Cơ sở tri thức AIEdAIEd KB
Trên trang này

Đọc trang này bằng tiếng Anh

Khái niệm

Kiến thức Nội dung Sư phạm Công nghệ (TPACK)

Ngày tạo 2026-08-14 · Ngày cập nhật 2026-11-08

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

Kiến thức Nội dung Sư phạm Công nghệ (TPACK) — khuôn khổ (Mishra & Koehler, 2006) mô tả kiến thức tích hợp mà giáo viên cần để sử dụng công nghệ hiệu quả trong giảng dạy: sự tương tác giữa Kiến thức Công nghệ (TK), Kiến thức Sư phạm (PK) và Kiến thức Nội dung (CK), cùng các giao điểm của chúng. Trong kỷ nguyên AI, TPACK đã được mở rộng thành AI-TPACK / GenAI-TPACK, mô hình hóa cách giáo viên tích hợp AI sinh tạo vào việc giảng dạy theo lĩnh vực nội dung. Đây là lăng kính lý thuyết chiếm ưu thế để hiểu cách năng lực AI của giáo viên được cấu trúc và được xây dựng qua phát triển chuyên môn.

Sự chiếm ưu thế đó một phần cũng là một tạo tác của việc truy xuất: trong một tổng quan phạm vi PRISMA trên 195 nghiên cứu giáo dục giáo viên có công nghệ hỗ trợ, năng lực số, TPACK và DigCompEdu là những mô tả tìm kiếm tường minh, nên tỷ lệ 46.5% các khuôn khổ năng lực mô tả tập hợp được truy xuất chứ không mô tả lĩnh vực (Patiño Hernández và cộng sự (2026)).

Những câu hỏi cần cân nhắc

  • TPACK cho rằng giảng dạy hiệu quả với công nghệ không phải là tổng của những kỹ năng riêng lẻ (biết môn học + biết cách dạy + biết công cụ) mà là sản phẩm của sự tương tác giữa chúng. Hãy nghĩ về một bài học thực sự hiệu quả với một công nghệ. Những tổ hợp nào giữa kiến thức nội dung, sư phạm và công nghệ — chứ không phải bất kỳ một loại nào riêng lẻ — dường như đã làm nên công việc?
  • Một giả định phổ biến là giáo viên 'giỏi công nghệ' thì đương nhiên sẵn sàng dạy với AI. Giả định đó có thể sai ở đâu — chẳng hạn, khi một giáo viên thành thạo kỹ thuật vẫn dùng AI theo cách hời hợt về sư phạm hoặc thiếu chính xác về nội dung? 'Năng lực' sẽ trông như thế nào mà một bài kiểm tra kỹ năng công nghệ đơn giản bỏ sót?
  • Kỷ nguyên AI định khung lại thành tố công nghệ trong TPACK từ một công cụ thụ động thành một tác nhân chủ động có thể lập kế hoạch, tạo sinh và dạy kèm. Nếu công việc của giáo viên chuyển từ vận hành một công cụ sang điều phối một AI tự hành động, thì điều đó đòi hỏi kiến thức mới nào — và liệu một danh sách kiểm tra tĩnh có nắm bắt được nó không?
  • Trang này gợi ý rằng phát triển chuyên môn nên huấn luyện các giao điểm, chứ không chỉ các công cụ. Hãy nghĩ về lần đào tạo công nghệ gần nhất mà bạn đã tham dự hoặc đã thiết kế. Nó chủ yếu là 'cách dùng phần mềm', hay nó xây dựng nội dung và sư phạm cùng với công nghệ? Cách tiếp cận nào bạn cho là sẽ thay đổi thực hành lớp học nhiều hơn, và vì sao?
  • Nghiên cứu phát hiện những 'nguyên mẫu giáo viên' khác nhau — người tối ưu hóa, người sáng tạo, người quan sát thụ động — hưởng lợi từ những kiểu hỗ trợ khác nhau. Bạn giống nguyên mẫu nào nhất khi dùng AI trong giảng dạy, và bạn nghĩ kiểu giàn giáo nào sẽ giúp bạn nhiều nhất? Liệu người học của bạn có mô tả bạn giống như bạn tự mô tả không?
  • Một số nhà nghiên cứu lập luận rằng việc tích hợp AI hiệu quả nảy sinh từ niềm tin và cảm giác tự hiệu quả của giáo viên, chứ không chỉ từ kiến thức của họ. Bạn tin điều gì về vai trò của AI trong việc học, và niềm tin đó — hơn cả kỹ năng kỹ thuật của bạn — có thể định hình việc bạn có tích hợp nó hay không và tích hợp như thế nào ra sao?

