Viện Nghiên cứu, Đào tạo và Phát triển Tài nguyên Giáo dục Mở (InOER)
Hiệp hội các trường đại học cao đẳng Việt Nam (AVU&C)
Tóm tắt: Trong những năm gần đây, trí tuệ nhân tạo - AI (Artificial Intelligence), một công nghệ kỹ thuật số mới nổi lên, được ứng dụng và phát triển khắp mọi nơi trên thế giới, mở ra một kỷ nguyên mới, Kỷ nguyên AI. Việc ứng dụng và phát triển AI, nhất là AI tạo sinh, có tác động lớn tới ứng dụng và phát triển TNGDM nói riêng, và toàn bộ hệ sinh thái thông tin nói chung. Bài viết này trình bày các khía cạnh nội dung về AI dự kiến sẽ được cập nhật vào tài liệu ‘Khung năng lực Tài nguyên Giáo dục Mở cho giảng viên V3.0’ dựa trên phiên bản V2.0 đã có trước đó.
Từ khóa: AI, AI tạo sinh (GenAI), tài nguyên giáo dục mở (TNGDM), phạm vi công cộng, cấp phép mở, tín hiệu CC
------------------------------------------------------
1. Đặt vấn đề
Trong vài năm qua, trí tuệ nhân tạo - AI (Artificial Intelligence) được ứng dụng và phát triển khắp mọi nơi trên thế giới, và Việt Nam cũng không là ngoại lệ. Một mặt, nhiều cơ sở giáo dục, bao gồm cả giáo dục phổ thông, hiện đã và đang triển khai các khóa đào tạo và huấn luyện sử dụng các mô hình/hệ thống/ứng dụng AI; mặt khác các nghiên cứu gần đây trên thế giới chỉ ra rằng việc ứng dụng và phát triển AI có tác động lớn tới ứng dụng và phát triển TNGDM cũng như toàn bộ hệ sinh thái thông tin. Điều này cho thấy sự cần thiết phải đưa các nội dung về AI vào ‘Khung năng lực TNGDM cho giảng viên V3.0’ mà phiên bản V2.01 đã có trước đó còn thiếu bằng việc bổ sung thêm một lĩnh vực năng lực L7 AI trong ứng dụng và phát triển TNGDM. Tương tự, nội dung Tín hiệu CC: Khế ước xã hội mới trong kỷ nguyên AI cũng được đưa vào trong tài liệu Khung V3.0.
2. L7 AI trong ứng dụng và phát triển TNGDM
Lĩnh vực năng lực L7 AI trong ứng dụng và phát triển TNGDM gồm 2 năng lực: (1) L7.1 Hiểu về AI trong ứng dụng và phát triển TNGDM; và (2) L7.2 Thực hành AI trong ứng dụng và phát triển TNGDM.
L7.1 Hiểu về AI trong ứng dụng và phát triển TNGDM
Năng lực L7.1 có các nội dung: (1) AI trong Hội nghị TNGDM thế giới lần 3 năm 2024; (2) Khung năng lực AI cho giáo viên và học sinh của UNESCO; (3) AI tích cực và AI tiêu cực; (4) Giáo dục Mở và AI tạo sinh, sách giáo khoa tạo sinh; (5) AI nguồn mở so với AI nguồn đóng; và (6) Các ứng dụng AI nguồn mở, LLM nguồn mở.
AI trong Hội nghị TNGDM thế giới lần 3 năm 2024
Trong những năm gần đây, trí tuệ nhân tạo - AI (Artificial Intelligence) được nói đến khắp mọi nơi trên thế giới. Một trong những cột mốc quan trọng trong ứng dụng và phát triển TNGDM của thế giới là Hội nghị TNGDM Thế giới lần 3 được tổ chức trong các ngày 19-20/11/2024 tại Dubai, các Tiểu vương quốc Ả rập Thống nhất (UAE) với chủ đề: Hàng hóa Công cộng kỹ thuật số: Các Giải pháp Mở và AI vì Quyền truy cập Toàn diện tới Tri thức2. Hội nghị đã kết thúc bằng việc xuất bản tài liệu Tuyên bố Dubai về Tài nguyên Giáo dục Mở (TNGDM): Hàng hóa công cộng kỹ thuật số và các công nghệ mới nổi vì quyền truy cập công bằng và toàn diện tới tri thức3 khẳng định tiềm năng biến đổi của TNGDM và nhu cầu khai thác các công nghệ mới nổi, bao gồm cả AI, để góp phần vào việc giải quyết các thách thức liên quan đến quyền truy cập, sở hữu trí tuệ và tính bền vững, cũng như hoàn thành các mục tiêu phát triển bền vững của Liên hiệp quốc; qua đó nhấn mạnh mối quan hệ chặt chẽ giữa AI với TNGDM. Tuyên bố nêu rõ:
“Hội nghị TNGDM Thế giới lần 3 tái khẳng định tiềm năng biến đổi của TNGDM như một hòn đá tảng cho quyền truy cập công bằng và toàn diện tới kiến thức trong kỷ nguyên số. Bằng việc khai thác các công nghệ mới nổi lên, bao gồm cả AI, và việc ôm lấy các giải pháp mở được điều chỉnh phù hợp với các nguyên tắc hàng hóa công cộng kỹ thuật số - DPG (Digital Public Goods), cộng đồng toàn cầu có thể thúc đẩy đổi mới đồng thời giải quyết các thách thức liên quan đến quyền truy cập, sở hữu trí tuệ và tính bền vững.
Các cam kết được đưa ra qua Tuyên bố Dubai nhằm nhấn mạnh những nỗ lực toàn cầu để lấp đi phân cách số, trao quyền cho các cộng đồng khác nhau và đóng góp cho sự tiến bộ của các Mục tiêu Phát triển Bền vững (SDG) của Liên hiệp quốc. Thông qua hành động hợp tác, chúng ta có thể đảm bảo rằng TNGDM vẫn là chất xúc tác cho việc học tập suốt đời và là động lực cho một tương lai công bằng hơn, nhiều tri thức hơn cho tất cả mọi người.”
Phần giới thiệu của tài liệu Tuyên bố này cho thấy nhu cầu ngày càng cao về hạ tầng AI dựa trên phần mềm nguồn mở và nội dung được cấp phép mở, đặc biệt là với AI tạo sinh - GenAI (Generative AI) để đảm bảo các hệ thống AI minh bạch và nhân bản được:
“Việc công chúng sử dụng các công nghệ mới nổi lên và các công cụ trí tuệ nhân tạo - AI (Artificial Intelligence) ngày càng gia tăng với tốc độ nhanh. Để đảm bảo các hệ thống AI là minh bạch và có thể được nhân bản và nhận xét, công chúng đòi hỏi hạ tầng AI dựa trên phần mềm nguồn mở và nội dung được cấp phép mở. Sự tiến bộ của AI tạo sinh (Generative AI) đã thúc đẩy các tranh luận quan trọng về các cách thức mới ở đó nội dung và dữ liệu có thể được thu thập, tạo lập, sử dụng, sử dụng lại và chia sẻ.”
