Trí tuệ nhân tạo và yêu cầu tái định nghĩa năng lực người học
Sự phát triển nhanh của trí tuệ nhân tạo đang đưa giáo dục đại học vào một giai đoạn thay đổi sâu sắc. Trong môi trường học tập hiện nay, sinh viên có thể sử dụng các nền tảng trí tuệ nhân tạo để tìm kiếm thông tin, hỗ trợ viết học thuật, dịch thuật, phân tích dữ liệu, lập trình, mô phỏng ý tưởng và hoàn thiện sản phẩm học tập. Sự thuận tiện ấy mở ra nhiều cơ hội, nhưng cũng đặt ra một câu hỏi nền tảng: giáo dục đại học cần đào tạo người học thành những người sử dụng công cụ thành thạo, hay thành những chủ thể có năng lực hiểu công nghệ, đánh giá kết quả, bảo vệ liêm chính học thuật và giải quyết vấn đề một cách có trách nhiệm?
Theo Hu, He, Zhang và Guan (2025), năng lực trí tuệ nhân tạo và tư duy tính toán đang trở thành hai cấu phần quan trọng trong đào tạo đại học. Năng lực trí tuệ nhân tạo không chỉ là hiểu biết về công nghệ, mà còn bao gồm trách nhiệm khi sử dụng trí tuệ nhân tạo, tri thức và kĩ năng, tư duy thông minh, cũng như khả năng đổi mới trong tương tác giữa con người và hệ thống thông minh. Tư duy tính toán được tiếp cận như một năng lực phức hợp, gồm sáng tạo, tư duy thuật toán, hợp tác, tư duy phản biện và giải quyết vấn đề. Cách tiếp cận này cho thấy giáo dục trí tuệ nhân tạo không thể dừng ở việc hướng dẫn thao tác với công cụ, mà cần hướng tới hình thành năng lực nhận thức, năng lực đạo đức và năng lực học thuật của người học.
Khung lí thuyết được sử dụng trong tài liệu của Hu và cộng sự (2025) kết hợp Mô hình chấp nhận công nghệ của Davis (1989), Lí thuyết nhận thức xã hội của Bandura (1986) và Lí thuyết học tập kiến tạo của Piaget, Vygotsky. Mô hình chấp nhận công nghệ lí giải việc người học chấp nhận và duy trì sử dụng công nghệ dựa trên nhận thức về tính hữu ích và tính dễ sử dụng. Lí thuyết nhận thức xã hội nhấn mạnh sự tương tác giữa cá nhân, hành vi và môi trường, trong đó tự hiệu quả, học qua quan sát và trải nghiệm thực hành có vai trò đáng kể. Lí thuyết học tập kiến tạo coi tri thức là kết quả của quá trình người học chủ động kiến tạo thông qua hoạt động, tương tác xã hội và hỗ trợ sư phạm. Từ ba hướng tiếp cận đó, có thể thấy trí tuệ nhân tạo chỉ trở thành nguồn lực giáo dục khi được đặt trong một môi trường học tập có mục tiêu, có nhiệm vụ, có hướng dẫn và có đánh giá.
Theo Hu, He, Zhang và Guan (2025), năng lực trí tuệ nhân tạo và tư duy tính toán đang trở thành hai cấu phần quan trọng trong đào tạo đại học. Năng lực trí tuệ nhân tạo không chỉ là hiểu biết về công nghệ, mà còn bao gồm trách nhiệm khi sử dụng trí tuệ nhân tạo, tri thức và kĩ năng, tư duy thông minh, cũng như khả năng đổi mới trong tương tác giữa con người và hệ thống thông minh. Tư duy tính toán được tiếp cận như một năng lực phức hợp, gồm sáng tạo, tư duy thuật toán, hợp tác, tư duy phản biện và giải quyết vấn đề. Cách tiếp cận này cho thấy giáo dục trí tuệ nhân tạo không thể dừng ở việc hướng dẫn thao tác với công cụ, mà cần hướng tới hình thành năng lực nhận thức, năng lực đạo đức và năng lực học thuật của người học.
Khung lí thuyết được sử dụng trong tài liệu của Hu và cộng sự (2025) kết hợp Mô hình chấp nhận công nghệ của Davis (1989), Lí thuyết nhận thức xã hội của Bandura (1986) và Lí thuyết học tập kiến tạo của Piaget, Vygotsky. Mô hình chấp nhận công nghệ lí giải việc người học chấp nhận và duy trì sử dụng công nghệ dựa trên nhận thức về tính hữu ích và tính dễ sử dụng. Lí thuyết nhận thức xã hội nhấn mạnh sự tương tác giữa cá nhân, hành vi và môi trường, trong đó tự hiệu quả, học qua quan sát và trải nghiệm thực hành có vai trò đáng kể. Lí thuyết học tập kiến tạo coi tri thức là kết quả của quá trình người học chủ động kiến tạo thông qua hoạt động, tương tác xã hội và hỗ trợ sư phạm. Từ ba hướng tiếp cận đó, có thể thấy trí tuệ nhân tạo chỉ trở thành nguồn lực giáo dục khi được đặt trong một môi trường học tập có mục tiêu, có nhiệm vụ, có hướng dẫn và có đánh giá.
