Chương 18: Học tập xã hội, hòa nhập và AI literacy

Bối cảnh / Vấn đề

Chương 17 đã phân tích AI có thể giữ nhiều vai trò trong hoạt động học: tutor, tool, tutee, peer, coach. Nhưng một câu hỏi còn nền tảng hơn nằm phía sau mọi vai trò đó: người học và giáo viên cần biết gì để sống, học, làm việc và ra quyết định trong một môi trường có AI? Nếu câu trả lời chỉ là “biết viết prompt”, giáo dục sẽ thu hẹp một năng lực xã hội phức tạp thành mẹo thao tác. Nếu câu trả lời chỉ là “biết công nghệ nguy hiểm”, giáo dục sẽ biến người học thành người né tránh thay vì người tham gia có trách nhiệm.

AI literacy không phải là một gói kỹ năng nhỏ gắn thêm vào môn Tin học. Nó là năng lực hiểu AI, dùng AI, đánh giá AI, đặt câu hỏi về tác động đạo đức-xã hội của AI, và nhận ra khi nào không nên dùng AI. Một học sinh có AI literacy không chỉ biết yêu cầu chatbot tóm tắt một bài đọc. Em cần biết bản tóm tắt có thể sai, thiếu bối cảnh, thiên lệch theo dữ liệu huấn luyện, không thay thế việc đọc nguồn gốc, và có thể làm em tưởng mình đã hiểu. Một sinh viên có AI literacy không chỉ biết dùng AI để viết nháp. Sinh viên đó cần biết khai báo phần hỗ trợ, kiểm chứng nguồn, giữ trách nhiệm tác giả, bảo vệ dữ liệu cá nhân, và phân biệt hỗ trợ diễn đạt với thay thế lập luận. Một công dân có AI literacy không chỉ biết “AI là gì”. Người đó cần biết hệ thống nào đang phân loại, đề xuất, chấm điểm, dự báo hoặc giám sát mình; dữ liệu nào được dùng; ai hưởng lợi; ai chịu rủi ro; và có quyền phản biện hay không.

Vấn đề trở nên khó hơn vì AI literacy phân bố không đều. Người học có thiết bị tốt, tiếng Anh tốt, người lớn hướng dẫn, tài khoản trả phí và vốn văn hóa cao thường học cách dùng AI nhanh hơn. Người học yếu thế có thể chỉ tiếp cận bản miễn phí chậm hơn, ít tính năng hơn, hỗ trợ ngôn ngữ kém hơn, hoặc bị cấm dùng công cụ trong khi nhóm có lợi thế vẫn dùng ở nhà. Khi trường học không dạy AI literacy một cách công bằng, nó không làm giảm khoảng cách; nó hợp thức hóa một khoảng cách mới.

UNESCO gọi đây là nguy cơ “AI divide”: chênh lệch không chỉ ở kết nối Internet, mà ở khả năng tiếp cận, hiểu, sử dụng và hưởng lợi từ AI. Báo cáo năm 2025 của UNESCO về quyền người học nhấn mạnh rằng đến năm 2024 vẫn có khoảng 2,6 tỷ người chưa có Internet, và các nhóm dễ bị tổn thương như trẻ em gái, người học vùng nông thôn, người khuyết tật và cộng đồng bị thiệt thòi chịu tác động nặng hơn từ khoảng cách số (UNESCO, 2025a). Một trang tổng hợp chính sách số của UNESCO cũng nêu rằng chỉ khoảng 40% trường tiểu học và 50% trường trung học cơ sở trên thế giới có kết nối Internet (UNESCO, 2026). Nếu nền hạ tầng cơ bản còn không đều, việc nói “AI cho mọi người” mà không bàn đến quyền truy cập, ngôn ngữ, chi phí và năng lực giáo viên sẽ là một lời hứa mỏng.

AI literacy còn là vấn đề xã hội vì trường học không chỉ là nơi truyền nội dung. Trường học là không gian người học hình thành bản sắc, học cách tranh luận, nhận phản hồi, xây quan hệ, nhận ra mình thuộc về một cộng đồng, và được người lớn nhìn thấy không chỉ như một tập hợp dữ liệu hiệu suất. AI có thể hỗ trợ những quá trình đó: dịch ngôn ngữ, tạo phụ đề, đọc văn bản, giải thích thuật ngữ, gợi ý phản hồi, mở cơ hội thực hành cho người học ngại hỏi. Nhưng AI cũng có thể làm nghèo quan hệ giáo dục nếu mọi khó khăn đều được đẩy sang chatbot, mọi dấu hiệu cảm xúc bị quy thành dữ liệu, mọi hỗ trợ cá nhân hóa trở thành đường học riêng lẻ, và mọi bất ổn của người học được xử lý bằng nhắc nhở tự động thay vì quan tâm thật.

Vì vậy, chương này đặt AI literacy trong ba vòng tròn chồng lên nhau. Vòng thứ nhất là năng lực cá nhân: người học và giáo viên biết hiểu, dùng, đánh giá và phản tư về AI. Vòng thứ hai là năng lực phê phán: biết hỏi về dữ liệu, thiên kiến, quyền lực, mục tiêu tối ưu và trách nhiệm. Vòng thứ ba là năng lực xã hội-hòa nhập: dùng AI để giảm rào cản, mở rộng tham gia, tôn trọng khác biệt ngôn ngữ-văn hóa, và giữ trường học như một cộng đồng người-người.

Nếu bỏ vòng thứ nhất, người học không đủ kỹ năng thực hành. Nếu bỏ vòng thứ hai, họ trở thành người tiêu dùng công cụ. Nếu bỏ vòng thứ ba, AI literacy trở thành đặc quyền của nhóm đã mạnh. Một chương trình AI literacy nghiêm túc phải giữ cả ba.

Nền tảng lý thuyết

AI literacy nên được hiểu như một dạng literacy xã hội, không chỉ là kiến thức kỹ thuật. Trong truyền thống nghiên cứu literacy, biết đọc không chỉ là nhận diện chữ; đó là biết dùng văn bản trong những bối cảnh xã hội cụ thể, hiểu mục đích, thể loại, quyền lực, nguồn tin, người đọc và hậu quả. Tương tự, biết AI không chỉ là hiểu neural network, machine learning hay transformer ở mức khái niệm. Người học cần biết AI được dùng trong tình huống nào, bởi ai, để đạt mục tiêu nào, với dữ liệu nào, theo tiêu chí nào, và kết quả ấy ảnh hưởng đến người thật ra sao.

Allen và Kendeou đề xuất khung ED-AI Lit cho giáo dục với sáu thành phần: Knowledge, Evaluation, Collaboration, Contextualization, Autonomy và Ethics. Điểm mạnh của khung này là nó không tách AI literacy khỏi học tập. Người học cần hiểu AI hoạt động ra sao, đánh giá giới hạn và thiên lệch, cộng tác với AI và con người, dùng AI trong bối cảnh thực, giữ quyền tự chủ khi tương tác với hệ thống, và nhận diện các vấn đề đạo đức như công bằng, minh bạch, trách nhiệm và riêng tư (Allen & Kendeou, 2024). Đây là một khung phù hợp với tinh thần của cuốn sách: AI literacy không phải môn phụ, mà là năng lực xuyên môn.

UNESCO năm 2024 đưa ra hai khung năng lực bổ sung nhau: AI competency framework for students và AI competency framework for teachers. Khung cho học sinh nêu 12 năng lực qua bốn chiều: tư duy lấy con người làm trung tâm, đạo đức AI, kỹ thuật và ứng dụng AI, thiết kế hệ thống AI; đồng thời chia theo ba mức tiến triển: Understand, Apply, Create (Miao, Shiohira, & Lao, 2024). Cách chia này quan trọng vì nó tránh hai cực đoan. Một cực là chỉ dạy người học “dùng công cụ”. Cực kia là chỉ dạy kiến thức kỹ thuật trừu tượng. UNESCO đặt người học vào vai công dân và người đồng kiến tạo: hiểu hệ thống, dùng có trách nhiệm, và khi phù hợp có thể tham gia thiết kế giải pháp.

Khung cho giáo viên của UNESCO nêu 15 năng lực qua năm chiều: human-centred mindset, ethics of AI, AI foundations and applications, AI pedagogy, và AI for professional learning; cũng chia theo ba mức Acquire, Deepen, Create (Miao & Cukurova, 2024). Điểm đáng chú ý là “AI pedagogy” được đặt ngang với hiểu biết kỹ thuật và đạo đức. Giáo viên không chỉ cần biết AI là gì; họ cần biết AI thay đổi nhiệm vụ học, phản hồi, đánh giá, tương tác lớp học, vai trò của giáo viên và agency của người học như thế nào.

Nền tảng thứ hai là critical AI literacy. Nếu AI literacy trả lời câu hỏi “làm sao hiểu và dùng AI”, critical AI literacy hỏi thêm: “AI này phục vụ cấu trúc quyền lực nào?”. Người học cần biết mọi hệ thống AI đều được xây từ dữ liệu, mục tiêu tối ưu, lựa chọn thiết kế, giả định về người dùng và cơ chế triển khai. Không có mô hình nào đứng ngoài xã hội. Một hệ thống gợi ý tài nguyên học tập có thể tối ưu số phút sử dụng thay vì hiểu sâu. Một hệ thống chấm viết có thể thưởng cho văn phong giống dữ liệu huấn luyện hơn là lập luận tốt. Một mô hình phát hiện gian lận có thể nghi ngờ người học viết khác “mẫu bình thường” của nó. Một dashboard cảnh báo sớm có thể giúp can thiệp, nhưng cũng có thể dán nhãn “rủi ro” lên người học nghèo, người học đi làm thêm, hoặc người học có trách nhiệm gia đình.

