INFO4994: viết về AI thế nào trong môn chấm khả năng đánh giá?

INFO4994 đặt sinh viên vào một tình thế mà không môn học nào trước đó tạo ra. Môn này yêu cầu bạn dùng AI tạo sinh một cách công khai, giữa một hệ thống đại học đã dành 3 năm để dựng lên đủ thứ quy định nhằm phát hiện và xử phạt đúng hành vi ấy. Phần lớn sinh viên hoá giải mâu thuẫn đó bằng cách viết một bài mô tả cẩn thận về ChatGPT là gì và làm được những gì. Bài viết ấy an toàn, và nó nằm ở đáy thang điểm, bởi vì môn học không kiểm tra xem bạn có biết mô hình ngôn ngữ lớn là gì hay không. Nó kiểm tra xem bạn có đánh giá và phản biện được một mô hình như vậy hay không.

Tác giả: Ban biên tập MAAS · Cố vấn chuyên môn MAAS đã rà soát
Cập nhật: 26/08/2026
Chuyên mục: it-data

INFO4994 là môn gì và nằm ở đâu trong chương trình?

Trả lời ngắn: INFO4994 AI Literacy and Competency là môn 6 tín chỉ tại University of Sydney, do School of Computer Science thuộc Faculty of Engineering giảng dạy. Môn không có môn tiên quyết, không đòi kiến thức nền, không cấm học chồng môn nào, và mở ở cả Học kỳ 1 lẫn Học kỳ 2 năm 2026 theo hình thức học ban ngày tại cơ sở Camperdown và Darlington.

Dẫn chứng: Việc một môn mã 4000 mà lại không có môn tiên quyết là điều bất thường, và chi tiết ấy hé lộ hướng thiết kế của môn. Một môn mã 4000 thông thường mặc định người học đã tích luỹ 3 năm thuật ngữ kỹ thuật. Môn này cố ý không mặc định như vậy, bởi vì nó mở cho sinh viên toàn trường chứ không riêng ngành khoa học máy tính. Hệ quả là lớp của bạn sẽ có cả người viết được Python lẫn người chưa từng mở cửa sổ dòng lệnh, nên phần đánh giá không thể cho điểm dựa trên thứ mà mỗi nhóm mang sẵn vào lớp. Nó buộc phải cho điểm dựa trên lập luận, và lập luận thì mới mẻ với tất cả mọi người như nhau.

Ví dụ: Một bạn sinh viên đến MAAS từ chương trình khoa học xã hội ở Sydney tin rằng mình sẽ đuối hơn các bạn ngành kỹ thuật cùng lớp. Cố vấn của bạn chỉ ra rủi ro ngược lại. Các bạn ngành kỹ thuật đang viết về kiến trúc mô hình, thứ mà chuẩn đầu ra của môn không hề hỏi tới, trong khi chuẩn đầu ra hỏi về tác động xã hội, quyền riêng tư, thiên lệch và công bằng thuật toán, những vùng mà nền tảng khoa học xã hội là lợi thế chứ không phải trở ngại.

University of Sydney (2026) công bố 5 chuẩn đầu ra cho môn này, và bỏ ra 20 phút đọc kỹ chúng là khoản đầu tư đáng giá, bởi vì 4 trong 5 chuẩn mang tính đánh giá chứ không mang tính mô tả. Sinh viên được yêu cầu nhận diện và định nghĩa các khái niệm cốt lõi trải khắp học máy, xử lý ngôn ngữ tự nhiên, thị giác máy tính, robot học và hệ thống nhận thức. Sau đó họ được yêu cầu chọn công cụ và sử dụng AI tạo sinh bao gồm cả kỹ thuật đặt câu lệnh, xem xét phê phán các hệ luỵ xã hội và đạo đức đặc biệt trong bối cảnh giáo dục, phân tích quyền riêng tư, thiên lệch, công bằng thuật toán, an toàn dữ liệu và tác động của tự động hoá lên giáo dục và việc làm, cuối cùng là đánh giá phê phán ưu điểm và giới hạn của việc dùng AI. Trong 5 chuẩn đầu ra đó, chỉ chuẩn đầu tiên là thứ bạn đáp ứng được nhờ ghi nhớ kiến thức, còn 4 chuẩn còn lại đòi bạn phải đưa ra nhận định của riêng mình.

