AI của bạn có thể vẫn quá lịch sự để đính chính bạn một cách thỏa đáng

Các hệ thống AI mà chúng ta có thể dựa vào để cung cấp thông tin chính xác — kể cả khi thông tin đó không khiến chúng ta vui lòng — phải có khả năng “phản bác” những lời phản đối của chúng ta cho đến khi chúng ta sẵn sàng tin vào những tin tức/sự thật không mong muốn ấy.

AI không giỏi việc này lắm; vì các mô hình tiên phong được thiết kế để phục vụ người tiêu dùng, chúng có xu hướng chiều theo người dùng và trên thực tế còn có xu hướng nịnh hót.

Một hướng nghiên cứu đáng chú ý đã hình thành để giải quyết vấn đề này; nhưng các nghiên cứu gần đây kết luận rằng chúng ta có thể dễ dàng khiến AI quay lại thói nịnh hót bằng cách làm cho nó nghi ngờ chính nhận định của mình nếu nó phản bác chúng ta; AI thường chiều theo uy quyền của con người ngay cả khi điều đó rõ ràng là sai; và kỹ thuật học tăng cường, vốn thường mang lại hiệu quả, thực ra lại khiến vấn đề cụ thể này trầm trọng hơn.

Việc chiều theo người khác đã ăn sâu vào văn hóa như một phép lịch sự dường như khiến chuyện “nói thẳng” trở nên bất khả thi trong mối quan hệ giữa nhà cung cấp dịch vụ và người tiêu dùng; “khách hàng luôn đúng”, ngay cả khi họ sắp bước xuống vực.

Đúng, sai và “nói giảm nói tránh”

Ước gì tôi có thể nói rằng loạt bài nghiên cứu tuần này có một bài thực sự tạo ra bước tiến đáng kể trong vấn đề này. Đáng tiếc, những gì chúng ta nhận được chỉ là thêm thông tin cho thấy các mô hình có “phản bác” và cố gắng giúp những người chủ là con người nhận ra sự thật vẫn chưa làm tốt việc đó* — và ngay cả khi họ thực sự sẵn lòng nói sự thật với người nắm quyền (chính là bạn), thì tiếng nói ấy cũng chỉ như lời thì thầm bị bóp nghẹt.

Bài nghiên cứu mới là kết quả hợp tác học thuật quy mô lớn, với sự tham gia của University of Washington, Allen Institute for AI, LMU Munich, UC Berkeley, Stanford University và University of Wisconsin-Madison.

Có nhan đề Pushback in a Haystack: Language Models Respond to Factual Errors Ambiguously and Ineffectively, trọng tâm của nghiên cứu mới là: ngay cả khi các mô hình AI nhận ra tuyên bố của người dùng là sai, chúng thường không đính chính rõ ràng mà chôn vùi ý kiến phản đối trong những lời nói dè dặt, lời khen và sự đồng tình một phần.

Ví dụ về Gemini 2.5 Pro trả lời bằng tiếng Hindi khi được yêu cầu tìm các bài báo học thuật dựa trên một tiền đề sai. Phần tô màu xanh lá biểu thị sự đồng tình, còn màu hồng biểu thị sự phản bác. Ở đây, mô hình đan xen lời khen với những ý kiến phản đối gián tiếp thay vì bác bỏ rõ ràng nhận định đó. Nguồn

Qua thử nghiệm trên bảy mô hình và năm ngôn ngữ, các nhà nghiên cứu nhận thấy sự “mơ hồ” này có thể khiến người dùng vẫn tin vào thông tin sai lệch ban đầu, dù về mặt kỹ thuật AI đã phản bác nó.

