Chương 20: Tổ chức học tập như hệ thống vận hành

Bối cảnh / Vấn đề

Một công nghệ giáo dục không đi vào lớp học như một vật thể độc lập. Nó đi vào lịch học, ngân sách, hạ tầng mạng, quy chế điểm, quan hệ giáo viên-học sinh, kỳ vọng phụ huynh, năng lực IT, dữ liệu sẵn có, thói quen họp tổ chuyên môn, thời gian chuẩn bị bài, cách lãnh đạo ra quyết định, hợp đồng vendor, và cả những kinh nghiệm thất bại trước đó của nhà trường. Vì vậy, cùng một nền tảng có thể tạo tác động ở một nơi và gây mệt mỏi ở nơi khác. Cùng một chatbot có thể trở thành trợ lý học tập trong một chương trình có hướng dẫn rõ, nhưng thành nguồn gian lận hoặc nhiễu trong một chương trình không có thiết kế đánh giá. Cùng một dashboard có thể giúp cố vấn can thiệp sớm ở đại học, nhưng trở thành thêm một màn hình phải xem ở trường phổ thông nếu không có workflow can thiệp.

Các chương trước đã đi từ công nghệ, học tập, đánh giá, dữ liệu, tương tác người-AI, AI literacy và giáo viên. Chương này đổi cấp phân tích: tổ chức học tập như một hệ thống vận hành. Câu hỏi không phải “công cụ này có tốt không?” mà là “tổ chức nào, với mục tiêu nào, dữ liệu nào, năng lực nào, quy trình nào, văn hóa nào, và cơ chế học hỏi nào có thể làm công cụ này sống được?”. Đây là điểm nhiều dự án EdTech bỏ qua. Họ làm pilot nhỏ, thấy kết quả hoặc phản hồi tích cực, rồi kỳ vọng mở rộng tự nhiên. Nhưng mở rộng không phải nhân bản. Mở rộng là thay đổi hệ thống.

Trong giáo dục, thất bại triển khai thường bị đọc sai. Khi một nền tảng không được dùng, người ta nói giáo viên chống đổi mới. Khi dashboard không tạo tác động, người ta nói dữ liệu chưa đủ. Khi học sinh không học sâu hơn, người ta nói công cụ chưa thông minh. Khi AI tạo thêm việc, người ta nói giáo viên chưa được đào tạo. Những nguyên nhân này có thể đúng một phần, nhưng thường bỏ qua tầng tổ chức. Có thể giáo viên không dùng vì công cụ không khớp lịch dạy. Dashboard không tạo tác động vì không có người chịu trách nhiệm can thiệp. Dữ liệu không đủ vì hệ thống thông tin phân mảnh. AI tạo thêm việc vì tổ chức không bỏ quy trình cũ. Đào tạo không hiệu quả vì chỉ diễn ra một lần, không gắn với nhiệm vụ thật.

Chương 19 đã lập luận rằng giáo viên cần agency, professional development, co-design và workload thật được tính đúng. Nhưng giáo viên không thể tự tạo điều kiện triển khai một mình. Một giáo viên có thể thiết kế tốt trong lớp của mình, nhưng nếu LMS không tích hợp, nếu chính sách dữ liệu không rõ, nếu lãnh đạo chỉ đo số lượt dùng, nếu phụ huynh không được truyền thông, nếu hỗ trợ kỹ thuật chậm, nếu tổ chuyên môn không có thời gian, thì đổi mới sẽ phụ thuộc vào nỗ lực cá nhân. Nỗ lực cá nhân có thể tạo điểm sáng, nhưng không tạo hệ thống bền vững.

Implementation science giúp ta đặt tên cho vấn đề này. Bằng chứng về hiệu quả của một can thiệp không tự chuyển thành kết quả khi triển khai. Giữa “có nghiên cứu ủng hộ” và “có tác động trong trường học này” là một chuỗi công việc: chọn đúng vấn đề, kiểm tra fit, chuẩn bị tổ chức, đào tạo, phân vai, hỗ trợ, đo implementation outcomes, học từ dữ liệu, thích nghi với bối cảnh, giữ fidelity với thành phần cốt lõi, và quyết định mở rộng hay dừng. Ryan, Prieto-Rodriguez, Miller và Gore scoping review năm 2024 về implementation science trong mở rộng can thiệp ở trường học cho thấy lĩnh vực này đang tăng nhưng vẫn ở giai đoạn đầu; nghiên cứu còn phân mảnh, thuật ngữ chưa nhất quán, ít điều tra dài hạn, và cần báo cáo rõ bối cảnh, rào cản, thuận lợi, nhiều implementation outcomes và intervention outcomes (Ryan et al., 2024).

Điểm này rất phù hợp với EdTech và AI. Công cụ càng mạnh, triển khai càng không thể ngẫu hứng. AI đụng đến dữ liệu, quyền riêng tư, đánh giá, agency giáo viên, công bằng, workload và niềm tin. Một trường có thể thử một chatbot trong hai tuần và thấy học sinh thích. Nhưng để đưa chatbot vào chương trình chính thức, cần trả lời hàng loạt câu hỏi: mục tiêu học là gì, người học nào dùng, dữ liệu nào được nhập, giáo viên thấy gì, phụ huynh được thông báo ra sao, khi AI sai thì xử lý thế nào, có phương án thay thế không, đánh giá có thay đổi không, học sinh có phụ thuộc không, ai theo dõi tác động sau ba tháng, và điều kiện nào buộc dừng.

Một bài học từ các dự án triển khai công nghệ là “pilot thành công” thường không chứng minh được khả năng mở rộng. Pilot có thêm người hỗ trợ, giáo viên tình nguyện, học sinh được chú ý hơn, thiết bị được chuẩn bị kỹ hơn, vendor phản hồi nhanh hơn, lãnh đạo quan tâm hơn, và novelty effect làm mọi người hào hứng hơn. Khi mở rộng, những điều kiện đó biến mất. Giáo viên không còn tình nguyện mà bị yêu cầu dùng. Lớp đông hơn. Hạ tầng không đồng đều. IT quá tải. Chính sách phát sinh. Dữ liệu bẩn. Tài khoản lỗi. Tính mới giảm. Nếu pilot không đo điều kiện triển khai, nó chỉ là bằng chứng của một bối cảnh đặc biệt.

Vì vậy, chương này bàn về năm vấn đề. Thứ nhất, các loại tổ chức học tập khác nhau có mục tiêu, dữ liệu, ràng buộc và văn hóa khác nhau. Trường phổ thông, trung tâm học thêm, đại học và doanh nghiệp đào tạo không nên dùng cùng một logic triển khai. Thứ hai, implementation science cung cấp ngôn ngữ để đọc pilot, adoption, fidelity, adaptation và scaling. Thứ ba, hiệu quả EdTech phải được hỏi theo công thức “works for whom, under what conditions”, không đọc như thuộc tính cố định của sản phẩm. Thứ tư, change management nhắc rằng công nghệ mới đụng đến thói quen, quyền lực, ngân sách, niềm tin và trách nhiệm. Thứ năm, hệ sinh thái cần support organisations, research-practice partnerships, evidence intermediaries, standards bodies và cộng đồng thực hành, vì từng trường riêng lẻ khó tự làm hết R&D, procurement, evaluation và capacity building.

Nếu chương 19 đặt giáo viên ở trung tâm, chương 20 đặt giáo viên vào tổ chức. Không phải để làm mờ vai trò của họ, mà để tránh đổ lên họ trách nhiệm mà hệ thống phải cùng gánh.

Nền tảng lý thuyết

Nền tảng đầu tiên là tổ chức học tập như một hệ thống phức hợp. Trường học không hoạt động như dây chuyền sản xuất tuyến tính. Một thay đổi nhỏ trong lịch học có thể ảnh hưởng đến chuyên cần, năng lượng giáo viên, thời gian phản hồi, chất lượng họp tổ, và cách phụ huynh cảm nhận. Một dashboard mới không chỉ thêm dữ liệu; nó thay đổi cuộc họp chuyên môn, quyền ra quyết định, cách học sinh bị nhìn thấy, và kỳ vọng can thiệp. Một công cụ AI viết phản hồi không chỉ tiết kiệm chữ; nó thay đổi quan hệ giữa giáo viên, bài làm và học sinh. Vì vậy, triển khai công nghệ trong giáo dục phải được đọc như thay đổi trong một hệ thống xã hội-kỹ thuật (socio-technical system).

Trong hệ thống phức hợp, nguyên nhân không đơn giản. Công cụ A không tạo kết quả B trong mọi nơi. Công cụ tạo cơ chế nào đó, cơ chế ấy chỉ hoạt động khi bối cảnh cho phép. Realist evaluation gọi đây là logic context-mechanism-outcome: một chương trình hiệu quả khi nó kích hoạt cơ chế phù hợp cho nhóm người phù hợp trong điều kiện phù hợp (Pawson & Tilley, 1997). Công thức thực dụng là: “cái gì hiệu quả, cho ai, trong hoàn cảnh nào, vì sao?”. Với EdTech, câu hỏi này mạnh hơn câu hỏi “công cụ có hiệu quả không?”. Một adaptive practice system có thể hiệu quả cho fluency toán ở lớp 5 khi giáo viên dùng dữ liệu mỗi tuần để dạy lại, nhưng không hiệu quả cho transfer nếu chỉ cho học sinh làm bài một mình. Một chatbot viết có thể giúp sinh viên English as an Additional Language diễn đạt rõ hơn trong bài nghiên cứu, nhưng làm yếu năng lực lập luận nếu được dùng trước khi đọc nguồn. Một AI tutor có thể tăng learning gain trong vật lý đại học khi được thiết kế bởi giảng viên và gắn với active learning, nhưng không chắc chuyển sang môn khác, lứa tuổi khác, hoặc bối cảnh thiếu hỗ trợ.

