Digital transformation in education: the relationship between artificial intelligence utilization and academic performance of students at Dong Nai Technology University
ThS. Phạm Thị Mộng Hằng
Email: phamthimonghang@dntu.edu.vn
TS. Đoàn Mạnh Quỳnh
Email: doanmanhquynh@dntu.edu.vn
ThS. Trần Thị Minh Ngọc
Email: tranthiminhngoc@dntu.edu.vn
Trường Đại học Công nghệ Đồng Nai
(Quanlynhanuoc.vn) – Bài viết phân tích tác động của việc khai thác trí tuệ nhân tạo (AI) đến hiệu suất học tập của sinh viên Trường Đại học Công nghệ Đồng Nai trong bối cảnh chuyển đổi số giáo dục. Dựa trên thuyết thống nhất chấp nhận và sử dụng công nghệ, thuyết kiến tạo xã hội và thuyết tự quyết, nghiên cứu xây dựng mô hình, gồm: kỳ vọng hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội, điều kiện thuận lợi, hành vi khai thác AI, khả năng hấp thụ tri thức và hiệu suất học tập. Để kiểm định mô hình nghiên cứu và các giả thuyết đề xuất, dữ liệu được phân tích bằng phương pháp bình phương tối thiểu riêng phần (PLS-SEM) với sự hỗ trợ của phần mềm SmartPLS. Kết quả khẳng định vai trò của AI trong nâng cao hiệu suất học tập và đề xuất các hàm ý quản trị nhằm thúc đẩy việc ứng dụng công nghệ một cách hiệu quả và có trách nhiệm trong giáo dục đại học.
Từ khóa: Chuyển đổi số; hiệu suất học tập; khả năng hấp thụ tri thức; trí tuệ nhân tạo.
Abstract: This study examines the impact of artificial intelligence utilization on the academic performance of students at Dong Nai Technology University in the context of educational digital transformation. Drawing upon the Unified theory of Acceptance and Use of Technology, Social Constructivism theory, and Self-Determination theory, the study develops a research model incorporating performance expectancy, effort expectancy, social influence, facilitating conditions, artificial intelligence utilization behavior, absorptive capacity, and academic performance. To test the research model and proposed hypotheses, the data were analyzed using partial least squares structural equation modeling (PLS-SEM) with SmartPLS software. The findings confirm the significant role of artificial intelligence in enhancing academic performance and provide managerial implications for promoting the effective and responsible adoption of this technology in higher education.
Keywords: Digital transformation; academic performance; absorptive capacity; artificial intelligence.
1. Đặt vấn đề
Trong bối cảnh chuyển đổi số, trí tuệ nhân tạo (AI) đang trở thành một trong những công nghệ có ảnh hưởng sâu rộng đến giáo dục đại học. Theo Schwab (2016), chuyển đổi số không còn là một xu hướng công nghệ mà đã trở thành chiến lược phát triển cốt lõi của các tổ chức. Sự xuất hiện của các công cụ AI tạo sinh, như: ChatGPT, Claude và Google Gemini đang làm thay đổi cách thức tiếp cận, tiếp nhận và kiến tạo tri thức của người học (Baidoo-Anu & Ansah, 2023; Zhai, 2022). AI không chỉ hỗ trợ tìm kiếm thông tin, giải quyết vấn đề và cá nhân hóa học tập mà còn đặt ra những thách thức liên quan đến tư duy phản biện và tính tự chủ của sinh viên (Hwang & Tu, 2021; Selwyn, 2019).
Tại Trường Đại học Công nghệ Đồng Nai, sinh viên ngày càng sử dụng AI như một công cụ hỗ trợ học tập. Tuy nhiên, hiệu quả khai thác công nghệ này còn có sự khác biệt giữa các cá nhân. Trong khi một số sinh viên tận dụng AI để nâng cao khả năng tiếp thu tri thức và hiệu suất học tập, một số khác lại có xu hướng phụ thuộc vào công nghệ, làm suy giảm kỹ năng tư duy và giải quyết vấn đề độc lập (Cotton & cộng sự, 2024). Điều này cho thấy, mối quan hệ giữa khai thác AI và hiệu suất học tập là một vấn đề cần được nghiên cứu một cách hệ thống (Chaudhry & Kazim, 2022). Mặc dù đã có nhiều nghiên cứu về AI trong giáo dục, phần lớn tập trung vào ý định sử dụng hoặc mức độ chấp nhận công nghệ. Các nghiên cứu xem xét vai trò của khả năng hấp thụ tri thức như một biến trung gian và đạo đức học thuật như một biến điều tiết đối với hiệu suất học tập còn khá hạn chế, đặc biệt trong bối cảnh các trường đại học tại Việt Nam. Vì vậy, bài viết được thực hiện nhằm đánh giá tác động của việc khai thác AI đến hiệu suất học tập, từ đó, đề xuất các giải pháp góp phần nâng cao chất lượng đào tạo và thúc đẩy ứng dụng công nghệ một cách hiệu quả, có trách nhiệm trong giáo dục đại học.