Giới thiệu

  • Crompton và cộng sự vận hành hóa bằng DBR những chuẩn tích hợp công nghệ cho giảng viên, mở rộng khuôn khổ TPACK vào thực hành thể chế.

Khuôn khổ

TPACK cho rằng tích hợp công nghệ hiệu quả không phải là tổng của những lĩnh vực kiến thức riêng lẻ mà là sản phẩm của sự tương tác năng động giữa chúng. Khuôn khổ gồm ba lĩnh vực nền và bốn giao điểm:

  • Kiến thức Nội dung (CK) — kiến thức về môn học cần dạy.
  • Kiến thức Sư phạm (PK) — kiến thức về phương pháp, chiến lược giảng dạy và cách sinh viên học.
  • Kiến thức Công nghệ (TK) — kiến thức về cách sử dụng công cụ và công nghệ, gồm AI sinh tạo.
  • Kiến thức Nội dung Sư phạm (PCK) — cách dạy một nội dung cụ thể một cách hiệu quả.
  • Kiến thức Nội dung Công nghệ (TCK) — cách công nghệ định hình và biểu diễn nội dung.
  • Kiến thức Sư phạm Công nghệ (TPK) — cách công nghệ hỗ trợ hoặc hạn chế các chiến lược giảng dạy.
  • TPACK — kiến thức tích hợp, nổi lên ở trung tâm, nơi cả ba lĩnh vực tương tác để cho phép việc giảng dạy gắn với nội dung và được công nghệ tăng cường.
  • Khuôn khổ chiếm ưu thế trong lĩnh vực một cách mặc định, và bị kéo giãn để vừa. Trong một tổng quan theo hướng dẫn PRISMA trên 78 nghiên cứu về thiết kế giảng dạy có AI hỗ trợ, chỉ 19 nghiên cứu áp dụng một khuôn khổ năng lực có tên — và TPACK cùng các biến thể của nó chiếm 17 trong số 19 trường hợp đó, được dùng hiệu quả như một lăng kính phân tích nhưng bị kéo ra ngoài phạm vi ban đầu, vì TPACK không được thiết kế cho những năng lực đặc thù AI. Các phần mở rộng được xây dựng riêng vì thế mà hiếm: Intelligent-TPACK chỉ xuất hiện trong năm nghiên cứu, thường ghép với năng lực AI để xử lý tiến trình phát triển (Spyropoulou & Kameas, 2026).
  • Nghiên cứu tiến hành mà không có lý thuyết trong khi các khuôn khổ chính sách không được kiểm chứng. Cùng tổng quan đó phát hiện 76% nghiên cứu suy ra năng lực từ thực hành mà không có ánh xạ lý thuyết nào, và cả DigCompEdu lẫn Khuôn khổ Năng lực AI cho Giáo viên của UNESCO đều không được áp dụng làm khuôn khổ phân tích trong bất kỳ nghiên cứu nào trong 78 nghiên cứu — một sự ngắt kết nối diễn ra theo cả hai hướng, vì công việc thực nghiệm không tích lũy được từ vựng chung trong khi những khuôn khổ được cho là hướng dẫn thực hành vẫn chưa được kiểm chứng thực nghiệm trong bối cảnh này.

