Từ bài toán quản trị nguồn lực đến nhu cầu cá nhân hóa học tập
Giáo dục đại học hiện nay không chỉ đối mặt với yêu cầu mở rộng quy mô, nâng cao chất lượng và tăng cường trách nhiệm giải trình, mà còn phải xử lí ngày càng nhiều dữ liệu về người học, đội ngũ, chương trình đào tạo, học liệu, cơ sở vật chất và hiệu quả vận hành. Khi dữ liệu trở thành một phần quan trọng của quản trị nhà trường, vấn đề đặt ra không chỉ là thu thập được bao nhiêu thông tin, mà là nhà trường có thể sử dụng thông tin ấy như thế nào để đưa ra quyết định kịp thời, hợp lí và có căn cứ.
Trong dòng chuyển động đó, các thuật toán tối ưu hóa trí tuệ nhân tạo được quan tâm vì có khả năng hỗ trợ giải quyết những bài toán nhiều biến số, nhiều ràng buộc và khó xử lí hiệu quả bằng kinh nghiệm thủ công. Các thuật toán này được thiết kế nhằm tìm kiếm phương án tối ưu hoặc gần tối ưu trong những không gian vấn đề phức tạp, từ đó có thể ứng dụng vào phân bổ nguồn lực, xếp thời khóa biểu, bố trí giảng viên, quản lí khối lượng công việc, dự báo kết quả học tập và thiết kế lộ trình học tập phù hợp với từng sinh viên (Xu, 2025).
Cơ sở học thuật của hướng tiếp cận này không hình thành trong một sớm một chiều. Các thuật toán tiến hóa được phát triển từ những công trình nền tảng về lập trình tiến hóa và thuật toán di truyền của Fogel và cộng sự (1966), Holland (1992), Koza (1992), sau đó được hệ thống hóa trong nhiều tài liệu về tính toán tiến hóa. Trong khi đó, trí tuệ bầy đàn gắn với các công trình về tối ưu đàn kiến của Dorigo và cộng sự (1996), tối ưu bầy đàn của Kennedy và Eberhart (1995), cũng như tổng quan của Bonabeau, Dorigo và Theraulaz (1999). Các thuật toán dựa trên quá trình vật lí, như ủ mô phỏng của Kirkpatrick, Gelatt và Vecchi (1983), tiếp tục mở rộng khả năng tìm kiếm lời giải trong những bài toán phức tạp. Những nền tảng này giúp giải thích vì sao thuật toán tối ưu hóa có thể được vận dụng trong các hệ thống giáo dục có nhiều lựa chọn, nhiều mục tiêu và nhiều điều kiện ràng buộc.
Điểm đáng chú ý là các thuật toán tối ưu hóa không chỉ phục vụ những ngành kĩ thuật hay kinh tế, mà ngày càng được kết nối với giáo dục, đặc biệt là giáo dục đại học. Tổng quan của Zawacki-Richter và cộng sự (2019) về ứng dụng trí tuệ nhân tạo trong giáo dục đại học đã đặt ra câu hỏi quan trọng về vị trí của nhà giáo dục trong quá trình phát triển và triển khai công nghệ. Baker (2019) cũng cho thấy khai phá dữ liệu giáo dục và phân tích học tập có thể hỗ trợ nhận diện các mẫu hành vi học tập, nhưng hiệu quả của các mô hình dữ liệu phụ thuộc rất lớn vào chất lượng câu hỏi, cách diễn giải kết quả và trách nhiệm sử dụng dữ liệu trong bối cảnh giáo dục.
Từ góc nhìn quản trị, điều này cho thấy trí tuệ nhân tạo không nên được hiểu như một công cụ thay thế nhà quản lí hoặc giảng viên, mà là một phương tiện hỗ trợ con người nhìn rõ hơn các phương án khả thi trong những tình huống phức tạp. Việc phân công giảng viên cho học phần, chẳng hạn, không chỉ là bài toán xếp lịch, mà còn liên quan đến chuyên môn, kinh nghiệm, yêu cầu chương trình, quy mô lớp học và nhu cầu của sinh viên. Tương tự, phân bổ phòng học, quản lí kinh phí, bố trí nguồn lực nghiên cứu hoặc thiết kế hỗ trợ học vụ đều cần sự cân bằng giữa hiệu quả, công bằng và chất lượng học thuật.
