1.
Giới thiệu
1.1. Bối cảnh
Việc tích hợp Trí tuệ nhân tạo (AI)
vào lĩnh vực GDĐT mang đến những cơ hội chưa từng có để cá nhân hóa việc học,
tối ưu hóa các quy trình hành chính và nâng cao kết quả giáo dục. Trên toàn
cầu, các tổ chức giáo dục ngày càng áp dụng nhiều hơn các công nghệ AI để hỗ
trợ các hoạt động giảng dạy và học tập. Các ứng dụng AI trong giáo dục bao gồm
từ các hệ thống gia sư thông minh và nền tảng học tập thích ứng đến hỗ trợ hành
chính và phân tích dự đoán.
Trong những năm gần đây, các mô hình AI tiên tiến
như ChatGPT của OpenAI và Gemini của Google đã chứng minh được khả năng xử lý
ngôn ngữ tự nhiên, hiểu và tạo ra văn bản giống con
người. Những công nghệ này hứa hẹn
đáng kể cho bối
cảnh giáo dục, bao gồm chấm điểm tự động, phản hồi được cá nhân hóa và trợ lý
ảo.
1.2.
Bối cảnh giáo
dục tại Thành phố Hồ Chí Minh
Thành phố Hồ Chí Minh,
là đô thị lớn nhất Việt Nam và là trung tâm
giáo dục lớn, đi đầu trong đổi mới giáo dục của đất nước. Sở GDĐT quản lý một mạng
lưới các trường học với tổng quy mô hơn 1,7 triệu học sinh,
khiến việc triển khai giải
pháp nhằm nâng cao chất lượng và hiệu quả giáo dục trở nên cấp thiết.
Nhận ra tiềm năng của AI
trong việc giải quyết các thách thức
về giáo dục, Sở GDĐT đã đặt mục tiêu triển khai
các giải pháp AI trên toàn
bộ lĩnh vực giáo dục. Tuy nhiên, những nỗ lực ban
đầu, đặc biệt là trong việc
triển khai các
giải pháp ChatBot cho các thủ tục hành chính, đã gặp phải những thách thức đáng
kể. Những thách thức này bao gồm các hạn chế về cơ sở hạ tầng, các ràng buộc về
chính sách trong việc
mua phần
cứng cần thiết và các cân nhắc về tài chính khi
sử dụng các dịch vụ AI dựa trên
đám mây.
1.3.
Cơ sở triển khai
Bất chấp những trở ngại này, Sở GDĐT đã xác định
được cơ hội để tận dụng các tài sản dữ liệu đang có sẵn, được đồng bộ hóa về
định danh trên
nhiều Hệ thống quản lý học tập (LMS). Bên cạnh đó, dữ liệu hành vi được thu thập qua các đợt
khảo sát năng lực trên diện rộng đã cung cấp lượng dữ liệu đủ lớn để thử nghiệm các mô hình AI phù hợp
với bối cảnh giáo dục của thành phố.
Những nỗ lực của Sở GDĐT phù hợp với các mục tiêu
giáo dục rộng hơn, bao gồm cải thiện kết quả của học sinh, cá nhân
hóa trải nghiệm học tập và sử dụng việc ra quyết định dựa trên dữ liệu để nâng cao chất
lượng giáo dục. Bằng cách tập trung vào các giải pháp AI tận dụng các nguồn lực hiện có, Sở GDĐT có thể giải
quyết các thách thức về cơ sở hạ tầng để thúc đẩy đổi mới giáo dục.
1.4.
Mục tiêu
Bài tham luận này nhằm mục đích:
■ Thảo luận về những thách thức mà Sở GDĐT Thành phố
Hồ Chí Minh gặp phải trong việc triển khai các giải pháp AI.
■ Trình bày hai giải pháp thí điểm AI: một mô hình hỗ
trợ lộ trình học tập tự điều chỉnh và một mô hình dự đoán để xác định khoảng
cách kiến thức.
