Một thuật ngữ tài chính được AI chuyển sang tiếng Việt nghe khá trôi chảy chưa chắc đã là lựa chọn phù hợp nhất. Khác với văn bản thông thường, thuật ngữ gắn với những khái niệm tương đối xác định trong một lĩnh vực chuyên môn; thay đổi cách diễn đạt có thể kéo theo thay đổi về nghĩa, phạm vi sử dụng hoặc cách hiểu của người đọc. Đó là bài toán mà nhóm nghiên cứu do TS. Đỗ Thị Thu Nga, Phó Chủ nhiệm Khoa Ngôn ngữ Anh, Trường Đại học Kinh doanh và Công nghệ Hà Nội, đặt ra khi đưa bản dịch của AI vào một phép đối chiếu với nguồn từ điển.

Đề tài vừa được nghiệm thu ngày 24/9/2026. Ngoài TS. Đỗ Thị Thu Nga giữ vai trò chủ nhiệm, nhóm nghiên cứu còn có GVCC. Trần Anh Thơ, ThS. Vi Thị Hồng Ngân và ThS. Nguyễn Thị Phương Anh. Thay vì khảo sát AI trên một tập hợp văn bản rộng, nhóm thu hẹp phạm vi vào 100 thuật ngữ tài chính Anh - Việt, qua đó xem xét phương thức chuyển dịch, mức độ chính xác cũng như những ưu điểm, hạn chế và dạng lỗi có thể xuất hiện ở kết quả do AI tạo ra.

TS. Đỗ Thị Thu Nga, Phó Chủ nhiệm Khoa Ngôn ngữ Anh, trình bày đề tài tại buổi nghiệm thu ngày 24/9/2026. Ảnh: Hương Lê/HUBT.

Một phép đối chiếu bắt đầu từ 100 thuật ngữ

Thuật ngữ chuyên ngành đặt người dịch trước một yêu cầu khác với việc tìm một câu tiếng Việt thuận tai. Người dịch cần nhận diện đúng khái niệm, hiểu cách thuật ngữ được cấu tạo và biết nó được sử dụng ra sao trong lĩnh vực cụ thể. Điều này đặc biệt quan trọng với tài chính, nơi nhiều từ tiếng Anh có thể mang nghĩa quen thuộc trong giao tiếp thông thường nhưng lại được dùng theo nghĩa hẹp hơn khi đi vào văn bản chuyên môn.

Nhóm của TS. Đỗ Thị Thu Nga chọn phương pháp nghiên cứu đối chiếu. Bộ ngữ liệu 100 thuật ngữ được đặt giữa hai nguồn dịch là từ điển và AI, sau đó xem xét những điểm giống và khác trong cách chuyển sang tiếng Việt. Cách làm này không coi từ điển hay AI là đáp án đúng mặc định, mà đặt trọng tâm vào việc xác định bản chất của từng lựa chọn dịch và khả năng đáp ứng yêu cầu của thuật ngữ tài chính.

Đối chiếu như vậy cũng giúp tách hai vấn đề vốn dễ bị nhập làm một. Một kết quả do AI sinh ra có thể rất tự nhiên về ngôn ngữ nhưng độ tự nhiên không tự động bảo đảm độ chính xác chuyên môn. Ngược lại, một cách dịch quen thuộc trong từ điển cũng cần được đặt vào đúng phạm vi sử dụng. Giá trị của phép so sánh nằm ở việc buộc người học nhìn vào căn cứ của lựa chọn dịch thay vì chỉ chấp nhận câu chữ có vẻ hợp lý.

Hướng nghiên cứu này có điểm gặp với những công trình đang tìm cách kiểm tra AI bằng nhiệm vụ cụ thể hơn thay vì chỉ quan sát khả năng tạo văn bản trôi chảy. Những phép thử khó dành cho AI tiếng Việt cũng đặt mô hình vào các tình huống phải bộc lộ giới hạn về suy luận và xử lý dữ liệu. Với nhóm của TS. Đỗ Thị Thu Nga, phép thử nhỏ hơn về quy mô nhưng gần với một tình huống học tập thực tế, nơi sinh viên phải quyết định có nên tin vào bản dịch mà công cụ đưa ra hay không.

Buổi nghiệm thu đề tài nghiên cứu về chuyển dịch thuật ngữ tài chính Anh - Việt từ từ điển và AI tại Trường Đại học Kinh doanh và Công nghệ Hà Nội. Ảnh: Hương Lê/HUBT.

