Kế hoạch bài dạy tiết 7 - lớp 5 soạn theo Khung AI 2422: AI có luôn công bằng?

Phân tích và hướng dẫn tổ chức tiết học

Khi trí tuệ nhân tạo ngày càng được sử dụng để nhận diện hình ảnh, phân loại thông tin, hỗ trợ con người đưa ra kết quả hoặc phục vụ nhiều nhóm đối tượng khác nhau, một vấn đề quan trọng cần được đặt ra là liệu AI có luôn tạo ra kết quả công bằng cho mọi người hay không. Đối với học sinh lớp 5, đây là một nội dung mới nhưng có thể được tiếp cận thông qua những tình huống mô phỏng đơn giản, gần gũi và không đòi hỏi các em phải hiểu sâu về kỹ thuật AI. Tiết 7 “AI có luôn công bằng?” thuộc Chuyên đề 4 “AI công bằng và minh bạch” được xây dựng theo hướng giúp học sinh bước đầu nhận biết rằng cùng một hệ thống AI có thể tạo ra kết quả khác nhau giữa các nhóm người, từ đó biết quan sát dấu hiệu bất thường, đặt câu hỏi về dữ liệu và hiểu rằng dữ liệu đa dạng là một yếu tố cần được xem xét khi hướng tới những kết quả công bằng hơn.

Điểm đáng chú ý của tiết học là học sinh không được dẫn dắt theo hướng kết luận rằng cứ có sự khác biệt trong kết quả thì AI chắc chắn đã “cố tình” đối xử không công bằng. Ngược lại, các em được rèn một cách tư duy thận trọng: quan sát kết quả, nhận ra sự khác biệt, đặt câu hỏi, kiểm tra dữ liệu và tìm hiểu cách hệ thống hoạt động trước khi đưa ra kết luận. Đây là một bước phát triển quan trọng trong năng lực giáo dục AI, bởi học sinh không chỉ học cách nhận biết vấn đề mà còn học cách không vội vàng kết luận khi chưa có đủ thông tin.

Vị trí của Tiết 7 trong Chuyên đề “AI công bằng và minh bạch”

Tiết 7 mở đầu một nội dung mới trong chương trình giáo dục AI lớp 5: công bằng và minh bạch. Nếu ở các chuyên đề trước, học sinh tập trung tìm hiểu AI có thể làm gì, AI phục vụ con người ra sao, trách nhiệm của con người khi sử dụng AI và cách sử dụng AI phù hợp, an toàn thì ở chuyên đề này, các em bắt đầu nhìn sâu hơn vào chất lượng của kết quả AI. Câu hỏi không còn chỉ là “AI có thể làm được việc gì?” mà chuyển sang “Kết quả AI tạo ra có giống nhau và phù hợp với các nhóm người khác nhau hay không?”.

Sự thay đổi này rất có ý nghĩa đối với quá trình phát triển nhận thức của học sinh. Khi sử dụng một công cụ AI, người dùng thường dễ có xu hướng tin rằng kết quả do hệ thống tạo ra là khách quan hoặc chính xác. Tiết học giúp học sinh bước đầu nhận ra rằng AI vẫn có thể tạo ra kết quả khác nhau giữa các nhóm. Khi một nhóm thường xuyên được nhận diện tốt hơn trong khi nhóm khác thường xuyên bị bỏ sót, đó là dấu hiệu cần được xem xét. Kế hoạch bài dạy xác định rõ học sinh cần nhận biết một số biểu hiện đơn giản của kết quả AI chưa công bằng và biết đặt câu hỏi về sự đa dạng của dữ liệu khi xem xét một kết quả có thể chưa công bằng.

Mục tiêu của bài không phải giúp học sinh giải quyết các vấn đề kỹ thuật phức tạp về thuật toán mà hình thành một thói quen nhận thức phù hợp với lứa tuổi: khi thấy kết quả khác nhau giữa các nhóm, không nên mặc nhiên cho rằng kết quả đó đúng hoặc sai, cũng không nên lập tức đổ lỗi cho AI. Các em cần biết hỏi “Điều gì có thể khiến kết quả khác nhau?”, “Dữ liệu AI được học có đủ đa dạng không?”, “Có nhóm nào đang bị thiếu dữ liệu không?” và “Cần kiểm tra điều gì?”. Đây chính là nền tảng ban đầu của tư duy về công bằng trong AI.