Cũng cần nhấn mạnh thêm rằng, mục tiêu của Hội nghị TNGDM Thế giới lần 3 là nhằm:
-
“chia sẻ các thực hành tốt nhất và các đổi mới trong triển khai Khuyến nghị 2019 trong vòng 5 năm kể từ khi nó được thông qua;
-
xác định các chiến lược hỗ trợ triển khai Khuyến nghị 2019 để đáp ứng các thách thức mới nổi lên;
-
xác định các cơ chế cộng tác để huy động nhiều hơn các bên liên quan để triển khai Khuyến nghị 2019, và để mở rộng quyền truy cập tới các tài nguyên học tập chất lượng, miễn phí, truy cập được, được cấp phép mở nhằm hỗ trợ cho Hiệp ước Kỹ thuật số Toàn cầu4 và Lời kêu gọi Hành động của Hội nghị thượng đỉnh Biến đổi Giáo dục 2023.”
Khung năng lực AI cho giáo viên và học sinh của UNESCO
Có nhận thức chung rằng, để biết ai thực sự có các năng lực số và nếu ai đó có một năng lực số nào đó thì nó ở mức độ thông thạo nào, chúng ta cần các khung năng lực số cho các đối tượng khác nhau. Vì AI là một trong những công nghệ số mới nổi lên, nên trước hết chúng ta cần có các khung năng lực số với sự tích hợp trong đó các năng lực AI và/hoặc các khung năng lực AI chuyên dụng. Trên thực tế, các năng lực AI có thể được thể hiện trong các dạng khung năng lực sau đây:
-
Khung năng lực AI chuyên dụng, như Khung năng lực AI cho giáo viên5 và Khung năng lực AI cho học sinh6 của UNESCO. Điều đáng lưu ý trong các khung này là chúng đều nhấn mạnh vào 2 khía cạnh: (1) Tư duy lấy con người làm trung tâm; và (2) Đạo đức AI. Các khía cạnh liên quan đến kỹ thuật công nghệ là quan trọng, nhưng đều đứng sau 2 khía cạnh nêu trên. Đây là điều cần hết sức chú ý khi triển khai các mô hình/hệ thống/ứng dụng AI, bao gồm AI tạo sinh (GenAI) vào thực tế cuộc sống. Có thể tham khảo nội dung liên quan đến khía cạnh đạo đức AI trong tài liệu của UNESCO xuất bản năm 20217; và tham khảo khía cạnh tư duy lấy con người làm trung tâm trong tài liệu của Vương quốc Anh xuất bản tháng 6/20258.
Hình 1. Khung năng lực AI cho giáo viên
Hình 2. Khung năng lực AI cho học sinh
-
Khung năng lực số có tích hợp các năng lực AI, chẳng hạn như Khung năng lực số cho công dân (DigComp) phiên bản V2.2 năm 2022 của Ủy ban châu Âu9 (Khung có 259 ví dụ, 35 trong số đó có liên quan đến AI, chiếm tỷ lệ 13,5%) hoặc các khung được tùy chỉnh từ nó, chẳng hạn như Khung năng lực số PIX10 của nước Pháp, Khung năng lực số cho công dân trên địa bàn thành phố Đà Nẵng11, Khung năng lực số cho người học của Bộ Giáo dục và Đào tạo12, hay Khung kiến thức, kỹ năng số cơ bản của Bộ Khoa học và Công nghệ13.
Hình 3. Khung năng lực số cho công dân V2.2 của Ủy ban châu Âu
-
Khung năng lực số chuyên ngành có tích hợp các năng lực AI, chẳng hạn như Khung năng lực AI và công nghệ chăm sóc sức khỏe kỹ thuật số của Vương quốc Anh14. Khung trình bày các năng lực số cơ bản, các năng lực AI và các năng lực chuyên môn về y tế và chăm sóc sức khỏe.
AI tích cực và AI tiêu cực
Như trình bày ở trên, các Khung năng lực AI của UNESCO đều nhấn mạnh đến hai khía cạnh: tư duy lấy con người làm trung tâm và đạo đức AI, điều cảnh báo trước rằng AI không chỉ có các mặt tích cực, mà còn có cả các mặt tiêu cực. Các chuyên gia về AI của OpenPraxis đã chỉ rõ điều này trong nghiên cứu của mình15, cho thấy trong khi AI có 15 điểm tích cực, nó cũng có đến 20 điểm tiêu cực. Vì điều này, việc triển khai các ứng dụng AI vào thực tế cần được tiến hành thận trọng từng bước, có đạo đức và có trách nhiệm.
Hình 4. AI tích cực và AI tiêu cực
Giáo dục Mở và AI tạo sinh, sách giáo khoa tạo sinh
David Wiley đưa ra Mô hình Ngôn ngữ Giáo dục Mở - OELM (Open Education Language Model16) như một mô hình ngôn ngữ lớn - LLM (Large Language Model) với 4 thành phần của nó đều được cấp phép mở nhằm hỗ trợ cho việc giảng dạy và học tập và thay thế cho các mô hình AI tạo sinh (GenAI) sở hữu độc quyền để giải quyết các mối quan tâm chính về AI tạo sinh trong giáo dục và trả lời các câu hỏi như: (1) Làm thế nào để tôi sử dụng nó một cách hiệu quả? (2) Tôi có thể tin tưởng vào các phản hồi của nó là chính xác không? và (3) Tôi có thể tin tưởng vào tính phù hợp của hành vi đó không?
Hình 5. Các thành phần của một Mô hình Ngôn ngữ Giáo dục Mở (OELM)
Mỗi thành phần trong 4 thành phần này – trọng số mở của mô hình (Open Weights), TNGDM để tinh chỉnh (Fine-tuning with OER), TNGDM cho việc tạo sinh tăng cường truy xuất - RAG (Retrieval-Augmented Generation) và lời nhắc mở (Open Prompts) được viết sẵn – đều có thể được cấp phép mở, cung cấp cho giáo viên, người học và những người khác quyền tham gia vào các hoạt động 5R (Lĩnh vực L6.1 Hiểu về Sư phạm được TNGDM xúc tác, mục Mô tả các hoạt động 5R đặc trưng của TNGDM của tài liệu1). Hãy coi trọng số mô hình là sách giáo khoa cốt lõi và các thành phần khác là tài liệu bổ sung cần thiết để áp dụng rộng rãi. Và giống như TNGDM truyền thống, khả năng sao chép, chỉnh sửa và chia sẻ lời nhắc và các thành phần OELM khác có nghĩa là chúng có thể được bản địa hóa để đáp ứng tốt nhất nhu cầu của từng người học, giảm thiểu tác hại tiềm ẩn liên quan đến AI tạo sinh và tăng khả năng tiếp cận, khả năng chi trả và công bằng.
Bằng cách sử dụng OELM được tích hợp trong một mô hình GenAI, cùng đồng thời với việc xây dựng lời nhắc mở tinh xảo, chẳng hạn như các mẫu template có khả năng sử dụng lặp đi lặp lại nhiều lần, việc tạo ra các sách giáo khoa tạo sinh17 18(Generative Texbook) là hoàn toàn khả thi. Mặt khác, bằng cách này, quy trình tạo lập và tùy chỉnh TNGDM cũng sẽ được cải thiện, cả về chi phí có thể phải bỏ ra cùng với công sức và thời gian đối với những người sáng tạo ra chúng19, góp phần làm tăng khả năng tiếp cận tới các cơ hội giáo dục và quyền truy cập tới tài nguyên giáo dục cho mọi người học - bản chất của Giáo dục Mở. Nói một cách khác, AI tạo sinh (GenAI) là hiệu quả hơn trong việc nâng cao quyền truy cập tới cơ hội giáo dục so với TNGDM20.
