AI chấm VSTEP Speaking khớp với giám khảo trong 90% trường hợp: Kết quả từ nghiên cứu thực tế trên 112 sinh viên
Bandmax update

Chấm phần Nói luôn là khâu chậm và tốn công nhất của mỗi kỳ thi VSTEP. Một nghiên cứu mới tại một trung tâm khảo thí VSTEP đại học cho thấy AI có thể chấm sát giám khảo được chứng nhận. Thời gian chấm giảm khoảng 98%, mà con người vẫn giữ quyền quyết định ở những ca khó.
Tóm tắt nhanh
Điểm AI gần như trùng điểm giám khảo: hệ số tương quan r = 0.979, trên thang mà 1.0 là trùng khớp hoàn toàn.
90.2% bài thi có điểm AI lệch không quá 0.5 so với giám khảo. Trong đó 72.3% trùng khớp tuyệt đối.
AI không chấm nặng tay hay dễ dãi hơn: điểm trung bình của AI là 4.53, của giám khảo là 4.51. Mức chênh này không có ý nghĩa thống kê.
Thời gian chấm giảm khoảng 98%: chấm 112 thí sinh mất 45–56 giờ công của giám khảo, còn AI làm xong trong chưa đầy 1 giờ.
AI không thay thế giám khảo. Khoảng 10% bài sát ngưỡng được chuyển cho giám khảo chấm lại.
1. Vấn đề: chấm Nói là nút thắt của kỳ thi VSTEP
VSTEP hiện quyết định nhiều mốc quan trọng. Sinh viên cần B1 hoặc B2 để tốt nghiệp, học viên cao học cần chứng chỉ để nhập học và bảo vệ, còn giáo viên phải đạt chuẩn ngoại ngữ để được tuyển dụng và thăng hạng. Vì vậy, mỗi đợt thi các trung tâm khảo thí đại học phải xử lý hàng nghìn thí sinh.
Nghe và Đọc được chấm tự động ngay lập tức. Riêng phần Nói vẫn phải do con người chấm từng bài:
Mỗi thí sinh có khoảng 12 phút ghi âm cho 3 phần: Tương tác xã hội, Thảo luận giải pháp và Phát triển chủ đề.
Giám khảo chấm theo 5 tiêu chí của Bộ GD&ĐT: Ngữ pháp, Từ vựng, Phát âm, Độ trôi chảy, Nội dung & Tổ chức.
Mỗi bài cần hai giám khảo chấm độc lập. Nếu hai người lệch nhau thì cần thêm người thứ ba.
Nghe tai nghe liên tục nhiều giờ liền rất mệt. Khi mệt, giám khảo dễ thay đổi độ khắt khe theo thời gian. Điểm một bài cũng dễ bị ảnh hưởng bởi bài nghe ngay trước đó. Hậu quả là điểm trả chậm hàng tuần, chi phí giám khảo cao, và sinh viên phải chờ đợi trong lo lắng.

