UCMAS dưới góc nhìn khoa học – Phân tích các nghiên cứu từ Harvard, Stanford và UCSD

Đây là chi tiết về nghiên cứu khoa học này: ĐỌC NGHIÊN CỨU GỐC TẠI ĐÂY

PHẦN 1: TÓM TẮT NGHIÊN CỨU

Chương trình UCMAS – sử dụng phương pháp bàn tính và tưởng tượng để rèn luyện tư duy – đã thu hút sự quan tâm của nhiều nhà khoa học trên thế giới. Những nghiên cứu mới nhất từ Harvard, Stanford và UCSD (Hoa Kỳ) đã mang lại bằng chứng vững chắc: UCMAS không chỉ giúp trẻ tính nhanh, mà còn kích hoạt và phát triển não bộ một cách toàn diện.

1. Từ bàn tính đến não bộ: UCMAS kích hoạt trí tuệ ra sao?

Khi trẻ luyện tập với bàn tính, đặc biệt là “bàn tính tưởng tượng”, các em phải hình dung, thao tác và tính toán hoàn toàn trong đầu. Quá trình này:

Huy động nhiều vùng não cùng lúc, đặc biệt là:

• Thùy trán trước (Prefrontal cortex): điều khiển trí nhớ làm việc, sự tập trung và ra quyết định.
• Thùy đỉnh (Parietal lobe): xử lý thông tin không gian và số học.
• Thùy chẩm (Occipital lobe): xử lý hình ảnh và tưởng tượng trực quan.

Giúp kết nối các vùng não trở nên mạnh mẽ và linh hoạt hơn, từ đó tăng cường khả năng học tập và phản xạ tư duy.

2. Nghiên cứu từ Harvard & UC San Diego: Bàn tính làm thay đổi cấu trúc não

Một nghiên cứu tiên phong do các nhà khoa học tại Đại học Harvard và UCSD (University of California, San Diego) thực hiện đã so sánh cấu trúc não bộ của trẻ học UCMAS với nhóm không học.

Kết quả:

• Trẻ học UCMAS có mật độ chất xám cao hơn ở vùng não liên quan đến trí nhớ và xử lý toán học.
• Có sự kết nối thần kinh mạnh mẽ hơn giữa các vùng não – điều này phản ánh khả năng xử lý thông tin nhanh và chính xác hơn.

3. Nghiên cứu tại Stanford: Trí nhớ và tập trung được cải thiện rõ rệt khi trẻ học UCMAS

Nghiên cứu tại Đại học Stanford tập trung vào trí nhớ làm việc và khả năng duy trì chú ý – hai yếu tố then chốt giúp trẻ học tốt mọi môn học.

Kết quả:

• Trẻ học UCMAS có khả năng ghi nhớ dãy số, vị trí, và chuỗi thông tin tốt hơn hẳn nhóm đối chứng.
• Khả năng duy trì sự chú ý của các em cao hơn rõ rệt – một yếu tố cực kỳ quan trọng trong học tập và thi cử.

4. Tính nhanh chỉ là bề nổi – Điều UCMAS thực sự phát triển là tư duy toàn diện

Các nhà nghiên cứu kết luận: tốc độ tính toán không phải là mục tiêu duy nhất của UCMAS, mà là phương tiện để phát triển:

• Tư duy logic và trực giác

• Khả năng tập trung, ghi nhớ và phản xạ nhanh

• Sự linh hoạt giữa hai bán cầu não

Trẻ học UCMAS thường có cách tiếp cận bài toán và vấn đề nhanh nhạy hơn, không chỉ trong môn Toán mà cả trong các hoạt động học tập khác.

PHẦN 2: TOÀN BỘ NGHIÊN CỨU

Tác giả: Michael C. Frank¹ và David Barner²

¹ Khoa Khoa học Não bộ và Nhận thức, Viện Công nghệ Massachusetts (MIT)
² Khoa Tâm lý học, Đại học California, San Diego (UCSD)

Tổng số từ:  3905 từ nội dung chính + 46 từ phần lời cảm ơn + 32 chú thích = 3984 từ

Thông tin liên hệ:
Michael C. Frank
Địa chỉ: 77 Massachusetts Avenue, MIT Room 46-3037D, Cambridge, MA 02139

Lời cảm ơn:
Hai tác giả có mức đóng góp ngang nhau cho nghiên cứu này.
Chúng tôi chân thành cảm ơn học sinh và đội ngũ tại trung tâm UCMAS Gujarat.
Cảm ơn George Alvarez, Timothy Brady, Susan Carey và Rebecca Saxe vì sự hỗ trợ và đóng góp chuyên môn.
Dự án này được tài trợ bởi Quỹ nghiên cứu của Đại học UCSD dành cho tác giả David Barner, và học bổng Jacob Javits Fellowship dành cho Michael C. Frank.

1. Giới thiệu chung

1.1. Con người là loài duy nhất có thể biểu diễn số lượng chính xác

Chỉ con người, khi được học đếm mới có khả năng biểu diễn những số lượng lớn một cách chính xác. Điều này khiến nhiều nhà nghiên cứu cho rằng ngôn ngữ đóng vai trò hỗ trợ cho sự phát triển của những “hệ thống biểu diễn” mới trong não bộ.

Trong nghiên cứu này, chúng tôi khám phá một hệ thống biểu diễn số học thay thế, đó là “bàn tính tưởng tượng” (Mental Abacus – MA), vốn được cho là dựa trên hình ảnh thị giác trong tâm trí.

Chúng tôi đặt câu hỏi:

• Cơ chế thị giác hiện có nào trong não có thể được dùng để biểu diễn bàn tính MA?
• Những cơ chế đó có bị biến đổi do quá trình huấn luyện MA, hay chỉ đơn giản là được sử dụng lại?

