Khung AI Fluency — 4D qua lăng kính giáo viên

Định nghĩa chính thức

Sơ đồ diễn giải (không có trong source gốc, là cách bản VN mô hình hóa để dễ nhớ) về mối liên hệ giữa 4 phẩm chất (effective/efficient/ethical/safe) và 4 năng lực:

Delegation + Description + Discernment chủ yếu phục vụ hiệu quả và năng suất của công việc. Diligence chủ yếu phục vụ trách nhiệm đạo đức và an toàn. Trên thực tế, ranh giới này không cứng — ví dụ Discernment kém cũng gây hậu quả đạo đức (deploy sản phẩm sai).

Cả bốn đều bắt buộc. Thiếu một, bạn có thể dùng AI ra kết quả, nhưng không thể gọi là fluent.

┌─────────────────────────────────────────────────────────────┐
│  4 phẩm chất của fluency                  4 năng lực (4D)   │
│                                                             │
│  Hiệu quả (Effective)  ───┐                                 │
│  Năng suất (Efficient) ───┼──► Delegation                   │
│                           │    (giao việc đúng chỗ)         │
│                           ├──► Description ↔ Discernment   │
│                           │    (vòng lặp cộng tác)          │
│                           │                                 │
│  Đạo đức (Ethical)     ───┐                                 │
│  An toàn (Safe)        ───┼──► Diligence                    │
│                                (trách nhiệm & minh bạch)     │
└─────────────────────────────────────────────────────────────┘

Bức tranh lớn: AI Fluency trên ba chế độ tương tác

Nhớ lại 3 chế độ từ Bài 8.1: automation, augmentation, agency. Dù bạn đang ở chế độ nào, 4D vẫn áp dụng — chỉ là trọng lượng mỗi D khác nhau:

Ví dụ với giáo viên:

• Automation: Yêu cầu AI tóm tắt 5 bài báo học thuật → Delegation quyết định đây có phải việc nên giao, Description mô tả yêu cầu, Discernment kiểm tra tóm tắt có bịa không, Diligence trích dẫn nguồn.
• Augmentation: Brainstorm cách dạy bất phương trình cho HS yếu → Description & Discernment chiếm phần lớn thời gian (đối thoại 10–20 lượt).
• Agency: Dựng chatbot trợ giảng cho học sinh tự hỏi bài → Delegation & Diligence quan trọng nhất (bạn không giám sát từng câu trả lời, nên phải thiết kế "khung hành vi" rất kỹ).

D1 — DELEGATION: Giao việc

Định nghĩa

Tưởng nghe đơn giản nhưng đây là D dễ bị xem nhẹ nhất. Nhiều giáo viên nhảy thẳng vào viết prompt mà chưa dành 60 giây hỏi: "Việc này có nên giao cho AI không? Nếu có, phần nào giao, phần nào giữ?"

Ba tiểu năng lực bên trong Delegation

1.1 Problem Awareness (Nhận thức về vấn đề)

Điểm mấu chốt Dakan-Feller nhấn đi nhấn lại:

Trước khi mở AI, dừng lại 30 giây và trả lời:

1.2 Platform Awareness (Nhận thức về AI)

Biết AI bạn đang dùng:

Với giáo viên VN:

1.3 Task Delegation (Giao việc chiến lược)

Sau khi biết vấn đề và AI, chia nhỏ công việc:

Ví dụ giáo viên: Delegation trong thực tế

Trước Delegation có ý thức: Cô Hoa (dạy Sinh 12) mở Claude, gõ "Tạo đề kiểm tra Sinh 12 chương di truyền, 30 phút". AI cho đề 40 câu. Cô thấy có câu sai kiến thức, câu lặp, câu quá dễ. Mất 45 phút sửa.

Sau Delegation có ý thức:

Kết quả: 20 phút có đề tốt. Lần sau, dùng lại template.

