Chương 17: Human-AI interaction: tutor, tool, tutee, peer, coach

Bối cảnh / Vấn đề

Khi AI đi vào giáo dục, câu hỏi thường được đặt sai ngay từ đầu. Người ta hỏi: “AI có thay giáo viên không?”, “AI có dạy tốt hơn lớp học không?”, “AI có làm học sinh lười không?”, “AI có nên bị cấm trong bài tập không?”. Những câu hỏi này không vô nghĩa, nhưng chúng quá thô. Chúng giả định AI là một thực thể có một vai trò cố định. Trong thực tế, cùng một hệ thống AI có thể là gia sư, công cụ, học trò, bạn học, cộng sự, người phản biện, huấn luyện viên tự điều chỉnh, trợ lý quan sát, hoặc bộ lọc dữ liệu cho giáo viên. Mỗi vai trò thay đổi nhiệm vụ học tập, quyền kiểm soát, loại bằng chứng, rủi ro phụ thuộc và trách nhiệm của con người.

Một chatbot trả lời “giải thích định luật Bernoulli cho em” đang đóng vai tutor. Cũng chatbot đó, khi người học yêu cầu “hãy giúp em viết lại đoạn này rõ hơn”, trở thành tool. Khi người học nói “tôi sẽ giải thích cho bạn cách dùng vòng lặp, bạn hãy hỏi lại nếu chưa hiểu”, AI trở thành tutee. Khi người học yêu cầu “hãy phản biện lập luận của tôi”, nó thành peer hoặc debate partner. Khi hệ thống theo dõi thói quen học, nhắc người học đặt mục tiêu và phản tư, nó thành coach hoặc observer. Nếu ta không phân biệt các vai trò này, tranh luận về AI trong giáo dục sẽ lẫn lộn: bằng chứng tích cực của AI tutor bị dùng để biện minh cho AI chấm điểm; rủi ro đạo văn của AI writing tool bị dùng để phủ định AI tutee; lợi ích phản hồi tức thời bị hiểu nhầm thành quyền tự động ra quyết định thay giáo viên.

Khung “tutor, tool, tutee” không mới. Robert Taylor đã dùng ba vai trò này để mô tả máy tính trong trường học từ năm 1980: computer as tutor khi máy dạy người học; computer as tool khi máy khuếch đại năng lực làm việc; computer as tutee khi người học học bằng cách dạy hoặc lập trình máy (Taylor, 1980). Điểm đáng chú ý là hơn bốn mươi năm sau, GenAI làm khung này sống lại theo cách mạnh hơn. Máy tính trước đây cần phần mềm được lập trình kỹ; GenAI có thể đối thoại, diễn giải, tạo nội dung, đặt câu hỏi, mô phỏng nhân vật và phản hồi theo ngữ cảnh. Vì vậy, vai trò không còn nằm trong loại phần mềm, mà nằm trong thiết kế tương tác.

Chương 16 đã bàn về đánh giá trong môi trường AI: khi sản phẩm cuối dễ được máy tạo, ta cần bằng chứng quá trình, năng lực phức hợp và phán đoán con người. Chương này đi vào lớp trước đó: trong quá trình học, AI đang tương tác với người học như ai? Vai trò ấy có nuôi agency, competence, relatedness, self-regulation và evaluative judgement không? Hay nó làm người học đi đường tắt, outsource suy nghĩ, mất cơ hội hợp tác thật, và để hệ thống giám sát thay cho quan hệ giáo dục?

Một cách nhìn thực dụng là: không có “AI trong giáo dục” nói chung. Có AI trong một vai trò, trong một nhiệm vụ, với một mức quyền, trong một bối cảnh tuổi, môn học, động lực, dữ liệu, chính sách và quan hệ người thật cụ thể. AI tutor trong vật lý nhập môn khác AI coach cho sinh viên tự học, khác AI peer trong lớp viết, khác AI tutee trong lập trình, khác AI observer trong hệ thống cảnh báo sớm. Muốn thiết kế nghiêm túc, phải chuyển từ câu hỏi “AI có tốt không?” sang “AI đang giữ vai nào trong hoạt động học này, và vai đó làm thay đổi quan hệ học tập nào?”.

Nền tảng lý thuyết

Human-AI interaction trong giáo dục nên được đọc như một hệ thống phân phối hoạt động, không phải một giao diện hỏi-đáp. Người học không chỉ nhận thông tin từ AI. Họ đặt mục tiêu, diễn giải câu trả lời, kiểm chứng nguồn, điều chỉnh prompt, chọn dùng hay bỏ qua gợi ý, so sánh với tiêu chí, trao đổi với giáo viên và bạn học. AI cũng không chỉ “trả lời”; nó định hình nhịp học, mức nỗ lực, cảm giác an toàn khi hỏi, độ rõ của feedback, loại nhiệm vụ được ưu tiên và cả cách người học hiểu vai trò của mình.

Từ góc nhìn distributed cognition, công cụ không đứng ngoài tư duy. Giấy nháp, máy tính, bản đồ khái niệm, IDE, search engine và AI đều phân phối một phần hoạt động nhận thức ra môi trường. Câu hỏi không phải “có dùng công cụ hay không”, mà là công cụ làm phần nào, người học giữ phần nào, và việc phân phối đó có làm năng lực của người học tăng lên hay mòn đi. Chương 15 đã gọi đây là cognitive offloading có kiểm soát. Trong chương này, ta thêm một lớp: offloading thay đổi theo vai trò AI. AI as tool thường offload thao tác. AI as tutor có thể offload định hướng. AI as peer có thể offload phản biện ban đầu. AI as coach có thể offload tự giám sát. AI as tutee thì ngược lại: nó buộc người học externalize hiểu biết để dạy lại.

Từ góc nhìn social constructivism, học không chỉ là hấp thụ nội dung mà là tham gia vào đối thoại, giải thích, tranh luận, phối hợp và dần sử dụng ngôn ngữ của cộng đồng tri thức. AI có thể tạo thêm đối thoại, nhưng không phải mọi đối thoại đều có giá trị xã hội như nhau. Một chatbot có thể giúp người học nhút nhát tập hỏi trước khi vào lớp. Nó cũng có thể làm người học ít cần gặp bạn và giáo viên hơn. Nó có thể mô phỏng nhiều quan điểm. Nó cũng có thể tạo cảm giác “đã tranh luận” trong khi người học chỉ đối thoại với một mô hình không có trách nhiệm xã hội, không có kinh nghiệm sống và không chịu hậu quả.