Giá trị giáo dục của AI không nằm ở số giờ sinh viên sử dụng công cụ, mà ở khả năng chuyển hóa trải nghiệm công nghệ thành hiểu biết, trách nhiệm học thuật và tư duy có cấu trúc.
Từ thời lượng sử dụng đến chất lượng "chuyển hóa" năng lực
Một điểm đáng chú ý trong dữ liệu của Hu và cộng sự (2025) là thời lượng sử dụng công cụ trí tuệ nhân tạo có liên hệ tích cực với năng lực trí tuệ nhân tạo và tư duy tính toán, nhưng mức độ liên hệ nhìn chung nhỏ. Các hệ số tương quan giữa thời lượng sử dụng công cụ và các chiều cạnh năng lực chỉ dao động ở mức yếu, dù đạt ý nghĩa thống kê trong mẫu lớn. Vì vậy, kết quả không ủng hộ cách hiểu giản đơn rằng dùng công cụ nhiều hơn sẽ tất yếu tạo ra năng lực tư duy tốt hơn.
Ý nghĩa sâu hơn của phát hiện này nằm ở vai trò trung gian của năng lực trí tuệ nhân tạo. Phân tích của Hu và cộng sự (2025) cho thấy tác động của thời lượng sử dụng công cụ đối với tư duy tính toán chủ yếu được chuyển tải thông qua năng lực trí tuệ nhân tạo. Cụ thể, tổng tác động của thời lượng sử dụng trí tuệ nhân tạo đối với tư duy tính toán có ý nghĩa thống kê; nhưng khi đưa năng lực trí tuệ nhân tạo vào mô hình, tác động trực tiếp không còn đáng kể. Hiệu ứng gián tiếp thông qua năng lực trí tuệ nhân tạo chiếm khoảng 78% tổng tác động. Điều này có nghĩa là công cụ không tự nó tạo ra tư duy; chính năng lực hiểu, đánh giá, sử dụng và hợp tác với công nghệ mới là điều kiện để trải nghiệm công cụ trở thành năng lực học tập.
Kết quả trên có ý nghĩa đặc biệt đối với giáo dục đại học. Một sinh viên có thể sử dụng công cụ trí tuệ nhân tạo hằng ngày, nhưng nếu chỉ dùng để nhận câu trả lời nhanh, thay thế thao tác đọc hiểu, giản lược quá trình lập luận hoặc hoàn thành nhiệm vụ một cách hình thức, trải nghiệm ấy khó có thể trở thành năng lực học thuật bền vững. Ngược lại, khi sinh viên được yêu cầu giải thích cách đặt yêu cầu cho công cụ, phân tích kết quả nhận được, đối chiếu với nguồn học thuật, sửa chữa lập luận, nhận diện giới hạn của dữ liệu và công khai trách nhiệm của bản thân trong sản phẩm học tập, trí tuệ nhân tạo có thể trở thành phương tiện rèn luyện tư duy.
Theo Wing (2006), tư duy tính toán là năng lực sử dụng các khái niệm nền tảng của khoa học máy tính để giải quyết vấn đề, thiết kế hệ thống và hiểu hành vi con người. Trong thời đại trí tuệ nhân tạo, tư duy tính toán không chỉ là lập trình hay thao tác kĩ thuật. Đó còn là khả năng phân rã vấn đề, nhận diện mẫu, trừu tượng hóa, thiết kế quy trình, kiểm tra giả thuyết, đánh giá kết quả và điều chỉnh phương án trong môi trường học tập giàu dữ liệu. Vì vậy, giáo dục trí tuệ nhân tạo cần gắn chặt với phát triển tư duy tính toán, thay vì tách rời thành những khóa hướng dẫn sử dụng công cụ ngắn hạn.
Khác biệt ngành học và yêu cầu thiết kế chương trình theo lĩnh vực
Ý nghĩa sâu hơn của phát hiện này nằm ở vai trò trung gian của năng lực trí tuệ nhân tạo. Phân tích của Hu và cộng sự (2025) cho thấy tác động của thời lượng sử dụng công cụ đối với tư duy tính toán chủ yếu được chuyển tải thông qua năng lực trí tuệ nhân tạo. Cụ thể, tổng tác động của thời lượng sử dụng trí tuệ nhân tạo đối với tư duy tính toán có ý nghĩa thống kê; nhưng khi đưa năng lực trí tuệ nhân tạo vào mô hình, tác động trực tiếp không còn đáng kể. Hiệu ứng gián tiếp thông qua năng lực trí tuệ nhân tạo chiếm khoảng 78% tổng tác động. Điều này có nghĩa là công cụ không tự nó tạo ra tư duy; chính năng lực hiểu, đánh giá, sử dụng và hợp tác với công nghệ mới là điều kiện để trải nghiệm công cụ trở thành năng lực học tập.
