Chạy một dự án nhiều giờ với Frontier AI

- Thiết kế task rõ ràng: task có mục tiêu cụ thể, phạm vi, nguồn được phép dùng và điều cấm làm (đặc biệt về dữ liệu); không giao việc mơ hồ kiểu "nghiên cứu giúp tôi về tiểu đường". - Quan sát quá trình agent: ghi lại cách agent lập kế hoạch, chia bước, dùng công cụ gì, báo cáo tiến độ ra sao; chỉ ra ít nhất một điểm agent đi chệch hoặc cần can thiệp. - Đánh giá kết quả: phân biệt điểm mạnh (tốc độ, bao quát nguồn) với điểm yếu (sai số, trích dẫn thiếu, diễn giải chưa sát); kiểm chứng độc lập ít nhất 3 khẳng định quan trọng trong báo cáo của AI. - Ranh giới an toàn: không đưa dữ liệu định danh bệnh nhân vào AI công cộng; nêu rõ mức giám sát đã áp dụng (human-in-the-loop / human-on-the-loop) và điểm nào đã dừng/không giao cho AI. - Tư duy độc lập: bài viết thể hiện nhận định riêng của người học (việc gì phải làm lại, khi nào không nên dùng agent), không chỉ tóm tắt lại những gì AI đã làm. Grade 5: Task thiết kế chặt chẽ; quan sát quá trình chi tiết có mốc thời gian; đánh giá cân bằng mạnh–yếu với bằng chứng kiểm chứng độc lập; tuân thủ tuyệt đối ranh giới dữ liệu; kết luận thể hiện tư duy độc lập rõ rệt. Grade 4: Đủ 5 tiêu chí nhưng một tiêu chí còn sơ sài (vd: quan sát quá trình thiếu mốc cụ thể, hoặc kiểm chứng độc lập chưa đủ 3 điểm). Grade 3: Hoàn thành task và có đánh giá, nhưng thiếu quan sát quá trình agent hoặc đánh giá một chiều (chỉ khen hoặc chỉ chê, không có bằng chứng kiểm chứng). Grade 2: Task mơ hồ, không quan sát quá trình, đánh giá chung chung không dựa trên bằng chứng; hoặc có vi phạm nhỏ về ranh giới dữ liệu (dùng dữ liệu thật chưa khử định danh). Grade 1: Không thực hiện quan sát (chỉ hỏi AI vài câu rồi viết cảm nhận), hoặc đưa dữ liệu định danh bệnh nhân vào AI công cộng, hoặc bài nộp do AI viết toàn bộ không có dấu vết tư duy người học.