Với sự phát triển của các kỹ thuật tính toán và xử lý thông tin, trí tuệ nhân tạo (AI) đã được ứng dụng rộng rãi trong thực tiễn giáo dục (Artificial Intelligence in Education – AIEd), chẳng hạn như hệ thống gia sư thông minh, robot dạy học, bảng điều khiển phân tích học tập, hệ thống học tập thích ứng, tương tác người – máy tính, ... Kể từ khi AIEd ra đời cách đây gần ba thập kỷ, AI được xem là một công cụ mạnh mẽ giúp thúc đẩy những mô hình mới trong thiết kế dạy học, phát triển công nghệ và nghiên cứu giáo dục - những điều khó có thể thực hiện trong các mô hình giáo dục truyền thống.
Cụ thể, AIEd đã mang lại những cơ hội, tiềm năng và thách thức mới cho đổi mới giáo dục, chẳng hạn như sự chuyển dịch sang học tập cá nhân hóa, thách thức đối với vai trò của người giảng dạy và sự phát triển của các hệ thống giáo dục phức hợp. Nhiều kỹ thuật AIEd khác nhau (ví dụ: xử lý ngôn ngữ tự nhiên, mạng nơ-ron nhân tạo, học máy, học sâu và thuật toán di truyền) đã được triển khai nhằm xây dựng các môi trường học tập thông minh phục vụ cho việc phát hiện hành vi, xây dựng mô hình dự đoán, đề xuất học tập,... AIEd đang trở thành trọng tâm nghiên cứu chính trong lĩnh vực máy tính và giáo dục, với tiềm năng thúc đẩy sự chuyển đổi về tri thức, nhận thức và văn hóa.
Mặc dù AI có tiềm năng làm thay đổi giáo dục, nhưng các kết quả giáo dục tích cực thường không tự động xuất hiện chỉ nhờ việc sử dụng các công nghệ tính toán AI tiên tiến. Quan trọng hơn, việc sử dụng các loại hình công nghệ giáo dục khác nhau thường hàm chứa những quan điểm triết học và sư phạm khác nhau, từ đó tạo ra những ảnh hưởng quan trọng đến chất lượng học tập và giảng dạy.
Mặc dù đã có các nghiên cứu tổng quan về phân loại AIEd, các cách tiếp cận, các vấn đề nghiên cứu, những thách thức và các tầm nhìn tương lai nhưng vẫn còn ít nghiên cứu xem xét một cách rõ ràng vai trò khác nhau của AI trong giáo dục, cách AI được kết nối với các lý thuyết giáo dục và học tập hiện có, cũng như mức độ mà việc sử dụng công nghệ AI ảnh hưởng đến hoạt động học tập và giảng dạy. Nghiên cứu của Ouyang, F., & Jiao, P. (2021) cho thấy lĩnh vực AIEd đã trải qua nhiều sự chuyển dịch mang tính mô hình (paradigmatic shifts) và được phân thành ba mô hình chính gồm:
(1) AI định hướng – người học là đối tượng tiếp nhận (AI-directed, learner-as-recipient);
(2) AI hỗ trợ – người học là cộng tác viên (AI-supported, learner-as-collaborator);
(3) AI trao quyền – người học là trung tâm dẫn dắt (AI-empowered, learner-as-leader).
Trong mô hình thứ nhất, AI được sử dụng để biểu diễn tri thức và điều hướng quá trình học tập, trong khi người học đóng vai trò tiếp nhận dịch vụ từ hệ thống AI. Ở mô hình thứ hai, AI được sử dụng như một công cụ hỗ trợ học tập và người học cộng tác với AI trong quá trình học. Trong mô hình thứ ba, AI đóng vai trò trao quyền học tập, còn người học trở thành chủ thể điều khiển và làm chủ quá trình học tập của chính mình.