AI-TPACK và GenAI-TPACK

Kỷ nguyên AI đã đẩy khuôn khổ này về phía một cách đọc công nghệ-có-trí-tuệ. Thay vì một công cụ thụ động, AI sinh tạo là một tác nhân chủ động có thể lập kế hoạch, tạo nội dung, dạy kèm và thích ứng — nên kiến thức tích hợp ngày càng bao gồm việc điều phối: quyết định khi nào và như thế nào AI hành động, dựng giàn giáo, hoặc nhường lại cho phán đoán của con người.

  • Vượt ra ngoài những kiến thức rời rạc. Nghiên cứu AI-TPACK lập luận rằng tích hợp AI hiệu quả không nảy sinh từ việc sở hữu những lĩnh vực riêng lẻ mà từ sự tương tác năng động giữa tư duy hệ thống, niềm tin sư phạm và tự hiệu quả — thách thức các mô hình tĩnh, dựa trên danh sách kiểm tra về năng lực AI của giáo viên. Các nguyên mẫu giáo viên (Người tối ưu hóa có hệ thống, Người sáng tạo dồi dào, Người quan sát thụ động) nảy sinh từ cách giáo viên thiết kế các quy trình giảng dạy đa tác tử.
  • Những gì các khuôn khổ tích hợp bỏ sót. Một phê phán theo hướng đồng quyền chủ động cho rằng TPACK và SAMR giải quyết kiến thức của giáo viên và các cấp độ chấp nhận nhưng để mặc quyền lực, quyền sở hữu dữ liệu và trách nhiệm giải trình, nên kiến thức tích hợp cần một ranh giới đạo đức tường minh chứ không phải thêm một lĩnh vực kiến thức nữa (Poudyal (2026)).
  • Bằng chứng xuyên cấp về hạt nhân sư phạm. Một nghiên cứu đa cấp trên 46 giáo viên và 2,832 học sinh trung học phát hiện kiến thức AI kỹ thuật đơn thuần là không đủ — thậm chí còn làm giảm nhẹ nhận thức của học sinh về AI vì lợi ích xã hội — trong khi kiến thức AI sư phạm (TPAIK) mới là thứ nuôi dưỡng nhận thức và ý định hành vi học AI của học sinh. Kết quả cô đọng thành hướng dẫn "sư phạm trước, công nghệ sau", vang vọng các phát hiện về vai trò trung gian nêu trên.
  • Đạo đức như một yếu tố trung gian tích hợp, không phải một ranh giới. Trong một khảo sát 454 giảng viên đại học, kiến thức công nghệ AI tách rời có liên hệ trực tiếp tiêu cực với AI-TPACK tích hợp (β = −0.303) trong khi tổng tác động của nó vẫn dương (β = 0.639), đi qua kiến thức sư phạm, nội dung và đạo đức (Chen và cộng sự (2026)). Kiến thức đạo đức cũng dẫn tác động đi tiếp, dự báo cả kiến thức sư phạm (β = 0.353) lẫn kiến thức nội dung (β = 0.269).
  • Một lăng kính tổng quan cho toàn lĩnh vực. Một tổng quan hệ thống từ góc nhìn TPACK (Liu & Zhong, 2025) phân tích 71 nghiên cứu thực nghiệm về GenAI trong việc học của sinh viên, phát hiện một hiệu ứng dương tổng thể (Hedges' g = 0.752) và xác định năng lực GenAI cho sinh viên cùng phát triển chuyên môn GenAI-TPACK cho giáo viên là hai ưu tiên then chốt của lĩnh vực.
  • Sự thành thạo đơn thuần không dự báo được tích hợp sư phạm. Choi và cộng sự (2026) đo Intelligent-TPACK của giáo viên để phân nhóm người tham gia và quan sát thấy ngay cả những người mới thành thạo AI cũng dựa vào đầu ra của AI một cách thụ động khi thiết kế bài học, trong khi những giáo viên giàu kinh nghiệm — có AI-TPACK đo được thấp hơn — lại tham gia lại một cách phản biện và điều chỉnh các gợi ý của AI cho phù hợp bối cảnh sư phạm. Kết quả củng cố kiểu mẫu ở trên: AI-TPACK chuyển thành việc sử dụng lớp học hợp lý qua phán đoán sư phạm giàu kinh nghiệm, và vì thế sự hỗ trợ của giáo dục giáo viên phải nhắm vào việc áp dụng kiến thức AI, chứ không phải việc sở hữu nó đơn thuần.
