Phát triển giáo dục

Trên trang này

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

Phát triển giáo dục (còn được gọi là phát triển đội ngũ giảng viên): các quá trình, chương trình và hình thức hỗ trợ thể chế giúp nhà giáo dục phát triển kỹ năng, sự tự tin và bản sắc nghề nghiệp để dạy hiệu quả với AI. Phát triển giáo dục trải rộng từ đào tạo cá nhân, thiết kế lại chương trình, thay đổi chính sách thể chế, đến công việc văn hóa nhằm hiểu GenAI có ý nghĩa gì với nghề học thuật.

Những câu hỏi cần cân nhắc

Nếu giảng viên trong cùng một khoa mô tả AI như một 'trợ lý' giống con người ở một phía, và như một 'công cụ' hay 'công cụ tìm kiếm' đơn thuần ở phía khác, liệu một chương trình đào tạo có thể thực sự thành công trước khi những mô hình tinh thần nền tảng đó được làm lộ ra? Điều gì có thể xảy ra nếu việc phát triển bỏ qua bước đó?
Phát triển giáo dục thường được coi là việc lấp một khoảng trống kỹ năng: dạy giảng viên các công cụ rồi họ sẽ áp dụng chúng. Nhưng một số nghiên cứu định khung việc tích hợp GenAI như một sự thay đổi ở cấp bản sắc ('dạy học để làm gì trong một thế giới GenAI?'). Cách định khung nào chính xác hơn, và mỗi cách ngụ ý những hành động khác nhau nào?
Các khuôn khổ về mức độ sẵn sàng như EPIQ-AI chia sự sẵn sàng của giảng viên thành các miền tri thức luận, sư phạm, thể chế, và chất lượng cùng tuân thủ. Nếu sự sẵn sàng là một vấn đề thẳng hàng xã hội-kỹ thuật chứ không phải một khoảng trống kỹ năng cá nhân, thì điều đó nói gì về chỗ mà một 'buổi tập huấn AI' đơn lẻ có khả năng thất bại?
Lần nào bạn cảm thấy những giả định của chính mình về một công nghệ mới được làm lộ ra và thay đổi, thông qua thảo luận, phép ẩn dụ, hay ngôn ngữ chung thay vì qua giảng giải? Bạn nghĩ ngôn ngữ chung và phân tích ẩn dụ đóng vai trò gì trong việc giúp nhà giáo dục hiểu AI?
Hãy xem xét một 'buổi workshop về ẩn dụ' công nghệ thấp, nơi giảng viên, nhân viên và sinh viên nói ra xem AI giống một con dao quân đội Thụy Sĩ, một người trợ giúp, một chiếc hộp đen, hay một đối thủ. Liệu việc làm lộ ra các nỗi sợ (kể cả nỗi sợ rằng AI sẽ thay thế vai trò giảng dạy) có thể làm được nhiều hơn cho việc áp dụng so với đào tạo kỹ thuật nhiều hơn?

Giới thiệu

Phát triển giáo dục là công việc chuyên môn và thể chế mà qua đó giảng viên xây dựng năng lực để thiết kế, giảng dạy và đánh giá tốt, và trong kỷ nguyên AI, nó đã trở thành điều kiện tiên quyết để bất kỳ thay đổi sư phạm nào có hiệu lực. Khái niệm này bao quát cả cấp cá nhân (năng lực AI, sự tự tin, năng lực chuyên môn, thái độ) lẫn cấp thể chế (các chuẩn, chính sách, đảm bảo chất lượng, và sự thẳng hàng giữa những kỳ vọng về AI được tuyên bố với thiết kế đánh giá thực tế). Một phát hiện lặp lại trong cơ sở kiến thức này là bằng chứng về thực hành hiệu quả vượt xa đáng kể những gì phần lớn thể chế đã triển khai, điều khiến công việc phát triển, chứ không phải nghiên cứu sơ cấp nhiều hơn, trở thành ràng buộc quyết định. Các ngành khoa học về học tập tạo ra những phát hiện mà công việc này mang đi: ở nơi lĩnh vực đó xác lập bằng thực nghiệm cách con người học và những thiết kế nào thay đổi kết quả, phát triển giáo dục là thực tiễn thể chế đưa bằng chứng đó vào cách giảng viên thực sự dạy và đánh giá. Tuy nhiên, công việc của nó bị giới hạn bởi một biên thể chế: phát triển xây dựng năng lực cho những người bên trong một thể chế, trong khi các công cụ mà những người đó sau đó được yêu cầu áp dụng lại thường được xây bên ngoài thể chế bởi nhà phát triển công nghệ giáo dục, những người có các quyết định thiết kế và mua sắm (các thiết lập mặc định, khả năng cấu hình, điều gì sống sót qua giai đoạn tài trợ) đến như những ràng buộc đặt lên chương trình chứ không phải sản phẩm của nó.

