Công cụ phát hiện văn AI trả về một con số duy nhất, nhưng con số đó thường bị đọc như một phán quyết, và một lời buộc tội oan có thể dẫn tới phiên điều trần kỷ luật học thuật hoặc một hồ sơ bị ghi vết. Nhóm chịu rủi ro nặng nhất là người viết đa ngữ, bởi các công cụ hay đọc nhầm chính lối đặt câu của họ. Vanderbilt University đã tự kiểm tra công cụ của mình rồi tắt hẳn nó đi. Bài viết này tập hợp bằng chứng bình duyệt về mức độ sai của những công cụ đó, và về ý nghĩa của điều này nếu bài của bạn bị gắn cờ.
Tác giả: Ban Xuất bản Kỹ năng Học thuật MAAS · Một Cố vấn Học thuật cấp cao thẩm định
Cập nhật lần cuối: 2026-08-28
Chuyên mục: academic-integrity
Vì sao không có một tỉ lệ dương tính giả chung cho mọi công cụ
Trả lời trực tiếp: Không có một con số độ chính xác duy nhất cho các công cụ phát hiện văn AI, bởi tỉ lệ dương tính giả dao động rộng tuỳ công cụ, tuỳ mẫu văn bản và tuỳ thiết lập. Dương tính giả là khi công cụ gán nhãn AI cho đoạn văn do chính con người viết. Hiện tượng đó có thật, không hiếm, và rơi nặng nhất lên sinh viên không viết bằng tiếng mẹ đẻ.
Điều đầu tiên các nghiên cứu cho thấy là chúng không đồng ý với nhau, và chính sự bất đồng ấy mới là phát hiện chứ không phải một cước chú bên lề. Vài đánh giá báo cáo mức sai cao tới ngưỡng khiến một công cụ không còn dùng được để chấm bài, còn ít nhất một khảo sát quy mô lớn lại báo cáo không có ca sai nào trên mẫu của họ. Cả hai kết quả cùng đúng được, vì chúng thử những sản phẩm khác nhau, trên những loại văn bản khác nhau, với những ngưỡng khác nhau (Elkhatat et al., 2023 và Gosling et al., 2024). Công cụ nào chỉnh để gần như không bao giờ bỏ lọt văn AI thì sẽ gắn cờ oan nhiều văn người hơn, còn công cụ chỉnh theo hướng gần như không bao giờ buộc tội oan thì lại để lọt nhiều văn AI hơn. Đánh đổi đó nằm sẵn trong cách các sản phẩm này vận hành, nên một chỉ số nghe rất yên tâm, nhất là chỉ số do chính nhà cung cấp trích ra, nói được rất ít về trường hợp cụ thể đang nằm trước mặt bạn.
Cũng vì đánh đổi đó mà câu hỏi hữu ích không phải là công cụ phát hiện AI chính xác đến đâu nói chung. Câu hỏi đáng hỏi là loại công cụ này đọc nhầm loại người viết này thường xuyên tới mức nào, và ở đó thì bằng chứng sắc nét hơn hẳn.
Con số quan trọng nhất với người viết đa ngữ
Trả lời trực tiếp: Nghiên cứu được trích nhiều nhất thử bảy công cụ phát hiện GPT trên 91 bài luận TOEFL của người không phải bản ngữ và 88 bài của học sinh lớp tám ở Mỹ. Với bài người bản ngữ, kết quả chính xác. Nhóm còn lại có tỉ lệ dương tính giả trung bình 61,22%, trong đó 19,78% bị cả bảy công cụ gắn cờ và 97,8% bị ít nhất một công cụ.
