Đo lường - Đánh giá, EdTech, Thị trường giáo dục

Các trường đại học cần định nghĩa lại hành vi gian lận trong kỷ nguyên AI

Tháng 5 26, 2026
8:44 Sáng

Nguyễn Thái Bình An

Suốt một thời gian dài, gian lận học thuật là một trong số ít khái niệm mà bất kỳ ai trong môi trường đại học cũng đều có chung một cách hiểu. Đó là những hành vi có ranh giới vô cùng sắc nét: chép bài của bạn, đạo văn từ một cuốn sách, mang tài liệu vào phòng thi, hay thuê người làm luận văn. Một bài viết, xét cho cùng, hoặc là sản phẩm trí tuệ của người nộp, hoặc là không. Chính ranh giới rạch ròi ấy đã tạo cơ sở cho việc xử lý kỷ luật: người học đã bước qua một lằn ranh mà ai cũng có thể nhìn thấy.

Tuy nhiên, trí tuệ nhân tạo tạo sinh, mà ChatGPT là cái tên quen thuộc nhất, xuất hiện và làm đảo lộn tất cả. Nó không đơn thuần là thêm vào danh sách một hình thức gian lận mới, mà nó làm tan biến chính lằn ranh cũ. Khi ranh giới ấy bị nhòe đi, câu hỏi mà các trường đại học phải đối mặt không còn là sinh viên có gian lận hay không, mà là một thách thức lớn hơn nhiều: Trong bối cảnh hiện nay, rốt cuộc thế nào mới là gian lận?

Đây không còn là câu chuyện của một bộ phận thiểu số. Một khảo sát sinh viên đại học tại Anh năm 2025 cho thấy tỷ lệ người học sử dụng các công cụ AI tạo sinh để làm bài là rất lớn (LX Studio, 2026). Cùng lúc đó, số vụ kỷ luật liên quan đến AI tại các trường đại học tăng vọt chỉ trong vài năm ngắn ngủi (Feedough, 2025). Tuy nhiên, những con số kỷ luật này mới chỉ là phần nổi đáng lo ngại nhất. Bản chất vấn đề nằm ở chỗ: các trường đang xử phạt sinh viên dựa trên một khái niệm mà chính họ còn chưa định nghĩa xong. Chúng ta đang trừng phạt người học vì vượt qua một ranh giới chưa hề được vẽ rõ.

Vì sao định nghĩa cũ không còn hiệu lực?

Để hình dung tính phức tạp của vấn đề, hãy nhìn vào toàn bộ phổ hành vi của sinh viên hiện nay dưới dạng một dải quang phổ kéo dài.

*Ảnh: Minh hoạ vùng xám của hành vi sử dụng AI (Nguồn: Tác giả bài viết)*

Ở một đầu, sinh viên gõ thẳng đề bài vào ChatGPT, sao chép nguyên văn đoạn văn phản hồi và nộp như sản phẩm tự thân. Hành vi này chắc chắn là gian lận, không ai tranh cãi. Ở đầu còn lại, sinh viên dùng công cụ kiểm tra chính tả để sửa vài lỗi đánh máy. Gần như không ai coi đó là vi phạm. Thách thức lớn nhất nằm ở khoảng xám mênh mông ở giữa hai đầu cực này.

Sinh viên nhờ AI tóm tắt một bài báo dài 20 trang để đọc nhanh, rồi tự viết bài phân tích. Sinh viên nhờ AI gợi ý dàn ý, rồi tự mình triển khai từng phần. Sinh viên tự viết một đoạn văn bằng tiếng Việt rồi nhờ AI dịch sang tiếng Anh. Sinh viên tự viết một đoạn văn lủng củng rồi nhờ AI biên tập lại cho trôi chảy. Hoặc sinh viên hỏi AI về một khái niệm khó để hiểu bài giảng, tương tự cách các thế hệ trước tra từ điển hay hỏi một người bạn học giỏi.

Những hành vi này có phải là gian lận không? Câu trả lời trung thực nhất là: Còn tùy. Tùy thuộc vào môn học, vào giảng viên, vào mục tiêu của bài tập, và nhiều khi là tùy thuộc vào cảm quan của người chấm.

