Cơ sở tri thức AIEdAIEd KB
Trên trang này

Đọc trang này bằng tiếng Anh

Khái niệm

Năng lực AI của giáo viên

Ngày tạo 2026-10-27 · Ngày cập nhật 2026-10-27

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

Năng lực AI của giáo viên - kiến thức, kỹ năng và khuynh hướng mà giáo viên cần để tích hợp AI vào việc dạy và học một cách hiệu quả, có đạo đức và công bằng. Nó vượt ra ngoài việc sử dụng công cụ kỹ thuật để bao gồm tích hợp sư phạm, năng lực đánh giá, phán đoán đạo đức, và sự tự tin để sử dụng AI tốt. Năng lực AI của giáo viên là đối tác phía giáo viên của Năng lực AI (AI Literacy), và được phát triển qua phát triển chuyên môn. Nó là trung tâm của cách vai trò của giáo viên đang biến đổi trong các lớp học được AI tăng cường.

Những câu hỏi cần cân nhắc

  • Trang này lập luận rằng giáo viên là "yếu tố quyết định" trong việc liệu AI có cải thiện việc học hay không: rằng công cụ chỉ giúp ích khi giáo viên có thể lập kế hoạch cho chúng, làm giàn giáo việc sử dụng, và đánh giá đầu ra. Điều đó có khớp với kinh nghiệm của bạn, hay bạn cho rằng bản thân công cụ quan trọng hơn giáo viên?
  • Năng lực AI của giáo viên trải rộng qua sự thành thạo kỹ thuật, tích hợp sư phạm, năng lực đánh giá và phán đoán đạo đức. Bạn nghĩ giáo viên thiếu nhất điều nào trong số này, và điều nào khó đào tạo nhất?
  • Nghiên cứu ghi lại một khoảng cách giữa kỹ năng AI tự nhận thức và kỹ năng AI thực tế của giáo viên. Vì sao bạn nghĩ người ta đánh giá quá cao sự sẵn sàng của mình, và cần gì để khép khoảng cách đó một cách trung thực?
  • Một chương trình phát triển chuyên môn chuyên sâu đã tạo ra những mức tăng lớn về kỹ năng sư phạm AI trong nghiên cứu được trích dẫn, cho thấy kỹ năng kỹ thuật-sư phạm là có thể đào tạo được. Nếu điều đó đúng, vì sao nhiều giáo viên vẫn có vẻ chưa được chuẩn bị, và điều gì đang cản trở?
  • Nếu một giáo viên có thể "sử dụng AI tốt", với bạn "tốt" nghĩa là gì, và bạn sẽ biết thế nào là một giáo viên đã đạt được điều đó chứ không chỉ mới tiếp nhận công cụ?

Giới thiệu

Năng lực AI của giáo viên quan trọng vì giáo viên là yếu tố quyết định trong việc liệu AI có cải thiện việc học hay không. Nghiên cứu liên tục cho thấy công cụ AI chỉ chuyển thành kết quả tốt hơn khi giáo viên có thể lập kế hoạch cho chúng, làm giàn giáo việc sử dụng của sinh viên, đánh giá đầu ra và tích hợp chúng vào giảng dạy mạch lạc. Tài liệu của cơ sở kiến thức xem xét các chiều kích của năng lực này, những khoảng cách giữa tự nhận thức và kỹ năng thực tế, và việc phát triển chuyên môn xây dựng nó.

Nunez-Canal và cộng sự (2026) nối năng lực AI của giảng viên trực tiếp với kết quả của sinh viên, dùng các lý thuyết vốn con người và các bên liên quan trên một khảo sát giảng viên kinh doanh và kinh tế để lập luận rằng việc đầu tư của trường đại học vào năng lực giảng viên không phải là tùy nghi.

  • Đào tạo viết prompt mua thời gian, không mua tài liệu tốt hơn. Trong một thử nghiệm đối chứng ngẫu nhiên đăng ký trước với 204 giáo viên, Appel, Fervers và Piepenburg (2026) phát hiện ChatGPT cải thiện chất lượng tài liệu chuẩn bị bài và cắt thời gian chuẩn bị 34%, trong khi việc đào tạo AI trước đó thêm 21% thời gian giảm nữa mà không cải thiện chất lượng được chấm (Appel và cộng sự, 2026). Những giáo viên đã được đào tạo viết prompt dài hơn và lặp lại ít hơn; cả hai con đường đều đạt chất lượng ngang nhau.

Các chiều kích năng lực cốt lõi

Nghiên cứu trong cơ sở kiến thức hội tụ về một số chiều kích liên kết với nhau:

  • Thành thạo kỹ thuật: tạo ra các prompt hiệu quả cho các mục tiêu giáo dục, đánh giá công cụ AI theo độ phù hợp sư phạm và độ an toàn, và xử lý sự cố trong thời gian thực. Một chương trình phát triển chuyên môn GenAI chuyên sâu ghi nhận những mức tăng có ý nghĩa trên cả năm thành phần AI-PCK (tổng thể d = 2.36), cho thấy kỹ năng kỹ thuật-sư phạm là có thể đào tạo được.

  • Đặc tả quy trình làm việc của tác tử: khi giáo viên cấu hình một chatbot bằng ngôn ngữ tự nhiên, thất bại chi phối là mất ý định chứ không phải sai sự kiện - các bot bỏ qua các bước quy trình bắt buộc trong 53.8% các cuộc trò chuyện với người dùng cuối và bỏ qua việc thiết lập kỳ vọng trong 33.4% (Liu và cộng sự (2026)), nên việc viết các bước có thứ tự và tường minh là một chiều kích năng lực có thể đào tạo theo đúng nghĩa của nó.

  • Tri thức sư phạm là tầng quyết định. Một nghiên cứu xuyên cấp độ về giáo dục AI ở trung học (46 giáo viên, 2.832 học sinh) phát hiện tri thức AI kỹ thuật một mình là không đủ - và thậm chí có thể làm giảm nhẹ nhận thức của học sinh về AI vì lợi ích xã hội - trong khi tri thức AI sư phạm dẫn dắt nhận thức của học sinh và ý định học AI của các em. Do đó các khuôn khổ năng lực nên đặt tri thức AI sư phạm ở vị trí chiều kích then chốt, chứ không phải một phần bổ sung mềm.

  • Tích hợp sư phạm: ánh xạ việc dùng AI vào các mục tiêu học tập, thiết kế giàn giáo hỗ trợ siêu nhận thức và sự tự điều chỉnh của sinh viên, và tích hợp AI vào thiết kế giảng dạy. Nghiên cứu AI-TPACK mô hình hóa cách giáo viên kết hợp tri thức công nghệ, sư phạm và nội dung qua các quy trình làm việc đa tác tử, trong khi một khuôn khổ năm cấp về sự hợp tác giữa giáo viên và AI (từ giao dịch đến cộng hưởng) nắm bắt cách GenAI có thể thay thế, bổ sung hoặc tăng cường năng lực của giáo viên.

  • Năng lực đánh giá: đánh giá nội dung do AI tạo và đầu ra AI của sinh viên, và hiểu cách tính hợp lệ dịch chuyển khi sinh viên dùng AI. Điều này kết nối với Automated Assessment, AI Detection, và chương trình nghị sự rộng hơn về thiết kế lại đánh giá. Đối với các hệ thống khuyến nghị, điều này mở rộng sang việc phán đoán liệu các giải thích của AI có thực sự dễ hiểu và có ý nghĩa sư phạm hay không: Feldman-Maggor và cộng sự (2025) phát hiện giáo viên tin các khuyến nghị nhóm do AI đưa ra hơn khi các giải thích được diễn đạt bằng ngôn ngữ của lĩnh vực (chương trình học) so với khi chúng phơi bày các đặc trưng thô của mô hình - một kỹ năng đòi hỏi và thẩm định chất lượng giải thích thay vì chấp nhận đầu ra mờ đục.

  • Chọn mô hình và thiết kế prompt như những kỹ năng có thể chứng minh: năng lực AI mang tính công cụ bao gồm việc biết dùng mô hình nào và diễn đạt nhiệm vụ thế nào. Jacobsen và cộng sự (2026) cho ChatGPT-4, Claude 3 và Gemini Advanced phê bình mục tiêu lập kế hoạch bài học của 153 giáo viên dự bị dưới bốn prompt được biến đổi có hệ thống (N = 240 phản hồi trong Nghiên cứu 1, 345 trong Nghiên cứu 2), với phản hồi được chấm theo chín hạng mục chất lượng. Chỉ riêng việc chọn mô hình giải thích 26.9% phương sai của chất lượng được chấm (18.4% trong Nghiên cứu 2) và thiết kế prompt thêm 15.9% có ý nghĩa (5.7%) lên trên; đặc trưng prompt quyết định duy nhất là ngôn ngữ kỹ thuật đặc thù lĩnh vực, mà việc loại bỏ nó làm giảm chất lượng có ý nghĩa (β = -0.412), trong khi việc thêm ví dụ và bỏ chỉ dẫn chain-of-thought không tạo ra khác biệt có ý nghĩa trong Nghiên cứu 1. Cách họ lý giải - rằng thuật ngữ chuyên ngành vừa mở khóa nội dung dữ liệu huấn luyện liên quan vừa định khung yêu cầu một cách chuyên nghiệp, giống như prompt theo vai trò - cộng với một quy tắc kinh nghiệm là dùng mô hình tiên tiến có năng lực nhất hiện có, khiến việc chọn mô hình trở thành một quyết định sư phạm chứ không phải kỹ thuật.

  • Sử dụng có đạo đức và phản biện: nhận diện thiên lệch trong đầu ra AI, bảo vệ dữ liệu của sinh viên (quyền riêng tư), và bảo đảm các kết quả công bằng (Equity). Việc sử dụng AI phù hợp văn hóa xem xét cách giáo viên có thể dùng LLM để đa dạng hóa tài liệu thay vì củng cố các chuẩn mực chi phối.

  • Trách nhiệm đạo đức mang tính phân tán, không phải cá nhân. Qua bảy trường hợp quốc gia, giáo viên được đặt vào vị trí người gác cổng đạo đức của việc dùng AI trong khi thiếu hỗ trợ về thể chế và nhận thức luận, nên năng lực AI đạo đức phải mở rộng sang quyền chủ động phản biện và chính trị thay vì kỹ năng kỹ thuật (Raffaghelli và cộng sự (2026)).

  • Sự tự tin và thái độ: sự tự tin của giáo viên định hình việc tiếp nhận. Nghiên cứu về tiếp nhận phát hiện sự tự tin, sự hỗ trợ và tính hữu ích được nhận thức dẫn dắt việc giáo viên có thực sự dùng AI hay không, và định hướng của giảng viên định hình việc tiếp nhận trong nghiên cứu và giảng dạy.

  • Trong một khảo sát năm quốc gia với 1,405 giáo viên K-12, sự sẵn sàng về AI dự báo niềm tin tích cực về giá trị giảng dạy của GenAI (B = .59, R² = .50) nhưng dự báo mối quan ngại lớn hơn về tính sáng tạo (B = .18), và chính các yếu tố dự báo đó chỉ giải thích 7% và 6% của mối quan ngại - việc xây dựng sự sẵn sàng một mình để mối quan ngại nguyên vẹn (Xiu và cộng sự (2026)).

Sự sẵn sàng nên được sắp thứ tự và đo lường tương ứng: Mô hình Năng lực-Quyết định đặt năng lực AI đã được chứng minh ở thượng nguồn của thái độ và sự tự tin, và đề xuất các chỉ báo hiệu năng thay vì chỉ tự báo cáo - các nhiệm vụ thiết kế bài học, nhiệm vụ đánh giá prompt được gieo lỗi, các phán đoán về tính hợp lệ nội dung và rubric cho sản phẩm lớp học (Mnguni (2026)).

Sự sẵn sàng cảm xúc và đạo đức là một chiều kích riêng. Vassallo (2026) khảo sát đội ngũ học thuật của một trường đại học Malta (109 người trả lời) và xây dựng một Chỉ số Tội lỗi AI (α = 0.88) từ bốn mục cảm xúc đạo đức, phát hiện rằng tội lỗi dự báo trước vượt qua sự hối hận trải nghiệm sau khi sử dụng: mức đồng tình mạnh nhất là lo lắng rằng việc dùng AI làm suy giảm uy tín của mình (34.9% đồng ý), tiếp theo là cảm giác mình đang gian lận khi dùng nó (25.7%), trong khi sự hối hận sau khi dùng chỉ chiếm 9.2%. Những phát hiện quan trọng đối với các khuôn khổ năng lực là những người không dùng báo cáo tội lỗi cao hơn những người dùng (M = 3.25 so với M = 2.32) và tội lỗi giảm khi sự bảo đảm nghề nghiệp tăng - những người học thuật đầu sự nghiệp báo cáo nhiều nhất (M = 2.71) và những người học thuật cấp cao ít nhất (M = 2.03). Sự sẵn sàng cảm xúc do đó không được nắm bắt bởi các thước đo kỹ năng hay sự tự tin, và bài báo lập luận rằng các khuôn khổ năng lực nên coi tội lỗi và quan ngại về bản sắc như những phản ứng chuyển tiếp bình thường thay vì những lỗi cần sửa.

Một phiên bản mạnh hơn của cách định khung lại đó cho rằng GenAI là một khái niệm ngưỡng chứ không phải một khoảng trống kỹ năng: một ghi chép tự dân tộc chí lập luận rằng lo âu và sự kháng cự của giảng viên là thành phần cấu thành của việc vượt ngưỡng, nên đào tạo dựa trên kỹ năng sẽ thất bại và việc không tiếp nhận có nguyên tắc nên được tôn trọng thay vì bị sửa (Laidlaw (2026)).

Khoảng cách năng lực

Một phát hiện then chốt là khoảng cách giữa năng lực được tự báo cáo và năng lực dựa trên hiệu năng. Nghiên cứu về đánh giá năng lực AI ghi lại một sự chênh lệch đáng kể (tới khoảng 40%) giữa điều giáo viên tin là họ có thể làm và điều họ thực sự có thể chứng minh - những giáo viên tự tin về kỹ năng AI thường thiếu năng lực viết prompt và đánh giá nền tảng. Điều này tạo động lực cho việc đánh giá dựa trên hiệu năng năng lực giáo viên thay vì dựa vào tự báo cáo, và kết nối với tự đánh giá được hiệu chỉnh. Một khảo sát quốc gia với 2,586 giáo viên trung học Nigeria đo hai phía bằng các công cụ riêng biệt - nhận thức AI ở mức trung bình (M = 3.13 trên 8) đối chiếu với kỹ năng sư phạm AI thấp hơn (M = 2.47 trên 5) - với giáo viên ở giai đoạn đầu và giữa sự nghiệp báo cáo kỹ năng cao hơn đồng nghiệp giàu kinh nghiệm (Olurinola và cộng sự, 2026).

Sự sẵn sàng là trở ngại được ghi nhận nhiều nhất trong tài liệu toán học. Một tổng quan trên 54 nghiên cứu giáo dục toán học phát hiện tích hợp công nghệ-sư phạm và sự sẵn sàng của giáo viên là thách thức được báo cáo thường xuyên nhất (38 trong 54), trước tính hợp lệ và liêm chính của đánh giá (26) và sự phụ thuộc quá mức (24) (Manto và cộng sự (2026)).

Khoảng cách không chỉ nằm giữa kỹ năng được nhận thức và kỹ năng thực tế mà còn ở độ rộng của điều giáo viên biết: một khảo sát quốc gia với 2,018 nhà giáo dục trung học Ukraine phát hiện 84% cho biết dùng AI trong thực hành nghề nghiệp trong khi chỉ 11% có thể kể tên một dịch vụ AI chuyên biệt ngoài ChatGPT (Marienko, Markova & Semerikov (2026)). Một sự hẹp thứ hai hiện ra ở điều giáo viên tự nguyện nêu chứ không phải ở điều họ có thể kể tên: 53 giáo viên đang công tác gắn nhãn các trường hợp lớp học của chính mình theo Khung Năng lực AI của OECD mô tả 43 thực hành có năng lực AI so với chỉ 10 thất bại (Wang và cộng sự, 2026). Các lựa chọn năng lực của họ tập trung vào phán đoán thực tiễn (đánh giá đầu ra AI, N = 38) và hiếm khi chạm tới thiên lệch xã hội (N = 5), căn chỉnh đạo đức (N = 6) hay mức tiêu thụ năng lượng của AI (N = 9).

Một khảo sát 132 giáo viên ở Indonesia phát hiện sự chấp nhận gần như phổ quát đi kèm hiểu biết cơ chế mỏng: 96.2% tán thành việc giáo viên dùng AI, nhưng chỉ 4.6% kể tên được tokenization hay decoding và 21.5% tin rằng ChatGPT tìm kiếm một cơ sở dữ liệu hoặc internet (Aji và cộng sự (2026)). Một thái độ thuận lợi không phải là bằng chứng về một mô hình tinh thần dùng được của công cụ.

Khoảng cách hiện ra trong sản phẩm cũng như trong tự báo cáo. Một phòng cộng tác giảng viên liên thể chế trong đào tạo giáo viên, nơi các nhà đào tạo giáo viên thiết kế AI vào chính các khóa phương pháp của mình, báo cáo rằng sinh viên sư phạm có thể tạo ra những kế hoạch bài học có AI hỗ trợ trau chuốt trong khi không thể giải thích vì sao kế hoạch đó phù hợp với người học và các chuẩn, bởi vì bản thân kế hoạch không nói gì về lập luận đằng sau nó. Chấm điểm phần biện minh thay vì sản phẩm là một cách phản hồi. Khung sư phạm thực hành gợi ý một cách khác, coi việc tập dượt như một xấp xỉ của thực hành: việc tập dượt có AI làm trung gian với phản hồi có cấu trúc sau tập dượt đã nâng việc sinh viên sử dụng các câu hỏi dò hỏi và khám phá, tuy vậy phán đoán của chính sinh viên về hiệu năng của họ vẫn khác với điều người quan sát ghi lại.

Việc tự đánh giá giảm sau khi đào tạo có thể là dấu hiệu của việc học chứ không phải mất mát. Trong một chương trình phát triển chuyên môn Intelligent-TPACK sáu tháng với 64 giáo viên đại học Hồng Kông đối chiếu với 61 người đối chứng, năng lực AI tổng thể tăng khoảng nửa độ lệch chuẩn (Cohen's d = -.521), tuy vậy một số giáo viên ở cả hai nhóm đạt điểm thấp hơn ở lần đo sau so với lần đo trước (Tan, Cheng & Ling, 2025). Các cuộc phỏng vấn quy những sự giảm đó cho một sự dịch chuyển từ không đủ năng lực vô thức sang không đủ năng lực có ý thức - sự hiệu chỉnh lại mà hiệu ứng Dunning-Kruger dự báo - chứ không phải mất kỹ năng. Các tác giả kết luận rằng tự báo cáo trước và sau đánh giá thấp một can thiệp, bởi vì một phần mức tăng đến dưới dạng một sự điều chỉnh đi xuống ngay trong công cụ đo.

Khoảng cách còn hiện ra như sự không tham gia. Watson & Rainie (2026) khảo sát 1,057 giảng viên đại học Hoa Kỳ vào cuối năm 2025 và phát hiện 26% hoàn toàn không dùng công cụ AI sinh tạo, với một phần ba chọn không dùng chúng cho việc giảng dạy và sự không dùng tập trung ở các ngành nghệ thuật và nhân văn (40%). Phía thể chế của khoảng cách lớn hơn phía cá nhân: 68% nói trường của họ chưa chuẩn bị cho giảng viên sử dụng AI sinh tạo trong giảng dạy và cố vấn, và giảng viên nêu sự kháng cự của đồng nghiệp (82%) và sự không quen thuộc (83%) là những trở ngại hàng đầu đối với việc tiếp nhận ở cấp khoa - một bức tranh trong đó việc xây dựng năng lực, chuẩn mực bạn nghề và chính sách đều phải dịch chuyển cùng nhau.

Đào tạo trước khi vào nghề phần lớn đi vòng qua chiều kích đạo đức của năng lực. Một tổng quan hệ thống về AI trong đào tạo giáo viên ban đầu cho giáo viên tiểu học dự bị dạy toán (Pinto và cộng sự 2026, 11 nghiên cứu được chọn từ 341 bản ghi) phát hiện các can thiệp tập trung vào những mức tăng kỹ thuật và sư phạm ngắn hạn, với chín trong mười một can thiệp là những can thiệp ngắn kéo dài từ một đến sáu buổi, và báo cáo rằng đạo đức chỉ được đề cập trong ba trong mười một nghiên cứu. Các khuôn khổ năng lực nêu phán đoán đạo đức như một chiều kích; tài liệu đào tạo trước nghề được cho là xây dựng nó lại hiếm khi dạy hoặc đo nó.

  • Bảy cụm năng lực, với đạo đức là mắt xích yếu nhất. Một tổng hợp chủ đề trên 78 nghiên cứu đưa ra các cụm về viết prompt, đánh giá phản biện đầu ra AI, nhận thức đạo đức và phát hiện thiên lệch, căn chỉnh nội dung sư phạm, năng lực AI khái niệm, giám sát của con người và phản tư. Viết prompt là năng lực được ghi nhận nhất quán nhất và hành xử như một phổ phát triển chứ không phải một kỹ năng đơn lẻ, điều khiến các tác giả tổng quan lập luận rằng nó được hiểu tốt nhất như lập luận sư phạm được thực hiện qua một phương tiện mới - prompt như một quyết định thiết kế được ngoại hiện hóa. Nhận thức đạo đức là năng lực được ghi nhận yếu nhất trong các nghiên cứu về giáo viên dự bị (Spyropoulou & Kameas, 2026).
  • Giáo viên đánh giá quá cao kỹ năng đánh giá của chính mình. Ngoài phát hiện rằng chỉ 38.3% mục tiêu học tập do AI tạo đáp ứng mọi tiêu chí chất lượng mà không cần sửa, giáo viên dự bị đánh giá quá cao một cách hệ thống khả năng đánh giá đầu ra của chatbot - điều mà các tác giả tổng quan đọc như một khiếm khuyết có thể mang tính tri giác chứ không phải khai báo. Đây là lý do vì sao họ lập luận rằng năng lực nên được đánh giá qua các sản phẩm hiệu năng (kế hoạch bài học, nhật ký quyết định, vi giảng dạy) thay vì tự báo cáo: tính không đáng tin của tự đánh giá được chứng minh ngay trong tài liệu mà việc đào tạo nhắm tới giải quyết.

Phát triển chuyên môn hiệu quả

Tài liệu về phát triển chuyên môn trong cơ sở kiến thức xác định những cách tiếp cận hiệu quả:

  • Các chương trình chuyên sâu, có nền tảng lý thuyết: Một chương trình phát triển chuyên môn GenAI chuyên sâu với 163 giáo viên và giáo viên dự bị tạo ra những mức tăng có ý nghĩa trên mọi thành phần AI-PCK, với giáo viên dự bị hưởng lợi nhiều nhất. Phát triển chuyên môn dựa trên lý thuyết tự quyết cho thấy đào tạo hỗ trợ nhu cầu cải thiện năng lực AI, thái độ và sự tham gia của giáo viên trong khi giảm lo âu.
  • Các cách tiếp cận dựa trên thiết kế và tích hợp: Đào tạo năng lực GenAI dựa trên DBR giải quyết sự nhấn mạnh quá mức vào tri thức kỹ thuật và các công cụ trước GenAI; các khuôn khổ tích hợp, mang tính phát triển và việc tích hợp năng lực xã hội-cảm xúc mở rộng năng lực ra ngoài kỹ thuật thuần túy.
  • Điều tra và thực hành thực chất: các mô hình điều tra có AI hỗ trợ xây dựng năng lực AI và hiệu năng thực chất ở giáo viên dự bị.
  • Sự sẵn sàng đặc thù theo bối cảnh: Khung sẵn sàng EPIQ-AI nhấn mạnh rằng sự sẵn sàng của giảng viên là một vấn đề xã hội-kỹ thuật, đòi hỏi sự căn chỉnh giữa năng lực giảng viên, quản trị và bảo đảm chất lượng.
  • Sự hỗ trợ phải được phân hóa theo kinh nghiệm và sự thành thạo AI. Choi và cộng sự (2026) phát hiện cách giáo viên thực sự tương tác với AI trong thiết kế bài học phụ thuộc vào sự tương tác giữa kinh nghiệm giảng dạy và sự thành thạo AI, chứ không phải chỉ một yếu tố nào. Giáo viên giàu kinh nghiệm có sự thành thạo AI cao thích ứng đầu ra AI một cách phản biện với bối cảnh (prompt lại, triển khai chi tiết), trong khi những người mới - dù thành thạo kỹ thuật - có xu hướng chấp nhận trực tiếp phản hồi của AI và hiếm khi xét đến sinh viên và bối cảnh. Điều này lập luận cho phát triển chuyên môn dựa trên lập hồ sơ: danh sách kiểm tra đánh giá phản hồi và mẫu prompt cho người mới, và xây dựng kỹ năng thực hành cho giáo viên giàu kinh nghiệm có sự thành thạo AI thấp hơn.
  • Bản thân lợi ích về thời gian đi theo kinh nghiệm và sự tự tin, không chỉ theo thiết kế hỗ trợ. Trong thử nghiệm của Roy và cộng sự (2026) về một trợ lý lập kế hoạch bài học AI, mức giảm khối lượng công việc lớn hơn ở những giáo viên có sự tự tin về tri thức chuyên ngành thấp hơn, tri thức sư phạm thấp hơn, ít thời gian trong nghề hơn, hoặc tự tin với công nghệ cao hơn. Sự thành thạo và sự tự tin do đó là một phần của tác động của can thiệp, chứ không chỉ là một phần của việc tiếp nhận nó.

Cấu hình niềm tin là trục lập hồ sơ thứ hai: trong 40,680 giáo viên của TALIS 2024, cùng một trạng thái không sử dụng che giấu những trở ngại trái ngược nhau - 83.3% nhóm Thờ ơ nêu những dè dặt sư phạm trong khi 66.2% nhóm Tán thành Có chừng mực nêu thiếu kiến thức và kỹ năng (Fang & Jin (2026)). Việc học nghề nghiệp liên quan AI đi theo tư cách thành viên nhóm một cách nhất quán hơn so với tuổi hay trình độ.

  • Giáo viên không chia sẻ một quan niệm duy nhất về AI. Một nghiên cứu hiện tượng học trên 16 giáo viên đại học Đan Mạch phát hiện ba quan niệm về dạy với AI và ba quan niệm về học với AI, nên một mô hình workshop duy nhất chỉ chạm tới một phần của bất kỳ nhóm giảng viên nào (Stenalt (2026)).

  • Đồng thiết kế và năng lực prompt sư phạm là năng lực, không phải phần bổ sung. Một tổng quan hệ thống về đồng thiết kế nhiệm vụ học tập giữa giáo viên và AI (Wang, Liu & Islam 2026, 28 nghiên cứu) phát hiện hình thức hợp tác chi phối là AI như trợ lý và máy tạo nội dung, và xác định một khoảng trống ở năng lực đồng thiết kế đầy đủ hơn và năng lực đối tác đối thoại của giáo viên. Talebzadeh (2026) cho thấy phát triển chuyên môn ghép đào tạo AI kỹ thuật với lập luận sư phạm - xây dựng "năng lực prompt sư phạm" (mã hóa PCK vào prompt) - chính là điều cho phép giáo viên biến đầu ra AI thành những hoạt động nhóm phân hóa hiệu quả.

  • Những cấu trúc xây dựng năng lực, chứ không phải những danh mục năng lực. Perl-Nussbaum và Finkelstein (2026) tổ chức một cộng đồng học tập giảng viên sáu buổi hai tuần một lần trong một khoa vật lý R1 công lập lớn - mười chín giảng viên qua cả chuỗi, khoảng mười người mỗi buổi - nơi mỗi buổi mở đầu bằng dữ liệu tại chỗ, chuyển sang kiểm thử AI theo nhóm nhỏ với bài tập về nhà thực tế đã ẩn danh của sinh viên, và kết thúc bằng thảo luận tập thể, và nó tạo ra một kho lưu trữ chia sẻ năm mục thay vì một gói đào tạo. Năng lực đánh giá có thể được xây dựng theo cùng cách qua một công cụ thiết kế: trong thí điểm của Paula và cộng sự (2026), tám điều phối viên khóa học STEM và Y tế giàu kinh nghiệm đã phát triển năng lực đánh giá của mình bằng cách phê phán các bản nháp đánh giá của một GPT tùy chỉnh đối chiếu với các chuẩn ngành học, dù đầu ra liên tục bỏ sót bối cảnh ngành học, bỏ qua trình tự chủ đề, và trong một trường hợp mang các tài liệu tham khảo bịa đặt qua nhiều lần prompt liên tiếp. Cả tám người đều giữ phán đoán học thuật ở phía mình và từ chối tự động hóa đầu-cuối, điều khiến việc phê phán có cấu trúc đối với các bản nháp được tạo ra trở thành cơ chế phát triển thay vì đào tạo công cụ.

  • Các buổi ngắn có thể làm thay đổi sự chấp nhận mà không thay đổi việc tiếp nhận. Mesenhöller và Böhme (2026) đánh giá một buổi INSIGHT ba giờ với 100 giáo viên Đức và phát hiện tính hữu ích được nhận thức và tính dễ sử dụng được nhận thức đều tăng có ý nghĩa (hữu ích t(99) = -3.24, p = .002, d = .32; dễ sử dụng d = .25) trong khi ý định hành vi sử dụng công nghệ dựa trên AI để phân hóa không thay đổi. Các tác giả ghi nhận các mức cơ sở của họ vốn đã thuận lợi, nên một hiệu ứng trần là khả dĩ. Cách đọc cho thiết kế phát triển chuyên môn thì hẹp nhưng hữu ích: một buổi ngắn có thể thay đổi cách giáo viên đánh giá công cụ AI mà không thay đổi việc họ có định dùng chúng hay không, đó là kiểu thay đổi cần được theo tiếp chứ không phải một sự kiện một lần.

  • Giảng viên thích sự trôi chảy nhưng quy cho giàn giáo việc học. Trong 41 giảng viên, một mô hình cơ sở GPT-4o được ưa thích tổng thể (21 so với 13), tuy vậy mô hình ba bước đã tinh chỉnh (nhận diện, khám phá, phát triển) được quy cho việc học thường xuyên hơn (18 so với 13), và hai phán đoán chỉ đồng thuận 39% số lần (Molnar và cộng sự (2026)).

  • Hỗ trợ thể chế: phát triển chuyên môn phải đi kèm hạ tầng thể chế (chính sách, thay đổi thể chế) để việc tiếp nhận bền vững.

  • Công cụ soạn thảo không bảo đảm sự trung thành sư phạm. Riahi và cộng sự (2026) nghiên cứu 27 giáo viên trung học cơ sở cấu hình chatbot giáo dục trong các buổi workshop phát triển chuyên môn, phân tích các nhóm tập trung cùng nhật ký cấu hình và tương tác. Giáo viên coi chatbot như một giàn giáo giảng dạy bị ràng buộc bởi các quy tắc do giáo viên định nghĩa, tuy vậy sự ăn khớp dựa trên nhật ký giữa ý định và hành vi mạnh hơn ở khả năng phản hồi (88.9%) và nhân cách (81.5%) so với các quy tắc (70.4%) và mục đích (59.3%). Các điều khiển có thể cấu hình một mình không mang ý định sư phạm vào hành vi, nên việc diễn đạt, kiểm thử và tinh chỉnh sư phạm của một chatbot tự nó là một năng lực mà công cụ soạn thảo phải hỗ trợ.

Một phản ví dụ dựa trên thiết kế coi năng lực là tình huống chứ không phải một nấc thang. Nghiên cứu dựa trên thiết kế năm 2025 của Eyal với 22 nhà đào tạo giáo viên đại học cho người tham gia xem xét năm khuôn khổ đánh giá đã công bố và đồng thiết kế một khuôn khổ thay thế được tổ chức quanh ba trục liên quan với nhau: độ phù hợp bối cảnh (hạ tầng, yếu tố văn hóa-xã hội, nhu cầu địa phương, giai đoạn phát triển), nhu cầu nghề nghiệp (ngành học, sư phạm, lãnh đạo, hỗ trợ), và phát triển năng động. Mô hình bác bỏ các cấp năng lực cố định và cho phép tiến bộ phi tuyến, và nó đi kèm một bảng hỏi tự đánh giá phản tư 20 mục chấm từ 1 đến 5. Việc kiểm chứng của nó chỉ mang tính định tính, không có kiểm định độ tin cậy định lượng, nên nó đứng như một đóng góp thiết kế chứ không phải một công cụ đã được kiểm chứng.

  • Ước lượng phân tích tổng hợp. Guo và cộng sự (2026) gộp 212 kích thước hiệu ứng từ 34 nghiên cứu và ước tính phát triển chuyên môn năng lực AI cho giáo viên ở g = 0.76 (95% CI [0.50, 1.02]), mạnh nhất ở kỹ năng (g = 0.91) và yếu nhất ở thái độ và giá trị (g = 0.61); việc hiệu chỉnh cho sự chọn lọc công bố rõ rệt làm ước lượng giảm xuống khoảng g = 0.49.

  • Việc tham dự dự báo mức tăng trong khi cảm giác tham gia thì không. Trong cùng chương trình sáu tháng, tỷ lệ tham dự dự báo mức tăng năng lực (β = .407, p = .001) trong khi sự tham gia tự nhận thức thì không (β = .049, p = .692), và ngành học, kinh nghiệm giảng dạy cùng chức danh nghề nghiệp giải thích rất ít; các tác giả đọc việc tham dự như sự đầu tư hành vi và sự tham gia được nhận thức như mức độ gắn kết bề mặt (Tan, Cheng & Ling, 2025).

  • Giá trị tụt lại sau kỹ năng ngay cả trong một chương trình đặc thù lĩnh vực. Trong một chương trình kéo dài một năm ở Hồng Kông với 30 giáo viên tiếng Anh, kiến thức về các chiến lược đánh giá đa phương thức tăng từ 3.13 lên 4.15 trên 5 (partial η² = 0.571) và năng lực hỗ trợ sinh viên tăng từ 3.05 lên 3.98 (0.482), cả hai đều có ý nghĩa, trong khi mọi phân vùng giá trị đều giữ nguyên về mặt thống kê dưới một alpha hiệu chỉnh Bonferroni là .006. Các giáo viên quy những mức tăng đó cho việc đồng lập kế hoạch trong trường và các cuộc họp cụm liên trường chứ không chỉ cho các workshop (Jiang và cộng sự, 2026).

  • Học tập vi mô có thể phát triển năng lực AI của giáo viên đại học. Cechovsky (2026) tinh chỉnh hai mô-đun giáo dục nghề qua hai cuộc thảo luận nhóm trực tuyến thành năm nguyên tắc thiết kế - cấu trúc và định hướng rõ ràng, hướng dẫn và hỗ trợ điều hướng, phân đoạn và mô-đun hóa, trình bày đa phương thức, và kích hoạt người học - và phát hiện việc điều hướng nền tảng và định vị mô-đun là những trở ngại thực tiễn chính.

Năng lực AI của giáo viên và vai trò giáo viên đang biến đổi

Khi AI đảm nhận các nhiệm vụ giảng dạy và đánh giá thường ngày, đóng góp đặc thù của giáo viên dịch chuyển về phía điều phối, phán đoán và quan hệ: quyết định khi nào và bằng cách nào dùng AI, làm giàn giáo cho quyền chủ động của sinh viên và việc sử dụng phản biện, bảo đảm công bằng, và cung cấp sự hỗ trợ xã hội và cảm xúc mà AI không thể. Điều này định khung lại năng lực giáo viên quanh sự giám sát con người trong vòng lặp, phán đoán đạo đức, và hỗ trợ việc học tự điều chỉnh - kết nối với Giảng dạy và phòng chống phụ thuộc quá mức.

Hàm ý cho AI trong giáo dục

  • Đánh giá hiệu năng, không chỉ tự báo cáo: năng lực giáo viên nên được đánh giá qua việc chứng minh, do khoảng cách tự báo cáo đã được ghi nhận.

  • Đào tạo toàn bộ năng lực, không chỉ công cụ: phát triển chuyên môn nên xây dựng các chiều kích kỹ thuật, sư phạm, đánh giá và đạo đức cùng nhau, có nền tảng trong lý thuyết học tập.

  • Xây dựng sự tự tin song hành với kỹ năng: thái độ và tự hiệu quả định hình việc tiếp nhận, nên phát triển chuyên môn nên giảm lo âu và xây dựng sự tự tin qua thực hành thực chất, có hỗ trợ.

  • Hỗ trợ tầng thể chế: năng lực giáo viên bền vững đòi hỏi chính sách, quản trị và năng lực được căn chỉnh, chứ không phải đào tạo tách rời.

  • Năng lực số của giáo viên cho thiết kế chương trình GenAI. Guillén-Gámez (2026) kiểm chứng một công cụ chẩn đoán dựa trên TAM với 434 giáo viên đang công tác; ý định hành vi là yếu tố dự báo chính của năng lực số để dùng GenAI trong lập kế hoạch chương trình, với tự hiệu quả là động lực gốc.

Một công cụ trắc nghiệm tâm lý cho năng lực AI của giáo viên

  • Một nghiên cứu trắc nghiệm tâm lý đã phát triển Thang Năng lực AI của Giáo viên (TAILS) để đo năng lực AI riêng trong đào tạo giáo viên ngôn ngữ, cụ thể hóa sáu chiều kích của khung ED-AI. Việc phát triển công cụ này lấp một khoảng trống trong các đánh giá nhắm tới sinh viên hoặc người dùng phổ thông, hỗ trợ việc đo lường năng lực AI của giáo viên.

Bản thân bối cảnh công cụ đo từ đó đã được tổng quan. Tổng quan hệ thống năm 2026 của Zainal, Mohd Matore và Maat về các công cụ đo năng lực AI của giáo viên thẩm định 33 công cụ xuất bản từ 2019 đến 2025 và phát hiện lĩnh vực này đơn điệu về phương pháp: 31 công cụ (93.9%) là thang tự báo cáo về sự tự tin được nhận thức, chỉ hai công cụ (6.1%) kiểm tra kiến thức một cách khách quan, và không công cụ nào dùng nhiệm vụ dựa trên hiệu năng. Độ nhất quán nội tại là lĩnh vực chất lượng mạnh nhất (28 trong 33 đạt hạng A) và tính công bằng là yếu nhất, với năm công cụ (15.2%) báo cáo bằng chứng về tính bất biến của phép đo hoặc chức năng khác biệt của mục. Nội dung cũng tụt lại sau công nghệ, vì 29 công cụ (87.9%) nhắm tới các khái niệm AI chung và chỉ bốn công cụ (12.1%), tất cả từ năm 2025, đề cập AI sinh tạo.

Những hiểu lầm phổ biến

  • "Đào tạo viết prompt làm tài liệu của giáo viên tốt hơn." Đào tạo viết prompt mua thời gian, không mua tài liệu tốt hơn: trong một thử nghiệm đối chứng ngẫu nhiên đăng ký trước với 204 giáo viên, Appel, Fervers và Piepenburg (2026) phát hiện ChatGPT cải thiện thời gian dành ra trong khi chất lượng tài liệu không đi theo. Mức tăng hiệu quả là thật và nó không phải là mức tăng chất lượng.
  • "Khi giáo viên cấu hình một chatbot, thất bại là lỗi sự kiện." Khi giáo viên cấu hình một chatbot bằng ngôn ngữ tự nhiên, thất bại chi phối là mất ý định chứ không phải sai sự kiện - các bot bỏ qua bước mà giáo viên muốn. Việc tuân thủ chỉ dẫn thất bại về mặt cấu trúc chứ không phải về mặt sự kiện.
  • "Kỹ năng kỹ thuật là tầng quyết định." Tri thức sư phạm là tầng quyết định: một nghiên cứu xuyên cấp độ về giáo dục AI ở trung học Shen và cộng sự, 2026. Năng lực quyết định kết quả là năng lực mà các chương trình đào tạo đầu tư ít nhất.

Khái niệm liên quan

Bài viết liên quan

FAQ liên quan

Tài nguyên liên quan

  • Claw-ED
    A local-first AI teaching assistant that turns your own curriculum into editable lesson drafts, student materials, and slides using a model you choose.
  • EduGems
    A growing library of pre-made Google Gemini 'Gems': shareable, pre-written prompts for planning, feedback, forms, images and AI-use reflection.
  • 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.
  • TeacherServer
    A large free library of single-purpose teaching generators for K-12 teachers and college faculty: lesson plans, worksheets, IEP goals, rubrics, case studies, math problems.

Siêu dữ liệu

Cấp độK 12, Higher Ed
Đối tượng dự kiếnFaculty Developers, Learners, Instructors
Học tập và giảng dạySelf-Efficacy
Công nghệ và kỹ thuậtGenerative AI, Intelligent Tutoring, Large Language Models (LLMs)
Công bằng, đạo đức và sử dụng có trách nhiệmEquity
Nền tảng về AI trong giáo dụcNăng lực AI (AI Literacy), Phát triển giáo dục, Giảng dạy
NguồnLịch sửSửaTrò chuyện

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.