Liêm chính học thuật trong thời đại AI: góc nhìn từ Đạo luật AI của EU

1. Lời mở đầu

Vào tháng 11 năm 2022, khi OpenAI phát hành ChatGPT, ít ai đoán được rằng một công cụ đối thoại bằng ngôn ngữ tự nhiên sẽ làm rung chuyển tận gốc một khái niệm đã tồn tại hàng thế kỷ: liêm chính học thuật. Trong vòng chưa đầy một năm, hàng triệu sinh viên trên toàn thế giới đã tiếp cận các hệ thống AI sinh tạo (generative AI) có khả năng soạn thảo tiểu luận, phân tích dữ liệu, tóm tắt tài liệu và thậm chí viết code. Theo Bùi Thị Thảo Uyên và Tống Tân Vĩnh An (2025), tác động của các công cụ viết AI đến liêm chính học thuật đã trở thành một trong những vấn đề cấp bách nhất tại các trường đại học, đặc biệt khi sinh viên ngành ngôn ngữ Anh cho thấy mức độ sử dụng AI Writing Tools đáng kể trong bài tập học thuật.

Đạo luật AI của Liên minh Châu Âu (EU AI Act), được Nghị viện Châu Âu thông qua vào tháng 3 năm 2024 và chính thức có hiệu lực từ tháng 8 năm 2024, đánh dấu một bước ngoặt trong lịch sử điều chỉnh công nghệ trí tuệ nhân tạo. Đây không chỉ là văn bản pháp lý đầu tiên trên thế giới đưa ra khung quản lý toàn diện cho AI mà còn là một tín hiệu chính trị quan trọng: Châu Âu lựa chọn cách tiếp cận dựa trên rủi ro, nhấn mạnh minh bạch, tính nhân bản và trách nhiệm giải trình (Sousa e Silva, 2024). Đạo luật phân loại các hệ thống AI theo bốn mức độ rủi ro — từ không thể chấp nhận đến rủi ro tối thiểu — và áp đặt các nghĩa vụ pháp lý tương ứng cho từng nhóm (Voigt & Hullen, 2024a).

Câu hỏi đặt ra trong bài viết này là: Khung pháp lý mang tính tiên phong này có thể cung cấp cho giáo dục đại học một lăng kính mới để nhìn nhận và giải quyết cuộc khủng hoảng liêm chính học thuật do AI gây ra hay không? Liêm chính học thuật không đơn thuần là vấn đề đạo đức cá nhân mà còn là trụ cột của toàn bộ hệ thống sản xuất tri thức. Khi AI sinh tạo có khả năng tạo ra văn bản, hình ảnh và thậm chí kết quả nghiên cứu có vẻ như hợp lệ về mặt hình thức, ranh giới giữa sáng tạo và sao chép, giữa nghiên cứu và lắp ráp trở nên mờ nhạt hơn bao giờ hết (Shaw, 2025).

Bài viết này tiếp cận chủ đề từ hai hướng. Thứ nhất, phân tích những thách thức cụ thể mà AI sinh tạo đặt ra cho các nguyên tắc liêm chính học thuật — đạo văn, quyến tác giả, tính nguyên bản và trách nhiệm cá nhân. Thứ hai, soi chiếu các thách thức đó qua lăng kính của Đạo luật AI EU, đặc biệt là các quy định về minh bạch, phân loại rủi ro và quản lý hệ thống AI rủi ro cao, để rút ra bài học cho giáo dục đại học nói chung và bối cảnh Việt Nam nói riêng. Mục tiêu không phải là áp dụng trực tiếp một đạo luật của Châu Âu vào môi trường giáo dục Việt Nam, mà là tìm kiếm những nguyên tắc điều chỉnh có tính phổ quát — minh bạch, trách nhiệm giải trình, bảo vệ người yếu thế — có thể vận dụng linh hoạt vào chính sách liêm chính học thuật ở bất kỳ bối cảnh nào.

2. Khái niệm nền tảng

2.1 Liêm chính học thuật: định nghĩa và các nguyên tắc cốt lõi

Liêm chính học thuật (academic integrity) là một tập hợp các nguyên tắc đạo đức và chuẩn mực hành vi chi phối toàn bộ quá trình sản xuất, truyền đạt và đánh giá tri thức trong môi trường giáo dục và nghiên cứu. Khái niệm này bao gồm năm nguyên tắc cơ bản thường được công nhận: tính chân thật (honesty), sự tin cậy (trust), công bằng (fairness), tôn trọng (respect) và trách nhiệm (responsibility) (Kumar, Eaton, Mindzak, & Morrison, 2024).

Trong thực tế, liêm chính học thuật biểu hiện qua các hình thức cụ thể: không đạo văn, tôn trọng bản quyền và quyền tác giả, trung thực trong báo cáo dữ liệu nghiên cứu, không gian lận trong thi cử, và tuân thủ các quy định về nghiên cứu trên con người. Moya, Eaton, Pethrick và Hayden (2024) trong nghiên cứu tổng quan nhanh (rapid scoping review) về liêm chính học thuật và AI trong giáo dục đại học đã chỉ ra rằng các định nghĩa về liêm chính học thuật tuy có khác biệt giữa các quốc gia và thể chế, nhưng đều chia sẻ một lõi chung: việc bảo đảm rằng công việc học thuật phản ánh đúng năng lực và nỗ lực thực sự của người thực hiện.

Liêm chính học thuật không chỉ là vấn đề của sinh viên. Giảng viên, nhà nghiên cứu và chính các thể chế giáo dục đều có trách nhiệm trong việc duy trì và thúc đẩy chuẩn mực này. Mulima (2026) trong nghiên cứu về chính sách liêm chính học thuật trong kỷ nguyên AI cho rằng các trường đại học cần tái đánh giá toàn bộ khung chính sách của mình, không chỉ để đối phó với AI mà còn để giải quyết các nguyên nhân gốc rễ gây vi phạm — bao gồm áp lực điểm số, thiết kế đánh giá kém, và thiếu giáo dục về liêm chính ngay từ đầu.

2.2 AI sinh tạo và tác động đến hành vi học thuật

AI sinh tạo (generative AI) là các hệ thống trí tuệ nhân tạo có khả năng tạo ra nội dung mới — văn bản, hình ảnh, âm thanh, code — dựa trên dữ liệu huấn luyện và hướng dẫn (prompt) của người dùng. Các mô hình ngôn ngữ lớn (large language models) như GPT-4, Claude, Gemini có thể tạo ra văn bản học thuật trôi chảy, có cấu trúc logic và trích dẫn tham khảo — ít nhất là về mặt hình thức — khiến việc phân biệt giữa bài viết của con người và bài viết do AI tạo ra trở nên ngày càng khó khăn.

Shaw (2025) đã đề xuất một thuật ngữ gây chú ý: "xói mòn liêm chính trí tuệ số" (digital erosion of intellectual integrity). Theo Shaw, việc sử dụng sai lệch AI sinh tạo trong bối cảnh học thuật không phải là một hình thức đạo văn thông thường — nó tồi tệ hơn. Đạo văn truyền thống sao chép nội dung của một người khác, nhưng AI sinh tạo có khả năng tạo ra nội dung hoàn toàn mới, không sao chép từ bất kỳ nguồn cụ thể nào, khiến các công cụ phát hiện đạo văn dựa trên so khớp văn bản trở nên vô hiệu. Sự khác biệt này có ý nghĩa sâu sắc: khi không có "nguyên bản" để so sánh, việc chứng minh vi phạm liêm chính trở thành một bài toán pháp lý và kỹ thuật phức tạp hơn nhiều.

Hutson (2024) lập luận rằng cần định nghĩa lại khái niệm đạo văn trong kỷ nguyên AI. Đạo văn truyền thống dựa trên việc lấy nội dung từ nguồn khác mà không trích dẫn. Nhưng khi AI tạo ra nội dung mới dựa trên hàng tỷ tham số ngôn ngữ đã học, việc "sao chép" không còn theo nghĩa đen. Hutson đề xuất chuyển từ mô hình "nguồn — bản sao" sang mô hình "quá trình — đầu ra", trong đó câu hỏi cốt lõi là: quá trình tạo ra kết quả này có minh bạch và trung thực hay không?

Ying (2026) trong tổng quan hệ thống về nghiên cứu nhận thức của sinh viên đại học về liêm chính học thuật trong kỷ nguyên AI đã phát hiện ra một nghịch lý đáng chú ý: sinh viên thường nhận thức rõ ràng rằng việc sử dụng AI để hoàn thành bài tập mà không khai báo là vi phạm liêm chính, nhưng đồng thời cho rằng ranh giới giữa "hỗ trợ" và "gian lận" không rõ ràng. Điều này phản ánh một khoảng trống lớn giữa chính sách của thể chế và cách sinh viên thực sự hiểu và vận dụng nó.

