AI trong Giáo dục

Bản dịch máy tự động của trang tiếng Anh này, chưa được người bản ngữ xem xét.

AI trong Giáo dục (AIED) — lĩnh vực liên ngành rộng lớn áp dụng trí tuệ nhân tạo vào việc dạy và học, đồng thời nghiên cứu thiết kế, sử dụng, đánh giá và các hệ quả của nó. Là khái niệm ôm trùm của cơ sở kiến thức, AI trong giáo dục bao hàm AI cho giáo dục (sử dụng AI để cải thiện giảng dạy và đánh giá) và giáo dục về AI (phát triển năng lực AI literacy và hiểu biết phản biện). Nó nằm ở giao điểm giữa công nghệ giảng dạy, các ngành khoa học về học tập — lĩnh vực nghiên cứu thực nghiệm đặt câu hỏi liệu người học có thực sự thay đổi chứ không chỉ liệu một công cụ có hoạt động tốt hay không — khoa học máy tính, chính sách giáo dục, đạo đức, và công bằng. Trang này là phần giới thiệu về lĩnh vực này và đồng thời là bản đồ dẫn đến mọi khái niệm mà cơ sở kiến thức đề cập.

Những câu hỏi cần cân nhắc

• 'AI trong giáo dục' trải dài theo hai hướng: AI cho giáo dục (sử dụng AI để cải thiện việc dạy) và giáo dục về AI (xây dựng năng lực AI literacy và hiểu biết phản biện). Hướng nào quen thuộc hơn với bạn, và hướng nào bạn có xu hướng bỏ qua?
• Lịch sử của lĩnh vực được diễn giải như một căng thẳng lặp lại giữa kiểm soát và quyền chủ động của người học. Khi quan sát các công cụ AI đang được đưa vào sử dụng, bạn nhận thấy căng thẳng đó đang diễn ra ở đâu ngày nay?
• AI trong giáo dục nằm ở giao điểm giữa công nghệ, khoa học về học tập, chính sách, đạo đức và công bằng. Khi đánh giá một công cụ AI, bạn tự nhiên áp dụng lăng kính nào — và lăng kính nào bạn có khả năng quên mất?
• Cơ sở kiến thức này tổ chức lĩnh vực thành các nhánh: sư phạm, lý thuyết học tập, công nghệ, ngành học, đánh giá, phản hồi, các bên liên quan và quản trị. Nếu vẽ bản đồ cho việc sử dụng AI của chính bạn, bạn sẽ thấy mình thuộc nhánh nào?
• AIED bao gồm việc dạy học sinh sử dụng AI một cách phản biện như một mục tiêu tự thân. Trong bối cảnh của bạn, AI được đối xử nhiều hơn như một môn học cần dạy hay một công cụ để dùng — và sự cân bằng đó có phản ánh điều học sinh thực sự cần không?
• Học sinh có thể phát triển năng lực AI literacy bằng cách sử dụng AI một cách phản biện, chứ không chỉ bằng cách học về AI. Việc sử dụng thực hành và phản biện có thể xây dựng nên sự hiểu biết mà giảng dạy thụ động không thể đạt được như thế nào?

Giới thiệu

AI trong giáo dục là chiếc ô bao trùm mà tất cả các trang khái niệm khác cùng nhau định nghĩa. Cơ sở kiến thức tổ chức lĩnh vực thành các nhánh chính dưới đây, mỗi nhánh liên kết đến các trang khái niệm liên quan.

Một góc nhìn lịch sử mang tính bước ngoặt, Mishra và cộng sự truy nguyên AIED từ điều khiển học (cybernetics) và hội nghị Dartmouth năm 1956, qua các hệ thống gia sư nhận thức và chủ nghĩa xây dựng của Papert, lập luận rằng các cuộc tranh luận về GenAI ngày nay đang tái diễn căng thẳng nền tảng giữa kiểm soát và quyền chủ động của lĩnh vực.

