Điểm chung của các công cụ này là trẻ không cần hiểu sâu về lập trình, không phải sử dụng mô hình ngôn ngữ lớn (LLM), mà vẫn có thể trực tiếp trải nghiệm quy trình huấn luyện một hệ thống AI – từ cung cấp dữ liệu, dán nhãn, đến quan sát mô hình hoạt động và phản hồi.
Ở tiểu học, việc dạy trí tuệ nhân tạo (AI) không thể và không nên tập trung vào kỹ thuật. Mục tiêu của giáo dục AI giai đoạn này là giúp học sinh hiểu AI "học" như thế nào, thấy được vai trò của dữ liệu, và hình thành thái độ phản biện và có trách nhiệm khi sử dụng AI.
Trong khi các hoạt động AI không thiết bị (đã được nói tới ở bài trước) như Huấn luyện robot đoán màu hay Máy phân loại hình dạng cho phép học sinh nắm bắt khái niệm bằng trò chơi đóng vai, thì các mô hình mô phỏng (simulation tools) lại cho phép trẻ trực tiếp thao tác với "AI thật" trong môi trường an toàn, trực quan, và có kiểm soát.
Đây chính là cách chuyển dịch từ thao tác với AI sang thông hiểu AI (AI literacy) – một xu hướng đang được OECD và Ủy ban châu Âu coi là trụ cột trong chương trình giáo dục công nghệ thế hệ mới.
Ba công cụ tiêu biểu
Để giúp trẻ "huấn luyện" AI an toàn và trực quan, hiện có ba công cụ tiêu biểu:
AI for Oceans - Học máy qua trò chơi
Do Code.org thiết kế cho trẻ từ 6 tuổi trở lên, AI for Oceans cung cấp môi trường học mô phỏng một đại dương ảo, nơi học sinh cần giúp "robot dọn rác" bằng cách huấn luyện AI phân biệt giữa "cá" và "rác thải".
Quy trình huấn luyện được đơn giản hóa thành ba bước: (1) Trẻ xem loạt hình ảnh, (2) Dán nhãn "Cá" hoặc "Rác", (3) Sau đó để AI tự học và thử nghiệm mô hình.
Khi AI phân loại sai (ví dụ: cho rằng túi nilon là cá), học sinh thảo luận về nguyên nhân: "Dữ liệu chưa đủ?", "Có hình bị gán nhãn sai?", "AI cần thêm ví dụ?".
Chính ở khoảnh khắc ấy, học sinh trải nghiệm trực tiếp bản chất của học máy (machine learning): máy chỉ "thông minh" bằng dữ liệu mà nó học được.
Mô hình này có bốn giá trị sư phạm quan trọng. Thứ nhất, nó giúp trẻ hiểu vai trò của dữ liệu và chất lượng dữ liệu. Thứ hai, giới thiệu quy trình huấn luyện mô hình (train – test – evaluate) mà không cần một dòng mã lệnh. Thứ ba, khơi gợi ý thức đạo đức: vì AI "học theo người", nên nếu con người gán nhãn sai hoặc thiên lệch, máy cũng sẽ thiên lệch. Và cuối cùng, không chỉ là trò chơi, AI for Oceans minh chứng cho triết lý giáo dục mới: AI có thể
Teachable Machine - Học máy qua hình ảnh và âm thanh
Nếu AI for Oceans tập trung vào dán nhãn thì Teachable Machine của Google giúp học sinh trải nghiệm toàn bộ vòng đời của một mô hình AI, từ thu thập dữ liệu, huấn luyện, kiểm tra đến triển khai.
 |
Trải nghiệm vòng đời của một mô hình AI với công cụ Teachable Machine của Google. Nguồn: iStock |
Công cụ này dựa trên nền tảng web, không cần cài đặt và đặc biệt không thu thập dữ liệu người dùng, phù hợp với môi trường học đường.
Học sinh bắt đầu với AI for Oceans bằng cách tự tạo một mô hình nhận dạng cử chỉ tay. Tiếp theo, các em thu thập ảnh "tay nắm" (class 1) và "tay mở" (class 2); nhấn nút "Train" để huấn luyện mô hình; và sau đó giơ tay thật trước camera để xem AI nhận dạng đúng hay sai.
Khi AI nhận nhầm (ví dụ, ánh sáng yếu khiến mô hình hiểu sai), trẻ được hướng dẫn đưa thêm dữ liệu, điều chỉnh góc chụp – chính là hành vi "tinh chỉnh mô hình" (fine-tuning) ở cấp độ trẻ em.
Về mặt sư phạm, Teachable Machine đem lại cho trẻ năng lực tư duy dữ liệu (các em hiểu dữ liệu đầu vào ảnh hưởng trực tiếp đến đầu ra); tư duy phản biện (ác em tự kiểm định và cải thiện mô hình); và tư duy sáng tạo (các em có thể dùng mô hình cho trò chơi, âm nhạc hoặc nghệ thuật).