AI nguồn mở so với AI nguồn đóng
Sự kiện mô hình AI DeepSeek được xây dựng dựa trên phần mềm nguồn mở từng làm rung chuyển ngành công nghệ thông tin cũng như thị trường chứng khoán toàn thế giới. Hàng loạt bài đăng trên Internet với các tiêu đề về DeepSeek đầu năm 2025 đã chứng minh cho điều này, chẳng hạn như21: “DeepSeek chứng minh: Nguồn mở là bí quyết thống trị thị trường công nghệ (và Phố Wall đã sai)”, “Nvidia giảm 18% và cổ phiếu công nghệ trượt dốc khi DeepSeek của Trung Quốc khiến các nhà đầu tư lo ngại”; “DeepSeek đã gây ra sự hoảng loạn trên thị trường — nhưng một số người cho rằng việc bán tháo là quá mức”; “DeepSeek sẽ làm đảo lộn ngành công nghiệp AI như thế nào — và mở ra cơ hội cạnh tranh”; “DeepSeek của Trung Quốc vừa cho mọi công ty công nghệ Mỹ thấy họ đang bắt kịp AI nhanh như thế nào”; “Mark Zuckerberg: DeepSeek cho thấy vì sao nước Mỹ phải là ‘tiêu chuẩn nguồn mở toàn cầu’ của AI; không có lý do gì để suy nghĩ lại về việc chi tiêu”; “Nhà khoa học AI hàng đầu của Meta cho biết thành công của DeepSeek cho thấy 'các mô hình nguồn mở đang vượt trội hơn các mô hình độc quyền”.
Hình 6. Chỉ số minh bạch dữ liệu AI (AIDTI) của các mô hình AI22
Nhưng liệu DeepSeek có thực sự là AI Nguồn Mở hay không, khi cũng có bài viết với tiêu đề “Nếu DeepSeek muốn trở thành một người phá vỡ thực sự, nó phải tiến xa hơn nữa về tính minh bạch của dữ liệu”. Cho dù DeepSeek đúng là đủ tiêu chuẩn để được gọi là phần mềm nguồn mở khi mà toàn bộ mã nguồn các thành phần của nó đều được cấp phép mở với giấy phép mở MIT và được đặt công khai trên GitHub (https://github.com/orgs/deepseek-ai/repositories) mà bất kỳ ai trên thế giới cũng có thể truy cập, tải xuống và sửa đổi các mã nguồn đó; nhưng DeepSeek, ít nhất, lại không đủ điều kiện để được coi là AI Nguồn Mở vì dữ liệu của DeepSeek là không mở, chỉ đạt ở mức độ thấp (Low) theo Chỉ số minh bạch dữ liệu AI – AIDTI (AI Data Transparency Index), như trên Hình 6, khi DeepSeek được so sánh với hơn 20 mô hình AI khác.
Ở một góc nhìn khác, tính minh bạch của một mô hình AI cụ thể đối với mã nguồn phần mềm, thông số mô hình và dữ liệu đào tạo của của nó có thể là minh bạch đầy đủ (hoàn toàn mở), minh bạch một phần (mở một phần hoặc cho phép truy cập hạn chế), hoặc nguồn đóng (hoàn toàn độc quyền). Điều này gây thêm khó khăn cho việc phân biệt giữa các mô hình AI Nguồn Mở và nguồn đóng.
Bảng 1. Các chiều minh bạch AI theo các thành phần23
Định nghĩa AI Nguồn Mở - (OSAID) của Sáng kiến Nguồn Mở (OSI)24, được nêu như sau:
“AI Nguồn Mở (Open Source AI) là một hệ thống AI được làm cho sẵn sàng theo các điều khoản và theo một cách thức trao các quyền tự do để:
-
Sử dụng hệ thống đó vì bất kỳ mục đích gì và không phải hỏi sự cho phép;
-
Nghiên cứu cách hệ thống đó làm việc và kiểm tra các cấu thành của nó;
-
Sửa đổi hệ thống đó vì bất kỳ mục đích gì, bao gồm việc thay đổi đầu ra của nó;
-
Chia sẻ hệ thống đó với người khác để sử dụng với hoặc không với những sửa đổi, vì bất kỳ mục đích gì.
Những quyền tự do này áp dụng cho cả hệ thống hoạt động đầy đủ lẫn các thành phần riêng biệt của nó. Điều kiện tiên quyết để thực hiện các quyền tự do này là phải có quyền truy cập vào dạng hình thức ưu tiên để thực hiện các sửa đổi đối với hệ thống.”
Để đáp ứng được các quyền tự do trong Định nghĩa AI Nguồn Mở, chẳng hạn như để sửa đổi hệ thống đó vì bất kỳ mục đích gì, tất cả các thành phần trong tất cả các lớp của một mô hình AI - cả phần mềm, dữ liệu, và tài liệu - đều phải được cấp phép mở như được đề xuất theo Khung Tính mở Mô hình - MOF (Model Openness Framework25) với 3 lớp như Bảng 2, mỗi lớp được xây dựng dựa trên lớp trước đó, đại diện cho các mức tăng dần của tính hoàn thiện và tính mở của mô hình; và với tất cả các thành phần của 3 lớp đó cần phải được cấp phép mở như được đề xuất trong Bảng 3.
Bảng 2. Các lớp của Khung Tính mở Mô hình (MOF)
Bảng 3. Các giấy phép mở tiêu chuẩn được khuyến nghị cho các thành phần của mô hình AI Nguồn Mở
Nghiên cứu cho thấy26, AI Nguồn Mở và AI nguồn đóng có những khác biệt cơ bản và đi cùng với các ưu điểm cũng như nhược điểm của riêng chúng:
-
Sự khác biệt giữa AI Nguồn Mở và AI nguồn đóng nằm ở những điểm chính sau: (1) Khả năng truy cập; (2) Hợp tác; (3) Minh bạch; (4) Chi phí; (5) Cập nhật và hỗ trợ; (6) Bảo mật; và (7) Tùy chỉnh.
-
Cả AI Nguồn Mở và AI nguồn đóng đều có những ưu và nhược điểm riêng của chúng, được trình bày chi tiết trong nghiên cứu.
Chính vì điều này, việc lựa chọn mô hình AI nào để sử dụng, nguồn mở hay nguồn đóng, sẽ tùy thuộc vào mục đích sử dụng được ưu tiên của từng cá nhân, tổ chức hay quốc gia. Đối với cá nhân, mục đích sử dụng có thể đơn giản là để giải quyết được các vấn đề trước mắt của riêng mình, trong khi đối với tổ chức hoặc quốc gia, mục đích sử dụng có thể sẽ khác, chẳng hạn như, sự ưu tiên hàng đầu là niềm tin vào mô hình AI được chọn để đảm bảo được quyền tự chủ đối với mô hình AI được chọn đó.
Câu hỏi đặt ra là: “AI Nguồn Mở so với nguồn đóng: Bạn sẽ tin ai?”27 cũng chính là tiêu đề của một bài đăng trên trang web dành cho các lập trình viên các công ty Mỹ.
