Khoa học đương đại và sự thay đổi trong cách tri thức được tạo lập
Trong nhiều lớp học, khoa học thường được mô tả như một tiến trình quen thuộc: quan sát hiện tượng, đặt câu hỏi, hình thành giả thuyết, tiến hành thí nghiệm, phân tích dữ liệu và rút ra kết luận. Cách tiếp cận ấy vẫn có giá trị sư phạm, bởi nó giúp học sinh nhận biết cấu trúc cơ bản của tư duy khoa học. Tuy nhiên, nếu chỉ dừng ở mô hình tuyến tính đó, nhà trường có thể vô tình tạo ra một hình ảnh giản lược về khoa học trong bối cảnh hiện nay.
Khoa học đương đại không còn là hoạt động của một cá nhân làm việc độc lập với vài dụng cụ thí nghiệm quen thuộc. Những phát hiện khoa học ngày càng được tạo ra trong các mạng lưới phức hợp, nơi nhà khoa học, kĩ thuật viên, chuyên gia dữ liệu, chuyên gia thống kê, thiết bị đo lường, phần mềm mô phỏng, cơ sở dữ liệu lớn và hệ thống trí tuệ nhân tạo cùng tham gia vào quá trình tạo lập kết quả. Theo Nehm và Kubsch (2026), khoa học hiện đại có thể được nhìn nhận như một “mạng lưới nhận thức phân tán”, trong đó mỗi thành tố có vai trò riêng về chuyên môn, thẩm quyền, mức độ tự chủ và độ tin cậy.
Cách nhìn này đặc biệt quan trọng khi bàn về trí tuệ nhân tạo trong giáo dục khoa học. Trí tuệ nhân tạo không chỉ là một công nghệ được bổ sung vào lớp học, mà là một thành tố đang tham gia trực tiếp vào cách khoa học được thực hành trong đời sống chuyên môn. Công nghệ này có thể hỗ trợ xử lí dữ liệu quy mô lớn, nhận diện các mẫu hình khó phát hiện bằng phương pháp truyền thống, tăng tốc mô phỏng, gợi ý giả thuyết, hỗ trợ viết mã lệnh, trực quan hóa thông tin và đề xuất hướng diễn giải kết quả.
Sự xuất hiện của trí tuệ nhân tạo không làm thay đổi yêu cầu nền tảng của khoa học: tri thức vẫn phải được tạo lập từ bằng chứng, phương pháp phù hợp, lập luận chặt chẽ và khả năng kiểm chứng. Trái lại, khi công nghệ có thể tạo ra kết quả nhanh hơn, nhiều hơn và có hình thức thuyết phục hơn, năng lực đánh giá của con người càng trở nên quan trọng. Vì vậy, giáo dục khoa học trong thời đại trí tuệ nhân tạo không thể chỉ hướng đến mục tiêu giúp học sinh biết sử dụng công cụ, mà phải giúp các em hiểu điều kiện để một kết quả được xem là đáng tin trong khoa học.
Niềm tin khoa học trong mạng lưới người - thiết bị - thuật toán
Một điểm đáng chú ý trong các phân tích gần đây về trí tuệ nhân tạo là nhiều vấn đề thường được gắn riêng với công nghệ này thực ra đã tồn tại từ lâu trong hoạt động khoa học. Khi học sinh sử dụng nhiệt kế, cân điện tử, kính hiển vi, cảm biến hoặc dữ liệu do nhóm khác thu thập, các em đã phải đối diện với một câu hỏi căn bản: vì sao có thể tin vào kết quả đó?
Trong khoa học, con người thường phải dựa vào những nguồn tri thức, thiết bị và quy trình mà bản thân không trực tiếp kiểm soát toàn bộ. Một nhà khoa học có thể dựa vào kĩ thuật viên để vận hành thiết bị, dựa vào chuyên gia thống kê để phân tích dữ liệu, dựa vào công cụ đo lường để tạo ra số liệu, hoặc dựa vào cộng đồng học thuật để thẩm định kết quả. Sự phụ thuộc ấy không phải là điểm yếu, mà là đặc điểm tất yếu của khoa học hiện đại. Vấn đề cốt lõi không phải là loại bỏ sự phụ thuộc, mà là tổ chức niềm tin một cách có căn cứ.
