Chương 15: Động lực, tự điều chỉnh và chống phụ thuộc AI

Bối cảnh / Vấn đề

Chương 13 và 14 đi vào trí nhớ, luyện tập, tải nhận thức và trải nghiệm học. Nhưng ngay cả khi hệ thống có retrieval tốt, spacing hợp lý, multimedia sạch và feedback đúng lúc, người học vẫn có thể không học bền. Họ có thể học vì sợ mất streak, vì bị nhắc liên tục, vì muốn vượt bạn, vì cần điểm, hoặc vì chatbot làm bài dễ quá nên không còn cảm giác phải cố gắng. Động lực không phải lớp trang trí đặt sau thiết kế nhận thức. Nó quyết định người học có bắt đầu, tiếp tục, chịu khó, tự kiểm tra, quay lại sau khi sai và dần trở thành người học tự chủ hay không.

AI làm câu hỏi động lực trở nên khó hơn. Một mặt, AI có thể hỗ trợ người học rất tốt: giải thích khi kẹt, tạo ví dụ cá nhân hóa, cho phản hồi tức thời, nhắc mục tiêu, giúp lập kế hoạch, giảm lo âu khi hỏi câu “ngớ ngẩn”, và làm người học cảm thấy mình có năng lực hơn. Mặt khác, AI có thể làm người học phụ thuộc: hỏi trước khi nghĩ, nhờ viết trước khi lập dàn ý, xin tóm tắt trước khi đọc, dùng AI để tránh khó khăn, và dần mất khả năng tự giám sát.

Vấn đề không phải AI có làm người học “lười” hay không theo nghĩa đạo đức đơn giản. Vấn đề là hệ thống đang phân phối công việc nhận thức, cảm xúc và điều hành như thế nào giữa người học và máy. Phần nào AI nên gánh để người học tiến xa hơn? Phần nào người học phải tự làm để năng lực không teo đi? Khi nào hỗ trợ là scaffolding, khi nào là ghostwriting? Khi nào nhắc nhở là giúp tự điều chỉnh, khi nào là thao túng hành vi?

Chương này dùng Self-Determination Theory, self-regulated learning, cognitive offloading và nghiên cứu gamification để đọc các câu hỏi đó. Trục chính không phải “làm sao tăng engagement bằng mọi giá”, mà là “làm sao nuôi autonomy, competence, relatedness và năng lực tự học dài hạn trong môi trường có AI”.

Nền tảng lý thuyết

Self-Determination Theory (SDT) cho rằng động lực chất lượng cao dựa trên ba nhu cầu tâm lý cơ bản: autonomy, competence và relatedness. Autonomy không phải “muốn làm gì thì làm”, mà là cảm giác hành động của mình có ý nghĩa và có sự đồng thuận bên trong. Competence là cảm giác mình đang tiến bộ và có khả năng tác động tới kết quả. Relatedness là cảm giác được kết nối, được công nhận và thuộc về một môi trường xã hội có ý nghĩa (Deci & Ryan, 2000; Ryan & Deci, 2020).

Trong EdTech, ba nhu cầu này dễ bị hiểu sai. Autonomy không phải thả người học vào một dashboard có 40 lựa chọn. Competence không phải bắn phá huy hiệu mỗi khi người học bấm đúng. Relatedness không phải thêm avatar hoặc chatbot xưng hô thân mật. Ba nhu cầu này phải được thiết kế qua nhiệm vụ, feedback, quyền lựa chọn, chuẩn mực lớp học, cách xử lý lỗi và mối quan hệ giữa người học với người khác.

Một systematic review và meta-analysis năm 2024 về các can thiệp dựa trên SDT trong giáo dục cho thấy các can thiệp này có thể cải thiện intrinsic motivation, autonomy và competence, đồng thời nhấn mạnh vai trò của thiết kế bền vững, bối cảnh và người triển khai (Bureau et al., 2024). Điều này quan trọng: động lực không chỉ đến từ một tính năng, mà từ hệ sinh thái tương tác lặp lại giữa người học, nhiệm vụ, giáo viên, bạn học và công cụ.

Self-regulated learning (SRL) bổ sung một lớp khác. Theo các mô hình của Zimmerman, Pintrich và Winne, người học tự điều chỉnh qua các pha như đặt mục tiêu, lập kế hoạch, chọn chiến lược, giám sát tiến độ, kiểm soát nỗ lực, đánh giá kết quả và điều chỉnh cho lần sau. AI có thể hỗ trợ cả ba pha: forethought, performance và reflection. Nhưng hỗ trợ không đồng nghĩa thay người học điều hành toàn bộ vòng lặp.

Lan và Zhou systematic review năm 2025 về AI-enabled SRL trong giáo dục đại học tìm thấy 14 nghiên cứu dùng chatbot, adaptive feedback, serious games và e-textbooks để hỗ trợ autonomy và các pha SRL. Review này nhấn mạnh sự khác biệt giữa human-centered SRL, nơi AI hỗ trợ người học tự điều chỉnh, và AI-centered SRL, nơi AI đóng vai trò điều hành chính; thiết kế cần giữ self-efficacy và agency của người học (Lan & Zhou, 2025). Đây là điểm then chốt của chương: AI tốt không chỉ làm học hiệu quả hơn, mà làm người học ngày càng tự chủ hơn.

