Khung năng lực AI cho giảng viên và sinh viên đại học Việt Nam: Xây dựng, thẩm định và thử nghiệm triển khai

Đề xuất khung năng lực AI Việt Nam (VNAI-CompF) với 5 chiều kích, 5 cấp độ thành thạo, tích hợp phương pháp Delphi và thẩm định tâm lý lượng nghiêm ngặt, cùng bộ công cụ đo lường AICAT.

Để đảm bảo tính khả thi và rút ra bài học trước khi nhân rộng, nghiên cứu đề xuất lộ trình 4 giai đoạn:

Giai đoạn 1 — Thử nghiệm hạn chế (Month 1–3): Triển khai tại 2 trường đại học đại diện: (a) một trường khối Khoa học Tự nhiên/Kỹ thuật (VD: ĐH Bách Khoa Hà Nội), nơi giảng viên và sinh viên có nền tảng kỹ thuật tốt; (b) một trường khối Khoa học Xã hội/Kinh tế (VD: ĐH Ngoại thương), nơi yêu cầu năng lực AI thiên về ứng dụng chứ không phải kỹ thuật. Mỗi trường: 50 giảng viên + 100 sinh viên. Mục tiêu: kiểm tra tính khả thi của AICAT, phát hiện vấn đề vận hành.

Giai đoạn 2 — Mở rộng có kiểm soát (Month 4–6): Mở rộng thêm 1–2 trường (bao gồm ít nhất 1 trường vùng hoặc trường tư thục), tổng cộng 4 trường. N = 300–400. Mục tiêu: kiểm tra tính bất biến đo lường giữa các nhóm, tinh chỉnh can thiệp.

Giai đoạn 3 — Đánh giá hiệu quả (Month 7–9): Phân tích dữ liệu từ cả 4 trường: hiệu ứng can thiệp (Cohen's d), bất biến đo lường (measurement invariance), và yếu tố bối cảnh ảnh hưởng. Mục tiêu: xác định mô hình can thiệp hiệu quả nhất cho từng nhóm đối tượng.

Giai đoạn 4 — Chuẩn bị nhân rộng (Month 10–12): Tổng hợp kết quả, phát triển tài liệu hướng dẫn triển khai (implementation guide), và đề xuất chính sách cho Bộ GD&ĐT. Mục tiêu: tạo cơ sở cho nhân rộng toàn quốc.

Chỉ số KPI đánh giá hiệu quả triển khai:

• KPI 1: Tỷ lệ tăng năng lực AI (điểm AICAT pre→post) ≥ 0,5 SD (Cohen's d ≥ 0,5)
• KPI 2: Tỷ lệ giữ lại (retention rate) ≥ 80% qua 4 tuần can thiệp
• KPI 3: Tỷ lệ hài lòng của người tham gia ≥ 4,0/5,0
• KPI 4: Chỉ số bất biến đo lường (measurement invariance) đạt ít nhất mức bất biến vô hướng (scalar invariance) giữa giảng viên và sinh viên
• KPI 5: Ít nhất 70% người tham gia tự báo cáo thay đổi hành vi sử dụng AI sau can thiệp (follow-up survey sau 1 tháng)

Thiết kế can thiệp: Mỗi trường triển khai chương trình can thiệp 4 tuần, bao gồm: (a) 2 workshop (4 giờ mỗi workshop) về nhận thức AI, ứng dụng AI, và đạo đức AI; (b) tài liệu số hóa tự học (video, bài tập tình huống, hướng dẫn); (c) bài tập thực hành áp dụng AI vào chuyên ngành cụ thể. Nội dung can thiệp được thiết kế dựa trên VNAI-CompF, đảm bảo bao phủ các năng lực cốt lõi.

Đánh giá hiệu quả: Thiết kế pre-test/post-test: đo năng lực đầu vào bằng AICAT → triển khai can thiệp 4 tuần → đo lại bằng AICAT. Phân tích hiệu quả can thiệp bằng paired t-test, tính hiệu ứng (Cohen's d). Đồng thời, phân tích yếu tố bối cảnh ảnh hưởng (kiểu trường, chuyên ngành, năm học, giới tính, kinh nghiệm sử dụng AI trước đó) bằng ANOVA hoặc hồi quy đa biến.

"The pilot phase bridges the gap between theoretical framework development and practical implementation, generating evidence about what works, for whom, and under what conditions in the Vietnamese higher education context." (Ali, 2025)

6. Phương pháp nghiên cứu (giai đoạn 3–4): Phát triển AICAT và Pilot triển khai

6.1. Giai đoạn 3 — Phát triển và thẩm định AICAT (T11–T18)

Giai đoạn ba chuyển hóa khung năng lực VNAI-CompF thành công cụ đo lường thực tiễn — bộ thang đo AICAT (AI Competency Assessment Tool) — và thẩm định nó bằng phương pháp tâm lý lượng nghiêm ngặt.

6.1.1. Xây dựng item pool và đánh giá nội dung

Dựa trên VNAI-CompF hoàn chỉnh từ Delphi, nghiên cứu xây dựng item pool gồm 60–80 câu hỏi (items) đo lường các năng lực trong khung. Mỗi năng lực được đo bằng 4–8 items, được xây dựng theo ba nguyên tắc: (1) rõ ràng, đơn nghĩa, dễ hiểu cho người không chuyên, (2) phản ánh bối cảnh giáo dục đại học Việt Nam (ví dụ thay vì hỏi về "data privacy" chung, hỏi về "bảo vệ dữ liệu nghiên cứu khi dùng AI"), (3) bao phủ cả kiến thức (knowledge) và thái độ (attitude) và hành vi (behavior).

Quá trình dịch thuật song ngữ Anh — Việt được thực hiện bởi hai nhóm dịch thuật độc lập, sau đó hòa giải khác biệt. Bộ items được đánh giá nội dung bởi 10 chuyên gia (không tham gia Delphi) sử dụng Content Validity Index (CVI). Mỗi item được đánh giá mức độ phù hợp (1–4 điểm). Item có CVI < 0,80 được sửa đổi hoặc loại bỏ.

6.1.2. Khảo sát thử (Pilot Survey) và EFA

Khảo sát thử với N=150 (75 giảng viên, 75 sinh viên) từ 3 trường đại học khác nhau. Phân tích nhân tố khám phá (Exploratory Factor Analysis — EFA) bằng SPSS 28 để kiểm tra cấu trúc nhân tố. Tiêu chí: hệ số tải nhân tố (factor loading) ≥ 0,45; cross-loading ≤ 0,32; loại items không đạt tiêu chí. Kiểm tra KMO (Kaiser-Meyer-Olkin) ≥ 0,80 và Bartlett test có ý nghĩa thống kê.

Quy mô mẫu tối thiểu cho EFA tuân thủ nguyên tắc ít nhất 5–10 người tham gia cho mỗi item. Với item pool dự kiến 60–80 items, mẫu EFA cần N ≥ 300 (gấp 5 lần tổng items) để đảm bảo độ ổn định cấu trúc nhân tố.

6.1.3. Khảo sát chính thức và CFA

Khảo sát chính thức với N=800–1.000 giảng viên và sinh viên từ 8–10 trường đại học đa vùng miền (Bắc, Trung, Nam), đa loại hình (trọng điểm quốc gia, địa phương, tư thục). Phân tích nhân tố xác nhận (Confirmatory Factor Analysis — CFA) bằng Amos hoặc R-lavaan để kiểm tra mô hình đo lường.

Tiêu chí chất lượng mô hình CFA:

• Chỉ số phù hợp tuyệt đối: RMSEA ≤ 0,06; SRMR ≤ 0,08; χ²/df ≤ 3
• Chỉ số phù hợp gia tăng: CFI ≥ 0,95; TLI ≥ 0,95
• Giá trị phân biệt: HTMT (Heterotrait-Monotrait ratio) < 0,85; AVE (Average Variance Extracted) > 0,50

Độ tin cậy được đánh giá bằng nhiều chỉ số: Cronbach α ≥ 0,85 cho mỗi nhân tố; McDonald ω ≥ 0,80; test-retest reliability (phỏng lại sau 4 tuần) với ICC ≥ 0,80 (Williams và Hanna, 2023; VARGÖR và ÖĞRETMEN, 2023).

Quy mô mẫu CFA cần N ≥ 500, lý tưởng N ≥ 800–1.000, được phân bổ tỷ lệ 1:1 giữa giảng viên và sinh viên, đa vùng miền và đa loại hình trường. Khoảng cách tối thiểu 100 km giữa các trường mẫu để đảm bảo tính đại diện địa lý.

Hình 3. Quy trình phát triển và thẩm định AICAT

Bước 1	Bước 2	Bước 3	Bước 4	Bước 5
Xây dựng item pool (60–80 items) + Dịch thuật song ngữ	Đánh giá nội dung: 10 chuyên gia, CVI ≥ 0,80	Khảo sát thử N = 150 → EFA (loading ≥ 0,45)	Khảo sát chính N = 800–1.000 → CFA	Độ tin cậy: α ≥ 0,85; ω ≥ 0,80; ICC ≥ 0,80

Hình 3. Quy trình phát triển và thẩm định AICAT (5 bước)

Bảng 2. Quy trình phát triển và thẩm định AICAT (5 bước)

Bước	Hoạt động	Tiêu chí
1	Xây dựng item pool (60–80 items) + Dịch thuật song ngữ	4–8 items/năng lực
2	Đánh giá nội dung: 10 chuyên gia	CVI ≥ 0,80
3	Khảo sát thử N=150 → EFA	Loading ≥ 0,45
4	Khảo sát chính N=800–1000 → CFA	CFI ≥ 0,95; RMSEA ≤ 0,06
5	Độ tin cậy	α ≥ 0,85; ω ≥ 0,80; ICC ≥ 0,80

6.2. Giai đoạn 4 — Pilot triển khai (T19–T24)

Giai đoạn cuối cùng thử nghiệm khung VNAI-CompF và bộ công cụ AICAT trong thực tế giáo dục đại học, đánh giá hiệu quả can thiệp và khả năng nhân rộng.

Chọn cơ sở pilot: 3–4 trường đại học đại diện cho sự đa dạng của hệ thống giáo dục đại học Việt Nam: (1) một trường trọng điểm quốc gia (VD: ĐHQG Hà Nội hoặc ĐH Ngoại thương), (2) một trường đại học vùng (VD: ĐH Đà Nẵng hoặc ĐH Cần Thơ), (3) một trường đại học tư thục lớn, và (4) tùy chọn một trường chuyên ngành kỹ thuật — công nghệ. Việc chọn đa dạng loại hình đảm bảo kết quả có khả năng đại diện và nhân rộng.