■
Phân tích quá
trình triển khai, kết quả và ý nghĩa của các chương trình thí điểm này.
■
Khám phá tiềm
năng tận dụng các nguồn dữ liệu hiện có để tăng cường ứng dụng AI trong giáo
dục.
■
Đưa ra các
khuyến nghị để khắc phục những thách thức về cơ sở hạ tầng và chính sách trong
việc triển khai công nghệ AI.
2. Những thách thức trong việc triển khai các giải
pháp AI
2.1. Hạn chế về cơ sở hạ tầng
2.1.1.
Thiếu
tài nguyên GPU
Một thách thức quan trọng gặp phải là
thiếu cơ sở hạ tầng máy chủ phù hợp được trang bị Bộ xử lý đồ họa (GPU). GPU
được sử dụng để xử lý các phép tính song song theo yêu cầu của các tác vụ AI,
đặc biệt là trong việc đào tạo các mô hình học sâu. Chính quyền đã cung cấp tài
nguyên máy chủ; tuy nhiên Thành phố hiện chưa có hạ tầng GPU, vấn đề này cản
trở khả năng chạy các mô hình AI phức tạp của Sở một cách hiệu quả.
2.1.2.
Tác
động đến sự phát triển của AI
Nếu không có khả
năng tăng tốc GPU, việc đào tạo các mô hình AI sẽ chậm hơn đáng kể, làm giảm
tính khả thi của quá trình phát triển lặp lại và triển khai trên quy mô lớn.
Hạn chế này không chỉ ảnh hưởng đến tốc độ mà còn đến khả năng mở rộng của các
giải pháp AI, vì việc xử lý các tập dữ liệu lớn trở nên không khả thi trong
thực tế với các tài nguyên CPU tiêu chuẩn.
2.2. Ràng buộc chính sách
2.2.1.
Hạn chế
xuất khẩu trên GPU
Việc mua GPU thông qua đầu tư ngân
sách nhà nước không khả thi do chính sách xuất khẩu từ các nước sản xuất chip.
Trong những năm gần đây, một số quốc gia đã thực hiện các hạn chế đối với việc
xuất khẩu phần cứng máy tính hiệu suất cao, bao gồm GPU được sử dụng cho các
ứng dụng AI và máy học, với lý do an ninh quốc gia và vấn đề liên quan đến
thương mại.
2.2.2.
Ý nghĩa
đối với các cơ sở giáo dục
Những hạn chế về chính sách này hạn
chế khả năng của các tổ chức giáo dục trong việc mua sắm phần cứng cần thiết để
phát triển AI. Nếu không có quyền truy cập vào các nguồn tài nguyên tính toán
tiên tiến, các tổ chức có thể tụt hậu trong
việc áp dụng các công nghệ AI tiên tiến,
làm gia tăng
khoảng cách công nghệ giữa các khu vực.
2.3. Cân nhắc về tài chính
2.3.1.
Chi phí của dịch vụ AI dựa trên
đám mây
Việc sử dụng nền tảng đám mây AI hoặc API từ các
nhà cung cấp
như OpenAI phát
sinh chi phí
đáng kể, đặc biệt là khi giải pháp được sử dụng để phục vụ cho số lượng
lớn người dùng. Các dịch vụ đám mây tính phí dựa trên mức sử dụng, bao gồm xử lý
dữ liệu, lưu trữ và lượt gọi API. Đối với các hoạt động công lập có ngân sách hạn
chế, những chi phí
liên tục này gây ra gánh nặng tài chính.
2.3.2.
Sự
không chắc chắn của ROI
Đầu tư vào công nghệ AI đòi hỏi
phải có lý do chính
đáng thông qua lợi
ích rõ ràng và lợi tức đầu tư (ROI). Khi hiệu quả của các giải pháp AI không rõ
ràng hoặc chưa được chứng minh, việc phân bổ nguồn vốn đáng kể cho các công
nghệ này trở nên khó khăn. Sự không chắc chắn này có thể cản trở việc áp dụng AI, đặc biệt
là trong các
tổ chức khu vực
công chịu trách nhiệm về chi tiêu ngân sách.
