9.2 · AI là đối tác học tập

Mở đầu: Bài học 1 dặm của Po-Shen Loh

"Dùng AI để viết bài tập trong trường giống như nói: 'Tôi không chạy bộ 1 dặm để tập thể dục. Tôi sẽ lái xe 1 dặm để tập thể dục.' Bạn tập được bao nhiêu? Zero."

Ông bỏ một khoảng lặng, rồi tiếp:

"Câu hỏi lớn nhất bây giờ với sinh viên là: tôi có thực sự muốn làm việc này không? Vì nếu không, bạn chỉ cần mở AI lên và hỏi. Rất dễ. Nhưng câu hỏi không phải 'dễ hay khó?' — câu hỏi là: bạn có muốn mạnh lên không?"

Đây là bản chất của bài này. Không phải về prompt. Không phải về tool. Về câu hỏi bạn hỏi bản thân mỗi lần mở AI lên: "Tôi đang học, hay tôi đang né học?"

Nếu đang né → dừng lại. Nếu đang học → đi tiếp.

Bài này sẽ cho bạn công cụ để phân biệt.

Sự khác biệt nền tảng: Doing vs Learning

Hai hoạt động nhìn giống nhau — cả hai đều "hoàn thành assignment". Nhưng kết quả đối nghịch hoàn toàn:

┌───────────────────────────────────────────────────────────┐
│                                                           │
│   DOING WORK với AI          LEARNING với AI              │
│   ─────────────────          ─────────────────            │
│                                                           │
│   AI sinh output             Bạn sinh output              │
│   Bạn chỉ copy              AI hỗ trợ tư duy             │
│                                                           │
│   Xong bài                  Hiểu bài                      │
│   Điểm (có thể)             Kiến thức (có thật)           │
│   Forget trong 1 tuần       Nhớ trong nhiều năm           │
│                                                           │
│   ╳  Vấn đáp ú ớ            ✓  Vấn đáp tự tin            │
│   ╳  Interview rỗng         ✓  Interview ấn tượng        │
│   ╳  Kỳ sau tiếp tục kẹt   ✓  Kỳ sau đi nhanh hơn        │
│                                                           │
└───────────────────────────────────────────────────────────┘

Test đơn giản để biết bạn đang ở đâu

Sau khi hoàn thành 1 bài tập với AI, trả lời 3 câu:

1. Tôi có thể giải thích miệng argument chính cho một người khác trong 2 phút không?
2. Nếu ai đó hỏi "vì sao em chọn cách tiếp cận này?" — tôi có trả lời tự nhiên được không?
3. Nếu tôi gặp bài tương tự ở semester sau, tôi có làm nhanh hơn được không?

Cả 3 câu YES → Bạn đang learning với AI. Tiếp tục. Có câu NO → Bạn đang doing, không learning. Quay lại, làm lại với mindset khác.

Đây là chuẩn xác nhất để đo learning thực.

Áp dụng 4D vào context học tập

Nhớ lại 4D từ Bài 9.1: Delegation → Description → Discernment → Diligence.

Bây giờ áp dụng cụ thể vào học tập:

D1 — Delegation trong học tập

Problem awareness cho học tập:

• Tôi đang cố học khái niệm gì?
• Success trông ra sao? (Qua test? Explain cho friend? Apply vào project?)
• Phần nào là core knowledge không thể delegate — phải tự build trong đầu?
• Phần nào là tool/format có thể delegate cho AI?

Ví dụ cụ thể — sinh viên Kinh tế học về supply & demand:

Rule of thumb: Nếu output cuối là hiểu biết trong đầu bạn → không delegate. Nếu output cuối là artifact (summary, flashcard, practice problem) → có thể delegate.

D2 — Description trong học tập

Đây là điểm tạo ra sự khác biệt lớn nhất. Prompt quyết định AI trở thành tutor hay answer-giver.

❌ Prompt của sinh viên đang né học:

Giải giúp tôi bài toán lim(x→2) (x²-4)/(x-2).

AI sẽ làm — và bạn không học được gì.

✅ Prompt của sinh viên đang học:

"Tôi đang học giới hạn. Bài: lim(x→2) (x²-4)/(x-2). Đừng cho đáp án. Hãy: 1. Hỏi tôi thay x=2 trực tiếp được không, và vì sao không 2. Hỏi tôi có cách nào factor tử số không 3. Sau khi tôi factor được, hỏi tôi có simplify được không 4. Cuối cùng, yêu cầu tôi giải thích vì sao cách này hợp lệ Tại mỗi bước, chờ tôi trả lời, đừng nhảy bước."