Nền tảng thứ hai là implementation science. Implementation science nghiên cứu cách đưa thực hành dựa trên bằng chứng vào sử dụng thường xuyên trong bối cảnh thật. Các khung như Active Implementation Frameworks (AIF) nhấn mạnh bốn giai đoạn không tuyến tính: Exploration, Installation, Initial Implementation và Full Implementation; cùng các implementation drivers như competency, organization và leadership (Fixsen et al., 2005; Fixsen et al., 2019). Trong giáo dục, các giai đoạn này giúp tránh một sai lầm phổ biến: mua hoặc thử công cụ trước khi hiểu nhu cầu, readiness và năng lực tổ chức.

Exploration không phải xem demo. Nó là giai đoạn hỏi: vấn đề nào đáng giải quyết, dữ liệu hiện tại nói gì, ai bị ảnh hưởng, giải pháp nào có bằng chứng, công cụ có fit với văn hóa và hạ tầng không, rủi ro dữ liệu là gì, và tổ chức có đủ khả năng triển khai không. Installation không phải gửi tài khoản. Nó là chuẩn bị hạ tầng, chính sách, đào tạo, phân vai, tài liệu, hỗ trợ kỹ thuật, quy trình dữ liệu, tiêu chí đánh giá, và thời gian. Initial Implementation là dùng thật trong phạm vi nhỏ, chấp nhận lỗi, hỗ trợ sát, đo và sửa. Full Implementation là khi thực hành mới được tích hợp vào quy trình thường ngày, không phụ thuộc vào vài cá nhân nhiệt tình.

Nordmark và cộng sự năm 2024 báo cáo một dự án bốn năm triển khai hệ thống tài liệu học số và learning analytics dashboards ở K-12 Thụy Điển, dựa trên implementation science và AIF. Sau hai năm pilot, họ nhấn mạnh vai trò của quan điểm giáo viên, co-design công nghệ theo mục tiêu dạy-học, và bác bỏ ý tưởng “one-size-fits-all” hay giải pháp nhanh trong một năm học. Dự án cũng cho thấy những việc tưởng nền như consent, dữ liệu, bảo mật, lịch workshop, thiết bị, kết nối và đội triển khai địa phương có thể là phần tốn thời gian nhất nhưng quyết định tính bền vững (Nordmark et al., 2024). Đây là một case rất gần với tinh thần chương này: công nghệ không sống nhờ tính năng, mà nhờ năng lực triển khai.

Nền tảng thứ ba là improvement science. Nếu implementation science hỏi làm sao đưa một thực hành vào bối cảnh thật, improvement science hỏi làm sao tổ chức học nhanh và có kỷ luật từ thay đổi nhỏ. Bryk và cộng sự mô tả tư duy “learning to improve”: xác định vấn đề cụ thể, hiểu hệ thống tạo ra vấn đề, xây lý thuyết cải tiến, đo lường để học, thử thay đổi qua các chu kỳ nhỏ, và kết nối nhiều đơn vị trong networked improvement communities để tăng tốc học hỏi (Bryk et al., 2015). Trong EdTech, improvement science giúp tránh hai cực đoan: một bên là triển khai đại trà quá sớm; bên kia là pilot mãi không học được gì chung. Thay đổi nhỏ có đo lường tốt có thể tạo tri thức triển khai tốt hơn nhiều so với demo lớn nhưng không có vòng học.

Nền tảng thứ tư là diffusion of innovations và change management. Rogers cho thấy đổi mới lan truyền qua nhận thức về lợi thế tương đối, mức tương thích, độ phức tạp, khả năng thử nghiệm và khả năng quan sát kết quả (Rogers, 2003). Trong trường học, giáo viên không chỉ hỏi công cụ có hay không. Họ hỏi nó có tốt hơn cách hiện tại không, có khớp mục tiêu của tôi không, có dễ thử không, có làm tôi mất mặt trước lớp không, có ai giúp khi lỗi không, kết quả có thấy được không. Fullan nhấn mạnh thay đổi giáo dục là quá trình xã hội phức tạp, trong đó ý nghĩa của thay đổi phải được xây dựng bởi người tham gia, không thể chỉ truyền xuống từ kế hoạch (Fullan, 2016). AI càng làm điều này rõ hơn: chính sách “hãy dùng AI có trách nhiệm” không tạo thay đổi nếu giáo viên và người học chưa cùng xây nghĩa của “có trách nhiệm” trong hoạt động thật.

Nền tảng thứ năm là evidence-informed practice. Education Endowment Foundation bản hướng dẫn năm 2024 về implementation trong trường học định nghĩa implementation như việc ra và hành động theo các quyết định dựa trên bằng chứng; đồng thời nhấn mạnh bằng chứng không tự tạo cải thiện nếu không có hạ tầng thực hành, thời gian, nguồn lực và tương tác xã hội trong trường (Sharples, Eaton, & Boughelaf, 2024). EEF cũng tổ chức quy trình thành các giai đoạn Explore, Prepare, Deliver và Sustain. Với EdTech, điều này nghĩa là bằng chứng phải đi qua bối cảnh trường, chuyên môn giáo viên và dữ liệu nội bộ, thay vì được dùng như tem marketing.

Nền tảng thứ sáu là human-centred và participatory design ở cấp tổ chức. Chương 19 đã bàn co-design với giáo viên. Ở cấp tổ chức, co-design mở rộng thành stakeholder governance: giáo viên, học sinh, phụ huynh, IT, lãnh đạo, chuyên gia dữ liệu, bộ phận pháp lý, nhà cung cấp, và đôi khi cơ quan quản lý đều có quyền lợi và rủi ro khác nhau. CIRCLS Emerging Technology Adoption Framework cho PK-12 nhấn mạnh việc đưa lãnh đạo, chuyên viên công nghệ, giáo viên, học sinh và gia đình vào ba giai đoạn: initial evaluation, adoption và post-adoption (Ruiz et al., 2022). Điểm quan trọng không phải tên khung, mà là nguyên tắc: procurement và adoption là quá trình cộng đồng, không chỉ là quyết định mua.

Các nền tảng này dẫn đến một quan điểm chung: EdTech không phải “giải pháp” cắm vào tổ chức. Nó là một can thiệp vào hệ thống. Muốn có tác động, tổ chức phải học cách vận hành, thích nghi, đo lường và chịu trách nhiệm.

Các loại tổ chức học tập

Không có “tổ chức giáo dục” chung. Trường phổ thông, trung tâm học thêm, đại học, doanh nghiệp đào tạo, nền tảng trực tuyến đại chúng, tổ chức phi lợi nhuận và cơ quan quản lý giáo dục có mục tiêu và ràng buộc khác nhau. Nếu thiết kế và triển khai AI như nhau cho tất cả, ta sẽ bỏ qua điều kiện tạo tác động.

Trường phổ thông là tổ chức vừa dạy kiến thức, vừa chăm sóc xã hội, vừa thực hiện nghĩa vụ công. Người học thường là trẻ em và vị thành niên, dữ liệu nhạy cảm, phụ huynh có vai trò lớn, chương trình và đánh giá bị quản lý chặt, giáo viên chịu workload cao, ngân sách hạn chế, và công bằng là yêu cầu trung tâm. Trong trường phổ thông, AI không thể chỉ được đánh giá bằng learning gain ngắn hạn. Nó phải được đánh giá bằng an toàn dữ liệu, phù hợp lứa tuổi, tác động đến quan hệ lớp học, khả năng hỗ trợ giáo viên, accessibility, fairness, và khả năng vận hành trong lịch học dày. Một chatbot có thể rất hữu ích cho luyện viết, nhưng nếu học sinh dưới 13 tuổi dùng tài khoản cá nhân không rõ dữ liệu, trường đã tạo rủi ro vượt quá lợi ích.

Trường phổ thông cũng có đặc điểm là thay đổi phải đi qua tập thể giáo viên. Một giáo viên tiên phong có thể tạo hoạt động tốt, nhưng học sinh đi qua nhiều môn, nhiều giáo viên và nhiều quy định. Nếu môn này cấm AI, môn kia cho dùng tự do, môn khác yêu cầu khai báo nhưng không có mẫu, người học sẽ học luật ngầm chứ không học AI literacy. Vì vậy, triển khai AI ở phổ thông cần tối thiểu một baseline chung: chính sách dữ liệu, hướng dẫn khai báo, hoạt động mẫu theo cấp học, professional development, kênh phụ huynh, và cơ chế hỗ trợ kỹ thuật.

Trung tâm học thêm và tổ chức đào tạo ngoài trường có logic khác. Họ thường bị áp lực kết quả ngắn hạn, sự hài lòng của phụ huynh, giữ chân học viên, lịch linh hoạt, chi phí vận hành và cạnh tranh thị trường. AI ở đây dễ được dùng để tạo nội dung nhanh, cá nhân hóa bài luyện, báo cáo tiến độ, chatbot chăm sóc học viên, hoặc tối ưu lịch học. Lợi thế là tốc độ thử nghiệm nhanh hơn trường công, dữ liệu tập trung hơn, và quy trình có thể thay đổi linh hoạt hơn. Rủi ro là đo lường dễ bị kéo về điểm số ngắn hạn, thời lượng học, tỷ lệ tái đăng ký và marketing. Nếu không có chuẩn sư phạm, AI có thể làm drill dày hơn, báo cáo đẹp hơn, nhưng không tạo hiểu sâu.

