🎯 MỤC TIÊU 

Về kiến thức:

1. Phân biệt được narrative review, scoping review và systematic review.
2. Mô tả được các bước chính của một systematic review: xây dựng câu hỏi, tìm kiếm, sàng lọc, trích xuất dữ liệu, đánh giá nguy cơ sai lệch và tổng hợp kết quả.
3. Hiểu vai trò của PRISMA 2020 trong báo cáo tổng quan hệ thống.
4. Nhận diện được điểm AI có thể hỗ trợ và điểm AI không được thay thế con người.

Về kỹ năng:

5. Xây dựng được câu hỏi tổng quan theo PICO.
6. Viết được chiến lược tìm kiếm cơ bản cho PubMed, Google Scholar hoặc Semantic Scholar.
7. Sử dụng Rayyan để sàng lọc tiêu đề/tóm tắt.
8. Sử dụng Elicit hoặc công cụ tương tự để hỗ trợ trích xuất dữ liệu.
9. Tạo được bảng data extraction đơn giản và sơ đồ PRISMA cơ bản.

Về thái độ:

10. Có tư duy thận trọng khi để AI đọc, tóm tắt hoặc phân loại bài báo.
11. Tôn trọng tính minh bạch trong nghiên cứu: ghi rõ cách tìm kiếm, cách chọn bài và cách sử dụng AI.
12. Không “mù quáng tin AI” — vì AI rất giỏi làm nhanh, nhưng cũng rất giỏi sai một cách tự tin. Con mèo AI rất lanh, nhưng không được thả nó chạy lung tung trong phòng thí nghiệm.

PHẦN 1: TỔNG QUAN TÀI LIỆU LÀ GÌ?

1.1. Vì sao phải tổng quan tài liệu?

Trong nghiên cứu y khoa, tổng quan tài liệu không phải là phần “trang trí” cho đề cương. Nó là nền móng.

Một tổng quan tài liệu tốt giúp bạn trả lời 5 câu hỏi:

1. Vấn đề này đã được nghiên cứu chưa?
2. Ai đã nghiên cứu? Ở đâu? Trên đối tượng nào?
3. Kết quả chính là gì?
4. Hạn chế của các nghiên cứu trước là gì?
5. Nghiên cứu của mình sẽ đóng góp thêm điều gì?

Nếu không tổng quan kỹ, bạn có thể rơi vào 3 “cái bẫy” kinh điển:

Nói vui nhưng thật: Làm nghiên cứu mà không tổng quan tài liệu giống như đi khám bệnh không hỏi bệnh sử. Có thể vẫn làm được, nhưng khả năng “lạc trôi” rất cao.

1.2. Ba loại tổng quan thường gặp

A. Narrative Review — Tổng quan tường thuật

Đây là dạng tổng quan truyền thống, thường do chuyên gia viết để trình bày bức tranh chung về một chủ đề.

Đặc điểm:

• Không nhất thiết có quy trình tìm kiếm quá chặt chẽ.
• Có thể chọn bài theo kinh nghiệm chuyên gia.
• Phù hợp để giới thiệu chủ đề rộng.
• Dễ đọc, dễ hiểu, nhưng nguy cơ thiên lệch cao.

Ví dụ:

“Tổng quan về vai trò của AI trong chẩn đoán ung thư phổi.”

Dạng này phù hợp nếu mục tiêu là giảng dạy, cập nhật kiến thức hoặc viết phần đặt vấn đề.

B. Scoping Review — Tổng quan phạm vi

Scoping review dùng để “quét bản đồ” một lĩnh vực, đặc biệt khi chủ đề còn mới, bằng chứng còn phân tán.

Đặc điểm:

• Câu hỏi thường rộng hơn systematic review.
• Tập trung vào: có những loại nghiên cứu nào, chủ đề phụ nào, khoảng trống nào.
• Không nhất thiết đánh giá rất sâu nguy cơ sai lệch.
• Phù hợp để tìm research gap.

