Tổng quan về luận án

Trong bối cảnh cuộc Cách mạng Công nghiệp lần thứ tư (CMCN 4.0), sự hội tụ của các công nghệ đột phá như Trí tuệ nhân tạo (AI), Internet vạn vật (IoT), Dữ liệu lớn (Big Data) và Điện toán đám mây (Cloud Computing) đang tái định hình toàn diện các mô hình giáo dục đại học. Nghị quyết số 29-NQ/TW của Ban Chấp hành Trung ương Đảng về đổi mới căn bản, toàn diện giáo dục và đào tạo cùng Quyết định số 127/QĐ-TTg của Thủ tướng Chính phủ ban hành "Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng Trí tuệ nhân tạo đến năm 2030" đã nhấn mạnh yêu cầu cấp thiết của việc hiện đại hóa phương pháp sư phạm, đẩy mạnh "cá nhân hóa việc học tập, nâng cao hiệu quả học tập có sự trợ giúp của giáo viên và trợ giảng ảo". Luận án tiến sĩ chuyên ngành Lí luận và phương pháp dạy học (Mã số: 9140110) với đề tài "Dạy học cho sinh viên ngành Công nghệ Thông tin với sự hỗ trợ của công nghệ Trí tuệ nhân tạo" do nghiên cứu sinh Đinh Thị Mỹ Hạnh thực hiện dưới sự hướng dẫn khoa học của PGS. Ngô Tứ Thành tại Đại học Bách khoa Hà Nội (2023) là một công trình tiên phong giải quyết bài toán giao thoa giữa khoa học sư phạm và công nghệ tính toán thông minh tại Việt Nam.

Khoảng trống nghiên cứu (research gap) trọng tâm mà luận án xác định bắt nguồn từ thực trạng: mặc dù các nghiên cứu quốc tế về AI trong giáo dục (AIEd) phát triển mạnh mẽ từ thập niên 1970 ( tiêu biểu như Baker & Smith, 2019; Luckin et al., 2016; Zawacki-Richter et al., 2019), các mô hình tích hợp AI mang tính sư phạm bài bản trong đào tạo đại học ngành Công nghệ Thông tin (CNTT) tại Việt Nam vẫn còn phân mảnh, chủ yếu dừng lại ở các công cụ hỗ trợ rời rạc mà thiếu một khung lý thuyết sư phạm vững chắc, một tiến trình dạy học hoàn chỉnh và bằng chứng thực nghiệm định lượng rõ ràng.

Để giải quyết khoảng trống này, luận án xây dựng hệ thống 06 câu hỏi nghiên cứu (Research Questions - RQ) và các giả thuyết khoa học tương ứng:

  • 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 hóa học tập được ứng dụng như thế nào trong việc hỗ trợ dạy học cho sinh viên ngành CNTT?
  • RQ3: Biện pháp áp dụng AI trong hỗ trợ dạy học cho sinh viên ngành CNTT gồm những gì?
  • RQ4: Công cụ và công nghệ nào hỗ trợ hiệu quả việc dạy học cho sinh viên ngành CNTT?
  • RQ5: Đo lường và đánh giá độ tin cậy của việc ứng dụng AI hỗ trợ dạy học cho sinh viên ngành CNTT như thế nào?
  • RQ6: Liệu có sự khác biệt có ý nghĩa thống kê về mức độ trải nghiệm học tập và kết quả học tập giữa nhóm sinh viên thực nghiệm (học tập có hỗ trợ của AI) so với nhóm đối chứng (học tập truyền thống không có AI)?

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp đa tầng giữa Lý thuyết kết nối (Connectivism của George Siemens và Stephen Downes), Thuyết sư phạm tương tác (Interactive Pedagogy của Jean-Marc Denommé & Madeleine Roy), Khung tri thức sư phạm - nội dung - công nghệ (TPACK của Mishra & Koehler), cùng Mô hình thiết kế dạy học hệ thống của Dick & Carey. Phạm vi nghiên cứu bao quát khảo sát diện rộng với 120 giảng viên và 877 sinh viên chuyên ngành CNTT, kết hợp thực nghiệm sư phạm tại các trường đại học thành viên thuộc Đại học Đà Nẵng (Trường Đại học Công nghệ Thông tin và Truyền thông Việt - Hàn và Trường Đại học Sư phạm) trong giai đoạn từ năm 2020 đến năm 2023.

