Chương 19: Giáo viên trong hệ sinh thái AI

Bối cảnh / Vấn đề

Mọi cuộc bàn luận nghiêm túc về AI trong giáo dục cuối cùng đều quay lại giáo viên. Không phải vì giáo viên là lực cản phải “thuyết phục”, cũng không phải vì giáo viên là người dùng cuối cần học thêm vài mẹo công cụ. Lý do sâu hơn là: giáo dục không vận hành bằng công nghệ đơn lẻ, mà bằng phán đoán nghề nghiệp trong bối cảnh sống. Một hệ thống AI có thể tạo bài tập, gợi ý phản hồi, phân tích lỗi, dự báo nguy cơ, tóm tắt dữ liệu lớp, soạn email phụ huynh hoặc đề xuất kế hoạch bài học. Nhưng việc quyết định điều gì đáng học, học sinh nào đang cần gì, phản hồi nào nên đưa lúc này, dữ liệu nào đáng tin, ngoại lệ nào cần chú ý, và quan hệ lớp học đang thay đổi ra sao vẫn là công việc của người dạy.

Khi AI đi vào trường học, giáo viên thường bị đặt vào hai hình ảnh đối lập. Một bên xem họ là người được “giải phóng” khỏi việc lặp lại: AI viết giáo án, chấm bài, cá nhân hóa tài liệu, quản trị lớp và giúp giáo viên có thêm thời gian tương tác với học sinh. Bên kia lo rằng giáo viên sẽ bị thay thế, bị giám sát, bị hạ vai trò thành người vận hành nền tảng, hoặc bị buộc theo dashboard thay vì theo hiểu biết sư phạm. Cả hai hình ảnh đều có phần đúng, nhưng đều quá đơn giản. AI có thể giảm một số việc và tạo thêm việc khác. Nó có thể mở rộng tầm nhìn của giáo viên hoặc làm họ lệ thuộc vào đề xuất máy. Nó có thể giúp giáo viên thiết kế sâu hơn hoặc khiến thiết kế bài học trở thành lắp ráp nội dung. Nó có thể tăng agency của giáo viên hoặc làm agency ấy bị gói trong giao diện.

Chương 18 đã bàn về AI literacy của người học và năng lực AI của giáo viên. Chương này đi sâu hơn vào vị trí nghề nghiệp của giáo viên trong hệ sinh thái AI. Câu hỏi không còn là “giáo viên có biết dùng AI không?”, mà là “AI làm thay đổi quyền phán đoán, trách nhiệm, kỹ năng, khối lượng việc và quan hệ nghề nghiệp của giáo viên như thế nào?”. Đây là câu hỏi triển khai, nhưng cũng là câu hỏi đạo đức. Nếu giáo viên chỉ được yêu cầu dùng công cụ do tổ chức mua, theo chính sách do người khác viết, với dữ liệu do nền tảng định nghĩa, trong thời gian không được cấp thêm, ta không thể gọi đó là đổi mới sư phạm. Đó là chuyển gánh nặng.

UNESCO năm 2024 đặt khung năng lực AI cho giáo viên trên các nguyên tắc bảo vệ quyền của giáo viên, tăng cường human agency và thúc đẩy tính bền vững. Khung này nêu 15 năng lực qua năm chiều: human-centred mindset, ethics of AI, AI foundations and applications, AI pedagogy, và AI for professional learning; đi qua ba mức Acquire, Deepen, Create (Miao & Cukurova, 2024). Điểm đáng chú ý là UNESCO không xem giáo viên như người tiêu thụ công cụ, mà như người cần năng lực để đánh giá, tích hợp, điều chỉnh và tham gia định hình AI trong giáo dục.

Tuy vậy, khoảng cách giữa khung năng lực và lớp học thật còn lớn. Tan, Cheng và Ling systematic review về AI trong dạy học và phát triển nghề nghiệp giáo viên, công bố năm 2025, tổng hợp 95 nghiên cứu từ 2015 đến 2024. Họ cho thấy nghiên cứu nghiêng nhiều về ứng dụng AI trong dạy học hơn là phát triển nghề nghiệp giáo viên: 65% nghiên cứu tập trung vào ứng dụng AI trong dạy học, chỉ 35% đi vào AI hỗ trợ professional development (Tan et al., 2025). Nói cách khác, lĩnh vực này đã nói nhiều về AI giúp học sinh học như thế nào, nhưng vẫn nói chưa đủ về việc giáo viên học, thay đổi, kiểm soát và làm chủ AI ra sao.

Thực tế sử dụng cũng cho thấy lời hứa giảm tải chưa tự động thành kết quả. Khảo sát Science Teaching Survey 2024 của Royal Society of Chemistry tại Anh và Ireland ghi nhận 44% giáo viên khoa học đã từng dùng AI trong vai trò giảng dạy, thường cho email, báo cáo, thư gửi phụ huynh, câu hỏi quiz, worksheet và kế hoạch bài học. Nhưng chỉ 3% nói AI đã giảm tải rất nhiều; các rào cản gồm thời gian học cách dùng công cụ và thời gian kiểm tra, sửa nội dung không chính xác (Royal Society of Chemistry, 2024). Đây là một tín hiệu quan trọng: một công cụ có thể làm một tác vụ nhanh hơn nhưng vẫn không giảm workload tổng thể nếu giáo viên phải kiểm tra thêm, sửa thêm, nhập dữ liệu thêm, giải thích chính sách thêm, hoặc xử lý lỗi thêm.

Vì vậy, chương này đặt giáo viên ở trung tâm của hệ sinh thái AI theo năm trục: teacher agency, deskilling và reskilling, professional development, co-design, và workload thật. Năm trục này liên kết chặt với nhau. Agency không tồn tại nếu giáo viên không có năng lực. Năng lực không phát triển nếu professional development chỉ là workshop mẹo công cụ. Professional development không bền nếu giáo viên không tham gia co-design. Co-design không có nghĩa nếu workload thực tế tăng. Và workload không thể hiểu đúng nếu chỉ đo số phút tiết kiệm trong một tác vụ nhỏ.

Một hệ sinh thái AI trưởng thành không hỏi: “công cụ này thay được giáo viên làm gì?”. Nó hỏi: “công cụ này giúp giáo viên thấy rõ hơn, quyết định tốt hơn, can thiệp đúng hơn, hợp tác sâu hơn, và bảo vệ người học tốt hơn ở đâu?”. Nếu câu trả lời không rõ, công cụ nên được xem là giả thuyết cần thử nghiệm, không phải giải pháp sẵn có.

Nền tảng lý thuyết

Teacher agency thường bị hiểu đơn giản là “giáo viên có quyền chọn”. Nhưng trong nghiên cứu giáo dục, agency không chỉ là đặc điểm cá nhân hay thái độ chủ động. Priestley, Biesta và Robinson đề xuất cách nhìn ecological: agency là điều giáo viên đạt được trong tương tác giữa năng lực cá nhân, lịch sử nghề nghiệp, mục tiêu tương lai và điều kiện hiện tại của môi trường (Priestley et al., 2015). Một giáo viên có chuyên môn cao vẫn có thể ít agency nếu chương trình quá cứng, thời khóa biểu quá nặng, dữ liệu bị khóa trong nền tảng, chính sách cấm đoán mơ hồ, hoặc văn hóa trường không cho thử nghiệm. Ngược lại, một giáo viên đang học công nghệ mới có thể phát triển agency nếu được hỗ trợ, có cộng đồng, có thời gian thử, có quyền điều chỉnh và có kênh phản hồi.

Trong thời AI, cách nhìn ecological càng cần thiết. Agency của giáo viên không nằm trong việc họ có tài khoản chatbot hay không. Nó nằm ở việc họ có quyền hiểu hệ thống, có dữ liệu đủ nghĩa, có quyền thay đổi gợi ý, có thể bỏ qua đề xuất máy, có thể giải thích quyết định với học sinh và phụ huynh, có thể phản biện vendor, có thể tham gia chính sách trường, và có thời gian biến công cụ thành hoạt động sư phạm. Nếu AI chỉ đưa ra khuyến nghị còn giáo viên luôn phải chịu trách nhiệm, nhưng không được quyền nhìn thấy bằng chứng hoặc điều chỉnh hệ thống, đó là trách nhiệm không đi kèm quyền lực.

Nền tảng thứ hai là tri thức nghề nghiệp của giáo viên. Shulman gọi pedagogical content knowledge (PCK) là loại tri thức đặc thù của giáo viên: không chỉ biết nội dung, cũng không chỉ biết phương pháp, mà biết cách làm một nội dung trở nên học được đối với người học cụ thể (Shulman, 1986). Mishra và Koehler sau đó mở rộng thành TPACK: tri thức công nghệ, sư phạm và nội dung tương tác với nhau trong thiết kế dạy học (Mishra & Koehler, 2006). AI không làm PCK và TPACK hết giá trị. Nó làm chúng phức tạp hơn. Giáo viên không chỉ hỏi “dùng công cụ nào”, mà phải hỏi “AI thay đổi cách biểu diễn nội dung này ra sao, misconception nào có thể được phát hiện, feedback nào nên tự động, phần nào cần người thật, và công nghệ này có phù hợp văn hóa lớp học không?”.

Một số nghiên cứu gần đây đề xuất mở rộng TPACK cho thời AI. Mah và cộng sự, trong nghiên cứu năm 2026 về 532 giáo viên K-12 ở Đức và Đan Mạch, tổng hợp các hướng AI-TPACK và nhấn mạnh giáo viên cần hiểu AI như công cụ dạy, nội dung học và công cụ học; ngay cả giáo viên không định dùng AI trong lớp vẫn cần AI literacy vì học sinh và xã hội đã dùng AI (Mah et al., 2026). Đây là điểm then chốt: năng lực AI của giáo viên không phải phụ kiện cho giáo viên “thích công nghệ”. Nó là một phần của năng lực nghề nghiệp trong bối cảnh mới.

