Khung AI Fluency — 4D Framework nền tảng

AI Fluency là gì — Định nghĩa chính thức

Theo Framework for AI Fluency V1.5 của Rick Dakan & Joseph Feller (2025):

Bốn tính từ bắt đầu bằng "E" (và một chữ S). Dễ nhớ: 4E + S.

AI Fluency KHÔNG phải là:

AI Fluency LÀ:

Sự khác biệt này nghe trừu tượng, nhưng hậu quả rất cụ thể: prompt engineering tips có thể lỗi thời trong 6 tháng. AI Fluency thì dùng được cho cả chục năm tới — bất kể model nào ra đời.

• ❌ Thuộc lòng 100 prompt đỉnh cao từ TikTok
• ❌ Biết dùng hết mọi feature của mọi AI tool
• ❌ Trở thành engineer build AI model
• ❌ "Kết bạn" với AI ở mức độ cảm xúc
• ✅ Bộ kỹ năng thực tế + tri thức + insight + giá trị, củng cố lẫn nhau
• ✅ Khả năng thích nghi khi công nghệ AI thay đổi (mà nó thay đổi hàng tháng)
• ✅ Biết phân loại công việc — phần nào giao AI, phần nào phải tự làm
• ✅ Đảm bảo mọi output AI bạn đưa ra đều có thể đứng ra bảo vệ

Ba chế độ tương tác với AI

Trước khi đi sâu vào 4D, cần phân biệt ba chế độ (modes) tương tác khác nhau. Mỗi chế độ phù hợp với một kiểu task khác nhau.

Automation — AI làm thay bạn

Bạn biết rõ cần gì → mô tả đủ ý → AI thực thi → xong.

Ví dụ điển hình cho sinh viên:

Phù hợp khi: Outcome rõ ràng, bạn describe đầy đủ trong một lần.

Không phù hợp khi: Bạn đang confused về vấn đề. Bạn không biết mình muốn gì thì AI cũng không biết đưa gì.

Augmentation — AI + bạn làm cùng

Đây là trái tim của AI Fluency. AI không làm thay — AI trở thành "creative thinking and problem-solving partner".

Ví dụ:

Dấu hiệu augmentation đúng: Kết thúc phiên làm việc, bạn hiểu chủ đề sâu hơn trước. Output cuối vẫn là của bạn — chỉ tốt hơn.

Quote từ Dakan & Feller: "It doesn't do work for you, but helps you do your work better."

Agency — AI tự chạy theo định hướng

Bạn thiết lập "knowledge + behavior pattern" cho AI, sau đó AI tự chạy các task lặp lại theo khuôn đó.

Ví dụ:

Metaphor quan trọng: Automation giống như script writer (bạn viết kịch bản chi tiết từng câu thoại). Agency giống như director (bạn set vision & guardrail, AI tự execute trong framework đó).

Phù hợp khi: Task lặp lại với pattern nhất quán, volume đủ lớn để đáng công setup.

Bảng so sánh 3 chế độ

Insight: Trong context học tập, Augmentation gần như luôn là lựa chọn tối ưu. Vì sao? Bạn học bằng struggle + feedback, không phải bằng outcome.

• Tóm tắt một file PDF 50 trang thành 10 bullet
• Dịch email tiếng Việt sang English formal tone
• Tạo 10 biến thể tiêu đề cho bài blog
• Gợi ý 3 itinerary cho chuyến du lịch Đà Lạt 3 ngày
• Brainstorm tên startup — bạn thêm/bớt, AI đề xuất tiếp
• Debug code — bạn đọc logic, AI đặt câu hỏi Socratic
• Xây nhân vật truyện — bạn có vision, AI thử dialogue
• Viết luận — bạn có argument, AI phản biện
• Phân loại email inbox mỗi sáng theo mức độ ưu tiên
• Trả lời câu hỏi cơ bản từ khách tham quan website 24/7
• Tạo weekly summary từ learning journal của bạn
• Power nhân vật NPC trong game tương tác với player

┌─────────────────────────────────────────────────────────┐
│                                                         │
│  AUTOMATION       AUGMENTATION          AGENCY          │
│  ──────────       ────────────          ──────          │
│                                                         │
│  AI làm thay     AI + bạn làm cùng     AI tự chạy       │
│  bạn             (hợp tác)              (theo vision    │
│                                          của bạn)       │
│                                                         │
│  "Tóm tắt        "Giúp tôi nghĩ         "Phân loại      │
│   PDF này"        về ý tưởng này"        email mỗi      │
│                                           sáng 8h"      │
│                                                         │
└─────────────────────────────────────────────────────────┘

4D Framework — Bản đồ năng lực cốt lõi

Bây giờ mới vào phần chính. 4D là bốn năng lực (competencies) bạn cần phát triển để thành AI-fluent.