Lộ trình thử nghiệm phân giai đoạn (Phased Rollout):

Để đảm bảo tính khả thi và rút ra bài học trước khi nhân rộng, nghiên cứu đề xuất lộ trình 4 giai đoạn:

Lộ trình Phased Rollout (12 tháng)

Bảng 3. Lộ trình thử nghiệm phân giai đoạn (Phased Rollout, 12 tháng)

Giai đoạn	Thời gian	Phạm vi	Mục tiêu
1 — Thử nghiệm hạn chế	Tháng 1–3	2 trường ĐH (KHTN/KT × KHXH/Kinh tế) N = 150+150	Kiểm tra khả thi của AICAT
2 — Mở rộng có kiểm soát	Tháng 4–6	Mở rộng 1–2 trường (vùng/tư thục) N = 300–400	Kiểm tra measurement invariance
3 — Đánh giá hiệu quả	Tháng 7–9	Phân tích 4 trường Cohen's d, invariance	Xác định mô hình can thiệp tối ưu
4 — Chuẩn bị nhân rộng	Tháng 10–12	Tổng hợp kết quả Implementation guide	Đề xuất chính sách Bộ GD&ĐT

Hình 5. Lộ trình phân giai đoạn triển khai pilot tại 3–4 trường đại học

Giai đoạn 1 — Thử nghiệm hạn chế (Month 1–3): Triển khai tại 2 trường đại học đại diện: (a) một trường khối Khoa học Tự nhiên/Kỹ thuật (VD: ĐH Bách Khoa Hà Nội), nơi giảng viên và sinh viên có nền tảng kỹ thuật tốt; (b) một trường khối Khoa học Xã hội/Kinh tế (VD: ĐH Ngoại thương), nơi yêu cầu năng lực AI thiên về ứng dụng chứ không phải kỹ thuật. Mỗi trường: 50 giảng viên + 100 sinh viên. Mục tiêu: kiểm tra tính khả thi của AICAT, phát hiện vấn đề vận hành.

Giai đoạn 2 — Mở rộng có kiểm soát (Month 4–6): Mở rộng thêm 1–2 trường (bao gồm ít nhất 1 trường vùng hoặc trường tư thục), tổng cộng 4 trường. N = 300–400. Mục tiêu: kiểm tra tính bất biến đo lường giữa các nhóm, tinh chỉnh can thiệp.

Giai đoạn 3 — Đánh giá hiệu quả (Month 7–9): Phân tích dữ liệu từ cả 4 trường: hiệu ứng can thiệp (Cohen's d), bất biến đo lường (measurement invariance), và yếu tố bối cảnh ảnh hưởng. Mục tiêu: xác định mô hình can thiệp hiệu quả nhất cho từng nhóm đối tượng.

Giai đoạn 4 — Chuẩn bị nhân rộng (Month 10–12): Tổng hợp kết quả, phát triển tài liệu hướng dẫn triển khai (implementation guide), và đề xuất chính sách cho Bộ GD&ĐT. Mục tiêu: tạo cơ sở cho nhân rộng toàn quốc.

Chỉ số KPI đánh giá hiệu quả triển khai:

• KPI 1: Tỷ lệ tăng năng lực AI (điểm AICAT pre→post) ≥ 0,5 SD (Cohen's d ≥ 0,5)
• KPI 2: Tỷ lệ giữ lại (retention rate) ≥ 80% qua 4 tuần can thiệp
• KPI 3: Tỷ lệ hài lòng của người tham gia ≥ 4,0/5,0
• KPI 4: Chỉ số bất biến đo lường (measurement invariance) đạt ít nhất mức bất biến vô hướng (scalar invariance) giữa giảng viên và sinh viên
• KPI 5: Ít nhất 70% người tham gia tự báo cáo thay đổi hành vi sử dụng AI sau can thiệp (follow-up survey sau 1 tháng)

Thiết kế can thiệp: Mỗi trường triển khai chương trình can thiệp 4 tuần, bao gồm: (a) 2 workshop (4 giờ mỗi workshop) về nhận thức AI, ứng dụng AI, và đạo đức AI; (b) tài liệu số hóa tự học (video, bài tập tình huống, hướng dẫn); (c) bài tập thực hành áp dụng AI vào chuyên ngành cụ thể. Nội dung can thiệp được thiết kế dựa trên VNAI-CompF, đảm bảo bao phủ các năng lực cốt lõi.

Đánh giá hiệu quả: Thiết kế pre-test/post-test: đo năng lực đầu vào bằng AICAT → triển khai can thiệp 4 tuần → đo lại bằng AICAT. Phân tích hiệu quả can thiệp bằng paired t-test, tính hiệu ứng (Cohen's d). Đồng thời, phân tích yếu tố bối cảnh ảnh hưởng (kiểu trường, chuyên ngành, năm học, giới tính, kinh nghiệm sử dụng AI trước đó) bằng ANOVA hoặc hồi quy đa biến.

Hình 4. Lộ trình tổng quan nghiên cứu 4 giai đoạn (T1–T24)

Giai đoạn 1: Systematic Review	Giai đoạn 2: Delphi 3 vòng	Giai đoạn 3: Phát triển AICAT	Giai đoạn 4: Pilot triển khai
T1–T4 • Tìm kiếm 4 cơ sở dữ liệu • PRISMA-2020 • Content analysis • ≥ 80 tài liệu	T5–T10 • 35–40 chuyên gia • Vòng mở → cấu trúc → phản hồi • Ngưỡng đồng thuận 80% • IQR ≤ 2	T11–T18 • Item pool 60–80 câu • Dịch song ngữ • EFA: N ≥ 300 • CFA: N ≥ 800–1.000	T19–T24 • 3–4 trường đại học • Pre/post-test • Cohen's d ≥ 0,5 • 5 KPI

Hình 4. Lộ trình tổng quan nghiên cứu 4 giai đoạn (T1–T24, khoảng 24 tháng)

7. Khung năng lực VNAI-CompF — Đề xuất

7.1. Các thành phần năng lực cốt lõi

Dựa trên tổng quan nghiên cứu và phân tích các khung quốc tế, bài viết đề xuất khung năng lực AI Việt Nam (VNAI-CompF) với 5 chiều kích cốt lõi, được thiết kế đặc biệt cho bối cảnh giáo dục đại học Việt Nam. Khung này kết hợp các điểm mạnh của các khung quốc tế (UNESCO, DigComp, ISTE, AI4K12, AILS, SAIL) và điều chỉnh theo đặc thù văn hóa giáo dục, cơ sở hạ tầng, và nhu cầu thực tiễn của Việt Nam.

Chiều kích năng lực	① Nhận thức	② Cơ bản	③ Vận dụng	④ Nâng cao	⑤ Dẫn dắt
1. Hiểu biết AI	Biết AI tồn tại	Phân biệt AI → công cụ	Hiểu cơ chế & giới hạn	So sánh mô hình AI	Định hướng chính sách AI
2. Ứng dụng AI	Dùng thử theo hướng dẫn	Viết prompt cơ bản	Tích hợp vào học tập/giảng dạy	Thiết kế quy trình AI đa bước	Đổi mới phương pháp sư phạm
3. Đánh giá phản biện	Biết AI có thể sai	Kiểm chứng thông tin cơ bản	Nhận diện ảo giác & thiên kiến	Đánh giá độ tin cậy hệ thống	Xây dựng quy trình kiểm soát chất lượng
4. Đạo đức & Trách nhiệm	Biết quy định cơ bản	Khai báo sử dụng AI	Tuân thủ liêm chính học thuật	Xây dựng quy chuẩn lớp học	Định hướng chính sách cấp ngành
5. Sáng tạo & Dẫn dắt	Tham khảo ý tưởng AI	Dùng AI hỗ trợ sáng tạo	Đồng sáng tạo với AI	Thiết kế giải pháp mới	Dẫn dắt đổi mới & nghiên cứu

Bảng 0. Ma trận tổng quan VNAI-CompF — 5 chiều kích × 5 cấp độ thành thạo. Nguồn: Tác giả đề xuất. Ô đậm = mức kỳ vọng tối thiểu: Sinh viên đại học (Cấp ②–③), Giảng viên (Cấp ③–④). Mỗi cấp tích lũy năng lực của cấp trước.

Cách đọc ma trận: Mỗi ô giao nhau giữa một chiều kích (hàng) và một cấp độ (cột) mô tả biểu hiện hành vi cụ thể ở mức đó. Ví dụ: Sinh viên đạt Cấp ③ ở Chiều 2 (Ứng dụng AI) có thể viết prompt đa bước, tích hợp AI vào nghiên cứu có kiểm chứng. Các phần dưới sẽ trình bày chi tiết từng chiều kích và cấp độ.

Bảng 4. Ma trận ứng dụng 5 chiều kích năng lực cho hai nhóm đối tượng (GV và SV)

Nguồn: Tác giả đề xuất dựa trên tổng hợp khung quốc tế và kết quả Delphi.

Chiều kích năng lực	Mức kỳ vọng	Sinh viên (tập trung)	Giảng viên (tập trung)
1. Hiểu biết AI (AI Literacy and Awareness)	Nhận thức → Cơ bản	Phân biệt các khái niệm AI, nhận biết giới hạn công cụ đang sử dụng.	Phân loại công nghệ AI, hiểu cơ chế hoạt động và ứng dụng trong giáo dục.
2. Ứng dụng AI (AI Application and Integration)	Vận dụng → Thành thạo	Tích hợp AI vào học tập, viết prompt hiệu quả, sử dụng AI hỗ trợ tư duy phản biện.	Thiết kế bài giảng tích hợp AI, cải tiến phương pháp đánh giá, sử dụng AI hỗ trợ nghiên cứu.
3. Đánh giá phản biện AI (AI Critical Evaluation)	Thành thạo → Nâng cao	Phản biện kết quả AI, nhận biết ảo giác (hallucination), kiểm chứng chéo với nguồn đáng tin cậy.	Đánh giá độ tin cậy nội dung AI trước khi đưa vào tài liệu giảng dạy, phát hiện thiên kiến trong kết quả AI.
4. Đạo đức và Trách nhiệm AI (AI Ethics and Responsibility)	Nâng cao → Chuyên gia	Liêm chính học thuật, minh bạch khai báo sử dụng AI, bảo vệ dữ liệu cá nhân.	Xây dựng quy chuẩn sử dụng AI trong lớp học, đảm bảo công bằng đánh giá và tôn trọng bản quyền.
5. Sáng tạo và Dẫn dắt cùng AI (AI Creation and Leadership)	Chuyên gia → Dẫn dắt	Đồng sáng tạo sản phẩm học thuật, đề xuất giải pháp mới kết hợp tư duy người và AI.	Dẫn dắt đổi mới phương pháp giảng dạy, định hướng chính sách AI tại đơn vị.

Chiều kích 1: Hiểu biết AI (AI Literacy and Awareness)

Đây là nền tảng cho mọi năng lực khác. Bao gồm hiểu khái niệm AI (học máy, học sâu, AI tạo sinh), phân loại các loại AI (mạnh — yếu, chuyên biệt — tổng quát), và nhận biết khả năng, giới hạn của các công cụ AI cụ thể. Chiều kích này tương ứng với khái niệm "AI Awareness" trong UNESCO Framework và "Knowing what AI is" trong Long & Magerko (2020). Trong bối cảnh Việt Nam, chiều kích này cần nhấn mạnh sự khác biệt giữa AI tạo sinh (ChatGPT) và AI chuyên biệt (AI phân tích dữ liệu, AI hình ảnh) — một phân biệt mà nhiều người dùng hiện nay còn nhầm lẫn.

