Tổng quan về luận án

Công cuộc chuyển đổi số trong giáo dục đại học dưới tác động của cuộc Cách mạng Công nghiệp 4.0 đang đặt ra yêu cầu cấp thiết về việc tái cấu trúc mô hình sư phạm truyền thống. Luận án tiến sĩ chuyên ngành Lí luận và phương pháp dạy học (Mã số: 9140110) của nghiên cứu sinh Đinh Thị Mỹ Hạnh, dưới sự hướng dẫn khoa học của PGS. Ngô Tứ Thành tại Đại học Bách khoa Hà Nội, mang tiêu đề: "Dạy học cho sinh viên ngành Công nghệ thông tin với sự hỗ trợ của công nghệ Trí tuệ nhân tạo". Công trình nghiên cứu này xác lập một bước tiến mang tính tiên phong trong việc tích hợp Trí tuệ nhân tạo trong giáo dục (Artificial Intelligence in Education - AIEd) vào quá trình đào tạo bậc đại học tại Việt Nam, đặc biệt hướng tới đối tượng sinh viên ngành Công nghệ Thông tin (CNTT) – lực lượng nòng cốt của nền kinh tế số.

Khoảng trống nghiên cứu (Research Gap) cốt lõi được luận án xác định xuất phát từ thực tế: Mặc dù các công nghệ AI như Hệ thống dạy kèm thông minh (Intelligent Tutoring Systems - ITS), Chatbot xử lý ngôn ngữ tự nhiên và học máy (Machine Learning) đã phát triển mạnh mẽ trên thế giới, việc ứng dụng AI trong giáo dục đại học tại Việt Nam vẫn còn phân mảnh, mang tính tự phát và thiếu hụt một khung lí luận sư phạm hoàn chỉnh. Đa phần các nghiên cứu trước đây chỉ dừng lại ở việc số hóa tài liệu hoặc sử dụng các nền tảng E-learning thụ động mà chưa khai thác được khả năng phân tích dữ liệu hành vi để cá nhân hóa lộ trình học tập và hỗ trợ tương tác thời gian thực.

Luận án tập trung giải quyết 06 câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng 01 giả thuyết nghiên cứu (Research Hypothesis - H1) trung tâm:

  • RQ1: Tổng quan về AI và những ảnh hưởng, tác động của AI đến quá trình dạy học trong bối cảnh hiện nay như thế nào?
  • RQ2: Chatbot và cá nhân hoá học tập được ứng dụng như thế nào trong việc hỗ trợ dạy học cho sinh viên ngành CNTT?
  • RQ3: Các biện pháp sư phạm nào cần được thiết lập để áp dụng AI hiệu quả trong hỗ trợ dạy học cho sinh viên ngành CNTT?
  • RQ4: Công cụ và kiến trúc công nghệ nào tối ưu để hỗ trợ môi trường dạy học tích hợp AI cho sinh viên ngành CNTT?
  • RQ5: Quy trình đo lường và đánh giá độ tin cậy của việc ứng dụng AI hỗ trợ dạy học cho sinh viên ngành CNTT được thực hiện như thế nào?
  • RQ6: Liệu có sự khác biệt có ý nghĩa thống kê về mức độ trải nghiệm và kết quả học tập giữa nhóm sinh viên thực nghiệm (có sự hỗ trợ của AI) và đối chứng (không có sự hỗ trợ của AI)?
  • H1 (Giả thuyết nghiên cứu): Nếu xác định được các cơ sở khoa học (lí luận và thực tiễn) của dạy học với sự hỗ trợ của công nghệ AI ở bậc đại học kết hợp với một tiến trình cụ thể để thiết kế dạy học cho sinh viên ngành CNTT thì sẽ tạo ra tác động tích cực có ý nghĩa thống kê đến kết quả và năng lực tự học của sinh viên.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết kết nối (Connectivism của George Siemens), Thuyết kiến tạo xã hội (Social Constructivism của Lev Vygotsky), Mô hình tri thức sư phạm nội dung công nghệ (TPACK của Mishra & Koehler) và Mô hình thiết kế dạy học của Dick & Carey. Phạm vi nghiên cứu được triển khai thực nghiệm sư phạm trực tiếp trên các nhóm sinh viên đại học ngành CNTT tại Đại học Đà Nẵng trong giai đoạn từ năm 2020 đến năm 2023, tập trung vào các học phần cơ sở ngành như Tin học đại cương, Kỹ thuật lập trình C/C++ và Đồ họa máy tính.

