Chuyển đổi số GDĐH: Khi ứng dụng AI vào dữ liệu phân mảnh chính là tự động hóa hỗn loạn

1. Mở đầu: Khi AI gặp dữ liệu phân mảnh — một nghịch lý kỹ thuật

Giáo dục đại học đang trải qua một cuộc cách mạng kỹ thuật số sâu sắc chưa từng có. Trên toàn cầu, các trường đại học đang đầu tư hàng tỷ đô la vào hệ thống quản lý học tập, nền tảng học trực tuyến, công cụ phân tích học tập, và gần đây nhất là các ứng dụng trí tuệ nhân tạo (AI) nhằm nâng cao chất lượng giảng dạy và quản lý. Tại Việt Nam, chiến lược chuyển đổi số quốc gia được thúc đẩy mạnh mẽ bởi các quyết sách cấp cao — từ Nghị quyết số 50-NQ/TW của Ban Chấp hành Trung ương Đảng (2019) đến Quyết định số 922/QĐ-TTg của Thủ tướng Chính phủ (2021) về đề án chuyển đổi số ngành giáo dục — đã tạo ra một làn sóng đầu tư và đổi mới sâu rộng trong toàn hệ thống (Nghị quyết 50-NQ/TW, 2019) (Quyết định 922/QĐ-TTg, 2021).

Thế nhưng, đằng sau bề nổi của công nghệ là một thực tế đáng lo ngại: phần lớn các trường đại học đang sở hữu một hệ thống dữ liệu bị phân mảnh nghiêm trọng — nơi thông tin sinh viên, kết quả học tập, dữ liệu nghiên cứu, hoạt động quản trị, và tài chính sống rải rác trong các kho dữ liệu độc lập, không giao tiếp được với nhau. Trong bối cảnh đó, việc ứng dụng AI lên một hạ tầng dữ liệu như thế không những không mang lại giá trị thực chất mà còn tự động hóa sự hỗn loạn — khuếch đại sai lệch, nhân bản mâu thuẫn, và tạo ra những quyết định quản lý trông có vẻ logic nhưng lại thiếu cơ sở thực tế.

Nghịch lý này được gọi là "nghịch lý tự động hóa" (automation paradox) — một khái niệm đã được thảo luận rộng rãi trong lĩnh vực an toàn hàng không và y tế, nay mở rộng sang giáo dục đại học. Khi một hệ thống được tự động hóa mà không giải quyết được vấn đề về chất lượng dữ liệu đầu vào, kết quả đầu ra sẽ phản ánh và khuếch đại mọi khiếm khuyết của dữ liệu gốc. Trong giáo dục đại học, điều này có nghĩa là: một thuật toán AI phân tích dữ liệu sinh viên để đưa ra khuyến nghị học tập sẽ đưa ra quyết định sai lệch nếu dữ liệu đầu vào đến từ ba hệ thống khác nhau với ba định nghĩa khác nhau về "sinh viên đang gặp khó khăn."

Bài viết này đi sâu phân tích một vấn đề cốt lõi mà nhiều trường đại học đang đối mặt nhưng ít được thảo luận một cách hệ thống: tại sao việc ứng dụng AI vào giáo dục đại học có nguy cơ gây ra tác hại lớn hơn lợi ích khi hệ thống dữ liệu nền tảng bị phân mảnh, và cần làm gì để giải quyết. Thông qua việc tổng hợp và phân tích hơn 50 tài liệu nghiên cứu uy tín — ưu tiên các công trình từ các trường đại học và tổ chức Việt Nam — bài viết xây dựng một khung phân tích từ lý thuyết đến thực tiễn, từ bối cảnh quốc tế đến Việt Nam, và đề xuất hướng tiếp cận "thiết trật tự trước, tự động hóa sau" cho chuyển đổi số giáo dục đại học.

1.1. Vấn đề nghiên cứu

Câu hỏi nghiên cứu trung tâm của bài viết là: Khi một trường đại học ứng dụng trí tuệ nhân tạo vào một hệ thống dữ liệu bị phân mảnh, điều gì thực sự xảy ra, và làm thế nào để giải quyết?

Câu hỏi này được giải chia thành ba câu hỏi phụ:

(1), bản chất của sự phân mảnh dữ liệu trong giáo dục đại học là gì, tại sao nó lại phổ biến đến vậy, và những tác hại cụ thể mà nó gây ra cho chất lượng quản lý và giảng dạy là gì?

(2), AI được ứng dụng trong giáo dục đại học theo những mô hình nào, và mỗi mô hình phản ứng ra sao khi đối mặt với dữ liệu phân mảnh — có phải tất cả đều chịu ảnh hưởng tiêu cực, hay có những mô hình ứng dụng có khả năng hoạt động chấp nhận được?

(3), những giải pháp kiến trúc và quản trị nào đã được nghiên cứu và thử nghiệm để giải quyết vấn đề phân mảnh dữ liệu, đáng lưu ý là trong bối cảnh các trường đại học Việt Nam, và bài học thực tiễn từ các quốc gia đi trước là gì?

1.2. Phạm vi và phương pháp tiếp cận

Bài viết sử dụng phương pháp tổng quan tài liệu có hệ thống (systematic literature review) kết hợp phân tích trường hợp (case analysis) để xây dựng khung lý thuyết và khuyến nghị thực tiễn. Tài liệu được thu thập từ các nguồn sau:

1. Các bài báo khoa học được đăng trên tạp chí quốc tế có peer review, được xác minh qua Crossref DOI
2. Các chương sách (book chapters) từ nhà xuất bản học thuật uy tín
3. Các tài liệu chính sách của Chính phủ Việt Nam và các tổ chức quốc tế (OECD, World Bank)
4. Các báo cáo nghiên cứu từ các trường đại học Việt Nam

Phạm vi trọng tâm là giáo dục đại học (higher education), không bao gồm giáo dục phổ thông hay giáo dục mầm non. Về mặt địa lý, bài viết phân tích ở cả tầm vóc quốc tế và Việt Nam, với ưu tiên rõ ràng cho các nghiên cứu và thực tiễn trong nước. Về mặt kỹ thuật, bài viết tập trung vào dữ liệu thể chế (institutional data) — dữ liệu về sinh viên, chương trình đào tạo, nhân sự, tài chính, nghiên cứu — hơn là dữ liệu cá nhân (personal data) hay dữ liệu học tập (learning data) nói riêng, mặc dù cả hai đều được thảo luận khi liên quan.

1.3. Đóng góp dự kiến

Bài viết đóng góp vào lĩnh vực nghiên cứu chuyển đổi số giáo dục đại học theo ba hướng:

1. Khái niệm hóa "nghịch lý tự động hóa trong giáo dục": Xây dựng khung phân tích cụ thể cho việc hiểu tại sao ứng dụng AI vào hệ thống dữ liệu phân mảnh gây ra tác hại, một vấn đề chưa được lý thuyết hóa trong tài liệu nghiên cứu hiện hành (Briggs và Cafaro, 2021).
2. Tổng quan có hệ thống tài liệu đa nguồn: Bài viết tổng hợp hơn 50 tài liệu nghiên cứu — bao gồm nhiều công trình từ các trường đại học và nhà nghiên cứu Việt Nam — để cung cấp bức tranh toàn cảnh về chuyển đổi số giáo dục đại học, quản trị dữ liệu, và ứng dụng AI.
3. Khuyến nghị thực tiễn cho Việt Nam: Từ khung phân tích và tổng quan tài liệu, bài viết đề xuất một lộ trình tiếp cận phù hợp với bối cảnh các trường đại học Việt Nam — nơi nguồn lực hạn chế, dữ liệu bị phân mảnh nặng, và năng lực kỹ thuật số đang phát triển.

Tóm tắt: Trí tuệ nhân tạo có tiềm năng chuyển đổi sâu sắc giáo dục đại học, nhưng ứng dụng AI vào hệ thống dữ liệu phân mảnh sẽ khuếch đại sai lệch thay vì mang lại giá trị. Bài viết này phân tích nghịch lý kỹ thuật đó và đề xuất hướng tiếp cận "thiết trật tự trước, tự động hóa sau" cho chuyển đổi số giáo dục đại học. (Dựa trên phân tích tổng hợp từ hơn 50 nguồn nghiên cứu, 2018–2026)

2. Chuyển đổi số giáo dục đại học: Khái niệm, phạm vi và động lực

Chuyển đổi số (digital transformation) trong giáo dục đại học không đơn thuần là việc áp dụng công nghệ vào quá trình giảng dạy và quản lý. Nó là một quá trình tái cấu trúc toàn diện, từ mô hình tổ chức, quy trình vận hành, phương pháp sư phạm, đến cách thức mà một trường đại học tạo ra và phân phối giá trị cho các bên liên quan. Để hiểu được vấn đề cốt lõi — tại sao AI khuếch đại hỗn loạn khi dữ liệu bị phân mảnh — cần trước hết hiểu rõ bản chất của chuyển đổi số giáo dục đại học và các động lực thúc đẩy nó.

2.1. Chuyển đổi số: Định nghĩa và ranh giới

Thuật ngữ "chuyển đổi số giáo dục đại học" (digital transformation in higher education) đã được định nghĩa theo nhiều cách khác nhau trong tài liệu học thuật, nhưng đều chia sẻ một số đặc điểm cốt lõi. Theo Sanyal (2020), chuyển đổi số trong giáo dục đại học là "sự tích hợp sâu rộng công nghệ số vào mọi khía cạnh của hoạt động giáo dục, từ giảng dạy và học tập đến quản trị và dịch vụ, nhằm tạo ra những mô hình hoạt động mới có giá trị cao hơn" (Sanyal, 2020). Định nghĩa này nhấn mạnh ba yếu tố: (1) tính toàn diện — không chỉ giảng dạy mà cả quản trị; (2) tính sâu rộng — không chỉ thay đổi công cụ mà thay đổi mô hình; (3) tính hướng giá trị — không chỉ số hóa vì số hóa mà phải tạo ra giá trị mới.

Tại Việt Nam, Nguyễn Văn Tạo (2024) phân tích các rào cản chuyển đổi số trong giáo dục và chỉ ra rằng quá trình này ở Việt Nam mang những đặc thù riêng: sự phát triển không đồng đều giữa các trường, thiếu hụt hạ tầng đồng bộ, và đặc biệt là thiếu khung chiến lược dữ liệu thống nhất. Cuộc nghiên cứu của Trần Mai Uóc (2025) về chuyển đổi số giáo dục đại học Việt Nam hiện nay khẳng định rằng nhiều trường đang ở giai đoạn "số hóa" (digitization) — chuyển từ giấy tờ sang máy tính — chứ chưa đạt đến "chuyển đổi số" thực sự, vì quá trình số hóa diễn ra từng mảnh, từng hệ thống một, không theo một chiến lược tổng thể.

Tóm tắt: Sanyal (2020) định nghĩa chuyển đổi số giáo dục đại học là sự tích hợp công nghệ số toàn diện nhằm tạo ra mô hình hoạt động mới, trong khi nghiên cứu của Nguyễn Văn Tạo (2024) và Trần Mai Uóc (2025) cho thấy nhiều trường đại học Việt Nam mới ở giai đoạn số hóa rời rạc, chưa đạt đến chuyển đổi số thực sự. (Sanyal, 2020; Tạo, 2024; Uóc, 2025)

2.2. Các động lực thúc đẩy chuyển đổi số

Bốn nhóm động lực chính đang thúc đẩy chuyển đổi số trong giáo dục đại học:

Động lực công nghệ: Sự phát triển của điện toán đám mây, dữ liệu lớn (big data), trí tuệ nhân tạo, và Internet vạn vật (IoT) đã tạo ra những khả năng kỹ thuật mới mà giáo dục đại học không thể bỏ qua. Coulter-Smith (2022) trong chương sách "The AI Economy and Higher Education" lập luận rằng kinh tế AI đang tái định hình mọi ngành, và giáo dục đại học không thể đứng ngoài cuộc. Trí tuệ nhân tạo đang thay đổi cách mà tri thức được tạo ra, truyền tải, và đánh giá — và các trường đại học phải thích ứng hoặc sẽ bị tụt hậu.

Động lực xã hội: Thế hệ sinh viên mới — "công dân số" (digital natives) — có kỳ vọng hoàn toàn khác về trải nghiệm giáo dục. Nghiên cứu của Lê Thị Quỳnh Trang (2026) về mức độ quan tâm học tập của sinh viên đại học Việt Nam trong tiến trình chuyển đổi số cho thấy sinh viên ngày càng đòi hỏi tính cá nhân hóa, linh hoạt và tính tương tác trong học tập. Tuy nhiên, nghiên cứu cũng chỉ ra rằng khả năng số hóa của sinh viên và sự sẵn sàng của trường chưa đồng bộ.

Tóm tắt: Coulter-Smith (2022) phân tích tác động của kinh tế AI đối với giáo dục đại học, lập luận rằng các trường phải thích ứng với kỷ nguyên AI. Lê Thị Quỳnh Trang (2026) tìm thấy khoảng cách giữa kỳ vọng số hóa của sinh viên Việt Nam và khả năng đáp ứng của trường. (Coulter-Smith, 2022; Trang, 2026)

Động lực kinh tế: Áp lực giảm chi phí, tăng hiệu quả hoạt động, và mở rộng quy mô tiếp cận đang đẩy các trường đại học đến việc áp dụng công nghệ. Quản trị tài chính, nhân sự, và cơ sở vật chất bằng hệ thống số hóa không chỉ tiết kiệm chi phí mà còn tạo ra minh bạch và khả năng kiểm soát tốt hơn.

Động lực chính sách: Tại Việt Nam, chính sách đóng vai trò catalyst mạnh mẽ. Nghị quyết 50-NQ/TW (2019) của Ban Chấp hành Trung ương Đảng xác định chuyển đổi số là một trong những nhiệm vụ chiến lược. Quyết định 922/QĐ-TTg (2021) của Thủ tướng Chính phủ phê duyệt đề án chuyển đổi số ngành giáo dục với mục tiêu xây dựng môi trường giáo dục số, dữ liệu giáo dục số, và hệ thống quản lý giáo dục số. Nguyễn Võ Anh và Nguyễn Thị Ngọc Xuân (2024) tổng kết kinh nghiệm chuyển đổi số giáo dục tại một số nước và đối chiếu với bối cảnh Việt Nam, chỉ ra rằng chính sách đã tạo động lực mạnh nhưng thực thi vẫn gặp rào cản lớn về năng lực tổ chức.

Tóm tắt: Chính sách chuyển đổi số giáo dục Việt Nam được thúc đẩy bởi Nghị quyết 50-NQ/TW (2019) và Quyết định 922/QĐ-TTg (2021). Nghiên cứu của Nguyễn Võ Anh và Nguyễn Thị Ngọc Xuân (2024) cho thấy chính sách tạo động lực mạnh nhưng thực thi gặp rào cản năng lực tổ chức. (Nghị quyết 50-NQ/TW, 2019; Quyết định 922/QĐ-TTg, 2021; Anh và Xuân, 2024)

2.3. Các cấp độ chuyển đổi số trong giáo dục đại học

Việc hiểu các cấp độ trưởng thành kỹ thuật số (digital maturity) là thiết yếu để đánh giá xem một trường đại học có sẵn sàng ứng dụng AI hay chưa. MERDİN, ERSÖZ và TAŞKIN (2023) phát triển mô hình trưởng thành kỹ thuật số cho doanh nghiệp Thổ Nhĩ Kỳ, mô hình này được điều chỉnh cho giáo dục đại học. Theo đó, chuyển đổi số tiến qua các cấp độ: (1) In thế kỷ số — sử dụng công nghệ cơ bản nhưng không có chiến lược; (2) Tương tác số — tích hợp công nghệ vào quy trình cụ thể; (3) Tái cấu trúc số — thay đổi quy trình và mô hình tổ chức; (4) Chuyển đổi số thực sự — tạo ra mô hình giá trị mới nhờ công nghệ.

Đánh giá theo khung này, phần lớn các trường đại học Việt Nam đang ở cấp độ 1–2. Nghiên cứu của Tạ Thị Bích Ngọc (2024) về giảm nghèo thông tin thông qua chuyển đổi số tại Việt Nam cho thấy ngay cả ở cấp độ cơ bản, nhiều trường vẫn đang gặp khó khăn với hạ tầng số. Điều này đặt ra một câu hỏi quan trọng: liệu có nên thúc đẩy ứng dụng AI ở những trường đang ở cấp độ trưởng thành thấp như vậy, hay nên tập trung vào việc xây dựng nền tảng dữ liệu thống nhất trước?

Tóm tắt: Mô hình trưởng thành kỹ thuật số của MERDİN, ERSÖZ và TAŞKIN (2023) phân chia chuyển đổi số thành bốn cấp độ, trong đó nhiều trường đại học Việt Nam vẫn ở cấp độ thấp. Tạ Thị Bích Ngọc (2024) tìm thấy khó khăn hạ tầng số ngay cả ở cấp độ cơ bản. Câu hỏi cốt lõi: nên ứng dụng AI ngay hay xây nền tảng dữ liệu trước? (MERDİN et al., 2023; Ngọc, 2024)

2.4. Điểm nghẽn: Không chuyển đổi số mà không có dữ liệu thống nhất

Nếu có một luận điểm cốt lõi xuyên suốt bài viết này, thì đó là: chuyển đổi số giáo dục đại học không thể thành công nếu không giải quyết vấn đề phân mảnh dữ liệu. Điểm nghẽn này thường bị che khuất bởi những hào quang của công nghệ mới — AI, machine learning, big data analytics — nhưng nó là nguyên nhân gốc rễ của hầu hết những thất bại trong chuyển đổi số giáo dục.

Deryuzhenko (2025) trong nghiên cứu so sánh quá trình chuyển đổi số của các trường đại học Nga và Việt Nam phát hiện ra rằng dù bối cảnh khác nhau, cả hai đều đối mặt với cùng một thách thức cốt lõi: thiếu khả năng tích hợp dữ liệu giữa các hệ thống hoạt động độc lập. Nghiên cứu của Nguyễn-Anh và cộng sự (2022) — một nhóm tác giả Việt Nam — về chuyển đổi số giáo dục đại học từ góc nhìn học trực tuyến phân tích toàn diện hơn 100 bài báo và chỉ ra rằng "challenges related to data integration and interoperability emerge as the most frequently cited barriers to successful digital transformation in higher education."

