Thông tin diễn giả
PGS.TS Sahng Min Han
Học hàm, học vị:
Phó Giáo sư ngành Khoa học Máy tính, Khoa Khoa học Máy tính, Trường Điện toán (School of Computing), Đại học Middle Georgia State, Hoa Kỳ. Tiến sĩ và Thạc sĩ ngành Kỹ thuật Y sinh, cùng Thạc sĩ ngành Kỹ thuật Điện và Máy tính, Đại học Florida, Hoa Kỳ. Cử nhân ngành Kỹ thuật Điện, Đại học Quốc gia Chungnam, Hàn Quốc.
Lĩnh vực chuyên môn:
Học máy và học sâu (deep learning); xử lý tín hiệu và hình ảnh y sinh; khoa học thần kinh nhận thức; chẩn đoán y tế hỗ trợ bởi AI; học từ dữ liệu quy mô nhỏ và mất cân bằng; mô hình hóa định lượng quy trình ra quyết định trong kinh doanh và vận hành; AI vật lý (physical AI); và giáo dục khoa học máy tính, bao gồm phương pháp giảng dạy lập trình và đánh giá trong kỷ nguyên AI tạo sinh.
Đóng góp học thuật
Tiến sĩ Sahng Min Han là nhà nghiên cứu liên ngành, người theo đuổi một câu hỏi xuyên suốt các lĩnh vực: làm thế nào các hệ thống thông minh—dù là sinh học hay nhân tạo—xử lý thông tin, thích ứng trong các điều kiện hạn chế và hỗ trợ con người ra quyết định. Với nền tảng vững chắc về kỹ thuật điện và kỹ thuật y sinh, Tiến sĩ Han tiếp cận các vấn đề dưới góc độ xử lý tín hiệu và hệ thống, áp dụng cho nhiều lĩnh vực đa dạng, từ não bộ con người đến AI trong lâm sàng và ra quyết định kinh doanh.
Các nghiên cứu ban đầu của Tiến sĩ Han tập trung vào lĩnh vực khoa học thần kinh nhận thức. Sử dụng phương pháp ghi điện não đồ (EEG) và phân tích tín hiệu, ông đã nghiên cứu cách não bộ điều tiết quá trình xử lý thông tin. Một công trình nghiên cứu được công bố trên tạp chí *Frontiers in Human Neuroscience*—khảo sát về sự chú ý không gian thị giác và trí nhớ làm việc ngôn ngữ—đã chỉ ra rằng các vùng não trước trán điều tiết hoạt động của vỏ não thị giác theo cơ chế từ trên xuống (top-down) thông qua các dao động sóng alpha, và các vùng phát tín hiệu điều khiển này thay đổi tùy theo từng nhiệm vụ cụ thể. Một nghiên cứu khác đăng trên tạp chí *Journal of Clinical and Experimental Neuropsychology* đã khảo sát tình trạng suy giảm nhận thức do thuốc chống co giật gây ra; kết quả cho thấy khi thuốc làm giảm hiệu suất của mạng lưới trí nhớ làm việc chính trong não, não bộ sẽ huy động thêm các vùng khác để duy trì hiệu suất hoạt động.
Dựa trên nền tảng này, Tiến sĩ Han đã mở rộng phương pháp phân tích từ hệ thống sinh học sang trí tuệ nhân tạo. Ông phát triển các phương pháp học sâu phục vụ chẩn đoán y tế trong những điều kiện thường gặp ở thực tế lâm sàng—như dữ liệu khan hiếm, mất cân bằng và nhiễu—và ứng dụng các phương pháp này vào việc chẩn đoán các tổn thương da do bệnh đậu mùa khỉ (Mpox). Hướng nghiên cứu này bắt đầu với một mô hình chẩn đoán dựa trên bộ chuyển đổi thị giác được công bố trên tạp chí Diagnostics và được Tiến sĩ Han mở rộng với tư cách là tác giả chính của bài báo “FOSSIL: Học tập theo chương trình giảm thiểu hối tiếc để chẩn đoán Mpox không có siêu dữ liệu và dữ liệu thấp”, đề xuất một khung học tập theo chương trình đào tạo các mô hình một cách tiến bộ từ các trường hợp dễ hơn đến khó hơn, với trọng tâm là đánh giá nghiêm ngặt.