Công trình được trích dẫn nhiều nhất về câu hỏi này đã đem bảy bộ phát hiện GPT phổ biến ra thử trên 91 bài luận TOEFL do người học tiếng Anh như ngôn ngữ thứ hai viết và 88 bài luận do học sinh lớp tám ở Mỹ viết (Liang et al., 2023). Ở nhóm bản ngữ, các công cụ gần như không sai. Ở nhóm còn lại, toàn bộ bài đều do người thật viết, vậy mà tỉ lệ báo nhầm trung bình lên tới 61,22%. Gần một phần năm số bài đó, chính xác là 19,78%, bị cả bảy công cụ cùng lúc kết luận là văn máy, và 97,8% dính cờ của ít nhất một công cụ (Liang et al., 2023).
Cơ chế đằng sau cho thấy đây không phải một trục trặc ngẫu nhiên. Nhiều công cụ chấm một đoạn văn theo perplexity, tức thước đo mức độ bất ngờ hay đa dạng của các lựa chọn từ. Người viết bằng ngôn ngữ thứ hai thường dùng vốn từ và cấu trúc câu hẹp hơn, dễ đoán hơn, nên perplexity thấp, và công cụ đọc mức thấp đó thành dấu hiệu của máy (Liang et al., 2023). Nói cách khác, chính đặc điểm dùng để tố văn AI cũng là đặc điểm của một người đang viết cẩn thận bằng thứ tiếng mình chưa thật thuần thục. Nhóm sinh viên ít có khả năng chịu đựng một cáo buộc kỷ luật nhất lại là nhóm bị công cụ nghi ngờ nhiều nhất.
Cùng vấn đề đó ở bậc cao hơn, với nhà nghiên cứu và luận văn
Trả lời trực tiếp: Giray (2024) tìm thấy đúng thiên lệch ấy ở giới học giả khắp thế giới, khi dương tính giả dồn về người không bản ngữ và người có lối viết riêng biệt. Hậu quả ở bậc này là chất vấn treo lên luận văn hoặc bản thảo, chứ không phải điểm bị chặn trần. Nhà nghiên cứu sợ bị gắn cờ hay tự làm phẳng giọng văn, mà cách đó chỉ khiến điểm số xấu thêm.
Bằng chứng phía trên lấy từ bài luận, nhưng nhóm phơi nhiễm không chỉ có sinh viên đại học. Giray (2024) khảo sát trải nghiệm của các học giả tại nhiều cơ sở trên thế giới và thấy cùng một độ lệch, khi báo nhầm dồn về phía người không nói tiếng Anh bản ngữ và về phía những nhà nghiên cứu có văn phong riêng biệt. Ở bậc đó, hậu quả không còn là một mức điểm bị chặn trần. Nó là một câu chất vấn gắn vào luận văn, vào bản thảo hoặc vào hồ sơ nghiên cứu, do một hội đồng hay một tổng biên tập phán xử, và người phán xử ấy có khi chưa hề có quy trình thành văn nào để xử lý một điểm số đang bị phản đối.
Mức phơi nhiễm còn rộng hơn nhóm du học sinh mà cuộc tranh luận này hay nhắc tới. Các chương trình thạc sĩ và tiến sĩ ở Đài Loan, Hàn Quốc, Nhật Bản và Hồng Kông đều giảng dạy, thi cử và công bố bằng tiếng Anh, nên học viên viết toàn bộ văn bản học thuật chính thức bằng ngôn ngữ thứ hai trong khi sinh hoạt hằng ngày bằng một thứ tiếng khác. Mọi cơ chế trong kết quả của Liang et al. (2023) áp vào họ đầy đủ.
Giray (2024) còn chỉ ra một cái giá mà thống kê độ chính xác không đo được. Nhà nghiên cứu lo bị gắn cờ bắt đầu tự làm phẳng giọng văn của mình, đơn giản hoá từ vựng và cấu trúc để trông bớt khả nghi. Đó lại đúng là thay đổi mà Liang et al. (2023) chứng minh là làm điểm của công cụ tệ hơn chứ không tốt lên, nên phản ứng phòng thủ này nuôi lớn chính vấn đề nó định giải quyết.
