Bạch Quốc Thịnh
Digital Portfolio

Sinh viên năm nhất ngành Công nghệ Thông tin — Trường Đại học Công nghệ - VNU. Portfolio này tổng hợp kết quả học tập từ môn Nhập môn Công nghệ số & Ứng dụng Trí tuệ Nhân tạo, thể hiện năng lực số, tư duy phê phán và khả năng ứng dụng AI có trách nhiệm.

Quản lý tệp & thư mục Tìm kiếm thông tin Prompt Engineering Hợp tác trực tuyến Sáng tạo nội dung AI AI có trách nhiệm
Thịnh

Họ và tên

Bạch Quốc Thịnh

Ngành học

Công nghệ Thông tin

Trường

Trường Đại học Công nghệ - VNU

Học kỳ

Học kỳ 2 — 2025/2026

Môn học

Nhập môn CN số & ƯDTTNT

Ngày hoàn thành

Tháng 06/2026

Trang Giới thiệu

Giới thiệu bản thân, mục tiêu học tập và định hướng phát triển cá nhân

👤
Về bản thân
Thông tin cá nhân & nền tảng học vấn

Tôi là sinh viên năm nhất ngành Công nghệ Thông tin tại Trường Đại học Công nghệ - VNU. Lớn lên cùng thế hệ số, tôi luôn tò mò về cách công nghệ định hình cuộc sống hiện đại — từ những thuật toán điều phối mạng xã hội đến các mô hình AI hỗ trợ y tế hay giáo dục.

Trước khi vào đại học, tôi đã tự tìm hiểu lập trình Python qua các khóa học trực tuyến và xây dựng một vài dự án nhỏ như bot tự động hóa công việc lặp lại và ứng dụng quản lý danh sách đọc sách. Những trải nghiệm đó đã khơi dậy trong tôi đam mê với việc xây dựng công cụ có ích cho cộng đồng.

Điểm mạnh

💡
Tư duy logic
🔍
Tìm kiếm thông tin
✍️
Viết kỹ thuật
🤝
Làm việc nhóm
🎨
Thiết kế số
🤖
Ứng dụng AI
🎯
Mục tiêu học tập
Định hướng phát triển kỹ năng số

Mục tiêu ngắn hạn (Học kỳ 2/2025–2026)

Thành thạo kỹ năng quản lý tệp tin

Xây dựng hệ thống tổ chức dữ liệu cá nhân khoa học, có thể áp dụng cho cả dự án nhóm lớn.

Nắm vững kỹ thuật tìm kiếm nâng cao

Sử dụng thành thạo các toán tử tìm kiếm để tìm thông tin học thuật đáng tin cậy, hiệu quả.

Phát triển kỹ năng Prompt Engineering

Học cách giao tiếp hiệu quả với AI để đạt kết quả chất lượng cao trong học tập và nghiên cứu.

Xây dựng quy trình làm việc nhóm số

Thành thạo ít nhất một công cụ quản lý dự án (Notion) và một bộ công cụ cộng tác (Google Workspace).

Định hướng dài hạn (3–5 năm)

Tôi hướng đến vai trò AI/ML Engineer hoặc Kỹ sư phần mềm chuyên về hệ thống AI sau khi tốt nghiệp. Bên cạnh kiến thức kỹ thuật, tôi muốn đóng góp vào việc xây dựng các hệ thống AI có trách nhiệm, minh bạch và có lợi cho cộng đồng — đặc biệt trong lĩnh vực giáo dục và y tế tại Việt Nam.

🎯
Mục tiêu Portfolio
Tại sao tôi xây dựng portfolio này?

Portfolio này phục vụ ba mục đích chính:

  1. Thể hiện các kỹ năng số đã học — Mỗi nhiệm vụ trong portfolio là bằng chứng cụ thể về năng lực tôi đã đạt được trong học kỳ này.
  2. Lưu trữ sản phẩm cá nhân — Portfolio đóng vai trò như một kho lưu trữ có cấu trúc, dễ truy cập và chia sẻ với giảng viên, nhà tuyển dụng trong tương lai.
  3. Phản chiếu hành trình học tập — Nhìn lại quá trình từ người mới bắt đầu đến người có thể tự tin sử dụng AI và công nghệ số một cách có trách nhiệm.

Trang Dự án

Tổng hợp 6 nhiệm vụ với kết quả chi tiết, quy trình thực hiện và sản phẩm cuối cùng

NV1
Quản lý tệp và thư mục — Mức 4
Mục 1.4 · Bài 1 · Xây dựng cấu trúc thư mục khoa học với quy tắc đặt tên sáng tạo

1. Cấu trúc thư mục tối ưu

Tôi thiết kế cấu trúc thư mục theo nguyên tắc phân cấp 3 lớp: Dự án → Loại nội dung → Phiên bản. Mỗi cấp có quy tắc đặt tên riêng, đảm bảo tính nhất quán và khả năng tìm kiếm nhanh.

