Chương 5: Content & Curriculum AI

Bối cảnh / Vấn đề

Phần I của cuốn sách dựng một la bàn: EdTech phải được đo bằng học tập, không bằng độ mới. Từ Chương 5, cuốn sách chuyển sang bản đồ công nghệ. Câu hỏi không còn chỉ là “con người học thế nào?” mà là “những họ công nghệ nào đang can thiệp vào quá trình học, và chúng can thiệp ở điểm nào?”.

Content & Curriculum AI là lục địa đầu tiên cần khảo sát vì nó đang đi vào giáo dục nhanh nhất. Trước khi một hệ thống có thể chấm bài, dạy kèm, dự báo rủi ro hay điều phối lớp học, nó thường bắt đầu bằng nội dung: bài đọc, video, slide, giáo trình, câu hỏi, ví dụ, bản tóm tắt, flashcard, rubric, syllabus, chuẩn đầu ra và lộ trình học. AI tạo sinh làm cho những thứ này rẻ hơn, nhanh hơn và dễ biến đổi hơn.

Điều đó hấp dẫn. Một giáo viên có thể đưa một chương sách vào hệ thống và nhận lại tóm tắt, câu hỏi kiểm tra, ví dụ gần gũi, từ vựng chính, bài luyện tập và kế hoạch bài dạy. Một trường có thể chuyển hàng trăm PDF cũ thành tài nguyên số có cấu trúc. Một trung tâm đào tạo có thể biến transcript lớp học thành ghi chú, quiz và nhiệm vụ ôn tập. Một nhóm thiết kế chương trình có thể dùng AI để đối chiếu chuẩn đầu ra, học liệu, hoạt động và đánh giá.

Nhưng chính vì AI làm nội dung quá nhanh, giáo dục đối mặt với một rủi ro mới: sự dư thừa trông có vẻ hữu ích. Nếu vấn đề học tập không phải thiếu nội dung, thêm nội dung sẽ chỉ làm hệ thống ồn hơn. Nếu bài tập không gắn với mục tiêu học, sinh thêm bài tập chỉ tăng việc. Nếu tóm tắt làm mất cấu trúc lập luận, nó giúp người học đi nhanh hơn nhưng hiểu nông hơn. Nếu hệ thống dịch bài học mà không hiểu văn hóa, cấp độ và bối cảnh, nó có thể làm nội dung dễ đọc hơn nhưng sai tinh thần sư phạm.

Vì vậy, chương này không hỏi “AI có tạo được nội dung không?”. Câu trả lời đã quá rõ: có. Câu hỏi cần hơn là: nội dung được tạo ra có đúng, phù hợp, có thể học được, có kiểm định, có tôn trọng bản quyền, có địa phương hóa, có nối với mục tiêu và đánh giá, và có giúp người học làm việc nhận thức cần thiết không?

Từ tài liệu thô đến tài nguyên học có cấu trúc

Ứng dụng dễ thấy nhất của Content AI là biến tài liệu thô thành tài nguyên học được cấu trúc. Trong nhiều tổ chức giáo dục, tri thức nằm rải rác trong PDF, giáo trình in, slide, video bài giảng, transcript, tài liệu nội bộ, đề cũ, đáp án mẫu, rubric và ghi chú của giáo viên. Vấn đề không phải thiếu tài nguyên. Vấn đề là tài nguyên khó tìm, khó tái sử dụng, khó phân cấp, khó cập nhật và khó nối với mục tiêu học.

AI có thể hỗ trợ một chuỗi thao tác: trích xuất văn bản từ PDF, nhận diện chủ đề chính, tách chương mục, tạo outline, phát hiện thuật ngữ, gắn nhãn cấp độ, tóm tắt nhiều mức, chuyển transcript thành ghi chú, tạo câu hỏi ôn tập, đề xuất ví dụ và biến một bài giảng dài thành các đơn vị học nhỏ hơn. Đây là việc trước kia tốn nhiều giờ lao động biên tập.