Mục tiêu bài học và những phẩm chất, năng lực được hình thành

Yêu cầu cần đạt của Tiết 7 được xây dựng theo bốn hướng chính. Học sinh nhận biết được AI có thể tạo ra kết quả công bằng hoặc chưa công bằng đối với những người hoặc nhóm người khác nhau; nhận biết được những dấu hiệu đơn giản như một nhóm được nhận diện tốt hơn trong khi nhóm khác thường xuyên bị bỏ sót; biết đặt câu hỏi về sự đa dạng của dữ liệu; đồng thời biết trao đổi và giải thích bằng ví dụ đơn giản vì sao AI cần phục vụ con người một cách công bằng.

Về phẩm chất, bài học chú trọng Nhân ái, Trách nhiệm và Chăm chỉ. Nhân ái thể hiện ở việc học sinh biết tôn trọng sự khác biệt giữa mọi người và quan tâm đến việc AI phục vụ các nhóm người một cách công bằng. Trách nhiệm thể hiện ở thái độ không mặc nhiên cho rằng mọi kết quả AI đều đúng mà cần kiểm tra, xem xét. Chăm chỉ thể hiện qua việc tích cực quan sát, thảo luận và xử lí tình huống.

Về năng lực, học sinh được rèn khả năng quan sát kết quả, phát hiện dấu hiệu khác biệt và đặt câu hỏi về tính công bằng; trao đổi, so sánh ý kiến và trình bày nhận xét; phân tích tình huống có kết quả khác nhau giữa các nhóm và đề xuất điều cần kiểm tra. Năng lực đặc thù giáo dục AI được xác định ở mức phù hợp với học sinh lớp 5: nhận biết công bằng hoặc không công bằng trong AI và bước đầu hiểu vai trò của dữ liệu đa dạng trong việc tạo ra kết quả công bằng hơn.

Chuẩn bị học liệu theo hướng mô phỏng an toàn

Để tổ chức bài học, giáo viên chuẩn bị các thẻ tình huống và hình minh họa mô phỏng về AI nhận diện hình ảnh, hỗ trợ phân loại hoặc đưa ra kết quả cho các nhóm đối tượng; thẻ nhóm A/B; phiếu “Dữ liệu có đủ đa dạng không?”; bảng phụ hoặc trình chiếu. Các tình huống được xây dựng ở mức mô phỏng và không sử dụng dữ liệu cá nhân thật. Nếu giáo viên sử dụng công cụ AI để minh họa thì cần kiểm tra trước nội dung và công cụ. Học sinh chỉ cần vở, bút, phiếu học tập và thẻ tình huống.

Việc sử dụng tình huống mô phỏng là lựa chọn phù hợp với nội dung bài học. Công bằng trong AI là một vấn đề dễ trở nên trừu tượng nếu giáo viên chỉ giải thích bằng khái niệm. Khi học sinh nhìn thấy một hệ thống nhận diện đúng nhiều hình ảnh của nhóm A nhưng bỏ sót nhiều hình ảnh của nhóm B, các em có một biểu hiện cụ thể để quan sát. Từ đó, giáo viên có thể dẫn dắt các em từng bước từ hiện tượng đến câu hỏi về nguyên nhân, dữ liệu và cách kiểm tra.

Khởi động: AI có đối xử giống nhau với mọi người không?

Hoạt động khởi động đặt học sinh trước một tình huống mô phỏng đơn giản nhưng có khả năng tạo ra vấn đề nhận thức rõ ràng. Giáo viên đưa ra một hệ thống AI nhận diện hình ảnh được thử với hai nhóm hình ảnh. Kết quả cho thấy hệ thống nhận diện đúng nhiều hình ở nhóm A nhưng bỏ sót nhiều hình hơn ở nhóm B. Học sinh quan sát và nhận xét rằng kết quả AI không giống nhau giữa hai nhóm, trong đó nhóm B có nhiều trường hợp bị bỏ sót.

Câu hỏi tiếp theo của giáo viên “Nếu đây là hệ thống dùng để hỗ trợ con người, kết quả như vậy có điều gì đáng quan tâm?” giúp học sinh chuyển từ quan sát sang nhận xét về tác động. Một nhóm được AI hỗ trợ kém hơn nhóm khác là điều cần được xem xét, bởi nếu hệ thống được sử dụng để phục vụ con người thì sự khác biệt kéo dài có thể khiến một số nhóm không nhận được mức hỗ trợ phù hợp.