Nền tảng thứ ba là học tập xã hội. Vygotsky cho rằng học diễn ra trong tương tác xã hội, qua ngôn ngữ, công cụ và hỗ trợ trong vùng phát triển gần (Vygotsky, 1978). Wenger nhấn mạnh học là tham gia vào cộng đồng thực hành: người học không chỉ tiếp nhận kiến thức, mà dần trở thành thành viên có năng lực trong một cộng đồng có chuẩn mực, ngôn ngữ, công cụ và bản sắc riêng (Wenger, 1998). Khi AI đi vào lớp học, nó không chỉ thêm một công cụ cá nhân. Nó thay đổi ai nói với ai, ai được nghe, ai được hỗ trợ, ai bị bỏ qua, ai có quyền đánh giá, và người học thấy mình thuộc về cộng đồng hay chỉ tương tác với máy.

Nền tảng thứ tư là giáo dục hòa nhập. Universal Design for Learning (UDL) xem khác biệt người học là điều dự đoán được, không phải lỗi ngoại lệ. CAST phiên bản UDL Guidelines 3.0, phát hành năm 2024, nhấn mạnh ba nhóm lựa chọn: Engagement, Representation, và Action & Expression, với mục tiêu phát triển learner agency có mục đích, biết phản tư, có nguồn lực, xác thực, chiến lược và hướng đến hành động (CAST, 2024). Khi áp dụng vào AI, UDL nhắc ta rằng công nghệ tốt không bắt người học thích nghi với một đường học hẹp. Nó mở nhiều con đường để tham gia, hiểu, biểu đạt và nhận hỗ trợ.

Nhưng hòa nhập không đồng nghĩa với “cá nhân hóa tự động”. Một hệ thống cá nhân hóa có thể giúp người học khiếm thị nghe văn bản, người học dyslexia nhận phiên bản dễ đọc hơn, người học đa ngôn ngữ chuyển đổi giữa ngôn ngữ nhà và ngôn ngữ học thuật. Nhưng nó cũng có thể cô lập người học vào đường học riêng, giảm cơ hội hợp tác, hoặc biến khác biệt thành nhãn cố định. Nghiên cứu scoping review của Pagliara và cộng sự về AI trong inclusive education cho thấy AI thường được dùng để hỗ trợ personalized learning và accessibility, nhưng lĩnh vực này vẫn còn phân mảnh, mẫu nghiên cứu nhỏ, và cần chú ý các vấn đề đạo đức như riêng tư, tiếp cận và thiên lệch (Pagliara et al., 2024).

Nền tảng thứ năm là đo lường. Nếu AI literacy trở thành mục tiêu giáo dục, người ta sẽ muốn đánh giá nó. Nhưng đo lường sớm thường dễ tạo cảm giác chắc chắn giả. Lintner systematic review năm 2024 về AI literacy scales phân tích 22 nghiên cứu xác thực 16 thang đo. Review ghi nhận nhiều thang có structural validity và internal consistency tốt, nhưng rất ít thang được kiểm tra về content validity, reliability, construct validity và responsiveness; không có thang nào trong review được kiểm tra về cross-cultural validity và measurement error; phần lớn là self-report thay vì performance-based (Lintner, 2024). Điều này đặt một cảnh báo lớn: không thể nhập một bài test AI literacy từ bối cảnh khác, dịch sang tiếng Việt, rồi dùng điểm số như bằng chứng chắc chắn về năng lực.

Từ các nền tảng trên, có thể rút ra một luận điểm xuyên suốt: AI literacy là năng lực tham gia có hiểu biết trong một hệ sinh thái kỹ thuật-xã hội. Nó bao gồm hiểu công nghệ, dùng công cụ, phán đoán bằng chứng, giữ quyền tự chủ, nhận diện rủi ro đạo đức, bảo vệ người yếu thế, và duy trì quan hệ học tập lành mạnh.

AI literacy cho người học

AI literacy cho người học có thể được chia thành bốn lớp: hiểu AI, dùng AI, đánh giá AI, và tham gia có trách nhiệm trong xã hội có AI. Bốn lớp này không phải bậc thang cứng. Người học có thể vừa dùng vừa hiểu, vừa đánh giá vừa đặt câu hỏi đạo đức. Nhưng nếu thiết kế chương trình, bốn lớp giúp tránh việc dạy AI literacy thành danh sách mẹo rời rạc.

Lớp thứ nhất là hiểu AI. Ở mức phổ thông, người học không cần biến thành kỹ sư AI, nhưng cần hiểu một số ý cơ bản. AI hiện đại học mẫu từ dữ liệu; nó dự đoán đầu ra dựa trên xác suất và cấu trúc đã học; nó không “hiểu” như con người có trải nghiệm sống, mục đích đạo đức và trách nhiệm xã hội; nó có thể tạo câu trả lời nghe hợp lý nhưng sai; nó phản ánh thiên lệch, thiếu hụt và cấu trúc quyền lực trong dữ liệu và thiết kế. Với GenAI, người học cần hiểu thêm rằng một câu trả lời trôi chảy không đồng nghĩa với đúng, một trích dẫn có thể không tồn tại, một bản tóm tắt có thể bỏ mất chi tiết quan trọng, và một lời khuyên có thể tự tin quá mức.

Hiểu AI cũng bao gồm hiểu sự khác nhau giữa các loại hệ thống. Một công cụ kiểm tra ngữ pháp, chatbot, hệ thống gợi ý video, bộ lọc tuyển sinh, dashboard học tập, phần mềm proctoring và mô hình tạo ảnh đều là AI theo nghĩa rộng, nhưng rủi ro không giống nhau. Hệ thống tạo gợi ý học tập có mức hậu quả khác hệ thống tự động ra quyết định kỷ luật. Một chatbot mở để luyện câu hỏi khác với một mô hình bị tích hợp vào đánh giá chính thức. Người học cần học cách phân loại mức rủi ro: AI đang tư vấn, hỗ trợ, tạo nội dung, dự báo, xếp hạng, giám sát hay quyết định?

Lớp thứ hai là dùng AI. Đây là phần dễ được chú ý nhất, nhưng cũng dễ bị hiểu sai nhất. Dùng AI không chỉ là viết prompt hay. Dùng AI là biết đặt mục tiêu học, cung cấp bối cảnh, yêu cầu định dạng, đưa tiêu chí, kiểm tra đầu ra, yêu cầu giải thích, so sánh nhiều nguồn, và tích hợp kết quả vào sản phẩm của mình. Một prompt tốt không chỉ dài. Nó rõ về nhiệm vụ, vai trò, giới hạn, nguồn được phép dùng, tiêu chí chất lượng và cách xử lý bất định.

Ví dụ, thay vì hỏi “giải thích quang hợp”, người học có thể hỏi: “Em đang học lớp 7, đã biết cây cần ánh sáng và nước nhưng chưa hiểu vai trò của CO2. Hãy giải thích quang hợp bằng ba bước, đưa một ví dụ thí nghiệm đơn giản, rồi hỏi em hai câu để kiểm tra hiểu biết. Nếu phần nào còn gây tranh luận ở cấp cao hơn, hãy nói rõ không cần học sâu ở lớp 7.” Prompt này không chỉ yêu cầu câu trả lời. Nó tạo một tương tác có scaffold, kiểm tra hiểu và giới hạn mức độ.

Nhưng prompt literacy chỉ là một phần của AI literacy. Người học còn cần workflow literacy: biết đưa AI vào quy trình học lúc nào. Trong viết, một workflow tốt có thể là: tự đọc nguồn, ghi ý chính, viết luận điểm, nhờ AI phản biện chỗ yếu, sửa dàn ý, viết nháp, dùng AI kiểm tra độ rõ, tự kiểm chứng trích dẫn, khai báo phần AI hỗ trợ. Workflow kém là đưa đề bài vào, nhận bài hoàn chỉnh, chỉnh vài câu rồi nộp. Trong lập trình, workflow tốt có thể là tự mô tả thuật toán, nhờ AI tạo test case, tự code, hỏi AI giải thích lỗi, rồi viết lại bằng lời của mình. Workflow kém là nhận code chạy được nhưng không hiểu.

Lớp thứ ba là đánh giá AI. Đây là phần cần được dạy có hệ thống. Người học phải biết đánh giá tính đúng, tính đầy đủ, tính phù hợp bối cảnh, nguồn, thiên lệch, mức bất định và hậu quả. Một quy tắc thực tế là “AI không tự làm bằng chứng cho chính nó”. Nếu AI đưa một thông tin quan trọng, người học phải tìm nguồn độc lập. Nếu AI nêu số liệu, người học phải truy về báo cáo gốc. Nếu AI tóm tắt một bài nghiên cứu, người học phải kiểm tra abstract, phương pháp và giới hạn. Nếu AI gợi ý quyết định có ảnh hưởng đến người khác, người học phải đặt câu hỏi đạo đức.

Đánh giá AI không chỉ là bắt lỗi. Nó là evaluative judgement: năng lực nhận ra chất lượng trong một lĩnh vực. Một học sinh chưa hiểu thế nào là lập luận lịch sử tốt sẽ khó đánh giá bài viết lịch sử do AI tạo. Một sinh viên chưa hiểu chuẩn phương pháp nghiên cứu sẽ khó thấy AI bịa cách chọn mẫu. Vì vậy, AI literacy phải gắn với tri thức môn học. Dạy người học “hãy kiểm chứng” mà không dạy tiêu chí kiểm chứng trong từng môn thì lời khuyên ấy rỗng. Trong khoa học, kiểm chứng liên quan đến dữ liệu, phương pháp, khả năng tái lập và giới hạn suy luận. Trong văn học, kiểm chứng liên quan đến văn bản, bối cảnh, bằng chứng diễn giải và tính thuyết phục. Trong toán, kiểm chứng liên quan đến logic bước giải, điều kiện áp dụng và phản ví dụ. Trong nghề nghiệp, kiểm chứng liên quan đến chuẩn an toàn, pháp lý và trách nhiệm chuyên môn.