Self-Determination Theory

Một hệ thống AI phục vụ autonomy sẽ cho người học lựa chọn có ý nghĩa, giải thích lý do của lộ trình, và cho phép người học tham gia vào quyết định học tập. Ví dụ, thay vì nói “làm bài này vì thuật toán chọn”, hệ thống có thể nói: “Có ba lựa chọn: ôn lỗi cũ, luyện dạng mới, hoặc làm bài transfer. Nếu em sắp kiểm tra, nên chọn ôn lỗi cũ; nếu em muốn thử thách, chọn transfer.” Người học vẫn được định hướng, nhưng không bị kéo như một đối tượng bị tối ưu hóa.

Autonomy cũng cần ranh giới. Người mới có thể bị quá tải nếu phải tự chọn mọi thứ. Vì vậy, lựa chọn nên có cấu trúc: ít lựa chọn, rõ trade-off, có đề xuất mặc định và có quyền thay đổi. Một app học tốt không hỏi “hôm nay bạn muốn học gì?” rồi mở ra toàn bộ thư viện. Nó có thể hỏi: “Em muốn củng cố, thử thách hay chuẩn bị bài mới?” Mỗi lựa chọn gắn với mục tiêu học cụ thể.

Competence trong môi trường AI không phải làm người học luôn cảm thấy giỏi. Nó là cảm giác tiến bộ thật. Feedback cần chỉ ra điều người học làm được, điều còn thiếu, và bước kế tiếp có thể thực hiện. Nếu AI chỉ khen chung chung, competence trở thành ảo giác. Nếu AI chỉ chấm lỗi, người học thấy bất lực. Feedback tốt nối nỗ lực với chiến lược: “Em đã chọn đúng công thức, nhưng nhầm điều kiện áp dụng; hãy so sánh hai ví dụ này.” Như chương 13 đã nói, mastery cần nhiều bằng chứng, không chỉ điểm.

Relatedness khó hơn trong EdTech AI. Chatbot có thể tạo cảm giác được phản hồi liên tục, nhưng không thay thế quan hệ với giáo viên và bạn học. Relatedness thật đến từ việc người học thấy mình được hiểu, được lắng nghe, được góp phần, và có người thật quan tâm đến tiến bộ của mình. AI có thể hỗ trợ relatedness gián tiếp: giúp giáo viên thấy ai cần check-in, giúp người học chuẩn bị câu hỏi trước khi thảo luận, hỗ trợ dịch và caption để nhiều người tham gia hơn. Nhưng nếu AI làm người học ít cần gặp người khác hơn, relatedness suy giảm.

Chiu đề xuất một công cụ phân loại hoạt động ChatGPT để thúc đẩy SRL bằng SDT, cho thấy có thể thiết kế hoạt động GenAI theo cách hỗ trợ autonomy, competence và relatedness trong các pha forethought, performance và reflection (Chiu, 2024). Điểm đáng chú ý không phải là ChatGPT tự tạo động lực, mà là giáo viên cần phân loại hoạt động theo nhu cầu tâm lý và pha tự điều chỉnh. Cùng một chatbot có thể hỗ trợ autonomy nếu người học dùng để lập kế hoạch, nhưng làm giảm autonomy nếu nó ra lệnh lộ trình không giải thích.

Nghiên cứu định tính về ChatGPT với sinh viên English for Academic Purposes ở New Zealand cũng dùng SDT để phân tích trải nghiệm học ngôn ngữ. Kết quả cho thấy ChatGPT có thể hỗ trợ cảm giác autonomy và competence qua phản hồi tức thời, hỗ trợ diễn đạt và cơ hội luyện tập, nhưng relatedness và chất lượng tương tác phụ thuộc vào cách công cụ được đặt trong môi trường học và quan hệ với giáo viên/bạn học (Abdulai et al., 2024). Điều này gợi ý rằng AI có thể giúp động lực, nhưng không nên bị xem là nguồn động lực độc lập.

Metacognitive laziness

Metacognition là khả năng nghĩ về việc mình đang nghĩ: đặt mục tiêu, chọn chiến lược, giám sát hiểu biết, phát hiện lỗi, đánh giá mức chắc chắn và điều chỉnh. Khi AI trả lời quá nhanh, người học có thể bỏ qua các bước này. Họ không cần tự hỏi “mình đang kẹt ở đâu?” vì có thể dán đề vào. Không cần lập kế hoạch viết vì AI có thể lập dàn ý. Không cần tự đánh giá câu trả lời vì AI nói câu nào “tốt hơn”.