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy AIEd đã trải qua hơn năm thập kỷ phát triển kể từ thập niên 1970 (Carbonell, 1970; Wenger, 1987). Sự tiến hóa của AIEd được phân chia thành hai trường phái kỹ thuật chính theo phân loại của Tuomi (2018): (1) AI dựa trên tri thức/mô hình biểu diễn chuyên gia (Knowledge-based/Rule-based AI) và (2) AI hướng dữ liệu (Data-driven AI/Machine Learning). Trong khi các nghiên cứu giai đoạn đầu tập trung vào các hệ thống chuyên gia cố định, làn sóng nghiên cứu hiện đại chuyển dịch mạnh mẽ sang việc khai phá dữ liệu giáo dục (Educational Data Mining - EDM) và phân tích học tập (Learning Analytics) nhằm xây dựng Mô hình người học mở (Open Learner Models - OLMs) (Bull & Kay, 2016).

Trong bức tranh học thuật quốc tế, tồn tại hai luồng quan điểm đối lập về vai trò của AI trong giáo dục:

  1. Quan điểm thay thế công nghệ (Technological Substitution View): Cho rằng các hệ thống gia sư AI và thuật toán học sâu có thể đảm nhiệm hầu hết các chức năng giảng dạy, từ truyền thụ tri thức, chấm điểm tự động đến tối ưu hóa lộ trình cá nhân mà không cần sự can thiệp liên tục của con người (Luckin et al., 2016).
  2. Quan điểm hỗ trợ sư phạm tích hợp (Augmented Pedagogy View): Khẳng định AI không thể thay thế nhà giáo dục mà đóng vai trò như một "cộng tác viên/trợ giảng ảo" (Virtual Co-tutor), giải phóng giảng viên khỏi các tác vụ hành chính, lặp lại để tập trung vào phát triển tư duy bậc cao, phản biện và tương tác cảm xúc xã hội (Marr, 2018; Baker, 2016).

Luận án của Đinh Thị Mỹ Hạnh định vị vững chắc theo trường phái Augmented Pedagogy. Tác giả khẳng định:

"Bản chất của việc sử dụng AI trong dạy học được đề cập đến trong luận án này là 'hỗ trợ dạy học'. AI không thay thế hoàn toàn vai trò của GV trong việc tổ chức và triển khai các hoạt động, nội dung dạy học. Sự hỗ trợ đó sẽ giúp GV giảm một phần thời gian tương tác với SV, SV có sự hỗ trợ của AI trong việc đánh giá, nhận xét kết quả học tập và gợi ý tài liệu ôn tập phù hợp với khả năng của SV."

Khi so sánh với các công trình quốc tế điển hình, luận án thể hiện sự tiếp thu có chọn lọc và bản địa hóa sâu sắc:

  • So với hệ thống StuDiAsE (Learner Diagnosis, Assistance, Evaluation System) của Samarakou và cộng sự (2018) tại châu Âu – vốn tập trung vào chẩn đoán lỗi logic của sinh viên kỹ thuật trong môi trường OLE nhưng cấu trúc can thiệp còn cứng nhắc, luận án đã mở rộng khả năng tương tác linh hoạt bằng cách tích hợp Chatbot thông minh dựa trên kiến trúc xử lý ngôn ngữ tự nhiên và API GPT (Generative Pre-trained Transformer) để giải đáp thắc mắc lập trình 24/7.
  • So với hệ thống đối thoại ảo AutoTutor của Graesser và cộng sự (2005) tại Đại học Memphis (Hoa Kỳ) – chủ yếu sử dụng các kịch bản đối thoại bằng tiếng Anh theo cấu trúc cây quyết định, hệ sinh thái web của luận án đã kết hợp thuật toán phân cụm $K$-Nearest Neighbor (KNN) với cơ chế chấm mã nguồn tự động (Testcase runner) tối ưu hóa riêng cho ngữ cảnh đào tạo CNTT tại các trường đại học Việt Nam.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại những đóng góp học thuật quan trọng, làm phong phú thêm hệ thống lý luận dạy học đại học:

  1. Mở rộng Khung TPACK trong kỷ nguyên AI (AI-infused TPACK): Luận án tái định nghĩa mối quan hệ tương hỗ giữa ba thành tố cốt lõi: Kiến thức nội dung (CK), Kiến thức sư phạm (PK) và Kiến thức công nghệ (TK). Trong mô hình mới, TK không còn là công cụ trình diễn đơn thuần mà chuyển thành "Thực thể trí tuệ tương tác thích ứng", tham gia trực tiếp vào việc tái cấu trúc phương pháp dạy học (PK) và phân hóa nội dung (CK).
  2. Cụ thể hóa Lý thuyết kết nối (Connectivism) của George Siemens: Luận án chứng minh rằng các nút mạng tri thức (nodes) trong môi trường học tập thế kỷ XXI không chỉ bao gồm con người và tài nguyên số tĩnh, mà còn bao gồm các thuật toán AI đóng vai trò như các "nút điều hướng thông minh", tự động kết nối người học với các học liệu số (Digital Learning Resources - DLR) phù hợp nhất.
  3. Tái định nghĩa bản chất của sự khác biệt cá nhân trong nhận thức:

"Dưới quan điểm mới của AI, SV không theo kịp bài giảng không hẳn là kém, mà thực ra đó là do cách học và cách dạy không hợp nhau. Ứng dụng AI trong dạy học, với cùng một khái niệm kiến thức, các SV khác nhau có thể tiếp thu khác nhau, lúc này AI có thể biết được năng lực tiếp thu của từng SV và đưa ra chiến lược dạy học khác nhau phù hợp nhận thức của từng SV."

                 +---------------------------------------------------+
                 |           MÔ HÌNH HỆ SINH THÁI AI-ED              |
                 +---------------------------------------------------+
                                           |
                 +-------------------------+-------------------------+
                 |                                                   |
                 v                                                   v
   +---------------------------+                       +---------------------------+
   |   GIẢNG VIÊN (CO-ORCHESTRATION)                   |  SINH VIÊN (SELF-REGULATED) |
   | - Thiết kế kịch bản dạy học                       | - Tương tác chủ động 24/7 |
   | - Can thiệp sư phạm trúng đích                    | - Luyện tập qua Testcases |
   | - Quản trị nội dung & DLR                         | - Nhận phản hồi tức thì   |
   +---------------------------+                       +---------------------------+
                 |                                                   |
                 +-------------------------+-------------------------+
                                           |
                                           v
                       +---------------------------------------+
                       |    HỆ THỐNG TRÍ TUỆ NHÂN TẠO (AI)     |
                       | - Trợ giảng ảo (Chatbot tương tác)    |
                       | - Động cơ gợi ý KNN (Khoảng cách Euclid)|
                       | - Chấm điểm mã nguồn & Phân tích lỗi  |
                       +---------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chu trình 4 pha của cá nhân hóa học tập (Personalized Learning Cycle): (1) Tham gia (Engagement) $\rightarrow$ (2) Đo lường (Measurement) $\rightarrow$ (3) Diễn giải (Interpretation) $\rightarrow$ (4) Điều chỉnh (Adjustment).

Điểm đột phá nằm ở việc toán học hóa pha Diễn giải và Điều chỉnh thông qua thuật toán Phân loại láng giềng gần nhất ($K$-Nearest Neighbor - KNN). Hệ thống sử dụng công thức tính khoảng cách Euclid đa chiều để xác định độ tương đồng giữa hồ sơ năng lực hiện tại của sinh viên $x$ và tập dữ liệu mẫu $y$: $$d(x, y) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}$$

Trong đó, các chiều dữ liệu $x_i$ đại diện cho các chỉ số hành vi và kết quả: điểm kiểm tra quá trình, số lần nộp bài thất bại trên hệ thống chấm tự động, thời gian hoàn thành bài tập lập trình, và tần suất tương tác với Chatbot. Dựa trên khoảng cách $d(x, y)$, mô-đun khuyến nghị (Recommendation Module - RM) tự động kích hoạt kịch bản điều chỉnh nội dung học tập tương ứng cho từng sinh viên.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án áp dụng thế giới quan thực chứng (Positivism) kết hợp thực dụng (Pragmatism), sử dụng thiết kế phương pháp hỗn hợp (Mixed Methods Research Design) với sự phối hợp chặt chẽ giữa nghiên cứu định tính và định lượng:

  • Nghiên cứu định tính: Phân tích tổng hợp tài liệu y văn, phương pháp chuyên gia (Delphi cải biên) lấy ý kiến các nhà khoa học giáo dục và chuyên gia công nghệ thông tin nhằm hoàn thiện mô hình sư phạm và thẩm định các tiêu chí "Tính cần thiết", "Tính hợp lý", "Tính khả thi".
  • Nghiên cứu định lượng: Điều tra cắt ngang (Cross-sectional Survey) về thực trạng nhận thức và sự sẵn sàng tiếp nhận AI của giảng viên ($N_1$) và sinh viên ($N_2$); kết hợp với thiết kế bán thực nghiệm (Quasi-experimental Pre-test/Post-test Control Group Design) để kiểm định tác động học thuật thực tế.

Quy trình nghiên cứu rigorous

Quy trình thu thập dữ liệu và can thiệp sư phạm được chuẩn hóa qua các pha độc lập:

  1. Khảo sát thực trạng: Thiết kế bảng hỏi cấu trúc sử dụng thang đo Likert 5 mức độ (từ 1: Hoàn toàn không đồng ý đến 5: Hoàn toàn đồng ý). Quy mô khảo sát bao gồm hàng trăm giảng viên và sinh viên tại các cơ sở giáo dục đại học miền Trung.
  2. Kiểm định độ tin cậy và giá trị: Bảng hỏi được thẩm định độ giá trị nội dung (Content Validity) qua hội đồng chuyên gia; kiểm định độ tin cậy nhất quán nội tại bằng hệ số Cronbach's Alpha ($\alpha > 0.80$ trên toàn bộ các thang đo thành phần).
  3. Thực nghiệm sư phạm có kiểm soát: Tuyển chọn các lớp sinh viên đại học ngành CNTT tương đồng về đầu vào, chia thành Nhóm Thực nghiệm (TN) và Nhóm Đối chứng (ĐC) trong cùng một học kỳ và cùng một giảng viên phụ trách giảng dạy.
       +-------------------------------------------------------------------+
       |                 THIẾT KẾ THỰC NGHIỆM SƯ PHẠM                      |
       +-------------------------------------------------------------------+
                                         |
            +----------------------------+----------------------------+
            |                                                         |
            v                                                         v
+------------------------+                               +------------------------+
|  NHÓM THỰC NGHIỆM (TN) |                               |   NHÓM ĐỐI CHỨNG (ĐC)  |
| - Học tập có AI hỗ trợ |                               | - Học tập kết hợp/     |
| - Chatbot 24/7         |                               |   truyền thống         |
| - KNN cá nhân hóa DLR  |                               | - Tự ôn tập tài liệu   |
| - Tự động chấm Testcase|                               |   chuẩn trên LMS       |
+------------------------+                               +------------------------+
            |                                                         |
            +----------------------------+----------------------------+
                                         |
                                         v
       +-------------------------------------------------------------------+
       |               ĐÁNH GIÁ ĐỐI SÁNH ĐẦU RA (POST-TEST)                |
       | - Điểm số bài thi kỹ năng lập trình / đồ họa máy tính              |
       | - Kiểm định Independent Samples T-test & Paired Samples T-test     |
       | - Tính toán Hệ số ảnh hưởng Cohen's d (Effect Size - ES)          |
       +-------------------------------------------------------------------+

Data và phân tích

Dữ liệu thu thập được mã hóa và xử lý bằng phần mềm thống kê chuyên dụng SPSS:

  • Kiểm định T-test độc lập trước thực nghiệm (Pre-test): Kết quả so sánh năng lực ban đầu giữa nhóm TN và ĐC cho thấy giá trị $p > 0.05$, xác nhận không có sự khác biệt có ý nghĩa thống kê giữa hai nhóm trước khi can thiệp, bảo đảm tính hợp lệ nội tại (Internal Validity).
  • Kiểm định T-test sau thực nghiệm (Post-test): So sánh điểm số kết quả học tập và kỹ năng thực hành lập trình giữa nhóm TN và ĐC.
  • Tính toán Hệ số ảnh hưởng (Effect Size - ES): Sử dụng công thức chuẩn hóa của Cohen để đo lường mức độ tác động thực tế của giải pháp: $$ES = \frac{\bar{X}{TN} - \bar{X}{ĐC}}{S_{pooled}}$$ Trong đó $\bar{X}{TN}$ và $\bar{X}{ĐC}$ lần lượt là điểm trung bình của nhóm Thực nghiệm và nhóm Đối chứng; $S_{pooled}$ là độ lệch chuẩn gộp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Dữ liệu thực nghiệm sư phạm và điều tra xã hội học giáo dục trong luận án đã cung cấp những bằng chứng định lượng thuyết phục:

+---------------------------------------------------------------------------------+
|                       TỔNG HỢP CÁC KẾT QUẢ ĐỘT PHÁ CỦA LUẬN ÁN                  |
+---------------------------------------------------------------------------------+
| 1. Nâng cao thành tích học tập:                                                |
|    - Điểm trung bình nhóm TN vượt trội có ý nghĩa thống kê so với ĐC (p < 0.01) |
|    - Hệ số kích thước ảnh hưởng ES > 0.80 (đạt mức tác động LỚN - High Impact)  |
|                                                                                 |
| 2. Tối ưu hóa thời gian phản hồi:                                              |
|    - Chatbot giải quyết tức thì trên 80% các câu hỏi thắc mắc cú pháp/thuật toán |
|    - Giảm 65% thời gian chờ đợi phản hồi của sinh viên so với kênh truyền thống |
|                                                                                 |
| 3. Phát triển năng lực tự điều chỉnh học tập (Self-Regulated Learning):         |
|    - Tỷ lệ sinh viên chủ động luyện tập tăng rõ rệt nhờ hệ thống Testcase ảo   |
|    - Đánh giá của chuyên gia về "Tính khả thi" và "Tính cần thiết" đạt > 90%   |
+---------------------------------------------------------------------------------+
  1. Sự vượt trội về kết quả học tập và kỹ năng lập trình: Sinh viên nhóm TN (được hỗ trợ bởi hệ thống AI và Chatbot) đạt điểm kiểm tra định kỳ và điểm thi kết thúc học phần cao hơn rõ rệt so với sinh viên nhóm ĐC. Giá trị kiểm định $t$ đạt mức ý nghĩa thống kê ($p < 0.01$). Hệ số ảnh hưởng $ES$ đạt trên mức $0.80$, chứng minh giải pháp can thiệp có mức độ tác động lớn (large effect size) theo quy chuẩn quốc tế.
  2. Giải tỏa điểm nghẽn phản hồi học tập thông qua Chatbot: Trên $80%$ các câu hỏi phổ biến liên quan đến môi trường lập trình, lỗi cú pháp biên dịch và logic giải thuật cơ bản đã được Chatbot xử lý tự động ngay lập tức, giúp giảm thiểu thời gian chờ đợi của sinh viên và giảm tải áp lực hỗ trợ ngoài giờ cho giảng viên.
  3. Cải thiện rõ rệt năng lực tự học và tính tự chủ: Dữ liệu khảo sát từ các phiếu trưng cầu ý kiến sinh viên cho thấy sự thỏa mãn cao về mặt tâm lý học tập. Sinh viên được cá nhân hóa học tập cảm thấy tự tin hơn, không bị áp lực "đuổi theo" bạn bè nhờ hệ thống bài tập phân cấp tự động và gợi ý tài nguyên theo năng lực thực tế.
  4. Sự đồng thuận cao từ giới chuyên gia: Kết quả khảo sát chuyên gia về 3 tiêu chí: Tính cần thiết, Tính hợp lý và Tính khả thi của mô hình dạy học tích hợp AI đều đạt điểm trung bình đánh giá xuất sắc (Mean $\ge 4.5/5.0$), khẳng định tính đúng đắn về mặt khoa học sư phạm của mô hình.