Nền tảng thứ ba là human-AI collaboration. Trong giáo dục, nói “human-in-the-loop” không đủ nếu con người chỉ được phê duyệt ở cuối quy trình. Giáo viên cần ở trong vòng thiết kế mục tiêu, chọn dữ liệu, cấu hình tiêu chí, diễn giải đầu ra, can thiệp khi hệ thống sai, và đánh giá tác động sau triển khai. Nếu AI chỉ tạo ra đề xuất, giáo viên cần biết mức chắc chắn, nguồn dữ liệu, giả định, giới hạn và nhóm người học mà hệ thống dễ sai. Nếu AI chấm bài, giáo viên cần xem bằng chứng theo rubric, trường hợp biên và quyền override. Nếu AI gợi ý học sinh có nguy cơ, giáo viên cần biết mô hình dựa trên dấu hiệu nào và can thiệp nào có sẵn. Không có khả năng diễn giải và phản hồi, human-in-the-loop trở thành nhãn quản trị.

Nền tảng thứ tư là professional learning. Nghiên cứu về phát triển nghề nghiệp giáo viên trước thời AI đã chỉ ra rằng đào tạo hiệu quả thường có nội dung chuyên môn rõ, học chủ động, tính liên kết với chương trình, thời lượng đủ, cộng tác, thực hành, phản hồi và coaching (Desimone, 2009; Darling-Hammond et al., 2017). AI không làm những nguyên tắc này mất đi. Nó làm nhu cầu ấy cấp bách hơn. Một workshop giới thiệu công cụ có thể tạo tò mò, nhưng không đủ để thay đổi cách giáo viên thiết kế bài học, đánh giá, quản trị dữ liệu, xử lý gian lận, hỗ trợ người học yếu thế và giữ quan hệ lớp học.

Nghiên cứu gần đây củng cố điểm này. Brandão, Pedro và Zagalo integrative literature review năm 2024 về professional development cho tương lai có GenAI nhấn mạnh giáo viên cần được chuẩn bị về năng lực kỹ thuật, đạo đức, sư phạm và chính sách, không chỉ thao tác công cụ (Brandão et al., 2024). Tan và cộng sự năm 2025 chỉ ra khoảng trống nghiên cứu về AI cho professional development của giáo viên và kêu gọi chú ý hơn tới thách thức công nghệ, đạo đức và tích hợp có trách nhiệm (Tan et al., 2025). Mah và cộng sự năm 2026 thấy cơ hội PD liên quan đến AI trong K-12 còn được sử dụng hạn chế, nhưng tần suất tham gia và mức hài lòng với PD có tương quan tích cực với các chiều chất lượng dạy học tự báo cáo như cognitive activation, classroom management, individualization và supportive climate (Mah et al., 2026). Dù đây không chứng minh quan hệ nhân quả, nó cho thấy PD không phải chi phí phụ. Nó là điều kiện để AI đi vào dạy học có chất lượng.

Nền tảng thứ năm là co-design và human-centred AI. Alfredo và cộng sự systematic review năm 2024 về human-centred learning analytics và AI trong giáo dục phân tích 108 bài. Họ ghi nhận nghiên cứu đã quan tâm hơn đến human control, nhưng end-user involvement trong thiết kế thực tế vẫn còn hạn chế; việc loại giáo viên và học sinh khỏi thiết kế có thể dẫn đến thiếu tin cậy và công cụ không khớp nhu cầu (Alfredo et al., 2024). Topali và cộng sự review các giải pháp human-centred learning analytics và AI cũng chỉ ra adoption trong bối cảnh thật còn hạn chế vì bỏ qua nhu cầu stakeholder, thiếu contextualisation sư phạm và mức tin cậy thấp; nhiều nghiên cứu không báo cáo đánh giá đầy đủ sau thiết kế (Topali et al., 2024). Đây là nền tảng cho một nguyên tắc rất thực dụng: công nghệ giáo dục không thể chỉ được thiết kế cho giáo viên. Nó phải được thiết kế với giáo viên.

Nền tảng cuối cùng là workload như một hệ thống, không phải từng tác vụ. Workload của giáo viên gồm dạy trực tiếp, chuẩn bị bài, chấm và phản hồi, quản lý lớp, liên hệ phụ huynh, họp, báo cáo, nhập dữ liệu, hỗ trợ học sinh, học chuyên môn, xử lý công nghệ, và lao động cảm xúc. AI có thể giảm thời gian tạo worksheet nhưng tăng thời gian kiểm chứng. Nó có thể giảm thời gian viết nhận xét nhưng tăng số thông báo cần quản lý. Nó có thể tóm tắt dashboard nhưng tạo áp lực can thiệp cho nhiều học sinh hơn mà không có thêm nhân lực. Vì vậy, đánh giá workload phải đo tổng thể quy trình, không chỉ demo một tác vụ.

Từ các nền tảng này, có thể đặt ra tiêu chuẩn cho chương: AI trong tay giáo viên chỉ có ý nghĩa nếu nó tăng năng lực phán đoán, không làm mòn chuyên môn; tăng quyền can thiệp, không chỉ tăng trách nhiệm; giảm tải tổng thể, không chỉ chuyển tải sang dạng khó thấy hơn; và mở rộng cộng đồng nghề nghiệp, không cô lập giáo viên trong tương tác với nền tảng.

Teacher Agency

Teacher agency trong hệ sinh thái AI có thể được hiểu qua bốn quyền nghề nghiệp: quyền thấy, quyền quyết định, quyền điều chỉnh, và quyền phản biện.

Quyền thấy là quyền hiểu tình huống và dữ liệu. Nếu một hệ thống AI nói “học sinh A có nguy cơ tụt lại”, giáo viên cần thấy vì sao: vắng mặt, bài nộp muộn, lỗi khái niệm, giảm tương tác, điểm quiz, hay so sánh với nhóm nào. Nếu AI gợi ý bài luyện tiếp theo, giáo viên cần biết hệ thống dựa trên mastery model nào. Nếu chatbot phản hồi bài viết, giáo viên cần biết nó dùng rubric nào và có giới hạn gì. Không có quyền thấy, giáo viên chỉ nhận nhãn. Nhãn có vẻ tiện, nhưng làm nghèo phán đoán.

Quyền quyết định là quyền chọn mục tiêu, mức dùng và thời điểm dùng AI. Giáo viên phải có quyền nói: bài này không dùng AI vì mục tiêu là suy nghĩ độc lập; bài kia cho dùng AI để phản biện; hoạt động nhóm này dùng AI làm thư ký; tuần này không dùng dashboard vì cần quan sát lớp trực tiếp; dữ liệu này không đủ để kết luận; học sinh này cần gặp người thật. Nếu công cụ được triển khai theo kiểu bắt buộc, giáo viên bị biến thành người thực thi quy trình. Khi đó AI không mở rộng agency, mà thay đổi agency thành compliance.

Quyền điều chỉnh là quyền sửa, cấu hình, bỏ qua hoặc bổ sung đề xuất AI. Một lesson plan do AI tạo có thể là bản nháp, nhưng giáo viên phải được quyền thay ví dụ, đổi trình tự, bỏ hoạt động không phù hợp, thêm câu hỏi cho misconception của lớp, và điều chỉnh cho học sinh khuyết tật hoặc đa ngôn ngữ. Một dashboard có thể gợi nhóm cần hỗ trợ, nhưng giáo viên phải được quyền gom nhóm khác dựa trên quan hệ xã hội, động lực, lịch sử học tập và quan sát tại lớp. Một công cụ feedback có thể gợi câu chữ, nhưng giáo viên phải được quyền đổi giọng, mức nghiêm khắc và trọng tâm phản hồi.

Quyền phản biện là quyền đặt câu hỏi với hệ thống và tổ chức. Giáo viên cần kênh nói rằng công cụ đang sai với nhóm học sinh cụ thể, rubric không phù hợp, dữ liệu tạo thêm việc, cảnh báo quá nhiều, tính năng gây rủi ro riêng tư, hoặc chính sách khai báo AI không khả thi. Nếu phản hồi của giáo viên không đi vào chu trình cải tiến, co-design chỉ là nghi thức.

Roe và Perkins critical scoping review năm 2024 về GenAI và agency trong giáo dục cho thấy văn liệu còn ít, nhưng nổi lên ba chủ đề: control in digital spaces, variable engagement and access, và changing notions of agency. Họ cảnh báo rằng GenAI có thể tăng agency qua cá nhân hóa và hỗ trợ, nhưng cũng có thể làm sâu thêm bất bình đẳng và giảm autonomy trong một số bối cảnh (Roe & Perkins, 2024). Dù review này xem cả learner và teacher agency, bài học áp dụng trực tiếp cho giáo viên: agency không phải tự tăng vì có thêm công cụ. Nó tăng khi quyền kiểm soát, quyền truy cập và khả năng tham gia được thiết kế có chủ ý.

Frøsig và Romero năm 2024, trong khung hybrid intelligence cho learning design, lập luận rằng GenAI có thể hỗ trợ teacher agency qua ideation và co-creation, nhưng cũng có thể làm yếu agency khi giáo viên bị hạn chế khả năng hành động, tác động, ra quyết định, lựa chọn và giữ lập trường (Frøsig & Romero, 2024). Đây là một cách nói sắc: giáo viên không chỉ cần “được dùng AI”. Họ cần có quyền giữ lập trường nghề nghiệp trước AI.

Một ví dụ đơn giản là lesson planning. Nếu AI tạo kế hoạch bài học dựa trên chuẩn chương trình, thời lượng và mức lớp, giáo viên có thể tiết kiệm thời gian ban đầu. Nhưng agency phụ thuộc vào thiết kế workflow. Workflow tốt: giáo viên nhập mục tiêu, mô tả lớp, misconception đã thấy, ràng buộc thiết bị, nhu cầu hòa nhập; AI tạo vài phương án; giáo viên chọn, chỉnh, yêu cầu giải thích; AI gợi câu hỏi kiểm tra hiểu; giáo viên thử và ghi nhận tác động; nhóm chuyên môn thảo luận. Workflow xấu: hệ thống tạo giáo án chuẩn, nhà trường yêu cầu dùng, giáo viên chỉ sửa bề mặt, và dashboard sau đó đo “mức hoàn thành” theo checklist. Cùng là AI lesson planning, nhưng một bên mở rộng thiết kế, bên kia chuẩn hóa nghề dạy.