“Metacognitive laziness” không phải lười theo nghĩa thiếu đạo đức. Nó là sự suy yếu của vòng tự giám sát khi môi trường luôn cung cấp lối tắt. Con người tự nhiên tiết kiệm nỗ lực nhận thức. Nếu hệ thống luôn đưa đáp án mượt, có vẻ hợp lý, người học dễ chọn đường nhanh hơn đường chậm. Zhai, Wibowo và Li systematic review năm 2024 về over-reliance on AI dialogue systems cho thấy phụ thuộc quá mức có thể ảnh hưởng đến decision-making, critical thinking và analytical reasoning, đặc biệt khi người dùng khó đánh giá độ tin cậy của đầu ra AI hoặc bị hấp dẫn bởi giải pháp nhanh (Zhai et al., 2024).

Metacognitive laziness thường bắt đầu rất nhỏ. Người học định tự đọc bài nhưng hỏi AI tóm tắt trước. Tóm tắt khá hay, nên lần sau họ làm vậy tiếp. Họ định tự sửa đoạn văn, nhưng AI sửa nhanh hơn. Họ định tự tìm lỗi logic, nhưng AI chỉ ra vài lỗi có vẻ đúng. Dần dần, việc tự đọc, tự sửa, tự kiểm tra trở thành bước phụ. Người học vẫn hoàn thành nhiệm vụ, thậm chí sản phẩm đẹp hơn, nhưng năng lực tự điều chỉnh không tăng tương xứng.

Một dấu hiệu nguy hiểm là người học không còn phân biệt phần nào là suy nghĩ của mình và phần nào là hỗ trợ của AI. Skulmowski bàn về GenAI như một công cụ externalization và anthropomorphization, cảnh báo nguy cơ người dùng khó theo dõi mức đóng góp của mình khi AI hỗ trợ, dẫn đến các hiệu ứng như placebo và ghostwriter effects (Skulmowski, 2024). Trong học tập, điều này nghĩa là người học có thể cảm thấy mình hiểu vì sản phẩm cuối mượt, nhưng không tự tái tạo được lập luận khi không có AI.

Thiết kế chống metacognitive laziness cần đặt câu hỏi trước khi hỗ trợ. Trước khi AI tóm tắt: “Em hãy viết ba ý chính em nhớ được.” Trước khi AI sửa bài: “Em đánh dấu hai chỗ em nghi ngờ.” Trước khi AI giải bài: “Em dự đoán bước đầu tiên.” Trước khi AI đánh giá nguồn: “Em nêu tiêu chí đáng tin.” Những câu hỏi này không nhằm làm khó vô ích; chúng giữ vòng tự giám sát còn hoạt động.

Một hệ thống tốt cũng nên lưu và hiển thị mức tự chủ: bao nhiêu phần người học làm trước khi nhận gợi ý, họ dùng loại gợi ý nào, họ có sửa dựa trên phản hồi hay chỉ chấp nhận, họ có thể giải thích lại sau đó không. Chỉ số “sản phẩm cuối đạt 8/10” không đủ. Cần biết quá trình tạo ra sản phẩm có phát triển metacognition hay không.

Cognitive offloading có kiểm soát

Cognitive offloading là việc dùng công cụ bên ngoài để giảm tải nhận thức: ghi chú, máy tính, bản đồ, lịch nhắc, tìm kiếm, spellcheck, code autocomplete, hoặc AI. Không phải offloading nào cũng xấu. Con người luôn học cùng công cụ. Vấn đề là kỹ năng nào được ủy quyền, ở giai đoạn nào, với mức kiểm soát nào, và liệu người học có hiểu phần được ủy quyền không.

Máy tính bỏ túi không làm toán học vô nghĩa. Nhưng nếu dùng quá sớm, người học không hình thành number sense. Spellcheck không làm viết kém đi nếu người học vẫn hiểu ngữ pháp và dùng nó để kiểm tra; nhưng nếu người học không biết vì sao câu được sửa, năng lực viết có thể không tăng. GenAI cũng vậy. Nó có thể là công cụ mở rộng năng lực, hoặc là đường vòng tránh năng lực.

Trong viết học thuật, AI có thể giúp brainstorm, tạo outline, phản biện lập luận, kiểm tra coherence, gợi nguồn cần tìm, hoặc đóng vai độc giả khó tính. Đây là offloading có thể tốt nếu người học vẫn giữ vai trò tác giả: đặt mục tiêu, chọn luận điểm, kiểm chứng nguồn, quyết định sửa gì, và chịu trách nhiệm. Nhưng nếu AI viết dàn ý, viết đoạn, sửa giọng, chọn ví dụ và kết luận, người học chỉ còn vai trò phê duyệt.

Zhou, Teng và Al-Samarraie nghiên cứu vai trò trung gian của GenAI self-regulation với critical thinking và problem-solving, nhấn mạnh rằng cách người học tự điều chỉnh khi dùng GenAI ảnh hưởng đến việc công cụ này hỗ trợ hay cản trở các kỹ năng nhận thức cao (Zhou et al., 2024). Đây là hướng đọc đúng: không hỏi đơn giản “AI có hại hay có lợi?”, mà hỏi người học dùng AI với chiến lược tự điều chỉnh nào.