2.3 Đạo luật AI EU: tổng quan và tầm nhìn điều chỉnh

Đạo luật AI của EU (Quy định (EU) 2024/1689) là văn bản pháp lý đầu tiên trên thế giới đưa ra khung quản lý toàn diện cho trí tuệ nhân tạo. Đạo luật được xây dựng dựa trên nguyên tắc cốt lõi: điều chỉnh AI theo mức độ rủi ro mà hệ thống đó gây ra đối với quyền lợi và an toàn của con người (Kovač, 2024). Cách tiếp cận này khác biệt đáng kể với mô hình quản lý hậu quả (ex post) mà nhiều quốc gia áp dụng, trong đó pháp luật chỉ can thiệp sau khi thiệt hại đã xảy ra.

Kovač (2024) đánh giá rằng Đạo luật AI EU đại diện cho nỗ lực của một "người điều chỉnh tối ưu" — không quá hạn chế đến mức bóp nghẹt đổi mới, nhưng đủ nghiêm ngặt để bảo vệ người dân khỏi những hệ thống AI có tiềm năng gây hại. Sousa e Silva (2024) cũng nhấn mạnh rằng tầm quan trọng của Đạo luật không chỉ nằm ở nội dung cụ thể mà còn ở tín hiệu mà nó gửi đến toàn thế giới: Châu Âu cam kết xây dựng một hệ sinh thái AI dựa trên giá trị nhân bản.

Về cấu trúc, Đạo luật AI EU chia các hệ thống AI thành bốn nhóm chính: (1) AI không thể chấp nhận — bị cấm hoàn toàn, (2) AI rủi ro cao — phải đáp ứng các yêu cầu nghiêm ngặt về an toàn, minh bạch và giám sát con người, (3) AI rủi ro hạn chế — phải đáp ứng nghĩa vụ minh bạch nhất định, và (4) AI rủi ro tối thiểu — không có nghĩa vụ cụ thể (Voigt & Hullen, 2024a). Ngoài ra, Đạo luật còn đưa ra quy định riêng cho các mô hình AI tổng quát (general-purpose AI, GPAI), bao gồm cả các mô hình nền tảng như GPT-4.

Trong bối cảnh giáo dục, hầu hết các công cụ AI sinh tạo hiện nay — ChatGPT, Claude, Gemini — được phân loại vào nhóm rủi ro hạn chế hoặc rủi ro tối thiểu, tùy thuộc vào cách chúng được sử dụng. Tuy nhiên, nếu một trường đại học triển khai hệ thống AI tự động chấm điểm, đánh giá rủi ro sinh viên hoặc ra quyết định tuyển sinh mà không có giám sát con người đầy đủ, hệ thống đó có thể được phân loại là AI rủi ro cao theo nghĩa của Đạo luật (Voigt & Hullen, 2024a).

3. Cơ chế phân loại rủi ro của Đạo luật AI EU

3.1 Bốn mức độ rủi ro

Hệ thống phân loại rủi ro là trụ cột kiến tạo của Đạo luật AI EU. Cơ chế này phản ánh một triết lý điều chỉnh cốt lõi: mức độ can thiệp pháp lý phải tỷ lệ thuận với mức độ rủi ro mà hệ thống AI gây ra (Voigt & Hullen, 2024a).

Nhóm thứ nhất — AI không thể chấp nhận — bao gồm các hệ thống thao túng hành vi con người, khai thác nhóm yếu thế, đánh giá xã hội theo mục đích bảo hiểm hoặc tuyển dụng (trừ trường hợp có căn cứ pháp lý), và hệ thống nhận diện cảm xúc tại nơi làm việc hoặc giáo dục. Đạo luật cấm hoàn toàn các hệ thống này trong toàn EU, với rất ít ngoại lệ.Đáng chú ý, việc cấm hệ thống nhận diện cảm xúc trong bối cảnh giáo dục có ý nghĩa trực tiếp đối với các trường đại học đang thử nghiệm công nghệ này để theo dõi mức độ tham gia của sinh viên.

Nhóm thứ hai — AI rủi ro cao — bao gồm các hệ thống được sử dụng trong các lĩnh vực nhạy cảm: an toàn sản phẩm, tuyển dụng, quản lý nhân sự, thực thi pháp luật, di trú, quản lý công lý và dân sự. Trong lĩnh vực giáo dục, các hệ thống đánh giá, phân loại sinh viên hoặc ra quyết định về việc tiếp cận giáo dục cũng có thể được xếp vào nhóm này nếu chúng ảnh hưởng đáng kể đến quyền lợi và cơ hội của cá nhân.

Nhóm thứ ba — AI rủi ro hạn chế — áp dụng cho các hệ thống tương tác trực tiếp với con người nhưng có mức độ rủi ro thấp hơn, chẳng hạn như chatbot, hệ thống tạo nội dung sinh tạo, công cụ chỉnh sửa ảnh. Nhóm này chủ yếu phải đáp ứng nghĩa vụ minh bạch: người dùng phải biết họ đang tương tác với AI (Voigt & Hullen, 2024b).

Nhóm thứ tư — AI rủi ro tối thiểu — bao gồm các hệ thống AI không ảnh hưởng đáng kể đến quyền lợi con người, chẳng hạn như bộ lọc email rác, công cụ tối ưu hóa quy trình nội bộ. Nhóm này không bị áp đặt nghĩa vụ pháp lý nào theo Đạo luật.

3.2 Yêu cầu đối với hệ thống AI rủi ro cao

Các hệ thống AI được phân loại là rủi ro cao phải đáp ứng một loạt yêu cầu nghiêm ngặt, được quy định từ Điều 9 đến Điều 15 của Đạo luật (Voigt & Hullen, 2024a). Các yêu cầu này bao gồm:

1. Quản lý rủi ro: Nhà phát triển phải thiết lập hệ thống quản lý rủi ro liên tục xuyên suốt vòng đời của hệ thống AI, từ khi thiết kế đến khi triển khai và vận hành. Điều này bao gồm việc xác định, phân tích và giảm thiểu các rủi ro đã biết và có thể dự đoán.

1. Đảm bảo chất lượng dữ liệu: Dữ liệu huấn luyện, kiểm thử và xác nhận phải phù hợp với mục đích sử dụng, đại diện đầy đủ cho các nhóm người dùng, và không chứa sai lệch có hại. Yêu cầu này đặc biệt quan trọng trong bối cảnh giáo dục, nơi dữ liệu huấn luyện có thể mang định kiến về giới tính, chủng tộc, hoặc xuất thân xã hội.

1. Ghi chép và khả năng truy vết: Hệ thống phải tạo ra hồ sơ tự động ghi lại các hoạt động đáng chú ý (automatic logging), cho phép kiểm tra sau khi triển khai. Yêu cầu này tạo cơ sở pháp lý cho việc yêu cầu giải trình từ các nhà cung cấp AI.

1. Minh bạch và cung cấp thông tin cho người dùng: Người sử dụng hệ thống AI rủi ro cao phải nhận được thông tin rõ ràng về chức năng, giới hạn, mức độ chính xác và các rủi ro mà hệ thống có thể gây ra.

1. Giám sát con người (human oversight): Hệ thống phải được thiết kế sao cho con người có thể can thiệp, kiểm tra và vô hiệu hóa kết quả đầu ra bất cứ lúc nào. Đây là yêu cầu có ý nghĩa sâu sắc trong giáo dục: quyết định về điểm số, xếp loại sinh viên hoặc kết quả học tập không thể hoàn toàn do AI quyết định.

1. Tính mạnh mẽ, an toàn và chính xác: Hệ thống phải đạt mức độ chính xác và độ tin cậy phù hợp với mục đích sử dụng, đồng thời phải chống chịu được các thao tác sai lệch và các điều kiện bất thường.

Khi áp dụng các yêu cầu này vào giáo dục đại học, bức tranh trở nên rõ ràng hơn: bất kỳ hệ thống AI nào được sử dụng để đánh giá học tập, giám sát hành vi sinh viên, hoặc ra quyết định có ảnh hưởng đến kết quả học thuật đều nên được đối xử tương đương với AI rủi ro cao, bất kể Đạo luật AI EU có trực tiếp áp dụng hay không (Voigt & Hullen, 2024a).

