Năm 1953, Skinner quan sát lớp học Toán của con gái mình khi các học sinh đang giải một bài toán số học và nhận thấy rằng những học sinh giải xong nhanh thì trở nên chán nản, trong khi những học sinh chưa hoàn thành lại cảm thấy lo lắng (Watters, 2023). Kết thúc tiết học, học sinh rời lớp với sự chênh lệch về tốc độ giải quyết vấn đề; giáo viên mang bài về nhà để chấm và trả lại vào ngày hôm sau. Quan sát này khiến ông nhận ra sự cần thiết của việc dạy học tự động nhằm khắc phục những hạn chế của mô hình dạy học “một phương pháp cho tất cả” trong lớp học truyền thống. Ông xây dựng phương pháp dạy học của mình dựa trên nguyên lý dạy học theo chương trình (programmed instruction), trong đó học sinh học theo tốc độ riêng của bản thân và nhận được sự củng cố hay phản hồi ngay lập tức (Skinner, 1968). Câu chuyện này cho thấy rằng số lượng học sinh quá đông trong lớp học khiến giáo viên khó có thể cung cấp phản hồi tức thời và nhất quán cho từng học sinh, từ đó dẫn đến khoảng cách trong học tập.
Trong khi đó, những thách thức này đã được giải quyết phần nào thông qua dạy học cá nhân hóa, sử dụng đánh giá thường xuyên để theo dõi mức độ hiểu bài của người học và các phiếu học tập do giáo viên thiết kế để hỗ trợ luyện tập. Tương tự, Bloom đã chỉ ra một hiện tượng giáo dục, trong đó những học sinh được kèm cặp một - một bằng các kỹ thuật học tập làm chủ (mastery learning) có kết quả vượt trội hơn học sinh học theo lớp khoảng hai độ lệch chuẩn (Bloom, 1984). Các nghiên cứu và thực tiễn giáo dục cho thấy việc triển khai học tập cá nhân hóa (PL) vẫn đang đối mặt với nhiều thách thức về phương pháp. Cụ thể, giáo dục cần tìm ra các phương pháp dạy học theo nhóm có hiệu quả tương đương với hình thức dạy kèm cá nhân, nhưng đến nay cộng đồng giáo dục vẫn chưa giải quyết được yêu cầu này do hạn chế về tính hiệu quả chi phí.
Cùng với sự phát triển của trí tuệ nhân tạo (AI) trong giáo dục, thách thức kéo dài về việc triển khai học tập cá nhân hóa trong lớp học đang được nhìn nhận lại dưới góc độ công nghệ. Các nền tảng ứng dụng AI hiện nay đang được sử dụng để mang lại những trải nghiệm học tập cá nhân hóa mà các nhà lý luận giáo dục trước đây từng hình dung. Đặc biệt, câu chuyện của Skinner về nhu cầu phản hồi cá nhân hóa tức thời nay đã có hình thức hiện đại tương ứng trong các môi trường học tập được hỗ trợ bởi AI - nơi có thể phản hồi nhu cầu của người học theo thời gian thực, theo dõi tiến trình học tập và điều chỉnh nội dung một cách linh hoạt.
Sự hỗ trợ của công nghệ trong dạy và học cá nhân hoá
Song song với những thay đổi này, nhiều quốc gia đã nỗ lực triển khai học tập cá nhân hóa bằng công nghệ AI trong giáo dục công lập. Văn phòng Công nghệ Giáo dục thuộc Bộ Giáo dục Hoa Kỳ (U.S. Department of Education’s Office of Educational Technology) (2023) đã xây dựng tầm nhìn về cách công nghệ có thể chuyển đổi hoạt động dạy và học, đồng thời thúc đẩy việc bảo đảm quyền tiếp cận bình đẳng tới các trải nghiệm học tập mang tính chuyển đổi, được cá nhân hóa theo sở thích và trình độ của từng người học nhờ công nghệ hỗ trợ. Kể từ khi Singapore đề xuất giáo dục cá nhân hóa thông qua học tập và đánh giá thích ứng như một phần trong Chiến lược Trí tuệ nhân tạo Quốc gia (National Artificial Intelligence Strategy policies) (Smart Nation Singapore, 2019), quốc gia này đã ưu tiên phát triển các trải nghiệm học tập cá nhân hóa phù hợp với tốc độ và lộ trình học tập của từng người học.