Dưới đây sẽ phân tích chi tiết hơn về từng mô hình AIEd:
Mô hình 1: AI định hướng – người học là đối tượng tiếp nhận (AI-directed, learner-as-recipient)
Mô hình thứ nhất được đặc trưng bởi việc AI đại diện cho tri thức lĩnh vực và kiểm soát toàn bộ quá trình học tập, trong khi người học chỉ đóng vai trò tiếp nhận và làm theo các lộ trình học tập được xác định sẵn bởi hệ thống AI.
Nền tảng lý thuyết của mô hình này là thuyết hành vi (behaviorism), nhấn mạnh việc tổ chức nội dung học tập theo các chuỗi được sắp xếp chặt chẽ nhằm dẫn dắt người học đạt được các phản hồi chính xác. Theo quan điểm này, học tập được xem là quá trình củng cố việc tiếp nhận tri thức thông qua các chỉ dẫn được lập trình sẵn, trong đó hệ thống liên tục cung cấp phản hồi tức thời đối với các câu trả lời sai và tăng cường các phản hồi tích cực.
Trong mô hình này, người học phải tuân theo các quy trình, trình tự và hoạt động học tập do AI thiết lập để đạt được các mục tiêu đã định trước. Các hệ thống AI mang đặc điểm tương tự “máy dạy học” của Skinner, có chức năng trình bày kiến thức theo logic tuyến tính, yêu cầu người học phản hồi và cung cấp ngay thông tin đúng/sai cho người học. Tuy nhiên, các hệ thống này chưa có khả năng mô hình hóa sự phát triển tri thức và kỹ năng mới của người học, cũng như chưa cá nhân hóa phản hồi theo đặc điểm từng cá nhân. Vì vậy, đây được xem là mô hình ít lấy người học làm trung tâm nhất.
Một ví dụ điển hình của mô hình này là các hệ thống gia sư thông minh (Intelligent Tutoring Systems – ITSs) giai đoạn đầu. Chẳng hạn, hệ thống ACT Programming Tutor xây dựng cơ sở dữ liệu các quy tắc sản xuất liên quan đến kiến thức lập trình, sử dụng các phương pháp thống kê để ước lượng xác suất người học nắm được các quy tắc và từ đó đưa ra chuỗi bài tập phù hợp cho từng người học. Một ví dụ khác là hệ thống dạy thống kê Stat Lady. Phiên bản cơ bản của hệ thống này trình bày nội dung học tập theo thứ tự cố định và yêu cầu người học hoàn thành các bài tập định trước trước khi được chuyển sang bước tiếp theo. Trong khi đó, phiên bản thông minh hơn của Stat Lady có khả năng đánh giá kiến thức đầu vào của học sinh thông qua bài kiểm tra trực tuyến, mô hình hóa trạng thái học tập hiện tại và đưa ra quyết định tiếp tục hay bổ trợ kiến thức tương ứng.
Nghiên cứu cũng chỉ ra rằng trong mô hình này, AI chủ yếu sử dụng các kỹ thuật quan hệ thống kê để biểu diễn tri thức dưới dạng các quy tắc sản xuất, phát hiện các mẫu hành vi học tập hoặc cung cấp phản hồi tự động và gợi ý học tập. Nhìn chung, AI đóng vai trò “người chỉ huy” toàn bộ quá trình học tập, còn người học chỉ tiếp nhận dịch vụ AI để thực hiện các hoạt động nhận thức và giải quyết vấn đề.
Tuy nhiên, mô hình này tồn tại nhiều hạn chế. Một trong những vấn đề chính là việc hệ thống AI quyết định toàn bộ nội dung, quy trình và mục tiêu học tập, trong khi đặc điểm, nhu cầu và mục tiêu cá nhân của người học chưa được xem xét đầy đủ. Điều này có thể dẫn đến sự áp đặt và định kiến trong cách hệ thống định nghĩa tri thức và kỹ năng mà người học cần đạt được. Ngoài ra, mô hình này cũng gặp khó khăn khi xử lý các nhiệm vụ và vấn đề không có cấu trúc rõ ràng.
