Managing learners’ technology-adaptive behavior: integrating institutional resources and academic pressure at Nam Can Tho University
TS. Lê Bảo Toàn
TS. Võ Thế Trường
Trường Kinh tế, Luật – Đại học Trà Vinh
ThS. Trần Duy
Trường Đại học Nam Cần Thơ
Email: lbtoan@tvu.edu.vn; vttruong@tvu.edu.vn; tduy@nctu.edu.vn
(Quanlynhanuoc.vn) – Bài viết nghiên cứu tích hợp lý thuyết chấp nhận và sử dụng công nghệ thống nhất, lý thuyết bảo tồn nguồn lực và lý thuyết kiến tạo xã hội để làm rõ tác động của định chế số và áp lực học thuật đến hiệu suất học tập qua hành vi tương tác công nghệ. Dữ liệu từ 346 sinh viên khối ngành Kinh doanh tại Trường Đại học Nam Cần Thơ được phân tích bằng phương pháp PLS-SEM. Kết quả cho thấy, hỗ trợ định chế số và áp lực học thuật là tiền đề cốt lõi thúc đẩy hành vi đòn bẩy AI mang tính chiến lược. Đáng chú ý, hành vi đòn bẩy AI chiến lược có tác động trực tiếp mạnh nhất (b = 0,794) và đóng vai trò trung gian quyết định giúp chuyển hóa nguồn lực tổ chức cùng áp lực môi trường thành hiệu suất học tập thực chất. Từ kết quả này, bài viết đề xuất một số hàm ý chính sách về liêm chính học thuật và phát triển vốn kỹ thuật số bền vững.
Từ khóa: Định chế số; áp lực học thuật; đòn bẩy AI chiến lược; hiệu suất học tập; Trường Đại học Nam Cần Thơ; PLS-SEM.
Abstract: This study integrates the Unified Theory of Acceptance and Use of Technology, Conservation of Resources Theory, and Social Constructivist Theory to examine the impacts of digital institutions and academic pressure on academic performance through technology interaction behavior. Data from 346 business students at Nam Can Tho University were analyzed using PLS-SEM. The results reveal that digital institutional support and academic pressure are core antecedents driving strategic AI leverage behavior. Notably, strategic AI leverage behavior exerts the strongest direct impact (b = 0.794) and acts as a decisive mediator, transforming organizational resources and environmental pressure into substantive academic performance. Based on these findings, the study proposes several policy implications for academic integrity and sustainable digital capital development.
Keywords: Digital institutions; academic pressure; strategic AI leverage; academic performance; Nam Can Tho University; PLS-SEM.
1. Đặt vấn đế
Trong tiến trình phát triển của giáo dục đại học, sự chuyển dịch từ trọng tâm công nghệ của Giáo dục 4.0 sang triết lý lấy con người làm trung tâm và cộng sinh tri thức của Giáo dục 5.0 đã đặt ra những thách thức quản trị định chế chưa từng có. Sự bùng nổ của các mô hình ngôn ngữ lớn (LLMs) đã tái định nghĩa trí tuệ nhân tạo (AI) từ một công cụ hỗ trợ thuần túy thành thành phần cốt lõi định hình trực tiếp kết quả học tập (Sullivan và cộng sự, 2023). Trong bối cảnh dịch chuyển số này, việc tương tác và làm chủ AI không còn là lựa chọn bổ trợ mà đã trở thành chiến lược tất yếu để người học kiến tạo vốn nhân lực số bền vững nhằm thích ứng với nền kinh tế tri thức vĩ mô.
Tuy nhiên, thực tiễn quản trị tại các cơ sở giáo dục đại học Việt Nam hiện nay đang bộc lộ những nghịch lý mang tính hệ thống. Minh chứng là việc khai thác công nghệ của người học còn mang tính tự phát, bắt nguồn từ sự thiếu hụt một hệ thống dẫn dắt bài bản và khung pháp lý đạo đức từ chính các cơ sở đào tạo (Đặng Thanh Thủy, 2023). Khi thiếu vắng định hướng quản trị định chế, áp lực học đường thay vì thúc đẩy tư duy độc lập lại vô hình trung đẩy sinh viên đến việc lạm dụng AI như một giải pháp cứu cánh nhất thời, dẫn đến nguy cơ lệ thuộc, lười biếng và xói mòn nghiêm trọng liêm chính học thuật (Bùi Trọng Tài & Nguyễn Minh Tuấn, 2024; Cong-Lem & cộng sự, 2024; Dư Thanh Cơ & cộng sự, 2024). Hệ quả tất yếu của thực trạng này là một nghịch lý số: mặc dù các công cụ tạo sinh được xác nhận sở hữu nhiều đặc tính ưu việt giúp cá nhân hóa lộ trình và cải thiện hiệu quả học tập trên lý thuyết (Nguyễn Nhật Tân, 2025), phần lớn sinh viên khi tốt nghiệp vẫn gặp khó khăn trong việc đáp ứng nhu cầu doanh nghiệp do thiếu hụt năng lực thích ứng và tư duy phản biện thực tế. Do đó, việc giải mã cơ chế quản lý định chế nhằm định hình hành vi công nghệ của người học trở thành một yêu cầu cấp bách.