Cùng AI, cùng bài toán — nhưng bạn thực sự học indeterminate form và factoring.

D3 — Discernment trong học tập

Hai câu hỏi bạn phải tự trả lời honestly sau mỗi phiên:

Q1: Tôi có thực sự hiểu, hay tôi chỉ nghe AI nói "đúng rồi" và tưởng mình hiểu?

Sycophancy risk — AI có xu hướng khen bạn (tốt cho cảm xúc, tệ cho learning). Một sinh viên Princeton chia sẻ:

"Tôi write essay, rồi yêu cầu Claude đóng vai giáo sư đánh giá. Sau 2-3 lần feedback, Claude nói 'sẵn sàng nộp rồi' — và tôi phải dừng lại suy nghĩ. Có thật thế không? Hay Claude chỉ đang làm tôi vui?"

Q2: AI có đưa thông tin đúng không?

AI có thể hallucinate fact, citation, ngày tháng. Với bất kỳ claim nào quan trọng → verify độc lập (Google, sách giáo khoa, Wikipedia với check nguồn).

D4 — Diligence trong học tập

• Academic integrity policy của trường bạn — đọc kỹ, follow strict
• Nếu nộp bài AI-assisted → disclose theo format trường yêu cầu
• Skill test cuối cùng: Bạn có thể reproduce output hoàn toàn solo, không AI, trên kỳ thi? Nếu không → bạn chưa học được.

AI Learning Partner: Configure một tutor cá nhân

Khái niệm này thay đổi cuộc chơi: thay vì mỗi lần mở AI lên gõ "giải bài này", bạn cấu hình AI một lần thành Study Buddy — và mọi cuộc trò chuyện sau đều theo đúng pattern bạn muốn.

AI Tutor đúng khác gì AI Answer-Giver?

🎯 Quote từ framework: "AI nên hành xử như coach hoặc tutor, không phải substitute player."

ASCII — mental model của AI Learning Partner

┌────────────────────────────────────────────────────┐
│                                                    │
│          AI LEARNING PARTNER PROTOCOL             │
│                                                    │
│   ┌──────────────────────────────────────────┐    │
│   │ 1. HIỂU BẠN ĐANG CỐ HỌC GÌ                │    │
│   │    (trước khi nhảy vào trả lời)           │    │
│   └──────────────────────────────────────────┘    │
│                     │                              │
│                     ▼                              │
│   ┌──────────────────────────────────────────┐    │
│   │ 2. HỎI NGƯỢC LẠI BẠN                      │    │
│   │    (Socratic method)                      │    │
│   └──────────────────────────────────────────┘    │
│                     │                              │
│                     ▼                              │
│   ┌──────────────────────────────────────────┐    │
│   │ 3. CHECK UNDERSTANDING                    │    │
│   │    trước khi move on                      │    │
│   └──────────────────────────────────────────┘    │
│                     │                              │
│                     ▼                              │
│   ┌──────────────────────────────────────────┐    │
│   │ 4. PRACTICE PROBLEMS build trên concept  │    │
│   └──────────────────────────────────────────┘    │
│                     │                              │
│                     ▼                              │
│   ┌──────────────────────────────────────────┐    │
│   │ 5. CONNECT tới concepts bạn đã học       │    │
│   └──────────────────────────────────────────┘    │
│                                                    │
└────────────────────────────────────────────────────┘

6 Study Protocol — Công thức cho từng tình huống học

Tùy mục đích học, bạn cần AI hành xử khác nhau. Dưới đây là 6 protocol bạn có thể copy-paste + adapt.

Protocol 1: Problem-solving (Toán, CS, Physics, Engineering)

"Tôi đang luyện [môn/chủ đề]. Khi tôi đưa bài tập: Đừng giải trực tiếp. Thay vào đó: 1. Hỏi tôi đã thử approach nào 2. Đưa hint dưới dạng câu hỏi (không phải instruction) 3. Chỉ đưa step tiếp khi tôi stuck > 3 phút và đã nói rõ stuck ở đâu 4. Sau khi tôi giải xong, quiz tôi một bài tương tự để verify 5. Kết nối bài này với concept nào khác tôi đã học"

Protocol 2: Concept review (học khái niệm abstract)