INFO4994 đánh giá bằng những gì?

Trả lời ngắn: Trang môn học đẩy toàn bộ chi tiết đánh giá về đề cương môn của đúng học kỳ bạn học, và đó là nguồn có thẩm quyền duy nhất. Đừng lập kế hoạch từ trang chia sẻ tài liệu hay từ cấu trúc năm trước. Hãy đọc đề cương ngay tuần 1, ghi lại trọng số, rồi phân bổ thời gian ôn theo đúng trọng số ấy.

Dẫn chứng: Việc đọc đề cương sớm quan trọng với INFO4994 hơn với một môn thông thường, bởi vì môn xây quanh đánh giá phê phán thường dồn trọng số vào bài viết dài, mà bài viết dài thì hỏng từ từ. Giả sử tới tuần 10 bạn mới phát hiện phần nặng điểm nhất là bài phê bình 2500 từ chứ không phải bài thi cuối kỳ, thì bạn đã mất trắng 6 tới 7 tuần lẽ ra dùng để gom tư liệu dọc đường. Khoản bảo hiểm rẻ nhất cho chuyện đó là 5 phút đọc đề cương trong tuần dạy đầu tiên.

Việc cần làm: trước khi viết chữ nào, hãy ánh xạ từng đầu điểm sang chuẩn đầu ra mà nó đang kiểm tra. Một đầu điểm nhắc tới thiên lệch, công bằng hay quyền riêng tư là đang kiểm tra chuẩn đầu ra thứ 4, và một bài dành phần lớn số từ để giải thích cơ chế transformer là đã trả lời rất tốt cho một câu hỏi khác.

Dùng AI tới đâu là hợp lệ, khi bản thân môn học nói về AI?

Trả lời ngắn: Được phép dùng công cụ không đồng nghĩa với được phép nộp sản phẩm của công cụ. Trong các chính sách đại học được khảo sát ở tài liệu về liêm chính học thuật, luật lặp lại là nội dung do AI sinh ra hoàn toàn thì không được chấp nhận, phần còn lại phải do sinh viên tự kiểm và phải ghi nguồn. INFO4994 thay đổi thứ bạn được dùng, chứ không thay đổi người chịu trách nhiệm.

Dẫn chứng: Ranh giới thật sự mang điểm nằm giữa AI như một công cụ và AI như một tác giả. Nếu bạn ra lệnh cho mô hình sinh 3 lập luận phản bác rồi tự đánh giá xem lập luận nào trong 3 cái đó trụ được trước phản biện, thì phần trí tuệ trên trang giấy là của bạn và công cụ hiện diện minh bạch trong phương pháp. Nếu bạn ra lệnh cho mô hình viết một đoạn rồi sửa lại câu chữ, thì phần trí tuệ là của mô hình và phần sửa của bạn chỉ là lớp sơn. Người chấm phân biệt được hai kiểu này chắc chắn hơn sinh viên tưởng, bởi vì kiểu thứ hai tự tin ở mọi chỗ và cụ thể ở không chỗ nào. Nó không bao giờ nói ra nó nghi ngờ luận điểm nào.

Ví dụ: Một bạn người Việt học sau đại học ở Sydney nộp bản nháp mà phần nào cũng khép lại bằng một câu cân bằng về chuyện công nghệ này "vừa mở ra cơ hội vừa đặt ra thách thức". Cố vấn yêu cầu bạn xoá cả 6 câu đó, mỗi chỗ thay bằng đúng một điều mà bạn thật sự cho là sai trong phần vừa viết. Số từ giảm 300, còn bản nháp chuyển từ mô tả sang đánh giá, bởi vì một quan điểm đã xuất hiện.

Ng và cộng sự (2021), trong bài tổng quan đăng trên Computers and Education: Artificial Intelligence, tập 2, bài số 100041, chia năng lực AI thành 4 mặt: biết và hiểu AI, dùng và ứng dụng AI, đánh giá và tạo ra AI, cùng đạo đức AI. Cấu trúc đó tương ứng gần như trùng khít với chuẩn đầu ra của INFO4994, nên nó là bảng đối chiếu tiện dụng để bạn tự soi bản nháp của mình. Nếu mọi thứ bạn viết ra đều nằm gọn trong 2 mặt đầu tiên, bạn đã viết một bài tròn trịa nhưng sẽ không chạm được nhóm điểm cao.

