Chương 4: Người học không giống nhau

Bối cảnh / Vấn đề

Chương 3 kết thúc bằng một cảnh báo: người học không nên bị nhốt vào những nhãn đơn giản như “học bằng hình ảnh” hay “học bằng âm thanh”. Nhưng phản bác learning styles không có nghĩa là phủ nhận khác biệt giữa người học. Ngược lại, nếu EdTech muốn giúp học tốt hơn, nó phải hiểu khác biệt ấy sâu hơn, chính xác hơn và ít dễ dãi hơn.

Người học không giống nhau ở nhiều tầng. Có người thiếu kiến thức nền. Có người hiểu khái niệm nhưng thiếu thực hành. Có người có kỹ năng nhưng không thấy lý do để dùng. Có người muốn học nhưng bị môi trường kéo ngược: thiếu thời gian, thiếu thiết bị, thiếu hỗ trợ, thiếu cơ hội áp dụng. Có người thất bại không phải vì không biết, mà vì không hiểu yêu cầu, không biết tiêu chí, hoặc không nhận được phản hồi rõ ràng.

Nếu chẩn đoán sai, giải pháp sẽ sai. Một học sinh không làm được bài toán vì chưa hiểu phân số không cần thêm video truyền cảm hứng. Một nhân viên không dùng quy trình mới vì phần mềm nội bộ quá rối không cần thêm khóa học về thái độ. Một sinh viên bỏ dở khóa học trực tuyến vì không biết lập kế hoạch không cần thêm thư viện nội dung. Một người đã khá giỏi không cần lời giải mẫu từng bước cho mọi bài; hỗ trợ ấy có thể làm họ chậm lại.

Cá nhân hóa trong EdTech thường bắt đầu từ một ý tưởng đúng: người học khác nhau, nên không nên đưa cho mọi người cùng một trải nghiệm. Nhưng ý tưởng đúng này dễ trượt thành cá nhân hóa nông: đổi màu giao diện, cho chọn tốc độ video, gắn nhãn trình độ bằng vài câu hỏi đầu vào, hoặc để thuật toán đẩy bài tiếp theo dựa trên đúng sai gần nhất. Những thứ đó có thể hữu ích, nhưng chưa chạm vào câu hỏi gốc: người học đang vướng ở đâu, vì sao vướng, và cần loại hỗ trợ nào để tự đi xa hơn?

Chương này bàn về người học như một hệ thống đang sống trong nhiều hệ thống khác. Người học có trí nhớ, mục tiêu, cảm xúc, thói quen, quan hệ, thiết bị, lịch học, ngôn ngữ, văn hóa, gia đình, lớp học và tổ chức. Một công nghệ học tập tốt không thể nhìn họ chỉ như một hồ sơ dữ liệu có tỷ lệ đúng sai. Nó phải nhìn họ như một người đang cố học trong điều kiện cụ thể.

Nền tảng lý thuyết

Một cách bắt đầu thực dụng là hỏi: đây là khoảng cách loại gì? Julie Dirksen đề xuất nhìn vấn đề học tập qua các khoảng cách như knowledge, skill, motivation, habit, environment và communication (Dirksen, 2016). Với EdTech, khung này rất hữu ích vì nó buộc người thiết kế dừng lại trước khi sản xuất thêm nội dung.

Knowledge gap là khoảng cách về hiểu biết. Người học chưa biết khái niệm, quy tắc, nguyên nhân, tiêu chí hoặc thông tin cần thiết. Ở đây, giải thích rõ, ví dụ tốt, sơ đồ, so sánh, câu hỏi kiểm tra hiểu và tài liệu tham khảo có thể giúp.

Skill gap là khoảng cách giữa biết và làm được. Người học có thể đọc lý thuyết về viết luận, giao tiếp, lập trình, giải toán, dạy học hoặc thuyết phục người khác, nhưng vẫn chưa thực hiện tốt. Skill gap cần thực hành, phản hồi, mẫu tốt, bài tập tăng dần, cơ hội sửa và bối cảnh gần với việc thật. Nếu kỹ năng cần làm bằng tay, bằng lời, bằng phán đoán hoặc bằng tương tác xã hội, một thư viện bài giảng khó có thể đủ.

