Đổi mới đánh giá trong kỷ nguyên trí tuệ nhân tạo: Khung AAAE và định hướng chính sách cho giáo dục Việt Nam

Từ bước ngoặt công nghệ đến yêu cầu đổi mới đánh giá

Trong vòng chưa đầy một thập kỷ, trí tuệ nhân tạo sinh đã phát triển từ các công cụ tạo văn bản cơ bản thành những hệ thống có thể viết luận, phân tích dữ liệu và đề xuất giải pháp sáng tạo (Feuerriegel et al., 2024; Shahriar et al., 2024). AI đã chứng minh khả năng vượt qua nhiều kỳ thi chuyên nghiệp, cho thấy những hình thức đánh giá dựa vào trí nhớ và tái hiện thông tin đang ngày càng mất giá trị (Luo, 2024).

Câu hỏi đặt ra cho giáo dục đại học không còn là “AI có làm thay con người không?”, mà là “chúng ta nên thiết kế lại đánh giá thế nào trong một thế giới nơi AI hiện diện ở mọi nơi?”.

Động lực đổi mới: Giữ vững giá trị con người trong kỷ nguyên AI

Các nhà giáo dục xác định năm nhóm động lực chính thúc đẩy đổi mới đánh giá. Trước hết là nhu cầu chuẩn bị cho sinh viên những kỹ năng nghề nghiệp tương lai, đặc biệt các năng lực mà AI không thể thay thế như tư duy phản biện, sáng tạo và phân tích (Kostanek & Li, 2025).

Một số giảng viên nhấn mạnh rằng AI có thể xử lý tốt các câu hỏi mang tính ghi nhớ, nhưng không thể tổng hợp và đánh giá ý tưởng, và đó chính là nơi sinh viên cần được bồi dưỡng (Khlaif et al., 2025). Bên cạnh đó, động lực còn đến từ áp lực công nghệ, khi việc kết hợp AI có thể giúp tăng hứng thú và tính chủ động của người học (George & Wooden, 2023).

Động lực quan trọng khác là bảo đảm liêm chính học thuật. Rudolph et al. (2023) chỉ ra rằng nếu không có hình thức đánh giá phù hợp, sinh viên có thể dễ dàng sao chép nội dung từ AI mà không thực sự học. Đồng thời, yếu tố chính sách và xu thế toàn cầu cũng là động lực mạnh mẽ. Việc gắn đánh giá với mục tiêu phát triển bền vững (SDG 4 và SDG 5) đã được coi là một xu hướng toàn cầu (George & Wooden, 2023).

Thách thức: Bất bình đẳng số và kháng cự thay đổi

Mặc dù động lực lớn, con đường đổi mới không hề dễ dàng. Một rào cản đáng kể là tính liêm chính học thuật. Donnell et al. (2024) cảnh báo rằng ranh giới giữa sản phẩm của sinh viên và sản phẩm do AI tạo ra ngày càng khó xác định.

Ngoài ra, áp lực nguồn lực và thời gian cũng gây trở ngại. Việc thiết kế nhiệm vụ đánh giá mới đòi hỏi nhiều công sức trong khi giảng viên vốn đã gánh nặng khối lượng công việc (Deeley, 2018). Vấn đề bất bình đẳng số càng làm trầm trọng thêm tình hình, bởi không phải sinh viên nào cũng có quyền tiếp cận công nghệ đồng đều (Eze, 2024).

Kháng cự thay đổi cũng là thực tế. Swiecki et al. (2022) nhận định nhiều giảng viên và sinh viên quen với kiểm tra truyền thống nên thường dè dặt với đổi mới, đặc biệt khi hình thức mới đòi hỏi nỗ lực lớn hơn.

Khung AAAE: Bốn lối đi tái thiết kế đánh giá

Để đối phó với thách thức từ AI, một khung tiếp cận bốn cấp độ được đề xuất: Against – Avoid – Adopt – Explore.