2. Cơ sở lý thuyết
2.1. Một số khái niệm
Chuyển đổi số trong giáo dục đại học không chỉ là số hóa tài liệu mà là quá trình thay đổi toàn diện về tổ chức, công nghệ và phương thức vận hành nhằm xây dựng mô hình giáo dục hiện đại và linh hoạt hơn. Theo Brooks và McCormack (2020), chuyển đổi số là việc ứng dụng công nghệ số một cách chiến lược để tái định hình các giá trị cốt lõi và nâng cao chất lượng dịch vụ giáo dục. Tại Trường Đại học Công nghệ Đồng Nai, quá trình này được thể hiện thông qua việc phát triển môi trường học tập thông minh, tăng cường ứng dụng dữ liệu và công nghệ nhằm cá nhân hóa hoạt động học tập, góp phần nâng cao trải nghiệm và hiệu quả đào tạo cho sinh viên.
AI được hiểu là khả năng của các hệ thống máy tính trong việc mô phỏng các hoạt động trí tuệ của con người, như: nhận thức, xử lý thông tin và ra quyết định (Russell, 2020). Theo Baidoo-Anu và Ansah (2023), công nghệ này có khả năng tạo ra nội dung mới từ văn bản, hình ảnh đến mã lập trình dựa trên việc học từ các tập dữ liệu lớn. Nhờ đó, các công cụ như ChatGPT và Gemini không chỉ hỗ trợ cung cấp thông tin mà còn trở thành trợ lý học tập hiệu quả, giúp sinh viên giải quyết các nhiệm vụ học thuật ngày càng phức tạp.
Khai thác AI trong học tập là việc sinh viên chủ động sử dụng các công cụ AI nhằm hỗ trợ quá trình tiếp thu tri thức và giải quyết nhiệm vụ học tập. Theo Zawacki-Richter và cộng sự (2019), AI góp phần cá nhân hóa học tập, hỗ trợ đánh giá và cung cấp phản hồi cho người học. Trong nghiên cứu này, khái niệm này được tiếp cận dưới góc độ năng lực và hành vi sử dụng AI của sinh viên trong học tập (Ansari & Qamari, 2025).
Hiệu suất học tập của sinh viên là mức độ người học đạt được các mục tiêu giáo dục và chuẩn đầu ra của chương trình đào tạo (York và cộng sự, 2015). Trong bối cảnh chuyển đổi số, khái niệm này không chỉ được đánh giá thông qua kết quả học tập mà còn bao gồm khả năng phát triển kỹ năng, vận dụng kiến thức vào thực tiễn và thích ứng với công nghệ.
2.2. Lý thuyết nền
Thuyết thống nhất chấp nhận và sử dụng công nghệ. Theo Venkatesh và cộng sự (2003), hành vi sử dụng công nghệ chịu tác động của bốn yếu tố chính, gồm: kỳ vọng hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội và điều kiện thuận lợi. Việc vận dụng lý thuyết này giúp làm rõ các động lực thúc đẩy sinh viên tích hợp AI vào quá trình học tập nhằm nâng cao hiệu suất học tập.
Thuyết kiến tạo xã hội. Người học chủ động kiến tạo tri thức thông qua tương tác với môi trường và các công cụ hỗ trợ. Trong bối cảnh số hóa, AI được xem như một công cụ hỗ trợ học tập, giúp sinh viên vượt qua những giới hạn nhận thức hiện tại để giải quyết các nhiệm vụ học thuật phức tạp và nâng cao hiệu quả học tập (Vygotsky, 1978).
