Cá nhân hóa học tập bằng AI dựa trên yếu tố nào?

Những yếu tố về năng lực và kiến thức được AI sử dụng

Đây thường là lớp dữ liệu quan trọng nhất vì nó trả lời câu hỏi: người học đang biết gì, chưa biết gì và có thể học đến đâu?

AI có thể sử dụng điểm kiểm tra đầu vào, kết quả bài tập, số câu đúng và sai, các dạng lỗi lặp lại, mức độ hoàn thành từng kỹ năng hoặc ước lượng trạng thái kiến thức theo từng chủ đề. Trong các hệ thống adaptive learning, bài kiểm tra kiến thức nền trước khi học cũng là một tín hiệu thường được dùng để kích hoạt việc phân phối nội dung thích ứng

Từ các tín hiệu đó, hệ thống có thể hình thành một hồ sơ năng lực động. Chẳng hạn, hai người cùng học một khóa toán nhưng một người đã nắm vững đại số còn người kia vẫn yếu ở các phép biến đổi cơ bản. AI không nhất thiết phải cho họ đi cùng một chuỗi bài học. Người thứ nhất có thể được chuyển nhanh hơn sang bài toán nâng cao, trong khi người thứ hai nhận thêm phần củng cố trước khi tiếp tục.

Điểm quan trọng là năng lực không nên được xem như một thuộc tính cố định. Một người có thể mạnh về đại số nhưng yếu về xác suất. Vì vậy, cá nhân hóa hiệu quả thường cần theo dõi trạng thái kiến thức theo từng kỹ năng hoặc chủ đề, thay vì gán một nhãn chung như “học sinh khá” hay “người học nâng cao”. Đây cũng là lý do các nghiên cứu về learner model nhấn mạnh việc sử dụng nhiều đặc trưng liên quan thay vì dựa vào một đặc điểm duy nhất

Hành vi học tập cho AI biết người học đang học như thế nào

Năng lực cho biết người học đang ở đâu, còn hành vi cho AI biết họ đang di chuyển như thế nào.

Các tín hiệu hành vi có thể gồm thời gian hoàn thành bài, số lần thử lại, thứ tự truy cập nội dung, mức độ sử dụng gợi ý, câu hỏi đặt cho hệ thống, tần suất quay lại một chủ đề và việc bỏ dở hay hoàn thành một hoạt động. Những dữ liệu tương tác này cho phép AI phát hiện những mẫu mà điểm số riêng lẻ không thể hiện rõ.

Ví dụ, hai người cùng đạt 80% trong một bài kiểm tra nhưng có thể cần hai cách hỗ trợ khác nhau. Một người đạt kết quả đó sau một lần làm và hầu như không cần gợi ý; người còn lại mất nhiều lần thử, thường xuyên xem hướng dẫn và mất nhiều thời gian ở một dạng câu hỏi. Nếu chỉ nhìn vào điểm 80%, hệ thống sẽ khó phân biệt hai trạng thái này.

Trong các mô hình học tập thích ứng, knowledge tracing là một hướng tiếp cận dùng dữ liệu tương tác lịch sử để ước lượng trạng thái kiến thức của người học và dự đoán khả năng thực hiện ở những lần tương tác tiếp theo. Nhờ đó, AI có thể cập nhật quyết định cá nhân hóa theo tiến trình thay vì giữ nguyên một lộ trình từ đầu đến cuối

Vì vậy, hành vi không chỉ có giá trị mô tả. Nó trở thành tín hiệu đầu vào để hệ thống điều chỉnh độ khó, tốc độ, thứ tự nội dung và mức hỗ trợ.

Mục tiêu, sở thích và bối cảnh cũng ảnh hưởng đến cách học

Một người có cùng trình độ với người khác vẫn có thể cần trải nghiệm học hoàn toàn khác nếu mục tiêu và bối cảnh khác nhau.