Các nghiên cứu trước đây đã chứng minh rằng các hệ thống gia sư thông minh (Intelligent Tutoring Systems – ITS) có khả năng cung cấp phản hồi thích ứng và cá nhân hóa tương đương với hình thức dạy kèm trực tiếp của con người. Tuy nhiên, các nghiên cứu trước chủ yếu tập trung mô tả tính năng của nền tảng mà chưa phân tích toàn diện cách các nền tảng này hỗ trợ học tập cá nhân hóa dưới góc nhìn thích ứng (adaptive learning).
Các câu hỏi đặt ra là: Các nền tảng giáo dục AI có tích hợp những yếu tố hỗ trợ học tập Toán học cá nhân hóa hay không? Và Các nền tảng AI hỗ trợ học tập Toán học cá nhân hóa theo những cách nào? (Cho & Kim, 2025).
Kết quả nghiên cứu cho thấy cả ba nền tảng AI nổi bật trong giáo dục Toán (gồm KnowRe Math, Khan Academy và ALEKS) đều tích hợp nhiều yếu tố hỗ trợ học tập cá nhân hóa. Trước hết, ở chiều cạnh “nguồn thích ứng”, các nền tảng đều sử dụng dữ liệu người học như đặc điểm cá nhân, kết quả bài kiểm tra chẩn đoán và dữ liệu tương tác trong quá trình học để điều chỉnh hoạt động học tập. Ví dụ, KnowRe Math ghi nhận thời gian học, số lần làm lại bài, số lỗi sai và kết quả từng bài để tạo ra các bài luyện tập phù hợp với điểm yếu của học sinh. Khan Academy còn cho phép học sinh tự lựa chọn video bổ sung hoặc quyết định làm lại câu hỏi hay chuyển sang câu tiếp theo. Điều này cho thấy AI không chỉ thu thập dữ liệu mà còn hỗ trợ tăng quyền chủ động của người học.
Đồng thời, các nền tảng cá nhân hóa nội dung học tập bằng cách điều chỉnh mức độ khó của bài toán theo trình độ của học sinh. KnowRe Math tạo ra các “twin problems” – các bài toán tương tự với những câu học sinh từng làm sai để giúp các em luyện tập đúng trọng tâm. Khan Academy cung cấp nhiều hình thức trình bày như video bài giảng, bài luyện tập và câu hỏi trắc nghiệm để học sinh tự lựa chọn cách học phù hợp. ALEKS hỗ trợ nhiều công cụ như từ điển thuật ngữ, giải thích từng bước và hình minh họa trực quan để hỗ trợ giải quyết vấn đề Toán học.
Tiếp đó, cả ba nền tảng đều sử dụng mô hình “dual-pathway approach”. Nghĩa là ban đầu hệ thống thiết lập hồ sơ người học dựa trên bài kiểm tra đầu vào, sau đó liên tục cập nhật mô hình này thông qua dữ liệu học tập thực tế. Khan Academy chia trình độ học sinh thành năm mức như mastered, proficient, familiar, attempted và not started; đồng thời liên tục điều chỉnh các thử thách học tập dựa trên tiến trình của từng học sinh.
Nghiên cứu cho thấy cả ba nền tảng đều áp dụng cơ chế “shared-controlled adaptation”, tức là kết hợp giữa kiểm soát của hệ thống và quyền lựa chọn của học sinh. Hệ thống AI đưa ra gợi ý học tập phù hợp, nhưng học sinh vẫn có quyền chọn nội dung muốn học, làm lại bài cũ hoặc quyết định cách tiếp cận của mình. Theo các tác giả, đây là điểm rất quan trọng vì nó kết hợp được hai mục tiêu: đảm bảo học sinh làm chủ kiến thức và tăng quyền tự chủ trong học tập.
