Trung tâm nghiên cứu sáng tạo về công nghệ giáo dục

Quản trị dữ liệu (data governance) là nền tảng không thể thiếu cho chuyển đổi số trong giáo dục đại học. Bài viết phân tích các mô hình quản trị dữ liệu quốc tế, đề xuất Khung UDGF-V phù hợp với bối cảnh Việt Nam, và trình bày lộ trình triển khai ba giai đoạn với các giải pháp thực tiễn.

Tóm tắt: Bài viết phân tích các mô hình quản trị dữ liệu trong bối cảnh chuyển đổi số giáo dục đại học, với trọng tâm đặc biệt vào thực tiễn Việt Nam. Trên cơ sở tổng luận các nghiên cứu quốc tế và chính sách quốc gia, bài viết xem xét các mô hình cấu trúc quản trị (tập trung, phân tán, hỗn hợp), khung lý thuyết từ DAMA DMBOK đến các nghiên cứu chuyên biệt về giáo dục đại học, những thách thức về quyền riêng tư, đạo đức phân tích học tập và an ninh dữ liệu, cùng với các ứng dụng thực tiễn như phân tích học tập và quản lý dữ liệu nghiên cứu. Từ phân tích đó, bài viết đề xuất Khung Quản trị Dữ liệu Đại học Việt Nam (UDGF-V) với bốn trụ cột — Thể chế & Chính sách, Tổ chức & Con người, Hạ tầng & Công nghệ, và Văn hóa & Năng lực Số — cùng lộ trình triển khai ba giai đoạn. Kết quả phân tích cho thấy quản trị dữ liệu hiệu quả không phải là dự án kỹ thuật mà là chuyển đổi tổ chức toàn diện, đòi hỏi cam kết từ cấp lãnh đạo chiến lược đến vận hành hàng ngày.

Từ khóa: quản trị dữ liệu, giáo dục đại học, chuyển đổi số, bảo vệ dữ liệu cá nhân, phân tích học tập, UDGF-V, Việt Nam

PHẦN 1: GIỚI THIỆU VÀ CƠ SỞ LÝ LUẬN

1.1. Lời dẫn: Khi dữ liệu trở thành tài nguyên sống còn

Năm 2019, một trường đại học lớn tại Hoa Kỳ phải đối mặt với một sự cố tưởng chừng nhỏ: hệ thống tuyển sinh từ chối nhập học một nhóm sinh viên vì dữ liệu hồ sơ không khớp giữa ba hệ thống khác nhau — hệ thống nộp đơn trực tuyến, hệ thống quản lý học bổng và hệ thống lưu trữ bằng cấp. Ba hệ thống cùng tồn tại nhưng không "nói chuyện" được với nhau vì không có chuẩn dữ liệu chung, không có đơn vị nào chịu trách nhiệm đồng bộ, và không có quy trình xử lý xung đột dữ liệu. Hậu quả không chỉ là sự cố kỹ thuật mà còn là thiệt hại về uy tín và nguy cơ tranh chấp pháp lý.

Câu chuyện đó không phải ngoại lệ. Ở Việt Nam, hàng chục trường đại học đã và đang đầu tư mạnh vào số hóa — từ phần mềm quản lý đào tạo, hệ thống thư viện số đến nền tảng học tập trực tuyến — nhưng phần lớn vẫn vận hành theo mô hình "đảo dữ liệu": mỗi phòng ban, mỗi hệ thống giữ dữ liệu riêng, không kết nối, không chia sẻ, và không có ai chịu trách nhiệm tổng thể về chất lượng và an toàn dữ liệu của toàn trường.

Đây chính là lý do vì sao quản trị dữ liệu (data governance) — không phải công nghệ, không phải phần cứng, không phải phần mềm — đang trở thành vấn đề cốt lõi của chuyển đổi số trong giáo dục đại học. Benavides et al. (2020), trong nghiên cứu tổng hợp về chuyển đổi số tại các trường đại học, xác nhận rằng thất bại trong chuyển đổi số hiếm khi đến từ thiếu công nghệ — phần lớn bắt nguồn từ thiếu khung quản trị dữ liệu và năng lực con người.

Bài viết này phân tích các mô hình quản trị dữ liệu phù hợp với bối cảnh đại học, đặc biệt là các trường đại học tại Việt Nam, trong điều kiện chuyển đổi số đang diễn ra mạnh mẽ theo định hướng của Quyết định 131/QĐ-TTg (2022) và Nghị quyết 52-NQ/TW (2019). Mục tiêu không phải là đề xuất một "mô hình toàn cầu" áp dụng được cho tất cả, mà là xây dựng khung phân tích giúp mỗi trường đại học thiết kế hệ thống quản trị dữ liệu phù hợp với quy mô, sứ mệnh và bối cảnh pháp lý riêng của mình.

1.2. Bối cảnh chuyển đổi số trong giáo dục đại học Việt Nam

Chuyển đổi số giáo dục đại học Việt Nam đang diễn ra trong một khuôn khổ chính sách ngày càng rõ ràng. Nghị quyết 52-NQ/TW năm 2019 của Bộ Chính trị đặt nền tảng chiến lược cho việc tham gia Cách mạng công nghiệp lần thứ tư, xác định chuyển đổi số như một trong những ưu tiên quốc gia. Năm 2020, Chương trình Chuyển đổi số Quốc gia theo Quyết định 749/QĐ-TTg đề ra mục tiêu cụ thể cho từng lĩnh vực, trong đó giáo dục được xác định là một trong tám lĩnh vực ưu tiên. Đến năm 2022, Quyết định 131/QĐ-TTg phê duyệt Đề án tăng cường ứng dụng CNTT và chuyển đổi số trong giáo dục giai đoạn 2022–2025, đặt ra các chỉ tiêu cụ thể về số hóa tài liệu, triển khai học liệu điện tử và kết nối dữ liệu.

Song song với khung chính sách, Thông tư 09/2021/TT-BGDĐT quy định về quản lý và vận hành Hệ thống cơ sở dữ liệu ngành Giáo dục tạo ra yêu cầu pháp lý đầu tiên buộc các cơ sở giáo dục phải chuẩn hóa và kết nối dữ liệu với hệ thống quốc gia. Đây là bước tiến quan trọng, nhưng cũng là lúc nhiều trường đại học nhận ra rằng họ chưa có nền tảng quản trị dữ liệu đủ vững để đáp ứng yêu cầu này.

Giang, Hai và Tu (2021) nghiên cứu mức độ sẵn sàng chuyển đổi số tại một trường đại học Việt Nam theo định hướng Cách mạng công nghiệp 4.0 và phát hiện rằng dù lãnh đạo có nhận thức tốt về chuyển đổi số, năng lực thực thi — đặc biệt là về quản lý dữ liệu và hạ tầng số — còn khoảng cách lớn so với yêu cầu. Vu Khanh Quy, Bui Trung Thanh và Chehri (2023) đi sâu hơn khi phân tích quá trình một trường đại học cụ thể tại Việt Nam triển khai AI và chuyển đổi số, nhận thấy rằng khoảng trống lớn nhất không nằm ở công nghệ mà ở năng lực quản trị dữ liệu và đào tạo đội ngũ.

Môi trường pháp lý về bảo vệ dữ liệu cá nhân cũng đang thay đổi đáng kể. Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân — văn bản quy phạm pháp luật toàn diện nhất về chủ đề này tại Việt Nam — đặt ra những yêu cầu mới về thu thập, xử lý, lưu trữ và bảo vệ thông tin cá nhân. Đối với các trường đại học thu thập và xử lý lượng lớn dữ liệu sinh viên, cán bộ và người dùng, đây không còn là vấn đề tùy chọn mà là nghĩa vụ pháp lý.

1.3. Dữ liệu đại học như tài sản chiến lược

Dữ liệu trong trường đại học không đồng nhất — chúng đa dạng về tính chất, nguồn gốc và giá trị. Để quản trị hiệu quả, cần phân loại rõ ràng các loại dữ liệu và hiểu giá trị chiến lược của từng loại.

Dữ liệu người học bao gồm hồ sơ nhân khẩu học, kết quả học tập, lịch sử tham gia học phần, điểm thi, thông tin tài chính (học phí, học bổng), và ngày càng mở rộng sang dữ liệu hành vi số — log truy cập LMS, tần suất đọc tài liệu, mô hình tương tác trong diễn đàn trực tuyến. Đây là loại dữ liệu nhạy cảm nhất về quyền riêng tư và cũng có giá trị cao nhất cho phân tích học tập.

Dữ liệu hành chính bao gồm thông tin nhân sự, quy trình tuyển dụng, tài chính, hành chính cơ sở vật chất và hậu cần. Loại dữ liệu này thường là nơi xuất phát của các hệ thống số hóa đầu tiên trong trường đại học và thường ở trạng thái phân mảnh nhất vì được quản lý bởi nhiều phòng ban độc lập.

Dữ liệu nghiên cứu bao gồm dữ liệu thực nghiệm, kết quả thử nghiệm, dữ liệu khảo sát và các sản phẩm nghiên cứu. Loại dữ liệu này có đặc thù riêng: thường được tạo ra và quản lý bởi từng nhóm nghiên cứu độc lập, có vòng đời dài, và ngày càng phải tuân thủ các yêu cầu về tính tái tạo (reproducibility) và chia sẻ mở từ các nhà tài trợ.

Dữ liệu đối tác và cộng đồng bao gồm thông tin về đối tác doanh nghiệp, cựu sinh viên, cộng đồng địa phương và các bên liên quan. Loại dữ liệu này thường được quản lý phân tán và ít được nhìn nhận như tài sản chiến lược, nhưng có giá trị đáng kể cho hợp tác nghiên cứu và phát triển nguồn lực.

Williamson (2018) chỉ ra rằng sự mở rộng của hạ tầng dữ liệu lớn trong giáo dục đại học đang tạo ra một "kiến trúc ẩn" — các cơ chế thu thập, xử lý và phân tích dữ liệu hoạt động phía sau những quyết định giáo dục hàng ngày mà ít ai nhìn thấy toàn bộ. Nhận diện và quản trị kiến trúc ẩn này là nhiệm vụ cốt lõi của quản trị dữ liệu đại học.

Leonelli (2019) lập luận rằng quản trị dữ liệu không chỉ là về bảo mật hay quy định — nó là về bảo đảm rằng dữ liệu có thể được diễn giải đúng nghĩa trong bối cảnh tạo ra nó và bối cảnh sử dụng nó. Mất đi thông tin về bối cảnh — ai thu thập, bằng phương pháp gì, với mục đích gì, trong điều kiện gì — là mất đi phần lớn giá trị của dữ liệu.

1.4. Khái niệm và định nghĩa cốt lõi

1.4.1. Quản trị dữ liệu là gì?

Không có định nghĩa thống nhất duy nhất về quản trị dữ liệu, nhưng các định nghĩa phổ biến nhất đều hội tụ ở một số thành phần cốt lõi. Janssen et al. (2020), trong nghiên cứu về quản trị dữ liệu cho AI đáng tin cậy trong bối cảnh chính phủ, định nghĩa quản trị dữ liệu là "tập hợp các chính sách, quy trình và trách nhiệm đảm bảo rằng dữ liệu được quản lý và sử dụng theo cách đáp ứng các mục tiêu của tổ chức trong khi giảm thiểu rủi ro." Micheli et al. (2020), khi phân tích các mô hình quản trị dữ liệu mới nổi trong thời đại dữ liệu hóa, nhấn mạnh chiều kích quyền lực: quản trị dữ liệu xác định ai có quyền quyết định về dữ liệu gì, ai được truy cập dữ liệu nào, và ai chịu trách nhiệm khi dữ liệu bị dùng sai.

Karkošková (2022), từ góc độ các tổ chức tài chính, đưa ra định nghĩa thực tế hơn: quản trị dữ liệu là khuôn khổ tổ chức xác định quyền sở hữu dữ liệu, trách nhiệm quản lý chất lượng, quyền truy cập và bảo mật, đồng thời đảm bảo rằng dữ liệu phục vụ mục tiêu kinh doanh trong giới hạn pháp lý và đạo đức.

Trong bối cảnh đại học, Jim và Chang (2018) — trong một nghiên cứu về thực trạng quản trị dữ liệu trong giáo dục đại học — đề xuất định nghĩa: quản trị dữ liệu đại học là "khuôn khổ chính thức xác định quyền ra quyết định về dữ liệu, trách nhiệm quản lý, chính sách và tiêu chuẩn dữ liệu, nhằm đảm bảo dữ liệu phục vụ sứ mệnh học thuật và quản lý của nhà trường."

1.4.2. Phân biệt quản trị dữ liệu và quản lý dữ liệu

Ranh giới giữa quản trị dữ liệu (data governance) và quản lý dữ liệu (data management) thường bị làm mờ trong thực tiễn, nhưng sự phân biệt này có ý nghĩa tổ chức quan trọng. Quản trị dữ liệu trả lời câu hỏi "ai có quyền quyết định gì" — đây là vấn đề thẩm quyền và trách nhiệm ở tầng chính sách. Quản lý dữ liệu trả lời câu hỏi "làm thế nào" — đây là vấn đề kỹ thuật và quy trình ở tầng thực thi.

Sự nhầm lẫn phổ biến nhất là coi quản trị dữ liệu như một vấn đề của bộ phận IT. Nhưng quyết định về ai được truy cập dữ liệu gì, dữ liệu nào là dữ liệu chính thức, và dữ liệu nào cần được bảo mật theo mức độ nào là những quyết định mang tính chính sách và tổ chức. Bộ phận IT có thể thực thi các quyết định đó thông qua hệ thống kỹ thuật, nhưng các quyết định phải được đưa ra bởi những người có thẩm quyền về mặt tổ chức và hiểu biết về bối cảnh dữ liệu.