3.3 Các hệ thống AI bị cấm trong bối cảnh giáo dục

Điều 5 của Đạo luật AI EU cấm một số loại hệ thống AI cụ thể. Dù giáo dục không phải là lĩnh vực bị nhắc đến nhiều nhất trong danh sách cấm, một số quy định có liên quan trực tiếp. Điều 5(1)(d) cấm các hệ thống "đánh giá xã hội" (social scoring) theo mục đích bảo hiểm, giáo dục hoặc tuyển dụng — một hệ thống đánh giá cá nhân dựa trên hành vi hoặc đặc điểm xã hội, từ đó dẫn đến các hậu quả bất lợi. Động thái này phản ánh sự phản đối sâu sắc của Châu Âu đối với các mô hình kiểm soát xã hội như hệ thống tín nhiệm xã hội (social credit system) đang được vận hành ở một số quốc gia.

Điều 5(1)(f) cấm hệ thống nhận diện cảm xúc (emotion recognition) tại nơi làm việc và trong giáo dục, ngoại trừ các mục đích y tế hoặc an toàn rất hạn chế. Quy định này ảnh hưởng trực tiếp đến một số công nghệ đang được triển khai tại các trường đại học — chẳng hạn như phần mềm theo dõi biểu cảm khuôn mặt sinh viên trong học trực tuyến, hệ thống phát hiện sinh viên không tập trung qua camera. Các công nghệ này không chỉ đặt ra vấn đề về độ tin cậy kỹ thuật — các nghiên cứu đã chỉ ra rằng công nghệ nhận diện cảm xúc thiếu cơ sở khoa học vững chắc — mà còn đặt ra vấn đề đạo đức về quyền riêng tư và tự chủ của người học.

4. Nghĩa vụ minh bạch: kê khai và gắn nhãn nội dung AI

4.1 Điều 50: Minh bạch cho mọi hệ thống AI

Một trong những đóng góp quan trọng nhất của Đạo luật AI EU đối với cuộc thảo luận về liêm chính học thuật nằm ở các quy định về minh bạch, đặc biệt là Điều 50. Barata (2025) phân tích chi tiết Điều 50, theo đó mọi hệ thống AI phải đảm bảo người dùng biết họ đang tương tác với AI. Nghĩa vụ này không chỉ áp dụng cho các hệ thống rủi ro cao mà còn cho tất cả các hệ thống AI — từ chatbot đơn giản đến mô hình ngôn ngữ phức tạp.

Yêu cầu minh bạch này, nếu vận dụng vào giáo dục đại học, sẽ thiết lập một nguyên tắc cốt lõi: sinh viên, giảng viên và tất cả những người tham gia vào quá trình học thuật phải được thông tin rõ ràng khi họ đang tương tác với, hoặc bị đánh giá bởi, một hệ thống AI. Ý nghĩa của nguyên tắc này vượt xa vấn đề kỹ thuật — nó chạm đến quyền được biết và quyền tự chủ của người học (Barata, 2025).

4.2 Điều 52: Yêu cầu đối với AI sinh tạo

Điều 52 của Đạo luật AI EU đưa ra các quy định cụ thể cho AI sinh tạo — nhóm công nghệ có tác động trực tiếp và rõ rệt nhất đến liêm chính học thuật. Các yêu cầu bao gồm (Voigt & Hullen, 2024b):

1. AI sinh tạo phải đảm bảo rằng đầu ra (output) có chứa đánh dấu máy đọc được (machine-readable) xác nhận nội dung được tạo ra bởi AI. Yêu cầu này cho phép người dùng — và các hệ thống kiểm tra — xác định nguồn gốc của nội dung.

1. Nhà cung cấp AI sinh tạo phải công bố tóm tắt chi tiết về nội dung được sử dụng để huấn luyện mô hình, tuân thủ luật sở hữu trí tuệ. Yêu cầu này tạo điều kiện cho việc kiểm tra xem mô hình có được huấn luyện trên dữ liệu có bản quyền — bao gồm cả bài báo khoa học — hay không.

1. Người sử dụng AI sinh tạo phải đảm bảo rằng nội dung do AI tạo ra được gắn nhãn hoặc kê khai rõ ràng khi được cung cấp cho người khác. Nghĩa vụ này chuyển gánh nặng minh bạch từ nhà cung cấp sang người dùng — và đây chính là điểm giao thoa quan trọng nhất với liêm chính học thuật.

4.3 Liên hệ giữa minh bạch của Đạo luật AI và liêm chính học thuật

Nguyên tắc minh bạch của Đạo luật AI EU có thể được chuyển hóa thành một nguyên tắc liêm chính học thuật mới: kê khai sử dụng AI. Nguyên tắc này yêu cầu mọi người tham gia vào quá trình học thuật — sinh viên, giảng viên, nhà nghiên cứu — phải công bố rõ ràng khi họ sử dụng AI, cách sử dụng AI, và mức độ mà AI đóng góp vào kết quả cuối cùng (Peterson, 2025).

Peterson (2025) trong nghiên cứu về việc giải quyết sử dụng AI sinh tạo của sinh viên thông qua báo cáo liêm chính học thuật đã đề xuất một mô hình thực tế: thay vì cấm hoàn toàn AI hoặc cho phép sử dụng tự do, các trường đại học nên yêu cầu sinh viên kê khai chi tiết việc sử dụng AI trong mỗi bài nộp — công cụ nào, ở giai đoạn nào, và để mục đích gì. Mô hình này phù hợp với tinh thần Điều 52 của Đạo luật AI EU và có thể thực hiện ngay cả khi chưa có khung pháp lý bắt buộc.

Glendinning (2025) cũng nhấn mạnh tầm quan trọng của việc xây dựng hướng dẫn rõ ràng cho sinh viên về cách sử dụng AI thích hợp trong công việc học thuật. Hướng dẫn này không chỉ nên nêu các quy định mà còn phải giải thích lý do đằng sau mỗi quy định, giúp sinh viên hiểu được giá trị của liêm chính thay vì chỉ tuân thủ hình thức.

Rice (2026) đưa ra một góc nhìn phê bình sâu sắc hơn khi lập luận rằng các chính sách liêm chính hiện tại thường bỏ qua yếu tố công bằng tiếp cận. Nhiều sinh viên — đặc biệt là sinh viên nhóm yếu thế về kinh tế, ngôn ngữ hoặc công nghệ — có thể không có cơ hội tiếp cận các công cụ AI tiên tiến, tạo ra khoảng cách giữa những người có khả năng sử dụng AI một cách tinh vi và những người không có. Rice đề xuất một khuôn khổ liêm chính "hướng tiếp cận" (access-centered) đảm bảo rằng các quy định về AI không vô tình tăng cường bất bình đẳng hiện có.

5. Sự xói mòn liêm chính học thuật trong kỷ nguyên AI sinh tạo

5.1 Từ đạo văn truyền thống đến "đạo văn 2.0"

Đạo văn, trong định nghĩa truyền thống, là hành vi sao chép công trình, ý tưởng hoặc văn bản của người khác mà không trích dẫn đúng nguồn. Các công cụ phát hiện đạo văn như Turnitin, iThenticate được xây dựng dựa trên nguyên lý đơn giản: so khớp văn bản nộp với cơ sở dữ liệu các bài báo, luận văn và tài liệu công bố. Tỷ lệ trùng lặp (similarity score) càng cao, khả năng đạo văn càng lớn (Baron, 2024).

AI sinh tạo phá vỡ hoàn toàn mô hình này. Khi một sinh viên yêu cầu ChatGPT viết một tiểu luận về một chủ đề cụ thể, hệ thống tạo ra văn bản hoàn toàn mới — không sao chép trực tiếp từ bất kỳ bài báo hay sách nào. Tỷ lệ trùng lặp trên Turnitin có thể gần như bằng không, dù nội dung hoàn toàn do AI tạo ra, không phải do sinh viên tự viết (Baron, 2024). Đây là một cuộc khủng hoảng phương pháp: công cụ kiểm tra không còn phát hiện được hình thức vi phạm mới nhất và phổ biến nhất.

Baron (2024) đã tiến hành nghiên cứu để đánh giá xem các điểm số phát hiện AI (AI detection scores) và điểm tương đồng đạo văn (plagiarism similarity scores) có còn hữu ích trong thời đại ChatGPT hay không. Kết quả cho thấy các công cụ phát hiện AI hiện tại có tỷ lệ sai tích cực (false positive) đáng lo ngại — có thể đánh dấu nhầm văn bản do con người viết là do AI tạo ra, đặc biệt khi người viết sử dụng các mẫu ngôn ngữ phổ biến hoặc khi người viết không phải là người bản xứ tiếng Anh. Tỷ lệ sai tích cực này tạo ra vấn đề đạo đức nghiêm trọng: một sinh viên có thể bị buộc tội gian lận sai, với hậu quả học thuật nghiêm trọng, chỉ vì công cụ phát hiện AI đưa ra kết quả không chính xác.

