Bỏ qua đến nội dung chính

Researching with AI

📖 Nội dung bài học

Những gì bạn sẽ học

Thời gian ước tính: 50 phút

Sau bài học này, bạn sẽ có thể:

  • Dùng các kỹ năng Mô tả (Description skills) để tạo các prompt hiệu quả, hướng AI thu thập và tổng hợp thông tin liên quan đến công việc phi lợi nhuận của bạn
  • Dùng các kỹ năng Phân tích (Discernment skills) để đánh giá nghiên cứu do AI tạo ra về độ chính xác, mức độ liên quan và sự phù hợp với bối cảnh phi lợi nhuận của bạn

Nghiên cứu với AI

(7 phút)

Video này minh họa vòng lặp Mô tả-Phân tích (Description-Discernment loop) trong thực tế thông qua một kịch bản nghiên cứu. Bạn sẽ theo dõi Maria, một giám đốc điều hành đang mở rộng tổ chức phi lợi nhuận về nhà ở của mình từ Portland sang Seattle. Cô ấy dùng AI để nghiên cứu bối cảnh chính sách, cơ hội tài trợ và các yêu cầu tuân thủ. Video cho thấy cách tạo các prompt giàu ngữ cảnh, đánh giá đầu ra của AI một cách nghiêm túc và lặp lại để đạt được kết quả hữu ích.

Các điểm chính

  • Mô tả hiệu quả cung cấp ngữ cảnh: Đừng chỉ hỏi những câu hỏi chung chung—hãy giải thích bạn là ai, bạn phục vụ ai và bạn cần biết cụ thể điều gì. Ngữ cảnh này giúp AI cung cấp thông tin liên quan, có thể hành động.
  • Phân tích không phải là tùy chọn: Bạn phải đánh giá đầu ra của AI một cách nghiêm túc, đặc biệt khi độ chính xác là quan trọng. Đánh dấu các tuyên bố cụ thể cần xác minh, nhận thấy những thiếu sót và đặt câu hỏi về tính cập nhật của thông tin.
  • Vòng lặp Mô tả-Phân tích là lặp đi lặp lại: prompt đầu tiên của bạn hiếm khi cung cấp mọi thứ bạn cần. Dùng những gì bạn học được từ việc đánh giá mỗi phản hồi để tạo ra các câu hỏi tiếp theo tốt hơn, có mục tiêu hơn.
  • AI tăng tốc nghiên cứu nhưng không thay thế chuyên môn: AI có thể giúp bạn định hướng nhanh chóng, nhưng bạn vẫn là người ra quyết định, phải áp dụng phán đoán chuyên môn vào mọi sản phẩm bạn sở hữu.

Bài tập 1: Theo dõi chính sách và luật pháp

Bài tập này giúp bạn thực hành dùng Mô tả và Phân tích để nghiên cứu các lĩnh vực chính sách liên quan đến công việc của tổ chức phi lợi nhuận của bạn.

Phần I: Tự suy ngẫm

Chọn một lĩnh vực chính sách liên quan đến công việc của bạn (chính sách nhà ở, tài trợ giáo dục, tiếp cận chăm sóc sức khỏe, quy định môi trường, v.v.). Tạo một prompt nghiên cứu bao gồm:

  • Chính sách hoặc luật pháp cụ thể bạn muốn hiểu.
  • Ngữ cảnh của tổ chức phi lợi nhuận của bạn (bạn phục vụ ai, tại sao điều này quan trọng đối với sứ mệnh của bạn).
  • Những gì bạn cần biết (tác động đến người thụ hưởng, ý nghĩa tài trợ, yêu cầu tuân thủ, cơ hội vận động).
  • Khung thời gian hoặc phạm vi địa lý.

Phần II: Hợp tác

Chia sẻ prompt của bạn với AI và xem xét phản hồi. Áp dụng Phân tích:

  • Xác định ít nhất 2 tuyên bố cần xác minh.
  • Ghi chú bất kỳ quan điểm nào còn thiếu liên quan đến cộng đồng của bạn.
  • Đánh dấu bất kỳ thông tin nào có vẻ lỗi thời hoặc quá chung chung.