Theo Chinn, Buckland và Samarapungavan (2011), nhận thức luận trong học tập khoa học cần được mở rộng để người học hiểu rõ mục tiêu, chuẩn mực và quy trình tạo ra tri thức. Chinn, Rinehart và Buckland (2014) tiếp tục phát triển khung đánh giá gồm ba thành tố: mục tiêu và giá trị; chuẩn mực đánh giá; quy trình đáng tin cậy. Khi vận dụng vào lớp học, khung này giúp học sinh không chỉ quan tâm đến đáp án cuối cùng, mà còn biết xem xét câu hỏi khoa học đang hướng tới điều gì, kết quả được đánh giá theo tiêu chuẩn nào, dữ liệu được tạo ra bằng cách nào và kết luận có thể được kiểm tra ra sao.
Đây chính là nền tảng để giáo dục khoa học tiếp cận trí tuệ nhân tạo một cách có trách nhiệm. Nếu học sinh chưa từng được hướng dẫn đặt câu hỏi về độ tin cậy của cảm biến, sai số của phép đo hoặc quy trình thu thập dữ liệu của một nhóm bạn, các em sẽ khó có đủ năng lực để đánh giá kết quả do một hệ thống trí tuệ nhân tạo tạo ra. Ngược lại, nếu nhà trường thường xuyên tổ chức hoạt động yêu cầu người học kiểm tra nguồn dữ liệu, so sánh kết quả, phát hiện điểm chưa nhất quán và giải thích giới hạn của kết luận, việc tiếp cận trí tuệ nhân tạo sẽ có chiều sâu hơn.
Nehm và Kubsch (2026) nhấn mạnh rằng sự phụ thuộc nhận thức, niềm tin nhận thức và cảnh giác nhận thức là những nội dung cần được đưa vào giáo dục khoa học một cách rõ ràng hơn. Trong bối cảnh đó, trí tuệ nhân tạo không nên được xem như một công cụ tách biệt, mà là cơ hội để nhà trường giúp học sinh hiểu sâu hơn về bản chất của khoa học: mọi tri thức đều cần được tạo lập, kiểm tra và bảo vệ bằng quy trình có trách nhiệm.
Trí tuệ nhân tạo như công cụ, đối tác và tác nhân khoa học
Trí tuệ nhân tạo không giữ một vai trò duy nhất trong khoa học. Tùy theo mục tiêu và cách sử dụng, công nghệ này có thể xuất hiện như một công cụ, một đối tác mở rộng năng lực nhận thức của con người, hoặc một tác nhân có khả năng tự chủ trong một số nhiệm vụ khoa học.
Trước hết, trí tuệ nhân tạo có thể được sử dụng như một công cụ khoa học. Ở vai trò này, con người xác định câu hỏi, lựa chọn dữ liệu, định hướng phương pháp và diễn giải kết quả; còn hệ thống trí tuệ nhân tạo hỗ trợ thực hiện những nhiệm vụ cụ thể như phân loại hình ảnh, nhận diện mẫu hình, mô phỏng, dự báo hoặc trực quan hóa dữ liệu. Trong thiên văn học, các mô hình tính toán có thể hỗ trợ phân tích khối lượng lớn dữ liệu từ kính thiên văn. Trong khoa học khí hậu, trí tuệ nhân tạo có thể cải thiện mô phỏng và dự báo hệ thống Trái Đất. Trong vật lí hạt, thuật toán được sử dụng để lọc và phân tích dữ liệu va chạm ở quy mô rất lớn. Trong sinh học phân tử, các hệ thống dự đoán cấu trúc protein cho thấy năng lực xử lí những bài toán khoa học phức tạp mà phương pháp truyền thống gặp nhiều giới hạn (Jumper et al., 2021; Reichstein et al., 2019; Radovic et al., 2018).