Ghi nguồn một cuộc hội thoại với AI thế nào cho đúng?

Trả lời ngắn: Hãy ghi nguồn mô hình như một nguồn không có địa chỉ truy hồi, bởi vì người chấm không thể mở lại cuộc hội thoại của bạn như mở một bài báo khoa học. Các chuẩn trích dẫn quy định khác nhau, và nhiều chuẩn vẫn chưa có luật chính thức, khi đó thư viện hướng dẫn xử lý như trao đổi cá nhân.

Dẫn chứng: Yêu cầu thực chất đứng sau mọi phiên bản của luật này là khả năng tái lập, mà bản ghi hội thoại lại phá huỷ đúng thứ đó. Hai sinh viên nhập cùng một câu lệnh trong cùng một ngày sẽ nhận về hai đoạn văn khác nhau, nghĩa là trích dẫn ở đây đang làm một việc khác hẳn trích dẫn thông thường. Nó không chỉ đường cho người chấm tới nguồn để họ kiểm chứng. Nó công bố một phương pháp để họ phán đoán. Đó là lý do một phụ lục chứa đúng những câu lệnh bạn đã dùng thường có giá trị hơn một mục tài liệu tham khảo gọn gàng, và cũng là lý do một bài có danh mục hoàn hảo nhưng không có câu lệnh nào lại thường bị đọc là kém trung thực hơn chứ không phải ngược lại.

Việc cần làm: giữ một bảng nhật ký từ tuần 1 với 4 cột: ngày, tên công cụ kèm phiên bản, câu lệnh nguyên văn, và bạn đã làm gì với kết quả nhận về. Mỗi dòng tốn 30 giây, và nó biến phần tự phản tư vốn phải dựng lại bằng trí nhớ thành một mẩu bằng chứng.

Làm sao kiểm tra một câu trả lời của AI có bịa hay không trước khi nộp?

Trả lời ngắn: Kiểm phần trích dẫn trước, kiểm từng cái một, và mặc định mọi trích dẫn là sai cho tới khi nó mở ra đúng bài. Mô hình ngôn ngữ lớn bịa ra tài liệu tham khảo hoàn hảo về hình thức mà rỗng về thực chất, với tên tác giả nghe hợp lý, tạp chí nghe hợp lý, và một mã DOI dẫn đi đâu không ai biết.

Dẫn chứng: Chuyện bịa nguồn không phải một lỗi kỹ thuật, nên đặt câu lệnh khéo hơn cũng không làm nó hết. Bender và cộng sự (2021), trong kỷ yếu ACM FAccT trang 610 tới 623, mô tả mô hình ngôn ngữ như một hệ thống ghép nối các chuỗi hình thức ngôn ngữ theo thông tin xác suất về cách chúng đi cùng nhau, mà không quy chiếu tới nghĩa. Một hệ thống được dựng như vậy sinh ra một trích dẫn có hình dạng của trích dẫn thật vì đúng cái lý do khiến nó sinh ra một câu có hình dạng của câu đúng. Không có gì trong cấu tạo của nó phân biệt hai trường hợp ấy, nên cũng không có câu lệnh nào của bạn tách được chúng ra một cách đáng tin.

Ví dụ: Một bạn đang dựng phần tổng quan tài liệu cho bài về đạo đức nhận được 8 tài liệu tham khảo từ mô hình, và 7 trong số đó dẫn tới công trình có thật. Cái thứ tám có tác giả thật, tạp chí thật, còn mã DOI thì mở ra trang trống. Cố vấn chỉ cho bạn một thao tác kiểm 20 giây mà bạn áp dụng cho mọi tài liệu từ đó tới nay: dán mã DOI vào doi.org, nếu nó không mở ra đúng bài được nêu tên thì tài liệu ấy không tồn tại. Riêng thói quen đó đáng giá hơn mọi công cụ phát hiện AI.

Vì sao công cụ phát hiện AI nguy hiểm hơn với người viết tiếng Anh không phải tiếng mẹ đẻ?

Trả lời ngắn: Bởi vì các công cụ này gán nhầm văn bản của người viết tiếng Anh như ngôn ngữ thứ hai thành văn do máy sinh với tỷ lệ cao hơn hẳn so với người bản ngữ. Nếu bạn là sinh viên Việt Nam viết bằng tiếng Anh, rủi ro bạn mang không chỉ là rủi ro bị bắt khi dùng AI. Đó còn là rủi ro bị cáo buộc trong khi bạn không hề dùng.