Tuy nhiên, một điểm rất quan trọng trong cách tổ chức là giáo viên không cho học sinh kết luận ngay rằng AI “cố tình” đối xử không công bằng. Câu hỏi “Chúng ta có thể kết luận ngay rằng AI cố tình đối xử không công bằng không?” hướng học sinh đến câu trả lời thận trọng: chưa thể kết luận ngay, cần tìm hiểu dữ liệu, cách hệ thống hoạt động và kiểm tra kết quả. Đây là một thao tác sư phạm rất có giá trị, bởi bài học không chỉ dạy học sinh nhận ra vấn đề mà còn dạy các em biết giới hạn của một kết luận khi thông tin chưa đầy đủ.

Khi giáo viên hỏi điều gì có thể khiến AI nhận diện một nhóm tốt hơn nhóm khác, học sinh bước đầu dự đoán rằng dữ liệu dùng để AI học có thể chưa đủ đa dạng hoặc chưa đại diện cho các nhóm. Đây chưa phải là kết luận cuối cùng mà là giả thuyết ban đầu để đưa vào hoạt động khám phá. Cách chuyển từ hiện tượng → câu hỏi → giả thuyết như vậy giúp tiết học có mạch tư duy rõ ràng.

Khám phá: Dữ liệu có đủ đa dạng không?

Hoạt động khám phá là phần trọng tâm giúp học sinh bước đầu hiểu mối liên hệ giữa dữ liệu và kết quả AI. Giáo viên chia lớp thành các nhóm từ 4–6 học sinh, mỗi nhóm nhận hai bộ thẻ hình ảnh mô phỏng dữ liệu huấn luyện. Bộ A có hình ảnh đa dạng, trong khi Bộ B chủ yếu có một kiểu hình ảnh và thiếu các kiểu khác. Học sinh quan sát, so sánh và nhận ra mức độ đa dạng của hai bộ dữ liệu không giống nhau.

Giáo viên tiếp tục đặt câu hỏi: nếu AI được học chủ yếu từ Bộ B, điều gì có thể xảy ra khi hệ thống gặp một hình ảnh thuộc kiểu chưa xuất hiện trong dữ liệu? Học sinh dự đoán AI có thể nhận diện khó hơn hoặc cho kết quả chưa chính xác. Đây là bước giúp các em hình thành một mối liên hệ đơn giản nhưng quan trọng: những gì AI được học có ảnh hưởng đến khả năng nhận diện những trường hợp mà hệ thống gặp sau đó.

Khi giáo viên đưa kết quả mô phỏng cho thấy AI nhận diện tốt những trường hợp giống dữ liệu đã học nhưng thường bỏ sót một nhóm khác, học sinh được yêu cầu suy nghĩ về điều mà kết quả đó gợi ý. Các em nhận ra cần xem xét dữ liệu mà AI đã được học và có thể dữ liệu chưa đủ đa dạng. Như vậy, dữ liệu không còn là một khái niệm xa lạ mà trở thành một yếu tố cụ thể để học sinh kiểm tra khi gặp kết quả AI khác biệt.

Một điểm rất quan trọng là giáo viên đặt câu hỏi “Có phải cứ có nhiều dữ liệu là AI sẽ luôn công bằng không?”. Câu trả lời được định hướng là không nhất thiết. Dữ liệu không chỉ cần nhiều mà còn cần phù hợp, rõ ràng và đủ đa dạng để đại diện cho các trường hợp cần hỗ trợ. Đây là một cách diễn đạt phù hợp với cấp tiểu học nhưng vẫn giữ được bản chất của vấn đề: số lượng dữ liệu tự nó chưa đảm bảo kết quả công bằng.

Khi muốn AI phục vụ các nhóm công bằng hơn, học sinh được hướng tới việc bổ sung dữ liệu đa dạng, đại diện cho các nhóm khác nhau và kiểm tra những nhóm đang bị thiếu. Từ đó, nhóm hoàn thành sơ đồ “Dữ liệu chưa đa dạng → AI học chưa đầy đủ → Kết quả có thể khác nhau → Cần kiểm tra/bổ sung”. Sơ đồ này giúp học sinh nhìn thấy mối quan hệ giữa các yếu tố thay vì ghi nhớ rời rạc.

