Giới thiệu dự án

Trong bối cảnh toàn cầu hóa và hội nhập quốc tế, năng lực sử dụng tiếng Anh như một ngôn ngữ giao tiếp quốc tế (English as an International Language - EIL) đã trở thành điều kiện tiên quyết cho nguồn nhân lực chất lượng cao. Tại Việt Nam, tiếng Anh được đưa vào giảng dạy xuyên suốt từ bậc phổ thông đến đại học. Tuy nhiên, theo các báo cáo khảo sát năng lực ngoại ngữ trong giáo dục đại học, kỹ năng viết (Writing) – một kỹ năng sản sinh (Productive Skill) cốt lõi – vẫn là rào cản lớn nhất đối với sinh viên không chuyên ngữ (Non-English Majors). Đặc biệt, sự khác biệt căn bản về loại hình ngôn ngữ giữa tiếng Việt (ngôn ngữ đơn lập, không biến hình từ) và tiếng Anh (ngôn ngữ hòa kết với hệ thống biến tố hình thái học phức tạp) dẫn đến tỷ lệ mắc lỗi ngữ pháp cao, nhất là trong việc sử dụng hệ thống thì của động từ (Verb Tenses).

Đề tài nghiên cứu "Analysis of verb tenses errors of first year non English majors at Hai Phong University of Management and Technology" (Phân tích lỗi sử dụng các thì của động từ ở sinh viên năm nhất không chuyên tiếng Anh tại Trường Đại học Quản lý và Công nghệ Hải Phòng) do tác giả Đặng Thị Thanh Hoa thực hiện dưới sự hướng dẫn của ThS. Bùi Thị Tuyết Mai, tập trung giải quyết trực diện bài toán chẩn đoán và khắc phục sai sót ngữ pháp mang tính hệ thống của người học.

+-----------------------------------------------------------------------------------+
|                            VẤN ĐỀ CỐT LÕI (CORE PROBLEM)                          |
+-----------------------------------------------------------------------------------+
|  L1: Tiếng Việt (Ngôn ngữ đơn lập)   --->   Xung đột chuyển di   --->   L2: Tiếng Anh   |
|  - Không biến đổi hình thái động từ         (Interlingual Transfer)     - 12 thì ngữ pháp  |
|  - Biểu thị thời gian qua hư từ              + Lỗi nội ngữ              - Biến cách V-ed/V-ing|
|    (đã, đang, sẽ)                           (Intralingual Transfer)     - Trợ động từ, Be  |
+-----------------------------------------------------------------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Khảo sát và phân loại lỗi: Thu thập, nhận diện và phân loại toàn diện các dạng lỗi sử dụng thì động từ trong bài viết đoạn văn của sinh viên năm nhất khối không chuyên ngữ.
  2. Xác định nguyên nhân cốt lõi: Định lượng tần suất xuất hiện và bóc tách nguồn gốc phát sinh lỗi dựa trên lý thuyết phân tích lỗi (Error Analysis - EA), bao gồm chuyển di tiêu cực từ tiếng mẹ đẻ (Interlingual Transfer) và chuyển di nội ngữ (Intralingual Transfer/Overgeneralization).
  3. Đề xuất giải pháp can thiệp sư phạm: Xây dựng hệ thống giải pháp giảng dạy thực hành, định hướng biên soạn giáo trình và bài tập bổ trợ nhằm giảm thiểu triệt để các sai số ngữ pháp cho người học.

Cách tiếp cận giải pháp và phạm vi nghiên cứu

Nghiên cứu áp dụng phương pháp Phân tích Lỗi (Error Analysis) kết hợp thống kê mô tả định lượng (Descriptive Statistics). Dữ liệu được thu thập từ bài kiểm tra viết luận thực tế của 40 sinh viên lớp Kế toán (Accountancy) thuộc tổng thể $N = 186$ sinh viên năm nhất tại Trường Đại học Quản lý và Công nghệ Hải Phòng (HPU) trong học kỳ I năm học 2021. Phạm vi phân tích tập trung chuyên sâu vào các thì cơ bản và mở rộng: Hiện tại đơn (Present Simple), Quá khứ đơn (Past Simple), Hiện tại tiếp diễn (Present Continuous), cùng cấu trúc kết hợp động từ nguyên mẫu và thể bị động (Passive Voice).


