226
BỐI CẢNH NGHIÊN CỨU VỀ TRÍ TUỆ NHÂN TẠO VÀ E-LEARNING:
PHƯƠNG PHÁP TRẮC LƯỢNG THƯ MỤC KHOA HỌC
Đặng Thị Thảo Ly1, Nguyễn Phạm Thiên Kim1, Hồ Thị Bảo Uyên1,
Thiều Hồng Huệ1, Vũ Tuấn Trường1, Phan Lê Hồ1
Email: ly.dtt@ou.edu.vn
Tóm tắt: Khi nhiều tổ chức giáo dục tích hợp trí tuệ nhân tạo vào chương trình đào
tạo của họ, việc áp dụng trí tuệ nhân tạo trong đào tạo trực tuyến (e-learning) trở thành một
đề tài nghiên cứu sôi động trong những năm gần đây. Trải qua vài thập kỷ, sự quan trọng
của đào tạo trực tuyến ngày càng được khẳng định trong nhiều lĩnh vực như công nghệ giáo
dục, STEAM, AR/VR. Để hiểu rõ hiệu quả của các xu hướng nghiên cứu trong lĩnh vực này,
việc phân tích trắc lượng thư mục khoa học có hệ thống có thể giải quyết vấn đề này bằng
cách cung cấp thông tin về xu hướng xuất bản và mức độ liên quan của chúng trong các chủ
đề khác nhau. Bài viết này tổng hợp các nghiên cứu từ năm 2010 đến năm 2024 về việc sử
dụng trí tuệ nhân tạo kết hợp với đào tạo trực tuyến để phân tích. Tổng cộng, 174 bài báo
đã được thu thập để phân tích về các quốc gia, trường đại học, tác giả, tạp chí và ấn phẩm
đạt trình độ cao trong việc áp dụng trí tuệ nhân tạo kết hợp với học trực tuyến bằng
VOSviewer, thông qua việc thu thập dữ liệu từ WOS. Ngoài ra, việc tạo bản đồ đồng trích
dẫn (Co-citation) và đồng xuất hiện (co-occurrence) đã được thực hiện thông qua phân tích
bản đồ kiến thức. Mục tiêu chính của nghiên cứu này là cung cấp cái nhìn tổng quan về các
xu hướng và hướng đi trong lĩnh vực trí tuệ nhân tạo và đào tạo trực tuyến để giúp các nhà
nghiên cứu hiểu được xu hướng toàn cầu và hướng nghiên cứu trong tương lai.
I. Giới thiệu
Việc tích hợp công nghệ và chuyển đổi số vào quá trình giảng dạy đã trở thành một
phần không thể thiếu của môi trường giáo dục trong những năm gần đây (Martins và
Kellermanns, 2004; Teo, 2016; Huang và cộng sự, 2020). Sự phát triển không ngừng của
công nghệ thông tin không chỉ thúc đẩy việc chuyển đổi các chương trình học từ hình thức
truyền thống sang hình thức trực tuyến (Lin và cộng sự, 2021; Wang và cộng sự, 2021), mà
còn đòi hỏi các trường đại học và giảng viên sử dụng đa dạng công nghệ học tập trực tuyến
để hỗ trợ quá trình giảng dạy (Mulder, 2013). Cụ thể, việc tích hợp mạng không dây, công
nghệ cảm biến và di động vào lĩnh vực giáo dục đã tạo ra những thay đổi đột phá trong quá
trình giảng dạy và học tập (Tang và cộng sự, 2021), và đã dẫn tới sự hình thành khái niệm
đào tạo trực tuyến (e-learning). So với hình thức giáo dục truyền thống, đào tạo trực tuyến
mang lại nhiều ưu điểm hơn (Piccoli và cộng sự, 2001). Ví dụ, sự tương tác tự do giữa người
1 Trường Đại học Mở Thành phố Hồ Chí Minh, Hồ Chí Minh
227
học và giảng viên hoặc giữa những người học với nhau đã được tạo điều kiện thuận lợi hơn
bao giờ hết, và những hạn chế về thời gian và không gian trong cả mô hình học tập không
đồng bộ và đồng bộ đều đã được giảm bớt (Trentin, 1997; Katz, 2000, 2002).