Lớp thứ tư là tham gia có trách nhiệm. Người học cần biết các chuẩn khai báo sử dụng AI, quyền tác giả, riêng tư, dữ liệu nhạy cảm, nội dung độc hại, định kiến và tác động môi trường. Một quy định tốt không chỉ nói “không gian lận”. Nó giúp người học phân biệt mức sử dụng: brainstorming, phản hồi, chỉnh ngôn ngữ, tạo cấu trúc, tạo nội dung, phân tích dữ liệu, tạo sản phẩm cuối. Mỗi mức có yêu cầu khai báo và giới hạn khác nhau. Người học cũng cần biết không đưa dữ liệu cá nhân, thông tin sức khỏe, bài làm của bạn học, tài liệu nội bộ hoặc dữ liệu trẻ em vào công cụ không được phép.

AI literacy cần được phát triển theo lứa tuổi. Ở tiểu học, trọng tâm không phải giải thích mô hình thống kê phức tạp. Trọng tâm là: máy có thể giúp nhưng có thể sai; phải hỏi người lớn khi nội dung lạ hoặc gây lo; không chia sẻ thông tin riêng; dùng AI để khám phá và diễn đạt, không để lừa người khác; biết tôn trọng bạn học khi công cụ tạo hình, giọng nói hoặc văn bản. Ở trung học cơ sở và trung học phổ thông, có thể dạy sâu hơn về dữ liệu, thiên lệch, nguồn tin, thuật toán đề xuất, hallucination, tác giả, trích dẫn, kiểm chứng và tác động xã hội. Ở đại học và giáo dục nghề, AI literacy phải đi vào chuẩn ngành: y tế, luật, kỹ thuật, tài chính, giáo dục, báo chí, thiết kế, phần mềm và nghiên cứu khoa học đều có rủi ro riêng.

Một sai lầm phổ biến là biến AI literacy thành một module một lần: một buổi giới thiệu AI, một bài quiz đạo đức, một hướng dẫn prompt. Cách làm này không đủ. Allen và Kendeou nhấn mạnh AI literacy cần được tích hợp xuyên chương trình K-16, qua nhiều lĩnh vực học thuật, thay vì bị nhốt trong một môn riêng (Allen & Kendeou, 2024). Người học cần gặp AI trong bài đọc, bài viết, thí nghiệm, dự án nhóm, phản biện nguồn, dữ liệu, nghệ thuật, mô phỏng nghề nghiệp và hoạt động công dân. Mỗi lần gặp, giáo viên không chỉ hỏi “có dùng AI không?”, mà hỏi “AI đã thay đổi quá trình học như thế nào?”.

Một chương trình AI literacy tốt có thể dùng lỗi của AI như tài nguyên học. Cho học sinh một câu trả lời sai nhưng thuyết phục, yêu cầu tìm lỗi và sửa. Cho sinh viên so sánh ba bản tóm tắt khác nhau của cùng một bài báo, xem bản nào bỏ qua giới hạn nghiên cứu. Cho nhóm học sinh thiết kế quy tắc lớp về AI, rồi phản biện quy tắc ấy từ góc nhìn người học khuyết tật, người học không có Internet ở nhà, giáo viên chấm bài và phụ huynh. Những hoạt động này dạy AI literacy như phán đoán trong tình huống thật, không phải thuộc định nghĩa.

AI competency cho giáo viên

Nếu người học cần AI literacy, giáo viên cần một năng lực rộng hơn: AI competency. Giáo viên không chỉ là người dùng công cụ. Họ là người thiết kế nhiệm vụ học, tổ chức tương tác, chọn bằng chứng đánh giá, bảo vệ quyền lợi người học, điều chỉnh theo bối cảnh lớp, và đưa công nghệ vào một quan hệ giáo dục có trách nhiệm. Một giáo viên biết dùng chatbot để viết kế hoạch bài dạy chưa chắc có AI competency. Năng lực thật nằm ở khả năng quyết định AI nên xuất hiện ở đâu, vắng mặt ở đâu, hỗ trợ ai, làm gì, dưới tiêu chí nào, và con người giữ quyền kiểm soát ra sao.

Khung UNESCO cho giáo viên hữu ích vì nó đặt năng lực AI trên năm chiều. Chiều human-centred mindset yêu cầu giáo viên giữ agency của con người, quyền giáo dục, trách nhiệm xã hội và tính bền vững ở trung tâm. Điều này nghe chung, nhưng rất thực tế: giáo viên không nên để công cụ quyết định mục tiêu bài học; không nên hy sinh người học yếu thế để tối ưu hiệu suất chung; không nên dùng AI để tăng khối lượng bài tập chỉ vì chấm dễ hơn; không nên để dashboard thay thế sự quan sát tinh tế của người dạy.

Chiều ethics of AI yêu cầu giáo viên hiểu các vấn đề công bằng, riêng tư, minh bạch, an toàn, trách nhiệm và tác động xã hội. Giáo viên cần biết câu hỏi nào phải đặt trước khi dùng một công cụ: dữ liệu học sinh đi đâu, có cần đồng ý của phụ huynh không, hệ thống có lưu prompt không, ai có quyền xem dashboard, mô hình có được dùng để huấn luyện tiếp không, có cách khiếu nại kết quả không, có phương án thay thế cho người học không thể hoặc không muốn dùng công cụ không. Đây không phải việc của riêng ban công nghệ. Trong lớp học, giáo viên là người thấy hậu quả đầu tiên.

Chiều AI foundations and applications giúp giáo viên hiểu đủ về AI để không bị phụ thuộc vào quảng cáo sản phẩm. Giáo viên không cần xây mô hình, nhưng cần biết AI có thể hallucinate, thiếu cập nhật, nhạy với prompt, khó giải thích, có thể tái tạo định kiến, và thường hoạt động khác nhau theo ngôn ngữ. Họ cũng cần biết công cụ nào là GenAI, công cụ nào là phân tích dữ liệu học tập, công cụ nào là adaptive learning, công cụ nào chỉ là tự động hóa quy tắc. Không phân biệt các loại này, giáo viên dễ dùng sai rủi ro.

Chiều AI pedagogy là phần trung tâm. Giáo viên cần biết thiết kế hoạt động trong đó AI không làm mất mục tiêu học. Nếu mục tiêu là học viết lập luận, AI có thể phản biện dàn ý nhưng không viết hộ luận điểm. Nếu mục tiêu là học giải toán, AI có thể đưa gợi ý từng mức nhưng không nhảy thẳng đến lời giải. Nếu mục tiêu là học hợp tác, AI có thể gợi vai trò trong nhóm hoặc tóm tắt điểm khác biệt, nhưng không thay tranh luận giữa người học. Nếu mục tiêu là học ngoại ngữ, AI có thể làm đối tác luyện nói, nhưng giáo viên vẫn cần thiết kế feedback về phát âm, ngữ dụng và văn hóa.

Chiều AI for professional learning nhắc rằng giáo viên cũng là người học suốt đời. AI có thể giúp giáo viên phân tích phản hồi học sinh, tạo biến thể bài tập, đọc nghiên cứu, chuẩn bị ví dụ, chỉnh ngôn ngữ tài liệu, thiết kế rubric, hoặc phản tư sau giờ dạy. Nhưng nếu dùng không cẩn thận, AI có thể làm giáo viên xa rời chuyên môn: bài dạy trông đầy đủ nhưng không ăn vào khó khăn thật của lớp; rubric nghe chuẩn nhưng không phù hợp mục tiêu; phản hồi trơn tru nhưng không có dấu vết quan sát người học.

Ba mức Acquire, Deepen, Create của UNESCO có thể chuyển thành lộ trình phát triển nghề nghiệp. Ở mức Acquire, giáo viên cần hiểu khái niệm cơ bản, chính sách trường, rủi ro riêng tư, cách dùng an toàn, và một số hoạt động mẫu. Ở mức Deepen, giáo viên bắt đầu tái thiết kế nhiệm vụ học và đánh giá: dùng AI để tạo scaffold, feedback, phản biện, mô phỏng, phân hóa hỗ trợ, nhưng vẫn giữ bằng chứng quá trình và phán đoán người dạy. Ở mức Create, giáo viên cùng đồng nghiệp xây hướng dẫn địa phương, thiết kế hoạt động mới, đánh giá tác động, tham gia chọn công cụ, cố vấn đồng nghiệp và phản hồi cho nhà trường về rủi ro.

Đào tạo giáo viên về AI thường thất bại khi nó bị biến thành buổi trình diễn công cụ. Một buổi tập huấn hai giờ có thể giúp giáo viên biết vài prompt, nhưng không thay đổi thực hành lớp học nếu không có thời gian thử, quan sát, điều chỉnh, chia sẻ và nhận hỗ trợ. Giáo viên cần professional learning gắn với công việc thật: cùng phân tích một bài học, cùng thiết kế phiên bản có AI và không AI, dạy thử, xem bài làm của học sinh, thảo luận lỗi, sửa tiêu chí, rồi quyết định có dùng tiếp không.

Một mô hình thực tế là cộng đồng thực hành nhỏ trong trường. Mỗi nhóm giáo viên chọn một vấn đề cụ thể: học sinh viết phản hồi nguồn yếu; học sinh ngại nói ngoại ngữ; lớp toán có nhiều mức chênh; sinh viên copy code mà không hiểu; học sinh khuyết tật cần nhiều định dạng tài liệu. Nhóm thử một can thiệp AI nhỏ, đặt tiêu chí trước, thu bằng chứng, chia sẻ cả thất bại. Cách này chậm hơn mua nền tảng và yêu cầu dùng toàn trường, nhưng nó tôn trọng chuyên môn giáo viên và bối cảnh địa phương.

Rủi ro lớn nhất là biến AI competency thành checklist tuân thủ. Nếu giáo viên phải chứng minh đã học đủ module, tick đủ kỹ năng, dùng đủ công cụ, hệ thống có thể tạo áp lực hình thức. Năng lực AI không đo được bằng số prompt đã viết. Nó thể hiện ở phán đoán: giáo viên biết chọn không dùng AI khi hoạt động cần im lặng suy nghĩ; biết dừng chatbot khi học sinh quá phụ thuộc; biết yêu cầu giải thích khi bài làm quá trơn; biết cho phép AI hỗ trợ ngôn ngữ khi mục tiêu không phải kiểm tra ngữ pháp; biết bảo vệ học sinh khỏi công cụ giám sát quá mức.