Từ góc nhìn self-regulated learning, AI có thể hỗ trợ các pha đặt mục tiêu, lập kế hoạch, thực hiện, giám sát và phản tư. Guan, Raković, Chen và Gašević systematic review về educational chatbots hỗ trợ SRL, công bố năm 2024, phân tích 27 nghiên cứu từ 2012 đến 2023. Họ thấy chatbot chủ yếu hỗ trợ người học tìm tài nguyên, dùng chiến lược học phù hợp và giám sát việc học, trong khi ít hỗ trợ hơn cho đặt mục tiêu, lập kế hoạch, phản tư về việc học trước đó và thích ứng cho lần học sau (Guan et al., 2024). Điểm này quan trọng: nhiều hệ thống tự gọi là coach, nhưng thực ra chỉ là resource recommender hoặc reminder. Coach đúng nghĩa phải giúp người học tự điều chỉnh tốt hơn, không chỉ đi theo lời nhắc.

Từ góc nhìn Human-AI teaming, vai trò của AI cần được phân định theo quyền quyết định. Human-in-the-loop nghĩa là con người tham gia vào quy trình và có thể kiểm tra hoặc phê duyệt trước khi kết quả có hiệu lực. Human-on-the-loop nghĩa là hệ thống có thể hoạt động tự động, nhưng con người giám sát, can thiệp khi cần và chịu trách nhiệm quản trị. Trong giáo dục, phân biệt này không phải chi tiết kỹ thuật. Nếu AI đề xuất bài luyện tiếp theo, giáo viên có thể on-the-loop. Nếu AI kết luận học sinh có nguy cơ bỏ học hoặc nghi ngờ gian lận, con người phải in-the-loop với quyền xem bằng chứng và phủ quyết. Nếu AI đưa feedback bản nháp, người học phải in-the-loop bằng cách chọn, phản biện và sửa, không chỉ chấp nhận.

Mollick và Mollick năm 2023 đề xuất bảy cách dùng AI trong lớp học: AI-tutor, AI-coach, AI-mentor, AI-teammate, AI-tool, AI-simulator và AI-student; họ nhấn mạnh người học phải giữ vai “human in the loop”, giám sát đầu ra, đánh giá lỗi và thiên lệch, và bổ sung phần con người mà AI không có (Mollick & Mollick, 2023). Khung này hữu ích vì nó chuyển AI từ vật thể công nghệ sang vai trò sư phạm. Tuy nhiên, không nên biến danh sách vai trò thành menu tính năng. Cùng một vai trò có thể tốt hoặc xấu tùy thiết kế nhiệm vụ, mức scaffold, tiêu chí đánh giá và quyền kiểm soát.

Một systematic review năm 2025 của Qian về ứng dụng sư phạm của GenAI trong giáo dục đại học cũng chỉ ra hai mặt này. Review ghi nhận các xu hướng mới như thúc đẩy sáng tạo, tư duy phản biện, learning autonomy và prompt literacy, nhưng đồng thời cảnh báo hiệu quả năng suất có thể đi cùng overreliance và outsourcing các kỹ năng nhận thức, metacognitive quan trọng; hướng nghiên cứu tương lai cần tập trung vào student-teacher-AI collaboration (Qian, 2025). Đây là tinh thần của chương: AI không nên được đặt vào một vai độc tôn. Giá trị nằm ở tam giác người học-giáo viên-AI, trong đó vai trò có thể thay đổi theo mục tiêu học.

AI as Tutor

AI as Tutor là vai trò dễ tưởng tượng nhất: người học hỏi, AI giải thích, đưa ví dụ, gợi ý bước tiếp theo, kiểm tra hiểu biết, điều chỉnh tốc độ. Vai trò này hấp dẫn vì nó chạm vào một giấc mơ lâu đời của giáo dục: mỗi người học có một gia sư riêng, không mệt, không phán xét, trả lời ngay, biết điều chỉnh theo nhu cầu cá nhân. Bloom từng đặt vấn đề “2 sigma” về hiệu quả của tutoring một-một so với dạy lớp thông thường (Bloom, 1984). AIEd nhiều thập niên qua cũng theo đuổi giấc mơ này qua intelligent tutoring systems. GenAI làm giấc mơ ấy có vẻ gần hơn vì giao diện tự nhiên hơn, chi phí thấp hơn và phạm vi nội dung rộng hơn.

Bằng chứng gần đây cho thấy vai trò tutor có tiềm năng thật, nhưng không đồng nhất. Létourneau và cộng sự systematic review năm 2025 về AI-driven intelligent tutoring systems trong K-12 phân tích 28 nghiên cứu với 4.597 học sinh. Kết quả nhìn chung tích cực với learning và performance, nhưng hiệu quả bị giảm khi so với non-intelligent tutoring systems; review cũng kêu gọi nghiên cứu dài hơn, mẫu đa dạng hơn và xem xét đạo đức (Létourneau et al., 2025). Nói đơn giản: ITS có thể giúp, nhưng không phải cứ thêm “AI” là vượt trội.

Một RCT năm 2025 của Kestin, Miller và cộng sự trong khóa vật lý đại học đưa ra kết quả đáng chú ý hơn. Nghiên cứu so sánh AI-powered tutor được thiết kế theo cùng nguyên tắc sư phạm với một lớp active learning, trong bối cảnh học thật. Sinh viên học với AI tutor đạt learning gains cao hơn trong ít thời gian hơn, đồng thời báo cáo engagement và motivation cao hơn (Kestin et al., 2025). Nhưng chính bài này cũng cho thấy điều kiện thành công rất cụ thể: tutor được thiết kế bởi giảng viên hiểu nội dung, có prompt và cấu trúc bài học cẩn thận, nội dung thuộc giai đoạn hiểu-áp dụng-phân tích trong vật lý nhập môn, và hệ thống được đặt trong một khóa học có sẵn.

Ở phía ngược lại, Bastani và cộng sự nghiên cứu GenAI trong học toán trung học và công bố phiên bản peer-reviewed năm 2025 trên PNAS. Trong thí nghiệm với gần một nghìn học sinh, việc dùng GPT-4 trong luyện tập làm tăng performance khi công cụ còn hiện diện, nhưng khi AI bị lấy đi, nhóm dùng giao diện không có guardrails làm bài kém hơn nhóm không có AI. Phiên bản GPT Tutor có safeguard giảm đáng kể tác động xấu này (Bastani et al., 2025). Bài học không phải “AI tutor xấu”, mà là tutor không có thiết kế bảo vệ học tập có thể biến thành nạng. Người học hoàn thành bài luyện tốt hơn nhưng không hình thành năng lực độc lập tương ứng.