2.4. Cơ hội sử dụng dữ liệu
2.4.1.
Nguồn
dữ liệu mở rộng
Bất chấp những thách
thức này, Sở GDĐT có thể truy cập vào nguồn dữ liệu lớn được đồng bộ hóa thông qua các danh tính
thống nhất trên nhiều nền tảng LMS và các cuộc khảo sát quy mô lớn. Dữ liệu sử dụng trong mô hình
thí điểm Sở GDĐT đã triển khai được thu thập từ Khảo sát năng lực Lớp 3 và Lớp 7 và Khảo sát
năng lực ngoại ngữ Lớp 9 và Lớp 11.
2.4.2.
Tận
dụng dữ liệu cho các giải pháp AI
Tận dụng dữ liệu hành vi cung cấp
nền tảng để triển khai các giải pháp AI mà không cần đầu tư phần cứng đáng kể. Bằng cách sử
dụng các tài nguyên tính toán hiện có và tối ưu hóa các thuật toán để đạt hiệu
quả, Sở GDĐT vẫn có thể phát triển các mô hình AI giúp nâng cao
quy trình và kết quả giáo dục.
3. Giải pháp AI được
Sở GDĐT Thành phố Hồ Chí Minh thử
nghiệm
3.1.
Giải pháp 1: Hỗ trợ tự
điều chỉnh lộ trình học tập
3.1.1. Khái niệm về tự điều chỉnh lộ trình học tập
Lộ trình học tập cá nhân hóa đóng vai trò trung tâm trong các mô
hình giáo dục hiện đại, thừa nhận rằng mỗi học sinh
có nhu
cầu, tốc độ và học tập và khả năng
tiếp thu khác
nhau. Học
tập tự điều chỉnh giúp học sinh kiểm soát hành trình giáo dục của mình, đưa ra lựa chọn
về việc học gì, học như thế nào và học khi
nào.
3.1.2. Mô tả về mô hình AI
Mô hình AI do Sở GDĐT phát triển nhằm mục đích hỗ trợ sinh viên tự
điều chỉnh lộ trình học tập của mình bằng cách phân tích các tương tác của học sinh với các
tác vụ trên hệ thống LMS. Mô hình thu thập dữ liệu về nhiều khía cạnh khác nhau của hành
vi, bao gồm:
■ Thời gian dành cho các mô-đun hoặc nội dung cụ thể.
■ Tần suất và mô hình sử dụng tài nguyên.
■ Kết quả đánh giá và bài kiểm tra.
■ Tham gia vào các yếu tố tương tác như diễn đàn thảo
luận và các dự án hợp tác.
3.1.3. Hoạt động của mô hình
Sử dụng thuật toán học máy, mô hình xác
định các mô hình và mối tương quan giữa hành vi của học sinh và kết quả học
tập. Ví dụ, nó có thể phát hiện ra rằng học sinh dành nhiều thời gian hơn cho
các mô phỏng tương tác sẽ đạt kết quả tốt hơn trong các đánh giá liên quan đến
các chủ đề đó.
Dựa trên những hiểu biết này, mô hình đưa ra các
khuyến nghị được cá nhân hóa cho từng học sinh, gợi ý:
■ Những lĩnh vực cần tập trung cải thiện.
■ Tài liệu hoặc hoạt động bổ sung.
■ Điều chỉnh lịch trình học tập của mình.
■ Chiến lược nâng cao hiệu quả học tập.
3.1.4. Thách thức thực hiện
- Tích hợp dữ liệu:
Việc thu thập và tích hợp dữ liệu từ các nền tảng LMS khác nhau đòi hỏi các
giao thức và định dạng dữ liệu phải được chuẩn hóa.