• Đối với Sinh viên: Phân biệt được AI tạo sinh và AI truyền thống; nhận biết giới hạn của ChatGPT, Gemini, Copilot; hiểu rằng AI có thể đưa ra thông tin sai lệch (ảo giác) và cần kiểm chứng trước khi sử dụng trong bài tập, luận văn.
• Đối với Giảng viên: Phân loại các công nghệ AI theo mức độ phù hợp với giáo dục (AI tạo sinh, AI phân tích dữ liệu, AI đánh giá tự động); hiểu cơ chế hoạt động cơ bản để giải thích cho sinh viên và đưa ra quyết định có informed về việc áp dụng AI vào giảng dạy.

Chiều kích 2: Ứng dụng AI (AI Application and Integration)

Năng lực vận dụng công cụ AI vào công việc thực tế. Chiều kích này bao gồm khả năng tìm kiếm, chọn lọc, và tích hợp công cụ AI phù hợp; biết cách viết prompt hiệu quả; và biết cách sử dụng AI để hỗ trợ (không thay thế) quá trình tư duy. Hackl, Müller và Sailer (2026) xác nhận năng lực ứng dụng là chiều kích có tác động mạnh nhất đến kết quả học tập (Hackl, Müller và Sailer, 2026).

• Đối với Sinh viên: Tích hợp AI vào quy trình tự học — tổng hợp tài liệu, luyện tập ngoại ngữ, hỗ trợ viết académic, và khám phá góc nhìn mới trong nghiên cứu. Viết prompt hiệu quả bằng tiếng Việt và tiếng Anh để đạt kết quả chính xác.
• Đối với Giảng viên: Sử dụng AI để thiết kế bài giảng, xây dựng đề thi, cải tiến phương pháp đánh giá, và hỗ trợ nghiên cứu khoa học. Chọn công cụ AI phù hợp với từng môn học và phương pháp sư phạm.

Chiều kích 3: Đánh giá phản biện AI (AI Critical Evaluation)

Năng lực đánh giá một cách phản biện kết quả, giới hạn và rủi ro của AI. Bao gồm: nhận biết ảo giác (hallucination) và thông tin sai lệch; đánh giá độ tin cậy của kết quả AI; kiểm tra chéo thông tin từ AI với nguồn đáng tin cậy; và hiểu thiên kiến (bias) có thể có trong kết quả AI. Đây là chiều kích được nhiều chuyên gia đánh giá là quan trọng nhất nhưng cũng là năng lực yếu nhất của sinh viên hiện nay (Zentner, 2026; Weng, 2026).

"AI literacy beyond tools means safeguarding human judgment — the ability to critically evaluate AI outputs, recognize limitations, and make informed decisions about when to trust and when to question AI." (Weng, 2026)

• Đối với Sinh viên: Phản biện kết quả AI trước khi đưa vào bài làm; nhận biết ảo giác và thông tin bịa; kiểm chứng thông tin từ AI bằng nguồn học thuật đáng tin cậy; hiểu rằng AI có thể thiên kiến theo ngôn ngữ và văn hóa huấn luyện.
• Đối với Giảng viên: Đánh giá độ tin cậy của kết quả AI trong bối cảnh chuyên môn; nhận diện thiên kiến trong tài liệu AI-hỗ trợ và trong đề thi do AI tạo; hướng dẫn sinh viên phương pháp kiểm chứng chéo.

Chiều kích 4: Đạo đức và Trách nhiệm AI (AI Ethics and Responsibility)

Chiều kích đặc biệt quan trọng trong bối cảnh Việt Nam, nơi sự tăng trưởng nhanh về sử dụng AI đi trước sự phát triển về nhận thức đạo đức. Bao gồm: tôn trọng bản quyền và sở hữu trí tuệ; bảo vệ quyền riêng tư và bảo mật dữ liệu; nhận diện và phản đối thiên kiến trong AI; tuân thủ quy định toàn vẹn học thuật; và hiểu tác động xã hội của AI (Waitzman, 2025; Go, Min và Jeon, 2026).

• Đối với Sinh viên: Minh bạch khai báo việc sử dụng AI trong bài tập, luận văn; không đạo văn AI-generated content; bảo vệ dữ liệu cá nhân khi tương tác với các công cụ AI; hiểu ranh giới giữa sử dụng AI hỗ trợ và gian lận học thuật.
• Đối với Giảng viên: Xây dựng quy chuẩn rõ ràng về mức độ sử dụng AI được phép trong từng loại bài đánh giá; đảm bảo công bằng đánh giá giữa sinh viên dùng AI và không dùng AI; bảo vệ dữ liệu sinh viên khi sử dụng AI phân tích kết quả học tập.

Chiều kích 5: Sáng tạo và Dẫn dắt cùng AI (AI Creation and Leadership)

Khác với Ứng dụng AI (sử dụng công cụ sẵn có), Sáng tạo và Dẫn dắt cùng AI nhấn mạnh khả năng kết hợp AI vào quá trình sáng tạo, đổi mới và lãnh đạo. Bao gồm: sử dụng AI để kích thích ý tưởng mới (brainstorming), kết hợp kết quả AI với tư duy phản biện để tạo sản phẩm chất lượng cao, và sử dụng AI để khám phá góc nhìn mới trong nghiên cứu và học tập. Ding và Magerko (2026) đề xuất khung TEACH-RAI kết hợp năng lực sáng tạo và trách nhiệm trong sử dụng AI (Ding và Magerko, 2026).

• Đối với Sinh viên: Đồng sáng tạo sản phẩm học thuật (nghiên cứu, đồ án) cùng AI; sử dụng AI để khám phá giải pháp mới cho vấn đề thực tiễn; phát triển khả năng "tư duy cùng AI" (AI Fluency) theo Zentner (2026).
• Đối với Giảng viên: Dẫn dắt đổi mới phương pháp giảng dạy có tích hợp AI; định hướng chính sách năng lực AI tại cấp trường và cấp ngành; đóng góp vào phát triển chương trình đào tạo AI cho đồng nghiệp.

7.3. Tích hợp đạo đức AI và văn hóa bản địa

Một trong những đóng góp quan trọng nhất của VNAI-CompF so với các khung quốc tế là việc tích hợp sâu chiều kích đạo đức AI và phản ánh văn hóa giáo dục bản địa — hai yếu tố thường bị bỏ qua hoặc chỉ đề cập hời hợt trong các khung hiện có.

Đạo đức AI không phải "phụ lục" mà là "xương sống": Trong nhiều khung quốc tế, đạo đức AI được đặt ở vị trí riêng biệt hoặc cuối cùng, như một "thêm vào" chứ không phải phần cốt lõi. VNAI-CompF tiếp cận khác: năng lực đạo đức được tích hợp vào MỖI chiều kích cốt lõi, không tách rời. Ví dụ: Nhận thức AI bao gồm nhận biết thiên kiến trong AI; Ứng dụng AI bao gồm tôn trọng bản quyền; Đánh giá AI bao gồm nhận diện thông tin sai lệch và ảo giác; Sáng tạo với AI bao gồm minh bạch về vai trò của AI trong sản phẩm sáng tạo. Cách tiếp cận này phù hợp với khuyến nghị của Go, Min và Jeon (2026) về việc đưa đạo đức AI vào thực tế lớp học (Go, Min và Jeon, 2026).

Phản ánh văn hóa giáo dục Á Đông: Giáo dục đại học Việt Nam mang đặc trưng văn hóa giáo dục Á Đông: quan hệ giảng viên — sinh viên mang tính phân cấp, học tập thiên về tiếp thu kiến thức từ chuyên gia, và giá trị tập thể (collective values) được đề cao hơn giá trị cá nhân. VNAI-CompF phản ánh đặc thù này ở hai điểm:

Thứ nhất, chiều kích Ứng dụng AI được thiết kế để phù hợp với cả giảng viên (người dẫn dắt) và sinh viên (người tiếp thu), không phân biệt ưu tiên vai trò nào. Điều này khác với nhiều khung quốc tế chỉ tập trung vào học sinh (AI4K12) hoặc chỉ giáo viên (UNESCO).

Thứ hai, chiều kích Đạo đức AI nhấn mạnh trách nhiệm cộng đồng — việc sử dụng AI không chỉ ảnh hưởng đến cá nhân mà còn ảnh hưởng đến cộng đồng học thuật và xã hội. Điều này phản ánh triết lý giáo dục "khai phóng" (liberal education) với nhấn mạnh về trách nhiệm xã hội, phù hợp với bối cảnh Việt Nam.

7.3.1. Rubric đánh giá 5 cấp độ thành thạo

Bảng 5. Rubric đánh giá 5 cấp độ thành thạo VNAI-CompF

Nguồn: Tác giả đề xuất, phát triển từ UNESCO (2024) và cấu trúc cấp độ DigComp 2.2.

Cấp độ	Tên cấp độ	Mô tả chung	Biểu hiện ở sinh viên	Biểu hiện ở giảng viên
1	Nhận thức Awareness	Nhận biết sự tồn tại của AI, phân biệt AI với các công nghệ khác, biết AI có giới hạn.	Mô tả được AI làm gì và không làm gì; nêu được ví dụ công cụ AI cơ bản.	Giải thích nguyên lý AI ở mức khái quát cho sinh viên; phân biệt AI tạo sinh và AI chuyên biệt.
2	Cơ bản Basic Application	Sử dụng AI theo hướng dẫn cho các nhiệm vụ đơn giản, hiểu kết quả AI có thể sai.	Sử dụng ChatGPT hỗ trợ ôn tập; biết cần kiểm chứng kết quả AI trước khi dùng.	Sử dụng AI tạo tài liệu tham khảo cơ bản; biết khuyến cáo sinh viên về giới hạn AI.
3	Vận dụng Proficient Use	Tích hợp AI vào quy trình học tập/làm việc, viết prompt hiệu quả, đánh giá kết quả phản biện.	Viết prompt đa bước; sử dụng AI hỗ trợ nghiên cứu, viết luận có kiểm chứng; biết khai báo việc dùng AI.	Thiết kế bài giảng tích hợp AI; cải tiến phương pháp đánh giá; hướng dẫn sinh viên dùng AI có đạo đức.
4	Nâng cao Advanced Integration	Sáng tạo quy trình mới kết hợp AI, phân tích phản biện sâu, nhận diện thiên kiến và rủi ro đạo đức.	Đồng thiết kế dự án nghiên cứu với AI; nhận diện ảo giác và thiên kiến; tự điều chỉnh prompts theo ngữ cảnh.	Phát triển rubric đánh giá "AI-resilient"; đào tạo đồng nghiệp về sư phạm AI; đóng góp chính sách trường.
5	Dẫn dắt Leadership & Innovation	Dẫn dắt đổi mới, định hướng chính sách AI, phát triển công cụ/giải pháp AI mới, đánh giá tác động hệ thống.	Khởi xướng dự án AI vì cộng đồng; đánh giá tác động xã hội của AI; cố vấn cho đồng nghiệp.	Dẫn dắt chiến lược AI cấp trường/ngành; phát triển chương trình đào tạo AI; tham gia dialogue chính sách quốc gia.

Nguồn: Tác giả đề xuất, phát triển từ UNESCO (2024) và cấu trúc cấp độ DigComp 2.2. Mỗi cấp độ tích lũy năng lực của cấp trước (cumulative). Sinh viên đại học kỳ vọng đạt Cấp 2–3; Giảng viên kỳ vọng đạt Cấp 3–4.

