A proposed AI Chatbot model integrating Retrieval-Augmented Generation and Human-in-the-Loop for University student support
ThS. Trương Quốc Anh
Trường Đại học Thương mại
Mail: anh.tq@tmu.edu.vn
PGS.TS. Nguyễn Thị Thu Thủy
Trường Đại học Thương mại
Mail: thuynguyenthithu@tmu.edu.vn
ThS. Vũ Quang Huy
Trường Đại học Thương mại
Mail: huyvq@tmu.edu.vn
(Quanlynhanuoc.vn) – Phát triển của trí tuệ nhân tạo (AI) đang mở ra nhiều cơ hội trong hỗ trợ sinh viên đại học, đặc biệt là học từ xa, học tập theo học phần và nghiên cứu khoa học. Tuy nhiên, việc ứng dụng Chatbot AI trong môi trường học thuật còn đặt ra thách thức về độ tin cậy của câu trả lời, khả năng truy xuất nguồn học liệu và việc kiểm soát chuyên môn của giảng viên. Vì vậy, bài viết đề xuất mô hình Chatbot AI kết hợp sinh nội dung tăng cường bằng truy xuất (Retrieval-Augmented Generation – RAG) và cơ chế con người tham gia kiểm soát (Human-in-the-Loop – HITL) nhằm xây dựng hệ thống hỗ trợ học tập dựa trên tri thức, tích hợp phản hồi và bảo đảm hậu kiểm học thuật. Trong đó, tổng hợp một số nghiên cứu có liên quan, bài viết xây dựng kiến trúc hệ thống gồm cơ sở tri thức học thuật, mô-đun truy xuất thông tin, mô hình ngôn ngữ lớn và quy trình phản hồi – hậu kiểm giữa sinh viên, chatbot và giảng viên. Từ đó, đề xuất một số giải pháp góp phần nâng cao chất lượng hỗ trợ học tập, giảm rủi ro phản hồi thiếu căn cứ; đồng thời, thúc đẩy việc sử dụng AI có trách nhiệm trong giáo dục đại học.
Từ khóa: Chatbot AI, Retrieval-Augmented Generation, Human-in-the-Loop, giáo dục đại học, hỗ trợ học tập.
Abstract: The development of artificial intelligence (AI) is creating numerous opportunities to support university students, particularly in distance learning, course-based learning, and scientific research. However, the application of AI chatbots in academic settings presents challenges related to the reliability of responses, the retrieval of learning resources, and faculty oversight of academic expertise. Therefore, this article proposes an AI chatbot model that integrates RAG with a HITL mechanism to develop a knowledge-based learning support system that incorporates feedback and ensures academic review. Based on a review of relevant studies, the article develops a system architecture comprising an academic knowledge base, an information retrieval module, a large language model, and a feedback and review process involving students, the chatbot, and faculty members. Accordingly, several solutions are proposed to improve the quality of learning support, reduce the risk of unsupported responses, and promote the responsible use of AI in higher education.
Keywords: Chatbot AI, RAGetrieval-Augmented Generation, Human-in-the-Loop, higher education, learning support.
1. Đặt vấn đề
Trong bối cảnh chuyển đổi số giáo dục đại học, nhu cầu hỗ trợ sinh viên trong học tập, học từ xa và nghiên cứu khoa học ngày càng trở nên quan trọng. Sự phát triển của các nền tảng học tập trực tuyến, hệ thống quản lý học tập và nguồn học liệu số đã làm thay đổi cách sinh viên tiếp cận tri thức, tương tác với giảng viên và thực hiện các nhiệm vụ học thuật. Tuy nhiên, trong quá trình học tập, sinh viên vẫn thường gặp khó khăn như chưa hiểu rõ nội dung bài giảng, thiếu định hướng khi tìm kiếm tài liệu, chưa biết cách ôn tập hiệu quả hoặc còn lúng túng trong việc xây dựng đề cương nghiên cứu khoa học. Đặc biệt là việc học từ xa và học kết hợp, việc hạn chế về tương tác trực tiếp khiến nhu cầu được hỗ trợ ngoài giờ học chính thức trở nên rõ rệt. Từ đó, Chatbot AI được xem là một công cụ có tiềm năng trong việc hỗ trợ sinh viên tra cứu thông tin học phần, giải thích nội dung bài học, gợi ý tài liệu, hỗ trợ tự học và tương tác ngoài giờ học. So với các chatbot kịch bản truyền thống, Chatbot AI dựa trên mô hình ngôn ngữ lớn có khả năng xử lý câu hỏi bằng ngôn ngữ tự nhiên và tạo phản hồi linh hoạt hơn theo ngữ cảnh. Điều này giúp Chatbot AI có thể đóng vai trò như một lớp hỗ trợ học tập ban đầu, góp phần giảm bớt các câu hỏi lặp lại cho giảng viên và tạo điều kiện để sinh viên tiếp cận thông tin nhanh hơn. Tuy nhiên, khi được sử dụng trong môi trường học thuật, Chatbot AI không chỉ cần phản hồi nhanh mà còn phải bảo đảm tính chính xác, có căn cứ nguồn và phù hợp với nội dung đào tạo của từng cơ sở giáo dục.
