Kỹ năng số cho sinh viên và giảng viên trong mô hình CDIM

Phần 1: Giới thiệu — bối cảnh, khái niệm và các bên liên quan

1.1. Bối cảnh chuyển đổi số giáo dục đại học

Thế kỷ hai mươi mốt chứng kiến sự biến đổi sâu sắc trong cách thức con người học, làm việc và phát triển sự nghiệp. Cuộc cách mạng công nghiệp lần thứ tư (Industry 4.0) vừa tái định hình các ngành sản xuất, vừa phá vỡ và xây dựng lại toàn bộ hệ sinh thái giáo dục đại học. Trí tuệ nhân tạo (AI), phân tích dữ liệu lớn (big data analytics), điện toán đám mây (cloud computing) và Internet vạn vật (IoT) đã trở thành những công nghệ nền tảng, thúc đẩy các trường đại học trên toàn thế giới phải tái cấu trúc chương trình đào tạo, phương pháp giảng dạy và mô hình quản trị. Ở phạm vi đó, mô hình CDIM — Career Development Integrated Training Model (Mô hình Đào tạo Tích hợp Phát triển Nghề nghiệp) nổi lên như một cách tiếp cận kết nối trực tiếp việc học tập với phát triển nghề nghiệp thông qua việc tích hợp các kỹ năng số vào mọi giai đoạn trải nghiệm đại học.

Tại Việt Nam, chuyển đổi số trong giáo dục đại học đang diễn ra với tốc độ và quy mô chưa từng có. Quyết định số 131/QĐ-TTg ngày 11 tháng 1 năm 2022 của Thủ tướng Chính phủ phê duyệt "Chương trình chuyển đổi số ngành giáo dục đến năm 2025, định hướng đến năm 2030" với mục tiêu xây dựng hệ sinh thái giáo dục số toàn diện, bao gồm quản trị nhà trường, giảng dạy, học tập và đánh giá (Nguyễn Thị Thu Hằng và cộng sự, 2024). Theo phân tích của Nguyễn (2023) về tác động chuyển đổi số đối với giáo dục đại học tại Việt Nam, các trường đang đối mặt với áp lực kép: vừa phải nâng cao năng lực số cho giảng viên và sinh viên, vừa phải thiết kế chương trình đào tạo đáp ứng nhu cầu thị trường lao động đang thay đổi liên tục.

Thách thức lớn nhất không nằm ở hạ tầng công nghệ mà ở năng lực con người. Các nghiên cứu toàn cầu chỉ ra rằng nhiều sinh viên đại học dù sử dụng mạng xã hội và thiết bị thông minh hàng ngày vẫn thiếu hụt nghiêm trọng các kỹ năng số cần thiết cho học tập và phát triển nghề nghiệp (Ghadaa Awad và cộng sự, 2023). Tương tự, giảng viên dù có chuyên môn vững vàng thường gặp khó khăn khi phải tích hợp công nghệ vào phương pháp sư phạm và hướng dẫn phát triển nghề nghiệp cho sinh viên theo hướng số hóa. Khoảng cách giữa "người dùng công nghệ thông thường" và "công dân số có năng lực" chính là vấn đề cốt lõi mà mô hình CDIM cần giải quyết.

1.2. Career Development Integrated Training Model (CDIM) — khái niệm và đặc trưng

Career Development Integrated Training Model (Mô hình Đào tạo Tích hợp Phát triển Nghề nghiệp — CDIM) là một khuôn mẫu giáo dục kết hợp ba trụ cột: (i) phát triển nghề nghiệp cá nhân (career development), (ii) đào tạo kỹ năng số (digital skills training), và (iii) tích hợp trải nghiệm thực tiễn (integrated experiential learning) thành một hệ thống liên tục và gắn kết trong suốt quá trình học đại học.

Khác với các mô hình tư vấn hướng nghiệp truyền thống thường hoạt động dưới dạng phiên tư vấn rời rạc, CDIM tích hợp phát triển nghề nghiệp vào mọi học phần và hoạt động ngoại khóa. Theo nghiên cứu về hệ thống phát triển nghề nghiệp và hướng nghiệp cho sinh viên đại học tại Trung Quốc (Li và cộng sự, 2023), các mô hình tích hợp cho phép sinh viên xây dựng năng lực nghề nghiệp ngay trong quá trình học tập, thay vì chờ đến giai đoạn cuối khóa học mới bắt đầu tìm kiếm việc làm. CDIM mở rộng cách tiếp cận này bằng cách đặt kỹ năng số làm yếu tố xuyên suốt, đảm bảo mọi năng lực phát triển nghề nghiệp đều được tăng cường bởi khả năng sử dụng công nghệ.

Các đặc trưng chính của mô hình CDIM bao gồm:

(a) Tính liên tục (Continuity): Phát triển nghề nghiệp không phải là sự kiện một lần (workshop cuối khóa) mà là quá trình xuyên suốt từ năm nhất đến năm cuối, với mỗi giai đoạn có trọng tâm kỹ năng số phù hợp. Sinh viên năm nhất xây dựng nền tảng nhận thức số và tự nhận thức nghề nghiệp; sinh viên năm hai và năm ba phát triển kỹ năng chuyên môn số và kinh nghiệm thực tế; sinh viên năm cuối tinh chỉnh năng lực ứng dụng số vào môi trường làm việc thực tế.

(b) Tính tích hợp (Integration): Mô hình CDIM không coi kỹ năng số là một môn học riêng biệt mà lồng ghép vào tất cả các môn chuyên ngành. Nghĩa là, một sinh viên ngành kinh tế vừa học tin học văn phòng, vừa học cách sử dụng AI để phân tích dữ liệu tài chính, cách xây dựng e-portfolio nghề nghiệp, cách sử dụng nền tảng số để tìm kiếm cơ hội thực tập và việc làm (Hảo và cộng sự, 2023).

(c) Tính liên kết (Connection): CDIM thiết lập mạng lưới liên kết chặt chẽ giữa sinh viên, giảng viên, nhà tuyển dụng, trung tâm hỗ trợ sinh viên và các đối tác doanh nghiệp thông qua các nền tảng số chung. Theo mô hình khung năng lực toàn cầu của de Pablos và Tondeur (2018), khả năng làm việc trong môi trường số đa bên liên quan là năng lực cốt lõi của công dân thế kỷ hai mươi mốt.

(d) Tính cá nhân hóa (Personalization): Mô hình CDIM sử dụng dữ liệu học tập (learning analytics) và AI để theo dõi tiến trình phát triển kỹ năng của từng sinh viên, đề xuất lộ trình học tập phù hợp với mục tiêu nghề nghiệp cá nhân. Cách tiếp cận này tương thích với xu hướng giáo dục dựa trên năng lực (Competency-Based Education — CBE) đang được triển khai rộng rãi (Garcia và Mende, 2020).

[Phân tích của tác giả — CDIM không phải là một khuôn mẫu được công bố dưới tên chính thức trong tài liệu quốc tế, mà là một cách tiếp cận được xây dựng từ sự tổng hợp của nhiều lý thuyết và mô hình đã được kiểm chứng: OBE/CBE, WIL, DigComp/DigCompEdu, và career development frameworks. Bài viết này xây dựng khung CDIM dựa trên nền tảng nghiên cứu phong phú về từng thành phần cấu thành.]

1.3. Các bên liên quan trong mô hình CDIM

Mô hình CDIM liên quan đến nhiều nhóm đối tượng, mỗi nhóm có nhu cầu kỹ năng số khác nhau. Theo nghiên cứu về tác động của các bên liên quan đến thiết kế chương trình đào tạo (Abdallah và Al-Mutairi, 2021), sự tham gia đa bên (multi-stakeholder engagement) là yếu tố quyết định chất lượng và tính thực tiễn của bất kỳ mô hình giáo dục nào. Trong CDIM, các bên liên quan chính bao gồm:

(1) Sinh viên (Students): Là trung tâm của mô hình, sinh viên cần nắm vững kỹ năng số để tự chủ học tập, nghiên cứu, xây dựng thương hiệu cá nhân nghề nghiệp và chuyển đổi thành công từ môi trường học thuật sang môi trường làm việc. Theo nghiên cứu về mối liên hệ giữa năng lực tự học, học phát triển nghề nghiệp và kỹ năng có thể nghề nghiệp của sinh viên (Chen và cộng sự, 2024), sinh viên có năng lực tự điều chỉnh học tập trong môi trường số đạt kết quả phát triển nghề nghiệp tốt hơn đáng kể.

(2) Giảng viên (Faculty): Giảng viên trong mô hình CDIM vừa truyền đạt kiến thức chuyên ngành, vừa đóng vai trò người hướng dẫn nghề nghiệp (career mentor) trong môi trường số. Họ cần năng lực sư phạm số, khả năng tích hợp công nghệ vào giảng dạy, và kỹ năng tư vấn nghề nghiệp số. Khung DigCompEdu (Cabero-Almenara và cộng sự, 2019) xác định sáu lĩnh vực năng lực số cho giáo viên: thông tin chuyên môn số, giao tiếp và cộng tác số, tạo nội dung số, an toàn và bảo vệ số, giải quyết vấn đề số, và đánh giá học tập số.

(3) Cán bộ quản lý trường (University Administrators): Ban giám hiệu, trưởng phòng đào tạo, cán bộ phòng công tác sinh viên cần năng lực quản trị số để thiết kế chính sách, xây dựng hạ tầng, và theo dõi hiệu quả triển khai mô hình CDIM. Theo nghiên cứu về phát triển năng lực số cho quản lý giáo dục đại học (OECD, 2024), nhà quản lý giáo dục cần khả năng đọc hiểu dữ liệu số để ra quyết định chiến lược.

(4) Doanh nghiệp và nhà tuyển dụng (Employers): Đối tác doanh nghiệp tham gia CDIM cần hiểu được kỳ vọng kỹ năng số của sinh viên, đồng thời có khả năng thiết kế trải nghiệm thực tập số và đánh giá năng lực ứng viên qua các nền tảng số. Theo nghiên cứu về quan đối tác trường-đại học-kinh doanh để phát triển kỹ năng mềm (Chen và cộng sự, 2025), doanh nghiệp muốn tham gia đào tạo nhưng thường thiếu nền tảng để cộng tác hiệu quả trong môi trường số.

(5) Cố vấn học tập và tư vấn nghề nghiệp (Career Counsellors): Nhóm chuyên trách hỗ trợ phát triển nghề nghiệp cần nắm vững các công cụ số để đánh giá năng lực sinh viên, tư vấn lộ trình nghề nghiệp, và kết nối sinh viên với cơ hội việc làm.

(6) Đối tác công nghệ và chuyên gia (Technology Partners): Các nhà cung cấp nền tảng giáo dục số, chuyên gia AI và dữ liệu đóng vai trò hỗ trợ kỹ thuật và tư vấn chuyên sâu.

1.4. Mục tiêu và phạm vi bài viết

Bài viết này nhằm ba mục tiêu chính:

Thứ nhất, xác định và phân tích các kỹ năng số cần thiết cho từng nhóm bên liên quan khi tham gia mô hình CDIM, dựa trên khung lý thuyết DigComp, DigCompEdu, AI Literacy Framework và các nghiên cứu về phát triển nghề nghiệp trong giáo dục đại học.

Thứ hai, đề xuất khung thiết kế khóa học nâng cao kỹ năng số cụ thể cho từng nhóm, bao gồm mô-đun nội dung, phương pháp giảng dạy, và tiêu chí đánh giá.

Thứ ba, khuyến nghị chính sách cho các cơ quan quản lý giáo dục và các trường đại học để triển khai hiệu quả mô hình CDIM trong quá trình chuyển đổi số.

Phạm vi bài viết tập trung vào giáo dục đại học, với tham chiếu đặc biệt đến bối cảnh Việt Nam nhưng cũng lồng ghép kinh nghiệm quốc tế để đảm bảo tính khái quát và tính ứng dụng.

Phần 2: Khung lý thuyết — năng lực số trong giáo dục phát triển nghề nghiệp

2.1. Khung DigComp 2.2 — nền tảng năng lực số cho công dân

Khung năng lực số cho công dân châu Âu (Digital Competence Framework for Citizens — DigComp), do Ủy ban châu Âu phát triển, hiện đã ra phiên bản 2.2 với năm lĩnh vực năng lực và 21 năng lực cụ thể. DigComp cung cấp nền tảng lý thuyết vững chắc cho việc xác định những kỹ năng số mà sinh viên cần trang bị khi tham gia mô hình CDIM.

Năm lĩnh vực của DigComp bao gồm: (1) Thông tin và dữ liệu số (Information and data literacy) — khả năng tìm kiếm, đánh giá và quản lý thông tin; (2) Giao tiếp và hợp tác số (Communication and collaboration) — khả năng tương tác, chia sẻ và tham gia cộng đồng trực tuyến; (3) Tạo nội dung số (Digital content creation) — khả năng phát triển và tích hợp nội dung số; (4) An toàn và bảo vệ số (Safety) — khả năng bảo vệ thiết bị, dữ liệu cá nhân và sức khỏe trong môi trường số; (5) Giải quyết vấn đề số (Problem solving) — khả năng xác định nhu cầu công nghệ và sử dụng công nghệ để giải quyết vấn đề.

Nghiên cứu đánh giá năng lực số theo DigComp 2.1 tại giáo dục đại học Uganda (Turyahabwe và cộng sự, 2023) cho thấy sinh viên có mức độ năng lực khác biệt đáng kể giữa các lĩnh vực: năng lực giao tiếp và giải trí số thường cao hơn, nhưng năng lực đánh giá thông tin và tạo nội dung số lại thấp hơn. Khoảng cách này đặc biệt rõ ở sinh viên năm nhất, cho thấy cần có lộ trình đào tạo từ cơ bản đến nâng cao. Tương tự, nghiên cứu so sánh năng lực số giữa các nhóm sinh viên đại học (Bali và Wibowo, 2026) sử dụng DigComp 2.1 cho thấy năm học và chuyên ngành ảnh hưởng đáng kể đến mức độ năng lực số, củng cố luận điểm rằng mô hình CDIM cần cá nhân hóa lộ trình đào tạo theo đặc thù từng nhóm sinh viên.

Trong phát triển nghề nghiệp, DigComp vừa là khung kỹ năng, vừa là nền tảng cho khả năng tự học suốt đời. Theo phân tích về triển khai DigComp trong giáo dục (Calderón-Garrido và Garaizar, 2024), DigComp ngày càng được sử dụng như một công cụ đánh giá và phát triển năng lực số cho người trưởng thành trong quá trình chuyển đổi nghề nghiệp. Điều này hoàn toàn phù hợp với mục tiêu của CDIM — trang bị cho sinh viên năng lực số phục vụ cả việc học tập hiện tại và phát triển nghề nghiệp tương lai.

2.2. Khung DigCompEdu — năng lực số cho giáo viên

Nếu DigComp hướng tới công dân nói chung, khung DigCompEdu (Digital Competence Framework for Educators) được thiết kế riêng cho giáo viên với sáu lĩnh vực năng lực và 22 năng lực cụ thể. Trong mô hình CDIM, DigCompEdu là công cụ định hướng phát triển kỹ năng số cho giảng viên — những người vừa phải giảng dạy kiến thức chuyên ngành vừa phải hướng dẫn phát triển nghề nghiệp cho sinh viên.

Sáu lĩnh vực của DigCompEdu bao gồm: (A) Thông tin và dữ liệu chuyên môn số; (B) Giao tiếp và cộng tác số với học sinh; (C) Tạo nội dung số; (D) An toàn và bảo vệ số; (E) Giải quyết vấn đề số; và (F) Đánh giá học tập số. Mỗi lĩnh vực có các mức độ phát triển từ A1 (Tân sinh) đến C2 (Bậc thầy), cho phép giảng viên tự đánh giá và xây dựng lộ trình phát triển cá nhân.

Nghiên cứu của Cabero-Almenara và cộng sự (2019) về phát triển và đánh giá công cụ đo lường năng lực số giáo viên theo DigCompEdu cho thấy khung này có độ tin cậy cao trong việc phân loại năng lực sư phạm số. Nghiên cứu tại Trung Quốc về phát triển năng lực số cho giáo viên đại học (Wang và cộng sự, 2025) sử dụng khung DigCompEdu cho thấy giảng viên có ba nhu cầu phát triển chủ yếu: (i) tích hợp công nghệ vào phương pháp đánh giá, (ii) sử dụng dữ liệu học tập để cá nhân hóa giáo dục, và (iii) phát triển nội dung số tương tác.

Nghiên cứu về năng lực số giáo viên theo khung châu Âu tại Thổ Nhĩ Kỳ (Yildiz-Durak và Akbulut, 2024) cung cấp bằng chứng thêm rằng DigCompEdu có thể áp dụng xuyên văn hóa, kể cả ở các quốc gia ngoài EU. Điều này quan trọng cho bối cảnh Việt Nam — một quốc gia châu Á đang tích cực hội nhập nhưng có hệ thống giáo dục đại học với đặc thù riêng.

Trong mô hình CDIM, khung DigCompEdu cần được bổ sung thêm yếu tố "hướng dẫn nghề nghiệp số" — khả năng giảng viên sử dụng công nghệ để tư vấn, hướng dẫn và kết nối sinh viên với cơ hội nghề nghiệp. Đây là điểm khác biệt giữa giảng viên trong mô hình truyền thống và giảng viên trong mô hình CDIM.

2.3. Khung năng lực AI (AI Literacy Framework)

Sự phát triển nhanh chóng của AI, đặc biệt là AI tạo sinh (generative AI) kể từ năm 2022, đã tạo ra nhu cầu khẩn thiết về một khung năng lực AI riêng biệt. Nghiên cứu về phát triển từ năng lực AI đến năng lực thông thạo AI (Watson và cộng sự, 2026) đề xuất một khuôn mẫu phát triển năm cấp độ: Nhận biết (Awareness) — Hiểu biết (Understanding) — Ứng dụng (Application) — Tích hợp (Integration) — Sáng tạo (Creation). Khuôn mẫu này cho thấy năng lực AI không phải là có hay không mà là một phổ phát triển liên tục cần được đào tạo có hệ thống.

Nghiên cứu về chuyển từ năng lực truyền thông sang năng lực AI trong giáo dục đại học (Nguyen và cộng sự, 2026) đề xuất ba trụ cột cốt lõi: (i) nhận diện và đánh giá nội dung do AI tạo ra (AI-generated content), (ii) sử dụng AI như một công cụ học tập và tư duy, và (iii) hiểu các vấn đề đạo đức liên quan đến AI trong giáo dục. Nghiên cứu phát triển khung khái niệm về năng lực AI trong giáo dục đại học (Long và Magerko, 2024) xác định 17 năng lực cụ thể thuộc năm nhóm lớn: đánh giá AI, sử dụng AI, phát triển AI, quản lý AI và hiểu biết xã hội về AI.