Bằng việc tích hợp lý thuyết chấp nhận và sử dụng công nghệ, bảo tồn nguồn lực và kiến tạo xã hội, trên cơ sở khảo sát sinh viên đang theo học khối ngành Kinh doanh và Quản lý tại Trường Đại học Nam Cần Thơ cho thấy, việc xây dựng mô hình cấu trúc chuỗi đa chiều kết nối gồm bốn yếu tố: (1) Sự hỗ trợ định chế số từ nhà trường (IDS); (2) Áp lực học thuật (ASP); (3) Hành vi đòn bẩy AI mang tính chiến lược (SAL); (3) Hiệu suất học tập (ALP).
Tính mới học thuật của bài viết nằm ở việc kiểm chứng cơ chế truyền dẫn và vai trò trung gian của biến hành vi SAL. Khác với cách tiếp cận truyền thống xem áp lực là tác nhân tiêu cực, bài viết nghiên cứu và tiên phong xem áp lực như một tác nhân kích hoạt chiến lược trong hệ sinh thái Giáo dục 5.0. Thông qua cơ chế vốn hóa công nghệ, nghiên cứu làm rõ cách sinh viên huy động AI làm nguồn lực dưới sự can thiệp của định chế nhằm thiết lập các vòng xoáy bồi đắp tri thức, cung cấp các hàm ý quản trị giáo dục thiết thực.
2. Cơ sở lý thuyết và giả thuyết nghiên cứu
2.1 Tổng quan nghiên cứu
Tiến trình nghiên cứu về hiệu suất học thuật trong giáo dục đại học đã dịch chuyển mạnh mẽ từ các yếu tố nội tại cá nhân sang hệ sinh thái hỗ trợ kỹ thuật số, đặc biệt sau sự bùng nổ của AI tạo sinh. Ban đầu, các nghiên cứu tập trung xác định hỗ trợ tổ chức là tiền đề chuyển hóa ý định thành hành vi ứng dụng công nghệ của người học (Chiu, 2021). Trong bối cảnh chuyển đổi số, vai trò của hệ sinh thái hỗ trợ và năng lực tự học số hóa bắt đầu được nhấn mạnh như một thực thể chiến lược (Bùi Đức Nhân, 2023). Sự xuất hiện của AI tạo sinh thúc đẩy các học giả tái định nghĩa công nghệ này từ công cụ hỗ trợ thuần túy thành một thành phần cộng sinh, một công cụ bổ trợ tư duy đắc lực định hình trực tiếp kết quả học tập (Mollick & Mollick, 2023; Sullivan & cộng sự, 2023).
Dòng nghiên cứu truyền thống thường xem áp lực học tập là tác nhân tiêu cực gây căng thẳng và làm suy giảm hiệu suất học đường (Wang & Bon, 2024). Tuy nhiên, tiếp cận bằng mô hình cấu trúc tuyến tính (PLS-SEM), các học giả chứng minh nhận thức sự hữu ích, tính dễ sử dụng và động lực tự điều chỉnh mới là những yếu tố quyết định hành vi ứng dụng để bứt phá năng lực (Dư Thị Chung & cộng sự, 2024). Tại Việt Nam, thực tế đã chứng minh việc trang bị năng lực số là cơ sở then chốt để nâng cao hiệu suất học tập (Nguyễn Nhật Tân, 2025; Nguyễn Sỹ Thiệu & Nguyễn Hải Yến, 2025). Dù vậy, các học giả đồng thời cảnh báo nguy cơ xói mòn liêm chính học thuật và suy giảm tư duy độc lập nếu người học lệ thuộc vào công nghệ mà thiếu đi sự định hướng quản lý từ định chế nhà trường (Bùi Trọng Tài & Nguyễn Minh Tuấn, 2024; Dư Thanh Cơ & cộng sự, 2024).
