Góc khuất chuyển đổi số giáo dục đại học: Khi AI "họp" với con người

I. Bối cảnh: Khi AI bước vào giảng đường

Sáng thứ Ba, phòng máy tính khu A. Một giảng viên mở lớp trên Zoom, chia sẻ slide về quản trị chuỗi cung ứng. Hai mươi bảy sinh viên có mặt — ít nhất trên màn hình. Một số camera tắt. Một số avatar đổi thành chú mèo, bầu trời đêm. Giảng viên giảng bài, thỉnh thoảng dừng lại hỏi: "Có ai thắc mắc không?" Im lặng kéo dài năm giây, mười giây. Rồi một cánh tay giơ lên. Sinh viên mỉm cười, bật mic: "Thầy ơi, bài tiểu luận tuần này em nhờ ChatGPT viết thì có sao không ạ?"

Câu hỏi ấy vang lên lần đầu có lẽ khiến nhiều giảng viên giật mình. Nhưng đến giữa năm 2023, nó đã trở thành quen thuộc đến mức một số người trong nghề giáo mỉm cười đại loại như cười trước một sự hiển nhiên. Sinh viên dùng ChatGPT để tìm ý tưởng, lập dàn bài, viết đoạn văn, tóm tắt tài liệu, thậm chí — theo một số lời thú nhận thẳng thắn — nộp nguyên văn. Giảng viên cũng dùng, nhưng ít ai nói ra: soạn đề thi, chấm bài, viết phản biện, xây dựng kịch bản giảng. Hai bên cùng dựa vào cùng một công cụ, cùng biết nhau đang dùng, nhưng không ai nói rõ quy tắc trò chơi.

Đó không phải là một kịch bản viễn tưởng. Đó là buổi sáng thứ Ba ở đại học Việt Nam, cũng như ở Melbourne, ở Berlin, ở Seoul. Và nó đặt ra một câu hỏi lớn hơn nhiều: khi trí tuệ nhân tạo bước vào giảng đường, ai đang học, ai đang dạy, và ranh giới ở đâu?

Chuyển đổi số giáo dục đại học: từ khẩu hiệu đến hiện thực

Phải nhìn lại một chút mới thấy sự thay đổi diễn ra nhanh đến mức nào. Trước năm 2020, "chuyển đổi số" trong giáo dục đại học phần lớn vẫn nằm trong các bản chiến lược treo trên tường — những văn bản đầy tham vọng về "trường học thông minh", "giảng đường số", "dữ liệu lớn trong giáo dục". Rất ít nơi thực sự triển khai ở quy mô rộng. Rồi đại dịch đến. Từ tháng 3 năm 2020, hàng triệu sinh viên trên thế giới bị đẩy lên nền tảng học trực tuyến. Zoom, Microsoft Teams, Google Classroom — những công cụ vốn là lựa chọn bổ trợ — bỗng trở thành tuyến phòng thủ duy nhất.

Tốc độ số hóa tăng vọt. Benavides và cộng sự (2020), trong tổng quan hệ thống về chuyển đổi số tại các cơ sở giáo dục đại học, đã ghi nhận rằng trước đại dịch, quá trình này chủ yếu tập trung vào việc áp dụng công nghệ thông tin để tối ưu hóa quy trình hành chính: quản lý tuyển sinh, hệ thống học phí, cổng thông tin sinh viên. Giảng dạy thì vẫn theo mô hình truyền thống — giảng viên lên lớp, viết bảng, phát tài liệu. Tuy nhiên, các tác giả cũng chỉ ra rằng một số trường tiên phong đã bắt đầu thử nghiệm mô hình kết hợp, sử dụng hệ thống quản lý học tập (Learning Management System — LMS) để mở rộng không gian lớp học ra ngoài bốn bức tường. Đại dịch biến những thử nghiệm lẻ tẻ đó thành yêu cầu bắt buộc.

Hệ quả kéo dài đến tận ngày nay. Theo thống kê từ nhiều khảo sát quốc tế, tỷ lệ trường đại học trên thế giới triển khai ít nhất một nền tảng LMS đạt trên 90% sau năm 2021. Tại Việt Nam, các trường thuộc nhóm đầu tư mạnh vào hạ tầng kỹ thuật số — như FTP, VNU, UEH — đều đã xây dựng hệ thống học trực tuyến riêng, tích hợp công cụ tương tác, ngân hàng câu hỏi, phần mềm chống gian lận. Về mặt kỹ thuật, bức tranh trông khá tươi sáng.

Nhưng kỹ thuật số và năng lực số là hai chuyện khác nhau. Timotheou và cộng sự (2022), khi tổng hợp nghiên cứu về tác động của công nghệ số đối với giáo dục, cảnh báo rằng việc đơn thuần cung cấp công nghệ không tự động dẫn đến cải thiện chất lượng dạy và học. Bài toán phức tạp hơn nhiều: giảng viên cần biết cách thiết kế hoạt động học trực tuyến hiệu quả, sinh viên cần kỹ năng tự quản lý quá trình học, và cả hai bên cần hiểu được khi nào công nghệ giúp — khi nào nó cản trở. Một cuộc khảo sát năm 2022 tại Anh cho thấy gần 40% giảng viên đại học cho biết họ không nhận được đào tạo bài bản về kỹ năng số, và khoảng một phần ba thừa nhận tự mò mẫm qua YouTube hoặc nhờ đồng nghiệp.

Hạ tầng thì đi nhanh. Con người thì chưa kịp bám. Đó là khoảng trống mà generative AI sẽ bước vào — không chờ đợi ai sẵn sàng.

Sự trỗi dậy của generative AI: một cú sốc chưa từng có

Ngày 30 tháng 11 năm 2022, OpenAI phát hành ChatGPT. Hai tháng sau, công cụ này đạt 100 triệu người dùng hoạt động — tốc độ tăng trưởng nhanh nhất trong lịch sử ứng dụng số. Để so sánh, Instagram mất hai năm rưỡi để đạt con số tương tự, TikTok mất chín tháng. ChatGPT không cần quảng cáo, không cần chiến dịch ra mắt rầm rộ. Sinh viên tự tìm đến, tự thử, tự lan truyền cho bạn bè — qua nhóm trò chuyện WhatsApp, qua bài đăng trên Facebook, qua khẩu hiệu miệng trong lớp: "Thử hỏi ChatGPT đi, nó trả lời hay lắm!"

Dwivedi và cộng sự (2023) gọi đây là khoảnh khắc mà trí tuệ nhân tạo sinh tạo "phá vỡ rào cản giữa phòng thí nghiệm và phòng khách". Trong bài viết mang tiêu đề đầy thách thức "So what if ChatGPT wrote it?", nhóm tác giả phân tích tác động đa ngành của mô hình đối thoại lớn, từ báo chí đến y tế, từ sáng tạo nghệ thuật đến — tất nhiên — giáo dục. Họ ghi nhận phản ứng đầu tiên của giới hàn lâm là hoảng loạn: một số tạp chí học thuật vội vàng cập nhật chính sách, các trường đại học tại Mỹ và Anh liên tiếp ban hành lệnh cấm sử dụng ChatGPT trong bài tập và kỳ thi. Cấm thì cấm, nhưng kiểm soát thì không làm được. ChatGPT chạy trên điện thoại, không cần cài đặt, không cần tài khoản trường học cấp phép. Giảng viên có thể cấm trong phòng thi nhưng không thể cấm trong phòng ngủ sinh viên.

Kasneci và cộng sự (2023), trong phân tích về cơ hội và thách thức của các mô hình ngôn ngữ lớn đối với giáo dục, chỉ ra rằng phản ứng cấm đoán ban đầu dần nhường chỗ cho thái độ thực tế hơn. Các tác giả lập luận rằng thay vì cố gắng chặn đứng một công nghệ đã lan rộng, giới giáo dục cần tìm cách hiểu nó — hiểu nó có thể làm gì tốt, có thể gây hại ở đâu, và làm thế nào để tận dụng thay vì chống lại. Họ đề xuất bốn lĩnh vực ứng dụng tiềm năng: cá nhân hóa lộ trình học, hỗ trợ giảng viên trong công tác đánh giá, phát triển vật liệu giáo dục, và nâng cao khả năng tiếp cận giáo dục cho người học có nhu cầu đặc biệt.

Nhưng ChatGPT không phải là công nghệ giáo dục tiên phong. Đã từng có MOOCs — khóa học trực tuyến mở rộng — gây bùng nổ năm 2012, được mệnh danh là "năm MOOC". Có LMS — hệ thống quản lý học tập — từ đầu những năm 2000. Có phần mềm kiểm tra trắc nghiệm tự động, có công cụ chống đạo văn, có hệ thống phân tích học tập. Thế nên điều gì khiến generative AI khác biệt?

Khác biệt nằm ở chỗ: MOOCs thay đổi cách phân phối nội dung, LMS thay đổi cách tổ chức lớp học, còn generative AI thay đổi cách sản xuất nội dung. Sinh viên không chỉ xem video, đọc tài liệu, làm bài trắc nghiệm — mà có thể yêu cầu một hệ thống AI tạo ra bài tiểu luận, giải bài toán từng bước, viết mã lập trình, tổng hợp nghiên cứu, thậm chí mô phỏng hội thoại học thuật. Nó không thay thế công cụ cũ; nó xen vào giữa quá trình tư duy của người học, ở điểm mà trước đây không có công nghệ nào chạm tới được.

Đó là lý do mà Kasneci và cộng sự (2023) gọi ChatGPT là "công nghệ giáo dục có tính biến đổi nhất trong một thập kỷ" — không phải vì nó hoàn hảo, mà vì nó buộc toàn bộ hệ thống giáo dục phải đặt lại câu hỏi nền tảng: khi AI có thể làm được những gì sinh viên được yêu cầu làm, thì đánh giá sinh viên có nghĩa là gì?

Khi AI "họp" với con người: ý nghĩa thực sự của sự hội nhập

Biểu tượng "khi AI họp với con người" có thể gây nhầm lẫn nếu hiểu theo nghĩa đen. Không có một cuộc họp chính thức nào cả — không có nghị sự, không có trưởng cuộc, không có biên bản. Cái "họp" ở đây là phép ẩn dụ cho một quá trình hội nhập phi đối xứng: AI lặng lẽ bước vào mọi ngóc ngách của không gian giáo dục đại học, xen vào giữa giảng viên và sinh viên, vào giữa đề bài và bài làm, vào giữa câu hỏi và câu trả lời.