Phần III: Suy ngẫm

  • Prompt ban đầu của bạn có cung cấp đủ ngữ cảnh cho AI để hữu ích không?
  • Bạn sẽ sửa đổi gì trong prompt của mình cho lần thử thứ hai?
  • Bạn sẽ thực hiện các bước xác minh nào trước khi dùng thông tin này trong công việc của mình?

Mục tiêu mở rộng: Yêu cầu AI tìm nguồn gốc ban đầu cho một tuyên bố chính trong bản tóm tắt của nó và so sánh mức độ chính xác của nó.

Bài tập 2: Tìm kiếm nhà tài trợ hoặc khoản tài trợ

Bài tập này áp dụng Mô tả và Phân tích vào nghiên cứu gây quỹ—một lĩnh vực có rủi ro cao, nơi độ chính xác là điều cần thiết.

Phần I: Tự suy ngẫm

Chọn trọng tâm nghiên cứu của bạn (ví dụ: cơ hội tài trợ cho một chương trình cụ thể, các nhà tài trợ doanh nghiệp trong khu vực của bạn với các ưu tiên tài trợ liên quan, hoặc các quỹ tiềm năng tài trợ cho các tổ chức như của bạn). Tạo một prompt nghiên cứu bao gồm:

  • Sứ mệnh của tổ chức bạn và chương trình/nhu cầu cụ thể đang tìm kiếm tài trợ.
  • Đặc điểm của tổ chức phi lợi nhuận của bạn (quy mô ngân sách, khu vực địa lý, đối tượng phục vụ).
  • Các thông số tài trợ (phạm vi quy mô tài trợ, chi phí đủ điều kiện, thời gian nộp đơn).
  • Điều gì tạo nên sự "phù hợp" ngoài việc chỉ phù hợp về chủ đề (giá trị, lịch sử tài trợ, khả năng tiếp cận).

Phần II: Hợp tác

Chia sẻ prompt của bạn với AI và xem xét phản hồi. Áp dụng Phân tích:

  • Kiểm tra xem các nhà tài trợ được đề xuất có thực sự tài trợ cho các tổ chức có quy mô/loại hình như của bạn không.
  • Xác minh thời hạn nộp đơn và yêu cầu đủ điều kiện hiện tại.
  • Xác định bất kỳ thông tin lỗi thời nào (chương trình đã đóng, ưu tiên đã thay đổi).
  • Ghi chú những nhà tài trợ tiềm năng nào phù hợp với giá trị của bạn, không chỉ nhu cầu ngân sách của bạn.

Phần III: Suy ngẫm

  • AI có hiểu điều gì làm cho một nhà tài trợ "phù hợp" với sứ mệnh của bạn so với chỉ liên quan đến chủ đề không?
  • Bạn sẽ cần xác minh những chi tiết quan trọng nào trước khi đầu tư thời gian vào một đơn đăng ký?
  • Điều gì còn thiếu trong nghiên cứu này mà chỉ bạn (hoặc mạng lưới của bạn) mới biết?

Mục tiêu mở rộng: Chọn một nhà tài trợ được đề xuất và yêu cầu AI giúp bạn nghiên cứu các khoản tài trợ gần đây của họ để hiểu các mô hình tài trợ thực tế của họ so với các ưu tiên đã nêu.

Suy ngẫm bài học

  • Việc cung cấp ngữ cảnh về tổ chức phi lợi nhuận của bạn đã thay đổi chất lượng đầu ra nghiên cứu của AI như thế nào so với một prompt chung chung hơn?
  • Bạn sẽ xây dựng những thói quen xác minh nào vào quy trình làm việc của mình khi dùng AI để nghiên cứu?

Tiếp theo

Trong bài học tiếp theo, chúng ta sẽ khám phá các kỹ năng Mô tả và Phân tích tương tự này trong một ngữ cảnh khác: viết với AI. Bạn sẽ thấy vòng lặp hoạt động như thế nào khi bạn tạo nội dung thay vì thu thập thông tin.

Phản hồi

Khi bạn tiến bộ trong khóa học, chúng tôi rất muốn nghe từ bạn về cách bạn đang dùng các khái niệm từ khóa học trong công việc của mình và bất kỳ phản hồi nào bạn có thể có. Chia sẻ phản hồi của bạn tại đây.