Một rủi ro khác là teacher surveillance. Công nghệ quản trị có thể dùng AI để chấm “hiệu quả” giáo viên qua dữ liệu hẹp: điểm quiz, thời gian đăng nhập, số hoạt động số hóa, số phản hồi gửi đi. Nếu năng lực giáo viên bị đánh giá qua dấu vết công cụ, giáo viên sẽ tối ưu công cụ thay vì học tập. AI competency phải đi cùng quyền nghề nghiệp: giáo viên có quyền hiểu hệ thống, phản biện dữ liệu, tham gia quyết định mua sắm, từ chối ứng dụng gây hại, và được hỗ trợ thay vì bị giám sát.

Chương 19 sẽ đi sâu hơn vào agency giáo viên. Ở đây, điểm cần giữ là: không có AI literacy bền vững cho học sinh nếu giáo viên không có năng lực, thời gian, quyền và cộng đồng để dạy nó.

Critical AI Literacy

Critical AI literacy bắt đầu từ một thói quen hỏi. Không phải hỏi để phủ định mọi công nghệ, mà hỏi để dùng công nghệ mà không đánh mất phán đoán. Trong lớp học, thói quen này có thể được dạy qua một bộ câu hỏi ổn định:

1. Dữ liệu nào được dùng để huấn luyện, vận hành hoặc đánh giá hệ thống? 2. Ai được đại diện tốt trong dữ liệu, ai bị thiếu, ai bị hiểu sai? 3. Hệ thống đang tối ưu mục tiêu nào: đúng kiến thức, tốc độ, engagement, điểm số, tiết kiệm chi phí, hay kiểm soát hành vi? 4. Ai hưởng lợi nếu hệ thống được dùng: người học, giáo viên, nhà trường, nhà cung cấp, nhà quản lý, hay nhóm khác? 5. Ai chịu rủi ro nếu hệ thống sai? 6. Người bị ảnh hưởng có biết, có đồng ý, có quyền giải thích, có quyền khiếu nại và có lựa chọn thay thế không? 7. Có cần AI trong trường hợp này không, hay một giải pháp sư phạm đơn giản hơn tốt hơn?

Bảy câu hỏi này có thể đi vào nhiều bài học. Trong môn Ngữ văn, học sinh có thể phân tích một công cụ chấm bài tự động: nó đánh giá văn phong nào, có thưởng cho câu dài và từ vựng học thuật không, có hiểu giọng văn địa phương không, có phân biệt lỗi ngôn ngữ với ý tưởng mới không. Trong môn Lịch sử, học sinh có thể hỏi một chatbot về một sự kiện gây tranh luận, rồi kiểm tra nguồn, so sánh góc nhìn, tìm phần bị bỏ qua. Trong môn Toán hoặc Tin học, người học có thể xem một mô hình phân loại đơn giản và thử thay đổi dữ liệu để thấy thiên lệch. Trong Giáo dục công dân, lớp có thể thảo luận có nên dùng AI để dự báo nguy cơ bỏ học, và điều kiện nào làm việc đó có trách nhiệm.

Critical AI literacy đặc biệt cần thiết với các hệ thống tưởng như trung tính. Ví dụ, một công cụ gợi ý bài luyện có vẻ chỉ giúp cá nhân hóa. Nhưng nếu nó tối ưu “làm đúng nhanh”, học sinh đã yếu nền tảng có thể bị cho nhiều bài dễ để giữ tỷ lệ đúng, trong khi không được đẩy lên nhiệm vụ sâu hơn. Một dashboard cảnh báo học sinh “ít tương tác” có thể bỏ qua học sinh đọc tài liệu giấy, học nhóm ngoài nền tảng, hoặc sống trong gia đình chỉ có một thiết bị chung. Một công cụ đánh giá nói tự tin “bài viết này có khả năng do AI tạo” có thể gây hậu quả kỷ luật dù mô hình không đủ đáng tin trong bối cảnh đa ngôn ngữ. Một hệ thống proctoring có thể diễn giải ánh mắt, ánh sáng phòng, khuôn mặt hoặc chuyển động cơ thể theo chuẩn hẹp và gây áp lực lớn cho người học khuyết tật hoặc người học ở không gian gia đình đông người.

Critical AI literacy cũng cần đi vào GenAI tạo nội dung. Người học phải biết các mô hình ngôn ngữ có xu hướng tạo câu trả lời phù hợp về hình thức, không nhất thiết đúng về nội dung. Chúng có thể tái tạo định kiến về giới, nghề nghiệp, dân tộc, vùng miền hoặc năng lực. Chúng có thể trả lời tốt hơn bằng tiếng Anh so với ngôn ngữ ít tài nguyên hơn. Chúng có thể xử lý giọng chuẩn tốt hơn giọng địa phương. Chúng có thể làm người học tin rằng mọi vấn đề đều có thể giải bằng lời khuyên nhanh, trong khi nhiều vấn đề cần đọc sâu, thử nghiệm, đối thoại và thời gian.

Một bài tập hữu ích là “audit nhỏ”. Học sinh hoặc sinh viên chọn một công cụ AI quen thuộc và kiểm tra nó trên một tập tình huống có chủ đích. Ví dụ: yêu cầu tạo hình “bác sĩ”, “kỹ sư”, “giáo viên mầm non”, “lãnh đạo cộng đồng” rồi phân tích giới, tuổi, sắc tộc, bối cảnh. Hoặc yêu cầu chatbot giải thích cùng một khái niệm bằng tiếng Việt chuẩn, tiếng Việt có yếu tố địa phương, tiếng Anh, và ngôn ngữ của cộng đồng thiểu số nếu công cụ hỗ trợ; so sánh độ chính xác, độ tôn trọng và mức chi tiết. Hoặc đưa cùng một bài viết có ý tưởng mạnh nhưng lỗi ngữ pháp và một bài viết trơn tru nhưng lập luận yếu vào công cụ phản hồi; xem công cụ đánh giá điều gì.

Điểm quan trọng là critical AI literacy không được biến thành thái độ hoài nghi rỗng. Nếu người học chỉ nghe “AI có thiên lệch, AI nguy hiểm, AI sai”, họ có thể hoặc sợ hãi, hoặc bỏ qua lời cảnh báo vì trải nghiệm hằng ngày cho thấy AI vẫn hữu ích. Cách dạy tốt hơn là cho người học thấy cả năng lực và giới hạn trong cùng một hoạt động. AI có thể giúp tìm ví dụ, nhưng ví dụ cần kiểm chứng. AI có thể giúp tạo phản biện, nhưng phản biện có thể thiếu bối cảnh. AI có thể giúp người học yếu diễn đạt, nhưng không nên xóa giọng riêng. AI có thể giúp dịch, nhưng bản dịch có thể làm mất sắc thái văn hóa.

Critical AI literacy cũng không nên chỉ đặt gánh nặng lên cá nhân. Nếu mọi rủi ro được giải bằng “người học phải cảnh giác” hoặc “giáo viên phải kiểm tra”, hệ thống và nhà cung cấp thoát trách nhiệm. Người học cần kỹ năng, nhưng nhà trường vẫn phải có chính sách bảo vệ dữ liệu, quy trình mua sắm, tiêu chí minh bạch, kênh khiếu nại, hướng dẫn khai báo và phương án thay thế. Giáo viên cần năng lực, nhưng không thể một mình kiểm định mô hình, đọc điều khoản pháp lý, xử lý an ninh dữ liệu và thiết kế toàn bộ chương trình AI literacy.

Vì vậy, critical AI literacy có hai mặt: năng lực cá nhân và thiết kế thể chế. Trong lớp, nó dạy người học đặt câu hỏi sắc. Ở cấp trường, nó buộc tổ chức không mua và triển khai công nghệ như thể công cụ tự nó trung tính.

Inclusive Pedagogy

Inclusive pedagogy trong môi trường AI bắt đầu từ một nguyên tắc đơn giản: công nghệ phải giảm rào cản cho người học yếu thế, không chỉ tăng tốc cho người đã có vốn học tập cao. Nếu AI chủ yếu giúp học sinh giỏi viết nhanh hơn, sinh viên có tiếng Anh tốt nghiên cứu nhanh hơn, phụ huynh có tiền mua tài khoản tốt hơn, giáo viên ở trường giàu có công cụ tốt hơn, thì AI đang làm điều ngược với hòa nhập.

AI có nhiều khả năng hỗ trợ hòa nhập thật. Speech-to-text giúp người học khó viết tay hoặc khó gõ có thể diễn đạt ý tưởng. Text-to-speech giúp người học khiếm thị, dyslexia hoặc mệt mỏi khi đọc dài tiếp cận văn bản. Phụ đề tự động giúp người học khiếm thính và cả người học đang ở môi trường ồn. Dịch máy và giải thích song ngữ giúp người học đa ngôn ngữ đi từ ngôn ngữ nhà sang ngôn ngữ học thuật. Công cụ tạo bản tóm tắt nhiều mức có thể giúp người học mới vào chủ đề tiếp cận văn bản khó trước khi đọc sâu. AI có thể chuyển một khái niệm thành sơ đồ, ví dụ cụ thể, câu hỏi luyện tập, hoặc hội thoại nhập vai. Với người học lo âu khi hỏi trước lớp, chatbot có thể là nơi thử câu hỏi ban đầu trước khi tham gia thảo luận.

Nhưng khả năng hỗ trợ không tự biến thành hòa nhập. Một công cụ đọc to nhưng không hỗ trợ tiếng Việt tốt có thể vô dụng với học sinh Việt Nam. Một chatbot nói giọng thân thiện nhưng đòi kết nối mạnh có thể loại người học vùng yếu hạ tầng. Một hệ thống adaptive learning có giao diện phức tạp có thể làm người học rối hơn. Một công cụ dịch có thể giúp người học nhập cư hiểu bài, nhưng nếu giáo viên dùng nó để khỏi xây quan hệ ngôn ngữ với gia đình, nó lại làm nghèo giao tiếp. Một công cụ phát hiện cảm xúc qua khuôn mặt có thể được quảng cáo là hỗ trợ wellbeing, nhưng có nguy cơ diễn giải sai người học neurodivergent, người học có biểu cảm văn hóa khác, hoặc người học không muốn bị quan sát liên tục.

