Chương 10: Social, Collaborative & Community AI

Bối cảnh / Vấn đề

Chín chương đầu đã đi qua cá nhân người học: trí nhớ, động lực, đánh giá, dữ liệu, tutoring, accessibility và trải nghiệm immersive. Nhưng học tập hiếm khi là một hành động hoàn toàn đơn độc. Người học hiểu một khái niệm qua tranh luận với bạn học, sửa bài cho nhau, bắt chước cách người khác đặt câu hỏi, tham gia một cộng đồng thực hành, hoặc tìm thấy bản sắc học tập trong một nhóm cùng sở thích. Nếu EdTech chỉ tối ưu hóa đường đi của từng cá nhân, nó bỏ qua một nửa môi trường nơi tri thức được hình thành: quan hệ xã hội.

AI trong giáo dục thường được mô tả như một gia sư cá nhân. Cách nhìn đó hữu ích nhưng chưa đủ. Trong lớp học thật, nhiều vấn đề không nằm ở việc một người học thiếu lời giải, mà ở việc nhóm không phối hợp được: có người im lặng, có người chiếm diễn đàn, có người làm hết, có người đi nhờ, nhóm né xung đột, phản hồi ngang hàng hời hợt, hoặc cộng đồng trở thành nơi người mới không dám tham gia. Những vấn đề đó không thể giải bằng một chatbot trả lời đúng.

Social, Collaborative & Community AI là nhóm công nghệ dùng AI để hỗ trợ học tập giữa người với người. Nó có thể gợi vai trò nhóm, phát hiện mất cân bằng tham gia, nhắc người học đưa bằng chứng, hỗ trợ chấm chéo, tóm tắt tranh luận, phát hiện người học bị cô lập, kết nối người cùng quan tâm, điều phối cộng đồng, hoặc cảnh báo rủi ro xã hội. Nhưng nó cũng có thể làm cộng tác nghèo đi nếu được dùng sai: nhóm nói ít hơn vì AI đã tóm tắt hộ, người học dựa vào AI thay vì hỏi nhau, dữ liệu quan hệ bị dùng để xếp hạng, hoặc thuật toán vô tình củng cố nhóm thân quen và loại trừ người yếu thế.

Nền tảng lý thuyết

Học cộng tác không đơn giản là đặt nhiều người vào cùng một phòng hay cùng một diễn đàn. Computer-Supported Collaborative Learning (CSCL) nghiên cứu cách công nghệ hỗ trợ người học cùng xây dựng tri thức, điều phối hoạt động, phản hồi cho nhau và tự điều chỉnh theo nhóm. Một nhóm học tốt cần nhiều tầng: mục tiêu chung, phụ thuộc tích cực, vai trò rõ, tiêu chuẩn chất lượng, không gian trao đổi, cơ chế phản hồi, và sự hiện diện của giáo viên hoặc người điều phối khi nhóm lệch hướng.

Một khái niệm trung tâm trong CSCL là group awareness: người học nhìn thấy thông tin có ích về hoạt động, hiểu biết, cảm xúc hoặc đóng góp của các thành viên khác. Chen và cộng sự thực hiện meta-analysis ba tầng trên 46 nghiên cứu và thấy group awareness support trong CSCL có hiệu ứng vừa phải nhưng có ý nghĩa với kết quả học tập, với Hedges' g = 0,46; tác động mạnh nhất nằm ở phát triển nhận thức, sau đó là tham gia hành vi và cảm xúc xã hội (Chen et al., 2024). Kết quả này quan trọng vì nó cho thấy “nhìn thấy nhóm” có thể giúp nhóm học tốt hơn, nhưng hiệu quả phụ thuộc vào loại hỗ trợ và quy mô nhóm.

Community of Inquiry (CoI) cũng hữu ích cho chương này. CoI xem trải nghiệm học trực tuyến có ba loại presence: cognitive presence, social presence và teaching presence. Một nghiên cứu định tính năm 2024 về tutorials cộng tác cho thấy phần lớn sinh viên và tutor vẫn ưu tiên gặp trực tiếp vì tương tác trực tiếp được cảm nhận là giúp thảo luận sâu hơn, tạo kết nối xã hội và bảo vệ wellbeing; online có lợi về tiện dụng nhưng dễ làm giảm tín hiệu phi ngôn ngữ và tăng tải ngoại lai (Chim et al., 2024). Social presence không tự xuất hiện từ công cụ. Nó cần được thiết kế.

Khi đưa AI vào cộng tác, một cảnh báo lớn đến từ nghiên cứu human-AI collaboration nói chung. Vaccaro, Almaatouq và Malone tổng hợp 106 nghiên cứu thực nghiệm, 370 effect sizes, và thấy trung bình tổ hợp người-AI có thể kém hơn phương án tốt nhất giữa người hoặc AI riêng lẻ; lợi ích khác nhau theo loại nhiệm vụ, rõ hơn ở tạo nội dung và kém hơn ở ra quyết định (Vaccaro et al., 2024). Trong giáo dục, điều này có nghĩa AI không tự làm nhóm thông minh hơn. Nó phải được đặt đúng vai: hỗ trợ nhóm nhìn, nghĩ, nói và phản tư tốt hơn, thay vì thay nhóm quyết định.

CSCL và điều phối nhóm

AI có thể hỗ trợ điều phối nhóm ở ba tầng: trước hoạt động, trong hoạt động và sau hoạt động.

Trước hoạt động, AI có thể giúp lập nhóm, phân vai, dự đoán rủi ro phối hợp và chuẩn bị scaffold. Hệ thống có thể gợi nhóm gồm các năng lực bổ sung, tránh dồn người mới vào cùng một nhóm, hoặc đề xuất vai trò luân phiên như facilitator, evidence checker, skeptic, summarizer và connector. Nhưng lập nhóm bằng thuật toán không nên xem là tối ưu hóa thuần kỹ thuật. Wang, Yang và Li tổng quan 34 nghiên cứu về intelligent grouping, cho thấy phạm vi ứng dụng vẫn hẹp, đặc điểm người học được dùng để lập nhóm còn hạn chế, và việc đáp ứng nhu cầu của tất cả người học vẫn khó (Wang et al., 2024).

Trong hoạt động, AI có thể quan sát tín hiệu cộng tác: ai nói nhiều, ai chưa phản hồi, nhóm đang hỏi câu hỏi hay chỉ trao đổi xã giao, lập luận có bằng chứng không, có vòng lặp “đồng ý nhanh” không, có người bị bỏ qua không. Một dashboard tốt không chỉ đếm lượt chat. Nó giúp giáo viên hoặc nhóm thấy điều gì cần can thiệp: “Nhóm này có nhiều câu trả lời nhưng ít câu hỏi”, “thành viên A chưa nhận phản hồi”, “nhóm đang dùng nhiều ý kiến nhưng ít evidence”, hoặc “cuộc thảo luận đang xoay quanh một người”.

Ouyang và Zhang tổng quan các công cụ learning analytics dùng AI trong CSCL và chỉ ra rằng các công cụ hiện có chủ yếu tập trung vào cognitive engagement, dùng dữ liệu discourse, hành vi và đánh giá để tạo thống kê hoặc visualization; tuy nhiên vẫn thiếu nguyên tắc thiết kế rõ, thiếu cảnh báo hoặc gợi ý hành động cho giảng viên, và thiếu hỗ trợ can thiệp sư phạm (Ouyang & Zhang, 2024). Đây là khoảng cách rất thực tế. Một biểu đồ đẹp về nhóm không đủ. Nếu giáo viên không biết phải làm gì với biểu đồ đó, analytics chỉ là trang trí.

Sau hoạt động, AI có thể hỗ trợ reflection bằng cách tóm tắt quyết định chính, điểm chưa thống nhất, bằng chứng đã dùng và câu hỏi cho lần sau. Nhưng reflection phải để nhóm tự đọc và tranh luận, không phải nhận một bản phán quyết. AI có thể nói “có dấu hiệu mất cân bằng tham gia”, nhưng không nên tự động trừ điểm một thành viên im lặng. Im lặng có nhiều nguyên nhân: người học đang đọc, ngại ngôn ngữ, bị nhóm lấn át, gặp vấn đề thiết bị, hoặc đang đóng góp qua tài liệu chung.

Peer learning ở quy mô lớn

Peer learning là một trong những lời hứa bền bỉ nhất của EdTech quy mô lớn. Khi lớp có hàng trăm hoặc hàng nghìn người, giáo viên không thể phản hồi chi tiết cho từng bài. Người học có thể đọc bài của nhau, góp ý, chấm chéo, giải thích, hỏi lại và học qua việc đánh giá sản phẩm của người khác. Nhưng peer learning chỉ hiệu quả khi có cấu trúc. Nếu chỉ yêu cầu “hãy nhận xét bài bạn”, phản hồi thường rơi vào vài câu lịch sự: “bài tốt”, “cần chi tiết hơn”, “mình đồng ý”.

Các hệ thống online peer-review and assessment (OPRA) đã phát triển trong hơn hai thập kỷ. Babik và cộng sự mô tả OPRA như các hệ thống hỗ trợ thu bài, phân phối bài cho người phản hồi, đặt deadline, scaffold phản hồi, tổng hợp điểm và theo dõi quy trình (Babik et al., 2024). Peer review không chỉ là cách giảm tải chấm bài. Nó có thể là hoạt động học sâu, vì người học phải phân tích tiêu chí, so sánh sản phẩm, nhận ra lỗi, diễn đạt góp ý và phản tư về bài của mình.

Gao và cộng sự tổng quan 73 nghiên cứu về online peer feedback trong giáo dục đại học, dùng mô hình MISCA để phân tích content, function, student characteristics, presentation và source. Họ thấy phản hồi nhận thức là loại phổ biến nhất; peer feedback thường được dùng để cải thiện task performance; rubric và training là hai hỗ trợ thường gặp; đặc điểm cá nhân của người học còn ít được nghiên cứu; và rất ít nghiên cứu kết hợp phản hồi từ peers với các nguồn khác (Gao et al., 2024). Điều này gợi ý một cách dùng AI hợp lý: không thay peer feedback, mà nâng chất lượng của nó.

AI có thể hỗ trợ peer learning theo nhiều cách: huấn luyện người học trước khi phản hồi, kiểm tra phản hồi có cụ thể và gắn với rubric không, phân phối bài để mỗi người nhận được nhiều góc nhìn, phát hiện reviewer quá dễ hoặc quá khắt khe, và giúp người nhận tổng hợp các ý kiến mâu thuẫn.

Nhưng peer learning có rủi ro riêng. Nếu AI sửa hết phản hồi trước khi gửi, người học mất cơ hội học cách góp ý. Nếu hệ thống dùng reputation score quá mạnh, người mới có thể bị giảm tiếng nói. Nếu chấm chéo được tính điểm mà không có calibration, người học có thể cho điểm theo cảm tính, trả đũa hoặc thiên vị. Nếu anonymity được dùng không cẩn thận, nó có thể giúp người học nói thật hơn nhưng cũng có thể làm phản hồi thô hơn.

Social Network Analysis

Social network analysis (SNA) nhìn lớp học như một mạng quan hệ: ai tương tác với ai, ai là trung tâm, ai làm cầu nối giữa nhóm, ai bị cô lập, nhóm nào tách thành cụm, dòng thông tin đi theo hướng nào. Trong giáo dục, SNA không nhằm biến quan hệ người học thành một bảng xếp hạng xã hội. Nó là cách phát hiện những điều giáo viên khó thấy trong lớp đông hoặc môi trường online.

Một diễn đàn có thể có nhiều bài viết nhưng vẫn nghèo mạng lưới. Nếu 80% phản hồi chỉ đi từ sinh viên đến giáo viên, peer learning yếu. Nếu một vài người luôn ở trung tâm còn nhiều người không được ai trả lời, cộng đồng đang tạo bất bình đẳng tham gia. Nếu nhóm có nhiều cụm nhỏ không kết nối, ý tưởng khó lan.

Tuy nhiên, số lượng kết nối không đồng nghĩa với học sâu. Một người ít nhắn nhưng đọc kỹ và nộp sản phẩm tốt không nên bị coi là “kém cộng tác”. Một người nhắn nhiều có thể chỉ lặp lại ý người khác. Vì vậy, SNA cần đi cùng phân tích chất lượng diễn ngôn. Ouyang, Wu và Gu dùng multilayer network analysis để phân tích collaborative knowledge construction ở ba tầng: cá nhân, cặp đôi và nhóm. Họ thấy nhóm có engagement nhận thức cao có nhiều chiến lược nhận thức vừa và sâu ở tầng peer và group, đồng thời có mạng lưới đa dạng và kết nối hơn giữa các chiến lược (Ouyang et al., 2024). Kết quả này cho thấy phân tích mạng hữu ích nhất khi nó nối quan hệ xã hội với chiến lược nhận thức, không dừng ở lượt tương tác.

SNA cũng là vùng nhạy cảm về quyền riêng tư. Dữ liệu quan hệ có thể tiết lộ ai bị cô lập, ai thân với ai, ai có ảnh hưởng, ai bị bỏ qua. Nếu dashboard hiển thị công khai quá nhiều, nó có thể làm người học xấu hổ hoặc củng cố vai trò xã hội hiện có. Một nguyên tắc đơn giản: dữ liệu mạng nên phục vụ can thiệp hỗ trợ, không phục vụ gắn nhãn. Người học cần biết dữ liệu nào được thu, dùng để làm gì, ai thấy, giữ bao lâu, và có quyền phản hồi ra sao.

Learning communities

Không phải mọi học tập xã hội đều diễn ra trong lớp chính khóa. Scratch, Minecraft, maker spaces, robotics clubs, diễn đàn lập trình, cộng đồng viết, cộng đồng thiết kế và các mạng học tập theo sở thích cho thấy một kiểu động lực khác: người học tham gia vì muốn làm ra thứ gì đó, muốn được công nhận bởi cộng đồng, muốn remix tác phẩm của người khác, hoặc muốn trở thành “người biết làm” trong một lĩnh vực.

Papert từng đặt nền cho constructionism: người học hiểu sâu khi tạo ra sản phẩm có ý nghĩa với mình và có thể chia sẻ với người khác (Papert, 1980). Scratch tiếp nối tinh thần đó bằng môi trường lập trình nơi trẻ em có thể tạo dự án, xem mã của người khác, remix và nhận phản hồi. Resnick gọi đây là học qua creative learning, nhấn mạnh projects, passion, peers và play (Resnick, 2017). Ở đây, “peers” không chỉ là bạn cùng lớp. Đó là cộng đồng giúp người học thấy mình thuộc về một thực hành.

Maker spaces cũng vận hành theo logic tương tự. Scharon, Phillips và Jones-Davis đề xuất một learning framework cho K-12 invention education, nhấn mạnh invention mindset, agency, collaboration và iterative making trong các môi trường như museum makerspaces (Scharon et al., 2024). Trong các cộng đồng này, giáo viên không chỉ truyền nội dung. Họ thiết kế môi trường, vật liệu, chuẩn mực phản hồi, cơ hội trình bày, và những khoảnh khắc người học được thấy sản phẩm của mình có người dùng thật.

Minecraft trong giáo dục là ví dụ khác. Một case study năm 2024 cho thấy Minecraft có thể hỗ trợ active teaching methods, remote laboratory, immersive learning và game-based learning trong bối cảnh học từ xa (Cigognini et al., 2024). Nhưng giá trị giáo dục không nằm ở Minecraft tự thân. Nó nằm ở nhiệm vụ: xây mô hình lịch sử, mô phỏng hệ sinh thái, thiết kế thành phố bền vững, giải quyết bài toán không gian, hoặc hợp tác theo vai trò.

AI có thể hỗ trợ learning communities bằng cách giảm rào cản tham gia. Nó có thể giúp người mới tìm dự án phù hợp, giải thích quy ước cộng đồng, dịch ngôn ngữ, gợi tài nguyên, tóm tắt thread dài, phát hiện câu hỏi chưa có ai trả lời, đề xuất mentor, hoặc hỗ trợ moderation. Với cộng đồng lớn, AI có thể giúp duy trì trí nhớ tập thể: câu hỏi thường gặp, bài học từ dự án cũ, lỗi phổ biến, mẫu phản hồi tốt.

Nhưng cộng đồng học tập không nên bị tối ưu hóa quá mức theo logic nền tảng. Nếu hệ thống chỉ đẩy dự án nhiều lượt thích, người mới học theo trend thay vì khám phá. Nếu thuật toán gợi bạn học dựa trên người giống mình, cộng đồng mất đa dạng. Nếu AI viết hộ phần giới thiệu, phản hồi và tóm tắt, cộng đồng có nhiều nội dung hơn nhưng ít quan hệ thật hơn.

Rủi ro xã hội

Học cộng tác có nhiều lợi ích, nhưng cũng có mặt tối. Một nhóm có thể tạo cảm giác thuộc về, hoặc tạo cảm giác bị loại. Một cộng đồng có thể giúp người học dám thử, hoặc làm người học sợ bị chê. Một cơ chế uy tín có thể nâng chất lượng phản hồi, hoặc biến lớp học thành cuộc đua địa vị. AI không xóa các rủi ro này. Nó có thể khuếch đại chúng.

Rủi ro đầu tiên là social loafing: một số thành viên đóng góp ít nhưng vẫn hưởng điểm nhóm. AI có thể phát hiện tín hiệu đóng góp không đều, nhưng nếu dùng cơ học quá, nó khuyến khích người học tạo dấu vết giả: nhắn nhiều hơn, chỉnh sửa nhỏ nhiều lần hơn, hoặc để lại bình luận hời hợt. Đo đóng góp phải kết hợp log dữ liệu, đánh giá ngang hàng, sản phẩm thực tế và phản tư cá nhân.

Rủi ro thứ hai là groupthink. Nhóm muốn hòa thuận nên tránh bất đồng, chấp nhận ý tưởng đầu tiên, hoặc nghe theo người có địa vị. AI có thể đóng vai “skeptic” hoặc nhắc nhóm xem xét bằng chứng ngược. Nhưng nếu AI luôn đưa ra “phương án hợp lý”, nó cũng có thể trở thành một nguồn quyền lực mới khiến nhóm ít tranh luận hơn. Cách dùng tốt hơn là yêu cầu AI đặt câu hỏi, không đưa kết luận quá sớm.

Rủi ro thứ ba là bắt nạt, loại trừ và văn hóa im lặng. Trong diễn đàn, nhóm chat hoặc cộng đồng dự án, người học có thể bị chế giễu, bị bỏ qua, bị chấm thấp vì không thuộc nhóm thân quen, hoặc bị ép nhận vai trò ít được công nhận. AI moderation có thể phát hiện ngôn ngữ độc hại, nhưng nhiều hành vi loại trừ không thô bạo: không trả lời câu hỏi, không tag vào tài liệu, không mời vào cuộc họp, hoặc chỉ giao việc phụ. Những tín hiệu này cần kết hợp phân tích mạng, phản hồi ẩn danh và quan sát của giáo viên.

Rủi ro thứ tư là chênh lệch vốn xã hội. Người học có kỹ năng ngôn ngữ tốt, tự tin, có thiết bị tốt, quen văn hóa tranh luận, hoặc có bạn trong lớp thường hưởng lợi hơn từ học cộng tác. Người học mới, người hướng nội, người học ngôn ngữ thứ hai, người khuyết tật, hoặc người không có thời gian online liên tục có thể bị đẩy ra rìa. AI có thể giúp bằng caption, dịch, tóm tắt, phân vai và nhắc turn-taking, nhưng cũng có thể làm lệch nếu nó đánh giá cao phong cách giao tiếp của nhóm đa số.

Rủi ro thứ năm đến từ generative AI trong group work. Wei và Perkins tổng quan các nghiên cứu 2023-2025 về GenAI và group work trong giáo dục đại học. Họ ghi nhận lợi ích như phát triển tri thức nhóm, tạo ý tưởng, hỗ trợ phản tư, tăng hiệu quả giao tiếp, điều phối nhiệm vụ và phản hồi kịp thời; nhưng cũng nêu rủi ro giảm tương tác peer-to-peer, giảm critical engagement khi phụ thuộc quá mức, cùng lo ngại về privacy, transparency và bias (Wei & Perkins, 2026). Đây là điểm then chốt: AI có thể làm nhóm nhanh hơn, nhưng nhanh hơn không nhất thiết là học sâu hơn.

Tiêu chí benchmark / Cách đánh giá

Đánh giá Social, Collaborative & Community AI phải vượt khỏi điểm số cá nhân. Một hệ thống hỗ trợ cộng tác có thể làm điểm trung bình tăng nhẹ nhưng làm nhóm bất công hơn. Benchmark cần đo nhiều tầng.

Nhóm tiêu chí đầu tiên là kết quả học tập cá nhân và nhóm. Người học có hiểu nội dung tốt hơn không? Sản phẩm nhóm có chất lượng cao hơn không? Từng thành viên có thể giải thích phần việc của mình và phần việc chung không? Có transfer sang nhiệm vụ mới không?

Nhóm thứ hai là chất lượng tương tác và công bằng tham gia. Nhóm có đặt câu hỏi, phản biện, dùng bằng chứng, xây tiếp ý tưởng của nhau, sửa hiểu lầm và tổng hợp không? Tỉ lệ đóng góp có quá lệch không? Người ít nói có được phản hồi không? Vai trò có luân phiên không? Hệ thống cần ghi nhận cả những đóng góp ít thấy như ghi chú, tổ chức lịch, kiểm chứng, hòa giải và tổng hợp.

Nhóm thứ ba là sức khỏe mạng quan hệ và chất lượng peer feedback. SNA có thể đo mức cô lập, centralization, density, reciprocity, bridge roles và sự phân mảnh cụm, nhưng phải đọc cùng dữ liệu định tính: cảm giác thuộc về, an toàn tâm lý, mức tin cậy và trải nghiệm bị loại trừ. Peer feedback cần được đo bằng độ cụ thể, mức bám rubric, bằng chứng, gợi ý hành động, giọng tôn trọng và khả năng giúp người nhận sửa bài.

Nhóm thứ tư là vai trò của AI, an toàn và tính bền vững cộng đồng. AI đang giúp nhóm nói với nhau nhiều hơn hay ít hơn? Nó tạo câu hỏi hay đưa đáp án? Nó có giảm bắt nạt, loại trừ, social loafing và groupthink không? Sau khóa học, người học có tiếp tục trao đổi, chia sẻ sản phẩm, giúp người mới, hoặc tham gia dự án mới không?

Phân tích phản biện

Có ba ảo tưởng thường gặp khi nói về AI cho học cộng tác.

Ảo tưởng thứ nhất là “nhiều tương tác hơn nghĩa là học tốt hơn”. Nhiều bài đăng, nhiều lượt chat, nhiều reaction có thể chỉ là nhiễu. Một nhóm tốt không phải nhóm nói nhiều nhất, mà là nhóm biết khi nào cần hỏi, khi nào cần giải thích, khi nào cần bất đồng, khi nào cần tổng hợp và khi nào cần quyết định.

Ảo tưởng thứ hai là “AI có thể điều phối nhóm khách quan”. Không có điều phối xã hội hoàn toàn khách quan. Dữ liệu luôn phản ánh lựa chọn thiết kế: hệ thống ghi nhận gì, bỏ qua gì, xem hành vi nào là có giá trị, xem im lặng là vấn đề hay là chiến lược, xem tranh luận là xung đột hay học sâu. Nếu thiết kế sai, AI làm tăng quyền lực của thước đo sai.