Chúng tôi đã kiểm tra trẻ em Ấn Độ (đã thành thạo bàn tính MA) và cả người lớn chưa qua huấn luyện. Ở cả hai nhóm, chúng tôi phát hiện:

• MA hoạt động dựa trên việc tận dụng lại các tài nguyên thị giác sẵn có trong não bộ.
• Mỗi cột của bàn tính được não mã hóa như một “mô hình riêng biệt” trong trí nhớ làm việc bằng thị giác.

Điều này khác với các giả thuyết trước đây, vốn cho rằng kỹ năng nhận thức chuyên biệt đến từ việc hệ thống cảm giác được “làm sắc bén” hoặc do tiếp xúc lâu dài với các mô hình thống kê trong một lĩnh vực.

Kết luận:
Bộ não có thể mã hóa được các số lượng lớn mà không cần tạo ra hệ thống biểu diễn mới, chỉ cần biết cách khai thác các năng lực thị giác đã có sẵn.

Con người khác với các loài động vật khác có thể thực hiện các phép tính số học một cách chính xác.
Dù nhiều loài vật có thể phân biệt được sự khác nhau giữa số lượng nhỏ hoặc ước lượng số lượng lớn, không loài vật nào có khả năng biểu diễn và thao tác với những con số lớn và chính xác như con người.

1.2. Bàn tính ảo – một hình thức biểu diễn số độc đáo không cần ngôn ngữ

Trong quá trình phát triển, việc học hệ thống đếm số luôn đi trước khả năng hiểu các khái niệm số lượng lớn (Wynn, 1990; Le Corre, 2006). Các nghiên cứu cũng chỉ ra rằng các cộng đồng bản địa không có từ vựng về số học không thể biểu diễn được số lượng lớn một cách chính xác (Frank et al., 2008; Gordon, 2004; Pica et al., 2004). Điều này gợi ý rằng ngôn ngữ có thể là yếu tố thúc đẩy sự hình thành các “hệ thống biểu diễn số lượng” trong não người.

Tuy nhiên, ngôn ngữ không phải là công cụ nhận thức duy nhất giúp con người biểu diễn số học một cách có hệ thống.
Những người thành thạo sử dụng bàn tính – một công cụ tính toán vật lý – có thể thực hiện phép toán trong đầu bằng cách hình dung ra một “bàn tính tưởng tượng” (Mental Abacus – MA) (Hatano, 1977; Stigler, 1984…). Hệ thống MA cung cấp một ví dụ điển hình cho việc xây dựng một hệ thống biểu diễn số học phức tạp mà không cần ngôn ngữ.

Nghiên cứu hiện tại đặt ra câu hỏi:
Khi không có sự hỗ trợ của ngôn ngữ, liệu hệ thống thị giác trong não người có thể giúp con người biểu diễn những con số lớn một cách chính xác thông qua phương pháp MA không?

Bàn tính đã được sử dụng tại Châu Á từ khoảng năm 1200 sau Công nguyên để thực hiện các phép tính nhanh và chính xác (Menninger, 1969).
Bàn tính biểu diễn số bằng cách sắp xếp các hạt trong các cột, mỗi cột đại diện cho một giá trị (cột càng về bên phải thì giá trị càng thấp).

Trong bàn tính Soroban của Nhật, mỗi cột chia làm hai phần ngăn cách bởi một thanh ngang:

• Phía dưới là 4 hạt gọi là “hạt đất” (earthly beads), mỗi hạt có giá trị là 1 đơn vị.
• Phía trên là 1 hạt “hạt trời” (heavenly bead), có giá trị bằng 5 lần một hạt đất.

Khi hạt được di chuyển về phía thanh ngang chia đôi, chúng sẽ được tính là “đang được sử dụng” (in play), và bắt đầu được tính vào tổng số cần biểu diễn.

1.3. Cách hoạt động của bàn tính ảo

Thay vì sử dụng bàn tính vật lý, người học MA được huấn luyện để hình dung bàn tính trong đầu, rồi di chuyển các hạt tưởng tượng nhằm thực hiện các phép cộng, trừ, nhân, chia – với tốc độ và độ chính xác đáng kinh ngạc.

Tuy nhiên, vẫn có lỗi xảy ra. Những lỗi đó cho thấy cấu trúc “bàn tính trong đầu” gần như phản ánh chính xác cấu trúc của bàn tính thật. Ví dụ:

• Người dùng MA thường bỏ sót cả một cột khi tính toán, điều hiếm xảy ra ở người không dùng MA.
• Họ cũng dễ sai sót với các phép tính liên quan đến số 5, do nhầm lẫn trong biểu diễn “hạt trời” (heavenly bead) – theo Stigler, 1984.

 

Tuy nhiên, hệ thống MA không thể được giải thích hoàn toàn bằng các cơ chế xử lý số lượng phi ngôn ngữ (non-linguistic) thông thường.

Ví dụ:

• Để biểu diễn số 49, người học cần theo dõi vị trí chính xác của 9 hạt – điều mà trí nhớ làm việc bằng thị giác (visuo-spatial working memory) chỉ có thể làm với 3–4 đối tượng (theo Alvarez & Cavanagh, Cowan, Feigenson…).
• Hệ thống số lượng ước lượng (ANS – approximate number system) cũng không đủ để giải thích:
  Trong ANS, mức độ sai lệch tăng theo quy mô tập hợp, nên không thể đạt độ chính xác như người học MA.

Nói cách khác:
ANS không đủ tinh vi để hỗ trợ việc biểu diễn chính xác số lượng lớn như trong MA.

Do đó, nhóm nghiên cứu đặt câu hỏi:
Làm thế nào mà việc hình dung bàn tính MA lại vượt qua được giới hạn của các hệ thống này?

