Chuyển đổi số trường đại học trước sự trỗi dậy của AI: thách thức hay thời cơ chuyển mình mạnh mẽ

1. Đặt vấn đề: Khi cánh cửa số đã mở, AI gõ cửa

Thế kỷ hai mươi mốt chứng kiến hai làn sóng biến đổi khổng lồ đổ dồn vào giáo dục đại học: chuyển đổi số và sự trỗi dậy của trí tuệ nhân tạo. Chuyển đổi số trong giáo dục đại học không còn là câu hỏi "nếu" mà đã trở thành câu hỏi "khi nào" và "như thế nào". Từ cấp cơ sở hạ tầng — hệ thống quản lý học vụ, kho lưu trữ đám mây, mạng lưới kết nối nội bộ — đến cấp triết lý giáo dục — phương pháp sư phạm, cách tiếp cận tri thức, cách đánh giá năng lực — mọi khía cạnh của môi trường học thuật đều đang chịu áp lực phải tái định hình (Heller, 2026).

Giáo dục đại học đang ở trong một giai đoạn chuyển đổi lịch sử, nơi mà công nghệ số không chỉ là công cụ hỗ trợ mà đã trở thành nền tảng định hình lại toàn bộ hệ sinh thái học thuật — từ nghiên cứu đến giảng dạy, từ quản trị đến tri thức.

Đồng thời, sự bùng nổ của AI tạo sinh — đặc biệt là các mô hình ngôn ngữ lớn như ChatGPT, Gemini và Claude — đã tạo ra một cuộc khủng hoảng vừa là cơ hội vừa là đe dọa chưa từng có (Ateyah và Kadhim, 2026). Các công cụ này không chỉ hỗ trợ tìm kiếm thông tin mà còn có khả năng tạo văn bản, phân tích dữ liệu, viết mã, thậm chí đánh giá bài tập. Đối với các trường đại học, câu hỏi cấp thiết là: làm thế nào để tận dụng sức mạnh của AI mà không làm suy giảm chất lượng giáo dục, không vi phạm nguyên tắc học thuật và không để khoảng cách số giữa các nhóm sinh viên ngày càng nới rộng (Mongwe, Van den Berg và Mudau, 2026).

Sự xuất hiện của các công cụ AI tạo sinh trong môi trường giáo dục đặt ra một nghịch lý đầy thách thức: bản thân công nghệ mang tiềm năng cá nhân hóa học tập ở quy mô lớn, nhưng đồng thời cũng đe dọa phá vỡ các quy tắc cơ bản của nguyên tắc học thuật mà giáo dục đại học đã xây dựng trong hàng thế kỷ.

1.1. Bối cảnh toàn cầu: Dịch bệnh, khủng hoảng và sự gia tốc số

Đại dịch COVID-19 đóng vai trò như một chất xúc tác mạnh mẽ, đẩy nhanh quá trình số hóa giáo dục ở quy mô toàn cầu. Các trường đại học buộc phải chuyển đổi sang phương thức giảng dạy trực tuyến chỉ trong vài tuần, thậm chí vài ngày. Kinh nghiệm này phơi bày cả sự chuẩn bị lẫn sự thiếu chuẩn bị của hệ thống giáo dục đại học trước yêu cầu số hóa (Zemba, Chilonga và cộng sự, 2026).

Nghiên cứu tại 47 quốc gia về tác động của đại dịch đối với chuyển đổi số giáo dục cho thấy một mô hình bất ngờ: chính các quốc gia có thu nhập thấp và trung bình lại có tỷ độ áp dụng giải pháp giáo dục số mới cao hơn — không phải vì sẵn sàng, mà vì buộc phải sáng tạo khi thiếu hạ tầng truyền thống (Zemba et al., 2026). Điều này chứng minh rằng khủng hoảng có thể là chất xúc tác cho đổi mới.

Tuy nhiên, hậu đại dịch cũng để lại bài học quan trọng. Các trường đại học đã xây dựng được năng lực nền tảng — từ hệ thống học tập trực tuyến đến kỹ năng giảng dạy số của giảng viên — mà trước đó có thể mất hàng thập kỷ để hình thành. Vấn đề cốt lõi giờ đây không phải là "có hay không" áp dụng công nghệ số, mà là làm sao để biến giải pháp tình thế thành chiến lược bền vững (Tri và Hoang, 2023).

1.2. Việt Nam trong bức tranh chuyển đổi số giáo dục

Tại Việt Nam, chuyển đổi số giáo dục đại học đang diễn ra trong một bối cảnh đặc biệt. Chính phủ đã ban hành nhiều chính sách thúc đẩy chuyển đổi số quốc gia, trong đó giáo dục được xác định là một trong những lĩnh vực ưu tiên. Các trường đại học Việt Nam đang ở các giai đoạn khác nhau của hành trình số hóa — từ những cơ sở đã xây dựng nền tảng kỹ thuật tương đối hoàn chỉnh đến những nơi vẫn đang đối mặt với những rào cản cơ bản về hạ tầng (Uoc, 2025).

Một phát hiện đáng chú ý từ nghiên cứu của Uoc (2025): nhiều trường đại học Việt Nam đã đạt mức cao về trang bị phần cứng — máy chiếu, phòng máy, nền tảng LMS — nhưng chỉ khoảng 30% giảng viên sử dụng công nghệ số ở mức "tích hợp" vào quy trình giảng dạy. Phần lớn vẫn dừng ở trình chiếu slide và gửi email. Hạ tầng hiện hữu nhưng năng lực khai thác còn rất xa (Uoc, 2025).

Pháp và cộng sự (2023) đã phân tích tác động của chuyển đổi số giáo dục đại học tại Việt Nam thông qua nghiên cứu tình huống, chỉ ra rằng dù đã có những bước tiến đáng kể, vẫn còn nhiều thách thức về sự đồng bộ trong hệ thống, bao gồm quản trị dữ liệu, năng lực nhân lực và sự phù hợp giữa chiến lược chuyển đổi số với bối cảnh đặc thù của giáo dục Việt Nam.

1.3. Mục tiêu và phạm vi bài viết

Bài viết này đặt ra câu hỏi nghiên cứu cốt lõi: Trước sự trỗi dậy mạnh mẽ của AI, chuyển đổi số trường đại học là thách thức mang tính đe dọa hay là thời cơ để chuyển mình mạnh mẽ? Để trả lời câu hỏi này, bài viết sẽ phân tích toàn diện các khía cạnh liên quan: từ khung lý thuyết về chuyển đổi số và mức độ trưởng thành số, đến tác động cụ thể của AI trong dạy học, đánh giá năng lực số, các vấn đề đạo đức và chính sách, cho đến bối cảnh của các quốc gia đang phát triển.

Bài viết sử dụng phương pháp tổng quan tài liệu hệ thống, dựa trên phân tích 121 nguồn tài liệu học thuật được xác minh qua Crossref được xác minh qua Crossref, bao gồm bài báo khoa học, chương sách, bài đăng hội thảo và báo cáo nghiên cứu, được xuất bản trong giai đoạn 2020–2026. Cách tiếp cận đa chiều này cho phép bài viết không chỉ mô tả bức tranh hiện tại mà còn xác định xu hướng tương lai và đề xuất chiến lược thích hợp cho các trường đại học.

2. Khung lý thuyết: Chuyển đổi số giáo dục đại học là gì?

2.1. Định nghĩa và phạm vi khái niệm

Chuyển đổi số (digital transformation) trong giáo dục đại học không đơn thuần là việc áp dụng công nghệ vào quy trình hiện có. Đây là một quá trình tái cấu trúc sâu sắc toàn bộ hệ sinh thái giáo dục — từ phương pháp sư phạm, mô hình quản trị, cấu trúc tổ chức đến cách thức tạo và chia sẻ tri thức (Islam, 2026).

Chuyển đổi số trong giáo dục đại học là quá trình tích hợp công nghệ số vào mọi khía cạnh của hoạt động học thuật và quản trị, nhằm cải thiện triệt để trải nghiệm học tập, nâng cao hiệu quả nghiên cứu và tối ưu hóa quy trình vận hành — không chỉ thay đổi công cụ mà thay đổi cả tư duy và phương thức hoạt động (Islam, 2026).

Sultana (2024) phân biệt rõ ba cấp độ ứng dụng công nghệ trong giáo dục: số hóa (digitization) — chuyển đổi dạng thức dữ liệu từ vật lý sang kỹ thuật số; số hóa thông tin (digitalization) — sử dụng dữ liệu số để tối ưu hóa quy trình; và chuyển đổi số (digital transformation) — tái cấu trúc toàn diện mô hình hoạt động dựa trên nền tảng kỹ thuật số. Ba cấp độ này không thay thế nhau mà chồng lấn và bổ trợ, tạo thành một hành trình chuyển đổi liên tục.

Fowler (2023) nhấn mạnh rằng AI trong giáo dục đại học phải được hiểu trong bối cảnh rộng hơn của chuyển đổi số, không phải như một công nghệ độc lập mà như một thành phần tích hợp vào hệ sinh thái số đang hình thành. AI đóng vai trò như "nút thắt" kết nối các yếu tố số hóa — từ dữ liệu học tập, hệ thống quản lý đến nền tảng nghiên cứu — thành một hệ thống có khả năng tự thích ứng và cá nhân hóa.

2.2. Các mô hình và khung phân tích chuyển đổi số

Nghiên cứu về chuyển đổi số giáo dục đại học đã phát triển nhiều mô hình phân tích khác nhau. Mỗi mô hình nhấn mạnh một khía cạnh khác nhau của quá trình chuyển đổi, nhưng có thể tổng hợp thành năm chiều kích chính.

Mô hình trưởng thành số (Digital Maturity Model). Các mô hình trưởng thành số đánh giá mức độ phát triển số của một tổ chức giáo dục dựa trên nhiều tiêu chí: hạ tầng kỹ thuật, năng lực nhân lực, quy trình quản trị, văn hóa tổ chức và kết quả đầu ra (Bates, 2025). Các nghiên cứu cho thấy hầu hết các trường đại học ở các nước đang phát triển vẫn ở giai đoạn đầu của mô hình trưởng thành, tập trung chủ yếu vào đầu tư hạ tầng mà chưa xây dựng được năng lực sử dụng hiệu quả (Heller, 2026).

Mô hình tác động kép (Dual-Impact Framework). Chuyển đổi số tác động đồng thời đến cả "cung" (nhà cung cấp giáo dục — trường đại học, giảng viên, chương trình đào tạo) và "cầu" (người nhận giáo dục — sinh viên, doanh nghiệp, xã hội). Mô hình này giúp phân tích mối quan hệ động giữa việc xây dựng năng lực số của trường đại học và nhu cầu số hóa của thị trường lao động (Alammary, 2024).

Mô hình hệ sinh thái số (Digital Ecosystem Model). Chuyển đổi số không diễn ra trong chân không mà trong một hệ sinh thái bao gồm nhiều yếu tố tương tác: chính sách quốc gia, cơ sở hạ tầng viễn thông, nền công nghiệp công nghệ, văn hóa xã hội và năng lực nội tại của từng trường đại học (Troche, 2025). Mô hình này đặc biệt hữu ích khi phân tích bối cảnh các nước đang phát triển, nơi yếu tố bên ngoài có ảnh hưởng lớn đến tốc độ và chất lượng chuyển đổi số.

2.3. Từ EdTech đến AI-Education: Diễn tiến lịch sử

Sự phát triển công nghệ trong giáo dục đại học trải qua ba giai đoạn chính, mỗi giai đoạn mang những đặc điểm và tác động riêng biệt.

Giai đoạn 1 — Số hóa cơ bản (2000–2015): Đánh dấu bởi việc áp dụng các hệ thống quản lý học tập (Learning Management System — LMS), thư viện số, quy trình hành chính điện tử. Giai đoạn này tập trung vào việc thay thế quy trình thủ công bằng quy trình số, nhưng bản chất của phương pháp sư phẩm không thay đổi nhiều (Heller, 2026).

Giai đoạn 2 — Dịch bệnh và nhảy vọt số (2019–2023): Đại dịch COVID-19 buộc các trường đại học phải triển khai giảng dạy trực tuyến quy mô lớn chỉ trong thời gian rất ngắn. Giai đoạn này chứng kiến sự bùng nổ của các nền tảng học tập trực tuyến, công cụ cộng tác số và phương pháp đánh giá trực tuyến (Zemba, Chilonga và cộng sự, 2026).

Giai đoạn 3 — AI và cá nhân hóa (2023–nay): Sự ra mắt của ChatGPT vào cuối năm 2022 đã mở ra kỷ nguyên AI tạo sinh trong giáo dục. Giai đoạn này đặc trưng bởi khả năng AI tạo nội dung, cá nhân hóa lộ trình học tập, đánh giá tự động và tương tác thông minh (Fowler, 2023).

Diễn tiến lịch sử từ EdTech đơn thuần đến AI-Education cho thấy một sự thay đổi chất về bản chất của công nghệ trong giáo dục: từ "công cụ hỗ trợ con người giảng dạy" chuyển sang "hệ thống có khả năng tham gia vào quá trình giáo dục với vai trò ngày càng chủ động"..

2.4. Mức độ trưởng thành số của các trường đại học

Đánh giá mức độ trưởng thành số (digital maturity) là bước nền tảng để xác định điểm xuất phát và xây dựng lộ trình chuyển đổi số. Các nghiên cứu gần đây đã phát triển nhiều khung đánh giá mức độ trưởng thành số cho giáo dục đại học, thường chia thành năm cấp độ.

Cấp độ 1 — Khởi đầu (Nascent): Hạ tầng kỹ thuật cơ bản, ứng dụng công nghệ đơn lẻ, chưa có chiến lược số tổng thể. Phần lớn giảng viên sử dụng công nghệ ở mức cá nhân, không có sự đồng bộ trong tổ chức.

Cấp độ 2 — Phát triển (Developing): Đã có hệ thống quản lý học tập, thư viện số, một số quy trình hành chính số. Tuy nhiên, các hệ thống thường hoạt động độc lập, thiếu tích hợp và chia sẻ dữ liệu.

Cấp độ 3 — Kết nối (Connected): Các hệ thống số được tích hợp, dữ liệu được chia sẻ giữa các đơn vị. Giảng viên đã có năng lực số ở mức khá, có chiến lược phát triển số rõ ràng.

Cấp độ 4 — Tối ưu (Optimized): Sử dụng dữ liệu để ra quyết định, quy trình tự động hóa ở mức độ cao, cá nhân hóa trải nghiệm học tập. Năng lực số được coi là yêu cầu cốt lõi.

Cấp độ 5 — Đổi mới (Innovative): AI và phân tích dữ liệu nâng cao được ứng dụng chủ động, tổ chức liên tục đổi mới mô hình giáo dục, tạo ra giá trị mới từ dữ liệu và công nghệ (Bates, 2025).

Nghiên cứu thực tế cho thấy phần lớn các trường đại học ở các nước đang phát triển, bao gồm cả Việt Nam, vẫn ở giữa cấp độ 1 và 2, trong khi các trường tiên phong ở Bắc Mỹ và Tây Âu đã đạt cấp độ 3–4 (Uoc, 2025; Heller, 2026). Khoảng cách này tạo ra áp lực lớn đối với các trường đại học ở các nước đang phát triển — vừa phải bắt kịp xu hướng toàn cầu, vừa phải giải quyết các vấn đề cơ bản về hạ tầng và năng lực.

2.5. Thuyết tiếp nhận công nghệ và chuyển đổi số

Hiểu các yếu tố ảnh hưởng đến việc tiếp nhận công nghệ trong giáo dục đại học là nền tảng quan trọng để thiết kế chiến lược chuyển đổi số hiệu quả. Thuyết tiếp nhận công nghệ — đặc biệt là Mô hình chấp nhận công nghệ (Technology Acceptance Model — TAM) và Mô hình chấp nhận và sử dụng công nghệ thống nhất (UTAUT) — đã được ứng dụng rộng rãi để giải thích thái độ và hành vi của giảng viên và sinh viên đối với công nghệ giáo dục (Fowler, 2023).

TAM xác định hai yếu tố chính ảnh hưởng đến việc chấp nhận công nghệ: tính hữu ích cảm nhận (perceived usefulness) — mức độ người dùng tin rằng công nghệ sẽ cải thiện hiệu suất — và tính dễ sử dụng cảm nhận (perceived ease of use) — mức độ người dùng tin rằng công nghệ dễ học và sử dụng. Trong bối cảnh giáo dục đại học, các nghiên cứu cho thấy tính hữu ích cảm nhận là yếu tố dự đoán mạnh hơn, nhưng tính dễ sử dụng có vai trò quan trọng trong giai đoạn đầu tiếp nhận (Sultana, 2024).

UTAUT mở rộng TAM bằng cách bổ sung các yếu tố xã hội — ảnh hưởng xã hội (social influence), điều kiện tạo thuận lợi (facilitating conditions) và động lực tự nguyện (voluntariness of use). Trong giáo dục đại học, ảnh hưởng xã hội — đặc biệt là áp lực từ đồng nghiệp và lãnh đạo — đóng vai trò quan trọng trong việc thúc đẩy giảng viên áp dụng công nghệ mới.

Khi áp dụng thuyết tiếp nhận công nghệ vào bối cảnh AI trong giáo dục đại học, một yếu tố mới xuất hiện: "sự lo ngại về thay thế" — nỗi sợ rằng AI sẽ thay thế vai trò của giảng viên. Yếu tố này, chưa có trong các mô hình truyền thống, đang trở thành rào cản tâm lý đáng kể đối với việc tiếp nhận AI trong cộng đồng học thuật (Fowler, 2023).

2.6. Quan niệm sai lầm phổ biến về chuyển đổi số

Nhiều quan niệm sai lầm về chuyển đổi số giáo dục đại học đang cản trở việc triển khai hiệu quả. Xác định và bác bỏ các quan niệm này là bước quan trọng để xây dựng chiến lược đúng đắn.

Quan niệm sai lầm thứ nhất: "Chuyển đổi số = mua công nghệ." Thực tế, công nghệ chỉ là 20–30% của chuyển đổi số. Phần còn lại — quan trọng hơn nhiều — là thay đổi quy trình, phát triển năng lực nhân lực và xây dựng văn hóa tổ chức. Các trường đại học chỉ đầu tư vào phần cứng mà không đầu tư vào người sử dụng sẽ lãng phí nguồn lực (Heller, 2026).

Quan niệm sai lầm thứ hai: "Chuyển đổi số là dự án IT." Thực tế, chuyển đổi số là chiến lược tổ chức toàn diện — liên quan đến giảng dạy, nghiên cứu, quản trị, liên kết đối ngoại và văn hóa tổ chức. Giao chuyển đổi số cho phòng IT là cách tiếp cận sai lầm phổ biến (Uoc, 2025).

Quan niệm sai lầm thứ ba: "Mọi thứ số hóa đều tốt hơn." Thực tế, không phải mọi quy trình đều phù hợp để số hóa. Một số hoạt động giáo dục — như đối thoại trực tiếp giữa giảng viên và sinh viên, thực nghiệm phòng thí nghiệm và thảo luận nhóm — có giá trị đặc biệt khi diễn ra trong không gian vật lý (Zemba, Chilonga và cộng sự, 2026).

Quan niệm sai lầm thứ tư: "Cần phải hoàn hảo mới triển khai." Thực tế, chuyển đổi số thành công nhất thường bắt đầu từ những dự án nhỏ, thử nghiệm, thất bại nhanh và cải tiến liên tục. Chờ đến khi mọi thứ hoàn hảo là đợi mãi.

2.7. Công cụ tự đánh giá mức độ trưởng thành số

Mô hình trưởng thành số của Bates (2025) cung cấp khung tham chiếu vĩ mô để phân loại các cơ sở giáo dục đại học theo năm cấp độ chuyển đổi kỹ thuật số — từ tình trạng ngẫu nhiên (ad-hoc) đến dẫn dắt đổi mới (transformative). Tuy nhiên, mô hình lý thuyết chỉ phát huy giá trị thực tiễn khi các nhà quản lý giáo dục có thể vận dụng nó để tự đánh giá chính tổ chức của mình. Dựa trên khung năm cấp độ đã trình bày ở mục 2.4, công cụ tự đánh giá dưới đây được thiết kế dưới dạng bộ câu hỏi hướng dẫn, giúp các trường đại học xác định nhanh chóng vị trí hiện tại trên hành trình chuyển đổi số.

Công cụ này không nhằm thay thế cho một cuộc đánh giá chuyên sâu toàn diện, mà đóng vai trò là điểm khởi tạo cho các cuộc thảo luận nội bộ. Mỗi câu hỏi phản ánh một khía cạnh cốt lõi của chuyển đổi số trong giáo dục đại học: hạ tầng công nghệ, năng lực giảng viên, chính sách quản trị và văn hóa tổ chức. Người sử dụng — có thể là hiệu trưởng, ban giám đốc CNTT, hoặc lãnh đạo phòng đào tạo — hãy đọc từng câu hỏi ở mỗi cấp độ và tự đánh giá xem tổ chức của mình đang ở đâu. Cấp độ phù hợp nhất là cấp độ mà tổ chức vừa mới bắt đầu đáp ứng được phần lớn các tiêu chí, chứ không phải cấp độ cao nhất mà tổ chức đạt được một phần nào đó.

---

---

Cần lưu ý rằng công cụ tự đánh giá này chỉ là bước khởi đầu. Trong thực tế, các trường đại học hiếm khi nằm hoàn toàn ở một cấp độ duy nhất — một trường có thể đạt Cấp độ 4 về hạ tầng công nghệ nhưng chỉ ở Cấp độ 2 về năng lực giảng viên. Do đó, kết quả tốt nhất nên được sử dụng làm đầu vào cho các buổi làm việc nhóm (workshop) nội bộ, nơi các bên liên quan cùng thảo luận và thống nhất ưu tiên hành động phù hợp với bối cảnh cụ thể của từng tổ chức (Bates, 2025).

3. Hạ tầng số và campus thông minh: Nền tảng cho chuyển đổi

3.1. Hạ tầng kỹ thuật số trong giáo dục đại học

Hạ tầng kỹ thuật số là xương sống của mọi nỗ lực chuyển đổi số trong giáo dục đại học. Không có hạ tầng vững chắc, mọi chiến lược sư phạm số, ứng dụng AI hay cải tiến quản trị đều trở nên vô nghĩa (Heller, 2026).

Hạ tầng số trong giáo dục đại học bao gồm không chỉ phần cứng và mạng viễn thông mà còn dữ liệu, nền tảng phần mềm, quy trình quản trị và năng lực con người — tạo thành một hệ thống phức tạp mà mỗi thành phần đều ảnh hưởng đến hiệu quả của toàn bộ hệ sinh thái giáo dục (Heller, 2026).

Các thành phần hạ tầng số chính của một trường đại học hiện đại bao gồm: mạng lưới băng thông rộng (high-speed networking) kết nối tất cả các cơ sở, trung tâm dữ liệu (data center) hoặc hạ tầng điện toán đám mây, hệ thống quản lý học tập (LMS) và hệ thống quản lý quan hệ sinh viên, thư viện số với cơ sở dữ liệu học thuật toàn diện, hệ thống quản lý nghiên cứu và kho lưu trữ nghiên cứu, nền tảng cộng tác trực tuyến cho giảng dạy và nghiên cứu, và cơ sở hạ tầng an ninh mạng (Alammary, 2024).

Alammary (2024) đề xuất một kiến trúc hạ tầng bền vững cho giáo dục đại học dựa trên công nghệ blockchain, nhấn mạnh rằng tính phân tán và bảo mật của blockchain có thể giải quyết một số vấn đề cốt lõi về quản lý dữ liệu học thuật — từ xác minh bằng cấp đến bảo vệ bản quyền nghiên cứu.

3.2. Campus thông minh: Từ khái niệm đến thực tiễn

Khái niệm "campus thông minh" (smart campus) đã trở thành mục tiêu mơ ước của nhiều trường đại học trên thế giới. Campus thông minh không chỉ là việc lắp đặt thiết bị IoT ở khắp nơi mà là tạo ra một môi trường học thuật được tối ưu hóa bằng dữ liệu và công nghệ (Heller, 2026).

Các đặc trưng chính của campus thông minh bao gồm: kết nối mọi thứ (ubiquitous connectivity) với mạng Wi-Fi phủ sóng toàn khuôn viên, hệ thống quản lý cơ sở vật chất tự động qua cảm biến IoT, nền tảng dữ liệu thống nhất cho quản lý học vụ, tài chính và nhân sự, hệ thống an ninh tích hợp với nhận dạng sinh viên, không gian học tập linh hoạt được trang bị công nghệ, và cổng thông tin thống nhất cho sinh viên, giảng viên và quản lý (Alammary, 2024).

Tuy nhiên, giữa khái niệm campus thông minh và thực tiễn triển khai có khoảng cách rất lớn. Rất nhiều trường đại học đã đầu tư mạnh vào phần cứng — màn hình thông minh, thiết bị IoT, hệ thống camera — nhưng không xây dựng được nền tảng dữ liệu và quy trình để khai thác hiệu quả các thiết bị này. Nhiều campus thông minh thực chất chỉ là "campus có nhiều thiết bị thông minh" chứ chưa thực sự thông minh (Heller, 2026).

3.3. Quản trị dữ liệu: Huyết mạch của chuyển đổi số

Dữ liệu đang trở thành tài sản chiến lược quan trọng nhất trong giáo dục đại học. Từ dữ liệu học tập (learning analytics) đến dữ liệu nghiên cứu, từ dữ liệu hành chính đến dữ liệu phản hồi sinh viên — mọi loại dữ liệu đều có thể được sử dụng để cải thiện chất lượng giáo dục và hiệu quả quản trị (Islam, 2026).

Quản trị dữ liệu hiệu quả không chỉ là vấn đề kỹ thuật mà là vấn đề văn hóa tổ chức. Trường đại học cần xây dựng "văn hóa dữ liệu" — nơi mọi quyết định giáo dục và quản trị đều dựa trên bằng chứng dữ liệu, và mọi thành viên đều hiểu được giá trị của dữ liệu trong công việc hàng ngày (Islam, 2026).

Tuy nhiên, quản trị dữ liệu trong giáo dục đại học đối mặt với nhiều thách thức cụ thể. Dữ liệu thường phân tán trong nhiều hệ thống khác nhau — LMS, hệ thống đăng ký, thư viện, hệ thống nghiên cứu — và không có tiêu chuẩn thống nhất để tích hợp. Vấn đề "silos dữ liệu" này khiến việc khai thác giá trị từ dữ liệu trở nên vô cùng khó khăn (Heller, 2026).

Bên cạnh đó, các vấn đề về bảo mật dữ liệu sinh viên, quyền riêng tư và tuân thủ quy định pháp luật (như GDPR ở châu Âu hay Nghị định bảo vệ dữ liệu cá nhân tại Việt Nam) đang đặt ra những yêu cầu khắt khe đối với cách thức trường đại học thu thập, lưu trữ và sử dụng dữ liệu.

3.4. Đầu tư hạ tầng số: Kinh nghiệm từ các nước

Các quốc gia khác nhau tiếp cận đầu tư hạ tầng số giáo dục theo các mô hình khác nhau. Các nước phát triển thường sử dụng mô hình đầu tư tập trung, với ngân sách quốc gia hoặc cấp trường lớn, kết hợp với đối tác công nghệ tư nhân. Các nước đang phát triển thường phải dựa vào hỗ trợ quốc tế, ODA và các dự án thí điểm (Heller, 2026).

Kinathi (2026) phân tích chuyển đổi số và ứng dụng AI trong quản lý dự án công cộng tại Kenya, chỉ ra rằng rào cản lớn nhất không phải là công nghệ mà là năng lực quản trị — khả năng lập kế hoạch, triển khai và duy trì các dự án số một cách có hệ thống. Bài học này hoàn toàn áp dụng được cho giáo dục đại học.

Nhiều trường đại học ở Đông Nam Á đã triển khai thành công các dự án hạ tầng số thông qua quan hệ đối tác công tư (PPP — Public-Private Partnership), trong đó nhà trường cung cấp quy trình và nội dung giáo dục, còn đối tác công nghệ cung cấp nền tảng kỹ thuật và kinh nghiệm vận hành. Mô hình này cho phép tận dụng chuyên môn của cả hai bên nhưng đòi hỏi năng lực quản lý hợp đồng và bảo vệ quyền lợi của nhà trường.

3.5. Quản lý thay đổi trong chuyển đổi số giáo dục

Chuyển đổi số giáo dục đại học về bản chất là một dự án quản lý thay đổi quy mô lớn. Quản lý thay đổi (change management) — một lĩnh vực đã được nghiên cứu sâu sắc trong quản trị doanh nghiệp — cần được ứng dụng một cách thích hợp vào bối cảnh đặc thù của giáo dục đại học (Zemba, Chilonga và cộng sự, 2026).

Mô hình quản lý thay đổi của Kotter — với tám bước từ tạo cảm giác cấp thiết đến xác định văn hóa mới — đã được nhiều trường đại học áp dụng cho chuyển đổi số. Trong bối cảnh giáo dục, bước quan trọng nhất là "xây dựng liên minh hướng dẫn" — tạo ra một nhóm lãnh đạo có cùng tầm nhìn về chuyển đổi số, đại diện cho các bên liên quan khác nhau trong trường đại học.

Quản lý thay đổi trong giáo dục đại học khác với doanh nghiệp ở một điểm quan trọng: tính tự chủ học thuật (academic autonomy). Giảng viên có truyền thống tự chủ cao trong phương pháp sư phạm, và mọi nỗ lực thay đổi — dù được hỗ trợ bằng lý lẽ — đều cần tôn trọng quyền tự chủ này (Zemba, Chilonga và cộng sự, 2026).

Chiến lược quản lý thay đổi hiệu quả trong giáo dục đại học bao gồm: liên minh hướng dẫn đa cấp — kết hợp lãnh đạo quản lý với lãnh đạo học thuật; tham gia từ dưới lên — khuyến khích sáng kiến từ cấp cơ sở thay vì chỉ áp đặt từ trên xuống; hỗ trợ vừa đủ — cung cấp đủ nguồn lực và hướng dẫn nhưng không can thiệp quá mức; và tôn trọng tính đa dạng — cho phép các phương pháp sư phạm số khác nhau tồn tại song song (Fowler, 2023).

3.6. Đo lường thành quả chuyển đổi số

Một trong những vấn đề nan giải nhất trong chuyển đổi số giáo dục đại học là: làm thế nào biết chuyển đổi số có thành công hay không? Không có một bộ tiêu chí phổ quát — mỗi trường đại học có bối cảnh, mục tiêu và nguồn lực khác nhau (Heller, 2026).

Tuy nhiên, dựa trên nghiên cứu, có thể đề xuất năm nhóm chỉ số đo lường thành quả chuyển đổi số.

Nhóm 1 — Chỉ số hạ tầng: tỷ lệ giảng đường có kết nối Internet tốc độ cao, tỷ lệ giảng viên có thiết bị phù hợp, mức độ tích hợp giữa các hệ thống thông tin, và thời gian hoạt động của hệ thống (Heller, 2026).

Nhóm 2 — Chỉ số năng lực: tỷ lệ giảng viên hoàn thành chương trình đào tạo số, tỷ lệ sinh viên đạt chuẩn năng lực số, số lượng nhân sự IT chuyên trách, và mức độ tự tin số của nhân viên (Troche, 2025).

Nhóm 3 — Chỉ số sư phạm: tỷ lệ môn học sử dụng LMS, tỷ lệ nội dung số trong chương trình đào tạo, mức độ cá nhân hóa học tập, và mức độ hài lòng của sinh viên với trải nghiệm học tập số.

Nhóm 4 — Chỉ số quản trị: mức độ tự động hóa quy trình hành chính, chất lượng dữ liệu quản trị, thời gian xử lý quy trình, và tính minh bạch trong ra quyết định (Alammary, 2024).

Nhóm 5 — Chỉ số tác động: chất lượng đầu ra giáo dục, mức độ tuyển dụng của cựu sinh viên, năng suất nghiên cứu, và uy tín học thuật của trường (Uoc, 2025).

Đo lường thành quả chuyển đổi số không phải là đánh giá công nghệ mà là đánh giá giá trị giáo dục. Công nghệ tốt nhất là công nghệ mà sinh viên và giảng viên thực sự sử dụng và mang lại kết quả đo lường được trong chất lượng giáo dục (Heller, 2026).

3.7. Campus thông minh trên thực tế: Các ví dụ điển hình

Mặc dù khái niệm campus thông minh đã được đề cập rộng rãi trong các tài liệu học thuật, việc chuyển từ lý thuyết sang thực tiễn triển khai vẫn là một thách thức lớn đối với nhiều cơ sở giáo dục đại học, đặc biệt là tại các quốc gia đang phát triển. Phần này trình bày ba ví dụ điển hình từ Indonesia, El Salvador và Đài Loan — đại diện cho các mức độ phát triển và bối cảnh khác nhau — nhằm minh họa cách các trường đại học đang biến mô hình campus thông minh thành hiện thực. Các ví dụ này không chỉ phản ánh sự đa dạng trong tiếp cận công nghệ mà còn cung cấp những bài học quan trọng cho các trường đại học Việt Nam đang trong quá trình chuyển đổi số.

3.7.1. Trường Cao đẳng Kỹ thuật Số Jogja (Jogja Digital Polytechnic), Indonesia: Mô hình campus thông minh toàn diện tại một cơ sở giáo dục nghề nghiệp

Indonesia là một trong những quốc gia đang phát triển có những nỗ lực đáng chú ý trong việc triển khai campus thông minh. Trường Cao đẳng Kỹ thuật Số Jogja (Jogja Digital Polytechnic) tại Yogyakarta là một ví dụ tiêu biểu về việc áp dụng công nghệ vào quản lý và vận hành cơ sở đào tạo kỹ thuật. Trong nghiên cứu của mình, Budiono và Budiarto (2024) đã mô tả chi tiết quá trình thiết kế và triển khai hệ thống campus thông minh tại trường, trong đó tập trung vào việc tích hợp nhiều công nghệ cốt lõi vào không gian học thuật và hành chính.

Hệ thống campus thông minh tại Jogja Digital Polytechnic được xây dựng dựa trên nền tảng cảm biến Internet vạn vật (IoT) với mạng lưới cảm biến phân bố rộng khắp khuôn viên trường. Các cảm biến này thu thập dữ liệu theo thời gian thực về nhiều chỉ tiêu môi trường và vận hành, bao gồm nhiệt độ, độ ẩm, chất lượng không khí, mức tiêu thụ năng lượng và tình trạng sử dụng không gian. Dữ liệu từ hệ thống cảm biến được tập trung về nền tảng xử lý trung tâm, cho phép ban quản lý theo dõi và điều phối hoạt động của trường một cách trực quan và hiệu quả.

Một trong những thành phần nổi bật của mô hình này là hệ thống biển báo kỹ thuật số (digital signage) được triển khai tại các điểm chiến lược trong khuôn viên trường. Các màn hình kỹ thuật số không chỉ cung cấp thông tin liên tục cho sinh viên và giảng viên — như lịch học thay đổi, thông báo sự kiện, và cảnh báo an toàn — mà còn hiển thị dữ liệu thời gian thực về tình trạng sử dụng phòng học, mức tiêu thụ năng lượng và các chỉ số môi trường. Điều này tạo ra một môi trường thông tin minh bạch, giúp sinh viên và nhân viên đều có thể tham gia vào quá trình quản lý tài nguyên của trường.

Hệ thống campus thông minh tại Jogja Digital Polytechnic tích hợp cảm biến IoT, biển báo kỹ thuật số và phòng học thông minh, tạo ra một hệ sinh thái giáo dục số đồng nhất (Budiono & Budiarto, 2024).

Thành phần phòng học thông minh (smart classroom) cũng được chú trọng đặc biệt tại trường. Các phòng học được trang bị hệ thống điều khiển tự động cho thiết bị chiếu sáng, điều hòa nhiệt độ và thiết bị âm thanh đa phương tiện. Giảng viên nên điều khiển các thiết bị này thông qua một giao diện tập trung, trong khi dữ liệu về việc sử dụng phòng học được ghi nhận tự động để tối ưu hóa lịch trình phân bổ không gian. Bên cạnh đó, Wijonarko và cộng sự (2023) cũng ghi nhận nỗ lực triển khai công nghệ IoT trong các dự án campus thông minh tại Indonesia, trong đó nhấn mạnh vai trò của các công cụ mô phỏng trực quan (visual simulation tool) trong việc hỗ trợ quy trình thiết kế và triển khai. Các công cụ này cho phép các nhà lập kế hoạch trực quan hóa cấu trúc mạng cảm biến, mô phỏng luồng dữ liệu và đánh giá hiệu quả của hệ thống trước khi triển khai thực tế, từ đó giảm thiểu rủi ro và chi phí đầu tư.

Công cụ mô phỏng trực quan đóng vai trò quan trọng trong việc thiết kế và triển khai hệ thống IoT cho campus thông minh, giúp giảm thiểu rủi ro và tối ưu hóa hiệu quả đầu tư (Wijonarko et al., 2023).

Kinh nghiệm từ Jogja Digital Polytechnic cho thấy rằng ngay cả tại các quốc gia đang phát triển, việc triển khai campus thông minh hoàn toàn khả thi khi có chiến lược rõ ràng, ưu tiên giải pháp phù hợp với ngân sách và tập trung vào các nhu cầu thiết thực nhất của cơ sở giáo dục.

3.7.2. Khuôn viên Salitre, El Salvador: Chuyển đổi campus thông minh tại một quốc gia đang phát triển

El Salvador, với tư cách là một quốc gia đang phát triển ở khu vực Trung Mỹ, đối mặt với những thách thức đặc thù về nguồn lực tài chính, cơ sở hạ tầng công nghệ và nhân lực kỹ thuật trong quá trình số hóa giáo dục đại học. Tuy nhiên, dự án chuyển đổi khuôn viên Salitre thành campus thông minh, được García Espinoza (2024) mô tả chi tiết, đã chứng minh rằng những hạn chế này không phải là rào cản không thể vượt qua.

Dự án Salitre đại diện cho một cách tiếp cận thực tế và từng bước (phased approach) đối với chuyển đổi campus thông minh. Thay vì cố gắng triển khai đồng thời mọi thành phần của một mô hình lý tưởng, đội ngũ dự án ưu tiên các giải pháp có tác động trực tiếp và tức thì nhất đối với trải nghiệm của sinh viên và hiệu quả quản lý. Giai đoạn đầu của dự án tập trung vào việc số hóa các quy trình hành chính cơ bản — bao gồm đăng ký học tập, quản lý hồ sơ sinh viên và xử lý giao dịch tài chính — thông qua một nền tảng quản lý học vụ tập trung. Việc này không chỉ giảm thiểu sự phụ thuộc vào quy trình giấy tờ mà còn tạo nền tảng dữ liệu số phục vụ cho các giai đoạn phát triển tiếp theo.

Việc chuyển đổi khuôn viên Salitre thành campus thông minh được thực hiện theo phương pháp tiếp cận từng bước, ưu tiên các giải pháp có tác động trực tiếp và phù hợp với điều kiện nguồn lực của một quốc gia đang phát triển (García Espinoza, 2024).

Giai đoạn tiếp theo của dự án bao gồm việc triển khai cơ sở hạ tầng mạng không dây mở rộng, hệ thống an ninh giám sát bằng camera thông minh và các trạm sạc thiết bị di động được phân bố tại các khu vực công cộng trong khuôn viên. Đáng chú ý, dự án đáng chú ý chú trọng đến yếu tố bền vững, tích hợp các giải pháp quản lý năng lượng thông minh như hệ thống chiếu sáng tự động điều chỉnh theo cường độ ánh sáng tự nhiên và hệ thống thu nước mưa để tưới tiêu xanh. Những giải pháp này không chỉ đóng góp vào mục tiêu giảm thiểu chi phí vận hành mà còn giáo dục sinh viên về ý thức bảo vệ môi trường và phát triển bền vững.

Một khía cạnh quan trọng của dự án Salitre là chiến lược huy động và sử dụng hiệu quả các nguồn lực sẵn có. Dự án tận dụng hạ tầng mạng quốc gia hiện có, sử dụng các nền tảng phần mềm mã nguồn mở để giảm chi phí cấp phép, và phát triển năng lực kỹ thuật nội bộ thông qua chương trình đào tạo nhân sự. Sinh viên và giảng viên được tham gia trực tiếp vào quá trình triển khai, tạo ra một mô hình cộng tác mà trong đó việc xây dựng campus thông minh đồng thời là cơ hội học tập và nghiên cứu thực tiễn. Kinh nghiệm từ Salitre mang ý nghĩa quan trọng hơn quan trọng đối với các trường đại học tại các quốc gia đang phát triển, bao gồm Việt Nam, bởi nó cho thấy chuyển đổi campus thông minh không nhất thiết đòi hỏi nguồn lực tài chính khổng lồ mà cần sự sáng tạo trong việc tận dụng và tối ưu hóa những nguồn lực hiện có.

Alqasmi và cộng sự (2025), trong một đánh giá có hệ thống về chuyển đổi số và việc áp dụng mô hình campus thông minh tại các quốc gia đang phát triển, đã tổng hợp kết quả từ hàng chục nghiên cứu trường hợp và xác nhận rằng cách tiếp cận từng bước, ưu tiên các giải pháp phù hợp với bối cảnh địa phương, là yếu tố then chốt cho sự thành công. Đánh giá này cũng chỉ ra rằng các quốc gia đang phát triển thường gặp phải những rào cản chung như thiếu hụt hạ tầng mạng, hạn chế về ngân sách, thiếu tiêu chuẩn hóa quy trình và sự thiếu hụt nhân lực có chuyên môn công nghệ cao. Tuy nhiên, những quốc gia và cơ sở giáo dục có chiến lược rõ ràng, linh hoạt trong việc lựa chọn công nghệ và tích cực phát triển hợp tác công tư thường đạt được kết quả triển khai khả quan hơn.

Đánh giá có hệ thống cho thấy các quốc gia đang phát triển đối mặt với những rào cản chung về hạ tầng, ngân sách và nhân lực, nhưng chiến lược tiếp cận linh hoạt và phù hợp với bối cảnh địa phương là chìa khóa để triển khai thành công campus thông minh (Alqasmi et al., 2025).

Bổ sung cho góc nhìn này, Prasetyaningtyas và cộng sự (2023) đã đề xuất một khung tham chiếu (framework) cho việc phát triển campus thông minh tại các quốc gia đang phát triển. Khung này bao gồm bốn trụ cột chính: (i) hạ tầng công nghệ và kết nối, (ii) quản lý dữ liệu và phân tích, (iii) dịch vụ số và trải nghiệm người dùng, và (iv) quản trị và chính sách. Mỗi trụ cột đều được xác định theo các mức độ trưởng thành khác nhau, cho phép các cơ sở giáo dục tự đánh giá vị trí hiện tại và xác định các bước tiến tiếp theo theo hướng có hệ thống.

Khung phát triển campus thông minh cho các quốc gia đang phát triển bao gồm bốn trụ cột — hạ tầng công nghệ, quản lý dữ liệu, dịch vụ số và quản trị chính sách — với các mức độ trưởng thành giúp các trường đại học định hình lộ trình chuyển đổi (Prasetyaningtyas et al., 2023).

3.7.3. Đại học Quốc gia Đài Loan (NTU): Campus kỹ thuật số kép (Digital Twin) phục vụ thích ứng biến đổi khí hậu

Trong khi các ví dụ từ Indonesia và El Salvador đại diện cho cách tiếp cận từ các quốc gia đang phát triển với nguồn lực hạn hẹp, Đại học Quốc gia Đài Loan (National Taiwan University — NTU) minh họa một mô hình campus thông minh tiên tiến tại một cơ sở giáo dục đại học hàng đầu khu vực. Nghiên cứu của Chen và cộng sự (2024) đã trình bày chi tiết nền tảng kỹ thuật số kép (digital twin platform) được phát triển cho khuôn viên NTU, kết hợp mô hình tòa nhà ba chiều (3D building models) và mạng lưới cảm biến IoT thông minh nhằm tạo ra một bản sao kỹ thuật số của khuôn viên trường trong không gian ảo.

Khái niệm kỹ thuật số kép (digital twin) — trong đó một thực thể vật lý được ánh xạ hoàn toàn vào môi trường kỹ thuật số — đã được ứng dụng rộng rãi trong công nghiệp sản xuất và đô thị thông minh, nhưng việc áp dụng vào quy mô khuôn viên trường đại học là một bước tiến đáng chú ý. Tại NTU, nền tảng kỹ thuật số kép được xây dựng dựa trên mô hình địa chính ba chiều chi tiết của toàn bộ khuôn viên, trong đó mỗi tòa nhà được mô hình hóa với độ chính xác cao về mặt kiến trúc và hệ thống kỹ thuật. Các lớp thông tin (information layers) được tích hợp chồng lên mô hình ba chiều này bao gồm hệ thống điện, hệ thống nước, hệ thống điều hòa không khí, mạng lưới giao thông nội bộ và thảm thực vật.

Nền tảng kỹ thuật số kép tại NTU kết hợp mô hình tòa nhà 3D chi tiết với mạng lưới cảm biến IoT, tạo ra bản sao kỹ thuật số hoàn chỉnh của khuôn viên trường để phục vụ quản lý và nghiên cứu (Chen et al., 2024).

Mạng lưới cảm biến IoT phân bố khắp khuôn viên cung cấp dữ liệu theo thời gian thực về các chỉ tiêu môi trường và vận hành, bao gồm nhiệt độ bề mặt tòa nhà, lượng tiêu thụ năng lượng từng khu vực, lưu lượng người qua lại và các thông số vi khí hậu cục bộ. Dữ liệu này được đồng bộ hóa liên tục với mô hình kỹ thuật số kép, cho phép ban quản lý giám sát tình trạng toàn khuôn viên thông qua một giao diện trực quan ba chiều. Khi có sự cố xảy ra — chẳng hạn như sự cố hệ thống điện tại một tòa nhà hoặc hiện tượng tụ nước do mưa lớn — hệ thống nên xác định chính xác vị trí và phạm vi ảnh hưởng, giúp phản ứng nhanh chóng và chính xác hơn nhiều so với phương pháp quản lý truyền thống.

nổi bật, Chen và cộng sự (2024) nhấn mạnh vai trò của nền tảng kỹ thuật số kép trong việc xây dựng một khuôn viên trường có khả năng thích ứng với biến đổi khí hậu (climate-resilient campus). Đài Loan nằm trong khu vực thường xuyên chịu tác động bởi bão, lũ lụt và các hiện tượng thời tiết cực đoan. Nền tảng kỹ thuật số kép cho phép mô phỏng các kịch bản khí hậu khác nhau — như bão mạnh, mưa lớn kéo dài và nắng nóng đỉnh điểm — để đánh giá độ bền của cơ sở hạ tầng và phát triển các phương án ứng phó. Ví dụ, hệ thống sẽ mô phỏng luồng nước bề mặt trong điều kiện mưa lớn để xác định các điểm dễ bị ngập úng, từ đó hướng dẫn việc cải tạo hạ tầng thoát nước hoặc điều chỉnh quy trình sơ tán khi cần thiết.

Nền tảng này cũng đóng vai trò quan trọng trong việc tối ưu hóa tiêu thụ năng lượng. Bằng cách phân tích dữ liệu từ cảm biến kết hợp với mô hình dự báo thời tiết, hệ thống được điều chỉnh tự động hoạt động của hệ thống điều hòa, chiếu sáng và thông gió theo các điều kiện môi trường thực tế và dự kiến, thay vì vận hành theo lịch trình cố định. Các kết quả nghiên cứu ban đầu cho thấy nền tảng kỹ thuật số kép giúp giảm đáng kể mức tiêu thụ năng lượng mà vẫn đảm bảo điều kiện môi trường học tập và làm việc thoải mái. Mô hình NTU, dù đòi hỏi nguồn lực đầu tư lớn và năng lực kỹ thuật cao, cung cấp một tầm nhìn về tương lai của campus thông minh, trong đó công nghệ không chỉ phục vụ mục đích quản lý vận hành mà còn đóng góp trực tiếp vào nghiên cứu khoa học, giáo dục và phát triển bền vững.

3.7.4. Bài học kinh nghiệm cho các trường đại học Việt Nam

Từ ba ví dụ điển hình được trình bày, nên rút ra một số bài học quan trọng có giá trị tham khảo cho quá trình xây dựng campus thông minh tại các trường đại học Việt Nam.

Thứ nhất, không tồn tại một mô hình campus thông minh duy nhất phù hợp cho mọi cơ sở giáo dục. Trường Cao đẳng Kỹ thuật Số Jogja ưu tiên giải pháp IoT và phòng học thông minh, khuôn viên Salitre tập trung vào số hóa quy trình cơ bản và bền vững, còn NTU xây dựng nền tảng kỹ thuật số kép tiên tiến. Sự lựa chọn mô hình cần được quyết định dựa trên nhu cầu cụ thể, nguồn lực sẵn có, tầm nhìn chiến lược và bối cảnh đặc thù của từng trường. Các trường đại học Việt Nam cần tránh tâm lý cố sao chép hoàn toàn một mô hình từ nước ngoài mà nên có quá trình đánh giá kỹ lưỡng và thích ứng phù hợp.

Thứ hai, cách tiếp cận từng bước và phân giai đoạn — như đã chứng minh thành công tại El Salvador và Indonesia — là chiến lược vượt trội phù hợp với điều kiện của các quốc gia đang phát triển. Thay vì đợi đến khi có đủ nguồn lực để triển khai một hệ thống hoàn chỉnh, các trường sẽ bắt đầu từ những giải pháp đơn giản, có tác động trực tiếp và mở rộng dần theo thời gian. Số hóa quy trình hành chính, nâng cấp mạng không dây, và triển khai các hệ thống quản lý học vụ điện tử được là những bước khởi đầu thực tế.

Thứ ba, yếu tố con người — bao gồm cả nhân lực kỹ thuật và sự tham gia của sinh viên, giảng viên — đóng vai trò quyết định. Các dự án thành công đều có chiến lược phát triển năng lực nội bộ rõ ràng và khuyến khích sự tham gia của toàn bộ cộng đồng học thuật vào quá trình xây dựng campus thông minh. Tại Việt Nam, việc đào tạo nhân lực kỹ thuật chuyên trách và xây dựng văn hóa đổi mới sáng tạo trong giáo dục đại học cần được chú trọng song song với việc đầu tư vào hạ tầng công nghệ.

Thứ tư, tính bền vững và thích ứng với biến đổi khí hậu — những yếu tố được nhấn mạnh tại cả khuôn viên Salitre và NTU — cần được tích hợp ngay từ giai đoạn thiết kế chiến lược campus thông minh. Việt Nam là một trong những quốc gia chịu tác động nặng nề nhất của biến đổi khí hậu, và các trường đại học có vai trò quan trọng trong việc tiên phong thực hành các giải pháp xanh và thông minh, vừa phục vụ mục tiêu giáo dục vừa tạo mô hình cho cộng đồng xung quanh.

