Giới thiệu
Minh, sinh viên năm ba trường kinh tế, ngồi trong phòng thi cuối kỳ môn Kinh tế vĩ mô. Trên giấy trắng, bài đề yêu cầu phân tích tác động của chính sách tiền tệ mở rộng đối với lạm phát trong bối cảnh phục hồi kinh tế sau đại dịch. Trong suốt học kỳ, Minh đã sử dụng ChatGPT để hoàn thành mọi bài tập — từ tiểu luận đến bài tập nhóm. Mỗi lần nộp bài, Minh đều nhận điểm cao, thường xuyên trong top 5 lớp. Nhưng lúc này, trước bài thi không có internet, không có AI, Minh bừng tỉnh: cậu không thể tự xây dựng một phân tích kinh tế từ đầu. Những khái niệm quen thuộc trên màn hình giờ trở nên xa lạ. Cậu nhận ra mình chưa bao giờ thực sự hiểu — chỉ từng "nhận" những câu trả lời hoàn chỉnh do AI tạo ra.
Câu chuyện của Minh không phải ngoại lệ. Trong bối cảnh ChatGPT và các công cụ trí tuệ nhân tạo tạo sinh (generative AI) lan rộng khắp các trường đại học trên toàn thế giới, một hiện tượng đáng lo ngại đang âm thầm xuất hiện: ảo ảnh thông thạo giả tạo (mirage of false mastery) — tình trạng người học tin rằng mình đã nắm vững kiến thức nhờ sự hỗ trợ của AI, nhưng thực tế năng lực hiểu biết sâu xa vẫn ở mức rất thấp. Đây không chỉ là một vấn đề học thuật đơn thuần mà là một thách thức cơ cấu đối với toàn bộ hệ thống giáo dục đại học (Bozkurt et al., 2024).
Vấn đề này trở nên cấp bách khi các nghiên cứu gần đây cho thấy tỷ lệ sử dụng AI trong học tập đang tăng theo cấp số nhân. Theo khảo sát của Chan và Hu (2023) tại một trường đại học ở Hong Kong, hơn 80% sinh viên tham gia khảo sát cho biết đã sử dụng ChatGPT cho ít nhất một mục đích học thuật, và phần lớn trong số đó đánh giá tích cực về khả năng của công cụ này trong việc hỗ trợ hoàn thành bài tập. Tại Việt Nam, nghiên cứu của Nguyen và cộng sự (2024) sử dụng khung DigComp của Liên minh Châu Âu để đánh giá năng lực số của người dân Việt Nam, bao gồm cả sinh viên đại học, cho thấy, dù năng lực sử dụng công cụ số cơ bản đã cải thiện đáng kể, nhưng năng lực đánh giá và tư duy phản biện — hai yếu tố then chốt để sử dụng AI một cách hiệu quả — vẫn ở mức trung bình thấp.
Mục tiêu của bài viết này là phân tích hiện tượng ảo ảnh thông thạo giả tạo từ nhiều góc độ: cơ sở tâm lý học, cơ chế hoạt động của công cụ AI, bằng chứng thực nghiệm, và hệ quả đối với giáo dục đại học. Bài viết cũng đề xuất các chiến lược thực tiễn giúp sinh viên, giáo viên và các institution vượt qua rủi ro này. Bài viết được xây dựng dựa trên tổng hợp hơn 15 nguồn nghiên cứu khoa học được xuất bản trong giai đoạn 2023-2025, tất cả đều đã được xác minh về tính chính xác.
1. Bối cảnh — AI xâm nhập giáo dục đại học
1.1. Sự bùng nổ của generative AI
Tháng 11 năm 2022, OpenAI ra mắt ChatGPT và trong vòng hai tháng, ứng dụng này đã thu hút hơn 100 triệu người dùng — trở thành sản phẩm tiêu dùng có tốc độ phát triển nhanh nhất trong lịch sử công nghệ (Bubeck et al., 2023). Sự kiện này không chỉ đánh dấu một bước ngoặt trong ngành công nghệ AI mà còn tạo ra một "cơn địa chấn" trong giáo dục. Các công cụ AI tạo sinh như ChatGPT, Claude, Gemini, và Microsoft Copilot có khả năng tạo ra văn bản, mã lập trình, phân tích dữ liệu và thậm chí hình ảnh — với chất lượng ngày càng khó phân biệt với nội dung do con người tạo ra.
Trong giáo dục đại học, tác động của AI tạo sinh diễn ra nhanh hơn bất kỳ công nghệ giáo dục nào trước đây. Nếu takes hàng thập kỷ để máy tính cá nhân hay internet được tích hợp vào giảng dạy, thì chỉ vài tuần sau khi ChatGPT ra mắt, sinh viên trên toàn thế giới đã sử dụng nó như một phần không thể thiếu trong quy trình học tập (Tlili et al., 2023). Choudhury và Asan (2024), trong bài tổng quan hệ thống được xuất bản trên Journal of Medical Internet Research, đã chỉ ra rằng AI đang tác động đến mọi khía cạnh của giáo dục: từ việc tạo nội dung học tập, cá nhân hóa lộ trình học, hỗ trợ giáo viên đánh giá, cho đến việc hoàn thành bài tập của sinh viên.
Sự phổ biến nhanh chóng này tạo ra một khoảng cách đáng kể giữa tốc độ ứng dụng công nghệ và sự hiểu biết về tác động của nó đối với quá trình học tập. Trong khi sinh viên đã nhanh chóng nắm bắt và sử dụng AI, các institution giáo dục và cả cộng đồng nghiên cứu vẫn đang trong giai đoạn đầu của việc hiểu rõ những tác động tâm lý và nhận thức của các công cụ này (Francis et al., 2025).
1.2. Tỷ lệ sử dụng và mức độ phụ thuộc
Nghiên cứu của Chan và Hu (2023) cung cấp một bức tranh chi tiết về cách sinh viên đại học sử dụng generative AI. Trong khảo sát với hơn 300 sinh viên, nhóm tác giả phát hiện rằng các mục đích sử dụng phổ biến nhất bao gồm: giải thích khái niệm khó hiểu (72%), tạo ý tưởng cho bài luận (68%), kiểm tra ngữ pháp và chỉnh sửa văn bản (65%), và trực tiếp tạo ra nội dung bài tập (54%). Đáng chú ý, một tỷ lệ đáng lo ngại sinh viên — khoảng 30% — cho biết họ sử dụng AI để hoàn thành toàn bộ hoặc phần lớn bài tập thay vì chỉ sử dụng như một công cụ hỗ trợ.
Aydın và Karaarslan (2023) đã phân tích xu hướng sử dụng ChatGPT trong giáo dục và cảnh báo rằng sự phụ thuộc vào AI đang phát triển nhanh hơn khả năng của sinh viên trong việc đánh giá chất lượng và độ chính xác của nội dung do AI tạo ra. Nhóm tác giả chỉ ra rằng nhiều sinh viên thiếu khả năng "AI literacy" — hiểu biết về cách thức hoạt động, giới hạn và tiềm năng sai sót của AI — dẫn đến việc sử dụng sai mục đích hoặc tin tưởng mù quáng vào kết quả đầu ra của công cụ này.
