Sự giả dối mang tính hệ thống và nghi thức hóa đã hủy hoại vị giáo sư Đại học Cambridge.

Lưu ý: Bài viết được dịch bởi Gemini

Hôm qua tại London, Jason Arday – học giả kiêm tác giả người Anh đang vướng vào vòng xoáy tranh cãi – đã được tìm thấy đã qua đời. Từng nổi danh là vị giáo sư da đen trẻ tuổi nhất trong lịch sử hơn 800 năm của Đại học Cambridge, Arday đã phải chịu đựng nhiều tuần bị săm soi gay gắt giữa hàng loạt cáo buộc về đạo văn, ngụy tạo bằng cấp và thêu dệt một câu chuyện đời tư với những chi tiết khó tin.

Ông từng tuyên bố mình bị câm cho đến năm 11 tuổi và mù chữ cho đến năm 18 tuổi – những nghịch cảnh không ngăn được ông lấy bằng tiến sĩ khi mới 30 tuổi. Ông cũng khẳng định bản thân đã phải chịu đựng nhiều bệnh lý khác nhau trong suốt cuộc đời, bao gồm tự kỷ, động kinh, hội chứng khóa trong (locked-in syndrome), ung thư tinh hoàn và một khối u não. Theo lời kể của chính mình, ông còn là một vận động viên sức bền đẳng cấp thế giới, người đã đạt được nhiều kỳ tích ấn tượng, bao gồm việc chạy 600 dặm (gần 965 km) trong sáu ngày. Rồi đến những thành tựu học thuật: Arday được ca tụng là một tài năng thế hệ hiếm gặp, người có những nghiên cứu trong lĩnh vực của mình – xã hội học giáo dục – được Hilary Cremin, trưởng khoa giáo dục của Cambridge, đánh giá là “xuất sắc nhất thế giới”. Ông cũng tuyên bố đã nhận được khoản tiền tạm ứng 1,4 triệu (bằng một đơn vị tiền tệ không xác định) cho cuốn hồi ký vừa được nhà xuất bản Simon & Schuster phát hành trong tuần này. Đó từng là một bước thăng tiến như vũ bão, cho đến khi mọi thứ sụp đổ.

Tháng trước, Nathan Cofnas — một cựu nhà nghiên cứu tại Cambridge, người có thể được mô tả một cách lịch sự là một triết gia đặc biệt quan tâm đến chủng tộc và chỉ số IQ, hoặc có thể được gọi thẳng thừng là một kẻ phân biệt chủng tộc chuyên nghiệp — đã công bố trên bản tin cá nhân những bằng chứng có vẻ rất thuyết phục về hành vi đạo văn của Arday. Sang tháng này, khi ngày càng rõ ràng rằng phần lớn giai thoại về Arday nhiều khả năng chỉ là sản phẩm thêu dệt, vị học giả này đã trở thành tâm điểm chú ý của dư luận quốc tế, đặc biệt là trên truyền thông Anh và mạng xã hội X. Ông đã từ chức khỏi Cambridge vào tuần trước, nhưng điều đó vẫn không thể ngăn được làn sóng săm soi ào ạt đổ về.

Đặc biệt, tâm lý đám đông trên mạng đã vô cùng tàn nhẫn cho đến tận thời điểm Arday qua đời — lúc mà cả đàn ong dư luận bỗng quay ngoắt 180 độ. Chính nền tảng vừa giải phóng cả một cơn thác lũ lăng mạ được thuật toán tiếp tay giờ đây lại ngập tràn những lời tưởng niệm ân cần và ủy mị. Tôi thấy toàn bộ màn kịch này thật kệch cỡm.

Điều tôi đề xuất là công chúng hãy dành cho Arday sau khi chết một sự tôn trọng mà ông thường bị tước đoạt khi còn sống: Hãy đối xử với ông như một con người. Không phải như một “người da đen màu nhiệm” (magical negro) của Cambridge, không phải như một “con ngỗng đẻ trứng vàng” của Simon & Schuster, cũng không phải như một đối tượng để những kẻ phân biệt chủng tộc trên mạng tôn sùng hay trút giận, mà là một con người không hoàn hảo — người lẽ ra vẫn còn sống, nhưng nay đã không còn. Điều đó đòi hỏi chúng ta phải trung thực về con người thật của Arday, không phải bất chấp cái chết bi kịch của ông, mà chính là vì cái chết ấy. Rốt cuộc, chính sự giả dối mang tính hệ thống và nghi thức hóa — của chính ông và của những người khác — đã hủy hoại ông.

Đây là sự thật về Jason Arday: Phần lớn bằng chứng cho thấy ông là một kẻ thêu dệt chuyện hàng loạt và một kẻ đạo văn không biết ăn năn, người đã lừa gạt thành công giới quý tộc học thuật Anh quốc — những người bị chứng ám ảnh chủng tộc làm việc thiện che mắt đến mức không thể nhận ra những lời nói dối mà bất kỳ một người bình thường nào cũng thấy rõ. (Arday phủ nhận hành vi sai trái có chủ ý và cho rằng việc dường như đạo văn là kết quả của chứng tự kỷ, thứ mà ông nói khiến ông có xu hướng học hỏi thông qua bắt chước.) Khi bằng chứng về những lời dối trá ấy ngày càng chồng chất, các tổ chức quyền lực từng nâng đỡ ông vẫn tiếp tục đứng sau ủng hộ, ngoan cố bảo vệ và nâng cao tiền cược. Simon & Schuster kiên quyết sát cánh bên tác giả của mình — hay nói đúng hơn, sát cánh bên món hàng của họ. Ngay cả khi bằng chứng gian lận gần như không thể chối cãi, nhà xuất bản này không chỉ tuyên bố sẽ tiếp tục phát hành cuốn sách của Arday, mà còn trơ trẽn ca ngợi “sự chuyên nghiệp và chính trực mà ông đã mang lại trong từng giai đoạn xuất bản”.

Sau đó, phe cánh hữu mang tư tưởng phân biệt chủng tộc — hả hê sung sướng đến mức chẳng thèm che giấu — đã chớp lấy thời cơ để dồn ép, say sưa trong cơn phấn khích kép: sự đạo đức giả lộ liễu của phe cấp tiến và sự thất bại của một người đàn ông da đen. Đám đông phình to, trên mạng lẫn trên báo chí. Một số người tham gia vì sự phẫn nộ hoàn toàn chính đáng trước việc các tiêu chuẩn học thuật dường như bị xóa bỏ qua vụ việc này. Một số khác tham gia vì niềm khoái lạc rùng rợn khi thấy một người thụ hưởng từ các chính sách DEI (Đa dạng, Công bằng và Hòa nhập), theo cách họ quy chụp, bị hạ bệ.

Bất cứ ai theo dõi câu chuyện này cũng nên nhìn nhận lại. Tôi phải thú nhận rằng, cho đến tận ngày hôm qua, tôi đã theo dõi tấn bi hài kịch Arday với tâm trạng đan xen giữa buồn cười và đau lòng. Buồn cười là vì tính chất phi lý đến nực cười không thể phủ nhận khi những bộ óc ưu tú và sáng giá nhất tại Cambridge lại bị lừa phỉnh một cách dễ dàng bởi một người tự nhận đã chạy chín cuộc thi marathon trong chừng ấy ngày với một chiếc xương mác bị gãy, và khẳng định rằng tương lai của mình đã được một pháp sư người Brazil tiên tri. Đau lòng là vì tôi có thể đồng cảm với một số điều mà Arday có thể đã trải qua.

Tôi đã từng viết, trên tạp chí này và ở những nơi khác, về cảm giác của một người thụ hưởng chính sách hành động khẳng định (affirmative action) trong những không gian tinh hoa. Tôi đã tận mắt chứng kiến cách một bộ phận người da trắng cấp tiến đối xử với những người đàn ông da đen vượt khó. Họ không thể giấu nổi sự kết hợp giữa lòng thương hại và vẻ đắc thắng khi biết được, chẳng hạn, người cha ruột đã bỏ rơi tôi từ trước khi tôi biết đi, hay tôi từng có thời gian được một người mẹ đơn thân nuôi dưỡng. Đó là ánh nhìn như muốn nói: Anh đã tiến xa đến nhường nào, và tôi thật tử tế làm sao khi giúp anh tiến xa hơn nữa. Tôi luôn cảm thấy buồn nôn trước những lần tiếp xúc như vậy. Nhưng tôi cũng có thể hình dung — nếu bạn lớn lên trong gian khó và chưa từng quen với lòng tốt — thì cảm giác được đón nhận ánh nhìn đó có thể dễ chịu đến mức nào, và việc nói hay làm những điều khiến người ta tiếp tục nhìn bạn bằng ánh mắt ấy sẽ cám dỗ ra sao, bất kể những điều bạn nói có hoàn toàn đúng sự thật hay không.

Hai hình ảnh cứ luẩn quẩn trong đầu tôi kể từ khi biết tin Arday qua đời. Hình ảnh đầu tiên là từ một đoạn clip của đài BBC năm 2023 chúc mừng ông được bổ nhiệm tại Cambridge. Cremin, đồng nghiệp của Arday tại Cambridge, nắm chặt cả hai tay ông như nắm tay một người thân yêu quý giá khi họ nhìn thẳng vào mắt nhau. Máy quay zoom cận cảnh vào đôi bàn tay một trắng một đen đan chặt vào nhau và dừng lại ở đó rất lâu. Hình ảnh thứ hai được đăng trên X tối qua: ảnh chụp màn hình danh sách các tiêu đề bài báo về vụ bê bối của Arday, kéo dài tới vài trang, do chỉ một cơ quan truyền thông Anh duy nhất xuất bản. Nó chỉ đại diện cho một vài tia sáng trong luồng ánh đèn sân khấu quốc tế đang chĩa thẳng vào vị học giả này.

Tôi cứ suy ngẫm mãi về hai hình ảnh này — cái nắm tay liên chủng tộc đầy tính kịch nghệ; và hàng trang dài đưa tin đầy tính cuồng loạn của truyền thông về một vụ bê bối vốn chỉ mang tính học thuật nội bộ — bởi vì kết hợp lại, chúng nói lên một thực tế nghiệt ngã. Arday bị sùng bái thái quá khi đang ở đỉnh cao bởi những người da trắng cấp tiến, những người xem ông như một tấm gương để họ tự soi thấy lòng tốt của chính mình. Và ông lại bị biến thành công cụ thỏa mãn khi ngã ngựa bởi những người da trắng bảo thủ, những người xem ông như một trường hợp thử nghiệm cho nỗi ám ảnh của chính họ về một bộ máy học thuật mà họ tin là thiếu tính trọng dụng nhân tài — hay nói cách khác, chưa đủ độ “da trắng”.

Phe cánh hữu muốn chúng ta tin rằng vụ bê bối Arday là câu chuyện về chính sách hành động khẳng định bị đẩy đến mức kệch cỡm nhất. Nhiều người cấp tiến lại nhìn nhận nó theo cách khác: một cuộc săn phù thủy phân biệt chủng tộc, trong đó những kẻ cuồng tín tự cho mình là đúng với động cơ mờ ám đã dồn ép một con người đến chỗ chết. Vấn đề với những câu chuyện này — một vấn đề hết sức nan giải — là cả hai bên đều đúng.

Là một người da đen trong các thiết chế tinh hoa, đặc biệt là trong giới học thuật tinh hoa, đồng nghĩa với việc các tiêu chuẩn vừa bị đặt quá thấp lại vừa bị nâng quá cao: quá thấp bởi vì chỉ có một người da đen với bằng cấp đáng ngờ và một tiểu sử dường như được thêu dệt như Arday mới có thể được đưa lên đỉnh cao của giới học thuật và xuất bản; và quá cao bởi vì chỉ có một người da đen mới bị đẩy ngã khỏi ngọn núi đó với sự hăng hái mang tính phân biệt chủng tộc trần trụi đến vậy, cú ngã lăn lộn của ông bị ghi lại, mổ xẻ và reo hò một cách tàn nhẫn đến thế. Khi một người đàn ông da trắng nổi tiếng phạm sai lầm, người ta thường — một cách đúng đắn — hiểu những lỗi lầm hay vi phạm đó là bước sẩy chân của một cá nhân. Nhưng khi một người đàn ông da đen nổi tiếng phạm lỗi, những sai sót đó thường bị biến thành một màn trình diễn, bị coi là bằng chứng cho sự kém cỏi vốn đã bị nghi ngờ từ lâu của toàn bộ chủng tộc của anh ta.

Vào khoảng thời gian chiều hôm qua khi tôi biết được số phận của Arday, tôi tình cờ đọc được một mẩu tin khác: thông báo rằng Ross Barkan, một tiểu thuyết gia kiêm nhà báo da trắng, vừa bị tạp chí New York chấm dứt hợp tác sau khi tờ báo này — qua điều tra các cáo buộc liên quan đến hàng chục trường hợp đạo văn trong các bài viết của Barkan — đi đến kết luận rằng tác phẩm của ông “không đáp ứng các tiêu chuẩn biên tập của chúng tôi”. Ngay sau đó, Barkan thông báo rằng từ nay ông sẽ tập trung viết một chuyên mục mới tại The Nation, một tờ báo uy tín khác, nơi ông sẽ có một cơ hội thứ hai rất đàng hoàng trước công chúng.

Không ai có thể biết được điều gì đã diễn ra trong tâm trí hay trái tim của một người vào những giây phút cuối cùng của cuộc đời họ. Tuy nhiên, tôi phải hình dung rằng, Arday đã hiểu đủ rõ cái thế giới mà ông bước chân vào và cách mà các quy tắc của nó vận hành: Khi bạn là người da đen, một số người sẽ mở toang cánh cửa cho bạn rộng hơn mức họ nên làm. Và khi cánh cửa đó đột ngột đóng sầm lại, bạn sẽ chẳng bao giờ được trao cho một cơ hội thứ hai.

Dịch từ The Atlantic

Bài viết Những sự thật đã khiến Jason Arday gục ngã đã xuất hiện đầu tiên vào ngày ADuBiz.

Không khó để nhìn nhận rằng AI đang ngày càng hiện diện trong mọi mặt của cuộc sống, và để tạo ra những sản phẩm đủ thông minh hơn, hữu ích hơn, “đời” hơn, các công nghệ này cần được huấn luyện bằng lượng dữ liệu khổng lồ từ Internet. Công nghệ máy tính thị giác (Computer Vision) không phải là một ngoại lệ. 