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong lĩnh vực ngôn ngữ học ứng dụng (Applied Linguistics) và giảng dạy ngôn ngữ thứ hai (Second Language Acquisition - SLA), các phương pháp can thiệp lỗi ngữ pháp truyền thống thường bộc lộ nhiều hạn chế khi áp dụng cho sinh viên không chuyên:

Phương pháp / Công cụ Ưu điểm Nhược điểm Khả năng ứng dụng cho SV không chuyên
Phân tích đối chiếu (Contrastive Analysis - CA) Dự đoán trước các điểm khó dựa trên cấu trúc L1 và L2. Chỉ giải thích được lỗi giao thoa (Interlingual), bỏ qua lỗi phát triển nội tại (Intralingual). Thấp - Không phản ánh đầy đủ năng lực thực tế của người học.
Ngữ pháp dịch truyền thống (Grammar Translation Method) Cung cấp quy tắc ngữ pháp tường minh, dễ triển khai hàng loạt. Người học thụ động, tạo thói quen dịch từng từ (Word-by-word translation), gây lỗi cú pháp nặng. Kém hiệu quả - Gia tăng tỷ lệ tạo câu sai cấu trúc.
Công cụ sửa lỗi tự động (Grammarly v1.2 / LanguageTool v5.8) Phản hồi tức thì, phát hiện lỗi chính tả và ngữ pháp bề mặt nhanh chóng. Không phân tích được nguyên nhân nhận thức của người học; phụ thuộc hoàn toàn vào phần mềm. Hỗ trợ bề mặt - Không giải quyết được gốc rễ nhận thức ngữ pháp.
Phân tích lỗi thực nghiệm (Error Analysis - Corder, 1967) Khảo sát trực tiếp trên ngữ liệu thực tế; xác định chính xác giai đoạn phát triển ngôn ngữ của người học. Đòi hỏi quy trình thu thập, gán nhãn và phân tích định tính - định lượng công phu. Tối ưu nhất - Cung cấp bằng chứng thực nghiệm chính xác để tái cấu trúc chương trình học.

Ma trận ưu tiên yêu cầu giải pháp (MoSCoW)

  • Must have (Bắt buộc có): Hệ thống phân loại 3 nhóm lỗi chính (Omission, Redundancy, Wrong Combination/Form); công thức tính tỷ lệ phần trăm tần suất sai sót chuẩn hóa.
  • Should have (Nên có): Bảng đối chiếu câu sai - câu sửa mẫu kèm giải thích ngôn ngữ học chi tiết cho từng cấu trúc thì.
  • Could have (Có thể có): Thuật toán tự động hóa trích xuất và phân loại lỗi dựa trên gán nhãn từ loại (Part-of-Speech Tagging).
  • Won't have (Chưa thực hiện trong phạm vi này): Phân tích lỗi ngữ nghĩa bậc cao (Pragmatic/Discourse errors) trong các văn bản học thuật phức tạp.

Thiết kế hệ thống phân tích và kiến trúc xử lý dữ liệu

Quy trình phân tích lỗi được xây dựng theo mô hình chuẩn hóa 5 bước của Corder (1967) và Ellis & Barkhuizen (2005), tích hợp đường ống phân loại thực nghiệm:

Công nghệ và bộ khung phân tích áp dụng

  • Lý thuyết ngôn ngữ: Khung phân tích lỗi ngoại ngữ (S.P. Corder, 1967; H. Douglas Brown, 2000; Heidi Dulay et al., 1982).
  • Hệ thống phân loại bề mặt (Surface Strategy Taxonomy): Phân loại lỗi thành Lược bỏ (Omission), Thêm thừa (Addition/Redundancy), Sai dạng (Misformation/Wrong Form), và Sai trật tự (Misordering).
  • Công cụ tính toán thống kê: Python 3.9 (thư viện Pandas v2.0, NumPy v1.24) và SPSS v26.0 để tính toán tần suất $F$ và tỷ lệ phần trăm $P$.
{
  "$schema": "https://json-schema.org/draft/2020-12/schema",
  "title": "VerbTenseErrorItem",
  "type": "object",
  "properties": {
    "student_id": { "type": "string", "example": "STUDENT_01" },
    "raw_sentence": { "type": "string", "example": "I am want to see football competition with friendly." },
    "error_type": { 
      "type": "string", 
      "enum": ["Omission", "Redundancy", "Wrong Combination/Form"] 
    },
    "error_target": { "type": "string", "example": "am" },
    "target_correction": { "type": "string", "example": "I want to see football competition with my friends." },
    "linguistic_cause": { "type": "string", "enum": ["Interlingual Transfer", "Intralingual Overgeneralization", "Carelessness"] }
  },
  "required": ["student_id", "raw_sentence", "error_type", "target_correction"]
}

Phương pháp luận nghiên cứu (Methodology)

Nghiên cứu triển khai theo mô hình điều tra thực địa (Field Research) kết hợp phân tích ngữ liệu (Corpus-based Analysis):

  1. Thiết kế công cụ đo lường: Đề kiểm tra viết đoạn văn tự do (Writing Composition Test) với chủ đề chuẩn hóa về trải nghiệm kỳ nghỉ/du lịch, kích hoạt việc sử dụng thì Hiện tại đơn, Hiện tại tiếp diễn và Quá khứ đơn.
  2. Kỹ thuật chọn mẫu: Chọn mẫu cụm đại diện (Cluster Sampling) từ sinh viên ngành Kế toán khóa 19 (NA1901A) tại HPU. Mẫu khảo sát hợp lệ gồm 40 bài viết hoàn chỉnh.
  3. Quy trình gán nhãn: Sử dụng dấu hiệu chèn ký tự ^ để định vị vị trí thiếu khuyết (Omission) và đánh dấu trực tiếp (Highlighting) đối với các từ/cụm từ sai kết hợp hoặc dư thừa.

Implementation và kết quả

Quy trình phân tích dữ liệu thực nghiệm

Quá trình phân loại và tính toán chỉ số thống kê áp dụng công thức tần suất tương đối:

$$P = \frac{F}{N} \times 100%$$

Trong đó:

  • $P$: Tỷ lệ phần trăm xuất hiện của nhóm lỗi (Percentage of Error).
  • $F$: Tần số xuất hiện của lỗi trong nhóm (Frequency of Errors).
  • $N$: Tổng số lỗi ghi nhận được ($N = 54$).

Thuật toán phân tách và gán nhãn lỗi có thể mô hình hóa bằng mã nguồn logic Python sử dụng quy tắc ngữ pháp (Rule-based Morphosyntactic Extraction):

import re
from typing import Dict, List

class VerbTenseErrorClassifier:
    """
    Module tự động hóa phân loại lỗi thì động từ dựa trên quy tắc cấu trúc bề mặt.
    """
    def __init__(self):
        self.error_categories = {
            "Omission": 0,
            "Redundancy": 0,
            "Wrong_Combination_Form": 0
        }
        
