Một yêu cầu “hãy tạo 20 câu trắc nghiệm” thường cho ra một danh sách rất nhanh. Danh sách có đủ câu dẫn, bốn phương án và đáp án nên trông khá hoàn chỉnh. Nhưng hình thức đầy đủ chưa cho biết câu hỏi đo đúng mục tiêu, chỉ có một đáp án phù hợp hay người học có thể đoán nhờ cách diễn đạt.
AI có thể hỗ trợ bản nháp, gợi ý tình huống và đề xuất phương án nhiễu. Chất lượng của bộ câu hỏi vẫn cần được kiểm tra theo nội dung, mục tiêu và cách sử dụng. Bài viết đề xuất một quy trình thực hành cho giảng viên, không xem đầu ra AI là đề kiểm tra đã được thẩm định.
1. Xác định điều cần đo trước khi tạo câu hỏi
Trước hết hãy viết điều người học cần thể hiện. “Biết vận chuyển qua màng” còn rộng; “phân biệt một tình huống vận chuyển thụ động với chủ động dựa trên dữ kiện” cụ thể hơn. Từ mục tiêu này mới chọn nội dung, mức độ và loại nhiệm vụ.
Một chuẩn đầu ra có thể cần nhiều loại minh chứng. Trắc nghiệm phù hợp với một số nhiệm vụ chọn và phân tích, nhưng không thay thế mọi thao tác thực hành, trình bày hoặc sản phẩm học tập. Chọn dạng câu hỏi cần dựa trên mục đích sử dụng, thay vì dựa vào việc AI tạo dạng đó nhanh.
Hãy gửi cho AI một bản đặc tả nhỏ gồm đối tượng, kiến thức đã học, mục tiêu, mức độ, số câu và phạm vi nguồn. Nếu chưa có đủ thông tin, yêu cầu AI liệt kê điểm còn thiếu trước khi soạn. Bản đặc tả là cơ sở để giảng viên kiểm tra câu hỏi sau đó.
2. Lập ma trận nhỏ để kiểm soát phạm vi
Một bộ đề có thể có nhiều câu đúng nhưng tập trung quá nhiều vào một ý dễ viết. Ma trận giúp nhìn phân bố nội dung trước khi chuyển sang câu chữ. Không cần một bảng quá phức tạp cho hoạt động luyện tập ngắn; cần đủ để biết mỗi câu phục vụ nhiệm vụ nào.
Ví dụ minh họa: một hoạt động ôn tập về màng tế bào gồm nhận diện cơ chế, giải thích một dữ kiện và phát hiện một nhận định sai. Đây là cách tổ chức bài tập do bài viết đề xuất, không phải quy định phân bố cho mọi học phần. Giảng viên điều chỉnh theo chuẩn đầu ra thực tế.
| Nội dung | Hành động cần thể hiện | Minh chứng dự kiến |
|---|---|---|
| Một cơ chế đã học | Nhận diện từ dữ kiện | Chọn phương án và giải thích |
| So sánh hai cơ chế | Phân biệt điều kiện | Chọn lập luận phù hợp |
| Một nhận định | Kiểm tra giới hạn | Chỉ ra dữ kiện chưa đủ |
Sau khi AI tạo câu, đối chiếu lại từng hàng. Nếu một câu chỉ hỏi tên trong khi hàng yêu cầu giải thích, cần sửa nhiệm vụ. Một nhãn “vận dụng” do AI tự ghi không chứng minh câu hỏi thực sự yêu cầu vận dụng.
3. Giao AI một nhiệm vụ có giới hạn rõ
Một yêu cầu tốt có thể bắt đầu như sau: “Dựa trên đoạn tài liệu đã được giảng viên kiểm chứng, đề xuất ba câu một đáp án tốt nhất cho sinh viên năm đầu. Mỗi câu cần ghi mục tiêu, đáp án, giải thích từng phương án và chỗ trong nguồn dùng để kiểm tra.”
Bổ sung giới hạn: không thêm kiến thức ngoài phạm vi; không tạo dữ kiện mơ hồ; đánh dấu điều chưa chắc thay vì tự điền; không tạo trích dẫn mới nếu chưa có nguồn. Những yêu cầu này hỗ trợ kiểm soát nhưng không bảo đảm AI tuân thủ hoàn toàn. Người viết vẫn phải đọc và đối chiếu.
Để sửa bản nháp, yêu cầu AI phân tích từng lỗi riêng. Ví dụ, kiểm tra câu dẫn trước rồi kiểm tra phương án. Nếu chỉ nói “làm câu hỏi hay hơn”, AI có thể tăng độ dài hoặc thêm tình huống không cần thiết, khiến nhiệm vụ đổi khác so với mục tiêu ban đầu.
4. Kiểm tra câu dẫn trước khi đọc phương án
Tài liệu NBME về câu hỏi một đáp án tốt nhất nhấn mạnh câu hỏi rõ, tập trung và các phương án đồng loại, hợp lí. Đây là hướng dẫn cho khoa học sức khỏe; bài viết vận dụng có chọn lọc vào cách rà soát câu hỏi sinh học, không tuyên bố mọi dạng trắc nghiệm phải theo cùng một khuôn (NBME, 2024).
Thử che các phương án và đọc câu dẫn. Người nắm nội dung có hiểu đang được yêu cầu làm gì không? Nếu câu hỏi chỉ ghi “nhận định nào đúng?” nhưng phạm vi chưa rõ, đáp án có thể phụ thuộc vào cách người đọc diễn giải. Cần làm rõ vấn đề trước khi chỉnh phương án nhiễu.
Tình huống dài không tự làm câu hỏi khó hơn theo cách có ích. Mỗi dữ kiện nên phục vụ nhiệm vụ hoặc bối cảnh cần thiết. Loại bỏ chi tiết trang trí giúp người học dành công sức cho lập luận chuyên môn, thay vì tìm ý chính trong một đoạn văn dư thừa.