Tuy nhiên, nếu chatbot chỉ dựa vào tri thức tổng quát của mô hình ngôn ngữ lớn, phản hồi có thể thiếu nguồn kiểm chứng, không bám sát tài liệu học phần có thể đưa ra thông tin sai lệch ảnh hưởng trực tiếp đến quá trình học tập của sinh viên. Vì vậy, việc phát triển Chatbot AI trong giáo dục đại học cần hướng đến mô hình vận hành có kiểm soát, tạo phản hồi linh hoạt, truy xuất nguồn học liệu đã xác thực và chịu sự giám sát của giảng viên.
Chính vì vậy, RAG và HITL là hai hướng tiếp cận có ý nghĩa quan trọng. Trong đó, RAG giúp chatbot truy xuất thông tin từ cơ sở tri thức học thuật trước khi tạo câu trả lời, từ đó, tăng tính căn cứ và khả năng truy vết nguồn của phản hồi. HITL cho phép giảng viên tham gia vào quá trình đánh giá, hậu kiểm và điều chỉnh các phản hồi có rủi ro, giúp duy trì vai trò kiểm soát chuyên môn của con người trong hệ thống AI giáo dục. Tuy nhiên, việc kết hợp RAG và HITL trong một mô hình Chatbot AI hỗ trợ sinh viên đại học vẫn cần được làm rõ, đặc biệt ở mối liên hệ giữa cơ sở tri thức học thuật, quy trình truy xuất thông tin, phản hồi của sinh viên và vai trò hậu kiểm của giảng viên.
Từ khoảng trống đó, bài viết tập trung nghiên cứu mô hình Chatbot AI sử dụng kết hợp RAG và HITL nhằm hỗ trợ sinh viên đại học trong việc học tập từ xa, học theo học phần và nghiên cứu khoa học. Đặc biệt, nghiên cứu hướng đến việc xây dựng kiến trúc hệ thống, gồm: cơ sở tri thức học thuật, mô-đun truy xuất thông tin, mô hình ngôn ngữ lớn và cơ chế phản hồi – hậu kiểm giữa sinh viên, chatbot và giảng viên. Mô hình này góp phần giảm thiểu các phản hồi thiếu căn cứ, tăng cường vai trò kiểm soát học thuật của giảng viên và thúc đẩy việc ứng dụng AI có trách nhiệm trong giáo dục đại học.
2. Tổng quan nghiên cứu
Trong bối cảnh giáo dục đại học ngày càng mở rộng các hình thức học từ xa, học kết hợp, học tập trên nền tảng số và học ngoài giờ ngày càng trở nên cần thiết. Vì vậy, Chatbot AI được xem là công cụ có tiềm năng trong việc cung cấp phản hồi nhanh, hỗ trợ tự học và giảm bớt các câu hỏi lặp lại cho giảng viên. Các nghiên cứu tổng quan cho thấy, Chatbot AI trong giáo dục có thể hỗ trợ hỏi – đáp, giải thích nội dung, gợi ý tài nguyên học tập và cá nhân hóa trải nghiệm học tập của sinh viên (Labadze và cộng sự, 2023; Debets và cộng sự, 2025).
