Cơ sở tri thức AIEdAIEd KB
Trên trang này

Đọc trang này bằng tiếng Anh

Khái niệm

Năng lực AI (AI Literacy)

Ngày tạo 2026-10-15

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

AI literacy (năng lực AI) — những kiến thức, kỹ năng và khuynh hướng phản biện cần thiết để hiểu, đánh giá và sử dụng hiệu quả AI Technologies trong các bối cảnh giáo dục. Năng lực AI trải dài từ hiểu biết nền tảng về cách AI vận hành, năng lực thực hành trong việc sử dụng các công cụ AI, đánh giá phản biện các đầu ra của AI, và nhận thức đạo đức về các hàm ý xã hội của AI.

Những câu hỏi cần cân nhắc

  • 'AI literacy' nghĩa là gì? Là biết cách sử dụng các công cụ, hiểu cách chúng vận hành, hay là có khả năng đánh giá phản biện đầu ra của chúng — và điều nào quan trọng nhất đối với mục tiêu của bạn?
  • Năng lực AI tự báo cáo lệch rất xa so với hiệu năng được đo — giáo viên ước lượng kỹ năng của mình cao hơn khoảng 40%. Bạn tự tin vào kỹ năng AI của mình đến mức nào, và bằng chứng nào bạn tin tưởng để thực sự kiểm chứng sự tự tin đó?
  • Năng lực AI được mô tả như một thực hành xã hội mang tính siêu nhận thức, chứ không phải một danh sách kiểm tra các kỹ năng. Bởi vì các LLM mang tính xác suất và mờ đục, thì 'đánh giá phản biện' đầu ra nghĩa là gì khi bạn không thể nhìn thấy bên trong mô hình?
  • Có một căng thẳng giữa năng lực AI theo hướng sử dụng phản biện cho môi trường học thuật và năng lực AI theo hướng tích hợp vào quy trình làm việc cho việc làm — nhà giáo dục và nhà tuyển dụng đề cao các kỹ năng khác nhau. Bối cảnh của bạn thực sự đang dạy loại năng lực AI nào?
  • Việc đào tạo năng lực AI thuần túy về mặt kỹ thuật, nếu thiếu sự hỗ trợ về tự hiệu quả và tự điều chỉnh, có thể thực sự làm tăng sự phụ thuộc vào AI. Việc học cách sử dụng AI có thể khiến bạn phụ thuộc vào nó nhiều hơn thay vì làm bạn năng lực hơn như thế nào?
  • Năng lực AI cũng là một kỹ năng nhận diện: nhận ra khi một AI đang đồng ý với bạn vì nó đang nịnh bợ hay vì bạn đúng. Bạn đã bao giờ bắt gặp một AI chỉ nói đúng điều bạn muốn nghe chưa?

Giới thiệu

Năng lực AI đã nhanh chóng nổi lên như một năng lực cốt lõi của người học, nhà giáo dục và các thể chế khi Generative AI bị nhúng sâu vào giáo dục. Không giống như năng lực số thông thường, năng lực AI đòi hỏi phải hiểu các hệ thống mang tính xác suất có thể ảo giác, thể hiện thiên kiến, và chuyển Learner Agency từ con người sang máy — khiến Critical Thinking và Phụ thuộc quá mức trở thành trung tâm của cấu trúc khái niệm này.

Các chiều của năng lực AI

Nghiên cứu về năng lực AI trong cơ sở kiến thức này trải dài trên bốn chiều liên kết với nhau:

Các khuôn khổ ngày càng truy nguyên cách bốn chiều này được thể chế hóa trong thực tiễn: Dai & Chan (2026) cho thấy các nghiên cứu sinh sau đại học thể chế hóa cả bốn chiều khi sử dụng Generative AI xuyên suốt quy trình nghiên cứu, và dựng các hướng dẫn sử dụng có trách nhiệm đặc thù cho nghiên cứu từ đó, trong khi Şan & Orhan Karsak (2026) dùng ánh xạ Word-Association để cho thấy nhận thức AI của sinh viên Thổ Nhĩ Kỳ mang tính 'hộp đen' thực dụng chi phối, với các khái niệm đạo đức-quản trị bị cô lập về mặt cấu trúc (τ=−0.819) — bằng chứng cho thấy thiết kế chứng chỉ phải chủ động bắc cầu giữa việc sử dụng công cụ theo trải nghiệm và các khuôn khổ đạo đức.

Nhu cầu phụ thuộc vào điều mà học sinh và hệ thống đang cùng nhau làm. Các khuôn khổ về năng lực thường mô tả một tập hợp năng lực chung duy nhất, nhưng điều mà một hoạt động có hỗ trợ GenAI thực sự đòi hỏi lại thay đổi tùy theo cách công việc tri thức được phân bổ bên trong nó. Sun, Dohn và Rehm (2026) phân loại 102 nghiên cứu thực nghiệm về giáo dục đại học theo phân loại các ứng dụng GenAI của Strobel và cộng sự, và phát hiện các dạng 'vướng mắc' (entanglement) Assistant và Enabler chiếm ưu thế với mỗi loại 42.16% bộ ngữ liệu, trong khi Generator, Reimaginator và Synthesizer cộng lại chưa tới một phần năm — một độ lệch mà họ quy cho tính hợp lệ của thể chế chứ không phải năng lực của mô hình, vì cùng các mô hình đó hỗ trợ cả năm loại. Đọc từng loại qua ba cấp bối cảnh của Dohn (trong lĩnh vực, trong hoạt động, định khung hoạt động) cho thấy nhu cầu ngưng tụ đối với công việc Assistant và phân mảnh đối với các loại biên, nơi điều hoạt động đòi hỏi ở học sinh lệch khỏi điều thể chế công nhận là năng lực hợp lệ. Kết luận của họ đẩy năng lực AI ra khỏi sự thành thạo công cụ hoàn toàn: năng lực GenAI là khả năng nhận ra cách công việc tri thức và trách nhiệm được phân bổ trong một dạng vướng mắc nhất định, và hành động phù hợp bên trong nó.

Kiến thức nền tảng: Hiểu LLM là gì, chúng khác gì so với các hệ thống dựa trên luật, và những giới hạn cơ bản của chúng. Điều này bao gồm nhận thức về năng lực của mô hình, thiên kiến trong dữ liệu huấn luyện, và sự phân biệt giữa AI đặc thù cho nhiệm vụ với các mô hình đa dụng. Nghiên cứu trong Prompt Engineering xem xét việc hiểu các cơ chế prompt ảnh hưởng đến việc sử dụng AI hiệu quả như thế nào.

Năng lực thực hành: Khả năng sử dụng các công cụ AI một cách hiệu quả — từ Prompt Engineering đến việc diễn giải các đầu ra. Các nghiên cứu về các mẫu sử dụng GenAI của học sinh cho thấy chỉ tiếp cận công cụ không tạo ra năng lực; thực hành có cấu trúc và Scaffolding là điều thiết yếu. Khuôn khổ vibe coding cho thấy giáo viên K-12 có thể phát triển năng lực AI thực hành như thế nào thông qua việc tạo công cụ có hướng dẫn. Miles, Haber-Curran và Arar (2026) lập luận rằng chiều này có một phần mà đào tạo tối ưu hóa bỏ sót: năng lực prompt (prompt literacy), khác biệt với prompt engineering, coi việc tạo prompt như một hành động tu từ và đạo đức, nên việc giảng dạy chỉ tinh chỉnh đầu ra để có hiệu năng tốt hơn sẽ để nguyên các chiều đạo đức và tri thức luận của việc sử dụng LLM.

Đánh giá phản biện: Năng lực đánh giá đầu ra của AI về độ chính xác, thiên kiến và tính phù hợp. Nghiên cứu về đánh giá năng lực AI cho thấy khoảng cách 40% giữa năng lực AI tự báo cáo và dựa trên hiệu năng — mọi người liên tục ước lượng quá cao kỹ năng đánh giá của mình. Sự phân kỳ đó là trường hợp rõ nhất trong cơ sở kiến thức về một thước đo tự báo cáo không bám sát năng lực mà nó định danh. Điều này kết nối với nghiên cứu về Phụ thuộc quá mức cho thấy học sinh Trust AI một cách thiếu phản biện thì học được ít hơn. Công trình khái niệm gần đây đẩy việc đánh giá về phía kiểm chứng: khuôn khổ PEARLS (Wang) coi đầu ra AI như một khẳng định tri thức tạm thời mà căn cứ của nó phải được tập hợp và xem xét trên sáu chiều (Process, Evidence, Access, Reproducibility, Legitimacy, Source), và đưa ra học tập dẫn dắt bởi kiểm chứng (verification-driven learning) như cơ chế mà người học xây dựng chuyên môn trong khi kiểm chứng các khẳng định của AI. Bổ sung cho điều đó, khuôn khổ sử dụng có trách nhiệm lấy học sinh làm trung tâm (Alsammani) đưa ra mười hướng dẫn hướng đến học sinh trải dài trên các trụ Learning and Growth, Ethics and Integrity, và Awareness and Safety, khách quan hóa các lời nhắc siêu nhận thức tại thời điểm ra quyết định. Đối với học sinh trung học, khuôn khổ Năng lực Nghiên cứu có Hỗ trợ AI (AARC) (Beau, Flaquière & Lazar 2026) đặt điều này trên nền tri thức luận đức đức và trực giác AI, định nghĩa năng lực nghiên cứu là tiến hành điều tra với AI mà không từ bỏ quyền tác giả, phán xét, kiểm chứng, hay trách nhiệm — được vận hành hóa thành một thang đánh giá phân tích và một thói quen cam kết verify–cite–reflect. Ở phía Assessment, Saleh (2026) đề xuất một bài kiểm tra năng lực con người biến đánh giá thành một nguyên tắc thiết kế: hãy hỏi một học sinh phải chứng minh điều gì...

Kiểm chứng theo ngành học đặt yêu cầu cao hơn nữa. Vega-Baudrit và Rivera Alvarez (2026) lập luận rằng trong hóa học đại học, nhu cầu cốt lõi của năng lực AI là dịch thuật biểu diễn xuyên suốt các vùng macroscopic, submicroscopic và symbolic của Johnstone, bởi vì một đầu ra có thể thuyết phục cục bộ ở một vùng trong khi mâu thuẫn với cân bằng điện tích, một cơ chế hay một giới hạn an toàn ở vùng khác. Giải pháp của họ là tích hợp lấy kiểm chứng làm trung tâm: biến kiểm chứng thành một hoạt động được đánh giá, giữ nhật ký prompt và lịch sử sửa đổi như các dấu vết lập luận, và coi việc tạo prompt như một hành động tri thức luận xác định các ràng buộc, giả định và tiêu chí đầy đủ, với học sinh tự xác định một giả định sai hoặc biện minh cho việc bác bỏ một câu trả lời do AI tạo ra.

