Giới thiệu
Trong kỷ nguyên mà ChatGPT và các mô hình ngôn ngữ lớn đang xâm chiếm từng ngóc ngách của viện nghiên cứu và giảng đường, một câu hỏi cấp thiết cần đặt ra: liệu trí tuệ nhân tạo thực sự đang nâng tầm học thuật, hay đang âm thầm phá hủy những giá trị cốt lõi mà học thuật đã xây dựng qua hàng thế kỷ? Khi máy móc bắt đầu “suy nghĩ” thay con người, chúng ta không chỉ mất đi kỹ năng — chúng ta mất đi chính khả năng phản tư, phán đoán và sáng tạo độc lập vốn là nền tảng của tri thức nhân loại.
Cái bẫy của sự tiện lợi: Khi tự động hóa trở thành lưỡi dao hai chiều
Nghiên cứu của Rinta-Kahila, Penttinen, Salovaara và cộng sự (2023) về “Vòng luẩn quẩn của sự xói mòn kỹ năng” đã chỉ ra một hiện tượng đáng lo ngại: khi con người giao phó quá nhiều nhiệm vụ nhận thức cho máy móc, kỹ năng tư duy phản biện dần bị mai một. Đây không phải là sự mất mát đột ngột mà là một quá trình tiệm tiến, giống như cơ bắp teo lại khi không được sử dụng.
Theo nghiên cứu này, khi các nhà nghiên cứu và sinh viên ngày càng phụ thuộc vào AI để tóm tắt tài liệu, viết luận, và thậm chí phân tích dữ liệu, họ không chỉ tiết kiệm thời gian — họ đang vô tình đào thải chính quá trình tư duy sâu mà việc đọc, viết và phân tích mang lại. Bender, Gebru, McMillan-Major và Mitchell (2021) trong bài báo kinh điển “On the Dangers of Stochastic Parrots” đã cảnh báo rằng các mô hình ngôn ngữ lớn không “hiểu” nội dung chúng tạo ra — chúng chỉ đang sao chép và phối hợp các mẫu thống kê từ dữ liệu huấn luyện.
Điều này có nghĩa gì cho học thuật? Khi một sinh viên sử dụng AI để viết bài luận, họ không chỉ bỏ lỡ quá trình rèn luyện tư duy — họ đang tạo ra một ảo tưởng về năng lực bản thân. Sinh viên có thể nhận điểm cao mà không thực sự nắm vững kiến thức, tạo ra một thế hệ “học giả giấy” có bằng cấp nhưng thiếu năng lực tư duy độc lập.
Toàn vẹn học thuật trong thời đại AI: Ranh giới mờ nhạt giữa hỗ trợ và gian lận
Perkins (2023) đã phân tích sâu sắc về “những cân nhắc về toàn vẹn học thuật của các mô hình ngôn ngữ lớn AI trong kỷ nguyên hậu đại dịch.” Nghiên cứu chỉ ra rằng ranh giới giữa sử dụng AI như công cụ hỗ trợ và gian lận học thuật đang ngày càng mờ nhạt. Khi ChatGPT có thể viết một bài luận học thuật hoàn chỉnh trong vài giây, câu hỏi không còn là “có nên dùng AI không” mà là “dùng đến đâu thì quá xa.”
Vấn đề cốt lõi không nằm ở công nghệ mà ở cách chúng ta định nghĩa học tập. Nếu học tập là quá trình rèn luyện tư duy phản biện, khả năng phân tích và kỹ năng diễn đạt, thì việc thay thế quá trình này bằng AI là tự sát học thuật. Nhưng nếu chúng ta coi học tập chỉ là sản phẩm cuối cùng — một bài luận, một báo cáo, một kết quả — thì AI dường như là công cụ hoàn hảo.
Tan và Maravilla (2024) trong nghiên cứu “Shaping integrity” đã đưa ra góc nhìn cân bằng hơn: trí tuệ nhân tạo không nhất thiết phải phá hoại giáo dục, nhưng chỉ khi chúng ta thiết kế lại hệ thống đánh giá và học tập để tích hợp AI một cách có ý thức, thay vì để AI thay thế tư duy con người một cách thụ động.
Xói mòn ý nghĩa: Khi công việc mất đi giá trị nội tại
Bankins và Formosa (2023) đã khám phá “Những hệ quả đạo đức của trí tuệ nhân tạo đối với công việc có ý nghĩa,” và phát hiện này có thể áp dụng trực tiếp vào môi trường học thuật. Khi AI tự động hóa các phần công việc mang tính sáng tạo và trí tuệ nhất — viết lách, phân tích, tổng hợp — con người bị tước đi chính những yếu tố khiến công việc có ý nghĩa.