Một điểm cần đặc biệt chú ý là giáo viên không để học sinh khẳng định dữ liệu là nguyên nhân duy nhất. Khi nhóm trình bày, giáo viên hỏi có cần khẳng định chắc chắn nguyên nhân chỉ là dữ liệu không. Học sinh được hướng đến câu trả lời rằng dữ liệu là một yếu tố cần xem xét nhưng chưa nên khẳng định đó là nguyên nhân duy nhất nếu chưa kiểm tra. Đây là một biểu hiện rõ của tư duy thận trọng mà bài học muốn hình thành.

Luyện tập: Nhận ra kết quả chưa công bằng

Sau khi đã hiểu vai trò của dữ liệu đa dạng ở mức ban đầu, học sinh bước vào hoạt động luyện tập “Nhận ra kết quả chưa công bằng”. Giáo viên đưa ra bốn thẻ tình huống mô phỏng: AI nhận diện nhóm A đúng nhiều nhưng nhóm B sai nhiều; AI hoạt động tốt với hình ảnh rõ nhưng thường sai với hình ảnh của một nhóm chưa có nhiều trong dữ liệu; AI đưa kết quả khác nhau giữa hai nhóm; dữ liệu chỉ có một kiểu ví dụ nhưng hệ thống được yêu cầu xử lí nhiều kiểu khác nhau.

Nhiệm vụ đầu tiên là giúp học sinh xác định tình huống nào cần xem xét về công bằng. Dấu hiệu được nhấn mạnh là kết quả khác biệt rõ giữa các nhóm, một nhóm thường xuyên bị bỏ sót hoặc nhận kết quả kém hơn. Đây là một kỹ năng quan sát quan trọng. Học sinh chưa cần xác định nguyên nhân chính xác nhưng cần biết nhận ra khi nào một kết quả đáng được đặt câu hỏi.

Khi giáo viên hỏi “Khi thấy dấu hiệu đó, việc đầu tiên có nên là đổ lỗi cho AI không?”, học sinh được nhắc lại nguyên tắc từ hoạt động khám phá: không nên vội vàng kết luận mà cần kiểm tra dữ liệu và cách hệ thống tạo ra kết quả. Điều này giúp bài học duy trì một thái độ nhất quán từ đầu đến cuối: nhận ra vấn đề nhưng không kết luận khi chưa đủ thông tin.

Trong tình huống nhóm A được nhận diện đúng nhiều hơn nhóm B, học sinh được yêu cầu xác định những điều cần kiểm tra. Các em có thể xem xét dữ liệu của hai nhóm, số lượng và sự đa dạng của ví dụ, đồng thời xem lại kết quả. Cách đặt câu hỏi này giúp học sinh hình thành một quy trình kiểm tra đơn giản thay vì chỉ nhận xét bằng cảm giác.

Đối với trường hợp một nhóm có rất ít ví dụ trong dữ liệu, học sinh được hướng đến khả năng AI có thể học chưa đầy đủ về nhóm đó và dễ cho kết quả chưa chính xác. Nếu bổ sung dữ liệu đa dạng, AI có thêm ví dụ để học và có thể cải thiện khả năng nhận diện, nhưng kết quả vẫn cần được kiểm tra. Đây là điểm rất quan trọng: cải thiện dữ liệu không đồng nghĩa với việc có thể bỏ qua bước đánh giá kết quả.

Yêu cầu “Muốn AI công bằng hơn, cần…” giúp học sinh chuyển từ nhận diện sang đề xuất. Các em được hướng đến việc bổ sung dữ liệu đa dạng, kiểm tra kết quả, tránh dữ liệu thiên lệch và tiếp tục đánh giá. Khi nhóm khác phản hồi, giáo viên đặc biệt yêu cầu kiểm tra xem đề xuất đã có bước kiểm tra kết quả hay chưa. Điều này giúp học sinh hiểu rằng công bằng không phải là một trạng thái đạt được chỉ sau một lần điều chỉnh mà cần tiếp tục quan sát và đánh giá.