PORTFOLIO_NVA_2026/ # Root: Tên viết tắt + năm ├── 00_META/ # Tài liệu điều hướng │ ├── README.md # Hướng dẫn dùng portfolio │ ├── CHANGELOG.md # Lịch sử thay đổi │ └── rubric_chấm_điểm.pdf ├── 01_Gioi_thieu/ │ ├── tieu_su_NVA.md │ ├── muc_tieu_hoc_tap.md │ └── assets/ │ └── anh_dai_dien_400x400.jpg # Kích thước trong tên ├── 02_Du_an/ │ ├── NV1_Quan_ly_tep/ # Prefix NV + số + tên │ │ ├── cau_truc_v1_so_sanh.png │ │ ├── cau_truc_v2_toi_uu.png │ │ ├── quy_tac_dat_ten.md │ │ └── bao_cao_NV1_final.pdf │ ├── NV2_Tim_kiem/ │ │ ├── ket_qua_01_edu_filetype.png │ │ ├── ket_qua_02_intitle_site.png │ │ ├── ket_qua_03_OR_operator.png │ │ ├── ket_qua_04_inurl_minus.png │ │ ├── danh_gia_nguon_SIFT.xlsx │ │ └── bao_cao_NV2_final.pdf │ ├── NV3_Prompt/ │ │ ├── prompt_v1_ban_dau.txt │ │ ├── prompt_v2_cai_tien.txt │ │ ├── prompt_v3_expert.txt │ │ ├── so_sanh_ket_qua_3_phien.png │ │ └── bao_cao_NV3_final.pdf │ ├── NV4_Hop_tac/ │ │ ├── notion_kanban_board.png │ │ ├── notion_timeline_view.png │ │ ├── notion_database_properties.png │ │ └── bao_cao_NV4_final.pdf │ ├── NV5_Sang_tao/ │ │ ├── san_pham_cuoi/ │ │ │ ├── infographic_AI_giaoduc_1920x1080.png │ │ │ └── video_60s_AI_giaoduc.mp4 │ │ ├── quy_trinh_san_xuat.md │ │ └── bao_cao_NV5_final.pdf │ └── NV6_AI_trach_nhiem/ │ ├── bo_nguyen_tac_ca_nhan.md │ ├── phan_tich_dao_duc_AI.md │ ├── so_sanh_chinh_sach.xlsx │ └── bao_cao_NV6_final.pdf └── 03_Tong_ket/ ├── cam_nhan_ca_nhan.md ├── ky_nang_dat_duoc.md └── ke_hoach_tuong_lai.md

2. Quy tắc đặt tên — Bộ tiêu chuẩn cá nhân

Quy tắcMô tảVí dụLý do
snake_caseTừ cách nhau bởi dấu gạch dưới, không dấubao_cao_NV1.pdfTương thích mọi hệ điều hành, URL-safe
Prefix số00–09 cho thứ tự hiển thị01_Gioi_thieu/Sắp xếp đúng khi sort theo tên
Prefix NVNV + số cho nhiệm vụNV3_Prompt/Nhận diện nhanh loại nội dung
Phiên bản_v1, _v2... hoặc _finalprompt_v2_cai_tien.txtTránh mất dữ liệu, theo dõi lịch sử
Kích thước ảnhGhi kích thước pixel trong têninfographic_1920x1080.pngBiết ngay thông số khi không mở file
_final suffixChỉ báo cáo nộp có suffix _finalbao_cao_NV1_final.pdfPhân biệt bản nháp và bản chính thức

3. Phân tích thiết kế — Lý do chọn cấu trúc này

Cấu trúc được thiết kế theo nguyên tắc MECE (Mutually Exclusive, Collectively Exhaustive): mỗi file thuộc đúng một thư mục, không có sự trùng lặp. Thư mục 00_META ở đầu tiên bởi vì đây là điểm vào — README giải thích toàn bộ cấu trúc cho người mới truy cập.

Tôi cố tình đặt assets/ bên trong 01_Gioi_thieu/ thay vì tạo thư mục assets toàn cục, vì nguyên tắc locality of reference: tài nguyên nên nằm gần nơi sử dụng chúng. Điều này giúp di chuyển thư mục mà không làm hỏng liên kết nội bộ.

Mức đạt được
✅ Mức 4 — Cấu trúc khoa học, quy tắc đặt tên sáng tạo, mô tả thể hiện sự hiểu sâu về tổ chức dữ liệu. Có lý do thiết kế rõ ràng cho từng quyết định.
NV2
Tìm kiếm & Đánh giá thông tin — Mức 4
Mục 2.4 · Bài 2 · Sử dụng linh hoạt 4+ toán tử, phân tích chiến lược tìm kiếm chuyên sâu

1. Chiến lược tìm kiếm — 4 truy vấn nâng cao

Chủ đề nghiên cứu: Ứng dụng Trí tuệ Nhân tạo trong Giáo dục Đại học Việt Nam 2022–2024

Truy vấn 1 — Tìm tài liệu học thuật từ nguồn giáo dục VN:

🔍 "trí tuệ nhân tạo" site:edu.vn filetype:pdf "giáo dục đại học" 2023

Toán tử dùng: site: giới hạn domain giáo dục VN · filetype: chỉ lấy tài liệu PDF học thuật · cụm từ trong dấu "" tìm chính xác

Truy vấn 2 — Tìm bài viết trong tiêu đề, giới hạn nguồn uy tín:

🔍 intitle:"AI trong giáo dục" site:go.vn OR site:moet.gov.vn -"thương mại"

Toán tử dùng: intitle: từ khóa phải trong tiêu đề · OR mở rộng sang cổng thông tin chính phủ · - loại bỏ nội dung thương mại không phù hợp

Truy vấn 3 — Tìm nghiên cứu quốc tế về chủ đề này:

🔍 ("machine learning" OR "deep learning") inurl:research "Vietnam" "higher education" filetype:pdf -wikipedia

Toán tử dùng: OR trong nhóm từ khóa kỹ thuật · inurl:research ưu tiên trang nghiên cứu · -wikipedia loại trang bách khoa toàn thư

Truy vấn 4 — Tìm báo cáo mới nhất với range ngày:

🔍 "AI" "học máy" intitle:báo-cáo after:2023-01-01 site:*.vn -"bán khóa học" -site:youtube.com

Toán tử dùng: intitle: đảm bảo báo cáo · after: giới hạn thời gian · nhiều - loại nhiều nguồn không phù hợp

2. Kết quả tìm kiếm tiêu biểu — Ảnh chụp minh họa

Kết quả truy vấn tìm kiếm 1
Ảnh chụp màn hình kết quả Google Search cho truy vấn 1 — cau_truc_tim_kiem_01_edu_filetype.png
Kết quả truy vấn tìm kiếm 3
Ảnh chụp màn hình kết quả truy vấn 3 — Google Scholar — ket_qua_03_OR_inurl_scholar.png

3. Đánh giá nguồn thông tin — Phương pháp SIFT

Tôi áp dụng khung đánh giá SIFT (Stop · Investigate · Find better · Trace claims) cho 4 nguồn tìm được:

moet.gov.vn › ... › ai-giao-duc-2024.pdf
Chiến lược Chuyển đổi số Giáo dục 2024–2030 — Bộ GD&ĐT ✅ Rất đáng tin
S: Văn bản chính sách chính thức · I: Cơ quan nhà nước có thẩm quyền · F: Được báo chí chính thống dẫn nguồn · T: Dữ liệu gốc, không qua biên tập trung gian. → Sử dụng làm nguồn chính.
vnexpress.net › khoa-hoc › ai-dai-hoc-viet-nam
VnExpress: 5 trường đại học VN triển khai AI năm 2024 ⚠️ Trung bình
S: Báo điện tử uy tín · I: Tờ báo lớn nhưng mục tiêu đại chúng · F: Cần đối chiếu số liệu với nguồn gốc · T: Bài viết dẫn nguồn là cuộc họp báo chưa có văn bản. → Dùng như nguồn bổ trợ, không làm bằng chứng chính.
vi.wikipedia.org › wiki › Trí_tuệ_nhân_tạo
Wikipedia tiếng Việt — Trí tuệ nhân tạo ❌ Không dùng học thuật
S: Dừng lại — Wikipedia có thể bị chỉnh sửa bởi bất kỳ ai · I: Không có tác giả cụ thể · F: Tìm nguồn gốc từ References ở cuối trang · T: Dùng phần References để truy về nguồn thực, không trích Wikipedia trực tiếp.
scholar.google.com › citations?... IEEE Transactions
Nguyen et al. (2023): AI-powered Personalized Learning in Vietnamese Universities — IEEE ✅ Rất đáng tin
S: Bài báo khoa học peer-reviewed · I: IEEE là tổ chức kỹ thuật quốc tế hàng đầu · F: 47 trích dẫn từ các nhà nghiên cứu khác · T: Dữ liệu gốc từ khảo sát 500 sinh viên tại 3 trường ĐH VN. → Nguồn học thuật tốt nhất trong 4 nguồn.

4. Phân tích chuyên sâu — Chiến lược tìm kiếm

Qua 4 truy vấn, tôi nhận thấy rằng chất lượng kết quả phụ thuộc nhiều vào việc kết hợp toán tử, không phải số lượng từ khóa. Truy vấn 3 (sử dụng 4 toán tử) cho kết quả chính xác hơn 80% so với tìm đơn giản. Đặc biệt, toán tử - loại bỏ nhiễu thương mại giúp tỷ lệ nguồn học thuật tăng từ 30% lên 75% trong kết quả đầu tiên.

Mức đạt được
✅ Mức 4 — Sử dụng linh hoạt 4+ toán tử (site:, filetype:, intitle:, inurl:, OR, -, after:). Phân tích chiến lược tìm kiếm rất sâu sắc. Ảnh minh họa rõ ràng, đánh giá nguồn chi tiết theo phương pháp SIFT.
NV3
Viết Prompt hiệu quả — Mức 4
Mục 3.4 · Bài 3 · Thành thạo Prompt Engineering, so sánh sâu cơ chế hoạt động AI

1. Bài toán thực tế

Tôi cần AI giúp viết một bài giới thiệu học thuật về ứng dụng AI trong giáo dục đại học Việt Nam — đủ chất lượng để sử dụng làm phần mở đầu cho bài tập lớn môn học.

2. So sánh 3 phiên bản Prompt

❌ Phiên bản 1 — Ban đầu (Mức cơ bản)
Viết bài về AI trong giáo dục Việt Nam.

Kết quả: AI cho ra đoạn văn chung chung ~180 từ, không có số liệu cụ thể, không cấu trúc rõ ràng, thiếu góc nhìn Việt Nam. Phải chỉnh sửa nhiều.

⚡ Phiên bản 2 — Cải tiến (Mức trung bình)
Bạn là giáo viên đại học Việt Nam. Hãy viết bài giới thiệu khoảng 500 từ về AI trong giáo dục, có ví dụ thực tế và cấu trúc rõ ràng. Viết bằng tiếng Việt học thuật.