Bốn năng lực này không phải bước 1-2-3-4 tuần tự. Chúng chồng lấp và feedback lẫn nhau liên tục. Nhưng để học, ta phải tách từng cái một.

Ba D đầu (Delegation, Description, Discernment) tập trung vào làm cho AI hiệu quả + hiệu năng. D thứ tư (Diligence) đảm bảo đạo đức + an toàn. Ba cái trước đi với ba cái sau — thiếu một là hỏng cả bốn.

               ┌──────────────────────────────┐
               │       AI FLUENCY              │
               │   (effective · efficient ·    │
               │      ethical · safe)          │
               └───────────────┬───────────────┘
                               │
        ┌──────────────────────┼──────────────────────┐
        │              │       │       │              │
        ▼              ▼       ▼       ▼              ▼
    ┌────────┐   ┌─────────┐ ┌─────────┐   ┌─────────┐
    │   D1   │   │   D2    │ │   D3    │   │   D4    │
    │Delega- │──▶│Descrip- │◀│Discern- │   │Dili-    │
    │ tion   │   │  tion   │ │  ment   │   │ gence   │
    └────────┘   └─────────┘ └─────────┘   └─────────┘
      Phân          Mô tả       Phán đoán    Trách
      giao          rõ ràng     / Đánh giá   nhiệm
      đúng

D1 — Delegation (Phân giao)

Định nghĩa: Quyết định cái gì cần làm, bạn tự làm cái gì, AI làm cái gì.

Delegation có 3 lớp năng lực con:

1.1 Problem Awareness — Hiểu vấn đề của mình

Insight vàng của framework: "Nền tảng của good delegation không phải về AI chút nào — mà là về chính chuyên môn và hiểu biết của bạn về việc bạn đang cố làm." (Dakan & Feller)

Trước khi gõ prompt đầu tiên, trả lời:

1.2 Platform Awareness — Biết từng tool

Claude, ChatGPT, Gemini, Perplexity, Copilot, Cursor... Mỗi tool có điểm mạnh riêng, và landscape thay đổi hàng tháng.

Hỏi mình:

Cảnh báo thực tế: Đừng đi tìm "AI tool hoàn hảo". Không tồn tại. Thay vào đó, làm chủ 2-3 tool cho 2-3 loại task khác nhau. Ví dụ:

1.3 Task Delegation — Chia việc

Đây là câu hỏi cốt lõi: "Trong workflow này, phần nào cho automation? Phần nào augmentation? Phần nào agent? Phần nào chỉ bạn?"

Ví dụ cụ thể — sinh viên làm literature review:

Metaphor từ framework: "Hiệu quả delegation không phải giao vô lăng cho AI rồi thôi. Là chọn thông minh để tận dụng điểm mạnh của cả hai bên."

• Tôi đang cố hoàn thành / tạo ra / giải quyết cái gì cụ thể?
• Vision của tôi là gì? Success trông ra sao?
• Kiểu tư duy nào cần thiết — sáng tạo, phân tích, tổng hợp, phản biện?
• Phần nào đơn giản nhưng tốn thời gian? → automation phù hợp
• Phần nào tôi đang uncertain — thiếu góc nhìn? → augmentation phù hợp
• Phần nào đòi hỏi judgment / taste / values riêng của tôi? → KHÔNG delegate
• Model nào phù hợp công việc của tôi nhất?
• Cái nào ưu tiên speed, cái nào depth?
• Cái nào mạnh reasoning? Cái nào mạnh creative?
• Tôi đã thử chưa? (hands-on > đọc review YouTube)
• Claude → viết dài, phân tích văn bản, reasoning phức tạp
• ChatGPT → nhanh, image generation (DALL-E), voice mode
• Perplexity → research với real-time web + citations
• Cursor / GitHub Copilot → coding trong IDE

