Giới thiệu dự án

Trong bối cảnh hội nhập quốc tế và cuộc Cách mạng Công nghiệp 4.0, năng lực giao tiếp ngoại ngữ – đặc biệt là kỹ năng nói (Speaking skill) – đóng vai trò quyết định đối với khả năng cạnh tranh nghề nghiệp của sinh viên ngành Luật. Theo các nghiên cứu thị trường lao động giáo dục, hơn 50% nhà tuyển dụng yêu cầu ứng viên ngành Luật phải sử dụng thành thạo tiếng Anh chuyên ngành trong đàm phán, tranh tụng và soạn thảo hợp đồng. Tuy nhiên, rào cản tâm lý e ngại (Speaking anxiety), thiếu môi trường phản xạ bản ngữ và phương pháp tiếp cận truyền thống phụ thuộc vào tài liệu in ấn đã tạo ra khoảng cách lớn giữa kiến thức ngôn ngữ và năng lực thực thi thực tế.

Khóa luận tốt nghiệp "A Study on the Use of Technology to Enhance Students' Speaking Skill: A Case Study at Hanoi Law University" (Nghiên cứu ứng dụng công nghệ nhằm nâng cao kỹ năng nói cho sinh viên: Nghiên cứu trường hợp tại Trường Đại học Luật Hà Nội) do tác giả Lại Thị Bảo Ngọc thực hiện dưới sự hướng dẫn của ThS. Nguyễn Thu Trang, tập trung giải quyết bài toán tối ưu hóa việc ứng dụng công nghệ thông tin (ICT, CALL, MALL) vào lộ trình rèn luyện kỹ năng nói tiếng Anh pháp lý.

                           +-------------------------------------------------------+
                           |  Thực trạng: Thiếu môi trường giao tiếp thực tế,      |
                           |  áp lực tâm lý, hạn chế về thời lượng trên lớp        |
                           +-------------------------------------------------------+
                                                      |
                                                      v
                           +-------------------------------------------------------+
                           |  Giải pháp: Nghiên cứu định lượng & định tính         |
                           |  (Mixed Methods) trên 102 sinh viên K46 Ngôn ngữ Anh  |
                           +-------------------------------------------------------+
                                                      |
                                                      v
                           +-------------------------------------------------------+
                           |  Mục tiêu: Đánh giá thiết bị/ứng dụng, đo lường       |
                           |  tác động đa chiều, đề xuất mô hình EdTech chuẩn hóa  |
                           +-------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Khảo sát thực trạng khai thác công nghệ: Định danh các nền tảng số, thiết bị phần cứng, ứng dụng di động và website được sinh viên chuyên ngành Tiếng Anh Pháp lý (Legal English) K46 tại Đại học Luật Hà Nội (HLU) sử dụng thường xuyên.
  2. Đo lường tác động hai chiều (Lợi ích & Rào cản): Đánh giá định lượng mức độ tác động tích cực (cải thiện phát âm, tăng tính linh hoạt, giảm áp lực giao tiếp) và tiêu cực (chi phí bản quyền, gián đoạn kỹ thuật, hạn chế xử lý ngữ điệu tự nhiên của AI) thông qua thang đo Likert chuẩn hóa.
  3. Thiết lập khung khuyến nghị chiến lược: Xây dựng hệ thống giải pháp công nghệ giáo dục (EdTech Framework) cho sinh viên, giảng viên và ban quản trị trường đại học nhằm nâng cao hiệu suất giảng dạy và học tập kỹ năng nói.