Để hoạt động hiệu quả, hệ thống đào tạo trực tuyến cần cung cấp nội dung học tập,
hướng dẫn học tập, các phản hồi, lộ trình hoặc giao diện học tập phù hợp hoặc được cá nhân
hóa tốt hơn (Hwang, 2014; Rastegarmoghadam và Ziarati, 2017; Conde et al., 2020). Trí tuệ
nhân tạo, một công nghệ mới nổi, đã được khám phá rộng rãi trên toàn thế giới trong vài
thập kỷ qua và việc áp dụng trí tuệ nhân tạo trong đào tạo trực tuyến (Artificial Intelligence
in E-learning - AIEL) cũng là một vấn đề đáng quan tâm (Tang và cộng sự, 2021), đặc biệt
là ứng dụng của nó trong nhiều lĩnh vực. Ví dụ, Hwang và Tu (2021) đã tổng hợp các tài liệu
về ứng dụng trí tuệ nhân tạo trong giáo dục toán học. Trí tuệ nhân tạo cho phép sinh viên
tương tác với bệnh nhân ảo và thu thập thông tin chẩn đoán cũng như phản hồi của bệnh
nhân cụ thể trong lĩnh vực giáo dục y tế (Khumrin và cộng sự, 2017). Mô hình mạng lưới
thần kinh của trí tuệ nhân tạo cũng có thể được sử dụng trong giáo dục khoa học (Iyanda và
cộng sự, 2018). Ngoài ra, các nhà nghiên cứu cũng đã nghiên cứu ứng dụng trí tuệ nhân tạo
trong học tập trực tuyến từ các góc độ khác. Chẳng hạn, García và cộng sự (2007), đã sử
dụng trí tuệ nhân tạo để xác định tính không đồng nhất trong phong cách học tập của sinh
viên. Osmanbegovic và Suljic (2012) đã sử dụng phương pháp khai thác dữ liệu để dự đoán
kết quả học tập của sinh viên. Một số học giả cũng đã sử dụng các thuật toán mới (Kurilovas
và cộng sự, 2015) và các mô hình (Ben Ammar và cộng sự, 2010; Caputi và Garrido, 2015)
để phát triển hệ thống học tập trực tuyến.
Hiện nay, có nhiều bài nghiên cứu về tổng quan tài liệu liên quan đến lĩnh vực ứng
dụng trí tuệ nhân tạo trong đào tạo trực tuyến (Artificial Intelligence in E-learning - AIEL),
nhưng các bài nghiên cứu này tập trung vào một chuyên ngành cụ thể; ví dụ như nghiên cứu
Hwang và Tu năm 2021 về Toán học, hoặc một lĩnh vực nhất định (Chan-Olmsted, 2019;
George và Lal, 2019). Tang và cộng sự (2021) đã tiến hành một đánh giá có hệ thống và
phân tích đồng trích dẫn (Co-cited network analysis) về xu hướng ứng dụng trí tuệ nhân tạo
trong đào tạo trực tuyến. Tuy nhiên, đại dịch COVID-19 vào đầu năm 2020 đã thúc đẩy sự
thay đổi nhanh chóng trong cách thức triển khai giảng dạy truyền thống và đào tạo kết hợp
(Jin và cộng sự, 2021; Lin và cộng sự, 2021; Mo và cộng sự, 2021). Mặc dù một số nghiên
cứu đã thảo luận về ứng dụng trí tuệ nhân tạo trong đào tạo trực tuyến nhưng chỉ tập trung
vào phân tích đồng trích dẫn (Hwang và Tu, 2021; Tang và cộng sự, 2021); cũng như không
đề cập đến việc phát triển ứng dụng trí tuệ nhân tạo trong giảng dạy ở các thời điểm khác
nhau và xu hướng ứng dụng trí tuệ nhân tạo trong đào tạo trực tuyến trong thời kỳ đại dịch.