1.4.3. Chuyển đổi số và vai trò nền tảng của quản trị dữ liệu

Hanelt et al. (2020), trong tổng luận hệ thống về chuyển đổi số, xác định rằng chuyển đổi số không đơn giản là số hóa (digitization) hay tin học hóa (digitalization) — nó là sự thay đổi căn bản trong cách tổ chức tạo ra giá trị thông qua công nghệ số. Điểm mấu chốt: sự thay đổi không diễn ra ở công nghệ mà ở cách vận hành và tư duy tổ chức.

Kraus et al. (2021), trong nghiên cứu toàn cảnh về chuyển đổi số, khẳng định rằng dữ liệu là "nhiên liệu" của chuyển đổi số — nhưng nhiên liệu chỉ có ích khi được lọc, phân phối đúng chỗ và sử dụng an toàn. Quản trị dữ liệu chính là cơ chế đảm bảo những điều kiện đó.

Marks và AL-Ali (2020), khi đề xuất khung đánh giá mức độ trưởng thành chuyển đổi số trong giáo dục đại học, đặt "quản trị dữ liệu và đo lường" là một trong năm trụ cột của mô hình đánh giá — cùng với lãnh đạo, văn hóa, công nghệ và quy trình. Trường đại học không thể được coi là "chuyển đổi số trưởng thành" nếu thiếu khung quản trị dữ liệu bài bản.

Gkrimpizi, Peristeras và Magnisalis (2023), trong nghiên cứu phân loại rào cản chuyển đổi số trong giáo dục đại học, phân thành bốn nhóm rào cản: tổ chức, kỹ thuật, con người và pháp lý. Điều đáng chú ý là hầu hết các rào cản đều có liên quan đến quản trị dữ liệu: thiếu chuẩn dữ liệu (kỹ thuật), thiếu nhân lực dữ liệu (con người), thiếu chính sách dữ liệu (tổ chức), và không đáp ứng yêu cầu pháp lý về dữ liệu (pháp lý).

PHẦN 2: CÁC MÔ HÌNH QUẢN TRỊ DỮ LIỆU TRONG GIÁO DỤC ĐẠI HỌC

2.1. Khung DAMA DMBOK và ứng dụng trong đại học

Khung tham chiếu phổ biến nhất cho quản trị dữ liệu doanh nghiệp là DAMA DMBOK (Data Management Body of Knowledge) do Hiệp hội Quản lý Dữ liệu Quốc tế (DAMA International) phát triển. Phiên bản DMBOK2 xác định mười một miền kiến thức quản lý dữ liệu: kiến trúc dữ liệu, mô hình hóa dữ liệu, lưu trữ và vận hành dữ liệu, bảo mật dữ liệu, tích hợp dữ liệu, tài liệu và nội dung dữ liệu, dữ liệu chủ và dữ liệu tham chiếu, kho dữ liệu và trí thông minh doanh nghiệp, siêu dữ liệu, và chất lượng dữ liệu. Quản trị dữ liệu được đặt ở trung tâm, kết nối và điều phối tất cả mười miền còn lại.

Choenni, Bargh và Busker (2022), khi phân tích quản trị dữ liệu trong các thành phố thông minh, chỉ ra rằng khung DAMA hữu ích như bản đồ toàn diện nhưng cần được điều chỉnh đáng kể cho từng bối cảnh tổ chức cụ thể. Trong bối cảnh đại học, ba miền quan trọng nhất cần ưu tiên là: bảo mật dữ liệu (do tính nhạy cảm cao của dữ liệu sinh viên), chất lượng dữ liệu (do ảnh hưởng trực tiếp đến độ tin cậy của báo cáo và quyết định), và siêu dữ liệu (do số lượng lớn hệ thống và người dùng cần hiểu được dữ liệu của nhau).

Việc áp dụng nguyên vẹn khung DAMA DMBOK trong bối cảnh đại học không thực tế vì nhiều lý do. Thứ nhất, trường đại học không có cấu trúc kinh doanh đồng nhất như doanh nghiệp — sứ mệnh học thuật, nghiên cứu và phục vụ cộng đồng tạo ra những yêu cầu dữ liệu đặc thù. Thứ hai, cơ cấu quản trị đại học thường phân quyền cao hơn doanh nghiệp, với nhiều đơn vị tự chủ (khoa, bộ môn, trung tâm nghiên cứu). Thứ ba, văn hóa chia sẻ thông tin trong học thuật khác với văn hóa bảo mật thông tin trong kinh doanh — đây là điểm cần cân nhắc kỹ khi thiết kế chính sách truy cập dữ liệu.

2.2. Các mô hình cấu trúc quản trị: tập trung, phân tán và hỗn hợp

Ba mô hình cấu trúc quản trị dữ liệu cơ bản có thể được áp dụng trong đại học: tập trung, phân tán và hỗn hợp. Mỗi mô hình có những ưu điểm và hạn chế riêng, phù hợp với những bối cảnh tổ chức khác nhau.

2.2.1. Mô hình tập trung (Centralized)

Trong mô hình tập trung, một đơn vị trung tâm (thường là Phòng/Ban Dữ liệu hoặc Phòng Công nghệ Thông tin) nắm quyền kiểm soát và trách nhiệm toàn bộ về dữ liệu của trường. Mọi quyết định về chính sách dữ liệu, chuẩn dữ liệu và kiểm soát truy cập đều phải được đơn vị trung tâm phê duyệt hoặc thực thi.

Ưu điểm của mô hình này là tính nhất quán cao: chỉ có một bộ tiêu chuẩn, một chính sách bảo mật, và một điểm trách nhiệm. Điều này đặc biệt quan trọng cho báo cáo tuân thủ pháp lý và kiểm toán. Nhược điểm là thiếu linh hoạt và phản ứng chậm: nhu cầu dữ liệu đặc thù của từng khoa hay trung tâm nghiên cứu có thể không được đáp ứng nhanh chóng, và đơn vị trung tâm dễ trở thành "nút thắt cổ chai" trong quy trình.

Kim, An và Lee (2023), nghiên cứu khung quản trị dữ liệu công tích hợp tại Hàn Quốc, nhận thấy rằng mô hình tập trung hoạt động tốt nhất khi dữ liệu cần được đảm bảo tính nhất quán cao cho mục đích báo cáo công và so sánh giữa các đơn vị — đây cũng là yêu cầu của Thông tư 09/2021/TT-BGDĐT về cơ sở dữ liệu ngành giáo dục tại Việt Nam.

2.2.2. Mô hình phân tán (Federated)

Trong mô hình phân tán, mỗi đơn vị (khoa, phòng ban, trung tâm) tự quản trị dữ liệu của mình theo nguyên tắc và hướng dẫn chung từ cấp trung ương, nhưng có quyền tự quyết đáng kể về chi tiết thực thi. Đơn vị trung ương đóng vai trò đặt tiêu chuẩn và tư vấn, không phải kiểm soát trực tiếp.

Mô hình này phù hợp với đặc điểm tự quản học thuật của đại học và phản ánh tốt hơn thực tế rằng những người hiểu rõ nhất về dữ liệu nghiên cứu hoặc đào tạo của từng ngành chính là các chuyên gia trong ngành đó — không phải đội ngũ IT trung tâm. Tuy nhiên, rủi ro là thiếu nhất quán giữa các đơn vị: cùng một khái niệm (ví dụ: "sinh viên đang học") có thể được định nghĩa và đo lường khác nhau ở các khoa khác nhau, dẫn đến không thể tổng hợp dữ liệu cấp trường một cách đáng tin cậy.

Safarov, Shayusupova và Xursandov (2024), trong nghiên cứu về hệ thống dữ liệu phân tán trong quản lý tri thức cho ra quyết định giáo dục đại học, lập luận rằng kiến trúc phân tán hiện đại (distributed data systems) có thể giải quyết nhiều nhược điểm truyền thống của mô hình phân tán bằng cách duy trì tự chủ cục bộ trong khi đảm bảo khả năng tổng hợp và truy vấn thống nhất ở cấp trường.

2.2.3. Mô hình hỗn hợp (Hybrid)

Mô hình hỗn hợp kết hợp ưu điểm của cả hai mô hình: một số miền dữ liệu được quản trị tập trung (thường là dữ liệu tài chính, nhân sự và dữ liệu báo cáo tuân thủ), trong khi các miền khác được quản trị phân tán (thường là dữ liệu nghiên cứu và dữ liệu học tập chuyên biệt theo ngành). Cơ chế tích hợp và chuẩn trao đổi dữ liệu đảm bảo rằng các phần phân tán vẫn có thể "nói chuyện" với nhau khi cần.

Đây là mô hình được Jim và Chang (2018) quan sát thấy phổ biến nhất trong số các trường đại học Mỹ đã triển khai quản trị dữ liệu trưởng thành. Các trường thành công thường bắt đầu với tập trung hóa dữ liệu hành chính cốt lõi, rồi từng bước mở rộng sang các miền khác khi năng lực quản trị được xây dựng.

2.3. Khung quản trị dữ liệu giáo dục đại học — nghiên cứu quốc tế

2.3.1. Khung Jim và Chang (2018)

Jim và Chang (2018) là một trong những nghiên cứu học thuật toàn diện đầu tiên khảo sát thực trạng quản trị dữ liệu trong giáo dục đại học Mỹ. Nghiên cứu xác định năm thành phần cốt lõi của quản trị dữ liệu hiệu quả trong đại học: (1) chính sách dữ liệu — các quy định về thu thập, sử dụng và chia sẻ dữ liệu; (2) cơ cấu tổ chức — phân công rõ vai trò và trách nhiệm; (3) kiến trúc dữ liệu — hệ thống phân loại và định nghĩa dữ liệu thống nhất; (4) chất lượng dữ liệu — quy trình đảm bảo tính chính xác và nhất quán; (5) bảo mật và quyền riêng tư — kiểm soát truy cập và bảo vệ dữ liệu nhạy cảm.

Phát hiện quan trọng của nghiên cứu là đa số trường đại học trong mẫu thiếu ít nhất hai trong số năm thành phần này, với "cơ cấu tổ chức" và "chính sách dữ liệu" là hai thành phần thường xuyên bị bỏ qua nhất. Điều này phản ánh một thực tế rộng hơn: nhiều trường đầu tư vào giải pháp kỹ thuật (kiến trúc dữ liệu, hệ thống bảo mật) trước khi giải quyết câu hỏi cơ bản hơn về tổ chức và chính sách.

2.3.2. Khung của Wang và Jiang (2022) cho dữ liệu lớn

Wang và Jiang (2022) đề xuất khung quản trị dữ liệu lớn trong giáo dục đại học, với ứng dụng cụ thể trong quản lý sinh viên. Khung này tổ chức quản trị theo bốn tầng: tầng thu thập dữ liệu (collection layer), tầng lưu trữ và xử lý (storage & processing layer), tầng phân tích và khai thác (analysis & mining layer), và tầng ứng dụng (application layer). Quan trọng hơn, khung này nhấn mạnh sự cần thiết phải có "tầng quản trị" (governance layer) xuyên suốt tất cả bốn tầng — không phải là một tầng riêng biệt mà là cơ chế điều phối toàn bộ hệ thống.

Ứng dụng trong quản lý sinh viên của khung này bao gồm: theo dõi hành vi học tập theo thời gian thực, phát hiện sớm sinh viên có nguy cơ bỏ học, đánh giá hiệu quả chương trình giảng dạy, và hỗ trợ lập kế hoạch tuyển sinh. Tuy nhiên, Wang và Jiang cũng cảnh báo về yêu cầu cao của khung này về hạ tầng kỹ thuật và năng lực phân tích — những yêu cầu mà nhiều trường đại học, đặc biệt tại các quốc gia đang phát triển, chưa đáp ứng được.

2.3.3. Mô hình của Omar và Almaghthawi (2020) trong bối cảnh Ả Rập Xê Út

Omar và Almaghthawi (2020) đề xuất mô hình tích hợp quản trị dữ liệu và tích hợp hệ thống cho chuyển đổi số trong các trường đại học Ả Rập Xê Út. Điểm đáng chú ý của mô hình này là bối cảnh tương đồng với Việt Nam: quốc gia đang phát triển, với sự can thiệp mạnh của nhà nước vào hệ thống giáo dục, đang nỗ lực chuyển đổi số trong điều kiện năng lực số còn hạn chế và hạ tầng không đồng đều.

Mô hình Omar và Almaghthawi tập trung vào ba thách thức chính trong bối cảnh đó: (1) tích hợp hệ thống di sản (legacy systems) — các phần mềm cũ không được thiết kế để kết nối với nhau; (2) chuẩn hóa dữ liệu cho phép kết nối với hệ thống quốc gia; (3) xây dựng năng lực con người trong điều kiện thiếu chuyên gia dữ liệu. Ba thách thức này phản ánh rất sát với thực trạng tại Việt Nam.

2.3.4. Quản trị IT và quản trị dữ liệu — kết quả đa quốc gia

Scalabrin Bianchi, Dinis Sousa và Pereira (2021) phân tích quản trị IT trong giáo dục đại học theo khảo sát đa quốc gia và xác định rằng sự hiện diện của vai trò lãnh đạo chuyên trách về dữ liệu/IT (Chief Data Officer hoặc IT Director với thẩm quyền rõ ràng) là yếu tố dự báo mạnh nhất cho hiệu quả quản trị IT tổng thể. Nghiên cứu cũng phát hiện rằng các trường đại học có khung quản trị IT rõ ràng hơn có xu hướng đưa ra quyết định đầu tư công nghệ tốt hơn và ít lãng phí hơn.

Kết quả này có ý nghĩa trực tiếp cho Việt Nam: việc bổ nhiệm một lãnh đạo chuyên trách về dữ liệu với thẩm quyền rõ ràng — không phải kiêm nhiệm hoặc phụ thuộc hoàn toàn vào bộ phận IT — là bước tổ chức quan trọng cần thực hiện trước khi đầu tư vào hệ thống kỹ thuật.

