Kinh tế chú ý và thuật toán gợi ý: bài toán lớn cho giáo dục đại học hiện nay

1. Kinh tế chú ý trong thời đại số

Khi mở ứng dụng mạng xã hội vào buổi sáng, hàng loạt thông báo, video gợi ý và bài viết tùy chỉnh hiện ra trên màn hình. Mỗi nhấp chuột, mỗi lần cuộn trang đều tạo ra tín hiệu dữ liệu, và những tín hiệu đó ngay lập tức được đưa vào hệ thống thuật toán để quyết định điều gì sẽ xuất hiện tiếp theo. Quá trình này lặp đi lặp lại, ngày qua ngày, tạo thành một vòng lặp mà hầu hết người dùng không hề nhận ra: sự chú ý của họ đang bị thu hút, đo lường và mua bán.

Đây không phải là một ngẫu nhiên công nghệ. Đằng sau giao diện mượt mà của mọi nền tảng số lớn — từ YouTube đến TikTok, từ Facebook đến Instagram — là một mô hình kinh tế được xây dựng trên một nguyên lý cơ bản: trong thế giới mà thông tin trở nên vô tận, sự chú ý của con người trở thành nguồn lực khan hiếm nhất. Khái niệm này đã được nhà kinh tế học đoạt giải Nobel Herbert Simon lần đầu tiên chỉ ra từ năm 1971 khi ông viết rằng "sự dồi dào thông tin tạo ra sự nghèo nàn về chú ý" [Phân tích của tác giả, dựa trên Simon, 1971]. Gần hai thập kỷ sau, nhà nghiên cứu Michael Goldhaber đẩy lập luận này xa hơn khi cho rằng trong kinh tế số, sự chú ý chính là "đồng tiền" thực sự — không phải thông tin, không phải nội dung, mà là khoảng thời gian và mức độ tập trung mà người dùng dành cho nó [Phân tích của tác giả, dựa trên Goldhaber, 1997].

Hai nhận định này, xuất phát từ những thập kỷ trước khi smartphone trở nên phổ biến, đã trở thành nền tảng lý thuyết cho toàn bộ hệ sinh thái kỹ thuật số hiện đại. Khi Bhargava và Velasquez (2020) phân tích đạo đức của nền kinh tế chú ý, họ chỉ ra rằng mô hình kinh doanh của các nền tảng mạng xã hội dựa trên việc "thu hút và duy trì sự chú ý của người dùng càng lâu càng tốt, sau đó bán quyền tiếp cận đến sự chú ý đó cho các nhà quảng cáo". Quá trình này không chỉ tạo ra lợi nhuận khổng lồ mà còn dần biến đổi cách con người tiếp nhận thông tin, hình thành quan điểm và tương tác xã hội.

Heitmayer (2024) mô tả điều này là "làn sóng thứ hai của kinh tế chú ý" — trong đó sự chú ý không chỉ là hàng hóa mà còn là "đồng tiền biểu tượng phổ quát" trên mọi nền tảng mạng xã hội và xa hơn nữa. Trong làn sóng đầu tiên, sự chú ý chủ yếu được chuyển hóa thành doanh thu quảng cáo. Trong làn sóng thứ hai, sự chú ý còn trở thành đơn vị đo lường giá trị của nội dung, của cá nhân, và thậm chí của bản sắc số. Số lượt xem, lượt thích, lượt chia sẻ — tất cả đều là biểu hiện của sự chú ý đã được lượng hóa.

Quy mô của nền kinh tế chú ý hiện nay thật đáng kinh ngạc. Theo báo cáo của eMarketer, chi tiêu quảng cáo kỹ thuật số toàn cầu dự kiến vượt 700 tỷ đô la trong năm 2024, chiếm hơn hai phần ba tổng chi tiêu quảng cáo. Mỗi đô la đó đều bắt nguồn từ việc một người dùng nào đó trên thế giới dừng lại trên một nội dung — dù chỉ trong vài giây. Nền kinh tế này không vận hành trong bóng tối mà lại hiếm khi được đặt câu hỏi về tác động dài hạn đến nhận thức và hành vi của người dùng.

Allcott, Braghieri và Eichmeyer (2020) đã cung cấp một góc nhìn thực nghiệm quan trọng khi nghiên cứu tác động của mạng xã hội đến phúc lợi của người dùng. Kết quả của họ cho thấy việc ngừng sử dụng mạng xã hội trong bốn tuần cải thiện đáng kể cả sức khỏe tâm lý lẫn sự hài lòng với cuộc sống. Nghiên cứu này không chỉ xác nhận mối liên hệ giữa thời gian sử dụng mạng xã xã hội và trạng thái tâm lý mà còn gợi ý rằng cơ chế kinh tế chú ý có thể đang gây hại cho người dùng một cách vô hình — không qua bạo lực hay lừa đảo, mà qua việc liên tục hút sự chú ý vào những nội dung mà thuật toán lựa chọn thay vì người dùng tự chủ quyết định.

Li, Wang và Zhou (2025) từ góc độ kinh tế vi mô đã mô hình hóa cách mà sự chú ý của người tiêu dùng tập trung vào một số ít nền tảng, tạo ra hiệu ứng "winner-take-all" trong thương mại điện tử. Mô hình của họ cho thấy khi người dùng ngày càng phụ thuộc vào thuật toán gợi ý để ra quyết định, sự tập trung thị trường tăng lên theo cấp số nhân, và điều này không chỉ ảnh hưởng đến cạnh tranh kinh tế mà còn thu hẹp không gian thông tin mà người dùng tiếp xúc.

Điều đáng bàn ở đây là mối liên hệ giữa nền kinh tế chú ý và giáo dục đại học. Trong khi các nghiên cứu về kinh tế chú ý thường tập trung vào hành vi tiêu dùng hoặc tâm lý mạng xã hội, sinh viên đại học — nhóm mà Burrell và Fourcade (2021) gọi là "công dân trong xã hội thuật toán" — lại chịu tác động kép. Một mặt, họ là người dùng kỹ thuật số tích cực nhất, dành trung bình 4–6 giờ mỗi ngày trên mạng xã hội và thiết bị di động. Mặt khác, họ cần mức độ tập trung sâu và khả năng tư duy phản biện mà nền kinh tế chú ý đang dần bào mòn.

Firth, Torous và Stubbs (2019) trong bài tổng quan về "não trực tuyến" đã cảnh báo rằng việc sử dụng Internet và mạng xã hội kéo dài có thể thay đổi cấu trúc và chức năng não bộ — cụ thể là giảm khả năng chú ý bền vững, suy yếu trí nhớ ngắn hạn và làm thay đổi cách xử lý thông tin. Những thay đổi này, dù còn cần thêm nghiên cứu sâu hơn, đã đặt ra câu hỏi cấp bách đối với giáo dục đại học: làm sao đào tạo tư duy sâu khi công cụ tư duy chính của sinh viên — bộ não — đang được định hình lại bởi môi trường kỹ thuật số?

Kozyreva, Lewandowsky và Hertwig (2020) đã đưa ra một khung phân tích khi họ đặt người dùng "đối diện Internet" và phân tích các công cụ nhận thức cần thiết để đối phó với thách thức kỹ thuật số. Họ cho rằng trong bối cảnh thông tin quá tải và thuật toán thao túng, người dùng cần được trang bị không chỉ kỹ năng kỹ thuật số mà còn cả "khả năng nhận thức dự phòng" — hiểu biết về các thiên lệch nhận thức của bản thân và cách thuật toán khai thác những thiên lệch đó.

Bài viết này được tổ chức thành sáu phần nhằm giải quyết toàn diện vấn đề này. Phần tiếp theo sẽ đi sâu vào thuật toán gợi ý — cơ chế cụ thể mà nền kinh tế chú ý vận hành. Phần thứ ba phân tích tác động của phân mảnh chú ý và nhiễu loạn kỹ thuật số đến nhận thức. Phần thứ tư khám phá cách thiên lệch xác nhận, bong bóng lọc và buồng vang thông tin được tạo ra và khuếch đại bởi thuật toán. Phần thứ năm tập trung vào giáo dục đại học — nơi tất cả các lực này hội tụ và tác động trực tiếp đến sinh viên. Phần cuối cùng đề xuất các hướng đi giải pháp, từ cấp độ cá nhân đến chính sách hệ thống.

Nền kinh tế chú ý không phát sinh trong môi trường chân không. Nó là sản phẩm của một chuỗi biến đổi công nghệ, kinh tế và xã hội kéo dài nhiều thập kỷ. Để hiểu rõ tại sao nền kinh tế chú ý lại trở thành vấn đề lớn đối với giáo dục đại học, cần nhìn lại quá trình hình thành của nó.

1.1. Từ sự khan hiếm thông tin đến sự khan hiếm chú ý

Trong phần lớn lịch sử nhân loại, thông tin là nguồn lực khan hiếm. Sách quý hiếm và đắt đỏ, giáo dục là đặc quyền, và tiếp cận kiến thức phụ thuộc vào địa vị xã hội. Trong bối cảnh đó, sự chú ý của con người tự nhiên hướng về phía thông tin — vì thông tin khó có được. Herbert Simon, nhà kinh tế học đoạt giải Nobel năm 1978, là một trong những người đầu tiên nhận ra sự đảo ngược này. Trong bài viết năm 1971, ông lập luận rằng "một sự dồi dào thông tin tạo ra một sự nghèo nàn về chú ý" [Phân tích của tác giả, dựa trên Simon, 1971]. Nghịch lý này đã trở thành nền tảng cho toàn bộ lý thuyết kinh tế chú ý.

Vào giữa thập niên 1990, khi Internet bắt đầu phổ biến, nhà nghiên cứu Michael Goldhaber đẩy lập luận của Simon xa hơn. Trong một loạt bài viết có ảnh hưởng lớn, ông cho rằng trong nền kinh tế số, sự chú ý — không phải thông tin — là hàng hóa cốt lõi [Phân tích của tác giả, dựa trên Goldhaber, 1997]. Goldhaber lập luận rằng nội dung số có thể được sao chép với chi phí gần bằng không, nhưng sự chú ý của con người vẫn giới hạn ở 24 giờ mỗi ngày. Do đó, bất kỳ mô hình kinh doanh nào muốn kiếm tiền trong không gian số đều phải tìm cách thu hút và giữ sự chú ý.

Dự đoán của Goldhaber đã được chứng minh chính xác đến mức đáng lo ngại. Trong vòng hai thập kỷ, toàn bộ ngành công nghệ đã tái cấu trúc xoay quanh việc "giành giật sự chú ý". Heitmayer (2024) mô tả quá trình này như một quá trình tiến hóa: từ giai đoạn mà sự chú ý được chuyển hóa gián tiếp thành doanh thu (thông qua quảng cáo), đến giai đoạn mà sự chú ý trở thành đơn vị đo lường trực tiếp — mỗi lượt xem, mỗi nhấp chuột, mỗi giây dừng lại đều được lượng hóa, định giá và giao dịch.

1.2. Cơ chế thu hút chú ý trên nền tảng số

Cơ chế vận hành của nền kinh tế chú ý có thể được hiểu qua một mô hình đơn giản nhưng hiệu quả. Nền tảng số cung cấp dịch vụ miễn phí cho người dùng — mạng xã hội, công cụ tìm kiếm, dịch vụ video. Để duy trì dịch vụ miễn phí, nền tảng cần doanh thu. Doanh thu chủ yếu đến từ quảng cáo — và giá quảng cáo phụ thuộc vào số lượng và chất lượng sự chú ý mà nền tảng có thể bán cho nhà quảng cáo. Do đó, tối ưu hóa thu hút sự chú ý trở thành mục tiêu cốt lõi của mô hình kinh doanh.

Để đạt được mục tiêu này, nền tảng sử dụng ba nhóm cơ chế chính. Thứ nhất là cá nhân hóa nội dung — thuật toán gợi ý đảm bảo mỗi người dùng nhìn thấy nội dung phù hợp nhất với sở thích của họ, từ đó tối đa hóa thời gian sử dụng. Thứ hai là thiết kế gây nghiện — các tính năng như cuộn vô tận, thông báo đẩy, và phần thưởng biến thiên (variable reward) khai thác các cơ chế tâm lý học hành vi để tạo ra thói quen sử dụng lặp lại. Thứ ba là tối ưu hóa tương tác — thuật toán ưu tiên nội dung tạo ra nhiều tương tác nhất (nhấn thích, bình luận, chia sẻ), dù nội dung đó có giá trị thông tin thấp.

Bhargava và Velasquez (2020) đã phân tích toàn diện đạo đức của mô hình này. Họ chỉ ra rằng nền kinh tế chú ý tạo ra một "sự bất cân xứng quyền lực" cơ bản: nền tảng biết rất nhiều về người dùng (hành vi, sở thích, cảm xúc, mạng xã hội), trong khi người dùng biết rất ít về nền tảng (cách thuật toán hoạt động, dữ liệu được sử dụng như thế nào, ai trả tiền để tiếp cận sự chú ý của họ). Sự bất cân xứng này không chỉ là vấn đề quyền riêng tư mà còn là vấn đề tự chủ — người dùng không thể đưa ra quyết định có ý thức khi họ không hiểu hệ thống đang thao túng họ.

1.3. Quy mô kinh tế chú ý và ý nghĩa xã hội

Quy mô của nền kinh tế chú ý hiện nay đã vượt xa những gì Goldhaber hay Simon có thể tưởng tượng. Năm 2024, chi tiêu quảng cáo kỹ thuật số toàn cầu ước tính vượt 740 tỷ đô la Mỹ — vượt xa chi tiêu quảng cáo truyền thống. Các công ty lớn nhất thế giới theo giá trị thị trường — Alphabet, Meta, Amazon, ByteDance — đều là công ty kinh doanh sự chú ý. Mỗi giây, hàng tỷ lượt tương tác diễn ra trên các nền tảng của họ, tạo ra hàng petabyte dữ liệu hành vi được sử dụng để tinh chỉnh thuật toán gợi ý.

Allcott, Braghieri và Eichmeyer (2020) đã đưa ra một trong những nghiên cứu thực nghiệm quan trọng nhất về tác động của nền kinh tế chú ý đến phúc lợi người dùng. Họ phân tích dữ liệu từ một thí nghiệm ngẫu nhiên có đối chứng trên hàng ngàn người dùng Facebook (nay là Meta) và phát hiện rằng việc ngừng sử dụng mạng xã hội trong bốn tuần cải thiện đáng kể cả sức khỏe tâm lý lẫn sự hài lòng với cuộc sống. Người dùng trong nhóm đối chứng cũng tự báo cáo dành thời gian cho các hoạt động khác — đọc sách, gặp gỡ bạn bè trực tiếp, tập thể dục — thay vì duyệt mạng xã xã hội.

Tác động của nền kinh tế chú ý không chỉ giới hạn ở mức độ cá nhân mà còn ở cấp độ xã hội. Khi hàng tỷ người dùng nhận tin tức qua thuật toán gợi ý — không qua biên tập viên, không qua quy trình kiểm chứng — chất lượng thông tin công cộng bị ảnh hưởng trực tiếp. Li, Wang và Zhou (2025) đã mô hình hóa cách sự chú ý tập trung vào một số ít nền tảng tạo ra hiệu ứng "chiến thắng lấy tất cả" trong thương mại điện tử, và mô hình này có thể được mở rộng để giải thích sự tập trung quyền lực thông tin trong xã hội.

1.4. Tại sao sinh viên đại học chịu tác động mạnh nhất

Trong toàn bộ dân số, sinh viên đại học thuộc nhóm chịu tác động mạnh nhất từ nền kinh tế chú ý vì ba lý do. Thứ nhất, họ là nhóm nhân khẩu học sử dụng kỹ thuật số tích cực nhất — tỷ lệ sở hữu smartphone gần 100%, thời gian online hàng ngày cao, và phần lớn tương tác xã hội diễn ra trên nền tảng số. Thứ hai, họ đang ở giai đoạn phát triển thần kinh quan trọng — vỏ não trước trán, khu vực liên quan đến kiểm soát xung động và lập kế hoạch dài hạn, tiếp tục phát triển cho đến giữa thập niên 20. Trong giai đoạn này, não bộ đặc biệt nhạy cảm với kích thích môi trường, bao gồm cả kích thích kỹ thuật số.