  • Bối cảnh giáo dục giáo viên. TPACK là công cụ hữu ích trong việc bồi dưỡng năng lực của giáo viên để tích hợp công nghệ vào giảng dạy gắn với chương trình cụ thể, đó là lý do nghiên cứu về giáo dục giáo viên và phát triển chuyên môn (ví dụ các chương trình phát triển chuyên môn GenAI chuyên sâu, mức sẵn sàng AI-TPACK của giáo viên toán trước khi vào nghề) ngày càng đo nó như kết quả quan tâm chính.
  • Kiến thức sư phạm làm trung gian cho việc tích hợp GenAI. Mohebi và ElSayary (2026) khảo sát 325 giáo viên đang tại chức ở 26 quốc gia và phỏng vấn bảy người, dùng một thiết kế phương pháp hỗn hợp tuần tự giải thích để mô hình hóa TPACK-GenAI. Kiến thức Công nghệ (TK), Kiến thức Sư phạm (PK) và Kiến thức Nội dung Sư phạm (PCK) đều liên hệ với TPACK-GenAI tổng thể, nhưng Kiến thức Sư phạm Công nghệ (TPK) làm trung gian cho các liên kết này — bằng chứng rằng bước chuyển "từ thành thạo đến sư phạm" là quan trọng: việc chuyển kỹ năng GenAI thành sử dụng lớp học hợp lý đi qua kiến thức tích hợp sư phạm–công nghệ, chứ không chỉ qua sự quen thuộc với công cụ.
  • Trong giáo dục đại học, chuyên môn nội dung không chuyển di thành tích hợp GenAI. Sutedjo, Chowdhury & Liu (2026) chuyển thể công cụ TPACK-21 để khảo sát 127 giảng viên tại một đại học nghiên cứu ở Hoa Kỳ về việc dùng GenAI để dạy các kỹ năng thế kỷ 21. Giảng viên tự báo cáo CK mạnh (M = 5.15) và PCK (M = 4.70) nhưng kiến thức tích hợp công nghệ thấp — TPK (M = 2.62), TCK (M = 2.75), và TPACK tổng thể (M = 2.55, lĩnh vực thấp nhất) — và CK không tương quan có ý nghĩa với TK hay bất kỳ lĩnh vực tích hợp công nghệ nào (r = .11–.15, ns). Ba lĩnh vực tích hợp công nghệ tương quan với nhau mạnh đến mức (r = .81–.91) chúng có thể đang hoạt động như một nhân tố tích hợp GenAI duy nhất. Kết quả củng cố nguyên tắc thiết kế huấn luyện các giao điểm: phát triển giảng viên phải chủ động xây dựng kiến thức tích hợp GenAI qua các hoạt động đặc thù ngành học thay vì giả định rằng chuyên môn môn học sẽ tự chuyển sang, và phải coi các lĩnh vực tích hợp công nghệ như một nền tảng năng lực GenAI dùng chung.
  • Hình thức thể chế và mức độ đào tạo tương tác với nhau. Mnguni và cộng sự (2026) so sánh 186 giáo sinh khoa học năm cuối tại một đại học cơ sở ở Nam Phi (n = 85) và một đại học giáo dục từ xa (n = 97). TPACK tự báo cáo cao hơn ở cơ sở chính (64.0% so với 47.4%), Kiến thức Sư phạm là lĩnh vực được báo cáo ít nhất ở cả hai nhóm (53% ở cơ sở chính), và mức độ đào tạo AI chỉ liên hệ với TPACK tự báo cáo ở cơ sở từ xa, nơi việc hoàn thành một khóa ngắn năm tín chỉ dự báo TPACK được báo cáo yếu hơn so với không được đào tạo gì (p = .039, so với p = .607 ở cơ sở chính). Sự sẵn sàng vì thế đi theo bối cảnh cung ứng của thể chế chứ không chỉ theo số giờ đào tạo, và các tác giả cảnh báo rằng sự sẵn sàng tự báo cáo không thể thay thế bằng chứng về hiệu năng.