2.4. Quản trị dữ liệu trong kỷ nguyên dữ liệu lớn và AI

Sự bùng nổ của dữ liệu lớn và trí tuệ nhân tạo đang tạo ra áp lực mới lên khung quản trị dữ liệu truyền thống. Những áp lực này không làm vô hiệu hóa các nguyên tắc quản trị dữ liệu cơ bản, nhưng đòi hỏi chúng phải được mở rộng và điều chỉnh.

Thứ nhất, quy mô và tốc độ dữ liệu. Các trường đại học ngày nay thu thập dữ liệu từ hàng chục nguồn theo thời gian thực — từ hệ thống kiểm soát truy cập khuôn viên, đến tương tác trên nền tảng học tập, đến log dữ liệu thư viện. Luan, Geczy và Lai (2020), trong phân tích về thách thức và triển vọng của dữ liệu lớn và AI trong giáo dục, nhận thấy rằng nhiều trường đang thu thập dữ liệu vượt xa khả năng phân tích và sử dụng của mình — tạo ra rủi ro lưu trữ dữ liệu nhạy cảm không cần thiết.

Thứ hai, độ phức tạp của mô hình AI. Khi trường đại học sử dụng mô hình học máy để đưa ra các quyết định ảnh hưởng đến sinh viên — từ cảnh báo nguy cơ bỏ học đến gợi ý học phần — khung quản trị truyền thống không đủ để đảm bảo trách nhiệm giải trình. Cần bổ sung các cơ chế quản trị thuật toán: kiểm tra thiên kiến, yêu cầu giải thích được (explainability), và quyền phúc thẩm của sinh viên.

Thứ ba, quản trị dữ liệu theo định hướng giá trị cộng đồng. Carroll et al. (2020) đề xuất nguyên tắc CARE (Collective benefit, Authority to control, Responsibility, Ethics) như bộ nguyên tắc bổ sung cho FAIR trong quản lý dữ liệu nghiên cứu — đặc biệt phù hợp với nghiên cứu có liên quan đến cộng đồng dễ tổn thương. Nguyên tắc này nhấn mạnh rằng không phải mọi dữ liệu đều nên được chia sẻ tự do, và quyền kiểm soát của cộng đồng phải được tôn trọng.

Chen, Chen và Cheng (2023), trong nghiên cứu về tối ưu hóa quản trị dữ liệu giáo dục đại học trong kỷ nguyên AI, đề xuất rằng các trường đại học cần bổ sung "tầng quản trị AI" (AI governance layer) vào khung quản trị dữ liệu hiện có, bao gồm: kiểm tra trước triển khai (pre-deployment audit), giám sát liên tục trong quá trình vận hành (continuous monitoring), và cơ chế phúc thẩm sau triển khai (post-deployment appeal). Đây là bổ sung cần thiết khi các quyết định học thuật ngày càng có sự tham gia của AI.

2.5. Siêu dữ liệu và từ điển dữ liệu — nền tảng không thể thiếu

2.5.1. Tại sao siêu dữ liệu quan trọng?

Siêu dữ liệu (metadata) — dữ liệu về dữ liệu — là nền tảng kỹ thuật của quản trị dữ liệu hiệu quả. Khi mỗi người trong tổ chức có thể trả lời ngay những câu hỏi như "con số này từ đâu ra?", "ai có quyền thay đổi trường dữ liệu này?", "đây là phiên bản cập nhật mới nhất chưa?", tổ chức đó có hạ tầng siêu dữ liệu tốt. Khi những câu hỏi này không có câu trả lời rõ ràng — hoặc có nhiều câu trả lời mâu thuẫn nhau — đó là dấu hiệu của quản trị dữ liệu yếu kém.

Leonelli (2019) lập luận rằng trong nghiên cứu khoa học, mất đi siêu dữ liệu gần như tương đương với mất đi dữ liệu — vì không có thông tin về bối cảnh thu thập, không thể diễn giải ý nghĩa của số liệu một cách đáng tin cậy. Lập luận này áp dụng hoàn toàn vào bối cảnh quản lý đại học: một con số tỷ lệ sinh viên tốt nghiệp đúng hạn chỉ có ý nghĩa khi ta biết rõ "đúng hạn" được định nghĩa như thế nào, tính từ thời điểm nào, và bao gồm hay không bao gồm sinh viên bảo lưu.

2.5.2. Từ điển dữ liệu như công cụ tổ chức

Từ điển dữ liệu (data dictionary) hay danh mục dữ liệu (data catalog) là công cụ tài liệu hóa tập trung cho siêu dữ liệu. Mỗi yếu tố dữ liệu trong từ điển cần bao gồm: định nghĩa chuẩn, đơn vị hoặc định dạng, nguồn gốc, chủ sở hữu, ngày cập nhật, quy tắc hợp lệ, và những hệ thống nào sử dụng yếu tố đó.

Xây dựng từ điển dữ liệu là bài tập phát hiện: trong quá trình tài liệu hóa, thường phát lộ những định nghĩa khác nhau của cùng một khái niệm giữa các đơn vị, những dữ liệu "mồ côi" không ai sở hữu, và những lỗ hổng trong chuỗi dữ liệu quan trọng. Đây là những vấn đề cần giải quyết trước khi bất kỳ hệ thống phân tích nào được triển khai.

Kinh nghiệm thực tiễn từ nhiều trường đại học cho thấy từ điển dữ liệu — khi được xây dựng và duy trì tốt — trở thành "điểm chân lý duy nhất" (single source of truth) cho toàn tổ chức, giảm thiểu đáng kể xung đột về cách diễn giải dữ liệu và tăng niềm tin vào kết quả phân tích [Phân tích của tác giả]. Đây là đầu tư có hệ số đòn bẩy cao: làm một lần đúng, hưởng lợi cho nhiều dự án tiếp theo.

2.5.3. Quản lý vòng đời dữ liệu

Một khía cạnh thường bị bỏ qua trong quản trị dữ liệu đại học là quản lý vòng đời dữ liệu (data lifecycle management) — quy trình có hệ thống cho dữ liệu từ khi được tạo ra đến khi bị hủy. Bốn giai đoạn chính: tạo ra/thu thập, lưu trữ/bảo quản, sử dụng/chia sẻ, và lưu giữ lâu dài/hủy.

Chính sách lưu giữ dữ liệu (data retention policy) xác định bao lâu mỗi loại dữ liệu cần được lưu trữ sau khi hết tác dụng chính. Dữ liệu tài chính thường cần lưu giữ ít nhất 5–10 năm theo yêu cầu kiểm toán; dữ liệu kết quả học tập cần lưu vĩnh viễn để hỗ trợ xác minh bằng cấp; dữ liệu hành vi học tập (log LMS) có thể chỉ cần lưu 2–3 năm. Không có quy trình hủy dữ liệu rõ ràng đồng nghĩa với việc dữ liệu nhạy cảm tích lũy vô hạn — tăng rủi ro bảo mật mà không tăng giá trị.

PHẦN 3: THÁCH THỨC, RỦI RO VÀ VẤN ĐỀ ĐẠO ĐỨC

3.1. Thách thức tổ chức và văn hóa

3.1.1. Rào cản văn hóa tổ chức

Trong mọi tổ chức, quản trị dữ liệu cuối cùng là vấn đề của con người hơn là vấn đề của công nghệ. Rào cản văn hóa — sự kháng cự với việc chia sẻ dữ liệu, thiếu tin tưởng giữa các đơn vị, tâm lý "dữ liệu của tôi là quyền lực của tôi" — thường là nguyên nhân chính khiến các chương trình quản trị dữ liệu thất bại ngay cả khi công nghệ đã sẵn sàng.

González-Varona, López-Paredes và Poza (2021), nghiên cứu về xây dựng năng lực tổ chức cho chuyển đổi số, xác định rằng văn hóa dữ liệu (data culture) — tập hợp các giá trị, niềm tin và hành vi liên quan đến dữ liệu — cần thời gian nhiều năm để hình thành và không thể bị áp đặt từ trên xuống. Sự thay đổi văn hóa đòi hỏi lãnh đạo tin tưởng vào dữ liệu để ra quyết định (role modeling từ cấp cao), thành công sớm và được truyền thông tốt (quick wins), và hệ thống khen thưởng khuyến khích chia sẻ dữ liệu thay vì tích trữ.

Trong bối cảnh đại học, văn hóa học thuật có những đặc điểm đặc biệt. Truyền thống tự chủ học thuật — mỗi giảng viên là "vua" trong lĩnh vực của mình — có thể trở thành rào cản khi quy trình quản trị dữ liệu đòi hỏi tuân thủ chuẩn mực chung. Đặc biệt với dữ liệu nghiên cứu, nhiều nhà khoa học coi dữ liệu của mình là tài sản cá nhân hoặc của nhóm, không phải tài sản của trường.

3.1.2. Thiếu năng lực và nhân lực

Mohamed Hashim, Tlemsani và Matthews (2021) phân tích chiến lược giáo dục đại học trong chuyển đổi số và nhấn mạnh rằng thiếu nhân lực có năng lực về dữ liệu là một trong những rào cản cản trở nhất. Đây không chỉ là vấn đề tuyển dụng chuyên gia dữ liệu kỹ thuật — mà còn là vấn đề phát triển "năng lực dữ liệu phổ thông" (data literacy) cho toàn bộ đội ngũ, để cán bộ hành chính, giảng viên và quản lý có thể làm việc hiệu quả với dữ liệu trong công việc hàng ngày.

Nguyen T.H. (2021), khi phân tích chuyển đổi mô hình quản lý đại học trong bối cảnh số hóa, đặt vấn đề về vai trò của lãnh đạo: lãnh đạo cấp cao không chỉ cần "ủng hộ" chuyển đổi số mà cần thực sự hiểu đủ về dữ liệu để đặt câu hỏi đúng và đánh giá câu trả lời từ đội ngũ kỹ thuật. Khoảng cách năng lực giữa lãnh đạo và chuyên gia kỹ thuật là nguồn gốc của nhiều quyết định đầu tư sai lầm trong chuyển đổi số.

3.1.3. Phân mảnh hệ thống và dữ liệu di sản

Một thách thức kỹ thuật-tổ chức phổ biến trong đại học là sự tồn tại của nhiều "hệ thống di sản" (legacy systems) — các phần mềm được mua hoặc phát triển ở các thời điểm khác nhau, bởi các nhà cung cấp khác nhau, và thường không được thiết kế để tích hợp với nhau. Kết quả là "đảo dữ liệu": mỗi hệ thống có kho dữ liệu riêng, định nghĩa riêng, và không có cách nào để tổng hợp dữ liệu một cách đáng tin cậy.

Nambiar và Mundra (2022) phân biệt hai loại hạ tầng dữ liệu có thể giải quyết vấn đề này theo các cách khác nhau: data warehouse (kho dữ liệu) tích hợp dữ liệu từ nhiều nguồn theo cấu trúc thống nhất, phù hợp cho báo cáo và phân tích có cấu trúc; data lake (hồ dữ liệu) lưu trữ dữ liệu thô từ nhiều nguồn theo định dạng gốc, phù hợp cho khám phá dữ liệu và phân tích linh hoạt. Nhiều trường đại học hiện đại triển khai cả hai theo kiến trúc bổ sung: data warehouse cho báo cáo hành chính, data lake cho nghiên cứu và phân tích học tập.

Tuy nhiên, giải pháp kỹ thuật mà không có giải pháp quản trị sẽ chỉ tạo ra "hồ dữ liệu bẩn" (data swamp) — nơi dữ liệu từ khắp nơi đổ vào nhưng không ai có trách nhiệm bảo đảm chất lượng hay ý nghĩa. Đây là bài học đắt giá mà nhiều tổ chức đã học được.

3.2. Quyền riêng tư và bảo vệ dữ liệu cá nhân

3.2.1. Khung pháp lý quốc tế và tác động lan tỏa

Quy định Bảo vệ Dữ liệu Chung (GDPR) của Liên minh châu Âu, có hiệu lực từ năm 2018, đã trở thành tiêu chuẩn tham chiếu toàn cầu cho bảo vệ dữ liệu cá nhân. Điều đáng ngạc nhiên là tác động của GDPR không chỉ giới hạn trong EU. Peukert, Bechtold và Batikas (2022) chứng minh thực nghiệm rằng GDPR tạo ra "hiệu ứng lan tỏa pháp lý" (regulatory spillovers) — ngay cả các tổ chức không thuộc phạm vi áp dụng của GDPR cũng điều chỉnh hành vi theo vì họ có người dùng hoặc đối tác từ EU, hoặc vì muốn đón đầu xu hướng pháp lý toàn cầu.

Labadie và Legner (2023) nghiên cứu quá trình xây dựng năng lực quản lý dữ liệu để đáp ứng GDPR tại các tổ chức châu Âu và nhận thấy rằng đây là hành trình nhiều năm đòi hỏi thay đổi đồng thời về quy trình, hệ thống và văn hóa. Các tổ chức thành công không chỉ tuân thủ tối thiểu mà xây dựng hệ thống quản lý dữ liệu mạnh hơn yêu cầu pháp lý — coi tuân thủ như nền tảng, không phải mục tiêu.

Đối với Việt Nam, Nghị định 13/2023/NĐ-CP mang nhiều điểm tương đồng với GDPR về nguyên tắc: yêu cầu đồng thuận rõ ràng, quyền truy cập và xóa dữ liệu của chủ thể, thông báo vi phạm dữ liệu, và đánh giá tác động bảo vệ dữ liệu. Tuy nhiên, cơ chế thực thi còn đang trong giai đoạn xây dựng và trình độ nhận thức pháp lý trong nhiều tổ chức — kể cả trường đại học — còn hạn chế.

