Luận văn thiết kế mô hình thư viện thông minh tại các trường đại học khối ngành ngân hàng ở Việt Nam

Nghiên cứu giải pháp thiết kế mô hình thư viện thông minh tại các trường đại học ngành ngân hàng ở Việt Nam nhằm nâng cao trải nghiệm học tập và nghiên cứu.

• Tác giả: Nguyễn Anh Toàn
• Người hướng dẫn: TS. Võ Đức Vĩnh
• Trường học: Trường Đại học Ngân hàng TP. Hồ Chí Minh
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Thiết kế mô hình thư viện thông minh tại các trường đại học khối ngành Ngân hàng ở Việt Nam
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2026
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan mô hình thư viện thông minh khối ngành ngân hàng

Chuyển đổi số giáo dục đại học tạo ra bước ngoặt lớn cho các cơ sở đào tạo khối kinh tế và tài chính. Thư viện đại học không còn là kho lưu trữ sách giấy đơn thuần. Nhu cầu xây dựng mô hình thư viện thông minh tại các trường đại học khối ngành ngân hàng ở Việt Nam trở nên cấp thiết. Mô hình này đóng vai trò hạ tầng tri thức cốt lõi. Hệ thống giúp sinh viên và giảng viên tiếp cận nguồn dữ liệu tài chính toàn cầu nhanh chóng. Xu hướng này bắt nguồn từ khung lý thuyết của Schöpfel với định hướng phát triển toàn diện. Thư viện hiện đại chuyển từ mô hình mượn trả thụ động sang trung tâm tương tác học thuật. Công nghệ thông tin kết nối các nguồn học liệu số, cơ sở dữ liệu tạp chí quốc tế và luận văn nội sinh. Các trường như Đại học Ngân hàng TP.HCM hay Học viện Ngân hàng đang chủ động đổi mới hạ tầng. Mục tiêu hướng tới là nâng cao năng lực tự học, nghiên cứu khoa học và đáp ứng chuẩn đầu ra khắt khe. Nền tảng này tạo tiền đề vững chắc cho việc hiện đại hóa toàn diện môi trường sư phạm đại học.

1.1. Bốn trụ cột cấu thành thư viện hiện đại

Mô hình thư viện thông minh được xây dựng dựa trên bốn trụ cột chính: dịch vụ thông minh, người dùng thông minh, không gian thông minh và quản trị thông minh. Dịch vụ thông minh cung cấp khả năng tìm kiếm ngữ nghĩa và gợi ý học liệu tự động. Người dùng thông minh thể hiện qua năng lực khai thác thông tin số và tư duy nghiên cứu độc lập. Không gian thông minh kết hợp giữa khu vực tự học thể chất hiện đại và không gian ảo đa tiện ích. Cuối cùng, quản trị thông minh sử dụng dữ liệu lớn để điều hành hoạt động. Bốn yếu tố này vận hành đồng bộ, tạo nên môi trường học tập tiên tiến cho ngành ngân hàng.

1.2. Ý nghĩa đối với chuẩn kiểm định quốc tế

Các trường đại học tài chính - ngân hàng đang đẩy mạnh kiểm định chất lượng theo chuẩn AUN-QA và FIBAA. Thư viện đóng vai trò là minh chứng quan trọng trong việc bảo đảm tài nguyên phục vụ đào tạo. Một thư viện thông minh chứng minh năng lực đáp ứng giáo trình, tài liệu tham khảo và cơ sở dữ liệu chuyên ngành. Nguồn tài nguyên này phải cập nhật liên tục theo biến động thị trường tài chính thực tế. Việc chuyển đổi mô hình thư viện giúp chuẩn hóa dữ liệu minh chứng kiểm định. Hoạt động tra cứu và mức độ sử dụng học liệu được ghi nhận chính xác qua hệ thống số, gia tăng uy tín học thuật của nhà trường.

II. Phân tích thực trạng thư viện đại học ngành ngân hàng

Khảo sát thực tế tại các trường đại học khối ngành ngân hàng cho thấy nỗ lực số hóa tài liệu diễn ra mạnh mẽ. Nhiều cơ sở đã xây dựng kho học liệu điện tử phong phú gồm sách điện tử, tạp chí khoa học và đề tài nghiên cứu. Tuy nhiên, phần lớn thư viện vẫn vận hành theo phương thức truyền thống. Chức năng chính vẫn dừng lại ở việc lưu trữ và cấp phát tài liệu đơn giản. Mối liên kết giữa thư viện với hoạt động giảng dạy và nghiên cứu còn rời rạc. Hạ tầng công nghệ tại nhiều đơn vị chưa đáp ứng tiêu chuẩn thư viện thông minh. Hệ thống quản lý thư viện OPAC hiện hành khó tích hợp trực tiếp với hệ thống quản lý học tập LMS của nhà trường. Dữ liệu người dùng chưa được theo dõi và phân tích bài bản. Thư viện thiếu các công cụ đo lường mức độ tương tác của sinh viên với tài liệu học tập. Sự chênh lệch mức độ đầu tư giữa hạ tầng đào tạo chung và thư viện tạo ra rào cản lớn trong quá trình chuyển đổi số.

2.1. Rào cản kỹ thuật và hệ thống phần mềm cũ

Nhiều trường đại học ngân hàng vẫn đang sử dụng phần mềm quản lý thư viện thế hệ cũ. Các phần mềm này thiếu giao diện lập trình ứng dụng API mở, gây khó khăn khi kết nối với hệ thống đào tạo. Việc đồng bộ dữ liệu tài khoản người học giữa thư viện và phòng đào tạo thường xuyên bị gián đoạn. Giao diện tra cứu trực tuyến OPAC còn nghèo nàn tính năng và tốc độ phản hồi chậm. Sinh viên gặp trở ngại khi tìm kiếm tài liệu chuyên ngành tài chính phức tạp. Tình trạng phân mảnh dữ liệu giữa các phân hiệu khiến việc chia sẻ tài nguyên bị hạn chế đáng kể.