Một AI tutor tốt phải làm ít nhất năm việc. Thứ nhất, nó phải chẩn đoán mức hiểu hiện tại thay vì trả lời ngay cùng một cách cho mọi người. Thứ hai, nó phải scaffold theo mức: gợi ý nhẹ trước, ví dụ sau, lời giải đầy đủ cuối cùng. Thứ ba, nó phải yêu cầu người học nỗ lực trước khi nhận hỗ trợ mạnh. Thứ tư, nó phải kiểm tra transfer: sau khi giải thích, người học có làm được bài tương tự, bài đảo chiều hoặc bài trong bối cảnh mới không. Thứ năm, nó phải biết khi nào chuyển người học sang giáo viên hoặc bạn học, nhất là khi có dấu hiệu hiểu sai dai dẳng, lo âu, mất động lực hoặc vấn đề ngoài học thuật.

AI tutor cũng cần “pedagogical humility”. Nó không nên giả giọng người biết tất cả. Nó phải thừa nhận giới hạn, khuyến khích kiểm chứng, liên kết với nguồn học chính thức và không tạo cảm giác mọi câu hỏi đều có một đáp án mượt. Trong các môn có tranh luận, tutor phải giúp người học thấy nhiều quan điểm, tiêu chí đánh giá và vùng bất định. Trong các môn có chuẩn an toàn, tutor phải đặt ranh giới rõ: không thay giáo viên, bác sĩ, kỹ sư giám sát, hoặc quy trình thực hành được cấp phép.

Điểm khó nhất là agency. Tutor càng mạnh càng dễ tước quyền điều hành của người học. Nếu AI luôn chọn bài, giải thích, nhắc, đánh giá, động viên và sửa, người học có thể trở thành hành khách. Tutor tốt phải dần rút scaffold: ban đầu hỏi nhiều, gợi ý nhiều; sau đó yêu cầu người học tự dự đoán, tự giải thích, tự chọn chiến lược; cuối cùng kiểm tra xem người học có thể học tiếp mà không cần tutor không. Mục tiêu của tutor không phải giữ người học trong cuộc trò chuyện mãi, mà là làm người học bớt cần nó cho cùng loại nhiệm vụ.

AI as Tool

AI as Tool là vai trò phổ biến nhất trong đời sống học tập hằng ngày. Người học dùng AI để viết nháp, sửa câu, dịch, tóm tắt, tạo flashcards, tìm ví dụ, sinh code, debug, phân tích dữ liệu, tạo hình, mô phỏng tình huống, lập kế hoạch dự án, chuẩn bị slide, luyện phỏng vấn. Trong vai trò này, AI không “dạy” trực tiếp; nó khuếch đại năng lực làm việc. Nó giống máy tính, spreadsheet, IDE, search engine, grammar checker hoặc phần mềm thiết kế, nhưng linh hoạt hơn vì giao tiếp bằng ngôn ngữ tự nhiên.

Vai trò tool có giá trị lớn vì nhiều hoạt động học bị cản bởi thao tác phụ. Một người học có ý tưởng nhưng yếu diễn đạt có thể dùng AI để làm rõ câu. Một sinh viên mới học lập trình có thể hỏi AI giải thích lỗi compiler. Một nhóm làm dự án có thể dùng AI để tạo cấu trúc họp, danh sách giả định, hoặc bản đồ stakeholder. Một học sinh khiếm thị hoặc gặp rào cản ngôn ngữ có thể dùng AI để chuyển đổi định dạng, tóm tắt, đọc to, giải thích thuật ngữ. Nếu thiết kế đúng, AI tool giảm tải những phần không phải mục tiêu học chính để người học tập trung vào reasoning, decision và creation.

Nhưng vai trò tool cũng dễ trượt thành substitution. Nếu mục tiêu học là viết luận, AI viết thay làm mất cơ hội học. Nếu mục tiêu là phân tích nguồn, AI tóm tắt nguồn thay quá sớm làm người học không đọc. Nếu mục tiêu là debug, AI sửa code mà người học không hiểu làm mất kỹ năng chẩn đoán. Cùng một thao tác có thể là hỗ trợ hoặc thay thế tùy mục tiêu. Grammarly có thể phù hợp khi mục tiêu là lập luận khoa học, nhưng không phù hợp nếu mục tiêu là học cấu trúc câu. Code completion có thể phù hợp với lập trình viên có kinh nghiệm, nhưng có thể làm người mới bỏ qua syntax và logic cơ bản.

Albadarin và cộng sự systematic review năm 2024 về 14 nghiên cứu thực nghiệm ChatGPT trong giáo dục ghi nhận người học dùng ChatGPT như trợ lý thông minh ảo: nhận feedback tức thời, câu trả lời theo nhu cầu, giải thích chủ đề phức tạp; đồng thời dùng để tăng kỹ năng viết và ngôn ngữ qua tạo ý, soạn bài, tóm tắt, dịch, paraphrase và kiểm tra ngữ pháp. Nhưng review cũng ghi nhận một số nghiên cứu cho thấy overuse có thể ảnh hưởng tiêu cực đến năng lực đổi mới và hợp tác; các tác giả nhấn mạnh cần training, support và guideline rõ ràng để phát triển kỹ năng đánh giá thông tin và giữ tương tác người-người trong hoạt động học (Albadarin et al., 2024).

Điểm cốt lõi của AI as Tool là người học phải giữ quyền tác giả nhận thức. Họ không nhất thiết tự gõ mọi câu, nhưng phải tự xác định mục tiêu, tiêu chí chất lượng, nguồn đáng tin, quyết định sửa, và trách nhiệm cuối. Một workflow tốt có thể là: người học viết ý chính trước, AI hỏi làm rõ, người học chọn cấu trúc, AI góp ý khoảng trống, người học kiểm chứng nguồn, AI đề xuất diễn đạt, người học quyết định bản cuối và giải thích những chỗ dùng AI. Workflow xấu là: người học đưa đề, AI tạo bài, người học nộp sau vài chỉnh sửa bề mặt.

Trong lớp học, vai trò tool cần được khai báo bằng luật sử dụng cụ thể. Không nên chỉ nói “được dùng AI có trách nhiệm”. Cần phân biệt: được dùng để brainstorm nhưng phải ghi lại ý tự chọn; được dùng để sửa ngôn ngữ nhưng không tạo lập luận; được dùng để debug nhưng phải giải thích lỗi; được dùng để phân tích dữ liệu nhưng phải kiểm tra công thức; được dùng để tạo hình minh họa nhưng phải khai báo prompt và chỉnh sửa. Khi luật cụ thể, AI tool trở thành một phần của nghề học. Khi luật mơ hồ, nó trở thành vùng xám đạo đức.