Thứ ba — và có lẽ quan trọng nhất — sinh viên đại học đang ở giai đoạn phát triển năng lực nhận thức chuyên sâu: tư duy phản biện, đọc hiểu phức tạp, và khả năng phân tích đa chiều. Những năng lực này đòi hỏi sự hướng tới sâu (deep attention) kéo dài, và chính nền kinh tế chú ý đang cạnh tranh trực tiếp với sự dành sức cho này. Firth, Torous và Stubbs (2019) đã cảnh báo rằng việc sử dụng Internet và mạng xã hội kéo dài có thể làm thay đổi cấu trúc và chức năng não bộ, và những thay đổi này trong giai đoạn phát triển thần kinh quan trọng có thể có hậu quả lâu dài.

Kozyreva, Lewandowsky và Hertwig (2020) đã phân tích thách thức này từ góc nhìn "công cụ nhận thức". Họ lập luận rằng trong bối cảnh quá tải thông tin và thuật toán thao túng, người dùng cần các công cụ nhận thức mới — không chỉ kỹ năng kỹ thuật số truyền thống mà còn khả năng nhận diện thiên lệch nhận thức, đánh giá độ tin cậy thông tin, và đưa ra quyết định dựa trên bằng chứng thay vì phản xạ cảm xúc.

Burrell và Fourcade (2021) mô tả bối cảnh này như một bước tiến hóa xã hội: con người đang chuyển từ việc sống trong xã hội quy định bởi luật pháp và thể chế sang xã hội quy định bởi thuật toán. Trong "xã hội thuật toán", các quyết định quan trọng — từ việc tiếp xúc thông tin gì, đến mua sắm cái gì, đến bầu cử cho ai — ngày càng được ảnh hưởng bởi hệ thống thuật toán mà người dùng không trực tiếp kiểm soát. Nieborg và Poell (2018) đã phân tích quá trình "nền tảng hóa sản xuất văn hóa" — cách mà các nền tảng số tái định hình cách nội dung được tạo ra, phân phối và tiêu thụ — và quá trình này đang diễn ra nhanh nhất trong nhóm thanh niên, đặc biệt là sinh viên đại học.

2. Thuật toán gợi ý — Cỗ máy định hình trải nghiệm số

Thuật toán gợi ý là cốt lõi của nền kinh tế chú ý. Mọi nền tảng số lớn — YouTube, TikTok, Facebook, Instagram, Netflix, Spotify — đều vận hành dựa trên các hệ thống thuật toán được thiết kế để dự đoán nội dung nào người dùng muốn xem tiếp, và hiển thị nội dung đó trước khi người dùng kịp suy nghĩ. Quá trình này diễn ra liên tục, từng giây, và phần lớn hoàn toàn trong suốt đối với người dùng.

Về mặt kỹ thuật, thuật toán gợi ý — hay hệ thống khuyến nghị (recommender systems) — có thể được phân thành ba nhóm chính. Nhóm thứ nhất là lọc cộng tác (collaborative filtering), phương pháp dự đoán sở thích của một người dùng dựa trên hành vi của những người dùng tương tự. Nếu bạn và hàng ngàn người khác đã xem cùng một bộ phim, thuật toán sẽ đề xuất bộ phim tiếp theo mà nhóm đó thích — bất kể nội dung bộ phim đó có thuộc chủ đề bạn thường xem hay không. Nhóm thứ hai là lọc dựa trên nội dung (content-based filtering), phương pháp phân tích đặc điểm của nội dung (thể loại, từ khóa, hình ảnh) và so khớp với hồ sơ sở thích của người dùng. Nhóm thứ ba là hệ thống lai (hybrid), kết hợp cả hai phương pháp trên cùng với các kỹ thuật học sâu (deep learning) để tạo ra kết quả gợi ý chính xác hơn.

Cơ chế vận hành có thể được hiểu qua một vòng lặp đơn giản nhưng hiệu quả. Mỗi hành động của người dùng — một cú nhấp chuột, năm giây dừng lại trên một video, một nút thích, một lần chia sẻ — đều được ghi lại và chuyển thành dữ liệu hành vi. Từ dữ liệu này, thuật toán xây dựng một hồ sơ người dùng ngày càng chi tiết: bạn thích chủ đề gì, bạn xem video vào thời điểm nào, bạn dừng lại ở đoạn nào, bạn quay lại nội dung gì. Hồ sơ này sau đó được dùng để dự đoán nội dung tiếp theo mà bạn khả năng cao sẽ tương tác, và nội dung đó được đưa vào feed của bạn.

Quá trình này không chỉ dự đoán mà còn định hình. Như Burrell và Fourcade (2021) chỉ ra trong phân tích về "xã hội thuật toán", các hệ thống gợi ý không phản ánh sở thích sẵn có mà còn tạo ra và khuếch đại sở thích mới. Thuật toán gợi ý "học" từ hành vi của bạn, nhưng chính nó cũng "dạy" bạn thích gì bằng cách liên tục trình bày những nội dung tương tự với những gì bạn đã tương tác trước đó.

Möller, Trilling và Helberger (2018) đã trực tiếp kiểm định giả thuyết "đừng đổ lỗi cho thuật toán" khi đánh giá bốn hệ thống gợi ý khác nhau và tác động của chúng đến sự đa dạng nội dung. Kết quả cho thấy tác động không đồng nhất — một số thuật toán thực sự giảm đa dạng nội dung, trong khi những hệ thống khác lại làm tăng nó. Tuy nhiên, tất cả đều thay đổi cách người dùng tiếp xúc thông tin so với khi chọn nội dung tự do, và sự thay đổi này thường thiên về nội dung tương tự với những gì người dùng đã tiêu thụ trước đó.

Sự cá nhân hóa nội dung đã đạt đến mức độ tinh vi mà Thurman, Lewis và Kunert (2019) mô tả là "thuật toán hóa" quá trình sản xuất và phân phối tin tức. Trong lĩnh vực truyền thông, thuật toán quyết định bài tin nào sẽ xuất hiện trên feed của ai, ở vị trí nào, vào thời điểm nào, và liệu nó sẽ kèm theo hình ảnh hay video nào. Kết quả là hai người dùng cùng sử dụng một nền tảng có thể trải nghiệm những thế giới tin tức hoàn toàn khác nhau.

Điều này dẫn đến một vấn đề cốt lõi: mức độ hiểu biết của người dùng về cách thuật toán hoạt động. Swart (2021) đã nghiên cứu cách thanh niên hiểu, cảm nhận và tương tác với việc lựa chọn tin tức thuật toán trên mạng xã hội. Nghiên cứu của cô cho thấy nhiều người dùng trẻ có ý thức mơ hồ rằng "một cái gì đó" đang quyết định những gì họ nhìn thấy, nhưng hiếm ai hiểu rõ cơ chế cụ thể hoặc ý thức được tác động dài hạn đến bức tranh thông tin mà họ tiếp nhận.

Gran, Booth và Bucher (2020) đã phát triển khái niệm "khoảng cách ý thức thuật toán" (algorithm awareness gap) — sự chênh lệch giữa những người hiểu cách thuật toán vận hành và những người không hiểu. Họ cho rằng điều này đang tạo ra một "khoảng cách số mới" không dựa trên khả năng tiếp cận công nghệ mà dựa trên khả năng hiểu và phản ứng với hệ thống thuật toán. Khoảng cách này có ý nghĩa sâu sắc đối với giáo dục: sinh viên có thể sử dụng công nghệ thành thạo nhưng lại hoàn toàn bất lực trước những tác động vô hình của thuật toán.

Trên YouTube, Bryant (2020) đã phân tích cách thuật toán gợi ý có thể đẩy người dùng vào "bong bóng lọc cực hữu" — thông qua việc liên tục đề xuất nội dung ngày càng cực đoan dựa trên các hành động xem trước đó. Whittaker, Looney và Reed (2021) phát hiện thêm rằng các hệ thống gợi ý không chỉ khuếch đại nội dung cực đoan mà còn tạo ra cơ chế "tự đẩy mạnh" (self-reinforcing cycle) trong đó nội dung cực đoan thu hút nhiều tương tác hơn, và mức tương tác cao này lại được thuật toán hiểu là tín hiệu chất lượng để đề xuất tiếp.

Klug, Qin và Evans (2021) đã nghiên cứu trực tiếp cách người dùng TikTok hiểu về thuật toán gợi ý của nền tảng này. Kết quả đáng chú ý: nhiều người dùng phát triển các "lý thuyết dân gian" về thuật toán — họ thử nghiệm các chiến lược (xem video đến hết, tương tác trong 30 giây đầu, xem video vào giờ vàng) nhằm "thao túng" thuật toán ngược lại. Dù những lý thuyết này không hoàn toàn chính xác, chúng cho thấy người dùng không hoàn toàn thụ động mà đang tìm cách tương tác có ý thức với hệ thống.

Bhuiyan, Bautista Isaza và Mitra (2022) đã đề xuất một giải pháp sáng tạo: công cụ OtherTube cho phép người dùng trao đổi gợi ý YouTube với người lạ, qua đó phá vỡ "bong bóng thuật toán" cá nhân và tiếp xúc với nội dung đa dạng hơn. Đề xuất này dựa trên một nhận định đơn giản: giải pháp cho vấn đề do thuật toán tạo ra không chỉ nằm ở việc thay đổi thuật toán mà còn ở việc thay đổi cách người dùng tiếp cận hệ thống gợi ý.

Dekker, Baumgartner và Sumter (2025) trong nghiên cứu gần đây đã đo lường hiệu quả của cá nhân hóa thuật toán trong việc thúc đẩy tương tác trên mạng xã hội. Họ so sánh feed cá nhân hóa hoàn toàn với feed chung cho tất cả mọi người và phát hiện rằng cá nhân hóa tăng tương tác nhưng đồng thời làm giảm sự đa dạng nội dung tiếp xúc. Nghiên cứu này củng cố lập luận rằng có một sự đánh đổi cơ bản giữa mức độ tương tác (thước đo kinh doanh) và mức độ đa dạng thông tin (giá trị xã hội) trong thiết kế thuật toán.

Mujica, Crowell và Villano (2022) từ góc nhìn tâm lý học đã phân tích "nghiện do thiết kế" (addiction by design) — cách mà các tính năng của mạng xã hội được thiết kế có chủ ý để tạo ra hành vi sử dụng lặp lại. Họ cho rằng thuật toán gợi ý không chỉ phục vụ nhu cầu của người dùng mà còn chủ động tạo ra nhu cầu mới bằng cách tận dụng các cơ chế phần thưởng biến thiên (variable reward schedule) tương tự như trong các trò chơi cờ bạc.

Sự mù mờ của thuật toán (algorithm opacity) là một trở ngại đáng kể cho cả người dùng lẫn nhà nghiên cứu. Các nền tảng hiếm khi công bố chi tiết về cách thuật toán gợi ý hoạt động, viện dẫn lý do bảo mật thương mại. Điều này khiến người dùng không thể đưa ra quyết định có ý thức về việc tiêu thụ nội dung như thế nào, và khiến các nhà nghiên cứu giáo dục khó đánh giá chính xác mức độ mà thuật toán tác động đến hành vi học tập của sinh viên.

2.1. Phân loại và cơ chế thuật toán gợi ý

Để hiểu tác động của thuật toán gợi ý đến giáo dục đại học, cần phân tích chi tiết cách các hệ thống này vận hành. Thuật toán gợi ý — hay hệ thống khuyến nghị — không phải một công nghệ đơn lẻ mà là một họ các phương pháp với ưu nhược điểm khác nhau.

Phương pháp lọc cộng tác (collaborative filtering) hoạt động dựa trên nguyên lý đơn giản: nếu người dùng A có hành vi tương tự người dùng B trong quá khứ, thì nội dung mà B thích có khả năng cao A cũng thích. Phương pháp này không cần hiểu nội dung — nó chỉ cần dữ liệu về hành vi. Tuy nhiên, nó có một nhược điểm nghiêm trọng: nó khuếch đại "bong bóng lọc" vì nó chỉ đề xuất nội dung tương tự với những gì người dùng đã tiêu thụ.

Phương pháp lọc dựa trên nội dung (content-based filtering) phân tích đặc điểm của nội dung — từ khóa, thể loại, hình ảnh, âm thanh — và so khớp với hồ sơ người dùng. Nó có thể đề xuất nội dung đa dạng hơn nếu nội dung mới có đặc điểm tương tự với nội dung người dùng thích, nhưng gặp khó khăn khi người dùng thích nhiều loại nội dung khác nhau.

Hệ thống lai (hybrid recommender) kết hợp cả hai phương pháp trên cùng với các kỹ thuật học sâu (deep learning) — mạng nơ-ron tích chập (CNN) để phân tích hình ảnh, mạng biến tự mã hóa (autoencoder) để học biểu diễn nội dung, và mạng trí nhớ dài ngắn (LSTM) để mô hình hóa chuỗi hành vi. Các hệ thống lai hiện đại như của YouTube hay TikTok sẽ xử lý hàng tỷ tín hiệu hành vi theo thời gian thực, tạo ra gợi ý siêu cá nhân hóa.

Cơ chế vận hành được được hiểu qua một vòng lặp năm bước. Bước một: dữ liệu thu thập — mỗi hành động của người dùng (nhấp chuột, dừng lại, nhấn thích, chia sẻ, thời gian xem) được ghi lại dưới dạng tín hiệu hành vi. Bước hai: xây dựng hồ sơ — từ tín hiệu hành vi, thuật toán xây dựng một hồ sơ người dùng nhiều chiều, bao gồm sở thích, thói quen thời gian, mức độ nhạy cảm với các loại nội dung khác nhau. Bước ba: dự đoán — mô hình học máy dự đoán xác suất mà người dùng sẽ tương tác với mỗi nội dung tiềm năng. Bước bốn: xếp hạng và lọc — các nội dung được xếp hạng theo dự đoán và lọc theo các quy tắc (loại trừ nội dung không phù hợp, đảm bảo đa dạng tối thiểu). Bước năm: hiển thị — nội dung được xếp hạng cao nhất xuất hiện trên feed, với vị trí, thời điểm và định dạng được tối ưu hóa.

Möller, Trilling và Helberger (2018) đã trực tiếp kiểm định bốn hệ thống gợi ý khác nhau và phát hiện rằng tác động đến đa dạng nội dung không đồng nhất. Một số hệ thống thực sự giảm đa dạng nội dung — lặp lại nội dung tương tự — trong khi những hệ thống khác có khả năng tăng đa dạng bằng cách đề xuất nội dung ngoài hồ sơ thông thường. Tuy nhiên, tất cả đều thay đổi hành vi tiếp cận thông tin so với khi người dùng tự chọn nội dung, và sự thay đổi này thường thiên về nội dung dễ tiêu thụ (entertaining content) thay vì nội dung đa dạng hoặc thông tin phức tạp.

2.2. Sự cá nhân hóa nội dung và ý thức về thuật toán

Sự cá nhân hóa nội dung đã đạt đến mức độ tinh vi mà Thurman, Lewis và Kunert (2019) mô tả là "thuật toán hóa" toàn bộ quá trình sản xuất và phân phối tin tức. Trong hệ thống truyền thống, biên tập viên quyết định tin nào xuất hiện trên trang nhất. Trong hệ thống thuật toán, mỗi người dùng có một "trang nhất" riêng, được cá nhân hóa theo hành vi quá khứ. Kết quả là hai người dùng cùng sử dụng một nền tảng nhiều khả năng trải nghiệm những thế giới tin tức hoàn toàn khác nhau — một người nhìn thấy tin tức quốc tế và phân tích chuyên sâu, người kia chỉ nhìn thấy nội dung giải trí và tin giật gân.

Swart (2021) đã nghiên cứu cách thanh niên hiểu và tương tác với việc lựa chọn tin tức thuật toán trên mạng xã hội. Kết quả cho thấy nhiều người dùng trẻ có ý thức mơ hồ rằng "một cái gì đó" đang quyết định những gì họ nhìn thấy, nhưng hiếm ai hiểu rõ cơ chế cụ thể. Một số người dùng phát triển các "lý thuyết dân gian" về thuật toán — các giải thích không chính xác nhưng có chủ ý về cách nó hoạt động. Những lý thuyết dân gian này cho thấy người dùng không hoàn toàn thụ động trước thuật toán, nhưng cũng cho thấy khoảng cách lớn giữa nhận thức và thực tế.

Gran, Booth và Bucher (2020) đã phát triển khái niệm "khoảng cách ý thức thuật toán" (algorithm awareness gap) — một dạng "khoảng cách số mới" không dựa trên khả năng tiếp cận công nghệ mà dựa trên khả năng hiểu hệ thống thuật toán. Khái niệm này có ý nghĩa sâu sắc cho giáo dục đại học: sinh viên cần sử dụng TikTok thành thạo nhưng hoàn toàn không hiểu rằng nội dung họ nhìn thấy là kết quả của một hệ thống được thiết kế để tối đa hóa thời gian sử dụng, không phải để tối đa hóa giá trị thông tin.