2.2. Hạn chế trong khai thác dữ liệu hành vi

Dữ liệu nhật ký truy cập, lịch sử mượn tài liệu và hành vi tìm kiếm của độc giả hiện chưa được tổng hợp có hệ thống. Cán bộ quản lý thư viện thiếu công cụ phân tích để nắm bắt nhu cầu học tập thực tế. Việc bổ sung giáo trình hoặc mua bản quyền cơ sở dữ liệu quốc tế vẫn dựa nhiều vào cảm tính thay vì số liệu định lượng. Điều này dẫn đến tình trạng lãng phí ngân sách ở những danh mục ít người đọc và thiếu hụt tài liệu chuyên ngành nóng. Khả năng phát triển dịch vụ thông minh mang tính chủ động vì thế bị suy giảm nghiêm trọng.

III. Giải pháp thiết kế mô hình thư viện ngành ngân hàng

Thiết kế mô hình thư viện thông minh đòi hỏi sự đổi mới đồng bộ về kiến trúc kỹ thuật và phương pháp quản trị. Nền tảng cốt lõi là xây dựng kho dữ liệu dùng chung, kết nối thư viện với hệ thống đào tạo đại học. Ứng dụng trí tuệ nhân tạo giúp tự động hóa quá trình lập chỉ mục, phân loại tài liệu tài chính và hỗ trợ giải đáp tự động. Hệ thống mới cần tích hợp cơ chế định danh duy nhất cho toàn bộ giảng viên và sinh viên. Công nghệ điện toán đám mây cho phép mở rộng dung lượng lưu trữ học liệu số không giới hạn. Mạng lưới cảm biến IoT hỗ trợ quản lý không gian đọc, kiểm soát năng lượng và tối ưu hóa vị trí tài liệu vật lý. Bên cạnh công nghệ, việc bồi dưỡng kỹ năng số cho cán bộ thư viện là yêu cầu then chốt. Cán bộ thư viện trở thành chuyên gia tư vấn thông tin học thuật, đồng hành cùng nghiên cứu sinh và giảng viên. Mô hình tạo ra không gian học tập linh hoạt, đáp ứng xu hướng nghiên cứu liên ngành trong kỷ nguyên số.

3.1. Ứng dụng AI và cá nhân hóa dịch vụ tra cứu

Trí tuệ nhân tạo đóng vai trò trung tâm trong việc nâng cấp dịch vụ thư viện tài chính - ngân hàng. Hệ thống gợi ý thông minh dựa trên lịch sử nghiên cứu của người học để đề xuất giáo trình, bài báo khoa học phù hợp. Chatbot AI hoạt động liên tục 24/7 giúp giải đáp thắc mắc và hướng dẫn sử dụng nguồn tài nguyên học thuật. Công nghệ tìm kiếm ngữ nghĩa xử lý chính xác các thuật ngữ kinh tế chuyên sâu. Nhờ đó, sinh viên ngành tài chính tiết kiệm thời gian tiếp cận thông tin, nâng cao hiệu suất học tập và nghiên cứu học thuật độc lập.

3.2. Quản trị thông minh dựa trên dữ liệu lớn

Quản trị thông minh chuyển đổi cách thức ra quyết định của ban lãnh đạo thư viện từ trực quan sang định lượng. Hệ thống phân tích dữ liệu lớn thu thập toàn diện thông tin mượn trả, tần suất tra cứu và tương tác tài liệu số. Báo cáo trực quan theo thời gian thực giúp nhận diện tài liệu được quan tâm nhiều nhất trong từng học kỳ. Nhà trường chủ động xây dựng kế hoạch phân bổ ngân sách mua bản quyền học liệu quốc tế hiệu quả. Dữ liệu này cũng hỗ trợ đắc lực công tác bảo đảm chất lượng và đánh giá chương trình đào tạo.

IV. Lộ trình ứng dụng thư viện thông minh tại đại học

Triển khai mô hình thư viện thông minh tại các trường đại học khối ngành ngân hàng cần thực hiện theo lộ trình phân kỳ bài bản. Giai đoạn khởi đầu tập trung nâng cấp hạ tầng mạng, chuẩn hóa định dạng dữ liệu học liệu và tích hợp API với hệ thống quản lý sinh viên. Giai đoạn tiếp theo triển khai các ứng dụng thông minh như phần mềm thư viện số thế hệ mới, cổng tìm kiếm tập trung và hệ thống nhận diện RFID. Giai đoạn hoàn thiện mở rộng ứng dụng phân tích dữ liệu lớn và trí tuệ nhân tạo để tối ưu dịch vụ cá nhân hóa. Các trường cần xây dựng bộ tiêu chí đánh giá định kỳ dựa trên khung đo lường khoa học. Sự phối hợp chặt chẽ giữa phòng công nghệ thông tin, thư viện và ban giám hiệu quyết định mức độ thành công của dự án. Đầu tư đúng hướng vào thư viện thông minh giúp nâng cao chất lượng nguồn nhân lực tài chính ngân hàng, đáp ứng tiêu chuẩn hội nhập quốc tế của giáo dục đại học Việt Nam.

4.1. Bộ tiêu chí đánh giá hiệu quả triển khai

Bộ tiêu chí đánh giá mô hình thư viện thông minh gồm các chỉ số định lượng và định tính cụ thể. Nhóm tiêu chí dịch vụ đo lường tỷ lệ truy cập học liệu số thành công và mức độ hài lòng của độc giả. Nhóm tiêu chí không gian đánh giá hiệu suất sử dụng khu vực tự học và tính linh hoạt của tiện ích số. Nhóm tiêu chí quản trị xem xét khả năng tích hợp dữ liệu với các phân hệ khác trong trường đại học. Việc lượng hóa tiêu chí giúp nhà trường xác định chính xác điểm nghẽn để kịp thời cải tiến chất lượng dịch vụ.