Hơn nữa, họ cũng chưa tìm hiểu xu hướng phát triển tiềm năng của ứng dụng trí tuệ nhân
tạo trong đào tạo trực tuyến sau đại dịch.
Như đã đề cập, nghiên cứu này đã phân tích và tổng hợp các nghiên cứu về ứng dụng
AIEL từ năm 2010 đến năm 2023. Việc chọn năm 2010 làm điểm khởi đầu cho nghiên cứu
228
chính là do nhóm nghiên cứu của Hinton đã thành công trong việc sử dụng mạng thần kinh
tích chập AlexNet để đoạt giải trong cuộc thi nhận dạng hình ảnh ImageNet vào năm 2012,
đánh dấu sự xuất hiện đầy tiềm năng của học sâu (deep learning) và thu hút sự chú ý của
cộng đồng nghiên cứu (Hinton và cộng sự, 2012; Krizhevsky và cộng sự, 2012). Từ thời
điểm này, nghiên cứu về trí tuệ nhân tạo đã bắt đầu phát triển mạnh mẽ, thúc đẩy nhiều lĩnh
vực nghiên cứu, trong đó có lĩnh vực giáo dục, với sự kết nối của tri thức tần số cao liên
quan đến trí tuệ nhân tạo.
Bằng việc sử dụng phương pháp đo tường tổng quan tài liệu (literature metrology
method), nghiên cứu này đã phân tích các nghiên cứu trong khoảng thời gian đã chọn và
trích xuất các thông tin quan trọng như tạp chí xuất bản định kỳ, tác giả, tổ chức, quốc gia,
năm, từ khóa và tài liệu tham khảo trong các ấn phẩm học thuật. Từ đó, một bản đồ mạng
lưới kiến thức được hình thành và cung cấp tài liệu tham khảo cho các nhà nghiên cứu và
thực hành có liên quan.
Các câu hỏi nghiên cứu được đặt ra trong nghiên cứu này là:
• Ai là các tác giả chính có các bài nghiên cứu được xuất bản trong lĩnh vực AIEL
và họ làm việc ở tổ chức nào?
• Những loại hình tạp chí và từ khóa chính nào được sử dụng trong lĩnh vực AIEL
và mối liên hệ cũng như sự khác biệt giữa chúng là gì?
• Đồng trích dẫn (co-citation) của tài liệu AIEL là gì? Dòng nghiên cứu được tham
khảo chéo thường xuyên nhất (cross-referenced research streams) về lĩnh vực này trong
khoảng thời gian đã chọn là gì? Cấu trúc trực quan của tài liệu AIEL chính từ quan điểm của
các bài báo này là gì?
Nghiên cứu này sẽ được tổ chức thành các phần sau:
• Tổng quan tài liệu: cung cấp một cái nhìn tổng quan về các tài liệu được sử dụng
trong nghiên cứu.
• Phương pháp nghiên cứu: mô tả phương pháp được sử dụng trong quá trình nghiên cứu.
• Kết quả nghiên cứu: trình bày và phân tích các kết quả từ dữ liệu thu thập được.
• Thảo luận và kết luận: thảo luận về các kết quả và rút ra các kết luận từ nghiên cứu.
II. Tổng quan tài liệu
2.1. Trí tuệ nhân tạo (Artificial Intelligence)
Trí tuệ nhân tạo, một nhánh của khoa học máy tính, được định nghĩa là lý thuyết và
sự phát triển của hệ thống máy tính có khả năng thực hiện các nhiệm vụ đòi hỏi trí thông
minh của con người (Miyazawa, 2019). Lĩnh vực nghiên cứu này tập trung vào các tác nhân
thông minh (intelligent agents) và bất kỳ thiết bị nào có khả năng cảm nhận được môi trường
229
và hành động để tối đa hóa cơ hội thành công ở một mục tiêu nhất định (Song và Wang,
2020). Các nghiên cứu đã mô tả trí tuệ nhân tạo như một hệ thống tư duy hợp lý, hành vi
hợp lý hoặc cả hai (Kok và cộng sự, 2009).