Một nguyên tắc hay là “tool plus explanation”. Bất cứ khi nào AI làm phần quan trọng, người học phải giải thích được: tôi yêu cầu gì, AI đề xuất gì, tôi giữ gì, bỏ gì, vì sao, bằng chứng nào xác nhận, phần nào tôi vẫn chưa chắc. Chính yêu cầu giải thích này biến công cụ thành cơ hội học. Nếu không, AI tool chỉ làm sản phẩm đẹp hơn và năng lực mờ hơn.

AI as Tutee

AI as Tutee đảo chiều quyền lực. Thay vì người học hỏi AI, người học dạy AI. Họ giải thích khái niệm, đặt câu hỏi cho AI, sửa lỗi của AI, kiểm chứng câu trả lời, tạo ví dụ, chỉ ra misconception, hướng dẫn AI từng bước. Đây là vai trò có giá trị sư phạm sâu vì dạy người khác buộc người học tổ chức lại hiểu biết. Learning-by-teaching, self-explanation và protégé effect đều dựa trên cơ chế này: khi ta phải dạy, ta nhận ra lỗ hổng của mình.

Taylor gọi computer as tutee là khi người học lập trình máy để máy làm điều gì đó; trong quá trình ấy, người học phải hiểu đủ rõ để biến kiến thức thành chỉ dẫn (Taylor, 1980). Với GenAI, tutee không nhất thiết là lập trình theo nghĩa truyền thống. Người học có thể “dạy” một chatbot bằng giải thích tự nhiên, tạo ví dụ, sửa hiểu sai, đặt luật phản hồi. Nhưng GenAI mạnh quá cũng tạo nghịch lý: nếu AI có vẻ biết mọi thứ, người học sẽ không thấy mình thật sự dạy nó. Một tutee tốt đôi khi phải biết ít hơn, hỏi lại, mắc lỗi có chủ đích, hoặc giới hạn kiến thức để người học có đất dạy.

Nghiên cứu gần đây bắt đầu khai thác hướng này. Liu và cộng sự năm 2024 nghiên cứu teachable Q&A agent trong đọc hiểu với 95 học sinh lớp 5 qua chương trình đọc 9 tuần. Họ cho thấy hoạt động huấn luyện chatbot theo learning-by-teaching làm tăng reading interest và engagement, dù việc tạo câu hỏi đa dạng cũng đặt ra thách thức cần rèn luyện (Liu et al., 2024). Trong lập trình, Jin, Lee, Shin và Kim đề xuất môi trường TeachYou với AlgoBo, một LLM-based tutee chatbot có thể mô phỏng hiểu sai và hỏi “why/how”; nghiên cứu với 40 người mới học thuật toán cho thấy câu hỏi của tutee tạo ra hội thoại đậm đặc kiến thức hơn (Jin et al., 2024). Một nghiên cứu quasi-experimental khác về teachable ChatGPT agent trong lập trình ghi nhận cải thiện knowledge gains, programming abilities và SRL, nhưng ít tác động tới error-correction vì ChatGPT có xu hướng tạo code đúng, làm giảm cơ hội luyện debug (Chen et al., 2024).

Những kết quả này cho thấy AI as Tutee không chỉ là trò đổi vai. Nó có thể thiết kế để kéo người học lên các tầng phân tích và đánh giá trong Bloom: giải thích, phát hiện lỗi, tạo ví dụ, phản biện, sửa misconception. Khi người học dạy AI về phân số, họ phải phân biệt tử số/mẫu số, tạo ví dụ sai và đúng, giải thích vì sao cộng phân số khác cộng số nguyên. Khi người học dạy AI viết code, họ phải diễn đạt invariant, điều kiện dừng, complexity và test case. Khi người học dạy AI phân tích văn học, họ phải chỉ ra bằng chứng trong văn bản, không chỉ nói cảm nhận.

Vai trò này đặc biệt hữu ích để chống phụ thuộc AI. Nếu người học chỉ hỏi AI, họ dễ xem AI là thẩm quyền. Nếu người học phải sửa AI, họ học rằng AI có thể sai, tiêu chí nằm ngoài AI, và mình có trách nhiệm kiểm chứng. Một bài tập tốt có thể yêu cầu: “AI dưới đây giải sai. Hãy tìm lỗi, giải thích vì sao sai, sửa lại, và viết prompt để AI không lặp lỗi.” Hoặc: “Hãy dạy AI một khái niệm sao cho nó làm được ba bài kiểm tra; nếu AI sai, hãy phân tích liệu lỗi nằm ở giải thích của em, prompt, hay giới hạn của mô hình.”

Tuy nhiên, AI as Tutee cần thiết kế cẩn thận. Nếu AI quá ngu giả tạo, người học thấy không thật. Nếu AI quá giỏi, người học mất vai trò. Nếu AI hỏi quá nhiều câu máy móc, hoạt động thành thủ tục. Nếu AI chấp nhận mọi giải thích của người học, misconception được củng cố. Tutee tốt cần có knowledge state rõ, misconception có chủ đích, câu hỏi theo vùng phát triển gần, và cơ chế phản hồi cho giáo viên biết người học đang dạy đúng hay sai.

Một ứng dụng mạnh là “teach-back assessment”. Sau khi học một chủ đề, người học phải dạy AI, rồi AI làm một nhiệm vụ. Điểm không chỉ nằm ở việc AI làm đúng, mà ở chất lượng giải thích, cách xử lý lỗi, khả năng tạo ví dụ và phản tư. Đây là dạng đánh giá quá trình phù hợp với chương 16: sản phẩm cuối không phải bài luận do AI có thể viết, mà là dấu vết người học điều khiển, kiểm chứng và sửa một đối tác máy.

AI as Peer/Collaborator

AI as Peer hoặc Collaborator không phải là gia sư đứng trên, cũng không phải công cụ nằm dưới. Nó là đối tác ngang hàng trong một phần hoạt động: cùng brainstorm, đóng vai người phản biện, tranh luận, viết đôi, pair programming, mô phỏng khách hàng, đóng vai stakeholder, tạo phương án đối lập, giúp nhóm chuẩn bị debate, hoặc làm “đồng nghiệp thử ý tưởng”. Vai trò này hấp dẫn vì nhiều hoạt động học tốt cần đối thoại, nhưng không phải lúc nào người học cũng có bạn phù hợp, đủ thời gian, đủ tự tin hoặc đủ nền để tranh luận.

