Chấp nhận công nghệ chưa phải là bảo đảm cho chất lượng học tập
Sự phát triển nhanh của trí tuệ nhân tạo đang làm thay đổi đáng kể đời sống học thuật trong các trường đại học. Những công cụ có khả năng hỗ trợ tìm kiếm ý tưởng, giải quyết vấn đề, tạo lập nội dung, dịch thuật, tóm tắt tài liệu, chỉnh sửa văn bản, xử lý dữ liệu và phản hồi cá nhân hóa ngày càng được sinh viên sử dụng trong nhiều hoạt động học tập. Theo Xu, Chen và Jiang (2026), các nền tảng trí tuệ nhân tạo, trong đó có những ứng dụng như DeepSeek, đã trở thành một phần trong hoạt động học thuật thường ngày của sinh viên, góp phần nâng cao hiệu quả xử lý nhiệm vụ học tập và làm thay đổi những mô hình giáo dục truyền thống.
Tuy nhiên, sự lan rộng của công nghệ không đồng nghĩa với sự gia tăng tự động về chất lượng học tập. Trong nhiều năm, các mô hình chấp nhận công nghệ thường tập trung lý giải vì sao người dùng có ý định sử dụng hoặc tiếp tục sử dụng một hệ thống. Cách tiếp cận đó có giá trị ở giai đoạn đầu của quá trình phổ biến công nghệ, nhưng chưa đủ đối với giáo dục đại học, nơi mục tiêu quan trọng không chỉ là mở rộng mức độ tiếp cận công cụ, mà là phát triển năng lực tự học, năng lực tư duy, năng lực giải quyết vấn đề và trách nhiệm học thuật của người học.
Theo Venkatesh và cộng sự (2003), Mô hình Chấp nhận và sử dụng công nghệ hợp nhất giải thích hành vi tiếp nhận công nghệ thông qua bốn thành tố chính: kỳ vọng về hiệu quả, kỳ vọng về mức độ dễ sử dụng, ảnh hưởng xã hội và điều kiện hỗ trợ. Khi được vận dụng vào giáo dục đại học, bốn thành tố này giúp lý giải không chỉ lý do sinh viên lựa chọn trí tuệ nhân tạo, mà còn cơ chế công nghệ tác động đến sự hài lòng, động lực và năng lực học tập. Xu, Chen và Jiang (2026) mở rộng khung lý thuyết này bằng cách chuyển trọng tâm phân tích từ ý định sử dụng sang kết quả sau sử dụng, qua đó đặt chất lượng học tập ở vị trí trung tâm của việc đánh giá công nghệ giáo dục.
Cách đặt vấn đề này có ý nghĩa đặc biệt trong bối cảnh hiện nay. Nếu chỉ xem trí tuệ nhân tạo như một phương tiện giúp người học thao tác nhanh hơn, giáo dục đại học có thể đánh giá cao sự tiện ích trước mắt mà bỏ qua yêu cầu phát triển năng lực học thuật bền vững. Ngược lại, khi công nghệ được đặt trong một cấu trúc sư phạm phù hợp, trí tuệ nhân tạo có thể trở thành môi trường trung gian giúp sinh viên luyện tập năng lực phân tích, kiểm chứng thông tin, tổ chức tri thức và tự chịu trách nhiệm với sản phẩm học tập của mình.
Khung lý thuyết: bốn động lực chấp nhận công nghệ và ba kết quả học tập
Tuy nhiên, sự lan rộng của công nghệ không đồng nghĩa với sự gia tăng tự động về chất lượng học tập. Trong nhiều năm, các mô hình chấp nhận công nghệ thường tập trung lý giải vì sao người dùng có ý định sử dụng hoặc tiếp tục sử dụng một hệ thống. Cách tiếp cận đó có giá trị ở giai đoạn đầu của quá trình phổ biến công nghệ, nhưng chưa đủ đối với giáo dục đại học, nơi mục tiêu quan trọng không chỉ là mở rộng mức độ tiếp cận công cụ, mà là phát triển năng lực tự học, năng lực tư duy, năng lực giải quyết vấn đề và trách nhiệm học thuật của người học.
Theo Venkatesh và cộng sự (2003), Mô hình Chấp nhận và sử dụng công nghệ hợp nhất giải thích hành vi tiếp nhận công nghệ thông qua bốn thành tố chính: kỳ vọng về hiệu quả, kỳ vọng về mức độ dễ sử dụng, ảnh hưởng xã hội và điều kiện hỗ trợ. Khi được vận dụng vào giáo dục đại học, bốn thành tố này giúp lý giải không chỉ lý do sinh viên lựa chọn trí tuệ nhân tạo, mà còn cơ chế công nghệ tác động đến sự hài lòng, động lực và năng lực học tập. Xu, Chen và Jiang (2026) mở rộng khung lý thuyết này bằng cách chuyển trọng tâm phân tích từ ý định sử dụng sang kết quả sau sử dụng, qua đó đặt chất lượng học tập ở vị trí trung tâm của việc đánh giá công nghệ giáo dục.
Cách đặt vấn đề này có ý nghĩa đặc biệt trong bối cảnh hiện nay. Nếu chỉ xem trí tuệ nhân tạo như một phương tiện giúp người học thao tác nhanh hơn, giáo dục đại học có thể đánh giá cao sự tiện ích trước mắt mà bỏ qua yêu cầu phát triển năng lực học thuật bền vững. Ngược lại, khi công nghệ được đặt trong một cấu trúc sư phạm phù hợp, trí tuệ nhân tạo có thể trở thành môi trường trung gian giúp sinh viên luyện tập năng lực phân tích, kiểm chứng thông tin, tổ chức tri thức và tự chịu trách nhiệm với sản phẩm học tập của mình.