Phần chốt của hoạt động đưa ra một cách hiểu phù hợp với lứa tuổi: công bằng không chỉ là cho mọi người một kết quả giống nhau mà AI cần phục vụ các nhóm một cách phù hợp, hạn chế tình trạng một nhóm liên tục bị bỏ sót. Vì vậy, con người cần kiểm tra dữ liệu và kết quả.

Vận dụng: Em đề xuất cách làm AI công bằng hơn

Hoạt động vận dụng đưa học sinh từ phân tích tình huống có sẵn sang tự đề xuất cách cải thiện. Mỗi nhóm chọn một tình huống mô phỏng như AI nhận diện hình ảnh, AI phân loại đồ vật hoặc AI hỗ trợ nhận biết một nhóm đối tượng. Giáo viên nhắc học sinh không sử dụng dữ liệu cá nhân thật. Đây là yêu cầu quan trọng nhằm bảo đảm hoạt động chỉ dừng ở mức giáo dục và mô phỏng an toàn.

Sau khi chọn tình huống, học sinh xác định nhóm nào đang nhận kết quả chưa tốt và dấu hiệu là gì. Đây là bước kiểm tra lại khả năng nhận diện vấn đề. Giáo viên tiếp tục hỏi dữ liệu hiện có có thể đang thiếu điều gì. Học sinh được hướng đến những khả năng như thiếu ví dụ của một số nhóm, thiếu sự đa dạng hoặc dữ liệu chưa đủ rõ.

Bốn ô trong sơ đồ “Kết quả chưa phù hợp → Dữ liệu cần xem xét → Cách làm AI công bằng hơn → Kiểm tra lại kết quả” tạo thành một quy trình tư duy tương đối hoàn chỉnh cho học sinh lớp 5. Các em không chỉ phát hiện kết quả bất thường mà phải suy nghĩ về dữ liệu, đề xuất cách cải thiện và xác định bước đánh giá sau khi cải thiện.

Câu hỏi “Nếu bổ sung dữ liệu, em sẽ bổ sung như thế nào để dữ liệu đa dạng hơn?” giúp học sinh đi sâu hơn vào khái niệm đa dạng. Các em được định hướng bổ sung những ví dụ thuộc các nhóm hoặc trường hợp còn thiếu, đồng thời bảo đảm dữ liệu rõ ràng và phù hợp. Như vậy, “dữ liệu đa dạng” không chỉ được hiểu là có thật nhiều dữ liệu mà là có thêm những trường hợp đang bị thiếu.

Một câu hỏi quan trọng khác là “Sau khi cải thiện dữ liệu, có thể bỏ qua bước kiểm tra không?”. Học sinh trả lời không, vì vẫn cần kiểm tra kết quả để xem AI có cải thiện hay còn khác biệt đáng chú ý hay không. Đây là bước giúp các em hiểu tư duy kiểm tra không kết thúc sau một lần thay đổi.

Khi các nhóm trình bày, giáo viên yêu cầu tìm điểm chung trong các cách cải thiện. Học sinh nhận ra những điểm chung là bổ sung dữ liệu phù hợp và đa dạng, kiểm tra kết quả và tiếp tục điều chỉnh nếu cần. Giáo viên đánh giá sản phẩm dựa trên bốn tiêu chí: nhận ra dấu hiệu chưa công bằng, biết đặt câu hỏi về dữ liệu, đề xuất cách cải thiện và có bước kiểm tra kết quả.

Từ “AI có công bằng không?” đến “Cần kiểm tra điều gì?”

Cách đặt tên bài “AI có luôn công bằng?” tạo ra một câu hỏi mở. Câu hỏi này không yêu cầu học sinh trả lời đơn giản bằng “có” hoặc “không”. Trọng tâm thực sự của tiết học là dạy học sinh cách suy nghĩ khi gặp một kết quả AI có sự khác biệt giữa các nhóm.

Đây là điểm rất đáng giá về mặt giáo dục. Nếu giáo viên chỉ nói rằng AI có thể không công bằng thì học sinh có thể hình thành tâm lý nghi ngờ mọi kết quả AI. Ngược lại, nếu giáo viên chỉ nói AI là công cụ khách quan thì học sinh dễ mặc nhiên tin vào kết quả. Tiết học lựa chọn con đường cân bằng hơn: AI có thể tạo ra kết quả công bằng hoặc chưa công bằng; khi nhận thấy dấu hiệu khác biệt, con người cần quan sát, đặt câu hỏi và kiểm tra.

