Ứng dụng trí tuệ nhân tạo tạo sinh trong hỗ trợ giảng dạy đại học: Trải nghiệm và gợi mở triển khai

Tóm tắt:

Bài viết phân tích trải nghiệm ứng dụng các công cụ trí tuệ nhân tạo tạo sinh (Generative AI) vào hoạt động giảng dạy học phần Pháp luật đại cương tại bậc đại học. Có 2 kỹ thuật được triển khai thực nghiệm gồm: tóm tắt bài giảng bằng AI và tạo câu hỏi trắc nghiệm không tính điểm bằng AI. Trên cơ sở khảo sát 69 sinh viên, bài viết chỉ ra 2 công cụ được đánh giá tích cực, với trắc nghiệm tương tác đạt mức độ chấp nhận cao nhất. Kết quả nghiên cứu gợi mở hướng tích hợp có trách nhiệm AI tạo sinh vào đánh giá quá trình học tập, góp phần cá nhân hóa việc học và giảm tải cho giảng viên.

Từ khóa: trí tuệ nhân tạo tạo sinh, đánh giá quá trình học tập, trắc nghiệm tương tác, giảng dạy đại học, công nghệ trong giáo dục.

1. Đặt vấn đề

Sự phát triển nhanh chóng của các công cụ trí tuệ nhân tạo tạo sinh (Generative AI) kể từ cuối năm 2022 đã tạo ra làn sóng chuyển đổi sâu rộng trong nhiều lĩnh vực, trong đó có giáo dục đại học. AI tạo sinh được hiểu là các kỹ thuật tính toán có khả năng tạo ra nội dung mới và có ý nghĩa, bao gồm văn bản, hình ảnh hay âm thanh từ dữ liệu huấn luyện [1]. Khác với các tiến bộ công nghệ trước đây vốn chủ yếu thay thế lao động chân tay, AI tạo sinh đang định hình lại cả các công việc tri thức [2], trong đó có hoạt động dạy và học tại bậc đại học.

Những lo ngại ban đầu trong cộng đồng học thuật thường tập trung vào vấn đề liêm chính học thuật: khả năng AI tạo ra văn bản mạch lạc và phù hợp theo yêu cầu người dùng đã dấy lên quan ngại về gian lận trong học tập, khiến nhiều cơ sở giáo dục ban hành lệnh cấm sử dụng ChatGPT, đồng thời tìm kiếm các hướng thiết kế lại hình thức kiểm tra đánh giá trong kỷ nguyên AI [3,4]. Tuy nhiên, bài viết này không tiếp cận từ góc độ đó. Thay vào đó, bài viết hướng đến việc tìm hiểu tiềm năng ứng dụng AI tạo sinh từ cách giảng viên có thể chủ động tích hợp AI vào phương pháp sư phạm của bản thân.

Xuất phát từ định hướng đó, tác giả đã nghiên cứu và thử nghiệm một số công cụ AI tạo sinh nhằm tạo ra cho người học những cơ hội đánh giá quá trình học tập một cách phi chính thức. Cần lưu ý 2 điểm quan trọng về bối cảnh thực nghiệm này. Thứ nhất, tác giả không có bất kỳ quan hệ liên kết nào với các công ty hoặc dịch vụ được đề cập trong bài viết. Việc lựa chọn công cụ được thực hiện theo cách phi chính thức, chủ yếu thông qua tự tìm hiểu về các công cụ AI mới và thử nghiệm trực tiếp trong thực tiễn giảng dạy. Trong trường hợp cơ sở đào tạo chưa có thỏa thuận bản quyền với dịch vụ đó, tác giả tự chi trả chi phí đăng ký từ nguồn cá nhân. Thứ hai, bài viết không có tham vọng đưa ra một mô hình mang tính quy chuẩn. Tác giả không khẳng định đây là những cách duy nhất hay tối ưu nhất để ứng dụng AI tạo sinh trong giảng dạy đại học, mà chỉ mô tả trải nghiệm thực tế của bản thân và khuyến khích giảng viên chủ động thử nghiệm các công cụ AI để tìm ra phương thức phù hợp với bối cảnh giảng dạy của mình [11].