Computer Vision hiện diện trong  nhiều công nghệ quen thuộc như hệ thống nhận diện khuôn mặt, phân tích hoạt động con người hay công cụ tìm kiếm hình ảnh. Tuy vậy, việc phụ thuộc vào các nguồn dữ liệu trên Internet đang làm dấy lên các quan ngại về rủi ro đạo đức liên quan đến người dùng, cũng như những người huấn luận và phát triển AI.

FHIBE: Bộ dữ liệu hướng tới AI công bằng hơn 

Trong bối cảnh đó, các nhà nghiên cứu đến từ Sony mới đây đã giới thiệu một bộ dữ liệu huấn luyện AI mới mang tên Fair Human-Centric Image Benchmark (FHIBE) – bộ tiêu chuẩn đánh giá tính công bằng của dữ liệu hình ảnh con người, được quảng bá là đa dạng hơn, minh bạch hơn và hạn chế thiên lệch trong quá trình xây dựng dữ liệu. Bộ dữ liệu bao gồm 10,318 hình ảnh của 1981 người từ 81 vùng địa lý khác nhau trên toàn thế giới. Số lượng hình ảnh này cho phép đảm bảo tính đa dạng, từ đó hạn chế những định kiến thiên lệch đối với các vấn đề liên quan đến con người. FHIBE cũng được cam kết là sẽ bảo vệ quyền sở hữu trí tuệ và hơn thế nữa, bộ dữ liệu này có sự đồng thuận của các bên tham gia.

ImageNet và thời kỳ bùng nổ của Computer Vision 

Để hiểu vì sao những bộ dữ liệu như FHIBE lại mang tính đột phá, chúng ta cần nhìn lại giai đoạn bùng nổ của Computer Vision trong hơn một thập kỷ qua. Năm 2009, ImageNet ra đời như một một kho dữ liệu hình ảnh khổng lồ được thu thập từ mạng xã hội và các website chia sẻ ảnh trên Internet, đi kèm với các cuộc thi giúp những nhóm nghiên cứu AI so sánh thuật toán nhận diện hình ảnh trên cùng một chuẩn đánh giá. Tuy nhiên, phải đến năm 2012, bước ngoặt lớn của AI mới thực sự xảy ra khi AlexNet đạt kết quả vượt trội trong cuộc thi ImageNet và chứng minh sức mạnh của deep learning. Kể từ đó, các mốc tham chiếu không chỉ đơn thuần là công cụ đo lường, mà trở thành thước đo quan trọng để đánh giá tiến bộ của các mô hình AI. Cùng lúc đó, dữ liệu được nhìn nhận như nền móng của mọi đột phá: mô hình càng được huấn luyện trên dữ liệu lớn và chất lượng, khả năng học và xử lý vấn đề càng mạnh.

Dù vậy, chính cách xây dựng dữ liệu từ Internet cũng nhanh chóng bộc lộ nhiều vấn đề đạo đức. Các nhà nghiên cứu phát hiện những thiên lệch rất rõ ràng trong dữ liệu hình ảnh, từ phân biệt chủng tộc cho tới định kiến giới tính. Ví dụ, các từ khoá như “CEO” hay “doctor” thường gắn với đàn ông da trắng, trong khi “maid” hay “cleaner” lại gắn với phụ nữ hoặc người thuộc nhóm thiểu số. Không chỉ vậy, nhiều hình ảnh còn được sử dụng mà không có sự đồng thuận từ chủ sở hữu, dẫn đến tranh cãi về quyền riêng tư và sở hữu trí tuệ. Bên cạnh đó, vấn đề bảo vệ sở hữu trí tuệ và quyền được chấp thuận của chủ thể bức ảnh cũng thường bị các công ty công nghệ phớt lờ trong quá trình thu thập dữ liệu. Giới chuyên gia chỉ trích gay gắt việc ‘bình thường hóa’ quy trình huấn luyện AI dựa trên những nguồn tài nguyên thiếu minh bạch và đầy định kiến này. Hệ quả là hàng loạt tranh cãi pháp lý về quyền riêng tư và sở hữu hình ảnh đã nổ ra mà vẫn chưa có hồi kết. Tuy nhiên, cũng cần nhìn nhận khách quan rằng phần lớn các bộ dữ liệu đời đầu được xây dựng trong bối cảnh chưa tồn tại một khung đạo đức chuẩn mực để đánh giá tính công bằng cho các mô hình thị giác máy tính.

FHIBE và nỗ lực xây dựng dữ liệu công bằng hơn 

Nhận thức được những vấn đề trên, các nhà nghiên cứu đã phát triển FHIBE theo hướng toàn diện hơn, trong đó không chỉ quan tâm đến quy mô dữ liệu mà còn đặt câu hỏi liệu bộ dữ liệu đó có thực sự phù hợp để đánh giá tính công bằng của AI hay không. Nhóm nghiên cứu đã lựa chọn hình ảnh con người bởi đây là lĩnh vực nhạy cảm nhất của Computer Vision và cũng là nơi các thiên lệch dễ bộc lộ rõ nhất. 

Khác với nhiều bộ dữ liệu trước đây, FHIBE chỉ sử dụng ảnh từ các tình nguyện viên đã đồng ý cung cấp dữ liệu. Người tham gia cũng có thể tự chú thích thông tin của mình như độ tuổi, nguồn gốc tổ tiên, đại từ nhân xưng, tư thế hay tương tác trong ảnh. Đây được xem là cách tiếp cận mới trong học máy, bởi nó trao quyền mô tả danh tính cho chính người cung cấp dữ liệu thay vì để hệ thống hoặc người khác “dán nhãn” cho họ.  FHIBE sau đó được sử dụng để đánh giá nhiều loại mô hình AI khác nhau, từ các mô hình chuyên biệt (narrow model) cho tới foundation model. Kết quả cho thấy các mô hình AI thường tạo ra chênh lệch lớn giữa các nhóm nhân khẩu học, đặc biệt khi phải xử lý nhiều đặc điểm nhạy cảm cùng lúc như giới tính hay nguồn gốc tổ tiên. Khi mở rộng sang các mô hình thị giác – ngôn ngữ, nhiều định kiến tiềm ẩn càng lộ rõ hơn. Chẳng hạn, mô hình BLIP-2 từng giải thích rằng một người được xem là “dễ mến” đơn giản “vì đó là phụ nữ”, cho thấy AI đã vô thức học lại các khuôn mẫu xã hội từ dữ liệu Internet. 

FHIBE có phải lời giải cho AI công bằng? 

Dù được xem là bước tiến đáng chú ý, FHIBE vẫn tồn tại nhiều giới hạn. Hạn chế trước hết là về quy mô dữ liệu. Với chỉ khoảng 10.000 hình ảnh, FHIBE khó có thể cạnh tranh với các bộ dữ liệu Internet khổng lồ mà các mô hình AI hiện nay đang sử dụng. Ngoài ra, chi phí xây dựng bộ dữ liệu này cũng rất lớn: mất nhiều năm phát triển và tiêu tốn hơn 750.000 USD. Điều đó đặt ra một câu hỏi quan trọng cho ngành AI: nếu muốn công nghệ phát triển theo hướng đạo đức hơn, liệu chúng ta có thể tiếp tục mở rộng dữ liệu theo logic “càng nhiều càng tốt” như trước đây?

Tuy nhiên, FHIBE vẫn cho thấy một hướng đi đáng chú ý khi khuyến khích việc để người tham gia tự mô tả danh tính của mình, đặc biệt với những yếu tố nhạy cảm như giới tính. Dẫu vậy, vấn đề không hoàn toàn đơn giản. AI vẫn cần hiểu cách con người nhìn nhận và đánh giá lẫn nhau trong thực tế xã hội. Vì thế, câu hỏi đặt ra là liệu dữ liệu tự chú thích có nên thay thế hoàn toàn các đánh giá khách quan, hay cả hai hình thức cần tồn tại song song để AI vừa công bằng hơn vừa phản ánh đúng cách con người vận hành ngoài đời thực. Dù câu trả lời là gì, FHIBE và hướng tiếp cận của Xiang cùng các cộng sự vẫn đánh dấu một bước tiến quan trọng: biến những tranh luận đạo đức về AI thành các phương pháp thực hành cụ thể và có thể kiểm chứng được.

Dịch từ Nature

Bài viết Muốn AI công bằng hơn? Hãy bắt đầu từ dữ liệu. đã xuất hiện đầu tiên vào ngày ADuBiz.

Một bộ quy tắc ứng xử chuẩn quốc gia về việc đưa Trí tuệ nhân tạo (AI) vào học đường K-12 (từ Mẫu giáo đến Lớp 12) nên được thiết kế như thế nào?

Câu trả lời: Lấy con người làm trung tâm. Quy tắc đó phải bảo vệ cốt lõi của quá trình học tập thực chất, giúp học sinh làm chủ công nghệ đúng cách, đồng thời tôn trọng quyền “nói không với AI” của cả người học lẫn người dạy.

Đây là thành quả từ “Đạo luật STUDENTS FIRST” — một khung chính sách do 98 học sinh THPT đại diện cho 50 bang trên khắp nước Mỹ cùng tranh luận, xây dựng và biểu quyết trong suốt 3 ngày tại Boston (tháng 7/2026). Sự kiện thuộc khuôn khổ Lễ hội AI dành cho Thanh thiếu niên Mỹ, được phối hợp tổ chức bởi các tổ chức giáo dục uy tín (Day of AI, MIT RAISE, Hiệp hội Giám đốc Giáo dục AASA và Viện Edward M. Kennedy).

“Trong bối cảnh người lớn vẫn chưa thể thống nhất được cách quản lý AI và học sinh đôi khi còn sành công nghệ hơn cả thầy cô, việc các em tự ngồi lại và đạt được tiếng nói chung là một bước đi vô cùng ý nghĩa.”

Jeff Riley, Giám đốc Điều hành tổ chức Day of AI.

Khi nhà trường vẫn còn loay hoay trước làn sóng AI

Nhiều khu học chánh tại Mỹ hiện rơi vào thế bị động: vừa muốn ra quy định quản lý AI, vừa phải gánh thêm áp lực về ngân sách, nỗi lo học sinh nghiện màn hình hay các bài toán cải thiện chất lượng học tập.

• Thực trạng mù mờ: Khảo sát của EdWeek Research Center cho thấy phần lớn giáo viên và quản lý nhà trường đều thừa nhận trường mình chưa có quy định rõ ràng về AI tạo sinh, hoặc chính họ cũng không nắm rõ quy định là gì.
• Hệ quả: Giáo viên ngần ngại ứng dụng công nghệ mới, đồng thời lúng túng không biết xử lý ra sao khi học sinh lạm dụng AI để gian lận.

Bản đề xuất “STUDENTS FIRST” ra đời nhằm lấp đầy khoảng trống đó, đưa ra các nguyên tắc cân bằng giữa quyền lợi và trách nhiệm của cả 4 bên: Học sinh – Giáo viên – Nhà quản lý – Phụ huynh.

Bộ Quy tắc “STUDENTS FIRST” có gì?

Trọng tâm của bộ quy tắc là Năng lực hiểu biết về AI (AI Literacy). Học sinh khẳng định: Không thể giao một công cụ cho ai đó rồi bắt họ dùng đúng, trong khi họ còn chưa hiểu bản chất và phạm vi của công cụ đó.

1. Trách nhiệm & Quyền lợi của Học sinh

• Được giáo dục AI từ sớm: Học sinh cần được hướng dẫn về AI ngay khi bắt đầu tiếp xúc với các thiết bị số trong lớp học.
• Dùng AI để hỗ trợ, không dùng để học hộ: AI chỉ là công cụ bổ trợ, không được dùng để né tránh tư duy hay rèn luyện kỹ năng tự thân.
• Nghiêm cấm hành vi độc hại: Cấm dùng AI để bắt nạt, quấy rối, xúc phạm hay bôi nhọ người khác.
• Quyền khiếu nại & Quyền từ chối: Học sinh có quyền phúc khảo nếu bị buộc tội dùng AI sai quy định. Đồng thời, các em có quyền từ chối dùng AI trong bài tập và yêu cầu được giao hình thức thay thế.

2. Trách nhiệm & Quyền hạn của Giáo viên

• AI không được thay thế con người khi chấm điểm: Giáo viên không được dùng AI làm căn cứ duy nhất để cho điểm, nhưng có thể dùng nó làm điểm tham chiếu ban đầu.
• Minh bạch và rõ ràng: Giáo viên phải ghi rõ trong đề cương môn học bài nào được dùng AI, bài nào cấm. Bản thân giáo viên khi dùng AI cũng phải công khai minh bạch như học sinh.
• Kiểm tra vấn đáp: Để chống gian lận, giáo viên có quyền yêu cầu học sinh bảo vệ/giải trình bài làm bằng lời nói (vấn đáp) nếu nghi ngờ có sự can thiệp của AI.
• Cập nhật kiến thức định kỳ: Giáo viên cần được tham gia các khóa tập huấn về AI thường xuyên.

3. Vai trò của Nhà quản lý (BGH / Ban Giáo dục)

• Đưa ra bộ hướng dẫn sử dụng AI rõ ràng, công khai và rà soát định kỳ mỗi năm một lần.
• Phải tham vấn ý kiến của toàn bộ cộng đồng (học sinh, giáo viên, phụ huynh) trước khi ban hành quy định.
• Tổ chức các chương trình tập huấn nâng cao năng lực AI cho đội ngũ cán bộ, giáo viên.

4. Vai trò của Phụ huynh

• Rèn luyện thói quen sử dụng công nghệ lành mạnh cho con tại nhà.
• Chủ động nâng cao hiểu biết về AI và có quyền được biết AI đang được áp dụng như thế nào trong lớp học của con mình.

Một bước đi nhỏ bé, nhưng vô cùng giá trị

Chính nhóm học sinh soạn thảo cũng thừa nhận bộ quy tắc này chưa hoàn hảo. Do hạn chế thời gian, các em chưa giải quyết được bài toán ngân sách (tiền ở đâu để mua sắm thiết bị và tập huấn cho giáo viên) hay áp lực quá tải công việc vốn có của ngành giáo dục.

Tuy nhiên, đây được đánh giá là một khung tham chiếu vô cùng giá trị. Bộ quy tắc này sẽ được gửi tới mạng lưới hơn 10.000 lãnh đạo giáo dục trên khắp nước Mỹ, đóng vai trò là “tiếng nói từ người trong cuộc” giúp các trường tự xây dựng chính sách AI phù hợp với thực tế địa phương mình.