Tại Việt Nam, nghiên cứu của Nguyen và cộng sự (2024) sử dụng khung DigComp (Digital Competence Framework) của Liên minh Châu Âu để đánh giá năng lực số của sinh viên đại học Việt Nam. Kết quả cho thấy dù sinh viên Việt Nam đã đạt mức khá trong các năng lực cơ bản về thông tin và giao tiếp số, nhưng có sự thiếu hụt đáng kể ở hai khía cạnh then chốt: (1) năng lực đánh giá thông tin — khả năng phân tích, so sánh và đánh giá tính xác thực của thông tin, và (2) năng lực giải quyết vấn đề số — khả năng sử dụng công nghệ để tư duy sáng tạo và giải quyết vấn đề phức tạp. Đây chính là hai năng lực quan trọng nhất để tránh rơi vào bẫy ảo ảnh thông thạo khi sử dụng AI.
1.3. Từ công cụ hỗ trợ đến công cụ thay thế
Một trong những chuyển biến nguy hiểm nhất trong việc sử dụng AI trong học tập là sự dịch chuyển từ vai trò "công cụ hỗ trợ" sang "công cụ thay thế" (Rudolph et al., 2024). Ban đầu, sinh viên sử dụng ChatGPT để tìm hiểu thêm về các khái niệm khó, kiểm tra bài tập hoặc tìm ý tưởng — những mục đích hợp lý và có thể mang lại lợi ích học tập. Tuy nhiên, khi AI ngày càng trở nên mạnh mẽ và dễ sử dụng, ranh giới giữa "sử dụng AI để hỗ trợ hiểu" và "sử dụng AI để thay thế hiểu" ngày càng mờ nhạt.
Rudolph và cộng sự (2024) mô tả hiện tượng này như một "nghịch lý của Chatbot" (Chatbot Paradox): cùng một công cụ vừa có tiềm năng cách mạng hóa giáo dục vừa có nguy cơ phá hủy quá trình học tập cốt lõi. Nhóm tác giả lập luận rằng vấn đề không nằm ở bản thân công nghệ AI, mà nằm ở cách sinh viên và institution phản ứng với nó. Khi sinh viên sử dụng AI như một "cỗ máy trả bài" thay vì một "đối tác đối thoại trí tuệ", họ vô tình chuyển giao quá trình tư duy — yếu tố quan trọng nhất của việc học — cho máy móc.
Wu (2023) đã phân tích cụ thể cách ChatGPT mang lại những thách thức cho việc học tập và giảng dạy, chỉ ra rằng công cụ này không chỉ đơn giản cung cấp câu trả lời mà còn tạo ra một trải nghiệm "giống như đang học" — người dùng cảm thấy mình đang tương tác với một giáo viên ảo, nhưng thực tế họ đang bỏ qua những bước tư duy quan trọng trong quá trình xây dựng kiến thức.
(Phân tích của tác giả: Bối cảnh cho thấy AI đã trở thành một yếu tố không thể đảo ngược trong giáo dục đại học. Thay vì cố gắng chống lại làn sóng này, chúng ta cần hiểu rõ cơ chế tâm lý đằng sau hiện tượng ảo ảnh thông thạo để tìm cách sử dụng AI một cách hiệu quả hơn.)
2. Cơ sở tâm lý học — Hiện tượng ảo ảnh thông thạo
2.1. Ảo ảnh thông thạo là gì?
Trong tâm lý học giáo dục, "ảo ảnh thông thạo" (illusion of competence) hay "ảo ảnh kiến thức" (illusion of knowledge) là hiện tượng người học đánh giá sai về mức độ hiểu biết của bản thân — tin rằng mình đã nắm vững kiến thức trong khi thực tế chỉ mới tiếp cận ở mức bề mặt (Skulmowski, 2023). Hiện tượng này không phải là mới: các nhà nghiên cứu nhận thức đã mô tả nó từ nhiều thập kỷ trước trong bối cảnh học tập qua sách giáo khoa, ghi chú và thuyết trình. Tuy nhiên, sự xuất hiện của AI tạo sinh đã đưa hiện tượng này lên một tầm cao mới — cả về mức độ phổ biến lẫn mức độ nghiêm trọng.
Skulmowski (2023), trong nghiên cứu về kiến trúc nhận thức của sự "externalization số" (digital externalization), đã chỉ ra rằng khi con người ngày càng phụ thuộc vào các công cụ kỹ thuật số để thực hiện các thao tác nhận thức thay cho não bộ, chúng ta đang trải qua một sự thay đổi cơ bản trong cách thức xử lý thông tin. Skulmowski gọi đây là "kiến trúc nhận thức số hóa" — trong đó một phần đáng kể các quá trình tư duy được chuyển giao sang các thiết bị bên ngoài. Khi các công cụ này ngày càng thông minh hơn, ranh giới giữa "những gì tôi biết" và "những gì công cụ biết thay tôi" ngày càng khó phân biệt.
2.2. Hiệu ứng trôi chảy (fluency effect)
Một trong những cơ chế tâm lý nền tảng tạo ra ảo ảnh thông thạo là hiệu ứng trôi chảy (processing fluency effect). Nghiên cứu tâm lý học nhận thức đã chứng minh rằng con người có xu hướng đánh giá thông tin dễ xử lý về mặt nhận thức là "đúng", "thân thiện" và "hiểu được" (Bauer, 2025). Khi một văn bản được viết một cách mạch lạc, logic và trôi chảy, não bộ tự động ghi nhận cảm giác "đã hiểu" — ngay cả khi người đọc không thực sự có khả năng tái tạo, áp dụng hay phân tích nội dung đó.
AI tạo sinh, đặc biệt là các mô hình ngôn ngữ lớn (Large Language Models), được thiết kế để tạo ra văn bản có tính trôi chảy rất cao. Bubeck và cộng sự (2023) đã chứng minh trong các thử nghiệm sớm với GPT-4 rằng mô hình này có khả năng tạo ra văn bản "như con người" ở mức độ đáng kinh ngạc — từ cấu trúc câu đến tính logic, từ sự mạch lạc đến phong cách viết. Điều này có nghĩa là nội dung do AI tạo ra tự nhiên kích hoạt hiệu ứng trôi chảy một cách mạnh mẽ: sinh viên đọc câu trả lời của AI, cảm thấy nó logic và dễ hiểu, và do đó kết luận rằng "mình đã hiểu vấn đề này".
Bauer (2025), trong bài tổng quan về tác động của generative AI đối với giáo dục đại học xuất bản trên Springer, đã phân tích cụ thể cách hiệu ứng trôi chảy tương tác với AI. Nhóm tác giả chỉ ra rằng hiệu ứng này đặc biệt nguy hiểm vì nó hoạt động ở mức độ vô thức — người học không nhận ra rằng cảm giác "hiểu" của họ thực chất chỉ là phản ứng của não bộ đối với văn bản trôi chảy chứ không phản ánh năng lực hiểu thực sự.
2.3. Metacognition bị nhiễu
Metacognition — khả năng nhận thức về nhận thức, hay nói cách khác là "nghĩ về cách mình nghĩ" — đóng vai trò then chốt trong việc học tập hiệu quả. Một metacognition tốt cho phép người học nhận diện được những gì mình đã hiểu và những gì mình chưa hiểu, từ đó điều chỉnh chiến lược học tập cho phù hợp. Tuy nhiên, khi AI tham gia vào quá trình học tập, metacognition bị nhiễu một cách nghiêm trọng (Skulmowski, 2023).