Thông qua phân tích 2 kỹ thuật thực nghiệm được triển khai trong học phần Pháp luật đại cương tại Trường Đại học Khoa học, Đại học Huế với 69 sinh viên tham gia khảo sát, bài viết thảo luận về mức độ hiệu quả của từng kỹ thuật, từ đó rút ra bài học về đánh giá quá trình học tập trong giáo dục đại học và đề xuất hướng ứng dụng AI có trách nhiệm trong giảng dạy.

2. Tổng quan nghiên cứu và cơ sở lý thuyết

2.1. Đánh giá quá trình học tập trong giáo dục đại học

Đánh giá quá trình học tập (formative assessment) là một trong những nền tảng lý luận trọng yếu của nghiên cứu này. Khái niệm này xuất phát từ công trình của Sadler [5], khi tác giả lập luận đánh giá tổng kết (summative assessment) - diễn ra ở cuối quá trình học, không có khả năng cải thiện chất lượng học tập. Trái lại, đánh giá quá trình tập trung vào việc "định hình và cải thiện năng lực của người học" thông qua phản hồi liên tục trong suốt quá trình học tập [5].

Black và Wiliam [6] trong một phân tích tổng hợp toàn diện đã xác lập đánh giá quá trình có thể cải thiện đáng kể kết quả học tập. Furtak [7] mở rộng định nghĩa này: đánh giá quá trình bao gồm bất kỳ "tài liệu, nhiệm vụ hoặc bài kiểm tra" nào mà giảng viên và người học sử dụng để khơi gợi tư duy trong quá trình giảng dạy. Điều đó có nghĩa là các bài trắc nghiệm không tính điểm hay hoạt động tự đánh giá đều có thể phục vụ mục tiêu đánh giá quá trình, nếu tạo ra "vòng phản hồi" (feedback loop) có ý nghĩa [8].

Tuy nhiên, việc triển khai đánh giá quá trình học tập trong các lớp học đại học quy mô lớn gặp nhiều thách thức thực tiễn, đặc biệt liên quan đến nguồn lực giảng viên. Việc bổ sung các bài kiểm tra ngắn bên cạnh thi cuối kỳ có thể tạo ra khối lượng chấm điểm không khả thi đối với một giảng viên đơn lẻ không có trợ giảng. Đây chính là bài toán mà AI tạo sinh có khả năng giúp giải quyết.

Kể từ khi ChatGPT ra mắt vào cuối năm 2022, nhiều nghiên cứu đã xuất hiện về tác động của AI tạo sinh đối với giáo dục. Phần lớn nghiên cứu ban đầu tập trung vào các rủi ro: gian lận học thuật, sự suy giảm giá trị của bài luận thi [3], và thiết kế lại hình thức đánh giá trong kỷ nguyên AI [4,10]. Một số học giả như Salinas-Navarro và cộng sự [10] đề xuất sử dụng AI tạo sinh để thiết kế các hoạt động học tập trải nghiệm nhằm phục vụ đánh giá xác thực (authentic assessment).

Tuy nhiên, nghiên cứu về cách giảng viên chủ động sử dụng AI như một công cụ sư phạm vẫn còn khá hạn chế. Hargreaves [11] là một trong số ít tác giả tiếp cận từ góc độ này, mô tả thực nghiệm ứng dụng các công cụ AI hỗ trợ tóm tắt bài giảng và tạo câu hỏi trắc nghiệm tương tác trong một khóa học luật quy mô lớn. Đây là khoảng trống nghiên cứu mà bài viết này hướng đến: không phân tích rủi ro của AI trong giáo dục, mà khám phá cách AI có thể được tích hợp có chủ đích và có trách nhiệm vào thực hành giảng dạy.

2.2. Khung lý thuyết

Bài viết sử dụng khung lý thuyết đánh giá quá trình học tập của Sadler [5] và Wiliam [8] làm nền tảng, từ đó đặt ra câu hỏi nghiên cứu: liệu AI tạo sinh có thể tạo ra "vòng phản hồi" (feedback loop) giữa giảng viên và người học mà lý thuyết đánh giá quá trình yêu cầu hay không? Về phương diện phương pháp luận, nghiên cứu được định vị là một dạng tự dân tộc học (autoethnography) [12] - giảng viên vừa là người thực hành vừa là nhà nghiên cứu, mô tả và phản ánh trải nghiệm của chính mình trong quá trình thực nghiệm. Đây không phải là nghiên cứu thực nghiệm kiểm soát ngẫu nhiên, mà là một điểm dữ liệu đơn lẻ giàu ý nghĩa thực tiễn.