Offloading có kiểm soát cần ba nguyên tắc. Thứ nhất, offload phần phụ để bảo vệ phần chính. Nếu mục tiêu là lập luận, AI có thể giúp sửa lỗi chính tả nhưng không nên thay người học xây luận điểm. Nếu mục tiêu là học Python cơ bản, autocomplete nên hạn chế để người học nhớ cú pháp và luồng điều khiển. Nếu mục tiêu là phân tích dữ liệu, AI có thể giúp viết code lặp lại, nhưng người học phải giải thích giả định thống kê.

Thứ hai, offloading phải đi kèm inspection. Người học cần kiểm tra đầu ra AI: đúng không, thiếu gì, thiên lệch gì, có nguồn không, có phù hợp tiêu chí không. Nếu không có bước inspection, offloading thành automation bias. Carnat phân tích automation bias trong generative LLMs và cảnh báo rằng human-in-the-loop không tự đủ nếu con người vẫn quá tin vào đầu ra có vẻ trôi chảy (Carnat, 2024). Trong giáo dục, “có giáo viên/ học sinh kiểm tra” không đủ; họ phải có năng lực và quy trình kiểm tra.

Thứ ba, offloading phải có fading. Khi người học mới bắt đầu, AI có thể hỗ trợ nhiều. Khi năng lực tăng, hệ thống giảm hỗ trợ hoặc chuyển từ làm hộ sang hỏi. Một AI writing assistant có thể ban đầu gợi cấu trúc đoạn, sau đó chỉ hỏi: “Claim của đoạn này là gì?” hoặc “Bằng chứng này có đủ gần với kết luận không?” Mục tiêu là người học dần nội hóa chiến lược.

Intentional friction

Friction thường bị xem là xấu trong thiết kế sản phẩm. Ít bước hơn, nhanh hơn, mượt hơn. Nhưng trong học tập, không phải mọi ma sát đều xấu. Một số ma sát bảo vệ suy nghĩ. Chương 14 đã gọi đây là ma sát nhận thức đúng chỗ: dự đoán trước khi xem, truy hồi trước khi đọc lại, giải thích trước khi nhận lời giải. Chương này nhấn mạnh mặt động lực và tự điều chỉnh của nó.

Intentional friction là thiết kế làm chậm người học ở đúng điểm để họ không bỏ qua thao tác học cốt lõi. Khi người học hỏi AI “giải bài này”, hệ thống có thể hỏi: “Em đã thử bước nào?” Khi người học xin tóm tắt, hệ thống yêu cầu họ chọn mục tiêu: ôn nhanh, hiểu cấu trúc, hay tìm luận điểm phản biện. Khi người học muốn xem đáp án, hệ thống yêu cầu confidence rating. Khi người học dán bài viết, AI hỏi: “Em muốn feedback về luận điểm, cấu trúc hay văn phong? Hãy tự đánh giá trước một điểm mạnh và một điểm yếu.”

Ma sát tốt khác với gây khó chịu. Nó ngắn, có lý do, gắn với mục tiêu học, và giảm dần khi người học chứng minh được năng lực. Ma sát xấu là captcha sư phạm: bắt người học làm thêm việc không liên quan, nhắc nhở đạo đức chung chung, hoặc khóa tính năng mà không giải thích. Nếu hệ thống nói “hãy tự suy nghĩ trước” nhưng không cho scaffold, người học yếu sẽ bị bỏ rơi.

Intentional friction nên dựa trên mức rủi ro của nhiệm vụ. Với câu hỏi tra cứu đơn giản, AI có thể trả lời nhanh. Với bài viết phân tích, cần yêu cầu outline trước. Với bài toán khái niệm, cần dự đoán và giải thử. Với đánh giá đạo đức hoặc ra quyết định quan trọng, cần yêu cầu nguồn, phản biện, giả định và trường hợp ngoại lệ. Không phải mọi tương tác với AI đều cần cùng một mức ma sát.

Trong SRL, ma sát có thể hỗ trợ ba pha. Ở forethought, hệ thống yêu cầu mục tiêu và kế hoạch trước khi bắt đầu. Ở performance, nó nhắc người học kiểm tra hiểu biết trước khi nhận gợi ý. Ở reflection, nó yêu cầu so sánh sản phẩm đầu và cuối, ghi lại quyết định sửa, và chọn chiến lược cho lần sau. Lan và Zhou nhấn mạnh AI có thể hỗ trợ cả ba pha SRL, nhưng cần giữ agency của người học (Lan & Zhou, 2025). Intentional friction là một cách giữ agency đó.

Một ví dụ cụ thể: trong AI tutor toán, nút “giải ngay” có thể bị thay bằng ba lựa chọn: “gợi ý nhẹ”, “xem ví dụ tương tự”, “kiểm tra lời giải của em”. Lời giải đầy đủ vẫn có, nhưng sau khi người học thử hoặc khi họ chọn lý do chính đáng. Trong AI writing, nút “rewrite” có thể yêu cầu người học chọn tiêu chí: rõ hơn, ngắn hơn, học thuật hơn, hay thuyết phục hơn. Sau khi AI gợi ý, người học phải chọn sửa nào nhận và giải thích vì sao. Ma sát nhỏ này chuyển người học từ nhận đầu ra sang ra quyết định.