Ở cấp độ Against, giảng viên vẫn duy trì các hình thức truyền thống như thi viết, vấn đáp hoặc thuyết trình để kiểm tra kiến thức cơ bản, đồng thời giảm nguy cơ gian lận.

Ở mức Avoid, các nhiệm vụ mang tính cá nhân hóa cao như nhật ký phản tư, hồ sơ năng lực hoặc mô phỏng tình huống được áp dụng, vốn là những dạng AI khó thay thế hoàn toàn (Rudolph et al., 2023).

Cấp độ Adopt cho phép sử dụng AI ở một số khâu, chẳng hạn trong việc gợi ý ý tưởng hoặc tinh chỉnh bản thảo. Farrelly và Baker (2023) nhấn mạnh rằng việc minh bạch hóa quá trình sử dụng AI là điều kiện bắt buộc để duy trì công bằng học thuật.

Cuối cùng, cấp độ Explore coi AI như đối tác đồng kiến tạo. Sinh viên có thể hợp tác với AI trong giải quyết vấn đề, sáng tạo sản phẩm và thiết kế dự án, từ đó phát triển kỹ năng hợp tác người – máy (Khlaif et al., 2025).

Ý nghĩa toàn cầu: Liêm chính, công bằng và sáng tạo

Khung AAAE mang lại cách tiếp cận mới khi đánh giá không chỉ đo lường kết quả cuối cùng mà còn chú trọng quá trình học tập, sự sáng tạo và năng lực phản tư. Boud và Bearman (2022) cho rằng chỉ khi đánh giá chuyển sang định hướng này, giáo dục mới có thể nuôi dưỡng năng lực thích ứng lâu dài cho sinh viên.

Ở phạm vi quốc tế, khung này giúp giáo dục đại học cân bằng giữa hội nhập công nghệ và bảo đảm công bằng xã hội. Zawacki-Richter et al. (2019) từng cảnh báo rằng AI có nguy cơ tái sản xuất bất bình đẳng xã hội nếu thiếu chính sách đi kèm. Vì vậy, đánh giá kháng AI không chỉ là vấn đề kỹ thuật, mà còn là chiến lược xã hội.

Gợi mở cho Việt Nam: Chính sách, so sánh quốc tế và đề xuất hành động

Trong bối cảnh Việt Nam đang triển khai Nghị quyết 57-NQ/TW (2024) về khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số, cùng với Chương trình Giáo dục phổ thông 2018 nhấn mạnh phát triển năng lực, việc áp dụng khung AAAE có thể mang tính chiến lược.

Kinh nghiệm quốc tế cho thấy, các nước Bắc Âu đã gắn đổi mới đánh giá với chính sách công bằng số và đào tạo giáo viên liên tục (Noroozi et al., 2024). Trong khi đó, nhiều đại học Mỹ đã thử nghiệm rộng rãi mức Adopt và Explore, tích hợp AI vào dự án nhóm và hoạt động sáng tạo, song song với quy định minh bạch sử dụng.

Đối với Việt Nam, ba định hướng có thể được coi là “đòn bẩy”:

Thứ nhất, xây dựng hướng dẫn quốc gia về sử dụng AI trong đánh giá. Điều này không chỉ giúp các trường thống nhất quan điểm, mà còn tạo hành lang pháp lý bảo vệ liêm chính học thuật.

Thứ hai, đầu tư mạnh mẽ vào bồi dưỡng giáo viên và giảng viên, đặc biệt theo hướng “học qua thực hành”. Giáo viên cần được trang bị kỹ năng thiết kế nhiệm vụ kháng AI, đồng thời biết khai thác công cụ như trợ thủ thay vì đối thủ.

Thứ ba, bảo đảm công bằng số. Đây là điều kiện tiên quyết để đổi mới đánh giá không làm gia tăng bất bình đẳng vùng miền. Nhà nước cần có chính sách ưu tiên cho vùng sâu, vùng xa trong tiếp cận hạ tầng số.

