Mã số N2001: Nghiên cứu và phát triển chatbot hỗ trợ học tập cho học sinh THCS dựa trên kiến trúc Multi-Stage Retrieval-Augmented Generation

Khi tự học, học sinh THCS cần được hỗ trợ để hiểu khái niệm, xác định kiến thức liên quan và tìm bước giải quyết tiếp theo. Tuy nhiên, không phải lúc nào học sinh cũng có thể hỏi giáo viên ngay. Việc tìm kiếm tài liệu trên Internet hoặc hỏi chatbot AI tạo thêm cơ hội tiếp cận kiến thức, đồng thời đặt ra yêu cầu lựa chọn nguồn phù hợp với chương trình và kiểm tra độ tin cậy của câu trả lời.
Từ quan sát trong quá trình học tập, nhóm nhận thấy học sinh có thể gặp nhiều cách giải và tài liệu ở các cấp độ khác nhau. Câu trả lời của mô hình ngôn ngữ lớn cũng có thể thiếu căn cứ hoặc không phù hợp với kiến thức đang học. Nếu học sinh chưa có khả năng tự kiểm tra thông tin, những hạn chế này dễ ảnh hưởng đến cách hiểu bài và quá trình tự học.

Nội dung và nguyên lý hoạt động

Hệ thống kết hợp giao diện web, backend API, kho học liệu, quy trình Multi-Stage RAG và mô hình ngôn ngữ lớn thông qua LLM API. Học sinh nhập câu hỏi bằng ngôn ngữ tự nhiên. Backend tiếp nhận yêu cầu và chuyển câu hỏi vào quy trình xử lý để tìm học liệu phù hợp trước khi tạo phản hồi.
Ở bước hiểu câu hỏi, hệ thống xác định môn học, chủ đề, ý định và dạng yêu cầu. Bước mở rộng truy vấn chuẩn hóa cách diễn đạt, bổ sung từ khóa tương đương để hỗ trợ tìm kiếm. Truy xuất lai (Hybrid Retrieval) kết hợp tìm kiếm từ khóa BM25 với tìm kiếm ngữ nghĩa, nhằm nhận diện tài liệu liên quan ngay cả khi học sinh diễn đạt khác nội dung học liệu.
Tiếp theo, bước xếp hạng lại (Re-ranking) lựa chọn các đoạn bằng chứng có mức liên quan cao hơn. Các đoạn được ghép và rút gọn thành ngữ cảnh đầu vào cho mô hình ngôn ngữ lớn. Mô hình tạo gợi ý hoặc giải thích trên cơ sở ngữ cảnh này. Theo thiết kế, bước Verification/Safety kiểm tra căn cứ, giới hạn và độ phù hợp của phản hồi trước khi hiển thị. Thành phần kiểm chứng đang tiếp tục hoàn thiện và chưa có đủ dữ liệu đánh giá để khẳng định hiệu quả riêng.
Kho học liệu được xây dựng từ kiến thức thuộc Chương trình GDPT 2018, sách giáo khoa THCS, dạng bài tập thường gặp và hướng dẫn do giáo viên biên soạn. Dữ liệu được kiểm tra, chỉnh sửa, phân tách và gắn nhãn theo môn học, chủ đề, mức độ và dạng câu hỏi trước khi lập chỉ mục. Cách tổ chức này hỗ trợ giới hạn phạm vi truy xuất và cập nhật nội dung khi có nhu cầu.

Tính mới, tính sáng tạo 

Giá trị sáng tạo của dự án nằm ở việc thiết kế cách tích hợp các thành phần kỹ thuật cho nhu cầu học tập của học sinh THCS Việt Nam. Kho tri thức được giáo viên kiểm soát đóng vai trò nguồn bằng chứng; quy trình truy xuất nhiều giai đoạn hỗ trợ lựa chọn thông tin; nguyên tắc phản hồi định hướng học sinh tự suy nghĩ và giải quyết nhiệm vụ.
Đối với bài tập, chatbot được định hướng đưa gợi ý theo từng bước, giúp học sinh xác định kiến thức cần sử dụng và thử cách giải tiếp theo. Khi thiếu học liệu, phản hồi cần thể hiện giới hạn thay vì suy đoán chắc chắn. Đây là yêu cầu thiết kế nhằm hạn chế việc chỉ sao chép đáp án và giúp người học biết khi nào cần hỏi giáo viên.
Dự án không tuyên bố là hệ thống đầu tiên hoặc phát minh công nghệ RAG hoàn toàn mới. Điểm mới được xác định trong phạm vi tổ chức học liệu, tích hợp quy trình xử lý và thiết kế phản hồi phù hợp với người học. Mức độ đóng góp của từng thành phần cần tiếp tục được làm rõ thông qua kết quả kiểm thử và nhật ký xây dựng hệ thống.