Nhờ cách tiếp cận đó, học sinh bước đầu hình thành một thói quen rất quan trọng khi tiếp xúc với công nghệ: không mặc nhiên tin và cũng không vội phủ nhận. Các em cần tìm hiểu căn cứ để hiểu vì sao kết quả lại như vậy.

Dữ liệu đa dạng được giải thích ở mức phù hợp với học sinh lớp 5

Khái niệm dữ liệu đa dạng có thể khá khó đối với học sinh tiểu học nếu giáo viên trình bày theo ngôn ngữ kỹ thuật. Kế hoạch bài dạy đã lựa chọn cách tiếp cận trực quan: đặt hai bộ dữ liệu cạnh nhau, trong đó một bộ có nhiều kiểu hình ảnh và một bộ chủ yếu có một kiểu. Học sinh có thể quan sát trực tiếp sự khác biệt trước khi liên hệ đến kết quả AI.

Cách này giúp các em hiểu một nguyên tắc đơn giản: nếu AI được học từ những ví dụ quá giống nhau và thiếu những trường hợp khác, khi gặp một trường hợp ít xuất hiện hoặc chưa xuất hiện, hệ thống có thể gặp khó khăn hơn trong nhận diện. Từ đó, học sinh hiểu tại sao cần bổ sung những trường hợp còn thiếu. Nội dung được giữ ở mức “một yếu tố cần xem xét” chứ không biến thành khẳng định rằng dữ liệu luôn là nguyên nhân duy nhất.

Chính sự giới hạn này làm cho bài học phù hợp với mục tiêu nhận thức của lớp 5. Các em được mở cánh cửa vào vấn đề công bằng của AI nhưng chưa bị yêu cầu giải quyết các khía cạnh kỹ thuật phức tạp.

Dạy học sinh không kết luận vội vàng

Một trong những năng lực nổi bật nhất của Tiết 7 là khả năng trì hoãn kết luận khi chưa có đủ thông tin. Khi thấy AI nhận diện nhóm A tốt hơn nhóm B, học sinh có thể dễ dàng nói “AI không công bằng”. Tuy nhiên, kế hoạch bài dạy chủ động đặt câu hỏi liệu có thể kết luận ngay rằng AI cố tình đối xử không công bằng hay không. Câu trả lời là chưa thể. Cần tìm hiểu dữ liệu, cách hệ thống hoạt động và kiểm tra kết quả.

Đây không chỉ là một kỹ năng trong giáo dục AI mà còn là một kỹ năng tư duy quan trọng. Học sinh học cách phân biệt giữa “nhận thấy một dấu hiệu” và “khẳng định nguyên nhân”. Một dấu hiệu đáng chú ý là cơ sở để đặt câu hỏi, chưa phải lúc nào cũng là bằng chứng đủ để đưa ra kết luận cuối cùng.

Khi giáo viên hỏi “Có cần khẳng định chắc chắn nguyên nhân chỉ là dữ liệu không?”, học sinh tiếp tục được rèn cách phân biệt giữa giả thuyết và kết luận. Dữ liệu có thể là một yếu tố cần xem xét, nhưng nếu chưa kiểm tra thì chưa nên khẳng định đó là nguyên nhân duy nhất. Đây là một điểm sư phạm rất chắc trong cấu trúc bài học.

Vai trò của con người trong việc tạo ra AI công bằng hơn

Tiết học không trình bày AI như một hệ thống tự nhiên có sẵn và tự quyết định mọi thứ. Ngược lại, học sinh được dẫn tới vai trò của con người trong việc kiểm tra dữ liệu, bổ sung những trường hợp còn thiếu, đánh giá kết quả và tiếp tục điều chỉnh khi cần. Điều này tạo sự liên kết với những bài học trước về trách nhiệm của con người khi sử dụng AI.

Thông điệp cuối bài “AI không tự nhiên trở nên công bằng chỉ vì đó là AI” có ý nghĩa quan trọng. AI cần được con người quan sát và đánh giá. Khi phát hiện một nhóm thường xuyên bị bỏ sót, con người cần đặt câu hỏi, xem xét dữ liệu, cải thiện và kiểm tra lại kết quả. Học sinh từ đó hiểu rằng chất lượng của một hệ thống AI không chỉ phụ thuộc vào khả năng công nghệ mà còn liên quan đến cách con người xây dựng, sử dụng và kiểm tra hệ thống.

