Học một thư viện lạ cùng AI mà không mất tay nghề: kế hoạch bốn tuần

Dành cho người đang học một thư viện hoặc ngôn ngữ mới, nhất là sinh viên và fresher. Không cần biết trước về nghiên cứu hay thống kê, từ kỹ thuật nào cũng có giải thích ngắn.

Bằng chứng về chuyện này còn ít và còn mới, phần lớn là nghiên cứu nhỏ, ngắn. Kế hoạch bốn tuần là gợi ý của mình, chưa ai kiểm chứng. Hãy xem nó như một thí nghiệm bạn tự chạy trên chính mình.

---

Tóm tắt nhanh#

• Cách dùng AI có thể quan trọng hơn việc có dùng hay không. Trong một thí nghiệm nhỏ của Anthropic, nhóm giao hết việc cho AI hiểu bài kém hơn, còn nhóm dùng AI để hỏi và hiểu thì giữ được điểm.
• Nhanh hơn chưa chắc là học nhiều hơn. Nhóm dùng AI chỉ nhanh hơn vài phút, và khác biệt đó chưa đủ để kết luận.
• Cảm giác không phải số đo. Trong một nghiên cứu khác (METR), người dùng AI mất lâu hơn 19% nhưng vẫn tin mình nhanh hơn.
• Kế hoạch bốn tuần: có buổi AI bật, buổi AI tắt, và một bài tự kiểm tra 10 điểm vào mỗi thứ Sáu.
• Bốn quy tắc: đoán trước khi hỏi, xin giải thích chứ không chỉ xin code, viết lại từ trí nhớ, giữ buổi AI tắt.
• Có những lúc để AI làm trước là ổn. Bài nói rõ lúc nào.

---

Từ khó, nói dễ#

---

1. Hình dung: xem người khác nấu và chỉ đường bằng GPS#

Hãy hình dung hai cách học nấu ăn. Cách thứ nhất, bạn đứng xem một đầu bếp nấu xong cả món. Bạn được ăn, nhưng hôm sau chưa chắc nấu lại được. Cách thứ hai, bạn tự nấu, có một người phụ bếp đứng cạnh chỉ chỗ sai và giải thích vì sao. Món có thể ra chậm hơn, nhưng tay bạn nhớ.

Chỉ đường cũng vậy. Theo GPS, bạn đến nơi rất nhanh, nhưng tắt máy là lạc. Học bản đồ thì lúc đầu chậm, rồi bạn tự tìm được đường kể cả khi mất sóng.

Để dễ hình dung, có thể coi AI là cả đầu bếp lẫn GPS: nó làm được hộ bạn, và đó vừa là sức mạnh vừa là rủi ro. Câu hỏi của bài này là: khi nào nên để nó làm hộ, khi nào nên tắt nó đi để tay mình nhớ?

Một lưu ý chung: chưa ai hiểu hết bên trong AI, và nghiên cứu về chuyện học cùng AI mới có vài năm. Các hình ảnh trong bài chỉ để dễ hình dung.

---

2. Bằng chứng nói gì#

Số liệu lấy từ trang nghiên cứu của Anthropic và bài arXiv. Hai nguồn này làm tròn khác nhau một chút (một bên nêu 50% và 67%, một bên nêu chênh 4,15 điểm trên 27), nên mình viết "khoảng". Thời gian hoàn thành của nhóm AI nhanh hơn vài phút, nhưng các bản tóm tắt nêu con số hơi khác nhau và đều không có ý nghĩa thống kê.

Sáu cách dùng AI trong thí nghiệm của Anthropic#

Nhóm nghiên cứu xem lại video quay màn hình và chia người dùng AI thành sáu kiểu:

Ba kiểu đầu học kém, ba kiểu sau giữ được việc học. Điểm chung của ba kiểu sau là bạn vẫn tự nghĩ: hỏi để hiểu, hoặc tự xử lý lỗi. Nhưng mỗi nhóm chỉ có 2 đến 7 người, và đây là phân tích mô tả, nên chỉ nên coi là gợi ý cho cách dùng, không phải quy luật.