Kết quả trên có ý nghĩa đặc biệt đối với giáo dục đại học. Một sinh viên có thể sử dụng công cụ trí tuệ nhân tạo hằng ngày, nhưng nếu chỉ dùng để nhận câu trả lời nhanh, thay thế thao tác đọc hiểu, giản lược quá trình lập luận hoặc hoàn thành nhiệm vụ một cách hình thức, trải nghiệm ấy khó có thể trở thành năng lực học thuật bền vững. Ngược lại, khi sinh viên được yêu cầu giải thích cách đặt yêu cầu cho công cụ, phân tích kết quả nhận được, đối chiếu với nguồn học thuật, sửa chữa lập luận, nhận diện giới hạn của dữ liệu và công khai trách nhiệm của bản thân trong sản phẩm học tập, trí tuệ nhân tạo có thể trở thành phương tiện rèn luyện tư duy.
Theo Wing (2006), tư duy tính toán là năng lực sử dụng các khái niệm nền tảng của khoa học máy tính để giải quyết vấn đề, thiết kế hệ thống và hiểu hành vi con người. Trong thời đại trí tuệ nhân tạo, tư duy tính toán không chỉ là lập trình hay thao tác kĩ thuật. Đó còn là khả năng phân rã vấn đề, nhận diện mẫu, trừu tượng hóa, thiết kế quy trình, kiểm tra giả thuyết, đánh giá kết quả và điều chỉnh phương án trong môi trường học tập giàu dữ liệu. Vì vậy, giáo dục trí tuệ nhân tạo cần gắn chặt với phát triển tư duy tính toán, thay vì tách rời thành những khóa hướng dẫn sử dụng công cụ ngắn hạn.
Khác biệt ngành học và yêu cầu thiết kế chương trình theo lĩnh vực
Dữ liệu của Hu và cộng sự (2025) cho thấy sinh viên ở các nhóm ngành khác nhau có những ưu thế khác nhau. Sinh viên thuộc nhóm kĩ thuật mới nổi bật hơn ở tư duy thuật toán, trong khi sinh viên thuộc nhóm khoa học xã hội và nhân văn mới thể hiện điểm mạnh ở hợp tác giữa con người và hệ thống thông minh. Sinh viên thuộc nhóm nông nghiệp mới có kết quả thấp hơn ở một số chiều cạnh như tư duy thông minh và đổi mới trong hợp tác với trí tuệ nhân tạo. Những khác biệt này không nên được hiểu như sự phân định cố định về năng lực giữa các ngành, mà cần được xem như dấu hiệu cho thấy chương trình đào tạo, nhiệm vụ học tập và cơ hội thực hành công nghệ có ảnh hưởng đến sự phát triển năng lực của sinh viên.
Với các ngành kĩ thuật, sinh viên thường được tiếp xúc nhiều hơn với lập trình, thuật toán, mô hình hóa và thiết kế hệ thống. Điều đó có thể tạo lợi thế trong các nhiệm vụ đòi hỏi tư duy có cấu trúc. Với các ngành khoa học xã hội và nhân văn, hoạt động học tập thường gắn với diễn giải văn bản, phân tích bối cảnh, đánh giá lập luận, giao tiếp và hợp tác; vì vậy, trí tuệ nhân tạo có thể được sử dụng nhiều hơn trong các nhiệm vụ gắn với ngôn ngữ, sáng tạo nội dung, tương tác xã hội và phân tích ý nghĩa. Với các ngành nông nghiệp, y dược, môi trường hoặc giáo dục, yêu cầu đặt ra không phải là sao chép mô hình đào tạo của khối kĩ thuật, mà là thiết kế các nhiệm vụ ứng dụng trí tuệ nhân tạo phù hợp với vấn đề chuyên môn, dữ liệu ngành và bối cảnh nghề nghiệp.
Từ đó, chương trình đào tạo trí tuệ nhân tạo trong đại học cần được thiết kế theo hai tầng. Tầng thứ nhất là phần cốt lõi chung, bao gồm hiểu biết nền tảng về dữ liệu, thuật toán, nguyên lí vận hành của hệ thống thông minh, giới hạn của kết quả do công cụ tạo ra, đạo đức công nghệ, bảo vệ dữ liệu cá nhân và liêm chính học thuật. Tầng thứ hai là phần chuyên biệt theo khối ngành, trong đó sinh viên được thực hành với những tình huống gắn với lĩnh vực đào tạo. Sinh viên sư phạm cần biết thiết kế học liệu và đánh giá học tập có sử dụng trí tuệ nhân tạo; sinh viên kinh tế cần biết phân tích dữ liệu và hỗ trợ ra quyết định; sinh viên y dược cần hiểu giới hạn của hệ thống hỗ trợ chuyên môn; sinh viên khoa học xã hội và nhân văn cần có năng lực đánh giá tác động xã hội, văn hóa và đạo đức của công nghệ.