Ví dụ khác là feedback. AI có thể phân loại lỗi bài viết, gợi phản hồi theo rubric, hoặc nhóm bài có lỗi giống nhau để giáo viên phản hồi theo cụm. Đây là khả năng tốt nếu giáo viên dùng nó để nhìn lớp rõ hơn và tiết kiệm thời gian phản hồi lặp lại. Nhưng nếu AI tự động gửi feedback hàng loạt với giọng chung, người học có thể nhận phản hồi nhanh nhưng không cảm thấy được hiểu; giáo viên có thể mất cơ hội đọc sâu bài làm và thấy sự tiến bộ, bối cảnh hoặc tín hiệu cảm xúc. Feedback không chỉ là thông tin sửa lỗi. Nó là quan hệ sư phạm.

Teacher agency cũng liên quan đến assessment integrity. Trong kỷ nguyên GenAI, giáo viên phải thiết kế điều kiện đánh giá mới: bài nào không AI, bài nào AI-allowed, bài nào cần khai báo, bài nào bảo vệ miệng, bài nào đánh giá quá trình. Nếu tổ chức chỉ đưa ra lệnh cấm hoặc công cụ phát hiện AI, giáo viên bị kéo vào vai cảnh sát. Nếu tổ chức trao quyền thiết kế lại đánh giá, giáo viên trở lại vai trò sư phạm: tạo bằng chứng tốt hơn về học tập.

Yang và Appleget nghiên cứu năm 2024 với pre-service teachers cho thấy nhiều người học sư phạm thấy GenAI hữu ích trong hoạt động phương pháp đọc, nhưng cũng lo rằng GenAI có thể giới hạn sáng tạo và teacher agency (Yang & Appleget, 2024). Lo ngại này đáng chú ý vì nó xuất hiện ngay ở nhóm giáo viên tương lai, những người thường được giả định sẽ thoải mái hơn với công nghệ. Họ không chỉ hỏi công cụ có dùng được không; họ hỏi công cụ có làm họ bớt là người thiết kế không.

Teacher agency không có nghĩa giáo viên luôn đúng hoặc không cần dữ liệu. Agency cũng không có nghĩa mỗi giáo viên tự do làm mọi thứ theo ý mình. Trong hệ thống giáo dục, cần chuẩn chương trình, công bằng, trách nhiệm giải trình và chính sách chung. Nhưng chuẩn tốt phải để lại không gian phán đoán. AI tốt phải làm không gian ấy thông minh hơn, không làm nó hẹp lại. Giáo viên cần dữ liệu để soi lại trực giác, nhưng cũng cần quyền chất vấn dữ liệu. Họ cần công cụ để tạo phương án, nhưng cũng cần quyền bỏ phương án. Họ cần hỗ trợ workload, nhưng không nên bị biến thành người kiểm duyệt sản phẩm máy.

Một dấu hiệu thực tế để đánh giá agency là hỏi giáo viên sau khi dùng AI: “Anh/chị có hiểu lớp mình hơn không? Có quyết định tốt hơn không? Có thêm lựa chọn sư phạm không? Có kiểm soát được rủi ro không? Có thể giải thích vì sao dùng hoặc không dùng công cụ không? Có kênh sửa hệ thống không?”. Nếu câu trả lời chủ yếu là “tôi phải làm theo vì trường mua rồi”, agency đang giảm.

Deskilling và Reskilling

Tự động hóa luôn đi kèm hai khả năng: giảm việc lặp lại và làm mòn kỹ năng. Trong giáo dục, hai khả năng này cùng tồn tại. AI có thể giúp giáo viên thoát khỏi những thao tác ít giá trị: viết mười phiên bản câu hỏi giống nhau, chuyển văn bản thành nhiều mức đọc, soạn email nhắc lịch, tạo bản nháp rubric, tóm tắt phản hồi khảo sát, nhóm lỗi bài làm. Nhưng AI cũng có thể làm giáo viên ít luyện một số kỹ năng cốt lõi: thiết kế câu hỏi tốt, phân tích bài làm, viết phản hồi có giọng, chọn ví dụ phù hợp, đọc dữ liệu lớp, xây nhiệm vụ theo mục tiêu học, và dự đoán misconception.

Deskilling không xảy ra vì công cụ làm một việc. Nó xảy ra khi giáo viên không còn tham gia vào tiêu chí, lý do và phản tư của việc đó. Nếu AI tạo câu hỏi trắc nghiệm và giáo viên chỉ dùng ngay, kỹ năng thiết kế câu hỏi yếu dần. Nếu AI viết phản hồi và giáo viên chỉ bấm gửi, kỹ năng nhận diện lỗi trọng tâm yếu dần. Nếu AI gom nhóm học sinh và giáo viên chỉ theo nhóm ấy, kỹ năng quan sát quan hệ lớp yếu dần. Nếu AI tạo lesson plan và giáo viên không còn tự hỏi vì sao hoạt động này trước hoạt động kia, PCK bị mòn.

Nhưng tự động hóa không nhất thiết dẫn đến deskilling. Nó có thể dẫn đến reskilling nếu phần được giải phóng được dùng cho công việc cấp cao hơn. Ví dụ, AI có thể tạo mười câu hỏi đầu tiên, còn giáo viên dùng thời gian để kiểm tra cognitive demand, chỉnh distractor theo misconception thật, và thêm câu hỏi yêu cầu giải thích. AI có thể tóm tắt bài làm theo cụm lỗi, còn giáo viên dùng thời gian để thiết kế mini-lesson cho từng cụm. AI có thể soạn bản nháp phản hồi, còn giáo viên dùng thời gian để viết một câu cá nhân hóa có tác động. AI có thể tạo nhiều mức tài liệu, còn giáo viên dùng thời gian để xem mức nào giữ được mục tiêu học và mức nào làm đơn giản hóa quá mức.

Reskilling trong thời AI gồm ít nhất sáu nhóm năng lực.

Nhóm thứ nhất là learning design. Giáo viên cần thiết kế nhiệm vụ mà AI là một phần của quá trình học, không phá mục tiêu. Điều này gồm biết khi nào cho AI brainstorm, khi nào yêu cầu người học tự làm trước, khi nào dùng AI phản biện, khi nào dùng AI làm tutee, khi nào cấm AI để đo năng lực độc lập, và khi nào đánh giá năng lực dùng AI có trách nhiệm. Learning design cũng gồm khả năng thiết kế bằng chứng quá trình: bản nháp, prompt log, phản tư, bảo vệ miệng, peer review, sản phẩm trung gian.

Nhóm thứ hai là data interpretation. AI và learning analytics đưa nhiều tín hiệu về lớp học, nhưng tín hiệu cần diễn giải. Giáo viên cần biết dữ liệu nào là proxy, dữ liệu nào thiếu, dashboard nào dễ gây hiểu nhầm, cảnh báo nào cần kiểm tra bằng quan sát, và khi nào mô hình có thể sai với một nhóm học sinh. Data interpretation không biến giáo viên thành data scientist. Nó giúp giáo viên không bị dashboard dẫn đi.

Nhóm thứ ba là AI audit ở mức lớp học. Giáo viên cần biết thử công cụ với bài làm thật, ngôn ngữ thật, nhóm học sinh thật; xem nó sai ở đâu; kiểm tra bias; thử prompt khác; so sánh với rubric; và ghi lại trường hợp cần human review. Đây là kỹ năng thực hành. Một tổ chuyên môn có thể cùng thử: công cụ feedback này phản hồi thế nào với bài viết có ý mạnh nhưng lỗi chính tả, với bài trơn nhưng rỗng, với bài của học sinh song ngữ, với bài dùng ví dụ địa phương. Kết quả audit giúp quyết định dùng, sửa hoặc bỏ.

Nhóm thứ tư là facilitation. Khi AI làm nhiều nội dung và feedback cá nhân, giá trị của giờ học trực tiếp càng nằm ở thảo luận, tranh luận, thực hành, debrief, sensemaking và quan hệ. Giáo viên cần giỏi hơn trong việc tổ chức đối thoại, đặt câu hỏi sâu, kết nối người học, xử lý hiểu sai công khai, và biến kết quả AI thành cuộc trò chuyện. Đây là reskilling xã hội, không phải kỹ thuật.

Nhóm thứ năm là assessment redesign. Chương 16 đã nói đánh giá trong kỷ nguyên AI cần thay đổi. Với giáo viên, điều này nghĩa là biết thiết kế bài đánh giá có điều kiện sử dụng AI rõ ràng; xây rubric cho quá trình và sản phẩm; đánh giá oral defense, portfolio, authentic task, collaborative product; và phân biệt năng lực độc lập với năng lực dùng công cụ. Nếu không reskill assessment, giáo viên sẽ bị kẹt giữa cấm đoán và nghi ngờ.

Nhóm thứ sáu là communication và boundary-setting. Giáo viên phải giải thích với học sinh, phụ huynh và đồng nghiệp về AI use: phần nào được phép, vì sao, khai báo thế nào, dữ liệu nào không đưa vào công cụ, khi nào cần hỏi người thật, và làm gì khi AI sai. Đây là kỹ năng chính sách ở cấp lớp. Không có nó, quy định trường dễ biến thành khẩu hiệu.