4.2. Tác động đến chất lượng đào tạo tài chính

Mô hình thư viện thông minh tạo môi trường học tập chủ động, thúc đẩy thói quen nghiên cứu thường xuyên cho sinh viên ngành ngân hàng. Tiếp cận nhanh nguồn dữ liệu tài chính thời gian thực giúp sinh viên nắm bắt diễn biến thị trường thực tế ngay trên ghế nhà trường. Giảng viên sở hữu nguồn tài liệu phong phú để đổi mới bài giảng và thực hiện các công trình nghiên cứu giá trị cao. Sự đổi mới này góp phần nâng cao năng lực cạnh tranh của sinh viên tốt nghiệp, đáp ứng nhu cầu tuyển dụng khắt khe từ các ngân hàng thương mại.

Nội dung chính

Tổng quan nghiên cứu

Trong xu thế chuyển đổi số giáo dục đại học và hội nhập quốc tế sâu rộng, thư viện đại học không còn đơn thuần là không gian lưu trữ tài liệu in truyền thống mà đã chuyển mình thành hạ tầng tri thức số chiến lược. Theo các định hướng vĩ mô tại Quyết định số 749/QĐ-TTg năm 2020 phê duyệt Chương trình Chuyển đổi số quốc gia và Quyết định số 131/QĐ-TTg năm 2022 của Thủ tướng Chính phủ, các cơ sở giáo dục đại học tại Việt Nam đang đứng trước yêu cầu cấp thiết phải hiện đại hóa toàn diện hạ tầng thông tin học thuật. Thực tế cho thấy khoảng 83,3% cơ sở giáo dục trọng điểm đã bước đầu lắp đặt hệ thống kiểm soát an ninh tự động, song việc tích hợp thành một hệ sinh thái thông minh hoàn chỉnh vẫn gặp nhiều rào cản phân mảnh.

Đối với khối trường đại học chuyên ngành Tài chính - Ngân hàng, điển hình như Trường Đại học Ngân hàng Thành phố Hồ Chí Minh và Học viện Ngân hàng, nhu cầu khai thác dữ liệu tài chính thời gian thực, báo cáo phân tích ngành, luật kinh tế và các bộ dữ liệu mô phỏng rủi ro FinTech đòi hỏi một kiến trúc thư viện chuyên biệt. Tuy nhiên, phần lớn các trường hiện nay mới chỉ dừng lại ở mức độ số hóa danh mục mục lục trực tuyến hoặc bổ sung cơ sở dữ liệu phân tán, chưa hình thành mô hình tham chiếu tích hợp giữa dữ liệu, công nghệ, dịch vụ và quản trị.

Luận văn thạc sĩ chuyên ngành Hệ thống thông tin quản lý của tác giả Nguyễn Anh Toàn, dưới sự hướng dẫn của Tiến sĩ Võ Đức Vĩnh, thực hiện nghiên cứu thiết kế mô hình thư viện thông minh trong giai đoạn từ tháng 10/2025 đến tháng 02/2026. Mục tiêu cụ thể của nghiên cứu là xây dựng kiến trúc tham chiếu 5 lớp, chuẩn hóa bộ 12 tiêu chí đánh giá gắn liền với tiêu chuẩn kiểm định quốc tế AUN-QA phiên bản 4.0 và FIBAA, đồng thời phát triển thử nghiệm hình mẫu công nghệ LightRAG nhằm kết nối dữ liệu tri thức chuyên ngành. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp các nhà quản trị thu hẹp khoảng cách điểm khả thi từ mức 3.8/5 lên tương thích với mức sẵn sàng sử dụng đạt 4.7/5, tạo nền tảng vững chắc nâng cao chất lượng đào tạo và nghiên cứu khoa học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của các lý thuyết quản trị hệ thống thông tin hiện đại và công nghệ tri thức số. Trọng tâm lý thuyết là mô hình bốn chiều không gian thư viện thông minh do Schöpfel đề xuất năm 2018, bao gồm: dịch vụ thông minh (smart services), người dùng thông minh (smart people), không gian thông minh (smart places) và quản trị thông minh (smart governance). Khung lý thuyết này khẳng định tính thông minh của thư viện là một quá trình tương tác thích nghi xã hội - kỹ thuật chứ không phải là sự lắp ghép cơ học các thiết bị công nghệ rời rạc.

Bên cạnh đó, đề tài vận dụng lý thuyết Thư viện 4.0 của tác giả Noh công bố năm 2015, nhấn mạnh vào các tác tử thông minh, dữ liệu liên kết và dịch vụ thích nghi theo ngữ cảnh người dùng. Về mặt công nghệ xử lý tri thức, nghiên cứu tích hợp kiến trúc Transformer của Vaswani và cộng sự năm 2017 cùng mô hình truy xuất tăng cường sinh nội dung RAG do Lewis và cộng sự thiết lập năm 2020. Để giải quyết các câu hỏi học thuật mang tính tổng hợp toàn cục, mô hình GraphRAG và LightRAG của Edge và cộng sự năm 2024 được đưa vào ứng dụng nhằm xây dựng đồ thị tri thức liên kết đa chiều. Bốn khái niệm trung tâm xuyên suốt toàn bộ mô hình bao gồm: hệ sinh thái thư viện học thuật, cơ sở dữ liệu số chuyên ngành ngân hàng, truy xuất tri thức ngữ nghĩa và quản trị dữ liệu gắn với chuẩn kiểm định chất lượng giáo dục.

Phương pháp nghiên cứu

Luận văn vận dụng phương pháp luận nghiên cứu khoa học thiết kế (Design Science Research Methodology - DSRM) do Peffers và cộng sự chuẩn hóa năm 2007, kết hợp với các nguyên lý thiết kế hệ thống của Hevner và cộng sự năm 2004. Quy trình nghiên cứu được triển khai chặt chẽ qua 5 giai đoạn: nhận diện vấn đề thực tiễn, xác định mục tiêu thiết kế, xây dựng tạo tác kiến trúc và bộ tiêu chí, đánh giá tạo tác thông qua khảo sát thực nghiệm và ban hành lộ trình thực thi hoàn thiện.

Nguồn dữ liệu thứ cấp được tổng hợp có hệ thống từ các văn bản quy phạm pháp luật như Luật Thư viện năm 2019, các chiến lược chuyển đổi số của Ngân hàng Nhà nước Việt Nam, cùng hướng dẫn đánh giá cơ sở vật chất và nguồn lực học tập theo tiêu chí số 6, 7 và 8 của AUN-QA phiên bản 4.0.

