Nhiều nhà khoa học hiện dùng AI hằng ngày cho những việc tốn thời gian nhưng không phải phần cốt lõi của nghiên cứu: tìm và sàng lọc tài liệu, tóm tắt bài báo, viết và sửa mã phân tích, chỉnh câu chữ tiếng Anh, chuẩn bị bài giảng. Những việc cần phán đoán chuyên môn như chọn câu hỏi, thiết kế thí nghiệm, diễn giải kết quả và chịu trách nhiệm về kết luận vẫn là của con người.
Bài này khác với chuyện "AI tự làm ra phát hiện khoa học" như dự đoán cấu trúc protein. Ở đây là góc nghề nghiệp: một nhà khoa học bình thường dùng các công cụ AI phổ biến như ChatGPT, Claude, Gemini, Copilot ra sao trong một tuần làm việc, câu lệnh nào có ích, và những cái bẫy mà người trong nghề đã gặp. Tính năng các công cụ thay đổi nhanh, nên bài viết theo loại việc; khi dùng, hãy kiểm phiên bản hiện hành và quy định của đơn vị bạn.
Việc nào AI giúp tốt, việc nào phải giữ cho mình
Bảng dưới gom kinh nghiệm chung của người làm nghiên cứu khi dùng trợ lý AI dạng trò chuyện. Mức độ hữu ích thay đổi theo ngành và theo công cụ.
| Loại việc | AI giúp được gì | Phải tự làm hoặc tự kiểm |
|---|---|---|
| Tìm tài liệu | Gợi ý từ khoá, khái niệm liên quan, hướng tìm kiếm | Mọi tài liệu được nêu tên phải tra lại trong cơ sở dữ liệu thật |
| Tóm tắt bài báo | Tóm ý chính khi bạn đưa toàn văn vào | Đối chiếu số liệu, kết luận với bài gốc |
| Viết mã phân tích | Viết khung mã, giải thích lỗi, chuyển mã giữa các ngôn ngữ | Chạy thử với dữ liệu biết trước đáp án, đọc hiểu từng dòng |
| Viết tiếng Anh | Sửa ngữ pháp, gợi ý cách diễn đạt rõ hơn | Giữ đúng nghĩa khoa học, tuân thủ quy định khai báo của tạp chí |
| Lên ý tưởng | Liệt kê cách giải thích khác, yếu tố gây nhiễu có thể bỏ sót | Chọn hướng đi, đánh giá tính khả thi |
| Giảng dạy | Soạn câu hỏi ôn tập, ví dụ minh hoạ, bản giải thích nhiều trình độ | Kiểm độ chính xác trước khi đưa cho sinh viên |
| Thống kê | Giải thích phép kiểm định, gợi ý phương pháp phù hợp | Quyết định phương pháp dựa trên thiết kế, không dựa trên kết quả mong muốn |
Bẫy lớn nhất: trích dẫn ảo và con số tự tin
Người làm nghiên cứu dùng AI sớm nhanh chóng gặp hiện tượng này: hỏi chatbot "có nghiên cứu nào về X không", nó trả lời bằng danh sách bài báo có tên tác giả, tên tạp chí, năm xuất bản trông rất thật, nhưng một số bài không hề tồn tại. Hiện tượng này thường được gọi là ảo giác của mô hình ngôn ngữ. Nguyên nhân nằm ở cách mô hình hoạt động: nó sinh ra văn bản có vẻ hợp lý dựa trên mẫu đã học, chứ không tra cứu một kho dữ liệu đã kiểm chứng, trừ khi công cụ có chức năng tìm kiếm và dẫn nguồn, mà kể cả khi đó vẫn có thể sai.
Hậu quả có thể nghiêm trọng: một trích dẫn không tồn tại trong bài báo hay luận văn bị phát hiện sẽ làm người đọc nghi ngờ toàn bộ công trình. Quy tắc của người trong nghề rất đơn giản: không bao giờ đưa vào bài một tài liệu chưa tự mở ra đọc ít nhất phần tóm tắt từ nguồn gốc. Con số cũng vậy: một tỉ lệ, một hằng số, một năm tháng do AI đưa ra phải được kiểm ở nguồn đáng tin.
Một bẫy tinh vi hơn là bản tóm tắt nghe hợp lý nhưng lệch trọng tâm: AI có thể bỏ qua giới hạn mà tác giả đã nêu, hoặc biến câu "có thể liên quan" thành "gây ra". Khi tóm tắt một bài quan trọng, hãy tự đọc ít nhất phần phương pháp và phần bàn luận.
Câu lệnh mẫu cho những việc thường gặp
Các câu lệnh dưới đây viết bằng tiếng Việt, bạn sửa theo ngành và việc của mình. Nguyên tắc chung là nói rõ vai trò, bối cảnh, định dạng mong muốn và yêu cầu AI đánh dấu chỗ không chắc.