Công bằng số và năng lực học tập trong môi trường trí tuệ nhân tạo
Với các ngành kĩ thuật, sinh viên thường được tiếp xúc nhiều hơn với lập trình, thuật toán, mô hình hóa và thiết kế hệ thống. Điều đó có thể tạo lợi thế trong các nhiệm vụ đòi hỏi tư duy có cấu trúc. Với các ngành khoa học xã hội và nhân văn, hoạt động học tập thường gắn với diễn giải văn bản, phân tích bối cảnh, đánh giá lập luận, giao tiếp và hợp tác; vì vậy, trí tuệ nhân tạo có thể được sử dụng nhiều hơn trong các nhiệm vụ gắn với ngôn ngữ, sáng tạo nội dung, tương tác xã hội và phân tích ý nghĩa. Với các ngành nông nghiệp, y dược, môi trường hoặc giáo dục, yêu cầu đặt ra không phải là sao chép mô hình đào tạo của khối kĩ thuật, mà là thiết kế các nhiệm vụ ứng dụng trí tuệ nhân tạo phù hợp với vấn đề chuyên môn, dữ liệu ngành và bối cảnh nghề nghiệp.
Từ đó, chương trình đào tạo trí tuệ nhân tạo trong đại học cần được thiết kế theo hai tầng. Tầng thứ nhất là phần cốt lõi chung, bao gồm hiểu biết nền tảng về dữ liệu, thuật toán, nguyên lí vận hành của hệ thống thông minh, giới hạn của kết quả do công cụ tạo ra, đạo đức công nghệ, bảo vệ dữ liệu cá nhân và liêm chính học thuật. Tầng thứ hai là phần chuyên biệt theo khối ngành, trong đó sinh viên được thực hành với những tình huống gắn với lĩnh vực đào tạo. Sinh viên sư phạm cần biết thiết kế học liệu và đánh giá học tập có sử dụng trí tuệ nhân tạo; sinh viên kinh tế cần biết phân tích dữ liệu và hỗ trợ ra quyết định; sinh viên y dược cần hiểu giới hạn của hệ thống hỗ trợ chuyên môn; sinh viên khoa học xã hội và nhân văn cần có năng lực đánh giá tác động xã hội, văn hóa và đạo đức của công nghệ.
Công bằng số và năng lực học tập trong môi trường trí tuệ nhân tạo
Một phát hiện khác có ý nghĩa chính sách là sự khác biệt theo nơi cư trú. Theo Hu và cộng sự (2025), sinh viên đến từ khu vực đô thị có kết quả cao hơn ở một số chiều cạnh của năng lực trí tuệ nhân tạo so với sinh viên đến từ khu vực thị trấn và nông thôn. Mặc dù mức độ khác biệt nhỏ, xu hướng này gợi nhắc rằng năng lực số chịu tác động bởi môi trường tiếp cận công nghệ, chất lượng tài nguyên học tập, hạ tầng số và cơ hội thực hành.
Trong giáo dục đại học, công bằng số không chỉ có nghĩa là sinh viên có thiết bị và kết nối Internet. Công bằng số còn bao gồm cơ hội tiếp cận học liệu chất lượng, được hướng dẫn sử dụng công cụ một cách học thuật, được tham gia vào các nhiệm vụ học tập có ý nghĩa, được phản hồi và được đánh giá công bằng. Nếu các trường đại học chỉ coi trí tuệ nhân tạo là công cụ tùy chọn cho từng cá nhân, những sinh viên có điều kiện công nghệ tốt hơn, vốn học thuật tốt hơn và môi trường hỗ trợ tốt hơn sẽ tiếp tục có lợi thế. Ngược lại, nếu nhà trường thiết kế được hệ sinh thái học tập có hướng dẫn, trí tuệ nhân tạo có thể trở thành cơ hội thu hẹp khoảng cách học tập giữa các nhóm sinh viên.
Công bằng số vì vậy cần được nhìn nhận như một nội dung của bảo đảm chất lượng đào tạo. Khi chương trình học yêu cầu sinh viên sử dụng công cụ trí tuệ nhân tạo, nhà trường phải đồng thời bảo đảm điều kiện tiếp cận, hướng dẫn, tiêu chí đánh giá và quy định liêm chính học thuật. Nếu không, cùng một yêu cầu học tập có thể tạo ra những trải nghiệm rất khác nhau giữa sinh viên thành thị và nông thôn, giữa sinh viên năm thứ nhất và năm cuối, giữa sinh viên thuộc ngành có điều kiện công nghệ tốt và ngành ít cơ hội thực hành.
Trong giáo dục đại học, công bằng số không chỉ có nghĩa là sinh viên có thiết bị và kết nối Internet. Công bằng số còn bao gồm cơ hội tiếp cận học liệu chất lượng, được hướng dẫn sử dụng công cụ một cách học thuật, được tham gia vào các nhiệm vụ học tập có ý nghĩa, được phản hồi và được đánh giá công bằng. Nếu các trường đại học chỉ coi trí tuệ nhân tạo là công cụ tùy chọn cho từng cá nhân, những sinh viên có điều kiện công nghệ tốt hơn, vốn học thuật tốt hơn và môi trường hỗ trợ tốt hơn sẽ tiếp tục có lợi thế. Ngược lại, nếu nhà trường thiết kế được hệ sinh thái học tập có hướng dẫn, trí tuệ nhân tạo có thể trở thành cơ hội thu hẹp khoảng cách học tập giữa các nhóm sinh viên.