Tuy nhiên, “tài liệu đã được xử lý” chưa chắc là “học liệu tốt”. Một bản tóm tắt có thể ngắn nhưng làm mất quan hệ nhân quả. Một bộ flashcard có thể đầy đủ thuật ngữ nhưng chỉ luyện nhận diện, không luyện sử dụng. Một video được chia thành đoạn nhỏ có thể dễ xem hơn, nhưng nếu không có câu hỏi truy hồi, ví dụ và phản hồi, nó vẫn là tiêu thụ nội dung. Một bài đọc được đơn giản hóa có thể dễ tiếp cận hơn, nhưng nếu đơn giản hóa quá tay, nó làm nghèo khái niệm.

Từ Chương 3, ta biết học không phải tiếp nhận thông tin thụ động. Vì vậy, chuyển đổi tài liệu phải đi kèm câu hỏi sư phạm: người học cần làm gì với tài liệu này? Họ cần nhớ khái niệm, phân biệt trường hợp, giải thích cơ chế, thực hành kỹ năng, phản biện quan điểm hay dùng kiến thức trong tình huống mới? Mỗi mục tiêu dẫn đến cách cấu trúc học liệu khác nhau.

Một bài đọc về sinh học có thể được chuyển thành sơ đồ quan hệ khái niệm, câu hỏi truy hồi, bài tập phân biệt cơ chế và nhiệm vụ giải thích hiện tượng. Một transcript lớp luyện nói có thể được chuyển thành lỗi phát âm phổ biến, mẫu câu thay thế, đoạn luyện tập theo ngữ cảnh và phản hồi cá nhân. Một tài liệu quy trình trong doanh nghiệp có thể được chuyển thành checklist tại điểm làm việc, cây quyết định và tình huống ngoại lệ. Cùng là “chuyển đổi nội dung”, nhưng sản phẩm học tập rất khác nhau.

UNESCO nhấn mạnh rằng GenAI mở ra khả năng dùng trong thiết kế chương trình, dạy học, học tập và nghiên cứu, nhưng phải được đặt trong tiếp cận human-centred, có bảo vệ dữ liệu, xác nhận đạo đức và thiết kế phù hợp lứa tuổi (Miao & Holmes, 2023/2026). Điều này đặc biệt đúng với xử lý tài liệu. Một hệ thống có thể đọc được tài liệu không có nghĩa là nó được phép dùng tài liệu đó, hoặc có thể biến nó thành học liệu cho mọi nhóm tuổi.

Sinh nội dung học tập

Nhóm ứng dụng thứ hai là sinh nội dung mới: bài đọc, câu hỏi, ví dụ, tình huống, mô phỏng văn bản, đoạn hội thoại, flashcard, bài luyện tập, rubric, gợi ý hoạt động nhóm, kế hoạch bài dạy và tài liệu bổ trợ. Đây là điểm khiến AI tạo sinh trở nên khác với nhiều thế hệ EdTech trước: nó không chỉ phân phối học liệu, nó tham gia sản xuất học liệu.

Trong thực hành hằng ngày, giá trị của chức năng này rất thật. Giáo viên có thể yêu cầu một chủ đề được giải thích ở ba mức độ: lớp 6, lớp 10 và sinh viên năm nhất. Có thể yêu cầu thêm ví dụ gần đời sống địa phương. Có thể tạo mười câu hỏi chẩn đoán trước khi vào bài. Có thể biến một khái niệm trừu tượng thành tình huống tranh luận. Có thể tạo bài luyện tập theo lỗi sai cụ thể của một nhóm học sinh. Với giáo viên vốn thiếu thời gian, đây là một dạng mở rộng năng lực chuẩn bị.

Nhưng sinh nội dung nhanh không đồng nghĩa với thiết kế học tập tốt. Nội dung học tập cần ít nhất năm lớp kiểm định.