Với trung tâm, câu hỏi triển khai nên là: AI có giúp giáo viên thấy lỗi học viên rõ hơn không, có giúp phụ huynh hiểu tiến bộ thật không, có giảm chênh lệch hỗ trợ giữa học viên trả gói khác nhau không, có giữ được chất lượng khi mở rộng không, và có tránh biến học tập thành tối ưu retention không. Một trung tâm dùng AI nghiêm túc cần định nghĩa learning outcomes vượt qua “làm thêm nhiều bài”, có rubric chất lượng feedback, audit nội dung, và training giáo viên theo mục tiêu học chứ không chỉ theo sales promise.

Đại học lại có ràng buộc khác. Người học trưởng thành hơn, tự chủ hơn, nhưng nhiệm vụ học phức tạp hơn: nghiên cứu, viết học thuật, lab, studio, seminar, internship, chuyên môn nghề nghiệp, academic integrity và chuẩn ngành. Đại học có nhiều quyền tự chủ học thuật, nhưng cũng phân mảnh mạnh theo khoa, môn, giảng viên, hệ thống LMS, thư viện, phòng khảo thí, trung tâm hỗ trợ học tập và quy chế. AI trong đại học chạm trực tiếp vào đánh giá, nghiên cứu, xuất bản, đạo văn, năng lực nghề và chuẩn kiểm định.

Triển khai AI ở đại học không thể chỉ ban hành chính sách từ trung tâm. Một khoa Luật cần quy định khác khoa Mỹ thuật, khoa Y, khoa Kỹ thuật, khoa Ngôn ngữ hay khoa Kinh doanh. Có bài cần cấm AI để đo năng lực độc lập. Có bài cần cho AI để đo năng lực nghề nghiệp trong môi trường có công cụ. Có bài cần oral defense. Có bài cần process portfolio. Đại học cần một khung chung về integrity, dữ liệu và disclosure, nhưng phải cho phép từng ngành cụ thể hóa. Nếu không, chính sách sẽ hoặc quá chung, hoặc quá cứng.

Doanh nghiệp đào tạo và learning and development trong tổ chức có logic khác nữa. Mục tiêu thường gắn với năng lực công việc, hiệu suất, compliance, onboarding, reskilling, knowledge management và chuyển giao vào hành vi. Người học là nhân viên có thời gian hạn chế. Dữ liệu học tập có thể liên quan đến đánh giá hiệu suất, thăng tiến hoặc rủi ro pháp lý. AI có thể hỗ trợ tạo microlearning, job aids, simulation, coaching, search tri thức nội bộ, phân tích skill gaps, và cá nhân hóa lộ trình. Nhưng rủi ro là học tập bị đồng nhất với productivity, dữ liệu học tập bị dùng để giám sát nhân viên, và nội dung AI không khớp thực hành công việc.

Trong doanh nghiệp, hiệu quả AI training không nên đo chỉ bằng completion rate hay quiz. Cần đo transfer vào công việc, giảm lỗi, tăng chất lượng quyết định, giảm thời gian onboarding, an toàn, compliance thật, và phản hồi từ quản lý trực tiếp. Một AI coach cho nhân viên bán hàng có thể cải thiện rehearsal, nhưng nếu script không phù hợp văn hóa khách hàng hoặc bị dùng để theo dõi từng câu nói, nó có thể gây phản tác dụng. Một enterprise knowledge chatbot có thể tiết kiệm thời gian tìm tài liệu, nhưng nếu tri thức nội bộ lỗi thời, chatbot chỉ phân phối lỗi nhanh hơn.

Nền tảng học trực tuyến quy mô lớn, như MOOC hoặc app tự học, có một cấu trúc khác: ít quan hệ trực tiếp, nhiều dữ liệu hành vi, chi phí biên thấp, khả năng A/B testing cao, nhưng retention thấp và transfer khó kiểm chứng. AI có thể giúp tutoring, feedback, community moderation và personalization. Tuy nhiên, tổ chức loại này cần đặc biệt chú ý đến metric trap. Nếu tối ưu completion, hệ thống có thể làm bài dễ hơn. Nếu tối ưu engagement, nó có thể kéo dài thời gian màn hình. Nếu tối ưu conversion, nó có thể làm giáo dục bị kéo về growth funnel. Một nền tảng học trực tuyến nghiêm túc cần tách metric vận hành khỏi metric học tập: số lượt quay lại không thay thế được delayed transfer.

Tổ chức phi lợi nhuận và dự án phát triển giáo dục thường có mục tiêu công bằng, tiếp cận, vùng khó khăn, người học yếu thế hoặc hệ thống công. Họ có thể đóng vai trò quan trọng trong thử nghiệm và hỗ trợ triển khai, nhưng cũng đối mặt với ràng buộc tài trợ ngắn hạn, đo lường theo donor, và nguy cơ dự án kết thúc khi funding kết thúc. AI trong bối cảnh này phải được thiết kế cho sustainability: ai vận hành sau dự án, dữ liệu ở đâu, giáo viên địa phương có năng lực tiếp tục không, chi phí license năm sau thế nào, có bản offline không, có phù hợp ngôn ngữ địa phương không.

Cuối cùng là cơ quan quản lý và hệ thống giáo dục cấp vùng/quốc gia. Họ không trực tiếp dạy từng bài, nhưng quyết định chuẩn dữ liệu, procurement, chính sách quyền riêng tư, khung năng lực, hạ tầng, funding, đánh giá và quy mô. Nếu cấp hệ thống mua một nền tảng AI chung mà không có pilot, local adaptation và quyền phản hồi của trường, rủi ro rất lớn. Ngược lại, nếu cấp hệ thống chỉ để từng trường tự lo, bất bình đẳng sẽ tăng. Vai trò đúng của cấp hệ thống là tạo chuẩn bảo vệ, hạ tầng chung, nguồn lực hỗ trợ, dữ liệu liên thông, danh mục công cụ được kiểm định, và không gian cho địa phương hóa.

Sự khác nhau giữa các tổ chức dẫn đến một nguyên tắc: không đánh giá AI bằng cùng một bộ tiêu chí phẳng. Cùng là chatbot, ở tiểu học cần age-appropriateness và phụ huynh; ở đại học cần academic integrity; ở doanh nghiệp cần bảo mật tri thức nội bộ; ở nền tảng mở cần moderation và scale; ở trung tâm cần tránh tối ưu retention thay học tập. Công nghệ giống nhau, nhưng hệ thống vận hành khác nhau.

Implementation Science

Implementation science đưa vào EdTech một kỷ luật thường thiếu: phân biệt innovation outcomes, implementation outcomes và learning outcomes. Một công cụ có thể được triển khai đúng nhưng không cải thiện học tập vì lý thuyết sư phạm sai. Một công cụ có thể có lý thuyết tốt nhưng không tạo tác động vì triển khai kém. Một công cụ có thể cải thiện điểm ở nhóm nhỏ nhưng không mở rộng vì thiếu hạ tầng. Nếu không phân biệt các tầng này, tổ chức sẽ không biết sửa cái gì.

Innovation outcomes trả lời: công cụ hoặc can thiệp có thiết kế đúng không, tính năng có hoạt động không, nội dung có đúng không, UX có dùng được không. Implementation outcomes trả lời: công cụ có được chấp nhận không, được dùng đến đâu, dùng có fidelity không, có phù hợp bối cảnh không, chi phí ra sao, có bền vững không, có mở rộng được không. Learning outcomes trả lời: người học có hiểu sâu hơn, nhớ lâu hơn, transfer tốt hơn, tự điều chỉnh tốt hơn, hoàn thành tốt hơn, hoặc wellbeing tốt hơn không. Một báo cáo EdTech nghiêm túc phải có cả ba, không chỉ learning gain hoặc usage.

Pilot nên được thiết kế để học về cả ba tầng. Một pilot tệ hỏi: “người dùng có thích không?”. Một pilot tốt hỏi: vấn đề ban đầu là gì; công cụ kích hoạt cơ chế học nào; ai dùng; dùng khi nào; giáo viên cần hỗ trợ gì; dữ liệu có đủ không; lỗi nào xuất hiện; workload thay đổi ra sao; nhóm nào hưởng lợi; nhóm nào gặp rào cản; điều kiện nào cần để mở rộng; nếu dừng thì vì sao. Pilot không phải buổi trình diễn nhỏ. Nó là một thí nghiệm triển khai có trách nhiệm.

Giai đoạn Exploration nên bắt đầu bằng problem diagnosis. Ví dụ, trường nói muốn mua AI tutor vì “học sinh yếu toán”. Nhưng chẩn đoán có thể cho thấy vấn đề không phải thiếu giải thích, mà là học sinh không luyện truy hồi, giáo viên không có dữ liệu lỗi kịp thời, bài tập về nhà không được làm vì thiếu thiết bị, hoặc chương trình chạy quá nhanh. Nếu nguyên nhân là thiếu thiết bị ở nhà, AI tutor online không giải quyết. Nếu nguyên nhân là thiếu feedback trong lớp, một công cụ phân tích lỗi cho giáo viên có thể phù hợp hơn. Nếu nguyên nhân là anxiety và mất niềm tin, cần hỗ trợ quan hệ, không chỉ bài luyện.

Exploration cũng cần fit assessment. Fit gồm nhiều lớp: mục tiêu học, chương trình, age, ngôn ngữ, dữ liệu, thiết bị, bandwidth, thời gian giáo viên, luật riêng tư, chính sách đánh giá, văn hóa lớp, phụ huynh, và chi phí. CIRCLS framework đặt initial evaluation như giai đoạn hỏi nhiều stakeholder trước khi adoption (Ruiz et al., 2022). Với AI, fit assessment nên thêm câu hỏi: mô hình dùng dữ liệu gì, có lưu prompt không, có dùng dữ liệu học sinh để huấn luyện không, có hỗ trợ ngôn ngữ địa phương không, có human override không, có audit log không, có giải thích giới hạn không, và có thể xuất dữ liệu khi rời vendor không.