- Quyền riêng tư và
đạo đức: Đảm bảo quyền riêng tư dữ liệu của sinh viên và tuân thủ các quy định là tối quan trọng.
- Sự tham gia của học sinh: Việc khuyến khích học sinh sử dụng các khuyến nghị
của hệ thống để tự điều chỉnh lộ trình học tập của mình đòi hỏi phải có động
lực và cơ chế hỗ trợ.
3.1.5. Những hạn chế hiện tại và những cải tiến tiềm năng
Hiện
tại, giải pháp hoạt động trên một hệ thống LMS duy nhất, hạn chế tính đa dạng và khối lượng dữ liệu
có sẵn để phân tích. Hạn chế này ảnh hưởng đến độ chính xác và khả năng khái
quát hóa của mô hình. Sở GDĐT vì thế đề xuất các cải tiến như sau:
■ Tích hợp đa nền tảng: Mở rộng mô hình trên nhiều
nền tảng LMS để tăng cường tính đa dạng của dữ liệu.
■ Phản hồi theo thời gian thực: Triển khai phân tích
theo thời gian thực để đưa ra khuyến nghị ngay lập tức.
■ Thuật toán nâng cao: Sử dụng các kỹ thuật học máy
tiên tiến hơn, chẳng hạn như học sâu, để nắm bắt các mẫu phức tạp hơn.
3.2.
Giải pháp 2:
Dự đoán nội dung kiến thức cho việc đề xuất bồi dưỡng
3.2.1. Tầm quan trọng của việc xác định nội dung kiến thức
cần bồi dưỡng
Việc xác định và giải quyết các lỗ hổng
kiến thức là rất quan trọng để đảm bảo rằng học sinh xây dựng được nền tảng
vững chắc trong quá trình học tập của mình. Phát hiện sớm cho phép can thiệp
kịp thời, không để trở thành rào cản cho việc học sinh tiếp thu các kiến thức
tiếp theo.
3.2.2. Mô tả về Mô hình Dự đoán
Mô hình dự đoán nhằm mục đích dự báo các nội dung,
kiến thức cụ thể mà học sinh có thể cần hỗ trợ thêm. Bằng cách phân tích dữ
liệu lịch sử từ các cuộc khảo sát năng lực và ngân hàng câu hỏi, mô hình có thể
dự đoán kết quả trả lời các câu hỏi hoặc chủ đề mà học sinh chưa từng gặp qua.
3.2.3.
Triển
khai kỹ thuật
■ Nguồn dữ liệu: Mô hình sử dụng 12 GB dữ liệu câu
hỏi và kết quả từ Khảo sát năng lực học sinh lớp 7 của Thành phố năm 2021.
■ Lựa chọn thuật toán: Mạng nơ-ron hồi quy (RNN) được
chọn vì khả năng xử lý dữ liệu tuần tự và dữ liệu thời gian, phù hợp để mô hình
hóa lộ trình học tập của học sinh.
■
Tài nguyên
tính toán: được thực hiện trên hệ thống Nvidia DGX A100 của Trường Đại học Công
nghệ thông tin, Đại học Quốc Gia Thành phố Hồ Chí Minh.
3.2.4.
Quy
trình học máy và kiểm tra kết quả
■
Giai đoạn học
máy: Mô hình được đào tạo dựa trên phản hồi hiện tại của học sinh và các kết
quả liên quan, các mô hình học tập tương quan với câu hỏi khảo sát.
■
Giai đoạn kiểm
tra: Các dự đoán của mô hình được kiểm tra bằng những câu hỏi mà học sinh chưa
từng gặp trước đó, đảm bảo rằng mô hình đang đánh giá các nội dung kiến thức
mới.
■
Đo lường đánh
giá: Độ chính xác được đo bằng cách so sánh dự đoán của mô hình với kết quả
thực tế của học sinh đối với các câu hỏi mới.
3.2.5.
