TS Bùi Phương Thảo, Giảng viên khoa Sinh học, trường Đại học Khoa Học Tự Nhiên.

Tại tọa đàm về AI trong nghiên cứu và giảng dạy, TS Bùi Phương Thảo, Giảng viên khoa Sinh học, trường Đại học Khoa Học Tự Nhiên, chia sẻ tham luận với chủ đề ứng dụng AI trong dạy học, kiểm tra và đánh giá ở bậc đại học, cho thấy việc sinh viên sử dụng AI đã trở thành thực tế khó đảo ngược. Vấn đề đặt ra với các cơ sở giáo dục không còn đơn thuần là có cho phép hay cấm sử dụng AI, mà là xác định sinh viên sử dụng công cụ này ở mức độ nào, đóng góp ra sao vào quá trình học tập và năng lực thực sự của người học được thể hiện ở đâu.

Một nghiên cứu được công bố năm 2026 ghi nhận 94% học sinh, sinh viên được khảo sát xác nhận sử dụng AI để hỗ trợ học tập. Đáng chú ý, tỷ lệ người thừa nhận đưa trực tiếp sản phẩm do AI tạo ra vào bài tập để nộp cho giáo viên tăng từ 3% năm 2024 lên khoảng 12% năm 2026.

Những con số này cho thấy việc ngăn cản hoàn toàn sinh viên sử dụng AI không còn là cách tiếp cận phù hợp với thực tế. Thay vào đó, nhà trường cần xây dựng phương thức đánh giá giúp nhận diện được năng lực của sinh viên ngay cả khi AI tham gia vào quá trình học tập.

Từ phát hiện AI sang đánh giá năng lực người học

Một trong những vấn đề hiện nay là nhà trường thường đi sau sinh viên trong việc sử dụng AI, trong khi các quy định về đạo đức và liêm chính học thuật cũng chưa theo kịp tốc độ phát triển của công nghệ.

Ranh giới giữa sử dụng AI hợp lý và vi phạm liêm chính học thuật vẫn còn nhiều điểm cần làm rõ. Chẳng hạn, nếu AI được sử dụng để xử lý một bộ dữ liệu nhưng sinh viên là người chịu trách nhiệm về kết quả cuối cùng, cần xác định phần việc đó được đánh giá như thế nào trong quá trình học tập và nghiên cứu.

Từ thực tế này, TS. Bùi Phương Thảo đề xuất thay đổi cách tiếp cận: thay vì tìm cách xác định một bài làm có bao nhiêu phần trăm nội dung do AI tạo ra, giảng viên có thể thiết kế đánh giá để kiểm tra quá trình sinh viên sử dụng công cụ, khả năng kiểm chứng thông tin và mức độ hiểu biết đối với sản phẩm cuối cùng.

AI cũng có thể được sử dụng ngay trong quá trình xây dựng công cụ đánh giá. Giảng viên có thể yêu cầu AI hỗ trợ xây dựng ma trận đối chiếu giữa chuẩn đầu ra và nội dung đánh giá, xây dựng rubric hoặc tổng hợp tài liệu. Tuy nhiên, quyết định chuẩn đầu ra nào phù hợp với học phần vẫn phải thuộc về giảng viên.

“AI có thể hỗ trợ xây dựng rubric, nhưng giảng viên cần chấm thử trên những bài làm thực tế để kiểm tra xem thang đánh giá đó có phù hợp hay không”, TS. Bùi Phương Thảo nhấn mạnh.

AI thường đưa ra nhận xét khá chung nếu chỉ được cung cấp một bài làm và yêu cầu đánh giá. Vì vậy, giảng viên cần đưa thêm dữ liệu, ví dụ và yêu cầu cụ thể, sau đó điều chỉnh rubric để công cụ hiểu rõ tiêu chí của từng học phần.

Quang cảnh tọa đàm

Đánh giá quá trình thay vì chỉ nhìn sản phẩm cuối

Một hướng đi được TS. Bùi Phương Thảo chai sẻ là đánh giá quá trình hình thành sản phẩm thay vì chỉ chấm bản cuối cùng.