Bearman, Ryan và Ajjawi (2022), trong tổng quan phê bình về các luồng cách nói liên quan đến AI trong giáo dục đại học, đã phân loại ba cách mà giới học thuật nói về AI. Nhóm thứ nhất coi AI là công cụ — đối xử với nó như bút, như máy tính, như phần mềm soạn thảo. Nhóm thứ hai coi AI là mối đe dọa — lo sợ nó thay thế giảng viên, phá vỡ tính toàn vẹn học thuật, tạo ra thế hệ sinh viên phụ thuộc. Nhóm thứ ba, mà Bearman và cộng sự cho là ít được chú ý nhất, coi AI là tác nhân trong môi trường học tập — một thực thể có khả năng tương tác, phản hồi, thậm chí "đàm phán" với người học. Nhóm thứ ba này không đặt câu hỏi "AI có nên được phép trong lớp học hay không" mà đặt câu hỏi "khi AI có mặt trong lớp học, quan hệ giữa người dạy và người học thay đổi ra sao?".

Järvelä, Nguyen và Hadwin (2023) đi sâu hơn vào khía cạnh hợp tác giữa con người và AI trong quá trình học tập. Nhóm tác giả phát triển khái niệm "điều tiết chung" (shared regulation) — ý tưởng rằng trong môi trường học tập, người học cần tự điều chỉnh hành vi, cảm xúc và nhận thức của mình để đạt mục tiêu. Khi AI tham gia vào quá trình đó, nó không chỉ cung cấp thông tin mà còn đóng vai trò đối tác điều tiết: nhắc nhở tiến độ, đề xuất chiến lược học, phản hồi về mức độ hiểu bài. Järvelä và cộng sự cảnh báo rằng sự hợp tác này chỉ phát huy hiệu quả khi người học giữ được quyền chủ động — nghĩa là biết khi nào nên nhờ AI, khi nào nên tự suy nghĩ, và khi nào cần đặt câu hỏi ngược lại hệ thống AI.

Phép ẩn dụ "khi AI họp với con người" mang một tầng ý nghĩa nữa. Một cuộc họp không bao giờ chỉ diễn ra êm đẹp. Có va chạm về quyền, về vai trò, về cách phân chia công việc. Có người thống trị, có người bị lấn át. Có quyết định được đưa ra nhưng cũng có vấn đề bị đẩy sang một bên. Tương tự, khi AI hội nhập vào quy trình giảng dạy-học tập, những xung đột ấy tồn tại thật: giảng viên cảm thấy bị giảm sút thẩm quyền chuyên môn khi AI có thể giải bài giảng của chính mình; sinh viên bị bủa vây bởi lượng thông tin AI tạo ra mà không biết cái nào đáng tin; nhà quản lý thì mải mê ban hành quy định mà quên hỏi giảng viên và sinh viên thực sự đang trải qua điều gì.

Bài viết này không nhằm trả lời tất cả câu hỏi. Nó nhằm khai mở những góc khuất — những khía cạnh của chuyển đổi số giáo dục đại học ít được nói tới trong các bản chiến lược chính thức, các báo cáo thường niên, các hội thảo khoa học trang trọng. Góc khuất của giảng viên tuổi trung niên vật lộn với một công cụ sinh ra sau họ ba thập kỷ. Góc khuất của sinh viên nông thôn không có máy tính riêng, phải ra quán internet để dùng ChatGPT. Góc khuất của câu hỏi đánh giá mà cả người ra đề và người làm bài đều biết — AI có thể trả lời tốt hơn sinh viên.

Lời dẫn nhập

Năm phần sau đây sẽ dẫn người đọc đi xuyên qua bức tranh đa chiều ấy. Phần II sẽ phân tích năng lực số của giảng viên đại học Việt Nam — xem họ đang ở đâu, cần gì, và bị bỏ lại ở đâu. Phần III sẽ soi vào sinh viên — không chỉ với tư cách "người dùng công nghệ" mà là những chủ thể đang học cách tồn tại trong một thế giới mà AI có mặt ở mọi nơi. Phần IV sẽ quay lại với giảng viên, nhìn vào thiết kế hoạt động học và đánh giá trong kỷ nguyên AI. Phần V sẽ đề xuất một khung năng lực số thiết thực — không phải khung lý thuyết hoàn hảo trên giấy, mà những gì có thể thực sự áp dụng được ở bối cảnh giáo dục đại học Việt Nam.

Bài viết này không chống AI. Cũng không tung hô AI. Nó cố gắng nhìn thẳng vào cả hai mặt — ánh sáng lẫn bóng tối — của quá trình chuyển đổi số đang diễn ra ngay trong lớp học, ngay trên màn hình, ngay giữa giảng viên và sinh viên, ngay lúc này. Khi AI đã "họp" với con người, điều duy nhất còn lại là tìm cách để cuộc họp ấy trở nên có ích — cho tất cả những ai ngồi trong đó.

II. Bức tranh hứa hẹn: AI như người đồng hành trong giảng đường

Hình 1: Mô hình hợp tác ba bên — Giảng viên, AI và Sinh viên trong môi trường học tập số

1. AI cá nhân hóa trải nghiệm học tập

Trong một lớp học đại học, ba trăm sinh viên ngồi nghe cùng một bài giảng. Nhưng không ai học giống ai — mỗi người mang đến lớp một nền tảng kiến thức khác biệt, một tốc độ tiếp thu riêng, một lỗ hổng hiểu biết mà giáo trình chuẩn hóa không thể lấp đầy. Đó là nghịch lý lâu đời của giáo dục đại học: mô hình "một kích cỡ cho tất cả" phục vụ số đông nhưng bỏ lại những người cần hỗ trợ nhất, đồng thời gây nhàm chán cho những người đã vượt xa mức trung bình.

Trí tuệ nhân tạo đang dần phá vỡ nghịch lý này. Các hệ thống học tập thích ứng sử dụng thuật toán phân tích dữ liệu hành vi — thời gian sinh viên dành cho mỗi câu hỏi, tần suất mắc sai lầm, mẫu truy cập tài liệu — để vẽ ra bản đồ nhận thức của từng cá nhân. Từ bản đồ đó, AI đề xuất lộ trình học tập phù hợp: người yếu phương trình vi phân nhận thêm bài tập nền tảng, người giỏi tư duy phản biện được giới thiệu tài liệu nâng cao (Chen et al., 2020). Điểm mấu chốt nằm ở chỗ hệ thống không chỉ phân loại sinh viên theo điểm số mà còn theo cách họ học — một chiều kích mà giáo viên con người hiếm khi có đủ thời gian để nhận diện trong lớp đông người.

Zhai và cộng sự đã tổng hợp hơn một thập kỷ nghiên cứu về AI trong giáo dục, kết luận rằng cá nhân hóa học tập là một trong những lĩnh vực ứng dụng AI phát triển mạnh nhất giai đoạn 2010–2020 (Zhai et al., 2021). Nghiên cứu của họ chỉ ra rằng khi AI tham gia vào quá trình học, sinh viên có xu hướng dành thời gian học tập hiệu quả hơn vì họ nhận được nội dung vừa sức — không quá dễ đến mức nhàm chán, cũng không quá khó đến mức bỏ cuộc. Hiệu ứng này tương tự nguyên tắc "vùng phát triển gần" của Vygotsky, nhưng lần này người hỗ trợ không phải là giáo viên hay bạn bè mà là một hệ thống thuật toán hoạt động xuyên suốt, bất kể đêm hay ngày.

Hãy tưởng tượng một sinh viên năm nhất Kinh tế đang vật lộn với khái niệm "hệ số tương quan". Lúc hai giờ sáng, trước ngày kiểm tra, người bạn đồng hành duy nhất sẵn sàng giải thích lại từ đầu — lần này với ví dụ về giá vàng, lần sau với biểu đồ chứng khoán — là một trợ lý AI tích hợp trong nền tảng học tập của trường. Hệ thống này ghi nhận rằng sinh viên hiểu tốt qua ví dụ trực quan nhưng vấp váp ở phần công thức toán học, rồi tự động điều chỉnh nội dung ôn tập cho phù hợp. Một lớp chatbot được đào tạo chuyên sâu trên giáo trình của khoa có thể trả lời câu hỏi lặp đi lặp lại mà giảng viên đã nghe hàng nghìn lần, giải phóng thời gian của cả hai bên.

Mô hình đề xuất nội dung cũng hoạt động tương tự cách Netflix gợi ý phim hay Spotify đề xuất bài hát. Thuật toán phân tích lịch sử học tập và hiệu suất của sinh viên, sau đó gợi ý video bài giảng, bài đọc, bài tập thực hành mà người học chưa từng tiếp cận nhưng có khả năng phù hợp với nhu cầu hiện tại. Không còn tình trạng sinh viên "lạc" trong hàng chục tài liệu trên LMS mà không biết bắt đầu từ đâu. AI trở thành người dẫn đường, giúp định hướng trong một rừng thông tin ngày càng dày đặc.

Tuy nhiên, cá nhân hóa học tập bằng AI không phải phép màu. Nó chỉ hoạt động tốt khi dữ liệu đầu vào đủ phong phú và thuật toán được thiết kế công bằng — một điều kiện mà không phải mọi trường đại học đều đáp ứng được ở thời điểm hiện tại.

2. Mô hình hợp tác con người–AI trong học thuật

Chữ "hợp tác" thường gợi lên hình ảnh hai con người ngồi cạnh nhau, cùng thảo luận, cùng tranh luận. Nhưng khi một bên trong cuộc hợp tác là AI, bản chất của sự hợp tác thay đổi. Đó không còn là sự chia sẻ ý nghĩ giữa những tâm trí đồng loại, mà là sự bổ sung năng lực giữa con người — với trực giác, kinh nghiệm sống và khả năng phán xét — và máy — với tốc độ xử lý, bộ nhớ khổng lồ và khả năng nhận diện mẫu. Nguyen và cộng sự đã phân tích các mô hình hợp tác giữa con người và AI trong viết học thuật, nhận diện được ít nhất ba kiểu tương tác: AI hỗ trợ (con người chủ đạo, AI cung cấp thông tin), AI đồng sáng tạo (hai bên xen kẽ đóng góp), và AI tự chủ (máy tạo nội dung, con người biên tập lại) (Nguyen et al., 2024). Mỗi kiểu phù hợp với mục đích và bối cảnh khác nhau.