"Tôi đang học concept [X]. Hãy: 1. Yêu cầu tôi giải thích bằng lời concept này như đang nói với friend không cùng ngành 2. Sau khi tôi giải thích, chỉ ra 2 điểm tôi nói chưa chính xác hoặc thiếu 3. Đưa cho tôi 3 câu hỏi test hiểu biết — từ dễ đến khó 4. Với mỗi câu tôi sai, giải thích vì sao các đáp án khác sai trước khi giải thích đáp án đúng 5. Cuối cùng, đưa 1 real-world example minh họa concept"

Protocol 3: Exam preparation (ôn thi)

"Tôi chuẩn bị thi [môn] về [chủ đề]. Deadline: [X ngày nữa]. Hãy quiz tôi theo format: - 20 câu multiple choice - Độ khó tăng dần: câu 1-7 dễ, 8-14 trung, 15-20 khó - Sau mỗi câu, chờ tôi trả lời trước khi cho đáp án - Giải thích vì sao câu tôi sai là sai, vì sao đúng là đúng - Tổng kết cuối: 3 chủ đề tôi yếu nhất, priority ôn lại"

Protocol 4: Writing (luận, essay, report)

"Tôi viết [thể loại] về [chủ đề]. Yêu cầu [độ dài], audience [ai]. Hãy hỗ trợ tôi qua 4 stage: Stage 1 — Brainstorm: Đặt 5 câu hỏi giúp tôi tìm angle độc đáo. Đừng đưa angle giùm tôi. Stage 2 — Outline: Sau khi tôi có angle, giúp tôi structure argument bằng cách phản biện mỗi point của tôi (devil's advocate). Stage 3 — Draft: Khi tôi viết từng paragraph, feedback về clarity và logic — không rewrite giùm. Stage 4 — Polish: Point out câu dài > 30 từ, passive voice không cần thiết, repeated words. Tôi sẽ tự fix. Tại mọi stage, giữ giọng văn của tôi, không AI-ify."

Protocol 5: Reading comprehension (đọc paper, textbook dài)

"Tôi đang đọc [paper/chapter/book]. Mục tiêu: [hiểu khía cạnh gì]. Khi tôi paste một đoạn: 1. Yêu cầu tôi giải thích đoạn đó bằng chính từ ngữ của tôi trước 2. Point out nếu tôi miss idea quan trọng 3. Hỏi tôi câu hỏi 'why' hoặc 'what if' liên quan đến đoạn 4. Connect đoạn này với phần trước đó của cùng tài liệu 5. Flag nếu đoạn có thuật ngữ tôi nên tra cứu thêm"

Protocol 6: Planning (học có kế hoạch + specific assignment)

6a — General planning:

"Tôi cần plan học tập cho [khoảng thời gian]. Hãy hỏi tôi về: - Mọi commitment của tôi (lớp, part-time, sport, social...) - Deadline sắp tới - Energy level (khi nào tôi học tốt nhất) - Mục tiêu cụ thể kỳ này Sau đó đề xuất weekly schedule realistic, với buffer time cho unexpected. Đừng overschedule."

6b — Specific assignment planning:

"Tôi có assignment: [paste brief]. Trước khi tôi bắt đầu làm, hãy quiz tôi để chắc tôi hiểu đúng yêu cầu: 1. Deliverable cuối là gì (format, độ dài, deadline)? 2. Rubric chính là gì? 3. Tôi phải tự làm gì? Phần nào có thể dùng resource ngoài? 4. Common mistakes sinh viên thường mắc với assignment kiểu này? Sau khi clarified, giúp tôi break thành milestones với time estimate."

Living Learning Journal — Công cụ track growth thực

Assignment có điểm. Nhưng điểm không phải là learning. Làm sao biết bạn thực sự growth?

Answer: Living Learning Journal — một file bạn update thường xuyên (weekly recommended) để self-reflect.

Tại sao weekly journal quan trọng?

• Memory decay thực: Bạn quên 60% kiến thức sau 1 tuần nếu không recall. Journal là forced recall.
• Pattern recognition: Sau vài tháng, bạn nhìn lại và thấy pattern — môn nào bạn flow, môn nào bạn struggle hoài.
• AI usage audit: Bạn nhìn lại và thấy rõ — tuần nào dùng AI productively, tuần nào dùng để né?
• Exam prep gold: Trước kỳ thi, đọc lại 10 entry gần nhất = nhanh hơn đọc lại hết sách giáo khoa.

Template Weekly Entry

Concepts đã học

• [Concept 1]: [1-sentence summary]
• [Concept 2]: ...