Motivation gap không chỉ là lười học. Có thể người học không thấy giá trị, sợ thất bại, thiếu tự tin, mệt mỏi, bị ép học, hoặc đã từng có trải nghiệm xấu với môn đó. Động lực cũng không phải thứ chỉ giải bằng huy hiệu và điểm thưởng. Nó liên quan đến cảm giác có năng lực, quyền tự chủ, ý nghĩa cá nhân và quan hệ với người khác.

Environment gap xuất hiện khi môi trường ngăn người học làm điều đúng. Một giáo viên được tập huấn phương pháp mới nhưng sĩ số lớp quá đông, thời khóa biểu quá chặt và hệ thống đánh giá vẫn chỉ chấm điểm cuối kỳ. Một học viên muốn học tiếng Anh mỗi ngày nhưng ca làm thay đổi liên tục. Một phụ huynh muốn hỗ trợ con nhưng không có thông tin kịp thời. Trong các trường hợp này, khóa học không phải đòn bẩy chính; thiết kế môi trường mới là đòn bẩy.

Communication gap xảy ra khi người học không hiểu điều gì được kỳ vọng. Họ không biết tiêu chí bài tốt, không hiểu phản hồi, không thấy bước tiếp theo, hoặc nhận thông điệp mâu thuẫn từ giáo viên, hệ thống và tổ chức. Nhiều vấn đề bị gọi là “học yếu” thật ra bắt đầu từ yêu cầu mơ hồ.

Các khoảng cách này thường chồng lên nhau. Một học sinh thiếu kiến thức nền có thể dần mất tự tin. Một người thiếu động lực có thể ít luyện tập, rồi thật sự thiếu kỹ năng. Một môi trường thiếu phản hồi có thể làm người học tưởng mình đã hiểu. Vì vậy, cá nhân hóa tốt không phải chọn một nhãn duy nhất, mà là xây được giả thuyết hợp lý về tổ hợp nguyên nhân.

Người mới, người trung cấp và chuyên gia

Khác biệt quan trọng nhất trong thiết kế học tập là kiến thức nền. Người mới không chỉ biết ít hơn chuyên gia; họ nhìn vấn đề theo cách khác. Người mới thấy nhiều chi tiết rời rạc. Chuyên gia thấy cấu trúc. Người mới cần tìm từng bước. Chuyên gia nhận ra mẫu. Người mới dễ bị quá tải bởi thông tin phụ. Chuyên gia có thể bỏ qua thông tin phụ vì đã biết cái gì đáng chú ý.

Điều này tạo ra một nghịch lý cho EdTech: cùng một hỗ trợ có thể giúp nhóm này và cản nhóm kia. Kalyuga gọi hiện tượng này là expertise reversal effect: các kỹ thuật hướng dẫn có lợi cho người ít kiến thức có thể mất hiệu quả hoặc gây hại khi người học đã có nhiều kiến thức hơn (Kalyuga, 2007). Một lời giải từng bước giúp người mới không lạc. Nhưng với người đã thành thạo, lời giải ấy có thể trở thành nhiễu, buộc họ xử lý thứ họ đã biết thay vì tập trung vào thử thách mới.

Trong học toán, người mới cần worked examples, gợi ý rõ, phân đoạn nhỏ và phản hồi tức thời. Người trung cấp cần bài tập biến đổi, lỗi sai điển hình, câu hỏi phân biệt dạng và cơ hội tự giải trước khi xem gợi ý. Người khá giỏi cần vấn đề mở hơn, ít chống đỡ hơn, yêu cầu giải thích chiến lược, so sánh nhiều cách giải và chuyển giao sang tình huống mới.

Trong học ngoại ngữ, người mới cần input dễ hiểu, mẫu câu, phát âm chậm, ngữ cảnh rõ và luyện tập có kiểm soát. Người trung cấp cần tương tác thật hơn, sửa lỗi có chọn lọc, mở rộng vốn diễn đạt và luyện fluency. Người nâng cao cần sắc thái, lập luận, giọng điệu, register, văn hóa giao tiếp và nhiệm vụ thật. Nếu một hệ thống chỉ tăng độ khó bằng cách thêm từ mới hoặc nói nhanh hơn, nó chưa hiểu phát triển năng lực.

