Chính sách đại học về trí tuệ nhân tạo sinh tạo ở châu Á: Thực tiễn, thách thức và định hướng

Thực tiễn chính sách và khoảng trống còn tồn tại

Bức tranh chính sách GenAI ở các trường đại học châu Á phản ánh sự đa dạng trong cách tiếp cận và định hình tầm nhìn. Một nhóm cơ sở giáo dục lựa chọn diễn ngôn thận trọng, coi GenAI như một công cụ hai mặt: vừa mở ra triển vọng đổi mới, vừa tiềm ẩn nguy cơ về đạo đức học thuật và tính nguyên gốc của tri thức (Baidoo-Anu & Ansah, 2023; Chan & Hu, 2023). Một số trường khác thể hiện thái độ chủ động hơn khi khẳng định rằng AI là xu thế tất yếu, coi năng lực số và khả năng làm chủ công nghệ là năng lực cốt lõi của người học và giảng viên trong kỷ nguyên mới (Imran & Almusharraf, 2023). Bên cạnh đó, cũng có những cơ sở tập trung nhiều hơn vào việc thích ứng nhanh, chú trọng điều chỉnh linh hoạt các hoạt động giảng dạy và quản trị để đối phó với sự biến đổi khó lường của công nghệ (Yang, 2023).

Nếu xét về phạm vi công nghệ, đa số văn bản chính sách hiện nay tập trung vào các công cụ tạo văn bản, bởi đây là lĩnh vực tác động trực tiếp đến bài tập, luận văn và hoạt động viết học thuật của sinh viên. Tuy nhiên, một số trường bắt đầu mở rộng sang các ứng dụng như tạo hình ảnh, lập trình hay phân tích dữ liệu (Fauzi et al., 2023). Sự thiên lệch vào văn bản cho thấy chính sách còn chưa bắt kịp hết những thách thức từ các loại hình công cụ khác, chẳng hạn như video hay âm thanh do AI tạo ra (Heidari et al., 2024).

Ở cấp độ triển khai, các trường đại học châu Á thường áp dụng kiến trúc chính sách nhiều tầng. Các văn bản chính sách vừa đưa ra nguyên tắc chung mang tính định hướng giá trị, vừa kèm theo những hướng dẫn thực hành chi tiết như khai báo minh bạch khi sử dụng AI trong học tập, danh mục hành vi nên làm hoặc cấm làm, và trong một số trường hợp có cả khảo sát trải nghiệm người dùng để hiệu chỉnh chính sách dựa trên thực tiễn (Moore & Lookadoo, 2024). Xu hướng này cho thấy sự dịch chuyển từ cách tiếp cận dựa trên giả định sang cách tiếp cận dựa trên dữ liệu và phản hồi của cộng đồng học thuật.

Trong lĩnh vực đánh giá, hai hướng tiếp cận song song đang tồn tại. Một số trường duy trì khung đánh giá thống nhất toàn trường, đảm bảo sự minh bạch và công bằng giữa các ngành học (Moorhouse, Yeo, & Wan, 2023). Ngược lại, nhiều trường trao quyền cho giảng viên tự điều chỉnh cách đánh giá trong từng học phần, khuyến khích thiết kế các nhiệm vụ đòi hỏi tư duy phản biện và sáng tạo, giảm thiểu sự phụ thuộc vào những hình thức kiểm tra dễ bị công cụ AI hỗ trợ quá mức (Luo, 2024). Sự phân hóa này phản ánh nỗ lực cân bằng giữa chuẩn hóa và linh hoạt trong quản lý học thuật.