Vì mức độ và cách thể hiện thói nịnh hót khác nhau giữa các ngôn ngữ, mười tác giả đã tận dụng năm ngôn ngữ mẹ đẻ mà họ cùng sử dụng để xây dựng phương pháp kiểm tra bao gồm tiếng Anh, tiếng Đức, tiếng Trung, tiếng Hindi và tiếng Yoruba — những ngôn ngữ có mức độ tài nguyên từ cao đến thấp. Họ cho biết:

“Chúng tôi giới thiệu một khuôn khổ gán nhãn phản hồi ở cấp độ cụm từ, được con người xác thực, nhằm tìm hiểu chi tiết cách các mô hình ngôn ngữ phản bác và/hoặc đồng tình với thông tin đầu vào sai lệch. Chúng tôi xây dựng và áp dụng khuôn khổ này cho các phản hồi của mô hình bằng năm ngôn ngữ: tiếng Anh, tiếng Đức, tiếng Trung, tiếng Hindi và tiếng Yoruba.”

“Chúng tôi nhận thấy khi phản bác những khẳng định sai lệch của người dùng, các mô hình thường dùng cách diễn đạt gián tiếp và xen lẫn sự đồng tình; mức độ gián tiếp trong tiếng Hindi và tiếng Yoruba cao hơn so với các ngôn ngữ khác được xem xét.”

Trong một nghiên cứu quy mô lớn với 300 người tham gia, các nhà nghiên cứu nhận thấy những lời đính chính mơ hồ của các mô hình AI có thể khiến người dùng vẫn giữ nguyên những quan niệm sai lầm về thực tế, thay vì phản bác chúng một cách hiệu quả.

Một thử nghiệm cho thấy phản hồi của các mô hình đối với những câu hỏi nhằm tìm kiếm thông tin dài trung bình 46.7 dòng, trong khi các cụm từ đính chính chỉ xuất hiện ở hai hoặc ba dòng — nghĩa là ngay cả khi AI phản đối một khẳng định sai, người dùng cũng có thể khó tìm thấy lời phản đối đó.

Các nhà nghiên cứu cũng nhận thấy mô hình có nhiều khả năng phản bác thông tin sai lệch hơn khi được yêu cầu xác minh rõ ràng so với khi thông tin đó xuất hiện trong những yêu cầu cung cấp thông tin thông thường. Các khẳng định được cho là trích từ sách giáo khoa thường gặp ít phản kháng hơn những khẳng định được cho là của bạn bè.

Trong 29.4% phản hồi cho các câu hỏi tìm kiếm thông tin, mô hình vừa đính chính vừa đồng tình; tỷ lệ này tăng lên 60.1% với Gemini 2.5 Pro. Đôi khi, phản hồi có dạng “kẹp lời khen”: ý kiến phản đối bị kẹp giữa những lời trấn an.

Để tìm cách khắc phục, các nhà nghiên cứu thử nghiệm một biện pháp can thiệp đơn giản nhằm khuyến khích mô hình “khoan đã” trước khi trả lời. Trong một số trường hợp, biện pháp này giúp mô hình sẵn sàng phản bác các phát biểu sai hơn — nhưng cũng làm tăng số lần mô hình phản đối sai những phát biểu đúng.

Nghiên cứu cho thấy khiến AI nhận ra lỗi chỉ là một phần của vấn đề; khiến AI truyền đạt lỗi đó lại là một thách thức riêng.

Phương pháp

Tư liệu thử nghiệm được lấy từ bộ tiêu chuẩn đánh giá Massive Multitask Language Understanding (MMLU) đa ngôn ngữ của OpenAI, phiên bản năm 2021. Bộ dữ liệu đa ngôn ngữ này, có tên là MMMLU, bao quát các môn học thuật, trong đó có sinh học và lịch sử.

Các câu hỏi trắc nghiệm trong bộ dữ liệu được chuyển thành những phát biểu thực tế: ba đáp án sai được dùng để tạo ra các khẳng định sai, còn đáp án đúng được dùng để tạo ra một khẳng định đúng.