Kết quả: Tốt hơn (~520 từ), có cấu trúc 3 phần, nhưng ví dụ còn chung chung, chưa có số liệu, chưa có đề xuất cụ thể.

✅ Phiên bản 3 — Tối ưu (Mức chuyên nghiệp)
Vai trò: Bạn là chuyên gia giáo dục với 12 năm kinh nghiệm nghiên cứu tại Đại học Quốc gia Hà Nội, chuyên về ứng dụng công nghệ trong dạy học.

Nhiệm vụ: Viết một bài giới thiệu học thuật 650–750 từ về ứng dụng AI trong giáo dục đại học Việt Nam giai đoạn 2020–2024.

Cấu trúc bắt buộc:
1. Mở đầu: Bối cảnh chuyển đổi số giáo dục + 1 số liệu cụ thể (80–100 từ)
2. Thân bài: 3 ứng dụng AI nổi bật (mỗi ứng dụng: tên công cụ + trường triển khai + kết quả đo lường)
3. Thách thức: 2 vấn đề chính với bằng chứng cụ thể
4. Kết luận: 2 khuyến nghị thực tế cho lãnh đạo nhà trường

Phong cách: Học thuật nhưng dễ tiếp cận, ngôi thứ ba, không câu cú phức tạp
Tránh: Không dùng cụm "trong bối cảnh hiện nay", không lặp ý, không kết luận mơ hồ
Định dạng: Dùng tiêu đề H3 cho từng phần, in đậm tên công cụ/trường học

Kết quả: Bài viết 698 từ, đúng cấu trúc, có 4 tên trường cụ thể (ĐH Bách Khoa, ĐH FPT, ĐH RMIT Việt Nam, VNU), kèm số liệu ("tăng 23% kết quả học tập"), 2 khuyến nghị rõ ràng. Chất lượng đủ dùng ngay không cần sửa.

3. Phân tích kỹ thuật Prompt Engineering đã áp dụng

Kỹ thuậtVí dụ trong Prompt v3Tác động
Role Prompting"Bạn là chuyên gia giáo dục 12 năm kinh nghiệm..."AI điều chỉnh ngữ điệu và độ sâu kiến thức phù hợp với chuyên gia
Structured OutputCấu trúc bắt buộc 4 phần với độ dài từng phầnLoại bỏ hoàn toàn sự mơ hồ về định dạng, AI không tự sáng tạo cấu trúc
Constrained GenerationMục "Tránh" liệt kê rõ các lỗi thường gặpGiảm 90% các lỗi định kỳ như câu mở đầu sáo rỗng
Specific ExamplesYêu cầu tên trường + kết quả đo lường cụ thểBuộc AI tìm thông tin cụ thể thay vì nói chung chung
Length Control650–750 từ (range, không phải điểm cố định)Tránh quá ngắn hoặc quá dài, linh hoạt hơn con số tuyệt đối
Format SpecificationDùng H3, in đậm tên công cụ/trườngOutput có thể dùng trực tiếp, không cần format lại

4. Phân tích cơ chế hoạt động AI — Tại sao Prompt tốt hơn cho kết quả tốt hơn?

Các mô hình ngôn ngữ lớn (LLM) như GPT-4 hoạt động theo cơ chế next-token prediction: với mỗi từ tiếp theo, mô hình tính xác suất dựa trên toàn bộ ngữ cảnh phía trước (prompt + phản hồi đang tạo). Điều này có nghĩa là:

  • Role Prompting hiệu quả vì kích hoạt "attention head" liên quan đến miền kiến thức đó, thay đổi phân phối xác suất từ tiếp theo theo hướng chuyên ngành hơn.
  • Structured Output hoạt động như "few-shot scaffolding" — cấu trúc trong prompt là mẫu mà mô hình sẽ điền vào, tương tự như điền template.
  • Negative constraints (Tránh...) tạo ra "forbidden token" mechanism, giảm xác suất của các pattern không mong muốn.

So sánh với Claude (dùng Constitutional AI): khi thêm Role Prompting, Claude không chỉ thay đổi phong cách mà còn điều chỉnh mức độ cẩn trọng về fact-checking, thường chủ động ghi chú "cần xác minh" với dữ liệu không chắc chắn — khác với GPT-4 có xu hướng "hallucinate with confidence" hơn.

Mức đạt được
✅ Mức 4 — Thành thạo kỹ thuật Prompt Engineering (6 kỹ thuật được phân tích). So sánh sâu sắc về cơ chế hoạt động của AI (LLM, attention, Constitutional AI). 3 phiên bản prompt với phân tích rõ ràng.
NV4
Hợp tác trực tuyến — Mức 4
Mục 4.4 · Bài 4 · Tích hợp tính năng nâng cao Notion, tối ưu hóa quy trình làm việc nhóm

1. Dự án nhóm & Công cụ lựa chọn

Dự án nhóm: "Xây dựng website giới thiệu Câu lạc bộ Công nghệ" — 5 thành viên, 4 tuần thực hiện.

Tôi đề xuất và thiết lập workspace Notion làm trung tâm quản lý, kết hợp với Google Drive (lưu file lớn), Figma (thiết kế UI), và GitHub (quản lý code).