Ví dụ:

“Các ứng dụng của telemedicine trong quản lý đái tháo đường tại Đông Nam Á: một scoping review.”

Dạng này rất hợp với học viên mới bắt đầu, vì không quá nặng như systematic review nhưng vẫn có cấu trúc.

C. Systematic Review — Tổng quan hệ thống

Systematic review là dạng tổng quan có quy trình rõ ràng, minh bạch và có thể lặp lại.

Đặc điểm:

• Câu hỏi nghiên cứu rõ ràng.
• Tiêu chí chọn/loại bài được định nghĩa trước.
• Chiến lược tìm kiếm được mô tả chi tiết.
• Có ít nhất 2 người sàng lọc độc lập nếu làm chuẩn.
• Có đánh giá nguy cơ sai lệch.
• Có thể hoặc không có meta-analysis.

Ví dụ:

“Hiệu quả của telemedicine trong kiểm soát HbA1c ở bệnh nhân đái tháo đường type 2: systematic review và meta-analysis.”

1.3. Systematic Review khác Meta-analysis như thế nào?

Nhiều người hay dùng nhầm hai khái niệm này.

Có thể có:

• Systematic review không có meta-analysis.
• Systematic review có meta-analysis.
• Nhưng meta-analysis tốt thường phải dựa trên systematic review tốt.

Cách nhớ: Systematic review là “đi chợ có danh sách rõ ràng”. Meta-analysis là “nấu món ăn từ nguyên liệu đã chọn”. Chợ mà mua lung tung thì món ăn cũng… khó cứu.

PHẦN 2: QUY TRÌNH 7 BƯỚC CỦA SYSTEMATIC REVIEW

Một systematic review cơ bản có thể đi theo 7 bước:

1. Xây dựng câu hỏi PICO
        ↓
2. Viết protocol
        ↓
3. Xây dựng chiến lược tìm kiếm
        ↓
4. Screening title/abstract và full-text
        ↓
5. Data extraction
        ↓
6. Risk of bias assessment
        ↓
7. Synthesis và báo cáo theo PRISMA

2.1. Bước 1 — Xây dựng câu hỏi PICO

PICO giúp biến một chủ đề mơ hồ thành câu hỏi có thể tìm kiếm và phân tích.

Ví dụ câu hỏi PICO:

Ở bệnh nhân đái tháo đường type 2, telemedicine so với chăm sóc thông thường có cải thiện kiểm soát HbA1c không?

Chuyển sang tiếng Anh để tìm tài liệu:

In adults with type 2 diabetes, does telemedicine compared with usual care improve HbA1c control?

2.2. Bước 2 — Viết protocol

Protocol là kế hoạch làm review trước khi bắt đầu. Nó giúp tránh việc “thấy kết quả rồi mới đổi tiêu chí” — một dạng gian lận mềm rất dễ xảy ra.

Một protocol tối thiểu nên có:

1. Background/rationale.
2. Research question.
3. Eligibility criteria.
4. Databases sẽ tìm kiếm.
5. Search strategy.
6. Quy trình screening.
7. Biến số cần trích xuất.
8. Công cụ đánh giá risk of bias.
9. Kế hoạch tổng hợp kết quả.
10. Cách xử lý bất đồng giữa reviewers.

Prompt AI hỗ trợ viết protocol:

Tôi muốn thực hiện systematic review về:
[Chủ đề]

Câu hỏi PICO:
P:
I:
C:
O:

Hãy giúp tôi soạn protocol sơ bộ gồm:
1. Background ngắn
2. Research question
3. Inclusion criteria
4. Exclusion criteria
5. Databases cần tìm
6. Search terms gợi ý
7. Data extraction fields
8. Risk of bias tool phù hợp
9. Plan for synthesis

Lưu ý:
- Viết theo phong cách học thuật
- Không bịa tài liệu tham khảo
- Chỉ đề xuất cấu trúc, tôi sẽ kiểm tra lại thủ công

2.3. Bước 3 — Xây dựng chiến lược tìm kiếm

Một chiến lược tìm kiếm tốt cần cân bằng giữa:

• Sensitivity: tìm được nhiều bài liên quan.
• Specificity: giảm bài không liên quan.

