Shum; Luckin, 2019).

Chủ nghĩa thực tế công nghệ đặt ra ba câu hỏi cốt lõi cho mọi quyết định về công nghệ giáo dục:

Một là, bằng chứng gì cho thấy công nghệ này thực sự hiệu quả trong bối cảnh cụ thể — không phải bằng chứng từ bản demo hay bản marketing, mà bằng chứng từ nghiên cứu thực nghiệm độc lập, được thực hiện tại môi trường giáo dục tương tự.

Hai là, ai được hưởng lợi và ai có thể bị tổn thương — vì mọi công nghệ giáo dục đều có cả người được hưởng lợi lẫn người có thể bị tổn thương. Cố vấn số có thể giúp sinh viên năng động, chủ động tiếp cận thông tin tốt hơn, nhưng có thể bỏ lại sinh viên từ nhóm yếu thế, thiếu kỹ năng số, hoặc không thoải mái với tương tác kỹ thuật số.

Ba là, làm thế nào để đảm bảo con người luôn là trung tâm — không phải con người được thay thế, mà con người được nâng cao bởi công nghệ. Cố vấn học tập, ở cốt lõi, là một quá trình giữa con người và con người. Công nghệ có thể hỗ trợ quá trình đó, nhưng không thể — và không nên — thay thế nó (Aoun, 2017).

8.3. Hướng nghiên cứu tương lai

Bài viết xác định một số hướng nghiên cứu cần được ưu tiên trong tương lai, đặc biệt trong bối cảnh Việt Nam, để lấp đầy những khoảng trống kiến thức hiện tại và cung cấp bằng chứng cho việc ra quyết định chính sách.

Nghiên cứu thực nghiệm về hiệu quả cố vấn học tập số tại các trường đại học Việt Nam. Đây là khoảng trống nghiên cứu lớn nhất hiện tại. Hầu hết các nghiên cứu được trích dẫn trong bài viết được thực hiện ở bối cảnh Bắc Mỹ, châu Âu hoặc Trung Đông. Hiệu quả của hệ thống cố vấn số trong bối cảnh giáo dục Việt Nam — với chương trình đào tạo khác biệt, văn hóa quan hệ giảng viên — sinh viên khác biệt, và hạ tầng công nghệ khác biệt — cần được nghiên cứu trực tiếp. Các nghiên cứu này nên sử dụng phương pháp thử nghiệm ngẫu nhiên có đối chứng (randomized controlled trial) hoặc phương pháp bán thực nghiệm (quasi-experimental) để đánh giá tác động thực tế của hệ thống cố vấn số lên kết quả giáo dục (Ifenthaler; Yau, 2020).

Đánh giá dài hạn hiệu quả hệ thống early warning. Nhiều nghiên cứu hiện tại về early warning system đo lường tác động trong ngắn hạn (một hoặc hai học kỳ). Tuy nhiên, tác động dài hạn — liệu hệ thống early warning có thực sự cải thiện tỷ lệ giữ chân và tốt nghiệp trong 4–5 năm không — cần được theo dõi. Đánh giá dài hạn cũng cần xem xét "hiệu ứng mờ dần" — liệu hiệu quả tích cực ban đầu có giảm dần theo thời gian khi sự mới mẻ phai nhạt và người dùng trở nên quen thuộc hơn với hệ thống (Alyahyan; Düştegör, 2020).

Nghiên cứu về trải nghiệm sinh viên Việt Nam với công nghệ cố vấn. Hiện có rất ít nghiên cứu về cách sinh viên Việt Nam trải nghiệm và cảm nhận công nghệ cố vấn học tập. Các nghiên cứu này cần xem xét nhiều khía cạnh: mức độ chấp nhận công nghệ, mối quan ngại về quyền riêng tư, kỳ vọng về sự hỗ trợ, và sự so sánh giữa cố vấn truyền thống và cố vấn số. Các nghiên cứu chất lượng (qualitative) — phỏng vấn sâu, nhóm thảo luận — có thể cung cấp thông tin giá trị về trải nghiệm và cảm nhận của sinh viên, bổ sung cho các nghiên cứu định lượng (Bilquise et al., 2023).