Khi một phần trăm không hề nhỏ
Trả lời trực tiếp: Turnitin công bố tỉ lệ dương tính giả khoảng 1% cho bộ phát hiện AI của họ. Vanderbilt University chỉ ra rằng với chừng 75.000 bài trường đã nộp qua hệ thống đó trong năm trước, con số ấy hàm ý khoảng 750 bài do sinh viên thật sự viết bị gắn nhãn AI oan, và đây chính là lý do trường kết luận công cụ không đủ tin cậy rồi tắt nó đi.
Dữ liệu ở cấp cơ sở đào tạo nói cùng một điều nhưng ở quy mô lớn hơn. Khi Turnitin ra mắt bộ phát hiện AI, họ công bố tỉ lệ báo nhầm vào khoảng một phần trăm. Vanderbilt University ghi lại, nguyên văn: "at the time of launch, Turnitin claimed that its detection tool had a 1% false positive rate" (Vanderbilt University, 2023), tức vào thời điểm ra mắt, Turnitin tuyên bố công cụ của mình có tỉ lệ dương tính giả 1%. Trường chỉ ra điều đó có nghĩa gì với một cơ sở đào tạo có thật, khi họ đã gửi khoảng 75.000 bài qua hệ thống này trong năm học trước, nên một phần trăm báo nhầm tương đương chừng 750 bài viết thật của sinh viên bị quy là văn máy. Vanderbilt kết luận công cụ chưa đủ tin cậy để dùng cho đánh giá học tập và đã vô hiệu hoá nó (Vanderbilt University, 2023). Một tỉ lệ nghe có vẻ nhỏ lập tức biến thành hàng trăm con người cụ thể khi nó gặp một khoá sinh viên thật, và từng người trong số đó phải tự chứng minh một điều không xảy ra, dưới áp lực.
Vanderbilt không phải cơ sở duy nhất lùi lại trước việc phát hiện AI tự động trong giai đoạn này, và hướng dẫn họ công bố đến nay vẫn là một trong những phát biểu rõ ràng nhất về việc vì sao một tỉ lệ lỗi trông thấp trên giấy vẫn có thể không chấp nhận được trên thực tế (Vanderbilt University, 2023).
Bức tranh ở Anh, khi mức dùng AI tăng lên và gặp đúng nhóm bị đọc nhầm
Trả lời trực tiếp: Khảo sát sinh viên năm 2026 của HEPI ghi nhận 94% sinh viên đại học ở Anh dùng AI cho bài được chấm điểm, và tỉ lệ bài nộp có chứa văn do AI sinh ra tăng từ 3% năm 2024 lên 8% năm 2025 rồi 12% năm 2026. Mức dùng tăng thì áp lực phát hiện cũng tăng, mà khoá học ở Anh lại đông người viết bị công cụ đọc nhầm.
Những phát hiện về thiên lệch ở trên hay bị đọc như chuyện riêng của nước Mỹ, nhưng các điều kiện khiến chúng trở nên hệ trọng cũng hiện diện trong hệ thống giáo dục Anh. Khảo sát AI tạo sinh trong sinh viên năm 2026 của HEPI cho biết 95% sinh viên đại học dùng AI theo ít nhất một cách nào đó và 94% dùng nó để hỗ trợ bài được chấm điểm, trong khi tỉ lệ đưa hẳn văn do AI sinh ra vào bài nộp đã đi từ 3% năm 2024, qua 8% năm 2025, tới 12% năm 2026 (Stephenson & Armstrong, 2026). Gần hai phần ba, tức 65%, nói rằng bản thân cách đánh giá đã thay đổi đáng kể để ứng phó với AI (Stephenson & Armstrong, 2026). Mức dùng AI thật đang leo lên, và áp lực thể chế phải phát hiện nó leo theo.