Chính sự tùy nghi đó là lý do khiến một nghiên cứu được Times Higher Education dẫn lại năm 2025 phải thẳng thắn chỉ ra rằng: các trường cần định nghĩa lại khái niệm gian lận, bởi AI đã xóa nhòa lằn ranh giữa công cụ hỗ trợ học tập hợp lệ và hành vi vi phạm (Rowsell, 2025). Khi các trường vội vã ban hành quy định để lấp đầy khoảng trống pháp lý đó, kết quả lại là một bức tranh chắp vá và thiếu thống nhất. Một khảo sát cho thấy chính sách giữa các trường có sự khác biệt rất xa: nơi thì cấm triệt để, nơi lại cho phép dùng kèm theo nghĩa vụ khai báo. Hệ quả là các quy định ra đời rất nhiều nhưng lại mơ hồ và thiếu tính nhất quán khi áp dụng (AllAboutAI, 2026).

Hệ lụy này nghiêm trọng hơn vẻ bề ngoài của nó. Một sinh viên học năm môn trong một học kỳ có thể phải sống dưới năm “bộ luật” khác nhau cho cùng một hành vi. Việc dùng AI để dịch một đoạn văn có thể được khen là khéo léo ở môn này, nhưng lại bị ghi vào hồ sơ kỷ luật ở môn khác. Đối với một hành vi có thể dẫn đến hậu quả nặng nề như đình chỉ học, hay để lại một vết nhơ trong học bạ đi theo người học suốt đời, thì mức độ tùy tiện như vậy không còn là chuyện kỹ thuật nhỏ nhặt. Đó là vấn đề về sự công bằng. Luật hình sự có một nguyên tắc xương sống: không thể kết tội ai vì một hành vi chưa từng được luật hóa là tội danh. Không có lý do gì để liêm chính học thuật lại được phép lỏng lẻo hơn nguyên tắc căn bản ấy.

Cái bẫy của việc phó mặc cho công nghệ

Trước một khái niệm đã bị làm nhòe, phản xạ tự nhiên của nhiều trường đại học là tìm kiếm một công nghệ khác để vạch lại lằn ranh. Nếu con người không phân biệt nổi bài nào do AI viết, hãy để các phần mềm quét AI làm việc đó. Giải pháp này nghe có vẻ gọn gàng, nhưng đây chính là sai lầm mang tính cốt lõi nhất cần phải làm rõ trước khi bàn đến chuyện tái định nghĩa.

Thứ nhất, các công cụ phát hiện AI không đưa ra sự thật khách quan, chúng chỉ đưa ra xác suất. Chúng vận hành trên các mô hình dự đoán mang tính xác suất chứ không phải sự chắc chắn tuyệt đối. Điều này đồng nghĩa với việc chúng hoàn toàn có thể gắn nhãn sai cho một bài viết thuần túy do con người thực hiện (Lynote, 2026). Hiện tượng dương tính giả (gắn nhãn oan) này không hề hiếm gặp. Đáng ngại hơn, rủi ro này lại không chia đều cho tất cả mọi người. Nhiều phân tích chỉ ra rằng bài viết của những người không sử dụng tiếng Anh như tiếng mẹ đẻ có nguy cơ bị gắn nhãn sai cao hơn. Nhóm này thường có xu hướng dùng từ vựng đơn giản, cấu trúc câu an toàn để bảo đảm tính rõ nghĩa – và đó lại vô tình trùng khớp với lối viết đặc trưng của các mô hình AI (Lynote, 2026). Nói cách khác, một sinh viên Việt Nam viết tiếng Anh cẩn thận, đúng ngữ pháp, không hoa mỹ lại dễ bị máy nghi oan hơn một người bản ngữ viết phóng túng. Thực tế tại nước ngoài đã ghi nhận hàng loạt sinh viên quốc tế bị cáo buộc oan uổng chính vì cơ chế này (Hastewire, 2025).