Giai đoạn Installation là nơi nhiều dự án thất bại dù chưa “triển khai” theo nghĩa lớp học. Installation gồm thiết lập tài khoản, tích hợp LMS/SIS, phân quyền, consent, chính sách dữ liệu, chuẩn khai báo, tài liệu hướng dẫn, lịch training, helpdesk, quy trình xử lý lỗi, baseline data, và tiêu chí đo. Nếu bỏ qua, Initial Implementation sẽ biến thành chữa cháy. Nordmark và cộng sự cho thấy trong dự án Thụy Điển, những việc như data collection, data sharing, storage, consent nhiều ngôn ngữ, GDPR, hệ thống tự động upload dữ liệu và đội triển khai địa phương tốn nhiều thời gian nhưng là bước cốt lõi (Nordmark et al., 2024).

Initial Implementation là giai đoạn dễ lộn xộn. Người dùng gặp lỗi. Giả định sai lộ ra. Giáo viên cần hỗ trợ gần hơn dự kiến. Học sinh dùng công cụ theo cách không lường trước. Dữ liệu thiếu. Phụ huynh hỏi. Vendor cần sửa. Đây không phải dấu hiệu thất bại, mà là bản chất của triển khai thật. AIF nhấn mạnh các giai đoạn không tuyến tính và có thể cần quay lại hoạt động trước đó khi đánh giá cho thấy vấn đề (Fixsen et al., 2019). Tổ chức triển khai tốt không cố che lỗi; họ tạo vòng học nhanh.

Full Implementation chỉ nên được công bố khi thực hành mới không còn phụ thuộc vào nhóm dự án đặc biệt. Giáo viên mới vào trường được onboarding. Tài liệu được cập nhật. Dữ liệu ổn định. Hỗ trợ kỹ thuật có SLA rõ. Quy trình can thiệp nằm trong lịch làm việc. Chính sách được hiểu. Tác động được theo dõi. Chi phí nằm trong ngân sách thường xuyên. Nếu chỉ có vài giáo viên tiên phong dùng tốt, đó chưa phải full implementation.

Fidelity và adaptation là cặp khái niệm rất quan trọng. Fidelity nghĩa là giữ các thành phần cốt lõi của can thiệp. Adaptation nghĩa là điều chỉnh cho phù hợp bối cảnh. Trong EdTech, nếu không giữ fidelity, công cụ có thể bị dùng sai cơ chế học. Một AI tutor thiết kế theo scaffold có thể bị dùng như máy cho đáp án. Một formative assessment platform có thể bị dùng như bài kiểm tra điểm số. Một dashboard can thiệp sớm có thể bị dùng để xếp hạng lớp. Nhưng nếu không adaptation, công cụ sẽ không khớp địa phương. Một bộ tài liệu tiếng Anh dịch máy sang tiếng Việt, một workflow thiết kế cho lớp 20 học sinh áp vào lớp 45 học sinh, hay một chính sách AI đại học áp vào tiểu học đều có thể thất bại.

Lovett và cộng sự năm 2024, trong bài về adaptation trong chương trình social and emotional learning, cho rằng cần vượt qua cách nhìn fidelity đơn giản để hiểu cảnh quan adaptation của giáo viên (Lovett et al., 2024). Bài học cho EdTech là: không phải mọi adaptation đều là “làm sai”. Có adaptation giữ cơ chế cốt lõi và tăng fit. Có adaptation phá cơ chế. Tổ chức cần phân biệt. Ví dụ, giáo viên thay ví dụ trong AI lesson plan cho phù hợp địa phương là adaptation tốt. Giáo viên bỏ phần self-explanation vì thiếu thời gian trong một bài học mục tiêu reasoning có thể phá cơ chế học.

Một cách thực dụng là xác định “core components” và “adaptable periphery”. Core components là phần phải giữ để can thiệp có cơ chế học. Với spaced repetition, core là lịch truy hồi có khoảng cách và yêu cầu nhớ lại trước khi xem đáp án; periphery là giao diện, ngữ cảnh câu hỏi, thời lượng phiên. Với AI feedback, core có thể là phản hồi theo tiêu chí, cơ hội sửa, và phản tư uptake; periphery là giọng văn, số lượng nhận xét, vị trí trong LMS. Với dashboard can thiệp sớm, core là cảnh báo dẫn đến hành động hỗ trợ có người chịu trách nhiệm; periphery là màu sắc biểu đồ hoặc cách nhóm dữ liệu. Nếu không định nghĩa core, fidelity trở thành “dùng đúng sản phẩm” thay vì “giữ đúng cơ chế”.

Implementation outcomes cần được đo. Proctor và cộng sự trong implementation science thường nêu các outcomes như acceptability, adoption, appropriateness, feasibility, fidelity, cost, penetration và sustainability (Proctor et al., 2011). Trong EdTech, có thể dịch thành: người dùng có chấp nhận không; công cụ có được đưa vào thực hành không; có phù hợp vấn đề không; có khả thi trong lịch và hạ tầng không; có được dùng đúng cơ chế không; chi phí đầy đủ là gì; tỷ lệ lớp/môn dùng ra sao; có bền sau khi dự án kết thúc không. Nếu chỉ đo learning outcomes mà không đo implementation outcomes, ta không biết vì sao kết quả tốt hoặc xấu.

Ryan và cộng sự năm 2024 cho thấy trong nghiên cứu scaling ở trường học, chỉ khoảng hai phần ba nghiên cứu báo cáo implementation outcome, và một phần ba trong số đó chỉ báo cáo một outcome; họ kêu gọi báo cáo nhiều outcomes, bối cảnh, rào cản, thuận lợi và intervention outcomes để vượt qua đo fidelity đơn thuần (Ryan et al., 2024). Với AI education, đây là cảnh báo sớm. Nếu các nghiên cứu và pilot chỉ báo cáo điểm số hoặc satisfaction, hệ thống sẽ học sai.

Implementation science không làm triển khai chậm đi vì quan liêu. Nó làm rõ việc nào phải làm trước để tránh chậm hơn về sau. Một tháng chuẩn bị dữ liệu, policy và support có thể tiết kiệm sáu tháng chữa cháy. Một pilot nhỏ có baseline tốt có thể tránh mua nhầm sản phẩm toàn hệ thống. Một quyết định dừng sớm dựa trên bằng chứng là thành công quản trị, không phải thất bại hình ảnh.

Works For Whom, Under What Conditions

Hiệu quả EdTech không phải thuộc tính cố định của sản phẩm. Nó là quan hệ giữa sản phẩm, người học, giáo viên, môn học, nhiệm vụ, hạ tầng, dữ liệu, thời gian và tổ chức. Vì vậy, một câu hỏi triển khai tốt luôn có dạng: công cụ này hiệu quả cho ai, trong điều kiện nào, qua cơ chế nào, so với baseline nào, với chi phí và rủi ro nào?

Người học khác nhau hưởng lợi khác nhau. Một AI writing assistant có thể giúp người học có ý tưởng nhưng yếu diễn đạt. Nhưng với người học chưa biết lập luận, nó có thể tạo văn bản trơn tru che mất khoảng trống tư duy. Một tutor toán có thể giúp học sinh thiếu fluency luyện tập thêm, nhưng với học sinh đã hiểu, nó có thể nhàm chán nếu không có nhiệm vụ transfer. Một công cụ dịch có thể mở quyền tham gia cho người học đa ngôn ngữ, nhưng cũng có thể làm họ ít luyện ngôn ngữ học thuật nếu không có scaffold. Một dashboard cảnh báo có thể giúp cố vấn phát hiện người học im lặng, nhưng cũng có thể gắn nhãn sai người học nghèo vì dữ liệu online ít.

Môn học khác nhau cần cơ chế khác nhau. Trong toán cơ bản, drill có feedback tức thời có thể hữu ích cho fluency. Trong lịch sử, vấn đề là nguồn, bối cảnh, quan điểm và lập luận, nên AI cần hỗ trợ kiểm chứng và tranh luận, không chỉ trả lời. Trong lập trình, AI có thể giúp debug, nhưng nếu người học nhận code hoàn chỉnh quá sớm, họ mất cơ hội đọc lỗi. Trong nghệ thuật, AI tạo hình có thể mở thử nghiệm, nhưng câu hỏi quyền tác giả và phong cách trở nên trung tâm. Trong y khoa, mô phỏng AI có thể luyện quyết định, nhưng chuẩn an toàn và supervision cao hơn nhiều. Không có thiết kế “AI học tập” chung cho mọi môn.

Giáo viên khác nhau cũng tạo điều kiện khác nhau. Một giáo viên có PCK mạnh có thể dùng AI như cộng sự thiết kế và vẫn kiểm soát chất lượng. Một giáo viên mới có thể bị cuốn theo đầu ra trôi chảy. Một tổ chuyên môn có văn hóa phân tích bài làm sẽ biến dashboard thành cuộc thảo luận học tập. Một tổ chỉ họp để hoàn thành biên bản sẽ biến dashboard thành báo cáo. Nói một công cụ “hiệu quả” mà không nói giáo viên được hỗ trợ thế nào là thiếu một nửa cơ chế.

Hạ tầng và thời gian quyết định nhiều hơn người ta tưởng. Một app adaptive tốt trên giấy sẽ thất bại nếu lớp chỉ có thiết bị chia sẻ, mạng chập chờn, tai nghe thiếu, đăng nhập phức tạp, hoặc giáo viên mất 10 phút đầu giờ xử lý kỹ thuật. Một hệ thống AI feedback có thể hữu ích nếu học sinh có thời gian sửa bài sau phản hồi; nếu chương trình chạy tiếp ngay, feedback chỉ là thông tin chết. Một chatbot hỗ trợ tự học có thể tốt nếu người học có không gian học cá nhân; nếu học sinh ở nhà phải dùng điện thoại chung và không có dữ liệu di động, thiết kế ấy làm tăng bất bình đẳng.