Dịch từ Education Week

Bài viết Học sinh Mỹ tự xây dựng Bộ Quy tắc Sử dụng AI trong Nhà trường đã xuất hiện đầu tiên vào ngày ADuBiz.

Sau bảy năm triển khai, dự án SCORE (Systematizing Confidence in Open Research and Evidence – Hệ thống hóa Niềm tin trong Nghiên cứu Mở và Bằng chứng) đã xuất bản ba bài báo trên tạp chí Nature. Các bài báo này cùng đánh giá xem những phát hiện trong khoa học xã hội có vượt qua được ba phép kiểm tra khác nhau hay không. Phép kiểm tra thứ nhất xem nghiên cứu có thể được tái lập (replicated) hay không, tức là liệu kết quả tương tự có xuất hiện khi nghiên cứu được thực hiện lại trong một bối cảnh khác hay không. Phép kiểm tra thứ hai xem kết quả có thể được tái tạo (reproduced) hay không, tức là liệu cùng dữ liệu và phương pháp có cho ra cùng các con số hay không. Phép kiểm tra thứ ba xem kết quả có vững (robust) hay không, tức là các lựa chọn phân tích ảnh hưởng đến kết luận ở mức độ nào khi câu hỏi nghiên cứu và dữ liệu được giữ nguyên. Nhìn chung, khoảng một nửa số nghiên cứu đáp ứng được một trong ba tiêu chí này.

Nhiều bình luận cho rằng kết quả này như là một thất bại. Tác giả muốn đưa ra một góc nhìn khác: một góc nhìn tươi sáng hơn và dự án SCORE cho chúng ta một lý do tốt để lạc quan về thực trạng của ngành khoa học xã hội.

Với Nihan Albayrak-Aydemir, tác giả tái lập một trong 164 nghiên cứu được kiểm tra trong dự án. Công trình nghiên cứu ban đầu của Alves và cộng sự đã lập luận rằng có một số thiên kiến đối với các nhóm xã hội hình thành từ cách chúng ta tiếp nhận, học hỏi từ môi trường có thông tin không đồng đều. Chẳng hạn như, chúng ta gặp nhiều ví dụ tích cực về một số nhóm nhất định hơn các nhóm khác, và quá trình học cơ bản sẽ tự động xử lý nốt phần còn lại để hình thành định kiến. Trong một nghiên cứu lớn hơn đã được đăng ký trước với mẫu khảo sát và bối cảnh khác, nhóm của tác giả cũng tìm thấy xu hướng tương tự, qua đó ủng hộ lý giải ban đầu. Đối với bài báo kiểm tra về tính tái lặp, tác giả ở vai trò người bình duyệt và hỗ trợ thu thập dữ liệu về chính sách của tạp chí. Sự lạc quan của tác giả bắt nguồn từ việc suy ngẫm khi tham gia dự án. Điều đó dẫn tới hai lý do cho sự tích cực này: một mang tính cá nhân và một mang tính khoa học hơn.

Một ngành khoa học có khả năng huy động ở quy mô lớn

Lý do đầu tiên là một lý do cá nhân. Là một phần của một dự án lớn và đa dạng như vậy khiến tác giả nhận ra có điều gì đó ở ngành khoa học xã hội hiếm khi được ghi nhận đầy đủ: nó có thể huy động một nỗ lực nghiêm túc mang tính tập thể. Gần 900 nhà nghiên cứu từ khắp thế giới đã làm việc cùng nhau để hướng tới mục tiêu chung thúc đẩy ngành khoa học xã hội trở nên đáng tin cậy hơn, vững bền hơn và có giá trị thực tiễn cao hơn. Trải nghiệm là một người đóng góp trong một tập thể lớn hơn rất nhiều, ở đó không có một nghiên cứu đơn lẻ nào phải tự mình gánh vác sức nặng của một kết luận, chính điều này là lập luận mạnh nhất để chống lại luận điểm cho rằng đây là một khủng hoảng. Khi một ngành cùng nhau phối hợp, nó sẽ tiến xa hơn bất kỳ chương trình nghiên cứu cá nhân nào có thể làm được.

Sự bất định không đối lập với sự đáng tin cậy

Lý do thứ hai là về khoa học. Kể cả những phát hiện trong khoa học tự nhiên cũng không luôn luôn đứng vững khi được xem xét kỹ lưỡng hơn. Sự bất định là điều vốn có với kiến thức khoa học; nó không phải là một khiếm khuyết cần loại bỏ mà là một đặc tính mà chúng ta cần làm việc cùng. Điều mà kết quả SCORE chỉ ra là một con đường hướng tới việc xây dựng sự minh bạch: những chính sách tốt hơn về chia sẻ dữ liệu và mã nguồn, các phương pháp mở hơn và giảm bớt sự phụ thuộc vào kết quả của bất kỳ nghiên cứu riêng lẻ nào.

Tính minh bạch cao hơn giúp ta dễ dàng nhận ra những gian lận, lỗ hổng thông tin và các sai lệch đáng kể so với nghiên cứu gốc. Lòng tin không đến từ việc giả vờ về sự chắc chắn mà chúng ta không thật sự có. Nó đến từ việc trình bày đầy đủ về quy trình làm việc của chúng ta. Khoa học có thể vừa đáng tin và vừa bất định cùng lúc và việc công nhận điều này là một điểm mạnh hơn là điểm yếu.

Những kết quả mà không tái lập được một cách nhất quán vẫn có thể cung cấp cho ta những thông tin giá trị khi được cân nhắc cùng với toàn bộ các bằng chứng và lý thuyết mà chúng được thiết kế để kiểm chứng. Mỗi nghiên cứu là một mảnh ghép trong bức tranh rộng lớn hơn, và dự án SCORE đặt rất nhiều mảnh ghép lại với nhau.

Ý nghĩa đối với ngành khoa học xã hội

Hiểu theo cách này, kết quả của dự án không phải là một phán quyết phủ nhận các bằng chứng của ngành khoa học xã hội mà là đưa ra một nền tảng. Nó củng cố cách chúng ta diễn giải và truyền thông về nghiên cứu, và nó làm rõ những cơ sở hạ tầng mà cộng đồng cần để sản xuất tri thức có thể tái lập, tái lặp và vững bền. Nó cũng nhắc chúng ta rằng một số khía cạnh của sự bất định là không thể giảm thiểu được: không phải mọi nghiên cứu đều có tái lập, sai sót vẫn cứ xảy ra và bối cảnh thì luôn thay đổi.

Dự án cũng chỉ ra một bước đi kế tiếp: đầu tư vào những chỉ số đo lường độ tin cậy có hiệu lực và khả năng mở rộng tốt hơn, từ đó sự tin cậy có thể được thiết lập dựa trên bằng chứng thay vì danh tiếng của những học giả riêng lẻ, những tạp chí cụ thể hay những nghiên cứu riêng biệt.

Tỉ lệ tái lập 50% chỉ được coi là một thất bại khi chúng ta giả định rằng tính tái lập là thước đo duy nhất cho độ tin cậy. Nhưng mà độ tin cậy, tức là mức độ chắc chắn chúng ta có được trong kết quả nghiên cứu, vốn có rất nhiều khía cạnh: nó bao gồm tính tái lập, tính tái lặp, tính vững bền, nền tảng lý thuyết, hiểu biết về sự thay đổi trong bối cảnh, kiểm soát thiên kiến trong bối cảnh nghiên cứu, có phương pháp hiệu lực và còn nhiều hơn thế nữa. Đó là cuộc thảo luận mà dự án này đã mở ra: chúng ta cần gì để đánh giá được độ tin cậy, và chúng ta nên đánh giá nó như thế nào, và chúng ta có thể chấp nhận sống cùng với sự bất định ở mức độ nào?

Dịch từ LSE Blogs

Bài viết Có thật là đáng lo khi chỉ 50% nghiên cứu khoa học xã hội có thể tái tạo kết quả? đã xuất hiện đầu tiên vào ngày ADuBiz.

Liệu có thể tổ chức thi tốt nghiệp THPT trên máy tính với hệ thống ngân hàng câu hỏi, quy trình khảo thí, vận hành và kiểm soát chất lượng nghiêm ngặt, tương tự các kỳ thi chuẩn hóa quốc tế có uy tín như SAT, IELTS và TOEFL

Gần đây, Bộ Giáo dục và Đào tạo cho biết đang xây dựng Đề án tổ chức kỳ thi tốt nghiệp THPT trên máy tính, đồng thời tiếp tục hoàn thiện kỳ thi theo hướng chuẩn hóa. Định hướng này nhấn mạnh yêu cầu đánh giá đúng năng lực thực chất của học sinh, thay vì chỉ kiểm tra khả năng ghi nhớ kiến thức. Từ tháng 9/2025, Bộ đã thành lập Ban Chỉ đạo, Ban Soạn thảo và Tổ Biên tập Đề án. [1, 2]

Thực tế, những năm qua, yêu cầu đổi mới phương thức thi và công nhận tốt nghiệp THPT đã được đặt ra nhiều lần. Nghị quyết 29-NQ/TW năm 2013 chủ trương giảm áp lực, giảm tốn kém, nhưng phải bảo đảm độ tin cậy, trung thực và đánh giá đúng năng lực học sinh [3]. Trong khi đó, Nghị quyết 71-NQ/TW năm 2025 nêu mục tiêu đẩy mạnh chuyển đổi số và đổi mới quản trị giáo dục [4].

Có thể xem việc triển khai kỳ thi tốt nghiệp THPT theo mô hình thi chuẩn hóa trên máy tính là một bước đáp ứng yêu cầu đổi mới trong hoạt động khảo thí. Mô hình này được xây dựng trên nền tảng ngân hàng câu hỏi, quy trình khảo thí chặt chẽ và hệ thống kiểm soát chất lượng nghiêm ngặt, với cách thức vận hành tương tự các kỳ thi chuẩn hóa quốc tế có uy tín như SAT, IELTS và TOEFL.

Tuy nhiên, thiết kế và thực hiện một kỳ thi chuẩn hóa trên máy tính là nhiệm vụ đặc biệt phức tạp và thách thức bởi liên quan đến nhiều vấn đề – từ phần mềm, hạ tầng thiết bị đến ngân hàng câu hỏi, dữ liệu, an ninh mạng và lộ trình tổ chức.

Hiểu về kỳ thi chuẩn hóa trên máy tính

Trong lịch sử khảo thí, “chuẩn hóa” từng được hiểu đơn giản là thống nhất điều kiện thi, thời gian làm bài, hướng dẫn, cách chấm và báo cáo kết quả.

Ngày nay, khái niệm này bao gồm toàn bộ vòng đời của bài thi: xác định năng lực cần đo, xây dựng ma trận đề, biên soạn, thử nghiệm câu hỏi, xây dựng ngân hàng đề, tổ chức thi, chấm điểm, diễn giải và sử dụng kết quả. Tất cả đều phải dựa trên những tiêu chuẩn và bằng chứng khoa học.

Theo các chuẩn mực quốc tế, một kỳ thi đạt chuẩn phải đáp ứng ba trụ cột: độ hiệu lực (điểm thi có thực sự phản ánh năng lực mà kỳ thi tuyên bố muốn đánh giá hay không); độ tin cậy (kết quả có bị ảnh hưởng quá nhiều bởi mã đề, thời điểm thi, điều kiện tổ chức hoặc các yếu tố ngẫu nhiên không); và tính công bằng (thí sinh không bị thiệt thòi bởi những yếu tố không liên quan đến năng lực cần đo – như vùng miền, điều kiện kinh tế, ngôn ngữ, tình trạng khiếm khuyết hay mức độ thành thạo công nghệ) [5].

Lưu ý rằng chuẩn hóa không có nghĩa là tất cả thí sinh phải làm chung một đề. Thí sinh có thể làm các phiên bản đề khác nhau, nhưng kết quả phải quy đổi về cùng một thang điểm hoặc thang năng lực [6]. Đây là điểm khác biệt cơ bản giữa kỳ thi chuẩn hóa và bài kiểm tra định kỳ trong lớp học. Một câu hỏi hay chưa chắc đã đo đúng năng lực; một câu hỏi khó chưa chắc phân loại tốt. Thậm chí, một câu hỏi hoàn toàn chính xác về kiến thức vẫn có thể gây bất lợi cho một nhóm học sinh chỉ vì bối cảnh văn hóa hoặc lượng thông tin phải đọc. Do đó, mỗi câu hỏi cần được xây dựng, thiết kế kỹ lưỡng về nội dung, ngôn ngữ, kỹ thuật khảo thí và thử nghiệm trên mẫu học sinh phù hợp để xác định độ khó, khả năng phân loại và mức độ ổn định thống kê.

Quan trọng hơn, không thể tuyên bố một kỳ thi có giá trị chỉ vì nội dung của nó bám sát chương trình. Đơn vị tổ chức phải cung cấp bằng chứng cho toàn bộ chuỗi logic: từ câu trả lời của thí sinh đến điểm số, từ điểm số đến nhận định năng lực, và từ nhận định ấy đến các quyết định như công nhận tốt nghiệp hoặc tuyển sinh. Quá trình này được gọi là xác nhận tính giá trị của việc diễn giải và sử dụng điểm thi [7].

Một kỳ thi chuẩn hóa có thể thi trên giấy hoặc trên máy tính. Trong đó, thi trên máy tính có thể được tổ chức theo hình thức tuyến tính – tức mọi thí sinh đều làm một tập hợp câu hỏi cố định hoặc tương đương; hoặc tiến xa hơn, thi thích ứng trên máy tính – theo đó hệ thống tự động lựa chọn câu hỏi tiếp theo dựa trên câu trả lời trước, làm đúng sẽ gặp câu hỏi khó hơn, làm sai sẽ nhận câu phù hợp hơn với năng lực ước tính [8].

Thi thích ứng giúp đánh giá năng lực chính xác hơn trong khi sử dụng ít câu hỏi hơn. Tuy nhiên, để thực hiện phương thức này, đơn vị tổ chức phải có một ngân hàng câu hỏi đủ lớn, các tham số câu hỏi được ước lượng đáng tin cậy, thuật toán lựa chọn câu hỏi được kiểm chứng và quy tắc dừng bài thi được thiết kế hợp lý.