Ví dụ với chủ đề telemedicine và diabetes:

("type 2 diabetes" OR "diabetes mellitus type 2" OR T2DM)
AND
(telemedicine OR telehealth OR "mobile health" OR mHealth OR "digital health")
AND
(HbA1c OR "glycemic control" OR "blood glucose")

Các nguồn nên tìm

Lưu ý quan trọng

Không nên chỉ tìm bằng Google Scholar rồi gọi là systematic review. Google Scholar hữu ích, nhưng khó tái lập chính xác chiến lược tìm kiếm.

Nguyên tắc: Người khác phải có thể đọc phương pháp của bạn và lặp lại gần giống kết quả tìm kiếm.

2.4. Bước 4 — Screening

Screening là quá trình chọn bài.

Có 2 vòng chính:

Vòng 1: Title/Abstract Screening

Ở vòng này, người đọc chỉ xem tiêu đề và tóm tắt để quyết định:

• Include: có vẻ phù hợp.
• Exclude: rõ ràng không phù hợp.
• Maybe/Unclear: cần đọc full-text.

Vòng 2: Full-text Screening

Ở vòng này, đọc toàn văn để quyết định bài có được đưa vào review hay không.

Khi loại một bài ở full-text, phải ghi lý do:

• Sai population.
• Sai intervention.
• Sai outcome.
• Không có nhóm so sánh.
• Không phải nghiên cứu gốc.
• Không đủ dữ liệu.
• Full-text không truy cập được.

2.5. Bước 5 — Data Extraction

Data extraction là trích xuất thông tin cần thiết từ các bài được chọn.

Một bảng data extraction cơ bản nên có:

Prompt AI hỗ trợ tạo bảng extraction

Tôi đang làm systematic review với câu hỏi:
[Research question]

Hãy tạo bảng data extraction cho systematic review này.

Các trường bắt buộc:
- Study ID
- Author
- Year
- Country
- Study design
- Population
- Sample size
- Intervention/exposure
- Comparator
- Outcomes
- Main findings
- Effect size
- Follow-up duration
- Risk of bias notes
- Funding/conflict of interest

Xuất ra dạng bảng Markdown.

2.6. Bước 6 — Risk of Bias Assessment

Không phải nghiên cứu nào cũng đáng tin như nhau. Risk of bias assessment giúp đánh giá mức độ tin cậy của từng nghiên cứu.

Công cụ thường dùng

Các loại bias thường gặp

1. Selection bias: chọn mẫu không đại diện.
2. Performance bias: nhóm can thiệp và nhóm chứng được chăm sóc khác nhau ngoài can thiệp chính.
3. Detection bias: người đánh giá biết nhóm điều trị.
4. Attrition bias: mất theo dõi nhiều.
5. Reporting bias: chỉ báo cáo kết quả đẹp.
6. Confounding: yếu tố nhiễu chưa được kiểm soát.

Lưu ý: AI có thể hỗ trợ gợi ý bias, nhưng không nên để AI tự quyết định kết luận cuối cùng. Risk of bias cần hiểu thiết kế nghiên cứu, ngữ cảnh lâm sàng và phương pháp thống kê.

2.7. Bước 7 — Synthesis và báo cáo PRISMA

Synthesis là tổng hợp kết quả.

Có 2 dạng chính:

A. Narrative Synthesis

Dùng khi các nghiên cứu quá khác nhau về:

• Population.
• Intervention.
• Outcome.
• Thiết kế nghiên cứu.
• Cách đo lường kết quả.