UDL giúp chuyển câu hỏi từ “AI có tính năng gì?” sang “rào cản học tập nằm ở đâu?”. Nếu rào cản là nội dung chỉ có một dạng văn bản dài, AI có thể tạo nhiều cách biểu đạt: âm thanh, sơ đồ, ví dụ, từ vựng đơn giản hơn, bản song ngữ. Nếu rào cản là người học chỉ có một cách nộp bài, AI và công nghệ hỗ trợ có thể mở nhiều cách biểu đạt: nói, viết, trình bày, mô hình, video, sơ đồ, code, sản phẩm thực hành. Nếu rào cản là động lực và cảm giác thuộc về, AI không thể một mình giải quyết, nhưng có thể giúp giáo viên tạo lựa chọn phù hợp sở thích, kết nối bài học với bối cảnh người học, và giảm xấu hổ khi luyện tập ban đầu.

Điểm cốt lõi của UDL 3.0 là không xem người học như “trung bình cộng”. CAST nhấn mạnh việc thiết kế môi trường có nhiều lựa chọn để giảm rào cản và phát triển agency (CAST, 2024). Trong môi trường AI, điều này có nghĩa là không bắt mọi người học dùng cùng một chatbot, cùng một ngôn ngữ, cùng một định dạng, cùng một tốc độ. Có người học cần AI đọc văn bản. Có người học cần AI giúp lập kế hoạch. Có người học cần không gian không AI để tập trung. Có người học cần công cụ offline hoặc low-bandwidth. Có người học cần phiên bản không thu thập dữ liệu. Hòa nhập là thiết kế một hệ sinh thái có lựa chọn có ý nghĩa, không phải ép tất cả vào một “cá nhân hóa” do hệ thống quyết định.

Review của Pagliara và cộng sự cho thấy các ứng dụng AI trong inclusive education thường tập trung vào personalized learning và accessibility, nhưng nghiên cứu còn ít, phân tán và cần chú ý hơn đến đạo đức, bias, privacy và accessibility (Pagliara et al., 2024). Một systematic review năm 2025 của Melo-López và cộng sự cũng ghi nhận AI có thể tăng accessibility qua tài liệu thích ứng, mô tả hình ảnh cho người khiếm thị, transcript cho người khiếm thính, và giảm một phần tải hành chính cho giáo viên; nhưng các trở ngại gồm thiếu đào tạo AI, hạ tầng không đủ, riêng tư và tiếp cận công bằng (Melo-López et al., 2025). Hai kết quả này cùng chỉ về một điều: AI có tiềm năng hòa nhập, nhưng điều kiện triển khai quyết định phần lớn.

Một nguyên tắc thiết kế quan trọng là asset-based. Người học yếu thế không chỉ là người thiếu năng lực cần bù đắp. Họ có ngôn ngữ, kinh nghiệm, chiến lược sống, quan hệ cộng đồng và cách hiểu thế giới riêng. AI trong giáo dục hòa nhập không nên chỉ sửa “lỗi” của người học để họ giống chuẩn thống trị hơn. Nó nên giúp người học dùng thế mạnh của mình để tiếp cận mục tiêu học. Ví dụ, học sinh song ngữ có thể dùng AI để so sánh cách một khái niệm được diễn đạt trong hai ngôn ngữ, phát hiện sắc thái, rồi tạo sản phẩm giải thích cho cộng đồng của mình. Người học dyslexia có thể dùng text-to-speech và mind map để xử lý ý tưởng phức tạp mà không bị chặn bởi tốc độ đọc. Người học có kinh nghiệm lao động gia đình có thể dùng AI để chuyển kinh nghiệm thực tế thành ví dụ toán, kinh tế hoặc khoa học.

Inclusive pedagogy cũng yêu cầu giữ tương tác nhóm. Nếu cá nhân hóa bằng AI làm mỗi người học đi một đường riêng, lớp học có thể mất cơ hội học từ khác biệt. Người học mạnh không học cách giải thích cho bạn. Người học yếu không nhận được hỗ trợ đồng đẳng. Nhóm không học thương lượng, phân vai, lắng nghe và phản biện. AI nên hỗ trợ hợp tác: gợi vai trò, tóm tắt ý kiến khác nhau, nhắc nhóm nghe thành viên im lặng, tạo câu hỏi thảo luận theo nhiều mức, hoặc giúp nhóm chuyển mâu thuẫn thành tiêu chí. Nhưng mục tiêu vẫn là quan hệ học tập giữa người học với nhau.

Một thiết kế hòa nhập cần có phương án thay thế. Nếu bài tập yêu cầu dùng AI, nhà trường phải đảm bảo người học có quyền truy cập công bằng, dữ liệu an toàn, hướng dẫn rõ, và lựa chọn khác nếu vì lý do tôn giáo, riêng tư, khuyết tật, hạ tầng hoặc chính sách gia đình mà không thể dùng. Nếu công cụ có bản trả phí và bản miễn phí chênh lệch lớn, giáo viên không nên thiết kế nhiệm vụ khiến tài khoản trả phí trở thành lợi thế đánh giá. Nếu công cụ hoạt động kém bằng tiếng Việt, bài học không nên đánh giá thấp người học vì lỗi của hệ thống.

Nói ngắn gọn, inclusive pedagogy trong thời AI không hỏi “công cụ này thông minh đến đâu?”. Nó hỏi “công cụ này làm ai có thêm quyền tham gia, ai bị đẩy ra ngoài, và ta cần thiết kế gì để lợi ích không chỉ đến với nhóm đã mạnh?”.

Cultural and Cross-Linguistic Validity

AI trong giáo dục thường được phát triển, kiểm thử và truyền thông trong một số ngôn ngữ và bối cảnh chiếm ưu thế, đặc biệt là tiếng Anh và các hệ thống giáo dục có hạ tầng cao. Điều này tạo ra một vấn đề âm thầm: công cụ có thể trông mạnh trong demo quốc tế nhưng yếu khi đi vào lớp học địa phương. Cultural and cross-linguistic validity không phải chi tiết phụ. Nó quyết định công cụ có hiểu người học thật hay không.

Ngôn ngữ không chỉ là lớp vỏ của nội dung. Ngôn ngữ mang cách lập luận, cách xưng hô, sắc thái lịch sự, quan hệ tuổi tác, văn hóa lớp học, ví dụ quen thuộc, và chuẩn đánh giá. Một chatbot có thể dịch câu trả lời tiếng Anh sang tiếng Việt khá trôi chảy nhưng vẫn dùng ví dụ xa lạ, giọng văn không phù hợp lứa tuổi, hoặc thuật ngữ không khớp chương trình. Một công cụ phản hồi bài viết có thể đánh giá cao văn phong trực tiếp kiểu Anglo-American nhưng không hiểu cách học sinh Việt Nam dẫn dắt, dùng thành ngữ, hoặc kết hợp giọng cá nhân với văn nghị luận. Một hệ thống nhận diện giọng nói có thể xử lý tốt giọng chuẩn nhưng kém với vùng miền, người nói lắp, người học khiếm thính luyện phát âm, hoặc người nói pha nhiều ngôn ngữ.

Với tiếng Việt, các vấn đề cụ thể gồm dấu thanh, tách từ, từ đồng âm, đại từ xưng hô, vùng miền, code-switching, tiếng lóng, văn bản thiếu dấu, thuật ngữ chuyên ngành được mượn từ tiếng Anh, và khoảng cách giữa ngôn ngữ đời sống với ngôn ngữ học thuật. Một mô hình tạo phản hồi học thuật bằng tiếng Việt có thể dùng câu dài, từ Hán Việt nặng, hoặc giọng “mẫu” không phù hợp người học nhỏ tuổi. Một công cụ dịch có thể làm mất quan hệ xưng hô hoặc sắc thái tôn trọng. Một hệ thống chấm nói có thể nhầm khác biệt vùng miền với lỗi phát âm.

Văn hóa cũng ảnh hưởng đến dữ liệu và tiêu chí. Một bài toán có bối cảnh thẻ tín dụng, xe điện, bảo hiểm y tế tư nhân hoặc đời sống ký túc xá kiểu Mỹ có thể không gần với học sinh nông thôn Việt Nam. Một bài đọc về tranh luận xã hội có thể giả định quyền phát biểu cá nhân giống nhau ở mọi lớp học. Một công cụ gợi ý nghề nghiệp có thể dựa trên dữ liệu thị trường lao động không khớp địa phương. Một hệ thống cảnh báo sớm có thể diễn giải việc nghỉ học hoặc nộp bài muộn mà không hiểu mùa vụ, trách nhiệm gia đình, đi làm thêm, khoảng cách di chuyển, hoặc nghĩa vụ chăm sóc.

Cross-linguistic validity đặc biệt quan trọng với đánh giá. Nếu một thang đo AI literacy được xây bằng tiếng Anh, thử trên sinh viên đại học ở một nước có hạ tầng cao, rồi dịch sang tiếng Việt cho học sinh trung học, điểm số có thể phản ánh khả năng hiểu câu hỏi, kinh nghiệm dùng công cụ, vốn công nghệ gia đình hoặc sự quen thuộc với khái niệm phương Tây nhiều hơn là AI literacy thật. Lintner năm 2024 cảnh báo rõ rằng trong 16 thang AI literacy được review, không có thang nào được kiểm tra về cross-cultural validity và measurement error (Lintner, 2024). Đây là lời nhắc trực tiếp cho các hệ thống giáo dục: đừng vội biến AI literacy thành điểm chuẩn nếu công cụ đo chưa được kiểm tra trong ngôn ngữ, văn hóa và nhóm tuổi cụ thể.