Thông qua sự hợp tác với các nhà nghiên cứu tại các trường đại học khác, bao gồm cả Phó Giáo sư Long Pham của Đại học Texas A&M–Corpus Christi, Tiến sĩ Han đã mở rộng công việc này sang lĩnh vực kinh doanh và vận hành—nghiên cứu cách thức sự sẵn sàng về công nghệ định hình sự hài lòng và lòng trung thành của khách hàng trong ngân hàng di động (Tạp chí Quản lý Rủi ro và Tài chính) và phát triển các mô hình toán học để tối ưu hóa việc áp dụng hợp đồng thông minh và tự động hóa trong điều kiện nhu cầu và rủi ro không chắc chắn.
Tại Đại học Middle Georgia State, Tiến sĩ Han đang xây dựng các hợp tác liên ngành mới với các giảng viên sinh hóa và sinh học để áp dụng học máy vào dữ liệu phân tử và hệ vi sinh vật.
Đóng góp sáng kiến, chính sách
Trước khi gia nhập Đại học Middle Georgia State, Tiến sĩ Han từng giữ chức Giám đốc Chương trình Lập trình Máy tính tại Cao đẳng Kỹ thuật Gwinnett. Tại đây, ông chịu trách nhiệm phát triển chương trình giảng dạy, tuyển dụng giảng viên và hợp tác với hội đồng cố vấn doanh nghiệp để điều chỉnh nội dung đào tạo phù hợp với nhu cầu thực tế của thị trường lao động.
Tiến sĩ Han cũng từng là Chủ nhiệm dự án "Fast-Track to Full Stack: Empowering Junior Developers" (Lộ trình nhanh trở thành lập trình viên Full-stack: Trao quyền cho lập trình viên mới) – một sáng kiến nhằm đẩy nhanh quá trình phát triển kỹ năng của sinh viên để trở thành lập trình viên Full-stack. Ngoài ra, ông còn là Đồng chủ nhiệm dự án "Smart Grader: An AI-Driven Code Assessment and Feedback System with Blockchain Logging" (Hệ thống đánh giá và phản hồi mã nguồn dựa trên AI kết hợp ghi nhật ký bằng Blockchain). Cả hai dự án này đều được tài trợ bởi Trung tâm Đổi mới CNTT Quốc gia (NITIC).
Từ rất lâu trước khi trí tuệ nhân tạo tạo sinh (generative AI) xuất hiện, Tiến sĩ Han đã đưa các buổi phỏng vấn kỹ thuật định kỳ vào các khóa học lập trình nhằm giải quyết một vấn đề nan giải trong ngành khoa học máy tính: tình trạng sinh viên sao chép mã nguồn từ bạn học hoặc các nguồn trực tuyến. Thông qua việc yêu cầu sinh viên giải thích và chỉnh sửa mã nguồn của chính mình, các buổi phỏng vấn này giúp xác thực quyền tác giả, đồng thời củng cố sự hiểu biết sâu sắc và mức độ gắn kết của sinh viên với môn học. Khi AI tạo sinh khiến vấn đề sao chép trở nên phổ biến hơn bao giờ hết, phương pháp này càng trở nên giá trị; kinh nghiệm thực tiễn đó chính là nền tảng cho hội thảo chuyên đề được đề xuất này.
Hiện tại, Tiến sĩ Han đang giảng dạy các môn Khoa học Máy tính I và II, Lập trình Python (Python Scripting) và Học tập Trải nghiệm trong Khoa học Máy tính. Bên cạnh công tác giảng dạy, ông đang nỗ lực mở rộng phạm vi giảng dạy và nghiên cứu sang lĩnh vực AI vật lý (physical AI) – bao gồm cả robot hình người – và hợp tác với các khoa khác trong trường để thực hiện các dự án liên ngành nhằm ứng dụng công nghệ máy tính vào nhiều lĩnh vực đa dạng. Tiến sĩ Han cũng tích cực đóng góp ý kiến trong các cuộc thảo luận của khoa về giáo trình Python trực tuyến và phương pháp tự học tương tác có hỗ trợ bởi AI; ông luôn ủng hộ việc sử dụng tài liệu học tập thống nhất, thực hiện đánh giá quá trình thường xuyên và áp dụng các quy trình bảo mật chặt chẽ cho các kỳ thi quan trọng.