Literature Review và Positioning

Nghiên cứu về Trí tuệ nhân tạo trong Giáo dục (AIEd) đã phát triển qua hơn nửa thế kỷ, khởi nguồn từ thập niên 1970 với mục tiêu ban đầu là xây dựng các Hệ thống dạy kèm thông minh (Intelligent Tutoring Systems - ITS) nhằm mô phỏng năng lực chẩn đoán và hướng dẫn của gia sư con người (Wenger, 1987; Sleeman & Brown, 1982). Theo tổng quan của Tuomi (2018), các kỹ thuật AI trong dạy học phân thành hai dòng tiếp cận chính: (1) AI dựa trên tri thức/biểu diễn (Knowledge-based AI), tập trung vào các hệ thống dựa trên luật và mô hình hóa nhận thức chuyên gia; và (2) AI hướng dữ liệu (Data-driven AI), ứng dụng học máy (Machine Learning), khai phá dữ liệu giáo dục (Educational Data Mining - EDM) và xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) để trích xuất quy luật từ hành vi người học. Baker & Smith (2019) đã khái quát hóa ba vai trò nền tảng của AIEd: AI như một công cụ khoa học để thấu hiểu người học; AI như một thành phần hệ thống thích ứng; và AI như cơ sở thiết kế môi trường học tập nâng cao.

                      ┌──────────────────────────────────────────────┐
                      │            LITERATURE REVIEW &               │
                      │          RESEARCH POSITIONING                │
                      └──────────────────────┬───────────────────────┘
                                             │
               ┌─────────────────────────────┴─────────────────────────────┐
               ▼                                                           ▼
┌──────────────────────────────┐                            ┌──────────────────────────────┐
│  Knowledge-based AI (Tuomi)   │                            │    Data-driven AI (Tuomi)    │
│  - Expert systems            │                            │  - Machine Learning & EDM    │
│  - Rule-based ITS            │                            │  - Deep Learning & NLP       │
└──────────────┬───────────────┘                            └──────────────┬───────────────┘
               │                                                           │
               └─────────────────────────────┬─────────────────────────────┘
                                             │
                      ┌──────────────────────▼──────────────────────┐
                      │    Theoretical & Pedagogical Debates        │
                      │    - Replacement vs. Augmentation Model     │
                      │    - Universal vs. Adaptive Curricula       │
                      └──────────────────────┬──────────────────────┘
                                             │
                      ┌──────────────────────▼──────────────────────┐
                      │         Luận án của Đinh Thị Mỹ Hạnh        │
                      │   - AI-augmented interactive pedagogy       │
                      │   - K-NN dynamic personalization            │
                      │   - Multi-agent Chatbot scaffolding         │
                      └─────────────────────────────────────────────┘

Trong bức tranh tổng quan quốc tế, tồn tại hai luồng tranh luận học thuật sâu sắc:

  1. Quan điểm Thay thế đối lập với Quan điểm Bổ trợ/Tương hỗ: Một số học giả cảnh báo nguy cơ AI làm suy giảm vai trò của nhà giáo và cơ giới hóa quá trình sư phạm, trong khi luồng quan điểm tiến bộ (Zawacki-Richter et al., 2019; Luckin et al., 2016) khẳng định AI đóng vai trò "đồng giảng viên" hoặc "trợ lý học tập thông minh", giải phóng giảng viên khỏi các tác vụ hành chính, chấm điểm lặp lại để tập trung vào tương tác sư phạm bậc cao.
  2. Chuẩn hóa đồng loạt đối lập với Cá nhân hóa thích ứng: Giáo dục truyền thống buộc người học thích nghi với tiến độ giảng dạy cố định, dẫn đến nghịch lý "sinh viên không theo kịp bài giảng bị coi là kém". Ngược lại, tiếp cận AIEd chỉ ra rằng sự không bắt nhịp bắt nguồn từ sự không tương thích giữa phong cách học và phương thức truyền tải; công nghệ AI cho phép điều chỉnh động độ khó, lộ trình và học liệu theo năng lực tiếp thu của từng cá nhân (Bloom, 1984; Woolf, 2010).