Thứ hai, trí tuệ nhân tạo có thể hoạt động như một đối tác mở rộng năng lực tư duy. Trong trường hợp này, công nghệ không chỉ thực hiện một thao tác kĩ thuật đơn lẻ, mà tham gia vào quá trình gợi ý ý tưởng, tìm kiếm tài liệu, đề xuất phương án phân tích, hỗ trợ diễn giải kết quả hoặc đưa ra phản hồi cho thiết kế khảo sát. Con người vẫn giữ quyền quyết định, nhưng năng lực nhận thức được mở rộng thông qua tương tác với hệ thống. Theo Nehm và Kubsch (2026), đây là vùng trung gian quan trọng, vì nó gần với cách nhiều nhà khoa học hiện đang sử dụng trí tuệ nhân tạo trong quá trình làm việc: không giao phó toàn bộ hoạt động khoa học cho công nghệ, nhưng cũng không chỉ dùng công nghệ như một thiết bị tính toán đơn giản.
Thứ ba, trí tuệ nhân tạo có thể đảm nhiệm vai trò tác nhân trong một số bối cảnh khoa học có mức độ tự động hóa cao. Khi đó, hệ thống có thể tham gia xác định giả thuyết, lựa chọn dữ liệu, điều chỉnh quy trình, phân tích kết quả hoặc hỗ trợ quyết định tiếp theo. Một số hệ thống thí nghiệm tự động trong hóa học, robot khoa học hoặc thiết bị thám hiểm không gian đã cho thấy khả năng thực hiện các nhiệm vụ mà con người không thể điều khiển trực tiếp theo thời gian thực. Vai trò này làm thay đổi ranh giới quen thuộc giữa công cụ và chủ thể hành động, đồng thời đặt ra những câu hỏi mới về trách nhiệm, chuyên môn và quyền kiểm soát trong khoa học.
Ba vai trò trên không tách rời tuyệt đối. Trong cùng một quy trình, trí tuệ nhân tạo có thể khởi đầu như công cụ phân tích dữ liệu, sau đó trở thành đối tác đề xuất giả thuyết, rồi tiếp tục tham gia tối ưu hóa phương án khảo sát. Vì vậy, giáo dục khoa học cần giúp học sinh nhận diện rõ công nghệ đang giữ vai trò nào trong từng nhiệm vụ. Khi trí tuệ nhân tạo là công cụ, trọng tâm là kiểm tra dữ liệu, phương pháp và kết quả. Khi công nghệ đóng vai trò đối tác gợi ý, học sinh cần đánh giá lập luận, bằng chứng và mức độ phù hợp của đề xuất. Khi công nghệ có mức tự chủ cao hơn, lớp học cần thảo luận thêm về trách nhiệm khoa học, đạo đức và quyền quyết định của con người.
Thực hành khoa học trước yêu cầu cập nhật chương trình và học liệu
Các khung giáo dục khoa học hiện đại thường nhấn mạnh vai trò của thực hành khoa học, bao gồm đặt câu hỏi, xây dựng mô hình, phân tích dữ liệu, lập luận từ bằng chứng, thiết kế khảo sát, sử dụng toán học và tư duy tính toán, thu thập, đánh giá và truyền đạt thông tin. Điểm mới trong khoa học đương đại là trí tuệ nhân tạo đang tham gia vào hầu hết các hoạt động ấy.