3.2.2. Dữ liệu sinh viên và yêu cầu bảo vệ đặc biệt

Dữ liệu sinh viên thuộc loại dữ liệu cá nhân đặc biệt nhạy cảm vì một số lý do. Thứ nhất, sinh viên thường ở trong tình trạng bất bình đẳng quyền lực với trường đại học — họ cần tấm bằng để có việc làm, và không thể dễ dàng từ chối cung cấp dữ liệu mà không ảnh hưởng đến quyền lợi học tập. Điều này đặt câu hỏi về tính "thực sự tự nguyện" của đồng thuận dữ liệu (data consent) trong bối cảnh đại học.

Komljenovic (2020) lập luận rằng trong thời đại giáo dục đại học được số hóa sâu rộng, lo ngại về quyền riêng tư dữ liệu cần được đặt trong bức tranh rộng hơn về quan hệ kinh tế-chính trị: ai được hưởng lợi từ việc khai thác dữ liệu sinh viên? Nếu dữ liệu học tập được dùng để cải thiện giảng dạy và hỗ trợ sinh viên, đó là sử dụng hợp lý. Nếu dữ liệu được bán cho bên thứ ba, dùng để chấm điểm rủi ro cho các quyết định tín dụng hay việc làm tương lai, hay được dùng để tạo sản phẩm thương mại, đó là xâm phạm quyền lợi mà sinh viên không được thông báo.

Prinsloo và Kaliisa (2022) nghiên cứu quyền riêng tư dữ liệu trong bối cảnh châu Phi và chỉ ra những thách thức đặc thù của các quốc gia đang phát triển: hệ thống pháp lý bảo vệ dữ liệu còn yếu, nhận thức của sinh viên về quyền dữ liệu thấp, và thiếu nguồn lực thực thi. Những thách thức này phản ánh rất sát bối cảnh Việt Nam hiện tại.

3.3. Đạo đức phân tích học tập

3.3.1. Giá trị và rủi ro của learning analytics

Jones (2019) đề xuất mô hình xây dựng cơ chế đồng thuận có thông tin (informed consent) trong phân tích học tập, lập luận rằng các trường đại học cần cho phép sinh viên hiểu rõ dữ liệu nào được thu thập, mục đích sử dụng, và quyền của họ là gì. Mô hình này xuất phát từ ba lo ngại đạo đức cốt lõi: dữ liệu hành vi trên LMS có thể phản ánh sai năng lực thực sự của sinh viên, mô hình dự báo "nguy cơ cao" có thể tạo ra hiệu ứng tự thực hiện (self-fulfilling prophecy), và giám sát liên tục có thể ảnh hưởng đến sự tự do học thuật.

Khalil, Prinsloo và Slade (2023) đề xuất năm nguyên tắc đạo đức cho learning analytics: công bằng (fairness), tin tưởng (trust), minh bạch (transparency), bình đẳng (equity) và trách nhiệm (responsibility). Việc triển khai những nguyên tắc này trong thực tế đòi hỏi không chỉ thiết kế hệ thống kỹ thuật tốt mà còn quy trình quản trị rõ ràng: ai kiểm tra thiên kiến của mô hình, ai phê duyệt can thiệp dựa trên phân tích, và sinh viên có quyền gì khi không đồng ý với kết quả phân tích.

3.3.2. Giấy phép xã hội cho phân tích dữ liệu

Prinsloo và Slade (2015) khởi xướng khái niệm "giấy phép xã hội" (social licence) trong phân tích học tập, lập luận rằng sự chấp thuận pháp lý (legal consent) chưa đủ — tổ chức cần giành được sự tin tưởng thực sự từ cộng đồng sinh viên. Giấy phép xã hội không phải là văn bản pháp lý — đó là sự chấp thuận và tin tưởng từ cộng đồng sinh viên, giảng viên và nhân viên rằng dữ liệu của họ được thu thập và sử dụng vì lợi ích của họ, theo cách tôn trọng quyền riêng tư và giá trị của họ.

Xây dựng giấy phép xã hội đòi hỏi minh bạch chủ động — không phải chỉ cung cấp thông tin khi được hỏi, mà là chủ động thông báo về những gì được thu thập, tại sao, và kết quả đã ảnh hưởng đến quyết định như thế nào. Đây là yêu cầu cao hơn nhiều so với tuân thủ pháp lý tối thiểu, và là điều kiện cho sự tin tưởng lâu dài.

3.3.3. Nguyên tắc CARE và dữ liệu cộng đồng

Carroll et al. (2020), đề xuất nguyên tắc CARE cho quản trị dữ liệu bản địa, cung cấp một khung tư duy bổ sung quan trọng: ngay cả khi dữ liệu "thuộc về" trường đại học về mặt kỹ thuật (do trường thu thập), cộng đồng tạo ra dữ liệu đó vẫn có quyền lợi đáng kể về cách dữ liệu được dùng. Nguyên tắc CARE — Collective benefit (lợi ích tập thể), Authority to control (quyền kiểm soát), Responsibility (trách nhiệm), Ethics (đạo đức) — nhắc nhở rằng quản trị dữ liệu không chỉ là về hiệu quả mà còn về quyền lực và công bằng.

3.4. Bảo mật dữ liệu và rủi ro an ninh mạng

Habib, Sharma và Ibrahim (2022) phân tích lợi ích, thách thức và ứng dụng của blockchain và điện toán đám mây trong bảo mật dữ liệu. Đối với trường đại học, ba rủi ro an ninh mạng nghiêm trọng nhất là: tấn công ransomware nhắm vào kho dữ liệu học thuật và tài chính, rò rỉ dữ liệu cá nhân sinh viên và cán bộ, và tấn công vào hệ thống kết quả thi và bằng cấp. Cả ba loại tấn công đều đã xảy ra tại nhiều trường đại học ở Mỹ, Anh và Australia trong những năm gần đây.

Yang, Xiong và Ren (2020) tổng luận về bảo mật và quyền riêng tư dữ liệu cho lưu trữ đám mây và xác định rằng nhiều trường đại học đang trong quá trình chuyển sang điện toán đám mây nhưng chưa có chiến lược bảo mật đám mây tương ứng. Việc chuyển dữ liệu lên đám mây mà không có phân loại dữ liệu rõ ràng (dữ liệu nào có thể lưu trên đám mây công cộng, dữ liệu nào phải lưu on-premise) là một trong những rủi ro phổ biến nhất.

van Zoonen (2020), nghiên cứu về quản trị dữ liệu và sự tham gia của công dân trong nhà nước phúc lợi số, lập luận rằng tổ chức giáo dục — như các tổ chức nhà nước khác — phải đặt bảo mật dữ liệu như một cam kết dịch vụ công, không chỉ như biện pháp kỹ thuật. Khi dữ liệu sinh viên bị rò rỉ, thiệt hại không chỉ là uy tín của trường mà còn là thiệt hại thực sự đối với cuộc sống của những người bị ảnh hưởng.

3.5. Rào cản pháp lý và tuân thủ

Abad-Segura, González-Zamar và Infante-Moro (2020) trong nghiên cứu về quản lý bền vững của chuyển đổi số trong giáo dục đại học xác định tuân thủ pháp lý như một chiều kích chưa được chú ý đúng mức trong văn献về chuyển đổi số giáo dục. Phần lớn các nghiên cứu tập trung vào công nghệ và sư phạm, trong khi khung pháp lý — đặc biệt liên quan đến dữ liệu — lại có thể quyết định tính khả thi của nhiều ứng dụng.

Trần Khánh Đức (2021) phân tích chuyển đổi số trong bối cảnh yêu cầu phát triển quốc gia tại Việt Nam và nhận thấy sự căng thẳng giữa tốc độ triển khai mà chính sách thúc đẩy và yêu cầu tuân thủ pháp lý ngày càng phức tạp. Các trường đại học bị kẹp giữa hai áp lực: đẩy nhanh số hóa để đáp ứng chỉ tiêu và triển khai cẩn thận để đảm bảo tuân thủ.

Sự phức tạp pháp lý còn gia tăng khi trường đại học tham gia hợp tác quốc tế. Dữ liệu sinh viên trong chương trình liên kết đào tạo có thể phải tuân thủ đồng thời pháp luật Việt Nam và pháp luật của quốc gia đối tác — tạo ra yêu cầu về khung quản trị dữ liệu có thể đáp ứng nhiều hệ thống pháp lý khác nhau.

3.6. Thực trạng và thách thức đặc thù tại Việt Nam

3.6.1. Khoảng cách giữa chính sách và thực tiễn

Mặc dù khung chính sách chuyển đổi số giáo dục đại học Việt Nam ngày càng được hoàn thiện, khoảng cách giữa định hướng chính sách và năng lực thực thi vẫn còn lớn. Trần Khánh Đức (2021) phân tích rằng chuyển đổi số ở Việt Nam phải đối mặt với hai lực kéo đồng thời: áp lực từ chính sách nhà nước đòi hỏi tốc độ nhanh, và thực tế năng lực tổ chức đòi hỏi sự thận trọng. Trong bối cảnh đó, quản trị dữ liệu thường bị bỏ qua vì nó là "điều kiện cần" nhưng không tạo ra kết quả nhìn thấy được ngay lập tức.

Thực tế tại nhiều trường đại học Việt Nam cho thấy một mô hình đặc trưng: đầu tư vào phần mềm và hạ tầng phần cứng được ưu tiên vì có thể báo cáo thành tích ("đã triển khai X hệ thống"), trong khi đầu tư vào chính sách, nhân lực và văn hóa dữ liệu — những yếu tố quyết định hiệu quả thực sự — bị coi là "vô hình" và khó thuyết phục cấp trên phê duyệt ngân sách.

3.6.2. Thách thức về nhân lực dữ liệu

Việt Nam đang đối mặt với tình trạng thiếu hụt nghiêm trọng nhân lực có năng lực về dữ liệu — không chỉ là kỹ sư dữ liệu hay nhà khoa học dữ liệu, mà còn là những người có thể kết hợp hiểu biết về dữ liệu với hiểu biết về quản trị tổ chức và chính sách. Chính xác hơn, có hai loại khoảng trống:

Khoảng trống kỹ thuật: Thiếu kỹ sư dữ liệu, kiến trúc sư dữ liệu và chuyên gia bảo mật dữ liệu. Đây là khoảng trống dễ nhận thấy hơn và đang được giải quyết một phần qua các chương trình đào tạo kỹ thuật số.

Khoảng trống quản trị: Thiếu người có thể xây dựng và thực thi chính sách dữ liệu, điều phối giữa các đơn vị trong trường, và giao tiếp về vấn đề dữ liệu với cả lãnh đạo và người dùng cuối. Đây là khoảng trống ít được nhận thấy hơn nhưng quan trọng không kém về mặt tổ chức.

Vu Khanh Quy, Bui Trung Thanh và Chehri (2023) gợi ý rằng trong bối cảnh Việt Nam, giải pháp thực tế hơn là phát triển nhân lực "lai" — những người có nền tảng chuyên môn trong một lĩnh vực cụ thể (giáo dục, tài chính, hành chính) và được đào tạo thêm về năng lực dữ liệu — thay vì thuê chuyên gia dữ liệu thuần túy từ thị trường lao động cạnh tranh.

3.6.3. Thách thức về hạ tầng không đồng đều

Chất lượng hạ tầng số trong hệ thống giáo dục đại học Việt Nam rất không đồng đều: các đại học lớn tại Hà Nội và TP. Hồ Chí Minh có hạ tầng tương đối tốt, trong khi nhiều trường đại học địa phương và vùng sâu vùng xa vẫn đang vật lộn với hạ tầng cơ bản. Khung quản trị dữ liệu đề xuất cho các trường đại học Việt Nam cần có tính mô-đun — có thể triển khai theo quy mô từ nhỏ đến lớn mà không đòi hỏi đồng loạt các điều kiện kỹ thuật phức tạp.

Điện toán đám mây cung cấp một giải pháp thực tế cho thách thức này: thay vì xây dựng hạ tầng on-premise tốn kém, các trường có thể sử dụng dịch vụ đám mây (kể cả đám mây trong nước để tuân thủ yêu cầu về chủ quyền dữ liệu) để triển khai nền tảng quản trị dữ liệu theo mô hình "trả theo sử dụng." Yang, Xiong và Ren (2020) nhấn mạnh rằng việc lựa chọn nhà cung cấp đám mây và cấu hình bảo mật phù hợp là quyết định quản trị, không phải quyết định kỹ thuật thuần túy.

PHẦN 4: KHUNG ĐỀ XUẤT VÀ LỘ TRÌNH TRIỂN KHAI CHO ĐẠI HỌC VIỆT NAM

4.1. Nguyên tắc thiết kế khung UDGF-V

Dựa trên phân tích lý thuyết và kinh nghiệm quốc tế ở các phần trước, tác giả đề xuất Khung Quản trị Dữ liệu Đại học Việt Nam (University Data Governance Framework — Vietnam, viết tắt UDGF-V). Đây không phải là một mô hình được áp dụng nguyên vẹn từ nơi khác mà là một khung tích hợp, được thiết kế để phù hợp với bốn đặc điểm bối cảnh của các trường đại học Việt Nam.

Đặc điểm 1: Hệ thống pháp lý đang trong giai đoạn hình thành. Khác với các quốc gia có khung pháp lý bảo vệ dữ liệu lâu đời, Việt Nam đang xây dựng hệ thống pháp lý này trong khi các trường đại học đang đồng thời triển khai chuyển đổi số. Điều này có nghĩa là khung quản trị cần được thiết kế linh hoạt để cập nhật khi quy định thay đổi, đồng thời cần đặt nền tảng vững chắc hơn mức tối thiểu pháp lý yêu cầu.

Đặc điểm 2: Nguồn lực có hạn. Hầu hết các trường đại học Việt Nam không có đủ nguồn lực để triển khai toàn bộ khung quản trị dữ liệu trưởng thành ngay lập tức. Khung UDGF-V cần được phân giai đoạn rõ ràng để trường có thể bắt đầu từ những bước cơ bản nhất và tiến dần lên.

