Tích hợp năng lực trí tuệ nhân tạo vào chương trình đào tạo đại học: Mô hình, phương pháp và kết quả thực tiễn

Trương Thành Công*, Nguyễn Thanh Hải

Trường Đại học Tài chính – Marketing

*Tác giả liên hệ; Email: ttcong@ufm.edu.vn

Tóm tắt

Năng lực trí tuệ nhân tạo được xem là năng lực thiết yếu trong kỷ nguyên số, tuy nhiên, việc đưa năng lực trí tuệ nhân tạo vào chương trình đào tạo bậc đại học vẫn chưa được nghiên cứu một cách rộng rãi tại Việt Nam. Nghiên cứu này phân tích 20 PRISMA 2020, xác định 5 chủ đề chính: khung khái niệm về năng lực trí tuệ nhân tạo, phương pháp dạy học và phát triển, mô hình tích hợp, thách thức và khoảng trống, cùng với tác động và xu hướng tương lai. Dựa trên những phát hiện này, nghiên cứu đề xuất một chiến lược 3 bước cho Việt Nam.

Từ khóa: Năng lực trí tuệ nhân tạo, giáo dục đại học, chương trình đào tạo, tích hợp AI, khung năng lực AI

Summary

Artificial intelligence competence is regarded as an essential skill in the digital era. However, the integration of AI competence into undergraduate curricula has not been widely explored in Vietnam. This study analyzes 20 PRISMA 2020 sources and identifies five main themes: conceptual frameworks of AI competence, teaching and development methods, integration models, challenges and gaps, as well as impacts and future trends. Based on these findings, the study proposes a three-step strategy for Vietnam.

Keywords: Artificial intelligence competence, higher education, curriculum development, AI integration, AI competency framework

GIỚI THIỆU

Hiên nay, trí tuệ nhân tạo (AI), đặc biệt là AI tạo sinh đang chuyển đổi mạnh mẽ trong mọi lĩnh vực, khiến năng lực AI trở thành kỹ năng thiết yếu trong kỷ nguyên số (Allen và Kendeou, 2023). Năng lực AI là một khái niệm được định nghĩa và mô tả theo nhiều cách khác nhau. Một định nghĩa được sử dụng phổ biến bởi Long và Magerko (2020), mô tả năng lực AI là tập hợp các khả năng giúp cá nhân đánh giá phản biện công nghệ AI và sử dụng nó như một công cụ hiệu quả cho nghiên cứu, cuộc sống cá nhân và nghề nghiệp.

Trong giai đoạn 2014-2024, nghiên cứu học thuật về năng lực AI đã có một sự tăng trưởng đáng kể (Yang và cộng sự, 2025). Nhiều nghiên cứu nhấn mạnh việc tích hợp năng lực AI trong giáo dục đại học (Southworth và cộng sự, 2023; Chai và cộng sự, 2024), nhưng vẫn thiếu các nghiên cứu tổng quát về vấn đề này. Tại Việt Nam, mặc dù AI đã được sử dụng trong các hoạt động (Đỗ và Nguyễn, 2023), việc tích hợp năng lực AI một cách hệ thống vào chương trình đào tạo vẫn còn là thách thức đáng kể (Lê và Trần, 2024). Bên cạnh đó, theo khảo sát, tại Việt Nam cũng chưa có nhiều công bố học thuật liên quan đến chủ đề này.

Nghiên cứu này phân tích các mô hình và phương pháp lồng ghép năng lực AI vào chương trình đào tạo đại học, tập trung vào 3 câu hỏi: (1) Thành phần cốt lõi của năng lực AI cho sinh viên; (2) Mô hình và phương pháp hiệu quả; (3) Áp dụng vào bối cảnh Việt Nam..

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng hướng dẫn PRISMA 2020 (Page và cộng sự, 2021) trong việc lựa chọn tài liệu để đảm bảo tính khoa học. Việc thu thập tài liệu trên 3 cơ sở dữ liệu lớn: Scopus, Web of Science và PubMed được thực hiện vào tháng 5/2025. Từ 371 bài viết ban đầu, sau khi loại trùng lặp và sàng lọc, 20 bài được chọn để phân tích sâu. Toàn bộ quá trình lựa chọn bài viết được minh hoạ trong Hình 1.

