Tái hình dung trường học trong kỷ nguyên AI
02/06/26
 |
| Ảnh: Nicolás Ortega |
Năm 2024, các bài kiểm tra của National Assessment of Educational Progress có tên “Bảng điểm quốc gia”, xác nhận điều Bộ trưởng Giáo dục Mỹ Linda McMahon gọi là “xu hướng tàn phá”: học sinh Mỹ đang đạt điểm “thấp lịch sử trên toàn bộ K-12”. Trong tháng này, kết quả công bố cho thấy gần một nửa học sinh cuối cấp trung học phổ thông ở dưới mức cơ bản về toán, và khoảng 1/3 ở dưới mức cơ bản về đọc. Điểm đọc trung bình rơi xuống mức thấp nhất từng được ghi nhận.
Phong tỏa vì Covid-19 phá vỡ ảo tưởng về sự linh hoạt của hệ thống giáo dục. Khi lớp học đột ngột đóng cửa, mô hình học tập cứng nhắc chỉ được bê nguyên lên màn hình, khiến nhiều học sinh chật vật và mất kết nối. Trong bối cảnh ấy, AI xuất hiện như công cụ tái định hình giáo dục, theo hướng tốt hơn hoặc tệ hơn.
AI can thiệp vào việc học và dạy. Học sinh dùng ChatGPT viết nháp bài luận, giải phương trình, tạo hướng dẫn ôn tập, đôi khi để hiểu sâu hơn, nhưng thường để giảm, thậm chí loại bỏ nỗ lực học. Theo khảo sát tháng 8/2025 của Inside Higher Ed, 85% sinh viên thừa nhận dùng AI tạo sinh hỗ trợ bài vở; chỉ riêng nghi ngờ lạm dụng AI đủ làm xói mòn niềm tin và khiến việc chấm điểm khó hơn, vì ranh giới được phép và không được phép liên tục thay đổi.
Giáo viên cũng bắt đầu dùng AI soạn giáo án, tạo bài luyện tập và tự động hóa những việc tốn thời gian, qua đó có thêm không gian cho cố vấn và hỗ trợ từng học sinh. Nhưng AI cũng có sức cám dỗ nguy hiểm: biến công việc khó nhất của người thầy – quan sát, dẫn dắt, truyền cảm hứng, thành lối tắt thuật toán.
Việc đưa AI vào giáo dục không còn là giả định. Tháng 4, Tổng thống Trump ký sắc lệnh hành pháp đưa AI vào lớp học Mỹ. Các công ty lớn như Google, Amazon, Microsoft và OpenAI cam kết ủng hộ sứ mệnh này. Câu hỏi đặt ra là Al ảnh hưởng như thế nào và vì mục tiêu gì. Nếu phó mặc cho thị trường, hoặc để các công ty công nghệ tự định hướng theo lợi ích riêng, công cụ giáo dục AI có thể khuếch đại bất bình đẳng. Nhưng nếu được thiết kế thận trọng, Al có thể giúp trường học vượt khỏi chương trình cứng, hướng tới hệ thống thích ứng với từng người học.
Học theo ngưỡng thích ứng
Các ứng dụng đạp xe hiện đại gợi ý mô hình giáo dục mới: bắt đầu và xây dựng từ ngưỡng của người học. Mô hình này có tên học theo ngưỡng thích ứng (ATL): hệ thống do AI dẫn dắt, xác định giới hạn hiện tại của từng học sinh và thiết kế trải nghiệm mở rộng.
ATL bắt đầu bằng việc xác định khả năng của người học. Một bài chẩn đoán, trên máy tính, ứng dụng di động hoặc kính VR nếu công nghệ đủ chín, khởi đầu đơn giản rồi tăng dần độ khó đến khi hệ thống tìm thấy ngưỡng: lúc sự thành thạo chững lại, khả năng nhớ chậm đi hoặc lỗi xuất hiện. Đầu vào có thể là âm thanh, giọng nói, văn bản, cử chỉ hoặc kết hợp nhiều dạng, được thu qua micro, màn hình cảm ứng, camera hoặc cảm biến chuyển động.
Từ đường chuẩn đó, ATL tạo chương trình học cá nhân hóa nhằm nâng ngưỡng của người học trong thời gian ngắn nhất. Hệ thống liên tục thích ứng theo hiệu suất, theo dõi cách người học phản hồi, tự sửa và thất bại. Qua thời gian, các mẫu hình xuất hiện.