Kết quả
và Diễn giải
■
Độ chính xác
dự đoán: Mô hình đạt tỷ lệ chính xác 71% trong việc dự đoán phản hồi của học
sinh.
■ Ý nghĩa: Độ chính xác 71% cho thấy khả năng dự đoán
mạnh mẽ, cho thấy mô hình có thể xác định hiệu quả các mô hình trong quá trình
học tập của học sinh.
■ Các yếu tố ảnh hưởng đến độ chính xác: Bản chất tự
nguyện tham gia của khảo sát năng lực có thể đã ảnh hưởng đến sự tham gia của
sinh viên và chất lượng dữ liệu.
3.2.6.
So sánh
với các tập dữ liệu bên ngoài
Một quá trình đào tạo tương tự sử
dụng dữ liệu từ Khan Academy đã mang lại độ chính xác dự đoán là 81%. Độ chính
xác cao hơn do các yếu tố sau:
■
Sự tham gia
cao hơn: Học viên sử dụng Khan Academy thường có động lực tự thân và tích cực
tham gia.
■
Chất lượng dữ
liệu: Nền tảng có thể có dữ liệu có cấu trúc và nhất quán hơn.
■
Căn chỉnh nội
dung: Sự căn chỉnh giữa các câu hỏi và đơn vị kiến thức có thể chính xác hơn.
3.2.7.
Ý nghĩa
thực tiễn
■
Can thiệp có
mục tiêu: Giáo viên có thể sử dụng dự đoán để tập trung vào những nội dung mà
học sinh có khả năng gặp khó khăn.
■ Lập kế hoạch chương trình giảng dạy: Thông tin chi
tiết từ mô hình có thể cung cấp thông tin để điều chỉnh chương trình giảng dạy
nhằm giải quyết những lỗ hổng kiến thức phổ biến.
■ Hỗ trợ cá nhân: Học sinh nhận được các đề xuất tùy
chỉnh cho các tài liệu học tập bổ sung.
4. Các yếu tố tác động và định hướng để cải tiến 02 mô
hình
4.1. Quản lý danh tính thống nhất
4.1.1. Tầm quan trọng của danh tính thống nhất
Quản lý danh tính thống nhất đảm bảo dữ liệu học
sinh trên nhiều nền tảng và hệ thống khác nhau có thể được liên kết và phân tích
một cách thống nhất. Nguyên tắc này cho phép theo dõi toàn diện tiến trình và
hành vi học tập của học sinh.
4.1.2. Triển khai tại Thành phố Hồ Chí Minh
Sở
GDĐT đã triển khai hệ thống định danh thống nhất trên nhiều nền tảng LMS và các
hệ thống thực hiện khảo sát. Hệ thống này tạo điều kiện cho việc tổng hợp dữ
liệu và hỗ trợ các mô hình AI yêu cầu luồng dữ liệu nhất quán và liên tục.
4.2.
Chất lượng dữ
liệu sử dụng trong thử điểm
4.2.1. Khảo sát Tự nguyện
Khảo sát năng lực cung cấp thông tin chi tiết về
kết quả học tập của học sinh, xác định điểm mạnh và điểm yếu trong nhiều nội
dung kiến thức khác nhau, tuy nhiên vì là khảo sát tự nguyên nên mức độ tham
gia còn hạn chế, việc tham gia tự nguyện có thể dẫn đến mức độ tham gia thấp
hơn và dữ liệu kém chính xác hơn do học sinh khi thực hiện khảo sát không đầu
tư cho câu trả lời từ đó dẫn đến đánh gia sai lệch về năng lực của học sinh
tham gia khảo sát. Bên cạnh đó, sự khác biệt trong cách tiếp cận khảo sát của học
sinh cũng có thể ảnh hưởng đến chất lượng dữ liệu.