┌────────────────────────────────────────────────┐
│                                                │
│   1.1  PROBLEM AWARENESS                       │
│        "Tôi đang giải vấn đề gì?"              │
│                                                │
│   1.2  PLATFORM AWARENESS                      │
│        "AI tool nào giỏi cái gì?"              │
│                                                │
│   1.3  TASK DELEGATION                         │
│        "Chia việc giữa tôi & AI ra sao?"       │
│                                                │
└────────────────────────────────────────────────┘

D2 — Description (Mô tả)

Định nghĩa: Giao tiếp với AI — giải thích task, đặt câu hỏi, cung cấp context, dẫn dắt tương tác.

Hệ quả: cách bạn mô tả quyết định phần lớn chất lượng output.

Description có 3 lớp:

2.1 Product Description — Cái bạn muốn

Ví dụ kém: "Tạo logo cho tôi."

Ví dụ tốt:

Metaphor: Giống như khác nhau giữa bảo ai đó "nấu bữa tối" vs "đưa công thức chi tiết có nguyên liệu và cách nấu."

Rule of thumb: Đọc lại prompt của bạn. Nếu AI có thể interpret theo 3 cách khác nhau, bạn đã mô tả chưa đủ.

2.2 Process Description — Cách tiếp cận

Đây là phần rất ít sinh viên làm được — và là điểm tạo ra sự khác biệt lớn nhất.

Ví dụ kém — toán học:

AI sẽ đưa đáp án = 1 ngay. Bạn xong bài tập, không học được gì.

Ví dụ tốt — toán học:

Key phrase từ framework: "AI đã có training rộng khắp, nhưng bạn đang cung cấp context đặc thù cho tình huống riêng của bạn."

Các cách guide process khác:

2.3 Performance Description — Behavior của AI

Hỏi mình: "Tôi cần kiểu thinking partner nào lúc này?"

• General guidance (như manual)
• Step-by-step (như cookbook)
• Demonstration through examples (show, don't tell)

┌────────────────────────────────────────────────┐
│                                                │
│   2.1  PRODUCT DESCRIPTION                     │
│        "Bạn muốn AI tạo ra cái gì?"            │
│                                                │
│   2.2  PROCESS DESCRIPTION                     │
│        "AI phải tiếp cận bằng cách nào?"       │
│                                                │
│   2.3  PERFORMANCE DESCRIPTION                 │
│        "AI hành xử như kiểu partner gì?"       │
│                                                │
└────────────────────────────────────────────────┘

D3 — Discernment (Phán đoán / Đánh giá)

Định nghĩa: Đánh giá cẩn thận cái AI đưa ra — quality control system của bạn.

Discernment có 3 lớp (song song với Description):

3.1 Product Discernment — Chất lượng output

Với mỗi output AI đưa ra, hỏi:

3.2 Process Discernment — Chất lượng suy luận

AI có thể mắc các lỗi subtle mà output nhìn vẫn "trơn tru":

Ví dụ cụ thể từ framework: Bạn yêu cầu 5 dàn ý bài luận, chọn 1. Sau vài round chỉnh sửa, bạn phát hiện AI đưa lại những ý bạn đã reject ban đầu — trộn vào draft mới. Đây là lúc discernment phải flag: "Khoan, cái này tôi đã loại rồi."

Insight: "Discernment đảm bảo bạn và AI thinking in sync throughout the process, guide AI về đúng vision của bạn."

3.3 Performance Discernment — Chất lượng tương tác

AI đang làm việc với bạn theo cách hiệu quả không?

• Factually accurate không? (Đặc biệt số liệu, tên người, ngày tháng)
• Phù hợp audience + purpose tôi đặt ra?
• Coherent + well-structured?
• Thực sự giải quyết vấn đề tôi đặt ra, hay đang lệch hướng?
• Có add value hay chỉ là filler đẹp-nhưng-rỗng?
• Logical error — nhảy bước, sai suy luận
• Mất attention — miss detail bạn đã nói
• Inappropriate step — dùng method không phù hợp context
• Kẹt vào 1 interpretation — không consider alternatives
• Circular reasoning — claim = evidence
• Đang hỏi quá nhiều khi bạn cần answer nhanh?
• Đang trả lời quá ngắn khi bạn cần depth?
• Phản hồi với feedback của bạn tốt không, hay lại quên?
• Tương tác có efficient hay unnecessarily complex?