Luận án định vị nghiên cứu của mình thông qua việc đối sánh trực tiếp với các hệ thống AIEd kinh điển và hiện đại trên thế giới:

  • So sánh với AutoTutor (Graesser et al., 2005) và DBT (Dialog-Based Tutors): Trong khi AutoTutor tập trung vào hội thoại tiếng Anh để giải quyết vấn đề nhận thức sâu qua văn bản ngôn ngữ tự nhiên, luận án mở rộng sang việc tích hợp Chatbot đa nền tảng (Facebook Messenger và OpenAI ChatGPT API) chuyên biệt hóa cho ngữ cảnh lập trình C/C++, giải quyết rào cản cú pháp và tư duy thuật toán theo thời gian thực cho sinh viên Việt Nam.
  • So sánh với StuDiAsE (Samarakou et al., 2018) và OLI (Open Learning Initiative - Carnegie Mellon University): Các hệ thống OLI và StuDiAsE tập trung vào chẩn đoán và theo dõi hiệu suất người học ngành kỹ thuật. Luận án kế thừa nguyên lý này nhưng phát triển một kiến trúc hoàn chỉnh từ website học tập, module tự động kiểm thử mã nguồn (Testcase evaluation), chấm điểm tự động đến thuật toán phân lớp K-láng giềng gần nhất (K-Nearest Neighbor - KNN) dựa trên khoảng cách Euclidean để chủ động khuyến nghị (Recommendation Module - RM) tài liệu ôn tập và bài tập phân hóa.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại những đóng góp lý luận rõ nét cho chuyên ngành Lí luận và phương pháp dạy học thông qua việc mở rộng và tái cấu trúc các lý thuyết kinh điển trong kỷ nguyên số:

  • Phát triển Lý thuyết kết nối (Connectivism): Bổ sung vào luận điểm của George Siemens và Stephen Downes bằng việc xác lập các tác tử AI (AI Agents) và Chatbot như những nút mạng tri thức (knowledge nodes) phi nhân tạo có khả năng tự động phản hồi, duy trì kết nối tri thức liên tục 24/7 và điều phối luồng thông tin giữa người học và môi trường học tập số.
  • Làm phong phú Khung năng lực TPACK (Technological Pedagogical Content Knowledge): Cụ thể hóa mối quan hệ giao thoa giữa Kiến thức Công nghệ (TK), Kiến thức Sư phạm (PK) và Kiến thức Chuyên môn (CK) của Mishra & Koehler (2006) khi bổ sung thành tố công nghệ Trí tuệ nhân tạo (AI-TPACK). Giảng viên không chỉ sử dụng CNTT như phương tiện trình chiếu mà phải làm chủ kỹ năng thiết kế kịch bản sư phạm tương tác có AI điều phối, kiểm soát thuật toán cá nhân hóa và quản trị dữ liệu học tập.
  • Tái định nghĩa cấu trúc quá trình dạy học truyền thống: Mở rộng mô hình cấu trúc các thành tố dạy học (Mục tiêu - Nội dung - Phương pháp - Phương tiện - Hình thức tổ chức - Đánh giá) khi đưa AI vào đóng vai trò thành tố hỗ trợ xuyên suốt, tạo ra vòng phản hồi kép (dual-feedback loop) giúp điều chỉnh tức thời hoạt động dạy của giảng viên và hoạt động học của sinh viên.
                      ┌──────────────────────────────────────────────┐
                      │            TRIPLE INTERACTION MODEL          │
                      │               IN AI-AIDED LEARNING           │
                      └──────────────────────┬───────────────────────┘
                                             │
               ┌─────────────────────────────┼─────────────────────────────┐
               ▼                             ▼                             ▼
┌──────────────────────────────┐ ┌──────────────────────────────┐ ┌──────────────────────────────┐
│         GIẢNG VIÊN           │ │      TRÍ TUỆ NHÂN TẠO        │ │          SINH VIÊN           │
│  - Thiết kế kịch bản         │ │  - Trợ lý ảo / Chatbot 24/7  │ │  - Chủ động kiến tạo       │
│  - Điều phối sư phạm bậc cao │◄┼─►│  - Thuật toán K-NN đề xuất │◄┼─►│  - Tương tác đa chiều        │
│  - Giám sát tiến trình số    │ │  - Chấm code & Testcase tự đ │ │  - Tự điều chỉnh lộ trình  │
└──────────────────────────────┘ └──────────────────────────────┘ └──────────────────────────────┘
               ▲                                                           ▲
               └───────────────────────────────────────────────────────────┘
                                 Sư phạm tương tác trực tiếp

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự hợp nhất giữa Thuyết sư phạm tương tác của Jean-Marc Denommé & Madeleine Roy và Quy trình thiết kế dạy học của Dick & Carey, hình thành nên mô hình tương tác tam giác mở rộng: Giảng viên - Sinh viên - Trí tuệ nhân tạo.