Thời lượng và novelty effect cũng quan trọng. Nhiều nghiên cứu EdTech ngắn hạn đo engagement hoặc điểm ngay sau can thiệp. Nhưng giáo dục quan tâm retention, transfer và thói quen bền. Một công cụ mới có thể tạo hứng thú trong hai tuần đầu. Sau đó, nếu nhiệm vụ nông hoặc workload tăng, tác động giảm. Vì vậy, tổ chức cần đo delayed outcomes, usage sau novelty, và cách công cụ trở thành thói quen hoặc bị bỏ.

Baseline quyết định cách đọc hiệu quả. So AI tutor với không hỗ trợ sẽ dễ có kết quả tích cực. So với giáo viên giỏi dùng formative assessment, kết quả có thể khác. So AI feedback với không feedback khác với so AI feedback với peer feedback có rubric. So dashboard với không dữ liệu khác với so dashboard với cuộc họp tổ chuyên môn phân tích bài làm. Benchmark đúng không nhất thiết là so AI với con người theo nghĩa thi đấu. Benchmark đúng là so với thực hành hiện tại hoặc phương án khả thi tốt nhất trong cùng điều kiện.

Chi phí cũng phải đọc theo điều kiện. License chỉ là một phần. Chi phí đầy đủ gồm thiết bị, tích hợp, training, thời gian giáo viên, hỗ trợ kỹ thuật, bảo mật, data governance, migration, nội dung địa phương hóa, đánh giá tác động, và exit plan. Một công cụ rẻ nhưng cần nhiều giờ giáo viên kiểm tra có thể đắt hơn công cụ đắt nhưng tích hợp tốt và giảm quy trình cũ. Một nền tảng miễn phí có thể trả bằng dữ liệu, lock-in hoặc quảng cáo. Chương 22 sẽ đi sâu vào kinh tế học EdTech, nhưng ở đây cần nhớ: chi phí triển khai là điều kiện hiệu quả.

Tác động phụ phải được tính vào câu hỏi “works”. Một công cụ tăng điểm quiz nhưng làm người học phụ thuộc hint không hẳn là thành công. Một AI writing tool tăng chất lượng văn bản nộp nhưng làm giáo viên không biết năng lực thật của người học là gì. Một dashboard giảm dropout nhưng làm cố vấn giám sát quá mức. Một hệ thống proctoring giảm gian lận bề mặt nhưng tăng lo âu và sai lệch với người học khuyết tật. Hiệu quả giáo dục không thể tách khỏi agency, equity, wellbeing và trust.

Một cách viết câu hỏi đánh giá tốt là:

1. Với nhóm người học nào? 2. Trong môn học và nhiệm vụ nào? 3. Với giáo viên có mức hỗ trợ nào? 4. Trong hạ tầng và chính sách dữ liệu nào? 5. Qua cơ chế học tập nào? 6. So với baseline nào? 7. Trong thời gian bao lâu? 8. Đo outcome nào, ngay sau và trì hoãn? 9. Tác động phụ nào xuất hiện? 10. Chi phí đầy đủ và điều kiện mở rộng là gì?

Ví dụ, thay vì nói “AI tutor cải thiện học toán”, một câu nghiêm túc hơn là: “Trong lớp 6, với học sinh yếu fluency phân số, khi giáo viên dùng báo cáo lỗi mỗi tuần để dạy lại 15 phút, AI tutor có giúp tăng độ chính xác và retention sau bốn tuần so với bài luyện giấy có feedback giáo viên không, và workload giáo viên thay đổi ra sao?”. Câu hỏi dài hơn, nhưng có ích hơn.

Realist evaluation hữu ích vì nó không thất vọng khi kết quả khác nhau giữa bối cảnh. Nó xem heterogeneity là dữ liệu. Nếu công cụ hiệu quả ở trường A nhưng không ở trường B, câu hỏi không phải trường nào “đúng”, mà là cơ chế nào được kích hoạt ở A và bị chặn ở B. Có thể A có tổ chuyên môn tốt hơn. Có thể B thiếu thiết bị. Có thể giáo viên A dùng AI như scaffold, giáo viên B dùng như đáp án. Có thể học sinh A có nền tảng khác. Tri thức triển khai nằm ở khác biệt này.

Đối với AI, câu hỏi “works for whom” còn phải đi vào bias và cultural validity. Một mô hình tạo phản hồi có thể tốt với bài viết tiếng Anh chuẩn, nhưng yếu với người học đa ngôn ngữ. Một speech-to-text có thể tốt với giọng chuẩn nhưng kém với vùng miền. Một tutor có thể tốt với chương trình Mỹ nhưng lệch với chương trình Việt Nam. Một AI detector có thể sai với người học viết tiếng Anh như ngôn ngữ thứ hai. Nếu chỉ báo cáo accuracy trung bình, tổ chức sẽ bỏ qua nhóm chịu rủi ro.

Vì vậy, hiệu quả EdTech cần được đọc như bản đồ điều kiện, không như huy hiệu sản phẩm. Một sản phẩm có thể là “promising” trong một vùng điều kiện, “not ready” trong vùng khác, và “harmful” trong vùng rủi ro cao. Tổ chức trưởng thành không hỏi vendor “sản phẩm có hiệu quả không?”, mà hỏi “bằng chứng của các ông bà nằm ở bối cảnh nào, nhóm người học nào, điều kiện triển khai nào, và chúng tôi cần kiểm thử gì trước khi dùng cho bối cảnh của mình?”.

Change Management

Công nghệ mới đụng đến thói quen, quyền lực, ngân sách, niềm tin và trách nhiệm. Vì vậy, change management trong EdTech không phải truyền thông “sắp có công cụ mới” và tổ chức tập huấn. Nó là quá trình thiết kế điều kiện để con người thay đổi thực hành mà không mất ý nghĩa nghề nghiệp, không bị quá tải, và không bị buộc tin vào hệ thống họ không hiểu.

Thói quen là lực mạnh. Giáo viên đã có cách soạn bài, giao bài, chấm, liên hệ phụ huynh, ghi chú, họp tổ, và xử lý ngoại lệ. Học sinh đã có cách làm bài, hỏi bạn, đối phó deadline, dùng công cụ ngoài trường. Phụ huynh đã có kênh liên lạc quen. Nhân viên IT đã có quy trình xử lý ticket. Lãnh đạo đã có mẫu báo cáo. Một công nghệ mới chen vào các thói quen này. Nếu nó không thay thế cái cũ mà chỉ thêm cái mới, tổ chức sẽ phản ứng bằng cách dùng bề mặt, né tránh hoặc làm song song.

Quyền lực cũng thay đổi. Dashboard có thể làm lãnh đạo nhìn thấy dữ liệu lớp nhanh hơn, nhưng cũng làm giáo viên cảm thấy bị giám sát. AI assessment có thể làm bộ phận khảo thí kiểm soát rubric tốt hơn, nhưng làm giảng viên mất quyền chấm. Chatbot hỗ trợ học sinh có thể chuyển một phần quan hệ học tập từ giáo viên sang nền tảng. Procurement tập trung có thể tiết kiệm chi phí, nhưng làm từng khoa hoặc trường mất quyền chọn. Nếu không nói rõ quyền lực thay đổi thế nào, tổ chức sẽ có kháng cự ngầm.

Ngân sách tạo trade-off. Mua license AI nghĩa là không mua thứ khác, hoặc cần tăng học phí, hoặc cần cắt thời gian hỗ trợ. Một công cụ có thể rẻ trong năm đầu vì khuyến mãi, rồi đắt ở năm ba khi dữ liệu và quy trình đã khóa. Một triển khai nghiêm túc cần ngân sách cho training, support, evaluation và maintenance, không chỉ license. Nếu ngân sách chỉ đủ mua sản phẩm nhưng không đủ triển khai, sản phẩm sẽ bị đổ lỗi cho thất bại mà thật ra lỗi nằm ở thiết kế tài chính.

Niềm tin là tài sản triển khai. Giáo viên cần tin rằng công cụ phục vụ học tập, không phải giám sát họ. Học sinh cần tin rằng dữ liệu của mình không bị dùng bất công. Phụ huynh cần tin rằng nhà trường hiểu rủi ro. Lãnh đạo cần tin rằng giáo viên sẽ dùng phán đoán nghề nghiệp. Vendor cần bị buộc vào trách nhiệm minh bạch. Niềm tin không đến từ khẩu hiệu. Nó đến từ quy trình: tham vấn sớm, giải thích dữ liệu, pilot nhỏ, báo cáo lỗi, quyền phản hồi, quyết định dừng khi cần, và sự nhất quán giữa lời nói với chỉ số đánh giá.

Trách nhiệm phải được phân định. Khi AI đề xuất can thiệp, ai xem? Khi cảnh báo bị bỏ qua, ai chịu trách nhiệm? Khi AI phản hồi sai, ai sửa? Khi học sinh khiếu nại điểm, ai quyết định? Khi dữ liệu bị rò rỉ, ai thông báo? Khi công cụ không đáp ứng accessibility, ai xử lý? Nếu trách nhiệm không rõ, người dùng tuyến đầu thường gánh. Change management tốt phải viết workflow trách nhiệm trước khi mở rộng.

Một mô hình thay đổi thực dụng có thể đi qua sáu bước.

Bước một: tạo narrative vấn đề, không narrative công nghệ. Thay vì “năm nay trường triển khai AI”, hãy nói “chúng ta đang có ba vấn đề: phản hồi đến chậm, học sinh dùng AI không rõ ranh giới, và giáo viên mất nhiều thời gian tạo tài liệu phân hóa. Chúng ta sẽ thử công cụ A để giải quyết phần nào, với tiêu chí rõ”. Con người dễ tham gia hơn khi thấy vấn đề thật.