┌────────────────────────────────────────────────┐
│                                                │
│   3.1  PRODUCT DISCERNMENT                     │
│        "Output có đúng, có tốt không?"         │
│                                                │
│   3.2  PROCESS DISCERNMENT                     │
│        "AI suy luận có hợp lý không?"          │
│                                                │
│   3.3  PERFORMANCE DISCERNMENT                 │
│        "AI làm việc với tôi có ăn ý không?"    │
│                                                │
└────────────────────────────────────────────────┘

Description-Discernment Loop — Cơ chế trung tâm

Đây là phần quan trọng nhất toàn bộ bài — cơ chế vận hành của AI Fluency trong thực tế.

Khi discernment phát hiện vấn đề, có 2 đường:

Ví dụ đường 2 trong thực tế:

• Đường thường (80% case): Refine description — cung cấp thêm detail, ví dụ, hoặc làm rõ yêu cầu.
• Đường cần suy nghĩ lại (20% case): Rethink delegation — có thể bạn đang dùng sai tool, hoặc tiếp cận vấn đề sai từ đầu.

         ┌──────────────────────────┐
         │                          │
         │     DESCRIPTION          │
    ┌───▶│     (bạn nói)            │
    │    │                          │
    │    └────────────┬─────────────┘
    │                 │
    │                 ▼
    │    ┌──────────────────────────┐
    │    │                          │
    │    │     AI RESPONSE          │
    │    │                          │
    │    └────────────┬─────────────┘
    │                 │
    │                 ▼
    │    ┌──────────────────────────┐
    │    │                          │
    │    │     DISCERNMENT          │
    │    │     (bạn đánh giá)       │
    │    │                          │
    │    └────────────┬─────────────┘
    │                 │
    │                 ▼
    │         phát hiện chưa đúng?
    │                 │
    └─── có ──────────┘
                      │
                      ▼ không → output final
                  DELIVER

D4 — Diligence (Trách nhiệm)

Định nghĩa: Nhận trách nhiệm cá nhân về mọi tương tác và output AI — đảm bảo rigorous, transparent, accountable.

Ba D trước: làm cho AI effective + efficient. Diligence: làm cho AI ethical + safe.

4.1 Creation Diligence — Chọn tool có trách nhiệm

Trước khi paste dữ liệu gì vào AI tool, hỏi:

Ví dụ cụ thể: Bạn có 1 draft luận văn cá nhân, chưa muốn ai đọc. Trước khi paste vào AI tool free:

4.2 Transparency Diligence — Minh bạch với ai, khi nào?

Khi nào phải nói "Tôi đã dùng AI"?

Ví dụ concrete: Bạn draft đề xuất dự án team bằng Claude. Khi gửi team, thêm note: "Initial draft do tôi brainstorm với Claude. Tôi đã edit + fact-check mọi số. Feedback welcome." → Đồng đội không bị bất ngờ, biết cách đọc phù hợp.

4.3 Deployment Diligence — Bạn chịu trách nhiệm

Điểm quan trọng NHẤT:

Checklist trước khi submit / publish / share:

Metaphor cuối cùng — và có lẽ quan trọng nhất:

• Hệ thống này được train thế nào? Dữ liệu gì?
• Ai sở hữu dữ liệu tôi nhập vào? Ai có thể access sau?
• Tôi có đang bảo vệ privacy của mình và người khác không?
• Việc này có align với values cá nhân / policy trường tôi không?
• Tool đó có lưu conversation để train model không? (Claude: có option tắt; ChatGPT free: lưu mặc định)
• Trường bạn có policy cấm dùng AI cho luận văn không?
• Nếu dùng, trường có yêu cầu disclosure không?
• ☐ Fact-check mọi claim có số, tên, ngày
• ☐ Check bias (AI có thể lặp lại stereotype từ training data)
• ☐ Check accuracy của citation (AI hay hallucinate tác giả + paper)
• ☐ Check copyright (AI có thể sinh text quá giống nguồn đã tồn tại)
• ☐ Bạn có thể explain mọi phần của output nếu bị hỏi không?