Tóm tắt: Deryuzhenko (2025) so sánh chuyển đổi số giáo dục đại học Nga và Việt Nam, phát hiện thách thức chung là tích hợp dữ liệu. Nguyễn-Anh và cộng sự (2022) phân tích 100+ bài báo, xác nhận tích hợp dữ liệu là rào cản phổ biến nhất của chuyển đổi số giáo dục đại học. (Deryuzhenko, 2025; Nguyễn-Anh et al., 2022)

3. Cấu trúc dữ liệu trong giáo dục đại học: Tại sao lại phân mảnh?

Để giải quyết vấn đề, trước tiên cần hiểu rõ nguồn gốc của nó. Phân mảnh dữ liệu trong giáo dục đại học không phải là một tai nạn công nghệ — nó là kết quả của những quyết định tổ chức, lịch sử phát triển, và đặc điểm bản thân của hệ thống giáo dục đại học. Phần này phân tích bốn nguyên nhân chính gây ra phân mảnh dữ liệu.

3.1. Lịch sử phát triển: Từng hệ thống cho từng nhu cầu

Hầu hết các trường đại học không có một chiến lược dữ liệu tổng thể từ đầu. Thay vào đó, các hệ thống thông tin được triển khai theo từng nhu cầu riêng biệt, vào từng thời điểm khác nhau, bởi các đơn vị khác nhau:

1. Phòng Đào tạo** triển khai hệ thống quản lý đào tạo (Student Information System — SIS) cho việc đăng ký môn học, ghi nhận điểm, quản lý tín chỉ
2. Phòng Công tác sinh viên** sử dụng phần mềm riêng để theo dõi hoạt động ngoại khóa, học bổng, kỷ luật
3. Phòng Kế hoạch – Tài chính** có hệ thống kế toán và ngân sách riêng
4. Phòng Khoa học công nghệ** triển khai hệ thống quản lý nghiên cứu (Research Information System)
5. Phòng Đào tạo sau đại học** có khả năng sử dụng một hệ thống khác với đào tạo đại học
6. Các khoa/viện** xây dựng cơ sở dữ liệu và báo cáo riêng

Mỗi hệ thống được thiết kế để phục vụ một chức năng cụ thể, với cấu trúc dữ liệu, tiêu chuẩn mã hóa, và quy trình nghiệp vụ riêng. Briggs và Cafaro (2021) nghiên cứu trực tiếp nhu cầu của người dùng cuối đối với cơ sở dữ liệu phân mảnh trong giáo dục đại học, phát hiện ra rằng "end-users in higher education institutions consistently struggle with fragmented databases that require manual integration across multiple systems to answer even simple cross-departmental questions."

Tóm tắt: Briggs và Cafaro (2021) nghiên cứu thực nghiệm nhu cầu người dùng cuối đối với dữ liệu phân mảnh trong giáo dục đại học, phát hiện người dùng phải tích hợp thủ công giữa nhiều hệ thống để trả lời ngay cả những câu hỏi đơn giản xuyên phòng ban. (Briggs và Cafaro, 2021)

3.2. Phi tập trung tổ chức: Mỗi đơn vị là một "ốc đảo dữ liệu"

Cấu trúc tổ chức của trường đại học — với các khoa, viện, phòng ban hoạt động tương đối độc lập — là yếu tố thúc đẩy phân mảnh dữ liệu. Mỗi đơn vị có quyền tự chủ nhất định trong việc lựa chọn công cụ và quy trình, dẫn đến việc xây dựng "ốc đảo dữ liệu" (data silos) riêng.

Valcke và Båge (2020) phân tích vấn đề bước ra khỏi các silo trong giáo dục đại học và lập luận rằng cấu trúc phân cấp truyền thống của trường đại học — nơi quyền lực và thông tin được phân tán theo chuyên môn và phòng ban — là một trong những nguyên nhân chính của sự phân mảnh dữ liệu. Musendekwa (2025) trong nghiên cứu "Breaking Down Silos" chỉ ra rằng việc phá vỡ các silo dữ liệu không chỉ là vấn đề kỹ thuật mà còn là vấn đề văn hóa tổ chức: các đơn vị thường coi dữ liệu của mình là "tài sản" và ngần ngại chia sẻ.

Dewan (2026) trong bài viết "Beyond the Perimeter: Why Fragmented Data Architecture Is America's Underappreciated Strategic Vulnerability" — mặc dù tập trung vào an ninh quốc gia Mỹ — đưa ra một phân tích sâu sắc về tác hại của kiến trúc dữ liệu phân mảnh có khả năng áp dụng cho giáo dục đại học: kiến trúc phân mảnh tạo ra "điểm mù" trong khả năng hiểu tình hình, khiến các tổ chức không thể đưa ra quyết định dựa trên bức tranh toàn cảnh.

Tóm tắt: Valcke và Båge (2020) phân tích silo dữ liệu trong giáo dục đại học, cho rằng cấu trúc phân cấp truyền thống là nguyên nhân chính. Musendekwa (2025) chỉ ra phá vỡ silo là vấn đề văn hóa tổ chức, không chỉ kỹ thuật. Dewan (2026) phân tích tác hại chiến lược của kiến trúc dữ liệu phân mảnh. (Valcke và Båge, 2020; Musendekwa, 2025; Dewan, 2026)

3.3. Thiếu tiêu chuẩn thống nhất: Cùng một khái niệm, nhiều định nghĩa

Một trong những nguyên nhân tinh tế nhất — nhưng có tác hại lớn nhất — của phân mảnh dữ liệu là sự thiếu thống nhất trong tiêu chuẩn và định nghĩa. Cùng một khái niệm được định nghĩa khác nhau trong các hệ thống khác nhau:

1. "Sinh viên đang học" trong hệ thống đào tạo: có đăng ký môn học trong học kỳ hiện tại
2. "Sinh viên đang học" trong hệ thống tài chính: đã đóng học phí
3. "Sinh viên đang học" trong hệ thống ký túc xá: đang ở trong ký túc xá
4. "Sinh viên đang học" trong hệ thống bảo hiểm: còn hiệu lực bảo hiểm

Bốn hệ thống, bốn định nghĩa khác nhau, và không có hệ thống nào hoàn toàn đúng. Wiro Sasmito (2026) trong chương sách "Higher Education Data Independence Architecture" chỉ ra rằng việc thiếu kiến trúc dữ liệu độc lập (data independence architecture) — nơi cấu trúc dữ liệu được tách biệt khỏi ứng dụng — khiến giáo dục đại học không thể tích hợp dữ liệu một cách linh hoạt và nhất quán.

Ahmed và cộng sự (2026) trong "Fragmented Data, Fragmented Decisions" lập luận rằng phân mảnh dữ liệu dẫn đến phân mảnh quyết định — khi các hệ thống cung cấp bức tranh khác nhau về cùng một thực thể, người ra quyết định bị buộc phải chọn một hệ thống "đúng" hơn các hệ thống khác, hoặc tệ hơn, đưa ra quyết định dựa trên dữ liệu không đầy đủ.

Tóm tắt: Wiro Sasmito (2026) đề xuất kiến trúc dữ liệu độc lập cho giáo dục đại học để giải quyết thiếu tiêu chuẩn thống nhất. Ahmed và cộng sự (2026) lập luận phân mảnh dữ liệu dẫn đến phân mảnh quyết định — bức tranh mâu thuẫn về cùng một thực thể. (Wiro Sasmito, 2026; Ahmed et al., 2026)

3.4. Áp lực thời gian và "nợ kỹ thuật"

Trong giáo dục đại học, nhu cầu ứng dụng công nghệ thường đến với áp lực thời gian cao — đặc biệt trong đại dịch COVID-19. Khi các trường phải chuyển sang học trực tuyến khẩn cấp trong năm 2020–2021, họ triển khai các giải pháp tạm thời, không có thời gian để thiết kế kiến trúc dữ liệu tổng thể. Nguyễn Sơn Đức (2020) phân tích chuyển đổi số trong đào tạo sư phạm nghệ thuật tại Việt Nam hiện nay, ghi nhận rằng đại dịch đã tạo ra "nhu cầu số hóa khẩn cấp, dẫn đến việc triển khai các giải pháp tạm thời mà không có chiến lược dữ liệu dài hạn."

Hậu quả là những gì được triển khai trong giai đoạn khẩn cấp trở thành "nợ kỹ thuật" (technical debt) — các hệ thống hoạt động nhưng không được thiết kế để tích hợp, mở rộng, hoặc bảo trì lâu dài. Khi các trường muốn nâng cấp lên ứng dụng AI, họ phát hiện ra rằng nợ kỹ thuật này đang chặn đường.

Tóm tắt: Nguyễn Sơn Đức (2020) ghi nhận đại dịch COVID-19 tạo ra nhu cầu số hóa khẩn cấp tại Việt Nam, dẫn đến giải pháp tạm thời trở thành nợ kỹ thuật, cản trở tích hợp dữ liệu sau này. (Nguyễn Sơn Đức, 2020)

3.5. Hệ quả của phân mảnh dữ liệu: Sáu triệu chứng cụ thể

Từ bốn nguyên nhân trên, phân mảnh dữ liệu trong giáo dục đại học biểu hiện qua sáu triệu chứng cụ thể:

(1) Không nhất quán giữa các báo cáo: Cùng một chỉ số — tỷ lệ sinh viên tốt nghiệp đúng hạn, chi phí trên mỗi sinh viên, hoặc số lượng nghiên cứu — được báo cáo khác nhau tùy thuộc vào nguồn dữ liệu. Điều này làm suy giảm niềm tin vào dữ liệu nội bộ và khiến các quyết định quản lý bị nghi ngờ.

(2) Nhân bản và mâu thuẫn: Một sinh viên có khả năng xuất hiện với thông tin khác nhau trong các hệ thống — tên viết khác nhau, ngày sinh không khớp, hoặc mã sinh viên khác nhau. Khi tích hợp AI, các mâu thuẫn này bị khuếch đại.

(3) Điểm mù xuyên phòng ban: Không ai có bức tranh toàn cảnh về một sinh viên hoặc một chương trình đào tạo. Phòng Đào tạo biết điểm, phòng Tài chính biết học phí, phòng Công tác sinh viên biết hoạt động ngoại khóa — nhưng không ai biết tất cả cùng lúc.

(4) Chậm trễ quyết định: Khi cần dữ liệu từ nhiều nguồn để ra quyết định, nhân sự phải thu thập, làm sạch và tích hợp thủ công, mất hàng ngày hoặc hàng tuần cho việc mà lẽ ra chỉ mất vài giây nếu dữ liệu được thống nhất.

(5) Không khả năng dự báo: Dự báo xu hướng sinh viên, nhu cầu chương trình đào tạo, hoặc ngân sách đòi hỏi dữ liệu lịch sử nhất quán. Phân mảnh dữ liệu khiến các bộ dữ liệu lịch sử không thể kết nối.

(6) Chi phí ẩn cao: Chi phí duy trì nhiều hệ thống độc lập, nhân sự để tích hợp thủ công, chi phí sửa lỗi do dữ liệu sai, và chi phí cơ hội do không thể ra quyết định kịp thời — tất cả tạo ra gánh nặng tài chính ngầm.

Sisodia (2026) trong "The New Interoperability Crisis: From Data Silos to Cognitive Silos in Health AI" — nghiên cứu trong lĩnh vực y tế — đưa ra một phân tích sắc sảo có khả năng chuyển đổi trực tiếp cho giáo dục: sự phân mảnh dữ liệu không chỉ tạo ra "silo dữ liệu" mà còn tạo ra "silo nhận thức" (cognitive silos), nơi mỗi đơn vị trong tổ chức phát triển hiểu biết riêng về thực tế dựa trên dữ liệu hạn chế mà họ tiếp cận được. Khi AI được áp dụng, nó không phá vỡ các silo nhận thức này mà thường củng cố chúng, bằng cách cung cấp phân tích dựa trên dữ liệu của riêng từng silo.

Tóm tắt: Sisodia (2026) đề xuất khái niệm "silo nhận thức" (cognitive silos) — khi phân mảnh dữ liệu khiến các đơn vị phát triển hiểu biết riêng về thực tế. AI thường củng cố chứ không phá vỡ các silo nhận thức này, một nhận định có khả năng chuyển đổi trực tiếp cho giáo dục đại học. (Sisodia, 2026)

4. Ứng dụng AI trong giáo dục đại học: Từ kỳ vọng đến thực tế

Trí tuệ nhân tạo đang được ứng dụng trong giáo dục đại học theo ba nhóm chức năng chính: (1) hỗ trợ giảng dạy và học tập, (2) hỗ trợ quản lý và ra quyết định, và (3) hỗ trợ nghiên cứu. Nhóm thứ hai — quản lý và ra quyết định — là nhóm chịu ảnh hưởng mạnh nhất từ phân mảnh dữ liệu, nhưng cả ba nhóm đều bị tác động khi dữ liệu nền tảng không nhất quán.

4.1. AI trong giảng dạy và học tập

Phân tích học tập (learning analytics) là một trong những ứng dụng AI phổ biến nhất trong giáo dục đại học. Thuật toán phân tích dữ liệu học tập để phát hiện sinh viên gặp khó khăn, dự báo kết quả học tập, và đề xuất can thiệp kịp thời. Macfadyen (2022) trong chương sách "Institutional Analytics" tổng hợp nghiên cứu về phân tích thể chế — mức độ phân tích cao nhất, nơi dữ liệu từ nhiều nguồn được kết hợp để hiểu hiệu quả giáo dục tổng thể. Tuy nhiên, Macfadyen cảnh báo rằng institutional analytics đòi hỏi "data infrastructure that is integrated, consistent, and trustworthy — conditions that most institutions are far from achieving."

Trần Thị Ngát (2026) nghiên cứu ứng dụng AI trong cá nhân hóa học tập tại các trường đại học Việt Nam và phát hiện ra rằng dù nhiều trường đang thử nghiệm công cụ AI, hầu hết đều gặp khó khăn với việc cung cấp đủ dữ liệu chất lượng cao cho các mô hình AI. Các mô hình cá nhân hóa học tập đòi hỏi dữ liệu toàn diện về hành vi học tập, kết quả đánh giá, và thông tin cá nhân — dữ liệu mà các trường Việt Nam thường phân tán trong nhiều hệ thống khác nhau.

Shen (2025) phân tích "Intelligent Learning" — học tập thông minh dựa trên generative AI — và chỉ ra rằng mặc dù công nghệ có tiềm năng đáng kể, "hiệu quả của học tập cá nhân hóa dựa trên AI phụ thuộc cốt yếu vào chất lượng và tính toàn diện của dữ liệu có sẵn về mỗi người học."

Tóm tắt: Macfadyen (2022) cảnh báo phân tích thể chế giáo dục đòi hỏi hạ tầng dữ liệu tích hợp và nhất quán — điều mà hầu hết trường chưa đạt được. Trần Thị Ngát (2026) tìm thấy các trường Việt Nam gặp khó khăn cung cấp dữ liệu chất lượng cho mô hình AI cá nhân hóa. Shen (2025) khẳng định hiệu quả AI phụ thuộc nghiêm ngặt vào chất lượng dữ liệu người học. (Macfadyen, 2022; Trần Thị Ngát, 2026; Shen, 2025)

4.2. AI trong quản lý và ra quyết định

Nhóm ứng dụng AI thứ hai — và quan trọng nhất cho bài viết này — là AI trong quản lý và ra quyết định thể chế. Các ứng dụng bao gồm:

1. Phân tích dự báo sinh viên** (predictive student analytics): Dự đoán sinh viên có nguy cơ bỏ học, cần hỗ trợ học tập, hoặc có tiềm năng nghiên cứu
2. Quản lý hiệu suất nhân sự** (faculty performance analytics): Đánh giá hiệu quả giảng dạy và nghiên cứu của giảng viên
3. Tối ưu hóa nguồn lực** (resource optimization): Phân bổ phòng học, giáo viên, và ngân sách dựa trên dự báo nhu cầu
4. Kiểm soát chất lượng tự động** (automated quality assurance): Giám sát chất lượng chương trình đào tạo, phát hiện sai lệch

Zhan và Wang (2024) phân tích việc tích hợp generative AI trong giáo dục đại học, bao gồm cả ứng dụng trong quản lý thể chế, và chỉ ra rằng "thách thức trong việc tích hợp AI vào quản lý thể chế về bản chất là thách thức dữ liệu — các hệ thống AI đòi hỏi dữ liệu sạch, tích hợp và toàn diện để hoạt động hiệu quả, song hệ sinh thái dữ liệu của phần lớn các cơ sở vẫn phân mảnh và thiếu nhất quán."

Kamal Chami và cộng sự (2026) nghiên cứu tích hợp chuyển đổi số và AI trong giáo dục đại học Liban, phát hiện ra rằng các trường đang ở giai đoạn đầu ứng dụng AI đối mặt với "double challenge" — vừa phải xây dựng năng lực AI, vừa phải giải quyết vấn đề dữ liệu nền tảng.

Melnyk và Pypenko (2026) đề xuất xây dựng hệ sinh thái giáo dục đại học dựa trên AI, trong đó nhấn mạnh rằng "nền tảng của bất kỳ hệ sinh thái giáo dục đại học nào dựa trên AI không phải là bản thân các thuật toán AI, mà là cơ sở hạ tầng dữ liệu cung cấp đầu vào cho chúng."

Tóm tắt: Zhan và Wang (2024) lập luận thách thức tích hợp AI trong quản lý giáo dục đại học then chốt là thách thức dữ liệu. Kamal Chami và cộng sự (2026) tìm thấy "double challenge" — xây dựng năng lực AI và giải quyết dữ liệu nền táng đồng thời. Melnyk và Pypenko (2026) khẳng định hạ tầng dữ liệu là nền tảng, không phải thuật toán AI. (Zhan và Wang, 2024; Kamal Chami et al., 2026; Melnyk và Pypenko, 2026)

4.3. AI trong nghiên cứu

Nhóm thứ ba là AI hỗ trợ nghiên cứu — bao gồm phát hiện xu hướng nghiên cứu, phân tích trích dẫn, quản lý tài liệu, và gần đây là các công cụ generative AI hỗ trợ viết và tổng hợp tài liệu. Perkins và Pregowska (2024) phân tích vai trò AI trong giáo dục y khoa và các vấn đề đạo đức liên quan, trong đó đề cập đến việc AI được sử dụng để phân tích dữ liệu nghiên cứu — một ứng dụng cũng đòi hỏi dữ liệu chất lượng cao và nhất quán.