• Tôi đang cố tạo ra / giải quyết điều gì? (không phải "tôi đang viết giáo án", mà "tôi đang thiết kế trải nghiệm học mà HS hiểu được khái niệm X")
• Thành công trông thế nào? (đo được: "80% HS trả lời đúng câu tổng hợp cuối tiết")
• Công việc này cần loại tư duy gì? Phân ra:
• 🟢 Đơn giản, mất thời gian — sắp xếp tài liệu, định dạng
• 🟡 Không chắc, cần người bàn — "Tôi không biết nên mở bài bằng câu hỏi hay câu chuyện?"
• 🔵 Thiếu thông tin — cần dữ liệu, nghiên cứu
• 🔴 Cần phán đoán phê phán — quyết định đánh giá HS, chọn phương pháp
• Model — Claude Opus hay Sonnet? GPT-4 hay 4o-mini? Mạnh về viết sáng tạo hay lập luận logic?
• Knowledge cutoff — AI này biết kiến thức đến ngày nào? (Bạn không thể hỏi Claude về sự kiện tuần trước nếu cutoff là 2024)
• Context window — AI nhớ được bao nhiêu trong 1 hội thoại? (200K token ≈ 150 nghìn từ với Claude)
• Tools — AI có web search, file upload, code execution không?
• Dữ liệu — Dịch vụ này có dùng dữ liệu bạn nhập để huấn luyện không?
• Claude for Education — có Learning Mode, giữ dữ liệu riêng theo hợp đồng với trường
• Free tier (ChatGPT, Claude.ai miễn phí) — thường dùng dữ liệu cho huấn luyện, nên cẩn trọng
• Gemini trong Google Workspace for Education — chính sách bảo vệ dữ liệu giáo dục đặc thù
• Problem: "Tôi muốn đề kiểm tra 15 phút, 10 câu trắc nghiệm, tập trung phân biệt dị hợp tử với đồng hợp tử — phần HS hay nhầm."
• Platform: Claude biết sinh học cơ bản. Nhưng ví dụ cụ thể trong SGK bộ Kết nối tri thức thì không chắc. → Phải cung cấp.
• Task:
• 🟢 AI tạo khung câu hỏi (4 đáp án, 1 đúng)
• 🟡 Cộng tác về distractor (đáp án nhiễu) — cần hiểu lỗi sai HS hay mắc
• 🔴 Cô tự chọn câu nào giữ, câu nào sửa, câu nào bỏ

Công việc lớn: Thiết kế bài giảng mới về "Lập luận khoa học"
    │
    ├─► 🟢 Automation  (AI làm): 
    │     - Soạn slide bố cục chuẩn trường
    │     - Liệt kê 10 ví dụ thí nghiệm kinh điển
    │     - Định dạng handout in 2 mặt
    │
    ├─► 🟡 Augmentation (cộng tác):
    │     - Brainstorm câu hỏi mở đầu hấp dẫn HS
    │     - Thảo luận: học qua ví dụ lịch sử hay ví dụ đời thường?
    │     - Thiết kế hoạt động nhóm 10 phút
    │
    └─► 🔴 Chỉ mình làm:
          - Quyết định cách đánh giá HS yếu kém
          - Xử lý em HS cá biệt trong lớp
          - Viết nhận xét cá nhân cho phụ huynh

D2 — DESCRIPTION: Mô tả

Định nghĩa

Đây không phải "prompt engineering" theo nghĩa hẹp. Prompt là 1 câu. Description là toàn bộ cuộc hội thoại — mỗi tin nhắn bạn gửi.

Dakan-Feller nói rất hay:

Ba tiểu năng lực bên trong Description

2.1 Product Description (Mô tả sản phẩm)

Bạn muốn gì — cụ thể.

❌ "Tạo slide bài giảng." ✅ "Tạo 8 slide về quang hợp cho Sinh 6. Mỗi slide ≤ 40 từ. Slide 1: câu hỏi mở. Slide 2–6: khái niệm (có ghi chú hình). Slide 7: thí nghiệm mini. Slide 8: câu hỏi củng cố. Output Markdown, tôi sẽ tự chuyển PowerPoint."

2.2 Process Description (Mô tả quy trình)

AI nên làm thế nào — dẫn đường qua bước.

❌ "Phân tích dữ liệu điểm này." ✅ "Phân tích điểm kiểm tra 42 HS lớp 10A theo 3 bước:

Trình bày: bảng + ngắn gọn."

Một biến thể mạnh: chain-of-thought prompting — yêu cầu AI suy nghĩ trước, trả lời sau:

Với các model "thinking" (Claude extended thinking, GPT o1) việc này tự động. Với model chuẩn, bạn phải yêu cầu minh bạch.

2.3 Performance Description (Mô tả phong cách)

AI nên cư xử thế nào khi nói chuyện với bạn.

