Học tập phản tư và liêm chính học thuật: Khi trí tuệ nhân tạo sinh tạo trở thành bạn đồng hành của sinh viên

GenAI và bối cảnh giáo dục đại học đương đại

Kể từ khi các mô hình ngôn ngữ lớn được công bố rộng rãi cuối năm 2022, GenAI nhanh chóng trở thành trọng tâm của các cuộc thảo luận trong giới học thuật. Nhiều chính phủ và tổ chức quốc tế đã công bố chiến lược khuyến khích ứng dụng AI trong giáo dục, đồng thời nhấn mạnh tầm quan trọng của quản trị rủi ro và bảo đảm đạo đức (Department of Science, Innovation and Technology, 2023; Department for Education, 2023). Các báo cáo từ QAA (2024) và Jisc (2023) đều cho rằng AI có thể đóng góp đáng kể cho đổi mới phương pháp dạy học, song chỉ thực sự hiệu quả nếu sinh viên và giảng viên được trang bị đầy đủ năng lực số, kỹ năng phản biện và kiến thức về đạo đức sử dụng.

Trong bức tranh chung này, giáo dục đại học đứng trước hai nhiệm vụ song song. Một mặt, cần tận dụng sức mạnh của công nghệ để tăng hiệu quả học tập và mở rộng khả năng tiếp cận tri thức. Mặt khác, phải xây dựng hệ thống chính sách, chuẩn mực và phương pháp sư phạm phù hợp để người học không rơi vào tình trạng phụ thuộc hoặc vi phạm liêm chính học thuật.

Khung tiếp cận sư phạm: từ vấn đề đến phản tư

Một trong những cách tiếp cận được áp dụng thành công trong môi trường đại học là khung PAIR (Problem – AI – Interaction – Reflection), được đề xuất như một công cụ sư phạm giúp sinh viên sử dụng GAI một cách có trách nhiệm (Acar, 2023). Theo khung này, người học bắt đầu bằng việc xác định vấn đề, sau đó lựa chọn công cụGenAI để tìm giải pháp, tiếp tục với giai đoạn tương tác nhằm thử nghiệm nhiều đầu vào – đầu ra, và cuối cùng là phản tư để rút kinh nghiệm.

Đặc biệt, khi gắn kết với các mô hình phản tư kinh điển như Gibbs (1988) hoặc Rolfe et al. (2001), PAIR không chỉ khuyến khích người học sử dụng công cụ, mà còn tạo điều kiện để họ phân tích sâu quá trình trải nghiệm, đánh giá tính chính xác của kết quả, và hiểu rõ hơn ranh giới giữa hỗ trợ và gian lận. Nhờ đó, GAI trở thành chất xúc tác để nâng cao tư duy phản biện, chứ không phải là “lối tắt” học thuật.

Minh chứng từ đào tạo pháp luật: lợi ích và giới hạn

Trong một mô hình triển khai tại môi trường đào tạo luật, sinh viên quốc tế được yêu cầu sử dụng công cụ GenAI để phân tích tình huống pháp lý giả định. Kết quả cho thấy nhiều lợi ích rõ rệt. Trước hết, GenAI giúp tiết kiệm thời gian tìm kiếm nguồn tư liệu, định hình nhanh cấu trúc lập luận ban đầu và gợi mở hướng tiếp cận phù hợp. Đối với nhóm sinh viên không xuất thân từ ngành luật và không phải người bản ngữ, công cụ còn là trợ thủ đắc lực trong việc hiểu và diễn đạt thuật ngữ chuyên môn bằng tiếng Anh.

Bên cạnh đó, quá trình viết lệnh (prompt) và phân tích kết quả buộc người học phải chủ động tư duy, đặt câu hỏi và đối chiếu thông tin với nguồn chính thống. Hoạt động này rèn luyện kỹ năng nghiên cứu, đồng thời nâng cao năng lực phản biện khi sinh viên phải quyết định thông tin nào đáng tin cậy và thông tin nào cần loại bỏ. Một số trường hợp thậm chí đã vận dụng thành công phương pháp IRAC (Issue, Rule, Application, Conclusion) để giải quyết vấn đề pháp lý phức tạp (Slorach et al., 2023).

Tuy nhiên, những giới hạn cũng nhanh chóng bộc lộ. GAI có thể tạo ra nội dung sai lệch, thiếu chiều sâu hoặc không phù hợp với đặc thù từng hệ thống pháp luật (O’Connor, 2024). Việc xác minh tính chính xác và tính hợp lệ của thông tin vẫn phụ thuộc vào khả năng đọc hiểu tài liệu học thuật và pháp lý chính thống. Ngoài ra, lo ngại về đạo đức học thuật, đặc biệt nguy cơ đạo văn và “contract cheating”, là rào cản khiến nhiều sinh viên thận trọng khi tiếp cận công nghệ này (University of Huddersfield, 2024).