Những thách thức có thể gặp

Sai số có thể xuất hiện ngay từ việc định nghĩa phạm trù cần đo – tức năng lực, đặc điểm hoặc thuộc tính mà bài thi muốn đo ở thí sinh. Nếu phạm trù cần đo không rõ ràng, ma trận đề thi sẽ thiếu định hướng và các câu hỏi có thể vẫn thiên về ghi nhớ hoặc mẹo làm bài, dù đơn vị tổ chức tuyên bố đây là kỳ thi đánh giá năng lực.

Sai số tiếp theo nằm ở khâu thử nghiệm câu hỏi. Nếu mẫu thử nghiệm thiếu tính đại diện cho học sinh ở các vùng miền, loại trường và điều kiện kinh tế-xã hội khác nhau, các thông số về độ khó và khả năng phân loại của câu hỏi có thể bị sai lệch. Những thông số được ước lượng từ học sinh ở các thành phố lớn chưa chắc có thể áp dụng nguyên trạng cho học sinh các vùng khó khăn và ngược lại.

Đặc biệt, không thể mặc nhiên cho rằng đề trên giấy và đề trên máy tính là tương đương bởi kết quả thi có thể khác biệt do hình thức tổ chức thi, hay còn gọi là hiệu ứng phương thức thi. Theo nghiên cứu, hiệu ứng này có thể phụ thuộc vào loại câu hỏi, giới hạn thời gian, đặc điểm của người học, giao diện và thiết bị sử dụng [9, 10, 11]. Nghiên cứu về việc chuyển kỳ thi TIMSS (Trends in International Mathematics and Science Study – Kỳ thi Quốc tế về xu hướng trong toán học và khoa học) từ giấy sang máy tính trên hàng chục nghìn học sinh cho thấy nhiều câu hỏi trở nên khó hơn khi hiển thị trên màn hình. Vì vậy, TIMSS phải sử dụng các mẫu cầu nối và điều chỉnh mô hình liên kết điểm chứ không thể xem hai phương thức là nghiễm nhiên như nhau [12].

Việc làm bài trên màn hình cũng làm tăng tải nhận thức đối với một số học sinh, nhất là khi học sinh phải thường xuyên cuộn trang, chuyển cửa sổ hay ghi nhớ thông tin từ nhiều phần khác nhau [13]. Khi đó, một bài thi Toán có thể vô tình đo thêm kỹ năng đọc trên màn hình; một bài thi Khoa học lại đo thêm kỹ năng điều khiển chuột máy tính. Điều đó có nghĩa là điểm số bị chi phối bởi những yếu tố nằm ngoài năng lực mà kỳ thi tuyên bố muốn đánh giá.

Việc cân bằng điểm giữa các mã đề và các đợt thi cũng rất phức tạp. Hai đề không thể được coi là có giá trị đo lường như nhau chỉ vì người ra đề cảm thấy chúng khó như nhau. Quá trình này bắt buộc sử dụng các câu hỏi neo (câu hỏi dùng chung giữa các phiên bản khác nhau của một kỳ thi chuẩn hóa nhằm liên kết và so sánh kết quả giữa các bài kiểm tra, đảm bảo tính nhất quán và công bằng), mẫu thử nghiệm phù hợp và mô hình thống kê. Nếu các câu hỏi neo bị lộ hoặc thay đổi đặc tính khi chuyển từ giấy sang máy tính, toàn bộ quá trình quy đổi điểm có thể bị ảnh hưởng. Một sai lệch nhỏ trong khâu này cũng có thể làm giảm tính chính xác của bài thi.

Ngân hàng câu hỏi là một thách thức khác. Ngân hàng nhỏ sẽ dẫn đến lặp đề, lộ đề. Trong thi thích ứng trên máy tính, một số câu hỏi có chất lượng tốt có thể được thuật toán sử dụng quá thường xuyên – vấn đề này được gọi là mức độ tiếp xúc của câu hỏi. Vì vậy, hệ thống cần có cơ chế kiểm soát mức độ tiếp xúc của câu hỏi, đồng thời vẫn phải duy trì độ chính xác của phép đo [14].

Ở khâu tổ chức, hệ thống phải xử lý các rủi ro như sự cố điện, gián đoạn mạng, lỗi phần mềm, tấn công an ninh mạng và gian lận công nghệ. Cần có quy định chi tiết cho việc xử lý sự cố, bố trí thi lại, phục hồi dữ liệu và giải quyết khiếu nại.

Trong giai đoạn chuyển tiếp vừa thi giấy vừa thi máy, đơn vị tổ chức còn phải cung cấp bằng chứng về khả năng so sánh điểm số giữa hai phương thức.

Liên quan đến công bằng về khả năng tiếp cận – nguyên tắc bảo đảm mọi thí sinh, bất kể điều kiện, hoàn cảnh hay nhu cầu khác nhau, đều có cơ hội tiếp cận và tham gia kỳ thi một cách công bằng – việc chuyển sang thi trên máy tính cũng đặt ra những thách thức nhất định. Học sinh ở những địa phương có điều kiện công nghệ có thể quen với môi trường thi trên máy tính hơn. Bên cạnh đó, học sinh khuyết tật cần được cung cấp các điều chỉnh phù hợp để có thể tham gia kỳ thi trên cơ sở bình đẳng, chẳng hạn phần mềm đọc màn hình, bàn phím chuyên dụng hoặc thời gian làm bài bổ sung.

Khó khăn cuối cùng là về nhân lực thực hiện. Việc tổ chức một kỳ thi chuẩn hóa trên máy tính cần sự phối hợp ăn khớp của lực lượng nhân sự đa dạng và trình độ cao – bao gồm chuyên gia về khảo thí (thiết kế quy trình, ma trận đề, phân tích dữ liệu sau thi…), cán bộ ra đề bộ môn (xây dựng ngân hàng câu hỏi chuẩn hóa liên tục) cũng như chuyên gia trong các lĩnh vực công nghệ thông tin, đo lường giáo dục, tâm trắc học (psychometrics), tâm lý học, giáo dục đặc biệt, pháp lý và quản trị rủi ro.

Việc phối hợp thực tế không dễ bởi các chuyên gia thuộc các ngành khác nhau có góc nhìn khác nhau và đôi khi công việc bị tắc chính bởi sự khác biệt. Bên cạnh đó, cần thừa nhận rằng Việt Nam chưa có nhiều chuyên gia trình độ cao về khảo thí nói chung cũng như về thi chuẩn hóa trên máy tính nói riêng.

Hiện nay, duy nhất có Trường Đại học Giáo dục – Đại học Quốc gia Hà Nội tổ chức đào tạo sau đại học ngành liên quan đến khảo thí. Một số chuyên gia được đào tạo bài bản ở nước ngoài do khó tìm được “đất diễn” ở trong nước nên thường có xu hướng ở lại hoặc quay lại nước ngoài làm việc. Đội ngũ chuyên môn khảo thí chủ lực hiện có chủ yếu là tay ngang, tự học, tự nghiên cứu, và rất ít người được đào tạo bài bản, có bằng cấp chính thức.

Thay lời kết

Đưa kỳ thi tốt nghiệp THPT lên máy tính theo mô hình chuẩn hóa là chủ trương đúng đắn, phù hợp với xu hướng phát triển của khảo thí hiện đại. Tuy nhiên, quá trình triển khai đòi hỏi sự cẩn trọng và tính chuẩn xác rất cao. Thành công của kỳ thi không chỉ phụ thuộc vào quyết tâm hay nguồn lực tài chính, mà còn bị chi phối bởi các rào cản chuyên môn và kỹ thuật vô cùng phức tạp. Ngay cả những kỳ thi quy mô lớn trên thế giới như Cao khảo (Gaokao) tại Trung Quốc, Tú tài (Baccalauréat) tại Pháp và kỳ thi tuyển sinh đại học (CSAT) tại Hàn Quốc đến nay vẫn chưa chuyển hoàn toàn sang hình thức thi trên máy tính. Các kỳ thi này vẫn chủ yếu dựa trên hình thức thi trực tiếp với đề thi và bài làm trên giấy, mặc dù một số thành phần hoặc môn thi có thể đã bắt đầu ứng dụng máy tính.

Tất nhiên, nói việc tổ chức thi tốt nghiệp THPT theo mô hình chuẩn hóa trên máy tính khó thực hiện không phải để bàn lùi, mà để toàn xã hội có cái nhìn đa chiều, khoa học và thấu hiểu hơn. Qua đó, hy vọng chúng ta có đủ sự chuẩn bị và đồng thuận cần thiết khi triển khai một nhiệm vụ mang tính chiến lược của ngành giáo dục.

Tài liệu tham khảo

[1] Từng bước chuẩn bị cho thi tốt nghiệp THPT trên máy tính. Báo Điện tử Chính phủ, 24/5/2026. https://baochinhphu.vn/tung-buoc-chuan-bi-cho-thi-tot-nghiep-thpt-tren-may-tinh-102260523123800661.htm

[2] Tiếp tục hoàn thiện một kỳ thi chuẩn hóa quốc gia. Báo Điện tử Chính phủ, 26/7/2026. https://baochinhphu.vn/tiep-tuc-hoan-thien-mot-ky-thi-chuan-hoa-quoc-gia-102260726084404185.htm

[3] Nghị quyết số 29-NQ/TW về đổi mới căn bản, toàn diện giáo dục và đào tạo. Ban Chấp hành Trung ương, 4/11/2013.

[4] Nghị quyết số 71-NQ/TW về đột phá phát triển giáo dục và đào tạo. Bộ Chính trị, 2025.

[5] Standards for educational and psychological testing. American Educational Research Association. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education, 2014.

[6] Kolen, M. J., & Brennan, R. L. (2014). Test equating, scaling, and linking: Methods and practices (3rd ed.). Springer. https://doi.org/10.1007/978-1-4939-0317-7

[7] Kane, M. T. (2013). Validating the interpretations and uses of test scores. Journal of Educational Measurement, 50(1), 1–73. https://doi.org/10.1111/jedm.12000

[8] Weiss, D. J., & Kingsbury, G. G. (1984). Application of computerized adaptive testing to educational problems. Journal of Educational Measurement, 21(4), 361–375. https://doi.org/10.1111/j.1745-3984.1984.tb01040.x

[9] Clariana, R. B., & Wallace, P. E. (2002). Paper-based versus computer-based assessment: Key factors associated with the test mode effect. British Journal of Educational Technology, 33(5), 593–602. https://doi.org/10.1111/1467-8535.00294

[10] Leeson, H. V. (2006). The mode effect: A literature review of human and technological issues in computerized testing. International Journal of Testing, 6(1), 1–24. https://doi.org/10.1207/s15327574ijt0601_1

[11] Mead, A. D., & Drasgow, F. (1993). Equivalence of computerized and paper-and-pencil cognitive ability tests: A meta-analysis. Psychological Bulletin, 114(3), 449–458. https://doi.org/10.1037/0033-2909.114.3.449

[12] Fishbein, B., Martin, M. O., Mullis, I. V. S., & Foy, P. (2018). The TIMSS 2019 Item Equivalence Study: Examining mode effects for computer-based assessment and implications for measuring trends. Large-scale Assessments in Education, 6, Article 11. https://doi.org/10.1186/s40536-018-0064-z

[13] Pengelley, J., Whipp, P. R., & Rovis-Hermann, N. (2023). A testing load: Investigating test mode effects on test score, cognitive load and scratch paper use with secondary school students. Educational Psychology Review, 35, Article 67. https://doi.org/10.1007/s10648-023-09781-x

[14] Huebner, A., Wang, C., Daly, B., & Pinkelman, C. (2018). A continuous a-stratification index for item exposure control in computerized adaptive testing. Applied Psychological Measurement, 42(7), 523–537. https://doi.org/10.1177/0146621618758289

Đăng lại từ Tia Sáng

Bài viết Thách thức khi tổ chức thi tốt nghiệp THPT trên máy tính đã xuất hiện đầu tiên vào ngày ADuBiz.

Giáo dục đại học Mỹ đang đối mặt với những cơn gió ngược về tài chính. Trong năm tài khoá 2024, gần một phần năm cơ sở công lập và một phần ba cơ sở tư thục ghi nhận thâm hụt ngân sách , đó là còn trước khi nguồn tài trợ từ các bang bị thắt chặt, lạm phát gia tăng, và chính quyền Tổng thống Trump thực hiện hàng loạt các biện pháp mang tính trừng phạt đối với lĩnh vực này. Gần đây, toàn bộ thành viên của Hội đồng Khoa học Quốc gia, cơ quan chịu trách nhiệm xác định các ưu tiên của Quỹ Khoa học Quốc gia, đã bị miễn nhiệm, trong khi mức tài trợ hiện tại thấp hơn rất nhiều so với năm trước.

Trước đây, khi gặp khó khăn, các trường thường tập trung tăng thu. Một lựa chọn phổ biến là mở nhanh các chương trình thạc sĩ. Nghiên cứu của Robert Kelchen ghi nhận 14.000 chương trình như vậy đã ra đời trong hai thập niên qua. Nhiều chương trình mới mang lại kết quả về thu nhập và nợ của người học tương đương hoặc tốt hơn các chương trình lâu năm. Tuy nhiên, giới hạn liên bang sắp áp dụng đối với khoản vay của học viên cao học và các chương trình nghề nghiệp có thể làm suy giảm nguồn thu này. Những chiến lược khác như tăng học phí, hợp tác với doanh nghiệp quản lý chương trình trực tuyến hoặc trông cậy vào thể thao cũng khó thành công trong môi trường cạnh tranh hiện nay.

Khi các chiến lược tăng thu suy yếu và đại dịch cho thấy nhu cầu phải có dư địa tài chính, các trường ngày càng sẵn sàng cắt giảm. Danh sách những cơ sở đóng chương trình, cho nhân viên nghỉ luân phiên không lương hoặc sa thải lao động đang dài thêm. Các quyết định này có thể chia rẽ cộng đồng học thuật và dẫn đến bỏ phiếu bất tín nhiệm, nhưng đôi khi vẫn là cách khả thi nhất để bảo đảm sự tồn tại lâu dài của tổ chức.