Công bằng số vì vậy cần được nhìn nhận như một nội dung của bảo đảm chất lượng đào tạo. Khi chương trình học yêu cầu sinh viên sử dụng công cụ trí tuệ nhân tạo, nhà trường phải đồng thời bảo đảm điều kiện tiếp cận, hướng dẫn, tiêu chí đánh giá và quy định liêm chính học thuật. Nếu không, cùng một yêu cầu học tập có thể tạo ra những trải nghiệm rất khác nhau giữa sinh viên thành thị và nông thôn, giữa sinh viên năm thứ nhất và năm cuối, giữa sinh viên thuộc ngành có điều kiện công nghệ tốt và ngành ít cơ hội thực hành.
Công cụ càng mạnh, giáo dục đại học càng phải chú trọng năng lực người học: biết đặt vấn đề, kiểm chứng tri thức, giải thích lựa chọn và chịu trách nhiệm với sản phẩm học thuật của mình.
Đổi mới đánh giá: đo năng lực tư duy, không chỉ kiểm tra sản phẩm
Sự hiện diện của trí tuệ nhân tạo làm cho nhiều hình thức đánh giá truyền thống trở nên kém phù hợp. Những bài kiểm tra chỉ yêu cầu tái hiện tri thức, tóm tắt tài liệu hoặc trả lời câu hỏi đóng khó có thể phản ánh đúng năng lực của người học trong môi trường có công cụ hỗ trợ mạnh. Khi sinh viên có thể tạo văn bản, mã lệnh, bản dịch hoặc dàn ý trong thời gian ngắn, việc đánh giá cần chuyển trọng tâm từ sản phẩm cuối cùng sang quá trình hình thành sản phẩm.
Điều này không có nghĩa là xem nhẹ kết quả học tập. Ngược lại, đánh giá cần chặt chẽ hơn, nhưng phải hướng vào những năng lực sâu hơn: cách sinh viên xác định vấn đề, lựa chọn công cụ, đặt yêu cầu, kiểm chứng kết quả, sử dụng nguồn học thuật, điều chỉnh lập luận, hợp tác với bạn học và chịu trách nhiệm về sản phẩm cuối cùng. Một bài tập có sử dụng trí tuệ nhân tạo cần đi kèm phần thuyết minh phương pháp, nhật kí sử dụng công cụ, danh mục nguồn đã kiểm chứng và giải trình đóng góp cá nhân. Khi đó, công cụ không thay thế tư duy, mà buộc người học phải trình bày rõ quá trình tư duy của mình.
Theo Hu và cộng sự (2025), phát triển năng lực trí tuệ nhân tạo và tư duy tính toán đòi hỏi các đơn vị học tập có tính dự án, gắn bối cảnh, có thể đánh giá và tích hợp nội dung đạo đức, dữ liệu, thuật toán. Các tác giả cũng nhấn mạnh cần chú trọng “chất lượng” của việc sử dụng công cụ hơn là chỉ tăng thời lượng tiếp xúc. Đây là gợi ý quan trọng cho thiết kế đánh giá trong giáo dục đại học: sinh viên không chỉ được hỏi đã dùng công cụ gì, mà cần chứng minh mình đã học được gì, đã kiểm chứng như thế nào và đã phát triển năng lực tư duy ra sao.
Khuyến nghị đối với giáo dục đại học Việt Nam
Điều này không có nghĩa là xem nhẹ kết quả học tập. Ngược lại, đánh giá cần chặt chẽ hơn, nhưng phải hướng vào những năng lực sâu hơn: cách sinh viên xác định vấn đề, lựa chọn công cụ, đặt yêu cầu, kiểm chứng kết quả, sử dụng nguồn học thuật, điều chỉnh lập luận, hợp tác với bạn học và chịu trách nhiệm về sản phẩm cuối cùng. Một bài tập có sử dụng trí tuệ nhân tạo cần đi kèm phần thuyết minh phương pháp, nhật kí sử dụng công cụ, danh mục nguồn đã kiểm chứng và giải trình đóng góp cá nhân. Khi đó, công cụ không thay thế tư duy, mà buộc người học phải trình bày rõ quá trình tư duy của mình.
Theo Hu và cộng sự (2025), phát triển năng lực trí tuệ nhân tạo và tư duy tính toán đòi hỏi các đơn vị học tập có tính dự án, gắn bối cảnh, có thể đánh giá và tích hợp nội dung đạo đức, dữ liệu, thuật toán. Các tác giả cũng nhấn mạnh cần chú trọng “chất lượng” của việc sử dụng công cụ hơn là chỉ tăng thời lượng tiếp xúc. Đây là gợi ý quan trọng cho thiết kế đánh giá trong giáo dục đại học: sinh viên không chỉ được hỏi đã dùng công cụ gì, mà cần chứng minh mình đã học được gì, đã kiểm chứng như thế nào và đã phát triển năng lực tư duy ra sao.