2. Giả thuyết chính về cơ chế hoạt động của bàn tính ảo

• Giả thuyết 1: MA có thể là một dạng kỹ năng cao trong ước lượng số học (approximate number). Theo giả thuyết “làm sắc bén cảm giác” (perceptual sharpening), việc huấn luyện MA giúp nâng độ nhạy của hệ thống ANS → từ đó, học sinh có thể biểu diễn chính xác các tập hợp lớn.

Ví dụ: Nếu trẻ có thể nhớ chính xác 20 hạt thì có thể biểu diễn được số lên đến 9999, chỉ bằng việc kết hợp chúng trong hệ thống bàn tính MA.

2.1. Giả thuyết “làm sắc bén cảm giác” (Perceptual sharpening)

Khi luyện tập MA, người học thực hiện các nhiệm vụ đòi hỏi phân biệt, ước lượng, chú ý thị giác… lặp đi lặp lại. Việc này giúp:

• Tăng độ nhạy của các kỹ năng nhận thức như chú ý, phân biệt chi tiết, và đánh giá số lượng.
• Tuy nhiên, cách sử dụng những hình ảnh thị giác này không thay đổi, chỉ là sử dụng chúng hiệu quả hơn.

2.2. Giả thuyết “gom cụm cảm giác” (Perceptual chunking)

Việc luyện MA giúp học sinh “gom nhóm” các hạt thành từng cụm lớn hơn trong trí nhớ, nhờ đó:

• Tăng số lượng hạt có thể được biểu diễn cùng lúc.
• Tăng tốc độ xử lý và độ chính xác.

Nhiều nghiên cứu cho thấy: Khi được luyện tập, con người có thể xử lý các cụm thống kê (chunk – ví dụ các vật thể lặp lại theo quy luật) nhanh và chính xác hơn, mà không cần phải nhớ từng đơn vị riêng lẻ.

2.3. Giả thuyết “tái sử dụng tài nguyên cảm giác” (Perceptual redeployment)

Giả thuyết này cho rằng:
MA kết hợp trí nhớ làm việc không gian thị giác (visuo-spatial working memory) với hệ thống ước lượng số lượng (ANS), bằng cách:

• Mỗi cột bàn tính được lưu trữ như một mô hình riêng biệt trong trí nhớ.
• Người học duy trì ước lượng vị trí và số lượng của từng cột – giống như cách người lớn ước lượng vị trí trung bình của một nhóm vật thể.

Tóm lại: Hệ thống MA tái sử dụng các năng lực nhận thức có sẵn, để biểu diễn số lượng một cách chính xác bằng cách phối hợp linh hoạt giữa trí nhớ và cảm giác thị giác.

3. Thí nghiệm

3.1. Thí nghiệm 1: Cộng nhanh

3.1.1. Mục tiêu:

Trong thí nghiệm đầu tiên, các học sinh được yêu cầu thực hiện một bài cộng thích ứng – tức là bài tập cộng được điều chỉnh độ khó theo khả năng từng học sinh.

Ví dụ: cộng hai số được sắp theo cột dọc như
 278  + 596

Số lượng chữ số trong mỗi số sẽ thay đổi tùy theo kết quả làm bài trước đó, nhằm đảm bảo độ khó phù hợp với năng lực từng người.

Giải thích qua ba giả thuyết:

• Giả thuyết 1: Theo giả thuyết “làm sắc bén cảm giác” (Perceptual sharpening):
  Luyện tập MA làm tăng độ chính xác của hệ thống ước lượng số lượng (ANS), giúp học sinh nhận diện số lượng các hạt nhanh và chính xác hơn.
  → Do đó, độ chính xác sẽ phụ thuộc vào số hạt đang “được chơi” (in play) – càng nhiều hạt, càng dễ sai.
• Giả thuyết 2: Theo giả thuyết “gom cụm cảm giác” (Chunking):
  Người học MA sẽ ít quen thuộc với cấu trúc bàn tính lớn, nên khi số lượng cột (số chữ số) tăng lên, họ dễ gặp khó khăn.
• Giả thuyết 3: Theo giả thuyết “tái sử dụng tài nguyên cảm giác” (Redeployment):  Mỗi cột số được xem như một “mô hình độc lập” trong trí nhớ làm việc thị giác.
  → Sai số trong tính toán sẽ phụ thuộc vào số cột (tức là số chữ số), chứ không phải số lượng hạt.

Phương pháp nghiên cứu

Đối tượng: Là học sinh UCMAS tại bang Gujarat (Ấn Độ), đã hoàn thành Level 4, tương đương với:

• Khoảng 1 năm rưỡi luyện tập MA và thể chất.
• Đã bắt đầu sử dụng bàn tính trong trí nhớ (mental abacus).

• Các em được chọn dựa trên:
• Khả năng đi đến trung tâm khảo thí.
• Giáo viên đánh giá là những học sinh giỏi nhất trong lớp.

Số lượng mẫu:

• 51 học sinh tham gia.
• Độ tuổi trung bình: 11,2 tuổi (dao động từ 7,2 đến 16,3 tuổi).

Kích thích và quy trình thực hiện

• Tất cả các bài toán được thiết kế bằng phần mềm Matlab và Psychtoolbox.
• Học sinh trả lời bằng bàn phím số.
• Hướng dẫn được cung cấp bằng tiếng Hindi, Anh hoặc Gujarati (tùy theo ngôn ngữ của học sinh), có kèm theo ví dụ minh họa.

Cách trình bày bài toán:

• Hai số cần cộng được hiển thị đồng thời trên màn hình máy tính.
• Học sinh phải nhập kết quả trong thời gian tối đa 10 giây.
• Độ dài số được điều chỉnh linh hoạt:
  • Nếu trả lời đúng 2 câu liên tiếp, số chữ số sẽ tăng lên.
  • Nếu trả lời sai 1 câu, số chữ số sẽ giảm xuống.
• Các số được chọn ngẫu nhiên nhưng đảm bảo phù hợp với độ dài mong muốn (VD: 100–999 cho số có 3 chữ số).
• Học sinh nhận được phản hồi sau mỗi câu hỏi.
• Nếu quá thời gian 10 giây, máy sẽ báo “hết giờ”.
• Tổng thời gian làm bài: 5 phút.