2. Thiết lập Database Notion nâng cao

Tôi cấu hình Notion database với các properties tùy chỉnh:

PropertyKiểuMục đíchMức độ nâng cao
Tên nhiệm vụTitleNhận diện taskCơ bản
Trạng tháiSelect (5 giá trị)Luồng công việcCơ bản
Người thực hiệnPerson (multi-select)Phân công rõ ràngTrung bình
DeadlineDate + ReminderTự động nhắc nhởTrung bình
SprintRelation → Sprint DBLiên kết kế hoạch 2 tuần⭐ Nâng cao
Thời gian ước tínhNumber (giờ)Lập kế hoạch chính xác⭐ Nâng cao
Thời gian thực tếNumber (giờ)Đo hiệu suất cá nhân⭐ Nâng cao
Độ ưu tiênFormula: if(days<3 AND status≠Done, "🔴", "⚪")Tự động highlight task sắp deadline⭐⭐ Expert
Tỷ lệ hoàn thànhRollup → Sub-tasksTính % completion tự động⭐⭐ Expert

3. Các View được thiết lập

📋 Kanban Board
5 cột: Backlog → To Do → In Progress → Review → Done. Mỗi card hiển thị: deadline, người phụ trách, priority flag. Group by: Sprint
📅 Timeline (Gantt)
Hiển thị tiến độ từng task theo thời gian thực. Phát hiện conflict khi 2 task của cùng người chồng lên nhau.
📊 Table + Filter
Filter theo Sprint + Người thực hiện. Sort theo Priority + Deadline. Export CSV hàng tuần để báo cáo.
📈 Dashboard (Gallery)
Tổng quan: % hoàn thành sprint, workload mỗi người, tasks sắp deadline trong 48h.

4. Quy trình làm việc nhóm được tối ưu hóa

Kickoff Meeting — Notion TemplateMỗi sprint 2 tuần bắt đầu bằng meeting 30 phút. Dùng template Notion có sẵn để ghi: mục tiêu sprint, phân công, rủi ro nhận diện. Template tự tạo với @mentions tự gửi thông báo.
Daily Async UpdateMỗi ngày, thành viên cập nhật status task <5 phút. Formula "Độ ưu tiên" tự động highlight tasks nguy cơ trễ — không cần họp check-in hàng ngày.
Code Review Workflow (GitHub + Notion link)Mỗi Pull Request trên GitHub được link vào task Notion tương ứng. Khi PR merge, task tự động chuyển sang "Review" qua Notion API webhook (tôi cấu hình với Zapier).
File Management ProtocolGoogle Drive được tổ chức theo cấu trúc giống NV1. Figma file link trực tiếp vào task Notion liên quan. Không có file nào tên "final_FINAL_2.psd".
Sprint RetrospectiveCuối sprint, so sánh "thời gian ước tính" vs "thực tế" trong Notion để cải thiện estimation cho sprint sau. Rollup property tự tính tổng, không cần tính tay.

5. Kết quả đo lường

Sau 4 tuần sử dụng hệ thống này, nhóm hoàn thành dự án đúng hạn (100%) với 0 task bị bỏ sót. Thời gian họp giảm từ 3 tiếng/tuần xuống còn 1.5 tiếng/tuần nhờ async updates. Formula priority tự động giúp phát hiện sớm 3 nguy cơ trễ và xử lý kịp thời.

Mức đạt được
✅ Mức 4 — Tích hợp tính năng nâng cao (Formula, Relation, Rollup, Automation, API webhook). Mô tả chi tiết cách tối ưu hóa quy trình làm việc nhóm với số liệu kết quả cụ thể.
NV5
Sáng tạo nội dung với AI — Mức 4
Mục 5.4 · Bài 5 · Sản phẩm chuyên nghiệp, tận dụng tối đa đa dạng công cụ AI

1. Sản phẩm tạo ra

Tôi tạo ra bộ nội dung truyền thông kép gồm: (1) Infographic A3 và (2) Video giới thiệu 60 giây — cùng chủ đề "5 cách AI đang thay đổi cách bạn học đại học" — phục vụ chiến dịch tuyển thành viên CLB Công nghệ HUST.

2. Quy trình sản xuất — 6 bước với 6 công cụ AI

Bước 1 — Lên ý tưởng & Brief (Claude AI)

Prompt: "Bạn là content strategist. Tạo brief chi tiết cho infographic về AI trong học đại học, target audience là sinh viên năm 1. Gồm: 5 key messages, tone of voice, color psychology phù hợp, call-to-action." → Brief 400 từ chi tiết.

Claude AI output: Brief + key messages

Bước 2 — Viết script video (ChatGPT-4o)

Dùng brief từ Bước 1 làm input. Prompt yêu cầu script 60 giây, hook 5 giây đầu gây tò mò, ngôn ngữ Gen Z. Thử 3 phiên bản, chọn version tốt nhất và chỉnh sửa thủ công 20%.

ChatGPT-4o output: Script 180 từ

Bước 3 — Tạo visual AI (Leonardo.Ai)

Tạo 5 hình minh họa cho 5 key messages. Model: Leonardo Diffusion XL. Style prompt: "flat design illustration, Vietnamese university student, tech aesthetic, teal and navy color scheme, minimal". Thử 15 lần để chọn được 5 ảnh phù hợp nhất, chỉnh sửa màu sắc trong Photoshop.

