Khi trí tuệ nhân tạo làm thay đổi câu hỏi truyền thống về tài năng
Trong hơn một thế kỉ, tài năng luôn là một chủ đề trung tâm của tâm lí học, giáo dục học và khoa học nhận thức. Các học giả đã nỗ lực lí giải tài năng là gì, tài năng hình thành bằng con đường nào và có thể đánh giá tài năng ra sao. Từ quan niệm năng khiếu ba vòng của Renzulli, lí thuyết đa trí tuệ của Gardner, mô hình phân biệt năng khiếu và tài năng của Gagné, đến mô hình phát triển tài năng của Subotnik và cộng sự, các tiếp cận học thuật đều cho thấy tài năng không chỉ là năng lực sẵn có, mà còn là kết quả của động cơ, thực hành, môi trường, cơ hội học tập và hệ thống hỗ trợ xã hội (Renzulli, 1978; Gardner, 1983; Gagné, 2004; Subotnik et al., 2011).
Tuy nhiên, phần lớn các mô hình kinh điển về phát triển tài năng được xây dựng trước thời điểm trí tuệ nhân tạo trở thành một thành tố quen thuộc trong môi trường giáo dục. Vì vậy, các yếu tố phát triển thường được hình dung chủ yếu trong quan hệ giữa người học với giáo viên, cố vấn, bạn học, gia đình, chương trình, tài liệu và tổ chức giáo dục. Sự xuất hiện của các hệ thống học tập thích ứng, công cụ tạo sinh, mô hình ngôn ngữ lớn và nền tảng phản hồi tự động đã làm thay đổi đáng kể bức tranh đó. Bên cạnh con người và môi trường vật chất - xã hội, quá trình học tập nay còn có sự tham gia của những hệ thống có khả năng xử lí thông tin, đưa ra gợi ý, phản hồi bài viết, mô phỏng đối thoại và hỗ trợ cá nhân hóa hoạt động học tập.
Theo Chick và Morello (2026), khoảng trống quan trọng hiện nay không chỉ là việc trí tuệ nhân tạo được sử dụng trong giáo dục đến đâu, mà là giáo dục chưa có đủ khung lí thuyết để lí giải cách con người và trí tuệ nhân tạo có thể phối hợp nhằm phát triển tài năng. Các tác giả cho rằng mô hình phát triển tài năng truyền thống chưa xem các tác nhân nhân tạo như một nguồn lực phát triển, trong khi trí tuệ nhân tạo đã và đang hiện diện nhanh chóng trong không gian giáo dục. Trên cơ sở đó, Lí thuyết Cộng sinh Người - Trí tuệ nhân tạo được đề xuất như một khung tiếp cận cho học tập có sự trung gian của trí tuệ nhân tạo, trong đó người học có thể tận dụng cả con người và trí tuệ nhân tạo như những “đối tác phát triển” xuyên suốt quá trình hình thành tài năng.
Điểm đáng chú ý của khung lí thuyết này là nó không xem trí tuệ nhân tạo như công cụ thay thế giáo viên hay làm thay người học. Trái lại, trọng tâm được đặt vào quan hệ cộng sinh: con người và trí tuệ nhân tạo cùng tham gia vào quá trình học tập, nhưng mỗi bên đảm nhiệm những chức năng khác nhau. Con người giữ vai trò trung tâm ở những năng lực như hiểu bối cảnh, cân nhắc giá trị, kiến tạo ý nghĩa, sáng tạo, lựa chọn mục tiêu và chịu trách nhiệm về sản phẩm trí tuệ. Trí tuệ nhân tạo phát huy ưu thế trong xử lí lượng thông tin lớn, nhận diện mẫu hình, cung cấp phản hồi có cấu trúc, hỗ trợ cá nhân hóa và mở rộng khả năng tiếp cận tri thức.