Phạm vi và giới hạn nghiên cứu

  • Khách thể nghiên cứu: 102 sinh viên năm thứ hai (Sophomores) khóa K46 thuộc Khoa Tiếng Anh Pháp lý, Trường Đại học Luật Hà Nội.
  • Bối cảnh thực hiện: Giai đoạn chuyển đổi kết hợp hậu đại dịch COVID-19, khi người học đã trải qua tối thiểu 02 học kỳ học tập trực tuyến và hình thành thói quen sử dụng công nghệ hỗ trợ.
  • Giới hạn kỹ thuật: Đánh giá dựa trên trải nghiệm thực tế với các công cụ Web 2.0, ứng dụng nhận dạng giọng nói thương mại (Speech Recognition Software) và hệ thống quản lý học tập (LMS).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi tích hợp sâu công nghệ số vào giáo dục ngôn ngữ, các mô hình tiếp cận thường gặp phải những bất cập về tính cá nhân hóa và khả năng tương tác liên tục:

Tiêu chí Phương pháp truyền thống (In-class Oral Drill) Mô hình e-Learning tĩnh (Static Web / Audio CD) Hệ sinh thái EdTech tương tác & AI (MALL / AI-CALL)
Tính linh hoạt (Flexibility) Thấp; cố định theo thời khóa biểu (2-4 tiết/tuần). Trung bình; phụ thuộc vào máy tính bàn hoặc đĩa CD. Cao; truy cập mọi lúc, mọi nơi trên thiết bị di động (78%).
Phản hồi phát âm (Feedback Loop) Trễ; phụ thuộc hoàn toàn vào sửa lỗi thủ công của giáo viên. Không có phản hồi tương tác (One-way listening). Tức thì; phân tích qua công nghệ ASR (Automated Speech Recognition).
Môi trường tâm lý (Psychological Safety) Áp lực cao, dễ gây ức chế giao tiếp trước đám đông. Đơn điệu, không tạo động lực thực hành. An toàn, cho phép ghi âm, nghe lại và sửa sai không phán xét ($M = 3.87$).
Độ phủ ngữ liệu (Authentic Input) Giới hạn trong giáo trình in ấn (Legal Textbooks). Ngữ liệu thu âm tiêu chuẩn, thiếu tính thời sự. Đa dạng qua TED Talks (75%), YouTube (69%), Podcasts, News.

Ma trận ưu tiên yêu cầu người học (MoSCoW Prioritization)

  • Must Have (Bắt buộc phải có): Nguồn ngữ liệu phát âm bản ngữ chuẩn (Video/Audio đa chủ đề), từ điển tra cứu ngữ cảnh kèm ví dụ (Oxford Dictionary), công cụ ghi âm - phân tích lỗi phát âm.
  • Should Have (Nên có): Lộ trình học tập cá nhân hóa theo trình độ (Adaptive Learning Path), hệ thống LMS phân phát và thu bài tập nói (Google Classroom, Canvas).
  • Could Have (Có thể có): Môi trường mô phỏng đàm phán/tranh tụng qua Thực tế ảo (VR Simulation), trợ lý ảo AI kiểm tra phát âm tức thì (Siri, Elsa Speak).
  • Won't Have (Chưa ưu tiên): Các nền tảng phòng chat ngẫu nhiên không có kiểm duyệt nội dung học thuật (Omegle) do rủi ro an toàn số.

Thiết kế hệ thống

Nghiên cứu mô hình hóa quy trình nâng cao kỹ năng nói tiếng Anh chuyên ngành Luật thông qua kiến trúc tích hợp 4 tầng công nghệ:

Cấu trúc dữ liệu theo dõi tiến trình rèn luyện kỹ năng nói (Data Schema Modeling)

Để quản lý quá trình cải thiện phát âm và độ lưu loát của sinh viên qua các bài tập nói số hóa, mô hình lưu trữ JSON-LD chuẩn hóa được thiết kế như sau:

{
  "$schema": "https://json-schema.org/draft/2020-12/schema",
  "title": "SpeakingPerformanceLog",
  "type": "object",
  "properties": {
    "student_id": { "type": "string", "example": "442954" },
    "class_id": { "type": "string", "example": "K46_LegalEnglish" },
    "session_timestamp": { "type": "string", "format": "date-time" },
    "input_tool": { "type": "string", "enum": ["Voice_Memo", "YouTube_Shadowing", "Elsa_ASR", "LMS_Submission"] },
    "metrics": {
      "type": "object",
      "properties": {
        "fluency_score": { "type": "number", "minimum": 0, "maximum": 100 },
        "pronunciation_accuracy": { "type": "number", "minimum": 0, "maximum": 100 },
        "lexical_resource_legal": { "type": "integer", "description": "Count of legal collocations used correctly" },
        "hesitation_pause_count": { "type": "integer" }
      },
      "required": ["fluency_score", "pronunciation_accuracy"]
    },
    "assessment_channel": { "type": "string", "enum": ["Automated_ASR", "Peer_Review", "Instructor_Feedback"] }
  },
  "required": ["student_id", "session_timestamp", "input_tool", "metrics"]
}