Cách cơ sở kiến thức được tổ chức: các trang ôm trùm

Phạm vi khái niệm của cơ sở kiến thức được neo bởi một số trang ôm trùm nhóm các khái niệm liên quan thành những nhánh có thể điều hướng được. Đây là những điểm khởi đầu tốt để khám phá lĩnh vực:

• AI trong Giáo dục — trang này, tổng quan về lĩnh vực và bản đồ dẫn đến toàn bộ nội dung.
• AI literacy (năng lực AI) — trang ôm trùm cho việc hiểu, sử dụng và đánh giá phản biện AI, trải dài từ prompt engineering, tư duy phản biện, đạo đức AI, đến sử dụng có trách nhiệm. Bên cạnh đó, hợp tác người–AI và AI tác tử định khung cách con người và AI làm việc cùng nhau.
• Phương pháp sư phạm và chiến lược giảng dạy — trang ôm trùm cho việc dạy diễn ra như thế nào: các phương pháp và chiến lược giảng dạy mà AI vận hành bên trong (học tập chủ động, cộng tác, theo dự án, theo vấn đề, theo trải nghiệm, theo trò chơi, phương pháp Socrates, Scaffolding, và nhiều hơn nữa), bao gồm cả bối cảnh riêng biệt của dạy và học trực tuyến.
• Lý thuyết học tập — trang ôm trùm cho việc học diễn ra như thế nào: các khuôn khổ lý thuyết (Behaviorism, chủ nghĩa nhận thức, chủ nghĩa xây dựng, xã hội-văn hóa, nhận thức, động lực) định hình thiết kế và đánh giá AI.
• Công nghệ — trang ôm trùm cho lớp kỹ thuật: các hệ thống AI (LLM, AI sinh tạo, đa phương thức, robot) và các kỹ thuật (RAG (Retrieval-Augmented Generation), prompt engineering, học tăng cường, huấn luyện mô hình, điều phối tác tử) cung cấp năng lượng cho AIED. Nhóm mô hình hóa người học — truy vết tri thức, chẩn đoán nhận thức, mô phỏng học sinh, và các hệ thống tiêu thụ chúng (gia sư thông minh, học tập thích ứng, cá nhân hóa) — được nhóm dưới trang ôm trùm Mô hình hóa Người học và Giảng dạy Thích ứng trong nhánh kỹ thuật này.
• AI trong các ngành học — trang ôm trùm cho cách AI được áp dụng xuyên suốt các lĩnh vực môn học (toán, vật lý, học ngôn ngữ, khoa học máy tính, viết, STEM, kỹ thuật, kinh doanh, đào tạo giáo viên, các ngành sức khỏe, và nhiều hơn nữa) — và, vượt ra ngoài các môn học thuần túy, nhánh nghề nghiệp và ứng dụng đánh giá thực hành đã được chứng minh thay vì tính đúng đắn (điều dưỡng, công nghệ thông tin, giáo dục nghề và đào tạo, giáo dục thiết kế) — và các cấp độ giáo dục (K-12, giáo dục đại học, học tập suốt đời cho người lớn).
• Assessment (với các nhánh định hình, tổng kết, thực chất, vấn đáp, và tự động) — trang ôm trùm cho việc AI vừa đánh giá người học vừa định hình lại tính hợp lệ và liêm chính của đánh giá.
• Feedback — trang ôm trùm cho việc phản hồi được tạo ra, chuyển giao và sử dụng như thế nào: vòng phản hồi, chất lượng phản hồi, năng lực phản hồi, và các bối cảnh đánh giá của nó (định hình, đồng đẳng, tự động).
• Các bên liên quan trong giáo dục AI — trang ôm trùm cho việc những tác nhân là ai: người học, giáo viên, nhà thiết kế học tập, nhà quản lý, và nhà hoạch định chính sách.
• Đánh giá giáo dục AI và phương pháp nghiên cứu — các trang ôm trùm cho việc chúng ta biết AI có hiệu quả hay không: các nghiên cứu hiệu quả, chuẩn đánh giá, các thử nghiệm đối chứng ngẫu nhiên, phân tích tổng hợp, và kết quả học tập như thước đo kết quả cốt lõi. Người đọc cũng nên cân nhắc các hạn chế xuyên suốt của bộ bằng chứng này.
• Quản trị AI, chính sách AI trong giáo dục, và công bằng — các trang ôm trùm cho lớp thể chế, pháp lý và công bằng (xem thêm AI Regulation in Education và Privacy).