Khung phân tích vận hành dựa trên chu trình 4 giai đoạn khép kín của cá nhân hóa học tập:

  1. Tham gia (Engagement): Sinh viên tương tác với hệ thống qua bài giảng số, bài tập lập trình, diễn đàn và Chatbot.
  2. Đo lường (Measurement): Hệ thống ghi nhận dữ liệu hành vi, điểm số kiểm tra quá trình, lịch sử nộp bài và kết quả chạy testcase.
  3. Diễn giải (Interpretation): Áp dụng thuật toán K-Nearest Neighbor (KNN) để tính khoảng cách vector năng lực của sinh viên so với các mẫu hình học tập chuẩn dựa trên khoảng cách Euclidean: $$d(x, y) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}$$
  4. Điều chỉnh (Adjustment): Module khuyến nghị (RM) tự động đưa ra các phản hồi định tính, giao bài tập bổ trợ hoặc đề xuất tài liệu nâng cao tương thích với từng vùng phát triển gần nhất (Zone of Proximal Development) của người học.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các học phần mang tính thực hành và tư duy cấu trúc cao thuộc khối kiến thức cơ sở ngành và chuyên ngành CNTT (như Tin học đại cương, Kỹ thuật lập trình C/C++, Đồ họa máy tính), đòi hỏi người học có thiết bị kết nối Internet và nền tảng hạ tầng công nghệ thông tin đáp ứng tiêu chuẩn.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ lập trường nhận thức luận thực chứng hậu kỳ (Post-positivism) kết hợp với chủ nghĩa thực dụng (Pragmatism), áp dụng thiết kế nghiên cứu phương pháp hỗn hợp (Mixed-Methods Research Design) nhằm bảo đảm tính khách quan, toàn diện và chuẩn xác:

  • Nghiên cứu định tính: Tổng quan tài liệu có hệ thống, phân tích nội dung chương trình đào tạo CNTT, và sử dụng phương pháp chuyên gia (Expert Review) để thẩm định tính cần thiết, tính hợp lý và tính khả thi của mô hình dạy học đề xuất.
  • Nghiên cứu định lượng: Khảo sát diện rộng thực trạng nhận thức, mức độ sẵn sàng sử dụng AIEd của giảng viên và sinh viên; kết hợp thực nghiệm sư phạm bán tự nhiên (Quasi-experimental Design) với mô hình lớp thực nghiệm (TN) và lớp đối chứng (ĐC) có kiểm soát đầu vào bằng kiểm định T-test.
             ┌──────────────────────────────────────────────────────────────┐
             │                 MIXED-METHODS RESEARCH DESIGN                │
             └──────────────────────────────┬───────────────────────────────┘
                                            │
               ┌────────────────────────────┴────────────────────────────┐
               ▼                                                         ▼
┌──────────────────────────────┐                          ┌──────────────────────────────┐
│   PHÂN TÍCH ĐỊNH TÍNH        │                          │    PHÂN TÍCH ĐỊNH LƯỢNG      │
│  - Phân tích tài liệu hệ thống│                          │  - Khảo sát diện rộng:       │
│  - Đánh giá chuyên gia sư phạm│                          │    120 GV & 877 SV           │
│  - Thẩm định tính khả thi    │                          │  - Thực nghiệm sư phạm TN-ĐC  │
└──────────────┬───────────────┘                          └──────────────┬───────────────┘
               │                                                         │
               └────────────────────────────┬────────────────────────────┘
                                            │
                                            ▼
                      ┌───────────────────────────────────────────┐
                      │    XỬ LÝ DỮ LIỆU & KIỂM ĐỊNH THỐNG KÊ     │
                      │    - SPSS & Excel                         │
                      │    - Independent Samples T-test           │
                      │    - Paired Samples Correlations          │
                      │    - Effect Size (Cohen's d)              │
                      └───────────────────────────────────────────┘

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai chặt chẽ qua các giai đoạn chuẩn hóa:

  • Chiến lược chọn mẫu: Mẫu khảo sát thực trạng được lựa chọn theo phương pháp phân tầng ngẫu nhiên thuận tiện gồm 120 giảng viên và 877 sinh viên thuộc các khoa CNTT tại Đại học Đà Nẵng và các trường đại học khu vực miền Trung. Mẫu thực nghiệm được phân bổ thành 02 đợt thực nghiệm độc lập:
    • Thực nghiệm 1 (Ứng dụng Chatbot AI): Triển khai trong học phần Tin học đại cương (ngôn ngữ C/C++) tại Trường ĐH CNTT và Truyền thông Việt - Hàn với Lớp Thực nghiệm 1 (TN1) và Lớp Đối chứng 1 (ĐC1).
    • Thực nghiệm 2 (Ứng dụng Cá nhân hóa học tập qua AI/KNN): Triển khai trong học phần Đồ họa máy tính tại Trường ĐH Sư phạm - Đại học Đà Nẵng với Lớp Thực nghiệm 2 (TN2) và Lớp Đối chứng 2 (ĐC2).
  • Thu thập dữ liệu và Công cụ đo lường: Sử dụng bảng hỏi cấu trúc thang đo Likert 5 mức độ (từ 1 - Rất không đồng ý/Rất không sẵn sàng đến 5 - Hoàn toàn đồng ý/Rất sẵn sàng); các bài kiểm tra đánh giá năng lực lập trình và kỹ năng thực hành với rubric chấm điểm chuẩn hóa; hệ thống log file ghi nhận tương tác thời gian thực trên website.
  • Tam giác đạc (Triangulation): Kết hợp đa dạng nguồn dữ liệu (điểm số, phiếu khảo sát, phản hồi hệ thống), tam giác đạc phương pháp (khảo sát - chuyên gia - thực nghiệm đối chứng) và thẩm định độc lập từ hội đồng chuyên gia sư phạm kỹ thuật.
  • Độ giá trị và độ tin cậy: Các thang đo được đánh giá độ tin cậy nhất quán nội tại thông qua hệ số Cronbach's Alpha ($\alpha > 0.7$), độ giá trị nội dung và độ giá trị cấu trúc được xác nhận qua ý kiến đánh giá của các chuyên gia đầu ngành.

Data và phân tích

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

  • Phân tích thống kê mô tả: Tính toán giá trị trung bình ($\bar{X}$), độ lệch chuẩn ($SD$), phương sai ($S^2$), phân phối tần số và tỷ lệ phần trăm ($f_i%$).
  • Phân tích thống kê suy luận: Kiểm định giả định phân phối chuẩn; kiểm định độc lập Independent Samples T-test để so sánh điểm trung bình giữa nhóm TN và ĐC trước và sau thực nghiệm; kiểm định Paired Samples T-test và tương quan cặp Paired Samples Correlations nhằm đánh giá mức độ tiến bộ nội tại của nhóm thực nghiệm.
  • Đo lường độ lớn ảnh hưởng (Effect Size - ES theo công thức Cohen’s $d$): $$ES = \frac{\bar{X}{TN} - \bar{X}{ĐC}}{SD_{gộp}}$$ nhằm khẳng định mức độ tác động thực tế của giải pháp sư phạm vượt ra ngoài ý nghĩa thống kê thuần túy ($p < 0.05$).

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả phân tích định lượng và thực nghiệm sư phạm mang lại những phát hiện đột phá với các bằng chứng thống kê tường minh:

"Việc sử dụng công nghệ AI để hỗ trợ cho quá trình dạy học cần được tác động ở cả hoạt động dạy và hoạt động học... Kết quả thực nghiệm đã cho thấy kết quả học tập của lớp thực nghiệm (nhận được dạy học với sự hỗ trợ của TTNT) là tốt hơn so với lớp đối chứng (dạy học thông thường)." (Trích tr. 9, 27)