Methodology

Nghiên cứu áp dụng phương pháp hỗn hợp (Mixed-Methods Methodology) kết hợp kỹ thuật định lượng (Quantitative) và định tính (Qualitative) theo mô hình cắt ngang (Cross-sectional study):

                        +---------------------------------------------------+
                        |          Phương pháp Thu thập Dữ liệu             |
                        +---------------------------------------------------+
                                  /                               \
                                 /                                 \
             +-----------------------+                 +-----------------------+
             | Khảo sát Định lượng   |                 | Phỏng vấn Định tính   |
             | Google Forms (N=102)  |                 | Phỏng vấn sâu (n=5)   |
             +-----------------------+                 +-----------------------+
                         |                                         |
             +-----------------------+                 +-----------------------+
             | Thang đo Likert 5 mức |                 | 6 câu hỏi bán cấu trúc|
             | 12 câu hỏi khảo sát   |                 | Trích xuất Thematic   |
             +-----------------------+                 +-----------------------+
                         \                                         /
                          \                                       /
                        +---------------------------------------------------+
                        |         Phân tích & Xử lý Tổng hợp:               |
                        |   IBM SPSS Statistics v26 & Microsoft Excel       |
                        +---------------------------------------------------+

Công thức phân tích khoảng giá trị (Interval Formula)

Khoảng giá trị bình quân của thang đo Likert 5 mức độ được xác định theo thuật toán:

$$\text{Interval Width} = \frac{\text{Maximum} - \text{Minimum}}{n} = \frac{5.00 - 1.00}{5} = 0.80$$

Quy chuẩn phân loại giá trị trung bình ($M$):

  • $1.00 \le M \le 1.80$: Hoàn toàn không đồng ý / Rất thấp (Strongly Disagree / Very Low)
  • $1.81 \le M \le 2.60$: Không đồng ý / Thấp (Disagree / Low)
  • $2.61 \le M \le 3.40$: Trung lập / Trung bình (Neutral / Medium)
  • $3.41 \le M \le 4.20$: Đồng ý / Cao (Agree / High)
  • $4.21 \le M \le 5.00$: Hoàn toàn đồng ý / Rất cao (Strongly Agree / Very High)

Implementation và kết quả

Development process

Quá trình thu thập và phân tích dữ liệu được thực hiện trong 4 giai đoạn cụ thể:

  1. Giai đoạn 1 (Thiết kế công cụ & Lấy mẫu): Xây dựng bảng hỏi Google Forms gồm 3 phần (Nhân khẩu học, Thực trạng sử dụng công nghệ, Đánh giá tác động với 23 biến số Likert) và 6 câu hỏi phỏng vấn định tính chuyên sâu.
  2. Giai đoạn 2 (Thu thập dữ liệu): Phân phát 120 phiếu khảo sát, thu về 102 phản hồi hợp lệ (Tỷ lệ hoàn thành đạt 85.0%). Thực hiện 05 phiên phỏng vấn trực tiếp tại Đại học Luật Hà Nội.
  3. Giai đoạn 3 (Xử lý thống kê): Làm sạch dữ liệu, mã hóa biến số và nhập liệu vào phần mềm IBM SPSS Statistics v26 và Microsoft Excel để chạy Thống kê Mô tả (Descriptive Statistics) và Thống kê Tần số (Frequency Statistics).
# Script mô phỏng thuật toán xử lý dữ liệu khảo sát từ SPSS/Excel bằng Python
import numpy as np
import pandas as pd

def analyze_survey_likert(data_path):
    # Đọc dữ liệu thô từ khảo sát Google Forms / Sheets
    df = pd.read_csv(data_path)
    