Tương tự, rubrics, AI detectors, mô hình affect detection, writing analytics, adaptive tutors và dashboards đều cần kiểm tra địa phương. Một rubric viết do AI hỗ trợ có thể không hiểu yêu cầu bài thi quốc gia. Một AI detector có thể sai cao với người học viết tiếng Anh như ngôn ngữ thứ hai. Một mô hình phân tích cảm xúc có thể diễn giải im lặng là không tham gia, trong khi ở một lớp học, im lặng có thể là tôn trọng, lo lắng, suy nghĩ, hoặc chiến lược tránh nổi bật. Một dashboard so sánh người học theo thời gian online có thể phạt người học tải tài liệu về đọc offline.

Địa phương hóa không phải là dịch giao diện. Địa phương hóa gồm kiểm tra dữ liệu, ví dụ, thuật ngữ, chuẩn chương trình, quy định pháp lý, quyền riêng tư, hạ tầng, thiết bị, thói quen gia đình, văn hóa lớp học, và cách giáo viên thực sự dạy. Một sản phẩm “hỗ trợ tiếng Việt” nhưng không có nghiên cứu với học sinh Việt Nam, giáo viên Việt Nam và bài học Việt Nam thì mới chỉ hỗ trợ ngôn ngữ ở mức bề mặt.

Một quy trình tối thiểu trước khi triển khai rộng nên gồm năm bước. Thứ nhất, kiểm thử ngôn ngữ với nhiều vùng miền, độ tuổi, mức năng lực và bối cảnh thiết bị. Thứ hai, kiểm thử văn hóa với ví dụ, hình ảnh, vai xã hội, giới, dân tộc, vùng miền và bối cảnh gia đình. Thứ ba, kiểm thử sư phạm với nhiệm vụ thật, bài làm thật, giáo viên thật, không chỉ prompt demo. Thứ tư, kiểm thử công bằng: hệ thống có sai khác theo giới, ngôn ngữ, khuyết tật, thu nhập, vùng, trường công-tư, thiết bị không. Thứ năm, tạo cơ chế phản hồi và sửa sau triển khai, vì validity không phải nhãn một lần.

Trong nghiên cứu, cần nhiều hơn các nghiên cứu đa ngôn ngữ và đa bối cảnh. Nhiều bài về AI trong giáo dục vẫn dựa trên mẫu nhỏ, tự báo cáo, sinh viên đại học, và bối cảnh thuận lợi. Điều này không vô nghĩa, nhưng không đủ để kết luận cho hệ thống phổ thông lớn và đa dạng. Những nghiên cứu cần ưu tiên gồm: AI literacy bằng ngôn ngữ địa phương; hiệu quả GenAI với người học không dùng tiếng Anh; tác động AI lên học sinh khuyết tật trong lớp hòa nhập; phản hồi tự động trong các thể loại viết địa phương; và cách giáo viên điều chỉnh công cụ theo văn hóa lớp học.

Ở cấp chính sách, nguyên tắc là không nhập khẩu điểm cắt. Nếu một nền tảng nói học sinh “đạt AI literacy level 3”, nhà trường cần hỏi level ấy được xây từ đâu. Nếu một dashboard nói học sinh có “risk score 0.78”, cần hỏi score ấy có được hiệu chỉnh theo bối cảnh địa phương không. Nếu một công cụ chấm nói bài viết “thiếu critical thinking”, cần hỏi tiêu chí critical thinking trong công cụ có khớp mục tiêu môn học không. Không có câu hỏi này, AI có thể mang chuẩn ẩn của nơi khác vào lớp học và gọi đó là khách quan.

Wellbeing và quan hệ người-người

Trường học là một không gian xã hội trước khi là một hệ thống phân phối nội dung. Người học cần được thấy, được nghe, được thử sai, được thuộc về, được nhận phản hồi từ người có trách nhiệm, được va chạm với quan điểm khác, và được hỗ trợ khi khó khăn không chỉ là học thuật. AI có thể làm một số việc rất tốt, nhưng nó không thay thế đầy đủ quan hệ người-người. Một chatbot có thể trả lời lúc nửa đêm; nó không biết lịch sử gia đình của học sinh theo cách giáo viên chủ nhiệm biết. Một hệ thống coach có thể nhắc lập kế hoạch; nó không cảm nhận được sự thay đổi nhỏ trong nét mặt, im lặng, quan hệ bạn bè hoặc niềm tự hào sau một tiến bộ khó nhọc. Một dashboard có thể báo vắng mặt; nó không hiểu vì sao học sinh vắng.

AI có thể hỗ trợ wellbeing theo một số cách. Nó có thể giảm xấu hổ khi người học hỏi lại điều cơ bản. Nó có thể giúp người học lo âu luyện nói trước khi nói với người thật. Nó có thể hỗ trợ lập kế hoạch, chia nhỏ nhiệm vụ, nhắc nghỉ, tạo checklist, hoặc giúp người học diễn đạt cảm xúc trước khi gặp giáo viên. Nó có thể dịch thông tin giữa nhà trường và gia đình. Nó có thể giúp giáo viên phát hiện một số dấu hiệu cần quan tâm khi được dùng với dữ liệu phù hợp và quy trình bảo vệ quyền riêng tư.

Nhưng wellbeing là vùng rủi ro cao. Nếu AI được thiết kế như người bạn cảm xúc luôn có mặt, người học có thể hình thành phụ thuộc, chia sẻ dữ liệu nhạy cảm, hoặc nhận lời khuyên không phù hợp. Nếu AI được dùng để giám sát engagement, cảm xúc hoặc hành vi, người học có thể thấy mình bị theo dõi liên tục. Nếu hệ thống tự động gửi cảnh báo về “tâm trạng thấp” mà không có quy trình hỗ trợ người thật, nó có thể tạo báo động giả hoặc bỏ sót người cần giúp. Nếu nhà trường dùng AI để thay cố vấn học tập, người học gặp khó khăn có thể bị đẩy sang một hội thoại không chịu trách nhiệm.

Một nguyên tắc rõ ràng là AI không nên giả làm nhà trị liệu, giáo viên chủ nhiệm hay bạn thân. Nó có thể hỗ trợ tự phản tư, cung cấp tài nguyên, gợi ý câu hỏi để nói với người lớn, hoặc nhắc người học tìm hỗ trợ. Nhưng khi có dấu hiệu nguy cơ an toàn, khủng hoảng tâm lý, bạo lực, tự hại, lạm dụng, hoặc áp lực nghiêm trọng, hệ thống phải chuyển sang con người và quy trình chuyên môn. Ngay cả trong các tình huống nhẹ hơn, AI nên tạo cầu nối tới quan hệ người thật: “hãy mang bản kế hoạch này trao đổi với giáo viên”, “hãy hỏi một bạn cùng nhóm”, “hãy gửi câu hỏi này cho cố vấn”, thay vì giữ người học trong vòng chat.

Quan hệ người-người cũng quan trọng với học tập xã hội. Khi người học tranh luận với bạn, họ không chỉ xử lý nội dung. Họ học lắng nghe, sửa lời, chịu trách nhiệm với phát ngôn, nhận ra cảm xúc người khác, điều chỉnh quyền lực nhóm, và xây niềm tin. AI peer có thể mô phỏng phản biện, nhưng không có vị trí xã hội như bạn học. Nó không bị tổn thương nếu bị ngắt lời, không có lịch sử chung với lớp, không đem theo kinh nghiệm sống, không cần được tôn trọng theo nghĩa đạo đức giống con người. Nếu học sinh thay mọi phản biện đồng đẳng bằng AI, họ mất một phần quan trọng của giáo dục công dân.

Điều này không có nghĩa AI không nên tham gia học tập xã hội. Nó có thể giúp nhóm chuẩn bị tốt hơn: tạo câu hỏi trước thảo luận, tóm tắt điểm đồng thuận và bất đồng, gợi vai trò facilitator, evidence checker, skeptic, connector; nhắc nhóm nghe người ít nói; đề xuất câu hỏi debrief. Nhưng AI nên làm rõ hơn quan hệ giữa người học, không làm mờ nó. Sau một buổi dùng AI phản biện, lớp vẫn cần hỏi: bạn nào thay đổi ý kiến, vì sao; nhóm đã lắng nghe nhau ra sao; bằng chứng nào thuyết phục; điểm nào còn bất đồng; ai chưa được nghe đủ?

Wellbeing cũng liên quan đến agency. Một môi trường học có AI ở khắp nơi có thể khiến người học thấy mình luôn được tối ưu, nhắc nhở, đánh giá, dự đoán. Nếu mọi hành vi đều thành dữ liệu, người học có thể mất không gian thử, chơi, im lặng, lạc hướng và tự tìm lại. Học tập cần một mức ma sát lành mạnh. Không phải khó khăn nào cũng cần được AI xóa ngay. Có những khoảnh khắc người học cần vật lộn với ý tưởng, cần tự chọn chiến lược, cần chờ phản hồi từ người thật, cần trải nghiệm sự không chắc chắn.

Thiết kế tốt phải phân biệt hỗ trợ với kiểm soát. Hỗ trợ cho người học quyền chọn, giải thích, điều chỉnh và từ chối. Kiểm soát làm người học bị dẫn dắt mà không hiểu. Hỗ trợ mở ra đối thoại với giáo viên và bạn học. Kiểm soát đóng người học vào lộ trình hệ thống. Hỗ trợ nhìn wellbeing như quan hệ, ý nghĩa và agency. Kiểm soát nhìn wellbeing như chỉ số rủi ro cần giảm.

Một trường học lành mạnh trong thời AI cần bảo vệ những không gian không đo lường quá mức: thảo luận mở, đọc sâu, viết riêng tư, trò chuyện với giáo viên, hỗ trợ đồng đẳng, hoạt động nghệ thuật, chơi, dự án cộng đồng, và những khoảng im lặng để suy nghĩ. AI có thể đứng gần những không gian đó, nhưng không nên chiếm chúng.