Nhận thức đạo đức và thể chế: Hiểu các hàm ý rộng lớn hơn của AI — từ Academic Integrity đến Equity đến Privacy. Năng lực AI ở cấp độ thể chế bao hàm việc phát triển chính sách, Educational Development, và các khuôn khổ quản trị — năng lực AI của thể chế là vấn đề chính sách nhiều ngang bằng với vấn đề sư phạm. Khuôn khổ EPIQ-AI định khung năng lực AI của thể chế như một thách thức liên kết xã hội-kỹ thuật, chứ không chỉ là đào tạo cá nhân.

  • Năng lực AI như một năng lực quản trị cho phát triển bền vững. Islam, Morshed, và Islam (2026) tái khái niệm hóa năng lực AI như một năng lực định hướng quản trị thay vì một kỹ năng thuần túy giáo dục hay kỹ thuật, liên kết nó với cả mười bảy Mục tiêu Phát triển Bền vững của Liên hợp quốc. Phân loại AIRE sáu cấp của họ (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) mở rộng hệ thống phân cấp của Bloom bằng cách bổ sung tổng hợp đạo đức và tiên lượng chiến lược, định vị các năng lực nâng cao (Analyze–Govern) là con đường từ năng lực cơ bản đến quản trị cấp thể chế và chính sách — một heuristic 'SDG thứ 18' coi năng lực AI như một cầu nối nhận thức và đạo đức xuyên suốt. Một khảo sát 300 chuyên gia trong một bối cảnh quốc gia phát hiện nhận thức kỹ thuật mạnh nhưng sự sẵn sàng về đạo đức và quản trị còn hạn chế, với lập luận đạo đức và tư duy phản tư là những dự báo mạnh nhất cho việc sử dụng AI bền vững và đáng tin cậy và năng lực quản trị là dự báo mạnh nhất cho nhận thức về mối liên hệ AI–SDG (β = 0.64). Điều này củng cố thực nghiệm cho sự nhấn mạnh của cơ sở kiến thức về năng lực AI theo hướng sử dụng phản biện và gắn năng lực AI trực tiếp với Sustainability và sự tích hợp chính sách.

Nguồn cung khuôn khổ giờ đây tự nó là một vấn đề. Fitsilis (2026) so sánh 16 khuôn khổ năng lực AI được các thể chế xác nhận cho phát triển giáo dục và lực lượng lao động, và phát hiện một lõi chung gồm mười lĩnh vực năng lực nhưng biến thiên rộng về cấu trúc, tiến trình và hướng dẫn triển khai — khó khăn thực tiễn là chọn giữa chúng, chứ không phải sự khan hiếm.

Cách năng lực AI được phát triển

Nghiên cứu chỉ ra các hướng tiếp cận cộng tác và chủ động là hiệu quả nhất. Rismanchian & Doroudi định vị năng lực AI là hơn cả kỹ năng ứng dụng: trong khuôn khổ AI×Ed của họ, người học là một người dùng cuối độc lập của AI (tiếp cận qua năng lực AI và giáo dục AI), và họ lập luận cho việc tái khởi động công trình năng lực AI khuyến khích sự phản tư về bản thân việc học — coi năng lực AI là con đường trở lại nghiên cứu 'AI như một phép loại suy của trí thông minh con người' về cách mọi người học, một nhánh mà lĩnh vực phần lớn đã bỏ rơi. Khuôn khổ ICAP (Interactive → Constructive → Active → Passive) cung cấp một phân loại hữu ích về sự tham gia nhận thức: học sinh phát triển năng lực AI tốt nhất khi họ đồng xây dựng tri thức thay vì thụ động tiếp nhận thông tin. Nhà thiết kế nên chọn chế độ phù hợp với mục tiêu học tập và ưu tiên các chế độ sâu hơn (constructive và interactive) khi có thể. Các hoạt động thực tiễn — thiết kế prompt, đánh giá đầu ra theo nhóm, tranh luận về Ethics của AI — vượt trội hơn các bài giảng.

Viết bắt đầu từ trải nghiệm sống — nhưng chiều sâu khái niệm cần giàn giáo. Burriss và cộng sự (2026) phát hiện thanh thiếu niên neo các nguyên tắc đạo đức trừu tượng của AI vào những hệ thống họ gặp hằng ngày — 'thẻ ra vào' điện tử, laptop do trường quản lý, các công cụ phát hiện đạo văn — với một nhóm giải thích rằng AI trong trường học 'là điều riêng tư với mọi thành viên trong nhóm', và 15 trong 18 phản hồi khảo sát cuối đơn vị cho biết việc làm video đã thay đổi sự hiểu của họ về đạo đức AI. Các tác giả rất rõ ràng về giới hạn: việc sáng tác không tự thân bảo đảm nền tảng khái niệm — 'informed consent' được dịch thành 'We gotta approve', và một số thuật ngữ (ví dụ 'failsafe') không bao giờ được giải thích, thúc đẩy họ lên kế hoạch cho công việc khái niệm sâu hơn trong các lần lặp sau. Sản xuất sáng tạo phát triển năng lực AI tốt nhất khi Scaffolding khái niệm tường minh đi kèm với việc làm ra chứ không được cho là tự nó sẽ nổi lên từ đó.

Trực giác AI như phần bổ trợ trải nghiệm cho năng lực AI. Một khoảng trống tái diễn là các khuôn khổ K-12 giả định người học tiếp cận AI qua tri thức khai báo, dựa trên luật, trong khi trên thực tế họ trước tiên phát triển một 'cảm giác' thực hành về cách AI phản hồi — thử nghiệm với prompt, quan sát hành vi, điều chỉnh chiến lược — trước khi họ có thể diễn đạt các nguyên tắc chính thức. Beau & Lazar (2026) chính thức hóa điều này thành trực giác AI: một sự hiểu trải nghiệm, quy nạp, thường ngầm mà phát triển qua tương tác lặp lại với các hệ thống AI và hỗ trợ phán xét nhạy cảm bối cảnh trong điều kiện không chắc chắn. Khuôn khổ kép của họ đặt năng lực AI (các năng lực có cấu trúc, phần lớn tĩnh) song song với trực giác AI (một quá trình học tập động), ánh xạ cả hai trên các chiều chuẩn — hiểu các khái niệm, sử dụng công cụ, đánh giá phản biện, áp dụng đạo đức, phản tư — để người học kết hợp sự rõ ràng khái niệm và Guardrails (năng lực) với trí tuệ thực hành để tin-nhưng-kiểm-chứng và quyết định khi nào rút lui (trực giác). Bởi vì trực giác nuôi dưỡng 'quan sát chuyên gia' đối với AI (ví dụ stress-test các prompt để tìm chỗ mô hình thất bại), các tác giả lập luận rằng nó là một hàng rào bảo vệ chống lại phụ thuộc quá mức và sự xói mòn tư duy phản biện; nó khác biệt với Prompt Engineering (vốn tối ưu hóa đầu ra) ở chỗ đặt phán xét tri thức luận lên hàng đầu. Điều này kết nối năng lực AI với Experiential Learning, Constructivism, và thực hành lớp học căn cứ phát triển, và hướng việc chuẩn bị giáo viên tới việc tạo điều kiện cho khám phá quy nạp thay vì chỉ truyền đạt khái niệm.

Động lực là một điều kiện tiên quyết, không chỉ một kết quả. Liang và cộng sự (2026) phát hiện, trên 2,086 học sinh trung học trong một chương trình AI cả năm, rằng học sinh chuyển sang hoặc duy trì hồ sơ động lực Tự quyết (sự thỏa mãn nhu cầu về tự chủ, năng lực và liên quan đều cao) đạt được mức tăng năng lực AI lớn nhất. Năng lực AI phát triển qua sự tham gia bền vững, và bản thân sự tham gia đó lại được định hình bởi động lực và sự hỗ trợ nhu cầu tâm lý — nên việc giảng dạy năng lực AI hiệu quả nên chú ý đến động lực của người học, không chỉ kỹ năng của họ.

Nhấn mạnh giảng dạy và độ mở của nhiệm vụ tác động đến hiệu năng qua các nhu cầu khác nhau. Yu, Lin và Chen (2026) phân bổ ngẫu nhiên 320 sinh viên đại học vào bốn nhóm trong thí nghiệm 2 x 2 về nhiệm vụ tạo ảnh AIGC, chấm điểm bằng một thang đánh giá khách quan (ICC = 0.89), và phát hiện giảng dạy định hướng tư duy, bao quát các giới hạn của mô hình, đánh giá phản biện và đạo đức, vượt trội hơn giảng dạy prompt định hướng kỹ năng (M = 9.21 so với 7.69, F(1, 316) = 50.79, p < 0.001, partial eta squared = 0.138), với khoảng cách rộng hơn ở các nhiệm vụ mở (10.10 so với 8.00). Mô hình cấu trúc cho thấy hai lựa chọn thiết kế đi bằng những đường khác nhau: giảng dạy tác động gián tiếp qua tự chủ (beta = 0.035) và năng lực (beta = 0.079), trong khi độ mở của nhiệm vụ chủ yếu tác động qua tự chủ (beta = 0.029), năng lực là dự báo mạnh nhất cho hiệu năng (beta = 0.358) và liên quan không có tác động độc lập. Do đó điều mà giảng dạy chứa đựng quan trọng hơn việc người học có được thực hành prompting hay không, và nó quan trọng nhất khi nhiệm vụ mang tính mở.

Các biến số xung quanh năng lực AI từ đó đã được ánh xạ rộng hơn. Tổng quan hệ thống 2025 về các tương quan của năng lực AI tổng hợp 31 nghiên cứu trên 14 quốc gia (N = 12,071) và phát hiện các liên hệ nhất quán nhất ở dải cảm xúc và hành vi: tự hiệu quả AI, thái độ tích cực với AI, động lực và năng lực số đều biến động cùng chiều với năng lực AI, trong khi lo âu AI và thái độ tiêu cực biến động ngược chiều. Các biến số nhân khẩu học hầu như không đáng kể, với tuổi và địa vị kinh tế-xã hội tương quan yếu hoặc không tương quan. Lời cảnh báo của tổng quan là về các công cụ: chính các nghiên cứu tạo ra tương quan mạnh từ tự đánh giá cũng cho thấy tương quan yếu hơn nhiều khi năng lực AI được kiểm tra thay vì tự đánh giá.

Một nghiên cứu phương trình cấu trúc trên 502 giảng viên phản hồi tại một trường đại học nghiên cứu của Trung Quốc phát hiện năng lực AI là dự báo mạnh nhất cho hạnh phúc với AI (β = 0.713), trước một đường tự hiệu quả công nghệ nhỏ (β = 0.082), với hỗ trợ xã hội và tổ chức chỉ tác động gián tiếp đến hạnh phúc (Liu và cộng sự (2026)).