Thứ hai, góc nhìn từ con người cũng không còn là chỗ dựa vững chắc. Một nghiên cứu công bố trên British Journal of Educational Technology của nhóm tác giả Kofinas đã thực hiện một thử nghiệm thực tế: đưa cho các giảng viên giàu kinh nghiệm chấm những bài viết có và không có sự can thiệp của AI. Kết quả cho thấy, nhìn chung họ không thể phân biệt được (Kofinas et al., 2025). Đáng chú ý, nghiên cứu chỉ ra rằng khi người chấm bắt đầu sinh nghi, chính tâm lý hoài nghi đó sẽ dẫn đến cả hai sai lầm: phán đoán sai theo hướng buộc tội oan lẫn phán đoán sai theo hướng bỏ lọt vi phạm. Con mắt của người thầy, khi đã rơi vào thế phải đoán mò, không còn là một trọng tài đáng tin cậy.

Tổng hòa hai vấn đề trên cho thấy một bài học quan trọng: Cả máy móc lẫn con người, nếu chỉ nhìn vào sản phẩm cuối cùng rồi cố gắng “đoán ngược” quy trình tạo ra nó, đều không đủ độ tin cậy để làm căn cứ kỷ luật. Việc cố chấp theo đuổi phương pháp này sẽ vô tình tạo ra một bầu không khí học đường độc hại – nơi sinh viên bị mặc định là kẻ tình nghi, và mối quan hệ thầy trò vốn dựa trên sự tin cậy sẽ bị bào mòn dần.

Ngay cả các công ty phát triển công cụ phát hiện AI cũng đã lên tiếng cảnh báo không nên dùng kết quả của họ làm bằng chứng duy nhất để xử lý học thuật. Nhiều trường đại học lớn trên thế giới đã chọn giải pháp thận trọng là tắt hẳn tính năng này hoặc quy định rõ điểm số từ máy không bao giờ được coi là chứng cứ độc lập (Popular AI, 2026). Khi chính nhà sản xuất công cụ khuyên người dùng đừng quá tin vào sản phẩm của họ, đó là lúc chúng ta nên lắng nghe.

Thực trạng tại Việt Nam

Tại Việt Nam, làn sóng này diễn ra với một nhịp độ tương tự: có phần chậm hơn ở khâu ban hành chính sách nhưng lại vô cùng cấp bách trong thực tế giảng đường.

Việc sinh viên sử dụng ChatGPT và các công cụ tương tự đã trở thành một phần của đời sống học đường thường nhật. Tuy nhiên, hoạt động này phần lớn mang tính tự phát. Nhiều trường vẫn chưa ban hành được quy định rõ ràng về việc sử dụng AI trong làm bài tập, nghiên cứu khoa học hay thi cử, khiến cả thầy lẫn trò đều rơi vào cảnh “vừa làm vừa dò đường” (Tạp chí Giáo dục, 2025).

Bức tranh thực tế hiện đang có sự phân hóa mạnh mẽ:

Nhóm chủ động đi trước: Trường Đại học Giáo dục (Đại học Quốc gia Hà Nội) đã cập nhật quy định về liêm chính học thuật, tích hợp khâu kiểm tra mức độ sử dụng AI vào quy trình rà soát đạo văn đối với các sản phẩm của sinh viên (Báo Giáo dục Việt Nam, 2024). Một số trường khác cũng đã đưa nội dung kiểm soát AI vào quy chế chấm luận văn hoặc nêu rõ cách xử lý hành vi đạo văn bằng công nghệ (Báo Thanh Niên, 2024).
Nhóm bị động: Nhiều trường đại học ở một số thời điểm thẳng thắn thừa nhận họ chưa hề có bất kỳ quy định cụ thể nào dành cho việc sinh viên sử dụng AI (Báo Thanh Niên, 2024).

Sự thiếu đồng bộ giữa các trường trong nước, khi đặt cạnh bức tranh toàn cầu, cho thấy chúng ta đang vướng vào đúng một bài toán cốt lõi: thiếu một định nghĩa chung mang tính hệ thống về ranh giới giữa “sử dụng hợp lệ” và “gian lận”. Giới chuyên môn trong nước đã bắt đầu kiến nghị các nhà trường và giảng viên cần chủ động xây dựng, công bố công khai chính sách sử dụng AI cho từng môn học, từng loại bài tập và từng thể loại luận văn (Báo Thanh Niên, 2025).