Những đóng góp đáng chú ý khác
Với vai trò là giảng viên cố vấn cho câu lạc bộ Women in Technology (WiT) tại Cao đẳng Kỹ thuật Gwinnett, Tiến sĩ Han đã thúc đẩy sự đa dạng giới trong lĩnh vực công nghệ và tận tình hướng dẫn sinh viên; câu lạc bộ này sau đó đã vinh dự được trao danh hiệu "Câu lạc bộ của năm" trên toàn bang Georgia. Ông cũng là người đồng sáng lập Câu lạc bộ Đổi mới và Lập trình (IP) – câu lạc bộ sinh viên đầu tiên của trường tập trung vào lĩnh vực AI – nhằm thúc đẩy phương pháp học tập thực hành và dựa trên dự án về trí tuệ nhân tạo cũng như các công nghệ phù hợp với nhu cầu thực tế của ngành. Ngoài ra, Tiến sĩ Han đã huấn luyện sinh viên giành huy chương vàng liên tiếp ở bộ môn lập trình máy tính tại Giải vô địch SkillsUSA cấp tiểu bang Georgia.
Trước đây, Tiến sĩ Han từng là giảng viên tại Học viện Không quân Hàn Quốc và sĩ quan phiên dịch tại Đại học Không quân Hàn Quốc, xây dựng sự nghiệp giáo dục trải dài ở cả Hàn Quốc và Hoa Kỳ. Sử dụng thành thạo cả tiếng Hàn và tiếng Anh, Tiến sĩ Han duy trì mối liên hệ chặt chẽ với cộng đồng học thuật tại cả hai quốc gia.
Đề xuất nội dung thuyết trình tại hội thảo
Tiêu đề đề xuất:
“Giảng dạy trong bối cảnh cám dỗ từ AI: Đánh giá dựa trên phỏng vấn trong lĩnh vực Khoa học Máy tính và hơn thế nữa”
AI tạo sinh (Generative AI) hiện có thể hoàn thành hầu hết các bài tập lập trình nhập môn gần như ngay lập tức. Hệ quả là, một chương trình máy tính được nộp không còn là bằng chứng đáng tin cậy về sự hiểu biết của sinh viên, và các công cụ phát hiện AI cũng chưa đủ độ tin cậy để làm cơ sở cho các quyết định về liêm chính học thuật. Dựa trên những hiểu biết từ khoa học thần kinh nhận thức về sự chú ý và quá trình học tập, bài thuyết trình sẽ giải thích lý do tại sao "nỗ lực mang tính hiệu quả" (productive struggle) lại thiết yếu đối với việc hình thành kỹ năng, cũng như cách thói quen phụ thuộc vào AI có thể âm thầm làm suy giảm hiệu quả học tập mà các bài tập vốn được thiết kế để phát triển.
Tiếp đó, bài thuyết trình sẽ giới thiệu phương pháp đánh giá dựa trên phỏng vấn như một giải pháp thực tiễn. Thông qua các cuộc trao đổi có cấu trúc ngắn gọn, sinh viên sẽ giải thích, diễn giải từng bước, chỉnh sửa và gỡ lỗi (debug) mã nguồn của chính mình; qua đó bộc lộ sự hiểu biết thực sự mà bản thân sản phẩm hoàn thiện không thể hiện hết được. Dựa trên kinh nghiệm thực tế tại lớp học, bài thuyết trình sẽ chia sẻ các hình thức phỏng vấn, tiêu chí chấm điểm, chiến lược triển khai phương pháp này cho các lớp học quy mô lớn, cũng như các chính sách cho phép sử dụng AI một cách công khai nhưng vẫn đảm bảo xác thực được sự hiểu biết của sinh viên.
Phương pháp này không chỉ giới hạn trong lĩnh vực khoa học máy tính mà còn có thể áp dụng cho các ngành kinh doanh, kế toán, khoa học sức khỏe và các khóa học đòi hỏi nhiều kỹ năng viết—bất kỳ lĩnh vực nào mà sinh viên có thể được yêu cầu giải trình về tư duy và lập luận của mình. Bài thuyết trình cũng sẽ thảo luận về những tác động đối với chính sách liêm chính học thuật, khối lượng công việc của giảng viên, tính công bằng đối với sinh viên không sử dụng tiếng Anh là tiếng mẹ đẻ và sinh viên gặp lo âu khi thuyết trình, cũng như vấn đề khả năng tiếp cận bình đẳng.
Thông điệp cốt lõi là: trong kỷ nguyên AI, việc đánh giá cần chuyển dịch từ chấm điểm sản phẩm sang xác thực quy trình và sự hiểu biết đằng sau sản phẩm đó - tận dụng AI như một công cụ hỗ trợ học tập nhưng vẫn đảm bảo rằng quá trình tiếp thu kiến thức thực sự thuộc về chính sinh viên.