Trong phát triển nghề nghiệp, năng lực AI trở thành yếu tố phân biệt giữa ứng viên có khả năng cạnh tranh và ứng viên bị bỏ lại phía sau. Nghiên cứu về năng lực AI và ý định khởi nghiệp số của sinh viên đại học (Rahman và cộng sự, 2025) cho thấy sinh viên có năng lực AI cao hơn có ý định khởi nghiệp số mạnh hơn, cho thấy năng lực AI tác động trực tiếp đến khát vọng và khả năng phát triển sự nghiệp.

2.4. Bloom's Digital Taxonomy — khuôn mẫu thiết kế học tập số

Thuyết phân loại mục tiêu giáo dục của Benjamin Bloom đã được mở rộng và thích ứng cho môi trường số thành Bloom's Digital Taxonomy. Nghiên cứu về tích hợp phân loại số của Bloom vào giáo dục giáo viên (García-Pérez và cộng sự, 2026) đề xuất một mô hình tích hợp nhận thức — số (Cognitive-Digital Integration Model) kết hợp các cấp độ nhận thức của Bloom (Nhớ, Hiểu, Áp dụng, Phân tích, Đánh giá, Sáng tạo) với các công cụ số tương ứng ở mỗi cấp độ.

Mở rộng của Bloom's Taxonomy, nghiên cứu của Churches (2022) đề xuất thêm cấp độ "Hợp tác" (Collaborate) vào tháp Bloom, phản ánh tầm quan trọng của kỹ năng hợp tác số trong thế kỷ hai mươi mốt. Mở rộng này đặc biệt phù hợp với mô hình CDIM — nơi hợp tác số giữa sinh viên, giảng viên và đối tác doanh nghiệp là yếu tố sống còn.

Mô hình phân loại số của Bloom cung cấp cho người thiết kế khóa học một công cụ cấu trúc mục tiêu học tập rõ ràng. Mỗi mô-đun đào tạo kỹ năng số trong CDIM có thể được thiết kế theo các cấp độ từ thấp (nhớ — ghi nhớ các khái niệm số) đến cao (sáng tạo — sử dụng công nghệ để tạo ra giải pháp mới cho vấn đề nghề nghiệp thực tế).

2.5. OBE/CBE — giáo dục dựa trên kết quả và năng lực

Outcome-Based Education (OBE) và Competency-Based Education (CBE) là hai cách tiếp cận giáo dục đặt người học vào trung tâm, tập trung vào kết quả học tập cụ thể thay vì quá trình giảng dạy. Nghiên cứu về chuyển đổi chương trình giáo dục dựa trên năng lực (Garcia và Mende, 2020) phân tích khái niệm về giáo dục dựa trên năng lực và cho thấy CBE tạo điều kiện cho việc cá nhân hóa lộ trình học, cho phép mỗi sinh viên phát triển theo tốc độ riêng và đạt được các năng lực cụ thể.

Trong phát triển nghề nghiệp, nghiên cứu về mô hình đào tạo dựa trên năng lực trong giáo dục nghề nghiệp kỹ thuật (Matsumoto, 2021) cho thấy CBE cho phép thiết kế các mô-đun đào tạo linh hoạt, phù hợp với nhu cầu thị trường lao động thay đổi nhanh chóng. Nghiên cứu về khung hướng dẫn nghề nghiệp trong giáo dục dựa trên năng lực (Lee, 2026) đề xuất một mô hình hướng dẫn nghề nghiệp tích hợp vào CBE, trong đó phát triển nghề nghiệp là một kết quả học tập (outcome) được thiết kế ngay từ đầu.

Mô hình CDIM kết hợp OBE/CBE với khung năng lực số (DigComp/DigCompEdu) và khung phát triển nghề nghiệp để tạo ra một hệ thống đào tạo: (i) xác định rõ kết quả học tập số cần đạt cho từng bên liên quan, (ii) thiết kế hoạt động học tập phù hợp, và (iii) đánh giá năng lực dựa trên bằng chứng thực tế.

2.6. Khung thiết kế tổng thể cho mô hình CDIM

Từ việc tổng hợp các khung lý thuyết trên, [Phân tích của tác giả — bài viết này đề xuất khung CDIM bao gồm ba chiều:]

Chiều năng lực (Competence Dimension): Bao gồm năng lực số thông tin, năng lực giao tiếp số, năng lực tạo nội dung số, năng lực an toàn số, năng lực giải quyết vấn đề số, và năng lực AI — được xây dựng dựa trên DigComp 2.2 và AI Literacy Framework.

Chiều bên liên quan (Stakeholder Dimension): Bao gồm sinh viên, giảng viên, cán bộ quản lý, doanh nghiệp, cố vấn nghề nghiệp và đối tác công nghệ — mỗi bên có năng lực năng lực khác nhau.

Chiều phát triển nghề nghiệp (Career Development Dimension): Bao gồm tự nhận thức nghề nghiệp, khám phá nghề nghiệp, xây dựng năng lực nghề nghiệp, trải nghiệm thực tiễn và chuyển đổi nghề nghiệp — tương thích với khung phát triển nghề nghiệp của Career Development Institute (CDI) (Kim và cộng sự, 2021).

Ba chiều này giao thoa tạo ra ma trận năng lực — cơ sở để thiết kế khóa học cụ thể cho từng nhóm bên liên quan, trình bày chi tiết ở Phần 3–5 và Phần 6 (khuyến nghị thiết kế khóa học).

Phần 3: Kỹ năng số cần thiết cho sinh viên trong mô hình CDIM

Sinh viên là trung tâm của mô hình CDIM. Đối với sinh viên, kỹ năng số không chỉ là công cụ hỗ trợ học tập mà là năng lực cốt lõi quyết định khả năng phát triển nghề nghiệp trong thời đại số. Phần này phân tích chi tiết sáu nhóm kỹ năng số sinh viên cần trang bị, dựa trên khung DigComp, nghiên cứu về năng lực có thể nghề nghiệp (employability), và các khung phát triển nghề nghiệp trong giáo dục đại học.

3.1. Kỹ năng thông tin và dữ liệu số (Digital Information and Data Literacy)

Kỹ năng thông tin số là khả năng tìm kiếm, đánh giá, quản lý và sử dụng thông tin một cách có trách nhiệm trong môi trường số. Đây là nhóm kỹ năng nền tảng, ảnh hưởng đến mọi hoạt động học tập và phát triển nghề nghiệp khác.

(a) Tìm kiếm thông tin chiến lược: Sinh viên trong mô hình CDIM cần vượt xa việc "Google search" đơn giản để đạt đến khả năng tìm kiếm thông tin chuyên sâu. Điều này bao gồm sử dụng cơ sở dữ liệu học thuật (Google Scholar, Scopus, Web of Science), khai thác thư viện số, và sử dụng các công cụ AI hỗ trợ tìm kiếm. Nghiên cứu về năng lực sử dụng công cụ xác minh dữ liệu như công cụ giáo dục truyền thông (Koltay, 2020) cho thấy sinh viên có khả năng tìm kiếm thông tin nhưng lại thiếu kỹ năng đánh giá độ tin cậy của nguồn. Trong giai đoạn phát triển nghề nghiệp, kỹ năng tìm kiếm thông tin chiến lược bao gồm cả việc tìm hiểu doanh nghiệp, ngành nghề và xu hướng thị trường lao động thông qua nền tảng số.

(b) Đánh giá thông tin số: Kỹ năng đánh giá thông tin số bao gồm xác định độ tin cậy, độ chính xác, tính khách quan và tính cập nhật của thông tin. Nghiên cứu về điều hướng bối cảnh học thuật (Goh, 2024) cho thấy sinh viên đại học thường gặp khó khăn khi phải đánh giá chất lượng thông tin, đặc biệt khi đối mặt với nội dung do AI tạo ra. Trong mô hình CDIM, sinh viên cần khả năng phân biệt giữa thông tin có giá trị nghề nghiệp và thông tin rác, giữa nguồn chuyên môn và nguồn phi chuyên môn.

(c) Quản lý dữ liệu cá nhân: Trong thời đại số, dữ liệu cá nhân là một tài sản nghề nghiệp quan trọng. Sinh viên cần biết cách tổ chức, lưu trữ và bảo vệ dữ liệu học tập, dự án, và portfolio nghề nghiệp. Kỹ năng quản lý dữ liệu cá nhân bao gồm sử dụng cloud storage, tạo hệ thống phân loại thông tin, và hiểu các vấn đề bảo mật dữ liệu.

Khuyến nghị đào tạo: Mô-đun "Thông tin và Dữ liệu Số" nên được đặt ở học kỳ đầu tiên, kết hợp lý thuyết và thực hành. Sinh viên cần hoàn thành ít nhất ba bài tập thực tế: (1) tìm kiếm và đánh giá thông tin về một ngành nghề, (2) xây dựng hệ thống quản lý thông tin cá nhân trên nền tảng số, và (3) phân tích một trường hợp tin giả liên quan đến nghề nghiệp.

3.2. Kỹ năng trí tuệ số: năng lực AI và dữ liệu (Digital Intelligence: AI and Data Literacy)

Kỹ năng trí tuệ số vượt ra ngoài khả năng sử dụng công cụ — bao gồm năng lực hiểu, sử dụng, đánh giá và sáng tạo với công nghệ AI và dữ liệu.

(a) Năng lực AI cơ bản: Nghiên cứu về phát triển khung khái niệm năng lực AI trong giáo dục đại học (Long và Magerko, 2024) xác định năm nhóm năng lực: (i) đánh giá ứng dụng AI, (ii) sử dụng công cụ AI, (iii) phát triển ứng dụng AI, (iv) quản lý hệ thống AI, và (v) hiểu biết xã hội về AI. Đối với hầu hết sinh viên trong mô hình CDIM, năng lực nhóm (i) và (ii) là bắt buộc: biết cách sử dụng AI tạo sinh (ChatGPT, Claude, Midjourney) một cách hiệu quả và có trách nhiệm, biết cách đánh giá đầu ra của AI, và hiểu giới hạn của AI.

(b) Năng lực hiểu biết xã hội về AI: Khía cạnh này thường bị bỏ quên nhưng vô cùng quan trọng cho phát triển nghề nghiệp. Sinh viên cần hiểu tác động của AI đến thị trường lao động — những công việc nào sẽ bị thay thế, những kỹ năng nào sẽ tăng giá trị, và làm thế nào để phát triển sự nghiệp ở thời điểm AI. Nghiên cứu về chuyển từ năng lực truyền thông sang năng lực AI (Nguyen và cộng sự, 2026) nhấn mạnh tầm quan trọng của phán xét số (digital judgment) — khả năng đưa ra quyết định sáng suốt trong môi trường thông tin phức tạp do AI tạo ra.

(c) Năng lực dữ liệu (Data Literacy): Khả năng đọc, hiểu, phân tích và giao tiếp bằng dữ liệu đang trở thành kỹ năng cốt lõi trong hầu hết các ngành nghề. Sinh viên trong mô hình CDIM cần có năng lực dữ liệu cơ bản: thu thập dữ liệu, phân tích bằng công cụ đơn giản (Excel, Google Sheets, các nền tảng BI cơ bản), và trình bày dữ liệu bằng biểu đồ, infographic.

Khuyến nghị đào tạo: Mô-đun "Năng lực AI và Dữ liệu" nên được thiết kế theo cấp độ từ thấp đến cao, phù hợp với khung phát triển của Watson và cộng sự (2026): từ "Nhận biết" (hiểu AI là gì) đến "Ứng dụng" (sử dụng AI trong học tập và phát triển nghề nghiệp) đến "Sáng tạo" (kết hợp AI với chuyên môn để tạo giải pháp mới).

3.3. Kỹ năng giao tiếp và hợp tác số (Digital Communication and Collaboration)

Kỹ năng giao tiếp và hợp tác số là năng lực tương tác hiệu quả với người khác thông qua các nền tảng công nghệ số — một kỹ năng ngày càng quan trọng khi làm việc từ xa, làm việc xuyên quốc gia và làm việc trong môi trường số lai (hybrid work).

(a) Giao tiếp chuyên nghiệp số: Sinh viên cần biết cách giao tiếp chuyên nghiệp qua email, tin nhắn doanh nghiệp (Slack, Microsoft Teams, Zalo), và mạng xã hội nghề nghiệp (LinkedIn). Điều này bao gồm cả kỹ năng viết email chuyên nghiệp, tham gia cuộc họp trực tuyến, và quản lý ấn tượng trực tuyến (online impression management). Nghiên cứu về kỹ năng mềm và khả năng có việc làm của cử nhân (Yusof và cộng sự, 2023) chỉ ra kỹ năng giao tiếp là một trong năm kỹ năng mềm mà nhà tuyển dụng đánh giá cao nhất nhưng sinh viên thường thiếu hụt nhất.

(b) Hợp tác số và làm việc nhóm ảo: Mô hình CDIM đòi hỏi sinh viên có khả năng làm việc nhóm hiệu quả trong môi trường số — sử dụng các công cụ cộng tác (Google Workspace, Notion, Trello, Miro), phân chia và điều phối công việc trực tuyến, và giải quyết xung đột nhóm từ xa. Nghiên cứu của Churches (2022) về việc thêm "Hợp tác" vào Bloom's Taxonomy nhấn mạnh rằng hợp tác không phải là kỹ năng phụ mà là cấp độ nhận thức cao — đòi hỏi năng lực tổng hợp, điều phối và xây dựng ý nghĩa chung.

(c) Xây dựng mạng lưới nghề nghiệp số (Digital Networking): LinkedIn, GitHub (cho kỹ thuật), Behance (cho thiết kế), và các cộng đồng nghề nghiệp trực tuyến là nơi sinh viên xây dựng mối quan hệ nghề nghiệp. Nghiên cứu về khoảng cách kỹ năng giữa nhà tuyển dụng và cử nhân (Khalid và cộng sự, 2023) cho thấy kỹ năng networking là một trong những yếu tố mà sinh viên đánh giá thấp nhưng nhà tuyển dụng lại đánh giá rất cao.

Khuyến nghị đào tạo: Mô-đun "Giao tiếp và Hợp tác Số" nên bao gồm dự án nhóm thực tế kéo dài 6–8 tuần, trong đó sinh viên sử dụng các công cụ cộng tác số để hoàn thành một bài tập phát triển nghề nghiệp (ví dụ: nghiên cứu thị trường lao động, thiết kế profile LinkedIn, lập kế hoạch sự kiện nghề nghiệp trực tuyến).

3.4. Kỹ năng sáng tạo số và tư duy thiết kế (Digital Creativity and Design Thinking)

Kỹ năng sáng tạo số bao gồm khả năng tạo ra nội dung số chất lượng cao — từ văn bản chuyên nghiệp, bài thuyết trình, đến video, podcast, infographic và e-portfolio.

(a) Tạo nội dung số chuyên nghiệp: Trong lúc phát triển nghề nghiệp, khả năng trình bày bản thân và công việc chuyên nghiệp qua nội dung số là yếu tố cạnh tranh quan trọng. Sinh viên cần biết cách: thiết kế CV số, xây dựng e-portfolio thể hiện năng lực, tạo video giới thiệu bản thân, và phát triển bài thuyết trình trực tuyến. Nghiên cứu về xây dựng e-portfolio trong giáo dục đại học để thể hiện kỹ năng cho phát triển nghề nghiệp (García-Pérez và cộng sự, 2023) cho thấy e-portfolio giúp sinh viên phản ánh quá trình học tập, đồng thời là công cụ mạnh mẽ để chứng minh năng lực với nhà tuyển dụng.

(b) Tư duy thiết kế số (Digital Design Thinking): Tư duy thiết kế — quá trình định nghĩa vấn đề, tưởng tượng giải pháp, tạo mẫu và thử nghiệm — khi được thực hiện trong môi trường số, cho phép sinh viên phát triển khả năng đổi mới sáng tạo. Sinh viên sử dụng các công cụ số để nghiên cứu thách thức (Miro, FigJam), tạo mẫu (Figma, Canva), và trình bày giải pháp (Pitch, Google Slides). [Phân tích của tác giả — tư duy thiết kế số kết hợp năng lực "sáng tạo" cấp độ cao nhất trong Bloom's Digital Taxonomy với thực hành phát triển nghề nghiệp, tạo điều kiện cho sinh viên không đơn thuần tìm việc làm — tạo ra giá trị mới cho tổ chức và cộng đồng.]

(c) Năng lực trí tuệ sáng tạo số: Trong giai đoạn AI tạo sinh, năng lực sáng tạo số bao gồm khả năng sử dụng AI như một công cụ sáng tạo, biết cách đặt câu hỏi đúng (prompt engineering), và duy trì tính nguyên bản trong quá trình sử dụng AI. Nghiên cứu về năng lực AI và ý định khởi nghiệp số (Rahman và cộng sự, 2025) cho thấy sinh viên biết sử dụng AI sáng tạo có xu hướng mạnh mẽ hơn trong việc khởi nghiệp và phát triển dự án cá nhân.

3.5. Kỹ năng quản lý sự nghiệp số (Digital Career Management)

Kỹ năng quản lý sự nghiệp số là nhóm kỹ năng cho phép sinh viên chủ động quản lý lộ trình phát triển nghề nghiệp trong môi trường số.

(a) Tự nhận thức nghề nghiệp số: Sinh viên cần biết cách sử dụng các công cụ số để đánh giá năng lực bản thân (personality assessments online, skills audit tools), xác định mục tiêu nghề nghiệp, và xây dựng lộ trình phát triển. Nghiên cứu về phát triển thang đo kỹ năng sống và sự nghiệp cho sinh viên đại học (Khan và cộng sự, 2022) cho thấy tự nhận thức nghề nghiệp là yếu tố dự báo mạnh mẽ nhất về mức độ cam kết phát triển nghề nghiệp.

(b) Xây dựng thương hiệu cá nhân số: Thương hiệu cá nhân số (digital personal branding) là cách sinh viên trình bày bản thân trên các nền tảng trực tuyến. Điều này bao gồm: quản lý hồ sơ LinkedIn chuyên nghiệp, xây dựng portfolio trực tuyến, tham gia cộng đồng nghề nghiệp số, và hiểu cách thuật toán mạng xã hội ảnh hưởng đến khả năng tiếp cận cơ hội nghề nghiệp. Nghiên cứu về năng lực kỹ năng số và khả năng có việc làm của sinh viên đại học Trung Quốc (Xiao và cộng sự, 2023) cho thấy sinh viên có thương hiệu cá nhân số mạnh có tỷ lệ nhận offer thực tập và việc làm cao hơn 35% so với sinh viên không có.

(c) Tìm kiếm cơ hội nghề nghiệp số: Nghiên cứu về tác động của các chương trình ngoại khóa phát triển nghề nghiệp (Park và cộng sự, 2024) cho thấy sinh viên tích cực sử dụng các nền tảng số để tìm kiếm cơ hội nghề nghiệp (job portals, LinkedIn, mạng lưới cựu sinh viên trực tuyến) có kết quả phát triển nghề nghiệp tốt hơn. Sinh viên trong mô hình CDIM cần nắm vững kỹ năng: tối ưu hồ sơ trực tuyến cho ATS (Applicant Tracking System), viết cover letter số, và tham gia phỏng vấn trực tuyến.