Khuyến nghị đối với giáo dục đại học Việt Nam
Yêu cầu phát triển năng lực trí tuệ nhân tạo của sinh viên Việt Nam cần được đặt trong tổng thể đổi mới giáo dục và chuyển đổi số quốc gia. Quyết định số 1705/QĐ-TTg ngày 31/12/2024 của Thủ tướng Chính phủ phê duyệt Chiến lược phát triển giáo dục đến năm 2030, tầm nhìn đến năm 2045; 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”; Quyết định số 749/QĐ-TTg ngày 03/6/2020 phê duyệt Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030; 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 là những căn cứ quan trọng để các cơ sở giáo dục đại học xây dựng chiến lược phát triển năng lực số và năng lực trí tuệ nhân tạo cho người học.
Trước hết, các trường đại học cần xây dựng khung năng lực trí tuệ nhân tạo cho sinh viên theo hướng liên ngành và gắn với chuẩn đầu ra chương trình đào tạo. Khung năng lực này nên bao gồm hiểu biết nền tảng về dữ liệu, thuật toán và hệ thống trí tuệ nhân tạo; năng lực sử dụng công cụ trong học tập và giải quyết vấn đề; năng lực kiểm chứng, đánh giá và diễn giải kết quả; trách nhiệm học thuật, đạo đức công nghệ và bảo vệ dữ liệu cá nhân. Khung năng lực không nên được ban hành như một văn bản hình thức, mà cần được chuyển hóa thành chuẩn đầu ra, học phần, nhiệm vụ học tập, tiêu chí đánh giá và minh chứng bảo đảm chất lượng.
Thứ hai, cần đưa trí tuệ nhân tạo vào chương trình đào tạo theo mô hình tích hợp, không chỉ bằng một học phần riêng lẻ. Một học phần đại cương về trí tuệ nhân tạo có thể cung cấp nền tảng chung, nhưng năng lực chỉ được hình thành bền vững khi sinh viên được thực hành trong các học phần chuyên ngành. Chẳng hạn, trong đào tạo giáo viên, sinh viên cần học cách thiết kế kế hoạch bài dạy, học liệu số, câu hỏi đánh giá và hoạt động hỗ trợ cá nhân hóa có sử dụng trí tuệ nhân tạo. Trong đào tạo kinh tế, sinh viên cần thực hành phân tích dữ liệu, xây dựng kịch bản và kiểm tra tính hợp lí của kết quả. Trong khoa học xã hội và nhân văn, sinh viên cần học cách khai thác công cụ để đọc, tóm tắt, đối chiếu, phân tích văn bản, đồng thời đánh giá tác động xã hội và đạo đức của công nghệ.
Thứ ba, cần coi liêm chính học thuật trong môi trường trí tuệ nhân tạo là nội dung bắt buộc của giáo dục đại học. Các trường cần ban hành hướng dẫn rõ ràng về những hình thức sử dụng công cụ được chấp nhận, cách công khai việc sử dụng công cụ, yêu cầu trích dẫn, trách nhiệm của sinh viên đối với sản phẩm học tập và xử lí các trường hợp vi phạm. Tuy nhiên, quy định không nên chỉ đặt trọng tâm vào kiểm soát, mà cần hướng tới giáo dục trách nhiệm. Sinh viên phải hiểu rằng trí tuệ nhân tạo có thể hỗ trợ quá trình học tập, nhưng không thay thế trách nhiệm tư duy, trách nhiệm kiểm chứng và trách nhiệm học thuật của người học.
Thứ tư, cần bồi dưỡng giảng viên theo hướng thiết kế sư phạm với trí tuệ nhân tạo. Giảng viên không chỉ cần biết công cụ hoạt động ra sao, mà cần biết xây dựng nhiệm vụ học tập phù hợp, thiết kế câu hỏi yêu cầu tư duy bậc cao, tổ chức đánh giá quá trình, nhận diện sản phẩm thiếu tính học thuật và hướng dẫn sinh viên kiểm chứng thông tin. Mỗi khoa, bộ môn nên xây dựng cộng đồng thực hành để chia sẻ tình huống dạy học, bộ tiêu chí đánh giá, mẫu giải trình sử dụng công cụ và các ví dụ tốt về tích hợp trí tuệ nhân tạo trong học phần.
Thứ năm, cần bảo đảm công bằng số cho sinh viên. Các trường đại học nên có cơ chế hỗ trợ sinh viên chưa có điều kiện tiếp cận công cụ, đặc biệt là sinh viên đến từ vùng khó khăn, sinh viên năm thứ nhất và sinh viên thuộc những ngành ít cơ hội thực hành công nghệ. Hỗ trợ này có thể bao gồm phòng học số, tài khoản học tập, học liệu mở, hướng dẫn nhập môn, cố vấn học tập và các hoạt động thực hành theo nhóm. Trong chuyển đổi số giáo dục, công bằng không chỉ là phân bổ thiết bị, mà còn là bảo đảm mọi sinh viên đều có cơ hội phát triển năng lực học tập trong môi trường số.