Như vậy, công cụ không dạy trẻ "lập trình AI", mà dạy cách AI "nhìn" và "nghe" thế giới – một hình thức học liên ngành giữa khoa học, nghệ thuật và đạo đức công nghệ.
Machine Learning for Kids – AI trở thành nhân vật trong câu chuyện
Nếu hai công cụ nêu trên tập trung vào hình ảnh và âm thanh, thì Machine Learning for Kids (ML4K) – do IBM phát triển – giúp học sinh xây dựng ứng dụng AI thực tế bằng giao diện kéo-thả Scratch (MIT Media Lab). Nó là một nền tảng web hoàn toàn miễn phí, kết hợp ba thành phần.
Thứ nhất là môi trường huấn luyện (Training Environment), nơi học sinh tạo "dự án" (project) mới và chọn loại mô hình muốn huấn luyện: Nhận dạng văn bản (Text Recognition); Phân loại hình ảnh (Image Classification); hay Nhận dạng số hoặc âm thanh (Numbers/Sounds).
Mỗi dự án đều có giao diện cực kỳ đơn giản: hai hoặc nhiều "nhóm dữ liệu" (classes). Học sinh thêm ví dụ bằng cách tự nhập dữ liệu hoặc tải lên hình ảnh.
Thứ hai là quá trình huấn luyện (Training). Sau khi nhập đủ dữ liệu (ví dụ 20–30 ví dụ cho mỗi lớp), học sinh nhấn "Train new machine learning model". Hệ thống IBM Watson chạy huấn luyện trong vài chục giây và trả về mô hình đã học.
Thứ ba, tích hợp với môi trường lập trình (Integration): ML4K kết nối trực tiếp với Scratch hoặc Python. Học sinh dùng khối lệnh đặc biệt như: "Ask the machine learning model to predict text", "If the model says ... then ..." để gọi mô hình vừa huấn luyện vào chương trình Scratch.
Điều đặc biệt là mọi dữ liệu đều được quản lý nội bộ, chỉ phục vụ mục đích học tập. Nhờ đó, học sinh được học một khái niệm quan trọng: AI không chỉ phân loại hình ảnh – nó còn có thể hiểu ngôn ngữ, cảm xúc, và phục vụ giao tiếp.
Từ góc độ giáo dục, ML4K là một bước nối giữa tư duy điện toán và tư duy nhân văn: trẻ vừa học cách ra lệnh cho máy, vừa học cách làm cho máy "hiểu" con người hơn.
Các ví dụ trên cho thấy giảng dạy AI qua mô hình giả lập có điểm nổi bật như kiểm soát được việc tiếp xúc với công nghệ của trẻ; cho trẻ "xỏ chân vào giày" của AI, trực tiếp trải nghiệm quá trình học máy; cũng như nhận ngay được kết quả của quá trình học máy và tạo điều kiện cho việc lý giải tại sao máy móc lại ra quyết định như vậy – tiền đề của việc sử dụng AI một cách có trách nhiệm. Đặc biệt, do là mô hình giả lập, tổ chức tạo ra mô hình này có thể lồng ghép các ý đồ giáo dục của mình một cách dễ dàng
Chiến lược áp dụng cho Việt Nam
Từ kinh nghiệm trên, thay vì cho học sinh tiểu học (đặc biệt là lớp 1-3) tiếp xúc trực tiếp với các Mô hình Ngôn ngữ Lớn (LLM) mở như ChatGPT – vốn tiềm ẩn nhiều rủi ro về mặt dữ liệu và nhận thức ở lứa tuổi nhỏ – Việt Nam cần đầu tư phát triển các công cụ mô phỏng AI theo mô hình sandbox được kiểm soát, có tính văn hóa bản địa.
Trong đó, Bộ GD&ĐT và các Sở GD&ĐT cần là cầu nối chiến lược giữa các trường đại học, viện nghiên cứu và các doanh nghiệp công nghệ trong nước để cùng phát triển các nền tảng giảng dạy AI sử dụng giao diện tiếng Việt, tập trung vào các khái niệm cốt lõi của học máy (như Phân loại và Dữ liệu) kết hợp với các bài toán xã hội gần gũi với học sinh. Ví dụ, tại các địa phương có đa dạng di sản văn hóa, học sinh nhập dữ liệu hỏi-đáp về các danh nhân (Nguyễn Du) hoặc các địa danh (sông Hương, núi Ngự) vào một công cụ Chatbot an toàn. Mô hình Chatbot này chỉ phản hồi dựa trên các luật và dữ liệu được cung cấp (giả lập cách LLM phản hồi dựa trên tập dữ liệu đã học).
Tại các địa phương có đa dạng ẩm thực, học sinh được yêu cầu thu thập ảnh và dán nhãn các món ăn quen thuộc (bánh mì, hủ tiếu, hải sản...). Sau đó, trẻ huấn luyện mô hình AI để nhận dạng món ăn từ ảnh mới. Điều này giúp trẻ hiểu cách AI sử dụng dữ liệu thị giác thông qua một chủ đề cực kỳ gần gũi.