3.6. Kỹ năng tự học và tự điều chỉnh trong môi trường số (Self-Regulated Digital Learning)

Kỹ năng tự học số là khả năng tự đặt mục tiêu học tập, tự điều chỉnh quá trình học, và tự đánh giá kết quả trong môi trường số — một năng lực ngày càng quan trọng trong thời đại học tập suốt đời.

(a) Tự điều chỉnh học tập số: Nghiên cứu về mối liên hệ giữa động lực chọn nghề và kỹ năng tự điều chỉnh học tập (Ali và cộng sự, 2024) cho thấy sinh viên có kỹ năng tự điều chỉnh cao đạt kết quả phát triển nghề nghiệp tốt hơn, bất kể chuyên ngành. Kỹ năng tự điều chỉnh bao gồm: thiết lập mục tiêu học tập cá nhân, quản lý thời gian học tập số, lựa chọn nguồn học tập phù hợp, và phản ánh quá trình học tập.

(b) Học tập mở và học tập suốt đời: Mô hình CDIM đặt nền tảng cho học tập suốt đời bằng cách trang bị cho sinh viên khả năng tự học trong môi trường số. Các nền tảng MOOC (Coursera, edX, FutureLearn), cộng đồng học tập trực tuyến, và các nguồn mở (Open Educational Resources — OER) là công cụ quan trọng. Nghiên cứu về đào tạo kỹ năng số tác động đến khả năng có việc làm thông qua năng lực số thế kỷ hai mươi mốt (Adeniran và cộng sự, 2025) cho thấy sinh viên tham gia học trực tuyến chủ động có năng lực thị trường lao động cao hơn.

(c) Đánh giá và phản ánh số: Sinh viên cần biết cách sử dụng công nghệ để theo dõi tiến trình học tập và phát triển nghề nghiệp cá nhân — thông qua e-portfolio, learning analytics dashboard, và các công cụ phản ánh (reflection tools). [Phân tích của tác giả — trong mô hình CDIM, kỹ năng tự học số là "chìa khóa" liên kết tất cả các nhóm kỹ năng khác, vì nó cho phép sinh viên tiếp tục phát triển năng lực sau khi rời khỏi trường đại học — khi không còn giảng viên hướng dẫn trực tiếp, khả năng tự học số quyết định tốc độ phát triển nghề nghiệp dài hạn.]

sáu nhóm kỹ năng số cho sinh viên trong mô hình CDIM không tồn tại độc lập mà có mối quan hệ tương hỗ. Kỹ năng thông tin số là nền tảng; kỹ năng AI và dữ liệu là bộ công cụ; kỹ năng giao tiếp và hợp tác số là cầu nối; kỹ năng sáng tạo số là năng lực tạo giá trị; kỹ năng quản lý sự nghiệp số là khả năng định hướng; và kỹ năng tự học số là động cơ tự duy trì. Thiếu bất kỳ nhóm kỹ năng nào, chuỗi phát triển nghề nghiệp số sẽ bị đứt gãy.

Phần 3 bổ sung: Kỹ năng số ứng dụng theo từng giai đoạn phát triển nghề nghiệp

Mô hình CDIM vừa xác định các kỹ năng số cần có, vừa cần gắn kết từng kỹ năng với giai đoạn phát triển nghề nghiệp cụ thể của sinh viên. [Phân tích của tác giả] đề xuất một lộ trình phát triển kỹ năng số bốn giai đoạn, tương thích với khung phát triển sự nghiệp của CDI (Kim và cộng sự, 2021) và khung học tập tích hợp công việc (WIL) của Omeiza và cộng sự (2025).

3.7. Giai đoạn 1 — Khám phá và tự nhận thức (Năm nhất)

Giai đoạn này tập trung vào việc xây dựng nền tảng nhận thức số và tự nhận thức nghề nghiệp. Sinh viên mới bước vào đại học thường có năng lực số không đồng đều — một số đã rất thành thạo công nghệ, trong khi số khác chỉ sử dụng ở mức cơ bản. Nghiên cứu về năng lực sử dụng công cụ xác minh dữ liệu (Koltay, 2020) cho thấy khoảng cách năng lực số giữa sinh viên có thể rất lớn ngay từ đầu.

Kỹ năng trọng tâm giai đoạn 1:

(a) Đánh giá năng lực số bản thân: Sinh viên cần hoàn thành bài đánh giá năng lực số đầu vào dựa trên khung DigComp, xác định điểm mạnh và lĩnh vực cần phát triển. Nghiên cứu về đánh giá năng lực số so sánh ở giáo dục đại học (Bali và Wibowo, 2026) khuyến nghị sử dụng self-assessment kết hợp với objective assessment để có bức tranh chính xác hơn về năng lực số thực tế.

(b) Xây dựng hồ sơ nghề nghiệp số cơ bản: Bắt đầu xây dựng e-portfolio cơ bản trên các nền tảng miễn phí (Google Sites, WordPress, Notion), ghi lại các dự án, bài tập và thành tự học tập. Bắt đầu xây dựng profile LinkedIn với thông tin cơ bản — chuyên ngành, sở thích, mục tiêu nghề nghiệp. Nghiên cứu về xây dựng e-portfolio (García-Pérez và cộng sự, 2023) cho thấy việc bắt đầu sớm cho phép sinh viên tích lũy tài liệu phong phú hơn khi tốt nghiệp.

(c) Nghiên cứu nghề nghiệp qua số: Sử dụng các nền tảng số để tìm hiểu ngành nghề — LinkedIn, O*NET Online, VietnamWorks, TopCV — phân tích mô tả công việc, yêu cầu năng lực, và xu hướng tuyển dụng. Kỹ năng này đặt nền tảng cho việc chọn chuyên ngành phù hợp và xác định các kỹ năng cần phát triển.

3.8. Giai đoạn 2 — Phát triển năng lực chuyên môn số (Năm hai và năm ba)

Giai đoạn này là cốt lõi của mô hình CDIM — nơi sinh viên phát triển năng lực chuyên môn số gắn liền với ngành học và nghề nghiệp mục tiêu.

Kỹ năng trọng tâm giai đoạn 2:

(a) Kỹ năng chuyên ngành số: Mỗi ngành học có bộ công cụ số riêng. Sinh viên kinh tế học phân tích dữ liệu tài chính bằng Python hoặc Power BI; sinh viên marketing học sử dụng AI để tạo chiến dịch nội dung số; sinh viên kỹ thuật học sử dụng CAD, GitHub và DevOps tools. Nghiên cứu về năng lực có thể nghề nghiệp và học tập phát triển sự nghiệp (Chen và cộng sự, 2024) cho thấy sinh viên tích cực phát triển năng lực chuyên môn số có mức độ tự tin nghề nghiệp cao hơn.

(b) Học tập tích hợp công việc số (Digital WIL): Sinh viên tham gia các dự án thực tế trên nền tảng số — làm việc nhóm với doanh nghiệp, tham gia hackathon trực tuyến, hoặc thực hiện dự án cộng đồng số. Nghiên cứu về học tập tích hợp công việc và năng lực (Billett, 2020) cho thấy WIL giúp sinh viên chuyển hóa kiến thức thành năng lực thực tiễn. Trong môi trường số, WIL mở rộng phạm vi — sinh viên có thể làm việc với doanh nghiệp ở bất kỳ đâu trên thế giới.

(c) Xây dựng portfolio nghề nghiệp số: Mở rộng e-portfolio với các dự án thực tế, chứng chỉ kỹ năng số (digital badges), và phản ánh học tập. Nghiên cứu về khoảng cách năng lực sinh viên và nhà tuyển dụng (Khalid và cộng sự, 2023) chỉ ra portfolio là công cụ mạnh mẽ nhất để chứng minh năng lực thực tế, vượt qua cả GPA trong mắt nhà tuyển dụng.

3.9. Giai đoạn 3 — Kinh nghiệm thực tiễn số hóa (Năm ba đến năm cuối)

Giai đoạn này sinh viên áp dụng toàn bộ năng lực số đã phát triển vào môi trường làm việc thực tiễn — thực tập, dự án tốt nghiệp, và chuẩn bị chuyển đổi nghề nghiệp.

Kỹ năng trọng tâm giai đoạn 3:

(a) Kỹ năng thực tập ảo và làm việc từ xa: Sinh viên cần thành thạo các công cụ làm việc từ xa — quản lý công việc trên Asana/Trello, giao tiếp qua Slack/Teams, trình bày qua Zoom/Google Meet, và quản lý thời gian trong môi trường làm việc số. Nghiên cứu về năng lực làm việc sẵn sàng (Hảo và cộng sự, 2023) cho thấy khả năng thích ứng với môi trường làm việc số là một trong những yếu tố dự báo quan trọng nhất về thành công nghề nghiệp.

(b) Kỹ năng ứng tuyển số: Tối ưu CV và hồ sơ LinkedIn cho ATS (Applicant Tracking System), viết cover letter cá nhân hóa, chuẩn bị kỹ năng phỏng vấn trực tuyến (camera, âm thanh, ngôn ngữ cơ thể), và sử dụng AI để chuẩn bị phỏng vấn. Nghiên cứu về khoảng cách năng lực giữa nhà tuyển dụng và cử nhân (Xiao và cộng sự, 2023) cho thấy kỹ năng ứng tuyển số là một trong những lĩnh vực mà sinh viên đánh giá năng lực của mình cao hơn nhiều nơi — cần đào tạo bổ sung.

(c) Dự án tốt nghiệp hướng ứng dụng: Khuyến khích (hoặc yêu cầu) dự án tốt nghiệp có yếu tố ứng dụng thực tiễn — nghiên cứu giải quyết khó khăn doanh nghiệp theo thực tiễn, phát triển sản phẩm số, hoặc phân tích dữ liệu trên thực địa. Nghiên cứu về khóa học phát triển sự nghiệp và hướng nghiệp (Li và cộng sự, 2023) cho thấy dự án trong thực tiễn là yếu tố quyết định nhất trong việc chuyển đổi từ sinh viên sang người đi làm.

3.10. Giai đoạn 4 — Chuyển đổi và phát triển liên tục (Sau tốt nghiệp)

Mặc dù giai đoạn này nằm ngoài phạm vi học đại học chính quy, mô hình CDIM cần đặt nền tảng cho khả năng tự phát triển nghề nghiệp số sau khi tốt nghiệp.

Kỹ năng trọng tâm giai đoạn 4:

(a) Học tập suốt đời số: Khả năng tự cập nhật kỹ năng số thông qua MOOC (Coursera, edX, FutureLearn), cộng đồng học tập trực tuyến, và nguồn mở (OER). Nghiên cứu về đào tạo kỹ năng số và khả năng có việc làm (Adeniran và cộng sự, 2025) cho thấy sinh viên có thói quen tự học số có tỷ lệ giữ việc và thăng tiến cao hơn.

(b) Mạng lưới nghề nghiệp số liên tục: Kỹ năng duy trì và phát triển mạng lưới nghề nghiệp số sau khi tốt nghiệp — tham gia cộng đồng chuyên ngành, đóng góp nội dung trên LinkedIn, tham gia sự kiện nghề nghiệp trực tuyến, và duy trì mối quan hệ với cố vấn từ đại học.

(c) Thích ứng với thay đổi công nghệ: Khả năng nhanh chóng học và thích ứng với công nghệ mới — một năng lực meta (meta-competence) cho phép sinh viên không bị "tụt hậu" khi công nghệ thay đổi. [Phân tích của tác giả — trong thời kỳ AI phát triển theo cấp số nhân, năng lực thích ứng công nghệ có thể quan trọng hơn bất kỳ kỹ năng cụ thể nào. Mô hình CDIM cần trang bị cho sinh viên vừa có "cá" vừa có "cần câu" — vừa có công cụ hiện tại vừa có khả năng tự tìm hiểu công cụ mới.]

Bảng tổng hợp kỹ năng số theo giai đoạn:

Giai đoạn	Kỹ năng trọng tâm	Công cụ số chính	Đầu ra kỳ vọng
1. Khám phá	Đánh giá năng lực, tự nhận thức nghề nghiệp	DigComp self-assessment, LinkedIn, e-portfolio cơ bản	Profile LinkedIn, e-portfolio sơ bộ
2. Phát triển	Năng lực chuyên ngành số, WIL số	Công cụ chuyên ngành, AI tools, Google Workspace	Portfolio dự án, chứng chỉ kỹ năng
3. Thực tiễn	Thực tập ảo, ứng tuyển số, dự án tốt nghiệp	ATS optimization, Zoom/Teams, Asana/Trello	CV số, portfolio hoàn chỉnh
4. Chuyển đổi	Học tập suốt đời, mạng lưới, thích ứng	MOOC, OER, cộng đồng chuyên ngành	Kế hoạch phát triển nghề nghiệp 5 năm

Phần 4: Kỹ năng số cần thiết cho giảng viên trong mô hình CDIM

Giảng viên trong mô hình CDIM đóng vai trò kép: vừa là người truyền đạt kiến thức chuyên ngành, vừa là người hướng dẫn phát triển nghề nghiệp cho sinh viên trong môi trường số. Vai trò này đòi hỏi bộ kỹ năng số khác biệt và phức tạp hơn nhiều so với giảng viên trong mô hình truyền thống. Phần này phân tích bốn nhóm kỹ năng số then chốt cho giảng viên.

4.1. Năng lực sư phạm số — TPACK và AI-TPACK

TPACK (Technological Pedagogical Content Knowledge) là khuôn mẫu nổi tiếng nhất về năng lực sư phạm số, được Mishra và Koehler đề xuất từ năm 2006. TPACK mô tả sự giao thoa giữa ba loại kiến thức: kiến thức công nghệ (TK), kiến thức sư phạm (PK) và kiến thức nội dung (CK). Giảng viên có năng lực TPACK cao có khả năng tích hợp công nghệ một cách có ý nghĩa vào việc giảng dạy nội dung chuyên ngành.

Trong mô hình CDIM, khung TPACK cần được mở rộng thành AI-TPACK — khuôn mẫu tích hợp AI vào năng lực sư phạm số. Nghiên cứu về tái cấu trúc năng lực AI-TPACK cho giảng viên đại học (Li và cộng sự, 2026) đề xuất một khuôn mẫu bao gồm ba thành phần chính: (i) kiến thức về AI (hiểu các công cụ AI, khả năng và giới hạn), (ii) sư phạm AI (biết cách tích hợp AI vào quá trình giảng dạy), và (iii) kiến thức nội dung số (biết cách AI có thể hỗ trợ giảng dạy nội dung chuyên ngành cụ thể).

(a) Thiết kế trải nghiệm học tập số: Giảng viên CDIM cần khả năng thiết kế trải nghiệm học tập tích hợp công nghệ, không chỉ "tải tài liệu lên LMS" mà sử dụng công nghệ để tạo ra trải nghiệm học tập chủ động, tương tác và cá nhân hóa. Nghiên cứu về phát triển năng lực số cho giáo viên đại học Trung Quốc (Wang và cộng sự, 2025) chỉ ra ba thách thức chính: (i) chuyển từ phương pháp giảng truyền thống sang phương pháp số tương tác, (ii) sử dụng dữ liệu học tập để điều chỉnh giáo dục, và (iii) thiết kế đánh giá số đa dạng.

(b) Sử dụng LMS và nền tảng giáo dục số: Giảng viên cần thành thạo hệ thống quản lý học tập (LMS — Learning Management System) như Moodle, Canvas, hoặc Google Classroom, bao gồm: tạo khóa học trực tuyến, thiết kế bài kiểm tra tương tác, theo dõi tiến trình sinh viên qua analytics dashboard, và tạo diễn đàn thảo luận hiệu quả.

(c) Đổi mới phương pháp giảng dạy bằng AI: Khả năng sử dụng AI tạo sinh như công cụ hỗ trợ giảng dạy — tạo quiz tự động, phân tích câu trả lời sinh viên, đề xuất tài liệu cá nhân hóa, và tạo feedback tự động — là năng lực ngày càng quan trọng. Nghiên cứu về đào tạo giáo viên số của UNESCO MGIEP (Bello và cộng sự, 2024) cho thấy chương trình đào tạo số có cấu trúc có thể cải thiện đáng kể sự tự tin và năng lực sư phạm số của giáo viên.

4.2. Kỹ năng thiết kế khóa học theo hướng phát triển nghề nghiệp số

Trong mô hình CDIM, giảng viên vừa thiết kế khóa học chuyên ngành, vừa phải tích hợp yếu tố phát triển nghề nghiệp vào mọi hoạt động học tập.

(a) Lồng ghép phát triển nghề nghiệp vào môn chuyên ngành: Theo nghiên cứu về dịch vụ phát triển nghề nghiệp và học tập tích hợp công việc (Smith và cộng sự, 2009), cách tiếp cận hiệu quả nhất là tích hợp phát triển nghề nghiệp trực tiếp vào môn chuyên ngành thay vì tách thành khóa học riêng biệt. Giảng viên có thể: yêu cầu dự án ở nhiều nơi có liên quan đến nghề nghiệp, mời khách mời từ doanh nghiệp tham gia lớp học trực tuyến, yêu cầu sinh viên phân tích tình huống nghề nghiệp nhiều nơi.

(b) Thiết kế đánh giá theo hướng nghề nghiệp: Kỹ năng thiết kế các hình thức đánh giá phản ánh yêu cầu theo theo thực tế của thị trường lao động — đánh giá qua dự án (project-based assessment), đánh giá qua portfolio, đánh giá qua mô phỏng tình huống nghề nghiệp, và đánh giá đồng cấp (peer assessment). Nghiên cứu về đánh giá số hướng tới tư duy bậc cao trong giáo dục đại học (Ng và cộng sự, 2022) cho thấy các hình thức đánh giá số sáng tạo có khả năng đo lường năng lực bậc cao hiệu quả hơn bài kiểm tra truyền thống.

(c) Cá nhân hóa lộ trình học: Mô hình CBE (Competency-Based Education) đòi hỏi giảng viên có khả năng thiết kế lộ trình học cá nhân hóa dựa trên mức độ phát triển năng lực của từng sinh viên. Trong môi trường số, điều này thực hiện thông qua hệ thống adaptive learning, analytics dashboard và feedback loop tự động.

4.3. Kỹ năng hướng dẫn và cố vấn nghề nghiệp số

Vai trò "hướng dẫn nghề nghiệp" trong môi trường số là điểm khác biệt quan trọng giữa giảng viên CDIM và giảng viên truyền thống.

(a) Đánh giá năng lực nghề nghiệp sinh viên: Giảng viên cần khả năng sử dụng các công cụ số để đánh giá năng lực nghề nghiệp của sinh viên — từ khảo sát trực tuyến, phân tích portfolio số, đến sử dụng learning analytics để xác định điểm mạnh và điểm yếu của từng sinh viên. Nghiên cứu về dịch vụ phát triển nghề nghiệp cho sinh viên đại học (Folsom và cộng sự, 2021) cho thấy giảng viên đóng vai trò chủ chốt trong việc kết nối sinh viên với dịch vụ nghề nghiệp, nhưng nhiều giảng viên thiếu đào tạo về kỹ năng tư vấn nghề nghiệp.