Thứ sáu, hệ thống bảo đảm chất lượng bên trong của các trường đại học cần bổ sung tiêu chí về phát triển năng lực trí tuệ nhân tạo và tư duy tính toán. Các minh chứng cần vượt ra ngoài số lượng học phần có sử dụng công nghệ. Nhà trường cần theo dõi việc chuẩn đầu ra có tích hợp năng lực liên quan hay không, hoạt động học tập có yêu cầu kiểm chứng và tư duy phản biện hay không, đánh giá có ghi nhận quá trình sử dụng công cụ hay không, sinh viên có được hướng dẫn về đạo đức công nghệ và liêm chính học thuật hay không, dữ liệu phản hồi có được sử dụng để cải tiến chương trình hay không.
Cuối cùng, cần thúc đẩy các khảo sát và đánh giá thực nghiệm tại Việt Nam về năng lực trí tuệ nhân tạo của sinh viên. Các dữ liệu quốc tế có giá trị tham khảo, nhưng không thể thay thế bằng chứng trong bối cảnh Việt Nam. Các trường đại học, viện nghiên cứu và cơ quan quản lí cần phối hợp xây dựng bộ công cụ đo lường phù hợp, khảo sát theo vùng miền, nhóm ngành, năm học, điều kiện tiếp cận công nghệ và năng lực giảng viên. Những dữ liệu này sẽ giúp chính sách không dừng ở định hướng chung, mà có cơ sở để thiết kế chương trình, đầu tư nguồn lực và đánh giá tác động một cách thuyết phục.
Trí tuệ nhân tạo không làm thay giáo dục nhiệm vụ phát triển con người; trái lại, nó buộc giáo dục đại học phải xác định rõ hơn những phẩm chất trí tuệ mà người học cần có trong một môi trường tri thức đang biến đổi nhanh. Giá trị của trí tuệ nhân tạo trong đại học không được đo bằng số giờ sinh viên sử dụng công cụ, mà bằng khả năng biến trải nghiệm công nghệ thành hiểu biết, trách nhiệm, năng lực kiểm chứng, tư duy có cấu trúc và khả năng giải quyết vấn đề. Khi công cụ càng mạnh, yêu cầu đối với tư duy con người càng cao. Vì vậy, giáo dục đại học Việt Nam cần đi xa hơn việc khuyến khích sử dụng trí tuệ nhân tạo: cần kiến tạo một hệ sinh thái học thuật trong đó công nghệ được đặt dưới sự dẫn dắt của mục tiêu giáo dục, chuẩn mực khoa học, liêm chính học thuật và trách nhiệm xã hội.
Tài liệu tham khảo
Trước hết, các trường đại học cần xây dựng khung năng lực trí tuệ nhân tạo cho sinh viên theo hướng liên ngành và gắn với chuẩn đầu ra chương trình đào tạo. Khung năng lực này nên bao gồm hiểu biết nền tảng về dữ liệu, thuật toán và hệ thống trí tuệ nhân tạo; năng lực sử dụng công cụ trong học tập và giải quyết vấn đề; năng lực kiểm chứng, đánh giá và diễn giải kết quả; trách nhiệm học thuật, đạo đức công nghệ và bảo vệ dữ liệu cá nhân. Khung năng lực không nên được ban hành như một văn bản hình thức, mà cần được chuyển hóa thành chuẩn đầu ra, học phần, nhiệm vụ học tập, tiêu chí đánh giá và minh chứng bảo đảm chất lượng.
Thứ hai, cần đưa trí tuệ nhân tạo vào chương trình đào tạo theo mô hình tích hợp, không chỉ bằng một học phần riêng lẻ. Một học phần đại cương về trí tuệ nhân tạo có thể cung cấp nền tảng chung, nhưng năng lực chỉ được hình thành bền vững khi sinh viên được thực hành trong các học phần chuyên ngành. Chẳng hạn, trong đào tạo giáo viên, sinh viên cần học cách thiết kế kế hoạch bài dạy, học liệu số, câu hỏi đánh giá và hoạt động hỗ trợ cá nhân hóa có sử dụng trí tuệ nhân tạo. Trong đào tạo kinh tế, sinh viên cần thực hành phân tích dữ liệu, xây dựng kịch bản và kiểm tra tính hợp lí của kết quả. Trong khoa học xã hội và nhân văn, sinh viên cần học cách khai thác công cụ để đọc, tóm tắt, đối chiếu, phân tích văn bản, đồng thời đánh giá tác động xã hội và đạo đức của công nghệ.
Thứ ba, cần coi liêm chính học thuật trong môi trường trí tuệ nhân tạo là nội dung bắt buộc của giáo dục đại học. Các trường cần ban hành hướng dẫn rõ ràng về những hình thức sử dụng công cụ được chấp nhận, cách công khai việc sử dụng công cụ, yêu cầu trích dẫn, trách nhiệm của sinh viên đối với sản phẩm học tập và xử lí các trường hợp vi phạm. Tuy nhiên, quy định không nên chỉ đặt trọng tâm vào kiểm soát, mà cần hướng tới giáo dục trách nhiệm. Sinh viên phải hiểu rằng trí tuệ nhân tạo có thể hỗ trợ quá trình học tập, nhưng không thay thế trách nhiệm tư duy, trách nhiệm kiểm chứng và trách nhiệm học thuật của người học.