Karnalim (2025) trong "Are We Oversimplifying GenAI Integration?" đặt câu hỏi quan trọng: liệu các trường đại học có đang đơn giản hóa quá mức quá trình tích hợp AI, bỏ qua những vấn đề thiết yếu về dữ liệu và hạ tầng? Karnalim đề xuất một hướng dẫn tích hợp AI cẩn trọng hơn, nhấn mạnh rằng "successful GenAI integration requires addressing data quality, infrastructure readiness, and organizational capacity before deploying AI tools."

Tóm tắt: Karnalim (2025) cảnh báo các trường đại học đang đơn giản hóa quá mức tích hợp AI, bỏ qua vấn đề dữ liệu và hạ tầng. Khuyến nghị: giải quyết chất lượng dữ liệu, sẵn sàng hạ tầng, và năng lực tổ chức trước khi triển khai AI. (Karnalim, 2025)

4.4. Phân loại rủi ro khi AI gặp dữ liệu phân mảnh

Từ ba nhóm ứng dụng trên, rủi ro khi AI hoạt động trên dữ liệu phân mảnh được phân loại theo ba cấp độ:

1. Cấp độ 1 — Sai lệch đầu ra: AI đưa ra phân tích hoặc khuyến nghị sai do dữ liệu đầu vào không nhất quán. Ví dụ: thuật toán dự báo sinh viên bỏ học phân tích dữ liệu từ hệ thống đào tạo (thiếu dữ liệu tài chính) và đưa ra dự báo không chính xác.
2. Cấp độ 2 — Củng cố thiên lệch: AI học từ dữ liệu lịch sử phân mảnh và củng cố các thiên lệch hiện có. Nếu dữ liệu lịch sử về kết quả học tập không bao gồm thông tin về hoàn cảnh cá nhân, AI sẽ xây dựng mô hình không phản ánh đầy đủ các yếu tố ảnh hưởng đến thành công học tập.
3. Cấp độ 3 — Tự động hóa quyết định sai: Tồi tệ nhất, AI được dùng để tự động ra quyết định — phân bổ ngân sách, phân công giảng viên, hoặc thậm chí đánh giá chương trình đào tạo — dựa trên dữ liệu phân mảnh. Kết quả là những quyết định trông có vẻ "dựa trên dữ liệu" nhưng thực chất dựa trên dữ liệu không đầy đủ và không nhất quán.

Ilnytskyy và Barabas (2024) nghiên cứu AI trong chuyển đổi số giáo dục đại học Ukraina với trọng tâm vào năng lực số, và phát hiện ra rằng "năng lực hiểu biết về AI phải vượt ra khỏi việc hiểu cách AI vận hành để bao gồm cả việc hiểu chất lượng dữ liệu tác động đến kết quả đầu ra của AI như thế nào — khái niệm mà chúng tôi gọi là 'năng lực hiểu biết dữ liệu cho AI.'"

Tóm tắt: Ilnytskyy và Barabas (2024) khẳng định năng lực số cho AI phải bao gồm hiểu biết về chất lượng dữ liệu ảnh hưởng đến kết quả AI — gọi là "năng lực dữ liệu cho AI" (data literacy for AI). (Ilnytskyy và Barabas, 2024)

5. Nghịch lý tự động hóa: Khi AI khuếch đại sự hỗn loạn

Phần này là trái tim của bài viết — nơi phân tích sâu nghịch lý nền tảng: tại sao ứng dụng AI vào hệ thống dữ liệu phân mảnh không những không giải quyết vấn đề mà còn khuếch đại nó. Nghịch lý này được phân tích qua năm cơ chế cụ thể.

5.1. Cơ chế 1: Thu gom — AI làm cho dữ liệu xấu trông có vẻ đáng tin cậy

Thuyết nhận thức có một nguyên tắc cơ bản: con người có xu hướng tin tưởng kết quả được tạo ra bởi máy móc hơn kết quả do con người tạo ra, ngay cả khi kết quả máy móc không chính xác hơn. Hiện tượng này được gọi là "hiệu ứng máy móc" (machine heuristic) hoặc "thiên lệch tự động hóa" (automation bias).

Khi dữ liệu trong hệ thống phân mảnh không nhất quán, người ra quyết định có xu hướng nhận biết sự mâu thuẫn — họ biết rằng số liệu từ phòng Đào tạo không khớp với phòng Tài chính, và do đó họ thận trọng. Nhưng khi AI xử lý dữ liệu này và đưa ra một kết quả "đã được phân tích", người ra quyết định có xu hướng tin tưởng kết quả đó, vì nó "đến từ AI" và có vẻ khoa học hơn.

Rumyantsev và Polishuk (2026) phân tích AI trong giáo dục đại học và tư vấn tâm lý sinh viên, trong đó đề cập đến việc các quyết định dựa trên AI trong giáo dục cần được đánh giá nghiêm ngặt: "When AI systems process inconsistent data, the output may appear more credible than the raw data itself, creating a dangerous illusion of precision."

Tóm tắt: Rumyantsev và Polishuk (2026) cảnh báo AI xử lý dữ liệu không nhất quán có khả năng tạo ra ảo giác chính xác — kết quả AI trông đáng tin cậy hơn dữ liệu gốc dù thực chất không chính xác hơn. (Rumyantsev và Polishuk, 2026)

5.2. Cơ chế 2: Khuếch đại — AI nhân bản sai lệch theo quy mô lớn

Trong hệ thống phân mảnh, một sai lệch nhỏ — ví dụ: mã sinh viên không nhất quán giữa hai hệ thống — có khả năng chỉ ảnh hưởng đến một vài bản ghi. Nhưng khi AI xử lý hàng ngàn hoặc hàng triệu bản ghi, sai lệch nhỏ này được khuếch đại theo quy mô lớn:

1. Thuật toán phân tích xu hướng sinh viên có khả năng báo cáo "tỷ lệ giữ chân sinh viên tăng 12%" dựa trên dữ liệu không nhất quán, khi thực tế tỷ lệ không thay đổi
2. Hệ thống phân bổ ngân sách tự động có khả năng ưu tiên sai khoa hoặc chương trình đào tạo do dữ liệu đăng ký môn học bị trùng lặp
3. Công cụ phát hiện gian lận (plagiarism detection) có khả năng hoạt động sai lệch nếu dữ liệu sinh viên không nhất quán

Dashash và Omar (2026) nghiên cứu AI phát hiện gian lận trong học thuật tại khu vực Ả Rập và phát hiện ra rằng "công cụ phát hiện dựa trên AI chỉ đáng tin cậy đến mức dữ liệu mà chúng xử lý — hồ sơ sinh viên phân mảnh có thể dẫn đến cả kết quả dương tính giả và âm tính giả, làm suy yếu thay vì bảo vệ tính toàn vẹn học thuật."

Tóm tắt: Dashash và Omar (2026) tìm thấy công cụ AI phát hiện gian lận chỉ đáng tin cậy như dữ liệu đầu vào — hồ sơ sinh viên phân mảnh dẫn đến cả báo cáo sai tích cực lẫn tiêu cực, làm suy giảm thay vì bảo vệ liêm chính học thuật. (Dashash và Omar, 2026)

5.3. Cơ chế 3: Tự gia cố — AI học sai lệch từ dữ liệu phân mảnh

Các hệ thống AI học máy (machine learning) được huấn luyện bằng dữ liệu lịch sử. Khi dữ liệu lịch sử đến từ hệ thống phân mảnh, mô hình AI học được các mẫu không phản ánh thực tế, và sau đó tự gia cố các mẫu sai lệch đó:

1. Mô hình dự báo sinh viên bỏ học có khả năng "học" được rằng sinh viên từ một khoa nhất định có nguy cơ bỏ học cao hơn, khi thực tế chỉ là dữ liệu từ khoa đó được ghi nhận không đầy đủ trong hệ thống
2. Thuật toán phân bổ nguồn lực có khả năng ưu tiên các đơn vị có dữ liệu tốt hơn, không phải đơn vị thực sự cần hỗ trợ nhiều hơn
3. Hệ thống đề xuất môn học có khả năng dựa trên dữ liệu điểm không nhất quán, dẫn đến đề xuất không phù hợp

Vòng lặp tự gia cố này đặc biệt nguy hiểm vì nó tạo ra kết quả "trông có vẻ đúng" — AI đưa ra phân tích chi tiết, có biểu đồ, có mô hình dự báo — nhưng nền tảng dữ liệu không đáng tin cậy.

Ví dụ thực tế: Vòng lặp phản hồi ác tính trong dự đoán sinh viên bỏ học. Giả sử một trường đại học triển khai thuật toán AI để dự đoán sinh viên có nguy cơ bỏ học, nhằm can thiệp tư vấn sớm. Thuật toán được huấn luyện trên dữ liệu lịch sử từ hệ thống quản lý đào tạo — nơi điểm số được nhập theo thang 10, và từ hệ thống LMS — nơi dữ liệu hoạt động học trực tuyến được ghi nhận theo thời gian thực. Hai hệ thống này dùng hai định nghĩa khác nhau về "sinh viên đang gặp khó khăn": hệ thống đào tạo xét điểm trung bình dưới 5,0; LMS xét tỷ lệ hoàn thành bài tập dưới 60%.

AI "học" được hai tín hiệu mâu thuẫn này và tạo ra mô hình dự báo sai lệch. Kết quả: sinh viên có điểm trung bình khá nhưng ít tương tác trên LMS bị đánh dấu "có nguy cơ cao" và được gọi lên tư vấn. Trong phiên tư vấn, cố vấn học tập dùng chính kết quả AI làm căn cứ để khuyến nghị sinh viên giảm tải môn — bất ngờ, quyết định này khiến sinh viên nản lòng, giảm tham gia hoạt động hơn nữa, và cuối cùng thực sự bỏ học. Hành vi bỏ học đó lại được ghi nhận vào hệ thống, trở thành "dữ liệu lịch sử" xác nhận mô hình dự báo — AI "đúng" nhưng vì chính nó tạo ra điều kiện dẫn đến kết quả đó.

Đây chính là vòng lặp phản hồi ác tính (negative feedback loop): AI dự đoán sai → can thiệp sai → kết quả xấu xảy ra → dữ liệu xấu xác nhận dự đoán sai → mô hình càng "tự tin" vào sai lệch. Vòng lặp này đặc biệt nguy hiểm trong giáo dục vì nó ảnh hưởng đến con người thật — sinh viên bị dán nhãn, bị can thiệp sai hướng, và mang hậu quả thực tế từ quyết định của một hệ thống xây trên dữ liệu phân mảnh (Baker và Hawn, 2022; Briggs và Cafaro, 2021).

5.4. Cơ chế 4: Chi phí chuyển đổi — Hệ thống AI mới đòi hỏi dữ liệu cũ

Một nghịch lý đặc biệt của phân mảnh dữ liệu là: càng nhiều hệ thống AI được triển khai trên dữ liệu phân mảnh, càng khó để giải quyết phân mảnh sau này. Mỗi hệ thống AI mới tạo ra thêm một lớp dữ liệu, một bộ mã hóa riêng, và một tập phụ thuộc — tất cả làm cho nỗ lực tích hợp sau này càng phức tạp hơn.

Đây là hiện tượng "chi phí chuyển đổi gia tăng" (increasing switching cost): chi phí để di chuyển từ hệ thống phân mảnh sang hệ thống thống nhất tăng theo thời gian, càng có nhiều hệ thống AI được triển khai trên hạ tầng phân mảnh. Alhakamy (2026) nghiên cứu quản trị kiến trúc doanh nghiệp với TOGAF và chỉ ra rằng "enterprise architecture frameworks must be applied before, not after, deploying new technology solutions — retrofitting integration onto fragmented systems is exponentially more expensive than designing for integration from the start."

Tóm tắt: Alhakamy (2026) khẳng định kiến trúc doanh nghiệp phải được áp dụng trước khi triển khai công nghệ mới, vì tích hợp "lắp nối sau" lên hệ thống phân mảnh đắt đỏ theo cấp số nhân. (Alhakamy, 2026)

5.5. Cơ chế 5: Tác động tổ chức — Sự mất niềm tin vào dữ liệu

Khi AI đưa ra quyết định dựa trên dữ liệu mà nhân viên biết là không nhất quán, kết quả là một tổn thất tổ chức sâu sắc: mất niềm tin vào dữ liệu. Khi nhân viên không tin tưởng dữ liệu, họ:

1. Tạo ra các "hệ thống bóng" (shadow systems) — file Excel riêng, database riêng, quy trình thu thập dữ liệu riêng — làm tăng thêm phân mảnh
2. Bỏ qua các khuyến nghị AI, rendering toàn bộ đầu tư AI vô nghĩa
3. Quay lại quyết định dựa trên cảm tính và kinh nghiệm cá nhân, không phải dữ liệu — điều mà chuyển đổi số định phải loại bỏ

Vòng lặp phản hồi tiêu cực này — phân mảnh → AI sai lệch → mất niềm tin → tạo thêm phân mảnh — là lý do tại sao bài viết khẳng định: không giải quyết được phân mảnh dữ liệu thì không nên áp dụng AI vào quản lý giáo dục đại học.

Lê Thị Thu Huyền (2024) nghiên cứu chuyển đổi số hành chính đại học tại Việt Nam và phát hiện ra rằng "niềm tin vào dữ liệu thể chế là điều kiện tiên quyết cho chuyển đổi số thành công — song phần lớn các trường đại học Việt Nam chưa thiết lập quản lý chất lượng dữ liệu mang tính hệ thống, dẫn đến tình trạng thiếu tin tưởng rộng rãi đối với các hệ thống dữ liệu của chính họ."

Tóm tắt: Lê Thị Thu Huyền (2024) phát hiện niềm tin vào dữ liệu thể chế là điều kiện tiên quyết cho chuyển đổi số thành công, nhưng hầu hết trường đại học Việt Nam chưa thiết lập quản trị chất lượng dữ liệu, dẫn đến thiếu tin tưởng lan rộng vào hệ thống dữ liệu. (Lê Thị Thu Huyền, 2024)

5.6. Cơ chế 6 — nhưng AI cũng có khả năng đóng vai trò "dọn dẹp": giới hạn và tiềm năng

Bài viết đến đây đã phân tích năm cơ chế mà AI khuếch đại hỗn loạn — nhưng góc nhìn này sẽ thiếu toàn diện nếu không thừa nhận rằng bản thân AI, khi được sử dụng đúng cách và đúng thứ tự, có khả năng đóng vai trò chủ động trong việc dọn dẹp và chuẩn hóa dữ liệu phân mảnh. Đây không phải mâu thuẫn với luận điểm "thiết trật tự trước, tự động hóa sau" — mà là cách hiểu sâu hơn về mối quan hệ giữa AI và dữ liệu: AI không chỉ tiêu thụ dữ liệu, mà còn có khả năng sản xuất trật tự từ hỗn loạn — nếu được dẫn hướng bởi con người.

Phân loại và chuẩn hóa dữ liệu bằng NLP. Các mô hình ngôn ngữ lớn (LLMs) và công cụ xử lý ngôn ngữ tự nhiên (NLP) có khả năng phân loại, ánh xạ, và chuẩn hóa các trường dữ liệu không nhất quán từ nhiều hệ thống cũ. Ví dụ cụ thể: khi một trường đại học có ba hệ thống lưu trữ thông tin sinh viên — hệ thống đào tạo dùng "Nam/Nữ", hệ thống LMS dùng "Male/Female", hệ thống xuất khẩu Excel dùng "M/F" — LLM có khả năng tự động nhận diện ba giá trị này cùng chỉ một khái niệm và đề xuất ánh xạ (mapping) thống nhất. Tương tự, các trường dữ liệu văn bản tự do như "tên chương trình đào tạo" — nơi "Khoa học Máy tính", "Khoa học máy tính", "KHMT", "Computer Science" có khả năng cùng chỉ một chương trình — có khả năng được LLM phân tích và nhóm tự động theo embedding similarity (Zhan và Wang, 2024).

Phát hiện bất nhất dữ liệu (data anomaly detection). Thuật toán AI học máy, đặc biệt là học không giám sát (unsupervised learning), có khả năng quét toàn bộ kho dữ liệu và phát hiện các bất nhất mà con người không thể nhận ra bằng mắt — ví dụ: một mã sinh viên xuất hiện dưới ba định dạng khác nhau, hoặc ngày nhập học nằm trước ngày tốt nghiệp trung học phổ thông. Các kỹ thuật như clustering và outlier detection đã được ứng dụng thành công trong ngữ cảnh giáo dục để xác định hồ sơ sinh viên bất thường (Dashash và Omar, 2026). Điều này đặc biệt có giá trị trong Giai đoạn 1 của lộ trình bài viết đề xuất (Phần 12.2) — trước khi thiết kế kiến trúc tích hợp, cần hiểu rõ mức độ và bản chất phân mảnh, và AI là công cụ mạnh mẽ cho bước "đánh giá thực trạng."

Ánh xạ lược đồ dữ liệu (schema mapping). Trong bối cảnh nhiều hệ thống cũ tồn tại song song — phổ biến tại các trường đại học Việt Nam — AI có khả năng phân tích cấu trúc dữ liệu của từng hệ thống và đề xuất bản đồ ánh xạ giữa các lược đồ khác nhau. Các nghiên cứu về kiến trúc dữ liệu linh hoạt (Agile EA) chỉ ra rằng schema mapping tự động hỗ trợ bằng AI giảm đáng kể thời gian và chi phí của Giai đoạn 2 — thiết kế kiến trúc dữ liệu (Wiro Sasmito, 2026; Alhakamy, 2026). Thay vì chuyên gia dữ liệu phải dành hàng tháng phân tích thủ công từng hệ thống, AI có khả năng đề xuất sơ đồ ánh xạ ban đầu, sau đó chuyên gia rà soát và điều chỉnh.

Hỗ trợ quản trị chất lượng dữ liệu. AI có khả năng thiết lập các quy tắc kiểm tra chất lượng dữ liệu (data quality rules) tự động — ví dụ: kiểm tra tính hợp lệ chéo giữa "điểm thi cuối kỳ" và "điểm tổng kết", phát hiện bản ghi trùng lặp, xác nhận tính đầy đủ của hồ sơ sinh viên. Khi được triển khai như một lớp giám sát nằm trên nền tảng dữ liệu (không thay thế con người ra quyết định), AI trở thành công cụ kiểm soát chất lượng liên tục thay vì công cụ ra quyết định rủi ro.