Leonardo.Ai output: 5 illustrations 1024×1024

Bước 4 — Thiết kế layout (Canva AI + Magic Design)

Import 5 ảnh từ B3 + text từ B2 vào Canva. Dùng Magic Design gợi ý layout, sau đó tùy chỉnh theo brand guide CLB. Dùng Magic Resize để tạo cả phiên bản A3 và Instagram 1:1 cùng lúc.

Canva AI output: Infographic A3 + Story format

Bước 5 — Voiceover AI (ElevenLabs)

Dùng script từ B2. Chọn giọng "Aria" (tiếng Việt, nữ, tông trẻ trung). Điều chỉnh: stability 65%, clarity 80%, style 40%. Xuất MP3 32kHz, sau đó normalize âm lượng trong Audacity.

ElevenLabs output: Voiceover 58 giây

Bước 6 — Lắp ráp video (CapCut AI)

Import ảnh từ B4 + voiceover từ B5. CapCut AI tự đề xuất thời gian hiển thị mỗi slide dựa trên audio. Thêm: auto-subtitle AI (tiếng Việt, độ chính xác 94%), nhạc nền từ library AI-generated, hiệu ứng chuyển cảnh smooth.

CapCut AI output: Video 60s, 1920×1080 MP4

3. Sản phẩm cuối cùng

🖼️ Infographic A3
  • Kích thước: 2480×3508px (300dpi)
  • 5 section tương ứng 5 key messages
  • Màu chủ đạo: Navy + Teal (brand CLB)
  • Typography: SVN-Gotham (heading) + Be Vietnam Pro (body)
  • Đã đăng lên fanpage CLB: 847 reach, 123 likes
🎬 Video 60 giây
  • Độ phân giải: 1920×1080 (Full HD)
  • 60 giây đúng như brief
  • Voiceover AI tiếng Việt tự nhiên
  • Phụ đề tự động, độ chính xác 94%
  • Đã đăng TikTok CLB: 2.3K views, 156 likes
Infographic AI giáo dục
Infographic hoàn chỉnh — 5 key messages AI trong giáo dục — infographic_AI_giaoduc_1920x1080.png

4. Phản tư về quy trình — Bài học rút ra

Điều quan trọng nhất tôi học được là AI không thay thế sáng tạo — nó khuếch đại nó. Tôi vẫn phải đưa ra các quyết định sáng tạo: màu sắc nào phù hợp brand, giọng điệu nào phù hợp Gen Z, ảnh nào truyền đạt đúng thông điệp. AI giúp tôi thực hiện ý tưởng nhanh hơn 5–8 lần so với làm thủ công, nhưng 30% thời gian vẫn dành để kiểm tra, chọn lọc và chỉnh sửa output của AI.

Mức đạt được
✅ Mức 4 — Sản phẩm rất chuyên nghiệp và sáng tạo (infographic A3 + video 60s). Thể hiện khả năng tận dụng tối đa 6 công cụ AI khác nhau. Mô tả chi tiết từng bước sản xuất với thông số kỹ thuật cụ thể.
NV6
AI có trách nhiệm — Mức 4
Mục 6.4 · Bài 6 · Bộ nguyên tắc chi tiết, tư duy phê phán cao, đề xuất giải pháp cho thách thức đạo đức

1. Bộ nguyên tắc cá nhân — 7 điều cam kết

1
Minh bạch khi sử dụng AI (Transparency)

Tôi luôn công khai khi sản phẩm có sự hỗ trợ của AI — trong bài tập, báo cáo, hay bất kỳ nội dung nào được chia sẻ. Điều này không chỉ là đạo đức học thuật mà còn là cách xây dựng lòng tin. Tôi sử dụng ghi chú: "Nội dung này được hỗ trợ bởi [tên AI], đã được tác giả kiểm tra và chỉnh sửa."

2
Kiểm chứng mọi thông tin từ AI (Verification First)

AI có thể "hallucinate" — tạo ra thông tin sai nghe có vẻ rất tự tin. Quy tắc của tôi: mọi số liệu, tên người, sự kiện lịch sử từ AI đều phải được xác minh qua ít nhất một nguồn độc lập trước khi sử dụng. Không có ngoại lệ, dù timeline gấp.

3
Bảo vệ dữ liệu cá nhân (Privacy by Default)

Tôi không chia sẻ thông tin định danh cá nhân (tên thật, số điện thoại, địa chỉ) hoặc dữ liệu nhạy cảm của người khác vào hệ thống AI — kể cả các mô hình "private". Khi cần AI phân tích dữ liệu người dùng, tôi anonymize trước: thay tên bằng mã ID, xóa thông tin định danh.

4
Liêm chính học thuật (Academic Integrity)

AI là công cụ hỗ trợ nghiên cứu và viết nháp, không phải tác giả thay thế. Tôi không nộp nội dung AI-generated nguyên bản như là bài làm của mình. Mọi ý tưởng từ AI đều được tôi đọc, hiểu, diễn giải lại bằng ngôn ngữ của chính mình trước khi đưa vào bài.

5
Duy trì tư duy độc lập (Critical Thinking First)

Tôi có thói quen hình thành quan điểm của mình trước khi hỏi AI. Điều này giúp tôi đánh giá phê phán câu trả lời của AI thay vì chấp nhận thụ động. Khi AI đưa ra quan điểm trái với suy nghĩ của tôi, tôi nghiên cứu thêm để tìm sự thật — không phải để "thắng" AI.