Marcus (2025) đề xuất thay đổi hoàn toàn cách tiếp cận: thay vì cố gắng "phát hiện" AI — một cuộc chạy đua công nghệ mà hệ thống tạo nội dung luôn đi trước — các trường đại học nên tái thiết kế phương pháp giảng dạy và đánh giá để giảm thiểu động cơ sử dụng AI sai lệch ngay từ đầu. Marcus gọi đây là "giảng dạy xung quanh rủi ro đạo văn AI" — một chiến lược phòng ngừa thay vì phản ứng.

Shaw (2025) nâng cao góc nhìn khi phân biệt giữa ba mức độ vi phạm liêm chính liên quan đến AI: (a) sử dụng AI để tạo ra toàn bộ bài nộp và trình bày là tác phẩm cá nhân — vi phạm nghiêm trọng nhất; (b) sử dụng AI để tạo ra một phần đáng kể bài nộp mà không kê khai — vi phạm nhưng sẽ điều chỉnh; (c) sử dụng AI như một công cụ hỗ trợ (nghiên cứu, tổng hợp, chỉnh sửa) mà không kê khai — vi phạm nhẹ hơn nhưng vẫn cần xử lý. Phân loại ba cấp độ này cung cấp cơ sở cho một chính sách liêm chính phân tầng, thay vì chính sách "cấm hoàn toàn" hoặc "cho phép hoàn toàn" đơn lệt.

5.2 Vấn đề tác giả: AI là đồng tác giả hay công cụ?

Câu hỏi về tác giả trong bối cảnh AI sinh tạo đặt ra thách thức triết học và pháp lý phức tạp. Bozkurt (2024) đề xuất một khuôn khổ "tạo chung" (cocreation) để nhìn nhận mối quan hệ giữa con người và AI trong quá trình sản xuất tri thức. Theo khuôn khổ này, AI không phải là tác giả, cũng không chỉ đơn thuần là công cụ thụ động — nó là một "đối tác tạo" (co-creative partner) đóng vai trò thay đổi tùy thuộc vào mức độ can thiệp của con người. Khi một nhà nghiên cứu sử dụng AI để tạo phác thảo, tổng hợp tài liệu, hoặc đề xuất ý tưởng, ranh giới giữa tác giả con người và đóng góp AI trở nên khó xác định.

Bozkurt (2024) lập luận rằng thay vì cố gắng trả lời câu hỏi "AI có phải là tác giả không?", các thể chế học thuật nên tập trung vào câu hỏi có tính thực tiễn hơn: "quá trình sáng tạo này có minh bạch không?" và "người đứng tên có thực sự đóng góp trí tuệ đáng kể vào kết quả cuối cùng không?" Phương pháp tiếp cận này phù hợp với nguyên tắc minh bạch của Đạo luật AI EU và tránh được bế tắc về mặt triết học.

Daniel (2026) trong nghiên cứu về sự biến đổi liêm chính học thuật do AI gây ra đã chỉ ra rằng vấn đề tác giả không chỉ liên quan đến sinh viên mà còn đến chính giới nghiên cứu. Các công cụ AI ngày càng được sử dụng để viết bài báo khoa học, tổng quan tài liệu (literature review) và thậm chí phân tích dữ liệu. Khi một bài báo được chấp thuận đăng mà trong đó AI đóng vai trò lớn nhưng không được công bố, toàn bộ hệ thống kiểm duyệt đồng cấp (peer review) bị suy yếu.

Câu hỏi về sở hữu trí tuệ — ai sở hữu nội dung do AI tạo ra — càng làm phức tạp thêm vấn đề. Hầu hết các mô hình AI sinh tạo hiện nay được phát hành theo giấy phép cho phép sử dụng thương mại, nhưng không giải quyết rõ ràng thách thức bản quyền đối với đầu ra. Khi một sinh viên nộp bài luận do AI tạo ra, bài đó thuộc về ai? Câu hỏi này chưa có câu trả lời pháp lý thống nhất ở bất kỳ quốc gia nào, nhưng nguyên tắc kê khai sử dụng AI được giảm thiểu một phần tranh chấp.

5.3 Ảnh hưởng đến quá trình học tập và tư duy phản biện

Khó khăn nghiêm trọng nhất mà AI sinh tạo gây ra cho liêm chính học thuật không phải là vi phạm hình thức — đạo văn, gian lận — mà là xói mòn quá trình học tập. Kumar, Eaton, Mindzak và Morrison (2024) cảnh báo rằng khi sinh viên sử dụng AI để thay thế quá trình tư duy tự chủ, họ không chỉ gian lận trong bài tập hiện tại mà còn đánh mất cơ hội phát triển các năng lực cốt lõi: tư duy phản biện, khả năng phân tích, kỹ năng viết và năng lực tự học.

Sipitanos (2025) trong nghiên cứu về giáo dục AI literacy trong giáo dục đại học đã chỉ ra rằng một trong những mục tiêu quan trọng nhất của giáo dục đại học là phát triển tư duy phản biện (critical thinking) — và AI sinh tạo vừa là mối đe dọa vừa là cơ hội cho mục tiêu này. Khi sinh viên sử dụng AI mà không có năng lực đánh giá đầu ra của AI, họ dễ dàng chấp nhận thông tin sai lệch (hallucination), phân tích thiên lệch, hoặc lập luận logic hổng mà không nhận ra.

Moya, Eaton, Pethrick và Hayden (2024) phát hiện ra trong tổng quan hệ thống rằng một trong những lỗ hổng lớn nhất trong cách giáo dục đại học đối phó với AI là thiếu chú trọng đến việc giáo dục sinh viên cách sử dụng AI có trách nhiệm. Hầu hết các chính sách tập trung vào việc cấm hoặc hạn chế, ít có chính sách hướng dẫn sinh viên cách sử dụng AI một cách minh bạch và hiệu quả. Điều này tạo ra một nghịch lý: sinh viên được yêu cầu không sử dụng AI, nhưng không được giáo dục về cách sử dụng AI một cách đúng đắn khi họ ra trường — nơi AI sẽ là một phần không thể thiếu của môi trường làm việc.

Ying (2026) tổng hợp các nghiên cứu về nhận thức của sinh viên đại học và phát hiện ra rằng sinh viên thường chia việc sử dụng AI thành hai nhóm: "sử dụng hợp lý" (brainstorming, tổng hợp tài liệu, kiểm tra ngữ pháp) và "sử dụng sai lệch" (viết thay bài luận, giải toán thay, tạo báo cáo). Tuy nhiên, ranh giới giữa hai nhóm này mờ nhạt hơn nhiều so với chính sách của trường đại học thường quy định, và phụ thuộc mạnh vào bối cảnh, môn học và kỳ vọng của giảng viên.

5.4 Cách tiếp cận hiện tại của các trường đại học trên thế giới

Phản ứng của các trường đại học đối với AI sinh tạo có khả năng được phân thành ba làn sóng (Mulima, 2026). Làn sóng thứ nhất (đầu 2023) phản ứng bằng cách cấm hoàn toàn: nhiều trường đưa ChatGPT vào danh sách công cụ bị cấm trong kỳ thi, sử dụng phần mềm giám sát để phát hiện sinh viên sử dụng AI, và nâng mức phạt cho gian lận liên quan đến AI. Làn sóng thứ hai (giữa 2023 đến 2024) chuyển sang chiến lược "hạn chế có điều kiện": cho phép sử dụng AI trong một số tình huống nhưng yêu cầu kê khai, kết hợp với việc nâng cấp thiết kế đánh giá để giảm thiểu khả năng sử dụng AI sai lệch. Làn sóng thứ ba (2025 trở đi) bắt đầu tiếp cận AI như một thực thể tích hợp vào giáo dục, tập trung vào việc xây dựng năng lực AI literacy cho cả giảng viên và sinh viên.

Mulima (2026) đánh giá rằng làn sóng thứ nhất đã thất bại về cơ bản — cấm không ngăn được sinh viên sử dụng AI mà chỉ đẩy việc sử dụng đó xuống chốn khuất lấp. Làn sóng thứ hai hiệu quả hơn nhưng vẫn thiếu một khuôn khổ nguyên tắc nhất quán. Làn sóng thứ ba, dù mới nổi, thể hiện sự trưởng thành trong cách giáo dục đại học đối phó với công nghệ: từ phản ứng sợ hãi sang thích ứng chủ động.