┌────────────────────────────────────────────────┐
│                                                │
│   4.1  CREATION DILIGENCE                      │
│        "Chọn tool & cách dùng có trách         │
│         nhiệm không?"                          │
│                                                │
│   4.2  TRANSPARENCY DILIGENCE                  │
│        "Minh bạch về vai trò AI với ai?"       │
│                                                │
│   4.3  DEPLOYMENT DILIGENCE                    │
│        "Tôi có đứng ra bảo vệ output được?"    │
│                                                │
└────────────────────────────────────────────────┘

Case studies: 4D trong đời sinh viên thực tế

🎓 Alex — Sinh viên Kinh tế năm 2

Tình huống: Bài research paper 15 trang về "Tác động của microfinance lên xóa đói giảm nghèo ở nông thôn Việt Nam".

Áp dụng 4D:

Kết quả: Điểm A-. Nhận xét: "rigorous methodology, transparent use of AI". Professor gọi phỏng vấn research assistant mùa sau.

💻 Minh — Sinh viên CS năm 3

Tình huống: Debug một đoạn Python 200 dòng trong project cuối kỳ, không chạy được, deadline 48h.

Áp dụng 4D:

Kết quả: Project chạy 2 tiếng trước deadline. Gặp bug cùng pattern ở bài sau, fix trong 5 phút. Kiến thức stick.

📚 Linh — Sinh viên Luật năm 4

Tình huống: Chuẩn bị thi vấn đáp về "Quyền riêng tư dữ liệu trong EU AI Act".

Áp dụng 4D:

Kết quả: 9/10 môn. Professor nhận xét: "Em giải thích tự nhiên, không như đọc script."

🎨 Hương — Sinh viên Design năm 1

Tình huống: Làm portfolio site cá nhân đầu tiên, không biết code.

Áp dụng 4D:

Kết quả: Site launch trong 2 ngày. 3 inquiry freelance trong tuần đầu.

🔬 Trang — Nghiên cứu sinh Sinh học năm 1

Tình huống: Viết grant proposal xin 5M VND cho pilot study về vi khuẩn đất.

Áp dụng 4D:

Kết quả: Proposal được duyệt. Reviewer nhận xét "anticipated challenges well".

• Delegation: Literature search → automation (Claude + Perplexity). Critical argument & policy recommendation → solo. Data viz → augmentation.
• Description: "Tìm 15 peer-reviewed paper sau 2015 về microfinance ở Đông Nam Á. Format: author, year, key finding, methodology. Ưu tiên paper có quantitative data từ Vietnam/Cambodia."
• Discernment: 3/15 paper Claude đưa ra thực chất không tồn tại (hallucination). Alex verify bằng Google Scholar, loại 3, bổ sung 5 paper khác.
• Diligence: Trong methodology section ghi rõ: "Literature search hỗ trợ bởi Claude 4.5; mọi citation đã verified independently qua Google Scholar."
• Delegation: Augmentation — dùng Claude làm rubber duck debugger (kỹ thuật debug bằng cách giải thích từng dòng code cho "con vịt nhựa" — khi phải articulate rõ logic, bug thường tự lộ ra), không để Claude fix hộ.
• Description: Paste full code + error log. Prompt: "Đừng fix giùm. Hỏi tôi câu hỏi Socratic giúp tôi tự tìm ra bug."
• Discernment: Claude đề xuất vấn đề ở dòng 47 (list mutation). Minh check → không phải. Hóa ra ở dòng 23 (scope conflict). Không follow Claude mù quáng.
• Diligence: Fix xong, viết unit test cover case đó. Trong code comment: "Pattern: list mutation during iteration — learned from earlier debug session with Claude."
• Delegation: AI làm tutor — không cho biết đáp án, chỉ quiz và feedback.
• Description: "Quiz tôi 20 câu multiple choice về EU AI Act 2024. Sau mỗi câu, giải thích cả đáp án đúng lẫn vì sao các đáp án sai sai. Đừng move on cho đến khi tôi trả lời."
• Discernment: Kiểm tra 2 claim của Claude bằng văn bản chính thức EU AI Act 2024 — tìm thấy Claude dùng draft 2023 thay vì final 2024 cho một số điều khoản. Flag, bảo Claude sửa.
• Diligence: Thi vấn đáp không mang laptop, không có AI. Kiến thức phải là của Linh. Note tay + flashcard thủ công.
• Delegation: Code HTML/CSS scaffolding → automation. Concept + art direction + copy → solo. Debug responsive → augmentation.
• Description: "Portfolio site tối giản, dark mode. 3 sections: Work, About, Contact. Font: Inter cho body, Space Grotesk cho heading. Không animation effect phức tạp. Tạo HTML + CSS thuần, không framework."
• Discernment: Claude generate CSS dùng float (outdated kỹ thuật). Hương mở Codepen thử, thấy layout lỗi mobile → bảo Claude dùng Flexbox thay thế.
• Diligence: Trong footer: "Built with Claude (code scaffolding) · Designed & curated by Hương Nguyễn 2026."
• Delegation: Background literature review → automation. Methodology thiết kế experiment → solo (phải là expertise của Trang). Budget justification → augmentation.
• Description: "Tôi có draft methodology đây. Hãy đọc và đưa ra 5 câu hỏi reviewer khó tính sẽ hỏi. Không sửa — chỉ critique."
• Discernment: Claude đưa 5 câu. Trang thấy 2 câu là valid (về control group + sample size), 3 câu là AI nhầm về context (dùng pattern từ ngành khác).
• Diligence: Khi submit proposal, ghi trong cover letter: "Methodology designed by me. Reviewed + critiqued with Claude. Budget estimates calculated independently using [tool]."