Khung lý thuyết: bốn động lực chấp nhận công nghệ và ba kết quả học tập
Trong khung phân tích của Xu, Chen và Jiang (2026), kỳ vọng về hiệu quả được hiểu là niềm tin của sinh viên rằng trí tuệ nhân tạo có thể nâng cao hiệu quả học tập và hoạt động học thuật. Khi người học nhận thấy công cụ có khả năng hỗ trợ hình thành ý tưởng, tổ chức lập luận, cải thiện bài viết, mở rộng tri thức hoặc hoàn thành nhiệm vụ hiệu quả hơn, họ có xu hướng đánh giá tích cực hơn về trải nghiệm học tập có sự hỗ trợ của công nghệ. Tuy vậy, nhận thức về tính hữu ích chưa thể đồng nhất với động lực học tập bền vững. Theo Ryan và Deci (2000), động lực nội tại xuất phát từ hứng thú đối với chính hoạt động học, trong khi động lực ngoại tại gắn với lợi ích hoặc kết quả đạt được. Vì vậy, cảm nhận rằng trí tuệ nhân tạo “hữu ích” chỉ có thể góp phần vào học tập sâu khi người học được trao quyền tự chủ, nhận thấy sự tiến bộ về năng lực và hiểu rõ ý nghĩa học thuật của nhiệm vụ.
Kỳ vọng về mức độ dễ sử dụng phản ánh cảm nhận rằng việc sử dụng trí tuệ nhân tạo không đòi hỏi quá nhiều nỗ lực kỹ thuật hoặc nhận thức. Một giao diện thân thiện, hướng dẫn rõ ràng, phản hồi nhanh và khả năng tiếp cận thuận lợi có thể làm giảm trở ngại ban đầu, giúp sinh viên tự tin hơn khi tiếp cận công cụ. Tuy nhiên, tính dễ sử dụng chỉ là điều kiện khởi động. Một công cụ càng thuận lợi càng có khả năng hỗ trợ người học tham gia nhanh hơn, nhưng nếu thiếu nhiệm vụ học tập được thiết kế nghiêm túc, sự thuận lợi ấy có thể chỉ tạo ra sự tham gia ở bề mặt.
Ảnh hưởng xã hội phản ánh vai trò của bạn học, giảng viên, cộng đồng học thuật và văn hóa sử dụng công nghệ trong nhà trường. Sinh viên không tiếp nhận trí tuệ nhân tạo như những cá nhân tách biệt, mà chịu tác động từ chuẩn mực nhóm, sự thừa nhận của giảng viên, cách bạn bè sử dụng công cụ và bầu không khí học thuật chung. Theo Du và Lv (2024), ảnh hưởng xã hội có liên quan đến hiệu quả sử dụng trí tuệ nhân tạo trong giáo dục. Xu, Chen và Jiang (2026) cũng ghi nhận rằng yếu tố này không chỉ tác động đến sự hài lòng, mà còn ảnh hưởng trực tiếp đến động lực và năng lực học tập của sinh viên.
Điều kiện hỗ trợ bao gồm hạ tầng kỹ thuật, thiết bị, tài nguyên số, khả năng truy cập, hướng dẫn sử dụng, cơ chế hỗ trợ của nhà trường và sự đồng hành của giảng viên. Theo Zhai và cộng sự (2024), Memon và cộng sự (2022), điều kiện tài nguyên ổn định, kết nối đáng tin cậy và thiết bị phù hợp có thể cải thiện trải nghiệm học tập có ứng dụng công nghệ. Trong mô hình của Xu, Chen và Jiang (2026), điều kiện hỗ trợ là yếu tố có tác động mạnh nhất đối với năng lực học tập, qua đó nhấn mạnh rằng phát triển năng lực không thể chỉ dựa vào bản thân công cụ, mà cần một môi trường giáo dục được tổ chức bài bản.
Ba kết quả học tập được xem xét gồm sự hài lòng, động lực và năng lực học tập. Sự hài lòng phản ánh đánh giá tích cực của sinh viên về quá trình và kết quả học tập có sử dụng trí tuệ nhân tạo. Động lực học tập thể hiện sự thôi thúc tiếp tục mở rộng tri thức, phát triển kỹ năng và tham gia vào hoạt động học thuật. Năng lực học tập được hiểu là sự cải thiện cảm nhận về khả năng học tập, bao gồm khả năng xử lý nhiệm vụ, giải quyết vấn đề, tổ chức tri thức và thích ứng với yêu cầu học tập trong môi trường đại học.
Kỳ vọng về mức độ dễ sử dụng phản ánh cảm nhận rằng việc sử dụng trí tuệ nhân tạo không đòi hỏi quá nhiều nỗ lực kỹ thuật hoặc nhận thức. Một giao diện thân thiện, hướng dẫn rõ ràng, phản hồi nhanh và khả năng tiếp cận thuận lợi có thể làm giảm trở ngại ban đầu, giúp sinh viên tự tin hơn khi tiếp cận công cụ. Tuy nhiên, tính dễ sử dụng chỉ là điều kiện khởi động. Một công cụ càng thuận lợi càng có khả năng hỗ trợ người học tham gia nhanh hơn, nhưng nếu thiếu nhiệm vụ học tập được thiết kế nghiêm túc, sự thuận lợi ấy có thể chỉ tạo ra sự tham gia ở bề mặt.