Phát triển giáo dục trong kỷ nguyên AI

Các khuôn khổ về mức độ sẵn sàng: Khuôn khổ EPIQ-AI xác định bốn miền sẵn sàng: tri thức luận, sư phạm, thể chế, và chất lượng cùng tuân thủ. Sự sẵn sàng của giảng viên là một vấn đề thẳng hàng xã hội-kỹ thuật, không chỉ là một khoảng trống kỹ năng cá nhân.
Hãy kiểm tra xem các cấp độ của một khuôn khổ mô tả điều gì trước khi áp dụng nó. Qua 16 khuôn khổ năng lực AI được thể chế phê chuẩn, việc sử dụng AI, đánh giá đầu ra và ứng dụng theo miền là nội dung thực chất ở cả 16 khuôn khổ, trong khi việc hình thành vấn đề (7), năng lực dữ liệu (9) và việc tạo ra AI (8) thì không; các cấp độ thành thạo cũng mô tả sự phát triển của người học, vai trò nghề nghiệp hoặc bậc thang nghề, nên chúng không trực tiếp so sánh được với nhau (Fitsilis (2026)).
Các chuẩn cho việc tích hợp công nghệ: Crompton và cộng sự dùng nghiên cứu dựa trên thiết kế để phát triển các chuẩn dành cho giảng viên về tích hợp công nghệ (bao gồm AI) trong các thể chế giáo dục đại học.
Việc áp dụng và sự tự tin: Nghiên cứu về việc giáo viên áp dụng AI xác định những lo ngại, sự hỗ trợ, sự tự tin và thái độ là những yếu tố dự báo chính. Các chương trình phát triển đội ngũ giảng viên phải giải quyết cả bốn yếu tố.
Tích hợp vào chương trình: các khuôn khổ thay đổi thể chế và cải cách đánh giá đòi hỏi giảng viên thiết kế lại khóa học, chứ không chỉ thêm công cụ AI.
Các chương trình đào tạo: các khuôn khổ nâng cao kỹ năng AI và đào tạo giáo viên tiền phục vụ dựa trên TPACK cung cấp những mô hình cho việc giáo dục AI có cấu trúc dành cho giảng viên.
Phản tư nghề nghiệp có AI làm trung gian. Mô hình Tam giác Phản tư định vị AI như một trung gian nhận thức trong phản tư cá nhân, phản tư cộng tác và phản tư cộng đồng trong một cộng đồng học tập nghề nghiệp, được thử nghiệm trong một nghiên cứu tình huống khả thi kéo dài bốn tuần với sáu giáo viên; ranh giới mà nó vạch ra là hiểu biết cá nhân không tự động trở thành tri thức nghề nghiệp chia sẻ (Nguyen (2026)).
Quản trị và chính sách: phân tích chính sách AI của thể chế ghi nhận khoảng cách giữa tham vọng của thể chế và năng lực hỗ trợ giảng viên.
Năng lực AI vô hình ở cấp thể chế. Một tổng quan hệ thống 32 nghiên cứu về năng lực AI của giáo viên ngôn ngữ phát hiện nó vắng mặt trong các mô hình khối lượng công việc, chính sách thăng tiến và phân bổ nguồn lực, với việc phát triển bị phân mảnh và trách nhiệm bị đẩy sang các thể chế và cơ quan khác nhau, nên việc phát triển năng lực mặc định rơi vào nỗ lực cá nhân thay vì hỗ trợ có tính cấu trúc (Deng, Çelik & Duran, 2026).

Ẩn dụ và ngôn ngữ chung trong phát triển giáo dục

Giảng viên mang những mô hình tinh thần không đồng nhất và thường rất mâu thuẫn về AI, và việc phát triển hiệu quả phải làm lộ ra và làm việc với chúng. Gerhardt và cộng sự cho thấy các giảng viên kỹ thuật định khung AI qua những ẩn dụ vừa kiến tạo vừa giới hạn sự hiểu biết (AI như một "trợ lý" giống con người so với một "công cụ" hay "công cụ tìm kiếm"); bởi vì các giảng viên trong cùng một khoa thường giữ những quan niệm khác biệt căn bản, một ngôn ngữ chung và chính xác về GAI là điều kiện tiên quyết cho việc phát triển đội ngũ giảng viên hiệu quả và cho những cuộc thảo luận áp dụng năng suất ở cấp khoa.

Một phương pháp thực hành để làm lộ ra những mô hình tinh thần này là workshop phân tích ẩn dụ. Vallis, Wilson & Casey (2025) đã thiết kế và kiểm chứng một workshop cộng tác, công nghệ thấp cho giảng viên, nhân viên và sinh viên để nói ra những ẩn dụ của họ về AI sinh tạo. Ẩn dụ của người tham gia tụ lại thành bốn hạng mục: Chức năng (giống công cụ: "dao quân đội Thụy Sĩ"), Vai trò (giống con người: "người trợ giúp", "bạn mà cũng là thù"), Phẩm chất (không thể biết: "hộp đen", "dốc trượt"), và Quyền chủ động (đe dọa: "đối thủ", "robot hiểm ác"), qua đó làm lộ ra những căng thẳng dai dẳng giữa quyền chủ động của con người và của máy, và giữa cái đã biết với cái không thể biết. Workshop giúp người tham gia làm lộ ra các giả định, kết nối qua các vai trò, cảm thấy "không đơn độc", và suy nghĩ về đạo đức của GenAI mà không cần chuyên môn kỹ thuật. Như một công cụ phát triển, nó cho nhà thiết kế chương trình một cách ít rào cản để làm lộ ra các giả định của một nhóm trước khi thiết kế lại đánh giá hay triển khai chính sách, và để đối diện trực tiếp với các nỗi sợ, kể cả nỗi sợ rằng AI sẽ thay thế vai trò giảng dạy.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI như công việc về bản sắc, không chỉ là nâng cao kỹ năng

