Phát triển lý thuyết trong AI trong giáo dục

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

Phát triển lý thuyết trong AI trong giáo dục — công việc học thuật nhằm tạo ra, thúc đẩy và xem xét phê phán các lý thuyết và khuôn khổ khái niệm giải thích cách người học, giáo viên và các hệ thống AI tương tác. Khi AI sinh tạo định hình lại giáo dục, lĩnh vực vừa đề xuất những lý thuyết mới về học tập cùng AI, vừa làm lại các lý thuyết học tập đã được thiết lập — trong khi một điểm yếu đã được ghi nhận trong việc sử dụng lý thuyết vẫn là hạn chế xuyên suốt của nghiên cứu AIEd.

Những câu hỏi cần cân nhắc

Chúng ta thường nói về việc 'áp dụng một lý thuyết' vào AI trong giáo dục, nhưng trang này hỏi liệu lĩnh vực có thực sự đang phát minh ra lý thuyết mới hay không. Trước khi đọc tiếp: khi một khuôn khổ quen thuộc (như thuyết hành vi hay thuyết kiến tạo) được kéo giãn để bao phủ AI sinh tạo, nó có thể làm đúng điều gì, và có thể âm thầm bóp méo điều gì?
Hãy nhớ lại một lần bạn dùng AI và cảm thấy hiểu biết của mình lớn lên — hoặc ngược lại. Sự khác biệt giữa 'học cùng một công cụ' và 'cùng kiến tạo tri thức với một cỗ máy' là gì? Bạn sẽ vẽ ranh giới đó ở đâu, và liệu nói rằng cỗ máy là một đồng tác tử có hợp lý không?
Nhiều nghiên cứu giáo dục AI bị phê bình vì sử dụng lý thuyết yếu hoặc không dùng. Nếu bạn đọc một nghiên cứu cho thấy một công cụ AI 'có hiệu quả', nó cần cho bạn biết điều gì về lý do và cách thức nó hiệu quả trước khi bạn gọi phát hiện đó là có ý nghĩa lý thuyết, chứ không chỉ là một độ lớn hiệu ứng?
Một lý thuyết được đề xuất cho rằng sinh viên bản địa AI đánh giá quá cao việc học của mình vì AI thổi phồng hiệu năng của họ. Bạn đã bao giờ thấy mình hoặc người khác cảm thấy giỏi hơn sau khi dùng AI nhiều so với điều họ thực sự có thể thể hiện khi không có nó chưa? Bằng chứng mạnh nhất cho thấy đây là một hiện tượng thật, chứ không chỉ là một tạo tác của một nghiên cứu, sẽ là gì?
Trang này phân biệt lý thuyết (giải thích cơ chế của việc học) với triết học (đặt câu hỏi việc học và tâm trí về cơ bản là gì). Trong tư duy của chính bạn về AI, bạn thấy mình chuyển giữa hai bên ở đâu — chẳng hạn, không chỉ hỏi liệu một khuôn khổ giải thích việc học tốt đến đâu, mà còn hỏi liệu nó có nắm bắt được việc học thực sự là gì?
Những lý thuyết mới đang xuất hiện — thuyết tạo sinh, đồng quyền chủ động tri thức luận, tri thức chung. Với tư cách người đọc, điều gì sẽ thuyết phục bạn rằng một trong số chúng là một bước tiến thực sự chứ không phải việc dán nhãn thời thượng cho những ý tưởng cũ? Hãy đặt tiêu chuẩn của riêng bạn cho điều mà một lý thuyết tốt về học tập cùng AI cần giải thích được.

Giới thiệu

Phát triển lý thuyết trong AIEd nằm ở ranh giới giữa các lý thuyết học tập ứng dụng mà lĩnh vực dựa vào và những cấu trúc mới mà kỷ nguyên AI đang sản sinh. Nếu Learning Theories lập danh mục các lý thuyết đã được thiết lập và được áp dụng vào AI (thuyết hành vi, thuyết kiến tạo, tải nhận thức, tự quyết, v.v.), thì khái niệm này theo dõi quá trình và sản phẩm của chính việc lý thuyết hóa: những lý thuyết và khuôn khổ mới nào đang ra đời, các lý thuyết đã được thiết lập đang được thúc đẩy ra sao, và câu hỏi phương pháp luận về việc nghiên cứu AIEd có lý thuyết hóa tốt hay không.

Một khuôn khổ tự xác định điều kiện so sánh của nó. Nakamura (2026) coi việc phân chia lao động nhận thức là đơn vị giải thích, đặt các thao tác trên một liên tục ngoại vi–cấu thành có thứ bậc, gọi tên điều kiện so sánh mà dựa vào đó sự tăng cường và sự bào mòn được định nghĩa, và rút ra bảy mệnh đề có thể kiểm chứng có điều kiện (Nakamura, 2026). Bởi vì các mệnh đề dự báo sự khác biệt giữa các cấu hình, một nghiên cứu chỉ báo cáo một hiệu ứng trung bình không thể xác nhận hay bác bỏ chúng.

Những lý thuyết mới về học tập cùng AI

Một cụm bài viết đang lớn dần tạo ra lý thuyết mới cho kỷ nguyên AI một cách tường minh, thay vì áp dụng các khung sẵn có:

Thuyết tạo sinh. Thuyết tạo sinh được đề xuất như một lý thuyết học tập mới, lập luận rằng thuyết hành vi, thuyết nhận thức, thuyết kiến tạo và thuyết kết nối đều dựa trên một giả định mà AI sinh tạo phá vỡ: rằng đầu ra quan sát được chứng nhận việc học (thuyết hành vi), rằng các thao tác nhận thức diễn ra bên trong người học (thuyết nhận thức), rằng ý nghĩa được kiến tạo chứ không được cung cấp sẵn (thuyết kiến tạo), và rằng phần khó là điều hướng đến tri thức sẵn có chứ không phải tạo ra nó (thuyết kết nối). Nó gọi tên bốn cấu trúc — quan hệ đối tác tri thức luận, quyền chủ động phân tán, năng lực tạo sinh và siêu nhận thức thích ứng — và rút ra một chỉ báo đánh giá cho mỗi cấu trúc, một nỗ lực trực tiếp nhằm gọi tên một hệ hình lý thuyết riêng cho việc học qua trung giới AI. Điều nó không làm là nêu ra những mệnh đề có thể thất bại: đây là một bài viết lập trường tổng hợp bằng chứng sẵn có, nên khác với Thuyết tác tử dưới đây, nó cung cấp một từ vựng và một chương trình đo lường chứ không phải một lý thuyết có thể bác bỏ.
Sự kết nối AI. Fu và Zhao (2026) tái kiến tạo khái niệm kết nối cho kỷ nguyên AI qua đạo đức học quan tâm và lý thuyết tân sinh thái, định nghĩa "sự kết nối trí tuệ nhân tạo" là một mối liên kết có thật về mặt tâm lý nhưng bất đối xứng về mặt đạo đức, với ba chiều và sáu mệnh đề có thể bác bỏ đang chờ phát triển thang đo.

Lập trường tổng hợp bổ sung một đề xuất cạnh tranh có nêu mệnh đề: nó gọi tên thăng tiến tổng hợp và đình chỉ quyền tác giả — một cái tôi được cất tiếng dày đặc nhưng không có tác giả — và dự báo một tương tác giao thoa, trong đó điểm số về quyền tác giả và về tính mạch lạc của một câu chuyện quyết định trong đời đi theo hai hướng ngược nhau (Du và cộng sự (2026)).

Thuyết tác tử. Yan và Gašević (2026) đề xuất Thuyết tác tử như một lý thuyết học tập tầm trung cho tương tác người–AI, định nghĩa việc học là sự lớn lên bền vững của năng lực con người chứ không phải việc hoàn thành nhiệm vụ thành công với AI, và nêu bốn cơ chế: ủy thác quyền chủ động, giám sát và xác minh tri thức luận, nội hóa tái kiến tạo, và chuyển di dưới sự hỗ trợ giảm bớt. Điều tách nó khỏi các đề xuất khác trên trang này là khả năng bác bỏ: nó nêu sáu mệnh đề, trong đó có mệnh đề rằng việc học mạnh hơn khi AI giữ lại cho người học trách nhiệm định khung vấn đề, đặt tiêu chí và biện giải, so với khi AI cung cấp sẵn câu trả lời. Nó cũng cho rằng việc yêu cầu xác minh sẽ cải thiện hiệu năng trì hoãn, trong khi việc ủy thác lặp lại với ít ma sát mà không tái kiến tạo sẽ làm yếu khả năng hiệu chuẩn năng lực của chính người học.

Việc lý thuyết hóa phía giáo viên nay cũng cam kết về khả năng kiểm chứng như vậy: Mô hình Năng lực–Quyết định xếp năng lực AI-TPACK ở thượng nguồn so với thái độ và nhận thức kiểm soát hành vi, và nêu bốn điều kiện phủ định — thất bại trung gian, sụp đổ phân biệt, vô hiệu điều tiết và dư thừa bối cảnh — dù mô hình vẫn chưa được kiểm chứng (Mnguni (2026)).

Đồng quyền chủ động tri thức luận. Học cùng máy xây dựng "hướng tới một lý thuyết về đồng quyền chủ động tri thức luận", một mô hình được lý thuyết soi sáng về cách người học và các hệ thống GenAI cùng nhau tạo ra tri thức và hiểu biết.
Chu trình đối tác nhận thức. Page (2026) đề xuất Chu trình Đối tác Nhận thức, một mô hình đệ quy sáu pha — Câu hỏi của Con người, Mở rộng bằng AI, Phản tư của Con người, Tích hợp, Sửa đổi, và Câu hỏi mới — đặt việc học vào sự thay đổi vị thế nhận thức của người học chứ không vào độ tinh vi của prompt, và gọi tên bốn kiểu thất bại trong đó cùng một vòng đệ quy ấy lại thay thế hoặc bóp méo tư duy.
Đường cơ sở nhận thức vắng mặt (ACB). Đường cơ sở nhận thức vắng mặt lý thuyết hóa một khoảng trống cấu trúc trong tự đánh giá học thuật của sinh viên bản địa AI — một khuôn khổ ba chiều giải thích vì sao sinh viên đánh giá quá cao việc học của mình khi AI thổi phồng hiệu năng.
Tri thức chung. Tri thức chung và tái tạo chuyên môn dựa trên lý thuyết tài nguyên dùng chung và nhận thức phân tán để giải thích cách những quyết định chấp nhận AI hợp lý có thể làm cạn kiệt nguồn chuyên môn chung mà các ngành nghề cần để tự tái tạo.
Hiệu năng so với việc học. Hiệu năng so với việc học lý thuyết hóa sự phân kỳ sắc nét giữa hiệu năng nhiệm vụ được AI thổi phồng và việc học bền vững, một phân biệt tái diễn khắp bằng chứng về Learning Gains trong cơ sở kiến thức này.
Năng lực AI tri thức luận (EAIL). Năng lực AI tri thức luận định khung lại năng lực AI như một năng lực tri thức luận định hướng quá trình, lấy trọng tâm là cách tri thức được kiến tạo và biện giải khi sinh viên cùng lập trình với AI sinh tạo.
Lý thuyết Ba Hệ. Shaw và Nave (2026) mở rộng các cách lý giải hai quá trình bằng Hệ 3 — lý luận bên ngoài, tự động, dựa trên dữ liệu từ AI, có thể bổ sung, thay thế hoặc đè nén Hệ 1 và Hệ 2 — và gọi tên đầu hàng nhận thức, việc chấp nhận đầu ra của AI một cách thiếu phản biện, như kiểu thất bại đặc trưng của nó.
Quản trị nhận thức. Chứng chỉ và quản trị nhận thức lý thuyết hóa trách nhiệm thể chế trong việc bảo vệ tri thức và việc học trong các bối cảnh đánh giá thấm đẫm AI.
Đồng điều tiết và tính chủ động tri thức luận. AI như một đối tác nhận thức trong đồng điều tiết tích hợp chức năng điều hành, siêu nhận thức, nhận thức phân tán và phát triển văn hóa – xã hội thành một mô hình phát triển; tính chủ động tri thức luận lý thuyết hóa lập trường tác tử của sinh viên đối với AI trong toán học.
Các hệ hình tham gia người–GAI. Strydom (2026) giải quyết "khoảng thiếu lý thuyết" của lĩnh vực bằng cách neo bảy hệ hình tham gia người–GAI đang được hiện thực hóa (phòng thủ, hướng khả năng, tăng cường, tiên phong, cộng sinh, dựa trên giá trị, công bằng) vào mô hình đa chiều của Schommer về những niềm tin tri thức luận cá nhân — một lý thuyết mang tính tri thức luận, chứ không hướng công cụ, về cách các cá nhân định vị bản thân khác nhau so với AI.
Khuôn khổ Đồng quyền chủ động Sinh thái. Poudyal (2026) lập luận rằng AI sinh tạo tái phân bổ quyền uy tri thức luận từ giáo viên sang sinh viên sang máy móc, và giới thiệu một khuôn khổ định nghĩa đồng quyền chủ động qua ba chiều phụ thuộc lẫn nhau — quan hệ, điều tiết (ánh xạ vào chu trình SRL), và sư phạm (liên tục chấp nhận của giáo viên) — tất cả bị ràng buộc bởi một điều kiện không thể thương lượng là trách nhiệm giải trình tri thức luận của con người (có thể phản biện, nguồn gốc, và không ủy thác công lao đạo đức/trí tuệ). Nó định vị quyền chủ động như một vấn đề thiết kế tri thức luận chứ không phải một mối bận tâm về khả năng sử dụng, mang lại cho các thể chế một ngôn ngữ chính xác hơn "cân bằng" để quản trị việc tích hợp GenAI.
Quyền chủ động tri thức luận quan hệ và sự phụ thuộc tri thức luận. Du & Yuan (2026) đóng góp một cách lý giải phê phán–tích hợp về khi nào sự dựa vào qua trung giới AI giữ lại phán đoán và khi nào nó thay thế phán đoán. Họ vận hành hóa ranh giới giữa dựa vào có ích và phụ thuộc có hại qua sáu tiêu chí chẩn đoán (có thể phản biện, có thể phục hồi, chuyển di, có thể truy vết, trách nhiệm phân tán, đa nguyên tri thức luận) và lần theo bốn lộ trình kỹ thuật – xã hội (quyền uy trôi chảy, ủy thác không ma sát, tổng hợp mờ đục, phụ thuộc được thể chế hóa). Đề xuất quy phạm của họ, quyền chủ động tri thức luận quan hệ, mở rộng các dòng tự chủ quan hệ và đồng quyền chủ động tri thức luận bằng cách giữ lại một bất đối xứng tường minh — AI có thể định hình lý luận mà không có trách nhiệm tương hỗ hay quyền uy hợp pháp — đồng thời tích hợp trách nhiệm và công bằng tri thức luận ở cấp thể chế. Như một lý thuyết về học tập cùng AI, nó chuyển câu hỏi của lĩnh vực từ việc AI giúp hay hại sang việc những hành động tri thức luận nào được giữ lại, được biến đổi hay bị thay thế, và nó biến thiết kế của sự phụ thuộc, chứ không chỉ việc sử dụng, thành đối tượng của can thiệp sư phạm và thể chế.

Đầu ra của mô hình được nâng lên vị thế tri thức tập thể mà không có bảo đảm cộng đồng mà vị thế đó đòi hỏi — điều mà Webb et al. (2026) gọi là pseudo-cPCK, và là lý do lĩnh vực này cần một cấu trúc lý thuyết mới thay vì một giao diện tốt hơn (Webb et al., 2026).

Thúc đẩy lý thuyết đã được thiết lập

Những công trình khác mở rộng lý thuyết sẵn có vào bối cảnh AI thay vì sáng lập hệ hình mới: công trình về nghịch lý tư duy phản biện tích hợp lý thuyết tải nhận thức với việc giảng dạy giảm tải thành một khuôn khổ ba cấp; đánh giá công bằng lý thuyết hóa lại đánh giá dưới sự gián đoạn của GenAI. Ba, Gašević, Lim & Anderson (2026) tái khái niệm hóa chính khuôn khổ Cộng đồng tìm hiểu: thay vì định khung GenAI như một công cụ, một đối tác đối thoại hay một "hiện diện thứ tư" mang tính suy đoán, họ định vị nó như một điều kiện tri thức luận tái cấu hình cách các hiện diện nhận thức, xã hội và giảng dạy được hiện thực hóa, được làm chứng cứ và được quản trị — tái định khung các hiện diện của CoI như những thành tựu kỹ thuật – xã hội của các cụm lắp ghép người–GenAI, và đề xuất một suy nghiệm dựa trên cấu hình, trong đó mức độ tham gia của GenAI và chất lượng tìm hiểu có quan hệ có điều kiện qua trách nhiệm giải trình của con người. Phần lớn đây là công trình khuôn khổ khái niệm (khuôn khổ cho trường kinh doanh, mô phỏng hợp lệ) vận hành hóa lý thuyết cho thực tiễn.