Bước hai: xác định coalition triển khai. Không chỉ ban giám hiệu và IT. Cần giáo viên ở các mức kinh nghiệm, học sinh, phụ huynh nếu liên quan, nhân viên dữ liệu, người phụ trách pháp lý, hỗ trợ học tập và đại diện môn học. Coalition không phải để mọi người đồng ý ngay, mà để rủi ro được nhìn từ nhiều phía.

Bước ba: giảm tải trước khi thêm việc. Nếu yêu cầu giáo viên thử AI feedback, hãy giảm một loại báo cáo hoặc cho thời gian họp chuyên môn để phân tích. Nếu yêu cầu dùng dashboard, hãy bỏ bảng tính cũ. Nếu yêu cầu học sinh khai báo AI, hãy tạo mẫu đơn giản và tích hợp vào LMS. Không giảm tải, change management biến thành yêu cầu đạo đức với người đã quá tải.

Bước bốn: truyền thông theo nhóm. Giáo viên cần biết workflow và quyền phán đoán. Học sinh cần biết ranh giới sử dụng và quyền dữ liệu. Phụ huynh cần biết mục tiêu, an toàn và cách hỗ trợ ở nhà. IT cần biết integration và support. Lãnh đạo cần biết chỉ số nào nên xem và chỉ số nào không nên dùng để phạt. Một email chung không đủ.

Bước năm: tạo feedback loop. Mỗi triển khai cần kênh báo lỗi kỹ thuật, lỗi sư phạm, lỗi dữ liệu, rủi ro đạo đức và workload. Feedback phải có người đọc, thời hạn phản hồi và log quyết định. Nếu giáo viên báo vấn đề mà không thấy gì thay đổi, họ sẽ ngừng báo.

Bước sáu: củng cố bằng thay đổi cấu trúc. Nếu pilot thành công, tổ chức phải cập nhật lịch họp, tài liệu onboarding, chính sách dữ liệu, ngân sách, vai trò hỗ trợ, rubric, và quy trình đánh giá. Nếu không, thay đổi sống nhờ ký ức của nhóm pilot và biến mất khi người đó rời đi.

Change management cũng cần chống “initiative fatigue”. Trường học thường bị nhiều sáng kiến cùng lúc: chương trình mới, kiểm tra mới, LMS mới, chính sách AI, an toàn dữ liệu, đổi lịch, dự án kỹ năng số. Mỗi sáng kiến có lý riêng, nhưng tổng lại làm tổ chức mất năng lượng. Lãnh đạo cần có danh mục thay đổi: cái gì đang chạy, cái gì dừng, cái gì ưu tiên, cái gì chờ. Một triển khai AI có trách nhiệm có thể bắt đầu bằng câu: “Chúng ta sẽ không thêm dự án X trong học kỳ này để tập trung vào Y”.

Một điểm khó là xử lý sự khác biệt tốc độ adoption. Rogers phân biệt innovators, early adopters, early majority, late majority và laggards (Rogers, 2003). Trong trường học, nhóm tiên phong hữu ích nhưng không đại diện cho tất cả. Nhóm thận trọng không nhất thiết chống đổi mới; họ có thể nhìn rủi ro mà nhóm tiên phong bỏ qua. Change management tốt dùng nhóm tiên phong để học nhanh, nhưng lắng nghe nhóm thận trọng để thiết kế mở rộng thực tế. Nếu tổ chức chỉ tôn vinh người dùng nhiều nhất, nó sẽ làm phần còn lại im lặng.

Với AI, change management còn phải tính tốc độ thay đổi của chính công cụ. Một chính sách viết cho phiên bản chatbot năm nay có thể lỗi thời năm sau. Vì vậy, chính sách nên dựa trên nguyên tắc và điều kiện sử dụng hơn là tên công cụ. Professional development nên dạy workflow và phán đoán hơn là nút bấm. Procurement nên có điều khoản cập nhật, audit và exit. Tổ chức cần năng lực thích nghi liên tục, không chỉ một kế hoạch triển khai.

Support Organisations và Ecosystem Builders

Từng trường riêng lẻ khó tự làm hết mọi việc cần cho EdTech và AI: đọc nghiên cứu, kiểm định vendor, viết chính sách dữ liệu, thiết kế PD, xây chuẩn interoperability, đo tác động, audit bias, hỗ trợ kỹ thuật, tạo cộng đồng thực hành, và thương lượng hợp đồng. Vì vậy, hệ sinh thái cần các tổ chức hỗ trợ và ecosystem builders. Đây là tầng trung gian giữa nhà trường, nghiên cứu, thị trường và chính sách.

Support organisations có thể là trường nghiên cứu, tổ chức phi lợi nhuận, trung tâm đổi mới giáo dục, viện nghiên cứu, mạng lưới trường, hiệp hội nghề nghiệp, cơ quan kiểm định, tổ chức chuẩn dữ liệu, hoặc đơn vị hỗ trợ công nghệ của hệ thống. Vai trò của họ không phải bán giải pháp nhanh. Vai trò là giúp tổ chức học tập đặt câu hỏi đúng, dùng bằng chứng đúng, triển khai có kỷ luật, và chia sẻ bài học giữa bối cảnh.

Research-practice partnerships (RPPs) là một mô hình quan trọng. RPP đưa nhà nghiên cứu và người thực hành vào quan hệ dài hạn để cùng xác định vấn đề, thiết kế nghiên cứu, diễn giải dữ liệu và cải thiện thực hành. Arce-Trigatti, Henrick, Schmidt và Wright năm 2024 nhấn mạnh RPP có thể hỗ trợ cải thiện giáo dục và chuyển đổi công bằng vì chúng đưa nhiều khu vực cùng làm việc với nghiên cứu để giải quyết thách thức phức tạp và bất bình đẳng dai dẳng (Arce-Trigatti et al., 2024). Trong EdTech AI, RPP có thể giúp tránh cả hai lỗi: nghiên cứu xa lớp học và triển khai không có bằng chứng.

Networked improvement communities (NICs) là một mô hình khác. NICs kết nối nhiều trường hoặc tổ chức quanh một vấn đề thực hành chung, dùng improvement science và chu kỳ thử nhỏ để học nhanh hơn. Bộ Giáo dục Hoa Kỳ mô tả NICs như cách tận dụng chuyên môn và quan hệ giữa nhà nghiên cứu và người thực hành, thử can thiệp trong chu kỳ nhanh, truyền thông kết quả trong mạng lưới, và mở rộng tri thức cải tiến (U.S. Department of Education, 2024). Với AI, một NIC có thể cùng thử cách dạy khai báo AI trong bài viết, cách dùng dashboard can thiệp sớm, hoặc cách giảm workload feedback. Mỗi trường thử trong bối cảnh của mình, nhưng dữ liệu và bài học được chia sẻ có cấu trúc.

Evidence intermediaries như EEF, What Works Clearinghouse, Digital Promise, EdTech Evidence Exchange hoặc các tổ chức tương tự đóng vai trò dịch bằng chứng thành hướng dẫn có thể dùng. Tuy nhiên, evidence intermediary tốt không chỉ nói “công cụ nào có bằng chứng”. Họ giúp đọc chất lượng nghiên cứu, bối cảnh, chi phí, implementation requirements, và rủi ro. Trong AI education, vai trò này càng quan trọng vì thị trường thay đổi nhanh và nhiều claim khó kiểm chứng.

Standards bodies và interoperability organisations cũng là ecosystem builders. Chương 11 đã bàn về LTI, xAPI, OneRoster và các chuẩn giúp tránh silo. Trong triển khai AI, chuẩn dữ liệu và interoperability quyết định khả năng tích hợp, portability, audit và exit. Nếu dữ liệu học tập bị khóa trong một nền tảng, tổ chức mất quyền học từ dữ liệu của chính mình và khó chuyển vendor. Nếu hệ thống không có chuẩn danh tính, lớp học, lịch, điểm, và nội dung, giáo viên sẽ nhập tay. Support organisations ở tầng chuẩn giúp giảm tải hệ sinh thái, dù người học ít khi nhìn thấy.

EdTech brokers là một dạng trung gian mới cần đọc cẩn thận. Ortegón, Decuypere và Williamson năm 2024 mô tả edtech brokers như các tổ chức đứng giữa ngành EdTech, trường công, trung tâm nghiên cứu và chính phủ, hướng dẫn trường trong procurement và sử dụng sư phạm EdTech; họ có thể định hình lại ranh giới giữa giáo dục công và thị trường EdTech (Ortegón et al., 2024). Broker có thể hữu ích nếu giúp trường đánh giá sản phẩm, đàm phán, triển khai và dùng bằng chứng. Nhưng broker cũng có thể tạo xung đột lợi ích nếu gần vendor hơn trường, hoặc thúc đẩy market logic vào quyết định giáo dục công. Vì vậy, ecosystem builders cần minh bạch về funding, tiêu chí và lợi ích.

Support organisations cũng cần xây capacity địa phương thay vì tạo phụ thuộc. Một đơn vị tư vấn có thể triển khai giúp trường trong năm đầu, nhưng nếu sau đó trường không có đội nội bộ, dự án sẽ yếu. Hỗ trợ tốt thường có nguyên tắc “build, not own”: cùng làm với trường, chuyển giao tài liệu, đào tạo nhóm nòng cốt, tạo routine họp, và giúp trường tự đo. Với AI, điều này nghĩa là trường không chỉ nhận prompt library, mà học cách tự audit prompt, tự đánh giá công cụ, tự cập nhật chính sách và tự thiết kế hoạt động.