Peterson (2025) đề xuất một mô hình "báo cáo liêm chính học thuật" (academic integrity reporting) trong đó sinh viên được yêu cầu nộp một bản kê khai đi kèm mỗi bài nộp, mô tả quá trình làm việc và mức độ sử dụng AI. Mô hình này, tương tự với nguyên tắc kê khai của Điều 52 Đạo luật AI EU, biến việc sử dụng AI từ một "tội vi phạm tiềm tàng" thành một hành vi minh bạch được quy định và giám sát.

6. Góc nhìn từ Đạo luật AI EU: Áp dụng vào giáo dục đại học

6.1 Đánh giá tự động: phát hiện đạo văn vs phát hiện AI

Trong hệ sinh thái giáo dục đại học hiện đại, các công cụ đánh giá tự động đóng vai trò ngày càng lớn — từ hệ thống phát hiện đạo văn (plagiarism detection) đến hệ thống phát hiện nội dung do AI tạo ra (AI-generated content detection). Đạo luật AI EU cung cấp một khung phân loại rủi ro hữu ích để đánh giá các công cụ này.

Hệ thống phát hiện đạo văn truyền thống — Turnitin, iThenticate — nhiều khả năng được phân loại là AI rủi ro hạn chế theo khung của Đạo luật. Chúng tác động gián tiếp đến kết quả học tập của sinh viên nhưng thường có giám sát con người: giảng viên xem báo cáo trùng lặp và đưa ra quyết định cuối cùng. Trong trường hợp này, việc áp dụng Đạo luật tương đương với việc yêu cầu minh bạch: sinh viên phải được thông báo rằng bài nộp của họ sẽ được quét qua hệ thống phát hiện đạo văn, và họ phải có quyền khiếu nại kết quả.

Hệ thống phát hiện AI (AI detection) đặt ra rào cản phức tạp hơn nhiều. Baron (2024) đã chỉ ra rằng các công cụ này có tỷ lệ sai tích cực cao và thiếu cơ sở khoa học vững chắc. Khi một trường đại học sử dụng kết quả phát hiện AI — hoặc thậm chí kết hợp phát hiện AI và phát hiện đạo văn — làm bằng chứng để buộc tội sinh viên gian lận, hệ thống đó xấp xỉ với AI rủi ro cao theo khung của Đạo luật. Trong trường hợp đó, các yêu cầu của Đạo luật đối với AI rủi ro cao — giám sát con người bắt buộc, minh bạch về phương pháp hoạt động, khả năng giải trình quyết định — phải được áp dụng.

Nhìn từ lăng kính này, một trường đại học sử dụng công cụ phát hiện AI mà không cho phép sinh viên khiếu nại, không công bố độ tin cậy của công cụ, và không có giám sát con người trong quá trình ra quyết định kỷ luật — đang vi phạm các nguyên tắc điều chỉnh mà Đạo luật AI EU thiết lập (Voigt & Hullen, 2024a).

6.2 AI trong quản lý giáo dục: phân loại, tuyển sinh và giám sát

Nhiều trường đại học trên thế giới đang triển khai AI trong quản lý giáo dục — từ hệ thống phân loại sinh viên theo mức độ rủi ro bỏ học (early warning systems), đến công cụ sàng lọc hồ sơ tuyển sinh tự động, và hệ thống giám sát hành vi học tập trực tuyến. Dưới lăng kính Đạo luật AI EU, nhiều hệ thống này đáng lẽ phải được đối xử như AI rủi ro cao.

Hệ thống phân loại sinh viên theo rủi ro, chẳng hạn, sử dụng dữ liệu về điểm thi, lịch sử học tập, hành vi thư viện và đôi khi cả dữ liệu xã hội — để dự đoán khả năng hoàn thành chương trình học của sinh viên. Khi hệ thống này ảnh hưởng đến quyết định có cấp học bổng, hỗ trợ học vụ hoặc can thiệp học thuật hay không, nó đã can thiệp trực tiếp vào quyền lợi giáo dục của cá nhân (Voigt & Hullen, 2024a). Theo khung của Đạo luật, hệ thống như vậy nên được phân loại là rủi ro cao và phải đáp ứng đầy đủ các yêu cầu về quản lý rủi ro, chất lượng dữ liệu, minh bạch và giám sát con người.

Điểm nghẽn đáng chú ý nghiêm trọng là sai lệch thuật toán (algorithmic bias). Khi một hệ thống AI được huấn luyện trên dữ liệu lịch sử mang định kiến — ví dụ, dữ liệu cho thấy sinh viên từ một vùng miền nhất định thường có điểm thấp hơn — hệ thống cần khuếch đại định kiến đó, tạo ra vòng lặp bất bình đẳng. Đạo luật AI EU yêu cầu kiểm tra định kiến trong dữ liệu huấn luyện (Điều 10), một yêu cầu mà các trường đại học triển khai AI quản lý nên áp dụng ngay cả khi không có nghĩa vụ pháp lý.

6.3 Hệ thống AI rủi ro cao trong giai đoạn học thuật

Khi áp dụng khung phân loại rủi ro của Đạo luật AI EU vào giáo dục đại học, ít nhất năm loại hệ thống AI học thuật nên được xem xét xếp vào nhóm rủi ro cao:

1. Hệ thống chấm điểm tự động (automated grading): Hệ thống AI đánh giá bài viết, trả lời tự luận hoặc bài thuyết trình của sinh viên. Khi điểm số do AI chấm ảnh hưởng trực tiếp đến kết quả học tập mà không có giám sát con người đầy đủ, rủi ro sai lệch và bất công là rất thực tế.

1. Hệ thống theo dõi sinh viên (proctoring): Công cụ giám sát sinh viên trong kỳ thi trực tuyến, phát hiện hành vi gian lận qua camera, micro hoặc theo dõi mắt. Hệ thống này thu thập dữ liệu sinh trắc học nhạy cảm và ra quyết định có ảnh hưởng trực tiếp đến kết quả thi.

1. Hệ thống phân loại rủi ro sinh viên: Như đã phân tích, dự đoán rủi ro bỏ học, học vụ hoặc hành vi vi phạm dựa trên dữ liệu đa chiều. Quyết định can thiệp dựa trên dự đoán này ảnh hưởng đến quyền tiếp cận giáo dục và hỗ trợ.

1. Hệ thống tuyển sinh AI: Công cụ sàng lọc hồ sơ, đánh giá bài luận tuyển sinh hoặc phỏng vấn AI cho quá trình tuyển sinh. Ảnh hưởng trực tiếp đến cơ hội tiếp cận giáo dục bậc cao.

1. Hệ thống phát hiện AI/đạo văn dùng làm bằng chứng kỷ luật: Khi kết quả phát hiện được dùng làm cơ sở để áp dụng hình thức kỷ luật — từ cảnh báo đến đuổi học — mà không có giám sát con người, hệ thống này can thiệp vào quyền lợi giáo dục của sinh viên.

Với mỗi loại hệ thống trên, các nguyên tắc của Đạo luật AI EU về quản lý rủi ro, giám sát con người, minh bạch và khả năng giải trình cung cấp một khuôn khổ điều chỉnh hữu ích, dù trường đại học đó nằm trong EU hay không (Voigt & Hullen, 2024a; Kovač, 2024).

6.4 Nghĩa vụ minh bạch và chính sách kê khai sử dụng AI

Nguyên tắc minh bạch của Đạo luật AI EU — nổi bật Điều 50 và Điều 52 — được phép được chuyển hóa thành một chính sách kê khai sử dụng AI trong giáo dục đại học. Chính sách này bao gồm bốn thành phần:

Thành phần thứ nhất — kê khai cấp thể chế: Trường đại học phải công bố rõ ràng tất cả các hệ thống AI được sử dụng trong giáo dục, từ công cụ phát hiện đạo văn đến hệ thống chấm điểm tự động, hệ thống quản lý học vụ. Sinh viên và giảng viên phải biết khi nào, ở đâu và như thế nào họ đang tương tác với AI.

Thành phần thứ hai — kê khai cấp giảng viên: Giảng viên sử dụng AI trong quá trình giảng dạy — ví dụ, sử dụng AI để tạo đề thi, chấm bài, chuẩn bị giáo trình — phải kê khai mức độ sử dụng. Điều này đảm bảo sinh viên biết được vai trò của AI trong quá trình học của họ và tạo điều kiện cho việc phản hồi.