Lin và Chang (2026) mở rộng học tập tự điều chỉnh và sự điều tiết người–AI bằng cách gọi tên điều người học quản trị — các tiêu chuẩn, phán đoán đánh giá, và việc cấp quyền kiểm soát — thay vì chỉ điều AI làm.

Nghịch lý ma sát mang lại một phần mở rộng khác của lý thuyết đã được thiết lập: Gupta (2026) áp dụng khó khăn hữu ích của Bjork và Bjork cùng thất bại có ích của Kapur vào các cuộc gặp gỡ quan hệ trong giáo dục du học, lập luận rằng điều quan trọng là người học chuyển di bao nhiêu quyền chủ động diễn giải cho một trợ lý tạo sinh, chứ không phải họ dùng nó thường xuyên đến đâu. Khuôn khổ này mang tính khái niệm và nêu năm mệnh đề như những giả thuyết cạnh tranh.

Ranieri & Biagini (2026) thúc đẩy phân loại chức năng của lĩnh vực do Zawacki-Richter và cộng sự (2019) đề xuất: trong số 154 ấn phẩm có chức năng ứng dụng phân loại được, 90 ấn phẩm (58.4%) thoát ra khỏi bốn phạm trù của nó, và khuôn khổ của họ giao chức năng với quyền kiểm soát được ủy thác, vị thế tri thức luận và sư phạm nhúng.

An, McLaren và Stamper (2026) thúc đẩy ACT-R và khuôn khổ Knowledge-Learning-Instruction bằng cách lý thuyết hóa tổng quát hóa quá mức gây đánh lừa — một kiểu thất bại trong đó việc biên dịch tri thức tạo ra một luật sản xuất được tổng quát hóa quá mức, sinh ra những hành động đúng nhưng bỏ sót một ràng buộc áp dụng then chốt — và bằng cách kiểm chứng thực nghiệm một quy trình phát hiện/khắc phục trên các ITS thích ứng và một tập dữ liệu học số thập phân K-12.

Hậu hiện tượng học và trung giới công nghệ. Farazouli và cộng sự (2026) thúc đẩy khuôn khổ hậu hiện tượng học đã được thiết lập về trung giới công nghệ (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) vào bối cảnh AI trong giáo dục. Thay vì đề xuất một lý thuyết mới, họ áp dụng nó để tái khái niệm hóa các chatbot GAI như những vật thể công nghệ đa ổn định mà các "kịch bản" của chúng (phản hồi nhanh, văn bản nghe tự nhiên có thể đạt điểm qua môn) trung giới nhận thức của giáo viên và tái cấu hình thực hành của họ — làm lung lay sự tự tin của giáo viên, định hình lại ý nghĩa của năng lực, và đẩy giáo viên vượt khỏi những câu hỏi công cụ về việc sử dụng có thể chấp nhận được để đi tới việc đánh giá lại vai trò của mình và ý nghĩa của việc dạy. Đây là một đóng góp thúc đẩy lý thuyết: nó chứng minh cách một cách lý giải triết học về quan hệ người–công nghệ giải thích sự gián đoạn cảm xúc và nghề nghiệp mà giáo viên trải qua khi GAI bước vào thực hành giáo dục đã được thiết lập.

Một đóng góp khuôn khổ nữa là phân loại AI×Ed của Rismanchian & Doroudi, mở rộng "ba tương tác" ban đầu của Kahn (1977) theo hai trục — vai trò của AI (công cụ ứng dụng so với phép loại suy cho trí tuệ con người) và người dùng cuối (từ nhà nghiên cứu đến người học) — để định vị bất kỳ dự án AIED nào. Ngoài việc phân loại lĩnh vực, nó lập luận cho việc làm sống lại nhánh lý thuyết và nghiên cứu "AI như một phép loại suy cho trí tuệ con người", dùng các mô hình tính toán và mô hình dựa trên tác tử về việc học (ví dụ mô hình tính toán của chính họ về khuôn khổ ICAP) để bắc cầu giữa lý thuyết học tập đương đại và mô hình hóa tính toán — một hướng phương pháp luận mà lĩnh vực phần lớn đã từ bỏ khi chuyển sang công việc ứng dụng, dựa trên dữ liệu.