Một liên hệ tiêu cực bề ngoài đảo chiều khi có kiểm soát: trong 303 sinh viên đại học Hồng Kông, lo âu công nghệ tương quan âm với năng lực AI (r = −0.14) nhưng dự báo β = 0.15 trong mô hình hỗn hợp, một tác động chỉ giới hạn ở đánh giá phản biện và năng lực đạo đức (Chow và cộng sự (2026)).

Hu (2026) bổ sung một lược đồ có thứ tự về điều mà năng lực AI dự báo thay vì điều dự báo nó. Khảo sát 450 sinh viên đại học ở Trung Quốc đại lục vốn đã dùng ChatGPT, nghiên cứu phát hiện năng lực AI liên quan trực tiếp đến việc tiếp tục sử dụng (beta = 0.16, p = 0.002) và gián tiếp theo đường nối tiếp qua Trust và tự hiệu quả học thuật Self-Efficacy (hiệu ứng gián tiếp = 0.07, 95% CI [0.04, 0.10]), với liên kết năng lực-quyên tin là liên hệ mạnh nhất trong mô hình (beta = 0.50). Lo âu AI điều tiết liên kết đầu tiên đó (tương tác beta = -0.25, độ dốc đơn giảm từ 0.76 xuống 0.25 trên toàn dải lo âu), nên chuỗi đó mỏng đi đối với học sinh lo âu hơn và việc giảng dạy năng lực AI đơn thuần không nên được cho là sẽ với tới họ. Thiết kế là thiết kập cắt ngang và mẫu bị giới hạn ở người dùng hiện có, nên thứ tự đó là một giả định mô hình hóa chứ không phải một trình tự quan sát được.

Một mục tiêu ứng dụng cốt lõi của năng lực AI là Reducing AI Misuse: dạy học sinh sử dụng AI một cách đạo đức và hiệu quả thay vì thay thế nó cho công việc nhận thức của chính họ. Nơi năng lực AI xây dựng năng lực để đánh giá và sử dụng AI một cách phản biện, giảm thiểu lạm dụng là phần đền đáp về hành vi và cấu trúc — kết hợp thiết kế công cụ có hàng rào an toàn, thiết kế lại đánh giá, và các đòn bẩy giáo dục như các chuỗi think-first/AI-second có giàn giáo và thực hành prompting có chủ ý với Feedback cố ý. Hai khái niệm này cùng củng cố lẫn nhau: năng lực AI cung cấp các khuynh hướng phản biện làm cho các can thiệp giảm lạm dụng bền vững, trong khi bằng chứng về giảm lạm dụng (ví dụ khoảng cách hiệu năng–học tập) chính là động lực cho việc năng lực AI phải đi xa hơn kỹ năng vận hành để đến phán xét phản biện.

Năng lực AI cũng cần các hình thức phù hợp với sự phát triển cho những người học nhỏ tuổi nhất. AI-Play dịch các năng lực năng lực AI thành các hoạt động dựa trên chơi, không cần máy tính (unplugged) cho học sinh Pre-K–K2 — tổ chức quanh AI Body (AI như một hệ thống được xây từ các bộ phận), AI Food (AI học từ các ví dụ), AI Brain (AI cải thiện qua các mẫu và phản hồi), và một lăng kính đạo đức Pre/Post-AI — giải quyết sự thiếu hụt dai dẳng các hướng dẫn năng lực AI căn cứ phát triển cho tuổi mầm non và làm cho năng lực AI tiếp cận được với các nhà giáo dục phi kỹ thuật và các gia đình. Bổ sung cho điều đó, Vahedian Movahed & Martin (2025) phát hiện trẻ em từ 6–14 tuổi phần lớn tin tưởng một chatbot được điều chỉnh theo độ tuổi như một nguồn thông tin, và hầu hết mô hình hóa nó như 'một chương trình máy tính thông minh biết học' (sự hiểu Machine Learning sơ khai), nhưng lại có khoảng trống ở tham gia phản biện và nhận thức an toàn số — bằng chứng cho thấy niềm tin của người học nhỏ tuổi có thể đi trước kỹ năng đánh giá phản biện của họ, khiến Trust Calibration tường minh và hướng dẫn an toàn trở thành phần cần thiết của năng lực AI cho trẻ em.

Việc đo lường đang theo kịp bước ngoặt phát triển đó ở đầu nhỏ tuổi. Việc kiểm chứng năm 2025 của Thianwan và Srikoon về một bảng câu hỏi tự đánh giá năng lực AI cho học sinh tiểu học cấp cao phát triển một công cụ 15 câu cho lớp 4 đến lớp 6, tổ chức quanh Learning About AI, Learning About How AI Works, và Learning for Life with AI, và xác nhận cấu trúc ba nhân tố trên hai mẫu (n = 335 và n = 579) với độ tin cậy Cronbach's alpha tổng thể là .934. Các tác giả định khung nó như một chẩn đoán định hình về năng lực nhận thức chứ không phải năng lực đã chứng minh, và lưu ý rằng độ chính xác tự đánh giá của trẻ em bị giới hạn bởi năng lực siêu nhận thức vẫn đang phát triển.

Học tập theo dự án như một cơ chế triển khai. Zhu & Kong (2026) phát triển và kiểm chứng một thang đo học tập theo dự án AI (AI-PBLS) và, trên một mẫu Hồng Kông gồm 1,027 học sinh trung học và đại học (446 có dữ liệu đầy đủ), dùng mô hình hóa phương trình cấu trúc để cho thấy trao quyền trong việc sử dụng AI để giải quyết vấn đề và nhận thức đạo đức của AI cùng nhau làm trung gian cho mối quan hệ giữa Project-Based Learning được nhận thức và sự hài lòng với một khóa học năng lực AI. Điều này định vị PBL không chỉ như một định dạng triển khai mà như một cơ chế xây dựng sự tự tin và lập luận đạo đức của người học song song với năng lực, củng cố liên kết giữa PBL và sự phát triển năng lực AI có ý nghĩa. Nó cũng cung cấp một công cụ đo lường đã kiểm chứng cho việc đo lường tương lai các trải nghiệm khóa học năng lực AI.

Nâng chiều đạo đức của năng lực AI có một vấn đề về dấu hiệu. Trong 584 sinh viên đại học tự học AI, năng lực làm tăng nhận thức đạo đức (β = 0.644, p < .001), và nhận thức đạo đức sau đó làm tăng lo âu AI (β = 0.439, p < .001) thay vì giảm nó, ngược với hướng dự đoán (Mu và cộng sự (2026)). Bài học các tác giả rút ra là việc dạy cách các quan ngại đạo đức được quản trị phải đi kèm với bản thân chiều đạo đức, nếu không công trình năng lực AI có thể để lại người học lo âu hơn trước khi học.

Năng lực AI như một khoảng trống cốt lõi trong các khuôn khổ Conversational AI. Tổng quan ôm trùm các tác tử AI hội thoại (Ganguly và cộng sự 2025, 34 tổng quan) xác định sự hỗ trợ năng lực AI hạn chế là một khoảng trống lớn trong các khuôn khổ CAI, và lộ trình sử dụng đạo đức của nó đặt đánh giá nền tảng (bao gồm tăng cường năng lực AI) làm trụ đầu tiên cùng với thiết kế tham gia, các hướng dẫn sử dụng đạo đức, và đánh giá liên tục tác động nhận thức. Nó cũng phát hiện rằng năng lực AI, đào tạo và nhận thức xếp hàng đầu trong các hướng đạo đức được nhấn mạnh nhất trong văn học CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Hiệu quả của các can thiệp năng lực AI. Phân tích tổng hợp ba cấp của 59 nghiên cứu (172 kích thước hiệu ứng, 7,211 người tham gia) ước tính hiệu ứng tổng thể lớn của các can thiệp năng lực AI (g = 0.837, p < .001) — nhưng với khoảng dự báo rộng [−0.292, 1.966], nên hiệu quả biến thiên đáng kể giữa các bối cảnh. Các can thiệp ở Đông Á và châu Âu vượt trội hơn ở Bắc Mỹ, và các can thiệp định hướng tri thức vượt trội hơn những can thiệp nhắm vào kỹ năng, thái độ hay đạo đức. Các tác giả lập luận rằng giáo dục năng lực AI do đó phải đi xa hơn tri thức để đến kỹ năng, thực hành, đạo đức và thái độ, được hỗ trợ bởi các phương pháp sư phạm tích hợp và phản tư (theo dự án và vấn đề, theo điều tra, theo trải nghiệm) và các công cụ có hỗ trợ GenAI — một sự chuyển dịch phù hợp với các hình thức Computational Thinking tham gia, định hướng sản xuất mô tả ở nơi khác trong cơ sở kiến thức này.

Một tổng hợp thứ hai đạt quy mô tương tự trên nền hẹp hơn và làm sắc vấn đề đo lường. Yu, Kim, Chang và Huang (2026) gộp 57 kích thước hiệu ứng từ 16 nghiên cứu trên 3,837 học sinh K-12 được dạy bản thân AI thay vì dạy bằng AI, và ước tính Hedges' g = 0.892 (95% CI [0.548, 1.236], p < .001), vững trước các tương quan tiền-hậu giả định từ 0 đến 1 và ổn định sau trim-and-fill ở g = 0.952. Cả 57 hiệu ứng đều dương (khoảng 0.16 đến 4.93), và không nhân tố điều tiết nào (nguồn công bố, năm, cấp học) giải thích được sự dị đồng đáng kể (I² = 94.68%). Giải thích mà các tác giả ưu tiên là đo lường: các nghiên cứu được đưa vào đã gọi mọi thứ từ tri thức AI và đạo đức đến thái độ, động lực, tự hiệu quả và hứng thú nghề nghiệp là 'năng lực AI', nên con số gộp mô tả một phân bố các phát hiện dương dưới một nhãn lỏng lẻo chứ không phải một can thiệp đồng nhất. Đọc cạnh Liu và cộng sự, hai ước tính này thống nhất rằng giảng dạy năng lực AI có hiệu quả và thống nhất rất ít điều khác, bản thân điều đó chính là tín hiệu đo lường của lĩnh vực.

Bằng chứng lớp học cho các thiết kế ngắn có chủ ý mỏng hơn, nhưng nó chạy cùng hướng và bổ sung một kết quả ở cấp hành vi mà các khảo sát không thể cung cấp. Clerc và cộng sự (2026) tổ chức một buổi workshop hai giờ cho 116 học sinh Pháp lớp 8–9 về cách LLM vận hành và thất bại, kết hợp với thực hành dự đoán xem một prompt có thu được câu trả lời dùng được, đánh giá câu trả lời, và sửa lại hoặc hỏi tiếp. Hai ngày sau, trong sáu bài toán khoa học có hỗ trợ LLM với một nhóm đối chứng, học sinh được huấn luyện chấp nhận các prompt chưa đủ cụ thể ít thường xuyên hơn (51.5% so với 66.7%, OR = 0.47), hỏi câu hỏi tiếp theo sau câu trả lời yếu thường xuyên hơn nhiều (59.2% so với 27.9%, d = 0.80), và phán xét độ đúng của câu trả lời nhạy hơn với chất lượng prompt (tương tác OR = 2.52), với khác biệt điểm khiêm tốn (11.38 so với 10.29 trên 20, p = .040). Buổi workshop không bao giờ diễn tập các nhiệm vụ kiểm tra, nên điều chuyển giao là một lập trường điều tiết chứ không phải sự quen thuộc nhiệm vụ — và các tác giả tường minh rằng hai ngày không phải là độ bền.