Một cảnh báo đo lường bổ sung đến từ Mô hình Năng lực–Quyết định của cùng tác giả: khi TPACK được tự báo cáo và nhận thức kiểm soát hành vi được đo bằng tự hiệu quả, hai thứ này có thể không phân biệt được về mặt thực nghiệm, nên một nghiên cứu không thể biết liệu năng lực hay sự tự tin tổng quát mới là thứ dự báo ý định (Mnguni (2026)).

  • TPACK tích hợp chuyển dịch nhiều nhất khi AI được dựng giàn giáo bên trong các nhiệm vụ dựa trên vấn đề đích thực. Chen và Osman (2026) so sánh một mô-đun CTD-PBL tám tuần có AI hỗ trợ với giảng dạy thông thường trên 130 giáo sinh vật lý năm thứ ba trong một thiết kế bán thực nghiệm với lớp nguyên vẹn (65 mỗi điều kiện), trong đó các nhóm dùng DeepSeek qua các mẫu prompt đặc thù nhiệm vụ và mọi đầu ra của AI đều phải qua kiểm chứng của con người trước khi được đưa vào một sản phẩm giảng dạy. Nhóm dùng mô-đun báo cáo TPACK sau kiểm tra cao hơn (M = 4.04 so với 3.40, p < 0.001, d = 1.02) và nhận thức về giải quyết vấn đề cộng tác cao hơn (M = 3.62 so với 3.05, d = 0.88), với tương tác nhóm × thời gian có ý nghĩa ở cả hai kết quả. Nơi các mức tăng rơi vào mới là chi tiết liên quan đến TPACK: các hiệu ứng theo chiều lớn nhất nằm ở những lĩnh vực tích hợp — TPCK (d = 1.21), PCK (d = 1.06) và TPK (d = 0.95) — và mức tăng về cộng tác rõ nhất ở việc cùng xây dựng tri thức và điều tiết xã hội, tức là ở các giao điểm chứ không phải các lĩnh vực nền. Các tác giả trình bày đây là sự thay đổi khác biệt gắn với một điều kiện giảng dạy tích hợp, không phải một hiệu ứng AI: AI chưa bao giờ được tách khỏi chuỗi nhiệm vụ PBL, cộng tác có cấu trúc, giàn giáo của giảng viên, phản hồi đồng đẳng hay việc sửa đổi có phản tư, và cả hai kết quả đều là nhận thức về năng lực dựa trên bảng hỏi chứ không phải hiệu năng lớp học được thể hiện.
  • Một can thiệp có thể làm chuyển lĩnh vực nền trước. Một chương trình phát triển chuyên môn sáu tháng xây trực tiếp trên khuôn khổ Intelligent-TPACK làm tăng kiến thức AI kỹ thuật nhiều nhất (AITK: 3.92 lên 4.43, t(63) = 3.856, p < .001, d = .48), tiếp theo là kiến thức sư phạm–công nghệ (AITPK: d = .33) và tích hợp AITPACK ít nhất (d = .26), trong khi nhận thức đạo đức tương đối trì trệ (Tan, Cheng & Ling, 2025). Thứ tự này là hình ảnh phản chiếu của các mức tăng ở lĩnh vực tích hợp mà Chen và Osman tìm thấy, và cả hai đều là tự báo cáo.