Trong đào tạo nghề, người mới cần quy trình và job aids. Người trung cấp cần tình huống ngoại lệ. Người giỏi cần phản biện, chuẩn hóa kinh nghiệm, cập nhật thay đổi và học từ ca khó. Một khóa học giống nhau cho cả ba nhóm thường hoặc quá tải với người mới, hoặc quá chậm với người giỏi.

Điểm thiết kế quan trọng là scaffold phải có đời sống tạm thời. Hỗ trợ tốt giống một cây cầu trong giai đoạn người học chưa tự qua được. Nhưng nếu cây cầu không bao giờ được rút bớt, người học không học cách tự đi. EdTech thường tự hào vì “luôn hỗ trợ”, nhưng câu hỏi sâu hơn là: hỗ trợ này có đang giảm dần đúng lúc không?

Người học đào sâu, thực dụng và chưa sẵn sàng

Không phải người học nào cũng đến với cùng một mục tiêu. Có người muốn đào sâu vì tò mò, vì bản sắc nghề nghiệp, vì chuẩn học thuật hoặc vì nhu cầu làm chủ. Có người học thực dụng: họ cần giải quyết một nhiệm vụ gần, qua một kỳ thi, làm được việc tuần này, hoàn thành chứng chỉ, đáp ứng yêu cầu công ty. Có người chưa sẵn sàng: họ bị ép học, chưa thấy lý do, thiếu nền, sợ bị đánh giá, hoặc đang chịu áp lực ngoài học tập.

Một lỗi thường gặp là đạo đức hóa các kiểu người học. Người đào sâu bị xem là “nghiêm túc”, người thực dụng bị xem là “học đối phó”, người chưa sẵn sàng bị xem là “thiếu thái độ”. Cách nhìn này nghèo. Trong đời thật, cùng một người có thể đào sâu ở lĩnh vực này, thực dụng ở lĩnh vực khác, và chưa sẵn sàng ở một giai đoạn nào đó. Một bác sĩ học cập nhật phác đồ có thể rất thực dụng vì thời gian ít và trách nhiệm cao. Một học sinh ghét môn toán có thể không lười, mà đã tích lũy nhiều thất bại đến mức né tránh là cách tự bảo vệ.

Thiết kế tốt không cào bằng trải nghiệm xuống mẫu số chung thấp nhất. Nó cũng không bắt mọi người đi cùng một đường sâu như nhau. Nó tạo nhiều mức tham gia hợp pháp. Người học thực dụng cần đường đi rõ đến năng lực cần dùng. Người học đào sâu cần tài nguyên mở rộng, vấn đề khó, cộng đồng thảo luận và cơ hội tạo sản phẩm. Người chưa sẵn sàng cần giảm đe dọa, thấy tiến bộ nhỏ, có lựa chọn vừa đủ và được hỗ trợ để bước vào vòng học tập.

Ở đây, AI và dữ liệu có thể giúp, nhưng cũng có thể làm hỏng. Nếu hệ thống gắn nhãn sớm rằng một người “ít động lực” hoặc “nguy cơ cao”, nó có thể vô tình khóa họ vào kỳ vọng thấp. Nếu hệ thống chỉ tối ưu hoàn thành nhanh, nó có thể phục vụ người học thực dụng bằng cách làm nghèo cơ hội đào sâu. Nếu hệ thống chỉ thưởng tương tác nhiều, nó có thể nhầm sự bận rộn với động lực.

Cá nhân hóa trưởng thành phải giữ hai nguyên tắc cùng lúc: tôn trọng mục tiêu gần của người học và không thu hẹp tương lai của họ. Người học có thể bắt đầu vì cần qua bài kiểm tra, nhưng thiết kế vẫn có thể mở cửa sang hiểu sâu hơn. Người học có thể chưa sẵn sàng, nhưng thiết kế không nên xem đó là bản chất cố định.