Trong học ngôn ngữ, human-AI interaction được nghiên cứu khá nhiều vì ngôn ngữ cần tương tác. Wang, Cheung và Chai thematic review năm 2024 về phát triển học ngôn ngữ trong human-AI interaction phân tích 49 nghiên cứu và nhận diện ba mô hình: AI-directed với giáo viên làm facilitator và người học là recipient; AI/teacher-codirected với người học là collaborator; và AI/teacher/learner-codirected (Wang et al., 2024). Ba mô hình này vượt ra khỏi học ngôn ngữ. Chúng cho thấy mức agency của người học thay đổi theo cách AI được đặt vào tương tác. AI peer tốt thuộc các mô hình đồng điều hướng, nơi người học không chỉ nhận đầu vào mà tham gia quyết định hướng đối thoại.

Trong giáo dục phổ thông, Tang và cộng sự năm 2024 trình bày một proof of concept về dialogic GenAI trong trung học ở Western Australia. Nhóm nghiên cứu đặt GenAI không phải như nguồn tri thức cuối cùng, mà như dialogic agent giúp đối thoại hợp tác và đồng kiến tạo kiến thức; học sinh được khuyến khích đặt câu hỏi tiếp nối, tích hợp nhiều quan điểm và phát triển epistemic skills (Tang et al., 2024). Đây là hình dung tốt về AI as Peer: nó không nói “đây là câu trả lời”, mà mở thêm tiếng nói để người học đối thoại, nghi ngờ, hỏi lại và tổng hợp.

AI peer có thể hữu ích trong bốn tình huống. Thứ nhất, khi người học cần rehearsal trước tương tác người thật: luyện phỏng vấn, luyện thuyết trình, luyện hội thoại ngoại ngữ, thử giải thích ý tưởng. Thứ hai, khi người học cần phản biện nhanh: AI đóng vai reviewer khó tính, khách hàng hoài nghi, nhà hoạch định chính sách, phụ huynh, bệnh nhân, người dùng cuối. Thứ ba, khi nhóm cần đa dạng hóa ý tưởng: AI tạo phương án khác, đặt câu hỏi “nếu ngược lại thì sao?”. Thứ tư, khi người học cần cộng sự kỹ thuật: pair programming, kiểm tra test case, mô phỏng dữ liệu, tạo prototype.

Nhưng AI peer có một rủi ro tinh vi: nó mô phỏng xã hội mà không thay thế xã hội. Một người bạn học thật có kinh nghiệm, mục tiêu, cảm xúc, trách nhiệm và quyền lợi riêng. Họ có thể không đồng ý vì lý do thật. Họ có thể bị ảnh hưởng bởi quyết định của nhóm. Họ có thể học từ mình và mình học từ họ. AI thì không có stakes như vậy. Nó có thể tạo “ảo giác hợp tác”: người học thấy mình đã làm việc nhóm, nhưng thực ra chỉ tối ưu ý tưởng với một mô hình luôn sẵn sàng phục vụ.

Vì vậy AI peer nên được dùng như cầu nối, không phải thay thế mặc định cho peer thật. Một thiết kế tốt là: người học tranh luận với AI trước để chuẩn bị, sau đó vào nhóm người thật với câu hỏi tốt hơn. Hoặc nhóm dùng AI để tạo ba quan điểm đối lập, rồi người học phân vai và phản biện lẫn nhau. Hoặc AI đóng vai reviewer vòng đầu, còn peer review người thật tập trung vào tiêu chí sâu hơn. AI peer mở rộng không gian đối thoại; nó không nên hút hết nhu cầu đối thoại khỏi lớp học.

Trong sáng tạo, vai trò collaborator cần tiêu chí rõ về quyền tác giả. Nếu AI góp ý cấu trúc, tạo biến thể hình ảnh, đề xuất câu chữ hoặc sinh code, sản phẩm là kết quả đồng sáng tạo ở mức nào? Người học có được tính điểm phần nào? Có cần khai báo không? Ai chịu trách nhiệm nếu nội dung sai, vi phạm bản quyền hoặc tái tạo định kiến? Những câu hỏi này không thể giải quyết bằng cảm tính. Chúng phải đi vào rubric và policy của chương trình.

AI as Coach/Observer

AI as Coach hoặc Observer tập trung vào thói quen, metacognition, động lực và rủi ro. Nó không nhất thiết dạy nội dung. Nó hỏi: hôm nay mục tiêu của em là gì? Em đã thử chiến lược nào? Em tự tin bao nhiêu? Em đang trì hoãn vì khó, vì chán, hay vì không biết bắt đầu? Em đã dùng feedback lần trước chưa? Em có đang hỏi AI quá sớm không? Em cần nghỉ hay cần chia nhỏ nhiệm vụ? Ở cấp hệ thống, observer có thể phát hiện dấu hiệu bỏ học, giảm tương tác, lặp lỗi, hoặc rủi ro phụ thuộc.

Vai trò này liên quan trực tiếp chương 15. Động lực và tự điều chỉnh không tự sinh ra từ nội dung tốt. Người học cần nhắc nhở, kế hoạch, phản tư, cảm giác tiến bộ và quan hệ hỗ trợ. AI coach có thể hữu ích vì nó luôn sẵn, ít phán xét, có thể nhớ mục tiêu, ghi lại tiến trình và cá nhân hóa câu hỏi. Một sinh viên không dám nói với giảng viên “em chưa hiểu gì từ tuần 3” có thể nói với chatbot. Một học sinh trì hoãn bài viết có thể được coach chia nhiệm vụ thành bước nhỏ. Một người tự học có thể dùng AI để lập kế hoạch spacing và retrieval.

Guan et al. (2024) cho thấy educational chatbots hỗ trợ SRL có tiềm năng, nhưng các nghiên cứu hiện tại hỗ trợ không đều các pha SRL. Chúng thường giúp tài nguyên, chiến lược và monitoring nhiều hơn là goal-setting, planning, reflection và adaptation. Đây là lời nhắc quan trọng cho thiết kế coach. Nếu hệ thống chỉ nhắc “đến giờ học rồi” hoặc “bạn còn ba bài chưa làm”, đó chưa phải coach. Coach đúng nghĩa giúp người học hiểu tại sao họ kẹt, chọn chiến lược, thử lại và học từ dữ liệu của chính mình.

AI observer cũng có thể hỗ trợ giáo viên. Nó có thể tóm tắt pattern lớp học: nhiều em sai cùng một misconception, nhóm này ít tương tác, học sinh kia dừng ở bước lập kế hoạch, phản hồi của AI bị bỏ qua, bài tập này tạo quá nhiều hint requests. Nếu dữ liệu được trình bày tốt, giáo viên có thể can thiệp đúng lúc. Nếu trình bày kém, dashboard chỉ tăng tải nhận thức và tạo áp lực giám sát.