Trong lớp học, mô hình hợp tác con người–AI xuất hiện dưới nhiều hình thức. Sinh viên dùng AI để lập dàn ý cho bài tiểu luận: đưa vào chủ đề, yêu cầu gợi ý cấu trúc, sau đó tự phát triển từng phần bằng hiểu biết và nghiên cứu riêng. Quá trình này giúp những người yếu kỹ năng tổ chức ý tưởng vượt qua rào cản ban đầu, giống như một người hướng dẫn viết sẵn sàng bất cứ lúc nào. Kim và cộng sự đã thiết kế khung học tập hỗ trợ sinh viên hợp tác với AI một cách có cấu trúc, tránh tình trạng sinh viên phó mặc toàn bộ quá trình tư duy cho máy (Kim et al., 2022). Khung của họ nhấn mạnh rằng AI nên đóng vai trò "đối thoại phản biện" hơn là "người làm thay" — đặt câu hỏi gợi mở, đề xuất lăng kính thay thế, thách thức lập luận của sinh viên thay vì đưa ra câu trả lời hoàn chỉnh.

Ở phía giảng viên, AI hỗ trợ thiết kế bài giảng đang trở nên phổ biến. Một giảng viên dạy môn Lịch sử kinh tế có thể yêu cầu AI tổng hợp sự kiện quan trọng của một thập kỷ, đề xuất câu hỏi thảo luận phù hợp với trình độ sinh viên, hoặc tạo kịch bản tình huống để lớp học đóng vai. Nghiên cứu của Nguyen và cộng sự chỉ ra rằng giảng viên sử dụng AI như một đối tác tư duy — đưa ra ý tưởng thô, nhờ AI mở rộng, rồi tinh chỉnh lại theo kinh nghiệm sư phạm (Nguyen et al., 2024). Giảng viên không mất đi vai trò kiến tạo kiến thức; ngược lại, họ có thêm một công cụ để hiện thực hóa ý tưởng sư phạm mà trước đây bị giới hạn bởi thời gian và tài nguyên.

Mô hình hợp tác này đòi hỏi một kỹ năng mới: năng lực phối hợp với AI. Sinh viên cần biết khi nào nên hỏi AI, khi nào nên tự suy nghĩ, làm sao đặt câu hỏi hiệu quả, và quan trọng nhất, làm sao kiểm chứng kết quả do AI đưa ra. Giảng viên cần thiết kế bài tập sao cho việc dùng AI trở thành một phần của quá trình học chứ không phải lối tắt bỏ qua tư duy. Đó là một sự chuyển dịch đáng kể so với cách giáo dục đại học vận hành trong suốt nhiều thế kỷ qua.

3. Giảm tải cho giảng viên

Chấm điểm. Đó là một trong những công việc tốn thời gian nhất của giảng viên, đặc biệt với môn học có số lượng sinh viên lớn. Mỗi bài tiểu luận, mỗi bài tập thực hành, mỗi báo cáo nhóm — tất cả đều cần đọc, phân tích, phản hồi. Nhiều giảng viên dành phần lớn thời gian làm việc cho việc chấm điểm, để lại ít thời gian cho nghiên cứu, tư vấn sinh viên hoặc cải tiến bài giảng. Trí tuệ nhân tạo đang can thiệp vào chính điểm nghẽn này.

Hệ thống chấm điểm tự động đã tồn tại từ lâu dưới dạng trắc nghiệm tự chấm. Nhưng thế hệ công cụ mới sử dụng xử lý ngôn ngữ tự nhiên để đánh giá bài luận, phản hồi về cấu trúc lập luận, phong cách viết, và mức độ sử dụng nguồn tham khảo. Grassini nhận định rằng AI không chỉ chấm nhanh hơn con người mà còn nhất quán hơn — không bị ảnh hưởng bởi tâm trạng, sự mệt mỏi hay thành kiến vô thức (Grassini, 2023). Một bài tiểu luận chấm lúc chín giờ sáng hay chín giờ tối nhận cùng một đánh giá, điều mà giảng viên con người hiếm khi đảm bảo được.

Ngoài chấm điểm, AI còn giúp giảng viên phát hiện sớm những sinh viên đang gặp khó khăn. Thuật toán phân tích dữ liệu học tập — điểm số, thời gian đăng nhập hệ thống, tần suất tham gia hoạt động — để cảnh báo khi có sinh viên có dấu hiệu tụt hậu. Giảng viên nhận được thông báo: "Sinh viên A chưa hoàn thành bài tập ba tuần liên tiếp, điểm kiểm tra giảm 40% so với tháng trước" — và có thể chủ động can thiệp trước khi sinh viên đó hoàn toàn gãy kết nối với lớp học. Michel-Villarreal và cộng sự nhấn mạnh rằng khả năng phân tích dữ liệu học tập bằng AI mở ra cơ hội chuyển từ giáo dục phản ứng (chờ sinh viên gặp rủi ro rồi mới hỗ trợ) sang giáo dục chủ động (dự đoán và ngăn ngừa rủi ro trước khi xảy ra) (Michel-Villarreal et al., 2023).

Giảng viên cũng dùng AI để soạn câu hỏi kiểm tra đa dạng, phân tích kết quả khảo sát học kỳ, hay tổng hợp phản hồi của sinh viên thành báo cáo có cấu trúc. Những việc mà trước đây cần một trợ lý nghiên cứu hoặc hàng giờ đồng hồ bóc tách dữ liệu nay được hoàn thành trong vài phút. Giảng viên có thêm thời gian — loại thời gian đắt giá nhất trong môi trường đại học — để tập trung vào những việc mà AI chưa thể làm: truyền cảm hứng, xây dựng mối quan hệ với sinh viên, thiết kế trải nghiệm học tập sáng tạo.

4. Sinh viên nói gì?

Mọi công nghệ giáo dục sẽ thất bại nếu người học từ chối nó. Vì vậy, lắng nghe tiếng nói sinh viên là điều cần thiết trước khi lạc quan hay bi quan về tương lai của AI trong giảng đường. Chan và Hu đã khảo sát sinh viên tại một trường đại học ở Hồng Kông về trải nghiệm sử dụng AI tạo sinh, kết quả cho thấy đa số sinh viên coi AI là công cụ hỗ trợ hữu ích nhưng đồng thời bày tỏ lo ngại về việc quá phụ thuộc (Chan và Hu, 2023). Sinh viên nói rằng AI giúp họ vượt qua "điểm trống trắng" khi bắt đầu viết — trạng thái bí ý tưởng mà nhiều người trải qua — nhưng cũng thừa nhận rằng nếu tự hỏi AI quá nhiều, họ cảm thấy mình không thực sự học được gì.

Nhiều sinh viên muốn trường đại học cung cấp hướng dẫn rõ ràng về cách sử dụng AI đạo đức và hiệu quả. Họ không muốn bị cấm — điều mà phần lớn coi là không thực tế — nhưng cũng không muốn được phó mặc tự mò mẫm. Chan và Hu ghi nhận sinh viên đề xuất các buổi hội thảo, tài liệu hướng dẫn, và thậm chí các module học tập riêng biệt về năng lực AI (Chan và Hu, 2023). Đó là một tín hiệu đáng chú ý: thế hệ sinh viên này nhận thức rõ ràng về khả năng của AI và muốn được trang bị kỹ năng để sử dụng nó, thay vì chỉ nhận lệnh cấm hay khuyến khích chung chung.

Khoảng cách thế hệ trong cách tiếp nhận AI cũng là một hiện tượng đáng lưu tâm. Chan và Lee phát hiện ra rằng sinh viên Gen Z tiếp nhận AI nhanh hơn, tích cực hơn so với giảng viên thuộc Gen X hay thế hệ millennial (Chan và Lee, 2023). Sự khác biệt không nằm ở việc "ai giỏi công nghệ hơn" mà nằm ở thái độ đối với công nghệ. Sinh viên trẻ coi AI như một công cụ bình thường, không khác nhiều Google hay Wikipedia — phần mềm có sẵn, dùng khi cần. Giảng viên lớn tuổi có xu hướng nhìn AI qua lăng kính cảnh báo: nó gây ra rủi ro toàn vẹn học thuật, làm suy giảm tư duy phản biện, đe dọa vai trò của người dạy. Sự phân kỳ thái độ này tạo ra khoảng trống giao tiếp giữa giảng viên và sinh viên — khoảng trống mà nếu không được lấp đầy, sẽ dẫn đến tình trạng "sinh viên dùng AI âm thầm, giảng viên cấm AI trên giấy".

Ở một khía cạnh sâu hơn, khảo sát của Chan và Lee cũng cho thấy sinh viên nhận thức được giới hạn của AI (Chan và Lee, 2023). Họ biết AI có thể đưa ra thông tin sai, bịa đặt, hoặc thiếu bối cảnh văn hóa cụ thể. Điều này cho thấy thế hệ sinh viên hiện tại không mù quáng tin tưởng công nghệ như đôi khi người lớn vẫn tưởng. Họ — ít nhất là một bộ phận — đang phát triển một dạng "năng lực phê phán AI" một cách tự nhiên, qua quá trình dùng và đối chiếu kết quả.

Bức tranh mà sinh viên vẽ ra về AI trong giáo dục không đơn sắc. Vừa hào hứng, vừa thận trọng. Vừa coi đây là công cụ đắc lực, vừa sợ nó thay đổi quá nhanh đến mức giáo dục không kịp thích ứng. Tiếng nói của họ chứa đựng một thông điệp rõ ràng: đừng cấm, nhưng đừng cũng phó mặc. Dẫn đường đi, chứ đừng đứng chặn.