Dữ liệu sơ cấp được thu thập qua hai kênh chính:

• Phỏng vấn sâu bán cấu trúc với cỡ mẫu gồm 10 chuyên gia đầu ngành (5 lãnh đạo, quản lý thư viện và 5 chuyên gia công nghệ thông tin trong lĩnh vực ngân hàng, giáo dục). Phương pháp chọn mẫu chủ đích (Purposive Sampling) được lựa chọn vì nhóm đối tượng này nắm giữ tri thức nghiệp vụ chuyên sâu, hiểu rõ ràng buộc hạ tầng và định hướng chiến lược chuyển đổi số của các cơ sở đào tạo.
• Khảo sát thăm dò trải nghiệm người dùng với cỡ mẫu gồm 60 cá nhân (10 giảng viên và 50 sinh viên) tại Trường Đại học Ngân hàng Thành phố Hồ Chí Minh và Học viện Ngân hàng trong khoảng thời gian từ tháng 10/2025 đến tháng 02/2026.

Phương pháp phân tích dữ liệu được lựa chọn có căn cứ khoa học rõ ràng: dữ liệu định tính phỏng vấn được xử lý bằng kỹ thuật phân tích chủ đề (Thematic Analysis) nhằm trích xuất các yêu cầu chức năng cốt lõi. Dữ liệu định lượng khảo sát được kiểm định độ tin cậy thang đo thông qua hệ số Cronbach's Alpha. Nhằm so sánh mức độ đánh giá giữa nhóm giảng viên và sinh viên, kiểm định phi tham số Mann-Whitney được áp dụng vì đây là công cụ tối ưu cho các mẫu dữ liệu kích thước nhỏ, không đòi hỏi giả định phân phối chuẩn của tổng thể.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích dữ liệu thực nghiệm đã chỉ ra 4 phát hiện quan trọng có ý nghĩa nền tảng cho việc chuyển đổi mô hình thư viện truyền thống sang thư viện thông minh:

Thứ nhất, nghiên cứu đã thiết kế thành công mô hình tham chiếu kiến trúc 5 lớp hoàn chỉnh cho các trường khối ngành Ngân hàng gồm: Lớp cảm biến và IoT; Lớp nền tảng tích hợp đám mây kết nối LMS, ILS, ERMS và OPAC; Lớp phân tích dữ liệu và trí tuệ nhân tạo; Lớp dịch vụ người dùng cá nhân hóa; và Lớp quản trị, bảo đảm chất lượng nội bộ. Đi kèm với kiến trúc là bộ 12 tiêu chí cốt lõi được định nghĩa tường minh, tương thích hoàn toàn với các yêu cầu kiểm định quốc tế.

Thứ hai, kết quả khảo sát người dùng ghi nhận mức độ đồng thuận rất cao về tầm quan trọng của mô hình thư viện thông minh với điểm trung bình đạt 4.8/5 điểm (tương đương 96% độ kỳ vọng) và mức độ sẵn sàng tiếp nhận công nghệ đạt 4.7/5 điểm (tương đương 94%). Tuy nhiên, điểm đánh giá về tính khả thi trong điều kiện nguồn lực thực tế hiện tại chỉ đạt 3.8/5 điểm (tương đương 76%), tạo ra khoảng cách chênh lệch đáng kể từ 0.9 đến 1.0 điểm giữa kỳ vọng học thuật và năng lực triển khai thực tế.

Thứ ba, dữ liệu thực chứng cho thấy hiệu quả vượt bậc của các giải pháp tự động hóa. Khi phân tích trường hợp thực tiễn, việc ứng dụng nhận dạng sóng vô tuyến RFID và trạm mượn trả tự phục vụ đã xử lý thành công 366.575 lượt lưu thông tài liệu chỉ trong vòng 5 năm, mặc dù số lượng sách được gắn chip mới chỉ chiếm tỷ lệ khiêm tốn khoảng 8,2% tổng kho tài liệu. Đồng thời, tỷ lệ phủ kín cổng an ninh kiểm soát ra vào đạt 83,3% (15/18 điểm trạm), chứng minh khả năng tối ưu hóa nhân lực và giải tỏa áp lực phục vụ giờ cao điểm.

Thứ tư, việc thử nghiệm hình mẫu LightRAG trên tập dữ liệu chuyên ngành tài chính - ngân hàng đã minh chứng khả năng kết nối tri thức chính xác. Khác với các mô hình ngôn ngữ lớn tổng quát dễ mắc lỗi tạo thông tin không có căn cứ, LightRAG tạo lập mạng lưới đồ thị tri thức liên kết các khái niệm ngân hàng, chuẩn mực kế toán và dữ liệu thị trường, đạt độ chính xác truy hồi thông tin cao và cung cấp trích dẫn nguồn tài liệu gốc minh bạch.

Thảo luận kết quả

Khoảng cách rõ rệt giữa mức độ sẵn sàng sử dụng (4.7/5) và tính khả thi (3.8/5) bắt nguồn từ nhiều nguyên nhân mang tính cấu trúc. Chi phí duy trì thuê bao các cơ sở dữ liệu quốc tế như Scopus, Web of Science hay các cổng dữ liệu thị trường tài chính chuyên sâu rất tốn kém, trong khi ngân sách hàng năm của các thư viện còn hạn chế. Thêm vào đó, năng lực số của đội ngũ thủ thư chưa đồng đều và hệ thống phần mềm quản lý thư viện hiện hành (ILS) tại nhiều trường đã lỗi thời, tạo nên rào cản kỹ thuật lớn cho việc tích hợp dữ liệu thời gian thực.