3.1.2. Kết quả và thảo luận

Các nhà nghiên cứu sử dụng mô hình hồi quy logistic đa cấp để phân tích toàn bộ dữ liệu.

Trong mỗi thí nghiệm, các yếu tố được xét bao gồm:

• Hiệu ứng nhóm (group-level fixed effects).
• Độ lệch cá nhân (random intercepts) cho từng học sinh.
• So sánh giữa số lượng hạt và số lượng cột bàn tính

Mục tiêu: Xác định yếu tố nào dự đoán tốt hơn kết quả làm bài – là số lượng hạt (beads) hay số cột bàn tính (columns).

Hai mô hình được so sánh:

• Một mô hình tính theo số hạt.
• Một mô hình tính theo số cột.
• Số hạt và số cột có tương quan cao (r = 0.65), nên cần so sánh mô hình để xác định yếu tố nào phù hợp hơn.

Kết quả:

• Cả hai mô hình đều có ý nghĩa thống kê (p < 0.0001).
• Mô hình theo số cột phù hợp dữ liệu tốt hơn rõ rệt
  → χ² = 504.58, p < 0.0001
• Kết luận ban đầu
• Kết quả phù hợp với hai giả thuyết:
• Chunking (gom cụm): học sinh xử lý được nhiều số hơn bằng cách gom chúng lại.
• Redeployment (tái sử dụng tài nguyên thị giác): học sinh dùng trí nhớ thị giác để “giữ chỗ” từng cột số như một mô hình độc lập.
• Nhưng không phù hợp với giả thuyết Sharpening, vì kết quả không phụ thuộc vào số lượng hạt đang được “chơi”.

3.2. Thí nghiệm 2: Thẻ ghi nhớ bàn tính (Abacus Flashcards)

Thí nghiệm tiếp theo so sánh việc “đọc” thẻ bàn tính (tức là nhận diện số lượng hạt trên bàn tính) với các bài ước lượng số lượng hạt trong các hình hiển thị.

3.2.1. Cách trình bày:

Tất cả các bài kiểm tra đều dùng hình ảnh có số lượng hạt giống nhau, được bố trí theo 3 dạng:

• Bàn tính chuẩn.
• Bàn tính xoay ngang.
• Ma trận chấm ngẫu nhiên.

Mỗi giả thuyết nhận thức sẽ dự đoán kết quả khác nhau trong các tình huống trên:

1. Giả thuyết Sharpening (mài bén thị giác)

• Dự đoán 1: Hiệu suất làm bài sẽ phụ thuộc vào số lượng hạt, không phải cách bố trí.
• Dự đoán 2: Không có sự khác biệt rõ ràng giữa:
  • Bài đọc thẻ bàn tính và bài ước lượng số lượng hạt.
  • Vì các hình ảnh đều giống nhau về mặt thị giác (cùng số lượng hạt).
• Dự đoán 3: Cả độ chính xác và mức độ dao động của câu trả lời sẽ tương đương nhau giữa các tình huống bàn tính chuẩn và bàn tính xoay.

2. Giả thuyết Chunking (gom cụm thông tin)

• Dự đoán 1: Hiệu suất phụ thuộc vào số lượng cột.
• Dự đoán 2: Tương tự sharpening, nhưng nhấn mạnh rằng:
  • Trẻ em học cách ghi nhớ các mẫu sắp xếp lặp đi lặp lại trên bàn tính.
  • Vì vậy, các bài kiểm tra có sắp xếp giống hoặc tương tự bàn tính (dù xoay đi) sẽ dễ hơn so với ma trận chấm ngẫu nhiên.

3. Giả thuyết Redeployment (tái sử dụng trí nhớ thị giác)

• Dự đoán 1: Hiệu suất bị giới hạn bởi số lượng cột, không phải số hạt.
• Dự đoán 2: Vì “đọc” bàn tính là hoạt động theo cột:
  • Người làm bài sẽ cần ít bước hơn so với việc đếm từng hạt (như trong ma trận chấm).
  • Thời gian phản hồi sẽ không tăng tuyến tính theo số lượng hạt, mà phụ thuộc vào số cột.

3.2.2. Người tham gia

Thí nghiệm 2 có tổng cộng 133 học sinh, với độ tuổi trung bình là 11.2 tuổi (dao động từ 6.8 đến 15.0 tuổi). Tất cả các em đều đã được làm quen với việc đọc bàn tính thông qua quá trình huấn luyện trước đó.

Kích thích và quy trình thực hiện

• Các em được xem hình ảnh mô phỏng của một chiếc bàn tính (dưới dạng thẻ flashcard) trong 500 mili giây trên màn hình máy tính.
  Nhiệm vụ của các em là nhập số lượng hạt được hiển thị trên bàn tính thông qua bàn phím số.
• Mức độ khó tăng dần theo độ chính xác: nếu trả lời đúng 2 lần liên tiếp, hệ thống sẽ thêm 1 cột bàn tính vào lần kế tiếp; nếu sai 1 lần, sẽ giảm 1 cột.
• Các em nhận được phản hồi sau mỗi lần làm bài. Không giới hạn thời gian làm bài.