Các trang ôm trùm này được liên kết xuyên suốt các phần dưới đây; mỗi nhánh dưới đây đều nêu cả trang ôm trùm của nó lẫn các khái niệm cấu thành.

Hai chiều của AI trong giáo dục

Nghiên cứu về AI trong giáo dục trải dài theo hai hướng liên kết với nhau:

• AI cho giáo dục — sử dụng các hệ thống AI để nâng cao giảng dạy, học tập, đánh giá và quản trị. Điều này bao gồm gia sư AI, học tập thích ứng, cá nhân hóa, chấm bài luận tự động, tạo câu hỏi tự động, đánh giá tự động, đánh giá định hình, phân tích dữ liệu học tập, và các vòng phản hồi.
• Giáo dục về AI — dạy người học và nhà giáo dục hiểu, sử dụng và đánh giá phản biện AI. Cốt lõi là AI literacy, được hỗ trợ bởi prompt engineering, tư duy phản biện, đạo đức AI, giáo dục về quản trị, năng lực số, và sử dụng có trách nhiệm.

Hai chiều này không tách biệt: sử dụng AI tốt đòi hỏi phải hiểu về nó, và việc dạy về AI được làm phong phú thêm nhờ sử dụng nó. Hợp tác người-AI này là một chủ đề trung tâm.

Nền tảng của AI trong giáo dục

Các khái niệm nền tảng và xuyên suốt của lĩnh vực neo cụm nội dung của cơ sở kiến thức và xuất hiện đầu tiên ở thanh bên. Chúng mở đầu với nhóm Điều cốt yếu — những khái niệm mà mọi độc giả nên bắt đầu: chính trang ôm trùm, các hiểu lầm về AI, AI literacy, AI tác tử, giảm tải nhận thức, cách việc sử dụng AI được định khung cho học sinh, giảm thiểu lạm dụng AI, liêm chính học thuật, giảng dạy, thiết kế học tập, và phát triển giáo dục. Nhánh lĩnh vực sau đó bao gồm lịch sử của lĩnh vực, các hạn chế xuyên suốt của nền tảng bằng chứng, triết học của nó, bản đồ các lý thuyết và khuôn khổ, và phát triển lý thuyết. Các chủ đề xuyên suốt — hợp tác người–AI, quyền chủ động của người học, bản sắc người học, tư duy thiết kế, thiết kế chương trình, tư duy phản biện, và tư duy tính toán — cắt ngang mọi nhánh, bởi vì các mô hình tinh thần không chính xác mà mọi người mang về AI là nguyên nhân thượng nguồn của lạm dụng và niềm tin được hiệu chỉnh thiếu chính xác.

Học tập và giảng dạy

Cách AI hỗ trợ việc dạy và học là trái tim của lĩnh vực. Các khái niệm then chốt bao gồm:

• Các phương pháp sư phạm cốt lõi: phương pháp sư phạm và chiến lược giảng dạy — trang ôm trùm cho cụm phương pháp giảng dạy của cơ sở kiến thức — cùng với các mô hình sư phạm (những chuỗi đã được thử nghiệm mà các phương pháp đó quy về), học tập chủ động, học tập cộng tác, làm việc nhóm, theo dự án, theo vấn đề, thất bại sinh lợi, theo điều tra, theo trải nghiệm, theo trò chơi, học qua dạy, Scaffolding, phương pháp Socrates, sư phạm phản biện, đối tác sư phạm, kể chuyện, thiết kế học tập, dạy và học trực tuyến, và video trong giáo dục.
• Lý thuyết và quá trình học tập: trang ôm trùm các lý thuyết học tập (Behaviorism, chủ nghĩa nhận thức, chủ nghĩa xây dựng, xã hội-văn hóa, nhận thức phân tán, học tập định cảnh, học tập thể hiện, cộng đồng điều tra) đứng cạnh các quá trình hướng đến người học như học tập tự điều chỉnh, lý thuyết tự quyết, Motivation, tự hiệu quả, học tập tự định hướng, siêu nhận thức, khó khăn mong muốn, chuyển giao học tập, tri thức tiền đề, sự tham gia nhận thức ICAP, văn bản phản bác, hồi tưởng, giãn cách và xen kẽ, và lý thuyết hoạt động.
• Sự tham gia và trải nghiệm của người học: sự tham gia của học sinh, tìm kiếm sự giúp đỡ, học tập xã hội-cảm xúc, hạnh phúc, sáng tạo, giải quyết vấn đề, học tập thành thạo, và tương tác học sinh–AI định hình cách người học thực sự gặp gỡ và chịu tác động của AI, trong khi các chuẩn mực xã hội hình thành xung quanh việc sử dụng AI quyết định mức độ cởi mở mà mọi điều trên có thể được thảo luận. Vượt ra ngoài khóa học, hỗ trợ và thành công của học sinh bao quát công việc phía thể chế — tư vấn, tiếp cận, giới thiệu chuyển tuyến, và phân bổ nguồn hỗ trợ khan hiếm — nơi AI một cách đáng tin cậy làm tăng khả năng hoàn thành nhiệm vụ nhưng không làm tăng sự bền bỉ hay tỷ lệ tốt nghiệp.