Quản trị đại học dựa trên dữ liệu và khả năng tối ưu hóa nguồn lực
Một trong những lĩnh vực được quan tâm là tối ưu hóa phân bổ nguồn lực trong trường đại học. Nguồn lực ở đây bao gồm đội ngũ giảng viên, phòng học, thiết bị, học liệu, kinh phí nghiên cứu, thời gian làm việc và các điều kiện hỗ trợ sinh viên. Trong thực tế, nhiều cơ sở giáo dục đại học phải vận hành trong điều kiện nguồn lực có hạn, trong khi yêu cầu về chất lượng đào tạo, năng suất nghiên cứu và trải nghiệm học tập của sinh viên ngày càng cao. Vì vậy, phân bổ nguồn lực trở thành một vấn đề quản trị có ý nghĩa chiến lược.
Theo mô hình được trình bày trong bài báo gốc, thuật toán di truyền có thể được sử dụng để tối ưu hóa phân công giảng viên theo học phần, dựa trên các yếu tố như chuyên môn của giảng viên, yêu cầu của học phần và nhu cầu của sinh viên. Tối ưu bầy đàn có thể hỗ trợ phân bổ kinh phí nghiên cứu theo chất lượng đề tài, khả năng tạo sản phẩm khoa học và mức độ phù hợp với mục tiêu phát triển của nhà trường. Tối ưu đàn kiến có thể được vận dụng trong những bài toán lựa chọn đường đi, trình tự hoặc phương án tổ chức có nhiều khả năng khác nhau. Các ví dụ này cho thấy thuật toán có thể giúp nhà trường tìm kiếm phương án hợp lí hơn, nhưng phương án ấy chỉ có ý nghĩa khi tiêu chí đánh giá được xác định minh bạch và phù hợp với mục tiêu giáo dục (Xu, 2025).
Bài báo cũng đưa ra một bảng so sánh minh họa về tác động của tối ưu hóa nguồn lực. Theo đó, mức độ phù hợp giữa học phần và giảng viên tăng từ 75% lên 95%; mức độ sử dụng phòng học tăng từ 60% lên 90%; hiệu quả phân bổ kinh phí nghiên cứu tăng từ 70% lên 92%; sản lượng nghiên cứu tăng từ 100 lên 150 công bố; mức độ hài lòng của nhân sự tăng từ 65% lên 85% sau tối ưu hóa. Các con số này cần được hiểu trong phạm vi mô hình và dữ liệu được trình bày trong bài báo, không nên khái quát trực tiếp cho mọi cơ sở giáo dục đại học nếu chưa có kiểm chứng trong bối cảnh cụ thể.
Ở lĩnh vực đánh giá chất lượng giảng dạy, các mô hình như mạng nơ-ron nhân tạo, máy véc-tơ hỗ trợ và cây quyết định có thể tích hợp nhiều nguồn dữ liệu gồm phản hồi của sinh viên, trình độ giảng viên, độ khó học phần, nội dung môn học và kết quả học tập. So với những cách đánh giá chỉ dựa vào cảm nhận hoặc một nguồn thông tin đơn lẻ, phương pháp dựa trên dữ liệu có thể tạo ra cái nhìn toàn diện hơn. Tuy nhiên, mọi mô hình đánh giá đều cần được thiết kế thận trọng, bởi chất lượng giảng dạy không thể bị giản lược thành một điểm số duy nhất. Bài báo gốc cũng nhấn mạnh yêu cầu dữ liệu phải đáng tin cậy, có tính đại diện và được kiểm định thường xuyên để hạn chế các thiên lệch có thể ảnh hưởng đến kết quả đánh giá.
Nhìn rộng hơn, quản trị đại học dựa trên dữ liệu đòi hỏi nhà trường phải vượt qua cách tổ chức phân mảnh giữa các đơn vị. Khi dữ liệu về đào tạo, khảo thí, công tác sinh viên, nghiên cứu khoa học, nhân sự và tài chính không được kết nối, các quyết định quản trị thường chỉ phản ánh từng mảng riêng lẻ. Thuật toán tối ưu hóa có thể hỗ trợ tích hợp và xử lí dữ liệu, nhưng điều kiện tiên quyết vẫn là nhà trường phải có hạ tầng dữ liệu, quy trình quản trị dữ liệu và văn hóa sử dụng dữ liệu một cách có trách nhiệm.
Cá nhân hóa học tập như một hướng phát triển của giáo dục đại học hiện đại
Cá nhân hóa học tập là một trong những ứng dụng nổi bật của trí tuệ nhân tạo trong giáo dục. Tuy nhiên, cá nhân hóa không nên được hiểu giản đơn là để hệ thống tự động gợi ý thêm học liệu cho sinh viên. Về bản chất, đây là quá trình thiết kế trải nghiệm học tập dựa trên đặc điểm, năng lực, mục tiêu, tiến độ, mức độ tham gia và nhu cầu hỗ trợ của từng người học.
Các công trình về phân tích học tập và khai phá dữ liệu giáo dục cung cấp nền tảng quan trọng cho hướng tiếp cận này. Pena-Ayala (2014) cho thấy khai phá dữ liệu giáo dục đã được sử dụng để nhận diện mẫu hành vi học tập, phân loại người học, dự báo kết quả và hỗ trợ ra quyết định. Alyahyan và Dustegor (2020) tổng hợp các hướng dự báo thành công học tập trong giáo dục đại học, nhấn mạnh vai trò của dữ liệu học vụ, dữ liệu tương tác và đặc điểm người học. Trong bối cảnh học trực tuyến quy mô lớn, Xing và Du (2019) sử dụng mô hình học sâu để dự báo nguy cơ bỏ học, qua đó gợi mở khả năng hỗ trợ sớm đối với sinh viên có dấu hiệu gặp khó khăn.
Trên cơ sở đó, phân tích tình huống học tập trở thành bước quan trọng của cá nhân hóa. Các thuật toán phân cụm như K-means, phân cụm thứ bậc hoặc phân cụm dựa trên mật độ có thể giúp nhận diện những nhóm sinh viên có đặc điểm học tập tương đồng. Một nhóm có thể đang gặp khó khăn với nội dung học phần; nhóm khác tiến bộ ở mức ổn định; nhóm khác có kết quả cao và cần thêm nhiệm vụ nâng cao. Khi hiểu rõ sự khác biệt này, giảng viên có thể thiết kế hỗ trợ phù hợp hơn, thay vì chỉ phát hiện vấn đề khi kết quả cuối kì đã phản ánh rõ khoảng cách giữa các nhóm sinh viên (Xu, 2025).
Khai phá luật kết hợp cũng được sử dụng để phát hiện các mẫu hành vi có liên hệ với kết quả học tập. Chẳng hạn, dữ liệu có thể gợi ý rằng sinh viên thường xuyên tự đánh giá, tham gia diễn đàn học tập hoặc hoàn thành nhiệm vụ theo tiến độ có xu hướng đạt kết quả tốt hơn. Những tín hiệu này không nên được diễn giải như quan hệ nhân quả tuyệt đối nếu chưa có thiết kế kiểm định phù hợp, nhưng có thể cung cấp căn cứ để giảng viên khuyến khích các chiến lược học tập tích cực và tổ chức hỗ trợ sớm hơn.
