Làm sao để sinh viên không phụ thuộc quá mức vào AI?

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

Một sinh viên làm bài tập về nhà hoàn hảo rồi bỏ trắng nửa bài thi. Một người nộp báo cáo thí nghiệm mà không thể dẫn bạn đi qua từng bước, hoặc một khối mã không giải thích được từng dòng. Một đồng nghiệp muốn cấm công cụ trong khóa học năm nhất, và bạn đang cân nhắc điều đó gây tốn kém gì cho những sinh viên dựa vào nó nhiều nhất.

Điểm mấu chốt: phụ thuộc quá mức chủ yếu là một vấn đề về vị trí đặt công cụ. Những thiết kế làm giảm nó đều đặt nỗ lực của sinh viên lên trước công cụ, cấu hình AI để gợi ý thay vì trả lời, biến bước kiểm chứng thành một sản phẩm phải nộp, và giữ lại một thời điểm có chấm điểm mà công cụ không hiện diện.

Tóm tắt

1. Đặt ý tưởng, giả thuyết hoặc bản nháp thô của chính sinh viên trước mặt công cụ trước khi mở công cụ.

2. Cấu hình AI để gợi ý, đặt câu hỏi và đưa ví dụ ở mọi chỗ mà kỹ năng đích chính là thứ bạn chấm điểm.

3. Biến việc kiểm chứng thành một sản phẩm phải nộp có dòng riêng trên đề bài.

4. Giữ thời điểm chấm điểm không có công cụ, và so sánh phần việc có hỗ trợ với phần đó.

5. Đặt câu hỏi phản tư đúng vào giai đoạn của nhiệm vụ mà nó còn có thể thay đổi được.

6. Nhìn xem thiết kế của bạn bỏ lại ai phía sau, theo nền kiến thức chứ không theo mức trung bình.

Xác định xem bạn có vấn đề hay chỉ là dùng nhiều

Giảm tải nhận thức là việc chuyển một đòi hỏi nhận thức sang một công cụ bên ngoài, nhờ đó giải phóng nguồn lực tinh thần hạn chế cho công việc khác. Guo và Ye (2026) xem xét cấu trúc này qua mô hình siêu nhận thức động của Nelson và Naren, trong đó việc giám sát độ khó dẫn dắt quyết định giảm tải sang một chiến lược bên trong hoặc bên ngoài. Giảm tải là một lựa chọn tự điều chỉnh việc học, và thất bại đáng lo là sự lệch cân chỉnh; bản thân khối lượng sử dụng không nói lên nhiều điều.

Biswas (2026) mô hình hóa sự phụ thuộc thành ba hành động: tự giải một mình, chấp nhận câu trả lời của AI mà không kiểm chứng, hoặc dùng nó và kiểm chứng. Việc cân chỉnh thất bại theo cả hai hướng. Phụ thuộc quá mức là chấp nhận đầu ra sai, còn phụ thuộc dưới mức là vứt bỏ thứ AI hữu ích sau khi nó mắc lỗi. Phụ thuộc quá mức mang tính tập thể là một tập thể đã từ bỏ việc kiểm chứng, và vì phụ thuộc quá mức thô khác với hối tiếc, việc dùng nhiều vẫn tương thích với kết quả tốt. Sinh viên kiểm tra mọi câu trả lời của AI với tài liệu của bạn không phải là vấn đề của bạn. Người nộp bản nháp đầu tiên của mô hình mới là.

Lodge và Loble (2026) mô tả cơ chế này là “trôi chảy theo yêu cầu”: đầu ra mạch lạc, tự tin, đi vòng qua những khó khăn đáng mong muốn của việc truy xuất, khai triển và kiến tạo, vốn là con đường củng cố kiến thức. Nghịch lý hiệu suất của họ là: việc có hỗ trợ thì thấy trôi chảy và sinh viên thể hiện tốt ngay lúc đó nhưng ghi nhớ được ít hơn, điều họ gọi là ảo giác về năng lực. Họ đặt tên cho hiện tượng này là sự lười biếng siêu nhận thức (theo Fan và cộng sự 2024), khi sự tiện lợi cho phép người học từ bỏ những quy trình tự điều chỉnh mà họ cần phát triển.

Phân biệt hai điều đó trong khóa học của bạn đòi hỏi một phép so sánh chứ không phải một con số. Hãy tìm những bài làm tốt hơn bài làm trước đó của sinh viên và kém hơn phần giải thích của chính họ: một bài tập mạnh nhưng bài thi yếu, một báo cáo bóng bảy mà sinh viên không thảo luận được, một câu trả lời đúng mà không tái tạo được trên một bài tương tự. Không mẫu đơn lẻ nào chứng minh được điều gì. Hai hoặc ba mẫu cùng xuất hiện mới đủ căn cứ để đổi thiết kế.

Phần lớn những gì bạn đo được ở đây là tự báo cáo. Gerlich (2025) khảo sát 666 người tham gia tại Anh với 50 cuộc phỏng vấn và thấy việc dùng AI tương quan nghịch với tư duy phản biện (r = -0.68), trong đó giảm tải làm trung gian một phần (tổng hiệu ứng b = -0.42; hiệu ứng gián tiếp b = -0.25). Gao, Sun và Khan (2026) dùng dữ liệu khảo sát trễ ba đợt từ 623 sinh viên Trung Quốc cùng các cuộc phỏng vấn nhà giáo dục và thấy rằng việc dùng AI hiệu quả vừa nâng cao hiệu suất học tập bền vững vừa nâng cao mức phụ thuộc quá mức cùng một lúc. Cả hai thiết kế đều là tương quan, và cả hai đều nói rõ điều đó.

Các công cụ đo hành vi thì mỏng hơn. PAUSE (Alam, 2026) là một bảng tự kiểm tra chỉ chạy trên trình duyệt, không có bằng chứng về độ tin cậy hay hiệu lực, và chính các tác giả cảnh báo về hiệu lực của từng mục hỏi. Các mục hỏi ghi lại AI xuất hiện trong quy trình khi nào và bao nhiêu lần, không ghi lại việc lập luận của chính sinh viên có còn được huy động hay không, nên một sinh viên chủ động dựng giàn giáo bằng AI từ sớm sẽ được tính điểm một cách trung thực như một người giảm tải. PAUSE cũng dẫn Điểm giảm tải của Padmakumar và cộng sự (2026), vốn ước lượng tỉ lệ nỗ lực được giảm tải từ nhật ký hành vi (n = 40 lập trình viên). Điều bạn muốn biết là sinh viên làm được gì khi không có hỗ trợ.

Đặt nỗ lực của sinh viên lên trước công cụ

Trình tự đã được kiểm nghiệm rõ nhất là “nghĩ trước, ChatGPT sau”. Wong và Qiu (2026) phân ngẫu nhiên N = 196 sinh viên vào ba điều kiện: làm việc độc lập, dùng ChatGPT tự do, hoặc làm việc theo điều kiện có quy định: tự tạo ý tưởng của mình, cộng tác với ChatGPT để cải thiện và đánh giá các ý tưởng đó, rồi tự mình tinh chỉnh và nộp một lời giải. Nhóm dùng tự do tạo ra nhiều sản phẩm sáng tạo hơn trên nhiệm vụ có hỗ trợ và rơi trở lại mức chỉ có con người trên một nhiệm vụ khó hơn làm sau đó mà không có ChatGPT. Nhóm có quy định không có lợi thế tức thời và vượt cả hai nhóm còn lại về sáng tạo độc lập sau đó.

Dữ liệu prompt giải thích khoảng cách này. Ở nhóm có quy định, 88.6% prompt mang tính cộng tác, và đó là kiểu prompt duy nhất tương quan có ý nghĩa với tính độc đáo độc lập về sau. Ở nhóm dùng tự do, 70.9% prompt không mang tính cộng tác và 59.6% chỉ đơn giản yêu cầu ChatGPT tạo ý tưởng thẳng ra. Cùng một công cụ, được hỏi theo hai cách khác nhau, tạo ra hai kiểu người học khác nhau.

Trên đề bài của bạn, điều này trở thành một chỉ dẫn về thứ tự: ý tưởng, giả thuyết hoặc bản nháp thô trước, công cụ sau. Một câu ở đầu trang là đủ, miễn là bước tiếp theo có thu lại những gì sinh viên đã viết.

Hai chi tiết trong lớp quyết định trình tự này có đứng vững hay không. Thứ nhất là thời gian. Nếu giai đoạn độc lập diễn ra ngoài giờ học, một số sinh viên sẽ mở công cụ trước rồi mới viết ý tưởng ra sau. Thứ hai là việc thu bài. Nếu không có gì được nộp từ giai đoạn đó, trình tự chỉ tồn tại trên giấy. Nửa trang ghi chú, thu vào cuối buổi học, là đủ để biến thứ tự đó thành thật.

Cấu hình công cụ để gợi ý thay vì trả lời

Brcic và Frljic (2026) đưa ra phiên bản sắc nét nhất của lập luận về vị trí. Một trợ lý AI không có rào chắn khiến học sinh trung học kém đi khoảng 17% trên bài thi không có hỗ trợ so với bạn cùng lứa hoàn toàn không có công cụ. Cùng mô hình đó, được dựng lại để từ chối đưa câu trả lời, đã xóa bỏ tác hại, và một gia sư được thiết kế tốt gần như nhân đôi việc học. Chẩn đoán của họ dùng được trong bất kỳ khóa học nào: nếu để AI vào khiến nhiệm vụ có cảm giác dễ dàng, thì công cụ đang ở sai chỗ.

Zohar, Bloom và Inzlicht (2026) cho lập luận đó một hình dạng. Họ lập luận rằng liên hệ giữa nỗ lực và ý nghĩa là một chữ U ngược, nên mục tiêu là một độ dốc: gỡ bỏ những trở ngại choáng ngợp và giữ lại những vật lộn sinh ra hiểu biết và cảm giác làm chủ, với hỗ trợ đóng vai trò bổ sung. Lập luận của họ là một bài Bình luận khái niệm không có dữ liệu mới, và quan hệ chữ U ngược dựa trên một điểm tựa thực nghiệm duy nhất mà không được định lượng, nên không ai có thể nói cho bạn biết điểm tối ưu nằm ở đâu với một người học cụ thể.

Trên thực tế, điều đó nghĩa là AI có rào chắn đặt ở giữa nhiệm vụ, nơi gợi ý, ví dụ mẫu và bài tập luyện làm việc, còn bước kiểm tra được bảo đảm đặt ở cuối. Nó cũng biến một chính sách sử dụng AI thành một quy tắc đặt vị trí theo từng kỹ năng, thứ dễ viết hơn và dễ bảo vệ hơn một danh sách những điều cấm.

Một gợi ý là một câu hỏi về bước tiếp theo của sinh viên, một ví dụ mẫu của một bài tương tự, hoặc một chỉ dẫn tới đoạn văn liên quan. Một câu trả lời là một câu hoàn chỉnh mà sinh viên có thể dán vào. Hầu hết chatbot đa dụng mặc định tạo ra loại thứ hai, bằng văn xuôi trôi chảy đọc như đang giúp, đó là lý do việc cấu hình quan trọng hơn ý định của sinh viên.

Yêu cầu bước kiểm chứng, và làm cho nó hiển thị

Kiểm chứng là đòn bẩy rẻ nhất có chỗ dựa nhân quả thật. Biswas (2026) thấy rằng việc làm cho kiểm chứng hiển thị đã khởi động một chuỗi ngược dẫn tới mức kiểm chứng gần như hoàn toàn: phụ thuộc quá mức giảm xuống 0.00 và hối tiếc xuống 0.07. Giảm ma sát của việc kiểm tra là đòn bẩy yếu nhất trong cùng mô hình đó, vì rào cản là xã hội chứ không phải máy móc. Một đường link tới thư viện không khiến sinh viên đi kiểm tra một khẳng định.

Viberg và cộng sự (2026) thấy những sinh viên vốn đã làm tốt việc này sẽ đối chiếu đầu ra với tài liệu khóa học, bạn học hoặc giảng viên khi không chắc về độ chính xác. Đó là một hành vi bạn có thể yêu cầu. Hãy đưa một dòng vào đề bài: bạn đã kiểm tra cái gì, và đối chiếu với cái gì. Đọc nó như một phần của điểm, và chuẩn mực đó trở nên hiển thị với cả lớp chứ không chỉ với vài người tận tâm.

Dòng đó cũng cho bạn thứ để hỏi tiếp. Khi một sinh viên viết rằng đã kiểm tra một khẳng định với giáo trình, bạn có thể hỏi ở trang nào. Khi họ viết rằng đã so với một bạn học, bạn có thể hỏi bạn đó nói gì. Việc này tốn một câu. Chính câu hỏi tiếp theo là thứ khiến sinh viên coi đó là việc thật.

Kiểm chứng cũng cần một phạm vi. Kiểm tra xem một khẳng định có khớp với giáo trình là một hành động khác với đọc lại một câu để soát ngữ pháp, và loại thứ nhất là chỗ mô hình sai thường xuyên hơn. Hãy nói rõ dòng đó yêu cầu loại nào, nếu không bạn sẽ nhận được bài soát lỗi chính tả.

Trình diễn một thất bại đầy tự tin

Hãy giao một nhiệm vụ mà mô hình trả lời sai một cách đầy tự tin, rồi cho cả lớp kiểm tra câu trả lời đó với giáo trình. Nó hiệu quả vì lỗi đến bằng đúng giọng điệu của những câu trả lời đúng. Sau đó hãy thêm bằng chứng: một trợ lý không có rào chắn khiến sinh viên kém đi khoảng 17% trên bài thi không có hỗ trợ, và sinh viên được cấp GPT-4 giải được nhiều bài hơn khi có công cụ nhưng thể hiện kém hơn nhóm đối chứng khi công cụ bị lấy đi (PAUSE dẫn Bastani và cộng sự, 2025). Cùng nguồn đó bổ sung rằng Liu và cộng sự (2026) thấy hỗ trợ làm giảm tính kiên trì trong các thử nghiệm ngẫu nhiên có đối chứng (N = 1,222).

Hãy chọn một thất bại vừa phải và kiểm tra được, như một trích dẫn không tồn tại, một ngày tháng sai, hoặc một phép tính không khép lại. Rồi yêu cầu cả lớp viết bản sửa và phép kiểm tra họ đã dùng để tìm ra lỗi. Bản sửa viết tay đó là sản phẩm, và nó cho bạn biết liệu họ có làm được phép kiểm tra mà không cần bạn đứng bên cạnh hay không.

Giữ thời điểm chấm điểm không có công cụ

Sản phẩm có hỗ trợ là một đại diện kém cho năng lực, nên ít nhất một thời điểm chấm điểm phải diễn ra không có công cụ. Nhiệm vụ không hỗ trợ về sau trong nghiên cứu của Wong và Qiu (2026) chính là phép đo đó. Nhóm chỉ có con người của họ cũng giảm sút trên bài tiếp theo khó hơn, điều này loại trừ phiên bản đơn giản của giải pháp: lấy công cụ đi mà không hỗ trợ người học không phải là một can thiệp.

Việc luân phiên các chế độ có chỗ dựa. PAUSE dẫn kết quả buổi thứ tư của Kosmyna và cộng sự (2025), trong đó những người tham gia chỉ dùng não rồi sau đó dùng ChatGPT thể hiện tốt hơn những người dùng LLM liên tục. Trách nhiệm giải trình cũng phát huy qua việc giải thích: Makransky và cộng sự (2025) thấy một chatbot gia sư, vốn nhắc sinh viên nối các ý tưởng và giải thích lập luận của mình, tạo ra kết quả đánh giá tốt hơn việc giảng dạy truyền thống.

Với một khóa học, hãy luân phiên: việc có hỗ trợ ở phần luyện tập, việc không hỗ trợ ở chỗ quan trọng. Đọc phần có hỗ trợ như một ghi nhận về hiệu suất trong điều kiện tốt, và phần không hỗ trợ như bằng chứng về việc học. So sánh hai phần cũng là cuộc trò chuyện hữu ích nhất bạn có thể có với một sinh viên không hiểu nổi điểm của mình.

Lịch trình là ràng buộc. Một thời điểm không có công cụ cần một phòng, một khoảng thời gian và một nhiệm vụ vừa với khoảng đó, nên phiên bản rẻ nhất là một bài ngắn làm tại lớp gắn với một bài tập bạn đã giao. Một kỳ thi riêng là một cam kết lớn hơn và thường không cần thiết cho lần thử đầu tiên ở việc này.

Phần không hỗ trợ cũng có công dụng thứ hai: hãy trả nó lại vào đầu bài học tiếp theo, và cả bạn lẫn sinh viên đều thấy được điều gì còn sống sót qua kỳ nghỉ.

Phân biệt hỗ trợ công cụ và hỗ trợ điều hành

Viberg, Feldman-Maggor và Wong (2026) phỏng vấn 20 sinh viên đại học khối STEM và thấy một quy trình bốn giai đoạn: quyết định xem có cần hỗ trợ không, chọn một nguồn, chọn kiểu hỗ trợ, và đánh giá sự hỗ trợ nhận được. Những sinh viên mạnh hơn ưa hỗ trợ công cụ, nghĩa là gợi ý và giải thích, hơn hỗ trợ điều hành, nghĩa là lời giải trực tiếp. Cùng nghiên cứu đó cảnh báo rằng dùng LLM để gỡ lỗi hoặc lập trình xuyên ngôn ngữ có thể đi vòng qua việc giải quyết vấn đề độc lập ngay cả khi sinh viên không bao giờ yêu cầu một câu trả lời.

Điều đó khớp gọn với giảm tải nhận thức. Sử dụng công cụ là kiểu giảm tải sao chép, vốn vẫn đứng vững khi công cụ bị lấy đi, vì sinh viên vẫn mã hóa được lập luận. Sử dụng điều hành là kiểu giảm tải thay thế, vốn sụp đổ khi kho lưu bên ngoài bị gỡ. Guo và Ye (2026) vạch ranh giới đúng bằng những thuật ngữ đó: gỡ kho lưu đi thì người giảm tải kiểu thay thế giảm sút nghiêm trọng, còn người giảm tải kiểu sao chép giữ được độ chính xác nhờ mã hóa bên trong.

Hãy viết sự phân biệt này vào đề bài. Yêu cầu sinh viên dán nhãn mỗi lần dùng AI là công cụ hay điều hành, yêu cầu ít nhất một prompt mang tính cộng tác, và chấm điểm phần lập luận họ thêm vào sau câu trả lời. Ở điều kiện dùng tự do của Wong và Qiu, mặc định đã trôi về phía sử dụng điều hành mà không ai quyết định trôi.

Không phải mọi việc giảm tải đều đáng ngờ. PAUSE dẫn Hong và cộng sự (2025), trong đó việc cố ý giảm tải các nhiệm vụ viết bậc thấp để giải phóng sự chú ý cho phân tích và sửa bài tạo ra mức tăng tư duy phản biện lớn hơn. Phép thử là: phần được giảm tải có phải chính kỹ năng bạn đang chấm điểm hay không.

Những nhãn đó cũng chẩn đoán nhiệm vụ của bạn. Nếu phần lớn một lớp báo cáo sử dụng điều hành, thì đề bài đang mời gọi nó, bất kể chính sách nói gì, và thay đổi tiếp theo nên nằm ở nhiệm vụ chứ không nằm ở câu chữ của quy định.

Đặt câu hỏi đúng giai đoạn

Phản hồi nhắm vào một niềm tin ổn định thì có tác dụng trước khi nhiệm vụ bắt đầu. Phản hồi về tính đúng đắn và độ khó tức thời thì có tác dụng trong khi làm. Guo và Ye (2026) gọi đây là việc khớp thành phần theo thời điểm, và nó giải thích vì sao một bài phản tư nộp vào cuối dự án lại thay đổi được quá ít: đến lúc đó các lựa chọn đã được đưa ra rồi.

Lodge và Loble (2026) khuyến nghị những câu hỏi siêu nhận thức tích hợp, khiến người học dừng lại, phản tư và tự đánh giá mức hiểu của mình ngay trong lúc làm, song song với Giảng dạy giảm tải, vốn quản lý gánh nặng nhận thức trong khi vẫn cho phép tiến tới độc lập dần. Một phút dự đoán trước một bài học khó, viết ra và so lại sau đó, vừa với khung đó và không tốn gì để chấm.

Cách diễn đạt câu hỏi ít quan trọng hơn vị trí của nó. Trước một bài học, hãy hỏi sinh viên nghĩ phần nào sẽ khó và vì sao. Trong khi học, hãy hỏi họ đang tắc ở bước nào và đã thử những gì. Một bài phản tư cuối dự án chủ yếu ghi lại điều đã xảy ra, đó là lý do nó thay đổi được quá ít. Hãy giữ phần dự đoán cùng trang với bài làm, để phép so sánh ở cuối không tốn công lưu trữ.

Lường trước rằng rủi ro sẽ tập trung

Lodge và Loble (2026) đặt rủi ro ở nền kiến thức và khả năng tự điều chỉnh, và gọi tên một khoảng cách công bằng về siêu nhận thức: dùng AI giỏi đòi hỏi những nguồn lực mà người mới chưa có, nên những sinh viên cần luyện tập nhất lại là những người dễ ủy thác chính việc học nhất. Họ báo cáo rằng 80% học sinh Úc đã dùng AI và hai phần ba giáo viên trung học cơ sở cũng vậy (OECD 2025).

Tuổi và thói quen tương quan với cùng mẫu hình đó. Gerlich (2025) thấy những người 17-25 tuổi có mức phụ thuộc AI và giảm tải cao hơn, đồng thời tư duy phản biện thấp hơn nhóm từ 46 tuổi trở lên, và rằng trình độ học vấn dự báo tư duy phản biện tốt hơn bất kể việc dùng AI (r = +0.34), với một tương tác có ý nghĩa cho thấy trình độ học vấn làm giảm nhẹ tác động tiêu cực. Gao, Sun và Khan (2026) thấy tính đa nhiệm, tức xu hướng làm nhiều việc cùng lúc, điều tiết con đường này, với sinh viên có tính đa nhiệm cao gặp rủi ro lớn hơn.

Với một bộ môn, điều đó ủng hộ việc theo dõi sát nhất những sinh viên có sự chuẩn bị yếu nhất, và kiểm tra xem chính nhiệm vụ của bạn có tạo ra điều kiện khiến việc kiểm tra dừng lại hay không. Một nhiệm vụ đòi hỏi cao đi kèm một mô hình giỏi là tổ hợp mà mô hình của Biswas đánh dấu là có hối tiếc cao nhất, và rất dễ tạo ra nó do vô tình.

Bối cảnh quan trọng ngang với con người, và khóa học của bạn kiểm soát được một phần bối cảnh. Biswas (2026) cho thấy độ khó nhiệm vụ và chất lượng AI đặt ra mức nền: phụ thuộc quá mức tăng từ khoảng 0.02 lên 0.38 theo độ khó, và trên các nhiệm vụ khó thì ở mức 0.38 với AI kém so với 0.16 với AI tốt. Hối tiếc cao nhất đến từ AI chất lượng cao trên nhiệm vụ khó (0.441), vì các tác nhân quá dựa vào AI và hiếm khi tự dựa vào mình. Bằng chứng xã hội làm điều đó nặng thêm: khi mức sử dụng nhìn thấy được tăng từ 0 lên 0.6, kiểm chứng sụp từ 0.29 xuống 0.002. Việc kiểm tra dừng đúng ở chỗ mô hình mạnh nhất và nhiệm vụ khó nhất, mà đó hiếm khi là chỗ giảng viên nhìn trước tiên.

Quyết định xem bằng chứng mang bao nhiêu trọng lượng

Không có gì trong tập bằng chứng này kiểm tra xem một can thiệp cụ thể chống phụ thuộc quá mức có đứng vững qua các bối cảnh hay học kỳ khác nhau hay không. Nghĩ trước dựa trên một thực nghiệm với N = 196. Kết quả về việc từ chối đưa câu trả lời đến từ tổng hợp của Brcic và Frljic (2026) chứ không phải từ một thử nghiệm của chính họ. Lập luận về ma sát là một bài bình luận khái niệm không có dữ liệu mới. Biswas (2026) nêu rõ giới hạn của mô hình: chất lượng AI dừng, ngoại sinh; một mạng cố định; kiểm chứng được cách điệu hóa. Ước lượng các giá trị thật sẽ cần dấu vết dọc về tỉ lệ kiểm chứng theo từng nhiệm vụ, độ mạnh của bằng chứng xã hội, và cách niềm tin cập nhật sau khi dùng có kiểm chứng so với không kiểm chứng.

Đo lường vẫn là mắt xích yếu nhất. Các thiết kế khảo sát chiếm ưu thế, và cả Gerlich (2025) lẫn Gao, Sun và Khan (2026) đều kêu gọi theo dõi dọc và thực nghiệm tiếp theo. PAUSE không có trắc lượng tâm lý và được xây cho người lớn. Việc khoảng cách công bằng có thể được thu hẹp bằng giảng dạy hay không mới chỉ được lý thuyết hóa chứ chưa được chứng minh.

Điều đó để lại cho bạn một canh bạc hợp lý, với chi phí thấp. Hãy đổi một bài tập, giữ lại phép đo không hỗ trợ, và kiểm tra xem khoảng cách giữa việc có hỗ trợ và không hỗ trợ có thu hẹp lại hay không. Đừng xây lại cả một khóa học dựa trên sức nặng của những con số này.

Giảng viên hiểu sai gì về điều này

Những sinh viên dùng nó nhiều nhất là những người đang gặp rắc rối. Tần suất là thứ khảo sát ghi được và bảng điều khiển hiển thị, và nó không phải là cấu trúc cần đo. Một sinh viên kiểm tra mọi câu trả lời và trích dẫn tài liệu của bạn có thể dùng AI hằng ngày mà vẫn ổn. Một sinh viên nộp đầu ra đầu tiên mỗi tuần một lần mới là người có vấn đề.

Một lệnh cấm sẽ xóa bỏ rủi ro. Những kết quả mạnh nhất ở đây đến từ vị trí đặt công cụ, và nhánh chỉ có con người trong thực nghiệm của Wong và Qiu cũng giảm sút trên bài tiếp theo khó hơn. Lấy công cụ đi mà không hỗ trợ người học thì độ khó vẫn y nguyên.

Kiểm tra rẻ hơn sẽ sửa được việc kiểm chứng. Làm cho việc kiểm tra dễ hơn là đòn bẩy yếu nhất trong mô hình của Biswas, vì trở ngại là xã hội. Một công cụ phát hiện đạo văn tốt hơn không khiến sinh viên đọc nguồn.

Một bảng điều khiển sử dụng cho tôi biết ai đang giảm tải. Các mục của PAUSE ghi lại AI xuất hiện trong quy trình khi nào và bao nhiêu lần, và chính các tác giả tự nêu vấn đề hiệu lực. Một người dựng giàn giáo cẩn thận bị tính điểm như người giảm tải, nên hành động dựa trên những con số đó sẽ trừng phạt đúng những sinh viên bạn muốn giữ lại.

Sự trôi chảy và mức hài lòng cho thấy thiết kế đang hiệu quả. Đó chính là ảo giác mà Lodge và Loble (2026) mô tả trong nghịch lý hiệu suất của họ: bài làm thấy trôi chảy và sinh viên thể hiện tốt ngay lúc đó nhưng ghi nhớ được ít hơn. Hiệu suất khi không hỗ trợ và sự chuyển giao sau một thời gian mới là những phép đo trả lời câu hỏi này.

Chỉ cần dạy năng lực AI cho sinh viên là vấn đề biến mất. Lodge và Loble (2026) cảnh báo rằng đầu tư quá nhiều vào năng lực AI hướng tới sinh viên có thể là phân bổ sai, xét theo những gì người mới còn thiếu.

Những gì sẽ quay lại với bạn

“Đây chỉ là sư phạm tốt với một cái tên mới.” Một phần đúng. Giàn giáo, phản hồi định hình và vật lộn có hiệu quả là những ý tưởng cũ. Cái mới hơn là thứ tự: kiểm chứng hiển thị thắng kiểm chứng rẻ hơn, và hai thời điểm đáng bảo vệ là lần thử khó đầu tiên và bước kiểm tra cuối cùng không có hỗ trợ. Hãy làm những việc quen thuộc theo thứ tự mới.

“Tôi không thể giám sát nổi.” Bạn không thể, và bằng chứng nói rằng đừng thử. Vị trí đặt công cụ tạo ra kết quả mạnh nhất. Hãy thiết kế nhiệm vụ sao cho việc dùng công cụ sai lúc sẽ lộ ra ngay trong bài làm, như một câu trả lời sinh viên không giải thích được hoặc một bước kiểm chứng bị thiếu.