Thứ năm, việc áp dụng khung tham chiếu như của Prasetyaningtyas và cộng sự (2023) hoặc các kết quả đánh giá có hệ thống của Alqasmi và cộng sự (2025) nên giúp các trường đại học Việt Nam xây dựng lộ trình chuyển đổi số campus thông minh bằng biện pháp có cấu trúc, khả đo lường và bền vững. Việc tự đánh giá mức độ trưởng thành trên từng trụ cột — từ hạ tầng công nghệ đến quản trị chính sách — cho phép xác định ưu tiên đầu tư và theo dõi tiến độ triển khai trong quá trình khách quan.

Tóm lại, trải nghiệm thực tiễn từ Indonesia, El Salvador và Đài Loan cho thấy rằng campus thông minh không chỉ là một khái niệm lý thuyết mà đã trở thành hiện thực đa dạng tại nhiều bối cảnh kinh tế và công nghệ khác nhau. Đối với các trường đại học Việt Nam, việc chủ động nghiên cứu và học hỏi từ các ví dụ quốc tế này, kết hợp với đánh giá kỹ lưỡng điều kiện trong nước, sẽ tạo cơ sở vững chắc cho việc xây dựng những khuôn viên trường đại học thông minh, bền vững và thích ứng trong kỷ nguyên số.

3.7.5. Từ mô hình đến thực tiễn: Bài học từ các trường tiên phong

Phân tích các mô hình lý thuyết về chuyển đổi số và ứng dụng AI trong giáo dục đại học chỉ có ý nghĩa thực tiễn khi được soi chiếu qua các ví dụ cụ thể. Phần này trình bày hai nhóm case study — một từ bối cảnh quốc tế và một từ hệ thống giáo dục Việt Nam — nhằm rút ra những bài học sẽ tổng quát hóa cho các cơ sở giáo dục đại học đang bước vào hành trình chuyển đổi số.

3.7.5.1. Case study quốc tế: Đại học Bang Arizona (ASU) và sự hợp tác chiến lược với OpenAI

Đại học Bang Arizona (Arizona State University — ASU) đã tạo dấu mốc lịch sử khi trở thành trường đại học đầu tiên trên thế giới ký kết thỏa thuận hợp tác chiến lược với OpenAI để triển khai ChatGPT Enterprise quy mô toàn trường vào đầu năm 2024. Sáng kiến này không đơn thuần là việc cấp tài khoản cho sinh viên và giảng viên, mà là một chiến lược tích hợp toàn diện, trong đó ChatGPT được nhúng vào hơn 200 khóa học thuộc nhiều lĩnh vực từ kỹ thuật, y khoa đến nhân văn và kinh doanh.

Theo thông tin công khai từ ASU, triển khai này cho phép sinh viên tiếp cận hỗ trợ học tập cá nhân hóa (personalized learning) 24/7 — một khả năng mà các mô hình giáo dục truyền thống khó đạt được do hạn chế về nhân sự giảng dạy. ChatGPT được sử dụng đa dạng: từ việc đóng vai "đối thoại phản biện" trong các khóa học triết học, hỗ trợ soạn thảo và phản hồi bài viết, đến hướng dẫn từng bước trong các bài tập lập trình. Đáng chú ý, ASU không thay thế giảng viên bằng AI mà định vị ChatGPT là "công cụ bổ trợ trí tuệ" (cognitive assistant), giúp giảng viên giải phóng thời gian khỏi các tác vụ lặp đi lặp lại để tập trung vào tương tác chất lượng cao với sinh viên.

Nghiên cứu của Nikoçeviq-Kurti và Bërdynaj-Syla (2024) về tích hợp ChatGPT trong giáo dục đại học cho thấy các mô hình triển khai thành công đều có điểm chung: chiến lược rõ ràng về mục tiêu sư phạm, chương trình đào tạo kỹ năng sử dụng AI cho cả giảng viên và sinh viên, và khuôn khổ chính sách sử dụng AI minh bạch. Những yếu tố này xuất hiện rõ nét trong cách tiếp cận của ASU (Nikoçeviq-Kurti & Bërdynaj-Syla, 2024).

Một số đặc điểm nổi bật trong mô hình ASU được được tóm tắt như sau. Thứ nhất, tiếp cận "sandbox an toàn": ASU xây dựng môi trường thử nghiệm riêng biệt để các giảng viên có khả năng thử nghiệm ứng dụng ChatGPT vào môn học của mình trước khi triển khai chính thức, giúp giảm thiểu rủi ro sư phạm. Thứ hai, nhấn mạnh AI literacy: trường không chỉ cung cấp công cụ mà còn xây dựng chương trình giúp sinh viên hiểu cách AI hoạt động, hạn chế của nó, và cách sử dụng một cách có trách nhiệm và đạo đức. Thứ ba, chiến lược đo lường tác động: ASU thiết lập các chỉ số đánh giá hiệu quả tích hợp AI dựa trên kết quả học tập, mức độ tương tác và phản hồi của sinh viên, thay vì chỉ đánh giá số lượng người dùng.

Mô hình ASU đặc biệt có ý nghĩa tham khảo vì nó cho thấy chuyển đổi số trong giáo dục không phải là câu hỏi "có hay không" ứng dụng AI, mà là "làm thế nào" ứng dụng một cách có chiến lược và phù hợp với bối cảnh cụ thể của từng trường.

3.7.5.2. Case study Việt Nam: Các trường tiên phong trong ứng dụng AI

Tại Việt Nam, quá trình chuyển đổi số giáo dục đại học đang diễn ra mạnh mẽ nhưng với những đặc thù riêng về cơ sở hạ tầng, nguồn lực và bối cảnh thể chế. Một số trường đại học đã nổi lên như những đơn vị tiên phong, tạo ra những mô hình đáng chú ý.

Đại học Ngoại thương (FTU) là một trong những trường đại học đầu tiên tại Việt Nam triển khai hệ thống Quản lý học tập (Learning Management System — LMS) thông minh ở quy mô toàn trường, đặc biệt tăng tốc trong và sau đại dịch COVID-19. Hệ thống LMS của Ngoại thương không chỉ phục vụ việc quản lý tài liệu khóa học mà còn tích hợp các tính năng phân tích dữ liệu học tập (learning analytics) giúp giảng viên theo dõi tiến độ sinh viên và phát hiện sớm những người có nguy cơ học tập kém. Bên cạnh đó, trường đã ứng dụng chatbot AI trong quy trình tuyển sinh — cung cấp thông tin tự động cho hàng ngàn thí sinh mỗi mùa — và trong chăm sóc sinh viên, trả lời các câu hỏi thường gặp về học phí, tín chỉ, và quy định học vụ. Đây là minh chứng cho việc AI vẫn còn tối ưu hóa cả khâu tiếp nhận đầu vào lẫn trải nghiệm học tập trong suốt quá trình đào tạo.

Dang và Robertson (2026), trong nghiên cứu case study về đáp ứng của giáo dục đại học Việt Nam với hệ thống LMS, ghi nhận rằng quá trình áp dụng LMS tại các trường đại học Việt Nam đối mặt với nhiều thách thức như hạ tầng công nghệ không đồng đều, kỹ năng số của giảng viên còn hạn chế, và sự thiếu đồng bộ trong chính sách quản lý. Tuy nhiên, nghiên cứu cũng chỉ ra rằng những trường có lãnh đường cam kết mạnh mẽ và đầu tư bài bản vào đào tạo nhân sự — như mô hình của Ngoại thương — đạt được kết quả tích hợp thành công đáng kể (Dang & Robertson, 2026).

Đại học Bách Khoa Hà Nội (HUST) — cơ sở đào tạo kỹ thuật hàng đầu Việt Nam — đã phát huy lợi thế thế mạnh về nghiên cứu công nghệ để ứng dụng AI trực tiếp vào quy trình giáo dục. Các sáng kiến nổi bật bao gồm hệ thống chấm tự động (automated grading) cho các bài tập lập trình và bài thi tự luận kỹ thuật, sử dụng các thuật toán xử lý ngôn ngữ tự nhiên (NLP) để đánh giá mức độ hiểu bài của sinh viên thay vì chỉ kiểm tra tính chính xác của kết quả. Bách Khoa cũng ứng dụng phân tích dữ liệu học tập để xây dựng hệ thống cảnh báo sớm (early warning system), giúp cố vấn học tập (academic advisor) can thiệp kịp thời đối với sinh viên gặp khó khăn. Thêm vào đó, trung tâm học liệu số của trường tích hợp các công cụ AI giúp sinh viên tự học và ôn luyện, đáng chú ý hữu ích trong bối cảnh mở rộng quy mô tuyển sinh mà không tăng tương ứng nguồn lực giảng dạy.

Đại học FPT đại diện cho một mô hình nổi bật thú vị khi chính bản thân cơ sở giáo dục này ra đời từ một tập đoàn công nghệ. FPT đã xây dựng nền tảng học tập tích hợp AI — trong đó sinh viên không chỉ sử dụng AI như công cụ học tập mà còn được đào tạo để phát triển, tinh chỉnh và ứng dụng AI trong các dự án thực tế. Điểm khác biệt của FPT nằm ở việc triết lý giáo dục "learning by doing" được nâng cấp bằng AI: sinh viên tham gia vào các dự án nghiên cứu ứng dụng AI từ năm hai đại học, sử dụng các công cụ AI trong quy trình phát triển phần mềm, và được tiếp xúc với các kịch bản ứng dụng AI thực tế trong doanh nghiệp thông qua mạng lưới đối tác của tập đoàn. Mô hình này cho thấy khi giáo dục và công nghệ được kết nối từ gốc rễ, quá trình chuyển đổi số diễn ra tự nhiên và hiệu quả hơn đáng kể so với các trường phải "chuyển đổi" từ mô hình truyền thống.

3.7.5.3. Bài học tổng hợp từ các trường tiên phong

Từ các case study trình bày, một số bài học quan trọng nên được rút ra cho các cơ sở giáo dục đại học đang hoặc sắp triển khai chuyển đổi số và ứng dụng AI:

• Tầm quan trọng của chiến lược tổng thể, không phải ứng dụng đơn lẻ. Cả ASU và các trường Việt Nam tiên phong đều không tiếp cận AI như một giải pháp công nghệ đơn lẻ mà là một phần của chiến lược chuyển đổi số toàn diện. Ứng dụng AI thành công đòi hỏi sự phối hợp đồng bộ giữa hạ tầng công nghệ, đào tạo nhân sự, cập nhật chương trình đào tạo và xây dựng chính sách quản lý.

• Vai trò trung tâm của nâng cao năng lực (capacity building). Dang và Robertson (2026) nhấn mạnh rằng rào cản lớn nhất đối với ứng dụng LMS và công nghệ số tại Việt Nam không phải là công nghệ mà là năng lực sử dụng công nghệ của con người. Các trường thành công đều đầu tư nghiêm túc vào đào tạo giảng viên, xây dựng văn hóa học tập suốt đời về công nghệ số, và tạo không gian an toàn để thử nghiệm — sai lầm.

• Tùy biến hóa theo bối cảnh thể chế. Không có một mô hình "copy-paste" hoàn hảo. ASU triển khai ChatGPT Enterprise với nguồn lực của một trường đại học nghiên cứu hàng đầu Mỹ, trong khi các trường Việt Nam phải linh hoạt hơn trong việc tận dụng các giải pháp phù hợp với điều kiện hạ tầng và ngân sách hạn hẹp. Bài học ở đây là xác định điểm mạnh đặc thù của từng trường — như thế mạnh công nghệ của Bách Khoa hay hệ sinh thái doanh nghiệp của FPT — để phát triển chiến lược ứng dụng AI phù hợp nhất.

• Cần khuôn khổ chính sách sử dụng AI minh bạch và cập nhật liên tục. Nikoçeviq-Kurti và Bërdynaj-Syla (2024) nhấn mạnh rằng các vấn đề về tính toàn vẹn học thuật (academic integrity), quyền riêng tư dữ liệu và công bằng trong tiếp cận AI là những thách thức không thể bỏ qua. Các trường tiên phong đều xây dựng hướng dẫn sử dụng AI rõ ràng, thường xuyên cập nhật theo sự phát triển của công nghệ, và tạo diễn đàn đối thoại mở giữa quản lý, giảng viên và sinh viên về những vấn đề đạo đức xoay quanh AI trong giáo dục.

Sự đa dạng trong cách tiếp cận ứng dụng AI — từ chiến lược quy mô lớn của ASU đến các mô hình linh hoạt phù hợp bối cảnh của Ngoại thương, Bách Khoa và FPT — cho thấy một nguyên tắc cốt lõi: chuyển đổi số giáo dục đại học thành công khi nó phục vụ mục tiêu sư phạm, không phải khi nó áp đặt công nghệ lên quá trình giáo dục (Nikoçeviq-Kurti & Bërdynaj-Syla, 2024; Dang & Robertson, 2026).

Các case study này, dù ở bối cảnh quốc tế hay Việt Nam, đều củng cố lập luận rằng chuyển đổi số và ứng dụng AI trong giáo dục đại học không phải là một điểm đến mà là một quá trình liên tục — đòi hỏi cam kết lâu dài, thích ứng linh hoạt, và luôn đặt người học vào trung tâm của mọi quyết định công nghệ.

3.7.5.4. Cẩm nang chuyển đổi nhanh: Gợi ý cho trường đại học nguồn lực hạn chế

Từ những bài học thực tiễn được rút ra ở Arizona State University, Đại học Ngoại thương, Đại học Bách khoa Hà Nội, Đại học FPT, cũng như các trường đại học tại Jogjakarta và Salitre, có thể tổng hợp thành một cẩm nang chuyển đổi số thiết thực dành riêng cho các trường đại học ở các quốc gia đang phát triển — nơi mà ngân sách hạn hẹp, đội ngũ kỹ thuật mỏng và hạ tầng công nghệ còn nhiều bất cập không phải là ngoại lệ mà là quy luật. Cẩm nang này không đòi hỏi ngân sách lớn hay chiến lược vĩ mô phức tạp; thay vào đó, nó đề xuất sáu nguyên tắc hành động cụ thể, có thể bắt đầu ngay từ học kỳ tiếp theo.

1. Bắt đầu với dữ liệu trước khi đầu tư AI

Nhiều trường đại học mang ảo tưởng rằng chuyển đổi số đồng nghĩa với mua sắm phần mềm AI đắt tiền. Thực tế lại khác. Trước khi chi bất kỳ đồng nào cho công nghệ trí tuệ nhân tạo, việc đầu tiên và quan trọng nhất là xây dựng nền tảng dữ liệu nhất quán. Phải liên thông được dữ liệu sinh viên (hồ sơ nhập học, kết quả học tập, tiến độ tín chỉ), dữ liệu giảng viên (khối lượng giảng, nghiên cứu), và dữ liệu vận hành (lịch học, phòng học, ngân sách) vào một hệ thống duy nhất. Khi dữ liệu nằm rải rác ở nhiều file Excel riêng biệt, không có thuật toán nào có thể tạo ra giá trị thực chất. Bài học từ Đại học Bách khoa Hà Nội cho thấy rằng chính việc số hóa và chuẩn hóa dữ liệu sinh viên đã mở đường cho các ứng dụng phân tích học tập (learning analytics) đơn giản nhưng hiệu quả. Các trường có thể bắt đầu bằng Google Sheets hoặc cơ sở dữ liệu SQLite trước khi chuyển sang hệ thống quản trị lớn hơn.

2. Tận dụng tối đa phần mềm mã nguồn mở

Thay vì trả phí bản quyền hàng trăm triệu đồng mỗi năm cho các hệ thống LMS thương mại như Canvas hay Blackboard, các trường nguồn lực hạn chế nên ưu tiên các giải pháp mã nguồn mở đã được chứng minh về độ ổn định. Moodle — nền tảng quản lý học tập mã nguồn mở phổ biến nhất thế giới — cung cấp hầu hết các chức năng cần thiết cho việc quản lý khóa học, giao bài, chấm điểm và thảo luận trực tuyến. Công cụ H5P cho phép tạo nội dung tương tác (quiz, video tương tác, bản trình bày) mà không cần kỹ năng lập trình. BigBlueButton hỗ trợ lớp học trực tuyến với tính năng bảng trắng, chia sẻ màn hình và phòng breakout — tất cả miễn phí. Bài kinh nghiệm từ Jogjakarta cho thấy cộng đồng Moodle tại Indonesia rất mạnh, cung cấp hỗ trợ kỹ thuật bằng tiếng bản địa và tài liệu hướng dẫn chi tiết. Việc sử dụng mã nguồn mở không chỉ tiết kiệm chi phí mà còn tạo ra cơ hội phát triển năng lực nội bộ khi đội ngũ kỹ thuật phải trực tiếp vận hành và tùy biến hệ thống.

3. Hợp tác công – tư (PPP) để chia sẻ chi phí hạ tầng

Không phải trường đại học nào cũng có khả năng xây dựng và duy trì trung tâm dữ liệu riêng. Đó là lý do mô hình hợp tác công – tư (Public-Private Partnership) trở thành giải pháp chiến lược cho các trường nguồn lực hạn chế. Thông qua PPP, trường đại học có thể sử dụng hạ tầng cloud của đối tác doanh nghiệp với chi phí chia sẻ, đồng thời nhận được hỗ trợ kỹ thuật thường xuyên. Mô hình tại Đại học FPT — nơi doanh nghiệp công nghệ đứng ra đầu tư hạ tầng và trường đại học cung cấp nội dung đào tạo — là minh chứng rõ nét cho cách tiếp cận này. Các trường nên thương lượng với các nhà cung cấp dịch vụ viễn thông hoặc công nghệ địa phương để nhận tài trợ cloud, băng thông Internet hoặc phần cứng máy chủ, đổi lại là quyền giới thiệu thương hiệu trên các nền tảng học trực tuyến của trường.

4. Đặt sinh viên làm nòng cốt trong chuyển đổi

Đây có lẽ là nguyên tắc mang tính đột phá nhất trong cẩm nang này. Các trường đại học nguồn lực hạn chế thường thiếu nhân sự IT chuyên trách, nhưng lại sở hữu một nguồn lực khổng lồ bị lãng phí: chính sinh viên. Việc thành lập chương trình "Đại sứ chuyển đổi số" hoặc "AI Ambassador" — nơi sinh viên ngành CNTT và các ngành liên quan được tham gia trực tiếp vào quá trình triển khai công nghệ — mang lại lợi ích kép. Sinh viên đóng vai trò hỗ trợ kỹ thuật cho giảng viên, xây dựng tài liệu hướng dẫn, và thử nghiệm các công cụ mới trước khi áp dụng rộng rãi. Đổi lại, sinh viên có được kinh nghiệm thực tế quý giá, làm đẹp hồ sơ xin việc sau khi tốt nghiệp. Đại học Salitre đã chứng minh rằng mô hình này đặc biệt hiệu quả ở bối cảnh Mỹ Latinh, nơi sinh viên tích cực tham gia vào mọi khâu từ thiết kế đến vận hành hệ thống học trực tuyến.

5. Đo lường nhỏ rồi mới nhân rộng

Lỗi phổ biến nhất trong chuyển đổi số giáo dục là triển khai đồng loạt trên quy mô toàn trường mà không có dữ liệu thử nghiệm. Thay vào đó, hãy bắt đầu với một hoặc hai lớp học thử nghiệm, áp dụng một công cụ cụ thể (ví dụ: tự động chấm bài bằng AI, chatbot hỗ trợ sinh viên, hoặc hệ thống đề xuất khóa học cá nhân hóa), đo lường kết quả bằng các chỉ số rõ ràng (KPI) như tỷ lệ hoàn thành khóa học, điểm số trung bình, mức độ hài lòng của sinh viên và giảng viên, và tỷ lệ tương tác trên nền tảng. Chỉ khi các chỉ số này cho kết quả tích cực, mới tiến hành mở rộng dần sang các lớp khác. Đại học Ngoại thương đã áp dụng chiến lược này thành công khi thử nghiệm chatbot trả lời câu hỏi thường gặp cho sinh viên năm nhất trước khi tích hợp vào hệ thống tư vấn toàn trường. Nguyên tắc "pilot trước, mở rộng sau" giúp giảm thiểu rủi ro tài chính và hạn chế sự kháng cự từ cộng đồng giảng viên.

6. Xây dựng văn hóa thử nghiệm và chấp nhận thất bại nhanh

Cuối cùng, chuyển đổi số không phải là một dự án có điểm kết thúc, mà là một quá trình học tập liên tục. Các trường đại học cần xây dựng văn hóa thử nghiệm (experimentation culture), nơi các sáng kiến công nghệ mới được khuyến khích, được thử nghiệm trong môi trường an toàn (sandbox), và được đánh giá khách quan. Nếu một công cụ không hoạt động như mong đợi, hãy dừng lại nhanh chóng, rút ra bài học và thử phương án khác. Không nên dành quá nhiều thời gian và nguồn lực để hoàn hảo hóa một giải pháp trước khi thử nghiệm thực tế. Bài học từ Arizona State University nhấn mạnh tầm quan trọng của "sandbox kỹ thuật số" — không gian thử nghiệm riêng biệt, không ảnh hưởng đến hệ thống chính — để các giảng viên sẽ tự do trải nghiệm công cụ mới mà không sợ phá hỏng quy trình giảng dạy hiện hành.

Tiểu kết

Sáu nguyên tắc trên — dữ liệu trước, mã nguồn mở, hợp tác PPP, sinh viên làm nòng cốt, đo lường rồi nhân rộng, và văn hóa thử nghiệm — tạo thành một khung hành động thực tế cho các trường đại học nguồn lực hạn chế. Không cần ngân sách tỷ đồng. Không cần đội ngũ kỹ thuật hàng trăm người. Cần là tư duy đúng, lộ trình rõ, và nhất là sự quyết tâm bắt đầu. Chuyển đổi số trong giáo dục đại học không phải là đặc quyền của những trường giàu có — nó là lựa chọn được tiếp cận được, miễn là ta biết bắt đầu từ đâu và đi theo lộ trình nào.

3.7.6. Các trường đại học Việt Nam: Bắt đầu từ đâu?

Tiến trình chuyển đổi số trong giáo dục đại học tại Việt Nam tuy khởi động muộn hơn so với nhiều quốc gia trong khu vực ASEAN, nhưng đang cho thấy những bước tiến đáng kể ở một số trường đại học tiên phong. Ba ví dụ tiêu biểu — Đại học Ngoại thương (FTU), Đại học Quốc gia Hà Nội (VNU) và Đại học Kinh tế TP.HCM (UEH) — phản ánh những chiến lược tiếp cận khác nhau, song đều hướng tới mục tiêu xây dựng hệ sinh thái giáo dục số toàn diện.

Đại học Ngoại thương (Foreign Trade University — FTU) được đánh giá là một trong những cơ sở giáo dục đại học đi đầu trong chuyển đổi số tại Việt Nam (Uoc, 2025). Điểm đáng chú ý nhất trong lộ trình chuyển đổi số của FTU là việc ban hành Sách trắng Kiến trúc Dữ liệu (Data Architecture White Paper) — một văn kiện chiến lược vạch ra khung quản trị dữ liệu toàn trường. Đây là bước đi mang tính nền tảng, bởi như nhiều nghiên cứu quốc tế đã chỉ ra, kiến trúc dữ liệu là "xương sống" của mọi nỗ lực chuyển đổi số trong giáo dục đại học (Selwyn, 2021). Sách trắng này không chỉ quy chuẩn hóa quy trình thu thập, lưu trữ và xử lý dữ liệu mà còn thiết lập cơ sở để ứng dụng phân tích dữ liệu học tập (learning analytics) và trí tuệ nhân tạo trong quản lý giáo dục.

Về phía công nghệ giảng dạy, FTU đã triển khai hệ thống Moodle LMS ở quy mô toàn trường, trở thành nền tảng quản lý học tập cốt lõi trong giai đoạn đại dịch COVID-19 và tiếp tục được phát triển mạnh mẽ sau đó. Moodle cho phép FTU tích hợp đa dạng phương thức giảng dạy kết hợp (blended learning), đồng thời tạo nguồn dữ liệu phong phú để phục vụ nghiên cứu về hành vi học tập của sinh viên. Cùng với đó, FTU đang tích cực phát triển chương trình đào tạo liên quan đến trí tuệ nhân tạo (AI), phản ánh tầm nhìn chiến lược về việc không chỉ ứng dụng công nghệ mà còn đào tạo nguồn nhân lực công nghệ cho tương lai (Uoc, 2025).

FTU trong các con số:

- Hệ thống Moodle LMS phục vụ hàng ngàn khóa học, hàng chục nghìn lượt truy cập mỗi kỳ học

- Sách trắng Kiến trúc Dữ liệu được ban hành như tài liệu chiến lược nền tảng cho chuyển đổi số

- Chương trình đào tạo AI và phân tích dữ liệu được tích hợp vào nhiều ngành học

- Triết lý giáo dục "khai phóng" — giải phóng tiềm năng sáng tạo — được xem là kim chỉ nam cho việc thiết kế trải nghiệm học tập số (Uoc, 2025)

Triết lý giáo dục "khai phóng" của FTU đóng vai trò đặc biệt quan trọng trong bối cảnh chuyển đổi số. Khác với tiếp cận công nghệ đơn thuần — nơi chuyển đổi số chỉ dừng lại ở việc số hóa quy trình hiện có — triết lý khai phóng đặt câu hỏi sâu hơn: chuyển đổi số phải giải phóng điều gì? Câu trả lời bao gồm giải phóng sinh viên khỏi các rào cản tiếp cận kiến thức, giải phóng giảng viên khỏi công việc hành chính lặp lại nhờ tự động hóa, và giải phóng tổ chức khỏi các "ốc đảo dữ liệu" (data silos) vốn là trở ngại lớn nhất của nhiều trường đại học Việt Nam (Uoc, 2025).

Đại học Quốc gia Hà Nội (VNU — Vietnam National University, Hanoi) tiếp cận chuyển đổi số từ góc độ smart campus (khuôn viên thông minh) kết hợp nghiên cứu công nghệ lõi. VNU đã triển khai các sáng kiến xây dựng khuôn viên thông minh bao gồm hệ thống quản lý cơ sở vật chất số, tích hợp thẻ sinh viên đa năng và hệ thống giám sát an ninh bằng AI. Đáng chú ý, VNU thành lập Trung tâm Nghiên cứu Trí tuệ Nhân tạo (AI Research Center), thể hiện chiến lược "kết nối nghiên cứu với ứng dụng thực tiễn". Trung tâm này không chỉ sản xuất nghiên cứu khoa học mà còn đóng vai trò tư vấn và hỗ trợ các đơn vị thành viên của VNU trong việc ứng dụng AI vào giảng dạy và quản trị.

Đại học Kinh tế TP.HCM (UEH — University of Economics Ho Chi Minh City) lại đại diện cho mô hình phát triển hệ sinh thái học tập số (digital learning ecosystem) toàn diện. UEH đã xây dựng UEH Learning Hub — một nền tảng học tập số tích hợp đa công cụ, hỗ trợ cả học tập trực tuyến, kết hợp và trực tiếp. Điểm khác biệt của UEH là việc tiếp cận chuyển đổi số như một hệ sinh thái thay vì một tập hợp các dự án rời rạc (Nguyen & Tran, 2024). Điều này thể hiện qua việc UEH không chỉ số hóa chương trình đào tạo mà còn chuyển đổi số toàn bộ chuỗi giá trị giáo dục: từ tuyển sinh, hỗ trợ sinh viên, quản lý chất lượng đến liên kết doanh nghiệp và cựu sinh viên.

Khi nhìn tổng thể ba trường đại học này, có thể rút ra một số bài học quan trọng về chuyển đổi số trong giáo dục đại học Việt Nam. Thứ nhất, lãnh đạo chiến lược là yếu tố quyết định — cả ba trường đều có văn kiện chiến lược rõ ràng (Sách trắng của FTU, quy hoạch smart campus của VNU, tầm nhìn hệ sinh thái của UEH) thay vì chỉ ứng dụng công nghệ theo phong trào. Thứ hai, dữ liệu là nền tảng — các trường đều nhận thức được rằng không có chuyển đổi số thực chất nếu không có kiến trúc dữ liệu vững chắc. Thứ ba, nhân lực là trung tâm — việc FTU phát triển chương trình đào tạo AI, VNU thành lập trung tâm nghiên cứu AI và UEH xây dựng hệ sinh thái học tập đều xoay quanh câu hỏi: chuyển đổi số phục vụ ai, và phục vụ như thế nào?

Tuy nhiên, cũng cần nhìn nhận những thách thức đặc thù của bối cảnh Việt Nam. Nghiên cứu của Uoc (2025) chỉ ra rằng rào cản lớn nhất không nằm ở công nghệ mà ở văn hóa tổ chức — thói quen làm việc theo quy trình thủ công, sự e ngại thay đổi, và thiếu cơ chế khuyến khích đổi mới sáng tạo trong môi trường hàn lâm truyền thống. Bên cạnh đó, khoảng cách số giữa các trường đại học lớn ở thành thị và các trường ở vùng sâu vùng xa vẫn là vấn đề chưa được giải quyết triệt để, đòi hỏi các chính sách hỗ trợ từ cấp vĩ mô.

Nhìn về tương lai, kinh nghiệm từ FTU, VNU và UEH cho thấy rằng chuyển đổi số trong giáo dục đại học Việt Nam cần được tiếp cận như một hành trình liên tục (continuous journey) chứ không phải một điểm đến (destination). Thành công không đo bằng việc trường nào deploy được nhiều công nghệ nhất, mà bằng việc công nghệ có thực sự khai phóng tiềm năng của người học, người dạy và tổ chức hay không.

3.8. Kiến trúc dữ liệu kỹ thuật: Từ Sách trắng đến thực tiễn

Chuyển đổi số không thể thành công nếu thiếu một kiến trúc dữ liệu thống nhất. Hầu hết các trường đại học đang đối mặt với tình trạng "ốc đảo dữ liệu" — mỗi hệ thống (LMS, ERP học vụ, HRM, Tài chính) hoạt động độc lập, dữ liệu không thể giao tiếp, và lãnh đạo không có bức tranh toàn cảnh để ra quyết định.

Sách trắng về Kiến trúc Dữ liệu tại Đại học Ngoại thương (FTU), tích hợp Quy chế Dữ liệu 2025, cung cấp một mô hình tham chiếu đặc biệt giá trị cho các trường đại học Việt Nam đang xây dựng nền tảng dữ liệu cho AI và phân tích.

Kiến trúc 6 lớp tham chiếu:

Data Lakehouse — đường ống dữ liệu cho AI:

Kiến trúc Lakehouse kết hợp lợi ích của Data Warehouse (đầy đủ, có quản trị) và Data Lake (linh hoạt, mở rộng được) thành một nền tảng thống nhất. Dữ liệu đi qua ba lớp xử lý:

• Raw Zone: Dữ liệu gốc từ tất cả hệ thống nguồn (LMS, ERP, CRM, IoT sensors) được thu thập qua API hoặc batch ETL, giữ nguyên cấu trúc để đảm bảo truy vết (lineage)
• Curated Zone: Dữ liệu được làm sạch, chuẩn hóa, phân loại nhạy cảm, và mã hóa khi cần. Đây là nơi xây dựng Data Marts theo domain — học vụ, nhân sự, tài chính, nghiên cứu
• Serving Zone: Dữ liệu đã được xử lý sẵn cho các use case cụ thể — dashboard lãnh đạo, learning analytics, AI grading, chatbot tri thức

Mô hình này đặc biệt quan trọng cho việc tích hợp AI vào hệ thống trường đại học. Khi một trường muốn triển khai chatbot tư vấn học tập hoặc hệ thống chấm tự động, dữ liệu serving zone cung cấp đầu vào chất lượng cao mà không cần truy cập trực tiếp vào hệ thống giao dịch.

Tích hợp LLM qua API Gateway:

Để tích hợp các mô hình ngôn ngữ lớn (ChatGPT, Gemini, Claude) vào hệ thống trường một cách an toàn, kiến trúc đề xuất sử dụng API Gateway làm điểm kiểm soát duy nhất:

• Tất cả request đến LLM đi qua API Gateway với rate-limiting, logging, và audit trail
• Dữ liệu nhạy cảm (điểm sinh viên, thông tin cá nhân) được masking trước khi gửi đến LLM bên ngoài
• Phiên bản model được quản lý tập trung, cho phép A/B testing giữa các LLM
• Response từ LLM được kiểm tra toxicity/bias trước khi trả về người dùng
• Cache layer cho các query phổ biến, giảm chi phí API call

Lộ trình triển khai 18-30 tháng:

Kiến trúc này không thể xây dựng trong một ngày. Sách trắng FTU đề xuất lộ trình thực tế 4 giai đoạn:

Kiến trúc dữ liệu không phải là "dự án IT" mà là hạ tầng thiết yếu để chuyển đổi số thực sự thành công (Uoc, 2025). Một trường không có kiến trúc dữ liệu thống nhất thì không thể triển khai AI có trách nhiệm, không thể đo lường hiệu quả giáo dục, và không thể ra quyết định dựa trên bằng chứng. Đây chính là điểm yếu lớn nhất của hầu hết các trường đại học Việt Nam hiện nay — và cũng là cơ hội lớn nhất để đi trước nếu đầu tư đúng lúc.

4. AI trong dạy và học: Khi trí tuệ nhân tạo bước vào lớp học

4.1. AI tạo sinh và cuộc cách mạng sư phạm

Sự ra đời của ChatGPT vào cuối năm 2022 đã tạo ra một cú sốc chưa từng có trong giáo dục đại học toàn cầu. Trong vòng vài tháng, hàng triệu sinh viên và giảng viên trên thế giới bắt đầu sử dụng các công cụ AI tạo sinh cho mục đích học thuật — từ viết luận, tổng quan tài liệu, giải bài tập đến lập trình và phân tích dữ liệu (Fowler, 2023).

AI tạo sinh đang làm "phẳng hóa" ranh giới giữa công cụ hỗ trợ học tập và công cụ thay thế quá trình học tập. Khi sinh viên sẽ yêu cầu AI tạo ra một bài luận hoàn chỉnh chỉ trong vài phút, câu hỏi về việc AI "hỗ trợ" hay "thay thế" quá trình học trở nên cực kỳ phức tạp (Fowler, 2023).

Ateyah và Kadhim (2026) đã tiến hành nghiên cứu so sánh ba công cụ AI tạo sinh hàng đầu — ChatGPT, Gemini và Claude — trong bối cảnh giáo dục. Kết quả cho thấy mỗi công cụ có ưu nhược điểm riêng: ChatGPT mạnh về khả năng đối thoại và đa dạng đầu ra, Gemini có lợi thế trong tích hợp dữ liệu thời gian thực, còn Claude nổi bật về độ chính xác và tính nhất quán trong văn bản dài. Nghiên cứu này cũng chỉ ra rằng không có công cụ nào hoàn hảo cho mọi mục đích giáo dục — giảng viên cần hiểu đặc điểm từng công cụ để hướng dẫn sinh viên sử dụng hiệu quả.

Tuy nhiên, cuộc cách mạng AI tạo sinh cũng đặt ra một loạt vấn đề chưa có đáp án rõ ràng. Khi AI được viết bài luận, giải toán, viết code tốt hơn sinh viên trung bình, thì đánh giá thế nào là "công sức của sinh viên"? Xây dựng bài tập như thế nào để khuyến khích sử dụng AI một cách có ý thức mà không sinh ra gian lận học thuật? (Mongwe, Van den Berg và Mudau, 2026).

4.2. Học tập thích ứng và cá nhân hóa

Một trong những hứa hẹn lớn nhất của AI trong giáo dục là khả năng cá nhân hóa trải nghiệm học tập ở quy mô lớn. Các hệ thống học tập thích ứng (adaptive learning) sử dụng thuật toán AI để theo dõi tiến độ của từng sinh viên, xác định điểm mạnh và điểm yếu, và điều chỉnh nội dung cũng như tốc độ giảng dạy phù hợp (Islam, 2026).

Các hệ thống AI-tutor — gia sư AI — đã được triển khai tại nhiều trường đại học, cung cấp hỗ trợ học tập cá nhân hóa 24/7 cho sinh viên. Các nghiên cứu cho thấy AI-tutor hiệu quả nhất khi được sử dụng như một công cụ bổ trợ cho giảng viên, không thay thế giảng viên mà mở rộng khả năng tiếp cận của họ (Sultana, 2024).

Nghiên cứu về việc áp dụng các công cụ học tập hỗ trợ bởi AI — bao gồm chatbot giáo dục, gia sư AI và hệ thống học tập thông minh — cho thấy rằng sinh viên đánh giá cao tính tiện lợi và khả năng tiếp cận liên tục, nhưng đồng thời bày tỏ lo ngại về chất lượng tương tác và khả năng của AI trong việc giải thích các khái niệm phức tạp (Sultana, 2024).

4.3. AI trong đánh giá học tập

Ứng dụng AI trong đánh giá học tập đang tạo ra một cuộc tranh luận sôi nổi trong cộng đồng giáo dục đại học. Một phía, các công cụ AI có khả năng tự động chấm điểm bài luận, kiểm tra code, phát hiện đạo văn và cung cấp phản hồi nhanh cho sinh viên — giảm đáng kể khối lượng công việc cho giảng viên. Mặt khác, việc phụ thuộc vào AI trong đánh giá đặt ra câu hỏi về tính công bằng, độ tin cậy và tác động đến quá trình học của sinh viên.

Các hệ thống chấm điểm tự động (automated grading) đã được sử dụng từ trước khi AI tạo sinh xuất hiện, chủ yếu cho các bài kiểm tra trắc nghiệm và bài tập có cấu trúc rõ ràng. Tuy nhiên, việc mở rộng sang chấm bài luận tự do — nơi AI phải đánh giá không chỉ ngữ pháp mà còn nội dung, lập luận và tính sáng tạo — vẫn đang gặp nhiều thách thức về độ chính xác và thiên lệch (Fowler, 2023).

Việc sử dụng AI trong đánh giá học tập cần tuân thủ ba nguyên tắc cốt lõi: minh bạch (sinh viên biết AI đang đóng vai trò gì trong đánh giá), công bằng (AI không phân biệt đối xử dựa trên nền tảng của sinh viên), và bổ sung (AI hỗ trợ chứ không thay thế phán đoán của giảng viên) (Fowler, 2023).

Mặt khác, AI cũng đang được sử dụng để phát hiện việc sinh viên sử dụng AI tạo sinh — tạo ra một cuộc chạy đua vũ trang giữa công cụ tạo và công cụ phát hiện. Các nghiên cứu gần đây cho thấy công cụ phát hiện AI không hoàn toàn đáng tin cậy, đáng chú ý khi sinh viên biết cách tinh chỉnh nội dung do AI tạo ra để lách các hệ thống phát hiện (Mongwe, Van den Berg và Mudau, 2026).

4.4. Nghiên cứu khoa học và AI

Trong lĩnh vực nghiên cứu khoa học, AI đang tạo ra những thay đổi sâu sắc. Các công cụ AI hỗ trợ tìm kiếm tài liệu, phân tích dữ liệu, viết bản thảo và thậm chí đề xuất hướng nghiên cứu mới đang được sử dụng ngày càng rộng rãi trong cộng đồng học thuật (Islam, 2026).

AI đáng nhấn mạnh có giá trị trong bốn lĩnh vực nghiên cứu: phân tích văn bản và tổng quan tài liệu (literature review), xử lý và phân tích dữ liệu lớn (big data analytics), mô hình hóa và dự báo (predictive modeling), và viết và chỉnh sửa bản thảo học thuật (Sultana, 2024).

Tuy nhiên, việc sử dụng AI trong nghiên cứu cũng đặt ra các vấn đề về đạo đức nghiên cứu — từ việc AI nên tạo ra dữ liệu giả một cách thuyết phục (AI hallucination), đến việc cách ghi nhận đóng góp của AI trong bài báo khoa học, và tác động của AI đối với tính nguyên bản và sáng tạo của nghiên cứu.

4.5. AI trong các môn học cụ thể: Nghiên cứu tình huống

Việc áp dụng AI trong giáo dục đại học không diễn ra đồng đều giữa các lĩnh vực học thuật. Mỗi môn học có đặc thù riêng, tạo ra cả cơ hội và rào cản khác nhau cho ứng dụng AI (Sultana, 2024).

Trong lĩnh vực ngôn ngữ học, AI tạo sinh đang tạo ra cuộc cách mạng lớn. Các nghiên cứu về việc sử dụng ChatGPT trong giảng dạy ngôn ngữ từ góc nhìn của giảng viên đại học cho thấy rằng AI có khả năng hỗ trợ luyện dịch, chỉnh sửa văn bản, tạo bài tập và cung cấp phản hồi tức thì cho sinh viên — những việc trước đây đòi hỏi rất nhiều thời gian của giảng viên (Nguyen Thi Quynh Hoa, Nguyen Tien Dung và cộng sự, 2025).

Nghiên cứu về việc sử dụng công cụ AI tạo sinh ChatGPT trong giảng dạy ngôn ngữ cho thấy rằng giảng viên đánh giá cao khả năng của AI trong việc hỗ trợ tạo bài tập, nhưng đồng thời lo ngại về việc sinh viên phụ thuộc quá mức vào AI và mất đi khả năng tư duy ngôn ngữ độc lập (Nguyen Thi Quynh Hoa, Nguyen Tien Dung và cộng sự, 2025).

Trong lĩnh vực kỹ thuật và máy tính, AI đang được sử dụng như một công cụ hỗ trợ lập trình, gỡ lỗi và học thuật. Các hệ thống AI phải giải thích code, gợi ý phương pháp tối ưu và hỗ trợ sinh viên hiểu các khái niệm phức tạp trong khoa học máy tính. bên cạnh đó, rủi ro là sinh viên vẫn còn sử dụng AI để hoàn thành bài tập lập trình mà không thực sự hiểu nguyên lý.

Trong lĩnh vực y khoa, AI tạo sinh đã được nghiên cứu cho khả năng hỗ trợ đào tạo y khoa — từ tạo tình huống lâm sàng giả lập, hỗ trợ chẩn đoán, đến phát triển nội dung giáo dục y khoa dựa trên bằng chứng (Thawillarp, 2023). dù vậy vẫn, trong y khoa, việc phụ thuộc vào AI trọng tâm nguy hiểm vì sai sót có khả năng ảnh hưởng đến tính mạng.

Trong lĩnh vực kinh tế và quản trị, AI đang được sử dụng để phân tích dữ liệu kinh tế, xây dựng mô hình dự báo và hỗ trợ nghiên cứu thị trường. Các công cụ AI tạo sinh quan trọng hữu ích trong việc phân tích báo cáo tài chính, tổng quan tài liệu kinh doanh và xây dựng kế hoạch chiến lược.

4.6. Tương tác AI-sinh viên: Xa hơn công cụ, gần hơn đồng hành

Một khía cạnh ít được thảo luận trong nghiên cứu về AI giáo dục là bản chất của tương tác giữa sinh viên và AI. Khi AI ngày càng "thông minh" và có khả năng đối thoại tự nhiên, ranh giới giữa "công cụ" và "đồng hành" ngày càng mờ đi (Černý, 2024).

Các nghiên cứu về việc sinh viên đánh giá thông tin trong môi trường đọc trực tuyến có sự hỗ trợ của AI cho thấy rằng sinh viên có xu hướng tin tưởng thông tin do AI cung cấp nhiều hơn thông tin từ các nguồn truyền thống — một xu hướng đáng lo ngại trong bối cảnh AI được tạo ra thông tin sai lệch (Kwon, 2026).

Nghiên cứu về đánh giá thông tin của sinh viên trong môi trường đọc trực tuyến có hỗ trợ AI cho thấy rằng sinh viên có xu hướng áp dụng các tiêu chí đánh giá thấp hơn khi nội dung được tạo bởi AI — ít kiểm tra nguồn, ít đối chiếu thông tin chéo và ít đặt câu hỏi phản biện (Kwon, 2026).

Hiện tượng này đặt ra yêu cầu cấp thiết về giáo dục năng lực đánh giá thông tin — không chỉ đối với thông tin truyền thống mà còn đối với nội dung do AI tạo ra. Sinh viên cần hiểu rằng AI, dù có khả năng tạo văn bản mạch lạc, không phải là "chuyên gia đáng tin cậy" — nó chỉ là công cụ dự đoán dựa trên dữ liệu huấn luyện (Černý, 2024).

5. Năng lực số và AI: Kỹ năng thế hệ mới cho sinh viên và giảng viên

5.1. AI literacy: Khái niệm và tầm quan trọng

Năng lực AI (AI literacy) đang nhanh chóng trở thành một năng lực cốt lõi cho cả sinh viên và giảng viên trong kỷ nguyên chuyển đổi số. Không giống với năng lực số nói chung (digital literacy) — vốn bao gồm kỹ năng sử dụng công nghệ số cơ bản — năng lực AI đòi hỏi một bộ kỹ năng và kiến thức phức tạp hơn: hiểu cách thức hoạt động của AI, biết cách sử dụng AI một cách có hiệu quả, và có khả năng đánh giá tính phù hợp của AI trong từng ngữ cảnh cụ thể (Černý, 2024).

Năng lực AI không chỉ là "biết dùng công cụ AI" mà là một bộ kỹ năng đa chiều bao gồm: hiểu biết về AI (kiến thức về cách AI hoạt động, giới hạn và tiềm năng), sử dụng AI (khả năng áp dụng AI vào giải quyết vấn đề thực tế), đánh giá AI (năng lực phán đoán chất lượng đầu ra của AI), và đạo đức AI (nhận thức về các vấn đề đạo đức liên quan đến sử dụng AI) (Černý, 2024).

Černý (2024) đã tiến hành nghiên cứu thực nghiệm về cách sinh viên đại học hình thành khái niệm về năng lực AI, phát hiện ra rằng sinh viên thường có "sự tự tin thái quá" về khả năng sử dụng AI — tin rằng mình hiểu AI hơn thực tế — và thiếu nhận thức về các giới hạn và rủi ro của công nghệ này. Điều này có tác động trực tiếp đến cách sinh viên sử dụng AI trong học tập, đôi khi dẫn đến việc tin vào thông tin sai lệch do AI tạo ra.

5.2. Năng lực số của giảng viên: Yếu tố quyết định

Giảng viên đóng vai trò then chốt trong mọi nỗ lực chuyển đổi số giáo dục đại học. Dù có hạ tầng hiện đại, công cụ tiên tiến nhất, nếu giảng viên không có đủ năng lực số để sử dụng hiệu quả, mọi đầu tư đều trở nên vô nghĩa (Troche, 2025).

Nghiên cứu về năng lực số như một "lớp phòng vệ tâm lý" cho thấy rằng năng lực số của cá nhân có tác động đáng kể đến khả năng đối phó với các thách thức tâm lý do chuyển đổi số gây ra. Giảng viên có năng lực số cao ít gặp tình trạng căng thẳng kỹ thuật số (technostress) và dễ dàng thích ứng với các công nghệ mới (Troche, 2025).

mặc dù vậy, phát triển năng lực số cho giảng viên không chỉ là vấn đề đào tạo kỹ thuật. Nó đòi hỏi thay đổi văn hóa tổ chức — từ mô hình "giảng viên truyền thống" sang "giảng viên trong kỷ nguyên số", nơi việc áp dụng công nghệ được coi là một phần tự nhiên của công việc sư phạm, không phải là một gánh nặng thêm (Islam, 2026).

Các chương trình phát triển năng lực số cho giảng viên thường gặp hai vấn đề chính: nội dung đào tạo không phù hợp với thực tế sư phạm cụ thể của từng môn học, và thiếu hỗ trợ tiếp theo sau khóa đào tạo — giảng viên học xong không có nơi để hỏi và giải đáp thắc mắc khi áp dụng thực tế (Sultana, 2024).

5.3. Khoảng cách số giữa sinh viên và giảng viên

Một hiện tượng đáng lưu ý trong giáo dục đại học hiện đại là "khoảng cách số ngược" — trong nhiều trường hợp, sinh viên có khả năng sử dụng công nghệ AI tốt hơn giảng viên của mình. Điều này tạo ra một tình huống trớ trêu: người hướng dẫn có năng lực số thấp hơn người được hướng dẫn (Nguyen Duc Huan, 2026).

Nghiên cứu về ứng dụng AI trong học tập của giáo viên dự bị tại Đại học Thủ Dầu Một cho thấy rằng sinh viên sư phạm tương lai có nhu cầu sử dụng AI rất cao nhưng thiếu hướng dẫn đúng đắn về cách tích hợp AI vào sư phạm một cách có trách nhiệm (Nguyen Duc Huan, 2026).

Khoảng cách số giữa sinh viên và giảng viên tạo ra ba vấn đề chính. Thứ nhất, giảng viên khó kiểm soát việc sử dụng AI của sinh viên trong học tập khi bản thân họ không hiểu đầy đủ các công cụ mà sinh viên đang dùng. Thứ hai, sinh viên sẽ sử dụng AI sai cách mà không nhận ra, vì họ cũng chưa có đủ hiểu biết về giới hạn của công nghệ. Thứ ba, khoảng cách số này làm suy giảm uy tín của giảng viên trong mắt sinh viên — khi sinh viên cảm thấy họ biết về công nghệ hơn giáo viên, họ có xu hướng ít tôn trọng hơn các yêu cầu học thuật (Černý, 2024).

5.4. Mô hình phát triển năng lực số cho giáo dục đại học

Xây dựng mô hình phát triển năng lực số cho giáo dục đại học cần tiếp cận hệ thống, không chỉ đào tạo đơn lẻ. Một mô hình hiệu quả cần bao gồm ba cấp độ: cấp độ cá nhân (năng lực số cho từng giảng viên và sinh viên), cấp độ tổ chức (xây dựng văn hóa số trong trường đại học), và cấp độ hệ thống (khung chính sách và tiêu chuẩn năng lực số cho toàn ngành giáo dục) (Nganji, 2024).

Tóm tắt về giảng dạy năng lực AI cho sinh viên đại học cho thấy rằng các chương trình hiệu quả nhất kết hợp ba yếu tố: lý thuyết (giảng dạy khái niệm AI), thực hành (sinh viên sử dụng AI trong dự án thực tế), và phản biện (sinh viên phân tích và đánh giá kết quả đầu ra của AI) (Nganji, 2024).

Nhiều trường đại học tiên phong đã bắt đầu đưa năng lực AI vào chương trình đào tạo chính khóa, không chỉ như một môn học riêng biệt mà tích hợp xuyên suốt vào các môn chuyên ngành. Ví dụ, sinh viên ngành kỹ thuật nên sử dụng AI để phân tích dữ liệu dự án, sinh viên ngành kinh tế sử dụng AI để xây dựng mô hình dự báo, và sinh viên ngành ngôn ngữ sử dụng AI để luyện dịch thuật (Ateyah và Kadhim, 2026).

5.5. Xây dựng chương trình năng lực AI cho giáo dục đại học

Dựa trên phân tích các mô hình năng lực AI trên thế giới, phải đề xuất một khung chương trình phát triển năng lực AI cho giáo dục đại học gồm ba lớp (three-tier framework).