Công nghệ và kỹ thuật

Trang Công nghệ là trang ôm trùm cho lớp kỹ thuật:

• Mô hình và kỹ thuật: AI sinh tạo, mô hình ngôn ngữ lớn, tạo sinh tăng cường truy hồi, mô hình đa phương thức, NLP giáo dục, học tăng cường, đồ thị tri thức, robot trong giáo dục, AI hội thoại, mô phỏng, và huấn luyện và tinh chỉnh LLM. Các phương pháp nền tảng cũng quan trọng: học máy là nơi các hệ thống này được xây dựng, các công nghệ lời nói và giọng nói mang gia sư bằng lời nói và luyện ngôn ngữ, trực quan hóa bao quát bảng điều khiển và phân tích trực quan cho người học và giảng viên, và thực tế ảo và thực tế tăng cường là nơi diễn ra thực hành nhập vai mà lớp trực quan của nó giờ đây mô hình có thể tự tạo ra. Các kiểu tương tác mới hơn cũng thuộc về đây — nổi bật nhất là vibe coding, quy trình làm việc điều khiển bằng ngôn ngữ tự nhiên trong đó người dùng đặc tả một chương trình bằng cách nhắc (prompt) một LLM và phán xét hành vi kết quả thay vì đọc hay sửa mã nguồn. Điều đó định hình lại lập trình như một hành động biểu đạt và kiểm chứng, và hạ thấp rào cản để người dùng cuối tự xây dựng công cụ của mình. Các khuôn khổ về chiều sâu tích hợp như SAMR và các lý thuyết về áp dụng như TAM phân loại mức độ sâu mà AI được tiếp nhận và mức độ nó biến đổi nhiệm vụ.
• Mô hình hóa người học và các hệ thống thích ứng: các hệ thống kỹ thuật biểu diễn và thích ứng với người học được nhóm dưới trang ôm trùm Mô hình hóa Người học và Giảng dạy Thích ứng — truy vết tri thức, chẩn đoán nhận thức, mô phỏng học sinh, gia sư thông minh, học tập thích ứng, cá nhân hóa, hệ gợi ý và lộ trình học tập, tác tử sư phạm, gia sư cảm xúc, tính toán cảm xúc, AI có người trong vòng lặp, và phân tích dữ liệu học tập. Chúng nằm ở lớp kỹ thuật bởi vì chúng chính là các hệ thống AI, khác biệt với các phương pháp sư phạm mà chúng thể chế hóa.

AI trong các ngành học

AI được áp dụng xuyên suốt các ngành học và cấp độ giáo dục. Tổng quan về AIED trong các ngành học của cơ sở kiến thức ánh xạ cụm nội dung theo lĩnh vực môn học — cùng với các ngành khoa học về học tập, vốn không phải một môn học được dạy mà là lĩnh vực nghiên cứu xuyên suốt nghiên cứu bản thân việc học và lấy nội dung môn học như một biến số trong số các biến số khác:

• Các lĩnh vực môn học: toán, vật lý, hóa học, sinh học, khoa học máy tính, kỹ thuật, STEM, viết, học ngôn ngữ, giáo dục tiếng Anh (EAP/EFL/ESL), giáo dục khoa học, kinh doanh, kinh tế và quản lý, nhân văn và khoa học xã hội, nghệ thuật, thiết kế và giáo dục truyền thông, các ngành y và sức khỏe, giáo dục pháp lý, và các nhánh nghề nghiệp, ứng dụng — điều dưỡng, công nghệ thông tin, giáo dục nghề và đào tạo, và giáo dục thiết kế.