Clicked / Fuzzy

Clicked (hiểu rõ):

• [Concept + lý do bây giờ hiểu]

Fuzzy (chưa rõ, cần review):

• [Concept + phần cụ thể nào chưa rõ]

AI usage

Dùng tốt (helped me learn):

• [Situation + protocol dùng + insight]

Dùng chưa tốt (shortcut, should redo):

• [Situation + vì sao chưa tốt + plan redo]

Tỷ lệ augmentation vs automation tuần này: ___% / ___%

Study strategies worked

• [Strategy] cho môn [X] → hiệu quả vì [lý do]

Need to review

• [Concept/chapter] — deadline review: [ngày]

Aha moment

[1-2 câu mô tả moment insight tuần này. Có thể bỏ trống nếu không có.]

Goal tuần tới

• [Specific, measurable goal — không "learn more"]

### Monthly synthesis (mỗi 4 tuần)

Sau mỗi 4 weekly entry, viết 1 **monthly synthesis** (~500 từ):
- Biggest learning của tháng
- Pattern về cách tôi dùng AI (cải thiện hay tệ đi?)
- Môn tôi flow nhất, môn nào struggle
- Adjust strategy gì cho tháng sau

---

Case studies: Sinh viên áp dụng AI Learning Partner

Nam — Sinh viên Y năm 3

Tình huống: Học về pharmacology, cần nhớ hàng trăm thuốc + mechanism + side effect.

Setup AI Learning Partner:

• Protocol 3 (Exam prep) + Protocol 2 (Concept review) mix
• Share Learning Context Doc: "visual learner, prefer analogy", "struggle with rote memorization"

Approach:

• Claude quiz Nam mỗi tối 20 câu về thuốc đã học trong tuần
• Với mỗi thuốc: yêu cầu Claude tạo 1 analogy (ví dụ beta-blocker = "brake pedal cho heart")
• Weekly journal entry track: thuốc nhớ được, thuốc quên, pattern (group nào khó nhất)

Kết quả sau 3 tuần:

• Retention rate từ ~60% lên ~85%
• Trong exam, recall nhanh hơn vì có analogy làm retrieval cue
• Journal giúp identify: nhóm "antibiotics" luôn bị confuse → dành extra time

Phương — Sinh viên MBA năm 2

Tình huống: Course về Strategic Management, case studies Harvard Business Review mỗi tuần — phức tạp, dày.

Setup AI Learning Partner:

• Protocol 5 (Reading comprehension) chính
• Prompt: "Tôi đọc HBR case. Sau mỗi section, quiz tôi 3 câu: (1) Facts — what happened, (2) Analysis — vì sao, (3) Application — nếu là CEO tôi sẽ làm gì khác"

Approach:

• Mỗi case, Phương đọc 1 section → paste vào Claude → trả lời 3 câu → đi section tiếp
• Journal ghi lại: angle Phương miss nhất thường xuyên (thường là "second-order effect")

Kết quả sau semester:

• Class discussion contribution tăng rõ rệt — professor nhận xét "insightful"
• Final exam essay mất 2.5 giờ thay vì 4 giờ — vì đã quen framework analyze
• Tự tin ngồi discuss case với senior consultants trong internship

Vinh — Sinh viên Kiến trúc năm 4

Tình huống: Viết thesis 80 trang về "kiến trúc vernacular miền Tây". Mục tiêu: defend thesis trong 6 tháng.

Setup:

• Protocol 4 (Writing) cho main draft
• Protocol 5 (Reading) cho literature review
• Protocol 2 (Concept review) cho khái niệm phức tạp

Approach:

• Setup Learning Context Doc with: ngành, ngôn ngữ gốc (tiếng Việt), style preferred (analytical-poetic mix)
• Weekly: viết 1 chương → Claude feedback theo 4 stage (Brainstorm, Outline, Draft, Polish)
• Mỗi tháng: review Learning Journal để track evolution của argument chính

Kết quả:

• Thesis defense: advisor nhận xét "argument coherent và originality cao"
• Vinh có thể defend từng câu — không có đoạn nào "là AI viết mà em không biết"
• Published 1 chapter thành journal paper (bonus)

Linh — Sinh viên Environmental Science năm 1

Tình huống: Bị overwhelm với 5 môn cùng lúc, không biết prioritize.

Setup:

• Protocol 6a (General planning) + Protocol 6b (Specific assignment)
• Prompt: "Tôi có 5 môn [list]. Deadline gần nhất [list]. Giúp tôi plan 2 tuần tới."