Hình 7. So sánh giữa AI Nguồn Mở và nguồn đóng
Một tham luận được trình bày tại hội thảo nhân sự kiện Security Bootcamp 202528 đã trích dẫn lời bài phát biểu của Bộ trưởng Bộ KHCN Nguyễn Mạnh Hùng như sau:
“Công nghệ thông tin, công nghệ số đã trở thành nền tảng của kinh tế - xã hội. Cuộc di chuyển vĩ đại nhất trong lịch sử nhân loại là cuộc di chuyển từ thế giới thực sang thế giới số. Nhưng tất cả các quốc gia đều lo lắng về an ninh mạng. Niềm tin sẽ trở thành yếu tố quyết định cho sự thành công của cuộc di chuyển này. Các quốc gia chỉ có thể có niềm tin này khi công nghệ họ sử dụng là công nghệ mở. Công nghệ mở là để các quốc gia có thể làm chủ công nghệ mà mình sử dụng. Không còn như trước đây, chúng ta mua một "Black Box" (Hộp đen) từ một quốc gia khác và phó mặc số phận của quốc gia mình cho một quốc gia khác. Hiện nay, nhiều quốc gia đã tuyên bố chỉ mua công nghệ khi công nghệ là mở, nhất là khi các công nghệ đó dùng để xây dựng các hạ tầng nền tảng quốc gia như 5G, AI.”
Tương tự, tài liệu do Nhà Trắng, nước Mỹ, xuất bản ngày 23/07/2025 với tiêu đề “Chiến thắng cuộc đua: Kế hoạch hành động AI của nước Mỹ”29 cũng có đoạn nội dung về “Khuyến khích AI Nguồn Mở và AI trọng số mở”, với mục đích như sau:
“Các mô hình AI nguồn mở và AI trọng số mở được các nhà phát triển cung cấp miễn phí để bất kỳ ai trên thế giới cũng có thể tải xuống và chỉnh sửa. Các mô hình được phân phối theo cách này có giá trị đặc biệt cho đổi mới sáng tạo vì các công ty khởi nghiệp có thể sử dụng chúng một cách linh hoạt mà không phụ thuộc vào nhà cung cấp mô hình đóng. Chúng cũng mang lại lợi ích cho việc áp dụng AI trong thương mại và chính phủ vì nhiều doanh nghiệp và chính phủ có dữ liệu nhạy cảm mà họ không thể gửi cho các nhà cung cấp mô hình đóng. Và chúng rất cần thiết cho nghiên cứu học thuật, vốn thường dựa vào quyền truy cập vào trọng số và dữ liệu đào tạo của một mô hình để thực hiện các thí nghiệm khoa học nghiêm ngặt.
Chúng ta cần đảm bảo rằng nước Mỹ có các mô hình mở hàng đầu được xây dựng dựa trên các giá trị của Mỹ. Các mô hình nguồn mở và AI trọng số mở có thể trở thành tiêu chuẩn toàn cầu trong một số lĩnh vực kinh doanh và nghiên cứu học thuật trên toàn thế giới. Vì lý do đó, chúng cũng có giá trị địa chiến lược. Mặc dù quyết định về việc có nên phát hành mô hình mở hay đóng và cách phát hành về cơ bản là do nhà phát triển quyết định, nhưng chính phủ Liên bang nên tạo ra một môi trường hỗ trợ cho các mô hình mở.”
Bên cạnh mục đích nêu trên, tài liệu cũng liệt kê hàng loạt hành động chính sách được khuyến nghị nhằm khuyến khích AI Nguồn Mở và AI trọng số mở phát triển.
Các ứng dụng AI nguồn mở, LLM nguồn mở
Có vô số các ứng dụng AI trong thực tế mà người dùng có thể chọn để sử dụng, trong số đó có những ứng dụng AI mục đích chung và chuyên dụng, bao gồm cả các ứng dụng AI nguồn mở và nguồn đóng30.
Dù về tính minh bạch như được nêu ở phần trên còn có thể gây tranh cãi, một số dự án AI được thừa nhận rộng rãi là nguồn mở được liệt kê trong một bài đăng có tựa đề ‘12 dự án AI Nguồn Mở hàng đầu để bổ sung vào kho công nghệ của bạn’31 như: (1) TensorFlow; (2) PyTorch; (3) Keras; (4) Giskard; (5) Rasa; (6) Amazon SageMaker; (7) GPT4All; (8) Scikit-learn; (9) OpenCV; (10) H2O.ai; (11) Hugging Face Transformers; và (12) MindsDB.
Tương tự, bài đăng liệt kê ‘10 mô hình ngôn ngữ lớn (LLM) nguồn mở hàng đầu cho năm 2025’32 bạn có thể tùy chỉnh để tạo ra các ứng dụng AI cho riêng mình dựa trên chúng: (1) Meta AI; (2) Google Gemma 2; (3) Command R+; (4) Mistral-8x22b; (5) Falcon 2; (6) Grok 1.5; (7) Qwen1.5; (8) BLOOM; (9) GPT-NeoX; và (10) Vicuna-13B.
L7.2 Thực hành AI trong ứng dụng và phát triển TNGDM
Năng lực L7.2 có 4 nội dung: (1) Đầu ra của AI tạo sinh là TNGDM trong phạm vi công cộng; (2) Thừa nhận ghi công cho đầu ra của AI tạo sinh; (3) Lời nhắc đầu vào của AI tạo sinh nên được cấp phép mở để trở thành TNGDM; và (4) Các kỹ thuật lời nhắc.
Hình 8. Quan hệ giữa AI tạo sinh và TNGDM
Đầu ra của AI tạo sinh là TNGDM trong phạm vi công cộng
Báo cáo Bản quyền và AI33 của Văn phòng Bản quyền Hoa Kỳ, Phần 2, trang 10 nêu:
Hình 9. Đoạn trích từ báo cáo Bản quyền và AI
“Trong khi AI chỉ hỗ trợ tác giả trong quá trình sáng tạo, việc sử dụng AI không làm thay đổi khả năng bảo vệ bản quyền của sản phẩm. Ở thái cực ngược lại, nếu nội dung hoàn toàn do AI tạo ra, thì nội dung đó không thể được bảo vệ bản quyền.”
Lý do của điều này cũng được giải thích trong tài liệu nghiên cứu AI, Thiết kế hướng dẫn, và OER34 của David Wiley, rằng các tòa án tại nước Mỹ, bao gồm cả Tòa án tối cao, đã thống nhất giới hạn bảo vệ bản quyền theo Đạo luật bản quyền đối với các sáng tạo của tác giả là con người. Vì thế, ông đã nhắc lại trong nghiên cứu của mình:
“Theo Văn phòng Bản quyền Hoa Kỳ, đầu ra từ các chương trình như ChatGPT hoặc Stable Diffusion không đủ điều kiện để được bảo vệ bản quyền.”
Ông cũng khẳng định, trừ khi có điều gì đó khá nghiêm trọng xảy ra:
“Đầu ra của các chương trình AI tạo sinh sẽ tiếp tục được chuyển ngay vào phạm vi công cộng. Do đó, chúng sẽ là TNGDM theo định nghĩa chung.”
Điều này chính xác là những gì được nêu trong Định nghĩa TNGDM35 của UNESCO đối với các tài nguyên giáo dục nằm trong phạm vi công cộng.
Việc hiểu rõ Đầu ra của AI tạo sinh là TNGDM trong phạm vi công cộng có thể sẽ giúp các giảng viên, bằng việc sử dụng chúng, tiết kiệm được nhiều thời gian và công sức để hoàn thành các nhiệm vụ cụ thể trong công việc giảng dạy và học tập của mình.
Thừa nhận ghi công cho đầu ra của AI tạo sinh
Việc thừa nhận ghi công cho tác giả và nguồn gốc của tài nguyên là cơ bản và thiết yếu khi bạn sử dụng bất kỳ tài nguyên nào không do bạn tự tạo ra, bao gồm cả các tài nguyên là đầu ra của AI tạo sinh.