Nhiều công nghệ liên quan đã được tích hợp vào trí tuệ nhân tạo để mô phỏng quá
trình suy nghĩ và hành vi thông minh của con người, bao gồm mạng thần kinh nhân tạo
(neural networks), hệ thống chuyên gia (expert systems), học sâu (deep learning), học máy
biểu tượng (symbolic machine learning), nhận dạng giọng nói (speech recognition), nhận
dạng hình ảnh (image recognition), xử lý ngôn ngữ tự nhiên (natural language processing)
và phân tích thống kê (statistical analysis) (Lu và Yang, 2018). Trí tuệ nhân tạo đã đạt được
tiến bộ đáng kể và được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau trên thế giới, như
y tế (He et al., 2019), giáo dục (Li và Wang, 2020), nghiên cứu khoa học (Iyanda và cộng
sự, 2018), tâm lý học (Latham et al., 2012), và toán học (Kok et al., 2009; Colchester và
cộng sự, 2017).
Kể từ năm 2012, nghiên cứu về trí tuệ nhân tạo đã mở rộng ra nhiều hơn (Hinton và
cộng sự, 2012; Krizhevsky và cộng sự, 2012). Với lợi thế về không gian và thời gian cùng
khả năng xử lý dữ liệu, trí tuệ nhân tạo đã trở thành một nguồn tài nguyên quan trọng trong
phân tích dữ liệu lớn (Song và cộng sự, 2020). Trong lĩnh vực giáo dục, ứng dụng trí tuệ
nhân tạo như một xu hướng mới nhằm cải thiện hiệu quả giao tiếp giáo dục và cung cấp hệ
thống giảng dạy kết hợp với đánh giá cá nhân hóa cho sinh viên (Tang và cộng sự, 2021).
Điều này đã dẫn đến sự phát triển của các ứng dụng trí tuệ nhân tạo quy mô lớn kết hợp với
giáo dục trực tuyến, tạo ra nền tảng học tập toàn diện với trình tự học và quá trình đánh giá
mạch lạc (Vílchez-Román và cộng sự, 2020). Bằng cách sử dụng công nghệ khai thác dữ
liệu (Hu và cộng sự, 2014), các hệ thống có khả năng cảnh báo sớm về hiệu suất học tập của
sinh viên. Hơn nữa, các mô hình thiết kế giáo dục đa chiều đã được phát triển, tạo ra môi
trường học tập thích ứng cho các chương trình giáo dục linh hoạt, với việc xử lý dữ liệu văn
bản và cung cấp gợi ý kiến thức phù hợp cho người học (Tarus và cộng sự, 2017). Kết hợp
trí tuệ nhân tạo với học trực tuyến cho phép cá nhân hóa quá trình học tập, phù hợp với trình
độ kiến thức, tính cách và cảm xúc của từng sinh viên. Đồng thời, nó cũng hữu ích trong
việc đào tạo giảng viên, cập nhật kiến thức, phát triển chuyên môn và kỹ năng của họ
(Kavitha và Lohani, 2019).
2.2. Phương pháp trắc lượng thư mục khoa học bằng bản đồ kiến thức
Việc lập bản đồ kiến thức (Knowledge Mapping) đánh dấu một bước tiến mới trong
lĩnh vực đo lường khoa học (Bibliometrics) và đo lường thông tin (informetrics), dựa trên
các nghiên cứu và ứng dụng giao thoa giữa toán ứng dụng, khoa học thông tin và khoa học
máy tính (Chen, 2006, 2017). Trong những năm gần đây, ngày càng nhiều nhà nghiên cứu
sử dụng các công cụ lập bản đồ kiến thức khác nhau để phân tích xu hướng và quá trình phát
triển trong một số lĩnh vực. CiteSpace và VOSviewer là hai công cụ quan trọng trong việc
230
trực quan hóa và nghiên cứu đo lường thư mục khoa học cũng như nghiên cứu khoa học đồ
họa hoặc các lĩnh vực khác liên quan đến khoa học (Song và cộng sự, 2020). So sánh giữa
hai công cụ này, VOSviewer có độ chính xác cao hơn trong thuật toán phân cụm, trong khi
CiteSpace thì xuất sắc hơn trong việc biểu diễn quá trình tiến hóa và thường có ưu điểm là
hình ảnh rõ ràng và dễ hiểu hơn. Do đó, nghiên cứu này chọn sử dụng phần mềm VOSviewer
để phân tích trích dẫn, đồng trích dẫn và các từ khóa được tác giả sử dụng phổ biến nhất
trong các bài viết (Hwang và Tu, 2021). VOSviewer là một chương trình cho phép xây dựng
và thể hiện bản đồ thư mục (bibliomapies) của các tài liệu nghiên cứu.