Nghiên cứu liên văn hóa về chấp nhận chatbot cố vấn. Các nghiên cứu về chatbot cố vấn học tập — của Bilquise et al. (2023) tại Jordan, Demaeght et al. (2023) tại Đức — cho thấy mức độ chấp nhận khác nhau giữa các bối cảnh văn hóa. Nghiên cứu liên văn hóa có thể giúp xác định yếu tố nào ảnh hưởng đến việc sinh viên chấp nhận hoặc từ chối chatbot cố vấn — yếu tố văn hóa, kỹ thuật số hay tâm lý — từ đó giúp thiết kế chatbot phù hợp hơn với từng bối cảnh (Demaeght et al., 2023).

Phát triển Maturity Model phù hợp với bối cảnh Việt Nam. Maturity Model năm cấp độ được đề xuất trong bài viết cần được phát triển, kiểm chứng và điều chỉnh thông qua nghiên cứu thực tế tại các trường đại học Việt Nam. Một Maturity Model được phát triển dựa trên bối cảnh quốc tế cần được kiểm chứng xem có phù hợp với thực tiễn Việt Nam không, cần điều chỉnh những gì, và có cần bổ sung cấp độ hoặc tiêu chí nào (Quy, Vũ Khánh et al., 2023; Ước, Trần Mai, 2023).

Nghiên cứu về tác động của cố vấn số đến bất bình đẳng giáo dục. Một hướng nghiên cứu đặc biệt quan trọng là xem xét xem cố vấn học tập số — thay vì giảm — có thể làm sâu sắc thêm bất bình đẳng giáo dục không. Cụ thể, có sự khác biệt nào trong hiệu quả cố vấn số giữa sinh viên từ các vùng miền khác nhau, giữa sinh viên nam và nữ, giữa sinh viên từ hoàn cảnh kinh tế — xã hội khác nhau? Nếu có, nguyên nhân là gì và làm thế nào để giảm thiểu? (Woldegiorgis, 2022; Kumi-Yeboah et al., 2023).

Nghiên cứu về năng lực số cho giảng viên cố vấn. Cần nghiên cứu chuyên sâu về năng lực số cần thiết cho giảng viên cố vấn trong bối cảnh chuyển đổi số, từ đó xây dựng và đánh giá chương trình đào tạo phù hợp. Các nghiên cứu này cần xác định rõ: giảng viên cần những năng lực số cụ thể nào để sử dụng hiệu quả công nghệ cố vấn? Các mô hình đào tạo nào hiệu quả nhất? Những rào cản nào ngăn cản giảng viên phát triển năng lực số và làm thế nào để vượt qua? (Tondeur et al., 2023; Eaton; Pasquini, 2020).

8.4. Lời kết

Công nghệ là một công cụ mạnh mẽ, nhưng không phải là giải pháp phép thuật. Đối với cố vấn học tập, công nghệ có thể giúp giảng viên nhìn thấy rõ hơn, phản ứng nhanh hơn và tiếp cận rộng hơn — nhưng nó không thể thay thế sự đồng cảm, kinh nghiệm và phán đoán chuyên môn của con người. Chatbot có thể trả lời câu hỏi về quy chế lúc 2 giờ sáng, nhưng không thể an ủi một sinh viên đang trải qua khủng hoảng gia đình. Dashboard có thể hiển thị điểm số và xu hướng học tập, nhưng không thể giải thích tại sao một sinh viên thông minh đột nhiên mất động lực. Thuật toán có thể dự đoán nguy cơ bỏ học, nhưng không thể hiểu được cuộc sống phức tạp đằng sau những con số.

Phong trào chuyển đổi số giáo dục đại học, với tất cả những lời hứa hẹn và sự nhiệt tình, đang đứng trước một ngã rẽ quan trọng. Một hướng là tiếp tục theo đuổi tư duy "solutionism" — tin rằng công nghệ sẽ tự động giải quyết mọi vấn đề giáo dục — và gắn bó với những hệ quả tiêu cực: mất niềm tin, bất bình đẳng sâu sắc hơn, giám sát vô hình, và lãng phí nguồn lực quý báu. Hướng khác là bước vào kỷ nguyên của triển khai có trách nhiệm — nơi công nghệ được đánh giá thực tế, triển khai thận trọng, và luôn đặt con người làm trung tâm.

Tương lai của cố vấn học tập không phải là "con người HOẶC máy" (human OR machine), mà là "con người VÀ máy" (human AND machine). Trong mô hình này, công nghệ phụ trợ con người — cung cấp thông tin, tự động hóa các tác vụ lặp lại, nhận diện mẫu — trong khi con người phụ trách phần quan trọng nhất: thấu hiểu, đồng cảm, và ra quyết định có ý thức. Đây là mô hình mà Buckingham Shum và Luckin (2019) gọi là "human-in-the-loop" — con người luôn nằm trong vòng lặp quyết định — và là mô hình mà bài viết tin là hướng đi đúng đắn.

Lời cuối cùng: chuyển đổi số trong giáo dục thành công khi nó phục vụ con người, không phải khi con người phục vụ nó. Serves humans, not the other way around. Khi chúng ta đầu tư vào công nghệ giáo dục, câu hỏi cuối cùng không nên là "công nghệ này có tính năng gì?", mà "công nghệ này giúp sinh viên học tập và phát triển tốt hơn như thế nào?". Nếu câu hỏi đầu tiên dễ trả lời hơn câu hỏi thứ hai, thì chúng ta đang đặt sai thứ tự ưu tiên. Và đó chính là "lời nói dối" lớn nhất mà phong trào chuyển đổi số giáo dục đã tự kể cho chính mình — rằng công nghệ là điểm đến, trong khi thực tế, sinh viên mới là điểm đến.

---

DANH MỤC TÀI LIỆU THAM KHẢO

1. Assiri, Abeer; AL-Malaise, Abdullah; Brdesee, Hani (2020). From Traditional to Intelligent Academic Advising: A Systematic Literature Review of e-Academic Advising Tools, Architectures, and State-of-the-art. International Journal of Advanced Computer Science and Applications, 11(10). DOI:10.14569/ijacsa.2020.0110467.

1. Bilquise, Ghazala; Ibrahim, Samar; Salhieh, Sa'Ed M. (2023). Investigating student acceptance of an academic advising chatbot in higher education institutions. Education and Information Technologies. DOI:10.1007/s10639-023-12076-x.

1. Demaeght, Annebeth; Walz, Natalie; Müller, Andrea (2023). Chatbots in Academic Advising: Evaluating the Acceptance and Effects of Chatbots in German Student-University Services. Trong: Lecture Notes in Computer Science. Springer. DOI:10.1007/978-3-031-36049-7_2.

1. Akour, Mohammad; Alenezi, Mamdouh (2022). Higher Education Future in the Era of Digital Transformation. Education Sciences, 12(11), 1084. DOI:10.3390/educsci12110784.

1. Xiao, Junhong (2019). Digital transformation in higher education: critiquing the five-year development plans (2016-2020) of Hong Kong universities. Distance Education, 40(4), 512–528. DOI:10.1080/01587919.2019.1680272.

1. Teräs, Marko; Suoranta, Juha; Teräs, Hanna; Curcher, Mark (2020). Post-Covid-19 Education and Education Technology 'Solutionism': a Seller's Market. Postdigital Science and Education, 2, 863–878. DOI:10.1007/s42438-020-00164-x.