Rủi ro lớn của coach/observer là trượt sang surveillance. Khi mọi click, thời gian dừng, đoạn chat, lỗi, cảm xúc dự đoán và mức “engagement” đều bị thu, người học có thể sống trong lớp học như một không gian bị quan sát liên tục. Điều này đặc biệt nguy hiểm với trẻ em và nhóm yếu thế. Một hệ thống có thể nói nó “cá nhân hóa”, nhưng thực chất tạo hồ sơ hành vi khó xóa. Một cảnh báo rủi ro có thể giúp can thiệp, nhưng cũng có thể dán nhãn học sinh.

Vì vậy coach/observer cần nguyên tắc dữ liệu chặt. Thu ít nhất có thể. Giải thích dữ liệu nào được thu và dùng để làm gì. Tách dữ liệu hỗ trợ học tập khỏi dữ liệu kỷ luật. Cho người học quyền xem và phản hồi về hồ sơ của mình. Không dùng dự đoán như kết luận. Luôn có người thật kiểm tra trước khi hành động có hậu quả. Và quan trọng nhất: coach phải phục vụ agency của người học, không phục vụ sự tiện lợi của hệ thống quản lý.

Một thiết kế tốt là “reflective coach” thay vì “compliance coach”. Reflective coach hỏi người học nhìn lại mục tiêu, chiến lược, mức hiểu và bước tiếp theo. Compliance coach chỉ nhắc nộp bài, giữ streak, tăng minutes-on-platform. Reflective coach có thể làm người học tự chủ hơn. Compliance coach có thể làm học tập thành chuỗi tuân thủ được tối ưu hóa.

Human-in-the-loop và human-on-the-loop

Các vai trò trên chỉ có ý nghĩa nếu ta phân định rõ con người giữ quyền gì. Trong lớp học có AI, “human-centered” không thể chỉ là khẩu hiệu. Nó phải được dịch thành quyền quyết định, quyền giải thích, quyền phủ quyết, quyền truy cập dữ liệu và trách nhiệm khi sai.

Human-in-the-loop phù hợp khi quyết định có hậu quả trực tiếp hoặc khi mô hình dễ sai theo cách khó phát hiện. Chấm điểm cuối kỳ, kết luận misconduct, đề xuất can thiệp tâm lý, chuyển nhóm năng lực, đánh giá rủi ro bỏ học, nhận xét đạo đức hoặc năng lực phức hợp đều cần con người xem bằng chứng. AI có thể chuẩn bị dữ liệu, gợi ý câu hỏi, phát hiện pattern, nhưng không nên tự động ra quyết định.

Human-on-the-loop phù hợp với quy trình rủi ro thấp hơn hoặc có thể đảo ngược: đề xuất bài luyện, nhắc lịch học, gợi ý tài nguyên, phân loại câu hỏi phổ biến, tạo feedback nháp. Nhưng on-the-loop không có nghĩa là con người chỉ xuất hiện trên giấy. Giáo viên phải có dashboard hiểu được, cảnh báo khi hệ thống lệch, cách sửa tiêu chí, và thời gian thực tế để giám sát. Một con người bị giao giám sát 10.000 quyết định tự động mà không có khả năng can thiệp thật không phải human-on-the-loop; đó là trách nhiệm tượng trưng.

Trong quan hệ người học-AI, human-in-the-loop còn có nghĩa người học phải giữ phán đoán. Khi AI góp ý bài viết, người học chọn sửa hay không. Khi AI tạo code, người học chạy test và giải thích. Khi AI đề xuất nguồn, người học kiểm chứng. Khi AI phản biện, người học đánh giá phản biện có hợp lý không. Nếu hệ thống thiết kế để người học bấm “accept all”, human-in-the-loop đã biến mất dù người học vẫn chạm vào giao diện.

Trong quan hệ giáo viên-AI, human-in-the-loop nghĩa giáo viên không bị biến thành người thực thi đề xuất thuật toán. Nếu hệ thống nói “học sinh A cần can thiệp”, giáo viên phải thấy vì sao, có thể thêm hiểu biết bối cảnh, và có thể bác bỏ. Nếu hệ thống nói “bài này nên cho 7 điểm”, giáo viên phải thấy tiêu chí, bằng chứng, độ bất định và có quyền sửa. Nếu AI gợi ý lesson plan, giáo viên phải chỉnh theo lớp, văn hóa, mục tiêu và ràng buộc thực tế.

Một nguyên tắc quản trị là trách nhiệm không được đẩy xuống nơi yếu nhất. Khi AI sai, nhà trường không thể nói “giáo viên chịu trách nhiệm” nếu giáo viên không có thông tin, thời gian hoặc quyền sửa. Nhà cung cấp không thể nói “người dùng phải kiểm tra” nếu hệ thống được bán như tự động chính xác. Người học không thể bị phạt vì luật AI mơ hồ. Human-in-the-loop chỉ thật khi con người có năng lực, thời gian, thông tin và quyền hành để làm vòng lặp ấy có ý nghĩa.

Thực trạng triển khai

Hiện nay, AI trong giáo dục đang triển khai không đều giữa các vai trò. Vai trò tool lan nhanh nhất vì người học và giáo viên có thể dùng ngay các công cụ chung như ChatGPT, Claude, Gemini, Copilot, Grammarly, NotebookLM, Perplexity, Canva, IDE assistant. Điều này tạo đổi mới từ dưới lên, nhưng cũng tạo vùng xám: mỗi người dùng theo cách riêng, không chắc tiêu chí học tập, không chắc chính sách, không chắc dữ liệu.

Vai trò tutor đang phát triển mạnh ở STEM, lập trình, ngôn ngữ và các môn có cấu trúc tương đối rõ. Harvard thử PS2 Pal trong vật lý; CS50 có các trợ lý AI như duck debugger; nhiều nền tảng luyện toán, ngôn ngữ và coding đưa chatbot vào quy trình. Lợi ích dễ thấy là phản hồi tức thời và giảm rào cản hỏi. Nhưng thành công phụ thuộc mạnh vào thiết kế nội dung, guardrails, đo transfer và liên kết với lớp học. Một tutor chung chung không biết syllabus, lỗi thường gặp và tiêu chí môn học có thể trả lời trôi chảy mà lệch.