So sánh với các nghiên cứu tiền nhiệm, kết quả của luận văn đã lấp đầy khoảng trống mà các tác giả như Noh (2015) hay Schöpfel (2018) để lại khi các mô hình trước đây chỉ dừng ở khung khái niệm chung chung, chưa cụ thể hóa cho một ngành học chuyên biệt. Kết quả nghiên cứu cũng củng cố cảnh báo của Wang và cộng sự năm 2025 về hiện tượng căng thẳng công nghệ (technostress), khi người dùng và cán bộ thư viện có thể bị quá tải thông tin trước các thuật toán AI nếu thiếu quy trình quản trị dữ liệu minh bạch và chính sách bảo vệ quyền riêng tư nghiêm ngặt.

Để minh họa trực quan kết quả nghiên cứu, dữ liệu khảo sát và cấu trúc kiến trúc có thể được trình bày thông qua biểu đồ radar (mạng nhện) 5 trục tương ứng với 5 lớp chức năng nhằm làm nổi bật khoảng cách giữa điểm kỳ vọng và điểm khả thi thực tế. Đồng thời, một bảng ma trận đối chiếu 2 chiều có thể được thiết lập để ánh xạ chi tiết 12 tiêu chí của mô hình thư viện thông minh với các tiêu chuẩn đánh giá của AUN-QA và FIBAA, giúp các nhà quản trị dễ dàng nhận diện bằng chứng phục vụ công tác kiểm định chất lượng đào tạo.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm và phân tích hệ thống, luận văn đề xuất 4 nhóm giải pháp hành động chiến lược với chỉ số đo lường cụ thể, lộ trình thực hiện và phân công chủ thể rõ ràng:

Thứ nhất, chuẩn hóa và hợp nhất hạ tầng dữ liệu số đa nền tảng.

• Động từ hành động: Tích hợp và đồng bộ hóa toàn diện dữ liệu giữa hệ thống quản lý học tập (LMS), hệ thống quản trị thư viện (ILS), hệ thống quản lý tài nguyên điện tử (ERMS) và cổng mục lục truy cập trực tuyến (OPAC).
• Chỉ số mục tiêu: Đạt 100% tài nguyên nội sinh (giáo trình, đề tài nghiên cứu, luận văn) được lập chỉ mục số, rút ngắn 40% thời gian tìm kiếm tài liệu của người học.
• Lộ trình: Năm thứ nhất (Giai đoạn củng cố nền tảng và chức năng lõi).
• Chủ thể thực hiện: Trung tâm Công nghệ thông tin phối hợp cùng Ban Quản lý Thư viện các trường HUB và BAV.

Thứ hai, triển khai thử nghiệm dịch vụ trợ lý học thuật thông minh ứng dụng LightRAG.

• Động từ hành động: Xây dựng và vận hành thí điểm phân hệ truy xuất tăng cường sinh nội dung trên cơ sở dữ liệu chuyên ngành tài chính, chứng khoán và FinTech.
• Chỉ số mục tiêu: Đạt tỷ lệ chính xác trong giải đáp và trích dẫn học thuật trên 90%, cam kết thỏa thuận mức dịch vụ (SLA) giải quyết phản hồi thông tin chuyên sâu của người dùng trong thời gian dưới 48 giờ.
• Lộ trình: Năm thứ hai (Giai đoạn mở rộng dịch vụ thông minh và phân tích dữ liệu).
• Chủ thể thực hiện: Tổ chuyển đổi số, chuyên gia AI và cán bộ thông tin học thuật.

Thứ ba, thiết lập liên minh chia sẻ tài nguyên và đồng cấp phép học liệu khối kinh tế.

• Động từ hành động: Đàm phán và liên kết chia sẻ cơ sở dữ liệu học thuật quốc tế dùng chung giữa các trường đại học khối ngành kinh tế, tài chính và ngân hàng tại Việt Nam.
• Chỉ số mục tiêu: Tiết kiệm tối thiểu 25% đến 30% chi phí bản quyền dữ liệu hàng năm cho mỗi trường, gia tăng 50% dung lượng kho tài liệu chuyên sâu tiếp cận được.
• Lộ trình: Năm thứ hai đến năm thứ ba.
• Chủ thể thực hiện: Ban Giám hiệu các trường đại học khối ngành Ngân hàng và Hiệp hội các trường đại học, cao đẳng.

Thứ tư, hoàn thiện khung bảo đảm chất lượng nội bộ và chính sách an toàn dữ liệu.

• Động từ hành động: Ban hành quy chế quản trị dữ liệu người dùng, thiết lập bộ công cụ đánh giá tác động quyền riêng tư và triển khai các chương trình đào tạo kỹ năng số chuyên sâu.
• Chỉ số mục tiêu: Đạt điểm đánh giá tuyệt đối ở tiêu chí cơ sở vật chất (tiêu chí 7) trong các kỳ kiểm định AUN-QA với mức điểm 5.0/7 trở lên, 95% cán bộ thư viện được chuẩn hóa năng lực khai thác và quản trị hệ thống AI.
• Lộ trình: Thực hiện xuyên suốt trong cả 3 năm của lộ trình chuyển đổi.
• Chủ thể thực hiện: Phòng Đảm bảo chất lượng giáo dục, Phòng Quản trị nhân sự và Ban Thư viện.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính sau:

1. Ban Giám hiệu và các nhà hoạch định chiến lược giáo dục đại học: Cung cấp khung tham chiếu khoa học và cơ sở lập luận vững chắc để phê duyệt các đề án đầu tư công nghệ thông tin, phân bổ nguồn lực chuyển đổi số hiệu quả, tránh lãng phí ngân sách vào các công nghệ phân tán, không đồng bộ.

2. Giám đốc và cán bộ quản lý thư viện các trường đại học: Cung cấp bộ công cụ nghiệp vụ chi tiết, cẩm nang 12 tiêu chí đánh giá mức độ thông minh và các quy trình mẫu để chuyển đổi từ mô hình phục vụ thủ công sang mô hình quản trị dữ liệu tri thức, phục vụ tốt các đợt kiểm định chất lượng AUN-QA và FIBAA.

3. Kỹ sư hệ thống, chuyên gia công nghệ thông tin và nhà phát triển giải pháp EdTech: Tham khảo kiến trúc kỹ thuật 5 lớp chi tiết, phương thức liên thông giữa các phần mềm nghiệp vụ thư viện và mã nguồn hình mẫu ứng dụng LightRAG để tùy biến, phát triển các sản phẩm trợ lý tri thức chuyên biệt.

