Design & User Flows

Sơ đồ luồng người dùng, wireframe các màn hình, kịch bản demo và kế hoạch phát hành

Tài liệu này đặc tả các luồng nghiệp vụ, giao diện, logic thuật toán đề xuất, thiết kế AI, kế hoạch thực nghiệm, kịch bản demo và lộ trình triển khai chi tiết cho EduOne Adaptive Learning Engine.

1. Core User Flows

Click to view detailed specifications & content

1.1. Flow A — Personalized Recommendation Flow (Học viên nhận đề xuất bài học)

Luồng đi:
1. Học viên đăng nhập vào hệ thống.
2. Hệ thống tải thông tin khóa học hiện tại và trạng thái năng lực (Learner State) của học viên.
3. Động cơ đề xuất (Recommendation Engine) thực hiện quét và lọc các học liệu đủ điều kiện trong thư viện đã duyệt (Approved Content Candidates).
4. Hệ thống xếp hạng (Rank) các ứng viên học liệu dựa trên trình độ và learning gap.
5. Lựa chọn hoạt động tốt nhất đứng đầu danh sách.
6. Ghi nhận thông tin quyết định vào Nhật ký đề xuất (Recommendation Log).
7. Hiển thị hoạt động và lý do khuyên làm lên màn hình học sinh.
8. Học viên nhấn nút và bắt đầu làm bài.
Kết quả thành công: Học viên thấy ngay hoạt động phù hợp nhất với mình trên màn hình và có thể bắt đầu học ngay.
Trường hợp lỗi/Ngoại lệ:
- Thiếu dữ liệu học tập: Chuyển sang đề xuất bài kiểm tra chẩn đoán (Diagnostic).
- Thiếu học liệu đã duyệt phù hợp: Tự động kích hoạt cơ chế Fallback an toàn (bài học chuẩn) và gửi cảnh báo thiếu bài (Content Gap) cho Content Team.
- Lỗi máy chủ đề xuất: Tự động chuyển sang đề xuất bài học tiếp theo theo trình tự tuyến tính mặc định của khóa học.

1.2. Flow B — Closed-loop Evidence Flow (Bằng chứng học tập cập nhật đề xuất)

Luồng đi:
1. Học viên nộp bài làm quiz trắc nghiệm.
2. Hệ thống thực hiện kiểm tra tính hợp lệ của bài nộp (chống trùng lặp, làm sạch dữ liệu bẩn).
3. Ghi nhận bản ghi bằng chứng học tập (Evidence).
4. Hệ thống tự động ánh xạ bằng chứng đó vào chỉ chỉ báo kỹ năng (Indicator Code) tương ứng.
5. Điểm năng lực (Mastery Estimate) của học viên được cập nhật lại trong Learner Model.
6. Tính toán lại độ tin cậy của dữ liệu (Confidence Score).
7. Kích hoạt Động cơ đề xuất chạy lại dựa trên trạng thái mới.
8. Màn hình học viên cập nhật hoạt động đề xuất tiếp theo tương ứng.
Chỉ tiêu kỹ thuật: Toàn bộ luồng từ lúc học viên nộp bài đến khi hiển thị đề xuất mới phải hoàn thành dưới 5 giây trong điều kiện demo.

1.3. Flow C — Teacher Override Flow (Giáo viên theo dõi và ghi đè đề xuất)

Luồng đi:
1. Giáo viên đăng nhập và mở Dashboard quản lý lớp học.
2. Chọn một học sinh cụ thể từ danh sách.
3. Rà soát trạng thái năng lực, biểu đồ kỹ năng và dòng thời gian bằng chứng làm bài của học sinh.
4. Mở xem chi tiết lý do AI đề xuất bài tập hiện tại.
5. Nếu thấy không phù hợp, giáo viên chọn tính năng "Ghi đè đề xuất".
6. Chọn một học liệu khác đã duyệt từ thư viện.
7. Chọn lý do ghi đè và đặt thời gian hiệu lực.
8. Xác nhận ghi đè.
9. Hệ thống cập nhật trạng thái đề xuất hiển thị trên màn hình học sinh ngay lập tức.

1.4. Flow D — AI Drafting Flow (Đội ngũ nội dung soạn học liệu bằng AI)

Luồng đi:
1. Content Author chọn khóa học, bài học và nhập các yêu cầu có cấu trúc (learning objectives, kỹ năng mục tiêu, độ khó).
2. Chọn loại học liệu muốn tạo (bài giảng, quiz trắc nghiệm).
3. Nhấn nút yêu cầu AI soạn thảo.
4. Hệ thống gửi prompt và nhận kết quả đầu ra có cấu trúc JSON từ AI.
5. Tự động chạy bộ lọc chất lượng (Quality Checks) để phát hiện lỗi logic hoặc an toàn.
6. Hiển thị bản nháp kèm scorecard cảnh báo chất lượng lên màn hình soạn thảo.
7. Author chỉnh sửa thủ công câu từ hoặc yêu cầu AI sinh lại riêng lẻ phần bị lỗi.
8. Lưu bản thảo và gửi đi kiểm duyệt (Submit for Review).

1.5. Flow E — Human Review Flow (Kiểm duyệt và xuất bản học liệu)

Luồng đi:
1. Reviewer đăng nhập và mở danh sách học liệu đang chờ duyệt (Review Queue).
2. Mở chi tiết học liệu, xem nội dung, metadata và kết quả cảnh báo chất lượng tự động.
3. So sánh các phiên bản chỉnh sửa (nếu có).
4. Rà soát thủ công theo Checklist kiểm duyệt bắt buộc.
5. Đưa ra quyết định phê duyệt:
  - Approve: Phê duyệt xuất bản bài học.
  - Request Revision: Trả lại yêu cầu sửa đổi kèm lý do.
  - Reject: Từ chối học liệu.
6. Sau khi Approved, học liệu tự động chuyển sang trạng thái Published và sẵn sàng để Recommendation Engine sử dụng đề xuất cho học sinh.

1.6. Flow F — Content Gap Closure Flow (Xử lý khoảng trống học liệu)

Luồng đi:
1. Động cơ đề xuất phát hiện không có học liệu đã duyệt phù hợp với trình độ học sinh ➔ Ghi log cảnh báo Content Gap.
2. Danh sách cảnh báo hiển thị trên Dashboard của Content Team.
3. Content Author mở cảnh báo, chọn tạo học liệu mới bám sát theo chỉ báo kỹ năng đang bị thiếu.
4. Thực hiện quy trình soạn thảo AI (Flow D) và kiểm duyệt (Flow E).
5. Học liệu mới chuyển sang trạng thái Published.
6. Trong lần chạy tiếp theo, Recommendation Engine tự động nhận diện và đề xuất học liệu mới này cho học sinh phù hợp.

2. Core Screen Wireframe Layouts

Click to view detailed specifications & content

SCREEN-01 — Student Home (Trang chủ học viên)

Mục tiêu: Hiển thị nổi bật bài học tiếp theo giúp học sinh bắt đầu học nhanh nhất.
Bố cục giao diện:
- Header: Tên học sinh, tiến độ khóa học hiện tại (thanh phần trăm), số điểm tích lũy.
- Khu vực trung tâm (Recommendation Card):
  - Tiêu đề bài học đề xuất nổi bật (font size to, rõ ràng).
  - Nhãn thông tin: Thời gian dự kiến (ví dụ: 15 phút), Độ khó (Cơ bản/Thử thách).
  - Hộp văn bản: Lời giải thích khích lệ bằng tiếng Việt dễ thương (ví dụ: "Hệ thống khuyên em nên làm bài này để nắm chắc cách dùng vòng lặp nhé!").
  - Nút "Bắt đầu ngay" kích thước lớn, màu sắc bắt mắt.
- Khu vực bên dưới (My Progress Map): Sơ đồ các bài học dạng chặng đường để học sinh thấy vị trí hiện tại của mình.

SCREEN-02 — Quiz Screen (Màn hình làm Quiz)

Mục tiêu: Thu thập dữ liệu bằng chứng làm bài của học viên.
Bố cục giao diện:
- Thể hiện số thứ tự câu hỏi (ví dụ: Câu 2 trên 5) kèm thanh tiến trình.
- Thân câu hỏi rõ ràng, font chữ dễ đọc.
- Danh sách 4 đáp án lựa chọn dạng các hộp nút bấm lớn để dễ chọn trên máy tính bảng hoặc máy tính.
- Nút "Nộp câu trả lời" (Submit).
- Giao diện phản hồi sau khi nộp (Quiz Feedback Modal): Hiển thị nhãn Đúng/Sai sinh động, đi kèm lời giải thích chi tiết đáp án bằng tiếng Việt chuẩn sư phạm.

SCREEN-03 — Teacher Class Dashboard (Dashboard tổng quan của giáo viên)

Mục tiêu: Giúp giáo viên tình nguyện quan sát nhanh trạng thái của 20 học viên trong lớp.
Bố cục giao diện:
- Dòng thống kê nhanh (Summary Cards): Tổng số học sinh, số học sinh online, số học sinh cần hỗ trợ gấp (đỏ), số học sinh thiếu dữ liệu (vàng).
- Bảng danh sách lớp học (Student Grid Table):
  - Cột: Tên học sinh, Chỉ báo kỹ năng hiện tại, Mức độ thành thạo (Mastery), Độ tin cậy (Confidence), Đề xuất AI hiện tại, Trạng thái cảnh báo (Alert).
  - Có bộ lọc nhanh theo nhóm: "Cần hỗ trợ", "Thiếu dữ liệu".

SCREEN-04 — Student Detail Screen (Chi tiết hồ sơ học viên)

Mục tiêu: Cung cấp thông tin truy vết chi tiết về năng lực học sinh và giao diện Ghi đè (Override).
Bố cục giao diện:
- Bên trái: Biểu đồ mạng nhện hoặc biểu đồ cột thể hiện mức độ Mastery của từng kỹ năng. Ô nhập ghi chú giáo viên (Teacher Notes).
- Bên phải:
  - Evidence Timeline: Dòng thời gian hiển thị lịch sử làm bài thi của học sinh (tên quiz, ngày làm, điểm đạt, thời gian làm bài).
  - Recommendation Card: Hiển thị bài tập AI đang đề xuất, mức độ confidence, lý do đề xuất chi tiết.
  - Nút bấm "Ghi đè đề xuất AI" mở Modal chọn bài tập thay thế từ thư viện và nhập lý do ghi đè.

SCREEN-05 — Content Request Form (Yêu cầu soạn thảo học liệu)

Mục tiêu: Tạo đầu vào có cấu trúc chuẩn cho AI sinh nội dung.
Bố cục giao diện:
- Hộp chọn Khóa học & Bài học đích.
- Hộp chọn Kỹ năng & Chỉ báo năng lực cần đánh giá.
- Ô nhập Mục tiêu học tập (Learning Objective).
- Hộp chọn Độ tuổi học sinh và mức Độ khó (Foundation, Standard, Advanced).
- Hộp chọn Loại học liệu (Bài giảng, Quiz MCQ).
- Ô nhập các yêu cầu bổ sung về văn phong hoặc ví dụ cụ thể.
- Nút "Gọi trợ lý AI soạn thảo".

SCREEN-06 — AI Draft Editor (Trình soạn thảo bản thảo AI)

Mục tiêu: Xem, sửa đổi thủ công và yêu cầu AI sinh lại từng phần nội dung.
Bố cục giao diện:
- Bên trái: Trình biên tập văn bản (Text Editor) chia nhỏ theo từng phân đoạn cấu trúc bài học (Title, Core content, Practice, Quiz questions).
- Bên phải (Scorecard Panel): Hiển thị danh sách các kết quả kiểm tra chất lượng tự động (Quality Checks): tích xanh nếu đạt, cảnh báo màu vàng/đỏ nếu phát hiện lỗi kèm mô tả lỗi chi tiết.
- Nút bấm "Sinh lại phần này" (Regenerate Section) bên cạnh mỗi phân đoạn nội dung.
- Nút "Lưu nháp" và "Gửi kiểm duyệt".

SCREEN-07 — Review Queue (Hàng đợi phê duyệt)

Mục tiêu: Quản lý các học liệu đang chờ kiểm duyệt.
Bố cục giao diện:
- Bảng danh sách các yêu cầu duyệt: Tiêu đề bài học, Tác giả, Loại học liệu, Số lượng cảnh báo chất lượng tự động, Ngày gửi.
- Lọc theo trạng thái: Pending Review, Revision Requested, Approved.

SCREEN-08 — Review Detail Screen (Chi tiết kiểm duyệt)

Mục tiêu: Cho phép Reviewer đọc, đối chiếu phiên bản và đưa ra quyết định phê duyệt.
Bố cục giao diện:
- Màn hình chia đôi: Bên trái hiển thị nội dung bài học, bên phải hiển thị metadata và danh sách Quality Warnings.
- Khu vực so sánh phiên bản (Version comparison diff) để xem tác giả đã sửa gì.
- Checklist kiểm duyệt: Các ô tích chọn bắt buộc (Chính xác kiến thức, Phù hợp độ tuổi...).
- Ô nhập nhận xét kiểm duyệt.
- Bộ ba nút bấm nổi bật: Approve, Request Revision, Reject.

SCREEN-09 — Content Library Manager (Quản lý thư viện học liệu)

Mục tiêu: Quản trị kho nội dung đã phê duyệt.
Bố cục giao diện:
- Bảng danh sách học liệu trong kho kèm trạng thái xuất bản (Published/Archived).
- Bộ lọc tìm kiếm nhanh theo kỹ năng, độ khó, độ tuổi.
- Nút gỡ bài (Unpublish) hoặc chỉnh sửa metadata nhanh.

SCREEN-10 — Metrics Dashboard (Báo cáo đo lường hiệu năng)

Mục tiêu: Hiển thị biểu đồ đo lường hiệu quả vận hành và chi phí AI.
Bố cục giao diện:
- Biểu đồ so sánh Before/After thời gian sản xuất học liệu.
- Thống kê chi phí API AI (tổng tiền, số lượng token, chi phí trung bình trên mỗi bài học).
- Biểu đồ tỷ lệ chấp nhận đề xuất (Acceptance rate vs. Override rate) của giáo viên.

3. Product Recommendation Logic Specification

Click to view detailed specifications & content

Thuật toán đề xuất chạy ngầm phía Back-end và phải tuân thủ nghiêm ngặt quy trình xử lý sau:

Input (3.1. Các tham số đầu vào)

Trạng thái năng lực của học sinh: Mastery_Estimate và Confidence_Score của từng kỹ năng/chỉ báo.
Bằng chứng học tập gần nhất: Danh sách 3 Evidence làm bài gần đây nhất.
Bối cảnh lớp học: Khóa học hiện tại, Bài học đang diễn ra, Độ tuổi học sinh của lớp.
Trạng thái điều kiện tiên quyết (Prerequisite Map).
Thư viện học liệu: Danh sách tất cả học liệu ở trạng thái Published.
Trạng thái ghi đè của giáo viên (Teacher Override hoạt động).
Lịch sử học tập: Danh sách các học liệu học sinh đã hoàn thành trước đó.

Processing Steps (3.2. Quy trình xử lý)

Kiểm tra ghi đè: Kiểm tra xem học sinh có bản ghi ghi đè (Teacher Override) nào đang còn hiệu lực hay không. Nếu có, bỏ qua thuật toán AI đề xuất và trả về ngay học liệu do giáo viên chọn.
Xác định mục tiêu kỹ năng ưu tiên (Target Indicator):
- Quét bài học đang diễn ra, lọc ra danh sách các chỉ báo kỹ năng mục tiêu.
- Tìm các chỉ báo kỹ năng mục tiêu mà học sinh có điểm Mastery_Estimate thấp nhất (learning gap).
- Nếu điểm năng lực của bài học hiện tại đều đạt ngưỡng mastery (> 0.8), kiểm tra xem học sinh có bị hổng kiến thức ở các kỹ năng điều kiện tiên quyết (prerequisites) không để ưu tiên ôn tập.
Kiểm tra độ tin cậy (Confidence Check):
- Nếu chỉ số Confidence_Score của học sinh đối với kỹ năng đích bằng 0 hoặc dưới ngưỡng 0.4 (thiếu dữ liệu), gán nhãn trạng thái cần chẩn đoán và ưu tiên chọn học liệu dạng bài thi chẩn đoán (Diagnostic Quiz) hoặc bài ôn luyện lý thuyết cơ bản (Foundational Read).
Lọc học liệu ứng viên (Filtering Candidates): Lọc thư viện để chỉ giữ lại các học liệu thỏa mãn:
- Có trạng thái Published.
- Gán đúng mã kỹ năng/chỉ báo mục tiêu vừa xác định.
- Phù hợp với độ tuổi/khối lớp của học sinh.
- Học sinh chưa hoàn thành trước đó (hoặc hoàn thành nhưng chưa đạt điểm tối đa).
Xếp hạng ứng viên (Ranking Candidates):
- Ánh xạ độ khó của học liệu (Difficulty) với trình độ năng lực học sinh:
  - Nếu Mastery_Estimate < 0.4: Chọn học liệu độ khó Foundation.
  - Nếu Mastery_Estimate từ 0.4 đến 0.8: Chọn học liệu độ khó Standard.
  - Nếu Mastery_Estimate > 0.8: Chọn học liệu độ khó Advanced.
- Tính toán điểm xếp hạng tổng hợp dựa trên độ khớp kỹ năng, mức độ mới của học liệu.
Lựa chọn & Tạo giải thích:
- Chọn học liệu đứng đầu danh sách xếp hạng.
- Tạo lý do đề xuất (Reason Code) và viết giải thích hiển thị cho giáo viên và học sinh dựa trên quy tắc cấu trúc ngôn ngữ.
- Ghi log quyết định đề xuất chi tiết vào cơ sở dữ liệu.

Output (3.3. Kết quả trả về)

Mã ID học liệu được đề xuất.
Lời giải thích hiển thị phía giáo viên.
Lời giải thích hiển thị phía học sinh.
Mã lý do đề xuất (Reason Code - ví dụ: GAP_CUNG_CO_NEN).
Mức độ tin cậy của thuật toán tại thời điểm đề xuất.

4. AI Content Generation Specification

Click to view detailed specifications & content

Tính năng sinh bản nháp bằng AI trong AI Content Studio phải tuân thủ thiết kế kỹ thuật sau:

Input Context for Prompt (4.1. Tham số gửi đi)

Hệ thống tự động biên dịch các trường thông tin trên form yêu cầu thành một cấu trúc prompt gửi lên API AI bao gồm:

Khung chương trình: Tên khóa học, mục tiêu bài học (Learning Objective).
Metadata kỹ năng: Mã kỹ năng và mô tả chi tiết chỉ báo năng lực cần kiểm tra/giảng dạy.
Đối tượng: Độ tuổi học sinh (ví dụ: học sinh lớp 5, 10 tuổi) để AI điều chỉnh độ dài câu và từ vựng.
Đặc tả học liệu: Mức độ khó yêu cầu (Foundation, Standard, Advanced), Loại học liệu (ví dụ: Quiz MCQ 5 câu).
Quy định ngôn ngữ: Yêu cầu trả về tiếng Việt tự nhiên, phù hợp văn hóa Việt Nam.
JSON Schema bắt buộc: Định dạng cấu trúc JSON chi tiết mà mô hình AI bắt buộc phải tuân thủ khi trả kết quả về.

Structured Output JSON Schema (4.2. Định dạng kết quả trả về bắt buộc)

Ví dụ định dạng JSON bắt buộc của một Quiz MCQ sinh ra bởi AI:

json

{
  "content_type": "quiz",
  "metadata": {
    "skill_code": "PY-LOOP-01",
    "indicator_code": "PY-LOOP-01-IND1",
    "difficulty": "Standard",
    "target_age": 11
  },
  "quiz_title": "Luyện tập vòng lặp For trong Python",
  "questions": [
    {
      "question_number": 1,
      "question_text": "Đoạn code sau đây sẽ in ra màn hình bao nhiêu lần từ 'Hello'? \nfor i in range(3):\n    print('Hello')",
      "options": {
        "A": "1 lần",
        "B": "2 lần",
        "C": "3 lần",
        "D": "4 lần"
      },
      "correct_answer_key": "C",
      "explanation_student": "Hàm range(3) sẽ tạo ra các giá trị từ 0, 1 đến 2. Do đó, vòng lặp sẽ chạy đúng 3 lần và in ra 3 chữ 'Hello'.",
      "explanation_teacher_note": "Câu hỏi kiểm tra nhận thức cơ bản về cách hoạt động của hàm range() với tham số nguyên dương."
    }
  ]
}

Validation Steps (4.3. Quy trình xác thực chất lượng tự động)

Ngay sau khi nhận kết quả từ AI, hệ thống tự động chạy qua các bước xác thực:

Xác thực Schema: Kiểm tra xem kết quả trả về có đúng định dạng JSON Schema yêu cầu không. Nếu bị lỗi cú pháp, tự động kích hoạt gọi lại AI (Auto-retry) tối đa 2 lần.
Kiểm tra tính chính xác của đáp án: Xác nhận trường correct_answer_key phải trùng khớp với một trong các phím đáp án có sẵn trong options (A, B, C hoặc D).
Kiểm tra an toàn nội dung: Chạy bộ lọc từ khóa nhạy cảm và sử dụng một LLM nhỏ chạy local để phân loại nhanh xem nội dung có chứa yếu tố độc hại hoặc không phù hợp trẻ em hay không.

5. Mandatory Business Rules

Click to view detailed specifications & content

BR-01: Recommendation Engine chỉ được phép đề xuất các học liệu đã ở trạng thái Published. Tuyệt đối không tự động lấy các học liệu ở trạng thái Draft hoặc chưa được phê duyệt đưa cho học sinh.
BR-02: Quyết định ghi đè (Override) của giáo viên luôn có độ ưu tiên cao nhất, đè lên mọi đề xuất tự động của AI.
BR-03: Mọi quyết định đề xuất học tập của hệ thống đều phải tạo một bản ghi nhật ký đề xuất (Recommendation Log) để phục vụ truy vết.
BR-04: Một quyết định đề xuất chỉ được coi là hợp lệ khi tham chiếu đến ít nhất một bằng chứng học tập (Evidence) hoặc trạng thái năng lực (Learner State) của chính học sinh đó.
BR-05: Khi hệ thống đánh giá mức độ tin cậy của năng lực học sinh thấp (Confidence score < 0.4), giao diện giáo viên phải hiển thị cảnh báo ghi rõ độ không chắc chắn của dữ liệu.
BR-06: Học liệu do AI sinh ra tuyệt đối không được tự động xuất bản (No Auto-publishing) mà bắt buộc phải qua quy trình kiểm duyệt thủ công của Reviewer.
BR-07: Reviewer bắt buộc phải hoàn thành tích chọn toàn bộ các mục trong Checklist kiểm duyệt trước khi hệ thống kích hoạt tính năng phê duyệt (Approve).
BR-08: Khi một học liệu bị thu hồi (Unpublished) hoặc lưu trữ (Archived), hệ thống phải lập tức gỡ bỏ học liệu này khỏi tất cả các đề xuất lộ trình đang chạy của học sinh.
BR-09: Giải thích đề xuất hiển thị phía học sinh tuyệt đối không được chứa các thuật ngữ kỹ thuật phức tạp như confidence threshold, model name, hay mastery score.
BR-10: Sự cố ngắt kết nối API AI hoặc lỗi hệ thống đề xuất không được làm mất dữ liệu học tập đã nộp của học sinh hoặc các bản nháp đang soạn thảo của tác giả.

6. Product Data Specifications

Click to view detailed specifications & content

6.1. Nguyên tắc thiết kế dữ liệu

Bảo vệ quyền riêng tư: Dữ liệu học sinh giả lập trong Prototype phải được mã hóa ẩn danh hóa, không sử dụng tên thật hay thông tin liên lạc nhạy cảm.
Tính bất biến của bằng chứng: Bản ghi bằng chứng học tập (Evidence) là dữ liệu lịch sử không được phép ghi đè hay chỉnh sửa sau khi đã ghi nhận.
Tính toán lại trạng thái (Recalculability): Điểm năng lực (Learner State) có thể được tính toán lại từ đầu bất cứ lúc nào bằng cách quét và chạy lại thuật toán trên danh sách lịch sử bằng chứng gốc (Evidence) của học sinh.

6.2. Cấu trúc thực thể chính trong Cơ sở dữ liệu

Bảng Student_Learner_State:
- student_id (PK, UUID)
- indicator_code (PK, String)
- mastery_estimate (Decimal)
- confidence_score (Decimal)
- evidence_count (Integer)
- last_updated (DateTime)
Bảng Learning_Evidence:
- evidence_id (PK, UUID)
- student_id (FK, UUID)
- submission_id (FK, UUID)
- indicator_code (String)
- score (Decimal)
- quality_weight (Decimal)
- timestamp (DateTime)

7. Business Metrics Framework

Click to view detailed specifications & content

Hệ thống được giám sát và đánh giá thông qua hai Chỉ số định hướng (North Star Metrics) và các chỉ số đo lường thành phần:

North Star Metric — Personalization (7.1. Chỉ số định hướng cá nhân hóa)

Tỷ lệ học viên nhận được hoạt động phù hợp với learner state hiện tại.

Định nghĩa Proxy trong Prototype: Tỷ lệ phủ đề xuất thích ứng, Tỷ lệ giáo viên chấp nhận đề xuất AI không cần override, Độ trễ tạo đề xuất dưới 5 giây.

North Star Metric — Content Creation (7.2. Chỉ số định hướng sản xuất nội dung)

Tổng thời gian từ khi tạo yêu cầu soạn thảo học liệu đến khi học liệu được phê duyệt xuất bản.

Định nghĩa đo lường: Thời gian AI sinh bản nháp + Thời gian tác giả chỉnh sửa thủ công + Thời gian Reviewer phê duyệt.

Product Metrics (7.3. Chỉ số đo lường chi tiết sản phẩm)

Nhóm chỉ số	Tên chỉ số đo lường	Công thức / Phương pháp đo
Personalization	Recommendation Coverage	% số học sinh hoạt động nhận được đề xuất thích ứng từ hệ thống.
	Teacher Acceptance Rate	% số đề xuất tự động được giáo viên giữ nguyên không ghi đè.
	Teacher Override Rate	% số đề xuất AI bị giáo viên bấm hủy bỏ và chọn bài thay thế.
	Recommendation Latency	Thời gian tính toán đề xuất sau khi nhận bài nộp quiz (ms).
Content Production	Time to First Draft	Thời gian từ khi bấm gọi AI đến khi bản nháp hiển thị (giây).
	Human Editing Time	Thời gian tác giả dành ra để sửa đổi thủ công bản nháp AI.
	Revision Rounds	Số lần Reviewer bấm Request Revision đối với một bài học.
	AI Cost per Published Item	Tổng chi phí API AI tiêu thụ để tạo ra một bài học được duyệt.
System Health	Error Rate	Tỷ lệ số lượt gọi API AI bị lỗi hoặc trả về định dạng sai.
	API Token Consumption	Tổng số lượng Input/Output Tokens sử dụng trong ngày.

8. Validation Experiment Scenarios

Click to view detailed specifications & content

Để đánh giá chất lượng sản phẩm trong giai đoạn thử nghiệm, hệ thống hỗ trợ cấu hình chạy 5 kịch bản thực nghiệm cốt lõi sau:

EXP-01 — Recommendation Differentiation (Kiểm chứng tính thích ứng khác biệt)

Giả thuyết: Học sinh có trình độ năng lực khác nhau sẽ nhận được đề xuất bài tập khác nhau.
Phương pháp kiểm tra:
1. Tạo 3 tài khoản học sinh giả lập trong cùng một lớp.
2. Nạp dữ liệu làm bài để đưa học sinh A về trạng thái mất gốc (Mastery < 0.3), học sinh B về trạng thái trung bình (Mastery 0.6), học sinh C về trạng thái xuất sắc (Mastery > 0.85).
3. Kích hoạt chạy Recommendation Engine đồng thời cho 3 học sinh.
Tiêu chí thành công: Hệ thống xuất ra 3 đề xuất bài học hoàn toàn khác nhau, bám sát theo độ khó tương ứng (A nhận Foundation, B nhận Standard, C nhận Advanced Challenge) và ghi nhận lý do chính xác trong log.

EXP-02 — Low-confidence Handling (Kiểm chứng xử lý khi thiếu dữ liệu)

Giả thuyết: Hệ thống không kết luận năng lực vội vã khi chưa có đủ dữ liệu và đưa ra đề xuất mang tính chẩn đoán an toàn.
Phương pháp kiểm tra:
1. Đăng nhập bằng tài khoản học sinh hoàn toàn mới (chưa làm bài quiz nào).
2. Quét trạng thái năng lực (Evidence count = 0, Confidence = 0.0).
3. Xem đề xuất hiển thị trên màn hình học sinh và cảnh báo trên màn hình giáo viên.
Tiêu chí thành công: Hệ thống tự động đề xuất một bài kiểm tra chẩn đoán đầu vào (Diagnostic activity) hoặc bài học ôn tập cơ bản, hiển thị nhãn cảnh báo "Dữ liệu chưa đủ tin cậy" cho giáo viên, không tự động dán nhãn năng lực Proficient hay Emerging.

EXP-03 — Human Review Gate (Kiểm chứng chốt chặn kiểm duyệt của con người)

Giả thuyết: Nội dung do AI soạn thảo nếu chưa được phê duyệt bởi Reviewer thì tuyệt đối không được tự động xuất bản hoặc phân phối cho học viên.
Phương pháp kiểm tra:
1. Sử dụng AI tạo một quiz trắc nghiệm mới bám sát theo chỉ báo kỹ năng đang bị thiếu học liệu (Content Gap).
2. Lưu quiz ở trạng thái Pending Review hoặc Draft.
3. Chạy Recommendation Engine cho một học sinh đang bị hổng kỹ năng tương ứng.
Tiêu chí thành công: Động cơ đề xuất không hiển thị quiz này mà chuyển sang chọn một bài học fallback đã được duyệt trước đó. Quiz mới chỉ xuất hiện trong đề xuất sau khi tài khoản Reviewer bấm Approve và chuyển trạng thái sang Published.

EXP-04 — Authoring Time Reduction (Kiểm chứng hiệu năng giảm thời gian sản xuất)

Giả thuyết: Ứng dụng AI giúp giảm đáng kể thời gian chuẩn bị học liệu so với phương pháp thủ công truyền thống (baseline 40-50 giờ).
Phương pháp kiểm tra:
1. Sử dụng AI Content Studio tạo mới 3 bài giảng và bộ quiz mẫu.
2. Ghi nhận thời gian hệ thống đo tự động (từ lúc tạo yêu cầu, AI sinh bản thảo, tác giả chỉnh sửa đến lúc duyệt xuất bản).
Tiêu chí thành công: Tổng thời gian hoàn thành một bài giảng được duyệt trên hệ thống đạt dưới 30 phút (tiết kiệm hơn 90% thời gian so với làm thủ công).

EXP-05 — Dirty Data Resilience (Kiểm chứng độ bền vững với dữ liệu bẩn)

Giả thuyết: Hệ thống không bị crash hoặc tính toán sai lệch điểm năng lực học sinh khi gặp các bản ghi nộp bài bị lỗi.
Phương pháp kiểm tra:
1. Gửi đồng thời hai yêu cầu nộp bài trùng lặp ID (Duplicate submission).
2. Gửi một bài làm quiz chứa các đáp án trống (Missing answers).
3. Gửi một bài làm quiz có thời gian thực hiện chỉ 1 giây (Anomaly).
Tiêu chí thành công: Hệ thống lọc bỏ bản ghi trùng, chấm điểm 0 cho câu hỏi trống và giảm trọng số tin cậy của bài làm bất thường xuống 0.2, toàn bộ hệ thống đề xuất hoạt động bình thường không gặp lỗi gián đoạn.

9. Hackathon Demo Scenarios

Click to view detailed specifications & content

Kịch bản demo được thiết kế chi tiết gồm 14 cảnh (Scenes) chạy liên tục để chứng minh giá trị sản phẩm:

text

┌────────────────────────────────────────────────────────────────────────┐
│                              KỊCH BẢN DEMO                             │
├───────┬──────────────────────┬─────────────────────────────────────────┤
│ Cảnh  │ Màn hình hiển thị    │ Hành động & Thông điệp chứng minh       │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 1│ Dashboard Giáo viên  │ Hiển thị tổng quan lớp 20 học viên đang │
│       │                      │ học bài Vòng lặp.                       │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 2│ Dashboard Giáo viên  │ Mở 3 học viên có Mastery khác nhau:     │
│       │                      │ Yếu nền, Đang học, và Đạt Mastery.      │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 3│ Màn hình Học sinh    │ Học sinh tiến hành làm bài quiz ngắn.   │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 4│ Dashboard Giáo viên  │ Mastery & Confidence cập nhật ngay lập  │
│       │                      │ tức sau khi học sinh nộp bài quiz.      │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 5│ Màn hình 3 Học sinh  │ Hiển thị 3 đề xuất thích ứng khác biệt  │
│       │                      │ cho 3 học sinh cùng lúc.                │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 6│ Dashboard Giáo viên  │ Mở xem Recommendation Log, chỉ ra lý do │
│       │                      │ AI chọn bài tập và các bài bị loại bỏ.  │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 7│ Dashboard Giáo viên  │ Giáo viên thực hiện Ghi đè (Override),  │
│       │                      │ màn hình học sinh lập tức cập nhật bài. │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 8│ Dashboard Quản lý    │ Hệ thống cảnh báo thiếu bài (Content    │
│       │                      │ Gap) cho một chỉ báo kỹ năng.           │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh 9│ AI Content Studio    │ Tạo yêu cầu mới, gọi AI sinh bản thảo   │
│       │                      │ bài học và quiz MCQ bằng tiếng Việt.    │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh10│ AI Content Studio    │ Hiển thị cảnh báo chất lượng tự động    │
│       │                      │ (Quality warnings scorecard).           │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh11│ Review Screen        │ Reviewer kiểm tra, tick chọn checklist, │
│       │                      │ thực hiện Direct Edit và bấm Approve.   │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh12│ Library & Student    │ Học liệu chuyển sang Published.         │
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh13│ Màn hình Học sinh    │ Động cơ đề xuất tự động chọn học liệu   │
│       │                      │ mới duyệt này đề xuất cho học sinh hổng.│
├───────┼──────────────────────┼─────────────────────────────────────────┤
│ Cảnh14│ Metrics Dashboard    │ Hiển thị bảng đối chiếu Before/After    │
│       │                      │ thời gian và báo cáo chi phí token AI.  │
└───────┴──────────────────────┴─────────────────────────────────────────┘

10. Product Release Roadmap

Click to view detailed specifications & content

Sản phẩm được phát hành qua năm phiên bản phát triển cuốn chiếu:

Release 0 — Demo Foundation (Cơ sở hạ tầng):
- Thiết lập cơ sở dữ liệu, nạp cấu trúc khóa học, bản đồ kỹ năng (Skill Map) và 10 học liệu mẫu đã được phê duyệt. Xây dựng giao diện cơ bản.
Release 1 — Personalization MVP (Cá nhân hóa lõi):
- Phát hành tính năng thu thập bằng chứng (Evidence), cập nhật Learner Model và Động cơ đề xuất thích ứng. Cung cấp Dashboard giáo viên và tính năng Ghi đè (Override).
Release 2 — Content Studio MVP (Soạn thảo AI):
- Phát hành form yêu cầu học liệu, kết nối API sinh bản nháp bài học bằng AI và tích hợp bộ kiểm tra chất lượng tự động (Quality checks).
Release 3 — Human Review (Kiểm duyệt hoàn chỉnh):
- Phát hành hàng đợi kiểm duyệt (Review Queue), màn hình chi tiết duyệt bài giảng, checklist và quản lý lịch sử phiên bản học liệu (Content Versions).
Release 4 — Closed-loop Demo (Vòng lặp kép khép kín):
- Tích hợp luồng Closed-loop: Đề xuất thiếu bài ➔ AI sinh bài mới ➔ Duyệt bài ➔ Đề xuất bài mới cho học sinh. Tích hợp màn hình thống kê hiệu suất và đo lường chi phí AI.

11. Risk Analysis & Mitigation Strategies

Click to view detailed specifications & content

Risk 1 — Scope quá rộng so với thời gian Hackathon:
- Giảm thiểu: Giới hạn nghiêm ngặt quy mô: 1 khóa học mẫu, 1 lớp học giả lập, 20 tài khoản học sinh, 3-5 chỉ chỉ báo kỹ năng và 10-15 học liệu mẫu đã duyệt. Chỉ tập trung tối đa vào luồng demo cốt lõi.
Risk 2 — Thuật toán Learner Model quá phức tạp gây trễ:
- Giảm thiểu: Không xây dựng mô hình học máy phức tạp ở bản prototype. Sử dụng công thức toán học tính trung bình có trọng số đơn giản dựa trên kết quả làm bài trắc nghiệm gần đây để tính Mastery và Confidence score.
Risk 3 — AI sinh nội dung bị lỗi ảo tưởng (Hallucination):
- Giảm thiểu: Cấu hình prompt chi tiết với JSON Schema đầu ra, thiết lập bộ lọc QA tự động quét lỗi logic và bắt buộc có con người kiểm duyệt (Human Review Gate) trước khi xuất bản.
Risk 4 — Chi phí API AI tăng cao vượt ngân sách:
- Giảm thiểu: Tách biệt logic tính toán đề xuất (chạy bằng code nghiệp vụ thông thường) và logic sinh học liệu (gọi AI). Áp dụng caching kết quả AI và sử dụng các mô hình nhỏ (như Gemini Flash) cho các tác vụ đơn giản.
Risk 5 — Dữ liệu nạp vào quá sạch không giống thực tế:
- Giảm thiểu: Chủ động thiết kế bộ dữ liệu test chứa các sự kiện nộp bài bị lỗi, bài làm chưa hoàn thành, nộp bài trùng lặp và bài làm có tốc độ bất thường để kiểm chứng khả năng tự làm sạch dữ liệu của hệ thống.
Risk 6 — Hai vòng lặp hoạt động rời rạc không kết nối:
- Giảm thiểu: Thiết kế kịch bản demo bắt buộc kết nối: Đề xuất phát hiện thiếu bài ➔ Content Author dùng AI soạn bài mới ➔ Reviewer phê duyệt ➔ Động cơ đề xuất lập tức đề xuất bài mới này cho học sinh phù hợp.
Risk 7 — Giáo viên không tin tưởng đề xuất của AI:
- Giảm thiểu: Cung cấp tính năng giải thích minh bạch (Explainability) hiển thị rõ các bằng chứng làm bài của học sinh làm cơ sở ra đề xuất và trao toàn quyền ghi đè (Override) cho giáo viên.

12. Definition of Done (DoD)

Click to view detailed specifications & content

Một tính năng (feature) trong Prototype được coi là hoàn thành hoàn toàn và sẵn sàng demo khi đáp ứng 10 tiêu chí sau:

Hoạt động chính xác theo đặc tả mô tả trong tài liệu PRD này.
Có thiết kế giao diện hoàn chỉnh, hỗ trợ trạng thái đang xử lý (loading), thành công (success) và xử lý lỗi (error).
Đã được nạp đầy đủ dữ liệu giả lập/dữ liệu test để demo thực tế.
Đã vượt qua các bước kiểm tra tiêu chí nghiệm thu (Acceptance Criteria) của riêng tính năng đó.
Ghi nhật ký (Logs) đầy đủ đối với các hành động nghiệp vụ quan trọng.
Không phá vỡ quy trình chốt chặn kiểm duyệt (Human Review Gate) của hệ thống.
Đảm bảo học liệu chưa duyệt không thể tiếp cận học sinh dưới bất kỳ hình thức nào.
Có khả năng tự làm sạch dữ liệu bẩn và xử lý các ngoại lệ cơ bản mà không gây crash hệ thống.
Mã nguồn được cấu trúc rõ ràng, có ghi chú (comments) giải thích đầy đủ.
Hoạt động ổn định trên môi trường chạy thử (Live URL) hoặc video demo.