Quá trình thực hiện và năng lực triển khai

Quy trình nghiên cứu trong báo cáo gồm xác định nhu cầu; thu thập và chuẩn hóa học liệu; thiết kế kiến trúc; xây dựng nguyên mẫu; kiểm thử; phân tích và điều chỉnh. Nhóm tiếp cận bài toán từ cả yêu cầu học tập và yêu cầu kỹ thuật, thay vì chỉ tập trung vào việc tạo câu trả lời tự động.
Các công việc được mô tả gồm xây dựng giao diện nhập câu hỏi và nhận phản hồi; kết nối backend với kho dữ liệu và LLM API; tổ chức truy xuất học liệu; thiết kế quy tắc tạo gợi ý; lưu nhật ký kỹ thuật; ghi nhận phản hồi người dùng. Việc hình thành nguyên mẫu cho thấy nhóm đã triển khai được bước đầu luồng hỏi đáp trên web. Báo cáo hiện chưa cung cấp đầy đủ phân công công việc và minh chứng phần mã do từng thành viên thực hiện, nên hồ sơ không khẳng định những đóng góp cá nhân chưa được xác định.
Giáo viên có vai trò hỗ trợ kiểm tra phạm vi kiến thức, cách diễn đạt và tính phù hợp của học liệu. Để vận hành lâu dài, dự án cần tiếp tục hoàn thiện công cụ quản trị dữ liệu, quy trình rà soát phản hồi lỗi và cách lưu lại các lần thay đổi. Đây là cơ sở để việc cập nhật hệ thống có thể được theo dõi và đánh giá.

Kết quả bước đầu và hiệu quả thực tế

Kết quả bước đầu của dự án là nguyên mẫu chatbot học tập trên nền tảng web đã được đưa vào sử dụng thử nghiệm. Hệ thống cho phép học sinh đặt câu hỏi, truy xuất học liệu liên quan, nhận gợi ý hoặc giải thích và gửi phản hồi trực tiếp sau khi sử dụng.
Khảo sát sau trải nghiệm thu được 539 lượt phản hồi của học sinh. Kết quả cho thấy người sử dụng đã đánh giá hệ thống trên nhiều khía cạnh như khả năng hiểu câu hỏi, mức độ phù hợp với kiến thức THCS, khả năng tìm kiếm thông tin, chất lượng giải thích, hỗ trợ tự học và tốc độ phản hồi. Các kết quả chi tiết được trình bày bằng biểu đồ trong phần tài liệu minh chứng.
Dữ liệu phản hồi cũng giúp nhóm nhận diện các hạn chế thực tế như truy xuất chưa đúng tài liệu, câu trả lời còn dài, mức độ giải thích chưa phù hợp hoặc phản hồi thiếu căn cứ. Những trường hợp này được sử dụng để điều chỉnh kho học liệu, quy tắc tạo phản hồi và quy trình truy xuất của hệ thống.
Ngoài khảo sát, hệ thống có chức năng ghi nhận đánh giá trực tiếp của người sử dụng bằng điểm số và nhận xét. Một số phản hồi thực tế đã được đưa vào tài liệu minh chứng. Đây là nguồn dữ liệu giúp nhóm tiếp tục cải tiến sản phẩm dựa trên trải nghiệm thực tế của người học.
Các kết quả hiện có phản ánh mức độ trải nghiệm, khả năng sử dụng và cảm nhận của người học đối với chatbot. Dự án chưa sử dụng các kết quả này để khẳng định chắc chắn mức cải thiện thành tích học tập. Trong giai đoạn tiếp theo, nhóm tiếp tục xây dựng bộ câu hỏi chuẩn, tiêu chí chấm, nhật ký truy xuất và phương án so sánh các cấu hình hệ thống để đánh giá sâu hơn về độ chính xác, mức bám nguồn và hiệu quả hỗ trợ tự học.

Khả năng nhân rộng và lan tỏa

Kiến trúc phần mềm có thể tái sử dụng khi thay đổi kho tri thức, quy tắc sư phạm và bộ kiểm thử. Việc cập nhật học liệu không đòi hỏi huấn luyện lại toàn bộ mô hình AI. Khi có đủ nội dung đã được kiểm duyệt, hệ thống có thể mở rộng sang thêm môn học, chủ đề hoặc khối lớp.
Để áp dụng tại đơn vị giáo dục khác, cần xác định nhu cầu người học, chuẩn hóa học liệu phù hợp, bố trí giáo viên kiểm duyệt và kiểm thử trước khi đưa vào sử dụng. Mức độ sẵn sàng nhân rộng phụ thuộc vào chất lượng dữ liệu, khả năng vận hành và nguồn lực hỗ trợ; hồ sơ hiện chưa khẳng định có đơn vị khác đã triển khai.
Nếu được hoàn thiện, dữ liệu phản hồi có thể hỗ trợ giáo viên nhận diện những nội dung học sinh thường gặp khó khăn để bổ sung học liệu và điều chỉnh hướng dẫn. Đây là hướng phát triển dự kiến, cần được triển khai với phạm vi dữ liệu phù hợp và bảo vệ thông tin của người học.