4. Giảng viên, nhà nghiên cứu và học viên cao học ngành Hệ thống thông tin, Tài chính - Ngân hàng: Làm tài liệu tham khảo học thuật chuyên sâu về phương pháp nghiên cứu khoa học thiết kế (DSRM), phương pháp trích xuất đồ thị tri thức và các hướng nghiên cứu mở rộng về ứng dụng AI trong quản trị giáo dục đại học.

Câu hỏi thường gặp

1. Mô hình thư viện thông minh 5 lớp có làm gia tăng quá mức chi phí đầu tư ban đầu của nhà trường không? Mô hình được thiết kế theo nguyên tắc tối ưu hóa và kế thừa toàn diện các phần mềm hiện hữu như LMS, ILS hay OPAC. Bằng cách triển khai theo lộ trình 3 năm phân kỳ, nhà trường có thể tận dụng hạ tầng mã nguồn mở và liên minh chia sẻ dữ liệu liên trường, giúp tiết kiệm từ 25% đến 30% tổng chi phí đầu tư so với việc mua sắm các giải pháp thương mại đóng gói riêng lẻ.

2. Hình mẫu LightRAG có ưu điểm gì vượt trội so với các công cụ chatbot AI thông thường hiện nay? Khác với các chatbot AI thông thường dễ đưa ra thông tin giả mạo hoặc thiếu căn cứ, LightRAG kết hợp mô hình ngôn ngữ lớn với mạng lưới đồ thị tri thức chuyên ngành. Hệ thống chỉ truy xuất và tổng hợp câu trả lời dựa trên kho tài liệu đã được kiểm duyệt của thư viện, đồng thời cung cấp chính xác nguồn trích dẫn học thuật, đáp ứng nghiêm ngặt tính liêm chính trong nghiên cứu khoa học.

3. Thư viện thông minh đóng góp cụ thể như thế nào vào kết quả kiểm định chất lượng AUN-QA và FIBAA? Mô hình cung cấp bảng điều khiển dữ liệu thời gian thực giúp tự động xuất các báo cáo minh chứng phục vụ tiêu chí 6 (Hỗ trợ sinh viên) và tiêu chí 7 (Cơ sở vật chất và nguồn học liệu). Các chỉ số như vòng quay lưu thông sách, mức độ tương tác tài nguyên số và tỷ lệ giải quyết khiếu nại SLA dưới 48 giờ là minh chứng định lượng thuyết phục cho đoàn đánh giá ngoài.

4. Tại sao điểm đánh giá về tính khả thi trong khảo sát chỉ đạt 3.8/5, thấp hơn đáng kể so với mức độ sẵn sàng 4.7/5? Sự chênh lệch gần 1.0 điểm phản ánh mối lo ngại thực tế của người dùng và nhà quản lý về rào cản chi phí bản quyền cơ sở dữ liệu quốc tế, sự thiếu hụt nhân sự CNTT chuyên trách trong thư viện và hạ tầng máy chủ chưa đồng bộ. Đây là căn cứ quan trọng để luận văn xây dựng sổ đăng ký rủi ro và đề xuất giải pháp liên minh liên trường nhằm tháo gỡ điểm nghẽn.

5. Luận văn giải quyết bài toán bảo mật dữ liệu cá nhân và giảm căng thẳng công nghệ cho cán bộ thư viện ra sao? Nghiên cứu áp dụng nguyên tắc thiết kế bảo vệ quyền riêng tư ngay từ đầu (Privacy-by-Design), quy định giới hạn mục đích thu thập dữ liệu hành vi của người học và ẩn danh hóa dữ liệu phân tích. Đồng thời, mô hình đề xuất khung đào tạo kỹ năng số định kỳ nhằm giúp đội ngũ thủ thư làm chủ công nghệ, từng bước xóa bỏ tâm lý lo ngại bị AI thay thế trong công việc.

Kết luận

• Luận văn đã xây dựng thành công mô hình tham chiếu thư viện thông minh 5 lớp đặc thù cho khối trường đại học ngành Ngân hàng tại Việt Nam trên nền tảng phương pháp luận nghiên cứu khoa học thiết kế DSRM.
• Xác lập bộ 12 tiêu chí đánh giá toàn diện 4 chiều (dịch vụ, người dùng, không gian, quản trị), tích hợp hoàn chỉnh với các chuẩn kiểm định chất lượng giáo dục quốc tế AUN-QA phiên bản 4.0 và FIBAA.
• Hiện thực hóa và kiểm chứng thành công hình mẫu công nghệ LightRAG ứng dụng đồ thị tri thức, giải quyết triệt để rủi ro sai lệch thông tin trong truy xuất học liệu tài chính - ngân hàng.
• Lộ trình triển khai thực thi được cấu trúc rõ ràng qua 3 giai đoạn trong 36 tháng, đi kèm sổ đăng ký quản trị rủi ro chặt chẽ về chi phí, bảo mật dữ liệu và nhân lực vận hành.
• Nghiên cứu mở ra hướng đi chiến lược giúp các trường đại học khối ngành kinh tế tối ưu hóa nguồn lực đầu tư, chuyển đổi hạ tầng thông tin từ vai trò hỗ trợ hành chính sang trung tâm kiến tạo tri thức số.

Trong giai đoạn tiếp theo từ năm 2026 đến 2028, các cơ sở đào tạo khối ngành Ngân hàng cần khẩn trương thành lập Ban điều phối chuyển đổi số thư viện, ưu tiên ngân sách nâng cấp chuẩn giao tiếp API và thử nghiệm các phân hệ AI chuyên sâu. Hãy bắt đầu chuẩn hóa hệ sinh thái học liệu số ngay hôm nay để nâng tầm chất lượng đào tạo và khẳng định vị thế học thuật của nhà trường trên bản đồ giáo dục đại học quốc tế.