- Tóm tắt có kiểm soát: "Dưới đây là toàn văn một bài báo. Tóm tắt trong 200 chữ gồm câu hỏi, phương pháp, kết quả chính kèm số liệu, giới hạn tác giả tự nêu. Chỉ dùng thông tin trong bài, chỗ nào bài không nói thì ghi không có thông tin."
- Gỡ lỗi mã: "Đoạn mã phân tích dưới đây báo lỗi như sau. Giải thích nguyên nhân bằng lời trước, rồi đề xuất cách sửa, và nói rõ cách sửa có làm thay đổi kết quả phân tích không."
- Phản biện thiết kế: "Mình định làm thí nghiệm như sau. Đóng vai người phản biện khó tính: chỉ ra năm điểm yếu có thể có về nhóm đối chứng, cỡ mẫu, yếu tố gây nhiễu, cách đo. Không cần khen."
- Sửa tiếng Anh: "Sửa ngữ pháp và độ rõ ràng của đoạn văn sau cho một bài báo ngành sinh thái học. Không thêm ý mới, không đổi thuật ngữ chuyên môn, đánh dấu những chỗ đã sửa nghĩa."
- Chuẩn bị bài giảng: "Giải thích khái niệm giá trị p cho sinh viên năm hai chưa học thống kê nâng cao, kèm một ví dụ giả định và ba hiểu lầm thường gặp."
Câu lệnh tốt không bảo đảm câu trả lời đúng. Nó chỉ làm tăng khả năng câu trả lời hữu ích và giúp bạn dễ phát hiện chỗ sai hơn.
Dữ liệu, bảo mật và quy định: kiểm trước khi dán
Nhà khoa học thường làm việc với những thứ không nên đưa ra ngoài: dữ liệu chưa công bố, ý tưởng đề xuất đang xin kinh phí, bản thảo của người khác đang được nhờ phản biện, dữ liệu có thông tin cá nhân của bệnh nhân hay người tham gia khảo sát. Dán những thứ này vào công cụ AI công cộng có thể vi phạm cam kết bảo mật với tạp chí, với cơ quan cấp kinh phí, hoặc với người tham gia nghiên cứu.
Trước khi dùng, hãy tìm hiểu ba điều: đơn vị bạn có quy định về dùng AI không và có cung cấp công cụ được phép không; dữ liệu nhập vào công cụ được lưu và dùng thế nào theo điều khoản hiện hành; tạp chí hay cơ quan bạn đang làm việc cùng có cấm dùng AI cho việc đó không, ví dụ nhiều tạp chí yêu cầu người phản biện không đưa bản thảo vào công cụ AI. Khi cần nhờ AI xử lý dữ liệu, hãy dùng dữ liệu đã che thông tin nhận dạng, hoặc dữ liệu giả có cùng cấu trúc để viết mã, rồi tự chạy mã đó trên dữ liệu thật ở máy của mình.
Một quy trình kiểm khi dùng AI cho phân tích số liệu
Viết mã phân tích là chỗ AI giúp nhiều nhất và cũng là chỗ sai khó thấy nhất, vì mã chạy được không có nghĩa là mã đúng.
- Mô tả rõ cho AI cấu trúc dữ liệu, câu hỏi phân tích và phương pháp bạn đã chọn, không để AI tự chọn phương pháp.
- Đọc từng dòng mã nhận được, hỏi lại những dòng bạn chưa hiểu. Không dùng mã mà bạn không giải thích được.
- Chạy thử trên một bộ dữ liệu giả mà bạn biết trước đáp án, xem kết quả có khớp không.
- So kết quả với một cách tính thứ hai, ví dụ tính tay vài giá trị, hoặc dùng một phần mềm khác.
- Lưu lại mã, phiên bản công cụ và ghi chú rằng phần nào có AI hỗ trợ, để người khác và chính bạn về sau kiểm lại được.
Quy trình này mất thêm thời gian, nhưng ít hơn nhiều so với việc phát hiện sai sau khi bài đã gửi tạp chí. Lỗi phổ biến nhất mà người trong nghề kể lại là mã do AI viết lặng lẽ bỏ các dòng có giá trị trống, hoặc gộp nhóm sai, khiến kết quả lệch mà không báo lỗi gì.
Một tuần dùng AI của nhà nghiên cứu, ví dụ giả định
Để hình dung cụ thể, đây là một tuần giả định của một nghiên cứu viên ngành sinh học biển. Tên công cụ không quan trọng; điều đáng chú ý là việc nào được giao cho AI và việc nào được kiểm lại.