Novelty effect decay

Công nghệ mới thường tạo động lực ban đầu. Người học thích chatbot vì nó lạ, nhanh, lịch sự, luôn sẵn sàng. Giáo viên thích dashboard vì nó cho cảm giác nhìn thấy lớp học rõ hơn. Trường thích nền tảng mới vì có năng lượng thay đổi. Nhưng novelty effect giảm. Sau vài tuần, điều còn lại không phải sự mới mẻ, mà là trải nghiệm có giúp người học cảm thấy tiến bộ, tự chủ và kết nối không.

Nghiên cứu về chatbot và motivation bắt đầu cho thấy bức tranh phức tạp. Yin, Goh và Hu nghiên cứu tương tác với educational chatbots và thấy cảm xúc được tạo ra trong tương tác, bao gồm cảm xúc tích cực, tiêu cực và ambivalent emotions, có liên hệ với learning motivation; thiết kế metacognitive feedback và emotion-aware interaction có thể ảnh hưởng cách người học trải nghiệm chatbot (Yin et al., 2024). Điều này nhắc rằng động lực không chỉ đến từ chatbot “có mặt”, mà từ chất lượng phản hồi, cảm xúc và cảm giác được hỗ trợ.

Một nghiên cứu longitudinal sơ bộ năm 2025 về SRL chatbots trong khóa academic listening cho thấy động lực có xu hướng tăng sau khi chuyển sang chatbot dùng generative AI, nhưng cũng có khác biệt cá nhân lớn (Yin et al., 2025). Đây là kiểu bằng chứng cần đọc thận trọng. GenAI có thể làm một số người học thấy được hỗ trợ hơn, nhưng cũng có thể khuếch đại chênh lệch: người có chiến lược tốt dùng AI để học sâu hơn, người thiếu chiến lược dùng AI để đi đường tắt.

Động lực dài hạn cần bốn nguồn. Thứ nhất là tiến bộ nhìn thấy được: người học biết mình tốt hơn ở đâu. Thứ hai là năng lực thật: nhiệm vụ khó vừa đủ, feedback cụ thể, cơ hội sửa. Thứ ba là ý nghĩa: người học hiểu vì sao nội dung này đáng học. Thứ tư là quan hệ: có người thật nhìn thấy nỗ lực và hỗ trợ khi kẹt. Phần thưởng ngắn hạn, streak và novelty có thể mở cửa, nhưng không thể là nền.

Novelty effect decay cũng là lý do không nên đánh giá EdTech chỉ bằng số liệu tuần đầu. Một chatbot có thể tăng số lượt tương tác ban đầu nhưng giảm học sâu sau đó. Một game học tập có thể làm học sinh hào hứng buổi đầu nhưng biến thành cuộc săn điểm. Một dashboard có thể làm giáo viên xem nhiều trong tháng đầu rồi bỏ vì không dẫn tới hành động. Bằng chứng triển khai cần theo dõi theo thời gian: retention, persistence, strategy use, quality of work, help-seeking, self-efficacy và transfer.

AI có thể chống novelty decay bằng cách tạo tiến bộ thật thay vì kích thích mới liên tục. Hệ thống nên giúp người học thấy “tôi đã từng cần gợi ý đầy đủ, giờ chỉ cần gợi ý nhẹ”, “tôi từng viết luận điểm mơ hồ, giờ biết dùng bằng chứng”, “tôi từng hỏi AI giải hộ, giờ biết dùng AI để phản biện”. Đây là động lực dựa trên competence và autonomy, bền hơn cảm giác mới lạ.

Gamification dưới kính hiển vi

Gamification thường được dùng để tăng engagement: điểm, huy hiệu, bảng xếp hạng, cấp độ, nhiệm vụ, streak, avatar, phần thưởng, thử thách. Nó có thể giúp người học bắt đầu và duy trì luyện tập, nhất là với kỹ năng cần lặp lại. Nhưng gamification cũng có thể làm học tập nghèo đi nếu người học tối ưu điểm thay vì hiểu, sợ mất streak hơn là tò mò, hoặc so sánh xã hội thay vì phát triển năng lực.

Meta-analysis và systematic review của Li, Hew và Du năm 2024 cho thấy gamification có thể tăng intrinsic motivation, perceptions of autonomy và relatedness, nhưng tác động lên competence ít hơn (Li et al., 2024). Đây là kết quả rất đáng chú ý. Gamification có thể làm người học hứng thú và cảm thấy kết nối hơn, nhưng không tự làm họ giỏi hơn. Muốn competence tăng, game mechanics phải gắn với phản hồi chất lượng, thử thách vừa sức, cơ hội sửa và mastery thật.