Hình 1: Quá trình lựa chọn bài viết dựa theo theo hướng dẫn PRISMA 2020

Dữ liệu được trích xuất bởi 2 người đánh giá độc lập sử dụng biểu mẫu chuẩn hóa. Để phân tích dữ liệu, nhóm nghiên cứu sử dụng phương pháp Thematic analysis (Braun và Clarke, 2022) với 6 bước: làm quen với dữ liệu, khởi tạo mã ban đầu, tìm kiếm chủ đề, xem xét chủ đề, đặt tên và định nghĩa chủ đề, trình bày báo cáo.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Kết quả nghiên cứu

Qua việc phân tích có hệ thống dữ liệu từ 20 nghiên cứu, nhóm tác giả đã xác định 5 nhóm chủ đề chính. Cụ thể:

Khung khái niệm về năng lực AI

Năng lực AI được định nghĩa thông qua nhiều khung lý thuyết khác nhau. Nghiên cứu của Allen và Kendeou (2023) đề xuất khung ED-AI Lit gồm 6 thành phần, nhấn mạnh nhu cầu về một khung năng lực AI đa ngành, toàn diện bao gồm: kiến thức, đánh giá, hợp tác, bối cảnh hóa, tự chủ và đạo đức (Hình 2). Hornberger và cộng sự (2023) đã phát triển công cụ đánh giá chuẩn hóa, trong khi Chai và cộng sự (2024) xây dựng thang đo AILIS đánh giá ý định học AI của sinh viên đại học, được định hình bởi 9 yếu tố.

Hình 2: Khung năng lực AI theo nghiên cứu của Allen và Kendeou (2023)

Phương pháp dạy học và phát triển năng lực AI

Các phương pháp dạy học tiên tiến hiệu quả được xác định bao gồm: Flipped Classroom, Project-Based Learning và Game-Based Learning. Kong và cộng sự (2021) cho thấy khóa học 7 giờ cũng mang lại tiến bộ đáng kể trong hiểu biết AI. Trong khi đó, nghiên cứu của Kong và cộng sự (2022) kết hợp phương pháp Flipped Classroom, Project-Based Learning, từ đó thúc đẩy nhận thức đạo đức AI sâu sắc hơn. Game-based learning trong nghiên cứu của Ng và cộng sự (2024) cho thấy khả năng tăng cường động lực và hiểu biết khái niệm AI, nhưng không cải thiện kỹ năng nhận thức bậc cao.

Mô hình tích hợp năng lực AI vào giáo dục

Nghiên cứu của Southworth và cộng sự (2023) đã phát triển mô hình “AI Across the Curriculum” tích hợp AI vào tất cả ngành học. Trong khi đó, nghiên cứu của Ngo và Hastie (2025) đề xuất tích hợp vào các module hiện có như: EAP và MIL. Các nghiên cứu khác thiết kế khóa học chuyên biệt về AI literacy. Bảng 1 mô tả các mô hình tích hợp năng lực AI vào chương trình dạy học.

Bảng 1: So sánh các mô hình tích hợp năng lực AI

Thách thức trong phát triển năng lực AI

Các thách thức chính được xác định bao gồm: Thiếu đào tạo giảng viên về AI và phương pháp giảng dạy (Salhab, 2024); Chương trình đào tạo cứng nhắc, ít không gian cho nội dung mới (Kong và cộng sự, 2022); Thiếu hướng dẫn về đạo đức AI (Salhab, 2024); Công cụ đánh giá năng lực AI còn sơ khai (Chiu, 2024); Sự khác biệt về nền tảng kiến thức của người học (Kong và cộng sự, 2021). Bảng 2 tổng hợp các thách thức và giải pháp phát triển năng lực AI.

Bảng 2: Thách thức và giải pháp phát triển năng lực AI

Tác động và xu hướng tương lai

Lee (2021) kết luận chương trình giáo dục cần kết hợp lý thuyết và thực hành, giúp sinh viên tiếp cận tình huống thực tế về thiên lệch thuật toán và đạo đức AI. Bên cạnh đó, nghiên cứu của Laupichler và cộng sự (2022) cho thấy, Flipped classroom là cách tiếp cận khả thi để giới thiệu AI. Ngo và Hastie (2025) ghi nhận cải thiện đáng kể trong khả năng đánh giá phản biện kết quả GenAI của sinh viên. Về xu hướng tương lai, nghiên cứu của Chiu (2024) đề xuất tích hợp GenAI vào toàn bộ chương trình, phát triển chương trình liên ngành và áp dụng chiến lược đánh giá đổi mới.