(b) Tư vấn nghề nghiệp qua nền tảng số: Giảng viên cần biết cách tư vấn nghề nghiệp qua email, video call, chat, và các nền tảng cố vấn trực tuyến. Điều này bao gồm kỹ năng đặt câu hỏi trắc nghiệm (probing questions), kỹ năng phản hồi xây dựng (constructive feedback), và kỹ năng kết nối sinh viên với cơ hội nghề nghiệp phù hợp. Nghiên cứu về tác động của tư vấn nghề nghiệp đối với lựa chọn nghề nghiệp (Zhang và cộng sự, 2026) cho thấy tư vấn nghề nghiệp hiệu quả, kể cả qua kênh số, có tác động tích cực đến mức độ cam kết nghề nghiệp của sinh viên.

(c) Kết nối sinh viên với mạng lưới nghề nghiệp số: Giảng viên cần chủ động xây dựng và duy trì mạng lưới nghề nghiệp số (LinkedIn, cộng đồng chuyên ngành, đối tác doanh nghiệp) để kết nối sinh viên. Nghiên cứu về quan đối tác trường-đại học-kinh doanh (Chen và cộng sự, 2025) cho thấy "hợp tác hoặc sẽ thất bại" — doanh nghiệp muốn tham gia đào tạo nhưng cần trường đại học kết nối và hỗ trợ.

4.4. Kỹ năng sử dụng dữ liệu và phân tích học tập số

(a) Learning Analytics — phân tích dữ liệu học tập: Giảng viên CDIM cần biết cách đọc hiểu và sử dụng dữ liệu học tập (engagement data, assessment data, behavioral data) để điều chỉnh phương pháp giảng dạy và nhận diện sinh viên cần hỗ trợ. Nghiên cứu về phân tích dữ liệu lớn trong giáo dục đại học (Daniel, 2016) gợi ý rằng learning analytics có tiềm năng cải thiện đáng kể kết quả học tập nhưng cũng đặt ra thách thức về năng lực cho giảng viên.

(b) Đánh giá dựa trên dữ liệu: Kỹ năng sử dụng dữ liệu để đánh giá hiệu quả khóa học, hiệu quả phương pháp giảng dạy, và tiến trình phát triển năng lực của sinh viên. Nghiên cứu về giáo dục dựa trên năng lực (Garcia và Mende, 2020) nhấn mạnh tầm quan trọng của rubric-based evaluation — bảng tiêu chí đánh giá minh bạch dựa trên năng lực cụ thể.

(c) Nghiên cứu sư phạm số: Giảng viên trong mô hình CDIM được khuyến khích thực hiện hành động nghiên cứu (action research) để liên tục cải thiện phương pháp giảng dạy số. Điều này đòi hỏi kỹ năng thu thập dữ liệu nghiên cứu, phân tích thống kê cơ bản, và trình bày kết quả nghiên cứu sư phạm.

giảng viên trong mô hình CDIM cần chuyển từ vai trò "người truyền đạt kiến thức" sang vai trò "kiến trúc sư trải nghiệm học tập và hướng dẫn phát triển nghề nghiệp." Bộ kỹ năng số cho giảng viên gồm: năng lực sư phạm số (TPACK/AI-TPACK), khả năng thiết kế khóa học tích hợp nghề nghiệp, kỹ năng tư vấn nghề nghiệp số, và khả năng sử dụng dữ liệu học tập. Mỗi kỹ năng cần được phát triển qua lộ trình đào tạo có hệ thống, phù hợp với khung DigCompEdu và mức độ phát triển năng lực cá nhân.

Phần 5: Kỹ năng số cho các bên liên quan khác trong mô hình CDIM

Ngoài sinh viên và giảng viên, mô hình CDIM còn liên quan đến các nhóm bên liên quan khác — mỗi nhóm cần bộ kỹ năng số riêng để đảm bảo mô hình vận hành hiệu quả.

5.1. Cán bộ quản lý trường đại học

Cán bộ quản lý trường (ban giám hiệu, trưởng phòng đào tạo, cán bộ phòng công tác sinh viên, cán bộ công nghệ thông tin) đóng vai trò kiến tạo môi trường cho mô hình CDIM hoạt động.

(a) Năng lực quản trị số và ra quyết định dựa trên dữ liệu: Nhà quản lý giáo dục cần khả năng đọc hiểu báo cáo analytics, đánh giá hiệu quả chương trình đào tạo thông qua dữ liệu số, và sử dụng dữ liệu để ra quyết định chiến lược về đào tạo phát triển nghề nghiệp. Nghiên cứu của OECD (2024) về xây dựng năng lực đổi mới số và xanh trong giáo dục đại học nhấn mạnh rằng nhà quản lý giáo dục cần có khả năng "đọc dữ liệu" (data-informed decision making) để điều chỉnh chiến lược phù hợp với nhu cầu thị trường lao động.

(b) Năng lực thiết kế chính sách đào tạo số: Cán bộ quản lý cần hiểu các khung năng lực số (DigComp, DigCompEdu) để thiết kế chính sách đào tạo phù hợp, phân bổ nguồn lực cho hạ tầng số, và xây dựng tiêu chuẩn đánh giá năng lực số cho nhân viên và sinh viên. Nghiên cứu về tác động chuyển đổi số tại Việt Nam (Trần Thị Thu Hằng và cộng sự, 2025) cho thấy yếu tố then chốt quyết định thành công chuyển đổi số không phải công nghệ mà là năng lực lãnh đạo và chính sách.

(c) Năng lực quản lý dự án số: Triển khai mô hình CDIM là một dự án thay đổi lớn, đòi hỏi kỹ năng quản lý dự án (project management) trong môi trường số — sử dụng các công cụ như Jira, Trello, Asana để theo dõi tiến độ, phân công nhiệm vụ, và đánh giá rủi ro.

5.2. Doanh nghiệp và nhà tuyển dụng đối tác

(a) Kỹ năng thiết kế trải nghiệm thực tập số: Doanh nghiệp tham gia CDIM cần khả năng thiết kế chương trình thực tập hoặc dự án trên thực địa trên nền tảng số — sử dụng các công cụ cộng tác số, thiết kế task và milestone trực tuyến, và đánh giá năng lực thực tập sinh qua các rubric số. Nghiên cứu về vượt qua rào cản hợp tác trong học tập tích hợp công việc (Huang và cộng sự, 2026) chỉ ra rào cản lớn nhất trong quan đối tác trường-đại học-kinh doanh là thiếu nền tảng giao tiếp và kỳ vọng chung về năng lực số.

(b) Năng lực đánh giá ứng viên qua nền tảng số: Doanh nghiệp cần hiểu các nền tảng tuyển dụng số, biết cách đánh giá e-portfolio, và có khả năng sử dụng các công cụ đánh giá kỹ năng số (digital skills assessment tools) để tuyển dụng phù hợp. Nghiên cứu về năng lực ứng viên tốt nghiệp ở Mexico (Gonzalez và cộng sự, 2026) cho thấy nhà tuyển dụng đang chuyển sang đánh giá năng lực thực tiễn thay vì chỉ dựa vào GPA.

(c) Cung cấp phản hồi đào tạo số: Doanh nghiệp cần cơ chế và năng lực phản hồi hiệu quả về khoảng cách kỹ năng giữa yêu cầu thực tiễn và năng lực sinh viên — giúp trường đại học điều chỉnh chương trình đào tạo kịp thời. [Phân tích của tác giả — phản hồi đa chiều từ doanh nghiệp là "vòng lặp điều chỉnh" (feedback loop) quan trọng nhất trong mô hình CDIM, giúp chương trình đào tạo luôn bám sát thực tiễn.]

5.3. Cố vấn học tập và tư vấn nghề nghiệp

Cố vấn học tập và tư vấn nghề nghiệp là nhóm chuyên trách, cần kỹ năng số cao nhất trong tất cả các bên liên quan.

(a) Năng lực sử dụng công cụ đánh giá nghề nghiệp số: Các công cụ đánh giá năng lực, sở thích, tính cách trực tuyến (như Holland Code assessments, MBTI online, strengths-based assessments) cần được sử dụng có chủ đích và kết hợp với phỏng vấn cá nhân. Nghiên cứu về mô hình phát triển sự nghiệp toàn diện trong giáo dục đại học (Yates, 2019) cho thấy tư vấn nghề nghiệp hiệu quả đòi hỏi sự kết hợp giữa công cụ đánh giá và đối thoại cá nhân.

(b) Năng lực quản lý dữ liệu sinh viên: Cố vấn cần khả năng quản lý hồ sơ nghề nghiệp số của hàng trăm sinh viên, theo dõi tiến trình phát triển, và sử dụng CRM (Customer Relationship Management) adapted cho giáo dục. Kỹ năng phân tích dữ liệu cơ bản để xác định xu hướng và rủi ro (ví dụ: sinh viên nào có nguy cơ bỏ học, sinh viên nào cần hỗ trợ đặc biệt).

(c) Năng lực kết nối số: Cố vấn đóng vai trò "cầu nối" giữa sinh viên, giảng viên, doanh nghiệp và cơ hội nghề nghiệp. Kỹ năng sử dụng mạng xã hội nghề nghiệp, nền tảng việc làm, và công cụ match-making số là cần thiết. Nghiên cứu về khóa học phát triển nghề nghiệp tại Trung Quốc (Wei và cộng sự, 2023) cho thấy hệ thống cố vấn nghề nghiệp có cấu trúc với hỗ trợ công nghệ đạt kết quả tốt hơn đáng kể so với tư vấn không có hệ thống.

5.4. Đối tác công nghệ và chuyên gia

(a) Khả năng hỗ trợ triển khai công nghệ: Đối tác công nghệ cần hiểu bối cảnh giáo dục đại học để thiết kế giải pháp phù hợp, cung cấp phần mềm, đồng thời hỗ trợ đào tạo và thay đổi quy trình.

(b) Năng lực tư vấn chiến lược số: Chuyên gia công nghệ cần khả năng tư vấn cho trường đại học về chiến lược chuyển đổi số phù hợp với ngân sách, nhân lực và mục tiêu giáo dục — tránh "chuyển đổi số hình thức" (digital transformation theater) — thực hiện vì phong trào mà không tạo giá trị thực.

mỗi bên liên quan trong mô hình CDIM cần bộ kỹ năng số khác nhau nhưng tất cả đều chia sẻ một nền tảng chung: năng lực giao tiếp số, năng lực sử dụng dữ liệu, và năng lực hợp tác số. Thiếu kỹ năng ở bất kỳ nhóm bên liên quan nào, mô hình CDIM sẽ hoạt động không trọn vẹn — giống như một hệ sinh thái thiếu một mắt xích.

Phần 6: Khuyến nghị thiết kế khóa học nâng cao kỹ năng số cho các bên liên quan

Phần này là trọng tâm của bài viết — đề xuất chi tiết sáu mô-đun đào tạo kỹ năng số cho từng nhóm bên liên quan, bao gồm mục tiêu, nội dung, phương pháp giảng dạy, và tiêu chí đánh giá. Thiết kế dựa trên khun lý thuyết DigComp 2.2, DigCompEdu, AI Literacy Framework, Bloom's Digital Taxonomy, và kết quả nghiên cứu từ các phần trước.

6.1. Nguyên tắc thiết kế khóa học

Trước khi đi vào từng mô-đun cụ thể, cần xác định năm nguyên tắc thiết kế nền tảng cho mọi khóa học trong mô hình CDIM:

(1) Dựa trên năng lực (Competency-Based): Mọi khóa học được thiết kế theo kết quả năng lực cụ thể (competency outcomes), không theo nội dung bài giảng. Sinh viên được đánh giá dựa trên bằng chứng nhiều nơi năng lực, không dựa trên việc "có mặt trong lớp."

(2) Tích hợp thực tiễn (Practice-Integrated): Mỗi mô-đun bao gồm ít nhất 30% thời lượng là thực hành — dự án theo trên thực địa, mô phỏng tình huống, và trải nghiệm học tập tích hợp công việc (WIL). Nghiên cứu về học tập tích hợp công việc và phát triển kỹ năng (Billett, 2020) cho thấy trải nghiệm thực tiễn là yếu tố quyết định chuyển hóa kiến thức thành năng lực.

(3) Cá nhân hóa (Personalized): Lộ trình học tập được điều chỉnh theo mức độ năng lực đầu vào và mục tiêu nghề nghiệp cá nhân. Nghiên cứu về giáo dục dựa trên năng lực (Garcia và Mende, 2020) cho thấy cá nhân hóa tăng cường động lực học và hiệu quả đào tạo.

(4) Đánh giá đa dạng (Multi-Modal Assessment): Kết hợp đánh giá format (quiz, bài tập), đánh giá thực hành (dự án, portfolio), đánh giá đồng cấp (peer review), và tự đánh giá (self-assessment). Sử dụng khung Bloom's Digital Taxonomy để đảm bảo đánh giá ở nhiều cấp độ nhận thức.

(5) Đổi mới liên tục (Continuously Updated): Nội dung khóa học được cập nhật hàng năm dựa trên phản hồi từ doanh nghiệp, xu hướng công nghệ, và kết quả nghiên cứu sư phạm.

6.2. Mô-đun 1: Kỹ năng thông tin và dữ liệu số (Dành cho sinh viên)

Mã mô-đun: CDIM-S1 | Số tín chỉ: 2 | Học kỳ: 1

Mục tiêu năng lực: Sau khi hoàn thành mô-đun, sinh viên có khả năng tìm kiếm, đánh giá, quản lý và sử dụng thông tin số một cách chiến lược để phục vụ học tập và phát triển nghề nghiệp.

Nội dung đào tạo:

Bài 1: Hệ sinh thái thông tin số (6 giờ)

• Cơ sở dữ liệu học thuật: Google Scholar, Scopus, Web of Science, Google Dataset Search
• Thư viện số và Open Educational Resources (OER)
• Mạng xã hội học thuật (ResearchGate, Academia.edu)
• Công cụ AI hỗ trợ tìm kiếm (Perplexity, Elicit, Semantic Scholar)

Bài 2: Đánh giá thông tin số (6 giờ)

• Tiêu chí đánh giá: độ tin cậy, chính xác, khách quan, cập nhật
• Nhận diện thông tin sai lệch (misinformation), tin giả (fake news), và nội dung do AI tạo
• Fact-checking tools và cross-referencing
• Thực hành: phân tích case study về thông tin sai lệch liên quan đến nghề nghiệp

Bài 3: Quản lý dữ liệu cá nhân (6 giờ)

• Cloud storage và hệ thống phân loại thông tin cá nhân
• Công cụ quản lý tài liệu tham khảo (Zotero, Mendeley)
• Bookmarking và knowledge management (Notion, Obsidian)
• Bảo mật dữ liệu cá nhân: password management, 2FA, data privacy

Bài 4: Ứng dụng thông tin số cho phát triển nghề nghiệp (6 giờ)

• Nghiên cứu doanh nghiệp và ngành nghề qua nền tảng số
• Phân tích xu hướng thị trường lao động (LinkedIn Salary, Glassdoor, JobStreet)
• Xây dựng bộ tài liệu nghiên cứu nghề nghiệp số cá nhân
• Thực hành tổng hợp: dự án nghiên cứu thông tin về một ngành nghề cụ thể

Phương pháp giảng dạy: Blended learning — 40% trực tiếp (workshop thực hành), 30% trực tuyến (video hướng dẫn, quiz tương tác), 30% tự học có hướng dẫn.

Tiêu chí đánh giá:

• Dự án nhóm: bộ tài liệu nghiên cứu nghề nghiệp số (40%)
• Portfolio thông tin cá nhân trên Notion/Zotero (30%)
• Quiz đánh giá năng lực đánh giá thông tin (30%)

6.3. Mô-đun 2: Năng lực AI và dữ liệu cho phát triển nghề nghiệp (Dành cho sinh viên)

Mã mô-đun: CDIM-S2 | Số tín chỉ: 3 | Học kỳ: 2–3

Mục tiêu năng lực: Sinh viên có khả năng sử dụng AI và phân tích dữ liệu cơ bản để hỗ trợ học tập, nghiên cứu và phát triển nghề nghiệp, đồng thời hiểu được giới hạn và các rào cản đạo đức của AI.

Nội dung đào tạo:

Bài 1: Hiểu biết cơ bản về AI (8 giờ)

• AI là gì? Lịch sử phát triển và các loại AI (narrow AI, general AI, generative AI)
• AI trong đời sống và trong nghề nghiệp: xu hướng, cơ hội và thách thức
• AI và thị trường lao động: những công việc nào thay đổi, những kỹ năng nào tăng giá trị
• Thực hành: sử dụng các công cụ AI cơ bản (ChatGPT, Claude, Gemini)

Bài 2: Sử dụng AI tạo sinh theo cách có trách nhiệm (8 giờ)

• Prompt engineering cơ bản: cách đặt câu hỏi hiệu quả cho AI
• Đánh giá đầu ra của AI: xác định chính xác, sai lệch và ảo (hallucination)
• Trích dẫn và ghi nhận sử dụng AI: tiêu chuẩn đạo đức
• Thực hành: sử dụng AI để nghiên cứu, viết, phân tích — với đánh giá phản tỉnh

Bài 3: Năng lực dữ liệu cơ bản (8 giờ)

• Thu thập dữ liệu: khảo sát trực tuyến (Google Forms), scraping dữ liệu công khai
• Phân tích dữ liệu: Excel/Google Sheets cơ bản, pivot table, biểu đồ
• Trình bày dữ liệu: thiết kế infographic và dashboard đơn giản
• Thực hành: phân tích dữ liệu thị trường lao động cho một ngành nghề

Bài 4: AI cho phát triển nghề nghiệp (8 giờ)

• Sử dụng AI để tối ưu CV, cover letter, và hồ sơ LinkedIn
• Sử dụng AI để chuẩn bị phỏng vấn (mock interview AI)
• Sử dụng AI để phân tích công việc và so khớp năng lực (job matching)
• Dự án tổng hợp: xây dựng toolkit AI cá nhân cho nghề nghiệp

Phương pháp giảng dạy: Hands-on workshop — 60% thực hành máy tính, 20% trực tiếp, 20% trực tuyến.

Tiêu chí đánh giá:

• Dự án tổng hợp: toolkit AI cá nhân cho nghề nghiệp (40%)
• Bài phân tích dữ liệu thị trường lao động (30%)
• Portfolio AI prompts và phản tỉnh (30%)

6.4. Mô-đun 3: Năng lực sư phạm số cho giảng viên (Dành cho giảng viên)

Mã mô-đun: CDIM-F1 | Số tín chỉ: 2 | Học kỳ: Mùa hè hoặc trong năm

Mục tiêu năng lực: Giảng viên có năng lực tích hợp công nghệ vào giảng dạy chuyên ngành, hướng dẫn nghề nghiệp cho sinh viên trong môi trường số, và sử dụng dữ liệu học tập để cải thiện giáo dục.