Với bài viết của sinh viên, giảng viên có thể yêu cầu người học sử dụng AI để nhận phản hồi đối với bản nháp, sau đó tự phân tích những nhận xét đó và giải thích mình đã tiếp thu, điều chỉnh hay bác bỏ những đề xuất nào. Cách làm này buộc sinh viên phải đọc, kiểm chứng và phản biện nội dung do AI tạo ra.

Quá trình này đồng thời giúp sinh viên hình thành một quy trình sử dụng AI có trách nhiệm: biết đặt câu hỏi, đánh giá câu trả lời, nhận diện hạn chế và điều chỉnh kết quả qua từng phiên bản.

Một phương thức khác là yêu cầu sinh viên lưu lại các bước thực hiện bài tập hoặc dự án, từ dữ liệu ban đầu, ý tưởng, bản nháp, quá trình phân tích đến sản phẩm cuối cùng. Khi đó, giảng viên có thể đánh giá được sinh viên thực sự tham gia vào những công đoạn nào, thay vì chỉ dựa vào một sản phẩm hoàn chỉnh có thể được tạo ra rất nhanh bằng AI.

Cách tiếp cận này cũng đang xuất hiện trong hoạt động nghiên cứu, khi một số tạp chí yêu cầu cung cấp thông tin về quá trình nghiên cứu, dữ liệu trung gian hoặc nhật ký làm việc thay vì chỉ xem bản thảo cuối cùng.

Tăng trọng số cho những năng lực AI khó thay thế

Khi AI có thể hỗ trợ ngày càng nhiều công đoạn như tổng hợp tài liệu, viết văn bản, xây dựng ý tưởng hay xử lý dữ liệu, rubric đánh giá cũng cần thay đổi.

Thay vì đặt trọng số lớn vào chất lượng văn bản, cấu trúc hay hình thức trình bày, giảng viên có thể tăng trọng số cho những năng lực đòi hỏi sinh viên phải trực tiếp thể hiện như kiểm chứng nguồn, xác định vấn đề nghiên cứu, xây dựng research gap, phân tích dữ liệu cụ thể, giải thích lựa chọn phương pháp và bảo vệ kết quả.

“Những điều AI không làm hộ được cần được đặt trọng số cao hơn trong đánh giá”, TS. Bùi Phương Thảo nhấn mạnh.

Khả năng xác định một khoảng trống nghiên cứu cụ thể là một trong những yếu tố có thể được chú trọng, bởi AI hiện chưa phải lúc nào cũng tạo ra research gap phù hợp với một vấn đề nghiên cứu cụ thể. Tương tự, những lập luận đặc thù của từng ngành và gắn với một bộ dữ liệu cụ thể cũng có thể trở thành thành phần quan trọng trong rubric.

Kết hợp đánh giá có kiểm soát và đánh giá mở, phát triển tư duy phản biện trong thời đại AI

TS. Bùi Phương Thảo đề xuất kết hợp hai nhóm hình thức đánh giá. Nhóm thứ nhất là đánh giá có kiểm soát, trong đó sinh viên thực hiện bài viết, bài thực hành trực tiếp tại lớp, thi vấn đáp hoặc thực hành trong phòng thí nghiệm. Giảng viên có thể quan sát kỹ năng thao tác, yêu cầu sinh viên giải quyết vấn đề, diễn giải dữ liệu hoặc giải thích trực tiếp về sản phẩm mà mình đã thực hiện.

 

Trong trường hợp sinh viên đã nộp một sản phẩm có sự hỗ trợ của AI, giảng viên vẫn có thể đặt câu hỏi cụ thể về lý do lựa chọn phương án, cách xử lý dữ liệu hoặc nội dung trong bài để kiểm tra mức độ hiểu của người học.

Nhóm thứ hai là đánh giá mở và có khai báo việc sử dụng AI. Theo đó, sinh viên được phép sử dụng công cụ ở những mức độ đã được quy định trước nhưng phải công khai cách thức sử dụng. Cách làm này hướng tới năng lực nghề nghiệp, bởi trong môi trường làm việc thực tế, người lao động thường được phép tra cứu và sử dụng công cụ hỗ trợ; điều quan trọng là phải tạo ra sản phẩm đáp ứng yêu cầu và chịu trách nhiệm về kết quả.

