Nguồn: Inside Higher Ed, đăng ngày 27/01/2022
Tác giả: Dan Knox và Zach Pardos
Biên dịch: Giao Bùi – Biên tập: Nguyên Lê
Khi lĩnh vực giáo dục đại học phải “vật lộn” với tình trạng “Bình thường mới” hậu đại dịch Covid-19, các vấn đề cấu trúc trong quá khứ không chỉ là vấn đề nan giải mà còn trở nên trầm trọng hơn do quá trình học bị gián đoạn bởi các nguyên nhân liên quan đến virus COVID-19. Xác định hướng đi trong khu rừng rối rắm và phức tạp ở bậc đại học luôn là thách thức đối với sinh viên, đặc biệt là tại các trường và cơ sở không có đủ nguồn lực và năng lực tư vấn để cung cấp hướng dẫn và hỗ trợ. Quyết định chuyển trường và hỗ trợ tài chính đưa đến nhiều vấn đề phức tạp cho sinh viên, những người vốn thiếu nguồn lực tài chính và “kiến thức về việc học đại học”, và rất thường xuyên phải tự đưa ra các quyết định có thể tốn kém và gây thiệt hại cho quá trình học của họ.
Những gián đoạn giáo dục mà nhiều sinh viên phải đối mặt trong đại dịch, cũng như việc các trường bị ảnh hưởng và có ít nguồn lực hơn để cung cấp dịch vụ tư vấn và các dịch vụ quan trọng khác cho sinh viên, có thể sẽ hằn sâu thêm sự phức tạp này bằng cách nới rộng sực chênh lệch về mức độ chuẩn bị và lịch sử học tập của từng cá nhân. Những thách thức này, khi xảy ra đồng thời, sẽ khiến việc san lấp sự thiếu công bằng vốn là bài toán khó của toàn ngành càng trở nên khó khăn hơn.
Mặc dù không phải là thuốc chữa bách bệnh, nhưng những tiến bộ gần đây trong phương pháp luận trí tuệ nhân tạo (AI) như học máy có thể giúp giảm bớt một số sự phức tạp mà sinh viên và các cơ sở giáo dục đại học phải đối mặt. Tuy nhiên, các nhà nghiên cứu và các nhà hoạch định chính sách nên tiến hành một cách thận trọng và có thái độ hoài nghi cần thiết để đảm bảo rằng các công nghệ này được thiết kế và được ứng dụng một cách có đạo đức và công bằng. Đây không phải là nhiệm vụ dễ dàng và sẽ đòi hỏi nghiên cứu liên tục, nghiêm ngặt để bổ sung cho những tiến bộ công nghệ nhanh chóng trong lĩnh vực này. Trong khi các công nghệ giáo dục có sự hỗ trợ của AI mang lại nhiều hứa hẹn, chúng cũng gây ra rủi ro đáng kể khi chỉ đơn giản là lập lại các thành kiến trong quá khứ. Trong phần tóm tắt dưới đây, chúng tôi đưa ra một ví dụ ngắn gọn được rút ra từ các kết quả nghiên cứu gần đây để minh họa những thách thức và cơ hội của nghiên cứu việc ứng dụng AI một cách công bằng và có đạo đức.
Dự đoán điểm dựa trên công nghệ máy học là một trong những ứng dụng đầu tiên của AI được áp dụng trong giáo dục đại học. Nó thường được sử dụng nhiều nhất trong các hệ thống giúp phát hiện và cảnh báo sớm cho các sinh viên có nguy cơ trượt một khóa học, và ứng dụng này đang bắt đầu được sử dụng như một phần của quá trình tư vấn lộ trình học. Tuy nhiên,làm sao những mô hình này có thể dự đoán công bằng đối với những sinh viên đang thiếu thốn sự hỗ trợ? Một lĩnh vực nghiên cứu đang phát triển nhanh chóng trong AI đang nỗ lực giải quyết những loại câu hỏi này, và việc ứng dụng trong lĩnh vực giáo dục đặt ra những thách thức rất riêng và sự đánh đổi mang tính đặc thù để đảm bảo sự công bằng và bình đẳng.
Nhìn chung, các thuật toán học máy tỏ ra chính xác nhất trong việc dự đoán những gì chúng đã thấy nhiều nhất trong quá khứ. Do đó, trong việc dự đoán điểm, chúng sẽ chính xác hơn trong việc dự đoán các nhóm học sinh có điểm phổ biến nhất. Khi nhóm này đông lên sẽ dẫn đến sự bất bình đẳng kéo dài, vì những học sinh đạt điểm thấp hơn sẽ là những người ít được hưởng lợi từ các thuật toán nhất. Điều này đã được quan sát thấy trong một nghiên cứu đánh giá dự đoán của hàng triệu điểm kết thúc các khóa học tại trường đại học công lập lớn do Đại học California ở Berkeley công bố gần đây. Việc có mô hình thuật toán dành sự quan tâm như nhau cho tất cả các bậc điểm số đã dẫn đến kết quả tốt hơn giữa các nhóm thiếu thốn sự hỗ trợ và hiệu suất đồng đều hơn giữa các nhóm, mặc dù độ chính xác tổng thể bị giảm.
Mặc dù giải quyết vấn đề chủng tộc và sự thiên vị trong mô hình dự đoán là quan trọng, nhưng việc này nếu hấp tấp thực hiện thì có thể làm trầm trọng thêm tình trạng bất bình đẳng. Trong cùng một nghiên cứu, việc thêm chủng tộc làm biến số vào mô hình mà không có bất kỳ sửa đổi nào khác dẫn đến kết quả thiếu bình đẳng nhất và, do đó, kém công bằng nhất giữa các nhóm. Các nhà nghiên cứu phát hiện ra rằng kết quả công bằng nhất đạt được là thông qua một kỹ thuật được gọi là “học đối phương” (adversarial learning), một cách tiếp cận dạy mô hình ghi nhận yếu tố chủng tộc và sẽ đưa ra các điều chỉnh nếu mô hình dự đoán đúng chủng tộc của sinh viên dựa trên dữ liệu cá nhân đầu vào (ví dụ: lịch sử khóa học). Các nhà nghiên cứu cũng cố gắng tạo các mô hình riêng biệt cho từng nhóm để cải thiện độ chính xác; tuy nhiên, so với việc chỉ sử dụng dữ liệu của từng nhóm, việc sử dụng thông tin của tất cả sinh viên luôn có lợi hơn trong việc dự đoán cho tất cả các nhóm.
Những phát hiện về những thách thức trong việc thiết kế các công nghệ sử dụng trí tuệ nhân tạo mang tính thúc đẩy nhiều hơn là suy yếu các mục tiêu thành công của sinh viên. Cần có những nghiên cứu sâu hơn để phát triển các phương pháp bổ sung tốt nhất để giải quyết những thành kiến một cách hiệu quả và để thúc đẩy sự công bằng trong vô số các tình huống giáo dục mà trong đó học máy có thể góp phần vào việc nới rộng sự không công bằng.
EduThoughts 