Ảnh hưởng xã hội phản ánh vai trò của bạn học, giảng viên, cộng đồng học thuật và văn hóa sử dụng công nghệ trong nhà trường. Sinh viên không tiếp nhận trí tuệ nhân tạo như những cá nhân tách biệt, mà chịu tác động từ chuẩn mực nhóm, sự thừa nhận của giảng viên, cách bạn bè sử dụng công cụ và bầu không khí học thuật chung. Theo Du và Lv (2024), ảnh hưởng xã hội có liên quan đến hiệu quả sử dụng trí tuệ nhân tạo trong giáo dục. Xu, Chen và Jiang (2026) cũng ghi nhận rằng yếu tố này không chỉ tác động đến sự hài lòng, mà còn ảnh hưởng trực tiếp đến động lực và năng lực học tập của sinh viên.
Điều kiện hỗ trợ bao gồm hạ tầng kỹ thuật, thiết bị, tài nguyên số, khả năng truy cập, hướng dẫn sử dụng, cơ chế hỗ trợ của nhà trường và sự đồng hành của giảng viên. Theo Zhai và cộng sự (2024), Memon và cộng sự (2022), điều kiện tài nguyên ổn định, kết nối đáng tin cậy và thiết bị phù hợp có thể cải thiện trải nghiệm học tập có ứng dụng công nghệ. Trong mô hình của Xu, Chen và Jiang (2026), điều kiện hỗ trợ là yếu tố có tác động mạnh nhất đối với năng lực học tập, qua đó nhấn mạnh rằng phát triển năng lực không thể chỉ dựa vào bản thân công cụ, mà cần một môi trường giáo dục được tổ chức bài bản.
Ba kết quả học tập được xem xét gồm sự hài lòng, động lực và năng lực học tập. Sự hài lòng phản ánh đánh giá tích cực của sinh viên về quá trình và kết quả học tập có sử dụng trí tuệ nhân tạo. Động lực học tập thể hiện sự thôi thúc tiếp tục mở rộng tri thức, phát triển kỹ năng và tham gia vào hoạt động học thuật. Năng lực học tập được hiểu là sự cải thiện cảm nhận về khả năng học tập, bao gồm khả năng xử lý nhiệm vụ, giải quyết vấn đề, tổ chức tri thức và thích ứng với yêu cầu học tập trong môi trường đại học.
Chấp nhận trí tuệ nhân tạo mới chỉ là điểm khởi đầu; giá trị giáo dục của công nghệ chỉ được khẳng định khi nhà trường biến sự chấp nhận ấy thành năng lực học tập có chiều sâu.
Dữ liệu thực nghiệm: khi việc sử dụng nhiều chưa đủ tạo nên năng lực
Theo Xu, Chen và Jiang (2026), khảo sát được thực hiện với 522 sinh viên đại học toàn thời gian tại Trung Quốc đại lục. Mẫu khảo sát có sự phân bố tương đối cân bằng về giới tính và năm học: 51,7% người tham gia là nam, 48,3% là nữ; sinh viên từ năm thứ nhất đến năm thứ tư đều được đại diện. Về lĩnh vực đào tạo, 40,2% thuộc nhóm khoa học, công nghệ, kỹ thuật, nông nghiệp và y học; 40,4% thuộc nhóm khoa học xã hội và nhân văn; 19,3% thuộc các lĩnh vực liên ngành. Đáng chú ý, 72,4% sinh viên cho biết sử dụng trí tuệ nhân tạo vài lần mỗi tuần hoặc thường xuyên hơn. Các mục đích sử dụng phổ biến gồm viết bài, học ngoại ngữ, làm bài tập, thu thập và xử lý dữ liệu, thiết kế sáng tạo.
Dữ liệu được xử lý bằng mô hình phương trình cấu trúc bình phương tối thiểu từng phần. Trước khi kiểm định mô hình cấu trúc, các thang đo được đánh giá về độ tin cậy và giá trị. Kết quả cho thấy các hệ số tải nhân tố đều lớn hơn 0,7; hệ số Cronbach’s alpha của các thang đo nằm trong khoảng từ 0,827 đến 0,958; độ tin cậy tổng hợp đạt từ 0,885 đến 0,963; phương sai trích trung bình của các thang đo đều vượt ngưỡng 0,6. Những thông số này cho phép khẳng định hệ thống thang đo đạt yêu cầu về độ tin cậy và giá trị hội tụ trong phạm vi dữ liệu được phân tích.
Kết quả kiểm định ghi nhận rằng kỳ vọng về hiệu quả, ảnh hưởng xã hội và điều kiện hỗ trợ đều có tác động tích cực đến sự hài lòng trong học tập. Nói cách khác, sinh viên hài lòng hơn khi họ nhận thấy trí tuệ nhân tạo hữu ích, khi việc sử dụng công cụ được cộng đồng học tập thừa nhận và khi nhà trường cung cấp đủ điều kiện hỗ trợ. Sự hài lòng vì vậy không chỉ xuất phát từ chức năng kỹ thuật của công cụ, mà còn được hình thành bởi môi trường học thuật xung quanh quá trình sử dụng.