Biến câu trả lời của AI thành bài tập kiểm tra

Phần đáng chú ý của đề tài không dừng ở việc so sánh hai nguồn dịch. Nhóm nghiên cứu còn hướng tới việc đưa bộ ngữ liệu và những khác biệt phát hiện được vào học phần Dịch Anh - Việt. Khi đó, câu trả lời của AI không còn đơn thuần là sản phẩm để sinh viên sử dụng mà trở thành chất liệu để họ phân tích.

Một bài tập có thể bắt đầu bằng hai hoặc nhiều cách dịch khác nhau cho cùng một thuật ngữ. Sinh viên phải xác định sự khác biệt, kiểm tra nghĩa chuyên ngành, cân nhắc cấu tạo của thuật ngữ rồi giải thích vì sao lựa chọn này phù hợp hơn lựa chọn kia trong một ngữ cảnh cụ thể. Quá trình ấy buộc người học vận dụng kiến thức thay vì chỉ nhập yêu cầu vào công cụ rồi nhận kết quả.

Cách tiếp cận này phù hợp với một thay đổi đang diễn ra trong giáo dục đại học khi AI ngày càng tham gia vào quá trình làm bài. Thách thức không còn chỉ nằm ở việc có cho sinh viên sử dụng AI hay không, mà ở cách thiết kế nhiệm vụ để người học vẫn phải chứng minh được năng lực kiểm tra, lập luận và chịu trách nhiệm với sản phẩm cuối cùng. Phụ Nữ Mới gần đây cũng đề cập vấn đề đánh giá sinh viên trong bối cảnh AI trở thành công cụ học tập.

Trong trường hợp của dịch thuật, điều cần kiểm tra không chỉ là sinh viên có tạo ra được một bản dịch hay không. Người học còn phải biết bản dịch ấy đến từ đâu, có phù hợp với ngữ cảnh không, cần sửa ở điểm nào và căn cứ chuyên môn nào được dùng để sửa. AI vì thế có thể rút ngắn một số thao tác, nhưng lại làm tăng yêu cầu đối với khả năng kiểm chứng.

Thành viên hội đồng xem xét báo cáo tại buổi nghiệm thu đề tài ngày 24/9/2026. Ảnh: Hương Lê/HUBT.

Chưa thể lấy một bộ 100 thuật ngữ để kết luận rộng về AI

Phạm vi của đề tài cũng cần được nhìn đúng. Bộ dữ liệu gồm 100 thuật ngữ tài chính có thể giúp nhận diện những khác biệt và vấn đề trong một nhóm nhiệm vụ cụ thể, nhưng không đại diện cho toàn bộ khả năng dịch thuật của AI. Các lĩnh vực như y khoa, luật, kỹ thuật hay văn học có hệ thống thuật ngữ, ngữ cảnh và tiêu chuẩn sử dụng khác nhau.

Thông tin được công bố sau nghiệm thu cho biết nhóm đã đối chiếu mức độ chính xác của hai nguồn và xác định các dạng lỗi của AI, song chưa công bố chi tiết tỷ lệ đúng, tỷ lệ lỗi hay kết quả của từng nhóm thuật ngữ. Vì vậy, từ dữ liệu hiện có chưa thể kết luận AI dịch thuật ngữ tài chính tốt hơn hoặc kém hơn từ điển, càng chưa đủ cơ sở để mở rộng nhận định sang toàn bộ hoạt động dịch thuật.

Tương tự, việc đề xuất sử dụng bộ ngữ liệu trong giảng dạy chưa đồng nghĩa hiệu quả đào tạo đã được chứng minh bằng một thử nghiệm trên sinh viên. Muốn trả lời câu hỏi đó, cần thêm dữ liệu về cách người học sử dụng bộ bài tập, khả năng nhận diện lỗi, chất lượng bản dịch trước và sau can thiệp hoặc những thước đo tương tự. Đây là ranh giới quan trọng giữa một kết quả nghiên cứu đã hoàn thành và tác động giáo dục còn cần được kiểm nghiệm.

Hội đồng nghiệm thu đánh giá đề tài đạt loại xuất sắc và ghi nhận khả năng ứng dụng trong giảng dạy. Giá trị dễ nhận thấy ở giai đoạn hiện nay nằm ở cách nhóm nghiên cứu chuyển một vấn đề rất gần với thực tế sử dụng AI thành nhiệm vụ học tập cụ thể. Sinh viên không được yêu cầu tin công cụ hay loại bỏ công cụ; họ phải học cách kiểm tra nó bằng kiến thức của chính mình.