Trong đặt câu hỏi khoa học, trí tuệ nhân tạo có thể hỗ trợ phát hiện mẫu hình, điểm bất thường hoặc mối liên hệ tiềm ẩn trong dữ liệu lớn, qua đó gợi mở câu hỏi mới. Trong xây dựng mô hình, công nghệ cho phép tạo ra các mô hình động, có khả năng xử lí nhiều biến và dự báo trong những bối cảnh phức tạp. Trong phân tích dữ liệu, trí tuệ nhân tạo có ưu thế khi xử lí các tập dữ liệu lớn, nhiều chiều, chẳng hạn dữ liệu gene, hình ảnh y học, dữ liệu khí hậu hoặc dữ liệu mô phỏng vật lí. Trong truyền đạt thông tin khoa học, công nghệ có thể hỗ trợ tạo bảng, biểu đồ, hình minh họa và bản thảo, nhưng kết quả vẫn cần được chuyên gia kiểm tra.
Sự thay đổi không chỉ nằm ở tốc độ xử lí, mà còn ở cách tri thức được hình thành. Phương pháp khoa học truyền thống thường dựa nhiều vào giả thuyết có trước và mô hình lí thuyết tương đối rõ. Trong khi đó, trí tuệ nhân tạo mở rộng khả năng phát hiện dựa trên dữ liệu, nơi các mẫu hình có thể xuất hiện trước khi con người xây dựng diễn giải lí thuyết hoàn chỉnh. Cách tiếp cận này có thể tạo ra phát hiện có giá trị, nhưng cũng làm tăng nguy cơ nhầm lẫn giữa mối liên hệ bề mặt và quan hệ nhân quả, giữa kết quả có ý nghĩa khoa học và nhiễu dữ liệu.
Kapoor và cộng sự (2024) đã chỉ ra rằng khoa học sử dụng mô hình học từ dữ liệu cần những chuẩn mực rõ ràng về mục tiêu, khả năng tái lập, chất lượng dữ liệu, tiền xử lí dữ liệu, xây dựng mô hình, rò rỉ dữ liệu, thước đo, bất định, khả năng khái quát và giới hạn kết quả. Những yêu cầu này cho thấy việc đưa trí tuệ nhân tạo vào giáo dục khoa học không thể chỉ xoay quanh thao tác công cụ. Vấn đề quan trọng hơn là giúp người học hiểu vì sao một kết quả có thể đáng tin, vì sao cần kiểm tra, và vì sao sự minh bạch của quy trình có ý nghĩa đối với tri thức khoa học.
Do đó, trí tuệ nhân tạo không làm tư duy khoa học trở nên kém cần thiết. Trái lại, nó khiến tư duy khoa học trở thành điều kiện không thể thiếu. Khi công nghệ tạo ra kết quả nhanh, nhiều và có hình thức thuyết phục, người học càng cần được rèn luyện năng lực kiểm tra dữ liệu, đánh giá quy trình, đối chiếu nguồn tin, nhận diện giới hạn của kết luận và giải thích vì sao chấp nhận hoặc bác bỏ một kết quả.
Thu hẹp khoảng cách giữa khoa học trong nhà trường và khoa học ngoài "đời sống" chuyên môn
Một thách thức lớn hiện nay là khoảng cách giữa khoa học chuyên nghiệp và khoa học được mô phỏng trong nhà trường. Trong khi nhiều lĩnh vực khoa học đã vận hành với dữ liệu lớn, thiết bị phức hợp, mô hình tính toán, hệ thống tự động và trí tuệ nhân tạo, nhiều hoạt động học tập vẫn chủ yếu dựa vào thí nghiệm thủ công, dữ liệu nhỏ và quy trình tuyến tính. Những hoạt động này vẫn cần thiết, nhưng nếu trở thành hình ảnh chủ đạo về khoa học, học sinh sẽ khó hiểu đúng cách khoa học đang được tiến hành trong đời sống hiện đại.