Đặc điểm 3: Cơ cấu quản trị đại học Việt Nam. Hội đồng trường, Ban Giám hiệu và các hội đồng học thuật tạo ra cấu trúc quản trị riêng, khác với cả đại học phương Tây và doanh nghiệp. Khung UDGF-V cần được thiết kế để tích hợp với cơ cấu này, không phải thay thế hay bỏ qua nó.

Đặc điểm 4: Áp lực kết nối với hệ thống quốc gia. Thông tư 09/2021/TT-BGDĐT và các chính sách liên quan đang tạo ra yêu cầu kết nối dữ liệu trường đại học với hệ thống dữ liệu ngành giáo dục quốc gia. Khung quản trị phải được thiết kế để sẵn sàng cho kết nối này.

4.2. Cấu trúc bốn trụ cột của UDGF-V

Khung UDGF-V được xây dựng trên bốn trụ cột bổ sung cho nhau, mỗi trụ cột giải quyết một chiều kích khác nhau của quản trị dữ liệu.

Trụ cột A: Thể chế và Chính sách

Trụ cột A bao gồm toàn bộ khung chính sách và quy định nội bộ về dữ liệu. Các thành phần cốt lõi bao gồm:

Chính sách Quản trị Dữ liệu Trường (University Data Governance Policy): văn bản cấp cao nhất, được Hội đồng trường phê duyệt, xác định nguyên tắc, phạm vi và trách nhiệm tổng thể.
Quy định Phân loại Dữ liệu (Data Classification Policy): phân loại dữ liệu theo mức độ nhạy cảm (công khai, nội bộ, bảo mật, tối mật) và xác định yêu cầu bảo vệ tương ứng.
Chính sách Truy cập Dữ liệu (Data Access Policy): quy định ai được truy cập loại dữ liệu nào, theo điều kiện gì và trong thời gian bao lâu.
Quy trình Xử lý Vi phạm Dữ liệu (Data Breach Response Procedure): quy trình phát hiện, thông báo và xử lý sự cố dữ liệu.
Chính sách Lưu giữ và Hủy Dữ liệu (Data Retention & Disposal Policy): xác định bao lâu các loại dữ liệu khác nhau phải được lưu giữ và cách hủy an toàn.

Jim và Chang (2018) nhấn mạnh rằng bước quan trọng nhất là đưa các chính sách này vào văn bản chính thức và đảm bảo chúng được ban hành qua đúng kênh thẩm quyền — không phải là hướng dẫn không chính thức của phòng IT hay email thông báo từ ban giám hiệu.

Trụ cột B: Tổ chức và Con người

Trụ cột B xây dựng cơ cấu tổ chức và năng lực con người để thực hiện quản trị dữ liệu. Hệ thống phân cấp ba tầng được đề xuất:

Tầng 1 — Hội đồng Quản trị Dữ liệu Đại học (UDGC — University Data Governance Council): Cơ quan quyết sách cao nhất về dữ liệu, bao gồm Hiệu trưởng hoặc Phó Hiệu trưởng (chủ tịch), Giám đốc Dữ liệu (Chief Data Officer), đại diện các khoa và đơn vị chức năng, và Trưởng Phòng Pháp chế. UDGC họp định kỳ hàng quý để phê duyệt chính sách, xem xét rủi ro và đánh giá tiến độ.

Tầng 2 — Chủ sở hữu Dữ liệu (Data Owner): Lãnh đạo cấp khoa/phòng chịu trách nhiệm về dữ liệu trong miền của mình. Chủ sở hữu Dữ liệu không cần phải là chuyên gia kỹ thuật — họ là người hiểu rõ nhất về bối cảnh kinh doanh và giá trị của dữ liệu trong lĩnh vực của mình. Ví dụ: Trưởng Phòng Đào tạo là Chủ sở hữu Dữ liệu cho dữ liệu học tập; Trưởng Phòng Tài chính là Chủ sở hữu Dữ liệu cho dữ liệu tài chính.

Tầng 3 — Người quản lý Dữ liệu (Data Steward): Nhân viên chuyên trách hoặc kiêm nhiệm tại cấp thực thi, chịu trách nhiệm về chất lượng, tài liệu hóa và tuân thủ trong phạm vi cụ thể. Data Steward là "bộ mặt hàng ngày" của quản trị dữ liệu — người trả lời câu hỏi "dữ liệu này nghĩa là gì?" và "tại sao con số này khác với hệ thống kia?"

Để phát triển năng lực, cần thiết kế chương trình đào tạo theo ba cấp độ: nhận thức dữ liệu cho toàn thể cán bộ (4 giờ), thực hành quản trị dữ liệu cho Data Steward (16 giờ), và chuyên sâu về phân tích và kiến trúc dữ liệu cho đội ngũ kỹ thuật (theo nhu cầu). Raffaghelli, Manca và Stewart (2020) nhắc nhở rằng năng lực đọc dữ liệu phê phán cũng cần được phát triển cho sinh viên — không chỉ cho cán bộ.

Trụ cột C: Hạ tầng và Công nghệ

Trụ cột C bao gồm hệ thống kỹ thuật hỗ trợ quản trị dữ liệu. Các thành phần ưu tiên theo thứ tự triển khai:

Ưu tiên 1 — Từ điển Dữ liệu (Data Dictionary/Catalog): Công cụ tài liệu hóa định nghĩa, nguồn gốc và mối quan hệ của tất cả các yếu tố dữ liệu quan trọng. Đây là "ngôn ngữ chung" cho dữ liệu của trường — khi mọi người nói về "sinh viên đang học," họ đều hiểu cùng một định nghĩa.

Ưu tiên 2 — Hệ thống Kiểm soát Chất lượng Dữ liệu (Data Quality Management): Công cụ tự động phát hiện và báo cáo các vấn đề chất lượng dữ liệu: dữ liệu trùng lặp, thiếu, không hợp lệ hoặc không nhất quán.

Ưu tiên 3 — Hệ thống Quản lý Truy cập và Danh tính (IAM — Identity & Access Management): Kiểm soát ai có thể truy cập dữ liệu nào, với vai trò gì và trong điều kiện nào. Đây là hạ tầng kỹ thuật cốt lõi để thực thi chính sách truy cập dữ liệu.

Ưu tiên 4 — Nền tảng Tích hợp Dữ liệu (Data Integration Platform): Công cụ kết nối và đồng bộ dữ liệu giữa các hệ thống khác nhau. Đây là giải pháp cho vấn đề "đảo dữ liệu" mà không cần thay thế toàn bộ hệ thống hiện có.

Habib, Sharma và Ibrahim (2022), khi phân tích ứng dụng blockchain trong quản lý dữ liệu, chỉ ra rằng blockchain có tiềm năng ứng dụng trong xác thực bằng cấp và hồ sơ học tập — nhưng cần đánh giá cẩn thận về tính khả thi kỹ thuật, chi phí vận hành và lợi ích thực tế trước khi triển khai.

Trụ cột D: Văn hóa và Năng lực Số

Trụ cột D thừa nhận rằng ba trụ cột trước chỉ thành công nếu được hỗ trợ bởi văn hóa dữ liệu (data culture) tích cực. Xây dựng văn hóa dữ liệu là thách thức dài hạn nhất và không có "công thức tắt."

Các sáng kiến xây dựng văn hóa dữ liệu hiệu quả bao gồm:

Lãnh đạo làm gương: Khi lãnh đạo cấp cao thường xuyên tham chiếu dữ liệu trong các quyết định và cuộc họp, họ gửi tín hiệu rõ ràng rằng dữ liệu được coi trọng.
Câu chuyện thành công: Chia sẻ nội bộ những ví dụ cụ thể về cách dữ liệu đã giúp đưa ra quyết định tốt hơn — học sinh nào được hỗ trợ sớm nhờ phân tích dữ liệu, chương trình nào được cải thiện nhờ phân tích phản hồi sinh viên.
Diễn đàn dữ liệu định kỳ: Tổ chức các buổi chia sẻ nội bộ về phân tích dữ liệu, nơi các đơn vị trình bày những gì họ học được từ dữ liệu.
Công nhận và khen thưởng: Đưa "đóng góp cho văn hóa dữ liệu" vào tiêu chí đánh giá thi đua — không chỉ khen thưởng cá nhân mà còn tổ.

González-Varona, López-Paredes và Poza (2021) nhắc nhở rằng văn hóa dữ liệu không được xây dựng bằng cách ban hành chính sách — nó được xây dựng thông qua hàng trăm tương tác nhỏ hàng ngày, nơi mọi người trải nghiệm rằng làm việc với dữ liệu đúng cách được tạo điều kiện và công nhận.

4.3. Hệ thống phân loại và kiểm soát dữ liệu

4.3.1. Phân loại dữ liệu theo độ nhạy cảm

UDGF-V đề xuất hệ thống phân loại bốn cấp, tương thích với Nghị định 13/2023/NĐ-CP:

Cấp 0 — Dữ liệu Công khai: Thông tin có thể chia sẻ tự do với bất kỳ ai — trang web công khai, thông báo tuyển sinh, lịch học. Không có yêu cầu kiểm soát truy cập đặc biệt.

Cấp 1 — Dữ liệu Nội bộ: Thông tin chỉ dành cho cán bộ, sinh viên và các đối tác được ủy quyền — tài liệu nội bộ, thông tin liên lạc nội bộ, kết quả học tập tổng hợp (không ở cấp cá nhân). Cần xác thực để truy cập.

Cấp 2 — Dữ liệu Bảo mật: Thông tin cá nhân có thể nhận dạng (Personally Identifiable Information — PII) của sinh viên và cán bộ — điểm thi cá nhân, thông tin tài chính, hồ sơ y tế. Chỉ truy cập theo nguyên tắc "cần biết" (need-to-know), có log truy cập đầy đủ.

Cấp 3 — Dữ liệu Tối mật: Thông tin đặc biệt nhạy cảm — thông tin kỷ luật, hồ sơ sức khỏe tâm thần, thông tin an ninh. Kiểm soát truy cập nghiêm ngặt nhất, chỉ những người có thẩm quyền cụ thể mới có quyền truy cập, với phê duyệt bổ sung.

4.3.2. Kiểm soát chất lượng dữ liệu

Chất lượng dữ liệu được đánh giá theo sáu chiều: đúng đắn (accuracy), đầy đủ (completeness), nhất quán (consistency), kịp thời (timeliness), hợp lệ (validity) và duy nhất (uniqueness). Mỗi miền dữ liệu cần xác định ngưỡng chấp nhận được cho từng chiều — không phải mọi dữ liệu đều cần đạt 100% về tất cả sáu chiều.

Karkošková (2022) xác định rằng trong thực tế, cải thiện chất lượng dữ liệu hiệu quả nhất khi tập trung vào dữ liệu "quan trọng nhất" — những yếu tố dữ liệu có ảnh hưởng cao nhất đến quyết định. Phân tích tác động (data impact analysis) giúp xác định đâu là những yếu tố dữ liệu quan trọng cần ưu tiên cải thiện chất lượng trước.

4.4. Lộ trình triển khai ba giai đoạn

Dựa trên kinh nghiệm của Jim và Chang (2018) và Omar và Almaghthawi (2020), lộ trình triển khai UDGF-V được chia thành ba giai đoạn kế tiếp nhau, với mốc và chỉ tiêu rõ ràng.

Giai đoạn 1 — Nền tảng (12–18 tháng)

Mục tiêu: Xây dựng các yếu tố cơ bản không thể thiếu của quản trị dữ liệu.

Các bước ưu tiên: (1) Phê duyệt Chính sách Quản trị Dữ liệu Trường ở cấp Hội đồng trường; (2) Bổ nhiệm chính thức Giám đốc Dữ liệu và xác lập nhiệm vụ rõ ràng; (3) Kiểm kê toàn bộ hệ thống và kho dữ liệu hiện có (data inventory); (4) Phân loại dữ liệu hiện có theo hệ thống bốn cấp; (5) Triển khai từ điển dữ liệu cho các miền dữ liệu cốt lõi (đào tạo, tài chính, nhân sự); (6) Tổ chức đào tạo nhận thức dữ liệu cho toàn bộ cán bộ; (7) Thiết lập quy trình báo cáo và xử lý vi phạm dữ liệu.

Chỉ tiêu giai đoạn 1: Có Chính sách Quản trị Dữ liệu chính thức, từ điển dữ liệu bao phủ ít nhất 80% dữ liệu cốt lõi, 100% cán bộ hoàn thành đào tạo nhận thức dữ liệu cơ bản.

Giai đoạn 2 — Tích hợp (18–24 tháng tiếp theo)

Mục tiêu: Tích hợp dữ liệu giữa các hệ thống và nâng cao chất lượng dữ liệu.

Các bước ưu tiên: (1) Triển khai nền tảng tích hợp dữ liệu kết nối ít nhất ba hệ thống cốt lõi; (2) Xây dựng kho dữ liệu tích hợp (data warehouse) cho báo cáo quản lý; (3) Triển khai hệ thống kiểm soát chất lượng dữ liệu tự động; (4) Bổ nhiệm và đào tạo mạng lưới Data Steward ở tất cả các khoa và phòng ban; (5) Thực hiện đánh giá tác động bảo vệ dữ liệu (DPIA) cho ít nhất ba hệ thống xử lý dữ liệu nhạy cảm; (6) Kết nối với hệ thống cơ sở dữ liệu ngành giáo dục theo yêu cầu của Thông tư 09/2021/TT-BGDĐT.

Chỉ tiêu giai đoạn 2: Dữ liệu từ ít nhất ba hệ thống cốt lõi có thể truy vấn thống nhất, chất lượng dữ liệu cốt lõi đạt ít nhất 90% về tính đúng đắn và đầy đủ, kết nối dữ liệu với hệ thống quốc gia đầy đủ và đúng hạn.

