Nguồn tham khảo: Phung, T.-N. (2026). Using explainable AI to diagnose institutional inequality in student dropout across ethnic and regional groups in Vietnam. AI & SOCIETY. https://doi.org/10.1007/s00146-026-03054-1
Truy cập toàn văn: https://doi.org/10.1007/s00146-026-03054-1
Tóm tắt nội dung
Phung Trung Nghia đặt câu hỏi liệu các hệ thống AI dự báo nguy cơ bỏ học có tái tạo hoặc che khuất bất bình đẳng xã hội sẵn có hay không. Nghiên cứu đề xuất khung AI có thể giải thích (XAI) dựa trên phản thực tế (counterfactual) để xem bất bình đẳng theo dân tộc và vùng miền được mã hóa ra sao trong mô hình dự báo bỏ học, dùng dữ liệu hành chính theo dõi dọc của một trường đại học vùng thuộc Trung du và miền núi phía Bắc.
Ba chiều cạnh của bất công bằng thuật toán được đánh giá: chênh lệch rủi ro giữa các nhóm, mức bỏ sót sinh viên có nguy cơ, và nỗ lực phản thực tế cần có để đưa rủi ro dự báo xuống dưới ngưỡng can thiệp. Sinh viên nông thôn và dân tộc thiểu số có rủi ro dự báo cao hơn, ít được hệ thống cảnh báo sớm gắn cờ hơn, và cần nỗ lực phản thực tế lớn hơn một cách có hệ thống để giảm rủi ro tương đương.
Diễn giải nỗ lực này như chỉ báo gián tiếp của gánh nặng thể chế, tác giả cho thấy XAI có thể phục vụ chẩn đoán xã hội chứ không chỉ dự báo. Với bài toán dự báo sinh viên bỏ học ở Việt Nam, đây là tài liệu trực tiếp về công bằng thuật toán, nhắc rằng cần kiểm tra tỷ lệ bỏ sót theo từng nhóm trước khi triển khai.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Dùng dữ liệu hành chính theo thời gian của một trường đại học vùng trung du và miền núi phía Bắc, Phung (2026) cho thấy sinh viên nông thôn và dân tộc thiểu số vừa có rủi ro dự báo cao hơn, vừa ít được hệ thống cảnh báo sớm gắn cờ hơn, và cần "nỗ lực phản thực" lớn hơn để hạ rủi ro xuống dưới ngưỡng can thiệp. Phung (2026) dùng chính ý tưởng "nỗ lực phản thực" này để cho thấy sinh viên nông thôn và dân tộc thiểu số phải thay đổi nhiều hơn mới hạ được rủi ro dự báo xuống dưới ngưỡng can thiệp. Nhưng hướng của kết quả trùng với phát hiện của Phung (2026) ở Việt Nam: sinh viên nông thôn và dân tộc thiểu số vừa bị dự báo rủi ro cao hơn, vừa ít được hệ thống cảnh báo sớm gắn cờ hơn.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp