Chương 12: Các lý thuyết học tập dưới ánh sáng AI

Bối cảnh / Vấn đề

Phần II đã đi qua bản đồ công nghệ: tutoring, assessment, analytics, immersive learning, cộng đồng học tập và hạ tầng hệ sinh thái. Phần III quay lại một câu hỏi nền hơn: công nghệ đó đang dựa trên giả định học tập nào? Một hệ thống AI không bao giờ trung tính về sư phạm. Nó luôn mang theo một quan niệm ngầm về người học: người học là tập hợp hành vi cần củng cố, bộ xử lý thông tin có giới hạn, người kiến tạo ý nghĩa, thành viên của cộng đồng, nút trong mạng tri thức, hay người giải quyết vấn đề ở nhiều tầng nhận thức.

Vấn đề là nhiều sản phẩm EdTech dùng ngôn ngữ hiện đại nhưng vẫn vận hành bằng lý thuyết cũ mà không nói rõ. Một app luyện tập có thể gọi mình là “AI cá nhân hóa” nhưng thực chất là drill và reinforcement. Một chatbot có thể được quảng bá như “gia sư Socratic” nhưng lại chỉ đưa đáp án nhanh. Một simulation có thể nói theo constructivism, nhưng nếu người học chỉ bấm theo hướng dẫn, nó vẫn là bài giảng tuyến tính mặc áo tương tác.

Điều này không có nghĩa các lý thuyết cũ đã lỗi thời. AI làm chúng cần thiết hơn. Behaviorism giúp ta hiểu luyện tập có phản hồi. Cognitivism nhắc rằng chú ý, trí nhớ làm việc và mental model không thể bị bỏ qua. Constructivism nhấn mạnh thử nghiệm và kiến tạo hiểu biết. Social constructivism đặt học tập trong đối thoại và scaffolding. Connectivism xem tìm, lọc và kết nối tri thức là một phần của học. Bloom và ICAP giúp ta phân biệt mức độ nhận thức thay vì gọi mọi thao tác trên màn hình là “interactive”.

Chương này dùng từng lý thuyết để hỏi: AI làm gì tốt, bỏ sót gì, và bằng chứng nào giúp ta không bị cuốn theo ngôn ngữ sản phẩm?

Nền tảng lý thuyết

Behaviorism tập trung vào hành vi quan sát được, phản hồi và hệ quả. Trong giáo dục, nó đi vào programmed instruction, teaching machines, drill, mastery checks và feedback tức thời. Skinner từng lập luận rằng máy dạy học có thể cho người học tiến từng bước nhỏ và nhận phản hồi ngay, thay vì chờ giáo viên chấm sau nhiều ngày (Skinner, 1958). Nhiều hệ thống adaptive practice ngày nay vẫn dùng logic này: chẩn đoán lỗi, chọn bài kế tiếp và lặp lại cho đến khi fluency tăng.

Cognitivism chuyển trọng tâm sang chú ý, bộ nhớ làm việc, schema, mental model và tải nhận thức. Cognitive Load Theory nhắc rằng người học không thể xử lý vô hạn thông tin cùng lúc; thiết kế tốt phải giảm tải ngoại lai, quản lý độ khó nội tại và kích hoạt xử lý sinh nghĩa (Sweller, 1988). Multimedia learning cũng dựa trên giả định tương tự: hình, chữ, âm thanh hay video chỉ có ích khi chúng giúp người học xây mô hình tinh thần (Mayer, 2021).

Constructivism xem người học là người chủ động kiến tạo hiểu biết. Piaget nhấn mạnh quá trình đồng hóa và điều tiết khi người học gặp trải nghiệm không khớp với cấu trúc hiểu biết cũ (Piaget, 1970). Trong EdTech, tinh thần này xuất hiện ở inquiry learning, simulation, sandbox, project-based learning và môi trường nơi người học thử, sai, sửa, giải thích và tạo sản phẩm.

Social constructivism đưa người khác và công cụ vào trung tâm. Vygotsky mô tả Zone of Proximal Development (ZPD) như khoảng giữa điều người học làm được một mình và điều họ làm được với hỗ trợ phù hợp (Vygotsky, 1978). Scaffolding không phải là làm hộ; nó là hỗ trợ tạm thời để người học thực hiện nhiệm vụ vượt quá năng lực hiện tại, rồi rút dần khi năng lực tăng. Trong thời AI, câu hỏi mới là: AI có thể là một dạng scaffold không, và khi nào scaffold đó làm người học lệ thuộc?

Connectivism xuất hiện khi tri thức không còn nằm gọn trong sách giáo khoa, lớp học hay trí nhớ cá nhân. Siemens mô tả học tập trong thời mạng như năng lực kết nối các nguồn thông tin, nhận ra pattern, cập nhật liên tục và biết “biết ở đâu” quan trọng không kém “biết cái gì” (Siemens, 2005). Knowledge graph, search, recommendation, cộng đồng mở và AI retrieval systems đều làm câu hỏi này trở nên thực tế hơn.

Bloom và ICAP giúp ta đọc độ sâu của hoạt động học. Bloom’s Taxonomy phân biệt các mức như nhớ, hiểu, áp dụng, phân tích, đánh giá và sáng tạo (Bloom, 1956; Anderson & Krathwohl, 2001). ICAP phân loại mức tham gia nhận thức thành Passive, Active, Constructive và Interactive; theo Chi và Wylie, hoạt động tương tác sâu thường có tiềm năng học cao hơn hoạt động chỉ tiếp nhận hoặc thao tác bề mặt (Chi & Wylie, 2014).

Behaviorism 2.0

Behaviorism 2.0 xuất hiện rõ nhất trong drill, practice, adaptive quiz, gamified streak, spaced review và feedback tức thời. Với kỹ năng cần fluency như bảng cửu chương, từ vựng, ký hiệu hóa học, nhận diện âm vị, công thức cơ bản hoặc quy trình thao tác, luyện tập lặp lại có phản hồi nhanh là rất có giá trị. AI giúp giảm chi phí chọn bài, phát hiện lỗi phổ biến, điều chỉnh độ khó và đưa phản hồi đúng lúc.

Bằng chứng về feedback số không hề yếu. Brummer và cộng sự meta-analysis 116 can thiệp về digitally delivered instructional feedback và tìm thấy hiệu ứng tổng hợp tích cực với learning performance, đồng thời cho thấy hiệu quả phụ thuộc vào trọng tâm phản hồi, loại nhiệm vụ, ngành học, assessment type và mức learner control (Brummer et al., 2024). Điều này phù hợp với trực giác sư phạm: phản hồi không chỉ cần nhanh, mà phải nói đúng điều người học cần sửa.

Nhưng Behaviorism 2.0 có giới hạn rõ. Nếu hệ thống chỉ tối ưu số câu đúng, thời gian trả lời và chuỗi ngày học, nó dễ biến học tập thành quản lý hành vi. Người học có thể giỏi nhận dạng mẫu bài quen thuộc nhưng không hiểu vì sao. Drill có thể tạo fluency, nhưng không tự tạo transfer. Feedback tức thời có thể giúp sửa lỗi, nhưng cũng có thể làm người học không học cách tự kiểm tra nếu hệ thống luôn nói ngay đúng/sai.

AI làm rủi ro này lớn hơn vì nó có thể tạo vô hạn bài tập và phản hồi. Vì vậy, khi dùng behaviorist design, cần hỏi: kỹ năng nào thực sự cần fluency? Tín hiệu đúng/sai có đủ chưa? Khi nào cần chuyển từ luyện tập sang giải thích, áp dụng và transfer?

Cognitivism

Cognitivism là thấu kính quan trọng nhất để thiết kế AI tutor và giao diện học tập. Người học không thiếu thông tin; họ thường thiếu cấu trúc để xử lý thông tin. AI có thể giải thích quá nhiều, quá nhanh, quá đúng, và vì vậy làm tăng tải nhận thức thay vì giảm nó. Một câu trả lời dài của chatbot có thể khiến người học cảm thấy được giúp, nhưng bộ nhớ làm việc của họ vẫn bị quá tải.

AI tốt theo cognitivism phải quản trị chú ý, bộ nhớ làm việc và mental model. Nó nên chia vấn đề thành bước vừa đủ, dùng worked example khi người học mới, yêu cầu người học dự đoán trước khi xem lời giải, làm nổi bật thông tin then chốt, đặt câu hỏi truy hồi và giúp người học liên kết khái niệm mới với schema đã có. Nó không nên chỉ “giải thích lại đơn giản hơn” vô hạn lần, vì đơn giản hóa quá mức có thể làm mất cấu trúc sâu.

Các review gần đây về AI trong giáo dục ghi nhận lợi ích ở personalized learning, adaptive feedback và hỗ trợ học tập, nhưng cũng nhấn mạnh thiếu nền tảng sư phạm rõ. Mertala và cộng sự kết luận rằng nhiều ứng dụng AI ở trường phổ thông vẫn đi theo logic công nghệ trước đây, trong khi hiểu biết về tác động sư phạm còn hạn chế (Mertala et al., 2024). Một systematic review về ChatGPT cũng cho thấy nghiên cứu thực nghiệm đang tăng nhanh nhưng còn phân tán về thiết kế, bối cảnh và cách đo kết quả (Albadarin et al., 2024).

Rủi ro nhận thức lớn nhất của AI là cognitive offloading không kiểm soát. Người học có thể giao cho AI phần lập kế hoạch, phân tích, viết nháp, sửa lỗi và đánh giá mà không còn tự làm các thao tác nhận thức cốt lõi. Zhai, Wibowo và Li tổng quan về over-reliance on AI dialogue systems và cảnh báo rằng phụ thuộc quá mức có thể ảnh hưởng đến critical thinking, problem-solving và năng lực nhận thức tự chủ, dù bằng chứng vẫn cần được mở rộng theo bối cảnh và thời gian (Zhai et al., 2024).

Do đó, thiết kế cognitivist trong thời AI cần tạo “ma sát nhận thức” đúng chỗ. Trước khi AI giải, người học phải dự đoán. Trước khi AI sửa, người học phải tự đánh dấu điểm nghi ngờ. Trước khi AI tóm tắt, người học phải viết bản tóm tắt của mình. Trước khi AI đưa lời giải, nó có thể hỏi: em đang kẹt ở bước nào, dữ kiện nào quan trọng, giả định nào chưa kiểm tra?

Constructivism

Constructivism phù hợp với các môi trường nơi AI tạo sandbox, simulation, project, inquiry và phản hồi mở. Thay vì hỏi “AI có thể giảng nội dung này không?”, constructivism hỏi: người học có cơ hội tạo mô hình, thử nghiệm, quan sát hệ quả, sửa giả thuyết và diễn đạt hiểu biết của mình không?

Trong khoa học, AI có thể hỗ trợ inquiry bằng cách tạo dữ liệu giả lập, gợi giả thuyết, đóng vai hiện tượng, hỗ trợ thiết kế thí nghiệm hoặc phản biện kết luận. Almasri tổng quan nghiên cứu thực nghiệm về AI trong dạy và học khoa học, ghi nhận AI có thể hỗ trợ instructional practices, assessment và learning personalization, nhưng đồng thời nhấn mạnh cần xem xét kỹ thiết kế, bối cảnh và bằng chứng tác động (Almasri, 2024). Nói cách khác, AI không tự làm khoa học trở nên inquiry-based; nhiệm vụ học mới quyết định.

Constructivism cũng nhắc ta rằng sản phẩm người học tạo ra rất quan trọng. Khi học lập trình, thiết kế, viết, làm video, xây mô hình hoặc tạo dự án cộng đồng, AI có thể hỗ trợ brainstorming, debugging, critique và iteration. Nhưng nếu AI tạo sản phẩm cuối quá sớm, người học mất va chạm cần thiết với vấn đề. “Tạo nhanh” không đồng nghĩa “hiểu sâu”.

Vì vậy, trong môi trường constructivist, bằng chứng không chỉ là điểm bài kiểm tra sau can thiệp. Cần nhìn vào process log, bản nháp, giải thích của người học, khả năng sửa mô hình, chất lượng câu hỏi, mức transfer sang bài mới và khả năng bảo vệ quyết định thiết kế. Đây là cách hiểu “dẫn chứng” thực dụng: không phải so sánh công nghệ A với B, mà là tìm dấu hiệu người học đang kiến tạo hiểu biết thật.

Social constructivism

Social constructivism đặt AI vào mối quan hệ giữa người học, giáo viên, bạn học và công cụ. Vygotsky không nói học tập là cá nhân ngồi một mình với tài liệu tối ưu. Ông đặt phát triển nhận thức trong tương tác xã hội, ngôn ngữ và hỗ trợ từ người có năng lực hơn (Vygotsky, 1978). Trong thời AI, “người có năng lực hơn” có thể là giáo viên, bạn học, cộng đồng, hoặc một hệ thống AI được thiết kế cẩn thận. Nhưng vai trò này không nên được hiểu quá dễ.

AI có thể hỗ trợ ZPD bằng cách gợi ý vừa đủ, đặt câu hỏi dẫn đường, cung cấp ví dụ tạm thời, phát hiện hiểu lầm và rút hỗ trợ khi người học tiến bộ. Một review tích hợp năm 2025 về AI như digital scaffold trong ZPD nhấn mạnh tiềm năng của adaptive learning systems, nhưng cũng chỉ ra nhu cầu thiết kế có kiểm soát để tránh biến scaffolding thành làm hộ (Wan Hamedi et al., 2025). Đây là điểm then chốt: scaffold tốt làm người học mạnh lên; scaffold xấu làm người học dựa vào scaffold.

AI cũng có thể làm người học bớt cần nói chuyện với người thật. Nếu chatbot luôn sẵn sàng giải thích, phản biện, sửa bài và đóng vai bạn học, lớp học có thể tiện hơn nhưng nghèo tương tác xã hội hơn. Chương 10 đã bàn rủi ro này trong group work. Ở đây, dưới thấu kính social constructivism, câu hỏi là: AI có mở đường cho đối thoại giữa người học với nhau không, hay thay thế đối thoại đó?

Một thiết kế tốt có thể dùng AI để chuẩn bị cho thảo luận, không thay thảo luận. Trước buổi seminar, AI giúp người học tạo câu hỏi, xác định điểm chưa hiểu và tìm bằng chứng. Trong buổi thảo luận, AI có thể ghi lại các luận điểm và nhắc nhóm quay lại câu hỏi chính. Sau buổi học, AI giúp từng người phản tư về cách mình lập luận. Nhưng phán đoán, bất đồng, lắng nghe và thương lượng ý nghĩa vẫn phải diễn ra giữa người với người.

Social constructivism cũng giúp ta đọc công bằng. AI có thể hỗ trợ người học yếu thế bằng dịch, gợi ý câu hỏi, rehearsal, caption, tóm tắt hoặc role-play trước khi tham gia. Nhưng nếu hệ thống đánh giá “tham gia tốt” chỉ qua số lần phát biểu, nó lại củng cố bất bình đẳng.

Connectivism

Connectivism trở nên thực tế hơn trong thời AI vì tri thức giờ được truy cập qua mạng người, mạng tài liệu, knowledge graph, search engine, recommendation system và retrieval-augmented generation. Người học không chỉ cần nhớ nội dung; họ cần biết nguồn nào đáng tin, câu hỏi nào đáng hỏi, bằng chứng nào đủ mạnh, và cách nối các mảnh tri thức từ nhiều bối cảnh.

AI có thể làm connectivism mạnh hơn bằng cách giúp người học tìm tài liệu, so sánh nguồn, lập bản đồ khái niệm và tham gia cộng đồng mở. Nhưng nó cũng có thể làm năng lực kết nối yếu đi nếu người học chỉ nhận một câu trả lời đã được tổng hợp. Khi AI biến mạng tri thức thành một đoạn văn trơn tru, người học có thể không còn thấy nguồn, tranh cãi, độ chắc chắn và giới hạn của tri thức.

Vì vậy, thiết kế connectivist không nên chỉ hỏi “AI trả lời đúng không?” mà hỏi “AI có giúp người học nhìn thấy mạng tri thức không?” Một công cụ tốt có thể hiện nguồn, mức tin cậy, quan điểm trái chiều, lịch sử khái niệm, trường phái khác nhau và câu hỏi mở. Nó có thể yêu cầu người học tạo knowledge map, giải thích vì sao chọn nguồn này, hoặc so sánh hai lập luận trước khi viết kết luận.

Trong học AI, lập trình, thiết kế, khoa học dữ liệu hoặc maker learning, người học thường tiến bộ qua tài liệu mở, diễn đàn, repository, mentor và peer review. AI có thể làm người mới vào cộng đồng dễ hơn bằng cách giải thích thuật ngữ và gợi tài nguyên. Nhưng nếu AI lọc quá mạnh, người học có thể bị kẹt trong vùng an toàn của gợi ý cá nhân hóa.

Các nghiên cứu AIED gần đây cho thấy lĩnh vực này mở rộng nhanh nhưng vẫn thiếu kết nối chặt giữa công nghệ, lý thuyết học tập và kết quả dài hạn. Mustafa và cộng sự đề xuất cần agenda nghiên cứu rõ hơn về hiệu quả, ethics, equity, transparency và design context (Mustafa et al., 2024).

Bloom, ICAP và độ sâu tương tác

Bloom và ICAP giúp tránh một lỗi phổ biến: nhầm hoạt động với học sâu. Một bài học có nhiều click, animation, chatbot và câu hỏi trắc nghiệm chưa chắc tạo tư duy bậc cao. Một cuộc đối thoại với AI dài cũng chưa chắc là học sâu nếu người học chỉ nhận câu trả lời và copy lại.

Bloom hữu ích khi thiết kế mục tiêu. Với nhớ-hiểu, AI có thể tạo câu hỏi truy hồi, ví dụ và phản ví dụ. Với áp dụng-phân tích, AI nên đưa tình huống mới, yêu cầu tách giả định, quan hệ nhân quả và bằng chứng. Với đánh giá-sáng tạo, AI nên buộc người học dùng tiêu chí, tạo bản nháp, nhận critique, sửa và bảo vệ quyết định.

Elim đề xuất tích hợp Bloom’s Taxonomy vào môi trường học có AI để thúc đẩy questioning và reflection, đặc biệt khi người học dùng generative AI (Elim, 2024). Điều này có ý nghĩa thực tế: cùng một chatbot, câu hỏi “giải thích cho em” thường tạo hoạt động nhận thức thấp hơn câu hỏi “hãy đưa ba giả thuyết, yêu cầu em chọn một, rồi phản biện lựa chọn của em dựa trên tiêu chí”.

ICAP còn sắc hơn khi nhìn hành vi. Passive là đọc hoặc nghe AI trả lời. Active là highlight, chọn, điền, lặp lại. Constructive là tự tạo giải thích, tóm tắt, câu hỏi, sơ đồ hoặc lời giải mới. Interactive là đối thoại thật, trong đó người học và người khác cùng xây dựng ý tưởng. Nếu AI chỉ làm người học passive nhanh hơn, nó không giúp nhiều. Nếu AI kéo người học sang constructive và interactive, nó có giá trị sư phạm cao hơn.

Một nghiên cứu năm 2024 về generative AI với sinh viên kinh doanh dùng ICAP và Self-Determination Theory cho thấy cách tích hợp công nghệ có liên hệ với động lực và kết quả học tập, đồng thời vai trò của epistemic curiosity là đáng chú ý (Jin et al., 2024). Không nên đọc kết quả này như lời hứa phổ quát rằng GenAI luôn tăng thành tích. Nên đọc nó như bằng chứng rằng chất lượng hoạt động nhận thức và động lực trung gian quan trọng hơn bản thân công cụ.

Khi đánh giá một hoạt động AI, câu hỏi quan trọng không phải “có AI không?” mà là “AI đẩy người học lên tầng nhận thức nào?” Lấy đáp án rồi nộp là passive outsourcing. So sánh câu trả lời của AI, tìm lỗi, đối chiếu nguồn và giải thích tiêu chí là constructive. Dùng AI để chuẩn bị bằng chứng rồi tranh luận với người khác là interactive.

Thực trạng triển khai

Thực tế triển khai AI trong giáo dục thường pha trộn nhiều lý thuyết nhưng không nói rõ. Adaptive learning dùng behaviorism và cognitivism. Chatbot tutor dùng cognitivism, social constructivism và đôi khi Socratic questioning. Simulation dùng constructivism. Learning communities dùng connectivism và social constructivism. Vấn đề không phải pha trộn, mà là pha trộn thiếu ý thức.

Ogunleye và cộng sự systematic review về generative AI cho teaching and learning practice ghi nhận cơ hội ở personalized support, content generation, feedback và efficiency, nhưng cũng nêu các thách thức về ethics, bias, academic integrity, data privacy và thiếu guideline rõ (Ogunleye et al., 2024). Wang, Wang và Su tổng quan affordances và thách thức của GenAI trong giáo dục, chỉ ra tiềm năng hỗ trợ học cá nhân hóa, tạo nội dung và interaction, đồng thời cảnh báo về hallucination, bias, over-reliance và đánh giá (Wang et al., 2024).

Một pattern thường gặp là công nghệ mới được gắn với mục tiêu cao, nhưng hoạt động thật lại nằm ở tầng thấp. Trường nói muốn phát triển critical thinking, nhưng dùng AI để tạo quiz nhớ-hiểu. Khóa học nói muốn inquiry, nhưng dùng chatbot để trả lời câu hỏi thay vì giúp học sinh thiết kế điều tra.

Vì vậy, khi đọc bằng chứng triển khai, cần nhìn ba lớp: learning outcome như điểm, transfer và retention; process evidence như câu hỏi, bản sửa, giải thích và tương tác; equity và dependency như nhóm nào hưởng lợi, nhóm nào bị bỏ lại, kỹ năng nào bị ủy quyền quá mức cho AI.

Phân tích phản biện

Rủi ro đầu tiên là dùng lý thuyết như nhãn trang trí. Một sản phẩm có thể nói “constructivist” vì có sandbox, nhưng nếu sandbox không có mục tiêu, phản hồi và reflection, người học chỉ đang chơi với giao diện. Một chatbot có thể nói “Socratic” vì hỏi nhiều câu, nhưng nếu câu hỏi dẫn người học về một đáp án định trước mà không xử lý hiểu lầm thật, nó chỉ là programmed instruction dạng hội thoại.

Rủi ro thứ hai là cực đoan hóa một lý thuyết. Behaviorism không xấu; nó rất hữu ích cho fluency. Nhưng nếu mọi học tập bị rút thành reinforcement, giáo dục nghèo đi. Constructivism không phải lúc nào cũng tốt; với người mới, khám phá quá mở có thể gây quá tải. Social learning rất mạnh, nhưng nhóm không được thiết kế có thể tạo social loafing và bất bình đẳng. Connectivism cần năng lực lọc nguồn; nếu không, người học chỉ trôi trong thông tin.

Rủi ro thứ ba là nhầm cá nhân hóa với học tốt. AI có thể cá nhân hóa đường đi, nhưng đường đi đó vẫn có thể dẫn đến mục tiêu nông. Một hệ thống biết người học yếu dạng bài nào và cho thêm bài tương tự là hữu ích, nhưng chưa đủ. Cá nhân hóa sâu hơn phải biết khi nào cần ví dụ, khi nào cần phản biện, khi nào cần cộng tác, khi nào cần tự giải thích và khi nào cần dừng hỗ trợ.

Rủi ro thứ tư là quên vai trò của giáo viên. AI có thể mở rộng feedback, tutoring và scaffold, nhưng giáo viên vẫn là người đọc bối cảnh, điều chỉnh mục tiêu, tạo chuẩn mực, xử lý quan hệ và quyết định điều gì đáng học.

Nguyên tắc thiết kế

Nguyên tắc đầu tiên: ghi rõ giả thuyết học tập trước khi chọn công nghệ. Nếu mục tiêu là fluency, drill có phản hồi nhanh hợp lý. Nếu mục tiêu là conceptual understanding, cần giải thích, ví dụ, phản ví dụ và mental model. Nếu mục tiêu là inquiry, cần dự đoán, thử nghiệm và reflection. Nếu mục tiêu là critical thinking, cần tiêu chí, bằng chứng, phản biện và lập luận.

Nguyên tắc thứ hai: dùng AI để tăng chất lượng hoạt động nhận thức, không chỉ tăng tốc. Một câu trả lời nhanh có thể hữu ích, nhưng học sâu thường cần dự đoán, truy hồi, tự giải thích, so sánh, sửa lỗi, tranh luận và transfer. Thiết kế nên yêu cầu người học làm một phần tư duy trước khi nhận hỗ trợ.

Nguyên tắc thứ ba: scaffold phải rút dần. Nếu AI luôn gợi prompt, sửa câu, đưa cấu trúc, chọn nguồn và viết kết luận, người học không tiến bộ về tự chủ. Hệ thống cần giảm hỗ trợ khi người học đã làm được, hoặc chuyển hỗ trợ từ lời giải sang câu hỏi metacognitive.

Nguyên tắc thứ tư: đo cả quá trình, không chỉ sản phẩm cuối. Trong thời AI, sản phẩm cuối có thể đẹp hơn năng lực thật. Cần xem bản nháp, lịch sử sửa, giải thích, oral defense, process log, phản tư và khả năng làm lại trong bối cảnh mới.

Nguyên tắc thứ năm: thiết kế cho nhiều lý thuyết nhưng tránh lẫn lộn. Một bài học tốt có thể bắt đầu bằng retrieval practice, chuyển sang worked example, mở inquiry nhỏ, cho thảo luận nhóm, rồi kết thúc bằng reflection. Mỗi pha cần mục tiêu rõ và bằng chứng phù hợp.

Nguyên tắc thứ sáu: luôn hỏi kỹ năng nào đang được phát triển và kỹ năng nào đang bị ủy quyền. AI có thể viết, tính, tóm tắt, dịch, tìm nguồn và phản biện. Không phải ủy quyền nào cũng xấu, nhưng ủy quyền vô thức có thể làm teo đúng năng lực mà chương trình muốn xây.

Tổng kết chương

AI không xóa các lý thuyết học tập cũ. Nó làm chúng hiện rõ hơn. Behaviorism xuất hiện trong drill và feedback. Cognitivism xuất hiện trong chú ý, tải nhận thức và mental model. Constructivism xuất hiện trong simulation, inquiry và project. Social constructivism xuất hiện trong scaffolding, ZPD và cộng đồng học tập. Connectivism xuất hiện trong knowledge graph, nguồn mở và mạng tri thức. Bloom và ICAP giúp phân biệt hoạt động nông với hoạt động nhận thức sâu.

Có năm điểm cần giữ lại. Thứ nhất, mọi hệ thống AI đều có giả định sư phạm. Thứ hai, bằng chứng phải gắn với cơ chế học tập: feedback giúp gì, scaffold rút ra sao, interaction sâu đến mức nào. Thứ ba, cá nhân hóa không đủ nếu mục tiêu học nông. Thứ tư, AI hỗ trợ học sâu khi buộc người học dự đoán, giải thích, phản biện, tạo sản phẩm và đối thoại. Thứ năm, rủi ro lớn nhất không phải AI sai một câu, mà là AI làm người học ít phải suy nghĩ đúng phần cần suy nghĩ.

Chương 13 sẽ đi sâu vào một vùng cụ thể của cognitivism: trí nhớ, truy hồi và tinh thông. Nếu chương này là bản đồ lý thuyết, chương sau hỏi rất thực tế: hệ thống AI nên thiết kế luyện tập, spaced repetition, interleaving, mastery và reflection như thế nào để người học thật sự nhớ, dùng được và chuyển giao được?

Tài liệu tham khảo

Albadarin, Y., Saqr, M., Pope, N., & Tukiainen, M. (2024). A systematic literature review of empirical research on ChatGPT in education. Discover Education, 3, 60. https://doi.org/10.1007/s44217-024-00138-2

Almasri, F. (2024). Exploring the impact of artificial intelligence in teaching and learning of science: A systematic review of empirical research. Research in Science Education, 54, 977-997. https://doi.org/10.1007/s11165-024-10176-3

Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom's Taxonomy of Educational Objectives. Longman.

Bloom, B. S. (Ed.). (1956). Taxonomy of Educational Objectives: The Classification of Educational Goals. Longmans, Green.

Brummer, L., de Boer, H., Mouw, J. M., & Strijbos, J.-W. (2024). A meta-analysis of the effects of context, content, and task factors of digitally delivered instructional feedback on learning performance. Learning Environments Research, 27, 453-476. https://doi.org/10.1007/s10984-024-09501-4

Chi, M. T. H., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219-243. https://doi.org/10.1080/00461520.2014.965823

Elim, E. H. S. Y. (2024). Promoting cognitive skills in AI-supported learning environments: The integration of Bloom's taxonomy. Education 3-13, 52(5), 612-622. https://doi.org/10.1080/03004279.2024.2332469

Jin, S. V., et al. (2024). Enhancing academic performance of business students using generative AI: An interactive-constructive-active-passive (ICAP) self-determination perspective. The International Journal of Management Education, 22(2), 100958. https://doi.org/10.1016/j.ijme.2024.100958

Mayer, R. E. (2021). Multimedia Learning (3rd ed.). Cambridge University Press.

Mertala, P., et al. (2024). Artificial intelligence for teaching and learning in schools: The need for pedagogical intelligence. Computers & Education, 217, 105071. https://doi.org/10.1016/j.compedu.2024.105071

Mustafa, M. Y., Tlili, A., Lampropoulos, G., et al. (2024). A systematic review of literature reviews on artificial intelligence in education (AIED): A roadmap to a future research agenda. Smart Learning Environments, 11, 59. https://doi.org/10.1186/s40561-024-00350-5

Ogunleye, B., Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A systematic review of generative AI for teaching and learning practice. Education Sciences, 14(6), 636. https://doi.org/10.3390/educsci14060636

Piaget, J. (1970). Science of Education and the Psychology of the Child. Orion Press.

Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of Instructional Technology and Distance Learning, 2(1), 3-10.

Skinner, B. F. (1958). Teaching machines. Science, 128(3330), 969-977. https://doi.org/10.1126/science.128.3330.969

Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285. https://doi.org/10.1207/s15516709cog1202_4

Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.

Wan Hamedi, W. H., Awang Ali, F. D., Abdullah, W. Y., Ab Hamid, H., Mohammad Shuhaimi, N. I., & Mohamad Amir, M. (2025). AI as a digital scaffold: An integrative review of Vygotsky's Zone of Proximal Development in modern education. International Journal of Modern Education, 7(26). https://doi.org/10.35631/IJMOE.726038

Wang, N., Wang, X., & Su, Y.-S. (2024). Critical analysis of the technological affordances, challenges and future directions of Generative AI in education: A systematic review. Asia Pacific Journal of Education, 44(1), 139-155. https://doi.org/10.1080/02188791.2024.2305156

Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students' cognitive abilities: A systematic review. Smart Learning Environments, 11, 28. https://doi.org/10.1186/s40561-024-00316-7