Đối với động lực học tập, kỳ vọng về mức độ dễ sử dụng, ảnh hưởng xã hội, điều kiện hỗ trợ và sự hài lòng đều có tác động tích cực. Công cụ dễ sử dụng có thể làm giảm trở ngại ban đầu, giúp sinh viên sẵn sàng tham gia hoạt động học tập hơn. Tuy nhiên, động lực không chỉ đến từ sự thuận lợi khi thao tác. Khi sinh viên cảm nhận được sự hỗ trợ của giảng viên, bạn học, hạ tầng kỹ thuật và có trải nghiệm học tập tích cực, động lực tiếp tục học tập với trí tuệ nhân tạo được củng cố rõ rệt hơn.
Đối với năng lực học tập, các yếu tố có tác động trực tiếp gồm kỳ vọng về hiệu quả, ảnh hưởng xã hội, điều kiện hỗ trợ và sự hài lòng. Trong đó, điều kiện hỗ trợ có hệ số tác động mạnh nhất. Phát hiện này có ý nghĩa quan trọng, bởi nó cho thấy năng lực học tập không hình thành tự phát chỉ nhờ sinh viên được tiếp cận công cụ thông minh. Năng lực ấy phụ thuộc đáng kể vào hạ tầng, tài nguyên, hướng dẫn, cơ chế hỗ trợ và cách nhà trường tổ chức môi trường học tập có ứng dụng trí tuệ nhân tạo.
Một kết quả đáng chú ý là kỳ vọng về mức độ dễ sử dụng không có tác động trực tiếp có ý nghĩa thống kê đến năng lực học tập. Tương tự, động lực học tập cũng không có tác động trực tiếp có ý nghĩa thống kê đến năng lực học tập. Theo Xu, Chen và Jiang (2026), sự thuận lợi của công cụ và động lực tăng lên có thể chủ yếu hỗ trợ giai đoạn khởi đầu của hoạt động học tập hoặc tạo ra sự tham gia ban đầu; để thúc đẩy tái cấu trúc nhận thức và phát triển năng lực học tập vững chắc, cần thêm các chiến lược siêu nhận thức, hướng dẫn sư phạm hiệu quả và nhiệm vụ học tập khuyến khích xử lý tri thức ở chiều sâu. Nhận định này tương thích với khung tham gia nhận thức của Chi và Wylie (2014), theo đó chất lượng học tập phụ thuộc vào cách người học tham gia vào hoạt động nhận thức, chứ không chỉ vào việc họ có tiếp xúc với công cụ hay không.
Điều kiện hỗ trợ và văn hóa học thuật: nền tảng quyết định giá trị giáo dục của trí tuệ nhân tạo
Dữ liệu được xử lý bằng mô hình phương trình cấu trúc bình phương tối thiểu từng phần. Trước khi kiểm định mô hình cấu trúc, các thang đo được đánh giá về độ tin cậy và giá trị. Kết quả cho thấy các hệ số tải nhân tố đều lớn hơn 0,7; hệ số Cronbach’s alpha của các thang đo nằm trong khoảng từ 0,827 đến 0,958; độ tin cậy tổng hợp đạt từ 0,885 đến 0,963; phương sai trích trung bình của các thang đo đều vượt ngưỡng 0,6. Những thông số này cho phép khẳng định hệ thống thang đo đạt yêu cầu về độ tin cậy và giá trị hội tụ trong phạm vi dữ liệu được phân tích.
Kết quả kiểm định ghi nhận rằng kỳ vọng về hiệu quả, ảnh hưởng xã hội và điều kiện hỗ trợ đều có tác động tích cực đến sự hài lòng trong học tập. Nói cách khác, sinh viên hài lòng hơn khi họ nhận thấy trí tuệ nhân tạo hữu ích, khi việc sử dụng công cụ được cộng đồng học tập thừa nhận và khi nhà trường cung cấp đủ điều kiện hỗ trợ. Sự hài lòng vì vậy không chỉ xuất phát từ chức năng kỹ thuật của công cụ, mà còn được hình thành bởi môi trường học thuật xung quanh quá trình sử dụng.
Đối với động lực học tập, kỳ vọng về mức độ dễ sử dụng, ảnh hưởng xã hội, điều kiện hỗ trợ và sự hài lòng đều có tác động tích cực. Công cụ dễ sử dụng có thể làm giảm trở ngại ban đầu, giúp sinh viên sẵn sàng tham gia hoạt động học tập hơn. Tuy nhiên, động lực không chỉ đến từ sự thuận lợi khi thao tác. Khi sinh viên cảm nhận được sự hỗ trợ của giảng viên, bạn học, hạ tầng kỹ thuật và có trải nghiệm học tập tích cực, động lực tiếp tục học tập với trí tuệ nhân tạo được củng cố rõ rệt hơn.
Đối với năng lực học tập, các yếu tố có tác động trực tiếp gồm kỳ vọng về hiệu quả, ảnh hưởng xã hội, điều kiện hỗ trợ và sự hài lòng. Trong đó, điều kiện hỗ trợ có hệ số tác động mạnh nhất. Phát hiện này có ý nghĩa quan trọng, bởi nó cho thấy năng lực học tập không hình thành tự phát chỉ nhờ sinh viên được tiếp cận công cụ thông minh. Năng lực ấy phụ thuộc đáng kể vào hạ tầng, tài nguyên, hướng dẫn, cơ chế hỗ trợ và cách nhà trường tổ chức môi trường học tập có ứng dụng trí tuệ nhân tạo.