Tuy nhiên — giới hạn quan trọng. Tiềm năng này có ba giới hạn cần ghi nhận rõ:

1. AI không thể tự khởi động quá trình chuẩn hóa — nó cần con người xác định: dữ liệu nào quan trọng nhất, tiêu chuẩn nào được chọn, và kết quả AI đề xuất cần được kiểm chứng bởi người hiểu nghiệp vụ giáo dục. AI là công cụ hỗ trợ trong quá trình dọn dẹp, không phải chủ thể khởi động nó.
2. AI chuẩn hóa dữ liệu cần dữ liệu mẫu đã được dán nhãn — mô hình NLP cần ít nhất một tập dữ liệu tham chiếu (ground truth) do con người xác nhận để làm mốc so sánh. Nếu toàn bộ dữ liệu đều phân mảnh mà không có "điểm chuẩn," AI có khả năng chuẩn hóa sai — nhóm các trường dữ liệu không nên nhóm lại với nhau (Zhan và Wang, 2024).
3. Phân biệt hai vai trò hoàn toàn khác nhau của AI: (a) AI để chuẩn hóa dữ liệu — đóng vai công cụ kỹ thuật, rủi ro thấp, giá trị cao; (b) AI để ra quyết định quản lý — đóng vai nhà phân tích, rủi ro cao, phụ thuộc hoàn toàn vào chất lượng dữ liệu nền tảng. Bài viết cảnh báo thứ (b), không phủ nhận giá trị của thứ (a).

Điểm cân bằng cốt lõi ở đây là: không nên coi AI chỉ là "thủ phạm khuếch đại hỗn loạn" hay chỉ là "cứu tinh giải quyết mọi vấn đề" — AI là một công cụ mạnh mẽ nhưng không trung lập, hiệu quả phụ thuộc vào bối cảnh sử dụng và chất lượng dữ liệu nền tảng. Bài viết đề xuất: dùng AI để dọn dẹp dữ liệu (Giai đoạn 1-2), rồi mới dùng AI để ra quyết định (Giai đoạn 4) — đúng tinh thần "thiết trật tự trước, tự động hóa sau."

6. Hệ thống dữ liệu phân mảnh: Cơ chế sinh ra quyết định sai lệch

Phần trước phân tích các cơ chế mà AI khuếch đại hỗn loạn. Phần này đi sâu hơn: chính xác thì dữ liệu phân mảnh gây ra những sai lệch như thế nào trong quá trình ra quyết định giáo dục đại học, và những sai lệch đó có hậu quả gì.

6.1. Sơ đồ lỗi từ dữ liệu đến quyết định

Quy trình ra quyết định dựa trên dữ liệu trong giáo dục đại học đi qua năm bước: (1) thu thập dữ liệu, (2) tích hợp dữ liệu, (3) phân tích dữ liệu, (4) diễn giải kết quả, và (5) ra quyết định. Mỗi bước đều có khả năng bị ảnh hưởng bởi phân mảnh dữ liệu:

Thu thập dữ liệu: Các hệ thống khác nhau thu thập dữ liệu theo cách khác nhau, với quy trình và tiêu chuẩn khác nhau. Sinh viên có khả năng nhập tên theo cách khác nhau trong hệ thống đăng ký môn và hệ thống thi trực tuyến. Giảng viên có khả năng nhập điểm theo thang điểm khác nhau trong các học kỳ khác nhau.

Tích hợp dữ liệu: Đây là bước quan trọng nhất và cũng dễ bị lỗi nhất. Khi dữ liệu từ nhiều nguồn cần được kết nối, các vấn đề phát sinh: không có khóa thống nhất để nối bản ghi (trong khi hệ thống A dùng mã sinh viên, hệ thống B dùng email), không có định dạng thống nhất (ngày tháng ghi nhận theo nhiều format), và không có quy tắc giải quyết mâu thuẫn (khi hai hệ thống báo số tín chỉ khác nhau cho cùng một sinh viên).

Phân tích dữ liệu: Khi AI phân tích dữ liệu đã tích hợp không chính xác, kết quả phân tích chứa sai lệch. Sai lệch này thường không được phát hiện vì AI tạo ra kết quả trông hợp lý — có mô hình dự báo, có khoảng tin cậy, có biểu đồ — ngay cả khi dữ liệu nền tảng có vấn đề.

Diễn giải kết quả: Người ra quyết định diễn giải kết quả AI dựa trên giả định rằng dữ liệu đầu vào chính xác. Khi dữ liệu không chính xác, diễn giải sẽ sai lệch theo những cách không dễ nhận biết.

Ra quyết định: Quyết định được đưa ra dựa trên diễn giải sai lệch của kết quả phân tích sai lệch từ dữ liệu phân mảnh. Kết quả cuối cùng trông có vẻ "dựa trên dữ liệu" nhưng thực chất dựa trên dữ liệu không đầy đủ và không nhất quán.

6.2. Năm dạng sai lệch quyết định phổ biến

(1) Quyết định phân bổ nguồn lực sai: Khi dữ liệu về số lượng sinh viên, nhu cầu phòng học, và tải giảng của giảng viên đến từ các hệ thống khác nhau, quyết định phân bổ ngân sách và nguồn lực có khả năng ưu tiên sai đối tượng.

(2) Đánh giá chương trình đào tạo không chính xác: Đánh giá chất lượng chương trình đào tạo đòi hỏi dữ liệu đa chiều — kết quả học tập, đánh giá sinh viên, kết quả việc làm sau tốt nghiệp, và phản hồi từ doanh nghiệp — thường phân tán trong nhiều hệ thống.

1. Khuyến nghị học tập cá nhân hóa sai: Cá nhân hóa học tập cần dữ liệu toàn diện về hành vi học tập, điểm số, và hoàn cảnh cá nhân. Dữ liệu phân mảnh dẫn đến khuyến nghị không phù hợp hoặc thậm chí có hại.

(4) Dự báo sai về xu hướng: Dự báo số lượng sinh viên, nhu cầu ngành nghề, hoặc xu hướng nghiên cứu đòi hỏi dữ liệu lịch sử nhất quán. Dữ liệu phân mảnh làm cho các chuỗi thời gian bị đứt đoạn hoặc mâu thuẫn.

(5) Quản lý nhân sự giáo viên thiếu công bằng: Đánh giá hiệu quả giảng dạy của giảng viên khi dữ liệu điểm, phản hồi sinh viên, và nghiên cứu đến từ các hệ thống khác nhau có nguy cơ dẫn đến đánh giá không công bằng.

6.3. Trường hợp minh họa: Sai lệch trong phân tích "sinh viên có nguy cơ bỏ học"

Một trong những ứng dụng AI phổ biến nhất trong giáo dục đại học là phát hiện sinh viên có nguy cơ bỏ học (at-risk student identification). Thuật toán phân tích dữ liệu lịch sử để xác định các yếu tố dự báo bỏ học và áp dụng mô hình vào sinh viên hiện tại.

Trong môi trường dữ liệu phân mảnh, hệ thống này hoạt động ra sao?

1. Hệ thống đào tạo (SIS) có dữ liệu về điểm số và tiến độ học tập — nhưng không có dữ liệu tài chính, không có dữ liệu về hoàn cảnh gia đình, và không có dữ liệu về hoạt động ngoại khóa.
2. Hệ thống tài chính có dữ liệu về thanh toán học phí — nhưng mã sinh viên có khả năng không nhất quán với hệ thống đào tạo, và nhiều sinh viên thanh toán qua các kênh khác nhau.
3. Hệ thống công tác sinh viên có dữ liệu về tham gia hoạt động ngoại khóa, học bổng, và kỷ luật — nhưng được thu thập thủ công và thường không đầy đủ.
4. Hệ thống học trực tuyến (LMS) có dữ liệu chi tiết về hành vi học tập — thời gian truy cập, bài tập nộp, tương tác trong diễn đàn — nhưng chỉ bao gồm môn học trực tuyến.

Khi AI cố gắng tích hợp bốn nguồn dữ liệu này để dự đoán nguy cơ bỏ học, kết quả bị ảnh hưởng bởi: (a) dữ liệu thiếu — nhiều biến quan trọng không có sẵn; (b) dữ liệu mâu thuẫn — thông tin sinh viên không nhất quán giữa các hệ thống; (c) thiên lệch chọn lọc — dữ liệu chỉ bao gồm sinh viên có tương tác với hệ thống cụ thể, bỏ qua những sinh viên không tương tác.

Kết quả: AI có khả năng báo cáo rằng sinh viên A "có nguy cơ bỏ học thấp" trong khi thực tế sinh viên đó đang gặp khó khăn tài chính nghiêm trọng mà AI không biết, vì dữ liệu tài chính và dữ liệu đào tạo không được kết nối.

Nguyễn Thị Thanh Dung và cộng sự (2021) nghiên cứu các yếu tố ảnh hưởng đến sự sẵn sàng chuyển đổi số của sinh viên Việt Nam trong bối cảnh COVID-19, phát hiện ra rằng hoàn cảnh cá nhân và tài chính là yếu tố quan trọng ảnh hưởng đến kết quả học tập — yếu tố mà hệ thống dữ liệu phân mảng thường bỏ qua.

Tóm tắt: Nguyễn Thị Thanh Dung và cộng sự (2021) phát hiện hoàn cảnh cá nhân và tài chính ảnh hưởng đáng kể đến kết quả học tập của sinh viên Việt Nam — những yếu tố thường bị bỏ qua trong hệ thống dữ liệu phân mảnh khi phân tích nguy cơ bỏ học. (Nguyễn Thị Thanh Dung et al., 2021)

6.4. Định lượng tác hại: Khi sai lệch quy mô lớn

Mặc dù ít có nghiên cứu định lượng trực tiếp tác hại của phân mảnh dữ liệu trong giáo dục đại học, một số nghiên cứu trong lĩnh vực khác cung cấp ước tính:

1. Trong y tế, Sisodia (2026) ước tính rằng phân mảnh dữ liệu gây ra sai lệch quyết định lâm sàng trong 15–25% trường hợp khi dữ liệu đến từ nhiều nguồn không được tích hợp.
2. Trong kinh doanh, MERDİN et al. (2023) tìm thấy rằng các doanh nghiệp ở cấp độ trưởng thành kỹ thuật số thấp có tỷ lệ thất bại trong dự án AI cao gấp 3–5 lần so với doanh nghiệp ở cấp độ cao.
3. Trong giáo dục, Macfadyen (2022) cảnh báo rằng institutional analytics dựa trên dữ liệu không nhất quán có nguy cơ dẫn đến "decisions that appear data-informed but are actually data-misguided."

Phân mảnh dữ liệu không chỉ gây sai lệch quyết định cụ thể mà còn làm suy giảm tổng thể niềm tin vào dữ liệu thể chế — tạo ra một môi trường mà "dữ liệu" không còn là cơ sở cho ra quyết định, mà trở thành một lớp trang trí cho quyết định đã được đưa ra từ trước.

Tóm tắt: Macfadyen (2022) cảnh báo phân tích thể chế dựa trên dữ liệu không nhất quán tạo ra "quyết định trông có vẻ dựa trên dữ liệu nhưng thực chất bị dữ liệu dẫn lối sai." (Macfadyen, 2022)

7. Kiến trúc doanh nghiệp và kiến trúc dữ liệu: Giải pháp nền tảng

Nếu phân mảnh dữ liệu là vấn đề cơ bản, thì giải pháp nền tảng phải nằm ở cấp độ kiến trúc — không phải triển khai thêm công cụ AI mới, mà tái thiết kế cách mà dữ liệu được tổ chức, lưu trữ, và quản lý trong một trường đại học. Phần này phân tích các mô hình kiến trúc doanh nghiệp và kiến trúc dữ liệu được đề xuất cho giáo dục đại học.

7.1. Kiến trúc doanh nghiệp (Enterprise Architecture) cho giáo dục đại học

Kiến trúc doanh nghiệp (EA) là một phương pháp luận quản trị nhằm đảm bảo rằng chiến lược, quy trình, thông tin, và công nghệ của một tổ chức được liên kết và nhất quán. Trong giáo dục đại học, EA đảm bảo rằng mọi hệ thống thông tin phục vụ một mục tiêu chung, thay vì hoạt động độc lập.

Supriadi và Amalia (2019) nghiên cứu thiết kế kiến trúc doanh nghiệp cho trường đại học sử dụng phương pháp Enterprise Architecture Planning (EAP) của Spewak. Nghiên cứu phát triển khung kiến trúc gồm bốn lớp: (1) Business Architecture — xác định các quy trình nghiệp vụ quan trọng; (2) Data Architecture — xác định các thực thể dữ liệu và mối quan hệ; (3) Applications Architecture — xác định các ứng dụng cần thiết; (4) Technology Architecture — xác định hạ tầng kỹ thuật. Kết quả cho thấy EAP giúp trường đại học xác định các điểm tích hợp và loại bỏ sự trùng lặp.

Indrawan và Sumitra (2019) phát triển kiến trúc doanh nghiệp cho giáo dục đại học bằng cách tập trung vào lớp dữ liệu (Data Architecture) như nền tảng cho tích hợp. Nghiên cứu đề xuất mô hình "data-driven EA" nơi lớp dữ liệu được thiết kế trước, độc lập với các ứng dụng, và sau đó các ứng dụng được xây dựng xung quanh lớp dữ liệu đó.

Alamri và cộng sự (2019) nghiên cứu việc chấp nhận kiến trúc doanh nghiệp trong giáo dục đại học và phát hiện ra rằng rào cản lớn nhất không phải kỹ thuật mà là tổ chức: "việc áp dụng kiến trúc doanh nghiệp tại các cơ sở giáo dục đại học đối mặt với nhiều thách thức về tổ chức hơn là kỹ thuật — cấu trúc tổ chức phân lập, thiếu văn hóa quản trị dữ liệu và sức ức chế đối với tiêu chuẩn hóa là những rào cản chính."

Tóm tắt: Supriadi và Amalia (2019) phát triển khung kiến trúc doanh nghiệp bốn lớp cho giáo dục đại học. Indrawan và Sumitra (2019) đề xuất mô hình EA hướng dữ liệu (data-driven). Alamri và cộng sự (2019) phát hiện rào cản lớn nhất cho EA trong giáo dục là tổ chức, không phải kỹ thuật. (Supriadi và Amalia, 2019; Indrawan và Sumitra, 2019; Alamri et al., 2019)

7.2. Kiến trúc doanh nghiệp linh hoạt (Agile EA) cho chuyển đổi số

Khi chuyển đổi số đòi hỏi khả năng thích ứng nhanh, kiến trúc doanh nghiệp truyền thống — thường cứng nhắc và tốn nhiều thời gian triển khai — cần được điều chỉnh. Sararuch, Wannapiroon và Nilsook (2023) nghiên cứu phát triển kiến trúc doanh nghiệp linh hoạt (agile enterprise architecture) cho chuyển đổi số trong giáo dục đại học, đề xuất mô hình kết hợp nguyên tắc agile với EA truyền thống.

Mô hình agile EA cho giáo dục đại học bao gồm ba đặc điểm chính: (1) Tính lặp — phát triển và triển khai theo từng lần lặp nhỏ, không đợi hoàn thành toàn bộ; (2) Tính thích ứng — có khả năng thay đổi khi yêu cầu thay đổi, đặc biệt trong bối cảnh công nghệ giáo dục phát triển nhanh; (3) Tính hướng dữ liệu — dữ liệu được thiết kế trước, các ứng dụng linh hoạt xung quanh lớp dữ liệu then chốt nhất.

Tóm tắt: Sararuch, Wannapiroon và Nilsook (2023) đề xuất kiến trúc doanh nghiệp linh hoạt cho chuyển đổi số giáo dục đại học, kết hợp tính lặp, thích ứng, và hướng dữ liệu — giải pháp phù hợp cho bối cảnh công nghệ giáo dục thay đổi nhanh. (Sararuch et al., 2023)

7.3. Kiến trúc dữ liệu độc lập (Data Independence Architecture)

Một khái niệm quan trọng được Wiro Sasmito (2026) đề xuất là "kiến trúc dữ liệu độc lập" cho giáo dục đại học — nơi cấu trúc dữ liệu được thiết kế tách biệt hoàn toàn khỏi các ứng dụng cụ thể:

1. Lớp mô hình dữ liệu vital (Core Data Model)**: Định nghĩa các thực thể dữ liệu chính của trường đại học — Sinh viên, Giảng viên, Chương trình đào tạo, Môn học, Học kỳ, Điểm, Nghiên cứu — và các mối quan hệ giữa chúng
2. Lớp tích hợp (Integration Layer)**: Cung cấp cơ chế cho các hệ thống khác nhau trao đổi dữ liệu qua lớp mô hình then chốt, sử dụng API và tiêu chuẩn chung
3. Lớp chất lượng dữ liệu (Data Quality Layer)**: Đảm bảo dữ liệu đi qua lớp tích hợp được làm sạch, chuẩn hóa, và kiểm tra chất lượng
4. Lớp phân tích (Analytics Layer)**: Cung cấp dữ liệu nhất quán cho các công cụ phân tích và AI

Mô hình này đảm bảo rằng bất kỳ hệ thống mới nào — kể cả các ứng dụng AI — đều được xây dựng trên cùng một lớp dữ liệu thiết yếu, loại bỏ vấn đề phân mảnh từ gốc.

Tóm tắt: Wiro Sasmito (2026) đề xuất kiến trúc dữ liệu độc lập bốn lớp cho giáo dục đại học: mô hình dữ liệu nền tảng, lớp tích hợp, lớp chất lượng dữ liệu, và lớp phân tích — đảm bảo mọi ứng dụng AI đều xây dựng trên cùng một nền tảng. (Wiro Sasmito, 2026)

7.4. Smart Campus và quản trị dữ liệu

Khái niệm "smart campus" (trường đại học thông minh) liên quan mật thiết đến kiến trúc dữ liệu. Một campus thông minh đòi hỏi khả năng thu thập, tích hợp, và phân tích dữ liệu từ nhiều nguồn — từ hệ thống đào tạo, cơ sở vật chất, năng lượng, an ninh, đến trải nghiệm sinh viên.

Sujatha và Vidhya (2026) nghiên cứu quản lý bảo mật, quyền riêng tư và tin cậy trong hệ thống smart campus dựa trên AI, nhấn mạnh rằng "nền tảng của một campus thông minh đáng tin cậy không phải là các thuật toán AI mà là kiến trúc dữ liệu đảm bảo chất lượng, quyền riêng tư và khả năng liên thông giữa mọi hệ thống trong campus."

Nedeltcheva và cộng sự (2025) đề xuất các mô hình dữ liệu sáng tạo cho quản lý smart campus, trong đó nhấn mạnh tầm quan trọng của ontological approach — phương pháp xây dựng mô hình dữ liệu dựa trên các khái niệm và mối quan hệ được định nghĩa rõ ràng, đảm bảo nhất quán giữa các hệ thống.