1. Selwyn, Neil; Gašević, Dragan (2020). The datafication of higher education: discussing the promises and problems. Teaching in Higher Education, 25(4), 663–676. DOI:10.1080/13562517.2019.1689388.

1. Gilliard, Chris; Selwyn, Neil (2022). Automated Surveillance in Education. Postdigital Science and Education, 4, 617–625. DOI:10.1007/s42438-022-00295-3.

1. Ritzer, George; Jandrić, Petar; Hayes, Sarah (2018). The velvet cage of educational con(pro)sumption. Knowledge Cultures, 6(2), 135–147. DOI:10.1080/23265507.2018.1546124.

1. Baker, Ryan S.; Hawn, Aaron (2021). Algorithmic Bias in Education. International Journal of Artificial Intelligence in Education, 31, 660–690. DOI:10.1007/s40593-021-00285-9.

1. Marcinkowski, Frank; Kieslich, Kimon; Starke, Christopher; Lünich, Marcus (2020). Implications of AI (un-)fairness in higher education admissions. Trong: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency. ACM. DOI:10.1145/3351095.3372867.

1. Slimi, Zouhaier; Villarejo Carballido, Beatriz (2023). Navigating the Ethical Challenges of Artificial Intelligence in Higher Education: An Analysis of Several Ethical Frameworks. Technologies, 12(2), 25. DOI:10.18421/tem122-02.

1. Buckingham Shum, Simon J.; Luckin, Rosemary (2019). Learning analytics and AI: Politics, pedagogy and practices. British Journal of Educational Technology, 50(6), 2996–3005. DOI:10.1111/bjet.12880.

1. Zawacki-Richter, Olaf; Marín, Victoria I.; Bond, Melissa; Gouverneur, Veronika (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16, 39. DOI:10.1186/s41239-019-0171-0.

1. Watson, Joshua; Hutyra, Carolyn A.; Clancy, Shayna M.; Chandiramani, Anisha; Jiban, Farha (2020). Overcoming barriers to the adoption and implementation of predictive modeling and machine learning in healthcare: a scoping review. JAMIA Open, 3(1), ooz046. DOI:10.1093/jamiaopen/ooz046.

1. Mutimukwe, Chantal; Viberg, Olga; Öberg, Lena‐Maria; Cerratto‐Pargman, Norma (2022). Students' privacy concerns in learning analytics: Model development. British Journal of Educational Technology, 53(4), 1127–1147. DOI:10.1111/bjet.13234.

1. Qiu, Feiyue; Zhang, Guodao; Sheng, Xin; Jiang, Lei; Zhu, Lijia (2022). Predicting students' performance in e-learning using learning process and behaviour data. Scientific Reports, 12, 2226. DOI:10.1038/s41598-021-03867-8.

1. Palacios, Carlos A.; Reyes-Suárez, José A.; Bearzotti, Lorena A.; Leitón, Paola A. (2021). Knowledge Discovery for Higher Education Student Retention Based on Data Mining: Machine Learning Approaches. Entropy, 23(4), 485. DOI:10.3390/e23040485.

1. Li, Chenglu; Xing, Wanli; Leite, Walter (2022). Using fair AI to predict students' math learning outcomes in an online platform. Computer Assisted Language Learning. DOI:10.1080/10494820.2022.2115076.

1. Tsai, Yi-Shan; Perrotta, Carlo; Gašević, Dragan (2019). Empowering learners with personalised learning approaches? Agency, equity and transparency in the context of learning analytics. Assessment & Evaluation in Higher Education. DOI:10.1080/02602938.2019.1676396.

1. Guerrero-Roldán, Ana-Elena; Rodríguez-González, M. Elena; Bañeres, David (2021). Experiences in the use of an adaptive intelligent system to enhance online learners' performance: a quasi-experimental study. International Journal of Educational Technology in Higher Education, 18, 19. DOI:10.1186/s41239-021-00271-0.