Approach:

• Mỗi Chủ Nhật 30 phút: update commitment, deadline, energy level
• Claude đề xuất weekly schedule → Linh edit theo realistic
• Weekly journal: check plan có follow không, why/why not

Kết quả sau 1 semester:

• GPA 3.7 (so với 3.1 trước) — improvement rõ
• Cảm giác control — không còn "tuần này tôi làm gì ấy nhỉ?"
• Meta insight: Linh học được skill planning tổng quát — áp dụng được cho internship sau

Anti-patterns — Sai lầm khi dùng AI Learning Partner

Anti-pattern 1: "Quên setup, mỗi lần bắt đầu lại từ đầu"

Biểu hiện

Mở conversation mới mỗi lần hỏi bài, gõ prompt cơ bản, quên protocol.

Tại sao tệ

AI không nhớ bạn. Mỗi conversation là blank slate. Bạn liên tục config lại → inconsistent + tốn thời gian.

Cách đúng

Save Learning Context Doc + Protocol thành file hoặc Claude Project. Đầu mỗi conversation, paste context + protocol. Hoặc dùng Claude Projects để context tự động load.

Anti-pattern 2: "Journal entry copy-paste sinh nhạt"

Biểu hiện

Journal chỉ liệt kê "Tuần này học X, Y, Z". Không reflect.

Tại sao tệ

Mất toàn bộ giá trị self-awareness. Sau 3 tháng đọc lại không thấy gì.

Cách đúng

Force yourself trả lời các câu "vì sao" + "fuzzy". Những phần uncomfortable là phần valuable nhất. Nếu entry nào không có phần "chưa rõ" — bạn đang tự lừa mình.

Anti-pattern 3: "Override protocol khi gấp"

Biểu hiện

Bình thường dùng Protocol 1 (Socratic). Trước kỳ thi 2 ngày, gõ "giải giùm tôi bài này, gấp lắm!"

Tại sao tệ

Chính lúc bạn nghĩ là không có thời gian để học là lúc bạn cần học nhất. Shortcut lúc này = fail kỳ thi.

Cách đúng

Nếu thời gian gấp → chọn ít bài để làm deep, không phải nhiều bài shallow. 5 bài deep > 20 bài shallow cho retention.

Anti-pattern 4: "Tin AI tutor như giáo viên có thẩm quyền"

Biểu hiện

AI giải thích concept theo cách A. Giáo viên/sách giáo khoa giải thích theo cách B. Bạn tin AI vì "dễ hiểu hơn".

Tại sao tệ

AI có thể sai về nuance — đặc biệt trong khoa học. "Dễ hiểu" không = "đúng". Đôi khi "khó hiểu" là vì concept có complexity thật.

Cách đúng

Khi AI + textbook conflict → trust textbook + ask professor. AI dùng cho explanation cơ bản, không phải authority cuối cùng.

Anti-pattern 5: "Learning Journal là để show off"

Biểu hiện

Viết journal "đẹp" để khoe parent/advisor/bạn bè. Chỉ ghi thành tích, ẩn struggle.

Tại sao tệ

Mất toàn bộ ý nghĩa. Journal là để honest với chính mình. Nếu bạn sửa để người khác đọc hay → nó thành CV, không phải journal.

Cách đúng

Journal keep private. Nếu muốn share insight, viết public post riêng, có filter. Journal giữ nguyên messy, honest, ugly.

Anti-pattern 6: "Config protocol một lần, không bao giờ tune"

Biểu hiện

Copy 6 protocol từ khóa này, dùng y nguyên suốt 4 năm đại học.

Tại sao tệ

Học tập của bạn evolve. Năm 1 ≠ năm 4. Bạn có kiến thức nền khác, habit khác, goal khác.

Cách đúng

Mỗi 3-6 tháng, review Protocol: cái nào còn work? Cái nào outdated? Tune. Hoặc tạo variant mới theo môn.

Áp dụng ngay: 2 exercise nền tảng

Exercise 1: Configure AI Learning Partner (~25 phút)

Bước 1: Chuẩn bị (5 phút)

• Mở Claude (hoặc AI bạn quen)
• Paste Learning Context Document từ Bài 9.1 (nếu chưa làm, quay lại làm trước)
• Optional: Paste transcript bài 9.1 + 9.3 để AI hiểu approach

Bước 2: Thiết lập role cho AI (15 phút)

Gõ prompt này (adapt theo context của bạn):