Mặc dù các mối quan hệ đơn lẻ đã bước đầu được kiểm chứng, hiện vẫn tồn tại khoảng trống nghiên cứu lớn về cơ chế truyền dẫn tổng thể giữa hỗ trợ định chế, áp lực học đường và hiệu quả học tập thông qua công nghệ. Nghiên cứu này kỳ vọng khỏa lấp khoảng trống đó bằng cách tích hợp các lý thuyết nền tảng để giải mã cơ chế tác động chuỗi, trong đó định nghĩa hành vi tương tác với AI dưới dạng Hành vi đòn bẩy AI mang tính chiến lược. Cách tiếp cận này giúp phân tích sâu sắc quá trình chuyển hóa nguồn lực định chế vĩ mô thành chất lượng đầu ra thực chất, cung cấp bằng chứng thực chứng về quy trình kiến tạo tri thức và quản trị hành vi người học trong hệ sinh thái Giáo dục 5.0.
2.2 Lý thuyết nền tảng
Nghiên cứu thiết lập một khung phân tích tích hợp dựa trên sự hội tụ của ba lý thuyết chủ đạo nhằm giải mã cơ chế hình thành hành vi của người học:
(1) Lý thuyết chấp nhận và sử dụng công nghệ thống nhất (UTAUT): trong mô hình này, sự hỗ trợ định chế số từ nhà trường bao gồm hạ tầng, chính sách và năng lực giảng viên đóng vai trò là tiền đề vĩ mô kích hoạt hành vi tương tác công nghệ của người học (Wang & cộng sự, 2024).
(2) Lý thuyết bảo tồn nguồn lực (COR): luận điểm của Hobfoll (1989) về xu hướng tích lũy và bảo vệ tài nguyên cá nhân được sử dụng để giải thích hành vi dưới áp lực môi trường. Khi Áp lực học thuật đe dọa làm suy kiệt thời gian và năng lượng trí tuệ (Hobfoll & cộng sự, 2018), sinh viên có xu hướng huy động IDS và kích hoạt SAL như một nguồn lực công cụ để ngăn chặn vòng xoáy mất mát và tối ưu hóa quy trình xử lý thông tin (Chiu, 2024).
(3) Lý thuyết kiến tạo xã hội (SCT): Vygotsky (1978) khẳng định tri thức được hình thành hiệu quả nhất thông qua việc chủ động tương tác với công cụ hỗ trợ trong môi trường biểu đạt. Dưới sự dẫn dắt của định chế nhà trường, biến hành vi SAL của sinh viên đóng vai trò là quá trình tương tác công nghệ tích cực để chủ động kiến tạo tri thức thay vì tiếp nhận thụ động (Luckin & cộng sự, 2016).
Sự kết hợp ba lý thuyết này lý giải bản chất hệ thống của các vòng xoáy bồi đắp (gain spirals) nguồn lực. Sự cộng hưởng giữa IDS và SAL là cơ chế cốt lõi để nâng cao ALP (Yang, 2024), tạo lập năng lực thích ứng bền vững cho nguồn nhân lực kinh tế tương lai trong kỷ nguyên số.
2.3 Phát triển giả thuyết nghiên cứu
(1) Định chế số, đòn bẩy AI và áp lực học thuật. Dựa trên mô hình UTAUT, nguồn lực hỗ trợ mang tính tổ chức là yếu tố quyết định giúp người dùng vượt qua rào cản kỹ năng và tâm lý khi tiếp cận đổi mới (Venkatesh & cộng sự, 2003). Trong môi trường đại học, hạ tầng công nghệ hiện đại cùng hành lang pháp lý minh bạch từ nhà trường tạo nền tảng an tâm cho người học thử nghiệm các công cụ số mới (Jin & cộng sự, 2024; Nguyễn Nhật Tân, 2025). Đồng thời, sự hướng dẫn của đội ngũ giảng viên giúp chuyển hóa ý định công nghệ thành hành vi tương tác thực tế trong các học phần chuyên ngành (Chiu, 2021; Sullivan & cộng sự, 2023). Từ đó đề xuất:
Giả thuyết H1: IDS có tác động tích cực đến SAL của sinh viên.