| Thời điểm | Việc nhờ AI | Bước kiểm sau đó |
|---|---|---|
| Sáng thứ Hai | Hỏi các khái niệm liên quan tới một loài vi tảo mới đọc được | Tra lại trong hai bài tổng quan có thật trước khi ghi chú |
| Chiều thứ Ba | Nhờ viết hàm đọc tệp số đo nhiệt độ nước từ thiết bị ghi tự động | Chạy thử trên tệp ba ngày đã biết giá trị, so từng dòng |
| Thứ Tư | Nhờ góp ý bố cục đề cương xin kinh phí, đã bỏ phần ý tưởng chưa công bố | Đọc lại với trưởng nhóm, giữ phần lập luận chính tự viết |
| Thứ Năm | Soạn mười câu hỏi ôn tập cho lớp sinh thái học | Sửa hai câu có đáp án sai, đổi ví dụ cho sát vùng biển Việt Nam |
| Thứ Sáu | Sửa tiếng Anh phần phương pháp của bản thảo | So từng câu để chắc nghĩa không đổi, ghi chú khai báo theo hướng dẫn tạp chí |
Trong tuần đó, AI tiết kiệm được nhiều giờ, nhưng không có việc nào đi thẳng từ máy vào sản phẩm cuối mà không qua tay người. Đó là cách dùng mà người trong nghề thường coi là lành mạnh.
Kỹ năng nào trở nên quan trọng hơn
Khi AI làm nhanh những việc như tóm tắt hay viết mã mẫu, giá trị của người làm khoa học dịch về những kỹ năng mà máy chưa làm thay được. Thứ nhất là đặt câu hỏi đúng: biết vấn đề nào đáng làm, câu hỏi nào kiểm chứng được với nguồn lực mình có. Thứ hai là hiểu sâu phương pháp: chỉ người hiểu thống kê mới nhận ra AI vừa đề xuất một phép kiểm định không hợp với thiết kế. Thứ ba là phán đoán khi bằng chứng mâu thuẫn, điều cần kinh nghiệm và hiểu biết bối cảnh.
Cũng vì vậy, nhiều giảng viên lo rằng sinh viên dùng AI quá sớm sẽ bỏ qua giai đoạn tự vật lộn với tài liệu và mã, giai đoạn rèn nên chính những kỹ năng kể trên. Một cách cân bằng thường được khuyên: tự làm trước, dùng AI để kiểm hoặc gỡ chỗ bế tắc, không dùng AI để bỏ qua việc hiểu. Người hiểu sâu dùng AI sẽ nhanh hơn rất nhiều; người chưa hiểu dùng AI dễ đi nhanh theo hướng sai mà không biết.
Câu hỏi thường gặp
Dùng AI để viết bài báo khoa học có được không?
Tuỳ quy định của tạp chí và đơn vị. Phần lớn nhà xuất bản lớn cho phép dùng AI hỗ trợ ngôn ngữ với điều kiện khai báo, nhưng không cho AI đứng tên tác giả và yêu cầu con người chịu trách nhiệm hoàn toàn về nội dung. Đọc kỹ hướng dẫn tác giả của tạp chí trước khi nộp.
AI có tìm tài liệu khoa học tốt hơn công cụ tìm kiếm học thuật không?
Hai thứ bổ sung cho nhau. Trợ lý AI giỏi gợi ý khái niệm và từ khoá liên quan, giúp bạn hiểu nhanh một lĩnh vực mới. Cơ sở dữ liệu học thuật cho kết quả kiểm chứng được, có đường dẫn tới bài gốc. Cách an toàn là dùng AI để mở hướng, rồi tra cứu thật trong cơ sở dữ liệu.
Làm sao biết một trích dẫn do AI đưa ra là có thật?
Tra tên bài trong cơ sở dữ liệu học thuật hoặc trang của tạp chí, kiểm tác giả, năm và mã định danh bài báo nếu có. Mở ít nhất phần tóm tắt để chắc bài thật sự nói điều mà AI gán cho nó. Nếu không tìm thấy, coi như trích dẫn đó không tồn tại.
Có nên đưa dữ liệu thô của nghiên cứu vào AI để phân tích?
Chỉ khi quy định của đơn vị, cam kết với người tham gia và điều khoản của công cụ cho phép. Dữ liệu có thông tin cá nhân phải được che hoặc mã hoá trước. Cách an toàn hơn là nhờ AI viết mã trên dữ liệu giả cùng cấu trúc, rồi tự chạy mã trên máy với dữ liệu thật.
Nghiên cứu sinh có nên dùng AI không?
Có thể dùng như một công cụ, nhưng nên giữ giai đoạn tự đọc, tự viết mã, tự lập luận vì đó là lúc kỹ năng nghiên cứu hình thành. Hãy thống nhất với người hướng dẫn về phạm vi được dùng và đọc quy định của cơ sở đào tạo về khai báo việc dùng AI trong luận án.
AI có làm cho người mới vào nghề khó cạnh tranh hơn không?
Chưa ai trả lời chắc được. Có ý kiến cho rằng AI làm giảm nhu cầu với một số việc lặp lại mà người mới thường làm, cũng có ý kiến cho rằng AI giúp người mới học nhanh hơn. Điều hợp lý là đầu tư vào hiểu biết chuyên môn sâu và tư duy kiểm chứng, những thứ khiến bạn dùng AI tốt hơn người khác.