Chẳng hạn khi học ngoại ngữ, người học bắt đầu bằng cuộc đối thoại ở ngôn ngữ mục tiêu. Hệ thống nghe từ vựng đúng hay sai, đo nhịp nói, phát âm và sắc thái ngữ cảnh. Nếu người học thường dùng sai thì động từ nhưng phát âm rõ, hệ thống chuyển trọng tâm sang ngữ pháp. Nếu họ ngập ngừng trước khi trả lời, hệ thống làm chậm hội thoại và diễn đạt câu hỏi đơn giản hơn. Nếu họ nói chuyện cơ bản dễ dàng, chủ đề nhanh chóng được chuyển sang trừu tượng hoặc câu hỏi nhiều phần nhằm thử thách khả năng hiểu và độ lưu loát.
Khác với Duolingo, Khan Academy hay IXL, vốn có một số yếu tố thích ứng nhưng chủ yếu điều chỉnh nhịp trong chương trình định sẵn, ATL thay đổi cả cấu trúc và logic học tập. Duolingo dùng thuật toán Birdbrain cá nhân hóa độ khó, nhưng người học vẫn đi qua chuỗi bài học cố định. ATL liên tục đánh giá mức sẵn sàng trên nhiều chiều: thời gian phản hồi, sự tự tin, hiểu ngữ cảnh, rồi quyết định trải nghiệm học tiếp theo. Bản đồ học tập vì thế không tuyến tính mà thay đổi theo thời gian thực.
Nếu được thiết kế tốt, đủ dữ liệu và đủ sức tính toán, ATL có thể trở thành hạ tầng quốc gia cho tăng trưởng con người: mạng siêu máy tính phân tán, vận hành bằng AI, thích ứng với điểm mạnh, điểm yếu và tốc độ của từng học sinh, trên nhiều vùng, nhiều ngành và nhiều giai đoạn đời.
Lớp học và vai trò mới của giáo viên
Áp dụng ATL trong trường học đòi hỏi thay đổi lớn, thậm chí cấp tiến. Nhưng nếu trường học chỉ tiếp tục vá víu, ATL có nguy cơ gây xói mòn tư duy học tập. Một số mô hình tư nhân đã thử nghiệm như Alpha School, mạng lưới “microschool” ở Mỹ, là một trong những mô hình cá nhân hóa bằng AI rõ nét nhất. Học sinh hoàn thành các môn lõi vào buổi sáng qua hai giờ học bằng ứng dụng AI, rồi dành phần còn lại trong ngày cho workshop và dự án phát triển kỹ năng thực tế.
Trong trường công quy mô lớn, ATL không xóa bỏ lớp học, nhưng thay đổi nội dung bên trong. Học sinh toán thay vì bị ép vào chương trình đại số cố định, sẽ nhận bài tập thay đổi theo tốc độ suy luận. Học sinh lịch sử có thể rời sách giáo khoa và đi vào tư liệu gốc, phản biện đạo đức hoặc các diễn giải xung đột. Học sinh âm nhạc có thể luyện gam, cảm âm và lý thuyết đến khi đạt độ lưu loát, được đo bằng nhịp, cao độ và khả năng phản ứng.
ATL phù hợp nhất với những lĩnh vực có thể đo tiến bộ tương đối khách quan như toán, khoa học, kỹ thuật, ngôn ngữ và âm nhạc; nhưng ít phù hợp với các ngành diễn giải và sáng tạo, nơi mơ hồ và góc nhìn là trung tâm. Nhưng vì có thể tăng tốc việc làm chủ các môn đo được, ATL có thể giải phóng thời gian cho những học phần giáo dục khó tối ưu: văn học, nghệ thuật, triết học và các lĩnh vực xã hội giàu suy tư.
Vai trò giáo viên vẫn thiết yếu. Họ trở thành huấn luyện viên diễn giải tín hiệu của hệ thống, giúp học sinh hiểu vì sao phạm lỗi, và tổ chức thảo luận nhóm khi hợp tác, tranh luận. Một giáo viên có thể kéo ba học sinh gặp khó khăn với giải tích vào workshop nhỏ, trong khi các em khác tiếp tục làm bài độc lập.