Lớp thứ nhất là đúng kiến thức. AI có thể viết trôi chảy nhưng sai sự thật, sai công thức, bịa nguồn, nhầm thuật ngữ hoặc suy luận thiếu bước. Sun và cộng sự phân loại thông tin méo trong AIGC thành nhiều nhóm lỗi, gồm lỗi logic, lỗi suy luận, lỗi toán, bịa không có căn cứ, lỗi sự kiện và lỗi đầu ra văn bản (Sun et al., 2024). Trong giáo dục, mỗi nhóm lỗi này đều có thể tạo hiểu lầm bền nếu đi vào học liệu.

Lớp thứ hai là đúng mục tiêu. Một bài học không chỉ cần nội dung đúng; nó phải phục vụ mục tiêu học rõ. Nếu mục tiêu là phân biệt hai khái niệm dễ nhầm, nội dung phải tạo cơ hội so sánh. Nếu mục tiêu là dùng kiến thức để ra quyết định, nội dung cần tình huống có dữ kiện thừa, ràng buộc và phản hồi. Nếu mục tiêu là fluency, nội dung cần luyện tập lặp lại có biến đổi. AI thường sinh ra “bài giảng hợp lý”, nhưng hợp lý chung chung chưa đủ.

Lớp thứ ba là đúng mức. Một giải thích quá dễ làm người học chán và không tiến bộ. Một giải thích quá khó làm người học mất phương hướng. Cấp độ không chỉ là độ dài câu hay số lượng thuật ngữ. Nó còn là kiến thức nền giả định, độ phức tạp của ví dụ, số bước suy luận, lượng thông tin mới và mức tự chủ cần có.

Lớp thứ tư là đúng hoạt động nhận thức. Nếu AI tạo ngay lời giải mẫu, người học có thể mất cơ hội truy hồi, dự đoán, thử sai và tự giải thích. Nếu AI luôn tóm tắt, người học có thể không học cách đọc cấu trúc văn bản. Nếu AI luôn viết ví dụ, người học có thể không tự tạo liên hệ. Nội dung tốt đôi khi phải giữ lại một phần công việc cho người học.

Lớp thứ năm là đúng bối cảnh. Một ví dụ phù hợp ở nước này có thể xa lạ ở nước khác. Một tình huống phù hợp với sinh viên đại học có thể không phù hợp với học sinh nhỏ tuổi. Một bài luyện tập phù hợp với lớp có giáo viên hướng dẫn có thể thất bại trong tự học. Nội dung không sống trong chân không; nó sống trong văn hóa, lứa tuổi, môn học, kỳ vọng và điều kiện triển khai.

Các tổng quan gần đây về GenAI trong giáo dục đều cho thấy tiềm năng nhưng cũng nhấn mạnh bằng chứng còn đang hình thành. Zhang và cộng sự tổng hợp 48 nghiên cứu thực nghiệm gần đây, ghi nhận GenAI có vai trò trong hỗ trợ học tập, hỗ trợ dạy học, phản hồi và cơ hội đánh giá mới, nhưng cũng nêu các lo ngại và nhu cầu nghiên cứu tiếp (Zhang et al., 2024). Owan và cộng sự, trong một systematic review về GenAI cho teaching and learning practice, cũng nhấn mạnh nhu cầu cập nhật chương trình, hướng dẫn sử dụng liên ngành và đánh giá thực nghiệm thận trọng (Owan et al., 2024).

Với Content AI, kết luận thực dụng là: dùng AI như người soạn nháp nhanh, không phải tổng biên tập cuối. Con người vẫn phải quyết định mục tiêu, chuẩn chất lượng, độ tuổi phù hợp, tính chính xác, bản quyền và cách học liệu đi vào hoạt động học.

Bản địa hóa và dịch thuật giáo dục

Dịch thuật là một trong những năng lực mạnh nhất của AI hiện nay, nhưng dịch giáo dục không chỉ là đổi ngôn ngữ. Một bài học có thể được dịch đúng từng câu mà vẫn không học được, vì ví dụ xa lạ, thang trình độ lệch, cách xưng hô không phù hợp, kiến thức nền khác, hoặc khái niệm không có tương đương trực tiếp trong văn hóa đích.