Vấn đề là cộng đồng giáo dục đại học biết khá ít về bộ phận nào thực sự chịu tác động nặng nhất. Việc đóng chương trình học thường được chú ý, còn các trường thường khẳng định họ bảo vệ học thuật bằng cách cắt nhân viên, quản lý và nhà thầu trước. Chẳng hạn, Northwestern từng giảm 10% chi phí ngoài nhân sự, đóng băng tuyển dụng và xóa 425 vị trí nhân viên mà không chấm dứt hợp đồng với giảng viên toàn thời gian.

Trong một dự án nghiên cứu gần đây, Robert sử dụng dữ liệu HelioCampus của hơn 100 cơ sở và hệ thống giáo dục , chủ yếu là đại học công lập, để làm rõ những lĩnh vực thường bị cắt giảm ngân sách trong cả giai đoạn khó khăn lẫn khi điều kiện tài chính thuận lợi. Bộ dữ liệu này bao quát 370 tỷ USD tiền lương trong suốt một thập niên và cho phép xem chi tiết hơn dữ liệu của Bộ Giáo dục

Kết quả đầu tiên là khoảng một nửa chi phí nhân sự nằm ngoài lớp học. Từ sau đại dịch, chỉ hơn một nửa tổng tiền lương được chi cho người làm công việc giảng dạy. Nhóm quản trị chung, gồm phó trưởng khoa, lãnh đạo học thuật và hiệu trưởng, chiếm khoảng 5% chi phí lương. Chi cho công nghệ thông tin và nhân sự thấp một cách đáng ngạc nhiên, dù đây là các chức năng thiết yếu và ngày càng phức tạp.

Chi phí nhân sự

Khi ngân sách giảm, một số bộ phận được bảo vệ hơn các bộ phận khác. Ngay trong mẫu gồm nhiều đại học nghiên cứu công lập có tiềm lực tương đối tốt, khoảng một phần tư vẫn phải giảm ngân sách trong một năm điển hình. Khi tổng chi tiêu của cơ sở giảm, 60% trường hợp có cắt chi cho nhân sự ngoài học thuật, với mức cắt trung vị 2,4%. Mức giảm tương đối nhỏ cho thấy trước khi sa thải, nhiều trường cắt công tác phí, xây dựng mới và bồi dưỡng chuyên môn.

Ngược với nhận định phổ biến, học thuật lại là lĩnh vực dễ bị cắt nhất. Trong khối ngoài học thuật, nhân viên sinh viên làm công việc hành chính chịu rủi ro cao nhất, tiếp đến là cơ sở vật chất và quản trị chung. Các nhóm này, cùng với phát triển nguồn lực, đôi khi còn bị giảm chi ngay cả khi ngân sách tổng thể tăng. Điều đó cho thấy bộ máy trung tâm thường tự thắt lưng buộc bụng và trì hoãn bảo trì trước. Đây có thể là lựa chọn ít đau đớn trong ngắn hạn nhưng bất lợi về dài hạn khi cơ sở vật chất xuống cấp và năng lực quản trị suy yếu.

Thể thao, quản trị nghiên cứu và phát triển nguồn lực là những lĩnh vực ít bị cắt hơn vì được xem là có khả năng tạo doanh thu. Khi tổng chi tiêu tăng, ngân sách thể thao tăng mạnh nhất, với mức trung vị 8,6%, sau đó là dịch vụ sinh viên 7,4% và nhân sự 7,3%.

Những lĩnh vực bị cắt giảm

Dữ liệu của Bộ Giáo dục cho thấy xu hướng tương tự. Khi tổng ngân sách bị thu hẹp, giảng dạy là hạng mục bị cắt thường xuyên nhất, xuất hiện ở 65,6% trường hợp; tiếp theo là hỗ trợ học thuật 59,1% và hỗ trợ thể chế 56,8%. Nghiên cứu 45,9% và dịch vụ công 49,5% là hai nhóm ít bị cắt nhất; dịch vụ sinh viên bị giảm ở 55,9% trường hợp.

Robert đã thử tìm mối liên hệ giữa quyết định cắt giảm và mô hình ngân sách, mức độ phân quyền, quy mô tuyển sinh, mức phụ thuộc vào học phí, chi nghiên cứu hay năng lực gây quỹ, nhưng phần lớn quyết định mang tính đặc thù của từng trường. Đại học có hoạt động nghiên cứu lớn thường giảm chi quản trị nghiên cứu; trường phụ thuộc nhiều vào học phí có xu hướng giảm mạnh chi ngoài học thuật để bảo vệ trải nghiệm trong lớp. Nhìn chung, lãnh đạo phải cân nhắc bối cảnh địa phương trong một môi trường nhiều xung đột nên khó hình thành một công thức chung.

Phân tích sơ bộ ở cấp khoa cho thấy trưởng khoa và trưởng bộ môn thường giảm chi cho nhân viên hỗ trợ và quản trị chung, đồng thời cố bảo vệ giảng viên, quản trị nghiên cứu và dịch vụ sinh viên. Khi ngày càng nhiều trường áp dụng mô hình ngân sách theo trung tâm trách nhiệm, quyết định của cấp quản lý trung gian sẽ càng quan trọng.

Tuy nhiên, việc bảo vệ giảng viên và chương trình học có thể sắp thay đổi. Dưới sức ép của cơ quan lập pháp bang ở Indiana, Ohio và Utah, các trường ngày càng đóng những chương trình có ít người tốt nghiệp. Cách làm này thường cho phép chấm dứt cả vị trí có biên chế dài hạn và tạo mức tiết kiệm lớn hơn. Năm 2023, Đại học West Virginia cắt 28 chương trình và 143 giảng viên; quyết định gây tranh cãi nhưng giúp trường cân bằng ngân sách trong vòng hai năm.

Khi cắt giảm trở nên không thể tránh khỏi, lãnh đạo phải làm cho quá trình ấy nhân văn nhất có thể. Cần giải thích rõ vì sao phải cắt và chiến lược sau cắt giảm là gì. Nếu có thể, việc sa thải hoặc đóng chương trình phải được thông báo đủ sớm để sinh viên hoàn tất việc học và người lao động tìm việc mới. Chần chừ quá lâu chỉ làm ngắn thêm thời gian chuẩn bị của tất cả các bên. Ngân sách phản ánh các giá trị của một tổ chức, và điều đó bộc lộ rõ nhất khi phải đưa ra những quyết định khó khăn.

Dịch từ Chronicle

Bài viết Cách các trường đại học “thắt lưng buộc bụng” đã xuất hiện đầu tiên vào ngày ADuBiz.

Trong một báo cáo theo dõi xu hướng về quyền tác giả từ năm 2016 đến năm 2020, các nhà nghiên cứu Trung Quốc có khả năng ghi tên nhiều tác giả liên hệ trong một bài báo nhiều gấp chín lần so với các học giả ở những quốc gia khác.

Phân tích này, được công bố trong tạp chí Scientometrics, thực hiện bởi một nhóm các nhà nghiên cứu tại Trung Quốc, đã xem xét gần 1,75 triệu bài báo được lập chỉ mục trong cơ sở dữ liệu Web of Science của Clarivate trong giai đoạn năm năm để đánh giá mức độ phổ biến của các bài báo có nhiều tác giả liên hệ trên thế giới.

Kết quả cho thấy rằng trong năm 2020, khoảng 30% các bài báo bởi các nhà nghiên cứu tại Trung Quốc có nhiều hơn một tác giả liên hệ – gần gấp ba lần mức trung bình toàn cầu. Con số này đã tăng từ 21,6% vào năm 2016. Trong khi đó, tỷ lệ trung bình toàn cầu gần như ổn định trong suốt giai đoạn này, chỉ tăng từ 7,1% lên đến 8,8%.

Trong xuất bản học thuật, vị trí tác giả liên hệ thường được giao cho người chịu trách nhiệm trao đổi với ban biên tập của tạp chí và xử lý mọi công việc liên quan đến bản thảo sau khi bài báo được xuất bản. Người này cũng có thể đảm nhận các thủ tục hành chính, chẳng hạn như thanh toán chi phí xuất bản. Một tác giả liên hệ có thể đồng thời là tác giả thứ nhất, tác giả cuối hoặc bất kỳ đồng tác giả nào khác, tuỳ theo cách phân công vai trò trong nhóm nghiên cứu.

Nghiên cứu cũng cho thấy rằng các nhà nghiên cứu tại Singapore và Hàn Quốc có tỷ lệ các bài báo với nhiều tác giả liên hệ khá cao, đều ở mức dưới 20% trong giai đoạn 2016 – 2020. Khi loại các bài báo từ Trung Quốc, Singapore và Hàn Quốc khỏi bộ dữ liệu, tỷ lệ trung bình giảm xuống chỉ còn 7,5%. 

Mức chênh lệch giữa Trung Quốc và các quốc gia khác thay đổi tuỳ theo lĩnh vực nghiên cứu. Chẳng hạn, trong lĩnh vực y học và dược học, các nhà nghiên cứu từ Trung Quốc có tỷ lệ bài báo có nhiều hơn một tác giả liên hệ cao gấp chín lần mức trung bình toàn cầu (ngoại trừ Hàn Quốc và Singapore), trong khi ở lĩnh vực khoa học xã hội và nhân văn, tỷ lệ này cao khoảng gấp năm lần.

Ghi nhận đóng góp

Theo Wencan Tian, nhà khoa học xã hội tại Đại học Sư Phạm Bắc Kinh (Chu Hải) và là đồng tác giả của nghiên cứu trên, trong những dự án nghiên cứu quy mô lớn với sự tham gia của nhiều nhóm nghiên cứu, việc có nhiều tác giả liên hệ có thể phản ánh đúng thực tế về sự chia sẻ vai trò lãnh đạo và trách nhiệm.

Tuy nhiên, việc hệ thống đánh giá nghiên cứu ở một số quốc gia đặc biệt coi trọng một số vị trí tác giả nhất định có thể khiến vai trò tác giả liên hệ dễ bị lạm dụng.

Theo ông Tian, hệ thống đánh giá được áp dụng tại Trung Quốc vào thời điểm nghiên cứu này được thực hiện đặc biệt coi trọng vị trí tác giả thứ nhất và tác giả liên hệ khi quyết định ai sẽ được thăng chức, nhận các khoản thưởng tài chính và tiếp cận các nguồn kinh phí nghiên cứu. Điều này có thể lý giải được kết quả của phân tích.

Theo ông, kể từ đó, Trung Quốc đã cải cách hệ thống này và hiện nay hệ thống đã gần hơn với “các nguyên tắc được công nhận toàn cầu, trong đó nhấn mạnh đóng góp thực chất, đánh giá đồng cấp và cách tiếp cận đánh giá phù hợp với từng trường hợp.”

Ông nói thêm rằng những thay đổi này làm giảm khả năng các nhà nghiên cứu sử dụng các vị trí tác giả “chỉ như một công cụ để phân chia địa vị.”

Thay đổi cơ chế đánh giá

Đầu năm 2020, Bộ Giáo dục và Bộ Khoa học và Công nghệ  Trung Quốc đã ban hành một tuyên bố chung yêu cầu các cơ sở giáo dục chấm dứt việc tuyển dụng hoặc bổ nhiệm các nhà nghiên cứu chỉ dựa trên số lượng bài báo hoặc số lượng trích dẫn. Động thái này đã thúc đẩy một sự chuyển hướng lớn trong hệ thống đánh giá của Trung Quốc, giảm sự phụ thuộc vào thành tích công bố trong Danh mục Trích dẫn Khoa học (SCI), cơ sở dữ liệu quốc tế về các bài báo và trích dẫn do công ty phân tích (có trụ sở tại London) quản lý, như một tiêu chí để đánh giá và xếp hạng các nhà nghiên cứu cũng như các cơ sở nghiên cứu trong nước.

Sau đó, Quỹ Khoa học Tự nhiên Quốc gia Trung Quốc (NSFC), cơ quan chính phủ tài trợ cho nghiên cứu cơ bản, đã chấm dứt chính sách thưởng tiền mặt cho các nhà nghiên cứu có bài báo được công bố. Cơ quan này cũng áp dụng những biện pháp nghiêm ngặt hơn nhằm ngăn chặn tình trạng “tác giả danh dự” (gift authorship), tức việc đưa một người vào danh sách đồng tác giả dù họ hầu như không hoặc hoàn toàn không đóng góp gì cho bài báo.

Theo ông Tian, hiện nay NFSC yêu cầu các nhà nghiên cứu phải công khai nêu rõ đóng góp của mình đối với mỗi bài báo, đồng thời nghiêm cấm các tác giả khai báo sai hoặc phóng đại vai trò của mình trong bài nghiên cứu. Ông nói: “Những quy định này đóng vai trò quan trọng trong việc hạn chế các hành vi ghi nhận quyền tác giả không đúng chuẩn mực, đồng thời đưa việc ghi nhận quyền tác giả trở lại đúng với chức năng cốt lõi của nó: phản ánh trách nhiệm học thuật và những đóng góp thực chất.”

Theo Caroline Wagner, học giả về chính sách công đã nghỉ hưu tại Đại học Bang Ohio (Columbus), tỷ lệ các bài báo của Trung Quốc có nhiều tác giả liên hệ mà nghiên cứu của ông Tian và các cộng sự ghi nhận rất có thể đã giảm sau năm 2020 nhờ những cải cách này. Bà cho biết, trong hệ thống cũ, vị trí tác giả liên hệ thường được đánh giá ngang bằng – hoặc cao hơn – so với vị trí tác giả thứ nhất trong các đợt đánh giá của cơ sở nghiên cứu, “qua đó tạo ra động lực gia tăng số lượng những ‘vị trí được đánh giá cao’ trong cùng một bài báo.”

Lokman Meho, nhà khoa học thông tin ở Đại học Mỹ tại Beirut (Lebanon), cho biết ông không ngạc nhiên khi phân tích cho thấy tỷ lệ các bài báo có tác giả liên hệ ở Trung Quốc cao hơn mức trung bình toàn cầu, xét đến sự khác biệt trong hệ thống đánh giá nghiên cứu giữa các quốc gia trong khoảng thời gian nghiên cứu này được thực hiện.

Tuy nhiên, ông Meho đặc biệt chú ý đến kết quả của Singapore và Hàn Quốc. Ông cho rằng kết quả này có thể phản ánh “các hệ thống nghiên cứu có tính cạnh tranh cao và định hướng mạnh vào thành tích” ở hai quốc gia này, cũng như những áp lực trong việc đảm nhận vai trò lãnh đạo và giành sự ghi nhận cho những đóng góp của mình.

Theo ông Tian, tỷ lệ các bài báo có nhiều tác giả liên hệ ở Singapore phản ánh những đặc trưng của một hệ thống nghiên cứu được vận hành trong bối cảnh một quốc gia có quy mô nhỏ nhưng hội nhập sâu rộng với quốc tế.

Ông cho biết: “Trong những mô hình hợp tác như vậy, nhiều nghiên cứu viên chính hoặc lãnh đạo cơ sở nghiên cứu có thể cùng chia sẻ trách nhiệm lãnh đạo dự án và trao đổi học thuật, khiến việc cùng đứng tên là đồng tác giả liên hệ trở nên phổ biến hơn.”

Theo ông Tian, để đảm bảo các vị trí tác giả không bị sử dụng sai mục đích, yếu tố then chốt chính là tính minh bạch. Ông cho rằng việc khích lệ hoặc yêu cầu các tác giả công khai phần đóng góp thực tế của mình trong nghiên cứu, đồng thời bắt buộc tâtc cả tác giả phải kê khai tuyên bố về đóng góp của mình, là những chính sách hiệu quả.

Theo ông Tian, hệ thống hiện nay của Trung Quốc “yêu các ứng viên phải phân biệt rõ giữa quyền tác giả độc lập và quyền tác giả được chia sẻ, đồng thời nêu rõ phần đóng góp của mình trong từng trường hợp. ” Ông bổ sung: “Qua đó, hệ thống khuyến khích việc ghi nhận dựa trên những đóng góp học thuật và trách nhiệm thực chất, góp phần hạn chế tình trạng lạm pháp quyền tác giả và tăng cường quản trị liêm chính nghiên cứu.”

Dịch từ Nature

Bài viết Đằng sau số lượng tác giả liên hệ cao kỷ lục của Trung Quốc là gì? đã xuất hiện đầu tiên vào ngày ADuBiz.

Trên khắp các trường đại học trên thế giới, một sự chuyển dịch âm thầm đang diễn ra. Các sinh viên dùng AI để làm bài luận, các giảng viên thì cùng lúc chạy đua để thiết kế lại các bài kiểm tra đánh giá, còn nhà trường thì liên tục ban hành các quy định mới.

Giữa những biến động này, một suy nghĩ mới mẻ xuất hiện và gây chú ý: Trong thời đại AI, người có một câu chuyện để kể là người sẽ tồn tại. 

Nhận định này đánh dấu một bước ngoặt căn bản. Nó không đơn thuần chỉ là sự thay đổi trong chốc lát mà là một biến chuyển hoàn toàn trong cách định nghĩa khái niệm giá trị. Sự khác biệt giữa người với người giờ đây không còn nằm ở những gì họ có thể làm được, mà ở cách họ tổ chức và diễn giải ý nghĩa của đời mình. 

Trong hơn một thế kỷ gần đây, giáo dục đại học được xây dựng dựa trên một giả định rằng điều sinh viên cần là những kiến thức và kỹ năng mà có thể chuyển đổi được thành các cơ hội phát triển kinh tế và vị thế xã hội. Hệ thống giáo dục vì vậy được thiết kế để khuyến khích sự tích lũy: tích lũy kiến thức, tích lũy tín chỉ, và tích lũy những năng lực có thể nhìn thấy được. 

Tuy vậy, giả định này đang có nguy cơ sụp đổ, cùng với đó là mô hình giáo dục chúng ta đang theo đuổi. Sâu xa hơn, một ảo tưởng rằng giá trị của một người sẽ đứng vững bằng cách bồi đắp các kiến thức và tích lũy cũng đang lung lay. Trong nhiều thập kỷ, chúng ta nhầm lẫn năng lực của một người với bản sắc riêng của họ, cho rằng những gì người đó tạo ra chính là ý nghĩa của cuộc đời họ. 

Sự xuất hiện của trí tuệ nhân tạo không chỉ làm gián đoạn những giả định này, mà còn phơi bày hạn chế của nó. Vấn đề không nằm ở việc máy móc đang ngày càng giỏi hơn, mà ở chỗ định nghĩa của chúng ta về “năng lực” từ trước đến nay vốn chưa hoàn chỉnh.  

Những hệ thống AI như ChatGPT đang tái lập một mô hình mà ở đó tri thức trở nên khan hiếm. Những công việc từng là chỉ dấu của chuyên môn – viết lách, tóm tắt, lập trình, và một số hình thức sáng tạo –  giờ đây đang được AI thực hiện với quy mô lớn, theo yêu cầu, và với chi phí gần như bằng không. Cái AI đang xoá bỏ không chỉ là lao động, mà còn là một ảo tưởng rằng chúng ta có thể định nghĩa bản thân bằng lao động. 

Điều gì sẽ xảy ra khi các kĩ năng không còn khan hiếm nữa? Chúng ta cần bắt đầu từ câu hỏi đơn giản này để hiểu được sự biến đổi sâu rộng đang diễn ra. 

Khi kỹ năng không còn khan hiếm

Những chính sách phổ biến để đối phó với AI trong giáo dục hiện nay thường bao gồm việc tăng cường các kỹ năng số, đào tạo kỹ thuật, và nâng cao hiểu biết về AI. Mặc dù những chính sách này là cần thiết, chúng vẫn chưa hoàn toàn hiệu quả bởi những người định hướng chính sách vẫn đang hiểu sai bản chất của sự dịch chuyển này. 

Chúng ta đang không tiến đến một nền kinh tế tri thức tiến bộ hơn. Thay vì vậy, chúng ta đang tiến đến một trạng thái “dư thừa nhận thức”. 

Khi kiến thức trở nên thừa thãi, thông tin mất đi giá trị khan hiếm, các tác vụ kỹ thuật được tự động hoá, năng lực đơn thuần không còn tính cạnh tranh nữa. Trong một môi trường như vậy, câu hỏi không phải là “Bạn làm được gì?” nữa, mà sẽ là “Công việc của bạn mang lại ý nghĩa gì?”.

Một câu chuyện để kể khi đó không chỉ đơn thuần là một phép ẩn dụ, mà chính là một phần trong cấu trúc tạo nên bản sắc của một người. 

Những thay đổi đầu tiên đã bắt đầu xuất hiện. Các trường đại học ở Úc và Vương quốc Anh đã bắt đầu thiết kế lại các bài kiểm tra đánh giá để đưa vào các yếu tố phản tư và tập trung vào quá trình bên cạnh các sản phẩm có thể có sự hỗ trợ của AI.

Tại Phần Lan, các cải cách về chương trình học đang ngày càng ưu tiên những năng lực mang tính phổ quát và liên ngành như khả năng diễn giải, phán đoán và lập luận đạo đức, hơn là việc thành thục các kỹ thuật riêng lẻ. 

Xu hướng này cũng ngày càng hiện diện nhiều hơn trong các thảo luận chính sách quốc tế, khi những tổ chức như OECD và UNESCO nhấn mạnh các năng lực mang tính nhân văn, đạo đức và diễn giải như những năng lực thiết yếu của kỷ nguyên AI.

Nếu kỹ năng không còn tạo ra khác biệt, vậy thì cái gì sẽ làm được điều đó? Dù gì đi nữa, cái tạo nên khác biệt đó chắc chắn không chỉ là kỹ thuật. 

“Có một câu chuyện” nghĩa là gì?

Một câu chuyện sẽ giúp chúng ta khác biệt trong thời đại AI. Tuy nhiên, trước hết, một câu chuyện chỉ ra một sự thật đáng lo ngại: Những điều ta từng nghĩ sẽ định nghĩa giá trị của một con người giờ đây không còn đủ nữa. 

Để hiểu được điều này, ta cần đối diện với một ngộ nhận. 

Hiện nay, khái niệm “câu chuyện” thường bị đơn giản hoá thành việc xây dựng thương hiệu cá nhân – một sự nhầm lẫn về phạm trù. Một câu chuyện thật sự không phải là một công cụ marketing, mà là tổng thể tri thức của một người. 

Có một câu chuyện nghĩa là có được một sự nhất quán theo thời gian – khả năng kết nối những trải nghiệm trong quá khứ, hành động trong hiện tại và dự định cho tương lai thành một quỹ đạo. Điều này đòi hỏi khả năng đặt một trải nghiệm vào trong bối cảnh, một nhận thức rằng tri thức luôn gắn với cộng đồng, xã hội, văn hoá và con người – một điều mà trường phái hiện tượng học từ lâu đã nhấn mạnh. 

Việc kể một câu chuyện cũng đòi hỏi năng lực diễn giải – khả năng gán ý nghĩa cho một sự kiện thay vì chỉ xử lý thông tin về những gì đã xảy ra. Theo cách hiểu này, một câu chuyện không chỉ là kể lại các sự kiện. Nó là một lăng kính mà qua đó cuộc đời của một người được sắp đặt theo một cách logic và dễ hiểu. 

Các hệ thống AI có thể mô phỏng tư duy, nhưng chúng không có môi trường để các tư duy này tiếp tục vận động và mang lại hệ quả. Chúng không có các mối quan hệ, không trải nghiệm sự liên tục của đời sống. Chính ở những câu chuyện tự sự của mỗi cá nhân, ý nghĩa mới được thành hình, tranh luận, và tồn tại. 

Từ sản xuất tri thức đến kiến tạo ý nghĩa

Sự thay đổi mang tính bước ngoặt này sẽ dẫn đến những thay đổi sâu sắc trong các trường đại học. Những hệ thống được thiết kế cho thời kỳ khan hiếm tri thức giờ đây sẽ phải đối mặt với những thách thức khi hoạt động trong một thế giới của sự dư thừa.  

Trong lịch sử, đại học là nơi tạo ra và phổ biến kiến thức. Trong thời đại AI, những thể chế này cần được tổ chức lại để hướng đến việc kiến tạo ý nghĩa và hình thành những câu chuyện. 

Điều này không có nghĩa là từ bỏ tính học thuật nghiêm ngặt và những tri thức liên ngành. Ngược lại, nó đòi hỏi việc cải tổ lại cách các kiến thức được giảng dạy, đánh giá, và tích hợp vào bản sắc trí tuệ của mỗi sinh viên. 

Hiện nay, phần lớn chương trình đào tạo đang bị phân mảnh về mặt cấu trúc – các học phần rời rạc, các chuẩn đầu ra tách biệt, và đánh giá phần lớn dựa trên sản phẩm cuối cùng. Sinh viên tốt nghiệp với một tập hợp các năng lực tích luỹ được theo thời gian, nhưng lại thiếu cảm nhận về một câu chuyện hoàn chỉnh mà những năng lực này tạo thành. 

Trong thời đại mà AI có khả năng tái tạo được rất nhiều sản phẩm của con người, sự rời rạc phân mảnh này là một điểm yếu quan trọng về cấu trúc. 

Những cử nhân không có câu chuyện

Nếu các trường đại học không thay đổi, họ có nguy cơ tạo ra những sinh viên tốt nghiệp mà không có câu chuyện: thành thạo kỹ thuật, sở hữu nhiều bằng cấp, nhưng không thể diễn đạt mục đích, phương hướng hay ý nghĩa của những việc mình làm.

Những sinh viên như vậy đặc biệt dễ tổn thương trong một thị trường lao động mà ngày càng được định hình bởi AI, nơi những nhà tuyển dụng tìm kiếm một người không chỉ làm được việc mà còn cần có óc phán đoán, tư duy linh hoạt, và có tính thống nhất. 

Nói một cách thẳng thắn hơn, nếu giá trị của một sinh viên chỉ là một tập hợp những đầu ra, máy móc hoàn toàn có thể thay thế để tạo ra những giá trị đó. Các trường đại học cần phải chấp nhận nhìn thằng vào một thực tế, rằng khi ưu tiên sản phẩm đầu ra hơn việc tìm kiếm ý nghĩa, họ sẽ vô tình khiến mình tụt hậu nhanh hơn. 

Điều này còn đặt ra một lo ngại sâu sắc ở cấp độ toàn cầu. Những hệ thống giáo dục không giúp sinh viên nuôi dưỡng được những ý nghĩa sẽ không chỉ tụt hậu, mà còn tạo ra những thế hệ chỉ có thể vận hành các hệ thống một cách máy móc thay vì đặt câu hỏi và phát triển các hệ thống này.

Tưởng tượng lại mô hình đại học: Ba chuyển dịch trong cấu trúc

Để thích ứng trước bước ngoặt này, các trường đại học cần vượt qua những thay đổi nhỏ lẻ và tiến đến thay đổi ở cấp độ cấu trúc – một phản ứng mang tính hệ thống trước một logic nền tảng đã thay đổi.

Việc đánh giá không thể tiếp tục neo vào những sản phẩm cuối cùng, mà thay vào đó cần đánh giá cách sinh viên tương tác với AI, cách họ đưa ra quyết định trong điều kiện thiếu thông tin, cũng như cách họ diễn giải và đặt những sản phẩm được tạo bởi AI vào trong bối cảnh của mình.

Chương trình học cần chuyển từ sự phân mảnh rời rạc sang một quá trình tích hợp vào tổng thể ý nghĩa. Các môn học cần được thiết kế để giúp sinh viên xây dựng được tiến trình phát triển tri thức của chính mình, ví dụ như thông qua việc tập hợp và phản tư hồ sơ học tập của bản thân, các dự án tổng hợp cuối khoá, và những thực hành giúp kết nối những kiến thức chuyên ngành với định hướng cá nhân. 

Phương pháp sư phạm cũng cần dịch chuyển từ việc truyền đạt thông tin sang việc tạo lập ý nghĩa. Việc dạy học không thể tiếp tục chỉ là truyền tải, mà cần ưu tiên đối thoại, diễn giải và truy vấn. Các nhà giáo cần trở thành những người dẫn dắt quá trình tạo nghĩa trong một môi trường chung sống bởi con người và AI. 

Sự chuyển đổi này sẽ không tự động xảy ra. Nó đòi hỏi sự lãnh đạo một cách có chủ đích từ các trường đại học, các nhà hoạch định chính sách, và các nhà giáo dục – những người sẵn sàng nhìn nhận và thay đổi suy nghĩ về mục đích của giáo dục đại học. 

Nền kinh tế của sự diễn giải

Những thay đổi hiện nay không chỉ đang diễn ra trên phương diện công nghệ, mà còn là một dịch chuyển ở cấp độ văn minh.

Chúng ta đang chuyển từ một nền kinh tế sản xuất sang một nền kinh tế diễn giải. Trong bối cảnh này, AI tạo ra các khả thể, còn con người gán cho chúng ý nghĩa. 