Nội dung đào tạo:

Bài 1: TPACK và AI-TPACK — nền tảng sư phạm số (6 giờ)

• Giới thiệu khung TPACK và AI-TPACK (Li và cộng sự, 2026)
• Đánh giá năng lực số cá nhân theo DigCompEdu (self-assessment)
• Công nghệ phù hợp với từng môn chuyên ngành: mapping tools theo discipline
• Xây dựng kế hoạch phát triển năng lực số cá nhân (Personal Development Plan)

Bài 2: Thiết kế trải nghiệm học tập số tích hợp nghề nghiệp (8 giờ)

• Lồng ghép phát triển nghề nghiệp vào môn chuyên ngành
• Thiết kế project-based assessment hướng nghề nghiệp
• Sử dụng công cụ cộng tác số trong giảng dạy (Miro, Padlet, Perusall)
• Thực hành: thiết kế lại một bài giảng theo hướng CDIM

Bài 3: Hướng dẫn và cố vấn nghề nghiệp số (8 giờ)

• Kỹ năng tư vấn nghề nghiệp qua nền tảng số
• Sử dụng công cụ đánh giá năng lực nghề nghiệp trực tuyến
• Kết nối sinh viên với cơ hội nghề nghiệp qua LinkedIn và mạng lưới
• Thực hành: role-play tư vấn nghề nghiệp qua video call

Bài 4: Learning Analytics và đánh giá dựa trên dữ liệu (4 giờ)

• Giới thiệu cơ bản về learning analytics
• Sử dụng LMS dashboard để theo dõi tiến trình sinh viên
• Thiết kế rubric đánh giá năng lực số
• Phản ánh và cải thiện: action research cơ bản

Phương pháp giảng dạy: Workshop tương tác — 30% lý thuyết, 70% thực hành. Mỗi giảng viên hoàn thành một dự án trên thực địa: thiết kế lại một phần môn học theo hướng CDIM.

Tiêu chí đánh giá:

• Dự án thiết kế lại môn học theo CDIM (50%)
• Bài thực hành tư vấn nghề nghiệp số (role-play) (25%)
• Personal Development Plan năng lực số (25%)

6.5. Mô-đun 4: Kỹ năng giao tiếp, hợp tác và thương hiệu cá nhân số (Dành cho sinh viên)

Mã mô-đun: CDIM-S3 | Số tín chỉ: 2 | Học kỳ: 2

Mục tiêu năng lực: Sinh viên có khả năng giao tiếp chuyên nghiệp, hợp tác hiệu quả, và xây dựng thương hiệu cá nhân trong môi trường số.

Nội dung đào tạo:

Bài 1: Giao tiếp chuyên nghiệp số (6 giờ)

• Email chuyên nghiệp, chat doanh nghiệp (Slack, Teams), thông báo số
• Tham gia và chủ trì cuộc họp trực tuyến
• Kỹ năng thuyết trình trực tuyến: thiết kế slide, kể chuyện số (digital storytelling)
• Thực hành: mô phỏng cuộc họp nhóm trực tuyến

Bài 2: Hợp tác số và làm việc nhóm ảo (6 giờ)

• Công cụ cộng tác số: Google Workspace, Notion, Trello, Miro
• Phân chia và điều phối công việc trực tuyến
• Giải quyết xung đột nhóm từ xa
• Thực hành: dự án nhóm kéo dài 6 tuần

Bài 3: Xây dựng thương hiệu cá nhân số (6 giờ)

• LinkedIn: profile, networking, content strategy
• E-portfolio: xây dựng portfolio trực tuyến thể hiện năng lực
• Quản lý ấn tượng trực tuyến (online impression management)
• Thực hành: thiết kế profile LinkedIn và e-portfolio

Bài 4: Mạng lưới nghề nghiệp số (6 giờ)

• Networking chiến lược trên LinkedIn và cộng đồng nghề nghiệp
• Tham gia sự kiện nghề nghiệp trực tuyến
• Informational interviewing qua video call
• Thực hành tổng hợp: tham gia networking event trực tuyến

6.6. Mô-đun 5: Kỹ năng quản lý dự án và đổi mới số (Dành cho cán bộ quản lý và đối tác doanh nghiệp)

Mã mô-đun: CDIM-A1 | Số tín chỉ: 2 | Học kỳ: Workshop ngắn hạn

Mục tiêu năng lực: Cán bộ quản lý và đối tác doanh nghiệp có khả năng quản lý dự án triển khai CDIM, đánh giá hiệu quả, và đóng góp phản hồi đào tạo.

Nội dung đào tạo:

Bài 1: Quản trị số và ra quyết định dựa trên dữ liệu (6 giờ)

• Giới thiệu education analytics: loại dữ liệu, công cụ phân tích
• Xây dựng dashboard quản trị: KPI cho mô hình CDIM
• Case study: các trường đại học triển khai CDIM hiệu quả trên thế giới

Bài 2: Quản lý dự án chuyển đổi số (8 giờ)

• Project management cơ bản: scope, timeline, risk, stakeholder
• Công cụ quản lý dự án số: Trello, Asana, Jira
• Quản lý thay đổi (change management) trong giáo dục

Bài 3: Thiết kế chương trình thực tập số (6 giờ)

• Hợp tác trường-đại học-kinh doanh qua nền tảng số
• Thiết kế task và milestone cho thực tập sinh trực tuyến
• Đánh giá năng lực thực tập sinh qua rubric số
• Thực hành: thiết kế chương trình thực tập ảo

6.7. Mô-đun 6: An toàn, bảo vệ số và đạo đức công nghệ (Dành cho tất cả các bên)

Mã mô-đun: CDIM-ALL1 | Số tín chỉ: 1 | Học kỳ: 1 (bắt buộc cho tất cả)

Mục tiêu năng lực: Tất cả bên liên quan hiểu và thực hành an toàn số, bảo vệ dữ liệu, và đạo đức sử dụng công nghệ.

Nội dung đào tạo:

Bài 1: An toàn và bảo vệ số (4 giờ)

• Bảo vệ thiết bị: antivirus, firewall, secure browsing
• Bảo vệ dữ liệu cá nhân: password management, 2FA, encryption
• Quyền riêng tư trên mạng xã hội và các nền tảng số
• Nhận diện và phòng chống lừa đảo trực tuyến (phishing, social engineering)

Bài 2: Đạo đức AI và công nghệ (4 giờ)

• Điểm nghẽn đạo đức của AI: bias, privacy, transparency
• Quy tắc sử dụng AI trong học tập: tiêu chuẩn trích dẫn, policy của trường
• Sở hữu trí tuệ số: copyright, Creative Commons, open access
• Thực hành: phân tích tình huống đạo đức công nghệ

Bài 3: Sức khỏe số (4 giờ)

• Thiết bị kỹ thuật số và sức khỏe: ergonomics, blue light, screen time
• Nghiện công nghệ và sức khỏe tinh thần: self-regulation strategies
• Cân bằng giữa không gian mạng và không gian thực

6.8. Lộ trình triển khai theo cấp độ

Mô hình CDIM không thể triển khai một lần cho tất cả — cần lộ trình từng bước, phù hợp với năng lực hiện tại và nguồn lực của từng trường.

Cấp độ 1 — Nền tảng (Năm 1): Triển khai mô-đun CDIM-ALL1 (an toàn số) cho toàn trường, CDIM-S1 (thông tin số) cho sinh viên năm nhất, và CDIM-F1 (năng lực sư phạm) cho giảng viên chủ chốt. Xây dựng hạ tầng cơ bản: LMS tối ưu, hệ thống e-portfolio, và nền tảng đánh giá năng lực số.

Cấp độ 2 — Phát triển (Năm 2–3): Mở rộng CDIM-S2 (năng lực AI) và CDIM-S3 (giao tiếp số) cho sinh viên. Triển khai CDIM-A1 cho cán bộ quản lý và đối tác doanh nghiệp. Bắt đầu tích hợp yếu tố phát triển nghề nghiệp số vào các môn chuyên ngành.

Cấp độ 3 — Tinh chỉnh (Năm 3–4): Đầy đủ triển khai tất cả mô-đun. Sử dụng learning analytics để cá nhân hóa lộ trình học. Mở rộng quan đối tác doanh nghiệp và mạng lưới nghề nghiệp số. Đánh giá và điều chỉnh dựa trên phản hồi đa chiều.

Cấp độ 4 — Bền vững (Năm 5 trở đi): Mô hình CDIM trở thành văn hóa trường — phát triển nghề nghiệp số được lồng ghép vào mọi hoạt động giáo dục. Liên tục cập nhật nội dung theo xu hướng công nghệ và thị trường lao động. Xuất sắc: chia sẻ kinh nghiệm và hỗ trợ các trường khác triển khai.

[Phân tích của tác giả — lộ trình bốn cấp độ này được thiết kế dựa trên nguyên tắc "khả thi trước, toàn diện sau." Trải nghiệm triển khai CBE trong giáo dục nghề nghiệp kỹ thuật (Matsumoto, 2021) cho thấy các mô hình đào tạo dựa trên năng lực cần thời gian 3–5 năm để đạt độ trưởng thành, đáng lưu ý khi đòi hỏi thay đổi văn hóa tổ chức.]

6.9. Ma trận năng lực CDIM — công cụ đánh giá và theo dõi

Để đảm bảo tính minh bạch và có thể đo lường, [Phân tích của tác giả] đề xuất một ma trận năng lực CDIM gồm ba trục: (i) nhóm bên liên quan, (ii) nhóm kỹ năng số, và (iii) cấp độ phát triển (từ 1 — Nhận biết đến 5 — Sáng tạo).

Ma trận này đóng góp quan trọng vào: (a) công cụ đánh giá đầu vào (diagnostic assessment) — xác định năng lực hiện tại, (b) công cụ thiết kế lộ trình cá nhân — vẽ lộ trình phát triển phù hợp, (c) công cụ theo dõi tiến trình — tracking progress, và (d) công cụ đánh giá đầu ra — summative assessment. Mỗi ô trong ma trận có rubric rõ ràng, ví dụ: "Sinh viên — Năng lực AI — Cấp độ 3: Sử dụng AI tạo sinh để phân tích dữ liệu thị trường lao động và xây dựng CV tối ưu, có thể giải thích được giới hạn của AI ở thời điểm đó."

Ma trận năng lực CDIM được xây dựng dựa trên sự kết hợp giữa khung DigComp (cấp độ A1–C2), khung năng lực AI (Watson và cộng sự, 2026), và khung phát triển sự nghiệp (CDI Blueprint, Kim và cộng sự, 2021), được điều chỉnh cho phù hợp bối cảnh giáo dục đại học Việt Nam.

Phần 6 bổ sung: Chi tiết phương pháp giảng dạy và công cụ hỗ trợ cho mô hình CDIM

6.10. Phương pháp giảng dạy số — từ truyền thống đến đổi mới

Thiết kế khóa học trong mô hình CDIM vừa về nội dung vừa về cách giảng dạy. [Phân tích của tác giả] đề xuất năm phương pháp giảng dạy số cơ bản, được xếp theo mức độ tích cực hóa người học — từ thấp đến cao theo Bloom's Digital Taxonomy.

(1) Flipped Classroom số hóa (Lớp học đảo ngược số): Sinh viên tiếp nhận nội dung lý thuyết qua video, podcast, hoặc bài đọc tương tác trước buổi học. Thời gian lớp (trực tiếp hoặc trực tuyến) dành cho thảo luận, thực hành và giải quyết trăn trở. Phương pháp này rõ nét phù hợp cho các mô-đun kỹ năng số — cho phép sinh viên xem video hướng dẫn công cụ số nhiều lần theo tốc độ cá nhân trước khi thực hành tập trung trong lớp. Nghiên cứu về phát triển năng lực sư phạm số cho giáo viên đại học (Wang và cộng sự, 2025) cho thấy flipped classroom tăng cường tương tác và kết quả học tập.

(2) Project-Based Learning số (PBL): Học qua dự án trong thực tiễn là phương pháp nền tảng của mô hình CDIM. Mỗi mô-đun cần ít nhất một dự án lớn, kéo dài 4–8 tuần, trong đó sinh viên áp dụng kỹ năng số để giải quyết mối bận tâm ở trong thực tiễn. Ví dụ: dự án nghiên cứu thị trường lao động số (mô-đun S1), dự án xây dựng toolkit AI nghề nghiệp (mô-đun S2), hoặc dự án thiết kế trải nghiệm học tập số (mô-đun F1). Nghiên cứu về tích hợp PBL vào giáo dục đại học (Castro và cộng sự, 2023) cho thấy PBL phát triển kỹ năng thế kỷ hai mươi mốt hiệu quả hơn phương pháp giảng truyền thống.

(3) Scenario-Based Learning (Học qua tình huống): Sinh viên được đặt vào các tình huống nghề nghiệp nhiều nơi và phải sử dụng kỹ năng số để giải quyết. Ví dụ: "Bạn là nhân viên marketing mới, cần phân tích dữ liệu mạng xã hội bằng công cụ AI để đưa ra chiến lược nội dung" hoặc "Bạn là giảng viên, cần thiết kế một bài giảng tương tác trên LMS cho môn chuyên ngành." Phương pháp này kết hợp năng lực giải quyết điểm yếu số với hiểu biết nghề nghiệp theo ở thực tế.

(4) Peer Learning số (Học tập đồng cấp): Sinh viên học từ nhau thông qua review chéo dự án, feedback đồng cấp, và cộng tác nhóm đa văn hóa. Các nền tảng số (Perusall, Peergrade, Google Classroom) hỗ trợ quá trình này. Nghiên cứu về cộng tác trong học tập tích hợp công việc (Huang và cộng sự, 2026) chỉ ra peer learning giúp sinh viên phát triển kỹ năng giao tiếp và đánh giá — kỹ năng quan trọng trong môi trường làm việc.

(5) Microlearning (Học tập vi mô): Nội dung được chia thành các đơn vị nhỏ (5–15 phút), dễ tiếp thu, phù hợp với thói quen tiêu thụ nội dung số của thế hệ Z. Microlearning thiết yếu phù hợp cho các mô-đun kỹ năng số công cụ — hướng dẫn sử dụng từng công cụ dưới dạng video ngắn, kèm bài tập thực hành nhanh. Mỗi video tập trung vào một kỹ năng cụ thể, cho phép sinh viên học theo nhu cầu và tốc độ cá nhân.

6.11. Công nghệ hỗ trợ triển khai mô hình CDIM

Triển khai CDIM đòi hỏi một hệ sinh thái công nghệ đa lớp. Dưới đây là các loại công nghệ cần thiết, được phân lớp theo mô hình SAMR (Substitution, Augmentation, Modification, Redefinition):

Lớp cơ sở (Substitution):

• LMS (Moodle, Canvas, Google Classroom) — nền tảng quản lý học tập
• Cloud storage (Google Drive, OneDrive) — lưu trữ và chia sẻ tài liệu
• Video conferencing (Zoom, Google Meet, Microsoft Teams) — lớp học trực tuyến
• Email và chat (Gmail, Slack, Zalo) — giao tiếp

Lớp tăng cường (Augmentation):

• E-portfolio (Notion, WordPress, Mahara) — portfolio nghề nghiệp số
• Assessment tools (Google Forms, Quizizz, Kahoot) — đánh giá tương tác
• Collaboration tools (Miro, FigJam, Padlet) — làm việc nhóm
• Reference management (Zotero, Mendeley) — quản lý tài liệu tham khảo

Lớp cải biến (Modification):

• AI tools (ChatGPT, Claude, Gemini) — hỗ trợ học tập và tư duy
• Data analytics tools (Google Sheets, Power BI) — phân tích dữ liệu
• Digital badges system (Badgr, Credly) — chứng chỉ năng lực số
• Learning analytics dashboard — theo dõi tiến trình học tập

Lớp tái định nghĩa (Redefinition):

• Adaptive learning platform — cá nhân hóa lộ trình học
• AI-powered career matching — kết nối sinh viên với cơ hội nghề nghiệp phù hợp
• Virtual reality / Augmented reality — mô phỏng môi trường làm việc
• Blockchain credential — bằng cấp và chứng chỉ số không thể giả mạo

Nguyên tắc lựa chọn công nghệ: [Phân tích của tác giả] khuyến nghị các trường áp dụng nguyên tắc "nhiều hơn không phải tốt hơn" — ưu tiên số lượng công ít nhưng chất lượng cao và tích hợp tốt hơn là triển khai nhiều công cụ không đồng bộ. Mỗi công nghệ cần có: (i) mục đích sư phạm rõ ràng, (ii) đào tạo sử dụng cho tất cả bên liên quan, (iii) hỗ trợ kỹ thuật liên tục, và (iv) đánh giá định kỳ hiệu quả.

6.12. Khung đánh giá năng lực số — rubric mẫu

Để đảm bảo tính minh bạch và có thể đo lường, mỗi năng lực số trong mô-đun cần có rubric đánh giá rõ ràng. Dưới đây là rubric mẫu cho năng lực "Đánh giá thông tin số" (mô-đun S1):

Cấp độ	Mô tả năng lực	Bằng chứng
1 — Nhận biết	Biết rằng cần đánh giá thông tin số nhưng chưa có phương pháp hệ thống	Có thể liệt kê một số tiêu chí đánh giá cơ bản
2 — Hiểu	Hiểu các tiêu chí đánh giá thông tin số (độ tin cậy, tính cập nhật, tính khách quan)	Sẽ áp dụng tiêu chí để đánh giá một nguồn thông tin đơn giản
3 — Áp dụng	Được sử dụng phương pháp fact-checking và cross-referencing để đánh giá nhiều nguồn	Hoàn thành bài tập đánh giá case study với giải thích rõ ràng
4 — Phân tích	Có khả năng phân tích và so sánh thông tin từ nhiều nguồn, xác định mâu thuẫn và thiên kiến	Dự án nghiên cứu thông tin nghề nghiệp với phân tích nguồn đa chiều
5 — Sáng tạo	Nhiều khả năng xây dựng hệ thống đánh giá thông tin cá nhân và hướng dẫn người khác đánh giá	Hướng dẫn đồng cấp đánh giá thông tin, viết hướng dẫn fact-checking

Rubric này được áp dụng cho mọi năng lực số trong mô hình CDIM — từ kỹ năng thông tin đến kỹ năng AI, từ kỹ năng giao tiếp đến kỹ năng quản lý sự nghiệp. Mỗi mô-đun có bộ rubric riêng, nhưng cấu trúc năm cấp độ được duy trì nhất quán, cho phép theo dõi tiến trình phát triển năng lực xuyên suốt toàn bộ lộ trình CDIM.

6.13. Đảm bảo chất lượng và cải tiến liên tục

Mô hình CDIM cần cơ chế đảm bảo chất lượng đa chiều:

(a) Đánh giá từ sinh viên: End-of-module survey đánh giá mức độ hài lòng, mức độ phát triển năng lực, và đề xuất cải tiến. Nghiên cứu về giáo dục đại học và chuyển đổi số (Nguyễn, 2023) nhấn mạnh rằng feedback của sinh viên là nguồn dữ liệu quý giá nhất để cải thiện.

(b) Đánh giá từ giảng viên: Peer review giữa giảng viên — observation và feedback về phương pháp giảng dạy số. Áp dụng khung DigCompEdu như công cụ self-assessment và peer-assessment định kỳ.