Theo cách này, từ 1.756 mục trong bộ tiêu chuẩn đánh giá MMMLU được dịch sang hai ngôn ngữ cho mỗi ngôn ngữ, nhóm nghiên cứu tạo ra một bộ dữ liệu gồm 35.120 phát biểu bằng năm ngôn ngữ. Để tiến hành thí nghiệm, họ chọn một mẫu nhỏ hơn, cân bằng theo môn học, gồm 2.685 phát biểu sai và 895 phát biểu đúng.

Các mô hình ngôn ngữ được thử nghiệm gồm hai mô hình đóng mã nguồn Gemini2.5 Pro và GPT-5.5, cùng năm mô hình có trọng số mở: Mistral Small 4; Qwen 3.5 9B; Qwen 3.5 27B; Gemma 4 E4B; và Aya Expanse 32B.

Trong loại câu lệnh đầu tiên trong số ba loại được dùng để thử nghiệm các mô hình, một phát biểu được đưa ra để kiểm chứng tính xác thực trực tiếp; ở loại thứ hai, một học sinh được mô tả là đang tìm tài liệu học tập liên quan đến một phát biểu; còn ở loại thứ ba, một giáo sư được mô tả là đang yêu cầu các bài báo học thuật dựa trên cùng một phát biểu.

Trong các câu lệnh dành cho học sinh, phát biểu được cho là trích từ sách giáo khoa, giáo viên, bạn bè, internet hoặc không nêu nguồn cụ thể. Với các câu lệnh dành cho giáo sư, phát biểu được cho là xuất phát từ nghiên cứu của chính giáo sư, đồng nghiệp, bạn bè, internet hoặc không nêu nguồn cụ thể; sau đó, nhóm nghiên cứu đánh giá mức độ sẵn lòng phản bác các khẳng định sai của mô hình theo từng nguồn được nêu.

Ba mẫu câu lệnh được sử dụng trong nghiên cứu: kiểm chứng tính xác thực trực tiếp (verify); yêu cầu tài liệu học tập (người mới); và yêu cầu bài báo học thuật (chuyên gia). Nguồn được dẫn và thông tin cụ thể theo môn học được thay vào các mẫu.

Các phản hồi của mô hình được phân loại thành bốn nhóm: bác bỏ rõ ràng, khi một phát biểu sai bị phản bác trực tiếp; phản bác gián tiếp, khi sự bất đồng hoặc nghi ngờ được thể hiện mà không thẳng thừng phủ nhận; khen ngợi, khi phát biểu hoặc cách tiếp cận của người dùng được khen; và xác nhận, khi phát biểu được tán thành.

Ví dụ về các cụm từ mà mô hình sử dụng để bác bỏ, chất vấn, khen ngợi hoặc tán thành phát biểu của người dùng trong năm ngôn ngữ được thử nghiệm. Bản dịch tiếng Anh được cung cấp khi phù hợp.

Mỗi phản hồi được xem xét từng cụm từ để có thể nhận diện lời khen, sự đồng tình và bất đồng, ngay cả khi chúng cùng xuất hiện trong một câu trả lời.

Kết quả

Kết quả xác nhận những phát hiện trước đây: các mô hình có thể xác định chính xác những phát biểu sai khi được yêu cầu kiểm chứng lại ít có khả năng phản bác những khẳng định tương tự khi được yêu cầu cung cấp thông tin hoặc lời khuyên. Nhóm nghiên cứu gọi sự khác biệt này là “khoảng cách phản bác”, được tính bằng cách so sánh tần suất các khẳng định sai bị phản bác trong các bài kiểm tra xác minh trực tiếp với tần suất chúng bị phản bác trong những yêu cầu tìm kiếm thông tin thông thường.

So sánh tần suất bảy mô hình ngôn ngữ phản bác các phát biểu sai khi được yêu cầu kiểm chứng trực tiếp với khi được yêu cầu cung cấp thông tin, trên năm ngôn ngữ. Giá trị âm cho thấy mức độ phản bác giảm trong các câu trả lời cho yêu cầu tìm kiếm thông tin. Màu cam và xanh dương lần lượt biểu thị câu lệnh dành cho học sinh và giáo sư, còn các ký hiệu phân biệt những nguồn được dẫn. Thanh sai số biểu thị khoảng tin cậy 95%.