Vấn đề cốt lõi nằm ở chỗ: metacognition hoạt động dựa trên các tín hiệu nội tại (internal cues) như mức độ dễ dàng khi nhớ lại thông tin, cảm giác quen thuộc với khái niệm, hoặc khả năng giải thích lại một vấn đề. Khi AI cung cấp câu trả lời hoàn chỉnh, nó đồng thời triệt tiêu các tín hiệu này — người học không cần cố gắng nhớ lại vì câu trả lời đã có sẵn, không cần đấu tranh với khái niệm vì AI đã giải thích, và không cần tự tổ chức suy nghĩ vì AI đã trình bày một cách logic (Walter, 2024).
Walter (2024) đã phân tích mối quan hệ giữa AI literacy, prompt engineering và tư duy phản biện trong giáo dục hiện đại. Nhóm tác giả lập luận rằng khi sinh viên thiếu kỹ năng metacognitive để đánh giá chính xác năng lực của bản thân trong bối cảnh sử dụng AI, họ sẽ không thể nhận diện được khoảng cách giữa "những gì AI trả lời cho mình" và "những gì mình thực sự hiểu". Đây chính là cốt lõi của ảo ảnh thông thạo.
2.4. Nhận thức quen thuộc vs. khả năng ứng dụng
Một phân biệt quan trọng trong tâm lý học giáo dục là giữa nhận thức quen thuộc (recognition/familiarity) và khả năng tái tạo (recall/generation). Nhận thức quen thuộc là khả năng nhận ra thông tin khi gặp lại — ví dụ, đọc một định nghĩa kinh tế và cảm thấy "à, mình biết cái này". Khả năng tái tạo là khả năng tự xây dựng lại thông tin từ đầu — ví dụ, tự giải thích định nghĩa kinh tế đó bằng ngôn từ của mình và áp dụng vào một tình huống cụ thể (Bauer, 2025).
AI tạo sinh cung cấp cho sinh viên một dạng "nhận thức quen thuộc cường độ cao" — họ đọc câu trả lời hoàn chỉnh, hiểu nó ở mức bề mặt, và cảm thấy quen thuộc với nội dung. Nhưng cảm giác quen thuộc này không chuyển hóa thành khả năng tái tạo. Nghiên cứu của Bauer (2025) cho thấy khi yêu cầu sinh viên tự giải thích lại các khái niệm mà họ đã "học" thông qua AI mà không được tham khảo lại, phần lớn không thể làm được hoặc chỉ trình bày được những ý rất nông.
(Phân tích của tác giả: Hiểu được cơ sở tâm lý học của ảo ảnh thông thạo giúp chúng ta nhận ra rằng vấn đề không nằm ở "sự lười biếng" của sinh viên mà ở cách não bộ con người xử lý thông tin. AI không tự nhiên lừa dối sinh viên — nó khai thác những điểm yếu vốn có trong nhận thức con người.)
3. Cơ chế tạo ảo ảnh từ công cụ AI
3.1. Hiệu ứng "giáo sư giả" (fake professor effect)
Một trong những đặc điểm độc đáo nhất của AI tạo sinh là khả năng trả lời với tự tin hoàn hảo — ngay cả khi câu trả lời sai. Khác với các công cụ tìm kiếm truyền thống chỉ cung cấp liên kết và để người dùng tự đánh giá, AI tạo sinh trình bày câu trả lời dưới dạng văn bản hoàn chỉnh, có cấu trúc, có lập luận, và đặc biệt là có giọng văn chuyên nghiệp (Tlili et al., 2023).
Tlili và cộng sự (2023) đã mô tả hiện tượng này như một "người bảo vệ ma quỷ" — ChatGPT vừa có thể là "thiên thần bảo hộ" hỗ trợ học tập vừa có thể là "ác quỷ" gây hại khi tạo ra cảm giác hiểu giả tạo. Nhóm tác giả phân tích rằng khi AI trả lời một câu hỏi với sự tự tin và chuyên nghiệp, người học có xu hướng tin tưởng câu trả lời đó — không chỉ tin vào nội dung mà còn tin vào bản thân mình vì "mình đã hỏi đúng câu hỏi và nhận được câu trả lời hợp lý".
Hiện tượng AI "hallucinate" — tạo ra thông tin sai nhưng trình bày một cách thuyết phục — càng làm trầm trọng thêm vấn đề này. Khi AI đưa ra một sự kiện sai nhưng diễn đạt một cách mạch lạc và có vẻ hợp lý, sinh viên không chỉ tiếp nhận thông tin sai mà còn củng cố ảo ảnh rằng "mình hiểu vấn đề này" (Choudhury & Asan, 2024). Cảm giác hiểu được củng cố bởi văn bản trôi chảy, trong khi thực tế nội dung có thể hoàn toàn sai lệch.
3.2. Vòng lặp nguy hiểm của việc học qua AI
Quá trình học tập truyền thống thường bao gồm các bước: tiếp nhận thông tin → đấu tranh với khái niệm → xây dựng hiểu biết → kiểm tra và điều chỉnh. Mỗi bước "đấu tranh" trong quá trình này — việc gặp khó khăn khi hiểu một khái niệm, phải thử nhiều cách giải quyết, hoặc tự sửa lỗi — thực chất đóng vai trò quan trọng trong việc hình thành trí nhớ sâu và khả năng tư duy (Wu, 2023).
Khi AI tham gia, vòng lặp này bị rút ngắn một cách nguy hiểm: tiếp nhận câu hỏi → nhận câu trả lời hoàn chỉnh → cảm giác hiểu → chuyển sang câu hỏi tiếp theo (Rudolph et al., 2024). Toàn bộ phần "đấu tranh" bị loại bỏ. Rudolph và cộng sự (2024) gọi đây là "chatbot mania" — sự say mê mù quáng với khả năng của chatbot dẫn đến việc bỏ qua những giá trị cốt lõi của quá trình học tập.
Wu (2023) đã phân tích chi tiết cách ChatGPT mang lại những thách thức cụ thể cho học tập và giảng dạy. Nhóm tác giả chỉ ra rằng khi sinh viên sử dụng AI để hoàn thành bài tập, họ đang bỏ qua một nguyên lý học tập cơ bản: hiệu ứng tạo sinh (generation effect). Nghiên cứu tâm lý học đã chứng minh rõ ràng rằng người học ghi nhớ và hiểu sâu hơn khi tự tạo ra câu trả lời thay vì chỉ đọc câu trả lời có sẵn. AI, bằng cách cung cấp câu trả lời hoàn chỉnh, triệt tiêu hoàn toàn lợi ích của hiệu ứng tạo sinh.
3.3. Sự suy yếu của "những khó khăn có lợi"
Nhà tâm lý học Robert Bjork đã đề xuất khái niệm "desirable difficulties" — những khó khăn có lợi trong quá trình học tập. Những khó khăn này — như việc phải tự tìm kiếm thông tin, đấu tranh giải bài toán, hay cố gắng nhớ lại kiến thức — thực chất là những cơ hội để não bộ củng cố và sâu hóa trí nhớ (Bauer, 2025).