Theo đó, các nghiên cứu trước đây về AI hỗ trợ học tập trong giáo dục đã được triển khai theo nhiều hướng khác nhau. Cụ thể, chatbot có thể hoạt động như một trợ lý giảng dạy ảo, hỗ trợ tương tác học tập của sinh viên trong môi trường đại học (Essel và cộng sự, 2022). Theo, (Sajja và cộng sự, 2023) đề xuất trợ lý học tập thông minh định hướng học phần, có khả năng trả lời các câu hỏi liên quan đến chương trình môn học, lịch học, chính sách học thuật và thông tin khóa học. Bên cạnh đó, các nghiên cứu về học tập thích ứng và hệ thống gia sư thông minh đã cho thấy khả năng cá nhân hóa quá trình hỗ trợ sinh viên. Còn (Kabudi và cộng sự, 2021) chỉ ra rằng, các hệ thống học tập thích ứng có ứng dụng AI có thể sử dụng dữ liệu về tiến độ, kết quả học tập và hành vi của người học để nhận diện và đề xuất nội dung phù hợp hơn. Theo đó, các mô hình công nghệ học tập có thể hỗ trợ cá nhân hóa trải nghiệm học tập thông qua việc điều chỉnh nội dung, hoạt động và lộ trình học theo nhu cầu của người học (Alamri và cộng sự, 2021). Bên cạnh đó, có khả năng hỗ trợ người học thông qua việc kết hợp mô hình tri thức, mô hình người học và cơ chế hướng dẫn phù hợp (Singh và cộng sự, 2022). Tương tự, (Bradáč và cộng sự, 2022) đề xuất mô hình sử dụng hệ chuyên gia để xây dựng kế hoạch học tập cá nhân; đồng thời, điều chỉnh kế hoạch này dựa trên kết quả học tập của sinh viên. Những nghiên cứu này khẳng định vai trò của AI trong việc mở rộng khả năng hỗ trợ người học và nâng cao tính linh hoạt của môi trường học tập số.
Tuy nhiên, các hướng tiếp cận trên vẫn còn một số hạn chế nhất định khi áp dụng trong môi trường học thuật. Các hệ thống gia sư thông minh và học tập thích ứng có ưu điểm về cá nhân hóa và logic sư phạm, nhưng thường phụ thuộc vào cấu trúc dữ liệu được thiết kế sẵn, khó mở rộng sang các nguồn học liệu đa dạng và chưa thật sự linh hoạt. Ngược lại, các chatbot dựa trên mô hình ngôn ngữ lớn có khả năng tạo phản hồi linh hoạt hơn, nhưng lại đối mặt với rủi ro khi đưa ra thông tin còn thiếu căn cứ, hoặc chưa phù hợp với chuẩn mực học thuật. Vì vậy, trong giáo dục đại học, không chỉ là trả lời câu hỏi nhanh, mà cần bảo đảm câu trả lời có nguồn trích dẫn, đúng ngữ cảnh học phần và có thể được kiểm chứng.
Để khắc phục hạn chế này, RAG được xem là một hướng tiếp cận phù hợp cho Chatbot AI giáo dục, kết hợp khả năng tạo sinh của mô hình ngôn ngữ với cơ chế truy xuất tri thức từ nguồn dữ liệu bên ngoài (Lewis và cộng sự, 2020). Theo đó, RAG cho phép hệ thống truy xuất thông tin từ bài giảng, giáo trình, đề cương học phần, tài liệu nghiên cứu và các nguồn học thuật đã được xác thực trước khi tạo câu trả lời. Cách tiếp cận này giúp tăng tính căn cứ, giảm nguy cơ phản hồi thiếu nguồn và hỗ trợ người học truy vết thông tin. Bên cạnh RAG, HITL nhấn mạnh vai trò của con người trong quá trình vận hành và kiểm soát hệ thống AI. Trong giáo dục, HITL cho phép giảng viên tham gia giám sát, đánh giá, hậu kiểm và điều chỉnh những phản hồi có nguy cơ sai lệch hoặc không phù hợp, thay vì để chatbot hoạt động hoàn toàn tự động. (Memarian và Doleck, 2024) cho rằng, con người cần được đưa vào vòng lặp nhằm giám sát, đánh giá và điều chỉnh các kết quả do AI tạo ra. Tương tự, (Tarun và cộng sự, 2025) nhấn mạnh vai trò của phản hồi có cấu trúc từ người học và giảng viên trong việc nâng cao chất lượng phản hồi của các hệ thống AI tạo sinh. Sự kết hợp giữa RAG và HITL có thể góp phần nâng cao độ tin cậy, tính phù hợp và khả năng kiểm soát của Chatbot AI trong môi trường giáo dục. Từ đó, HITL giúp giảm rủi ro sai lệch học thuật và duy trì vai trò chuyên môn của giảng viên trong quá trình ứng dụng AI vào giáo dục.