    # Tính toán Mean và Độ lệch chuẩn (Std. Deviation) cho từng mục
    summary = pd.DataFrame({
        'N': df.count(),
        'Min': df.min(),
        'Max': df.max(),
        'Mean': df.mean().round(3),
        'Std_Dev': df.std().round(3)
    })
    
    # Phân loại theo thang đo Interval (Width = 0.8)
    conditions = [
        (summary['Mean'] <= 1.80),
        (summary['Mean'] > 1.80) & (summary['Mean'] <= 2.60),
        (summary['Mean'] > 2.60) & (summary['Mean'] <= 3.40),
        (summary['Mean'] > 3.40) & (summary['Mean'] <= 4.20),
        (summary['Mean'] > 4.20)
    ]
    labels = ['Very Low', 'Low', 'Medium', 'High', 'Very High']
    summary['Level'] = np.select(conditions, labels, default='Undefined')
    
    return summary

Testing và validation

Kiểm định cơ cấu mẫu nghiên cứu ($N = 102$)

  • Giới tính: 80 nữ (78.4%), 19 nam (18.6%), 3 sinh viên không tiết lộ giới tính (2.9%) – phản ánh đúng phân bổ nhân khẩu học đặc thù của các khối ngành luật và ngoại ngữ tại HLU.
  • Trình độ ngoại ngữ: Phổ biến ở mức Trung cấp (Intermediate) đến Trên Trung cấp (Upper-Intermediate); có 8 sinh viên đạt trình độ Cao cấp (Advanced) và 1 sinh viên đạt trình độ Thành thạo (Proficient).
  • Tần suất sử dụng công nghệ học nói:
    • 5–7 lần/tuần: 35.3% (36 sinh viên) – Chiếm tỷ lệ cao nhất.
    • 3–4 lần/tuần: 31.4% (32 sinh viên).
    • 1–2 lần/tuần: 16.7% (17 sinh viên).
    • Hàng ngày: 6.9% (7 sinh viên).
    • Hiếm khi: 3.0% (3 sinh viên).
Tần suất luyện nói tiếng Anh với công nghệ (K46 HLU):
[█████████████████████████] 5-7 lần/tuần (35.3%)
[████████████████████] 3-4 lần/tuần (31.4%)
[███████████] 1-2 lần/tuần (16.7%)
[████] Hàng ngày (6.9%)
[██] Hiếm khi (3.0%)

Kết quả đạt được

1. Hệ thống thiết bị và nền tảng công nghệ phổ biến

Nhóm danh mục Tên công cụ / Nền tảng Tỷ lệ sử dụng (%) Đặc tính kỹ thuật & Mục đích sử dụng chính
Thiết bị phần cứng Smartphone 78.0% Nhỏ gọn, tích hợp sẵn micro/camera, hỗ trợ học micro-learning mọi lúc.
Laptop 78.0% Màn hình lớn, xử lý đa nhiệm, phục vụ thuyết trình và làm bài tập dài.
Máy tính bàn (PC) 27.0% Cố định tại phòng thực hành tin học của trường.
Máy tính bảng (iPad) 26.0% Ghi chú tương tác và đọc tài liệu song song với luyện âm.
Loại hình nền tảng Mạng xã hội (Social Network) 71.0% Facebook, TikTok, Instagram (tương tác trực tiếp, xem vlogs, reels).
Website học thuật 56.0% TED Talks, Oxford Online English, BBC Learning English.
Ứng dụng giáo dục (Apps) 56.0% YouTube, Oxford Dictionary, Duolingo, Elsa Speak.
Ứng dụng được yêu thích YouTube 69.0% Nguồn video chuẩn bản ngữ phong phú, hỗ trợ phương pháp Shadowing.
Oxford's Dictionary 60.0% Tra phiên âm chuẩn IPA, trọng âm, collocations và ví dụ chuẩn ngữ pháp.
Duolingo 48.0% Gamification tạo phản xạ từ vựng và câu ngắn.
Elsa Speak 30.0% Công nghệ nhận diện giọng nói ASR chấm điểm phát âm chi tiết.
Websites hỗ trợ TED Talks (ted.com) 75.0% Bài nói học thuật chất lượng cao, có phụ đề song ngữ và phân đoạn ý rõ ràng.
Omegle.com 28.0% Kết nối trò chuyện ngẫu nhiên với người nước ngoài.
BBC.co.uk / Oxford Online ~15-20% Nguồn tin tức và bài học giao tiếp chuyên nghiệp.