Mô hình 2: AI hỗ trợ – người học là cộng tác viên (AI-supported, learner-as-collaborator)
Mô hình thứ hai đánh dấu sự chuyển đổi từ cách tiếp cận “AI kiểm soát” sang “AI hỗ trợ”. Trong mô hình này, AI từ bỏ vai trò kiểm soát tuyệt đối để trở thành công cụ hỗ trợ học tập, còn người học trở thành cộng tác viên tương tác với hệ thống AI nhằm tối ưu hóa quá trình học tập cá nhân hóa.
Nền tảng lý thuyết của mô hình này là thuyết kiến tạo nhận thức và kiến tạo xã hội (cognitive and social constructivism), cho rằng việc học diễn ra thông qua sự tương tác của người học với con người, thông tin và công nghệ trong các bối cảnh xã hội cụ thể. Trong mô hình này, hệ thống AI thu thập các dữ liệu cá nhân hóa và dữ liệu phát sinh trong quá trình học để liên tục điều chỉnh mô hình người học. Đồng thời, người học có thể giao tiếp với hệ thống AI để hiểu quá trình ra quyết định của hệ thống và lựa chọn các hướng học tập phù hợp hơn.
Nhiều ứng dụng AI như hệ thống gia sư đối thoại (Dialogue-based Tutoring Systems – DTSs) và môi trường học tập khám phá (Exploratory Learning Environments – ELEs) đã được phát triển theo mô hình này. Một ví dụ tiêu biểu là nghiên cứu của Stamper (2006), trong đó hệ thống sử dụng quy trình quyết định Markov để tự động tạo và liên tục điều chỉnh các quy tắc sản xuất dựa trên dữ liệu người học trước đó. Nhờ đó, tri thức và kỹ năng trong hệ thống được mô hình hóa chính xác hơn so với việc chỉ dựa trên góc nhìn của chuyên gia hoặc hệ thống. Ngoài ra, Käser và cộng sự (2017) đã sử dụng mô hình mạng Bayes động để biểu diễn nhiều cấu trúc kỹ năng của học sinh và mối quan hệ giữa các kỹ năng khác nhau, giúp nâng cao độ chính xác trong việc mô hình hóa tri thức người học.
Ở chiều ngược lại, người học cũng có thể tương tác với hệ thống AI để hiểu logic suy luận của hệ thống. Ví dụ, môi trường học tập khám phá QUE cho phép người học đặt các câu hỏi dạng “tại sao không?” hoặc “nếu… thì sao?” nhằm khám phá sự khác biệt giữa câu trả lời sai của học sinh và chuỗi suy luận “đúng” của hệ thống gia sư thông minh.
Nghiên cứu cho thấy các thuật toán AI như mạng Bayes, xử lý ngôn ngữ tự nhiên và cây quyết định Markov đã được sử dụng để phân tích dữ liệu lớn từ nhiều nguồn khác nhau, tạo ra các kết quả có độ chính xác cao và hỗ trợ trực quan hóa dữ liệu phục vụ giao tiếp giữa người học và hệ thống AI.
Tuy nhiên, mô hình này vẫn đối mặt với thách thức lớn về việc tích hợp thông tin người học vào hệ thống AI để tối ưu hóa mô hình học tập thích ứng. Một hạn chế quan trọng là sự thiếu hụt các tương tác cộng hưởng và giao tiếp liên tục giữa con người và hệ thống AI.
Mô hình 3: AI trao quyền – người học là trung tâm dẫn dắt (AI-empowered, learner-as-leader)
Mô hình thứ ba được xem là xu hướng phát triển tương lai của AIEd. Mô hình này coi năng lực chủ thể (learner agency) của người học là trung tâm, đồng thời xem AI như một công cụ tăng cường trí tuệ con người.
Nền tảng lý thuyết của mô hình này là thuyết kết nối (connectivism) và lý thuyết hệ thống thích nghi phức hợp (complex adaptive system). Theo quan điểm này, giáo dục là một hệ thống phức hợp, trong đó sự cộng tác hiệp đồng giữa người học, giảng viên, thông tin và công nghệ đóng vai trò thiết yếu nhằm phát triển trí tuệ tăng cường cho con người.
