Dạy lập trình vá»›i AI mà không tạo ra vibe coder: Khung sÆ° phạm cho năm 2026

Nếu bạn dạy lập trình trong năm 2026, bạn có hai lựa chọn không hoạt động và một lựa chọn hoạt động. Hai lựa chọn không hoạt động đã quen thuộc: cấm AI trong khóa học (không thể thực thi, đẩy việc dùng xuống ngầm, để sinh viên tốt nghiệp không sẵn sàng cho ngành) hoặc cho phép sinh viên dùng AI tự do (tạo ra sinh viên có thể prompt nhưng không thể lập luận). Lựa chọn hoạt động khó hơn. Nó đòi bạn thiết kế lại cách AI xuất hiện trong vòng lặp học tập — không phải như người giải vấn đề, không phải công cụ bị cấm, mà như một trợ giảng được giàn giáo cẩn thận chuyển công việc nhận thức mà AI sắp làm thay cho sinh viên trở lại sinh viên.

Đây là khung sư phạm bạn cần. Không phải danh sách chính sách AI. Không phải cuộc chạy đua vũ trang phát hiện. Một mô hình hướng dẫn thực sự, dựa trên ba thập kỷ nghiên cứu khoa học học tập về giàn giáo và vùng phát triển gần, được tái cấu trúc cho kỷ nguyên các công cụ lập trình tác tử có thể đạt điểm cao trên bất kỳ prompt bài tập nào.

Hướng dẫn này dành cho các giảng viên lập trình muốn xây dựng chương trình giảng dạy tạo ra lập trình viên thực sự trong 2026. Chúng ta sẽ đi qua nền tảng sư phạm, khung bảy giai đoạn cho việc dạy lập trình có hỗ trợ AI, các mẫu lớp học chúng tôi đã thấy hoạt động từ CS1 đến đồ án tốt nghiệp, và lớp công cụ — bao gồm Plagly.ai — làm cho khung trở nên thực tế ở quy mô.

Tại sao cả hai cực đoan đều thất bại trong 2024-2025

Thí nghiệm hai năm đã kết thúc và phán quyết đã có. Các chương trình cấm AI hoàn toàn (một làn sóng nhỏ các khoa CS trong 2024) đã chứng kiến việc thực thi sụp đổ trong một học kỳ, sinh viên lặng lẽ né tránh chính sách và khoảng cách mở rộng giữa sinh viên của họ và lực lượng lao động. Các chương trình lấy hướng tiếp cận đối lập — không chính sách, sinh viên dùng cái họ muốn — đã sản xuất các cohort vào thị trường lao động không thể gỡ lỗi mã của chính họ. Các giám đốc tuyển dụng đã đáp lại bằng cách thêm phỏng vấn lập trình trực tiếp và kiểm toán kỹ năng mà sinh viên có bằng cấp đã trượt.

Cả hai chế độ thất bại chia sẻ một nguyên nhân gốc. Họ đối xử với AI như một câu hỏi có/không thay vì biến số sư phạm. Câu hỏi đúng không phải là sinh viên có nên dùng AI không. Đó là tại thời điểm nào trong vòng lặp học tập AI nên can thiệp, và ở chế độ nào. Đó là câu hỏi mà khung này trả lời.

Nền tảng sư phạm: Đấu tranh hiệu quả và giàn giáo

Hai khái niệm từ khoa học học tập làm nền tảng cho mọi thứ tiếp theo. Đầu tiên là đấu tranh hiệu quả: trạng thái nhận thức trong đó người học có đủ thông tin để tiến bộ nhưng không đủ để tiến bộ không cần nỗ lực. Nghiên cứu nhất quán cho thấy việc học xảy ra trong đấu tranh hiệu quả. Các nhiệm vụ quá dễ không xây dựng kỹ năng nào. Các nhiệm vụ quá khó chỉ xây dựng sự thất vọng. Điểm ngọt ở giữa — vùng phát triển gần — là nơi các đường dẫn thần kinh để giải quyết vấn đề thực sự hình thành.

Khái niệm thứ hai là giàn giáo: sự hỗ trợ tạm thời mà người có năng lực hơn (truyền thống là giáo viên, đồng nghiệp hoặc sách giáo khoa) cung cấp để người học có thể hoạt động ngay ngoài khả năng độc lập của họ. Giàn giáo được loại bỏ dần khi người học nội tâm hóa kỹ năng cơ bản. Giàn giáo tốt không giải quyết vấn đề; nó hỗ trợ sinh viên tự giải quyết vấn đề.