Các cấp độ và bối cảnh

Cùng một công cụ AI lại gặp phải các bối cảnh rất khác nhau, và cơ sở kiến thức phân tách cấp độ giáo dục khỏi phương pháp sư phạm để các phát hiện không âm thầm chuyển giao qua lại giữa chúng: các trường K-12, giáo dục mầm non và tiểu học, giáo dục đại học, học tập cho người lớn, giáo dục nghề và đào tạo, giáo dục hòa nhập, và đào tạo giáo viên. Các khái niệm liền kề lĩnh vực cắt ngang các cấp độ bao gồm thiết kế phổ quát cho học tập, đa dạng thần kinh, học tập đa ngôn ngữ, và học tập xã hội-cảm xúc.

Đánh giá và đo lường

AI biến đổi cả cách chúng ta đánh giá người học lẫn cách chúng ta đánh giá bản thân các hệ thống AI:

• Đánh giá và phản hồi: Assessment, đánh giá định hình, đánh giá tổng kết, đánh giá thực chất, hồ sơ điện tử, Feedback và năng lực phản hồi, chất lượng phản hồi AI, đánh giá đồng đẳng, đánh giá vấn đáp, đánh giá tự động, chấm bài luận tự động, và tạo câu hỏi tự động. Bởi vì một mô hình giờ đây có thể tạo ra sản phẩm hoàn chỉnh trông hợp lý theo yêu cầu, cơ sở kiến thức đưa lên hàng đầu năng lực vẫn thuộc về chính người học: phán xét đánh giá, khả năng thẩm định chất lượng công việc của bản thân, của bạn bè, và của đầu ra AI dựa trên các tiêu chí có lập luận. Đó là cấu trúc mà một số nghiên cứu về phản hồi và đánh giá thực chất cùng hội tụ về — điều kiện phản hồi lai vượt trội hơn phản hồi AI trực tiếp trong một thí nghiệm đa điểm, khoảng trống bền vững trong phản hồi định hình của AI, và bước đi thực tiễn là đánh giá các quyết định mà học sinh đưa ra chứ không chỉ sản phẩm — và đó là một lý do cốt lõi khiến việc thiết kế lại thời đại AI chuyển từ phát hiện sang các nhiệm vụ mà tính liêm chính của chúng sống sót qua kiểm tra. Làm việc nhóm cũng được đánh giá theo cả quá trình lẫn sản phẩm, khi các nhóm phải thương lượng xem sự tham gia AI của ai và loại nào được coi là chấp nhận được.
• Đo lường và tính hợp lệ: tính hợp lệ của đánh giá, AI nhận thức tâm lý đo lường, đo lường giáo dục, lý thuyết đáp ứng câu hỏi, thước đo tự báo cáo (công cụ đứng sau một phần lớn bộ bằng chứng này, và một hạn chế tái diễn), phát hiện AI, giám sát thi từ xa, và liêm chính học thuật.

Phương pháp nghiên cứu và đánh giá

Cách chúng ta biết AI có hiệu quả hay không là một nhánh riêng, và cơ sở kiến thức coi nó như một nhánh:

• Phương pháp nghiên cứu: các phương pháp nghiên cứu trong AIED như trang ôm trùm, với các hướng định tính, định lượng, phương pháp hỗn hợp, nghiên cứu dựa trên thiết kế, và khả năng sử dụng, cùng với các thử nghiệm đối chứng ngẫu nhiên, phân tích tổng hợp và tổng quan hệ thống, và phân tích mạng.