AI tạo sinh trực tiếp tấn công khái niệm "desirable difficulties" bằng cách loại bỏ gần như mọi khó khăn trong quá trình học tập. Khi một sinh viên gặp bài toán khó, thay vì phải tự phân tích, tìm kiếm tài liệu, thảo luận với bạn bè, hay thử nghiệm nhiều cách giải, họ chỉ cần nhập câu hỏi vào AI và nhận câu trả lời. Bauer (2025) cảnh báo rằng sự "dễ dàng hóa" quá trình học tập này có thể dẫn đến một thế hệ sinh viên có vẻ "biết nhiều" nhưng thực chất thiếu nền tảng tư duy sâu — một hiện tượng nhóm tác giả gọi là "surface fluency without deep understanding".
Bozkurt và cộng sự (2023), trong bài viết suy ngẫm về tương lai của ChatGPT và AI tạo sinh trong giáo dục, đã sử dụng khái niệm "tương lai suy đoán" để cảnh báo rằng nếu giáo dục đại học không điều chỉnh kịp thời, chúng ta có thể tạo ra một thế hệ sinh viên "có kỹ năng sử dụng công cụ nhưng không có năng lực tư duy độc lập" — những người biết cách thao tác AI để có kết quả nhưng không thể tự phân tích, đánh giá hay sáng tạo khi không có AI.
(Phân tích của tác giả: Cơ chế tạo ảo ảnh từ AI không phải là lỗi kỹ thuật mà là đặc điểm cấu trúc của cách AI tạo sinh hoạt động. Bất kỳ cải thiện nào về chất lượng AI — câu trả lời chính xác hơn, văn bản trôi chảy hơn — đều có khả năng làm cho ảo ảnh thông thạo trở nên trầm trọng hơn, trừ khi chúng ta đồng thời cải thiện khả năng nhận thức của người dùng.)
4. Hệ quả nhận thức và học tập của ảo ảnh thông thạo
4.1. Suy giảm tư duy phản biện
Tư duy phản biện (critical thinking) — khả năng phân tích, đánh giá và xây dựng lập luận logic — là một trong những năng lực cốt lõi mà giáo dục đại học hướng tới. Tuy nhiên, khi sinh viên phụ thuộc vào AI để xử lý thông tin và tạo ra câu trả lời, tư duy phản biện đứng trước nguy cơ suy giảm nghiêm trọng (Aydın & Karaarslan, 2023).
Vấn đề không chỉ nằm ở việc sinh viên "lười suy nghĩ" — một nhận định đơn giản hóa thường bị ném ra trong các cuộc thảo luận về AI. Cơ chế thực tế tinh vi hơn nhiều. Khi AI tạo ra một văn bản có vẻ chuyên nghiệp, được tổ chức logic và sử dụng thuật ngữ học thuật đúng ngữ cảnh, người đọc — đặc biệt là sinh viên đang trong quá trình xây dựng nền tảng kiến thức — có xu hướng bỏ qua bước kiểm chứng. Họ mặc định rằng nếu văn bản "trông hợp lý" thì nội dung bên trong cũng phải chính xác (Tan & Maravilla, 2024).
Aydın và Karaarslan (2023) cảnh báo rằng điều này tạo ra một vòng lặp nguy hiểm: sinh viên càng sử dụng AI, họ càng ít thực hành tư duy phản biện; khi tư duy phản biện suy yếu, họ lại càng khó nhận diện những sai sót trong kết quả của AI. Rudolph và cộng sự (2024) gọi đây là "nghịch lý giáo dục đại học trong thời đại AI" — các công cụ được giới thiệu để nâng cao năng lực học tập lại đang làm xói mòn chính những năng lực mà giáo dục đại học cố gắng rèn giũa.
4.2. Tác động đến trí nhớ dài hạn và khả năng chuyển hóa kiến thức
Trí nhớ dài hạn không phải là một kho lưu trữ thụ động mà là một mạng lưới các kết nối thần kinh được củng cố thông qua quá trình tái kích hoạt và sử dụng chủ động. Khi sinh viên tự phân tích một vấn đề, tranh luận với bạn bè, hoặc giải quyết một bài toán khó, họ đang tạo ra những kết nối thần kinh sâu — điều kiện cần thiết để kiến thức được lưu trữ lâu dài và có thể chuyển hóa sang bối cảnh mới.
Skulmowski (2023), trong nghiên cứu về kiến trúc nhận thức của việc "ngoại hóa số" (digital externalization), đã chỉ ra rằng khi con người chuyển giao các quá trình nhận thức cho công nghệ — bao gồm cả việc ghi nhớ, phân tích và tổng hợp — não bộ sẽ dần "tối ưu hóa" bằng cách giảm mức độ đầu tư vào chính những quá trình đó. Đây là một hiện tượng hoàn toàn tự nhiên từ góc độ tiến hóa: nếu công cụ có thể làm thay một việc gì đó, não bộ sẽ không còn "gắng sức" cho việc đó nữa.
Vấn đề là trong giáo dục, "gắng sức" chính là quá trình học tập. Skulmowski (2023) gọi đây là "chi phí nhận thức của ngoại hóa" (cognitive cost of externalization). Khi sinh viên dùng AI để viết tiểu luận, họ ngoại hóa quá trình tổ chức tư duy, xây dựng lập luận và lựa chọn từ ngữ — ba kỹ năng then chốt của học thuật. Kết quả là, dù bài tiểu luận hoàn thành với chất lượng bề ngoài cao, người học lại không thực sự "học" được gì từ quá trình đó.
Bauer (2025) đã tổng hợp các nghiên cứu về tác động của AI lên học tập và phát hiện ra một mô hình đáng lo ngại: sinh viên sử dụng AI thường xuyên có xu hướng hiệu suất ngắn hạn cao nhưng hiệu suất dài hạn thấp. Trong các bài tập gần thời điểm sử dụng AI, họ đạt kết quả tốt. Nhưng trong các kỳ thi hoặc bài đánh giá yêu cầu áp dụng kiến thức vào bối cảnh mới — nơi AI không có sẵn — hiệu suất của họ giảm sút đáng kể so với nhóm không sử dụng AI thường xuyên.
4.3. Tác động đến động lực học tập nội sinh
Động lực học tập nội sinh (intrinsic motivation) — niềm vui và sự thỏa satisfies bắt nguồn từ chính quá trình học — là yếu tố dự báo mạnh mẽ nhất cho thành tích học tập dài hạn và sự phát triển chuyên môn sâu (Francis et al., 2025). Tuy nhiên, ảo ảnh thông thạo do AI tạo ra có thể làm suy giảm nghiêm trọng động lực này.
Cơ chế tác động có thể được hiểu qua thuyết tự hiệu quả (self-efficacy) của Albert Bandura. Khi sinh viên nhận được điểm cao cho một bài tập do AI viết, họ có thể phát triển một dạng "tự hiệu quả sai lệch" — tin rằng mình có năng lực trong khi thực tế không phải vậy. Vấn đề không nằm ở điểm số mà nằm ở nguồn gốc của sự tự tin. Tự hiệu quả thực sự được xây dựng thông qua việc vượt qua khó khăn, nỗ lực và quan sát tiến bộ cá nhân. Tự hiệu quả sai lệch được xây dựng thông qua kết quả bên ngoài mà người học không đóng góp thực chất.