Anti-patterns — Những sai lầm điển hình của sinh viên

❌ Anti-pattern 1: "AI Automation Addiction"

Biểu hiện: Mọi task đều gõ "viết giùm tôi..." hoặc "giải giùm tôi...".

Tại sao tệ: Kiến thức không chuyển vào đầu. Đến exam / interview / discussion, rỗng. Theo Anthropic Education Research, 47% tương tác của sinh viên với Claude là transactional với little engagement — dùng để xong bài, không phải để học.

Cách đúng: Trước mỗi prompt, hỏi bản thân: "Tôi đang học hay đang né?" Nếu né → dừng. Chuyển sang augmentation mode.

❌ Anti-pattern 2: "Copy-paste không đọc"

Biểu hiện: AI trả về 2.000 từ, bạn đọc lướt, paste vào assignment, submit.

Tại sao tệ: AI có thể sai (hallucination). Bạn chịu trách nhiệm, không phải AI. Professor phát hiện trong 10 giây — điểm 0 + vi phạm học thuật.

Cách đúng: Đọc từng câu. Edit ít nhất 30%. Xác nhận bạn có thể defend mọi câu nếu bị hỏi.

❌ Anti-pattern 3: "Tin AI như tin giáo viên"

Biểu hiện: AI nói gì cũng tin. Không verify.

Tại sao tệ: AI có hiện tượng sycophancy — có xu hướng trả lời cái bạn muốn nghe hơn là cái đúng. "AI có thể rất confident hoặc nói những điều nghe realistic. Nhưng khả năng discern của con người được build dựa trên cách ta discern con người khác — không áp dụng 1-1 vào AI được." (Anthropic researcher)

Cách đúng: Với mọi claim có số / tên / fact cụ thể → double-check với source uy tín. Đặc biệt: paper citation, tên nhân vật lịch sử, số liệu thống kê.

❌ Anti-pattern 4: "Giấu việc dùng AI"

Biểu hiện: Nộp bài AI-assisted. Khi professor hỏi "em tự viết?", trả lời "em tự viết hết".

Tại sao tệ: Vi phạm transparency diligence. Nếu bị phát hiện (mà trường bây giờ có AI detector): vi phạm academic integrity → có thể bị đuổi học.

Cách đúng: Biết policy trường. Không chắc → ASK professor trước khi nộp, không phải sau. Disclose theo format trường yêu cầu.

❌ Anti-pattern 5: "Chọn AI tool ngẫu nhiên"

Biểu hiện: Dùng bất cứ AI tool nào trending trên TikTok tuần này, không check privacy policy.

Tại sao tệ: Mỗi tool có data retention + model + capability khác nhau. Tool free đôi khi dùng data bạn nhập để train — luận văn cá nhân của bạn có thể xuất hiện trong output của người khác sau này.