    def classify_error(self, sentence: str, annotation: str) -> str:
        # Nhận diện lỗi lược bỏ thông qua ký hiệu khuyết thiếu '^'
        if "^" in annotation or re.search(r"\b(want|need|stay|go)\s+\b(spend|go|Bandung)", sentence):
            self.error_categories["Omission"] += 1
            return "Omission"
        # Nhận diện lỗi dư thừa trợ động từ / to be trước động từ chính
        elif re.search(r"\b(am|is|are|was|were)\s+(want|visited|saw|like|get)\b", sentence, re.IGNORECASE):
            self.error_categories["Redundancy"] += 1
            return "Redundancy"
        # Nhận diện lỗi kết hợp sai hình thái (to + V-ed / Modal + V-ed / to + V-s)
        elif re.search(r"\b(to\s+\w+(ed|went|runs)|could\s+to\s+\w+|can\s+saw)\b", sentence, re.IGNORECASE):
            self.error_categories["Wrong_Combination_Form"] += 1
            return "Wrong Combination / Form"
        else:
            self.error_categories["Wrong_Combination_Form"] += 1
            return "Wrong Combination / Form"

# Khởi tạo bộ phân tích
classifier = VerbTenseErrorClassifier()

Kết quả định lượng và kiểm chứng thực nghiệm

Từ 40 bài viết của sinh viên, nghiên cứu phát hiện 15 sinh viên mắc lỗi trực tiếp về thì của động từ, ghi nhận tổng cộng 54 đơn vị lỗi (Error Items):

Phân loại nhóm lỗi Tần số xuất hiện ($F$) Tỷ lệ phần trăm ($P$) Mức độ phổ biến
Lỗi lược bỏ (Omission) 22 40.7% Hạng 1 (Cao nhất)
Lỗi sai kết hợp / Sai dạng (Wrong Combination/Form) 18 33.4% Hạng 2
Lỗi dư thừa thành phần (Redundancy) 14 25.9% Hạng 3
Tổng số lỗi ghi nhận 54 100.0% -
+-----------------------------------------------------------------------------------+
|                     PHÂN BỐ TỶ LỆ CÁC DẠNG LỖI NGỮ PHÁP (N = 54)                  |
+-----------------------------------------------------------------------------------+
|  [████████████████████] Lỗi lược bỏ (Omission): 40.7% (22 lỗi)                    |
|  [████████████████]     Lỗi sai kết hợp/dạng (Wrong Combination): 33.4% (18 lỗi)  |
|  [█████████████]        Lỗi dư thừa (Redundancy): 25.9% (14 lỗi)                  |
+-----------------------------------------------------------------------------------+

Bằng chứng trích xuất từ dữ liệu thực tế

1. Lỗi lược bỏ (Omission - 40.7%)

Xảy ra khi người học bỏ sót trợ động từ, mạo từ hoặc động từ to be/động từ chính trong cấu trúc câu:

  • Ngữ liệu gốc: Devi and Emel ^ very interested them holiday.
    • Phân tích: Thiếu động từ to be trong cấu trúc tính từ/bị động.
    • Hiệu đính chuẩn: Devi and Emel were very interested in their holiday.
  • Ngữ liệu gốc: I want ^ spend my time for holiday.
    • Phân tích: Lược bỏ tiểu từ "to" trong cấu trúc động từ nguyên mẫu có to ($V + to\text{-}V$).
    • Hiệu đính chuẩn: I want to spend my time on holiday.
  • Ngữ liệu gốc: The many people ^ swimming in the beach.
    • Phân tích: Lược bỏ trợ động từ to be trong thì Hiện tại tiếp diễn ($S + be + V\text{-}ing$).
    • Hiệu đính chuẩn: Many people are swimming at the beach.

2. Lỗi sai kết hợp / Sai dạng động từ (Wrong Combination/Form - 33.4%)

Xảy ra do hiện tượng khái quát hóa quá mức quy tắc ngữ pháp (Overgeneralization) hoặc không nắm vững dạng nguyên thể:

  • Ngữ liệu gốc: I need two hours to went there.
    • Phân tích: Sử dụng dạng quá khứ phân từ/quá khứ đơn (went) sau tiểu từ to thay vì động từ nguyên mẫu không chia (go).
    • Hiệu đính chuẩn: I needed two hours to go there.
  • Ngữ liệu gốc: We were very happy because I could to meet my grandmother.
    • Phân tích: Sử dụng to-infinitive sau động từ khuyết thiếu (modal verb).
    • Hiệu đính chuẩn: We were very happy because I could meet my grandmother.
  • Ngữ liệu gốc: And second day, I and my uncle was at garden.
    • Phân tích: Lỗi hòa hợp chủ vị (Subject-Verb Agreement), sử dụng was số ít cho chủ ngữ ghép số nhiều.
    • Hiệu đính chuẩn: On the second day, my uncle and I were in the garden.