3. Phương pháp nghiên cứu

3.1. Bối cảnh và thiết kế nghiên cứu

Nghiên cứu được thực hiện trong khuôn khổ học phần "Pháp luật đại cương" tại Trường Đại học Khoa học, Đại học Huế. Đây là môn học bắt buộc với 138 sinh viên, chia thành 2 nhóm, mỗi nhóm học một buổi 100 phút mỗi tuần trong 15 tuần. Hình thức đánh giá là 100% bài thi cuối kỳ tại lớp. Việc thiếu trợ giảng và khối lượng chấm bài lớn khiến việc bổ sung đánh giá quá trình theo phương thức truyền thống là không khả thi.

Nghiên cứu áp dụng phương pháp hỗn hợp (mixed methods): định lượng thông qua thang đo Likert 05 mức độ và định tính thông qua phân tích phản hồi mở của sinh viên. Đây là thiết kế phù hợp cho nghiên cứu khám phá trong giai đoạn ban đầu của một hiện tượng mới [13].

3.2. Công cụ và kỹ thuật triển khai

Trong 2 kỹ thuật AI được triển khai tuần tự trong khóa học:

Kỹ thuật 1 - Tóm tắt bài giảng bằng AI: Sử dụng OtterAI để chuyển bài giảng từ âm thanh thành văn bản, sau đó dùng GPT-4 tạo bản tóm tắt 2-3 trang theo câu lệnh (prompt) thiết kế sẵn. Các bản tóm tắt được đăng tải lên hệ thống quản lý học tập Blackboard kèm tuyên bố miễn trách về độ chính xác.

Kỹ thuật 2 - Câu hỏi trắc nghiệm không tính điểm: GPT-4 được dùng để tạo 10 câu hỏi đa dạng thể loại (nhiều lựa chọn, đúng/sai, câu trả lời ngắn) từ ghi chú bài giảng. Giảng viên chọn 5 câu phù hợp nhất và đăng tải lên Mentimeter để trình chiếu trực tiếp trong 15 phút cuối mỗi buổi học.

3.3. Thu thập dữ liệu

Dữ liệu được thu thập qua khảo sát trực tuyến sử dụng GG Forms vào tuần cuối của khóa học, trước kỳ thi. Trong số 138 sinh viên, 69 người tham gia khảo sát (tỷ lệ phản hồi đạt khoảng 50%). Khảo sát gồm các câu hỏi đo lường trên thang Likert 05 mức độ (từ Rất đồng ý đến Rất không đồng ý) về mức độ hữu ích của từng công cụ AI, cùng các câu hỏi mở. Toàn bộ phản hồi là tự nguyện và ẩn danh; việc tham gia không ảnh hưởng đến điểm số của người học.

4. Kết quả và thảo luận

4.1. Kỹ thuật 1: Tóm tắt bài giảng bằng AI

Kết quả khảo sát cho thấy, phản hồi tích cực rõ rệt đối với kỹ thuật tóm tắt bài giảng. Bảng 1 tổng hợp kết quả định lượng của các câu hỏi liên quan:

Bảng 1. Kết quả khảo sát về tóm tắt bài giảng bằng AI (n = 69)

 Trong các phản hồi mở khi khảo sát về tóm tắt bài giảng bằng AI, sinh viên mô tả bản tóm tắt AI như "bản đồ đường đi" cho nội dung bài học, giúp họ đối chiếu với ghi chú cá nhân và xác định những điểm còn thiếu. Nhiều sinh viên sử dụng tóm tắt như công cụ ôn lại hằng tuần, đặc biệt hữu ích trước kỳ thi. Đáng chú ý, một số sinh viên bày tỏ lo ngại về độ chính xác của AI: "Vì bản tóm tắt không được giảng viên xác nhận, tôi cảm thấy có rủi ro khi thực sự học từ đó".

Từ góc độ giảng viên, kỹ thuật này cho phép tạo ra công cụ hỗ trợ học tập với nỗ lực tối thiểu sau khi thiết lập quy trình vận hành. Tuy nhiên, GPT-3.5 tỏ ra kém hiệu quả do cửa sổ ngữ cảnh (context window) nhỏ; GPT-4 xử lý tốt hơn nhưng đòi hỏi chi phí đăng ký. Vấn đề về độ chính xác, đặc biệt là với tên văn bản pháp lý và tên đương sự trong các vụ việc vẫn cần được giảng viên kiểm tra thủ công, dù quá trình này nhanh hơn nhiều so với soạn thảo từ đầu.