7.4. So sánh với các khung quốc tế

Để minh họa vị trí và đóng góp của VNAI-CompF, bài viết so sánh với bốn khung quốc tế tiêu biểu trên năm tiêu chí quan trọng.

Bảng 6. Tổng hợp đối sánh các khung năng lực quốc tế với VNAI-CompF

Nguồn: Tác giả tổng hợp từ UNESCO (2024), European Commission (2022), ISTE (2023), Touretzky et al. (2023), MacCallum et al. (2026).

Chú giải: GV = Giảng viên; SV = Sinh viên; CFA = Phân tích nhân tố xác nhận; EFA = Phân tích nhân tố khám phá.

Khung năng lực	Đối tượng	Chiều kích chính	Ưu điểm	Giới hạn tại VN
UNESCO AI Competency Framework (2024)	Giáo viên phổ thông	5 chiều (Hiểu biết AI, Thiết kế ứng dụng, Đánh giá học tập, Đạo đức AI, Phát triển chuyên môn)	Bao trùm toàn cầu, được UNESCO hậu thuẫn, tích hợp đạo đức	Thiết kế cho phương Tây, chưa thẩm định tâm lý lượng, không phù hợp bối cảnh văn hóa Á Đông
DigComp 2.2 (European Commission, 2022)	Công dân nói chung	5 lĩnh vực, 21 năng lực (nắm bắt thông tin, giao tiếp, tạo nội dung, an toàn, giải quyết vấn đề)	Hệ sinh thái hỗ trợ phong phú (DigCompEdu, Selfie), cập nhật liên tục	AI chỉ là chỉ báo bổ sung (không phải chiều kích độc lập), bối cảnh châu Âu
ISTE AI in Education (2023)	Giáo viên K-12	3 trụ cột (AI như công cụ, AI như môn học, AI như đối tác)	Nhấn mạnh khía cạnh kỹ thuật, hiểu cách AI hoạt động	Mỹ, không có công cụ đo lường kèm theo, thiếu tích hợp đạo đức AI
AI4K12 Five Big Ideas (Touretzky et al., 2023)	Học sinh phổ thông	5 ý tưởng lớn (Nhận thức, Biểu diễn, Học máy, Tương tác con người-AI, Tác động xã hội)	Tiếp cận từ khoa học máy tính, nền tảng vững chắc	Mỹ, không dành cho bối cảnh đại học
SAIL — Scaffolded AI Literacy (MacCallum et al., 2026)	Học sinh phổ thông	Dạng bậc thang (scaffolded), nhấn mạnh công bằng và bao trùm	Phương pháp Delphi, tiếp cận công bằng	Chưa thẩm định ngoài bối cảnh gốc
VNAI-CompF (Đề xuất)	GV + SV đại học đồng thời	5 chiều (Hiểu biết AI, Ứng dụng AI, Đánh giá phản biện AI, Đạo đức AI, Sáng tạo và Dẫn dắt AI)	Bản địa hóa Việt Nam, đạo đức tích hợp sâu, công cụ AICAT đi kèm, thiết kế cho cả GV và SV

7.5. Ứng dụng cho giảng viên và sinh viên

VNAI-CompF được thiết kế để áp dụng cho cả giảng viên và sinh viên đại học, nhưng hai nhóm có những chỉ báo hành vi cụ thể khác nhau.

Đối với giảng viên: Năng lực VNAI-CompF thể hiện qua: (1) sử dụng AI để cá nhân hóa trải nghiệm học tập cho sinh viên; (2) thiết kế bài đánh giá chống gian lận AI nhưng vẫn cho phép sử dụng AI có đạo đức; (3) hướng dẫn sinh viên sử dụng AI hiệu quả; (4) đánh giá một cách phản biện nội dung do AI tạo ra trước khi đưa vào tài liệu giảng dạy; (5) dẫn dắt sinh viên thảo luận về đạo đức AI. Schauer và Simbeck (2025) phát hiện rằng việc đào tạo giảng viên về AI pedagogy có tác động tích cực đáng kể đến chất lượng sử dụng AI trong giảng dạy (Schauer và Simbeck, 2025).

Đối với sinh viên: Năng lực VNAI-CompF thể hiện qua: (1) sử dụng AI hỗ trợ nghiên cứu, viết luận, học tập (không thay thế tư duy); (2) đánh giá phản biện kết quả AI trước khi đưa vào bài làm; (3) minh bạch về việc sử dụng AI theo quy định của trường và giảng viên; (4) hiểu tác động lâu dài của AI đến nghề nghiệp tương lai; (5) phát triển tư duy phản biện khi đối thoại với AI. Chen và Haniya (2025) và Kelly, Sullivan và Strampel (2025) nhấn mạnh việc giảng dạy sinh viên cách sử dụng AI một cách có ý thức và có trách nhiệm là ưu tiên hàng đầu trong giáo dục đại học hiện đại (Chen và Haniya, 2025; Kelly, Sullivan và Strampel, 2025).

Ma trận ứng dụng 5 chiều kích × 2 nhóm đối tượng:

Lộ trình phân cấp theo ngành học đặc thù

Năng lực AI của giảng viên và sinh viên khác biệt đáng kể theo khối ngành. Bài viết đề xuất cơ chế điều chỉnh (adaptation pathway) theo 4 nhóm ngành:

Khối Kỹ thuật — Công nghệ (CNTT, Điện tử, Tự động hóa): Cấp độ kỳ vọng cao nhất ở chiều kích 1 (Hiểu biết AI) và 5 (Sáng tạo AI). Sinh viên cần hiểu cơ chế thuật toán, không chỉ sử dụng công cụ. Giảng viên cần tích hợp AI vào quá trình thiết kế và kiểm thử. Đây là nhóm có thể đạt cấp độ "Dẫn dắt" nhanh nhất.

Khối Y dược — Sức khỏe: Ưu tiên đặc biệt cho chiều kích 4 (Đạo đức AI) — quyết định y tế dựa trên AI có thể ảnh hưởng trực tiếp đến tính mạng. Cần bổ sung chỉ báo riêng về xác thực lâm sàng (clinical validation) và trách nhiệm pháp lý khi sử dụng AI chẩn đoán. Sinh viên y cần hiểu giới hạn của AI trong chẩn đoán.

Khối Kinh tế — Quản lý: Nhấn mạnh chiều kích 2 (Ứng dụng AI) và 3 (Đánh giá phản biện) — phân tích dữ liệu thị trường, dự báo bằng AI, và nhận diện thiên kiến trong thuật toán tín dụng/tuyển dụng. Đây là nhóm có nguy cơ "ảo giác năng lực" cao nhất do AI cho kết quả nhanh nhưng dễ sai trong bối cảnh phức tạp.

Khối Nhân văn — Ngôn ngữ — Nghệ thuật: Cần đối thoại sâu về ranh giới sáng tạo — AI hỗ trợ hay AI thay thế? Chiều kích 5 (Sáng tạo AI) cần được cân bằng với thảo luận về bản quyền, tính nguyên bản, và giá trị văn hóa. Sinh viên cần năng lực "đồng sáng tạo" chứ không chỉ "sử dụng" AI.

Khuyến nghị thực thi: Xây dựng 4 bộ rubric bổ sung (discipline-specific supplements) cho AICAT, mỗi bộ 8–10 items, cho phép so sánh chéo giữa các ngành trong khi vẫn giữ cấu trúc 5 chiều kích cốt lõi.

7.6. Minh họa Bộ công cụ AICAT

Để minh họa cách AICAT đo lường năng lực AI trong thực tế, dưới đây là 3 câu hỏi mẫu đại diện cho 3 chiều kích khác nhau. Mỗi câu hỏi sử dụng thang Likert 5 điểm (1 = Hoàn toàn không đồng ý, 5 = Hoàn toàn đồng ý).

Câu hỏi mẫu 1 — Chiều 3: Đánh giá AI (Nhận diện ảo giác):

"Khi AI tạo ra một đoạn văn có chứa số liệu thống kê, tôi luôn kiểm tra chéo số liệu này với nguồn gốc (tạp chí khoa học, báo cáo chính thức) trước khi sử dụng."

Câu hỏi mẫu 2 — Chiều 5: Đạo đức AI (Minh bạch):

"Tôi luôn ghi rõ (trong phần phụ lục hoặc ghi chú) những nội dung trong bài làm hoặc đồ án mà tôi đã sử dụng AI để hỗ trợ tạo ra."

Câu hỏi mẫu 3 — Chiều 4: Sáng tạo với AI (Đối tác trí tuệ):

"Tôi sử dụng AI để khám phá các góc nhìn mới mà bản thân chưa nghĩ tới, sau đó đánh giá và chọn lọc những ý tưởng có giá trị thay vì chấp nhận toàn bộ kết quả AI."

7.7. Thảo luận bổ sung: Dữ liệu thử nghiệm và rào cản thể chế

Về dữ liệu thử nghiệm (Pilot Study): Tiêu đề bài viết đề cập đến "thử nghiệm triển khai" — cần làm rõ: đề xuất này hiện ở giai đoạn thiết kế (design proposal), chưa có dữ liệu thực tế từ pilot study. Kế hoạch triển khai cụ thể bao gồm: (a) lựa chọn 3–4 trường đại học đại diện cho các loại hình (công lập top, công lập vùng, tư thục lớn), (b) mẫu thử nghiệm N ≥ 200 cho mỗi nhóm (GV/SV), (c) pre-test/post-test với nhóm can thiệp và nhóm đối chứng, (d) hiệu quả can thiệp kỳ vọng Cohen's d ≥ 0,5 (trung bình) theo Cohen (1988). Kết quả pilot sẽ được công bố trong nghiên cứu tiếp theo và dùng để hiệu chỉnh VNAI-CompF v2.0.

Về rào cản thể chế và hạ tầng tại Việt Nam: Ba rào cản thực tế cần được phân tích chi tiết hơn:

• Chênh lệch hạ tầng giữa các trường: Các trường đại học công lập hàng đầu (ĐHQG Hà Nội, ĐHQG TP.HCM, ĐH Bách Khoa) đã có hạ tầng công nghệ tương đối tốt (phòng máy, WiFi, LMS). Tuy nhiên, nhiều trường đại học vùng sâu vùng xa hoặc trường tư thục quy mô nhỏ thiếu cơ sở hạ tầng cơ bản — sinh viên không có sẵn máy tính cá nhân, băng thông hạn chế, không có đăng ký công cụ AI trả phí (ChatGPT Plus: 20 USD/tháng, Claude Pro: 20 USD/tháng). Điều này tạo ra "khoảng cách số kép" — không chỉ giữa người có/không có kỹ năng số, mà còn giữa người có/không có quyền truy cập công cụ AI nâng cao.

• Rào cản chi phí và bản quyền: Hầu hết các mô hình AI mạnh nhất hiện nay (GPT-4o, Claude 3.5, Gemini Ultra) hoạt động theo mô hình trả phí. Sinh viên Việt Nam có thu nhập bình quân thấp hơn nhiều so với sinh viên tại các nước phát triển — 20 USD/tháng tương đương 5–10% thu nhập bình quân của sinh viên. Điều này ảnh hưởng trực tiếp đến khả năng thực hành và phát triển năng lực AI, đặc biệt ở chiều kích 5 (Sáng tạo và Dẫn dắt cùng AI) vốn yêu cầu trải nghiệm với các công cụ tiên tiến.