Tóm tắt: Sujatha và Vidhya (2026) khẳng định nền tảng smart campus đáng tin cậy là kiến trúc dữ liệu, không phải thuật toán AI. Nedeltcheva và cộng sự (2025) đề xuất phương pháp ontological cho mô hình dữ liệu smart campus. (Sujatha và Vidhya, 2026; Nedeltcheva et al., 2025)

7.5. Liên thông và khả năng tương tác (Interoperability)

Liên thông (interoperability) — khả năng của các hệ thống khác nhau chia sẻ và sử dụng dữ liệu — là đặc điểm kỹ thuật cơ bản để giải quyết phân mảnh. Tuy nhiên, liên thông trong giáo dục đại học phức tạp hơn nhiều so với các ngành khác vì sự đa dạng của các hệ thống và tiêu chuẩn:

1. Hệ thống quản lý đào tạo (SIS) thường sử dụng định dạng và tiêu chuẩn riêng của nhà cung cấp (ví dụ: Banner, PeopleSoft)
2. Hệ thống học trực tuyến (LMS) như Moodle, Canvas, Blackboard có API riêng
3. Hệ thống tài chính thường dựa trên tiêu chuẩn kế toán địa phương
4. Hệ thống nghiên cứu sử dụng các cơ sở dữ liệu trích dẫn quốc tế

Ahmed và cộng sự (2026) lập luận rằng vấn đề liên thông không chỉ là kỹ thuật mà còn nhận thức: "cuộc khủng hoảng liên thông trong các tổ chức hiện đại không chỉ nằm ở các định dạng dữ liệu không tương thích — mà còn ở sự không thống nhất trong cách hiểu ý nghĩa của dữ liệu giữa các bộ phận khác nhau của tổ chức."

Tóm tắt: Ahmed và cộng sự (2026) phân tích khủng hoảng liên thông không chỉ là bất tương thích định dạng dữ liệu mà còn là bất tương thích trong cách hiểu dữ liệu giữa các bộ phận tổ chức. (Ahmed et al., 2026)

8. Quản trị dữ liệu: Từ chính sách đến thực hành

Kiến trúc dữ liệu là giải pháp kỹ thuật, nhưng kiến trúc không tự vận hành — nó cần được hỗ trợ bởi quản trị dữ liệu (data governance), một bộ quy tắc, quy trình, và cơ cấu tổ chức đảm bảo dữ liệu được quản lý như một tài sản chiến lược. Phần này phân tích quản trị dữ liệu trong giáo dục, đáng chú ý trong bối cảnh Việt Nam.

8.1. Khái niệm quản trị dữ liệu trong giáo dục

Quản trị dữ liệu trong giáo dục đại học là việc thiết lập các chính sách, tiêu chuẩn, quy trình, và cơ cấu tổ chức để đảm bảo dữ liệu giáo dục được: (1) chính xác và nhất quán, (2) bảo mật và bảo vệ quyền riêng tư, (3) có khả năng truy cập được cho những người cần, (4) được duy trì và cập nhật thường xuyên, (5) được sử dụng hiệu quả để ra quyết định.

Medeiros và cộng sự (2025) nghiên cứu quản trị dữ liệu trong giáo dục — giải quyết thách thức và mở ra cơ hội — và phát triển khung quản trị dữ liệu giáo dục gồm ba trụ cột: (1) Chính sách và tiêu chuẩn — quy tắc về dữ liệu, (2) Kiến trúc và hạ tầng — kỹ thuật hỗ trợ, (3) Con người và văn hóa — năng lực và nhận thức.

Nai, Rifai và Sadiq (2025) trong chương sách "Data Governance in Education" phân tích sâu hơn các khía cạnh kỹ thuật và tổ chức, đề xuất rằng quản trị dữ liệu giáo dục phải nổi bật chú ý đến ba vấn đề: (1) quyền sở hữu dữ liệu (data ownership) — ai chịu trách nhiệm cho chất lượng của một tập dữ liệu cụ thể, (2) vòng đời dữ liệu (data lifecycle) — cách dữ liệu được tạo, lưu trữ, sử dụng, và xóa, (3) chất lượng dữ liệu (data quality) — tiêu chuẩn và quy trình đảm bảo chất lượng.

Tóm tắt: Medeiros và cộng sự (2025) phát triển khung quản trị dữ liệu giáo dục ba trụ cột: chính sách, kiến trúc, và con người. Nai, Rifai và Sadiq (2025) nhấn mạnh ba vấn đề quan trọng: quyền sở hữu dữ liệu, vòng đời dữ liệu, và chất lượng dữ liệu. (Medeiros et al., 2025; Nai et al., 2025)

8.2. Chất lượng dữ liệu: Chỉ số và tiêu chuẩn

Chất lượng dữ liệu được đánh giá theo nhiều chiều: độ chính xác (accuracy), độ hoàn chỉnh (completeness), độ nhất quán (consistency), tính kịp thời (timeliness), và tính hợp lệ (validity). Trong giáo dục đại học, chất lượng dữ liệu ảnh hưởng trực tiếp đến mọi khía cạnh hoạt động.

Onsomu, Nyakundi và Kathenge (2025) nghiên cứu vai trò quản trị dữ liệu trong nâng cao chất lượng giáo dục từ kinh nghiệm Kenya và phát hiện ra rằng "quản trị dữ liệu không chỉ là một bài tập kỹ thuật mà là một sự chuyển đổi văn hóa — các cơ sở cải thiện chất lượng dữ liệu thành công đều làm điều đó thông qua việc xây dựng văn hóa dữ liệu, nơi mọi bên liên quan đều hiểu vai trò của mình trong việc duy trì chất lượng dữ liệu."

Nedeltcheva và cộng sự (2025) phát triển các mô hình dữ liệu sáng tạo cho smart campus, trong đó chất lượng dữ liệu được nhúng vào kiến trúc từ đầu (quality by design), không phải kiểm tra chất lượng sau khi dữ liệu đã được tạo ra (quality by inspection).

Tóm tắt: Onsomu, Nyakundi và Kathenge (2025) phát hiện quản trị dữ liệu thành công đòi hỏi biến đổi văn hóa, không chỉ kỹ thuật — mọi bên liên quan phải hiểu vai trò trong duy trì chất lượng dữ liệu. Nedeltcheva và cộng sự (2025) đề xuất "chất lượng do thiết kế" nhúng vào kiến trúc dữ liệu. (Onsomu et al., 2025; Nedeltcheva et al., 2025)

8.3. Quản trị dữ liệu trong giáo dục Việt Nam: Thực trạng và thách thức

Bối cảnh quản trị dữ liệu giáo dục tại Việt Nam có những đặc thù riêng:

(1), thiếu khung chính sách quốc gia về quản trị dữ liệu giáo dục. Mặc dù Việt Nam đã có Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân, khung quản trị dữ liệu giáo dục cụ thể vẫn đang phát triển. Nguyễn Văn Tạo (2024) phân tích các thách thức chuyển đổi số tại Việt Nam và chỉ ra rằng "việc thiếu tiêu chuẩn dữ liệu giáo dục thống nhất cấp quốc gia khiến các trường phải tự xây dựng tiêu chuẩn riêng, làm tăng thêm sự phân mảnh."

(2), năng lực quản trị dữ liệu ở mức độ phát triển khác nhau giữa các trường. Các trường lớn ở Hà Nội và TP. Hồ Chí Minh có khả năng có đội ngũ CNTT chuyên trách, nhưng hầu hết các trường chưa có chức năng quản trị dữ liệu cụ thể. Lê Thị Thu Huyền (2024) phát hiện ra rằng "most Vietnamese universities do not have a dedicated data governance function — data management is typically handled by IT departments focused on system maintenance, not data quality."

(3), văn hóa chia sẻ dữ liệu còn hạn chế. Các đơn vị trong trường thường coi dữ liệu là "tài sản riêng" và ngần ngại chia sẻ. Văn hóa này được củng cố bởi cấu trúc tổ chức phân cấp và thiếu cơ chế khuyến khích chia sẻ.

(4), áp lực thời gian — đại dịch COVID-19 và yêu cầu chuyển đổi số cấp tốc — khiến nhiều trường "nhảy" vào áp dụng công nghệ mà bỏ qua bước thiết lập quản trị dữ liệu. Kết quả là các hệ thống được triển khai nhanh nhưng không có nền tảng quản trị vững chắc.

Tóm tắt: Nguyễn Văn Tạo (2024) phát hiện thiếu tiêu chuẩn dữ liệu giáo dục thống nhất cấp quốc gia khiến phân mảnh tăng thêm. Lê Thị Thu Huyền (2024) tìm thấy hầu hết trường đại học Việt Nam không có chức năng quản trị dữ liệu chuyên trách. (Tạo, 2024; Lê Thị Thu Huyền, 2024)

8.4. Xây dựng khung quản trị dữ liệu cho trường đại học Việt Nam

Dựa trên phân tích tài liệu và bối cảnh Việt Nam, một khung quản trị dữ liệu cho trường đại học Việt Nam nên bao gồm năm thành phần:

(1) Chính sách dữ liệu: Văn bản chính thức quy định quyền sở hữu dữ liệu, tiêu chuẩn chất lượng, quy trình truy cập và chia sẻ, và quy định bảo vệ quyền riêng tư. Chính sách này cần được ban giám hiệu phê duyệt và thực thi nhất quán.

(2) Cơ cấu tổ chức: Thành lập hội đồng quản trị dữ liệu (Data Governance Board) gồm đại diện từ các phòng ban chủ yếu — đào tạo, tài chính, công tác sinh viên, nghiên cứu, CNTT — để đảm bảo mọi góc nhìn được đại diện trong quyết định về dữ liệu.

(3) Tiêu chuẩn dữ liệu: Xây dựng bộ tiêu chuẩn thống nhất cho dữ liệu then chốt nhất — mã sinh viên, mã môn học, thang điểm, định dạng ngày tháng — và đảm bảo mọi hệ thống tuân thủ.

(4) Hạ tầng tích hợp: Triển khai lớp tích hợp dữ liệu (integration layer) cho phép các hệ thống khác nhau trao đổi dữ liệu qua API, sử dụng tiêu chuẩn chung.

(5) Năng lực con người: Đào tạo nhân sự về quản trị dữ liệu, từ kỹ thuật viên đến cán bộ quản lý, và xây dựng văn hóa "dữ liệu là tài sản chung."

Yan (2026) trong nghiên cứu về tác động của SDGs đối với đổi mới trường đại học ở châu Á nhấn mạnh rằng quản trị dữ liệu tốt là điều kiện tiên quyết để giáo dục đại học đóng góp hiệu quả vào các mục tiêu phát triển bền vững — một yêu cầu ngày càng quan trọng đối với các trường Việt Nam.

Tóm tắt: Yan (2026) khẳng định quản trị dữ liệu tốt là điều kiện tiên quyết để giáo dục đại học đóng góp hiệu quả vào các mục tiêu phát triển bền vững — yêu cầu ngày càng quan trọng với trường Việt Nam. (Yan, 2026)

9. Độ trưởng thành kỹ thuật số và năng lực tổ chức

Chuyển đổi số không chỉ là vấn đề công nghệ — nó còn là vấn đề năng lực tổ chức. Độ trưởng thành kỹ thuật số (digital maturity) của một trường đại học quyết định khả năng triển khai AI thành công, và phần lớn độ trưởng thành này liên quan đến cách tổ chức quản lý dữ liệu và thay đổi.

9.1. Mô hình trưởng thành kỹ thuật số cho giáo dục đại học

Nhiều mô hình trưởng thành kỹ thuật số đã được phát triển cho doanh nghiệp, nhưng ít mô hình được thiết kế riêng cho giáo dục đại học. Tuy nhiên, các mô hình doanh nghiệp được điều chỉnh, thiết yếu khi được bổ sung bằng các yếu tố đặc thù giáo dục.

MERDİN, ERSÖZ và TAŞKIN (2023) phát triển mô hình trưởng thành kỹ thuật số cho doanh nghiệp bao gồm năm cấp độ: (1) In thế kỷ số — sử dụng công nghệ cơ bản; (2) Tương tác số — tích hợp công nghệ vào quy trình; (3) Chuyển đổi số — thay đổi quy trình và mô hình; (4) Trí tuệ số — sử dụng dữ liệu và AI để ra quyết định; (5) Thích ứng số — liên tục đổi mới và thích ứng.

Khi áp dụng mô hình này vào giáo dục đại học, có khả năng thấy rằng:

1. Cấp độ 1–2** (hầu hết trường Việt Nam): Các trường sử dụng công nghệ số cho các chức năng cụ thể — hệ thống đào tạo, email, website — nhưng không có chiến lược tổng thể. Dữ liệu bị phân mảnh là đặc điểm chủ yếu ở cấp độ này.
2. Cấp độ 3 (một số trường lớn): Các trường bắt đầu tích hợp công nghệ vào quy trình, nhưng vẫn gặp khó khăn với dữ liệu. Đây là cấp độ mà AI bắt đầu được triển khai, và cũng là cấp độ mà rủi ro "tự động hóa hỗn loạn" cao nhất.
3. Cấp độ 4–5** (rất ít trường, chủ yếu ở các nước phát triển): Các trường có hạ tầng dữ liệu thống nhất, quản trị dữ liệu trưởng thành, và ứng dụng AI hiệu quả.

Mahmud và Rahman (2018) nghiên cứu chương trình và sư phạm giáo dục bền vững trong giáo dục đại học, phát hiện ra rằng các trường đạt được kết quả tốt trong giáo dục bền vững đều có mức độ trưởng thành kỹ thuật số cao — bao gồm dữ liệu thống nhất và khả năng phân tích thể chế.

Tóm tắt: MERDİN, ERSÖZ và TAŞKIN (2023) phát triển mô hình trưởng thành kỹ thuật số năm cấp độ. Áp dụng vào giáo dục đại học, hầu hết trường Việt Nam ở cấp độ 1–2 (phân mảnh dữ liệu), rủi ro tự động hóa hỗn loạn cao nhất ở cấp độ 3. Mahmud và Rahman (2018) tìm thấy trường đạt kết quả giáo dục bền vững đều có trưởng thành kỹ thuật số cao. (MERDİN et al., 2023; Mahmud và Rahman, 2018)

9.2. Năng lực tổ chức cho chuyển đổi số

Năng lực tổ chức cho chuyển đổi số giáo dục đại học bao gồm ba chiều kích:

1. Chiều kích công nghệ: Năng lực triển khai, vận hành, và bảo trì hệ thống thông tin, bao gồm hạ tầng CNTT, nhân sự kỹ thuật, và quy trình vận hành.
2. Chiều kích dữ liệu: Năng lực quản lý dữ liệu như tài sản chiến lược — bao gồm quản trị dữ liệu, chất lượng dữ liệu, kiến trúc dữ liệu, và bảo mật dữ liệu.
3. Chiều kích con người: Năng lực sử dụng công nghệ số của toàn bộ cộng đồng trường — giảng viên, nhân viên, sinh viên — bao gồm năng lực số cơ bản và năng lực ứng dụng cụ thể.

Kemenade (2021) nghiên cứu phát triển năng lực cho kiểm toán nội bộ và bên ngoài trong hệ thống thích ứng phức tạp (complex adaptive system) tại Việt Nam, phát triển khung năng lực dựa trên lý thuyết hệ thống phức tạp. Nghiên cứu này, dù tập trung vào kiểm toán, cung cấp góc nhìn quý giá về cách giáo dục đại học được hiểu như một hệ thống phức tạp — nơi nhiều yếu tố tương tác không thể dự đoán trước — và năng lực chuyển đổi số phải được xây dựng từ góc nhìn đó.

Tóm tắt: Kemenade (2021) nghiên cứu giáo dục đại học Việt Nam như hệ thống thích ứng phức tạp, phát triển khung năng lực dựa trên lý thuyết hệ thống phức tạp — góc nhìn có khả năng áp dụng cho năng lực chuyển đổi số. (Kemenade, 2021)

9.3. Chấp nhận công nghệ: Mô hình UTAUT và giáo dục đại học

Một yếu tố quan trọng trong chuyển đổi số là mức độ chấp nhận công nghệ của người dùng — giảng viên, nhân viên, và sinh viên. Mô hình UTAUT (Unified Theory of Acceptance and Use of Technology) là một trong những mô hình được sử dụng rộng rãi nhất để phân tích chấp nhận công nghệ.

Theo UTAUT, ý định sử dụng công nghệ bị ảnh hưởng bởi bốn yếu tố: (1) Kỳ vọng hiệu suất (performance expectancy) — công nghệ có giúp tôi làm việc tốt hơn không? (2) Kỳ vọng nỗ lực (effort expectancy) — công nghệ có dễ sử dụng không? (3) Ảnh hưởng xã hội (social influence) — những người quan trọng có nghĩ tôi nên dùng không? (4) Điều kiện tạo thuận lợi (facilitating conditions) — tổ chức có hỗ trợ tôi không?

Trong giáo dục đại học, "điều kiện tạo thuận lợi" vô cùng quan trọng — nếu tổ chức không có hạ tầng dữ liệu tốt, ngay cả những người sẵn sàng chấp nhận công nghệ cũng sẽ thất vọng khi kết quả không đáng tin cậy. Tương tự, "kỳ vọng hiệu suất" bị ảnh hưởng trực tiếp bởi chất lượng dữ liệu — nếu AI đưa ra khuyến nghị sai lệch do dữ liệu phân mảnh, kỳ vọng hiệu suất giảm, và việc chấp nhận công nghệ suy giảm theo.

9.4. Giáo dục đại học như hệ thống thích ứng phức tạp (CAS)

Một góc nhìn lý thuyết quan trọng cho bài viết này là khái niệm giáo dục đại học như một hệ thống thích ứng phức tạp (complex adaptive system — CAS). Khái niệm này xuất phát từ lý thuyết hệ thống phức tạp và được áp dụng trong nhiều lĩnh vực, bao gồm giáo dục.

Theo góc nhìn CAS, giáo dục đại học có các đặc điểm: (1) gồm nhiều tác nhân (sinh viên, giảng viên, nhân viên, quản lý) tương tác độc lập; (2) các tương tác tạo ra hành vi nổi (emergent behavior) không thể dự đoán từ các quy tắc đơn lẻ; (3) hệ thống liên tục thích ứng và tiến hóa; (4) mối quan hệ nhân quả thường không tuyến tính.