Thành phần thứ ba — kê khai cấp sinh viên: Sinh viên phải kê khai việc sử dụng AI trong mỗi bài nộp, tương tự với mô hình mà Peterson (2025) đề xuất. Kê khai bao gồm công cụ được sử dụng, giai đoạn sử dụng (nghiên cứu, phác thảo, chỉnh sửa), và mức độ đóng góp của AI vào kết quả cuối cùng.

Thành phần thứ tư — kê khai cấp nghiên cứu: Nhà nghiên cứu sử dụng AI trong quá trình nghiên cứu — phân tích dữ liệu, viết bài, tổng quan tài liệu — phải kê khai theo quy định của tạp chí và thể chế, đảm bảo tính minh bạch trong sản xuất tri thức.

Bốn thành phần này tạo thành một hệ thống kê khai toàn diện, phản ánh nguyên tắc xuyên suốt của Đạo luật AI EU: minh bạch ở mọi cấp độ, từ thể chế đến cá nhân. Glendinning (2025) nhấn mạnh rằng chính sách kê khai chỉ hiệu quả khi đi kèm với giáo dục và hướng dẫn cụ thể — không thể yêu cầu kê khai nếu sinh viên không hiểu rõ thế nào là sử dụng "phù hợp" và thế nào là sử dụng "sai lệch".

7. Bài học cho giáo dục đại học Việt Nam

7.1 Thực trạng áp dụng AI tại các trường đại học Việt Nam

Trần Hậu Ngọc, Nguyễn Thanh Tú và Hoàng Chu Đức (2021) trong nghiên cứu tổng kết kinh nghiệm quốc tế về ứng dụng AI trong giáo dục và bài học cho Việt Nam đã chỉ ra rằng giáo dục đại học Việt Nam mới ở giai đoạn đầu của quá trình chuyển đổi số, với việc ứng dụng AI chủ yếu tập trung vào các khía cạnh kỹ thuật — quản lý dữ liệu sinh viên, thư viện số, hệ thống học trực tuyến — chưa đi sâu vào các trăn trở liên quan đến liêm chính học thuật và đạo đức sử dụng AI.

Nguyễn Thanh Long, Vương (2026) trong nghiên cứu về xu hướng ứng dụng AI trong giảng dạy đại học tại miền Nam Việt Nam cho thấy các trường đại học đang tăng tốc ứng dụng AI, thiết yếu sau sự bùng nổ của ChatGPT. Tuy nhiên, nghiên cứu cũng phát hiện ra rằng các trường chưa có chính sách nhất quán về quản lý sử dụng AI của sinh viên và giảng viên — một số trường cấm hoàn toàn, số khác không có quy định cụ thể, và chỉ một số ít bắt đầu thử nghiệm các chính sách kê khai.

Bùi Thị Thảo Uyên và Tống Tân Vĩnh An (2025) trong nghiên cứu về tác động của công cụ viết AI đến liêm chính học thuật đã khảo sát nhận thức của sinh viên chuyên ngành tiếng Anh và phát hiện ra rằng sinh viên Việt Nam sử dụng AI Writing Tools ở mức độ cao nhưng thiếu nhận thức rõ ràng về ranh giới giữa sử dụng hợp lý và vi phạm liêm chính. Nghiên cứu này vô cùng đáng chú ý vì nó cung cấp bằng chứng thực nghiệm từ bối cảnh Việt Nam — một bối cảnh có đặc thù riêng về ngôn ngữ, văn hóa và hệ thống giáo dục.

7.2 Khoảng trống chính sách: từ quy định đến thực thi

Bộ Giáo dục và Đào tạo Việt Nam đã ban hành nhiều văn bản về liêm chính học thuật và đạo đức nghiên cứu, nhưng chưa có văn bản cụ thể nào đề cập đến sử dụng AI ở thời điểm học thuật. Khoảng trống này tạo ra một tình trạng thiếu định hướng rõ ràng cho các trường đại học: họ phải tự xây dựng chính sách mà không có khung tham chiếu quốc gia, dẫn đến sự không đồng nhất trong cách quản lý.

Đạo luật AI EU, dù là văn bản pháp lý của một khối kinh tế khác, cung cấp một hệ thống tham chiếu quý giá cho việc xây dựng chính sách. Các nguyên tắc then chốt — phân loại rủi ro, minh bạch, giám sát con người, trách nhiệm giải trình — không phải là đặc quyền của EU mà là giá trị chung của quản trị công nghệ toàn cầu. Việt Nam dễ dàng học hỏi cách tiếp cận dựa trên rủi ro của EU, thay vì cố gắng áp dụng trực tiếp các quy định cụ thể.

Trần Hậu Ngọc, Nguyễn Thanh Tú và Hoàng Chu Đức (2021) đề xuất rằng Việt Nam cần xây dựng chiến lược quốc gia về AI trong giáo dục, bao gồm cả khung đạo đức và liêm chính, dựa trên kinh nghiệm quốc tế nhưng được điều chỉnh theo bối cảnh trong nước. Dưới góc nhìn từ Đạo luật AI EU, chiến lược này nên bao gồm: (a) phân loại các ứng dụng AI trong giáo dục theo mức độ rủi ro; (b) thiết lập yêu cầu minh bạch cho tất cả hệ thống AI được sử dụng trong giáo dục; (c) bảo đảm quyền giám sát con người trong các quyết định có ảnh hưởng đến kết quả học tập; và (d) xây dựng cơ chế giải trình cho các hệ thống AI được triển khai.

7.3 Những thách thức đặc thù

Giáo dục đại học Việt Nam đối mặt với một số thách thức đặc thù khi áp dụng các bài học từ Đạo luật AI EU:

Thách thức thứ nhất liên quan đến năng lực thể chế. Việc xây dựng và thực thi chính sách về liêm chính AI đòi hỏi nguồn lực chuyên môn mà nhiều trường đại học Việt Nam chưa có — chuyên gia về AI, chuyên gia về liêm chính học thuật, và cơ sở hạ tầng kỹ thuật để giám sát hệ thống AI. Khi một trường đại học triển khai hệ thống AI mà không có năng lực đánh giá rủi ro và giám sát, nguy cơ gây hại cho sinh viên tăng lên đáng kể.

Thách thức thứ hai liên quan đến rào cản ngôn ngữ. Hầu hết các công cụ AI sinh tạo hiện nay hoạt động tốt nhất bằng tiếng Anh, nhưng giáo dục đại học Việt Nam chủ yếu sử dụng tiếng Việt. Sinh viên Việt Nam sử dụng AI nên gặp mối bận tâm: AI dịch không chính xác, tạo ra nội dung sai lệch về mặt thuật ngữ hoặc bối cảnh văn hóa. Tuy nhiên, các công cụ phát hiện AI và đạo văn chủ yếu được thiết kế cho tiếng Anh, giảm hiệu quả khi áp dụng cho văn bản tiếng Việt.

Thách thức thứ ba liên quan đến văn hóa giáo dục. Nguyễn Thanh Long, Vương (2026) chỉ ra rằng văn hóa giáo dục Việt Nam, với nhấn mạnh mạnh vào thi cử và điểm số, tạo ra động lực cao cho việc sử dụng AI sai lệch — sinh viên sẽ cảm thấy áp lực phải đạt điểm cao bằng mọi giá, và AI cung cấp một con đường "dễ dàng" hơn. Sửa đổi văn hóa giáo dục để giảm bớt sự phụ thuộc vào điểm số và tăng cường chú trọng vào quá trình học tập là một nhiệm vụ dài hạn, vượt ra ngoài phạm vi của bất kỳ chính sách công nghệ nào.

Sipitanos (2025) nhấn mạnh rằng giáo dục AI literacy — năng lực hiểu, đánh giá và sử dụng AI một cách có trách nhiệm — là chìa khóa để giải quyết nhiều thách thức này. Khi Việt Nam, giáo dục AI literacy cần được tích hợp vào chương trình đào tạo từ sớm, không chỉ cho sinh viên mà còn cho giảng viên và cán bộ quản lý.

8. Khuyến nghị và kịch bản tương lai

8.1 Giáo dục AI literacy cho giảng viên và sinh viên

Giáo dục AI literacy là khuyến nghị xuyên suốt trong hầu hết các nghiên cứu về liêm chính học thuật và AI (Sipitanos, 2025; Kumar, Eaton, Mindzak, & Morrison, 2024; Moya, Eaton, Pethrick, & Hayden, 2024). Khái niệm AI literacy vượt ra ngoài việc biết cách sử dụng các công cụ AI — nó bao gồm hiểu cách AI hoạt động, nhận thức được giới hạn và rủi ro của AI, và năng lực đánh giá đầu ra của AI một cách phản biện.