Một góc nhìn được thông tin bởi lý thuyết ngưỡng định khung việc tích hợp GenAI như một chuyển hóa bản thể luận đối với giảng viên, chứ không phải một khoảng trống kỹ năng. Áp dụng lý thuyết khái niệm ngưỡng (Meyer & Land), Laidlaw lập luận rằng GenAI thể hiện cả năm đặc tính ngưỡng: biến đổi (tái cấu trúc các giả định về đánh giá, sư phạm và vai trò nghề nghiệp), phiền phức (vi phạm những niềm tin về tính nguyên bản, quyền chủ động của con người, và quan hệ nỗ lực-thành tựu), không thể đảo ngược, tích hợp (kết nối công nghệ, sư phạm, tri thức luận và bản sắc), và có biên (sự thành thạo GenAI trở thành một dấu hiệu mới của giá trị nghề nghiệp).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Theo cách lý giải này, những giảng viên đang hỏi "dạy học để làm gì trong một thế giới GenAI?" không phải là thiếu năng lực; họ đang ở trong một giai đoạn ngưỡng chuyển tiếp liminal, nơi lo âu, sự phản kháng và sự bối rối là những phần tất yếu của chuyển hóa, chứ không phải những chướng ngại cần loại bỏ. Việc đào tạo dựa trên kỹ năng nhằm trả lời một câu hỏi về năng lực mà giảng viên không hề đặt ra có thể trở nên ngoại vi với sự chuyển hóa thực sự, và việc quản trị với ý định tốt có thể trượt thành một "ảo tưởng cưỡng chế", tức là truyền đạt các quy tắc thay vì hỗ trợ sự thay đổi.(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Hàm ý thiết kế: hãy bổ sung (chứ không thay thế) việc xây dựng kỹ năng bằng những thực hành hỗ trợ bản sắc: các buổi mở với những câu hỏi về bản sắc thay vì các buổi trình diễn kỹ thuật, các nhóm đặc thù ngành học hoạt động liên tục nơi giảng viên khám phá GenAI có ý nghĩa gì với mục đích của ngành mình, các cấu trúc cố vấn đồng đẳng tôn trọng những lịch trình chuyển hóa khác nhau, và phân biệt sự ngần ngại dựa trên nỗi sợ (thứ hưởng lợi từ hỗ trợ) với việc không áp dụng có nguyên tắc dựa trên những giá trị ngành học chính đáng (thứ đáng được tôn trọng).(When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) Mô hình workshop ẩn dụ ở trên là một hiện thực hóa cụ thể của điều này: thay vì bắt đầu từ việc nâng cao kỹ năng kỹ thuật, nó mở ra bằng câu hỏi diễn giải, đậm bản sắc về việc GenAI có ý nghĩa gì với người tham gia.

Bằng chứng thực nghiệm cho cách định khung công việc bản sắc. Farazouli và cộng sự (2026) cung cấp bằng chứng định tính trực tiếp cho cách lý giải này: 24 giảng viên đại học Thụy Điển mô tả sự xuất hiện của GAI là đáng báo động và choáng ngợp, báo cáo một "trạng thái dễ bị tổn thương" (tự tin thấp, bất an, sợ "không đi trước sinh viên") và cảm thấy "mắc kẹt" giữa các diễn ngôn không tưởng và phản không tưởng. Kiến thức và kinh nghiệm hạn chế của họ, cùng với cảm giác dễ bị tổn thương, làm nổi bật việc giáo viên thiếu sự sẵn sàng để điều hướng, đánh giá và áp dụng GAI, và các tác giả lập luận rằng thể chế phải cung cấp không gian và thời gian được chỉ định để giáo viên thử nghiệm GAI, trao đổi ý tưởng, và cùng phát triển các thực hành và hướng dẫn ở cấp thể chế, khoa và khóa học. Điều này đặt nền cho cách tiếp cận công việc bản sắc và hướng hỗ trợ vào chính trải nghiệm được giáo viên báo cáo, chứ không chỉ vào lý thuyết.