Từ các nghiên cứu trên có thể thấy, Chatbot AI trong giáo dục đã được tiếp cận từ nhiều góc độ, như: trợ lý học tập ảo, hệ thống gia sư thông minh, học tập thích ứng, xử lý ngôn ngữ tự nhiên, RAG và HITL. Tuy nhiên, phần lớn các nghiên cứu vẫn tập trung vào từng thành phần riêng lẻ, trong khi mô hình kết hợp giữa RAG và HITL cho Chatbot AI hỗ trợ sinh viên đại học chưa được làm rõ đầy đủ. Chính vì vậy, khoảng trống đặt ra, cần xây dựng một kiến trúc có khả năng kết nối cơ sở tri thức học thuật, quy trình truy xuất thông tin, mô hình ngôn ngữ lớn, phản hồi của sinh viên và vai trò hậu kiểm của giảng viên. Đây là cơ sở để bài viết đề xuất mô hình Chatbot AI kết hợp RAG và HITL nhằm nâng cao độ tin cậy, tính có căn cứ và khả năng kiểm soát học thuật của hệ thống hỗ trợ sinh viên đại học.
3. Phương pháp nghiên cứu
Nghiên cứu sử dụng phương pháp tổng quan tài liệu kết hợp với phân tích thiết kế mô hình nhằm đề xuất mô hình Chatbot AI hỗ trợ sinh viên đại học dựa trên sự kết hợp giữa RAG và HITL, cụ thể:
Phương pháp tổng quan tài liệu: nghiên cứu tiến hành tổng hợp và phân tích các công trình liên quan đến Chatbot AI trong giáo dục, trợ lý học tập ảo, mô hình ngôn ngữ lớn, RAG, HITL và các hệ thống hỗ trợ học tập trong giáo dục đại học. Trên cơ sở đó, bài viết xác định các hướng tiếp cận đã được nghiên cứu, những ưu điểm của Chatbot AI trong hỗ trợ sinh viên; đồng thời, chỉ ra một số hạn chế về độ tin cậy của phản hồi, khả năng truy xuất nguồn học liệu và cơ chế kiểm soát chất lượng học thuật.
Phương pháp phân tích và thiết kế mô hình: nghiên cứu xây dựng mô hình Chatbot AI gồm các thành phần: (1) Cơ sở tri thức học thuật; (2) Mô-đun truy xuất thông tin RAG; (3) Mô hình ngôn ngữ lớn; (4) Giao diện tương tác với sinh viên và cơ chế phản hồi – hậu kiểm HITL có sự tham gia của giảng viên. Trong mô hình này, RAG được sử dụng để truy xuất thông tin từ các nguồn học liệu đã được xác thực trước khi tạo câu trả lời, còn HITL cho phép giảng viên đánh giá, điều chỉnh và kiểm soát các phản hồi có rủi ro.
Phương pháp phân tích luồng xử lý hệ thống: nghiên cứu mô tả quy trình vận hành của chatbot theo các bước: (1) Giảng viên cập nhật cơ sở tri thức; (2) Hệ thống xử lý và mã hóa học liệu; (3) Sinh viên gửi câu hỏi; (4) Mô-đun RAG truy xuất tài liệu liên quan; (5) Mô hình ngôn ngữ lớn tạo phản hồ; (6) Sinh viên đánh giá câu trả lời và các phản hồi chưa phù hợp được chuyển đến giảng viên để hậu kiểm. Quy trình này làm rõ mối liên hệ giữa sinh viên, chatbot, cơ sở dữ liệu học thuật và vai trò kiểm soát của giảng viên.