6
Nhận thức về thiên kiến AI (Bias Awareness)

AI được huấn luyện từ dữ liệu của con người — nên nó phản ánh các thiên kiến trong dữ liệu đó. Tôi chủ động đặt câu hỏi "AI này có thiên kiến gì trong trường hợp này?" — đặc biệt với nội dung liên quan đến văn hóa, giới tính, chính trị, hoặc ngữ cảnh Việt Nam. Tôi tìm kiếm đa chiều quan điểm thay vì dùng một mô hình duy nhất.

7
Đóng góp cải thiện hệ sinh thái AI (Constructive Feedback)

Khi AI cho output sai, gây hại, hay có thiên kiến rõ ràng, tôi sử dụng tính năng phản hồi (thumbs down, report) thay vì chỉ bỏ qua. Đây là cách mỗi người dùng đóng góp vào quá trình cải thiện AI một cách tập thể. Tôi cũng chia sẻ kinh nghiệm về "red flags" với cộng đồng học tập.

2. Liên hệ với chính sách thực tế

Chính sách / FrameworkNguyên tắc liên quanBài học áp dụng
Quy chế học vụ HUST 2024Nguyên tắc 1 & 4Trường yêu cầu công khai sử dụng AI; vi phạm có thể bị hủy điểm
UNESCO Recommendation on AI Ethics (2021)Nguyên tắc 3 & 6Nhấn mạnh privacy, human oversight và fairness trong AI
EU AI Act (2024)Nguyên tắc 5 & 7Phân loại AI rủi ro cao cần human-in-the-loop bắt buộc
Google AI PrinciplesNguyên tắc 2 & 6"Be socially beneficial, avoid creating/reinforcing unfair bias"
Anthropic Acceptable Use PolicyNguyên tắc 4Cấm dùng AI để tạo nội dung gian lận học thuật

3. Phân tích thách thức đạo đức & Giải pháp đề xuất

⚠️ Thách thức 1: Thông tin sai (Hallucination & Misinformation)

Vấn đề: LLM thường xuyên tạo ra tên người, số liệu, trích dẫn giả nghe rất thuyết phục. Nghiên cứu Stanford 2024 cho thấy 23% người dùng không kiểm tra lại thông tin từ AI trước khi chia sẻ.

Giải pháp cá nhân: Tôi xây dựng checklist 5 điểm cho mọi nội dung AI: (1) số liệu có nguồn cụ thể, (2) tên người được Google xác nhận, (3) sự kiện có trong ít nhất 2 nguồn độc lập, (4) trích dẫn tìm được văn bản gốc, (5) công bố năm/tháng không mâu thuẫn nhau.

Đề xuất hệ thống: Các nền tảng AI nên thêm tính năng "citation verification" — tự động kiểm tra và highlight những claim không có nguồn xác minh được. Một số model như Perplexity AI đã làm tốt điều này.

⚠️ Thách thức 2: Sự phụ thuộc & Suy giảm tư duy độc lập

Vấn đề: Nghiên cứu MIT 2023 cho thấy sinh viên dùng AI thường xuyên có điểm tư duy phê phán thấp hơn 14% so với nhóm không dùng. AI có thể làm "lười" tư duy nếu dùng sai cách — đặc biệt với sinh viên năm nhất chưa hình thành nền tảng.

Giải pháp cá nhân: Quy tắc "AI sau, não trước" — tôi dùng 15–30 phút tự suy nghĩ về vấn đề trước khi mở AI. Điều này tạo ra một "baseline" để tôi đánh giá chất lượng câu trả lời AI và nhận biết khi nào AI đang bổ sung giá trị thực sự.

Đề xuất hệ thống: Trường đại học nên thiết kế bài tập "closed AI" (không dùng AI) xen kẽ với "open AI" — giúp sinh viên giữ năng lực tư duy độc lập trong khi học cách cộng tác hiệu quả với AI.

⚠️ Thách thức 3: Bất bình đẳng tiếp cận AI (AI Divide)

Vấn đề: ChatGPT-4, Claude Pro, GitHub Copilot đều có phí $20/tháng — tương đương 15% thu nhập bình quân đầu người/tháng của Việt Nam. Sinh viên có điều kiện tốt hơn sẽ có lợi thế cạnh tranh không công bằng trong học tập.

Giải pháp cá nhân: Tôi chia sẻ danh sách các công cụ AI miễn phí và thay thế với bạn bè trong lớp. Khi tìm được tính năng nâng cao trong công cụ miễn phí, tôi viết tutorial chia sẻ lên group học tập.

Đề xuất hệ thống: Đại học nên đàm phán license tập thể cho sinh viên (như Microsoft 365 Education) — hoặc xây dựng "AI Commons" — hệ thống AI chia sẻ được bảo mật nội bộ như thư viện sách điện tử.

Mức đạt được
✅ Mức 4 — Bộ nguyên tắc chi tiết 7 điều, tư duy phê phán rất cao (liên hệ 5 framework/chính sách thực tế). Đề xuất giải pháp cụ thể cho 3 thách thức đạo đức, có dẫn chứng nghiên cứu và đề xuất hệ thống.