Sự thay đổi này kéo theo sự chuyển đổi từ các hệ thống được tổ chức xoay quanh việc sản xuất sang những hệ thống xoay quanh việc diễn giải. Những người đi đầu không còn là những người biết nhiều nhất, mà là những người có thể lồng các kiến thức vào một câu chuyện mạch lạc và thuyết phục về trải nghiệm sống của mình. 

Câu hỏi dành cho các trường đại học

Vấn đề bây giờ không phải là liệu các trường có nên dạy sinh viên sử dụng AI. Điều này giờ đã là chuyện đương nhiên. Câu hỏi quan trọng bây giờ là liệu các trường còn có thể giúp sinh viên làm chủ được sự phát triển cá nhân, cả về trí tuệ lẫn đạo đức của họ hay không?

Nếu câu trả lời là có, giáo dục đại học sẽ tiếp tục không thể thay thế. Nếu không, hệ thống đại học có nguy cơ biến thành một hệ thống chỉ tạo ra được những kết quả tương tự như những gì máy móc tạo ra. 

Các trường đại học cần hành động ngay. Cần thiết kế lại các chương trình, phương thức đánh giá và phương pháp sư phạm để có thể tạo ra được những người học có khả năng diễn giải, kết nối và hiểu được ý nghĩa thật sự của kiến thức. 

Trong thời đại AI, ranh giới không nằm ở việc ai biết dùng máy móc và ai không biết dùng. Ranh giới sẽ phân chia giữa một bên là những người chỉ được nhìn nhận như những đầu ra, và những người vượt ra được chuyện đó. 

Câu hỏi về sự hình thành con người

Thứ bị đe dọa nhiều nhất trong thế giới đang bị chi phối bởi AI như hiện nay không phải là khả năng tìm kiếm việc làm, mà là sự hình thành một chủ thể con người. Câu hỏi không còn là liệu giáo dục có dẫn đến việc làm hay không, mà liệu giáo dục có giữ được cho chúng ta quyền làm chủ hay không.

Trong phần lớn lịch sử, giáo dục đại học hiện đại theo đuổi một mục tiêu bất thành văn, đó là sự căn chỉnh. Căn chỉnh sinh viên cho đúng với nhu cầu của thị trường lao động, với kỳ vọng của nhà nước, và với những chuẩn mực học thuật. Trong thời đại của trí tuệ nhân tạo, sự căn chỉnh này sẽ trở thành quá trình loại bỏ âm thầm. 

Sự nguy hiểm của AI không nằm ở chỗ nó sẽ thay thế con người ngay lập tức. Thay vào đó, nó khiến một số hình thức con người đang dùng để học tập và phát triển trở nên lỗi thời, đặc biệt là những hình thức dựa trên sự lặp lại, tuân thủ và thực thi các kỹ thuật ở một phạm vi hẹp.

Ngược lại, một câu chuyện sẽ có khả năng chống lại xu hướng này. Trước sự tối ưu hoá của máy móc, một câu chuyện mang đến tính đa nghĩa, những mâu thuẫn, và sự từ chối bị giản lược. Nó chống lại niềm tin rằng các hướng đi cuộc sống có thể được xác định từ trước, hoặc có thể được dự đoán bằng dữ liệu. Nó cho phép sự chệch hướng – khả năng được lựa chọn khác đi, diễn giải khác đi, trở thành một điều gì đó khác. 

Giáo dục, vì thế, không chỉ là trang bị cho sinh viên cách sử dụng những hệ thống mới, mà còn giúp họ không bị định nghĩa bởi chính những hệ thống ấy. 

Phần không thể bị giản lược

Sẽ luôn tồn tại một khoảng biên không thể bị tự động hóa: nơi trải nghiệm vượt khỏi khả năng mô tả của dữ liệu, nơi phán đoán vượt qua sự tính toán, và nơi ý nghĩa vượt ra ngoài những sản phẩm hữu hình.

Nhiệm vụ của giáo dục đại học chính là bảo vệ, mở rộng và trao tính chính danh cho những khoảng biên ấy. Bởi chính ở đó, trong khoảng không không thể bị giản lược đó, cuộc đời của một con người sẽ trở thành một tự sự có ý nghĩa, thay vì chỉ là một chuỗi những thành tích.

Dịch từ University World News

Bài viết Có một câu chuyện để kể: Tồn tại trong thời kỳ AI đã xuất hiện đầu tiên vào ngày ADuBiz.

Tuy nhiên, thực tế hiện nay cho thấy một khoảng cách lớn giữa mục tiêu phổ cập tri thức và con số thực tiễn: chỉ khoảng 2,4% tập tài liệu PDF đáp ứng đầy đủ các tiêu chí về khả năng truy cập. Trong khi đó, có tới một phần tư dân số thế giới được chẩn đoán gặp các vấn đề về thị giác và gần 10% mắc chứng khó đọc, những đối tượng lẽ ra cần được ưu tiên tiếp cận lại bị loại trừ bởi hạn chế của các định dạng. Đáng chú ý, khoảng 80% người khuyết tật trên toàn cầu sống tại các quốc gia đang phát triển, nơi các học giả có thu nhập thấp và trung bình phải đối mặt với nhiều rào cản trong việc tiếp cận nghiên cứu tự do. Vì vậy, khả năng truy cập không chỉ đơn giản là gỡ bỏ rào cản chi phí, mà còn là việc loại bỏ những trở ngại về kỹ thuật, ngôn ngữ và định dạng để xây dựng một hệ sinh thái học thuật thực sự bao trùm. 

Những thách thức và chiến lược xây dựng nội dung học thuật dễ tiếp cận

Thách thức xóa bỏ rào cản

Vậy làm thế nào để xóa bỏ những rào cản ấy? Chúng ta cần bắt đầu từ việc thấu hiểu và đồng cảm với đa dạng nhu cầu của độc giả. Khi đó, những trở ngại mà các cá nhân gặp phải trong quá trình tiếp cận nội dung sẽ được nhận diện và loại bỏ, từ đó xây dựng một môi trường học thuật cởi mở và công bằng. 

Thực tế, một trong những rào cản lớn nhất của accessibility lại nằm ở chính định dạng học thuật truyền thống. PDF, định dạng phổ biến nhất trong xuất bản học thuật, thường khó tương thích với các công nghệ hỗ trợ như screen reader nếu không được gắn thẻ và mô tả đầy đủ. Vì vậy, ngành xuất bản đang chuyển dần sang mô hình “born-accessible”, tức là thiết kế nội dung dễ tiếp cận ngay từ đầu thay vì chỉnh sửa sau này. Các định dạng như HTML hay EPUB3 được xem là tiêu chuẩn mới vì chúng linh hoạt hơn với nhiều thiết bị và nhu cầu đọc khác nhau. Bên cạnh đó, accessibility không chỉ là vấn đề kỹ thuật mà còn gắn liền với nguyên tắc thiết kế phổ quát . Nội dung học thuật cần được xây dựng theo hướng phục vụ phạm vi người dùng rộng nhất có thể, bất kể khác biệt về thể chất, nhận thức hay khả năng tiếp cận công nghệ. 

Chiến lược xây dựng nội dung học thuật dễ tiếp cận

Một bước ngoặt quan trọng trong lĩnh vực này là sự ra đời của Đạo luật Tiếp cận Châu Âu (European Accessibility Act – EAA). Kể từ ngày 28/06/2025, các nội dung số như ebook, website và nền tảng thương mại điện tử hoạt động tại Liên minh Châu Âu bắt buộc phải đáp ứng các tiêu chuẩn accessibility dành cho người khuyết tật, dù các tạp chí học thuật hiện vẫn được miễn trừ một phần. Quy định này buộc tất cả các tổ chức hoạt động kinh doanh với mục đích lợi nhuận hay phi lợi nhuận tại Liên minh Châu Âu thực hiện các yêu cầu sau: 

1. Đăng tải các tuyên bố về khả năng tiếp cận trên trang web và nội dung trực tuyến
2. Áp dụng nguyên tắc POUR (Có thể nhận biết – Perceivable , Có thể vận hành – Operable, Có thể hiểu – Understandable và Có tính ổn định – Robust) trong các lĩnh vực phân phối nội dung và triển khai nền tảng 
3. Đảm bảo tuân thủ quy định trên tất cả các nền tảng số 

Tuy nhiên, EAA hoạt động như một khung chỉ thị thay vì bộ tiêu chuẩn kỹ thuật cụ thể. Điều này đồng nghĩa với việc mỗi quốc gia thành viên có thể triển khai các quy định khác nhau khi luật hóa đạo luật này. Vì vậy, nhiều chuyên gia khuyến nghị các tổ chức nên áp dụng thêm những tiêu chuẩn quốc tế đã được công nhận rộng rãi như WCAG 2.2 AA hoặc EN 301 549 để đảm bảo tính nhất quán khi tuân thủ trong thực tiễn.

Tương lai của khả năng truy cập trong xuất bản học thuật 

Xây dựng một tương lai cho xuất bản học thuật dễ tiếp cận đòi hỏi sự đổi mới không ngừng về công nghệ đi đôi với tinh thần chia sẻ tri thức và kinh nghiệm thực tiễn. Thành công của lộ trình này không chỉ nằm ở việc xóa bỏ rào cản về chi phí, mà còn nằm ở sự phối hợp chặt chẽ giữa các cơ sở giáo dục, nhà tài trợ và tổ chức xuất bản để tháo gỡ đồng thời các nút thắt về kỹ thuật, ngôn ngữ và định dạng. Tuy nhiên, một nghịch lý đang tồn tại là các tổ chức quy mô nhỏ thường bị bỏ lại phía sau trong các cuộc thảo luận chính sách toàn diện. Do đó, khả năng tiếp cận và tính bao trùm không nên bị xem là yếu tố bổ sung hay gánh nặng phát sinh, mà cần phải trở thành một phần mặc định trong quy trình làm việc và tiêu chuẩn nghề nghiệp của mọi đơn vị trong hệ sinh thái này. 

Trong bối cảnh kỷ nguyên số với hàng chục công cụ AI mới ra mắt mỗi ngày, các cá nhân và tổ chức có cơ hội rất lớn để chủ động thử nghiệm và tìm ra giải pháp tối ưu cho mục tiêu của mình. Một minh chứng tiêu biểu là NotebookLM của Google, trợ lý AI hỗ trợ nghiên cứu với khả năng phân tích và tái cấu trúc các tài liệu học thuật khô khan thành những định dạng dễ tiếp nhận hơn, chẳng hạn như các cuộc trao đổi chuyên sâu theo phong cách podcast. Sự bùng nổ của AI không chỉ đơn thuần là sự tiến bộ về mặt kỹ thuật, mà còn là công cụ mạnh mẽ giúp tri thức trở nên sống động và gần gũi hơn, cho phép mỗi độc giả có thể tùy chỉnh cách thức tiếp cận thông tin phù hợp nhất với nhu cầu và năng lực cá nhân.  

Quan trọng hơn hết, khả năng tiếp cận thực chất sẽ không bao giờ đạt được nếu thiếu đi sự tham gia của cộng đồng ở mọi giai đoạn. Thay vì duy trì lối tư duy thiết kế cho người dùng, chúng ta cần chuyển dịch sang hướng thiết kế cùng với họ. Việc lắng nghe và đặt trải nghiệm sống của người khuyết tật hay nhóm đa dạng về khả năng vào vị trí trung tâm là điều cốt yếu để định hình các chính sách và công cụ thực sự hiệu quả thay vì chỉ mang tính hình thức. Con đường phía trước đòi hỏi sự cam kết song hành giữa năng lực kỹ thuật và sự thấu cảm con người; đó không chỉ là trách nhiệm pháp lý mà còn là nghĩa vụ đạo đức để xây dựng một nền xuất bản học thuật nhân văn, nơi tri thức thực sự phục vụ cho tất cả mọi người. 

Dịch từ The Scholarly Kitchen

Bài viết Để nội dung học thuật thực sự dành cho tất cả mọi người  đã xuất hiện đầu tiên vào ngày ADuBiz.

Với bài báo “Using Microlearning to Train Research Skills for Junior Social Researchers: Toward a Micro-researching Framework” mới được công bố trên tạp chí Journal of University Teaching & Learning Practice (JUTLP) cùng đồng tác giả Nguyễn Thị Như Ngọc (Trường Đại học FPT), TS. Phạm Hiệp – Viện trưởng Viện Nghiên cứu và Chuyển giao tri thức (Viện REK) – đã hiện thực hóa mục tiêu đưa mô hình “Micro-researching” vào hệ thống khung lý thuyết quốc tế. Cuộc trò chuyện này không chỉ xoay quanh công thức biến cách làm nghiên cứu kiểu “sách dạy nấu ăn” thành học thuật, mà còn là khát vọng nâng tầm năng lực lập thuyết của người Việt nhằm giảm bớt sự phụ thuộc của các mô hình phương Tây.

NPV: Thầy biết đến phương pháp này hay thuật ngữ microlearning/micro researching này từ bao giờ và trong hoàn cảnh nào? 

TS. Phạm Hiệp: Ý tưởng này đến với tôi từ một trải nghiệm thực tế rất đời thường khi đọc các cuốn sách dạy nấu ăn (cookbook). Tôi nhận thấy các cuốn sách này có một cách tổ chức thông tin rất hay: mỗi công thức nấu ăn được bẻ nhỏ thành từng bước cụ thể và tất cả nội dung chỉ gói gọn trong đúng vài trang giấy. Người đọc nhìn vào đó là có thể làm theo được ngay lập tức mà không gặp khó khăn.

Từ đó, tôi bắt đầu suy nghĩ về việc áp dụng cách tiếp cận này vào việc dạy và học nghiên cứu khoa học. Thông thường, nghiên cứu khoa học luôn bị xem là một lĩnh vực rất phức tạp, nặng nề về lý thuyết và dễ khiến những người mới bắt đầu cảm thấy ngợp, dẫn đến tâm lý trì hoãn. Tôi tự hỏi tại sao chúng ta không biến quy trình nghiên cứu thành những bước nhỏ, rõ ràng như công thức nấu ăn để người học dễ tiếp thu hơn. Sau khi tìm hiểu các xu hướng giáo dục, tôi thấy ý tưởng của mình trùng khớp với khái niệm “microlearning” (học tập vi mô) đang phát triển trên thế giới. Từ nền tảng đó, tôi đi sâu vào chuyên biệt hóa nó thành “micro-researching” (nghiên cứu vi mô), tức là chia nhỏ quy trình nghiên cứu thành các phần việc rất nhỏ để học viên có thể thực hiện và ra kết quả ngay.