Thuyết tự quyết (2000). Để giải thích sâu hơn về sự phân hóa trong cách khai thác AI, thuyết tự quyết của Deci và Ryan (2000) được đưa vào như một lăng kính bổ trợ. Thuyết tự quyết nhấn mạnh rằng, hiệu suất học tập bền vững chỉ đạt được khi người học thỏa mãn ba nhu cầu tâm lý cơ bản: năng lực, sự tự chủ và sự liên kết. Trong nghiên cứu này, thuyết tự quyết giúp làm rõ rằng, nếu sinh viên khai thác AI dựa trên động lực nội tại, hiệu suất học tập sẽ tăng trưởng thực chất. Ngược lại, nếu sự khai thác chỉ mang tính đối phó, AI sẽ trở thành rào cản đối với sự phát triển năng lực cá nhân, dẫn đến sự suy giảm chất lượng đầu ra như đã quan sát thấy trong thực tế.
3. Phương pháp nghiên cứu
Nghiên cứu sử dụng phương pháp hỗn hợp, kết hợp giữa nghiên cứu định tính và nghiên cứu định lượng. Trong giai đoạn định tính, ngoài các lý thuyết nền, tác giả tiến hành tổng quan các công trình nghiên cứu trong và ngoài nước liên quan đến hành vi khai thác AI và hiệu suất học tập của sinh viên (Hwang & cộng sự (2020); Sullivan & cộng sự (2023); Chaudhry & Kazim (2022); Đinh Văn Hoàng & cộng sự (2025); Lê Anh Vinh & Trần Mỹ Ngọc (2024) và tham khảo ý kiến chuyên gia nhằm điều chỉnh, bổ sung các biến quan sát và hoàn thiện thang đo phù hợp với bối cảnh nghiên cứu.
Trên cơ sở đó, bảng câu hỏi khảo sát được xây dựng và triển khai đối với sinh viên trường Đại học Công nghệ Đồng Nai. Thời gian khảo sát số liệu sơ cấp được tiến hành trong khoảng thời gian từ tháng 4/2026 – 5/2026. Dữ liệu thu thập được xử lý bằng phương pháp định lượng thông qua mô hình phương trình cấu trúc bình phương tối thiểu riêng phần trên phần mềm SmartPLS. Các thang đo được đánh giá về độ tin cậy và giá trị trước khi kiểm định mô hình nghiên cứu và các giả thuyết đề xuất. Mô hình nghiên cứu đề xuất được thể hiện như sau:
Nguồn: Đề xuất của tác giả, năm 2026.
Giả thuyết nghiên cứu:
H1: Kỳ vọng hiệu quả có tác động tích cực (+) đến hành vi khai thác AI của sinh viên.
H2: Kỳ vọng nỗ lực có tác động tích cực (+) đến hành vi khai thác AI của sinh viên.
H3: Ảnh hưởng xã hội có tác động tích cực (+) đến hành vi khai thác AI của sinh viên.
H4: Điều kiện thuận lợi có tác động tích cực (+) đến hành vi khai thác AI của sinh viên.
H5: Hành vi khai thác AI có tác động trực tiếp và tích cực (+) đến hiệu suất học tập của sinh viên.
H6a: Hành vi khai thác AI có tác động tích cực (+) đến khả năng hấp thụ tri thức của sinh viên.
H6b: Khả năng hấp thụ tri thức có tác động tích cực (+) đến hiệu suất học tập của sinh viên.
H6c: Khả năng hấp thụ tri thức đóng vai trò trung gian trong mối quan hệ giữa hành vi khai thác AI và hiệu suất học tập của sinh viên.
H7: Đạo đức học thuật đóng vai trò điều tiết mối quan hệ giữa khai thác AI và hiệu suất học tập.
4. Kết quả và thảo luận
4.1. Phân tích độ tin cậy và độ giá trị
Kết quả phân tích nhân tố khẳng định lần thứ nhất cho thấy, phần lớn các thang đo đều đạt yêu cầu về độ tin cậy và giá trị hội tụ. Tuy nhiên, các biến quan sát PE4, EE3 và AC4 có hệ số tải nhân tố nhỏ hơn 0,70, lần lượt đạt 0,524; 0,490 và 0,622 cho thấy, khả năng phản ánh khái niệm nghiên cứu còn hạn chế. Do đó, ba biến này được loại khỏi mô hình để nâng cao chất lượng thang đo.