Thất bại sư phạm của vibe coding giờ đây có thể nhìn thấy trong khung này: một LLM tạo ra giải pháp hoàn chỉnh phá hủy đấu tranh hiệu quả bằng cách loại bỏ công việc nhận thức tạo ra việc học. Đó là tương đương với một gia sư giải quyết mọi vấn đề ngay khi sinh viên cau mày. Sinh viên ở lại trong ghế, nhưng việc học không xảy ra vì đấu tranh không xảy ra.

Cơ hội sư phạm cũng có thể nhìn thấy. Cùng LLM, được cấu hình để bảo tồn đấu tranh hiệu quả — đặt câu hỏi chẩn đoán, cung cấp gợi ý một phần, từ chối viết mã mà sinh viên chưa kiếm được quyền nhìn — là công cụ giàn giáo mạnh nhất từng được phát minh. Nó kiên nhẫn. Có sẵn vô hạn. Thích ứng với mỗi sinh viên. Không bao giờ thất vọng. Cùng mô hình phá hủy việc học khi cấu hình một cách lại làm cho việc học khả thi khi cấu hình cách khác.

Nghiên cứu gần đây được công bố trên arXiv vào tháng 11 năm 2025 (Scaffolding Metacognition in Programming Education) đã xác nhận điều này về mặt thực nghiệm. Nghiên cứu thấy rằng sinh viên nhấn mạnh hệ thống AI nên «chống lại việc đưa ra câu trả lời đầy đủ quá nhanh», thích cách tiếp cận có giàn giáo với gợi ý từng bước và câu hỏi thích ứng. Sinh viên không yêu cầu ít hỗ trợ AI hơn. Họ yêu cầu hỗ trợ AI được thiết kế tốt hơn.

Khung bảy giai đoạn cho dạy lập trình có hỗ trợ AI

Đây là khung chúng tôi đã tinh chỉnh trong mười tám tháng qua với các giảng viên lập trình từ CS1 đến đồ án tốt nghiệp. Nó tách vòng lặp học tập thành bảy giai đoạn riêng biệt và quy định AI nên và không nên làm gì ở mỗi giai đoạn. Khung có ý kiến — điểm là cho giảng viên một mặc định họ có thể thích ứng, không phải một thực đơn vô hạn các tùy chọn.

Giai đoạn 1: Gặp gỡ vấn đề

Sinh viên đọc đề bài. Vai trò của AI ở đây — không có. Sinh viên phải hình thành sự hiểu biết ban đầu của riêng họ trước khi có bất kỳ sự hỗ trợ AI nào. Điều này không thể thương lượng. Cho phép AI tóm tắt hoặc giải thích prompt ở giai đoạn này làm ngắn mạch sự hiểu biết. Trong thực tế, điều này có thể được thực thi qua các quy ước khóa học («không AI trong mười phút đầu»), quy tắc nộp (phải bao gồm trình bày lại bằng văn bản về vấn đề trước khi có hỗ trợ AI) hoặc đơn giản qua kỳ vọng văn hóa được củng cố nhất quán.

Giai đoạn 2: Phân rã

Sinh viên chia vấn đề thành các vấn đề con. Vai trò của AI ở đây — đặt câu hỏi chẩn đoán. Sinh viên viết bản nháp phân rã và AI đặt câu hỏi kiểu Socrates về nó: «Điều gì thay đổi nếu đầu vào trống?» «Kế hoạch của bạn xử lý phần tử trùng lặp như thế nào?» «Ở đâu trong các vấn đề con của bạn công việc thuật toán thực sự xảy ra?» AI bị cấm đề xuất phân rã riêng của mình; nó chỉ có thể thăm dò phân rã của sinh viên.

Giai đoạn 3: Lựa chọn cách tiếp cận

Sinh viên cam kết với một chiến lược thuật toán (đệ quy vs lặp, hash map vs mảng, v.v.). Vai trò của AI ở đây — so sánh và phân tích đánh đổi. Khi sinh viên đã đề xuất một cách tiếp cận, AI có thể so sánh nó với các lựa chọn thay thế, nói rõ các đánh đổi và hỏi liệu lựa chọn của sinh viên có phù hợp với các ràng buộc hay không. AI không chọn. AI giúp sinh viên hiểu lựa chọn của họ có nghĩa là gì.