Tuy nhiên, những khoảng trống cũng hiện hữu rõ rệt. Phần lớn các văn bản chỉ tập trung vào sinh viên và giảng viên, trong khi đội ngũ nhân viên hành chính và kỹ thuật – những người trực tiếp vận hành, bảo mật và hỗ trợ hạ tầng số – lại ít được đề cập (Kopcha, 2010). Việc thiếu vắng nhóm đối tượng này khiến chính sách chưa thực sự toàn diện. Đồng thời, chỉ một số ít cơ sở giáo dục tiến hành khảo sát hệ thống trước khi ban hành chính sách, trong khi đa phần vẫn dựa trên thảo luận nội bộ, cho thấy hạn chế về bằng chứng thực tiễn (Sanderson, 2002). Ngoài ra, vấn đề liêm chính học thuật vẫn chưa được định nghĩa lại trong bối cảnh con người và AI ngày càng đồng sáng tạo, khiến khung khái niệm truyền thống trở nên lạc hậu (Conroy, 2023). Cuối cùng, sự thiếu phối hợp quốc tế trong xây dựng chuẩn mực đang tạo nên sự chênh lệch đáng kể giữa các quốc gia và vùng lãnh thổ, ảnh hưởng đến trao đổi học thuật và hợp tác nghiên cứu xuyên biên giới (Vrontis & Christofi, 2021).

Định hướng chính sách và khuyến nghị cho Việt Nam

Những thực tiễn và khoảng trống nêu trên chỉ ra nhu cầu cấp thiết về một cách tiếp cận toàn diện, dựa trên bằng chứng và mang tính hội nhập quốc tế trong xây dựng chính sách GenAI. Về phương diện chung, các trường đại học cần mở rộng phạm vi chính sách đến toàn bộ cộng đồng học thuật, bao gồm cả nhân viên hành chính và kỹ thuật. Đây là lực lượng giữ vai trò quan trọng trong duy trì vận hành, bảo đảm an toàn thông tin và hỗ trợ triển khai công nghệ mới. Chính sách cũng cần gắn chặt với cơ chế khảo sát định kỳ, nhằm nắm bắt trải nghiệm, khó khăn và nhu cầu từ nhiều phía để có điều chỉnh kịp thời.

Một ưu tiên khác là tích hợp năng lực số và năng lực AI vào chương trình đào tạo. Sinh viên cần được trang bị kiến thức, kỹ năng và thái độ để sử dụng GenAI có trách nhiệm, đồng thời phát triển năng lực phản biện để đánh giá sản phẩm do AI tạo ra. Đối với giảng viên và nhà nghiên cứu, việc tổ chức các khóa bồi dưỡng chuyên môn liên tục là điều kiện cần thiết để họ vừa khai thác hiệu quả công cụ, vừa duy trì chuẩn mực đạo đức và giá trị học thuật truyền thống (Cha et al., 2024).

Đặc biệt, hợp tác quốc tế đóng vai trò then chốt trong việc chia sẻ nguồn lực, kinh nghiệm và thiết lập chuẩn mực chung về liêm chính học thuật trong kỷ nguyên AI. Việc thiếu sự phối hợp xuyên biên giới có thể dẫn đến chênh lệch trong chất lượng và chuẩn mực, từ đó ảnh hưởng đến di chuyển sinh viên, trao đổi học thuật và công bố khoa học (Altbach, 2004; Aziz & Norhashim, 2008).

Đối với Việt Nam, bối cảnh chính sách hiện nay đã có nhiều thuận lợi khi Nghị quyết 57-NQ/TW (2024) nhấn mạnh vai trò của khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số trong phát triển giáo dục. Cùng với đó, các văn bản như Quyết định 131/QĐ-TTg về tăng cường ứng dụng CNTT và chuyển đổi số trong giáo dục hay Thông tư 03/2022/TT-BGDĐT về đảm bảo chất lượng đào tạo trực tuyến đã đặt nền tảng pháp lý quan trọng. Trên cơ sở này, các trường đại học Việt Nam cần sớm xây dựng khung chính sách GenAI riêng, lồng ghép vào chiến lược phát triển đào tạo và nghiên cứu. Khung chính sách này cần bảo đảm ba trụ cột: giữ vững liêm chính học thuật, nâng cao năng lực số toàn diện, và thúc đẩy hội nhập quốc tế.