Công trình nghiên cứu của chính lĩnh vực giờ đây đã trở thành một đối tượng nghiên cứu tự thân. Nghiên cứu Giáo dục có Hỗ trợ AI bao quát việc sử dụng AI như một công cụ cho tìm kiếm tài liệu, sàng lọc, mã hóa định tính, phân tích và viết, bao gồm cả nghiên cứu của người thực hành như học bổng về dạy và học. Nó giữ ranh giới với các thiết kế được dùng để nghiên cứu điều AI gây ra cho người học.

• Đánh giá các hệ thống AI: đánh giá giáo dục AI và các chuẩn đánh giá để phán xét năng lực của một hệ thống, với kết quả học tập là kết quả thực sự quan trọng, và các hạn chế xuyên suốt của bộ bằng chứng này cùng cách đọc một nghiên cứu đơn lẻ như là trọng lượng cảnh giác đối trọng.

Con người

AI trong giáo dục thay đổi vai trò của mọi bên liên quan. Trang Các bên liên quan trong giáo dục AI của cơ sở kiến thức là trang ôm trùm bao quát tất cả:

• Người học: trải nghiệm của học sinh, phát triển nghề nghiệp và sự sẵn sàng, và lo âu và căng thẳng do AI định hình cách học sinh gặp gỡ AI.
• Gia đình và cộng đồng: phụ huynh và gia đình là đối tượng mà nhà trường thường xuyên đề cập nhất về AI và cũng là đối tượng có ít nghiên cứu nhất đứng sau các hướng dẫn, nên những lo ngại của họ thuộc về bức tranh bên liên quan chứ không đứng ngoài nó.
• Giảng viên và các khuôn khổ giảng dạy: năng lực AI của giáo viên, tri thức nội dung sư phạm công nghệ (TPACK), SAMR, và phát triển giáo dục giải quyết việc chuẩn bị và hỗ trợ nhà giáo dục.
• Nhà xây dựng: Educational Technology Developers — các nhà thiết kế sản phẩm, nhà phát triển phần mềm, kỹ sư học tập và nhà thiết kế phân tích biến một năng lực mô hình thành thứ mà một thể chế có thể mua sắm. Họ là một đối tượng riêng biệt với những người thực hành và nhà quản lý ở trên, và họ đứng ngoài các thể chế áp dụng công cụ của mình, đó là lý do các thiết lập mặc định, đồng thiết kế và bảo trì sau cấp vốn xuất hiện trong cơ sở kiến thức này như những câu hỏi sư phạm thay vì những câu hỏi thương mại.

Các thể chế và chính sách

Lớp thể chế là nơi các quyết định về AI thực sự được đưa ra và bảo vệ: các nhà quản lý và lãnh đạo thể chế, chính sách AI trong giáo dục, quản trị AI, quản lý thay đổi như công việc làm cho một đợt áp dụng bám rễ, quy định về AI, và các câu hỏi về mua sắm và nền tảng nảy sinh từ việc áp dụng công nghệ, mã nguồn mở, và các nền tảng edtech, cùng với học tập nghề nghiệp và suốt đời và đào tạo nghề nghiệp.

Công bằng, đạo đức và sử dụng có trách nhiệm

Công bằng, khả năng tiếp cận và trách nhiệm là trung tâm của AI trong giáo dục:

• Công bằng và tiếp cận: Công bằng, các hiệu ứng khác biệt giữa các nhóm người học (câu hỏi về việc một phát hiện đúng cho ai), khoảng cách số, giảm thiểu thiên kiến, sư phạm liên quan văn hóa, học tập đa ngôn ngữ, học tập hòa nhập, khả năng tiếp cận, công nghệ hỗ trợ, đa dạng thần kinh, thiết kế phổ quát cho học tập, và các nghiên cứu về toàn cầu phía Nam.
• Đạo đức và trách nhiệm: đạo đức AI, lạm dụng AI và tổn hại cho học tập, các vấn đề và rủi ro pháp lý, tiết lộ việc sử dụng AI, hàng rào an toàn, quyền riêng tư, rủi ro ảo giác, sự nịnh bợ của AI, niềm tin, hiệu chỉnh niềm tin, giảm thiểu lạm dụng AI, cách việc sử dụng AI được định khung cho học sinh, an toàn sư phạm, tính bền vững, và giảm tải nhận thức.