2.3. Thuật toán khuếch đại nội dung cực đoan

Một trong những hậu quả đáng lo ngại nhất của thuật toán gợi ý là khả năng khuếch đại nội dung cực đoan. Bryant (2020) đã phân tích cách thuật toán gợi ý của YouTube được phép đẩy người dùng vào "bong bóng lọc cực hữu" — thông qua chuỗi gợi ý liên tục từ nội dung chính thống đến nội dung ngày càng cực đoan. Mỗi bước trong chuỗi này là một nội dung "gần giống" với bước trước, nhưng khi tích lũy qua nhiều bước, người dùng dễ dàng đi từ một video tin tức thông thường đến nội dung thù hận và âm mưu mà không hề nhận ra quá trình chuyển đổi.

Whittaker, Looney và Reed (2021) phát hiện thêm rằng các hệ thống gợi ý không chỉ khuếch đại nội dung cực đoan mà còn tạo ra "chuỗi tự đẩy mạnh" (self-reinforcing cycle). Nội dung cực đoan thường kích thích cảm xúc mạnh, thu hút nhiều tương tác hơn, và mức tương tác cao này lại được thuật toán hiểu là tín hiệu "chất lượng cao" để đề xuất thêm nội dung tương tự. Kết quả là nội dung cực đoan nhận được lợi thế không công bằng trong hệ thống gợi ý — không vì nó quan trọng hay chính xác, mà vì nó thu hút tương tác.

Klug, Qin và Evans (2021) đã nghiên cứu cách người dùng TikTok hiểu về thuật toán gợi ý. Phát hiện đáng chú ý: nhiều người dùng thử nghiệm các chiến lược để "thao túng" thuật toán ngược lại — xem video đến hết, tương tác trong 30 giây đầu, xem vào giờ vàng — trong nỗ lực kiểm soát nội dung gợi ý. Dù những chiến lược này không hoàn toàn chính xác về mặt kỹ thuật, chúng cho thấy một khát vọng hiểu và kiểm soát hệ thống mà nền tảng hiếm khi đáp ứng.

2.4. Sự mù mờ của thuật toán

Sự mù mờ của thuật toán (algorithm opacity) là trở ngại lớn nhất cho cả người dùng, nhà nghiên cứu và nhà giáo dục. Các nền tảng hiếm khi công bố chi tiết cách hệ thống gợi ý hoạt động, viện dẫn lý do bảo mật thương mại và cạnh tranh. Điều này tạo ra một tình trạng "hộp đen" (black box) trong đó người dùng đưa ra quyết định dựa trên nội dung do thuật toán đề xuất mà không biết tại sao nội dung đó được chọn.

Dekker, Baumgartner và Sumter (2025) đã đo lường hiệu quả của cá nhân hóa thuật toán trong việc thúc đẩy tương tác trên mạng xã hội. So sánh feed cá nhân hóa hoàn toàn với feed chung cho tất cả, họ phát hiện rằng cá nhân hóa tăng tương tác nhưng giảm đa dạng nội dung tiếp xúc. Phát hiện này củng cố lập luận về sự đánh đổi cơ bản giữa giá trị kinh doanh (tương tác cao) và giá trị xã hội (đa dạng thông tin).

Bhuiyan, Bautista Isaza và Mitra (2022) đã đề xuất công cụ OtherTube — cho phép người dùng trao đổi gợi ý YouTube với người lạ, phá vỡ "bong bóng thuật toán" cá nhân. Giải pháp này dựa trên nhận định đơn giản: thay vì cố gắng thay đổi thuật toán, hãy thay đổi cách người dùng tiếp cận nó. Cho phép người dùng nhìn thấy "thế giới thuật toán" của người khác là một cách mạnh mẽ để tăng nhận thức về sự tồn tại và ảnh hưởng của bong bóng lọc.

Mujica, Crowell và Villano (2022) đã phân tích "nghiện do thiết kế" — cách các tính năng mạng xã hội được thiết kế có chủ ý để tạo hành vi sử dụng lặp lại. Họ cho rằng thuật toán gợi ý và thiết kế giao diện cùng tạo ra một hệ sinh thái thao túng: thuật toán chọn nội dung, giao diện đảm bảo người dùng tiếp tục tiêu thụ, và thông báo kéo người dùng quay lại ngay khi họ cố thoát. Heitmayer (2024) mô tả điều này là quá trình mà sự chú ý được "tổng hợp hóa" — tạo ra và định hình thông qua các cơ chế kỹ thuật, thay vì chỉ được "thu thập" từ môi trường tự nhiên.

3. Phân mảnh chú ý và nhiễu loạn kỹ thuật số

Trong một lớp học đại học, giảng viên đang giải thích một khái niệm phức tạp. Trên bàn của hai mươi sinh viên, mười bảy chiếc điện thoại sáng màn hình. Một sinh viên đang trả lời tin nhắn, một người khác cuộn Facebook trong khi vẫn nhìn lên bảng, một người thứ ba vừa xem video TikTok vừa ghi chép — hoặc ít nhất có vẻ như vậy. Cảnh tượng này không phải ngoại lệ mà là trạng thái bình thường mới của môi trường học tập đại học, nơi sự chú ý liên tục bị chia sẻ, cắt xén và phân tán bởi hàng loạt kích thích kỹ thuật số.

Thuật ngữ "phân mảnh chú ý" (attention fragmentation) mô tả tình trạng trong đó sự chú ý của một cá nhân bị chia nhỏ thành nhiều mảnh, mỗi mảnh được phân bổ cho một nguồn kích thích khác nhau, và không có nguồn nào nhận được sự ưu tiên sâu đủ để xử lý thông tin một cách toàn diện. Aagaard (2018) trong phân tích khái niệm về đa nhiệm truyền thông (media multitasking) đã chỉ ra rằng "đa nhiệm" thực chất là một dạng phân tâm — khi người dùng tưởng rằng họ đang làm nhiều việc cùng lúc, thực chất họ đang chuyển đổi nhanh chóng giữa các nhiệm vụ, và mỗi lần chuyển đổi đều đi kèm với chi phí nhận thức.

Chi phí chuyển đổi (switching cost) này đã được đo lường trong nhiều nghiên cứu. Mỗi lần chuyển từ đọc tài liệu học tập sang kiểm tra thông báo điện thoại — một hành động mất khoảng vài giây — bộ não cần thêm trung bình 23 phút để quay trở lại mức độ tập chú vào tương đương trước gián đoạn. Đối với sinh viên nhận được trung bình 80 thông báo mỗi ngày trên điện thoại, chi phí nhận thức tích lũy là khổng lồ.

Lupinacci (2020) đã mô tả hiện tượng "cuộn vô thức qua hư không" — trạng thái mà người dùng lướt mạng xã hội không có mục đích, không ghi nhớ nội dung, không cảm thấy hài lòng nhưng vẫn tiếp tục lướt. Cô gọi đây là "liên tục kết nối bắt buộc" (compulsory continuous connectedness), một trạng thái trong đó việc luôn luôn online không còn là sự lựa chọn mà trở thành nhu cầu tâm lý — một dạng "nghiện hiện diện" hơn là nghiện nội dung.

Thiết kế của các nền tảng số đóng vai trò then chốt trong việc tạo ra và duy trì trạng thái phân mảnh chú ý. Cuộn vô tận (infinite scrolling) loại bỏ mọi điểm dừng tự nhiên mà người dùng nên tận dụng để thoát khỏi chu kỳ tiêu thụ nội dung. Tự động phát (autoplay) đảm bảo rằng ngay khi một video kết thúc, một video khác ngay lập tức bắt đầu — không cho người dùng thời gian để quyết định có muốn tiếp tục hay không. Thông báo đẩy (push notifications) chủ động gián đoạn những hoạt động khác, từ học tập đến ngủ, để kéo sự chú ý về lại nền tảng.

Du, Kerkhof và van Koningsbruggen (2019) đã xác định bốn yếu tố dự đoán thất bại tự kiểm soát trên mạng xã hội: phần thưởng tức thời (immediate gratification), thói quen kiểm tra lặp đi lặp lại, sự hiện diện liên tục của thiết bị, và thông báo. Nghiên cứu của họ cho thấy thói quen — không phải ý chí — là yếu tố mạnh nhất dự đoán việc người dùng không thể ngừng sử dụng mạng xã hội dù muốn dừng. Điều này có ý nghĩa quan trọng cho giáo dục: yêu cầu sinh viên "tự giác" không sử dụng điện thoại trong giờ học có hiệu quả hạn chế vì hành vi kiểm tra mạng xã hội thường là tự động, không do ý thức kiểm soát.

Shanmugasundaram và Tamilarasu (2023) trong bài tổng quan về tác động của công nghệ số, mạng xã hội và trí tuệ nhân tạo đến các chức năng nhận thức đã tổng hợp bằng chứng từ nhiều nghiên cứu về sự suy giảm chú ý bền vững, trí nhớ làm việc và khả năng tư duy logic ở người sử dụng kỹ thuật số nặng. Tuy nhiên, họ cũng nhấn mạnh rằng mối quan hệ không phải đơn giản nguyên nhân — kết quả, mà còn phụ thuộc vào loại nội dung tiêu thụ, thời điểm sử dụng, và đặc điểm cá nhân.

Firth, Torous và Stubbs (2019) trong bài tổng quan về "não trực tuyến" đã cảnh báo rằng việc sử dụng mạng xã hội kéo dài sẽ làm thay đổi cấu trúc não bộ — cụ thể là giảm mật độ chất xám ở vùng vỏ não trước trán, khu vực liên quan đến kiểm soát xung động và ra quyết định. Dù những phát hiện này vẫn còn gây tranh luận trong giới khoa học, chúng cho thấy tác động của phân mảnh chú ý được sâu hơn mức độ hành vi thông thường.

Bằng chứng ngày càng mạnh mẽ về mối liên hệ giữa nghiện điện thoại thông minh và kết quả học tập. Sunday, Adesope và Maarhuis (2021) đã thực hiện phân tích tổng hợp (meta-analysis) 30 nghiên cứu về ảnh hưởng của nghiện điện thoại thông minh đến học tập và phát hiện tác động tiêu cực đáng kể đến kết quả học tập, điểm số và hiệu suất học thuật. Ảnh hưởng này đặc biệt rõ rệt ở nhóm sinh viên có mức độ sử dụng mạng xã xã hội cao hơn.

Nayak (2018) nghiên cứu mối quan hệ giữa sử dụng điện thoại thông minh, nghiện, và thành tích học tập ở sinh viên đại học Ấn Độ. Kết quả cho thấy nghiện điện thoại thông minh dự đoán điểm số thấp hơn, nhưng điều thú vị là giới tính có vai trò điều chỉnh — ảnh hưởng tiêu cực mạnh hơn ở nữ sinh viên. Alotaibi, Fox và Coman (2022) cũng phát hiện tỷ lệ nghiện điện thoại thông minh cao đáng kinh ngạc (khoảng 60%) trong mẫu sinh viên đại học Ả Rập Xê Út, với mối liên hệ rõ ràng đến cả sức khỏe thể chất, sức khỏe tâm lý lẫn thành tích học tập.

Wiradhany, Baumgartner và de Bruin (2021) đề xuất mô hình "khai thác — khám phá" (exploitation–exploration) để giải thích hành vi đa nhiệm truyền thông. Theo mô hình này, người dùng liên tục đánh đổi giữa việc "khai thác" nội dung quen thuộc (xem tiếp video tương tự) và "khám phá" nội dung mới (tìm kiếm thông tin khác). Thuật toán gợi ý làm nghiêng cán cân về phía "khai thác", dẫn đến việc người dùng ngày càng lặp lại việc tiêu thụ nội dung tương tự thay vì tìm kiếm thông tin đa dạng hơn.

Một phát hiện quan trọng từ Parry, Davidson và Sewall (2021) là sự chênh lệch đáng kể giữa thời gian sử dụng thiết bị số mà người dùng tự báo cáo và thời gian thực tế được ghi nhận bằng công cụ đo lường. Người dùng có xu hướng đánh giá thấp thời gian sử dụng mạng xã hội từ 20% đến 40%. Điều này có ý nghĩa cả cho nghiên cứu lẫn thực tiễn giáo dục: khi sinh viên tin rằng họ chỉ "kiểm tra điện thoại vài phút" trong khi thực tế dành ra 30–45 phút, bất kỳ chiến lược tự điều chỉnh nào dựa trên nhận thức sai lệch này đều sẽ thất bại.

Yousef, Alshamy và Tlili (2025) trong bài tổng quan gần đây đã mô tả tình trạng "suy não do số" (brain rot in the digital era) — khái niệm đang thu hút sự chú ý lớn trong cộng đồng học thuật và công chúng. Tình trạng này bao gồm suy giảm khả năng đề cao sâu, suy yếu trí nhớ làm việc, tăng tỷ lệ suy nghĩ lan man (mind wandering), và giảm khả năng duy trì chuỗi tư duy logic kéo dài. Tülübaş, Karakose và Papadakis (2023) củng cố bằng chứng này khi phát hiện mối liên hệ tiêu cực giữa nghiện kỹ thuật số và thành tích học tập trong một mẫu sinh viên đa quốc gia.

Roetzel (2018) và Arnold, Goldschmitt và Rigotti (2023) từ góc độ quản trị thông tin đã phân tích cách quá tải thông tin (information overload) trong thời đại số vượt quá năng lực xử lý của não bộ con người. Khi một sinh viên nhận được hàng trăm thông báo, tin nhắn và gợi ý nội dung mỗi ngày, não bộ không thể phân tích đầy đủ từng thông tin mà phải dựa vào các phím tắt nhận thức (heuristics) — quy tắc ngón tay cái tâm lý — để quyết định điều gì đáng chú ý. Thuật toán gợi ý tận dụng chính cơ chế này: bằng cách đặt nội dung ở vị trí dễ tiếp cận nhất, nó đảm bảo nội dung đó sẽ được chú ý trước khi não bộ kịp đánh giá liệu nó có giá trị hay không.

3.1. Phân mảnh chú ý — Khái niệm và cơ chế

"Phân mảnh chú ý" (attention fragmentation) là một thuật ngữ mô tả tình trạng mà sự chú ý của cá nhân liên tục bị chia nhỏ thành nhiều mảnh — mỗi mảnh được phân bổ cho một nguồn kích thích kỹ thuật số khác nhau. Khác với "phân tâm" truyền thống (laptop sự chú ý bị chuyển từ nhiệm vụ chính sang một nguồn kích thích duy nhất), phân mảnh chú ý mô tả tình trạng đa kích thích: người dùng đồng thời đối mặt với thông báo điện thoại, nội dung mạng xã hội, email công việc, tin nhắn bạn bè, và video gợi ý — tất cả trong cùng một thời điểm.

Aagaard (2018) đã phân tích khái niệm "đa nhiệm truyền thông" (media multitasking) một cách sắc bén và kết luận rằng nó thực chất là "phân tâm có hệ thống" — một hình thức phân tâm được thể chế hóa bởi thiết kế công nghệ. Khi người dùng tưởng rằng họ đang làm nhiều việc cùng lúc, thực chất họ đang chuyển đổi nhanh chóng giữa các nhiệm vụ, và mỗi lần chuyển đổi đều đi kèm với chi phí nhận thức.

Chi phí chuyển đổi (switching cost) được đo lường chi tiết trong nhiều nghiên cứu thần kinh học. Khi người dùng chuyển từ đọc tài liệu học tập sang kiểm tra thông báo điện thoại — một hành động tưởng chừng chỉ mất vài giây — não bộ phải thực hiện chuỗi xử lý phức tạp: ngắt xử lý thông tin hiện tại, chuyển trạng thái chú ý, quét thông báo mới, đánh giá mức độ quan trọng, và quyết định có phản hồi hay không. Dù quyết định là "bỏ qua", quá trình chuyển đổi đã tiêu tốn nguồn lực nhận thức. Các nghiên cứu đo lường chỉ ra rằng sau mỗi gián đoạn, não bộ cần trung bình 15–25 phút để quay trở lại mức độ hướng tới tương đương trước gián đoạn.