Dẫn chứng: Liang và cộng sự (2023), đăng trên Patterns tập 4, số 7, bài số 100779, đã kiểm nghiệm các công cụ phát hiện GPT phổ biến trên văn bản của người bản ngữ và người không bản ngữ. Kết luận của họ không để chỗ cho cách hiểu khác: "GPT detectors frequently misclassify non-native English writing as AI generated, raising concerns about fairness and robustness" (Liang và cộng sự, 2023), nghĩa là các công cụ này gán nhầm văn bản của người viết không bản ngữ thành văn do AI sinh một cách nhất quán, trong khi văn bản của người bản ngữ lại được nhận diện chính xác. Nhóm tác giả còn cho biết những chiến lược đặt câu lệnh đơn giản vừa làm giảm thiên lệch này vừa qua mặt được các công cụ đó, và họ cảnh báo rằng việc dùng chúng trong môi trường giáo dục có thể vô tình phạt hoặc loại trừ chính người học không bản ngữ. Một công cụ vừa thiên lệch chống lại bạn vừa dễ dàng bị vô hiệu hoá bởi đúng nhóm người mà nó nhắm tới thì không phải công cụ để phán quyết một vụ liêm chính học thuật, và đây là tài liệu bạn nên có sẵn nếu một vụ như vậy được mở ra với mình.

Việc cần làm: hãy dựng hồ sơ tự bảo vệ ngay trong lúc viết chứ không phải sau khi bị cáo buộc. Soạn bài trong tài liệu có bật lịch sử phiên bản, giữ nhật ký câu lệnh nói ở trên, và lưu lại phần ghi chú đọc tài liệu trước khi viết. Một cuộc điều tra sẽ yêu cầu bạn chứng minh quy trình, mà quy trình chỉ tồn tại trong trí nhớ thì không chứng minh được gì. Nhân tiện, đây cũng chính là lý lẽ ủng hộ việc làm bài đúng theo cách môn học mong đợi.

Viết phần đánh giá phê phán mà môn này thật sự cho điểm như thế nào?

Trả lời ngắn: Hãy đưa ra một khẳng định mà một người có lý trí có thể không đồng tình, rồi bảo vệ nó trước phản bác mạnh nhất bạn tìm được. Mô tả nói cho người đọc biết một thứ là gì. Đánh giá nói cho người đọc biết bạn kết luận điều gì và trên cơ sở nào thì bạn có thể bị chứng minh là sai. Chỉ vế thứ hai mới chạm được nhóm điểm cao.

Long và Magerko (2020), trong kỷ yếu CHI 2020 trang 1 tới 16, định nghĩa năng lực AI là tập hợp các năng lực cho phép con người đánh giá phê phán các công nghệ AI, giao tiếp và cộng tác hiệu quả với AI, và dùng AI như một công cụ. Từ đang gánh sức nặng ở đây là phê phán, và cũng đáng chú ý rằng định nghĩa của họ đặt đánh giá trước sử dụng. Một sinh viên vận hành thành thạo 5 công cụ mà không nói được công cụ nào không phù hợp cho một tác vụ cụ thể thì có kỹ năng mà không có năng lực, và khoảng cách đó chính là thứ mà một bài đánh giá trong môn này được thiết kế để phơi bày. Định nghĩa ấy dựa trên một cuộc rà soát phạm vi gồm 150 tài liệu, trong đó có 53 bài kỷ yếu hội nghị, 38 bài tạp chí, 15 cuốn sách và 44 tài liệu xám, được các tác giả xếp vào 5 chủ đề lớn; kho tài liệu này nghiêng hẳn về gần đây, với 8 tài liệu trước năm 2000, 43 tài liệu giai đoạn 2000 tới 2009, 55 tài liệu giai đoạn 2010 tới 2017 và 44 tài liệu trong hai năm 2018 và 2019.