Self-regulated learning

Khi học chuyển sang môi trường số, người học phải tự làm nhiều việc hơn: chọn thời điểm học, đọc hướng dẫn, giữ tập trung, theo dõi tiến độ, quyết định khi nào xem lại, khi nào hỏi, khi nào luyện thêm, khi nào nộp bài. Những việc này thuộc self-regulated learning: khả năng đặt mục tiêu, chọn chiến lược, giám sát quá trình, điều chỉnh nỗ lực và phản tư sau khi học.

Self-regulated learning không phải phẩm chất bẩm sinh của người “tự giác”. Nó là một nhóm năng lực có thể được dạy, luyện và hỗ trợ. Một người học tự điều chỉnh tốt biết mình đang cố đạt gì, có kế hoạch vừa sức, nhận ra khi mình không hiểu, đổi chiến lược khi cách cũ không hiệu quả, quản lý động lực, và dùng phản hồi để cải thiện.

Nghiên cứu gần đây cho thấy hỗ trợ SRL trong môi trường công nghệ là một lĩnh vực đang phát triển nhanh nhưng còn phân mảnh. Prasse và cộng sự tổng hợp 31 systematic reviews và meta-analyses về computer-assisted SRL, nhấn mạnh rằng các hỗ trợ hiệu quả cần bao phủ toàn bộ chu kỳ tự điều chỉnh, không chỉ một dashboard hoặc một vài prompt rời rạc (Prasse et al., 2024). Họ cũng chỉ ra nhu cầu định nghĩa và phân loại hỗ trợ SRL rõ hơn, vì nhiều nghiên cứu dùng cùng thuật ngữ nhưng thiết kế rất khác nhau.

Một tổng quan mới về K-12 digital learning còn nêu vấn đề sắc hơn: môi trường cá nhân hóa có thể nâng kết quả, nhưng cũng có thể chuyển việc điều chỉnh học tập từ người học sang hệ thống. Nếu thuật toán luôn quyết định bài tiếp theo, nhịp học, mức khó và thời điểm ôn lại, người học có thể hoàn thành tốt hơn trước mắt nhưng không học được cách tự quản lý việc học (Toomla et al., 2026). Đây là rủi ro đặc biệt lớn với học sinh phổ thông, vì các em vẫn đang phát triển năng lực tự điều chỉnh.

Điểm này rất quan trọng trong kỷ nguyên AI. Một chatbot có thể nhắc học, giải thích, gợi ý, tóm tắt, lập kế hoạch, kiểm tra bài và động viên. Nhưng nếu nó làm tất cả quá trơn tru, người học có thể thuê ngoài cả metacognition. Họ không cần tự hỏi mình hiểu chưa, vì AI sẽ nói. Không cần tự lập kế hoạch, vì AI sẽ chia lịch. Không cần tự kiểm tra, vì AI sẽ tạo quiz. Không cần tự diễn đạt, vì AI sẽ viết lại.

Vậy thiết kế đúng không phải là bỏ hỗ trợ, mà là hỗ trợ để người học dần sở hữu quá trình. Hệ thống có thể hỏi người học đặt mục tiêu trước khi đề xuất kế hoạch. Có thể yêu cầu dự đoán độ khó trước khi làm bài. Có thể cho người học chọn chiến lược rồi phản hồi sau. Có thể hiển thị tiến độ theo cách giúp họ nhận ra mẫu hành vi. Có thể nhắc phản tư sau lỗi sai. Có thể giảm dần mức gợi ý khi người học tiến bộ.

Self-regulation cũng có phần động lực và cảm xúc. Toomla và cộng sự chỉ ra nhiều nghiên cứu SRL trong K-12 digital learning tập trung mạnh vào nhận thức và siêu nhận thức, ít chú ý hơn đến động lực và cảm xúc (Toomla et al., 2026). Nhưng trong học thật, bối rối, chán, xấu hổ, tự tin, áp lực và cảm giác thuộc về đều ảnh hưởng đến việc người học có tiếp tục hay không. Villar và cộng sự cũng xem motivational self-regulation là thành phần quan trọng của SRL, liên quan đến cách người học duy trì nỗ lực và tham gia vào nhiệm vụ học tập (Villar et al., 2024).