Năng lực truyền thông phản biện có hỗ trợ AI ở trường tiểu học. Demir và Akar (2026) cung cấp một minh chứng cụ thể ở trường tiểu học về giảng dạy năng lực có hỗ trợ GenAI: một chương trình 18 giờ theo mô hình 5E cho học sinh lớp bốn Thổ Nhĩ Kỳ, trong đó ChatGPT và Grammarly được nhúng theo từng giai đoạn như các tác tử sư phạm (ChatGPT cho các câu hỏi phản tư và hỏi-đáp, Grammarly và Canva AI cho tinh chỉnh nội dung, Padlet cho phản hồi đồng đẳng), phù hợp với chương trình Ngôn ngữ Thổ Nhĩ Kỳ và Nghiên cứu Xã hội. Nhóm có hỗ trợ AI cho thấy tăng trưởng lớn ở đọc phương tiện (+3.50), viết (+1.67), và năng lực truyền thông toàn phần (+5.17, tất cả p < .01) với kích thước hiệu ứng giữa các nhóm là Cohen's d = 1.12–1.31, trong khi nhóm đối chứng chỉ tiến bộ khiêm tốn. Phân tích định tính làm lộ sáu lĩnh vực tăng trưởng năng lực truyền thông phản biện — tự bảo vệ số và quyền riêng tư dữ liệu, sử dụng phương tiện có mục đích và có trách nhiệm, giao tiếp an toàn và nhận thức ranh giới, đánh giá phản biện và nhận thức thông tin sai lệch, nhận thức rủi ro trực tuyến, và đạo đức phương tiện/quốc tịch số — bằng chứng cho thấy việc sử dụng GenAI phù hợp phát triển, nhúng trong ngành học có thể xây dựng các chiều đánh giá phản biện và đạo đức của năng lực AI, chứ không chỉ kỹ năng vận hành.

Các khuôn khổ cấu trúc năng lực AI. Một số đóng góp gần đây đưa ra các tiến trình có cấu trúc để xây dựng năng lực AI. Marienko, Markova, và Semerikov (2026) đề xuất một khuôn khổ năm cấp (Awareness, Application, Evaluation, Creation, Ethics) tích hợp với ba mẫu hình AI trong giáo dục (AI-directed, AI-supported, AI-empowered), phát triển qua một nghiên cứu phương pháp hỗn hợp trên các nhà giáo dục trung học Ukraine (khảo sát quốc gia n = 2018; đánh giá PD n = 1130). Họ phát hiện 84% giáo viên dùng AI nhưng chỉ 11% có thể nhận diện các dịch vụ chuyên biệt ngoài ChatGPT, và một can thiệp phát triển nghề nghiệp tạo ra 24% cải thiện về năng lực AI — bằng chứng cho thấy PD có mục tiêu đưa năng lực vượt quá sự quen thuộc công cụ ở bề mặt. Nền tảng của khuôn khổ trong Constructivism, connectivism, và TPACK kết nối với Technological Pedagogical Content Knowledge (TPACK) và Teacher AI Competency. Bổ sung cho điều đó, Moore và cộng sự (2026) dùng quy trình DBR hai năm với một hội đồng cố vấn gồm thanh thiếu niên và chuyên gia AI để thiết kế một chương trình ML tích hợp khoa học cho thanh thiếu niên trung học, phát hiện tăng trưởng tri thức ML ở cả hai khóa (Khóa 2 M2−M1 = 0.175 so với Khóa 1 0.076) và tăng trưởng lớn hơn ở học sinh nữ và không phải da trắng — bằng chứng cho thấy thiết kế tham gia, tích hợp ngành học có thể thúc đẩy cả năng lực AI lẫn Equity.

Một tổng quan PRISMA trên 39 nghiên cứu STEAM (2016–2025) phát hiện các cài đặt đó chủ yếu phát triển các năng lực kỹ thuật — các khái niệm AI cơ bản, tư duy tính toán, năng lực dữ liệu — trong khi kém phát triển nhận thức đạo đức, trí tưởng tượng sáng tạo, và tạo ra, quản lý và thiết kế với AI, nên các đơn vị nhúng ngành học vẫn có thể bỏ sót các yếu tố bậc cao (Niri và cộng sự, 2026).

Cấu trúc khái niệm bị tranh cãi đúng ở chỗ liên quan đến nhà giáo dục. Một tổng quan 34 nghiên cứu về năng lực AI trong đào tạo giáo viên phát hiện lĩnh vực thiếu đồng thuận về điều năng lực AI nghĩa là gì đối với nhà giáo dục chuyên nghiệp phân biệt với năng lực số chung, và Khuôn khổ Năng lực AI của UNESCO cho Giáo viên xác định 15 năng lực trên năm chiều trong khi hoạt động như một tham chiếu chính sách toàn cầu chứ không phải hướng dẫn triển khai. Các giảng viên trong collaboratory chuẩn bị giáo viên liên thể chế coi năng lực AI như một chiều tích hợp của chuẩn bị nghề nghiệp chứ không phải một kỹ năng công nghệ riêng biệt, nên các ứng viên được kỳ vọng kiểm toán, so sánh và biện minh đầu ra AI trong nội dung môn học thay vì chứng minh sự quen thuộc công cụ.

Chuẩn bị giáo viên ban đầu là nơi cấu trúc mỏng nhất. Pinto và cộng sự (2026) tổng quan 11 nghiên cứu về AI trong đào tạo giáo viên ban đầu cho giáo viên toán tiểu học trước khi vào nghề, và phát hiện chín nghiên cứu là một buổi học đơn hoặc vài buổi học nhúng trong các khóa học hiện có, prompting là nội dung đào tạo tường minh chỉ trong một số trong đó, và Ethics chỉ xuất hiện ở ba, không có nghiên cứu nào đề cập minh bạch, thiên kiến thuật toán hay trách nhiệm giải trình. Các rủi ro họ báo cáo là thất bại ở cấp năng lực: giáo viên trước khi vào nghề không nhận ra lỗi khái niệm do ChatGPT tạo ra, chấp nhận nội dung do AI tạo ra một cách thiếu phản biện, và ủy thác nhiều hơn việc giải quyết vấn đề cho công cụ khi nhiệm vụ trở nên khó hơn. Khuyến nghị của họ là xây dựng năng lực AI xuyên suốt toàn bộ chuỗi đào tạo, từ một giai đoạn chuẩn bị vào thực tập, chứ không phải trong một mô đun cô lập.

Các tường thuật của giáo viên về tại sao giáo dục AI được dạy bổ sung một lớp mục đích mà các khuôn khổ năng lực để ngầm. Fagerlund và cộng sự (2026) phỏng vấn 13 giáo viên Phần Lan từ mầm non đến lớp 9, phần lớn là người mới trong giáo dục AI, và đọc các phát biểu mục đích của họ qua ba lĩnh vực của Biesta. Qualification, việc đạt các năng lực, là mục đích rõ ràng và cụ thể nhất, và nó hoạt động như một con đường vào hai mục đích còn lại: học sinh phải nắm AI như một hiện tượng xã hội-kỹ thuật và sử dụng các công cụ của nó, với AI vừa là đích vừa là phương tiện của việc học. Socialization xuất hiện như việc nuôi dưỡng sự hăng hái, trình bày AI như điều 'cool', và định khung học sinh là những người lao động tương lai thành thạo AI phải đáp ứng các đòi hỏi năng lực. Subjectification, sự tham gia tự quyết và có ý nghĩa cá nhân mà Biesta coi là trung tâm, được nêu là quan trọng nhưng không có kho tác nghiệp giảng dạy cụ thể nào ngoài thảo luận và chiêm nghiệm, và giáo viên không đưa ra ví dụ nào được xử lý để tranh luận quyền uy của AI. Các tác giả đề xuất quyền chủ động AI có hiểu biết (informed AI agency), một heuristic đặt subjectification ở trung tâm trong khi coi các năng lực là khuôn khổ giải thích cho các lựa chọn tự quyết. Hàm ý thiết kế là 'tại sao' của giáo dục AI cần được chú ý thiết kế ngang bằng với 'như thế nào': khi subjectification dựa trên thảo luận chung chung, giảng dạy năng lực AI quay về qualification mà nó lẽ ra phải đứng cạnh.

Bản thân sự sẵn sàng là một mục tiêu bị tranh cãi. Charles (2026) lập luận rằng sự sẵn sàng của giáo viên cho học tập giàu AI nên được đọc từ chất lượng các thiết kế mà giáo viên tạo ra, chứ không từ việc áp dụng, tự tin hay năng lực số, và xây dựng một khuôn khổ quanh trung gian hóa thiết kế (design mediation): các quyết định quan sát được như chọn công cụ, thiết kế nhiệm vụ và prompt, giàn giáo, kiểm chứng, minh bạch, thiết kế lại đánh giá, hoạch định khả năng tiếp cận và giám sát của con người. Hai trong các khẳng định của khuôn khổ có hệ quả trực tiếp đến phát triển nghề nghiệp. Thứ nhất, Self-Efficacy là một nguồn lực huy động chứ không phải chỉ báo chất lượng, bởi vì tự tin mà không có tri thức sư phạm đặc thù AI hay định hướng đạo đức có thể đẩy nhanh thiết kế tồi thay vì ngăn nó, điều này điều kiện hóa cách đọc thông thường về sự tự tin của giáo viên như một tín hiệu sẵn sàng. Thứ hai, sự rõ ràng của chính sách và hỗ trợ thể chế là những nhân tố điều tiết riêng biệt, nên hỗ trợ vật chất có thể cao trong khi kỳ vọng vẫn mơ hồ và sự sẵn sàng vẫn chuyển đổi kém. Khuôn khổ cũng từ chối đồng nhất không sử dụng với chưa sẵn sàng, vì một quyết định có lập luận để không dùng AI bản thân nó có thể chứng minh phán xét thiết kế. Nó là khái niệm và chưa được kiểm chứng, nên nó cung cấp các mệnh đề và nguồn bằng chứng chứ không phải các hiệu ứng đã xác lập.