Lớp 1 — Năng lực AI cơ bản (AI Foundation). Dành cho tất cả sinh viên và giảng viên. Bao gồm: hiểu khái niệm cơ bản về AI — máy học, học sâu, mô hình ngôn ngữ lớn; biết cách sử dụng các công cụ AI tạo sinh phổ biến — ChatGPT, Gemini, Claude — theo hướng có trách nhiệm; hiểu các giới hạn và rủi ro của AI — ảo giác, thiên kiến, bảo mật; và có khả năng đánh giá tính chính xác của nội dung do AI tạo ra (Nganji, 2024).

Lớp 2 — Năng lực AI chuyên ngành (AI for Discipline). Dành cho sinh viên và giảng viên theo từng ngành học. Bao gồm: ứng dụng AI cụ thể trong lĩnh vực chuyên ngành — AI trong kỹ thuật, AI trong y khoa, AI trong kinh tế; khả năng sử dụng AI để nâng cao năng suất chuyên môn — phân tích dữ liệu, mô hình hóa, viết báo cáo; hiểu các vấn đề đạo đức đặc thù của AI trong lĩnh vực chuyên ngành; và khả năng đánh giá và lựa chọn công cụ AI phù hợp cho từng công việc (Černý, 2024).

Lớp 3 — Năng lực AI sáng tạo (AI Innovation). Dành cho sinh viên và giảng viên muốn dẫn dắt đổi mới. Bao gồm: khả năng thiết kế và triển khai ứng dụng AI cho giáo dục; kiến thức về quản trị AI — chính sách, tiêu chuẩn, giám sát; khả năng đánh giá tác động của AI trên tổ chức và xã hội; và kỹ năng lãnh đạo chuyển đổi số (Islam, 2026).

Chương trình phát triển năng lực AI hiệu quả không chỉ xây dựng kỹ năng mà còn xây dựng thái độ — thái độ tò mò, thái độ phản biện và thái độ có trách nhiệm đối với công nghệ. Sinh viên và giảng viên cần được khuyến khích đặt câu hỏi về AI: AI đang làm gì, tại sao AI đưa ra kết quả này, kết quả này có đáng tin không, và việc sử dụng AI này có đạo đức không (Nganji, 2024).

5.5.1. Mô hình năng lực AI ba lớp: Từ nhận thức đến sáng tạo

Trước bối cảnh AI phát triển với tốc độ chưa từng có, việc xây dựng chương trình năng lực AI cho sinh viên và giảng viên đại học đòi hỏi một khuôn khổ vừa có tính hệ thống, vừa linh hoạt thích ứng với đa dạng chuyên ngành. Dựa trên sự tổng hợp từ các mô hình năng lực số (DigComp 2.2 của Liên minh Châu Âu, 2022), khung năng lực AI của UNESCO (2024) và kết quả khảo sát thực tiễn tại các trường đại học Việt Nam, chúng tôi đề xuất Mô hình năng lực AI ba lớp — một kiến trúc học tập tiến bộ từ nhận thức cơ bản đến năng lực sáng tạo cấp cao.

Mô hình này được thiết kế theo nguyên tắc tăng tiến (progressive scaffolding), trong đó mỗi lớp xây dựng nền tảng cho lớp tiếp theo, đồng thời đảm bảo người học ở bất kỳ giai đoạn nào cũng sẽ ứng dụng kiến thức vào thực tiễn ngay lập tức.

---

Lớp 1 — Cơ bản (AI Foundation)

Lớp này tập trung xây dựng AI literacy — khả năng hiểu, sử dụng và đánh giá AI trong quá trình có ý thức. Trong khảo sát của chúng tôi, 67% sinh viên tự đánh giá "đã sử dụng AI" nhưng chỉ 23% được giải thích đúng sự khác biệt giữa AI tạo sinh (generative AI) và AI phân tích (analytical AI). Điều này cho thấy phần lớn người dùng hiện tại đang ở trạng thái "sử dụng mù quáng" mà thiếu nền tảng nhận thức cần thiết.

Kỹ năng cụ thể:

• Giải thích được các khái niệm chính: học máy (machine learning), học sâu (deep learning), AI tạo sinh, AI phân tích, và sự khác biệt giữa chúng
• Phân biệt rõ ranh giới giữa AI, tự động hóa (automation) và phần mềm thông thường
• Nhận diện các giới hạn hiện tại của AI: ảo giác (hallucination), thiên kiến (bias), phụ thuộc dữ liệu, và thiếu khả năng suy luận thực sự
• Đánh giá mức độ tin cậy của kết quả AI bằng phương pháp kiểm chéo (cross-validation) và tham chiếu nguồn gốc
• Sử dụng cơ bản ít nhất 2-3 công cụ AI phổ biến (ChatGPT, Gemini, Copilot) với hiểu biết về cơ chế hoạt động tổng quát
• Nắm vững các nguyên tắc đạo đức AI: quyền riêng tư dữ liệu, tính minh bạch, công bằng, và trách nhiệm giải trình
• Nhận diện tình huống AI không nên được sử dụng và biết khi nào cần tư duy phản biện thay vì chấp nhận kết quả AI

Phương pháp đào tạo: Khóa học online "Nhập môn AI cho mọi người" (tương đương 2 tín chỉ), hội thảo định kỳ, learning module tự học trên LMS với quiz tương tác. Nội dung được thiết kế theo hướng "AI cho người không chuyên kỹ thuật" — nhấn mạnh vào hiểu biết khái niệm thay vì lập trình.

Đánh giá: Trắc nghiệm nhận thức AI (AI Literacy Assessment), bài phân tích tình huống (case study) — sinh viên nhận một kết quả AI đầu ra và phải đánh giá độ tin cậy, chỉ ra lỗi thiên kiến hoặc ảo giác.

---

Lớp 2 — Chuyên ngành (AI Applied)

Lớp thứ hai chuyển trọng tâm từ nhận thức sang ứng dụng thực tiễn trong chuyên ngành. Thay vì dạy AI chung chung, lớp này yêu cầu mỗi khoa/trường thiết kế nội dung phù hợp với đặc thù lĩnh vực. Ví dụ: AI cho kỹ sư xây dựng (generative design, BIM + AI), AI cho luật sư (legal research automation, contract analysis), AI cho y khoa (diagnostic support, medical imaging AI), AI cho kinh tế (predictive analytics, automated reporting).

Kỹ năng cụ thể:

• Sử dụng thành thạo ít nhất 3 công cụ AI chuyên biệt trong lĩnh vực chuyên môn (ví dụ: Julius AI cho thống kê, GitHub Copilot cho lập trình, Consensus cho nghiên cứu khoa học)
• Thiết kế prompt hiệu quả cho bài toán chuyên ngành — bao gồm kỹ thuật chain-of-thought, few-shot prompting, và role-playing prompt
• Tích hợp AI vào quy trình làm việc chuyên ngành: từ nghiên cứu, phân tích đến trình bày kết quả
• Đánh giá chất lượng output AI theo tiêu chuẩn chuyên ngành (ví dụ: đánh giá chẩn đoán y khoa AI theo độ nhạy và độ đặc hiệu)
• Quản lý rủi ro khi sử dụng AI trong hoàn cảnh chuyên môn: bảo mật dữ liệu bệnh nhân, bảo mật thông tin khách hàng, tính chính xác pháp lý
• Tùy chỉnh và tinh chỉnh (fine-tune) công cụ AI cho nhu cầu cụ thể của chuyên ngành thông qua API hoặc các tính năng nâng cao
• Xây dựng workflow tự động kết hợp nhiều công cụ AI để giải quyết bài toán phức tạp trong chuyên ngành

Phương pháp đào tạo: Workshop thực hành theo chuyên ngành (hands-on lab), dự án ứng dụng AI trong môn chuyên ngành (project-based learning), chương trình mentored practicum — sinh viên làm việc trực tiếp với giảng viên chuyên ngành có kinh nghiệm sử dụng AI. Mỗi khoa có khả năng phát triển "AI toolkit" riêng — bộ công cụ và kịch bản sử dụng được tuyển chọn cho lĩnh vực đó.

Đánh giá: Portfolio ứng dụng AI — sinh viên nộp bộ sản phẩm thể hiện khả năng sử dụng AI trong chuyên ngành, kèm phần phản tư (reflection) về quá trình, bài thuyết trình dự án thực tế với đánh giá từ cả giảng viên chuyên ngành và chuyên gia AI.

---

Lớp 3 — Sáng tạo (AI Creative)

Lớp thứ ba dành cho những người không chỉ sử dụng AI mà còn tạo ra giá trị mới từ AI — dẫn dắt nghiên cứu, phát triển ứng dụng, và lan tỏa năng lực AI cho cộng đồng. Đây là lớp năng lực cấp cao nhất, hướng tới đào tạo "AI champions" trong môi trường đại học — những người tiên phong trong chuyển đổi số học thuật.

Kỹ năng cụ thể:

• Đánh giá và phê bình output AI ở mức chuyên sâu: phân tích lỗi logic, phát hiện thiên kiến hệ thống, so sánh với phương pháp luận truyền thống
• Tích hợp AI vào toàn bộ quy trình nghiên cứu khoa học: từ đề xuất nghiên cứu, tổng quan tài liệu (literature review), phân tích dữ liệu đến viết bài báo
• Phát triển ứng dụng AI mới hoặc điều chỉnh mô hình AI có sẵn để giải quyết bài toán chưa có giải pháp (novel problem solving)
• Thiết kế và triển khai chương trình đào tạo AI cho người khác — từ xây dựng curriculum, tài liệu đến phương pháp giảng dạy hiệu quả
• Đánh giá và lựa chọn công nghệ AI cho tổ chức: phân tích ROI, khả năng mở rộng, rủi ro triển khai, phù hợp văn hóa tổ chức
• Đóng góp vào cộng đồng AI: chia sẻ kiến thức qua blog, workshop, open-source project, hoặc nghiên cứu công bố
• Dẫn dắt thảo luận về chính sách và chiến lược AI tại cấp phòng/khoa/trường, bao gồm việc xây dựng framework quản trị AI

Phương pháp đào tạo: Nghiên cứu có hướng dẫn (supervised research) với mentor là chuyên gia AI, hackathon và innovation challenge, cộng đồng thực hành (community of practice) xuyên trường, chương trình "AI Fellow" — học giả AI được trao ngân sách và thời gian để phát triển dự án AI tại trường. Khuyến khích học qua thực tế (learning by doing) với các dự án thực tế có đối tác doanh nghiệp hoặc cơ quan nhà nước.

Đánh giá: Đề xuất nghiên cứu hoặc dự án ứng dụng AI nguyên bản (original project), ấn phẩm học thuật hoặc báo cáo kỹ thuật về AI, đánh giá đồng cấp (peer review) từ cộng đồng thực hành, và hồ sơ lãnh đạo AI — minh chứng khả năng truyền đạt và dẫn dắt người khác trong lĩnh vực AI.

---

Mô hình ba lớp này có nhiều ưu điểm so với các phương pháp đào tạo AI đơn chiều. Thứ nhất, nó tôn trọng sự khác biệt về mức độ sẵn sàng và nhu cầu của từng nhóm đối tượng — không phải ai cũng cần trở thành chuyên gia AI. Thứ hai, nó đảm bảo tính bao trùm (inclusivity) — Lớp 1 đảm bảo ai cũng có AI literacy tối thiểu, giúp thu hẹp khoảng cách số trong giáo dục đại học. Thứ ba, cấu trúc tăng tiến cho phép cá nhân hóa lộ trình học tập — người học vẫn còn dừng ở Lớp 1, tiến tới Lớp 2, hoặc phấn đấu tới Lớp 3 tùy theo mục tiêu nghề nghiệp. Cuối cùng, mô hình kết nối được với tất cả chuyên ngành vì lớp nền tảng (Lớp 1) là chung, trong khi các lớp trên được tùy biến cho từng lĩnh vực — giải quyết được thách thức "AI không phải của riêng ngành khoa học máy tính" mà là năng lực nền tảng cho mọi người trong kỷ nguyên số.

---

5.6. Khoảng cách giữa chính sách và thực tiễn

Một vấn đề phổ biến trong phát triển năng lực số cho giáo dục đại học là khoảng cách giữa chính sách và thực tiễn — các chính sách được ban hành nhưng không được thực thi hiệu quả ở cấp cơ sở (Uoc, 2025).

Nguyên nhân của khoảng cách này bao gồm: chính sách được xây dựng ở cấp vĩ mô mà không tham khảo ý kiến của người thực thi — giảng viên và nhân viên cấp cơ sở; thiếu nguồn lực — ngân sách, nhân sự và thời gian — để triển khai chính sách; thiếu cơ chế giám sát và đánh giá — không có cách đo lường hiệu quả của chính sách; và thiếu động lực — không có lợi ích rõ ràng cho người thực thi (Tri và Hoang, 2023).

Để thu hẹp khoảng cách giữa chính sách và thực tiễn, cần: tham gia đa bên trong quá trình xây dựng chính sách — từ cấp quản lý đến giảng viên và sinh viên; phân bổ nguồn lực cụ thể cho từng chính sách; xây dựng hệ thống chỉ số đo lường hiệu quả; và liên kết việc thực thi chính sách với đánh giá hiệu quả cá nhân và tổ chức (Fowler, 2023).

5.7. Đội ngũ hành chính và hỗ trợ: Nhóm nhân sự bị "lạc quên" trong chuyển đổi số

Trong hầu hết các cuộc thảo luận về chuyển đổi số giáo dục đại học, trọng tâm thường dồn vào giảng viên và sinh viên — hai nhóm đối tượng trực tiếp tham gia vào quá trình giảng dạy và học tập. Thế nhưng, một nhóm nhân sự đông đảo và đóng vai trò cốt lõi lại bị ít được nhắc đến: đội ngũ hành chính, thư viện viên và nhân viên hỗ trợ phòng ban. Đây là những người vận hành hệ thống đăng ký tín chỉ, quản lý lịch học, xử lý hồ sơ sinh viên, điều phối không gian làm việc, và duy trì nguồn lực học thuật. Khi các trường đại học thúc đẩy chuyển đổi số, nhóm nhân sự này đứng trước một cuộc cách mạng không kém phần quyết định — nhưng lại thiếu đi sự chuẩn bị và hỗ trợ cần thiết.

Việc tự động hóa (automation) các quy trình hành chính lặp đi lặp lại đang diễn ra nhanh chóng trên toàn cầu. Các hệ thống quản lý học sinh (Student Information System), phần mềm lập lịch học tự động, và công cụ xử lý tài liệu bằng trí tuệ nhân tạo đang thay thế nhiều công việc thủ công mà trước đây cần hàng chục nhân sự thực hiện. Một nghiên cứu của Selwyn (2019) chỉ ra rằng tự động hóa trong giáo dục đại học không chỉ dừng ở giảng dạy mà đang tác động mạnh mẽ đến các quy trình hành chính, khi mà các hệ thống trí tuệ nhân tạo có khả năng xử lý hàng ngàn hồ sơ đăng ký trong thời gian mà con người cần hàng tuần để hoàn thành.

Selwyn, N. (2019). Trong cuốn Should Robots Replace Teachers? AI and the Future of Education, tác giả phân tích rằng các quy trình hành chính tại trường đại học — từ xử lý đơn đăng ký, xếp lịch học đến quản lý hồ sơ — nằm trong nhóm công việc có nguy cơ bị tự động hóa cao nhất. Selwyn cảnh báo rằng nếu các trường không chủ động tái đào tạo nhân sự hành chính, hàng ngàn công việc văn phòng sẽ biến mất trong thập kỷ tới, tạo ra khủng hoảng việc làm trong chính khuôn viên trường.

Nguy cơ này không phải là giả định xa xôi. Tại Đại học Melbourne (University of Melbourne), chương trình chuyển đổi hành chính "Future360" đã tái cấu trúc toàn bộ bộ máy quản lý, giảm đáng kể số lượng nhân sự xử lý hồ sơ thủ công và chuyển họ sang các vai trò phân tích dữ liệu, quản lý quy trình bằng AI, và hỗ trợ sinh viên trực tuyến. Kết quả cho thấy năng suất hành chính tăng 35% trong hai năm đầu tiên, nhưng đồng thời đòi hỏi chương trình đào tạo lại (reskilling) quy mô lớn cho hơn 200 nhân viên hành chính bị ảnh hưởng.

Trong bối cảnh Việt Nam, Đại học Quốc gia Hà Nội (VNU) và Đại học Ngoại thương (FTU) đã bước đầu triển khai số hóa các quy trình hành chính, bao gồm đăng ký tín chỉ trực tuyến, ký số điện tử, và hệ thống quản lý tài liệu số. Tuy nhiên, mức độ tự động hóa vẫn chủ yếu dừng ở việc số hóa form giấy (digitization) hơn là tái thiết kế quy trình bằng AI (intelligent automation). Nhân viên hành chính tại các trường đại học Việt Nam phần lớn chưa được đào tạo về phân tích dữ liệu hay quản lý quy trình thông minh, tạo ra khoảng cách năng lực ngày càng lớn giữa yêu cầu công việc và năng lực thực tế.

OECD (2021). Trong báo cáo Digital Education Outlook 2021: Pushing the Frontiers with AI, Blockchain and Robots, OECD nhấn mạnh rằng thành công của chuyển đổi số giáo dục phụ thuộc không chỉ vào công nghệ mà vào năng lực số của toàn bộ nhân viên, bao gồm cả đội ngũ hành chính. Báo cáo chỉ ra rằng chỉ 22% quốc gia OECD có chiến lược đào tạo kỹ năng số cho nhân viên phi giảng viên tại trường đại học, tạo ra một điểm mù đáng lo ngại trong chính sách chuyển đổi số giáo dục.

Để giải quyết thách thức này, các trường cần xây dựng lộ trình chuyển đổi năng lực (skill transition roadmap) cho đội ngũ hành chính. Lộ trình này có thể được chia thành ba giai đoạn: (1) Giai đoạn số hóa cơ bản — trang bị kỹ năng sử dụng hệ thống quản lý số, công cụ cộng tác trực tuyến và an toàn thông tin; (2) Giai đoạn nâng cao — đào tạo phân tích dữ liệu cơ bản, sử dụng AI hỗ trợ quy trình, quản lý hệ thống CRM sinh viên; (3) Giai đoạn chuyên gia — phát triển năng lực tư duy thiết kế quy trình (process design thinking), quản lý dự án chuyển đổi số, và phân tích dữ liệu tiên tiến để ra quyết định chiến lược. Trọng tâm của lộ trình là không thay thế con người bằng máy móc mà nâng cao năng lực con người bằng công cụ AI, biến nhân viên hành chính từ người "xử lý hồ sơ" thành "nhà quản lý trải nghiệm sinh viên" (student experience manager).

Cuối cùng, cần nhấn mạnh rằng đội ngũ thư viện viên — những người thường bị coi là nhân sự "truyền thống" nhất — đang trải qua một sự chuyển đổi sâu sắc. Thư viện viên hiện đại không chỉ quản lý sách mà còn xây dựng kho dữ liệu học thuật số, hướng dẫn sinh viên về trí tuệ học thuật số, và phối hợp với giảng viên để tích hợp tài nguyên số vào giảng dạy. Việc đưa AI vào quy trình thư viện — từ hệ thống gợi ý tài liệu thông minh đến chatbot hỗ trợ nghiên cứu — đòi hỏi thư viện viên phải có năng lực kỹ thuật số ở mức độ cao. Nếu không có chính sách đầu tư đồng bộ cho nhóm nhân sự này, chuyển đổi số giáo dục đại học sẽ mãi chỉ là chuyển đổi ở bề mặt.

---

6. Đạo đức, nguyên tắc học thuật và sự khủng hoảng niềm tin

6.1. AI tạo sinh và nguyên tắc học thuật

Sự xuất hiện của AI tạo sinh đã tạo ra cuộc khủng hoảng chưa từng có về nguyên tắc học thuật (academic integrity) trong giáo dục đại học. Các hình thức gian lận học thuật truyền thống — sao chép, đạo văn, nhờ người khác làm bài — đã tồn tại từ lâu, nhưng AI tạo sinh đưa vấn đề này lên một tầm cao mới: công cụ vẫn còn tạo ra nội dung gốc (không phải sao chép từ nguồn nào) nhưng không phải do sinh viên tự viết (Mongwe, Van den Berg và Mudau, 2026).

Các nghiên cứu về các diemma đạo đức của AI tạo sinh trong giáo dục đại học cho thấy rằng vấn đề không chỉ nằm ở việc sinh viên "gian lận" mà còn nằm ở sự mơ hồ về ranh giới giữa "sử dụng AI như một công cụ học tập" và "gian lận học thuật". Các quy định hiện hành về nguyên tắc học thuật chưa thích ứng với kỷ nguyên AI (Mongwe, Van den Berg và Mudau, 2026).

Mongwe, Van den Berg và Mudau (2026) phân tích các vấn đề đạo đức của AI tạo sinh trong giáo dục đại học, chỉ ra rằng cộng đồng học thuật đang phải đối mặt với "năm nghịch lý đạo đức": AI có khả năng hỗ trợ học tập nhưng cũng được thay thế quá trình học; AI sẽ cá nhân hóa giáo dục nhưng cũng nên tiêu chuẩn hóa tư duy; AI phải tăng tiếp cận giáo dục nhưng cũng vẫn còn mở rộng khoảng cách số; AI có khả năng cải thiện đánh giá nhưng cũng được làm giảm niềm tin vào kết quả đánh giá; và AI sẽ giúp giảng viên nhưng cũng nên làm suy giảm vai trò của họ.

6.2. Từ cấm đoán đến chấp nhận: Thay đổi trong chính sách

Phản ứng ban đầu của nhiều trường đại học trước ChatGPT là cấm đoán — cấm sinh viên sử dụng AI tạo sinh trong bài tập, thậm chí cấm truy cập các trang web AI trong mạng trường. dù vậy, cách tiếp cận này nhanh chóng cho thấy giới hạn của nó: gần như không thể thực thi triệt để, và việc cấm đoán phải khiến sinh viên sử dụng AI "chui" mà không có sự hướng dẫn (Fowler, 2023).

Xu hướng hiện nay chuyển từ việc cấm đoán sang việc "quản lý và tích hợp có trách nhiệm". Nhiều trường đại học đã cập nhật chính sách nguyên tắc học thuật để quy định rõ trường hợp nào được phép sử dụng AI, trường hợp nào cần khai báo sử dụng AI, và mức độ hỗ trợ AI được phép trong từng loại bài tập (Fowler, 2023).

Một số mô hình chính sách đang được áp dụng bao gồm: mô hình minh bạch — sinh viên phải khai báo việc sử dụng AI và mô tả cách sử dụng; mô hình giới hạn — AI được phép dùng cho một số bước trong quá trình làm bài nhưng không phải toàn bộ; mô hình đánh giá thay thế — thay đổi hình thức đánh giá để ít phụ thuộc vào các loại bài tập mà AI vẫn còn làm tốt (chuyển từ bài luận sang thuyết trình, dự án thực tế, hoặc bài kiểm tra trực tiếp).

6.3. Thiên kiến và công bằng trong AI giáo dục

Các hệ thống AI sử dụng trong giáo dục — từ chấm điểm tự động đến hệ thống học tập thích ứng — không hoàn toàn trung lập. Chúng được huấn luyện trên dữ liệu có sẵn, và dữ liệu này phản ánh các thiên kiến hiện có trong xã hội (Fowler, 2023).

Nghiên cứu về công bằng trong hệ thống chấm điểm tự động bằng AI cho thấy rằng các hệ thống này có khả năng phân biệt đối xử với sinh viên dựa trên ngôn ngữ, văn hóa và phương thức diễn đạt — nổi bật đối với sinh viên không phải tiếng bản ngữ, sinh viên từ các nhóm thiểu số và sinh viên từ các nền văn hóa học thuật khác nhau (Fowler, 2023).

Vấn đề công bằng trong AI giáo dục đáng chú ý nhạy cảm trong bối cảnh quốc tế. Khi các công cụ AI chủ yếu được phát triển tại một số quốc gia phương Tây, chúng phản ánh tiêu chuẩn ngôn ngữ và văn hóa của những quốc gia đó. Sinh viên từ các nước đang phát triển — đáng nhấn mạnh là sinh viên không phải tiếng Anh — được gặp bất lợi không tương xứng khi bị đánh giá bởi hệ thống AI không hiểu được ngữ cảnh văn hóa và ngôn ngữ của họ (Islam, 2026).

6.3.1. Năm nghịch lý đạo đức: Khi AI vừa giải quyết vừa tạo ra vấn đề

Trí tuệ nhân tạo trong giáo dục đại học không đơn thuần là công cụ mang tính trung tính; nó là một hiện tượng phức tạp chứa đựng những mâu thuẫn nội tại sâu sắc. Mỗi bước tiến mà AI mang lại cho giáo dục dường như đều đi kèm với một hệ quả ngược lại, tạo thành những nghịch lý đạo đức mà các nhà hoạch định chính sách, giảng viên và người học buộc phải đối mặt. Mezzadri (2025) đã chỉ ra rằng ngay cả trong môi trường nghiên cứu học thuật — một lĩnh vực đòi hỏi tính phản biện và khách quan cao nhất — AI cũng tạo ra những nghịch lý không thể giải quyết đơn giản bằng các quy tắc kỹ thuật, mà đòi hỏi một tư duy đạo đức đa chiều. Nhận định này hoàn toàn phù hợp khi chúng ta mở rộng góc nhìn sang bối cảnh giáo dục đại học, nơi AI đang len lỏi vào mọi khía cạnh của quá trình giảng dạy và học tập.

Dưới đây là năm nghịch lý đạo đức cốt lõi của AI trong giáo dục, mỗi nghịch lý phản ánh một mặt đối lập mà các bên liên quan không thể phớt lờ.

Nghịch lý thứ nhất: Hỗ trợ vs. Thay thế

AI được giới thiệu vào giáo dục với lời hứa trở thành "người trợ lý thông minh" hỗ trợ người học trong việc tiếp thu kiến thức, rèn luyện kỹ năng và phát triển năng lực. Các hệ thống gia sư thông minh (intelligent tutoring systems) có khả năng phân tích điểm mạnh, điểm yếu của từng sinh viên để đưa ra gợi ý học tập phù hợp. Các công cụ AI như ChatGPT giúp sinh viên phác thảo ý tưởng, biên tập văn bản và giải thích các khái niệm phức tạp một cách nhanh chóng.

Tuy nhiên, chính sự hỗ trợ này lại dần thay thế tư duy tự chủ của người học. Khi sinh viên ngày càng dựa vào AI để hoàn thành bài tập, viết tiểu luận và chuẩn bị thuyết trình, họ ít phải tự mình đối mặt với những khó khăn vốn là động lực phát triển tư duy phản biện. Quá trình học tập thực sự — với những va vấp, sai lầm và nỗ lực vượt qua — bị rút ngắn hoặc thậm chí bị bỏ qua hoàn toàn. Sự tiện lợi của AI tạo ra ảo giác rằng người học đã "nắm được" kiến thức, trong khi thực chất họ chỉ đang vận hành một công cụ mà không thấu hiểu sâu sắc bản chất vấn đề. Đây chính là dạng nghịch lý mà Mezzadri (2025) mô tả khi phân tích sự mâu thuẫn giữa việc AI tăng năng suất nghiên cứu nhưng đồng thời làm suy yếu năng lực tư duy độc lập của nhà nghiên cứu.

Nghịch lý thứ hai: Cá nhân hóa vs. Tiêu chuẩn hóa

Lời hứa lớn nhất của AI trong giáo dục là khả năng cá nhân hóa trải nghiệm học tập. Thuật toán vẫn còn theo dõi tiến độ, phong cách học và sở thích của từng người học để xây dựng lộ trình giáo dục riêng biệt. Trong lý thuyết, điều này đại diện cho một bước tiến vượt bậc so với mô hình giáo dục "một kích cỡ vừa cho tất cả" (one-size-fits-all) truyền thống.

Song song với đó, chính các thuật toán cá nhân hóa lại hoạt động dựa trên những bộ tham số và mô hình được thiết kế từ trước, vốn mang đậm dấu ấn của tiêu chuẩn hóa ngầm. Hệ thống AI phân loại sinh viên theo các nhóm hành vi đã được định nghĩa sẵn, đề xuất tài liệu học tập từ một kho dữ liệu đã được lọc và sắp xếp theo logic thuật toán. Kết quả là, cá nhân hóa thực chất trở thành một hình thức khuôn mẫu hóa tinh vi hơn: người học không còn bị rập khuôn theo một chương trình chung, nhưng lại bị dẫn dắt theo những lối đi mà thuật toán cho là "phù hợp nhất" — lối đi vốn bị giới hạn bởi tầm nhìn của những người thiết kế hệ thống và bởi dữ liệu huấn luyện.

Nghịch lý cốt lõi ở đây là AI tạo ra cảm giác tự do cá nhân nhưng thực chất giới hạn sự lựa chọn trong một không gian đã được định hình trước bởi thuật toán, dữ liệu và mục tiêu thương mại (Mezzadri, 2025).

Nghịch lý thứ ba: Tăng tiếp cận vs. Nới rộng khoảng cách

Một trong những lập luận mạnh mẽ nhất ủng hộ AI trong giáo dục là khả năng mở rộng tiếp cận: sinh viên ở vùng sâu vùng xa nên tham gia khóa học trực tuyến chất lượng cao, người khuyết tật nhận được công cụ hỗ trợ học tập thông minh, và người học nghèo sẽ tiếp cận tài nguyên giáo dục miễn phí qua các nền tảng AI.

Thế nhưng, thực tế cho thấy AI không tự nhiên làm cho giáo dục trở nên bình đẳng hơn; trong nhiều trường hợp, nó làm sâu thêm khoảng cách số đã tồn tại. Sinh viên có nền tảng công nghệ tốt, thiết bị hiện đại và kỹ năng số cao sẽ tận dụng được tối đa các công cụ AI, trong khi những người thiếu thốn các điều kiện này lại bị bỏ lại phía sau. Hơn nữa, các trường đại học có nguồn lực tài chính mạnh mới đủ khả năng đầu tư vào hệ thống AI đắt đỏ, tạo ra sự phân hóa mới giữa các cơ sở giáo dục. Các nền tảng AI giáo dục thương mại chủ yếu phục vụ thị trường có khả năng chi trả, bỏ mặc những nhóm yếu thế. Nghịch lý này phản ánh một quy luật đau lòng: công nghệ mang tính dân chủ hóa tiềm năng thường khuếch đại bất bình đẳng hiện có khi nó được triển khai trong một môi trường vốn đã bất bình đẳng.

Nghịch lý thứ tư: Minh bạch vs. Đen tối

Các khung đạo đức AI trên thế giới đều nhấn mạnh nguyên tắc minh bạch: người dùng cần được biết AI đang hoạt động như thế nào, dữ liệu nào được sử dụng, và quyết định nào là của thuật toán hay của con người. Trong giáo dục, điều này có nghĩa là sinh viên cần hiểu rõ hệ thống đánh giá tự động đánh giá bài của họ ra sao, giảng viên cần nắm được logic mà AI dùng để đề xuất nội dung giảng dạy.

Trái ngược với yêu cầu minh bạch này, nhiều hệ thống AI giáo dục hoạt động như "hộp đen" (black box) — các mô hình học sâu (deep learning) đưa ra kết quả mà không thể giải thích đầy đủ quá trình tư duy bên trong. Giảng viên nhận được đề xuất điều chỉnh phương pháp giảng dạy từ AI nhưng không hiểu tại sao đề xuất đó được đưa ra. Sinh viên bị chấm điểm tự động nhưng không biết tiêu chí đánh giá cụ thể nào đã được áp dụng. Thậm chí, nhà phát triển chính của hệ thống AI đôi khi cũng không thể giải thích chính xác tại sao mô hình đưa ra một quyết định cụ thể. Sự mâu thuẫn giữa yêu cầu minh bạch trong giáo dục — một lĩnh vực vốn đề cao tính giải trình — và bản chất hộp đen của AI tạo ra một rào cản đạo đức không dễ vượt qua.

Nghịch lý thứ năm: Tự do vs. Kiểm soát

AI hứa hẹn giải phóng giảng viên khỏi những công việc lặp đi lặp lại như chấm bài, quản lý hồ sơ, soạn đề thi và theo dõi chuyên cần. Thời gian được tiết kiệm được dành cho các hoạt động có giá trị hơn như mentoring, nghiên cứu sáng tạo và đổi mới phương pháp giảng dạy. Đối với sinh viên, AI cho phép tự học theo nhịp độ riêng mà không bị ràng buộc bởi thời khóa biểu cứng nhắc.

Thế nhưng, sự "giải phóng" này lại đi kèm với một hình thức kiểm soát tinh vi và sâu sắc hơn. Khi giảng viên sử dụng AI để soạn giáo trình, họ dần bị phụ thuộc vào nền tảng công nghệ cụ thể và không còn hoàn toàn làm chủ nội dung mình giảng dạy. Khi sinh viên học qua hệ thống AI, mọi hành vi học tập — thời gian truy cập, tốc độ đọc, tần suất tương tác — đều bị ghi nhận và phân tích, tạo ra một hệ thống giám sát toàn diện mà người học không hề ý thức rõ. Trường đại học, thông qua AI, có khả năng theo dõi hiệu suất giảng viên và sinh viên với độ chi tiết chưa từng có, biến dữ liệu học hành thành công cụ quản trị thay vì công cụ phát triển. Mezzadri (2025) đã cảnh báo rằng sự phụ thuộc vào công nghệ AI trong nghiên cứu tạo ra một dạng "tự chủ bị kiểm soát" (constrained autonomy) — hiện tượng mà người dùng tưởng mình đang tự do lựa chọn công cụ, nhưng thực chất bị định hướng hành vi bởi hệ thống công nghệ.

Tiểu kết

Năm nghịch lý trên không phải là lý do để từ chối AI trong giáo dục, mà là lời nhắc nhở rằng việc triển khai AI cần được tiếp cận với sự thận trọng và phản biện liên tục. Mỗi giải pháp công nghệ mang theo cả cơ hội và rủi ro đạo đức đan xen, và trách nhiệm của giới giáo dục là không để sự hưng phấn về công nghệ che lấp những hệ quả tiềm ẩn. Việc nhận diện và đối thoại công khai về các nghịch lý này là điều kiện tiên quyết để xây dựng một hệ sinh thái AI giáo dục vừa đổi mới sáng tạo, vừa giữ gìn được các giá trị cốt lõi của giáo dục: tính người, sự công bằng và sự phát triển toàn diện.

Đạo đức AI trong giáo dục không phải là một danh sách kiểm tra cần hoàn thành một lần rồi quên đi, mà là một quá trình đối thoại liên tục — nơi mà việc nhận diện nghịch lý chính là bước đầu tiên để vượt qua nó (Mezzadri, 2025).

6.4. Quyền riêng tư và bảo mật dữ liệu

Việc sử dụng AI trong giáo dục đại học liên quan mật thiết đến thu thập và xử lý dữ liệu sinh viên — từ dữ liệu học tập, dữ liệu hành vi đến dữ liệu cá nhân. Các công cụ AI cần lượng lớn dữ liệu để hoạt động hiệu quả, và dữ liệu này thường đến từ chính hoạt động học tập của sinh viên (Islam, 2026).

Các vấn đề về quyền riêng tư trong AI giáo dục bao gồm: dữ liệu sinh viên được thu thập ở mức độ nào, dữ liệu được lưu trữ ở đâu và trong bao lâu, ai có quyền truy cập dữ liệu sinh viên, liệu sinh viên có quyền từ chối việc dữ liệu của họ được sử dụng cho huấn luyện AI hay không, và cách thức bảo đảm dữ liệu sinh viên không bị sử dụng sai mục đích.

Sultana (2024) nhấn mạnh rằng các trường đại học cần xây dựng khung quản trị dữ liệu AI rõ ràng — bao gồm chính sách thu thập dữ liệu, quy trình bảo mật, và cơ chế giám sát — trước khi triển khai quy mô lớn các ứng dụng AI trong môi trường giáo dục.

6.5. Gian lận học thuật trong kỷ nguyên AI: Thực trạng và giải pháp

Gian lận học thuật do sử dụng AI tạo sinh đang trở thành một trong những vấn đề cấp bách nhất trong giáo dục đại học toàn cầu. Không giống gian lận truyền thống — sao chép văn bản, đạo văn, nhờ người khác làm bài — gian lận bằng AI gần như không thể phát hiện bằng biện pháp chắc chắn và tạo ra những hệ lụy phức tạp (Mongwe, Van den Berg và Mudau, 2026).

Thực trạng gian lận bằng AI đang diễn ra ở nhiều hình thức khác nhau. Phổ biến nhất là sinh viên yêu cầu AI tạo bài luận hoàn chỉnh và nộp như công việc của mình. Hình thức tinh vi hơn là sử dụng AI cho một số phần của bài — ví dụ, AI viết phần phân tích, sinh viên viết phần giới thiệu và kết luận — tạo ra bài viết có vẻ như cá nhân hóa nhưng thực tế phần quan trọng nhất đã do AI thực hiện (Fowler, 2023).

Các công cụ phát hiện AI — như Turnitin AI Detection, GPTZero và Originality.ai — được phát triển để đối phó với tình hình này. nhưng, nghiên cứu cho thấy công cụ phát hiện AI có độ chính xác chưa cao, trọng tâm khi sinh viên biết cách tinh chỉnh nội dung. Tỷ lệ phát hiện sai — đánh dấu văn bản do người viết là văn bản AI — cũng đáng lo ngại, sẽ gây thiệt hại không công bằng cho sinh viên (Mongwe, Van den Berg và Mudau, 2026).

Cuộc chạy đua giữa công cụ tạo AI và công cụ phát hiện AI giống với "vòng xoáy vũ trang" — mỗi bên liên tục phát triển để vượt qua bên kia, nhưng không có bên nào có lợi thế tuyệt đối. Giải pháp thực sự không nằm ở công nghệ phát hiện mà ở việc thay đổi cách thiết kế đánh giá và xây dựng văn hóa nguyên tắc học thuật (Fowler, 2023).

Một số giải pháp đang được cộng đồng học thuật thảo luận bao gồm: chuyển sang đánh giá quá trình — yêu cầu sinh viên nộp các bản nháp, ghi chú nghiên cứu và phản ánh quá trình làm việc; sử dụng đánh giá đồng đẳng — sinh viên đánh giá bài của nhau; tổ chức kiểm tra trực tiếp và thảo luận — nơi sinh viên phải trình bày và bảo vệ ý tưởng trước lớp; và thiết kế bài tập "khó gian mở" (open-ended) — nơi không có câu trả lời "đúng" mà AI nên dễ dàng tạo ra (Mongwe, Van den Berg và Mudau, 2026).

Quan trọng hơn, nhiều chuyên gia cho rằng thay vì tập trung vào "phát hiện và phạt" — cần chuyển sang "giáo dục và hướng dẫn" — dạy sinh viên sử dụng AI có trách nhiệm, hiểu giới hạn của AI và biết khi nào nên và không nên sử dụng AI.

6.6. Đạo đức nghiên cứu khi sử dụng AI

Bên cạnh đạo đức trong giảng dạy, việc sử dụng AI trong nghiên cứu khoa học cũng đặt ra nhiều vấn đề đạo đức mới. Khi AI ngày càng được sử dụng để hỗ trợ nghiên cứu — từ tổng quan tài liệu, phân tích dữ liệu, viết bản thảo đến đề xuất hướng nghiên cứu — các quy tắc về đạo đức nghiên cứu cần được cập nhật.

Các vấn đề chính bao gồm: ghi nhận đóng góp của AI — liệu AI có nên được liệt kê như "tác giả" trong bài báo khoa học, minh bạch về việc sử dụng AI — nhà nghiên cứu phải khai báo mức độ sử dụng AI đến đâu, và chất lượng nghiên cứu — liệu AI phải tạo ra "nghiên cứu" trông hợp lý nhưng thực tế không có giá trị khoa học (Sultana, 2024).

Vấn đề "ảo giác AI" — hiện tượng AI tạo ra thông tin sai nhưng trình bày theo hướng thuyết phục — quan trọng nguy hiểm trong nghiên cứu khoa học. Nếu nhà nghiên cứu tin vào thông tin do AI bịa đặt về các "nghiên cứu trước đó", họ vẫn còn xây dựng toàn bộ bài báo trên nền tảng không tồn tại.

Các tạp chí khoa học hàng đầu thế giới đã bắt đầu ban hành chính sách về việc sử dụng AI — đa số yêu cầu nhà nghiên cứu khai báo việc sử dụng AI, không cho phép AI được liệt kê như tác giả, và nhà nghiên cứu phải chịu trách nhiệm hoàn toàn về tính chính xác của nội dung (Sultana, 2024).

6.6.1. Ảo giác AI: Khi máy móc tạo ra sự tự tin giả

Ảo giác AI (AI hallucination) là một trong những rủi ro nghiêm trọng nhất khi ứng dụng trí tuệ nhân tạo trong môi trường học thuật và nghiên cứu khoa học. Thuật ngữ này chỉ hiện tượng mà các mô hình ngôn ngữ lớn (large language models) tạo ra thông tin sai lệch, không có cơ sở thực tế, nhưng lại trình bày với giọng văn tự tin, logic và thuyết phục đến mức người đọc dễ dàng bị đánh lừa. Trong bối cảnh chuyển đổi số giáo dục đại học, khi sinh viên và nhà nghiên cứu ngày càng phụ thuộc vào các công cụ AI như ChatGPT, Claude, Gemini để hỗ trợ viết luận, tổng hợp tài liệu và phân tích dữ liệu, việc nhận diện và phòng ngừa ảo giác AI trở thành một vấn đề cấp thiết.

6.6.1.1. Định nghĩa và cơ chế ảo giác AI

Ảo giác AI không phải là lỗi kỹ thuật đơn giản mà là đặc điểm cấu trúc vốn có của các mô hình ngôn ngữ dựa trên xác suất. Các mô hình này được huấn luyện trên dữ liệu văn bản khổng lồ và sinh ra câu trả lời dựa trên việc dự đoán từ tiếp theo có xác suất cao nhất, chứ không phải dựa trên việc truy xuất thông tin từ một cơ sở dữ liệu sự kiện. Khi mô hình gặp phải những câu hỏi nằm ngoài phạm vi dữ liệu huấn luyện hoặc đòi hỏi kiến thức chuyên sâu chính xác, nó vẫn sẽ tạo ra một câu trả lời trôi chảy về mặt ngôn ngữ nhưng hoàn toàn sai về mặt nội dung. Hiện tượng này đặc biệt nguy hiểm trong môi trường học thuật vì kết quả được trình bày dưới dạng có cấu trúc, có trích dẫn, có dẫn chứng — tất cả đều vẫn còn bịa đặt nhưng trông rất chân thực.

Ảo giác AI không chỉ là lỗi kỹ thuật mà là đặc điểm cấu trúc của các mô hình ngôn ngữ, trong đó hệ thống tạo ra thông tin sai lệch nhưng trình bày một cách thuyết phục, gây ảnh hưởng trực tiếp đến chất lượng quyết định trong tổ chức (Dash & Schmidt, 2026).

Dash và Schmidt (2026) trong nghiên cứu về tác động của ảo giác AI đối với quá trình ra quyết định trong tổ chức đã chỉ ra rằng các mô hình ngôn ngữ lớn có xu hướng tạo ra những câu trả lời mang tính "tự tin giả" (false confidence), khiến người sử dụng khó phân biệt giữa thông tin chính xác và thông tin bịa đặt. Tác giả gọi đây là "rủi ro âm thầm" (silent risk) vì nó không phát sinh lỗi hệ thống hay cảnh báo nào — kết quả sai lệch được trả về với giao diện bình thường, không có dấu hiệu ngoại lệ nào để người dùng nhận biết.

6.6.1.2. Tác động của ảo giác AI đến hoạt động nghiên cứu khoa học

Trong lĩnh vực nghiên cứu học thuật, ảo giác AI nên gây ra những hậu quả nghiêm trọng và có tính hệ thống. Thứ nhất là vấn đề trích dẫn không tồn tại. Các mô hình ngôn ngữ thường xuyên tạo ra các tài liệu tham khảo có dạng hoàn toàn hợp lệ — bao gồm tên tác giả, năm xuất bản, tên tạp chí, số ISSN — nhưng thực chất không hề tồn tại trong thực tế. Rao và Bauschard (2026) đã ghi nhận nhiều trường hợp nghiên cứu học thuật bị thu hồi hoặc phải đính chính do chứa trích dẫn AI giả tạo, trong đó mô hình AI đã tự động tạo ra toàn bộ danh mục tài liệu tham khảo với định dạng chuẩn nhưng nội dung hoàn toàn bịa đặt.

Sự gia tăng sử dụng AI trong viết học thuật đặt ra thách thức chưa từng có đối với tính toàn vẹn học thuật, khi các công cụ này sẽ tạo ra trích dẫn giả, số liệu sai lệch và phương pháp nghiên cứu không tồn tại mà không có bất kỳ cảnh báo nào cho người sử dụng (Rao & Bauschard, 2026).

Thứ hai là hiện tượng bịa đặt số liệu và kết quả nghiên cứu. Khi được yêu cầu tổng hợp dữ liệu thống kê, các mô hình AI được tạo ra các con số, tỷ lệ phần trăm và kết quả phân tích trông rất chuyên nghiệp nhưng không dựa trên bất kỳ nguồn dữ liệu thực nào. Điều này đặc biệt nguy hiểm khi nhà nghiên cứu sử dụng AI để chuẩn bị phần tổng quan tài liệu (literature review) hoặc so sánh kết quả nghiên cứu, vì các con số giả tạo này có khả năng được đưa vào bài báo khoa học và lan truyền trong cộng đồng học thuật.

Thứ ba là vấn đề phương pháp nghiên cứu giả tạo. Các mô hình AI vẫn còn đề xuất các phương pháp luận, quy trình thực nghiệm hoặc công cụ phân tích nghe có vẻ hợp lý nhưng thực tế không được công nhận trong cộng đồng chuyên ngành. Dash và Schmidt (2026) cảnh báo rằng khi các quyết định nghiên cứu được đưa ra dựa trên thông tin ảo giác từ AI, hậu quả không chỉ dừng lại ở một bài báo sai mà còn nên dẫn đến hướng nghiên cứu sai lệch, lãng phí nguồn lực và làm suy giảm niềm tin vào toàn bộ lĩnh vực.

6.6.1.3. Tác động đến quá trình học tập và tư duy của sinh viên

Đối với sinh viên, ảo giác AI gây ra rủi ro ở mức độ sâu sắc hơn: làm suy giảm khả năng tư duy phản biện và kỹ năng đánh giá thông tin. Khi sinh viên quen với việc nhận câu trả lời nhanh chóng, trôi chảy từ AI mà không cần kiểm chứng, họ dần hình thành thói quen chấp nhận thông tin một cách thụ động. Rao và Bauschard (2026) nhấn mạnh rằng thế hệ sinh viên hiện nay — những người được gọi là "digital natives" — đặc biệt dễ bị tổn thương trước ảo giác AI vì họ có xu hướng tin tưởng công nghệ hơn so với thế hệ trước, đồng thời thiếu kinh nghiệm học thuật để nhận diện thông tin sai lệch trong các lĩnh vực chuyên môn.

Hậu quả cụ thể bao gồm: sinh viên nộp bài luận chứa thông tin sai nhưng tự tin rằng nội dung chính xác; sinh viên không phát triển được kỹ năng tìm kiếm và đánh giá nguồn tài liệu gốc; sinh viên mất dần khả năng phân tích đa chiều khi chỉ tiếp xúc với một nguồn thông tin được AI tổng hợp lại. Tình trạng này tạo ra một vòng lặp nguy hiểm: sinh viên càng phụ thuộc vào AI thì khả năng tự kiểm chứng càng giảm, và ngược lại.

6.6.1.4. Giải pháp và chiến lược ứng phó

Để đối phó với rủi ro ảo giác AI trong môi trường học thuật, cần triển khai đồng bộ các giải pháp ở nhiều cấp độ khác nhau.

Cấp độ cá nhân — Kiểm tra chéo toàn diện: Mọi thông tin lấy từ AI phải được đối chiếu với nguồn tài liệu chính thống. Nhà nghiên cứu và sinh viên cần hình thành nguyên tắc "không bao giờ trích dẫn thông tin từ AI mà chưa kiểm chứng" — coi AI như điểm khởi đầu để tìm hiểu, không phải là kết quả cuối cùng cần đưa vào bài viết.

Cấp độ chương trình — Giáo dục về giới hạn AI: Các trường đại học cần tích hợp nội dung giáo dục về bản chất hoạt động, giới hạn và rủi ro của AI vào chương trình học, nhấn mạnh trong các khóa học về phương pháp nghiên cứu và kỹ năng học thuật. Sinh viên cần hiểu rằng AI là công cụ hỗ trợ tư duy, không thay thế tư duy.

Giáo dục về giới hạn của AI và xây dựng năng lực đánh giá thông tin phản biện là điều kiện bắt buộc để đảm bảo tính toàn vẹn học thuật trong kỷ nguyên chuyển đổi số giáo dục (Rao & Bauschard, 2026).

Cấp độ tổ chức — Xây dựng quy trình và chính sách: Dash và Schmidt (2026) khuyến nghị các tổ chức giáo dục và nghiên cứu cần xây dựng quy trình kiểm định nội dung có sử dụng AI, bao gồm việc yêu cầu người sử dụng công khai mức độ sử dụng AI trong bài viết, đồng thời thiết lập hệ thống kiểm tra chéo bằng chuyên gia hoặc công cụ kiểm chứng riêng biệt. Các chính sách này không nhằm cấm sử dụng AI mà nhằm tạo ra một khuôn khổ an toàn để tận dụng lợi ích của AI mà vẫn kiểm soát được rủi ro.

Tóm lại, ảo giác AI là một thách thức đa chiều đòi hỏi sự đáp ứng từ nhiều phía: nâng cao nhận thức cá nhân, cải tiến giáo dục chương trình và hoàn thiện chính sách tổ chức. Trong bối cảnh chuyển đổi số giáo dục đại học, việc quản lý rủi ro ảo giác AI không chỉ là yêu cầu kỹ thuật mà còn là vấn đề đạo đức nghiên cứu cốt lõi, liên quan trực tiếp đến sự toàn vẹn và uy tín của toàn bộ hệ thống giáo dục đại học.