Thực trạng triển khai

Thực trạng triển khai AI literacy hiện nay không đồng đều. Một số trường và đại học đã có hướng dẫn sử dụng GenAI, workshop cho giáo viên, chính sách khai báo AI trong bài tập, hoặc module AI literacy cho sinh viên năm nhất. Một số hệ thống giáo dục đang xây khung năng lực dựa trên các tài liệu như UNESCO 2024. Nhưng ở nhiều nơi, phản ứng vẫn là chắp vá: cấm chung, cho phép mơ hồ, hoặc để từng giáo viên tự xử lý. Người học vì thế nhận tín hiệu lẫn lộn. Môn này cấm hoàn toàn, môn khác cho dùng không khai báo, giáo viên này khuyến khích prompt, giáo viên khác coi mọi hỗ trợ AI là gian lận.

Sự chắp vá này gây bất công. Người học có người lớn hiểu AI ở nhà sẽ biết cách dùng mà không bị phát hiện hoặc biết cách dùng có lợi cho học tập. Người học không có hướng dẫn sẽ hoặc tránh hoàn toàn, hoặc dùng sai, hoặc vi phạm vì không hiểu ranh giới. Khi trường chỉ nói “đừng gian lận” mà không dạy workflow hợp lệ, AI literacy trở thành vốn ngầm.

Trong đào tạo giáo viên, thực trạng thường nghiêng về công cụ hơn sư phạm. Các buổi tập huấn phổ biến xoay quanh cách tạo kế hoạch bài dạy, câu hỏi quiz, rubric, email phụ huynh, hoặc hình ảnh minh họa. Những việc này hữu ích, nhưng chưa đủ. Giáo viên cần thảo luận sâu hơn: bài tập nào nên đổi khi học sinh có AI, đánh giá nào còn đo năng lực thật, khi nào cho phép AI hỗ trợ ngôn ngữ là công bằng, khi nào AI feedback làm học sinh phụ thuộc, dữ liệu học sinh có được bảo vệ không, và cách xử lý khi AI làm sai. Nếu đào tạo chỉ dừng ở năng suất, giáo viên có thể làm việc nhanh hơn nhưng không nhất thiết dạy tốt hơn.

Ở cấp tổ chức, nhiều trường triển khai AI nhanh hơn năng lực quản trị. Một công cụ được thử vì nhà cung cấp tặng tài khoản, vì giáo viên thấy tiện, vì sinh viên đã dùng, hoặc vì lãnh đạo muốn “bắt kịp”. Nhưng quy trình đánh giá tác động, bảo vệ dữ liệu, kiểm tra accessibility, kiểm thử ngôn ngữ, tham vấn giáo viên và người học thường đi sau. Điều này đặc biệt nguy hiểm với công cụ có dữ liệu trẻ em, đánh giá học tập, giám sát hành vi hoặc wellbeing.

Về hòa nhập, khoảng cách rất rõ. Người học có thiết bị riêng, kết nối ổn định và tiếng Anh tốt tiếp cận công cụ mạnh hơn. Người học dùng điện thoại cũ, dữ liệu di động hạn chế, không gian học đông người hoặc ngôn ngữ địa phương gặp nhiều rào cản hơn. Công cụ có thể được quảng cáo là miễn phí, nhưng giới hạn lượt dùng, tốc độ, chất lượng mô hình và tính năng nâng cao thường tạo phân tầng. Khi bài tập yêu cầu dùng AI mà không bảo đảm truy cập, trường đã đưa bất bình đẳng vào thiết kế đánh giá.

Về đo lường, nhiều nơi đang muốn biết học sinh “có AI literacy chưa”, nhưng công cụ đo còn non. Lintner cho thấy lĩnh vực thang đo AI literacy đang phát triển, nhưng thiếu kiểm tra cross-cultural validity, measurement error và performance-based assessment (Lintner, 2024). Điều này có nghĩa là nhà trường nên thận trọng. Có thể dùng khảo sát để hiểu nhu cầu và thái độ, nhưng không nên dùng điểm self-report để xếp hạng học sinh, giáo viên hoặc trường. Một học sinh tự tin nói “em biết dùng AI” có thể chỉ biết tạo bài nhanh. Một học sinh thận trọng nói “em chưa biết nhiều” có thể có phán đoán tốt hơn.

Về chính sách, UNESCO đã đưa ra khung cho học sinh và giáo viên, đồng thời nhấn mạnh tiếp cận human-centred, rights-based và inclusion-equity trong AI education (Miao et al., 2024; Miao & Cukurova, 2024; UNESCO, 2025a). Nhưng tài liệu quốc tế chỉ là điểm khởi đầu. Mỗi hệ thống giáo dục cần dịch thành chương trình, hoạt động, tài nguyên, đào tạo giáo viên, chuẩn đánh giá và quy trình mua sắm phù hợp địa phương. Nếu khung năng lực chỉ nằm trong văn bản, nó không chạm lớp học.

Một thực tế nữa là học sinh đã học AI literacy ngoài trường, nhưng không đều và không luôn đúng. Các em học qua TikTok, YouTube, bạn bè, diễn đàn, nhóm chat, hướng dẫn prompt, hoặc thử-sai. Điều này tạo năng lực thực hành nhanh nhưng thiếu nền tảng phê phán. Trường học không nên xem mình là nơi duy nhất dạy AI literacy. Vai trò của trường là làm rõ, hệ thống hóa, đặt tiêu chí, sửa hiểu lầm, bảo vệ người yếu thế, và kết nối kỹ năng cá nhân với trách nhiệm xã hội.

Phân tích phản biện

Rủi ro đầu tiên là AI literacy bị cá nhân hóa trách nhiệm. Khi một hệ thống gây hại, người ta có thể nói người dùng chưa đủ literacy. Khi học sinh bị lộ dữ liệu, lỗi thành “không biết bảo vệ riêng tư”. Khi giáo viên dùng công cụ sai, lỗi thành “chưa được đào tạo”. Khi AI thiên lệch, lỗi thành “người dùng không kiểm chứng”. Tất nhiên cá nhân cần năng lực, nhưng trách nhiệm không thể dồn hết xuống người học và giáo viên. Nhà cung cấp phải minh bạch hơn. Nhà trường phải quản trị tốt hơn. Cơ quan chính sách phải đặt chuẩn rõ hơn. AI literacy không thay thế AI governance.

Rủi ro thứ hai là critical AI literacy bị biến thành diễn ngôn xa lớp học. Nếu bài học chỉ nói về thuật toán, chủ nghĩa giám sát, quyền lực dữ liệu và đạo đức ở mức trừu tượng, người học có thể thấy xa rời bài tập hằng ngày. Critical AI literacy mạnh nhất khi gắn với tình huống cụ thể: công cụ chấm bài này đánh giá gì, chatbot này bỏ sót nguồn nào, bài viết này dùng AI đến đâu là hợp lệ, dashboard này có thể làm giáo viên hiểu sai học sinh nào. Chính việc đi từ trường hợp thật lên khái niệm làm phê phán có lực.

Rủi ro thứ ba là hòa nhập bị dùng như ngôn ngữ tiếp thị. Nhiều công cụ nói “personalized”, “accessible”, “inclusive”, nhưng không chứng minh được với nhóm người học yếu thế. Một sản phẩm có phụ đề tự động chưa chắc accessible nếu phụ đề sai với tiếng Việt, không có chỉnh sửa, giao diện không dùng được với screen reader, hoặc dữ liệu âm thanh bị lưu không rõ. Một chatbot có thể nói nhiều ngôn ngữ nhưng vẫn không hiểu văn hóa học thuật địa phương. Một hệ thống adaptive có thể “cá nhân hóa” bằng cách cho người học yếu làm bài dễ mãi. Hòa nhập phải được đo bằng tham gia, agency, cảm giác thuộc về và kết quả có ý nghĩa, không chỉ bằng số tính năng hỗ trợ.

Rủi ro thứ tư là competency framework trở thành kiểm soát giáo viên. Khung năng lực có ích khi giúp giáo viên phát triển. Nó có hại khi biến thành thang đánh giá hình thức hoặc yêu cầu tuân thủ công cụ. Nếu giáo viên bị buộc phải dùng AI để chứng minh “đổi mới”, họ mất quyền phán đoán. Nếu nhà trường dùng khung năng lực để xếp loại giáo viên mà không cấp thời gian, thiết bị, hỗ trợ và cộng đồng, đó không phải phát triển nghề nghiệp. Giáo viên cần được xem là đồng thiết kế AI literacy, không phải đối tượng cần cập nhật.

Rủi ro thứ năm là tính hợp lệ đa văn hóa bị xem là việc quá chậm. Trong áp lực triển khai nhanh, nhà trường có thể bỏ qua kiểm thử địa phương. Nhưng triển khai nhanh với công cụ sai có thể tạo tổn hại lâu dài: học sinh bị chấm sai, giáo viên mất niềm tin, phụ huynh phản đối, dữ liệu bị lộ, người học yếu thế bị đẩy ra ngoài. Validity tốn thời gian, nhưng không tốn bằng sửa hậu quả của quyết định vội.

Rủi ro thứ sáu là wellbeing bị dữ liệu hóa quá mức. Khi trường muốn chăm sóc người học tốt hơn, AI có thể được dùng để phát hiện rủi ro. Nhưng nếu mọi cảm xúc, tương tác và thói quen học thành chỉ số, người học có thể mất quyền riêng tư và không gian trưởng thành. Không phải mọi dấu hiệu buồn, im lặng, chậm nộp bài hoặc ít online đều là vấn đề cần can thiệp tự động. Một số cần quan sát tinh tế, đối thoại và bối cảnh. Hệ thống wellbeing phải có giới hạn rõ, consent, data minimization, con người chịu trách nhiệm và quy trình hỗ trợ thật.

Rủi ro cuối cùng là AI literacy bị tách khỏi bất bình đẳng vật chất. Không thể dạy “dùng AI có trách nhiệm” cho mọi người như nhau nếu một số học sinh không có thiết bị, không có kết nối, không có không gian yên tĩnh, không có người lớn hướng dẫn, hoặc phải làm việc sau giờ học. AI literacy phải đi cùng chính sách truy cập: thiết bị chung, tài khoản do trường cấp, tài liệu offline, thư viện, hỗ trợ sau giờ, công cụ low-bandwidth, và hoạt động không phụ thuộc tài khoản trả phí.