Hình thức thực hành của nguyên tắc vừa nêu hẹp hơn người ta tưởng nhiều. Hãy lấy một khẳng định cụ thể, chẳng hạn khẳng định rằng hệ thống dạy kèm bằng AI mở rộng cơ hội tiếp cận giáo dục. Nêu điều kiện mà khẳng định đó đúng, nêu điều kiện mà nó sai, rồi nói bằng chứng của bạn ủng hộ điều kiện nào. Đó là 3 câu, và nó làm được nhiều việc đánh giá hơn 3 đoạn tóm tắt cân bằng. Nếu bạn không nêu nổi điều kiện khiến khẳng định ấy sai, nhiều khả năng bạn chưa thật sự xem xét nó.

Câu hỏi thường gặp

Có cần nền tảng công nghệ thông tin để học INFO4994 không?
Không. Môn không có môn tiên quyết, không đòi kiến thức nền, và mở ở cả hai học kỳ năm 2026 tại cơ sở Camperdown và Darlington. Môn được thiết kế để mở cho sinh viên các khoa khác nhau, nghĩa là phần đánh giá không thể cho điểm dựa trên nền kỹ thuật có sẵn.

Tôi được dùng ChatGPT cho bài tập INFO4994 không?
Đề cương môn của học kỳ bạn học mới là nơi có thẩm quyền, và với một môn mà chuẩn đầu ra thứ hai nói về sử dụng AI tạo sinh thì nhiều khả năng có một mức dùng được cho phép. Được phép dùng vẫn kèm nghĩa vụ khai báo, vẫn buộc bạn tự kiểm độ chính xác, và vẫn giữ bạn chịu trách nhiệm cho mọi luận điểm nộp dưới tên mình.

Trích dẫn hội thoại với AI theo APA 7 ra sao?
Hãy xử lý như một nguồn không có địa chỉ truy hồi và theo hướng dẫn hiện hành của khoa bạn, vì các chuẩn quy định khác nhau và nhiều chuẩn vẫn đang hoàn thiện. Dù theo định dạng nào, hãy nêu tên công cụ kèm phiên bản, ghi ngày, và giữ lại câu lệnh. Một phụ lục câu lệnh thường là bằng chứng về quy trình trung thực mạnh hơn chính mục tài liệu tham khảo.

Nếu công cụ phát hiện AI gắn cờ bài của tôi mà tôi không hề dùng AI thì sao?
Hãy hỏi kết luận đó dựa trên bằng chứng nào, rồi trình hồ sơ quy trình của bạn gồm lịch sử phiên bản, nhật ký câu lệnh, ghi chú đọc tài liệu và các bản nháp. Liang và cộng sự (2023) liên quan trực tiếp tới tình huống này, vì nghiên cứu đó ghi nhận việc gán nhầm có hệ thống đối với văn bản tiếng Anh của người không bản ngữ.

Mã INFO4994 ở trường khác có phải cùng một môn không?
Hãy kiểm chứng trước khi dùng bất kỳ tài liệu ôn nào tìm thấy trên mạng. Mã môn bị dùng lại giữa các trường, và tài liệu viết cho một môn đánh số khác ở nơi khác sẽ mô tả những bài đánh giá mà bạn không hề phải làm.

MAAS đồng hành với sinh viên môn này như thế nào

MAAS làm việc với tư cách cố vấn học thuật, không phải dịch vụ viết bài. Với một môn như INFO4994, việc đó thường gồm 3 phần: giúp bạn chuyển bản nháp từ mô tả sang đánh giá bằng cách chỉ ra chỗ còn thiếu một khẳng định, rà danh mục tài liệu tham khảo của bạn theo đúng các bước kiểm ở trên trước khi người chấm nhìn thấy nó, và dựng hồ sơ quy trình để bảo vệ bạn nếu bài từng bị đặt nghi vấn. Bạn là người viết bài. Việc của cố vấn là chỉ cho bạn thấy chỗ nào lập luận chưa đủ sức chịu lực.

Nếu bạn muốn một cố vấn xem giúp bản nháp của môn này, hãy trao đổi với chúng tôi về hỗ trợ học thuật hoặc đọc quy trình cố vấn của MAAS.

References

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922

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

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). Association for Computing Machinery. https://doi.org/10.1145/3313831.3376727

Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041

University of Sydney. (2026). INFO4994: AI literacy and competency [Unit of study outline]. https://www.sydney.edu.au/units/INFO4994

Tools & resources

• Trang môn học INFO4994 của University of Sydney: https://www.sydney.edu.au/units/INFO4994
• Công cụ tra mã DOI để kiểm tài liệu có tồn tại hay không: https://www.doi.org