Một chương trình đã làm việc trực tiếp với câu hỏi bản sắc. Chick, Morello & Staffey (2026) báo cáo một học viện mùa hè sáu tuần đã đưa mười giảng viên từ các chương trình Giáo dục, Khoa học Sức khỏe, Kinh doanh và các chương trình khác từ mức thành thạo AI thấp (tự đánh giá trung bình 1.89 trên thang sáu điểm) lên 60% báo cáo có sự tự tin cao trong việc hướng dẫn việc sử dụng AI của sinh viên và 90% có nhận thức tích cực, và họ quy sự thay đổi đó ít hơn cho việc đào tạo công cụ và nhiều hơn cho việc thử nghiệm có cấu trúc, an toàn, mở ra bằng câu hỏi hiện sinh về giá trị nghề nghiệp thay vì bằng các buổi trình diễn. Sự thay đổi từ vựng là dấu hiệu mà họ dựa vào: những cách định khung ban đầu coi AI là một "cỗ máy gian lận" hay một "thế lực làm mất tính người" đã nhường chỗ cho "trợ lý tò mò", và bốn chủ đề của họ - từ sợ hãi đến tò mò, khát vọng về sự rõ ràng đạo đức mà khoảng trống chính sách không cung cấp, thiết kế hòa nhập như một bộ khuếch đại công bằng, và việc giảng viên chuyển từ người gác cổng thành người dẫn đường - mô tả một sự định hướng lại một phần, có chủ đích, của bản sắc giảng dạy. Mười thiết kế lại tổng kết là bằng chứng cứng hơn, với tám trong mười đặt AI như một giàn giáo hỗ trợ chứ không thay thế tư duy, và sư phạm cộng sinh của các tác giả chính thức hóa điều mà người tham gia đã xây: thiết kế bổ trợ, quy trình minh bạch, tích hợp phản biện, lập luận đạo đức được nhúng và tinh chỉnh lặp lại. Lưu ý là mang tính cấu trúc chứ không phải cá nhân: chính những người tham gia đó nêu ra các tín hiệu chính sách mâu thuẫn, việc tự trả tiền đăng ký công cụ và không có thời gian được giảm tải cho các thiết kế lại, nên các tác giả kết luận rằng sự phản kháng chưa bao giờ là vấn đề và rằng những phản ứng chắp vá để nguyên chính sách và hạ tầng sẽ thất bại ngay cả với một nhóm nhiệt tình.

Phát triển như sự trung gian, và câu hỏi đầu tiên mà một nhà phát triển đặt ra. Sithole (2026) nghiên cứu phát triển học thuật - tên gọi cũ của lĩnh vực này, và là thuật ngữ được dùng bởi International Journal for Academic Development, tạp chí đã công bố bài báo - tại hai Cơ sở Giáo dục Yếu thế về Lịch sử ở Nam Phi, và định khung lại những người làm phát triển không phải như những người triển khai kỹ thuật mà như những trung gian số làm việc qua ba tầng: sư phạm (chuyển diễn ngôn AI thành thực hành giảng dạy, học tập và đánh giá khả thi), đạo đức (đặt tự động hóa đối chiếu với liêm chính học thuật, đổi mới đối chiếu với sự chăm sóc), và thể chế (làm việc trong không gian liminal giữa các mệnh lệnh của quản lý và những mối quan tâm học thuật). Hai phát hiện quan trọng cho việc thiết kế chương trình. Thứ nhất, câu hỏi lọc mang tính bối cảnh trước khi mang tính kỹ thuật - "điều này có ý nghĩa gì với việc dạy học ở đây, với sinh viên của chúng ta đến từ những trường nghèo?" - và việc làm chậm tốc độ áp dụng được tính là một phần của công việc chứ không phải sự phản kháng đối với công việc. Thứ hai, chi phí cảm xúc mang tính cấu trúc, không phải cá nhân: những người làm phát triển được kỳ vọng thể hiện chuyên môn về những công cụ mà hệ quả của chúng họ vẫn đang tìm hiểu ("tôi cảm thấy như một kẻ giả mạo. Tôi học AI trong khi vẫn đang làm, nhưng thể chế kỳ vọng sự chuyên môn"), và phản ứng của họ là việc học tập nghề nghiệp đồng đẳng nhắm vào phán đoán thay vì kỹ năng, bao gồm cả việc cố ý thử phá vỡ các công cụ. Đóng góp phân tích của bài báo là tách bất bình đẳng số, một vấn đề phân phối, khỏi chủ nghĩa thực dân thuật toán, một vấn đề tri thức luận vẫn tồn tại ngay cả khi được tiếp cận đầy đủ, và đặt cả hai vào bên trong giáo dục đại học ở Toàn cầu phía Nam, nơi công việc phát triển được kỳ vọng là biến đổi chứ không phải một dịch vụ hỗ trợ trung tính.

Cảm giác tội lỗi và sự khó chịu đạo đức như một tín hiệu phát triển. Vassallo (2026) cung cấp đối tác cảm xúc cho cách lý giải về bản sắc. Trong một khảo sát nhân viên học thuật tại một trường đại học Malta (109 phản hồi, tỷ lệ 3.5% mà bài báo đọc như chính nó là thông tin về tình trạng của cuộc tranh luận đạo đức), cảm giác tội lỗi đi cùng với việc che giấu chứ không phải với việc công khai: việc hạn chế sử dụng AI vì khó chịu tương quan với Chỉ số Tội lỗi AI ở r = 0.62 và với việc tránh tiết lộ cho đồng nghiệp ở r = 0.50, trong khi việc tiết lộ chính thức trong các sản phẩm học thuật không cho thấy mối quan hệ nào (r = 0.08). Chỉ 31.2% thấy có hướng dẫn thể chế rõ ràng, và tương quan giữa sự rõ ràng đó với cảm giác tội lỗi thấp hơn là yếu (r = −0.25, p = 0.010), điều mà bài báo đọc như bằng chứng rằng các mệnh lệnh từ trên xuống không thể giải quyết một vấn đề một phần là cảm xúc và dựa trên bản sắc. Các khuyến nghị của nó mang tính phát triển trực tiếp: coi cảm giác tội lỗi và mối quan tâm về bản sắc là những phản ứng chuyển tiếp bình thường chứ không phải lỗi cần sửa, dùng việc thử nghiệm có cấu trúc, ít rủi ro để đưa nhân viên đi qua nỗi lo trước sự kiện, và dựa vào sự cố vấn của các học giả cấp cao, vì cảm giác tội lỗi cao nhất ở nhân viên giai đoạn đầu sự nghiệp (M = 2.71) và thấp nhất ở những người cấp cao (M = 2.03).