AI có thể xem xét mục tiêu học tập, chủ đề người học quan tâm, định dạng nội dung thường lựa chọn hoặc bối cảnh sử dụng hệ thống. Chẳng hạn, người cần vượt qua một kỳ thi trong thời gian ngắn có thể cần lộ trình tập trung vào các năng lực còn yếu và ưu tiên nội dung có mức độ liên quan cao. Trong khi đó, người học vì muốn khám phá kiến thức có thể phù hợp với lộ trình rộng hơn.

Tuy nhiên, sở thích không nên được đánh đồng với năng lực. Một người thích video không có nghĩa họ sẽ học tốt nhất mọi nội dung bằng video. Nghiên cứu về adaptive learning cho thấy những hệ thống thích ứng với mức độ của người học có tác động đáng kể hơn các cách cá nhân hóa chỉ dựa vào sở thích hoặc chỉ cung cấp phản hồi, hỗ trợ hay đánh giá cá nhân hóa; một phân tích tổng hợp báo cáo hiệu ứng 0,35 cho các cách thích ứng theo trình độ, so với 0,18 đối với công nghệ hỗ trợ cá nhân hóa nói chung trong nhóm nghiên cứu được xem xét

Điều này dẫn đến một nguyên tắc quan trọng: sở thích nên bổ trợ cho mô hình người học, không thay thế mô hình năng lực.

Bối cảnh cũng có thể làm thay đổi quyết định của hệ thống. Một người học trên điện thoại trong những khoảng thời gian ngắn có thể được ưu tiên các hoạt động ngắn hơn so với người có các phiên học dài. Những khác biệt này không nhất thiết phản ánh năng lực mà phản ánh điều kiện học tập tại thời điểm đó.

Kết quả và phản hồi liên tục giúp AI điều chỉnh lộ trình

Cá nhân hóa chỉ thực sự có ý nghĩa khi hồ sơ người học được cập nhật theo thời gian.

Sau mỗi bài tập, bài kiểm tra hoặc tương tác, hệ thống có thể đối chiếu kết quả thực tế với dự đoán trước đó. Nếu người học liên tục vượt qua các nhiệm vụ cùng cấp độ, AI có cơ sở để tăng độ khó hoặc chuyển sang kỹ năng kế tiếp. Nếu lỗi lặp lại, hệ thống có thể quay lại kiến thức nền, thay đổi loại bài tập hoặc tăng mức hướng dẫn.

Đây là cơ chế khác biệt giữa một hệ thống chỉ “gợi ý nội dung” và một hệ thống thực sự thích ứng. Hệ thống thứ hai tạo thành một vòng lặp:

Dữ liệu → mô hình người học → quyết định cá nhân hóa → kết quả mới → cập nhật mô hình

Các nghiên cứu tổng quan gần đây về personalized adaptive learning trong giáo dục đại học cho thấy điểm số, hành vi, kiến thức và learning analytics đều có thể được sử dụng để lựa chọn nội dung hoặc đối tượng học tập; trong 69 nghiên cứu được tổng hợp, 59% báo cáo cải thiện thành tích học tập và 36% báo cáo tăng mức độ tham gia, dù các kết quả vẫn phụ thuộc vào bối cảnh và cách triển khai

Vì vậy, AI không nên xem một bài kiểm tra là kết luận cuối cùng. Một kết quả mới có thể làm thay đổi đánh giá trước đó về năng lực của người học.

AI kết hợp các yếu tố thành hồ sơ người học như thế nào?

Giá trị của cá nhân hóa không nằm ở việc thu thập thật nhiều dữ liệu, mà ở khả năng kết nối dữ liệu thành một mô hình có ý nghĩa.

Có thể hình dung hồ sơ người học gồm bốn lớp:

Năng lực: Người học biết và chưa biết gì?

Hành vi: Người học học, tương tác và xử lý nhiệm vụ như thế nào?

Mục tiêu và sở thích: Người học muốn đạt điều gì và có xu hướng tiếp nhận nội dung nào?