AI-TPACK như yếu tố trung gian giữa năng lực và tích hợp lớp học. Một mô hình phương trình cấu trúc trên giáo sinh khoa học Trung Quốc (Zou, Li, Wang & Du, 2026) định vị AI-TPACK không phải như một năng lực song song mà như cơ chế truyền dẫn qua đó năng lực AI tổng quát trở thành thực hành giảng dạy. Năng lực AI dự báo AI-TPACK mạnh, AI-TPACK lại dự báo giảng dạy khoa học Self-Efficacy, và tự hiệu quả giảng dạy là yếu tố dự báo đơn lẻ mạnh nhất cho ý định dạy qua tìm hiểu dựa trên câu hỏi tích hợp AI.

Toàn bộ chuỗi nối tiếp (năng lực AI → AI-TPACK → tự hiệu quả → ý định) có ý nghĩa, cũng như các lộ trình gián tiếp riêng rẽ qua AI-TPACK và qua tự hiệu quả; gộp lại, phần lớn liên hệ giữa năng lực AI và ý định đi qua các yếu tố trung gian này chứ không đi trực tiếp, và kết quả vẫn giữ sau khi kiểm soát giới tính, năm học, ngành học và tần suất dùng AI. Khẳng định thực tiễn của mô hình là một trình tự có điểm vào: năng lực AI là cần nhưng chưa đủ, và công việc tích hợp diễn ra ở nơi kiến thức công nghệ, sư phạm và nội dung được kết hợp — cũng là nơi sự tự tin của giáo viên trong việc dạy môn học được xây dựng.

  • Kiểm chứng như một năng lực thứ tư. Orhon, Cekerol và Ugur (2026) mở rộng mô hình bằng Kiến thức Kiểm chứng AI — việc đưa đầu ra xác suất của AI qua kiểm chứng đặc thù ngành học trước khi coi nó là bằng chứng cho một quyết định hợp lệ — và ghép nó với một rubric định hướng quá trình cho giáo dục thiết kế.

Vì sao điều này quan trọng trong giáo dục AI

TPACK là khuôn khổ tổ chức cho phía giáo viên trong nền tảng bằng chứng của cơ sở kiến thức này. Nó giải thích vì sao năng lực AI của giáo viên không chỉ là sự trôi chảy với công cụ: giáo viên phải tích hợp kiến thức công nghệ, sư phạm và nội dung với nhau để biến AI thành kết quả học tập. Trang Năng lực AI của giáo viên của cơ sở kiến thức đề cập các chiều năng lực; TPACK là cấu trúc kiến thức nằm bên dưới chúng. Nghiên cứu về sự tự tin của giáo viên, phát triển chuyên môn và vai trò giáo viên đang biến đổi đều vận hành bên trong (hoặc chống lại) khuôn khổ này. Khuôn khổ nay đang được mở rộng để đánh giá toàn bộ chương trình: Wu & Li (2026) xây dựng một hệ thống đánh giá AHP-Fuzzy-AHP cho các chương trình chứng chỉ AI trên các chiều TPACK và phát hiện năng lực chuyên môn của giảng viên — chứ không phải hạ tầng kỹ thuật — là khoảng cách lớn nhất giữa ưu tiên của chuyên gia và cung ứng hiện tại, cho thấy việc cấp chứng chỉ nên đầu tư vào năng lực sư phạm tích hợp của giáo viên.