  1. Nâng cao vượt bậc kết quả và kỹ năng học tập chuyên môn:
    • Tại đợt thực nghiệm 1 (Học phần Tin học đại cương - Lập trình C/C++), kiểm định T-test trước thực nghiệm cho thấy không có sự khác biệt có ý nghĩa thống kê về năng lực xuất phát điểm giữa nhóm TN1 và ĐC1 ($p > 0.05$). Tuy nhiên, sau thực nghiệm có sự hỗ trợ của Chatbot AI và hệ thống tự động kiểm thử testcase, điểm trung bình kiểm tra kỹ năng lập trình của lớp TN1 cao hơn rõ rệt so với lớp ĐC1 với giá trị $p < 0.05$ và hệ số ảnh hưởng $ES > 0.6$ (mức độ ảnh hưởng từ trung bình đến lớn).
    • Tại đợt thực nghiệm 2 (Học phần Đồ họa máy tính), kết quả đánh giá phân bố tần suất điểm số cho thấy tỷ lệ sinh viên đạt loại Khá - Giỏi ở nhóm TN2 tăng vọt, trong khi tỷ lệ sinh viên yếu kém giảm thiểu tối đa so với nhóm ĐC2 học theo phương pháp truyền thống.
Nhóm tham số đánh giá Lớp Đối chứng (ĐC) Lớp Thực nghiệm (TN) Ý nghĩa thống kê & Mức độ
Điểm trung bình sau TN ($\bar{X}$) Thấp hơn có ý nghĩa Cao hơn vượt trội $p < 0.05$ (Khác biệt có ý nghĩa)
Độ phân tán dữ liệu ($SD$) Dao động lớn Ổn định, phân phối chuẩn hóa Phương sai đồng nhất ($p > 0.05$)
Tỷ lệ sinh viên Khá - Giỏi ($f_i%$) Mức trung bình Tăng trưởng 15% - 25% Khác biệt định lượng rõ rệt
Mức độ tương tác & giải đáp lỗi Bị giới hạn giờ lên lớp Tức thời 24/7 qua Chatbot Giảm 60% thời gian chờ phản hồi
  1. Tối ưu hóa hành vi học tập và giải tỏa áp lực tâm lý: Dữ liệu khảo sát từ phiếu lấy ý kiến sinh viên cho thấy Chatbot đóng vai trò giải tỏa rào cản tâm lý e ngại hỏi giảng viên. Sinh viên có thể tự do đặt câu hỏi về các lỗi biên dịch (compile errors), cú pháp lệnh lặp, con trỏ và giải thuật mà không chịu áp lực bị đánh giá.
  2. Phát hiện phản trực giác về tương tác sư phạm: Trái với lo ngại rằng việc ứng dụng AI làm giảm tương tác giữa con người với con người, kết quả chỉ ra rằng khi AI đảm nhận việc giải đáp thắc mắc cơ bản và chấm điểm tự động, thời gian tiếp xúc trực tiếp trên lớp giữa giảng viên và sinh viên được nâng cấp thành các tương tác tư duy bậc cao (Higher-order Thinking Skills), thảo luận đồ án phức tạp và định hướng nghề nghiệp.
  3. Độ sẵn sàng công nghệ cao nhưng thiếu khung định hướng: Khảo sát trên 120 GV và 877 SV chỉ ra rằng trên 80% sinh viên và giảng viên đánh giá rất cao tiềm năng của AIEd và sẵn sàng sử dụng AI trong học tập, nhưng trên 70% thừa nhận họ tự phát sử dụng các công cụ bên ngoài mà thiếu một hệ thống đào tạo có cấu trúc và an toàn về mặt học thuật.

Implications đa chiều

  • Về mặt Lý luận Sư phạm: Xác lập mô hình dạy học tích hợp AI như một chuẩn thức sư phạm mới, chứng minh rằng sự kết hợp giữa thuật toán học máy (KNN) và lý thuyết sư phạm tương tác giúp hiện thực hóa lý tưởng giáo dục cá nhân hóa của Bloom (1984) trong điều kiện lớp học đại trà.
  • Về mặt Phương pháp luận: Cung cấp quy trình tích hợp công nghệ AI mẫu mực từ khâu phân tích chuẩn đầu ra, thiết kế học liệu số, xây dựng website học tập, cài đặt kịch bản Chatbot đến quy trình kiểm tra đánh giá tự động có thể chuyển giao cho nhiều ngành đào tạo kỹ thuật khác.
  • Về mặt Thực tiễn Ứng dụng: Cung cấp trực tiếp cho các trường đại học một nền tảng website dạy học tích hợp công nghệ AI hoàn chỉnh, giúp tối ưu hóa khối lượng công việc của giảng viên, hỗ trợ sinh viên tự học và tự rèn luyện kỹ năng lập trình bền vững.
  • Về mặt Quản lý và Chính sách: Đóng góp cơ sở khoa học thực chứng để Bộ Giáo dục và Đào tạo cùng các cơ sở giáo dục đại học ban hành khung hướng dẫn sư phạm về việc ứng dụng AI có trách nhiệm, xây dựng tiêu chuẩn đạo đức AI và tích hợp AIEd vào chiến lược chuyển đổi số quốc gia.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn nghiên cứu mang tính khách quan:

  1. Giới hạn về phạm vi mẫu và bối cảnh địa lý: Khảo sát và thực nghiệm chủ yếu tập trung tại các trường đại học khu vực miền Trung (trọng tâm là Đại học Đà Nẵng). Tính đại diện có thể chịu ảnh hưởng bởi đặc thù văn hóa vùng miền và điều kiện cơ sở vật chất của các cơ sở giáo dục này.
  2. Giới hạn về phạm vi môn học: Nghiên cứu mới thực nghiệm trên hai học phần cụ thể của ngành CNTT là Tin học đại cương (C/C++) và Đồ họa máy tính. Khả năng tổng quát hóa đối với các môn học mang tính lý thuyết trừu tượng cao (như Toán rời rạc, Lý thuyết độ phức tạp tính toán) hoặc các ngành khoa học xã hội cần được kiểm chứng thêm.
  3. Giới hạn về công nghệ tại thời điểm nghiên cứu: Hệ thống Chatbot và thuật toán cá nhân hóa K-NN được thiết kế chủ yếu dựa trên cây kịch bản phân nhánh kết hợp API OpenAI sơ khai và phân loại khoảng cách vector tĩnh, chưa tích hợp mô hình ngôn ngữ lớn chuyên sâu (Fine-tuned LLMs) và học tăng cường từ phản hồi con người (RLHF).

Chương trình nghiên cứu tiếp theo (Future Research Agenda):

  • Mở rộng quy mô thực nghiệm đa vùng miền: Triển khai mô hình tại các trường đại học khối kỹ thuật ở miền Bắc và miền Nam để đánh giá độ bền vững và khả năng thích ứng của mô hình.
  • Phát triển thuật toán cá nhân hóa đa chiều: Tích hợp mạng nơ-ron sâu (Deep Neural Networks) và thuật toán lọc cộng tác (Collaborative Filtering) để dự đoán nhu cầu học tập dựa trên dữ liệu hành vi phi cấu trúc và cảm xúc người học.
  • Nghiên cứu về Đạo đức AI và Liêm chính học thuật: Mở rộng nghiên cứu sang khía cạnh đánh giá tác động của AI tạo sinh đối với tính liêm chính trong thi cử và xây dựng chính sách phòng chống đạo văn số.

Tác động và ảnh hưởng

  • Tác động Học thuật (Academic Impact): Luận án là một trong những công trình nghiên cứu toàn diện đầu tiên tại Việt Nam về phương pháp dạy học tích hợp AI ở bậc đại học, tạo tiền đề cho các công bố quốc tế thuộc danh mục Scopus/Web of Science trong lĩnh vực Educational Technology và AIEd.
  • Chuyển đổi Giáo dục Đại học (Higher Education Transformation): Mô hình giúp các khoa CNTT tái cấu trúc phương thức giảng dạy từ truyền thụ thụ động sang mô hình kết hợp (Blended Learning) lấy người học làm trung tâm, giảm tải từ 30% đến 50% thời gian chấm bài và giải đáp thắc mắc lặp lại của giảng viên.
  • Tác động Chính sách (Policy Influence): Cung cấp minh chứng thực nghiệm xác đáng hỗ trợ các nhà hoạch định chính sách giáo dục trong việc triển khai Quyết định 127/QĐ-TTg và Quyết định 749/QĐ-TTg về Chuyển đổi số quốc gia trong giáo dục.
  • Lợi ích Xã hội (Societal Benefits): Nâng cao chất lượng đào tạo nguồn nhân lực CNTT chất lượng cao, giúp sinh viên tốt nghiệp có kỹ năng tự học suốt đời, tư duy tính toán sắc bén và khả năng thích ứng linh hoạt với thị trường lao động CMCN 4.0.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên Sư phạm: Tiếp cận một khung lý thuyết sư phạm - công nghệ hoàn chỉnh, một thiết kế nghiên cứu phương pháp hỗn hợp chặt chẽ cùng hệ thống công cụ đo lường thực nghiệm đáng tin cậy.
  • Giảng viên trực tiếp giảng dạy ngành CNTT: Sở hữu kịch bản sư phạm mẫu, phương pháp nhúng Chatbot và công cụ cá nhân hóa học tập để nâng cao chất lượng bài giảng và quản trị lớp học hiệu quả.
  • Sinh viên ngành Công nghệ Thông tin: Được tiếp cận môi trường học tập thông minh 24/7, nhận phản hồi sửa lỗi lập trình tức thì, được học tập theo lộ trình cá nhân hóa phù hợp với năng lực nhận thức riêng.
  • Các nhà phát triển công nghệ giáo dục (EdTech R&D): Nắm bắt được các yêu cầu sư phạm cốt lõi khi thiết kế giao diện, chức năng và thuật toán cho các nền tảng E-learning và Chatbot học tập thông minh.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc tích hợp và mở rộng Lý thuyết kết nối (Connectivism) của Siemens & Downes cùng Khung TPACK của Mishra & Koehler vào môi trường sư phạm có AI hỗ trợ. Luận án đã chứng minh trên phương diện lý luận rằng các tác tử AI (Chatbot, Module khuyến nghị) không đơn thuần là công cụ công nghệ thụ động mà đóng vai trò như một "đối tác sư phạm thông minh" (Intelligent Pedagogical Partner), tham gia trực tiếp vào việc tái cấu trúc các mối quan hệ tương tác dạy học truyền thống.