Góc nhìn CAS giúp giải thích tại sao giải pháp đơn giản — "chỉ cần cài phần mềm AI" — không hiệu quả trong giáo dục đại học. Hệ thống quá phức tạp, quá nhiều thành phần tương tác, để một giải pháp đơn lẻ có khả năng giải quyết vấn đề. Rất, CAS cho thấy rằng việc thay đổi một phần của hệ thống (thêm AI) mà không thay đổi các phần khác (dữ liệu, quy trình, văn hóa) sẽ tạo ra kết quả không lường trước — có khả năng tốt hơn, có khả năng tồi tệ hơn, nhưng gần như chắc chắn không như kỳ vọng.

Dương Văn Thanh, Phạm Ngọc Tấn và Trường Hải Vũ (2024) nghiên cứu việc cố vấn sinh viên trong các trường đại học Việt Nam, trong đó đề xuất mô hình hỗ trợ sinh viên dựa trên dữ liệu — nhưng cảnh báo rằng "data-driven mentoring models in Vietnamese universities face the dual challenge of fragmented student data and insufficient digital infrastructure."

Tóm tắt: Dương Văn Thanh, Phạm Ngọc Tấn và Trường Hải Vũ (2024) đề xuất mô hình cố vấn sinh viên dựa trên dữ liệu tại Việt Nam, cảnh báo thách thức kép: dữ liệu sinh viên phân mảnh và hạ tầng số không đủ. (Dương Văn Thanh et al., 2024)

10. Bài học từ thực tiễn quốc tế và khu vực

Để xây dựng khuyến nghị cho Việt Nam, cần học hỏi từ kinh nghiệm quốc tế — cả thành công lẫn thất bại. Phần này tổng hợp các bài học từ các quốc gia và khu vực đi trước trong việc giải quyết phân mảnh dữ liệu và ứng dụng AI trong giáo dục đại học.

10.1. Bài học từ Hàn Quốc: Chiến lược dữ liệu giáo dục quốc gia

Hàn Quốc là một trong những quốc gia đi đầu trong giáo dục số. Kế hoạch giáo dục thông minh (SMART Education) của Hàn Quốc không chỉ tập trung vào công cụ giảng dạy mà còn xây dựng hạ tầng dữ liệu giáo dục quốc gia — một hệ thống thống nhất cho phép chia sẻ dữ liệu giáo dục giữa các trường, các cấp, và các tổ chức.

Bài học quan trọng từ Hàn Quốc: bắt đầu từ tiêu chuẩn quốc gia, không phải từ triển khai công cụ. Việc thiết lập tiêu chuẩn dữ liệu giáo dục thống nhất trước khi triển khai công nghệ giúp Hàn Quốc tránh được vấn đề phân mảnh mà nhiều quốc gia đang đối mặt.

10.2. Bài học từ Estonia: Quản trị dữ liệu trong giáo dục

Estonia được công nhận rộng rãi là một trong những quốc gia có hệ thống quản trị dữ liệu công tốt nhất thế giới — được gọi là "X-Road", một hạ tầng dữ liệu liên thông quốc gia cho phép mọi tổ chức chính phủ và giáo dục chia sẻ dữ liệu an toàn.

Trong giáo dục, Estonia đã triển khai hệ thống e-School (eKool) — một nền tảng thống nhất cho dữ liệu giáo dục — cho phép sinh viên, phụ huynh, và giáo viên truy cập dữ liệu giáo dục từ mọi nguồn trong một nơi. Hệ thống này được xây dựng trên nền tảng X-Road, đảm bảo liên thông với các hệ thống khác (sức khỏe, xã hội, v.v.).

Bài học: liên thông dữ liệu giáo dục cần được xây dựng như hạ tầng quốc gia, không phải dự án riêng lẻ của từng trường. Khi mỗi trường tự xây dựng hạ tầng dữ liệu, kết quả tất yếu là phân mảnh.

10.3. Bài học từ khu vực ASEAN: Thách thức chung, giải pháp khác nhau

Các nước ASEAN đối mặt với nhiều thách thức chung trong chuyển đổi số giáo dục — nguồn lực hạn chế, hạ tầng phát triển không đồng đều, và thiếu tiêu chuẩn thống nhất — nhưng có những cách tiếp cận khác nhau.

Singapore đi đầu khu vực với EdTech stack được thiết kế kỹ lưỡng, bao gồm Student Learning Space (SLS) — nền tảng học trực tuyến quốc gia — kết nối với hệ thống dữ liệu giáo dục quốc gia. Singapore cũng thành lập văn phòng công nghệ giáo dục (Education Technology Division) có chức năng thiết lập tiêu chuẩn và quản trị dữ liệu.

Malaysia triển khai hệ thống data warehouse giáo dục quốc gia, nhưng đối mặt với thách thức tích hợp giữa các bang có hệ thống khác nhau. Bài học: ngay cả trong một quốc gia, sự phân mảnh có khả năng phát sinh từ cấu trúc quản trị phi tập trung.

Thái Lan tập trung vào chuyển đổi số giáo dục thông qua nền tảng MOOC quốc gia và hệ thống quản lý học tập trực tuyến, nhưng vẫn đang đối mặt với vấn đề dữ liệu phân mảnh giữa các trường tự trị.

10.4. Bài học từ Nga và Việt Nam: Nghiên cứu so sánh

Deryuzhenko (2025) thực hiện nghiên cứu so sánh quá trình chuyển đổi số của các trường đại học Nga và Việt Nam — một trong ít nghiên cứu so sánh trực tiếp giữa hai quốc gia. Kết quả cho thấy:

(1) Cả Nga và Việt Nam đều đối mặt với vấn đề phân mảnh dữ liệu nghiêm trọng trong giáo dục đại học, xuất phát từ lịch sử triển khai hệ thống rời rạc.

(2) Việt Nam có lợi thế về thời điểm — đang trong giai đoạn đầu chuyển đổi số, có khả năng học hỏi từ kinh nghiệm các nước đi trước để tránh lặp lại sai lầm.

(3) Nga có lợi thế về nguồn lực kỹ thuật — nhiều trường đại học Nga có đội ngũ kỹ thuật lớn hơn, nhưng cũng đối mặt với vấn đề "di sản hệ thống cũ" nặng nề hơn.

(4) Cả hai quốc gia đều cần tập trung vào quản trị dữ liệu trước khi đẩy nhanh ứng dụng AI, một kết luận phù hợp với luận điểm vital của bài viết này.

Tóm tắt: Deryuzhenko (2025) so sánh chuyển đổi số giáo dục đại học Nga và Việt Nam, phát hiện cả hai đều đối mặt phân mảnh dữ liệu nghiêm trọng, cần quản trị dữ liệu trước AI. Việt Nam có lợi thế thời điểm, Nga có lợi thế nguồn lực kỹ thuật. (Deryuzhenko, 2025)

10.5. Bài học từ khối ARAB: Thách thức đặc thù

Dashash và Omar (2026) nghiên cứu ứng dụng AI trong giáo dục đại học khối Ả Rập, phát hiện ra rằng ngay cả khi dữ liệu không bị phân mảnh, ứng dụng AI vẫn đối mặt với thách thức văn hóa và ngôn ngữ — một lời nhắc nhở rằng giải quyết phân mảnh dữ liệu là cần thiết nhưng chưa đủ. Quản trị dữ liệu phải bao gồm cả quản trị ngôn ngữ, văn hóa, và bối cảnh cụ thể của từng hệ thống giáo dục.

Kamal Chami và cộng sự (2026) nghiên cứu chuyển đổi số và tích hợp AI tại Liban, phát hiện ra rằng trong bối cảnh khủng hoảng kinh tế và chính trị, chuyển đổi số giáo dục đối mặt với "triple challenge": kỹ thuật, tài chính, và thể chế. Bài học cho Việt Nam: ngay cả khi kỹ thuật đã sẵn sàng, yếu tố thể chế và tài chính có khả năng chặn đường chuyển đổi số.

Tóm tắt: Dashash và Omar (2026) nhắc nhở giải pháp dữ liệu là cần thiết nhưng chưa đủ, cần cả quản trị văn hóa và ngôn ngữ. Kamal Chami và cộng sự (2026) cảnh báo chuyển đổi số đối mặt "triple challenge" — kỹ thuật, tài chính, và thể chế. (Dashash và Omar, 2026; Kamal Chami et al., 2026)

10.6. Tổng hợp bài học quốc tế

Từ tổng hợp các kinh nghiệm quốc tế, năm bài học then chốt rút ra:

(1) Tiêu chuẩn trước công nghệ: Hàn Quốc và Estonia cho thấy thiết lập tiêu chuẩn dữ liệu trước khi triển khai công nghệ là chiến lược hiệu quả nhất để tránh phân mảnh.

(2) Hạ tầng liên thông quốc gia là nền tảng: Không một trường đại học nào có khả năng tự giải quyết vấn đề phân mảnh dữ liệu khi mà các hệ thống bên ngoài — bảo hiểm, ngân hàng, cơ quan nhà nước — cung cấp dữ liệu trong định dạng khác nhau. Liên thông quốc gia (như X-Road của Estonia) là giải pháp.

(3) Quản trị dữ liệu là quá trình văn hóa, không chỉ kỹ thuật: Mọi nghiên cứu — từ Kenya đến Hàn Quốc — đều nhất trí rằng quản trị dữ liệu thành công đòi hỏi thay đổi văn hóa tổ chức, không chỉ đầu tư kỹ thuật.

(4) Không có "mô hình hoàn hảo": Mỗi quốc gia phải tìm kiếm giải pháp phù hợp với bối cảnh cụ thể — nguồn lực, cấu trúc quản trị, và mức độ phát triển khác nhau đòi hỏi chiến lược khác nhau.

(5) Kiên nhẫn là chìa khóa: Estonia mất hơn hai thập kỷ để xây dựng hệ thống X-Road. Hàn Quốc mất hơn một thập kỷ cho giáo dục thông minh. Các trường đại học Việt Nam cần kỳ vọng thực tế về thời gian — đây là quá trình dài hạn, không phải dự án một năm.

11. Bối cảnh Việt Nam: Giáo dục đại học trong tiến trình chuyển đổi số

Phần này phân tích bối cảnh cụ thể của giáo dục đại học Việt Nam — từ chính sách, thực trạng hạ tầng, đến các đặc thù văn hóa tổ chức — để xây dựng khuyến nghị phù hợp với thực tiễn trong nước.

11.1. Chính sách chuyển đổi số giáo dục Việt Nam

Khung chính sách chuyển đổi số giáo dục Việt Nam được hình thành qua ba giai đoạn:

1. Giai đoạn 1 — Nền tảng (2019–2020): Nghị quyết 50-NQ/TW (2019) của Ban Chấp hành Trung ương Đảng xác định chuyển đổi số là một trong ba nhiệm vụ chiến lược quốc gia, cùng với kinh tế số và xã hội số. Nghị quyết này tạo ra khuôn chính sách cấp cao cho chuyển đổi số trong mọi ngành, bao gồm giáo dục.
2. Giai đoạn 2 — Đề án ngành giáo dục (2021): Quyết định 922/QĐ-TTg (2021) của Thủ tướng Chính phủ phê duyệt "Đề án chuyển đổi số ngành giáo dục và đào tạo giai đoạn 2022–2025, tầm nhìn đến 2030" với ba mục tiêu cụ thể: (1) xây dựng môi trường giáo dục số, (2) xây dựng dữ liệu giáo dục số, (3) xây dựng hệ thống quản lý giáo dục số. Quyết định này đặc thù quan trọng vì nó xác định dữ liệu giáo dục số là một trong ba mục tiêu thiết yếu, cho thấy chính phủ đã nhận thức được tầm quan trọng của dữ liệu.
3. Giai đoạn 3 — Bảo vệ dữ liệu (2023): Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân thiết lập khuôn pháp lý cho quản lý dữ liệu, bao gồm dữ liệu giáo dục. Nghị định này đòi hỏi các trường đại học phải xây dựng quy trình bảo vệ dữ liệu sinh viên và nhân viên — một yêu cầu không thể đáp ứng nếu dữ liệu phân tán trong nhiều hệ thống không có quản trị.

Thạch Thị Hoàng Yến (2024) nghiên cứu chính sách đổi mới quản lý doanh nghiệp trong bối cảnh chuyển đổi số tại Việt Nam, phát hiện ra rằng chính sách chuyển đổi số ở Việt Nam "mạnh về tầm nhìn nhưng yếu về thực thi" — các mục tiêu được đặt ra rõ ràng nhưng cơ chế thực thi, nguồn lực, và năng lực tổ chức chưa đáp ứng. Bài học này hoàn toàn áp dụng cho giáo dục đại học.

Tóm tắt: Khung chính sách chuyển đổi số giáo dục Việt Nam gồm Nghị quyết 50-NQ/TW (2019), Quyết định 922/QĐ-TTg (2021), và Nghị định 13/2023/NĐ-CP (2023). Thạch Thị Hoàng Yến (2024) phát hiện chính sách "mạnh tầm nhìn, yếu thực thi" — bài học áp dụng cho giáo dục đại học. (Nghị quyết 50-NQ/TW, 2019; Quyết định 922/QĐ-TTg, 2021; Nghị định 13/2023/NĐ-CP, 2023; Yến, 2024)

11.2. Thực trạng hạ tầng dữ liệu giáo dục đại học Việt Nam

Hạ tầng dữ liệu giáo dục đại học Việt Nam có các đặc điểm sau:

Đa dạng nhà cung cấp: Các trường sử dụng nhiều hệ thống khác nhau từ nhiều nhà cung cấp khác nhau — từ hệ thống quản lý đào tạo (Misa, VNU, tự phát triển) đến hệ thống học trực tuyến (Moodle, MS Teams, Google Classroom) và hệ thống tài chính. Không có tiêu chuẩn thống nhất giữa các nhà cung cấp.

Số hóa không đồng bộ: Một số trường lớn đã số hóa phần lớn hoạt động, trong khi nhiều trường nhỏ vẫn sử dụng quá trình thủ công. Ngay trong một trường, mức độ số hóa khác nhau giữa các phòng ban.

Thiếu liên thông: Rất ít trường có hệ thống tích hợp dữ liệu giữa các hệ thống khác nhau. Hầu hết các báo cáo tổng hợp phải được thực hiện thủ công, bằng cách xuất dữ liệu từ nhiều hệ thống và ghép bằng Excel.

Chất lượng dữ liệu thấp: Thiếu tiêu chuẩn nhập liệu thống nhất, thiếu quy trình kiểm tra chất lượng, và thiếu trách nhiệm rõ ràng cho chất lượng dữ liệu. Kết quả: dữ liệu thường không đầy đủ, không nhất quán, và không đáng tin cậy.

11.3. Nghiên cứu về giáo dục đại học Việt Nam: Tổng quan

Tài liệu học thuật về giáo dục đại học Việt Nam trong bối cảnh chuyển đổi số đang phát triển nhanh:

Hayden và Phạm Hiệp Hùng (2024) trong "Higher Education in Vietnam" tổng quan toàn diện giáo dục đại học Việt Nam, chỉ ra rằng "giáo dục đại học Việt Nam đang ở một bước ngoặt quan trọng — ngành đã mở rộng nhanh chóng nhưng đối mặt với những thách thức đáng kể về chất lượng, quản trị và hạ tầng số."

Nguyễn Văn Trào (2026) nghiên cứu quản trị giáo dục đại học Việt Nam, phân tích cấu trúc quản trị, cơ chế ra quyết định, và mối quan hệ giữa nhà nước và trường đại học. Nghiên cứu phát hiện ra rằng "governance structures in Vietnamese universities are still heavily influenced by bureaucratic tradition, which complicates digital transformation efforts that require agile, cross-departmental collaboration."

Hồng Văn Hạnh (2026) phân tích quốc tế hóa giáo dục đại học Việt Nam, phát hiện ra rằng quốc tế hóa — một trong những xu hướng chính — đòi hỏi khả năng chia sẻ dữ liệu với các đối tác quốc tế, một yêu cầu mà hệ thống dữ liệu phân mảnh không đáp ứng được.

Tóm tắt: Hayden và Phạm Hiệp Hùng (2024) chỉ ra giáo dục đại học Việt Nam ở giai đoạn then chốt với thách thức lớn về hạ tầng số. Nguyễn Văn Trào (2026) phân tích cấu trúc quản trị còn chịu ảnh hưởng truyền thống quan liêu, khó cho chuyển đổi số. Hồng Văn Hạnh (2026) phát hiện quốc tế hóa đòi hỏi chia sẻ dữ liệu mà hệ thống phân mảnh không đáp ứng. (Hayden và Phạm Hiệp Hùng, 2024; Nguyễn Văn Trào, 2026; Hồng Văn Hạnh, 2026)

11.4. Chuyển đổi số giáo dục đại học Việt Nam: Những rào cản đặc thù

Ngoài các rào cản chung của chuyển đổi số giáo dục đại học, Việt Nam đối mặt với một số rào cản đặc thù:

1. Rào cản nguồn lực: Hầu hết các trường đại học Việt Nam — đáng chú ý là các trường ngoài công lập — có ngân sách đầu tư CNTT hạn chế. Dù có ý muốn xây dựng hạ tầng dữ liệu thống nhất, nguồn lực thường không đủ.
2. Rào cản nhân sự: Thiếu hụt nhân sự chuyên trách về quản trị dữ liệu. Đa số trường có đội ngũ CNTT nhỏ, tập trung vào vận hành hệ thống (system administration) chứ không phải thiết kế kiến trúc dữ liệu (data architecture).
3. Rào cản thể chế: Cấu trúc quản lý giáo dục Việt Nam — với sự can thiệp của Bộ Giáo dục và Đào tạo ở nhiều cấp độ — vừa hỗ trợ vừa cản trở chuyển đổi số. Chỉ thị từ trên xuống thúc đẩy chuyển đổi số, nhưng cũng giới hạn quyền tự chủ của trường trong việc thiết kế chiến lược dữ liệu.
4. Rào cản văn hóa: Tôn trọng thứ bậc truyền thống và văn hóa tránh rủi ro có khả năng làm chậm thay đổi cần thiết để giải quyết phân mảnh dữ liệu — vốn đòi hỏi sự minh bạch, chia sẻ thông tin, và sẵn sàng thay đổi quy trình.
5. Tư duy cục bộ và sức mạnh của "ốc đảo dữ liệu": Một rào cản ít được thảo luận nhưng nghiêm trọng tại các trường đại học Việt Nam là tâm lý "ngại chia sẻ dữ liệu" giữa các phòng ban. Trong nhiều trường, dữ liệu được coi là "tài sản quyền lực" — phòng ban nắm giữ dữ liệu sinh viên, dữ liệu tài chính, hoặc dữ liệu nghiên cứu thường coi việc chia sẻ dữ liệu với đơn vị khác là mất đi lợi thế đàm phán hoặc kiểm soát. Thay vì tích hợp, các đơn vị xây dựng "ốc đảo dữ liệu" (data silos) ngày càng sâu — mỗi phòng ban có hệ thống, quy trình, và định nghĩa riêng, và chủ động cản trở mọi nỗ lực liên thông. Nguyễn Thanh Bình (2025) phát hiện ra rằng trong bối cảnh Việt Nam, "data fragmentation across organizational units is not merely a technical problem — it is fundamentally an organizational behavior problem rooted in departmental power dynamics and incentive misalignment." Lời khuyên này nhấn mạnh rằng giải pháp kỹ thuật (hệ thống tích hợp, API) sẽ thất bại nếu không đi kèm thay đổi cơ cấu động lực tổ chức.
6. Thiếu hụt nhân sự có chuyên môn kép: Giáo dục đại học Việt Nam đối mặt với một khoảng trống nhân sự đặc thù — thiếu người vừa hiểu sâu về nghiệp vụ giáo dục (chương trình đào tạo, quy chế học vụ, quản lý sinh viên) vừa có năng lực kỹ thuật dữ liệu (kiến trúc dữ liệu, quản trị chất lượng, phân tích). Đội ngũ CNTT tại các trường thường có năng lực vận hành hệ thống tốt nhưng không nắm nghiệp vụ giáo dục; ngược lại, cán bộ quản lý giáo dục hiểu nghiệp vụ nhưng không có kiến thức kỹ thuật để thiết kế yêu cầu dữ liệu. Khoảng trống này dẫn đến tình trạng: kỹ sư thiết kế hệ thống dữ liệu mà không hiểu cách dữ liệu được sử dụng thực tế trong giáo dục, trong khi cán bộ giáo dục không có khả năng biểu đạt yêu cầu nghiệp vụ thành đặc tả kỹ thuật dữ liệu. Giải quyết vấn đề này đòi hỏi đầu tư vào đào tạo liên ngành và xây dựng vai trò mới như "quản trị viên dữ liệu giáo dục" (educational data steward) — một chức danh gần như chưa tồn tại tại các trường đại học Việt Nam.