Ở cấp độ thiết kế lộ trình, thuật toán tối ưu đàn kiến và tối ưu bầy đàn có thể được sử dụng để đề xuất trình tự học tập phù hợp với từng sinh viên. Trong mô hình tối ưu đàn kiến, mỗi tác nhân đại diện cho một lộ trình học tập khả dĩ, di chuyển qua mạng lưới chủ đề, nhiệm vụ và tài nguyên để tìm phương án có độ phù hợp cao với hồ sơ người học. Trong mô hình tối ưu bầy đàn, mỗi phương án học tập được điều chỉnh liên tục dựa trên kết quả tốt nhất của từng cá thể và toàn hệ thống. Theo Lee, Lee và Leem (2012), lập kế hoạch khóa học cá nhân hóa có thể được hỗ trợ bởi hồ sơ người học và hệ thống ra quyết định trong học tập điện tử; đây là một nền tảng quan trọng để các thuật toán tối ưu hóa được vận dụng vào đề xuất lộ trình học tập.
Cá nhân hóa học tập còn liên quan đến việc lựa chọn và cung cấp tài nguyên phù hợp. Bài báo gốc mô tả cơ chế gợi ý tài nguyên học tập dựa trên hệ miễn dịch nhân tạo, trong đó hồ sơ sinh viên được so khớp với kho tài nguyên gồm sách, video, mô phỏng, bài kiểm tra và các học liệu số khác. Hệ thống đánh giá mức độ phù hợp dựa trên mục tiêu học tập, độ khó, phong cách học, tiến trình hiện tại và phản hồi sau khi sử dụng học liệu. Theo ví dụ đánh giá được trình bày, sau khi áp dụng cơ chế gợi ý tài nguyên cá nhân hóa, mức độ hứng thú học tập tăng từ 3,2 lên 4,5; hiệu quả học tập tăng từ 65% lên 85%; tỉ lệ hoàn thành tăng từ 72% lên 92%; điểm hài lòng tăng từ 3,8 lên 4,7.
Cần lưu ý rằng cá nhân hóa không đồng nghĩa với việc cung cấp càng nhiều khuyến nghị càng tốt. Một hệ thống gợi ý quá dày đặc có thể khiến sinh viên mất thời gian lựa chọn, giảm khả năng tự định hướng và cảm thấy quá tải. Vì vậy, cá nhân hóa trong giáo dục đại học cần được thiết kế theo nguyên tắc rõ ràng, vừa đủ, có giải thích và có khả năng điều chỉnh. Người học phải hiểu vì sao mình nhận được một khuyến nghị, giảng viên phải có quyền kiểm tra và điều chỉnh, còn nhà trường phải có trách nhiệm bảo đảm rằng hệ thống không thu hẹp cơ hội học tập của sinh viên vào những dự báo định sẵn.
Bằng chứng thực nghiệm và những giới hạn cần tiếp tục kiểm chứng
Phần thực nghiệm trong bài báo gốc được triển khai trong một học kì với 120 sinh viên và 15 nhà giáo dục tại một cơ sở giáo dục đại học. Sinh viên được chia thành nhóm đối chứng và nhóm can thiệp, mỗi nhóm 60 người. Nhóm đối chứng học theo quy trình truyền thống, trong khi nhóm can thiệp sử dụng các giải pháp dựa trên trí tuệ nhân tạo để cá nhân hóa lộ trình học tập và quản lí tài nguyên. Dữ liệu được thu thập từ hệ thống quản lí học tập, hệ thống thông tin sinh viên, khảo sát, phỏng vấn và thảo luận nhóm. Phân tích định lượng sử dụng thống kê mô tả, kiểm định t, phân tích phương sai và hồi quy tuyến tính bội; dữ liệu định tính được xử lí bằng phân tích chủ đề.