Ngoài ra, mỗi học sinh còn được thực hiện một trong năm dạng bài kiểm tra ước lượng số lượng hạt (xem Hình 3a):

1. Giống hệt (Identical) – Thẻ bàn tính giống hoàn toàn với loại đã được dùng trong phần đọc bàn tính. (N = 24)
2. Xoay 90 độ (Rotated) – Hình ảnh bàn tính bị xoay ngang 90 độ. (N = 24)
3. Cấu hình bị thay đổi (Configural) – Bàn tính vẫn có đủ số hạt, nhưng bố cục thanh và cấu trúc bị thay đổi (ví dụ bỏ thanh ngang…). (N = 36)
   Lắc nhẹ (Jittered) – Các hạt bị xáo trộn vị trí nhẹ trong khung giới hạn, để tạo độ ngẫu nhiên nhỏ mà vẫn giữ nguyên số lượng. (N = 25)
4. Ngẫu nhiên (Random) – Hình ảnh các hạt phân bố hoàn toàn ngẫu nhiên, không theo dạng bàn tính. (N = 24)

Tất cả các bài kiểm tra được thiết kế sao cho:

• Thứ tự các nhiệm vụ được hoán đổi ngẫu nhiên giữa các học sinh.
• Số lượng cột (độ khó) trong bài ước lượng tương đương với bài đọc bàn tính để đảm bảo sự công bằng.

Kết quả và thảo luận

Phù hợp với Thí nghiệm 1, độ chính xác khi đọc bàn tính được dự đoán tốt hơn bởi mô hình tính số cột trên bàn tính, chứ không phải mô hình tính số hạt đang được sử dụng trong phép tính (χ² = 815.89, p < .0001, Hình 2b). (Độ chính xác khi đọc bàn tính giữa 5 nhóm học sinh gần như giống nhau: M = .72, .72, .73, .74 và .73).

Sau đó, chúng tôi áp dụng một mô hình phân cấp duy nhất cho toàn bộ dữ liệu (tất cả các lần thử trong mọi điều kiện), bao gồm:

• Hiệu ứng nhóm theo từng điều kiện,
• Và sự tương tác giữa điều kiện và số hạt trong bài.

Bảng 1 trình bày các hệ số ước lượng và giá trị z tương ứng cho các hiệu ứng nhóm trong mô hình này.

Có sự cải thiện nhẹ về độ chính xác ở các điều kiện có cấu trúc trực quan rõ ràng (như sắp xếp thành hàng, theo cột). Tuy nhiên, nhiệm vụ đọc bàn tính vẫn thể hiện độ chính xác cao hơn bất kỳ bài kiểm tra ước lượng nào khác (p < .0001 cho tất cả các so sánh, Hình 3b).

Chúng tôi cũng áp dụng một mô hình tương tự để kiểm tra thời gian phản ứng (RT) của người tham gia từ lúc nhìn thấy bài đến khi nhấn phím lần đầu tiên (Bảng 2).

• Vì dữ liệu RT thường phân phối theo logarit, chúng tôi dùng hồi quy tuyến tính để dự đoán log thời gian phản ứng.
• Những thời gian phản ứng vượt quá 3 độ lệch chuẩn so với trung bình (1.9% toàn bộ dữ liệu) bị loại bỏ.
• Do RT thường giảm dần theo thời gian trong thí nghiệm, chúng tôi thêm một hệ số điều chỉnh cho số thứ tự lần thử.

Kết quả:

Thời gian phản ứng khi đọc bàn tính nhanh hơn tất cả các bài kiểm tra ước lượng.

Tuy nhiên, RT tăng chậm hơn theo số lượng hạt trong bài đọc bàn tính so với các bài ước lượng.

Điều này cho thấy: Đọc bàn tính và ước lượng số lượng không chỉ khác nhau về độ chính xác mà còn khác biệt về chất trong cách xử lý – người dùng MA có chiến lược nhận thức riêng biệt để xử lý bài toán.

Ghi chú:

Tất cả các giá trị p được tính từ xấp xỉ z; phương pháp này có thể hơi lạc quan với bộ dữ liệu nhỏ, nhưng mức ảnh hưởng này không đáng kể trong bộ dữ liệu lớn mà nghiên cứu này sử dụng (Pinheiro & Bates, 2000).

Cuối cùng, chúng tôi tính toán hệ số biến thiên (COV) – tức là độ lệch chuẩn chia cho giá trị ước lượng trung bình – cho từng học sinh, từng nhiệm vụ và từng loại lượng số (xem Hình 4).

Với mỗi nhiệm vụ, chúng tôi chỉ xét những giá trị lượng số lớn hơn sáu và có ít nhất 5 học sinh trả lời đúng tại mức đó.

COV của bài đọc bàn tính được tính bằng cách chuyển đổi câu trả lời thành số lượng hạt cần thiết để biểu diễn số lượng đó.

Cả các bài kiểm tra ước lượng và bài đọc bàn tính đều cho thấy: COV tăng lên ở mức lượng nhỏ, sau đó ổn định dần ở mức lượng lớn.

Tuy nhiên, COV của bài đọc bàn tính thấp hơn rõ rệt so với các nhiệm vụ còn lại.

Chúng tôi sử dụng mô hình tuyến tính hỗn hợp để ước tính COV của từng người tham gia trong từng loại nhiệm vụ, sau đó sử dụng mô phỏng hậu nghiệm (posterior simulation) để tính p-value thực nghiệm. Kết quả cho thấy:

Các bài kiểm tra ước lượng đều có hệ số COV cao hơn đáng kể so với bài đọc bàn tính (tất cả p < .0001).

 

3.2.3. Kết luận Thí nghiệm 2:

Thí nghiệm này xác nhận cả ba dự đoán của giả thuyết “tái sử dụng tri giác” (perceptual redeployment), nhưng không ủng hộ hai giả thuyết còn lại là “làm sắc bén” (sharpening) và “tách mảnh” (chunking).

Cụ thể:

1. Kết quả đọc bàn tính phụ thuộc vào số cột, chứ không phải số hạt.
2. Thời gian phản ứng (RT) khác biệt giữa đọc bàn tính và các bài ước lượng (ngay cả khi dùng cùng một dạng kích thích hình ảnh).
3. Độ chính xác cao hơn và COV thấp hơn rõ rệt ở bài đọc bàn tính so với các nhiệm vụ ước lượng.