Bảng 2. Phân tích chủ đề phản hồi mở về tóm tắt bài giảng bằng AI (n = 49 phản hồi)

 Phân tích định tính các phản hồi mở từ kết quả khảo sát tại Bảng 2 cho thấy, một bức tranh đa chiều về cách sinh viên sử dụng công cụ này. Chủ đề phổ biến nhất là việc dùng tóm tắt như công cụ đối chiếu với ghi chú cá nhân sau bài giảng, hình thành thói quen ôn tập tích lũy trong suốt học kỳ. Một nhóm sinh viên sử dụng tóm tắt như nền tảng để nắm cấu trúc tổng thể trước khi đi vào tài liệu chi tiết, mô tả tóm tắt như "bản đồ đường đi". Nhóm lo ngại về độ chính xác - chiếm tỷ lệ đáng kể, thường có xu hướng sử dụng ít hơn hoặc ngừng sử dụng hoàn toàn, đặc biệt đối với nội dung pháp luật vốn yêu cầu sự chính xác cao về tên văn bản quy phạm và thuật ngữ chuyên ngành. Kết quả này gợi ý tuyên bố miễn trách nhiệm về độ chính xác, dù cần thiết, là chưa đủ - một cơ chế xác nhận nội dung rõ ràng hơn có thể giúp mở rộng phạm vi sử dụng hiệu quả của công cụ.

Kết quả này phù hợp với lý thuyết đánh giá quá trình học tập: bản tóm tắt AI tạo ra cơ hội để người học tự đánh giá mức độ nắm bắt nội dung so với bài giảng, hình thành một dạng vòng phản hồi phi chính thức như Sadler [5] và Wiliam [8] đã mô tả.

4.2. Kỹ thuật 2: Câu hỏi trắc nghiệm không tính điểm bằng AI

Đây là kỹ thuật được sinh viên đánh giá tích cực nhất trong 2 phương pháp được thực nghiệm. Bảng 3 dưới đây tổng hợp kết quả định lượng về trắc nghiệm tương tác bằng Mentimeter.

Bảng 3. Kết quả khảo sát về trắc nghiệm tương tác bằng Mentimeter (n = 69)

 Từ kết quả khảo sát tại Bảng 3 có thể thấy rằng, tính năng hiển thị phân phối câu trả lời của cả lớp trên Mentimeter tạo ra một chiều kích xã hội trong học tập: người học không chỉ biết bản thân trả lời đúng hay sai, mà còn nhận thấy bao nhiêu người cùng mắc lỗi tương tự. Điều này góp phần giảm lo lắng và kích thích thảo luận. Nhiều sinh viên mô tả trải nghiệm là "vui", "thú vị" và "giúp tăng động lực". Từ phía giảng viên, việc ngay lập tức nhận ra 2/3 lớp chọn cùng một đáp án sai cho phép điều chỉnh phương pháp truyền đạt ngay trong buổi học. Đây chính là vòng phản hồi mà lý thuyết đánh giá quá trình hướng tới [6].

Bảng 4. Phân tích chủ đề phản hồi mở về trắc nghiệm tương tác

bằng Mentimeter (n = 69)

Với kết quả phân tích chủ đề phản hồi mở về kỹ thuật trắc nghiệm tại Bảng 4 cho thấy sự khác biệt rõ rệt so với tóm tắt bài giảng: ít lo ngại về độ chính xác hơn và thiên về trải nghiệm học tập tích cực. Chủ đề chiếm ưu thế là chức năng tự đánh giá, ở đây sinh viên đánh giá cao việc ngay lập tức biết mình đứng ở đâu so với nội dung bài học và so với cả nhóm. Bên cạnh đó, việc nhìn thấy câu trả lời của toàn lớp được đề cập như một trải nghiệm vừa giảm lo lắng, vừa kích thích sự tò mò của sinh viên. Nhiều sinh viên mô tả trải nghiệm là "vui", "thú vị" hay "giúp tập trung", những phản hồi cảm xúc tích cực này phù hợp với lý thuyết đánh giá quá trình, vốn nhấn mạnh sự an toàn tâm lý là điều kiện để vòng phản hồi hoạt động hiệu quả [6]. Từ góc độ giảng viên, tính năng hiển thị phân phối ngay trong buổi học tạo ra cơ hội can thiệp sư phạm tức thì, điều mà các hình thức kiểm tra truyền thống không thể cung cấp.