Trong giáo dục, bản địa hóa có ít nhất bốn tầng.

Tầng ngôn ngữ là dịch đúng nghĩa, đúng thuật ngữ, đúng giọng và đúng độ khó. Một từ chuyên môn có thể có nhiều cách dịch tùy cấp học. “Function” trong toán học, lập trình và giao tiếp ngôn ngữ không nên bị xử lý như cùng một mục từ. “Evidence” trong khoa học tự nhiên, luật, lịch sử và viết luận cũng cần ngữ cảnh.

Tầng văn hóa là thay ví dụ, tình huống, tên riêng, đơn vị đo, địa danh, thói quen và giả định xã hội. Một bài toán về tiền tip trong nhà hàng có thể không gần với học sinh ở nơi ít dùng văn hóa tip. Một bài đọc về giao thông công cộng ở thành phố lớn có thể không phù hợp với học sinh vùng nông thôn. Một ví dụ về phụ huynh và trường học có thể chạm vào khác biệt văn hóa rất sâu.

Tầng chương trình là nối nội dung với chuẩn đầu ra, sách giáo khoa, kỳ thi, tiến độ và cách đánh giá địa phương. Một tài nguyên tiếng Anh hay không tự nhiên trở thành học liệu tốt cho lớp học Việt Nam nếu nó không khớp mục tiêu, thuật ngữ và thói quen đánh giá của chương trình.

Tầng sư phạm là điều chỉnh hoạt động học theo bối cảnh. Một nhiệm vụ thảo luận mở có thể rất tốt ở lớp quen tranh luận, nhưng cần scaffold nhiều hơn ở lớp ít nói. Một hoạt động tự học có thể phù hợp với sinh viên trưởng thành, nhưng không phù hợp với học sinh nhỏ tuổi nếu thiếu hướng dẫn và phản hồi.

AI có thể giúp bản địa hóa nhanh hơn: đề xuất nhiều bản dịch, tạo ví dụ địa phương, điều chỉnh độ khó, phát hiện thuật ngữ, so sánh chương trình và sinh hoạt động thay thế. Nhưng bản địa hóa giáo dục vẫn cần người hiểu người học. Nếu giao toàn bộ cho máy, nội dung dễ trở thành “đọc được” nhưng không “thuộc về” lớp học.

UNESCO đặt inclusion, equity, linguistic and cultural diversity là một mối quan tâm quan trọng khi bàn về GenAI trong giáo dục (Miao & Holmes, 2023/2026). Đây không phải phần phụ. Nếu AI học chủ yếu từ dữ liệu của vài ngôn ngữ lớn và vài bối cảnh giàu tài nguyên, nó có thể làm các nền giáo dục nhỏ hơn trở thành người tiêu dùng bản dịch thay vì người đồng kiến tạo tri thức.

Vì vậy, Content AI nên được thiết kế như công cụ tăng năng lực bản địa hóa của giáo viên và nhóm chương trình địa phương, không phải máy nhập khẩu nội dung đại trà.

Syllabus mapping và ontology alignment

Ứng dụng sâu hơn của Content & Curriculum AI không nằm ở việc tạo từng bài học, mà ở việc nối các thành phần của chương trình thành một bản đồ tri thức. Trong một hệ thống giáo dục, có nhiều lớp cần khớp nhau: chuẩn đầu ra, mục tiêu học tập, chủ đề, khái niệm, kỹ năng, bài đọc, video, ví dụ, hoạt động, bài tập, câu hỏi kiểm tra, rubric, năng lực giáo viên và dữ liệu tiến bộ của người học.

Khi các lớp này không khớp, hệ thống tạo ra nhiều lỗi âm thầm. Giáo viên dạy một thứ, bài kiểm tra đo thứ khác. Học liệu nói có mục tiêu phân tích, nhưng bài tập chỉ yêu cầu nhớ lại. Chuẩn đầu ra yêu cầu năng lực giao tiếp, nhưng nội dung chỉ có ngữ pháp rời rạc. Một học sinh sai liên tục ở chủ đề hiện tại, nhưng nguyên nhân thật nằm ở một khái niệm nền từ ba tháng trước. Không có bản đồ, mọi người chỉ thấy biểu hiện bề mặt.

Syllabus mapping là việc nối mục tiêu, nội dung, hoạt động và đánh giá trong một học phần hoặc chương trình. Ontology alignment đi xa hơn: nó xây hoặc căn chỉnh mạng lưới khái niệm, quan hệ, điều kiện tiên quyết và cấp độ thành thạo. AI có thể hỗ trợ trích xuất mục tiêu từ syllabus, nhận diện khái niệm trong học liệu, gợi ý prerequisite, phát hiện trùng lặp, tìm khoảng trống, nối câu hỏi với chuẩn đầu ra, và đề xuất chuỗi học hợp lý hơn.

Ví dụ, trong một chương trình toán, hệ thống có thể phát hiện rằng nhiều bài sai về phương trình bậc nhất thật ra liên quan đến thiếu hiểu biết về phân phối phép nhân hoặc chuyển vế. Trong một khóa viết học thuật, hệ thống có thể nối lỗi lập luận với các khái niệm như claim, evidence, warrant, counterargument. Trong một chương trình đào tạo nghề, hệ thống có thể nối tình huống thực hành với năng lực, tiêu chí đánh giá và job aid liên quan.

Jaramillo và Chiappe, trong một tổng quan về AI-driven classroom và xu hướng chương trình thế kỷ 21, nhấn mạnh rằng chương trình học cần thích ứng với năng lực mới, liên ngành hơn, gắn với vấn đề thật hơn, đồng thời phải bảo vệ lợi ích dài hạn của người học khi đưa AI vào chương trình (Jaramillo & Chiappe, 2024). Điều này nhắc rằng curriculum AI không nên chỉ tự động hóa syllabus cũ. Nó phải giúp tổ chức nhìn lại: mục tiêu nào còn phù hợp, mục tiêu nào thiếu, mục tiêu nào bị đánh giá sai, và mục tiêu nào cần được dạy bằng cách khác.

Tuy nhiên, bản đồ chương trình cũng có rủi ro. Một ontology quá cứng có thể biến học tập thành đường ray hẹp. Một bản đồ khái niệm được tạo tự động có thể bỏ qua tranh luận học thuật, khác biệt văn hóa hoặc nhiều con đường học hợp lệ. Một hệ thống mapping có thể tạo cảm giác chính xác giả: mọi mục tiêu đều được gắn nhãn, mọi bài tập đều có chuẩn, nhưng không ai kiểm tra chất lượng thật của mối nối.

Vì vậy, syllabus mapping và ontology alignment nên được xem là công cụ đối thoại chuyên môn. AI đề xuất bản đồ, con người kiểm tra, chỉnh, tranh luận và dùng nó để ra quyết định. Bản đồ tốt không thay thế hội đồng chương trình; nó làm cho cuộc họp chương trình bớt mù mờ hơn.

Rủi ro nội dung tự động

Rủi ro đầu tiên là hallucination. Trong giáo dục, hallucination không chỉ là một câu trả lời sai. Nó có thể trở thành ví dụ sai trong bài giảng, lời giải sai trong kho bài tập, định nghĩa sai trong flashcard, nguồn tham khảo bịa trong tài liệu đọc, hoặc phản hồi sai làm người học sửa theo hướng xấu. Điều nguy hiểm là lỗi AI thường trôi chảy. Người mới học càng khó phát hiện vì họ chưa có kiến thức nền để nghi ngờ.

Rủi ro thứ hai là bias. Nội dung tự động có thể lặp lại thiên kiến về giới, nghề nghiệp, vùng miền, ngôn ngữ, năng lực, chủng tộc, tôn giáo hoặc tầng lớp. Trong tài liệu học tập, bias không chỉ xúc phạm; nó dạy người học điều gì là bình thường, ai được xem là chuyên gia, ai được đại diện, ai bị biến thành ví dụ phụ.

Rủi ro thứ ba là bản quyền và nguồn gốc. Nếu AI tạo bài đọc dựa trên tài liệu có bản quyền, hoặc tóm tắt một sách giáo khoa thương mại thành nội dung thay thế, tổ chức cần biết quyền sử dụng nằm ở đâu. Nếu giáo viên đưa dữ liệu học sinh, bài viết cá nhân hoặc tài liệu nội bộ vào công cụ bên ngoài, vấn đề riêng tư và bảo mật xuất hiện ngay.

Rủi ro thứ tư là độ tuổi phù hợp. Một mô phỏng hội thoại, ví dụ xã hội, hình ảnh, câu chuyện hoặc nội dung nhạy cảm cần phù hợp với tuổi, bối cảnh và mức trưởng thành. UNESCO khuyến nghị tiếp cận human-agent và age-appropriate trong xác nhận đạo đức và thiết kế sư phạm cho GenAI (Miao & Holmes, 2023/2026). Với Content AI, điều này phải đi vào quy trình duyệt nội dung, không chỉ nằm ở chính sách.

Rủi ro thứ năm là sự nghèo đi của chương trình học. Khi AI có thể tạo tài liệu nhanh, tổ chức có thể bị cám dỗ chuẩn hóa mọi thứ thành cùng một giọng, cùng một cấu trúc, cùng một kiểu bài. Nội dung trở nên gọn, đều, dễ sản xuất, nhưng mất chất riêng của giáo viên, mất chiều sâu học thuật, mất tranh luận, mất sự bất ngờ của ví dụ thật. Một chương trình toàn nội dung AI có thể rất sạch sẽ trên giấy nhưng nghèo trải nghiệm.

Rủi ro thứ sáu là lệch trọng tâm từ học sang sản xuất học liệu. Một trường có thể tự hào vì tạo được hàng nghìn bài học, nhưng người học không cần hàng nghìn bài học. Họ cần vài trải nghiệm học đúng lúc, đủ sâu, có phản hồi và có cơ hội dùng kiến thức. Trong Content AI, thước đo nguy hiểm nhất là số lượng nội dung được tạo.

Nguyên tắc thiết kế

Một: bắt đầu từ mục tiêu học, không bắt đầu từ prompt. Trước khi yêu cầu AI tạo gì đó, hãy xác định người học cần làm được gì, bằng chứng nào cho thấy họ làm được, và nội dung đóng vai trò gì trong chuỗi học tập.

Hai: coi AI là người soạn nháp, không phải người phê duyệt. Mọi học liệu quan trọng cần quy trình kiểm định: đúng kiến thức, đúng mục tiêu, đúng mức, đúng bối cảnh, đúng quyền sử dụng và đúng độ tuổi.

Ba: biến tài liệu thành hoạt động học, không chỉ thành tóm tắt. Một PDF được tóm tắt chưa phải bài học. Hãy thêm truy hồi, ví dụ, so sánh, bài tập áp dụng, phản hồi và cơ hội sửa.

Bốn: giữ lại lao động nhận thức cần thiết cho người học. Đừng để AI luôn giải thích trước, tóm tắt trước, làm mẫu trước và trả lời trước. Nhiều lúc hệ thống nên yêu cầu người học dự đoán, tự giải, tự tạo ví dụ hoặc tự đặt câu hỏi trước khi nhận hỗ trợ.

Năm: bản địa hóa bằng chuyên môn địa phương. AI có thể đề xuất bản dịch và ví dụ, nhưng giáo viên, chuyên gia chương trình và người hiểu bối cảnh phải quyết định cái gì phù hợp.