Kết quả cho thấy nhóm sử dụng giải pháp dạy học cá nhân hóa dựa trên trí tuệ nhân tạo có sự cải thiện ở nhiều phương diện. Điểm kết quả học tập trung bình tăng từ 74,2 lên 87,1; mức độ tham gia tăng từ 3,3 lên 4,5; điểm hài lòng tăng từ 3,8 lên 4,7. Bài báo cũng đề xuất mô hình đánh giá tổng hợp dựa trên bốn thành tố gồm kết quả học tập, mức độ tham gia, sự hài lòng và hiệu quả; khi áp dụng mô hình này, điểm hiệu quả tổng thể của dạy học cá nhân hóa dựa trên trí tuệ nhân tạo đạt 4,6 trên thang 5, cao hơn mức 3,2 của cách tiếp cận truyền thống.
Dữ liệu định tính bổ sung thêm những thông tin đáng chú ý. Sinh viên đánh giá cao lộ trình học tập cá nhân hóa, khuyến nghị tài nguyên thích ứng và phản hồi kịp thời từ hệ thống. Họ cho rằng cách hỗ trợ này giúp tăng động lực, giảm cảm giác bối rối trong quá trình học và cải thiện kết quả. Về phía giảng viên, các giải pháp trí tuệ nhân tạo giúp giảm bớt một số công việc thường quy như chấm điểm hoặc tuyển chọn tài nguyên, qua đó tạo điều kiện để họ tập trung nhiều hơn vào thiết kế dạy học, tư vấn học tập và hỗ trợ sinh viên ở mức độ chuyên sâu.
Tuy nhiên, kết quả thực nghiệm cần được đọc với sự thận trọng học thuật. Bài báo được thực hiện tại một cơ sở giáo dục đại học với quy mô mẫu còn hạn chế, do đó khả năng khái quát sang nhiều bối cảnh giáo dục khác cần tiếp tục được kiểm chứng. Một số sinh viên phản ánh tình trạng quá tải thông tin và mệt mỏi khi phải lựa chọn trước quá nhiều khuyến nghị cá nhân hóa; một số nhà giáo dục bày tỏ lo ngại về tính minh bạch, khả năng giải thích của thuật toán, nguy cơ thiên lệch và quyền riêng tư trong quá trình thu thập, xử lí dữ liệu.
Những giới hạn này không làm giảm ý nghĩa của kết quả, mà giúp đặt công nghệ vào đúng vị trí. Trí tuệ nhân tạo có thể hỗ trợ nâng cao hiệu quả học tập và quản trị, nhưng hiệu quả ấy phụ thuộc vào chất lượng dữ liệu, thiết kế sư phạm, năng lực sử dụng công nghệ của giảng viên, mức độ chấp nhận của sinh viên và cơ chế giám sát đạo đức. Future directions được bài báo gốc đề xuất gồm phát triển thuật toán thích ứng hơn với môi trường học tập trực tuyến, học tập kết hợp và học tập suốt đời; đánh giá tác động dài hạn đối với kết quả, động lực, sức khỏe tinh thần của sinh viên; phân tích tác động đến vai trò, khối lượng công việc và phát triển nghề nghiệp của giảng viên; đồng thời xây dựng khung đạo đức, hướng dẫn và tiêu chuẩn cho trí tuệ nhân tạo trong giáo dục.
Minh bạch thuật toán và trách nhiệm học thuật trong môi trường giáo dục số
Dữ liệu giáo dục không phải là nguồn thông tin trung tính. Điểm số, lịch sử truy cập học liệu, hành vi tương tác, phản hồi của sinh viên, đánh giá của giảng viên và các dự báo về nguy cơ học vụ đều gắn với quyền riêng tư, cơ hội học tập và niềm tin của người học đối với nhà trường. Vì vậy, mọi hệ thống cá nhân hóa học tập đều cần trả lời rõ các câu hỏi nền tảng: dữ liệu nào được thu thập, mục đích sử dụng là gì, ai được quyền tiếp cận, thuật toán đưa ra khuyến nghị theo tiêu chí nào, người học có quyền phản hồi hoặc từ chối khuyến nghị hay không, giảng viên có thể kiểm tra và điều chỉnh quyết định của hệ thống ở mức độ nào.