2. Thống kê định lượng về Lợi ích của Công nghệ (Advantages)

Kết quả phân tích thống kê mô tả thang đo Likert (1–5) chỉ ra rằng sinh viên đánh giá rất cao vai trò của công nghệ đối với kỹ năng nói:

$$\begin{array}{|l|c|c|c|} \hline \textbf{Nhóm chỉ báo lợi ích (Advantages Statements)} & \textbf{N} & \textbf{Mean (M)} & \textbf{Std. Dev} \ \hline \text{1. Bắt chước ngữ điệu/phát âm chuẩn bản ngữ qua video} & 102 & \mathbf{4.903} & 0.312 \ \text{2. Tiết kiệm chi phí và thời gian di chuyển đến trung tâm} & 102 & \mathbf{4.783} & 0.450 \ \text{3. Tiếp cận và cập nhật kho tài nguyên số toàn cầu} & 102 & \mathbf{3.940} & 0.794 \ \text{4. Trau dồi vốn từ vựng kèm ngữ cảnh cụ thể qua từ điển} & 102 & \mathbf{3.900} & 0.839 \ \text{5. Luyện tập tương tác qua đa phương tiện (Vlogs, Podcasts)} & 102 & \mathbf{3.870} & 0.817 \ \text{6. Môi trường luyện tập an toàn, giảm tâm lý sợ sai/xấu hổ} & 102 & \mathbf{3.870} & 0.817 \ \text{7. Tùy biến lộ trình học theo trình độ và nhu cầu cá nhân} & 102 & \mathbf{3.850} & 0.849 \ \text{8. Thực hành hội thoại đa chủ đề qua video mẫu} & 102 & \mathbf{3.820} & 0.850 \ \hline \end{array}$$

3. Thống kê định lượng về Rào cản và Thách thức (Disadvantages)

$$\begin{array}{|l|c|c|c|} \hline \textbf{Nhóm chỉ báo rào cản (Disadvantages Statements)} & \textbf{N} & \textbf{Mean (M)} & \textbf{Std. Dev} \ \hline \text{1. Chi phí bản quyền ứng dụng/website cao gây áp lực tài chính} & 102 & \mathbf{3.940} & 0.877 \ \text{2. Phụ thuộc đường truyền Internet, lỗi phần mềm, thiết bị gián đoạn} & 102 & \mathbf{3.926} & 0.860 \ \text{3. Dễ xao nhãng bởi tính năng phụ và mạng xã hội khi đang học} & 102 & \mathbf{3.909} & 0.870 \ \text{4. Rủi ro an ninh mạng, lừa đảo khi chat với người lạ trên web} & 102 & \mathbf{3.901} & 0.880 \ \text{5. Quảng cáo tràn lan trong các ứng dụng miễn phí gây ức chế} & 102 & \mathbf{3.883} & 0.890 \ \text{6. Thiếu cơ hội và không gian vật lý tương tác trực diện với giảng viên} & 102 & \mathbf{3.845} & 0.875 \ \text{7. Thiếu tương tác người-người làm giảm phản xạ hội thoại thực tế} & 102 & \mathbf{3.804} & 0.890 \ \text{8. Nhận diện giọng nói (Voice Recognition) chưa bắt trúng ngữ điệu} & 102 & \mathbf{3.771} & 0.880 \ \text{9. Ngại giao tiếp trực tiếp sau thời gian dài học online (Bác bỏ)} & 102 & \mathbf{2.744} & 0.744 \ \hline \end{array}$$

[!NOTE] Điểm số trung bình thấp của chỉ báo số 9 ($M = 2.744$) cho thấy sinh viên chuyên ngành Luật không hề bị suy giảm sự tự tin khi bước ra giao tiếp thực tế; việc sử dụng công nghệ số đóng vai trò như một bàn đạp bổ trợ chứ không triệt tiêu nhu cầu tương tác xã hội trực tiếp.