Một kết quả đáng chú ý là kỳ vọng về mức độ dễ sử dụng không có tác động trực tiếp có ý nghĩa thống kê đến năng lực học tập. Tương tự, động lực học tập cũng không có tác động trực tiếp có ý nghĩa thống kê đến năng lực học tập. Theo Xu, Chen và Jiang (2026), sự thuận lợi của công cụ và động lực tăng lên có thể chủ yếu hỗ trợ giai đoạn khởi đầu của hoạt động học tập hoặc tạo ra sự tham gia ban đầu; để thúc đẩy tái cấu trúc nhận thức và phát triển năng lực học tập vững chắc, cần thêm các chiến lược siêu nhận thức, hướng dẫn sư phạm hiệu quả và nhiệm vụ học tập khuyến khích xử lý tri thức ở chiều sâu. Nhận định này tương thích với khung tham gia nhận thức của Chi và Wylie (2014), theo đó chất lượng học tập phụ thuộc vào cách người học tham gia vào hoạt động nhận thức, chứ không chỉ vào việc họ có tiếp xúc với công cụ hay không.
Điều kiện hỗ trợ và văn hóa học thuật: nền tảng quyết định giá trị giáo dục của trí tuệ nhân tạo
Nhìn từ kết quả thực nghiệm, điều kiện hỗ trợ giữ vai trò đặc biệt quan trọng trong việc chuyển hóa trí tuệ nhân tạo thành năng lực học tập. Điều này có nghĩa là nhà trường không thể chỉ khuyến khích sinh viên sử dụng công cụ, càng không thể xem việc có công cụ là bằng chứng đầy đủ cho đổi mới giáo dục. Một hệ thống hạ tầng ổn định, tài nguyên học tập phù hợp, khả năng truy cập công bằng, hướng dẫn sử dụng rõ ràng và sự đồng hành của giảng viên là những điều kiện cần thiết để sinh viên sử dụng trí tuệ nhân tạo theo hướng có giá trị học thuật.
Tuy nhiên, điều kiện hỗ trợ không chỉ là vấn đề thiết bị và kết nối. Trong giáo dục đại học, điều kiện hỗ trợ còn bao gồm quy định về liêm chính học thuật, chuẩn mực trích dẫn, cách khai báo việc sử dụng công cụ, hệ thống đánh giá phù hợp và năng lực sư phạm của giảng viên. Nếu thiếu những điều kiện ấy, sinh viên có thể sử dụng trí tuệ nhân tạo để hoàn thành sản phẩm nhanh hơn nhưng không thực sự hiểu sâu hơn, không phát triển được khả năng tự đánh giá, tự kiểm chứng và tự chịu trách nhiệm với lập luận học thuật.
Ảnh hưởng xã hội cũng cần được nhìn nhận như một nguồn lực giáo dục. Khi giảng viên, bạn học và cộng đồng học thuật xây dựng được văn hóa sử dụng trí tuệ nhân tạo có trách nhiệm, sinh viên sẽ có thêm cơ sở để tiếp cận công cụ theo hướng minh bạch và học thuật hơn. Ngược lại, nếu nhà trường né tránh thảo luận về trí tuệ nhân tạo, sinh viên có thể sử dụng trong trạng thái thiếu định hướng, thiếu chuẩn mực và thiếu khả năng tự kiểm soát. Khi đó, công nghệ dễ trở thành phương tiện hoàn thành nhiệm vụ tức thời hơn là môi trường hỗ trợ phát triển năng lực.
Ở điểm này, vai trò của giảng viên trở nên đặc biệt quan trọng. Giảng viên không chỉ truyền đạt tri thức, mà còn thiết kế nhiệm vụ học tập, tổ chức hoạt động đánh giá và hướng dẫn sinh viên sử dụng trí tuệ nhân tạo như một công cụ hỗ trợ tư duy. Thay vì yêu cầu sinh viên chỉ nộp sản phẩm cuối cùng, giảng viên có thể yêu cầu trình bày quá trình hình thành ý tưởng, cách lựa chọn nguồn, cách kiểm chứng phản hồi của công cụ, cách điều chỉnh lập luận và cách chịu trách nhiệm với nội dung học thuật. Khi quá trình học tập được làm rõ, trí tuệ nhân tạo khó thay thế hoàn toàn hoạt động tư duy của người học.
Tuy nhiên, điều kiện hỗ trợ không chỉ là vấn đề thiết bị và kết nối. Trong giáo dục đại học, điều kiện hỗ trợ còn bao gồm quy định về liêm chính học thuật, chuẩn mực trích dẫn, cách khai báo việc sử dụng công cụ, hệ thống đánh giá phù hợp và năng lực sư phạm của giảng viên. Nếu thiếu những điều kiện ấy, sinh viên có thể sử dụng trí tuệ nhân tạo để hoàn thành sản phẩm nhanh hơn nhưng không thực sự hiểu sâu hơn, không phát triển được khả năng tự đánh giá, tự kiểm chứng và tự chịu trách nhiệm với lập luận học thuật.