Giai đoạn 4: Triển khai

Sinh viên viết mã. Vai trò của AI ở đây tinh tế nhất. Mặc định là chỉ hỗ trợ cú pháp và đặc trưng: AI có thể trả lời «cú pháp Python cho list comprehension lọc và biến đổi là gì», nhưng không thể «viết list comprehension tôi cần cho vấn đề này». AI có thể sửa lỗi cú pháp nhưng không thể thiết kế lại hàm. Đối với sinh viên nâng cao hoặc công việc đồ án tốt nghiệp, điều này có thể nới lỏng: AI như pair programmer, với sinh viên dẫn đầu. Đối với CS1, không nên.

Giai đoạn 5: Kiểm tra và gỡ lỗi

Sinh viên chạy bài kiểm tra và gặp thất bại. Vai trò của AI ở đây — tạo giả thuyết có hướng dẫn. Khi bài kiểm tra thất bại, AI không nói «lỗi ở dòng 12». Nó hỏi: «Bạn nghĩ lỗi có thể ở đâu trong mã? Hàm của bạn trả về gì khi đầu vào trống? Hướng dẫn tôi qua trường hợp kiểm tra này từng bước». Đây là nơi nhiều việc học xảy ra nhất, và cám dỗ ngắn mạch lớn nhất. AI được cấu hình tốt ở đây huấn luyện trực giác gỡ lỗi kéo dài cả sự nghiệp. AI được cấu hình kém phá hủy nó.

Giai đoạn 6: Tái cấu trúc và suy ngẫm

Sinh viên có mã hoạt động. Vai trò của AI ở đây — phê bình và trình bày các lựa chọn thay thế. AI giờ có thể cho thấy một kỹ sư cấp cao sẽ viết cùng mã như thế nào, giải thích tại sao phiên bản của họ tốt hơn hoặc khác biệt, và yêu cầu sinh viên đánh giá so sánh. Đây là giai đoạn nơi AI có thể tạo sinh nhiều nhất — việc học cơ bản đã xảy ra, và giá trị gia tăng là tiếp xúc với các mẫu chất lượng cao hơn.

Giai đoạn 7: Tổng quát hóa

Sinh viên phải chuyển kỹ năng sang một vấn đề hơi khác. Vai trò của AI ở đây trở lại không có. Một biến thể nhỏ của vấn đề gốc được trình bày và sinh viên giải mà không có sự hỗ trợ AI. Đây là khoảnh khắc đánh giá. Nếu sinh viên đã nội tâm hóa kỹ năng cơ bản, biến thể là đơn giản. Nếu không, biến thể phơi bày khoảng trống.

Dịch khung sang các mẫu lớp học

Khung là nguyên tắc. Các mẫu lớp học bên dưới là thực hành. Mỗi mẫu vận hành hóa một hoặc nhiều giai đoạn của khung thành một bài tập hoặc hoạt động cụ thể. Các giảng viên báo cáo những điều này nhất quán là các mẫu hoạt động.