Vì sao "đoán trước" và "viết lại từ trí nhớ" có lý#

Hướng dẫn giảng dạy của MIT (Teaching and Learning Lab) nói rằng tự nhớ lại thông tin giúp nhớ lâu hơn việc xem lại, và dẫn nghiên cứu Roediger và Karpicke (2006). Cùng trang đó nói đoán sai rồi được xem đáp án có giải thích thì học tốt hơn, và gợi ý giải thích cho người học rằng sự vất vả đó là "khó khăn có ích" (desirable difficulties, Bjork 1994). Hướng dẫn của Đại học Arizona thêm rằng câu hỏi bắt người học dự đoán hoặc so sánh có ích hơn câu chỉ yêu cầu nhắc lại định nghĩa.

Đây là bằng chứng từ lớp học nói chung. Chưa có nghiên cứu nào thử đúng kế hoạch này với AI. Mình dùng nó như lý do hợp lý để thiết kế quy tắc, không phải bằng chứng rằng kế hoạch hiệu quả.

---

3. Minh họa: cùng một việc, hai cách học#

Đây là ví dụ minh họa, số liệu giả định, không phải người thật.

Một người học đang viết đoạn tải dữ liệu bằng thư viện mới.

Cách A, giao hết:

Cách B, đoán trước rồi hỏi vì sao:

Cách B chậm hơn 25 trừ 10 bằng 15 phút. Đổi lại, ở 11:30 người học tự sửa được. Các mốc giờ ở đây là giả định để minh họa, không phải số đo.

Điều đi kèm với ví dụ này là bằng chứng ở mục 2, không phải bản thân ví dụ: nhóm giao hết trong thí nghiệm của Anthropic điểm thấp hơn.

---

4. Bốn quy tắc#

1. Đoán trước khi hỏi. Ghi một dòng: "mình nghĩ kết quả sẽ là X". Chạy hoặc hỏi xong thì so sánh. Đoán sai không sao, chỗ lệch chính là chỗ bạn sắp học.
2. Xin giải thích, không chỉ xin code. Hỏi vì sao đoạn này viết thế, trường hợp nào nó sẽ sai, và có cách khác không. Trong nghiên cứu của Anthropic, đây gần với nhóm "xin code kèm giải thích".
3. Viết lại từ trí nhớ. Sau khi hiểu, đóng tab AI và tài liệu, tự gõ lại. Chỗ nào bí thì đánh dấu, mở lại, rồi gõ lại lần nữa.
4. Giữ buổi AI tắt. Mỗi tuần có buổi chỉ dùng tài liệu chính thức và thông báo lỗi của máy. Đây là lúc bạn kiểm tra tay mình còn nhớ hay không.

Hai quy tắc phụ: khi nhận code từ AI, duyệt nó như code người lạ; và nhớ rằng AI có thể sai bằng giọng rất chắc chắn.

---

5. Kế hoạch bốn tuần#

Giả định mỗi tuần 4 buổi 60 phút (thứ Hai đến thứ Năm) và bài tự kiểm tra 30 phút vào thứ Sáu (15 phút làm bài, 15 phút xem lại). Chọn một thư viện hoặc ngôn ngữ để đo được.

Tính thời gian#

• Mỗi tuần 4 buổi, mỗi buổi 60 phút, tổng giờ học 4 nhân 4 nhân 60 bằng 960 phút.
• Thứ Sáu: 4 nhân 30 bằng 120 phút. Tổng cả kế hoạch: 960 cộng 120 bằng 1.080 phút, tức 18 giờ.
• Phút AI tắt: tuần 1 và tuần 4 mỗi tuần 180 phút, tuần 2 và 3 mỗi tuần 120 phút, tổng 600 phút. Cộng 120 phút thứ Sáu (không AI) được 720 phút.
• Tỷ lệ AI tắt: 720 chia 1.080 bằng 66,7%. Phút AI bật là 360.

Tỷ lệ này là lựa chọn của mình, không có nghiên cứu nào nói con số đúng. Nếu bạn đang chạy deadline, hãy giữ ít nhất các buổi tuần 1 và bài thứ Sáu.

---

6. Bài tự kiểm tra mỗi thứ Sáu#

Không AI, không tài liệu, 15 phút, 10 điểm:

Sau đó mở tài liệu, chấm lại và ghi chỗ sai vào sổ. Chỗ sai là đề bài của tuần sau.