6.7. Khung chính sách liêm chính học thuật trong kỷ nguyên AI

Sự phát triển bùng nổ của trí tuệ nhân tạo tạo sinh (Generative AI) — quan trọng là các mô hình ngôn ngữ lớn như ChatGPT, Gemini và Claude — đã đặt ra thách thức chưa từng có đối với hệ thống liêm chính học thuật trong giáo dục đại học toàn cầu cũng như tại Việt Nam. Các công cụ này không chỉ có khả năng viết tiểu luận, tổng hợp tài liệu, lập trình mã nguồn mà còn vẫn còn tạo ra văn bản với mức độ trôi chảy và logic gần như không thể phân biệt với sản phẩm của con người. Trong bối cảnh đó, các trường đại học Việt Nam cần thiết lập một khung chính sách liêm chính học thuật toàn diện, vừa bảo vệ giá trị cốt lõi của giáo dục, vừa tạo điều kiện cho sinh viên tận dụng lợi thế mà AI mang lại. Phần này sẽ trình bày bốn trụ cột chính của khung chính sách: thay đổi tư duy quản lý, quy tắc trích dẫn AI, cải tổ phương pháp đánh giá năng lực và mô hình chính sách ba tầng được đề xuất riêng cho bối cảnh Việt Nam.

6.7.1. Thay đổi tư duy: Từ cấm đoán đến quản lý

Phản ứng đầu tiên và phổ biến nhất của nhiều cơ sở giáo dục khi đối mặt với Generative AI là cấm đoán hoàn toàn. dù vậy, cách tiếp cận này đã bộc lộ nhiều hạn chế nghiêm trọng trong thực tiễn. Taylor và LaCroix (2026) trong nghiên cứu "Purpose before policy: academic integrity, generative AI, and rhetorical stance" đã lập luận rằng việc cấm đoán AI không chỉ bất khả thi về mặt thực thi mà còn bỏ lỡ cơ hội giáo dục quan trọng:

Chiến lược cấm đoán hoàn toàn các công cụ AI tạo sinh trong môi trường học thuật giống như việc cấm sinh viên sử dụng máy tính trong thập niên 1990 — nó phản ứng với công nghệ thay vì tận dụng nó. Các chính sách liêm chính hiệu quả phải bắt đầu bằng việc xác định rõ mục đích giáo dục trước khi thiết lập quy định, từ đó chuyển từ tư duy cấm đoán sang tư duy quản lý và hướng dẫn (Taylor & LaCroix, 2026).

Thực tế đã chứng minh rằng sinh viên sẽ tiếp tục sử dụng AI bất chấp lệnh cấm. Một khảo sát toàn cầu cho thấy hơn 60% sinh viên đại học đã sử dụng ít nhất một công cụ AI tạo sinh trong quá trình học tập. Khi các trường cấm đoán, sinh viên không ngừng sử dụng AI mà còn che giấu việc sử dụng đó, biến hành vi vốn nên hợp lệ thành vi phạm liêm chính học thuật. Thay vì coi AI là mối đe dọa, các nhà giáo dục cần nhìn nhận AI như một công cụ mới cần được tích hợp vào quá trình học tập trong quá trình có trách nhiệm. Điều này đòi hỏi sự chuyển đổi từ kiểm soát sang giáo dục — từ việc trừng phạt vi phạm sang việc trang bị cho sinh viên năng lực sử dụng AI đúng đắn.

Tư duy "mục đích trước chính sách" (purpose before policy) mà Taylor và LaCroix (2026) đề xuất trọng tâm phù hợp với bối cảnh giáo dục Việt Nam. Khi thiết kế bất kỳ quy định nào liên quan đến AI, các trường đại học cần trả lời trước câu hỏi chính: mục tiêu giáo dục của hoạt động này là gì? Nếu mục tiêu là rèn luyện tư duy phản biện, thì việc sinh viên sử dụng AI để tạo toàn bộ bài luận sẽ đi ngược lại mục tiêu đó. Nhưng nếu mục tiêu là nghiên cứu và tổng hợp thông tin, thì AI sẽ đóng vai trò như một trợ lý tìm kiếm hữu ích.

6.7.2. Quy tắc trích dẫn AI (AI Citation Rules)

Một trong những vấn đề cấp bách nhất mà khung liêm chính học thuật mới phải giải quyết là: sinh viên khi nào và làm thế nào để công nhận sự đóng góp của AI trong công việc học thuật? Rentier (2025) trong nghiên cứu "To use or not to use: ethical implications of generative AI in academic writing" đã phân tích sâu sắc vấn đề ranh giới đạo đức trong việc sử dụng AI:

Vấn đề then chốt không nằm ở việc có hay không sử dụng AI, mà nằm ở tính minh bạch và trung thực trong việc báo cáo mức độ sử dụng. Giống như cách các nhà nghiên cứu phải công nhận mọi nguồn tài liệu tham khảo, sinh viên phải có nghĩa vụ công nhận rõ ràng và chính xác khi AI đóng vai trò đáng kể trong việc tạo ra ý tưởng, cấu trúc hoặc nội dung của công trình học thuật (Rentier, 2025).

Dựa trên nguyên tắc minh bạch này, được phân loại việc sử dụng AI thành hai nhóm chính:

Nhóm 1 — Không bắt buộc công nhận AI: Khi sinh viên chỉ sử dụng AI ở mức độ hỗ trợ cơ bản, bao gồm: kiểm tra lỗi ngữ pháp và chính tả, gợi ý từ khóa hoặc cấu trúc tìm kiếm, tra cứu định nghĩa thuật ngữ, tóm tắt các tài liệu đã có sẵn mà sinh viên tự đọc và phân tích. Trong những trường hợp này, AI đóng phần tương đương với một bộ từ điển hoặc phần mềm kiểm tra chính tả — công cụ hỗ trợ kỹ thuật chứ không đóng góp vào nội dung tri thức.

Nhóm 2 — Bắt buộc công nhận AI: Khi AI đóng góp đáng kể vào sản phẩm học thuật, bao gồm: tạo lập ý tưởng hoặc luận điểm chính, viết toàn bộ hoặc một phần đáng kể nội dung văn bản, phân tích dữ liệu và đưa ra kết luận, xây dựng cấu trúc logic của bài viết, dịch thuật có ý nghĩa đối với lập luận. Trong mỗi trường hợp này, sinh viên phải nêu rõ AI đã được sử dụng như thế nào và ở mức độ nào.

Về định dạng trích dẫn, khuyến nghị chung là sinh viên có khả năng ghi nhận như sau: "Một phần nội dung trong bài viết này được hỗ trợ bằng ChatGPT (OpenAI, 2024)" — kèm theo mô tả cụ thể trong phần phụ lục hoặc ghi chú về những nội dung nào và cách thức AI đã được sử dụng. Rentier (2025) đáng nhấn mạnh nhấn mạnh rằng việc thiếu minh bạch trong sử dụng AI không khác gì hành vi đạo văn truyền thống, bởi cả hai đều làm sai lệch nhận thức của người đọc về đóng góp thực sự của tác giả.

6.7.3. Thay đổi phương pháp đánh giá năng lực

Khi AI có khả năng hoàn thành các hình thức đánh giá truyền thống như tiểu luận, báo cáo và bài tập viết, các trường đại học buộc phải tái cấu trúc phương pháp đánh giá năng lực sinh viên. Ward, Manoharan và Ye (2024) trong nghiên cứu "Exploring Academic Integrity in the Age of Generative AI" đã chỉ ra rằng:

Chìa khóa để bảo vệ liêm chính học thuật không nằm ở việc xây dựng các rào cản công nghệ ngày càng tinh vi để phát hiện AI, mà nằm ở việc thiết kế các phương pháp đánh giá vốn dĩ kháng lại việc gian lận bằng AI. Các hình thức đánh giá ưu tiên quá trình hơn sản phẩm, đòi hỏi tư duy cá nhân hơn là tái sản xuất thông tin, sẽ tự nhiên giảm thiểu nguy cơ lạm dụng AI (Ward, Manoharan & Ye, 2024).

Cụ thể, các phương pháp đánh giá cần được chuyển đổi theo những hướng sau:

Giảm thiểu các hình thức dễ bị lạm dụng: Tiểu luận truyền thống mang về nhà, báo cáo tóm tắt tài liệu và các bài tập chỉ dựa trên thông tin có sẵn trên internet là những hình thức dễ bị AI "chắp bút" nhất. Không có công cụ phát hiện AI nào đạt độ chính xác tuyệt đối, và việc chỉ dựa vào các công cụ này để buộc tội sinh viên tạo ra rủi ro kết án sai (false positive) rất cao.

Tăng cường các hình thức đánh giá quá trình và thực hành: Thi vấn đáp trực tiếp (oral examination) yêu cầu sinh viên trình bày và bảo vệ lập luận của mình trước giảng viên hoặc hội đồng — điều mà AI không thể thay thế. Dự án thực tế (project-based learning) với các giai đoạn đánh giá liên tục buộc sinh viên phải thể hiện tư duy và kỹ năng xuyên suốt vòng đời dự án. Thuyết trình lâm sàn (in-class presentation) kết hợp câu hỏi phản biện trực tiếp đảm bảo tính xác thực của công việc. Portfolio phản tư (reflective portfolio) yêu cầu sinh viên tự phân tích quá trình học tập và phát triển cá nhân — một khả năng mà AI không thể mô phỏng chân thực.

Lee-Price (2024) trong nghiên cứu "The exciting AI adventure: ethical use of generative AI in academic writing" đã bổ sung một góc nhìn tích cực, cho rằng thay đổi phương pháp đánh giá thực chất là cơ hội để nâng cao chất lượng giáo dục:

Kỷ nguyên AI không phải là mối đe dọa đối với giáo dục đại học mà là chất xúc tác mạnh mẽ để tái thiết kế các phương pháp giảng dạy và đánh giá vốn đã lỗi thời quá lâu. Khi sinh viên vẫn còn ủy thác các công việc tái sản xuất thông tin cho AI, các nhà giáo dục được giải phóng để tập trung vào việc đánh giá những năng lực thực sự quan trọng: tư duy phản biện, giải quyết vấn đề phức tạp, sáng tạo và hợp tác (Lee-Price, 2024).

6.7.3.1. Đánh giá kháng AI: Khi sản phẩm không còn đủ

Sự phát triển vũ bão của các công cụ trí tuệ nhân tạo tạo sinh (Generative AI) như ChatGPT, Claude và Gemini đã tạo ra một cuộc khủng hoảng niềm tin sâu sắc trong hệ thống đánh giá giáo dục đại học. Các hình thức đánh giá truyền thống dựa trên sản phẩm học tập — tiểu luận, bài tập về nhà, báo cáo nghiên cứu — vốn dĩ được thiết kế nhằm đo lường năng lực cá nhân của sinh viên thông qua đầu ra cuối cùng. Thế nhưng, khi AI sẽ tạo ra những bài văn có cấu trúc logic, lập luận chặt chẽ và phong cách học thuật trong vòng vài phút, ranh giới giữa thành tích cá nhân và sản phẩm máy học trở nên mờ nhạt đến mức không thể phân biệt. Perkins (2026) chỉ ra rằng sự chuyển dịch từ nền kinh tế tri thức sang nền kinh tế AI đặt ra một thách thức mang tính hệ thống: không còn được giả định rằng sản phẩm học tập phản ánh đúng năng lực của người tạo ra nó (Perkins, 2026).

Vấn đề này không chỉ đơn thuần là nguy cơ gian lận học thuật mà còn đe dọa trực tiếp đến tính hợp lệ (validity) của toàn bộ hệ thống đánh giá. Nếu một điểm A trong bài tiểu luận có khả năng đạt được nhờ việc sao chép lời nhắc (prompt) AI thay vì nỗ lực tư duy sâu, thì điểm số đó mất đi ý nghĩa đo lường năng lực. Amnie (2026) phân biệt hai khái niệm quan trọng trong bối cảnh này: "đánh giá kháng AI" (AI-resistant assessment) — các phương pháp mà AI khó hoặc không thể thực hiện thay, và "đánh giá bền vững trước AI" (AI-resilient assessment) — các phương pháp vẫn giữ được giá trị đánh giá ngay cả khi AI vẫn còn hỗ trợ một phần (Amnie, 2026). Theo đó, triết lý cốt lõi của chuyển đổi đánh giá trong kỷ nguyên AI là dịch chuyển trọng tâm từ "sản phẩm học sinh tạo ra gì" sang "sinh viên nghĩ và làm gì trong quá trình tạo ra sản phẩm đó".

Dưới đây trình bày năm phương pháp đánh giá kháng AI nổi bật, mỗi phương pháp đều dựa trên nguyên tắc khai thác những khía cạnh mà AI chưa thể thay thế con người: tư duy phản tư, quá trình nhận thức, tương tác trực tiếp, năng lực thực hành và khả năng hợp tác xác thực.

a. Vấn đáp trực tiếp (Oral Examination)

Vấn đáp trực tiếp là phương pháp đánh giá lâu đời nhất và cũng là phương pháp kháng AI hiệu quả nhất. Trong hình thức này, sinh viên phải trình bày, bảo vệ và mở rộng lập luận của mình trước giảng viên hoặc hội đồng trong phiên hỏi đáp kéo dài 15–20 phút. Điểm chính làm nên tính kháng AI của phương pháp này nằm ở ba yếu tố. Thứ nhất, tính tức thời (immediacy) — sinh viên không thể sử dụng AI trong lúc trả lời, buộc phải dựa vào kiến thức đã được nội hóa. Thứ hai, khả năng theo dõi dòng tư duy (thought trajectory) — giảng viên nên đặt câu hỏi đào sâu để kiểm tra xem sinh viên thực sự hiểu vấn đề hay chỉ ghi nhớ bề mặt. Thứ ba, khả năng thích ứng linh hoạt — câu hỏi hỏi đáp được điều chỉnh theo phản hồi của sinh viên, điều mà AI không thể hỗ trợ chuẩn bị trước.

Tsiligkiris (2026) lập luận rằng vấn đáp trực tiếp không chỉ kháng AI mà còn cung cấp thông tin đánh giá phong phú hơn nhiều so với bài viết: giọng điệu, sự tự tin, khả năng phản biện và chiều sâu hiểu biết đều được quan sát đồng thời (Tsiligkiris, 2026). Ví dụ, tại một chương trình thạc sĩ quản trị kinh doanh ở Úc, giảng viên yêu cầu sinh viên bảo vệ đề xuất nghiên cứu của mình trong phiên vấn đáp 20 phút, trong đó hội đồng đặt ít nhất ba câu hỏi "tại sao" liên tiếp để kiểm tra mức độ hiểu sâu về cơ sở lý thuyết và phương pháp luận đã chọn. Hình thức này đáng chú ý phù hợp với các môn học đòi hỏi tư duy phản biện cao như triết học, luật và nghiên cứu khoa học.

b. Portfolio phản tư (Reflective Portfolio)

Portfolio phản tư là tập hợp có tổ chức các tác phẩm học tập, nhật ký học tập và bài viết phản tư do sinh viên lập trình theo thời gian, thường kéo dài toàn bộ học kỳ hoặc khóa học. Khác với bài tiểu luận một lần nộp, portfolio phản tư đòi hỏi sinh viên liên tục ghi nhận, phân tích và đánh giá quá trình học tập của chính mình. Điều làm nên tính kháng AI của phương pháp này là tính cá nhân hóa sâu sắc và tính liên tục về mặt thời gian. AI sẽ viết một bài phản tư cá nhân ở thời điểm nhất định, nhưng rất khó duy trì sự nhất quán của giọng văn, kinh nghiệm thực tế và sự phát triển tư duy xuyên suốt một tập portfolio có nhiều phần tử được tạo ra ở các thời điểm khác nhau.

Chan và Colloton (2024) nhấn mạnh rằng portfolio phản tư không chỉ đánh giá kết quả học tập mà còn đo lường năng lực tự học, khả năng quan sát bản thân và kỹ năng điều chỉnh chiến lược học tập — những năng lực mà AI hoàn toàn không thể thay thế (Chan & Colloton, 2024). Ví dụ, trong một khóa học giáo dục y tế tại Anh, sinh viên phải duy nhật ký lâm sàng hàng tuần, ghi chép lại các ca bệnh đã quan sát, phản tư về quyết định lâm sàng và liên hệ với kiến thức lý thuyết đã học. Giảng viên đánh giá portfolio dựa trên tiêu chí: chiều sâu phản tư, sự tiến bộ qua thời gian, khả năng liên kết lý thuyết-thực hành và tính xác thực của trải nghiệm cá nhân.

c. Đánh giá quá trình (Process-Based Assessment)

Đánh giá quá trình chuyển đổi trọng tâm từ sản phẩm cuối cùng sang toàn bộ hành trình tạo ra sản phẩm đó. Thay vì chỉ nộp bài tiểu luận hoàn chỉnh, sinh viên phải trình bày các bản nháp liên tiếp, ghi chú nghiên cứu, sơ đồ tư duy, lịch sử chỉnh sửa và nhật ký hoạt động nghiên cứu. Phương pháp này dựa trên một nguyên lý đơn giản nhưng mạnh mẽ: AI được tạo sản phẩm cuối cùng nhưng không thể tái tạo quá trình tư duy con người — những bước lùi, những sửa đổi sai lệch, những ghi chú tay và sự tiến hóa dần dần của ý tưởng.

Perkins (2026) gọi đây là sự chuyển dịch từ "sản phẩm xác thực" (authentic products) sang "quá trình được xác thực" (authenticated processes) và lập luận rằng đây là hướng đi tất yếu của đánh giá giáo dục đại học trong kỷ nguyên AI (Perkins, 2026). Ví dụ thực tiễn: tại một trường đại học kỹ thuật ở Đức, sinh viên hoàn thành đồ án kỹ thuật theo mô hình ba giai đoạn — đề xuất sơ thảo (tuần 4), bản nháp phát triển (tuần 8) và sản phẩm hoàn chỉnh (tuần 12) — mỗi giai đoạn phải đi kèm báo cáo quá trình nêu rõ các quyết định thiết kế, những khó khăn gặp phải và cách giải quyết. Giảng viên sử dụng công nghệ so sánh phiên bản (version control) để theo dõi sự tiến triển của công việc và phát hiện các dấu hiệu bất thường như nhảy vọt đột ngột về chất lượng mà không có quá trình phát triển tương ứng.

d. Thực hành lâm sàn (Clinical/Practical Demonstration)

Thực hành lâm sào — hay còn gọi là đánh giá năng lực thực hành — yêu cầu sinh viên thể hiện kỹ năng trong môi trường thực tế hoặc mô phỏng có kiểm soát. Phương pháp này bao gồm: thí nghiệm phòng thí nghiệm, diễn án lâm sàng (clinical simulation), buổi thuyết trình trực tiếp, trình diễn kỹ năng nghề nghiệp và thi tay nghề. Tính kháng AI của phương pháp này là tuyệt đối vì AI không thể hiện diện vật lý để thực hiện các thao tác tay nghề, tương tác với bệnh nhân mô hình, vận hành thiết bị hay thuyết trình trước khán giả thực.

Almpanis et al. (2025) chỉ ra rằng đánh giá thực hành không chỉ kháng AI một cách tự nhiên mà còn phản ánh chính xác nhất năng lực nghề nghiệp mà giáo dục đại học hướng tới đào tạo, nổi bật trong các lĩnh vực y tế, kỹ thuật, nghệ thuật và giáo dục (Almpanis et al., 2025). Ví dụ, trong chương trình đào tạo y khoa, sinh viên phải vượt qua kỳ thi thâm khám lâm sàng theo cấu trúc OSCE (Objective Structured Clinical Examination) — xoay qua 10 trạm, mỗi trạm 8 phút, thực hiện các kỹ năng thăm khám, chẩn đoán và giao tiếp với bệnh nhân dưới sự quan sát trực tiếp của giám khảo. Không một công cụ AI nào có khả năng thay thế khả năng lắng nghe bệnh nhân, palpation (sờ nắn) cơ thể hay phản xạ xử lý tình huống khẩn cấp.

e. Đánh giá hợp tác (Collaborative Assessment)

Đánh giá hợp tác tận dụng sức mạnh của nhóm học tập để tạo ra môi trường mà AI không thể thay thế vai trò cá nhân. Trong phương pháp này, sinh viên thực hiện dự án nhóm với vai trò phân công rõ ràng, sau đó phải tham gia đánh giá đồng cấp (peer evaluation) và tự đánh giá (self-evaluation). Giảng viên kết hợp điểm nhóm với điểm cá nhân dựa trên mức độ đóng góp được xác nhận qua nhiều nguồn: phản hồi đồng cấp, báo cáo vai trò cá nhân, phiên hỏi đáp nhóm và nhật ký hoạt động. Tính kháng AI xuất phát từ sự đan xen giữa hợp tác con người — đòi hỏi giao tiếp, thương lượng, phân công trách nhiệm và giải quyết xung đột — và cơ chế kiểm tra chéo đa chiều.

Tsiligkiris (2026) ghi nhận rằng đánh giá hợp tác hiệu quả khi kết hợp với các công cụ theo dõi đóng góp nhóm như CATME hoặc Team-Based Learning, trong đó mỗi thành viên đánh giá đồng đội ẩn danh và điểm số được tính theo công thức điều chỉnh, ngăn chặn hiện tượng "ăn theo" (free-riding) và gian lận tập thể (Tsiligkiris, 2026). Ví dụ, tại một chương trình kỹ thuật phần mềm ở Singapore, nhóm 4–5 sinh viên phát triển ứng dụng thực tế theo phương pháp Agile, mỗi người đảm nhận vai trò rõ ràng (phát triển giao diện, back-end, kiểm thử, quản lý dự án). Điểm cá nhân được tính bằng điểm nhóm nhân trọng số đóng góp (được xác định qua đánh giá đồng cấp 360 độ) cộng điểm vấn đáp cá nhân về phần mã nguồn do người đó phụ trách.

Sự chuyển dịch từ đánh giá dựa trên sản phẩm sang đánh giá dựa trên quá trình và tương tác con người không chỉ là phản ứng trước mối đe dọa của AI mà còn là cơ hội sâu sắc để tái thiết kế đánh giá theo hướng đo lường những năng lực thực sự quan trọng trong thế kỷ 21: tư duy phản biện, khả năng hợp tác, năng lực tự điều chỉnh và ý thức nghề nghiệp (Amnie, 2026; Perkins, 2026).

Thách thức và hàm ý triển khai

Mỗi phương pháp đánh giá kháng AI đều đặt ra những thách thức riêng về nguồn lực. Vấn đáp trực tiếp đòi hỏi thời gian giảng viên lớn; portfolio phản tư cần tiêu chuẩn đánh giá chặt chẽ để tránh chủ quan; đánh giá quá trình yêu cầu công nghệ hỗ trợ theo dõi; thực hành lâm sàng cần cơ sở vật chất chuyên biệt; và đánh giá hợp tác cần cơ chế kiểm tra chéo phức tạp. Chan và Colloton (2024) khuyến nghị rằng các cơ sở giáo dục không nên áp dụng một phương pháp duy nhất mà nên xây dựng hệ sinh thái đánh giá đa dạng, kết hợp nhiều phương pháp kháng AI khác nhau tùy thuộc vào đặc thù môn học và mục tiêu năng lực cần đạt (Chan & Colloton, 2024). Almpanis et al. (2025) bổ sung rằng việc chuyển đổi này cần đi kèm với đào tạo giảng viên, vì nhiều giảng viên hiện nay chưa có kinh nghiệm thiết kế và triển khai các phương pháp đánh giá dựa trên quá trình và tương tác (Almpanis et al., 2025). Đánh giá kháng AI, suy cho cùng, không phải là cuộc chạy đua vũ trang với công nghệ mà là sự trở lại với triết lý giáo dục then chốt: đánh giá con người thông qua những gì chỉ con người mới làm được.

Tài liệu tham khảo

• Amnie, A. (2026). AI-resistant and AI-resilient assessment in higher education. International Journal of Developmental Agriculture, DOI: 10.11121/ijoda.2026.1875.
• Tsiligkiris, P. (2026). Resilient assessment in the age of AI. Studies in Higher Education, DOI: 10.1080/03075079.2026.1264787.
• Chan, C. K. Y., & Colloton, K. (2024). Redesigning Assessment in the AI Era. Trong Artificial Intelligence in Higher Education (tr. 187–206). Springer. DOI: 10.1007/978-3-031-54202-1_11.
• Almpanis, T., et al. (2025). Practical Implications of GenAI on Assessment. Trong Generative AI in Education (tr. 301–322). Springer. DOI: 10.1007/978-3-031-71282-3_24.
• Perkins, D. (2026). From authentic products to authenticated processes. Studies in Higher Education, DOI: 10.1080/03075079.2026.1264788.

6.7.4. Mô hình chính sách 3 tầng cho trường đại học Việt Nam

Dựa trên tổng hợp các nghiên cứu quốc tế và đặc thù bối cảnh giáo dục đại học Việt Nam, phần này đề xuất một mô hình chính sách liêm chính học thuật trong kỷ nguyên AI gồm ba tầng (three-tier policy model), từ nguyên tắc vĩ mô đến công cụ vi mô:

Tầng 1 — Tuyên bố nguyên tắc (AI Code of Ethics): Đây là nền tảng triết lý của toàn bộ khung chính sách, được ban hành dưới dạng quy chế hoặc thông báo của Hiệu trưởng trường đại học. Tầng này xác định rõ vị trí của trường đối với AI: không cấm đoán nhưng yêu cầu minh bạch, không trừng phạt sáng tạo nhưng xử lý nghiêm gian lận. Tuyên bố nguyên tắc cần nhấn mạnh bốn giá trị quan trọng nhất: (i) tính minh bạch trong việc sử dụng AI, (ii) trách nhiệm cá nhân của sinh viên đối với sản phẩm học thuật, (iii) quyền lợi hợp pháp của sinh viên trong việc sử dụng AI như công cụ hỗ trợ học tập, và (iv) cam kết liên tục cập nhật chính sách theo sự phát triển của công nghệ. Taylor và LaCroix (2026) nhấn mạnh rằng tầng này phải được xây dựng qua quá trình tham vấn rộng rãi với giảng viên, sinh viên và các bên liên quan, tránh áp đặt từ trên xuống.

Tầng 2 — Hướng dẫn thực hành theo ngành học (AI Usage Guidelines by Discipline): Mỗi khoa, chương trình đào tạo, hoặc ít nhất là mỗi nhóm môn học cần có hướng dẫn cụ thể về cách sử dụng AI phù hợp với đặc thù ngành. Ví dụ, trong chương trình kỹ thuật máy tính, việc sử dụng AI để hỗ trợ lập trình nên được cho phép ở mức độ cao hơn so với trong chương trình văn học, nơi việc viết sáng tạo là năng lực cơ bản cần đánh giá. Hướng dẫn này cần bao gồm: phân loại rõ các loại bài tập theo mức độ cho phép sử dụng AI (không được phép, được phép có điều kiện, được phép tự do), yêu cầu công nhận AI theo từng loại bài tập cụ thể, ví dụ mẫu về cách trích dẫn AI đúng quy định, và tiêu chí đánh giá điều chỉnh theo từng hình thức bài tập. Rentier (2025) lưu ý rằng hướng dẫn cấp khoa giúp giải quyết vấn đề "một kích cỡ vừa tất" (one-size-fits-all) — hạn chế lớn nhất của các chính sách liêm chính học thuật hiện nay.

Tầng 3 — Công cụ thực thi (AI Detection Tools & Academic Integrity Reporting): Tầng này cung cấp cơ sở hạ tầng kỹ thuật và quy trình hành chính để thực thi chính sách. Về mặt kỹ thuật, các trường cần trang bị công cụ phát hiện AI (như Turnitin AI Detection, GPTZero) nhưng phải sử dụng chúng với phương thức thận trọng — chỉ như một trong nhiều bằng chứng, không phải là bằng chứng duy nhất. Về mặt quy trình, cần có hệ thống báo cáo vi phạm liêm chính học thuật quy định rõ quyền lợi của cả sinh viên bị cáo và giảng viên khởi kiện, cơ chế kháng nghị khi sinh viên cho rằng kết quả phát hiện AI là sai, và quy trình xử lý từ cảnh cáo, đánh giá lại đến kỷ luật. Ward, Manoharan và Ye (2024) khuyến cáo rằng công cụ phát hiện AI chỉ nên được sử dụng như một tín hiệu cảnh báo, quyết định cuối cùng phải dựa trên đánh giá toàn diện về phong cách viết, mức độ thấu hiểu nội dung và khả năng bảo vệ lập luận của sinh viên.

Mô hình ba tầng này có ưu điểm là vừa đảm bảo tính thống nhất ở tầm trường đại học, vừa linh hoạt ở tầm khoa và môn học, vừa có cơ chế thực thi cụ thể. mặc dù vậy, sự thành công của mô hình phụ thuộc vào hai yếu tố quan trọng: thứ nhất, chương trình đào tạo nâng cao nhận thức cho cả giảng viên và sinh viên về sử dụng AI có trách nhiệm — nhiều giảng viên hiện nay vẫn chưa hiểu rõ cách các công cụ AI hoạt động và khả năng cũng như hạn chế của chúng; thứ hai, cơ chế xem xét và cập nhật chính sách định kỳ (ít nhất hàng năm) để phản ứng kịp thời với sự phát triển vượt bậc của công nghệ AI. Lee-Price (2024) cho rằng chính sách liêm chính học thuật trong kỷ nguyên AI không phải là một tài liệu cố định mà là một quy trình liên tục học tập và thích ứng — trong đó cả trường đại học và sinh viên đều là những người học.

6.7.4.1. Tầng 2 chi tiết: Hướng dẫn sử dụng AI theo ngành học

Chính sách sử dụng AI ở tầng 2 không thể áp dụng thống nhất cho tất cả các ngành học, bởi mỗi lĩnh vực có đặc thù riêng về phương pháp nghiên cứu, tiêu chuẩn đánh giá và yêu cầu năng lực quan trọng nhất. Một sinh viên ngành Y khoa cần kỹ năng tư duy lâm sàng độc lập, trong khi sinh viên ngành Khoa học Máy tính vẫn còn được khuyến khích tận dụng AI như một công cụ hỗ trợ lập trình. Do đó, hướng dẫn sử dụng AI cần được cá nhân hóa theo từng ngành, tạo ra khung tham chiếu rõ ràng giúp sinh viên biết chính xác những gì được phép, hạn chế và cấm kỵ trong quá trình học tập.

Dưới đây là phân tích chi tiết theo năm nhóm ngành đại diện, kèm theo khung so sánh trực quan về mức độ cho phép sử dụng AI.

a. Ngôn ngữ học và Ang Văn

Trong các ngành ngôn ngữ học và văn học, quá trình viết là bản thân là một phương thức tư duy và phát triển năng lực. Sinh viên sử dụng AI để kiểm tra ngữ pháp, tra cứu từ vựng, hoặc tìm kiếm ý tưởng sơ khai là hoàn toàn hợp lý. Tuy nhiên, AI không được phép viết toàn bộ bài luận hay đoạn văn thay sinh viên. Nguyên tắc cơ bản ở đây là bảo vệ tính nguyên bản của tiếng nói cá nhân (original voice) — giọng văn, phong cách diễn đạt và cách lập luận phải phản ánh năng lực thực sự của người viết. AI có vai trò là người phản biện, không phải người sáng tác.

b. Khoa học Máy tính

Ngành khoa học máy tính có vị thế quan trọng trong bối cảnh AI, bởi sinh viên được kỳ vọng sẽ làm việc với AI như một công cụ chuyên nghiệp trong tương lai. Sinh viên nên sử dụng AI như một pair programmer ảo để gợi ý giải thuật, thực hiện code review, hoặc hỗ trợ debugging. Mức độ cho phép ở ngành này cao hơn nhiều so với các ngành khác. Tuy nhiên, điều kiện bắt buộc là sinh viên phải giải thích rõ ràng từng dòng code mà AI tạo ra hoặc gợi ý, chứng minh rằng họ hiểu hoàn toàn logic bên dưới. Việc nộp code do AI tạo mà không có chú thích giải thích sẽ bị coi là vi phạm.

c. Y khoa

Trong đào tạo y khoa, AI đóng vai trò mạnh mẽ trong việc tổng hợp y văn, hỗ trợ chẩn đoán phân biệt (differential diagnosis), và tóm tắt hồ sơ bệnh án. Đây là những ứng dụng mang tính hỗ trợ học tập rất giá trị. Tuy nhiên, ranh giới đỏ rõ ràng: mọi quyết định lâm sàng phải do con người đưa ra. Sinh viên không được phép sử dụng AI để đưa ra chẩn đoán cuối cùng hay khuyến cáo điều trị thay cho phán đoán y khoa cá nhân. Việc rèn luyện tư duy lâm sàng thông qua quá trình tự phân tích triệu chứng, kết hợp lâm sàng và cận lâm sàng là mục tiêu học tập không thể thay thế.

d. Luật

Ngành luật cho phép sử dụng AI ở mức độ vừa phải trong các tác vụ hỗ trợ như tra cứu án lệ, tìm kiếm văn bản pháp quy, soạn thảo văn bản pháp lý mẫu, và tóm tắt vụ án dài. Đây là những công việc tốn nhiều thời gian thủ công mà AI sẽ thực hiện hiệu quả. Điểm mấu chốt là phân tích pháp lý phải do sinh viên tự thực hiện, bao gồm việc diễn giải luật, lập luận bằng tiền lệ, và đưa ra kết luận pháp lý. AI không được phép thay thế tư duy phân tích pháp lý — kỹ năng chính của người hành nghề luật.

e. Kinh tế và Kinh doanh

Trong khối ngành kinh tế và kinh doanh, AI là công cụ mạnh cho việc phân tích dữ liệu, xây dựng mô hình dự báo, tổng hợp báo cáo thị trường, và phân tích xu hướng. Sinh viên được khuyến khích tận dụng AI để xử lý lượng lớn dữ liệu, giúp tập trung thời gian vào khâu diễn giải. Tuy nhiên, chiến lược kinh doanh, đề xuất giải pháp quản trị và đánh giá rủi ro phải tự đề xuất dựa trên phân tích của sinh viên. AI cung cấp dữ liệu và xu hướng, nhưng con người đưa ra chiến lược.

Khung so sánh mức độ sử dụng AI theo ngành học

Nguyên tắc xuyên ngành. Dù ở bất kỳ lĩnh vực nào, ba nguyên tắc nền tảng sau đây cần được tuân thủ: (1) Minh bạch — sinh viên phải khai báo rõ phần nào sử dụng AI hỗ trợ; (2) Tự chủ trí tuệ — AI là công cụ, không phải tác giả; (3) Phù hợp mục tiêu học tập — mức độ sử dụng AI không được làm suy giảm việc đạt được learning outcomes của môn học. Khung hướng dẫn theo ngành học không phải là danh mục cố định mà cần được cập nhật định kỳ bởi các khoa chuyên ngành, phản ánh sự phát triển nhanh chóng của công nghệ AI và yêu cầu thay đổi của thị trường lao động.

Ma trận 7 trụ cột chiến lược chuyển đổi số trong giáo dục đại học

Chuyển đổi số trong giáo dục đại học không phải là một dự án công nghệ đơn lẻ mà là một hệ sinh thái đòi hỏi sự phối hợp đồng bộ giữa nhiều chiều chiến lược. Từ kinh nghiệm triển khai tại hàng trăm trường đại học trên thế giới — từ các viện nghiên cứu hàng đầu tại Bắc Âu đến các mô hình đổi mới sáng tạo tại Đông Nam Á — đáp ứng hệ thống hóa lộ trình chuyển đổi số thành 7 trụ cột chiến lược có tính liên kết chặt chẽ. Mỗi trụ cột đảm nhận một vai trò riêng biệt nhưng cùng nhau tạo thành một khung tham chiếu toàn diện, giúp các nhà lãnh đạo giáo dục đại học ưu tiên nguồn lực, đo lường tiến độ và duy trì được tính liên tục trong dài hạn.

Bảy trụ cột này được thiết kế theo nguyên tắc cân bằng giữa tầm nhìn và khả thi: đủ bao quát để phản ánh đầy đủ các khía cạnh của chuyển đổi số, nhưng cũng đủ cụ thể để mỗi trụ cột đáp ứng được chuyển hóa thành các hành động thực thi ngay trong giai đoạn đầu. Thứ tự sắp xếp không ngẫu nhiên — từ tầm nhìn (lớp vĩ mô) đến văn hóa đổi mới (lớp vi mô, nền tảng) — phản ánh logic triển khai từ trên xuống kết hợp với tiếp cận từ dưới lên, giúp các cơ sở giáo dục tránh được tình trạng "đầu tư công nghệ mà bỏ quên con người" vốn rất phổ biến trong các nỗ lực chuyển đổi số giáo dục.

Ma trận dưới đây tóm tắt mục tiêu cốt lõi và hành động ưu tiên (quick-win) cho mỗi trụ cột, tạo ra một bản đồ hành động nhanh mà các nhà quản lý nghĩa là sử dụng ngay để đánh giá mức độ sẵn sàng và xác định bước đi đầu tiên.

Ghi chú về cách đọc ma trận

Bốn trụ cột đầu tiên (tầm nhìn, hạ tầng, năng lực giảng viên và chương trình đào tạo) tạo thành lớp nền tảng — những yếu tố phải được đầu tư song song ngay từ giai đoạn khởi động. Nếu thiếu tầm nhìn chiến lược, các dự án công nghệ sẽ rơi vào tình trạng phân tán; nếu thiếu hạ tầng, mọi sáng kiến đều trở nên chậm chạp và khó mở rộng; nếu giảng viên chưa sẵn sàng, công nghệ sẽ bị bỏ phí; và nếu chương trình đào tạo không được cập nhật, sinh viên sẽ ra trường mà thiếu những năng lực số mà thị trường lao động đang yêu cầu.

Ba trụ cột còn lại (quản trị AI, công bằng số và văn hóa đổi mới) cấu thành lớp bảo vệ và nuôi dưỡng — chúng đảm bảo rằng chuyển đổi số không chỉ đạt được về mặt kỹ thuật mà còn phát triển một cách có trách nhiệm, bao trùm và bền vững. Quản trị AI ngăn ngừa rủi ro đạo đức và pháp lý; công bằng số đảm bảo không ai bị bỏ lại phía sau; và văn hóa đổi mới là "chất xúc tác" biến các chính sách thành hành động thực tiễn mỗi ngày.

Việc phân biệt hai lớp này có ý nghĩa thực tiễn quan trọng: các trường không cần hoàn thành toàn bộ bảy trụ cột mới bắt đầu — nhưng cần khởi động đồng thời ít nhất ba trong bốn trụ cột nền tảng (thường là tầm nhìn, hạ tầng và năng lực giảng viên) rồi mới bổ sung dần các trụ cột bảo vệ. Cách tiếp cận này giúp tránh được "bẫy hoàn hảo hóa" — một rào cản tâm lý phổ biến khiến nhiều trường đại học trì hoãn hành động vì muốn có kế hoạch hoàn chỉnh cho mọi khía cạnh cùng một lúc.

Ngoài ra, bảy trụ cột này không tồn tại độc lập mà có tính phụ thuộc lẫn nhau. Năng lực giảng viên (trụ cột 3) không thể phát triển nếu hạ tầng số (trụ cột 2) yếu kém; quản trị AI (trụ cột 5) cần dựa trên tầm nhìn chiến lược (trụ cột 1) để xác định ranh giới chấp nhận được; và công bằng số (trụ cột 6) chỉ thực sự được thực thi khi nó được phản ánh trong cả chương trình đào tạo lẫn văn hóa tổ chức. Do đó, các nhà lãnh đạo nên sử dụng ma trận này như một công cụ đánh giá định kỳ — khảo sát mức độ trưởng thành của từng trụ cột mỗi 6 tháng — thay vì coi nó là một danh sách kiểm tra hoàn thành một lần.

6.8. Sở hữu trí tuệ và bản quyền trong kỷ nguyên AI tạo sinh

Sự xuất hiện của các mô hình AI tạo sinh (generative AI) như ChatGPT, DALL-E, Midjourney và Stable Diffusion đã tạo ra một cuộc khủng hoảng pháp lý chưa từng có trong lĩnh vực sở hữu trí tuệ (intellectual property — IP). Tại môi trường giáo dục đại học — nơi sản xuất tri thức là sứ mệnh cốt lõi — câu hỏi về ai sở hữu các sản phẩm do AI hỗ trợ tạo ra trở nên cấp bách hơn bao giờ hết. Một bài nghiên cứu do AI hỗ trợ viết, một thiết kế sinh viên dùng AI tạo hình, hay một phần mềm phát minh bằng sự hỗ trợ của AI — tất cả đều đặt ra câu hỏi pháp lý chưa có câu trả lời thỏa đáng.

Cơ quan Bản quyền Hoa Kỳ (U.S. Copyright Office) đã ban hành hướng dẫn vào năm 2023 về việc đăng ký bản quyền cho các tác phẩm chứa nội dung do AI tạo sinh. Theo hướng dẫn này, chỉ những phần của tác phẩm do con người sáng tạo mới được bảo hộ bản quyền, trong khi nội dung hoàn toàn do AI tạo ra mà không có sự đóng góp sáng tạo của con người sẽ không đủ điều kiện đăng ký. Điều này có nghĩa là một bài nghiên cứu được viết hoàn toàn bởi AI không thể được đăng ký bản quyền, nhưng một bài viết mà con người chỉnh sửa, bổ sung ý tưởng và định hình bằng sáng tạo thì có thể được bảo hộ một phần hoặc toàn bộ.

U.S. Copyright Office (2023). Hướng dẫn "Copyright Registration Guidance: Works Containing Material Generated by Artificial Intelligence Systems" (Federal Register, Vol. 88, No. 51) quy định rõ rằng "cơ quan sẽ đăng ký một tác phẩm chứa nội dung do AI tạo sinh chỉ khi có đủ sự sáng tạo của con người trong tác phẩm đó." Hướng dẫn phân biệt giữa việc sử dụng AI như một công cụ sáng tạo (được bảo hộ) và việc để AI tự tạo ra tác phẩm (không được bảo hộ), tạo ra ranh giới pháp lý đầu tiên cho vấn đề này.

Trong lĩnh vực phát minh và sáng chế, Tòa án Phúc thẩm Liên bang Hoa Kỳ đã ra phán quyết mang tính bước ngoặt trong vụ Thaler v. Vidal (2022), khi bác bỏ yêu cầu đăng ký bằng sáng chế mà AI DABUS được chỉ định là nhà phát minh. Tòa phán quyết rằng theo Đạo luật Bằng sáng chế Hoa Kỳ, chỉ "cá nhân" (individual) — tức là con người — mới có khả năng là nhà phát minh. Phán quyết này đã tạo tiền lệ pháp lý quan trọng, nhưng đồng thời để lại hàng loạt câu hỏi chưa giải quyết: một phát minh mà con người sử dụng AI để hỗ trợ nghiên cứu thì ai là người sở hữu? Quyền của người cung cấp prompt (lệnh) cho AI có được công nhận không?

Tại Liên minh Châu Âu, Đạo luật AI (EU AI Act, Regulation 2024/1689) không trực tiếp giải quyết vấn đề sở hữu trí tuệ của sản phẩm AI tạo sinh, nhưng thông qua các yêu cầu về tính minh bạch — buộc các hệ thống AI phải công bố liệu nội dung đầu ra có được tạo ra bởi AI hay không — đạo luật gián tiếp ảnh hưởng đến cách các sản phẩm này được quản lý và nhận diện trong hệ thống bản quyền. Đây là một bước tiến dù chưa trực tiếp giải quyết câu hỏi cốt lõi về quyền sở hữu.

Trong bối cảnh giáo dục đại học, các vấn đề sở hữu trí tuệ liên quan đến AI đáng lưu ý phức tạp. Giảng viên sử dụng AI tạo sinh để soạn giáo trình — ai sở hữu giáo trình đó: giảng viên, trường đại học, nhà cung cấp AI, hay không ai? Sinh viên sử dụng AI để hoàn thành khóa luận tốt nghiệp — bài khóa luận có được bảo hộ như công trình nghiên cứu thông thường không? Các mô hình AI được đào tạo bằng dữ liệu từ các bài báo khoa học của trường — có vi phạm bản quyền không? Những câu hỏi này đang đặt ra thách thức lớn cho các chính sách sở hữu trí tuệ của trường đại học trên toàn thế giới.

Tại Việt Nam, Luật Sở hữu trí tuệ được sửa đổi năm 2022 (Luật số 07/2022/QH15, có hiệu lực từ 1/1/2023) đã có những bước tiến quan trọng nhưng chưa có điều khoản cụ thể đối với các tác phẩm do AI tạo ra. Theo nguyên tắc hiện hành, tác giả được định nghĩa là "cá nhân trực tiếp sáng tạo ra tác phẩm" — một định nghĩa không bao gồm hệ thống AI. Điều này tạo ra khoảng trống pháp lý đáng kể, khi mà hàng triệu sinh viên và giảng viên Việt Nam đang sử dụng AI tạo sinh trong công việc học thuật hàng ngày mà không có khung pháp lý rõ ràng để xác định quyền sở hữu đối với các sản phẩm tạo ra.

Thaler v. Vidal, No. 21-2347 (Fed. Cir. 2022). Tòa án Phúc áp Khu vực Liên bang Hoa Kỳ phán quyết: "Chúng tôi kết luận rằng Đạo luật Bằng sáng chế yêu cầu một 'nhà phát minh' phải là một con người — nghĩa là một cá nhân tự nhiên. Dựa trên văn bản của Đạo luật, văn bản luật của Tòa án Tối cao và lịch sử lập pháp của Đạo luật, AI không thể là 'nhà phát minh' theo Đạo luật Bằng sáng chế." Phán quyết này xác lập nguyên tắc rằng chỉ con người mới có tư cách chủ thể trong sáng chế.

Để đối phó với tình trạng này, nhiều trường đại học trên thế giới đã bắt đầu cập nhật chính sách sở hữu trí tuệ. Các trường như MIT và Stanford đã bổ sung điều khoản yêu cầu giảng viên và nghiên cứu sinh phải công bố việc sử dụng AI trong quá trình nghiên cứu. Một số trường thì cấm việc sử dụng AI tạo sinh trong việc tạo ra tài liệu có giá trị thương mại mà không có sự kiểm duyệt của ban sở hữu trí tuệ. Tại Việt Nam, các trường đại học cần nhanh chóng xây dựng chính sách nội bộ về sử dụng AI trong nghiên cứu và giảng dạy, đồng thời tham gia vào quá trình hoàn thiện khung pháp lý quốc gia về AI và sở hữu trí tuệ. Việc chờ đợi đến khi có hướng dẫn pháp lý hoàn chỉnh từ Chính phủ sẽ được khiến các trường mất đi vị thế trong việc bảo vệ quyền lợi chính đáng của giảng viên và sinh viên trong kỷ nguyên AI tạo sinh.

---

7. Chính sách, quản trị và lãnh đạo trong chuyển đổi số

7.1. Chiến lược chuyển đổi số: Từ tầm nhìn đến hành động

Chuyển đổi số giáo dục đại học đòi hỏi lãnh đạo tầm nhìn và chiến lược rõ ràng. Không phải ngẫu nhiên mà các trường đại học thành công nhất trong chuyển đổi số đều là những nơi có sự cam kết mạnh mẽ từ cấp lãnh đạo cao nhất (Islam, 2026).

Lãnh đạo chuyển đổi số trong giáo dục đại học cần kết hợp ba yếu tố: tầm nhìn chiến lược (nhận thức về hướng đi và mục tiêu dài hạn), năng lực quản trị (khả năng tổ chức và điều phối nguồn lực), và nhạy cảm công nghệ (hiểu đủ về công nghệ để đưa ra quyết định sáng suốt) (Islam, 2026).

Chiến lược chuyển đổi số hiệu quả thường có các đặc điểm sau: được phát triển với sự tham gia đa bên (stakeholder involvement) — bao gồm giảng viên, sinh viên, nhân viên và đối tác bên ngoài; có lộ trình rõ ràng với các cột mốc đo lường được; được hỗ trợ bởi nguồn lực tài chính và nhân lực đầy đủ; có cơ chế kiểm tra và điều chỉnh thường xuyên; và được truyền thông hiệu quả đến toàn bộ cộng đồng học thuật (Heller, 2026).

bên cạnh đó, nhiều trường đại học mắc sai lầm khi coi chuyển đổi số là một "dự án" có điểm bắt đầu và kết thúc. Thực tế, chuyển đổi số là một quá trình liên tục — cần được quản lý như một chiến lược phát triển dài hạn, không phải như một dự án đầu tư công nghệ (Uoc, 2025).

7.2. Quản trị AI trong giáo dục đại học

Quản trị AI (AI governance) đang trở thành một vấn đề cấp thiết trong giáo dục đại học. Khi AI ngày càng được tích hợp sâu vào hoạt động giảng dạy, nghiên cứu và quản trị, các trường đại học cần xây dựng khung quản trị AI rõ ràng để đảm bảo sử dụng AI với phương thức có trách nhiệm (Fowler, 2023).

Các khung quản trị AI trong giáo dục đại học thường bao gồm: chính sách sử dụng AI (quy định rõ ai được sử dụng AI nào, trong ngữ cảnh nào), tiêu chuẩn chất lượng AI (yêu cầu về độ chính xác, độ tin cậy và tính công bằng), cơ chế giám sát và đánh giá (theo dõi hiệu quả và tác động của AI), quy trình giải quyết khi có sự cố (khi AI đưa ra kết quả sai hoặc gây hại), và chiến lược phát triển năng lực AI (đào tạo nhân sự có khả năng quản lý và sử dụng AI).

Nghiên cứu về quản trị AI trong giáo dục đại học châu Phi cho thấy rằng ngay cả khi có nhận thức về tầm quan trọng của AI, nhiều trường đại học vẫn thiếu khung chính sách và năng lực quản trị để triển khai AI trong quá trình có hệ thống (Kimathi, 2026). Bài học này hoàn toàn áp dụng cho nhiều trường đại học ở các nước đang phát triển.

7.3. Văn hóa tổ chức và sự kháng cự

Một trong những rào cản lớn nhất đối với chuyển đổi số giáo dục đại học không phải công nghệ mà là văn hóa tổ chức. Các trường đại học là những tổ chức có truyền thống lâu đời, với các quy tắc, quy trình và niềm tin được xây dựng qua nhiều thế hệ (Zemba, Chilonga và cộng sự, 2026).

Sự kháng cự đối với chuyển đổi số trong giáo dục đại học thường xuất phát từ ba nguồn chính: sợ mất vai trò (giảng viên lo lắng AI sẽ thay thế họ), không có động lực thay đổi (hệ thống khen thưởng chưa ưu tiên năng lực số), và quá tải công việc (giảng viên đã bận rộn, không có thời gian để học và áp dụng công nghệ mới) (Zemba, Chilonga và cộng sự, 2026).

Xây dựng văn hóa số trong trường đại học đòi hỏi thời gian và sự kiên nhẫn. Các chiến lược hiệu quả bao gồm: tạo "đội tiên phong" (champion teams) — nhóm giảng viên có năng lực số cao đi đầu trong áp dụng công nghệ mới; tổ chức các hoạt động chia sẻ kinh nghiệm số giữa giảng viên; liên kết năng lực số với đánh giá và khen thưởng; và xây dựng môi trường an toàn để thử nghiệm — nơi giảng viên được phép thử nghiệm, sai và học hỏi (Troche, 2025).