Kinh nghiệm sư phạm: từ hỗ trợ đến đồng hành

Những kinh nghiệm từ thực tiễn cho thấy, GenAI chỉ phát huy hiệu quả nếu được đặt trong khuôn khổ sư phạm chặt chẽ và minh bạch. Người học cần được hướng dẫn không chỉ cách sử dụng công cụ, mà cả phương pháp đánh giá, phản biện và đối chiếu thông tin. Vai trò của giảng viên ở đây là “người hướng dẫn đồng hành” – vừa giúp sinh viên tận dụng công nghệ, vừa ngăn ngừa việc lạm dụng.

GenAI cũng chứng minh rằng khi được sử dụng đúng cách, nó có thể trở thành động lực để phát triển học tập độc lập. Việc phản tư sau khi trải nghiệm công nghệ giúp sinh viên ý thức rõ hơn về trách nhiệm cá nhân, đồng thời củng cố niềm tin vào khả năng tự nghiên cứu. Đặc biệt, với những sinh viên trưởng thành hoặc không có nền tảng chuyên ngành, GenAI có thể giúp họ rút ngắn khoảng cách, hòa nhập nhanh hơn vào môi trường học thuật quốc tế.

Khuyến nghị cho giáo dục đại học Việt Nam

Trong bối cảnh Việt Nam đang đẩy mạnh chuyển đổi số và thực thi các nghị quyết quốc gia về khoa học – công nghệ, bài học quốc tế về ứng dụng GenAI mang lại nhiều gợi mở. Thứ nhất, các cơ sở giáo dục cần sớm xây dựng khung năng lực GenAI cho sinh viên, bao gồm kỹ năng nhận diện rủi ro, phản biện thông tin và tuân thủ liêm chính học thuật.

Thứ hai, Bộ Giáo dục và Đào tạo nên ban hành hướng dẫn thống nhất về sử dụng GenAI trong đào tạo và kiểm tra – đánh giá, nhằm tránh tình trạng mỗi trường, mỗi giảng viên tự đặt ra quy định riêng, dễ gây nhầm lẫn và bất bình đẳng trong tiếp cận công nghệ.

Thứ ba, cần thiết kế các khóa tập huấn thực hành cho cả giảng viên và sinh viên, kết hợp phân tích tình huống cụ thể để xác định ranh giới giữa “hỗ trợ” và “gian lận”. Song song, cần có cơ chế khuyến khích nghiên cứu – phản tư để sinh viên coi GenAI là công cụ đồng hành, chứ không phải sự thay thế.

Cuối cùng, giáo dục Việt Nam cần tích hợp GenAI vào chiến lược phát triển năng lực suốt đời, coi đây là phương tiện để rèn luyện tư duy sáng tạo và khả năng giải quyết vấn đề. Nếu được triển khai có hệ thống, GenAI không chỉ hỗ trợ nâng cao chất lượng đào tạo, mà còn góp phần xây dựng nguồn nhân lực có năng lực số, sẵn sàng thích ứng với nền kinh tế tri thức và hội nhập quốc tế.

Vân An

Tài liệu tham khảo

Acar, O. (2023). Are your students ready for AI? A 4-step framework to prepare learners for a ChatGPT world. Harvard Business Publishing Education. https://hbsp.harvard.edu/inspiring-minds/are-your-students-ready-for-ai

Department for Education. (2023). Generative artificial intelligence in education. UK Government. https://www.gov.uk/government/publications/generative-artificial-intelligence-in-education

Department of Science, Innovation and Technology. (2023). A pro-innovation approach to AI regulation. UK Government. https://www.gov.uk/government/publications/ai-regulation-a-pro-innovation-approach/white-paper

Gibbs, G. (1988). Learning by doing: A guide to teaching and learning methods. Oxford Polytechnic.

Jisc. (2023). Report on AI in tertiary education: A summary of the current state of play (3rd ed.). https://www.jisc.ac.uk/reports/artificial-intelligence-in-tertiary-education

O’Connor, S. (2024). Generative AI. Georgetown Law Technology Review, 8(2), 394–404.

Quality Assurance Agency for Higher Education (QAA). (2024). Generative artificial intelligence. https://www.qaa.ac.uk/membership/membership-areas-of-work/generative-artificial-intelligence

Rolfe, G., Freshwater, D., & Jasper, M. (2001). Critical reflection for nursing and the helping professions: A user’s guide. Palgrave.

Slorach, J. S., Embley, J., Goodchild, P., & Shephard, C. (2023). Legal systems & skills (5th ed.). Oxford University Press.

University of Huddersfield. (2024). Academic misconduct regulation (Section 10). https://www.hud.ac.uk/policies/registry/regs-taught/section-10/