Năng lực tương tác AI: chiều tương tác. Brunnström và Palmqvist (2026) đề xuất một năng lực tương tác hẹp hơn — khả năng điều khiển, đánh giá và học từ tương tác lặp lại với GenAI — như một thể chế hóa cụ thể của các chiều applicational, evaluative và integrational trong các khuôn khổ rộng hơn như AI Literacy Heptagon. Minh chứng phản tư của họ cho thấy nó thực sự gồm những gì trong thực tiễn: nhận ra rằng một câu trả lời trôi chảy được đặt cao hơn lược đồ của chính mình, yêu cầu đơn giản hóa, thu hẹp phạm vi, và định hướng lại hệ thống về thực hành có trọng tâm. Hai hệ quả thiết kế theo sau — kỹ năng này được phân bố không đều, nên việc sử dụng không có hướng dẫn có thể tạo lợi thế cho học sinh đã tự tin và nới rộng khoảng cách (Equity), và nó phải được dạy tường minh chứ không được cho là có sẵn, với giáo viên phủ cả cách diễn đạt prompt hiệu quả và khi nào ngừng dùng công cụ (Self-Regulated Learning).

Năng lực AI phản biện: vượt lên kỹ năng để đến quyền lực và sự chống đối

Một nhánh độc lập của cơ sở kiến thức coi năng lực AI không chỉ là kỹ năng hay đánh giá phản biện mà như một thực hành phản biện và chính trị chất vấn quyền lực, quyền uy, và tri thức của ai được tính. Điều này kết nối năng lực AI với Critical Pedagogy và Equity:

  • 'Chống lại AI' như một lập trường năng lực. Năng lực AI Phản biện (CAIL) có thể bao hàm chống lại AI — từ chối tính tất yếu và chủ nghĩa công nghệ giải quyết (techsolutionism) của diễn ngôn thống trị, và nuôi dưỡng quyền chủ động tập thể qua các phương pháp sư phạm đối thoại, cộng tác.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Điều này định vị giáo dục như một không gian nơi các cộng đồng tưởng tượng và xây dựng những tương lai thay thế, thay vì chỉ thích nghi với một trật tự công nghệ cho sẵn.
  • Các tri thức luận căn cứ cộng đồng. Học AI căn cứ cộng đồng đặt sự tham gia AI vào các cách biết dựa trên cuộc sống và cộng đồng của người học, phân phối lại quyền uy tri thức của AI qua tinh chỉnh tri thức, phân phối lại quyền uy, và nhận thức định cảnh.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
  • Các khuôn khổ phản biện và nữ quyền. Học thuật phản biện, nữ quyền lập luận năng lực AI nên được định khung trong các phương pháp sư phạm của công lý, chống đối và Sustainability văn hóa — hỏi tri thức của ai mà AI tạo ra, ai được hưởng lợi, và ai chịu trách nhiệm khi hệ thống thất bại.(Can we disrupt the momentum of the AI colonization of science education?)
  • Các công cụ chương trình định cảnh. Năng lực AI có thể được xây dựng qua các công cụ giảng dạy định cảnh, chủ động (ví dụ Episodes of Situated Learning) phát triển các năng lực AI xuyên suốt các cấp thay vì qua giảng dạy trừu tượng.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
  • Sáng tác sáng tạo như phương pháp sư phạm năng lực AI phản biện. Thay vì coi năng lực AI là tri thức kỹ thuật hay các năng lực cá nhân, hãy thiết kế cơ hội để người học sáng tác thông điệp về AI cho khán giả thực — một sản phẩm Multimodal AI như một thông báo phục vụ cộng đồng đồng thời chứng minh và truyền đạt năng lực phản biện. Trong nghiên cứu lớp học của Burriss và cộng sự (2026), 22 học sinh lớp mười một tự chọn các vấn đề đạo đức của AI và làm video PSA về giám sát ở trường, informed consent, và buộc tội thuật toán; xuyên suốt cả bảy bộ phim, tổn hại nổi lên từ sự vướng mắc người–máy chứ không phải từ một công cụ độc ác, các cốt truyện vẫn khép lại bằng hy vọng và Learner Agency, và các tác giả định vị kể chuyện và vận động — kháng cự với đánh giá truyền thống — là cốt lõi của phương pháp sư phạm năng lực AI phản biện đặt bản sắc học sinh, quyền chọn, và tiếng nói làm trung tâm.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
  • Năng lực điều tiết, không phải chấp nhận. Kim (2026) định hình lại năng lực AI trong Higher Education như năng lực điều tiết — một thực hành được thể chế hóa gồm kiểm chứng, sửa lại, áp dụng có chọn lọc, hoặc bác bỏ đầu ra AI trong công việc học thuật — cho thấy năng lực đánh giá và nhận thức đạo đức (chứ không chỉ sự sẵn lòng dùng AI) dự báo sự tham gia phản biện tích cực.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
  • Nhận diện sự nịnh bợ như một kỹ năng năng lực. Một năng lực đánh giá cốt lõi là nhận ra khi một AI đang đồng ý với người học hay đang đúng. Sự nịnh bợ bối cảnh cho thấy năng lực AI và đào tạo prompting làm giảm — nhưng không loại bỏ — sự phản chiếu nịnh bợ lỗi của người dùng, và AI nịnh bợ được người dùng ưa thích đúng vì nó khiến họ cảm thấy được hiểu. Năng lực AI do đó phải dạy người học phát hiện sự đồng ý-vì-chính-nó và đề cao ma sát chỉnh sửa, kết nối với Trust Calibration và Reducing AI Misuse.
  • Định giá, không chỉ kiểm chứng. O'Byrne (2026) phát hiện học sinh chỉ kiểm tra đầu ra về độ chính xác, độ tin cậy và tính liên quan vẫn chấp nhận công việc bị làm phẳng về mặt khái niệm, trong khi những người cũng phán xét sắc thái, giọng điệu và lập trường tri thức thì viết lại nó — khiến 'khi nào không nên ủy thác phán xét' trở thành câu hỏi của năng lực.

Các nhánh phản biện này bổ trợ cho các chiều vận hành và nhận thức của năng lực AI: trong khi các chiều sau hỏi 'người học có thể sử dụng và đánh giá AI không?', năng lực AI phản biện hỏi 'người học có hiểu và thách thức các cấu trúc quyền lực mà AI thể hiện không?'

Năng lực AI trong giáo dục STEM

Cơ sở bằng chứng theo ngành học phát triển nhất về năng lực AI đến từ giáo dục STEM, và Hallström, Chiu, Ding, Koretsky và Li (2026) tổng hợp mười nghiên cứu được trích dẫn nhiều nhất (2022–2026) để chỉ ra cả đường cơ sở lẫn giới hạn của nó. Trên toàn bộ corpus, năng lực AI được định nghĩa qua sáu cấu trúc khái niệm chồng lấn — knowledge/skills/attitudes (Su & Yang 2024), conceptual-procedural-contextual knowledge (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng và cộng sự 2022), và khung use–communication–evaluation của Long & Magerko (Hornberger và cộng sự 2023) — nên 'sự mơ hồ khái niệm' của lĩnh vực là một vấn đề đo lường: hai nghiên cứu đều có thể đánh giá 'năng lực AI' mà không đánh giá cùng một cấu trúc khái niệm. Chỉ hai trong mười nghiên cứu cung cấp khuôn khổ đầy đủ. Phát hiện sắc bén nhất của bản tổng quan là một bất đối xứng — corpus gần như chỉ đo lường năng lực của học sinh trong khi gần như không có gì phát triển của giáo viên, một khoảng trống khiến các can thiệp năng lực AI hướng đến giáo viên đặt trên giả định thay vì bằng chứng, và một khoảng trống mà các tác giả nối với yêu cầu thực tiễn là bản thân giáo viên phải có năng lực AI để vận hành các can thiệp đó.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Bằng chứng về chatbot trong corpus đó đi ngược lại đào tạo dám đo lường... . Ding và cộng sự (2023) thấy việc dạy kèm bằng ChatGPT trong vật lý đại học làm tăng sự tự tin và tri thức nhưng củng cố quan niệm sai lầm về AI 'siêu phàm và không thể sai', kết luận rằng giáo dục năng lực AI là 'trước hết là cải thiện kỹ năng tư duy phản biện của học sinh trong việc đánh giá thông tin.' Xu và cộng sự (2026) thấy lập trình STEM có hỗ trợ ChatGPT cải thiện sự tự tin và tri thức nhưng để nguyên tư duy tính toán và tư duy độc lập — thu hoạch về sự trôi chảy đi đôi với không thu hoạch nào về tư duy. Cả hai phát hiện đều phản chiếu các lo ngại Trust Calibration và phụ thuộc quá mức ở nơi khác trong trang này: một người dạy kèm không bao giờ mâu thuẫn với học sinh có thể tạo ra người học tự tin mà không thể đánh giá. Thái độ, chứ không phải mức độ sẵn sàng hay tự hiệu quả, hóa ra là yếu tố quyết định mạnh nhất đối với việc sử dụng công cụ AI thực tế trong sinh viên STEM (Falebita & Kok 2025), và bản tổng quan ghi nhận độ phủ ngành học của STEM bị lệch về sinh học và vật lý với công nghệ như một môn học gần như vắng mặt. Đối với thiết kế theo ngành học, cảnh báo thực tiễn của bản tổng quan là các khuôn khổ năng lực toàn diện (UNESCO, EU/OECD) 'thường thiếu kết nối với nghiên cứu thực nghiệm hoặc nền tảng lý thuyết đầy đủ' và rất ít có thể áp dụng trong lớp học.

Năng lực AI của ai được tính? Khoảng phân hóa định khung giảng viên–nhà tuyển dụng

Một câu hỏi mở trung tâm của năng lực AI là những kỹ năng nào quan trọng và cho ai. Một nghiên cứu của Ithaka S+R so sánh cách giảng viên Mỹ và nhà tuyển dụng ưu tiên 26 kỹ năng của HiBob AI Skills Framework, phát hiện họ chỉ đồng thuận về tầm quan trọng của một kỹ năng (đặt kỳ vọng thực tế cho công việc tăng cường AI). Giảng viên đề cao định hướng sử dụng phản biến, có trách nhiệm — nhận diện giới hạn của AI, minh bạch và ghi nhận nguồn, trách nhiệm giải trình của con người, rà soát đầu ra chủ động — phù hợp với các giá trị học thuật về ghi nhận nguồn, rà soát, và năng lực thông tin. Nhà tuyển dụng đề cao các kỹ năng định hướng năng suất — đánh giá và thiết kế lại quy trình làm việc, tự động hóa, và làm việc nhóm người–AI — phản ánh hiệu quả nơi làm việc theo nhóm. Bởi vì chỉ ba trong 26 kỹ năng được dạy bởi một nửa hoặc nhiều hơn các giảng viên, và những kỹ năng được dạy lệch về các hạng mục sử dụng phản biện, báo cáo xác định một khoảng trống kỹ năng AI cụ thể: toàn bộ các hạng mục mà nhà tuyển dụng đề cao đều không được ưu tiên cũng không được dạy trong chương trình đại học.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Khoảng phân hóa này định khung năng lực AI như một cấu trúc bị tranh cãi — năng lực sử dụng phản biện cho môi trường học thuật đối lập với năng lực tích hợp quy trình làm việc cho việc làm — một căng thẳng liên quan đến Framing AI Use for Students, Curriculum Design, và Workplace Learning.

