Tương lai của việc học là cá nhân hóa, không phải định sẵn

AI agent đang mở ra khả năng để mỗi người học có một hành trình riêng, được xây dựng từ những nguồn tri thức có chất lượng và liên tục điều chỉnh theo mục tiêu, năng lực và sự tiến bộ của chính họ.

Phần lớn các chương trình đào tạo hiện nay được xây dựng dựa trên một cấu trúc tương đối cố định. Người dạy xác định mục tiêu, lựa chọn nội dung, thiết kế bài giảng và sắp xếp chúng thành một lộ trình. Người học đăng ký, tiếp cận các tài nguyên theo trình tự, thực hiện bài tập và hoàn thành những yêu cầu được đặt ra. Mô hình này có nhiều ưu điểm, đặc biệt trong việc bảo đảm chất lượng, tính nhất quán và khả năng tổ chức đào tạo cho nhiều người cùng lúc. Tuy nhiên, nó cũng tồn tại một giới hạn: những người tham gia cùng một chương trình thường có kiến thức nền, kinh nghiệm, mục tiêu và khả năng tiếp thu rất khác nhau.

Một developer đã có nhiều năm kinh nghiệm có thể muốn học AI để xây dựng sản phẩm mới. Một nhân viên văn phòng muốn ứng dụng AI để cải thiện công việc hằng ngày. Một người đang chuyển nghề cần xây dựng lại kiến thức từ những khái niệm cơ bản. Ngay cả khi cùng tham gia một chương trình, những gì họ đã biết, cần học và có thể dành thời gian để thực hành vẫn khác nhau đáng kể. Vì vậy, một lộ trình được thiết kế tốt cho số đông chưa chắc đã phù hợp với từng cá nhân.

Cá nhân hóa trong giáo dục không phải ý tưởng mới. Những phương pháp như Personalized Learning, Adaptive Learning, Self-Directed Learning hay Self-Regulated Learning đã được nghiên cứu và triển khai từ lâu. Các hệ thống học tập thích ứng có thể đề xuất nội dung theo kết quả kiểm tra, điều chỉnh độ khó hoặc cho phép học viên lựa chọn tốc độ. Nhưng để xây dựng và liên tục điều chỉnh một trải nghiệm học tập riêng cho từng người, chúng ta vẫn phải giải quyết những giới hạn về thời gian, nguồn lực và khả năng tổ chức của người dạy.

Sự phát triển của AI agent đang tạo ra một điều kiện mới. Thay vì chỉ đề xuất nội dung từ những lựa chọn đã được thiết kế sẵn, agent có thể tìm kiếm tài nguyên, đối chiếu kiến thức hiện tại với mục tiêu cần đạt, đề xuất lộ trình, hỗ trợ thực hành và điều chỉnh kế hoạch trong quá trình học. Khi được kết nối với những nguồn tri thức có cấu trúc và những nguyên tắc sư phạm rõ ràng, agent có thể giúp người học tham gia chủ động hơn vào việc thiết kế trải nghiệm của chính mình.

Mình cho rằng đây là một hướng phát triển đáng chú ý của giáo dục trong thời AI: chuyển từ việc tối ưu một chương trình học cho nhiều người sang khả năng tạo ra những hành trình được cá nhân hóa sâu từ cùng một nguồn tri thức, mà vẫn duy trì những tiêu chuẩn năng lực chung.

Hai cách tổ chức việc học

Từ một chương trình cho nhiều người đến nhiều hành trình từ một nguồn tri thức

Lộ trình định sẵn

1. Xác định mục tiêu
2. Lựa chọn nội dung
3. Thiết kế bài giảng
4. Sắp xếp lộ trình

Developer nhiều năm kinh nghiệmNhân viên văn phòngNgười đang chuyển nghề

Kiến thức nền, mục tiêu và khả năng tiếp thu khác nhau, nhưng đi cùng một trình tự.

Hành trình cá nhân hóa

Nguồn tri thức có cấu trúc + nguyên tắc sư phạm

Developer nhiều năm kinh nghiệmNhân viên văn phòngNgười đang chuyển nghề

Tiêu chuẩn năng lực chung

Một chương trình tốt chưa chắc là lộ trình tốt nhất cho từng người

Thiết kế một chương trình đào tạo luôn đòi hỏi nhiều quyết định. Người dạy phải xác định những kiến thức nền tảng, lựa chọn phương pháp truyền đạt, sắp xếp trình tự và thiết kế các hoạt động thực hành. Một chương trình tốt không đơn giản là tập hợp những bài giảng có nội dung chính xác, mà còn phải giúp người học từng bước phát triển kiến thức và năng lực.

Tuy nhiên, để phục vụ nhiều học viên, chương trình thường phải dựa trên một số giả định về trình độ đầu vào, mục tiêu và tiến độ học tập. Những giả định này có thể phù hợp với nhóm người học mục tiêu, nhưng khó phản ánh đầy đủ sự khác biệt của từng cá nhân. Trong một lớp học về phát triển phần mềm, có người đã hiểu kiến trúc hệ thống nhưng chưa quen với công cụ AI. Người khác sử dụng AI thành thạo nhưng thiếu kinh nghiệm thiết kế dữ liệu. Nếu cả hai đi qua cùng một lộ trình, một phần thời gian có thể dành cho những nội dung đã biết, trong khi những khoảng trống kiến thức quan trọng lại chưa được xử lý đầy đủ.

Vấn đề không nằm ở chất lượng của chương trình, mà ở giới hạn tự nhiên của một cấu trúc được thiết kế trước. Một giảng viên có thể điều chỉnh phương pháp trong lớp, cung cấp tài liệu bổ sung hoặc hướng dẫn riêng khi cần thiết. Nhưng duy trì mức độ cá nhân hóa cao cho hàng chục hoặc hàng trăm học viên thường đòi hỏi nguồn lực đáng kể.

Trong khi đó, sự khác biệt giữa người học không chỉ nằm ở trình độ. Mục tiêu nghề nghiệp, kinh nghiệm thực tế, thời gian có thể dành cho việc học và những vấn đề đang cần giải quyết đều ảnh hưởng đến cách một người nên tiếp cận kiến thức. Cùng một khái niệm về database transaction có thể được giới thiệu qua bài toán thương mại điện tử, hệ thống đặt lịch hoặc phần mềm kế toán. Nội dung cốt lõi không thay đổi, nhưng ví dụ và hoạt động thực hành có thể trở nên phù hợp hơn khi gắn với bối cảnh của người học.

Điều này đặt ra một câu hỏi về cách chúng ta tổ chức sản phẩm giáo dục: liệu mọi quyết định về nội dung, trình tự và phương pháp có nhất thiết phải được hoàn thành trước khi người học bắt đầu, hay một phần trong đó có thể được điều chỉnh liên tục dựa trên nhu cầu và tiến độ thực tế?

Cá nhân hóa sâu hơn việc lựa chọn nội dung và tốc độ

Khi nói đến cá nhân hóa, chúng ta thường nghĩ đến những hệ thống đề xuất bài học phù hợp, điều chỉnh mức độ khó hoặc cho phép học viên lựa chọn tốc độ. Đây là những khả năng hữu ích, nhưng mới chỉ giải quyết một phần sự khác biệt giữa các cá nhân.

Hai người có thể cùng trình độ và cùng muốn học một kỹ năng, nhưng mục tiêu sử dụng kỹ năng đó lại khác nhau. Một người muốn áp dụng kiến thức vào dự án đang triển khai, trong khi người khác cần xây dựng nền tảng để chuyển sang một lĩnh vực mới. Họ có thể cần những ví dụ, bài thực hành và cách đánh giá khác nhau, dù cùng học một nhóm kiến thức.

AI tạo điều kiện để cá nhân hóa ở nhiều cấp độ cùng lúc. Lộ trình có thể được tổ chức dựa trên kiến thức nền và mục tiêu. Nội dung có thể được giải thích bằng những tình huống gần với kinh nghiệm của người học. Bài tập có thể sử dụng những vấn đề thực tế mà họ đang giải quyết. Mức độ hỗ trợ có thể thay đổi theo khả năng tự thực hiện nhiệm vụ, còn tiến độ có thể được điều chỉnh khi xuất hiện những khoảng trống kiến thức mới.

Sâu hơn nội dung và tốc độ

AI cá nhân hóa ở nhiều cấp độ cùng lúc

01

Lộ trình

Tổ chức dựa trên kiến thức nền và mục tiêu

02

Nội dung

Giải thích bằng tình huống gần với kinh nghiệm người học

03

Bài tập

Dùng những vấn đề thực tế họ đang giải quyết

04

Mức độ hỗ trợ

Thay đổi theo khả năng tự thực hiện nhiệm vụ

05

Tiến độ

Điều chỉnh khi xuất hiện khoảng trống kiến thức mới

Liên tục, không chỉ lúc đăng ký Câu hỏiBài thực hànhLỗi lặp lạiKết quả đánh giá → bằng chứng để đề xuất điều chỉnh, thay vì giữ nguyên nhận định ban đầu

Chẳng hạn, hai học viên cùng tham gia chương trình xây dựng ứng dụng bằng AI có thể bắt đầu với một mục tiêu tương đương. Sau tuần đầu tiên, người thứ nhất cho thấy khả năng thiết kế kiến trúc tốt nhưng gặp khó khăn với testing và verification. Người thứ hai sử dụng AI coding agent khá thành thạo nhưng chưa hiểu rõ data modeling và tính toàn vẹn của giao dịch. Thay vì yêu cầu cả hai tiếp tục theo cùng một trình tự, hệ thống có thể đề xuất những hoạt động bổ trợ khác nhau, sau đó đưa họ trở lại những mục tiêu năng lực chung.

Hai học viên, một chương trình

Tách ra để bổ trợ, rồi quay lại mục tiêu năng lực chung

Cùng một mục tiêu đầu vào

↓ sau tuần đầu tiên

Học viên 1

Thiết kế kiến trúc tốt

Khó khăn với testing và verification

hoạt động bổ trợ riêng

Học viên 2

Dùng AI coding agent khá thành thạo

Chưa rõ data modeling, tính toàn vẹn giao dịch

hoạt động bổ trợ riêng

↓

Mục tiêu năng lực chung

Một điểm quan trọng khác là tính liên tục. Cá nhân hóa không nhất thiết chỉ xảy ra khi học viên đăng ký hoặc hoàn thành bài kiểm tra đầu vào. Trong quá trình học, những câu hỏi, bài thực hành, lỗi lặp lại và kết quả đánh giá có thể cung cấp thêm thông tin về những phần người học đã nắm vững hoặc vẫn cần hỗ trợ. Agent có thể sử dụng các bằng chứng đó để đề xuất điều chỉnh, thay vì giữ nguyên những nhận định ban đầu.

Tuy nhiên, cá nhân hóa sâu không đồng nghĩa với việc hệ thống phải đáp ứng mọi sở thích của người học. Một người thích xem video không có nghĩa video luôn là phương pháp hiệu quả nhất. Một người muốn bỏ qua kiến thức nền cũng chưa chắc đã đủ năng lực để làm điều đó. Những quyết định cá nhân hóa cần dựa trên mục tiêu và bằng chứng học tập, thay vì chỉ dựa vào cảm nhận chủ quan hoặc mong muốn trước mắt.

Cá nhân hóa có ý nghĩa không phải vì mỗi người nhận được một nội dung khác nhau, mà vì mỗi người có cơ hội nhận được sự hỗ trợ phù hợp hơn để phát triển năng lực cần thiết.

Khi người học tham gia thiết kế hành trình của chính mình

Một điểm đáng quan tâm của AI agent là khả năng thay đổi vai trò của người học trong quá trình cá nhân hóa. Trong nhiều hệ thống Adaptive Learning, nền tảng quan sát dữ liệu và tự quyết định nội dung nào nên được hiển thị tiếp theo. Người học nhận được một trải nghiệm phù hợp hơn, nhưng vẫn chủ yếu sử dụng những lựa chọn do hệ thống đưa ra.

Khi có một AI agent có khả năng tương tác với nguồn tri thức, người học có thể tham gia trực tiếp vào quá trình xây dựng lộ trình. Họ có thể mô tả mục tiêu, cung cấp bối cảnh công việc, trao đổi về những khó khăn và lựa chọn cách thực hành. Agent có thể đề xuất một kế hoạch, giải thích lý do lựa chọn nội dung, đồng thời điều chỉnh dựa trên phản hồi và kết quả học tập.

Ví dụ, một developer muốn học cách thiết kế hệ thống booking có thể yêu cầu xây dựng lộ trình trong ba tuần với hai giờ học mỗi ngày. Nếu đã biết SQL cơ bản, họ có thể đề xuất kiểm tra nhanh phần kiến thức đó trước khi chuyển sang những nội dung chuyên sâu hơn. Trong quá trình thực hành, khi gặp vấn đề về concurrency hoặc transaction, agent có thể tìm tài nguyên liên quan, tạo bài tập bổ trợ và điều chỉnh kế hoạch để xử lý khoảng trống kiến thức trước khi tiếp tục.

Khả năng này có liên hệ trực tiếp với Self-Regulated Learning, lĩnh vực nghiên cứu về cách người học chủ động đặt mục tiêu, lựa chọn chiến lược, theo dõi và điều chỉnh quá trình học tập. Một phân tích tổng hợp công bố tháng 5/2026 trên Journal of Research on Technology in Education, tổng hợp 28 nghiên cứu thực nghiệm, ghi nhận tác động tích cực của các can thiệp AI đối với năng lực tự điều chỉnh việc học. Tuy nhiên, hiệu quả có sự khác biệt theo thời gian can thiệp và lĩnh vực học tập. Một phân tích tổng hợp khác công bố tháng 10/2026 trên Information, xem xét 17 nghiên cứu về Generative AI và Self-Regulated Learning, cũng ghi nhận tác động tích cực tổng thể nhưng cho thấy kết quả phụ thuộc vào bối cảnh và cách triển khai.

Những nghiên cứu này hỗ trợ tiềm năng của AI trong việc phát triển khả năng tự học, nhưng chưa chứng minh rằng người học tự thiết kế lộ trình cùng agent sẽ luôn đạt kết quả tốt hơn khi theo một chương trình được chuyên gia thiết kế. Khả năng tự điều chỉnh việc học vốn là một năng lực cần được hình thành. Người mới bắt đầu thường chưa có đủ kiến thức để xác định đâu là nội dung quan trọng hoặc đánh giá một lộ trình có phù hợp hay không.

Vì vậy, mức độ chủ động cũng có thể được cá nhân hóa. Người mới có thể bắt đầu với một lộ trình được giảng viên thiết kế và nhận hỗ trợ từ AI để điều chỉnh tốc độ, bổ sung ví dụ hoặc luyện tập những phần chưa vững. Người đã có kiến thức nền và khả năng tự đánh giá tốt có thể được trao nhiều quyền hơn trong việc lựa chọn nội dung, tổ chức dự án và xác định những kỹ năng cần phát triển.

Vai trò của người học

Ai quyết định nội dung tiếp theo

Adaptive Learning

Nền tảng quan sát dữ liệu → tự quyết định nội dung hiển thị tiếp theo

Người học chủ yếu dùng những lựa chọn do hệ thống đưa ra.

Cùng AI agent thiết kế lộ trình

Mô tả mục tiêu · Bối cảnh công việc · Khó khăn · Cách thực hành

Agent đề xuất kế hoạch, giải thích lý do, điều chỉnh theo phản hồi và kết quả.

Mức độ chủ động cũng được cá nhân hóa

Người mới Lộ trình do giảng viên thiết kế; AI điều chỉnh tốc độ, bổ sung ví dụ, luyện phần chưa vững

Đã có nền, tự đánh giá tốt Nhiều quyền hơn: chọn nội dung, tổ chức dự án, xác định kỹ năng cần phát triển

Theo cách này, AI không chỉ cá nhân hóa kiến thức mà còn hỗ trợ phát triển khả năng tự học. Đây có thể là một giá trị lâu dài hơn việc giúp học viên hoàn thành một chương trình nhanh hơn.

Từ khóa học cố định đến nguồn tri thức có thể tổ chức lại

Một khóa học thường kết hợp ba thành phần: kiến thức cần truyền đạt, phương pháp tổ chức học tập và cách trình bày nội dung. Chúng có quan hệ chặt chẽ với nhau, nhưng không hoàn toàn là một. Kiến thức về database transaction không thay đổi chỉ vì được trình bày qua video, tài liệu kỹ thuật hoặc một bài thực hành. Tuy nhiên, định dạng, ví dụ và trình tự có thể ảnh hưởng đáng kể đến việc người học hiểu và vận dụng kiến thức đó.

Trong cách tổ chức truyền thống, những thành phần này thường được đóng gói thành một sản phẩm thống nhất. Người dạy xác định cấu trúc bài giảng, lựa chọn phương pháp và phát hành một chương trình tương đối hoàn chỉnh. Người học có thể xem lại bài, thay đổi tốc độ hoặc lựa chọn một số tài nguyên bổ sung, nhưng cấu trúc cơ bản vẫn được xác định trước.

Một hướng tiếp cận khác là tổ chức kiến thức thành những tài nguyên có thể được khám phá, truy xuất và kết hợp linh hoạt. Mỗi tài nguyên không chỉ có tiêu đề và nội dung, mà còn có thể được liên kết với mục tiêu năng lực, kiến thức tiên quyết, mức độ khó, những khái niệm liên quan, bài thực hành và tiêu chí đánh giá. Những khóa học hoàn chỉnh vẫn tồn tại như các lộ trình được chuyên gia thiết kế, nhưng không còn nhất thiết là cách duy nhất để tiếp cận nguồn tri thức đó.

Khi AI agent có thể sử dụng những tài nguyên này, một hành trình học tập có thể được xây dựng từ nội dung thuộc nhiều khóa học khác nhau, miễn là người học có quyền truy cập và các điều kiện sư phạm được đáp ứng. Một bài học về data modeling có thể phục vụ chương trình lập trình web, xây dựng SaaS hoặc phát triển ứng dụng với AI. Một tài nguyên về quản lý context có thể được sử dụng trong chương trình AI coding, automation hoặc thiết kế AI agent.

Từ khóa học cố định

Đến nguồn tri thức có thể tổ chức lại

Một tài nguyên

Tiêu đề + nội dung

• Mục tiêu năng lực
• Kiến thức tiên quyết
• Mức độ khó
• Khái niệm liên quan
• Bài thực hành
• Tiêu chí đánh giá

Một bài học về data modeling phục vụ

Lập trình web Xây dựng SaaS Ứng dụng với AI

Một tài nguyên về quản lý context phục vụ

AI coding Automation Thiết kế AI agent

Khóa học hoàn chỉnh vẫn là một lộ trình do chuyên gia thiết kế, nhưng không còn là cách duy nhất để tiếp cận.

Điều này mở ra khả năng tái sử dụng kiến thức ở mức độ cao hơn. Người dạy không nhất thiết phải sản xuất lại cùng một nội dung cho nhiều chương trình, trong khi người học không phải tìm đúng tên khóa học mới tiếp cận được tài nguyên phù hợp. Họ có thể bắt đầu từ một vấn đề thực tế, một kỹ năng cần phát triển hoặc một sản phẩm muốn hoàn thành.

Quan trọng hơn, cách tiếp cận này tạo điều kiện cho cá nhân hóa sâu mà không đòi hỏi người dạy phải thiết kế trước hàng trăm lộ trình riêng biệt. Người dạy tập trung xây dựng một hệ thống tri thức có chất lượng và những nguyên tắc sử dụng rõ ràng, trong khi AI hỗ trợ tổ chức các trải nghiệm học tập phù hợp với từng cá nhân.

Người học có thể mang theo AI agent của riêng mình

Phần lớn các nền tảng giáo dục hiện nay cung cấp trải nghiệm học tập bên trong một ứng dụng do nhà cung cấp thiết kế. Người học sử dụng giao diện, hệ thống ghi chú, công cụ tìm kiếm và những chức năng được tích hợp sẵn. Ngay cả khi có AI tutor, công cụ đó thường hoạt động trong phạm vi khóa học hoặc LMS.

Một hướng triển khai khác là cho phép những AI agent bên ngoài truy cập có kiểm soát vào kho tài nguyên giáo dục. Thông qua các giao thức như Model Context Protocol (MCP), nền tảng có thể công bố những năng lực tìm kiếm, truy xuất tài nguyên, kiểm tra quyền truy cập và hỗ trợ hoạt động học tập. Người học có thể sử dụng ChatGPT, Claude hoặc một công cụ AI mà họ đã quen thuộc, thay vì bắt buộc chuyển toàn bộ trải nghiệm vào một ứng dụng mới.

Đây cũng là hướng mình đang thử nghiệm khi cung cấp MCP để học viên có thể sử dụng AI agent của họ nhằm tiếp cận kho tài nguyên và khóa học, đồng thời chủ động tổ chức nội dung, hình thức và lộ trình học tập. Mục tiêu không phải thay thế ngay trải nghiệm học tập hiện tại, mà là mở thêm một cách sử dụng nguồn tri thức, trong đó người học có nhiều quyền lựa chọn hơn.

Điểm đáng quan tâm là một agent có thể hiểu thêm về bối cảnh của người học, nếu họ chủ động cung cấp những thông tin đó. Thay vì chỉ dựa trên dữ liệu từ một khóa học, agent có thể sử dụng mục tiêu nghề nghiệp, dự án đang thực hiện, những kỹ năng đã có và cách tổ chức công việc để đề xuất trải nghiệm phù hợp hơn. Khả năng cá nhân hóa vì thế không nhất thiết bị giới hạn trong phạm vi một LMS hoặc một chương trình đào tạo.

Dù vậy, việc mở quyền truy cập tài nguyên không tự động tạo ra một hệ thống học tập hiệu quả. MCP là phương tiện kết nối, không phải một phương pháp sư phạm. Nền tảng vẫn cần tổ chức nội dung có cấu trúc, kiểm soát quyền truy cập, bảo vệ tài sản trí tuệ và giúp agent phân biệt nguồn tri thức chính thức với những thông tin do AI suy luận hoặc tạo ra.

Mang theo AI agent của riêng mình

Kết nối có kiểm soát, không bắt buộc chuyển sang ứng dụng mới

ChatGPTClaudeCông cụ AI quen thuộc

+ bối cảnh người học chủ động chia sẻ: mục tiêu nghề nghiệp, dự án, kỹ năng đã có

↓ MCP

Kho tài nguyên & khóa học

Tìm kiếm

Truy xuất tài nguyên

Kiểm tra quyền truy cập

Hỗ trợ hoạt động học tập

Nền tảng vẫn chịu trách nhiệm Tổ chức nội dung có cấu trúc · Kiểm soát quyền truy cập · Bảo vệ tài sản trí tuệ · Phân biệt nguồn chính thức với thông tin AI suy luận

MCP là phương tiện kết nối, không phải một phương pháp sư phạm.

Việc sử dụng thông tin cá nhân cũng cần được kiểm soát rõ ràng. Một hệ thống cá nhân hóa sâu có thể cần hiểu nhiều về mục tiêu và tiến độ, nhưng không có nghĩa phải thu thập hoặc lưu giữ mọi hoạt động của người học. Quyền quyết định thông tin nào được chia sẻ, lưu trữ và sử dụng nên thuộc về người học, trong phạm vi những yêu cầu cần thiết của chương trình.

Ở góc độ sản phẩm, đây là một thay đổi đáng chú ý: nền tảng giáo dục không nhất thiết phải sở hữu toàn bộ trải nghiệm học tập, nhưng vẫn có thể chịu trách nhiệm cung cấp tri thức, quyền truy cập và những tiêu chuẩn năng lực đáng tin cậy.

Cá nhân hóa không đồng nghĩa với việc làm cho mọi thứ dễ dàng hơn

Một trong những rủi ro lớn khi sử dụng AI trong giáo dục là sự nhầm lẫn giữa hoàn thành công việc và hình thành năng lực. Người học có thể sử dụng AI để giải bài tập nhanh hơn, viết mã hiệu quả hơn hoặc hoàn thành một dự án phức tạp hơn khả năng hiện tại. Tuy nhiên, những kết quả này chưa đủ để kết luận họ đã hiểu và có thể tự thực hiện những tác vụ tương tự.

Nghiên cứu Generative AI without guardrails can harm learning, công bố trên PNAS năm 2025, cung cấp một bằng chứng đáng chú ý. Trong thử nghiệm về học toán ở bậc trung học, AI giúp cải thiện kết quả khi học sinh có quyền sử dụng công cụ, nhưng nhóm sử dụng phiên bản không có những giới hạn sư phạm lại đạt kết quả thấp hơn khi phải làm bài độc lập. Phiên bản AI được thiết kế để đưa ra gợi ý thay vì trực tiếp cung cấp lời giải đã giảm đáng kể tác động tiêu cực.

Ở chiều ngược lại, một thử nghiệm ngẫu nhiên công bố trên Scientific Reports năm 2025, thực hiện trong một học phần vật lý tại Harvard, ghi nhận sinh viên sử dụng AI tutor được thiết kế theo các nguyên tắc sư phạm có kết quả học tập tốt hơn trong thời gian ngắn hơn so với nhóm học bằng phương pháp active learning được sử dụng trong nghiên cứu. Các tác giả cũng lưu ý kết quả không có nghĩa AI tutor sẽ luôn vượt trội trong mọi bối cảnh và nhấn mạnh vai trò của thiết kế sư phạm.

Hai nghiên cứu, một điểm chung

Kết quả phụ thuộc vào thiết kế sư phạm của công cụ

PNAS 2025 · Toán trung học

Khi có AI

Kết quả cải thiện

Làm bài độc lập

Nhóm dùng bản không giới hạn sư phạm đạt kết quả thấp hơn

Bản gợi ý

Gợi ý thay vì đưa lời giải: giảm đáng kể tác động tiêu cực

Scientific Reports 2025 · Vật lý, Harvard

AI tutor

Thiết kế theo nguyên tắc sư phạm

So với

Nhóm active learning trong nghiên cứu

Kết quả

Học tốt hơn trong thời gian ngắn hơn

Hệ thống tốt đôi khi cố ý tạo nỗ lực Bài tập khó hơn Giải thích lại khái niệm Quay lại kiến thức nền Giảm dần mức hỗ trợ

Hai nghiên cứu này cho thấy khả năng AI hỗ trợ việc học phụ thuộc đáng kể vào cách công cụ được triển khai. Một agent chỉ tìm cách đáp ứng yêu cầu trước mắt có thể liên tục rút ngắn nội dung, bỏ qua phần khó hoặc cung cấp lời giải ngay khi người học gặp trở ngại. Trải nghiệm có thể trở nên thuận tiện hơn, nhưng những hoạt động cần thiết để phát triển năng lực như luyện tập, suy luận độc lập, nhận phản hồi và sửa sai lại có nguy cơ bị giảm bớt.

Vì vậy, một hệ thống cá nhân hóa tốt đôi khi cần đưa ra bài tập khó hơn, yêu cầu người học giải thích lại một khái niệm hoặc đề xuất quay lại kiến thức nền, ngay cả khi họ muốn tiếp tục. Nếu người học liên tục phụ thuộc vào gợi ý, hệ thống có thể giảm dần mức độ hỗ trợ để khuyến khích việc tự giải quyết vấn đề.

Mục tiêu của cá nhân hóa không phải giúp mỗi người học ít nỗ lực hơn, mà là giúp nỗ lực học tập được sử dụng đúng chỗ và tạo ra sự tiến bộ có ý nghĩa.

Vai trò của người dạy trong một hệ thống học tập cá nhân hóa sâu

Khi người học có thể sử dụng AI để tổ chức lộ trình, tìm tài liệu và lựa chọn phương pháp học, vai trò của người dạy cần được nhìn nhận rộng hơn việc sản xuất bài giảng. Người dạy vẫn chịu trách nhiệm lựa chọn nội dung và thiết kế chương trình, nhưng đồng thời có thể tập trung nhiều hơn vào việc xây dựng hệ thống tri thức, xác định mục tiêu năng lực và thiết kế những nguyên tắc giúp việc học diễn ra hiệu quả.

Một chủ đề đào tạo khi đó không chỉ được mô tả bằng tiêu đề, thời lượng và tài liệu đi kèm. Nó có thể được liên kết với những kiến thức tiên quyết, mục tiêu cụ thể, sai lầm thường gặp, ví dụ thực tế, bài thực hành và tiêu chí đánh giá. AI sử dụng những thông tin này để đưa ra đề xuất phù hợp hơn với từng người, trong khi những yêu cầu quan trọng vẫn được duy trì.

Một phần vai trò của người dạy sẽ nằm ở việc xác định những gì có thể linh hoạt và những gì không nên thay đổi. Người học có thể lựa chọn tốc độ, hình thức trình bày hoặc chủ đề thực hành, nhưng một số kiến thức nền vẫn cần được nắm vững. Những năng lực cốt lõi vẫn cần được đánh giá bằng các tiêu chí rõ ràng, không phụ thuộc vào việc học viên đã sử dụng AI theo cách nào.

Vai trò của người dạy

Xác định những gì linh hoạt và những gì không nên thay đổi

Người học có thể lựa chọn

Tốc độ Hình thức trình bày Chủ đề thực hành

Giữ cố định

Kiến thức nền cần nắm vững Năng lực cốt lõi, đánh giá bằng tiêu chí rõ ràng

Mỗi chủ đề đào tạo được liên kết với Kiến thức tiên quyết · Mục tiêu cụ thể · Sai lầm thường gặp · Ví dụ thực tế · Bài thực hành · Tiêu chí đánh giá

Cách tiếp cận này không làm công việc của người dạy trở nên đơn giản hơn một cách tự động. Xây dựng một kho tri thức có cấu trúc, duy trì chất lượng, kiểm tra cách agent sử dụng tài nguyên và cập nhật những nguyên tắc sư phạm đều đòi hỏi công sức. Tuy nhiên, nó có thể giúp nguồn lực của người dạy được sử dụng theo một cách khác, tập trung vào chất lượng tri thức và thiết kế những điều kiện để việc học diễn ra tốt hơn, thay vì phải tự tạo ra mọi biến thể của một bài giảng.

Từ góc độ kinh doanh giáo dục, điều này cũng mở ra khả năng cung cấp sản phẩm theo những hình thức khác. Khóa học hoàn chỉnh vẫn có giá trị, đặc biệt với người mới bắt đầu và những chương trình cần sự hướng dẫn có cấu trúc. Nhưng bên cạnh đó, người học có thể tiếp cận một hệ thống tri thức và những hoạt động học tập để xây dựng hành trình phù hợp với mục tiêu cá nhân. Một nguồn tài nguyên có chất lượng có thể phục vụ nhiều nhóm người học, nhiều chương trình và nhiều phương pháp tiếp cận khác nhau.

Một hướng cần được kiểm chứng bằng kết quả học tập

Những khả năng kỹ thuật hiện tại đã đủ để bắt đầu thử nghiệm cách tiếp cận này. Chúng ta có thể tổ chức kho tài nguyên, cung cấp quyền truy cập cho AI agent, hỗ trợ người học xây dựng lộ trình và tạo nhiều hình thức học tập từ cùng một nguồn nội dung. Tuy nhiên, việc hệ thống có thể tạo ra trải nghiệm cá nhân hóa chưa chứng minh rằng trải nghiệm đó mang lại kết quả học tập tốt hơn.

Để đánh giá hiệu quả, cần phân biệt giữa sự thuận tiện, mức độ hài lòng và năng lực thực sự. Người học hoàn thành nhiều bài hơn, tương tác với AI thường xuyên hơn hoặc cảm thấy việc học dễ dàng hơn chưa chắc đã hiểu sâu hơn. Những chỉ số quan trọng hơn có thể bao gồm khả năng ghi nhớ, vận dụng kiến thức vào tình huống mới, giải quyết vấn đề độc lập và duy trì năng lực sau một khoảng thời gian.

Một hướng thực nghiệm có thể so sánh ba nhóm sử dụng cùng nguồn tài nguyên. Nhóm thứ nhất học theo lộ trình cố định được giảng viên thiết kế. Nhóm thứ hai sử dụng AI để hỗ trợ giải thích và thực hành nhưng vẫn theo lộ trình đó. Nhóm thứ ba được phép cùng AI điều chỉnh nội dung, phương pháp và tiến độ trong phạm vi những tiêu chuẩn sư phạm chung. Việc đánh giá bằng các nhiệm vụ tương đương, bao gồm cả những hoạt động không có AI hỗ trợ, có thể giúp phân biệt tác động của AI với lợi ích đến từ quyền chủ động và mức độ cá nhân hóa.

Một hướng thực nghiệm

Ba nhóm, cùng nguồn tài nguyên, cùng nhiệm vụ đánh giá

01

Lộ trình cố định

Do giảng viên thiết kế

02

Lộ trình cố định + AI

AI hỗ trợ giải thích và thực hành, vẫn theo lộ trình đó

03

Cùng AI điều chỉnh

Nội dung, phương pháp và tiến độ, trong phạm vi tiêu chuẩn sư phạm chung

Đánh giá bằng nhiệm vụ tương đương, có cả hoạt động không có AI hỗ trợ

Chưa chắc là hiểu sâu hơn

• Hoàn thành nhiều bài hơn
• Tương tác với AI thường xuyên hơn
• Cảm thấy việc học dễ dàng hơn

Chỉ số quan trọng hơn

• Khả năng ghi nhớ
• Vận dụng vào tình huống mới
• Giải quyết vấn đề độc lập
• Duy trì năng lực sau một khoảng thời gian

Cũng cần kiểm chứng cá nhân hóa đến mức nào thực sự tạo ra khác biệt. Một hệ thống có thể tạo ra hàng trăm lộ trình riêng nhưng chưa chắc hiệu quả hơn một số lộ trình được chuyên gia thiết kế tốt. Sự đa dạng của trải nghiệm không nên được xem là bằng chứng của chất lượng. Điều quan trọng là liệu những điều chỉnh theo kiến thức nền, bối cảnh thực tế và tiến độ có cải thiện kết quả học tập hay không.