Hai hệ quả nảy ra cho các trường ở Anh. Thứ nhất, cũng chính khảo sát đó ghi nhận sinh viên bày tỏ lo lắng về việc bị buộc tội gian lận học thuật một cách oan uổng (Stephenson & Armstrong, 2026). Nỗi lo ấy là cái giá con người của những tỉ lệ báo nhầm đã dẫn ở trên, và nó xuất hiện từ rất lâu trước khi có bất kỳ phiên điều trần nào. Hệ quả thứ hai liên quan tới việc ai đang ngồi trong phòng học, bởi các đại học Anh tuyển một lượng lớn sinh viên quốc tế, nên nhóm dễ bị một công cụ dựa trên perplexity đọc nhầm nhất lại chiếm một phần đáng kể của khoá chứ không phải một ca cá biệt. Một tỉ lệ lỗi nghe có vẻ chấp nhận được trên lý thuyết lại không hề phân bố đều lên những sinh viên phải gánh nó.
Phía bên kia của bằng chứng
Trả lời trực tiếp: Bằng chứng không nghiêng về một phía. Một nghiên cứu ghi nhận một công cụ phổ biến không tạo dương tính giả nào trên 160 bài tập thật của sinh viên. Nhà cung cấp cũng công bố phản biện bác bỏ cáo buộc thiên lệch. Một đánh giá rộng hơn thấy mức báo nhầm thiếu nhất quán chứ không cao đều, khi công cụ này gắn cờ mẫu văn người còn công cụ kia thì không.
Đọc cho ngay thẳng thì phải giữ cả những kết quả ngược chiều, và chính chúng khiến bài này không thành một lời than một chiều. Trong một nghiên cứu, một bộ phát hiện AI tạo sinh được dùng rộng rãi không cho ra dương tính giả nào trên 160 bài tập có thật của sinh viên, mọi bài do người viết đều nhận điểm khả năng là văn máy bằng không (Gosling et al., 2024). Các nhà cung cấp công cụ cũng đã công bố những bài phản biện lập luận rằng sản phẩm của họ không thiên lệch với người viết không bản ngữ. Và một đánh giá rộng hơn trên nhiều công cụ cho thấy hành vi báo nhầm thiếu nhất quán chứ không cao đều, khi sản phẩm này gắn cờ vài mẫu văn người trong khi sản phẩm khác thì không (Elkhatat et al., 2023).
Gộp lại, những kết quả này không xoá bỏ các phát hiện về thiên lệch, chúng chỉ giới hạn phạm vi của những phát hiện đó. Chúng cho thấy một công cụ được cấu hình tốt, trên một mẫu cụ thể, có thể chạy sạch, trong khi công cụ khác trên mẫu khác, nhất là mẫu văn của người không bản ngữ, lại chạy rất tệ. Kết luận có trách nhiệm không phải là các công cụ phát hiện luôn luôn sai. Kết luận đúng mực hơn là đầu ra của một công cụ chỉ là một tín hiệu xác suất với tỉ lệ lỗi có thật và phân bố không đều, chứ tự nó không chứng minh được điều gì.
Tổng lại thì bằng chứng nói gì
Trả lời trực tiếp: Ba khẳng định trụ được sau khi soi kỹ. Thứ nhất là dương tính giả có thật, và ở một số công cụ và mẫu thì phổ biến chứ không bên lề. Thứ hai là lỗi phân bố không đều, khi người viết đa ngữ và người không bản ngữ hứng phần lớn hơn hẳn. Thứ ba là tỉ lệ dao động giữa các công cụ, nên đừng đọc một điểm số như một phán quyết.
Đặt các nghiên cứu cạnh nhau, ba khẳng định trụ được. Trước hết, báo nhầm là hiện tượng có thật, và trên một số công cụ cùng một số mẫu thì nó phổ biến chứ không phải chuyện bên lề (Liang et al., 2023 và Elkhatat et al., 2023). Tiếp theo, lỗi không rải đều, bởi người viết đa ngữ và người không bản ngữ hứng nhiều hơn hẳn, vì một lý do nằm sẵn trong cách các công cụ đo văn bản (Liang et al., 2023). Cuối cùng, tỉ lệ này không ổn định giữa các công cụ và các thiết lập, và đó chính là lý do không bao giờ nên đọc một điểm số đơn lẻ như một phán quyết (Elkhatat et al., 2023 và Gosling et al., 2024). Đây cũng là kết luận mà những cơ sở đào tạo đã tắt bộ phát hiện của mình rút ra, chỉ là họ đi tới từ hướng ngược lại (Vanderbilt University, 2023).