Vai trò tutee còn ít phổ biến hơn, nhưng rất đáng chú ý vì nó phù hợp với mục tiêu AI literacy. Thay vì chỉ dạy người học “prompt thế nào để AI trả lời”, ta dạy họ “làm sao kiểm tra, sửa, dạy lại và giới hạn AI”. Trong lập trình, teachable agent có thể mô phỏng misconception. Trong đọc hiểu, chatbot được học sinh huấn luyện bằng câu hỏi-trả lời. Trong khoa học, AI có thể đóng vai học sinh hiểu sai để người học giải thích lại. Đây là hướng chống phụ thuộc tốt hơn nhiều so với chỉ cảnh báo “đừng tin AI”.

Vai trò peer/collaborator xuất hiện trong viết, ngôn ngữ, thiết kế, debate, nghiên cứu và project-based learning. Giáo viên dùng AI để tạo stakeholder giả lập, reviewer, khách hàng, nhân vật lịch sử, đối thủ tranh luận. Người học dùng AI để thử ý tưởng trước khi đưa cho nhóm. Nhưng nếu lớp học không có hoạt động người-người đủ mạnh, AI peer có thể làm nghèo tương tác xã hội. Một lớp viết mà người học chỉ nhận feedback từ AI sẽ mất cơ hội học cách đọc bài bạn, diễn đạt nhận xét tế nhị và thương lượng ý nghĩa với người thật.

Vai trò coach/observer đang đi cùng learning analytics, LMS, chatbot hỗ trợ học tập và hệ thống cảnh báo sớm. Một số ứng dụng chỉ nhắc tiến độ. Một số cố gắng hỗ trợ SRL. Một số chuyển sang giám sát hành vi. Ở đây khác biệt giữa hỗ trợ và kiểm soát rất mỏng. Cùng một dashboard “engagement” có thể giúp giáo viên hỏi thăm đúng lúc, hoặc làm học sinh bị quy thành chỉ số.

Một thực trạng chung là nhiều triển khai thiếu phân vai. Trường nói “chúng tôi dùng AI để cá nhân hóa”, nhưng không nói AI là tutor, tool, coach hay evaluator. Giáo viên nói “được dùng AI”, nhưng không nói dùng trong pha nào của nhiệm vụ. Sản phẩm nói “AI companion”, nhưng companion có thể là bạn học, gia sư, trợ lý cảm xúc hoặc giám sát viên. Khi vai trò mờ, kỳ vọng mờ; khi kỳ vọng mờ, đánh giá hiệu quả và rủi ro cũng mờ.

Phân tích phản biện

Ảo tưởng thứ nhất là “AI tutor cho mọi người” sẽ tự động dân chủ hóa giáo dục. AI có thể mở rộng tiếp cận, đặc biệt ở nơi thiếu giáo viên hoặc thiếu hỗ trợ ngoài giờ. Nhưng người có thiết bị tốt, kết nối ổn định, tiếng Anh tốt, kỹ năng prompt và nền tảng kiến thức đủ để kiểm chứng sẽ hưởng lợi nhiều hơn. Người yếu nhất có thể nhận câu trả lời nhiều hơn nhưng hiểu ít hơn nếu không có scaffold và người thật.

Ảo tưởng thứ hai là “AI ít phán xét nên tốt hơn giáo viên”. Người học có thể thấy chatbot dễ hỏi hơn vì không sợ xấu hổ. Đây là lợi ích thật. Nhưng giáo dục không chỉ cần câu trả lời không phán xét; nó cần quan hệ có trách nhiệm. Giáo viên biết lịch sử học sinh, thấy cảm xúc, hiểu bối cảnh gia đình, điều chỉnh mục tiêu và chịu trách nhiệm đạo đức. AI có thể làm giảm rào cản hỏi, nhưng không nên trở thành nơi duy nhất người học tìm hỗ trợ.

Ảo tưởng thứ ba là “AI peer thay được học nhóm”. AI có thể phản biện nhanh và mô phỏng nhiều vai, nhưng nó không có tính đối xứng xã hội. Nó không cần được lắng nghe theo nghĩa con người, không phát triển bản sắc cùng nhóm, không có trách nhiệm chung với sản phẩm. Học nhóm thật dạy cả kiến thức lẫn năng lực thương lượng, lắng nghe, xung đột và chăm sóc. AI peer nên chuẩn bị hoặc mở rộng học nhóm, không thay toàn bộ.

Ảo tưởng thứ tư là “AI tool trung lập”. Công cụ nào cũng mang thiên kiến thiết kế. AI viết theo phong cách nào, ưu tiên nguồn nào, đề xuất cấu trúc nào, sửa giọng văn theo chuẩn nào, từ chối nội dung nào, lưu dữ liệu gì, tất cả đều định hình học tập. Khi AI làm văn của mọi người giống nhau hơn, ta không chỉ có vấn đề đạo văn mà còn có vấn đề đồng nhất hóa giọng nói.

Ảo tưởng thứ năm là “coach càng theo dõi nhiều càng hỗ trợ tốt”. Dữ liệu nhiều không bằng hiểu tốt. Theo dõi quá mức có thể làm người học tối ưu chỉ số thay vì học, hoặc che giấu khó khăn vì sợ bị dán nhãn. Một coach tốt cần biết khi nào không hỏi, không đo, không nhắc, để người học có không gian tự điều chỉnh.

Ảo tưởng thứ sáu là “human-in-the-loop giải quyết mọi rủi ro”. Vòng lặp con người có thể chỉ là hình thức nếu con người quá tải, không hiểu mô hình, không có quyền sửa hoặc bị áp lực tin hệ thống. Human oversight phải được thiết kế như một năng lực tổ chức: đào tạo, thời gian, quyền truy cập dữ liệu, quy trình khiếu nại, audit và trách nhiệm rõ.

Nguyên tắc thiết kế

Nguyên tắc đầu tiên: gọi tên vai trò AI trước khi chọn công cụ. Trong hoạt động này, AI là tutor, tool, tutee, peer, coach, observer hay evaluator? Một hệ thống có thể đổi vai, nhưng mỗi pha phải rõ vai. Người học cần biết khi nào nên nghe, khi nào nên điều khiển, khi nào nên phản biện.

Nguyên tắc thứ hai: thiết kế quyền điều khiển theo mục tiêu học. Nếu mục tiêu là fluency, AI có thể hỗ trợ nhanh. Nếu mục tiêu là reasoning, AI phải hỏi trước khi giải. Nếu mục tiêu là evaluative judgement, AI phải tạo đầu ra cần kiểm chứng. Nếu mục tiêu là self-regulation, AI phải giúp người học lập kế hoạch và phản tư, không chỉ nhắc deadline.