Thảo luận

Qua phân tích 20 nghiên cứu, nhóm tác giả xác định 5 chủ đề chính với những phát hiện quan trọng: (1) Khung năng lực AI cần đa chiều, bao gồm cả yếu tố kỹ thuật và đạo đức; (2) Phương pháp dạy học hiệu quả như: Flipped Classroom, Project-Based Learning đã được chứng minh; (3) Mô hình tích hợp linh hoạt phù hợp với từng bối cảnh.

Tại Việt Nam, thay vì tạo ra các khóa học riêng biệt về AI, cách tiếp cận hiệu quả hơn là tích hợp năng lực AI vào chương trình đào tạo hiện có của mọi ngành học tại các trường đại học. Cách tiếp cận này có thể được thực hiện thông qua 3 chiến lược chính. Thứ nhất, phát triển các modul AI trong các môn học cốt lõi của từng ngành. Thứ hai, thiết lập một học phần AI cơ bản bắt buộc cho tất cả sinh viên. Thứ ba, tạo cơ hội cho các dự án liên ngành kết hợp AI, để các sinh viên thuộc các ngành học khác nhau có cơ hội hợp tác với nhau.

Một trong những thách thức lớn nhất trong việc tích hợp năng lực AI vào giáo dục đại học tại Việt Nam là năng lực của đội ngũ giảng viên. Do đó, các cơ sở giáo dục cần tổ chức các chương trình bồi dưỡng chuyên môn về AI cho giảng viên từ mọi ngành học. Những chương trình này nên được thiết kế phù hợp với nhu cầu và trình độ của giảng viên, từ những khóa nhập môn cơ bản đến các khóa học chuyên sâu hơn.

KẾT LUẬN

Nghiên cứu này đã trình bày một góc nhìn tổng thể về năng lực AI trong giáo dục đại học, từ khung khái niệm đến phương pháp dạy học và thách thức triển khai. Kết quả cho thấy, năng lực AI là một khái niệm đa chiều cần được tiếp cận theo cách toàn diện, kết hợp cả kiến thức kỹ thuật và yếu tố đạo đức. Các phương pháp dạy học hiệu quả như: Flipped Classroom, Project-Based Learning đã chứng minh khả năng cải thiện hiểu biết của sinh viên về AI. Để phát triển năng lực AI một cách hiệu quả, các trường đại học cần tích hợp AI vào chương trình giảng dạy một cách có hệ thống, đồng thời vượt qua các thách thức như thiếu đào tạo cho giảng viên và lo ngại về đạo đức. Nghiên cứu này đóng góp vào việc hiểu rõ hơn về cách thức phát triển năng lực AI trong giáo dục đại học, từ đó hỗ trợ sinh viên chuẩn bị tốt hơn cho tương lai khi AI ngày càng trở nên phổ biến./.

TÀI LIỆU THAM KHẢO

1. Alamäki, A., Nyberg, C., Kimberley, A., and Salonen, A. O. (2024). Artificial intelligence literacy in sustainable development: A learning experiment in higher education, Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1343406

2. Allen, L. K., and Kendeou, P. (2023). ED-AI Lit: An Interdisciplinary Framework for AI Literacy in Education, Policy Insights from the Behavioral and Brain Sciences, https://doi.org/10.1177/23727322231220339.

3. Braun, V., and Clarke, V. (2022). Conceptual and design thinking for thematic analysis, Qualitative Psychology, 9(1), 3-26, https://doi.org/10.1037/qup0000196.

4. Chai, C. S., Yu, D., King, R. B., and Zhou, Y. (2024). Development and Validation of the Artificial Intelligence Learning Intention Scale (AILIS) for University Students, Sage Open, 14(2), 21582440241242188, https://doi.org/10.1177/21582440241242188.

5. Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with generative AI, Computers and Education: Artificial Intelligence, 6, 100197, https://doi.org/10.1016/j.caeai.2023.100197.