III. Góc khuất thứ nhất: Khủng hoảng toàn vẹn học thuật

1. Cú sốc ChatGPT và toàn vẹn học thuật

Cuối năm 2022, khi ChatGPT ra mắt và nhanh chóng lan rộng trong cộng đồng sinh viên toàn cầu, nhiều giảng viên đứng trước một màn hình đầy ngạc nhiên — rồi lo âu. Một sinh viên nộp bài tiểu luận được viết mạch lạc, trôi chảy, có lập luận rõ ràng và trích dẫn đầy đủ. Điểm kỳ lạ: sinh viên đó hiếm khi tham gia lớp, không hoàn thành bài tập tuần trước, và trong các buổi thảo luận chưa bao giờ thể hiện năng lực tư duy ở mức như vậy. Chỉ vài câu hỏi trao đổi là thủ tục lộ ra: toàn bộ bài tiểu luận được ChatGPT viết.

Cotton và cộng sự khảo sát hơn một trăm giảng viên tại Anh và phát hiện rằng phần lớn lo ngại về tác động của ChatGPT đối với toàn vẹn học thuật (Cotton et al., 2023). Hai phần ba số người được hỏi cho biết họ đã nhận được bài nộp có dấu hiệu được AI tạo ra, và gần một nửa không tin rằng các công cụ phát hiện hiện tại đủ khả năng ngăn chặn vấn đề này. Nỗi lo không chỉ nằm ở việc sinh viên gian lận mà ở mức độ tinh vi của gian lận: AI tạo ra văn bản tự nhiên đến mức khó phân biệt với bài viết con người, và quá trình tạo ra chỉ mất vài giây.

Nhưng vấn đề sâu xa hơn nằm ở chỗ hành vi này thực sự là gì. Yusuf và cộng sự đặt câu hỏi: sinh viên dùng AI để viết tiểu luận khác gì so với sinh viên nhờ bạn bè viết, thuê người viết hộ, hay sao chép từ tài liệu trực tuyến? (Yusuf et al., 2024). Tất cả đều vi phạm toàn vẹn học thuật ở một mức độ nào đó. Tuy nhiên, sự khác biệt nằm ở dễ dàng tiếp cận và mức độ bình thường hóa. Khi gian lận đòi hỏi công sức — tìm người viết hộ, trả tiền, rủi ro bị lộ — thì rào cản tâm lý vẫn tồn tại. Khi gian lận chỉ cần mở trình duyệt, gõ vài dòng lệnh, và nhận kết quả trong vòng mười giây, rào cản tâm lý gần như biến mất. Yusuf và cộng sự gọi đây là "hiệu ứng ma sát không": khi chi phí hành vi — kể cả chi phí tâm lý — tiến về mức không đáng kể, hành vi đó trở thành mặc định (Yusuf et al., 2024).

Ranh giới đạo đức cũng trở nên mờ nhạt hơn bao giờ hết. Hỏi bạn bè để hiểu khái niệm — hành vi được xã hội học thuật chấp nhận. Hỏi AI để hiểu khái niệm — vẫn được chấp nhận. Nhưng hỏi AI để viết thay toàn bộ bài — đó là ranh giới mà nhiều sinh viên không rõ mình vừa bước qua. Cotton và cộng sự lưu ý rằng một số sinh viên không tự nhận thức hành vi dùng AI là gian lận, vì họ vẫn "đóng vai" trong quá trình — đặt câu hỏi, chỉnh sửa câu chữ, bổ sung ý tưởng (Cotton et al., 2023). Đường biên giữa "sử dụng công cụ hỗ trợ" và "gian lận học thuật" chưa bao giờ mong manh đến vậy.

Giai đoạn hiện tại đang cho thấy một sự chia rẽ rõ nét trong cộng đồng giáo dục: một bên muốn cấm triệt để AI khỏi lớp học, một bên muốn tích hợp AI một cách có kiểm soát. Hai thái cực này đều có lý do, nhưng cả hai đều bỏ qua một thực tế bất tiện: sinh viên đã dùng AI, đang dùng AI, và sẽ tiếp tục dùng AI — bất kể quy định nói gì.

2. Hệ thống kiểm tra bài do AI viết: Đã đủ?

Phản ứng đầu tiên của nhiều cơ sở giáo dục trước làn sóng bài viết AI là tăng cường kiểm tra. Turnitin — nền tảng phát hiện đạo văn quen thuộc — nhanh chóng ra mắt công cụ phát hiện nội dung do AI tạo ra. GPTZero, một công cụ độc lập, cũng xuất hiện với lời hứa phân biệt được văn bản người và máy. Giảng viên khắp nơi bắt đầu chạy bài nộp qua các hệ thống này, coi kết quả là bằng chứng cho — hoặc chống lại — toàn vẹn học thuật.

Farrokhnia và cộng sự đã thực hiện phân tích SWOT về ChatGPT trong giáo dục, trong đó chỉ ra nhiều hạn chế của các công cụ phát hiện hiện tại (Farrokhnia et al., 2023). Vấn đề lớn nhất là hai loại sai số: nhầm bài viết gốc thành bài do AI tạo ra và bỏ sót bài thực sự do AI viết. Sai số loại thứ nhất — còn gọi là dương tính giả — gây tổn hại nghiêm trọng cho sinh viên: một người viết tốt, có phong cách văn phong đều đặn có thể bị công cụ đánh dấu là "bài AI". Sai số loại thứ hai — âm tính giả — tạo ra ảo giác an toàn: giảng viên tin rằng hệ thống đang bảo vệ toàn vẹn học thuật trong khi thực tế nhiều bài AI vẫn lọt qua.

Nghiên cứu của Farrokhnia và cộng sự còn chỉ ra rằng các công cụ phát hiện AI dựa trên các đặc trưng ngôn ngữ như tính đa dạng từ vựng, độ dài câu, tính logic mạch lạc — những yếu tố mà AI ngày càng giỏi mô phỏng (Farrokhnia et al., 2023). Khi mỗi phiên bản mới của mô hình ngôn ngữ xuất hiện, độ chính xác của công cụ phát hiện lại giảm xuống. Đây là một cuộc đua vũ trang bất cân xứng: bên tạo (các công ty phát triển mô hình ngôn ngữ) có nguồn lực khổng lồ và động lực thương mại mạnh mẽ; bên phát hiện (các công cụ giáo dục) hoạt động với ngân sách khiêm tốn hơn và luôn đi sau một bước.

Một chiều kích khác ít được bàn đến: công cụ phát hiện AI hoạt động kém hơn với người viết không phải tiếng Anh bản ngữ. Sinh viên quốc tế, sinh viên có phong cách viết khác biệt, sinh viên từ nền văn hóa học thuật khác — tất cả đều dễ bị đánh dấu sai là "bài AI". Sự bất công hệ thống này tiềm ẩn nguy cơ phân biệt đối xử ngầm: công nghệ kiểm tra toàn vẹn học thuật lại vô tình trở thành công cụ gạt bỏ những người viết "không giống mẫu chuẩn".

Nhìn từ góc độ chiến lược, việc đặt cược vào công cụ phát hiện là một chiến lược phòng thủ — và phòng thủ hiếm khi thắng trong một cuộc chiến công nghệ. Lực lượng kiểm soát không theo kịp công nghệ sinh, và mỗi khi một rào chắn được dựng lên, một cách vượt rào mới lại xuất hiện. Cuộc đua này có thể kéo dài vô tận, tốn kém và cuối cùng vẫn không giải quyết được vấn đề gốc.

3. Khi AI đánh giá AI: Vòng lặp đóng

Giả tưởng một kịch bản không còn xa: sinh viên nộp bài tiểu luận đã được AI hỗ trợ viết. Giảng viên — quá bận rộn với hàng trăm bài khác — dùng AI để chấm. AI chấm nhận ra bài viết "tốt" theo các tiêu chí lập trình sẵn: cấu trúc chặt chẽ, lập luận logic, ngôn từ trôi chảy. Sinh viên nhận điểm cao. Mọi người hài lòng. Nhưng trong suốt quá trình này, có bao nhiêu phần tư duy con người thực sự tham gia?

Darvishi và cộng sự đã nghiên cứu tác động của AI hỗ trợ đối với năng lực chủ động của sinh viên, phát hiện ra rằng khi sinh viên nhận được quá nhiều hỗ trợ từ AI, họ có xu hướng giảm mức độ tự chủ trong quá trình học (Darvishi et al., 2024). Sinh viên không còn chủ động tìm kiếm giải pháp, đặt câu hỏi, hay thử nghiệm — vì AI luôn sẵn sàng cung cấp câu trả lời "đúng". Hiệu ứng này đặc biệt mạnh khi AI được sử dụng ở giai đoạn đầu của quá trình tư duy — lập dàn ý, xác định vấn đề, hình thành câu hỏi nghiên cứu — chính là giai đoạn đòi hỏi nhiều nỗ lực tư duy nhất.

Vòng lặp đóng "AI viết – AI chấm – AI phản hồi" tạo ra một hệ sinh thái giáo dục mà con người chỉ đóng vai trò quan sát viên. Sinh viên học cách viết cho AI đọc — tuân theo mẫu mà AI "thích", dùng ngôn từ mà AI đánh giá cao. Giảng viên mất dần khả năng đánh giá năng lực thực sự của sinh viên vì kết quả đánh giá đi qua một lớp lọc thuật toán. Mối quan hệ sư phạm — kết nối giữa người dạy và người học, giữa hai tâm trí con người — bị thay thế bởi giao diện máy-máy.

Darvishi và cộng sự cảnh báo rằng hiện tượng này đe dọa một giá trị cốt lõi của giáo dục đại học: quá trình học không chỉ nhằm tạo ra sản phẩm (điểm số, bài tiểu luận) mà nhằm phát triển năng lực (tư duy phản biện, giải quyết vấn đề, giao tiếp hiệu quả) (Darvishi et al., 2024). Khi AI can thiệp sâu vào cả khâu tạo sản phẩm và khâu đánh giá sản phẩm, quá trình phát triển năng lực bị rút ngắn hoặc thậm chí bị bỏ qua hoàn toàn. Sinh viên sẽ "hoàn thành" bài tập xuất sắc mà không thực sự hiểu nội dung mình đã nộp.

Câu hỏi đặt ra không chỉ là về mặt kỹ thuật — làm sao vòng lặp AI-AI hoạt động tốt hơn — mà về mặt triết học: giáo dục đại học tồn tại để phục vụ mục đích gì? Nếu câu trả lời chỉ là "sản ra người có bằng cấp tốt", thì AI-AI loop hoạt động hoàn hảo. Nếu câu trả lời là "nuôi dưỡng con người có khả năng tư duy độc lập, có trách nhiệm đạo đức, có năng lực thích ứng trong một thế giới phức tạp", thì vòng lặp đóng này là mối đe dọa trực tiếp.