Dưới lăng kính quản trị định chế, một hệ thống định chế số đồng bộ không làm giảm nhẹ tiêu chuẩn học thuật mà đồng nghĩa với việc thiết lập chuẩn đầu ra cao hơn và siết chặt kỷ luật hành vi (Wang & cộng sự, 2024). Các quy định về liêm chính học thuật và kiểm soát công nghệ vô hình trung tạo ra không gian thách thức mang tính định hướng, thúc đẩy nhận thức của sinh viên về trách nhiệm và áp lực học đường cần thiết (Hobfoll & cộng sự, 2018). Đây là áp lực chuẩn hóa mang tính kích hoạt nỗ lực hành vi cá nhân chứ không phải áp lực độc hại gây suy giảm nhận thức. Từ đó đề xuất:
Giả thuyết H2: IDS có tác động tích cực đến ASP của sinh viên.
(2) Áp lực học thuật và hành vi đòn bẩy AI. Dưới lăng kính lý thuyết COR, áp lực học thuật vận hành như tác nhân đe dọa đến nguồn lực thời gian và năng lượng trí tuệ hạn hẹp của người học (Hobfoll, 1989). Nhằm ngăn chặn vòng xoáy mất mát nguồn lực, cá nhân luôn có xu hướng chủ động tìm kiếm các công cụ ngoại vi để bù đắp và bảo tồn tài nguyên cá nhân. Trong kỷ nguyên số, áp lực học đường đóng vai trò như tác nhân kích hoạt chiến lược, thúc đẩy sinh viên tìm đến công nghệ tạo sinh nhằm tối ưu hóa quy trình xử lý thông tin và hóa giải thách thức khối lượng công việc (Taj & cộng sự, 2024). Từ đó đề xuất:
Giả thuyết H3: ASP có tác động tích cực đến SAL của sinh viên.
(3) Đòn bẩy AI chiến lược và Hiệu suất học tập. Dưới góc độ của SCT, AI không vận hành như một công cụ thay thế tư duy thuần túy mà là một thực thể bổ trợ cho các quá trình nhận thức bậc cao (Luckin & cộng sự, 2016). Lý thuyết COR cũng lập luận rằng việc chủ động đầu tư nguồn lực công cụ sẽ dẫn đến việc tích lũy và kiến tạo nên các nguồn lực mới giá trị hơn. Khi sinh viên ứng dụng AI chiến lược để tóm tắt tài liệu phức tạp, xây dựng cấu trúc luận điểm hoặc phân tích dữ liệu kinh doanh, nghĩa là sinh viên đã có khả năng xử lý thông tin sâu sắc và đa chiều hơn (Mollick & Mollick, 2023). Quá trình cộng sinh tri thức này cho phép sinh viên cá nhân hóa lộ trình học tập, củng cố năng lực giải quyết vấn đề thực tế, từ đó trực tiếp cải thiện hiệu suất học tập và năng lực chuyên môn thực chất (Yan & Liu, 2025). Do đó đề xuất:
Giả thuyết H4: SAL có tác động tích cực đến ALP của sinh viên.
(4) Cơ chế truyền dẫn trung gian. Trong hệ sinh thái giáo dục hiện đại, các chính sách, hạ tầng của nhà trường hay thách thức học đường không tự động chuyển hóa trực tiếp thành giá trị đầu ra, mà bắt buộc phải thông qua cơ chế thích nghi hành vi (Yang, 2024). Quá trình này chỉ thực sự tạo ra hiệu suất khi người học tham gia tương tác chủ động và có chủ đích với công nghệ (Chiu, 2021). Nói cách khác, IDS và ASP đóng vai trò kích hoạt hành vi, và chính SAL vận hành như cầu nối nguồn lực quyết định đưa đến sự bứt phá trong ALP (Mollick & Mollick, 2023; Jin & cộng sự, 2024). Từ đó, hai giả thuyết trung gian được đề xuất:
Giả thuyết H5: SAL đóng vai trò trung gian trong mối quan hệ tác động từ IDS đến ALP của sinh viên.
Giả thuyết H6: SAL đóng vai trò trung gian trong mối quan hệ tác động từ ASP đến ALP của sinh viên.