Trong bối cảnh học thuật, điều này thể hiện theo nhiều cách. Nhà nghiên cứu giao phó việc tổng hợp tài liệu cho AI mất đi niềm vui khám phá những liên kết bất ngờ giữa các công trình. Giảng viên sử dụng AI chấm bài mất đi sự kết nối sâu với tư duy của sinh viên. Sinh viên dùng AI viết luận không bao giờ trải nghiệm khoảnh khắc “eureka” khi tự mình giải quyết một vấn đề phức tạp.
Liang, Stephens và Brown (2025) trong tổng quan hệ thống về “tác động sớm của trí tuệ nhân tạo đối với chương trình, giảng dạy và đánh giá trong giáo dục đại học” đã chỉ ra rằng các cơ sở giáo dục trên toàn cầu đang vật lộn với tốc độ phát triển của AI. Hầu hết các trường đại học chưa kịp thích nghi — họ đang trong trạng thái phản ứng thay vì chủ động.
Giọng nói phản kháng: Từ ELIZA đến ChatGPT
Lịch sử lo ngại về tác động của máy móc đối với tư duy con người không mới. Bassett (2018) đã phân tích ELIZA — chương trình chatbot đầu tiên của Joseph Weizenbaum — không chỉ như một hiện tượng kỹ thuật mà như một “lịch sử của hiện tại.” Weizenbaum, chính người tạo ra ELIZA, đã trở thành một trong những tiếng nói phản đối mạnh mẽ nhất về việc giao phó quá nhiều quyết định cho máy móc.
Ông cảnh báo rằng con người có xu hướng tin tưởng máy móc một cách mù quáng, ngay cả khi kết quả rõ ràng sai lầm. Hiện tượng này — mà ông gọi là “ảo tưởng sự thông minh của máy tính” — đang lặp lại ở quy mô lớn hơn nhiều với ChatGPT và các mô hình ngôn ngữ lớn. Sinh viên và nhà nghiên cứu đang chấp nhận kết quả từ AI mà không phản biện, tin tưởng vào “quyền authority” của máy móc.
UNESCO (2019) trong “Bản đồng thuận Bắc Kinh về trí tuệ nhân tạo trong giáo dục” đã đặt nền móng cho việc sử dụng AI trong giáo dục một cách có trách nhiệm. Tài liệu nhấn mạnh rằng AI nên phục vụ con người, không thay thế con người — một nguyên tắc đơn giản nhưng thường bị lãng quên trong sự hưng phấn về công nghệ.
Kết luận: Chọn lựa mang tính thời đại
Trí tuệ nhân tạo không phải là kẻ thù của học thuật. Nhưng nó là một công cụ với sức mạnh phá hoại khổng lồ nếu được sử dụng sai cách. Câu hỏi không phải là có nên dùng AI hay không, mà là làm sao để sử dụng mà không đánh mất chính bản thân mình trong quá trình đó.
Chúng ta cần:
- Thiết kế lại đánh giá học thuật — ưu tiên quá trình tư duy thay vì sản phẩm cuối cùng
- Giáo dục về giới hạn của AI — sinh viên cần hiểu rằng AI không “biết” gì cả, nó chỉ dự đoán
- Bảo vệ không gian tư duy độc lập — có những nhiệm vụ trí óc mà con người phải tự mình thực hiện
- Xây dựng tiêu chuẩn minh bạch — khai báo việc sử dụng AI trong học thuật
Khi máy mọc ra nơ-ron, con người không nên mất đi khả năng phán đoán. Bởi vì chính khả năng đó — khả năng nghi ngờ, đặt câu hỏi, và tư duy độc lập — mới là thứ khiến chúng ta thực sự con người.
Tài liệu tham khảo:
- Bender, E.M., Gebru, T., McMillan-Major, A. & Mitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? ACM. Link
- Perkins, M. (2023). Academic Integrity considerations of AI Large Language Models in the post-pandemic era. Journal of University Teaching & Learning Practice. Link
- Rinta-Kahila, T., Penttinen, E., Salovaara, A. et al. (2023). The Vicious Circles of Skill Erosion: A Case Study of Cognitive Automation. Journal of the Association for Information Systems. Link
- Bankins, S. & Formosa, P. (2023). The Ethical Implications of Artificial Intelligence (AI) For Meaningful Work. Journal of Business Ethics. Link
- Tan, M.J.T. & Maravilla, N.M.A.T. (2024). Shaping integrity: why generative artificial intelligence does not have to undermine education. Frontiers in Artificial Intelligence. Link
- Liang, J., Stephens, J.M. & Brown, G.T.L. (2025). A systematic review of the early impact of artificial intelligence on higher education. Frontiers in Education. Link
- UNESCO (2019). Beijing Consensus on Artificial Intelligence in Education. UNESCO. Link
- Bassett, C. (2018). The computational therapeutic: exploring Weizenbaum’s ELIZA as a history of the present. AI & Society. Link