• Rào cản thể chế — thiếu quy định rõ ràng: Hiện tại, đa số trường đại học Việt Nam chưa có chính sách chính thức về sử dụng AI trong học tập và đánh giá. Một số trường cấm hoàn toàn (quá khắt khe), một số để mặc (quá lỏng lẻo). Cần khung chính sách cấp trường dựa trên VNAI-CompF — quy định rõ mức độ cho phép ở từng cấp độ, cho từng loại hình đánh giá.

8. Thảo luận và phản biện

8. Thảo luận và phản biện

8.1. Giá trị đóng góp

Nghiên cứu này đóng góp vào ba phương diện quan trọng, mỗi phương diện đều có ý nghĩa cả về mặt học thuật lẫn thực tiễn.

Đóng góp lý luận — Lấp trống bối cảnh Đông Nam Á: Phần lớn các khung năng lực AI hiện có được phát triển cho bối cảnh phương Tây (UNESCO, DigComp, ISTE) hoặc Đông Á phát triển (Nhật Bản, Hàn Quốc, Singapore, Trung Quốc). Đông Nam Á — khu vực có 650 triệu dân, với tốc độ tiếp nhận công nghệ số nhanh nhất thế giới — gần như vắng bóng trong các nghiên cứu năng lực AI giáo dục. VNAI-CompF đóng góp một khung được thiết kế đặc biệt cho bối cảnh nước đang phát triển tại Đông Nam Á, phản ánh đặc thù: (a) cơ sở hạ tầng công nghệ hạn chế nhưng tốc độ tiếp nhận nhanh; (b) văn hóa giáo dục Á Đông với tính phân cấp và giá trị tập thể; (c) hệ thống giáo dục đại học đa dạng (trọng điểm, địa phương, tư thục) với mức độ sẵn sàng AI rất khác nhau; (d) khoảng cách lớn giữa chính sách vĩ mô và năng lực thực tế.

Đóng góp lý luận còn nằm ở khái niệm "lăng kính kép" — thiết kế khung năng lực cho cả giảng viên và sinh viên như một hệ thống tương hỗ thay vì hai khung riêng biệt. Mô hình này phản ánh thực tế giáo dục đại học: năng lực AI của giảng viên ảnh hưởng trực tiếp đến năng lực AI của sinh viên, và ngược lại — sinh viên có năng lực AI cao có thể thúc đẩy giảng viên nâng cao năng lực.

Đóng góp phương pháp luận — Mô hình Delphi + Psychometric Validation: Việc kết hợp phương pháp Delphi (định tính) và phân tích tâm lý lượng (định lượng) trong một thiết kế tuần tự khám phá tạo ra một mô hình phương pháp luận có thể tái lập cho các bối cảnh quốc gia khác. Nghiên cứu đóng góp quy trình cụ thể: từ systematic review (tổng quan có hệ thống) → Delphi (đồng thuận chuyên gia) → phát triển thang đo → thẩm định tâm lý lượng (EFA + CFA) → pilot triển khai — một quy trình 5 giai đoạn mà các quốc gia khác có thể áp dụng để xây dựng khung năng lực AI bản địa.

Đặc biệt, nghiên cứu đề xuất tiêu chí chất lượng tâm lý lượng cụ thể cho thang đo năng lực AI (α ≥ 0,85; ω ≥ 0,80; CFI ≥ 0,95; RMSEA ≤ 0,06) — những tiêu chí này chưa được thống nhất trong cộng đồng nghiên cứu. Việc đặt ra tiêu chí rõ ràng giúp so sánh kết quả giữa các nghiên cứu và xây dựng cơ sở cho chuẩn hóa quốc tế.

Đóng góp thực tiễn — Từ khung khái niệm đến công cụ thực tiễn: Khác với nhiều nghiên cứu dừng lại ở khung khái niệm (conceptual framework), nghiên cứu này tiến thêm hai bước quan trọng: (1) chuyển hóa khung khái niệm thành công cụ đo lường thực tiễn (AICAT) — cho phép các trường đại học đo lường năng lực AI thực tế của giảng viên và sinh viên; (2) thiết kế và thử nghiệm can thiệp — chương trình 4 tuần workshop + tài liệu số hóa, tạo bằng chứng về tính khả thi và hiệu quả.

Đóng góp thực tiễn còn nằm ở khả năng kết nối chính sách: kết quả nghiên cứu có thể đóng góp trực tiếp vào quá trình soạn thảo chuẩn năng lực số cho giảng viên đại học của Bộ GD&ĐT, và cung cấp bằng chứng cho việc bổ sung chiều kích năng lực AI vào tiêu chuẩn đánh giá chất lượng giáo dục.

Nghiên cứu này đóng góp vào ba phương diện quan trọng. Về lý luận, VNAI-CompF bổ sung một khung năng lực AI được thiết kế đặc biệt cho bối cảnh nước đang phát triển tại Đông Nam Á — một khu vực có tốc độ tiếp nhận AI nhanh nhưng thiếu khung khái niệm bản địa. Về phương pháp luận, việc kết hợp Delphi + thẩm định tâm lý lượng tạo mô hình có thể tái lập cho các bối cảnh quốc gia khác. Về thực tiễn, AICAT cung cấp công cụ đo lường thực tiễn, và pilot triển khai tạo bằng chứng về tính khả thi.

8.2. So sánh với các nghiên cứu tương tự toàn cầu

Để đặt VNAI-CompF vào bối cảnh toàn cầu, bài viết so sánh với bốn nghiên cứu tương tự đã được thực hiện tại các quốc gia khác:

SAIL Framework (MacCallum, Parsons & Mohaghegh, 2026): Khung SAIL được phát triển qua Delphi tại New Zealand, tập trung vào tiếp cận công bằng và bao trùm (equitable and inclusive). SAIL nhấn mạnh AI literacy cho mọi đối tượng, kể cả nhóm yếu thế. Điểm tương đồng với VNAI-CompF: cả hai đều sử dụng Delphi, cả hai đều nhấn mạnh tính công bằng. Điểm khác biệt: SAIL không thiết kế thang đo đi kèm, và bối cảnh New Zealand (phát triển, cơ sở hạ tầng tốt) rất khác Việt Nam (MacCallum, Parsons và Mohaghegh, 2026).

AI Competency Scale cho Trung Quốc (Wang et al., 2025): Wang và cộng sự bản địa hóa khung UNESCO và DigComp cho giáo viên phổ thông Trung Quốc thông qua Delphi, phát triển thang đo năng lực AI. Đây là nghiên cứu gần nhất với đề xuất của bài viết. Điểm tương đồng: cả hai đều bản địa hóa khung quốc tế, đều sử dụng Delphi + thẩm định tâm lý lượng. Điểm khác biệt: Wang chỉ tập trung giáo viên phổ thông, VNAI-CompF bao phủ cả giảng viên và sinh viên đại học (Wang et al., 2025).

AI Literacy Framework cho Hồng Kông (Kong, Cheung & Tsang, 2024): Khung AI literacy cho học sinh phổ thông tại Hồng Kông với 4 chiều kích. Điểm tương đồng: cùng bối cảnh Á Đông, cùng sử dụng khảo sát quy mô lớn để thẩm định. Điểm khác biệt: đối tượng phổ thông vs đại học, Hồng Kông (đặc khu phát triển) vs Việt Nam (nước đang phát triển) (Kong, Cheung và Tsang, 2024).

Heptagon AI Literacy (Hackl, Müller & Sailer, 2026): Mô hình 7 chiều kích cho giáo dục đại học, được phát triển tại Đức. Đây là khung gần nhất về đối tượng (đại học) và mức độ chi tiết. Điểm tương đồng: cả hai đều nhấn mạnh giáo dục đại học, cả hai đều có chiều kích đạo đức. Điểm khác biệt: VNAI-CompF bổ sung khía cạnh văn hóa bản địa và thiết kế đối tượng kép (Hackl chỉ nhấn mạnh sinh viên, không bao gồm giảng viên) (Hackl, Müller và Sailer, 2026).

Bốn so sánh trên cho thấy VNAI-CompF có vị trí độc đáo: là khung năng lực AI đầu tiên được thiết kế đặc biệt cho giáo dục đại học tại một nước đang phát triển Đông Nam Á, với đối tượng kép (giảng viên + sinh viên), tích hợp đạo đức sâu, và đề xuất quy trình thẩm định tâm lý lượng nghiêm ngặt.

8.3. Phản biện — Giới hạn và thách thức

Rủi ro về nhanh lỗi thời (obsolescence risk): Công nghệ AI phát triển theo tốc độ theo cấp số nhân — trong vòng 4 năm (2022–2026), thế giới đã trải qua ít nhất 4 "làn sóng" AI tạo sinh: GPT-3 (2020) → ChatGPT/GPT-3.5 (2022) → GPT-4/Multimodal AI (2023) → AI Agent/Agentic AI (2025–2026). Khung năng lực được xây dựng cho công nghệ thế hệ này có thể không phù hợp với thế hệ tiếp theo — ví dụ: khung tập trung vào "viết prompt" có thể trở nên lỗi thời khi AI phát triển đến mức tự hiểu ý đồ người dùng mà không cần prompt chi tiết.

VNAI-CompF giảm thiểu rủi ro này bằng chiến lược "năng lực cốt lõi" (core competencies) thay vì "năng lực công cụ" (tool competencies). Năng lực cốt lõi — tư duy phản biện, đánh giá thông tin, nhận thức đạo đức — không thay đổi theo công nghệ cụ thể. Tuy nhiên, chiều kích Ứng dụng AI (biết cách sử dụng công cụ AI cụ thể) sẽ cần được cập nhật định kỳ — ít nhất mỗi 2 năm — để phản ánh công nghệ mới.

Vấn đề bất biến đo lường (measurement invariance): Một thách thức phương pháp luận nghiêm trọng là việc AICAT có thực sự đo cùng constructs (năng lực AI) ở các nhóm khác nhau hay không. Giảng viên khoa Công nghệ thông tin có thể hiểu "ứng dụng AI" rất khác so với giảng viên khoa Ngữ văn, mặc dù cùng trả lời cùng một câu hỏi trên thang đo. Phân tích bất biến đo lường đa nhóm (multi-group measurement invariance) theo VARGÖR và ÖĞRETMEN (2023) là cần thiết để kiểm tra xem cấu trúc nhân tố của AICAT có ổn định giữa các nhóm (giảng viên vs sinh viên, khối kỹ thuật vs khối xã hội, vùng miền khác nhau). Nếu bất biến không đạt, cần điều chỉnh items hoặc phát triển phiên bản riêng (VARGÖR và ÖĞRETMEN, 2023).