Giai đoạn 3 — Tối ưu hóa (từ tháng 42 trở đi)

Mục tiêu: Phát triển ứng dụng dữ liệu tiên tiến và xây dựng văn hóa dữ liệu trưởng thành.

Các bước ưu tiên: (1) Triển khai phân tích học tập (learning analytics) với khung đạo đức và giám sát rõ ràng; (2) Phát triển mô hình dự báo hỗ trợ ra quyết định quản lý với cơ chế kiểm tra thiên kiến; (3) Triển khai chính sách Quản lý Dữ liệu Nghiên cứu theo nguyên tắc FAIR; (4) Xây dựng báo cáo thường niên về tình trạng quản trị dữ liệu (Data Governance Annual Report) công bố minh bạch với cộng đồng nhà trường; (5) Đánh giá mức độ trưởng thành quản trị dữ liệu định kỳ và lập kế hoạch cải tiến tiếp theo.

Chỉ tiêu giai đoạn 3: Ít nhất một ứng dụng phân tích học tập vận hành đầy đủ với cơ chế đạo đức, chính sách nghiên cứu dữ liệu đáp ứng tiêu chuẩn FAIR, và điểm trưởng thành quản trị dữ liệu (theo thang đo quốc tế) tăng ít nhất hai bậc so với trước khi triển khai UDGF-V.

Sucupira Furtado, da Silva và Ferreira (2023), trong nghiên cứu về khung chuyển đổi số hướng đến quản trị thông minh tại Brazil, xác nhận rằng lộ trình phân giai đoạn — trong đó mỗi giai đoạn xây dựng nền tảng cho giai đoạn tiếp theo — là cách tiếp cận bền vững hơn so với cố gắng triển khai toàn bộ cùng một lúc. Thành công ở giai đoạn đầu tạo ra niềm tin và nguồn lực chính trị để tiếp tục ở giai đoạn sau.

PHẦN 5: PHÂN TÍCH SO SÁNH VÀ BÀI HỌC THỰC TIỄN

5.1. So sánh quốc tế: Mô hình nào phù hợp nhất với bối cảnh Việt Nam?

Không có mô hình quản trị dữ liệu nào là tối ưu tuyệt đối — hiệu quả phụ thuộc vào bối cảnh tổ chức và quốc gia. Tuy nhiên, so sánh kinh nghiệm từ các nhóm quốc gia khác nhau có thể rút ra những bài học có tính ứng dụng cao cho Việt Nam.

5.1.1. Kinh nghiệm từ các đại học Mỹ và Anh

Các đại học nghiên cứu lớn tại Mỹ và Anh thường có nguồn lực và áp lực tuân thủ pháp lý thúc đẩy đầu tư sớm vào quản trị dữ liệu. Huang, Cox và Sbaffi (2020), nghiên cứu chính sách quản lý dữ liệu nghiên cứu tại các trường đại học Trung Quốc trong so sánh với Mỹ và Anh, nhận thấy rằng các trường đại học Mỹ và Anh hàng đầu thường bắt đầu với quản trị dữ liệu nghiên cứu — do áp lực từ các nhà tài trợ yêu cầu kế hoạch quản lý dữ liệu — rồi từ đó mở rộng sang quản trị dữ liệu tổng thể.

Liu, Zotoo và Su (2020) khảo sát chính sách quản lý dữ liệu nghiên cứu tại các trường đại học ở Mỹ, Anh và Australia và phát hiện rằng các trường đại học tại Australia có xu hướng triển khai chính sách dữ liệu nghiên cứu tập trung hơn, trong khi các trường Mỹ thường có cách tiếp cận phân tán hơn theo khoa/phòng thí nghiệm. Cả hai xu hướng đều cho kết quả tốt nhưng với những ưu điểm và thách thức khác nhau trong thực thi.

5.1.2. Kinh nghiệm từ các quốc gia đang phát triển

Chawinga và Zinn (2020) nghiên cứu quản lý dữ liệu nghiên cứu tại một trường y khoa ở châu Phi và ghi nhận những thách thức đặc thù của môi trường nguồn lực hạn chế: thiếu chính sách thể chế, thiếu nhân lực chuyên trách, và hạ tầng kỹ thuật không đồng đều. Đây là những thách thức quen thuộc với bối cảnh Việt Nam, dù mức độ có thể khác nhau.

Điều đáng chú ý từ nghiên cứu của Chawinga và Zinn là các trường đại học trong bối cảnh này không nhất thiết phải đi theo con đường tuyến tính từ "hạ tầng yếu → hạ tầng tốt → quản trị tốt." Họ có thể áp dụng chiến lược "bỏ qua" (leapfrogging) — sử dụng các giải pháp đám mây và công nghệ mở để thiết lập quản trị dữ liệu đáng tin cậy mà không cần đầu tư lớn vào hạ tầng on-premise.

Prinsloo và Kaliisa (2022) nhấn mạnh một điểm quan trọng: trong bối cảnh các quốc gia đang phát triển, quyền riêng tư dữ liệu cần được đặt trong bức tranh rộng hơn về bất bình đẳng số. Sinh viên từ các gia đình thu nhập thấp thường phải cung cấp nhiều thông tin nhạy cảm hơn (để xin học bổng, hỗ trợ tài chính) và ít có khả năng hiểu hoặc thực thi quyền dữ liệu của mình. Quản trị dữ liệu công bằng phải tính đến những bất cân xứng này.

5.1.3. Kinh nghiệm từ Hàn Quốc và Đông Á

Kim, An và Lee (2023) phân tích khung quản trị dữ liệu công tích hợp tại Hàn Quốc, trong đó hệ thống giáo dục đóng vai trò quan trọng. Hàn Quốc là một trong những quốc gia đầu tiên tại châu Á triển khai khung quản trị dữ liệu quốc gia toàn diện cho khu vực công, với yêu cầu cụ thể về kết nối dữ liệu giữa các trường đại học và hệ thống quốc gia. Kinh nghiệm này cho thấy vai trò quan trọng của chuẩn hóa từ trên xuống kết hợp với tự chủ thực thi từ dưới lên.

Quan trọng hơn, Hàn Quốc đã đầu tư mạnh vào đào tạo nhân lực quản trị dữ liệu ở cấp quốc gia — không chỉ đào tạo kỹ thuật mà còn đào tạo về chính sách và đạo đức dữ liệu. Cách tiếp cận này — đào tạo đồng thời kỹ thuật và chính sách — là bài học quan trọng cho Việt Nam, nơi xu hướng hiện nay thường tập trung vào đào tạo kỹ thuật số mà ít chú ý đến năng lực quản trị và đạo đức.

5.2. Quản trị dữ liệu và kết nối hệ sinh thái giáo dục

5.2.1. Từ quản trị nội bộ đến kết nối quốc gia

Một xu hướng ngày càng rõ ràng là quản trị dữ liệu trong giáo dục đại học không còn là vấn đề nội bộ của từng trường — nó phải được thiết kế để kết nối với hệ sinh thái dữ liệu rộng hơn. Tại Việt Nam, hệ sinh thái này bao gồm: hệ thống cơ sở dữ liệu ngành giáo dục (Bộ GD&ĐT), Cổng Dịch vụ Công Quốc gia, và trong tương lai, các nền tảng dữ liệu quốc gia khác.

Để chuẩn bị cho kết nối này, các trường đại học cần: chuẩn hóa định danh (mỗi sinh viên, cán bộ, học phần cần có ID duy nhất nhất quán), áp dụng chuẩn dữ liệu giáo dục quốc gia khi được ban hành, và thiết kế API (Giao diện Lập trình Ứng dụng) mở để kết nối hệ thống theo chuẩn ngành.

Safarov, Shayusupova và Xursandov (2024) lập luận rằng hệ thống dữ liệu phân tán hiện đại có thể cho phép các trường đại học duy trì quyền kiểm soát dữ liệu nội bộ trong khi vẫn tham gia hiệu quả vào các hệ sinh thái dữ liệu lớn hơn — đây là một mô hình đầy hứa hẹn cho bối cảnh Việt Nam, nơi cả hai yêu cầu đều cần được đáp ứng đồng thời.

5.2.2. Hợp tác nghiên cứu liên trường và quốc tế

Xu hướng nghiên cứu liên ngành và liên trường ngày càng tăng đòi hỏi khung quản trị dữ liệu có thể xử lý tốt dữ liệu chia sẻ giữa các tổ chức. Khi hai trường đại học hợp tác trong một dự án nghiên cứu, ai là người chịu trách nhiệm về dữ liệu được tạo ra chung? Khi sinh viên trao đổi giữa hai trường, dữ liệu học tập được quản trị theo chính sách của trường nào?

Những câu hỏi này đòi hỏi các thỏa thuận quản trị dữ liệu liên tổ chức (Data Sharing Agreements) rõ ràng trước khi hợp tác bắt đầu — không phải được giải quyết sau khi sự cố xảy ra. Ashiq, Usmani và Naeem (2020) ghi nhận rằng đây là một trong những khoảng trống lớn nhất trong thực tiễn quản lý dữ liệu nghiên cứu hiện nay, kể cả ở các trường đại học phát triển.

5.3. Đo lường mức độ trưởng thành quản trị dữ liệu

5.3.1. Tại sao cần đo lường?

Quản trị dữ liệu không phải là trạng thái nhị phân "có" hoặc "không có" — nó là một hành trình liên tục từ tình trạng hỗn loạn đến trưởng thành. Đo lường mức độ trưởng thành (maturity assessment) giúp tổ chức: hiểu rõ vị trí hiện tại của mình, xác định ưu tiên cải thiện, và theo dõi tiến độ theo thời gian.

Marks và AL-Ali (2020), trong khung đánh giá mức độ trưởng thành chuyển đổi số trong giáo dục đại học, đề xuất thang đo năm cấp độ: (1) Khởi đầu — ad hoc, phụ thuộc cá nhân; (2) Phát triển — quy trình được tài liệu hóa một phần; (3) Định nghĩa — quy trình chuẩn hóa toàn trường; (4) Quản lý — đo lường và kiểm soát định lượng; (5) Tối ưu — cải tiến liên tục dựa trên dữ liệu. Phần lớn các trường đại học Việt Nam hiện đang ở cấp độ 1–2 về quản trị dữ liệu.

Karkošková (2022) đề xuất khung đánh giá cụ thể hơn cho quản trị dữ liệu, với sáu chiều đánh giá: lãnh đạo và chiến lược, chính sách và tiêu chuẩn, cơ cấu tổ chức, năng lực con người, hạ tầng kỹ thuật, và văn hóa dữ liệu. Mỗi chiều được đánh giá từ 1–5 và tổng điểm cho phép so sánh theo thời gian.

5.3.2. Đề xuất đánh giá ban đầu cho trường Việt Nam

Trước khi thiết kế chương trình quản trị dữ liệu, mỗi trường nên thực hiện đánh giá sơ bộ về tám câu hỏi sau:

Trường có một văn bản chính sách dữ liệu chính thức được phê duyệt bởi cấp thẩm quyền không?
Có ai đó được phân công rõ ràng chịu trách nhiệm về chất lượng và bảo mật dữ liệu không?
Trường có biết chính xác có bao nhiêu hệ thống đang lưu trữ dữ liệu cá nhân sinh viên không?
Có quy trình xử lý vi phạm dữ liệu (data breach) không?
Sinh viên và cán bộ có cách để yêu cầu xem, sửa hoặc xóa dữ liệu của mình không?
Trường có thể tạo ra một báo cáo tổng hợp chính xác về số lượng sinh viên đang học mà không cần tổng hợp thủ công từ nhiều nguồn không?
Có quy trình đào tạo nhận thức bảo mật dữ liệu cho cán bộ mới không?
Dữ liệu được phân loại theo mức độ nhạy cảm và có các biện pháp bảo vệ tương ứng không?

Nếu trả lời "không" cho bốn câu hoặc nhiều hơn, trường cần ưu tiên xây dựng nền tảng quản trị dữ liệu cơ bản trước bất kỳ đầu tư nào vào phân tích học tập hay AI.

5.4. Tích hợp quản trị dữ liệu với quản trị đại học tổng thể

5.4.1. Quản trị dữ liệu như thành phần của quản trị tổ chức

Scalabrin Bianchi et al. (2021), trong nghiên cứu đa quốc gia về quản trị IT trong giáo dục đại học, nhấn mạnh rằng quản trị dữ liệu không nên là một sáng kiến độc lập mà cần được tích hợp vào khung quản trị tổ chức tổng thể của trường. Hội đồng trường nên có ít nhất một ủy ban hoặc tiểu ban phụ trách giám sát quản trị dữ liệu — đây là cơ chế đảm bảo rằng quản trị dữ liệu được nhìn nhận như vấn đề quản trị cấp cao, không phải vấn đề kỹ thuật cấp thấp.

Mohamed Hashim, Tlemsani và Matthews (2021) mô tả một mô hình tích hợp trong đó chiến lược dữ liệu của trường được đặt trong chiến lược chuyển đổi số tổng thể, chiến lược chuyển đổi số được đặt trong chiến lược phát triển trường. Chuỗi liên kết này đảm bảo rằng đầu tư vào quản trị dữ liệu được căn chỉnh với mục tiêu chiến lược của nhà trường, không phải là các dự án kỹ thuật độc lập.

5.4.2. Báo cáo minh bạch và trách nhiệm giải trình

Một thực hành tốt ngày càng phổ biến ở các đại học phát triển là công bố báo cáo thường niên về quản trị dữ liệu — tương tự như báo cáo thường niên về tài chính hay kiểm định chất lượng. Báo cáo này thông báo với cộng đồng nhà trường về: loại dữ liệu được thu thập và mục đích sử dụng, số lượng và tính chất các yêu cầu truy cập dữ liệu từ bên ngoài được xử lý, các sự cố bảo mật dữ liệu trong năm và cách xử lý, tiến độ thực hiện chính sách quản trị dữ liệu, và kế hoạch cải tiến năm tiếp theo.