Hình 2: Quy trình phát hiện AI-generated text — giới hạn và rủi ro sai số

4. Từ "cấm" đến "dẫn": Thay đổi cách đánh giá

Nhiều trường đại học đã thử cấm AI. Kết quả: thất bại. Sinh viên vẫn dùng AI, chỉ là không thừa nhận. Các quy định cấm tạo ra môi trường "ai cũng biết nhưng ai cũng giả vờ không biết" — một dạng đạo đức giả hiệu mà giáo dục đại học không nên dung túng. Chan đề xuất một khung chính sách AI giáo dục toàn diện, trong đó thay vì cấm, các trường nên thiết kế cách đánh giá sao cho việc dùng AI trở thành một phần minh bạch và có kiểm soát của quá trình học (Chan, 2023).

Phương hướng thay đổi đánh giá tập trung vào ba nguyên tắc. Thứ nhất, chuyển từ đánh giá sản phẩm cuối cùng sang đánh giá quá trình — yêu cầu sinh viên nộp bản nháp, ghi chép quá trình tư duy, phản hồi về những khó khăn gặp phải và cách khắc phục. AI được viết bài hoàn chỉnh, nhưng khó mô phỏng được một quá trình tư vấn lộn xộn, đầy rẽ ngoặt mà học tập đích thực thường mang lại. Thứ hai, tăng tỷ trọng bài tập thực hành trực tiếp — làm thí nghiệm trong phòng lab, thảo luận nhóm có giám sát, thuyết trình trước lớp — những hoạt động mà sinh viên phải thể hiện năng lực ngay tại chỗ, không có thời gian nhờ AI hỗ trợ. Thứ ba, yêu cầu sinh viên tự phản ánh về cách họ đã sử dụng AI trong quá trình học — AI giúp gì, AI không giúp gì, sinh viên học được gì từ việc đối chiếu kết quả AI với kiến thức mình đã có.

Chan nhấn mạnh rằng chính sách AI trong giáo dục cần được thiết kế ở nhiều cấp độ: cấp trường (quy định chung), cấp khoa (điều chỉnh theo đặc thù chuyên ngành), và cấp lớp học (giảng viên quyết định hình thức đánh giá cụ thể) (Chan, 2023). Một chính sách "một kích cỡ cho tất cả" sẽ không hiệu quả vì mức độ phụ thuộc vào AI khác nhau mạnh mẽ giữa các ngành — sinh viên khoa Máy tính có khả năng cần AI ở mức độ khác hoàn toàn so với sinh viên khoa Triết học hay Y khoa.

Mỗi hình thức đánh giá thay thế cũng có rủi ro riêng. Thi vấn đáp trực tiếp gây áp lực lớn cho sinh viên introvert hoặc sinh viên có kỹ năng giao tiếp hạn chế nhưng tư duy sâu. Portfolio đánh giá quá trình nhiều khả năng bị thao túng nếu sinh viên cố tình "tạo dấu vết" quá trình học giả mạo. Thuyết trình nhóm có nguy cơ bất bình đẳng khi một thành viên làm thay toàn bộ phần việc. Không có hình thức đánh giá nào hoàn hảo — ngay cả hình thức truyền thống như kiểm tra trên giấy cũng từng bị chỉ trích vì chỉ đo khả năng ghi nhớ ngắn hạn.

Điều cần thay đổi không chỉ là công cụ đánh giá mà là tư duy về đánh giá. Giáo dục đại học cần chuyển từ câu hỏi "làm sao ngăn sinh viên gian lận bằng AI" sang câu hỏi "làm sao thiết kế trải nghiệm học tập mà AI trở thành trợ lý thay thế cho tư duy của sinh viên". Sự khác biệt giữa hai câu hỏi này có vẻ nhỏ nhưng dẫn đến những chiến lược hoàn toàn đối lập. Một bên xây rào chắn, một bên xây lộ trình. Một bên xem sinh viên là đối tượng cần kiểm soát, một bên xem sinh viên là đối tác trong một quá trình chuyển đổi khó khăn.

Cuộc đổi mới đánh giá sẽ không diễn ra nhanh chóng, cũng không diễn ra đồng đều. Một số giảng viên sẽ đi trước, thử nghiệm và chia sẻ kinh nghiệm. Một số sẽ kháng cự, bảo vệ hình thức cũ vì nó an toàn và quen thuộc. Một số khác — có lẽ là đa số — sẽ đứng giữa hai luồng, chờ đợi hướng dẫn rõ ràng và bằng chứng cụ thể. Đó là phản ứng con người trước mọi biến đổi lớn, và giáo dục đại học không ngoại lệ.

IV. Góc khuất thứ hai: Đạo đức, thiên kiến và cô đơn trên giảng đường số

Hình 3: Bốn góc khuát đạo đức khi AI hội nhập vào giáo dục đại học

1. Thiên kiến thuật toán trong giáo dục

Máy móc không có thái độ. Thuật toán không có định kiến. Ít nhất, đó là điều hầu hết người dùng tin tưởng. Nhưng thực tế lại nằm ở một chỗ khác xa hơn nhiều: hệ thống trí tuệ nhân tạo không tạo ra thiên kiến từ hư vô — chúng học nó từ dữ liệu do con người cung cấp. Và dữ liệu ấy mang theo cả lịch sử bất bình đẳng của xã hội.

Holmes và cộng sự (2022) trong khuôn khổ đạo đức AI giáo dục đã chỉ ra rằng mọi hệ thống AI đều mang theo "dấu ấn giá trị" của người thiết kế cũng như của dữ liệu huấn luyện. Một mô hình chấm tự động bài luận được phát triển dựa trên hàng ngàn bài viết của sinh viên từ các trường đại học danh tiếng ở Bắc Mỹ và Tây Âu sẽ tự nhiên coi phong cách viết, cấu trúc lập luận và từ vựng của nhóm sinh viên ấy là "chuẩn mực". Khi sinh viên từ khu vực khác — với cách hành văn mang đậm dấu ấn văn hóa bản địa — bước vào, hệ thống dễ dàng đánh giá thấp tác phẩm của họ, dù nội dung cần sâu sắc không kém. Đây không phải lỗi kỹ thuật. Đây là sự tái sản xuất hệ thống giá trị ưu tiên thông qua code.

Nguyen và cộng sự (2022) đề xuất bộ nguyên tắc đạo đức cho AI trong giáo dục, trong đó nhấn mạnh nguyên tắc công bằng và phi phân biệt đối xử. Nghiên cứu của nhóm chỉ ra rằng hệ thống AI được phép khuếch đại thiên kiến hiện hữu thay vì triệt tiêu chúng — bởi vì thuật toán tối ưu hóa theo metric thống kê, không phải theo giá trị xã hội. Một công cụ dự đoán thành tích học tập dễ dàng kết luận sinh viên từ một khu vực nhất định có xác suất rớt môn cao hơn. Nhưng nguyên nhân gốc rễ thường nằm ở điều kiện kinh tế — thiếu thiết bị, đường truyền kém, không được tiếp cận gia sư — chứ không phải năng lực bản thân. Thuật toán ghi nhận kết quả, lại dùng kết quả ấy làm "dự đoán" cho tương lai, rồi khóa chặt vòng luẩn quẩn bất bình đẳng.

Có một ví dụ rõ nét hơn. Hệ thống chấm điểm tự động bằng giọng nói đã bị phát hiện chấm thấp bài thuyết trình của sinh viên có giọng vùng miền hoặc giọng mang accent nước ngoài. Nghiên cứu của Akgun và Greenhow (2021) về thách thức đạo đức AI trong môi trường giáo dục — dù ban đầu tập trung vào bậc phổ thông — đã cung cấp nền tảng quan trọng để mở rộng vấn đề sang giáo dục đại học. Hai tác giả cho rằng khi AI được triển khai mà không có cơ chế kiểm tra thiên kiến liên tục, nguy cơ phân biệt đối xử mang tính hệ thống là rất lớn. Trong bối cảnh đại học, nơi sinh viên đến từ nhiều quốc gia, nhiều tầng lớp xã hội và nhiều nền văn hóa khác nhau, một hệ thống đánh giá thiên vị một nhóm sẽ gây thiệt hại lan rộng.

Hệ quả không chỉ nằm ở điểm số. Sinh viên bị đánh giá bất công bởi AI sẽ mất động lực, nghi ngờ năng lực bản thân và dần xa rời môi trường học thuật. Một sinh viên bị hệ thống chấm điểm tự động liên tục cho điểm thấp dù nỗ lực viết tốt sẽ tự hỏi: "Mình có thực sự thuộc về nơi này không?" Câu hỏi ấy không bao giờ nên xuất phát từ một lỗi thuật toán.

2. Quyền riêng tư và giám sát sinh viên

Khi dịch bệnh bùng phát, trường đại học trên toàn thế giới chuyển sang kiểm tra trực tuyến bằng công cụ giám sát AI. Camera theo dõi nhịp mắt, phần mềm ghi lại mọi hành động trên màn hình, thuật toán phân tích xem sinh viên có "ngoái nhìn" quá lâu hay không. Những công cụ ấy được quảng cáo là bảo vệ tính toàn vẹn của kỳ thi. Nhưng bên dưới lớp vỏ an toàn ấy là một thực tế ít ai muốn nhìn thẳng vào: lớp học đang biến thành không gian giám sát.

Slimi và Villarejo Carballido (2023) đã đi sâu vào các thách thức đạo đức của AI trong giáo dục đại học và chỉ ra rằng công nghệ proctoring tạo ra một "điểm mù đạo đức". Thông tin thu thập được — khuôn mặt, nhịp mắt, âm thanh phòng thi, lịch sử thao tác bàn phím — là dữ liệu cá nhân nhạy cảm. Các hệ thống này thường lưu trữ dữ liệu ở máy chủ nước ngoài, gây rủi ro về quyền sở hữu thông tin sinh viên. Hơn thế, thuật toán giám sát hoạt động dựa trên các giả định chưa được kiểm chứng: nhìn đi chỗ khác không có nghĩa là gian lận; thói quen của người thi nói riêng không phải dấu hiệu bất thường. Nhưng AI không hiểu ngữ cảnh. Nó chỉ phân tích và gắn nhãn.