Sáu nguyên tắc prompt hiệu quả (từ Lesson 7 Foundations)

Khi bạn áp dụng Description vào từng câu cụ thể, có 6 kỹ thuật đã được kiểm chứng:

Bonus technique: Nếu kẹt — hỏi chính AI cách viết prompt tốt hơn:

• Tính phân phối (trung bình, trung vị, độ lệch chuẩn)
• Chia thành 3 nhóm: <5, 5–7, >7 — đếm số HS mỗi nhóm
• Dựa vào nhóm <5, gợi ý 3 hướng can thiệp (không phải đánh giá HS cụ thể)
• Vai trò: "Hãy đóng vai một đồng nghiệp giáo viên Toán 20 năm kinh nghiệm, tính thực dụng, không ngại chỉ ra khi ý tưởng tôi không khả thi."
• Phong cách: "Giải thích ngắn gọn, không dùng bullet trừ khi thật cần, không kết luận mỗi trả lời bằng hỏi lại."
• Chiều sâu: "Trả lời chi tiết, kèm ví dụ cụ thể cho HS VN."
• Tư thế: "Hãy thách thức giả thiết của tôi. Nếu thấy tôi chọn sai, nói thẳng."
• Cho AI bối cảnh — "Tôi là X, đang làm Y cho Z"
• Cho ví dụ (few-shot) — "Đây là 2 ví dụ tôi muốn theo phong cách này: [...]"
• Đặt ràng buộc output — "≤ 200 từ, 5 bullet, Markdown, tiếng Việt"
• Chia task phức tạp thành bước — Liệt kê bước 1, 2, 3
• Yêu cầu AI suy nghĩ trước — "Before answering, think through..."
• Xác định vai/tông giọng — "Hãy đóng vai..." / "Tông giọng: ..."

┌──────────────────────────────────────────────────────────┐
│                                                          │
│   1. PRODUCT DESCRIPTION — Mô tả SẢN PHẨM mong muốn      │
│      "Tôi cần gì? Định dạng? Độ dài? Khán giả?"          │
│                                                          │
│   2. PROCESS DESCRIPTION — Mô tả QUY TRÌNH làm           │
│      "AI nên tiếp cận theo cách nào? Bước-bước? Dữ       │
│       liệu nào cần dùng? Theo phương pháp chuyên môn     │
│       nào?"                                              │
│                                                          │
│   3. PERFORMANCE DESCRIPTION — Mô tả PHONG CÁCH tương    │
│      tác                                                 │
│      "Vai trò của AI? Tông giọng? Có thử thách giả       │
│       thiết không? Dài hay ngắn? Giải thích thêm?"       │
│                                                          │
└──────────────────────────────────────────────────────────┘

D3 — DISCERNMENT: Phân định

Định nghĩa

Nếu Description là "bạn nói gì với AI", thì Discernment là "bạn đánh giá gì khi AI trả lời".

Dakan-Feller gọi Discernment là "hệ thống kiểm soát chất lượng" của bạn khi làm việc với AI. Và cũng như Description, Discernment có 3 tầng.

Ba tiểu năng lực bên trong Discernment

3.1 Product Discernment

Với mỗi output AI đưa, hỏi:

Đặc biệt với giáo viên — các vùng cần cảnh giác cao:

3.2 Process Discernment

Quan sát cách AI đi từ A đến B, không chỉ B:

Ví dụ: Bạn và AI đang thiết kế hoạt động nhóm. Bạn đã nói "không chọn phương án chia theo giới tính". 3 lượt sau, AI lại đề xuất "chia nhóm 4 bạn nam + 4 bạn nữ". → Process discernment flag: AI đang drift khỏi ràng buộc của bạn. Cần nhắc lại hoặc reset hội thoại.

3.3 Performance Discernment

Quan sát cách AI tương tác với bạn:

Vòng lặp Description ↔ Discernment

Đây là insight quan trọng nhất của khung 4D:

Hầu hết tương tác AI thực tế là nhiều vòng lặp nhỏ Description-Discernment, không phải 1 prompt ra 1 sản phẩm. Giáo viên càng thấm điều này, càng sản xuất tài liệu chất lượng.

• ☐ Chính xác về sự kiện? (không hallucinate)
• ☐ Phù hợp khán giả? (đúng cấp học, đúng trình độ HS)
• ☐ Mạch lạc, có cấu trúc?
• ☐ Đáp ứng yêu cầu tôi đưa?
• ☐ Có thật sự giải quyết vấn đề của tôi?
• AI có suy luận đúng bước không?
• Có bỏ qua giai đoạn quan trọng không?
• Sau 5–6 lượt hội thoại, AI có đưa ý tưởng bạn đã loại về không? (dấu hiệu AI "quên")
• AI có bị "stuck" vào một khía cạnh nhỏ mà bỏ qua bức tranh lớn?
• AI hỏi quá nhiều câu làm rõ khi bạn cần trả lời ngay? → "Giả định và đi thẳng, tôi sẽ sửa nếu sai"
• AI trả lời quá dài/ngắn? → Yêu cầu điều chỉnh
• AI nhắc lại yêu cầu của bạn trước khi trả lời (waste tokens)? → "Đừng nhắc lại yêu cầu, trả lời trực tiếp"
• AI quá "nịnh" (luôn khen ý tưởng bạn)? → "Hãy phản biện nghiêm túc, đừng khen lấy lòng"