Có một diễn biến tại Việt Nam đáng để chúng ta suy ngẫm, vì nó minh họa hoàn hảo cho cái bẫy công cụ đã phân tích ở trên. Ngay khi các phần mềm kiểm tra AI được các trường ứng dụng rộng rãi hơn, thị trường lập tức khai sinh ra một loại dịch vụ đối nghịch: “nhân hóa văn bản AI” (humanize AI text) – tức là gọt giũa, xào nấu bài viết do máy làm để vượt qua các bộ lọc phát hiện (Báo Thanh Niên, 2025).

Hãy nhìn kỹ vào vòng lặp vô tận này: Nhà trường mua công cụ phát hiện $\rightarrow$ Sinh viên mua công cụ né phát hiện $\rightarrow$ Công cụ phát hiện nâng cấp $\rightarrow$ Công cụ né phát hiện cải tiến theo. Đây là một cuộc đua vũ trang mà nhà trường nắm chắc phần thua, bởi mỗi bước tiến của bên này lại vô tình nuôi dưỡng và tài trợ cho bước tiến của bên kia. Đổ tiền bạc và đặt niềm tin vào một cuộc đua như vậy là một chiến lược thất bại ngay từ khâu thiết kế. Nó cũng phơi bày một sự thật trần trụi: Nếu một bài tập có thể bị một cỗ máy thay thế trọn vẹn từ đầu đến cuối, thì vấn đề có lẽ không nằm ở cỗ máy, mà nằm ở chính tư duy thiết kế bài tập đó.

Định nghĩa lại theo hướng nào?

Nếu định nghĩa cũ đã rách nát và không thể vá víu bằng các công cụ phát hiện, thì công cuộc tái định nghĩa nên dựa trên những nền tảng nào? Từ các diễn đàn thảo luận trong nước và quốc tế, tôi đề xuất bốn nguyên tắc cốt lõi cần được đưa lên bàn nghị sự:

1. Chuyển trọng tâm từ công cụ sang hành vi

Câu hỏi đúng đắn mà các trường cần đặt ra không phải là “Sinh viên có chạm vào AI hay không?”, mà là hai câu hỏi khác:

Sinh viên có khai báo gian dối về phần đóng góp thực chất của bản thân hay không?
Việc sử dụng AI đó có triệt tiêu năng lực cốt lõi mà bài tập đó hướng tới mục tiêu rèn luyện hay không?

Hai câu hỏi này giúp bóc tách hiệu quả khoảng xám ở giữa phổ hành vi. Một bài tập được giao nhằm rèn luyện kỹ năng tư duy lập luận, nếu sinh viên để AI lập luận thay hoàn toàn thì bản chất là đã đi ngược lại mục tiêu giáo dục, bất kể có bị phát hiện hay không và sinh viên có khai báo hay không. Ngược lại, việc sử dụng AI để giải nghĩa một khái niệm phức tạp, từ đó sinh viên tự mình xây dựng lập luận thì không hề phá vỡ mục tiêu học tập nào. Đánh giá dựa trên hành vi và mục tiêu học tập thay vì dựa trên sự hiện diện của công cụ là cách duy nhất để quy định không biến thành một trò chơi may rủi.

2. Chuẩn đầu ra cần phải minh bạch

Một hành vi chỉ có thể bị coi là vi phạm nếu trước đó người học đã được phổ biến rõ ràng về lằn ranh đỏ. Điều tưởng chừng như hiển nhiên này lại là lỗ hổng lớn nhất của hệ thống hiện tại. Để khắc phục, cần triển khai hai hành động cụ thể:

Cụ thể hóa đề cương môn học: Mỗi đề cương môn học cần quy định chi tiết mức độ được phép sử dụng AI (cho phép hành vi nào, cấm hành vi nào) thay vì đưa ra những điều khoản chung chung. Nhiều trường đại học hàng đầu thế giới đã áp dụng phương thức này, đi kèm yêu cầu sinh viên phải nộp bản khai báo minh bạch (AI declaration) kèm theo bài làm (Thesify, 2025).

Xây dựng cơ chế khai báo thực chất: Phải có cơ chế để bảo vệ những sinh viên sử dụng AI một cách trung thực và chủ động khai báo, không đánh đồng họ với những người sử dụng lén lút. Nếu hệ thống đối xử với người thành thật và người giấu giếm như nhau, chúng ta đang dạy cho sinh viên một bài học tồi tệ: Sự trung thực không mang lại giá trị gì.