[Phân tích của tác giả] Khi mọi thao tác của sinh viên — từ tốc độ gõ phím đến góc nghiêng đầu — đều bị ghi lại và phân tích, ranh giới giữa an toàn thi cử và giám sát vô hình bị xóa nhòa. Lớp học không còn là không gian khám phá, thử sai và tự do tư duy. Nó trở thành một không gian nơi mỗi nhịp thở đều được đo lường, mỗi khoảnh khắc do dự đều bị ghi nhận thành "dữ liệu hành vi". Sinh viên học được bài gì? Không phải kiến thức môn học, mà là cách tồn tại dưới ánh nhìn của hệ thống giám sát.

Phạm vi giám sát còn lan rộng hơn kỳ thi. Các hệ thống quản lý học tập (LMS) tích hợp AI phân tích hành vi học trực tuyến: sinh viên mở bài giảng bao lâu, dừng lại ở đoạn nào, không xem video ở thời điểm nào. Ban đầu, dữ liệu này dùng để "cá nhân hóa trải nghiệm học tập". Nhưng khi nó được dùng để đánh giá thái độ học tập — ví dụ, gán nhãn sinh viên "ít nỗ lực" vì không xem hết video bài giảng — thì chức năng giáo dục đã biến thành chức năng kỷ luật. Sinh viên không được hỏi họ dừng video vì lý do gì: nên đường truyền yếu, sẽ nội dung quá quen thuộc, được họ cần thời gian suy nghĩ. Thuật toán không hỏi. Nó chỉ đo đếm và phân loại.

Quyền riêng tư trong giáo dục đại học vốn đã ít được chú ý. Giờ đây với AI, nó càng mỏng hơn. Sinh viên ít có quyền lựa chọn: muốn học, phải chấp nhận bị theo dõi. Muốn thi, phải bật camera, chia sẻ màn hình, cài phần mềm giám sát. Sự tự nguyện trong bối cảnh ấy là một hư ảo.

3. Khoảng cách số — AI không dân chủ hóa giáo dục

Một trong những lời hứa lớn nhất của kỷ nguyên số là "dân chủ hóa giáo dục": AI sẽ giúp kiến thức tiếp cận mọi người, bất kể địa vị xã hội hay vị trí địa lý. Lời hứa ấy đẹp. Nhưng đẹp không có nghĩa là đúng.

Bulathwela và cộng sự (2024) đã trực tiếp thách thức nhận định trên bằng tiêu đề nghiên cứu của mình: "AI một mình sẽ không dân chủ hóa giáo dục". Nhóm tác giả lập luận rằng công nghệ AI — giống như mọi công nghệ trước — sẽ khuếch đại bất bình đẳng hiện hữu nếu không có sự can thiệp có chủ đích về mặt chính sách và phân bổ nguồn lực. Một công cụ AI giáo dục mạnh mẽ, được phát triển bởi một trường đại học danh tiếng ở phương Tây với ngân sách khổng lồ, sẽ phục vụ sinh viên ở nơi ấy trước tiên và tốt nhất. Sinh viên ở vùng sâu vùng xa, ở quốc gia đang phát triển, ở những trường thiếu thốn — họ không chỉ tiếp cận công cụ đó chậm hơn, mà còn không có hạ tầng kỹ thuật để sử dụng nó hiệu quả.

Timotheou và cộng sự (2022) trong nghiên cứu tổng quan về tác động của công nghệ số đối với giáo dục đã cung cấp bằng chứng củng cố thêm. Các tác giả chỉ ra rằng lợi ích của công nghệ giáo dục không phân bố đồng đều: trường đã có hạ tầng tốt sẽ thu được lợi ích lớn nhất, trong khi trường thiếu thốn lại có nguy cơ bị bỏ lại xa hơn. Khi đại học giàu có triển khai AI cá nhân hóa giảng dạy, AI cố vấn học tập, AI hỗ trợ nghiên cứu — sinh viên nơi đó hưởng lợi trực tiếp. Cùng lúc đó, sinh viên ở trường có điều kiện hạn chế vẫn dùng phương pháp truyền thống, thậm chí không có đủ máy tính để chạy các ứng dụng AI nặng.

Giai đoạn sau dịch bệnh minh họa rõ nét khoảng cách ấy. Sinh viên ở thành phố lớn, có máy tính xách tay tốt, Wi-Fi ổn định, dễ dàng dùng ChatGPT, các công cụ AI hỗ trợ học tập và tham gia lớp học ảo tương tác. Sinh viên ở nông thôn, sử dụng điện thoại thông minh đời cũ, kết nối mạng không ổn định, khó khăn ngay cả với việc tải tài liệu PDF — nói gì đến dùng ứng dụng AI.

[Phân tích của tác giả] Ngoại hàm "dân chủ hóa giáo dục" mà nhiều người tung hô che đậy một cấu trúc bất bình đẳng đã tồn tại từ trước. AI không san phẳng mặt bằng. Nó nâng lên những người đã đứng ở vị trí cao, đồng thời đẩy sâu xuống những người đã ở đáy. Khi giáo dục đại học ngày càng phụ thuộc vào công nghệ AI, giá trị của tấm bằng đại học sẽ bị chia rẽ theo đường phân biệt giữa trường có AI và trường không có AI — chứ không phải theo năng lực thực sự của sinh viên. Đó là một góc khuất cần được nhìn thẳng.

Bất bình đẳng còn nằm ở tầng độ kinh tế. Công cụ AI giáo dục cao cấp thường đi kèm phí đăng ký, và không phải ai cũng trả nổi. Sinh viên từ gia đình thu nhập thấp, dù đang học ở một trường tốt, có khả năng bị tụt hậu chỉ vì không đủ tiền mua các công cụ hỗ trợ AI mà bạn học của họ dùng mỗi ngày. Khoảng cách ấy tạo ra một vòng xoáy: không có công cụ → kết quả kém → ít cơ hội → tiếp tục không có công cụ.

4. Khi AI thay thế con người: Chi phí cô đơn

Crawford và cộng sự (2024) đặt một câu hỏi ít người dám hỏi: điều gì xảy ra khi AI thay thế giảng viên, cố vấn và bạn đồng hành trong giáo dục đại học? Câu trả lời mà nhóm nghiên cứu tìm thấy chứa đựng một chi phí ít ai tính đến: cô đơn. Sinh viên cần giáo dục không chỉ để thu nhận kiến thức, mà còn để được dẫn dắt, được truyền cảm hứng, được khích lệ khi chán nản và được sửa sai lầm bằng sự thấu hiểu — không phải bằng một thông báo tự động.

Nghiên cứu của Crawford và cộng sự (2024) cho thấy khi tương tác giữa giảng viên và sinh viên giảm xuống, được thay thế bằng chatbot trả lời câu hỏi và hệ thống phản hồi tự động, sinh viên báo cáo mức độ cô đơn và thiếu kết nối đáng kể. Mentorship — quá trình một người giàu kinh nghiệm dẫn dắt người trẻ — là một trụ cột của giáo dục đại học mà AI chưa thể tái tạo. Cố vấn học thuật không chỉ cho lời khuyên về môn học. Họ lắng nghe, họ chia sẻ kinh nghiệm sống, họ giúp sinh viên định hình bản sắc nghề nghiệp và cá nhân. AI nhiều khả năng đề xuất lộ trình học tập tối ưu. Nhưng AI không thể nhìn thấy sinh viên đang lo lắng từ điệu mấp máy môi, không thể nhận ra một sinh viên giỏi đang im lặng vì gặp khó khăn gia đình.

Gắn với cô đơn là sự suy giảm kỹ năng xã hội. Giáo dục đại học không chỉ diễn ra trong phòng giảng. Nó diễn ra ở hành lang, ở quán cà phê gần trường, trong các cuộc thảo luận nhóm, trong các buổi tranh biện gay gắt sau giờ học. Những khoảnh khắc ấy rèn luyện khả năng giao tiếp, đàm phán, thuyết phục và hợp tác — năng lực mà thị trường lao động đánh giá rất cao. Khi AI đảm nhận vai trò trung gian trong học tập — trả lời thay giảng viên, tổ chức thay sinh viên, kiểm tra thay người chấm — những cơ hội tương tác con người tự nhiên bị bào mòn dần.

[Phân tích của tác giả] Giáo dục là quá trình xã hội hóa trước khi là quá trình truyền thụ kiến thức. Một sinh viên tốt nghiệp đại học mang theo không chỉ kiến thức chuyên môn, mà còn mạng lưới quan hệ, kỹ năng làm việc nhóm, khả năng xây dựng niềm tin với đồng nghiệp và tư duy phản biện được rèn qua hàng trăm cuộc đối thoại thực. Khi AI thay thế phần lớn tương tác giữa con người, sinh viên cần ra trường với đầu lý thuyết nhưng thiếu kinh nghiệm kết nối. Và trong một thế giới mà thành công chuyên nghiệp phụ thuộc ngày càng nhiều vào khả năng hợp tác, thì chi phí cô đơn ấy không thể coi nhẹ.

Câu hỏi cuối cùng của phần này không phải là AI có nên tham gia giáo dục đại học hay không. Câu hỏi thực sự là: chúng ta sẵn sàng trả cái giá nào cho sự tiện lợi? Giảm chi phí vận hành bằng cách thay giảng viên bằng chatbot, giảm chi phí cố vấn bằng hệ thống AI, giảm chi phí đánh giá bằng thuật toán — tất cả đều được phép biện minh bằng con số. Nhưng cô đơn của sinh viên, sự thiếu vắng mentorship, sự suy giảm kết nối con người — những chi phí ấy không thể đong đếm bằng bảng tính.

V. Hướng đi phía trước: Từ va chạm đến hợp tác bền vững

Hình 4: Lộ trình chuyển đổi — Từ cấm kỵ đến hợp tác con người-AI bền vững

1. Xây dựng chính sách AI cho trường đại học

Đại học là nơi sản sinh tri thức, nơi thử nghiệm ý tưởng mới — nhưng cũng là nơi cần khuôn khổ để bảo vệ những người học và những người dạy. Khi AI xâm nhập vào mọi khía cạnh của giáo dục đại học, từ chấm điểm đến cố vấn học tập, từ soạn giáo trình đến nghiên cứu khoa học, việc xây dựng chính sách AI trở nên cấp thiết hơn bất kỳ sáng kiến công nghệ nào trước đây.