• Bài tập hai-đường. Mọi bài tập có phần solo (Giai đoạn 7 tổng quát hóa, không AI) và phần công cụ (Giai đoạn 1-6, AI có giàn giáo). Phần solo ngắn hơn nhưng được chấm điểm bằng nhau. Điều này bắt được điều sinh viên thực sự có thể làm trong khi để họ học từ AI trên công việc lớn hơn.
• Nộp phân rã trước. Trước khi viết bất kỳ mã nào, sinh viên nộp một phân rã bằng văn bản của vấn đề. AI bị cấm ở giai đoạn này bởi quy ước khóa học. Được chấm điểm về độ rõ ràng của tư duy, không phải tính chính xác cuối cùng. Thường có giá trị 20-30% của bài tập.
• Chatbot đặt câu hỏi AI. Cung cấp cho sinh viên một gia sư AI đặc thù khóa học (một system prompt thực thi hành vi Giai đoạn 2-5 của khung) mà họ được yêu cầu phải dùng để được giúp đỡ, và nó từ chối cung cấp mã trực tiếp. Một số đại học đã xây dựng những cái này trong nội bộ; các lựa chọn có sẵn như AI Tutor của Code.org nhúng các nguyên tắc Socrates trực tiếp.
• Đánh giá chỉ gỡ lỗi. Cho sinh viên mã do AI tạo hoạt động với lỗi tinh tế và chấm điểm khả năng của họ tìm và sửa. Điều này huấn luyện Giai đoạn 5 trực tiếp và thưởng kỹ năng mà bản thân AI thực hiện tệ nhất.
• Bài tập prompt-và-đánh-giá. Sinh viên prompt AI để giải vấn đề, đánh giá phản hồi về tính đúng và hiệu quả, xác định mọi lỗi hoặc vấn đề phong cách, và nộp cả prompt và phiên bản đã sửa. Đối xử với sự lưu loát AI như một kỹ năng được chấm điểm thay vì sự lách luật.
• Bảo vệ miệng. Năm phút mỗi sinh viên trên các bài tập đáng kể. Hai câu hỏi chẩn đoán: hướng dẫn tôi qua hàm này, và sửa đổi nó để xử lý một biến thể nhỏ. Bắt mọi thứ khung được thiết kế để dạy và hầu như không có gì khác.
• Quét xác minh cohort. Mọi bài nộp đi qua một lớp xác minh đưa lên bề mặt các bài nộp đáng kiểm tra sâu hơn. Điểm không phải là bắt mọi kẻ gian lận. Đó là giữ chuẩn xã hội làm việc nguyên vẹn để khung tiếp tục hoạt động.

Lớp công cụ: Điều làm cho điều này thực tế ở quy mô

Một lớp CS1 200 sinh viên không thể xác minh thủ công mọi bài tập, giàn giáo thủ công mọi tương tác AI của sinh viên, hoặc thực hiện bảo vệ miệng thủ công trên mọi bài nộp. Khung là thực tế chỉ khi lớp công cụ lấy công việc khối lượng khỏi đĩa của giảng viên, để con người trong vòng cho các trường hợp phán đoán con người có giá trị độc nhất. Đây là vai trò thực tế của Plagly.ai trong một khóa học được xây dựng quanh khung.

• Xác minh bài nộp mã. Mọi tệp được tải lên đi qua một lượt quét sinh AI trả về điểm tin cậy và cờ trên-mỗi-dòng. Plagly.ai đạt độ chính xác 99% qua GPT-5.5, Claude 4.6, Gemini 3.1 và các công cụ lập trình tác tử kết hợp chúng. Bài nộp có điểm AI thấp không cần kiểm tra thêm. Bài nộp điểm cao xuất hiện cho bảo vệ miệng.
• Phân tích mẫu cấp cohort. Khi tám sinh viên trong một phần tạo ra giải pháp với cùng cách đặt tên biến đặc trưng, cùng mật độ chú thích, cùng boilerplate phòng thủ, cụm xuất hiện tự động. Điều này bắt các thất bại mà phân tích bài nộp đơn lẻ không thể.
• Xác minh dấu vết quá trình. Cho các dự án lớn hơn, Agentic Council của Plagly.ai — bảy mô hình chuyên gia miền phân tích bài nộp về chất lượng viết, cấu trúc, phát hiện AI, độc đáo và nhất quán — tạo ra báo cáo có tham chiếu ghi chép liệu bài nộp có cho thấy dấu vết tác giả lặp đi lặp lại mà công việc sinh viên thực thường thể hiện.
• Humanize ngược lại cho dạy học. Tính năng Humanize cho thấy mã điển hình AI trông như thế nào. Được dùng trong lớp học, nó trở thành công cụ dạy học: cho sinh viên xem một hàm viết theo phong cách điển hình AI bên cạnh cùng hàm theo phong cách đặc trưng sinh viên, và yêu cầu họ liệt kê các khác biệt có thể nhìn thấy. Điều này huấn luyện kỹ năng nhận diện mà các bài tập Giai đoạn 2 của khung dựa vào.
• Phủ sóng đa ngôn ngữ. Các tín hiệu hoạt động qua Python, JavaScript, Java, TypeScript, C++, Rust, Go và các ngôn ngữ khác được dạy rộng rãi. Thiết kế chương trình không phải uốn cong xung quanh giới hạn công cụ.