Sipitanos (2025) đề xuất một khung AI literacy cho giáo dục đại học bao gồm ba cấp độ: (a) Nhận thức — hiểu các khái niệm cơ bản về AI, cách mô hình ngôn ngữ hoạt động, và rủi ro của AI sinh tạo; (b) Đánh giá — năng lực đánh giá độ chính xác, thiên lệch và độ tin cậy của đầu ra AI; (c) Sử dụng có trách nhiệm — biết khi nào nên sử dụng AI, khi nào không nên, và cách kê khai sử dụng minh bạch. Khung này phản ánh nguyên tắc của Đạo luật AI EU về việc yêu cầu người dùng hiểu hệ thống AI mà họ tương tác.

Đối với giảng viên Việt Nam, giáo dục AI literacy còn bao gồm một thách thức bổ sung: nhiều giảng viên không có nền tảng kỹ thuật về AI, khiến họ gặp khó khăn trong việc thiết kế đánh giá chống lại việc sử dụng AI sai lệch. Glendinning (2025) cho rằng việc xây dựng cộng đồng thực hành (community of practice) về AI trong giáo dục — nơi giảng viên chia sẻ kinh nghiệm, thử nghiệm phương pháp giảng dạy mới và cùng nhau xây dựng chính sách — là một chiến lược khả thi và bền vững.

8.2 Thiết kế lại hệ thống đánh giá

Một trong những khuyến nghị quan trọng nhất xuất phát từ cả nghiên cứu học thuật và khung pháp lý của EU là việc thiết kế lại hệ thống đánh giá trong giáo dục đại học. Marcus (2025) lập luận rằng "dạy xung quanh rủi ro đạo văn AI" — tức là thiết kế đánh giá sao cho việc sử dụng AI sai lệch trở nên ít hấp dẫn và ít hiệu quả hơn — là chiến lược bền vững hơn là cố gắng phát hiện vi phạm sau khi xảy ra.

Một số chiến lược thiết kế đánh giá cụ thể bao gồm:

1. Đánh giá quá trình thay vì kết quả: Thay vì chỉ đánh giá bài luận cuối cùng, yêu cầu sinh viên nộp các giai đoạn — đề cương, phác thảo, bản sửa đổi — và đánh giá quá trình phát triển ý tưởng. Cách tiếp cận này làm cho việc sử dụng AI để "viết thay" khó che giấu hơn, đồng thời đánh giá đúng năng lực thực sự của sinh viên.

1. Đánh giá thực hành và trình diễn: Các bài kiểm tra thực hành, thuyết trình trực tiếp, bảo vệ luận án, và thảo luận nhóm được giám sát khó bị AI thay thế hơn. Marcus (2025) nhấn mạnh rằng các hình thức đánh giá này không chỉ chống gian lận mà còn phát triển năng lực giao tiếp và tư duy nhanh — năng lực mà AI không thể thay thế.

1. Đánh giá phản biện và siêu nhận thức: Yêu cầu sinh viên phân tích, phản biện và so sánh — thay vì chỉ tổng hợp và tóm tắt. AI sinh tạo được tổng hợp tài liệu khá tốt nhưng gặp khó khăn hơn khi phải đưa ra lập luận độc lập, phản biện quan điểm, hoặc áp dụng lý thuyết vào bối cảnh cụ thể.

1. Tích hợp AI vào đánh giá: Cho phép và thậm chí yêu cầu sinh viên sử dụng AI như một phần của bài đánh giá, nhưng yêu cầu họ phản biện đầu ra của AI, so sánh với các nguồn khác, và phân tích giới hạn của kết quả do AI tạo ra. Cách tiếp cận này biến AI từ "công cụ gian lận" thành "đối tượng học tập" (Sipitanos, 2025).

Các chiến lược này phù hợp với nguyên tắc của Đạo luật AI EU về việc không loại bỏ công nghệ mà quản lý nó một cách có trách nhiệm. Giống như Đạo luật không cấm AI mà phân loại và điều chỉnh theo rủi ro, giáo dục đại học không nên cấm AI mà nên thiết kế hệ thống đánh giá sao cho AI được sử dụng đúng cách.

8.3 Xây dựng chính sách toàn diện dựa trên nguyên tắc minh bạch

Dựa trên phân tích trong bài viết này và nguyên tắc của Đạo luật AI EU, có khả năng đề xuất một khuôn khổ chính sách liêm chính học thuật trong kỷ nguyên AI gồm bốn trụ cột:

Trụ cột thứ nhất — phân loại và đánh giá rủi ro: Mọi hệ thống AI được sử dụng trong giáo dục đại học phải được phân loại theo mức độ rủi ro đối với quyền lợi và quá trình học tập của sinh viên (Voigt & Hullen, 2024a). Hệ thống rủi ro cao — chấm điểm tự động, giám sát thi, phân loại sinh viên — phải đáp ứng yêu cầu nghiêm ngặt về giám sát con người, minh bạch và khả năng giải trình.

Trụ cột thứ hai — kê khai sử dụng AI: Cả thể chế, giảng viên và sinh viên phải kê khai việc sử dụng AI theo cách minh bạch (Peterson, 2025; Barata, 2025). Kê khai không chỉ là nghĩa vụ pháp lý mà còn là công cụ giáo dục — nó buộc người sử dụng AI phải suy nghĩ về cách và lý do họ sử dụng AI.

Trụ cột thứ ba — giáo dục và năng lực: Chính sách kê khai chỉ có ý nghĩa khi người sử dụng có năng lực sử dụng AI bằng phương pháp có trách nhiệm (Sipitanos, 2025; Glendinning, 2025). Giáo dục AI literacy phải là thành phần bắt buộc của chương trình đào tạo, không chỉ cho sinh viên mà cho toàn bộ cộng đồng học thuật.

Trụ cột thứ tư — cơ chế giải trình và khiếu nại: Mọi quyết định học thuật có sự tham gia của AI — điểm số, phân loại, kỷ luật — phải có cơ chế giải trình và khiếu nại rõ ràng (Kovač, 2024). Sinh viên phải có quyền biết được AI đã đóng vai trò gì trong quyết định, và phải có quyền khiếu nại nếu họ tin rằng quyết định bị sai lệch.

8.4 Hợp tác quốc tế và đối thoại liên văn hóa

Cuối cùng, điểm yếu liêm chính học thuật trong kỷ nguyên AI không phải là thách thức mà một quốc gia hay một thể chế nhiều khả năng tự giải quyết. AI sinh tạo không có biên giới, và các thách thức mà nó đặt ra — đạo văn 2.0, khó khăn tác giả, sai lệch thuật toán — mang tính toàn cầu.

Đạo luật AI EU cung cấp một khung tham chiếu, nhưng việc áp dụng khung này vào các bối cảnh giáo dục khác nhau đòi hỏi đối thoại liên văn hóa. Các tổ chức quốc tế — UNESCO, OECD, Quỹ Khoa học Châu Âu — có vai trò quan trọng trong việc tạo diễn đàn cho đối thoại này. Moya, Eaton, Pethrick và Hayden (2024) kêu gọi xây dựng mạng lưới nghiên cứu về liêm chính học thuật và AI, kết nối các nhà nghiên cứu từ các khu vực khác nhau để chia sẻ kinh nghiệm, so sánh chính sách và phát triển chuẩn mực chung.

Đối với Việt Nam, việc tham gia vào các mạng lưới quốc tế này không chỉ giúp tiếp thu kinh nghiệm mà còn tạo cơ hội đóng góp góc nhìn từ một bối cảnh giáo dục đặc thù — nơi các yếu tố ngôn ngữ, văn hóa và hệ thống giáo dục tạo ra những thách thức và cơ hội riêng biệt. Trần Hậu Ngọc, Nguyễn Thanh Tú và Hoàng Chu Đức (2021) đã đặt nền móng cho hướng tiếp cận này khi tổng kết kinh nghiệm quốc tế về AI trong giáo dục, và các nghiên cứu gần đây của Nguyễn Thanh Long, Vương (2026) và Bùi Thị Thảo Uyên, Tống Tân Vĩnh An (2025) cho thấy cộng đồng nghiên cứu Việt Nam đang tích cực tham gia vào vào cuộc thảo luận toàn cầu.