Như vậy, có thể nói tiềm năng của AI trong học tập cá nhân hóa không chỉ nằm ở khả năng điều chỉnh nội dung học tập mà còn ở việc hỗ trợ phản hồi tức thời, theo dõi tiến trình học tập và thúc đẩy khả năng tự điều chỉnh của học sinh. Do đó, giáo viên không nên chỉ xem các nền tảng AI là công cụ giao bài tập bổ sung, mà cần tích hợp chúng như một phần của hoạt động dạy học chính thức trong lớp học. Ngoài ra, nghiên cứu cũng khẳng định rằng dù AI ngày càng phát triển, hiệu quả của học tập cá nhân hóa cuối cùng vẫn phụ thuộc rất lớn vào vai trò của giáo viên. Chính giáo viên là người quyết định cách diễn giải dữ liệu học tập, cách điều chỉnh lộ trình học và cách tích hợp công nghệ với mục tiêu sư phạm trong thực tế lớp học. Vì vậy, AI không thay thế giáo viên mà đóng vai trò hỗ trợ giáo viên tổ chức dạy học cá nhân hóa hiệu quả hơn trong các lớp học đông học sinh.
Hàm ý chính sách là gì?
Dựa trên các kết quả trên, có thể rút gọn và khái quát một số hàm ý chính sách cốt lõi như sau:
Chính sách ứng dụng AI trong giáo dục cần được xây dựng trên nền tảng của khoa học giáo dục, tâm lí học học tập và khoa học nhận thức, thay vì chỉ tiếp cận từ góc độ công nghệ hoặc quản trị. Chính sách AI trong giáo dục cần được triển khai theo hướng “thử nghiệm – đánh giá – điều chỉnh – mở rộng”, dựa trên bằng chứng thực nghiệm và dữ liệu học thuật đáng tin cậy. Trước khi triển khai đại trà các nền tảng AI trong trường học, cần thực hiện các nghiên cứu thử nghiệm trong lớp học thực tế để đánh giá toàn diện hiệu quả học tập, tác động tâm lí và những hệ quả ngoài mong muốn đối với học sinh.
Cần xây dựng cơ chế phối hợp liên ngành giữa giáo dục học, tâm lí học, AI, khoa học dữ liệu và quản lí giáo dục trong quá trình xây dựng và đánh giá chính sách giáo dục số.
Cần ưu tiên nghiên cứu các chiến lược học tập thích ứng, cơ chế phản hồi tức thời, khả năng tự điều chỉnh học tập và động lực học tập của học sinh trong môi trường có AI hỗ trợ. Việc đánh giá các mô hình AI giáo dục không nên chỉ dựa trên điểm số học tập mà cần xem xét cả sự phát triển năng lực, mức độ tham gia học tập, tính tự chủ và sức khỏe tâm lí của người học.
Cần đầu tư cho nghiên cứu và bồi dưỡng giáo viên về năng lực sư phạm số, năng lực sử dụng dữ liệu học tập và khả năng tích hợp AI vào hoạt động dạy học một cách phù hợp với đặc điểm phát triển của học sinh.
Mọi chính sách AI trong giáo dục cần được xem xét từ góc độ công bằng giáo dục, bảo đảm học sinh ở các vùng miền và điều kiện khác nhau đều có cơ hội tiếp cận và hưởng lợi từ công nghệ một cách bình đẳng.
Biên tập viên: Lương Ngọc, Vân An
Tài liệu tham khảo
Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational researcher, 13(6), 4-16. https://doi.org/10.3102/0013189X013006004
Cho, M. K., & Kim, S. (2025). Analyzing AI-based educational platforms for supporting personalized mathematics learning. International Electronic Journal of Mathematics Education, 20(4), em0847. https://doi.org/10.29333/iejme/16664
Skinner, B. F. (1968). The technology of teaching. Pearson College Div
Smart Nation Singapore (2019). National artificial intelligence strategy: Advancing our smart nation journey. Singapore Government. Retrieved July 5, 2025, from https://www.smartnation.gov.sg/files/publications/national-ai-strategy.pdf
U.S. Department of Education's Office of Educational Technology (2023). Artificial intelligence and future of teaching and learning: Insights and recommendations. Retrieved July 5, 2025, from https://www.ed.gov/sites/ed/files/documents/ai-report/aireport.pdf
Watters, A. (2023). Teaching machines: The history of personalized learning. MIT Press.