Phương pháp đánh giá tính khả thi của mô hình: mô hình đề xuất được đánh giá theo các phương diện gồm mức độ phù hợp với nhu cầu hỗ trợ sinh viên, tính khả thi về kỹ thuật, khả năng tổ chức – quản lý, rủi ro về thông tin sai lệch và quyền riêng tư dữ liệu cũng như các điều kiện bảo đảm khi triển khai trong môi trường giáo dục đại học. Các tiêu chí này được sử dụng để xem xét khả năng ứng dụng của mô hình trong thực tế và làm cơ sở cho các nghiên cứu thực nghiệm tiếp theo.
4. Mô hình đề xuất
Mô hình đề xuất được thể hiện ở Hình 1. Về dữ liệu đầu vào của mô hình, nghiên cứu xác định cơ sở tri thức học thuật là nguồn dữ liệu nền tảng để Chatbot AI tạo phản hồi có căn cứ. Cơ sở tri thức này bao gồm các tài liệu đã được giảng viên hoặc đơn vị chuyên môn xác thực, như: bài giảng, giáo trình, slide học phần, đề cương môn học, hướng dẫn học tập, hướng dẫn nghiên cứu khoa học, tiêu chí đánh giá, đề cương mẫu và các câu hỏi thường gặp. Các tài liệu này được lựa chọn, nhằm bảo đảm chatbot không chỉ trả lời dựa trên tri thức tổng quát của mô hình ngôn ngữ lớn, mà còn bám sát nội dung học phần và yêu cầu đào tạo của cơ sở giáo dục đại học. Trong quy trình xử lý, học liệu được thu thập, chuẩn hóa, chia nhỏ thành các đoạn tri thức dưới dạng vector embedding phục vụ quá trình truy xuất của mô-đun RAG. Cách tổ chức dữ liệu này giúp hệ thống có khả năng tìm kiếm các đoạn tài liệu liên quan trước khi trả lời cho sinh viên.
Đối với cấu trúc mô hình đề xuất, mô hình Chatbot AI được xây dựng theo ba khối chính: (1) Người dùng; (2) Xử lý chatbot AI; (3) Cơ sở dữ liệu. Khối người dùng bao gồm sinh viên và giảng viên, trong đó sinh viên đặt câu hỏi, tiếp nhận và đánh giá chất lượng phản hồi, còn giảng viên giữ vai trò xác thực tri thức, hậu kiểm các phản hồi có rủi ro và điều chỉnh quy tắc học thuật. Trong mô hình này, HITL được hiểu là cơ chế giảng viên tham gia vào vòng lặp xác thực tri thức, hậu kiểm phản hồi rủi ro và cải thiện cơ sở tri thức thay vì thay thế chatbot trong toàn bộ quá trình trả lời. Khối xử lý Chatbot AI gồm giao diện chat, bộ xử lý ngôn ngữ tự nhiên, mô-đun RAG, mô hình ngôn ngữ lớn và mô-đun ghi nhận phản hồi, kích hoạt hậu kiểm HITL khi cần thiết. Khối cơ sở dữ liệu gồm cơ sở tri thức học thuật và cơ sở dữ liệu phản hồi – hậu kiểm. Cấu trúc này cho thấy, mô hình không vận hành như một chatbot hỏi – đáp mà là một hệ thống hỗ trợ học tập có kiểm soát, trong đó nguồn tri thức học thuật, phản hồi của sinh viên và vai trò chuyên môn của giảng viên được tích hợp trực tiếp vào quy trình vận hành.
Hình 1. Mô hình tổng quan Chatbot AI hỗ trợ sinh viên kết hợp RAG và HITL
Nguồn: Nhóm tác giả đề xuất.