Chan (2023) đã đề xuất một khuôn khổ chính sách AI giáo dục toàn diện, bao quát từ cấp độ quốc gia đến cấp độ cơ sở giáo dục. Tác giả nhấn mạnh rằng chính sách AI trong trường đại học không thể đơn giản là "cho phép" hoặc "cấm". Phương pháp tiếp cận nhị phân ấy không phản ánh được sự đa dạng và phức tạp của cách AI được sử dụng trong thực tế. Một công cụ AI tạo văn bản dễ dàng giúp sinh viên phác thảo ý tưởng — điều này nên được khuyến khích. Nhưng cùng công cụ ấy cũng nên được dùng để viết toàn bộ bài luận — hành vi cần được ngăn chặn. Chính sách phải phân biệt được sắc thái giữa hỗ trợ sáng tạo và thay thế tư duy.

Slimi và Villarejo Carballido (2023) bổ sung góc nhìn đạo đức, cho rằng chính sách AI trong giáo dục đại học cần tuân thủ ba nguyên tắc cốt lõi: minh bạch (sinh viên và giảng viên biết AI đang được dùng ở đâu, như thế nào), sẽ giải thích (quyết định của AI được được tra cứu ngược để hiểu lý do), và có cơ chế khiếu nại (người bị ảnh hưởng bởi quyết định AI có quyền yêu cầu xem xét lại bởi con người). Ba nguyên tắc này không chỉ là yêu cầu đạo đức mà còn là điều kiện cần để xây dựng niềm tin vào hệ thống giáo dục trong kỷ nguyên AI.

Thực tế hiện nay cho thấy nhiều trường đại học đang vật lộn với câu hỏi: làm sao để soạn thảo chính sách AI khi công nghệ thay đổi quá nhanh? Một chính sách được ban hành tháng này có khả năng đã lỗi thời vào quý sau. Giải pháp nằm ở cách tiếp cận linh hoạt: thiết lập nguyên tắc nền tảng thay vì quy định chi tiết từng công cụ cụ thể. Nguyên tắc "con người luôn có quyết định cuối cùng trong mọi đánh giá học tập", ví dụ, sẽ giữ nguyên giá trị dù công cụ AI thay đổi ra sao.

Một điểm mấu chốt ít được chú ý: chính sách AI phải được xây dựng có sự tham vấn của sinh viên. Sinh viên không chỉ là đối tượng chịu tác động của chính sách — họ là những người trực tiếp sử dụng AI mỗi ngày, và họ hiểu rõ nhất cả những cơ hội lẫn rủi ro. Một chính sách được soạn thảo chỉ trong phòng ban quản lý, thiếu tiếng nói sinh viên, sẽ khó thực thi và khó được nội hóa thành văn hóa chung.

Chính sách cũng cần phân biệt rõ ranh giới giữa các bối cảnh sử dụng AI. Trong nghiên cứu khoa học, AI nhiều khả năng được dùng để phân tích dữ liệu, tạo mô hình, tìm kiếm tài liệu — những công việc mà AI làm rất tốt. Trong đánh giá năng lực sinh viên, AI nên đóng vai trò hỗ trợ, không đóng vai trò quyết định. Trong cố vấn học tập, AI cần cung cấp thông tin nhưng không thay thế cuộc trò chuyện giữa con người. Việc phân ranh giới rõ ràng giúp tránh tình trạng AI bị dùng sai mục đích — hoặc bị từ chối hoàn toàn vì sợ rủi ro.

2. AI literacy — Năng lực AI cho thế kỷ 21

Biết dùng ChatGPT không có nghĩa là hiểu AI. Đúng hơn, biết cách nhập câu lệnh và nhận kết quả chỉ là bề nổi của một đại dương phức tạp. Khi AI ngày càng hòa lẫn vào giáo dục, năng lực đọc hiểu, đánh giá và sử dụng AI có trách nhiệm — còn được gọi là AI literacy — trở thành năng lực cốt lõi mà sinh viên và giảng viên đều cần trang bị.

Walter (2024) khẳng định rằng "chấp nhận tương lai của AI trong lớp học" không có nghĩa là chấp nhận mù quáng. Nghiên cứu của tác giả nhấn mạnh ba chiều kích của AI literacy: (1) hiểu cách AI hoạt động — dữ liệu từ đâu, mô hình được huấn luyện ra sao, giới hạn của nó nằm ở đâu; (2) đánh giá kết quả AI — biết nhận diện khi AI đưa ra thông tin sai, thiên kiến hoặc thiếu ngữ cảnh; (3) sử dụng AI có trách nhiệm — hiểu hệ quả xã hội và đạo đức của việc dựa vào AI trong học tập và làm việc. Ba chiều kích này tạo thành một khung năng lực toàn diện, vượt xa kỹ năng thao tác công cụ.

Holmes và cộng sự (2022) trong khuôn khổ đạo đức AI giáo dục đã đề cao vai trò của giáo dục AI literacy như một biện pháp phòng ngừa lâu dài. Khi sinh viên hiểu rõ cách thuật toán được phép mang thiên kiến, họ sẽ không bâng quơ chấp nhận mọi kết quả mà AI đưa ra. Khi giảng viên hiểu rõ giới hạn của công cụ AI chấm điểm, họ sẽ biết khi nào cần can thiệp bằng đánh giá con người. AI literacy, theo Holmes và cộng sự (2022), không chỉ là kỹ năng kỹ thuật — nó là tư duy phản biện ứng dụng vào kỷ nguyên thuật toán.

Trong hệ sinh thái năng lực số, AI literacy có mối liên hệ mật thiết với khung DigComp của Liên minh châu Âu — bộ năng lực số mà nền tảng cds-ftu xây dựng nội dung dựa trên. DigComp bao gồm năm lĩnh vực: thông tin, giao tiếp, tạo nội dung, an toàn và giải quyết vấn đề. AI literacy dễ dàng được hiểu như lớp mở rộng tự nhiên của tất cả năm lĩnh vực ấy trong bối cảnh AI. Xử lý thông tin từ AI yêu cầu kỹ năng đánh giá độ tin cậy nguồn (thông tin). Phản hồi cho AI yêu cầu kỹ năng giao tiếp rõ ràng (giao tiếp). Việc sử dụng AI tạo nội dung đặt ra câu hỏi về bản quyền và tính nguyên bản (tạo nội dung). Dùng AI an toàn đòi hỏi hiểu quyền riêng tư dữ liệu (an toàn). Và giải quyết vấn đề với AI cần khả năng xác định thách thức đúng trước khi nhờ công cụ giải quyết (giải quyết khó khăn).

Việc dạy AI literacy không nên giới hạn ở một môn học riêng biệt. Nó cần được lồng ghép vào mọi môn — từ kỹ thuật đến nhân văn, từ kinh tế đến y khoa. Sinh viên ngành luật cần hiểu AI để đánh giá cách AI nên ảnh hưởng đến tính khách quan của hệ thống tư pháp. Sinh viên ngành y cần hiểu AI để biết khi nào nên tin tưởng và khi nào nên nghi ngờ chẩn đoán hỗ trợ của thuật toán. Sinh viên ngành giáo dục cần hiểu AI để sử dụng nó một cách có trách nhiệm khi họ trở thành giáo viên trong tương lai. AI literacy, ở cuối cùng, là năng lực tư duy trong thời đại thuật toán — và tư duy ấy không có ranh giới ngành nghề.

3. Mô hình "hybrid intelligence" — Con người dẫn dắt, AI hỗ trợ

Cuộc tranh luận về AI trong giáo dục thường bị rơi vào hai thái cực: hoặc AI sẽ thay thế con người, hoặc AI chỉ là công cụ vô hại. Järvelä và cộng sự (2023) đề xuất lối ra thứ ba: hợp tác giữa người và AI — mô hình mà họ gọi là "hybrid intelligence". Trong bối cảnh giáo dục, ý tưởng này có nghĩa là con người và AI bổ sung cho nhau thay vì cạnh tranh với nhau. AI xử lý khối lượng dữ liệu lớn, nhận diện mẫu và đề xuất phương án. Con người mang đến ngữ cảnh, sự thấu cảm, phán đoán đạo đức và khả năng thích ứng linh hoạt.

Nguyen và cộng sự (2024) đã kiểm chứng mô hình này trong bối cảnh viết học thuật, tìm thấy rằng khi sinh viên dùng AI như một đối tác đối thoại — hỏi ý kiến, phản biện, tinh chỉnh ý tưởng — thay vì dùng AI như một dịch giả thuê mướn, chất lượng bài viết và tư duy phản biện đều tăng lên rõ rệt. Chìa khóa nằm ở vai trò của người học: họ là người đặt câu hỏi, đánh giá câu trả lời, quyết định điều gì được giữ lại và điều gì bị loại bỏ. AI không quyết định. Con người quyết định, với thông tin mà AI cung cấp để ra quyết định tốt hơn.

Nguyên tắc này sẽ áp dụng rộng hơn. Trong chấm điểm, AI phân tích bài làm nhanh chóng và đưa ra nhãn dự kiến, nhưng giảng viên xem xét ngữ cảnh cá nhân của sinh viên trước khi chốt điểm. Trong cố vấn học tập, AI đề xuất lộ trình môn học, nhưng cố vấn con người thảo luận về mục tiêu nghề nghiệp, hoàn cảnh gia đình và sở thích cá nhân trước khi đồng hành cùng sinh viên. Trong nghiên cứu, AI giúp tổng hợp tài liệu và tạo mô hình, nhưng nhà nghiên cứu đặt câu hỏi, giải thích kết quả và suy luận ý nghĩa.

[Phân tích của tác giả] Tương lai của giáo dục đại học không phải là "AI hay con người". Đó là câu hỏi sai. Câu hỏi đúng là "AI và con người — với con người làm chủ" sẽ tạo ra môi trường học tập như thế nào. Mô hình hybrid intelligence giữ vững vị trí trung tâm của con người trong giáo dục, đồng thời tận dụng sức mạnh xử lý của AI. Nó tránh được hai bẫy: bẫy từ chối công nghệ — dẫn đến tụt hậu — và bẫy phụ thuộc công nghệ — dẫn đến mất tự chủ. Đại học không cần phải chọn giữa truyền thống và đổi mới. Nó cần kết hợp cái hay của cả hai, với con người giữ vai trò dẫn dắt.