Sau khi loại các biến không đạt yêu cầu, kết quả phân tích nhân tố khẳng định lần thứ hai cho thấy các thang đo đều đạt độ tin cậy tốt. Hệ số Cronbach’s Alpha dao động từ 0,643 – 0,850, trong khi độ tin cậy tổng hợp của các thang đo đều lớn hơn 0,8, vượt ngưỡng chấp nhận. Mặc dù nhân tố “kỳ vọng hiệu quả” có hệ số Cronbach’s Alpha bằng 0,643, thấp hơn ngưỡng 0,70 nhưng vẫn được chấp nhận do độ tin cậy tổng hợp đạt 0,807 và các chỉ tiêu khác đều đáp ứng yêu cầu.
Về giá trị hội tụ, tất cả các nhân tố đều có phương sai trích trung bình lớn hơn 0,50, dao động từ 0,578 – 0,737. Bên cạnh đó, các hệ số tải nhân tố của các biến quan sát còn lại đều lớn hơn 0,70, chứng tỏ các biến quan sát có khả năng giải thích tốt cho các khái niệm tiềm ẩn. Kết quả này chỉ ra mô hình đo lường đạt được giá trị hội tụ theo tiêu chuẩn đề xuất trong các nghiên cứu về mô hình cấu trúc tuyến tính.
Đối với giá trị phân biệt, các chỉ số HTMT đều nằm trong khoảng từ 0,481 – 0,886 và nhỏ hơn ngưỡng 0,90 cho thấy, các khái niệm nghiên cứu có giá trị phân biệt tốt và không có sự chồng lấn giữa các cấu trúc đo lường. Đồng thời, hệ số phóng đại phương sai của các biến quan sát dao động từ 1,247 – 2,562 và đều thấp hơn ngưỡng 5, cho thấy mô hình không xuất hiện hiện tượng đa cộng tuyến. Như vậy, mô hình đo lường đáp ứng đầy đủ các yêu cầu về độ tin cậy, giá trị hội tụ và giá trị phân biệt, tạo cơ sở để tiếp tục kiểm định mô hình cấu trúc và các giả thuyết nghiên cứu.
Bảng 1. Phân tích nhân tố khẳng định
| Cấu trúc | CA | Rho_A | CR | AVE | Hệ số tải (Outer Loadings) | VIF |
| Kỳ vọng hiệu quả | 0,643 | 0,648 | 0,807 | 0,583 | ||
| PE1 | 0,772 | 1,250 | ||||
| PE2 | 0,788 | 1,280 | ||||
| PE3 | 0,730 | 1,247 | ||||
| Kỳ vọng nỗ lực | 0,796 | 0,911 | 0,874 | 0,698 | ||
| EE1 | 0,785 | 1,703 | ||||
| EE2 | 0,822 | 1,894 | ||||
| EE4 | 0,896 | 1,583 | ||||
| Ảnh hưởng xã hội | 0,716 | 0,736 | 0,838 | 0,634 | ||
| SI1 | 0,745 | 1,386 | ||||
| SI2 | 0,828 | 1,350 | ||||
| SI3 | 0,813 | 1,579 | ||||
| Điều kiện thuận lợi | 0,779 | 0,780 | 0,858 | 0,601 | ||
| FC1 | 0,791 | 1,609 | ||||
| FC2 | 0,775 | 1,618 | ||||
| FC3 | 0,770 | 1,567 | ||||
| FC4 | 0,764 | 1,469 | ||||
| Hành vi khai thác AI | 0,757 | 0,759 | 0,845 | 0,578 | ||
| AIU1 | 0,740 | 1,318 | ||||
| AIU2 | 0,734 | 1,469 | ||||
| AIU3 | 0,771 | 1,524 | ||||
| AIU4 | 0,794 | 1,681 | ||||
| Khả năng hấp thụ tri thức | 0,822 | 0,824 | 0,894 | 0,737 | ||
| AC1 | 0,849 | 1,730 | ||||
| AC2 | 0,865 | 2,030 | ||||
| AC3 | 0,861 | 1,851 | ||||
| Đạo đức học thuật | 0,786 | 0,794 | 0,861 | 0,609 | ||
| AE1 | 0,736 | 1,368 | ||||
| AE2 | 0,788 | 1,712 | ||||
| AE3 | 0,833 | 1,742 | ||||
| AE4 | 0,760 | 1,711 | ||||
| Hiệu suất học tập | 0,850 | 0,858 | 0,899 | 0,692 | ||
| AP1 | 0,787 | 1,844 | ||||
| AP2 | 0,887 | 2,562 | ||||
| AP3 | 0,868 | 2,335 | ||||
| AP4 | 0,779 | 1,702 |
Hình 2. Các tham số mô hình
Nguồn: Kết quả tính toán của tác giả, năm 2026.