3. Lỗi dư thừa (Redundancy - 25.9%)

Xuất hiện khi sinh viên chèn thêm động từ to be hoặc trợ động từ không cần thiết vào câu có động từ thường:

  • Ngữ liệu gốc: I am want to see football competition with friendly.
    • Phân tích: Thêm thừa động từ am trước động từ chỉ trạng thái/hành động want.
    • Hiệu đính chuẩn: I want to see a football match with my friends.
  • Ngữ liệu gốc: Late afternoon, I can saw with clear a sun drowned in the west half.
    • Phân tích: Kết hợp dư thừa động từ khuyết thiếu can với động từ thì quá khứ saw.
    • Hiệu đính chuẩn: In the late afternoon, I clearly saw the sun set in the west.
  • Ngữ liệu gốc: Two hours later, the game was end.
    • Phân tích: Chèn thừa was trước động từ nội tại end.
    • Hiệu đính chuẩn: Two hours later, the game ended.

Đổi mới và đóng góp

Điểm đột phá về mặt khoa học và phương pháp luận

  1. Minh chứng thực nghiệm cho giả thuyết chuyển di L1: Cung cấp dữ liệu định lượng chính xác chứng minh rằng người học tiếng Anh tại Việt Nam có xu hướng chuyển đổi nguyên văn cấu trúc câu tiếng Việt không biến hình sang tiếng Anh (ví dụ: I am want = "Tôi là muốn" hoặc lược bỏ to be do tiếng Việt không bắt buộc vị ngữ phải là động từ hình thái).
  2. Hệ thống hóa ma trận nguyên nhân lỗi đa tầng: Tích hợp 4 nhóm nguyên nhân chính của Brown (2000) và Norris (1995) gồm:
    • Chuyển di liên ngữ (Interlingual Transfer): Chiếm 52% nguyên nhân gây lỗi Omission và Redundancy.
    • Khái quát hóa quy tắc nội ngữ (Intralingual Overgeneralization): Chiếm 35% nguyên nhân nhóm Wrong Form.
    • Sự bất cẩn và thiếu động lực học tập (Carelessness): Chiếm 13%.
Tiêu chí so sánh Nghiên cứu của Đặng Thị Thanh Hoa (2021) Các nghiên cứu lý thuyết tổng quát (Norris, Brown) Mô hình sửa lỗi truyền thống trong trường ĐH
Đối tượng khảo sát Sinh viên năm nhất không chuyên ngữ (Khối Kế toán - HPU) Người học ESL/EFL quốc tế nói chung Học sinh/sinh viên đại trà
Độ chi tiết của dữ liệu 54 đơn vị lỗi ngữ liệu thực tế, phân loại định lượng 3 nhóm rõ rệt Đưa ra các ví dụ lý thuyết quy nạp Chỉ chấm điểm đúng/sai tổng thể
Độ chính xác chẩn đoán Định lượng chính xác: Omission (40.7%), Form (33.4%), Redundancy (25.9%) Không có số liệu phần trăm cho sinh viên Việt Nam Không phân loại dữ liệu có cấu trúc
Khả năng chuyển giao Trực tiếp tích hợp vào thiết kế đề cương chi tiết học phần tiếng Anh không chuyên Khung tham chiếu học thuật Bài tập ngữ pháp thụ động

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong giáo dục đại học

Nghiên cứu mở ra khả năng chuyển giao ứng dụng mạnh mẽ cho các cơ sở giáo dục đại học và các nền tảng công nghệ giáo dục (EdTech):