Vấn đề không phải là biến lớp học phổ thông thành phòng thí nghiệm chuyên sâu, mà là thiết kế lại hoạt động học tập để phản ánh rõ hơn bản chất của khoa học đương đại. Học sinh có thể bắt đầu từ những tình huống đơn giản: sử dụng cảm biến để đo nhiệt độ, so sánh kết quả giữa các nhóm, phân tích sai số, kiểm tra độ ổn định của dữ liệu, hoặc đánh giá độ tin cậy của một biểu đồ do công cụ số tạo ra. Từ những trải nghiệm đó, giáo viên có thể dẫn dắt học sinh đến các câu hỏi sâu hơn về dữ liệu, phương pháp, độ tin cậy và trách nhiệm.
Nehm và Kubsch (2026) nhấn mạnh rằng việc học về trí tuệ nhân tạo trong cộng đồng khoa học hiện nay còn khá phân tán. Các nhà khoa học có thể học qua chương trình sau đại học, khóa học trực tuyến, hội thảo, hội nghị chuyên môn, cộng đồng trực tuyến, kho mã nguồn, tài liệu phần mềm, bài báo học thuật hoặc hợp tác liên ngành. Sự đa dạng đó phản ánh tính năng động của khoa học, nhưng cũng cho thấy nhu cầu xây dựng một cấu trúc giáo dục bài bản hơn cho nhà trường.
Đối với học sinh, việc học trí tuệ nhân tạo không nên phụ thuộc vào từng công cụ đang phổ biến ở một thời điểm nhất định. Công cụ có thể thay đổi rất nhanh, nhưng các nguyên lí nền tảng như chất lượng dữ liệu, mô hình, khả năng khái quát, kiểm chứng, sai số, tính minh bạch, đạo đức và trách nhiệm sẽ còn giữ giá trị lâu dài. Vì vậy, giáo dục khoa học cần ưu tiên các năng lực có tính bền vững, thay vì chỉ chạy theo các nền tảng công nghệ nhất thời.
Gợi mở đối với giáo dục Việt Nam trong tiến trình chuyển đổi số
Đối với Việt Nam, yêu cầu đặt ra không chỉ là đưa trí tuệ nhân tạo vào nhà trường như một nội dung mới, mà là tích hợp công nghệ này vào định hướng đổi mới giáo dục theo hướng phát triển phẩm chất, năng lực, năng lực số và năng lực học tập suốt đời. Chương trình Giáo dục phổ thông ban hành kèm theo Thông tư số 32/2018/Thông tư-Bộ Giáo dục và Đào tạo đã xác lập định hướng phát triển phẩm chất và năng lực người học, tạo cơ sở để tổ chức dạy học theo hướng tăng cường vận dụng, giải quyết vấn đề và gắn tri thức nhà trường với thực tiễn.
Trong tinh thần đó, giáo dục khoa học cần bổ sung rõ hơn các yêu cầu về năng lực làm việc với dữ liệu, công cụ số và trí tuệ nhân tạo. Ở các môn Khoa học tự nhiên, Vật lí, Hóa học, Sinh học, Công nghệ, Tin học và Toán học, giáo viên có thể thiết kế các chủ đề học tập giúp học sinh hiểu dữ liệu được thu thập, xử lí, mô hình hóa và diễn giải như thế nào. Chẳng hạn, học sinh có thể thu thập dữ liệu môi trường bằng cảm biến, so sánh kết quả giữa các nhóm, dùng công cụ số để trực quan hóa dữ liệu, sau đó thảo luận về sai số, nguồn dữ liệu, khả năng kiểm chứng và giới hạn của kết luận.
Quyết định số 131/Quyết định-Thủ tướng Chính phủ 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” là căn cứ quan trọng để các cơ sở giáo dục phát triển hạ tầng, học liệu số và năng lực ứng dụng công nghệ trong dạy học. Tuy nhiên, chuyển đổi số trong giáo dục khoa học không nên chỉ được hiểu là số hóa bài giảng hoặc đưa thêm phần mềm vào lớp học. Quan trọng hơn là tổ chức các hoạt động học tập giúp học sinh hiểu cách công nghệ tham gia vào quá trình tạo lập tri thức, đồng thời biết kiểm tra và sử dụng kết quả một cách có trách nhiệm.