Một khi đầu ra của các mô hình/hệ thống/ứng dụng AI tạo sinh không đủ điều kiện để được bảo hộ bản quyền vì không phải do con người tạo ra, thì theo Luật bản quyền/Luật sở hữu trí tuệ, chúng không thể được coi là các tác giả/đồng tác giả, dù chúng hỗ trợ cho các tác giả con người trong các tác phẩm họ tạo ra với sự trợ giúp của các mô hình/hệ thống/ứng dụng AI tạo sinh đó.
Vậy việc thừa nhận ghi công sẽ như thế nào cho một tác phẩm do tác giả con người tạo ra trong đó có sử dụng các kết quả đầu ra của AI tạo sinh? Ví dụ, tác giả Nguyễn Văn A sáng tạo ra một tác phẩm được cấp giấy phép CC BY 4.0 với tiêu đề ‘Tài nguyên Giáo dục Mở trong thư viện’ trong đó có sử dụng các hình ảnh do Meta AI tạo ra, thì theo lưu ý của một cơ sở giáo dục về ‘Những lợi ích và thách thức của việc sử dụng AI để tạo lập TNGDM36’, việc thừa nhận ghi công cho tác giả và các hình ảnh đó có thể nên là như sau:
“Tài nguyên Giáo dục Mở trong thư viện” của Nguyễn Văn A được cấp giấy phép CC BY 4.0, ngoại trừ những nơi có ghi chú hoặc nội dung tương tự như “Tất cả hình ảnh đều do Meta AI tạo ra và thuộc phạm vi công cộng thông qua CC0”.
Lời nhắc đầu vào của AI tạo sinh nên được cấp phép mở để trở thành TNGDM
Trong khi đầu ra của AI tạo sinh được mặc định là các TNGDM nằm trong phạm vi công cộng, thì được khuyến nghị rằng lời nhắc đầu vào cho AI tạo sinh, một khi được thiết kế một cách tinh xảo, nên được cấp phép mở để trở thành TNGDM, để bất kỳ ai cũng có quyền không mất tiền để truy cập, sử dụng lại, tái mục đích, tùy chỉnh và phân phối lại chúng, như theo Định nghĩa TNGDM35 của UNESCO.
Nghiên cứu của David Wiley cho thấy, lời nhắc đầu vào cho AI tạo sinh, một khi được thiết kế một cách tinh xảo, có thể tạo ra các tài nguyên giáo dục chất lượng cao, ví dụ như các sách giáo khoa, có thể làm thay đổi cách thức quản lý và lưu trữ tài liệu ở thư viện, chẳng hạn như việc quản lý và lưu trữ các lời nhắc đầu vào cho AI tạo sinh là có thể xảy ra trong tương lai gần, thay vì việc quản lý và lưu trữ các tài liệu giấy/điện tử như hiện nay. Điều này có thể dẫn tới việc tạo ra các sách giáo khoa với nội dung “động” chứ không “tĩnh” như hiện nay, vì về bản chất, AI tạo sinh được đào tạo bởi lượng dữ liệu khổng lồ và gia tăng liên tục theo thời gian. Ông gọi các sách giáo khoa được tạo ra bởi AI tạo sinh là ‘Sách giáo khoa tạo sinh37’ (Generative Textbooks) và môi trường học tập mở có sử dụng AI tạo sinh là ‘Môi trường học tập mở tạo sinh38’ (Generative Open Learning Environment).
Hãy tưởng tượng, một ngày nào đó trong tương lai gần, bạn có thể tạo ra ngay lập tức bất cứ khi nào bạn cần một cuốn sách giáo khoa/tài liệu học tập bằng việc sử dụng một tệp mẫu temlate lời nhắc được cấp phép mở như là TNGDM để làm đầu vào cho các mô hình/hệ thống/ứng dụng AI tạo sinh chất lượng, và chắc chắn rằng việc làm đó là hoàn toàn hợp pháp, vì đầu ra của AI tạo sinh cũng là TNGDM nằm trong phạm vi công cộng.
Không giống như một lời nhắc thông thường dưới dạng một hoặc vài câu hỏi đơn giản, một lời nhắc được thiết kế một cách tinh xảo thường tuân theo một hoặc vài kỹ thuật lời nhắc cụ thể một cách bài bản, được tinh chỉnh liên tục để có thể được sử dụng lại nhiều lần, lặp đi lặp lại.
Ví dụ, để so sánh các điểm mạnh, yếu, cơ hội và thách thức (phân tích SWOT) của một khái niệm có tính tương phản hai mặt, chẳng hạn như AI Nguồn Mở và AI nguồn đóng, lời nhắc có thể được xây dựng như sau:
So sánh giữa AI Nguồn mở và AI nguồn đóng bằng phân tích SWOT
[Các điểm mạnh của AI Nguồn Mở]
[Các điểm yếu của AI Nguồn Mở]
[Các cơ hội của AI Nguồn Mở]
[Các thách thức của AI Nguồn Mở]
[Các điểm mạnh của AI Nguồn Đóng]
[Các điểm yếu của AI Nguồn Đóng]
[Các cơ hội của AI Nguồn Đóng]
[Các thách thức của AI Nguồn Đóng]
[So sánh các điểm mạnh, yếu, cơ hội, thách thức của AI Nguồn Mở và Nguồn Đóng]
[3-5 câu tóm tắt về việc lựa chọn AI Nguồn Mở so với AI Nguồn Đóng]
[URL tới các tài liệu tham chiếu của bài viết]
[Dịch toàn bộ bài viết trên sang tiếng Anh]
Tương tự, có thể xây dựng lời nhắc này bằng tiếng Anh rồi sau đó yêu cầu ứng dụng AI tạo sinh dịch kết quả nội dung đầu ra của nó sang tiếng Việt, như sau:
Comparison between Open AI and Closed AI using SWOT Analysis
[Strengths of Open AI]
[Weaknesses of Open AI]
[Opportunities of Open AI]
[Challenges of Open AI]
[Strengths of Closed AI]
[Weaknesses of Closed AI]
[Opportunities of Closed AI]
[Challenges of Closed AI]
[Compare the strengths, weaknesses, opportunities, and challenges of Open AI and Closed AI]
[3-5 sentences summary of the choice of Open AI vs. Closed AI]
[URL to the referenced documents of the article]
[Translate the entire article into Vietnamese]
Bằng mẫu template lời nhắc này, có thể so sánh bất kỳ khái niệm mới nào có hai mặt tương phản thông qua một phân tích SWOT, ví dụ như: phần mềm nguồn mở với phần mềm nguồn đóng; truy cập mở với truy cập đóng, dữ liệu mở với dữ liệu đóng …
Điều thú vị, bạn có thể thử so sánh các kết quả đầu ra khi lời nhắc được viết bằng tiếng Việt so với được viết bằng tiếng Anh cho cùng một ứng dụng AI tạo sinh, hoặc khi cùng một lời nhắc được đưa vào các ứng dụng AI tạo sinh khác nhau, ví dụ như Gemini, Meta AI, ChatGPT, DeepSeek hay Grok ... Trải nghiệm này còn cho thấy, bạn cần có tư duy phản biện và kiến thức chuyên sâu về bất kỳ chủ đề nào bạn quan tâm để có thể phân biệt đúng - sai, khi nào nên và không nên tin vào kết quả đầu ra của các ứng dụng AI.
Các kỹ thuật lời nhắc
Có thể có nhiều cách để học để đưa ứng dụng AI tạo sinh vào trong thực tế, nhưng cách tốt nhất có thể là học các kỹ thuật lời nhắc để tạo ra những lời nhắc tinh xảo, có ý nghĩa nhất cho các ứng dụng AI tạo sinh.