Implications đa chiều

  • Về mặt lý luận: Luận án đặt nền móng cho việc chuẩn hóa khái niệm "Dạy học với sự hỗ trợ của công nghệ Trí tuệ nhân tạo" trong hệ thống khoa học giáo dục tại Việt Nam:

"Dạy học với sự hỗ trợ của công nghệ TTNT là quá trình dạy học trong đó sử dụng các công cụ có tích hợp TTNT (ứng dụng, website…) để hỗ trợ việc dạy học nhằm đem lại hiệu quả cao hơn cho việc dạy và học. Trong quá trình đó, TTNT đóng vai trò hỗ trợ cho người dạy trong việc hướng dẫn và truyền thụ tri thức cho người học thông qua các cách thức khác nhau như theo dõi tiến trình, cá nhân hóa học tập, chatbot. Ngoài ra, TTNT còn tham gia hỗ trợ quá trình kiểm tra đánh giá, gợi ý kiến thức… nhằm giúp người học thuận tiện hơn trong việc ôn tập và điều chỉnh tiến độ, lộ trình học tập."

  • Về mặt thực tiễn và chính sách: Kết quả nghiên cứu cung cấp căn cứ thực chứng trực tiếp để hiện thực hóa các mục tiêu của Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng Trí tuệ nhân tạo đến năm 2030 (Quyết định số 127/QĐ-TTg của Thủ tướng Chính phủ), đặc biệt trong các nhiệm vụ:

"Dự đoán nhu cầu công việc của thị trường; xác định tiêu chí đánh giá SV, hỗ trợ SV xác định được thế mạnh việc làm khi tốt nghiệp; tự động hóa quy trình nghiệp vụ của giáo viên; xác định các tiêu chí nhằm đạt mục tiêu học tập; cá nhân hóa việc học tập, nâng cao hiệu quả học tập có sự trợ giúp của giáo viên và trợ giảng ảo; hỗ trợ nâng cao nhận thức của SV."

Limitations và Future Research

Nhìn nhận một cách khách quan trên tinh thần khoa học nghiêm túc, luận án bộc lộ một số giới hạn nghiên cứu nhất định:

  1. Giới hạn về phạm vi không gian và mẫu thực nghiệm: Các đợt thực nghiệm sư phạm mới chỉ tập trung triển khai tại các trường thành viên thuộc Đại học Đà Nẵng và một số cơ sở giáo dục đại học tại khu vực miền Trung, chưa thể bao phủ toàn diện các trường đại học khối ngành kỹ thuật trên toàn quốc.
  2. Giới hạn về phạm vi môn học: Nghiên cứu tập trung sâu vào các học phần cơ sở ngành có tính thực hành thuật toán cao (Tin học đại cương, Lập trình C/C++, Đồ họa máy tính). Khả năng khái quát hóa (Generalizability) mô hình sang các học phần mang tính lý thuyết thuần túy hoặc khoa học xã hội cần được tiếp tục kiểm chứng.
  3. Giới hạn về mô hình thuật toán AI: Thuật toán gợi ý cá nhân hóa chủ yếu dựa trên KNN với khoảng cách Euclid. Trong các bối cảnh dữ liệu học tập quy mô siêu lớn (Big Data) với nhiều chiều phi cấu trúc (như biểu cảm khuôn mặt qua webcam hoặc phân tích ngữ thái chuyên sâu), KNN có thể gặp hạn chế về độ phức tạp tính toán so với các mô hình mạng nơ-ron học sâu (Deep Neural Networks).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Mở rộng triển khai mô hình trên diện rộng tại các trường đại học đa ngành, đa lĩnh vực.
  • Tích hợp các mô hình đa phương thức (Multimodal Learning Analytics) bao gồm phân tích cảm xúc, mức độ tập trung của người học thông qua thị giác máy tính kết hợp xử lý ngôn ngữ tự nhiên nâng cao.
  • Nghiên cứu sâu hơn về các vấn đề đạo đức AI trong giáo dục (AI Ethics), bao gồm bảo mật dữ liệu riêng tư của người học và ngăn ngừa thiên vị thuật toán (algorithmic bias).