Lupinacci (2020) đã mô tả hiện tượng "cuộn vô thức qua hư không" — trạng thái mà người dùng lướt mạng xã hội không có mục đích rõ ràng, không ghi nhớ nội dung, không cảm thấy hài lòng nhưng vẫn tiếp tục lướt. Cô gọi đây là "liên tục kết nối bắt buộc" (compulsory continuous connectedness) — trong đó việc luôn online không còn là lựa chọn mà trở thành nhu cầu tâm lý. Đây không phải "nghiện nội dung" mà là "nghiện hiện diện" — người dùng cần cảm giác kết nối liên tục hơn là cần nội dung cụ thể.

3.2. Thiết kế gây nghiện và cơ chế phần thưởng

Các nền tảng số sử dụng một loạt kỹ thuật thiết kế để tạo ra và duy trì trạng thái phân mảnh chú ý. Cuộn vô tận (infinite scrolling) loại bỏ mọi điểm dừng tự nhiên — không còn "trang cuối" hay "hết nội dung", người dùng có khả năng cuộn mãi mãi. Tự động phát (autoplay) đảm bảo ngay khi một video kết thúc, video khác bắt đầu — loại bỏ khoảnh khắc quyết định "có xem tiếp không". Thông báo đẩy (push notifications) chủ động gián đoạn mọi hoạt động khác để kéo sự chú ý về lại nền tảng.

Đặc biệt đáng lưu ý là cơ chế "phần thưởng biến thiên" (variable reward schedule) — một kỹ thuật tâm lý học hành vi đã được chứng minh hiệu quả trong việc tạo hành vi lặp lại. Thay vì cung cấp phần thưởng cố định (như thông báo mỗi 10 phút), nền tảng sử dụng phần thưởng không dự đoán được — đôi khi cuộn 2 video là có nội dung thú vị, đôi khi phải cuộn 20 video. Như máy đánh bạc — sự không dự đoán được chính là yếu tố gây nghiện mạnh nhất.

Mujica, Crowell và Villano (2022) đã phân tích "nghiện do thiết kế" (addiction by design) và chỉ ra rằng các tính năng mạng xã hội không phải ngẫu nhiên mà được thiết kế có chủ ý dựa trên nghiên cứu tâm lý học hành vi sâu. Các nhóm thiết kế tại các công ty công nghệ lớn thường bao gồm các nhà tâm lý học và chuyên gia hành vi, nhiệm vụ của họ là tối ưu hóa "thời gian sử dụng" (time-on-platform) bằng mọi phương pháp nhiều khả năng.

3.3. Tác động nhận thức của phân mảnh chú ý

Shanmugasundaram và Tamilarasu (2023) đã tổng hợp bằng chứng từ nhiều nghiên cứu về tác động của công nghệ số đến các chức năng nhận thức. Họ phát hiện ba nhóm tác động chính: giảm chú ý bền vững (sustained attention), suy yếu trí nhớ làm việc (working memory), và suy giảm khả năng tư duy logic kéo dài. Mỗi nhóm tác động này có ý nghĩa trực tiếp cho giáo dục đại học — nơi việc học tập yêu cầu cả ba năng lực nhận thức cùng lúc.

Firth, Torous và Stubbs (2019) trong phân tích về "não trực tuyến" đã cảnh báo rằng việc sử dụng Internet và mạng xã hội kéo dài cần làm thay đổi cấu trúc não bộ — cụ thể là giảm mật độ chất xám ở vùng vỏ não trước trán, khu vực liên quan đến kiểm soát xung động và ra quyết định dài hạn. Dù phát hiện này vẫn còn cần nghiên cứu thêm, nó gợi ý rằng phân mảnh chú ý không chỉ là vấn đề hành vi tạm thời mà được phép có hậu quả cấu trúc dài hạn.

Parry, Davidson và Sewall (2021) phát hiện sự chênh lệch đáng kể giữa thời gian sử dụng thiết bị tự báo cáo và thời gian thực tế — người dùng thường đánh giá thấp thời gian mạng xã hội từ 20% đến 40%. Điều này đặc biệt quan trọng cho giáo dục: khi sinh viên tin rằng họ chỉ "mất vài phút" kiểm tra điện thoại trong khi thực tế dành ra 30–45 phút, mọi chiến lược tự điều chỉnh dựa trên nhận thức sai lệch này sẽ thất bại.

3.4. Nghiện điện thoại thông minh và thành tích học tập

Bằng chứng về mối liên hệ giữa nghiện điện thoại thông minh và thành tích học tập ngày càng mạnh mẽ. Sunday, Adesope và Maarhuis (2021) đã thực hiện phân tích tổng hợp 30 nghiên cứu và phát hiện tác động tiêu cực đáng kể và nhất quán đến kết quả học tập. Ảnh hưởng này mạnh hơn ở sinh viên có mức độ sử dụng mạng xã hội cao hơn và ở những người ít có kỹ năng tự điều chỉnh.

Nayak (2018) nghiên cứu mẫu sinh viên đại học Ấn Độ và phát hiện rằng nghiện điện thoại thông minh dự đoán điểm số thấp hơn, với tác động mạnh hơn ở nữ sinh viên. Alotaibi, Fox và Coman (2022) phát hiện tỷ lệ nghiện điện thoại 60% ở sinh viên Ả Rập Xê Út — con số đáng kinh ngạc — với mối liên hệ rõ ràng đến cả sức khỏe thể chất, sức khỏe tâm lý lẫn thành tích học tập. Tülübaş, Karakose và Papadakis (2023) củng cố bằng chứng với dữ liệu đa quốc gia.

Wiradhany, Baumgartner và de Bruin (2021) đề xuất mô hình "khai thác — khám phá" để giải thích hành vi đa nhiệm truyền thông. Theo mô hình này, người dùng liên tục đánh đổi giữa việc "khai thác" nội dung quen thuộc (xem tiếp video tương tự) và "khám phá" nội dung mới. Thuật toán gợi ý làm nghiêng cán cân về phía "khai thác", dẫn đến việc tiêu thụ nội dung ngày càng hẹp.

Du, Kerkhof và van Koningsbruggen (2019) đã xác định bốn yếu tố dự đoán thất bại tự kiểm soát trên mạng xã hội: phần thưởng tức thời, thói quen kiểm tra lặp đi lặp lại, sự hiện diện liên tục của thiết bị, và thông báo. Đáng chú ý, thói quen — không phải ý chí — là yếu tố mạnh nhất. Điều này có ý nghĩa quan trọng cho giáo dục: yêu cầu sinh viên "tự giác" không sử dụng điện thoại trong giờ học có hiệu quả hạn chế vì hành vi kiểm tra mạng xã hội thường là tự động, nằm ngoài ý thức.

3.5. Quá tải thông tin và đánh đổi nhận thức

Roetzel (2018) đã phân tích quá tải thông tin (information overload) trong kỷ nguyên số. Khi một sinh viên nhận được hàng trăm thông báo, tin nhắn và gợi ý nội dung mỗi ngày, não bộ không thể xử lý đầy đủ từng thông tin mà phải dựa vào các phím tắt nhận thức (heuristics). Thuật toán gợi ý tận dụng cơ chế này: bằng cách đặt nội dung ở vị trí dễ tiếp cận nhất, nó đảm bảo nội dung đó sẽ được chú ý trước khi não bộ kịp đánh giá giá trị thực.

Arnold, Goldschmitt và Rigotti (2023) đã tổng quan toàn diện về cách con người đối phó với quá tải thông tin — từ các chiến lược cá nhân (lọc, ưu tiên, bỏ qua) đến các chiến lược kỹ thuật (thuật toán gợi ý, trợ lý AI). Tuy nhiên, họ cảnh báo rằng khi con người ngày càng phụ thuộc vào công cụ kỹ thuật để quản lý thông tin, quyền kiểm soát quá trình chọn lọc thông tin dần chuyển từ cá nhân sang thuật toán — và điều này có ảnh hưởng sâu sắc đến khả năng tư duy độc lập.

Yousef, Alshamy và Tlili (2025) đã mô tả tình trạng "suy não do số" (brain rot) — khái niệm đang thu hút sự chú ý lớn trong cộng đồng học thuật và công chúng. Tình trạng này bao gồm suy giảm chú ý sâu, suy yếu trí nhớ làm việc, tăng suy nghĩ lan man, và giảm khả năng duy trì chuỗi tư duy logic kéo dài. Dù khái niệm "suy não do số" còn gây tranh luận về mức độ nghiêm trọng, nó phản ánh một mối lo ngại xã hội ngày càng sâu sắc về tác động dài hạn của môi trường kỹ thuật số đến khả năng nhận thức.

4. Thiên lệch xác nhận, bong bóng lọc và buồng vang thông tin

Nếu phân mảnh chú ý là vấn đề về lượng — sự chú ý bị chia nhỏ — thì thiên lệch xác nhận, bong bóng lọc và buồng vang thông tin là vấn đề về chất — sự chú ý bị bóp méo. Đây là hai mặt của cùng một vấn đề mà thuật toán gợi ý không chỉ tạo ra mà còn khuếch đại.

Thiên lệch xác nhận (confirmation bias) — khuynh hướng tìm kiếm, ưu tiên và nhớ thông tin phù hợp với quan điểm sẵn có — vốn là một đặc điểm nhận thức quen thuộc của con người, đã được các nhà tâm lý học nghiên cứu từ thập niên 1960. Tuy nhiên, trong môi trường số, thiên lệch này được khuếch đại mạnh mẽ nhờ thuật toán gợi ý. Khi bạn tương tác với một bài viết phản ánh quan điểm của bạn, thuật toán ghi nhận và đề xuất thêm nội dung tương tự — tạo ra một vòng lặp tự củng cố trong đó quan điểm hiện tại của bạn được liên tục xác nhận, mà bạn gần như không bao giờ tiếp xúc với quan điểm trái chiều.

Khái niệm "bong bóng lọc" (filter bubble) do nhà hoạt động Internet Eli Pariser đề xuất từ năm 2011, mô tả tình trạng trong đó thuật toán cá nhân hóa tạo ra một lớp "bọt" vô hình xung quanh mỗi người dùng, lọc bỏ mọi nội dung không phù hợp với sở thích và quan điểm đã biết. Trong bong bóng lọc, người dùng không hề nhận ra rằng họ đang ở trong một không gian thông tin bị thu hẹp — họ chỉ thấy một phần của bức tranh toàn cảnh nhưng tin rằng đó là toàn bộ.

"Buồng vang" (echo chamber) là một khái niệm có phần khác biệt mà Hartmann, Wang và Pohlmann (2025) trong bài tổng quan hệ thống năm 2025 đã phân biệt rõ. Nếu bong bóng lọc là hiện tượng cá nhân (mỗi người có "bong bóng" riêng), buồng vang là hiện tượng nhóm — trong đó một cộng đồng người dùng liên tục tương tác với nhau và lặp lại, khuếch đại những quan điểm tương tự. Cả hai hiện tượng đều dễ dàng dẫn đến việc người dùng tiếp nhận thông tin hẹp hơn, nhưng cơ chế và hậu quả của chúng khác nhau.

Nguyen (2018) đã phân tích sâu hơn sự khác biệt giữa hai khái niệm này. Theo cô, "bong bóng lọc" (epistemic bubble) là tình trạng người dùng bị thiếu tiếp xúc với các quan điểm trái chiều do môi trường thông tin hạn chế — nhưng nếu họtình cờ tiếp xúc với thông tin khác, họ vẫn có khả năng thay đổi quan điểm. "Buồng vang" (echo chamber) nguy hiểm hơn — trong buồng vang, người dùng không chỉ thiếu thông tin trái chiều mà còn chủ động từ chối và bác bỏ thông tin đó khi tiếp xúc, vì họ đã tin tưởng vào các nguồn nội bộ cộng đồng. Sự khác biệt này có ý nghĩa quan trọng cho giáo dục: giải pháp cho bong bóng lọc là tăng tiếp xúc thông tin đa dạng, nhưng giải pháp cho buồng vang cần đi sâu hơn — phải thay đổi cơ chế niềm tin.

Geschke, Lorenz và Holtz (2018) đã sử dụng mô hình agent-based (dựa trên tác nhân) để kiểm tra khung lý thuyết siêu hình về cách bong bóng lọc và buồng vang hình thành trong mạng xã hội. Mô hình của họ cho thấy hai cơ chế chính: một là phân ly mạng xã hội (social network segregation) — khi người dùng chủ yếu kết nối với những người có quan điểm tương tự; hai là thuật toán gợi ý (algorithmic curation) — khi hệ thống đề xuất nội dung dựa trên lịch sử tương tác. Kết quả cho thấy khi cả hai cơ chế hoạt động song song, bong bóng lọc hình thành nhanh và rất khó phá vỡ.

Kitchens, Johnson và Gray (2020) đã cung cấp bằng chứng thực nghiệm về tác động của bong bóng lọc và buồng vang đến hành vi đọc tin trên Twitter (nay là X). Nghiên cứu của họ phát hiện rằng thuật toán gợi ý của nền tảng thực sự giảm mức độ đa dạng nội dung tin tức mà người dùng tiếp xúc so với feed theo thứ tự thời gian, và điều này dẫn đến tăng độ phân cực chính trị. Cardenal, Aguilar-Paredes và Galais (2019) củng cố phát hiện này khi cho thấy cả yếu tố lựa chọn cá nhân lẫn bong bóng lọc thuật toán đều đóng vai trò trong việc thu hẹp phạm vi tiếp xúc thông tin, nhưng bong bóng lọc có tác động mạnh hơn ở những người dùng ít có ý thức về thuật toán.

Thiên lệch xác nhận trong môi trường số đã trở nên đặc biệt rõ rệt trong bối cảnh đại dịch COVID-19. Modgil, Singh và Gupta (2021) đã phân tích cách thiên lệch xác nhận trên mạng xã hội góp phần làm tăng sự phân cực quan điểm về các thách thức liên quan đến COVID-19 — từ biện pháp phòng ngừa đến vaccine. Người dùng có xu hướng tìm kiếm và chia sẻ thông tin phù hợp với quan điểm sẵn có, trong khi bác bỏ thông tin trái chiều với tư cách là "tin giả" (fake news).

Khó khăn tin giả, sai lệch và xuyên tạc thông tin (fake news, misinformation, disinformation) đã trở thành một trong những thách thức lớn nhất của kỷ nguyên số. Lazer, Baum, Benkler và cộng sự (2018) trong bài tổng quan trên tạp chí Science đã phân tích "khoa học của tin giả" và chỉ ra rằng tin giả không chỉ lan truyền nhanh hơn tin thật (do tính mới lạ và kích thích cảm xúc mạnh) mà còn được thuật toán đề xuất vì chúng thu hút tương tác cao. Aïmeur, Amri và Brassard (2023) đã cập nhật bức tranh này trong bài tổng quan năm 2023, phân loại các loại thông tin sai lệch và các cơ chế thuật toán thúc đẩy lan truyền.

Loomba, de Figueiredo, Piatek và cộng sự (2021) đã đo lường tác động cụ thể: tiếp xúc với thông tin sai lệch về vaccine COVID-19 làm giảm tỷ lệ sẵn sàng tiêm chủng từ 3% đến 5%. Con số này tưởng nhỏ nhưng nên dẫn đến hàng ngàn ca bệnh và tử vong ở cấp độ dân số. Điều này cho thấy hậu quả của bong bóng lọc không chỉ là học thuật mà còn ảnh hưởng trực tiếp đến sức khỏe cộng đồng.

Gao, Liu và Gao (2023) đã nghiên cứu cụ thể hiệu ứng buồng vang trên các nền tảng video ngắn — một hình thức nội dung đang bùng nổ ở khắp nơi, đáng chú ý trong giới trẻ. Kết quả cho thấy hiệu ứng buồng vang trên các nền tảng video ngắn mạnh hơn đáng kể so với nền tảng văn bản, do tính chất nhanh, hình ảnh hóa và cảm xúc hóa của video ngắn. Bryant (2020) cũng phát hiện rằng thuật toán gợi ý của YouTube sẽ đẩy người dùng vào "bong bóng lọc cực hữu" thông qua chuỗi gợi ý liên tục từ nội dung trung bình đến nội dung cực đoan.

Avin, Daltrophe và Lotker (2024) đã đưa ra một kết luận đáng lo ngại từ góc độ lý thuyết: họ chứng minh toán học rằng trong một số mô hình mạng xã hội, việc phá vỡ hiệu ứng buồng vang bằng các phương pháp quy định thông thường là "bất khả thi" — nghĩa là khi buồng vang đã hình thành, các biện pháp can thiệp nhẹ nhàng như hiển thị nội dung đa dạng thêm hoặc yêu cầu gắn nhãn thông tin được không đủ để phá vỡ nó.

