TỐI ƯU HÓA QUY TRÌNH TỔNG HỢP TRI THỨC TRONG MÔI TRƯỜNG SỐ: TỪ DỮ LIỆU PHÂN MẢNH ĐẾN TRẢI NGHIỆM HỌC TẬP CHUYÊN SÂU
DOI:
https://doi.org/10.59266/houjs.2026.1343Từ khóa:
tổng hợp tri thức, học tập phân mảnh, tải nhận thức, trí tuệ nhân tạo, tri thức sâu, KSO-7Tóm tắt
Môi trường số mang lại nguồn thông tin dồi dào nhưng phân mảnh, khiến người học khó chuyển các đơn vị tri thức rời rạc thành hiểu biết có cấu trúc và chiều sâu. Nghiên cứu này đề xuất và kiểm định mô hình KSO-7 (Knowledge Synthesis Optimization – 7 stages): một quy trình bảy giai đoạn tối ưu hóa việc tổng hợp tri thức trong bối cảnh có trí tuệ nhân tạo (AI) hỗ trợ cùng năm nguyên tắc tối ưu xuyên suốt. Mô hình được xây dựng bằng tổng hợp lý luận và kiểm định thực nghiệm trên 1.016 sinh viên tại hơn 13 cơ sở giáo dục đại học Việt Nam bằng mô hình phương trình cấu trúc (SEM) bậc hai. Kết quả cho thấy bộ thang đo có độ tin cậy và giá trị hội tụ rất cao (α = 0,893–0,946; CR = 0,894–0,947; AVE = 0,585–0,780); bảy giai đoạn hội tụ mạnh vào một năng lực tổng hợp tri thức (KSO) dự báo tri thức sâu (β = 0,794). Vai trò AI và năng lực tổng hợp là các yếu tố then chốt. Nghiên cứu cung cấp một khung quy trình đo lường được cho thiết kế hoạt động học tập số có AI hỗ trợ.
Tài liệu tham khảo
Chan, Y. (2025). Advancing knowledge synthesis in management learning: Literature review assisted by artificial intelligence. Management Learning. Advance online publication. https://doi.org/10.1177/13505076251377550
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Digital Learning Institute. (2024). Digital learning 2024 highlights. https://www.digitallearninginstitute.com/blog/digital-learning-2024-highlights
Hair, J. F., Babin, B. J., Anderson, R. E., & Black, W. C. (2019). Multivariate data analysis (8th ed.). Cengage Learning.
Kaiser, H. F., & Rice, J. (1974). Little Jiffy, Mark IV. Educational and Psychological Measurement, 34(1), 111-117.
https://doi.org/10.1177/001316447403400115
Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10. https://doi.org/10.4018/IJEC.2015100101
Leppink, J., Paas, F., van der Vleuten, C. P. M., van Gog, T., & van Merriënboer,
J. J. G. (2013). Development of an instrument for measuring different types of cognitive load. Behavior Research Methods, 45(4), 1058-1072. https://doi.org/10.3758/s13428-013-0334-1
Liang, K., Wang, C., Zhang, Y., & Zou, W. (2018). Knowledge aggregation and intelligent guidance for fragmented learning. Procedia Computer Science, 131, 656-664.
https://doi.org/10.1016/j.procs.2018.04.309
Mayer, R. E. (2009). Multimedia learning (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511811678
Mayer, R. E. (Ed.). (2014). The Cambridge handbook of multimedia learning (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9781139547369
Mayer, R. E., & Moreno, R. (2003). Nine ways to reduce cognitive load in multimedia learning. Educational Psychologist, 38(1), 43-52.
https://doi.org/10.1207/S15326985EP3801_6
Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company: How Japanese companies create the dynamics of innovation. Oxford University Press.
https://doi.org/10.1093/oso/9780195092691.001.0001
Reinhold, F., Leuders, T., Loibl, K., Nückles, M., Beege, M., & Boelmann, J.
M. (2024). Learning mechanisms explaining learning with digital tools in educational settings: A cognitive process framework. Educational Psychology Review, 36(1), Article 14. https://doi.org/10.1007/s10648-024-09845-6
Skulmowski, A., & Xu, K. M. (2022). Understanding cognitive load in digital and online learning: A new perspective on extraneous cognitive load. Educational Psychology Review, 34(1), 171-196.
https://doi.org/10.1007/s10648-021-09624-7
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.
https://doi.org/10.1016/0364-0213(88)90023-7
Tong, C., & Ren, C. (2025). Deep knowledge tracing and cognitive load estimation for personalized learning path generation using neural network architecture. Scientific Reports, 15(1), Article 24925.