Ảnh hưởng xã hội cũng cần được nhìn nhận như một nguồn lực giáo dục. Khi giảng viên, bạn học và cộng đồng học thuật xây dựng được văn hóa sử dụng trí tuệ nhân tạo có trách nhiệm, sinh viên sẽ có thêm cơ sở để tiếp cận công cụ theo hướng minh bạch và học thuật hơn. Ngược lại, nếu nhà trường né tránh thảo luận về trí tuệ nhân tạo, sinh viên có thể sử dụng trong trạng thái thiếu định hướng, thiếu chuẩn mực và thiếu khả năng tự kiểm soát. Khi đó, công nghệ dễ trở thành phương tiện hoàn thành nhiệm vụ tức thời hơn là môi trường hỗ trợ phát triển năng lực.
Ở điểm này, vai trò của giảng viên trở nên đặc biệt quan trọng. Giảng viên không chỉ truyền đạt tri thức, mà còn thiết kế nhiệm vụ học tập, tổ chức hoạt động đánh giá và hướng dẫn sinh viên sử dụng trí tuệ nhân tạo như một công cụ hỗ trợ tư duy. Thay vì yêu cầu sinh viên chỉ nộp sản phẩm cuối cùng, giảng viên có thể yêu cầu trình bày quá trình hình thành ý tưởng, cách lựa chọn nguồn, cách kiểm chứng phản hồi của công cụ, cách điều chỉnh lập luận và cách chịu trách nhiệm với nội dung học thuật. Khi quá trình học tập được làm rõ, trí tuệ nhân tạo khó thay thế hoàn toàn hoạt động tư duy của người học.
.jpeg)
Một công cụ mạnh không tự tạo ra một nền giáo dục mạnh; chính năng lực sư phạm, môi trường hỗ trợ và văn hóa học thuật mới quyết định trí tuệ nhân tạo có trở thành động lực phát triển người học hay không.
Khuyến nghị cho giáo dục đại học Việt Nam: xây dựng chiến lược sư phạm trong kỷ nguyên trí tuệ nhân tạo
Đối với Việt Nam, những phát hiện trên có ý nghĩa tham khảo rõ rệt trong bối cảnh chuyển đổi số giáo dục đang được thúc đẩy mạnh mẽ ở cả phương diện chính sách và thực tiễn. Quyết định số 131/QĐ-TTg ngày 25/01/2022 của Thủ tướng Chính phủ phê duyệt Đề án “Tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022-2025, định hướng đến năm 2030”, tạo cơ sở cho việc phát triển hạ tầng, nền tảng số, học liệu số và quản trị giáo dục dựa trên công nghệ. Quyết định số 146/QĐ-TTg ngày 28/01/2022 phê duyệt Đề án “Nâng cao nhận thức, phổ cập kỹ năng và phát triển nguồn nhân lực chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030”, nhấn mạnh yêu cầu nâng cao nhận thức, phổ cập kỹ năng số và phát triển nguồn nhân lực chuyển đổi số. Bên cạnh đó, Quyết định số 1705/QĐ-TTg ngày 31/12/2024 phê duyệt Chiến lược phát triển giáo dục đến năm 2030, tầm nhìn đến năm 2045, cùng Nghị quyết số 71-NQ/TW ngày 22/8/2025 của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo, tiếp tục khẳng định yêu cầu đổi mới giáo dục trong giai đoạn mới.
Trên nền tảng chính sách đó, các trường đại học cần xây dựng quy định sử dụng trí tuệ nhân tạo trong học tập và nghiên cứu theo hướng minh bạch, khả thi và mang tính giáo dục. Quy định không nên chỉ tập trung vào xử lý vi phạm liêm chính học thuật, mà cần hướng dẫn sinh viên sử dụng công cụ để tìm ý tưởng, đọc hiểu tài liệu, tổ chức kế hoạch học tập, kiểm tra lập luận, hoàn thiện bản thảo và phát triển năng lực tự học. Các yêu cầu như khai báo công cụ đã sử dụng, mô tả mục đích sử dụng, phân định phần việc do sinh viên thực hiện và phần có sự hỗ trợ của công nghệ sẽ góp phần hình thành văn hóa học thuật minh bạch hơn.
Cùng với đó, năng lực sử dụng trí tuệ nhân tạo cần được đưa vào chương trình phát triển chuyên môn của giảng viên. Giảng viên không chỉ cần biết cách sử dụng công cụ, mà quan trọng hơn là biết thiết kế nhiệm vụ học tập trong môi trường có trí tuệ nhân tạo. Các nhiệm vụ đánh giá nên chuyển mạnh sang yêu cầu giải thích, phân tích, đối chiếu nguồn, bảo vệ lập luận, trình bày tiến trình tư duy và vận dụng tri thức vào tình huống cụ thể. Khi sinh viên phải chứng minh được quá trình hình thành sản phẩm, công nghệ sẽ trở thành phương tiện hỗ trợ học tập thay vì thay thế hoạt động học thuật.
Các trường cũng cần phát triển hệ sinh thái hỗ trợ sinh viên sử dụng trí tuệ nhân tạo có trách nhiệm. Hệ sinh thái này bao gồm hạ tầng kỹ thuật, kho học liệu số, tài khoản công cụ hợp pháp nếu có điều kiện, trung tâm hỗ trợ học tập, tài liệu hướng dẫn về đạo đức học thuật, quy trình trích dẫn và công bố việc sử dụng công cụ. Đây là hướng đi phù hợp với tinh thần của Quyết định số 131/QĐ-TTg và Quyết định số 146/QĐ-TTg, bởi chuyển đổi số giáo dục không thể chỉ được đo bằng mức độ số hóa tài liệu hay số lượng nền tảng được triển khai, mà cần được đánh giá qua khả năng nâng cao chất lượng dạy học và năng lực của người học.