Bài đăng ‘Hướng dẫn kỹ thuật lời nhắc’39 liệt kê chi tiết 18 kỹ thuật lời nhắc, bao gồm: (1) Zero-Shot Prompting; (2) Few-Shot Prompting; (3) Chain-of-Thought Prompting; (4) Meta Prompting; (5) Self-Consistency; (6) Generated Knowledge Prompting; (7) Prompt Chaining; (8) Tree of Thoughts (ToT); (9) Retrieval Augmented Generation (RAG); (10) Automatic Reasoning and Tool-use (ART); (11) Automatic Prompt Engineer (APE); (12) Active-Prompt; (13) Directional Stimulus Prompting; (14) PAL (Program-Aided Language Models); (15) ReAct Prompting; (16) Reflexion; (17) Multimodal CoT Prompting; và (18) GraphPrompts.
3. Tín hiệu CC: Khế ước xã hội mới trong kỷ nguyên AI
Theo truyền thống, các cơ sở lưu trữ kiến thức như các phòng trưng bày, thư viện, kho lưu trữ và viện bảo tàng là những nơi mà người tiêu dùng kiến thức tiếp cận tới. Với sự ra đời và phát triển của Internet và chuyển đổi số, các tài nguyên thông tin không ở dạng kỹ thuật số (văn bản, hình ảnh, âm thanh, phim .v.v.) lần lượt được số hóa và chuyển lên web dưới dạng các tài nguyên kỹ thuật số, bên cạnh nhiều thông tin ở dạng kỹ thuật số khác được tạo ra từ sự hiện diện và các hoạt động nghiệp vụ của chính các cơ sở đó.
Trong kỷ nguyên AI, khi Đầu ra của AI tạo sinh như là TNGDM trong phạm vi công cộng, thì tính bền vững của TNGDM cũng sẽ phụ thuộc vào tính bền vững của toàn bộ hệ sinh thái thông tin/dữ liệu mà các mô hình/hệ thống/ứng dụng AI dựa trên đó. Khi này, nhiều khả năng người tiêu dùng kiến thức sẽ không còn tiếp cận tới các cơ sở lưu trữ đó nữa để có được kiến thức và các thông tin liên quan đến chúng, mà giao tiếp trực tiếp với các mô hình/hệ thống/ứng dụng AI.
Một mặt, việc đào tạo các mô hình AI dựa trên số lượng lớn dữ liệu cho thấy việc cấp phép mở cho từng tài nguyên như với TNGDM hiện nay không còn phù hợp nữa, mặt khác, việc nạo vét/khai thác triệt để hầu như toàn bộ thông tin/dữ liệu của web mở cũng như các nguồn tài nguyên nằm trong phạm vi công cộng, kể cả theo thời gian thực, để đào tạo các mô hình AI và/hoặc đáp ứng các câu hỏi (lời nhắc) của người dùng các mô hình/hệ thống/ứng dụng AI40, gây rủi ro làm xói mòn tính mở và tính bền vững của toàn bộ hệ sinh thái thông tin.
Đứng trước thách thức lớn này, tổ chức Creative Commons, với vai trò là nhà quản lý hệ thống giấy phép mở CC được thừa nhận trên phạm vi toàn cầu - các giấy phép đã giúp xây dựng web mở, bao gồm cả TNGDM và dữ liệu mở - đã đề xuất Tín hiệu CC (CC Signals)41, một khung nhằm giúp người quản trị nội dung thể hiện cách họ muốn sử dụng tác phẩm của mình trong đào tạo AI — nhấn mạnh tính có đi có lại, sự công nhận và tính bền vững trong việc máy móc tái sử dụng nội dung. Mục tiêu là để bảo tồn kiến thức mở bằng cách khuyến khích hành vi AI có trách nhiệm mà không hạn chế sự đổi mới. Như Giám đốc điều hành Creative Commons khẳng định: "Cũng giống như giấy phép CC đã giúp xây dựng web mở, chúng tôi tin rằng Tín hiệu CC sẽ giúp định hình một hệ sinh thái AI mở dựa trên sự có đi có lại".
“Khi trí tuệ nhân tạo (AI) biến đổi cách thức kiến thức được tạo ra, chia sẻ và tái sử dụng, chúng ta đang ở ngã ba đường sẽ định hình tương lai của việc tiếp cận kiến thức và sáng tạo chung. Một con đường dẫn đến việc khai thác dữ liệu và làm xói mòn tính mở; con đường còn lại dẫn đến một mạng Internet bị cản trở bởi các bức tường phí. Tín hiệu CC mang đến một con đường khác, dựa trên các giá trị tinh tế của cộng đồng được tập thể thể hiện.”
Bộ các tín hiệu CC gồm 4 tổ hợp thành phần:
-
Công trạng
-
Công trạng + đóng góp trực tiếp
-
Công trạng + đóng góp cho hệ sinh thái
-
Công trạng + Mở
Trong đó:
Công trạng (Credit): Bạn phải ghi nhận công trạng phù hợp dựa trên phương pháp, phương tiện và bối cảnh sử dụng của bạn
Đóng góp trực tiếp (Direct Contribution):
Bạn phải hỗ trợ bằng tiền hoặc hiện vật cho Bên công bố để họ phát
triển và duy trì tài sản, dựa trên định giá thiện chí có tính đến việc
bạn sử dụng tài sản & phương tiện tài chính của mình
Đóng góp cho hệ sinh thái (Ecosystem Contribution):
Bạn phải cung cấp hỗ trợ trở lại bằng tiền hoặc hiện vật cho hệ sinh
thái mà bạn đang được hưởng lợi, dựa trên định giá thiện chí có tính đến
việc bạn sử dụng tài sản và phương tiện tài chính của mình.
Mở (Open): Hệ thống AI được sử dụng phải là mở. Ví dụ, hệ thống AI phải đáp ứng Khung tính mở mô hình (MOF) Lớp II, MOF Lớp I (xem Bảng 2) hoặc Định nghĩa AI nguồn mở (OSAID) , như được nêu ở phần trên.
4. Lời kết
Trong bối cảnh, khi mà Bộ Giáo dục và Đào tạo dự kiến trong năm 2025 sẽ ban hành Nghị định Quy định về xây dựng, khai thác và sử dụng nguồn TNGDM trong giáo dục đại học42 nhằm triển khai Quyết định 1117/QĐ-TTg43 ngày 25/09/2023 của Thủ tướng Chính phủ Phê duyệt Chương trình xây dựng mô hình nguồn TNGDM trong giáo dục đại học, cũng như Kế hoạch 1919/KH-BGDĐT44 về Triển khai Quyết định số 1117/QĐ-TTg, trong khi Bộ Khoa học và Công nghệ dự kiến ban hành Luật Trí tuệ nhân tạo (AI)45 cũng trong năm 2025, thì việc đưa các nội dung AI, bao gồm cả ‘Tín hiệu CC: Khế ước xã hội mới trong kỷ nguyên AI’ vào tài liệu ‘Khung năng lực TNGDM cho giảng viên V3.0’ là thiết thực và kịp thời nhằm giúp các giảng viên đại học có thể có được các năng lực cần thiết về AI khi ứng dụng và phát triển TNGDM trong công tác giảng dạy, học tập và nghiên cứu của mình.