Từ sử dụng công cụ đến thiết kế quan hệ phát triển
Một trong những đóng góp quan trọng của khung cộng sinh người - máy là chuyển trọng tâm thảo luận từ câu hỏi “có nên dùng trí tuệ nhân tạo hay không” sang câu hỏi “dùng trí tuệ nhân tạo như thế nào để phát triển năng lực con người”. Sự khác biệt này có ý nghĩa quyết định đối với giáo dục. Nếu trí tuệ nhân tạo chỉ được sử dụng để hoàn thành nhiệm vụ nhanh hơn, tạo văn bản đẹp hơn hoặc đạt kết quả ngắn hạn tốt hơn, người học có thể có sản phẩm học tập hoàn chỉnh nhưng chưa chắc đã phát triển được năng lực tương ứng. Ngược lại, nếu công nghệ được đặt trong một thiết kế sư phạm chặt chẽ, nó có thể trở thành nguồn hỗ trợ giúp người học tư duy sâu hơn, nhận phản hồi tốt hơn, thử nghiệm ý tưởng an toàn hơn và dần hình thành năng lực tự học.
Khung cộng sinh này kế thừa nhiều dòng tư tưởng quan trọng. Vygotsky (1978) nhấn mạnh vai trò của vùng phát triển gần và sự hỗ trợ có tính dẫn dắt trong học tập. Hutchins (1995) phát triển quan niệm nhận thức phân bố, coi tư duy không chỉ diễn ra bên trong cá nhân mà còn được mở rộng qua công cụ, môi trường và tương tác xã hội. Zimmerman (2000) làm rõ vai trò của học tập tự điều chỉnh, trong đó người học biết đặt mục tiêu, theo dõi tiến bộ và điều chỉnh chiến lược. Deci và Ryan (1985) cho thấy động cơ nội tại, tự chủ và cảm giác năng lực là những điều kiện quan trọng cho sự phát triển bền vững. Trong bối cảnh hợp tác người - trí tuệ nhân tạo, Dellermann và cộng sự (2019) cùng Rahwan và cộng sự (2019) gợi mở logic bổ sung năng lực giữa con người và hệ thống công nghệ.
Từ các nền tảng đó, Chick và Morello (2026) tổ chức lại vấn đề theo logic phát triển tài năng trong môi trường có trí tuệ nhân tạo. Khung lí thuyết mà các tác giả đề xuất không nhằm tạo ra một thuật ngữ mới cho một hiện tượng quen thuộc, mà cố gắng trả lời một câu hỏi thiết thực: làm thế nào để trí tuệ nhân tạo không làm suy yếu năng lực con người, mà trở thành điều kiện hỗ trợ người học phát triển năng lực nhận thức, sáng tạo, cảm xúc - xã hội và bản sắc học thuật.
Ba cơ chế của cộng sinh người - trí tuệ nhân tạo trong phát triển tài năng
Cơ chế thứ nhất là kích hoạt trí tuệ bổ sung. Theo Chick và Morello (2026), cơ chế này diễn ra khi người học và trí tuệ nhân tạo xác định, sau đó sử dụng thế mạnh tương đối của mỗi bên để đạt mục tiêu học tập. Trong một nhiệm vụ học thuật, trí tuệ nhân tạo có thể hỗ trợ các công việc đòi hỏi xử lí dữ liệu hoặc thông tin ở quy mô lớn, chẳng hạn rà soát tài liệu, tổng hợp dữ liệu ban đầu, phát hiện cấu trúc văn bản hoặc gợi ý phản hồi. Người học cần giữ vai trò quyết định ở các hoạt động có giá trị phát triển cao hơn như phân tích, đánh giá, sáng tạo, kết nối ý tưởng, hình thành luận điểm và tạo lập ý nghĩa. Cách phân công này giúp giảm tải những thao tác phụ trợ, nhưng không tước đi phần lao động trí tuệ cốt lõi của người học.
Cơ chế thứ hai là đồng điều chỉnh thích ứng động. Đây là quá trình người học và hệ thống trí tuệ nhân tạo cùng điều chỉnh mức độ tham gia trong suốt tiến trình học tập. Ở phía người học, quá trình này thể hiện qua việc đặt mục tiêu, theo dõi tiến độ, xem xét hiệu quả chiến lược và sử dụng phản hồi để cải thiện cách học. Ở phía công nghệ, quá trình ấy thể hiện qua khả năng điều chỉnh gợi ý dựa trên biểu hiện học tập, lỗi thường gặp, tốc độ phản hồi, yêu cầu hỗ trợ hoặc mức độ tự tin do người học cung cấp. Theo Chick và Morello (2026), cơ chế này có ý nghĩa đặc biệt trong phát triển tài năng vì sự tiến bộ ở trình độ cao hiếm khi diễn ra tuyến tính; nó đòi hỏi thực hành có chủ đích, phản hồi liên tục và khả năng điều chỉnh qua thời gian.
Cơ chế thứ ba là giàn giáo bảo toàn quyền tự chủ. Đây là nguyên tắc đạo đức và sư phạm nhằm bảo đảm rằng sự hỗ trợ của trí tuệ nhân tạo có tính tạm thời, được rút dần khi người học trưởng thành hơn. Công nghệ không nên tiếp quản hoàn toàn nhiệm vụ đến mức người học không còn tham gia vào quá trình tư duy. Thay vào đó, hệ thống cần gợi mở, đặt câu hỏi, khuyến nghị hướng cải thiện và tạo điều kiện để người học từng bước tự đảm nhiệm phần việc đã được hỗ trợ. Theo Fan và cộng sự (2024), việc sử dụng công cụ tạo sinh thiếu cấu trúc có thể làm suy giảm sự tham gia tự điều chỉnh và khả năng chuyển giao tri thức, dù kết quả nhiệm vụ ngắn hạn có thể được cải thiện. Vì vậy, bảo toàn quyền tự chủ không phải là yêu cầu mang tính hình thức, mà là điều kiện để học tập có chiều sâu.
Ba cơ chế này không vận hành như ba bước tuần tự. Trong thực tế, chúng cùng hiện diện trong một thiết kế học tập. Một học viên cao học có thể dùng trí tuệ nhân tạo để quét nhanh tài liệu, nhưng vẫn phải tự xác lập câu hỏi, tự đọc các nguồn trọng yếu, tự xây dựng luận điểm và tự chịu trách nhiệm về kết luận. Người học có thể nhận phản hồi về cấu trúc lập luận, nhưng không thể để công cụ tạo ra phần đóng góp học thuật trung tâm. Khi đó, trí tuệ nhân tạo mở rộng điều kiện học tập, còn con người vẫn là chủ thể kiến tạo tri thức.
Nhận diện tài năng: mở rộng cơ hội nhìn thấy những năng lực từng bị bỏ sót
Trong giáo dục truyền thống, tài năng thường được nhận diện thông qua trắc nghiệm trí tuệ, bài kiểm tra chuẩn hóa, kết quả học tập hoặc các công cụ đánh giá năng khiếu. Những phương thức này có giá trị nhất định, nhưng cũng có giới hạn rõ rệt. Chúng có thể chưa phản ánh đầy đủ năng lực sáng tạo, khả năng giải quyết vấn đề trong bối cảnh thực, kinh nghiệm sống, năng lực lãnh đạo, khả năng học tập bền bỉ hoặc sự tiến bộ qua thời gian. Ford (2012) và Naglieri, Ford (2005) từng chỉ ra rằng các công cụ đánh giá truyền thống có thể gặp khó khăn trong việc ghi nhận khác biệt văn hóa và ngôn ngữ.
Trí tuệ nhân tạo có thể mở rộng phạm vi nhận diện tài năng bằng cách phân tích dữ liệu quá trình, hành vi học tập, mẫu hình ngôn ngữ, cách người học giải quyết vấn đề và sự thay đổi năng lực theo thời gian. Với những nhóm người học không dễ được nhận diện bằng thước đo quen thuộc, công nghệ có thể cung cấp thêm dữ liệu giúp nhà giáo dục thấy rõ hơn tiềm năng của họ. Người học đa ngôn ngữ có thể sở hữu năng lực tư duy phong phú nhưng bị giới hạn bởi bài kiểm tra đặt nặng một ngôn ngữ chiếm ưu thế. Người học trưởng thành có thể có vốn kinh nghiệm nghề nghiệp sâu sắc, nhưng không thể hiện đầy đủ trong các bài kiểm tra học thuật chuẩn hóa. Sinh viên thế hệ đầu tiên trong gia đình vào đại học có thể thiếu kinh nghiệm với quy ước học thuật, nhưng có tiềm năng phát triển lớn nếu được hỗ trợ phù hợp.