Nguyễn Thanh Bình (2025) nghiên cứu tác động của chuyển đổi số xanh đối với năng lực cạnh tranh bền vững của doanh nghiệp Việt Nam, phát hiện ra rằng "chuyển đổi số tại Việt Nam, bất kể lĩnh vực nào, đều đối mặt với thách thức chung là dữ liệu phân mảnh giữa các đơn vị tổ chức — giải pháp phải giải quyết đồng thời cả rào cản kỹ thuật lẫn rào cản tổ chức."

Tóm tắt: Nguyễn Thanh Bình (2025) phát hiện chuyển đổi số tại Việt Nam gặp chung thách thức dữ liệu phân mảnh, giải pháp phải giải quyết cả rào cản kỹ thuật lẫn tổ chức đồng thời. (Nguyễn Thanh Bình, 2025)

11.5. Cơ hội và lợi thế của Việt Nam

Dù đối mặt nhiều thách thức, giáo dục đại học Việt Nam cũng có những lợi thế đáng kể:

1. Lợi thế thời điểm: Việt Nam đang ở giai đoạn đầu chuyển đổi số giáo dục đại học — chưa đầu tư quá nhiều vào các hệ thống cứng nhắc, còn có khả năng học hỏi từ kinh nghiệm quốc tế và thiết kế hạ tầng dữ liệu phù hợp ngay từ đầu.
2. Lợi thế quy mô: Việt Nam có hệ thống giáo dục đại học lớn (hơn 400 trường), tạo ra quy mô đủ để đầu tư vào hạ tầng dữ liệu quốc gia nếu có chiến lược phù hợp.
3. Lợi thế nhân khẩu học: Sinh viên Việt Nam có mức độ tiếp nhận công nghệ cao, tạo ra lực lượng thúc đẩy chuyển đổi số từ phía dưới lên.
4. Lợi thế chính sách: Khung chính sách chuyển đổi số đã được thiết lập ở cấp cao (Nghị quyết 50-NQ/TW, Quyết định 922), tạo ra môi trường thuận lợi cho đầu tư vào hạ tầng dữ liệu.

12. Hướng tiếp cận: Xây dựng nền tảng dữ liệu thống nhất trước khi tích hợp AI

Đây là phần khuyến nghị nền tảng của bài viết. Dựa trên phân tích ở 11 phần trước — từ lý thuyết đến thực tiễn, từ quốc tế đến Việt Nam — phần này đề xuất một lộ trình tiếp cận phù hợp cho các trường đại học Việt Nam: "thiết trật tự trước, tự động hóa sau" (design order first, automate later).

12.1. Nguyên tắc cơ bản: Không tự động hóa hỗn loạn

Nguyên tắc nền tảng của lộ trình này là: không triển khai AI vào quản lý giáo dục đại học cho đến khi dữ liệu nền tảng được thống nhất và chất lượng được đảm bảo. Nguyên tắc này xuất phát từ phân tích 11 phần trước:

1. Phân mảnh dữ liệu gây ra sai lệch quyết định (Phần 3)
2. AI khuếch đại sai lệch thay vì khắc phục (Phần 5)
3. Kiến trúc dữ liệu là giải pháp nền tảng (Phần 7)
4. Quản trị dữ liệu là điều kiện tiên quyết (Phần 8)
5. Bài học quốc tế khẳng định tiêu chuẩn trước công nghệ (Phần 10)
6. Bối cảnh Việt Nam đòi hỏi giải pháp phù hợp nguồn lực (Phần 11)

Nguyên tắc này không có nghĩa là "đừng dùng AI" — nó có nghĩa là "dùng AI đúng thứ tự." Giảng viên vẫn có khả năng sử dụng AI để hỗ trợ giảng dạy cá nhân — tạo bài giảng, đánh giá tự động, phản hồi sinh viên — vì những ứng dụng này không phụ thuộc vào dữ liệu thể chế thống nhất. Nhưng AI cho ra quyết định quản lý — phân bổ ngân sách, đánh giá chương trình, dự báo xu hướng — phải đợi đến khi dữ liệu sẵn sàng. Đáng chú ý, chính AI có khả năng được sử dụng để chuẩn bị dữ liệu cho chính quá trình này — dùng NLP để phân loại và ánh xạ các định nghĩa dữ liệu khác nhau, dùng anomaly detection để phát hiện bất nhất, dùng schema mapping để đề xuất bản đồ tích hợp (Zhan và Wang, 2024). Nói cách khác: dùng AI như công cụ dọn dẹp, không phải công cụ ra quyết định — ít nhất cho đến khi dữ liệu nền tảng đủ sạch và thống nhất (xem phân tích chi tiết ở Phần 5.6).

12.2. Lộ trình bốn giai đoạn

Dựa trên phân tích tài liệu, bài viết đề xuất lộ trình bốn giai đoạn cho các trường đại học Việt Nam:

Giai đoạn 1: Đánh giá và nhận diện (6–12 tháng)

1. Đánh giá thực trạng dữ liệu**: Xây dựng bản đồ dữ liệu (data map) — liệt kê tất cả các hệ thống dữ liệu trong trường, loại dữ liệu trong mỗi hệ thống, mối quan hệ (hoặc thiếu mối quan hệ) giữa các hệ thống, và chủ sở hữu dữ liệu.
2. Đánh giá chất lượng dữ liệu**: Kiểm tra chất lượng dữ liệu trên sáu chiều kích — chính xác, hoàn chỉnh, nhất quán, kịp thời, hợp lệ, và duy nhất — cho các bộ dữ liệu quan trọng (sinh viên, chương trình đào tạo, nhân sự, tài chính).
3. Đánh giá năng lực tổ chức**: Xác định mức độ trưởng thành kỹ thuật số hiện tại (theo khung ở Phần 9), năng lực nhân sự CNTT, và sẵn sàng thay đổi văn hóa tổ chức.
4. Xây dựng hồ sơ đề án**: Từ đánh giá, xác định ưu tiên — bộ dữ liệu nào cần thống nhất trước (thường là dữ liệu sinh viên và chương trình đào tạo), rào cản nào lớn nhất, và nguồn lực cần thiết.

Giai đoạn 2: Thiết kế kiến trúc dữ liệu (6–12 tháng)

1. Thiết kế mô hình dữ liệu then chốt nhất**: Xây dựng mô hình dữ liệu thống nhất cho các thực thể chính — Sinh viên, Giảng viên, Chương trình đào tạo, Môn học, Học kỳ, Điểm, Nghiên cứu — dựa trên khung kiến trúc dữ liệu độc lập của Wiro Sasmito (2026).
2. Thiết kế tiêu chuẩn dữ liệu**: Xây dựng bộ tiêu chuẩn thống nhất — mã sinh viên quốc gia (hoặc ít nhất là thống nhất trường), mã môn học, thang điểm, định dạng ngày tháng, v.v.
3. Thiết kế lớp tích hợp**: Thiết kế API và cơ chế trao đổi dữ liệu giữa các hệ thống, sử dụng tiêu chuẩn mở khi có thể.
4. Thiết kế chính sách quản trị**: Xây dựng chính sách dữ liệu, xác định quyền sở hữu, quy trình chất lượng, và quy định bảo vệ quyền riêng tư.

Giai đoạn 3: Triển khai và tích hợp (12–24 tháng)

1. Triển khai lớp dữ liệu vital**: Xây dựng (hoặc điều chỉnh) hạ tầng dữ liệu thống nhất, bắt đầu với dữ liệu sinh viên và chương trình đào tạo.
2. Tích hợp hệ thống**: Kết nối các hệ thống hiện tại với lớp dữ liệu then chốt qua API, từng hệ thống một, ưu tiên hệ thống quan trọng nhất.
3. Triển khai quy trình chất lượng dữ liệu**: Áp dụng quy trình làm sạch, chuẩn hóa, và kiểm tra chất lượng dữ liệu theo tiêu chuẩn đã thiết kế.
4. Đào tạo nhân sự**: Đào tạo đội ngũ quản trị dữ liệu và nâng cao nhận thức về chất lượng dữ liệu cho toàn trường.

Giai đoạn 4: Ứng dụng AI có kiểm soát (liên tục)

1. Triển khai AI trên nền tảng dữ liệu thống nhất**: Khi dữ liệu đã được tích hợp và chất lượng được đảm bảo, bắt đầu triển khai AI cho quản lý — bắt đầu với các ứng dụng ít rủi ro (phân tích xu hướng sinh viên, báo cáo tự động) trước khi tiến đến các ứng dụng ra quyết định tự động.
2. Kiểm soát chặt chẽ**: Mọi kết quả AI phải được kiểm chứng bằng dữ liệu gốc, trước khi được dùng để ra quyết định. Xây dựng quy trình "AI + con người" (human-in-the-loop) cho giai đoạn đầu.
3. Giám sát liên tục**: Đánh giá thường xuyên chất lượng kết quả AI, phát hiện sai lệch, và điều chỉnh mô hình khi cần.

12.3. Mô hình "AI + con người" cho giai đoạn chuyển tiếp

Trong giai đoạn chuyển tiếp — khi dữ liệu đang được thống nhất nhưng chưa hoàn hảo — bài viết đề xuất mô hình "AI gợi ý, con người quyết định" (AI suggests, human decides):

1. AI phân tích dữ liệu và đưa ra gợi ý, nhưng gợi ý được gắn nhãn rõ ràng: mức độ tin cậy (high/medium/low), nguồn dữ liệu được sử dụng, và bất kỳ cảnh báo nào về chất lượng dữ liệu.
2. Người ra quyết định xem xét gợi ý AI cùng với thông tin bổ sung từ các nguồn khác (kinh nghiệm, trực giác, thông tin nội bộ) trước khi ra quyết định cuối cùng.
3. Mọi quyết định và gợi ý AI được ghi nhận để đánh giá sau — tạo ra vòng phản hồi để cải thiện cả mô hình AI và chất lượng dữ liệu.

Zhan và Wang (2024) khuyến nghị phương pháp tiếp cận tương tự cho tích hợp generative AI trong giáo dục đại học, nhấn mạnh rằng "phương pháp tiếp cận hiệu quả nhất không phải là tự động hóa hoàn toàn mà là gia tăng thông minh — nơi AI tăng cường khả năng ra quyết định của con người thay vì thay thế con người."

12.4. Đối tượng ưu tiên: Bắt đầu từ đâu?

Khi nguồn lực hạn chế — đặc điểm phổ biến ở trường đại học Việt Nam — không thể giải quyết tất cả vấn đề cùng lúc. Bài viết đề xuất thứ tự ưu tiên:

(1) Dữ liệu sinh viên: Đây là bộ dữ liệu quan trọng nhất và có tác động lớn nhất. Sinh viên là trung tâm của giáo dục đại học, và hầu hết mọi quyết định quản lý đều liên quan đến sinh viên. Bắt đầu từ đây tạo ra giá trị nhanh nhất.

(2) Dữ liệu chương trình đào tạo: Thứ hai về mức độ quan trọng — liên quan đến chất lượng giáo dục, kiểm định, và đánh giá. Dữ liệu này thường ít phức tạp hơn dữ liệu sinh viên và có khả năng tích hợp nhanh hơn.

(3) Dữ liệu nhân sự giảng viên: Liên quan đến phân bổ nguồn lực và đánh giá hiệu suất — nhưng cũng liên quan đến quyền riêng tư và nhạy cảm, đòi hỏi giải pháp bảo mật chặt chẽ.

(4) Dữ liệu tài chính và nghiên cứu: Có thể để giai đoạn sau vì thường do các phòng ban chuyên trách quản lý và phức tạp hơn.

Nguyễn Khách The Khang (2025) nghiên cứu đầu tư chuyển đổi số hướng đến kinh tế xanh tại Việt Nam và khuyến nghị "phased investment strategy where early wins in data integration create momentum and political support for larger transformation efforts" — một chiến lược hoàn toàn áp dụng cho giáo dục đại học.

Tóm tắt: Nguyễn Khách The Khang (2025) khuyến nghị chiến lược đầu tư từng giai đoạn, tạo thành công sớm để thúc đẩy đầu tư lớn hơn — chiến lược áp dụng cho chuyển đổi số giáo dục đại học. (Nguyễn Khách The Khang, 2025)

12.5. Vai trò của các bên liên quan

Lộ trình đòi hỏi sự tham gia tích cực của nhiều bên liên quan:

Ban Giám hiệu: Lãnh đạo chính trị cho chuyển đổi số, phân bổ nguồn lực, và thể hiện cam kết từ trên xuống. Không có sự ủng hộ từ ban giám hiệu, mọi nỗ lực kỹ thuật sẽ thất bại.

Phòng Công nghệ thông tin: Thiết kế và triển khai kiến trúc dữ liệu, phát triển API, và vận hành hạ tầng. Nhưng phòng CNTT không thể làm thay vai trò quản trị dữ liệu — quản trị cần sự tham gia của mọi bên.

Các phòng ban nghiệp vụ (Đào tạo, Tài chính, Công tác sinh viên, v.v.): Cung cấp chuyên môn nghiệp vụ, xác định yêu cầu dữ liệu, và tham gia thiết kế mô hình dữ liệu. Quan trọng nhất: họ là người sở hữu và bảo trì chất lượng dữ liệu.

Giảng viên và nhân viên: Sử dụng hệ thống, phản hồi về chất lượng dữ liệu, và tham gia văn hóa chia sẻ dữ liệu.

Sinh viên: Người dùng cuối cùng — trải nghiệm số của họ là thước đo thành công của chuyển đổi số.

Lê Hải Hà (2026) nghiên cứu chính sách điều tiết cho nền kinh tế tác nhân trong kỷ nguyên số, rút ra bài học cho Việt Nam: "quản trị hiệu quả trong kỷ nguyên số đòi hỏi sự hợp tác đa bên liên quan — không một thực thể nào, dù là chính phủ, cơ sở giáo dục hay nhà cung cấp công nghệ, có thể thúc đẩy chuyển đổi một mình."

Tóm tắt: Lê Hải Hà (2026) khẳng định quản trị hiệu quả trong kỷ nguyên số đòi hỏi hợp tác đa bên liên quan — không một thực thể đơn lẻ nào có thể thúc đẩy chuyển đổi đơn độc. (Lê Hải Hà, 2026)

13. Kết luận: Không tự động hóa hỗn loạn, mà cần thiết trật tự trước

Bài viết này đã đi sâu phân tích một vấn đề thiết yếu mà nhiều trường đại học đang đối mặt nhưng ít được thảo luận một cách hệ thống: tại sao việc ứng dụng AI vào một hệ thống dữ liệu phân mảnh trong giáo dục đại học chính là tự động hóa sự hỗn loạn. Hơn 50 tài liệu nghiên cứu đã được tổng hợp và phân tích để xây dựng khung lý thuyết và khuyến nghị thực tiễn — với ưu tiên rõ ràng cho các nghiên cứu và thực tiễn từ Việt Nam.

13.1. Tóm tắt phát hiện chính

1. Phát hiện 1 — Nghịch lý tự động hóa trong giáo dục: Khi AI được ứng dụng vào hệ thống dữ liệu phân mảnh, nó không giải quyết vấn đề mà khuếch đại nó — qua năm cơ chế: thu gom (làm dữ liệu xấu trông có vẻ đáng tin cậy), khuếch đại (nhân bản sai lệch theo quy mô lớn), tự gia cố (học sai lệch từ dữ liệu phân mảnh), chi phí chuyển đổi gia tăng (càng nhiều AI, càng khó tích hợp sau này), và mất niềm tin tổ chức (suy giảm niềm tin vào dữ liệu).
2. Phát hiện 2 — Phân mảnh dữ liệu có nguồn gốc tổ chức, không chỉ kỹ thuật: Phân mảnh dữ liệu trong giáo dục đại học không phải là lỗi công nghệ — nó là kết quả của cấu trúc tổ chức phân cấp, lịch sử triển khai hệ thống rời rạc, thiếu tiêu chuẩn thống nhất, và áp lực thời gian tạo ra nợ kỹ thuật. Giải pháp phải giải quyết cả nguyên nhân kỹ thuật lẫn nguyên nhân tổ chức.
3. Phát hiện 3 — Giải pháp nền tảng nằm ở kiến trúc dữ liệu, không phải AI: Kiến trúc doanh nghiệp (EA) và kiến trúc dữ liệu độc lập (data independence architecture) là giải pháp nền tảng — đảm bảo mọi hệ thống, kể cả AI, đều được xây dựng trên cùng một lớp dữ liệu nền tảng thống nhất. Các nghiên cứu từ Supriadi và Amalia (2019), Indrawan và Sumitra (2019), Sararuch et al. (2023), và Wiro Sasmito (2026) đều khẳng định điều này.
4. Phát hiện 4 — Quản trị dữ liệu là điều kiện tiên quyết: Không có kiến trúc nào tự vận hành — quản trị dữ liệu (data governance) với chính sách, cơ cấu tổ chức, tiêu chuẩn, và văn hóa phù hợp là điều kiện tiên quyết cho chuyển đổi số thành công. Các nghiên cứu từ Medeiros et al. (2025), Nai et al. (2025), và Onsomu et al. (2025) đều nhấn mạnh điều này.
5. Phát hiện 5 — Bối cảnh Việt Nam đòi hỏi lộ trình phù hợp: Giáo dục đại học Việt Nam đang ở giai đoạn đầu chuyển đổi số — có lợi thế thời điểm (có thể học hỏi kinh nghiệm quốc tế) nhưng cũng đối mặt với rào cản nguồn lực, nhân sự, và văn hóa. Lộ trình "thiết trật tự trước, tự động hóa sau" với bốn giai đoạn — đánh giá, thiết kế, triển khai, ứng dụng AI — được đề xuất như giải pháp phù hợp.