    ┌─────────────────┐
    │  DESCRIPTION    │
    │  Bạn nói với AI │
    └────────┬────────┘
             │
             ▼
    ┌─────────────────┐
    │   AI trả lời    │
    └────────┬────────┘
             │
             ▼
    ┌─────────────────┐
    │  DISCERNMENT    │
    │  Bạn đánh giá   │
    └────────┬────────┘
             │
       ┌─────┴─────┐
       │           │
   Đạt yêu cầu?    │
       │           │
      YES         NO
       │           │
       ▼           ▼
   Kết thúc   Mô tả lại
   hoặc       (Description
   deploy      tốt hơn,
                hoặc Delegation
                lại nếu sai
                gốc)

D4 — DILIGENCE: Cẩn trọng

Định nghĩa

Nếu 3 D trước tập trung vào "kết quả", Diligence hỏi: "Chi phí xã hội, đạo đức, pháp lý của cách tôi dùng AI là gì?"

Ba tiểu năng lực bên trong Diligence

4.1 Creation Diligence

Trước khi bắt đầu dùng, trả lời:

Ví dụ cụ thể cho giáo viên VN:

4.2 Transparency Diligence

Minh bạch về vai trò AI — với những người có quyền biết.

Nguyên tắc: Minh bạch không phải "khoe dùng AI" cũng không phải "giấu". Là vừa đủ cho hoàn cảnh:

Một cách ghi chú nhẹ nhưng minh bạch ở cuối tài liệu:

4.3 Deployment Diligence

Trước khi chia sẻ output AI với ai khác (HS, đồng nghiệp, phụ huynh, công chúng), checklist:

Câu cuối là kiểm tra vàng. Nếu câu trả lời là "không", dừng lại và sửa.

Ba loại Diligence làm việc cùng nhau

Diligence là trách nhiệm của BẠN — không phải của AI. AI không có trách nhiệm đạo đức. Người dùng có.

• Hệ thống AI này có đáng tin? (Anthropic, OpenAI, Google DeepMind — các công ty có chính sách an toàn; với các wrapper nhỏ hoặc free trial không rõ, cần thận trọng)
• Dữ liệu tôi nhập đi đâu? (Đọc chính sách: "Do you train on my data?" — câu hỏi vàng)
• Trường/tổ chức của tôi có quy định gì? (Sở GD, tổ chuyên môn, hiệu trưởng...)
• Pháp luật có ràng buộc gì? (Ở VN: Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân; các nước khác có GDPR ở EU, FERPA ở Mỹ)
• ☐ Đã kiểm tra sự kiện? Đặc biệt với tên, năm, công thức, trích dẫn
• ☐ Có thiên lệch không? (về giới, dân tộc, vùng miền, tôn giáo, kinh tế)
• ☐ Bản quyền có vấn đề không? (hình ảnh AI tạo, đoạn văn AI viết có thể giống tác phẩm khác)
• ☐ Tôi sẵn sàng đứng sau sản phẩm này như chính tay tôi làm không?

    CREATION ──► TRANSPARENCY ──► DEPLOYMENT
    (Trước)      (Trong)            (Sau)
      │             │                  │
      ▼             ▼                  ▼
    Chọn AI     Công khai         Kiểm định
    an toàn,    vai trò AI        cuối cùng
    dữ liệu     với người có      trước khi
    sạch        quyền biết        chia sẻ

Bảng tổng hợp 4D × 3 tiểu năng lực

12 tiểu năng lực. In ra bảng này, dán trên bàn làm việc trong 2 tuần đầu. Sau đó bạn sẽ dùng chúng một cách tự nhiên.

Vì sao Augmentation quan trọng hơn Automation trong giáo dục?

Một insight rất đặc biệt của khung AI Fluency:

Ví dụ:

Tương tự với giáo viên:

Vì vậy khóa này — và các khóa AI Fluency khác — nhấn mạnh augmentation là chế độ chính.