Cách giáo viên tổ chức thảo luận để tránh áp đặt đáp án

Với nội dung về công bằng, giáo viên càng cần tránh việc đưa ra kết luận trước khi học sinh quan sát và phân tích. Khi một nhóm nói “AI không công bằng”, giáo viên có thể hỏi “Dấu hiệu nào khiến em nghĩ như vậy?”. Khi học sinh trả lời rằng nhóm B bị bỏ sót nhiều hơn, giáo viên có thể tiếp tục hỏi “Cần kiểm tra điều gì?”. Khi học sinh nói “vì dữ liệu thiếu”, giáo viên có thể hỏi “Em đã có đủ thông tin để khẳng định đó là nguyên nhân duy nhất chưa?”.

Chuỗi câu hỏi như vậy giúp học sinh tự hình thành cách suy nghĩ thay vì nhận đáp án từ giáo viên. Kế hoạch bài dạy cũng đưa ra một chuỗi hỗ trợ rất rõ cho học sinh còn lúng túng: “Kết quả của nhóm nào khác? – Khác như thế nào? – Dữ liệu có đủ đa dạng không? – Cần kiểm tra gì?”. Đây có thể được sử dụng như một khung tư duy xuyên suốt bài.

Với học sinh hoàn thành nhanh, giáo viên có thể yêu cầu các em nêu thêm một nguyên nhân khác ngoài dữ liệu có thể khiến kết quả chưa phù hợp và cách kiểm tra. Điều này rất phù hợp với mục tiêu mở rộng tư duy, bởi học sinh khá không bị giới hạn trong một giả thuyết duy nhất mà được khuyến khích tiếp tục đặt câu hỏi.

Đánh giá trong quá trình dạy học

Đánh giá Tiết 7 được thực hiện thông qua quan sát, câu hỏi, thảo luận, trò chơi “Dữ liệu có đủ đa dạng không?”, phiếu tình huống, sơ đồ và phần trình bày. Giáo viên cần tập trung vào quá trình học sinh nhận ra dấu hiệu khác biệt, đặt câu hỏi về dữ liệu, đề xuất cách bổ sung dữ liệu và biết kiểm tra lại kết quả.

Một học sinh đạt yêu cầu không nhất thiết phải giải thích được toàn bộ cơ chế kỹ thuật của AI. Điều quan trọng là em nhận ra khi một nhóm thường xuyên bị bỏ sót thì cần đặt câu hỏi; hiểu rằng dữ liệu cần đủ đa dạng để AI có cơ hội học từ nhiều trường hợp; biết đề xuất bổ sung dữ liệu và kiểm tra kết quả sau khi cải thiện. Đồng thời, em biết tránh kết luận vội vàng khi chưa có đủ thông tin.

Cách đánh giá này phù hợp với mục tiêu của bài và giúp giáo viên tránh biến tiết học thành một bài kiểm tra kiến thức kỹ thuật. Học sinh được đánh giá qua cách quan sát, lập luận và xử lí tình huống. Kế hoạch cũng xác định rõ không đánh giá dựa vào tài khoản, thiết bị hoặc mức độ thành thạo công cụ AI.

Giá trị của hoạt động mô phỏng trong giáo dục công bằng AI

Việc sử dụng mô phỏng trong Tiết 7 có ý nghĩa đặc biệt vì học sinh lớp 5 chưa cần và cũng không nên tiếp xúc với dữ liệu cá nhân thật để hiểu vấn đề. Các bộ thẻ hình ảnh, nhóm A/B và kết quả mô phỏng đã đủ để tạo ra một tình huống có vấn đề. Học sinh có thể quan sát sự khác biệt, đưa ra giả thuyết và suy nghĩ về dữ liệu mà không phải xử lí thông tin thật của bất kỳ cá nhân nào.

Mô phỏng cũng giúp giáo viên chủ động kiểm soát độ khó. Có thể bắt đầu bằng sự khác biệt rất rõ, chẳng hạn nhóm A được nhận diện đúng nhiều hơn nhóm B, sau đó mới đưa ra những tình huống khó hơn. Khi học sinh đã quen với quy trình “quan sát → đặt câu hỏi → kiểm tra dữ liệu → đề xuất cải thiện → kiểm tra lại”, giáo viên có thể thay đổi tình huống mà không cần thay đổi phương pháp tư duy.