4.2.2. Đề xuất cải tiến
Sử dụng ngườn dữ liệu hành vi học tập hoặc tích hợp
hoạt động khảo sát vào hoạt động đánh giá thường xuyên trên các hệ thống LMS có
thể cải thiện chất lượng dữ liệu đầu ra do học sinh sẽ có trách nhiệm hơn trong
việc thực hiện các nội dung học tập.
4.3.
Triển khai Hệ
thống định danh đơn vị kiến thức
Hệ thống định danh đơn vị kiến thức phân loại nội
dung giáo dục thành các đơn vị kiến thức cụ thể phù hợp với Chương trình Giáo
dục phổ thông 2018 giúp chuẩn hóa nội dung,
cung cấp khuôn khổ chung cho nội
dung bài
dạy và câu hỏi kiểm tra đánh giá, hỗ trợ việc xây dựng ngân hàng câu hỏi và kho tài
nguyên học tập được hệ thống hóa thành những đơn vị kiến thức cụ thể từ đó hỗ
trợ mô hình AI giúp
phân tích và đưa ra khuyến nghị chính xác và cụ thể hơn.
Bên cạnh việc định danh
thống nhất người dùng, việc định danh thống
nhất đơn vị kiến thức là cơ sở nền tảng để đảm bảo dữ liệu hành vị thu thập có ý
nghĩa và có thể sử dụng cho việc xây dựng các giải pháp AI.
5. Lợi ích của AI trong định
hướng học tập
5.1. Cải thiện chất lượng dữ liệu
Việc chia sẻ để dữ liệu được sử dụng liên tục và được khai thác ở
nhiều khía cạnh khác nhau tạo cơ sở cho việc chuẩn hóa dữ liệu. Các yếu tố ảnh hưởng đến
chất lượng dữ liệu bao gồm độ chính xác, tính đầy đủ, tính nhất quán và tính kịp
thời. Nhằm đảm bảo chất lượng dữ liệu cần triển khai
các phương pháp thu thập dữ
liệu thống nhất, song song với loại bỏ lỗi và sự không nhất quán khỏi tập dữ
liệu và xác thực dữ liệu thường xuyên để đảm bảo tính chính xác.
Khối lượng dữ liệu đủ lớn là cần thiết để các mô
hình AI học
các mẫu phức tạp. Các nguồn dữ liệu phong phú của Sở GDĐT là cơ sở để triển khai các giải
pháp AI, tuy nhiên
để thực sự đưa AI vào cuộc sống hàng ngày thì việc thu thập và
mở rộng dữ liệu liên tục là điều quan trọng để cải thiện hiệu suất của mô hình.
5.2.
Tác động của
các giải pháp AI đến giáo
dục
5.2.1. Học tập cá nhân hóa
Các giải pháp AI
cho phép trải nghiệm học tập được cá
nhân hóa bằng cách điều chỉnh nội dung và khuyến nghị theo
nhu cầu của từng học sinh. Việc cá
nhân hóa này có thể dẫn đến:
■ Cải thiện sự tham gia: Học sinh sẽ tham gia nhiều
hơn khi việc học được điều chỉnh theo sở thích và khả năng của mình.
■ Kết quả tốt hơn: Hỗ trợ cá nhân có thể tăng cường
sự hiểu biết và khả năng ghi nhớ.
5.2.2. Hỗ trợ của giáo viên
AI có thể hỗ trợ giáo viên thông qua việc xác định
nhu cầu của học sinh, làm nổi bật những nội dung mà học sinh gặp khó khăn, tự
động hóa các nhiệm vụ như chấm điểm và theo
dõi tiến độ, cung cấp
thông tin chi tiết
dựa trên dữ liệu để đưa ra các chiến lược giảng dạy.
5.3.
Khắc phục khó
khăn về cơ sở hạ tầng và tài chính
■ Dịch vụ dựa trên công nghệ điện toán đám mây: triển
khai các quan hệ đối tác với các nhà cung cấp dịch vụ đám mây cung cấp các gói
giảm giá hoặc hỗ trợ cho giáo dục.
