Vì sao dữ liệu học tập quan trọng hơn điểm số?

Trả lời nhanh: Điểm số chỉ cho biết kết quả cuối cùng. Dữ liệu học tập, như kết quả theo từng kỹ năng, kiểu sai, xu hướng theo thời gian và thời gian làm bài, cho biết vì sao có kết quả đó và nên làm gì tiếp theo khi vẫn còn kịp. Các tổng hợp nghiên cứu về đánh giá quá trình cho thấy phản hồi được dùng trong lúc học có liên hệ tích cực với kết quả học tập.

Hãy hình dung hai học sinh cùng được 6 điểm bài kiểm tra Toán.

Bạn thứ nhất làm đúng hết phần đại số, sai gần hết phần hình học. Bạn thứ hai làm đúng đều cả hai phần, nhưng mất điểm vì hết giờ ở 4 câu cuối. Một tháng trước, bạn thứ nhất được 4 điểm, bạn thứ hai được 8.

Cùng một con số, nhưng hai câu chuyện hoàn toàn khác nhau. Một bạn đang tiến bộ và cần tập trung vào hình học. Một bạn đang đi xuống, có thể do áp lực thời gian hoặc vấn đề ngoài lớp học. Nếu chỉ nhìn bảng điểm, giáo viên sẽ xử lý hai bạn giống nhau.

Điểm số cho biết kết quả. Dữ liệu học tập cho biết vì sao có kết quả đó, và nên làm gì tiếp theo.

Điểm số che giấu điều gì?

Điểm số là một bản tóm tắt. Tóm tắt thì tiện, nhưng nó gộp nhiều thông tin quan trọng lại thành một con số và làm mất đi:

• Kỹ năng nào mạnh, kỹ năng nào yếu. 6 điểm không nói học sinh hổng ở đâu.
• Xu hướng. 6 điểm tăng từ 4 khác hoàn toàn với 6 điểm giảm từ 8.
• Kiểu sai. Sai vì hiểu nhầm khái niệm, sai vì tính nhầm, hay sai vì hết giờ đòi hỏi ba cách can thiệp khác nhau.
• Quá trình. Học sinh có luyện tập đều không, hay chỉ học dồn trước kiểm tra?

Vấn đề lớn hơn là thời điểm. Điểm số thường đến sau khi việc học đã xong. Khi bảng điểm cuối kỳ cho thấy một học sinh yếu, đã quá muộn để làm gì trong kỳ đó.

Khoa học học tập nói gì về đánh giá và phản hồi?

Khoa học giáo dục phân biệt hai mục đích của đánh giá:

• Đánh giá tổng kết (summative): đo xem học sinh đã học được gì sau một giai đoạn. Điểm kiểm tra cuối kỳ thuộc loại này.
• Đánh giá quá trình (formative): dùng thông tin đánh giá làm phản hồi để cải thiện việc dạy và học ngay khi nó đang diễn ra.

How People Learn, báo cáo tổng hợp của Hội đồng Nghiên cứu Quốc gia Hoa Kỳ (National Research Council, 2000), nhận xét rằng phần lớn phản hồi của giáo viên là điểm số trên bài kiểm tra, bài tập và phiếu điểm; nhận điểm xong, học sinh thường chuyển sang chủ đề mới. Báo cáo viết rằng phản hồi có giá trị nhất khi học sinh còn cơ hội dùng nó để điều chỉnh cách hiểu trong lúc đang học (tr. 140–141).

Bản tiếp theo, How People Learn II (2018), tổng hợp rằng cả các bài tổng quan ban đầu như Black và Wiliam (1998) lẫn các phân tích gộp gần đây đều tìm thấy liên hệ tích cực giữa đánh giá quá trình và kết quả học tập, ở nhiều lứa tuổi, môn học và quốc gia. Báo cáo cũng lưu ý không phải phản hồi nào cũng hiệu quả. Phản hồi tốt thường (tr. 154–155):

• tập trung vào nhiệm vụ và mục tiêu học, chi tiết, không chỉ là một lời khen chê hay một con số;
• đến đúng lúc người học còn dùng được;
• phù hợp với tiến độ của người học và mang tính hỗ trợ.

Đây chính là vai trò của dữ liệu học tập: làm cho tư duy của học sinh trở nên nhìn thấy được, để giáo viên và chính học sinh biết cần điều chỉnh gì trong lúc vẫn còn kịp.

Cần thu những dữ liệu học tập nào?

Không cần thu mọi thứ. Mỗi loại dữ liệu chỉ có giá trị khi nó trả lời một câu hỏi mà giáo viên hoặc học sinh sẽ hành động theo:

Hãy để ý cột cuối. Nếu một chỉ số không dẫn đến hành động nào, nó chưa cần xuất hiện trên dashboard.

Làm sao biến dữ liệu học tập thành hành động?

Dữ liệu chỉ có giá trị khi nó thay đổi việc ai đó sẽ làm tiếp theo. Đây là cách TopThi dùng dữ liệu học tập:

1. Mỗi câu trả lời cập nhật năng lực theo kỹ năng, không chỉ cộng vào tổng điểm.
2. Hệ thống chọn 15 câu luyện mỗi ngày từ 3–4 chủ đề cần cải thiện nhất, nhắm tỷ lệ đúng khoảng 70% — đủ khó để học, đủ dễ để không nản.
3. Kiến thức đã học được đưa trở lại theo lịch ôn tập ngắt quãng, trước khi học sinh kịp quên.
4. Bài đánh giá định kỳ dùng câu hỏi chưa từng gặp để đo năng lực thật, tách biệt với kho luyện tập.