Minh bạch chủ động này không chỉ là thực hành tốt về quản trị mà còn là cách xây dựng giấy phép xã hội (Prinsloo & Slade, 2015) — sự tin tưởng của cộng đồng rằng dữ liệu của họ được quản lý có trách nhiệm.

5.4.3. Tích hợp với hệ thống kiểm định chất lượng

Cuối cùng, quản trị dữ liệu và đảm bảo chất lượng (quality assurance) ngày càng gắn kết chặt chẽ hơn. Nhiều khung kiểm định chất lượng quốc tế hiện đại đang bắt đầu tích hợp yêu cầu về quản trị dữ liệu — từ câu hỏi về cơ sở dữ liệu quyết định của trường có đáng tin cậy không, đến yêu cầu về minh bạch trong sử dụng dữ liệu sinh viên cho quyết định học thuật.

Benavides et al. (2020) lập luận rằng chuyển đổi số giáo dục đại học và đảm bảo chất lượng phải được nhìn nhận như hai tiến trình bổ sung cho nhau: chuyển đổi số cung cấp hạ tầng để thu thập và phân tích dữ liệu chất lượng phong phú hơn, trong khi đảm bảo chất lượng cung cấp khung tiêu chuẩn để đánh giá và cải thiện. Quản trị dữ liệu là cầu nối giữa hai tiến trình này.

PHẦN 6: KHUYẾN NGHỊ, KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

6.1. Khuyến nghị chính sách cho Nhà nước và Bộ Giáo dục và Đào tạo

Để các trường đại học Việt Nam có thể xây dựng quản trị dữ liệu hiệu quả trong bối cảnh chuyển đổi số, cần có sự hỗ trợ chính sách đồng bộ từ cấp quốc gia. Bộ Giáo dục và Đào tạo nên ban hành Khung quản trị dữ liệu giáo dục đại học quốc gia, đặt ra các tiêu chuẩn tối thiểu về thu thập, lưu trữ, chia sẻ và bảo vệ dữ liệu mà mọi trường đại học phải tuân thủ. Khung này không nên là tài liệu kiểm tra tuân thủ cứng nhắc mà là nền tảng linh hoạt để từng trường phát triển thêm theo đặc thù riêng.

6.1.1. Hoàn thiện khung pháp lý đặc thù cho dữ liệu giáo dục

Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân là bước tiến quan trọng nhưng chưa đủ cho bối cảnh giáo dục đại học vốn có những đặc thù riêng: dữ liệu người học là người thành niên nhưng có thể thuộc diện dễ bị tổn thương; dữ liệu nghiên cứu có yêu cầu mở nhưng cũng cần bảo vệ; dữ liệu quản lý hành chính cần minh bạch nhưng có yếu tố cạnh tranh giữa các trường. Cần có Thông tư hướng dẫn riêng về quản trị dữ liệu trong giáo dục đại học quy định rõ: phân loại dữ liệu theo độ nhạy cảm trong bối cảnh giáo dục; quyền của sinh viên đối với dữ liệu cá nhân; nghĩa vụ của trường khi sử dụng dữ liệu học tập cho mục đích phân tích; và cơ chế xử lý vi phạm đặc thù.

6.1.2. Xây dựng hạ tầng dữ liệu quốc gia cho giáo dục

Hiện nay, mỗi trường đại học vận hành hệ thống dữ liệu riêng lẻ, tạo ra sự phân mảnh cực kỳ tốn kém và thiếu hiệu quả. Nhà nước cần đầu tư xây dựng Nền tảng dữ liệu giáo dục quốc gia với các thành phần: (1) Hệ thống định danh sinh viên toàn quốc để theo dõi hành trình học tập qua nhiều trường; (2) Kho dữ liệu nghiên cứu mở liên trường, giảm trùng lặp và tăng cộng tác; (3) Bảng điều khiển thống kê giáo dục thời gian thực phục vụ hoạch định chính sách; (4) Hệ thống API chuẩn để các trường kết nối vào nền tảng quốc gia trong khi vẫn duy trì quản trị dữ liệu nội bộ. Kinh nghiệm từ Hệ thống thông tin giáo dục quốc gia của Hàn Quốc (NEIS) cho thấy đầu tư ban đầu vào hạ tầng tập trung có thể giảm đáng kể chi phí vận hành dài hạn và nâng cao chất lượng dữ liệu cho toàn hệ thống.

6.1.3. Chương trình phát triển năng lực quốc gia

Thiếu hụt nhân lực quản trị dữ liệu trong giáo dục đại học không thể giải quyết bằng nỗ lực của từng trường riêng lẻ. Bộ Giáo dục và Đào tạo nên phối hợp với Bộ Thông tin và Truyền thông triển khai Chương trình học bổng chuyên ngành khoa học dữ liệu giáo dục để đào tạo thế hệ chuyên gia đầu tiên. Song song đó, cần xây dựng Cộng đồng thực hành quản trị dữ liệu đại học — nơi các Data Steward từ nhiều trường gặp nhau, chia sẻ kinh nghiệm, thảo luận tình huống khó và cùng phát triển chuẩn mực nghề nghiệp. Mô hình cộng đồng này thành công ở Úc (CAUDIT) và Vương quốc Anh (UCISA), tạo ra tác động lan tỏa vượt xa kết quả từ đào tạo chính thức.

6.2. Khuyến nghị thực hành cho lãnh đạo và quản trị đại học

6.2.1. Ưu tiên quản trị dữ liệu như ưu tiên chiến lược

Quản trị dữ liệu sẽ không bao giờ thành công nếu bị coi là nhiệm vụ của bộ phận công nghệ thông tin. Hội đồng trường và Ban giám hiệu cần đưa quản trị dữ liệu vào Chiến lược phát triển nhà trường giai đoạn 2025–2030 với: ngân sách riêng, nhân sự chuyên trách, và chỉ tiêu đo lường rõ ràng. Khi lãnh đạo cao nhất cam kết công khai với quản trị dữ liệu — bằng cách tham dự các buổi báo cáo tình trạng dữ liệu, phê duyệt chính sách dữ liệu, và yêu cầu các báo cáo chiến lược phải dựa trên dữ liệu — thái độ của toàn tổ chức sẽ thay đổi theo.

6.2.2. Lựa chọn mô hình quản trị phù hợp với giai đoạn phát triển

Không có mô hình quản trị dữ liệu nào phù hợp với mọi trường đại học Việt Nam. Dựa trên phân tích trong bài nghiên cứu này, đề xuất lựa chọn như sau: (a) Trường quy mô nhỏ hoặc mới bắt đầu (dưới 10.000 sinh viên, chưa có hệ thống quản lý tích hợp): bắt đầu với mô hình Tập trung đơn giản, một đơn vị dữ liệu trung tâm kiêm nhiệm, tập trung vào dữ liệu hành chính trước; (b) Trường đa ngành, quy mô trung bình (10.000–30.000 sinh viên, có nhiều khoa/viện với tính tự chủ cao): áp dụng mô hình Hỗn hợp có điều phối trung tâm, trong đó Hội đồng quản trị dữ liệu đặt tiêu chuẩn nhưng các khoa có Data Steward riêng; (c) Đại học lớn đa cơ sở hoặc trọng điểm quốc gia: hướng tới mô hình Liên bang có phối hợp chiến lược, với CDO/CIO có quyền hạn thực sự và hệ thống quản trị dữ liệu được tích hợp vào hệ thống quản trị đại học tổng thể.

6.2.3. Xây dựng văn hóa dữ liệu song song với hệ thống kỹ thuật

Bài học từ các trường thất bại trong triển khai quản trị dữ liệu thường có cùng nguyên nhân: đầu tư quá nhiều vào phần mềm và hạ tầng, đầu tư quá ít vào con người và văn hóa. Các trường nên dành ít nhất 30% ngân sách quản trị dữ liệu cho các hoạt động văn hóa: đào tạo năng lực dữ liệu cho giảng viên và nhân viên; workshop "học bằng làm" về đọc hiểu và phân tích dữ liệu; chương trình khen thưởng cho những sáng kiến dựa trên dữ liệu; và truyền thông nội bộ về thành công và thất bại trong quản lý dữ liệu để xây dựng nhận thức chung.

6.3. Khuyến nghị cho các nhà nghiên cứu

Mặc dù quản trị dữ liệu đại học đang ngày càng được chú ý, vẫn còn nhiều khoảng trống nghiên cứu đáng kể, đặc biệt trong bối cảnh Việt Nam và các quốc gia đang phát triển. Đề xuất ba hướng nghiên cứu ưu tiên:

Hướng 1 — Đánh giá thực trạng hệ thống: Cần có nghiên cứu khảo sát quy mô quốc gia về tình trạng quản trị dữ liệu tại các trường đại học Việt Nam hiện nay, sử dụng công cụ đo lường độ trưởng thành chuẩn hóa. Kết quả sẽ cung cấp đường cơ sở để đo lường tiến bộ và giúp phân loại trường theo nhóm nhu cầu để hỗ trợ có mục tiêu.

Hướng 2 — Nghiên cứu can thiệp và tác động: Nghiên cứu theo dõi dọc (longitudinal) về các trường triển khai khung UDGF-V hoặc tương đương, đánh giá tác động thực tế của quản trị dữ liệu lên chất lượng quyết định, hiệu quả vận hành, và trải nghiệm sinh viên. Nghiên cứu can thiệp có nhóm đối chứng sẽ cung cấp bằng chứng nhân quả mà các nghiên cứu mô tả không thể cung cấp.

Hướng 3 — Thách thức riêng của bối cảnh Đông Nam Á: Các nghiên cứu hiện có chủ yếu đến từ Mỹ, Anh, Úc, và một phần từ Trung Đông. Bối cảnh Đông Nam Á với đặc thù về tập thể chủ nghĩa, quan hệ thứ bậc trong tổ chức, khả năng tài chính hạn chế, và giai đoạn phát triển của chính phủ điện tử tạo ra những thách thức đặc thù chưa được nghiên cứu đầy đủ. Nghiên cứu so sánh đa quốc gia ASEAN về quản trị dữ liệu giáo dục đại học là hướng đặc biệt có giá trị.

6.4. Kết luận

Bài viết này đã phân tích toàn diện các mô hình, khung lý thuyết, thách thức, và con đường tiến tới quản trị dữ liệu hiệu quả trong các trường đại học Việt Nam trong bối cảnh chuyển đổi số. Qua nghiên cứu này, một số kết luận cốt lõi có thể rút ra:

Quản trị dữ liệu không còn là lựa chọn. Trong môi trường số hóa ngày càng sâu rộng, dữ liệu đã trở thành tài sản chiến lược của trường đại học — không kém gì con người, cơ sở vật chất hay tài chính. Trường nào quản trị dữ liệu tốt sẽ có lợi thế cạnh tranh trong thu hút sinh viên, nâng cao chất lượng đào tạo, đẩy mạnh nghiên cứu, và thực hiện trách nhiệm giải trình với xã hội. Trường nào thờ ơ với quản trị dữ liệu sẽ ngày càng bị tụt hậu trong kỷ nguyên số.

Mô hình hỗn hợp phù hợp nhất với đại học Việt Nam. Phân tích so sánh cho thấy cả mô hình tập trung tuyệt đối (thiếu linh hoạt, không phù hợp với tự chủ khoa học) lẫn mô hình liên bang phân tán hoàn toàn (tốn kém, thiếu nhất quán) đều không phù hợp với bối cảnh Việt Nam. Mô hình hỗn hợp có điều phối chiến lược từ trung tâm — được thể hiện qua khung UDGF-V — cân bằng giữa nhất quán và linh hoạt, giữa kiểm soát và sáng tạo.

Con người và văn hóa quan trọng hơn công nghệ. Bài học từ cả nghiên cứu quốc tế lẫn thực tiễn triển khai tại Việt Nam đều chỉ ra rằng: không có hệ thống phần mềm nào có thể thay thế cho văn hóa dữ liệu lành mạnh. Đầu tư vào đào tạo, xây dựng năng lực, và thay đổi hành vi phải được ưu tiên ngang với đầu tư kỹ thuật.

Đạo đức không phải rào cản mà là nền tảng. Các nguyên tắc đạo đức — bảo vệ quyền riêng tư, minh bạch trong phân tích học tập, tôn trọng quyền tự quyết của cộng đồng với dữ liệu — không nên được coi là những ràng buộc pháp lý phải tuân thủ một cách miễn cưỡng. Chúng là nền tảng để xây dựng lòng tin của sinh viên, giảng viên, và cộng đồng — mà không có lòng tin đó, toàn bộ hệ thống quản trị dữ liệu sẽ thiếu tính bền vững.

Chuyển đổi là hành trình, không phải sự kiện. Xây dựng năng lực quản trị dữ liệu là quá trình nhiều năm, đòi hỏi kiên nhẫn, học hỏi liên tục, và sẵn sàng điều chỉnh. Không có trường nào đạt đến "trạng thái hoàn hảo" về quản trị dữ liệu — chuẩn mực liên tục thay đổi cùng với công nghệ và kỳ vọng xã hội. Tư duy học hỏi và cải thiện liên tục là yêu cầu sống còn.

Khung UDGF-V được đề xuất trong bài viết này — với bốn trụ cột Thể chế & Chính sách, Tổ chức & Con người, Hạ tầng & Công nghệ, Văn hóa & Năng lực Số — cung cấp một bản đồ đường đi có căn cứ lý thuyết và phù hợp với bối cảnh Việt Nam. Đây không phải mô hình cuối cùng mà là điểm xuất phát: các trường và nhà nghiên cứu cần thử nghiệm, đánh giá, và phát triển nó tiếp theo thực tiễn triển khai. Mục tiêu cao nhất không phải là tuân thủ một khung mô hình mà là xây dựng năng lực thể chế để mỗi trường đại học Việt Nam trở thành tổ chức dựa trên dữ liệu — phục vụ tốt hơn cho người học, đóng góp nhiều hơn cho khoa học, và thực hiện trách nhiệm xã hội một cách minh bạch và đáng tin cậy.