Các chỉ số phù hợp với mô hình cho thấy, χ2 = 1384,950, NFI = 0,905 (>0,9), SRMR = 0,077 (<0,08), cho thấy, mô hình có thể được chấp nhận. Tất cả các hệ số tải trên các cấu trúc đều lớn hơn 0,7 và có ý nghĩa thống kê ở mức p < 0,05, điều này chứng tỏ giá trị hội tụ của các cấu trúc (Fornell và Larcker, 1981).
Giá trị Q2 của mô hình cho biến phụ thuộc “hiệu suất học tập” là 0,481, nằm trong khoảng từ 0,25 – 0,5 cho thấy, mô hình này có khả năng chính xác trong việc dự đoán ở mức trung bình (Hair & cộng sự, 2019). Ngoài ra, các giá trị f2 lần lượt là 0,331; 0,167; 0,160 và 0,108, đều lớn hơn 0,02 cho thấy, các biến độc lập trong mô hình có ảnh hưởng đáng kể đến biến phụ thuộc, với mức độ tác động từ trung bình đến lớn (Cohen, 1988).
4.2. Sai lệch phương pháp chung
Để kiểm tra hiện tượng sai lệch phương pháp chung, nghiên cứu sử dụng kiểm định Harman’s one-factor theo đề xuất của Chang & cộng sự (2010). Kết quả cho thấy phương sai của nhân tố đầu tiên đạt 39,710%, thấp hơn ngưỡng 50%, cho thấy không tồn tại hiện tượng sai lệch phương pháp chung. Vì vậy, dữ liệu thu thập được bảo đảm độ tin cậy và có thể sử dụng cho các phân tích tiếp theo.
4.3. Đánh giá mô hình cấu trúc
Kết quả đánh giá mô hình cấu trúc cho thấy, tất cả các chỉ số đều đáp ứng các tiêu chí yêu cầu: SRMR = 0,077, thấp hơn 0,08 (Vinzi & cộng sự, 2010). Bên cạnh đó, hệ số R2 của hành vi khai thác AI đạt 0,502 và của hiệu suất học tập đạt 0,606, cho thấy các biến độc lập giải thích lần lượt 50,2% và 60,6% sự biến thiên của hai biến phụ thuộc.
Kết quả kiểm định giả thuyết cho thấy, 6 giả thuyết được chấp nhận, gồm H1, H3, H4, H5, H6a và H6b (p < 0,05). Trong đó, biến “điều kiện thuận lợi” có tác động mạnh nhất đến biến “hành vi khai thác AI” (β = 0,325). Điều này cho thấy, sự hỗ trợ về hạ tầng công nghệ và môi trường học tập là yếu tố quan trọng thúc đẩy sinh viên khai thác AI. Biến “hành vi khai thác AI” có ảnh hưởng mạnh đến biến “khả năng hấp thụ tri thức” (β = 0,499). Ngược lại, hai giả thuyết H2 và H7 không được chấp nhận do không đạt ý nghĩa thống kê (p > 0,05) cho thấy, biến “kỳ vọng nỗ lực” không ảnh hưởng đáng kể đến biến “hành vi khai thác AI” và biến “đạo đức học thuật” không có vai trò điều tiết trong mối quan hệ giữa biến “hành vi khai thác AI” và biến “hiệu suất học tập”.