Đánh giá của chính học sinh kể một câu chuyện liên quan nhưng thứ tự khác. ElSayary và Ragab (2026) khảo sát 380 sinh viên đại học, phần lớn là người dùng AI thường xuyên theo học STEM, và phát hiện năng lực AI tự báo cáo mang phần lớn sự giải thích về sự sẵn sàng nghề nghiệp được nhận thức: bốn chiều năng lực bổ sung ΔR² = 0.554 (p < .001) trên các kiểm soát nền chỉ đáng 0.054, và mô hình đầy đủ đạt 60.8% phương sai. Trong tập năng lực, chiều đánh giá mạnh nhất (Analyze & Evaluate, β = 0.286), tiếp theo là chiều cảm xúc (Attitudes & Mindsets, β = 0.266), với sử dụng thực hành (β = 0.217) và tri thức nền tảng (β = 0.187) ở sau; riêng cho sự sẵn sàng nghề nghiệp được nhận thức, chỉ Analyze & Evaluate (β = 0.216, p < .001) và Attitudes & Mindsets (β = 0.192, p = .004) liên quan có ý nghĩa. Đọc cạnh khoảng phân hóa Ithaka, cảm nhận của chính học sinh về sự sẵn sàng nơi làm việc nghiêng về định hướng đánh giá phản biện mà giảng viên ưa thích chứ không phải các kỹ năng tích hợp quy trình làm việc mà nhà tuyển dụng đề cao. Thiết kế là tự báo cáo một buổi với các trung bình đều cao (4.17 đến 4.57 trên 5) và không có thước đo nhà tuyển dụng hay việc làm, nên điều nó cho thấy là năng lực AI tự đánh giá và khả năng có việc làm tự đánh giá biến động cùng nhau, với các phần đánh giá và khuynh hướng làm phần lớn công việc, chứ không phải rằng các học sinh này đã sẵn sàng cho lực lượng lao động một cách có thể chứng minh.

Thiết kế các can thiệp năng lực AI

Các khuôn khổ và nghiên cứu thực nghiệm của cơ sở kiến thức hội tụ về một tập hợp hướng dẫn thực tiễn cho các nhà giáo dục và nhà thiết kế giảng dạy xây dựng các can thiệp năng lực AI:

1. Dùng một khuôn khổ năng lực có cấu trúc làm giàn giáo, không làm danh sách kiểm tra. Các khuôn khổ chín muồi cho nhà thiết kế một từ vựng chung và một mục tiêu được sắp theo trình phát triển. Khuôn khổ SAIL tổ chức năng lực AI thành ba lĩnh vực (AI Concepts; Application and Technical Skills; AI Digital Citizenship) trên bốn cấp có giàn giáo — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. AI Literacy Heptagon cắt ngang bảy chiều (tri thức kỹ thuật, ứng dụng, tư duy phản biện, đạo đức, tác động xã hội, tích hợp, pháp lý/quy định) với bốn cấp thành thạo theo Bloom, và nhấn mạnh rằng sự nhấn mạnh phải được điều chỉnh theo bối cảnh ngành học — các chương trình kỹ thuật nặng về ứng dụng, các chương trình nhân văn nặng về lập luận đạo đức và tác động xã hội.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Thu hút người học qua các chế độ ICAP. Áp dụng ICAP Framework, giảng dạy hiệu quả cho người học cơ hội tham gia ở nhiều cấp nhận thức — phơi bày thụ động (các bài giảng khái niệm AI), thao tác chủ động (sử dụng công cụ thực hành), sinh tạo constructive (tạo các sản phẩm AI, tự giải thích), và đối thoại tương tác (giải quyết vấn đề cộng tác với bạn học và AI) — chọn chế độ phù hợp với mục tiêu học tập. Một tổng quan hệ thống phát hiện các can thiệp năng lực AI cộng tác thành công trải dài cả bốn chế độ ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Đánh giá năng lực đã chứng minh, không phải tự nhận thức. Năng lực AI tự báo cáo lệch xa so với hiệu năng được đo — giáo viên ước lượng kỹ năng AI của mình cao hơn ~40%, và các thước đo dựa trên hiệu năng tương quan với việc tích hợp AI vào lớp học tốt hơn nhiều so với tự báo cáo (r≈0.72 so với 0.31). Thiết kế các can thiệp quanh đánh giá dựa trên hiệu năng và hiệu chỉnh thay vì các khảo sát về sự tự tin, và dùng các hồ sơ chẩn đoán (người ước lượng quá cao so với người mới thực sự) để nhắm mục tiêu hỗ trợ.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Xây dựng các khuynh hướng siêu nhận thức và phản biện, không chỉ kỹ năng vận hành. Năng lực AI được hiểu tốt hơn như một thực hành xã hội siêu nhận thức hơn là một danh sách kiểm tra kỹ năng: bởi vì các LLM mang tính xác suất và mờ đục, người học phải theo dõi và điều chỉnh chiến lược của mình, nuôi dưỡng hoài nghi khoa học, và chất vấn cách thuật toán định hình sản xuất tri thức — chứ không chỉ học cách vận hành công cụ. Đồng thiết kế tham gia và các không gian thực nghiệm, theo dự án (chứ không phải đào tạo công cụ một lần) là nơi nhận thức này lớn lên.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Nhúng năng lực vào ngành học và làm cho nó bền vững. Sự chuyển dịch lên các giai đoạn cao hơn của năng lực AI (từ sử dụng thiếu phản biện → sử dụng có hiểu biết → đánh giá phản biện → cải thiện) rõ nhất khi các trải nghiệm bền vững và nhúng trong ngành học thay vì được triển khai như các workshop độc lập. Thiết kế cho thực hành bối cảnh, lặp lại trong nội dung khóa học thực chất.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Một mô hình cụ thể của năng lực phản biện nhúng ngành học là phân loại theo nhiệm vụ của Dierickx và cộng sự (2026) cho báo chí: nó ánh xạ các nhiệm vụ có hỗ trợ LLM trên bốn giai đoạn của quy trình tin tức (newsgathering, sensemaking, editing, publication/distribution), mỗi giai đoạn gắn với một prompt nền tảng và một chiến lược rủi ro-và-giảm nhẹ. Bằng cách coi việc định nghĩa nhiệm vụ và tạo prompt như một hình thức định cảnh của phán xét nghề nghiệp — chứ không phải một kỹ năng kỹ thuật trung lập — nó biến bản thân việc tạo prompt thành phương tiện cho năng lực AI phản biện (thiên kiến, ảo giác, phụ thuộc quá mức, và giá trị bền vững của giám sát biên tập của con người), và logic nền tảng của nó chuyển giao sang các ngành nghề tri thức chuyên sâu khác (luật, y học, chính sách công). Bổ sung cho các phân loại đặc thù ngành học như vậy, phân loại của Dohn và cộng sự (2026) phân loại các hoạt động học GenAI theo sáu chiều, trong đó Epistemic Engagement (hiểu / sử dụng / phê phán / xây dựng GenAI) trực tiếp vận hành hóa năng lực AI như chiều sâu của mối quan hệ nhận thức của người học với công nghệ — từ phơi bày thụ động đến phê phán chủ động và xây dựng.

6. Coi công bằng và khoảng cách số là các ràng buộc thiết kế. Năng lực AI là một cơ chế để giải quyết khoảng cách số ba cấp (tiếp cận, kỹ năng, kết quả): thu hẹp khoảng cách thiết bị là chưa đủ trừ khi xây dựng được kỹ năng và sử dụng phản biện để lợi ích phân bổ công bằng. Các can thiệp nên lập kế hoạch tường minh cho người học vào với ít tiếp cận AI tiền đề hơn, và kết hợp các góc nhìn văn hóa và quản trị thay vì coi năng lực là trung lập văn hóa.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Digital Divide)

7. Kết hợp năng lực với các đòn bẩy giảm lạm dụng. Bởi vì lạm dụng AI chủ động gây tổn hại cho việc học bền vững, giảng dạy năng lực nên được ghép với các đòn bẩy cấu trúc và giáo dục được ghi nhận dưới Reducing AI Misuse — thiết kế công cụ 'gợi ý-chứ-không-trả-lời' có hàng rào an toàn, thiết kế lại đánh giá, và các chuỗi think-first/AI-second có giàn giáo với thực hành prompting có chủ ý.

8. Bắt đầu từ điểm vào thực sự của người học. Người học vào với các định hướng khác biệt — tránh né do sợ hãi, ngờ vực, hoặc thiếu tiếp cận, so với phụ thuộc thiếu phản biện che lấp sự hiểu sai. Một cách tiếp cận chẩn đoán, theo giai đoạn (thay vì một chương trình thống nhất) cho phép nhà thiết kế đón học sinh ở chỗ họ đang đứng và đưa họ đến sự tham gia phản biện, có trách nhiệm.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Mở rộng cung cấp vượt ra ngoài các đối tượng mà giáo dục chính quy đã với tới. Khuôn khổ AI Literacies cho phương tiện phục vụ công lập luận từ một tổng quan cảnh quan hơn 40 khuôn khổ và 35 cuộc phỏng vấn chuyên gia rằng cung cấp đã nghiêng về các kỹ năng kỹ thuật và chức năng, và rằng các năng lực AI chồng lấn và nên được kết nối với năng lực số, truyền thông và thông tin chứ không được dạy như một môn độc lập. Cấu trúc của nó — sáu lĩnh vực năng lực, năm giá trị và ba cấp tiến trình (Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising) với một hướng dẫn đánh giá — là một mẫu dùng được cho các nhà cung cấp ngoài trường học chính quy, và lập luận công bằng của nó là một chỉ thị thiết kế: với tới những người trẻ bị gạt ra bên lề về mặt số hay cách khác đòi hỏi các quan hệ đối tác có chủ ý, chứ không phải phát hành phổ quát.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Đo lường năng lực AI