Thứ tư, cần bồi dưỡng giảng viên theo hướng thiết kế sư phạm với trí tuệ nhân tạo. Giảng viên không chỉ cần biết công cụ hoạt động ra sao, mà cần biết xây dựng nhiệm vụ học tập phù hợp, thiết kế câu hỏi yêu cầu tư duy bậc cao, tổ chức đánh giá quá trình, nhận diện sản phẩm thiếu tính học thuật và hướng dẫn sinh viên kiểm chứng thông tin. Mỗi khoa, bộ môn nên xây dựng cộng đồng thực hành để chia sẻ tình huống dạy học, bộ tiêu chí đánh giá, mẫu giải trình sử dụng công cụ và các ví dụ tốt về tích hợp trí tuệ nhân tạo trong học phần.
Thứ năm, cần bảo đảm công bằng số cho sinh viên. Các trường đại học nên có cơ chế hỗ trợ sinh viên chưa có điều kiện tiếp cận công cụ, đặc biệt là sinh viên đến từ vùng khó khăn, sinh viên năm thứ nhất và sinh viên thuộc những ngành ít cơ hội thực hành công nghệ. Hỗ trợ này có thể bao gồm phòng học số, tài khoản học tập, học liệu mở, hướng dẫn nhập môn, cố vấn học tập và các hoạt động thực hành theo nhóm. Trong chuyển đổi số giáo dục, công bằng không chỉ là phân bổ thiết bị, mà còn là bảo đảm mọi sinh viên đều có cơ hội phát triển năng lực học tập trong môi trường số.
Thứ sáu, hệ thống bảo đảm chất lượng bên trong của các trường đại học cần bổ sung tiêu chí về phát triển năng lực trí tuệ nhân tạo và tư duy tính toán. Các minh chứng cần vượt ra ngoài số lượng học phần có sử dụng công nghệ. Nhà trường cần theo dõi việc chuẩn đầu ra có tích hợp năng lực liên quan hay không, hoạt động học tập có yêu cầu kiểm chứng và tư duy phản biện hay không, đánh giá có ghi nhận quá trình sử dụng công cụ hay không, sinh viên có được hướng dẫn về đạo đức công nghệ và liêm chính học thuật hay không, dữ liệu phản hồi có được sử dụng để cải tiến chương trình hay không.
Cuối cùng, cần thúc đẩy các khảo sát và đánh giá thực nghiệm tại Việt Nam về năng lực trí tuệ nhân tạo của sinh viên. Các dữ liệu quốc tế có giá trị tham khảo, nhưng không thể thay thế bằng chứng trong bối cảnh Việt Nam. Các trường đại học, viện nghiên cứu và cơ quan quản lí cần phối hợp xây dựng bộ công cụ đo lường phù hợp, khảo sát theo vùng miền, nhóm ngành, năm học, điều kiện tiếp cận công nghệ và năng lực giảng viên. Những dữ liệu này sẽ giúp chính sách không dừng ở định hướng chung, mà có cơ sở để thiết kế chương trình, đầu tư nguồn lực và đánh giá tác động một cách thuyết phục.
Trí tuệ nhân tạo không làm thay giáo dục nhiệm vụ phát triển con người; trái lại, nó buộc giáo dục đại học phải xác định rõ hơn những phẩm chất trí tuệ mà người học cần có trong một môi trường tri thức đang biến đổi nhanh. Giá trị của trí tuệ nhân tạo trong đại học không được đo bằng số giờ sinh viên sử dụng công cụ, mà bằng khả năng biến trải nghiệm công nghệ thành hiểu biết, trách nhiệm, năng lực kiểm chứng, tư duy có cấu trúc và khả năng giải quyết vấn đề. Khi công cụ càng mạnh, yêu cầu đối với tư duy con người càng cao. Vì vậy, giáo dục đại học Việt Nam cần đi xa hơn việc khuyến khích sử dụng trí tuệ nhân tạo: cần kiến tạo một hệ sinh thái học thuật trong đó công nghệ được đặt dưới sự dẫn dắt của mục tiêu giáo dục, chuẩn mực khoa học, liêm chính học thuật và trách nhiệm xã hội.
Tài liệu tham khảo
Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice-Hall.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
Hu, Z., He, H., Zhang, C., & Guan, Y. (2025). Development and influencing factors of artificial intelligence literacy and computational thinking in Chinese university students. Scientific Reports, 15, 42708.
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Artificial intelligence literacy: A review of the literature and implications for curriculum. Computers and Education: Artificial Intelligence, 2, 100027.
Piaget, J. (1950). The psychology of intelligence. Routledge & Kegan Paul.
UNESCO. (2023). Guidance for generative artificial intelligence in education and research. UNESCO.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
Hu, Z., He, H., Zhang, C., & Guan, Y. (2025). Development and influencing factors of artificial intelligence literacy and computational thinking in Chinese university students. Scientific Reports, 15, 42708.
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Artificial intelligence literacy: A review of the literature and implications for curriculum. Computers and Education: Artificial Intelligence, 2, 100027.
Piaget, J. (1950). The psychology of intelligence. Routledge & Kegan Paul.
UNESCO. (2023). Guidance for generative artificial intelligence in education and research. UNESCO.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33-35.