Phần mềm được phát triển bởi van Eck và Waltman (2010) chủ yếu được áp dụng để
xây dựng bản đồ tài liệu nghiên cứu và quan hệ đồng tác giả, cũng như thực hiện phân tích
đồng trích dẫn (co-citation analysis) và phân tích liên kết tài liệu (literature coupling
analysis). Khác với nhiều chương trình khác trong lĩnh vực đo lường thư mục, VOSviewer
tập trung vào việc trình bày đồ họa của thư mục và đóng vai trò quan trọng trong việc tạo ra
bản đồ trắc lượng thư mục lớn nhờ tính dễ hiểu của nó (van Eck và Waltman, 2010). Đặc
biệt, VOSviewer có khả năng khai thác văn bản và xây dựng một mạng lưới các thuật ngữ
quan trọng trong các tài liệu (Flis và van Eck, 2018), đóng vai trò không thể thay thế trong
việc khám phá các bài nghiên cứu theo trình tự thời gian. Vì vậy, nó đã được sử dụng rộng
rãi trong các đánh giá trắc lượng thư mục trong nhiều lĩnh vực khác nhau trong suốt nhiều
thập kỷ: từ nghiên cứu về phần mềm khoa học dựa trên liên kết (Orduna-Malea và Costas,
2021), xu hướng phát triển của nghiên cứu về rác thải điện tử (Corsini và cộng sự, 2012),
đến sự tiến bộ trong khoa học chính trị châu Âu (Mas-Verdu và cộng sự, 2021), phân tích
xu hướng tài chính toàn diện (Gálvez-Sánchez và cộng sự, 2021), khám phá quá trình ra
quyết định của các trường đại học sử dụng công nghệ phân tích trực quan (Vílchez-Román
và cộng sự, 2020), đến việc phân tích xu hướng trong lĩnh vực khoa học thông tin và thư
viện (Song và cộng sự, 2020). Dựa trên các kết quả từ các nghiên cứu trước đó, có thể thấy
rằng hầu hết các nghiên cứu đã sử dụng công cụ VOSviewer để khám phá các vấn đề liên
quan đến phân tích đồng trích dẫn và liên kết trong tài liệu (xem Bảng 1).
Bảng 1. Chủ đề nghiên cứu sử dụng trắc lượng thư mục
Tác giả (Năm)
Nội dung
Khu vực nghiên cứu
Van Eck và
Waltman (2017)
Cung cấp các giải pháp để phân cụm và phân
tích trắc lượng thư mục của các ấn phẩm khoa
học
Cụm ấn phẩm khoa
học
Donthu et al.
(2020)
Phân tích ảnh hưởng, các chủ đề nổi bật, và
các tác giả, tổ chức, cũng như quốc gia có
nhiều ấn phẩm nhất của tạp chí JBR, và chia
các ấn phẩm JBR thành sáu cụm để mô tả mối
quan hệ giữa các tác giả, cũng như sự kết nối
giữa họ với tổ chức và quốc gia.
Tạp chí Journal of
Businesss Reaesrch
Zou et al. (2018)
Thăm dò một nền tảng kiến thức trực quan,
Lập bản đồ nghiên