Tài liệu tham khảo
-
Lê Trung Nghĩa, Trần Ái Cầm (2024): Khung năng lực TNGDM cho giảng viên V2.0: https://zenodo.org/records/14235530
-
UNESCO (2024): Third UNESCO World OER Congress: Shaping the future of learning and access to knowledge: https://www.unesco.org/en/articles/third-unesco-world-oer-congress-shaping-future-learning-and-access-knowledge?hub=785. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/giao-duc/hoi-nghi-tai-nguyen-giao-duc-mo-the-gioi-lan-3-dinh-hinh-tuong-lai-viec-hoc-tap-va-quyen-truy-cap-toi-tri-thuc-1370.html
-
UNESCO (2024): Dubai Declaration on Open Educational Resources (OER): Digital Public Goods and Emerging Technologies for Equitable and Inclusive Access to Knowledge: https://unesdoc.unesco.org/ark:/48223/pf0000392271.locale=en. Bản dịch sang tiếng Việt: https://zenodo.org/records/14675896
-
United Nation Office for Digital and Emerging Technologies (2024): Global Digital Compact, p.5: https://www.un.org/global-digital-compact/sites/default/files/2024-09/Global%20Digital%20Compact%20-%20English_0.pdf. Bản dịch sang tiếng Việt: https://doi.org/10.5281/zenodo.15042420, tr.9.
-
UNESCO (2024): AI competency framework for teachers: https://unesdoc.unesco.org/ark:/48223/pf0000391104. Bản dịch sang tiếng Việt: https://zenodo.org/records/14897590
-
UNESCO (2024): AI competency framework for students: https://unesdoc.unesco.org/ark:/48223/pf0000391105. Bản dịch sang tiếng Việt: https://zenodo.org/records/14903158
-
UNESCO (2021): Recommendation on Ethics of Artificial Intelligence: https://unesdoc.unesco.org/ark:/48223/pf0000381137. Bản dịch sang tiếng Việt: https://www.dropbox.com/scl/fi/lvse01tmogkwlyur8tl00/381137eng_Vi-19072025.pdf?rlkey=lds7uvwtfvawdtz5vzmm3cixb&e=1&st=tp6p1e0d&dl=0
-
UK Cabinet Office (2025): The people factor: A human - centred approach to scaling AI tools: https://assets.publishing.service.gov.uk/media/683ef8c0d21e8a73d10d32ca/The_People_Factor_A_human-centred_approach_to_scaling_AI_tools.pdf. Bản dịch sang tiếng Việt: https://www.dropbox.com/scl/fi/2szhp8mxm8s51hv3uev0a/The_People_Factor_A_human-centred_approach_to_scaling_AI_tools_Vi-15062025.pdf?rlkey=rqlnac1a9t7ccrbyilae93uhg&e=1&st=mfspwgje&dl=0
-
EC (2022): DigComp 2.2: The Digital Competence Framework for Citizens - With new examples of knowledge, skills and attitudes: https://publications.jrc.ec.europa.eu/repository/handle/JRC128415 Bản dịch (một phần) sang tiếng Việt: https://www.dropbox.com/scl/fi/vi9hkz4w8ybg2186o5k6v/2.JRC128415_01_Vi-Chuong2_Landscape_Blog.pdf?rlkey=qf4oetkkpd4asmjnkedf2zxqf&e=1&dl=0
-
PixPro: Digital skills assessed by Pix: https://pix-site.cdn.prismic.io/pix-site/53462691-feb9-446f-95c0-edab1b16e11c_R%C3%A9f%C3%A9rentiel+comp%C3%A9tences+Pix+Pro_EN.pdf. Bản dịch sang tiếng Việt: https://zenodo.org/records/13365278
-
Trang Luật Việt Nam: Quyết định 2242/QĐ-UBND Đà Nẵng 2024 Khung năng lực số cho Công dân trên địa bàn TP: https://luatvietnam.vn/thong-tin/quyet-dinh-2242-qd-ubnd-da-nang-2024-khung-nang-luc-so-cho-cong-dan-tren-dia-ban-tp-369815-d2.html
-
Bộ Giáo dục và Đào tạo (24/01/2025): Thông tư số 02/2025/TT-BGDĐT: Quy định Khung năng lực số cho người học: https://datafiles.chinhphu.vn/cpp/files/vbpq/2025/01/02-bgddt.pdf
-
Trang Thư viện Pháp luật: Quyết định số 757/QĐ-BKHCN ngày 29/04/2025 Ban hành Khung kiến thức, kỹ năng số cơ bản và hướng dẫn đánh giá, xác nhận hoàn thành mức độ phổ cập kỹ năng số: https://thuvienphapluat.vn/van-ban/Cong-nghe-thong-tin/Quyet-dinh-757-QD-BKHCN-2025-Khung-kien-thuc-ky-nang-so-co-ban-655456.aspx
-
UK National Health Service (2023): AI and Digital Healthcare Technologies Capability framework: https://www.researchgate.net/publication/368684327_AI_and_Digital_Healthcare_Technologies_Capability_framework. Bản dịch sang tiếng Việt: https://www.dropbox.com/scl/fi/c5nyyiyu4wa7gzp3d67cx/NHS-DHTCapacityFramework-v3.3_Vi-23082024.pdf?rlkey=ugl2ew1zccn9vhac05784l3hd&e=1&st=d3kixz9g&dl=0
-
OpenPraxis (2024): The Manifesto for Teaching and Learning in a Time of GenerativeAI: A Critical Collective Stance to Better Navigate the Future: https://openpraxis.org/articles/777/files/6749b446d17e9.pdf. Bản dịch sang tiếng Việt: https://www.dropbox.com/scl/fi/3rwkmzqodszn7xxuf3dln/6749b446d17e9_Vi-10052025.pdf?rlkey=2dul6urx28xp46qibhpoqlms7&e=1&st=1xog04bw&dl=0
-
David Wiley (2024): Where Open Education Meets Generative AI: OELMs: https://opencontent.org/blog/archives/7628. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/noi-giao-duc-mo-gap-ai-tao-sinh-oelm-1480.html
-
David Wiley (2023): Generative Textbooks: https://opencontent.org/blog/archives/7238. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/sach-giao-khoa-tao-sinh-1474.html
-
David Wiley (2025): Democratizing Participation in AI in Education: https://opencontent.org/blog/archives/7821. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/dan-chu-hoa-su-tham-gia-vao-ai-trong-giao-duc-1547.html
-
David Wiley (2024): How Generative AI Affects Open Educational Resources: https://opencontent.org/blog/archives/7568
-
David Wiley (2025): Why Generative AI Is More Effective at Increasing Access to Educational Opportunity than OER: https://opencontent.org/blog/archives/7589. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/giao-duc/vi-sao-ai-tao-sinh-la-hieu-qua-hon-trong-viec-nang-cao-quyen-truy-cap-toi-co-hoi-giao-duc-so-voi-tai-nguyen-giao-duc-mo-oer-1477.html
-
Xem: https://giaoducmo.avnuc.vn/ai/, các bài đăng trong nửa đầu tháng 2/2025.