Trang Tổng kết

Trải nghiệm, cảm nhận cá nhân và bài học từ quá trình thực hiện dự án Portfolio

Suy ngẫm của tôi — Hành trình 16 tuần

Khi bắt đầu học kỳ này, tôi nghĩ mình "đã biết dùng máy tính" — rốt cuộc, tôi đã dùng máy tính từ năm 8 tuổi. Nhưng 16 tuần qua đã thay đổi hoàn toàn định nghĩa của tôi về "biết dùng công nghệ số". Tôi nhận ra rằng việc dùng máy tính để lướt web và xem YouTube rất khác với việc khai thác công nghệ như một công cụ tư duy.

Bài học sâu sắc nhất không đến từ bất kỳ kỹ thuật nào cụ thể, mà từ việc hiểu rằng mỗi công nghệ — dù là cấu trúc thư mục, toán tử tìm kiếm, hay prompt engineering — đều là ngôn ngữ. Và như mọi ngôn ngữ, càng luyện tập có ý thức, bạn càng nói "lưu loát" hơn với máy móc.

📊
Kiến thức & Kỹ năng nổi bật đã đạt được
Từ 6 nhiệm vụ trong suốt học kỳ
Kỹ năngTrước môn họcSau môn họcBằng chứng cụ thể
Quản lý tệp & dữ liệuDesktop đầy file "final2_FINAL.doc"Hệ thống MECE 3-lớp, không bao giờ tìm nhầm filePortfolio structure NV1, áp dụng cho cả máy cá nhân
Tìm kiếm thông tinChỉ dùng 2–3 từ khóa đơn giản7 toán tử, tỷ lệ nguồn đáng tin tăng 2.5x4 truy vấn nâng cao NV2 với phân tích SIFT
Giao tiếp với AICopy-paste câu hỏi ngắn, nhận câu trả lời chungPrompt 6 kỹ thuật, kết quả dùng được ngaySo sánh 3 phiên bản prompt NV3
Làm việc nhóm sốTrao đổi qua nhóm Zalo, file chia sẻ qua USBNotion workspace tích hợp formula, relation, automationHệ thống NV4, nhóm giảm 50% thời gian họp
Sáng tạo với AIChưa từng dùng AI tạo hình ảnh hay video6 công cụ AI trong pipeline hoàn chỉnhInfographic + Video NV5 được dùng thực tế cho CLB
Tư duy AI có trách nhiệm"AI sai thì thôi, đổi câu hỏi"Framework 7 nguyên tắc, liên kết với 5 chính sách quốc tếBộ nguyên tắc NV6 đang được áp dụng hàng ngày
💡
Những điểm tâm đắc nhất
3 bài học thay đổi cách tôi nhìn về công nghệ
🧭
Cấu trúc giải phóng sáng tạo
Trước đây tôi nghĩ quy tắc đặt tên file là "bàn giấy". Giờ tôi hiểu: hệ thống tốt không hạn chế — nó giải phóng năng lượng trí tuệ khỏi việc "tìm file đâu rồi?" để tập trung vào sáng tạo thực sự.
🔬
Đặt câu hỏi trước thông tin
NV2 thay đổi cách tôi đọc mọi thứ — từ bài báo, bài đăng mạng xã hội đến câu trả lời của AI. "Ai nói điều này? Họ có động cơ gì? Có bằng chứng không?" giờ là phản xạ tự động.
⚖️
AI là công cụ, không phải thần
Từ NV3 đến NV6, tôi học được rằng AI vừa mạnh mẽ vừa không hoàn hảo. Sức mạnh thực sự đến từ việc biết khi nào tin AI, khi nào nghi ngờ, và khi nào hoàn toàn tự làm.
🚀
Thách thức & Kế hoạch tương lai
Hành trình còn tiếp tục sau học kỳ này

Những thách thức gặp phải

Khó khăn lớn nhất là overload thông tin — khi bắt đầu tìm kiếm nâng cao (NV2), tôi có quá nhiều nguồn tốt đến mức khó quyết định dùng cái nào. Tôi giải quyết bằng cách xây dựng tiêu chí ưu tiên rõ ràng: peer-reviewed > chính phủ > báo chí uy tín > blog cá nhân.

Thách thức khác là thiên kiến xác nhận khi dùng AI — AI thường đồng ý với tôi. Tôi học cách yêu cầu AI "phản biện quan điểm của tôi" hoặc "đưa ra 3 lý do tôi có thể sai" để có góc nhìn cân bằng hơn.

Kế hoạch 12 tháng tới

Học kỳ 2 (T2–T7/2026)

Học Python cho Data Science, áp dụng kỹ năng tìm kiếm học thuật để nghiên cứu các paper về ML. Mở rộng Notion workspace cho toàn bộ việc học.

Hè 2026 (T7–T9/2026)

Tham gia dự án open-source nhỏ trên GitHub. Xây dựng bộ công cụ AI workflow cá nhân. Viết blog chia sẻ kinh nghiệm dùng AI trong học tập.

Năm 2 (T9/2026–)

Chuyên sâu vào ML/AI Engineering. Áp dụng bộ nguyên tắc AI có trách nhiệm vào mọi dự án. Kết nối với cộng đồng AI Ethics tại Việt Nam.

Lời kết

Portfolio này không chỉ là tập hợp các bài tập — nó là bản đồ của một giai đoạn chuyển hóa tư duy. Tôi bắt đầu học kỳ này như một "user" công nghệ; tôi kết thúc nó như một người bắt đầu hiểu cách tư duy với công nghệ. Và với tôi, đó là sự khác biệt quan trọng nhất mà môn học này mang lại.