Sáu: xây bản đồ chương trình để phát hiện khoảng trống. Nối chuẩn đầu ra, học liệu, hoạt động, bài tập và đánh giá để thấy chỗ lệch. Nhưng hãy xem bản đồ là giả thuyết cần kiểm tra, không phải sự thật cuối.

Bảy: ghi vết nguồn và phiên bản. Học liệu AI cần có thông tin: được tạo từ nguồn nào, ai duyệt, duyệt ngày nào, dùng cho nhóm tuổi nào, đã sửa gì, có hạn chế gì. Không có provenance, hệ thống sẽ khó sửa lỗi khi lỗi lan rộng.

Tám: đo học tập, không đo sản lượng nội dung. Thành công của Content AI không phải số bài sinh ra, số slide tạo được hay số câu hỏi trong ngân hàng. Thành công là người học hiểu sâu hơn, nhớ bền hơn, dùng được hơn, giáo viên tiết kiệm thời gian thật hơn, và chương trình nhất quán hơn.

Tổng kết chương

Content & Curriculum AI là một trong những vùng ứng dụng mạnh nhất của AI trong giáo dục vì nó chạm vào phần hằng ngày nhất của dạy và học: tài liệu, bài học, câu hỏi, ví dụ, kế hoạch và chương trình. Nó có thể giúp chuyển đổi tài liệu thô, sinh học liệu, bản địa hóa nội dung và xây bản đồ chương trình.

Nhưng đây cũng là vùng dễ tạo ảo tưởng nhất. Nội dung nhiều hơn không tự làm học tập tốt hơn. Nội dung đúng ngữ pháp không chắc đúng kiến thức. Nội dung cá nhân hóa không chắc đúng nhu cầu. Nội dung được gắn chuẩn không chắc tạo năng lực. Nếu không có quy trình kiểm định và thiết kế sư phạm, AI có thể làm giáo dục trông có vẻ giàu tài nguyên hơn trong khi người học vẫn học nông.

Chương này mở bản đồ công nghệ bằng một nguyên tắc: AI sản xuất nội dung phải phục vụ AI tổ chức học tập, không phải ngược lại. Chương tiếp theo sẽ đi sang Assessment & Evaluation AI, nơi câu hỏi trở nên sắc hơn: nếu AI có thể tạo và chấm nhiều loại bài, ta phải đo cái gì, đo thế nào, và tránh tối ưu nhầm ra sao?

Tài liệu tham khảo

• Jaramillo, J. J., & Chiappe, A. (2024). The AI-driven classroom: A review of 21st century curriculum trends. PROSPECTS, 54, 645-660. https://doi.org/10.1007/s11125-024-09704-w
• Li, L., Yu, F., & Zhang, E. (2024). A systematic review of learning task design for K-12 AI education: Trends, challenges, and opportunities. Computers and Education: Artificial Intelligence, 6, 100217. https://doi.org/10.1016/j.caeai.2024.100217
• Miao, F., & Holmes, W. (2023, updated 2026). Guidance for generative AI in education and research. UNESCO. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
• Owan, V. J., Abang, K. B., Idika, D. O., Etta, E. O., & Bassey, B. A. (2024). A systematic review of generative AI for teaching and learning practice. Education Sciences, 14(6), 636. https://doi.org/10.3390/educsci14060636
• Sun, Y., Sheng, D., Zhou, Z., & Wu, Y. (2024). AI hallucination: Towards a comprehensive classification of distorted information in artificial intelligence-generated content. Humanities and Social Sciences Communications, 11, 1278. https://doi.org/10.1057/s41599-024-03811-x
• Zhang, X., Zhang, P., Shen, Y., Liu, M., et al. (2024). A systematic literature review of empirical research on applying generative artificial intelligence in education. Frontiers of Digital Education, 1(3), 223-245. https://doi.org/10.1007/s44366-024-0028-5