Nguyên tắc thứ ba: tutor phải có guardrails học tập. Hãy dùng hint ladder, yêu cầu dự đoán, confidence rating, self-explanation, fading và transfer check. Không để tutor trả lời đầy đủ quá sớm trong nhiệm vụ người học cần luyện.

Nguyên tắc thứ tư: tool phải đi cùng trách nhiệm tác giả. Người học được dùng AI để tăng năng suất, nhưng phải khai báo phần dùng, kiểm chứng đầu ra, giải thích quyết định và chịu trách nhiệm bản cuối. Rubric nên chấm cả sản phẩm và cách dùng công cụ.

Nguyên tắc thứ năm: tutee phải có knowledge state thiết kế. AI cần biết ít hơn ở điểm có chủ đích, hỏi lại, mắc lỗi hợp lý và buộc người học giải thích. Nếu AI quá toàn năng, người học không học bằng dạy; họ chỉ đang prompt một chuyên gia giả.

Nguyên tắc thứ sáu: peer AI phải dẫn về cộng đồng học thật. Dùng AI để chuẩn bị câu hỏi, tạo phản biện, luyện trình bày và mở rộng quan điểm; sau đó đưa vào thảo luận người-người, peer review hoặc sản phẩm công khai.

Nguyên tắc thứ bảy: coach phải phục vụ agency. Mọi nhắc nhở, dashboard và phân tích thói quen nên giúp người học hiểu mình hơn và chọn chiến lược tốt hơn. Tránh thiết kế chỉ tối ưu compliance, minutes-on-platform hoặc streak.

Nguyên tắc thứ tám: observer phải tối thiểu hóa dữ liệu và giải thích được. Thu dữ liệu cần thiết, công bố mục đích, cho người học quyền xem, không dùng dự đoán như kết luận, và luôn có người thật trước quyết định có hậu quả.

Nguyên tắc thứ chín: phân tầng human-in-the-loop. Rủi ro thấp có thể để AI đề xuất và con người giám sát. Rủi ro cao phải có con người phê duyệt trước. Với trẻ em, dữ liệu nhạy cảm, đánh giá cuối kỳ và can thiệp tâm lý, ngưỡng giám sát phải cao hơn.

Nguyên tắc thứ mười: đánh giá vai trò bằng learning transfer, không chỉ satisfaction. Người học thích AI không có nghĩa là học sâu. Cần đo họ có làm được khi không có AI, có giải thích được quyết định, có phát hiện lỗi AI, có chuyển chiến lược sang nhiệm vụ mới và có hợp tác tốt hơn với người thật không.

Tổng kết chương

Human-AI interaction trong giáo dục không phải một vấn đề đơn lẻ. AI có thể là tutor, tool, tutee, peer, collaborator, coach, observer hoặc một tổ hợp đổi vai theo thời điểm. Mỗi vai có lợi ích và rủi ro riêng. Tutor có thể cá nhân hóa hỗ trợ, nhưng cũng tạo phụ thuộc nếu thiếu guardrails. Tool có thể tăng năng suất và tiếp cận, nhưng dễ thay thế phần cần học. Tutee có thể kích hoạt learning-by-teaching và kiểm chứng AI, nhưng cần thiết kế để người học thật sự có gì để dạy. Peer có thể mở rộng đối thoại, nhưng không thay thế quan hệ xã hội thật. Coach có thể hỗ trợ self-regulation, nhưng có thể trượt thành giám sát nếu phục vụ hệ thống hơn người học.

Điểm then chốt là vai trò phải rõ, quyền quyết định phải rõ, bằng chứng học tập phải rõ. Không có thiết kế tốt nếu chỉ nói “thêm AI vào lớp học”. Thiết kế tốt bắt đầu bằng câu hỏi: hoạt động học này cần người học làm phần nhận thức nào? AI nên làm phần nào để mở rộng năng lực mà không lấy mất cơ hội học? Người thật cần xuất hiện ở đâu? Dữ liệu nào được thu? Ai chịu trách nhiệm khi AI sai? Người học có trở nên tự chủ hơn sau tương tác này không?

Chương 18 sẽ chuyển sang AI literacy và năng lực giáo viên. Nếu chương này phân tích các vai AI có thể giữ trong hoạt động học, chương sau hỏi: người học và giáo viên cần biết gì để dùng, đánh giá, giới hạn và đồng thiết kế các vai đó một cách có trách nhiệm.

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

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4-16. https://doi.org/10.3102/0013189X013006004

Chen, A., Wei, Y., Le, H., & Zhang, Y. (2024). Learning-by-teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education. arXiv. https://arxiv.org/abs/2412.15226

Duong, T. T. M., Can, V. D., & Nguyen, V. H. (2024). The use of ChatGPT in teaching and learning: A systematic review through SWOT analysis approach. Frontiers in Education, 9, 1328769. https://doi.org/10.3389/feduc.2024.1328769

Guan, R., Raković, M., Chen, G., & Gašević, D. (2024). How educational chatbots support self-regulated learning? A systematic review of the literature. Education and Information Technologies. https://doi.org/10.1007/s10639-024-12881-y

Jin, H., Lee, S., Shin, H., & Kim, J. (2024). Teach AI how to code: Using large language models as teachable agents for programming education. arXiv. https://arxiv.org/abs/2309.14534

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6

Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J., & Léger, P. M. (2025). A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science of Learning, 10, 29. https://doi.org/10.1038/s41539-025-00320-7

Liu, C.-C., Chen, W.-J., Lo, F.-Y., Chang, C.-H., & Lin, H.-M. (2024). Teachable Q&A agent: The effect of chatbot training by students on reading interest and engagement. Journal of Educational Computing Research, 62(4). https://doi.org/10.1177/07356331241236467

Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven approaches for students, with prompts. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4475995

Qian, Y. (2025). Pedagogical applications of generative AI in higher education: A systematic review of the field. TechTrends, 69, 1105-1120. https://doi.org/10.1007/s11528-025-01100-1

Tang, K.-S., Cooper, G., Rappa, N., Cooper, M., Sims, C., & Nonis, K. (2024). A dialogic approach to transform teaching, learning & assessment with generative AI in secondary education: A proof of concept. Pedagogies: An International Journal, 19(3), 493-503. https://doi.org/10.1080/1554480X.2024.2379774

Taylor, R. P. (1980). The computer in school: Tutor, tool, tutee. Teachers College Press.

Wang, F., Cheung, A. C. K., & Chai, C. S. (2024). Language learning development in human-AI interaction: A thematic review of the research landscape. System, 125, 103424. https://doi.org/10.1016/j.system.2024.103424