Deskilling và reskilling còn phụ thuộc vào mức độ tự động hóa. Có thể chia thành bốn mức. Mức hỗ trợ: AI gợi ý, giáo viên làm chính. Mức đồng sản xuất: AI tạo bản nháp, giáo viên chỉnh sâu và chịu trách nhiệm. Mức bán tự động: AI thực hiện phần lớn, giáo viên kiểm duyệt trường hợp bất thường. Mức tự động: AI quyết định hoặc gửi kết quả mà giáo viên chỉ giám sát từ xa. Càng lên cao, rủi ro deskilling và automation bias càng lớn, nhất là ở tác vụ có hệ quả sư phạm hoặc đạo đức.

Không phải mọi tác vụ đều cần giữ giáo viên làm chính. Một số việc hành chính có thể tự động hóa mạnh nếu ít rủi ro và có kiểm soát: chuyển định dạng tài liệu, tạo lịch nhắc, tóm tắt thông báo, phân loại câu hỏi thường gặp. Nhưng với tác vụ liên quan đến đánh giá năng lực, hỗ trợ học sinh yếu thế, wellbeing, kỷ luật, định hướng học tập hoặc giao tiếp nhạy cảm, giáo viên phải giữ vai trò quyết định. Nguyên tắc là: tự động hóa nơi tiêu chí rõ, hậu quả thấp, lỗi dễ sửa; tăng cường phán đoán con người nơi bối cảnh dày, hậu quả cao, lỗi khó sửa.

Một ảo tưởng phổ biến là “AI sẽ làm phần nhàm chán, giáo viên làm phần sáng tạo”. Trong thực tế, phần nhàm chán và phần sáng tạo đan vào nhau. Chấm bài lặp lại có thể mệt, nhưng đọc lỗi lặp lại giúp giáo viên hiểu lớp. Soạn câu hỏi mất thời gian, nhưng quá trình soạn làm giáo viên sắc hơn về mục tiêu. Viết nhận xét nhiều khi nặng, nhưng cũng là lúc giáo viên nối tri thức với con người cụ thể. Vì vậy, không nên tự động hóa một tác vụ chỉ vì nó lặp lại. Cần hỏi: trong tác vụ này có phần nào nuôi phán đoán nghề nghiệp? Phần nào có thể chuyển cho AI mà không mất hiểu biết? Phần nào nên giữ lại hoặc thiết kế lại?

Reskilling tốt không phải thêm gánh nặng vô hạn. Giáo viên không thể vừa dạy, vừa làm kỹ sư prompt, vừa làm auditor, vừa làm data analyst, vừa làm chuyên gia pháp lý. Tổ chức phải phân vai. Một số năng lực cần phổ cập cho mọi giáo viên. Một số cần nhóm chuyên môn, instructional coach, data lead, AI lead hoặc tổ hỗ trợ. Nếu mọi thứ dồn vào từng giáo viên cá nhân, reskilling trở thành kiệt sức có ngôn ngữ đẹp.

Professional Development

Professional development về AI cho giáo viên phải theo tiến trình nghề nghiệp, không phải chuỗi workshop mẹo công cụ. Sự khác biệt này rất lớn. Workshop mẹo công cụ thường bắt đầu từ tính năng: đây là cách viết prompt, đây là cách tạo quiz, đây là cách sinh rubric, đây là cách dùng chatbot để viết email. Tiến trình nghề nghiệp bắt đầu từ vấn đề dạy học: học sinh không đọc nguồn sâu, phản hồi bài viết quá chậm, đánh giá bị GenAI làm yếu, lớp có nhiều mức năng lực, giáo viên thiếu thời gian chuẩn bị, người học không biết khai báo AI, phụ huynh lo về dữ liệu. Công cụ chỉ được đưa vào sau khi vấn đề rõ.

Một lộ trình PD hợp lý có thể theo ba mức Acquire, Deepen, Create của UNESCO, nhưng cần cụ thể hóa cho nhà trường.

Ở mức Acquire, mục tiêu là an toàn và nền tảng. Giáo viên hiểu AI là gì, GenAI khác search engine ra sao, hallucination là gì, dữ liệu và riêng tư cần lưu ý gì, chính sách trường quy định gì, học sinh đang dùng AI thế nào, và một số workflow cơ bản có thể hỗ trợ công việc. Mức này nên giúp giáo viên bớt sợ và bớt kỳ vọng quá mức. Nó cũng phải làm rõ ranh giới: không đưa dữ liệu nhạy cảm của học sinh vào công cụ công khai, không dùng AI để ra quyết định high-stakes, không tin trích dẫn chưa kiểm chứng, không gửi feedback tự động không đọc.

Ở mức Deepen, mục tiêu là thiết kế lại hoạt động học. Giáo viên làm việc theo môn, cấp lớp và vấn đề thật. Tổ Ngữ văn thử bài viết có AI-allowed với yêu cầu khai báo và bảo vệ luận điểm. Tổ Toán thử AI gợi hint theo tầng nhưng yêu cầu học sinh giải thích bước. Tổ Ngoại ngữ dùng AI làm đối tác luyện hội thoại nhưng có debrief về lỗi văn hóa và ngữ dụng. Tổ Khoa học dùng AI để tạo phản ví dụ và kiểm tra lập luận thí nghiệm. Giáo viên không chỉ học công cụ; họ học thiết kế điều kiện học.

Ở mức Create, giáo viên tham gia xây chính sách, tài nguyên và đổi mới địa phương. Họ cùng viết hướng dẫn sử dụng AI theo môn, tạo ngân hàng hoạt động đã thử, thiết kế rubric khai báo AI, audit công cụ, tham gia procurement, cố vấn đồng nghiệp, và nghiên cứu tác động. Đây là mức mà teacher agency rõ nhất. Giáo viên không chỉ dùng AI trong hệ thống; họ định hình hệ thống.

PD về AI cũng cần theo chu kỳ: học, thử, quan sát, phản tư, sửa, chia sẻ. Một chu kỳ có thể kéo dài 6-8 tuần. Tuần đầu chọn vấn đề và thiết kế hoạt động. Tuần hai thử với một lớp hoặc một nhóm nhỏ. Tuần ba thu bài làm, prompt log, phản hồi học sinh và quan sát workload. Tuần bốn họp tổ chuyên môn phân tích. Tuần năm sửa. Tuần sáu thử lại. Cuối chu kỳ, nhóm ghi lại điều kiện áp dụng, rủi ro và tài nguyên dùng lại. Cách làm này chậm hơn tập huấn đại trà, nhưng tạo năng lực thật.

Mah và cộng sự năm 2026 cho thấy giáo viên K-12 ở Đức và Đan Mạch còn ở giai đoạn đầu tích hợp AI; 36,1% giáo viên trong mẫu báo cáo chưa dùng AI hiện tại, và trong số người dùng, ứng dụng thiên về tối ưu hóa thực hành sẵn có hơn là mở ra khả năng dạy học mới. Họ cũng thấy AI được dùng nhiều cho cognitive activation như tạo tài liệu và nhiệm vụ, ít hơn cho individualization, supportive climate, và gần như không đáng kể cho classroom management (Mah et al., 2026). Kết quả này gợi ý PD không nên chỉ dạy giáo viên tạo nội dung nhanh hơn. Nó cần mở rộng tưởng tượng sư phạm: AI có thể hỗ trợ thảo luận, phản tư, hợp tác, differentiated feedback và quan hệ lớp học như thế nào, nếu có điều kiện phù hợp.

PD cũng cần giải quyết niềm tin. Giáo viên không tin AI vì ba lý do khác nhau: công cụ có thể sai, tổ chức có thể dùng công cụ để kiểm soát họ, và họ có thể thấy công nghệ đe dọa giá trị nghề dạy. Một chương trình PD tốt không gạt những lo ngại này đi. Nó cho giáo viên kiểm thử lỗi, hiểu giới hạn, đặt câu hỏi đạo đức, và thảo luận điều gì không nên tự động hóa. Niềm tin không đến từ lời khẳng định “AI an toàn”. Nó đến từ quyền kiểm tra và quyền từ chối.

PD cần phân hóa theo vai trò. Giáo viên mới vào nghề cần hỗ trợ khác giáo viên nhiều kinh nghiệm. Giáo viên tiểu học cần ví dụ khác giảng viên đại học. Giáo viên dạy nghề cần AI gắn với chuẩn nghề và an toàn thực hành. Giáo viên giáo dục đặc biệt cần trọng tâm accessibility, privacy và assistive technology. Tổ trưởng chuyên môn cần năng lực dẫn dắt cộng đồng thực hành. Lãnh đạo trường cần hiểu procurement, governance, workload và change management. Nếu tất cả cùng học một workshop chung, nội dung sẽ hoặc quá nông, hoặc quá xa.

PD cũng cần liên kết với chính sách đánh giá giáo viên. Nếu trường khuyến khích AI nhưng vẫn đánh giá giáo viên theo số hoạt động số hóa, số tài nguyên tạo ra hoặc mức dùng nền tảng, giáo viên sẽ dùng AI để đáp ứng chỉ số. Nếu trường đánh giá theo chất lượng học tập, bằng chứng phản tư, cải thiện nhiệm vụ và chia sẻ chuyên môn, AI sẽ được đặt đúng chỗ hơn. Chỉ số sai có thể phá PD tốt.

Một cấu trúc hỗ trợ nên có các lớp sau:

1. Hướng dẫn chung về an toàn, riêng tư, khai báo và ranh giới. 2. Cộng đồng thực hành theo môn hoặc cấp lớp. 3. Người hỗ trợ chuyên môn có hiểu biết AI, không chỉ IT. 4. Kho hoạt động đã thử trong bối cảnh địa phương. 5. Thời gian chính thức trong lịch làm việc để thử và phản tư. 6. Kênh báo lỗi, phản hồi vendor và cập nhật chính sách. 7. Cơ chế chia sẻ thất bại mà không bị phạt.

Điểm cuối rất quan trọng. AI trong giáo dục còn mới, công cụ thay đổi nhanh, bằng chứng còn đang phát triển. Nếu văn hóa trường chỉ cho phép báo cáo thành công, giáo viên sẽ giấu lỗi hoặc dùng công cụ theo cách an toàn bề mặt. Một hệ sinh thái học tập cần xem thất bại có phân tích là dữ liệu chuyên môn.