Nếu EdTech chỉ đo click, điểm quiz và thời lượng xem video, nó rất dễ bỏ qua phần người nhất của học tập: người học đang cảm thấy mình có thể tiến bộ hay không.

Môi trường học tập như hệ thống nâng đỡ

Người học không học trong chân không. Họ học trong lớp học, gia đình, công ty, cộng đồng, nền tảng số, lịch thi, quy định, văn hóa phản hồi và kỳ vọng xã hội. Vì vậy, khác biệt người học không thể được hiểu chỉ bằng thuộc tính cá nhân.

Một học sinh có phụ huynh theo sát, bàn học yên tĩnh, thiết bị ổn định và giáo viên phản hồi đều đặn sống trong một môi trường học khác với học sinh phải dùng chung điện thoại, học sau giờ làm phụ gia đình và không có ai giải thích khi mắc kẹt. Nếu một nền tảng chỉ nhìn dữ liệu tương tác, nó có thể kết luận học sinh thứ hai “ít chăm”. Kết luận ấy vừa thiếu chính xác, vừa nguy hiểm.

Trong đào tạo doanh nghiệp, môi trường còn quyết định mạnh hơn. Một khóa học có thể dạy nhân viên quy trình chăm sóc khách hàng rất tốt. Nhưng nếu KPI chỉ thưởng tốc độ xử lý, quản lý không làm gương, hệ thống CRM khó dùng và khách hàng thật luôn có ngoại lệ, người học sẽ quay về hành vi cũ. Vấn đề không nằm trong trí nhớ cá nhân mà nằm trong hệ thống công việc.

Đây là nơi job aids quan trọng. Không phải thứ gì cũng cần học thuộc. Có những nhiệm vụ hiếm gặp, phức tạp hoặc thay đổi thường xuyên nên được hỗ trợ bằng checklist, mẫu biểu, hướng dẫn tại điểm làm việc, cây quyết định hoặc công cụ tra cứu. Một EdTech trưởng thành biết phân biệt: cái gì cần đưa vào trí nhớ dài hạn, cái gì cần luyện thành kỹ năng, cái gì nên đặt trong môi trường như một hỗ trợ ngoài trí nhớ.

Cộng đồng cũng là một phần của môi trường. Người học cần thấy người khác học ra sao, hỏi được khi bí, nhận phản hồi từ người thật, so sánh cách giải, chia sẻ sản phẩm và xây bản sắc. Một nền tảng chỉ có nội dung và quiz có thể phù hợp với một số mục tiêu hẹp, nhưng nhiều năng lực sâu cần quan hệ xã hội: viết, nói, tranh luận, thiết kế, lãnh đạo, nghiên cứu, đạo đức nghề nghiệp.

Giáo viên, huấn luyện viên, phụ huynh và quản lý không phải phần phụ bên ngoài phần mềm. Họ là một phần của hệ thống học tập. Dashboard tốt không chỉ hiển thị dữ liệu; nó giúp người hỗ trợ ra quyết định: ai cần can thiệp, can thiệp kiểu gì, khi nào nên để người học tự xoay xở, khi nào cần gọi điện, khi nào cần đổi nhiệm vụ, khi nào vấn đề là môi trường chứ không phải năng lực.

Universal Design for Learning thường được nhắc đến như một khung để thiết kế hòa nhập: cung cấp nhiều cách tiếp cận, nhiều cách biểu đạt và nhiều cách tham gia. Zhang và cộng sự tổng quan các nghiên cứu UDL trong preK-12 và ghi nhận cả giá trị lẫn thách thức: UDL được dùng rộng, nhưng vẫn có phê bình về độ rõ khái niệm, khó triển khai và bằng chứng hiệu quả (Zhang et al., 2024). Bài học cho EdTech là không nên biến “nhiều lựa chọn” thành khẩu hiệu. Hòa nhập không phải thêm vô hạn tùy chọn; nó là giảm rào cản có thật trong khi vẫn giữ mục tiêu học tập nghiêm túc.