Quyết định số 1705/Quyết định-Thủ tướng Chính phủ 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 hiện đại hóa giáo dục, nâng cao chất lượng và đáp ứng yêu cầu phát triển đất nước trong bối cảnh mới. Từ căn cứ này, giáo dục trí tuệ nhân tạo cần được định vị như một phần của chiến lược nâng cao chất lượng giáo dục, chứ không phải hoạt động bổ trợ mang tính phong trào. Các chương trình bồi dưỡng giáo viên cần kết hợp năng lực công nghệ với năng lực sư phạm và hiểu biết về bản chất của tri thức khoa học.
Nghị quyết số 71-Nghị quyết/Trung ương ngày 22 tháng 8 năm 2025 của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo cũng tạo thêm cơ sở chính trị cho việc đổi mới mạnh mẽ giáo dục trong giai đoạn mới. Trong bối cảnh đó, việc đưa trí tuệ nhân tạo vào giáo dục khoa học cần tránh hai cách tiếp cận đơn giản hóa: hoặc xem công nghệ như giải pháp thay thế hoạt động tư duy của người học, hoặc né tránh công nghệ vì lo ngại rủi ro. Cách tiếp cận phù hợp hơn là hình thành năng lực sử dụng có chuẩn mực, có kiểm chứng và có trách nhiệm.
Trước hết, cần phát triển các học liệu về niềm tin và kiểm chứng trong khoa học phù hợp với từng lứa tuổi. Nội dung này có thể được tích hợp vào các bài học về đo lường, thí nghiệm, phân tích dữ liệu, đọc hiểu thông tin khoa học và sử dụng công cụ số. Học sinh cần được rèn luyện cách đặt câu hỏi: dữ liệu đến từ đâu, ai tạo ra, bằng phương pháp nào, có thể kiểm tra lại không, kết quả có nhất quán với bằng chứng khác không, và kết luận có vượt quá phạm vi dữ liệu hay không.
Tiếp theo, cần xây dựng hướng dẫn sư phạm về các vai trò khác nhau của trí tuệ nhân tạo trong lớp học. Khi công nghệ được dùng như công cụ, học sinh phải kiểm tra dữ liệu đầu vào và kết quả đầu ra. Khi công nghệ được dùng như đối tác gợi ý, học sinh phải phân tích, lựa chọn, điều chỉnh và chứng minh vì sao chấp nhận hoặc bác bỏ gợi ý. Khi công nghệ có khả năng tự động hóa một phần quy trình, giáo viên cần tổ chức thảo luận về trách nhiệm của người sử dụng, giới hạn của công cụ và yêu cầu kiểm chứng độc lập.
Bên cạnh đó, cần bồi dưỡng giáo viên theo hướng không tách rời công nghệ khỏi chuyên môn môn học. Giáo viên khoa học không nhất thiết phải trở thành chuyên gia lập trình, nhưng cần hiểu đủ về dữ liệu, mô hình, sai số, tính minh bạch và đạo đức sử dụng trí tuệ nhân tạo để thiết kế nhiệm vụ học tập phù hợp. Các chương trình bồi dưỡng nên cung cấp tình huống dạy học cụ thể, bộ dữ liệu mẫu, câu hỏi thảo luận, tiêu chí đánh giá sản phẩm và hướng dẫn kiểm chứng kết quả do công nghệ hỗ trợ tạo ra.
Ngoài ra, các cơ sở giáo dục nên xây dựng kho học liệu mở về trí tuệ nhân tạo trong giáo dục khoa học, gắn với Chương trình Giáo dục phổ thông 2018 và điều kiện triển khai tại Việt Nam. Kho học liệu này cần bao gồm kịch bản dạy học, dữ liệu thực hành, công cụ phù hợp, tình huống đạo đức, mẫu phiếu đánh giá và hướng dẫn sử dụng công nghệ theo từng môn học. Cách làm này giúp hạn chế tình trạng triển khai rời rạc, đồng thời tạo nền tảng để giáo viên chia sẻ kinh nghiệm chuyên môn.