Một tổng quan hệ thống về văn học đạo đức của lĩnh vực (Agarwal và cộng sự 2026, 25 bài báo) hợp nhất đạo đức AIED thành sáu giá trị đạo đức chính — không phân biệt đối xử, quản trị dữ liệu, giám sát của con người, thiện chí, khả năng giải thích, và tính phù hợp giáo dục — và ánh xạ các chuẩn mực đạo đức lên một ma trận bên liên quan theo giá trị. Nó phát hiện người dùng cuối phần lớn thụ động trong văn học đạo đức (tiếng nói của học sinh hầu như vắng mặt) và kêu gọi tích hợp đạo đức vào thiết kế AIED cùng sự tập trung lớn hơn vào chiều giáo dục (sư phạm) của đạo đức AIED.

Các chủ đề nổi lên và xuyên suốt

Một số chủ đề cắt ngang lĩnh vực:

• Niềm tin và sử dụng phản biện: Trust, hiệu chỉnh niềm tin, sự nịnh bợ của AI, tư duy phản biện, giảm tải nhận thức, sư phạm phản biện, và giảm thiểu lạm dụng AI (xem thêm cách việc sử dụng AI được định khung cho học sinh). Cách người học và giáo viên quyết định áp dụng và dựa vào AI được mô hình hóa bởi nghiên cứu về chấp nhận công nghệ, trong khi các nghiên cứu về toàn cầu phía Nam đưa công bằng và bối cảnh văn hóa lên hàng đầu trong việc áp dụng. Về mặt thực nghiệm, cách AI giải thích chính nó định hình niềm tin này: Feldman-Maggor và cộng sự (2025) cho thấy AI giải thích được xây dựng niềm tin của giáo viên vào các khuyến nghị của AI thông qua tính dễ hiểu, với các giải thích dựa trên lĩnh vực (theo ngôn ngữ chương trình) được tin tưởng và chấp nhận nhiều hơn các đầu ra tầm quan trọng đặc trưng dựa trên dữ liệu.
• Sự tiến hóa của lĩnh vực: cơ sở kiến thức truy nguyên AI trong giáo dục từ các hệ thống gia sư thông minh sơ khai và truy vết tri thức đến gia sư, các tác tử, và AI tác tử điều khiển bởi LLM — một sự chuyển dịch nhanh chóng từ các nghiên cứu lấy công cụ làm trung tâm sang các khuôn khổ xã hội-kỹ thuật (tư duy thiết kế, thiết kế chương trình, thay đổi thể chế), và từ các hệ thống viết tay sang các quy trình do người dùng điều khiển, trong đó một người học hay người không biết lập trình đặc tả hành vi bằng ngôn ngữ tự nhiên (vibe coding). Rismanchian & Doroudi chính thức hóa quỹ đạo này bằng khuôn khổ AI×Ed của họ, truy nguyên các bài báo qua bốn thập kỷ hội nghị để cho thấy lĩnh vực đã chuyển từ một hỗn hợp đa dạng — bao gồm một lượng nghiên cứu đáng kể coi AI như một phép loại suy của trí thông minh và học tập con người — sang một sự tập trung gần như độc quyền vào các ứng dụng mang tính thực tiễn, dựa trên dữ liệu, hướng đến nhà nghiên cứu, một bước ngoặt mà sự trỗi dậy của LLM nay có vẻ đảo ngược một phần (trong bốn bài báo "AI-như-phép-loại-suy" tại AIED 2024 thì ba bài dựa trên LLM).
• Cảm xúc, lo âu và tương lai nghề nghiệp: AI gây ra và định hình các phản ứng cảm xúc — lo âu và căng thẳng do AI trải dài từ giám sát thi cử, nỗi sợ về liêm chính, đến mất việc làm — trong khi phát triển nghề nghiệp và sự sẵn sàng giải quyết cách giáo dục chuẩn bị người học cho một thị trường lao động bị AI xáo trộn (xem thêm Well-Being).