Ảo tưởng thứ ba là “AI teammate sẽ thay thế thiếu hụt cộng đồng”. Một AI character có thể hỏi câu hỏi, đóng vai khách hàng, phản biện ý tưởng hoặc tóm tắt họp nhóm. Nhưng nó không thay được kinh nghiệm học cách lắng nghe người thật, thương lượng bất đồng thật, nhận trách nhiệm trước nhóm thật và xây lòng tin thật. Nếu người học dùng AI để tránh tương tác khó với peers, kỹ năng cộng tác có thể yếu đi.

Vấn đề sâu hơn là EdTech thường thích những gì đo được. Quan hệ xã hội, niềm tin, sự an toàn, bản sắc và cảm giác thuộc về khó đo hơn điểm quiz, nhưng lại quyết định nhiều.

Nguyên tắc thiết kế

Nguyên tắc đầu tiên: thiết kế nhiệm vụ có phụ thuộc thật. Nếu mỗi người làm một phần độc lập rồi ghép lại, AI điều phối cũng không cứu được học cộng tác. Nhiệm vụ tốt buộc người học cần ý tưởng của nhau: cùng giải một vấn đề mở, cùng đánh giá bằng chứng, cùng tạo sản phẩm có tiêu chí chung, hoặc cùng đưa ra quyết định có trade-off.

Nguyên tắc thứ hai: AI nên tạo điều kiện cho đối thoại, không thay đối thoại. Thay vì viết câu trả lời cho nhóm, AI nên đặt câu hỏi: “Bằng chứng nào ủng hộ lựa chọn này?”, “Ai chưa có cơ hội phản hồi?”, “Có giả định nào nhóm chưa kiểm tra?”, “Nếu phản biện phương án này, điểm yếu là gì?” Vai trò cần rõ và luân phiên để người học không bị đóng khung mãi trong một vị trí.

Nguyên tắc thứ ba: dashboard phải dẫn tới hành động, và peer feedback phải được huấn luyện. Mỗi chỉ số nên đi kèm câu hỏi sư phạm và gợi ý can thiệp. Rubric, ví dụ phản hồi, calibration, meta-review và cơ hội sửa bài là phần bắt buộc; AI có thể hỗ trợ từng bước, nhưng người học phải hiểu tiêu chí và chịu trách nhiệm với góp ý của mình.

Nguyên tắc thứ tư: cộng đồng cần governance và bảo vệ dữ liệu quan hệ như dữ liệu nhạy cảm. Quy tắc ứng xử, moderation, quy trình báo cáo, bảo vệ người mới, ghi nhận đóng góp, cách xử lý remix, phân quyền hiển thị và cơ chế khiếu nại phải rõ. Không phải ai cũng cộng tác bằng cách nói nhiều trong chat; hệ thống nên ghi nhận nhiều dạng đóng góp như đặt câu hỏi, tổng hợp, sửa lỗi, đưa tài liệu, kiểm chứng, hỗ trợ cảm xúc, tổ chức tiến độ và phản biện.

Tổng kết chương

AI cho học tập xã hội có tiềm năng lớn, nhưng giá trị của nó không nằm ở việc biến nhóm thành quy trình tự động. Giá trị nằm ở việc giúp nhóm nhìn thấy chính mình, đối thoại tốt hơn, phản hồi sâu hơn, kết nối công bằng hơn và duy trì cộng đồng lành mạnh hơn.

Có năm điểm cần giữ lại. Thứ nhất, học cộng tác cần thiết kế nhiệm vụ, vai trò và chuẩn mực; công cụ không tự tạo cộng tác. Thứ hai, group awareness và learning analytics có bằng chứng hỗ trợ, nhưng chỉ hữu ích khi dẫn tới can thiệp sư phạm. Thứ ba, peer learning ở quy mô lớn cần rubric, training, calibration và cơ chế phản hồi nhiều vòng. Thứ tư, social network analysis giúp phát hiện cô lập và bất bình đẳng, nhưng phải được dùng với quyền riêng tư và diễn giải thận trọng. Thứ năm, learning communities như Scratch, Minecraft và maker spaces cho thấy học tập gắn với bản sắc, sản phẩm và cộng đồng; AI nên hỗ trợ sự tham gia đó, không thay thế quan hệ giữa người học.