Bảng 2. Kết quả kiểm định giả thuyết
| Giả thuyết | Relationship | β | Mean | STDEV | T Statistics (|O/STDEV|) | P Values | Kết quả |
| H1 | PE -> AIU | 0,127 | 0,122 | 0,064 | 1,979 | 0,048 | Chấp nhận |
| H2 | EE -> AIU | 0,099 | 0,106 | 0,063 | 1,556 | 0,120 | Không chấp nhận |
| H3 | SI -> AIU | 0,312 | 0,304 | 0,073 | 4,261 | 0,000 | Chấp nhận |
| H4 | FC -> AIU | 0,325 | 0,336 | 0,071 | 4,588 | 0,000 | Chấp nhận |
| H5 | AIU -> AP | 0,260 | 0,258 | 0,066 | 3,959 | 0,000 | Chấp nhận |
| H6a | AIU -> AC | 0,499 | 0,501 | 0,053 | 9,428 | 0,000 | Chấp nhận |
| H6b | AC -> AP | 0,325 | 0,322 | 0,073 | 4,458 | 0,000 | Chấp nhận |
| H7 | Moderating Effect -> AP | -0,045 | -0,053 | 0,045 | 1,010 | 0,313 | Không chấp nhận |
4.4. Phân tích vai trò trung gian
Để kiểm tra giả thuyết nghiên cứu H6c, tác giả đã tiến hành phân tích vai trò trung gian nhằm xác định mối quan hệ giữa các biến trong mô hình. Kết quả cho thấy biến “hành vi khai thác AI” có tác động đáng kể đến biến “hiệu suất học tập”, với hệ số β = 0,422, t = 7,771 và p = 0,000.
Biến trung gian “Khả năng hấp thụ tri thức” được xác định là một biến trung gian một phần (Partial mediation), với giá trị VAF đạt 38,36%. Giá trị này nằm trong khoảng từ 20 – 80%, cho thấy mức độ trung gian không quá mạnh nhưng vẫn có ý nghĩa (Preacher & Hayes, 2004). Điều này chỉ ra rằng, biến “hành vi khai thác AI” không chỉ ảnh hưởng trực tiếp đến biến “hiệu suất học tập” mà còn tác động thông qua biến trung gian “Khả năng hấp thụ tri thức”.
Bảng 3. Kết quả phân tích vai trò biến trung gian
| Relationship | Original Sample (O) | Sample Mean (M) | Standard Deviation (STDEV) | T Statistics (|O/STDEV|) | P Values |
| AIU -> AC | 0,499 | 0,501 | 0,053 | 9,428 | 0,000 |
| AC -> AP | 0,325 | 0,322 | 0,073 | 4,458 | 0,000 |
| AIU -> AP | 0,422 | 0,420 | 0,054 | 7,771 | 0,000 |
5. Một số khuyến nghị giải pháp
Thứ nhất, Trường Đại học Công nghệ Đồng Nai cần sớm ban hành “Khung hướng dẫn sử dụng trí tuệ nhân tạo trong học thuật”. Văn bản này không nên mang tính cấm đoán mà cần định hướng rõ ràng những gì sinh viên được phép và không được phép làm với AI. Đồng thời, cần đầu tư mạnh mẽ vào hạ tầng số, cung cấp các tài khoản AI bản quyền, như: ChatGPT Plus hoặc các nền tảng hỗ trợ nghiên cứu chuyên sâu cho giảng viên và sinh viên xuất sắc. Việc tích hợp AI vào hệ thống quản lý học tập sẽ giúp cá nhân hóa lộ trình học tập, nhận diện sớm những lỗ hổng kiến thức của sinh viên để đưa ra hỗ trợ kịp thời, từ đó, tối ưu hóa điều kiện thuận lợi, một nhân tố quan trọng đã được chứng minh trong mô hình nghiên cứu.
Thứ hai, đổi mới phương pháp giảng dạy và đánh giá. Giảng viên cần chuyển dịch vai trò từ người truyền thụ kiến thức sang người điều phối và định hướng. Thay vì yêu cầu sinh viên viết các tiểu luận truyền thống (vốn dễ bị thay thế bởi AI), giảng viên nên thiết kế các bài tập đòi hỏi tư duy phản biện cao, giải quyết vấn đề thực tiễn hoặc thuyết trình thực nghiệm. Hình thức đánh giá cần đa dạng hóa bằng cách kết hợp giữa thi vấn đáp, làm dự án nhóm và kiểm tra tại lớp không sử dụng thiết bị. Đặc biệt, giảng viên nên trực tiếp hướng dẫn sinh viên cách sử dụng AI để xây dựng đề cương, tìm kiếm tài liệu tham khảo và phản biện các lập luận do AI đưa ra, biến AI tạo thành một “trợ lý nghiên cứu” đắc lực trong lớp học.