1. Bodily, Robert; Verbert, Katrien (2017). Review of Research on Student-Facing Learning Analytics Dashboards and Educational Recommender Systems. IEEE Transactions on Learning Technologies, 10(4), 405–418. DOI:10.1109/tlt.2017.2740172.

1. Roberts, Lynne D.; Howell, Joel A.; Seaman, Kristen; Gibson, David C. (2016). Student Attitudes toward Learning Analytics in Higher Education: 'The Fitbit Version of the Learning Experience'. Frontiers in Psychology, 7, 1959. DOI:10.3389/fpsyg.2016.01959.

1. Howell, Joel A.; Roberts, Lynne D.; Seaman, Kristen; Gibson, David C. (2017). Are We on Our Way to Becoming a 'Helicopter University'? Academics' Views on Learning Analytics and Invitational Pedagogy. Educational Technology Research and Development, 65, 1549–1566. DOI:10.1007/s10758-017-9329-9.

1. Rooksby, John; Morrison, Alistair; Murray-Rust, Dave (2019). Student Perspectives on Digital Phenotyping. Trong: Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. ACM. DOI:10.1145/3290605.3300655.

1. Woldegiorgis, Emnet Tadesse (2022). Mitigating the digital divide in the South African higher education system in the face of the Covid-19 pandemic. Progressio, 40(3). DOI:10.18820/2519593x/pie.v40.i3.13.

1. Kumi-Yeboah, Alex; Kim, YangHyun; Armah, Yaa Essah (2023). Strategies for overcoming the digital divide during the COVID-19 pandemic in higher education: a systematic review. British Journal of Educational Technology. DOI:10.1111/bjet.13356.

1. Laufer, Melissa; Leiser, Anne; Deacon, Bronwen; Perrin de Brichambaut, Marie; Botturi, Luca (2021). Digital higher education: a divider or bridge builder? Leadership perspectives on edtech in a COVID-19 world. International Journal of Educational Technology in Higher Education, 18, 51. DOI:10.1186/s41239-021-00287-6.

1. Iivari, Netta; Sharma, Sumita; Ventä-Olkkonen, Leena (2020). Digital transformation of everyday life – How COVID-19 pandemic transformed the basic education of the young. International Journal of Information Management, 55, 102183. DOI:10.1016/j.ijinfomgt.2020.102183.

1. Rashid, Shazia; Yadav, Sunishtha Singh (2020). Impact of Covid-19 Pandemic on Higher Education and Research. Journal of Educational Administration and History, 52(4), 376–383. DOI:10.1177/0973703020946700.

1. Quy, Vũ Khánh; Thành, Bùi Trung; Chehri, Abdellah; Linh, Đào Mạnh; Tuấn, Phạm Đức (2023). AI and Digital Transformation in Higher Education: Vision and Approach of a Specific University in Vietnam. Sustainability, 15(14), 11093. DOI:10.3390/su151411093.

1. Trí, Nguyễn Minh; Hoàng, Phạm Duy (2023). The Impact of Digital Transformation in Higher Education: The Case Study from Vietnam. Journal of Higher Education Theory and Practice, 23(5). DOI:10.33423/jhetp.v23i5.5922.

1. Nguyễn-Anh, Tuấn; Nguyễn, Anh T.; Trần-Phương, Chi; Nguyễn-Thị-Phương, Anh (2022). Digital transformation in higher education from online learning perspective: A comparative study of Vietnam and Japan. Industry and Higher Education. DOI:10.1177/14782103221124181.

1. Tăng, Sang My; Tiên, Nguyễn Hùng (2020). Digital Transformation Trend in Vietnam Higher Education: Blended Learning Model. International Journal of Social Sciences & Economics Invention, 6(7). DOI:10.23958/ijssei/vol06-i07/218.

1. Ước, Trần Mai (2023). Digital transformation in higher education in Vietnam today. Geography and Sustainability Education, 14(8). DOI:10.7769/gesec.v14i8.2699.