Ví dụ câu viết:

Nhìn chung, phần lớn các nghiên cứu cho thấy telemedicine có xu hướng cải thiện kiểm soát HbA1c, tuy nhiên mức độ hiệu quả khác nhau giữa các nghiên cứu, có thể do khác biệt về thời gian theo dõi, loại hình can thiệp và mức độ tương tác giữa nhân viên y tế với bệnh nhân.

B. Quantitative Synthesis / Meta-analysis

Dùng khi các nghiên cứu đủ tương đồng và có dữ liệu định lượng phù hợp.

Cần chú ý:

• Effect size.
• Confidence interval.
• Heterogeneity.
• Fixed-effect vs random-effects model.
• Publication bias.

Meta-analysis sẽ được học kỹ hơn ở các bài thống kê/phân tích sau. Ở Bài 4, học viên chỉ cần hiểu logic tổng quan.

PHẦN 3: PRISMA 2020 — XƯƠNG SỐNG CỦA SYSTEMATIC REVIEW

PRISMA là bộ hướng dẫn giúp báo cáo systematic review minh bạch.

3.1. PRISMA Flow Diagram là gì?

PRISMA flow diagram mô tả quá trình chọn bài:

Identification
    ↓
Records identified from databases
    ↓
Records after duplicates removed
    ↓
Screening title/abstract
    ↓
Full-text articles assessed
    ↓
Studies included in review

Ví dụ đơn giản:

3.2. Các lỗi thường gặp khi báo cáo PRISMA

Câu cần có nếu dùng AI

AI-assisted tools were used to support title/abstract screening and preliminary data extraction. All inclusion decisions and extracted data were independently verified by human reviewers.

Bản tiếng Việt:

Các công cụ AI được sử dụng để hỗ trợ sàng lọc tiêu đề/tóm tắt và trích xuất dữ liệu sơ bộ. Tất cả quyết định chọn bài và dữ liệu trích xuất đều được nghiên cứu viên kiểm tra độc lập.

PHẦN 4: AI HỖ TRỢ SYSTEMATIC REVIEW NHƯ THẾ NÀO?

Khung chương trình gốc nhấn mạnh AI hỗ trợ trong screening, extraction và synthesis; Rayyan được dùng cho screening, Elicit cho data extraction, Litmaps cho citation mapping.

4.1. AI hỗ trợ tìm bài

AI có thể giúp:

• Gợi ý từ khóa.
• Gợi ý MeSH terms.
• Tìm bài liên quan.
• Tóm tắt abstract.
• Phát hiện cụm chủ đề.

Nhưng AI không được thay thế hoàn toàn chiến lược tìm kiếm chính thức.

Prompt gợi ý từ khóa

Tôi đang làm systematic review với câu hỏi PICO sau:

P:
I:
C:
O:

Hãy giúp tôi:
1. Liệt kê các keyword tiếng Anh liên quan đến từng thành phần PICO
2. Gợi ý MeSH terms nếu có
3. Tạo search string cho PubMed
4. Tạo search string đơn giản hơn cho Google Scholar
5. Cảnh báo các từ khóa dễ gây nhiễu

4.2. AI hỗ trợ screening

Screening là nơi AI tiết kiệm thời gian rất nhiều.

Rayyan làm được gì?

Rayyan có thể hỗ trợ:

• Import danh sách tài liệu.
• Phát hiện trùng lặp.
• Gắn nhãn include/exclude/maybe.
• Hỗ trợ làm việc nhóm.
• Blind screening giữa hai reviewers.
• Gợi ý bài có khả năng liên quan.
• Xuất dữ liệu để tạo PRISMA.

Quy trình dùng Rayyan

Bước 1: Chuẩn bị file tài liệu

Từ PubMed, Scopus, Embase hoặc Semantic Scholar, xuất file dạng:

• RIS
• BibTeX
• EndNote XML
• CSV

Bước 2: Tạo review mới trong Rayyan

Đặt tên rõ:

Telemedicine for Type 2 Diabetes Systematic Review

Bước 3: Import file

Tải file citation lên Rayyan.