Nghiên cứu cũng ghi nhận một số hạn chế kỹ thuật của AI trong bước tạo câu hỏi. GPT-4 hiệu quả với dạng nhiều lựa chọn, nhưng kém hơn với câu hỏi đúng/sai và những câu hỏi yêu cầu tư duy tổng hợp cao hơn. Điều này phản ánh bản chất của các mô hình ngôn ngữ lớn ở thời điểm thực nghiệm: xuất sắc trong việc tái tổ chức thông tin nhưng còn hạn chế trong tư duy phân tích thực sự [14]. Điều đó đòi hỏi giảng viên phải duy trì vai trò sư phạm trong việc lựa chọn và điều chỉnh câu hỏi, thay vì phó thác hoàn toàn cho AI.

4.3. Thảo luận

Nhìn lại 2 kỹ thuật, có thể rút ra một số nhận xét chung. Thứ nhất, AI tạo sinh có tiềm năng hỗ trợ giảng viên triển khai các hoạt động đánh giá quá trình học tập có ý nghĩa trong lớp học quy mô lớn mà không cần trợ giảng. Thứ hai, mức độ thành công tỉ lệ thuận với tính tương tác của công cụ: trắc nghiệm Mentimeter (phản hồi tức thì tại lớp) đạt mức chấp nhận cao hơn tóm tắt (đọc cá nhân tại nhà), dù cả 2 đều được đánh giá tích cực. Thứ ba, lo ngại về độ chính xác của AI là rào cản thực sự đối với người học, đặc biệt trong bối cảnh giảng dạy pháp luật, nơi sự chính xác của tên văn bản quy phạm và thuật ngữ pháp lý có ý nghĩa trực tiếp đến chất lượng học tập. Điều này đặt ra yêu cầu về một cơ chế xác nhận nội dung AI rõ ràng hơn, vượt ra ngoài tuyên bố miễn trách thông thường.

Kết quả này cũng phản ánh thực tế AI tạo sinh trong giáo dục vẫn đang trong giai đoạn thực nghiệm và cần thêm nghiên cứu để xác định các điều kiện tối ưu cho từng ứng dụng. Sự cải tiến nhanh chóng của các mô hình với khả năng suy luận, phân tích tốt hơn có thể gợi mở các cách khắc phục những hạn chế được quan sát trong nghiên cứu này trong tương lai gần.

5. Kết luận

Trên cơ sở phân tích 2 kỹ thuật ứng dụng AI tạo sinh trong giảng dạy đại học và dữ liệu khảo sát 69 sinh viên, nghiên cứu rút ra 2 kết luận chính: (1) tóm tắt AI và trắc nghiệm tương tác là những công cụ được sinh viên đánh giá tích cực và có tiềm năng hỗ trợ quá trình dạy và học hiệu quả, chi phí thấp, có thể triển khai ngay bởi giảng viên đơn lẻ trong bối cảnh lớp học quy mô lớn; (2) AI tạo sinh có khả năng tạo ra vòng phản hồi đánh giá quá trình học tập, song hiệu quả của từng công cụ phụ thuộc đáng kể vào tính tương tác và mức độ hiện diện của giảng viên trong quá trình kiểm soát chất lượng đầu ra. Từ kết quả nghiên cứu, bài viết đề xuất một số khuyến nghị sau:

Đối với giảng viên: Có thể bắt đầu thực nghiệm với các công cụ AI đơn giản như tóm tắt bài giảng và câu hỏi trắc nghiệm tương tác, vốn không đòi hỏi đầu tư kỹ thuật lớn và có thể triển khai ngay trong điều kiện lớp học thông thường. Điều cốt yếu là duy trì vai trò sư phạm trong việc kiểm tra và điều chỉnh đầu ra của AI, đồng thời minh bạch với người học về bản chất và giới hạn của các công cụ được sử dụng.