Chấm nói tự động đã được dùng từ lâu ở TOEFL iBT và PTE Academic. Tuy vậy, chưa có bằng chứng thực nghiệm nào cho VSTEP, một kỳ thi có dạng bài, tiêu chí và đặc điểm thí sinh riêng. Câu hỏi đặt ra là AI có chấm đúng chuẩn VSTEP như giám khảo Việt Nam không.
2. Giải pháp: Bandmax, hệ thống AI chấm theo đúng rubric VSTEP
Bandmax là hệ thống AI chấm Nói, được xây dựng riêng cho tiêu chí đánh giá của VSTEP. Mỗi bài ghi âm đi qua bốn lớp phân tích:
Nhận dạng giọng nói (ASR): chuyển âm thanh thành văn bản có mốc thời gian.
Phân tích âm học: đo tốc độ nói, độ dài các quãng ngắt nghỉ và độ rõ của từng âm, làm cơ sở cho tiêu chí Phát âm và Độ trôi chảy.
Phân tích ngôn ngữ: đánh giá độ phong phú từ vựng và độ phức tạp ngữ pháp.
Lõi suy luận theo rubric: đối chiếu toàn bộ bằng chứng trên với 5 tiêu chí chính thức của Bộ GD&ĐT rồi cho điểm.
Bandmax không được thiết kế để thay giám khảo. Nó lo phần lớn khối lượng chấm thường ngày, để giám khảo tập trung vào những bài thật sự cần đến chuyên môn.
3. Cách kiểm chứng
Bối cảnh: Nghiên cứu được thực hiện tại Khoa tiếng Anh của một trường đại học công lập ở phía Nam. Trường này là trung tâm khảo thí VSTEP được công nhận, mỗi học kỳ tổ chức thi cho hàng nghìn thí sinh.
Thí sinh: Có 148 sinh viên thuộc 4 lớp luyện thi VSTEP. 112 em hoàn thành đầy đủ bài thi Nói. Trình độ trải từ B1 đến C1, độ tuổi 19–22.
Quy trình 4 bước:
Ghi âm: thí sinh làm bài thi Nói trên máy tính theo đúng định dạng VSTEP, trong phòng lab cách âm, chất lượng thu 44.1 kHz.
Ẩn danh: bài ghi âm được xóa thông tin cá nhân và chỉ còn mã số báo danh.
AI chấm: Bandmax chấm từng phần và điểm tổng. Hệ thống được chạy với 6 chế độ chấm khác nhau, từ nghiêm khắc đến châm chước, để kiểm tra độ ổn định.
Giám khảo chấm: giám khảo VSTEP có chứng nhận chấm độc lập trên cùng các bài đã ẩn danh, dùng phiếu chấm chuẩn của Bộ và ghi lại thời gian chấm từng bài.

Phân tích: Dữ liệu được xử lý bằng SPSS 28 với các chỉ số tiêu chuẩn trong lĩnh vực khảo thí: hệ số tương quan Pearson và Spearman, hệ số nhất quán giữa người chấm (ICC), sai số tuyệt đối trung bình, kiểm định thiên lệch (t-test) và tỷ lệ đồng thuận theo từng mức chênh lệch điểm.
4. Kết quả

Chỉ số | Kết quả | Ý nghĩa |
|---|---|---|
Tương quan điểm tổng (Pearson r) | 0.979 | AI và giám khảo gần như cùng xếp hạng và cùng đánh giá trình độ thí sinh |
Độ nhất quán tuyệt đối (ICC) | 0.979 | AI cho ra cùng mức band như giám khảo, không chỉ cùng thứ tự xếp hạng |
Điểm trung bình AI và giám khảo | 4.53 và 4.51 | Không có thiên lệch (p = 0.719) |
Trùng khớp tuyệt đối | 72.3% | 81/112 thí sinh có điểm AI giống hệt giám khảo |
Lệch không quá 0.5 điểm | 90.2% | Mức đồng thuận cao để đưa vào vận hành |
Lệch từ 1.0 điểm trở lên | 9.8% | Các ca sát ngưỡng, cần giám khảo xem lại |
Tương quan theo từng phần thi | trên 0.96 ở cả 3 phần | AI chấm ổn định ở mọi dạng bài |
Thời gian chấm 112 thí sinh | 45–56 giờ → dưới 1 giờ | Giảm khoảng 98% thời gian |


Có cao hơn các hệ thống quốc tế không? Theo các nghiên cứu được trích trong bài, hệ thống chấm tự động của TOEFL iBT (SpeechRater) thường đạt tương quan 0.82–0.88 với giám khảo. Mức 0.979 của Bandmax trên bài thi VSTEP thật cao hơn khoảng này. Lưu ý là hai kết quả đến từ bối cảnh và dữ liệu khác nhau.