Jaramillo-Mediavilla và cộng sự systematic review năm 2024 về gamification trong giáo dục cũng ghi nhận tác động tích cực đến motivation và academic performance trong nhiều bối cảnh, nhưng kết quả phụ thuộc vào thiết kế, đối tượng, môn học và cách triển khai (Jaramillo-Mediavilla et al., 2024). Chon, Sharif và Saleh review gamification cho learning motivation trong khoa học cũng nhấn mạnh tính context-dependent, có nghiên cứu cho hiệu ứng thấp hoặc tiêu cực (Chon et al., 2024). Vì vậy, gamification không phải gia vị rắc lên mọi khóa học.

Gao năm 2024 lập luận rằng nghiên cứu gamification thường dùng SDT còn hời hợt, và cần hiểu sâu hơn các cơ chế dưới bề mặt (Gao, 2024). Từ góc nhìn SDT, câu hỏi không phải “có điểm/huy hiệu không?” mà là: cơ chế này hỗ trợ autonomy, competence, relatedness hay làm suy yếu chúng? Một badge có thể hỗ trợ competence nếu nó đánh dấu một kỹ năng thật. Nó có thể làm yếu autonomy nếu trở thành mồi nhử hành vi. Leaderboard có thể tạo relatedness trong nhóm hợp tác nhỏ, nhưng cũng có thể làm người yếu rút lui.

Gamification tốt trong học tập nên ưu tiên progress, mastery và collaboration hơn là status. Progress map cho thấy hành trình và lựa chọn. Mastery badges gắn với bằng chứng năng lực cụ thể. Challenge điều chỉnh theo trình độ. Streak có thể dùng, nhưng không nên phạt nặng khi người học nghỉ vì lý do thật. Leaderboard nếu dùng nên so với chính mình, nhóm nhỏ, hoặc mục tiêu hợp tác, thay vì xếp hạng toàn lớp công khai.

AI-supported gamification làm vấn đề phức tạp hơn. AI có thể cá nhân hóa thử thách, phát hiện lúc người học chán, điều chỉnh phần thưởng, hoặc tạo nhiệm vụ phù hợp. Nhưng nó cũng có thể tối ưu engagement theo cách thao túng: gửi nhắc đúng lúc dễ click, tăng phần thưởng khi người học sắp bỏ, hoặc dùng so sánh xã hội để kéo họ quay lại. Một hệ thống giáo dục không nên mượn logic casino của nền tảng tiêu dùng. Mục tiêu là học bền, không phải giữ người học trong app lâu nhất.

Thực trạng triển khai

Trong thực tế, nhiều hệ thống AI đang đứng giữa hai mô hình. Một mô hình là AI như coach tự điều chỉnh: giúp người học đặt mục tiêu, lập kế hoạch, chọn chiến lược, nhận feedback, phản tư và giảm dần hỗ trợ. Mô hình kia là AI như trợ lý làm thay: viết, giải, tóm tắt, sửa, chọn nguồn, và tối ưu sản phẩm. Cả hai đều có thể tồn tại trong cùng một công cụ. Khác biệt nằm ở thiết kế hoạt động.

Trong lớp viết, giáo viên có thể yêu cầu người học dùng AI để tạo ba phản biện cho luận điểm của mình, sau đó tự chọn và trả lời phản biện. Đây là AI hỗ trợ critical thinking. Nhưng nếu yêu cầu chỉ là “dùng AI để cải thiện bài viết”, nhiều người học sẽ để AI viết lại văn bản. Trong lớp lập trình, AI có thể được dùng để giải thích lỗi sau khi sinh viên dự đoán nguyên nhân. Nhưng nếu AI tự sửa code ngay, người học có thể không học debugging.

Trong học ngoại ngữ, chatbot có thể tạo môi trường luyện tập ít đe dọa, tăng cơ hội nói/viết, và phản hồi tức thời. Nhưng nếu chatbot luôn sửa câu ngay lập tức, người học có thể tập trung vào đáp án “chuẩn” hơn là giao tiếp có ý nghĩa. Nghiên cứu về chatbot, emotion và motivation cho thấy cảm xúc trong tương tác cần được thiết kế, không chỉ giả định chatbot luôn thân thiện là đủ (Yin et al., 2024).

Trong gamified learning, nhiều sản phẩm dùng streak, điểm và cấp độ vì dễ đo và dễ triển khai. Nhưng chúng thường bỏ qua feedback sâu, nhiệm vụ có ý nghĩa và quan hệ xã hội. Kết quả là động lực ban đầu có thể tăng, nhưng khi novelty giảm, người học chỉ còn lại cơ chế phần thưởng mỏng. Gamification tốt đòi hỏi thiết kế sư phạm nhiều hơn thiết kế điểm số.

Trong dashboard và learning analytics, AI có thể gợi chiến lược học. Nhưng nếu dashboard nói “em có nguy cơ thấp/cao” mà không cho hành động cụ thể, người học có thể lo lắng hoặc buông xuôi. Dashboard động lực tốt nên nói: “Em có ba lần bỏ dở bài khi gặp câu hỏi mở; hãy thử dùng khung lập dàn ý trước khi hỏi AI.” Nó phải nối dữ liệu với chiến lược, không nối dữ liệu với nhãn.