Tuy nhiên, khả năng mở rộng nhận diện tài năng chỉ trở thành giá trị giáo dục khi đi kèm kiểm soát đạo đức và phán đoán sư phạm. Baker và Hawn (2022) cảnh báo rằng các hệ thống thuật toán trong giáo dục thường dựa vào dữ liệu từ nhóm đa số, từ đó có thể gây bất lợi cho những người học không thuộc nhóm này. Vì vậy, trí tuệ nhân tạo không nên trở thành cơ quan quyết định duy nhất trong nhận diện tài năng. Công nghệ có thể phát hiện tín hiệu ở quy mô lớn, nhưng giáo viên, chuyên gia tư vấn và nhà quản lí giáo dục cần đặt dữ liệu đó vào hoàn cảnh cụ thể của người học.
Nuôi dưỡng tài năng: cá nhân hóa học tập phải hướng đến năng lực dài hạn
Nuôi dưỡng tài năng đòi hỏi những trải nghiệm học tập liên tục, có chất lượng, được điều chỉnh theo lộ trình phát triển của từng người học. Đây là lĩnh vực trí tuệ nhân tạo có nhiều tiềm năng. Các hệ thống học tập thích ứng có thể cung cấp phản hồi kịp thời, điều chỉnh mức độ khó của nhiệm vụ, gợi ý tài liệu phù hợp và hỗ trợ thực hành có chủ đích. Công cụ tạo sinh có thể trở thành đối tác đối thoại, người hỗ trợ phát triển ý tưởng, công cụ thử nghiệm lập luận hoặc nguồn phản hồi về cấu trúc văn bản.
Dù vậy, cá nhân hóa học tập không nên bị hiểu là làm cho nhiệm vụ trở nên dễ hơn hoặc giúp người học hoàn thành sản phẩm nhanh hơn. Theo Ericsson, Krampe và Tesch-Römer (1993), sự thành thạo ở trình độ cao gắn với thực hành có chủ đích, nghĩa là người học cần đối diện với thách thức phù hợp, nhận phản hồi chất lượng và nỗ lực cải thiện năng lực qua thời gian. Nếu trí tuệ nhân tạo cung cấp quá nhiều hỗ trợ, người học có thể mất cơ hội trải nghiệm những khó khăn cần thiết để xây dựng hiểu biết sâu. Nếu công cụ luôn tạo ra câu trả lời hoàn chỉnh, người học có thể giảm dần năng lực đặt câu hỏi, bảo vệ lập luận và tự đánh giá sản phẩm của mình.
Vì vậy, nuôi dưỡng tài năng bằng trí tuệ nhân tạo cần được thiết kế theo tinh thần hỗ trợ có điều kiện. Hệ thống có thể giúp người học tiếp cận nguồn lực, nhận phản hồi và thử nghiệm phương án, nhưng mức hỗ trợ cần giảm dần khi người học tiến bộ. Một bài viết, một dự án sáng tạo hay một nhiệm vụ khoa học chỉ thực sự có ý nghĩa phát triển khi người học tham gia vào quá trình hình thành ý tưởng, lựa chọn phương pháp, xử lí khó khăn và chịu trách nhiệm về kết quả. Công nghệ có thể làm cho hành trình đó hiệu quả hơn, nhưng không nên lấy đi những trải nghiệm cốt lõi làm nên sự trưởng thành trí tuệ.
Đánh giá tài năng: dữ liệu thông minh cần đi cùng trách nhiệm sư phạm
Đánh giá là lĩnh vực nhạy cảm nhất trong ứng dụng trí tuệ nhân tạo vào giáo dục. Các công nghệ chấm điểm tự động, phân tích bài viết, dự báo kết quả học tập và phân tích hành vi có thể giúp tiết kiệm thời gian, cung cấp phản hồi nhanh và phát hiện xu hướng phát triển của người học. Tuy nhiên, đánh giá tài năng không chỉ là xử lí dữ liệu. Đó còn là vấn đề về giá trị đo lường, tính công bằng, sự minh bạch và trách nhiệm đối với những quyết định có thể ảnh hưởng đến cơ hội học tập của người học.