Một luồng nghiên cứu độc lập coi năng lực AI không chỉ là một mục tiêu cho giảng dạy mà là một cấu trúc cần đo lường. Nhánh đánh giá của cơ sở kiến thức phân biệt năng lực tự báo cáo với năng lực dựa trên hiệu năng: tự báo cáo lệch xa so với năng lực đã chứng minh (giáo viên ước lượng cao hơn ~40%), và các thước đo dựa trên hiệu năng dự báo việc tích hợp AI vào lớp học tốt hơn nhiều so với các khảo sát về sự tự tin (r≈0.72 so với 0.31). Công trình can thiệp tái hiện sự phân kỳ đó ở cấp hành vi: trong Clerc và cộng sự (2026), không thái độ GenAI cũng không thang đo nhận thức siêu nhận thức chung nào dự báo việc điều tiết tương tác LLM của học sinh hay điểm nhiệm vụ cuối của họ (r = .01 và r = .04, cả hai đều không có ý nghĩa), trong khi chính các hành vi mà workshop đã thay đổi — bác bỏ các prompt chưa đủ cụ thể, phán xét độ đúng của câu trả lời, hỏi tiếp — lại bám sát chất lượng câu trả lời. Các công cụ đã kiểm chứng đang nổi lên để thu hẹp khoảng trống này — GLAT cung cấp một đánh giá năng lực AI sinh tạo đã kiểm chứng về mặt tâm lý đo lường, và các hồ sơ chẩn đoán (người ước lượng quá cao so với người mới thực sự) cho phép nhà thiết kế nhắm hỗ trợ vào chỗ cần. Guo và cộng sự (2026) ánh xạ trực tiếp cảnh quan công cụ đó, tổng quan 80 khuôn khổ đã kiểm chứng — 69 năng lực số và 11 năng lực AI — công bố từ tháng 1 năm 2014 đến tháng 2 năm 2025. AI đã kéo năng lực số về phía đạo đức và định hình lại giao tiếp để bao gồm tương tác người–AI, trong khi điều tiết siêu nhận thức và hợp tác người–AI dành riêng cho nhà giáo dục vẫn là những điều ít được đặc tả nhất. Đối với thiết kế và nghiên cứu, điều này gắn năng lực AI với Educational Measurement và với Assessment nói chung: một khuôn khổ năng lực chỉ hữu ích bằng các công cụ dùng để theo dõi tăng trưởng, và các chuỗi liên tục theo giai đoạn đòi hỏi đo lường đáng tin cậy để đặt người học lên các giai đoạn đó.

Một công cụ 32 câu, sáu khía mở rộng mô hình bốn chiều bằng hai khía nữa — sử dụng có trách nhiệm và tự phát triển — và giữ bất biến vô hướng xuyên suốt thanh thiếu niên (12–17), thanh niên (18–40) và người trung niên (41–60), dù các tác giả cảnh báo ΔCFI đã xấp xỉ ngưỡng cắt thông thường (Liu và cộng sự (2026)).

Zhi, Yang và Huang (2026) xây dựng một mô hình đặc thù cho sau đại học trên phân loại của Marzano: phân tích lý thuyết căn cứ dữ liệu các cuộc phỏng vấn với 14 giáo sư cô đọng 329 nhãn thô thành 96 khái niệm, 15 hạng mục và năm chiều (nền tảng nhận thức, kỹ năng vận hành, tư duy bậc cao, phản tư siêu nhận thức, trách nhiệm đạo đức), rồi vận hành hóa chúng thành một thang đo Likert 15 câu mà năm nhân tố nổi lên trong phân tích nhân tố khám phá (83.14% phương sai tích lũy) và giữ được trong phân tích nhân tố khẳng định trên một mẫu con thứ hai (CFI = 0.934, RMSEA = 0.083), với độ tin cậy từ 0.796 đến 0.842 trên 308 bảng hỏi hợp lệ.

Thang đo Năng lực 3wAI Phản biện (Bozkurt, Ertan & Cömert, 2026) kiểm chứng cấu trúc ba phần tương tự cho người học trưởng thành như một công cụ tự báo cáo (n = 546 và n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Các nhân tố Know-How và Know-Why của nó liên kết chặt chẽ nhất (HTMT = 0.544), trong khi chỉ tri thức lý thuyết một mình không dịch sang hiệu quả thực hành. Là một thước đo tự báo cáo, nó cùng gặp vấn đề phân kỳ được ghi nhận ở trên, nên nó là một chẩn đoán đã kiểm chứng chứ không phải một thước đo hiệu năng — và các tác giả kêu gọi kiểm chứng lại xuyên các nhóm tuổi và bối cảnh văn hóa.

Một câu hỏi liên quan là các công cụ thực sự có thể đo được gì. Burriss và cộng sự (2026) lưu ý rằng các thang đo năng lực AI và khuôn khổ năng lực hiện có giả định hiệu năng đo được ở cấp cá nhân, và do đó loại trừ về mặt cấu trúc biểu hiện cộng tác, sáng tạo — bằng chứng của đơn vị họ là các sản phẩm phim Multimodal AI, phản tư, và diễn ngàn công dân chứ không phải một điểm tổng kết, và các tác giả lập luận rằng bằng chứng như vậy có thể bổ sung chứ không thay thế các thước đo thông thường. Mở rộng cấu trúc khái niệm do đó có thể đòi hỏi mở rộng bằng chứng được chấp nhận, chứ không chỉ thêm các câu giàu phương thức vào các thang đo hiện có.

Một nhánh bổ trợ đo lường cách người học và giáo viên tiếp nhận tài liệu năng lực AI chứ không phải bản thân năng lực của họ. Wang, Chuang và Wu (2026) yêu cầu 794 học sinh và 37 giáo viên đánh giá hai ấn bản sách hướng dẫn được xây theo ngưỡng tuổi của UNESCO (9-12 và 13-18 tuổi) sau khoảng 30 phút tiếp xúc lớp học có hướng dẫn. Acceptance giữ cấu trúc bốn nhân tố (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) với bất biến đo lường được hỗ trợ trên hai ấn bản học sinh, người học nhỏ tuổi hơn đạt điểm cao hơn ở cả bốn cấu trúc, và perceived playfulness mang liên hệ mạnh nhất với ý định ở cả hai khóa. Các tác giả rất rõ điều này không phải là gì: sự chấp nhận được nhận thức của một tài liệu phân theo tuổi không phải là thành tựu năng lực AI, lập luận đạo đức, áp dụng hay sử dụng bền vững, và sự chấp nhận ở cấp tài liệu không nên được đọc là bằng chứng rằng năng lực đã được cải thiện.

Việc đo lường cũng mở rộng đến các nhà giáo dục trung gian cho sự tham gia của người học với AI. Hầu hết các đánh giá năng lực AI nhắm vào học sinh hoặc người dùng chung, để lại một khoảng trống trong đào tạo giáo viên — khoảng trống mà Thang đo Năng lực AI của Giáo viên (TAILS) giải quyết: căn cứ trên khuôn khổ ED-AI với sáu chiều (tri thức, đánh giá, cộng tác, bối cảnh hóa, tự chủ, và đạo đức), nó được kiểm chứng qua phân tích nhân tố khám phá và khẳng định với các giáo viên ngôn ngữ trước khi vào nghề. Các công cụ như vậy hỗ trợ việc đo lường và phát triển năng lực AI của các nhà giáo dục trung gian cho sự tham gia của người học với AI. Về phía học sinh, Nie và cộng sự (2026) phát triển và kiểm chứng Thang đo Năng lực Đánh giá AI Sinh tạo (GAA-LS) cho học sinh đại học — một công cụ 18 câu, năm nhân tố mà điểm số bám sát sự tham gia Feedback, Academic Integrity, và sử dụng AI có trách nhiệm, với một đường gián tiếp đến liêm chính chạy qua phản hồi — bằng chứng cho thấy năng lực AI đặc thù cho đánh giá là đo được và gắn với hành vi liêm chính. Điều mà kho ngữ liệu công cụ hướng giáo viên đó thực sự chứa đã từ đó được kiểm toán: tổng quan 2026 của Zainal, Mohd Matore và Maat về các công cụ đo lường năng lực AI của giáo viên thẩm định 33 công cụ công bố từ 2019 đến 2025 và phát hiện 31 (93.9%) là thang đo tự báo cáo về sự tự tin được nhận thức, chỉ hai công cụ kiểm tra tri thức một cách khách quan, và không công cụ nào dùng nhiệm vụ dựa trên hiệu năng, trong khi bằng chứng về tính công bằng là lĩnh vực chất lượng yếu nhất, với chỉ năm công cụ báo cáo bất biến đo lường hoặc differential item functioning.

Bản cập nhật 2026 của văn học đo lường đó tổ chức lại nó thành bốn lĩnh vực — tri thức và sử dụng, giám sát tri thức, hiệu chỉnh sự phụ thuộc, và kiểm soát vận hành các tác tử dùng công cụ — và báo cáo rằng không công cụ cấp cá nhân nào đã kiểm chứng trong kho ngữ liệu phủ được tổ hợp đầy đủ gồm phạm vi, quyền hạn, khôi phục, cô lập trạng thái, rà soát độc lập và đóng kết bằng chứng mà việc dùng công cụ tác tử đòi hỏi. Tương quan chủ-quan–khách-quan gộp của nó trên ba hiệu ứng cùng mẫu là r = .055, nhất quán với sự phân kỳ được mô tả ở trên chứ không phải với tự đánh giá như một proxy dùng được (Verí (2026)).

Cảnh quan đo lường tự nó là rối loạn, và giờ đã một phần ánh xạ được. He, Zhang, Wang và Ji (2026) phân tích kho ngữ liệu công cụ năng lực AI bằng một đường ống mã hóa dựa trên LLM và phát hiện lĩnh vực đo nhiều cấu trúc dưới một nhãn — một vấn đề jangle, với một cấu trúc mang nhiều tên (Behavioral Commitment xuất hiện trong tám cặp ứng viên, Intrinsic Motivation trong năm), cùng các trường hợp jangle ứng viên mà các công cụ cùng nhãn nhưng không cùng nội dung câu. Sự khôi phục cấu trúc câu và cấu trúc bằng tương đồng ngữ nghĩa của họ tương quan chỉ ở mức trung bình với độ tin cậy mà chính các công cụ báo cáo (r = 0.49 ở cấp câu so với 0.45 và 0.35 ở cấp cấu trúc), và họ đưa ra phương pháp như một bước sàng lọc chứ không phải phân xử. Hệ quả đối với bất kỳ ai chọn thước đo là các khẳng định hội tụ giữa các nghiên cứu không được coi là an toàn: hai công cụ cùng tên có thể không vận hành hóa cùng một cấu trúc.