1. Lê, Thị; Chu, Ba; Nguyễn, Bình (2024). Exploratory Study on Factors Influencing Digital Transformation in Higher Education in Vietnam. American Journal of Education and Information Technology, 8(1). DOI:10.11648/j.ajeit.20240801.14.

1. Shen, Chien-wen; Ho, Jung-tsung (2019). Technology-enhanced learning in higher education: A bibliometric analysis with latent semantic approach. Computers in Human Behavior, 95, 106177. DOI:10.1016/j.chb.2019.106177.

1. Fayoumi, Ayman G.; Hajjar, Amjad Fuad (2020). Advanced Learning Analytics in Academic Education. International Journal on Semantic Web and Information Systems, 16(4), 64–86. DOI:10.4018/ijswis.2020070105.

1. Eaton, Paul William; Pasquini, Laura A. (2020). Networked practices in higher education: A netnography of the #AcAdv chat community. The Internet and Higher Education, 44, 100723. DOI:10.1016/j.iheduc.2019.100723.

1. Schumacher, Clara; Ifenthaler, Dirk (2021). Investigating prompts for supporting students' self-regulation – A remaining challenge for learning analytics. The Internet and Higher Education, 49, 100791. DOI:10.1016/j.iheduc.2020.100791.

1. Watters, Audrey (2021). Teaching Machines: The History of Personalized Learning. MIT Press. DOI:10.7551/mitpress/12262.001.0001.

1. Aoun, Joseph E. (2017). Robot-Proof: Higher Education in the Age of Artificial Intelligence. MIT Press. DOI:10.7551/mitpress/11456.001.0001.

1. Alyahyan, Eyman; Düştegör, Dilek (2020). Predicting academic success in higher education: literature review and best practices. International Journal of Educational Technology in Higher Education, 17, 3. DOI:10.1186/s41239-020-0177-7.

1. Ifenthaler, Dirk; Yau, Jane Yin-Kim (2020). Utilising learning analytics to support study success in higher education: a systematic review. Educational Technology Research and Development, 68, 1721–1744. DOI:10.1007/s11423-020-09788-z.

1. Cardona, Tatiana; Cudney, Elizabeth A.; Hoerl, Roger; Snyder, Jennifer (2020). Data Mining and Machine Learning Retention Models in Higher Education. Journal of College Student Retention: Research, Theory & Practice. DOI:10.1177/1521025120964920.

1. Howard, Emma; Meehan, Maria; Parnell, Andrew (2018). Contrasting prediction methods for early warning systems at undergraduate level. The Internet and Higher Education, 37, 60–71. DOI:10.1016/j.iheduc.2018.02.001.

1. Tondeur, Jo; Howard, Sarah; Van Zanten, Manon; Gorissen, Pierre (2023). The HeDiCom framework: Higher Education teachers' digital competencies for the future. Educational Technology Research and Development. DOI:10.1007/s11423-023-10193-5.

1. Bond, Melissa; Bedenlier, Svenja; Marín, Victoria I.; Händel, Marion (2021). Emergency remote teaching in higher education: mapping the first global online semester. International Journal of Educational Technology in Higher Education, 18, 45. DOI:10.1186/s41239-021-00282-x.

1. Bozkurt, Aras; Jung, Insung; Xiao, Junhong (2020). A global outlook to the interruption of education due to COVID-19 pandemic: Navigating in a time of uncertainty and crisis. Asian Journal of Distance Education, 15(1), i–iv. DOI:10.5281/zenodo.3878572.

1. Blau, Ina; Shamir-Inbal, Tamar; Avdiel, Orit (2019). How does the pedagogical design of a technology-enhanced collaborative academic course affect digital competence, teamwork, and attitudes? A case study from Israel. The Internet and Higher Education, 41, 100722. DOI:10.1016/j.iheduc.2019.100722.