Hướng dẫn thực tiễn cho nhà thiết kế chương trình

Đối với nhà phát triển đội ngũ giảng viên, lãnh đạo học thuật và nhà thiết kế giảng dạy đang lập kế hoạch phát triển nghề nghiệp về AI, bằng chứng của cơ sở kiến thức gợi ý:

Giải quyết cả bốn động lực áp dụng, không chỉ kiến thức. Sự tự tin, thái độ, sự hỗ trợ và những lo ngại dự báo việc giảng viên có thực sự áp dụng AI hay không; một workshop chỉ cung cấp kiến thức mà bỏ qua những điều này khó có thể thay đổi thực hành. Hãy thiết kế việc phát triển để xây dựng sự tự tin qua sử dụng trực tiếp, cung cấp hỗ trợ liên tục (không phải đào tạo một lần), và chủ động làm lộ ra và phản hồi những lo ngại của giảng viên.(AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Sự tự tin và năng lực không phải những mục tiêu có thể hoán đổi cho nhau: trong một mô hình phương trình cấu trúc với 502 người trả lời là giảng viên đại học, năng lực AI là yếu tố dự báo chi phối sự hạnh phúc liên quan đến AI (β = 0.713) trong khi tự hiệu quả công nghệ đóng góp rất ít (β = 0.082), và sự hỗ trợ chỉ chạm tới sự hạnh phúc một cách gián tiếp (Liu và cộng sự (2026)).

Coi nhu cầu về hướng dẫn và tính đầy đủ của hướng dẫn là hai vấn đề riêng biệt. Giảng viên tại một trường đại học ủng hộ mạnh mẽ các biện pháp thể chế chống lại việc sử dụng AI phi đạo đức (M = 4.59) trong khi đánh giá các hướng dẫn hiện có thấp nhất (M = 2.99), và nêu quyền riêng tư dữ liệu cùng tính bao trùm văn hóa là những điểm yếu nhất trong kiến thức của họ - một mục tiêu cụ thể cho việc phát triển nghề nghiệp (Bilgic & Sever, 2026).

Coi sự sẵn sàng là một vấn đề thẳng hàng xã hội-kỹ thuật. Khuôn khổ EPIQ-AI cho thấy sự sẵn sàng của giảng viên trải rộng trên các miền tri thức luận, sư phạm, thể chế, và chất lượng cùng tuân thủ. Những chương trình chỉ đào tạo cá nhân sẽ bỏ sót các đòn bẩy thể chế (chính sách, khối lượng công việc, các khuyến khích, chuẩn chất lượng) vốn tạo điều kiện hoặc chặn sự thay đổi; hãy thẳng hàng những đòn bẩy đó song song với việc đào tạo.(Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity)

Đừng đánh đồng đầu tư hạ tầng với chuyển hóa. Qua 125 nghiên cứu, đầu tư thể chế vào hạ tầng GenAI và phát triển giáo dục chỉ tương quan yếu với thay đổi sư phạm thực tế (r = 0.12), trong khi 60-70% giảng viên cảm thấy chưa được chuẩn bị để tích hợp GenAI, điều khiến việc phát triển, chứ không phải mua sắm, trở thành ràng buộc quyết định.(Rathnayake (2026))

Hướng tới việc thiết kế lại chương trình, không phải áp dụng công cụ. Mục tiêu là giảng viên thiết kế lại khóa học và đánh giá, không chỉ thêm công cụ AI. Hãy đặt nền việc phát triển nghề nghiệp vào công việc thiết kế lại ở cấp khóa học và cải cách đánh giá, và cung cấp cho giảng viên những khuôn khổ có cấu trúc để làm việc đó (ví dụ các thang đánh giá, các khuôn khổ thay đổi thể chế).(A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Huy động cả làng, không phải cá nhân. Qua phỏng vấn 12 học giả và 17 sinh viên, việc thiết kế lại đánh giá trong kỷ nguyên GenAI vượt quá năng lực của bất kỳ học giả đơn lẻ nào; các quy trình cứng nhắc, thời gian dẫn dài và gánh nặng khối lượng công việc đã được nêu ra, nên các tác giả đề xuất một nhóm ở cấp chương trình kết hợp chuyên môn về thiết kế đánh giá, GenAI, nội dung môn học, chương trình và ngành nghề (Nicola-Richmond và cộng sự, 2025).