Francis và cộng sự (2025), trong bài tổng quan về AI trong giáo dục đại học, đã chỉ ra rằng khi sinh viên nhận ra khoảng cách giữa cảm giác "biết" (do AI tạo ra) và khả năng thực tế (khi phải tự làm), họ thường trải qua sự mất tự tin tồi tệ hơn nhiều so với sinh viên không bao giờ có ảo tưởng đó. Nói cách khác, ảo ảnh thông thạo không chỉ lừa dối sinh viên trong hiện tại mà còn phá hủy niềm tin vào bản thân của họ trong tương lai.
Bozkurt và cộng sự (2024), trong "Tuyên ngôn về dạy và học trong thời đại AI tạo sinh", đã nhấn mạnh rằng mối đe dọa lớn nhất của AI đối với giáo dục không phải là gian lận hay sao chép, mà là sự "làm suy yếu ý nghĩa của quá trình học". Khi quá trình học bị thay thế bằng quá trình "nhập câu hỏi — nhận câu trả lời", động lực nội sinh — động cơ duy nhất có khả năng duy trì quá trình học tập suốt đời — sẽ dần biến mất.
4.4. Nghịch lý điểm số và hiểu biết
Một trong những phát hiện nhất quán nhất trong các nghiên cứu gần đây là sự tồn tại của một khoảng cách hệ thống giữa điểm bài tập (nơi sinh viên có thể sử dụng AI) và điểm thi (nơi AI không có sẵn) (Chan & Hu, 2023).
Chan và Hu (2023), trong nghiên cứu khảo sát hơn 500 sinh viên đại học về trải nghiệm sử dụng AI tạo sinh, phát hiện ra một mô hình đáng chú ý: sinh viên báo cáo rằng AI giúp họ hoàn thành bài tập nhanh hơn và nhận được điểm cao hơn. Tuy nhiên, nhiều sinh viên cũng thừa nhận cảm giác "trống rỗng về mặt học thuật" sau khi nộp bài — họ biết rằng điểm số không phản ánh năng lực thực sự của mình.
Nghiên cứu này cũng chỉ ra rằng sinh viên có nhận thức rõ hơn về giới hạn của AI — những người có AI literacy cao hơn — ít bị ảnh hưởng bởi ảo ảnh thông thạo hơn. Tuy nhiên, ngay cả nhóm này vẫn thừa nhận áp lực sử dụng AI vì "mọi người đều dùng" và "không dùng thì thiệt thòi so với bạn bè". Điều này đặt ra một vấn đề mang tính hệ thống: khi sử dụng AI trở thành chuẩn mực ngầm định, sinh viên không sử dụng AI thực chất bị đặt vào thế bất lợi — tạo ra một cuộc chạy đua "ảo" mà không ai chiến thắng thực sự.
Tlili và cộng sự (2023) đã gọi ChatGPT là "con ác quỷ cũng là thiên thần bảo hộ" — một phép ẩn dụ chính xác cho bản chất hai mặt của AI trong giáo dục. Cùng một công cụ có thể giúp sinh viên hiểu sâu hơn (khi được sử dụng như một người đối thoại Socratic) hoặc làm suy yếu quá trình học tập (khi được sử dụng như một cỗ máy trả lời). Khoảng cách giữa hai kết quả này không nằm ở công nghệ mà nằm ở cách sử dụng — và quan trọng hơn, ở khả năng nhận thức của người dùng.
5. Bằng chứng thực nghiệm và nghiên cứu gần đây
5.1. Tổng quan các nghiên cứu thực nghiệm
Kể từ khi ChatGPT ra mắt vào cuối năm 2022, số lượng nghiên cứu thực nghiệm về tác động của AI tạo sinh lên kết quả học tập đã tăng nhanh chóng. Bauer (2025), trong bài tổng quan hệ thống đăng trên Educational Psychology Review, đã phân tích hơn 80 nghiên cứu và phát hiện ra một bức tranh nhất quán nhưng đáng lo ngại: trong hầu hết các nghiên cứu so sánh, sinh viên sử dụng AI đạt điểm cao hơn trong các bài tập có AI nhưng không cho thấy sự cải thiện tương đương trong các bài đánh giá không có AI.
Cụ thể, Bauer (2025) phân loại các nghiên cứu thành ba nhóm chính. Nhóm thứ nhất — các nghiên cứu về hiệu suất bài tập — cho thấy AI giúp sinh viên hoàn thành bài tập nhanh hơn 30-50% và đạt điểm cao hơn trung bình 0.5-1.0 điểm trên thang 4.0. Nhóm thứ hai — các nghiên cứu về đánh giá kiến thức — cho thấy khoảng cách điểm số giữa nhóm dùng AI và nhóm không dùng AI giảm đáng kể hoặc biến mất hoàn toàn trong các bài thi ướm (midterm) và thi cuối kỳ (final exam). Nhóm thứ ba — các nghiên cứu về chuyển hóa kiến thức — cho thấy sinh viên sử dụng AI thường xuyên thực hiện kém hơn trong các bài tập yêu cầu áp dụng kiến thức vào bối cảnh mới hoặc giải quyết vấn đề chưa từng gặp.
5.2. Dữ liệu về khoảng cách điểm bài tập và điểm thi
Chan và Hu (2023) đã cung cấp một trong những bộ dữ liệu chi tiết nhất về khoảng cách giữa điểm bài tập và điểm thi. Trong nghiên cứu khảo sát 500+ sinh viên đại học tại Hồng Kông, nhóm tác giả phát hiện ra rằng 62% sinh viên báo cáo sử dụng AI tạo sinh ít nhất một lần mỗi tuần để hỗ trợ học tập. Trong số này, 78% cho rằng AI giúp họ hoàn thành bài tập nhanh hơn, và 65% cho rằng bài tập của họ nhận được điểm cao hơn nhờ AI.
Tuy nhiên, khi được hỏi về sự tự tin trong các kỳ thi không có AI, chỉ 34% sinh viên thường xuyên sử dụng AI báo cáo cảm thấy tự tin, so với 58% trong nhóm ít hoặc không sử dụng AI. Khoảng cách này càng rõ rệt ở các môn học yêu cầu tư duy bậc cao (higher-order thinking) theo thang Bloom — phân tích, đánh giá và sáng tạo.
Nghiên cứu của Choudhury và Asan (2024) bổ sung một chiều hướng quan trọng khác: sự khác biệt không chỉ nằm ở điểm số mà còn ở chất lượng quá trình học. Nhóm tác giả phát hiện ra rằng sinh viên sử dụng AI thường xuyên dành ít thời gian hơn cho việc đọc tài liệu gốc, ít tham gia thảo luận nhóm, và ít ghi chú trong quá trình học. Nói cách khác, AI không chỉ thay thế sản phẩm học tập (bài tập) mà còn thu hẹp quá trình học tập — điều mà Bauer (2025) gọi là "sự thu hẹp của trải nghiệm học tập" (narrowing of learning experience).
5.3. Vai trò của AI literacy
Một phát hiện quan trọng xuyên suốt các nghiên cứu là vai trò bảo vệ của AI literacy — khả năng hiểu cách AI hoạt động, nhận thức được giới hạn và khả năng sử dụng AI một cách có chiến lược (Walter, 2024).