Phân tích phản biện

Chủ đề khác biệt người học rất dễ bị thương mại hóa. “Mỗi người một lộ trình” nghe thuyết phục, nhưng lộ trình được cá nhân hóa theo cái gì? Nếu theo sở thích tự báo cáo, hệ thống có thể chiều người học vào cách quen thuộc nhưng không hiệu quả. Nếu theo tỷ lệ đúng sai, hệ thống có thể bỏ qua động lực, cảm xúc và bối cảnh. Nếu theo tốc độ hoàn thành, hệ thống có thể thưởng cho học nông.

Một rủi ro khác là cá nhân hóa biến thành cô lập hóa. Mỗi người học một màn hình riêng, bài riêng, tốc độ riêng, phản hồi riêng, rồi mất cơ hội nghe cách nghĩ của người khác. Nhưng nhiều khác biệt chỉ trở nên có ích khi đặt cạnh nhau. Người hiểu nhanh có thể học sâu hơn khi giải thích cho bạn. Người đang mắc lỗi có thể giúp cả lớp thấy lỗi phổ biến. Người có kinh nghiệm khác ngành có thể đưa ví dụ làm giàu cuộc thảo luận. Cá nhân hóa không nên xóa học tập xã hội.

Rủi ro thứ ba là hệ thống thích nghi quá nhanh. Nếu người học sai hai câu, thuật toán hạ độ khó ngay; nếu đúng vài câu, thuật toán tăng tốc ngay. Học tập không ổn định như vậy. Một lỗi có thể là bất cẩn, thiếu ngủ, hiểu sai đề hoặc chưa quen định dạng. Một câu đúng có thể là đoán. Cá nhân hóa cần dữ liệu đủ dày, nhiệm vụ đủ đa dạng và cơ chế cho con người can thiệp.

Rủi ro thứ tư là nhầm hỗ trợ với thay thế. Công cụ lập kế hoạch có thể dạy người học lập kế hoạch, hoặc có thể làm thay mãi. Gợi ý có thể mở đường suy nghĩ, hoặc có thể biến thành đáp án từng bước. Dashboard có thể giúp tự giám sát, hoặc có thể chỉ làm giáo viên giám sát người học nhiều hơn. AI coach có thể giúp phản tư, hoặc có thể tạo thêm một giọng nói luôn đánh giá.

Điều cần giữ là quyền phát triển của người học. Hệ thống không chỉ hỏi “làm sao để người học hoàn thành bài này?” mà còn hỏi “sau bài này, người học có tự học tốt hơn một chút không?” Nếu câu trả lời là không, cá nhân hóa đang quá ngắn hạn.

Nguyên tắc thiết kế

Một: chẩn đoán khoảng cách trước khi chọn giải pháp. Đừng mặc định mọi vấn đề là thiếu nội dung. Hãy hỏi người học thiếu kiến thức, thiếu kỹ năng, thiếu động lực, thiếu môi trường, thiếu giao tiếp hay thiếu kết hợp nhiều thứ.

Hai: cá nhân hóa theo kiến thức nền và mức thành thạo. Người mới cần cấu trúc, ví dụ, phân đoạn và phản hồi gần. Người trung cấp cần phân biệt dạng, luyện biến đổi và sửa lỗi. Người giỏi cần thử thách mở hơn, ít hỗ trợ dư thừa hơn và cơ hội chuyển giao.

Ba: thiết kế scaffold có điểm rút. Hỗ trợ nên giảm dần khi người học tiến bộ. Nếu hệ thống luôn giữ cùng mức gợi ý, nó có thể làm người học phụ thuộc.

Bốn: hỗ trợ SRL thay vì làm thay SRL. Công cụ nên giúp người học đặt mục tiêu, chọn chiến lược, dự đoán, theo dõi, phản tư và điều chỉnh. Nó không nên biến người học thành người chỉ làm theo lệnh của thuật toán.

Năm: giữ động lực và cảm xúc trong mô hình người học. Người học không chỉ có điểm số. Họ có tự tin, lo lắng, chán nản, tò mò, áp lực, cảm giác thuộc về và kỳ vọng về bản thân. Những yếu tố này không dễ đo, nhưng bỏ qua chúng làm thiết kế nghèo đi.