Ví dụ giả định về một người học: tuần 1 được 4 trên 10 (40%), tuần 2 được 5 (50%), tuần 3 được 7 (70%), tuần 4 được 8 (80%). Từ tuần 1 đến tuần 4 tăng 4 điểm, tức 40 điểm phần trăm. Đây là số giả định, và bài thi tự chấm nên có sai số. Hãy nhìn xu hướng của chính bạn, đừng so với người khác.

Một cách thử tự so sánh: trong mỗi tuần, chọn hai khái niệm học khi AI bật và hai khái niệm học khi AI tắt, rồi xem phần nào bạn nhớ tốt hơn vào thứ Sáu. Đây chỉ là bốn mẫu, nên chỉ để bạn tự rút kinh nghiệm.

---

7. Khi nào cho AI làm trước cũng ổn#

Anthropic lưu ý rằng một nghiên cứu trước đó của họ ghi nhận AI tăng năng suất ở những việc người làm đã thành thạo, nên hai kết quả có thể không mâu thuẫn nhau.

---

8. Nhìn cân bằng#

• Thí nghiệm chỉ kéo dài khoảng một giờ. Chưa biết sau vài tháng khoảng cách thu hẹp hay giữ nguyên.
• Mẫu nhỏ, một thư viện, một lần kiểm tra. Tác giả cũng nêu các hạn chế này, và một thí nghiệm khác có thể ra kết quả khác.
• Do một hãng AI thực hiện. Kết quả có phần bất lợi cho việc dùng AI, nhưng bạn vẫn nên đọc bản gốc và đối chiếu với nguồn độc lập.
• Công cụ trong thí nghiệm là chat. Công cụ tự động viết cả dự án có thể cho kết quả khác, và các tác giả cũng nói điều đó.
• Chưa so với học cùng người thật. Không rõ AI hay một người hướng dẫn giỏi hơn.
• Nghiên cứu toán PNAS là học sinh phổ thông. Không chắc kết quả áp dụng nguyên cho người lớn học lập trình.
• Khảo sát Microsoft và CMU là tự khai, chỉ có tương quan.
• Kế hoạch này chưa được thử trên nhiều người. Nếu bạn thấy nó quá chậm hoặc quá nghiêm, hãy chỉnh tỷ lệ AI tắt, miễn là vẫn có bài thi thứ Sáu để đo.

---

9. Kết luận#

Câu hỏi không phải "có nên dùng AI để học không", mà là dùng thế nào để tay mình vẫn nhớ. Bằng chứng hiện có, dù còn mỏng, cùng chỉ về một hướng: người vẫn tự nghĩ, tự hỏi vì sao và tự gõ lại thì giữ được việc học. Hãy đoán trước, xin giải thích, viết lại từ trí nhớ, giữ buổi AI tắt, và đo bằng bài thi thứ Sáu.

Bắt đầu ngay hôm nay: chọn một thư viện, ghi sổ dự đoán đầu tiên, và xếp lịch bài thi thứ Sáu đầu tiên.

Nếu bạn chưa có nền tảng, hãy xem kế hoạch 12 tháng cho fresher. Nếu sắp đi phỏng vấn, xem kế hoạch hai tuần. Để nghe hai người nói chuyện về chuyện này, xem đối thoại giữa một fresher và một senior.

---

Nguồn tham khảo#

Hãy mở bản gốc trước khi trích dẫn, vì số liệu có thể được cập nhật.

• Shen và Tamkin, "How AI Impacts Skill Formation", arXiv 2601.20245 (1/2026)
• Anthropic, trang giới thiệu nghiên cứu "How AI assistance impacts the formation of coding skills"
• Bastani và cộng sự, "Generative AI without guardrails can harm learning", PNAS 2025
• Wharton, bài tóm tắt nghiên cứu của Bastani và cộng sự
• METR, "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity" (7/2025)
• Lee và cộng sự, "The Impact of Generative AI on Critical Thinking", CHI 2025 (bản PDF của tác giả)
• MIT Teaching + Learning Lab, "Help Students Retain, Organize and Integrate Knowledge"
• Roediger và Karpicke, "Test-enhanced learning", Psychological Science (2006)
• Đại học Arizona, "L2L Strategy: Retrieval Practice"
• Bài liên quan trong blog: Fresher thời AI: kế hoạch 12 tháng, Phỏng vấn thời AI: kế hoạch hai tuần, Đối thoại fresher và senior, Duyệt code do AI viết, Vì sao không nên tin AI tuyệt đối