Sơ đồ luồng xử lý của hệ thống xem ở Hình 2. Kết quả xây dựng mô hình cho thấy, quy trình vận hành của Chatbot AI gồm ba giai đoạn. Giai đoạn thứ nhất là chuẩn bị và cập nhật cơ sở tri thức, trong đó giảng viên hoặc đơn vị chuyên môn cập nhật học liệu, còn hệ thống thực hiện chuẩn hóa, chia đoạn, tạo embedding và lưu trữ dữ liệu vào cơ sở tri thức học thuật. Giai đoạn thứ hai là tiếp nhận câu hỏi và tạo phản hồi, trong đó sinh viên gửi yêu cầu qua giao diện chat, hệ thống phân tích câu hỏi, mô-đun RAG truy xuất các tài liệu liên quan, sau đó mô hình ngôn ngữ lớn tạo câu trả lời dựa trên ngữ cảnh truy xuất. Giai đoạn thứ ba là đánh giá, hậu kiểm và cải thiện hệ thống, trong đó sinh viên đánh giá chất lượng câu trả lời; các phản hồi chưa rõ, thiếu căn cứ hoặc có rủi ro học thuật được chuyển đến giảng viên để hậu kiểm, chỉnh sửa hoặc bổ sung nguồn. Việc chuyển phản hồi sang hậu kiểm có thể dựa trên đánh giá của sinh viên, mức độ thiếu căn cứ nguồn, độ tin cậy của kết quả truy xuất hoặc việc câu hỏi thuộc nhóm nội dung có rủi ro học thuật cao. Chỉ những tri thức đã được xác nhận mới được chuẩn hóa và cập nhật lại vào cơ sở tri thức học thuật.
Hình 2. Sơ đồ luồng xử lý của hệ thống Chatbot AI hỗ trợ sinh viên kết hợp RAG và HITL
Nguồn: Nhóm tác giả đề xuất.
Đối với các chức năng của mô hình, việc xác định các nhóm chức năng của chatbot được đặt trên nguyên tắc lấy sinh viên làm trung tâm, trong đó hệ thống cần hỗ trợ quyền tự chủ, khả năng tự học và sự tham gia chủ động của người học trong quá trình học tập (Lee và Hannafin, 2016). Mô hình Chatbot AI được thiết kế để hỗ trợ ba nhóm nhu cầu chính của sinh viên đại học: học từ xa, học tập theo học phần và nghiên cứu khoa học. Đối với học từ xa, chatbot hỗ trợ sinh viên tiếp cận học liệu, đặt câu hỏi ngoài giờ học và nhận gợi ý học tập. Đối với học tập theo học phần, chatbot có thể giải thích khái niệm, tóm tắt bài giảng, gợi ý câu hỏi ôn tập, tạo dàn ý học tập và đề xuất tài liệu bổ sung. Đối với nghiên cứu khoa học, chatbot hỗ trợ sinh viên chọn đề tài, xác định vấn đề nghiên cứu, xây dựng mục tiêu, câu hỏi nghiên cứu, phương pháp và cấu trúc đề cương. Tuy nhiên, chatbot chỉ đóng vai trò hỗ trợ định hướng, còn việc lựa chọn nội dung cuối cùng và bảo đảm liêm chính học thuật vẫn thuộc về sinh viên dưới sự hướng dẫn của giảng viên.
Nhìn chung, kết quả xây dựng mô hình Chatbot AI kết hợp RAG và HITL có khả năng khắc phục một số hạn chế của Chatbot AI tự động trong môi trường học thuật. RAG giúp hệ thống tạo phản hồi dựa trên nguồn học liệu đã được xác thực, HITL đưa giảng viên vào quá trình đánh giá và kiểm soát chất lượng câu trả lời. Mô hình này phù hợp với định hướng xây dựng Chatbot AI có kiểm soát trong giáo dục đại học, hỗ trợ sinh viên học tập linh hoạt hơn; đồng thời, duy trì vai trò chuyên môn của giảng viên trong quá trình ứng dụng AI vào công tác đào tạo. Tuy nhiên, do nghiên cứu hiện chủ yếu dừng ở mức đề xuất mô hình, kết quả trên cần được kiểm định thêm thông qua triển khai thí điểm trên các học phần cụ thể, sử dụng bộ câu hỏi thực tế của sinh viên và các chỉ số đánh giá như độ chính xác, mức độ có căn cứ nguồn, mức độ hài lòng của sinh viên, tỷ lệ phản hồi cần hậu kiểm và mức độ giảm tải cho giảng viên.
5. Thảo luận
Kết quả xây dựng mô hình cho thấy, Chatbot AI kết hợp RAG và HITL có tiềm năng giải quyết các vấn đề đặt ra trong nghiên cứu, đó là nâng cao độ tin cậy của phản hồi và tăng cường kiểm soát học thuật trong quá trình hỗ trợ sinh viên đại học.