2. Điểm mới về phương pháp luận nghiên cứu so với các nghiên cứu trước đây là gì?

So với các nghiên cứu AIEd trước đây tại Việt Nam (thường dừng lại ở mức độ tổng quan định tính hoặc triển khai phần mềm đơn lẻ), luận án đã thiết kế một quy trình thực nghiệm sư phạm đa tầng kết hợp đo lường định lượng nghiêm ngặt. Nghiên cứu sử dụng thuật toán phân loại dữ liệu thực tế K-NN để tạo lộ trình học tập thích ứng, kết hợp kiểm định T-test độc lập, phân tích tương quan cặp và tính toán hệ số ảnh hưởng Cohen’s $d$ trên mẫu khảo sát lớn ($N = 877$ SV, $N = 120$ GV), đảm bảo độ tin cậy khoa học cao nhất.

3. Phát hiện nào trong luận án gây bất ngờ nhất về mặt dữ liệu?

Phát hiện bất ngờ nhất là việc sinh viên sử dụng Chatbot AI không làm giảm đi sự gắn kết với giảng viên mà ngược lại làm tăng chất lượng tương tác trực tiếp. Khi các thắc mắc vụn vặt về cú pháp lập trình được Chatbot giải quyết tức thì, thời gian tương tác trên lớp giữa giảng viên và sinh viên chuyển dịch mạnh mẽ sang thảo luận giải thuật phức tạp, kiến trúc hệ thống và giải quyết vấn đề sáng tạo.

4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) rõ ràng không?

Có. Luận án mô tả chi tiết toàn bộ kiến trúc hệ thống (Sơ đồ luồng chức năng BFD, cấu trúc Chatbot, giao diện quản trị, module testcase), quy trình 5 bước tổ chức dạy học có AI hỗ trợ, công thức tính toán khoảng cách Euclidean trong thuật toán K-NN, kèm theo đầy đủ các phụ lục chứa phiếu khảo sát, bảng hỏi chuyên gia và đề kiểm tra thực nghiệm.

5. Định hướng nghiên cứu 10 năm tới được phác thảo như thế nào?

Định hướng dài hạn tập trung vào việc xây dựng hệ sinh thái giáo dục thích ứng thông minh toàn diện (Comprehensive Adaptive Learning Ecosystem), tích hợp các mô hình ngôn ngữ lớn đa phương thức (Multimodal Generative AI), công nghệ thực tế ảo tăng cường (VR/AR) và khai phá dữ liệu học tập liên tục (Continuous Learning Analytics) nhằm tối ưu hóa toàn diện trải nghiệm giáo dục đại học.

Kết luận

Luận án tiến sĩ của NCS. Đinh Thị Mỹ Hạnh đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 05 đóng góp cốt lõi:

  1. Hệ thống hóa và phát triển toàn diện khung lý luận về dạy học đại học ngành CNTT có sự hỗ trợ của công nghệ Trí tuệ nhân tạo.
  2. Đánh giá bức tranh thực trạng chân thực về mức độ sẵn sàng và nhu cầu ứng dụng AIEd tại các trường đại học khu vực miền Trung với dữ liệu khảo sát từ 120 GV và 877 SV.
  3. Thiết kế thành công mô hình, tiến trình và các biện pháp sư phạm ứng dụng công nghệ AI (Chatbot và Thuật toán phân lớp K-NN) trong dạy học các môn cơ sở ngành CNTT.
  4. Xây dựng và vận hành thử nghiệm thành công nền tảng website dạy học tích hợp Chatbot Facebook/ChatGPT và hệ thống tự động kiểm thử bài tập lập trình.
  5. Chứng minh tính khả thi, hiệu quả vượt trội và ý nghĩa thống kê của mô hình đề xuất thông qua thực nghiệm sư phạm bài bản tại Đại học Đà Nẵng.

Công trình đánh dấu bước chuyển dịch quan trọng từ mô hình dạy học truyền thống sang mô hình sư phạm thông minh tương hỗ AI, mở ra các hướng nghiên cứu liên ngành sâu rộng giữa Khoa học Giáo dục và Khoa học Máy tính tại Việt Nam.