DOL English Platform

Purpose

• Vấn đề: Nền tảng hiện đang thiên về “kho bài tập”, chưa hướng dẫn người học rõ ràng phải làm gì tiếp theo theo mục tiêu cá nhân.
• Đối tượng chính: Người học thi chứng chỉ (IELTS/TOEIC/TOEFL/SAT), học sinh-sinh viên cần cải thiện tiếng Anh, và người đi làm cần nâng năng lực hoặc thi chứng chỉ.
• Tín hiệu thành công: Người học vào nền tảng, chọn được nhánh phù hợp (khóa học hoặc tự học), duy trì nhịp học, và quan sát được tiến bộ đo được theo mục tiêu.

Experience Narrative (Ý tưởng tổng quan)

DOL English cần chuyển từ “content warehouse” sang “guided learning platform”. Ý tưởng cốt lõi là: người học không chỉ được cung cấp bài tập, mà được định tuyến liên tục bằng logic cá nhân hóa để biết bước tiếp theo có giá trị nhất với mục tiêu của mình.

Trải nghiệm nền tảng được thiết kế theo mô hình hybrid:

• Mentor-led path: người học đăng ký khóa học, được giáo viên và khung học thuật của trung tâm dẫn dắt.
• Self-study path: người học tự học theo mục tiêu, nhận gợi ý từ hệ thống và AI tutor thay cho giáo viên trực tiếp.

Cả hai nhánh phải dùng chung triết lý Linearthinking: học theo chuỗi có giải thích lý do, không học rời rạc. Nền tảng đóng vai trò “điều phối hành trình”: từ khám phá, đăng ký, vào học, theo dõi tiến bộ, đến tối ưu chiến lược học và tái mua/gia hạn khi cần.

Elements / Scope

• Unified entry: Home và onboarding phân loại intent ban đầu (mua khóa học hoặc tự học).
• Hybrid delivery model:
  • Course mode (teacher-led, syllabus do trung tâm điều phối).
  • Self-study mode (AI-supported, gợi ý theo mục tiêu và dữ liệu làm bài).
• Learning engine: ngân hàng bài tập + thực hành + phản hồi + gợi ý bước tiếp theo.
• Progress intelligence: đo tiến độ, mức thiếu so với mục tiêu, và vùng cần ưu tiên luyện.
• Motivation layer: points-based rank, gamification, streak, badge, certificate, và tín hiệu tiến bộ để giữ động lực nhóm user dễ nản.
• Operations layer: giáo viên, CS, bán hàng, học thuật, admin cùng dùng dữ liệu thống nhất theo quyền.

Access & Monetization Baseline (DOL English Web V2)

• Account baseline: single-user (không triển khai household parent/child ở scope hiện tại).
• Paid practice tiers: Free, Pro, Pro Max.
• Course commerce boundary: khóa học mua lẻ theo từng khóa (a la carte), không được thay thế bởi Pro/Pro Max.
• Entitlement principle: gói account chi phối quyền luyện tập và tài nguyên practice; quyền khóa học chi phối bởi enrollment khóa học riêng.

Logic / Rules

• Intent-first routing: user phải được định tuyến sớm vào đúng mode học thay vì tự dò toàn hệ thống.
• Next-best-action: sau mỗi phiên học cần có gợi ý rõ “làm gì tiếp theo” theo mục tiêu + điểm yếu + lịch học.
• Linearthinking consistency: mọi mode học và AI feedback phải giải thích được “vì sao gợi ý này”.
• Human-AI boundary:
  • Course mode ưu tiên giáo viên.
  • Self-study mode ưu tiên AI tutor.
  • Không trộn vai trò gây mơ hồ trách nhiệm học thuật.
• One learner graph: dữ liệu học từ course và self-study phải đổ về một hồ sơ tiến bộ chung.
• Points-only engagement ranking:
  • cross-area rank đọc từ current-period Learning Points,
  • current rollout không dùng user/account level.
• Separate recognition layers:
  • badge, streak, certificate, và course achievement là lớp ghi nhận riêng,
  • mặc định không đi vào công thức rank.
• No dead-end screens: mọi trang chính phải có CTA kế tiếp (học tiếp, ôn điểm yếu, đặt lịch, nhờ hỗ trợ).