Tại Hình 1, mô hình tổng quan gồm ba thành phần chính: người dùng, hệ thống xử lý Chatbot AI và cơ sở dữ liệu. Cấu trúc này phân định vai trò của từng thành phần trong hệ thống. Sinh viên đặt câu hỏi, tiếp nhận và đánh giá kết quả; Chatbot AI tiếp nhận yêu cầu, truy xuất thông tin và tạo câu trả lời; giảng viên xác thực tri thức, hậu kiểm những nội dung có rủi ro và điều chỉnh các quy tắc học thuật. Như vậy, HITL trong mô hình không làm mất đi tính tự động của chatbot, mà bổ sung một lớp kiểm soát chuyên môn cần thiết để bảo đảm chất lượng học thuật. Giá trị của mô hình vì thế không chỉ nằm ở việc sử dụng RAG hoặc HITL như hai kỹ thuật riêng lẻ, mà nằm ở cách kết nối dữ liệu học thuật, phản hồi của sinh viên và quyết định chuyên môn của giảng viên trong một quy trình vận hành thống nhất.
Tại Hình 2, luồng xử lý của hệ thống cho thấy, mô hình không vận hành theo hướng một chiều từ câu hỏi đến câu trả lời, mà hình thành một vòng lặp cải thiện liên tục. Sinh viên gửi câu hỏi, hệ thống phân tích yêu cầu, mô-đun RAG truy xuất các đoạn tri thức liên quan, sau đó mô hình ngôn ngữ lớn tạo phản hồi dựa trên ngữ cảnh truy xuất. Sau khi nhận câu trả lời, sinh viên có thể đánh giá mức độ rõ ràng, hữu ích và căn cứ nguồn của phản hồi. Những phản hồi bị đánh giá là chưa rõ, thiếu căn cứ hoặc có nguy cơ sai lệch sẽ được chuyển đến giảng viên để hậu kiểm. Kết quả hậu kiểm tiếp tục được lưu trữ và sử dụng để cập nhật cơ sở tri thức học thuật. Cơ chế này giúp hệ thống không chỉ hỗ trợ sinh viên tại thời điểm sử dụng, mà còn có khả năng cải thiện chất lượng phản hồi theo thời gian.
Từ kết quả trên có thể thấy, mô hình Chatbot AI kết hợp RAG và HITL phù hợp với yêu cầu ứng dụng AI trong giáo dục đại học theo hướng có kiểm soát. RAG giúp tăng tính căn cứ và khả năng truy xuất nguồn của phản hồi và HITL giúp duy trì vai trò chuyên môn của giảng viên trong quá trình vận hành hệ thống. Mô hình đề xuất có tiềm năng nâng cao chất lượng hỗ trợ sinh viên, giảm rủi ro thông tin thiếu căn cứ và thúc đẩy việc sử dụng AI có trách nhiệm trong môi trường học thuật.
Tuy nhiên, do nghiên cứu hiện dừng ở mức xây dựng mô hình đề xuất, hiệu quả của hệ thống cần được kiểm định thêm thông qua triển khai thí điểm trên các học phần cụ thể. Các nghiên cứu tiếp theo cần sử dụng bộ câu hỏi thực tế của sinh viên và đánh giá mô hình bằng các tiêu chí như độ chính xác của phản hồi, mức độ có căn cứ nguồn, tỷ lệ phản hồi cần hậu kiểm, mức độ hài lòng của sinh viên và khả năng giảm tải công việc cho giảng viên. Đây chính là cơ sở để tiếp tục hoàn thiện mô hình và đánh giá khả năng ứng dụng thực tế trong giáo dục đại học.
6. Kết luận
Nghiên cứu đã đề xuất mô hình Chatbot AI hỗ trợ sinh viên đại học dựa trên sự kết hợp giữa RAG và HITL. Việc tích hợp RAG giúp chatbot truy xuất thông tin từ cơ sở tri thức học thuật đã được xác thực trước khi tạo phản hồi, từ đó, góp phần nâng cao tính căn cứ nguồn, hạn chế câu trả lời thiếu kiểm chứng và tăng mức độ phù hợp với nội dung học phần. Đồng thời, cơ chế HITL cho phép giảng viên tham gia vào quá trình xác thực tri thức, hậu kiểm các phản hồi có rủi ro và điều chỉnh hệ thống theo chuẩn mực học thuật.