Điều hành chuỗi buổi học trên chính dữ liệu của căn phòng đó thay vì thực hành tốt nhất nhập khẩu. Perl-Nussbaum và Finkelstein (2026) ghi lại một mô hình đã được triển khai từ một khoa vật lý R1 công lập lớn: sáu buổi hai tuần một lần, dài 60 đến 75 phút, mười chín giảng viên tham gia xuyên suốt chuỗi và khoảng mười người ở mỗi buổi, trong đó mỗi buổi mở đầu bằng dữ liệu địa phương hoặc tài liệu lấy từ khoa, chuyển sang việc các nhóm nhỏ kiểm thử AI với bài tập về nhà thật đã được ẩn danh của sinh viên, và kết thúc bằng thảo luận tập thể. Những gì giảng viên tìm ra khi kiểm thử hữu ích hơn bất kỳ gói tài liệu nào mà người điều hành có thể nhập khẩu: AI giải được mọi bài toán họ thử, nhưng phản hồi của nó trên bài làm thật của sinh viên thì không đồng đều, phụ thuộc vào prompt và chỉ ở bề mặt trừ khi được cho các mục tiêu và rubric tường minh, và sinh viên đặt prompt hời hợt và chỉnh sửa đầu ra một cách bề mặt trừ khi việc sử dụng năng suất được làm mẫu. Đầu ra cụ thể đầu tiên là một kho lưu trữ sống gồm năm mục - các tuyên bố chính sách trong đề cương, tài liệu thảo luận trên lớp, bảng khảo sát sinh viên, các nhiệm vụ bài tập tích hợp AI và các cấu trúc đánh giá - đó là lý do các tác giả coi chính cấu trúc buổi học là lập luận, chứ không phải bất kỳ nội dung nào nó truyền đạt.

Neo vào một khuôn khổ năng lực. Việc phát triển cũng nên xây dựng năng lực prompt sư phạm, tức khả năng mã hóa các ý định sư phạm vào prompt, vì Talebzadeh (2026) phát hiện chính chuyên môn sư phạm, chứ không phải sự thành thạo AI, quyết định chất lượng công việc thiết kế có hỗ trợ AI của giáo viên.(AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Sắp xếp việc hiểu trước việc tự động hóa. Một phân tích diễn ngôn phản biện 14 tài liệu xám xuất bản từ tháng 11 năm 2022 đến tháng 4 năm 2025 tư vấn cho người thực hành về AI sinh tạo cho việc thẳng hàng kiến tạo phát hiện rằng năng lực phải đi trước việc tiếp cận công cụ: bởi vì trong một khuôn khổ kiến tạo chất lượng của sự tham gia đi trước chất lượng của sự hiểu, rủi ro tỷ lệ nghịch với mức độ quen thuộc, và người mới là những người dễ bị tổn thương nhất trước việc chấp nhận đầu ra trông có lý nhưng mỏng về sư phạm do bị dẫn dắt bởi tính hợp lý bề ngoài. McInnes và cộng sự (2026) lập luận thêm rằng các đơn vị phát triển nên phản kháng một đề bài kỹ trị - là việc giúp giảng viên "có được sự thành thạo" trong những công cụ làm "phần việc nặng" của thiết kế khóa học - vì cách định khung đó đóng cửa những người làm phát triển ra khỏi một vòng lặp khép kín giữa nhà giáo dục và GenAI, và biến công việc phát triển dựa trên giá trị, có tính quan hệ thành một cơ chế trung gian cho việc áp dụng phần mềm. Phương án thay thế có thể bảo vệ được là giữ những người làm phát triển giáo dục như người tuyển chọn và người đặt ra quy tắc cho bất kỳ trợ lý thẳng hàng tăng cường truy hồi nào trong biên thể chế, trợ lý này đặt các câu hỏi thăm dò, đánh dấu việc đánh giá thiếu và đánh giá thừa, và tạo ra các phương án thay thế nhưng không bao giờ tạo ra sản phẩm hoàn chỉnh, với việc chuyển lên phán đoán của con người trong các vấn đề kiểm định và liên chương trình được coi là một đặc điểm chứ không phải một ngoại lệ.

Làm lộ ra và giải quyết các nỗi sợ cùng mô hình tinh thần. Trước khi thiết kế lại việc dạy học, hãy dùng một workshop phân tích ẩn dụ (Vallis, Wilson & Casey 2025) để làm lộ ra các giả định và lo lắng của một nhóm về GenAI, kể cả nỗi sợ rằng nó sẽ thay thế vai trò giảng dạy, và xây dựng việc phát triển đáp ứng lại những điều đó thay vì bỏ qua chúng.(Fear and Awe: Making Sense of Generative AI Through Metaphor)

Làm mẫu năng lực AI và đo lường những tiến bộ thực. Việc phát triển đội ngũ giảng viên phải tự nó thể hiện những thực hành đang được dạy - sử dụng AI một cách sư phạm, đánh giá đầu ra một cách phản biện - và phải đánh giá năng lực đã được chứng minh thay vì sự tự tin tự báo cáo, vì tự nhận thức thường đánh giá cao một cách đáng tin cậy kỹ năng AI.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Đừng cho rằng chuyên môn môn học chuyển sang GenAI. Sutedjo, Chowdhury & Liu (2026) khảo sát 127 giảng viên của một trường đại học nghiên cứu Hoa Kỳ bằng công cụ TPACK-21 và phát hiện kiến thức nội dung (CK) không có tương quan có ý nghĩa với kiến thức công nghệ hay bất kỳ miền tích hợp công nghệ nào (r = 0.11-0.15, ns): chuyên môn ngành học không dự báo được kiến thức tích hợp GenAI. Các miền tích hợp công nghệ (TPK, TCK, TPACK) tương quan với nhau mạnh đến mức (r = 0.81-0.91) chúng có thể vận hành như một nhân tố tích hợp GenAI duy nhất. Về mặt thực tiễn: hãy xây dựng việc tích hợp GenAI qua những hoạt động đặc thù ngành học kết nối các khả năng của GenAI với nội dung môn học của từng giảng viên, và coi các miền tích hợp công nghệ như một nền tảng năng lực GenAI chung được chia sẻ thay vì đào tạo chúng như những kỹ năng riêng biệt.(Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Các mô hình lớp học thông minh đặc thù ngành học. Zhu, Liang, Mao và Wang (2026) cho thấy một khóa học thạc sĩ giáo dục toán có thể được tăng cường bằng các công nghệ giáo dục thông minh (chấm điểm tự động, các khuyến nghị cá nhân hóa, phản hồi đa AI) tích hợp qua các giai đoạn trước, trong và sau giờ học trong một khuôn khổ lớp học thông minh ba chiều. Thử nghiệm bán thực nghiệm của họ phát hiện những tiến bộ có ý nghĩa thống kê về năng lực thiết kế mục tiêu giảng dạy, đưa ra một Mô hình D-T-E có thể chuyển giao (Nhu cầu ngành học - Trao quyền công nghệ - Vòng lặp đánh giá) cho nhà đào tạo giáo viên và nhà phát triển giáo dục muốn đưa các khuôn khổ giáo dục thông minh từ những khái niệm vĩ mô vào thực tiễn đặc thù ngành học.

Đo lường việc tham dự, không đo cảm giác tham gia. Trong một chương trình Intelligent-TPACK kéo dài sáu tháng cho 64 giảng viên đại học, tỷ lệ tham dự dự báo mức tăng năng lực AI (β = 0.407, p = 0.001) trong khi sự tham gia tự cảm nhận thì không (β = 0.049, p = 0.692), điều mà các tác giả đọc là sự đầu tư hành vi cụ thể so với mức tham gia bề mặt (Tan, Cheng & Ling, 2025). Chương trình kết hợp các bài giảng trực tuyến với ba workshop trực tiếp, sau đó yêu cầu giáo viên sửa lại thiết kế giảng dạy của mình và triển khai chúng trong học kỳ tiếp theo, và các tác giả khuyến nghị gắn việc tham dự vào đánh giá hiệu suất song song với những khuyến khích có ý nghĩa.

Đối chuẩn với điều mà chính giảng viên báo cáo. Khảo sát của Watson & Rainie (2026) trên 1,057 giảng viên Hoa Kỳ phát hiện lớp thể chế mỏng theo những cách mà nhà thiết kế chương trình có thể đo trực tiếp: 59% đánh giá trường của họ chưa được chuẩn bị để sử dụng AI sinh tạo hiệu quả trong việc chuẩn bị cho sinh viên tương lai và 68% nói rằng trường chưa chuẩn bị cho giảng viên sử dụng nó để giảng dạy và cố vấn, trong khi phản ứng cấu trúc là một tổ công tác ở 55% thể chế nhưng một kết quả giáo dục phổ thông về năng lực AI chỉ ở 13%. Giảng viên đã không chờ chính sách: 87% tự viết ra các quy tắc ở cấp bài tập của mình so với 48% có thể chỉ ra một quy tắc ở cấp thể chế, và họ nêu sự phản kháng của đồng nghiệp (82%) và sự không quen thuộc (83%), chứ không phải mệnh lệnh, là những chướng ngại cho việc áp dụng ở cấp khoa. Với các chương trình phát triển, điều này lập luận cho việc coi các chuẩn mực đồng đẳng, ngôn ngữ chính sách chung ở cấp bài tập và các thước đo tường minh về sự sẵn sàng của thể chế là một phần của can thiệp thay vì để chúng lại cho văn bản chính sách.

Phản ứng của giảng viên phản ánh các trung tâm quyền lực, không phải thái độ. Trong một nghiên cứu tình huống công cụ với 33 giảng viên viết, bốn trung tâm quyền lực đa tâm - xu hướng GenAI toàn cầu, trường đại học và khoa, đồng nghiệp, và sinh viên - định hình thực hành, và những giảng viên hợp đồng bị giới hạn bởi quyền diễn ngôn hạn chế đã chuyển từ phát hiện sang dạy cách sử dụng được chấp nhận (Zuo và cộng sự (2026)).