Các khuyến nghị quốc tế cũng nhấn mạnh yêu cầu lấy con người làm trung tâm khi ứng dụng trí tuệ nhân tạo trong giáo dục. Miao và Holmes (2021) cho rằng trí tuệ nhân tạo trong giáo dục cần hỗ trợ người học, tăng cường vai trò của giáo viên và củng cố hệ thống quản lí học tập, đồng thời phải được triển khai trong khung đạo đức phù hợp. Theo UNESCO (2023), các quốc gia cần phát triển năng lực con người, xây dựng chính sách dài hạn và bảo đảm việc sử dụng trí tuệ nhân tạo tạo sinh trong giáo dục và nghiên cứu không làm suy giảm quyền, năng lực và trách nhiệm của các chủ thể giáo dục.
Baker (2019) cho thấy tương lai của khai phá dữ liệu giáo dục không chỉ phụ thuộc vào độ chính xác của mô hình, mà còn ở khả năng đặt câu hỏi đúng, diễn giải dữ liệu đúng và sử dụng kết quả phân tích đúng mục đích. Từ góc nhìn giáo dục đại học, đây là điểm đặc biệt quan trọng, bởi một cảnh báo học vụ, một khuyến nghị lộ trình học tập hoặc một đánh giá tự động về mức độ tham gia đều có thể ảnh hưởng đến cơ hội phát triển của sinh viên. Do đó, các mô hình dữ liệu phải được đặt dưới sự giám sát của con người, nhất là trong những quyết định liên quan trực tiếp đến đánh giá, hỗ trợ và phân loại người học.
Có thể nói, trí tuệ nhân tạo có khả năng phát hiện những mẫu dữ liệu mà con người khó nhận ra, nhưng không thể thay thế đầy đủ hiểu biết sư phạm, kinh nghiệm cố vấn, sự thấu hiểu hoàn cảnh và trách nhiệm nghề nghiệp của giảng viên. Một sinh viên ít tương tác trên hệ thống học tập trực tuyến có thể gặp khó khăn học thuật, nhưng cũng có thể chịu tác động từ điều kiện cá nhân, sức khỏe, việc làm thêm hoặc hạn chế về thiết bị. Nếu chỉ dựa vào phân tích tự động, nhà trường có thể bỏ qua những nguyên nhân xã hội và giáo dục phía sau dữ liệu. Vì vậy, mô hình phù hợp nhất không phải là để hệ thống dẫn dắt toàn bộ quá trình học tập, mà là sử dụng trí tuệ nhân tạo như một công cụ giúp giảng viên và nhà trường hỗ trợ sinh viên đúng lúc, đúng mức và đúng cách hơn.
Khuyến nghị cho giáo dục đại học Việt Nam trong bối cảnh chuyển đổi số
Ứng dụng trí tuệ nhân tạo trong giáo dục đại học cần được đặt trong mạch chính sách rộng hơn về đổi mới giáo dục, chuyển đổi số và nâng cao chất lượng nguồn nhân lực. 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” đã tạo nền tảng chính sách quan trọng cho việc phát triển môi trường giáo dục số. 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 tiếp tục đặt ra yêu cầu đổi mới giáo dục trong giai đoạn dài hạn. 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 là căn cứ chính trị quan trọng để các cơ sở giáo dục cụ thể hóa các nhiệm vụ đổi mới quản trị, nâng cao chất lượng và thúc đẩy chuyển đổi số trong giáo dục.
Trên cơ sở đó, trước hết các trường đại học Việt Nam cần xây dựng chiến lược dữ liệu giáo dục ở cấp cơ sở. Chiến lược này không chỉ là số hóa hồ sơ, điểm số hoặc học liệu, mà phải xác định chuẩn dữ liệu, quy trình thu thập, phân quyền truy cập, cơ chế bảo mật, thời hạn lưu trữ, trách nhiệm giải trình và nguyên tắc chia sẻ dữ liệu giữa các đơn vị. Nếu dữ liệu phân mảnh, thiếu chuẩn hóa hoặc không đáng tin cậy, các hệ thống cá nhân hóa học tập rất dễ đưa ra khuyến nghị thiếu phù hợp, làm giảm hiệu quả hỗ trợ người học.