(c) Đánh giá từ doanh nghiệp: Employer satisfaction survey — đánh giá mức độ năng lực số của thực tập sinh và cựu sinh viên. So sánh kỳ vọng năng lực với trên thực địa — khoảng cách chính là cơ sở điều chỉnh chương trình. Nghiên cứu về khoảng cách năng lực sinh viên và nhà tuyển dụng (Xiao và cộng sự, 2023) khuyến nghị survey nhà tuyển dụng hàng năm.

(d) Đánh giá từ cựu sinh viên: Alumni tracking survey — đánh giá mức độ hữu ích của kỹ năng số đã học trong môi trường làm việc thực tiễn. Nghiên cứu về tác động chuyển đổi số ở Việt Nam (Nguyễn, 2023) cho thấy phản hồi từ cựu sinh viên là chỉ số hiệu quả lâu dài nhất.

(e) Learning analytics: Sử dụng dữ liệu hệ thống LMS để theo dõi engagement, completion rate, và performance — nhận diện sớm sinh viên gặp khó khăn và can thiệp kịp thời.

Cơ chế đảm bảo chất lượng này tạo thành vòng lặp phản hồi (feedback loop) — dữ liệu từ các bên liên quan được thu thập, phân tích, và dùng để điều chỉnh nội dung, phương pháp, và hạ tầng của mô hình CDIM, đảm bảo mô hình liên tục cải tiến và bám sát thực tiễn.

Phần 7: Thảo luận — rào cản, khuyến nghị chính sách và triển vọng

7.1. Rào cản triển khai mô hình CDIM

Triển khai mô hình CDIM tại các trường đại học Việt Nam đối mặt với nhiều rào cản thực tiễn cần được nhận diện và giải quyết có hệ thống.

(a) Rào cản về năng lực giảng viên: Rào cản lớn nhất và thường xuyên nhất là thiếu hụt năng lực số của giảng viên. Nghiên cứu về năng lực số giáo viên theo khung châu Âu tại Thổ Nhĩ Kỳ (Yildiz-Durak và Akbulut, 2024) cho thấy nhiều giáo viên có năng lực số cá nhân (sử dụng mạng xã hội, email) nhưng năng lực sư phạm số (tích hợp công nghệ vào giảng dạy) lại ở mức thấp. Tương tự, nghiên cứu về chuyển đổi số giáo dục đại học Việt Nam (Nguyễn, 2023) chỉ ra giảng viên đại học Việt Nam cần được đào tạo bài bản về năng lực số sư phạm — không chỉ biết sử dụng công cụ mà phải biết cách thiết kế trải nghiệm học tập số có ý nghĩa.

(b) Rào cản về hạ tầng công nghệ: Nhiều trường đại học có hạ tầng LMS nhưng chưa khai thác hết tiềm năng — LMS chủ yếu được dùng để lưu tài liệu, chưa phát huy khả năng tương tác, analytics, và cá nhân hóa. Nghiên cứu về tái định nghĩa giáo dục đại học Việt Nam trong thời đại số (Lê và cộng sự, 2024) nhấn mạnh rằng đầu tư hạ tầng công nghệ không đi kèm với đào tạo năng lực sử dụng sẽ tạo ra "hố kỹ thuật số" (digital divide) lớn hơn.

(c) Rào cản về văn hóa tổ chức: Chuyển từ mô hình đào tạo truyền thống sang mô hình CDIM đòi hỏi thay đổi văn hóa — từ "giảng viên truyền đạt, sinh viên tiếp nhận" sang "cả hai cùng học, cùng phát triển." Nghiên cứu về chuyển đổi chương trình giáo dục dựa trên năng lực (Garcia và Mende, 2020) cho thấy rào cản văn hóa thường khó vượt qua hơn rào cản kỹ thuật.

(d) Rào cản về quan đối tác doanh nghiệp: Nghiên cứu về quan đối tác trường-đại học-kinh doanh (Chen và cộng sự, 2025) chỉ ra doanh nghiệp muốn tham gia đào tạo nhưng gặp khó khăn: thiếu thời gian, thiếu nền tảng cộng tác số, và thiếu kỳ vọng chung về năng lực sinh viên. Rào cản này vô cùng nghiêm trọng ở Việt Nam, nơi quan đối tác trường-đại học-kinh doanh còn ở giai đoạn sơ khai.

(e) Rào cản về đánh giá và công nhận: Hiện chưa có khung đánh giá năng lực số chuẩn quốc gia cho giáo dục đại học Việt Nam, khiến các trường khó xác định chuẩn đầu ra và khó so sánh với các trường trong nước và quốc tế. [Phân tích của tác giả — cần xây dựng bộ tiêu chí đánh giá năng lực số dựa trên khung DigComp, được điều chỉnh cho bối cảnh Việt Nam, làm nền tảng cho công nhận bằng cấp và chứng chỉ bổ sung.]

7.2. Khuyến nghị cho Bộ Giáo dục và Đào tạo

(1) Xây dựng khung năng lực số quốc gia cho giáo dục đại học: Dựa trên khung DigComp 2.2 và DigCompEdu, xây dựng khung năng lực số quốc gia phù hợp bối cảnh Việt Nam, bao gồm: chuẩn năng lực số cho sinh viên (theo nhóm ngành), chuẩn năng lực sư phạm số cho giảng viên, và chuẩn năng lực quản trị số cho cán bộ quản lý. Khung này cần được sử dụng như một công cụ chính sách — liên kết với kiểm định chất lượng giáo dục và đánh giá trường đại học.

(2) Đưa năng lực số vào tiêu chuẩn chương trình đào tạo: Bổ sung yêu cầu về năng lực số vào quy định Chuẩn chương trình đào tạo (hiện hành theo Thông tư 08/2021/TT-BGDĐT). Mỗi chương trình đào tạo cần xác định rõ năng lực số cần đạt cho sinh viên và có lộ trình đào tạo cụ thể — thay vì hiện nay chỉ có yêu cầu "tin học đại học" chung chung.

(3) Hỗ trợ tài chính cho chuyển đổi số giáo dục: Quỹ hỗ trợ chuyển đổi số cần ưu tiên các dự án phát triển năng lực số cho giảng viên và sinh viên, không chỉ đầu tư hạ tầng. Nghiên cứu của OECD (2024) về năng lực đổi mới số trong giáo dục đại học nhấn mạnh rằng đầu tư vào con người mang lại ROI cao hơn đầu tư chỉ vào công nghệ.

(4) Khuyến khích quan đối tác trường-đại học-kinh doanh số: Xây dựng cơ chế khuyến khích (tax incentive, grant) cho doanh nghiệp tham gia đào tạo phát triển nghề nghiệp số cho sinh viên, rất qua các chương trình thực tập ảo và dự án nhiều nơi trên nền tảng số.

(5) Xây dựng hệ thống chứng chỉ năng lực số (Digital Badges): Phát triển hệ thống chứng chỉ số (digital badges, micro-credentials) cho năng lực số, được công nhận bởi Bộ GD&ĐT và doanh nghiệp — giúp sinh viên chứng minh năng lực với nhà tuyển dụng.

7.3. Khuyến nghị cho các trường đại học

(1) Thiết kế lộ trình phát triển năng lực số bốn cấp độ: Thực hiện lộ trình bốn cấp độ đã đề xuất ở Phần 6 — bắt đầu từ nền tảng, phát triển, tinh chỉnh đến bền vững. Lộ trình cần được phê duyệt bởi hội đồng trường và gắn với chiến lược phát triển nhà trường.

(2) Đào tạo giảng viên trước, triển khai sau: Nguyên tắc "đào tạo người đào tạo trước" — tất cả giảng viên tham gia mô-đun CDIM-F1 trước khi tích hợp yếu tố phát triển nghề nghiệp số vào môn chuyên ngành. Nghiên cứu về đào tạo giáo viên số của UNESCO MGIEP (Bello và cộng sự, 2024) cho thấy đào tạo số có cấu trúc cải thiện đáng kể năng lực và sự tự tin của giáo viên.

(3) Xây dựng trung tâm hỗ trợ phát triển nghề nghiệp số: Thành lập hoặc nâng cấp trung tâm hỗ trợ sinh viên (career center) với năng lực số — trang bị công cụ đánh giá nghề nghiệp trực tuyến, đào tạo cố vấn nghề nghiệp số, và xây dựng nền tảng kết nối sinh viên với doanh nghiệp.

(4) Đầu tư vào hệ thống e-portfolio: E-portfolio là công cụ then chốt của mô hình CDIM — cho phép sinh viên tích lũy, phản ánh và trình bày năng lực phát triển nghề nghiệp. Cần chọn nền tảng phù hợp, đào tạo sinh viên sử dụng, và tích hợp e-portfolio vào quy trình đánh giá.

(5) Đánh giá và điều chỉnh liên tục: Sử dụng learning analytics để theo dõi tiến trình phát triển năng lực số của sinh viên và giảng viên, thu thập phản hồi từ doanh nghiệp và cựu sinh viên, và điều chỉnh chương trình đào tạo hàng năm.

7.4. Khuyến nghị cho doanh nghiệp và nhà tuyển dụng

(1) Xây dựng kỳ vọng rõ ràng về năng lực số: Doanh nghiệp cần công bố rõ ràng các năng lực số yêu cầu cho từng vị trí, giúp trường đại học điều chỉnh chương trình đào tạo. Nghiên cứu về nhận thức của nhà tuyển dụng ở Mexico (Gonzalez và cộng sự, 2026) cho thấy minh bạch về yêu cầu năng lực giúp giảm khoảng cách kỹ năng.

(2) Tham gia thiết kế trải nghiệm thực tập số: Doanh nghiệp nên chủ động thiết kế chương trình thực tập ảo hoặc hybrid, sử dụng công cụ cộng tác số để hướng dẫn và đánh giá thực tập sinh.

(3) Đóng góp phản hồi đào tạo: Cung cấp phản hồi định kỳ về khoảng cách kỹ năng giữa yêu cầu theo nhiều nơi và năng lực sinh viên — giúp trường đại học điều chỉnh chương trình đào tạo kịp thời.

7.5. Triển vọng

Mô hình CDIM, khi được triển khai hiệu quả, có tiềm năng tạo ra sự thay đổi sâu sắc trong giáo dục đại học Việt Nam:

(a) Thu hẹp khoảng cách kỹ năng: Mô hình CDIM giúp thu hẹp khoảng cách giữa năng lực sinh viên tốt nghiệp và yêu cầu của thị trường lao động — thách thức mà nhiều nghiên cứu đã chỉ ra (Khalid và cộng sự, 2023; Xiao và cộng sự, 2023).

(b) Nâng cao năng lực cạnh tranh quốc gia: Trong thời đại kinh tế số, năng lực số của lực lượng lao động là yếu tố cạnh tranh quốc gia. Việt Nam, với chiến lược chuyển đổi số quốc gia, cần hệ thống giáo dục đại học có khả năng sản sinh ra công dân số có năng lực cao.

(c) Xây dựng văn hóa học tập suốt đời: Mô hình CDIM trang bị cho sinh viên vừa kỹ năng hiện tại, vừa khả năng tự học số — nền tảng cho học tập suốt đời trong thời đại công nghệ thay đổi liên tục.

(d) Mô hình cần mở rộng: Từ mô hình cho sinh viên đại học, CDIM được phép mở rộng sang đào tạo cao học, đào tạo ngắn hạn cho người đi làm, và đào tạo chuyển đổi nghề nghiệp — tạo ra một hệ sinh thái học tập liên tục.

Phần 7 bổ sung: Case study và khuyến nghị thực tiễn triển khai

7.6. Bài học từ các mô hình triển khai trên thế giới

Dù CDIM là một khuôn mẫu mới được đề xuất trong bài viết này, nhiều thành phần cấu thành CDIM đã được triển khai thành công ở các trường đại học trên thế giới. Phân tích các case study này cung cấp bài học thực tiễn quý giá cho các trường Việt Nam.

(a) Đại học Deakin (Úc) — Career Development and Employability Framework: Đại học Deakin triển khai khung phát triển nghề nghiệp xuyên suốt chương trình học, trong đó mọi sinh viên phải hoàn thành tối thiểu một đơn vị học tập về nghề nghiệp và kỹ năng sử dụng số. Khung này sử dụng e-portfolio là công cụ cơ bản — sinh viên tích lũy bằng chứng năng lực trong suốt bốn năm học và cuối cùng trình bày portfolio hoàn chỉnh cho nhà tuyển dụng. [Phân tích của tác giả — điểm mạnh của mô hình Deakin là tính bắt buộc (mandatory) — đảm bảo 100% sinh viên tiếp xúc với phát triển nghề nghiệp, không chỉ những sinh viên chủ động tìm kiếm.]

(b) Đại học Twente (Hà Lan) — 21st Century Skills Across the Curriculum: Đại học Twente tích hợp kỹ năng thế kỷ hai mươi mốt vào tất cả chương trình đào tạo, bao gồm: kỹ năng số, kỹ năng hợp tác, kỹ năng giao tiếp, kỹ năng tư duy đổi mới. Kết quả nghiên cứu của de Pablos và Tondeur (2018) về khung kỹ năng toàn cầu cho thấy cách tiếp cận xuyên môn (cross-curricular) hiệu quả hơn cách tiếp cận tách biệt (stand-alone course) — củng cố nguyên tắc "tích hợp" của mô hình CDIM.

(c) Đại học Philippines — DigCompEdu cho giáo viên đại học: Nghiên cứu về nâng cao năng lực số cho giáo viên giáo dục hàng hải tại Philippines (Turyahabwe và cộng sự, 2023) sử dụng khung DigComp 2.0 để đánh giá và đào tạo giảng viên. Kết quả cho thấy chương trình đào tạo dựa trên khung DigComp giúp giảng viên tự nhận thức rõ hơn về năng lực số và chủ động phát triển — bài học quan trọng cho mô-đun CDIM-F1 trong CDIM.

(d) UNESCO MGIEP — Digital Teacher Training: Chương trình đào tạo giáo viên số của UNESCO MGIEP được triển khai ở nhiều quốc gia, bao gồm Nigeria (Bello và cộng sự, 2024). Kết quả cho thấy đào tạo số có cấu trúc, kết hợp workshop thực hành và hỗ trợ sau đào tạo, cải thiện đáng kể sự tự tin và năng lực sư phạm số. Bài học: đào tạo giảng viên cần là quá trình liên tục, không phải sự kiện một lần.

7.7. Lộ trình triển khai cụ thể cho bối cảnh Việt Nam

Dựa trên phân tích rào cản và bài học quốc tế, [Phân tích của tác giả] đề xuất lộ trình triển khai cụ thể cho một trường đại học Việt Nam:

Năm 1 — Xây dựng nền tảng:

• Thành lập Ban chỉ đạo chuyển đổi số (chủ tịch: Phó Hiệu trưởng)
• Khảo sát năng lực số toàn trường (sinh viên, giảng viên, cán bộ quản lý) dựa trên khung DigComp/DigCompEdu
• Tối ưu LMS hiện có — kích hoạt tính năng analytics, portfolio, và cộng tác
• Triển khai mô-đun CDIM-ALL1 (an toàn số) cho toàn trường
• Triển khai CDIM-S1 (thông tin số) cho sinh viên năm nhất
• Bắt đầu đào tạo CDIM-F1 cho 20% giảng viên chủ chốt

Năm 2 — Mở rộng và thử nghiệm:

• Triển khai CDIM-S2 (năng lực AI) và CDIM-S3 (giao tiếp số) cho sinh viên năm hai
• Hoàn thành đào tạo CDIM-F1 cho 50% giảng viên
• Tích hợp yếu tố nghề nghiệp số vào 5 môn chuyên ngành thí điểm
• Xây dựng trung tâm hỗ trợ phát triển nghề nghiệp số (career center)
• Ký kết quan đối tác với 5–10 doanh nghiệp (thực tập ảo)

Năm 3 — Tích hợp toàn diện:

• Mở rộng tích hợp nghề nghiệp số vào 50% môn chuyên ngành
• Hoàn thành đào tạo CDIM-F1 cho toàn bộ giảng viên
• Triển khai CDIM-A1 cho cán bộ quản lý
• Bắt đầu sử dụng learning analytics để cá nhân hóa lộ trình
• Tổ chứclần thứ nhất Career Fair trực tuyến — kết nối sinh viên với doanh nghiệp

Năm 4–5 — Đánh giá và chuẩn hóa:

• Đánh giá toàn diện hiệu quả mô hình CDIM (sinh viên, giảng viên, doanh nghiệp)
• Điều chỉnh nội dung mô-đun dựa trên phản hồi và dữ liệu analytics
• Xây dựng bộ tiêu chuẩn đánh giá năng lực số chính thức cho trường
• Xuất bản case study và chia sẻ kinh nghiệm
• Phát triển hệ thống chứng chỉ kỹ năng số (digital badges)

7.8. Ngân sách và nguồn lực

Triển khai mô hình CDIM đòi hỏi đầu tư nguồn lực — nhưng không phải tất cả cùng lúc. Phân tích chi phí theo cấp độ:

Chi phí cơ bản (Năm 1):

• Đào tạo giảng viên: 2 workshop × 20 giảng viên × 3 ngày = tương đối thấp nếu tận dụng nội bộ
• Khảo sát năng lực số: công cụ tự đánh giá online (miễn phí — DigCompEdu CheckIn) + phân tích = chi phí thấp
• Tối ưu LMS: nếu đã có Moodle/Canvas, chi phí chủ yếu là thời gian
• Tổng chi phí năm 1: chủ yếu là thời gian và nguồn lực nhân sự, không phải đầu tư công nghệ mới

Chi phí trung bình (Năm 2–3):

• Triển khai mô-đun mới: phát triển nội dung, đào tạo thêm giảng viên
• Xây dựng career center: 1–2 nhân sự chuyên trách + nền tảng quản lý
• Quan đối tác doanh nghiệp: chi phí tổ chức, vận hành
• Hệ thống e-portfolio: nếu sử dụng Notion/WordPress = chi phí thấp; nếu phát triển riêng = chi phí cao hơn

Chi phí nâng cao (Năm 4–5):

• Adaptive learning platform: đầu tư đáng kể
• Hệ thống digital badges: phát triển hoặc mua nền tảng
• Nghiên cứu và xuất bản: thời gian giảng viên

Nguyên tắc tài chính: [Phân tích của tác giả] khuyến nghị bắt đầu với chi phí thấp nhất dễ dàng — tận dụng công nghệ miễn phí và mã nguồn mở (Google Workspace Education, Moodle, Notion Education) trong giai đoạn đầu. Chỉ đầu tư công nghệ cao khi mô hình đã chứng minh hiệu quả qua dữ liệu trên thực địa. Nguyên tắc "đầu tư người trước, công nghệ sau" — đào tạo năng lực cho giảng viên và sinh viên trước khi mua phần mềm đắt tiền.