Trích đoạn nội dung tài liệu

Chương 1 đã trình bày tổng quan về bối cảnh nghiên cứu, trong đó nhấn mạnh sự chuyển dịch của thư viện đại học từ mô hình lưu trữ – phục vụ tài liệu sang hạ tầng tri thức thông minh gắn với chuyển đổi số, AI, dữ liệu và đảm bảo chất lượng giáo dục đại học. Trên cơ sở phân tích đặc thù của các trường đại học khối ngành Ngân hàng, chương đã xác định khoảng trống nghiên cứu liên quan đến việc thiếu mô hình tham chiếu TVTM có khả năng tích hợp với hệ thống hiện hữu, gắn với học liệu 9 chuyên ngành, tiêu chí kiểm định và lộ trình triển khai khả thi. Từ đó, chương xác lập mục tiêu, câu hỏi nghiên cứu, đối tượng, phạm vi, phương pháp tiếp cận và các đóng góp kỳ vọng của luận văn. CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN TÀI LIỆU 2.

Một số khái niệm 2. Thư viện học thuật Theo Hotsonyame (2023), thư viện học thuật về cơ bản đóng vai trò là môi trường giảng dạy, học tập và nghiên cứu. Mục tiêu của nó là sử dụng tất cả các tài liệu, dịch vụ và nguồn lực thư viện để thực hiện việc giảng dạy, học tập và nghiên cứu. Thư viện đại học đảm bảo việc sử dụng tối ưu các nguồn thông tin, tài nguyên và dịch vụ của mình để phục vụ người dùng.

Thư viện đại học khối ngành ngân hàng được coi là thư viện học thuật trong nghiên cứu này. Thư viện học thuật cung cấp dịch vụ thông tin bao gồm cả các dịch vụ trong đó thủ thư trực tiếp cung cấp thông tin cho người dùng và các giao diện được thiết kế và được tùy chỉnh cho người dùng để người dùng có thể tự tìm kiếm thông tin. Trí tuệ nhân tạo, mô hình ngôn ngữ lớn và truy xuất tăng cường trong thư viện thông minh Haenlein và cộng sự (2022) định nghĩa “AI là khả năng của một hệ thống nhận biết chính xác đầu vào bên ngoài, tiếp thu kiến thức mới và sử dụng kiến thức đó để thực hiện các mục tiêu và nhiệm vụ được chỉ định thông qua sự thích ứng linh hoạt”. Theo Choukimath và cộng sự (2019), AI có thể được định nghĩa là một tập hợp các công nghệ cho phép máy móc nhận biết, hiểu, hành động và thực hiện nhiều nhiệm vụ khác nhau giống như trí tuệ con người.

Theo Cox và cộng sự (2019), AI có khả năng tác động đến nhiều lớp hoạt động của thư viện học thuật, từ phát triển bộ sưu tập, truy xuất thông tin, hỗ trợ nghiên cứu, dịch vụ tham khảo đến tái định nghĩa vai trò của cán bộ thư viện trong môi trường dữ liệu hóa. Cách tiếp cận này cho thấy AI không chỉ là một công cụ kỹ thuật, mà còn là thành phần của một hệ sinh thái quản trị tri thức, nơi thư viện chuyển từ vai trò lưu trữ sang hạ tầng tri thức thông minh của trường đại học. Kết quả khảo sát của Hervieux và Wheatley (2021) cho thấy nhận thức của thủ thư học thuật về AI chưa hoàn toàn thống nhất, phản ánh tính mới và tính liên ngành của lĩnh vực này. Điều đó hàm ý rằng việc ứng dụng AI trong thư viện không chỉ đòi 11 hỏi hạ tầng kỹ thuật, mà còn cần khung năng lực, quy trình quản trị, chính sách dữ liệu và đạo đức nghề nghiệp rõ ràng.

Ở cấp độ kiến trúc công nghệ, sự phát triển của AI hiện đại gắn chặt với mô hình ngôn ngữ lớn (Large Language Model – LLM). Nền tảng quan trọng của nhiều LLM hiện nay là kiến trúc Transformer, được Vaswani và cộng sự (2017) đề xuất. Nhờ khả năng học quan hệ ngữ cảnh ở quy mô lớn, Transformer trở thành nền tảng cho nhiều mô hình ngôn ngữ hiện đại và mở đường cho các ứng dụng AI tạo sinh trong giáo dục, nghiên cứu và thư viện học thuật. Tuy nhiên, LLM không phải là giải pháp hoàn chỉnh cho TVTM nếu được sử dụng độc lập.

Nếu chỉ dựa vào LLM tổng quát, hệ thống có nguy cơ đưa ra câu trả lời thiếu căn cứ, không dẫn nguồn hoặc không phản ánh đúng tài liệu đang có trong thư viện. Đây là lý do các mô hình truy xuất tăng cường sinh nội dung (Retrieval-Augmented Generation – RAG) trở nên phù hợp với bối cảnh TVTM. Theo Lewis và cộng sự (2020), RAG kết hợp bộ nhớ tham số của mô hình ngôn ngữ với bộ nhớ phi tham số từ kho tài liệu truy xuất được, nhờ đó có thể cải thiện khả năng trả lời các tác vụ cần tri thức cụ thể. Trong thư viện học thuật, RAG có ý nghĩa đặc biệt vì nó giúp kết nối câu trả lời của AI với tài liệu thật trong kho thư viện, qua đó giảm rủi ro “ảo giác” thông tin và tăng khả năng kiểm chứng học thuật.

Từ đây, các hướng tiếp cận dựa trên đồ thị tri thức và Graph-based RAG được quan tâm nhiều hơn. Edge và cộng sự (2024) cho rằng RAG thông thường có thể gặp hạn chế với các câu hỏi “toàn cục” hướng vào toàn bộ tập văn bản, chẳng hạn yêu cầu xác định các chủ đề chính hoặc tổng hợp nhiều mối quan hệ trong một kho tài liệu lớn. Để khắc phục hạn chế này, GraphRAG xây dựng chỉ mục dạng đồ thị từ tài liệu, trong đó các thực thể, quan hệ và cụm chủ đề được tổ chức thành mạng tri thức; hệ thống có thể sử dụng các cộng đồng trong đồ thị để tạo các bản tóm tắt trung gian trước khi sinh câu trả lời cuối cùng. Cách tiếp cận này phù hợp với TVTM vì nhiều nguồn tri thức học thuật không tồn tại như các đoạn văn độc lập, mà là mạng lưới liên kết giữa 12 tác giả, chủ đề, học phần, chuẩn đầu ra, văn bản pháp lý, dữ liệu ngành và nhu cầu nghiên cứu.