Professional development về AI nên kết thúc mỗi chu kỳ bằng ba câu hỏi: Người học học gì tốt hơn? Giáo viên hiểu lớp tốt hơn ở đâu? Workload tổng thể thay đổi ra sao? Nếu không trả lời được ba câu này, PD dễ trôi thành kỹ năng công cụ.

Co-design với giáo viên

Co-design với giáo viên không phải mời vài giáo viên xem demo sau khi sản phẩm gần xong. Nó là việc giáo viên tham gia từ đặt vấn đề, xác định tiêu chí, thiết kế workflow, thử nghiệm, đánh giá và quyết định mở rộng. Trong giáo dục, co-design đặc biệt quan trọng vì lớp học là môi trường dày bối cảnh. Một tính năng có vẻ hợp lý với nhà phát triển có thể thất bại vì thời lượng tiết học, sĩ số, văn hóa hỏi đáp, thiết bị, lịch kiểm tra, quy định dữ liệu, trình độ đọc của học sinh hoặc nhịp làm việc của giáo viên.

Co-design bắt đầu bằng problem framing. Thay vì hỏi “giáo viên muốn AI làm gì?”, nên hỏi “phần nào trong công việc hiện đang làm giảm chất lượng dạy học?”. Câu trả lời có thể không phải “cần chatbot”. Có thể là: giáo viên mất quá nhiều thời gian nhập điểm nhiều nơi; bài làm của học sinh đến quá muộn để phản hồi kịp; phụ huynh nhận thông báo rời rạc; học sinh yếu không biết bắt đầu hỏi gì; tổ chuyên môn không có thời gian phân tích lỗi chung; học sinh dùng AI nhưng quy định không rõ. Nếu vấn đề là dữ liệu silo, chatbot không giải quyết được. Nếu vấn đề là rubric mơ hồ, AI chấm bài chỉ làm mơ hồ nhanh hơn.

Sau problem framing là workflow mapping. Giáo viên mô tả quy trình thật: trước giờ học làm gì, trong lớp làm gì, sau lớp làm gì, dùng hệ thống nào, nhập dữ liệu ở đâu, lỗi thường xảy ra chỗ nào, ai chịu trách nhiệm, thời điểm nào quá tải, học sinh và phụ huynh tham gia ra sao. Nhiều công cụ thất bại vì không hiểu workflow này. Chúng thêm một dashboard mới mà không bỏ dashboard cũ, thêm một bước khai báo mà không nối với LMS, thêm feedback mà không có thời gian cho học sinh sửa, thêm cảnh báo mà không có người can thiệp.

Sau workflow mapping là prototyping với dữ liệu và tình huống thật. Giáo viên cần thử công cụ trên bài làm thật đã ẩn danh, prompt thật, lớp thật hoặc mô phỏng gần thật. Một công cụ lesson planning phải được thử với chương trình cụ thể, thời lượng cụ thể, mức lớp cụ thể, ngôn ngữ cụ thể. Một công cụ feedback phải được thử với bài làm tốt, bài yếu, bài khác thường, bài của người học đa ngôn ngữ, bài có lỗi chính tả, bài có ý tưởng mới. Một dashboard phải được thử với giáo viên đang có ít thời gian, không phải chỉ trong phòng lab.

Alfredo và cộng sự năm 2024 cho thấy human-centred LA/AIED đã quan tâm đến human control nhưng end-user involvement còn hạn chế trong thiết kế thực tế (Alfredo et al., 2024). Topali và cộng sự cũng chỉ ra nhiều giải pháp thiếu contextualisation sư phạm và thiếu đánh giá trong bối cảnh xác thực (Topali et al., 2024). Những kết quả này giải thích vì sao nhiều sản phẩm EdTech có vẻ tốt trên slide nhưng khó sống trong trường. Chúng được thiết kế như giải pháp kỹ thuật trước khi trở thành giải pháp nghề nghiệp.

Co-design cũng cần học sinh, nhưng chương này nhấn mạnh giáo viên vì họ đứng ở giao điểm của mục tiêu học, tổ chức lớp, chính sách và dữ liệu. Tuy vậy, giáo viên không thể đại diện hoàn toàn cho người học. Với công cụ ảnh hưởng trực tiếp đến học sinh, co-design nên có cả hai nhóm. Một nghiên cứu năm 2025 về co-design AI-powered learning analytics trong mô phỏng điều dưỡng đã tổ chức các phiên với sinh viên, giáo viên và phiên chung để thiết kế công cụ phản tư nhóm; quy trình gồm phỏng vấn, prototyping, focus group và workshop (Martinez-Maldonado et al., 2025). Điểm đáng học không phải lĩnh vực điều dưỡng cụ thể, mà là cách đưa stakeholder vào nhiều giai đoạn thay vì chỉ khảo sát ý kiến sau cùng.

Co-design với giáo viên cũng cần phân biệt các cấp quyết định. Ở cấp lớp, giáo viên đồng thiết kế hoạt động và workflow. Ở cấp tổ chuyên môn, giáo viên đồng thiết kế rubric, tài nguyên, chuẩn khai báo và tiêu chí dùng AI. Ở cấp trường, giáo viên tham gia chọn công cụ, chính sách dữ liệu, kế hoạch PD và quy trình hỗ trợ. Ở cấp hệ thống, đại diện giáo viên tham gia khung năng lực, procurement, chuẩn công bằng và đánh giá tác động. Nếu chỉ co-design ở cấp lớp nhưng công cụ và chính sách đã bị khóa ở cấp trên, agency vẫn hẹp.

Một mô hình co-design thực tế có thể gồm năm vòng.

Vòng một: xác định vấn đề và baseline. Ví dụ, giáo viên mất trung bình bốn giờ mỗi tuần cho phản hồi bài viết, học sinh ít dùng feedback để sửa, và phản hồi đến quá muộn. Baseline gồm thời gian giáo viên, chất lượng feedback, mức học sinh sửa, và cảm nhận của học sinh.

Vòng hai: thiết kế nguyên mẫu nhỏ. AI chỉ dùng để nhóm lỗi và gợi phản hồi theo rubric, không gửi tự động. Giáo viên chỉnh phản hồi và thêm nhận xét cá nhân. Học sinh phải nộp bản sửa và phản tư.

Vòng ba: thử với một lớp hoặc một chủ đề. Thu dữ liệu: thời gian giáo viên, lỗi AI, mức học sinh hiểu feedback, chất lượng bản sửa, cảm giác được hỗ trợ.

Vòng bốn: phân tích cùng giáo viên và học sinh. Có giảm thời gian thật không? Feedback có tốt hơn không? AI sai ở nhóm nào? Học sinh có dùng feedback không? Giáo viên có hiểu lớp hơn không?

Vòng năm: quyết định sửa, mở rộng hoặc dừng. Nếu mở rộng, viết hướng dẫn, ranh giới và điều kiện áp dụng. Nếu dừng, ghi lại lý do để tránh lặp lại.

Co-design không nên bị lãng mạn hóa. Nó tốn thời gian, có xung đột, và không phải mọi ý kiến đều tương thích. Giáo viên có thể muốn công cụ linh hoạt, quản lý muốn chuẩn hóa, IT muốn bảo mật, học sinh muốn tiện, phụ huynh muốn ít dữ liệu, vendor muốn mở rộng tính năng. Co-design tốt không phải làm hài lòng tất cả, mà làm trade-off hiện rõ và có trách nhiệm.

Một nguy cơ là “participation washing”: tổ chức nói có giáo viên tham gia nhưng chỉ ở mức góp ý bề mặt. Dấu hiệu gồm: vấn đề đã được định nghĩa trước, công cụ đã mua trước, giáo viên chỉ được chọn màu giao diện hoặc mẫu prompt, phản hồi không có tác động, thời gian tham gia không được tính vào workload, và quyết định cuối không giải thích. Co-design thật phải có quyền ảnh hưởng.

Giáo viên cũng cần được trả công hoặc giảm tải cho co-design. Không thể yêu cầu họ thiết kế tương lai giáo dục vào buổi tối sau khi chấm bài. Nếu tổ chức coi co-design là nghiêm túc, nó phải nằm trong thời gian làm việc, có hỗ trợ dữ liệu, có người điều phối, và có kết quả quay lại lớp học.

Một lợi ích phụ nhưng quan trọng của co-design là nó phát triển năng lực giáo viên. Khi giáo viên tham gia đặt tiêu chí, thử lỗi, phân tích dữ liệu và sửa workflow, họ học AI sâu hơn nhiều so với nghe hướng dẫn. Co-design vì vậy vừa là phương pháp phát triển sản phẩm, vừa là professional development.

Workload thật

Workload thật là nơi nhiều lời hứa AI gặp thực tế. Một công cụ có thể làm một việc nhanh hơn nhưng không làm ngày làm việc ngắn hơn. Nó có thể tiết kiệm 20 phút soạn worksheet nhưng mất 25 phút kiểm chứng, chỉnh ví dụ, sửa tiếng Việt, nhập lại vào LMS, giải thích với học sinh và xử lý lỗi. Nó có thể giúp viết email nhanh hơn nhưng làm số email tăng lên vì phản hồi dễ gửi hơn. Nó có thể tạo dashboard đẹp nhưng giáo viên phải xem thêm mỗi ngày, phân loại cảnh báo, ghi can thiệp, và báo cáo lên quản lý. Workload không phải tổng thời gian từng tác vụ trong demo. Nó là trải nghiệm tổng thể của một tuần làm việc.

Khảo sát RSC 2024 rất hữu ích vì nó làm mát kỳ vọng. 44% giáo viên khoa học trong khảo sát đã dùng AI, nhưng chỉ 3% nói AI giảm workload rất nhiều. Nhiều giáo viên nêu rào cản là thời gian học công cụ và thời gian kiểm tra nội dung sai (Royal Society of Chemistry, 2024). Đây không phải bằng chứng rằng AI vô ích. Nó là bằng chứng rằng giảm tải cần thiết kế hệ thống, không chỉ cấp công cụ.