Trong mô hình này, các khái niệm như hợp tác người – máy (human-computer cooperation), AI lấy con người làm trung tâm (human-centered AI) và cộng tác người – AI (human-AI collaboration) được đề xuất nhằm tiếp cận AI từ góc nhìn con người, chú trọng tới nhu cầu, bối cảnh và trải nghiệm của người học. Người học trở thành người lãnh đạo quá trình học tập của chính mình, trong khi AI hỗ trợ cung cấp thông tin minh bạch, chính xác và hiệu quả để hỗ trợ ra quyết định học tập. Người dạy cũng được AI hỗ trợ thông qua các công cụ trực quan, có khả năng giải thích và cá nhân hóa nhằm thúc đẩy học tập lấy người học làm trung tâm. Và, mục tiêu cuối cùng của AI trong giáo dục không chỉ là tự động hóa mà là tăng cường trí tuệ, năng lực và tiềm năng của con người.
Một số công nghệ nổi bật trong mô hình này bao gồm giao diện não – máy tính (brain-computer interface), học máy (machine learning) và học sâu (deep learning), cho phép thu thập và phân tích dữ liệu liên tục với độ chính xác và tính tương tác cao. Ví dụ, Le và cộng sự (2018) đã xây dựng mô hình học sâu dựa trên mạng nơ-ron hồi tiếp để dự đoán hành vi học tập theo thời gian thực trong các khóa học MOOC, từ đó hỗ trợ giao tiếp cá nhân hóa giữa giảng viên và người học. Một ví dụ khác là nghiên cứu của Cukurova và cộng sự (2019), sử dụng các thuật toán dự đoán và phân loại nhằm tăng tính minh bạch trong quá trình ra quyết định của gia sư chuyên gia, từ đó hỗ trợ phản hồi và suy ngẫm nâng cao cho người học.
Tuy nhiên, mô hình này cũng đặt ra nhiều thách thức mới, đặc biệt là việc xử lý tính phức tạp của quá trình học tập, hệ thống AI và bối cảnh giáo dục. Các hệ thống AIEd tương lai cần có khả năng giao tiếp liên tục với các bên liên quan, điều chỉnh mô hình AI theo giá trị con người và đảm bảo các mục tiêu giáo dục phù hợp với định hướng học tập lấy người học làm trung tâm.
Một số hàm ý chính sách
Kết quả nghiên cứu về ba mô hình AIEd cho thấy xu hướng phát triển của AI trong giáo dục đang chuyển dần từ mô hình “AI kiểm soát” sang “AI hỗ trợ” và cuối cùng là “AI trao quyền” cho người học. Điều này hàm ý rằng các chính sách quản lí AI trong giáo dục không nên chỉ tập trung vào việc đầu tư công nghệ hay triển khai các nền tảng AI, mà cần định hướng phát triển AI theo quan điểm lấy người học làm trung tâm. Chính sách quản lí cần bảo đảm rằng AI đóng vai trò hỗ trợ phát triển năng lực, tư duy và tính tự chủ của người học thay vì thay thế vai trò của con người trong giáo dục. Đồng thời, cần xây dựng các quy định rõ ràng về minh bạch thuật toán, bảo vệ dữ liệu học tập, quyền riêng tư và đạo đức AI trong nhà trường.
Đối với chính sách nghiên cứu và tài trợ nghiên cứu về AI trong giáo dục, có thể thấy nhiều công trình hiện nay còn thiên về phát triển công nghệ mà thiếu nền tảng lý luận giáo dục và học tập. Vì vậy, các chính sách tài trợ cần ưu tiên những nghiên cứu liên ngành giữa khoa học giáo dục, khoa học dữ liệu, trí tuệ nhân tạo và khoa học học tập. Các chương trình nghiên cứu không chỉ đánh giá hiệu quả kỹ thuật của AI mà cần xem xét tác động sư phạm, xã hội, cảm xúc và đạo đức của AI đối với người học và giáo viên. Bên cạnh đó, cần ưu tiên tài trợ cho các nghiên cứu phát triển các hệ thống AI minh bạch, có khả năng giải thích (explainable AI), hỗ trợ cá nhân hóa học tập và tăng cường năng lực chủ thể của người học.