Bước 4: Loại trùng

Kiểm tra duplicates. Không nên bấm xóa tất cả mà không nhìn — AI cũng có lúc tưởng “Nguyễn Văn A” và “Nguyen V A” là hai họ hàng thất lạc.

Bước 5: Screening title/abstract

Mỗi bài được phân loại:

• Include
• Exclude
• Maybe

Bước 6: Resolve conflicts

Nếu hai người screen khác nhau, cần thảo luận.

Bước 7: Xuất kết quả

Xuất danh sách included/excluded để làm PRISMA và đọc full-text.

4.3. AI hỗ trợ data extraction

Elicit hoặc các công cụ tương tự có thể trích xuất:

• Cỡ mẫu.
• Thiết kế nghiên cứu.
• Population.
• Intervention.
• Comparator.
• Outcomes.
• Main findings.
• Effect size.

Tuy nhiên, AI có thể trích sai số liệu, đặc biệt khi:

• Bài có nhiều nhóm.
• Có nhiều timepoints.
• Outcome được báo cáo trong phụ lục.
• Kết quả nằm trong hình hoặc bảng phức tạp.
• Bài dùng thuật ngữ thống kê khó.

Quy trình an toàn

AI extract → Human verify → Second reviewer check → Final table

Không dùng:

AI extract → Copy vào bài → Xong

Đó là đường tắt dẫn thẳng tới “rừng Reviewer”.

4.4. AI hỗ trợ synthesis

AI có thể giúp:

• Nhóm nghiên cứu theo chủ đề.
• Tóm tắt kết quả theo outcome.
• So sánh điểm giống và khác giữa các nghiên cứu.
• Gợi ý cấu trúc phần Results.
• Gợi ý câu viết cho narrative synthesis.

Prompt synthesis

Tôi có bảng data extraction sau:
[Dán bảng]

Hãy giúp tôi tổng hợp kết quả theo 4 nhóm:
1. Đặc điểm nghiên cứu
2. Đặc điểm can thiệp
3. Kết quả chính
4. Hạn chế và risk of bias

Yêu cầu:
- Không thêm thông tin ngoài bảng
- Không bịa số liệu
- Nếu dữ liệu thiếu, ghi rõ "not reported"
- Viết theo văn phong systematic review

PHẦN 5: CÁC CÔNG CỤ CHÍNH TRONG BÀI

5.1. Rayyan

Dùng cho: Screening title/abstract, làm việc nhóm, blind review.

Mạnh ở:

• Dễ dùng.
• Phù hợp người mới.
• Tốt cho nhóm 2–4 người.
• Hữu ích khi có vài trăm đến vài nghìn abstracts.

Hạn chế:

• AI suggestion chỉ là gợi ý.
• Cần tự kiểm tra duplicates.
• Không thay thế đọc full-text.

5.2. Elicit

Dùng cho: Tìm bài, tóm tắt bài, trích xuất thông tin vào bảng.

Mạnh ở:

• Tìm kiếm theo câu hỏi tự nhiên.
• Tự động gợi ý cột extraction.
• Rất hữu ích cho giai đoạn đầu.

Hạn chế:

• Có thể bỏ sót bài quan trọng.
• Có thể trích xuất nhầm.
• Không nên là nguồn tìm kiếm duy nhất cho systematic review.

5.3. Covidence

Dùng cho: Quản lý systematic review chuyên nghiệp.

Mạnh ở:

• Quy trình rất chuẩn.
• Phù hợp nhóm lớn.
• Thường dùng trong các review nghiêm ngặt.

Hạn chế:

• Thường cần subscription.
• Có thể quá nặng với học viên mới.

5.4. Litmaps / Research Rabbit

Dùng cho: Citation mapping.

Mạnh ở:

• Thấy mạng lưới nghiên cứu.
• Tìm bài “key paper”.
• Phát hiện bài mới trích dẫn bài cũ.
• Hỗ trợ tìm khoảng trống.