Theo Cope và cộng sự (2011), đánh giá viết có sự hỗ trợ của công nghệ cần được xem xét trên cả nguyên tắc và quy trình. Madnani và Cahill (2018) cũng cho thấy chấm điểm tự động không thể tách rời các vấn đề về ngôn ngữ, tiêu chí và bối cảnh sử dụng. Từ góc nhìn cộng sinh người - máy, trí tuệ nhân tạo nên đóng vai trò hỗ trợ phân tích xu hướng, cung cấp dữ liệu hình thành và phát hiện những điểm cần chú ý trong quá trình học tập. Giáo viên và chuyên gia đánh giá vẫn phải giữ trách nhiệm cuối cùng, đặc biệt trong các quyết định có hệ quả quan trọng.
Đối với người học có nền tảng văn hóa, ngôn ngữ và kinh nghiệm sống đa dạng, nguyên tắc này càng cần được nhấn mạnh. Một hệ thống tự động có thể đánh giá chưa đầy đủ một bài viết mang dấu ấn ngôn ngữ khác biệt, một lập luận dựa trên kinh nghiệm nghề nghiệp hoặc một cách biểu đạt không trùng với mẫu dữ liệu phổ biến. Đánh giá công bằng vì thế không chỉ là đánh giá nhanh hơn hay nhất quán hơn, mà là đánh giá có khả năng nhìn thấy những dạng năng lực phong phú hơn.
Phát triển cảm xúc - xã hội: nền tảng âm thầm của tài năng bền vững
Tài năng không chỉ là năng lực nhận thức hay thành tích học thuật. Các phẩm chất cảm xúc - xã hội như tự điều chỉnh, kiên trì, khả năng hợp tác, sự bền bỉ trí tuệ và năng lực học từ phản hồi có vai trò quan trọng đối với thành tựu lâu dài. Subotnik, Olszewski-Kubilius và Worrell (2011) nhấn mạnh rằng phát triển tài năng cần được hiểu như một quá trình phức hợp, trong đó yếu tố cá nhân, môi trường và cơ hội phát triển tương tác với nhau. Zeidner, Roberts và Matthews (2009) cũng cho thấy trí tuệ cảm xúc có liên quan đến nhiều phương diện của thành công học tập và nghề nghiệp.
Trong môi trường giáo dục, trí tuệ nhân tạo có thể hỗ trợ phát triển cảm xúc - xã hội bằng cách tạo không gian thử nghiệm ít rủi ro. Người học có thể luyện trình bày ý tưởng, kiểm tra lập luận ban đầu, nhận góp ý trước khi công bố sản phẩm hoặc thử nhiều phương án diễn đạt. Những hỗ trợ này có thể giúp người học tự tin hơn, nhất là với những người chưa quen với môi trường học thuật chính quy.
Tuy nhiên, rủi ro cũng rất rõ. Nếu người học quen với phản hồi tức thời và gợi ý hoàn chỉnh, khả năng chịu đựng khó khăn trí tuệ có thể suy giảm. Nếu văn bản do trí tuệ nhân tạo tạo ra quá trơn tru, tiếng nói cá nhân của người học có thể bị làm mờ. Nếu công cụ được dùng như lối tắt để tránh nỗ lực, sản phẩm học tập có thể hoàn thiện về hình thức nhưng nghèo về giá trị phát triển. Do đó, giáo dục cần quan tâm không chỉ đến việc người học tạo ra sản phẩm gì với trí tuệ nhân tạo, mà còn đến việc họ trưởng thành như thế nào trong quá trình sử dụng công nghệ.
Đạo đức và quyền của người học trong giáo dục có trí tuệ nhân tạo
Một khung phát triển tài năng có trí tuệ nhân tạo không thể tách rời vấn đề đạo đức. Trước hết là thiên lệch thuật toán. Hệ thống trí tuệ nhân tạo được huấn luyện trên dữ liệu quá khứ, trong khi dữ liệu quá khứ thường phản ánh những bất bình đẳng đã tồn tại trong xã hội và giáo dục. Nếu không được kiểm tra thường xuyên, công nghệ có thể tiếp tục ưu ái những kiểu người học vốn đã được công nhận, đồng thời làm mờ đi các dạng năng lực khác biệt về văn hóa, ngôn ngữ, tầng lớp xã hội hoặc kinh nghiệm sống.