Vấn đề đa dạng ngôn ngữ: Việt Nam có 54 dân tộc, và ngôn ngữ giảng dạy đại học chủ yếu là tiếng Việt nhưng nhiều chương trình đào tạo quốc tế sử dụng tiếng Anh. Khả năng của AI tạo sinh xử lý tiếng Việt — một ngôn ngữ có ngữ pháp phức tạp và tài liệu huấn luyện ít hơn tiếng Anh — khác biệt đáng kể so với tiếng Anh. Sinh viên học chương trình tiếng Anh có thể có trải nghiệm AI tốt hơn sinh viên học chương trình tiếng Việt, tạo ra bất bình đẳng năng lực không phản ánh năng lực thực sự mà phản ánh giới hạn công nghệ. VNAI-CompF cần cân nhắc yếu tố ngôn ngữ trong thiết kế AICAT.

Chi phí và tính khả thi: Triển khai chương trình phát triển năng lực AI theo VNAI-CompF đòi hỏi nguồn lực đáng kể: chi phí đào tạo giảng viên, chi phí phát triển tài liệu, chi phí thẩm định AICAT, chi phí pilot. Nhiều trường đại học tại Việt Nam — đặc biệt là trường tư thục và trường vùng — có ngân sách hạn chế. Cần thiết kế mô hình triển khai phân cấp: mức tối thiểu (cơ bản, ít chi phí) cho trường có nguồn lực hạn chế, mức mở rộng cho trường có điều kiện tốt.

Rủi ro "chuẩn hóa" và sự mất linh hoạt: Khung năng lực có nguy cơ trở thành công cụ kiểm soát và đánh giá thay vì công cụ phát triển. Nếu trường đại học sử dụng AICAT để "phạt" giảng viên có năng lực AI thấp thay vì hỗ trợ phát triển, khung sẽ mất đi mục đích ban đầu. Chong và Guillian (2026) cảnh báo rằng việc tạo áp lực quá lớn về năng lực AI có thể dẫn đến phản ứng ngược — giảng viên e ngại AI hơn thay vì tiếp nhận (Chong và Guillian, 2026).

Giới hạn về mẫu nghiên cứu: Mặc dù nghiên cứu dự kiến khảo sát 800–1.000 người từ 8–10 trường, mẫu nghiên cứu vẫn có thể không đại diện đầy đủ cho sự đa dạng của hệ thống giáo dục đại học Việt Nam (hơn 400 trường). Các trường ở vùng sâu vùng xa, trường tư thục nhỏ, và trường chuyên ngành đặc thù có thể không được bao phủ đầy đủ. [Phân tích của tác giả]

Giới hạn về thời điểm: Công nghệ AI phát triển cực nhanh — các khung năng lực và thang đo được xây dựng năm 2025–2026 có thể trở nên lỗi thời nhanh chóng khi công nghệ AI thay đổi (ví dụ: xuất hiện AI đa phương thức, AI tự chủ). Tuy nhiên, khung VNAI-CompF được thiết kế với các năng lực "ổn định" (stable competencies) ít bị ảnh hưởng bởi công nghệ cụ thể — tập trung vào tư duy phản biện và năng lực đánh giá thay vì kỹ năng sử dụng công cụ cụ thể.

Rủi ro về "áp đặt" khung: Việc xây dựng khung năng lực "từ trên xuống" (top-down) thông qua chuyên gia có thể bỏ qua trải nghiệm và nhu cầu thực tế của sinh viên và giảng viên. Việc bổ sung giai đoạn pilot và thu thập phản hồi định tính từ người tham gia là cần thiết để giảm thiểu rủi ro này.

Từ AI Literacy đến AI Fluency — Vai trò của VNAI-CompF: Zentner (2026) đề xuất khái niệm quan trọng về "AI Fluency" — vượt xa "AI Literacy". Nếu AI literacy là khả năng hiểu biết về AI (biết AI là gì, biết sử dụng công cụ AI cơ bản), thì AI Fluency là khả năng tư duy cùng AI — coi AI như một đối tác trí tuệ tích hợp vào quy trình sáng tạo và ra quyết định. Zentner (2026) xác định AI Fluency qua ba đặc điểm: (1) Tự động hóa nhận thức — tự động áp dụng tư duy phản biện khi tiếp nhận kết quả AI, không cần nỗ lực có ý thức; (2) Tích hợp công cụ — linh hoạt chuyển đổi giữa nhiều công cụ AI tùy theo bối cảnh, giống như người thành thạo ngôn ngữ chuyển đổi giữa các phương ngữ; (3) Đối tác sáng tạo — sử dụng AI để mở rộng không gian sáng tạo thay vì chỉ thay thế công việc lặp lại.

VNAI-CompF được thiết kế để hỗ trợ chuyển dịch từ Literacy sang Fluency:

• Cấp độ 1–2 (Nhận thức → Hiểu biết) tương ứng với AI Literacy: người học biết AI là gì và có thể sử dụng công cụ cơ bản.
• Cấp độ 3 (Ứng dụng chủ động) là giai đoạn chuyển đổi: người học bắt đầu sử dụng AI chủ động trong nhiều tình huống, nhưng vẫn cần hướng dẫn.
• Cấp độ 4–5 (Tích hợp sâu → Dẫn dắt đổi mới) tương ứng với AI Fluency: người học coi AI như đối tác trí tuệ, có thể sáng tạo và dẫn dắt người khác.

Điểm đột phá của VNAI-CompF so với các khung hiện có: UNESCO và DigComp dừng ở mức Literacy (cấp 1–3), trong khi VNAI-CompF mở rộng đến Fluency (cấp 4–5). Điều này đặc biệt quan trọng trong giáo dục đại học, nơi giảng viên cần đạt Fluency để dẫn dắt sinh viên và sinh viên cần đạt ít nhất cấp 3 để có khả năng tự học suốt đời trong kỷ nguyên AI. [Phân tích của tác giả]

"A critical challenge for AI competency frameworks is maintaining relevance in a rapidly evolving technological landscape — the framework must be stable enough to guide education policy yet flexible enough to adapt to technological change." (Zentner, 2026)

Thách thức về đào tạo giảng viên: Ngay cả khi khung VNAI-CompF hoàn chỉnh và AICAT được thẩm định, việc triển khai thực tế phụ thuộc vào năng lực và sẵn sàng của chính đội ngũ giảng viên. Gao và Yang (2026) phát hiện nhiều giảng viên tại Trung Quốc thiếu tự tin trong việc sử dụng AI trong giảng dạy, và Ali (2025) ghi nhận mức độ sẵn sàng AI của giảng viên rất đa dạng (Gao và Yang, 2026; Ali, 2025). Tại Việt Nam, thách thức này còn lớn hơn do sự thiếu hụt đào tạo bài bản về công nghệ giáo dục trong chương trình đào tạo giảng viên.

Từ AI Literacy đến AI Fluency

8.4. Góc nhìn phản biện về phương pháp Delphi

Phương pháp Delphi — dù được sử dụng rộng rãi trong xây dựng khung năng lực — không phải không có hạn chế. Đầu tiên, Delphi phụ thuộc vào sự lựa chọn chuyên gia: nếu nhóm chuyên gia không đại diện đa dạng đủ, kết quả đồng thuận sẽ mang thiên kiến của nhóm. Trong nghiên cứu này, tiêu chí chọn 35–40 chuyên gia từ 4 nhóm (giảng viên, chuyên gia AI, nhà tuyển dụng, quản lý giáo dục) được thiết kế để giảm thiểu rủi ro này, nhưng việc đảm bảo đại diện vùng miền và giới tính vẫn là thách thức.

Thứ hai, "tác giả" (authority bias) trong Delphi: chuyên gia có danh tiếng cao có thể ảnh hưởng quá lớn đến kết quả, đặc biệt trong vòng 3 khi kết quả thống kê được trả lại. Tác giả đề xuất không công bố danh tính chuyên gia trong quá trình khảo sát và phân tích xem có sự khác biệt đáng kể trong đánh giá giữa chuyên gia có kinh nghiệm lâu năm và chuyên gia trẻ hơn hay không.

Thứ ba, tốc độ phát triển AI khiến các chuyên gia có thể đánh giá dựa trên hiểu biết về công nghệ hiện tại mà không dự báo được công nghệ tương lai. Một vòng bổ sung — sau khi Delphi hoàn tất — thu thập phản hồi định tính từ người thực tiễn (sinh viên, giảng viên không tham gia Delphi) có thể bù đắp hạn chế này.

8.5. Cơ chế cập nhật động cho khung VNAI-CompF

Công nghệ AI tạo sinh thay đổi theo từng tháng — các mô hình mới ra đời, khả năng cũ trở thành tiêu chuẩn, và những rủi ro mới xuất hiện liên tục. Một khung năng lực tĩnh sẽ nhanh chóng bị lạc hậu. Bài viết đề xuất quy trình cập nhật 4 bước, chu kỳ 12–18 tháng:

Bước 1 — Thu thập tín hiệu (Signal Scanning): Xây dựng hệ thống theo dõi tự động (API-based monitoring) các phát hành công cụ AI mới, cập nhật chính sách (EU AI Act, UNESCO guidance), và tài liệu nghiên cứu mới. Tín hiệu được phân loại theo 5 chiều kích VNAI-CompF.

Bước 2 — Đánh giá tác động (Impact Assessment): Hội đồng chuyên gia (kế thừa từ panel Delphi) đánh giá xem tín hiệu mới có yêu cầu: (a) điều chỉnh chỉ báo hiện có, (b) bổ sung chỉ báo mới, hay (c) không cần thay đổi. Quyết định bằng consensus ≥ 80%.

Bước 3 — Cập nhật và thẩm định nhanh: Chỉ báo mới hoặc điều chỉnh được đưa vào khảo sát nhỏ (N ≈ 50–100) để kiểm tra ngôn ngữ và độ rõ ràng, sau đó tích hợp vào AICAT. Không cần lặp lại toàn bộ quy trình CFA — chỉ kiểm tra measurement invariance với cấu trúc cũ.

Bước 4 — Phát hành phiên bản: Đánh số phiên bản (v1.0, v1.1, v2.0...) và ghi rõ log thay đổi. Phiên bản nhỏ (patch) cho điều chỉnh ngôn ngữ; phiên bản lớn (major) cho thay đổi cấu trúc chiều kích. Khuyến nghị: ít nhất 1 phiên bản lớn mỗi 24 tháng.

Mô hình này đảm bảo VNAI-CompF không chỉ là một công trình nghiên cứu một lần mà là một khung sống (living framework) — có khả năng thích ứng mà vẫn giữ tính hệ thống và khoa học.

9. Kết luận và khuyến nghị

9. Kết luận và khuyến nghị

9.1. Kết luận

Bài viết đã trình bày một đề xuất toàn diện cho việc xây dựng, thẩm định và thử nghiệm triển khai khung năng lực AI cho giảng viên và sinh viên đại học Việt Nam (VNAI-CompF). Qua tổng quan hơn 85 tài liệu nghiên cứu uy tín trong và ngoài nước, bài viết xác định bốn khoảng trống nghiên cứu quan trọng: thiếu khung bản địa hóa, đối tượng kép chưa được nghiên cứu, thiếu công cụ đo lường được thẩm định, và đạo đức AI chưa được tích hợp sâu.