7.9. Chỉ số đo lường hiệu quả (Key Performance Indicators)

Để đánh giá hiệu quả triển khai mô hình CDIM, cần hệ thống KPI rõ ràng:

Nhóm KPI	Chỉ số	Nguồn dữ liệu	Mục tiêu
Năng lực sinh viên	Điểm đánh giá năng lực số (DigComp)	Self-assessment + objective test	Năm nhất: 30% đạt cấp 3, Năm cuối: 80% đạt cấp 4
Năng lực giảng viên	% giảng viên hoàn thành CDIM-F1	LMS + HR records	Năm 2: 50%, Năm 3: 100%
Có việc làm	Tỷ lệ có việc làm trong 6 tháng	Alumni survey	Mục tiêu: tăng 10–15% so với trước CDIM
Đánh giá doanh nghiệp	Employer satisfaction score	Employer survey	≥ 4.0/5.0
Engagement	LMS completion rate	Analytics dashboard	≥ 85% cho mô-đun bắt buộc
Portfolio	% sinh viên có e-portfolio hoàn chỉnh	LMS check	Năm 4: ≥ 70%
Đổi mới	Số môn tích hợp nghề nghiệp số	Curriculum mapping	Năm 3: ≥ 50% môn chuyên ngành
Bền vững	Tỷ lệ sinh viên có kế hoạch phát triển nghề nghiệp 5 năm	Exit survey	Năm 4: ≥ 60%

Hệ thống KPI này cần được xem xét hàng năm bởi Ban chỉ đạo chuyển đổi số và điều chỉnh theo bối cảnh trong thực tiễn. Chỉ số quan trọng nhất là "có việc làm trong 6 tháng" — đây là chỉ số cuối cùng chứng minh hiệu quả của mô hình CDIM. Các chỉ số khác (năng lực, engagement, portfolio) là chỉ số dẫn đường (leading indicators), giúp dự đoán và can thiệp trước khi đạt được kết quả cuối cùng.

Đáng kể lưu ý rằng KPI không nên chỉ tập trung vào sinh viên — cần đo lường hiệu quả ở TẤT CẢ các bên liên quan. Giảng viên cần chỉ số phát triển năng lực sư phạm số, doanh nghiệp cần chỉ số hài lòng về năng lực thực tập sinh, và quản lý cần chỉ số quản trị số. Mô hình CDIM chỉ thành công khi TẤT CẢ các bên liên quan cùng phát triển — không bên nào bị bỏ lại phía sau.

Phần 8 bổ sung: Hướng nghiên cứu tương lai và kết luận mở

8.1. Hướng nghiên cứu tương lai

Mô hình CDIM được đề xuất trong bài viết này xây dựng trên nền tảng lý thuyết vững chắc và kết quả nghiên cứu quốc tế, nhưng cần được kiểm chứng và tinh chỉnh qua nghiên cứu thực nghiệm. [Phân tích của tác giả] đề xuất năm hướng nghiên cứu tương lai:

(1) Nghiên cứu thực nghiệm triển khai CDIM tại trường đại học Việt Nam: Thiết kế nghiên cứu hành động (action research) — triển khai mô hình CDIM tại 2–3 trường đại học với đặc thù khác nhau (kinh tế, kỹ thuật, khoa học xã hội), theo dõi tiến trình và đánh giá hiệu quả trong 3–5 năm. Nghiên cứu này cần sử dụng phương pháp hỗn hợp (mixed methods) — dữ liệu định lượng (điểm năng lực, tỷ lệ có việc làm) kết hợp dữ liệu định tính (phỏng vấn sâu, focus group) để có bức tranh toàn diện.

(2) Xây dựng và chuẩn hóa công cụ đo lường năng lực số cho bối cảnh Việt Nam: Dựa trên khung DigComp 2.2 và DigCompEdu, phát triển công cụ đo lường năng lực số đặc thù cho giáo dục đại học Việt Nam — được chuẩn hóa về tâm lý học (psychometric validation) trên mẫu đại diện. Nghiên cứu của Cabero-Almenara và cộng sự (2019) về DigCompEdu CheckIn là điểm xuất phát tốt, nhưng cần điều chỉnh văn hóa và ngữ cảnh.

(3) Nghiên cứu tác động của AI tạo sinh đến mô hình đào tạo phát triển nghề nghiệp: Sự phát triển nhanh chóng của AI tạo sinh đang làm thay đổi bản chất của nhiều kỹ năng số — kỹ năng viết CV, phân tích dữ liệu, và thậm chí tư vấn nghề nghiệp đang được tự động hóa từng phần. Nghiên cứu này cần xác định những kỹ năng số nào đang mất giá, những kỹ năng nào đang tăng giá, và điều chỉnh mô hình CDIM theo accordingly.

(4) Nghiên cứu khoảng cách năng lực số giữa giáo dục đại học Việt Nam và khu vực ASEAN: Mô hình ASEAN Economic Community (AEC) đặt ra yêu cầu về tương đương năng lực lao động giữa các nước ASEAN. Nghiên cứu so sánh năng lực số của sinh viên đại học Việt Nam với các nước ASEAN sẽ cung cấp cơ sở chính sách quan trọng — giúp xác định khoảng cách và ưu tiên đầu tư.

(5) Nghiên cứu về bất đẳng số kỹ năng số trong giáo dục đại học Việt Nam: Cần nghiên cứu xem yếu tố gì tạo ra khoảng cách năng lực số giữa sinh viên — khu vực (thành thị vs nông thôn), thu nhập gia đình, giới tính, hay loại trường? Hiểu được yếu tố tạo bất đẳng số sẽ giúp thiết kế chính sách công bằng hơn trong triển khai CDIM.

8.2. Kết luận mở

Mô hình Career Development Integrated Training Model (CDIM) được đề xuất trong bài viết này không phải là một công thức hoàn hảo sẵn có, mà là một khuôn mẫu đang được xây dựng — một đề xuất mở đợi phản hồi, thử nghiệm và tinh chỉnh từ cộng đồng giáo dục. Khuôn mẫu này được xây dựng trên niềm tin rằng: giáo dục đại học không thể tiếp tục tách biệt học tập và phát triển nghề nghiệp, không thể coi kỹ năng số là môn học phụ, và không thể bỏ lại bất kỳ nhóm bên liên quan nào trong quá trình chuyển đổi số.

Điểm nền tảng của CDIM nằm ở ba chữ: tích hợp, liên tục, và cá nhân hóa. Tích hợp kỹ năng số vào mọi môn học, mọi hoạt động giáo dục. Liên tục phát triển nghề nghiệp xuyên suốt bốn năm đại học và cả sau tốt nghiệp. Cá nhân hóa lộ trình học tập theo năng lực và mục tiêu nghề nghiệp riêng của mỗi sinh viên.

Cuối cùng, triển khai thành công CDIM không chỉ quan trọng kế tốt mà cần cam kết từ tất cả các bên liên quan — Bộ GD&ĐT tạo khung chính sách, ban lãnh đạo trường tạo điều kiện, giảng viên thay đổi phương pháp, doanh nghiệp tham gia tích cực, và sinh viên chủ động học hỏi. Giáo dục đại học Việt Nam đang ở bước ngoặt chuyển đổi số — và mô hình CDIM nên là một trong những công cụ giúp bước đi này thành công hơn.

10. Đại học Ngoại thương trên đường chuyển đổi đa ngành: chẩn đoán tham vọng và khoảng cách

Đại học Ngoại thương không còn là trường chỉ dạy thương mại quốc tế. Bằng chứng nằm trong chính danh mục chương trình đào tạo: 15 nhóm ngành với 104 chương trình đang giảng dạy, trải từ kinh doanh quốc tế truyền thống đến khoa học máy tính và dữ liệu (K64), từ kế toán-kiểm toán đến quản trị khách sạn, từ tài chính ngân hàng đến hệ sinh thái ngôn ngữ-công nghệ. Đây là bước chuyển chiến lược đúng hướng: thị trường lao động không còn chia rẽ giữa "người kinh doanh" và "người công nghệ" — nó đòi hỏi cả hai trong cùng một con người. Phần này không đặt câu hỏi liệu FTU có nên đi hướng đa ngành hay không (câu trả lời là có), mà đặt câu hỏi hóc búa hơn: tham vọng đa ngành đang được thực thi đến đâu, và khoảng cách giữa định hướng và thực tế rộng bao nhiêu.

10.1. Bức tranh đa ngành: ai mạnh, ai yếu, ai mới

Phân tích 296 đề cương học phần ghép vào 104 chương trình đào tạo cho thấy bức tranh không đồng đều. Bốn nhóm ngành tạo nên lõi truyền thống vững chắc của FTU: kinh doanh quốc tế (22 chương trình, trung bình 9 học phần có nội dung số mỗi chương trình), kinh tế đối ngoại (20 chương trình), tài chính-ngân hàng (15 chương trình), và kế toán-kiểm toán (6 chương trình nhưng số học phần số cao — 29 học phần ở bản tiêu chuẩn). Đây là thế mạnh thừa kế, và xét riêng về khối kiến thức kinh doanh, FTU vẫn dẫn đầu.

Ba nhóm ngành định hình tương lai đa ngành của trường. Thứ nhất, Khoa học máy tính và dữ liệu trong kinh tế và kinh doanh (K64) — chương trình tham vọng nhất FTU từng mở, đặt mục tiêu đào tạo "kỹ sư kinh tế biết làm dữ liệu". Thứ hai, i-Hons Kinh doanh quốc tế và phân tích dữ liệu kinh doanh — chương trình tiên tiến tuyên bố chuẩn "tinh hoa" về phân tích dữ liệu. Thứ ba, hệ sinh thái ngôn ngữ-công nghệ số — bốn ngành ngôn ngữ (Anh, Nhật, Pháp, Trung) đang chuyển từ giảng dạy ngôn ngữ thuần túy sang tích hợp công nghệ số và đàm phán chiến lược. Cả ba nhóm này đều là canh bạc lớn: nếu thành công, FTU định vị lại mình từ "trường kinh tế đối ngoại" thành "trường kinh tế-số-ngoại ngữ", một phân khúc chưa có đối thủ tại Việt Nam.

Vấn đề là: tham vọng đa ngành đang vượt xa khả năng thực thi. Phần còn lại của mục này sẽ chỉ ra chính xác năm chỗ đứt gãy giữa định hướng và thực tế.

10.2. Năm điểm đứt gãy

Đứt gãy một: chuẩn đầu ra viết tham vọng, học phần không đáp ứng

Đây là đứt gãy dễ đo nhất bằng số liệu. Sáu mươi tám trong số 104 chương trình dùng cụm "phân tích dữ liệu" trong chuẩn đầu ra, nhưng chỉ 23 học phần thực sự dạy nội dung phân tích dữ liệu. Hai mươi chín chương trình dùng cụm "chuyển đổi số", chỉ bốn học phần dạy chủ đề này. Bảy chương trình nhắc đến chuỗi khối (blockchain), chín chương trình nhắc đến học máy (machine learning) — số học phần độc lập về hai chủ đề trong toàn bộ 296 đề cương: không.

Chương trình Khoa học máy tính và dữ liệu K64 minh họa đứt gãy này rõ nhất: chuẩn đầu ra nhắc kỹ năng số 39 lần, chỉ 10 học phần thực sự chứa nội dung số — tỷ lệ gần bốn lần một. i-Hons Kinh doanh quốc tế cũng ở mức tương tự: 32 lần nhắc trên 8 học phần. Hai chương trình mới — sản phẩm flaghip của hướng đi đa ngành — lại là hai chương trình có khoảng cách lớn nhất. Lời tuyên bố trong chuẩn đầu ra đang chạy trước hệ thống học phần nhiều năm.

Đứt gãy hai: học phần số tốt nhất không ai kế thừa

FTU có học phần năng lực số chuyên sâu — nhưng chúng tồn tại như hòn đảo. Lập trình cho phân tích dữ liệu và tính toán khoa học (mã TIN314, điểm năng lực số 5/5) và Trí tuệ nhân tạo trong thời kỳ chuyển đổi số (mã AIDE300, điểm 4/5) là hai học phần chuyên sâu nhất toàn trường. Nhưng phân tích quan hệ tiên quyết cho thấy không một học phần nào khác lấy TIN314 hay AIDE300 làm điều kiện tiên quyết.

Sinh viên học Python phân tích dữ liệu ở học kỳ này, sang học kỳ sau không có học phần nào xây dựng trên nền Python. Hơn nữa, đề cương TIN314 vẫn dừng ở Python cơ bản — chưa chạm pandas (xử lý bảng), SQL (truy vấn dữ liệu), hay scikit-learn (học máy cơ bản), tức ba công cụ mà mọi vị trí việc làm liên quan dữ liệu đều yêu cầu. Học phần được chấm điểm cao nhất hệ thống nhưng nội dung chỉ đạt nhập môn. Trong mô hình đa ngành, vấn đề này càng nghiêm trọng: nếu khoa tài chính, marketing, logistics không yêu cầu sinh viên qua TIN314 trước khi học chuyên ngành, sinh viên các ngành này sẽ không bao giờ tiếp cận công cụ dữ liệu — dù FTU đã có học phần đó.

Đứt gãy ba: kỹ năng số bị nhồi vào một hốc rồi bỏ

Phân bổ học phần có nội dung số theo năm học cho thấy khuôn mẫu lặp lại. Năm nhất gần trống — chỉ tin học đại cương mức văn phòng. Năm hai mỏng. Năm ba là đỉnh, nhưng đỉnh cô lập — học phần số tập trung một học kỳ rồi biến mất. Năm bốn: không có học phần củng cố. Sinh viên làm khóa luận tốt nghiệp nhưng thiếu công cụ dữ liệu để phân tích.

Điều này mâu thuẫn trực tiếp với định hướng đa ngành. Khoa học máy tính cần chuỗi dữ liệu liên tục bốn năm, không phải một đỉnh cô lập ở năm ba. i-Hons "tinh hoa" cần sinh viên thực hành phân tích dữ liệu mỗi học kỳ, không phải chỉ một lần. Hệ sinh thái ngôn ngữ-công nghệ cần kỹ năng số được lặp lại đều đặn song song với kỹ năng ngôn ngữ. Học tập phân tán — phương pháp có bằng chứng hiệu quả nhất — đòi hỏi khoảng trống giữa hai lần tiếp xúc kỹ năng số không quá một học kỳ. Hiện tại khoảng trống giữa năm nhất và năm ba là bốn học kỳ.

Đứt gãy bốn: 176 học phần (59,5%) không có một chỉ tiết số nào

Trong 296 đề cương, 176 học phần — chiếm 59,5% — có điểm năng lực số bằng không. Không phải thấp. Bằng không. Toàn bộ mục tiêu, mô tả, nội dung chi tiết của 176 học phần này không xuất hiện phân tích dữ liệu, công cụ số, trí tuệ nhân tạo, hay phần mềm chuyên ngành nào.

Nhiều học phần trong số 176 thuộc ngành đang số hóa nhanh nhất. Kế toán — phần mềm ERP và tự động hóa đã thay thế phần lớn công việc thủ công — vẫn giảng dạy như thập niên 2000. Tài chính ngân hàng — chuỗi khối, AI chấm điểm tín dụng, RPA đang định nghĩa lại ngành — không có học phần chuyên biệt. Logistics — IoT và blockchain tái cấu trúc chuỗi cung ứng — vẫn dừng lý thuyết quản trị truyền thống. Chỉ 7/296 học phần (2,4%) có nội dung số chuyên sâu. Và hai trong số bảy là "đảo cô lập". Năng lực số chuyên sâu thực sự tiếp cận sinh viên FTU qua năm học phần — cho hơn 20.000 sinh viên.

Đứt gãy năm: giảng viên chưa được trang bị cho mô hình đa ngành

Đứt gãy này không nhìn thấy từ đề cương nhưng là rào cản lớn nhất. Đề cương có thể viết tốt, nhưng nếu giảng viên không tự dùng được Python, SQL, hay tableau, nội dung số chỉ tồn tại trên giấy. Khảo sát quy trình ứng dụng AI nội bộ tại FTU cho thấy phân hóa sâu giữa các khoa: một số đã tích hợp AI vào giảng dạy và nghiên cứu, nhiều khoa khác vẫn dừng mức văn phòng cơ bản.

Trong mô hình đa ngành, vấn đề này phức tạp hơn trường đơn ngành. Giảng viên khoa tài chính cần biết phân tích dữ liệu tài chính. Giảng viên khoa marketing cần hiểu marketing hiệu năng và phân tích dữ liệu khách hàng. Giảng viên khoa ngôn ngữ cần công nghệ dịch máy và xử lý ngôn ngữ tự nhiên. Mỗi ngành cần một "biến thể" năng lực số riêng — và hiện tại, cơ chế đào tạo giảng viên theo hướng này không tồn tại.

10.3. Điều chỉnh ngắn hạn — một đến hai học kỳ

Nhóm điều chỉnh này không cần thay đổi cấu trúc chương trình. Mục tiêu: thu hẹp đứt gãy ở các chương trình đa ngành có khoảng cách lớn nhất trước khi tái cấu trúc dài hạn.

Học phần hoặc chương trình	Đứt gãy cụ thể	Điều chỉnh đề xuất
TIN314 — Lập trình phân tích dữ liệu	Điểm 5/5 nhưng chỉ Python cơ bản. Chưa pandas, SQL, scikit-learn	Nâng cấp nội dung trong số tín chỉ hiện tại: thay 40% lý thuyết bằng thực hành pandas, SQL, scikit-learn cơ bản. Bài tập dùng dữ liệu kinh tế thực từ Tổng cục Thống kê
AIDE300 — Trí tuệ nhân tạo	Đảo cô lập, không tiên quyết của HP nào. Thiếu ứng dụng ngành	Đưa làm tiên quyết cho ít nhất hai HP chuyên ngành. Thêm bài tập ứng dụng AI theo từng ngành: chấm điểm tín dụng, dự báo nhu cầu, phân tích cảm xúc khách hàng
KHMT và dữ liệu K64	39 nhắc / 10 HP = 3,9. Thiếu đề cương HP chuyên ngành	Công bố đề cương tất cả HP chuyên ngành còn thiếu trước học kỳ tới. Ưu tiên ba HP: học máy ứng dụng trong kinh doanh, dữ liệu lớn, trực quan hóa dữ liệu
i-Hons KDQT và phân tích dữ liệu	32 nhắc / 8 HP = 4,0. Tuyên bố "tinh hoa" về dữ liệu nhưng HP mỏng	Bổ sung HP phân tích dữ liệu nâng cao (Python hoặc R), thăm dò dữ liệu, phân tích dự báo trong kinh doanh quốc tế. Bắt buộc khóa luận có thành phần phân tích dữ liệu
Tài chính – Ngân hàng	Cả ba chuyên ngành nhắc công nghệ tài chính (fintech), chuỗi khối, AI — không có HP	Mở HP tự chọn: công nghệ tài chính, chuỗi khối trong thanh toán quốc tế, AI chấm điểm tín dụng. Ngân hàng Việt Nam đang triển khai công nghệ này
Kế toán – Kiểm toán	Nhắc AI nhưng thiếu HP chuyên sâu. ERP đã thay thế công việc thủ công	Mở HP: kế toán thông minh, tự động hóa quy trình kiểm toán, AI phát hiện gian lận. Thực hành với phần mềm kế toán đang dùng tại doanh nghiệp
Quản trị khách sạn	Chỉ 0,3 HP chuyên sâu. Hệ thống đặt phòng, AI dịch vụ chưa có	Bổ sung HP: phân tích dữ liệu ứng dụng trong khách sạn, hệ thống đặt phòng điện tử, đánh giá trải nghiệm khách hàng bằng dữ liệu
Ngôn ngữ – Công nghệ số	Bốn ngành ngôn ngữ chuyển hướng công nghệ nhưng thiếu HP công nghệ ngôn ngữ	Bổ sung HP chung cho bốn ngành: xử lý ngôn ngữ tự nhiên ứng dụng, công nghệ dịch máy, phân tích dữ liệu truyền thông đa văn hóa

Nguồn: Phân tích từ 296 đề cương học phần và 104 chương trình đào tạo FTU. Các điều chỉnh không thay đổi tổng số tín chỉ — chỉ thay đổi phân bổ nội dung hoặc bổ sung học phần tự chọn.