3.3. Thí nghiệm 3

Thí nghiệm cuối cùng kiểm tra người lớn chưa từng học bàn tính khi thực hiện bài đọc MA.

Họ được hướng dẫn sơ bộ về bàn tính và sau đó được yêu cầu thực hiện cùng một nhiệm vụ đọc số lượng như học sinh đã học MA, cũng như các bài kiểm tra ước lượng từ Thí nghiệm 2.

Giả thuyết:

Sharpening và chunking đều dự đoán rằng: người lớn chưa từng học MA sẽ có kết quả kém trong các bài tập này.

Sharpening hypothesis dự đoán rằng: hệ số COV của người lớn sẽ gần bằng hoặc thấp hơn học sinh MA, do người lớn có khả năng tri giác tốt hơn.

Ngược lại, nếu kết quả của trẻ học MA thấp hơn người lớn, thì điều đó sẽ phản bác lại giả thuyết này.

3.3.1. Giả thuyết tái triển khai tri giác (redeployment hypothesis) đưa ra những dự đoán trái ngược. 

Trước hết, giả thuyết này cho rằng dù người tham gia chưa từng được huấn luyện có thể thực hiện không tốt với bài đọc bàn tính (abacus reading), nhưng với các bài ước lượng số lượng, họ sẽ thể hiện kết quả ổn định và đồng đều giữa các kiểu hiển thị khác nhau.

Thứ hai, giả thuyết dự đoán rằng hệ số biến thiên (COV) trong bài đọc bàn tính của người chưa qua huấn luyện sẽ không giống với nhóm đã được đào tạo (vì thiếu kinh nghiệm và kỹ năng sử dụng MA).

Thứ ba, nếu những người này được dạy cách gán giá trị cho từng cột số, thì hiệu suất của họ trong bài đọc bàn tính cũng sẽ bị chi phối bởi số lượng cột (giống như ở trẻ đã học MA), thay vì số lượng hạt, từ đó tạo ra cùng một sự khác biệt về độ dốc thời gian phản ứng như ở nhóm trẻ.

3.3.2. Người tham gia

Nghiên cứu này có sự tham gia của 30 sinh viên đại học UCSD, không ai trong số họ có kinh nghiệm sử dụng bàn tính trước đó. Do một lỗi kỹ thuật trong quá trình thực nghiệm, dữ liệu của một bài ước lượng đã bị loại khỏi phân tích.

3.3.3. Kích thích và Quy trình. 

Các bài kiểm tra và cách thực hiện giống hệt như ở Thí nghiệm 2, tuy nhiên lần này, tất cả người tham gia đều được kiểm tra trong cả sáu điều kiện, chia ngẫu nhiên thành hai nhóm trình tự khác nhau. Trước khi làm bài kiểm tra, mỗi người tham gia hoàn thành một bài tập bàn tính gồm hai trang, dạy họ cách đọc cấu trúc bàn tính và luyện tập với 12 tấm flashcards.

3.3.4. Kết quả và Thảo luận

Dữ liệu được phân tích bằng mô hình hỗn hợp tương tự Thí nghiệm 2. Kết quả cho thấy độ chính xác của năm dạng bài ước lượng là gần giống nhau giữa nhóm đã học MA và nhóm chưa học. Đặc biệt, hai bài ước lượng có cấu trúc “jittered” và “random” là khó nhất và có kết quả thấp nhất với cả hai nhóm, trong khi ba dạng bài còn lại dễ hơn đáng kể.

Như dự đoán, nhóm chưa từng học MA thể hiện kém hơn rõ rệt trong phần đọc bàn tính. Tuy nhiên, điều đáng chú ý là dù không qua đào tạo, họ vẫn thể hiện một số xu hướng tương tự nhóm MA trong các điều kiện nhất định.

Thời gian phản ứng (reaction time) của nhóm chưa được huấn luyện khi đọc bàn tính dài hơn đáng kể so với bất kỳ nhiệm vụ nào khác (tất cả các giá trị p < .0001 khi so sánh hệ số), dù điểm khởi đầu (intercept) trong các mô hình phân tích của họ cao hơn đáng kể so với các điều kiện còn lại (tất cả các giá trị p < .0001). Điều này phản ánh chi phí tinh thần cao hơn để chuyển đổi từ biểu diễn bằng bàn tính sang chữ số Ả Rập trong nhóm người chưa được huấn luyện.

Mặc dù dữ liệu về độ chính xác ở nhóm chưa được huấn luyện có nhiều nhiễu hơn, kết quả vẫn giống với nhóm trẻ đã được học MA: mô hình dựa trên số lượng cột phù hợp hơn rất nhiều so với mô hình dựa trên số lượng hạt (χ² = 128.36, p < .0001). Thậm chí khi chưa từng được học MA, người lớn chưa qua huấn luyện vẫn có xu hướng nhóm các cột bàn tính theo chiều dọc – điều này có thể đã giúp giảm thời gian phản ứng khi đọc bàn tính.

Cuối cùng, chúng tôi kiểm tra hệ số biến thiên (COV) của từng người tham gia trong mỗi điều kiện (Hình 4). Kết quả ở người lớn cho thấy điều ngược lại so với Thí nghiệm 2: COV trong nhiệm vụ đọc bàn tính cao hơn đáng kể so với các nhiệm vụ ước lượng (tất cả ps < .001). Ngay cả khi đã được huấn luyện với MA, nhóm trẻ em vẫn có COV cao hơn so với nhóm người lớn chưa học MA, điều này cho thấy sự thành thạo MA không đến từ việc cải thiện độ ổn định trong ước lượng số lượng (theo lý thuyết “mài sắc tri giác”). Mặc dù chúng tôi không loại trừ khả năng có cải thiện dần theo thời gian, nhưng kết quả này cho thấy hiệu suất vượt trội của trẻ chủ yếu không phải nhờ vào việc giảm COV.