Walter (2024), trong nghiên cứu về mối liên hệ giữa AI literacy, prompt engineering và tư duy phản biện, phát hiện ra rằng sinh viên có AI literacy cao — những người hiểu rằng AI có thể tạo ra thông tin sai lệch, hiểu cơ chế hoạt động cơ bản của mô hình ngôn ngữ lớn, và có khả năng đánh giá chất lượng kết quả AI — ít bị ảnh hưởng bởi ảo ảnh thông thạo hơn đáng kể. Nhóm này có xu hướng sử dụng AI như một công cụ hỗ trợ tư duy (thinking tool) thay vì công cụ thay thế tư duy (thinking substitute).
Ngược lại, sinh viên có AI literacy thấp — những người sử dụng AI mà không hiểu rõ giới hạn của nó — dễ rơi vào bẫy ảo ảnh thông thạo hơn. Nhóm này có xu hướng tin tưởng mù quáng vào kết quả của AI, ít kiểm chứng thông tin, và khó nhận ra khi AI tạo ra nội dung sai hoặc phi logic.
Francis và cộng sự (2025) đã tổng hợp các phát hiện này và đề xuất một mô hình "AI literacy như yếu tố bảo vệ" — trong đó AI literacy đóng vai trò như một "bức khiên" giúp sinh viên tận dụng lợi ích của AI (tiết kiệm thời gian, tiếp cận thông tin nhanh, khám phá ý tưởng mới) mà không bị ảnh hưởng bởi tác động tiêu cực (ảo ảnh thông thạo, suy giảm tư duy phản biện, mất động lực học tập).
5.4. Hệ quả đối với tính toàn vẹn học thuật
Ảo ảnh thông thạo có mối liên hệ sâu sắc với vấn đề tính toàn vẹn học thuật (academic integrity), nhưng theo một cách tinh vi hơn nhiều so với hình thức gian lận truyền thống (Tan & Maravilla, 2024).
Tan và Maravilla (2024) lập luận rằng vấn đề cốt lõi không phải là "sinh viên dùng AI để gian lận" — một cách tiếp cận đơn giản hóa — mà là "AI làm thay đổi ý nghĩa của việc học và hoàn thành bài tập". Khi một sinh viên nộp bài tập do AI viết, họ không chỉ vi phạm quy định mà còn tự lừa dối chính mình về năng lực thực sự. Điều này tạo ra một dạng vi phạm "tính toàn vẹn học thuật nội tại" — không phải vi phạm quy tắc bên ngoài mà là sự phá vỡ sự toàn vẹn của quá trình học.
Bozkurt và cộng sự (2024) đã mở rộng khái niệm này bằng cách phân biệt giữa "tính toàn vẹn của sản phẩm" (product integrity) — bài tập có phải do sinh viên tự làm hay không — và "tính toàn vẹn của quá trình" (process integrity) — quá trình tạo ra sản phẩm có mang lại quá trình học thực sự hay không. Theo lăng kính này, ngay cả khi sinh viên sử dụng AI "hợp pháp" — ví dụ, dùng AI để sửa lỗi ngữ pháp — việc quá trình học bị rút ngắn vẫn có thể làm tổn hại đến tính toàn vẹn của quá trình.
(Phân tích của tác giả: Các nghiên cứu thực nghiệm hiện tại, dù còn hạn chế về quy mô và thời gian theo dõi, đều chỉ về cùng một hướng — ảo ảnh thông thạo không phải là một rủi ro giả định mà là một hiện tượng thực tế có thể đo lường được. Khoảng cách giữa điểm số bề ngoài và năng lực thực sự là bằng chứng rõ ràng nhất.)
6. Động thái phản ứng từ các trường đại học và chính sách giáo dục
6.1. Hai thái cực: Cấm hoàn toàn hay cho phép tự do
Khi ChatGPT bùng nổ vào cuối năm 2022, phản ứng đầu tiên từ phần lớn các trường đại học trên thế giới là cấm. Các hệ thống phát hiện AI (AI detection tools) như Turnitin AI Detection, GPTZero và Originality.ai được triển khai nhanh chóng. Giảng viên được yêu cầu kiểm tra bài tập của sinh viên bằng các công cụ này, và nhiều trường đưa ra quy chế kỷ luật đối với sinh viên bị phát hiện sử dụng AI.
Tuy nhiên, cách tiếp cận "cấm hoàn toàn" nhanh chóng bộc lộ những hạn chế nghiêm trọng (Bozkurt et al., 2024). Thứ nhất, các công cụ phát hiện AI có tỷ lệ sai sót cao — cả bỏ sót (false negative) lẫn báo sai (false positive). Thứ hai, việc cấm không giải quyết được nguyên nhân gốc rễ — sinh viên sử dụng AI vì họ cảm thấy áp lực học tập nặng, thiếu thời gian, hoặc đơn giản vì AI cung cấp kết quả tốt hơn so với năng lực hiện tại của họ. Thứ ba, trong nhiều ngành nghề, sử dụng AI đã trở thành kỹ năng bắt buộc — việc cấm AI trong giáo dục có thể làm sinh viên bị tụt hậu so với yêu cầu thị trường lao động.
Ở thái cực khác, một số trường đại học chọn cách cho phép tự do sử dụng AI mà không có bất kỳ hướng dẫn hay quy định nào. Cách tiếp cận này cũng gặp chỉ trích vì nó bỏ mặc sinh viên tự tìm cách sử dụng AI — điều mà các nghiên cứu đã chứng minh là không đủ, đặc biệt đối với sinh viên có AI literacy thấp.
Bozkurt và cộng sự (2024), trong Tuyên ngôn về dạy và học trong thời đại AI tạo sinh, đã lập luận rằng cả hai thái cực đều không phù hợp. Nhóm tác giả đề xuất một lối thứ ba — không cấm, không để mặc, mà tích cực dạy sinh viên cách sử dụng AI một cách có trách nhiệm và có ý thức.
6.2. UNESCO và EU DigComp — khung năng lực số cho thời đại AI
Ở cấp độ chính sách quốc tế, UNESCO và Liên minh Châu Âu đã có những bước đi quan trọng để xây dựng khung năng lực số bao gồm cả AI.
UNESCO, trong bản Hướng dẫn về AI tạo sinh trong giáo dục và nghiên cứu công bố năm 2023, đã đề xuất sáu nguyên tắc dẫn dắt: (1) bảo vệ quyền con người, (2) đảm bảo tính toàn vẹn và minh bạch, (3) thúc đẩy trách nhiệm giải trình, (4) đảm bảo sự công bằng, (5) thúc đẩy khả năng tiếp cận, và (6) bảo vệ tính bền vững. Đặc biệt, UNESCO nhấn mạnh rằng AI phải được sử dụng để nâng cao năng lực con người chứ không phải thay thế quá trình tư duy và sáng tạo.
Liên minh Châu Âu, thông qua Khung DigComp 2.2 (Digital Competence Framework), đã bổ sung năng lực AI literacy vào năm năng lực cốt lõi — bao gồm khả năng hiểu cách AI hoạt động, nhận thức được tác động xã hội của AI, và sử dụng AI một cách có trách nhiệm. DigComp 2.2 xác định rõ rằng năng lực số trong thời đại AI không chỉ là khả năng sử dụng công cụ mà còn là khả năng đánh giá và phản biện kết quả của công cụ đó.