AI có thể hiệu chỉnh theo chính sách của từng trường. Qua 6 chế độ chấm, điểm trung bình thay đổi đúng như dự đoán: thấp nhất là 4.08 ở chế độ nghiêm khắc và cao nhất là 4.96 ở chế độ châm chước ngữ pháp và từ vựng. Hệ thống phản ứng nhất quán với cài đặt, không cho điểm ngẫu nhiên.
9.8% bài lệch điểm nói lên điều gì? Đây thường là những bài nằm sát ranh giới giữa hai trình độ. Ở những bài này, chính hai giám khảo cũng thường cho điểm khác nhau. AI không tự quyết những ca đó mà chuyển cho con người.
5. Mô hình chấm 3 tầng: AI làm phần lớn, con người quyết ca khó
Từ kết quả trên, nghiên cứu đề xuất một quy trình chấm phân tầng, trong đó con người kiểm soát những quyết định quan trọng:
Tầng 1. AI chấm sơ bộ 100% bài thi. Ngay sau khi thi xong, mọi bài được chấm tự động. Mỗi bài có bản chép lời, điểm theo 5 tiêu chí và điểm tổng.
Tầng 2. Xác nhận tự động khoảng 90% bài rõ ràng. Những thí sinh nằm chắc trong một bậc (B1, B2 hoặc C1) được xác nhận điểm luôn, không phải xếp hàng chờ chấm tay.
Tầng 3. Giám khảo chấm lại khoảng 10% bài sát ngưỡng. Hệ thống tự gắn cờ những bài nằm gần các ngưỡng quan trọng, chẳng hạn 3.5 hay 4.0 cho chuẩn B1 tốt nghiệp, hoặc 5.5 hay 6.0 cho chuẩn B2 giáo viên. Bài có chất lượng âm thanh kém cũng bị gắn cờ. Tất cả được chuyển cho giám khảo cấp cao chấm lại.

Như vậy, giám khảo chỉ cần chấm khoảng 1 trong 10 bài. Những bài có thể ảnh hưởng đến việc thí sinh đậu hay rớt vẫn luôn qua tay con người.
6. Ý nghĩa với từng đối tượng
Lãnh đạo trường và trung tâm khảo thí
Trả điểm trong vài ngày thay vì vài tuần.
Giảm mạnh chi phí thù lao giám khảo.
Chất lượng chấm đồng đều từ bài đầu đến bài cuối, không bị ảnh hưởng bởi sự mệt mỏi.
Có cơ sở dữ liệu minh bạch khi cần giải trình hoặc phúc khảo.
Giảng viên
Không còn phải ngồi hàng chục giờ nghe ghi âm.
Dành thời gian cho việc dạy và hướng dẫn những sinh viên cần hỗ trợ.
Sinh viên
Luyện nói bất cứ lúc nào và nhận điểm ngay theo đúng 5 tiêu chí của kỳ thi thật.
Biết mình yếu ở đâu (phát âm, ngữ pháp hay cách tổ chức ý) để cải thiện đúng chỗ.
Bớt áp lực vì được luyện tập nhiều lần trước khi thi thật.
7. Giới hạn và bước tiếp theo
Nghiên cứu này được thực hiện tại một trường ở phía Nam. Bước tiếp theo là mở rộng ra các trường ở miền Bắc và miền Trung, để kiểm tra độ chính xác của AI với giọng địa phương khác nhau. Các nghiên cứu sau cũng sẽ theo dõi độ ổn định qua nhiều lần thi và khảo sát ý kiến của giám khảo về phản hồi do AI tạo ra.
Kết luận
Chấm Nói VSTEP tự động giờ đã có bằng chứng thực nghiệm trên bài thi thật, giám khảo thật và tiêu chí thật. Mô hình phù hợp nhất là để AI xử lý khối lượng lớn, còn giám khảo dành chuyên môn cho những ca khó. Cách này giúp các trường vừa nhanh hơn vừa giữ được độ tin cậy của kỳ thi.
Dành cho các trường và trung tâm khảo thí: Liên hệ đội ngũ SchoolUX để triển khai thí điểm Bandmax tại đơn vị của mình qua trang Liên hệ hoặc email info@bandmax.app.
Dành cho sinh viên: Luyện VSTEP Speaking và nhận điểm ngay tại vstep.bandmax.app.
See also
Bạn đã sẵn sàng đi thi chưa?
Hãy đăng ký làm bài thi hôm nay hoặc liên hệ với chúng tôi để tìm hiểu chi tiết thêm