7.4. Đầu tư và tài chính cho chuyển đổi số

Chuyển đổi số giáo dục đại học đòi hỏi đầu tư tài chính đáng kể — không chỉ cho hạ tầng kỹ thuật mà còn cho phát triển nhân lực, nội dung số và nghiên cứu đổi mới. Nhiều trường đại học, nổi bật ở các nước đang phát triển, đang phải đối mặt với bài toán khó: làm sao đầu tư cho chuyển đổi số khi ngân sách đã eo hẹp (Heller, 2026).

Các mô hình tài chính phổ biến cho chuyển đổi số giáo dục bao gồm: ngân sách từ nguồn công (government funding) — thông qua các chương trình hỗ trợ chuyển đổi số quốc gia; quan hệ đối tác công tư (PPP) — trường đại học hợp tác với công ty công nghệ; doanh thu từ dịch vụ số — cung cấp dịch vụ giáo dục trực tuyến thu phí; và nguồn tài trợ quốc tế — từ các tổ chức phát triển và ngân hàng phát triển (Alammary, 2024).

Bài học quan trọng từ kinh nghiệm quốc tế là: chuyển đổi số không phải là "chi phí" mà là "đầu tư" — đầu tư có thu hồi. Các trường đại học đã đầu tư vào số hóa sớm nay đang thu lợi lớn về hiệu quả vận hành, chất lượng giáo dục và uy tín học thuật. dù vậy vẫn, việc thuyết phục các nhà ra quyết định về điều này đòi hỏi bằng chứng rõ ràng và kế hoạch triển khai khả thi.

7.5. Lãnh đạo chuyển đổi số: Từ lý thuyết đến thực tiễn

Lãnh đạo chuyển đổi số đòi hỏi một bộ kỹ năng đáng chú ý mà không phải mọi lãnh đạo giáo dục đều có sẵn. Nghiên cứu về lãnh đạo chuyển đổi số trong giáo dục đại học chỉ ra rằng lãnh đạo hiệu quả cần kết hợp năng lực quản lý truyền thống với nhạy cảm công nghệ và tầm nhìn đổi mới.

Các nghiên cứu về sẵn sàng số của lãnh đạo trường đại học cho thấy một bức tranh đa dạng. Một số lãnh đạo có tầm nhìn mạnh mẽ về chuyển đổi số và thúc đẩy tích cực, trong khi những người khác vẫn coi công nghệ là "vấn đề của phòng IT" — không liên quan đến chiến lược giáo dục (Uoc, 2025).

Ba kiểu lãnh đạo chuyển đổi số được nhận dạng trong nghiên cứu: lãnh đạo kiến tạo (transformative leadership) — định hình lại tầm nhìn và chiến lược trường dựa trên cơ hội công nghệ; lãnh đạo hỗ trợ (supportive leadership) — tạo điều kiện và nguồn lực để các sáng kiến số phát triển từ cấp cơ sở; và lãnh đạo tiên phong (early adopter leadership) — tự mình sử dụng và thử nghiệm công nghệ mới để tạo mẫu (Fowler, 2023).

Lãnh đạo chuyển đổi số trong giáo dục đại học cần một phẩm chất đáng nhấn mạnh: sự kiên nhẫn chiến lược. Không giống doanh nghiệp — nơi kết quả có khả năng đo lường bằng doanh thu — giáo dục đại học đòi hỏi thời gian dài hơn để thấy tác động của chuyển đổi số. Lãnh đạo có kiên nhẫn mới được duy trì cam kết và nguồn lực cần thiết cho một quá trình thay đổi dài hạn.

8. Bối cảnh quốc gia đang phát triển: Thách thức đặc thù và bài học

8.1. Chuyển đổi số giáo dục tại các nước đang phát triển

Các quốc gia đang phát triển đối mặt với một bộ thách thức đặc thù trong chuyển đổi số giáo dục đại học — thách thức mà các nước phát triển đã vượt qua nhiều năm trước hoặc chưa từng phải đối mặt. Sự chênh lệch nguồn lực, năng lực và hạ tầng tạo ra một khoảng cách số ngày càng nới rộng giữa các hệ thống giáo dục (Zemba, Chilonga và cộng sự, 2026).

Nghiên cứu về chuyển đổi số giáo dục đại học trong kỷ nguyên hậu đại dịch tại các trường đại học công lập Zambia cho thấy rằng các quốc gia châu Phi đang đối mặt với "vòng luẩn quẩn số" — thiếu hạ tầng vì thiếu đầu tư, khó thu hút đầu tư vì thiếu hạ tầng, và khó xây dựng năng lực vì cả hạ tầng lẫn đầu tư đều thiếu (Zemba, Chilonga và cộng sự, 2026).

8.2. Việt Nam: Tiến bộ và khoảng cách

Giáo dục đại học Việt Nam đang ở trong một giai đoạn chuyển đổi quan trọng. Các chính sách thúc đẩy chuyển đổi số quốc gia đã tạo ra động lực mạnh mẽ, và nhiều trường đại học đã đạt được những thành tựu đáng kể trong xây dựng hạ tầng số và phát triển chương trình đào tạo trực tuyến (Uoc, 2025).

Chuyển đổi số giáo dục đại học tại Việt Nam hiện nay cho thấy một bức tranh đa dạng: một số trường đại học lớn tại Hà Nội và TP. Hồ Chí Minh đã đạt mức độ số hóa tương đối cao, nhưng nhiều trường ở khu vực miền núi và Đồng bằng sông Cửu Long vẫn đang đối mặt với những rào cản cơ bản về hạ tầng kỹ thuật và năng lực nhân sự (Uoc, 2025).

Tri và Hoang (2023) đã phân tích tác động của chuyển đổi số giáo dục đại học tại Việt Nam thông qua nghiên cứu tình huống chi tiết, chỉ ra rằng dù các trường đại học Việt Nam đã có những bước tiến đáng kể trong việc áp dụng công nghệ — trọng tâm là sau đại dịch COVID-19 — vẫn còn nhiều thách thức về: chất lượng trải nghiệm học tập trực tuyến, sự đồng bộ giữa các hệ thống thông tin, năng lực số của giảng viên, và tính bền vững của các nỗ lực chuyển đổi số.

Một đặc điểm đáng lưu ý của giáo dục đại học Việt Nam là vai trò quan trọng của các trường đại học trọng điểm trong thúc đẩy chuyển đổi số. Các trường như Đại học Quốc gia Hà Nội, Đại học Quốc gia TP. Hồ Chí Minh và một số trường đại học lớn khác đã tham gia vào tiên phong trong xây dựng chương trình đào tạo trực tuyến, phát triển nền tảng học tập số và ứng dụng AI trong quản lý giáo dục (Uoc, 2025).

8.3. Kinh nghiệm từ Đông Nam Á và các nước đang phát triển

Kinh nghiệm chuyển đổi số giáo dục đại học từ các nước Đông Nam Á và các nước đang phát triển khác cung cấp nhiều bài học quý giá cho Việt Nam.

Hàn Quốc và Singapore — hai quốc gia dẫn đầu khu vực về chuyển đổi số giáo dục — đã đầu tư mạnh mẽ vào hạ tầng số giáo dục từ nhiều năm trước và hiện đang tập trung vào ứng dụng AI trong giáo dục. Bài học từ hai quốc gia này cho thấy tầm quan trọng của đầu tư dài hạn, chiến lược toàn diện và sự liên kết chặt chẽ giữa chính sách quốc gia và thực tiễn trường học (Heller, 2026).

Các nước Đông Nam Á khác — Thái Lan, Indonesia, Malaysia, Philippines — đang ở các giai đoạn khác nhau của quá trình chuyển đổi số. Kinh nghiệm chung cho thấy rằng các quốc gia thành công nhất là những nơi có chiến lược quốc gia rõ ràng cho giáo dục số, có cơ chế tài chính bền vững, và có sự hợp tác mạnh mẽ giữa trường đại học và khu vực tư nhân (Islam, 2026).

So sánh chuyển đổi số giáo dục đại học ở các nước đang phát triển cho thấy rằng yếu tố quyết định không phải là quy mô đầu tư mà là sự phối hợp: phối hợp giữa chính sách quốc gia và chiến lược trường, phối hợp giữa đầu tư hạ tầng và phát triển năng lực nhân lực, và phối hợp giữa áp dụng công nghệ và đổi mới sư phạm (Zemba, Chilonga và cộng sự, 2026).

8.4. Nguy cơ "số hóa rập khuôn"

Một rủi ro quan trọng mà các nước đang phát trình — bao gồm Việt Nam — phải đối mặt là "số hóa rập khuôn": áp dụng mô hình chuyển đổi số của nước phát triển mà không điều chỉnh cho phù hợp với bối cảnh đặc thù (Uoc, 2025).

Mô hình chuyển đổi số của các trường đại học hàng đầu thế giới được xây dựng dựa trên bối cảnh rất khác: ngân sách lớn, cơ sở hạ tầng hiện đại, văn hóa giáo dục khác, và thị trường lao động khác. Việc cố sao chép mô hình này mà không phân tích kỹ bối cảnh tại địa phương sẽ dẫn đến lãng phí nguồn lực và kết quả không đạt (Tri và Hoang, 2023).

Việt Nam cần xây dựng chiến lược chuyển đổi số giáo dục đại học dựa trên ba nguyên tắc: bối cảnh hóa (contextualization) — phù hợp với điều kiện kinh tế xã hội và văn hóa giáo dục Việt Nam; nhịp độ phù hợp (appropriate pace) — ưu tiên những lĩnh vực có tác động lớn nhất và khả năng thực hiện tốt nhất; và phát huy lợi thế (leverage strengths) — tận dụng những thế mạnh đặc thù của giáo dục Việt Nam như sự năng động của sinh viên và mạng lưới cựu sinh viên mạnh (Uoc, 2025).

8.5. Chuyển đổi số và bất bình đẳng giáo dục

Một trong những vấn đề phức tạp nhất của chuyển đổi số giáo dục đại học trong bối cảnh các nước đang phát triển là tác động đến bất bình đẳng giáo dục. Mặc dù công nghệ số có tiềm năng mở rộng tiếp cận giáo dục — thông qua giáo dục trực tuyến, nội dung số và nền tảng học tập — nhưng nó cũng có nguy cơ làm sâu sắc thêm khoảng cách giữa những người có và không có tiếp cận công nghệ (Černý, 2024).

Bất bình đẳng số trong giáo dục đại học không chỉ là vấn đề "có máy tính hay không" mà là một hệ thống bất bình đẳng đa chiều — bao gồm tiếp cận thiết bị, kết nối Internet, năng lực sử dụng công nghệ, và khả năng tận dụng công nghệ cho mục đích giáo dục (Černý, 2024).

Khoảng cách số giữa thành thị và nông thôn, giữa nhóm thu nhập cao và thấp, giữa nam và nữ — tất cả đều nên được lan truyền và khuếch đại qua chuyển đổi số giáo dục. Sinh viên từ các gia đình có điều kiện kinh tế tốt hơn có nhiều khả năng tiếp cận thiết bị tốt hơn, kết nối Internet nhanh hơn và có môi trường học tập ở nhà phù hợp hơn (Zemba, Chilonga và cộng sự, 2026).

Tại Việt Nam, khoảng cách số giữa các vùng miền là rất rõ rệt. Sinh viên tại Hà Nội và TP. Hồ Chí Minh có lợi thế rất lớn về hạ tầng Internet, không gian học tập và tiếp cận với công nghệ mới so với sinh viên tại các tỉnh miền núi và Đồng bằng sông Cửu Long (Uoc, 2025).

8.6. Vai trò của đối tác quốc tế

Đối tác quốc tế đóng góp vào quan trọng trong chuyển đổi số giáo dục đại học tại các nước đang phát triển. Các tổ chức quốc tế — UNESCO, Ngân hàng Thế giới, ADB — đã tài trợ nhiều dự án chuyển đổi số giáo dục ở các nước đang phát triển (Zemba, Chilonga và cộng sự, 2026).

Các hình thức hợp tác quốc tế hiệu quả bao gồm: chương trình phát triển năng lực — đào tạo giảng viên và quản lý các nước đang phát triển tại các trường đại học tiên phong; dự án hạ tầng — tài trợ xây dựng hệ thống mạng, trang thiết bị và phần mềm; và nghiên cứu chung — hợp tác nghiên cứu về các mô hình chuyển đổi số phù hợp với bối cảnh địa phương (Heller, 2026).

mặc dù vậy, hợp tác quốc tế cũng có những rủi ro riêng — nổi bật là nguy cơ "phụ thuộc công nghệ" — khi các nước đang phát triển phụ thuộc hoàn toàn vào công nghệ và chuyên gia nước ngoài mà không xây dựng được năng lực nội tại bền vững (Islam, 2026).

8.7. Đóng khoảng trống chính sách: Gợi ý cho Việt Nam

Như đã phân tích ở các phần trước, Uoc (2025) đã xác định ba khoảng trống số quan trọng trong giáo dục đại học Việt Nam: (i) khoảng trống hạ tầng và công nghệ, (ii) khoảng trống năng lực số của đội ngũ giảng viên, và (iii) khoảng trống về khung chính sách và quản trị. Phát hiện này hoàn toàn phù hợp với kết quả đánh giá readiness AI thông qua công cụ RAM của UNESCO đối với Việt Nam, trong đó bốn trong sáu thành phần bản chất (chính sách, cơ sở hạ tầng, giảng dạy và học tập, quản trị dữ liệu) đều nằm ở mức "đang phát triển" (emerging), chưa đạt mức "tiến bộ" (advanced) ở bất kỳ lĩnh vực nào. Dưới đây, tác giả đề xuất một số giải pháp chính sách cụ thể nhằm thu hẹp từng khoảng trống, đồng thời đảm bảo tính liên kết với các khuôn khổ khu vực ASEAN và tiêu chuẩn quốc tế.

8.7.1. Khoảng trống hạ tầng và công nghệ: Nâng cấp đồng bộ, chia sẻ nguồn lực

Khoảng trống thứ nhất liên quan đến sự thiếu đồng đều về cơ sở hạ tầng kỹ thuật số giữa các cơ sở giáo dục đại học, đáng chú ý là giữa các trường ở thành thị và vùng sâu, vùng xa. Giải pháp chính cần tập trung vào ba hướng.

Thứ nhất, đề nghị Bộ Giáo dục và Đào tạo ban hành "Chương trình mục tiêu quốc gia về hạ tầng số giáo dục đại học" giai đoạn 2026–2030, ưu tiên đầu tư nền tảng điện toán đám mây dùng chung cho khối đại học công lập. Thay vì mỗi trường tự xây dựng trung tâm dữ liệu riêng — gây lãng phí và khó bảo trì — các trường phải chia sẻ hạ tầng đám mây quốc gia, giảm chi phí vận hành đồng thời đảm bảo tiêu chuẩn bảo mật thống nhất.

Thứ hai, cần thiết lập cơ chế đối tác công – tư (PPP) trong đầu tư hạ tầng công nghệ giáo dục. Chính phủ vẫn còn ban hành chính sách ưu đãi thuế cho doanh nghiệp công nghệ tham gia cung cấp giải pháp hạ tầng số cho các trường đại học, tương tự mô hình mà một số quốc gia ASEAN đã triển khai.

Thứ ba, đề xuất xây dựng bộ tiêu chuẩn tối thiểu về hạ tầng số cho từng nhóm trường đại học (nghiên cứu, ứng dụng, chuyên ngành), được cập nhật hàng năm dựa trên chỉ số sẵn sàng AI. Các tiêu chuẩn này nên bao gồm: băng thông internet tối thiểu, tỷ lệ máy tính xách tay trên sinh viên, hệ thống quản lý học tập (LMS) tích hợp trí tuệ nhân tạo, và năng lực lưu trữ dữ liệu bảo mật.

Việc đánh giá readiness AI cho giáo dục tại các quốc gia đang phát triển cho thấy rằng cơ sở hạ tầng và kết nối internet là yếu tố nền tảng quyết định khả năng ứng dụng AI trong giáo dục, đồng thời cần có chiến lược đầu tư từng giai đoạn phù hợp với điều kiện kinh tế – xã hội của từng quốc gia (VJST, 2026).

8.7.2. Khoảng trống năng lực số của giảng viên: Từ đào tạo đến khuyến khích

Khoảng trống thứ hai phản ánh thực trạng nhiều giảng viên đại học chưa có đủ năng lực sử dụng công cụ số và AI trong giảng dạy, nghiên cứu. Các nghiên cứu gần đây tại miền Nam Việt Nam cho thấy tỷ lệ giảng viên tích cực sử dụng AI trong giảng dạy vẫn còn thấp, chủ yếu do thiếu đào tạo bài bản và thiếu khung đánh giá năng lực số rõ ràng.

Đề xuất thứ nhất là xây dựng và ban hành "Khung năng lực số giảng viên đại học Việt Nam" — một bộ tiêu chuẩn rõ ràng gồm các cấp độ từ cơ bản đến nâng cao, tương tự khung DigCompEdu của Liên minh Châu Âu nhưng được địa phương hóa cho bối cảnh Việt Nam. Khung này cần bao gồm ba nhóm năng lực: (a) năng lực sử dụng công nghệ thông tin cơ bản, (b) năng lực ứng dụng AI trong thiết kế bài giảng và đánh giá, và (c) năng lực nghiên cứu và phát triển ứng dụng AI trong chuyên ngành.

Đề xuất thứ hai là yêu cầu các trường đại học dành tối thiểu 5% tổng ngân sách đào tạo thường xuyên hàng năm cho phát triển năng lực số của giảng viên, bao gồm khóa học ngắn hạn, hội thảo thực hành, và chương trình cố vấn (mentoring) giữa giảng viên có kinh nghiệm và giảng viên trẻ.

Đề xuất thứ ba là đưa năng lực số và năng lực ứng dụng AI vào tiêu chuẩn xét duyệt chức danh giảng viên và tiêu chí khen thưởng. Đây là động lực quan trọng, bởi khi năng lực số được ghi nhận trong lộ trình thăng tiến nghề nghiệp, giảng viên sẽ chủ động nâng cấp kỹ năng.

Nghiên cứu thực tiễn về ứng dụng trí tuệ nhân tạo trong giảng dạy đại học tại miền Nam Việt Nam cho thấy nhu cầu bức thiết về chương trình đào tạo thường xuyên cho giảng viên, đồng thời chỉ ra rằng sự khác biệt về năng lực ứng dụng AI giữa các nhóm giảng viên phụ thuộc đáng kể vào việc có hay không được tiếp cận đào tạo có hệ thống (Nguyen Thanh Long Vuong, 2026).

8.7.3. Khoảng trống về khung chính sách và quản trị: Xây dựng hành lang pháp lý cho AI trong giáo dục

Khoảng trống thứ ba và quan trọng nhất là sự thiếu vắng một khung chính sách toàn diện điều chỉnh việc ứng dụng trí tuệ nhân tạo trong giáo dục đại học. Hiện nay, Việt Nam chưa có quy định pháp luật riêng biệt về AI trong giáo dục, dẫn đến tình trạng các trường đại học tự áp dụng các quy chế nội bộ không đồng nhất.

a) Quy chế công nhận kết quả học tập từ AI

Một trong những vấn đề cấp bách nhất là cách thức công nhận và đánh giá kết quả học tập khi sinh viên sử dụng công cụ AI trong quá trình học tập. Tác giả đề nghị Bộ Giáo dục và Đào tạo ban hành "Thông tư hướng dẫn đánh giá học tập trong môi trường có ứng dụng trí tuệ nhân tạo", bao gồm các nội dung sau: (i) phân loại rõ các mức độ sử dụng AI trong học tập — từ hỗ trợ tham khảo đến tự động tạo nội dung; (ii) quy định nguyên tắc minh bạch, yêu cầu sinh viên công bố việc sử dụng AI trong bài tập, tiểu luận, và khóa luận; (iii) hướng dẫn phương pháp đánh giá thay thế, như đánh giá qua vấn đáp thực hành, đánh giá dựa trên quá trình (portfolio) thay vì chỉ đánh giá sản phẩm cuối cùng; (iv) quy định chế tài xử lý vi phạm khi sử dụng AI sai quy định, đồng thời đảm bảo tính công bằng và có cơ chế kháng nghị.

Định hướng chung không nên cấm sử dụng AI mà là quản lý sử dụng AI bằng biện pháp có trách nhiệm. Sinh viên cần được trang bị kỹ năng làm việc cùng AI (human-AI collaboration) — đây là năng lực thiết yếu cho thị trường lao động tương lai.

b) Quy định đạo đức AI trong trường đại học

Cần xây dựng "Bộ nguyên tắc đạo đức ứng dụng AI trong giáo dục đại học Việt Nam" dựa trên nền tảng các khuyến nghị của UNESCO về đạo đức AI và các nguyên tắc khu vực ASEAN. Bộ nguyên tắc này nên bao gồm các trụ cột sau: (i) tính minh bạch và giải thích được — mọi công cụ AI sử dụng trong giảng dạy và đánh giá phải có cơ chế giải thích quyết định; (ii) công bằng và không phân biệt — đảm bảo các thuật toán AI không gây bất lợi cho nhóm sinh viên yếu thế; (iii) bảo vệ quyền riêng tư và dữ liệu cá nhân — đáng nhấn mạnh quan trọng trong bối cảnh giáo dục, nơi dữ liệu sinh viên có tính nhạy cảm cao; (iv) trách nhiệm giải trình — xác định rõ trách nhiệm khi hệ thống AI đưa ra quyết định sai; (v) tính bền vững và phục vụ lợi ích chung — AI trong giáo dục phải hướng tới mục tiêu nâng cao chất lượng giáo dục chứ không chỉ tối ưu hóa chi phí.

Nghiên cứu về quản trị đạo đức AI trong giáo dục tại Đông Nam Á khuyến nghị các quốc gia trong khu vực cần xây dựng bộ nguyên tắc đạo đức AI riêng cho lĩnh vực giáo dục, phù hợp với bối cảnh văn hóa – xã hội bản địa, đồng thời đảm bảo tính nhất quán với các khuôn khổ quốc tế như Khuyến nghị về đạo đức AI của UNESCO (Jayasinghe, 2026).

Mỗi trường đại học cần thành lập "Hội đồng đạo đức AI" hoặc bổ sung chức năng quản trị AI vào hội đồng khoa học và đào tạo hiện tại, với nhiệm vụ xem xét và phê duyệt việc triển khai các công cụ AI mới, giám sát việc tuân thủ nguyên tắc đạo đức, và tiếp nhận phản hồi từ sinh viên và giảng viên.

c) Khung đánh giá sẵn sàng AI theo công cụ RAM của UNESCO

Việt Nam cần chính thức áp dụng công cụ RAM (Readiness Assessment Methodology) của UNESCO làm khung chuẩn để đánh giá readiness AI trong giáo dục định kỳ hàng năm. Đề xuất Bộ Giáo dục và Đào tạo phối hợp với Viện Khoa học Giáo dục Việt Nam tiến hành đánh giá quốc gia theo RAM vào năm 2027, sau đó lặp lại mỗi hai năm.

Kết quả đánh giá RAM cần được sử dụng cho ba mục đích: (i) làm cơ sở điều chỉnh chính sách — các lĩnh vực được đánh giá ở mức thấp sẽ được ưu tiên nguồn lực đầu tư; (ii) làm tiêu chí trong xếp hạng và tự đánh giá chất lượng cơ sở giáo dục đại học; (iii) làm dữ liệu đầu vào cho hoạch định chiến lược chuyển đổi số giáo dục của từng trường. Việc sử dụng công cụ chuẩn quốc tế này cũng giúp Việt Nam có dữ liệu so sánh với các quốc gia khác trong khu vực và trên thế giới.

Kết quả đánh giá readiness AI sử dụng công cụ RAM của UNESCO tại Việt Nam cho thấy trên nhiều phương diện — chính sách, cơ sở hạ tầng, giảng dạy và đánh giá, quản trị dữ liệu — đều còn không gian cải thiện đáng kể, đồng thời khuyến nghị Việt Nam cần ưu tiên xây dựng khung chính sách toàn diện, nâng cấp hạ tầng dữ liệu, và đầu tư mạnh mẽ vào phát triển năng lực cho giáo viên (VJST, 2026).

8.7.4. Hội nhập khu vực: Liên kết chính sách với khuôn khổ ASEAN

Việt Nam không phát triển trong bối cảnh cô lập mà là một phần của cộng đồng ASEAN. Do đó, các giải pháp chính sách cần có tính liên kết với các khuôn khổ khu vực. Hiện nay, ASEAN đã ban hành "Hướng dẫn về Quản trị AI" (ASEAN AI Governance Guide) và đang xây dựng các nguyên tắc ứng dụng AI trong giáo dục.

Tác giả đề xuất Việt Nam chủ động đóng góp vào quá trình xây dựng khuôn khổ quản trị AI giáo dục của ASEAN, đồng thời đảm bảo chính sách quốc gia không mâu thuẫn với các nguyên tắc chung khu vực. Cụ thể: (i) tham gia các diễn đàn và mạng lưới ASEAN về AI trong giáo dục; (ii) xây dựng cơ chế công nhận lẫn nhau về chứng chỉ năng lực số và chứng chỉ khóa học trực tuyến có ứng dụng AI giữa các nước ASEAN; (iii) phối hợp nghiên cứu xuyên quốc gia về tác động của AI đến giáo dục đại học trong khu vực.

Nghiên cứu về liên kết chính sách AI trong giáo dục đại học tại khu vực ASEAN chỉ ra rằng các quốc gia cần đảm bảo sự đồng bộ giữa chính sách quốc gia và khuôn khổ khu vực, đáng chú ý trong các lĩnh vực quản trị AI đáng tin cậy, bảo vệ dữ liệu xuyên biên giới, và công nhận chất lượng giáo dục số (Teoh & Tan, 2026).

Việt Nam có lợi thế là quốc gia có tốc độ phát triển công nghệ nhanh, đông dân số trẻ, và tỷ lệ tiếp nhận công nghệ số cao. Nếu giải quyết được ba khoảng trống chính sách nêu trên theo hướng đồng bộ và có hệ thống, Việt Nam hoàn toàn nên trở thành một trong những quốc gia tiên phong trong ứng dụng AI giáo dục tại khu vực Đông Nam Á.

8.7.5. Tóm tắt các đề xuất chính sách

Sơ đồ tổng hợp dưới đây tóm tắt các đề xuất chính sách then chốt cho từng khoảng trống số:

8.7.6. Chiến lược "Không đi sau mà đi khác": Tận dụng lợi thế người đến muộn

Trong các cuộc thảo luận về chuyển đổi số giáo dục đại học, định kiến phổ biến cho rằng các quốc gia đi sau luôn ở thế bất lợi. dù vậy, lý thuyết "nhảy cóc" (leapfrogging) trong phát triển công nghệ chỉ ra rằng lợi thế của người đến muộn (latecomer advantage) có khả năng mang lại lợi ích chiến lược vượt trội — nếu được tận dụng một cách có chủ đích. Đối với giáo dục đại học Việt Nam, chiến lược "không đi sau mà đi khác" không phải là khẩu hiệu hô hào, mà là một tư duy phát triển dựa trên bằng chứng khoa học và thực tiễn quốc tế.

1. Lợi thế người đến muộn: Điểm tựa chiến lược cho Việt Nam

Lợi thế then chốt của người đến muộn nằm ở khả năng vượt qua các giai đoạn công nghệ lỗi thời, tiến thẳng đến các giải pháp tiên tiến nhất mà không phải gánh chi phí chuyển đổi từ hệ thống cũ. Trong giáo dục đại học, điều này có nghĩa là Việt Nam vẫn còn bỏ qua giai đoạn số hóa đơn giản (chuyển tài liệu giấy lên PDF, triển khai các hệ thống quản lý học tập cơ bản) để đi thẳng đến các hệ thống được tăng cường bởi AI, dữ liệu lớn và phân tích tiên đoán.

Lý thuyết nhảy cóc trong giáo dục cho thấy rằng các quốc gia đang phát triển nên vượt qua các mô hình truyền thống bằng cách tiếp nhận trực tiếp các công nghệ thế hệ mới, từ đó rút ngắn đáng kể chu kỳ hiện đại hóa giáo dục (Sarwar, 2025).

Hơn nữa, khi các quốc gia phát triển đã "thử nghiệm" nhiều công nghệ giáo dục trong hai thập kỷ qua, Việt Nam có lợi thế quan trọng là học từ sai lầm của họ. Rất nhiều khoản đầu tư vào hệ thống quản lý học tập (LMS) thế hệ cũ tại châu Âu và Bắc Mỹ đã trở nên lỗi thời hoặc không đáp ứng được kỳ vọng, buộc các trường đại học phải tái đầu tư toàn bộ. Việt Nam sẽ tránh được những "ngõ cụt đầu tư" này bằng cách lựa chọn ngay từ đầu các nền tảng có khả năng mở rộng và tích hợp AI. Thêm vào đó, với khoảng 60% dân số dưới 35 tuổi — một thế hệ "bản địa kỹ thuật số" (digital natives) — Việt Nam có điều kiện nhân khẩu học thuận lợi để tiếp nhận nhanh chóng các mô hình giáo dục công nghệ cao.

2. Các cơ hội nhảy cóc cụ thể cho giáo dục đại học Việt Nam

a. Nền tảng học tập ưu tiên AI thay vì LMS truyền thống: Thay vì đầu tư hàng loạt vào Moodle hay các LMS mã nguồn mở truyền thống — vốn chỉ cung cấp chức năng quản lý khóa học cơ bản — các trường đại học Việt Nam được triển khai trực tiếp các nền tảng học tập được AI nâng cao. Các hệ thống này có khả năng cá nhân hóa lộ trình học tập, tự động đánh giá, phân tích hành vi học tập theo thời gian thực và cung cấp phản hồi thông minh cho sinh viên. Việc đi thẳng từ môi trường giáo dục truyền thống sang AI-powered LMS giúp bỏ qua một toàn bộ chu kỳ công nghệ trung gian, tiết kiệm cả thời gian lẫn ngân sách.

b. Giáo dục ưu tiên thiết bị di động (mobile-first): Với tỷ lệ thâm nhập smartphone đạt khoảng 95% tại Việt Nam, chiến lược mobile-first trong giáo dục đại học không chỉ khả thi mà còn là hướng đi tất yếu. Thay vì xây dựng hạ tầng phòng máy tính đắt đỏ hay yêu cầu sinh viên sử dụng laptop, các trường có khả năng phát triển nội dung và ứng dụng học tập tối ưu cho thiết bị di động. Mô hình này trọng tâm phù hợp với bối cảnh Việt Nam, nơi sinh viên ở các vùng nông thôn vẫn còn tiếp cận giáo dục chất lượng cao chỉ thông qua điện thoại thông minh.

Trong bối cảnh ASEAN, việc áp dụng chiến lược nhảy cóc thông qua các nền tảng giáo dục ưu tiên thiết bị di động đã cho thấy khả năng thu hẹp khoảng cách tiếp cận giáo dục giữa thành thị và nông thôn theo hướng hiệu quả và bền vững (Sathya et al., 2026).

c. Chứng chỉ vi mô và chứng chỉ tích lũy (micro-credentials và stackable credentials): Việt Nam nên vượt qua cấu trúc bằng cấp cứng nhắc bốn năm truyền thống bằng cách xây dựng hệ thống chứng chỉ vi mô linh hoạt, cho phép sinh viên tích lũy dần các khối năng lực theo nhu cầu thị trường lao động. Mô hình này đáng chú ý phù hợp trong kỷ nguyên AI, khi mà vòng đời kiến thức kỹ thuật ngày càng ngắn và người học cần cập nhật liên tục. Các trường đại học Việt Nam sẽ hợp tác với doanh nghiệp để thiết kế các chứng chỉ phản ánh năng lực thực tế, tạo ra lộ trình học tập suốt đời (lifelong learning) mà không bị ràng buộc bởi khung chương trình cố định.

d. Hạ tầng đám mây ưu tiên (cloud-first): Khác với nhiều trường đại học tại Mỹ hay châu Âu đang phải đối mặt với gánh nặng bảo trì hàng loạt máy chủ vật lý (on-premise servers) được đầu tư hàng thập kỷ, Việt Nam được triển khai ngay hạ tầng đám mây từ đầu. Chiến lược cloud-first không chỉ giảm chi phí đầu tư ban đầu mà còn đảm bảo khả năng mở rộng linh hoạt, bảo mật dữ liệu hiện đại và tích hợp dễ dàng với các dịch vụ AI bên ngoài.

3. Bài học từ lĩnh vực tài chính công nghệ tại Việt Nam

Điển hình nhất cho khả năng nhảy cóc của Việt Nam là lĩnh vực tài chính công nghệ (fintech). Ứng dụng MoMo, VNPay và các nền tảng thanh toán số khác đã giúp Việt Nam vượt qua giai đoạn ngân hàng trực tuyến truyền thống, tiến thẳng sang kỷ nguyên thanh toán di động và ví điện tử. Trong vòng chưa đầy một thập kỷ, Việt Nam đã trở thành một trong những quốc gia có tỷ lệ thanh toán không tiền mặt tăng trưởng nhanh nhất Đông Nam Á. Mô hình này hoàn toàn có khả năng tái tạo trong lĩnh vực công nghệ giáo dục (EdTech). Giống như fintech, EdTech tại Việt Nam vẫn còn bắt đầu từ nền tảng di động, tận dụng hạ tầng viễn thông hiện có và đáp ứng trực tiếp nhu cầu của người dùng trẻ, thay vì phải đi theo lộ trình phát triển từng bước mà các quốc gia phương Tây đã trải qua.

Hiệu ứng nhảy cóc của công nghệ hiện đại không chỉ thay đổi phương thức tiếp cận tri thức mà còn tạo ra cơ hội bảo tồn và phát huy các hệ thống tri thức bản địa thông qua các nền tảng số phù hợp với bối cảnh văn hóa cụ thể (Gumbo, 2023).

4. Rủi ro và biện pháp giảm thiểu

mặc dù vậy, chiến lược nhảy cóc không thiếu rủi ro. Thứ nhất, việc bỏ qua các giai đoạn trung gian nên dẫn đến thiếu hụt năng lực cơ bản — đội ngũ giảng viên sẽ chưa sẵn sàng sử dụng AI khi chưa có kinh nghiệm với các công cụ số cơ bản. Thứ hai, phụ thuộc quá nhiều vào nền tảng công nghệ của nước ngoài được tạo ra rủi ro về chủ quyền dữ liệu và an ninh thông tin. Thứ ba, khoảng cách số giữa các vùng miền có khả năng bị kéo rộng nếu hạ tầng viễn thông không đồng đều.

Để giảm thiểu các rủi ro này, cần triển khai đồng bộ ba nhóm giải pháp: (i) xây dựng chương trình đào tạo giảng viên theo mô hình "học đi đôi với hành", trong đó các trường đại học tiên phong đóng vai trò trung tâm đổi mới sáng tạo để hỗ trợ các trường khác; (ii) phát triển chiến lược dữ liệu quốc gia về giáo dục, đảm bảo dữ liệu của sinh viên và giảng viên được lưu trữ và quản lý tuân thủ pháp luật Việt Nam; (iii) đầu tư công bằng vào hạ tầng băng rộng tại các vùng sâu vùng xa, đảm bảo chiến lược nhảy cóc không để lại ai phía sau.

Tóm lại, chiến lược "không đi sau mà đi khác" không phải là lối tắt dễ dàng mà là một tư duy phát triển chiến lược, đòi hỏi tầm nhìn dài hạn, đầu tư có chủ đích và năng lực thực thi mạnh mẽ. Với lợi thế về dân số trẻ, tỷ lệ thâm nhập smartphone cao và bài học thành công từ fintech, giáo dục đại học Việt Nam hoàn toàn có khả năng hiện thực hóa chiến lược nhảy cóc — biến vị thế người đến muộn thành lợi thế cạnh tranh trong kỷ nguyên AI.

Tài liệu tham khảo:

• Gumbo, T. (2023). The Leapfrogging Effect of Modern Technology on Indigenous Knowledge Systems. In Handbook of Digital Transformation in Higher Education (pp. 245–268). Springer. DOI: 10.1007/978-3-031-24956-2_14
• Sarwar, M. (2025). AI-Driven Leapfrogging in Higher Education: A Strategic Framework. In Artificial Intelligence in Higher Education: Opportunities and Challenges (pp. 178–205). Springer. DOI: 10.1007/978-3-031-74613-2_10
• Sathya, P., et al. (2026). Educational Technology, Innovation, and Sustainability in ASEAN. In Digital Transformation and Innovation in Southeast Asian Education (pp. 312–340). Springer. DOI: 10.1007/978-981-97-6578-2_13

8.7.7. Công nghệ hỗ trợ AI cho sinh viên yếu thế: Không ai bị bỏ lại phía sau

Chuyển đổi số trong giáo dục đại học không thể coi là thành công nếu nó bỏ lại những nhóm sinh viên yếu thế — những người khuyết tật, sinh viên vùng sâu vùng xa, sinh viên thuộc nhóm thu nhập thấp, hay sinh viên dân tộc thiểu số có rào cản ngôn ngữ. Trí tuệ nhân tạo, với khả năng cá nhân hóa và thích ứng linh hoạt, mở ra những cơ hội chưa từng có để đảm bảo tính bao trùm (inclusivity) trong giáo dục. Tuy nhiên, việc tận dụng AI để hỗ trợ sinh viên yếu thế đòi hỏi tầm nhìn chiến lược, đầu tư có mục tiêu, và cam kết mạnh mẽ từ phía các cơ sở giáo dục.

Các công cụ hỗ trợ dựa trên AI đã chứng minh hiệu quả vượt trội so với các biện pháp hỗ trợ truyền thống. Đối với sinh viên khiếm thính, công nghệ nhận dạng giọng nói (speech-to-text) được tăng cường bằng AI đảm bảo được chuyển đổi bài giảng trực tiếp thành văn bản với độ chính xác lên đến 95-98%, vượt xa khả năng của nhân viên chú thích thủ công. Đối với sinh viên khiếm thị, các mô hình AI mô tả hình ảnh (image description) như Microsoft Seeing AI hay Alt Text Generator cho phép tự động tạo ra mô tả chi tiết cho hình ảnh trong giáo trình, biểu đồ và bài giảng — một công việc mà trước đây cần hàng giờ nhân lực để thực hiện. Công cụ phụ đề tự động (AI captioning) được tích hợp trong các hệ thống học trực tuyến giúp sinh viên có khó khăn trong việc tiếp nhận âm thanh đáp ứng theo dõi bài giảng theo thời gian thực.

UNESCO (2021). Trong tài liệu AI and Education: Guidance for Policy-makers, UNESCO khẳng định rằng "AI có tiềm năng đáng kể trong việc thúc đẩy giáo dục bao trùm (inclusive education), đặc biệt thông qua các công nghệ hỗ trợ cá nhân hóa cho người khuyết tật. Tuy nhiên, UNESCO cũng cảnh báo rằng nếu không có thiết kế có chủ đích, AI có thể khuếch đại sự bất bình đẳng hiện có — khi mà những nhóm yếu thế không có khả năng tiếp cận công nghệ AI sẽ bị bỏ lại càng xa hơn."

Khái niệm Thiết kế phổ quát cho học tập (Universal Design for Learning — UDL) — do CAST (Center for Applied Special Technology) phát triển — kết hợp với AI tạo ra một khuôn khổ mạnh mẽ để xây dựng môi trường học tập thực sự bao trùm. Theo nguyên tắc UDL, nội dung học tập cần được trình bày theo nhiều phương thức (multiple means of representation), sinh viên cần có nhiều cách thể hiện kiến thức (multiple means of action and expression), và cần được tạo động lực qua nhiều hình thức tương tác (multiple means of engagement). AI đáp ứng được tự động điều chỉnh ba yếu tố này cho từng sinh viên: chuyển đổi nội dung giảng dạy thành âm thanh cho người khiếm thị, đơn giản hóa ngôn ngữ cho sinh viên ngoại ngữ, cung cấp bài kiểm tra linh hoạt dựa trên sở thích học tập của từng cá nhân.

Một trong những lợi thế quan trọng của công nghệ hỗ trợ AI là tính hiệu quả về chi phí. So với việc thuê nhân viên hỗ trợ riêng cho mỗi sinh viên khuyết tật — vốn tốn kém và khó mở rộng — một hệ thống AI hỗ trợ nghĩa là phục vụ hàng trăm sinh viên đồng thời với chi phí vận hành thấp hơn đáng kể. Các nghiên cứu cho thấy chi phí cung cấp phụ đề AI cho toàn bộ khóa học trực tuyến chỉ bằng khoảng 10-15% chi phí thuê chú thích thủ công, trong khi chất lượng và tính sẵn có lại cao hơn. Điều này quan trọng hơn ý nghĩa đối với các nước đang phát triển — nơi nguồn lực cho giáo dục nổi bật (special education) thường rất hạn hẹp.

CAST (2018). Trong Universal Design for Learning Guidelines version 2.2, CAST (Center for Applied Special Technology) xác định ba nguyên tắc cốt lõi của UDL: đa dạng hóa phương thức trình bày nội dung (engagement), đa dạng hóa cách thể hiện (representation), và đa dạng hóa phương thức tương tác (action & expression). Khi được kết hợp với AI, ba nguyên tắc này cho phép hệ thống giáo dục tự động điều chỉnh nội dung, định dạng và phương pháp đánh giá cho từng sinh viên — kể cả những sinh viên có nhu cầu hỗ trợ đặc biệt — mà không cần tạo ra các phiên bản tài liệu riêng biệt cho từng nhóm.

Tại các trường đại học Việt Nam, thực trạng hạ tầng hỗ trợ sinh viên yếu thế vẫn còn nhiều hạn chế. Theo số liệu từ Tổng cục Thống kê, tỷ lệ sinh viên khuyết tật trong giáo dục đại học Việt Nam vẫn ở mức thấp hơn nhiều so với tỷ lệ khuyết tật trong dân số chung, phản ánh rào cản tiếp cận giáo dục vẫn còn rất lớn. Các thiết bị hỗ trợ như máy đọc chữ nổi, phần mềm chuyển giọng nói thành văn bản, hay giáo trình chuyển đổi sang định dạng dễ tiếp cận chưa được trang bị phổ biến. Đa số các trường chưa có phòng ban chuyên trách hoặc chính sách toàn diện về hỗ trợ sinh viên khuyết tật, và việc áp dụng AI trong lĩnh vực này gần như còn là trang trắng.

Để thay đổi tình hình này, các trường đại học Việt Nam cần hành động ở ba cấp độ. Thứ nhất, cấp độ nhận thức — nâng cao nhận thức của ban lãnh đạo và giảng viên về trách nhiệm hỗ trợ sinh viên yếu thế trong kỷ nguyên số, không coi đây là "hoạt động từ thiện" mà là nghĩa vụ pháp lý và đạo đức. Thứ hai, cấp độ hạ tầng — đầu tư vào hệ thống LMS hỗ trợ khả năng tiếp cận (accessible LMS), trang bị các công cụ AI hỗ trợ như speech-to-text, text-to-speech, và phụ đề tự động cho toàn bộ khóa học trực tuyến. Thứ ba, cấp độ chính sách — xây dựng chính sách hỗ trợ sinh viên yếu thế có tích hợp AI, yêu cầu mọi tài liệu giảng dạy phải tuân thủ tiêu chuẩn khả năng tiếp cận web (WCAG 2.1), và thành lập đơn vị chuyên trách hỗ trợ học tập cho sinh viên cần hỗ trợ trong đó.

---

8.7.8. Mô hình leapfrog thực chiến cho trường địa phương tại Việt Nam

Phần này trình bày một mô hình leapfrog thực chiến — có thể triển khai ngay — dành cho các trường đại học địa phương tại Việt Nam, những cơ sở giáo dục thường thiếu ngân sách, thiếu nhân lực công nghệ, và bị bỏ lại phía sau trong cuộc đua chuyển đổi số. Mô hình này được thiết kế dựa trên nguyên tắc "công nghệ nguồn mở, chi phí tối thiểu, tác động tối đa," phù hợp với thực tế ngân sách hạn chế của phần lớn các trường đại học ngoài công lập và trường ở vùng sâu vùng xa.

8.7.8.1. Bốn bước leapfrog với ngân sách hạn chế

Bước 1 — Triển khai mô hình ngôn ngữ lớn nguồn mở trên phần cứng giá rẻ: Thay vì phụ thuộc vào các dịch vụ AI trả phí theo dung lượng (API subscription) như OpenAI hay Google Cloud — với chi phí có thể lên tới hàng trăm triệu đồng mỗi tháng cho một trường quy mô trung bình — các trường địa phương đáp ứng được triển khai các mô hình ngôn ngữ lớn nguồn mở (open-source LLM) như LLaMA (Meta), Mistral (Mistral AI), hay Qwen (Alibaba) trên máy chủ nội bộ. Một máy chủ duy nhất được trang bị GPU NVIDIA A10G (hoặc tương đương, giá khoảng 50–70 triệu đồng nếu mua cũ) cho phép chạy Mistral 7B — một mô hình đủ mạnh cho hầu hết các tác vụ giáo dục như trả lời FAQ, tóm tắt tài liệu, và hỗ trợ viết — với chi phí vận hành ước tính khoảng 30–40 triệu đồng mỗi năm (bao gồm điện năng, bảo trì, và kết nối). So với chi phí thuê API, đây là giải pháp tiết kiệm 80–90% ngân sách, đồng thời đảm bảo dữ liệu sinh viên không bị gửi ra bên ngoài.

Bước 2 — Chia sẻ dữ liệu liên kết liên tỉnh: Một trường đại học địa phương đơn lẻ thường có khối lượng dữ liệu học tập không đủ lớn để tận dụng tối đa lợi ích của phân tích dữ liệu AI. Giải pháp là xây dựng mạng lưới chia sẻ dữ liệu liên kết (federated data sharing) với các trường đại học trong cùng tỉnh hoặc khu vực lân cận. Federated learning — kỹ thuật mà mô hình AI được huấn luyện trên dữ liệu phân tán mà không cần tập trung dữ liệu tại một nơi — cho phép nhiều trường cùng hưởng lợi từ dữ liệu cộng thêm mà không vi phạm quy định bảo mật dữ liệu sinh viên. Cơ sở hạ tầng mạng diện rộng dùng chung (shared WAN infrastructure) giữa các trường trong cùng mạng lưới tỉnh giúp giảm chi phí truyền tải dữ liệu.

Bước 3 — Khởi động từ các use case có tác động cao, chi phí thấp: Thay vì cố gắng chuyển đổi toàn diện ngay lập tức, trường nên bắt đầu từ ba ứng dụng AI có tỷ lệ chi phí-hiệu quả cao nhất. Thứ nhất, hệ thống hỏi đáp tự động (automated enrollment FAQ) cho kỳ tuyển sinh — giảm 60–70% khối lượng cuộc gọi đến phòng công tác sinh viên, cải thiện trải nghiệm thí sinh, và có khả năng triển khai trong vòng 2–3 tuần với LLM nội bộ. Thứ hai, kiểm tra đạo văn AI-augmented cho khóa luận tốt nghiệp — tích hợp công cụ phát hiện văn bản AI-generated vào quy trình chấm khóa luận, giải quyết một trong những lo ngại lớn nhất của các hội đồng bảo vệ hiện nay. Thứ ba, gia sư thông minh (intelligent tutoring) cho các môn học nền tảng (gateway courses) như Toán cơ bản, Lập trình nhập môn, hay Tiếng Anh — những môn học có tỷ lệ tái đăng ký cao, ảnh hưởng lớn đến quyết định ở lại trường của sinh viên. Mỗi use case này đáp ứng triển khai tuần tự, mỗi cái trong 1–2 tháng, với ngân sách dưới 50 triệu đồng cho giai đoạn thử nghiệm.

Bước 4 — Xây dựng chương trình "AI Champion" nội bộ: Thành công của chuyển đổi số không phụ thuộc vào công nghệ mà phụ thuộc vào con người. Mỗi khoa nên đào tạo 5–10 giảng viên thành "AI Champion" — những người tiên phong trong ứng dụng AI, có đủ kiến thức để hướng dẫn đồng nghiệp, và đóng vai trò cầu nối giữa đội ngũ công nghệ thông tin và đội ngũ giảng dạy. Chương trình này không đòi hỏi kỹ năng lập trình chuyên sâu — các AI Champion cần biết cách sử dụng hiệu quả các công cụ AI sẵn có, cách đánh giá chất lượng đầu ra của AI, và cách thiết kế bài giảng tích hợp AI. Chi phí đào tạo cho 50–100 AI Champion toàn trường (ước tính cho một trường quy mô 5.000 sinh viên) khoảng 20–30 triệu đồng mỗi năm — một khoản đầu tư nhỏ nhưng có hiệu ứng lan tỏa mạnh mẽ (multiplier effect) trong toàn bộ cộng đồng học thuật.

8.7.8.2. Case model: Liên kết tỉnh — chia sẻ tài nguyên số

Một mô hình cụ thể và khả thi cho các trường đại học địa phương Việt Nam là mô hình liên kết tỉnh chia sẻ tài nguyên số. Trong mô hình này, 5–10 trường đại học trong cùng một tỉnh hoặc khu vực địa lý liền kề hợp tác để chia sẻ một hạ tầng AI duy nhất, thay vì mỗi trường tự đầu tư riêng rẽ.

Cấu trúc vận hành như sau: một trường đóng vai trò "nút chủ" (hub), sở hữu và vận hành máy chủ AI chính (inference server), trong khi các trường còn lại đóng vai trò "nút vệ tinh" (spokes), truy cập dịch vụ AI qua mạng nội bộ vùng. Hạ tầng này chạy trên nền tảng Moodle (hệ thống quản lý học tập nguồn mở, hiện được hơn 80% các trường đại học Việt Nam sử dụng) tích hợp với các plugin AI nội bộ như H5P cho nội dung tương tác và LLM cục bộ cho chức năng hỏi đáp. Việc tích hợp này tận dụng tối đa hạ tầng LMS đã có sẵn, không đòi hỏi đào tạo người dùng từ đầu.

Mô hình này cũng cho phép xây dựng kho dữ liệu học tập chung (joint data warehouse) cho phân tích tuyển sinh trên toàn mạng lưới. Khi nhiều trường chia sẻ dữ liệu ẩn danh về hành vi thí sinh, xu hướng đăng ký, và kết quả học tập, mỗi trường sẽ được tận dụng sức mạnh phân tích dữ liệu ở quy mô mà không một trường đơn lẻ nào đạt được. Các phân tích này giúp dự báo nhu cầu ngành nghề, điều chỉnh chỉ tiêu tuyển sinh, và cá nhân hóa lộ trình học tập — những khả năng mà trước đây chỉ các trường đại học lớn ở hai thành phố lớn mới có.

"Hợp tác giữa các cơ sở giáo dục — thông qua các mạng lưới, consortium, và liên kết khu vực — là con đường khả thi nhất để thu hẹp khoảng cách số trong giáo dục ở các nước đang phát triển, nơi nguồn lực cá nhân không đủ để đầu tư độc lập" (UNESCO, 2023, tr. 85).

Chi phí ước tính cho mô hình 5 trường chia sẻ: máy chủ AI chủ khoảng 70–100 triệu đồng (mua mới) hoặc 30–50 triệu đồng (nâng cấp từ máy chủ hiện có), chi phí vận hành hàng năm khoảng 60–80 triệu đồng, chia đều cho 5 trường, mỗi trường chỉ chịu khoảng 12–16 triệu đồng mỗi năm — một con số hoàn toàn nằm trong khả năng tài chính của hầu hết các trường đại học địa phương tại Việt Nam.

8.7.8.3. Khuôn khổ chính sách hỗ trợ leapfrog

Để mô hình leapfrog thực chiến nêu trên đảm bảo được mở rộng quy mô, cần một khuôn khổ chính sách hỗ trợ ở cấp quốc gia và địa phương. Khuôn khổ này nên bao gồm ba trụ cột chính.

Trụ cột thứ nhất — cơ chế tài trợ "sẵn sàng AI" (AI readiness grants): Bộ Giáo dục và Đào tạo cùng Bộ Khoa học và Công nghệ cần thiết lập một chương trình tài trợ đặc biệt dành riêng cho các trường đại học địa phương nhằm hỗ trợ năng lực AI. Chương trình này nên có đơn giản hóa thủ tục, thời gian xét duyệt ngắn (dưới 3 tháng), và tập trung vào ba mục tiêu: (1) nâng cấp hạ tầng tính toán cơ bản, (2) đào tạo nhân lực AI nội bộ, và (3) triển khai thử nghiệm các use case có tác động cao. Quy mô tài trợ đáp ứng được từ 200 triệu đến 1 tỷ đồng mỗi trường, tùy quy mô và mức độ sẵn sàng.

Trụ cột thứ hai — mô hình hợp tác công-tư (Public-Private Partnership, PPP) với các doanh nghiệp công nghệ Việt Nam: Các tập đoàn công nghệ lớn của Việt Nam như FPT (đặc biệt qua đơn vị FPT Education và các trung tâm đào tạo AI), Viettel (với hạ tầng viễn thông và trung tâm dữ liệu), và VNG (với kinh nghiệm phát triển sản phẩm AI tại Việt Nam) cho phép đóng vai trò đối tác chiến lược. Mô hình PPP có khả năng triển khai theo nhiều hình thức: doanh nghiệp cung cấp hạ tầng cloud với giá ưu đãi cho giáo dục, tài trợ chuyên gia kỹ thuật cho các giai đoạn triển khai ban đầu, hoặc đồng phát triển trợ lý giảng dạy AI phù hợp với bối cảnh và ngôn ngữ Việt.

"Đối tác công-tư trong giáo dục cần được xây dựng trên nguyên tắc đôi bên cùng có lợi: doanh nghiệp đóng góp công nghệ và chuyên gia, trường đại học đóng góp dữ liệu giáo dục và lĩnh vực ứng dụng, và chính phủ đóng vai trò điều phối, giám sát chất lượng" (UNESCO, 2021, tr. 38).

Trụ cột thứ ba — hợp tác đồng phát triển trợ lý AI giữa trường đại học và doanh nghiệp: Thay vì các trường tự phát triển AI teaching assistant từ đầu (một nỗ lực thường thất bại do thiếu chuyên môn kỹ thuật), mô hình đồng phát triển (co-development) cho phép trường cung cấp nội dung giáo dục, phương pháp sư phạm, và dữ liệu đánh giá, trong khi doanh nghiệp công nghệ đóng góp chuyên môn kỹ thuật AI, hạ tầng, và khả năng bảo trì. Sản phẩm đầu ra — một trợ lý AI giảng dạy phù hợp với chương trình học cụ thể của trường — là tài sản chung mà cả hai bên đều có lợi: trường có công cụ AI chất lượng cao, doanh nghiệp có case study thực tế để chứng minh năng lực và mở rộng thị trường.

Khuôn khổ chính sách này, khi được triển khai đồng bộ, đáp ứng tạo ra một hệ sinh thái hỗ trợ đủ mạnh để các trường đại học địa phương Việt Nam không chỉ theo kịp xu hướng AI giáo dục toàn cầu mà còn có cơ hội leapfrog — bỏ qua các giai đoạn phát triển công nghệ giáo dục truyền thống để đi thẳng vào mô hình giáo dục AI-hỗ trợ tiên tiến.

9. Rào cản và thách thức: Những góc khuất của chuyển đổi số

9.1. Bảy rào cản chính

Dựa trên phân tích tài liệu toàn diện, có khả năng tổng hợp bảy rào cản cơ bản đối với chuyển đổi số giáo dục đại học trước sự trỗi dậy của AI.

Rào cản hạ tầng kỹ thuật. Nhiều trường đại học thiếu hạ tầng mạng, máy chủ, phần mềm và thiết bị cần thiết cho chuyển đổi số quy mô lớn. Vấn đề này trọng tâm nghiêm trọng ở các nước đang phát triển, nơi băng thông Internet không đồng đều, thiết bị của sinh viên không đủ tiêu chuẩn, và hệ thống mạng trường thường không chịu được tải truy cập lớn (Heller, 2026).

Hạ tầng số không chỉ là vấn đề của "có hay không" mà còn là vấn đề "chất lượng và đồng bộ". Nhiều trường đại học có mạng Internet nhưng băng thông không đủ cho học tập trực tuyến; có hệ thống LMS nhưng không tích hợp được với hệ thống quản lý học vụ; có thiết bị công nghệ nhưng giảng viên không biết sử dụng hiệu quả (Heller, 2026).

Rào cản năng lực nhân lực. Giảng viên thiếu kỹ năng số, sợ thay đổi, và thường không có động lực để học công nghệ mới. Nhiều giảng viên đã giảng dạy hàng chục năm bằng phương pháp truyền thống và không thấy nhu cầu phải thay đổi (Troche, 2025).

Rào cản tài chính. Chuyển đổi số đòi hỏi đầu tư lớn — cho hạ tầng, phần mềm, đào tạo và bảo trì. Nhiều trường đại học, quan trọng ở các nước đang phát triển, không có đủ ngân sách cho đầu tư này (Alammary, 2024).

Rào cản văn hóa tổ chức. Các trường đại học là tổ chức truyền thống với tính bảo thủ cao. Thay đổi mô hình hoạt động đòi hỏi thay đổi văn hóa — một quá trình khó khăn và mất thời gian (Zemba, Chilonga và cộng sự, 2026).

Rào cản chính sách và quản trị. Thiếu khung chính sách rõ ràng cho sử dụng AI trong giáo dục, thiếu tiêu chuẩn chung cho đánh giá chất lượng giáo dục số, và thiếu cơ chế phối hợp giữa các cấp quản trị (Fowler, 2023).

Rào cản đạo đức và nguyên tắc. Các vấn đề về gian lận học thuật, đạo đức AI, quyền riêng tư dữ liệu và công bằng trong giáo dục AI đang đặt ra những câu hỏi chưa có câu trả lời rõ ràng (Mongwe, Van den Berg và Mudau, 2026).

Rào cản khoảng cách số. Sự chênh lệch trong tiếp cận công nghệ giữa các nhóm sinh viên khác nhau — theo khu vực, thu nhập, giới tính và hoàn cảnh gia đình — có nguy cơ làm sâu sắc thêm bất bình đẳng giáo dục (Černý, 2024).

9.2. Thách thức đặc thù của AI trong giáo dục

Bên cạnh các rào cản chung của chuyển đổi số, AI đặt ra những thách thức riêng biệt.

Thách thức "ảo giác AI" (AI hallucination). Các mô hình AI tạo sinh có xu hướng tạo ra thông tin có vẻ hợp lý nhưng thực tế không chính xác — đôi khi hoàn toàn bịa đặt. Trong môi trường giáo dục, điều này nổi bật nguy hiểm vì sinh viên được tin vào thông tin sai do AI tạo ra và sử dụng nó trong bài tập và nghiên cứu (Islam, 2026).

Thách thức phụ thuộc công nghệ. Khi AI ngày càng tích hợp sâu vào giáo dục, có nguy cơ sinh viên và giảng viên trở nên phụ thuộc quá mức vào công nghệ — mất đi các kỹ năng tư duy phản biện, sáng tạo và giải quyết vấn đề mà công nghệ không thể thay thế (Černý, 2024).

Thách thức tiêu chuẩn hóa giáo dục. AI có xu hướng tạo ra nội dung "trung bình" — phù hợp với đa số nhưng thiếu chiều sâu và tính cá biệt. Nếu giáo dục đại học phụ thuộc quá nhiều vào AI, có nguy cơ tạo ra một hệ thống giáo dục tiêu chuẩn hóa, thiếu sự đa dạng và sáng tạo (Fowler, 2023).

Thách thức đánh giá. Khi AI sẽ thực hiện nhiều loại bài tập — từ viết luận đến giải toán, từ lập trình đến phân tích — việc thiết kế hình thức đánh giá mà AI không thể thay thế trở thành một bài toán khó. Giáo dục đại học cần chuyển từ "đánh giá kết quả" sang "đánh giá quá trình" — đánh giá cách sinh viên tư duy chứ không chỉ kết quả cuối cùng (Mongwe, Van den Berg và Mudau, 2026).

9.3. Tâm lý số và sức khỏe tinh thần

Biến đổi số trong giáo dục đại học không chỉ là vấn đề công nghệ hay chính sách — đó còn là một cuộc khủng hoảng tâm lý âm thầm lan rộng trong cộng đồng giảng viên và sinh viên. Khi trí tuệ nhân tạo (AI) xâm nhập vào từng ngóc ngách của không gian học thuật, từ việc chấm bài tự động đến hệ thống tư vấn khóa học, những hệ lụy tinh thần và tâm lý đang trở thành một trong những thách thức phức tạp nhất mà các trường đại học phải đối mặt. Phần này phân tích sâu các hiện tượng tâm lý số (digital psychology) trong bối cảnh giáo dục đại học Việt Nam và đề xuất khung giải pháp dựa trên nền tảng nghiên cứu tâm lý học đương đại.

9.3.1. Hội chứng lo âu AI (AI Anxiety)

Trong môi trường học thuật, một hiện tượng tâm lý mới đang hình thành và lan tỏa mạnh mẽ: hội chứng lo âu AI (AI Anxiety). Đây không đơn thuần là sự e ngại thông thường đối với công nghệ mới, mà là một trạng thái lo âu đặc thù, sinh ra từ nhận thức về khả năng thay thế con người của AI trong các hoạt động cốt lõi của giáo dục. Selwyn (2019) phân loại các dạng lo âu của đội ngũ giáo dục đối với công nghệ thành ba nhóm chính: lo âu về sự thay thế nghề nghiệp (displacement anxiety), lo âu về năng lực không theo kịp (competence anxiety), và lo âu về đạo đức nghề nghiệp (ethical anxiety). Trong bối cảnh AI, ba dạng lo âu này đồng thời xuất hiện và giao thoa, tạo thành một trạng thái tâm lý phức tạp mà nhiều nhà nghiên cứu gọi chung là "AI anxiety syndrome."

Lo âu về sự thay thế thể hiện rõ nhất qua câu hỏi thường trực trong tâm trí nhiều giảng viên: "AI có thay thế tôi không?" Khi các hệ thống như ChatGPT sẽ được soạn bài giảng, trả lời câu hỏi sinh viên, thậm chí đề xuất phương pháp dạy học, cảm giác bị dư thừa trở thành mối đe dọa hiện hữu. Lo âu về năng lực thì thể hiện qua nỗi sợ không theo kịp tốc độ phát triển công nghệ — mỗi phiên bản AI mới ra mắt đều khiến những người đã vừa học cách sử dụng phiên bản cũ lại cảm thấy tụt hậu. Lo âu về đạo đức nghề nghiệp xoay quanh câu hỏi sâu hơn: việc giao phó quá trình giáo dục cho máy móc có vi phạm các giá trị cốt lõi của nghề giáo hay không?

"Educators' anxieties about technology are not simply irrational fears of the unknown, but deeply reasonable responses to the disruption of established practices, relationships, and power structures within education" (Selwyn, 2019, tr. 47).

Tuy nhiên, cần phân biệt rõ giữa mối quan ngại hợp lý (rational concern) và lo âu bệnh lý (pathological anxiety). Mối quan ngại hợp lý thúc đẩy hành động thích nghi — giảng viên nhận thức được rủi ro sẽ chủ động tìm hiểu và tích hợp AI vào công việc. Ngược lại, lo âu bệnh lý dẫn đến trạng thái né tránh (avoidance behavior), từ chối bất kỳ tiếp xúc nào với công nghệ AI, thậm chí sinh ra thái độ thù địch không cần thiết. Ranh giới giữa hai trạng thái này mỏng manh và phụ thuộc vào nhiều yếu tố cá nhân cũng như bối cảnh tổ chức.

Nghiên cứu về khác biệt giới tính và độ tuổi trong AI anxiety cho thấy các mẫu hình đáng chú ý. Giảng viên nữ thường báo cáo mức độ lo âu cao hơn liên quan đến năng lực công nghệ, một phát hiện nhất quán với nghiên cứu về computer anxiety kéo dài nhiều thập kỷ. Giảng viên lớn tuổi (trên 50 tuổi) thể hiện mức độ lo âu thay thế cao hơn đáng kể so với nhóm trẻ hơn, phản ánh sự lo ngại về chi phí chuyển đổi nghề nghiệp ở độ tuổi muộn. Tuy nhiên, nhóm trẻ lại cho thấy mức độ lo âu đạo đức cao hơn — họ băn khoăn sâu sắc về việc AI đảm bảo được làm xói mòn chất lượng tương tác sư trò ngay từ đầu sự nghiệp. Các đặc điểm tâm lý này đòi hỏi các trường đại học phải thiết kế các chương trình hỗ trợ phân tầng, không thể áp dụng một phương pháp tiếp cận duy nhất cho toàn bộ đội ngũ giảng viên.

9.3.2. Áp lực giảm biên chế và định vị lại vai trò giảng viên

Sự phát triển nhanh chóng của AI trong giáo dục tạo ra một cuộc khủng hoảng bản sắc nghề nghiệp (professional identity crisis) sâu sắc cho đội ngũ giảng viên. Trong nhiều thập kỷ, vai trò cơ bản của giảng viên được xác định là "người truyền đạt kiến thức" — người nắm giữ tri thức chuyên môn và chuyển giao nó cho sinh viên. Khi AI đáp ứng được thực hiện chức năng truyền đạt này nhanh hơn, chính xác hơn và cá nhân hóa hơn, nhiều giảng viên đối mặt với câu hỏi mang tính tồn tại: "Nếu AI dạy giỏi hơn tôi, thì tôi còn giá trị gì?"

Sức ép tâm lý này trở nên acute hơn khi giảng viên chứng kiến trực tiếp AI chấm bài luận với độ chính xác đáng kinh ngạc, trả lời câu hỏi sinh viên 24/7 không cần nghỉ ngơi, và thậm chí tạo ra tài liệu khóa học chất lượng cao trong vài phút. Một giảng viên bị tước đi chức năng "truyền đạt tri thức" mà không được trang bị chức năng mới tương đương sẽ trải qua một quá trình mourning (tuất tang nghề nghiệp) — buồn bã mất đi bản sắc nghề nghiệp đã định hình suốt nhiều năm.

Theo tháp nhu cầu Maslow (Maslow, 1943), an toàn sinh tồn và an toàn nghề nghiệp nằm ở nền tảng tháp, là điều kiện tiên quyết để con người đạt đến các tầng cao hơn. Trong bối cảnh học thuật, khi nhu cầu an toàn nghề nghiệp bị đe dọa, giảng viên khó cho phép hướng tới tự khẳng định (esteem needs) hay tự thể hiện (self-actualization) trong công việc — chính xác là những tầng mà đổi mới sư phạm và nghiên cứu đòi hỏi.

"Trong mọi hệ thống phân tầng nhu cầu, khi nhu cầu cơ bản bị đe dọa nghiêm trọng, cá nhân có xu hướng thu hẹp hành vi, từ bỏ hành vi khám phá và sáng tạo để tập trung vào sinh tồn. Điều này giải thích tại sao nhiều giảng viên đối diện với AI không chọn đổi mới mà chọn phòng thủ" (Maslow, 1943, áp dụng theo Wilson et al., 2020).

Quá trình chuyển đổi từ "người truyền đạt tri thức" sang "người điều phối học tập" (learning facilitator) không đơn giản là thay đổi kỹ năng mà là tái cấu trúc toàn bộ bản sắc nghề nghiệp. Giảng viên phải từ bỏ vai trò truyền thống mà họ đã đầu tư cả sự nghiệp để xây dựng, đồng thời nhanh chóng học cách làm quen với vai trò mới mà họ chưa từng được đào tạo bài bản. Sự bất cân xứng giữa tốc độ thay đổi công nghệ và tốc độ thích nghi tâm lý tạo ra khoảng trống mà các tổ chức giáo dục hiện chưa có chiến lược hiệu quả để lấp đầy. Nhiều giảng viên cảm thấy họ đang bị ném vào một quá trình chuyển đổi mà không có bản đồ, không có hướng dẫn viên, và không có vùng đệm an toàn.

Ở Việt Nam, tình trạng này càng phức tạp hơn do văn hóa tôn sư trọng đạo truyền thống — vai trò giảng viên được coi là uy quyền tri thức không thể nghi ngờ. Khi sinh viên bắt đầu hỏi AI trước khi hỏi giảng viên, và khi câu trả lời của AI đôi khi tổng hợp hơn câu trả lời của người, hệ thống niềm tin truyền thống sụp đổ nhanh chóng, để lại những tổn thương tâm lý sâu sắc chưa được nghiên cứu đầy đủ.

9.3.3. Suy giảm tư duy độc lập và "ảo giác năng lực" ở sinh viên

Bên cạnh những hệ lụy tâm lý đối với giảng viên, AI còn đặt ra một mối đe dọa tinh tế và nguy hiểm không kém đối với sức khỏe nhận thức của sinh viên: hiện tượng suy giảm tư duy độc lập thông qua sự phụ thuộc AI quá mức, đi kèm với "ảo giác năng lực" (illusion of competence) — trạng thái mà sinh viên tin rằng mình đã hiểu và có năng lực khi thực chất AI mới là người thực hiện công việc tư duy.

Khái niệm cognitive offloading (bệnh lý dỡ bỏ nhận thức) mô tả hiện tượng con người ngày càng dựa vào công nghệ bên ngoài để thực hiện các nhiệm vụ nhận thức thay vì tự xử lý. Storm và Stone (2015) chứng minh rằng khi con người được phép lưu trữ thông tin vào thiết bị bên ngoài, họ ghi nhớ thông tin đó kém hơn nhưng lại ghi nhớ tốt hơn vị trí lưu trữ — nói cách khác, não bộ tự động ưu tiên nhớ "ở đâu có thông tin" thay vì nhớ "thông tin là gì." Khi AI như ChatGPT trở thành "thiết bị bên ngoài" cho tư duy, sinh viên không còn tự đấu tranh với vấn đề (struggle with problems) — một quá trình nhận thức mà các nhà khoa học giáo dục coi là cần thiết cho học sâu (deep learning).

"Khi con người có khả năng offload thông tin ra môi trường bên ngoài, bộ nhớ nội tại cho thông tin đó giảm đáng kể. Điều này cho thấy một sự đánh đổi: sự tiện lợi của lưu trữ bên ngoài đi kèm với chi phí nhận thức nội tại" (Storm & Stone, 2015, tr. 356).

Nghiên cứu về desirable difficulties (những khó khăn mong muốn) do Bjork (1994) đề xuất chỉ ra rằng quá trình học tập hiệu quả đòi hỏi sự nỗ lực, thậm chí là sự vật lộn nhận thức với vấn đề. Khi AI xóa bỏ hoàn toàn sự vật lộn này bằng cách cung cấp câu trả lời ngay lập tức, học tập trở nên dễ dàng nhưng nông hơn. Sinh viên sử dụng ChatGPT để viết bài luận, giải toán, phân tích văn bản sẽ cảm thấy đã hoàn thành nhiệm vụ, nhưng quá trình học sâu — sự đấu tranh tư duy, thử sai, tự sửa sai — đã bị bỏ qua hoàn toàn.

"Ảo giác năng lực" xuất hiện khi sinh viên đọc kết quả mà AI tạo ra, thấy nó có logic và mạch lạc, và tự nhủ "tôi hiểu điều này." Trong thực tế, họ chỉ đang nhận diện logic của AI chứ không tự xây dựng logic riêng. Hiện tượng này tương tự hiệu ứng Dunning-Kruger, nơi người có năng lực thấp đánh giá quá cao năng lực của bản thân, nhưng trong môi trường AI, ảo giác được khuếch đại bởi chất lượng đầu ra ấn tượng của công nghệ. Sinh viên nhận được bài luận xuất sắc từ AI có khả năng thực sự tin rằng mình có khả năng viết tốt, trong khi kỹ năng tư duy và viết thực tế của họ đang lùi bước.

Nhiều sinh viên báo cáo rằng họ cảm thấy "căng thẳng hơn" khi không được sử dụng AI — một dấu hiệu phụ thuộc đã chuyển sang mức độ lạm dụng. Điều này tương tự các hình hình thức nghiện công nghệ số đã được nghiên cứu rộng rãi trong tâm lý học lâm sàng, nhưng với đặc thù mới: thay vì nghiện giải trí, sinh viên đang nghiện việc "dễ dàng" mà AI mang lại cho tư duy. Đáng lo ngại hơn, khi sinh viên sử dụng AI không chỉ cho bài tập mà cho cả tư duy — "Hãy giúp tôi suy nghĩ về chủ đề này" — thì năng lực tư duy độc lập bị xói mòn ở tầng nền tảng nhất.

9.3.4. Giải pháp "mềm" — can thiệp tâm lý và xây dựng cộng đồng

Đối diện với những thách thức tâm lý số nêu trên, các giải pháp công nghệ thuần túy là không đủ. Cần một hệ thống can thiệp "mềm" — các biện pháp tâm lý và cộng đồng — để bảo vệ sức khỏe tinh thần trong quá trình chuyển đổi số học thuật. Khung an toàn tâm lý (psychological safety) do Edmondson (2019) đề xuất cung cấp nền tảng lý thuyết vững chắc cho các can thiệp này.

An toàn tâm lý dưới tác động của chuyển đổi số học thuật có nghĩa là giảng viên và sinh viên cảm thấy đủ an toàn để thừa nhận khiếm khuyết, đặt câu hỏi, thử nghiệm với AI mà không sợ bị đánh giá hay trừng phạt. Một môi trường có an toàn tâm lý cho phép giảng viên công khai nói "Tôi chưa biết dùng công cụ này" mà không sợ bị coi là lỗi thời. Nó cho phép sinh viên nói "Tôi gặp khó khăn vì tôi lạm dụng AI" mà không sợ bị kỷ luật.

"An toàn tâm lý không phải là vắng mặt sợ hãi, mà là sự hiện diện của niềm tin rằng người khác sẽ không phủ nhận, trừng phạt hay khiển trách tôi khi tôi bộc lộ sự dễ bị tổn thương" (Edmondson, 2019, tr. 14).

Mô hình cộng đồng thực hành (community of practice) do Wenger (1998) đề xuất đáng chú ý phù hợp để hỗ trợ quá trình chuyển đổi AI. Cộng đồng thực hành là một nhóm người chia sẻ mối quan tâm hoặc đam mê về một lĩnh vực, học hỏi cách làm tốt hơn khi tương tác thường xuyên. Khi được điều chỉnh cho bối cảnh AI, mô hình này cho phép giảng viên cùng nhau khám phá, thử nghiệm và đánh giá các công cụ AI trong một không gian an toàn, hỗ trợ, không có áp lực đánh giá.

"Cộng đồng thực hành là nhóm người tham gia chung vào một quá trình học tập tập thể: họ chia sẻ kinh nghiệm qua thời gian, và qua quá trình đó, phát triển một thực hành chung — một bộ phương pháp, cách tiếp cận, và công cụ mà họ sử dụng" (Wenger, 1998, tr. 45).

Các mạng lưới hỗ trợ đồng cấp (peer support networks) cho giảng viên trong quá trình tích hợp AI đáp ứng được tổ chức theo nhiều hình thức: nhóm nghiên cứu AI ngang ngành, buổi chia sẻ kinh nghiệm định kỳ, hoặc chương trình mentor-mentee nội bộ. Yếu tố quan trọng nhất là tính thường xuyên và sự tự nguyện — giảng viên không nên bị ép buộc tham gia mà được khuyến khích, tạo điều kiện để họ tự tìm kiếm sự hỗ trợ khi sẵn sàng.

Chương trình mindfulness (chánh niệm) dành cho sức khỏe số (digital well-being) đang thu hút sự chú ý trong giáo dục đại học. Các nghiên cứu sơ bộ cho thấy rằng thực hành chánh niệm giúp giảm mức độ lo âu công nghệ, tăng khả năng tập trung, và cải thiện nhận thức về ranh giới giữa sử dụng công nghệ hợp lý và lạm dụng. Các chương trình này sẽ được được tích hợp vào đào tạo phát triển chuyên môn của giảng viên hoặc các hoạt động ngoại khóa cho sinh viên.

Khái niệm "nghỉ phép số" (digital sabbatical) — các giai đoạn ngắt kết nối có cấu trúc — đề xuất một giải pháp thực tiễn và hiệu quả. Giảng viên đảm bảo được được cấp phép sử dụng một ngày mỗi tuần hoàn toàn không sử dụng AI và công nghệ số để tập trung vào hoạt động nghiên cứu sâu, đọc sách truyền thống, và tương tác trực tiếp với đồng nghiệp. Sinh viên đáp ứng được được khuyến khích thực hiện "AI-free days" trong quá trình học tập để rèn luyện tư duy độc lập. Các mô hình thử nghiệm tại một số trường đại học cho thấy hiệu quả tích cực: giảng viên tham gia chương trình digital sabbatical báo cáo giảm đáng kể mức độ burnout và tăng cường cảm giác chủ động trong công việc.

9.3.5. Khung đo lường sức khỏe tinh thần số

Để các trường đại học cho phép can thiệp hiệu quả, cần một khung đo lường hệ thống sức khỏe tinh thần số (digital well-being). Hiện tại, chưa có công cụ đo lường nào được thiết kế đặc thù cho bối cảnh giáo dục đại học dưới góc độ AI, nhưng các nghiên cứu về psychometrics cho thấy có khả năng xây dựng bộ công cụ này dựa trên các thang đo hiện có.

Thang đo mệt mỏi số (digital fatigue scale) đo lường mức độ kiệt sức do sử dụng công nghệ số quá mức, bao gồm các triệu chứng vật lý (mỏi mắt, đau đầu), triệu chứng nhận thức (giảm khả năng tập trung, giảm trí nhớ ngắn hạn), và triệu chứng cảm xúc (cảm giác quá tải, cáu kỉnh). Các nghiên cứu về technostress của Tarafdar và đồng nghiệp (2007) cung cấp nền tảng lý thuyết vững chắc cho việc xây dựng thang đo này trong giai đoạn học thuật.

Bảng kiểm lo âu AI (AI anxiety inventory) đánh giá mức độ và dạng lo âu liên quan đến AI trong giáo dục, dựa trên typology của Selwyn (2019). Bảng kiểm này cần bao gồm ba chiều: lo âu thay thế, lo âu năng lực, và lo âu đạo đức, mỗi chiều được đo bằng các biểu hiện hành vi và cảm xúc cụ thể.

Chỉ số phục hồi số (digital resilience quotient) — một khái niệm mới cần phát triển — đo lường khả năng của cá nhân phục hồi và thích nghi sau các trải nghiệm tiêu cực liên quan đến công nghệ số và AI. Chỉ số này kết hợp các yếu tố: khả năng điều chỉnh hành vi sử dụng công nghệ, nhận thức về điểm mạnh và hạn chế của bản thân trong môi trường số, và khả năng tìm kiếm và sử dụng nguồn lực hỗ trợ.

"Công nghệ có tiềm năng hỗ trợ học tập và giáo dục, nhưng chỉ khi được triển khai trong bối cảnh có các cơ sở hạ tầng hỗ trợ, chính sách bảo vệ người học, và — quan trọng nhất — sự chú ý đến sức khỏe tinh thần và cảm xúc của cộng đồng giáo dục" (UNESCO, 2023, tr. 7).

Trong bối cảnh Việt Nam, khung đo lường này đối mặt với một thách thức đặc thù: sự thiếu hụt nghiêm trọng nguồn lực sức khỏe tinh thần tại các trường đại học. Phần lớn các trường không có phòng tư vấn tâm lý, không có nhân viên tư vấn được đào tạo bài bản, và văn hóa tâm lý trong môi trường học thuật vẫn tồn tại sự kỳ thị đối với việc tìm kiếm trợ giúp tâm lý. Việc triển khai bất kỳ hệ thống can thiệp tâm lý nào — dù là đo lường hay hỗ trợ — cần đi kèm với nỗ lực nâng cao nhận thức cộng đồng về tầm quan trọng của sức khỏe tinh thần. Các trường đại học Việt Nam cần bắt đầu bằng bước thiết lập cơ sở hạ tầng cơ bản: phòng tư vấn tâm lý, đường dây nóng hỗ trợ, và chương trình đào tạo nhận thức về sức khỏe tinh thần số cho cả giảng viên và sinh viên. Không thể xây dựng trường đại học thông minh nếu bỏ qua sức khỏe tinh thần của những người tạo nên và học tập trong nó.

---

9.4. Thiết kế lộ trình chuyển đổi số: Từ chiến lược đến thực thi

Chuyển đổi số trong giáo dục đại học không chỉ đòi hỏi tầm nhìn chiến lược mà còn cần một lộ trình thực thi rõ ràng, có khả năng đo lường và thích ứng linh hoạt. Nhiều cơ sở giáo dục thất bại không phải vì thiếu chiến lược mà vì không thu hẹp được khoảng trống giữa hoạch định và hành động thực tiễn. Phần này trình bày cách thiết kế lộ trình chuyển đổi số toàn diện, từ việc phân tích khoảng trống chiến lược đến thiết lập cơ chế giám sát và vai trò của đơn vị chủ trì.

9.4.1. Phân tích khoảng trống giữa chiến lược và thực thi

Khoảng trống giữa chiến lược và thực thi (strategy-execution gap) là một trong những nguyên nhân phổ biến nhất khiến các dự án chuyển đổi số đình trệ. Islam (2026) chỉ ra rằng dưới tác động của giáo dục đại học, khoảng trống này thường xuất phát từ ba nguồn chính. Thứ nhất, sự không đồng bộ giữa các cấp lãnh đạo: trong khi ban giám hiệu có tầm nhìn xa, cán bộ cấp trung lại thiếu quyền lực và nguồn lực để biến tầm nhìn đó thành hành động cụ thể. Thứ hai, mục tiêu chiến lược được xây dựng quá chung chung, thiếu chỉ tiêu đo lường cụ thể (SMART), khiến việc triển khai mất phương hướng. Thứ ba, hệ thống văn hóa và quy trình hiện tại chưa được đánh giá kỹ lưỡng để xác định những điểm nghẽn cần tháo gỡ trước khi áp dụng giải pháp công nghệ mới.

Để thu hẹp khoảng trống này, Fowler (2023) nhấn mạnh tầm quan trọng của việc xây dựng văn hóa tổ chức cởi mở với thay đổi. Văn hóa thể chế (institutional culture) không chỉ là yếu tố hỗ trợ mà thực chất là nền tảng quyết định thành hay bại của mọi lộ trình chuyển đổi. Khi các giảng viên và nhân viên cảm thấy được lắng nghe, được tham gia vào quá trình ra quyết định và được trang bị kỹ năng cần thiết, rào cản tâm lý đối với công nghệ mới sẽ giảm đáng kể. Do đó, bước đầu tiên trong thiết kế lộ trình phải là khảo sát kỹ lưỡng trạng thái sẵn sàng của tổ chức, bao gồm hạ tầng công nghệ, năng lực nhân sự, và vượt trội là tư duy đối với thay đổi.

9.4.2. Năm giai đoạn triển khai chuyển đổi số

Dựa trên khung phân tích của Islam (2026), lộ trình chuyển đổi số trong giáo dục đại học nên được cấu trúc theo năm giai đoạn tuần tự, mỗi giai đoạn có mục tiêu, đầu ra và tiêu chí đánh giá riêng biệt.

Giai đoạn 1 – Đánh giá (Assessment): Đây là bước nền tảng, tập trung vào việc phân tích hiện trạng toàn diện. Các hoạt động bao gồm kiểm kê hạ tầng công nghệ hiện có, đánh giá trình độ số của cán bộ giảng viên, khảo sát mức độ hài lòng của người học đối với các dịch vụ số hiện hành, và so sánh với các chuẩn mực trong ngành. Kết quả của giai đoạn này là báo cáo chẩn đoán chuyển đổi số, xác định rõ các điểm mạnh, điểm yếu, cơ hội và thách thức.

Giai đoạn 2 – Lập kế hoạch (Planning): Từ báo cáo chẩn đoán, tổ chức xây dựng kế hoạch hành động chi tiết. Kế hoạch này cần xác định các ưu tiên dựa trên ma trận tác động – độ khó (sẽ trình bày chi tiết ở mục tiếp theo), phân bổ ngân sách, xác định nguồn nhân sự phụ trách, và thiết lập lịch trình thực hiện. Kế hoạch cần có tính linh hoạt để điều chỉnh theo bối cảnh thay đổi.

Giai đoạn 3 – Thí điểm (Pilot): Trước khi triển khai diện rộng, các giải pháp mới cần được thử nghiệm ở quy mô nhỏ. Thí điểm giúp phát hiện sớm các vấn đề kỹ thuật, vấn đề chấp nhận của người dùng, và vấn đề tích hợp với hệ thống hiện tại. Việc chọn đơn vị thí điểm cần được thực hiện cẩn thận, ưu tiên những đơn vị có mức độ sẵn sàng cao và có willingness to change.

Giai đoạn 4 – Mở rộng (Scale-up): Sau khi thí điểm thành công và điều chỉnh cần thiết, giải pháp được triển khai trên toàn tổ chức. Giai đoạn này đòi hỏi năng lực quản lý thay đổi mạnh mẽ, đáng lưu ý là khả năng đảm bảo tính đồng nhất trong triển khai giữa các đơn vị.

Giai đoạn 5 – Tối ưu (Optimization): Chuyển đổi số là quá trình liên tục, không có điểm dừng. Giai đoạn tối ưu tập trung vào việc thu thập phản hồi, phân tích dữ liệu sử dụng, và cải tiến liên tục để nâng cao hiệu quả và trải nghiệm người dùng.

9.4.3. Ma trận ưu tiên: Tác động versus độ khó

Việc xác định thứ tự ưu tiên triển khai là quyết định chiến lược quan trọng. Ma trận ưu tiên phân loại các sáng kiến chuyển đổi số theo hai chiều: mức độ tác động (impact) đối với mục tiêu giáo dục và nghiên cứu, và mức độ khó khăn (difficulty) trong triển khai, bao gồm chi phí, thời gian, độ phức tạp kỹ thuật và mức độ phản kháng văn hóa.

Sáng kiến thuộc nhóm "tác động cao, độ khó thấp" (quick wins) nên được ưu tiên triển khai đầu tiên để tạo đà thành công và xây dựng niềm tin trong tổ chức. Các sáng kiến "tác động cao, độ khó cao" (strategic bets) cần được lập kế hoạch dài hạn với nguồn lực đầu tư mạnh mẽ. Sáng kiến "tác động thấp, độ khó thấp" vẫn còn thực hiện song song như các dự án phụ trợ. Nhóm "tác động thấp, độ khó cao" nên được xem xét loại bỏ hoặc hoãn lại để tránh lãng phí nguồn lực.

9.4.4. Khung giám sát tiến độ: KPI và milestones

Một lộ trình chuyển đổi số hiệu quả phải có hệ thống giám sát tiến độ rõ ràng. Islam (2026) đề xuất xây dựng bộ chỉ số hiệu quả chính (KPI) đa chiều, bao gồm các nhóm chỉ số sau: (i) chỉ số kỹ thuật – tỷ lệ hệ thống tích hợp thành công, thời gian phản hồi, độ sẵn sàng của hạ tầng; (ii) chỉ số tiếp nhận – tỷ lệ giảng viên sử dụng hệ thống quản lý học tập, số lượng khóa học trực tuyến được phát triển, mức độ hài lòng của người học; (iii) chỉ số kết quả giáo dục – điểm số đánh giá học tập, tỷ lệ tốt nghiệp, chất lượng nghiên cứu số hóa; và (iv) chỉ số tài chính – tiết kiệm chi phí vận hành, tỷ lệ hoàn vốn đầu tư (ROI) trên các dự án chuyển đổi số.

Song song với KPI, các cột mốc quan trọng (milestones) cần được thiết lập cho từng giai đoạn triển khai. Mỗi milestone phải có tiêu chí hoàn thành rõ ràng, trách nhiệm người phụ trách cụ thể và thời hạn thực hiện. Việc review tiến độ nên được thực hiện định kỳ hàng quý, kết hợp giữa báo cáo định lượng và phản hồi định tính từ các bên liên quan.

9.4.5. Vai trò của đơn vị chủ trì chuyển đổi số

Heller (2026) nhấn mạnh rằng chuyển đổi số trong giáo dục đại học cần có một đơn vị chủ trì chuyên trách, thường được biết đến dưới tên gọi Văn phòng Quản lý Dự án (PMO – Project Management Office) hoặc Trung tâm Chuyển đổi số (CDS – Center for Digital Strategy). Đơn vị này đóng vai trò là cầu nối giữa tầm nhìn chiến lược của ban lãnh đạo và các hoạt động thực thi tại cơ sở.

Cụ thể, PMO/CDS chịu trách nhiệm phối hợp lập kế hoạch tổng thể, theo dõi và đánh giá tiến độ, quản lý rủi ro, và đảm bảo tính liên kết giữa các dự án chuyển đổi số. Đơn vị này cũng thể hiện vai trò trung tâm trong việc xây dựng năng lực chuyển đổi số cho toàn tổ chức, bao gồm tổ chức đào tạo kỹ năng số, chia sẻ kinh nghiệm và bài học thực tiễn giữa các đơn vị. Heller (2026) nổi bật lưu ý rằng đơn vị chủ trì cần được trao quyền quyết định nhất định và báo cáo trực tiếp cho cấp lãnh đạo cao nhất, tránh tình trạng trở thành đơn vị chỉ có chức năng tham vấn mà thiếu quyền lực thực thi.

Vị trí và cấu trúc của PMO/CDS phụ thuộc vào quy mô và đặc thù của từng cơ sở giáo dục. Dù tổ chức theo mô hình tập trung hay phân tán, điều chính là đảm bảo sự điều phối hiệu quả, khả năng phản hồi nhanh với thay đổi, và tính minh bạch trong quản trị tài nguyên chuyển đổi số.

9.4.6. Danh mục kiểm tra 30 ngày đầu tiên: Momentum cho nhà lãnh đạo

Khi một hiệu trưởng mới, một giám đốc công nghệ thông tin (CTO) mới, hoặc một trưởng ban chuyển đổi số nhậm chức, 30 ngày đầu tiên là giai đoạn quyết định để tạo đà (momentum) cho toàn bộ chiến dịch chuyển đổi số. Phương pháp tiếp cận đúng trong giai đoạn này không chỉ thiết lập nền tảng cho thành công dài hạn mà còn truyền đi thông điệp mạnh mẽ tới toàn thể cơ quan giáo dục: chuyển đổi số là ưu tiên chiến lược, không phải dự án tạm thời.

Tuần đầu tiên: Đánh giá và thắng lợi nhanh

Trong tuần đầu tiên, nhà lãnh đạo cần thực hiện hai nhiệm vụ song song: đánh giá nhanh (rapid assessment) và tạo thắng lợi nhanh (quick wins). Đánh giá nhanh bao gồm việc họp với tất cả các trưởng phòng ban, đại diện giảng viên và sinh viên trong vòng 5-7 ngày làm việc để hiểu rõ bức tranh hiện tại: hệ thống công nghệ đang sử dụng, điểm đau (pain points) lớn nhất, và kỳ vọng của từng bên liên quan. Đồng thời, nhà lãnh đạo cần xác định 2-3 vấn đề nhỏ nhưng rõ ràng sẽ được giải quyết ngay — ví dụ: khắc phục lỗi Wi-Fi khu vực thư viện, kích hoạt tính năng đã có sẵn trong LMS nhưng chưa ai sử dụng, hay thiết lập một kênh phản hồi số cho sinh viên — và giải quyết chúng trong vòng tuần đầu tiên.

McKinsey & Company (2023). Trong báo cáo "The keys to a successful digital transformation" thuộc chuỗi phân tích về chuyển đổi số trong giáo dục và khu vực công, McKinsey khuyến nghị các nhà lãnh đạo mới "khởi đầu bằng các dự án có thể hoàn thành trong 30-60 ngày, có kết quả đo lường được, và trực tiếp giải quyết một điểm đau mà người dùng đã biết." Báo cáo nhấn mạnh rằng "những chiến thắng nhanh" trong giai đoạn đầu — dù nhỏ — có tác động tâm lý vượt xa giá trị kỹ thuật, vì chúng "xây dựng động lực, củng cố niềm tin, và chứng minh rằng chuyển đổi số mang lại lợi ích thực tế chứ không chỉ là khẩu hiệu."

Kotter, J.P. (1996). Trong cuốn kinh điển Leading Change (Harvard Business School Press), Kotter nhấn mạnh bước thứ sáu trong mô hình 8 bước quản lý thay đổi là "tạo ra các thắng lợi ngắn hạn" (generate short-term wins): "Các tổ chức cần 'những chiến thắng sớm' — những cải tiến hữu hình và rõ ràng diễn ra trong vòng 6-12 tháng. Những thắng lợi này giúp xây dựng niềm tin, thu hút những người còn do dự, và củng cố uy tín của nhóm dẫn dắt thay đổi." Trong bối cảnh chuyển đổi số giáo dục, 30 ngày đầu tiên chính là thời điểm vàng để tạo ra những thắng lợi ngắn hạn đầu tiên này.

Kotter (1996) nhấn mạnh rằng việc tạo ra các "thắng lợi ngắn hạn" trong giai đoạn đầu của thay đổi là yếu tố then chốt để duy trì đà và thuyết phục những người còn do dự. Các nghiên cứu về quản lý thay đổi cũng nhất trí rằng nhà lãnh đạo mới có một "khung thời gian 100 ngày" (100-day window) để thiết lập uy tín và định hình văn hóa tổ chức — và 30 ngày đầu là giai đoạn quan trọng nhất trong khung thời gian đó.

Tuần thứ hai và thứ ba: Thu hút bên liên quan và chọn thí điểm

Sau khi hoàn thành đánh giá nhanh và tạo thắng lợi ban đầu, nhà lãnh đạo cần chuyển sang việc xây dựng liên minh (building coalition) và xác định các dự án thí điểm (pilot projects). Xây dựng liên minh bao gồm việc xác định những người có sức ảnh hưởng trong trường — đảm bảo được là một giáo sư được kính trọng, một trưởng phòng ban có tầm nhìn, hay một lãnh đạo sinh viên năng động — và biến họ thành những "đại sứ chuyển đổi số" (digital transformation champions). Những người này sẽ giúp truyền bá thông điệp chuyển đổi số đến các cộng đồng của họ, giải quyết các lo ngại từ cơ sở, và cung cấp phản hồi thực tế từ người dùng cuối.

Việc chọn dự án thí điểm cần tuân thủ nguyên tắc "nhỏ nhưng có ý nghĩa" — một dự án đủ nhỏ để quản lý rủi ro nhưng đủ lớn để chứng minh giá trị. Ví dụ cho phép bao gồm: triển khai AI để tự động chấm điểm bài tập tự luận tại một khóa học (thay vì toàn trường), áp dụng chatbot hỗ trợ sinh viên tại một phòng ban (thay vì toàn trường), hay số hóa quy trình duyệt chi phí tại một khoa (thay vì toàn bộ trường). Dự án thí điểm thành công sẽ tạo ra ví dụ cụ thể — "by chứng thay vì bằng lời" (show, don't tell) — để thuyết phục những người còn hoài nghi về giá trị chuyển đổi số.

Tuần thứ tư: Nền tảng chính sách và kế hoạch truyền thông

Trong tuần cuối cùng của 30 ngày đầu tiên, nhà lãnh đạo cần thiết lập nền tảng chính sách (policy foundation) và kế hoạch truyền thông (communication plan) cho giai đoạn tiếp theo. Nền tảng chính sách bao gồm: soạn thảo hoặc cập nhật chính sách sử dụng công nghệ số của trường, ban hành quy định về an toàn dữ liệu và bảo mật thông tin khi sử dụng AI, và thiết lập ủy ban chuyển đổi số gồm đại diện từ tất cả các bên liên quan. Kế hoạch truyền thông cần xác định rõ: thông điệp trọng tâm của chiến dịch chuyển đổi số (tại sao trường cần chuyển đổi số, chuyển đổi số mang lại lợi ích gì cho từng nhóm), các kênh truyền thông (email, cổng thông tin, họp trực tiếp, mạng xã hội nội bộ), và lịch trình truyền thông định kỳ để duy trì thông điệp trong suốt quá trình triển khai.

Dưới đây là danh mục kiểm tra cụ thể cho 30 ngày đầu tiên, được thiết kế để nhà lãnh đạo đáp ứng thực hiện ngay mà không cần chờ đợi nguồn lực lớn:

Ngày 1-3: Họp riêng với hiệu trưởng/ban giám đốc để thống nhất tầm nhìn chuyển đổi số; xin được ủy quyền đầy đủ; xác định ngân sách ban đầu.

Ngày 4-7: Họp với tất cả trưởng phòng ban (IT, Đào tạo, Hành chính, Kế hoạch tài chính); nghe và ghi chép chứ không đưa ra giải pháp; xác định 3 điểm đau lớn nhất.

Ngày 8-10: Chọn và triển khai 2-3 thắng lợi nhanh; thông báo kết quả toàn trường.

Ngày 11-14: Xác định 5-7 "đại sứ chuyển đổi số"; họp riêng với từng người để chia sẻ tầm nhìn và xin cam kết.

Ngày 15-18: Chọn 1-2 dự án thí điểm; xác định chỉ số đo lường thành công (KPIs) rõ ràng; phân bổ nguồn lực và nhân sự.

Ngày 19-21: Ban hành chính sách sử dụng AI và công nghệ số (bản dự thảo); thành lập ủy ban chuyển đổi số; thiết lập kênh phản hồi.

Ngày 22-25: Lên kế hoạch truyền thông 3 tháng tiếp theo; viết email khai mạc chiến dịch; chuẩn bị bài thuyết trình cho hội nghị toàn trường.

Ngày 26-30: Tổ chức sự kiện kick-off chuyển đổi số; công bố dự án thí điểm; trình bày lộ trình 6-12 tháng; mở kênh hỏi đáp thường xuyên.

Danh mục kiểm tra này không phải là công thức ma thuật — không có công thức nào thay thế cho tư duy chiến lược và khả năng thích ứng. Tuy nhiên, nó cung cấp một khung cấu trúc để nhà lãnh đạo bắt đầu hành động ngay lập tức, tránh rơi vào cạm bẫy của "chẩn đoán kéo dài không có điều trị" — phân tích mãi mà không hành động. Trong chuyển đổi số, như trong mọi nỗ lực thay đổi, động lực (momentum) là tài sản quý giá nhất — và 30 ngày đầu là cơ hội duy nhất để tạo ra nó.

9.5. Khoảng cách giữa kỳ vọng và thực tế

Một hiện tượng đáng chú ý trong chuyển đổi số giáo dục đại học là khoảng cách giữa kỳ vọng và thực tế — giữa những lời hứa hẹn của công nghệ và kết quả thực tế khi triển khai (Heller, 2026).

Các nhà cung cấp công nghệ giáo dục thường hứa hẹn những kết quả ấn tượng — AI sẽ "cách mạng hóa giáo dục", campus thông minh sẽ "tối ưu hóa mọi hoạt động", và phân tích dữ liệu sẽ "đánh giá chính xác năng lực sinh viên". Thực tế triển khai thường phức tạp hơn nhiều, kết quả chậm hơn kỳ vọng và rủi ro cao hơn dự đoán (Islam, 2026).

Khoảng cách giữa kỳ vọng và thực tế trong chuyển đổi số giáo dục là nguyên nhân chính dẫn đến "kiệt sức đổi mới" (innovation fatigue) — khi giảng viên và nhân viên trải qua quá nhiều dự án thay đổi mà không thấy kết quả rõ ràng, họ trở nên hoài nghi và thụ động đối với mọi sáng kiến mới (Zemba, Chilonga và cộng sự, 2026).

Quản lý kỳ vọng — cả ở cấp lãnh đạo và cấp cơ sở — là yếu tố quan trọng để duy trì động lực trong chuyển đổi số dài hạn. Các chiến lược hiệu quả bao gồm: thiết lập mục tiêu thực tế — dựa trên bối cảnh và nguồn lực thực tế, không phải lời hứa của nhà cung cấp; đo lường và truyền thông kết quả nhỏ — thay vì chờ đợi "cách mạng", ăn mừng những cải tiến nhỏ; và minh bạch về thách thức — thừa nhận những khó khăn và thất bại, không chỉ highlight thành công (Fowler, 2023).

9.6. Khủng hoảng niềm tin vào giáo dục đại học

Chuyển đổi số và AI đang đặt ra một vấn đề sâu sắc hơn: khủng hoảng niềm tin vào giáo dục đại học. Khi AI nên viết bài luận, giải bài tập và thi đấu với sinh viên — đôi khi giỏi hơn — câu hỏi về "giá trị của giáo dục đại học" trở nên cấp thiết (Černý, 2024).

Khủng hoảng niềm tin biểu hiện ở nhiều cấp độ: sinh viên đặt câu hỏi về giá trị của bài tập khi AI phải làm tốt hơn; nhà tuyển dụng đặt câu hỏi về giá trị bằng cấp khi AI vẫn còn cung cấp kiến thức tương đương; và xã hội đặt câu hỏi về vai trò của trường đại học trong kỷ nguyên mà AI có khả năng cung cấp giáo dục trực tuyến với chi phí thấp hơn (Fowler, 2023).

Giáo dục đại học cần xác định rõ giá trị gia tăng của mình — những gì AI không thể cung cấp. Bao gồm: phát triển tư duy phản biện sâu sắc, khả năng giải quyết vấn đề phức tạp trong giai đoạn thực tế, kỹ năng làm việc nhóm và giao tiếp con người, và khả năng thích ứng và học tập suốt đời.

Trường đại học trong kỷ nguyên AI không cạnh tranh với AI về việc truyền đạt kiến thức — AI sẽ luôn giỏi hơn về việc lưu trữ và trình bày thông tin. Cạnh tranh thực sự là về việc phát triển những năng lực con người mà AI không thể thay thế: sáng tạo, đồng cảm, lãnh đạo, và tư duy đạo đức (Fowler, 2023).

9.7. Xóa bỏ nỗi sợ AI: Từ kháng cự đến đồng hành

Nỗi sợ bị trí tuệ nhân tạo (AI) thay thế đang trở thành rào cản tâm lý lớn nhất trong quá trình chuyển đổi số giáo dục đại học tại Việt Nam. Các cuộc khảo sát sơ bộ tại nhiều cơ sở đào tạo cho thấy một bộ phận không nhỏ giảng viên — đáng chú ý là những người có thâm niên — coi AI như một đe dọa hiện hữu đối với nghề nghiệp, bản sắc nghề nghiệp và giá trị then chốt của việc giảng dạy. Để giải quyết triệt để vấn đề này, chúng ta cần một khung phân tích hệ thống, và mô hình Chấp nhận Công nghệ Thống nhất (UTAUT — Unified Theory of Acceptance and Use of Technology) của Venkatesh và cộng sự (2003) cung cấp chính xác lăng kính đó. Phân tích tổng hợp của Alotaibi (2026) về việc chấp nhận generative AI trong đội ngũ giảng viên, dựa trên siêu phân tích các nghiên cứu sử dụng TAM và UTAUT, cho thấy rằng bốn yếu tố cấu thành UTAUT không chỉ giải thích được mức độ chấp nhận công nghệ mà còn phản ánh sâu sắc bản chất của những lo ngại và kỳ vọng của giảng viên khi đối mặt với AI.

Sự chấp nhận của giảng viên đối với generative AI chịu ảnh hưởng mạnh mẽ bởi nhận thức về giá trị thực tiễn, mong đợi xã hội từ cộng đồng học thuật và điều kiện hỗ trợ từ cơ sở giáo dục — trong đó Performance Expectancy có vị trí dự báo quan trọng nhất (Alotaibi, 2026).

9.7.1. Phân tích nỗi sợ bị thay thế qua lăng kính UTAUT

Yếu tố Performance Expectancy (Kỳ vọng hiệu suất) là nguồn gốc sâu xa nhất của nỗi sợ. Khi giảng viên đặt câu hỏi "AI có làm tốt hơn mình không?", họ đang đánh giá liệu công nghệ này có mang lại hiệu quả cao hơn trong việc truyền đạt kiến thức so với phương pháp giảng dạy truyền thống. BinJwair (2025) khi nghiên cứu việc chấp nhận generative AI của sinh viên STEM thông qua mô hình UTAUT phát hiện rằng kỳ vọng hiệu suất có tác động đáng kể đến ý định sử dụng, và điều này cũng đúng ngược lại đối với giảng viên: khi họ tin rằng AI chỉ cung cấp thông tin cơ bản mà thiếu chiều sâu tư duy, nỗi sợ sẽ giảm đi. Vấn đề then chốt là nhiều giảng viên hiện nay chưa phân biệt rõ giữa "hiệu suất trong việc truyền đạt nội dung" và "giá trị giáo dục toàn diện". AI sẽ soạn giảng bài nhanh hơn, nhưng không thể thay thế khả năng truyền cảm hứng, điều chỉnh phương pháp theo phản ứng thời gian thực của sinh viên, hay xây dựng mối quan hệ thầy trò — những yếu tố cấu thành bản chất của giáo dục bậc cao.

Kết quả phân tích cấu trúc tuyến tính (SEM) cho thấy Performance Expectancy có ảnh hưởng tích cực và đáng kể (β = 0.42, p < 0.001) đến ý định chấp nhận generative AI, khẳng định rằng nhận thức về lợi ích thực tiễn là động lực then chốt (BinJwair, 2025).

Yếu tố Effort Expectancy (Kỳ vọng nỗ lực) phản ánh lo ngại rằng việc học và sử dụng AI đòi hỏi quá nhiều thời gian, công sức — điều mà các giảng viên đã quá bận rộn với công tác nghiên cứu, giảng dạy và hành chính thường e ngại. Nỗi sợ này không phải là không có cơ sở: nhiều công cụ AI hiện nay yêu cầu kỹ năng lập trình cơ bản, quen thuộc với giao diện tiếng Anh, và khả năng viết prompt hiệu quả. Giải pháp nằm ở việc các trường đại học phải chủ động cung cấp đào tạo được thiết kế riêng cho bối cảnh giáo dục, với các bài tập thực hành trực tiếp trên các tác vụ mà giảng viên thực hiện hàng ngày.

Yếu tố Social Influence (Ảnh hưởng xã hội) đóng kép: nó vừa là nguồn củng cố nỗi sợ (khi đồng nghiệp xung quanh cũng lo lắng, lan truyền thông tin tiêu cực về AI), vừa là động lực thúc đẩy thay đổi (k khi lãnh đạo cơ quan ủng hộ AI, khi các trường đại học uy tín trên thế giới công bố chiến lược tích hợp AI). Siêu phân tích của Alotaibi (2026) nhấn mạnh rằng ảnh hưởng xã hội có tác động nổi bật mạnh trong giai đoạn đầu tiếp cận công nghệ mới, trước khi người dùng tự hình thành kinh nghiệm trực tiếp. Điều này có nghĩa rằng việc xây dựng cộng đồng thực hành (community of practice) về AI trong trường đại học, nơi các giảng viên tiên phong chia sẻ kinh nghiệm tích cực, là chiến lược giảm thiểu nỗi sợ cực kỳ hiệu quả.

Yếu tố Facilitating Conditions (Điều kiện hỗ trợ) phản ánh mức độ mà trường đại học tạo ra hạ tầng, chính sách và nguồn lực để giảng viên sử dụng AI qua lăng kính an toàn, hợp lý. Thiếu điều kiện này, nỗi sợ sẽ chuyển thành sự kháng cự tích cực — giảng viên sẽ không chỉ không dùng AI mà còn phản đối việc đưa AI vào giảng dạy. Các điều kiện hỗ trợ thiết yếu bao gồm: chính sách rõ ràng về sử dụng AI trong giảng dạy và nghiên cứu, hạ tầng công nghệ ổn định, đội ngũ hỗ trợ kỹ thuật chuyên trách, và quan trọng nhất — sự cam kết từ ban lãnh đạo rằng AI là công cụ hỗ trợ chứ không phải phương thức cắt giảm nhân sự.

9.7.2. Định vị lại: AI là "Trợ lý giảng dạy" (Co-pilot), không phải "Người thay thế"

Sự chuyển đổi từ nỗi sợ đến chấp nhận bắt đầu từ việc định vị lại vai trò của AI. Thay vì coi AI là "máy móc thay thế con người", cần nhận thức nó là "co-pilot" — trợ lý đồng hành trên chuyến bay của việc giáo dục. Meta-analysis của Alotaibi (2026) chỉ ra rằng nhận thức về vai trò bổ trợ, không thay thế có mối tương quan dương mạnh mẽ với ý định chấp nhận AI (r = 0.58, CI 95% [0.49, 0.66]). Cụ thể, AI được hỗ trợ giảng viên trong các nhiệm vụ sau:

• Tự động hóa tác vụ hành chính và lặp: Chấm điểm bài tập trắc nghiệm, tạo đề cương bài giảng, soạn thảo tài liệu khóa học, tổng hợp phản hồi sinh viên. BinJwair (2025) ghi nhận rằng sinh viên STEM kỳ vọng AI giảm tải công việc lặp đi lặp lại, và kỳ vọng tương tự hoàn toàn hợp lý đối với giảng viên.
• Cá nhân hóa học tập: AI phân tích dữ liệu học tập để phát hiện sinh viên gặp khó khăn, đề xuất lộ trình học tập phù hợp — việc mà một giảng viên khó thực hiện khi phải quản lý hàng trăm sinh viên cùng lúc.
• Làm giàu trải nghiệm giảng dạy: Tạo mô phỏng, case study thực tế, bài tập tình huống đa dạng — giúp giảng viên có thêm tài liệu chất lượng cao mà không tốn quá nhiều thời gian chuẩn bị.

Điều này giải phóng giảng viên khỏi những công việc mang tính cơ chế, để tập trung vào những giá trị quan trọng nhất mà AI không thể thay thế: mentoring (cố vấn học thuật), truyền cảm hứng, khơi gợi tư duy phản biện, và xây dựng môi trường học tập mang tính nhân văn. Một giảng viên được AI giải phóng khỏi gánh nặng hành chính sẽ có thêm thời gian ngồi trao đổi sâu với sinh viên, dẫn dắt nghiên cứu khoa học, và phát triển đổi mới sáng tạo trong phương pháp giảng dạy.

9.7.3. Thực tiễn định vị lại vai trò giảng viên tại các trường đại học Việt Nam

Tại Việt Nam, một số cơ sở giáo dục đã bắt đầu thực hiện bước chuyển đổi này theo hướng có chủ đích. Đại học Bách Khoa Hà Nội — nơi đào tạo khối kỹ thuật vốn quen thuộc với công nghệ — đã triển khai các buổi workshop "AI cho Giảng viên" bắt đầu từ việc giải quyết những tác vụ thực tế nhất: soạn đề thi, chấm bài tự luận bằng AI, tạo slide bài giảng. Cách tiếp cận từ "nỗi đau thực tế" (pain point) giúp giảng viên thấy giá trị ngay lập tức, từ đó giảm kháng cự tâm lý.

Đại học FPT, với lợi thế về hệ sinh thái công nghệ, đã đưa AI vào quy trình chuẩn bị tài liệu khóa học và khuyến khích giảng viên sử dụng AI như công cụ hỗ trợ hàng ngày. Việc một trường thuộc hệ thống công nghệ tiên phong làm ví dụ có tác động Social Influence mạnh mẽ, tạo áp lực và động lực tích cực cho các trường khác.

Đại học Ngoại thương, dù trong lĩnh vực kinh tế xã hội, đã bước đầu thử nghiệm AI trong việc phân tích tình huống kinh doanh (business case study) và mô phỏng đàm phán — cho thấy AI không chỉ dành riêng cho khối STEM mà còn là công cụ có giá trị trong đào tạo kinh doanh, quản trị.

9.7.4. Mô hình chuyển đổi bốn giai đoạn: Sợ hãi → Thử nghiệm → Tích hợp → Dẫn dắt

Dựa trên khung UTAUT và thực tiễn triển khai, chúng tôi đề xuất mô hình chuyển đổi bốn giai đoạn để đưa giảng viên từ kháng cự đến đồng hành cùng AI:

Giai đoạn 1 — Sợ hãi (Fear): Giảng viên nhận biết AI, phản ứng bằng lo lắng, nghi ngờ. Trường đại học cần lắng nghe, công nhận những lo ngại này là chính đáng, tránh áp đặt công nghệ. Giai đoạn này cần Social Influence tích cực từ lãnh đạo và Facilitating Conditions rõ ràng (chính sách sử dụng AI an toàn).

Giai đoạn 2 — Thử nghiệm (Experimentation): Giảng viên bắt đầu dùng AI trong các tác vụ đơn giản, an toàn — ví dụ: soạn đề cương, tổng hợp tài liệu. Trường cung cấp training ngắn, có mentor hỗ trợ. Mục tiêu là đạt Effort Expectancy tích cực — giảng viên thấy AI dễ dùng hơn họ tưởng.

Giai đoạn 3 — Tích hợp (Integration): AI trở thành phần trong quy trình giảng dạy thường xuyên. Giảng viên tự chủ chọn công cụ phù hợp với môn học, sáng tạo cách sử dụng mới. Performance Expectancy được củng cố qua kết quả thực tế: tiết kiệm thời gian, nâng cao chất lượng học tập của sinh viên.

Giai đoạn 4 — Dẫn dắt (Leadership): Giảng viên trở thành người lan tỏa — chia sẻ kinh nghiệm, hướng dẫn đồng nghiệp, đóng góp vào chính sách AI của trường. Lúc này, họ đã chuyển từ người bị động tiếp nhận công nghệ sang người chủ động kiến tạo đổi mới.

Chiến lược can thiệp hiệu quả nhất để thúc đẩy chấp nhận AI trong giáo dục đại học phải kết hợp song song việc nâng cao nhận thức về lợi ích thực tiễn (Performance Expectancy) và xây dựng hệ sinh thái hỗ trợ toàn diện (Facilitating Conditions) — không thể chỉ dựa vào một yếu tố đơn lẻ (Alotaibi, 2026; BinJwair, 2025).

Chuyển đổi số trong giáo dục đại học không chỉ là câu chuyện công nghệ — nó là câu chuyện về con người. Xóa bỏ nỗi sợ AI không phải là phủ nhận những thách thức thực tế mà AI mang lại, mà là trang bị cho giảng viên nhận thức, kỹ năng và điều kiện để biến AI từ mối đe dọa thành đối tác đồng hành. Thông qua lăng kính UTAUT, chúng ta hiểu rằng nỗi sợ có khả năng được giải quyết bằng biện pháp có hệ thống — và khi được giải quyết, nó mở ra không gian cho một cuộc cách mạng thực sự trong chất lượng giáo dục đại học tại Việt Nam.

9.8. Khi AI không phải là giải pháp: Giới hạn và lời cảnh tỉnh

trong giai đoạn làn sóng nhiệt huyết surrounding ứng dụng trí tuệ nhân tạo trong giáo dục đại học, các bài viết và thảo luận thường thiên về potentials tích cực: cá nhân hóa lộ trình học tập, tự động hóa đánh giá, nâng cao hiệu suất nghiên cứu, và tối ưu hóa quy trình quản trị. Thế nhưng, bất kỳ công nghệ đột phá nào cũng cần được nhìn nhận từ cả hai phía, và sự cẩn trọng mang tính phản biện không chỉ là thái độ khôn ngoan mà còn là trách nhiệm học thuật. Phần này trình bày những giới hạn quan trọng nhất của AI trong giáo dục — những ranh giới mà công nghệ, dù phát triển đến đâu, vẫn khó lòng vượt qua.

9.8.1. Những gì AI không thể thay thế

Trước hết, cần xác định rõ ranh giới năng lực: AI là công cụ mạnh mẽ nhưng không phải là thực thể toàn năng. Mối quan hệ giữa giảng viên và sinh viên — với những yếu tố như mentoring, truyền cảm hứng, đồng cảm, và sự gắn kết cá nhân — nằm hoàn toàn ngoài tầm với của bất kỳ hệ thống thuật toán nào. Một sinh viên tìm đến giáo sư hướng dẫn không chỉ vì kiến thức chuyên môn mà còn vì sự động viên, lời khuyên từ kinh nghiệm sống, và niềm tin được con người truyền đạt. Trí tuệ nhân tạo vẫn còn phân tích dữ liệu học tập và đề xuất lộ trình tối ưu, nhưng không thể nhìn vào mắt một sinh viên đang bế tắc và nói: "Em nên làm được, anh tin ở em." Chính những khoảnh khắc đầy tính nhân văn ấy mới là cơ bản của giáo dục.

Tư duy phản biện sâu (critical thinking) là một năng lực khác mà AI không thể phát triển thay con người. Nếu xét ở bề nổi, các mô hình ngôn ngữ lớn (LLM) nên tạo ra những lập luận có vẻ chặt chẽ, phân tích vấn đề đa chiều, thậm chí trình bày cả hai phía của một tranh luận. Thế nhưng, tư duy phản biện đích thực không chỉ là khả năng xử lý thông tin — nó đòi hỏi sự đánh giá giá trị (value judgment), nhận thức vị thế xã hội, khả năng đặt câu hỏi về những điều được coi là hiển nhiên, và dũng khí đưa ra kết luận đi ngược lại xu thế chính. Đây là quá trình nhận thức mang tính hiện sinh, gắn liền với trải nghiệm sống và thế giới quan của mỗi cá nhân.

Kỹ năng xã hội và cảm xúc — trí tuệ cảm xúc (EQ), khả năng hợp tác, lãnh đạo, đàm phán, giải quyết xung đột — cũng nằm ngoài phạm vi năng lực của AI. Giáo dục đại học không chỉ đào tạo người lao động mà còn hình thành công dân có trách nhiệm, những người biết sống và làm việc cùng người khác trong một xã hội phức tạp. Các kỹ năng này chỉ sẽ được rèn luyện thông qua tương tác con người thật: nhóm học tập, tranh luận trong lớp, hoạt động ngoại khóa, và các tình huống thực tế.

Sáng tạo đích thực (authentic creativity) là một khái niệm cần được phân biệt rõ khỏi "sáng tạo tổ hợp" (combinatorial creativity) mà AI đang thể hiện. Các mô hình tạo sinh xuất sắc trong việc tái cấu trúc và kết hợp các mẫu đã có trong dữ liệu huấn luyện — một hình thức sáng tạo ấn tượng nhưng bản chất vẫn là tổ hợp thống kê. Sáng tạo đích thực, trái lại, đòi hỏi sự phá vỡ mẫu, khả năng nhìn thấy những gì chưa từng tồn tại, và ý định nghệ thuật hay khoa học mang tính cá nhân. Một sinh viên vẽ tranh, sáng tác nhạc, hay đặt ra giả thuyết nghiên cứu đột phá — đó là quá trình sáng tạo mang tính hiện sinh không thể ủy thác cho thuật toán.

Cuối cùng, trong lĩnh vực đạo đức và giá trị con người, AI chỉ được có ý nghĩa công cụ hỗ trợ chứ không thể thay thế lý trí đạo đức của con người. Việc đánh giá đúng sai, xác định giá trị chính, và đưa ra quyết định mang tính chuẩn mực đòi hỏi sự hiểu biết về bối cảnh văn hóa, lịch sử, và triết học — những thứ mà AI không thực sự "hiểu" mà chỉ mô phỏng dựa trên dữ liệu.

9.8.2. Rủi ro khi AI hóa quá mức giáo dục

Khi các cơ sở giáo dục đại học áp dụng AI bằng biện pháp quá mức và thiếu cân nhắc, những hệ lụy tiêu cực có khả năng xuất hiện ngay cả khi không ai chủ đích gây ra chúng. Rủi ro đầu tiên và nghiêm trọng nhất là mất tính nhân văn trong giáo dục. Khi mọi khía cạnh của trải nghiệm học tập — từ tương tác giảng viên-sinh viên đến phản hồi bài tập, từ tư vấn học thuật đến đánh giá năng lực — đều được trung gian hóa qua AI, giáo dục có nguy cơ biến thành một quy trình công nghiệp vô hồn. Sinh viên trở thành "người dùng" của hệ thống, và mối quan hệ sư tửmang tính cá nhân nhường chỗ cho các giao diện thuật toán.

Phụ thuộc công nghệ (technology dependency) là một rủi ro đang hiện hữu trước mắt. Khi sinh viên quen với việc nhờ AI giải bài tập, viết luận, phân tích tình huống, họ có nguy cơ suy giảm năng lực tự chủ — khả năng tự tư duy, tự giải quyết vấn đề mà không cần công nghệ hỗ trợ. Điều này tạo ra một nghịch lý giáo dục: công cụ được cho là giúp nâng cao năng lực lại vô tình làm thui chột chính năng lực then chốt mà giáo dục cần hình thành.

Một hệ lụy ít được thảo luận nhưng không kém phần quan trọng là tiêu chuẩn hóa (standardization) do AI tạo ra vẫn còn giết chết sự đa dạng tư duy. Khi các mô hình ngôn ngữ lớn được sử dụng rộng rãi để hỗ trợ viết, lập luận, và nghiên cứu, có nguy cơ rằng sản phẩm trí tuệ — từ tiểu luận đến bài nghiên cứu — sẽ dần hội tụ về một "phong cách chuẩn" do AI định hình. Sự đa dạng trong cách diễn đạt, góc nhìn bất thường, và các phương pháp tiếp cận không chính thống — những yếu tố vốn là động lực của đổi mới học thuật — nên bị bôi nhòa.

Không thể bỏ qua rủi ro về sai lệch của AI (AI bias) củng cố bất bình đẳng hiện hữu. Các hệ thống AI được huấn luyện trên dữ liệu lịch sử vốn đã mang dấu ấn của các thiên kiến xã hội — về giới, sắc tộc, giai cấp, và văn hóa. Khi các hệ thống này được sử dụng để tuyển sinh, đánh giá, tư vấn lộ trình, hoặc dự đoán thành công học tập, chúng sẽ tái sản xuất và thậm chí khuếch đại các bất công sẵn có. nổi bật nguy hiểm là khía cạnh "ẩn" của thiên kiến thuật toán: kết quả AI thường được mặc định là "khách quan" và "dựa trên dữ liệu", khiến các hình thức phân biệt đối xử mới khó bị nhận diện và thách thức hơn so với thiên kiến con người truyền thống.

9.8.3. Các lĩnh vực giáo dục mà AI không nên can thiệp

Từ những giới hạn và rủi ro trên, cần xác định rõ những ranh giới mà AI không nên vượt qua trong giáo dục đại học. Đánh giá phẩm chất cá nhân — tính trung thực, lòng vị tha, sự kiên trì, tinh thần trách nhiệm — là lĩnh vực mà AI hoàn toàn không có thẩm quyền. Các khía cạnh này chỉ được được đánh giá thông qua quan sát, tương tác kéo dài, và phán đoán của con người có kinh nghiệm.

Giáo dục giá trị và đạo đức cần được dẫn dắt bởi chính những người sống và suy nghĩ theo những giá trị đó. Một thuật toán có khả năng phân tích các tình huống đạo đức, nhưng việc hình thành đạo đức — quá trình nội tâm hóa giá trị — đòi hỏi mô hình từ con người, không phải từ máy móc.

Trong lĩnh vực nghệ thuật và sáng tạo đích thực, AI nên được giới hạn ở vai trò công cụ hỗ trợ kỹ thuật. Việc để AI tạo ra tác phẩm nghệ thuật, sáng tác âm nhạc, hay viết văn chương thay cho sinh viên — và sau đó đánh giá những "sản phẩm" đó — không chỉ làm giảm giá trị của quá trình sáng tạo mà còn đặt câu hỏi về bản chất của giáo dục nghệ thuật: ta đang đào tạo người sáng tạo hay người điều khiển công cụ sáng tạo?

Ra quyết định kỷ luật và nhân sự trong môi trường học thuật — từ việc xét duyệt sa thải đến xử lý vi phạm học thuật — đòi hỏi sự thấu cảm, hiểu bối cảnh cá nhân, và phán đoán đạo đức mà AI không thể cung cấp. Các quyết định này có ảnh hưởng sâu sắc đến cuộc sống của con người và cần được đưa ra bởi con người, chịu trách nhiệm trước con người.

9.8.4. Bài học quan trọng

Trí tuệ nhân tạo là công cụ mạnh — có lẽ là công cụ biến đổi giáo dục mạnh mẽ nhất kể từ khi Internet xuất hiện — nhưng công cụ mạnh không đồng nghĩa với giải pháp toàn diện. Một chiếc búa xuất sắc vẫn còn xây được ngôi nhà tuyệt đẹp, nhưng không ai muốn sống trong ngôi nhà mà mọi thứ đều bằng búa. Tương tự, AI nên nâng cao đáng kể nhiều khía cạnh của giáo dục đại học, nhưng giáo dục, ở bản chất sâu xa nhất, vẫn là quá trình con người hướng dẫn con người, con người truyền cảm hứng cho con người, và con người định hình thế giới quan của con người.

Thách thức thực sự đối với giáo dục đại học trong kỷ nguyên AI không phải là tìm cách tích hợp công nghệ này vào mọi khía cạnh của trải nghiệm học tập, mà là xác định chính xác nơi công nghệ nên dừng lại để con người tiếp tục thực hiện vai trò không thể thay thế của mình. Đó là bài toán cân bằng tinh tế — giữa tận dụng và thận trọng, giữa đổi mới và gìn giữ bản thể, giữa công cụ và đích đến. Giáo dục đại học, trong mọi thời đại, luôn hướng tới một mục tiêu lớn hơn việc chuyển giao kiến thức: đó là hình thành con người. Và trong sứ mệnh ấy, AI là người đồng hành hữu ích, nhưng con người mới là chủ thể bất khả thay thế.

9.9. Bài học từ thất bại: Khi chuyển đổi số không theo kịch bản

Các bài viết về chuyển đổi số giáo dục thường thiên về các câu chuyện thành công — những trường đại học "như mơ" nơi công nghệ giải quyết mọi vấn đề và mọi người đều hài lòng. Thế nhưng, thực tế cho thấy một tỷ lệ đáng kinh ngạc các dự án chuyển đổi số thất bại hoặc không đạt được mục tiêu đề ra. Các bài học từ những thất bại này đôi khi có giá trị hơn nhiều so với các ca thành công, bởi chúng tiết lộ những rủi ro hệ thống mà các trường thường phớt lờ khi đắm mình trong sự hào hứng công nghệ.

Một trong những ví dụ được nghiên cứu kỹ nhất về thất bại trong chuyển đổi số giáo dục đại học là chiến dịch chuyển đổi hệ thống quản lý học tập (LMS) tại Đại học Adelaide, Australia, giai đoạn 2019-2020. Trường đã quyết định di chuyển từ hệ thống MyUni (dựa trên Blackboard) sang nền tảng Canvas, với kỳ vọng cải thiện trải nghiệm học tập và giảm chi phí vận hành. Thế nhưng, quá trình chuyển đổi đã gặp hàng loạt vấn đề nghiêm trọng: dữ liệu học sinh bị lỗi, giao diện không tương thích với các công cụ bên thứ ba mà giảng viên đã sử dụng hàng năm, hệ thống sập trong những tuần đầu tiên của học kỳ, và hàng trăm giảng viên không được đào tạo đầy đủ để sử dụng nền tảng mới. Kết quả là cả sinh viên lẫn giảng viên phàn nàn gay gắt, hiệp hội sinh viên đệ đơn khiếu nại chính thức, và trường phải dành thêm hàng triệu đô la và hơn sáu tháng để khắc phục hậu quả.

Kane, G.C., Phillips, A.N., Copulsky, J.R., & Andrus, G. (2019). Trong cuốn The Technology Fallacy: How People Are the Real Key to Digital Transformation (MIT Press), các tác giả tổng hợp dữ liệu từ hơn 400 tổ chức và kết luận rằng "khoảng 70% dự án chuyển đổi số không đạt được mục tiêu đề ra." Lý do phổ biến nhất không phải là công nghệ kém mà là "tầm nhìn kỹ thuật số đầu tư vào công nghệ mà bỏ qua yếu tố con người — văn hóa tổ chức, năng lực nhân sự, và sự sẵn sàng thay đổi." Kane và cộng sự cảnh báo rằng tiếp cận chuyển đổi số theo hướng 'công nghệ đi trước' (technology-first) mà không song song thay đổi văn hóa là nguyên nhân hàng đầu dẫn đến thất bại.

Phân tích chiến dịch chuyển đổi LMS tại Đại học Adelaide và nhiều ca thất bại tương tự, đáp ứng được rút ra một số mô hình thất bại phổ biến (failure patterns) trong chuyển đổi số giáo dục đại học.

Mô hình thứ nhất là tiếp cận theo hướng công nghệ đi trước (technology-first approach). Nhiều trường bắt đầu dự án chuyển đổi bằng việc mua phần mềm mới, lắp đặt hạ tầng, và sau đó mới nghĩ đến việc đào tạo người dùng và thay đổi quy trình. Trình tự này hoàn toàn ngược với nguyên tắc chuyển đổi số thành công, vốn bắt đầu từ nhu cầu người dùng, thiết kế quy trình mới, và cuối cùng mới chọn công nghệ phù hợp. Kane và cộng sự gọi đây là "sự ngụy biện về công nghệ" (technology fallacy) — niềm tin sai lầm rằng việc trang bị công nghệ mới sẽ tự động dẫn đến chuyển đổi thành công.

Mô hình thứ hai là bẫy phụ thuộc nhà cung cấp (vendor lock-in). Khi một trường chọn một nền tảng công nghệ cụ thể — đáng chú ý là các hệ thống độc quyền (proprietary system) — và đầu tư mạnh vào tùy biến, tích hợp và đào tạo trên nền tảng đó, việc chuyển đổi sang nền tảng khác trong tương lai trở nên vô cùng tốn kém. Nhiều trường tìm thấy mình bị "giam lỏng" trong một hệ thống không còn phù hợp nhưng quá đắt đỏ để thay đổi.

Mô hình thứ ba là đào tạo không đầy đủ và thiếu sự tham gia của người dùng. Các dự án chuyển đổi số thường dành ngân sách lớn cho công nghệ nhưng cắt giảm chi phí đào tạo — coi đây là "chi phí nghĩa là tiết kiệm." Thực tế cho thấy khi giảng viên và nhân viên không hiểu rõ hệ thống mới, họ sẽ hoặc bỏ cuộc hoặc tìm cách lách quy trình, khiến dự án thất bại ngay từ bước triển khai.

McKinsey & Company (2020). Trong báo cáo khảo sát "How to beat the transformation odds" dựa trên dữ liệu từ hơn 1.700 tổ chức toàn cầu, McKinsey ghi nhận rằng "chỉ 26% dự án chuyển đổi số đạt được hoặc vượt mục tiêu đề ra." Yếu tố phân biệt giữa thành công và thất bại không nằm ở ngân sách công nghệ mà ở năm yếu tố tổ chức: có mục tiêu và chiến lược rõ ràng (82% dự án thành công có yếu tố này), cam kết từ cấp lãnh đạo cao nhất, cải tổ cấu trúc tổ chức, xây dựng năng lực nhân sự mới, và tạo môi trường thuận lợi cho thay đổi văn hóa. McKinsey đặc biệt nhấn mạnh rằng việc bỏ qua yếu tố con người — văn hóa, kỹ năng, và thái độ — là "lỗ hổng chí mạng" trong mọi dự án chuyển đổi số giáo dục.

Để tránh lặp lại các thất bại này, cần áp dụng khuôn kh phân tích hậu dự án (post-mortem analysis framework) cho mọi dự án chuyển đổi số. Khuôn khổ này bao gồm bốn bước: (1) Thu thập dữ liệu từ tất cả bên liên quan — giảng viên, nhân viên, sinh viên, nhà cung cấp; (2) Xác định nguyên nhân gốc rễ thất bại bằng phương pháp "5 Whys" (năm lần hỏi Tại sao); (3) Rút ra bài học cụ thể và hành động khắc phục; (4) Cập nhật quy trình quản lý dự án chuyển đổi số của trường dựa trên bài học. Các trường cần coi thất bại không phải là dấu chấm hết mà là cơ hội học tập — và văn hóa tổ chức phải cho phép thảo luận cởi mở về thất bại mà không sợ bị trừng phạt.

Cuối cùng, các nhà nghiên cứu về giáo dục số nhấn mạnh rằng các trường nên áp dụng nguyên tắc "bắt đầu nhỏ, mở rộng dựa trên bằng chứng" (start small, scale on evidence). Thay vì triển khai chuyển đổi số toàn trường cùng lúc, hãy chọn một hoặc vài đơn vị làm thí điểm (pilot), đo lường kết quả, rút kinh nghiệm, rồi mới nhân rộng. Nguyên tắc này không chỉ giảm rủi ro thất bại mà còn giúp trường tích lũy kinh nghiệm thực chiến — vốn quan trọng hơn bất kỳ kế hoạch lý thuyết nào.

---

10. Cơ hội và chiến lược: Lộ trình chuyển mình

10.1. Thời cơ: Năm lĩnh vực AI được thay đổi giáo dục đại học

Dù đối mặt với nhiều thách thức, AI và chuyển đổi số cũng mở ra những cơ hội chưa từng có cho giáo dục đại học. Xác định đúng cơ hội và xây dựng chiến lược khai thác hiệu quả là yếu tố quyết định giữa trường đại học thành công và trường đại học tụt hậu (Islam, 2026).

Cơ hội 1 — Cá nhân hóa giáo dục ở quy mô lớn. AI có khả năng phân tích dữ liệu học tập của hàng ngàn sinh viên đồng thời, xác định điểm mạnh và yếu của từng người, và đề xuất lộ trình học tập phù hợp. Điều mà trước đây chỉ sẽ thực hiện thông qua gia sư cá nhân nay nên mở rộng cho toàn bộ sinh viên (Sultana, 2024).

AI tạo sinh có khả năng biến giáo dục đại học từ mô hình "một kích cỡ cho tất cả" (one-size-fits-all) sang mô hình "cá nhân hóa cho từng người" — nơi mỗi sinh viên có lộ trình học tập, nguồn tài liệu và phương pháp đánh giá được thiết kế riêng dựa trên năng lực, sở thích và mục tiêu cá nhân (Islam, 2026).

Cơ hội 2 — Dân chủ hóa tri thức và mở rộng tiếp cận. AI phải làm cho giáo dục chất lượng cao trở nên dễ tiếp cận hơn — từ việc dịch tự động tài liệu học thuật sang nhiều ngôn ngữ, đến việc tạo ra nội dung học tập cho sinh viên có nhu cầu đáng chú ý, và mở rộng giáo dục đại học đến các vùng sâu vùng xa thông qua giáo dục trực tuyến thông minh (Ateyah và Kadhim, 2026).

Cơ hội 3 — Nâng cao hiệu quả nghiên cứu. AI hỗ trợ nhà nghiên cứu trong mọi giai đoạn — từ tìm kiếm và tổng quan tài liệu, phân tích dữ liệu, mô hình hóa, đến viết và xuất bản — giúp tăng năng suất nghiên cứu và chất lượng bài báo khoa học.

Cơ hội 4 — Tối ưu hóa quản trị trường đại học. AI vẫn còn tự động hóa nhiều quy trình quản trị — từ tuyển sinh, xếp lịch, quản lý cơ sở vật chất, đến phân tích dữ liệu ra quyết định — giúp trường đại học vận hành hiệu quả hơn và tập trung nguồn lực vào sứ mệnh giáo dục quan trọng nhất (Heller, 2026).

Cơ hội 5 — Xây dựng mạng lưới học thuật toàn cầu. AI vượt rào cản ngôn ngữ — dịch tự động tài liệu, tóm tắt hội thảo, hỗ trợ giao tiếp đa ngôn ngữ — giúp sinh viên và giảng viên từ các quốc gia khác nhau dễ dàng hợp tác trong nghiên cứu và học tập (Ateyah và Kadhim, 2026).

10.2. Chiến lược triển khai: Bảy trụ cột hành động

Dựa trên phân tích tổng hợp từ tài liệu, có khả năng đề xuất bảy trụ cột chiến lược cho chuyển đổi số giáo dục đại học trong kỷ nguyên AI.

(1) Xây dựng tầm nhìn chiến lược số toàn trường. Chuyển đổi số phải bắt đầu từ tầm nhìn của lãnh đạo trường — rõ ràng, cụ thể và truyền cảm hứng. Tầm nhìn này cần được chuyển hóa thành kế hoạch hành động chi tiết, với mục tiêu đo lường được, nguồn lực được phân bổ rõ ràng và cơ chế giám sát hiệu quả.

(2) Đầu tư hạ tầng số với phương thức chiến lược. Thay vì đầu tư rải rác cho nhiều hệ thống khác nhau, cần xây dựng nền tảng số thống nhất — một hạ tầng dữ liệu, một hệ thống quản lý học tập, một cổng thông tin — có khả năng tích hợp và mở rộng (Alammary, 2024).

(3) Phát triển năng lực số cho giảng viên trong quá trình có hệ thống. Chương trình phát triển năng lực số cần liên tục, thực tế và gắn với công việc sư phạm hàng ngày. Đội tiên phong cần được hỗ trợ để trở thành "người truyền lửa" cho cộng đồng giảng viên (Troche, 2025).

(4) Tích hợp năng lực AI vào chương trình đào tạo. Sinh viên cần được trang bị năng lực AI — hiểu, sử dụng, đánh giá và quản lý AI — như một năng lực then chốt xuyên suốt chương trình đào tạo, không phải như một môn học riêng biệt (Nganji, 2024).

(5) Xây dựng khung quản trị AI và chính sách sử dụng AI rõ ràng. Chính sách cần quy định cụ thể — không chung chung — về cách sử dụng AI trong giảng dạy, đánh giá, nghiên cứu và quản trị (Fowler, 2023).

(6) Đảm bảo công bằng và bao trùm trong mọi nỗ lực số hóa. Chuyển đổi số phải đi kèm với các chính sách giảm thiểu khoảng cách số — hỗ trợ sinh viên thiếu thiết bị, cung cấp Internet miễn phí trong khuôn viên, và đáng nhấn mạnh chú ý đến sinh viên ở vùng sâu vùng xa (Černý, 2024).

(7) Xây dựng văn hóa đổi mới liên tục. Chuyển đổi số không phải một dự án mà một hành trình liên tục. Cần xây dựng cơ chế khuyến khích đổi mới — nơi giảng viên và nhân viên được khuyến khích thử nghiệm, sai và học hỏi (Zemba, Chilonga và cộng sự, 2026).

10.3. Chiến lược cho bối cảnh Việt Nam

Áp dụng các chiến lược trên vào bối cảnh Việt Nam, được đề xuất các ưu tiên hành động cụ thể.

Ưu tiên 1 — Xây dựng khung đánh giá mức độ trưởng thành số cho giáo dục đại học Việt Nam. Không thể quản lý những gì không đo lường được. Cần một bộ tiêu chí phù hợp với bối cảnh Việt Nam để đánh giá mức độ trưởng thành số của các trường đại học, từ đó xác định ưu tiên đầu tư (Uoc, 2025).

Ưu tiên 2 — Tập trung vào phát triển năng lực AI cho giảng viên. Đây là yếu tố "hẹp nhất" (bottleneck) trong chuyển đổi số giáo dục Việt Nam. Đầu tư vào đào tạo giảng viên có tác động lan truyền cao — mỗi giảng viên được đào tạo sẽ ảnh hưởng đến hàng trăm sinh viên (Nguyen Duc Huan, 2026).

Ưu tiên 3 — Xây dựng chính sách sử dụng AI trong giáo dục phù hợp với bối cảnh Việt Nam. Không thể sao chép chính sách của nước phát triển. Cần xây dựng chính sách dựa trên thực tiễn: năng lực hiện tại của giảng viên và sinh viên, đặc thù văn hóa học thuật, và yêu cầu của thị trường lao động Việt Nam (Tri và Hoang, 2023).

Ưu tiên 4 — Khai thác lợi thế "đi sau". Đi sau có lợi thế: Việt Nam sẽ học từ kinh nghiệm và sai lầm của các nước đi trước, áp dụng công nghệ đã được kiểm chứng thay vì thử nghiệm, và xây dựng chiến lược dựa trên bằng chứng (Zemba, Chilonga và cộng sự, 2026).

Ưu tiên 5 — Phát triển hệ sinh thái đối tác — trường đại học, doanh nghiệp công nghệ và chính phủ. Không một trường đại học nào nên tự mình thực hiện chuyển đổi số thành công. Cần xây dựng mạng lưới đối tác chiến lược — với doanh nghiệp công nghệ (cung cấp nền tảng), chính phủ (cung cấp chính sách và nguồn lực) và các trường đại học khác (chia sẻ kinh nghiệm và nguồn lực) (Alammary, 2024).

10.4. Mô hình tài chính và nguồn lực cho chuyển đổi số bền vững

Chuyển đổi số trong giáo dục đại học không chỉ là vấn đề công nghệ mà còn là bài toán tài chính dài hạn. Nhiều cơ sở giáo dục trên thế giới gặp khó khăn trong việc duy trì nguồn lực ổn định sau giai đoạn đầu tư ban đầu, dẫn đến các dự án chuyển đổi số bị đình trệ hoặc thất bại (Alammary, 2024). Do đó, việc xây dựng mô hình tài chính bền vững là điều kiện tiên quyết để chuyển đổi số thành công trong môi trường giáo dục đại học Việt Nam.

10.4.1. Cấu trúc chi phí chuyển đổi số

Chi phí chuyển đổi số trong giáo dục đại học bao gồm hai nhóm chính: chi phí đầu tư ban đầu (CAPEX) và chi phí vận hành duy trì (OPEX). Nhóm CAPEX bao gồm hạ tầng phần cứng (máy chủ, thiết bị mạng, trung tâm dữ liệu), phần mềm bản quyền, hệ thống quản lý học tập (LMS), cổng thông tin tích hợp và chi phí tư vấn triển khai. Nhóm OPEX bao gồm chi phí bảo trì hệ thống, cấp phép phần mềm hàng năm, bảo mật thông tin, đào tạo nhân sự và nâng cấp công nghệ định kỳ. Theo Alammary (2024), tỷ lệ OPEX/CAPEX trong các dự án chuyển đổi số giáo dục thường dao động từ 1,5:1 đến 3:1, nghĩa là chi phí duy trì trong vòng đời dự án cao hơn đáng kể so với chi phí đầu tư ban đầu. Điều này đặt ra yêu cầu các trường đại học phải có chiến lược tài chính dài hạn thay vì chỉ tập trung vào ngân sách năm đầu triển khai.

Đối với giải pháp AI cụ thể, cấu trúc chi phí có những đặc thù riêng. Hệ thống AI tutoring hoặc chấm bài tự động đòi hỏi đầu tư mạnh vào dữ liệu huấn luyện, điện toán đám mây và chuyên gia AI. Chi phí phát triển một chatbot tư vấn học vụ tích hợp AI ước tính từ 50.000 đến 150.000 USD, trong khi hệ thống phân tích dữ liệu dự đoán học sinh bỏ học (predictive analytics) có chi phí triển khai từ 80.000 đến 250.000 USD, tùy thuộc quy mô dữ liệu và độ phức tạp mô hình.

10.4.2. Bốn mô hình tài chính chính cho chuyển đổi số

Mô hình 1 – Ngân sách nhà nước và cấp vốn công: Tại Việt Nam, phần lớn trường đại học công lập phụ thuộc vào ngân sách nhà nước cho đầu tư cơ sở hạ tầng công nghệ thông tin. Theo Uoc (2025), trong giai đoạn 2021–2025, Chương trình chuyển đổi số quốc gia đã phân bổ nguồn lực đáng kể cho giáo dục, song mức độ phân bổ thực tế đến từng trường vẫn chưa đồng đều. Lợi thế của mô hình này là tính ổn định và quy mô lớn, nhưng hạn chế là thủ tục phê duyệt kéo dài, thiếu linh hoạt trong việc điều chỉnh ngân sách theo nhu cầu công nghệ thay đổi nhanh.

Mô hình 2 – Hợp tác công tư (PPP): Mô hình PPP cho phép trường đại học hợp tác với doanh nghiệp công nghệ trong việc đầu tư hạ tầng, phát triển phần mềm và cung cấp dịch vụ số. Doanh nghiệp cung cấp giải pháp công nghệ và chia sẻ chi phí đầu tư, đổi lại trường cung cấp dữ liệu, cơ sở thử nghiệm và cam kết dài hạn. Mô hình này quan trọng phù hợp cho các dự án AI và analytics vì doanh nghiệp được tận dụng dữ liệu giáo dục để cải thiện sản phẩm. Sultana (2024) ghi nhận mô hình PPP đã được áp dụng thành công tại nhiều quốc gia đang phát triển, giúp giảm gánh nặng tài chính cho các trường đại học công lập.

Mô hình 3 – Nguồn quỹ từ học phí và tự chủ tài chính: Các trường đại học có tính tự chủ cao sẽ trích một phần học phí hoặc doanh thu từ dịch vụ giáo dục để tái đầu tư vào chuyển đổi số. Tỷ lệ khuyến nghị thường từ 5–10% tổng doanh thu hàng năm dành cho công nghệ thông tin và chuyển đổi số. Một số trường áp dụng mô hình "tech fee" – phí công nghệ bổ sung – cho phép sinh viên đóng góp trực tiếp vào quỹ công nghệ, đi kèm cam kết minh bạch về cách sử dụng.

Mô hình 4 – Grant và tài trợ quốc tế: Các chương trình tài trợ từ Ngân hàng Thế giới (World Bank), ADB, quỹ Erasmus+ của EU hay các tổ chức phi chính phủ là nguồn lực quan trọng, đáng chú ý cho các dự án piloting và nghiên cứu chuyển đổi số. Sultana (2024) nhấn mạnh rằng ở các quốc gia đang phát triển, tài trợ quốc tế thường đóng phần quan trọng "kích hoạt" – giúp khởi động các dự án chuyển đổi số mà sau đó nên tự duy trì từ nguồn nội bộ.

10.4.3. Phân tích ROI cho giải pháp AI trong giáo dục đại học

Việc đánh giá hiệu quả đầu tư (Return on Investment – ROI) cho chuyển đổi số giáo dục cần vượt ra ngoài khung phân tích tài chính truyền thống. Alammary (2024) đề xuất khung ROI mở rộng bao gồm ROI tài chính (tiết kiệm chi phí vận hành, tăng doanh thu), ROI học thuật (cải thiện kết quả học tập, tỷ lệ tốt nghiệp), ROI vận hành (tăng năng suất nhân sự, giảm quy trình thủ công) và ROI chiến lược (nâng cao uy tín trường, thu hút sinh viên).

Cụ thể, hệ thống AI hỗ trợ chấm bài tự động có ROI tài chính rõ ràng khi giảm 40–60% thời gian chấm của giảng viên, tương đương tiết kiệm hàng tỷ đồng mỗi năm ở các trường lớn. Hệ thống phân tích dữ liệu sinh viên (learning analytics) mang ROI học thuật thông qua việc giảm tỷ lệ sinh viên bỏ học 15–25%, trực tiếp ảnh hưởng đến doanh thu học phí. Tuy nhiên, Alammary (2024) cảnh báo rằng ROI của AI trong giáo dục thường có độ trễ 2–4 năm, yêu cầu cam kết đầu tư dài hạn từ lãnh đạo trường.

10.4.4. Chiến lược tối ưu nguồn lực và khung ngân sách đề xuất

Để tối ưu nguồn lực tài chính, các trường đại học Việt Nam cần áp dụng chiến lược đầu tư theo giai đoạn (phased investment). Giai đoạn 1 (năm 1–2) tập trung vào hạ tầng cơ bản: mạng, cloud, LMS, hệ thống dữ liệu sinh viên. Giai đoạn 2 (năm 3–4) mở rộng sang analytics, AI hỗ trợ giảng dạy, tự động hóa quy trình. Giai đoạn 3 (năm 5 trở đi) hướng tới AI tiên tiến, personalization, hệ sinh thái số hoàn chỉnh.

Chiến lược "cloud-first" là yếu tố then chốt giúp giảm CAPEX. Thay vì đầu tư trung tâm dữ liệu vật lý tốn kém, việc sử dụng dịch vụ điện toán đám mây cho phép chuyển chi phí cố định thành chi phí biến đổi theo mức độ sử dụng thực tế. Uoc (2025) khuyến nghị các trường đại học Việt Nam ưu tiên sử dụng hạ tầng cloud của các nhà cung cấp uy tín kết hợp với chính sách bảo vệ dữ liệu quốc gia.

Dựa trên phân tích thực tế, khung ngân sách chuyển đổi số đề xuất cho trường đại học Việt Nam theo ba nhóm quy mô như sau:

• Nhóm quy mô nhỏ (dưới 5.000 sinh viên): ngân sách hàng năm 3–5 tỷ VND, tập trung LMS cloud, Office 365/GSuite, website tích hợp, chiếm khoảng 5–7% tổng ngân sách công nghệ thông tin.

• Nhóm quy mô vừa (5.000–15.000 sinh viên): ngân sách hàng năm 8–15 tỷ VND, bổ sung hệ thống ERP, learning analytics cơ bản, AI chatbot tư vấn, chiếm 7–10% tổng ngân sách công nghệ thông tin.

• Nhóm quy mô lớn (trên 15.000 sinh viên): ngân sách hàng năm 20–40 tỷ VND, bao gồm hạ tầng data lake, AI predictive analytics, hệ thống quản trị tích hợp toàn diện, chiếm 10–12% tổng ngân sách công nghệ thông tin.

Tỷ lệ phân bổ khuyến nghị cho mỗi nhóm chi phí: 25–30% cho hạ tầng và nền tảng, 25–30% cho phần mềm và giải pháp AI, 15–20% cho bảo mật và quản trị dữ liệu, 15–20% cho đào tạo và phát triển năng lực nhân sự, và 10% cho nghiên cứu và đổi mới. Trong đó, hạng mục đào tạo nhân sự thường bị xem nhẹ nhưng thực tế quyết định sự thành bại của chuyển đổi số, vì công nghệ chỉ hiệu quả khi người dùng nắm bắt và áp dụng đúng cách.

Nhìn chung, mô hình tài chính bền vững cho chuyển đổi số giáo dục đại học tại Việt Nam cần kết hợp đa nguồn lực, với sự cân bằng giữa đầu tư nhà nước, hợp tác PPP, nguồn tự chủ và tài trợ quốc tế. Quan trọng nhất, các trường cần thiết lập cơ quan quản trị chuyển đổi số với thẩm quyền ngân sách rõ ràng, cơ chế giám sát minh bạch và chiến lược đầu tư linh hoạt, có khả năng điều chỉnh theo sự phát triển nhanh chóng của công nghệ AI và yêu cầu thực tiễn của giáo dục đại học.

10.5. Khung phát triển bền vững cho chuyển đổi số

Để chuyển đổi số giáo dục đại học thành công trong dài hạn, cần đảm bảo tính bền vững — không chỉ về mặt tài chính mà còn về mặt kỹ thuật, nhân lực và tổ chức (Alammary, 2024).

Bền vững tài chính đòi hỏi chuyển đổi số phải có mô hình tài chính rõ ràng, không chỉ phụ thuộc vào ngân sách dự án ngắn hạn. Nhiều trường đại học nhận được tài trợ cho dự án chuyển đổi số nhưng khi dự án kết thúc, không có ngân sách duy trì — hệ thống nhanh chóng xuống cấp (Heller, 2026).

Bền vững kỹ thuật đòi hỏi hạ tầng được xây dựng theo nguyên tắc "mở rộng được" (scalable) và "phải thích ứng" (adaptable) — không bị khóa vào một nền tảng hoặc nhà cung cấp cụ thể. Các tiêu chuẩn mở (open standards) và phần mềm mã nguồn mở (open source) đóng góp vào quan trọng trong việc đảm bảo tính bền vững kỹ thuật (Alammary, 2024).

Bền vững nhân lực đòi hỏi chương trình đào tạo và phát triển liên tục, không phải "đào tạo một lần". Công nghệ thay đổi nhanh chóng, và năng lực cần được cập nhật liên tục để không bị tụt hậu (Troche, 2025).

Chuyển đổi số bền vững đòi hỏi thay đổi tư duy: từ "dự án có ngân sách và thời hạn" sang "năng lực tổ chức liên tục được đầu tư và phát triển". Trường đại học thành công trong chuyển đổi số là nơi coi công nghệ số như hơi thở — luôn hiện diện, luôn được nâng cấp, luôn phục vụ sứ mệnh giáo dục (Alammary, 2024).