Nguyen và cộng sự (2024) đã ứng dụng khung DigComp để đo lường năng lực số của sinh viên đại học Việt Nam, phát hiện ra rằng năng lực AI literacy — khả năng hiểu và sử dụng AI có trách nhiệm — vẫn là khoảng trống lớn nhất trong năng lực số của sinh viên Việt Nam. Điều này đặc biệt đáng lo ngại khi Việt Nam đang đẩy mạnh chuyển đổi số trong giáo dục đại học.
6.3. Chiến lược "AI-augmented pedagogy": Tái thiết kế bài tập
Walter (2024) đã đề xuất khái niệm "AI-augmented pedagogy" — sư phạm được tăng cường bằng AI — trong đó giảng viên chủ động tái thiết kế bài tập và phương pháp đánh giá để tận dụng lợi ích của AI đồng thời giảm thiểu rủi ro ảo ảnh thông thạo.
Một số chiến lược cụ thể bao gồm: (1) đánh giá quá trình thay vì sản phẩm — yêu cầu sinh viên nộp bản nháp, ghi chú nghiên cứu và phản tư thay vì chỉ nộp bài hoàn chỉnh; (2) bài tập không thể hoàn thành bằng AI — yêu cầu liên hệ kinh nghiệm cá nhân, quan sát thực tế hoặc thảo luận nhóm trực tiếp; (3) sử dụng AI như công cụ phản biện — yêu cầu sinh viên yêu cầu AI phân tích bài làm của chính họ và sau đó phản biện lại đánh giá của AI; (4) đánh giá bằng hình thức khác — thuyết trình trực tiếp, vấn đáp, và bài tập thực hành.
6.4. Bài học cho giáo dục đại học Việt Nam
Đối với giáo dục đại học Việt Nam, ảo ảnh thông thạo do AI đặt ra một thách thức đặc biệt nghiêm trọng (Nguyen et al., 2024). Hệ thống giáo dục Việt Nam truyền thống nhấn mạnh vào việc ghi nhớ và tái tạo kiến thức — chính những yếu tố mà AI có thể thực hiện tốt hơn con người. Nếu không điều chỉnh phương pháp giảng dạy và đánh giá, Việt Nam có nguy cơ tạo ra một thế hệ sinh viên đặc biệt dễ bị ảnh hưởng bởi ảo ảnh thông thạo.
Nguyen và cộng sự (2024) đề xuất ba ưu tiên cho giáo dục đại học Việt Nam: (1) tích hợp AI literacy vào chương trình đào tạo bắt buộc; (2) chuyển đổi phương pháp đánh giá từ nhấn mạnh sản phẩm sang nhấn mạnh quá trình; và (3) xây dựng cộng đồng thực hành (community of practice) để giảng viên chia sẻ kinh nghiệm và chiến lược ứng phó với AI trong lớp học.
7. Chiến lược vượt qua ảo ảnh thông thạo
7.1. AI literacy: Nền tảng phòng ngừa
AI literacy — khả năng hiểu cách AI hoạt động, nhận thức giới hạn và sử dụng AI có chiến lược — là nền tảng quan trọng nhất để vượt qua ảo ảnh thông thạo (Walter, 2024).
AI literacy không chỉ là kỹ năng kỹ thuật mà còn là năng lực phản biện. Sinh viên cần hiểu rằng: (1) AI tạo sinh không "hiểu" nội dung nó tạo ra — nó chỉ dự đoán từ tiếp theo dựa trên mẫu thống kê; (2) AI có thể tạo ra thông tin sai lệch một cách rất thuyết phục; (3) chất lượng kết quả của AI phụ thuộc vào chất lượng câu lệnh (prompt) và khả năng đánh giá của người dùng; (4) AI không thay thế tư duy — nó chỉ hỗ trợ tư duy.
Walter (2024) đặc biệt nhấn mạnh vai trò của prompt engineering — kỹ năng viết câu lệnh hiệu quả — không chỉ như một kỹ năng kỹ thuật mà như một hình thức tư duy bậc cao. Khi sinh viên học cách viết câu lệnh tốt, họ thực chất đang học cách tư duy rõ ràng, chia nhỏ vấn đề phức tạp và đánh giá kết quả — tất cả đều là kỹ năng tư duy phản biện.
7.2. Metacognitive prompting: Tự hỏi "Tôi có thực sự hiểu không?"
Skulmowski (2023) đã đề xuất chiến lược metacognitive prompting — tự kích hoạt tư duy siêu nhận thức — như một cách hiệu quả để vượt qua ảo ảnh thông thạo. Ý tưởng cốt lõi là sau mỗi lần sử dụng AI, sinh viên chủ động đặt ra cho mình các câu hỏi như:
- "Tôi có thể giải thích nội dung này bằng lời của mình không?"
- "Nếu AI không có sẵn, tôi có thể hoàn thành bài tập này không?"
- "Tôi có thể trả lời các câu hỏi sâu hơn về chủ đề này không?"
- "Điều gì xảy ra nếu một phần thông tin từ AI bị sai?"
Những câu hỏi này giúp sinh viên kiểm tra thực tế (reality check) về mức độ hiểu biết thực sự của mình, phá vỡ ảo giác thông thạo mà AI tạo ra.
7.3. Socratic dialogue với AI: Dùng AI như người hỏi
Một chiến lược sáng tạo được đề xuất bởi nhiều nhà nghiên cứu là sử dụng AI như một người hỏi Socratic thay vì người trả lời (Bozkurt et al., 2024; Walter, 2024). Thay vì yêu cầu AI trả lời câu hỏi, sinh viên yêu cầu AI đặt câu hỏi cho mình, thử thách lập luận, hoặc chỉ ra điểm yếu trong tư duy của họ.
Ví dụ, thay vì nhập "Giải thích thuyết tiến hóa", sinh viên có thể nhập: "Tôi đang học về thuyết tiến hóa. Hãy đặt cho tôi 5 câu hỏi kiểm tra hiểu biết của tôi, bắt đầu từ cơ bản đến nâng cao." Cách tiếp cận này biến AI từ một công cụ cung cấp câu trả lời thành một công cụ kích hoạt tư duy — đảo ngược hoàn toàn cơ chế tạo ảo ảnh thông thạo.
Tan và Maravilla (2024) cũng đề xuất chiến lược tương tự, lập luận rằng "sự toàn vẹn trong giáo dục không phải là từ chối AI mà là sử dụng AI một cách có ý thức và có trách nhiệm".
7.4. Tái thiết kế đánh giá: Nhấn mạnh quá trình, không chỉ sản phẩm
Bozkurt và cộng sự (2024) nhấn mạnh rằng tái thiết kế đánh giá là chiến lược hệ thống quan trọng nhất để vượt qua ảo ảnh thông thạo. Khi đánh giá chỉ tập trung vào sản phẩm cuối cùng (bài tiểu luận, bài giải toán), AI có thể dễ dàng thay thế quá trình học. Nhưng khi đánh giá bao gồm cả quá trình — bản nháp, phản tư, ghi chú nghiên cứu, thảo luận nhóm — AI không thể thay thế được.