Tuy nhiên, việc ứng dụng AI và RAG trong TVTM cần được nhìn nhận một cách thận trọng. IFLA (2023) nhấn mạnh vai trò của thư viện trong phát triển bền vững, tiếp cận tri thức và ứng phó với các biến động xã hội – công nghệ; do đó, ứng dụng AI trong thư viện phải phục vụ mục tiêu mở rộng tiếp cận tri thức, không làm gia tăng bất bình đẳng thông tin. ACRL (2018) cũng đặt thư viện đại học trong vai trò đối tác của quá trình giáo dục, hỗ trợ người học, nghiên cứu và cải tiến liên tục trong cơ sở giáo dục đại học. Vì vậy, AI trong thư viện không nên chỉ được đánh giá bằng tiêu chí kỹ thuật như tốc độ hay độ chính xác truy xuất, mà còn phải được đánh giá theo giá trị giáo dục, khả năng hỗ trợ năng lực thông tin, mức độ minh bạch nguồn, tính bao trùm, quyền riêng tư và đóng góp cho đảm bảo chất lượng.

Từ các phân tích trên, trong phạm vi luận văn này, AI được hiểu là nền tảng công nghệ hỗ trợ thư viện chuyển từ mô hình số hóa sang mô hình thông minh; LLM là công nghệ lõi cho phép tương tác ngôn ngữ tự nhiên và sinh câu trả lời; RAG là cơ chế kết nối LLM với nguồn tài liệu cụ thể của thư viện. Thư viện thông minh Có bản chất thư viện học thuật, TVTM có sự phát triển về mặt khái niệm. Theo Nguyễn Hoàng Sơn và cộng sự (2018), TVTM được xây dựng trên nền các công nghệ số đương đại như AI, dữ liệu lớn, điện toán đám mây và IoT… nhằm cung cấp sản phẩm, dịch vụ thư viện nhanh, thuận tiện, thân thiện và ngày càng “thông minh” cho người dùng trong cả không gian vật lý lẫn môi trường số. Nhờ hệ thống AI hỗ trợ sâu, tương tác giữa người dùng và thư viện dần giống một cuộc trao đổi với con người thật, thay vì thao tác thuần kỹ thuật.

Noh (2015) đưa ra khái niệm Thư viện 4.0) dựa trên nền tảng Web 4.0, đề cao tác tử thông minh, web kết nối – thực thi, và dịch vụ thư viện thích nghi theo ngữ cảnh. Schöpfel (2018) phân hóa TVTM theo bốn chiều: dịch vụ, con người, không gian, quản trị; nhấn mạnh tính quá trình (process) của “thông minh”, gắn với đô thị thông minh và học tập xanh. Shen (2019) bổ sung góc nhìn “hạ tầng thông 13 minh, di động phổ biến”, nơi thư viện là dữ liệu và nền tảng tri thức cộng đồng hướng đến hệ thống học tập thích nghi. Và gần đây, Naikar và Paul (2025) cho rằng “TVTM là tích hợp công nghệ số và tự động hóa để nâng trải nghiệm người dùng và tối ưu vận hành”.

Trong đó có sự tích hợp các hệ thống công nghệ RFID, AI giúp theo dõi thời gian thực và đề xuất cá nhân hóa; cloud giúp mở rộng truy cập 24/7; VR/AR tạo trải nghiệm nhập vai; phân tích dữ liệu hỗ trợ phát triển sưu tập và tối ưu không gian; và có tiềm năng ứng dụng blockchain để xác thực tài sản số. Như vậy, TVTM là mô hình thư viện vận hành trên nền công nghệ số (AI, dữ liệu lớn, điện toán đám mây, IoT…), nhằm cung cấp dịch vụ nhanh, tiện và thân thiện cho người dùng ở cả hai không gian: trong thư viện (vật lý) và trực tuyến (số). Điểm khác biệt cốt lõi là mức “thông minh” trong tương tác được thể hiện qua hệ thống hiểu nhu cầu, gợi ý tài liệu phù hợp và hỗ trợ người dùng gần giống như đang trò chuyện với một thủ thư thực thụ. Cách hiểu này giúp đặt TVTM như một quá trình đổi mới liên tục hơn là một đích đến cố định.

Lợi ích của thư viện thông minh Lợi ích của TVTM đến từ hiệu quả vận hành, nâng cao trải nghiệm người dùng, hỗ trợ kiểm định chất lượng và phát triển bền vững. Về hiệu quả vận hành, TVTM cho thấy tác động rõ rệt lên luồng lưu thông và năng suất nghiệp vụ. Trường hợp Trung tâm Thông tin – Thư viện Đại học Quốc gia Hà Nội là minh chứng, sau khi triển khai RFID và tự phục vụ, hệ thống xử lý được 366.575 lượt lưu thông tài liệu gắn chip trong 5 năm (2013–2018), dù số sách gắn chip chỉ chiếm 8,2% tổng số; hiệu quả đến từ khả năng nhận diện đồng thời nhiều tài liệu và thời gian mượn/trả rút ngắn đáng kể. Đồng thời, các điểm tự mượn/trả và hoàn trả 24/7 giúp giảm tải giờ cao điểm, cùng với cổng từ được lắp ở đa số cơ sở (15/18, tương đương 83,3%) củng cố an ninh và kiểm soát ra vào (Vũ Thị Kim Anh và Phạm Thành Quang, 2018).

TVTM đặt mục tiêu truy cập liền mạch và cá nhân hoá, từ đó nâng cao trải nghiệm người dùng tổng thể.