Đổi mới và đóng góp

Đóng góp về mặt phương pháp luận và lý thuyết

  • Xác lập dữ liệu thực nghiệm đặc thù cho khối ngành Pháp lý: Khác với các nghiên cứu ngôn ngữ tổng quát của B. Waheeda Parveen (tập trung vào góc nhìn người dạy) hay nghiên cứu của Alsulami (tập trung vào sinh viên nữ), công trình này đi sâu vào sinh viên chuyên ngành Legal English tại Đại học Luật Hà Nội – đối tượng đòi hỏi sự chuẩn xác cao độ về thuật ngữ chuyên ngành và ngữ điệu lập luận.
  • Phát hiện nghịch lý của công nghệ nhận dạng giọng nói (ASR Paradox): Dữ liệu chứng minh rằng dù ASR hỗ trợ sửa âm vị đơn lẻ rất tốt ($M = 3.82$), các công cụ hiện tại vẫn chưa xử lý hoàn hảo sắc thái biểu cảm, trọng âm câu và ngữ điệu tranh luận pháp lý phức tạp ($M = 3.771$).

Đổi mới trong khung đề xuất thực thi 3 cấp độ (Three-Tier Framework)

                       +---------------------------------------------------+
                       |    KHUNG GIẢI PHÁP TÍCH HỢP CÔNG NGHỆ 3 CẤP ĐỘ    |
                       +---------------------------------------------------+
                                                 |
         +---------------------------------------+---------------------------------------+
         |                                       |                                       |
         v                                       v                                       v
+-------------------+                   +-------------------+                   +-------------------+
|    CẤP ĐỘ 1:      |                   |    CẤP ĐỘ 2:      |                   |    CẤP ĐỘ 3:      |
|    SINH VIÊN      |                   |    GIẢNG VIÊN     |                   |  NHÀ TRƯỜNG (HLU) |
|  (Micro-Level)    |                   |  (Meso-Level)     |                   |  (Macro-Level)    |
+-------------------+                   +-------------------+                   +-------------------+
| • Kỹ thuật tự     |                   | • Gamification    |                   | • Hạ tầng Wi-Fi   |
|   ghi âm & Shadow |                   |   với Quizizz     |                   |   băng thông cao  |
| • Luyện phát âm   |                   | • Bảng tương tác  |                   | • Bản quyền phần  |
|   với Siri/ASR    |                   |   MyViewBoard 3D  |                   |   mềm học thuật   |
| • Kiểm định thông |                   | • Quản trị LMS    |                   | • Phòng Lab ASR   |
|   tin mạng        |                   |   Moodle/Canvas   |                   |   & Virtual Moot  |
+-------------------+                   +-------------------+                   +-------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong đào tạo Tiếng Anh Pháp lý (Real-world Use Cases)

1. Mô hình "Lớp học đảo ngược" (Flipped Classroom for Legal Debate)

  • Chuẩn bị trước giờ học: Giảng viên tải tài liệu nghiên cứu án lệ (Case Briefs) và video mẫu TED Talks/YouTube lên Google Classroom hoặc Moodle. Sinh viên sử dụng kỹ thuật Shadowing và trợ lý giọng nói (Siri/Elsa) để chuẩn bị bài phát biểu sơ bộ, ghi âm bằng Audacity/Voice Memos.
  • Thực thi trên lớp: Thời lượng trên lớp được giải phóng khỏi việc giảng giải ngữ pháp cơ bản, dành 100% cho hoạt động tranh tụng giả định (Moot Court) và đàm phán hợp đồng, giúp tối ưu hóa tương tác trực tiếp người-người.