Thứ ba, nâng cao năng lực khai thác AI cho sinh viên. Nhà trường nên tổ chức các khóa đào tạo ngắn hạn về “kỹ thuật đặt câu lệnh” và kỹ năng thẩm định thông tin. Sinh viên cần hiểu rõ rằng, AI có thể tạo ra các thông tin sai lệch, do đó, khả năng hấp thụ tri thức phải đi đôi với tư duy phản biện. Việc đào tạo không chỉ dừng lại ở kỹ thuật sử dụng công cụ mà còn phải chú trọng vào việc phát triển “khả năng hấp thụ tri thức”, biến dữ liệu từ AI thành kiến thức thực tế của bản thân. Sinh viên cần được khuyến khích sử dụng AI để mở rộng vùng phát triển gần của mình, thay vì dùng nó để thay thế hoàn toàn nỗ lực tư duy cá nhân.
Thứ tư, xây dựng văn hóa liêm chính học thuật trong kỷ nguyên số. Đây là giải pháp then chốt để bảo đảm sự phát triển bền vững. Nhà trường cần tổ chức các buổi hội thảo, tọa đàm về đạo đức AI, giúp sinh viên hiểu rõ ranh giới giữa “hỗ trợ học tập” và “gian lận học thuật”. Các tiêu chuẩn về trích dẫn nguồn khi sử dụng nội dung do AI tạo ra cần được quy định cụ thể trong quy chế học vụ. Việc sử dụng các phần mềm kiểm soát đạo văn có tích hợp tính năng phát hiện AI cũng cần được triển khai để bảo đảm tính công bằng. Quan trọng hơn hết là giáo dục ý thức tự giác và lòng tự trọng nghề nghiệp cho sinh viên, giúp họ nhận ra rằng, kiến thức thật sự chỉ có được qua quá trình lao động trí óc nghiêm túc.
Thứ năm, thúc đẩy cộng đồng học tập sáng tạo dựa trên AI. Khuyến khích hình thành các câu lạc bộ, nhóm nghiên cứu sinh viên ứng dụng AI trong các chuyên ngành. Tại đây, sinh viên có thể chia sẻ các “prompts” hiệu quả, các ứng dụng AI mới và cùng nhau thảo luận về các vấn đề đạo đức phát sinh. Sự tương tác giữa các cá nhân trong cộng đồng sẽ tạo ra sức mạnh cộng hưởng, giúp lan tỏa những mô hình khai thác AI thông minh và lành mạnh trong toàn trường.
Thứ sáu, cơ chế phản hồi và điều chỉnh chính sách linh hoạt. Công nghệ AI thay đổi rất nhanh chóng, vì vậy, Trường Đại học Công nghệ Đồng Nai cần thiết lập một bộ phận chuyên trách hoặc nhóm tư vấn để theo dõi sát sao xu hướng phát triển của công nghệ này. Định kỳ từng học kỳ, nhà trường nên thực hiện các khảo sát đánh giá tác động của AI đến kết quả học tập của sinh viên để điều chỉnh chương trình đào tạo và phương pháp đánh giá cho phù hợp. Việc lắng nghe tiếng nói của sinh viên về những khó khăn và thuận lợi khi sử dụng AI sẽ giúp nhà trường có những bước đi sát thực tế và hiệu quả hơn.
Thứ bảy, để sinh viên không bị lạc hậu, nhà trường nên ký kết hợp tác với các doanh nghiệp cung cấp giải pháp AI để tổ chức các buổi demo, thực tập hoặc dự án thực tế. Việc tiếp cận sớm với các công cụ AI chuyên dụng trong doanh nghiệp sẽ giúp sinh viên nâng cao năng lực cạnh tranh và sẵn sàng cho thị trường lao động. Giải pháp này cũng giúp nhà trường cập nhật kịp thời các yêu cầu về kỹ năng số từ nhà tuyển dụng để tích hợp vào chuẩn đầu ra của các chương trình đào tạo.
6. Kết luận
Kết quả nghiên cứu cho thấy, việc khai thác AI có tác động tích cực đến hiệu suất học tập của sinh viên Trường Đại học Công nghệ Đồng Nai trong bối cảnh chuyển đổi số. Hành vi khai thác AI không chỉ ảnh hưởng trực tiếp mà còn gián tiếp đến hiệu suất học tập thông qua khả năng hấp thụ tri thức. Điều này cho thấy, AI là công cụ hỗ trợ hiệu quả, giúp sinh viên tiếp cận thông tin, giải quyết các nhiệm vụ học tập và phát triển năng lực tư duy khi được sử dụng đúng cách.