“Khóa học của tôi quá lớn để làm một bài học có trình tự.” Những đòn bẩy rẻ thì mở rộng được: một dòng kiểm chứng, một phút dự đoán, và chuyển bước kiểm tra có chấm điểm sang một phòng không có AI. Hạng mục đắt, tức một bài học nghĩ trước được sắp xếp đầy đủ, có thể bắt đầu bằng một bài tập. Hãy tái tạo một bài tập thành hai nửa có hỗ trợ và không hỗ trợ rồi xem khoảng cách nói lên điều gì.

“Sinh viên của tôi là người mới. Họ cần được giúp.” Họ cần gợi ý nhiều hơn cần câu trả lời, và phát hiện về công bằng chính là lý do. Những sinh viên có ít nền kiến thức nhất là những người dễ ủy thác việc lập luận nhất, và một công cụ biết từ chối đưa câu trả lời sẽ giữ việc luyện tập ở đúng chỗ nó thuộc về.

“Sinh viên yếu hơn chẳng phải sẽ trượt bước kiểm tra không hỗ trợ sao?” Đôi khi họ sẽ trượt, và kết quả đó là thông tin chứ không phải một phán quyết. Một bài kiểm tra không có công cụ mà phần lớn lớp trượt cho thấy việc luyện tập đang gánh hiệu suất, và đó chính là điều bạn cần biết. Hãy cân nhắc nó như bằng chứng, dạy lại những gì nó phơi ra, và cho làm lại lần hai trên một bài song song. Không nghiên cứu nào ở đây kiểm tra xem việc dạy lại sau một bài kiểm tra không hỗ trợ bị trượt có phục hồi được việc học hay không, nên phần đó là phán đoán chuyên môn của bạn.

“Một số sinh viên của tôi dùng AI như giàn giáo trung thực. Tôi có phải ngăn họ không?” Không. Một sinh viên đọc gợi ý, thử bước đó, rồi kiểm tra kết quả đang làm kiểu giảm tải sao chép, vốn vẫn sống khi công cụ bị lấy đi. Điều bạn muốn là một nhiệm vụ giữ cho cách dùng đó luôn sẵn có và làm cho phiên bản điều hành bớt được thưởng, và đó là chuyện nhiệm vụ thu lại gì và rubric trả tiền cho cái gì.

“Bằng chứng mỏng, vậy đổi làm gì?” Nó mỏng ở những chỗ cụ thể, mà các giới hạn ở trên đã nêu tên. Điều nhất quán giữa các nghiên cứu là hướng đi: vị trí đặt công cụ, kiểm tra hiển thị, và một phép đo không hỗ trợ. Một bài tập được đổi, với kết quả không hỗ trợ được giữ lại, là một canh bạc đủ nhỏ để chạy trên cơ sở đó.

Việc cần làm trong tuần này

1. Thêm một dòng kiểm chứng vào bài tập tiếp theo: một câu nêu rõ sinh viên đã kiểm tra cái gì và đối chiếu với cái gì.

2. Chuyển bước kiểm tra có chấm điểm sang một thời điểm không có công cụ, và chấm chính bài đó.

3. Đặt lần thử khó đầu tiên trước công cụ, và thu lại các ý tưởng, giả thuyết hoặc bản nháp nảy ra từ đó.

4. Đổi thiết lập công cụ bạn khuyến nghị để nó gợi ý thay vì trả lời, và nói cho sinh viên biết bạn đã làm vậy.

5. Chạy trực tiếp một thất bại đầy tự tin của AI, cho sinh viên bắt lỗi với giáo trình, và giữ lại bản sửa họ đã viết.

Đi tiếp từ đây

Câu hỏi lân cận, liệu AI có tạo ra việc học hay không, được trình bày ở Dùng AI có thực sự giúp sinh viên của tôi học tốt hơn không?. Làm thế nào để giảm gian lận AI trong khóa học của tôi? xử lý vấn đề liêm chính và giới hạn của việc phát hiện, còn Làm sao thiết kế lại đánh giá để điểm số vẫn cho tôi biết điều gì đó bảo vệ được về những gì sinh viên biết hoặc có thể làm? trình bày kiến trúc đánh giá mà trang này giả định. Về các ý tưởng nền tảng, xem Giảm tải nhận thức, Metacognition và Desirable Difficulties.