Hệ quả thực hành thì khiêm tốn và bảo vệ được. Một điểm số phát hiện AI là lý do để xem xét kỹ hơn, chứ không bao giờ là lý do để tự nó kết luận rằng sinh viên đã gian lận. Chính chỗ phân biệt đó làm nên toàn bộ khác biệt giữa một quy trình công bằng và một quy trình không công bằng.
Nếu chính bài của bạn bị gắn cờ
Trả lời trực tiếp: Nếu bạn tự viết mà công cụ vẫn báo AI, bằng chứng trên đứng về phía bạn. Điểm phát hiện AI đang bị tranh cãi trong nghiên cứu, mang theo vấn đề dương tính giả đã ghi nhận, và có đại học bác bỏ hẳn. Lớp bảo vệ mạnh nhất là bằng chứng thường ngày về quá trình làm bài, gồm bản nháp, lịch sử phiên bản, ghi chú và khả năng nói lại lập luận.
Nếu bạn tự viết mà một công cụ nói rằng không phải, thì toàn bộ bằng chứng ở trên là bối cảnh của bạn, và nó đứng về phía bạn. Một điểm số phát hiện AI đơn lẻ đang bị tranh cãi trong tài liệu nghiên cứu, mang theo một vấn đề báo nhầm đã được ghi nhận, và bị các trường từng soi kỹ nó đối xử rất dè dặt hoặc bác bỏ thẳng. Bài đi kèm của MAAS về vì sao bài bạn tự viết vẫn bị gắn cờ là AI trình bày cách các công cụ đi tới phán đoán đó cùng các bước xử lý cụ thể, còn bài về ý nghĩa thật sự của điểm tương đồng nói về con số bên cạnh mà sinh viên hay nhầm với điểm AI.
Lớp bảo vệ mạnh nhất vẫn là bằng chứng bình thường về quá trình bạn làm bài, gồm các bản nháp, lịch sử chỉnh sửa, ghi chú riêng, và khả năng trình bày lại mạch lập luận của chính mình. Nếu bạn đang chuẩn bị cho một buổi giải trình hoặc đang phải trả lời chất vấn về bài của mình, dịch vụ kiểm tra liêm chính học thuật rà bản thảo cùng dấu vết quá trình của bạn theo đúng chuẩn mà trường bạn áp dụng, còn hỗ trợ học thuật ghép bạn với một cố vấn làm việc trên chính bài viết của bạn, để chữ trên trang giấy chứng minh được là của bạn.
Tài liệu tham khảo
Elkhatat, A. M., Elsaid, K., & Almeer, S. (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity, 19, 17. https://doi.org/10.1007/s40979-023-00140-5
Giray, L. (2024). The problem with false positives: AI detection unfairly accuses scholars of AI plagiarism. The Serials Librarian, 85(5-6), 181–189. https://doi.org/10.1080/0361526X.2024.2433256
Gosling, S. D., Ybarra, K., & Angulo, S. K. (2024). A widely used generative-AI detector yields zero false positives. Aloma, 42(2), 31–43. https://doi.org/10.51698/aloma.2024.42.2.31-43
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Stephenson, R., & Armstrong, C. (2026). Student generative artificial intelligence survey 2026 (HEPI Report 199). Higher Education Policy Institute. https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/
Vanderbilt University. (2023). Guidance on AI detection and why we're disabling Turnitin's AI detector. Brightspace. https://www.vanderbilt.edu/brightspace/2023/08/16/guidance-on-ai-detection-and-why-were-disabling-turnitins-ai-detector/