NPV: Trên thế giới hiện nay, các nền tảng giáo dục trực tuyến lớn như Coursera hay EdX cũng đang áp dụng rất thành công nguyên lý chia nhỏ kiến thức. Vậy mô hình nghiên cứu vi mô mà thầy đang vận hành có điểm gì khác biệt cốt lõi để tạo nên bản sắc riêng

TS. Phạm Hiệp: Về mặt hình thức, mô hình nghiên cứu vi mô của tôi có điểm giống với các nền tảng học trực tuyến lớn như Coursera hay EdX ở chỗ chia nhỏ kiến thức thành các video hoặc bài tập ngắn. Tuy nhiên, điểm khác biệt cốt lõi nằm ở chỗ các nền tảng kia thường chỉ tập trung vào góc độ thiết kế kỹ thuật, giao diện và sự thuận tiện của người dạy, còn khi thực sự đứng lớp, tôi quan tâm hơn rất nhiều đến các yếu tố tâm lý của người học.

Trong bài báo, mô hình micro-researching của tôi có kết hợp các thành tố của lý thuyết tự quyết (Self-determination theory) và Lý thuyết kỳ vọng giá trị (Expectancy-Value Theory) bởi đây chính là những yếu tố tôi thực sự cân nhắc và áp dụng trực tiếp vào quá trình giảng dạy thực tế.

Tôi luôn lưu tâm đến việc tạo ra động lực tự thân cho người học thông qua việc mang lại cho họ cảm giác tự chủ và thấy mình có đủ năng lực để hoàn thành nhiệm vụ. Khi một bài học hay nhiệm vụ nghiên cứu lớn được bẻ nhỏ ra, người học sẽ không bị áp lực tâm lý đè nặng, từ đó có sự tự tin rằng mình hoàn toàn làm được, điều này vừa thỏa mãn các nhu cầu về động lực vừa nâng cao kỳ vọng thành công theo thuyết kỳ vọng giá trị. Đồng thời, chúng tôi giúp học viên thấy rõ giá trị của việc nghiên cứu đối với bản thân. Nó vừa mang lại niềm vui thích khi tìm ra cái mới, vừa đảm bảo tính thực dụng, giúp họ thấy việc nghiên cứu này phục vụ trực tiếp thế nào cho công việc hay kế hoạch tương lai. Việc chú trọng vào quản trị tâm lý và đồng hành sát sao này là điều mà các khóa học đại trà của Coursera hay EdX hiện nay chưa giải quyết triệt để được, và đó chính là điểm khác biệt của dạy vi mô và đào tạo nghiên cứu vi mô mà tôi thực hành.

“Nghiên cứu khoa học không cần phải là một gánh nặng khổng lồ. Hãy bắt đầu bằng những ‘bước tiến vi mô’ và bẻ nhỏ nó như một công thức nấu một món ăn.”

NPV: Qua thực tế áp dụng phương pháp này vào công tác đào tạo và coaching, thầy đánh giá thế nào về hiệu quả thực tế đối với các học viên? Thầy có thể chia sẻ một trường hợp cụ thể hoặc một câu chuyện thành công ấn tượng nhất? 

TS. Phạm Hiệp: Về mặt kết quả định lượng, phương pháp này đã được chứng minh  hiệu quả thông qua kết quả các học viên tham gia Chương trình Research Coach in Social Sciences tại Viện REK. Nhiều học viên tham gia khóa học đã nâng được một bậc học, ví dụ từ thạc sĩ lên tiến sĩ, từ cử nhân lên thạc sĩ, hoặc săn được học bổng và xuất bản được bài báo quốc tế. Đối với rất nhiều người, đó là bài báo quốc tế đầu tiên trong sự nghiệp của họ.

Bên cạnh kết quả cá nhân, tôi thấy phương pháp này đạt hiệu quả rất lớn trong việc quản trị và phân công công việc. Khi áp dụng triết lý vi mô vào cộng đồng nghiên cứu mở rộng của chúng tôi, mọi người luôn tìm thấy phần việc phù hợp để làm ngay nếu muốn bắt tay vào nghiên cứu. Thay vì bắt một người mới phải gánh vác cả một đề tài lớn, công việc được bẻ nhỏ ra: có người chỉ phụ trách viết một phần tổng quan ngắn, người chuyên xử lý một phần dữ liệu, người lại chịu trách nhiệm xây dựng bảng câu hỏi. Cách làm này giúp giảm áp lực và ai cũng có thể đóng góp được ngay. Từ sự phân chia vi mô đó, các thành viên có thể học hỏi lẫn nhau theo mô hình cộng hưởng. Ví dụ, người đã có kinh nghiệm viết lách nhiều sẽ học thêm kỹ năng xử lý dữ liệu từ người chuyên làm định lượng, và ngược lại, người giỏi kỹ thuật số liệu sẽ học cách viết từ đồng nghiệp. 

ĐIỂM ĐẾN CỦA HỌC VIÊN RCISS

Các trường Đại học học viên RCISS đã nhận học bổng & theo học

Việt Nam

• Trường Đại học RMIT Việt Nam
• Trường Đại học Việt Nhật 
• Trường Đại học Giáo dục, ĐHQGHN 
• Học viện Công nghệ Bưu chính Viễn thông 
• Đại học Kinh tế Quốc dân
• Trường Đại học Kinh tế, ĐHQGHN 
• Đại học Bách Khoa Hà Nội 
• Trường Đại học Khoa học Xã hội và Nhân văn, ĐHQGHN
• Trường Đại học Mở TP. Hồ Chí Minh
• Trường Đại học Ngoại Thương
• Viện Hàn lâm Khoa học Xã hội Việt Nam
• Đại học Huế
• Đại học RMIT Việt Nam
• Đại học Sư phạm HN 
• Trường Đại học Thương mại 
• Học viện Khoa học, Công nghệ và Đổi mới sáng tạo 
• Trường Đại học Cần Thơ
• Đại học Thái Nguyên
• Viện Khoa học Giáo dục Việt Nam
• Học viện Chính trị Quốc gia Hồ Chí Minh

Châu Âu

• Anh Quốc: University of Manchester | University of Leicester | London School of Economics | Coventry University | York University | University of Strathclyde | University of Nottingham Trent | University of Sussex | University College London 
• Pháp: IAE Paris Sorbonne Business School | University of Strasbourg | Sciences Po Paris | University of Lille | Université de Strasbourg |  Rennes University | Université Grenoble Alpes | Université de Bordeaux
• Bỉ: KU Leuven | Hasselt University
• Hà Lan: Utrecht University | Maastricht University | Radboud University
• Ireland: University College Dublin
• Na Uy: University of Bergen
• CH Séc: Tomas Bata University in Zlin
• Đức: Viện Công nghệ Karlsruhe
• Phần Lan: University of Turku 
• Hungary: University of Szeged 
• Nga: Higher School of Economics
• Thụy Điển: World Maritime University
• Tây Ban Nha: University of Deusto

Châu Mỹ

• Mỹ: Johns Hopkins University | George Washington University | Indiana University | University of Wisconsin | James Madison University | University of Michigan | University of Illinois Urbana–Champaign | University of California, Berkeley

Châu Úc

• Úc: University of Melbourne | University of New South Wales | University of Adelaide | Deakin University | La Trobe University Monash University | University of South Australia | Queensland University of Technology 
• New Zealand: University of Auckland | University of Otago 

Châu Á

• Nhật Bản: Ritsumeikan Asia Pacific University | Tsukuba University | Hiroshima University | Ibaraki University | The University of Tokyo | Waseda University
• Hàn Quốc: Seoul National University | Korea Maritime & Ocean University 
• Đài Loan – Trung Quốc: National Yang Ming Chiao Tung University | Yuan Ze University | National Chi Nan University | Chinese Culture University | National Cheng Kung University| National Kaohsiung University of Science and Technology | Ming Chuan University
• Trung Quốc: Shanghai Jiao Tong University | Renmin University of China | Huazhong University of Science and Technology | Shandong University | Fudan University 
• Hồng Kông – Trung Quốc: ĐH Giáo dục Hong Kong
• Malaysia: Universiti Teknologi PETRONAS | Tunku Abdul Rahman University of Management and Technology 
• Ấn Độ: Viện Công nghệ Ấn Độ Bhubaneswar 
• Thái Lan: Mahasarakham University

Tuy nhiên, điều tôi đánh giá cao hơn cả là việc phương pháp này giúp ghi nhận những bước tiến vi mô (hay còn gọi là “baby step”). Đối với người mới làm nghiên cứu, việc hoàn thành một đoạn viết nhỏ hay xử lý xong một phần dữ liệu đã là một tiến bộ đáng kể. Tôi luôn nhớ về một trường hợp học trò đặc biệt mà tôi thường xuyên chia sẻ như một nguồn cảm hứng. Khi bắt đầu học tôi, bạn ấy gần như chưa biết gì về nghiên cứu khoa học. Nhưng qua quá trình kiên trì học tập và tích lũy các bước tiến nhỏ, bạn ấy đã thành công nộp hồ sơ du học và trở thành một trong số người ít ỏi tốt nghiệp được trường IAE Paris Sorbonne Business School, vốn nổi tiếng là chương trình học và điều kiện tốt nghiệp rất khắt khe. Những trường hợp thực tế như vậy khiến tôi càng có cơ sở để tin tưởng vào tính hiệu quả của phương pháp này.

NPV: Đứng ở góc độ một nhà quản lý giáo dục, thầy có kỳ vọng như thế nào về việc đưa “micro researching” vào hệ thống đào tạo chính quy? Nếu có cơ hội trực tiếp thiết kế một khóa học như vậy trong trường đại học, mô hình đó sẽ được vận hành ra sao? 

TS. Phạm Hiệp: Tôi hy vọng “micro researching” sẽ được nhiều người biết đến và trở thành một trong những lựa chọn khi mọi người suy nghĩ đến phương pháp giảng dạy trong chương trình đào tạo bậc đại học và đặc biệt là bậc cao học. Phương pháp này theo tôi là phù hợp nhất với những nghiên cứu viên mới vào nghề – bao gồm cả những người trẻ tuổi lẫn những người lớn tuổi nhưng mới bắt đầu làm nghiên cứu.

Nếu được toàn quyền thiết kế một khóa học chính quy, tôi sẽ triển khai theo mô hình lớp học đảo ngược (flipped classroom) dựa trên những thực nghiệm tôi đã làm. Cấu trúc cụ thể là học viên sẽ xem các video bài giảng ngắn (chỉ khoảng vài phút cho một nội dung) ở nhà vào bất cứ khi nào họ rảnh, ví dụ như lúc có 10-15 phút trống trong ngày. Trong mô hình này, học viên có thể linh hoạt học qua cả máy tính lẫn điện thoại di động mọi lúc mọi nơi để tiếp thu kiến thức một cách tiện lợi nhất. Như vậy, thời gian lên lớp trực tiếp sẽ không dùng để giảng lý thuyết nữa, mà hoàn toàn dành cho việc thảo luận nâng cao, giải đáp thắc mắc và hướng dẫn học viên thực hành trực tiếp trên bài nghiên cứu của họ. Việc dành nhiều thời gian lên lớp hơn cho trao đổi giúp cho sự kết nối giữa người học với người học, cũng như giữa người học với người dạy trở nên chất lượng hơn. Từ đó, người học luôn cảm thấy mình có những người đồng hành đồng hành, giảm cảm giác bị bỏ rơi hay lạc lối trên hành trình học tập của mình.

NPV: Nhìn lại hành trình dài từ việc vận hành các không gian nghiên cứu thực tế cho đến khi chính thức công bố công trình có xu hướng lập thuyết này, bài báo có ý nghĩa cá nhân như thế nào đối với thầy, và thầy kỳ vọng nó sẽ tạo ra tác động gì cho cộng đồng học thuật Việt Nam?

TS. Phạm Hiệp: Việc chuẩn hóa mô hình này thành một mô hình và xuất bản thành công trên một tạp chí quốc tế như Journal of University Teaching & Learning Practice (JUTLP) là mục tiêu tôi đã đặt ra từ nhiều năm trước. Trong giới khoa học, mọi người thường nhìn vào các con số xếp hạng của tạp chí như Impact Factor hay Q. Tôi không phủ nhận vai trò của những con số này nhưng ở đây, điều tôi quan tâm hơn ở JUTLP là đây là một tạp chí đi đúng vào ngành ngách về phương pháp giảng dạy – cũng chính là chủ đề cốt lõi của bài nghiên cứu này. 

Trước đây, tôi từng công bố một bài báo chia sẻ về kinh nghiệm thực tế khi vận hành Research Coach in Social Sciences (RCISS)[1], một trung tâm hỗ trợ nghiên cứu cho người mới tại Việt Nam. Nhưng việc chuyển từ bài viết chia sẻ kinh nghiệm sang một bài báo thiết lập khung lý thuyết (theoretical framework) là một bước tiến lớn hơn về mặt học thuật đối với cá nhân tôi.

Tất nhiên, việc xuất bản mới là bước đầu. Tôi hy vọng công trình này sẽ được cộng đồng học thuật, đặc biệt là các học giả quốc tế, đọc và trích dẫn trong các nghiên cứu của họ, vì điều đó chứng tỏ mô hình có giá trị thực tiễn. Việc công bố này vừa giúp tôi khẳng định năng lực nghiên cứu trong lĩnh vực mình theo đuổi, vừa đóng góp vào việc nâng cao vị thế (level up) của người Việt và người châu Á nói chung trên bản đồ học thuật thế giới, một nơi vốn bị chi phối phần lớn bởi các lý thuyết và mô hình từ phương Tây. Việc chúng ta tự xây dựng và công bố được một mô hình riêng là một minh chứng cho thấy người châu Á hoàn toàn có thể đóng góp vào việc định hình các phương pháp giáo dục toàn cầu.

Đăng lại từ Trường Đại học Thành Đô

Bài viết Viện trưởng Viện REK và câu chuyện đào tạo nghiên cứu khoa học dưới lăng kính lập thuyết theo phong cách sách dạy nấu ăn đã xuất hiện đầu tiên vào ngày ADuBiz.