Hai kỹ thuật làm nền cho cách làm này, luyện tập bằng tự kiểm tra (practice testing) và ôn tập ngắt quãng (distributed practice), là hai kỹ thuật được xếp hạng hữu ích cao nhất trong tổng quan của Dunlosky và cộng sự (2013).

Học sinh không cần nhìn một biểu đồ nào. Các em chỉ cần biết hôm nay làm gì. Dữ liệu làm việc ở phía sau.

Với giáo viên và quản lý trung tâm, nguyên tắc cũng vậy: dashboard phải trả lời “tiếp theo làm gì?”. Thay vì 12 biểu đồ, một màn hình tốt có thể chỉ gồm:

• 5 học sinh cần gọi trao đổi tuần này, kèm lý do;
• 2 kỹ năng mà cả lớp đang yếu, nên giảng lại;
• 1 bài tập có tỷ lệ bỏ dở cao bất thường, nên xem lại.

Ba cạm bẫy khi làm Learning Analytics

1. Đo cái dễ đo thay vì cái cần đo

Số lần đăng nhập, số phút xem video, % hoàn thành khóa học đều dễ lấy. Nhưng xem hết video không có nghĩa là hiểu bài. Hoàn thành 100% khóa học không có nghĩa là thành thạo 100% kỹ năng. Nếu chỉ đo hoạt động, bạn sẽ tối ưu cho hoạt động.

2. Tin vào dự đoán mà không kiểm chứng

Course Signals của Đại học Purdue là hệ thống cảnh báo sớm từng được xem là ví dụ tiêu biểu. Nhóm phát triển báo cáo sinh viên học ít nhất một môn có Signals có tỷ lệ duy trì sau bốn năm là 87,42%, so với 69,40% ở nhóm không học môn nào (Pistilli, Arnold và Bethune, 2012). Năm 2013, Michael Caulfield và Alfred Essa chỉ ra quan hệ nhân quả có thể bị đảo ngược: sinh viên học lâu hơn thì học nhiều môn hơn, nên gặp nhiều môn có Signals hơn (Inside Higher Ed; e-Literate). Bài học: hiệu quả của mọi cảnh báo và can thiệp cần được đo bằng thiết kế so sánh cẩn thận, không chỉ bằng tương quan.

3. Biến dữ liệu thành nhãn dán

“Học sinh yếu”, “nguy cơ cao” — khi nhãn được hiển thị công khai hoặc theo học sinh quá lâu, nó có thể ảnh hưởng cách giáo viên nhìn em đó. Dữ liệu nên mô tả trạng thái hiện tại của việc học, không phải kết luận về con người. Đồng thời, dữ liệu học sinh là dữ liệu cá nhân, chịu điều chỉnh của Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15; với trẻ em, quyền của chủ thể dữ liệu do người đại diện theo pháp luật thực hiện (Điều 24).

Trung tâm nên bắt đầu dùng dữ liệu học tập từ đâu?

Bạn không cần một nền tảng AI để bắt đầu dùng dữ liệu học tập.

1. Gắn nhãn kỹ năng cho câu hỏi. Ngay cả trong Excel, mỗi câu kiểm tra nên ghi rõ nó đo kỹ năng gì. Đây là bước quan trọng nhất và rẻ nhất.
2. Lưu kết quả theo từng câu, không chỉ tổng điểm. Học sinh chọn đáp án nào, đúng hay sai.
3. Chọn một câu hỏi để trả lời mỗi tuần. Ví dụ: “Học sinh nào đang đi xuống 3 bài liên tiếp?” Trả lời được một câu tốt hơn có một dashboard không ai xem.
4. Gắn mỗi chỉ số với một hành động và một người phụ trách. Ai sẽ gọi cho phụ huynh? Ai sẽ giảng lại kỹ năng yếu?

Khi lượng học sinh và bài tập đủ lớn, đó là lúc đáng đầu tư vào hệ thống tự động thu và phân tích.

Câu hỏi thường gặp

Dữ liệu học tập khác điểm số thế nào?

Điểm số là một con số tóm tắt kết quả. Dữ liệu học tập cho biết kỹ năng nào mạnh hay yếu, học sinh sai theo kiểu nào, đang tiến bộ hay đi xuống, và có luyện tập đều hay không.

Trung tâm nhỏ có cần hệ thống phức tạp để bắt đầu không?

Không. Có thể bắt đầu bằng việc gắn nhãn kỹ năng cho từng câu kiểm tra và lưu kết quả theo từng câu, kể cả trên Excel. Khi số học sinh và bài tập đủ lớn mới cần đầu tư hệ thống tự động.

Hệ thống cảnh báo sớm học sinh bỏ học có đáng tin không?

Có thể hữu ích, nhưng hiệu quả cần được đo cẩn thận. Trường hợp Course Signals của Đại học Purdue cho thấy một tương quan tích cực có thể bị đọc nhầm thành quan hệ nhân quả.

Thu dữ liệu học sinh cần lưu ý gì về pháp lý?

Dữ liệu học sinh là dữ liệu cá nhân, chịu điều chỉnh của Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15, có hiệu lực từ 01/01/2026. Với trẻ em, quyền của chủ thể dữ liệu do người đại diện theo pháp luật thực hiện.

Điều đáng nhớ

Điểm số nói điều đã xảy ra. Dữ liệu học tập chỉ có giá trị khi nó giúp ai đó biết nên làm gì tiếp theo, khi vẫn còn kịp.