Triết học so sánh như một lộ trình tới đa nguyên lý thuyết. Xie (2026) mô hình hóa một lộ trình khác tới phát triển lý thuyết: thay vì lý thuyết hóa AI trong giáo dục từ bên trong một truyền thống, bài viết dàn dựng một cuộc đối thoại so sánh, trong đó mỗi truyền thống "làm hiện ra điều truyền thống kia che khuất", và tường minh từ chối tổng hợp chúng thành một khuôn khổ duy nhất — một cách tiếp cận coi đa nguyên lý thuyết là một lập trường phương pháp luận chứ không phải một bất đồng chưa giải quyết. Ông lập luận rằng các truyền thống phi phương Tây có thể làm nhiều hơn việc đa dạng hóa các cuộc tranh luận; chúng có thể định hình lại nền tảng khái niệm của lý thuyết AIED, tái kiến tạo "Đạo tính" (道性) của Đạo giáo, việc tu đạo (修道) và "Chân nhân" (真人) như những nguồn lực để nghĩ lại về quyền chủ động, các mục tiêu tri thức luận của giáo dục và hành động đạo đức trong những điều kiện qua trung giới AI. Ông cũng nêu rõ các giới hạn: đóng góp này là của một tác giả duy nhất, phi thực nghiệm, và cảnh báo rằng việc dịch chuyển như vậy đòi hỏi bối cảnh hóa để tránh lãng mạn hóa và chủ nghĩa Đông phương.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Vấn đề sử dụng lý thuyết trong AIEd

Việc lý thuyết hóa của lĩnh vực không đồng đều. Các hạn chế trong nghiên cứu AIEd ghi nhận rằng các nghiên cứu AIEd thường sử dụng lý thuyết một cách yếu ớt hoặc thiếu phản biện — một điểm yếu phương pháp luận tái diễn bên cạnh các khoảng trống về khả năng tái lập và đo lường. Các tổng quan thấy nhiều bài báo AIEd áp dụng lý thuyết hời hợt hoặc không áp dụng (ví dụ, các tổng quan tài liệu ghi nhận ít nghiên cứu neo can thiệp vào lý thuyết học tập). Điều này làm cho việc phát triển lý thuyết — và việc sử dụng lý thuyết — trở thành một mối bận tâm về chất lượng cũng như một sản phẩm học thuật, gắn với phương pháp nghiên cứu và AI Ed Evaluation.

Quan hệ với triết học AI trong giáo dục

Phát triển lý thuyết và triết học AI trong giáo dục là những nhánh bổ trợ nhưng khác biệt của công việc nền tảng trong cơ sở kiến thức này. Phát triển lý thuyết sản xuất và kiểm chứng thực nghiệm các cơ chế của việc học cùng AI — những lý thuyết và khuôn khổ được gọi tên như thuyết tạo sinh, đồng quyền chủ động tri thức luận, và đường cơ sở nhận thức vắng mặt, giải thích và dự báo cách người học và AI tương tác. Triết học tra vấn những tiền giả định mà các cơ chế đó dựa vào: điều gì được tính là tri thức, ai được tính là người biết, và người học về cơ bản là gì. Một lý thuyết như đồng quyền chủ động tri thức luận đề xuất một cơ chế trong khi ngầm tiếp nhận những cam kết triết học về nhận thức phân tán và quyền chủ động; triết học làm cho những cam kết đó trở nên tường minh và có thể tranh biện. Nếu phát triển lý thuyết hỏi liệu một khuôn khổ có giải thích việc học tốt không, triết học hỏi liệu nó có nắm bắt được việc học và tâm trí thực sự là gì — hai nhánh gặp nhau trong những bài viết nền tảng nhất của lĩnh vực, vốn thường làm cả hai cùng lúc.