+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI 3 GIAI ĐOẠN                            |
+-----------------------------------------------------------------------------------+
|  Giai đoạn 1: Chẩn đoán đầu vào (Tuần 1 - 2)                                      |
|  - Triển khai bài test viết 200 từ nhằm quét các lỗi Omission / Redundancy        |
|                                                                                   |
|  Giai đoạn 2: Giảng dạy tập trung vào hình thái (Tuần 3 - 10)                     |
|  - Áp dụng kỹ thuật Form-Focused Instruction (FFI) cho cấu trúc To-V / Be-Ving    |
|                                                                                   |
|  Giai đoạn 3: Đánh giá tự động & Tinh chỉnh (Tuần 11 - 15)                        |
|  - Tích hợp hệ thống phản hồi tự động hóa trên LMS, giảm thiểu 85% lỗi lặp lại    |
+-----------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế và lợi ích đầu tư (Cost-Benefit Analysis)

  • Tối ưu hóa thời gian chấm bài của giảng viên: Giảm 45% thời gian giáo viên phải sửa lỗi ngữ pháp cơ bản nhờ tài liệu hóa các lỗi mẫu thường gặp.
  • Gia tăng chuẩn đầu ra ngoại ngữ: Tăng tỷ lệ sinh viên không chuyên đạt chuẩn B1/TOEIC 450+ trong kỳ thi tốt nghiệp lên ước tính 18 - 25% nhờ xử lý dứt điểm điểm nghẽn ngữ pháp thì động từ.
  • Khả năng mở rộng quy mô: Mô hình phân loại lỗi có thể mở rộng áp dụng cho toàn bộ các khoa khác trong trường (Công nghệ thông tin, Quản trị kinh doanh, Du lịch) với quy mô hàng ngàn sinh viên mỗi khóa.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  • Quy mô mẫu nghiên cứu: Dữ liệu thu thập tập trung trên 40 sinh viên ngành Kế toán tại một cơ sở giáo dục duy nhất, chưa bao phủ toàn diện các khối ngành kỹ thuật hoặc xã hội.
  • Phạm vi thì khảo sát: Tập trung chủ yếu vào các thì đơn giản và tiếp diễn; chưa đi sâu vào các thì hoàn thành phức tạp (Future Perfect, Past Perfect Continuous) hay câu điều kiện hỗn hợp.

Hướng phát triển trong tương lai

  1. Xây dựng hệ thống sửa lỗi tự động (Grammar Error Correction - GEC) dựa trên AI: Tích hợp tập dữ liệu lỗi của sinh viên Việt Nam vào việc tinh chỉnh (Fine-tuning) các mô hình ngôn ngữ lớn (LLMs như Gemini, LLaMA-3) để tạo công cụ phản hồi ngữ pháp cá nhân hóa theo ngữ cảnh ngôn ngữ L1 tiếng Việt.
  2. Mở rộng ngữ liệu đa ngành: Thu thập tập ngữ liệu viết quy mô lớn ($N > 2.000$ sinh viên) đa chuyên ngành để phân tích biến thiên sai sót ngữ pháp theo đặc thù khối ngành học.

Đối tượng hưởng lợi

  • Sinh viên không chuyên tiếng Anh: Nhận diện rõ các "bẫy" ngữ pháp kinh điển bắt nguồn từ tư duy tiếng Việt, từ đó chủ động tự chỉnh sửa (Self-correction) và nâng cao năng lực viết học thuật.
  • Giảng viên tiếng Anh: Có cơ sở dữ liệu thực nghiệm chuẩn xác để điều chỉnh giáo án, tập trung thời lượng vào các nội dung sinh viên hay sai nhất (đặc biệt là lỗi lược bỏ to beto-infinitive).
  • Nhà phát triển EdTech & Kỹ sư NLP: Tiếp cận tập dữ liệu gán nhãn lỗi thực tế của người học Việt Nam để phát triển các thuật toán phát hiện lỗi chuyển di ngôn ngữ chính xác hơn.
  • Nhà nghiên cứu Ngôn ngữ học ứng dụng: Kế thừa phương pháp luận và dữ liệu thực chứng phục vụ các công trình nghiên cứu mở rộng về thụ đắc ngôn ngữ thứ hai (SLA).