Tác động và ảnh hưởng

Luận án tạo ra tác động lan tỏa sâu rộng trên nhiều bình diện:

  • Tác động học thuật (Academic Impact): Cung cấp một khung tham chiếu chuẩn mực cho các nghiên cứu sinh, học viên cao học và nhà nghiên cứu trong lĩnh vực Didactics và Công nghệ giáo dục tại Việt Nam khi tiếp cận chủ đề AIEd.
  • Chuyển đổi giảng dạy đại học (Higher Education Transformation): Cung cấp cho các trường đại học một nền tảng giải pháp hoàn chỉnh (bao gồm kiến trúc phần mềm, quy trình thiết kế bài giảng, kịch bản tương tác và ngân hàng kiểm thử tự động) có thể chuyển giao và áp dụng ngay vào thực tế giảng dạy.
  • Hiệu quả xã hội và kinh tế: Nâng cao chất lượng đào tạo nguồn nhân lực CNTT, rút ngắn khoảng cách giữa năng lực sinh viên tốt nghiệp và nhu cầu tuyển dụng thực tế của doanh nghiệp phần mềm trong bối cảnh CMCN 4.0.

Đối tượng hưởng lợi

+--------------------------+-------------------------------------------------------------+
|    ĐỐI TƯỢNG HƯỞNG LỢI   |                     GIÁ TRỊ CỤ THỂ                          |
+--------------------------+-------------------------------------------------------------+
| Nghiên cứu sinh &        | Khung lý thuyết AI-TPACK, bộ công cụ khảo sát chuẩn hóa và  |
| Giới học thuật           | phương pháp đo lường Effect Size trong nghiên cứu sư phạm.   |
+--------------------------+-------------------------------------------------------------+
| Giảng viên đại học       | Kịch bản tích hợp AI, hệ thống tự động chấm bài và Chatbot   |
|                          | hỗ trợ giải đáp, giảm tải trên 50% thời gian tác vụ lặp lại. |
+--------------------------+-------------------------------------------------------------+
| Sinh viên ngành CNTT     | Trải nghiệm học tập cá nhân hóa 24/7, phát hiện sớm lỗ hổng |
|                          | kiến thức lập trình, nâng cao năng lực tự học độc lập.      |
+--------------------------+-------------------------------------------------------------+
| Cán bộ quản lý đào tạo   | Dữ liệu phân tích học tập thời gian thực để ra quyết định    |
| & Nhà hoạch định         | điều chỉnh chương trình đào tạo theo chuẩn đầu ra (OBE).   |
+--------------------------+-------------------------------------------------------------+

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Đóng góp lý thuyết độc đáo nhất là việc xây dựng thành công Mô hình dạy học tích hợp AI (AI-integrated Pedagogical Model) dựa trên việc mở rộng khung TPACK và Lý thuyết kết nối (Connectivism). Luận án đã chuyển hóa vai trò của AI từ một công cụ công nghệ thụ động thành một "thành tố sư phạm chủ động" có khả năng tham gia vào chu trình điều khiển - điều chỉnh của quá trình dạy học, thiết lập cơ chế vòng lặp phản hồi thích ứng (Adaptive Feedback Loop) giữa Giảng viên - Hệ thống AI - Sinh viên.

2. Điểm đổi mới phương pháp luận khi so sánh với các nghiên cứu trước đây?

So với các nghiên cứu giáo dục truyền thống tại Việt Nam vốn chủ yếu dừng lại ở khảo sát mô tả định tính hoặc thực nghiệm không có đối chứng ngặt nghèo, luận án đã thiết lập quy trình nghiên cứu chuẩn mực quốc tế:

  • Kết hợp kiểm định giả thuyết thống kê hai đuôi qua Independent và Paired Samples T-test với việc đo lường Kích thước hiệu ứng Cohen's d (Effect Size - ES).
  • So với nghiên cứu của Samarakou et al. (2018) và Graesser et al. (2005), luận án đổi mới bằng cách tích hợp thuật toán phân loại hướng dữ liệu KNN với kiến trúc Chatbot mở, giải quyết đồng thời bài toán cá nhân hóa học liệu và tương tác đối thoại giải đáp thời gian thực trong một hệ sinh thái Web thống nhất.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất?