Vấn đề thứ hai là tiếng nói của người học. Trong phát triển tài năng, tiếng nói cá nhân không phải yếu tố phụ của sản phẩm học tập, mà là nơi năng lực được bộc lộ. Một bài viết học thuật, một ý tưởng sáng tạo hay một lập luận khoa học chỉ thực sự có giá trị khi người học tham gia vào quá trình hình thành nó. Nếu trí tuệ nhân tạo tạo ra phần lớn ngôn ngữ và cấu trúc tư duy, sản phẩm có thể trở nên mạch lạc hơn nhưng tài năng của người học lại khó được nhận diện hơn.
Vấn đề thứ ba là minh bạch dữ liệu. Người học cần được biết công cụ đang thu thập dữ liệu gì, dữ liệu được sử dụng ra sao, ai có quyền tiếp cận và kết quả phân tích có thể ảnh hưởng thế nào đến phản hồi, đánh giá hoặc cơ hội học tập của họ. Floridi và cộng sự (2018) nhấn mạnh rằng một xã hội trí tuệ nhân tạo tốt đẹp cần dựa trên các nguyên tắc đạo đức rõ ràng, trong đó có tính minh bạch, công bằng và trách nhiệm. Trong giáo dục, các nguyên tắc này cần được cụ thể hóa thành quy chế sử dụng công nghệ, quy định về dữ liệu học tập và cơ chế giải trình khi hệ thống tự động tham gia vào quá trình đánh giá.
Khuyến nghị cho giáo dục Việt Nam: Phát triển năng lực cộng sinh người - trí tuệ nhân tạo trong nhà trường
Trong dòng chảy đổi mới giáo dục hiện nay, ứng dụng trí tuệ nhân tạo vào phát triển tài năng không còn là vấn đề kĩ thuật đơn thuần, mà đã trở thành một yêu cầu gắn với tầm nhìn chiến lược về chất lượng nguồn nhân lực, năng lực đổi mới sáng tạo và công bằng trong tiếp cận cơ hội học tập. Định hướng này có cơ sở từ nhiều văn bản chính sách quan trọng, tiêu biểu như Quyết định số 1705/QĐ-TTg ngày 31 tháng 12 năm 2024 phê duyệt Chiến lược phát triển giáo dục đến năm 2030, tầm nhìn đến năm 2045; Quyết định số 131/QĐ-TTg ngày 25 tháng 01 năm 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; Nghị quyết số 57-NQ/TW ngày 22 tháng 12 năm 2024 của Bộ Chính trị về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia; cùng Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo. Những căn cứ này cho thấy việc đưa trí tuệ nhân tạo vào giáo dục cần được nhìn nhận như một phần của chiến lược nâng cao chất lượng dạy học, hiện đại hóa quản trị giáo dục và phát triển năng lực người học trong dài hạn, thay vì chỉ là sự bổ sung công cụ công nghệ vào nhà trường.
Trên nền tảng đó, giáo dục Việt Nam cần chuyển từ tư duy “ứng dụng công cụ” sang phát triển năng lực thiết kế sư phạm với trí tuệ nhân tạo. Giáo viên không chỉ cần biết sử dụng công cụ, mà còn phải biết lựa chọn nhiệm vụ nào có thể giao cho công nghệ hỗ trợ, nhiệm vụ nào bắt buộc người học phải tự thực hiện, mức hỗ trợ nào là phù hợp và khi nào cần giảm dần sự trợ giúp. Đây là năng lực mới của nhà giáo trong môi trường số: năng lực tổ chức quan hệ học tập giữa con người, tri thức và công nghệ theo hướng phát triển năng lực dài hạn.
Trước hết, cần xây dựng hướng dẫn sử dụng trí tuệ nhân tạo theo từng cấp học, môn học và loại nhiệm vụ. Ở giáo dục phổ thông, trọng tâm không nên đặt vào việc dùng công cụ để tạo sản phẩm hoàn chỉnh, mà cần hướng học sinh đến đặt câu hỏi, kiểm tra thông tin, so sánh phương án, giải thích lựa chọn và chịu trách nhiệm về sản phẩm cuối cùng. Ở giáo dục đại học, cần phân biệt rõ việc sử dụng trí tuệ nhân tạo để gợi ý ý tưởng, hỗ trợ cấu trúc, rà soát ngôn ngữ, xử lí dữ liệu ban đầu với việc để công cụ thay thế phần đóng góp học thuật cốt lõi của người học.