5. Một ví dụ sửa từ bản nháp
Bản nháp minh họa có thể hỏi: “Vận chuyển qua màng có đặc điểm nào?” với những phương án nói về nhiều cơ chế khác nhau. Câu này quá rộng vì vận chuyển qua màng gồm những quá trình có đặc điểm khác nhau. Thêm một đáp án được gắn nhãn đúng không giải quyết sự thiếu rõ ràng.
Một phiên bản có nhiệm vụ cụ thể hơn: “Trong mô hình đang xét, chất X đi từ nơi có nồng độ cao đến nơi có nồng độ thấp qua một protein màng, không ghép với nguồn năng lượng. Cách phân loại phù hợp nhất là gì?” Các phương án có thể cùng thuộc nhóm cơ chế vận chuyển đã được học.
Đây là ví dụ thiết kế câu hỏi, không phải một câu đã thử nghiệm. Giảng viên cần đối chiếu thuật ngữ và điều kiện với tài liệu học phần. Nếu bài học phân biệt thêm những trường hợp chuyên sâu, phải điều chỉnh dữ kiện để tránh hai phương án cùng có thể được bảo vệ.
6. Phương án nhiễu cần có lí do
Một phương án sai rõ ràng vì dùng từ vô nghĩa thường ít giúp phân biệt hiểu biết. Có thể bắt đầu từ những nhầm lẫn thường gặp trong nội dung đã dạy, rồi kiểm tra xem phương án đó có hợp với câu dẫn không. Không nên biến phương án nhiễu thành một kiến thức sai được lặp lại mà thiếu giải thích.
Yêu cầu AI ghi lí do từng phương án sai và loại nhầm lẫn dự kiến. Sau đó giảng viên kiểm tra độc lập các lí do ấy. Nếu giải thích chỉ lặp lại “vì không đúng”, bản nháp chưa cung cấp cơ sở để đánh giá. Nếu phải thêm giả định mới để bác bỏ một phương án, câu dẫn có thể chưa đủ dữ kiện.
Độ dài và cách viết các phương án cũng cần cân đối. Tránh để đáp án đúng luôn dài hơn, chính xác hơn hoặc có từ nối đặc biệt. Những dấu hiệu hình thức có thể làm người học chọn đúng mà chưa hiểu nội dung, khiến kết quả khó diễn giải.
7. Không dùng AI tự xác nhận làm bước cuối
Có thể yêu cầu một lượt AI khác phản biện, nhưng đó chỉ là hỗ trợ rà soát. Hai lượt trả lời giống nhau không tạo thành bằng chứng chuyên môn độc lập. Cùng một lỗi trong nguồn hoặc giả định có thể được lặp lại qua nhiều lượt.
Người duyệt cần kiểm tra đáp án dựa trên nguồn thật, nội dung đã dạy và mục tiêu sử dụng. Khi câu hỏi quan trọng, một đồng nghiệp đọc mà chưa thấy đáp án có thể giúp phát hiện cách hiểu khác. Ghi lại quyết định sửa giúp việc rà soát sau này rõ hơn.
AI nên được dùng với dữ liệu phù hợp và có kiểm soát. Không đưa danh sách sinh viên, bài làm có thông tin cá nhân hoặc đề chưa được phép chia sẻ vào công cụ bên ngoài chỉ để tiết kiệm thao tác. Có thể dùng ví dụ giả định và nội dung đã được phép sử dụng cho việc soạn nháp.
8. Đọc kết quả sau khi sử dụng
Bộ câu hỏi còn cần được xem xét sau một lần sử dụng phù hợp. Hãy nhìn câu nào nhiều người chọn sai, phương án nào không được chọn và những phản hồi về cách hiểu. Các con số gợi ra câu hỏi cần kiểm tra, không tự quyết định giữ hay bỏ một câu.
Một câu khó có thể do yêu cầu cao, nội dung chưa được học đủ hoặc cách diễn đạt chưa rõ. Một câu dễ có thể phù hợp mục tiêu nền tảng hoặc có dấu hiệu gợi đáp án. Cần nối phân tích kết quả với việc đọc nội dung và bối cảnh của nhóm người học.
Không đặt một ngưỡng duy nhất cho mọi loại bài kiểm tra khi chưa xác định mục đích. Hoạt động luyện tập, đánh giá tiến trình và bài kiểm tra quyết định kết quả có yêu cầu khác nhau. Hồ sơ câu hỏi nên ghi phạm vi sử dụng, phiên bản và những điều chỉnh đã thực hiện.
5 ý chính cần nhớ
- Bắt đầu từ mục tiêu và bản đặc tả, không từ số lượng câu.
- Ma trận giúp kiểm soát phân bố nội dung và nhiệm vụ.
- Kiểm tra câu dẫn, tính duy nhất của đáp án và lí do từng phương án nhiễu.
- AI phản biện hỗ trợ người duyệt nhưng không thay thế nguồn và chuyên môn.
- Rà soát kết quả sử dụng rồi cập nhật hồ sơ câu hỏi.
Tài liệu tham khảo
- NBME. (2024). Item-Writing Guide: Constructing Written Test Questions for the Health Sciences. Hướng dẫn chính thức.
- UNESCO. (2023). Guidance for generative AI in education and research. Tài liệu chính thức. Tham khảo định hướng sử dụng AI có sự giám sát của con người.
Đọc tiếp
Hãy bắt đầu bằng ba câu cho một mục tiêu nhỏ và ghi lại cách duyệt từng câu. Xem tài nguyên EdTech để tiếp tục thiết kế hoạt động và đánh giá có thể kiểm tra.