Không thuật toán nào, dù thích ứng đến đâu, có thể thay thế con người biết truyền cảm hứng, đặt bối cảnh và an ủi. Giáo viên biến tiến bộ thành mục đích, đồng thời bảo đảm hệ thống phản ánh sắc thái văn hóa, lĩnh vực mới và độ phức tạp đạo đức.
ATL cũng đảo ngược cách trường học hiểu về thời gian và thành thạo. Hệ thống hiện nay coi thời gian cố định và kết quả là biến số: ai cũng học sinh học, nhưng chỉ sốt ít thành thạo. ATL làm ngược lại: thành thạo là hằng số, thời gian là biến số. Có học sinh hiểu khái niệm trong hai ngày, em khác cần một tuần, nhưng cả hai đều có thể thành công vì hệ thống thích ứng với cá nhân.
Điều này đặt ra câu hỏi: học sinh có còn được xếp theo tuổi, hay theo “dải năng lực” dựa trên kỹ năng? Ít nhất, ATL làm đường cong chuông lỗi thời. Thay vì điểm chữ và xếp hạng, báo cáo thành thạo đơn giản: “đạt” hoặc “đang tiến triển”, đi kèm phản hồi sâu có thể công bằng hơn.
Rủi ro của tối ưu hóa
ATL cũng có rủi ro. Thứ nhất là tối ưu hóa quá mức: cá nhân hóa chính xác đến nỗi thu hẹp thay vì mở rộng trí tuệ. Giống như thuật toán mạng xã hội có thể giới hạn tiếp xúc với ý tưởng mới, ATL có thể né sự bất định, đấu tranh hữu ích hoặc các trường hợp ngoại biên. Đồng thời ưu tiên tốc độ hơn chiều sâu, sự dễ chịu hơn thử thách. Nhưng trưởng thành thường bắt đầu ở nơi sự thoải mái kết thúc.
Thứ hai là phụ thuộc dữ liệu và giám sát. Hệ thống theo dõi độ trễ phản hồi, ngữ điệu, biểu cảm khuôn mặt và ngưỡng nhận thức tạo ra chân dung rất chi tiết về từng học sinh. Ai sở hữu dữ liệu ấy? Thông tin được lưu, bảo vệ, khai thác hay thương mại hóa ra sao? Cơ chế nào ngăn dữ liệu bị dùng để phân loại, dán nhãn hoặc giới hạn tương lai của trẻ?
Thứ ba là bất bình đẳng. Hệ thống dựa vào hồ sơ dữ liệu phong phú hoạt động tốt hơn với học sinh có internet nhanh, thiết bị mới và người lớn hỗ trợ. Lợi thế ấy có thể tích lũy. Nếu không thiết kế vì công bằng, cá nhân hóa có khả năng trở thành dịch vụ cao cấp cho nhóm vốn luôn thuận lợi.
Cuối cùng là rủi ro văn hóa: trong lúc tối ưu, nhiều người quên mục đích của giáo dục. Không đơn giản chỉ là chuỗi kỹ năng, học tập là chơi, khám phá, tình cờ và trở thành. Hệ thống có thể thích ứng, nhưng phải biết gây bất ngờ.
Năm 1919, một nhóm trí thức cấp tiến gồm Charles A. Beard, James Harvey Robinson và Thorstein Veblen rời Đại học Columbia và thành lập New School for Social Research. Cuộc nổi dậy chống chính thống học thuật ấy chịu ảnh hưởng từ John Dewey, người xem trường học là phòng thí nghiệm sống động của phát triển, không phải nhà máy sản xuất hàng loạt. Dewey phản đối “học thuộc lòng và kiểm tra đồng loạt”, đồng thời kiên quyết môi trường học phải thích ứng với nhu cầu, bối cảnh của từng người.
Hơn một thế kỷ sau, nền tảng dạy học có AI có thể giúp hiện thực hóa tầm nhìn đó. Trí tuệ nhân tạo không cần đưa học sinh vào đường ray định sẵn, quy trình bắt đầu từ điều từng cá nhân làm được hôm nay và tiếp tục xây dựng từ nền tảng đó. ATL sẽ thay “đường chạy cứng” bằng bản đồ học tập linh hoạt cho từng cá nhân, giúp mỗi người học đều có lối đi riêng tới đích.
shared via noema,