9. Kết luận

Liêm chính học thuật đang đứng trước một cuộc khủng hoảng chưa từng có trong lịch sử giáo dục. Sự bùng nổ của AI sinh tạo — từ ChatGPT đến Claude, từ Gemini đến hàng trăm công cụ chuyên biệt khác — đã làm thay đổi bản chất của việc học, viết và nghiên cứu như vậy sâu sắc. Khi AI cần tạo ra văn bản học thuật trôi chảy, phân tích dữ liệu nhanh hơn con người, và tổng quan tài liệu trong vài phút thay vì vài tuần, câu hỏi không còn là "sinh viên có sử dụng AI hay không" mà là "họ sử dụng AI như thế nào, và chúng ta được phép làm gì để đảm bảo quá trình sử dụng đó minh bạch và có trách nhiệm."

Đạo luật AI của EU, dù được xây dựng để điều chỉnh AI trong lúc rộng lớn hơn giáo dục, cung cấp một lăng kính giá trị để nhìn nhận rào cản này. Nguyên tắc phân loại rủi ro — không đối xử với tất cả AI như nhau mà phân tích mức độ ảnh hưởng cụ thể — giúp giáo dục đại học tránh được bẫy phản ứng cực đoan (cấm hoàn toàn hoặc cho phép tự do). Nguyên tắc minh bạch — yêu cầu kê khai việc sử dụng AI ở mọi cấp độ — cung cấp cơ sở thực tiễn cho chính sách liêm chính mới, từ mô hình kê khai của Peterson (2025) đến khuôn khổ hướng tiếp cận của Rice (2026). Nguyên tắc giám sát con người — không để AI tự ra quyết định trong các lĩnh vực nhạy cảm — nhắc nhở giáo dục rằng con người, không phải thuật toán, phải giữ vai trò trung tâm trong quá trình học tập.

Bài học lớn nhất từ Đạo luật AI EU dễ dàng tóm gọn trong một câu: quản lý công nghệ không phải là cấm hay cho phép, mà là thiết kế hệ thống minh bạch, có trách nhiệm giải trình, và bảo vệ quyền của người yếu thế. Trong giai đoạn giáo dục đại học, "người yếu thế" chính là sinh viên — những người có ít quyền lực nhất trong hệ thống học thuật, nhưng lại chịu ảnh hưởng lớn nhất từ cả sai lệch AI lẫn sai lệch chính sách.

Giáo dục đại học Việt Nam, với những đặc thù về ngôn ngữ, văn hóa và hệ thống giáo dục, cần một chiến lược riêng — nhưng chiến lược đó nên và nên học hỏi từ khung pháp lý tiên phong của EU. Việc xây dựng chính sách liêm chính AI cho giáo dục đại học Việt Nam không nên bắt đầu từ con số không, mà nên bắt đầu từ các nguyên tắc đã được kiểm chứng: phân loại rủi ro, minh bạch, giám sát con người, giáo dục năng lực, và cơ chế giải trình. Đây không phải là việc "sao chép" Đạo luật AI EU, mà là việc vận dụng những nguyên tắc điều chỉnh phổ quát vào một bối cảnh cụ thể — một quá trình mà UNESCO gọi là "địa phương hóa chính sách toàn cầu" (glocalization of global policy).

Cuộc khủng hoảng liêm chính học thuật do AI gây ra không phải là một điểm nghẽn kỹ thuật — nó là một trăn trở về giá trị. Chúng ta muốn hệ thống giáo dục đại học trông như thế nào trong một thế giới mà AI sẽ làm hầu hết mọi việc học thuật? Nếu câu trả lời là "giống như trước đây nhưng với AI bị cấm", chúng ta đang chọn một ảo tưởng. Nếu câu trả lời là "một hệ thống giáo dục minh bạch hơn, có trách nhiệm hơn, và tập trung vào năng lực con người hơn" — thì Đạo luật AI EU đã chỉ ra hướng đi.

Tài liệu tham khảo

Baron, P. (2024). Are AI detection and plagiarism similarity scores worthwhile in the age of ChatGPT and other Generative AI tools? Scholarship of Teaching and Learning in Psychology, 8(2). https://doi.org/10.36615/sotls.v8i2.411

Barata, J. (2025). Transparency Obligations for all AI Systems: Article 50 of the AI Act. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5902402

Bozkurt, A. (2024). GenAI et al.: Cocreation, Authorship, Ownership, Academic Ethics and Integrity in a Time of Generative AI. Open Praxis, 16(1), 654–669. https://doi.org/10.55982/openpraxis.16.1.654

Bùi Thị Thảo Uyên & Tống Tân Vĩnh An. (2025). The Impact of AI Writing Tools on Academic Integrity: Unveiling English-Majored Students' Perception. Advances in Cognitive and Omics, 7(2). https://doi.org/10.54855/acoj.251615

Daniel, B. K. (2026). AI and the Transformation of Academic Integrity. In: Lecture Notes in Educational Technology. Springer. https://doi.org/10.1007/978-981-95-1875-3_20

Glendinning, I. (2025). Creating Guidance on Appropriate Use of AI Tools in Relation to Students' Academic Work. In: Academic Integrity in the Age of Artificial Intelligence. Springer. https://doi.org/10.1007/978-3-031-95686-7_11

Hutson, J. (2024). Rethinking Plagiarism in the Era of Generative AI. Journal of Information Communication, 3(2), 220. https://doi.org/10.54963/jic.v3i2.220

Kovač, M. (2024). Towards an Optimal Regulator: Assessment of the EU Artificial Intelligence Act. In: Progress in IS. Springer. https://doi.org/10.1007/978-3-031-65514-2_7

Kumar, R., Eaton, S. E., Mindzak, M., & Morrison, R. (2024). Academic Integrity and Artificial Intelligence: An Overview. In: Handbook of Academic Integrity (2nd ed.). Springer. https://doi.org/10.1007/978-3-031-54144-5_153

Marcus, N. C. (2025). Teaching Around Generative AI Plagiarism Risks. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.5090551

Moya, B., Eaton, S., Pethrick, H., & Hayden, A. (2024). Academic Integrity and Artificial Intelligence in Higher Education (HE) Contexts: A Rapid Scoping Review. Canadian Perspectives on Academic Integrity, 7(3). https://doi.org/10.55016/ojs/cpai.v7i3.78123

Mulima, O. (2026). Rethinking Academic Integrity in the Age of Proliferating AI Tools: Challenges and Policy Responses. OSF Preprints. https://doi.org/10.35542/osf.io/zuvnw_v1

Nguyễn Thanh Long, Vương. (2026). Artificial Intelligence Applications in Higher Education Teaching in Southern Vietnam: Current Trends. International Journal of Social Sciences and Humanitarian Research, 5(5). https://doi.org/10.58806/ijsshmr.2026.v5i5n37

Peterson, S. (2025). Addressing student use of generative AI in schools and universities through academic integrity reporting. Frontiers in Education, 10. https://doi.org/10.3389/feduc.2025.1610836

Rice, C. (2026). Reimagining Academic Integrity in the Age of Generative AI: An Access-Centered Framework for Support. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.6300798

Shaw, D. (2025). The digital erosion of intellectual integrity: why misuse of generative AI is worse than plagiarism. AI and Society. https://doi.org/10.1007/s00146-025-02362-2

Sipitanos, K. (2025). Artificial Intelligence (AI) Literacy in Higher Education: Developing Pedagogies to Enhance Critical Thinking. International Journal of Education Policy and Leadership, 25. https://doi.org/10.3102/ip.25.2183637

Sousa e Silva, N. (2024). The Artificial Intelligence Act: Critical Overview. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4937150

Trần Hậu Ngọc, Nguyễn Thanh Tú & Hoàng Chu Đức. (2021). International Experience in Artificial Intelligence Application for Education and Lessons for Vietnam. IOP Conference Series: Materials Science and Engineering. https://doi.org/10.21275/sr21928222235

Voigt, P. & Hullen, N. (2024a). Which Requirements Apply to High-Risk AI Systems? In: The EU AI Act. Springer. https://doi.org/10.1007/978-3-662-70201-7_3

Voigt, P. & Hullen, N. (2024b). Which AI Systems Are Subject to Specific Transparency Requirements? In: The EU AI Act. Springer. https://doi.org/10.1007/978-3-662-70201-7_4

Ying, J. (2026). Academic Integrity in the Age of Generative AI: a Scoping Review of Research on Higher Education Student Perceptions. International Journal for Educational Integrity. https://doi.org/10.1007/s10805-026-09752-1