Nghiên cứu cũng gợi mở hàm ý quan trọng đối với đào tạo và bồi dưỡng giáo viên trong bối cảnh AI. Nếu ở mô hình thứ nhất giáo viên chủ yếu sử dụng AI như công cụ hỗ trợ truyền đạt nội dung, thì ở mô hình thứ ba, giáo viên cần chuyển vai trò sang người thiết kế môi trường học tập, hướng dẫn, phản biện và hỗ trợ học sinh sử dụng AI một cách có trách nhiệm. Vì vậy, các chương trình đào tạo giáo viên cần bổ sung năng lực AI sư phạm, bao gồm: hiểu nguyên lý hoạt động của AI, biết lựa chọn và đánh giá công cụ AI phù hợp, thiết kế hoạt động học tập với AI, khai thác dữ liệu học tập để hỗ trợ học sinh, đồng thời nhận diện các rủi ro liên quan đến thiên lệch thuật toán, đạo đức và an toàn số.
Ngoài ra, kết quả nghiên cứu cho thấy xu hướng phát triển của AIEd đang hướng tới các hệ thống học tập thích ứng, cá nhân hóa và dựa trên dữ liệu thời gian thực. Điều này đặt ra yêu cầu đối với các chính sách giáo dục quốc gia trong việc xây dựng hạ tầng dữ liệu giáo dục số, hệ sinh thái học tập số và cơ chế chia sẻ dữ liệu an toàn giữa các cơ sở giáo dục. Các chính sách cũng cần chú trọng giảm bất bình đẳng số, bảo đảm mọi học sinh và giáo viên đều có cơ hội tiếp cận và sử dụng AI trong giáo dục một cách công bằng và hiệu quả.
Biên tập viên: Lương Ngọc, Vân An
Tài liệu tham khảo
Chen, X., Xie, H., & Hwang, G. J. (2020). A multi-perspective study on artificial intelligence in education: Grants, conferences, journals, software tools, institutions, and researchers. Computers & Education: Artificial Intelligence, 1, Article 100005.
Cukurova, M., Kent, C., & Luckin, R. (2019). Artificial intelligence and multimodal data in the service of human decision-making: A case study in debate tutoring. British Journal of Educational Technology, 50(6), 3032–3046
Hwang, G. J., Xie, H., Wah, B. W., & Gasevic, D. (2020). Vision, challenges, roles and research issues of Artificial Intelligence in Education. Computers & Education: Artificial Intelligence, 1, Article 100001. https://doi.org/10.1016/j.caeai.2020.100001
Kaser, T., Klingler, S., Schwing, A. G., & Gross, M. (2017). Dynamic Bayesian networks for student modeling. IEEE Transactions on Learning Technologies, 10(4), 450–462
Le, C. V., Pardos, Z. A., Meyer, S. D., & Thorp, R. (2018). June). Communication at scale in a MOOC using predictive engagement analytics. In International conference on artificial intelligence in education (pp. 239–252). Cham: Springer
Ouyang, F., & Jiao, P. (2021). Artificial intelligence in education: The three paradigms. Computers and Education: Artificial Intelligence, 2, 100020. https://doi.org/10.1016/j.caeai.2021.100020
Stamper, J. (2006). Automating the generation of production rules for intelligent tutoring systems. In Proceedings of the 9th international conference on interactive computer aided learning (ICL 2006). Kassel University Press.
Zhang, P., & Tur, G. (2024). A systematic review of ChatGPT use in K–12 education. European Journal of Education Research, Development and Policy, 59(2), 12599. https://doi.org/10.1111/ejed.12599