Điều mà các công cụ đó có thể hỗ trợ đã được kiểm toán, và bản kiểm toán thì ảm đạm. Jin, Gašević, Martinez-Maldonado và Yan (2026) sàng lọc 8,056 bản ghi xuống còn 58 nghiên cứu phủ 47 công cụ duy nhất, thẩm định bằng COSMIN đối với một cấu trúc mà cửa sổ phát triển công cụ dồn vào ba năm (hai công cụ trước 2023, 28 công cụ chỉ riêng năm 2025). Kho ngữ liệu vẫn gồm 37 trong 47 tự báo cáo, và bằng chứng dồn cụm sát quanh cấu trúc nội bộ: tính hợp lệ cấu trúc đầy đủ ở 32 trong 58 nghiên cứu và nhất quán nội bộ ở 32 với không nghiên cứu nào bị đánh giá thiếu, nhưng tính hợp lệ cấu trúc chỉ được 15 nghiên cứu báo cáo (12 đầy đủ), tính hợp lệ tiêu chí chỉ một, bất biến đo Assessment chỉ năm (tất cả đầy đủ), và chỉ 2 trong 58 đạt xếp hạng đầy đủ cho tính hợp lệ nội dung tổng thể — tính toàn diện thiếu ở 53 dù 43 nghiên cứu báo cáo phỏng vấn nhận thức. Mẫu hình là thực tiễn đo lường trông vững chắc đúng ở chỗ chứng minh rẻ nhất và mỏng ở chỗ bằng chứng phải đến từ ngoài công cụ, nên một cấu trúc nhân tố sạch và một hệ số cao (vốn có thể phản ánh sự dư thừa câu nhiều như sự đại diện cấu trúc) không nên được đọc là năng lực đã chứng minh. Đơn thuốc của các tác giả là hợp nhất chứ không phải sinh sôi: tinh luyện các thang đo hiện có, kiểm tra bất biến bất cứ khi nào vượt qua một ngôn ngữ hay một cấp giáo dục, và bổ sung bằng chứng tiêu chí bằng cách liên hệ điểm số với các nhiệm vụ hiệu năng.

Một trong các ngoại lệ được xây để so sánh các nhóm. Zhang và cộng sự (2026) phát triển Thang đo Năng lực AI Sinh tạo (GAILS) — 43 câu rút gọn còn 34 qua một đánh giá Delphi của năm chuyên gia và một thí điểm bảy người, rồi kiểm chứng trên 341 người trưởng thành Bắc Mỹ — và kiểm tra bất biến vô hướng Assessment, phát hiện nó giữ được giữa người trả lời nữ và nam và giữa các nhóm sinh viên và lực lượng lao động. Đó là điều cho phép các so sánh trung bình mà công cụ báo cáo — nam đạt cao hơn một chút ở Adaptive Operational Skills, sinh viên cao hơn ở Adaptive Operational Skills và Responsible GenAI Literacy — được coi là khác biệt năng lực chứ không phải differential item functioning, và đó là điều làm cho thang đo dùng được xuyên Higher Education và các bối cảnh nơi làm việc chứ không chỉ riêng sinh viên. Bằng chứng của chính nó không phải không khuyết điểm: fit là hỗn hợp (CFI = .967 và SRMR = .058 trong các ngưỡng cắt thông thường, RMSEA = .087 trên các ngưỡng đó), α = .973 của toàn thang đo đứng cạnh một phép so sánh phân biệt Fornell–Larcker thất bại (Factor 1 √AVE = .828 so với r = .873 với Factor 3), và, như hầu như mọi thứ trong kho ngữ liệu, nó đo năng lực được nhận thức mà không có tiêu chí hành vi. Một thang đo đã kiểm chứng trong lĩnh vực này là điểm khởi đầu cho công trình bất biến và tiêu chí mà bản tổng quan kêu gọi, chứ không phải một Benchmark đã hoàn thành.

Các kết nối xuyên suốt cơ sở kiến thức

Năng lực AI giao thoa với Gia sư AI (hiểu khi nào và như thế nào các gia sư AI hiệu quả), Teacher AI Competency (sự sẵn sàng của nhà giáo dục), Academic Integrity (biết điều gì cấu thành việc sử dụng AI phù hợp), và AI trong Giáo dục nói chung. Nó vừa là điều kiện tiên quyết cho việc sử dụng AI hiệu quả vừa là kết quả của một sự tích hợp AI được thiết kế tốt — học sinh phát triển năng lực AI BẰNG CÁCH sử dụng AI một cách phản biện, chứ không chỉ bằng cách HỌC VỀ AI.

Năng lực AI hai mặt (double-edged) đối với phụ thuộc quá mức: Maizel và cộng sự (2026) phát hiện các chiều kỹ năng của năng lực AI (sử dụng/hiểu, phát hiện) tương quan thuận với sự phụ thuộc AI được báo cáo, trong khi tự hiệu quả AI Self-Efficacy và tự tin học thuật tương quan nghịch — nên việc đào tạo năng lực AI thuần kỹ thuật, khi thiếu tự hiệu quả và giàn giáo Self-Regulated Learning, có thể làm tăng sự phụ thuộc. Năng lực AI ở đây trở thành một năng lực tạo khả năng mà hướng của nó phụ thuộc vào các nguồn lực động lực bổ trợ.

  • Thói quen kiểm chứng chỉ phát huy tác dụng qua điều tiết. Trong khảo sát của Davor, Larbi và Boateng (2026) trên 533 sinh viên đại học ở Ghana, năng lực kiểm chứng AI không có tác động trực tiếp có ý nghĩa đến tư duy phản biện (beta = .076, p = .090) hay giải quyết vấn đề kỹ thuật (beta = .043, p = .385) và chỉ phát huy tác dụng qua tự điều chỉnh siêu nhận thức (beta = .167, p < .001), một trung gian hóa đầy đủ mà các tác giả gọi là kích hoạt siêu nhận thức. Giàn giáo nhiệm vụ AI dự báo cả hai kết quả (beta = .185 và .170), trong khi xu hướng giảm tải nhận thức dự báo chúng âm (beta = -.240 và -.312) và cũng làm giảm điều tiết (beta = -.294). Do đó việc dạy học sinh kiểm tra đầu ra AI tự nó không đủ: các thói quen đánh giá cần lập kế hoạch, theo dõi và phản tư được xây ngay vào nhiệm vụ.
  • Phê phán đầu ra AI như một thực hành năng lực: Hosseini (2026) coi việc đánh giá các lỗi do AI tạo ra là một kỹ năng cốt lõi của năng lực AI, dùng phân tích chế độ thất bại và tinh chỉnh prompt lặp lại trong một khóa thiết kế cơ sở dữ liệu. Nghiên cứu phát hiện học sinh ước lượng quá cao năng lực AI của mình (năng lực tự báo cáo tương quan yếu, âm với năng lực khách quan), và học tập dựa trên phê phán làm mạnh sự hiệu chỉnh.
  • Năng lực AI nhân văn xã hội chủ nghĩa (2026): Một tổng quan văn học phê phán năng lực AI định hướng tuân thủ và đề xuất một định khung nhân văn xã hội chủ nghĩa của năng lực AI không đồng bộ và sử dụng hợp lý trong giáo dục đại học, liên kết khoảng cách số lịch sử với năng lực AI hiện đại và kêu gọi các cách tiếp cận phục vụ sự hưng thịnh của con người và công bằng thay vì tuân thủ chính sách một cách máy móc (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
  • Cảnh báo nhẹ, rẻ làm tê liệt sự thuyết phục của AI — mà không đánh đổi niềm tin chung. Orchinik và Rand (2026) đăng ký trước hai thí nghiệm (tổng N = 3,208 người trưởng thành Mỹ) trong đó người tham gia trò chuyện với một Large Language Models (LLMs) được chỉ thị thay đổi quan điểm của họ về các chủ đề chính trị. Một cảnh báo ngắn duy nhất — rằng các mô hình có thể được prompt để thuyết phục và có thể trình bày thông tin một cách chọn lọc — đã cắt giảm sự thay đổi niềm tin khoảng một nửa (-48.1%, 95% CI [-59.5%, -36.8]) so với đối chứng, và việc thêm các cảnh báo kỹ thuật thuyết phục cụ thể không tạo thêm lợi ích. Thuộc tính quan trọng cho giảng dạy nằm ở phía bên kia của hiệu ứng: niềm tin chung vào Generative AI không giảm, nên can thiệp xây dựng niềm tin được hiệu chỉnh chứ không phải hoài nghi tràn lan. Đây là một can thiệp một đoạn văn, không cần người hướng dẫn, một cấu hình chi phí hiếm có cho một thiết kế năng lực AI.
  • Quản trị của người học đối với AI quan trọng hơn thiết kế của công cụ. Azimi (2026) phân bổ ngẫu nhiên 33 sinh viên trong một khóa phân tích dữ liệu bậc thạc sĩ giữa một AI Study Coach có giàn giáo nhúng trong các notebook (n = 16) và việc sử dụng tự do bất kỳ công cụ Generative AI nào họ chọn (n = 17) trong bảy tuần. Hiệu năng bài tập và tăng trưởng kiểm kê khái niệm không phân biệt được; điều kiện Coach báo cáo sự tự tin cao hơn. Điều phân biệt học sinh là năng lực AI trong thực tiễn: những người tự xây dựng quy tắc cho khi nào dùng AI đạt điểm cao hơn ở cả hai điều kiện, và học sinh hiểu mô hình sâu nhất — tất cả đều tự học — tạo prompt có chủ ý nhất. Hàm ý thiết kế đi ngược phản xạ kiểm soát: hãy dạy các thành phần tự điều chỉnh và hiểu mô hình của năng lực AI thay vì ràng buộc công cụ.

Khái niệm liên quan

Bài báo liên quan

FAQ liên quan

Tài nguyên liên quan

  • Education Agent Skills
    A library of 165 evidence-grounded agent skills covering pedagogy, learning science, curriculum, and assessment, packaged for Claude, Codex, and Hermes.
  • EduGems
    'A growing library of pre-made Google Gemini 'Gems' — shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • mglearn Classroom Resources
    A large set of free, browser-based classroom activity suites and print-ready materials from TCEA, including Gen AI literacy and digital citizenship modules.
  • OnMicro.AI
    A no-code builder that lets educators make focused AI apps, publish them by link, embed them in an LMS through LTI, and see how students use them.
  • Playlab
    A nonprofit creator platform where educators build, share and evaluate their own AI apps — grounded in their curriculum, run on the model of their choice, with teacher visibility built in.
  • Pressing Prompts
    Openly accessible higher-education activities and resources for pressing critical questions about AI, organised into three thematic clusters.
  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.
  • Vibes DIY
    A plain-language app builder: describe a small tool in words and get a working, shareable web app, with the underlying React packages and CLI released under Apache-2.0.

Siêu dữ liệu

Cấp độHigher Ed, K 12
Đối tượng dự kiếnFaculty Developers, Instructors, Learners
Công nghệ và kỹ thuậtGenerative AI, Large Language Models (LLMs)
Nền tảng về AI trong giáo dụcAcademic Integrity, AI trong Giáo dục, Năng lực AI (AI Literacy), Educational Development
SourceHistoryEditChat

Nhúng trang này

Sao chép mã bên dưới để nhúng trang này vào hệ thống quản lý học tập hoặc trang web khác. Bản nhúng chỉ hiển thị nội dung trang — nó ẩn phần đầu trang, điều hướng và chân trang của website.