Trên cơ sở đó, nghiên cứu gợi mở hướng phát triển Chatbot AI trong giáo dục đại học theo hướng có kiểm soát, có căn cứ nguồn và có sự tham gia của con người trong vòng lặp. Vì vậy, cần triển khai mô hình trên các học phần cụ thể, sử dụng bộ câu hỏi thực tế của sinh viên và đánh giá bằng các tiêu chí như độ chính xác của phản hồi, mức độ có căn cứ nguồn, tỷ lệ phản hồi cần hậu kiểm, mức độ hài lòng của sinh viên và khả năng giảm tải công việc cho giảng viên. Ngoài ra, các nghiên cứu tiếp theo có thể mở rộng mô hình bằng cách tích hợp với hệ thống quản lý học tập, cải thiện cơ chế truy xuất tri thức và xây dựng khung quản trị dữ liệu nhằm bảo đảm quyền riêng tư, liêm chính học thuật và việc sử dụng AI có trách nhiệm trong giáo dục đại học (Miao và Holmes, 2023).
Tài liệu tham khảo:
Alamri, H. A., Watson, S. L., & Watson, W. R. (2021). Learning technology models that support personalization within blended learning environments in higher education. TechTrends, 65, 62-78. https://doi.org/10.1007/s11528-020-00530-3
Bradáč, V., Smolka, P., Kotyrba, M., & Průdek, T. (2022). Design of an intelligent tutoring system to create a personalized study plan using expert systems. Applied Sciences, 12(12), Article 6236. https://doi.org/10.3390/app12126236
Debets, T., Banihashem, S. K., Joosten-ten Brinke, D., Vos, T. E. J., Maillette de Buy Wenniger, G., & Camp, G. (2025). Chatbots in education: A systematic review of objectives, underlying technology and theory, evaluation criteria, and impacts. Computers & Education, 234, Article 105323. https://doi.org/10.1016/j.compedu.2025.105323
Essel, H. B., Vlachopoulos, D., Tachie-Menson, A., Johnson, E. E., & Baah, P. K. (2022). The impact of a virtual teaching assistant (chatbot) on students’ learning in Ghanaian higher education. International Journal of Educational Technology in Higher Education, 19, Article 57. https://doi.org/10.1186/s41239-022-00362-6
Kabudi, T., Pappas, I. O., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence, 2, Article 100017. https://doi.org/10.1016/j.caeai.2021.100017
Labadze, L., Grigolia, M., & Machaidze, L. (2023). Role of AI chatbots in education: Systematic literature review. International Journal of Educational Technology in Higher Education, 20, Article 56. https://doi.org/10.1186/s41239-023-00426-1
Lee, E., & Hannafin, M. J. (2016). A design framework for enhancing engagement in student-centered learning: Own it, learn it, and share it. Educational Technology Research and Development, 64(4), 707-734. https://doi.org/10.1007/s11423-015-9422-5
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. In Advances in Neural Information Processing Systems, 33, 9459-9474.
Memarian, B., & Doleck, T. (2024). Human-in-the-loop in artificial intelligence in education: A review and entity-relationship (ER) analysis. Computers in Human Behavior: Artificial Humans, 2(1), Article 100053. https://doi.org/10.1016/j.chbah.2024.100053
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
Sajja, R., Sermet, Y., Cwiertny, D., & Demir, I. (2023). Platform-independent and curriculum-oriented intelligent assistant for higher education. International Journal of Educational Technology in Higher Education, 20, Article 42. https://doi.org/10.1186/s41239-023-00412-7
Singh, N., Gunjan, V. K., Mishra, A. K., Mishra, R. K., & Nawaz, N. (2022). SeisTutor: A custom-tailored intelligent tutoring system and sustainable education. Sustainability, 14(7), Article 4167. https://doi.org/10.3390/su14074167
Tarun, B., Du, H., Kannan, D., & Gehringer, E. F. (2025). Human-in-the-loop systems for adaptive learning using generative AI. arXiv preprint arXiv:2508.11062. https://doi.org/10.48550/arXiv.2508.11062