Thứ hai, cần đổi mới đánh giá theo hướng chú trọng quá trình hình thành sản phẩm. Khi trí tuệ nhân tạo có thể hỗ trợ tạo ra bài viết, bản trình bày, mã lệnh hoặc sản phẩm học tập trong thời gian ngắn, việc chỉ đánh giá kết quả cuối cùng sẽ không đủ để nhận diện năng lực thật. Các cơ sở giáo dục nên tăng cường bản thuyết minh quá trình, nhật kí học tập, phiên bản nháp, phần tự đánh giá, vấn đáp học thuật và các nhiệm vụ yêu cầu người học giải thích cơ sở lựa chọn. Cách đánh giá này vừa hạn chế sự lệ thuộc vào công cụ, vừa giúp giáo viên thấy rõ hơn tiến trình phát triển năng lực.
Thứ ba, cần đưa năng lực sử dụng trí tuệ nhân tạo có trách nhiệm vào chương trình bồi dưỡng giáo viên, giảng viên và cán bộ quản lí giáo dục. Nội dung bồi dưỡng không nên dừng ở thao tác kĩ thuật, mà cần bao gồm hiểu biết về thiên lệch thuật toán, quyền dữ liệu, liêm chính học thuật, thiết kế nhiệm vụ học tập, bảo vệ tiếng nói người học và đánh giá công bằng. Năng lực này cũng cần được gắn với yêu cầu phát triển phẩm chất, năng lực người học trong Chương trình giáo dục phổ thông 2018 và các định hướng đổi mới giáo dục đại học.
Thứ tư, cần quan tâm đến những nhóm người học dễ bị bỏ sót trong các công cụ đánh giá truyền thống. Học sinh vùng khó khăn, học sinh dân tộc thiểu số, người học đa ngôn ngữ, sinh viên thế hệ đầu tiên trong gia đình vào đại học, người học trưởng thành và người học khuyết tật có thể có những dạng năng lực không biểu hiện đầy đủ qua bài kiểm tra chuẩn hóa. Trí tuệ nhân tạo có thể hỗ trợ nhận diện tiến bộ, phong cách học tập, khả năng giải quyết vấn đề và kinh nghiệm sống của các nhóm người học này, nhưng mọi phân tích tự động phải được kiểm tra bằng hiểu biết sư phạm và hiểu biết bối cảnh.
Thứ năm, các cơ sở giáo dục cần ban hành quy định minh bạch về dữ liệu học tập và sử dụng công cụ trí tuệ nhân tạo. Người học cần được thông tin rõ về việc dữ liệu nào được thu thập, mục đích sử dụng, thời gian lưu trữ, chủ thể được quyền tiếp cận và cách dữ liệu có thể ảnh hưởng đến phản hồi hoặc đánh giá. Đối với các hoạt động có hệ quả quan trọng như xét học bổng, phân loại năng lực, tuyển chọn tài năng hoặc đánh giá kết quả học tập, trí tuệ nhân tạo chỉ nên đóng vai trò hỗ trợ, không phải chủ thể quyết định cuối cùng.
Thứ sáu, cần khuyến khích các chương trình thí điểm có kiểm soát về trí tuệ nhân tạo trong phát triển tài năng. Các trường đại học, viện khoa học giáo dục và cơ sở giáo dục phổ thông có thể triển khai những mô hình thử nghiệm về phản hồi tự động trong viết học thuật, hỗ trợ học tập tự điều chỉnh, phát hiện năng lực sáng tạo, cá nhân hóa nhiệm vụ học tập hoặc đánh giá quá trình. Những thử nghiệm này cần có thiết kế đánh giá độc lập, quan tâm đến hiệu quả học tập, động cơ, quyền tự chủ, liêm chính học thuật và tác động đối với các nhóm người học khác nhau. Chỉ khi có dữ liệu thực chứng từ bối cảnh Việt Nam, việc ứng dụng trí tuệ nhân tạo trong giáo dục mới tránh được cả hai khuynh hướng cực đoan: kì vọng quá mức vào công nghệ hoặc dè dặt đến mức bỏ lỡ cơ hội đổi mới.