Cần lưu ý rằng, AI không nhất thiết phải trở thành một môn học độc lập ở cấp tiểu học. Do thiết kế công cụ mô phỏng AI đã được chuẩn bị để tích hợp tri thức địa phương, việc dạy AI có thể đi kèm với hầu hết các môn chính khóa.
Môn học | Khái niệm AI được tích hợp | Tác động giáo dục |
Ngữ Văn/Tiếng Việt | LLM và dữ liệu Văn bản | Phát triển khả năng đánh giá, tìm lỗi (debug) và hiểu về hạn chế của máy móc khi xử lý ngôn ngữ. |
Hoạt động trải nghiệm | Đạo đức AI và thiên kiến | Xây dựng trách nhiệm công dân số, nhận diện những thiên kiến trong dữ liệu và yêu cầu về tính công bằng của AI. |
Tự nhiên & Xã hội | Nhận dạng hình ảnh | Học cách AI "nhìn" và phân tích thế giới xung quanh (thực vật, động vật), liên hệ đến khoa học dữ liệu cơ bản. |
Một vài ví dụ về tích hợp dạy AI với môn học chính khóa.
Tóm lại, việc dạy AI từ lớp 1 không phải là dạy trẻ viết mã phức tạp, mà là tạo ra một thế hệ công dân hiểu được cách các hệ thống thông minh hoạt động, học tập từ dữ liệu như thế nào, và sử dụng chúng một cách có trách nhiệm. Việc xây dựng và áp dụng các chính sách nội địa hóa, tích hợp liên môn là chìa khóa chiến lược để Việt Nam đào tạo nguồn nhân lực công nghệ tương lai một cách an toàn và hiệu quả.
Cách tiếp cận AI không thiết bị (AI unplugged / non-device AI) xuất hiện từ khoảng 2018-2020, trong bối cảnh ba xu hướng lớn của giáo dục toàn cầu. Thứ nhất, nhu cầu phổ cập hiểu biết AI (AI Literacy): UNESCO, OECD và tổ chức AI4K12 (Hoa Kỳ) đều xác định giáo dục trí tuệ nhân tạo không nên bắt đầu từ kỹ thuật lập trình, mà từ "hiểu biết về cách AI hoạt động, giới hạn và tác động xã hội của nó"1. Mục tiêu là giúp mọi học sinh, kể cả cấp tiểu học, có năng lực hiểu và định hướng công nghệ – chứ không chỉ một nhóm chuyên tin học. Thứ hai, bất bình đẳng công nghệ và chênh lệch hạ tầng: Không phải hệ thống giáo dục nào cũng có đủ thiết bị, Internet, hoặc đội ngũ kỹ thuật để triển khai dạy AI. Thêm nữa, công cụ AI tiềm ẩn nhiều rủi ro khi trẻ tiếp xúc trực tiếp: quyền riêng tư, dữ liệu người lớn,... Do đó, "AI không thiết bị" trở thành chiến lược bình đẳng hóa cơ hội học tập: giúp trẻ em ở mọi vùng miền đều có thể học về nguyên lý của AI thông qua trò chơi, kể chuyện, hoạt động mô phỏng, mà không phụ thuộc vào công nghệ. Thứ ba, chuyển dịch trọng tâm từ "công cụ" sang "tư duy": Từ sau phong trào Computer Science Unplugged (ở New Zealand, Mỹ), giáo dục công nghệ chuyển hướng, thay vì dạy "sử dụng công cụ", tập trung dạy "cách công cụ vận hành"2. Vì vậy, AI unplugged là hệ quả tất yếu: nếu lập trình có thể dạy bằng trò chơi logic, thì trí tuệ nhân tạo cũng có thể dạy bằng trò chơi dữ liệu – học – dự đoán – sửa lỗi. Việc dạy "không thiết bị" giúp học sinh hiểu trước – thao tác sau. Một số nghiên cứu (như trong tài liệu Empowering learners for the age of AI: An AI literacy framework for primary and secondary education3) cho thấy, nếu trẻ được trải nghiệm bằng hoạt động unplugged trước, các em hiểu bản chất AI sâu hơn khi chuyển sang công cụ thật, thay vì chỉ "làm theo hướng dẫn". |
(1) UNESCO (2023). Guidance for generative AI in education and research. Paris, France: UNESCO Publishing.
OECD (2019). Recommendation of the Council on Artificial Intelligence (OECD AI Principles).
AI4K12 Initiative (2021). The Five Big Ideas in Artificial Intelligence: A K-12 Curriculum Framework.
(2) Bell, T., & Vahrenhold, J. (2018). CS Unplugged: How to Teach Computer Science without a Computer. Computer Science Education, 28(4), 241–261.
(3) OECD (2025). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education (Review draft). OECD. Paris.
Bài đăng KH&PT số 1368 (số 44/2025)
Lang Minh