Từ đó, giảng viên có thể quy định rõ ngay từ đầu học phần về mức độ AI được phép sử dụng: không sử dụng; sử dụng để hỗ trợ; sử dụng để biên tập ngôn ngữ; tích hợp AI vào quá trình thực hiện nhiệm vụ hoặc sử dụng AI ở mức rộng hơn trong một dự án.

Mỗi mức độ sử dụng sẽ đi kèm với hình thức đánh giá khác nhau. Nếu không cho phép AI, các bài kiểm tra trực tiếp, vấn đáp hoặc thực hành có kiểm soát có thể được sử dụng. Nếu cho phép AI hỗ trợ lập kế hoạch, sinh viên có thể phải bảo vệ đề cương hoặc ý tưởng. Nếu AI được sử dụng để hỗ trợ ngôn ngữ, người học có thể phải trình bày trực tiếp để chứng minh khả năng hiểu nội dung. Khi AI được phép tham gia sâu vào quá trình thiết kế và thực hiện sản phẩm, trọng tâm đánh giá cần chuyển sang khả năng phân tích dữ liệu, giải thích phương pháp và tạo ra giá trị mới.

Một nội dung khác được TS. Bùi Phương Thảo nhấn mạnh là đánh giá đồng đẳng. Sinh viên có thể được giao đọc, nhận xét và phát hiện lỗi trong bài làm của bạn học. Điểm số không chỉ dành cho sản phẩm cuối mà còn tính đến khả năng phát hiện vấn đề, giải thích nguyên nhân và đề xuất chỉnh sửa.

Đây là một cách để đưa tư duy phản biện vào quá trình đánh giá. Thay vì chỉ yêu cầu sinh viên ghi nhớ và tái hiện kiến thức, giảng viên có thể đặt câu hỏi “tại sao”, yêu cầu người học giải thích lựa chọn, kiểm chứng thông tin và đánh giá những kết luận được đưa ra.

Đặc biệt trong các lĩnh vực như tin sinh học, nơi nhiều kết quả được xây dựng trên các mô hình và dự đoán, khả năng đặt câu hỏi về dữ liệu, phương pháp và độ tin cậy của kết quả có ý nghĩa quan trọng.

Từ góc độ này, AI không nhất thiết làm giảm vai trò của giảng viên. Ngược lại, sự phổ biến của AI đặt ra yêu cầu thiết kế lại hoạt động đánh giá để tập trung hơn vào những năng lực cốt lõi của người học.

Cần xây dựng khung đánh giá theo từng ngành

Về lộ trình, TS. Bùi Phương Thảo đề xuất trước mắt các học phần có thể công bố rõ mức độ sử dụng AI được phép, bổ sung một số hình thức đánh giá có kiểm soát và áp dụng phiếu khai báo việc sử dụng AI.

Trong khoảng một năm, các khoa có thể thiết kế lại hệ thống đánh giá phù hợp với chương trình đào tạo, tổ chức tập huấn cho giảng viên và sinh viên, đồng thời thu thập dữ liệu từ những lần khai báo đầu tiên để tiếp tục điều chỉnh.

 

Trong khoảng hai năm, năng lực sử dụng AI có thể được đưa thành một chuẩn đầu ra rõ ràng của chương trình đào tạo; thực tiễn triển khai được tổng kết dưới dạng nghiên cứu giáo dục và chính sách được rà soát dựa trên bài làm thực tế của sinh viên.

Khung đánh giá không nên được áp dụng cứng nhắc cho mọi ngành. Chuẩn năng lực AI trong khoa học dữ liệu sẽ khác với chuẩn năng lực AI trong một lĩnh vực chuyên môn khác. Vì vậy, từng khoa cần xây dựng cách thức triển khai phù hợp với đặc thù ngành và học phần.

Thay vì tìm một công cụ AI duy nhất để giải quyết toàn bộ bài toán, trọng tâm vẫn là cách giảng viên hiểu nhu cầu của môn học và thiết kế rubric phù hợp. AI có thể trở thành trợ lý trong quá trình xây dựng và phản hồi đánh giá, nhưng việc xác định sinh viên cần đạt năng lực gì và đánh giá năng lực đó như thế nào vẫn là trách nhiệm chuyên môn của giảng viên.