Chuyên đề · Dữ liệu học tập

Learning Analytics: Chỉ số nào giúp cải thiện đào tạo?

Dữ liệu học có ý nghĩa khi nó giúp người phụ trách đưa ra một quyết định cụ thể. Bài viết phân biệt các loại chỉ số và những suy luận không nên rút ra từ dashboard.

Ban biên tập MindShiftĐăng ngày 30/07/2026 16 phút đọc
Minh họa dữ liệu hành trình học được phân tích có quản trị để hỗ trợ cải thiện hiệu suất
Sơ đồ vòng đời Learning Analytics từ câu hỏi đến can thiệp và đánh giá
Learning Analytics có giá trị khi dữ liệu được diễn giải trong một mô hình học tập, dẫn đến can thiệp cụ thể, được đánh giá lại và chịu sự kiểm soát về quyền riêng tư, công bằng và trách nhiệm.

Một dashboard nhiều số liệu vẫn có thể không trả lời được câu hỏi nào hữu ích

Một hệ thống học có thể ghi nhận lượt đăng nhập, thời gian xem, điểm kiểm tra và tỷ lệ hoàn thành. Những dấu vết ấy chỉ trở thành learning analytics khi chúng được dùng để hiểu hoặc cải thiện một quyết định về học tập. Society for Learning Analytics Research mô tả lĩnh vực này gắn với việc đo lường, thu thập, phân tích và báo cáo dữ liệu về người học cùng bối cảnh của họ, nhằm hiểu và cải thiện việc học cũng như môi trường diễn ra việc học.

Câu hỏi phải đến trước dữ liệu. Đội đào tạo có thể cần biết vì sao người mới thường mắc cùng một lỗi sau onboarding, mô-đun nào không chuẩn bị đủ cho một thao tác, hoặc nhóm nào không nhận được điều kiện học tương đương. Nếu không thể nói một chỉ số sẽ dẫn đến quyết định nào, việc thu nó tạo thêm chi phí quản trị và rủi ro quyền riêng tư mà không tạo thêm tri thức.

Bốn dạng câu hỏi cần được phân biệt để tránh suy diễn từ dữ liệu

Dữ liệu mô tả trả lời chuyện gì đã xảy ra: bao nhiêu người hoàn thành, họ dừng ở đâu, câu nào bị sai nhiều. Dữ liệu chẩn đoán đi xa hơn: có yếu tố nào trong nội dung, lộ trình hoặc điều kiện truy cập liên quan đến hiện tượng đó? Dữ liệu dự báo ước lượng điều gì có thể xảy ra, còn dữ liệu khuyến nghị đề xuất một hành động. Mỗi bước đi xa hơn đều cần giả định mạnh hơn và nguy cơ sai lớn hơn.

Một ví dụ đơn giản: tỷ lệ dừng cao ở một video có thể là tín hiệu để xem lại video, nhưng chưa chứng minh nội dung dở hoặc người học thiếu cam kết. Có thể mạng yếu, thời điểm giao học không phù hợp hoặc video nói về một việc không liên quan đến vai trò của họ. Analytics tốt không kết thúc bằng biểu đồ. Nó mở ra một giả thuyết có thể kiểm tra bằng quan sát, phản hồi và bối cảnh công việc.

Thiết kế dữ liệu từ quyết định ngược về, thay vì ghi mọi thứ có thể ghi

Với mỗi mục tiêu, hãy lập một bảng ngắn: quyết định cần ra là gì, ai là người ra quyết định, cần thấy bằng chứng nào, dữ liệu nào thực sự phục vụ bằng chứng đó và ai được phép xem. Chẳng hạn, quyết định có cần bổ sung người kèm cho nhân viên mới hay không có thể cần dấu vết về phần thực hành, lỗi ở công đoạn liên quan và đánh giá của quản lý; số phút mở tài liệu chỉ là một tín hiệu phụ.

Cách thiết kế này cũng buộc tổ chức xác định điểm dừng. Dữ liệu không còn phục vụ mục đích thì cần được xóa, tổng hợp hoặc hạn chế truy cập theo chính sách phù hợp. UNESCO nhấn mạnh rằng an toàn dữ liệu cá nhân trên các nền tảng giáo dục cần được giải quyết bằng cả biện pháp kỹ thuật, quản lý và nâng cao nhận thức. Không nên coi phần quyền riêng tư là việc chỉ đội kỹ thuật xử lý sau khi dashboard đã được thiết kế.