Đối với các cơ sở giáo dục đại học: Cần xây dựng hướng dẫn rõ ràng không chỉ về cách người học sử dụng AI, mà còn về cách giảng viên có thể tích hợp AI có trách nhiệm vào hoạt động giảng dạy. Cần đầu tư vào đào tạo giảng viên và xem xét cơ chế hỗ trợ chi phí để tiếp cận các mô hình AI có độ chính xác cao hơn, đặc biệt quan trọng đối với các học phần có nội dung pháp luật chuyên sâu.

Đối với các nhà nghiên cứu: Cần thêm nghiên cứu so sánh và thực nghiệm kiểm soát để làm rõ tác động của AI tạo sinh lên kết quả học tập dài hạn. Đặc biệt cần nghiên cứu về điều kiện tối ưu để tích hợp trắc nghiệm tương tác AI vào các hình thức đánh giá đa dạng hơn, bao gồm cả các môi trường học tập trực tuyến và hỗn hợp.

AI tạo sinh không phải là giải pháp vạn năng, song tiềm năng của nó trong việc cá nhân hóa học tập và mở rộng khả năng đánh giá quá trình học tập là có cơ sở. Các cơ sở giáo dục đại học cần đối mặt nghiêm túc với cả những rủi ro lẫn những cơ hội mà công nghệ này mang lại cho môi trường học tập trong bối cảnh hiện nay.

Tài liệu trích dẫn và tham khảo:

[1] Feuerriegel S., Hartmann J., Janiesch C., Zschech P. (2023). Generative AI. Business & Information Systems Engineering, 66, 111-126.

[2] Frey C.B., Osborne M. (2023). Generative AI and the Future of Work: A Reappraisal. Brown Journal of World Affairs, 30(1), 1-17.

[3] Marche S. (2022). The College Essay Is Dead. The Atlantic. <https://www.theatlantic.com/technology/archive/2022/12/chatgpt-ai-writing-college-student-essays/672371/>.

[4] Mao J., Chen B., Liu J. C. (2024). Generative Artificial Intelligence in Education and Its Implications for Assessment. TechTrends, 68(1), 58-69.

[5] Sadler R. D. (1989). Formative assessment and the design of instructional systems. Instructional Science, 18(2), 119-144.

[6] Black P., Wiliam D. (1998). Assessment and classroom learning. Assessment in Education: Principles Policy & Practice, 5(1), 7-74.

[7] Furtak E. M. (2022). Formative Assessment. Routledge Resources Online. Available at https://www.taylorfrancis.com/entries/10.4324/9781138609877-REE62-1/formative-assessment-erin-marie-furtak.

[8] Wiliam D. (2011). What is Assessment for Learning? Studies in Educational Evaluation, 37(1), 3-14.

[9] Morris R., Perry T., Wardle L. (2021). Formative Assessment and Feedback for Learning in Higher Education: A Systematic Review. Review of Education, 9, e3292.

[10] Salinas Navarro D. E., Vilalta Perdomo E., et al. (2024). Designing Experiential Learning Activities with Generative Artificial Intelligence Tools for Authentic Assessment. Interactive Technology and Smart Education, 21(4), 708-725.

[11] Hargreaves S. (2025). ChatGPT & Other Generative AI Tools as University Teaching Aids. Legal Education Review, 35(1).

[12] Adams T.E. et al. (2017). Autoethnography. In J. Mathes et al. (eds.) The International Encyclopedia of Communication Research Methods. Wiley-Blackwell.

[13] Creswell J.W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.). SAGE Publications.

[14] Bender E.M., Gebru T., Macmillan-Major A., Shmitchell S. (2021). On the Dangers of Stochastic Parrots: Can Large Language Models Be Too Big? FAccT '21: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623.

Application of generative artificial intelligence in supporting university teaching:

Experiences and implementation implications

Vo Thi Kim Anh
Faculty of Administrative Law, University of Law, Hue University
Email: anhvtk@hul.edu.vn

Abstract:
This study analyzes the application of generative artificial intelligence (Generative AI) tools in teaching activities for the General Legal Studies course at the university level. Two techniques were experimentally implemented: AI-assisted lecture summarization and AI-generated no-stakes quizzes. Based on a survey of 69 students, the findings indicate that both tools were positively evaluated, with interactive quizzes achieving the highest level of acceptance. The results suggest potential directions for the responsible integration of generative AI into formative assessment, contributing to personalized learning and reducing instructors’ workload.

Keywords: generative artificial intelligence, formative assessment, interactive quizzes, university teaching, educational technology