Việc triển khai GenAI không chỉ dừng lại ở công cụ hỗ trợ học tập, mà còn là cơ hội để tái cấu trúc phương pháp dạy học, đổi mới hình thức đánh giá và nâng cao năng lực nghiên cứu. Nếu được triển khai một cách thận trọng nhưng chủ động, GenAI sẽ trở thành động lực thúc đẩy chất lượng đào tạo đại học Việt Nam trong kỷ nguyên số, đồng thời giúp Việt Nam hội nhập sâu rộng hơn vào không gian học thuật toàn cầu.

Vân An

Tài liệu tham khảo

Altbach, P. G. (2004). The past and future of Asian universities: Twenty-first century challenges. Brill.

Aziz, K. A., & Norhashim, M. (2008). Cluster-based policy making: Assessing performance and sustaining competitiveness. Review of Policy Research, 25(4), 349–375. https://doi.org/10.1111/j.1541-1338.2008.00336.x

Baidoo-Anu, D., & Ansah, L. O. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52–62. https://doi.org/10.61969/jai.1337500

Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(1), 43. https://doi.org/10.1186/s41239-023-00411-8

Cha, Y., Dai, Y., Lin, Z., Liu, A., & Lim, C. P. (2024). Empowering university educators to support generative AI-enabled learning: Proposing a competency framework. Procedia CIRP. https://doi.org/10.1016/j.procir.2023.05.002

Conroy, G. (2023). How ChatGPT and other AI tools could disrupt scientific publishing. Nature, 622(7982), 234–236. https://doi.org/10.1038/d41586-023-03144-w

Fauzi, F., Tuhuteru, L., Sampe, F., Ausat, A., & Hatta, H. (2023). Analysing the role of ChatGPT in improving student productivity in higher education. Journal on Education, 5(4), 14886–14891. https://doi.org/10.31004/joe.v5i4.2563

Heidari, A., Navimipour, N. J., Zeadally, S., & Chamola, V. (2024). Everything you wanted to know about ChatGPT: Components, capabilities, applications, and opportunities. Internet Technology Letters, e530. https://doi.org/10.1002/itl2.530

Imran, M., & Almusharraf, N. (2023). Analyzing the role of ChatGPT as a writing assistant at higher education level: A systematic review of the literature. Contemporary Educational Technology, 15(4), ep464. https://doi.org/10.30935/cedtech/13605

Kopcha, T. J. (2010). A systems-based approach to technology integration using mentoring and communities of practice. Educational Technology Research & Development, 58(2), 175–190. https://doi.org/10.1007/s11423-008-9095-4

Luo, J. (2024). A critical review of GenAI policies in higher education assessment: A call to reconsider the “originality” of students’ work. Assessment & Evaluation in Higher Education, 1–14. https://doi.org/10.1080/02602938.2024.2309963

Moorhouse, B. L., Yeo, M. A., & Wan, Y. (2023). Generative AI tools and assessment: Guidelines of the world’s top-ranking universities. Computers and Education Open, 5, 100151. https://doi.org/10.1016/j.caeo.2023.100151

Moore, S., & Lookadoo, K. (2024). Communicating clear guidance: Advice for generative AI policy development in higher education. Business and Professional Communication Quarterly. https://doi.org/10.1177/23294906241254786

Sanderson, I. (2002). Evaluation, policy learning and evidence‐based policy making. Public Administration, 80(1), 1–22. https://doi.org/10.1111/1467-9299.00292

Vrontis, D., & Christofi, M. (2021). R&D internationalization and innovation: A systematic review, integrative framework and future research directions. Journal of Business Research, 128, 812–823. https://doi.org/10.1016/j.jbusres.2019.03.031

Yang, J. (2023). Challenges and opportunities of generative artificial intelligence in higher education student educational management. Advances in Educational Technology and Psychology, 7(9), 92–96. https://doi.org/10.23977/aetp.2023.070914