Khung trông như thế nào theo cấp khóa học

Khung nhất quán qua các cấp khóa học, nhưng hiệu chuẩn thay đổi. Sinh viên càng tiến xa, càng kiếm được nhiều quyền tự chủ ở mỗi giai đoạn. Ba điểm tham chiếu:

CS1 (Giới thiệu lập trình)

Thực thi khung nghiêm ngặt. Giai đoạn 1, 4 và 7 có quyền truy cập AI tối thiểu. Giai đoạn 2-3 chỉ dùng AI ở chế độ đặt câu hỏi. Giai đoạn 5 gỡ lỗi được giàn giáo nặng. Mục tiêu của giảng viên ở CS1 là xây dựng cơ sở hạ tầng nhận thức: khả năng đọc mã, theo dõi thực thi, hình thành giả thuyết về thất bại. Cho phép AI làm bất kỳ công việc nào trong số này ở CS1 tạo ra sinh viên không bao giờ phát triển nó. Kết hợp điều này với giải quyết vấn đề trong lớp bắt buộc và bảo vệ miệng trên mọi bài tập đáng kể.

Cấu trúc dữ liệu và thuật toán

Thực thi khung vừa phải. Giai đoạn 4-6 có thể nới lỏng nhẹ. AI giờ có thể được dùng làm pair programmer cho triển khai, nhưng chỉ sau khi sinh viên độc lập cam kết với một cách tiếp cận (Giai đoạn 3). Gỡ lỗi vẫn được giàn giáo nặng. Các nhiệm vụ tổng quát hóa Giai đoạn 7 trở nên trừu tượng hơn: chứng minh thuật toán của bạn chạy trong O(n log n), sửa đổi triển khai của bạn để xử lý một ràng buộc bổ sung đòi suy nghĩ lại đáng kể. Đây là nơi sinh viên mạnh bắt đầu dùng AI hiệu quả và sinh viên yếu bị phơi bày bởi các nhiệm vụ tổng quát hóa.

Đồ án tốt nghiệp và kỹ thuật phần mềm

Thực thi khung lỏng lẻo, hiển thị quá trình nặng. Đến năm cuối, sinh viên nên hoạt động gần hơn với mô hình lực lượng lao động: AI như cộng tác viên, sinh viên như người dẫn dắt. Lớp xác minh chuyển từ phát hiện AI trên-mỗi-bài-nộp sang hiển thị quá trình: lịch sử commit, tài liệu quyết định thiết kế, các phiên xem xét mã được ghi. Bảo vệ miệng trở thành xem xét thiết kế — sinh viên có thể biện minh cho các lựa chọn kiến trúc, giải thích các đánh đổi, và sửa đổi thiết kế để đáp ứng một ràng buộc mới? Đây là nơi đầu tư của khung vào CS1 đền đáp, hoặc thất bại.

Điều cần ngừng làm trong 2026

Năm thực hành sống sót từ chương trình tiền-AI và giờ cần biến mất. Mỗi điều tích cực phá hoại khung khi được giữ lại.

• Ngừng cân bài tập take-home ở 70%+ điểm. Vòng lặp bài tập-kiểm tra hoàn toàn tự động hóa được. Thành phần điểm phụ thuộc vào hiệu suất take-home không còn đo lường điều nó tuyên bố. Chuyển trọng lượng sang giải quyết vấn đề trong lớp, bảo vệ miệng và các cột mốc dự án được giám sát.
• Ngừng dùng đầu ra chấm điểm tự động làm điểm duy nhất của bài tập. Chấm điểm tự động không biết liệu sinh viên có viết mã hay không. Kết hợp điểm chấm điểm tự động với lớp xác minh, và điểm có ý nghĩa đòi bảo vệ miệng.
• Ngừng giao các vấn đề đồ chơi có giải pháp được công bố rộng rãi. Nếu vấn đề xuất hiện trên LeetCode, GeeksforGeeks, hoặc bất kỳ sách giáo khoa nào được xuất bản trước 2024, AI đã thấy giải pháp. Các đề bài đặc thù khóa học, các tập dữ liệu và các ràng buộc buộc AI thực sự làm việc thay vì nhớ lại.
• Ngừng đối xử với AI như nằm ngoài chương trình. Sự lưu loát AI giờ là một phần của điều lập trình viên làm trong ngành. Bài tập rõ ràng liên quan đến đánh giá đầu ra AI, gỡ lỗi mã do AI tạo, hoặc phê bình thiết kế do AI đề xuất dạy một kỹ năng mà nơi làm việc cần.
• Ngừng giấu lớp xác minh. Nói cho sinh viên một cách công khai rằng bài nộp được quét về sinh AI, các giai đoạn của khung mong đợi gì, và hậu quả của việc lạm dụng là gì. Sự minh bạch cải thiện chuẩn xã hội. Thực thi ẩn sinh ra hành vi đối nghịch.