Lời cảm ơn và giấy phép

Bản quyền 2025 Anthropic và Giving Tuesday. Dựa trên Khung thành thạo AI (AI Fluency Framework) được phát triển bởi Giáo sư Rick Dakan (Ringling College of Art and Design) và Giáo sư Joseph Feller (University College Cork). Phát hành theo giấy phép CC BY-NC-SA 4.0.

🎬 Bản ghi video

Source video: WB7FArPWBHU

📜 Mở rộng bản ghi (đã chỉnh sửa + dịch AI)

Nghiên cứu dựa trên AI dành cho lãnh đạo tổ chức phi lợi nhuận

Các lãnh đạo tổ chức phi lợi nhuận thường dành một quỹ thời gian khổng lồ để thu thập thông tin về chính sách, cơ hội tài trợ, nhu cầu cộng đồng và các phương pháp vận hành tối ưu. AI có thể đẩy nhanh đáng kể quá trình này, nhưng chỉ khi bạn biết cách dẫn dắt hiệu quả và đánh giá chuẩn xác những gì nó cung cấp.

Vòng lặp Mô tả - Phân định (description-discernment loop) là kim chỉ nam cho các tương tác hàng ngày với AI. Nó tuân theo một chu kỳ đơn giản: bạn yêu cầu AI một điều gì đó, kiểm tra xem kết quả nhận được có thực sự hữu ích và chính xác hay không, sau đó sử dụng những gì học được để đặt câu hỏi tốt hơn. Bạn tiếp tục lặp lại quá trình này cho đến khi tự tin rằng kết quả tạo ra đã đạt được mục tiêu đề ra.

Case Study: Mở rộng dịch vụ nhà ở sang Seattle

Hãy xem xét một tình huống giả định: Tổ chức Moss and Momentum đã vận hành các nhà lưu trú khẩn cấp và nhà ở chuyển tiếp tại Portland trong 15 năm. Họ đã xây dựng được chuyên môn sâu và mối quan hệ cộng đồng bền chặt. Giám đốc điều hành của họ, Maria, đang tìm cách mở rộng sang Seattle — một thành phố mới với các chính sách, nguồn tài trợ và luật bảo vệ người thuê nhà khác biệt.

Maria cần những thông tin thực tế và cập nhật:

  • Các chương trình hiện có là gì và chúng hoạt động như thế nào?
  • Những tác động đối với các gia đình mà họ phục vụ là gì?
  • Các cơ hội tài trợ cụ thể và yêu cầu tuân thủ là gì?

Maria dự định làm việc với AI để tạo một báo cáo về thực trạng nhà ở tại Seattle cho những cá nhân có thu nhập thấp nhằm cung cấp thông tin cho chiến lược mở rộng của tổ chức.

Giai đoạn 1: Mô tả (Description) – Dẫn dắt AI

Cách Maria giao tiếp với AI sẽ quyết định chất lượng của kết quả nghiên cứu. Nếu cô ấy bắt đầu với một câu lệnh chung chung như: "Hãy cho tôi biết về chính sách nhà ở tại Seattle", cô ấy sẽ nhận được một phản hồi hời hợt tương đương. Thay vào đó, cô áp dụng sự am hiểu về AI thông qua ba lăng kính:

1. Mô tả sản phẩm

Maria định nghĩa chính xác những gì mình muốn: một bản tổng quan về bối cảnh chính sách được tổ chức theo các chủ đề cụ thể như chương trình hỗ trợ, luật pháp, quy định tuân thủ và tài trợ.

2. Dẫn dắt cách tiếp cận

Cô yêu cầu AI tập trung vào những thay đổi gần đây (ví dụ: trong hai năm qua), các ngưỡng thu nhập cụ thể và yêu cầu so sánh với hệ thống của Portland ở những điểm liên quan.

3. Hiệu suất và Văn phong

Cô thiết lập một tông giọng thực tế và tập trung vào sứ mệnh. Cô không tìm kiếm một bản phân tích học thuật; cô muốn những thông tin có thể thực thi, kết nối trực tiếp đến việc phục vụ các gia đình đang trải qua tình trạng vô gia cư.