Sự trung gian phần lớn đi qua tính dễ dùng. Zhao (2026) kiểm chứng sáu lộ trình gián tiếp từ năng lực AI và TPACK đến học tập sâu ở 423 giáo sinh: TPACK qua tính dễ dùng được nhận thức là lớn nhất (0.212) và năng lực AI qua tính hữu ích là nhỏ nhất (0.033), nên kiến thức tích hợp vận hành qua khả năng sử dụng chứ không qua tính hữu dụng. Các thành phần không có trọng số ngang nhau trong trường hợp AI. Trên 988 giáo sinh, TCK (β = 0.67) và TPK (β = 0.41) dự báo AI-TPACK tích hợp trong khi TK đơn thuần thì không (β = −0.10, p = 0.066), và TPACK tích hợp dự báo thái độ đối với GenAI (β = 0.75) (Khalil và cộng sự, 2026).

Hàm ý thiết kế

  1. Huấn luyện các giao điểm, không chỉ các công cụ. Phát triển chuyên môn nên xây dựng kiến thức công nghệ, sư phạm và nội dung cùng nhau thay vì cung cấp đào tạo công cụ tách rời — nguyên tắc thiết kế cốt lõi của TPACK.
  2. Coi AI là một tác nhân, không phải một thiết bị gia dụng. AI-TPACK mở rộng khuôn khổ về phía việc điều phối các tác tử AI, đòi hỏi tư duy hệ thống và phán đoán sư phạm về thời điểm AI nên hành động.
  3. Phân hóa phát triển chuyên môn theo hồ sơ giáo viên. Các nguyên mẫu giáo viên khác nhau (người tối ưu hóa, người sáng tạo, người quan sát) hưởng lợi từ kiểu giàn giáo khác nhau — lần lượt là khuôn khổ nâng cao, phản hồi nhanh, hoặc làm mẫu tường minh.
  4. Đánh giá năng lực tích hợp. Các kết quả định hướng TPACK (ví dụ mức tăng AI-PCK) nên được đo như năng lực tích hợp, chứ không phải sự quen thuộc công cụ tự báo cáo.

Những hiểu lầm phổ biến

  • "Sự chiếm ưu thế của TPACK phản ánh sức giải thích của nó." Sự chiếm ưu thế đó một phần là một tạo tác của việc truy xuất: trong một tổng quan phạm vi PRISMA trên 195 nghiên cứu giáo dục giáo viên có công nghệ hỗ trợ, năng lực số, TPACK và DigComp chi phối tài liệu được lập chỉ mục. Việc xuất hiện nhiều trong một tìm kiếm là thuộc tính của từ vựng mà lĩnh vực dùng, không phải bằng chứng rằng khuôn khổ giải thích được nhiều hơn.
  • "Một khuôn khổ nổi tiếng là một khuôn khổ đã được kiểm chứng cho AI." TPACK không được thiết kế cho những năng lực đặc thù AI, đó là lý do Intelligent-TPACK được phát triển — và nó chỉ xuất hiện trong năm nghiên cứu trong tổng quan 78 nghiên cứu. Dùng TPACK cho năng lực GenAI là kéo nó ra ngoài phạm vi mà nó được xây dựng.
  • "Áp dụng một khuôn khổ nghĩa là nghiên cứu đã có lý thuyết." Cùng tổng quan đó phát hiện 76% nghiên cứu suy ra năng lực từ thực hành mà không có ánh xạ lý thuyết nào, nên sự hiện diện của TPACK trong lĩnh vực song hành với việc phần lớn nghiên cứu không có lý thuyết. Một khuôn khổ được gọi tên không giống với một khuôn khổ đang làm việc.

Khái niệm liên quan

Bài viết liên quan

FAQ liên quan

Siêu dữ liệu

Đối tượng dự kiếnFaculty Developers, Instructors
Công nghệ và kỹ thuậtGenerative AI
Nền tảng về AI trong giáo dụcNăng lực AI (AI Literacy), Thiết kế chương trình, Phát triển giáo dục, Thiết kế học tập, Giảng dạy, Kiến thức Nội dung Sư phạm Công nghệ (TPACK), Năng lực AI của giáo viên
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.