Có năm dạng “tải ẩn” thường bị bỏ qua.

Dạng thứ nhất là verification load. AI tạo nội dung nhanh, nhưng giáo viên phải kiểm tra độ đúng, độ phù hợp chương trình, độ tuổi, văn hóa, ngôn ngữ, nguồn, bản quyền và rủi ro thiên lệch. Với môn có kiến thức chính xác cao như khoa học, toán, lịch sử hoặc pháp luật, verification load có thể lớn. Nếu giáo viên không có thời gian kiểm chứng, họ hoặc không dùng, hoặc dùng với rủi ro.

Dạng thứ hai là integration load. Nội dung do AI tạo phải được đưa vào hệ thống thật: LMS, slide, worksheet, bảng điểm, email, tài liệu in, hoạt động nhóm. Nếu công cụ không tích hợp tốt, giáo viên copy-paste nhiều nơi, sửa định dạng, đổi file, kiểm tra link, xử lý lỗi đăng nhập. Một công cụ “tiết kiệm thời gian” nhưng không khớp hạ tầng sẽ tạo tải tích hợp.

Dạng thứ ba là policy load. Khi AI xuất hiện, giáo viên phải giải thích luật sử dụng, xử lý khai báo, phân biệt hỗ trợ hợp lệ và gian lận, trả lời phụ huynh, xử lý tranh chấp, và cập nhật chính sách khi công cụ thay đổi. Nếu trường không có hướng dẫn rõ, policy load rơi xuống từng giáo viên.

Dạng thứ tư là emotional load. Giáo viên phải trấn an học sinh sợ bị phát hiện sai, xử lý nghi ngờ đạo văn, giữ quan hệ khi phải hỏi về AI use, đối phó cảm giác nghề nghiệp bị hạ giá, và hỗ trợ học sinh phụ thuộc công cụ. AI có thể giảm thao tác nhưng tăng lao động cảm xúc nếu triển khai thiếu tinh tế.

Dạng thứ năm là monitoring load. Dashboard, cảnh báo, analytics và hệ thống adaptive tạo thêm tín hiệu. Mỗi tín hiệu đặt ra câu hỏi: có cần can thiệp không, ai làm, khi nào, ghi nhận ở đâu, nếu không can thiệp có trách nhiệm không? Một cảnh báo chỉ có ích nếu tổ chức có workflow can thiệp. Nếu không, nó tạo guilt load: giáo viên thấy nhiều vấn đề hơn nhưng không có thời gian xử lý.

Workload thật cần đo bằng đơn vị workflow. Ví dụ, muốn biết AI feedback có giảm tải không, không chỉ đo thời gian AI sinh phản hồi. Phải đo toàn bộ vòng: chuẩn bị rubric, nộp bài, chạy công cụ, kiểm tra lỗi, chỉnh feedback, gửi cho học sinh, học sinh đọc, học sinh sửa, giáo viên xem bản sửa, xử lý khiếu nại, và học sinh học được gì. Nếu AI giảm 30% thời gian phản hồi nhưng học sinh ít dùng feedback hơn, đó không phải thành công. Nếu AI giảm thời gian chấm nhưng tăng thời gian xử lý nghi ngờ gian lận, cần tính lại.

Chính phủ Anh năm 2024 công bố dự án tạo “content store” gồm lesson plans, curriculum guidance và teaching materials để giúp công cụ GenAI đáng tin hơn cho giáo viên, với mục tiêu hỗ trợ chấm homework và tiết kiệm thời gian (Department for Science, Innovation and Technology & Department for Education, 2024). EEF cùng năm cũng công bố trial về ChatGPT cho lesson planning nhằm xem liệu hỗ trợ giáo viên dùng GenAI có giảm giờ làm tổng thể và duy trì chất lượng bài học không (Education Endowment Foundation, 2024). Điểm đáng chú ý ở đây là câu hỏi nghiên cứu đúng: không chỉ “AI có tạo giáo án nhanh không”, mà là “có giảm overall working hours và giữ lesson quality không”. Đây là chuẩn đánh giá workload nên dùng rộng hơn.

Một công cụ giảm workload thật thường có bốn đặc điểm. Thứ nhất, nó bỏ được việc cũ, không chỉ thêm việc mới. Nếu giáo viên dùng dashboard mới nhưng vẫn phải làm báo cáo cũ, workload tăng. Thứ hai, nó tích hợp vào hệ thống hiện có. Nếu phải copy dữ liệu nhiều nơi, lợi ích mất. Thứ ba, nó làm đầu ra đủ tin cậy để kiểm tra nhanh hơn làm lại. Nếu giáo viên phải sửa quá nhiều, công cụ chỉ tạo bản nháp rẻ nhưng không tiết kiệm. Thứ tư, nó giảm tải ở nơi giáo viên thật sự đau, không chỉ nơi dễ demo. Nhiều giáo viên không thiếu ý tưởng worksheet; họ thiếu thời gian phản hồi sâu, xử lý chênh lệch lớp, liên hệ gia đình, và nghỉ ngơi.

Workload cũng phải tính theo thời gian học công cụ. Một công cụ có thể có lợi sau ba tháng, nhưng giai đoạn đầu luôn tăng tải. Nếu trường không cấp thời gian học và hỗ trợ, giáo viên sẽ phải học ngoài giờ. Khi đó “AI giảm tải” trở thành nghịch lý: để được giảm tải, giáo viên phải làm thêm.

Workload còn liên quan đến phân phối lợi ích. AI có thể giúp giáo viên nhiều kinh nghiệm tiết kiệm thời gian vì họ biết kiểm tra nhanh, chỉnh nhanh, và có tiêu chí rõ. Giáo viên mới có thể mất nhiều thời gian hơn vì chưa có PCK đủ mạnh để đánh giá đầu ra. Giáo viên ở trường có hạ tầng tốt được lợi hơn giáo viên phải xử lý thiết bị yếu. Giáo viên dạy môn nhiều tài liệu tiếng Anh có thể được lợi hơn giáo viên dạy bằng ngôn ngữ ít tài nguyên. Vì vậy, đánh giá workload phải phân nhóm, không chỉ lấy trung bình.

Một nguy cơ là AI được dùng để hợp thức hóa tăng kỳ vọng. Nếu AI giúp tạo phản hồi nhanh, quản lý có thể yêu cầu phản hồi nhiều hơn. Nếu AI giúp tạo tài liệu, chương trình có thể yêu cầu tài liệu cá nhân hóa cho từng học sinh. Nếu AI giúp viết báo cáo, tổ chức có thể yêu cầu báo cáo chi tiết hơn. Khi năng suất tăng bị thu hết thành tiêu chuẩn mới, giáo viên không được giảm tải; họ chỉ bị đẩy lên mức sản lượng cao hơn. Đây là productivity trap.

Một nguyên tắc công bằng là: nếu AI được triển khai với mục tiêu giảm tải, tổ chức phải xác định việc nào sẽ được bỏ, giảm hoặc đơn giản hóa. Không thể chỉ nói “AI sẽ giúp làm nhanh hơn” rồi giữ nguyên mọi yêu cầu cũ. Ví dụ, nếu AI hỗ trợ tóm tắt tiến độ học sinh, trường có thể bỏ một biểu mẫu báo cáo trùng lặp. Nếu AI giúp phản hồi quiz, giáo viên có thể giảm chấm tay câu hỏi thấp giá trị. Nếu AI tạo tài liệu phân hóa, tổ chuyên môn có thể chia sẻ tài nguyên chung thay vì mỗi giáo viên tự làm lại. Giảm tải phải được thiết kế như một thay đổi tổ chức.

Cuối cùng, workload thật phải bao gồm wellbeing của giáo viên. Một giáo viên có thể làm nhanh hơn nhưng căng thẳng hơn vì luôn phải cảnh giác lỗi AI, nghi ngờ bài làm, xem cảnh báo, cập nhật chính sách và học công cụ mới. Nếu AI làm giáo viên mất cảm giác làm chủ, mất niềm vui thiết kế, hoặc mất quan hệ với học sinh, workload cảm xúc tăng. Một hệ sinh thái AI tốt phải giúp giáo viên có thêm thời gian và năng lượng cho phần nghề nghiệp có ý nghĩa: giải thích, lắng nghe, thiết kế, phản hồi, nâng đỡ, và cùng học sinh suy nghĩ.

Thực trạng triển khai

Thực trạng triển khai AI cho giáo viên hiện nay có thể mô tả bằng bốn chữ: nhanh, không đều, nhiều kỳ vọng, thiếu cấu trúc.

Nhanh vì GenAI đã đi vào đời sống giáo viên trước khi nhiều hệ thống có chính sách. Giáo viên dùng AI để viết email, tạo câu hỏi, soạn hoạt động, sửa văn bản, dịch tài liệu, tạo rubric, tóm tắt nghiên cứu, hoặc chuẩn bị slide. Một số người dùng hằng ngày, một số thử vài lần rồi bỏ, một số tránh vì lo đạo đức hoặc thiếu thời gian. Trong nhiều trường, thực tế dùng AI đi trước hướng dẫn chính thức.

Không đều vì năng lực, hạ tầng và văn hóa khác nhau. Một giáo viên có tiếng Anh tốt, thiết bị tốt, cộng đồng chuyên môn mở và lãnh đạo ủng hộ sẽ học nhanh. Một giáo viên quá tải, dạy nhiều lớp, không có thời gian thử, thiếu chính sách rõ, hoặc từng gặp công cụ sai sẽ thận trọng hơn. Một trường có IT mạnh và quy trình dữ liệu tốt có thể tích hợp AI vào workflow. Một trường vẫn nhập điểm thủ công nhiều nơi sẽ thấy AI chỉ thêm rối.