4. Thảo luận chung – Ý nghĩa của nghiên cứu

Tóm tắt kết quả cuối cùng:

• Kết quả ủng hộ cả ba dự đoán của giả thuyết tái triển khai tri giác, nhưng không ủng hộ giả thuyết mài sắc tri giác hay gộp cụm tri giác.
• Thứ nhất, khả năng thực hiện tốt hơn với các dạng cấu hình quen thuộc của bàn tính không đến từ việc được huấn luyện MA.
• Thứ hai, ngay cả người chưa học MA nhưng chỉ cần một chút tiếp xúc với bàn tính cũng đã tự động áp dụng chiến lược nhóm cột (dẫn đến độ dốc thời gian phản ứng thấp hơn).
• Thứ ba, hiệu suất tốt hơn trong các bài đọc bàn tính không phải là do cải thiện độ ổn định (COV) trong ước lượng.

Thảo luận tổng quát: 

Dữ liệu nghiên cứu chỉ ra rằng trẻ em có thể biểu diễn được các con số lớn một cách chính xác nhờ việc tái sử dụng những biểu tượng hình ảnh đã có sẵn trong trí nhớ làm việc thị giác.

 

Trong nghiên cứu này, nhóm tác giả đã so sánh ba giả thuyết về cách thức mà bàn tính ảo (mental abacus – MA) được biểu diễn trong não bộ:

1. Mài sắc tri giác (Perceptual sharpening): Giả thuyết cho rằng khi luyện tập MA, trẻ sẽ nâng cao độ chính xác trong khả năng ước lượng số lượng gần đúng (ANS – Approximate Number System).
2. Gộp cụm tri giác (Perceptual chunking): Cho rằng người dùng MA ghi nhớ một số cấu hình bàn tính nhất định.
3. Tái triển khai tri giác (Perceptual redeployment): Cho rằng MA là chiến lược tận dụng lại các biểu tượng thị giác sẵn có trong não.

Dữ liệu nghiên cứu cho thấy nhiều dấu hiệu ủng hộ giả thuyết thứ ba — tái sử dụng các biểu tượng tri giác sẵn có:

• Hiệu suất làm bài liên quan đến số cột trên bàn tính, không phải số hạt.
• Sự khác biệt rõ ràng trong hệ số biến thiên (COV) giữa các nhiệm vụ đọc bàn tính và ước lượng.
• Thời gian phản ứng thấp hơn ở bài đọc bàn tính.
• Những dấu hiệu trên vẫn xuất hiện cả ở người lớn chưa từng học MA nhưng mới tiếp xúc trong thời gian ngắn.

Tất cả đều cho thấy MA không cần hệ thống biểu tượng hoàn toàn mới, mà dựa vào việc tổ chức lại những gì đã có sẵn trong trí nhớ hình ảnh.

Cơ chế nào trong hệ thống thị giác hỗ trợ việc tái sử dụng này?

Dường như mỗi cột trên bàn tính ảo được lưu trữ như một “mô hình” riêng biệt trong trí nhớ làm việc thị giác ngắn hạn. Các nghiên cứu trước cũng cho thấy giới hạn số lượng mô hình não có thể lưu trữ là tương đối linh hoạt, tùy theo độ phức tạp của thông tin.

Mỗi mô hình như vậy lưu giữ thống kê tổng quan (ensemble statistics) về các đặc điểm như vị trí và số lượng của hạt bàn tính. Trong ngữ cảnh MA, vị trí và số lượng của các hạt trong một cột là đủ để người dùng suy ra giá trị số mà cột đó biểu thị.

Dữ liệu về nhóm người lớn chưa được huấn luyện cho thấy: chỉ khả năng ghi nhớ hình ảnh bàn tính trong trí nhớ thị giác là chưa đủ để thành thạo bàn tính ảo. Ngay cả khi chỉ đơn giản là “đọc flashcard” (tấm hình bàn tính), người dùng vẫn cần rèn luyện việc chuyển đổi vị trí cột thành con số. Nếu muốn làm phép tính cộng trừ nhân chia bằng bàn tính ảo, họ cần học thêm các quy trình thực hiện phép cộng giữa các cột. Tuy nhiên, điều cốt lõi của MA là khả năng biểu diễn chính xác cấu trúc bàn tính – và đây chính là chức năng mà hệ thống thị giác trong não bộ đã sẵn có khả năng đảm nhận.

Mặc dù nghiên cứu này chứng minh rằng con người có thể biểu diễn các con số lớn một cách chính xác thông qua hình ảnh thị giác có sẵn, chúng tôi chưa đề cập đến việc: liệu quá trình phát triển toán học ở trẻ có đòi hỏi tạo ra hệ thống biểu tượng mới không? Chúng tôi cũng chưa trả lời được liệu MA có thể được học bởi động vật hoặc con người không có nền tảng đếm số hay không.

Tuy nhiên, hệ thống biểu diễn được sử dụng trong nghiên cứu này không phụ thuộc vào ngôn ngữ, mà dựa vào trí nhớ làm việc thị giác và hệ thống số lượng gần đúng (ANS). Mặc dù ngôn ngữ có thể đóng vai trò trong việc học MA, nhưng kết quả cho thấy rằng các biểu tượng thị giác là đủ mạnh để biểu diễn các con số lớn một khi người học đã nắm được MA.

Kết luận, nghiên cứu này mang đến một góc nhìn mới so với quan điểm truyền thống về “chuyên môn hóa”:

• Thay vì nghĩ rằng năng lực xuất sắc đến từ việc rèn luyện một năng lực duy nhất
• Hoặc cho rằng cần phải xây dựng hoàn toàn những hệ thống biểu tượng mới → thì bàn tính ảo là một ví dụ sinh động về cách mà những biểu tượng phức tạp (như việc biểu diễn số chính xác) có thể được xây dựng từ những tài nguyên nhận thức sẵn có, đơn giản hơn nhiều.