13.2. Đóng góp lý thuyết

Bài viết đóng góp vào lĩnh vực nghiên cứu chuyển đổi số giáo dục đại học bằng cách:

1. Khái niệm hóa "nghịch lý tự động hóa trong giáo dục": Bài viết phân tích năm cơ chế cụ thể mà AI khuếch đại hỗn loạn khi đối mặt với dữ liệu phân mảnh — một phân tích chi tiết mà tài liệu học thuật hiện hành chưa cung cấp. Mặc dù khái niệm "automation paradox" đã tồn tại trong các lĩnh vực khác, việc áp dụng và phát triển nó cho giáo dục đại học là đóng góp mới.
2. Tổng quan có hệ thống đa nguồn: Bài viết tổng hợp hơn 50 tài liệu nghiên cứu — bao gồm nhiều công trình từ các nhà nghiên cứu và trường đại học Việt Nam — để cung cấp bức tranh toàn cảnh về chuyển đổi số giáo dục đại học, phân mảnh dữ liệu, và ứng dụng AI. Tổng quan này đi từ lý thuyết (UTAUT, CAS, EA) đến thực tiễn (quản trị dữ liệu, smart campus, trường hợp quốc tế).

(3) Phân tích bối cảnh Việt Nam: Bài viết cung cấp phân tích chi tiết về bối cảnh giáo dục đại học Việt Nam — từ chính sách, thực trạng hạ tầng, đến các đặc thù tổ chức — và liên kết nó với khung lý thuyết và khuyến nghị. Điều này lấp khoảng trống trong tài liệu nghiên cứu, vì hầu hết các nghiên cứu chuyển đổi số giáo dục đại học tập trung vào bối cảnh các nước phát triển.

13.3. Hạn chế và hướng nghiên cứu tiếp theo

Bài viết có một số hạn chế cần ghi nhận:

(1) Phương pháp tổng quan tài liệu: Mặc dù tổng quan được thực hiện có hệ thống, bài viết không thực hiện tổng quan tài liệu có hệ thống chính thức (theo tiêu chuẩn PRISMA) — do giới hạn về quy mô và phạm vi. Các nghiên cứu tiếp theo có khả năng mở rộng bằng tổng quan PRISMA chính thức.

(2) Thiếu dữ liệu thực chứng từ trường Việt Nam: Bài viết phân tích dựa trên tài liệu nghiên cứu, không thu thập dữ liệu thực chứng trực tiếp từ các trường đại học Việt Nam. Các nghiên cứu tiếp theo có thể bổ sung bằng nghiên cứu thực địa — khảo sát, phỏng vấn, và phân tích dữ liệu thực tế từ các trường.

(3) Đề xuất chưa được kiểm chứng: Lộ trình bốn giai đoạn được đề xuất dựa trên phân tích lý thuyết và bài học quốc tế, nhưng chưa được kiểm chứng trong thực tiễn. Các trường Việt Nam có thể thử nghiệm lộ trình này và cung cấp phản hồi để tinh chỉnh.

(4) Tốc độ phát triển công nghệ: Lĩnh vực AI phát triển rất nhanh, và một số phân tích có thể trở nên lỗi thời trong ngắn hạn. Tuy nhiên, vấn đề cơ bản — phân mảnh dữ liệu — là vấn đề lâu dài và không bị ảnh hưởng bởi tốc độ phát triển công nghệ.

Hướng nghiên cứu tiếp theo bao gồm: (1) nghiên cứu thực chứng về phân mảnh dữ liệu trong các trường đại học Việt Nam cụ thể, (2) đánh giá hiệu quả của các mô hình kiến trúc dữ liệu đề xuất khi triển khai thực tế, (3) phát triển bộ chỉ số đo lường "độ nhất quán dữ liệu" cho giáo dục đại học, và (4) nghiên cứu so sánh chi tiết giữa các quốc gia Đông Nam Á về chiến lược dữ liệu giáo dục.

13.4. Lời kết

Trí tuệ nhân tạo có tiềm năng thay đổi sâu sắc giáo dục đại học — từ cách sinh viên học, giảng viên dạy, đến cách trường đại học quản lý và phát triển. Nhưng tiềm năng này chỉ được thực hiện khi nền tảng dữ liệu đủ vững chắc để AI đứng trên.

Áp dụng AI vào hệ thống dữ liệu phân mảnh giống như xây dựng một tòa nhà cao tầng trên móng không — trông có vẻ hoành tráng từ bên ngoài, nhưng không thể chịu được áp lực thực tế. Chuyển đổi số giáo dục đại học không bắt đầu bằng việc "cài AI" mà bắt đầu bằng việc "sắp xếp lại dữ liệu" — thiết lập tiêu chuẩn thống nhất, xây dựng kiến trúc dữ liệu nhất quán, và phát triển văn hóa quản trị dữ liệu.

Khi nền tảng dữ liệu đã vững, AI sẽ trở thành công cụ mạnh mẽ — không phải để tạo ra ảo giác về dữ liệu tốt, mà để khai phá giá trị thực sự từ dữ liệu đã được tổ chức đúng cách. Đó không phải là kỹ thuật phức tạp — đó là thiết trật tự trước, tự động hóa sau.

Tóm tắt: Chuyển đổi số giáo dục đại học thành công đòi hỏi "thiết trật tự trước, tự động hóa sau" — xây dựng nền tảng dữ liệu thống nhất trước khi ứng dụng AI. Bài viết phân tích nghịch lý tự động hóa trong giáo dục qua năm cơ chế, tổng hợp hơn 50 nguồn nghiên cứu, và đề xuất lộ trình bốn giai đoạn phù hợp bối cảnh Việt Nam. (Tổng hợp từ hơn 50 nguồn nghiên cứu, 2018–2026)

Tài liệu tham khảo

Ahmed, Alhasan Alsahti, Fan, Xintong, Imran, Al, Li, Changbiao, Zhang, yanpeng và Wang, Qingyu (2026). "Fragmented Data, Fragmented Decisions: Integrating Knowledge Systems in Modern Production". Research Square. DOI: 10.21203/rs.3.rs-9735159/v1

Alamri, Samar Ahmed, Abdullah, Manal và Albar, Adnan (2019). "Enterprise Architecture Adoption for Higher Education Institutions". International Journal of Simulation: Systems, Science and Technology. DOI: 10.5013/ijssst.a.19.05.16

Alhakamy, A'aeshah (2026). "Managing Uncertainty and Information Dynamics with Graphics-Enhanced TOGAF Architecture". Entropy. DOI: 10.3390/e28030361

Briggs, Amanda và Cafaro, Francesco (2021). "End-User Needs of Fragmented Databases in Higher Education Data Analysis and Decision Making". Informatics. DOI: 10.3390/informatics8030042

Coulter-Smith, Liz (2022). "The AI Economy and Higher Education". In Digital Transformation and Disruption of Higher Education. Cambridge University Press. DOI: 10.1017/9781108979146.037

Dashash, Mayssoon và Omar, Khaled (2026). "Artificial Intelligence Implementation for Plagiarism Detection in Arab Scientific Institutions". In Higher Education in the Arab World. Springer. DOI: 10.1007/978-3-031-99068-7_18

Deryuzhenko, Ivan V. (2025). "Research of digital transformation processes by universities of Russia and Vietnam". The Russian Journal of Vietnamese Studies. DOI: 10.54631/vs.2025.92-685743

Dewan, Arjun (2026). "Beyond the Perimeter: Why Fragmented Data Architecture Is America's Underappreciated Strategic Vulnerability". SSRN. DOI: 10.2139/ssrn.6522282

Dương Văn Thanh, Phạm Ngọc Tấn và Trường Hải Vũ (2024). "Mentoring Students in Vietnamese Higher Education Institutions". In Digital Education and Learning. Springer. DOI: 10.1007/978-3-031-61838-3_7

Hayden, Martin và Phạm, Hiep Hung (2024). "Higher Education in Vietnam". In Education in Vietnam. Routledge. DOI: 10.4324/9781003298700-6

Hồng Văn Hạnh (2026). "Internationalization of Higher Education in Vietnam". International Journal of Social Science and Human Research. DOI: 10.47191/ijsshr/v9-i6-53

Ilnytskyy, Denys và Barabas, Dmytro (2024). "AI in Digital Transformation of Higher Education in Ukraine: Literacy in Focus". In Digital Transformation in Ukraine. DOI: 10.69635/978-1-0690482-1-9-ch30

Indrawan, B và Sumitra, I D (2019). "Enterprise Architecture for Higher Education Using Enterprise Architecture Planning". IOP Conference Series: Materials Science and Engineering. DOI: 10.1088/1757-899x/662/3/032030

Kamal Chami, Heba, Ajaka, Laurence và Monzer Chami, Faten (2026). "Digital Transformation and AI Integration in Lebanese Higher Education: An Exploratory Study". Journal of Applied Engineering Education. DOI: 10.33140/jaee.03.01.01

Kemenade, Everard (2021). "Capacity Development for Internal and External Auditors in the Complex Adaptive System". Vietnam Journal of Education. DOI: 10.52296/vje.2021.26

Karnalim, Oscar (2025). "Are We Oversimplifying GenAI Integration? A Short Guideline for GenAI Integration in Higher Education". Journal of Educational Technology Systems. DOI: 10.1177/00472395251359026

Lê Hải Hà (2026). "Regulatory Policy for the Agent Economy in the Digital Age: Lessons for Vietnam". International Journal of Social Science and Human Research. DOI: 10.47191/ijsshr/v9-i5-67

Lê Thị Quỳnh Trang (2026). "Learning Interest of Vietnamese University Students in the Context of Digital Transformation". Journal of Education and Teaching Learning. DOI: 10.51178/jetl.v8i1.2868

Lê Thị Thu Huyền (2024). "The Digital Transformation of University Administration". In Creating Institutions for the Digital Transformation. DOI: 10.5771/9783748945277-275

Macfadyen, Leah P. (2022). "Institutional Analytics". In The Handbook of Learning Analytics. DOI: 10.18608/hla22.017

Mahmud, Siti Nur Diyana và Rahman, Zaizul Abdul (2018). "Education for Sustainability Curriculum and Pedagogy in Higher Education Institutions". Creative Education. DOI: 10.4236/ce.2018.915198

Medeiros, Thiago, Araújo, André, Silva, José và Silva, Alenilton (2025). "Data Governance in Education: Addressing Challenges and Unlocking Opportunities". In Proceedings of the 27th International Conference on Enterprise Information Systems. DOI: 10.5220/0013468300003929

Melnyk, Y. B. và Pypenko, I. S. (2026). "Creating a Higher Education Ecosystem Based on Artificial Intelligence Implementation". Artificial Intelligence in Digital Society. DOI: 10.26697/aids.2026.11

MERDİN, Deniz, ERSÖZ, Filiz và TAŞKIN, Harun (2023). "Digital Transformation: Digital Maturity Model for Turkish Businesses". Gazi University Journal of Science. DOI: 10.35378/gujs.982772

Musendekwa, A. (2025). "Breaking Down Silos". In Education in the Digital Age. Springer.

Nai, Soukaina, Rifai, Amal và Sadiq, Abdelalim (2025). "Data Governance in Education". In Data Governance, DevSecOps, and Advancements in Modern Organizations. IGI Global. DOI: 10.4018/979-8-3373-0365-9.ch005

Nedeltcheva, A. et al. (2025). "Innovative Data Models for Smart Campus Management". Springer Proceedings.

Nguyễn Khách The Khang (2025). "Digital Transformation Investment Towards Green Economy in Vietnam". International Journal of Management and Economics. DOI: 10.47191/ijmei/v11i5.09

Nguyễn Sơn Đức (2020). "Digital transformation in art pedagogical training in Vietnam today". Vietnam Journal of Education. DOI: 10.52296/vje.2020.82

Nguyễn Thanh Bình (2025). "The Impact of Green Digital Transformation on the Sustainable Competitiveness of Vietnamese Enterprises". Research Square. DOI: 10.21203/rs.3.rs-8026051/v1

Nguyễn Thị Thanh Dung et al. (2021). "Covid-19 And Factors Affecting Vietnamese Students' Readiness For Digital Transformation". Journal of Education and Practice. DOI: 10.7176/jep/12-16-04

Nguyễn Võ Anh và Nguyễn Thị Ngọc Xuân (2024). "Experience in Digital Transformation in the Education Sector of some Countries and Lessons for Vietnam". In Creating Institutions for the Digital Transformation. DOI: 10.5771/9783748945277-343

Nguyễn Văn Tạo (2024). "Obstacles to Digital Transformation in Vietnam and Policy Suggestions". In Creating Institutions for the Digital Transformation. DOI: 10.5771/9783748945277-101

Nguyễn Văn Trào (2026). "Higher Education Governance in Vietnam". In Governance, Quality Assurance and Future Direction. Springer. DOI: 10.1007/978-981-95-4401-1_4

Nguyễn-Anh, Tuan, Nguyễn, Anh T, Trần-Phương, Chi và Nguyễn-Thi-Phương, Anh (2022). "Digital transformation in higher education from online learning perspective: A comprehensive review". Policy Futures in Education. DOI: 10.1177/14782103221124181

Onsomu, Eldah, Nyakundi, Gideon và Kathenge, Japeth (2025). "The Role of Data Governance in Advancing Quality Education: Insights from Kenya's System". Futurity Education. DOI: 10.57125/fed.2025.12.04

Perkins, Mark và Pregowska, Agnieszka (2024). "The role of artificial intelligence in higher medical education and the ethical implications". Artificial Intelligence in Health. DOI: 10.36922/aih.3276

Rumyantsev, S. A. và Polishuk, Yu. V. (2026). "Artificial Intelligence in Higher Education and Psychological Counseling: A Methodological Perspective". Digital Solutions and Artificial Intelligence Technologies. DOI: 10.26794/3030-7097-2026-2-2-6-15

Sanyal, Ms. Chinhita (2020). "Strategic Digital Transformation Roadmap for Higher Education Institutions: A Preliminary Framework". In Digital Horizons: Emerging Trends and Innovations. DOI: 10.25215/1105746046.03

Sararuch, Sirinuch, Wannapiroon, Panita và Nilsook, Prachyanan (2023). "The Development of Agile Enterprise Architecture for Digital Transformation in Higher Education". Higher Education Studies. DOI: 10.5539/hes.v13n3p69

Shen, Ivy (2025). "Intelligent Learning: Generative AI in Higher Education and Authentic Learning". In Artificial Intelligence in Higher Education. De Gruyter. DOI: 10.1515/9783112206393-006

Sisodia, Aayush (2026). "The New Interoperability Crisis: From Data Silos to Cognitive Silos in Health AI". SSRN. DOI: 10.2139/ssrn.5811522

Supriadi, Hari và Amalia, Endang (2019). "University's Enterprise Architecture Design Using Enterprise Architecture Planning". International Journal of Higher Education. DOI: 10.5430/ijhe.v8n3p13

Sujatha, R. và Vidhya, P. (2026). "Security, Privacy, and Trust Management in AI-Enabled Smart Campus Systems". In AIoT and Cloud-Based Smart Education Systems. Springer. DOI: 10.65470/resnova.9788169372121.03

Tạ Thị Bích Ngọc (2024). "Information Poverty Reduction through Digital Transformation in Vietnam". In Creating Institutions for the Digital Transformation. DOI: 10.5771/9783748945277-447

Thạch Thị Hoàng Yến (2024). "Enterprise Management Innovation Policy in the Context of Digital Transformation". In Creating Institutions for the Digital Transformation. DOI: 10.5771/9783748945277-431

Trần Mai Uóc (2025). "Digital Transformation in Higher Education in Vietnam Today". In Education as a Tool for Transformation. DOI: 10.56083/edcont.978-65-83227-11-9_5

Trần Thị Ngát (2026). "The Application of Artificial Intelligence in Personalized Learning in Vietnamese Higher Education". Journal of Management Research and Review. DOI: 10.65150/ep-jmrr/v2e5/2026-12

Valcke, M. và Båge, S. (2020). "Stepping Out of the Silos: The Creation of an Integrated Data System for Evidence-Based Policy Making in Education and Training". European Journal of Education.

Wiro Sasmito, Ginanjar (2026). "Higher Education Data Independence Architecture – Integrating Systems for Institutional Effectiveness". In Data Quality Matters. IntechOpen. DOI: 10.5772/intechopen.1013586

Yan, Min-Ren (2026). "The Impact of SDGs on University Innovation in Higher Education: An Agenda for Sustainable Development". In Higher Education in Asia. Springer. DOI: 10.1007/978-981-95-2531-7_11

Zhan, Shen và Wang, Ling (2024). "Integrating Generative AI in Higher Education: Challenges, Opportunities, and Implementation". Education Research and Perspectives. DOI: 10.70953/erpv51.2412003

Nghị quyết số 50-NQ/TW (2019). Ban Chấp hành Trung ương Đảng Cộng sản Việt Nam.

Quyết định số 922/QĐ-TTg (2021). Thủ tướng Chính phủ. Đề án chuyển đổi số ngành giáo dục và đào tạo.

Nghị định 13/2023/NĐ-CP (2023). Chính phủ. Bảo vệ dữ liệu cá nhân.