Một số hình thức đánh giá đặc biệt hiệu quả bao gồm: bài tập quá trình (process-based assignments) yêu cầu sinh viên nộp bản nháp từng giai đoạn; thuyết trình trực tiếp (oral presentations) nơi sinh viên phải trình bày và trả lời câu hỏi; bài tập phản tư (reflective journals) yêu cầu sinh viên phân tích quá trình học của chính mình; và đánh giá đồng cấp (peer assessment) nơi sinh viên đánh giá bài làm của nhau.
Kết luận
Ảo ảnh thông thạo do AI tạo sinh không phải là một nỗi lo lý thuyết hay một kịch bản giả định cho tương lai — đó là một hiện tượng đang diễn ra ngay lúc này trong các trường đại học trên toàn thế giới, và bằng chứng thực nghiệm ngày càng phong phú đã khẳng định tính thực tế của rủi ro này.
Qua lăng kính của các nghiên cứu được tổng hợp trong bài viết này, chúng ta có thể rút ra một số kết luận chính. Thứ nhất, cơ chế tạo ảo ảnh thông thạo nằm ở bản chất của AI tạo sinh — cách nó tạo ra kết quả "trông đúng" mà không cần người dùng thực sự hiểu nội dung. Cơ chế này không phải là lỗi kỹ thuật mà là đặc điểm cấu trúc, nghĩa là bất kỳ cải thiện nào về chất lượng AI đều có khả năng làm cho ảo ảnh trở nên trầm trọng hơn. Thứ hai, hệ quả của ảo ảnh thông thạo lan rộng từ suy giảm tư duy phản biện, suy yếu trí nhớ dài hạn, mất động lực học tập, đến sự hình thành "tự hiệu quả sai lệch" — tin rằng mình có năng lực trong khi thực tế không phải vậy. Thứ ba, khoảng cách giữa điểm bài tập (có AI) và điểm thi (không AI) là bằng chứng rõ ràng nhất cho hiện tượng này. Thứ tư, AI literacy đóng vai trò bảo vệ quan trọng — sinh viên hiểu rõ về AI ít bị ảnh hưởng bởi ảo ảnh thông thạo hơn.
Đối với sinh viên, thông điệp cốt lõi là: AI là một công cụ mạnh mẽ nhưng nguy hiểm nếu không hiểu giới hạn. Hãy sử dụng AI như một người đồng hành trong tư duy, không phải như một người thay thế tư duy. Sau mỗi lần sử dụng AI, hãy tự hỏi: "Tôi có thực sự hiểu nội dung này không?"
Đối với giảng viên, thông điệp là: chuyển từ "cấm AI" sang "dạy cách dùng AI đúng". Tái thiết kế đánh giá — nhấn mạnh quá trình thay vì chỉ sản phẩm — là chiến lược hệ thống quan trọng nhất. Xây dựng môi trường học tập nơi sinh viên được khuyến khích sử dụng AI một cách có ý thức và có trách nhiệm.
Đối với cơ quan quản lý và trường đại học, thông điệp là: đầu tư vào AI literacy và metacognitive training như một ưu tiên chiến lược. Xây dựng chính sách dựa trên bằng chứng, không dựa trên phản ứng sợ hãi. Tạo ra cộng đồng thực hành để giảng viên chia sẻ kinh nghiệm và chiến lược ứng phó.
Cuối cùng, ảo ảnh thông thạo nhắc nhở chúng ta về một chân lý cơ bản của giáo dục: quá trình quan trọng hơn sản phẩm. Điểm số có thể bị thao túng bằng AI, nhưng năng lực tư duy, khả năng phân tích và sự thấu hiểu sâu — những giá trị thực sự của giáo dục đại học — chỉ có thể được xây dựng thông qua nỗ lực, đấu tranh và trải nghiệm học tập đích thực. AI không thể thay thế quá trình đó, và nếu chúng ta để AI làm thay, chúng ta sẽ mất đi chính những giá trị mà giáo dục đại học được xây dựng để nuôi dưỡng.
Tài liệu tham khảo
1. Aydın, Ö. & Karaarslan, E. (2023). Is ChatGPT Leading Generative AI? What is Beyond Expectations? Academic Platform Journal of Engineering and Smart Systems. https://doi.org/10.21541/apjess.1293702
2. Bauer, C. (2025). Looking Beyond the Hype: Understanding the Effects of AI on Learning. Educational Psychology Review. https://doi.org/10.1007/s10648-025-10020-8
3. Bozkurt, A., Xiao, J., Lambert, S.I. et al. (2023). Speculative futures on ChatGPT and generative artificial intelligence (AI): A collective reflection from the educational landscape. Zenodo. https://doi.org/10.5281/zenodo.7636568
4. Bozkurt, A., Xiao, J., Farrow, R. et al. (2024). The Manifesto for Teaching and Learning in a Time of Generative AI: A Critical Collective Stance to Better Navigate the Future. Open Praxis, 16(4). https://doi.org/10.55982/openpraxis.16.4.777
5. Bubeck, S., Chandrasekaran, V., Eldan, R. et al. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. arXiv preprint. https://doi.org/10.48550/arxiv.2303.12712
6. Chan, C.K.Y. & Hu, W. (2023). Students' voices on generative AI: perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20, 62. https://doi.org/10.1186/s41239-023-00411-8
7. Choudhury, N. & Asan, O. (2024). Large Language Models and User Trust: Consequence of Self-Referential Learning Loop and the Deskilling of Health Care Professionals. Journal of Medical Internet Research. https://doi.org/10.2196/56764
8. Francis, C.E. et al. (2025). Generative AI in Higher Education: Balancing Innovation and Integrity. Frontiers in Big Data. https://doi.org/10.3389/bjbs.2024.14048
9. Nguyen, T.T. et al. (2024). Digital competence of Vietnamese citizens: An application of DigComp framework and the role of individual factors. Education and Information Technologies. https://doi.org/10.1007/s10639-024-12585-3
10. Rudolph, J., Ismail, F.M.M. & Popenici, Ş. (2024). Higher Education's Generative Artificial Intelligence Paradox: The Meaning of Chatbot Mania. Journal of University Teaching and Learning Practice. https://doi.org/10.53761/54fs5e77
11. Skulmowski, A. (2023). The Cognitive Architecture of Digital Externalization. Educational Psychology Review, 35, 108. https://doi.org/10.1007/s10648-023-09818-1
12. Tan, M.J.T. & Maravilla, N.M.A. (2024). Shaping integrity: why generative artificial intelligence does not have to undermine education. Frontiers in Artificial Intelligence, 7, 1471224. https://doi.org/10.3389/frai.2024.1471224
13. Tlili, A., Shehata, B., Adarkwah, M.A. et al. (2023). What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education. Smart Learning Environments, 10, 15. https://doi.org/10.1186/s40561-023-00237-x
14. Walter, Y. (2024). Embracing the future of Artificial Intelligence in the classroom: the relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21, 15. https://doi.org/10.1186/s41239-024-00448-3
15. Wu, Y. (2023). Integrating Generative AI in Education: How ChatGPT Brings Challenges for Future Learning and Teaching. Journal of Advanced Research in Education, 3(2). https://doi.org/10.56397/jare.2023.07.02