• HS dùng AI automation viết bài luận → có bài nộp, không có học
• HS dùng AI augmentation (cộng tác brainstorm, phản biện, viết-chỉnh-viết) → có bài nộp và học
• Giáo viên automation soạn giáo án → có giáo án, không có suy ngẫm sư phạm
• Giáo viên augmentation soạn giáo án → có giáo án và hiểu sâu hơn về cách mình dạy

Anti-patterns: Sai lầm khi áp dụng 4D

❌ Chỉ dùng Delegation một lần, rồi quên

Nhiều giáo viên nghĩ: "Tôi đã quyết định giao việc này cho AI, xong." Nhưng Delegation là liên tục — khi Discernment phát hiện vấn đề, có khi giải pháp là re-delegate (ví dụ: "Thôi, AI không phù hợp việc này, tôi tự làm").

❌ Description vô tận, không bao giờ Discernment

Một số người viết prompt 500 từ, chờ AI cho sản phẩm hoàn hảo 1 lần. Nhưng AI không làm việc như vậy. Tốt hơn: prompt 100 từ → xem output → refine 50 từ → xem → refine → ... (vòng lặp).

❌ Discernment chỉ kiểm lỗi, không cho phản hồi

Bạn thấy output có vấn đề, nhưng chỉ nghĩ trong đầu "tệ quá" rồi bỏ đi thử cái khác. Discernment tốt = nói với AI cụ thể: "Câu 3 sai sự kiện vì X. Phần 2 quá dài, rút gọn. Phong cách quá formal, đổi thân mật hơn."

❌ Diligence chỉ là "minh bạch" — quên Creation & Deployment

Nhiều giáo viên chỉ nghĩ Diligence = "ghi rõ tôi dùng AI". Nhưng quan trọng hơn là trước khi dùng (chọn AI đáng tin, bảo vệ dữ liệu HS) và sau khi dùng (kiểm định chất lượng).

❌ Áp dụng 4D cứng nhắc như checklist

4D không phải quy trình 10 bước. Nó là tư duy nền — bạn có thể "chạy" 4D trong 10 giây cho một câu hỏi đơn giản, hoặc 2 ngày cho một dự án lớn. Linh hoạt.

Áp dụng ngay

Bài tập 1: Phân tích 4D một tác vụ cụ thể (15 phút)

Chọn một công việc bạn vừa làm (hoặc sắp làm) với AI. Trả lời:

Delegation

Description

Discernment

Diligence

Bài tập 2 (tùy chọn, 20 phút): So sánh hai phiên bản

Làm 1 việc nhỏ (ví dụ: viết thư mời phụ huynh họp lớp) theo 2 cách:

Cách A — không áp dụng 4D: Gõ 1 prompt, lấy output, copy.

Cách B — áp dụng 4D có ý thức: 4 bước rõ ràng (5 phút mỗi bước).

So sánh: chất lượng sản phẩm? Thời gian? Cảm giác tin tưởng sản phẩm?

Hầu hết giáo viên báo cáo: thời gian cách B dài hơn 2–3 phút, nhưng chất lượng cao hơn đáng kể và không cần chỉnh sửa thêm.

• Vấn đề cốt lõi là gì? ____________________
• Phần nào đã/sẽ giao AI, phần nào giữ? ____________________
• Tại sao AI này phù hợp (hay không)? ____________________
• Product: ____________________
• Process: ____________________
• Performance: ____________________
• Đã/sẽ kiểm tra gì về output? ____________________
• Chỉ số "đủ tốt" là gì? ____________________
• Dữ liệu nhạy cảm nào liên quan? ____________________
• Ai cần biết vai trò AI? ____________________
• Cam kết cuối: tôi sẵn sàng đứng sau sản phẩm này? ☐

Tóm tắt bài học

🎯 AI Fluency = 4 năng lực × 3 tiểu năng lực = 12 kỹ năng cần luyện cùng nhau.

🎯 Delegation trước. Nền tảng là chuyên môn của bạn, không phải AI. Biết việc, biết AI, giao thông minh.

🎯 Description × Discernment = vòng lặp cộng tác. Đây là nơi AI biến từ công cụ thành đối tác tư duy. Với giáo viên, phần này đặc biệt giá trị vì suy ngẫm sư phạm cần đối thoại.

🎯 Diligence bao trùm cả 3 D trước. Không có Diligence, "hiệu quả" và "năng suất" không có ý nghĩa.

🎯 Augmentation (cộng tác) quan trọng hơn automation (AI làm hộ) — đặc biệt trong bối cảnh dạy-học.

🎯 4D là tư duy nền, không phải checklist cứng. Linh hoạt theo quy mô việc.