Tính bền vững và quản trị rủi ro

Rủi ro về độ tin cậy gồm AI tạo thông tin sai, phản hồi thiếu căn cứ hoặc hệ thống truy xuất lệch chủ đề. Các biện pháp được thiết kế gồm sử dụng học liệu làm nguồn bằng chứng, gắn nhãn dữ liệu, kết hợp truy xuất từ khóa và ngữ nghĩa, xếp hạng lại và kiểm chứng phản hồi. Khi chưa đủ bằng chứng, hệ thống cần thông báo giới hạn và hướng người học tham khảo giáo viên. Hiệu quả của các biện pháp phải được kiểm thử, không được xem là bảo đảm mọi câu trả lời đều đúng.
 Rủi ro về cách học là học sinh phụ thuộc vào chatbot hoặc lấy đáp án mà không tự giải quyết nhiệm vụ. Nguyên tắc gợi ý từng bước, khuyến khích tự làm và đối chiếu với bài học được lựa chọn để giảm nguy cơ này. Chatbot là công cụ hỗ trợ; giáo viên tiếp tục giữ vai trò hướng dẫn và đánh giá.
Đối với nội dung không phù hợp và dữ liệu cá nhân, báo cáo đề xuất bộ lọc an toàn, quy tắc phản hồi, kiểm tra học liệu và tối thiểu hóa thông tin lưu trữ. Hệ thống không cần yêu cầu học sinh cung cấp dữ liệu nhạy cảm cho hoạt động hỏi đáp học tập. Khi mở rộng, cần làm rõ quyền truy cập, thời gian lưu dữ liệu và cách xử lý phản hồi có chứa thông tin cá nhân.
Hệ thống còn phụ thuộc Internet và dịch vụ LLM API. Việc duy trì cần tính đến chi phí vận hành, khả năng gián đoạn dịch vụ và nguồn lực cập nhật dữ liệu. Các hướng xử lý gồm thông báo lỗi rõ ràng, cơ chế thử lại và phương án dự phòng phù hợp. Nguồn kinh phí dài hạn chưa được xác định trong hồ sơ hiện có.

Khả năng tiếp tục phát triển

Ưu tiên tiếp theo là hoàn thiện Verification và cơ chế phản hồi khi thiếu căn cứ; tối ưu truy xuất tiếng Việt; bổ sung học liệu đã được kiểm duyệt; xây dựng trang quản trị cho giáo viên. Cùng với phát triển chức năng, nhóm cần hoàn thiện bộ câu hỏi kiểm thử, đáp án chuẩn và nhật ký truy xuất để đánh giá chất lượng phản hồi.
Phương án đánh giá trong báo cáo gồm so sánh AI trả lời trực tiếp, RAG cơ bản, Multi-Stage RAG và Multi-Stage RAG có Verification trên cùng dữ liệu và cấu hình tương ứng. Cấu hình có Verification chỉ được đưa vào so sánh khi chức năng này đã hoạt động thực tế. Các tiêu chí gồm độ chính xác, mức bám nguồn, chất lượng ngữ cảnh, thời gian phản hồi và đánh giá người dùng. Đánh giá tiền kiểm và hậu kiểm là hướng tiếp tục nghiên cứu để xác định tác động đến học tập.
Nhóm hướng tới một công cụ hỗ trợ tự học có nguồn học liệu được kiểm soát, phản hồi có định hướng và cơ chế thể hiện giới hạn. Nguyên mẫu hiện có tạo cơ sở cho việc tiếp tục thử nghiệm; những kết luận về hiệu quả và khả năng nhân rộng sẽ được xác lập theo dữ liệu thực tế.

 Kết quả khảo sát tại Trường THCS Nguyễn Tri Phương

Quét mã QR để sử dụng ứng dụng

Hướng dẫn sử dụng chatbot: https://youtu.be/QNhmaGZ20XQ

TÀI LIỆU THAM KHẢO
[1] J. Swacha and M. Gracel, “Retrieval-Augmented Generation (RAG) Chatbots for Education: A Survey of Applications,” Applied Sciences, vol. 15, no. 8, 4234, 2025. DOI: 10.3390/app15084234.
[2] M. Klar, “Using ChatGPT is easy, using it effectively is tough? A mixed methods study on K-12 students’ perceptions, interaction patterns, and support for learning with generative AI chatbots,” Smart Learning Environments, vol. 12, 32, 2025. DOI: 10.1186/s40561-025-00385-2.
[3] Z. Li, Z. Wang, W. Wang, K. Hung, H. Xie, and F. L. Wang, “Retrieval-augmented generation for educational application: A systematic survey,” Computers and Education: Artificial Intelligence, vol. 8, 100417, 2025. DOI: 10.1016/j.caeai.2025.100417.
[4] X. Wang, Z. Wang, X. Gao, F. Zhang, Y. Wu, Z. Xu, T. Shi, Z. Wang, S. Li, Q. Qian, R. Yin, C. Lv, X. Zheng, and X. Huang, “Searching for Best Practices in Retrieval-Augmented Generation,” Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing (EMNLP 2024), pp. 17716–17736, 2024.
[5] S. Jeong, J. Baek, S. Cho, S. J. Hwang, and J. C. Park, “Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity,” Proceedings of NAACL-HLT 2024, pp. 7036–7050, 2024.
 

Nguyễn Thanh Tịnh (Trường THCS Nguyễn Tri Phương)