Chương tiếp theo chuyển từ cộng đồng học tập sang hạ tầng rộng hơn: LMS, SIS, đánh giá số, dữ liệu liên thông và các hệ sinh thái EdTech. Nếu chương này hỏi “AI thay đổi quan hệ học tập ra sao?”, chương sau hỏi “hạ tầng nào quyết định dữ liệu và trải nghiệm ấy có vận hành được hay không?”.

Tài liệu tham khảo

Babik, D., Gehringer, E., Kidd, J., Sunday, K., Tinapple, D., & Gilbert, S. (2024). A systematic review of educational online peer-review and assessment systems: charting the landscape. Educational Technology Research and Development, 72, 1653-1689. https://doi.org/10.1007/s11423-024-10349-x

Chen, D., Zhang, Y., Luo, H., Zhu, Z., Ma, J., & Lin, Y. (2024). Effects of group awareness support in CSCL on students' learning performance: A three-level meta-analysis. International Journal of Computer-Supported Collaborative Learning, 19, 97-129. https://doi.org/10.1007/s11412-024-09418-3

Chim, H. Q., Dolmans, D. H. J. M., oude Egbrink, M. G. A., & Savelberg, H. H. C. M. (2024). Experiences of face-to-face and online collaborative learning tutorials: A qualitative community of inquiry approach. Education and Information Technologies, 29, 18561-18589. https://doi.org/10.1007/s10639-024-12533-1

Cigognini, E. M., et al. (2024). Minecraft as an Educational Tool Before, During, and After the Pandemic: A Case Study Research Project. European Journal of Open, Distance and E-Learning, 26(1), 87-103. https://doi.org/10.2478/eurodl-2024-0011

Gao, X., Noroozi, O., Gulikers, J., Biemans, H. J. A., & Banihashem, S. K. (2024). A systematic review of the key components of online peer feedback practices in higher education. Educational Research Review, 42, 100588. https://doi.org/10.1016/j.edurev.2023.100588

Moon, J., McNeill, L., Edmonds, C. T., Banihashem, S. K., & Noroozi, O. (2024). Using learning analytics to explore peer learning patterns in asynchronous gamified environments. International Journal of Educational Technology in Higher Education, 21, 45. https://doi.org/10.1186/s41239-024-00476-z

Ouyang, F., Wu, M., & Gu, J. (2024). Using multilayer network analysis to detect the collaborative knowledge construction characteristics among learner groups with low, medium, and high levels of cognitive engagement. Computers & Education, 223, 105173. https://doi.org/10.1016/j.compedu.2024.105173

Ouyang, F., & Zhang, L. (2024). AI-driven learning analytics applications and tools in computer-supported collaborative learning: A systematic review. Educational Research Review, 44, 100616. https://doi.org/10.1016/j.edurev.2024.100616

Papert, S. (1980). Mindstorms: Children, Computers, and Powerful Ideas. Basic Books.

Resnick, M. (2017). Lifelong Kindergarten: Cultivating Creativity through Projects, Passion, Peers, and Play. MIT Press.

Scharon, C. J., Phillips, A., & Jones-Davis, D. (2024). The mind of a maker: a learning framework for a continuum of K-12 invention education. Frontiers in Education, 9, 1352274. https://doi.org/10.3389/feduc.2024.1352274

Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293-2303. https://doi.org/10.1038/s41562-024-02024-1

Wang, Z., Yang, X., & Li, K. (2024). A systematic review of intelligent grouping in collaborative learning. Interactive Learning Environments. https://doi.org/10.1080/10494820.2024.2444538

Wei, Y., & Perkins, M. (2026). Generative AI and student collaboration: a scoping review of group work processes, outcomes, and risks. International Journal for Educational Integrity, 22, 8. https://doi.org/10.1007/s40979-026-00217-x