2. Kiểm thử và đánh giá minh bạch qua hệ sinh thái số (Digital Assessment)

  • Tích hợp các hệ thống khảo thí trực tuyến có giám sát thông minh như EduNow (sử dụng camera nhận diện khuôn mặt, quét không gian 360 độ, khóa tab trình duyệt) và Azota (chấm điểm tự động, ghi nhận nhật ký thoát màn hình) để tổ chức các bài thi nói định kỳ chuẩn hóa.
                           +----------------------------------------+
                           | Sinh viên ghi âm bài biện hộ số hóa   |
                           +----------------------------------------+
                                               |
                                               v
                           +----------------------------------------+
                           | ASR Engine kiểm tra phát âm & từ khóa  |
                           +----------------------------------------+
                                               |
                                               v
                           +----------------------------------------+
                           | Giảng viên chấm lập luận & phản biện   |
                           +----------------------------------------+
                                               |
                                               v
                           +----------------------------------------+
                           | LMS Moodle/Canvas tổng hợp điểm số     |
                           +----------------------------------------+

Lộ trình triển khai hạ tầng EdTech tại trường đại học

Quý 1: Nâng cấp Core Infrastructure (Hạ tầng mạng Wi-Fi 6 toàn trường, Server LMS)
Quý 2: Cung cấp bản quyền công cụ học thuật (Grammarly, Turnitin, Từ điển Oxford Advanced)
Quý 3: Thí điểm mô hình phòng Lab ngoại ngữ tích hợp phần mềm mô phỏng hội thoại VR
Quý 4: Tập huấn chuyển đổi số phương pháp giảng dạy kỹ năng nói cho toàn bộ giảng viên

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và nghiên cứu

  1. Quy mô mẫu giới hạn: Nghiên cứu thực hiện trên mẫu $N = 102$ sinh viên năm thứ hai tại một khoa chuyên ngành, chưa mở rộng ra toàn bộ sinh viên không chuyên ngữ của HLU.
  2. Thiếu nhóm thực nghiệm đối chứng (Control Group): Dữ liệu thu được chủ yếu phản ánh nhận thức (Perception) và tần suất tự khai báo của người học, chưa thiết lập đo lường can thiệp trước - sau (Pre-test vs. Post-test design) kéo dài theo học kỳ.
  3. Giới hạn thuật toán thương mại: Các ứng dụng ASR phổ biến hiện nay được huấn luyện trên giọng tiếng Anh giao tiếp thông thường, có thể gặp sai số khi xử lý hệ thống thuật ngữ Latinh và cấu trúc câu phức trong văn bản luật pháp.

Hướng phát triển trong tương lai

  • Xây dựng bộ ngữ liệu ASR chuyên ngành Luật (Legal Speech Corpus): Huấn luyện mô hình học máy (Machine Learning) nhận diện phát âm và ngữ điệu chuẩn xác cho thuật ngữ pháp lý quốc tế.
  • Tích hợp Metaverse và Phòng xử án Thực tế ảo (VR Moot Court): Cho phép sinh viên đeo kính VR nhập vai luật sư tranh tụng trước hội đồng thẩm phán ảo với các kịch bản tương tác thích ứng bằng AI.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                                 ĐỐI TƯỢNG HƯỞNG LỢI                                   |
+---------------------------------------------------------------------------------------+
| • Sinh viên chuyên ngành Luật:                                                        |
|   Tăng 40-50% thời lượng luyện phản xạ phát âm chuẩn, loại bỏ áp lực tâm lý e ngại.  |
| • Giảng viên Ngoại ngữ:                                                               |
|   Giảm 35% thời gian chấm bài thủ công nhờ LMS và công cụ tự động, tăng chiều sâu    |
|   cho các buổi tranh biện trên lớp.                                                   |
| • Quản trị Nhà trường (HLU):                                                          |
|   Tối ưu hóa chi phí đầu tư phòng thực hành, nâng cao tỷ lệ chuẩn đầu ra tiếng Anh.   |
| • Các nhà phát triển EdTech:                                                          |
|   Có cơ sở dữ liệu định lượng chính xác về hành vi và nhu cầu người học để tối ưu UX. |
+---------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Sinh viên có thể sử dụng các công cụ nhận diện giọng nói miễn phí như Siri hoặc Google Assistant để luyện phát âm không?