Thứ hai, việc ứng dụng thuật toán tối ưu hóa nên bắt đầu từ những bài toán quản trị có phạm vi rõ ràng và kết quả có thể kiểm chứng. Các trường có thể thí điểm trong xếp thời khóa biểu, phân bổ phòng học, bố trí giảng viên, quản lí khối lượng giảng dạy, theo dõi tiến độ học tập và cảnh báo sớm nguy cơ học vụ. Đây là những lĩnh vực có dữ liệu đầu vào tương đối rõ, tiêu chí đánh giá cụ thể và dễ đo lường tác động. Cách triển khai từng bước giúp nhà trường tránh xu hướng chạy theo công nghệ, đồng thời tạo bằng chứng thực tiễn trước khi mở rộng sang các ứng dụng phức tạp hơn.
Thứ ba, cá nhân hóa học tập cần được triển khai theo nguyên tắc giảng viên giữ vai trò quyết định trong các lựa chọn sư phạm. Hệ thống có thể gợi ý học liệu, nhận diện nhóm sinh viên cần hỗ trợ, đề xuất lộ trình ôn tập hoặc cảnh báo mức độ tham gia thấp, nhưng giảng viên phải là người kiểm tra, diễn giải và quyết định hình thức can thiệp phù hợp. Nguyên tắc này đặc biệt quan trọng đối với các học phần đòi hỏi tư duy phê phán, thảo luận học thuật, thực hành nghề nghiệp hoặc đánh giá năng lực phức hợp.
Thứ tư, các trường đại học cần phát triển năng lực trí tuệ nhân tạo cho giảng viên, cán bộ quản lí và sinh viên. Với giảng viên, trọng tâm không chỉ là sử dụng công cụ, mà còn là hiểu giới hạn của thuật toán, biết đọc dữ liệu học tập, thiết kế hoạt động dạy học có phản hồi, nhận diện nguy cơ thiên lệch và bảo vệ liêm chính học thuật. Với cán bộ quản lí, năng lực cốt lõi là xây dựng chính sách dữ liệu, đánh giá rủi ro, lựa chọn giải pháp công nghệ, thiết lập tiêu chí kiểm định và tổ chức giám sát triển khai. Với sinh viên, nhà trường cần trang bị năng lực học tập trong môi trường số, năng lực tự điều chỉnh, năng lực đánh giá khuyến nghị của hệ thống và ý thức bảo vệ dữ liệu cá nhân.
Thứ năm, cần có cơ chế đánh giá độc lập đối với các hệ thống trí tuệ nhân tạo được đưa vào nhà trường. Trước khi triển khai ở quy mô lớn, các công cụ cá nhân hóa học tập, cảnh báo sớm hoặc hỗ trợ đánh giá cần được thử nghiệm trong điều kiện có đối chứng, có tiêu chí đo lường rõ ràng, có đánh giá tác động đến các nhóm sinh viên khác nhau và có quy trình xử lí khi hệ thống tạo ra khuyến nghị không phù hợp. Đánh giá không nên chỉ tập trung vào mức độ hài lòng hoặc hiệu quả vận hành, mà cần xem xét cả công bằng, minh bạch, khả năng giải thích, tác động đến khối lượng công việc của giảng viên và trải nghiệm học tập của sinh viên.
Thứ sáu, các cơ sở giáo dục đại học cần xây dựng quy định nội bộ về sử dụng trí tuệ nhân tạo trong quản trị và dạy học. Quy định này nên bao gồm nguyên tắc thông báo cho người học khi dữ liệu của họ được sử dụng; quyền được biết mục đích xử lí dữ liệu; quyền phản hồi đối với khuyến nghị tự động; trách nhiệm của giảng viên khi sử dụng kết quả phân tích; quy trình kiểm tra thiên lệch; yêu cầu bảo mật dữ liệu; và cơ chế giải quyết khiếu nại. Quy định nội bộ không nên được xem như thủ tục hành chính bổ sung, mà là điều kiện để bảo vệ niềm tin học thuật trong môi trường giáo dục số.