Những hiểu lầm phổ biến

"Một phát hiện rằng công cụ có hiệu quả là một đóng góp lý thuyết." Không phải vậy, và lý do là cấu trúc. Khi các mệnh đề của một khuôn khổ dự báo sự khác biệt giữa các cấu hình, một nghiên cứu chỉ báo cáo một hiệu ứng trung bình không thể xác nhận hay bác bỏ chúng — thiết kế không nhìn thấy được phân biệt mà lý thuyết nói tới. Một thử nghiệm cho thấy mức tăng trung bình chỉ nói rằng có điều gì đó đã xảy ra, chứ không nói cơ chế nào gây ra nó, nên lý thuyết vẫn được nâng đỡ đúng bằng mức trước đó.

"Áp dụng một lý thuyết đã được thiết lập vào AI là phát triển lý thuyết." Chính vấn đề sử dụng lý thuyết trên trang này nói điều ngược lại: áp dụng không phải thúc đẩy, và kiểu mẫu tái diễn của lĩnh vực là những cấu trúc vay mượn được dùng như từ vựng thay vì như những dự báo có thể kiểm chứng. Sự phân biệt này quan trọng vì một khung vay mượn không tạo ra được khác biệt có thể bác bỏ chỉ là đồ trang trí, không phải lý thuyết.

"Các phân loại hiện có về chức năng sư phạm của AI đã bao phủ những gì các hệ thống này làm." Chúng không bao phủ phần lớn những gì các hệ thống này làm. Trong số 154 ấn phẩm có chức năng ứng dụng phân loại được, 90 ấn phẩm (58.4%) thoát ra khỏi bốn phạm trù của khuôn khổ trước đó, đó là lý do công trình mới hơn giao chức năng với quyền kiểm soát được ủy thác, vị thế tri thức luận và sư phạm nhúng. Một phân loại phân loại sai gần ba trong năm trường hợp không thể làm từ vựng chung cho lĩnh vực, và khoảng trống này là một phát hiện về hiện tượng chứ không phải một lỗ hổng trong một bài báo.

Hàm ý cho thực tiễn

Dành cho giảng viên và nhà thiết kế giảng dạy

Khi một nghiên cứu báo cáo một hiệu ứng trung bình, đừng coi đó là hướng dẫn cho cấu hình của bạn. Các khẳng định ở cấp lý thuyết nói về sự khác biệt giữa các cấu hình, và một con số trung bình không thể cho bạn biết bạn đang vận hành cấu hình nào.
Với bất kỳ khuôn khổ nào bạn chấp nhận, hãy hỏi liệu nó có dự báo một điều gì đó có thể hóa ra sai trong chính bối cảnh của bạn không. Nếu không, nó sẽ không giúp bạn quyết định được gì.
Hãy chờ đợi các phạm trù hiện có bỏ sót trường hợp của bạn; hơn một nửa số ấn phẩm được phân loại không khớp với cách chia bốn nhánh tiêu chuẩn.

Dành cho nhà phát triển

Hãy báo cáo các cấu hình thay vì một hiệu ứng tiêu đề duy nhất. Nếu thiết kế của bạn hiện thân một tổ hợp cụ thể giữa quyền kiểm soát được ủy thác và lập trường tri thức luận, hãy nói rõ — đó là đơn vị mà lý thuyết nói tới và là đơn vị mà một nhóm khác cần để tái lập.
Đừng tiếp thị một khẳng định về cơ chế dựa trên sức mạnh của một kết quả trung bình; loại bằng chứng mà cơ chế đòi hỏi là một tương phản, không phải một giá trị trung bình.

Dành cho nhà nghiên cứu

Hãy thiết kế để có các tương phản cấu hình nếu bạn định đóng góp về lý thuyết. Một thử nghiệm hiệu ứng trung bình được công bố như phát triển lý thuyết là sản phẩm phổ biến nhất và ít hữu ích nhất của lĩnh vực.
Hãy gắn những mệnh đề có thể bác bỏ một cách tường minh vào bất kỳ khuôn khổ nào bạn giới thiệu, và báo cáo những khác biệt cấu hình nào sẽ bác bỏ chúng.

Khái niệm liên quan

Siêu dữ liệu

Thiết kế nghiên cứu	Literature Review
Học tập và giảng dạy	Learning Theories
Phương pháp nghiên cứu và đánh giá	Research Methods in AIED
Nền tảng về AI trong giáo dục	AI trong Giáo dục, Những hạn chế trong nghiên cứu AIEd
Loại trang	Framework

Nguồn Lịch sử Sửa Trò chuyện