Độ chín của lĩnh vực

Cơ sở kiến thức phản ánh một lĩnh vực đang tiến hóa nhanh chóng — từ các hệ thống gia sư thông minh sơ khai đến gia sư và AI tác tử điều khiển bởi LLM; từ các công cụ liêm chính học thuật tập trung vào phát hiện đến việc thiết kế lại đánh giá; từ các nghiên cứu lấy công cụ làm trung tâm đến các khuôn khổ xã hội-kỹ thuật và hướng đến công bằng. Nền tảng bằng chứng ngày càng nhấn mạnh phương pháp nghiên cứu nghiêm ngặt, đánh giá, các thiết kế thực nghiệm, và các kết quả dài hạn.

Các kết nối

AI trong giáo dục kết nối với mọi khái niệm trong cơ sở kiến thức — đó là lĩnh vực mà tất cả các trang khái niệm khác cùng nhau định nghĩa. Hãy dùng trang này như điểm khởi đầu để điều hướng toàn bộ cơ sở kiến thức.

Khái niệm liên quan

• Pedagogical Patterns — Những chuỗi đã được thử nghiệm vận hành hóa các phương pháp sư phạm của lĩnh vực
• Năng lực AI (AI Literacy) — ôm trùm: hiểu, sử dụng và đánh giá AI
• Human AI Collaboration — ôm trùm: cách con người và AI làm việc cùng nhau
• Pedagogies and Teaching Strategies — ôm trùm: các phương pháp và chiến lược giảng dạy
• Learning Theories — ôm trùm: việc học diễn ra như thế nào
• Technologies — ôm trùm: các mô hình, kỹ thuật và hệ thống
• AIEd in the Disciplines — ôm trùm: AI xuyên suốt các lĩnh vực môn học và cấp độ
• Assessment — ôm trùm: AI đánh giá người học và định hình lại tính hợp lệ như thế nào
• Feedback — ôm trùm: phản hồi được tạo ra, chuyển giao và sử dụng như thế nào
• Stakeholders — ôm trùm: những tác nhân là ai
• Learners — ôm trùm: các khái niệm phía người học (trải nghiệm, bản sắc, quyền chủ động, tương tác, mô hình người học)
• AI Ed Evaluation — ôm trùm: cách chúng ta biết AI có hiệu quả hay không
• Research Methods in AIED — ôm trùm: các phương pháp nghiên cứu hiệu quả
• AI-Assisted Educational Research — Nghiên cứu Giáo dục có Hỗ trợ AI
• AI Governance — ôm trùm: lớp thể chế và quy định
• Educational AI Policy — ôm trùm: chính sách, hướng dẫn và triển khai
• Equity — ôm trùm: công bằng, tiếp cận và hòa nhập
• Learning Sciences — lĩnh vực thực nghiệm đứng sau AIED
• Ethics — các chiều đạo đức của AI trong giáo dục
• Misconceptions about AI — các mô hình tinh thần mà mọi người mang đến AI
• Interpreting and Applying AIEd Research — đọc một nghiên cứu, và đưa một phát hiện vào thực tiễn
• Limitations in AIEd Research — các giới hạn xuyên suốt của nền tảng bằng chứng
• Meta-Analysis and Systematic Review — điều mà các tổng quan và phân tích tổng hợp xác lập
• History of AI in Education — lĩnh vực đã tiến hóa như thế nào
• Philosophy of AI in Education — các nền tảng triết học
• Theories and Frameworks — bản đồ các nút lý thuyết và khuôn khổ
• Theory Development in AI in Education — xây dựng và sửa đổi lý thuyết

Bài báo liên quan

Các tổng quan toàn lĩnh vực về AI trong giáo dục — những nghiên cứu khảo sát toàn bộ lĩnh vực hay toàn bộ một cấp độ giáo dục thay vì một chủ đề:

• The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework — Sự tiến hóa của nghiên cứu AI-và-giáo dục qua bốn thập kỷ (khuôn khổ AIxEd)
• Control vs. Agency: Exploring the History of AI in Education — Kiểm soát đối đầu quyền chủ động: một lịch sử của AI trong giáo dục
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — AI sinh tạo trong giáo dục đại học: tổng quan hệ thống 125 nghiên cứu
• The Evidence Base on AI in K-12: A 2026 Review — Nền tảng bằng chứng về AI ở K-12: một tổng quan 818 bài báo
• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches — AI sinh tạo và kết quả giáo dục: phân tích tổng hợp toàn diện