Kết quả theo thời gian: Những dự đoán trước đây có đúng không và người học đang tiến bộ ra sao?

AI sau đó có thể dùng các tín hiệu này để đưa ra quyết định về nội dung tiếp theo. Chẳng hạn, một người học có kiến thức nền tốt nhưng liên tục sai ở một dạng bài cụ thể có thể không cần học lại toàn bộ chương. Vấn đề có thể nằm ở một kỹ năng thành phần, từ đó hệ thống chỉ cần đưa ra một nhóm bài tập tập trung.

Ngược lại, nếu dữ liệu cho thấy người học vừa thiếu kiến thức nền vừa cần nhiều gợi ý, việc tăng độ khó ngay có thể làm giảm hiệu quả. Hệ thống cần điều chỉnh cả nội dung lẫn mức hỗ trợ.

Các nghiên cứu về learner model cũng cho thấy hệ thống thích ứng hiện đại đang sử dụng nhiều kỹ thuật để mô tả đặc trưng người học, trong khi một hạn chế còn tồn tại là nhiều hệ thống chưa có cơ chế đánh giá thích ứng đủ toàn diện

Nói cách khác, cá nhân hóa học tập bằng AI là bài toán suy luận từ nhiều tín hiệu, không phải phép lọc đơn giản dựa trên một biến như điểm số hoặc sở thích.

Giới hạn dữ liệu quyết định chất lượng cá nhân hóa

Một hệ thống chỉ có thể cá nhân hóa tốt trong phạm vi những gì dữ liệu của nó phản ánh đúng.

Nếu dữ liệu chỉ ghi nhận điểm kiểm tra, AI có thể hiểu khá rõ về một phần năng lực nhưng khó hiểu đầy đủ về quá trình học. Nếu dữ liệu chủ yếu phản ánh thời gian sử dụng, hệ thống có thể nhầm một phiên học dài với một phiên học hiệu quả. Nếu dữ liệu thu thập từ tương tác số quá ít, hồ sơ người học có thể không ổn định.

Đặc biệt, các yếu tố như cảm xúc, động lực hoặc quá trình tự điều chỉnh việc học có thể khó suy ra chính xác chỉ từ dấu vết hành vi. Một tổng quan gần đây về dữ liệu học tập số cho thấy các dấu vết kỹ thuật số có thể đo một số khía cạnh nhận thức và siêu nhận thức nhưng vẫn có xu hướng bỏ sót cảm xúc và động lực

Bên cạnh giới hạn suy luận là vấn đề quyền riêng tư và quản trị dữ liệu. UNESCO nhấn mạnh rằng việc sử dụng AI trong giáo dục cần tiếp cận theo hướng lấy con người làm trung tâm, trong đó bảo vệ dữ liệu cá nhân, an toàn và thiết kế sư phạm phù hợp là những điều kiện quan trọng

Do đó, một hệ thống cá nhân hóa tốt không phải hệ thống “biết càng nhiều về người học càng tốt”, mà là hệ thống sử dụng đúng dữ liệu cần thiết, hiểu rõ giới hạn của suy luận và vẫn giữ vai trò của giáo viên trong những quyết định có ý nghĩa giáo dục.

Cốt lõi của cá nhân hóa học tập bằng AI nằm ở việc kết hợp nhiều yếu tố: kiến thức và năng lực hiện tại, hành vi tương tác, mục tiêu và sở thích, bối cảnh học tập, cùng kết quả được cập nhật liên tục. Trong đó, dữ liệu về năng lực và tiến trình học thường giữ vai trò trung tâm; sở thích và bối cảnh giúp tinh chỉnh trải nghiệm, còn phản hồi mới giúp hệ thống điều chỉnh lộ trình theo thời gian. Khi các yếu tố này được kết hợp thành một mô hình người học động, AI mới có cơ sở để quyết định học gì tiếp theo, khó đến mức nào và cần hỗ trợ ra sao.