Sáu họ phát triển nghề nghiệp, ba họ có bằng chứng tốt, và một người thắng rõ ràng. Một tổng quan 78 nghiên cứu về thiết kế giảng dạy có hỗ trợ AI phân loại các hoạt động phát triển nghề nghiệp được ghi nhận thành các mô-đun nhúng gọn (2-4 tuần), vi học tập kéo dài một học kỳ, các chu trình thiết kế dựa trên nhiệm vụ, các chuỗi câu hỏi đối thoại cộng tác, đồng khám phá phản biện, và học tập tự định hướng của người thực hành. Bằng chứng về kết quả mạnh nhất đối với các mô-đun nhúng gọn: một mô-đun ba tuần tạo ra những tiến bộ có ý nghĩa thống kê trên cả sáu miền Intelligent-TPACK với kích thước hiệu ứng từ trung bình đến lớn, và một chương trình bốn tuần với 436 giáo viên tiền phục vụ và một nhóm đối chứng là đánh giá có đối chứng mạnh nhất trong ngữ liệu (Spyropoulou & Kameas, 2026).
Ba đặc điểm thiết kế phân biệt những can thiệp có bằng chứng tốt nhất. Đạo đức được nhúng như thực hành phân tán với các điểm kiểm tra ở mọi nhiệm vụ thay vì một buổi độc lập; đánh giá năng lực dựa trên hiệu năng dùng giáo án, nhật ký quyết định và vi giảng dạy, được thúc đẩy trực tiếp bởi tính không đáng tin cậy của tự báo cáo; và việc phát triển kỹ năng prompt như một thực hành phản tư, có nền tảng sư phạm. Việc áp dụng không phải cùng một đòn bẩy với hiệu năng: qua 200 giáo viên ở Bắc Sumatra, việc sử dụng AI không có tác động trực tiếp đến hiệu năng của giáo viên (β = 0.112, p = 0.087) trong khi hành vi công dân tổ chức mang tác động đó một cách gián tiếp, nên công việc phát triển đội ngũ giảng viên nhắm vào việc sử dụng cộng tác, ngoài vai trò là phiên bản mà bằng chứng ủng hộ (Sherly và cộng sự (2027)). Một nghiên cứu hai tuần đi kèm phát hiện những tiến bộ nhanh về kiến thức và sự tự tin đồng thời xác định việc phát hiện thiên kiến là năng lực mới nổi yếu nhất, một khoảng trống kéo dài sang mô-đun dài hơn, phù hợp với việc năng lực tri giác đạo đức phát triển chậm hơn sự quen thuộc công nghệ.

Những hiểu lầm phổ biến

"Một workshop kỹ năng là can thiệp mà phát triển giáo dục cần." Sự sẵn sàng là một vấn đề thẳng hàng xã hội-kỹ thuật, không phải một khiếm khuyết cá nhân, đó là lý do một "buổi tập huấn AI" độc lập không đáp ứng được nhu cầu mà nó nhắm tới. Một chương trình đã làm việc trực tiếp với câu hỏi này là một học viện mùa hè sáu tuần đưa mười giảng viên từ các chương trình Giáo dục, Khoa học Sức khỏe, Kinh doanh và các chương trình khác đi qua công việc ở cấp bản sắc. Thời lượng và nhóm tham gia không phải những chi tiết phụ của thiết kế đó; chúng chính là điều phân biệt nó với một buổi giới thiệu tính năng.

"Hướng dẫn thể chế rõ ràng hơn sẽ giải quyết sự khó chịu của giảng viên." Hướng dẫn có ích và chúng không chạm tới vấn đề. Chỉ 31.2% nhân viên học thuật tại một trường đại học Malta nhận thấy có hướng dẫn thể chế rõ ràng, và tương quan giữa sự rõ ràng của hướng dẫn với cảm giác tội lỗi thấp hơn là yếu (r = −0.25, p = 0.010). Một mối quan hệ yếu ở quy mô đó nghĩa là các mệnh lệnh từ trên xuống không thể giải quyết điều mà bài báo đọc là một vấn đề một phần là cảm xúc và dựa trên bản sắc.

"Cảm giác tội lỗi về việc sử dụng AI cho thấy có vi phạm quy tắc." Nó đi cùng với việc che giấu chứ không phải việc công khai: việc hạn chế sử dụng AI vì khó chịu tương quan với việc giấu nó, không tương quan với hành vi bị cấm. Do đó việc đọc cảm giác tội lỗi như bằng chứng của hành vi sai trái đã xác định nhầm nguồn của nó, và việc coi nó như một tín hiệu tuân thủ sẽ đẩy hành vi đó ra xa tầm nhìn hơn nữa.

"Tỷ lệ phản hồi khảo sát thấp nghĩa là giảng viên không có cảm xúc mạnh." Bài báo đọc 109 phản hồi (tỷ lệ 3.5%) như chính nó là thông tin về tình trạng của cuộc tranh luận đạo đức: một tỷ lệ phản hồi thấp cho một câu hỏi về sự khó chịu là một phát hiện về sự khó chịu đó, không phải sự vắng mặt của nó. Và một việc tích hợp GenAI được định khung thuần túy như nâng cao kỹ năng sẽ bỏ sót câu hỏi về bản sắc mà một số giảng viên đang thực sự đặt ra: dạy học có ý nghĩa gì trong một thế giới GenAI.

Khái niệm liên quan

Năng lực AI của giáo viên
Giảng dạy
Năng lực AI (AI Literacy)
Educational AI Policy
Higher Education
K-12
Thiết kế học tập
Curriculum Design
Workplace Learning
Teacher Education
Learning Sciences
Educational Technology Developers
Stakeholders - Trang ôm trùm: con người và các đối tượng trong giáo dục AI (người học, giáo viên, nhà thiết kế, nhà quản lý, nhà hoạch định chính sách)

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.
FPDS Apps and Resources
The public resource page of Faculty Professional Development Services at Hillsborough College, collecting its AI design coaches, Canvas courses and accessibility guides in one place.

Siêu dữ liệu

Cấp độ	Higher Ed, K 12
Đối tượng dự kiến	Faculty Developers, Instructors
Tổ chức và chính sách	Educational AI Policy
Nền tảng về AI trong giáo dục	Năng lực AI (AI Literacy), Curriculum Design, Thiết kế học tập, Giảng dạy, Năng lực AI của giáo viên

Nguồn Lịch sử Sửa Trò chuyện