Phân tích phản biện

Ảo tưởng đầu tiên là “engagement là động lực”. Người học tương tác nhiều không có nghĩa họ học sâu. Họ có thể click vì phần thưởng, vì lo mất streak, vì giao diện gây nghiện, hoặc vì AI trả lời thú vị. Engagement chỉ có giá trị khi gắn với hành động học có ý nghĩa: truy hồi, giải thích, luyện tập, phản biện, sửa lỗi, hợp tác.

Ảo tưởng thứ hai là “AI cá nhân hóa thì người học tự chủ hơn”. Cá nhân hóa có thể tăng autonomy nếu người học hiểu, kiểm soát và tham gia quyết định. Nhưng nó có thể giảm autonomy nếu hệ thống âm thầm quyết định lộ trình, che giấu tiêu chí, và khiến người học chỉ đi theo đề xuất. Autonomy cần transparency và choice, không chỉ recommendation.

Ảo tưởng thứ ba là “giúp càng nhiều càng tốt”. Hỗ trợ quá nhiều có thể làm giảm competence thật. Người học thấy sản phẩm tốt hơn nhưng không biết tự làm lại. Đây là rủi ro của AI mạnh: nó làm khoảng cách giữa performance có hỗ trợ và competence độc lập trở nên lớn hơn. Thiết kế cần đo cả hai.

Ảo tưởng thứ tư là “gamification vô hại”. Điểm, badge, leaderboard và streak đều truyền thông điệp về điều gì được coi trọng. Nếu hệ thống thưởng tốc độ, người học tối ưu tốc độ. Nếu thưởng số câu, người học tối ưu số câu. Nếu thưởng tiến bộ và sửa lỗi, người học có thể chú ý đến mastery hơn. Game mechanics là chính sách sư phạm thu nhỏ.

Ảo tưởng thứ năm là “cấm AI sẽ bảo vệ tự điều chỉnh”. Cấm có thể cần trong một số đánh giá, nhưng không đủ như chiến lược giáo dục. Người học vẫn sẽ sống trong thế giới có AI. Mục tiêu là dạy họ dùng AI có kỷ luật: biết khi nào hỏi, hỏi như thế nào, kiểm chứng ra sao, giữ phần nào tự làm, và phản tư về sự phụ thuộc.

Nguyên tắc thiết kế

Nguyên tắc đầu tiên: thiết kế AI để nuôi autonomy, không chỉ tối ưu lộ trình. Hệ thống nên giải thích đề xuất, cho lựa chọn có cấu trúc, và giúp người học đặt mục tiêu của chính mình.

Nguyên tắc thứ hai: competence phải dựa trên tiến bộ thật. Feedback cần cụ thể, có thể hành động và nối với chiến lược. Không dùng lời khen rỗng để thay cho bằng chứng năng lực.

Nguyên tắc thứ ba: relatedness cần người thật. AI có thể hỗ trợ giao tiếp, rehearsal, dịch, tóm tắt và phát hiện người cần giúp, nhưng không nên thay thế hoàn toàn quan hệ giáo viên-bạn học-cộng đồng.

Nguyên tắc thứ tư: luôn yêu cầu nỗ lực trước hỗ trợ mạnh. Dự đoán trước lời giải, outline trước khi viết, tự đánh dấu lỗi trước khi AI sửa, confidence rating trước khi xem đáp án.

Nguyên tắc thứ năm: phân biệt support, scaffold và substitution. Support giúp làm việc dễ hơn. Scaffold giúp học để sau này tự làm. Substitution thay người học làm phần cần học. Thiết kế tốt ưu tiên scaffold.

Nguyên tắc thứ sáu: cognitive offloading phải có inspection và fading. Người học được dùng AI, nhưng phải kiểm tra đầu ra, giải thích lựa chọn, và dần giảm mức hỗ trợ khi năng lực tăng.

Nguyên tắc thứ bảy: gamification phải phục vụ mastery. Badge nên gắn với năng lực, streak không nên phạt đời sống thật, leaderboard phải cẩn thận, và challenge phải vừa sức.

Nguyên tắc thứ tám: đo phụ thuộc, không chỉ đo thành tích. Hệ thống nên theo dõi người học có thể làm gì không AI, cần bao nhiêu gợi ý, có tự phát hiện lỗi không, có giải thích được quyết định không, và có chuyển chiến lược sang nhiệm vụ mới không.

Nguyên tắc thứ chín: động lực dài hạn cần ý nghĩa. Hãy cho người học thấy nội dung này liên quan tới mục tiêu, dự án, cộng đồng hoặc năng lực thật nào. Phần thưởng ngắn hạn chỉ nên là cầu vào, không phải nền móng.