Công nghệ chỉ có ý nghĩa khi làm sâu sắc hơn năng lực con người
Sự hiện diện của trí tuệ nhân tạo không làm mất đi câu hỏi cốt lõi của giáo dục, mà khiến câu hỏi ấy trở nên sâu sắc hơn: nhà trường sẽ giúp con người phát triển tài năng như thế nào trong một thế giới mà tri thức, công cụ và môi trường học tập đang thay đổi nhanh chóng? Câu trả lời không nằm ở việc trao nhiều quyền hơn cho thuật toán, cũng không nằm ở thái độ nghi ngại đối với công nghệ. Điều quan trọng là thiết kế được những môi trường học tập trong đó trí tuệ nhân tạo mở rộng cơ hội tiếp cận tri thức, còn con người vẫn giữ vai trò chủ thể của tư duy, sáng tạo và trách nhiệm học thuật.
Phát triển tài năng trong thời đại trí tuệ nhân tạo, xét đến cùng, vẫn là một dự án nhân văn. Công nghệ có thể giúp giáo dục nhìn thấy nhiều dạng năng lực hơn, cung cấp phản hồi tốt hơn và cá nhân hóa hành trình học tập rộng hơn. Nhưng chỉ khi được dẫn dắt bởi mục tiêu phát triển con người, bảo vệ quyền tự chủ và bảo đảm công bằng, trí tuệ nhân tạo mới trở thành lực nâng của giáo dục. Một nền giáo dục hiện đại không phải là nền giáo dục để công nghệ suy nghĩ thay con người, mà là nền giáo dục biết dùng công nghệ để con người suy nghĩ sâu sắc hơn, học tập độc lập hơn và đóng góp có trách nhiệm hơn cho cộng đồng tri thức.
Tài liệu tham khảo
Baker, R. S., & Hawn, A. (2022). Algorithmic bias in education. International Journal of Artificial Intelligence in Education, 32, 1052-1092.
Chick, J. C., & Morello, L. T. (2026). Developing talent with artificial intelligence: Human–AI Symbiotic Theory as a framework for AI-mediated learning and talent development. Journal of Intelligence, 14(5), 86.
Cope, B., Kalantzis, M., McCarthey, S., Vojak, C., & Kline, S. (2011). Technology-mediated writing assessments: Principles and processes. Computers and Composition, 28, 79-96.
Deci, E. L., & Ryan, R. M. (1985). Intrinsic motivation and self-determination in human behavior. Plenum.
Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61, 637-643.
Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100, 363-406.
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Li, X., & Gašević, D. (2024). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56, 489-530.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). Artificial intelligence for people—An ethical framework for a good artificial intelligence society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28, 689-707.
Gagné, F. (2004). Transforming gifts into talents: The differentiated model of giftedness and talent as a developmental theory. High Ability Studies, 15, 119-147.
Gardner, H. (1983). Frames of mind: The theory of multiple intelligences. Basic Books.
Hutchins, E. (1995). Cognition in the wild. MIT Press.
Madnani, N., & Cahill, A. (2018). Automated scoring: Beyond natural language processing. In Proceedings of the 27th International Conference on Computational Linguistics (pp. 1099-1109).
Naglieri, J. A., & Ford, D. Y. (2005). Increasing minority children’s participation in gifted classes using the Naglieri Nonverbal Ability Test: A response to Lohman. Gifted Child Quarterly, 49, 29-36.
Rahwan, I., Cebrian, M., Obradovich, N., Bongard, J., Bonnefon, J.-F., Breazeal, C., & Wellman, M. (2019). Machine behaviour. Nature, 568, 477-486.
Renzulli, J. S. (1978). What makes giftedness? Reexamining a definition. Phi Delta Kappan, 60, 180-184.
Subotnik, R. F., Olszewski-Kubilius, P., & Worrell, F. C. (2011). Rethinking giftedness and gifted education: A proposed direction forward based on psychological science. Psychological Science in the Public Interest, 12, 3-54.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Zeidner, M., Roberts, R. D., & Matthews, G. (2009). What we know about emotional intelligence. MIT Press.
Zimmerman, B. J. (2000). Self-efficacy: An essential motive to learn. Contemporary Educational Psychology, 25, 82-91.