Như thể hiện ở trên, hai mô hình Qwen 3.5 có khoảng cách nhỏ hơn các mô hình còn lại trong những ngôn ngữ được thử nghiệm, cho thấy chúng nhất quán hơn trong việc đính chính thông tin sai lệch, bất kể câu hỏi được diễn đạt theo cách nào. Kết quả cũng cho thấy thẩm quyền có vẻ như của nguồn thông tin ảnh hưởng đến kết quả: các khẳng định sai được cho là trích từ sách giáo khoa ít bị phản bác hơn những khẳng định được cho là xuất phát từ bạn bè—xu hướng được ghi nhận ở các ngôn ngữ.

Khi được hỏi về thông tin thay vì yêu cầu xác minh tính chính xác, các mô hình ít có khả năng bác bỏ thẳng thừng những nhận định sai hơn, và thường phản đối gián tiếp, khen ngợi hoặc xác nhận hơn. Ngay cả các mô hình Qwen 3.5, vốn cho thấy mức chênh lệch tương đối nhỏ về tỷ lệ phản bác tổng thể, cũng dễ mắc phải hành vi này.

Tỷ lệ câu trả lời có đính chính rõ ràng trong số những câu trả lời phản bác các nhận định sai, xét trên năm ngôn ngữ. Kết quả được chia theo câu lệnh dành cho sinh viên (người mới) và giáo sư (chuyên gia); các nguồn thông tin được quy gán thể hiện trên trục hoành. Thanh sai số biểu thị khoảng tin cậy 95%.

Ở bốn trong số bảy mô hình, các nhận định sai ít bị phản bác rõ ràng hơn bằng tiếng Hindi, tiếng Trung và tiếng Yoruba so với tiếng Anh. Các câu trả lời bằng tiếng Hindi cũng chứa nhiều lời khen ngợi nhất ở năm trong số bảy mô hình.

Các câu trả lời trước yêu cầu tìm kiếm thông tin có phản bác trong 65.3% trường hợp, nhưng thường chưa đến một nửa trong số đó có lời bác bỏ rõ ràng nhận định sai. Việc đính chính trực tiếp phổ biến hơn trong câu lệnh dành cho sinh viên so với câu lệnh dành cho giáo sư — và ít phổ biến hơn khi các nhận định được quy cho những nguồn có thẩm quyền.

Với tiếng Hindi, tiếng Trung và tiếng Yoruba, phần lớn câu trả lời phản bác nhận định sai chỉ làm vậy một cách gián tiếp, không bác bỏ lỗi sai một cách rõ ràng; trong 29.4% câu trả lời trước yêu cầu tìm kiếm thông tin, lời phản đối nhận định sai đi kèm với sự đồng tình; tỷ lệ này tăng lên 60.1% ở Gemini 2.5 Pro:

Tỷ lệ câu trả lời bắt đầu bằng lời đồng tình trước khi phản bác một nhận định sai, xét trên bảy mô hình và ba loại câu lệnh: xác minh trực tiếp (xác minh); yêu cầu của sinh viên (người mới); và yêu cầu của giáo sư (chuyên gia). Kết quả bao gồm những câu trả lời vừa có lời đồng tình vừa có ý phản bác. Thanh sai số biểu thị khoảng tin cậy 95%.

Như có thể thấy ở trên, nhìn chung các mô hình đưa ra lời đồng tình trước khi nêu phản đối, thay vì bác bỏ nhận định sai ngay từ đầu. Trong một số trường hợp, sau lời phản đối, mô hình lại tiếp tục đồng tình, tạo thành điều mà các nhà nghiên cứu gọi là “bánh kẹp lời khen”.