Câu hỏi thường gặp

Khung này có hoạt động cho khóa tự học và không đồng bộ không?

Có, với hai sự thích ứng. Đầu tiên, bảo vệ miệng chuyển sang một video ghi hình hướng dẫn mà sinh viên nộp với mỗi bài tập đáng kể. Video ngắn (hai đến năm phút) và trả lời hai câu hỏi chẩn đoán được cung cấp với bài tập. Thứ hai, công cụ giàn giáo AI trở nên quan trọng hơn vì giảng viên không có mặt trong phòng để chuyển hướng sinh viên trượt vào chế độ giải. Một gia sư AI đặc thù khóa học với ràng buộc Socrates (hoặc một system prompt cẩn thận trên một công cụ chung) làm cho điều này có thể thực hiện được.

Còn các sinh viên học tốt hơn bằng cách đọc mã hoạt động?

Khung rõ ràng chứa điều này ở Giai đoạn 6 (tái cấu trúc và suy ngẫm). Sau khi sinh viên đã tạo ra mã hoạt động của riêng họ, tiếp xúc với các lựa chọn thay thế do AI tạo hoặc các tái cấu trúc của chuyên gia có giá trị cao. Hạn chế là trình tự: AI-như-mẫu đến sau công việc của riêng sinh viên, không phải trước. Đọc mã tuyệt vời dạy khi người đọc đã cố gắng giải vấn đề; đọc mã tuyệt vời như sự thay thế cho việc cố gắng giải vấn đề dạy hầu như không có gì.

Làm sao xử lý sinh viên đã dùng AI nhiều và bất bình với khung?

Trình bày lập luận một cách rõ ràng, lý tưởng vào ngày đầu tiên. Cho họ xem dữ liệu CodeRabbit tháng 12 năm 2025 về tỷ lệ lỗi 1.7x trong mã đồng tác giả AI. Tham khảo bài luận dev.to 30 Days Without AI. Nói về phỏng vấn lập trình trực tiếp và các giám đốc tuyển dụng thực sự đang làm gì trong 2026. Sinh viên kháng cự khung thường là sinh viên cần nó nhất. Nhiều người trong số họ chưa gặp hậu quả của vibe coding, và một khi họ gặp (thường ở phỏng vấn kỹ thuật đầu tiên), họ có xu hướng tiếc nuối đã không xem khung nghiêm túc hơn từ sớm.

Tôi có thể thực hiện khung dần dần thay vì tái cấu trúc khóa học một lần?

Có. Sự áp dụng tối thiểu khả thi là thêm ba thứ vào khóa học hiện có của bạn: yêu cầu nộp phân rã trước trên một bài tập chính, một bảo vệ miệng ngắn trên cùng bài tập đó, và một lớp xác minh (một công cụ quét bài nộp và đưa lên bề mặt các mẫu) chạy lặng lẽ trong nền. Ba bổ sung này đưa bạn đi phần lớn quãng đường mà không yêu cầu thiết kế lại chương trình hoàn toàn. Hầu hết các giảng viên chúng tôi đã làm việc cùng bắt đầu ở đây và mở rộng vào khung đầy đủ trong hai đến ba học kỳ.

Còn nếu tổ chức của tôi chưa áp dụng chính sách AI rõ ràng?

Hầu hết chưa, và hầu hết đang tìm đầu vào của giảng viên. Áp dụng khung ở cấp khóa học cung cấp cho bạn một mô hình có thể bảo vệ để mang đến các cuộc trò chuyện chính sách ở cấp khoa: đây là điều chúng tôi đang làm ở CS1, đây là lý do, đây là kết quả. Các giảng viên chủ động mô hình hóa sư phạm tốt trong không gian này ngày càng là những người định hình chính sách thể chế. Khung được thiết kế để được bảo vệ trong các cuộc trò chuyện đó — các trích dẫn đến khoa học học tập, các tham chiếu đến nghiên cứu được đồng nghiệp xem xét, và sự đặt nền tảng rõ ràng trong đấu tranh hiệu quả và giàn giáo đều phục vụ như giàn giáo tu từ cho công việc chính sách.