Tôi muốn config bạn làm AI Study Buddy cho tôi trong suốt semester này. Context: [Paste Learning Context Doc] Yêu cầu role của bạn: 1. Luôn start bằng hiểu tôi đang cố học gì — hỏi ngược lại tôi trước khi trả lời 2. Hỏi tôi câu hỏi thay vì cho đáp án trực tiếp 3. Check hiểu biết của tôi trước khi move on concept mới 4. Đưa practice problem build trên cái tôi đang học 5. Kết nối tới concept tôi đã học trước (giữ consistency) 6. Không bao giờ khen rỗng — chỉ feedback cụ thể 7. Khi tôi sai, gợi ý hướng không cho đáp án 8. Cuối session, quiz lại 1-2 câu để verify Hãy tóm tắt role này lại bằng lời của bạn để tôi chắc bạn hiểu, rồi tôi sẽ test bằng một bài thật.

Bước 3: Test với bài học thật (5 phút)

Lấy một assignment thực đang làm (không cần phải complete — chỉ test protocol):

• Đưa 1 câu hỏi thực
• Quan sát: AI có follow protocol không? Hay trượt về "cho đáp án ngay"?
• Nếu trượt → feedback lại AI: "Bạn vừa đưa đáp án. Theo protocol, bạn nên hỏi tôi trước."
• Lặp đến khi AI stick với role

Bước 4: Save configuration

• Copy toàn bộ conversation setup này
• Save vào file ai-study-buddy-config.md trong note cá nhân
• Hoặc tạo Claude Project với system prompt là config này — mỗi conversation mới tự load

Exercise 2: Create Living Learning Journal (~20 phút)

Bước 1: Setup journal structure (10 phút)

Mở AI, gõ:

Giúp tôi thiết kế template Weekly Learning Journal. Context: [Paste Learning Context Doc] Mục tiêu journal: - Weekly update (mỗi Chủ Nhật 30 phút) - Track concepts learned + fuzzy concepts - Audit AI usage (augmentation vs automation) - Identify patterns qua thời gian - Prep for exam (đọc lại 10 entry = ôn nhanh) Yêu cầu: 1. Đề xuất template structure (sections, mỗi section ~100 từ max) 2. Gợi ý 3-5 reflection question bắt buộc trong mỗi entry 3. Đề xuất monthly synthesis format (~500 từ, mỗi 4 tuần) 4. Recommend cách lưu trữ (file format, naming convention)

Review output. Edit theo style của bạn. Đừng paste y nguyên — personalize.

Bước 2: Viết entry đầu tiên (10 phút)

Dùng template vừa tạo, viết entry cho tuần này (tuần đang diễn ra hoặc vừa qua):

• Liệt kê concepts đã gặp trong bài học tuần qua (bao gồm cả 9.2, 9.3 này)
• Ghi nhận clicked vs fuzzy
• Audit: bạn đã dùng AI như thế nào cho việc học tuần này?
• Set goal cụ thể tuần tới (không vague)

Honest là chìa khóa. Nếu entry đầu tiên chỉ 5 dòng = OK. Journal đánh giá frequency + honesty, không phải length.

Reflection sau 2 exercise

Tự hỏi:

• Cảm giác khi phải articulate rằng mình muốn AI là tutor, không phải answer-giver — có gì khó?
• Bạn đã từng viết journal kiểu này chưa? Nếu chưa, dự đoán bạn sẽ drop sau bao nhiêu tuần? Làm sao prevent?
• Có điểm nào của protocol 1-6 không fit với cách bạn học? Bạn sẽ edit thế nào?

Tóm tắt bài học

Tài liệu tham khảo

• Dakan, R. & Feller, J. (2025). Framework for AI Fluency V1.5 — Dakan & Feller
• Anthropic. AI Fluency for Students — Lesson 3: AI as a learning partner: https://anthropic.skilljar.com/ai-fluency-for-students
• Po-Shen Loh (CMU). Bài phỏng vấn về sinh viên và AI trong học tập
• Bent, D. (Anthropic Education). What does AI mean for education?
• Anthropic Safeguards. What is sycophancy in AI models? (về rủi ro AI khen rỗng)

Khóa học gốc: Bản quyền 2025 Rick Dakan, Joseph Feller, và Anthropic. Released under CC BY-NC-SA 4.0 license. Dựa trên The AI Fluency Framework của Dakan và Feller. Được hỗ trợ bởi Higher Education Authority, Ireland, thông qua National Forum for the Enhancement of Teaching and Learning.

Bản tinh chế tiếng Việt 2026 — giữ nguyên attribution gốc theo điều khoản CC BY-NC-SA 4.0.