Sáu: phân biệt học thuộc, luyện kỹ năng và hỗ trợ tại điểm làm việc. Không phải nhiệm vụ nào cũng cần khóa học. Có nhiệm vụ cần job aid, checklist, mẫu, cộng đồng hỏi đáp hoặc thay đổi quy trình.

Bảy: cá nhân hóa không được xóa cộng đồng. Người học cần lộ trình riêng ở một số điểm, nhưng cũng cần đối thoại, phản hồi ngang hàng, ví dụ từ người khác và cảm giác cùng thuộc về một thực hành chung.

Tám: thiết kế nhiều đường vào, nhưng giữ chuẩn đầu ra. Hòa nhập không phải hạ chuẩn. Nó là cho người học nhiều cách tiếp cận và biểu đạt hợp lý để đạt mục tiêu có ý nghĩa.

Tổng kết chương

Người học không giống nhau, nhưng khác biệt quan trọng không nằm ở những nhãn dễ bán. Nó nằm ở kiến thức nền, mức thành thạo, kỹ năng tự điều chỉnh, động lực, cảm xúc, môi trường, giao tiếp và cơ hội thực hành. Một hệ thống EdTech tốt phải đủ tinh tế để phân biệt các loại khoảng cách này.

Chương này cũng đặt một giới hạn cho cá nhân hóa. Cá nhân hóa không phải để mỗi người bị nhốt trong một đường hầm riêng, cũng không phải để thuật toán làm thay việc học. Cá nhân hóa có ý nghĩa khi nó giúp người học nhận đúng hỗ trợ, đúng thời điểm, đúng mức, rồi dần tự chủ hơn.

Từ đây, cuốn sách có đủ bốn mảnh la bàn đầu tiên: lịch sử lời hứa chưa thành, cách đọc bằng chứng, cơ chế học tập và khác biệt người học. Phần tiếp theo sẽ chuyển sang bản đồ công nghệ EdTech và AIEd: những họ công cụ nào đang tồn tại, chúng hứa giải quyết vấn đề gì, và chúng cần được đánh giá bằng các nguyên lý nào.

Tài liệu tham khảo

• Brummer, L., de Boer, H., Mouw, J. M., & Strijbos, J.-W. (2024). A meta-analysis of the effects of context, content, and task factors of digitally delivered instructional feedback on learning performance. Learning Environments Research, 27, 453-476. https://doi.org/10.1007/s10984-024-09501-4
• Clark, R. C., & Mayer, R. E. (2024). e-Learning and the Science of Instruction (5th ed.). Wiley.
• Dirksen, J. (2016). Design for How People Learn (2nd ed.). New Riders.
• Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. Educational Psychology Review, 19, 509-539. https://doi.org/10.1007/s10648-007-9054-3
• Prasse, D., Webb, M., Deschênes, M., Parent, S., Aeschlimann, F., Goda, Y., Yamada, M., & Raynault, A. (2024). Challenges in promoting self-regulated learning in technology supported learning environments: An umbrella review of systematic reviews and meta-analyses. Technology, Knowledge and Learning, 29, 1809-1830. https://doi.org/10.1007/s10758-024-09772-z
• Toomla, K., Hooshyar, D., Kikas, E., Malva, L., Malleus-Kotšegarov, E., et al. (2026). Tracing and supporting self-regulated learning in K-12 digital learning: A systematic review of the last three decades (1990-2024). Educational Research Review, 51, 100782. https://doi.org/10.1016/j.edurev.2026.100782
• Villar, E., Mayo, M. E., Martínez-López, Z., & Tinajero, C. (2024). What are the principal and most effective strategies for motivational self-regulation? A systematic review and meta-analyses. Learning and Individual Differences, 113, 102480. https://doi.org/10.1016/j.lindif.2024.102480
• Zhang, L., Carter, R. A., Greene, J. A., & Bernacki, M. L. (2024). Unraveling challenges with the implementation of Universal Design for Learning: A systematic literature review. Educational Psychology Review, 36, 35. https://doi.org/10.1007/s10648-024-09860-7