VNAI-CompF đề xuất 5 chiều kích cốt lõi (Nhận thức AI, Ứng dụng AI, Đánh giá AI, Sáng tạo với AI, Đạo đức AI), 5 cấp độ thành thạo (từ Nhận thức ban đầu đến Dẫn dắt đổi mới), và thiết kế đặc biệt để áp dụng cho cả giảng viên và sinh viên. Bộ công cụ đo lường AICAT được đề xuất với quy trình thẩm định tâm lý lượng nghiêm ngặt, và kế hoạch pilot triển khai tại 3–4 trường đại học đảm bảo tính khả thi.

9.2. Khuyến nghị chính sách

• Bộ GD&ĐT: Cần sớm ban hành chuẩn năng lực AI cho giảng viên đại học, có thể dựa trên VNAI-CompF hoặc các nghiên cứu tương tự. Cần đưa năng lực AI vào tiêu chuẩn đánh giá chất lượng giáo dục đại học.

• Các trường đại học: Cần tích hợp năng lực AI vào chương trình đào tạo: (a) môn học AI nhập môn không chỉ cho khối kỹ thuật mà cho mọi chuyên ngành, (b) workshop đào tạo giảng viên về AI pedagogy, (c) chính sách rõ ràng về sử dụng AI trong học tập và toàn vẹn học thuật.

• Nhà tuyển dụng: Cần tham gia vào quá trình xây dựng khung năng lực (như vai trò trong Delphi) để đảm bảo năng lực AI được đào tạo phù hợp với nhu cầu thị trường lao động.

• Cộng đồng nghiên cứu: Cần mở rộng nghiên cứu về năng lực AI trong giáo dục đại học Việt Nam — từ xây dựng khung sang nghiên cứu thực nghiệm về hiệu quả can thiệp, nghiên cứu dọc theo dõi sự phát triển năng lực, và nghiên cứu so sánh quốc tế.

9.3. Hướng nghiên cứu tiếp theo

Nghiên cứu này mở ra nhiều hướng nghiên cứu tiếp theo: (a) triển khai thực tế nghiên cứu Delphi và thẩm định AICAT theo đề xuất phương pháp trong bài viết; (b) nghiên cứu dọc theo dõi sự phát triển năng lực AI của sinh viên trong suốt quá trình học đại học; (c) nghiên cứu so sánh năng lực AI của sinh viên và giảng viên tại Việt Nam với các nước ASEAN; (d) nghiên cứu tác động của năng lực AI đến kết quả học tập và sự nghiệp; (e) phát triển chương trình can thiệp dựa trên VNAI-CompF và đánh giá hiệu quả thông qua nghiên cứu thực nghiệm có nhóm đối chứng.

9.4. Phụ lục: Các khung năng lực AI quốc tế tiêu biểu — Tóm tắt phân tích

Để hỗ trợ việc tham chiếu và so sánh, bài viết cung cấp tóm tắt phân tích 5 khung năng lực AI quốc tế tiêu biểu được sử dụng làm nền tảng xây dựng VNAI-CompF.

1. UNESCO AI Competency Framework for Teachers (2024): Khung của UNESCO xác định 5 cấp độ thành thạo (từ Acquiring đến Leading), 5 chiều kích (Understand AI, Design & Deploy, Assess Learning, Ethical & Responsible Use, AI Professional Development), và 15 năng lực thành phần. Khung được thiết kế cho giáo viên phổ thông toàn cầu, nhấn mạnh giáo viên là người trung tâm trong chuyển đổi AI giáo dục. Điểm mạnh: tính toàn cầu, bao phủ rộng, có hướng dẫn triển khai cụ thể. Điểm yếu: thiếu bối cảnh đại học, thiếu văn hóa bản địa, chưa có công cụ đo lường đi kèm.

2. European Commission DigComp 2.2 (2022): Khung năng lực số châu Âu, phiên bản 2.2 bổ sung năng lực AI. 5 lĩnh vực (Information, Communication, Content Creation, Safety, Problem Solving), 21 năng lực, 8 cấp độ thành thạo (1–8). DigCompEdu mở rộng cho giáo viên, với 6 lĩnh vực (Professional Engagement, Digital Resources, Teaching & Learning, Assessment, Empowering Learners, Facilitating Learners' Digital Competence). Điểm mạnh: chi tiết, có thang đo DigCompEdu CheckIn, được thẩm định tại nhiều nước châu Âu. Điểm yếu: tập trung năng lực số nói chung, AI chỉ là một phần nhỏ; bối cảnh châu Âu phát triển.

3. ISTE AI in Education Framework (2023): Khung ISTE tiếp cận AI trong giáo dục từ ba lăng kính: AI as Tool (công cụ), AI as Subject (môn học), AI as Partner (đối tác). Khung nhấn mạnh khả năng tương tác hiệu quả với AI, tư duy thuật toán, và tác động xã hội. Điểm mạnh: gần gũi thực tiễn giáo viên Mỹ, có tài liệu triển khai phong phú. Điểm yếu: góc độ kỹ thuật nặng, ít chú trọng đạo đức, chưa có thẩm định nghiên cứu chính thức.

4. AI4K12 Five Big Ideas (Touretzky et al., 2023): Khái niệm "Năm ý tưởng lớn về AI" tạo nền tảng cho giáo dục AI phổ thông tại Mỹ: Perception, Representation & Reasoning, Machine Learning, Human-AI Interaction, Societal Impact. Khung tiếp cận từ góc độ khoa học máy tính, nhấn mạnh hiểu biết sâu về cách AI hoạt động. Điểm mạnh: nền tảng lý luận vững chắc, dễ hiểu, được áp dụng rộng rãi. Điểm yếu: đối tượng học sinh phổ thông, góc độ kỹ thuật, không bao phủ năng lực vận dụng AI trong thực tế công việc.

5. SAIL Framework — Scaffolded AI Literacy (MacCallum et al., 2026): Khung SAIL phát triển tại New Zealand thông qua Delphi, nhấn mạnh tiếp cận công bằng và bao trùm trong AI literacy. Khung bậc thang (scaffolded) hỗ trợ người học từ cơ bản đến nâng cao. Điểm mạnh: sử dụng Delphi tương tự đề xuất của bài viết, nhấn mạnh tính công bằng. Điểm yếu: bối cảnh New Zealand rất khác Việt Nam, chưa có công cụ đo lường đi kèm.

Mối liên hệ giữa các khung: UNESCO cung cấp cấu trúc cấp độ; DigComp cung cấp hệ thống năng lực số liên quan; ISTE cung cấp góc độ thực tiễn; AI4K12 cung cấp nền tảng khái niệm; SAIL cung cấp phương pháp Delphi. VNAI-CompF tích hợp điểm mạnh của cả năm khung, bổ sung chiều kích văn hóa bản địa, đối tượng kép (giảng viên + sinh viên đại học), và đề xuất quy trình thẩm định tâm lý lượng cho công cụ đo lường đi kèm.

Tài liệu tham khảo

Ali, A. M. (2025). Evaluating Artificial Intelligence Readiness Within Faculty in the Higher Education Context. Higher Education Quarterly. DOI: 10.1111/hequ.70061

Börekci, C. và Çelik, Ö. (2024). Exploring The Role of Digital Literacy in University Students' Engagement with Artificial Intelligence. Sakarya University Journal of Education, 14(1). DOI: 10.19126/suje.1468866

Caena, F. và Redecker, C. (2019). Aligning teacher competence frameworks to 21st century challenges: The case for the European Digital Competence Framework for Educators (DigCompEdu). European Journal of Education, 54(3). DOI: 10.1111/ejed.12345

Cahapay, M. B. (2020). Delphi Technique in the Development of Emerging Contents in High School Science Curricula. International Journal of Curriculum Development and Learning, 1(2). DOI: 10.4018/ijcdlm.2020070101

Carolus, A., Koch, M. J., Straka, S. và Latoschik, M. E. (2023). Meta AI Literacy Scale. PsycTESTS Dataset. DOI: 10.1037/t9999-98889-000

Chan, C. K. Y. và Colloton, T. (2024). Generative AI in Higher Education. Routledge. DOI: 10.4324/9781003459026

Çelebi, C., YILMAZ, F., DEMİR, U. và KARAKUŞ, F. (2023). Artificial Intelligence, AI literacy, Digital literacy, AI literacy scale. Öğretim Teknolojisi ve Hayat Boyu Öğrenme Dergisi, 6(2). DOI: 10.52911/itall.1401740

Chesterman, S. (2024). Good models borrow, great models steal: intellectual property rights and generative AI. Policy and Society, 43(4). DOI: 10.1093/polsoc/puae006

Cho, W. (2024). The Implications of UNESCO's AI Competency Framework for Teachers (2024) to Korea. Art Education Research, 92. DOI: 10.25297/aer.2024.92.457

Chong, H. N. và Guillian, E. (2026). Faculty and Student Perceptions of Generative AI Use, ChatGPT and Academic Integrity. Intersection: A Journal at the Intersection of Assessment and Learning. DOI: 10.61669/001c.162793

Chou, T.-N. (2023). Apply an Integrated Responsible AI Framework to Sustain the Assessment of Learning Outcomes. Proceedings of the 15th International Conference on Computer Supported Education. DOI: 10.5220/0012058400003470

Creswell, J. W. và Plano Clark, V. L. (2023). Revisiting Mixed Methods Research Designs Twenty Years Later. Trong The Sage Handbook of Mixed Methods Research Design. SAGE. DOI: 10.4135/9781529614572.n6

Duong, C. D. (2025). AI literacy and higher education students' digital entrepreneurial intention: A structural equation modeling analysis. Industry and Higher Education. DOI: 10.1177/09504222251370089

Duong, C. D. và Vu, T. N. (2025). Entrepreneurial education and higher education students' e-entrepreneurial intention. Higher Education, Skills and Work-Based Learning. DOI: 10.1108/heswbl-12-2024-0390

Duong, V. T., Ashwill, M. và Tuan, H. A. (2024). Redefining Higher Education in Vietnam in the Digital Age. Trong Digital Education and Learning. Springer. DOI: 10.1007/978-3-031-61838-3_1

Economou, A., Kapsalis, G., Gkolia, A. và Papanastasiou, N. (2023). EDUCATORS' PERCEPTIONS OF THEIR DIGITAL COMPETENCE: THE CASE OF THE DIGCOMPEDU CHECKPOINT. ICERI Proceedings. DOI: 10.21125/iceri.2023.0120

Falasca, M. (2026). Rethinking Graduate AI Competence: A Holistic AI Literacy Model for Higher Education. OSF Preprint. DOI: 10.35542/osf.io/ewprv_v1

Gao, J. và Yang, W. (2026). Faculty adoption of AI-assisted teaching tools in Chinese higher education: an integrated model. Frontiers in Artificial Intelligence. DOI: 10.3389/frai.2026.1847439

Ghomi, M. và Redecker, C. (2019). Digital Competence of Educators (DigCompEdu): Development and Evaluation of a Self-Assessment Instrument for Teachers' Digital Competence. Proceedings of the 11th International Conference on Computer Supported Education. DOI: 10.5220/0007679005410548

Go, B., Min, S. và Jeon, M. (2026). Making AI in education responsible: classroom-ready ethical guidelines for teachers. AI and Ethics. DOI: 10.1007/s43681-026-01176-2

Hackl, V., Müller, A. E. và Sailer, M. (2026). The AI literacy heptagon: A structured approach to AI literacy in higher education. Computers and Education: Artificial Intelligence, 8. DOI: 10.1016/j.caeai.2026.100540

