Giá trị sử dụng trực tiếp của môi trường phát sinh từ đâu?

Trong các hệ thống dạy học thông minh, mô hình người học và khả năng thích nghi từ mô hình đó được xem là những thành phần cốt lõi. Một hệ thống có thể thay đổi bài tập, thứ tự kiến thức, mức hỗ trợ hoặc phản hồi dựa trên những gì nó suy ra từ tương tác của từng người.

Điểm quan trọng là cá nhân hóa không đồng nghĩa với tự động hóa hoàn toàn việc dạy học. OECD nhấn mạnh rằng công cụ thích nghi có thể giúp xác định người học đang tiến bộ ở đâu và cần trợ giúp ở đâu, nhưng hiệu quả vẫn phụ thuộc vào điều kiện sử dụng và vai trò của giáo viên.

Hệ thống xây dựng mô hình người học từ dữ liệu chẩn đoán

Muốn cá nhân hóa, công nghệ trước hết phải tạo được một biểu diễn đủ hữu ích về trạng thái của từng người học. Dữ liệu đầu vào có thể đến từ kết quả bài kiểm tra đầu vào, câu trả lời đúng hoặc sai, số lần thử, loại lỗi, gợi ý đã sử dụng, trình tự làm bài và kết quả của các hoạt động trước đó.

Điểm cốt lõi không nằm ở việc thu thập càng nhiều dữ liệu càng tốt, mà ở khả năng biến dữ liệu thành một mô hình người học. Chẳng hạn, thay vì chỉ ghi nhận “học sinh đạt 65%”, hệ thống có thể cố gắng xác định người học đã nắm chắc phép biến đổi nào, còn yếu ở khái niệm nào và lỗi đang xuất phát từ thiếu kiến thức nền hay từ một cách hiểu sai.

Trong định nghĩa được sử dụng ở một meta-analysis lớn về Intelligent Tutoring Systems, hệ thống dạy học thông minh phải suy luận từ phản hồi của từng học sinh để xây dựng hoặc định vị trạng thái của người học trong một mô hình nhiều chiều, rồi sử dụng mô hình đó để điều chỉnh hoạt động dạy học.

Cơ chế này giải quyết một hạn chế của dạy học đồng loạt: hai người cùng trả lời sai một câu không nhất thiết cần cùng một biện pháp hỗ trợ. Một người có thể quên một quy tắc; người khác có thể chưa hiểu khái niệm nền. Nếu hệ thống phân biệt được nguyên nhân, nó mới có cơ sở để đưa ra các đường học khác nhau.

Tuy nhiên, mô hình người học chỉ là ước lượng, không phải bản sao chính xác năng lực của con người. Một câu trả lời sai có thể do mất tập trung; một câu đúng có thể đến từ đoán. Vì vậy, cá nhân hóa đáng tin cậy thường cần nhiều tín hiệu qua thời gian thay vì phản ứng quá mạnh trước một lần tương tác đơn lẻ.

Thuật toán điều chỉnh độ khó, thứ tự và nhịp học

Sau khi ước lượng trạng thái người học, hệ thống phải quyết định điều gì nên xảy ra tiếp theo. Đây là bước biến dữ liệu thành cá nhân hóa thực sự.

Một hệ thống thích nghi có thể thay đổi ba yếu tố chính. Thứ nhất là độ khó: người học chưa vững có thể nhận bài củng cố, trong khi người đã thành thạo được chuyển sang nhiệm vụ khó hơn. Thứ hai là trình tự: hệ thống có thể quay lại kiến thức tiền đề trước khi cho học một khái niệm phụ thuộc vào nó. Thứ ba là nhịp độ: hai người học cùng mục tiêu nhưng không nhất thiết phải dành cùng lượng thời gian cho từng phần.

Cách vận hành này tạo thành chuỗi:

Quan sát → ước lượng trạng thái → chọn hoạt động tiếp theo → đo phản ứng → cập nhật trạng thái.

OECD mô tả các công cụ học thích nghi dùng AI như một phương tiện theo dõi tiến trình, phát hiện nơi người học cần hỗ trợ và nơi họ đang thể hiện tốt, qua đó hỗ trợ việc dạy và học mang tính cá nhân hóa hơn.

Tuy vậy, thích nghi không có nghĩa hệ thống luôn phải đưa người học đến bài “dễ vừa đủ”. Nếu thuật toán liên tục tránh nội dung khó, người học có thể thiếu cơ hội luyện sự bền bỉ hoặc phát triển năng lực giải quyết vấn đề. Thiết kế tốt phải cân bằng giữa khả năng hiện tại, mục tiêu chương trình và mức thử thách cần thiết để tiến bộ.

Nói cách khác, cá nhân hóa có giá trị khi nó thay đổi đường đi đến cùng một mục tiêu học tập, chứ không tùy tiện hạ thấp mục tiêu chỉ vì người học đang gặp khó khăn.

Phản hồi và gợi ý được thay đổi theo lỗi của từng người

Cá nhân hóa không chỉ diễn ra ở việc chọn bài tiếp theo. Một trong những cơ chế quan trọng hơn là thay đổi cách hệ thống phản hồi trong lúc người học đang giải quyết nhiệm vụ.

Một nền tảng đơn giản có thể chỉ thông báo “đúng” hoặc “sai”. Hệ thống tinh vi hơn có thể xác định bước nào có vấn đề, cung cấp gợi ý theo từng mức, nhắc lại kiến thức liên quan hoặc đưa ra một nhiệm vụ nhỏ hơn để người học tự sửa lỗi trước khi xem lời giải.

Trong kiến trúc của Intelligent Tutoring Systems, các chức năng thường bao gồm giao nhiệm vụ, đặt câu hỏi, cung cấp phản hồi hoặc gợi ý và sử dụng mô hình người học để điều chỉnh những chức năng này theo từng cá nhân.

Bằng chứng thực nghiệm cho thấy cơ chế này có tiềm năng đáng kể, nhưng không nên được diễn giải như một bảo đảm rằng mọi hệ thống cá nhân hóa đều hiệu quả. Meta-analysis của Ma và cộng sự tổng hợp 107 hiệu ứng với 14.321 người học ghi nhận Intelligent Tutoring Systems có hiệu quả trung bình dương so với các phương thức đối chứng, với hiệu ứng ngẫu nhiên tổng thể khoảng g = 0,41. Khi so với dạy học nhóm lớn, hiệu ứng khoảng g = 0,44; so với học trên máy tính không phải ITS, khoảng g = 0,57. Trong khi đó, khác biệt so với gia sư cá nhân trực tiếp không có ý nghĩa thống kê.

Những con số này cho thấy giá trị của công nghệ không nhất thiết nằm ở việc “dạy giỏi hơn con người”, mà ở khả năng cung cấp lựa chọn nhiệm vụ, gợi ý và phản hồi có tính cá nhân hóa ở quy mô lớn. Chính các cơ chế này được các tác giả xem là những ứng viên hợp lý để giải thích hiệu quả của ITS, dù meta-analysis không thể chứng minh một đặc tính riêng lẻ là nguyên nhân duy nhất.

Learning analytics giúp giáo viên can thiệp đúng người và đúng thời điểm

Một cách hiểu sai phổ biến là cá nhân hóa bằng công nghệ diễn ra hoàn toàn giữa máy và học sinh. Trên thực tế, một cơ chế quan trọng khác là cá nhân hóa thông qua giáo viên.

Khi hàng chục học sinh cùng học, giáo viên khó quan sát liên tục từng thao tác của từng người. Nền tảng số có thể tổng hợp dữ liệu thành learning analytics: ai đang bị mắc ở một kỹ năng, nhóm nào đang lặp cùng loại lỗi, học sinh nào tiến bộ chậm bất thường hoặc nội dung nào đang gây khó cho cả lớp.

UNESCO ghi nhận phần mềm thích nghi có thể tạo dữ liệu phân tích giúp giáo viên theo dõi tiến bộ, nhận diện mẫu lỗi và cung cấp phản hồi phân hóa. OECD cũng chỉ ra rằng công nghệ thích nghi và phân tích lớp học có thể hỗ trợ giáo viên xác định nhu cầu hỗ trợ và điều chỉnh hoạt động dạy học.

Cơ chế lúc này không còn là:

Máy → học sinh

mà là:

Dữ liệu học tập → phân tích → giáo viên → can thiệp phù hợp với từng học sinh hoặc nhóm học sinh.

Điều này đặc biệt quan trọng vì có những quyết định mà dữ liệu tương tác khó giải thích đầy đủ. Một học sinh giảm tốc độ học có thể thiếu kiến thức, nhưng cũng có thể đang mất động lực, gặp vấn đề ngôn ngữ hoặc chịu ảnh hưởng từ hoàn cảnh bên ngoài lớp học. Giáo viên có thêm thông tin mà hệ thống không quan sát được và có thể kiểm tra lại suy luận của thuật toán trước khi can thiệp.

Vì vậy, learning analytics nên được xem là công cụ tăng khả năng quan sát của giáo viên, không phải cơ chế thay thế phán đoán sư phạm.

Nội dung và phương thức hỗ trợ có thể được điều chỉnh theo nhu cầu tiếp cận

Cá nhân hóa còn có thể diễn ra ở cách người học tiếp cận nội dung, không chỉ ở kiến thức nào được học tiếp.

Công nghệ cho phép cùng một mục tiêu học tập được hỗ trợ bằng nhiều hình thức: văn bản, âm thanh, phụ đề, chuyển giọng nói thành văn bản hoặc các công cụ trợ năng khác. OECD lưu ý rằng những công nghệ như speech-to-text và tự động tạo phụ đề có thể hỗ trợ người học có nhu cầu đặc thù tham gia hoạt động học tập tốt hơn.

Tuy nhiên, cần phân biệt giữa cá nhân hóa có cơ sở và việc gắn cố định một người vào một “kiểu học”. Việc hệ thống thay đổi phương thức trình bày nên dựa vào yêu cầu của nhiệm vụ, khả năng tiếp cận và dữ liệu cho thấy người học đang gặp rào cản gì, thay vì giả định rằng một người luôn phải học bằng duy nhất một loại phương tiện.

Ý nghĩa thực tế của cơ chế này là công nghệ có thể giảm những rào cản không liên quan trực tiếp đến mục tiêu học tập. Nếu mục tiêu là hiểu một khái niệm khoa học, khó khăn về việc nghe, đọc hoặc thao tác giao diện không nên trở thành lý do khiến người học không thể tiếp cận kiến thức.

Cá nhân hóa chỉ hiệu quả khi dữ liệu, thuật toán và sư phạm cùng phù hợp

Khả năng điều chỉnh theo từng người không tự động biến một sản phẩm EdTech thành phương pháp dạy học hiệu quả. Cá nhân hóa chỉ tạo giá trị khi tín hiệu đầu vào đủ đáng tin, suy luận đủ hợp lý và hành động thích nghi thực sự phục vụ mục tiêu học tập.

UNESCO cảnh báo rằng tác động của công nghệ giáo dục phụ thuộc mạnh vào cách nó được tích hợp vào sư phạm. Báo cáo cũng nêu trường hợp các phần mềm thích nghi tạo kết quả tích cực trong một số bối cảnh, đồng thời ghi nhận những hệ thống được sử dụng rộng rãi nhưng không cho kết quả tốt hơn dạy học truyền thống trong các đánh giá khác.

Ngay cả meta-analysis về Intelligent Tutoring Systems cũng không kết luận rằng ITS nên thay thế các phương thức dạy học khác. Các tác giả lưu ý rằng kết quả có thể chịu ảnh hưởng bởi thiết kế chương trình, mức đầu tư vào tài liệu và điều kiện nghiên cứu; bằng chứng phù hợp hơn với kết luận rằng ITS có thể bổ sung hoặc thay thế một số hình thức giảng dạy trong những điều kiện nhất định.

Ba giới hạn cần đặc biệt lưu ý.

Thứ nhất, dữ liệu không đầy đủ có thể dẫn đến cá nhân hóa sai. Hành vi trên nền tảng chỉ phản ánh một phần trạng thái của người học.

Thứ hai, tối ưu sai mục tiêu sẽ dẫn đến quyết định sai, ngay cả khi thuật toán hoạt động chính xác. Một hệ thống tối ưu số câu trả lời đúng tức thời chưa chắc đã tối ưu hiểu biết bền vững.

Thứ ba, cá nhân hóa không loại bỏ nhu cầu tương tác con người. UNESCO lưu ý những rủi ro như giảm tiếp xúc giữa người với người và sự xao nhãng khi công nghệ được sử dụng không phù hợp; OECD cũng đặt giáo viên và điều kiện triển khai vào trung tâm của việc sử dụng công nghệ hiệu quả.

Do đó, câu hỏi đúng khi đánh giá một hệ thống không phải chỉ là “nó có AI hay không”, mà là: nó quan sát tín hiệu gì, suy luận điều gì về người học, thay đổi quyết định dạy học nào và bằng chứng nào cho thấy sự thay đổi đó giúp học tốt hơn?

Công nghệ giáo dục hỗ trợ cá nhân hóa bằng một chu trình liên tục: đo trạng thái người học, xây dựng mô hình, lựa chọn nội dung hoặc hỗ trợ thích hợp, cung cấp phản hồi, theo dõi kết quả và cập nhật quyết định. Khi kết hợp với learning analytics, chu trình này còn giúp giáo viên phát hiện nhu cầu của từng cá nhân hoặc nhóm học sinh để can thiệp chính xác hơn.

Giá trị của cá nhân hóa vì thế không nằm ở việc mỗi người nhìn thấy một màn hình khác nhau, mà ở việc quyết định dạy học thực sự thay đổi dựa trên nhu cầu được quan sát và kiểm chứng của người học. Bằng chứng hiện có cho thấy các hệ thống thích nghi và dạy học thông minh có thể cải thiện kết quả trong nhiều bối cảnh, nhưng hiệu quả không đồng đều và không phải lý do để loại bỏ vai trò của giáo viên.