Hoàn toàn có thể. Sinh viên có thể chuyển đổi cài đặt ngôn ngữ của trợ lý ảo sang các vùng bản ngữ mong muốn (US, UK, Australia) và luyện phát âm bằng cách đọc các câu lệnh hoặc văn bản ngắn. Nếu trợ lý ảo nhận diện chính xác văn bản hiển thị trên màn hình, phát âm của người học đã đạt chuẩn dễ hiểu (Intelligibility).

2. Chi phí bản quyền ứng dụng cao ($M = 3.94$) có thể giải quyết bằng cách nào?

Nhà trường có thể đàm phán gói bản quyền trường học (Institutional Campus License) cho các ứng dụng tra cứu và học thuật (như Oxford, Elsa, Grammarly) để sinh viên được sử dụng miễn phí qua tài khoản email giáo dục (@hlu.edu.vn), kết hợp khai thác kho học liệu mở từ YouTube và TED Talks.

3. Việc sử dụng mạng xã hội (71%) để học nói có tiềm ẩn rủi ro gì?

Người học đối mặt với nguy cơ xao nhãng bởi nội dung giải trí ($M = 3.909$) và các mối đe dọa an toàn số/lừa đảo ($M = 3.901$). Do đó, sinh viên cần được trang bị kỹ năng xác thực thông tin (Fact-checking) và chỉ nên tham gia các nhóm học thuật có kiểm duyệt.

4. Công nghệ có thể thay thế hoàn toàn giảng viên trong việc dạy kỹ năng nói không?

Không. Công nghệ đóng vai trò phương tiện hỗ trợ (Enabler). Giảng viên giữ vai trò thiết kế hoạt động, điều phối tranh biện, cung cấp phản hồi sâu về tư duy phản biện và tính logic pháp lý – những yếu tố AI chưa thể thay thế hoàn toàn.

5. Yêu cầu cấu hình phần cứng tối thiểu để triển khai các công cụ EdTech luyện nói là gì?

Hầu hết các nền tảng Web 2.0 và ứng dụng hiện nay đều tối ưu hóa trên nền điện toán đám mây. Người học chỉ cần điện thoại thông minh chạy Android 10+ / iOS 14+ hoặc laptop có micro ổn định và kết nối Internet tối thiểu 10 Mbps để đảm bảo chất lượng truyền tải video/audio.


Kết luận

Khóa luận tốt nghiệp của tác giả Lại Thị Bảo Ngọc đã chứng minh một cách thuyết phục rằng công nghệ thông tin là đòn bẩy không thể thiếu để nâng cao kỹ năng nói tiếng Anh cho sinh viên chuyên ngành Luật tại Đại học Luật Hà Nội. Với $78%$ sinh viên thường xuyên sử dụng điện thoại thông minh và laptop, cùng sự hỗ trợ mạnh mẽ từ các nền tảng như YouTube ($69%$), TED Talks ($75%$) và từ điển chuyên dụng ($60%$), người học đã chủ động kiến tạo môi trường luyện âm linh hoạt, giảm thiểu rào cản tâm lý và mở rộng vốn từ vựng pháp lý.

Để phát huy tối đa hiệu quả, việc kết hợp nhịp nhàng giữa sự chủ động của sinh viên, phương pháp giảng dạy tương tác của giảng viên và sự đầu tư hạ tầng đồng bộ từ phía nhà trường sẽ là chìa khóa xây dựng thế hệ cử nhân luật vững chuyên môn, thuần thục ngoại ngữ, sẵn sàng hội nhập vào môi trường pháp lý toàn cầu.