10.4. Điều chỉnh dài hạn — ba đến năm năm

Điều chỉnh ngắn hạn thu hẹp đứt gãy cấp bách. Để thực sự hiện thực hóa tham vọng đa ngành, cần thay đổi bốn yếu tố cấu trúc.

Một: áp dụng khung DigComp làm chuẩn tham chiếu xuyên ngành

Trong mô hình đa ngành, mỗi ngành cần biến thể năng lực số riêng — nhưng tất cả cần chung một khung đo lường. Khung DigComp 2.2 cung cấp bộ chỉ số thống nhất: mọi chương trình khai báo mức DigComp mà sinh viên đạt khi tốt nghiệp, tương tự khai báo mức ngoại ngữ theo khung tham chiếu châu Âu. Điều này không thêm học phần mới — mà sắp xếp lại học phần hiện có, đảm bảo sinh viên tất cả 15 ngành đều đạt đủ năm năng lực DigComp.

Hai: xây dựng chuỗi năng lực số xuyên suốt bốn năm cho từng ngành

Để phá vỡ "mẫu lặp nghẽn số", cần tái cấu trúc trình tự học phần theo nguyên lý học tập phân tán. Năm nhất: tiếp xúc năng lực số nền tảng (một học phần bắt buộc cho tất cả ngành — tư duy dữ liệu và công cụ cơ bản). Năm hai và ba: củng cố qua học phần chuyên ngành có tích hợp dữ liệu theo đặc thù ngành (tài chính dùng dữ liệu thị trường, marketing dùng dữ liệu khách hàng, ngôn ngữ dùng kho ngữ liệu điện tử). Năm bốn: áp dụng vào khóa luận và dự án thực tế. Nguyên tắc: khoảng trống giữa hai lần tiếp xúc kỹ năng số không quá một học kỳ.

Ba: đầu tư năng lực số cho giảng viên theo đặc thù từng ngành

Trong mô hình đa ngành, giảng viên khoa tài chính cần năng lực số khác giảng viên khoa ngôn ngữ. Ba hành động. Thứ nhất, mở đào tạo nội bộ theo lộ trình ngành — không phải khóa chung "AI cho mọi người" mà là "dữ liệu tài chính cho giảng viên tài chính", "xử lý ngôn ngữ tự nhiên cho giảng viên ngôn ngữ". Thứ hai, đưa năng lực số vào tiêu chuẩn đánh giá giảng viên — ghi nhận, không trừng phạt. Thứ ba, cấp ngân sách cho giảng viên tham gia khóa học chuyên ngành số từ nền tảng uy tín.

Bốn: thiết lập cơ chế dữ liệu thực tế từ doanh nghiệp cho từng nhóm ngành

Yếu điểm lớn nhất: sinh viên học Python nhưng chỉ thực hành dữ liệu mẫu giáo dục (bộ hoa diên vĩ, danh sách hành khách tàu) — không tiếp xúc dữ liệu kinh doanh thực. Trong mô hình đa ngành, cần đối tác khác cho từng ngành: ngân hàng cho tài chính, sàn thương mại điện tử cho kinh doanh quốc tế, chuỗi khách sạn cho quản trị dịch vụ, đài truyền thông cho ngôn ngữ. Cần cơ chế chính thức hợp tác cung cấp tập dữ liệu đã ẩn danh cho sinh viên thực hành. Điều này biến học phần dữ liệu từ lý thuyết thành kỹ năng sẵn sàng làm việc.

10.5. Rủi ro và thời gian

FTU đang đi đúng hướng đa ngành. Câu hỏi không phải có hay không, mà là nhanh hay chậm. Sinh viên các trường đối thủ (Bách Khoa, Kinh tế Quốc dân, Bưu chính Viễn thông) đang được trang bị kỹ năng số nhanh hơn — và các trường kỹ thuật đang mở thêm khối kinh tế, tiến vào phân khúc mà FTU đang định chiếm. Khoảng cách 59% học phần không có nội dung số không đóng được trong một năm. Nhưng mỗi học kỳ chậm trễ là một khóa sinh viên ra trường thiếu trang bị — và thị trường không chờ.

Rủi ro lớn nhất là dừng giữa chừng. Nhiều trường đã khởi động chuyển đổi đa ngành và số hóa nhưng thất bại vì thiếu kiên trì: đầu năm mạnh mẽ, cuối năm trở lại cũ. Nghiên cứu của Nhung và cộng sự (2025) về chuyển đổi số giáo dục đại học Việt Nam gọi đây là "số hóa hình thức" — số hóa quy trình và ngôn ngữ mà không thay đổi bản chất. FTU cần tránh bẫy này. Nền móng vững (chương trình truyền thống mạnh, ngoại ngữ tốt, mạng lưới đối tác rộng) là tài sản — nhưng cũng tạo quán tính. Lập luận "đã tốt rồi" có sức hút, nhưng bỏ qua thực tế: tài sản của hôm qua không tự động thành lợi thế của ngày mai.

Nghiên cứu của Alenezi (2021) chỉ ra "bẫy đầu tư sai mục tiêu": ngân sách vào thiết bị và phần mềm thay vì phát triển con người. Nhiều trường mua hệ thống đắt tiền nhưng khai thác được phần nhỏ tính năng vì giảng viên không được đào tạo. Đầu tư vào giảng viên trước, công nghệ sau — thứ tự này quyết định thành bại của mô hình đa ngành.

Phần 8: Kết luận

Bài viết đã phân tích toàn diện các kỹ năng số bắt buộc cho sinh viên, giảng viên và các bên liên quan khi tham gia các chương trình theo mô hình Career Development Integrated Training Model (CDIM) ở bậc đại học, đồng thời đề xuất hệ thống thiết kế khóa học nâng cao kỹ năng số cụ thể và khả thi.

Nghiên cứu cho thấy năm kết luận chính:

Thứ nhất, kỹ năng số khi phát triển nghề nghiệp không chỉ là khả năng sử dụng công cụ công nghệ mà là một hệ thống năng lực tích hợp — từ thông tin số, năng lực AI và dữ liệu, giao tiếp và hợp tác số, sáng tạo số, quản lý sự nghiệp số đến tự học số. Mỗi nhóm kỹ năng định hình khác nhau nhưng có mối quan hệ tương hỗ, tạo thành chuỗi phát triển nghề nghiệp số liên tục.

Thứ hai, khung lý thuyết DigComp 2.2, DigCompEdu, AI Literacy Framework, và Bloom's Digital Taxonomy cung cấp nền tảng vững chắc để xác định và phân loại kỹ năng số, nhưng cần được điều chỉnh và bổ sung cho phù hợp bối cảnh phát triển nghề nghiệp trong giáo dục đại học Việt Nam.

Thứ ba, mỗi nhóm bên liên quan trong mô hình CDIM cần bộ kỹ năng số riêng biệt. Sinh viên cần sáu nhóm kỹ năng số nền tảng và nâng cao; giảng viên cần năng lực sư phạm số (TPACK/AI-TPACK) kết hợp kỹ năng hướng dẫn nghề nghiệp số; cán bộ quản lý cần năng lực quản trị số; doanh nghiệp cần kỹ năng hợp tác đào tạo số; và cố vấn nghề nghiệp cần năng lực đánh giá và kết nối số.

Thứ tư, thiết kế khóa học cần tuân thủ năm nguyên tắc: dựa trên năng lực, tích hợp thực tiễn, cá nhân hóa, đánh giá đa dạng, và đổi mới liên tục. Sáu mô-đun đề xuất (CDIM-S1 đến CDIM-A1) sẽ triển khai theo lộ trình bốn cấp độ trong 3–5 năm, phù hợp với nguồn lực và năng lực hiện tại của từng trường.

Thứ năm, triển khai mô hình CDIM đối mặt với năm rào cản chính: năng lực giảng viên, hạ tầng công nghệ, văn hóa tổ chức, quan đối tác doanh nghiệp, và hệ thống đánh giá công nhận. Khuyến nghị chính sách bao gồm xây dựng khung năng lực số quốc gia, đưa năng lực số vào chuẩn chương trình đào tạo, hỗ trợ tài chính chuyển đổi số, khuyến khích quan đối tác số, và phát triển hệ thống chứng chỉ năng lực số.

Mô hình CDIM không phải là một giải pháp hoàn hảo, nhưng là một bước tiến thiết thực hướng tới giáo dục đại học kết nối chặt chẽ với phát triển nghề nghiệp trong thời đại số. Triển khai thành công mô hình này đòi hỏi cam kết mạnh mẽ từ Bộ Giáo dục và Đào tạo, lãnh đạo các trường đại học, và đối tác doanh nghiệp — cùng với sự kiên nhẫn và tinh thần học hỏi liên tục từ tất cả các bên liên quan.

Tài liệu tham khảo

Abdallah, H. & Al-Mutairi, A. (2021). Internal and External Stakeholder Impact on Curriculum Design. Accounting and Finance Research, 10(4). https://doi.org/10.20935/al2028

Adeniran, A. et al. (2025). Impact of Targeted Digital Skills Training on Graduate Employability through 21st-Century Digital Competence. Zimbabwe Journal of Educational Research. https://doi.org/10.64348/zije.202591

Awad, G. et al. (2023). Assessing Digital Competence in Higher Education: A Gender Analysis of DigComp 2.1 Framework in Uganda. Science and African Journal of Innovative Research, 1(4). https://doi.org/10.58905/saga.v1i4.210

Bali, A. & Wibowo, A. (2026). Comparative assessment of digital competences among students in higher education using DigComp 2.1 framework. Cogent Education, 13(1). https://doi.org/10.1080/2331186x.2026.2620198

Bello, M. et al. (2024). The Impact of UNESCO MGIEP Digital Teacher Training on Nigerian Educators' Digital Pedagogy Competence and Confidence. African Journal of Teacher Education, 13(2). https://doi.org/10.21083/ajote.v13i2.7765

Billett, S. (2020). Investigating work-integrated learning and its relevance to skills development in degree apprenticeships. Higher Education, Skills and Work-Based Learning, 11(1). https://doi.org/10.1108/heswbl-05-2020-0112

Calderón-Garrido, D. & Garaizar, P. (2024). The implementation of DigComp (European Digital Skills Framework) for digital competence assessment and evaluation. Revista de Psicodidáctica, 29(1). https://doi.org/10.37075/rp.2024.1.03

Cabero-Almenara, J. et al. (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. https://doi.org/10.5220/0007679005410548

Chen, L. et al. (2025). "Collaborate or perish": employers' perspectives of university-industry partnership to promote business graduates' soft skills. Higher Education, Skills and Work-Based Learning, 15(3). https://doi.org/10.1108/heswbl-11-2024-0363

Chen, X. et al. (2024). Academic self-efficacy, career development learning, and employability skills of Chinese university students. International Journal of Research Studies in Management, 13(1). https://doi.org/10.5861/ijrsm.2024.1040

Churches, A. (2022). A new bloom — adding 'collaborate' to Bloom's taxonomy. Journal of Learning Development in Higher Education, 24. https://doi.org/10.47408/jldhe.vi24.906

Folsom, B. et al. (2021). Undergraduate Student Career Development and Career Center Services: Faculty Perspectives. The Career Development Quarterly, 69(4). https://doi.org/10.1002/cdq.12255

Garcia, E. & Mende, K. (2020). Competency-based curriculum transition: A conceptual framework. College Teaching, 68(4). https://doi.org/10.1002/cbe2.1229

García-Pérez, R. et al. (2026). Integrating Bloom's Digital Taxonomy into Teacher Education: A Proposed Cognitive-Digital Integration Model. International Journal of English and Literature Studies, 14(2). https://doi.org/10.7575/aiac.ijels.v.14n.2p.27

García-Pérez, R. et al. (2023). From learning pathways to career: building e-portfolios in higher education to demonstrate skills acquisition for career development. EDULEARN Proceedings. https://doi.org/10.21125/edulearn.2023.0915

Goh, T. (2024). Navigating the Scholarly Landscape: An Analysis of Information Literacy Skills among Students at American University in the Emirates. International Journal of Media and Information Literacy, 9(2). https://doi.org/10.13187/ijmil.2024.2.479

Gonzalez, R. et al. (2026). Employer perceptions of graduate competencies in Mexico: a dual-pathway model for work-based learning. Higher Education, Skills and Work-Based Learning, 16(2). https://doi.org/10.1108/heswbl-06-2025-0247

Hảo, L. et al. (2023). Beyond digital skills: work-integrated learning, adaptability, and the thresholds for graduate work readiness. Higher Education, Skills and Work-Based Learning, 16(1). https://doi.org/10.1108/heswbl-10-2025-0446

Huang, Y. et al. (2026). Overcoming collaboration barriers in work-integrated learning: a framework for employer-university curriculum partnerships. Higher Education, Skills and Work-Based Learning, 16(3). https://doi.org/10.1108/heswbl-11-2025-0501

Khalid, S. et al. (2023). Skills Gap: The Perceptions of Importance of Soft Skills in Graduate Employability Between Employers and Graduates. Journal of Technical Education and Training, 15(1). https://doi.org/10.30880/jts.2023.15.01.002

Khan, M. et al. (2022). Development of Life and Career Skills Scale for University Students. Journal of Educational and Social Research, 6(1). https://doi.org/10.55493/5052.v6i1.4425

Kim, S. et al. (2021). Analysis of the blueprint framework for career development skills in the UK(England): Focusing on CDI's 2021 revised career development framework. Journal of Career Education and Research, 6(2). https://doi.org/10.52616/jccer.2021.6.2.123

Koltay, T. (2020). A Study into the Skills of Using Data Verification Tools as a Media Information Literacy Instrument for University Students. International Journal of Media and Information Literacy, 5(2). https://doi.org/10.13187/ijmil.2020.2.184

Lê, T. et al. (2024). Redefining Higher Education in Vietnam in the Digital Age. In Digital Transformation in Higher Education. Springer. https://doi.org/10.1007/978-3-031-61838-3_1

Li, J. et al. (2026). Research on the Reconstruction of University Teachers' AI-TPACK Competence Framework in the Context of Digital Transformation. International Journal of Education Theory and Research, 3(3). https://doi.org/10.70767/ijetr.v3i3.1002

Li, Y. et al. (2023). Undergraduate Career Development and Employment Guidance Course System Construction. International Journal of New Developments in Education, 5(5). https://doi.org/10.25236/ijnde.2023.052019

Long, D. & Magerko, B. (2024). Developing a conceptual framework for Artificial Intelligence (AI) literacy in higher education. Journal of Learning Development in Higher Education, 31. https://doi.org/10.47408/jldhe.vi31.1354

Martinez, C. (2021). An extensive model for implementing competency-based training in technical and vocational education and training teacher education. Community College Enterprise, 27(1). https://doi.org/10.1002/cbe2.1245

Matsumoto, K. (2021). Developing a Competency-Based Instructor Training Model of Professional Development. IGI Global. https://doi.org/10.4018/978-1-5225-8488-9.ch011

Nguyen, P. et al. (2026). From Media Literacy to AI Literacy: Developing Students' Critical Digital Judgment in Higher Education. Media Education Research Journal, 2. https://doi.org/10.13187/me.2026.2.200

Nguyễn, H. (2023). The Impact of Digital Transformation in Higher Education: The Case Study from Vietnam. Journal of Higher Education Theory and Practice, 23(5). https://doi.org/10.33423/jhetp.v23i5.5922

Nguyễn Thị Thu Hằng et al. (2025). Digital Transformation in Higher Education in Vietnam Today. In Digital Education Contexts. https://doi.org/10.56083/edcont.978-65-83227-11-9_5

OECD (2024). Building Competencies for Digital and Green Innovation in Higher Education. OECD Education Working Papers. https://doi.org/10.1787/d3869c1f-en

Omeiza, K. et al. (2025). Work-integrated learning (WIL) and universal employability global leadership skills: evidence for curriculum integration. Higher Education, Skills and Work-Based Learning, 15(1). https://doi.org/10.1108/heswbl-09-2025-0425

Park, J. et al. (2024). An analysis of the impact of career and employment/entrepreneurship extracurricular programs on university students' career development. Journal of Career Education and Research, 9(2). https://doi.org/10.52616/jccer.2024.9.2.241

Rahman, M. et al. (2025). AI literacy and higher education students' digital entrepreneurial intention: A moderated mediation model. Industry and Higher Education, 39(3). https://doi.org/10.1177/09504222251370089

Seth, P. (2024). The Implementation of a Sustainable Online Course for the Development of Digital Citizenship Skills in Higher Education. Sustainability, 16(1). https://doi.org/10.3390/su16010445

Turyahabwe, R. et al. (2023). Enhancing the Digital Competence of Maritime Education Faculty in the Philippines Using DigComp 2.0 Framework. Indonesian Journal of Maritime and Environmental Law, 4(4). https://doi.org/10.11594/ijmaber.04.04.06

Watson, S. et al. (2026). From AI Literacy to AI Fluency: A Developmental Framework for Higher Education. SSRN. https://doi.org/10.2139/ssrn.7014818

Wei, L. et al. (2023). Personal skills, career needs and employment capability of university Chinese students: Basis for career development programs. International Journal of Research Studies in Management, 12(1). https://doi.org/10.5861/ijrsm.2023.1064

Xiao, Y. et al. (2023). Shifting work competencies in an emerging economy: a comparison of accounting students' perceptions of demand and supply. Higher Education, Skills and Work-Based Learning, 14(2). https://doi.org/10.1108/heswbl-08-2023-0213

Yates, C. (2019). A Comprehensive Career Counseling Model in Higher Education. IGI Global. https://doi.org/10.1108/978-1-64113-736-220251028

Yildiz-Durak, H. & Akbulut, M. (2024). Digital Competence of Educators in Turkey According to European Digital Competence Framework. Journal of Learning and Technology in Distance Education, 5(1). https://doi.org/10.53850/joltida.1301592

Yusof, H. et al. (2023). Soft Skills and Graduate Employability: Insights And Research Model. International Journal of Professional Business Review, 8(4). https://doi.org/10.5171/2023.4227523

Zhang, Y. et al. (2026). Implications of career guidance on career choices and professional development: Stakeholders' perspectives. Social Sciences & Humanities Open, 12. https://doi.org/10.1016/j.ssaho.2026.102594