Hạn chế:

• Không thay thế database search.
• Dễ bị cuốn vào “mê cung paper” — vào tìm 5 bài, ra với 87 tab trình duyệt và một ly cà phê nguội.

PHẦN 6: THỰC HÀNH TRÊN LỚP

Tổng thời lượng thực hành: 60–70 phút

Chủ đề mẫu:

Effectiveness of telemedicine in diabetes management

Đây cũng là chủ đề thực hành được nêu trong khung chương trình gốc cho Bài 4.

Thực hành 1: Xây dựng PICO và Search String — 15 phút

Nhiệm vụ

Học viên làm việc theo nhóm 2–3 người.

Câu hỏi thô:

Telemedicine có giúp bệnh nhân đái tháo đường kiểm soát đường huyết tốt hơn không?

Yêu cầu

Điền bảng:

Sau đó viết search string cho PubMed.

Gợi ý đáp án

Search string:

("type 2 diabetes" OR "diabetes mellitus type 2" OR T2DM)
AND
(telemedicine OR telehealth OR mHealth OR "mobile health" OR "digital health")
AND
(HbA1c OR "glycemic control")

Thực hành 2: Screening với Rayyan — 25 phút

Dataset mẫu

Giảng viên chuẩn bị trước file gồm khoảng 100–200 abstracts về telemedicine và diabetes.

Nhiệm vụ

1. Import file vào Rayyan.
2. Mỗi học viên screen 20 abstracts.
3. Gắn nhãn Include / Exclude / Maybe.
4. Ghi lý do loại bài.
5. So sánh kết quả với bạn cùng nhóm.

Tiêu chí Include mẫu

• Người lớn mắc đái tháo đường type 2.
• Có can thiệp telemedicine/telehealth/mHealth.
• Có outcome về HbA1c hoặc kiểm soát đường huyết.
• Là nghiên cứu gốc.

Tiêu chí Exclude mẫu

• Không phải người bệnh đái tháo đường.
• Chỉ là protocol, editorial, letter.
• Không có outcome liên quan.
• Can thiệp không phải telemedicine.
• Không có dữ liệu gốc.

Thực hành 3: Data Extraction với Elicit — 20 phút

Nhiệm vụ

Chọn 5–10 bài đã Include.

Trích xuất bảng:

Prompt sử dụng

Tôi đang trích xuất dữ liệu cho systematic review về telemedicine trong quản lý đái tháo đường type 2.

Từ bài báo sau:
[Dán abstract hoặc nội dung chính]

Hãy trích xuất:
1. Study design
2. Country
3. Population
4. Sample size
5. Intervention
6. Comparator
7. Follow-up duration
8. Primary outcome
9. Main result
10. Limitation

Nếu thông tin không có trong abstract, ghi "not reported".
Không được suy đoán.

Thực hành 4: Vẽ PRISMA mini — 10 phút

Giả định nhóm có dữ liệu:

Nhiệm vụ

Học viên vẽ sơ đồ PRISMA đơn giản bằng:

• PowerPoint.
• Word.
• PRISMA flow diagram generator.
• Rayyan export.
• Hoặc vẽ tay nếu Wi-Fi “đi nghỉ mát”.

PHẦN 7: CASE STUDY THẢO LUẬN

Case 1: AI chọn nhầm bài

Một nhóm nghiên cứu dùng AI screening và AI đề xuất loại bài sau:

“Mobile phone text messaging improves medication adherence in type 2 diabetes patients.”

AI đánh dấu Exclude vì bài không có từ “telemedicine”.

Câu hỏi thảo luận

1. AI loại bài này có hợp lý không?
2. Nếu review của bạn định nghĩa telemedicine bao gồm SMS intervention thì sao?
3. Bài học rút ra là gì?

Gợi ý trả lời

AI có thể sai vì không hiểu định nghĩa can thiệp theo protocol. Nếu protocol xem SMS là một dạng telehealth/mHealth, bài này nên được giữ lại. Bài học: AI không đọc được ý định nghiên cứu nếu protocol không rõ.