Nếu thực hiện đồng bộ, Việt Nam có thể không chỉ “đuổi kịp” xu thế quốc tế, mà còn đi đầu trong việc xây dựng mô hình đánh giá nhân văn, công bằng và sáng tạo trong kỷ nguyên AI.

Việc tái định hình đánh giá trong kỷ nguyên trí tuệ nhân tạo không chỉ là giải pháp kỹ thuật, mà là sự chuyển dịch căn bản trong triết lý giáo dục. Khung AAAE gợi mở cách tiếp cận giúp giảng viên và cơ sở đào tạo không rơi vào thế đối đầu với AI, mà biết cách chuyển hóa thách thức thành cơ hội để nâng tầm giá trị con người. Điều cốt lõi không nằm ở việc “chống lại” công nghệ, mà ở khả năng định hình một hệ sinh thái học tập nơi AI đóng vai trò đồng hành, còn tư duy phản biện, sáng tạo và đạo đức vẫn thuộc về con người.

Trong bối cảnh toàn cầu, khung AAAE không chỉ góp phần duy trì liêm chính học thuật, mà còn là công cụ bảo đảm công bằng xã hội và phát triển bền vững. Với Việt Nam, đây là thời điểm để gắn đổi mới đánh giá với chuyển đổi số giáo dục, đồng thời học hỏi kinh nghiệm quốc tế nhằm xây dựng một mô hình đánh giá vừa nhân văn, vừa thích ứng với tương lai. Nếu coi đánh giá là trọng tâm của quá trình giáo dục, thì chính việc tái cấu trúc đánh giá trong kỷ nguyên AI sẽ quyết định giá trị và bản sắc của giáo dục Việt Nam trong thế kỷ XXI.

Vân An

Tài liệu tham khảo

Boud, D., & Bearman, M. (2022). Reframing assessment research: Developing assessment for informing and sustaining learning. Assessment & Evaluation in Higher Education, 47(1), 1–13.

Cazan, A. M., & Indreica, E. S. (2014). Need for cognition and approaches to learning among university students. Procedia-Social and Behavioral Sciences, 127, 134–138.

Deeley, S. J. (2018). Critical perspectives on work-based learning in higher education. Palgrave Macmillan.

Donnell, J., et al. (2024). Risks and integrity issues in AI-based education. Journal of Educational Technology, 45(2), 55–72.

Eze, S. C. (2024). Digital divide and AI integration in education. Education and Information Technologies, 29(1), 101–120.

Farrelly, T., & Baker, A. (2023). Motivational factors influencing instructors’ adoption of AI platforms. Computers & Education, 200, 104786. https://doi.org/10.1016/j.compedu.2023.104786

Feuerriegel, S., et al. (2024). Generative AI in education: Opportunities and challenges. Computers in Human Behavior, 148, 107940. https://doi.org/10.1016/j.chb.2023.107940

George, R., & Wooden, K. (2023). Higher education and the SDGs: Harnessing AI responsibly. International Journal of Educational Development, 99, 102788. https://doi.org/10.1016/j.ijedudev.2023.102788

Kostanek, B., & Li, X. (2025). Academic integrity in the age of AI. Assessment & Evaluation in Higher Education, 50(1), 22–38.

Nadeem, M., et al. (2024). AI-based assessments: Rethinking validity and methodology. Educational Assessment Review, 36(2), 144–162.

Rudolph, J., et al. (2023). AI-resistant assessments: Practices for authentic learning. Teaching in Higher Education, 28(9), 1301–1316. https://doi.org/10.1080/13562517.2023.2174560

Shahriar, S., et al. (2024). Generative AI for problem solving and creativity. AI & Society, 39(2), 355–368.

Swiecki, Z., et al. (2022). Automating assessment with AI: Opportunities and risks. Educational Measurement: Issues and Practice, 41(4), 45–59. https://doi.org/10.1111/emip.12491

Zawacki-Richter, O., et al. (2019). Systematic review of research on artificial intelligence in education. International Journal of Artificial Intelligence in Education, 29(4), 928–965. https://doi.org/10.1007/s40593-019-00177-6