Cách đúng: Làm chủ 2-3 tool chính. Check privacy policy. Data nhạy cảm (luận văn, thông tin cá nhân, medical) → dùng tool có privacy commitment rõ (Claude Pro với zero data retention, ChatGPT với data controls off).

❌ Anti-pattern 6: "Over-describe đến mức tê liệt"

Biểu hiện: Học được lesson "description quan trọng", giờ viết prompt dài 500 từ cho mỗi task, kể cả task đơn giản.

Tại sao tệ: Lãng phí thời gian. AI confuse khi context không cần thiết quá nhiều.

Cách đúng: Scale description theo complexity. Task đơn giản: prompt ngắn. Task phức tạp: prompt chi tiết. Rule of thumb: prompt dài bằng 10-20% output kỳ vọng.

Áp dụng ngay: Tạo Learning Context Document

Đây là exercise nền tảng nhất của khóa — document bạn tạo ở bài này sẽ được tái sử dụng trong mọi bài sau.

Bài tập: Build Your Learning Context Document (~25 phút)

Bước 1: Self-reflection (5 phút — offline, không dùng AI)

Mở file note (Google Doc, Notion, hoặc giấy) và ghi trả lời:

A. Bối cảnh học tập

B. Phong cách học

C. Kinh nghiệm AI

Bước 2: Tạo document cùng Claude (15 phút)

Mở Claude (hoặc AI tool ưa thích), gõ prompt sau (paste reflection của bạn vào chỗ [PASTE...]):

Trả lời mọi câu hỏi follow-up honestly. Càng cụ thể càng tốt.

Bước 3: Finalize (5 phút)

Reflection sau bài tập

Tự hỏi:

• Ngành / năm / môn đang học? ___________
• Môn mạnh nhất của tôi? ___________
• Môn yếu nhất của tôi? ___________
• Kiểu assignment tôi thường làm (essay, problem set, lab, project)? ___________
• Mục tiêu học kỳ này? ___________
• Mục tiêu dài hạn (sau tốt nghiệp)? ___________
• Tôi học tốt nhất khi nào — visual (sơ đồ, video), verbal (đọc, viết), hands-on (làm thực tế)? ___________
• Phần nào của học tập tôi thấy khó nhất? ___________
• Nơi tôi thường cần hỗ trợ nhất? ___________
• Điều gì motivate tôi học qua những lúc khó? ___________
• Tôi đã dùng AI tool gì? (Claude, ChatGPT, Gemini...) ___________
• Cảm giác tổng quát về chúng? ___________
• Concern lớn nhất về dùng AI trong học tập? ___________
• Tôi hy vọng AI giúp tôi đạt gì academically? ___________
• Ranh giới tôi muốn đặt — việc nào tuyệt đối không để AI làm? ___________
• Review document Claude synthesize
• Edit tay — đảm bảo tiếng nói của bạn không bị AI homogenize
• Save ở nơi dễ access: Google Drive / Notion / file .md cá nhân
• Đặt tên: learning-context-[tên-bạn].md
• Ghi thêm ngày tạo để sau biết review cập nhật
• Điều gì bất ngờ khi phải articulate nhu cầu học của tôi?
• Document này sẽ cải thiện tương tác AI của tôi ra sao trong các bài sau?
• Ranh giới nào tôi đã đặt mà trước đây không rõ?

Tóm tắt bài học

🎯 AI Fluency = effective + efficient + ethical + safe — không phải thuộc lòng prompt

🎯 3 chế độ tương tác: Automation (AI làm thay) · Augmentation (cùng làm — trái tim của fluency) · Agency (AI tự chạy theo vision của bạn)

🎯 4D Framework: Delegation (phân giao) → Description (mô tả) → Discernment (đánh giá) → Diligence (trách nhiệm). Ba D đầu về hiệu quả, D cuối về đạo đức

🎯 Description-Discernment Loop là cơ chế trung tâm — tương tác thật là vòng lặp nhỏ, không phải 1-shot

🎯 Bạn — không phải AI — chịu trách nhiệm cho output cuối. Mọi lúc. Mọi hoàn cảnh

🎯 Learning Context Document là công cụ nền — build 1 lần, reuse cho mọi cuộc trò chuyện AI học tập