Một khuyến nghị quan trọng khác là bảo đảm công bằng trong tiếp cận trí tuệ nhân tạo. Nếu điều kiện hỗ trợ là yếu tố có tác động mạnh đến năng lực học tập, sự khác biệt về thiết bị, đường truyền, học liệu, tài khoản công cụ và kỹ năng số có thể tạo ra khoảng cách mới giữa các nhóm sinh viên, giữa các ngành đào tạo và giữa các cơ sở giáo dục. Vì vậy, chính sách ứng dụng trí tuệ nhân tạo trong giáo dục đại học cần đi kèm với cơ chế hỗ trợ người học, đặc biệt là sinh viên ở những nhóm có điều kiện tiếp cận công nghệ hạn chế hơn.
Đồng thời, cần xây dựng khung đánh giá hiệu quả ứng dụng trí tuệ nhân tạo dựa trên năng lực học tập thay vì chỉ dựa trên tần suất sử dụng. Những con số như số lượt truy cập, số học phần có tích hợp công nghệ hoặc mức độ hài lòng tức thời của sinh viên là cần thiết nhưng chưa đầy đủ. Các cơ sở giáo dục đại học cần quan tâm hơn đến bằng chứng về năng lực phân tích, năng lực tự học, năng lực đánh giá thông tin, năng lực viết học thuật, năng lực giải quyết vấn đề và năng lực hợp tác giữa con người với công nghệ. Đây mới là những thước đo phản ánh chất lượng thực sự của giáo dục đại học trong kỷ nguyên trí tuệ nhân tạo.
Kết luận: công nghệ mạnh cần một nền giáo dục đủ năng lực dẫn dắt
Sự hiện diện của trí tuệ nhân tạo trong giáo dục đại học là một thực tế không thể xem nhẹ. Công nghệ có thể giúp sinh viên tiếp cận tri thức nhanh hơn, nhận phản hồi tức thời hơn và mở rộng khả năng xử lý nhiệm vụ học tập. Tuy nhiên, các bằng chứng thực nghiệm nhấn mạnh rằng tính thuận lợi của công cụ và động lực sử dụng chưa đủ để tạo nên năng lực học tập sâu. Năng lực ấy chỉ được hình thành khi người học được đặt trong một môi trường có hỗ trợ, có chuẩn mực học thuật, có hướng dẫn sư phạm và có những nhiệm vụ buộc họ phải tư duy độc lập, kiểm chứng thông tin, tổ chức lập luận và chịu trách nhiệm với sản phẩm học thuật.
Vì vậy, câu hỏi quan trọng đối với giáo dục đại học hiện nay không phải là có nên sử dụng trí tuệ nhân tạo hay không, mà là sử dụng như thế nào để công nghệ phục vụ sự phát triển trí tuệ của con người. Một công cụ mạnh không tự tạo ra một nền giáo dục mạnh. Giá trị của trí tuệ nhân tạo chỉ được khẳng định khi nhà trường có đủ năng lực biến công nghệ thành môi trường học tập giàu tính học thuật, giàu trách nhiệm và có khả năng nuôi dưỡng năng lực học tập thực chất. Đây cũng là thước đo quan trọng đối với tầm nhìn quản trị, năng lực sư phạm và chất lượng đổi mới của giáo dục đại học trong giai đoạn chuyển đổi số.
Trên nền tảng chính sách đó, các trường đại học cần xây dựng quy định sử dụng trí tuệ nhân tạo trong học tập và nghiên cứu theo hướng minh bạch, khả thi và mang tính giáo dục. Quy định không nên chỉ tập trung vào xử lý vi phạm liêm chính học thuật, mà cần hướng dẫn sinh viên sử dụng công cụ để tìm ý tưởng, đọc hiểu tài liệu, tổ chức kế hoạch học tập, kiểm tra lập luận, hoàn thiện bản thảo và phát triển năng lực tự học. Các yêu cầu như khai báo công cụ đã sử dụng, mô tả mục đích sử dụng, phân định phần việc do sinh viên thực hiện và phần có sự hỗ trợ của công nghệ sẽ góp phần hình thành văn hóa học thuật minh bạch hơn.
Cùng với đó, năng lực sử dụng trí tuệ nhân tạo cần được đưa vào chương trình phát triển chuyên môn của giảng viên. Giảng viên không chỉ cần biết cách sử dụng công cụ, mà quan trọng hơn là biết thiết kế nhiệm vụ học tập trong môi trường có trí tuệ nhân tạo. Các nhiệm vụ đánh giá nên chuyển mạnh sang yêu cầu giải thích, phân tích, đối chiếu nguồn, bảo vệ lập luận, trình bày tiến trình tư duy và vận dụng tri thức vào tình huống cụ thể. Khi sinh viên phải chứng minh được quá trình hình thành sản phẩm, công nghệ sẽ trở thành phương tiện hỗ trợ học tập thay vì thay thế hoạt động học thuật.
Các trường cũng cần phát triển hệ sinh thái hỗ trợ sinh viên sử dụng trí tuệ nhân tạo có trách nhiệm. Hệ sinh thái này bao gồm hạ tầng kỹ thuật, kho học liệu số, tài khoản công cụ hợp pháp nếu có điều kiện, trung tâm hỗ trợ học tập, tài liệu hướng dẫn về đạo đức học thuật, quy trình trích dẫn và công bố việc sử dụng công cụ. Đây là hướng đi phù hợp với tinh thần của Quyết định số 131/QĐ-TTg và Quyết định số 146/QĐ-TTg, bởi chuyển đổi số giáo dục không thể chỉ được đo bằng mức độ số hóa tài liệu hay số lượng nền tảng được triển khai, mà cần được đánh giá qua khả năng nâng cao chất lượng dạy học và năng lực của người học.