Design & User Flows ​

Sơ đồ luồng người dùng, wireframe các màn hình, kịch bản demo và kế hoạch phát hành ​

1. Core User Flows ​

1.1. Flow A — Personalized Recommendation Flow (Học viên nhận đề xuất bài học) ​

1.2. Flow B — Closed-loop Evidence Flow (Bằng chứng học tập cập nhật đề xuất) ​

1.3. Flow C — Teacher Override Flow (Giáo viên theo dõi và ghi đè đề xuất) ​

1.4. Flow D — AI Drafting Flow (Đội ngũ nội dung soạn học liệu bằng AI) ​

1.5. Flow E — Human Review Flow (Kiểm duyệt và xuất bản học liệu) ​

1.6. Flow F — Content Gap Closure Flow (Xử lý khoảng trống học liệu) ​

2. Core Screen Wireframe Layouts ​

SCREEN-01 — Student Home (Trang chủ học viên) ​

SCREEN-02 — Quiz Screen (Màn hình làm Quiz) ​

SCREEN-03 — Teacher Class Dashboard (Dashboard tổng quan của giáo viên) ​

SCREEN-04 — Student Detail Screen (Chi tiết hồ sơ học viên) ​

SCREEN-05 — Content Request Form (Yêu cầu soạn thảo học liệu) ​

SCREEN-06 — AI Draft Editor (Trình soạn thảo bản thảo AI) ​

SCREEN-07 — Review Queue (Hàng đợi phê duyệt) ​

SCREEN-08 — Review Detail Screen (Chi tiết kiểm duyệt) ​

SCREEN-09 — Content Library Manager (Quản lý thư viện học liệu) ​

SCREEN-10 — Metrics Dashboard (Báo cáo đo lường hiệu năng) ​

3. Product Recommendation Logic Specification ​

Input (3.1. Các tham số đầu vào) ​

Processing Steps (3.2. Quy trình xử lý) ​

Output (3.3. Kết quả trả về) ​

4. AI Content Generation Specification ​

Input Context for Prompt (4.1. Tham số gửi đi) ​

Structured Output JSON Schema (4.2. Định dạng kết quả trả về bắt buộc) ​

Validation Steps (4.3. Quy trình xác thực chất lượng tự động) ​

5. Mandatory Business Rules ​

6. Product Data Specifications ​

6.1. Nguyên tắc thiết kế dữ liệu ​

6.2. Cấu trúc thực thể chính trong Cơ sở dữ liệu ​

7. Business Metrics Framework ​

North Star Metric — Personalization (7.1. Chỉ số định hướng cá nhân hóa) ​

North Star Metric — Content Creation (7.2. Chỉ số định hướng sản xuất nội dung) ​

Product Metrics (7.3. Chỉ số đo lường chi tiết sản phẩm) ​

8. Validation Experiment Scenarios ​

EXP-01 — Recommendation Differentiation (Kiểm chứng tính thích ứng khác biệt) ​

EXP-02 — Low-confidence Handling (Kiểm chứng xử lý khi thiếu dữ liệu) ​

EXP-03 — Human Review Gate (Kiểm chứng chốt chặn kiểm duyệt của con người) ​

EXP-04 — Authoring Time Reduction (Kiểm chứng hiệu năng giảm thời gian sản xuất) ​

EXP-05 — Dirty Data Resilience (Kiểm chứng độ bền vững với dữ liệu bẩn) ​

9. Hackathon Demo Scenarios ​

10. Product Release Roadmap ​

11. Risk Analysis & Mitigation Strategies ​

12. Definition of Done (DoD) ​

Design & User Flows

Sơ đồ luồng người dùng, wireframe các màn hình, kịch bản demo và kế hoạch phát hành

1. Core User Flows

1.1. Flow A — Personalized Recommendation Flow (Học viên nhận đề xuất bài học)

1.2. Flow B — Closed-loop Evidence Flow (Bằng chứng học tập cập nhật đề xuất)

1.3. Flow C — Teacher Override Flow (Giáo viên theo dõi và ghi đè đề xuất)

1.4. Flow D — AI Drafting Flow (Đội ngũ nội dung soạn học liệu bằng AI)

1.5. Flow E — Human Review Flow (Kiểm duyệt và xuất bản học liệu)

1.6. Flow F — Content Gap Closure Flow (Xử lý khoảng trống học liệu)

2. Core Screen Wireframe Layouts

SCREEN-01 — Student Home (Trang chủ học viên)

SCREEN-02 — Quiz Screen (Màn hình làm Quiz)

SCREEN-03 — Teacher Class Dashboard (Dashboard tổng quan của giáo viên)

SCREEN-04 — Student Detail Screen (Chi tiết hồ sơ học viên)

SCREEN-05 — Content Request Form (Yêu cầu soạn thảo học liệu)

SCREEN-06 — AI Draft Editor (Trình soạn thảo bản thảo AI)

SCREEN-07 — Review Queue (Hàng đợi phê duyệt)

SCREEN-08 — Review Detail Screen (Chi tiết kiểm duyệt)

SCREEN-09 — Content Library Manager (Quản lý thư viện học liệu)

SCREEN-10 — Metrics Dashboard (Báo cáo đo lường hiệu năng)

3. Product Recommendation Logic Specification

Input (3.1. Các tham số đầu vào)

Processing Steps (3.2. Quy trình xử lý)

Output (3.3. Kết quả trả về)

4. AI Content Generation Specification

Input Context for Prompt (4.1. Tham số gửi đi)

Structured Output JSON Schema (4.2. Định dạng kết quả trả về bắt buộc)

Validation Steps (4.3. Quy trình xác thực chất lượng tự động)

5. Mandatory Business Rules

6. Product Data Specifications

6.1. Nguyên tắc thiết kế dữ liệu

6.2. Cấu trúc thực thể chính trong Cơ sở dữ liệu

7. Business Metrics Framework

North Star Metric — Personalization (7.1. Chỉ số định hướng cá nhân hóa)

North Star Metric — Content Creation (7.2. Chỉ số định hướng sản xuất nội dung)

Product Metrics (7.3. Chỉ số đo lường chi tiết sản phẩm)

8. Validation Experiment Scenarios

EXP-01 — Recommendation Differentiation (Kiểm chứng tính thích ứng khác biệt)

EXP-02 — Low-confidence Handling (Kiểm chứng xử lý khi thiếu dữ liệu)

EXP-03 — Human Review Gate (Kiểm chứng chốt chặn kiểm duyệt của con người)

EXP-04 — Authoring Time Reduction (Kiểm chứng hiệu năng giảm thời gian sản xuất)

EXP-05 — Dirty Data Resilience (Kiểm chứng độ bền vững với dữ liệu bẩn)

9. Hackathon Demo Scenarios

10. Product Release Roadmap

11. Risk Analysis & Mitigation Strategies

12. Definition of Done (DoD)