3. Con người nắm quyền phán quyết và quy trình phải công bằng

Kết quả từ các công cụ tầm soát, nếu được sử dụng, chỉ nên đóng vai trò là một tín hiệu cảnh báo để đặt câu hỏi nghi vấn, tuyệt đối không được coi là một bản án định tội.

Bằng chứng xác thực và đáng tin cậy hơn nhiều phải là chứng cứ về mặt quá trình: các bản phác thảo, lịch sử chỉnh sửa tài liệu, hay các ghi chú nghiên cứu dọc đường. Vì rủi ro dương tính giả là có thật và phân bổ không đồng đều, người học khi bị cáo buộc phải được bảo đảm quyền giải trình đầy đủ trước hội đồng kỷ luật. Nguyên tắc giả định vô tội cần phải được thượng tôn trong kỷ nguyên AI.

4. Giáo dục thay vì chỉ trừng phạt

Mục đích của việc định nghĩa lại không nên chỉ dừng lại ở các chế tài xử phạt. Một số trường đại học quốc tế hiện nay đã đưa hành vi lạm dụng AI vào danh mục gian lận, nhưng đồng thời mở ra một cơ chế xử lý mang tính giáo dục cho các vi phạm lần đầu (ví dụ: cho phép làm lại bài hoặc yêu cầu tham gia các buổi hướng dẫn với bộ phận hỗ trợ học thuật) nhằm mục đích giúp sinh viên rút kinh nghiệm thay vì ngay lập tức lưu vết kỷ luật vào hồ sơ (The Dickinsonian, 2026). Cách tiếp cận này thừa nhận một thực tế: Rất nhiều sinh viên bước qua ranh giới không phải vì họ cố tình gian lận, mà đơn giản vì họ chưa từng được hướng dẫn cụ thể ranh giới đó nằm ở đâu.

Thay đổi tư duy ra đề bài

Bên cạnh 4 nguyên tắc trên, có một nguyên tắc thứ năm – ít được đề cập nhưng theo tôi mới chính là gốc rễ của vấn đề, và nó thuộc về trách nhiệm của nhà trường chứ không phải sinh viên: Thay đổi triệt để cách thức ra đề bài.

Nghiên cứu của nhóm Kofinas đã đưa ra một kết luận khá gai góc: ngay cả những bài tập được thiết kế gắn liền với thực tiễn (authentic assessment) cũng không tự thân ngăn chặn được AI, bởi các mô hình ngôn ngữ lớn vẫn có khả năng tạo ra sản phẩm đủ tốt để vượt qua mắt các giám khảo dày dạn kinh nghiệm (Kofinas et al., 2025).

Tuy nhiên, chính từ kết luận này lại mở ra một tư duy mới. Nếu một bài tập chỉ đánh giá dựa trên sản phẩm cuối cùng, người chấm buộc phải rơi vào cái bẫy “đoán ngược” đầy rủi ro. Ngược lại, nếu bài tập được thiết kế để đánh giá toàn bộ tiến trình, bao gồm các chặng nộp bản thảo thô, ghi chú lựa chọn tài liệu, và phần viết phản tư (reflective writing) về hành trình thực hiện bài tập thì việc học sẽ trở nên “nhìn thấy được”.

Khi tiến trình tư duy của sinh viên được hiển thị rõ ràng, vai trò của AI sẽ tự động lộ diện. Nó không còn là một lối tắt đưa sinh viên đến thẳng đáp án, mà chỉ là một công cụ hỗ trợ nằm trong một chuỗi tư duy dài hạn của con người (THE Campus, 2026). Thay vì loay hoay tìm cách “bắt quả tang” sinh viên dùng AI, câu hỏi hữu ích hơn đối với người thầy là: Làm thế nào để thiết kế một đề bài mà ở đó, việc phó mặc hoàn toàn cho AI trở nên vô nghĩa? Giải pháp này chắc chắn đòi hỏi nhiều công sức và tâm huyết hơn từ phía giảng viên, nhưng nó giải quyết câu chuyện từ gốc, thay vì chạy theo phần ngọn của cuộc đua công nghệ.