Hartmann, Wang và Pohlmann (2025) trong bài tổng quan hệ thống toàn diện nhất về nghiên cứu buồng vang tính đến năm 2025 đã tổng hợp hơn 500 nghiên cứu và phát hiện rằng mặc dù khái niệm buồng vang rất phổ biến trong công chúng và truyền thông, bằng chứng thực nghiệm về mức độ nghiêm trọng và tác động của nó vẫn còn gây tranh luận. Tuy nhiên, họ khẳng định rằng khi buồng vang thực sự hình thành — nổi bật trong các sự kiện khủng hoảng — tác động đến nhận thức và hành vi của người dùng là đáng kể và khó đảo ngược.

Từ góc độ giáo dục, tất cả những phát hiện này đặt ra một câu hỏi quan trọng: làm sao giáo dục đại học có khả năng phát triển tư duy phản biện khi môi trường thông tin mà sinh viên sống trong đó ngày càng bị thu hẹp bởi bong bóng lọc và buồng vang? Nếu sinh viên chủ động tiếp xúc với một bức tranh thông tin đã được lọc và bóp méo, mọi nỗ lực giáo dục tư duy phản biện sẽ phải đối phó không chỉ với thiên lệch nhận thức tự nhiên của con người mà còn với một hệ thống thuật toán được thiết kế để củng cố những thiên lệch đó.

4.1. Thiên lệch xác nhận trong môi trường số

Thiên lệch xác nhận (confirmation bias) — khuynh hướng tìm kiếm, ưu tiên và nhớ thông tin phù hợp với quan điểm sẵn có — vốn là một đặc điểm nhận thức quen thuộc của con người, đã được các nhà tâm lý học nghiên cứu từ thập niên 1960. Trong một bài kiểm nghiệm kinh điển, người tham gia được yêu cầu đánh giá hai bộ tài liệu — một bộ ủng hộ quan điểm của họ, một bộ bác bỏ — và hầu hết mọi người đánh giá bộ tài liệu ủng hộ là "thuyết phục hơn" và "nghiên cứu kỹ hơn", dù hai bộ có chất lượng tương đương.

Trong môi trường số, thiên lệch xác nhận không còn chỉ là đặc điểm cá nhân mà được khuếch đại mạnh mẽ bởi thuật toán gợi ý. Khi bạn tương tác với một bài viết phản ánh quan điểm của bạn — dừng lại đọc, nhấn thích, bình luận — thuật toán ghi nhận những tín hiệu này và ngay lập tức đề xuất thêm nội dung tương tự. Vòng lặp tự củng cố này tạo ra một môi trường thông tin trong đó quan điểm hiện tại của bạn được xác nhận liên tục, trong khi quan điểm trái chiều dần biến mất khỏi không gian thông tin mà bạn tiếp xúc.

Modgil, Singh và Gupta (2021) đã phân tích rõ ràng cách thiên lệch xác nhận trên mạng xã hội góp phần làm tăng sự phân cực quan điểm trong đại dịch COVID-19. Họ phát hiện rằng người dùng có xu hướng tìm kiếm và chia sẻ thông tin phù hợp với quan điểm sẵn có về vaccine, trong khi bác bỏ thông tin trái chiều với tư cách là "tin giả". Hệ thống gợi ý khuếch đại hành vi này bằng cách hiển thị nhiều nội dung phù hợp quan điểm hơn, tạo ra một bong bóng thông tin y tế mà trong đó quan điểm sai lệch nhiều khả năng tồn tại và phát triển mà không gặp phản bác.

4.2. Bong bóng lọc — Từ khái niệm đến thực nghiệm

Khái niệm "bong bóng lọc" (filter bubble) do nhà hoạt động Internet Eli Pariser đề xuất từ năm 2011, mô tả tình trạng trong đó thuật toán cá nhân hóa tạo ra một lớp "bọt" vô hình xung quanh mỗi người dùng, lọc bỏ mọi nội dung không phù hợp với sở thích và quan điểm đã biết. Khác với kiểm duyệt — trong đó nội dung bị loại bỏ có chủ ý — bong bóng lọc hoạt động hoàn toàn tự động, dựa trên dữ liệu hành vi, và người dùng không nhận ra họ đang ở trong một không gian thông tin bị thu hẹp.

Geschke, Lorenz và Holtz (2018) đã sử dụng mô hình agent-based để kiểm tra khung lý thuyết về cách bong bóng lọc hình thành trong mạng xã hội. Mô hình của họ cho thấy hai cơ chế chính: phân ly mạng xã hội (social network segregation) — khi người dùng chủ yếu kết nối với những người có quan điểm tương tự; và thuật toán gợi ý (algorithmic curation) — khi hệ thống đề xuất nội dung dựa trên lịch sử tương tác. Khi cả hai cơ chế hoạt động song song, bong bóng lọc hình thành nhanh và rất khó phá vỡ.

Kitchens, Johnson và Gray (2020) đã cung cấp bằng chứng thực nghiệm trực tiếp. Họ phân tích dữ liệu từ Twitter và phát hiện rằng thuật toán gợi ý thực sự giảm mức độ đa dạng nội dung tin tức so với feed theo thứ tự thời gian. Người dùng sử dụng feed thuật toán tiếp xúc với ít quan điểm trái chiều hơn và có mức độ phân cực chính trị cao hơn. Cardenal, Aguilar-Paredes và Galais (2019) phát hiện tương tự: cả yếu tố lựa chọn cá nhân lẫn bong bóng lọc thuật toán đều đóng vai trò trong việc thu hẹp phạm vi tiếp xúc thông tin, nhưng bong bóng lọc có tác động mạnh hơn ở những người dùng ít có ý thức về thuật toán.

4.3. Buồng vang thông tin — Khái niệm và phân biệt

Hartmann, Wang và Pohlmann (2025) trong bài tổng quan hệ thống toàn diện nhất về nghiên cứu buồng vang (tính đến 2025, tổng hợp hơn 500 nghiên cứu) đã phân biệt rõ "bong bóng lọc" và "buồng vang" (echo chamber). Bong bóng lọc là hiện tượng cá nhân — mỗi người có "bong bóng" riêng do thuật toán tạo ra. Buồng vang là hiện tượng nhóm — một cộng đồng người dùng liên tục tương tác với nhau và lặp lại, khuếch đại những quan điểm tương tự.

Nguyen (2018) đã phân tích sâu sự khác biệt. "Bong bóng lọc" (epistemic bubble) là tình trạng người dùng bị thiếu tiếp xúc với quan điểm trái chiều do môi trường thông tin hạn chế — nhưng nếutình cờ tiếp xúc với thông tin khác, họ vẫn có khả năng thay đổi quan điểm. "Buồng vang" (echo chamber) nguy hiểm hơn — người dùng không chỉ thiếu thông tin trái chiều mà còn chủ động từ chối và bác bỏ nó, vì họ đã tin tưởng vào các nguồn nội bộ cộng đồng. Giải pháp cho bong bóng lọc là tăng đa dạng thông tin tiếp xúc, nhưng giải pháp cho buồng vang cần đi sâu hơn — phải thay đổi cơ chế niềm tin.

4.4. Tin giả, sai lệch và thuật toán khuếch đại

Lazer, Baum, Benkler và cộng sự (2018) đã phân tích "khoa học của tin giả" và chỉ ra rằng tin giả lan truyền nhanh hơn tin thật nhờ hai cơ chế. Cơ chế thứ nhất: tính mới lạ — tin giả thường chứa thông tin chưa từng nghe, kích thích tò mò. Cơ chế thứ hai: kích thích cảm xúc — tin giả thường được thiết kế để gây tức giận, sợ hãi hoặc kinh ngạc, những cảm xúc thúc đẩy chia sẻ nhanh hơn lý trí.

Aïmeur, Amri và Brassard (2023) đã phân loại các loại thông tin sai lệch trong kỷ nguyên số: thông tin sai không cố ý (misinformation) — nội dung sai nhưng người chia sẻ tin rằng nó đúng; thông tin sai có chủ ý (disinformation) — nội dung sai được tạo ra và lan truyền có chủ đích; và nội dung bị thao túng (manipulated content) — nội dung thực nhưng được cắt ghép, bối cảnh hóa sai để tạo ấn tượng sai lệch. Mỗi loại cần chiến lược đối phó khác nhau.

Loomba, de Figueiredo, Piatek và cộng sự (2021) đã đo lường tác động cụ thể của thông tin sai lệch vaccine COVID-19: tiếp xúc với thông tin sai lệch làm giảm tỷ lệ sẵn sàng tiêm chủng từ 3% đến 5%. Con số này tưởng nhỏ nhưng ở cấp độ dân số cần dẫn đến hàng ngàn ca bệnh và tử vong.

4.5. Buồng vang trên nền tảng video ngắn

Gao, Liu và Gao (2023) đã nghiên cứu hiệu ứng buồng vang trên các nền tảng video ngắn — một hình thức nội dung đang bùng nổ và thiết yếu thu hút giới trẻ. Kết quả cho thấy hiệu ứng buồng vang trên nền tảng video ngắn mạnh hơn đáng kể so với nền tảng văn bản, do ba đặc điểm: tính chất cảm xúc hóa cao (video truyền tải cảm xúc mạnh hơn văn bản), tốc độ tiêu thụ nhanh (một video ngắn chỉ vài chục giây, người dùng xem hàng trăm mỗi giờ), và tính chất "phát hiện nhanh" (algorithmic discovery) — thuật toán đề xuất nội dung mới dựa trên tín hiệu hành vi tức thời.

Bryant (2020) phát hiện rằng thuật toán YouTube được phép đẩy người dùng vào "bong bóng lọc cực hữu" thông qua chuỗi gợi ý liên tục: từ một video tin tức thông thường, đến video phân tích chính trị, đến video thuyết âm mưu. Mỗi bước là một nội dung "gần giống" với bước trước — đủ gần để người dùng không nhận ra sự dịch chuyển — nhưng khi tích lũy, người dùng đã đi từ nội dung chính thống đến nội dung cực đoan mà không hề hay biết.

Avin, Daltrophe và Lotker (2024) đã đưa ra kết luận đáng lo ngại: họ chứng minh toán học rằng trong một số mô hình mạng xã hội, việc phá vỡ hiệu ứng buồng vang bằng các phương pháp quy định thông thường là "bất khả thi". Khi buồng vang đã hình thành, các biện pháp can thiệp nhẹ nhàng — như hiển thị nội dung đa dạng thêm hoặc gắn nhãn thông tin — dễ dàng không đủ để đảo ngược nó. Cần các can thiệp mạnh hơn và có hệ thống hơn.

4.6. Ý nghĩa cho giáo dục

Từ góc nhìn giáo dục, tất cả những phát hiện này đặt ra một câu hỏi cấp bách: làm sao giáo dục đại học nên phát triển tư duy phản biện khi môi trường thông tin mà sinh viên sống trong đó ngày càng bị thu hẹp bởi bong bóng lọc và buồng vang? Nếu sinh viên chủ động tiếp xúc với một bức tranh thông tin đã được lọc và bóp méo, mọi nỗ lực giáo dục tư duy phản biện sẽ phải đối phó không chỉ với thiên lệch nhận thức tự nhiên của con người mà còn với một hệ thống thuật toán được thiết kế để củng cố những thiên lệch đó. Giải pháp không nằm ở việc tách sinh viên khỏi môi trường số — điều đó không thực tế — mà nằm ở việc trang bị cho họ năng lực nhận diện, phản biện và đối phó với các hệ thống thao túng thông tin.

5. Giáo dục đại học trong cơn bão kỹ thuật số

Giữa tất cả những lực lượng — kinh tế chú ý, thuật toán gợi ý, phân mảnh chú ý, bong bóng lọc — giáo dục đại học là nơi chúng hội tụ và tác động trực tiếp nhất. Sinh viên đại học thuộc nhóm nhân khẩu học sử dụng kỹ thuật số tích cực nhất: họ sinh ra và lớn lên trong môi trường số, dành nhiều giờ mỗi ngày trên thiết bị di động, và hầu hết tài liệu học tập của họ đã được số hóa. Nhưng chính điều này khiến họ trở nên dễ bị tổn thương nhất trước những tác động tiêu cực mà nền kinh tế chú ý gây ra.

Nhiều nghiên cứu đã đo lường mức độ sử dụng kỹ thuật số của sinh viên. Tỷ lệ sở hữu smartphone ở sinh viên đại học trên toàn cầu tiếp cận 100%, và thời gian trung bình sử dụng mạng xã hội dao động từ 3 đến 6 giờ mỗi ngày, tùy quốc gia. Montag, Yang và Elhai (2021) trong nghiên cứu về tâm lý sử dụng TikTok phát hiện rằng nền tảng video ngắn này vô cùng thu hút người trẻ nhờ cơ chế đề xuất nội dung siêu cá nhân hóa và tính chất "phần thưởng ngắn" (short-form reward). Mỗi video kéo dài từ 15 giây đến 3 phút, tạo ra một luồng kích thích liên tục mà não bộ xử lý dễ dàng nhưng khó thoát ra.

Tác động đến hành vi học tập đã được ghi nhận rộng rãi. Pérez-Juárez, González-Ortega và Aguiar-Pérez (2023) đã khảo sát sinh viên đại học Tây Ban Nha về trải nghiệm phân tâm kỹ thuật số và phát hiện rằng phần lớn sinh viên thừa nhận sử dụng điện thoại trong giờ học, trong lúc làm bài tập, và ngay cả trong kỳ thi. Họ phân loại các loại phân tâm thành ba nhóm: thông báo mạng xã hội, cuộn nội dung vô định (doomscrolling), và đa nhiệm giữa học tập và giải trí.

Mối liên hệ giữa nghiện điện thoại thông minh và kết quả học tập được củng cố bởi phân tích tổng hợp của Sunday, Adesope và Maarhuis (2021), trong đó tác động tiêu cực được ghi nhận ở nhiều bối cảnh giáo dục và nền văn hóa khác nhau. Nayak (2018) phát hiện tương tự ở sinh viên Ấn Độ, trong khi Alotaubi, Fox và Coman (2022) ghi nhận tỷ lệ nghiện điện thoại đáng kinh ngạc 60% trong mẫu sinh viên Ả Rập Xê Út. Tülübaş, Karakose và Papadakis (2023) củng cố bằng chứng này với dữ liệu đa quốc gia, cho thấy mối liên hệ giữa nghiện kỹ thuật số và suy giảm thành tích học tập không bị giới hạn bởi văn hóa hay khu vực địa lý.

Từ góc độ nhận thức, Skulmowski và Xu (2021) đã phân tích khái niệm "tải nhận thức ngoại lai" (extraneous cognitive load) trong môi trường học trực tuyến. Tải nhận thức ngoại lai là phần công sức tâm lý không đóng góp trực tiếp vào học tập mà bị tiêu hao do các yếu tố không liên quan — như thông báo điện thoại, giao diện phức tạp, hoặc đa nhiệm. Trong lớp học truyền thống, các yếu tố này đã được kiểm soát tương đối tốt. Nhưng khi học trực tuyến trên máy tính hay điện thoại — thiết bị cũng chính là cổng vào mạng xã hội — tải nhận thức ngoại lai tăng lên đáng kể, làm giảm không gian làm việc cho xử lý nội dung học tập thực chất.

Rào cản tự điều chỉnh học tập (self-regulated learning) càng trở nên cấp thiết. Wong, Baars và He (2021) đã nghiên cứu cách hỗ trợ mục tiêu lập kế hoạch để tăng cường tự điều chỉnh trong học trực tuyến. Nghiên cứu của họ cho thấy sinh viên có kỹ năng tự điều chỉnh yếu — rất trong việc lập kế hoạch và theo dõi tiến độ — dễ bị phân tâm bởi môi trường kỹ thuật số hơn nhiều so với sinh viên có kỹ năng tự điều chỉnh mạnh. Scheel, Vladova và Ullrich (2022) phát hiện thêm rằng năng lực kỹ thuật số, khả năng tự tổ chức và kỹ năng học tập độc lập đều ảnh hưởng đến mức độ chấp nhận học trực tuyến, và thiếu hụt ở bất kỳ yếu tố nào cũng dẫn đến kết quả học tập kém hơn.

Deslauriers, McCarty và Miller (2019) đã chỉ ra một nghịch lý quan trọng: sinh viên thường cảm thấy học được nhiều hơn trong lớp giảng truyền thống so với lớp hoạt động tích cực, dù kết quả kiểm tra thực tế cho thấy ngược lại. Sự chênh lệch giữa "cảm giác học" (feeling of learning) và "học thực tế" (actual learning) sẽ được giải thích một phần bởi việc sinh viên trong lớp giảng truyền thống ít bị phân tâm hơn (một người giảng, một nguồn thông tin) trong khi lớp hoạt động tích cực đòi hỏi chuyển đổi liên tục giữa nhiều nguồn — và mỗi lần chuyển đổi đều tạo ra chi phí nhận thức.