Nhiều kỳ vọng vì AI được gắn với giải quyết hàng loạt vấn đề: thiếu giáo viên, workload, cá nhân hóa, feedback nhanh, đánh giá, phụ đạo, quản trị. Nhưng nhiều vấn đề này có gốc tổ chức, không phải chỉ thiếu công cụ. Thiếu giáo viên không thể giải bằng chatbot nếu điều kiện làm việc kém. Workload không giảm nếu yêu cầu báo cáo tăng. Cá nhân hóa không có nghĩa nếu lớp quá đông và giáo viên không có thời gian can thiệp. Feedback nhanh không có nghĩa nếu học sinh không được sửa.

Thiếu cấu trúc vì PD, governance và evaluation chưa theo kịp. Nhiều nơi có workshop nhưng chưa có lộ trình. Có chính sách cấm hoặc cho phép nhưng chưa có hoạt động mẫu. Có công cụ nhưng chưa có tiêu chí kiểm thử. Có dashboard nhưng chưa có workflow can thiệp. Có mong muốn giảm tải nhưng chưa bỏ việc cũ. Có nói co-design nhưng giáo viên tham gia muộn.

Ở cấp hệ thống, một số chính phủ bắt đầu đầu tư vào AI cho giáo viên. Dự án của Anh về content store và công cụ hỗ trợ chấm, tạo tài liệu là một ví dụ (Department for Science, Innovation and Technology & Department for Education, 2024). Các thử nghiệm như EEF trial về ChatGPT cho lesson planning cho thấy hướng tiếp cận dựa trên bằng chứng hơn: kiểm tra workload và chất lượng thay vì chỉ công bố công cụ (Education Endowment Foundation, 2024). Tuy nhiên, các thử nghiệm này cũng nhắc rằng bằng chứng cần thời gian, và kết quả ở một bối cảnh không tự chuyển sang bối cảnh khác.

Ở cấp nghiên cứu, các review gần đây cho thấy sự chuyển dịch từ “AI thay giáo viên làm gì” sang “AI hỗ trợ giáo viên phát triển và quyết định ra sao”, nhưng tốc độ còn chậm. Tan và cộng sự chỉ ra professional development vẫn ít được nghiên cứu hơn ứng dụng dạy học (Tan et al., 2025). Alfredo và Topali cùng cộng sự chỉ ra stakeholder involvement và contextualisation vẫn là lỗ hổng trong human-centred AI/LA (Alfredo et al., 2024; Topali et al., 2024). Mah và cộng sự cho thấy giáo viên đang dùng AI nhiều hơn cho tối ưu hóa nội dung hơn là thay đổi sâu instructional quality (Mah et al., 2026). Những kết quả này hợp lại thành một bức tranh: giáo viên chưa được đặt đủ sớm và đủ sâu trong hệ sinh thái AI.

Ở cấp trường, một mô hình triển khai tốt thường có các dấu hiệu sau. Lãnh đạo không mở đầu bằng mua sản phẩm, mà bằng chọn vấn đề. Giáo viên được cấp thời gian thử. Tổ chuyên môn có hoạt động mẫu và ranh giới rõ. Dữ liệu học sinh được bảo vệ. Công cụ được pilot nhỏ trước. Workload được đo trước và sau. Học sinh được dạy AI literacy. Phụ huynh được truyền thông. Có kênh phản hồi và quyền dừng. Đây không phải mô hình quá phức tạp, nhưng đòi hỏi kỷ luật triển khai.

Một mô hình yếu thường có dấu hiệu ngược lại. Trường mua công cụ vì đang thịnh hành. Giáo viên được gửi link hướng dẫn. Chính sách dùng AI mơ hồ. Ai nhiệt tình thì dùng, ai không dùng thì bị xem là chậm. Không đo workload. Không kiểm tra bias. Không rõ dữ liệu đi đâu. Không có phương án cho người học không dùng được. Sau vài tháng, công cụ hoặc bị bỏ, hoặc trở thành một nghĩa vụ hành chính nữa.

Thực trạng này không nên dẫn đến bi quan. Nó chỉ cho thấy AI trong giáo dục đang ở giai đoạn mà năng lực tổ chức quan trọng hơn tính năng. Một công cụ trung bình trong tổ chức biết học có thể tốt hơn công cụ mạnh trong tổ chức triển khai vội.

Phân tích phản biện

Rủi ro thứ nhất là rhetorics of empowerment: ngôn ngữ trao quyền nhưng thực tế giảm quyền. Nhà trường có thể nói AI giúp giáo viên sáng tạo hơn, nhưng đồng thời áp đặt template bài học, dashboard chuẩn và chỉ số dùng nền tảng. Vendor có thể nói giáo viên “in control”, nhưng không cho xem logic hệ thống, không cho sửa tiêu chí, không có export dữ liệu, và không có kênh phản hồi hiệu quả. Trao quyền không nằm trong khẩu hiệu; nó nằm trong quyền thiết kế và quyền từ chối.

Rủi ro thứ hai là automation bias. Khi AI đưa đề xuất trôi chảy, có vẻ hợp lý và được trình bày trong giao diện chính thức, giáo viên có thể tin quá nhanh, nhất là khi quá tải. Automation bias không phải lỗi cá nhân yếu kém. Nó là phản ứng dễ hiểu trong môi trường nhiều việc. Thiết kế hệ thống phải chống bias này: hiển thị mức chắc chắn, nguồn, lý do, trường hợp cần kiểm tra, so sánh phương án, và nhắc giáo viên dùng bằng chứng khác.

Rủi ro thứ ba là chuẩn hóa quá mức. AI tạo nội dung và kế hoạch bài học có thể làm nhiều lớp học trở nên giống nhau hơn: cùng cấu trúc, cùng ví dụ, cùng giọng văn, cùng kiểu câu hỏi. Chuẩn hóa có thể hữu ích cho chất lượng tối thiểu, nhưng nguy hiểm nếu làm mất bản sắc môn học, bối cảnh địa phương và phong cách giáo viên. Giáo dục cần chuẩn, nhưng cũng cần sự sống của người dạy.

Rủi ro thứ tư là làm mờ trách nhiệm. Nếu AI gợi ý sai và giáo viên dùng, ai chịu trách nhiệm? Nếu trường bắt dùng công cụ, vendor thiết kế mô hình, giáo viên phê duyệt trong 30 giây vì quá tải, và học sinh bị thiệt, trách nhiệm không thể chỉ đặt lên giáo viên. Hệ sinh thái AI cần phân định trách nhiệm: nhà cung cấp chịu trách nhiệm về an toàn, minh bạch và giới hạn; tổ chức chịu trách nhiệm procurement, policy và support; giáo viên chịu trách nhiệm phán đoán trong phạm vi họ có quyền và thông tin; học sinh chịu trách nhiệm khai báo và dùng đúng quy định.

Rủi ro thứ năm là surveillance của giáo viên. AI và analytics có thể đo thời gian phản hồi, số tài nguyên tạo, mức dùng nền tảng, điểm học sinh, tương tác lớp, và nhiều tín hiệu khác. Một số dữ liệu có thể hỗ trợ phát triển chuyên môn. Nhưng nếu dùng để xếp hạng, giám sát vi mô hoặc phạt giáo viên mà không hiểu bối cảnh, nó làm giảm trust. Giáo viên sẽ tối ưu chỉ số hoặc né hệ thống. Dữ liệu nghề nghiệp phải phục vụ học tập nghề, không trở thành cơ chế kiểm soát lạnh.

Rủi ro thứ sáu là PD bị thương mại hóa. Nhiều chương trình đào tạo AI do vendor cung cấp sẽ tự nhiên tập trung vào sản phẩm của họ. Điều này không xấu nếu minh bạch, nhưng không đủ. Giáo viên cần vendor-neutral AI literacy: hiểu nguyên tắc, rủi ro, workflow, đánh giá công cụ, và quyền dữ liệu. Nếu PD chỉ dạy một nền tảng, giáo viên bị khóa vào hệ sinh thái cụ thể và khó chuyển năng lực sang bối cảnh khác.

Rủi ro thứ bảy là “reskilling” trở thành tên gọi mới của việc làm thêm. Giáo viên được yêu cầu học AI, thiết kế lại đánh giá, cập nhật chính sách, kiểm tra dữ liệu, hỗ trợ học sinh, trấn an phụ huynh và vẫn dạy như cũ. Nếu không giảm yêu cầu khác, reskilling sẽ làm kiệt sức. Một tổ chức nghiêm túc phải hỏi: để giáo viên học AI, chúng ta bỏ bớt gì, đơn giản hóa gì, chia sẻ gì, hỗ trợ gì?

Rủi ro thứ tám là bỏ quên giáo viên không nằm trong nhóm tiên phong. Nhiều chương trình AI dựa vào vài giáo viên hào hứng. Họ tạo ví dụ, chia sẻ workshop, thử công cụ. Nhưng mở rộng ra toàn trường cần hỗ trợ nhóm thận trọng, nhóm quá tải, nhóm ít tự tin, nhóm có lo ngại đạo đức chính đáng. Nếu chỉ nghe nhóm tiên phong, chính sách sẽ đánh giá thấp rào cản.

Rủi ro cuối cùng là thay đổi nghề dạy theo hướng ít quan hệ hơn. Nếu AI lấy dần các điểm chạm giữa giáo viên và học sinh như hỏi bài, phản hồi, gợi ý bước tiếp, hỗ trợ cảm xúc nhẹ, giải thích ngoài giờ, giáo viên có thể có thêm thời gian trên giấy nhưng ít hiểu học sinh hơn trong thực tế. Một số điểm chạm mệt nhưng quan trọng. Khi tự động hóa, cần giữ những điểm chạm nuôi quan hệ và phán đoán.

Phản biện ở đây không nhằm giữ nguyên nghề dạy như cũ. Nghề dạy luôn thay đổi theo sách in, bảng đen, radio, truyền hình, máy tính, Internet, LMS và dữ liệu. Vấn đề là thay đổi theo hướng nào. AI nên làm giáo viên thành người thiết kế, người diễn giải, người kết nối và người bảo vệ học tập tốt hơn. Nó không nên làm họ thành người duyệt nội dung máy, quản dashboard và gánh trách nhiệm cho quyết định họ không thật sự kiểm soát.

Nguyên tắc thiết kế

Nguyên tắc thứ nhất: đặt teacher agency thành yêu cầu thiết kế, không phải lợi ích phụ. Mỗi công cụ cần trả lời: giáo viên thấy được gì, quyết định được gì, điều chỉnh được gì, phản hồi được gì, và từ chối được gì? Nếu câu trả lời mơ hồ, công cụ chưa sẵn sàng cho lớp học.

Nguyên tắc thứ hai: phân loại tác vụ theo rủi ro và giá trị nghề nghiệp. Tác vụ rủi ro thấp, tiêu chí rõ, lỗi dễ sửa có thể tự động hóa mạnh hơn. Tác vụ liên quan đến đánh giá, wellbeing, kỷ luật, hỗ trợ người học yếu thế và định hướng học tập phải giữ phán đoán con người ở trung tâm.

Nguyên tắc thứ ba: dùng AI để tăng PCK, không thay PCK. Công cụ nên giúp giáo viên thấy misconception, tạo ví dụ tốt hơn, thiết kế scaffold, phân tích bài làm và chọn can thiệp. Nó không nên chỉ tạo giáo án chung nghe hợp lý.

Nguyên tắc thứ tư: thiết kế PD theo vấn đề dạy học. Bắt đầu từ workflow thật và mục tiêu học, sau đó mới chọn công cụ. PD cần có chu kỳ thử, quan sát, phản tư và sửa; có cộng đồng thực hành; có thời gian chính thức; và có quyền nói về rủi ro.

Nguyên tắc thứ năm: co-design từ đầu. Giáo viên phải tham gia problem framing, workflow mapping, prototyping, pilot, evaluation và scale-up. Sự tham gia phải có quyền ảnh hưởng, có thời gian được công nhận, và có phản hồi quay lại.

Nguyên tắc thứ sáu: đo workload tổng thể. Đánh giá AI bằng toàn bộ quy trình: chuẩn bị, kiểm chứng, tích hợp, truyền thông, can thiệp, sửa lỗi, học sinh dùng kết quả và tác động đến wellbeing giáo viên. Không dùng thời gian tạo bản nháp làm proxy cho giảm tải.

Nguyên tắc thứ bảy: khi thêm AI, bỏ hoặc giảm việc cũ. Nếu mục tiêu là giảm tải, phải chỉ rõ yêu cầu nào được loại bỏ, biểu mẫu nào được gộp, dashboard nào được thay, báo cáo nào được đơn giản hóa. Không có bước này, AI dễ thành lớp việc mới.

Nguyên tắc thứ tám: giữ dữ liệu nghề nghiệp của giáo viên trong logic phát triển, không giám sát. Nếu thu dữ liệu về sử dụng AI của giáo viên, cần minh bạch mục đích, giới hạn truy cập, cách diễn giải, quyền phản hồi và cam kết không dùng chỉ số thô để xếp hạng.

Nguyên tắc thứ chín: thiết kế quyền kiểm chứng. Mọi đề xuất AI quan trọng cần có lý do, nguồn, mức chắc chắn, dấu hiệu giới hạn và cách yêu cầu human review. Giao diện nên khuyến khích phán đoán, không làm giáo viên bấm duyệt trong mù mờ.

Nguyên tắc thứ mười: xây năng lực theo vai trò. Mọi giáo viên cần AI literacy nền tảng. Tổ trưởng chuyên môn cần năng lực dẫn dắt thiết kế và đánh giá. Lãnh đạo cần governance và workload. IT cần dữ liệu, bảo mật và tích hợp. Không dồn mọi năng lực lên từng giáo viên.

Nguyên tắc thứ mười một: bảo vệ bản sắc và giọng nghề nghiệp của giáo viên. AI có thể tạo bản nháp, nhưng tài liệu, phản hồi và hoạt động nên giữ được bối cảnh lớp, phong cách người dạy và quan hệ với học sinh. Sự đều đặn của máy không nên thay sự tinh tế của người.

Nguyên tắc thứ mười hai: pilot như nghiên cứu nhỏ. Trước khi mở rộng, đặt giả thuyết, baseline, tiêu chí, nhóm thử, rủi ro, dữ liệu cần thu, quyền dừng và câu hỏi học được. Pilot không phải bản demo kéo dài. Nó là một cách học có kỷ luật.

Tổng kết chương

Giáo viên là điểm tựa của hệ sinh thái AI trong giáo dục vì họ giữ phán đoán trong bối cảnh. AI có thể giúp họ tạo tài liệu, phản hồi nhanh hơn, nhìn dữ liệu lớp rõ hơn, phân hóa hỗ trợ và học chuyên môn. Nhưng AI cũng có thể làm mòn kỹ năng, tăng giám sát, chuẩn hóa bài học, chuyển trách nhiệm không kèm quyền lực, và tạo workload ẩn.

Teacher agency không chỉ là thái độ cởi mở với công nghệ. Nó gồm quyền thấy, quyền quyết định, quyền điều chỉnh và quyền phản biện. Deskilling không phải số phận tất yếu, nhưng reskilling chỉ xảy ra nếu giáo viên được phát triển năng lực thiết kế, diễn giải dữ liệu, audit AI, điều phối học tập xã hội, thiết kế lại đánh giá và đặt ranh giới. Professional development phải đi theo tiến trình nghề nghiệp, có cộng đồng thực hành và thời gian thật. Co-design phải bắt đầu từ vấn đề của giáo viên và lớp học, không phải từ sản phẩm đã xong. Workload phải được đo tổng thể, vì tiết kiệm một tác vụ không có nghĩa giảm tải thật.

Chương 20 sẽ mở rộng từ giáo viên sang tổ chức học tập: trường học, trung tâm, đại học và doanh nghiệp đào tạo vận hành như hệ thống ra sao; vì sao pilot, change management, implementation science và năng lực tổ chức quyết định công nghệ sống hay chết trong thế giới thật.

Tài liệu tham khảo

Alfredo, R., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024). Human-centred learning analytics and AI in education: A systematic literature review. Computers and Education: Artificial Intelligence, 6, 100215. https://doi.org/10.1016/j.caeai.2024.100215

Brandão, A., Pedro, L., & Zagalo, N. (2024). Teacher professional development for a future with generative artificial intelligence: An integrative literature review. Digital Education Review, 45, 151-157. https://doi.org/10.1344/der.2024.45.151-157

Darling-Hammond, L., Hyler, M. E., & Gardner, M. (2017). Effective Teacher Professional Development. Learning Policy Institute. https://learningpolicyinstitute.org/product/effective-teacher-professional-development-report

Department for Science, Innovation and Technology & Department for Education. (2024). Teachers to get more trustworthy AI tech, helping them mark homework and save time. GOV.UK. https://www.gov.uk/government/news/teachers-to-get-more-trustworthy-ai-tech-as-generative-tools-learn-from-new-bank-of-lesson-plans-and-curriculums-helping-them-mark-homework-and-save

Desimone, L. M. (2009). Improving impact studies of teachers' professional development: Toward better conceptualizations and measures. Educational Researcher, 38(3), 181-199. https://doi.org/10.3102/0013189X08331140

Education Endowment Foundation. (2024). Can using ChatGPT for lesson planning cut teacher workload? https://educationendowmentfoundation.org.uk/news/can-using-chatgpt-for-lesson-planning-cut-teacher-workload

Frøsig, T. B., & Romero, M. (2024). Teacher agency in the age of generative AI: Towards a framework of hybrid intelligence for learning design. arXiv. https://doi.org/10.48550/arXiv.2407.06655

Mah, D.-K., Groß, N., Egloffstein, M., & Prilop, C. N. (2026). Artificial intelligence in K-12 instruction: The role of teacher professional development. Smart Learning Environments, 13, 16. https://doi.org/10.1186/s40561-026-00442-4

Martinez-Maldonado, R., Echeverria, V., & collaborators. (2025). Co-designing AI-powered learning analytics: Bringing students and teachers together. International Journal of Educational Technology in Higher Education. https://doi.org/10.1186/s41239-025-00572-8

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

Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x

Priestley, M., Biesta, G., & Robinson, S. (2015). Teacher Agency: An Ecological Approach. Bloomsbury Academic.

Roe, J., & Perkins, M. (2024). Generative AI and agency in education: A critical scoping review and thematic analysis. arXiv. https://doi.org/10.48550/arXiv.2411.00631

Royal Society of Chemistry. (2024). 44% of teachers have used AI, but workload remains unchanged. https://www.rsc.org/policy-and-campaigning/education/the-science-teaching-survey/44-of-teachers-have-used-ai-but-workload-remains-unchanged

Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching. Educational Researcher, 15(2), 4-14. https://doi.org/10.3102/0013189X015002004

Tan, X., Cheng, K. S., & Ling, M. H. A. (2025). Artificial intelligence in teaching and teacher professional development: A systematic review. Computers and Education: Artificial Intelligence, 8, 100355. https://doi.org/10.1016/j.caeai.2024.100355

Topali, P., Ortega-Arranz, A., Rodriguez-Triana, M. J., Er, E., Khalil, M., & Akçapınar, G. (2024). Designing human-centered learning analytics and artificial intelligence in education solutions: A systematic literature review. Behaviour & Information Technology. https://doi.org/10.1080/0144929X.2024.2345295

Yang, S., & Appleget, C. (2024). An exploration of preservice teachers' perceptions of Generative AI: Applying the technological Acceptance Model. Journal of Digital Learning in Teacher Education, 40(3), 159-172. https://doi.org/10.1080/21532974.2024.2367573