Nghiên cứu cũng cho thấy, hiệu quả của việc khai thác AI phụ thuộc vào khả năng tiếp thu, xử lý và vận dụng tri thức của sinh viên. Bên cạnh đó, kỳ vọng hiệu quả và điều kiện thuận lợi từ nhà trường là những yếu tố thúc đẩy hành vi sử dụng AI. Vì vậy, ngoài việc đầu tư hạ tầng công nghệ, nhà trường cần trang bị cho sinh viên kỹ năng sử dụng AI, tư duy phản biện và ý thức liêm chính học thuật nhằm khai thác công nghệ một cách hiệu quả và có trách nhiệm, góp phần nâng cao chất lượng đào tạo và đáp ứng yêu cầu của thị trường lao động trong kỷ nguyên số.
Tài liệu tham khảo:
Ansari, S. R., & Qamari, I. N. (2025). Artificial intelligence and students’ cognitive learning outcomes with bibliometric and content analysis for future research agenda. Discover Education, 4(1), 441.
Baidoo-Anu, D., & Ansah, L. O. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52-62.
Brooks, D. C., & McCormack, M. (2020). Driving Digital Transformation in Higher Education. Educause Review.
Chang, J. S., Chung, S. B., Jung, K. H., & Kim, K. M. (2010). Patronage ramp-up analysis model using a heuristic F-test. Transportation Research Record, 2175(1), 84-91. https://doi.org/10.3141/2175-1
Chaudhry, M. A., & Kazim, E. (2022). Artificial Intelligence in Education (AIEd): A high-level academic and industry note 2021. AI and Ethics, 2(1), 157-165.
Cohen, S. (1988). Psychosocial models of the role of social support in the etiology of physical disease. Health Psychology, 7(3), 269.
Cotton, D. R., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228-239.
Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268.
Đinh Văn Hoàng & cộng sự (15/01/2025). Ảnh hưởng của việc sử dụng AI đến kết quả học tập của học sinh trung học: Bằng chứng thực nghiệm từ một quốc gia đang phát triển. Tạp chí Công Thương. https://tapchicongthuong.vn/anh-huong-cua-viec-su-dung-ai-den-ket-qua-hoc-tap-cua-hoc-sinh-trung-hoc–bang-chung-thuc-nghiem-tu-mot-quoc-gia-dang-phat-trien-131399.htm
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203
Hwang, G. J., & Tu, Y. F. (2021). Roles and research trends of artificial intelligence in mathematics education: A bibliometric mapping analysis and systematic review. Mathematics, 9(6), Article 584.
Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles and research issues of Artificial Intelligence in Education. Computers and Education: Artificial Intelligence, 1, Article 100001.
Kim, Y., & Baylor, A. L. (2006). A social-cognitive framework for pedagogical agents as learning companions. Educational Technology Research and Development, 54(6), 569-596.
Lê Anh Vinh & Trần Mỹ Ngọc. (2024). Tác động của Trí tuệ nhân tạo (AI) đối với hệ thống giáo dục toàn cầu và giáo dục Việt Nam. Tạp chí Khoa học Giáo dục Việt Nam, 20(5), 1-11.
Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, & Computers, 36, 717-731.
Russell, S. J. (2010). Artificial intelligence: A modern approach. Pearson Education.
Schwab, K. (2016). The fourth industrial revolution. In World Economic Forum (Vol. 12).
Selwyn, N. (2019). Should robots replace teachers?: AI and the future of education. John Wiley & Sons.
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for academic integrity and student learning. Journal of Applied Learning & Teaching, 6(1), 31-40.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
Vinzi, V. E., Trinchera, L., & Amato, S. (2010). PLS path modeling: From foundations to recent developments and open issues for model assessment and improvement. In Handbook of partial least squares: Concepts, methods and applications (pp. 47-82). https://doi.org/10.1007/978-3-540-32827-8_3
Vygotsky, L. S., & Cole, M. (1978). Mind in society: Development of higher psychological processes. Harvard University Press.
York, T. T., Gibson, C., & Rankin, S. (2015). Defining and measuring academic success. Practical Assessment, Research & Evaluation, 20(1).
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education-where are the educators? International Journal of Educational Technology in Higher Education, 16(1), Article 39.
Zhai, X. (2022). ChatGPT user experience: Implications for education. SSRN. https://doi.org/10.2139/ssrn.4312418