Ngoài ra, người học có trở nên độc lập hơn theo thời gian cũng là một câu hỏi đáng quan tâm. Nếu hệ thống liên tục tổ chức việc học rất tốt nhưng người học ngày càng khó tự đặt mục tiêu, lựa chọn tài nguyên và đánh giá khả năng của mình, chúng ta có thể đang tạo ra một hình thức phụ thuộc mới. Một hệ thống hỗ trợ học tập có giá trị lâu dài nên góp phần phát triển năng lực tự học, thay vì thay thế hoàn toàn năng lực đó.

Từ góc độ thực nghiệm, việc cung cấp quyền truy cập kho tài nguyên và khóa học cho AI agent là bước đầu để kiểm chứng những khả năng này. Mình chưa xem đây là bằng chứng cho một mô hình đào tạo vượt trội, mà là một hướng thiết kế có cơ sở để tiếp tục phát triển, quan sát và đánh giá bằng dữ liệu thực tế.

Tương lai của việc học là cá nhân hóa, không phải định sẵn

Sự phát triển của AI đang làm giảm chi phí tìm kiếm, tổ chức, chuyển đổi và điều chỉnh nội dung học tập. Những hoạt động trước đây cần giảng viên chuẩn bị riêng hoặc hệ thống lập trình nhiều nhánh nội dung có thể được hỗ trợ linh hoạt hơn. Điều này tạo ra cơ hội để những nguồn tri thức có chất lượng phục vụ nhiều hành trình học tập khác nhau mà không đòi hỏi tất cả người học phải đi qua cùng một cấu trúc.

Mình không nghĩ lộ trình cố định sẽ biến mất, cũng không cho rằng mọi người nên tự thiết kế việc học của mình. Một chương trình được xây dựng bởi chuyên gia vẫn rất cần thiết, đặc biệt với người mới bắt đầu, những lĩnh vực có yêu cầu kiến thức tiên quyết nghiêm ngặt hoặc những chương trình đào tạo dẫn đến chứng nhận năng lực. Lớp học, giảng viên và cộng đồng cũng mang lại những giá trị mà một agent không thể thay thế hoàn toàn.

Điều có thể thay đổi là vị trí của lộ trình cố định trong hệ thống giáo dục. Thay vì là con đường mặc định mà mọi người phải đi qua, nó có thể trở thành một trong những lựa chọn được cung cấp, bên cạnh những hành trình có thể điều chỉnh theo kiến thức nền, mục tiêu và sự tiến bộ. Người học có thể bắt đầu với cấu trúc được chuyên gia thiết kế, sau đó dần tham gia nhiều hơn vào việc tổ chức quá trình học tập khi đã phát triển đủ năng lực tự đánh giá và tự định hướng.

Nếu hướng tiếp cận này được kiểm chứng hiệu quả, nó sẽ ảnh hưởng đến cách chúng ta thiết kế và phân phối sản phẩm giáo dục. Giá trị của một nền tảng không chỉ nằm ở số lượng khóa học hoặc chất lượng giao diện, mà còn ở chất lượng nguồn tri thức, những tiêu chuẩn năng lực và khả năng hỗ trợ từng người sử dụng nguồn tri thức đó một cách phù hợp.

Tương lai của việc học có thể không nằm ở việc tạo ra một chương trình hoàn hảo cho tất cả mọi người, mà ở khả năng sử dụng cùng một hệ thống tri thức để hỗ trợ những hành trình học tập khác nhau, với mức độ cá nhân hóa đủ sâu để đáp ứng nhu cầu của từng người.

Đây là một hướng cần tiếp tục nghiên cứu và thực nghiệm. Nhưng với sự phát triển của AI agent và khả năng kết nối trực tiếp đến các nguồn tài nguyên giáo dục, chúng ta đã có điều kiện để kiểm chứng nó trong thực tế.

Và có lẽ đây là thay đổi đáng quan tâm nhất: người dạy không còn phải dự đoán trước toàn bộ cách mà mỗi học viên sẽ tiếp cận kiến thức, trong khi người học cũng không nhất thiết phải thích nghi hoàn toàn với một lộ trình được thiết kế từ trước. Cả hai có thể cùng dựa trên một hệ thống tri thức có chất lượng, với AI hỗ trợ tổ chức những trải nghiệm phù hợp hơn.

Một nguồn tri thức chung vẫn có thể duy trì những tiêu chuẩn năng lực thống nhất. Nhưng hành trình để mỗi người đạt đến những tiêu chuẩn đó không nhất thiết phải giống nhau.

Định vị lõi

#ai#agent#giao-duc#ca-nhan-hoa#mcp#self-regulated-learning