-
Open Data Institute (2025): If DeepSeek wants to be a real disruptor, it should go much further on data transparency: https://theodi.org/news-and-events/blog/if-deepseek-wants-to-be-a-real-disruptor-it-should-go-much-further-on-data-transparency/. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/neu-deepseek-muon-tro-thanh-mot-nguoi-pha-vo-thuc-su-no-phai-tien-xa-hon-nua-ve-tinh-minh-bach-cua-du-lieu-1382.html
-
Aaron Linskens (2025): Beyond open vs. closed: Understanding the spectrum of AI transparency: https://www.sonatype.com/blog/beyond-open-vs.-closed-understanding-the-spectrum-of-ai-transparency. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/vuot-ra-ngoai-ranh-gioi-mo-va-dong-hieu-ve-pho-minh-bach-cua-ai-1501.html
-
Open Source Initiative (OSI): The Open Source AI Definition – 1.0: https://opensource.org/ai/open-source-ai-definition. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/dinh-nghia-ai-nguon-mo-v1-0-1374.html
-
LF AI & Data - Generative AI Commons (2024): The Model Openness Framework (MOF) Specification: https://lfaidata.foundation/wp-content/uploads/sites/3/2025/01/05_White_paper_MOF_Specification.pdf. Bản dịch sang tiếng Việt: https://zenodo.org/records/16939515
-
Multimodal (2024): Open-Source AI vs. Closed-Source AI: What’s the Difference?: https://www.multimodal.dev/post/open-source-ai-vs-closed-source-ai. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/ai-nguon-mo-so-voi-ai-nguon-dong-dau-la-su-khac-biet-1499.html
-
index.dev: Open-Source vs. Closed AI: Who Should You Trust?: https://www.index.dev/blog/open-source-vs-closed-ai-guide. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/ai-nguon-mo-so-voi-dong-ban-se-tin-ai-1500.html
-
Lê Trung Nghĩa, https://orcid.org/0009-0007-7683-7703: Bàn về 'Lợi thế của doanh nghiệp Việt là dữ liệu Việt, bài toán Việt' - bài phát biểu của Bộ trưởng Nguyễn Mạnh Hùng ngày 21/08/2025: https://zenodo.org/records/17103251
-
The White House (2025): Winning the Race AMERICA’S AI ACTION PLAN: https://www.whitehouse.gov/wp-content/uploads/2025/07/Americas-AI-Action-Plan.pdf, p.4-5. Bản dịch sang tiếng Việt, đoạn về ‘Khuyến khích AI Nguồn Mở và AI trọng số mở’: https://giaoducmo.avnuc.vn/ai/khuyen-khich-ai-nguon-mo-va-ai-trong-so-mo-tu-tai-lieu-chien-thang-cuoc-dua-ke-hoach-hanh-dong-ai-cua-nuoc-my-do-nha-trang-xuat-ban-ngay-23-07-2025-1502.html
-
Ema Lukan (2025): The 50 Best AI Tools for 2025 (Tried and Tested): https://www.synthesia.io/post/ai-tools. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/50-cong-cu-ai-tot-nhat-cho-nam-2025-da-thu-va-kiem-nghiem-1431.html
-
Jess Lulka (2025): Top 12 Open Source AI Projects to Add to Your Tech Stack: https://www.digitalocean.com/resources/articles/open-source-ai-platforms. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/12-du-an-ai-nguon-mo-hang-dau-de-bo-sung-vao-kho-cong-nghe-cua-ban-1507.html
-
NetappInstaclustr: Top 10 open source LLMs for 2025: https://www.instaclustr.com/education/open-source-ai/top-10-open-source-llms-for-2025/. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/10-mo-hinh-ngon-ngu-lon-llm-nguon-mo-hang-dau-cho-nam-2025-1557.html
-
United States Copyright Office (January 2025): Copyright and Artificial Intelligence. Part 2: Copyrightability: https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-2-Copyrightability-Report.pdf, p.10.
-
David Wiley (2023): AI, Instructional Design, and OER: https://opencontent.org/blog/archives/7129. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/ai-thiet-ke-huong-dan-va-tai-nguyen-giao-duc-mo-oer-1473.html
-
UNESCO (2019): Recommendation on Open Educational Resources (OER), p.5: https://unesdoc.unesco.org/ark:/48223/pf0000373755/PDF/373755eng.pdf.multi.page=3. Bản dịch sang tiếng Việt: https://www.dropbox.com/scl/fi/7apdot5yilc9msz3f6wo1/DCPMS_U1911920_Vi-04122019.pdf?rlkey=x7pw6229008b06tvf23h9plw9&e=1&dl=0, tr. 6.
-
Tiderwater Community College: ChatGPT and AI Tools Faculty Research Guide. Benefits and Challenges of Using AI to Create OER: https://libguides.tcc.edu/c.php?g=1313261&p=10209997.
-
David Wiley (2023): Generative Textbooks: https://opencontent.org/blog/archives/7238. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/sach-giao-khoa-tao-sinh-1474.html
-
David Wiley (2025): Naming Things is Hard: From OELMs to GOLEs: https://opencontent.org/blog/archives/7731. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/dat-ten-cho-moi-thu-that-kho-tu-oelm-den-gole-1481.html
-
Prompt Engineering: Prompt Engineering Guide: https://www.promptingguide.ai/. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/huong-dan-ky-thuat-loi-nhac-1569.html
-
Creative Commons (2025): From Human Content to Machine Data: Introducing CC Signals. Background. How AI Models Use Data, p.5-6: https://creativecommons.org/wp-content/uploads/2025/06/Human-Content-to-Machine-Data_Final.pdf. Bản dịch sang tiếng Việt: https://zenodo.org/records/17052076, tr. 5-7.
-
Creative Commons: CC Signals: A New Social Contract for the Age of AI: https://creativecommons.org/ai-and-the-commons/cc-signals/. Bản dịch sang tiếng Việt: https://giaoducmo.avnuc.vn/ai/tin-hieu-cc-mot-khe-uoc-moi-voi-xa-hoi-cho-ky-nguyen-ai-1552.html
-
Nghị định còn chưa được ban hành tại thời điểm tài liệu này hoàn thành.
-
Trang thông tin điện tử Chính phủ: Quyết định số 1117/QĐ-TTg của Thủ tướng Chính phủ: Phê duyệt Chương trình xây dựng mô hình nguồn tài nguyên giáo dục mở trong giáo dục đại học: https://vanban.chinhphu.vn/?pageid=27160&docid=208699
-
Bộ Giáo dục và Đào tạo (2024): Kế hoạch 1919/KH-BGDĐT về Triển khai Quyết định số 1117/QĐ-TTg ngày 25/09/2023 của Thủ tướng Chính phủ Phê duyệt Chương trình xây dựng mô hình nguồn TNGDM trong giáo dục đại học: https://moet.gov.vn/van-ban/vbdh/Pages/chi-tiet-van-ban.aspx?ItemID=3806
-
Báo Điện tử Chính phủ (2025): Việt Nam sắp có Luật Trí tuệ nhân tạo (AI): https://baochinhphu.vn/viet-nam-sap-co-luat-tri-tue-nhan-tao-ai-102250830102345694.htm
Bài viết cho Hội thảo ‘Ứng dụng AI trong nghiên cứu khoa học và giáo dục mở’ do Trung tâm Công nghệ Thông tin, Bộ Khoa học và Công nghệ và Trường Đại học Nguyễn Tất Thành tổ chức ngày 14/11/2025 tại TP. Hồ Chí Minh.
Tự do tải về bài toàn văn định dạng PDF ở DOI: 10.5281/zenodo.17601373
Tự do tải về bài trình chiếu tại địa chỉ: https://www.dropbox.com/scl/fi/92ev5hded1z00kyuiy7wx/AI-OER-Framework-3.0_Presentation.pdf?rlkey=t3z4a1cfb6ss7gubyifmwvgef&st=h1jstm75&dl=0
X(Tweet): https://x.com/nghiafoss/status/1989184674451841159
Xem thêm:
