Trong bối cảnh công nghệ trí tuệ nhân tạo (AI) đang tạo nên những bước đột phá mạnh mẽ và ngày càng chứng minh giá trị trong hầu hết các lĩnh vực, từ sản xuất, quản trị đến giáo dục và nghiên cứu, việc cập nhật, khai thác hiệu quả sức mạnh của AI trong nghiên cứu khoa học (NCKH) đã trở thành một nhu cầu cấp thiết. Với tinh thần đó, ngày 28/9/2025 vừa qua, Khoa Kinh tế, Trường Đại học Công nghiệp và Thương mại Hà Nội đã cử các giảng viên tham dự Seminar khoa học với chủ đề: “Chia sẻ kinh nghiệm sử dụng AI trong nghiên cứu khoa học – Tiết kiệm thời gian, tăng chất lượng nghiên cứu: Khai thác sức mạnh AI”. Buổi trao đổi được tổ chức tại Đại học Kinh tế quốc dân với sự tham gia của diễn giả Hà Minh Hoàng – Giảng viên Khoa Khoa học dữ liệu và Trí tuệ nhân tạo, Trường Công nghệ – Đại học Kinh tế Quốc dân, thu hút đông đảo giảng viên, nhà nghiên cứu trẻ và sinh viên cao học quan tâm đến xu hướng ứng dụng công nghệ mới trong học thuật.
Ngay từ phần mở đầu, Ban tổ chức đã nhấn mạnh ý nghĩa của Seminar: không chỉ là dịp cập nhật kiến thức mà còn là cơ hội để cộng đồng nghiên cứu thảo luận trực tiếp, trao đổi kinh nghiệm thực tiễn trong việc đưa AI vào các công đoạn khác nhau của nghiên cứu. Đặc biệt, trong bối cảnh yêu cầu về công bố quốc tế ngày càng khắt khe, sự hỗ trợ của AI có thể giúp giảng viên, nghiên cứu sinh và sinh viên tiết kiệm đáng kể thời gian, đồng thời nâng cao chất lượng và độ chính xác của sản phẩm khoa học.
AI hiện nay không còn dừng lại ở mức “công cụ hỗ trợ văn bản” mà đã phát triển thành một hệ sinh thái đa dạng, cung cấp các giải pháp phân tích dữ liệu, mô hình hóa, kiểm định giả thuyết, xây dựng khung lý thuyết, và thậm chí hỗ trợ thiết kế công cụ khảo sát. Chính vì vậy, buổi Seminar đã được tổ chức xoay quanh bốn mục tiêu trọng tâm: (1) Giới thiệu các công cụ AI áp dụng trong NCKH; (2) Làm rõ khả năng của AI trong việc hỗ trợ các công đoạn của quá trình nghiên cứu; (3) Thực hành sử dụng ChatGPT và Gemini trong nghiên cứu; (4) Chia sẻ mẹo xây dựng prompt hiệu quả nhằm khai thác AI tối đa.
Mở đầu chương trình, TS. Hà Minh Hoàng khái quát sự phát triển mạnh mẽ của trí tuệ nhân tạo và tác động của nó đối với lĩnh vực nghiên cứu khoa học. Diễn giả đưa ra một số khuyến nghị quan trọng trước khi bắt đầu ứng dụng AI, trong đó nhấn mạnh việc xác định rõ mục tiêu nghiên cứu, lựa chọn công cụ phù hợp và duy trì tư duy phản biện. Ông cũng giới thiệu quy trình cơ bản của một nghiên cứu khoa học: xác định vấn đề – tổng quan tài liệu – thiết kế nghiên cứu – thu thập, phân tích dữ liệu – viết báo cáo và công bố. Ở từng giai đoạn, AI đều có thể tham gia hỗ trợ. Trong số các nền tảng nổi bật, ChatGPT (OpenAI) và Gemini (Google) được đặc biệt chú ý nhờ tính toàn diện và khả năng xử lý dữ liệu thời gian thực. Diễn giả cũng phân tích các chế độ sử dụng (miễn phí – trả phí), kèm theo hướng dẫn quản lý token để khai thác công cụ hiệu quả, tiết kiệm chi phí.
TS. Hà Minh Hoàng điểm qua loạt công cụ AI tiêu biểu với những ưu thế khác nhau:
-
Claude: Mạnh về lập luận, toán học và lập trình.
-
ChatGPT: Toàn diện, xử lý đa phương tiện, phản hồi nhanh.
-
Gemini: Tối ưu cho hệ sinh thái Google, dữ liệu thời gian thực.
-
Grok: Phù hợp cho mạng xã hội và dữ liệu luồng.
-
DeepSeek: Hiệu suất ổn định, chi phí tiết kiệm cho cá nhân và doanh nghiệp nhỏ.
-
Microsoft Copilot: Tích hợp với Microsoft 365, hỗ trợ công việc hàng ngày.
Việc hiểu rõ ưu thế từng công cụ giúp giảng viên và nhà nghiên cứu dễ dàng lựa chọn theo nhu cầu cụ thể.
Ngoài các công cụ phổ biến, nhóm công cụ chuyên biệt phục vụ trực tiếp cho nghiên cứu khoa học cũng được giới thiệu:
-
ConsensusAI: Trợ lý nghiên cứu khoa học, tổng hợp kết quả từ các bài báo học thuật.
-
Elicit: Hỗ trợ tìm kiếm, tóm tắt tài liệu.
-
Scite.ai: Trích dẫn thông minh, phân loại bài báo theo hướng ủng hộ hoặc phản bác.
-
ResearchRabbit, Connected Papers, Litmaps: Giúp khám phá mối quan hệ giữa các nghiên cứu.
-
JennyAI, Yomu: Viết nháp bài báo khoa học bằng tiếng Anh.
-
NotebookLM, SciSpace: Cho phép trò chuyện trực tiếp với tài liệu tải lên, hỗ trợ đọc hiểu và phân tích.
Những công cụ này, khi kết hợp với các nền tảng tổng quát như ChatGPT và Gemini, tạo thành một hệ sinh thái toàn diện, tối ưu cho toàn bộ quy trình nghiên cứu – từ hình thành ý tưởng đến công bố kết quả.
Một trong những điểm nổi bật của seminar là phần thực hành trực tiếp với ChatGPT và Gemini. Các giảng viên được hướng dẫn sử dụng để tra cứu tài liệu, soạn thảo đề cương nghiên cứu và phân tích dữ liệu. Điều này không chỉ tạo sự hứng thú mà còn giúp người tham dự tự tin áp dụng AI vào công việc hằng ngày.
Bên cạnh đó, TS. Hà Minh Hoàng chia sẻ kinh nghiệm tạo prompt hiệu quả – yếu tố quyết định chất lượng đầu ra của AI. Một prompt “hoàn hảo” cần có:
-
Bối cảnh (Context): Xác định vai trò, tình huống.
-
Yêu cầu (Requirements): Nêu rõ nhiệm vụ AI cần thực hiện.
-
Ràng buộc (Constraints): Đưa giới hạn để đảm bảo tính học thuật.
-
Định dạng (Format): Quy định cách trình bày kết quả.
-
Đối tượng (Audience): Chỉ định nhóm người đọc để điều chỉnh ngôn ngữ phù hợp.
Cấu trúc này giúp AI phản hồi sát với mong đợi, tránh tình trạng trả lời chung chung.
Các kỹ thuật Prompting – khai thác tối đa sức mạnh AI
Trong phần tiếp theo của seminar, TS. Hà Minh Hoàng giới thiệu về các kỹ thuật Prompting – phương pháp đặt câu lệnh giúp mô hình AI hiểu rõ yêu cầu và đưa ra kết quả chính xác, sát nhu cầu của người sử dụng.
Các kỹ thuật cơ bản bao gồm:
-
Zero-shot: Prompt ngắn gọn, trực tiếp, không đưa ra ví dụ mẫu.
-
One-shot: Cung cấp một ví dụ để AI làm theo.
-
Few-shot: Đưa ra một vài ví dụ mẫu, giúp AI học được cách lập luận.
-
Chain-of-thoughts (CoTs): Khuyến khích AI “nghĩ từng bước một”, chia nhỏ bài toán và giải quyết tuần tự, đồng thời diễn giải các bước suy nghĩ.
Thông qua ví dụ đơn giản trong buổi chia sẻ kinh nghiệm, diễn giả đã cho thấy tầm quan trọng của việc lựa chọn kỹ thuật prompting phù hợp để hướng dẫn AI suy luận hiệu quả, tránh câu trả lời máy móc.
Một khái niệm quan trọng khác được TS. Hà Minh Hoàng phân tích trong seminar là token – đơn vị cơ bản của văn bản mà mô hình ngôn ngữ lớn (LLM) xử lý. Token có thể là một từ đầy đủ (ví dụ: apple → 1 token), một phần của từ dài (ví dụ: extraordinary → 2–3 token), hoặc một dấu câu/ký tự đặc biệt (ví dụ: “,” hoặc “!” → 1 token). Trung bình, một từ tiếng Anh tương đương khoảng 1,3 token, trong khi một từ tiếng Việt chiếm 2–3 token. Với 128.000 token, mô hình có thể xử lý lượng văn bản tương đương khoảng 300 trang A4 (tiếng Anh) hoặc 115 trang A4 (tiếng Việt). Token giữ vai trò quan trọng bởi chúng quyết định độ dài đầu vào/đầu ra của mô hình. Mỗi hệ thống AI đều có một giới hạn context window (tổng số token đầu vào và đầu ra trong cùng một lượt hội thoại). Nếu vượt quá giới hạn, mô hình sẽ tự động cắt bớt lịch sử hội thoại để xử lý, như trường hợp GPT-4o. Ngoài ra, token cũng gắn trực tiếp với chi phí sử dụng API, vì phí được tính dựa trên số token mà hệ thống xử lý. Khi người dùng gửi một câu hỏi mới, toàn bộ lịch sử hội thoại trước đó sẽ được cộng dồn vào “ngữ cảnh đầu vào”, khiến việc quản lý token trở nên đặc biệt quan trọng.
Cùng với đó, TS. Hà Minh Hoàng nhấn mạnh ứng dụng AI trong việc tìm kiếm ý tưởng nghiên cứu. AI có thể gợi ý các hướng đi mang tính chất “gợi mở”, tương đương với việc tham khảo ý kiến từ một chuyên gia trong lĩnh vực hẹp. Một số ví dụ về prompt hiệu quả gồm:
-
Prompt 1: “Các hướng nghiên cứu tiềm năng về vấn đề ABC trong lĩnh vực XYZ.”
-
Prompt 2: “Nói sâu hơn về vấn đề TTTT dựa trên các nguồn dữ liệu là các bài báo tổng quan (review article).”
Để đạt được kết quả sát thực tế học thuật, người dùng cần cung cấp rõ bối cảnh nghiên cứu, lĩnh vực, vấn đề trọng tâm và nguồn tài liệu tham chiếu.
Bên cạnh đó, seminar cũng giới thiệu khả năng hỗ trợ viết đề cương nghiên cứu bằng AI, áp dụng cho nhiều cấp độ khác nhau: từ đề tài cơ sở, đề tài cấp Bộ, đến các hồ sơ dự tuyển đào tạo trình độ tiến sĩ hoặc đề xuất quỹ tài trợ như Nafosted, VinIF. Với khả năng tự động hóa các bước viết nháp, chỉnh sửa và định dạng theo yêu cầu, AI trở thành công cụ hữu ích cho các nhà nghiên cứu trong việc tiết kiệm thời gian và nâng cao chất lượng bản thảo.
Một trong những nội dung trọng tâm được TS. Hà Minh Hoàng chia sẻ là cách AI hỗ trợ quá trình tìm kiếm, tóm tắt và tổng hợp tài liệu khoa học. Thay vì mất nhiều ngày tra cứu, các công cụ AI như ChatGPT, Gemini hay ConsensusAI có thể hỗ trợ tìm nhanh những nghiên cứu quan trọng, tóm tắt nội dung chính và thậm chí gợi ý khoảng trống nghiên cứu. Diễn giả đã minh họa với các ví dụ thực tế: từ việc xác định những bài báo được trích dẫn nhiều nhất về tối ưu hóa giao hàng bằng drone (Prompt 6, 7), đến việc tìm các nghiên cứu mới nhất từ nguồn Elsevier (Prompt 8). Không chỉ dừng lại ở tìm kiếm, AI còn giúp tóm tắt bài báo dài, tổng hợp tài liệu để hình thành một bức tranh toàn diện, hoặc chỉ ra khoảng trống nghiên cứu tiềm năng (Prompt 9–12). Nhờ đó, người làm nghiên cứu có thể tiết kiệm thời gian nhưng vẫn đảm bảo tính chính xác và độ sâu học thuật.
Tiếp nối, TS. Hà Minh Hoàng cũng giới thiệu cách AI hỗ trợ chứng minh toán học và lập trình. ChatGPT có khả năng diễn giải, rút gọn biểu thức toán học, đề xuất mô hình toán và thậm chí viết công thức dưới dạng Word hoặc LaTeX. Trong lĩnh vực lập trình, AI có thể sinh mã code để xử lý dữ liệu hoặc mô phỏng thuật toán. Đây là một trợ thủ đắc lực cho các nhà nghiên cứu khi triển khai những mô hình phức tạp, đòi hỏi nhiều bước xử lý. Bên cạnh đó, AI còn đặc biệt hữu ích trong việc viết và hoàn thiện bài báo khoa học. Theo diễn giả, một loạt tác vụ thường gặp trong nghiên cứu như dịch thuật, viết lại văn bản theo phong cách học thuật, kiểm tra ngữ pháp tiếng Anh, viết tóm tắt (abstract), hay thậm chí sinh file BibTeX đều có thể được AI hỗ trợ. Quy trình được khuyến nghị là: người nghiên cứu đưa ra ý tưởng thô dưới dạng gạch đầu dòng hoặc ghi chú, sau đó sử dụng AI để phát triển thành văn bản khoa học đầy đủ, rồi nhờ AI chỉnh sửa lại về phong cách, độ rõ ràng và mạch lạc. Đây cũng chính là cách mà nhiều nhà nghiên cứu quốc tế đang áp dụng để nâng cao hiệu quả viết lách.
Không chỉ dừng lại ở đó, seminar còn đi sâu vào việc sử dụng AI để soạn thảo các phần quan trọng của bài báo nghiên cứu. Chẳng hạn, Prompt 15 hướng dẫn AI viết phần giới thiệu dựa trên tổng quan tài liệu; Prompt 16 mô tả chi tiết một thuật toán cụ thể (ví dụ: Genetic Algorithm) kèm mã giả bằng LaTeX; Prompt 17 yêu cầu viết phần kết luận súc tích, nhấn mạnh các tiến bộ và thách thức còn tồn tại; Prompt 18 hỗ trợ tạo abstract chuẩn quốc tế với khoảng 250 từ. Cuối cùng, Prompt 19 thậm chí còn biến AI thành một “người phản biện sơ bộ”, gợi ý các cải thiện về cấu trúc, tính logic và sự mạch lạc của toàn bộ bài viết. Một điểm đáng chú ý khác được TS. Hà Minh Hoàng nhấn mạnh là việc tìm kiếm tạp chí phù hợp để nộp bài. AI có thể gợi ý các tạp chí hàng đầu trong một lĩnh vực, so sánh độ khó và thời gian phản biện, hoặc đề xuất tạp chí dựa trên nội dung bản thảo. Đây là giải pháp hữu ích cho những nhà nghiên cứu trẻ, giúp họ định hướng công bố quốc tế chính xác hơn. Ngoài ra, AI cũng chứng minh vai trò quan trọng trong quá trình phản biện và trả lời phản biện. Người dùng có thể nhờ AI tóm tắt, phân tích và đánh giá một bài báo, hoặc viết bản phản biện dựa trên những tiêu chí cụ thể (ví dụ: mức độ mới, cách diễn giải bài toán). Ở chiều ngược lại, AI cũng có thể giúp tác giả trả lời phản biện một cách mạch lạc, thuyết phục và tránh giọng điệu căng thẳng, nhờ đó nâng cao khả năng bài báo được chấp nhận.
Trong buổi seminar diễn giả còn giới thiệu cách soạn slide thuyết trình bằng AI. Người nghiên cứu chỉ cần mô tả cấu trúc mong muốn (ví dụ: 20 slide gồm phần giới thiệu, tổng quan tài liệu, phương pháp, kết quả và kết luận), AI sẽ nhanh chóng tạo nội dung phù hợp để người dùng tinh chỉnh. Điều này mở ra hướng đi mới cho việc chuẩn bị các bài trình bày tại hội thảo, giúp tiết kiệm đáng kể công sức.
Bên cạnh các công cụ trả phí, seminar cũng giới thiệu nhiều công cụ miễn phí hữu ích mà sinh viên và giảng viên có thể áp dụng ngay trong nghiên cứu. Nổi bật trong số đó là Semantic Scholar – một công cụ tìm kiếm học thuật do Viện Trí tuệ Nhân tạo Allen (AI2) phát triển từ năm 2015. Khác với Google Scholar truyền thống, Semantic Scholar sử dụng AI để tóm tắt nhanh nội dung bài báo, phân loại trích dẫn theo mục đích (background, method, result…), xếp hạng ảnh hưởng học thuật và cung cấp API mở để khai thác dữ liệu. Đây là bước tiến giúp người dùng không chỉ tìm tài liệu nhanh hơn mà còn hiểu rõ “chất lượng” và ngữ cảnh của từng nghiên cứu. Song song với đó, Asta – một dự án khác của AI2 – cho phép tìm kiếm và tổng hợp tài liệu liên quan dựa trên cơ sở dữ liệu của Semantic Scholar. Công cụ này đặc biệt hữu ích cho những ai muốn trả lời câu hỏi nghiên cứu mang tính tổng quan (literature review question), nhờ khả năng tổng hợp từ nhiều nguồn để đưa ra câu trả lời cô đọng, chính xác. Một công cụ được nhiều người trẻ ưa chuộng là Research Rabbit, cho phép khám phá mối liên hệ giữa các bài báo, tác giả và chủ đề dưới dạng mạng lưới trực quan (citation graph). Người dùng có thể theo dõi “dòng chảy tri thức”, tìm ra những bài báo mới dễ bị bỏ sót trên Google Scholar, hoặc phát hiện nhóm nghiên cứu, cộng tác viên và các nhà khoa học tiên phong trong một lĩnh vực. Tính năng tạo bộ sưu tập (collections) và hệ thống thông báo (alerts) cũng giúp quản lý dự án nghiên cứu thông minh và tiết kiệm thời gian. Trong khi đó, NotebookLM – công cụ do Google Labs phát triển – lại mang đến trải nghiệm cá nhân hóa hơn khi cho phép tải nhiều định dạng tài liệu (Docs, PDF, web, video có phụ đề) để AI rút gọn nội dung, trả lời câu hỏi và thậm chí tạo podcast tóm tắt. Một số tính năng sáng tạo như tự động sinh sơ đồ tư duy (mindmap) giúp người dùng hệ thống hóa thông tin dễ dàng hơn. Đặc biệt, STORM – công cụ mã nguồn mở của Đại học Stanford – hỗ trợ tạo các bài viết khoa học có cấu trúc rõ ràng, đi kèm trích dẫn từ nguồn đáng tin cậy. Người dùng có thể tùy chỉnh lựa chọn mô hình ngôn ngữ (GPT-4, Claude, Gemini…) và API tìm kiếm (Bing, DuckDuckGo, Tavily…) để phù hợp với nhu cầu. STORM hứa hẹn trở thành “trợ lý viết học thuật” hữu ích cho cả sinh viên lẫn nhà nghiên cứu.
Từ các công cụ trên, diễn giả TS. Hà Minh Hoàng đưa ra một số gợi ý sử dụng: dùng Semantic Scholar thay thế hoặc kết hợp với Google Scholar; tận dụng Asta để tổng hợp tài liệu cho phần tổng quan; khai thác Storm để tạo bài viết nền tảng dạng Wikipedia khi tiếp cận một chủ đề mới; sử dụng NotebookLM để quản lý nhiều tệp tài liệu cùng lúc; và duy trì Research Rabbit như một công cụ lâu dài để khám phá khoảng trống nghiên cứu.
Ở phần kết luận, seminar nhấn mạnh rằng AI là công cụ mạnh mẽ nhưng cần được sử dụng một cách có trách nhiệm và phê phán. AI nên đóng vai trò hỗ trợ tư duy chứ không thay thế năng lực suy nghĩ độc lập của con người. Người làm nghiên cứu cần tuân thủ các quy định của trường, tạp chí và quỹ tài trợ; công khai minh bạch khi sử dụng AI; tuyệt đối không thao túng dữ liệu nghiên cứu; và quan trọng hơn hết là duy trì tư duy phản biện để đánh giá kết quả do AI cung cấp. Nguyên tắc chung khi viết và tối ưu prompt cho nghiên cứu khoa học cũng được nhắc lại: luôn chọn nguồn học thuật đáng tin cậy, chia nhỏ nhiệm vụ, sử dụng đúng thuật ngữ chuyên ngành bằng tiếng Anh, và sẵn sàng tinh chỉnh nhiều lần để có đầu ra tốt nhất.
Qua toàn bộ nội dung, seminar đã mang đến một cái nhìn toàn diện về cách AI đang thay đổi phương thức nghiên cứu khoa học – từ khâu tìm tài liệu, viết bài, công bố, đến phản biện và thuyết trình. Giảng viên và sinh viên Khoa Kinh tế không chỉ được tiếp cận các công cụ hữu ích mà còn học được cách xây dựng prompt hiệu quả để tận dụng tối đa sức mạnh của trí tuệ nhân tạo. Đây là nền tảng quan trọng giúp nâng cao chất lượng nghiên cứu, tiết kiệm thời gian và hội nhập nhanh chóng vào chuẩn mực khoa học quốc tế.
Đinh Thị Thủy, Khoa Kinh tế