6. Đỗ T. D., và Nguyễn H. D. L. (2023). Trí tuệ nhân tạo – Cơ hội và thách thức trong giáo dục, Tạp chí Kinh tế và Dự báo, số 14, tháng 5/2023, https://kinhtevadubao.vn/tri-tue-nhan-tao-co-hoi-va-thach-thuc-trong-giao-duc-27875.html

7. Hornberger, M., Bewersdorff, A., and Nerdel, C. (2023). What do university students know about Artificial Intelligence? Development and validation of an AI literacy test, Computers and Education: Artificial Intelligence, 5, 100165, https://doi.org/10.1016/j.caeai.2023.100165.

8. Kong, S.-C., Cheung, W. M.-Y., and Zhang, G. (2022). Evaluating artificial intelligence literacy courses for fostering conceptual learning, literacy and empowerment in university students: Refocusing to conceptual building, Computers in Human Behavior Reports, 7, 100223, https://doi.org/10.1016/j.chbr.2022.100223.

9. Kong, S.-C., Man-Yin Cheung, W., and Zhang, G. (2021). Evaluation of an artificial intelligence literacy course for university students with diverse study backgrounds, Computers and Education: Artificial Intelligence, 2, 100026, https://doi.org/10.1016/j.caeai.2021.100026.

10. Laupichler, M. C., Hadizadeh, D. R., Wintergerst, M. W. M., von der Emde, L., Paech, D., Dick, E. A., and Raupach, T. (2022). Effect of a flipped classroom course to foster medical students’ AI literacy with a focus on medical imaging: A single group pre-and post-test study, BMC Medical Education, 22(1), 803. https://doi.org/10.1186/s12909-022-03866-x.

11. Lee, A. (2021). The Effect of ARTIFICIAL INTELLIGENCE Literacy Education on University Students’ Ethical Consciousness of Artificial Intelligence, Robotics & AI Ethics, 6(3), 52-61.

12. Lê, A. V., và Trần, M. N. (2024). Tác động của Trí tuệ nhân tạo (AI) đối với hệ thống giáo dục toàn cầu và giáo dục Việt Nam. truy cập từ http://vjes.vnies.edu.vn/sites/default/files/khdgvn_-_tap_20_-_so_5_-1-11.pdf.

13. Long, D., and Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations, Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16, https://doi.org/10.1145/3313831.3376727.

14. Ng, D. T. K., Xinyu, C., Leung, J. K. L., and Chu, S. K. W. (2024). Fostering students’ AI literacy development through educational games: AI knowledge, affective and cognitive engagement, Journal of Computer Assisted Learning, 40(5), 2049-2064, https://doi.org/10.1111/jcal.13009.

15. Ngo, T. N., and Hastie, D. (2025). Artificial Intelligence for Academic Purposes (AIAP): Integrating AI literacy into an EAP module, English for Specific Purposes, 77, 20-38, https://doi.org/10.1016/j.esp.2024.09.001.

16. Page, M. J., Moher, D., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … McKenzie, J. E. (2021). PRISMA 2020 explanation and elaboration: Updated guidance and exemplars for reporting systematic reviews. BMJ, 372, n160, https://doi.org/10.1136/bmj.n160,

17. Salhab, R. (2024). AI Literacy across Curriculum Design: Investigating College Instructor’s Perspectives, Online Learning, 28(2), 2, https://doi.org/10.24059/olj.v28i2.4426.

18. Schleiss, J., Laupichler, M. C., Raupach, T., & Stober, S. (2023). AI Course Design Planning Framework: Developing Domain-Specific AI Education Courses. Education Sciences, 13(9), 954. https://doi.org/10.3390/educsci13090954

19. Southworth, J., Migliaccio, K., Glover, J., Glover, J., Reed, D., McCarty, C., Brendemuhl, J., & Thomas, A. (2023). Developing a model for AI Across the curriculum: Transforming the higher education landscape via innovation in AI literacy, Computers and Education: Artificial Intelligence, 4, 100127, https://doi.org/10.1016/j.caeai.2023.100127.

20. Yang, Y., Zhang, Y., Sun, D., He, W., & Wei, Y. (2025). Navigating the landscape of AI literacy education: Insights from a decade of research (2014–2024), Humanities and Social Sciences Communications, 12(1), 1-12, https://doi.org/10.1057/s41599-025-04583-8.