Thứ bảy, Việt Nam cần thúc đẩy các thực nghiệm giáo dục có quy mô đủ lớn về trí tuệ nhân tạo trong đại học. Các mô hình triển khai nên được thiết kế theo hướng liên ngành, có sự tham gia của chuyên gia giáo dục học, công nghệ giáo dục, khoa học dữ liệu, pháp lí, đạo đức học và giảng viên trực tiếp giảng dạy. Chỉ khi có dữ liệu thực chứng trong bối cảnh Việt Nam, các khuyến nghị chính sách và mô hình ứng dụng mới có đủ độ tin cậy để nhân rộng.
Các thuật toán tối ưu hóa trí tuệ nhân tạo đang mở ra một hướng phát triển đáng chú ý cho giáo dục đại học: nhà trường có thể quản trị nguồn lực chính xác hơn, giảng viên có thêm căn cứ để hiểu tiến trình học tập của sinh viên, còn người học có cơ hội tiếp cận lộ trình và học liệu phù hợp hơn với nhu cầu cá nhân. Tuy nhiên, giá trị của công nghệ không nằm ở khả năng tự động hóa mọi quyết định, mà ở việc giúp con người đưa ra những quyết định giáo dục chính xác, công bằng và có trách nhiệm hơn.
Đối với giáo dục đại học Việt Nam, vấn đề không phải là đưa trí tuệ nhân tạo vào nhà trường nhanh đến đâu, mà là xây dựng được một hệ sinh thái triển khai đủ thận trọng và đủ năng lực. Hệ sinh thái ấy cần dữ liệu được quản trị chặt chẽ, thuật toán có thể giải thích, giảng viên được trao quyền, sinh viên được bảo vệ và các quyết định giáo dục luôn đặt dưới sự giám sát của con người. Cá nhân hóa học tập vì thế không phải là để hệ thống thay nhà trường dẫn dắt sinh viên, mà là tạo thêm điều kiện để mỗi người học được hỗ trợ đúng thời điểm, bằng cách phù hợp và trong một môi trường giáo dục công bằng, minh bạch, nhân văn.
Tài liệu tham khảo
Alyahyan, E., & Dustegor, D. (2020). Predicting academic success in higher education: Literature review and best practices. International Journal of Educational Technology in Higher Education, 17, 3.
Baker, R. S. (2019). Challenges for the future of educational data mining: The Baker learning analytics prizes. Journal of Educational Data Mining, 11(1), 1–17.
Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press.
Bộ Chính trị. (2025). Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 về đột phá phát triển giáo dục và đào tạo.
Dorigo, M., Maniezzo, V., & Colorni, A. (1996). Ant system: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 26(1), 29–41.
Holland, J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. MIT Press.
Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of the IEEE International Conference on Neural Networks (pp. 1942–1948). IEEE.
Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671–680.
Koza, J. R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press.
Lee, S., Lee, J., & Leem, J. (2012). Personalized learning course planner with e-learning decision support system using user profile. Expert Systems with Applications, 39(3), 2567–2577.
Miao, F., & Holmes, W. (2021). AI and education: Guidance for policy-makers. UNESCO.
Pena-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert Systems with Applications, 41(4), 1432–1462.
Thủ tướng Chính phủ. (2022). 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”.
Thủ tướng Chính phủ. (2024). 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.
Xing, W., & Du, D. (2019). Dropout prediction in massive open online courses: Using deep learning for personalized intervention. Journal of Educational Computing Research, 57(3), 547–570.
Xu, X. (2025). AI optimization algorithms enhance higher education management and personalized teaching through empirical analysis. Scientific Reports, 15, 10157.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education: Where are the educators? International Journal of Educational Technology in Higher Education, 16, 39.