Tương quan giữa học và kết quả không cho phép kết luận nguyên nhân ngay lập tức

Nhóm có điểm cao hơn có thể đồng thời là nhóm đã có kinh nghiệm hơn, được quản lý hỗ trợ nhiều hơn hoặc nhận công việc dễ hơn. Vì thế, việc họ đạt kết quả vận hành tốt hơn chưa cho thấy khóa học là nguyên nhân duy nhất. Nói quá mức từ dữ liệu học dễ dẫn đến quyết định sai, chẳng hạn gán công lao cho một mô-đun khi rào cản thật nằm ở lịch phân ca hoặc thiết bị.

Điều này không khiến phân tích trở nên vô ích. Nó khiến cách diễn giải phải khiêm tốn hơn. Hãy dùng dữ liệu học để chọn nơi cần điều tra, so sánh trước–sau trong một phạm vi rõ, xem mẫu công việc thực tế và ghi nhận các thay đổi khác diễn ra cùng lúc. Khi không thể tách nguyên nhân, báo cáo cần nói rõ giới hạn thay vì biến một liên hệ thành một lời hứa về tác động.

Dữ liệu về người học có thể tạo áp lực và thiên kiến nếu thiếu hàng rào

Một con số về tiến độ học dễ bị hiểu thành đánh giá thái độ hay năng lực, nhất là khi nó được dùng để so sánh công khai giữa các cá nhân. Nhưng người học có thể khác nhau về lịch làm, khả năng truy cập, vai trò, kinh nghiệm hoặc nhu cầu hỗ trợ. Nếu không xem bối cảnh, dashboard tưởng như khách quan có thể làm bất lợi cho người đang gặp rào cản hệ thống.

Trước khi thu thập, cần trả lời rõ: mục đích này có chính đáng không, người học được thông tin gì, ai có quyền truy cập, quyết định tự động nào sẽ hoặc sẽ không được đưa ra, và có cách nào để họ phản hồi hoặc yêu cầu sửa dữ liệu? Các khuyến nghị của SoLAR về thách thức của learning analytics nhấn mạnh tính liên ngành và các vấn đề đạo đức, không coi đây chỉ là bài toán trực quan hóa dữ liệu.

Vòng lặp nhỏ giúp biến dashboard thành cải tiến có thể kiểm chứng

Một vòng lặp thực tế có thể gồm năm bước: chọn một vấn đề hẹp, nêu giả thuyết, xem dữ liệu cùng bối cảnh, thử một thay đổi nhỏ, rồi kiểm tra tác động và tác dụng phụ. Ví dụ, nếu người học hay sai ở một câu hỏi về ngoại lệ quy trình, đội đào tạo có thể sửa tình huống, thêm hướng dẫn tại điểm làm việc và nhờ quản lý quan sát một nhóm nhỏ trong thời gian ngắn. Sau đó mới quyết định có nhân rộng hay không.

Quan trọng nhất là giữ quyền giải thích ở con người. Một mô hình có thể gắn cờ một nhóm cần hỗ trợ, nhưng người phụ trách phải kiểm tra liệu tín hiệu đó có hợp lý, có gây hại nếu hành động theo hay không và cách hỗ trợ nào phù hợp. Công cụ nên làm câu hỏi tốt hơn, không biến người học thành tập dữ liệu bị đánh giá từ xa.

MindCoach có thể cung cấp dấu vết học, còn ý nghĩa của chúng phải do tổ chức quản trị

Khi dùng MindCoach, doanh nghiệp có thể tổ chức nội dung theo vai trò, theo dõi dấu vết học trong phạm vi đã định và liên kết các tín hiệu này với quá trình cải thiện đào tạo. Việc này hữu ích nhất khi các chỉ số được thiết kế cùng chủ sở hữu công việc và có câu hỏi vận hành rõ ràng. Dữ liệu hiển thị trong hệ thống không tự trở thành bằng chứng về năng lực, an toàn hay hiệu suất.

Bước khởi đầu đáng làm là chọn một quyết định mà tổ chức đang phải ra thường xuyên nhưng thiếu căn cứ: ai cần được hỗ trợ thêm, nội dung nào đã lỗi thời, hay quy trình nào đang tạo ra nhiều câu hỏi lặp lại. Nếu chưa trả lời được câu hỏi đó, hãy hoãn dashboard mới. Analytics có trách nhiệm bắt đầu bằng một quyết định có người chịu trách nhiệm, không bằng mong muốn có nhiều số liệu hơn.

Nguồn tham khảo