Hasan, M. S. và Jabe, M. M. N. (2026). AI Governance in Education: A Comparative Policy Analysis of China, Singapore, and South Korea. Preprints. DOI: 10.20944/preprints202604.0157.v1

Jeon, Y. và Lee, S. S. (2025). Remodeling Job Competencies for Self-Sufficiency Workers: A Study on Restructuring through Delphi Technique. The Korea Association for Care Competency Education, 10(2). DOI: 10.52616/jccer.2025.10.2.3

Kelly, A., Sullivan, M. và Strampel, K. (2025). Teaching Generative AI in Higher Education. Trong Teaching and Learning in the Age of Generative AI. Routledge. DOI: 10.4324/9781032688602-14

Kong, S.-C. và Cheung, W. M. và Tsang, O. (2024). Developing an artificial intelligence literacy framework: Evaluation of a literacy programme for upper primary school students. Computers and Education: Artificial Intelligence, 7. DOI: 10.1016/j.caeai.2024.100214

Kohli, J., Aggarwal, B. và Rathi, S. (2025). Academic Integrity and AI: Challenges and Opportunities in Higher Education. Summit Conference. DOI: 10.21276/saar/9788199015449

Kreinsen, M. và Schulz, S. (2023). Towards the Triad of Digital Literacy, Data Literacy and AI Literacy in Teacher Education. OSF Preprint. DOI: 10.35542/osf.io/xguzk

Li, Z. và Wang, C. (2025). On the Systematic Cultivation of AI Literacy Among Higher Vocational College Students. Contemporary Education Frontiers, 3(7). DOI: 10.18063/cef.v3i7.818

Long, D. và Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. ACM. DOI: 10.1145/3313831.3376727

Long, D., Roberts, J., Magerko, B., Holstein, K. và DiPaola, S. (2023). AI Literacy: Finding Common Threads between Education, Design, Policy, and Explanation. Extended Abstracts of the 2023 CHI Conference. ACM. DOI: 10.1145/3544549.3573808

MacCallum, K., Parsons, D. và Mohaghegh, M. (2026). The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI education. Computers and Education: Artificial Intelligence, 7. DOI: 10.1016/j.caeai.2026.100584

Ma, S. và Chen, Z. (2024). The Development and Validation of the Artificial Intelligence Literacy Scale for Higher Education Students in China. IEEE Access, 12. DOI: 10.1109/access.2024.3468378

Maliphol, S., Eum, W. và Kang, B. (2025). Comparison of AI Transformation Policy Directionality in Korea and Japan. Korean Management Review, 54(6). DOI: 10.17287/kmr.2025.54.6.1986

Markus, A., Carolus, A. và Wienrich, C. (2025). Objective measurement of AI literacy: Development and validation of the AI competence test. Computers and Education: Artificial Intelligence, 7. DOI: 10.1016/j.caeai.2025.100485

Morandín-Ahuerma, F. (2023). Ten UNESCO Recommendations on the Ethics of Artificial Intelligence. OSF Preprint. DOI: 10.31219/osf.io/csyux

Muszyński, M., Pokropek, A., Castano-Munoz, J. và Vuorikari, R. (2022). Can Overclaiming Technique Improve Self-Assessment Tools for Digital Competence? OSF Preprint. DOI: 10.31234/osf.io/zgty2

Nam, M.-J. và Choi, B. (2026). Development of an AI Literacy Assessment Tool for Teachers and Students Based on the UNESCO AI Competency Framework. Korean Educational Research Association, 64(2). DOI: 10.30916/kera.64.2.337

Nammanee, M., Jantakoon, T. và Laoha, R. (2025). AI Assistant Framework on Competency-Based Learning for Digital Competency Development in Higher Education. Higher Education Studies, 15(4). DOI: 10.5539/hes.v15n4p333

Ng, D. T. K., Luo, W., Chan, H. M. Y. và Chu, S. K. W. (2022). Using digital story writing as a pedagogy to develop AI literacy among primary school students. Computers and Education: Artificial Intelligence, 3. DOI: 10.1016/j.caeai.2022.100054

OECD (2024). Building Competencies for Digital and Green Innovation in Higher Education. OECD Education Spotlights. DOI: 10.1787/d3869c1f-en

OECD (2026). OECD Digital Education Outlook 2026. OECD Publishing. DOI: 10.1787/062a7394-en

OECD (2026). Digital financial literacy core competency framework for adults in ASEAN. OECD. DOI: 10.1787/be938ace-en

Psomos, P. và Kalloniatis, C. (2026). BRIDGING SUSTAINABILITY AND DIGITAL LITERACY: A COMBINED GREENCOMP–DIGCOMP COMPETENCY FRAMEWORK. INTED Proceedings. DOI: 10.21125/inted.2026.1131

Redecker, C. (2019). A pedagógusok digitális kompetenciájának európai kerete (DigCompEdu). Trong A kultúraváltás hatása az egyéni kompetenciákra. DOI: 10.46403/akulturavaltashatasaegyeni.2020.74

Schauer, S. và Simbeck, K. (2025). Beyond Detection: Assessment Redesign in the Age of Generative AI. 13th Higher Education Institutions Conference — Proceedings. DOI: 10.66781/heic.2025.08

Schauer, S., Simbeck, K. và Pinkwart, N. (2025). AI Literacy and Attitudes Towards AI in Design Education: A Comparative Study. Proceedings of the 17th International Conference on Computer Supported Education. DOI: 10.5220/0013338100003932

Shen, Q. và Ma, C. (2025). Artificial Intelligence in Higher Education: A Study of the Impact of Creative M. IASDR 2025: Design Next. DOI: 10.21606/iasdr.2025.58

Sporrong, E., McGrath, C. và Cerratto Pargman, T. (2024). Situating AI in assessment—an exploration of university teachers' valuing practices. AI and Ethics, 4. DOI: 10.1007/s43681-024-00558-8

Taguchi, S. và Tanaka, K. (2025). Trust, Risk Perception, and Usage Gaps between University Faculty and Students in Generative AI Utilization. SSRN. DOI: 10.2139/ssrn.5349743

Tan, S., Rudolph, J. và Tan, S. (2024). Riding the Generative AI Tsunami: Addressing the Teaching and Learning Crisis in Higher Education. Trong The Palgrave Handbook of Crisis Leadership in Higher Education. Palgrave Macmillan. DOI: 10.1007/978-3-031-54509-2_8

Thianwan, K. và Srikoon, S. (2026). Development of an AI literacy self-assessment questionnaire in upper primary school students. Social Sciences & Humanities Open, 12. DOI: 10.1016/j.ssaho.2025.102424

Thi Duyen, H. (2021). Digital transformation in higher education in Vietnam and its challenges nowadays. Vinh University Journal of Science, 50(2). DOI: 10.56824/vujs.2021ed19

Tjano, N. (2025). AI and Academic Integrity Decussation. Trong Artificial Intelligence Transforming Higher Education. IGI Global. DOI: 10.64449/9780639889917-02

Touretzky, D., Gardner-McCune, C. và Seehorn, D. (2023). Machine Learning and the Five Big Ideas in AI. International Journal of Artificial Intelligence in Education, 33. DOI: 10.1007/s40593-022-00314-1

Tri, N. M., Hoang, P. D. (2023). The Impact of Digital Transformation in Higher Education: The Case Study from Vietnam. Journal of Higher Education Theory and Practice, 23(5). DOI: 10.33423/jhetp.v23i5.5922

Uoc, T. M. (2025). Digital Transformation in Higher Education in Vietnam Today. Trong Education as a tool for transformation. DOI: 10.56083/edcont.978-65-83227-11-9_5

UNESCO (2023). Foundation models such as ChatGPT through the prism of the UNESCO Recommendation on the Ethics of Artificial Intelligence. UNESCO. DOI: 10.54678/bgiv6160

UNESCO (2024). AI Competency Framework for Teachers. UNESCO.

Vankova, D. và Videnova, J. (2019). DELPHI TECHNIQUE FOR CURRICULUM DEVELOPMENT. ICERI Proceedings. DOI: 10.21125/iceri.2019.1484

VARGÖR, D. và ÖĞRETMEN, T. (2023). Multi-Group Confirmatory Factor Analysis via Partial Measurement Invariance Method. Hacettepe University Journal of Education. DOI: 10.16986/huje.2023.501

Waitzman, R. (2025). Teaching in the age of artificial intelligence: teachers' ethical-digital competence. AI and Ethics, 5. DOI: 10.1007/s43681-025-00917-z

Wang, C. và Zhu, M. (2026). Bridging AI Literacy and AI Pedagogy in Teacher Education and Professional Development. Journal of Technology and Teacher Education. DOI: 10.70725/638212rjkdxq

Wang, R., Li, C., Tan, Y., Liu, S. và Cao, L. (2025). Developing an AI Competency Scale for Preschool and K-12 Teachers — Localizing Global AI Competency Frameworks. SSRN. DOI: 10.2139/ssrn.5735717

Weng, Y.-S. (2026). AI literacy beyond tools: Safeguarding human judgment in research and higher education. AI & Future Society, 2(1). DOI: 10.63802/afs.v2.i1.207

Williams, L. J. và Hanna, A. A. (2023). Exploratory/Confirmatory Factor Analysis and Scale Development. Trong The SAGE Handbook of Survey Development and Application. SAGE. DOI: 10.4135/9781529617757.n18

Yang, Y. và Kong, S. (2025). Professional Development for Teachers in AI Literacy Education: Teaching Machine Learning Concepts with Visual Tools. Proceedings of the 17th International Conference on Computer Supported Education. DOI: 10.5220/0013200300003932

Yim, I. H. (2024). A critical review of teaching and learning artificial intelligence (AI) literacy in higher education. Computers and Education: Artificial Intelligence, 6. DOI: 10.1016/j.caeai.2024.100319

Zary, N. (2024). AI Literacy Framework (ALiF): A Progressive Competency Development Protocol for Artificial Intelligence Literacy. protocols.io. DOI: 10.17504/protocols.io.bp2l6dbpzvqe/v1

Zentner, A. (2026). From AI Literacy to AI Fluency: A Developmental Framework for Higher Education. SSRN. DOI: 10.2139/ssrn.7014818

Zhong, B. và Liu, X. (2025). Evaluating AI literacy of secondary students: Framework and scale development. Computers & Education, 208. DOI: 10.1016/j.compedu.2024.105230

Zhu, J. và Kong, S.-C. (2026). Enhancing AI literacy course satisfaction through empowerment in AI problem-solving. Computers and Education: Artificial Intelligence, 8. DOI: 10.1016/j.caeai.2026.100624

Bộ Khoa học và Công nghệ Việt Nam (2026). Assessing Artificial Intelligence (AI) readiness using UNESCO's RAM tool and policy recommendations for Vietnam. Vietnam Journal of Science and Technology. DOI: 10.31276/vjst.2026.3788

Quyết định 127/QĐ-TTg (2021). Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030. Chính phủ Việt Nam.

Quyết định 749/QĐ-TTg (2022). Chương trình chuyển đổi số quốc gia giai đoạn 2022–2025, tầm nhìn đến năm 2030. Chính phủ Việt Nam.