Cuối cùng, cần điều chỉnh đánh giá học sinh trong các nhiệm vụ có sử dụng trí tuệ nhân tạo. Nhà trường không nên chỉ đánh giá sản phẩm cuối cùng, vì công nghệ có thể hỗ trợ tạo ra những sản phẩm có hình thức tốt trong thời gian ngắn. Thay vào đó, cần đánh giá quá trình: học sinh đặt câu hỏi ra sao, lựa chọn dữ liệu thế nào, kiểm tra kết quả bằng căn cứ nào, giải thích giới hạn của kết luận ra sao và thể hiện trách nhiệm học thuật như thế nào. Đây là hướng đánh giá phù hợp hơn với bản chất của năng lực khoa học trong thời đại trí tuệ nhân tạo.
Trí tuệ nhân tạo đang làm thay đổi khoa học không chỉ ở phương diện công cụ, mà ở cách con người đặt câu hỏi, tổ chức dữ liệu, xây dựng mô hình, diễn giải bằng chứng và xác lập trách nhiệm đối với tri thức. Vì vậy, giáo dục khoa học không thể chỉ bổ sung một vài hoạt động sử dụng công nghệ, mà cần điều chỉnh sâu hơn cách dạy học sinh hiểu về khoa học.
Một nền giáo dục khoa học có chất lượng trong thời đại trí tuệ nhân tạo không phải là nền giáo dục trao cho người học thật nhiều câu trả lời nhanh, mà là nền giáo dục hình thành năng lực đặt câu hỏi đúng, kiểm tra bằng chứng, tin tưởng có căn cứ và chịu trách nhiệm với kết luận. Công nghệ có thể mở rộng năng lực nhận thức của con người, nhưng chính giáo dục mới quyết định sự mở rộng ấy trở thành con đường phát triển tư duy khoa học hay chỉ là sự lệ thuộc vào những kết quả có sẵn. Trong tương lai gần, phẩm chất quan trọng của người học không chỉ là biết sử dụng trí tuệ nhân tạo, mà là biết giữ vai trò chủ thể có hiểu biết, có chuẩn mực và có trách nhiệm trong mọi quá trình tạo lập tri thức.
Tài liệu tham khảo
Alvarado, R. (2023). Artificial intelligence as an epistemic technology. Science and Engineering Ethics, 29(5).
Chinn, C. A., Buckland, L. A., & Samarapungavan, A. L. A. (2011). Expanding the dimensions of epistemic cognition: Arguments from philosophy and psychology. Educational Psychologist, 46(3), 141–167.
Chinn, C. A., Rinehart, R. W., & Buckland, L. A. (2014). Epistemic cognition and evaluating information: Applying the model of aims, ideals, and reliable processes. In Processing inaccurate information: Theoretical and applied perspectives from cognitive science and the educational sciences.
Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589.
Kapoor, S., et al. (2024). REFORMS: Consensus-based recommendations for machine-learning-based science. Science Advances, 10, eadk3452.
National Research Council. (2012). A framework for K-12 science education: Practices, crosscutting concepts, and core ideas. National Academies Press.
Nehm, R. H., & Kubsch, M. (2026). Artificial intelligence in contemporary scientific practice: Implications for artificial-intelligence-integrated science education. In X. Zhai & K. J. Crippen (Eds.), Advancing artificial intelligence in science education. Springer.
Radovic, A., Williams, M., Rousseau, D., Kagan, M., Bonacorsi, D., Himmel, A., et al. (2018). Machine learning at the energy and intensity frontiers of particle physics. Nature, 560, 41–48.
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N., & Prabhat. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566, 195–204.
Zhai, X., & Nehm, R. H. (2023). Artificial intelligence and formative assessment: The train has left the station. Journal of Research in Science Teaching, 60(6), 1390–1398.