Một hệ sinh thái EdTech AI lành mạnh cần ít nhất bảy loại năng lực trung gian:

1. Evidence synthesis: tổng hợp nghiên cứu, chỉ rõ mức chắc chắn, bối cảnh và khoảng trống. 2. Procurement support: giúp trường đặt tiêu chí, hỏi vendor, đọc hợp đồng, tránh lock-in. 3. Data governance support: tư vấn privacy, security, retention, access, consent và audit. 4. Professional learning: thiết kế PD theo môn, vai trò và chu kỳ thực hành. 5. Implementation coaching: hỗ trợ Explore, Prepare, Deliver, Sustain, không chỉ training ban đầu. 6. Evaluation and improvement: giúp đo implementation outcomes, learning outcomes, equity và workload. 7. Community building: tạo mạng lưới chia sẻ bài học, thất bại và tài nguyên.

Nếu thiếu tầng này, từng trường sẽ tự thương lượng với thị trường trong thế yếu. Trường lớn, giàu dữ liệu, có IT mạnh và đội nghiên cứu sẽ tiến nhanh. Trường nhỏ hoặc yếu hạ tầng sẽ phụ thuộc quảng cáo vendor. Khoảng cách hệ thống tăng. Vì vậy, support organisations không phải phần phụ; chúng là hạ tầng công bằng.

Tuy nhiên, hệ sinh thái cũng có rủi ro quá tải trung gian. Quá nhiều khung, chuẩn, hướng dẫn, badge, chứng nhận và mạng lưới có thể làm trường rối. Ryan và cộng sự cảnh báo lĩnh vực implementation science trong trường học đang dùng nhiều công cụ khái niệm phân mảnh, và đề xuất giảm số khung để xây nền nghiên cứu vững hơn (Ryan et al., 2024). Với EdTech AI cũng vậy: tổ chức hỗ trợ cần làm rõ, không làm nhiễu. Một trường đang triển khai AI không cần 15 framework khác nhau. Nó cần một quy trình đủ tốt, người hỗ trợ đủ hiểu, và thời gian học từ thực hành.

Thực trạng triển khai

Thực trạng triển khai EdTech và AI hiện nay có vài mẫu hình lặp lại.

Mẫu hình thứ nhất là pilot nhanh, scale chậm hoặc không scale. Trường hoặc đại học thử một công cụ với nhóm tự nguyện, kết quả ban đầu tích cực, nhưng khi mở rộng thì adoption giảm. Lý do thường là điều kiện pilot không được mô tả: giáo viên tự chọn, hỗ trợ vendor nhiều, lớp ít, thiết bị chuẩn, lãnh đạo chú ý, novelty cao. Khi mở rộng, điều kiện thay đổi. Nếu pilot không tạo implementation playbook, tổ chức không biết nhân rộng cái gì.

Mẫu hình thứ hai là mua trước, học sau. Procurement diễn ra vì ngân sách có hạn sử dụng, áp lực đổi mới, quảng cáo mạnh, hoặc nhu cầu chính trị. Sau khi mua, tổ chức mới hỏi giáo viên sẽ dùng thế nào, dữ liệu tích hợp ra sao, policy cần gì, và outcome đo gì. Cách này tạo lock-in sớm. Đến khi phát hiện không fit, chi phí rời bỏ cao.

Mẫu hình thứ ba là tool sprawl. Trường dùng nhiều nền tảng cho LMS, quiz, video, communication, attendance, AI writing, AI detection, adaptive learning, parent app, dashboard. Mỗi công cụ có tài khoản, dữ liệu, thông báo, chính sách và training riêng. Giáo viên và học sinh chuyển qua lại giữa hệ thống. IT không theo kịp. Dữ liệu phân mảnh. Tool sprawl làm mất năng lượng trước khi nói đến học tập.

Mẫu hình thứ tư là policy lag. Học sinh và giáo viên dùng AI trước khi trường có hướng dẫn. Khi sự cố xảy ra, trường phản ứng bằng cấm hoặc quy định vội. Chính sách đi sau thực hành, nên thiếu tính giáo dục. Một chính sách tốt cần đi trước bằng nguyên tắc, nhưng cũng cần cập nhật từ thực tế.

Mẫu hình thứ năm là data ambition vượt data readiness. Tổ chức muốn learning analytics, predictive models hoặc AI personalization, nhưng dữ liệu nền sai, thiếu, không liên thông hoặc không có governance. Nếu attendance không cập nhật, lớp học không đồng bộ, điểm nhập muộn, hoặc dữ liệu LMS chỉ phản ánh một phần học tập, mô hình dự báo sẽ yếu. AI không sửa dữ liệu bẩn; nó khuếch đại hậu quả của dữ liệu bẩn.

Mẫu hình thứ sáu là professional development quá mỏng. Giáo viên được tập huấn cách dùng công cụ, nhưng không có thời gian thiết kế lại bài học, không được xem dữ liệu học sinh thật, không có coaching, không có cộng đồng, không có follow-up. Sau workshop, người nhiệt tình tự thử, người bận bỏ qua, người lo lắng tránh dùng. Tổ chức nhầm attendance trong training với readiness.

Mẫu hình thứ bảy là đánh giá thiếu tác động dài hạn. Nhiều dự án báo cáo số người dùng, số bài tạo, satisfaction, completion hoặc testimonial. Ít dự án đo delayed learning, transfer, equity, workload tổng thể, sustainability, và tác động ngoài dự kiến. Không có dữ liệu này, tổ chức khó biết nên giữ, sửa hay dừng.

Một số nghiên cứu gần đây cho thấy hướng tốt hơn. Nordmark và cộng sự dùng implementation science, school teams, workshop lặp lại, PDSA cycles và co-design để triển khai tài liệu học số và dashboards ở K-12 Thụy Điển; họ nhấn mạnh việc triển khai không thể là quick fix trong một năm (Nordmark et al., 2024). EEF 2024 cập nhật hướng dẫn implementation để giúp trường coi thay đổi là quá trình xã hội phức tạp, cần Explore, Prepare, Deliver và Sustain (Sharples et al., 2024). CIRCLS framework đặt cộng đồng vào initial evaluation, adoption và post-adoption của công nghệ mới (Ruiz et al., 2022). Những ví dụ này không nói rằng đã có công thức chắc chắn. Chúng cho thấy lĩnh vực đang chuyển từ “mua công cụ” sang “xây năng lực triển khai”.

Với AI, thực trạng còn đang hình thành. Nhiều tổ chức đang thử chatbot, AI writing policy, AI lesson planning, AI feedback, AI detection, content generation và analytics. Nhưng các câu hỏi khó vẫn mở: công cụ nào đủ an toàn cho trẻ em; dữ liệu có được dùng để huấn luyện không; AI detectors có đủ tin không; giáo viên có workload giảm thật không; học sinh yếu thế có được lợi không; chính sách khai báo có được hiểu không; và bằng chứng nào đủ để mở rộng. Đây là thời điểm cần kỷ luật triển khai hơn là tốc độ trình diễn.

Phân tích phản biện

Rủi ro thứ nhất là implementation science bị biến thành thủ tục. Nếu tổ chức chỉ tạo checklist Explore, Prepare, Deliver, Sustain nhưng không thay đổi cách ra quyết định, khung triển khai trở thành giấy tờ. Implementation science không phải mẫu kế hoạch. Nó là kỷ luật học từ bối cảnh, đo đúng thứ, và sửa quyết định.

Rủi ro thứ hai là pilot bị dùng để hợp thức hóa quyết định đã có. Một pilot thật có quyền kết luận “không nên mua”, “chỉ dùng cho nhóm này”, “cần sửa trước”, hoặc “chưa đủ dữ liệu”. Nếu lãnh đạo đã quyết mở rộng từ trước, pilot chỉ là truyền thông. Điều này làm mất niềm tin và làm người dùng ngừng phản hồi thật.

Rủi ro thứ ba là adaptation bị gọi là thiếu fidelity. Giáo viên điều chỉnh công cụ cho phù hợp lớp học có thể bị xem là dùng sai. Nhưng không adaptation thì công cụ không sống. Tổ chức cần phân biệt thành phần cốt lõi và phần có thể điều chỉnh. Nếu không, fidelity trở thành tuân thủ sản phẩm thay vì trung thành với cơ chế học.

Rủi ro thứ tư là dữ liệu triển khai bị dùng để giám sát. Số lượt đăng nhập, số bài tạo, thời gian online, số cảnh báo xử lý có thể giúp cải tiến. Nhưng nếu dùng để xếp hạng giáo viên hoặc trường mà không hiểu bối cảnh, nó phá trust. Dữ liệu implementation nên phục vụ học hỏi, không chỉ accountability.

Rủi ro thứ năm là hệ sinh thái hỗ trợ bị thị trường hóa. Support organisations và brokers có thể giúp trường, nhưng cũng có thể kéo trường về sản phẩm mà họ có quan hệ lợi ích. Minh bạch funding, tiêu chí đánh giá và conflict of interest là điều kiện đạo đức.

Rủi ro thứ sáu là “works for whom” bị dùng như lý do không quyết định. Vì bối cảnh phức tạp, tổ chức có thể trì hoãn mãi. Nhưng thực tế cần quyết định. Cách giải không phải chờ bằng chứng hoàn hảo, mà là quyết định có điều kiện: thử nhỏ, đo đúng, giới hạn rủi ro, mở rộng theo bằng chứng, và dừng khi không đạt tiêu chí.

Rủi ro thứ bảy là change management bị hiểu như quản lý cảm xúc người dùng để họ chấp nhận quyết định. Change management đạo đức không phải làm người dùng bớt phản đối. Nó là thay đổi quyết định khi phản hồi cho thấy rủi ro thật. Nếu mọi phản kháng đều bị gọi là resistance, tổ chức sẽ bỏ qua thông tin quan trọng.