Mẹo nhỏ: Nếu bạn có nhiều thông tin cần chia sẻ, hãy thử đọc ghi âm hoặc tải lên (upload) nội dung để thiết lập ngữ cảnh này nhanh hơn.

Giai đoạn 2: Phân định (Discernment) – Đánh giá kết quả

Sau khi AI cung cấp phản hồi bao gồm các chương trình nhà ở chính, luật bảo vệ người thuê nhà và các nguồn tài trợ, Maria phải áp dụng tư duy phân định phản biện. Cô không thể chấp nhận thông tin một cách mù quáng. Danh sách kiểm tra tư duy của cô bao gồm:

  • Độ chính xác: Tên chương trình và mô tả có đúng không?
  • Tính chính danh: Các nguồn thông tin có đáng tin cậy không?
  • Khả năng xác minh: Có tuyên bố nào quá chung chung hoặc không thể kiểm chứng không?
  • Lỗ hổng: Có thông tin nào bị thiếu mà cô kỳ vọng sẽ thấy không?
  • Văn phong: Kết quả có chỉ ra các cơ hội và thách thức một cách phù hợp không?

Lặp lại và Tinh chỉnh

Thay vì vứt bỏ phản hồi của AI nếu nó có lỗi, Maria tiếp tục làm việc với công cụ để hướng tới một kết quả tốt hơn. Các follow-up prompt của cô có thể như sau:

  • "Tôi cần xác minh một số chi tiết cụ thể. Bạn có thể xác nhận mọi thứ từ các trang web chính thức của chính phủ không?"
  • "Các thời hạn tài trợ này lấy từ đâu? Hãy chỉ cho tôi các nguồn để tôi có thể kiểm chứng."
  • "Tôi đánh giá cao việc báo cáo này tập trung vào các sự thật; hãy tiếp tục duy trì tinh thần đó."

Các chiến lược phân định thực tế

Maria sử dụng ba loại phân định cụ thể để tập trung vào các thông tin đáng tin cậy:

  1. Phân định Sản phẩm (Product Discernment): Đánh dấu các tuyên bố cần xác minh thêm, chẳng hạn như các con số cụ thể, luật pháp mới ban hành hoặc các chương trình đang hoạt động. Những điều này nên được đối chiếu với các nguồn sơ cấp.
  2. Phân định Quy trình (Process Discernment): Đánh giá các lỗ hổng trong lập luận, chẳng hạn như liệu AI có thực sự tìm kiếm thông tin cập nhật hay chỉ đơn giản là đưa ra một "dự đoán tốt nhất".
  3. Phân định Hiệu suất (Performance Discernment): Quan sát hành vi và phong cách giao tiếp của AI để đảm bảo nó phục vụ đúng nhu cầu cụ thể của cô.

Những bài học chính cho nghiên cứu bằng AI

Mục tiêu của việc sử dụng AI không phải là để thay thế sự thấu đáo, mà là để đẩy nhanh quá trình thấu hiểu nhằm đưa ra quyết định tốt hơn.

  • Mô tả hiệu quả giúp cung cấp ngữ cảnh: Hãy giải thích bạn là ai, bạn phục vụ ai và chính xác những gì bạn cần biết.
  • Phân định là bắt buộc: Bạn phải đánh giá các đầu ra của AI một cách phản biện, đặc biệt khi độ chính xác là yếu tố sống còn. Hãy đánh dấu các tuyên bố cụ thể, nhận diện các lỗ hổng và đặt câu hỏi về tính cập nhật của thông tin.
  • Vòng lặp có tính lặp lại: Prompt đầu tiên hiếm khi cung cấp cho bạn mọi thứ bạn cần. Hãy sử dụng việc đánh giá một phản hồi để soạn thảo các câu hỏi tiếp theo tốt hơn và có mục tiêu hơn.
  • AI tăng tốc nhưng không thay thế chuyên môn: Maria vẫn áp dụng phán đoán chuyên môn của mình vào mọi sản phẩm bàn giao. AI giúp cô định hướng nhanh chóng, nhưng cô vẫn là người đưa ra quyết định cuối cùng.

🔁 Bài học liên quan

📚 Nguồn & ghi nhận

Bài học có hữu ích không?

Góp ý / Báo lỗiPhát hiện sai sót hoặc có ý tưởng cải thiện?