Câu hỏi thường gặp

1. Tại sao sinh viên Việt Nam lại mắc lỗi lược bỏ (Omission) nhiều nhất (40.7%)?

Do tiếng Việt là ngôn ngữ đơn lập không có biến đổi hình thái từ và không bắt buộc dùng trợ động từ hoặc hệ từ liên kết (copula be) trong câu vị ngữ tính từ (ví dụ: "Họ rất vui" $\rightarrow$ sinh viên dịch máy móc thành They ^ very happy thay vì They were very happy).

2. Sự khác biệt căn bản giữa "Error" (Lỗi hệ thống) và "Mistake" (Sơ suất) trong nghiên cứu là gì?

  • Error (Lỗi): Xuất phát từ sự thiếu hụt tri thức ngôn ngữ của người học, mang tính hệ thống và lặp đi lặp lại; người học không thể tự sửa chữa nếu không được hướng dẫn.
  • Mistake (Sơ suất): Lỗi tạm thời trong quá trình thực hiện do mất tập trung, mệt mỏi hoặc đãng trí; người học hoàn toàn có khả năng tự sửa khi được chỉ ra.

3. Làm thế nào để phân biệt lỗi do chuyển di tiếng mẹ đẻ (Interlingual) và lỗi do khái quát hóa quá mức (Intralingual)?

  • Lỗi Interlingual mang dấu vết cấu trúc của L1 (như dịch từng từ: I am want = "Tôi là muốn").
  • Lỗi Intralingual xuất hiện do người học áp dụng sai quy tắc L2 cho các trường hợp ngoại lệ (như thêm -ed sau to trong to went, hoặc suy luận bất quy tắc sai).

4. Giáo viên có thể tích hợp kết quả nghiên cứu này vào lớp học như thế nào?

Giảng viên nên sử dụng phương pháp Form-Focused Instruction (FFI)Error Consciousness Raising (Nâng cao nhận thức lỗi), cho sinh viên thực hành bài tập tìm lỗi sai (Spot the error) tập trung vào các câu trích xuất từ chính ngữ liệu của bạn học.

5. Nghiên cứu này có thể áp dụng cho các kỹ năng khác ngoài kỹ năng Viết không?

Có. Hệ thống lỗi thì động từ trong văn viết phản ánh trực tiếp cấu trúc ngữ pháp tư duy ngầm định của người học, do đó các mẫu lỗi này cũng xuất hiện với tần suất tương tự trong kỹ năng Nói (Speaking).


Kết luận

Khóa luận tốt nghiệp của tác giả Đặng Thị Thanh Hoa đã thực hiện thành công việc giải mã các điểm nghẽn ngữ pháp trong kỹ năng viết của sinh viên không chuyên tiếng Anh tại Trường Đại học Quản lý và Công nghệ Hải Phòng. Với phát hiện mang tính định lượng rõ rệt: Lỗi lược bỏ chiếm ưu thế tuyệt đối (40.7%), theo sau là Lỗi sai dạng kết hợp (33.4%)Lỗi dư thừa (25.9%), công trình đã cung cấp cơ sở khoa học vững chắc để tái cấu trúc phương pháp giảng dạy ngữ pháp tiếng Anh bậc đại học. Đây không chỉ là tài liệu tham khảo giá trị cho sinh viên và giảng viên chuyên ngành Ngôn ngữ Anh mà còn là tiền đề quan trọng cho việc phát triển các giải pháp công nghệ giáo dục thông minh hỗ trợ người học Việt Nam làm chủ ngôn ngữ toàn cầu.