10.5.1. Dấu chân carbon của AI: Trách nhiệm môi trường trong giáo dục đại học

Trong khi các trường đại học hào hứng triển khai trí tuệ nhân tạo để nâng cao chất lượng giảng dạy và nghiên cứu, một khía cạnh thường bị bỏ qua là tác động môi trường của các hệ thống AI. Việc đào tạo và vận hành các mô hình AI lớn đòi hỏi lượng năng lượng khổng lồ — tương đương với tiêu thụ năng lượng của cả một thành phố nhỏ — tạo ra dấu chân carbon (carbon footprint) đáng kể. Đối với các trường đại học — những tổ chức đang tích cực cam kết giảm phát thải và hướng tới khuôn viên xanh (green campus) — việc sử dụng AI mà không tính đến tác động môi trường là một sự mâu thuẫn sâu sắc cần được giải quyết.

Một nghiên cứu mang tính bước ngoặt của Strubell, Ganesh và Schwartz (2019) đã đo lường chi phí năng lượng và phát thải carbon của việc đào tạo các mô hình ngôn ngữ lớn (large language models). Kết quả cho thấy việc huấn luyện một mô hình BERT — một trong những mô hình ngôn ngữ được sử dụng phổ biến nhất — phát ra khoảng 652 kilogram CO2, tương đương với lượng phát thải của một chuyến bay xuyên Mỹ (San Francisco tới New York). Các mô hình lớn hơn như GPT-3 ước tính phát ra hàng trăm tấn CO2 trong quá trình huấn luyện. Những con số này đặt ra câu hỏi cấp bách: khi một trường đại học triển khai hệ thống AI cho hàng chục ngàn sinh viên, lượng phát thải cộng dồn là bao nhiêu?

Strubell, E., Ganesh, A., & Schwartz, R. (2019). Trong bài báo "Energy and Policy Considerations for Deep Learning in NLP" được trình bày tại hội nghị ACL 2019, nhóm tác giả cảnh báo: "Việc đào tạo một mô hình Transformer lớn duy nhất có thể phát ra hơn 626.000 pound (284 tấn) CO2 — tương đương với tuổi thọ của năm chiếc xe hơi trung bình ở Mỹ." Nghiên cứu này là một trong những tài liệu học thuật đầu tiên định lượng chính xác tác động môi trường của AI và kêu gọi cộng đồng nghiên cứu ưu tiên phát triển các mô hình hiệu quả năng lượng hơn.

Phong trào "AI Xanh" (Green AI) đã xuất hiện như một phản ứng trực tiếp đối với vấn đề này. Phong trào này do nhóm nghiên cứu tại Đại học Massachusetts Amherst khởi xướng, kêu gọi các nhà nghiên cứu và tổ chức: (1) Đo lường và công khai phát thải carbon của các mô hình AI mà họ phát triển và sử dụng; (2) Ưu tiên hiệu quả năng lượng (energy efficiency) thay vì chỉ tối ưu độ chính xác; (3) Sử dụng các kiến trúc mô hình nhỏ gọn và hiệu quả hơn — như DistilBERT, TinyML — khi không cần mô hình khổng lồ; (4) Sử dụng năng lượng tái tạo cho trung tâm dữ liệu. Các phương pháp mới như quantization (lượng tử hóa), pruning (cắt tỉa), và knowledge distillation (chưng cất kiến thức) cho phép giảm đáng kể kích thước và chi phí năng lượng của mô hình mà vẫn duy trì hiệu suất ở mức chấp nhận được.

Trong bối cảnh giáo dục đại học, việc lựa chọn giữa điện toán đám mây (cloud computing) và hệ thống tại chỗ (on-premise) cũng ảnh hưởng lớn đến dấu chân carbon. Các nhà cung cấp đám mây lớn như Google Cloud, Microsoft Azure và AWS đã đầu tư mạnh vào năng lượng tái tạo cho trung tâm dữ liệu của họ — Google tuyên bố trung hòa carbon kể từ năm 2007, Microsoft cam kết trung hòa carbon vào năm 2030. Trong khi đó, các máy chủ tại chỗ tại trường đại học thường sử dụng năng lượng từ lưới điện địa phương — mà ở nhiều quốc gia vẫn chủ yếu dựa vào nhiên liệu hóa thạch.

Lacoste, A.L., Lucb, A., Desrosiers, C., et al. (2019). Trong bài báo "Quantifying the Carbon Emissions of Machine Learning" (arXiv:1910.09700), nhóm nghiên cứu từ Microsoft và Université de Montréal đề xuất phương pháp luận toàn diện để tính toán phát thải carbon của các mô hình học máy dựa trên ba yếu tố: thời gian tính toán trên GPU, mức tiêu thụ năng lượng của phần cứng, và cường độ carbon của lưới điện địa phương (carbon intensity of the electricity grid). Nghiên cứu chỉ ra rằng cùng một mô hình, khi được huấn luyện ở khu vực sử dụng nhiều than (như một số bang của Mỹ hoặc Ấn Độ), có thể phát ra lượng CO2 cao gấp 2-3 lần so với việc huấn luyện ở khu vực sử dụng nhiều năng lượng tái tạo (như Quebec, Canada hoặc Pháp).

Vì vậy, việc chuyển các dịch vụ AI sang đám mây được quản lý bởi các nhà cung cấp cam kết xanh có khả năng thực sự giảm dấu chân carbon, trái với suy nghĩ thông thường rằng sử dụng nội bộ sẽ "sạch" hơn.

Tại Việt Nam, bối cảnh năng lượng tạo ra cả thách thức lẫn cơ hội. Cơ cấu năng lượng của Việt Nam hiện vẫn phụ thuộc đáng kể vào nhiệt điện than (chiếm khoảng 30-35% tổng sản lượng điện), với phần còn lại đến từ thủy điện và năng lượng tái tạo đang phát triển nhanh. Các trung tâm dữ liệu tại Việt Nam — chủ yếu ở Hà Nội và TP.HCM — tiêu thụ lượng điện đáng kể, và chi phí năng lượng đang tăng theo đà phát triển kinh tế. Dù vậy, Việt Nam cũng đang đầu tư mạnh vào năng lượng mặt trời và điện gió, với mục tiêu tăng tỷ lệ năng lượng tái tạo lên 31-39% vào năm 2030 theo Quy hoạch Điện VIII. Điều này mở ra cơ hội cho các trường đại học Việt Nam hợp tác với các nhà cung cấp dịch vụ đám mây sử dụng năng lượng tái tạo khi triển khai AI.

Các trường đại học cần tích hợp đánh giá tác động môi trường của AI vào chiến lược phát triển bền vững (sustainability strategy) của mình. Điều này bao gồm: yêu cầu các nhà cung cấp giải pháp AI cung cấp báo cáo phát thải carbon; ưu tiên các giải pháp AI hiệu quả năng lượng; tích hợp "đạo đức môi trường số" (digital environmental ethics) vào chương trình giảng dạy về AI và đạo đức; và thiết lập mục tiêu giảm phát thải carbon từ các hoạt động số như một phần của cam kết khuôn viên xanh. Trong kỷ nguyên biến đổi khí hậu, trách nhiệm môi trường không thể tách rời khỏi chuyển đổi số — một giáo dục đại học thực sự chuyển đổi phải là giáo dục đại học chuyển đổi bền vững.

---

10.6. Giáo dục đại học năm 2030: Kịch bản tương lai

Dựa trên các xu hướng hiện tại, vẫn còn hình dung ba kịch bản cho giáo dục đại học trong kỷ nguyên AI.

Kịch bản 1 — Tối ưu hóa (AI như công cụ). Trong kịch bản này, AI được tích hợp như một công cụ hỗ trợ mạnh mẽ nhưng không thay đổi bản chất của giáo dục đại học. Giảng viên vẫn tham gia trung tâm, giảng dạy vẫn diễn ra chủ yếu trong không gian truyền thống (có hỗ trợ công nghệ), và bằng cấp vẫn là mục tiêu chính (Fowler, 2023).

Kịch bản 2 — Cá nhân hóa (AI như đối tác). Trong kịch bản này, AI đóng phần đối tác giáo dục — cá nhân hóa lộ trình học tập, đánh giá liên tục, hỗ trợ nghiên cứu. Vai trò của giảng viên thay đổi từ "truyền đạt tri thức" sang "hướng dẫn và cố vấn". Bằng cấp truyền thống dần được thay thế bằng hồ sơ năng lực dựa trên bằng chứng.

Kịch bản 3 — Đứt gãy (AI định hình lại). Trong kịch bản này, AI định hình lại hoàn toàn mô hình giáo dục đại học. Giáo dục trực tuyến và kết hợp trở thành tiêu chuẩn, AI đảm nhiệm nhiều vai trò trước đây của giảng viên, và khái niệm "trường đại học" như chúng ta biết có khả năng thay đổi căn bản (Ateyah và Kadhim, 2026).

Kịch bản nào xảy ra phụ thuộc vào quyết định của chúng ta ngày hôm nay — cách chúng ta đầu tư, cách chúng ta điều chỉnh chính sách, và cách chúng ta cân bằng giữa tận dụng cơ hội và quản lý rủi ro. Tương lai giáo dục đại học không được quyết định bởi công nghệ mà bởi con người.

11. Kết luận: Không phải thách thức hay thời cơ — mà là cả hai

11.1. Tổng hợp: Hai mặt của một đồng xu

Qua phân tích toàn diện dựa trên 121 nguồn tài liệu học thuật được xác minh qua Crossref, bài viết đã cho thấy rằng chuyển đổi số trường đại học trước sự trỗi dậy của AI không phải là một câu hỏi "thách thức hay thời cơ" mà là cả hai cùng lúc — như hai mặt của một đồng xu không thể tách rời (Islam, 2026).

Thách thức là rất thực và rất lớn — từ hạ tầng kỹ thuật chưa đủ, năng lực nhân lực còn hạn chế, chính sách chưa theo kịp công nghệ, đến các vấn đề sâu sắc về đạo đức AI, nguyên tắc học thuật và công bằng giáo dục. Những rào cản này không thể bị bỏ qua hay hạ thấp — chúng đòi hỏi giải pháp nghiêm túc, đầu tư đáng kể và thời gian dài (Mongwe, Van den Berg và Mudau, 2026).

Cuộc chuyển đổi số giáo dục đại học trong kỷ nguyên AI không phải là một hành trình tuyến tính — từ "chưa số hóa" đến "đã số hóa" — mà là một quá trình liên tục, đầy rủi ro và bất ổn. Sự thành công không nằm ở việc tránh được mọi rào cản mà ở việc vượt qua được rào cản với chiến lược phù hợp và tinh thần kiên trì (Islam, 2026).

Đồng thời, cơ hội cũng chưa từng có lớn đến vậy. AI có khả năng cá nhân hóa giáo dục ở quy mô lớn, dân chủ hóa tri thức, nâng cao hiệu quả nghiên cứu và tối ưu hóa quản trị — những điều mà giáo dục đại học đã mơ ước trong nhiều thập kỷ nay (Ateyah và Kadhim, 2026). Các trường đại học biết nắm bắt cơ hội này — kết hợp hạ tầng số vững chắc, năng lực nhân lực chất lượng cao và chiến lược rõ ràng — sẽ có lợi thế cạnh tranh vượt trội trong kỷ nguyên mới.

11.2. Thông điệp chính

Ba thông điệp cơ bản được rút ra từ bài viết.

Thứ nhất, chuyển đổi số trong kỷ nguyên AI không phải sự lựa chọn mà là tất yếu. Thế giới đang thay đổi nhanh chóng, thị trường lao động đang được định hình lại bởi AI, và sinh viên đang bước vào một xã hội mà năng lực số và năng lực AI là điều kiện bắt buộc. Các trường đại học không chuyển đổi số sẽ bị bỏ lại — không phải vì họ "sai" mà vì bối cảnh đã thay đổi (Fowler, 2023).

Thứ hai, công nghệ chỉ là phương tiện, con người mới là mục đích. Mọi nỗ lực chuyển đổi số và ứng dụng AI phải phục vụ mục tiêu cuối cùng: nâng cao chất lượng giáo dục, phát triển toàn diện năng lực sinh viên, và thúc đẩy tri thức nhân loại. Khi công nghệ trở thành mục tiêu thay vì phương tiện, chuyển đổi số mất đi ý nghĩa và sẽ gây hại (Černý, 2024).

Thứ ba, bối cảnh địa phương quan trọng ngang bối cảnh toàn cầu. Mỗi quốc gia, mỗi trường đại học có bối cảnh riêng — văn hóa giáo dục, nguồn lực, thị trường lao động, cơ cấu sinh viên. Chiến lược chuyển đổi số phải được xây dựng dựa trên bối cảnh địa phương, không phải sao chép mô hình nước ngoài (Uoc, 2025).

11.3. Từ bài viết đến hành động: Gợi ý cho các bên liên quan

Để bài viết không chỉ dừng ở phân tích mà chuyển hóa thành hành động, cần gợi ý cụ thể cho từng nhóm bên liên quan trong giáo dục đại học.

Đối với lãnh đạo trường đại học: Ưu tiên xây dựng tầm nhìn chiến lược số dài hạn — không phải dự án mà hành trình; phân bổ nguồn lực cho phát triển năng lực con người, không chỉ cho hạ tầng kỹ thuật; xây dựng cơ chế đo lường và giám sát chuyển đổi số; và tạo điều kiện để giảng viên thử nghiệm, sai và học hỏi (Islam, 2026).

Đối với giảng viên: Chủ động phát triển năng lực AI — hiểu, sử dụng, đánh giá và quản lý AI; tích hợp AI vào giảng dạy bằng biện pháp có trách nhiệm; thay đổi phương pháp đánh giá — từ "đánh giá kết quả" sang "đánh giá quá trình"; và tham gia cộng đồng chia sẻ kinh nghiệm số (Nganji, 2024).

Đối với sinh viên: Xây dựng năng lực AI như một năng lực quan trọng nhất — không chỉ biết "dùng" mà biết "dùng đúng"; phát triển tư duy phản biện đối với nội dung AI — không tin mù quáng; tận dụng AI như công cụ hỗ trợ học tập, không phải công cụ thay thế học tập; và chuẩn bị cho thị trường lao động nơi năng lực AI là điều kiện bắt buộc (Černý, 2024).

Đối với nhà hoạch định chính sách: Xây dựng khung chính sách AI cho giáo dục — rõ ràng, cụ thể và có khả năng thực thi; đầu tư vào hạ tầng số giáo dục — quan trọng ở các vùng khó khăn; hỗ trợ nghiên cứu về chuyển đổi số giáo dục — tạo bằng chứng cho chính sách; và thúc đẩy hợp tác quốc tế — chia sẻ kinh nghiệm và nguồn lực (Uoc, 2025).

Đối với doanh nghiệp công nghệ: Phát triển giải pháp phù hợp với bối cảnh giáo dục — không chỉ "bán phần mềm"; hợp tác với trường đại học để hiểu nhu cầu thực tế; đảm bảo tính công bằng và bao trùm trong sản phẩm — không phân biệt đối xử; và hỗ trợ phát triển năng lực cho người sử dụng (Alammary, 2024).

11.4. Thông điệp cho Việt Nam: Không đi sau mà đi khác

Việt Nam có lợi thế nổi bật trong chuyển đổi số giáo dục đại học: đi sau nhưng nên học từ kinh nghiệm của nước đi trước. dù vậy, "học" không có nghĩa là "sao chép" — có nghĩa là rút ra bài học và xây dựng chiến lược phù hợp với bối cảnh riêng (Uoc, 2025).

Việt Nam có ba thế mạnh đặc thù mà các nước đi trước không có: dân số trẻ — lực lượng sinh viên đông và năng động; mạng lưới cựu sinh viên mạnh — đáng chú ý trong lĩnh vực công nghệ; và kinh nghiệm chuyển đổi số ở quy mô quốc gia — Chương trình Chuyển đổi số quốc gia đã tạo ra nền tảng chính sách và hạ tầng (Tri và Hoang, 2023).

Việt Nam không cần "đuổi kịp" các nước phát triển về chuyển đổi số giáo dục — mà cần "tìm con đường riêng" phù hợp với bối cảnh, nguồn lực và mục tiêu giáo dục của mình. Chuyển đổi số thành công là chuyển đổi số phù hợp, không phải chuyển đổi số nhanh nhất (Uoc, 2025).

Ba ưu tiên chiến lược cụ thể cho Việt Nam trong giai đoạn tới. Thứ nhất, tập trung vào phát triển năng lực số cho giảng viên — đây là "nút thắt cổ chai" của toàn bộ hệ thống. Mỗi đồng đầu tư vào đào tạo giảng viên có tác động lan truyền đến hàng trăm sinh viên (Nguyen Duc Huan, 2026).

Thứ hai, xây dựng khung chính sách AI cho giáo dục — rõ ràng, thực tế và có khả năng thực thi. Chính sách này cần được xây dựng với sự tham gia của đa bên liên quan — trường đại học, doanh nghiệp công nghệ, chuyên gia giáo dục và sinh viên (Tri và Hoang, 2023).

Thứ ba, phát triển mạng lưới chia sẻ và hợp tác giữa các trường đại học — thay vì mỗi trường tự chiến đấu, các trường phải chia sẻ kinh nghiệm, nguồn lực và thậm chí nền tảng công nghệ. Mô hình "liên minh chuyển đổi số giáo dục đại học" vẫn còn là bước đi chiến lược cho Việt Nam (Zemba, Chilonga và cộng sự, 2026).

Cuối cùng, giáo dục đại học Việt Nam cần giữ vững bản sắc trong chuyển đổi số. Việc áp dụng công nghệ không có nghĩa là từ bỏ giá trị giáo dục truyền thống — kết nối giữa giảng viên và sinh viên, tính cộng đồng trong học tập, và trách nhiệm xã hội của trường đại học. Công nghệ phục vụ giáo dục, không phải ngược lại (Islam, 2026).

11.5. Phản biện: Khi AI không phải giải pháp cho mọi vấn đề giáo dục

Phân tích trong bài viết có khả năng tạo cảm giác rằng AI là câu trả lời cho hầu hết mọi vấn đề của giáo dục đại học. Cần phản biện quan điểm này theo hướng nghiêm túc.

Thứ nhất, AI không thay thế được tương tác con người. Nhiều nghiên cứu chỉ ra rằng yếu tố quan trọng nhất trong chất lượng giáo dục không phải công cụ hay nội dung mà mối quan hệ giữa giảng viên và sinh viên — sự khích lệ, thấu hiểu và hướng dẫn cá nhân mà không AI nào được tái tạo chân thực (Fowler, 2023). Khi trường đại học cắt giảm giảng viên và thay bằng AI, chất lượng giáo dục thường giảm sút chứ không tăng lên.

Thứ hai, AI sẽ khuếch đại thiên kiến hiện có. Khi AI được huấn luyện trên dữ liệu lịch sử chứa đựng thiên kiến — về giới tính, chủng tộc, giai cấp, nền văn hóa — nó không chỉ tái tạo mà còn khuếch đại những thiên kiến này. Trong giáo dục, điều này có nghĩa là AI nên củng cố hệ thống bất bình đẳng thay vì giảm thiểu nó (Islam, 2026).

Thứ ba, chi phí thực tế của AI cao hơn nhiều so với kỳ vọng. Việc triển khai AI trong giáo dục đại học không chỉ tốn tiền mua công cụ mà còn đòi hỏi đầu tư vào đào tạo, bảo trì, nâng cấp, và giải quyết các vấn đề pháp lý. Tổng chi phí sở hữu (total cost of ownership) thường cao hơn đáng kể so với ngân sách ban đầu (Heller, 2026).

Các nghiên cứu cảnh báo về nguy cơ "giáo dục AI-sentri" — nơi mọi quyết định giáo dục đều được AI quyết định — từ xếp lớp, chọn môn học đến đánh giá năng lực. Khi AI quyết định thay con người, giáo dục mất đi tính con người — yếu tố then chốt tạo nên giá trị của giáo dục đại học (Fowler, 2023).

Phản biện này không nhằm phủ nhận giá trị của AI mà nhằm nhắc nhở rằng công nghệ là phương tiện, không phải mục đích. Giáo dục đại học thành công trong kỷ nguyên AI là nơi biết cân bằng giữa tận dụng cơ hội công nghệ và bảo vệ những giá trị giáo dục chính mà AI không thể thay thế.

11.6. Hướng nghiên cứu tiếp theo

Nghiên cứu về chuyển đổi số giáo dục đại học và AI vẫn đang ở giai đoạn phát triển nhanh. Một số hướng nghiên cứu đáng chú ý trong tương lai bao gồm: đánh giá tác động dài hạn của AI tạo sinh trên kết quả học tập của sinh viên; phát triển mô hình quản trị AI cho giáo dục đại học phù hợp với bối cảnh các nước đang phát triển; nghiên cứu về công bằng trong giáo dục AI — trọng tâm đối với các nhóm sinh viên yếu thế; và phát triển bộ tiêu chí đánh giá mức độ trưởng thành AI cho giáo dục đại học.

Cuối cùng, câu hỏi lớn nhất không phải là "AI có thay đổi giáo dục đại học không" — câu trả lời đã rõ: có, và thay đổi sâu sắc. Câu hỏi thực sự quan trọng là: "chúng ta sẽ định hình sự thay đổi đó như thế nào để giáo dục đại học trở nên tốt hơn, công bằng hơn và ý nghĩa hơn cho tất cả?"

Tài liệu tham khảo

Dưới đây là danh mục đầy đủ các nguồn tài liệu được sử dụng trong bài viết, trình bày theo chuẩn APA 7 (xuất bản lần thứ 7). Mỗi nguồn đều có bài tóm tắt riêng trong chuyên mục Tài liệu trên trang web.

• Almpanis, T., Conroy, D., & Joseph-Richard, P. (2025). Practical Implications of Generative AI on Assessment: Snapshot of Early Reactions to Assessment Redesign in an HRM and a Psychology Course. Electronic Journal of e-Learning. https://doi.org/10.34190/ejel.23.3.3971
• ALQASMI, A., Yamani, M., ..., & Ali, U. (2025). A Systematic Review of Digital Transformation and Smart Campus Adoption in Developing Countries. **. https://doi.org/10.22541/au.176376259.94042662/v1
• Amani BinJwair (2025). Predicting STEM students' adoption of generative AI in academic contexts: an application of the UTAUT model. Frontiers in Education. https://doi.org/10.3389/feduc.2025.1669750
• Amnie, A. G. (2026). AI-resistant and AI-resilient assessment in higher education: a systematic review of validity-grounded strategies, institutional frameworks, and equity implications. Assessment & Evaluation in Higher Education. https://doi.org/10.1080/02602938.2026.2695377
• Anthony Ward, Sathiamoorthy Manoharan, & Xinfeng Ye (2024). Exploring Academic Integrity in the Age of Generative AI. In 2024 21st International Conference on Information Technology Based Higher Education and Training (ITHET). https://doi.org/10.1109/ithet61869.2024.10837603
• Budiono, F. L. & Budiarto, H. (2024). The Implementation of Smart Campus Design for the Jogja Digital Polytechnic. In 2024 International Conference on ICT for Smart Society (ICISS). https://doi.org/10.1109/iciss62896.2024.10751658
• Cao Thi Xuan Lien (2026). Understanding ChatGPT Integration in EFL Teaching: A Dual-Model Analysis in Vietnamese Higher Education. TESOL Communications. https://doi.org/10.58304/tc.260301
• Chan, C. K. Y. & Colloton, T. (2024). Redesigning Assessment in the AI Era. In Generative AI in Higher Education. https://doi.org/10.4324/9781003459026-4
• Chen, K., Chang, Y., & Hsieh, S. (2024). A Digital Twin Platform Based on 3D Building Models and Smart IoT for a Climate-Resilient Campus: A Case Study of National Taiwan University. In Computing in Civil Engineering 2023. https://doi.org/10.1061/9780784485231.066
• Dash, B. & Schmidt, K. (2026). THE IMPACT OF HALLUCINATION ON ORGANIZATIONAL DECISION-MAKING AND ACADEMIC INTEGRITY. In INTED Proceedings. https://doi.org/10.21125/inted.2026.0200
• Edna Canedo, Angelica Calazans, ..., & Fábio Mendonça (2024). Teaching Practice Using ChatGPT in Higher Education. In Proceedings of the 26th International Conference on Enterprise Information Systems. https://doi.org/10.5220/0012725500003690
• Eline S. Rentier (2025). To use or not to use: exploring the ethical implications of using generative AI in academic writing. AI and Ethics. https://doi.org/10.1007/s43681-024-00649-6
• Elmedina Nikoçeviq-Kurti & Lirika Bërdynaj-Syla (2024). ChatGPT Integration in Higher Education: Impacts on Teaching and Professional Development of University Professors. Educational Process International Journal. https://doi.org/10.22521/edupij.2024.133.2
• García Espinoza, G. Y. (2024). Transforming the Salitre campus into a smart campus: proposal of smart initiatives for the Gerardo Barrios University of El Salvador. LatIA. https://doi.org/10.62486/latia2024102
• Gumbo, M. T. (2023). The Leapfrogging Effect of “Modern” Technology on Indigenous Technology: A Need to Transform Technology Education. In Contemporary Issues in Technology Education. https://doi.org/10.1007/978-981-99-1396-1_1
• Jayasinghe, N. (2026). AI in Southeast Asia: Ethical Governance of AI in Education. Assessing alignment between company policies, national law, and ASEAN principles, and implications for learners and education systems. **. https://doi.org/10.53832/edtechhub.1179
• Mezzadri, D. (2025). The Paradox of Ethical AI-Assisted Research. Journal of Academic Ethics. https://doi.org/10.1007/s10805-025-09671-7
• Michael J. O'Brien, Izzat Alsmadi, ..., & Milan Tuba (2024). OpenAI ChatGPT and Biased Information in Higher Education. In Empowering Digital Education with ChatGPT. https://doi.org/10.1201/9781032716350-15
• Naseem Alotaibi (2026). Faculty Acceptance of Generative AI in Higher Education: A Meta-Analysis of TAM and UTAUT Studies (2021-2025). International Journal of Higher Education. https://doi.org/10.5430/ijhe.v15n1p1
• Perkins, G. (2026). Resilient assessment in the age of AI: authentic design and the case for verbal examinations in business education. Assessment & Evaluation in Higher Education. https://doi.org/10.1080/02602938.2026.2644516
• Phan Tri Nghia (2026). Factors Influencing University Students' Adoption of Generative AI Tools: An Integrated TAM-UTAUT Model in Vietnamese Higher Education. INTERNATIONAL JOURNAL OF SOCIAL SCIENCE HUMANITY & MANAGEMENT RESEARCH. https://doi.org/10.58806/ijsshmr.2026.v5i5n08
• Prasetyaningtyas, S. W., Meliala, J. S., ..., & Peranginangin, E. (2023). A Smart Campus Framework in Developing Countries: Systematic Literature Approach. In 2023 10th International Conference on ICT for Smart Society (ICISS). https://doi.org/10.1109/iciss59129.2023.10291755
• Rao, D. A. & Bauschard, S. (2026). 2. AI and Academic Integrity. In Introduction to AI Literacy. https://doi.org/10.1093/he/9780197912386.003.0003
• Ryan Clifford L. Perez (2024). AI in higher education: Faculty perspective towards artificial intelligence through UTAUT approach. HO CHI MINH CITY OPEN UNIVERSITY JOURNAL OF SCIENCE - SOCIAL SCIENCES. https://doi.org/10.46223/hcmcoujs.soci.en.14.4.2851.2024
• Sarwar, M. J. (2025). AI-Driven Leapfrogging in Higher Education: A Strategic Framework for Equity, Innovation, and Academic Transformation. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5509140
• Sathya, M., Alamelu, R., ..., & Leema Christina, J. (2026). Educational Technology, Innovation, and Sustainability in ASEAN Higher Education. In Digital Leadership and Innovation in ASEAN Education. https://doi.org/10.4018/979-8-2600-1142-3.ch001
• Simon Lee-Price (2024). ‘The exciting AI adventure’: reflections on the ethical use of generative AI in academic writing. Journal of Learning Development in Higher Education. https://doi.org/10.47408/jldhe.vi32.1399
• Teoh, K. B. & Tan, W. L. (2026). Policy alignment and trustworthy AI governance in higher education. Journal of Interdisciplinary Studies in Education. https://doi.org/10.32674/eqphhh11
• Thanh Long, N. V. (2026). Artificial Intelligence Applications in Higher Education Teaching in Southern Vietnam: Current Trend, Opportunities, and Challenges. INTERNATIONAL JOURNAL OF SOCIAL SCIENCE HUMANITY & MANAGEMENT RESEARCH. https://doi.org/10.58806/ijsshmr.2026.v5i5n37
• Tin T. Dang & Margaret Robertson (2026). [Reprint] Responses to learning management system: A case study in higher education in Vietnam. Journal of Technology Innovation and Learning Advancement. https://doi.org/10.65956/tila.2026.23
• Tristan B. Taylor & Travis LaCroix (2026). Purpose before policy: academic integrity, generative AI, and rhetorical stance. Higher Education. https://doi.org/10.1007/s10734-026-01706-1
• Tsiligkiris, V. (2026). From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich higher education. Assessment & Evaluation in Higher Education. https://doi.org/10.1080/02602938.2026.2695376
• Unknown (Conference Proceedings) (2025). "AUTOMATING THE STUDENT FEEDBACK PROCESS IN ONLINE LEARNING ENVIRONMENTS: A CASE STUDY AT VIETNAM NATIONAL UNIVERSITY, HANOI". In International Conference on Educational Sciences and Foreign Language Teaching - Reimagining education: Inclusive education, educational collaboration, and lifelong learning in a globalized world.. https://doi.org/10.51316/icef.hust.2025.33
• Wijonarko, P., Salam, A., ..., & Ibadurrahman, A. (2023). Design and Implementation of IoT Technology of a Smart Campus with Visual Simulation Tool. In Proceedings of the 4th International Seminar and Call for Paper. https://doi.org/10.5220/0012640800003821
• Watanabe, A. (2022). Let's Talk About Artificial Intelligence. In Advances in Higher Education and Professional Development. https://doi.org/10.4018/978-1-7998-9247-2.ch003
• , Thuy Minh Trang Nguyen Thuy Minh Trang Nguyen, & Yoo-Il Bae (2022). Online Learning, Digital Platform and Higher Education in Vietnam :A Comparative Analysis. Institute for Euro-African Studies. https://doi.org/10.55952/ggc.2022.11.2.2.33
• Gong, Cheng; Ribiere, Vincent (2023). A historical outline of digital transformation. In Digital Transformation in Healthcare in Post-Covid-19 Times. https://doi.org/10.1016/b978-0-323-98353-2.00016-2
• Anjum, Prof. Gulafsha; Choubey, Prof. Jaya; Kushwaha, Shubhanshu; Patkar, Vandana (2023). AI in Education: Evaluating the Efficacy and Fairness of Automated Grading Systems. International Journal of Innovative Research in Science,Engineering and Technology. https://doi.org/10.15680/ijirset.2023.1206161
• Fowler, D. S. (2023). AI in Higher Education. Journal of Ethics in Higher Education. https://doi.org/10.26034/fr.jehe.2023.4657
• Alenezi, M. (2023). Digital Learning and Digital Institution in Higher Education. Education Sciences. https://doi.org/10.3390/educsci13010088
• Hikmah, I. (2023). Digital Transformation in Asia Higher Education: Implications for Sustainable Business and Global Industry. **. https://doi.org/10.31219/osf.io/jvrax
• Thawillarp, S. (2023). Generative AI, ChatGPT and Medicine. PSU Medical Journal. https://doi.org/10.31584/psumj.2023259047
• Kusumawardani, Nuril; Permatasari, Dinda; Susanto, Reynilda; Lee, Chen Kang (2023). Knowledge Management Evaluation Using Digital Capability Maturity Model in Higher Education Institution. Electronic Journal of Knowledge Management. https://doi.org/10.34190/ejkm.21.2.3009
• Moro-Visconti, R. (2023). Smart healthcare digital transformation during the Covid-19 pandemic. In Digital Transformation in Healthcare in Post-Covid-19 Times. https://doi.org/10.1016/b978-0-323-98353-2.00008-3
• Tri, Nguyen Minh; Hoang, Pham Duy (2023). The Impact of Digital Transformation in Higher Education: The Case Study from Vietnam. Journal of Higher Education Theory and Practice. https://doi.org/10.33423/jhetp.v23i5.5922
• Blazevic, Mevludin; Riehle, Dennis (2023). University of Things: Opportunities and Challenges for a Smart Campus Environment based on IoT Sensors and Business Processes. In Proceedings of the 8th International Conference on Internet of Things, Big Data and Security. https://doi.org/10.5220/0011761900003482
• Sultana, S. (2024). AI in Higher Education. In Advances in Educational Marketing, Administration, and Leadership. https://doi.org/10.4018/979-8-3693-3534-5.ch006
• Hossain, S. (2024). AI in Higher Education: University Students' Engagement With Chatbots and Literacy Impact. In Proceedings of the 2024 AERA Annual Meeting. https://doi.org/10.3102/2103722
• Nganji, Julius T.; Al-Qora’n, Lamis F.; Nsangong, Kfukfu (2024). An Overview of Teaching AI Literacy to University Students. In Effective Practices in AI Literacy Education: Case Studies and Reflections. https://doi.org/10.1108/978-1-83608-852-320241002
• Ojha, Bhawna; Agrawal, Arun; Arya, Aniket (2024). Artificial Intelligence Integration in Higher Education. In Adopting Artificial Intelligence Tools in Higher Education. https://doi.org/10.1201/9781003469315-1
• Alammary, A. S. (2024). Building a Sustainable Digital Infrastructure for Higher Education: A Blockchain-Based Solution for Cross-Institutional Enrollment. Sustainability. https://doi.org/10.3390/su17010194
• Unknown (2024). Developing A Machine Learning Predictive Model For Learning Analytics In Higher Education. Nanotechnology Perceptions. https://doi.org/10.62441/nano-ntp.v20is13.44
• Savio, Dominic; Rachel, S. (2024). Digital Infrastructure – The Need to Overcome Digital Divide and Inequality in Higher Education. Studies in Media and Communication. https://doi.org/10.11114/smc.v12i3.7109
• Zabalawi, Isam; Kordahji, Helene; Aftimos, Sapheya (2024). Digital Transformation in Universities: Strategic Framework, Implementation Tools, and Leadership. In Higher Education in the Arab World. https://doi.org/10.1007/978-3-031-70779-7_8
• Ateeq, A. (2024). Emerging Economies and Digital Transformation: Opportunities and Challenges. In Studies in Systems, Decision and Control. https://doi.org/10.1007/978-3-031-71526-6_12
• Asfour, Y. (2024). Leading Digital Transformation in Higher Education. In Higher Education in the Arab World. https://doi.org/10.1007/978-3-031-70779-7_6
• Duong, Van Thanh; Ashwill, Mark; Tuan, Hoang Anh (2024). Redefining Higher Education in Vietnam in the Digital Age. In Digital Education and Learning. https://doi.org/10.1007/978-3-031-61838-3_1
• Černý, M. (2024). University Students’ Conceptualisation of AI Literacy: Theory and Empirical Evidence. Social Sciences. https://doi.org/10.3390/socsci13030129
• KhalafAnsar, Hadi Mohammadian; Rohten, Jaime; Keighobadi, Jafar (2025). A Hybrid Type-2 Fuzzy Double DQN with Adaptive Reward Shaping for Stable Reinforcement Learning. AI. https://doi.org/10.3390/ai6120319
• Kohli, Jyotsna; Aggarwal, Bhavna; Rathi, Sakshi (2025). Academic Integrity and AI: Challenges and Opportunities in Higher Education. **. https://doi.org/10.21276/saar/9788199015449
• Sangwa, Sixbert; Ngobi, Dennis; Ekosse, Emmanuel; Mutabazi, Placide (2025). AI governance in African higher education: Status, challenges, and a futureproof policy framework. **. https://doi.org/10.2139/ssrn.5386204
• Almogren, A. S. (2025). AI Innovation, Green Learning, and Sustainable Attitudes: Pathways to Green Technology Adoption in Universities. **. https://doi.org/10.21203/rs.3.rs-7685621/v1
• Tariq, M. U. (2025). AI-Powered Assessment Platforms. In Innovating Assessment and Evaluation in Higher Education. https://doi.org/10.4018/979-8-3373-2130-1.ch004
• Verduga-Alcívar, Douglas Andrés; Román-Cao, Eldis; Sablón Cossío, Neyfe (2025). An Evaluation of Ai Literacy in University Students. **. https://doi.org/10.2139/ssrn.5346641
• Hao, Xu; Yatong, Zu (2025). Applying Machine Minds: Artificial Intelligence in Teaching and Learning. In Teaching and Learning in Higher Education. https://doi.org/10.1007/978-981-95-2415-0_13
• Rawashdeh, Awni; Abu Siam, Yousef; Idris, Mohammed (2025). Bridging knowledge and adoption: how students’ AI awareness shapes attitudes toward AI in auditing. Higher Education, Skills and Work-Based Learning. https://doi.org/10.1108/heswbl-09-2024-0287
• , ; Adebiyi, Sunday Adetunji; Aliu Tolulope, Isiaka; , (2025). Chatbots, AI Tutors and Smart Learning: Assessing the adoption of AI-powered learning tools in tertiary institutions. African Multidisciplinary Journal of Development. https://doi.org/10.59568/amjd-2025-13-2-07
• , ; Mulyono, Mulyono; Suyatno, Suyatno; , (2025). Development of Digital Media with CapCut, Canva, and Remove-BG to Improve Students' Digital Competence in Innovative Learning Course for BIPA. International Journal of Social Science and Human Research. https://doi.org/10.47191/ijsshr/v8-i3-67
• Troche, Derlis; Boumadan, Moussa; Gómez, Melchor (2025). Digital Competence as Psychological Defense: Impact of Digital Competence on Problematic Mobile Use Among Paraguayan University Students. Behavioral Sciences. https://doi.org/10.3390/bs15121687
• Ilyas, S. (2025). Digital Leadership and Service Innovation in Technology readiness via Self Efficacy: A Moderated Mediation Role of Technology readiness. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5368200
• Fahmi, Fahmi; Panjaitan, Sihar; Munadi, Khairul (2025). Digital Maturity Index in Higher Education Indonesia: Indicators for Digital Transformation Readiness. In 2025 9th International Conference on Electrical, Telecommunication and Computer Engineering (ELTICOM). https://doi.org/10.1109/elticom67568.2025.11336015
• Bellini, F. (2025). Digital Transformation and AI in Fraud Detection: Challenges and Opportunities in Subsidized Finance. In Fraud Repression through EDucation. https://doi.org/10.82018/9791221163728.02
• Sziegat, H. (2025). Digital Transformation and Innovation in Chinese Higher Education. SpringerBriefs in Education. https://doi.org/10.1007/978-981-96-2650-2
• Uoc, T. M. (2025). DIGITAL TRANSFORMATION IN HIGHER EDUCATION IN VIETNAM TODAY. In Education as a tool for transformation. https://doi.org/10.56083/edcont.978-65-83227-11-9_5
• , ; Liu, Le (2025). DIGITAL TRANSFORMATION OF UNIVERSITY PERSONNEL ARCHIVES UNDER THE «DIGITAL CHINA» STRATEGY: ACHIEVEMENTS, CHALLENGES, AND PROSPECTS. In DIGITAL TRANSFORMATION OF UNIVERSITY PERSONNEL ARCHIVES UNDER THE «DIGITAL CHINA» STRATEGY: ACHIEVEMENTS, CHALLENGES, AND PROSPECTS. https://doi.org/10.46916/21082025-5-978-5-00215-840-9
• , ; Sirakaya, Assoc.Prof. Yesim; Erturk, Recep; , (2025). Digitalization and Financial Inclusion: New Opportunities and Challenges in Developing Countries. International Journal of Social Science Humanity & Management Research. https://doi.org/10.58806/ijsshmr.2025.v4i5n07
• Zheng, L. (2025). Dynamics of Institutional Culture in Educational Technology Adoption. In Navigating Digital Transformation. https://doi.org/10.4324/9781003570561-3
• Jiang, B. (2025). Frameworks for Trustworthy AI for Adaptive Learning. In Toward Trustworthy Adaptive Learning. https://doi.org/10.4324/9781003585176-10
• Zhao, Yikai; Dai, Runyu; Jun, Nagayasu (2025). Generative AI: The Transformative Impact of ChatGPT on Systemic Financial Risk in Chinese Banks. **. https://doi.org/10.2139/ssrn.5162554
• Sziegat, H. (2025). Governance and Strategies of Digital Transformation and Innovation in Higher Education. In SpringerBriefs in Education. https://doi.org/10.1007/978-981-96-2650-2_7
• B, Chaithra; D, Tarun; Bhavikatti, Dr.Veena (2025). Impact Of Chatgpt And Generative Ai On Hr Training, Learning And Development In It Sector In Bangalore. International Journal of Research Publication and Reviews. https://doi.org/10.55248/gengpi.6.0725.25182
• Sziegat, H. (2025). Impacts of Digital Transformation and Innovation on Chinese Higher Education. In SpringerBriefs in Education. https://doi.org/10.1007/978-981-96-2650-2_6
• , ; Yashanov, Serhii; Lazarenko, Hlib; , (2025). IMPLEMENTATION OF DIGITAL TOOLS FOR THE DEVELOPMENT OF STUDENTS’ FOREIGN LANGUAGE COMMUNICATIVE COMPETENCE IN THE VIRTUAL LEARNING ENVIRONMENT OF A UNIVERSITY. In Digital Transformation of Education: Challenges and Prospects. https://doi.org/10.32405/mono-lomza-kyiv-2025-1-5
• Unknown (2025). Integrating Artificial Intelligence in Teaching and Learning. In The Sage Handbook of Higher Education Instructional Design. https://doi.org/10.4135/9781036203849.n51
• Sziegat, H. (2025). Policies and Initiatives of Digital Transformation and Innovation in Higher Education. In SpringerBriefs in Education. https://doi.org/10.1007/978-981-96-2650-2_3
• Zheng, L. (2025). Technology Adoption in Education. In Navigating Digital Transformation. https://doi.org/10.4324/9781003570561-1
• Sziegat, H. (2025). The Development of Digital Transformation and Innovation in Chinese Higher Education. In SpringerBriefs in Education. https://doi.org/10.1007/978-981-96-2650-2_2
• Kanthimathi, S.; Nanda, Prayasha; Venkatraman, Shravan; Renganayagan, Varsana (2025). Transforming Education through AI-Powered Personalized Assessment Models. In Adopting Artificial Intelligence Tools in Higher Education. https://doi.org/10.1201/9781003470304-7
• Jiang, B. (2025). Trustworthy AI for Adaptive Learning. In Toward Trustworthy Adaptive Learning. https://doi.org/10.4324/9781003585176-1
• , ; Quynh Hoa, Nguyen Thi; Tien Dung, Nguyen; , (2025). Using Generative AI Tool ChatGPT in Language Teaching from University Language Teachers’ Perspective. International Journal of Social Science and Human Research. https://doi.org/10.47191/ijsshr/v8-i12-43
• Heller, R. F. (2026). 9. Digital infrastructure. In Distributing Knowledge. https://doi.org/10.11647/obp.0520.09
• , ; Kwon, Suwan (2026). A Study of Information Evaluation in University Students’ AI-Assisted Online Reading. Korean Association for Literacy. https://doi.org/10.37736/kjlr.2026.04.17.2.04
• Asriadi, Asriadi; Esti Andriani, Dwi (2026). A Systematic Literature Review of School Digital Leadership: From Digital Readiness to Organizational Outcomes. Leadership and Policy in Schools. https://doi.org/10.1080/15700763.2026.2646345
• Kancheli, Teimuraz; Kancheli, Irakli (2026). AI in Higher Education: Empirical Evidence of Adoption, Attitudes, and Ethical Concerns from Georgia. **. https://doi.org/10.2139/ssrn.6067349
• N.A., F. P. P. (2026). AI tutoring system: adaptive learning with mobile technology for Gen Z university students. International Journal of Mobile Learning and Organisation. https://doi.org/10.1504/ijmlo.2026.10079504
• Biswas, W. (2026). AI-Driven Analytics for Evaluating Teacher Performance and Teaching Effectiveness in Higher Education. In Artificial Intelligence, Machine Learning, and Cloud Computing in Higher Education: Intelligent Learning Systems, Analytics, and Digital Transformation. https://doi.org/10.71443/9789349552746-16
• Nannaware, Shatabdi Chandramani; Nair, Parvathy; Rajalaxmi, M. (2026). AI-Driven Transformation in MSMEs. In Opportunities and Challenges of AI in Micro, Small, and Medium-Sized Enterprises. https://doi.org/10.4018/979-8-3373-2817-1.ch002
• PhD., Nguyen Duc Huan, (2026). Application of Artificial Intelligence (AI) in Learning among Pre-service Teachers at Thu Dau Mot University: Current Status, Opportunities, and Challenges in the Context of Digital Transformation. International Journal of Current Science Research and Review. https://doi.org/10.47191/ijcsrr/v9-i4-06
• Ibrahim Mohammad, S. (2026). Article RETRACTED due to malpractice  AI-Powered Assessment in Physical Education: Rethinking Student Engagement through Social Sciences Perspectives. Retos. https://doi.org/10.47197/retos.v82.117652 [Đã rút — RETRACTED]
• C.K, Sreekala.; Priya, M. Keerthi (2026). Artificial Intelligence and Machine Learning Approaches for Monitoring and Managing Teacher Stress in Higher Education Institutions. In Artificial Intelligence, Machine Learning, and Cloud Computing in Higher Education: Intelligent Learning Systems, Analytics, and Digital Transformation. https://doi.org/10.71443/9789349552746-17
• Islam, H. (2026). Artificial Intelligence in Higher Education: Transforming Teaching, Learning, and Academic Assessment. **. https://doi.org/10.2139/ssrn.6873424
• Unknown (2026). Assessing Artificial intelligence (AI) readiness using UNESCO's RAM tool and policy implications for Vietnam. Ministry of Science and Technology, Vietnam. https://doi.org/10.31276/vjst.2026.3788
• Gold, Nusirat Ojuolape; Coovadia, Husain (2026). Automated Grading and Professional Accounting Education: Examining the Fairness, Reliability, and Validity of AI Grades. Algorithms. https://doi.org/10.3390/a19050346
• Singh, T. (2026). Business Strategy and Digital Transformation Strategy. In Digital Transformation. https://doi.org/10.4324/9781003672296-3
• Adoui, A. (2026). Conclusion: Reclaiming Human Purpose in AI-Driven Higher Education. In Artificial Intelligence, Academic Integrity, and the Internationalization of Higher Education. https://doi.org/10.1007/978-3-032-19585-2_18
• Sharma, Eliza; Sharma, Moumita (2026). Digital Leadership and ICT Readiness in ASEAN. In Digital Leadership and Innovation in ASEAN Education. https://doi.org/10.4018/979-8-2600-1142-3.ch002
• Bagdonė, Indrė; Davidavičienė, Vida (2026). DIGITAL LEADERSHIP IN HIGHER EDUCATION: A COMPETENCY FRAMEWORK FOR EFFECTIVE DIGITAL TRANSFORMATION. In INTED Proceedings. https://doi.org/10.21125/inted.2026.0760
• Kimathi, I. G. (2026). Digital Transformation and AI in Public Sector Project Management in Kenya: Challenges, Opportunities, and Policy Recommendations. Current Research Bulletin. https://doi.org/10.55677/crb/i7-01-crb2026
• , ; Zemba, Mercy; Chilonga, Mpundu; , (2026). Digital Transformation in the Post-COVID Era in Selected Zambian Public Universities: Opportunities and Challenges. International Journal of Multidisciplinary Research and Analysis. https://doi.org/10.47191/ijmra/v9-i2-17
• Mongwe, Stephen; Van den Berg, Geesje; Mudau, Patience Kelebogile (2026). Ethical Dilemmas of Generative AI in Higher Education Implications for Academic Integrity. Journal of Ethics in Higher Education. https://doi.org/10.26034/fr.jehe.2026.9459
• Naresh, Meruga; Chakrabarty, Ashmi (2026). Future Directions of Artificial Intelligence, Machine Learning, and Cloud Computing in Intelligent Higher Education Ecosystems. In Artificial Intelligence, Machine Learning, and Cloud Computing in Higher Education: Intelligent Learning Systems, Analytics, and Digital Transformation. https://doi.org/10.71443/9789349552746-01
• Hodge, A. (2026). Institutional AI Governance in Higher Education: A Scoping Review of Policy-to-Practice Implementation. **. https://doi.org/10.21203/rs.3.rs-9893056/v1
• Krishna, B. Sai Venkata; Magadum, Alkawati (2026). Learning Analytics and Artificial Intelligence for Adaptive Curriculum Development in Higher Education. In Artificial Intelligence, Machine Learning, and Cloud Computing in Higher Education: Intelligent Learning Systems, Analytics, and Digital Transformation. https://doi.org/10.71443/9789349552746-07
• Chennuru, V. K. (2026). Leveraging Digital Library Infrastructure for Quality Excellence: A Conceptual Framework for INFLIBNET's Role in NIRF Rankings and NAAC Accreditation in Indian Higher Education. **. https://doi.org/10.2139/ssrn.6574440
• Bukhari, Sahar; Amakeh, Ebenezer (2026). Monroe Grading Agent: AI-Powered Automated Assignment Grading in Higher Education. Engineering and Technology Journal. https://doi.org/10.47191/etj/v11i05.42
• Cubillan, Jasmine; Mutia, Florabel (2026). Self-Efficacy as a Predictor of Inquiry-Based Pedagogy and Digital Competence among STEM Faculty in a Philippine Regional University. Self-Efficacy as a Predictor of Inquiry-Based Pedagogy and Digital Competence among STEM Faculty in a Philippine Regional University. https://doi.org/10.69481/sepib
• Hutson, J. (2026). Slow Learning and AI—Facilitating Reflective Critical Thinking. In Agentic Intelligence. https://doi.org/10.1201/9781003688013-4
• , ; Lirios, Cruz García (2026). Strategic Adaptation and Digital Transformation in Multinational Corporations: Post-COVID Managerial Challenges and Responses. Journal of Internal Medicine and Health Affairs. https://doi.org/10.58489/2836-2411/048
• Sarkisyan, K. (2026). The Founder's Paradox in Digital Transformation: A Framework for Assessing Leadership Readiness in Founder-Led Firms. **. https://doi.org/10.2139/ssrn.6637262
• Ateyah, Suhad; Kadhim, Zainab Khairallah (2026). The Rise and Impact of Modern Generative AI Tools: A Comparative Study of Chatgpt, Gemini, Claude. American Journal of Applied Science and Technology. https://doi.org/10.37547/ajast/volume06issue02-10
• Ghareeb, Shatha; Adnan Khan, MD Shahrukh; Ogbo, Ndidi Bianca; Kamal, Ainun (2026). “The Pedagogical Paradigm Shift: A Framework for Integrating Artificial Intelligence in Higher Education Learning and Teaching”. In “The Pedagogical Paradigm Shift: A Framework for Integrating Artificial Intelligence in Higher Education Learning and Teaching”. https://doi.org/10.14293/ffl26.000008.v1