Socratic Scaffolding & Telemetry Interventions

Để duy trì tính toàn vẹn học thuật và kích thích tư duy độc lập, hệ thống EduGap áp dụng phương thức giảng dạy Socratic. Tutor AI không đưa ra đáp án trực tiếp mà đóng vai trò là người gợi mở, dẫn dắt học sinh tự tìm câu trả lời thông qua Scaffolding động và giám sát hành vi thông tin thực tế.

1. Thang Gợi ý Socratic 4 Bậc (Socratic Scaffolding Ladder)

Hệ thống AI Tutor sử dụng Hint Ladder để điều chỉnh mức độ hỗ trợ (Scaffolding) tùy thuộc vào mức độ bế tắc của học sinh:

• Bậc 1: Conceptual Metaphor (Ẩn dụ Khái niệm): Gợi ý khái niệm tổng quan hoặc sử dụng các ẩn dụ, ví dụ thực tế trực quan để người học hình dung bản chất của khái niệm.
• Bậc 2: Slide Reference (Tham chiếu Tài liệu): Định hướng sinh viên đọc phần cụ thể của slide bài học trong context.
  • Định dạng trích dẫn bắt buộc: [Tên tài liệu, Slide X] (ví dụ: [Day10 data pipeline observability E402, Slide 3]).
• Bậc 3: Algorithmic Guidance (Định hướng Thuật toán): Đưa ra câu hỏi gợi mở tư duy sâu, hoặc gợi ý mã giả (pseudocode), hướng dẫn thuật toán cơ bản.
• Bậc 4: Step-by-step logic (Logic từng bước): Hướng dẫn phân tích logic chi tiết từng bước nhỏ để sinh viên tự ghép nối suy luận ra đáp án cuối cùng.

2. Nhận diện Trạng thái "Vội vã & Ức chế" (Hurried Student State)

Trong môi trường học thực tế, Socratic cứng nhắc có thể gây ra hiện tượng Socratic Deadlock (học sinh bế tắc dẫn đến cáu gắt và bỏ cuộc). Để giải quyết, EduGap liên tục quét Interaction Logs (Telemetry) để nhận diện trạng thái vội vã dựa trên 4 chỉ số chính:

1. Response Time (RT) dưới ngưỡng đọc hiểu ($T_{\text{read}}$):
   • Thời gian đọc tối thiểu: $T_{\text{read}} = W_{\text{words}} \times 0.2$ (giây), trong đó $W_{\text{words}}$ là tổng số từ của nội dung.
   • Nếu học viên bấm chọn đáp án hoặc click yêu cầu gợi ý tiếp theo với $RT < T_{\text{read}}$, hệ thống đánh dấu hành vi Rapid Guessing (đoán mò) hoặc Hint Abuse (lạm dụng gợi ý).
2. Chuỗi hành vi lặp lại sai lầm trong thời gian cực ngắn:
   • Học viên đưa ra câu trả lời sai liên tiếp ($\ge 3$ lần) hoặc click nút Get Hint liên tục với khoảng cách giữa các hành động $< 5$ giây.
3. Bối cảnh thời gian thực (Time-to-Deadline):
   • Thời gian đến hạn nộp bài (Assignment Deadline) còn dưới 2 giờ kết hợp với việc làm sai liên tiếp.
4. Phân tích ngữ nghĩa tin nhắn Chat (Sentiment & Keyword):
   • Nhận diện các cụm từ thể hiện sự vội vã hoặc cáu gắt trong chat: "cho xin đáp án đi", "mệt quá", "giải nhanh đi", "đang vội".

3. Cơ chế Lối thoát Thích ứng (Adaptive Fallback toast)

Khi phát hiện trạng thái "Vội vã & Ức chế" từ Telemetry, hệ thống sẽ kích hoạt một Toast/Pop-up Notification đồng cảm để đưa ra lối thoát học thuật:

[Phát hiện Trạng thái Vội vã] ──> [Hiển thị Toast đồng cảm]
                                        │
     ┌──────────────────────────────────┴──────────────────────────────────┐
     ▼                                                                     ▼
[Chọn: Xem lời giải trực tiếp]                                     [Chọn: Tiếp tục gợi ý]
  - Hiển thị Lời giải chi tiết                                       - Hạ thấp độ khó câu hỏi phụ
  - Elo giữ nguyên / Phạt nhẹ                                       - Tăng scaffolding gợi ý chi tiết
  - BKT Mastery giữ nguyên (Không ghi nhận đi lên)

• Lựa chọn 1: Xem lời giải trực tiếp (Direct Mode):
  • Tutor AI hiển thị ngay câu trả lời hoàn chỉnh cùng giải thích chi tiết.
  • Bảo vệ học thuật (Academic Integrity): Điểm Elo của concept này sẽ không được tăng (hoặc bị phạt giảm nhẹ) và chỉ số BKT Mastery Probability giữ nguyên để tránh hiện tượng đoán mò lấy điểm.
• Lựa chọn 2: Tiếp tục gợi ý (Socratic Assist):
  • Học sinh tiếp tục giải bài, hệ thống tự động hạ thấp độ khó hoặc tăng scaffold chi tiết hơn để học sinh tự vượt qua khó khăn.

4. Tối ưu hóa chi phí vận hành (Token Cost Optimization)

Để giảm thiểu chi phí API LLM và độ trễ phản hồi ($< 5\text{ms}$), hệ thống phân tách gợi ý:

1. Pre-calculated Hints (Bậc 1-3): Các gợi ý bậc thấp được biên soạn sẵn lúc ingestion tài liệu và lưu tĩnh tại DB, truy vấn nhanh tức thì.
2. Dynamic On-demand (Bậc 4): Chỉ khi học sinh đạt tới bậc 4 hoặc yêu cầu giải thích động, hệ thống mới gọi LangGraph RAG Agent để trả lời thời gian thực.