Rủi ro thứ tám là scale được xem là mục tiêu tự thân. Không phải công nghệ nào cũng nên mở rộng toàn hệ thống. Một can thiệp có thể tốt cho một nhóm môn học, một cấp lớp, một nhu cầu cụ thể. Mở rộng quá mức có thể làm loãng chất lượng và tăng rủi ro. Scale đúng đôi khi là scale hẹp nhưng sâu.

Rủi ro cuối cùng là tổ chức quá mê novelty. AI tạo cảm giác phải hành động nhanh. Nhưng giáo dục có trách nhiệm với trẻ em, người học yếu thế, dữ liệu nhạy cảm và cơ hội đời sống. Tốc độ cần đi cùng guardrails. Chậm một chút để hiểu bối cảnh có thể nhanh hơn nhiều so với triển khai vội rồi sửa khủng hoảng.

Nguyên tắc thiết kế

Nguyên tắc thứ nhất: bắt đầu từ vấn đề học tập và vận hành, không bắt đầu từ công cụ. Viết rõ vấn đề, nhóm bị ảnh hưởng, baseline, nguyên nhân giả định và outcome mong muốn trước khi xem demo.

Nguyên tắc thứ hai: phân biệt innovation, implementation và learning outcomes. Đo công cụ có chạy không, triển khai có sống không, và học tập có cải thiện không. Không dùng usage thay cho learning.

Nguyên tắc thứ ba: dùng Explore, Prepare, Deliver, Sustain như vòng học thật. Explore để chọn đúng vấn đề và fit. Prepare để xây readiness. Deliver để thử có hỗ trợ và đo. Sustain để tích hợp vào routine hoặc dừng có lý do.

Nguyên tắc thứ tư: thiết kế pilot như nghiên cứu triển khai nhỏ. Pilot phải có câu hỏi, baseline, tiêu chí thành công, dữ liệu cần thu, nhóm thử, rủi ro, quyền dừng và kế hoạch học. Pilot không chỉ để tạo testimonial.

Nguyên tắc thứ năm: xác định core components và adaptable periphery. Giữ cơ chế học cốt lõi, cho phép địa phương hóa phần ví dụ, workflow, ngôn ngữ, nhịp dùng và hỗ trợ.

Nguyên tắc thứ sáu: hỏi “works for whom, under what conditions” trước khi mở rộng. Phân tích theo người học, môn học, giáo viên, hạ tầng, thời gian, chi phí và tác động phụ.

Nguyên tắc thứ bảy: giảm tool sprawl. Ưu tiên tích hợp, interoperability, chuẩn dữ liệu, tài khoản thống nhất, và exit plan. Một công cụ mới phải thay thế hoặc cải thiện quy trình cũ, không chỉ thêm lớp mới.

Nguyên tắc thứ tám: xây đội triển khai, không giao cho một người nhiệt tình. Đội cần giáo viên, lãnh đạo, IT, dữ liệu, hỗ trợ học tập và đại diện người học khi phù hợp. Vai trò và trách nhiệm phải rõ.

Nguyên tắc thứ chín: cấp thời gian cho professional learning và improvement cycles. Nếu không có thời gian trong lịch làm việc, triển khai sẽ dựa vào lao động ngoài giờ và không bền.

Nguyên tắc thứ mười: giữ dữ liệu triển khai cho học hỏi trước khi dùng cho accountability. Báo cáo usage cần đi kèm bối cảnh, workload và phản hồi định tính. Không xếp hạng bằng chỉ số thô.

Nguyên tắc thứ mười một: thiết kế change management như đối thoại quyền lực. Nói rõ điều gì thay đổi, ai được lợi, ai chịu rủi ro, ai quyết định, ai phản hồi, và điều gì sẽ được bỏ để giảm tải.

Nguyên tắc thứ mười hai: dùng support organisations một cách minh bạch. Tận dụng evidence intermediaries, RPPs, standards bodies và cộng đồng thực hành, nhưng yêu cầu minh bạch lợi ích, phương pháp và tiêu chí.

Nguyên tắc thứ mười ba: chuẩn bị exit và sunset. Mỗi công cụ cần điều kiện dừng, cách xuất dữ liệu, kế hoạch chuyển đổi và truyền thông khi không tiếp tục. Không có exit plan, adoption trở thành lock-in.

Nguyên tắc thứ mười bốn: xem equity là điều kiện triển khai, không phải chỉ outcome. Kiểm tra thiết bị, ngôn ngữ, accessibility, dữ liệu, hỗ trợ gia đình, và nhóm dễ bị rủi ro trước khi mở rộng.

Nguyên tắc thứ mười lăm: xây năng lực R&D liên tục trong tổ chức. Không cần mỗi trường thành viện nghiên cứu, nhưng mỗi tổ chức học tập cần biết đặt giả thuyết, thu dữ liệu vừa đủ, đọc kết quả, sửa thực hành và chia sẻ bài học.

Tổng kết chương

EdTech và AI không thất bại chỉ vì công cụ kém. Chúng thường thất bại vì tổ chức chưa sẵn sàng, vấn đề chưa rõ, dữ liệu chưa sạch, giáo viên chưa được hỗ trợ, workflow chưa được thiết kế, chính sách đi sau, workload tăng, và pilot không tạo tri thức mở rộng. Một tổ chức học tập trưởng thành không xem công nghệ như vật mua về, mà như can thiệp vào hệ thống xã hội-kỹ thuật.

Implementation science giúp ta đọc các giai đoạn Explore, Prepare, Deliver, Sustain; phân biệt adoption, fidelity, adaptation và sustainability; và đo implementation outcomes bên cạnh learning outcomes. Realist thinking nhắc rằng hiệu quả phải được hỏi theo người học, môn học, giáo viên, hạ tầng và thời gian. Change management nhắc rằng công nghệ đụng đến thói quen, quyền lực, ngân sách, niềm tin và trách nhiệm. Support organisations và ecosystem builders giúp từng trường không phải tự đối mặt với thị trường và bằng chứng một mình.

Chương tiếp theo sẽ đi vào một tầng điều kiện còn nhạy hơn: dữ liệu, riêng tư, thiên kiến và chính sách. Nếu chương này hỏi tổ chức vận hành AI như thế nào, chương 21 sẽ hỏi dữ liệu của ai, quyền của ai, rủi ro của ai, và khung quản trị nào cần có để AI trong giáo dục không chỉ hiệu quả mà còn chính đáng.

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

Arce-Trigatti, P., Henrick, E., Schmidt, D., & Wright, K. (2024). Broadening our understanding of how research-practice partnerships support educational improvement and equitable transformation. Peabody Journal of Education, 99(3), 251-258. https://doi.org/10.1080/0161956X.2024.2358696

Bryk, A. S., Gomez, L. M., Grunow, A., & LeMahieu, P. G. (2015). Learning to Improve: How America's Schools Can Get Better at Getting Better. Harvard Education Press.

Fixsen, D. L., Blase, K. A., Naoom, S. F., & Wallace, F. (2005). Implementation Research: A Synthesis of the Literature. University of South Florida, Louis de la Parte Florida Mental Health Institute.

Fixsen, D. L., Blase, K. A., & Van Dyke, M. K. (2019). Implementation Practice and Science. Active Implementation Research Network.

Fullan, M. (2016). The New Meaning of Educational Change (5th ed.). Teachers College Press.

Lovett, J. M., Schonert-Reichl, K. A., Zinsser, K. M., & Lawlor, M. S. (2024). Beyond fidelity: Unveiling the landscape of teacher adaptation in social and emotional learning programs. Frontiers in Education, 9, 1444588. https://doi.org/10.3389/feduc.2024.1444588

Nordmark, S., Augustsson, H., Davidsson, M., Andersson-Gidlund, T., Holmberg, K., Mohseni, Z. A., Rack, J., & Masiello, I. (2024). Piloting systematic implementation of educational technology in Swedish K-12 schools: Two-years-in report. Global Implementation Research and Applications, 4, 309-323. https://doi.org/10.1007/s43477-024-00130-w

Ortegón, C., Decuypere, M., & Williamson, B. (2024). Mediating educational technologies: Edtech brokering between schools, academia, governance, and industry. Research in Education, 120(1). https://doi.org/10.1177/00345237241242990

Pawson, R., & Tilley, N. (1997). Realistic Evaluation. SAGE.

Proctor, E., Silmere, H., Raghavan, R., Hovmand, P., Aarons, G., Bunger, A., Griffey, R., & Hensley, M. (2011). Outcomes for implementation research: Conceptual distinctions, measurement challenges, and research agenda. Administration and Policy in Mental Health and Mental Health Services Research, 38, 65-76. https://doi.org/10.1007/s10488-010-0319-7

Rogers, E. M. (2003). Diffusion of Innovations (5th ed.). Free Press.

Ruiz, P., Richard, E., Chillmon, C., Shah, Z., Kurth, A., Fekete, A., Glazer, K., Pattenhouse, M., Fusco, J., Fennelly-Atkinson, R., Lin, L., Arriola, S., Lockett, D., Crawford-Meyer, V., Karim, S., Hampton, S., & Beckford, B. (2022). Emerging Technology Adoption Framework: For PK-12 Education. Digital Promise. https://doi.org/10.51388/20.500.12265/161

Ryan, A., Prieto-Rodriguez, E., Miller, A., & Gore, J. (2024). What can implementation science tell us about scaling interventions in school settings? A scoping review. Educational Research Review, 44, 100620. https://doi.org/10.1016/j.edurev.2024.100620

Sharples, J., Eaton, J., & Boughelaf, J. (2024). A School's Guide to Implementation. Education Endowment Foundation. https://educationendowmentfoundation.org.uk/education-evidence/guidance-reports/implementation

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

U.S. Department of Education. (2024). Networked Improvement Implementation. https://www.ed.gov/teaching-and-administration/lead-and-manage-my-school/state-support-network/cop/networked-improvement-implementation