Phát hiện ấn tượng nhất là sự thay đổi về mặt động lực tự chủ của nhóm sinh viên có học lực trung bình - yếu. Trước thực nghiệm, nhóm sinh viên này thường có tâm lý e ngại giao tiếp trực tiếp với giảng viên trên lớp khi gặp lỗi lập trình. Tuy nhiên, khi được hỗ trợ bởi Chatbot ẩn danh và hệ thống kiểm thử Testcase tự động, tần suất làm lại bài tập của nhóm này tăng lên gấp 2.5 lần, kéo theo sự cải thiện vượt bậc về điểm số kỹ năng cuối kỳ, thu hẹp đáng kể khoảng cách với nhóm sinh viên khá - giỏi.

4. Luận án có cung cấp quy trình nhân bản (Replication Protocol) hoàn chỉnh không?

Hoàn toàn có. Luận án mô tả chi tiết:

  • Toàn bộ sơ đồ phân cấp chức năng nghiệp vụ (BFD) và kiến trúc hệ thống Website hỗ trợ dạy học.
  • Kịch bản sư phạm mẫu cho từng bài học trong học phần Tin học đại cương và Đồ họa máy tính.
  • Các phụ lục chứa trọn vẹn phiếu điều tra thực trạng, thang đo Likert, bộ câu hỏi phỏng vấn chuyên gia và danh sách tiêu chí kiểm thử mã nguồn, cho phép các cơ sở đào tạo khác hoàn toàn có thể nhân bản và triển khai thực nghiệm tương tự.

5. Khung chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao?

Luận án phác thảo lộ trình phát triển 10 năm với 3 giai đoạn chiến lược:

  • Giai đoạn 1 (1-3 năm): Mở rộng hệ thống Chatbot sang mô hình ngôn ngữ lớn chuyên sâu (Domain-specific LLM) được tinh chỉnh (Fine-tuned) trên toàn bộ kho học liệu CNTT chuẩn quốc gia.
  • Giai đoạn 2 (4-6 năm): Xây dựng hệ thống Phân tích học tập đa phương thức (Multimodal Learning Analytics), thu thập dữ liệu hành vi nhận thức và cảm xúc sinh viên trong thời gian thực.
  • Giai đoạn 3 (7-10 năm): Hoàn thiện hệ sinh thái Siêu đại học số thích ứng (Adaptive Smart University Ecosystem), liên thông dữ liệu học tập cá nhân hóa với hệ thống hướng nghiệp và tuyển dụng tự động của thị trường lao động.

Kết luận

Luận án tiến sĩ của NCS. Đinh Thị Mỹ Hạnh đã hoàn thành xuất sắc các mục tiêu và nhiệm vụ nghiên cứu đã đặt ra, mang lại những giá trị học thuật và thực tiễn cốt lõi:

  1. Hệ thống hóa và phát triển toàn diện cơ sở lý luận về dạy học đại học với sự hỗ trợ của công nghệ Trí tuệ nhân tạo, xác lập định nghĩa khoa học chuẩn xác về AIEd trong bối cảnh giáo dục Việt Nam.
  2. Cung cấp bức tranh thực chứng sâu sắc về thực trạng và sự sẵn sàng tiếp nhận công nghệ AI của giảng viên và sinh viên các trường đại học khối ngành CNTT.
  3. Đề xuất và hiện thực hóa thành công mô hình cùng tiến trình thiết kế dạy học tích hợp AI, giải quyết triệt để bài toán cá nhân hóa học tập thông qua thuật toán KNN và hỗ trợ tương tác tức thì qua Chatbot thông minh.
  4. Chứng minh tính hiệu quả vượt trội của giải pháp qua thực nghiệm sư phạm ngặt nghèo, với các chỉ số thống kê định lượng có ý nghĩa ($p < 0.01$, Effect Size đạt mức tác động lớn).
  5. Mở ra các hướng nghiên cứu liên ngành đột phá giữa Khoa học máy tính và Khoa học giáo dục, đóng góp luận cứ khoa học vững chắc phục vụ công cuộc đổi mới căn bản, toàn diện giáo dục và đào tạo theo tinh thần Nghị quyết 29-NQ/TW và Chiến lược quốc gia về AI đến năm 2030.