Thông điệp học sinh cần ghi nhớ sau bài học

Sau Tiết 7, học sinh cần hình thành một cách hiểu đơn giản nhưng quan trọng: AI không phải lúc nào cũng tạo ra kết quả giống nhau cho mọi nhóm. Khi nhận thấy một nhóm thường xuyên bị bỏ sót hoặc nhận kết quả kém hơn, cần đặt câu hỏi về tính công bằng và tìm hiểu nguyên nhân. Một trong những điều cần xem xét là dữ liệu AI được học có đủ đa dạng, rõ ràng và đại diện cho các trường hợp hay không.

Tuy nhiên, học sinh cũng cần nhớ rằng thấy sự khác biệt chưa có nghĩa là đã biết chắc nguyên nhân. Vì vậy, bước tiếp theo luôn là kiểm tra. Nếu dữ liệu còn thiếu, có thể bổ sung những trường hợp phù hợp và đa dạng hơn; sau đó vẫn phải kiểm tra lại kết quả để xem hệ thống có cải thiện hay còn khác biệt đáng chú ý. Đây chính là chuỗi tư duy mà bài học muốn hình thành.

Liên hệ với những bài học trước

Tiết 7 tiếp nối khá tự nhiên với các nội dung đã học trong Chuyên đề 1, 2 và 3. Ở những bài trước, học sinh đã hiểu AI là công cụ phục vụ con người, con người cần chịu trách nhiệm với cách sử dụng AI, đồng thời phải biết kiểm tra kết quả và sử dụng AI phù hợp, an toàn. Sang Tiết 7, nguyên tắc “kiểm tra” được mở rộng sang một khía cạnh mới: kiểm tra xem kết quả AI có tạo ra sự khác biệt đáng chú ý giữa các nhóm hay không.

Như vậy, học sinh không chỉ học cách kiểm tra một câu trả lời AI có phù hợp với nhiệm vụ hay không mà còn bắt đầu học cách nhìn vào tác động của kết quả đối với những nhóm khác nhau. Đây là bước tiến từ trách nhiệm cá nhân sang nhận thức về lợi ích và sự công bằng đối với nhiều người.

Kết luận

Tiết 7 “AI có luôn công bằng?” mở đầu Chuyên đề 4 “AI công bằng và minh bạch” bằng một vấn đề vừa mới mẻ vừa có ý nghĩa thực tiễn: AI có thể tạo ra những kết quả khác nhau đối với các nhóm người khác nhau và những kết quả đó cần được quan sát, kiểm tra. Qua bốn hoạt động Khởi động – Khám phá – Luyện tập – Vận dụng, học sinh lần lượt nhận ra dấu hiệu khác biệt trong kết quả AI, tìm hiểu vai trò của dữ liệu đa dạng, phân tích các tình huống có dấu hiệu chưa công bằng và đề xuất quy trình cải thiện theo hướng “Vấn đề công bằng → Dữ liệu cần xem xét → Cách cải thiện → Kiểm tra kết quả”.

BẤM VÀO ĐÂY TẢI MIỄN PHÍ TIẾT 7
Điểm quan trọng nhất mà học sinh cần mang theo sau tiết học không phải là một kết luận đơn giản rằng AI công bằng hay không công bằng, mà là một cách tư duy: khi thấy kết quả AI khác nhau giữa các nhóm, cần quan sát dấu hiệu, đặt câu hỏi, xem xét dữ liệu, tránh kết luận vội vàng và kiểm tra lại kết quả. Dữ liệu đa dạng có thể là một yếu tố quan trọng giúp AI có cơ hội phục vụ nhiều nhóm tốt hơn, nhưng sau khi bổ sung hoặc cải thiện dữ liệu, con người vẫn cần tiếp tục đánh giá. Qua đó, học sinh bước đầu hiểu rằng AI không tự nhiên trở nên công bằng chỉ vì đó là AI; con người vẫn giữ vai trò quan trọng trong việc kiểm tra, cải thiện và bảo đảm AI phục vụ con người theo hướng phù hợp và công bằng hơn.