Delgado, Vargas và Ackerman (2018) đã thực hiện phân tích tổng quan 54 nghiên cứu so sánh việc đọc trên màn hình và đọc trên giấy. Kết quả: đọc trên giấy cho kết quả hiểu tốt hơn ở hầu hết các nghiên cứu, đáng kể khi yêu cầu tư duy sâu và phân tích phức tạp. Tuy nhiên, chênh lệch giảm đáng kể khi nội dung trên màn hình được thiết kế tốt. Phát hiện này gợi ý rằng điểm nghẽn không phải màn hình tự thân mà là môi trường xung quanh — khi đọc trên thiết bị kết nối Internet, sinh viên liên tục đối mặt với cám dỗ chuyển sang các hoạt động khác.

Wu và Cheng (2019) đã nghiên cứu cách mạng chú ý nhận thức (cognitive attention networks) liên quan đến phân tâm kỹ thuật số trong môi trường học trực tuyến. Họ phát hiện rằng khác biệt giới tính được đóng vai trò — nữ sinh viên có xu hướng tự báo cáo mức độ phân tâm kỹ thuật số cao hơn nhưng thực tế lại kiểm soát chú ý tốt hơn nam sinh viên trong môi trường học trực tuyến. Bergdahl, Nouri và Fors (2019) phát hiện thêm rằng kỹ năng kỹ thuật số không tự động chuyển hóa thành khả năng học tập hiệu quả trong môi trường số — sinh viên có khả năng rất thành thạo công nghệ nhưng lại thiếu khả năng sử dụng công nghệ cho mục đích học tập sâu.

Về sức khỏe tâm lý, Abi-Jaoude, Naylor và Pignatiello (2020) đã tổng hợp bằng chứng về mối liên hệ giữa smartphone, mạng xã hội và sức khỏe tâm lý của thanh niên. Họ cảnh báo rằng bằng chứng hiện có đủ mạnh để coi việc sử dụng mạng xã xã hội quá mức là một yếu tố nguy cơ đối với sức khỏe tâm lý, quan trọng đối với thanh niên đang phát triển về mặt thần kinh. Valkenburg, Meier và Beyens (2022) củng cố lập luận này trong bài tổng quan hệ thống về tác động của mạng xã hội đến sức khỏe tâm thần của thanh niên — phát hiện rằng trong khi mối liên hệ không phải đơn giản nguyên nhân — kết quả, có bằng chứng đủ để các nhà giáo dục coi trọng trăn trở này. Keles, McCrae và Grealish (2019) phát hiện mối liên hệ đáng kể giữa sử dụng mạng xã hội và trầm cảm, lo âu ở thanh niên. Shannon, Bush, Villeneuve và cộng sự (2022) xác nhận rằng "sử dụng mạng xã xã hội có mối bận tâm" (problematic social media use) ảnh hưởng tiêu cực đến nhiều khía cạnh sức khỏe tâm lý của thanh niên và người trẻ. Paulich, Ross, Lessem và cộng sự (2021) trong nghiên cứu dữ liệu ABCD (Adolescent Brain Cognitive Development) phát hiện rằng thời gian sử dụng màn hình có mối liên hệ phức tạp với kết quả tâm lý, xã hội và học thuật ở thanh thiếu niên — không phải đơn giản là "nhiều screen time = tệ" mà phụ thuộc vào loại nội dung và bối cảnh sử dụng.

Mohamed Hashim, Tlemsani và Matthews (2021) đã phân tích chiến lược chuyển đổi số trong giáo dục đại học. Họ cho rằng trong khi chuyển đổi số mang lại nhiều lợi ích — tăng khả năng tiếp cận, cá nhân hóa học tập, và tích hợp công nghệ mới — các chiến lược này thường bỏ qua tác động của môi trường kỹ thuật số đến khả năng dành sức cho và sức khỏe tâm lý của sinh viên. Điểm mù này tạo ra một mâu thuẫn sâu sắc: giáo dục đại học đang số hóa toàn diện trong khi các bằng chứng ngày càng cho thấy môi trường số chính là nguồn gốc của nhiều điểm yếu mà giáo dục cần giải quyết.

Sự chuyển dịch này tạo ra một nghịch lý education-technology: nhà trường trang bị cho sinh viên các công cụ kỹ thuật số để học tập hiệu quả hơn, nhưng chính những công cụ đó lại là cổng vào các hệ thống thu hút sự chú ý được thiết kế để cạnh tranh — và thường chiến thắng — với nội dung học tập. Khi sinh viên mở laptop để làm bài tập nhưng cũng nhiều khả năng truy cập YouTube, TikTok và mạng xã hội cùng một thiết bị, hệ quả cần đoán trước: học tập thua.

5.1. Mức độ sử dụng kỹ thuật số của sinh viên đại học

Sinh viên đại học là nhóm nhân khẩu học sử dụng kỹ thuật số tích cực nhất trong toàn bộ dân số trưởng thành. Tỷ lệ sở hữu smartphone gần 100% ở hầu hết các quốc gia, và thời gian trung bình sử dụng mạng xã hội dao động từ 3 đến 6 giờ mỗi ngày. Dù vậy, con số này chỉ phản ánh sử dụng chủ động — không bao gồm thời gian "tiếp xúc thụ động" khi nội dung mạng xã xã hội hiển thị trên màn hình khóa điện thoại, trong thông báo, hoặc qua lời đề xuất của bạn bè.

Montag, Yang và Elhai (2021) đã nghiên cứu tâm lý sử dụng TikTok — nền tảng đang bùng nổ trong giới trẻ — và phát hiện rằng tính chất "phần thưởng ngắn" (short-form reward) của video ngắn đáng chú ý thu hút người trẻ. Mỗi video kéo dài từ 15 giây đến 3 phút, tạo ra một luồng kích thích liên tục mà não bộ xử lý dễ dàng. Khi nội dung liên tục thay đổi mỗi vài giây, não bộ không có thời gian "chán" — trạng thái chính là tín hiệu để dừng — mà luôn ở trạng thái kích thích mới.

Pérez-Juárez, González-Ortega và Aguiar-Pérez (2023) đã khảo sát chi tiết sinh viên đại học Tây Ban Nha về trải nghiệm phân tâm kỹ thuật số. Phần lớn sinh viên thừa nhận sử dụng điện thoại trong giờ học, trong lúc làm bài tập, và ngay cả trong kỳ thi. Họ phân loại các loại phân tâm thành ba nhóm: thông báo mạng xã xã hội (push notifications từ Facebook, Instagram, TikTok), cuộn nội dung vô định (doomscrolling — lướt mạng xã hội không có mục đích trong thời gian dài), và đa nhiệm giữa học tập và giải trí (thử vừa học vừa xem video).

5.2. Tác động đến hành vi học tập

Mối liên hệ giữa nghiện kỹ thuật số và kết quả học tập đã được chứng minh ở nhiều bối cảnh. Sunday, Adesope và Maarhuis (2021) phân tích tổng hợp 30 nghiên cứu và phát hiện tác động tiêu cực nhất quán — nghiện điện thoại thông minh liên quan đến điểm số thấp hơn, hiệu suất học tập giảm, và thời gian tự học ít hơn. Tülübaş, Karakose và Papadakis (2023) phát hiện tương tự trong mẫu đa quốc gia, cho thấy mối liên hệ không bị giới hạn bởi văn hóa.

Nayak (2018) phát hiện mối liên hệ giữa sử dụng điện thoại, nghiện, và điểm số ở sinh viên Ấn Độ — với vai trò điều chỉnh của giới tính. Alotaibi, Fox và Coman (2022) ghi nhận tỷ lệ nghiện điện thoại 60% ở sinh viên Ả Rập Xê Út, mức cao đáng kinh ngạc, cho thấy thách thức mang tính toàn cầu chứ không chỉ giới hạn ở các quốc gia phát triển.

5.3. Tải nhận thức và học trực tuyến

Skulmowski và Xu (2021) đã phân tích khái niệm "tải nhận thức ngoại lai" (extraneous cognitive load) trong môi trường học trực tuyến. Tải nhận thức ngoại lai là phần công sức tâm lý không đóng góp vào học tập mà bị tiêu hao do các yếu tố không liên quan — như thông báo điện thoại, giao diện phức tạp, hoặc đa nhiệm. Trong lớp học truyền thống, tải nhận thức ngoại lai tương đối thấp. Nhưng khi học trực tuyến trên thiết bị kết nối Internet — nơi mạng xã xã hội chỉ cách một lần nhấp chuột — tải nhận thức ngoại lai tăng đáng kể.

Wu và Cheng (2019) đã nghiên cứu cách mạng chú ý nhận thức liên quan đến phân tâm kỹ thuật số. Họ phát hiện khác biệt giới tính trong cách mạng chú ý hoạt động trong môi trường trực tuyến: nữ sinh viên tự báo cáo mức độ phân tâm cao hơn nhưng thực tế kiểm soát chú ý tốt hơn nam sinh viên. Điểm mù giữa nhận thức và thực tiễn này cho thấy thước đo tự báo cáo được phép không đủ đáng tin cậy để đánh giá mức độ phân tâm nhiều nơi.

Deslauriers, McCarty và Miller (2019) đã chỉ ra một nghịch lý quan trọng về "cảm giác học" và "học theo thực tiễn": sinh viên thường cảm thấy học được nhiều hơn trong lớp giảng truyền thống so với lớp hoạt động tích cực, dù kết quả kiểm tra trên thực địa cho thấy ngược lại. Sự chênh lệch này dễ dàng giải thích một phần bởi môi trường trực tuyến đòi hỏi chuyển đổi liên tục giữa nhiều nguồn thông tin — và mỗi lần chuyển đổi đều tạo ra chi phí nhận thức mà sinh viên không nhận ra.

5.4. Tự điều chỉnh học tập trong môi trường kỹ thuật số

Khả năng tự điều chỉnh học tập (self-regulated learning) — thiết lập mục tiêu, theo dõi tiến độ, và điều chỉnh chiến lược — là yếu tố quyết định thành tích học tập. Wong, Baars và He (2021) đã nghiên cứu cách hỗ trợ tự điều chỉnh trong học trực tuyến và phát hiện sinh viên có kỹ năng tự điều chỉnh yếu dễ bị phân tâm hơn nhiều so với sinh viên có kỹ năng mạnh.

Scheel, Vladova và Ullrich (2022) phát hiện rằng năng lực kỹ thuật số, khả năng tự tổ chức, và kỹ năng học tập độc lập đều ảnh hưởng đến mức độ chấp nhận học trực tuyến. Thiếu hụt ở bất kỳ yếu tố nào cũng dẫn đến kết quả kém hơn — nhưng nổi bật nghiêm trọng khi cả ba yếu tố đều yếu, một tình trạng phổ biến ở sinh viên năm nhất chưa phát triển kỹ năng học tập độc lập.

Bergdahl, Nouri và Fors (2019) phát hiện thêm rằng kỹ năng kỹ thuật số không tự động chuyển hóa thành khả năng học tập hiệu quả trong môi trường số. Sinh viên nên rất thành thạo mạng xã hội và giải trí kỹ thuật số nhưng lại thiếu khả năng sử dụng công nghệ cho mục đích học tập sâu. Sự chênh lệch giữa "năng lực giải trí số" và "năng lực học tập số" là một khó khăn mà giáo dục đại học chưa giải quyết triệt để.

5.5. Đọc trên màn hình và suy giảm hiểu sâu

Delgado, Vargas và Ackerman (2018) đã phân tích tổng quan 54 nghiên cứu so sánh đọc trên màn hình và đọc trên giấy. Kết quả: đọc trên giấy cho kết quả hiểu tốt hơn ở hầu hết các nghiên cứu, thiết yếu khi yêu cầu tư duy sâu và phân tích phức tạp. Mặc dù vậy, chênh lệch giảm khi nội dung trên màn hình được thiết kế tốt. Phát hiện này gợi ý rào cản không phải bản thân màn hình mà là môi trường xung quanh — khi đọc trên thiết bị kết nối Internet, sinh viên liên tục đối mặt với cám dỗ chuyển sang các hoạt động khác.

5.6. Sức khỏe tâm lý và quá tải kích thích

Mối liên hệ giữa sử dụng mạng xã hội và sức khỏe tâm lý là một trong những chủ đề được nghiên cứu nhiều nhất trong tâm lý học thanh niên. Abi-Jaoude, Naylor và Pignatiello (2020) đã tổng hợp bằng chứng và cảnh báo rằng bằng chứng hiện có đủ mạnh để coi sử dụng mạng xã hội quá mức là yếu tố nguy cơ đối với sức khỏe tâm lý thanh niên đang phát triển về mặt thần kinh.

Valkenburg, Meier và Beyens (2022) trong bài tổng quan hệ thống cấp cao nhất (umbrella review) đã phân tích hàng chục bài tổng quan và phát hiện rằng mối liên hệ không phải đơn giản nguyên nhân — kết quả, mà còn phụ thuộc vào loại nội dung, bối cảnh sử dụng, và đặc điểm cá nhân. Thế nhưng, bằng chứng đủ mạnh để các nhà giáo dục coi trọng điểm nghẽn này. Keles, McCrae và Grealish (2019) phát hiện mối liên hệ giữa mạng xã hội và trầm cảm, lo âu. Shannon, Bush, Villeneuve và cộng sự (2022) xác nhận "sử dụng mạng xã hội có trăn trở" ảnh hưởng tiêu cực đến nhiều khía cạnh sức khỏe tâm lý.

Paulich, Ross, Lessem và cộng sự (2021) trong nghiên cứu dữ liệu ABCD phát hiện mối liên hệ phức tạp giữa thời gian sử dụng màn hình và kết quả tâm lý, xã hội, học thuật — không phải "nhiều screen time = tệ" đơn giản mà phụ thuộc vào loại nội dung và bối cảnh. Bên cạnh đó, nhóm nội dung giải trí mạng xã xã hội có mối liên hệ tiêu cực nhất.

5.7. Nghịch lý chuyển đổi số giáo dục

Mohamed Hashim, Tlemsani và Matthews (2021) đã phân tích chiến lược chuyển đổi số giáo dục đại học và phát hiện một mâu thuẫn sâu sắc: các chiến lược số hóa nhấn mạnh lợi ích — tăng khả năng tiếp cận, cá nhân hóa, tích hợp công nghệ — nhưng thường bỏ qua tác động của môi trường kỹ thuật số đến khả năng ưu tiên và sức khỏe tâm lý.

Nghịch lý education-technology rõ ràng: nhà trường trang bị cho sinh viên công cụ kỹ thuật số để học tập, nhưng chính những công cụ đó là cổng vào các hệ thống thu hút sự chú ý được thiết kế để cạnh tranh — và thường chiến thắng — với nội dung học tập. Khi sinh viên mở laptop để làm bài tập nhưng cũng sẽ truy cập YouTube, TikTok, mạng xã xã hội cùng một thiết bị, hệ quả được đoán trước: học tập thua trong cuộc giành giật sự chú ý.

6. Hướng đi — Giải pháp và hàm ý

Trước những thách thức mà nền kinh tế chú ý và thuật toán gợi ý đặt ra cho giáo dục đại học, cần có những can thiệp đa chiều — từ cấp độ cá nhân đến thiết kế hệ thống, từ giáo dục đến chính sách. Không có giải pháp đơn lẻ nào đủ sức đối phó với mối bận tâm phức tạp này, nhưng sự kết hợp của nhiều biện pháp có khả năng tạo ra tác động tích lũy đáng kể.

6.1. Giải pháp cấp độ cá nhân — Kỹ năng tự điều chỉnh

Ở cấp độ cá nhân, sinh viên cần được trang bị kỹ năng tự điều chỉnh hành vi kỹ thuật số. Điều này vượt xa việc đơn giản "giảm thời gian sử dụng điện thoại" — một khuyến nghị thường thất bại vì nó không giải quyết được bản chất tự động của hành vi. Cần có phương pháp tiếp cận dựa trên hiểu biết về cơ chế hành vi: xác định các "điểm kích hoạt" (triggers) dẫn đến sử dụng mạng xã xã hội vô thức, thiết kế môi trường vật lý làm giảm kích hoạt (như để điện thoại ở phòng khác khi học), và xây dựng thói quen "phá vòng lặp" (loop-breaking habits) — những hành động có chủ ý gián đoạn chuỗi sử dụng tự động.

Kozyreva, Lewandowsky và Hertwig (2020) đã đề xuất một khung các công cụ nhận thức để đối phó với thách thức kỹ thuật số, bao gồm kỹ năng đánh giá độ tin cậy của thông tin, khả năng nhận diện thao túng thuật toán, và phương pháp ra quyết định dựa trên bằng chứng thay vì phản xạ cảm xúc. Các công cụ này không thay thế cho năng lực kỹ thuật số truyền thống mà bổ sung cho nó — chúng giúp sinh viên sử dụng công nghệ với nhận thức cao hơn thay vì bị công nghệ dẫn dắt.

6.2. Năng lực truyền thông số — Từ kỹ năng đến tư duy

Giáo dục truyền thông số (media literacy) cần được nâng cấp từ kỹ năng sử dụng công nghệ sang tư duy phản biện về môi trường thông tin. Bulger và Davison (2018) đã phân tích những hứa hẹn, thách thức và tương lai của giáo dục truyền thông số, chỉ ra rằng trong thời đại thuật toán, giáo dục truyền thông cần chuyển từ việc dạy sinh viên "cách sử dụng công cụ" sang việc dạy "cách công cụ sử dụng họ".

Guess, Lerner và Lyons (2020) đã chứng minh rằng một can thiệp giáo dục truyền thông số kỹ thuật số — chỉ trong 6 bài học — đã tăng đáng kể khả năng phân biệt tin tức chính thống và tin giả ở cả người Mỹ lẫn người Ấn Độ. Kết quả này cho thấy giáo dục truyền thông số có hiệu quả thực chứng, nhưng cần được thiết kế hướng tới kỹ năng cụ thể thay vì chỉ cung cấp kiến thức chung.

Cho, Cannon và Lopez (2022) đã đề xuất một khung khái niệm cho "năng lực truyền thông xã hội" (social media literacy) bao gồm ba thành phần: hiểu biết về nền tảng (platform knowledge) — hiểu cách mạng xã hội hoạt động và tạo ra lợi nhuận; năng lực xử lý nội dung (content processing) — khả năng phân tích và đánh giá nội dung; và năng lực tự phản ánh (self-reflection) — khả năng nhận biết và điều chỉnh hành vi sử dụng cá nhân. Khung này nhiều khả năng là cơ sở cho chương trình giáo dục truyền thông số ở bậc đại học.

Valtonen, Tedre và Mäkitalo (2019) đã nâng khung này thêm một bước khi đề xuất giáo dục truyền thông số "trong thời đại học máy" (machine learning). Theo họ, sinh viên cần hiểu không chỉ cách mạng xã xã hội hoạt động mà còn cách thuật toán học máy — cơ sở của các hệ thống gợi ý — tạo ra và khuếch đại nội dung. Khi sinh viên hiểu rằng gợi ý của thuật toán dựa trên hành vi quá khứ chứ không phải "đúng" hay "quan trọng", họ cần tiếp cận nội dung đề xuất với thái độ phản biện hơn.

6.3. Giáo dục ý thức thuật toán

Khái niệm "ý thức thuật toán" (algorithm awareness) mà Gran, Booth và Bucher (2020) đề xuất cần trở thành một phần bắt buộc của giáo dục đại học. Giáo dục này không yêu cầu sinh viên trở thành kỹ sư thuật toán mà cần họ hiểu đủ về cơ chế hoạt động để đưa ra quyết định có ý thức: biết rằng feed không phải "thế giới" mà là "thế giới do thuật toán chọn lọc", biết rằng nội dung xuất hiện vì nó phù hợp với hành vi quá khứ chứ không phải vì nó quan trọng, và biết rằng việc tương tác với nội dung cực đoan sẽ dẫn đến nhiều nội dung cực đoan hơn.

Lazer, Baum, Benkler và cộng sự (2018) trong bài tổng quan về khoa học tin giả đã kêu gọi đầu tư mạnh mẽ vào giáo dục năng lực thông tin và truyền thông để chống lại tin giả. Aïmeur, Amri và Brassard (2023) đã cập nhật kêu gọi này với các khuyến nghị cụ thể cho từng loại thông tin sai lệch — từ tin giả có chủ ý (disinformation) đến thông tin sai không cố ý (misinformation) và nội dung thao túng (manipulated content).

Walter (2024) đã đề xuất kết hợp giáo dục truyền thông số với giáo dục trí tuệ nhân tạo, nhấn mạnh tầm quan trọng của kỹ năng tư duy phản biện (critical thinking) trong kỷ nguyên AI. Theo ông, sinh viên cần không chỉ biết cách sử dụng công cụ AI mà còn biết cách đánh giá và phản biện kết quả do AI tạo ra — bao gồm cả các hệ thống gợi ý nội dung.

6.4. Giải pháp cấp độ thiết kế — Công nghệ nhân văn

Ở cấp độ thiết kế, cần có sự thay đổi từ "thiết kế thao túng" sang "thiết kế nhân văn" (humane technology). Gray, Kou và Battles (2018) đã phân tích "mặt tối" của thiết kế trải nghiệm người dùng — các "dark pattern" được thiết kế có chủ ý để thao túng người dùng vào các hành động có lợi cho nền tảng (như tiếp tục cuộn, không hủy đăng ký, hoặc chia sẻ nội dung). Susser, Roessler và Nissenbaum (2019) đã phân tích mối quan hệ giữa công nghệ, tự chủ và thao túng, chỉ ra rằng nhiều thiết kế kỹ thuật số hiện nay vi phạm nguyên tắc tự chủ cá nhân mà không bị người dùng nhận biết.

Oinas-Kukkonen và Harjumaa (2009) từ góc nhìn tích cực đã đề xuất khung thiết kế hệ thống thuyết phục (persuasive systems design) được phép được sử dụng cho mục đích tốt — thúc đẩy hành vi lành mạnh thay vì thao túng. Khung này bao gồm các nguyên tắc thiết kế minh bạch và tôn trọng tự chủ, dễ dàng được áp dụng để tái thiết kế các tính năng hiện đang bị sử dụng cho mục đích thu hút chú ý vô điều kiện.

Holmes, Porayska-Pomsta và Holstein (2022) đã xây dựng một khung đạo đức cho AI trong giáo dục, trong đó bao gồm nguyên tắc minh bạch, công bằng, và tôn quyền con người. Khung này nên được mở rộng để bao gồm cả các hệ thống thuật toán không nằm trong lớp học nhưng ảnh hưởng đến hành vi học tập của sinh viên.

6.5. Giải pháp cấp độ chính sách — Quản trị nền tảng

Ở cấp độ chính sách, cần có những quy định yêu cầu minh bạch thuật toán — buộc các nền tảng công bố nguyên tắc cơ bản của hệ thống gợi ý và cho phép người dùng kiểm soát cách nội dung được đề xuất. Bonina, Koskinen và Eaton (2021) đã phân tích các nền tảng kỹ thuật số cho phát triển và kêu gọi các khung quản trị mới phù hợp với trong thực tiễn nền tảng số. De Kloet, Poell và Zeng (2019) đã phân tích quá trình "nền tảng hóa xã hội Trung Quốc" — cho thấy cách công nghệ nền tảng biến đổi cơ sở hạ tầng, quản trị và thực hành xã hội — và cảnh báo về các xu hướng tương tự ở cấp độ toàn cầu.

Quản trị nền tảng không chỉ là điểm yếu nội bộ của ngành công nghệ mà còn là thách thức giáo dục. Khi các nền tảng số quyết định phần lớn thông tin mà sinh viên tiếp xúc, chúng thực chất đang đóng vai trò "giáo viên ngầm" — dù không ai bầu cho chúng và không ai giám sát chương trình giảng dạy của chúng.

6.6. Hàm ý cho giáo dục đại học

Giáo dục đại học cần đưa năng lực số phản biện — không chỉ kỹ năng sử dụng công nghệ — vào chương trình đào tạo. Điều này sẽ thực hiện dưới dạng các khóa học độc lập về năng lực truyền thông số và ý thức thuật toán, hoặc tích hợp vào các môn học hiện có dưới dạng "điều kiện tiên quyết số" (digital prerequisite).

Mohamed Hashim, Tlemsani và Matthews (2021) đã phân tích chiến lược chuyển đổi số trong giáo dục đại học và khuyến nghị rằng các chiến lược này cần cân bằng giữa lợi ích của công nghệ và tác động đến sức khỏe nhận thức của sinh viên. Heitmayer (2024) củng cố khung phân tích này khi chỉ ra rằng trong "làn sóng thứ hai của kinh tế chú ý", giáo dục cần nhận diện và đối phó với việc sự chú ý đã trở thành "đồng tiền biểu tượng phổ quát" — và sinh viên đang trả đồng tiền này mỗi ngày.

Bhargava và Velasquez (2020) kêu gọi một cách tiếp cận đạo đức đối với nền kinh tế chú ý — trong đó lợi ích của nền tảng không được xây dựng trên sự bào mòn phúc lợi của người dùng. Kozyreva, Lewandowsky và Hertwig (2020) cung cấp các công cụ cụ thể để thực thi cách tiếp cận này.

Kết luận, nền kinh tế chú ý và thuật toán gợi ý không phải là khó khăn kỹ thuật mà là rào cản giáo dục, sức khỏe cộng đồng và dân chủ. Giáo dục đại học — nơi đào tạo thế hệ lãnh đạo và chuyên gia tương lai — có trách nhiệm vô cùng trong việc trang bị sinh viên với năng lực hiểu, phản biện và đối phó với những lực lượng đang định hình cách họ nghĩ, học và sống. Điểm nghẽn không nằm ở công nghệ — công nghệ là công cụ — mà nằm ở việc con người chưa được trang bị đủ năng lực để sống trong thế giới do công nghệ định hình.

6.1. Giải pháp cấp độ cá nhân — Phá vỡ vòng lặp

Ở cấp độ cá nhân, sinh viên cần kỹ năng tự điều chỉnh hành vi kỹ thuật số — không chỉ "giảm thời gian điện thoại" mà thay đổi cách tương tác với môi trường kỹ thuật số. Kozyreva, Lewandowsky và Hertwig (2020) đã đề xuất một khung công cụ nhận thức cụ thể: kỹ năng đánh giá độ tin cậy thông tin, nhận diện thao túng thuật toán, và phương pháp ra quyết định dựa trên bằng chứng thay vì phản xạ cảm xúc. Các kỹ năng này bổ sung cho năng lực kỹ thuật số truyền thống, giúp sinh viên sử dụng công nghệ với nhận thức cao hơn thay vì bị công nghệ dẫn dắt.

Chiến lược cụ thể bao gồm: xác định "điểm kích hoạt" (triggers) dẫn đến sử dụng mạng xã xã hội vô thức; thiết kế môi trường vật lý giảm kích hoạt — để điện thoại ở phòng khác khi học, tắt thông báo khi làm bài tập; xây dựng "phá vòng lặp" (loop-breaking habits) — hành động có chủ ý gián đoạn chuỗi sử dụng tự động; và sử dụng các công cụ digital wellbeing — ứng dụng theo dõi thời gian sử dụng, chế độ focus, bộ lọc nội dung.

6.2. Năng lực truyền thông số — Từ kỹ năng đến tư duy phản biện

Bulger và Davison (2018) phân tích tương lai của giáo dục truyền thông số và nhấn mạnh cần chuyển từ dạy "cách sử dụng công cụ" sang dạy "cách công cụ sử dụng người dùng". Guess, Lerner và Lyons (2020) chứng minh rằng chỉ sáu bài học giáo dục truyền thông số đã tăng đáng kể khả năng phân biệt tin tức chính thống và tin giả ở người Mỹ lẫn người Ấn Độ. Kết quả cho thấy giáo dục truyền thông số có hiệu quả thực chứng rõ ràng.

Cho, Cannon và Lopez (2022) đề xuất khung "năng lực truyền thông xã hội" ba thành phần: hiểu biết nền tảng (platform knowledge) — hiểu cách mạng xã hội hoạt động và tạo lợi nhuận; năng lực xử lý nội dung (content processing) — phân tích và đánh giá nội dung; và năng lực tự phản ánh (self-reflection) — nhận biết và điều chỉnh hành vi sử dụng.

Valtonen, Tedre và Mäkitalo (2019) nâng khung này thêm khi đề xuất giáo dục truyền thông số "trong thời đại học máy" — sinh viên cần hiểu cách thuật toán học máy tạo ra và khuếch đại nội dung. Khi sinh viên hiểu rằng gợi ý dựa trên hành vi quá khứ chứ không phải "đúng" hay "quan trọng", họ tiếp cận nội dung đề xuất với thái độ phản biện hơn.

Walter (2024) kết nối giáo dục truyền thông số với giáo dục AI, nhấn mạnh tầm quan trọng tư duy phản biện trong kỷ nguyên AI — sinh viên cần biết cách đánh giá kết quả do AI tạo ra, bao gồm hệ thống gợi ý nội dung.

6.3. Giáo dục ý thức thuật toán

Khái niệm "ý thức thuật toán" (algorithm awareness) mà Gran, Booth và Bucher (2020) đề xuất cần trở thành phần bắt buộc của giáo dục đại học. Giáo dục này không yêu cầu sinh viên trở thành kỹ sư thuật toán mà cần họ hiểu đủ về cơ chế để đưa ra quyết định có ý thức: biết feed không phải "thế giới" mà là "thế giới do thuật toán chọn"; biết nội dung xuất hiện vì phù hợp hành vi quá khứ chứ không phải vì quan trọng; biết tương tác với nội dung cực đoan sẽ dẫn đến nhiều nội dung cực đoan hơn.

Lazer, Baum, Benkler và cộng sự (2018) kêu gọi đầu tư mạnh vào giáo dục năng lực thông tin để chống tin giả. Aïmeur, Amri và Brassard (2023) cập nhật kêu gọi này với khuyến nghị cụ thể cho từng loại thông tin sai lệch.

6.4. Công nghệ nhân văn — Thiết kế tôn trọng tự chủ

Gray, Kou và Battles (2018) phân tích "mặt tối" của thiết kế trải nghiệm — các dark pattern được thiết kế thao túng người dùng. Susser, Roessler và Nissenbaum (2019) phân tích mối quan hệ công nghệ, tự chủ và thao túng — nhiều thiết kế kỹ thuật số vi phạm nguyên tắc tự chủ mà người dùng không nhận biết.

Oinas-Kukkonen và Harjumaa (2009) đề xuất khung thiết kế hệ thống thuyết phục (persuasive systems design) được được sử dụng cho mục đích tốt — thúc đẩy hành vi lành mạnh thay vì thao túng. Khung này bao gồm nguyên tắc minh bạch và tôn trọng tự chủ. Holmes, Porayska-Pomsta và Holstein (2022) xây dựng khung đạo đức AI trong giáo dục, có khả năng mở rộng cho các hệ thống ảnh hưởng hành vi học tập.

6.5. Quản trị nền tảng — Minh bạch và kiểm soát

Bonina, Koskinen và Eaton (2021) phân tích các nền tảng kỹ thuật số cho phát triển và kêu gọi khung quản trị mới. De Kloet, Poell và Zeng (2019) phân tích quá trình "nền tảng hóa xã hội Trung Quốc" — cách công nghệ nền tảng biến đổi cơ sở hạ tầng và quản trị xã hội — và cảnh báo xu hướng tương tự ở cấp toàn cầu.

Quản trị nền tảng không chỉ là trăn trở nội dung ngành công nghệ mà còn là mối bận tâm giáo dục. Khi các nền tảng quyết định phần lớn thông tin sinh viên tiếp xúc, chúng thực chất đóng vai trò "giáo viên ngầm" — không ai bầu cho chúng, không ai giám sát chương trình giảng dạy. Các quy định yêu cầu minh bạch thuật toán — buộc nền tảng công bố nguyên tắc cơ bản hệ thống gợi ý — là điều kiện cần thiết để giáo dục đại học thực hiện sứ mệnh trong kỷ nguyên thuật toán.

6.6. Hàm ý cho giáo dục đại học

Giáo dục đại học cần đưa năng lực số phản biện — không chỉ kỹ năng sử dụng công nghệ — vào chương trình đào tạo. Điều này nhiều khả năng thực hiện dưới dạng khóa học độc lập hoặc tích hợp vào các môn học hiện có dưới dạng "điều kiện tiên quyết số" (digital prerequisite).