Phân tích phản biện không làm AI literacy yếu đi. Nó làm AI literacy thật hơn. Một năng lực chỉ nói về cơ hội mà không nói về quyền lực, hạ tầng, văn hóa và quan hệ con người thì không đủ cho giáo dục.

Nguyên tắc thiết kế

Nguyên tắc thứ nhất: dạy AI literacy như năng lực nền của thời đại, nhưng không biến nó thành môn kỹ thuật khô. Người học cần hiểu khái niệm AI, nhưng luôn trong nhiệm vụ thật: đọc, viết, tính toán, thiết kế, tranh luận, nghiên cứu, làm dự án, giải quyết vấn đề cộng đồng. Mỗi môn học nên có một số hoạt động AI literacy đặc thù của môn đó.

Nguyên tắc thứ hai: dạy bằng use-case và failure-case. Người học cần thấy AI giúp gì và sai như thế nào. Một bài học tốt có thể bắt đầu bằng một câu trả lời AI nghe hợp lý nhưng sai; một bản dịch mất sắc thái; một hình ảnh tạo định kiến; một phản hồi bài viết quá chú trọng ngữ pháp; một tóm tắt bỏ qua giới hạn nghiên cứu. Từ lỗi cụ thể, giáo viên dẫn tới khái niệm về dữ liệu, mô hình, thiên lệch, nguồn và trách nhiệm.

Nguyên tắc thứ ba: luôn gắn sử dụng AI với tiêu chí kiểm chứng. Không nói chung “hãy kiểm tra lại”. Hãy dạy kiểm tra gì trong từng môn: nguồn gốc, tác giả, phương pháp, logic, phản ví dụ, dữ liệu, ngữ cảnh, chuẩn nghề nghiệp, quyền riêng tư, hậu quả. AI literacy phải gắn với evaluative judgement của lĩnh vực.

Nguyên tắc thứ tư: phân biệt hỗ trợ và thay thế. Trong mỗi bài tập, giáo viên nên nói rõ phần nào AI được hỗ trợ, phần nào người học phải tự làm, phần nào cần khai báo, phần nào bị cấm. Quy định nên cụ thể theo mục tiêu học. Nếu mục tiêu là luyện ngôn ngữ, AI sửa câu có thể bị giới hạn. Nếu mục tiêu là phân tích khoa học, AI chỉnh diễn đạt có thể được phép nhưng nguồn và lập luận phải do người học kiểm soát.

Nguyên tắc thứ năm: thiết kế khai báo AI như phản tư, không chỉ như thủ tục kỷ luật. Thay vì yêu cầu “có/không dùng AI”, có thể yêu cầu người học ghi: tôi dùng công cụ nào, để làm phần gì, đầu ra nào được giữ, đầu ra nào bị bỏ, tôi kiểm chứng ra sao, tôi chịu trách nhiệm phần nào. Mẫu khai báo này biến AI use thành bằng chứng quá trình.

Nguyên tắc thứ sáu: phát triển năng lực giáo viên bằng cộng đồng thực hành. Tập huấn một lần không đủ. Trường cần thời gian để giáo viên thử hoạt động, xem bài làm, thảo luận rủi ro, chia sẻ prompt, sửa rubric, và xây quy định chung. Giáo viên cần quyền tham gia chọn công cụ và phản hồi chính sách.

Nguyên tắc thứ bảy: thiết kế hòa nhập từ đầu. Trước khi triển khai, hỏi: người học không có thiết bị thì sao, người học khuyết tật dùng được không, công cụ hỗ trợ tiếng Việt và ngôn ngữ địa phương ra sao, có bản low-bandwidth không, có phương án không AI không, dữ liệu có an toàn không, tài khoản trả phí có tạo lợi thế không. Hòa nhập không phải bước sửa sau cùng.

Nguyên tắc thứ tám: kiểm thử địa phương trước khi mở rộng. Mọi công cụ đánh giá, phản hồi, dashboard, AI detector, chatbot học tập hoặc hệ thống wellbeing cần được thử với dữ liệu, ngôn ngữ, lứa tuổi, môn học và bối cảnh thật. Không dùng điểm số hoặc nhãn tự động cho quyết định quan trọng nếu chưa có bằng chứng validity phù hợp.

Nguyên tắc thứ chín: giữ quan hệ người-người là trung tâm. AI nên tạo thêm cơ hội hỏi, giải thích, chuẩn bị, phản biện và nhận hỗ trợ; nhưng nó không nên thay thế thảo luận, mentoring, chăm sóc, hợp tác và sự hiện diện của giáo viên. Một thiết kế tốt thường hỏi: sau khi dùng AI, người học sẽ nói gì với bạn, hỏi gì giáo viên, sửa gì trong nhóm, hoặc đem hiểu biết nào vào cộng đồng?

Nguyên tắc thứ mười: đo điều quan trọng, không chỉ đo điều dễ. Số lượt dùng AI, số phút online, số prompt, số bài hoàn thành không đủ. Cần quan sát agency, khả năng kiểm chứng, chất lượng phản tư, khả năng giải thích lựa chọn, chuyển giao sang nhiệm vụ mới, mức tham gia của người học yếu thế, cảm giác thuộc về, và niềm tin giữa giáo viên-người học.

Nguyên tắc thứ mười một: tạo quyền từ chối và quyền khiếu nại. Người học cần biết khi nào họ có thể không dùng AI, khi nào có lựa chọn thay thế, dữ liệu nào được thu, ai xem, lưu bao lâu, và làm sao phản biện kết quả tự động. AI literacy không chỉ là dùng đúng công cụ, mà là hiểu quyền của mình trong hệ thống.

Nguyên tắc thứ mười hai: bắt đầu nhỏ nhưng thiết kế thật. Một trường không cần triển khai nền tảng lớn ngay. Có thể bắt đầu bằng ba hoạt động: dạy học sinh kiểm chứng một câu trả lời AI; dạy giáo viên thiết kế một bài tập có khai báo AI; kiểm thử accessibility và ngôn ngữ của một công cụ với nhóm học sinh đa dạng. Những bước nhỏ này có giá trị hơn một tuyên bố lớn nhưng thiếu quy trình.

Tổng kết chương

AI literacy là năng lực sống trong một môi trường học tập và xã hội có AI. Nó không chỉ là prompt literacy, không chỉ là kiến thức kỹ thuật, và không chỉ là cảnh báo đạo đức. Người học cần hiểu AI, dùng AI, đánh giá AI và tham gia có trách nhiệm. Giáo viên cần năng lực sư phạm, đạo đức, kỹ thuật và nghề nghiệp để thiết kế hoạt động trong đó AI hỗ trợ học tập mà không lấy mất agency.

Critical AI literacy giúp người học hỏi về dữ liệu, thiên kiến, mục tiêu tối ưu, quyền lực, lợi ích và rủi ro. Nó không nhằm phủ định AI, mà giúp dùng AI với phán đoán. Inclusive pedagogy nhắc rằng công nghệ phải giảm rào cản cho người học yếu thế, không chỉ tăng lợi thế cho người đã mạnh. Cultural and cross-linguistic validity nhắc rằng công cụ AI không thể được xem là “khách quan toàn cầu” nếu chưa được kiểm tra trong ngôn ngữ, văn hóa và bối cảnh địa phương. Wellbeing nhắc rằng trường học vẫn là không gian xã hội: AI có thể hỗ trợ, nhưng không được làm nghèo quan hệ giáo dục.

Nếu chương 17 hỏi “AI đang giữ vai nào trong tương tác học tập?”, chương 18 hỏi “con người cần năng lực gì để tương tác ấy công bằng, có hiểu biết và có trách nhiệm?”. Chương tiếp theo sẽ đi sâu vào người giữ vai trò then chốt trong việc biến năng lực ấy thành thực hành: giáo viên, agency nghề nghiệp và phát triển chuyên môn trong thời AI.

Tài liệu tham khảo

Allen, L. K., & Kendeou, P. (2024). ED-AI Lit: An Interdisciplinary Framework for AI Literacy in Education. Policy Insights from the Behavioral and Brain Sciences, 11(1), 3-10. https://doi.org/10.1177/23727322231220339

CAST. (2024). Universal Design for Learning Guidelines 3.0. https://udlguidelines.cast.org/

Gouseti, A., James, F., Fallin, L., & Burden, K. (2024). The ethics of using AI in K-12 education: A systematic literature review. Technology, Pedagogy and Education. https://doi.org/10.1080/1475939X.2024.2428601

Lintner, T. (2024). A systematic review of AI literacy scales. npj Science of Learning, 9, 50. https://doi.org/10.1038/s41539-024-00264-4

Melo-López, V.-A., Basantes-Andrade, A., Gudiño-Mejía, C.-B., & Hernández-Martínez, E. (2025). The Impact of Artificial Intelligence on Inclusive Education: A Systematic Review. Education Sciences, 15(5), 539. https://doi.org/10.3390/educsci15050539

Miao, F., & Cukurova, M. (2024). AI competency framework for teachers. UNESCO. https://www.unesco.org/en/articles/ai-competency-framework-teachers

Miao, F., Shiohira, K., & Lao, N. (2024). AI competency framework for students. UNESCO. https://www.unesco.org/en/articles/ai-competency-framework-students

Pagliara, S. M., Bonavolontà, G., Pia, M., Falchi, S., Zurru, A. L., Fenu, G., & Mura, A. (2024). The Integration of Artificial Intelligence in Inclusive Education: A Scoping Review. Information, 15(12), 774. https://doi.org/10.3390/info15120774

UNESCO. (2025a). AI and education: Protecting the rights of learners. https://www.unesco.org/en/articles/ai-and-education-protecting-rights-learners

UNESCO. (2026). AI and technologies in education. https://www.unesco.org/en/digital-education

Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

Wenger, E. (1998). Communities of practice: Learning, meaning, and identity. Cambridge University Press.