 

5. Tài liệu tham khảo tiêu biểu trong nghiên cứu:

Alvarez & Cavanagh (2004): Nghiên cứu năng lực trí nhớ thị giác ngắn hạn – nền tảng cho việc lưu giữ hình ảnh bàn tính ảo.
Alvarez & Oliva (2008, 2009): Giải thích cách bộ não có thể nắm bắt và lưu trữ nhóm đối tượng (ensemble statistics) bằng thị giác – giúp hiểu cách trẻ em có thể tưởng tượng từng cột bàn tính.
Brady, Konkle & Alvarez (2009): Nêu rõ khả năng nén thông tin nhờ nhận diện quy luật, từ đó giải thích giả thuyết “chunking” – tức học viên có thể ghi nhớ “cụm hạt bàn tính” thay vì từng hạt riêng lẻ.
Cowan (2000): “Số 4 thần kỳ” trong trí nhớ ngắn hạn – cho thấy giới hạn tự nhiên của trí nhớ con người, từ đó nhấn mạnh MA vượt ra ngoài giới hạn này nhờ trực quan hóa.
Dehaene et al. (1999): Một trong những công trình hàng đầu về não bộ và khả năng xử lý số học không lời (nonverbal math) – liên quan mật thiết đến UCMAS.

Feigenson (2004, 2008): Trình bày hệ thống số lượng gần đúng (ANS) – nền tảng sinh học của việc ước lượng số lượng – được so sánh trong nghiên cứu này với bàn tính ảo (MA).

Cordes, Gallistel & Gelman (2007): Nghiên cứu sâu về sự khác biệt giữa tính toán không lời và có lời, nền tảng cho việc chứng minh MA là dạng biểu diễn số học đặc biệt.
Fiorentini & Berardi (1980): Học tập tri giác và phân biệt hình ảnh theo phương hướng và tần suất không gian – liên quan đến khả năng phân biệt vị trí hạt bàn tính bằng thị giác.

Frank et al. (2008): Vai trò của ngôn ngữ trong phát triển công cụ nhận thức, đặt nền cho so sánh giữa ngôn ngữ và hệ thống MA.

Gelman & Hill (2006): Tài liệu phương pháp thống kê nâng cao – giúp tăng độ tin cậy cho phân tích dữ liệu trong nghiên cứu.

Gordon (2004): Khả năng suy luận số học mà không cần ngôn ngữ, nghiên cứu trên người bản địa ở Amazon. Gợi ý rằng bàn tính ảo không phụ thuộc vào lời nói.

Green & Bavelier (2003): Trò chơi điện tử có thể cải thiện khả năng chú ý thị giác – bổ sung bằng chứng về việc luyện tập thị giác (như UCMAS) có thể tăng cường chức năng não.

Halberda et al. (2006): Cơ sở cho việc ước lượng số lượng bằng mắt (non-verbal estimation) – đây là nền tảng để so sánh với khả năng đọc bàn tính.
Hatano (1977, 1983): Hai nghiên cứu kinh điển về người sử dụng bàn tính Nhật (Soroban), giải thích cách họ có thể nhớ các con số lớn thông qua hình ảnh bàn tính trong đầu.
Hishitani (1990): Cách chuyên gia bàn tính xử lý hình ảnh trong đầu khi tính toán – chính là bàn tính ảo (mental abacus).
Le Corre et al. (2006): Phân tích quá trình trẻ em học nguyên lý đếm – để hiểu khi nào não bộ cần công cụ như MA để hỗ trợ.
Luck & Vogel (1997): Giới hạn trí nhớ thị giác của con người (về số lượng và đặc điểm đối tượng) – nền tảng để thấy MA giúp vượt giới hạn này thế nào.
Mandler & Shebo (1982): Khả năng “subitizing” – tức là nhìn số lượng nhỏ và ước lượng ngay mà không cần đếm. MA vượt ra ngoài khả năng này.

 

(*) Đây là bản dịch từ UCMAS Việt Nam.Trong nghiên cứu gốc có một số thuật ngữ khi dịch sang tiếng Việt sẽ không thể hiện được hết ý nghĩa. Vì vậy, mời quý vị đọc nghiên cứu gốc tại đây!

UCMAS – Chương trình phát triển trí tuệ tốt nhất cho trẻ 4 – 14 tuổi UCMAS Việt Nam là một tổ chức đi đầu trong việc đào tạo tư duy thông qua Bàn tính và Số học, được công nhận là chương trình phát triển tư duy tốt nhất dành cho trẻ em từ 4 – 14 tuổi. Chúng tôi mang tới cho trẻ em trên toàn cầu cơ hội học tập và rèn luyện trí não một cách toàn diện thông qua mạng lưới Trung tâm nhượng quyền tại 83 quốc gia trên toàn thế giới. Ứng dụng phương pháp UCMAS – phương pháp được nhiều phụ huynh tìm đến để giúp trẻ có bộ não khỏe mạnh, bền bỉ, xử lý nhanh, học tập và làm việc hiệu quả, giải quyết các vấn đề trong cuộc sống; UCMAS Việt Nam giúp các em học sinh tăng khả năng tập trung, khả năng quan sát, hình dung tưởng tượng, khả năng ghi nhớ và tư duy logic. Liên hệ để được tư vấn trực tiếp ngay hôm nay! Link: Phát triển tư duy UCMAS Địa chỉ VPGD UCMAS Việt Nam: Số 37, Ngõ 80 Trung Kính, Yên Hòa, Cầu Giấy, Hà Nội Hotline: 0967868623 Website: www.ucmasvietnam.com | Email: [email protected]