Tài liệu tham khảo

Abad-Segura, E., González-Zamar, M. D., & Infante-Moro, J. C. (2020). Sustainable management of digital transformation in higher education: Global research trends. Sustainability, 12(5), 2107. https://doi.org/10.3390/su12052107 [Xem tóm tắt]

Al-Ruithe, M., Benkhelifa, E., & Hameed, K. (2019). A systematic literature review of data governance and cloud data governance. Personal and Ubiquitous Computing, 23(5–6), 839–859. https://doi.org/10.1007/s00779-017-1104-3 [Xem tóm tắt]

Ashiq, M., Usmani, M. U. H., & Naeem, M. (2020). A systematic literature review on research data management practices and services. Global Knowledge, Memory and Communication, 70(8/9), 621–649. https://doi.org/10.1108/GKMC-02-2020-0021 [Xem tóm tắt]

Ban Chấp hành Trung ương Đảng (2019). Nghị quyết số 52-NQ/TW ngày 27 tháng 9 năm 2019 của Bộ Chính trị về một số chủ trương, chính sách chủ động tham gia cuộc Cách mạng công nghiệp lần thứ tư. Văn phòng Trung ương Đảng. [Xem tóm tắt]

Benavides, L. M. C., Tamayo Arias, J. A., Arango Serna, M. D., Branch Bedoya, J. W., & Burgos, D. (2020). Digital transformation in higher education institutions: A systematic literature review. Sensors, 20(11), 3291. https://doi.org/10.3390/s20113291 [Xem tóm tắt]

Bộ Giáo dục và Đào tạo (2021). Thông tư số 09/2021/TT-BGDĐT ngày 30 tháng 3 năm 2021. Bộ Giáo dục và Đào tạo. [Xem tóm tắt]

Carroll, S. R., Garba, I., Figueroa-Rodríguez, O. L., Holbrook, J., Lovett, R., Materechera, S., Parsons, M., Raseroka, K., Rodriguez-Lonebear, D., Rowe, R., Sara, R., Walker, J. D., Anderson, J., & Hudson, M. (2020). The CARE Principles for Indigenous Data Governance. Data Science Journal, 19(1), 43. https://doi.org/10.5334/dsj-2020-043 [Xem tóm tắt]

Chawinga, W. D., & Zinn, S. (2020). Research data management practices in a university library: A case study. Information Development, 36(1), 168–183. https://doi.org/10.1177/0266666919841456 [Xem tóm tắt]

Chính phủ Việt Nam (2023). Nghị định số 13/2023/NĐ-CP ngày 17 tháng 4 năm 2023 về bảo vệ dữ liệu cá nhân. Chính phủ nước Cộng hòa xã hội chủ nghĩa Việt Nam. [Xem tóm tắt]

Choenni, R., Bargh, M., & Busker, T. (2022). Towards a data governance framework for smart cities. In Proceedings of the 15th International Conference on Theory and Practice of Electronic Governance (pp. 285–292). https://doi.org/10.1145/3560107.3560152 [Xem tóm tắt]

DAMA International (2017). DAMA-DMBOK: Data Management Body of Knowledge (2nd ed.). Technics Publications. [Xem tóm tắt]

Gkrimpizi, T., Peristeras, V., & Magnisalis, I. (2023). Classification of barriers to digital transformation in higher education institutions: Systematic literature review. Education Sciences, 13(7), 746. https://doi.org/10.3390/educsci13070746 [Xem tóm tắt]

González-Varona, J. M., López-Paredes, A., & Poza, D. (2021). Building and development of an organisational competence for digital transformation in SMEs. Journal of Industrial Engineering and Management, 14(1), 15–24. https://doi.org/10.3926/jiem.3279 [Xem tóm tắt]

Habib, S., Sharma, P., & Ibrahim, A. (2022). Enabling technologies for smart education. In 2022 IEEE 12th Annual Computing and Communication Workshop and Conference (CCWC). https://doi.org/10.1109/CCWC54503.2022.9720800 [Xem tóm tắt]

Hanelt, A., Bohnsack, R., Marz, D., & Antunes Marante, C. (2021). A systematic review of the literature on digital transformation: Insights and implications for strategy and organizational change. Journal of Management Studies, 58(5), 1159–1197. https://doi.org/10.1111/joms.12639 [Xem tóm tắt]

Huang, H., Cox, A. M., & Sbaffi, L. (2020). Research data management policy in Chinese universities. Aslib Journal of Information Management, 72(5), 795–813. https://doi.org/10.1108/AJIM-02-2020-0041 [Xem tóm tắt]

Janssen, M., Brous, P., Estevez, E., Barbosa, L. S., & Janowski, T. (2020). Data governance: Organizing data for trustworthy artificial intelligence. Government Information Quarterly, 37(3), 101493. https://doi.org/10.1016/j.giq.2020.101493 [Xem tóm tắt]

Jim, C., & Chang, C. (2018). A framework for university data governance in the era of big data. Educational Technology & Society, 21(3), 197–210. [Xem tóm tắt]

Jones, K. M. L. (2019). Learning analytics and higher education: A proposed model for establishing informed consent mechanisms to promote student privacy and autonomy. International Journal of Educational Technology in Higher Education, 16(1), 24. https://doi.org/10.1186/s41239-019-0155-0 [Xem tóm tắt]

Karkošková, S. (2022). Data governance model to enhance data quality in the financial sector. Procedia Computer Science, 196, 509–517. https://doi.org/10.1016/j.procs.2021.12.044 [Xem tóm tắt]

Khalil, M., Kastl, C., & Ebner, M. (2023). Ethical frameworks for learning analytics: A systematic literature review. Educational Technology & Society, 26(2), 23–36. [Xem tóm tắt]

Kim, J., An, S., & Lee, H. (2023). An integrated data governance framework for public data in the era of digital government. Government Information Quarterly, 40(2), 101810. https://doi.org/10.1016/j.giq.2023.101810 [Xem tóm tắt]

Komljenovic, J. (2020). The rise of education rentiers: Digital platforms, data, and platformisation of higher education. Research Policy, 49(5), 104118. https://doi.org/10.1016/j.respol.2020.104118 [Xem tóm tắt]

Kraus, S., Jones, P., Kailer, N., Weinmann, A., Chaparro-Banegas, N., & Roig-Tierno, N. (2021). Digital transformation: An overview of the current state of the art of research. SAGE Open, 11(3). https://doi.org/10.1177/21582440211047576 [Xem tóm tắt]

Labadie, M., & Legner, C. (2023). Building data management capabilities to comply with data privacy regulation. Business & Information Systems Engineering, 65(3), 261–282. https://doi.org/10.1007/s12599-023-00799-5 [Xem tóm tắt]

Leonelli, S. (2019). Data governance is key to interpretation: Reconceptualising data in data science. Harvard Data Science Review, 1(1). https://doi.org/10.1162/99608f92.17405dd9 [Xem tóm tắt]

Liu, Y., Zotoo, I. K., & Su, J. (2020). Research data management policies in higher educational institutions: A content analysis. Malaysian Journal of Library & Information Science, 25(1), 19–39. https://doi.org/10.22452/mjlis.vol25no1.2 [Xem tóm tắt]

Luan, H., Geczy, P., & Lai, H. (2020). Challenges and future directions of big data and artificial intelligence in education. Frontiers in Psychology, 11, 580820. https://doi.org/10.3389/fpsyg.2020.580820 [Xem tóm tắt]

Marks, A., & AL-Ali, M. (2020). Digital transformation in higher education: A framework for maturity assessment. In ICERI2020 Proceedings (pp. 1681–1690). https://doi.org/10.21125/iceri.2020.0390 [Xem tóm tắt]

Micheli, M., Ponti, M., Craglia, M., & Berti Suman, A. (2020). Emerging models of data governance in the age of datafication. Big Data & Society, 7(2). https://doi.org/10.1177/2053951720948087 [Xem tóm tắt]

Mohamed Hashim, M. A., Tlemsani, I., & Matthews, R. (2021). Higher education strategy in digital transformation. Education and Information Technologies, 27(3), 3171–3195. https://doi.org/10.1007/s10639-021-10739-x [Xem tóm tắt]

Nambiar, A., & Mundra, D. (2022). An overview of data warehouse and data lake in modern enterprise data management. Big Data and Cognitive Computing, 6(4), 132. https://doi.org/10.3390/bdcc6040132 [Xem tóm tắt]

Nguyễn Minh Trí, & Phạm Duy Hoàng (2023). Thực trạng ứng dụng phân tích dữ liệu trong quản lý giáo dục đại học tại Việt Nam. Tạp chí Nghiên cứu Giáo dục, 1(2023), 45–56. [Xem tóm tắt]

Omar, M., & Almaghthawi, A. (2020). A framework for data governance in Saudi Arabian higher education institutions. International Journal of Advanced Computer Science and Applications, 11(6), 349–358. [Xem tóm tắt]

Peukert, C., Bechtold, S., & Batikas, M. (2022). European privacy law and global markets for data. The Review of Economic Studies, 89(6), 3365–3405. https://doi.org/10.1093/restud/rdac001 [Xem tóm tắt]

Prinsloo, P., & Kaliisa, R. (2022). Student data privacy in higher education: Implications for learning analytics. Perspectives in Education, 40(1), 203–220. https://doi.org/10.18820/2519593X/pie.v40.i1.13 [Xem tóm tắt]

Prinsloo, P., & Slade, S. (2015). Student vulnerability, agency and learning analytics: An exploration. Journal of Learning Analytics, 2(1), 159–182. https://doi.org/10.18608/jla.2015.21.10 [Xem tóm tắt]

Raffaghelli, J. E., Manca, S., & Stewart, B. (2020). Students' data literacy needs from a higher education perspective. Journal of New Approaches in Educational Research, 9(2), 160–176. https://doi.org/10.7821/naer.2020.7.563 [Xem tóm tắt]

Safarov, F., Shayusupova, N., & Xursandov, A. (2024). Distributed data systems in knowledge management for educational decision-making. International Journal of Knowledge Management, 20(1), 1–18. https://doi.org/10.4018/IJKM.341001 [Xem tóm tắt]

Scalabrin Bianchi, I., Dinis Sousa, R., & Pereira, R. (2021). IT governance in higher education institutions through data management. Information Systems Frontiers, 23(1), 231–245. https://doi.org/10.1007/s10796-020-09997-6 [Xem tóm tắt]

Sucupira Furtado, R., da Silva, F., & Ferreira, A. (2023). Digital transformation towards smart governance in Brazilian higher education. Digital Government: Research and Practice, 4(1). https://doi.org/10.1145/3579041 [Xem tóm tắt]

Thủ tướng Chính phủ (2020). Quyết định số 749/QĐ-TTg ngày 03 tháng 6 năm 2020 phê duyệt Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030. Văn phòng Chính phủ. [Xem tóm tắt]

Thủ tướng Chính phủ (2022). Quyết định số 131/QĐ-TTg ngày 25 tháng 01 năm 2022 về việc phê duyệt Đề án Tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022–2025, định hướng đến năm 2030. Văn phòng Chính phủ. [Xem tóm tắt]

Trần Khánh Đức (2021). Chuyển đổi số và đổi mới giáo dục đại học Việt Nam trong bối cảnh cách mạng công nghiệp 4.0. Tạp chí Khoa học Giáo dục Việt Nam, 37, 1–8. [Xem tóm tắt]

UNESCO (2021). Recommendation on the Ethics of Artificial Intelligence. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000381137 [Xem tóm tắt]

van Zoonen, L. (2020). Data governance and citizen participation in the digital welfare state. Data & Policy, 2, e10. https://doi.org/10.1017/dap.2020.10 [Xem tóm tắt]

Vu Khanh Quy, Bui Trung Thanh, & Chehri, A. (2023). Applying AI and data management in digital transformation of higher education. IEEE Access, 11, 41597–41611. https://doi.org/10.1109/ACCESS.2023.3270623 [Xem tóm tắt]

Wang, H., & Jiang, Z. (2022). A comprehensive data governance framework for big data in higher education institutions. Journal of Educational Technology Development and Exchange, 15(1), 1–28. [Xem tóm tắt]

Weber, K., Otto, B., & Österle, H. (2009). One size does not fit all — A contingency approach to data governance. Journal of Data and Information Quality, 1(1), 1–27. https://doi.org/10.1145/1515693.1515696 [Xem tóm tắt]

Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J. W., da Silva Santos, L. B., Bourne, P. E., Bouwman, J., Brookes, A. J., Clark, T., Crosas, M., Dillo, I., Dumon, O., Edmunds, S., Evelo, C. T., Finkers, R., ... Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18 [Xem tóm tắt]

Williamson, B. (2018). The hidden architecture of higher education: Building a big data infrastructure for the 'smarter university'. International Journal of Educational Technology in Higher Education, 15(1), 12. https://doi.org/10.1186/s41239-018-0094-1 [Xem tóm tắt]

Yang, Y., Xiong, X., & Ren, J. (2020). Security and privacy for big data storage and sharing in cloud. IEEE Access, 8, 145928–145958. https://doi.org/10.1109/ACCESS.2020.3015508 [Xem tóm tắt]

Zaidan, E., & Ibrahim, H. K. (2022). Big data analytics and research data management in higher education: Challenges and opportunities. Education and Information Technologies, 27(4), 5487–5512. https://doi.org/10.1007/s10639-021-10826-z [Xem tóm tắt]

Mô hình quản trị dữ liệu cho Trường đại học trong bối cảnh chuyển đổi số hiện nay