Tổng kết chương

AI có thể giúp người học tự chủ hơn, nhưng cũng có thể làm họ phụ thuộc hơn. Khác biệt không nằm ở bản thân công cụ, mà ở cách thiết kế hoạt động, feedback, quyền lựa chọn, ma sát, gamification và vai trò của người thật. Self-Determination Theory nhắc rằng động lực bền cần autonomy, competence và relatedness. Self-regulated learning nhắc rằng người học cần đặt mục tiêu, giám sát, điều chỉnh và phản tư. Cognitive offloading nhắc rằng dùng công cụ không xấu, nhưng phải biết kỹ năng nào đang được ủy quyền. Gamification nhắc rằng engagement không đồng nghĩa với học sâu.

Có năm điểm cần giữ lại. Thứ nhất, động lực chất lượng cao khác với tương tác nhiều. Thứ hai, AI nên hỗ trợ người học tự điều chỉnh, không chiếm quyền điều chỉnh. Thứ ba, phụ thuộc AI thường bắt đầu từ việc bỏ qua các bước metacognitive nhỏ. Thứ tư, intentional friction là cần thiết khi nó bảo vệ phần suy nghĩ cốt lõi. Thứ năm, gamification phải được đọc như thiết kế động lực, không phải lớp trang trí.

Chương 16 sẽ chuyển sang đánh giá trong môi trường AI. Nếu chương này hỏi làm sao người học không mất agency khi có AI, chương sau hỏi: ta nên đánh giá điều gì, bằng cách nào, khi sản phẩm cuối có thể được máy tạo ra và quá trình học trở nên quan trọng hơn bao giờ hết?

Tài liệu tham khảo

Abdulai, A.-F., et al. (2024). The impact of ChatGPT on English for Academic Purposes (EAP) students' language learning experience: A Self-Determination Theory perspective. Education Sciences, 14(7), 726. https://doi.org/10.3390/educsci14070726

Bureau, J. S., et al. (2024). A systematic review and meta-analysis of self-determination-theory-based interventions in the education context. Learning and Motivation, 87, 102015. https://doi.org/10.1016/j.lmot.2024.102015

Carnat, I. (2024). Human, all too human: Accounting for automation bias in generative large language models. International Data Privacy Law, 14(4), 299-314. https://doi.org/10.1093/idpl/ipae018

Chiu, T. K. F. (2024). A classification tool to foster self-regulated learning with generative artificial intelligence by applying self-determination theory: A case of ChatGPT. Educational Technology Research and Development, 72, 2401-2416. https://doi.org/10.1007/s11423-024-10366-w

Chon, V. F. A., Sharif, S., & Saleh, N. M. (2024). Gamification for enhancing students' learning motivation: A systematic review. Journal of Cognitive Sciences and Human Development, 10(2), 19-41. https://doi.org/10.33736/jcshd.7231.2024

Deci, E. L., & Ryan, R. M. (2000). The "what" and "why" of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268. https://doi.org/10.1207/S15327965PLI1104_01

Gao, F. (2024). Advancing gamification research and practice with three underexplored ideas in Self-Determination Theory. TechTrends, 68, 661-671. https://doi.org/10.1007/s11528-024-00968-9

Jaramillo-Mediavilla, L., Basantes-Andrade, A., Cabezas-González, M., & Casillas-Martín, S. (2024). Impact of gamification on motivation and academic performance: A systematic review. Education Sciences, 14(6), 639. https://doi.org/10.3390/educsci14060639

Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated learning in higher education. npj Science of Learning, 10, 21. https://doi.org/10.1038/s41539-025-00319-0

Li, L., Hew, K. F., & Du, J. (2024). Gamification enhances student intrinsic motivation, perceptions of autonomy and relatedness, but minimal impact on competency: A meta-analysis and systematic review. Educational Technology Research and Development, 72, 765-796. https://doi.org/10.1007/s11423-023-10337-7

Ryan, R. M., & Deci, E. L. (2020). Intrinsic and Extrinsic Motivation from a Self-Determination Theory Perspective: Definitions, Theory, Practices, and Future Directions. Contemporary Educational Psychology, 61, 101860. https://doi.org/10.1016/j.cedpsych.2020.101860

Skulmowski, A. (2024). Placebo or assistant? Generative AI between externalization and anthropomorphization. Educational Psychology Review, 36, 58. https://doi.org/10.1007/s10648-024-09894-x

Yin, J., Goh, T.-T., & Hu, Y. (2024). Interactions with educational chatbots: The impact of induced emotions and students' learning motivation. International Journal of Educational Technology in Higher Education, 21, 47. https://doi.org/10.1186/s41239-024-00480-3

Yin, J., et al. (2025). Do AI chatbots impact motivation? Insights from a preliminary longitudinal study. System, 128, 103544. https://doi.org/10.1016/j.system.2024.103544

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

Zhou, X., Teng, D., & Al-Samarraie, H. (2024). The mediating role of generative AI self-regulation on students' critical thinking and problem-solving. Education Sciences, 14(12), 1302. https://doi.org/10.3390/educsci14121302