Một khuyến nghị quan trọng khác là bảo đảm công bằng trong tiếp cận trí tuệ nhân tạo. Nếu điều kiện hỗ trợ là yếu tố có tác động mạnh đến năng lực học tập, sự khác biệt về thiết bị, đường truyền, học liệu, tài khoản công cụ và kỹ năng số có thể tạo ra khoảng cách mới giữa các nhóm sinh viên, giữa các ngành đào tạo và giữa các cơ sở giáo dục. Vì vậy, chính sách ứng dụng trí tuệ nhân tạo trong giáo dục đại học cần đi kèm với cơ chế hỗ trợ người học, đặc biệt là sinh viên ở những nhóm có điều kiện tiếp cận công nghệ hạn chế hơn.
Đồng thời, cần xây dựng khung đánh giá hiệu quả ứng dụng trí tuệ nhân tạo dựa trên năng lực học tập thay vì chỉ dựa trên tần suất sử dụng. Những con số như số lượt truy cập, số học phần có tích hợp công nghệ hoặc mức độ hài lòng tức thời của sinh viên là cần thiết nhưng chưa đầy đủ. Các cơ sở giáo dục đại học cần quan tâm hơn đến bằng chứng về năng lực phân tích, năng lực tự học, năng lực đánh giá thông tin, năng lực viết học thuật, năng lực giải quyết vấn đề và năng lực hợp tác giữa con người với công nghệ. Đây mới là những thước đo phản ánh chất lượng thực sự của giáo dục đại học trong kỷ nguyên trí tuệ nhân tạo.
Kết luận: công nghệ mạnh cần một nền giáo dục đủ năng lực dẫn dắt
Sự hiện diện của trí tuệ nhân tạo trong giáo dục đại học là một thực tế không thể xem nhẹ. Công nghệ có thể giúp sinh viên tiếp cận tri thức nhanh hơn, nhận phản hồi tức thời hơn và mở rộng khả năng xử lý nhiệm vụ học tập. Tuy nhiên, các bằng chứng thực nghiệm nhấn mạnh rằng tính thuận lợi của công cụ và động lực sử dụng chưa đủ để tạo nên năng lực học tập sâu. Năng lực ấy chỉ được hình thành khi người học được đặt trong một môi trường có hỗ trợ, có chuẩn mực học thuật, có hướng dẫn sư phạm và có những nhiệm vụ buộc họ phải tư duy độc lập, kiểm chứng thông tin, tổ chức lập luận và chịu trách nhiệm với sản phẩm học thuật.
Vì vậy, câu hỏi quan trọng đối với giáo dục đại học hiện nay không phải là có nên sử dụng trí tuệ nhân tạo hay không, mà là sử dụng như thế nào để công nghệ phục vụ sự phát triển trí tuệ của con người. Một công cụ mạnh không tự tạo ra một nền giáo dục mạnh. Giá trị của trí tuệ nhân tạo chỉ được khẳng định khi nhà trường có đủ năng lực biến công nghệ thành môi trường học tập giàu tính học thuật, giàu trách nhiệm và có khả năng nuôi dưỡng năng lực học tập thực chất. Đây cũng là thước đo quan trọng đối với tầm nhìn quản trị, năng lực sư phạm và chất lượng đổi mới của giáo dục đại học trong giai đoạn chuyển đổi số.
Tài liệu tham khảo
Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243.
Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860.
Thủ tướng Chính phủ (2022). Quyết định số 131/QĐ-TTg ngày 25/01/2022 phê duyệt Đề án “Tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022-2025, định hướng đến năm 2030”.
Thủ tướng Chính phủ (2022). Quyết định số 146/QĐ-TTg ngày 28/01/2022 phê duyệt Đề án “Nâng cao nhận thức, phổ cập kỹ năng và phát triển nguồn nhân lực chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030”.
Thủ tướng Chính phủ (2024). Quyết định số 1705/QĐ-TTg ngày 31/12/2024 phê duyệt Chiến lược phát triển giáo dục đến năm 2030, tầm nhìn đến năm 2045.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Xu, Y., Chen, S., & Jiang, Z. (2026). The mechanisms of AI acceptance drivers on learning outcomes in higher education. Discover Education.
Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860.
Thủ tướng Chính phủ (2022). Quyết định số 131/QĐ-TTg ngày 25/01/2022 phê duyệt Đề án “Tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022-2025, định hướng đến năm 2030”.
Thủ tướng Chính phủ (2022). Quyết định số 146/QĐ-TTg ngày 28/01/2022 phê duyệt Đề án “Nâng cao nhận thức, phổ cập kỹ năng và phát triển nguồn nhân lực chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030”.
Thủ tướng Chính phủ (2024). Quyết định số 1705/QĐ-TTg ngày 31/12/2024 phê duyệt Chiến lược phát triển giáo dục đến năm 2030, tầm nhìn đến năm 2045.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Xu, Y., Chen, S., & Jiang, Z. (2026). The mechanisms of AI acceptance drivers on learning outcomes in higher education. Discover Education.