Roles / Actors

• Learner: người dùng chính, có thể di chuyển giữa course mode và self-study mode theo nhu cầu.
• Teacher/Academic team: xây lộ trình học, theo dõi tiến độ lớp, can thiệp điểm nghẽn.
• CS/Sales: theo dõi trạng thái học để tư vấn gói, chăm sóc và giảm rớt học.
• Admin: quản trị user, entitlement gói học, tài nguyên học, promo và các policy vận hành.

Dependencies / Integration

• Home & Discovery: entry routing và conversion.
• Register/Onboarding: thu thập mục tiêu để khởi tạo cá nhân hóa.
• Learning Management: đo tiến bộ, khả năng hiện tại, confidence, và gợi ý luyện.
• Practice Flow: nơi thực thi “next-best-action” thành hành vi nộp bài.
• Course Management + Teaching Tool: lớp vận hành dạy học cho nhánh course.
• Payment/Subscription: entitlement, gói học, upsell/cross-sell.
• Social + Vocabulary: tăng thời lượng học có ích và duy trì nhịp học.

Metrics / Analytics

Status: chưa có North Star/KPI chính thức, đề xuất dùng khung sau để chốt.

• Thứ tự ưu tiên thành công V2 (locked):
  1. duy trì thói quen học bền vững,
  2. hoàn thành mục tiêu học tập,
  3. tăng điểm (khi user có thi thử).
• North Star đề xuất (draft): Weekly Active Learners with Meaningful Progress (WAL-MP)
  • Định nghĩa gợi ý: user có hoạt động học trong tuần và tạo ra tiến bộ đo được theo mục tiêu cá nhân.
• KPI tầng trải nghiệm:
  • activation_to_first_attempt_24h
  • onboarding_goal_completion_rate
  • personalized_next_action_click_rate
  • weekly_learning_consistency_rate
  • 30d_learning_retention
• KPI tầng hiệu quả học:
  • goal_gap_reduction_30d
  • exam_score_gain_by_program
  • stagnation_rate_14d
• KPI tầng vận hành:
  • teacher_intervention_response_time
  • cs_recovery_rate_for_at_risk_learners
  • course_to_selfstudy_cross_usage_rate

State model / Edge cases

• Beginner zero-base: chưa có dữ liệu năng lực, cần baseline + lộ trình khởi động ngắn.
• Plateau learner: học lâu nhưng điểm không tăng, cần phát hiện sớm và đề xuất chiến lược khác.
• Low-motivation learner: giảm nhịp học, cần trigger khích lệ + mục tiêu vi mô + win nhanh.
• Overwhelmed learner: quá nhiều lựa chọn, cần giảm tải và chỉ hiển thị 1-3 hành động ưu tiên.
• Mode-mismatch: user mua khóa học nhưng hành vi giống tự học (hoặc ngược lại), cần rule chuyển mode mềm.

Open questions / Decisions

• Chốt North Star ưu tiên theo hướng nào trước: tiến bộ học tập (learning outcome) hay thương mại (conversion/retention)?
• Baseline engine ban đầu dùng gì để phân loại learner khi chưa có lịch sử làm bài?
• Rule escalations từ AI sang người thật sẽ kích hoạt theo điều kiện nào (độ trễ tiến bộ, mức rủi ro rớt học)?
• Ngưỡng tối thiểu của “meaningful progress” theo từng chương trình sẽ định nghĩa ra sao?

Change log

• 2026-03-09: Chốt baseline engagement tại cấp domain: cross-area rank dùng Learning Points, không dùng user/account level, và tách riêng recognition layers (badge/streak/certificate/achievement).
• 2026-02-18: Bổ sung explicit success-priority order của V2 (habit -> goal completion -> score gain).
• 2026-02-17: Bổ sung baseline Access & Monetization cho DOL English web V2 (single-user, Free/Pro/Pro Max, course a la carte boundary).
• 2026-02-15: Nâng cấp tài liệu từ overview ngắn sang foundation draft cho chiến lược nền tảng DOL English (user segments, hybrid model, KPI draft, edge cases, vận hành).