Mohamed Hashim, Tlemsani và Matthews (2021) khuyến nghị chiến lược chuyển đổi số giáo dục cần cân bằng giữa lợi ích công nghệ và tác động nhận thức. Heitmayer (2024) chỉ ra rằng trong "làn sóng thứ hai kinh tế chú ý", giáo dục cần nhận diện cách sự chú ý trở thành "đồng tiền biểu tượng phổ quát". Bhargava và Velasquez (2020) kêu gọi cách tiếp cận đạo đức nền kinh tế chú ý — lợi ích nền tảng không được xây dựng trên sự bào mòn phúc lợi người dùng.

Nền kinh tế chú ý và thuật toán gợi ý không phải điểm yếu kỹ thuật mà là thách thức giáo dục, sức khỏe cộng đồng và dân chủ. Giáo dục đại học — nơi đào tạo thế hệ lãnh đạo và chuyên gia tương lai — có trách nhiệm rất trong việc trang bị sinh viên năng lực hiểu, phản biện và đối phó với những lực lượng đang định hình cách họ nghĩ, học và sống. Khó khăn không nằm ở công nghệ — công nghệ là công cụ — mà nằm ở việc con người chưa được trang bị đủ năng lực để sống trong thế giới do công nghệ định hình.

Tài liệu tham khảo

Abi-Jaoude, E., Naylor, K. T. & Pignatiello, A. (2020). Smartphones, social media use and youth mental health. CMAJ, 192(4), E101–E105. DOI: 10.1503/cmaj.190434

Aagaard, J. (2018). Multitasking as distraction: A conceptual analysis of media multitasking research. European Journal of Psychology, 14(4), 886–899. DOI: 10.1177/0959354318815766

Aïmeur, E., Amri, S. & Brassard, G. (2023). Fake news, disinformation and misinformation in social media: a review. SN Computer Science, 4, 528. DOI: 10.1007/s13278-023-01028-5

Allcott, H., Braghieri, L. & Eichmeyer, S. (2020). The Welfare Effects of Social Media. American Economic Review, 110(3), 629–676. DOI: 10.1257/aer.20190658

Alotaibi, M., Fox, M. & Coman, R. (2022). Smartphone Addiction Prevalence and Its Association on Academic Performance, Physical Health, and Mental Well-Being among University Students. International Journal of Environmental Research and Public Health, 19(6), 3710. DOI: 10.3390/ijerph19063710

Arnold, M., Goldschmitt, M. & Rigotti, T. (2023). Dealing with information overload: a comprehensive review. Frontiers in Psychology, 14, 1122200. DOI: 10.3389/fpsyg.2023.1122200

Avin, C., Daltrophe, H. & Lotker, Z. (2024). On the impossibility of breaking the echo chamber effect in social media using regulation. Scientific Reports, 14, 11295. DOI: 10.1038/s41598-023-50850-6

Bergdahl, N., Nouri, J. & Fors, U. (2019). Disengagement, engagement and digital skills in technology-enhanced learning. Education and Information Technologies, 25, 2075–2095. DOI: 10.1007/s10639-019-09998-w

Bhargava, V. R. & Velasquez, M. (2020). Ethics of the Attention Economy: The Problem of Social Media Addiction. Business Ethics Quarterly, 30(2), 229–252. DOI: 10.1017/beq.2020.32

Bhuiyan, M. M., Bautista Isaza, C. A. & Mitra, T. (2022). OtherTube: Facilitating Content Discovery and Reflection by Exchanging YouTube Recommendations with Strangers. Proceedings of the ACM on Human-Computer Interaction, 6(CSCW2). DOI: 10.1145/3491102.3502028

Bonina, C., Koskinen, K. & Eaton, B. (2021). Digital platforms for development: Foundations and research agenda. Information Systems Journal, 32(3), 476–510. DOI: 10.1111/isj.12326

Bryant, L. V. (2020). The YouTube Algorithm and the Alt-Right Filter Bubble. Open Information Science, 4(1), 37–56. DOI: 10.1515/opis-2020-0007

Bulger, M. & Davison, P. (2018). The Promises, Challenges, and Futures of Media Literacy. Journal of Media Literacy Education, 10(1), 1–10. DOI: 10.23860/jmle-2018-10-1-1

Burrell, J. & Fourcade, M. (2021). The Society of Algorithms. Annual Review of Sociology, 47, 365–390. DOI: 10.1146/annurev-soc-090820-020800

Cardenal, A. S., Aguilar-Paredes, C. & Galais, C. (2019). Digital Technologies and Selective Exposure: How Choice and Filter Bubbles Shape News Media Exposure. The International Journal of Press/Politics, 25(3), 497–517. DOI: 10.1177/1940161219862988

Cho, H., Cannon, J. & Lopez, R. (2022). Social media literacy: A conceptual framework. New Media & Society, 25(6), 1307–1326. DOI: 10.1177/14614448211068530

De Kloet, J., Poell, T. & Zeng, G. (2019). The platformization of Chinese Society: infrastructure, governance, and practice. International Journal of Communication, 13, 3020–3039. DOI: 10.1080/17544750.2019.1644008

Dekker, C. A., Baumgartner, S. E. & Sumter, S. R. (2025). For you vs. for everyone: The effectiveness of algorithmic personalization in driving social media engagement. Telematics and Informatics, 114, 102300. DOI: 10.1016/j.tele.2025.102300

Delgado, P., Vargas, C. & Ackerman, R. (2018). Don't throw away your printed books: A meta-analysis on the effects of reading media on reading comprehension. Educational Research Review, 25, 23–33. DOI: 10.1016/j.edurev.2018.09.003

Deslauriers, L., McCarty, L. S. & Miller, K. (2019). Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. Proceedings of the National Academy of Sciences, 116(39), 19251–19257. DOI: 10.1073/pnas.1821936116

Du, J., Kerkhof, P. & van Koningsbruggen, G. M. (2019). Predictors of Social Media Self-Control Failure: Immediate Gratifications, Habitual Checking, Ubiquity, and Notifications. Cyberpsychology, Behavior, and Social Networking, 22(5), 334–340. DOI: 10.1089/cyber.2018.0730

Firth, J., Torous, J. & Stubbs, B. (2019). The 'online brain': how the Internet may be changing our cognition. World Psychiatry, 18(2), 119–129. DOI: 10.1002/wps.20617

Gao, Y., Liu, F. & Gao, L. (2023). Echo chamber effects on short video platforms. Scientific Reports, 13, 12608. DOI: 10.1038/s41598-023-33370-1

Geschke, D., Lorenz, J. & Holtz, P. (2018). The triple-filter bubble: Using agent-based modelling to test a meta-theoretical framework for the emergence of filter bubbles and echo chambers. British Journal of Social Psychology, 58(1), 129–149. DOI: 10.1111/bjso.12286

Gran, A.-B., Booth, P. & Bucher, T. (2020). To be or not to be algorithm aware: a question of a new digital divide? Information, Communication & Society, 24(1), 150–167. DOI: 10.1080/1369118x.2020.1736124

Gray, C. M., Kou, Y. & Battles, B. (2018). The Dark (Patterns) Side of UX Design. Proceedings of the 2018 CHI Conference. DOI: 10.1145/3173574.3174108

Guess, A. M., Lerner, M. & Lyons, B. (2020). A digital media literacy intervention increases discernment between mainstream and false news in the United States and India. Proceedings of the National Academy of Sciences, 117(27), 15536–15545. DOI: 10.1073/pnas.1920498117

Hartmann, D., Wang, S. M. & Pohlmann, L. (2025). A systematic review of echo chamber research: comparative analysis of conceptualizations, operationalizations, and varying outcomes. Computational Communication Research, 7. DOI: 10.1007/s42001-025-00381-z

Heitmayer, M. (2024). The Second Wave of Attention Economics. Attention as a Universal Symbolic Currency on Social Media and Beyond. Journal of the Association for Information Science and Technology, 75(10), iwe035. DOI: 10.1093/iwc/iwae035

Holmes, W., Porayska-Pomsta, K. & Holstein, K. (2022). Ethics of AI in Education: Towards a Community-Wide Framework. International Journal of Artificial Intelligence in Education, 32, 418–436. DOI: 10.1007/s40593-021-00239-1

Kitchens, B., Johnson, S. L. & Gray, P. (2020). Understanding Echo Chambers and Filter Bubbles: The Impact of Social Media on Diversification and Partisan Shifts in News Consumption. MIS Quarterly, 44(4), 1635–1658. DOI: 10.25300/misq/2020/16371

Klug, D., Qin, Y. & Evans, M. (2021). Trick and Please. A Mixed-Method Study On User Assumptions About the TikTok Algorithm. Proceedings of the 2021 CHI Conference. DOI: 10.1145/3447535.3462512

Kozyreva, A., Lewandowsky, S. & Hertwig, R. (2020). Citizens Versus the Internet: Confronting Digital Challenges With Cognitive Tools. Psychological Science in the Public Interest, 21(3), 103–156. DOI: 10.1177/1529100620946707

Lazer, D. M. J., Baum, M. A., Benkler, Y. et al. (2018). The science of fake news. Science, 359(6380), 1094–1096. DOI: 10.1126/science.aao2998

Li, T., Wang, S. & Zhou, D. (2025). Consumer attention and market concentration in e-commerce: an agent-based perspective. Journal of Economic Psychology, 100, 10443–10443. DOI: 10.1007/s11403-025-00443-5

Loomba, S., de Figueiredo, A., Piatek, S. J. et al. (2021). Measuring the impact of COVID-19 vaccine misinformation on vaccination intent in the UK and USA. Nature Human Behaviour, 5, 337–343. DOI: 10.1038/s41562-021-01056-1

Lupinacci, L. (2020). 'Absentmindedly scrolling through nothing': liveness and compulsory continuous connectedness in social media. Media, Culture & Society, 42(5), 871–887. DOI: 10.1177/0163443720939454

Modgil, S., Singh, R. K. & Gupta, S. (2021). A Confirmation Bias View on Social Media Induced Polarisation During Covid-19. Information Systems Frontiers, 24, 715–738. DOI: 10.1007/s10796-021-10222-9

Mohamed Hashim, M. A., Tlemsani, I. & Matthews, R. (2021). Higher education strategy in digital transformation. Education and Information Technologies, 27, 4837–4853. DOI: 10.1007/s10639-021-10739-1

Montag, C., Yang, H. & Elhai, J. D. (2021). On the Psychology of TikTok Use: A First Glimpse From Empirical Findings. Frontiers in Public Health, 9, 641673. DOI: 10.3389/fpubh.2021.641673

Möller, J., Trilling, D. & Helberger, N. (2018). Do not blame it on the algorithm: an empirical assessment of multiple recommender systems and their impact on content diversity. Information, Communication & Society, 21(7), 959–977. DOI: 10.1080/1369118x.2018.1444076

Mujica, A., Crowell, C. & Villano, M. (2022). Addiction by Design: Some Dimensions and Challenges of Excessive Social Media Use. Media Research and Methods, 10(2), 2677. DOI: 10.18103/mra.v10i2.2677

Nayak, J. K. (2018). Relationship among smartphone usage, addiction, academic performance and the moderating role of gender. Computers in Human Behavior, 78, 150–158. DOI: 10.1016/j.compedu.2018.05.007

Nguyen, C. T. (2018). Echo Chambers and Epistemic Bubbles. Episteme, 17(2), 141–161. DOI: 10.1017/epi.2018.32

Nieborg, D. B. & Poell, T. (2018). The platformization of cultural production: Theorizing the contingent cultural commodity. New Media & Society, 20(11), 4275–4292. DOI: 10.1177/1461444818769694

Oinas-Kukkonen, H. & Harjumaa, M. (2009). Persuasive Systems Design: Key Issues, Process Model, and System Features. Communications of the Association for Information Systems, 24(28), 485–500. DOI: 10.17705/1cais.02428

Parry, D. A., Davidson, B. I. & Sewall, C. J. R. (2021). A systematic review and meta-analysis of discrepancies between logged and self-reported digital media use. Nature Human Behaviour, 5, 1375–1385. DOI: 10.1038/s41562-021-01117-5

Paulich, K. N., Ross, J. M., Lessem, J. M. et al. (2021). Screen time and early adolescent mental health, academic, and social outcomes in 9- and 10-year old children. PLoS ONE, 16(4), e0256591. DOI: 10.1371/journal.pone.0256591

Pérez-Juárez, M. Á., González-Ortega, D. & Aguiar-Pérez, J. M. (2023). Digital Distractions from the Point of View of Higher Education Students. Sustainability, 15(7), 6044. DOI: 10.3390/su15076044

Roetzel, P. G. (2018). Information overload in the information age: a review of the literature from business administration, business psychology, and related disciplines. The Electronic Journal of Knowledge Management, 17(1), 1–18. DOI: 10.1007/s40685-018-0069-z

Scheel, L., Vladova, G. & Ullrich, A. (2022). The influence of digital competences, self-organization, and independent learning abilities on students' acceptance of digital learning. International Journal of Educational Technology in Higher Education, 19, 44. DOI: 10.1186/s41239-022-00350-w

Shannon, H., Bush, K., Villeneuve, P. J. et al. (2022). Problematic Social Media Use in Adolescents and Young Adults: Systematic Review and Meta-analysis. Canadian Journal of Psychiatry, 67(5), 350–356. DOI: 10.2196/33450

Shanmugasundaram, M. & Tamilarasu, A. (2023). The impact of digital technology, social media, and artificial intelligence on cognitive functions: a review. Frontiers in Computational Neuroscience, 17, 1203077. DOI: 10.3389/fcogn.2023.1203077

Skulmowski, A. & Xu, K. M. (2021). Understanding Cognitive Load in Digital and Online Learning: a New Perspective on Extraneous Cognitive Load. Educational Psychology Review, 34, 23. DOI: 10.1007/s10648-021-09624-7

Sunday, O. J., Adesope, O. O. & Maarhuis, P. L. (2021). The effects of smartphone addiction on learning: A meta-analysis. Current Psychology, 42, 100114. DOI: 10.1016/j.chbr.2021.100114

Susser, D., Roessler, B. & Nissenbaum, H. (2019). Technology, autonomy, and manipulation. Internet Policy Review, 8(2), 39. DOI: 10.14763/2019.2.1410

Swart, J. (2021). Experiencing Algorithms: How Young People Understand, Feel About, and Engage With Algorithmic News Selection on Social Media. Social Media + Society, 7(2). DOI: 10.1177/20563051211008828

Thurman, N., Lewis, S. C. & Kunert, J. (2019). Algorithms, Automation, and News. Digital Journalism, 7(8), 980–992. DOI: 10.1080/21670811.2019.1685395

Tülübaş, T., Karakose, T. & Papadakis, S. (2023). A Holistic Investigation of the Relationship between Digital Addiction and Academic Achievement among Students. European Journal of Investigation in Health, Psychology and Education, 13(1), 143. DOI: 10.3390/ejihpe13100143

Valkenburg, P. M., Meier, A. & Beyens, I. (2022). Social media use and its impact on adolescent mental health: An umbrella review of the evidence. Current Opinion in Psychology, 44, 58–68. DOI: 10.1016/j.copsyc.2021.08.017

Valtonen, T., Tedre, M. & Mäkitalo, K. (2019). Media Literacy Education in the Age of Machine Learning. Journal of Media Literacy Education, 11(2), 14–27. DOI: 10.23860/jmle-2019-11-2-2

Walter, Y. (2024). Embracing the future of Artificial Intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking. Smart Learning Environments, 11, 48. DOI: 10.1186/s41239-024-00448-3

Whittaker, J., Looney, S. & Reed, A. (2021). Recommender systems and the amplification of extremist content. Internet Policy Review, 10(2), 30. DOI: 10.14763/2021.2.1565

Wiradhany, W., Baumgartner, S. & de Bruin, A. (2021). Exploitation–Exploration Model of Media Multitasking. Media Psychology, 24(4), 628–647. DOI: 10.1027/1864-1105/a000303

Wong, J., Baars, M. & He, M. (2021). Facilitating goal setting and planning to enhance online self-regulation of learning. Computers in Human Behavior, 125, 106913. DOI: 10.1016/j.chb.2021.106913

Wu, J.-Y. & Cheng, T. (2019). Who is better adapted in learning online within the personal learning environment? Relating gender differences in cognitive attention networks to digital distraction. Computers & Education, 137, 17–35. DOI: 10.1016/j.compedu.2018.08.016

Yousef, A. M. F., Alshamy, A. & Tlili, A. (2025). Demystifying the New Dilemma of Brain Rot in the Digital Era: A Review. Brain Sciences, 15(3), 283. DOI: 10.3390/brainsci15030283