2.4 Mô hình nghiên cứu đề xuất
Vận dụng tích hợp thuyết UTAUT, COR và SCT, nghiên cứu thiết lập mô hình cấu trúc nhằm giải mã lộ trình quản trị hành vi và hình thành hiệu suất học tập trong giáo dục đại học thông qua ba cơ chế cốt lõi:
Thứ nhất, cơ chế kích hoạt hành vi và định hình áp lực, kiểm chứng tác động của sự hỗ trợ định chế vĩ mô đến hành vi công nghệ (H1), nhận thức áp lực chuẩn hóa (H2), và vai trò thúc đẩy của áp lực học đường đến xu hướng đòn bẩy AI (H3).
Thứ hai, tiến trình kiến tạo giá trị, đo lường lực đẩy trực tiếp của SAL trong việc cải thiện ALP của người học (H4). Thứ ba là cơ chế truyền dẫn trung gian, xác định vai trò quyết định của biến hành vi SAL như một cầu nối nguồn lực động, giúp chuyển hóa toàn diện các tác nhân định chế (H5) và áp lực môi trường (H6) thành chất lượng đầu ra thực chất. Khung phân tích tổng thể này cung cấp một cách tiếp cận hệ thống về sự tương tác biện chứng giữa quản lý định chế và hành vi thích ứng cá nhân nhằm tối ưu hóa năng lực số bền vững cho sinh viên.
3. Phương pháp nghiên cứu
Bài viết áp dụng phương pháp lấy mẫu thuận tiện có kiểm soát từ tổng thể N = 5.039 sinh viên khối ngành Kinh doanh và Quản lý. Dữ liệu được thu thập trực tuyến qua Google Forms theo quy trình hai giai đoạn nhằm sàng lọc đối tượng và giảm thiểu sai số. Sau khi loại bỏ các phản hồi không hợp lệ, mẫu chính thức đạt 346 quan sát, phân bổ theo các chuyên ngành: Quản trị kinh doanh (39,0%), Tài chính – Ngân hàng (19,9%), Kế toán (16,6%), Marketing (14,3%) và các ngành phụ cận (10,2%).
Các biến số trong mô hình được đo lường bằng thang đo Likert 5 điểm (1: Hoàn toàn không đồng ý; 5: Hoàn toàn đồng ý), kế thừa từ các nghiên cứu quốc tế và hiệu chỉnh qua quy trình dịch ngược (back-translation), gồm: IDS với 5 mục hỏi (IDS1 – IDS5), dựa trên thuyết UTAUT để đánh giá hạ tầng, quy chế và năng lực dẫn dắt công nghệ của tổ chức (Chiu, 2021); ASP: 4 mục hỏi (ASP1 – ASP4), phát triển từ thuyết COR nhằm phản ánh thách thức về khối lượng học tập và chuẩn đầu ra đào tạo (Hobfoll và cộng sự, 2018); SAL: 5 mục hỏi (SAL1 – SAL5), đo lường mức độ chủ động tối ưu hóa công nghệ tạo sinh làm đòn bẩy nâng cao năng lực tự học (Wang & cộng sự, 2024; Mollick & Mollick, 2023); ALP: 5 mục hỏi (ALP1 – ALP5), phản ánh kết quả đầu ra về năng lực chuyên môn, tư duy phản biện và khả năng tích lũy tri thức (Nguyễn Sỹ Thiệu & Nguyễn Hải Yến, 2024).
Dữ liệu từ 346 phản hồi được xử lý bằng phương pháp mô hình hóa phương trình cấu trúc bình phương tối thiểu từng phần (PLS-SEM) trên phần mềm SmartPLS 3.0, triển khai qua hai giai đoạn: Đánh giá mô hình đo lường (Measurement Model): Kiểm định độ tin cậy nội tại qua hệ số Cronbach’s Alpha (CA ³ 0,7) và độ tin cậy tổng hợp (CR ³ 0,7). Giá trị hội tụ được xác định qua hệ số tải ngoài (Outer Loading > 0,7) và chỉ số trích xuất trung bình (AVE ³ 0,5). Giá trị phân biệt giữa các khái niệm được đánh giá bằng tiêu chuẩn Fornell-Larcker và tỷ số HTMT. Kiểm định mô hình cấu trúc và giả thuyết (Structural Model): Đánh giá các tác động trực tiếp và hiệu ứng trung gian bằng kỹ thuật Bootstrapping không tham số với 5.000 mẫu lặp lại. Tiến trình này xác định hệ số đường dẫn chuẩn hóa (b, giá trị t-value, giá trị p-value để kết luận giả thuyết, đồng thời kiểm soát đa cộng tuyến qua hệ số phóng đại phương sai (VIF).