4. Kết luận: Không phải thiên đường, cũng không phải tận thế

Bài viết này đã đi xuyên qua những góc khuất ít được nhắc đến trong chuyển đổi số giáo dục đại học. Những ảo tưởng ban đầu — rằng AI sẽ tự động cá nhân hóa giảng dạy cho mọi sinh viên, rằng công nghệ sẽ triệt tiêu bất bình đẳng tiếp cận kiến thức, rằng hệ thống tự động sẽ giải phóng giảng viên khỏi gánh nặng hành chính — đã bộc lộ nhiều vết nứt. Thiên kiến thuật toán tái sản xuất bất bình đẳng dưới lớp vỏ "trung lập của số liệu". Công nghệ giám sát biến lớp học thành không gian theo dõi. Khoảng cách số ngày càng sâu khi trường giàu có và trường nghèo tiếp cận AI ở hai tốc độ khác nhau. Và khi AI thay thế tương tác con người, sinh viên trả chi phí bằng sự cô đơn, mất mentorship và suy giảm kỹ năng xã hội.

Nhưng hướng đi phía trước vẫn mở ra nhiều khả năng. Chính sách AI minh bạch, được xây dựng có tham vấn đa phương, được tạo khuôn khổ để AI phục vụ giáo dục thay vì làm hại nó. AI literacy — năng lực hiểu, đánh giá và sử dụng AI có trách nhiệm — trang bị cho sinh viên và giảng viên tư duy phản biện cần thiết trong kỷ nguyên thuật toán. Và mô hình hybrid intelligence, nơi con người dẫn dắt còn AI hỗ trợ, cho thấy một con đường mà công nghệ tăng cường năng lực con người thay vì thay thế nó.

AI trong giáo dục đại học giống như mọi công nghệ bước vào lớp học trước đây: máy in, máy chiếu, internet, mạng xã hội. Tác động của nó không được quyết định bởi công nghệ bản thân, mà bởi cách chúng ta thiết kế, triển khai và kiểm soát nó. Nếu để thị trường và thuật toán tự vận hành, góc khuất sẽ rộng hơn và tối hơn. Nếu đặt con người vào trung tâm — với khuôn khổ chính sách vững chắc, năng lực số toàn diện và mô hình hợp tác có chủ đích — AI có khả năng trở thành công cụ phục vụ giáo dục đích thực.

Khi AI "họp" với con người, kết quả của cuộc họp đó phụ thuộc vào việc ai là người chủ trì.

---

Tài liệu tham khảo

Akgun, Selin và Greenhow, Christine (2021). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. AI and Ethics, 1(4), 425–436. DOI: 10.1007/s43681-021-00096-7. 📄 Đọc tóm tắt

Bearman, Margaret; Ryan, Juliana và Ajjawi, Rola (2022). Discourses of artificial intelligence in higher education: a critical literature review. Higher Education, 84(4), 733–750. DOI: 10.1007/s10734-022-00937-2. 📄 Đọc tóm tắt

Benavides, Lina; Tamayo Arias, Johnny; Arango Serna, Martín; Branch Bedoya, John và Burgos, Daniel (2020). Digital Transformation in Higher Education Institutions: A Systematic Literature Review. Sensors, 20(11), 3291. DOI: 10.3390/s20113291. 📄 Đọc tóm tắt

Bulathwela, Sahan; Pérez-Ortiz, María; Holloway, Catherine; Cukurova, Mutlu và Shawe-Taylor, John (2024). Artificial Intelligence Alone Will Not Democratise Education: On Educational Inequality, Techno-Solutionism and Inclusive Tools. Sustainability, 16(2), 781. DOI: 10.3390/su16020781. 📄 Đọc tóm tắt

Chan, Cecilia Ka Yuk (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20(1), 40. DOI: 10.1186/s41239-023-00408-3. 📄 Đọc tóm tắt

Chan, Cecilia Ka Yuk và Hu, Wenjie (2023). Students' voices on generative AI: perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(1), 42. DOI: 10.1186/s41239-023-00411-8. 📄 Đọc tóm tắt

Chan, Cecilia Ka Yuk và Lee, Katherine K. W. (2023). The AI generation gap: Are Gen Z students more interested in adopting generative AI such as ChatGPT in teaching and learning than their Gen X and millennial generation teachers? Asian Journal of University Education, 19(4). DOI: 10.1186/s40561-023-00269-3. 📄 Đọc tóm tắt

Chen, Lijia; Chen, Pingping và Lin, Zhijian (2020). Artificial Intelligence in Education: A Review. IEEE Access, 8, 115668–115680. DOI: 10.1109/access.2020.2988510. 📄 Đọc tóm tắt

Cotton, Debby R. E.; Cotton, Peter A. và Shipway, J. Reuben (2023). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–239. DOI: 10.1080/14703297.2023.2190148. 📄 Đọc tóm tắt

Crawford, Joseph; Allen, Kelly-Ann; Pani, Bianca và Cowling, Michael (2024). When artificial intelligence substitutes humans in higher education: the cost of loneliness, student success, and retention. Studies in Higher Education, 49(7). DOI: 10.1080/03075079.2024.2326956. 📄 Đọc tóm tắt

Darvishi, Ali; Khosravi, Hassan; Sadiq, Shazia; Gašević, Dragan và Siemens, George (2024). Impact of AI assistance on student agency. Computers & Education, 208, 104967. DOI: 10.1016/j.compedu.2023.104967. 📄 Đọc tóm tắt

Dwivedi, Yogesh K.; Kshetri, Nir; Hughes, Laurie; Slade, Emma Louise và Jeyaraj, Anand (2023). Opinion Paper: "So what if ChatGPT wrote it?" Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. DOI: 10.1016/j.ijinfomgt.2023.102642. 📄 Đọc tóm tắt

Farrokhnia, Mohammadreza; Banihashem, Seyyed Kazem; Noroozi, Omid và Wals, Arjen (2023). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 61(3), 338–349. DOI: 10.1080/14703297.2023.2195846. 📄 Đọc tóm tắt

Grassini, Simone (2023). Shaping the Future of Education: Exploring the Potential and Consequences of AI and ChatGPT in Educational Settings. Education Sciences, 13(7), 692. DOI: 10.3390/educsci13070692. 📄 Đọc tóm tắt

Holmes, Wayne; Porayska-Pomsta, Kaska; Holstein, Ken; Sutherland, Emma và Baker, Toby (2022). Ethics of AI in Education: Towards a Community-Wide Framework. International Journal of Artificial Intelligence in Education, 32, 611–628. DOI: 10.1007/s40593-021-00239-1. 📄 Đọc tóm tắt

Järvelä, Sanna; Nguyen, Andy và Hadwin, Allyson (2023). Human and artificial intelligence collaboration for socially shared regulation in learning. British Journal of Educational Technology, 54(6), 1735–1740. DOI: 10.1111/bjet.13325. 📄 Đọc tóm tắt

Kasneci, Enkelejda; Sessler, Kathrin; Küchemann, Stefan; Bannert, Maria và Dementieva, Daryna (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. DOI: 10.1016/j.lindif.2023.102274. 📄 Đọc tóm tắt

Kim, Jinhee; Lee, Hyunkyung và Cho, Young Hoan (2022). Learning design to support student-AI collaboration: perspectives of leading teachers for AI in education. Education and Information Technologies, 27, 6295–6314. DOI: 10.1007/s10639-021-10831-6. 📄 Đọc tóm tắt

Michel-Villarreal, Rosario; Vilalta-Perdomo, Eliseo; Salinas-Navarro, David Ernesto; Thierry-Aguilera, Ricardo và Gerardou, Flor Silvestre (2023). Challenges and Opportunities of Generative AI for Higher Education as Explained by ChatGPT. Education Sciences, 13(9), 856. DOI: 10.3390/educsci13090856. 📄 Đọc tóm tắt

Nguyen, Andy; Hong, Yvonne; Dang, Belle; Huang, Xiaoshan (2024). Human-AI collaboration patterns in AI-assisted academic writing. Studies in Higher Education. DOI: 10.1080/03075079.2024.2323593. 📄 Đọc tóm tắt

Nguyen, Andy; Ngo, Ha Ngan; Hong, Yvonne; Dang, Belle và Nguyen, Bich-Phuong Thi (2022). Ethical principles for artificial intelligence in education. Education and Information Technologies, 27, 11129–11149. DOI: 10.1007/s10639-022-11316-w. 📄 Đọc tóm tắt

Slimi, Zouhaier và Villarejo Carballido, Beatriz (2023). Navigating the Ethical Challenges of Artificial Intelligence in Higher Education: An Analysis of Seven Global AI Ethics Policies. Themes in eLearning, 12(2). DOI: 10.18421/tem122-02. 📄 Đọc tóm tắt

Timotheou, Stella; Miliou, Ourania; Dimitriadis, Yiannis; Sobrino, Sara Villagrá và Giannoutsou, Nikoleta (2022). Impacts of digital technologies on education and factors influencing schools' digital capacity and transformation: A literature review. Education and Information Technologies, 27, 5591–5619. DOI: 10.1007/s10639-022-11431-8. 📄 Đọc tóm tắt

Walter, Yoshija (2024). Embracing the future of Artificial Intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21(1), 15. DOI: 10.1186/s41239-024-00448-3. 📄 Đọc tóm tắt

Yusuf, Abdullahi; Pervin, Nasrin và Román-González, Marcos (2024). Generative AI and the future of higher education: a threat to academic integrity or reformation? Evidence from multicultural perspectives. International Journal of Educational Technology in Higher Education, 21(1), 12. DOI: 10.1186/s41239-024-00453-6. 📄 Đọc tóm tắt

Zhai, Xuesong; Chu, Xiaoyan; Chai, Ching Sing; Jong, Morris Siu Yung và Istenic, Andreja (2021). A Review of Artificial Intelligence (AI) in Education from 2010 to 2020. Mobile Information Systems, 2021, 8812542. DOI: 10.1155/2021/8812542. 📄 Đọc tóm tắt