Nghiên cứu trên người tham gia

Để kiểm tra xem những lời đính chính này có thực sự hiệu quả hay không, các nhà nghiên cứu tuyển 300 người tham gia, gồm 100 người nói tiếng Anh, 100 người nói tiếng Đức và 100 người nói tiếng Trung. Người tham gia đánh giá các phát biểu sai trước và sau khi đọc câu trả lời của mô hình.

Như minh họa bên dưới, chỉ những lời đính chính rõ ràng mới giúp giảm đáng tin cậy niềm tin vào các nhận định sai ở người nói tiếng Anh và tiếng Đức. Dù vậy, sau đó chỉ 46.7% người nói tiếng Anh và 43.8% người nói tiếng Đức đánh giá các phát biểu là không chính xác. Với người nói tiếng Trung, chỉ những câu trả lời kết hợp lời đồng tình với phản bác gián tiếp mới tạo ra cải thiện có ý nghĩa thống kê:

Mức thay đổi trong đánh giá của người tham gia về các phát biểu sai sau khi đọc câu trả lời của mô hình có lời đồng tình, phản đối gián tiếp hoặc đính chính rõ ràng. Kết quả gồm 100 người nói mỗi ngôn ngữ: tiếng Anh, tiếng Đức và tiếng Trung. Giá trị âm biểu thị niềm tin vào nhận định sai đã giảm. Mỗi chấm biểu thị một người tham gia; các thanh sai số màu đen biểu thị khoảng tin cậy 95%.

Các nhà nghiên cứu cũng kiểm tra xem việc nhắc mô hình “đợi một chút” trước khi trả lời có giúp chúng sẵn lòng phản bác thông tin sai lệch hơn hay không. Hình minh họa cuối bên dưới cho thấy một số trường hợp có mức độ phản bác tăng lên và cách diễn đạt xu nịnh giảm đi — nhưng đồng thời cũng cho thấy những thay đổi này dẫn đến nhiều phản đối sai hơn đối với các phát biểu đúng:

So sánh câu trả lời của bảy mô hình trước và sau can thiệp “đợi một chút”, sử dụng câu lệnh bằng tiếng Anh và các bản dịch. Biểu đồ thể hiện mức độ phản bác tổng thể đối với các nhận định sai; các lời đính chính rõ ràng không kèm sự đồng tình; và những phản đối sai đối với các phát biểu đúng. Các vạch đen theo chiều dọc biểu thị kết quả xác minh trực tiếp.

Kết luận

Có thể nói, trong “logic nội tại” của các mô hình ngôn ngữ, sự lịch sự và thái độ nhún nhường đã bị đánh đồng với nhau (tức là kết quả tổng hợp giữa các ma trận đã được huấn luyện và nhiều ràng buộc áp đặt từ bên ngoài mà chúng phải chịu); và nghiên cứu mới không xác định được lý do vì sao đôi khi các mô hình nhận ra một khẳng định sai nhưng lại bọc những lời phản bác bằng lời khen ngợi hoặc sự đồng tình.

Vấn đề cốt lõi là các sản phẩm hướng đến người tiêu dùng như dòng GPT và Gemini đã bị nhào nặn thành những lớp giao diện mang hình dạng con người, để nhóm khách hàng trả phí đông đảo nhất—có thể nói là nhóm “mẫu số chung thấp nhất”, đồng thời cũng là nhóm khách hàng mục tiêu lớn nhất và sinh lợi nhất—có thể dễ dàng hiểu sản phẩm và muốn tiếp tục mua sản phẩm đó.

Giá như chúng ta có thể thừa nhận rằng sản phẩm không phải con người, thì ít nhất chúng ta cũng có thể thử tắt toàn bộ “ngữ cảnh” rối rắm này và tiếp cận trực tiếp hơn với kiến thức đã được huấn luyện của các mô hình.

* Dĩ nhiên, chỉ riêng thông tin này cũng đã góp phần thúc đẩy lĩnh vực này.

Được xuất bản lần đầu vào thứ Năm, ngày 15 tháng 10 năm 2026