Case 2: Data extraction sai

AI trích xuất:

Sample size = 120

Nhưng khi đọc full-text, nghiên cứu có:

• 120 ở nhóm can thiệp.
• 118 ở nhóm chứng.
• Tổng cỡ mẫu = 238.

Câu hỏi thảo luận

1. Sai sót này có nghiêm trọng không?
2. Nếu đưa vào meta-analysis thì hậu quả gì?
3. Cần quy trình kiểm tra thế nào?

Gợi ý trả lời

Sai cỡ mẫu có thể ảnh hưởng trọng số trong meta-analysis. Cần ít nhất một người kiểm tra lại toàn bộ dữ liệu trích xuất từ AI, đặc biệt các biến định lượng.

PHẦN 8: NHỮNG LỖI THƯỜNG GẶP CỦA NGƯỜI MỚI

PHẦN 9: CHECKPOINT KIẾN THỨC

Checkpoint 1: Phân biệt loại review

Hãy chọn loại review phù hợp:

1. Bạn muốn viết bài giới thiệu tổng quan về AI trong chẩn đoán hình ảnh.
2. Bạn muốn biết có những loại nghiên cứu nào về telemedicine tại Việt Nam.
3. Bạn muốn đánh giá hiệu quả của can thiệp A so với B trên outcome C.

Đáp án gợi ý:

1. Narrative review.
2. Scoping review.
3. Systematic review, có thể kèm meta-analysis nếu dữ liệu phù hợp.

Checkpoint 2: PICO

Câu hỏi:

“Mindfulness có giúp giảm stress ở điều dưỡng ICU không?”

Điền PICO:

Checkpoint 3: AI dùng ở đâu?

Đánh dấu Đúng/Sai:

1. AI có thể giúp gợi ý search terms.
2. AI có thể tự quyết định bài nào được include mà không cần con người kiểm tra.
3. AI có thể hỗ trợ trích xuất dữ liệu.
4. AI có thể bịa thông tin nếu abstract không đủ dữ liệu.
5. Khi dùng AI trong systematic review, nên báo cáo minh bạch.

Đáp án:

1. Đúng.
2. Sai.
3. Đúng.
4. Đúng.
5. Đúng.

BÀI TẬP

Bài tập chính: Mini Systematic Review

Mỗi học viên chọn một chủ đề từ Bài 3 và thực hiện mini review.

Yêu cầu nộp

1. Câu hỏi PICO.
2. Search string cho ít nhất 1 database.
3. Danh sách ít nhất 20 papers tìm được.
4. Bảng screening: include/exclude/maybe.
5. Ít nhất 5 bài được trích xuất dữ liệu.
6. Bảng data extraction.
7. PRISMA flow diagram mini.
8. Đoạn reflection 200–300 từ: AI giúp gì, AI sai ở đâu, bạn kiểm tra lại như thế nào.

Mẫu bảng nộp

RUBRIC CHẤM ĐIỂM

THÔNG ĐIỆP

Thông điệp 1: Tổng quan tài liệu không phải là đọc cho có. Nó quyết định nghiên cứu của bạn có đáng làm hay không.

Thông điệp 2: Systematic review cần quy trình minh bạch, không phải “tôi tìm vài bài thấy cũng ổn”.

Thông điệp 3: AI rất mạnh trong screening, extraction và synthesis, nhưng mọi quyết định quan trọng vẫn phải do con người kiểm tra.

Thông điệp 4: PRISMA là bản đồ. Nếu không có bản đồ, reviewer sẽ hỏi: “Bạn đã đi đường nào vậy?” — và lúc đó đừng đổ cho Google Maps AI.

Soạn giả: Đoàn Thái Hoà
Phiên bản: 1.0
Ghi chú: Có thể điều chỉnh công cụ, giao diện và chi phí theo thời điểm triển khai thực tế.