■ Điện toán biên (edge-computing): Sử dụng các công
nghệ điện toán biên để giảm sự phụ thuộc vào phần cứng tập trung.
■ Điện toán phân tán: Tận dụng tài nguyên điện toán
phân tán tại các cơ sở trường học hoặc thiết bị cá nhân của học sinh và giáo
viên.
5.4.
Hợp tác với
các tổ chức giáo dục
Sự hợp tác giữa các tổ chức, đối tác
doanh nghiệp nhằm
■ Chia sẻ tài nguyên: Tập hợp các nguồn lực tính toán
và chuyên môn.
■ Tăng cường nghiên cứu: Thúc đẩy các dự án nghiên
cứu chung và đổi mới sáng tạo.
■ Mở rộng tác động: Mở rộng phạm vi và hiệu quả của
các giải pháp AI.
6. Kết luận
Các giải pháp AI thí điểm của Sở Giáo dục và Đào
tạo Thành phố Hồ Chí Minh là những bước tiến đáng kể hướng tới việc tích hợp AI
vào lĩnh vực giáo dục. Bằng cách tập trung vào các mô hình hỗ trợ lộ trình học
tập được cá nhân hóa và phân tích dự đoán về nội dung kiến thức cần bổ sung cho
học sinh, công nghệ AI có thể hỗ trợ cho khối lượng lớn giáo viên và học sinh
trong việc tối ưu hóa, cá nhân hóa lộ trình học tập từ đó nâng cao chất lượng
giáo dục của ngành theo diện rộng.
Bất chấp những thách thức về cơ sở hạ tầng và chính
sách, Sở GDĐT đã tận dụng các nguồn dữ liệu lớn có sẵn của ngành để phát triển
và triển khai các giải pháp AI. Đề giải quyết những thách thức này Sở GDĐT đã
vận dụng các mô hình hợp tác để huy động nguồn lực triển khai cho mục tiêu
trên.
Việc mở rộng tích hợp dữ liệu trên nhiều nền tảng,
nâng cao chất lượng dữ liệu và thúc đẩy các nỗ lực hợp tác là rất quan trọng
trong việc hiện thực hóa toàn bộ tiềm năng của AI trong giáo dục. Các sáng kiến
của Sở GDĐT đặt nền tảng cho việc thúc đẩy việc ứng dụng công nghệ AI trong giáo
dục, với những tác động đến các chính sách nhằm nâng cao chất
lượng giáo dục ở diện rộng.
Cách tiếp cận chủ động của Sở GDĐT
thể hiện cam kết
đổi mới và cải thiện giáo dục. Bằng cách áp dụng công nghệ AI và giải
quyết các khó khăn, Sở GDĐT Thành phố Hồ Chí Minh
cam kết sẽ tiên phong và hỗ
trợ các doanh nghiệp,
địa phương khác trong việc triển khai các giải pháp AI
trong giáo dục.
TÀI LIỆU THAM KHẢO
AI Education Vietnam. (2023). Chương trình bồi dưỡng về AI tạo sinh.
Trường Đại học Công nghệ thông tin, Đại học
quốc gia Thành
phố Hồ Chí Minh. (2024). AI Modeling and Machine Learning
in Education.
Khan Academy. (n.d.). Data-Driven Learning Platforms
and AI Applications.
Bộ Giáo dục và Đào tạo. (2018). Chương
trình Giáo dục phổ thông
Nguyen, T. H. (2022). Artificial Intelligence in
Vietnamese Education: Opportunities and Challenges. Journal of Educational
Technology.
Tran, L. M. (2023). Data Privacy Considerations
in Educational AI Applications. Vietnam Journal of Information Security.
Tác Giả
Ông Nguyễn Bảo Quốc, Phó Giám đốc Sở Giáo dục và Đào tạo
Ông Hồ Tấn Minh, Chánh Văn phòng Sở Giáo dục và Đào tạo