4. Kết quả nghiên cứu
Kết quả thống kê mô tả từ 346 mẫu khảo sát hợp lệ phản ánh sát cơ cấu thực tế của tổng thể và đảm bảo tính đại diện cao cho khối ngành Kinh doanh và Quản lý. Về cơ cấu ngành học, nhóm ngành Quản trị kinh doanh chiếm tỷ trọng cao nhất với 39,0% (n = 135), theo sau là Tài chính – Ngân hàng với 19,9% (n = 69), Kế toán với 16,6% (n = 57), Marketing với 14,3% (n = 50), và các ngành học liên quan khác chiếm 10,2% (n = 35). Trong đó, sinh viên năm thứ ba chiếm tỷ trọng lớn nhất với 36,1% (n = 125), tiếp theo là năm thứ hai với 28,9% (n = 100), năm thứ tư với 20,8% (n = 72) và năm thứ nhất với 14,2% (n = 49).
Sự tập trung lớn vào nhóm sinh viên năm hai và năm ba hoàn toàn phù hợp với mục tiêu nghiên cứu, bởi đây là giai đoạn người học đối mặt với khối lượng kiến thức chuyên ngành nặng cùng áp lực nghề nghiệp lớn, thúc đẩy nhu cầu kích hoạt các hành vi công nghệ chiến lược. Xét về tiêu chí giới tính, sinh viên Nữ chiếm ưu thế với 62,4% (n = 216) và sinh viên Nam chiếm 37,6% (n = 130). Sự tương xứng tổng thể này khẳng định tính đại diện cao của tập dữ liệu, tạo lập cơ sở vững chắc để triển khai các bước kiểm định tiếp theo.
Đánh giá mô hình đo lường cho thấy, các chỉ số kiểm định cốt lõi bao gồm hệ số tải nhân tố ngoại vi (Outer Loadings), chỉ số CA, CR và AVE.
(1) Độ tin cậy và giá trị hội tụ. Kết quả phân tích thống kê cấu trúc đối với mô hình đo lường được tổng hợp chi tiết tại Bảng 1.
Bảng 1. Tổng hợp các chỉ số độ tin cậy và giá trị hội tụ của thang đo
| Khái niệm | Biến quan sát | Outer Loadings | CA | CR | AVE |
| IDS | IDS1 -IDS5 | 0,845 – 0,882 | 0,908 | 0,932 | 0,731 |
| ASP | ASP1 – ASP4 | 0,792 – 0,875 | 0,843 | 0,894 | 0,679 |
| SAL | SAL1 – SAL5 | 0,841 – 0,904 | 0,930 | 0,947 | 0,781 |
| ALP | ALP1 – ALP5 | 0,834 – 0,902 | 0,918 | 0,939 | 0,754 |
Kết quả thực chứng tại Bảng 1 cho thấy, mô hình đo lường đạt chuẩn chất lượng học thuật và độ tin cậy rất cao, cụ thể trên hai phương diện:
Giá trị hội tụ: tất cả hệ số tải ngoài (Outer Loading) của các biến quan sát đều dao động từ 0,792 đến 0,904, vượt xa ngưỡng tối thiểu 0,70. Chỉ số AVE của cả bốn cấu trúc tiềm ẩn nằm trong khoảng từ 0,679 đến 0,781, vượt trên ngưỡng quy định 0,50, khẳng định phần lớn phương sai của các biến quan sát được giải thích tốt bởi biến tiềm ẩn tương ứng.
Độ tin cậy nội tại và tính nhất quán: hệ số Cronbach’s Alpha dao động từ 0,843 – 0,930 (ngưỡng chuẩn >0,70) và độ tin cậy tổng hợp (CR) đạt từ 0,894 – 0,947 (ngưỡng chuẩn >0,70), chứng minh thang đo đạt độ tin cậy hoàn hảo.
(2) Giá trị phân biệt. Bài viết nghiên cứu tiến hành kiểm định đồng thời qua hai thước đo khắt khe, bao gồm tiêu chuẩn Fornell-Larcker và tỷ số HTMT. Kết quả kiểm định được trình bày tại Bảng 2.
Bảng 2. Kết quả kiểm định giá trị phân biệt (Fornell-Larcker và HTMT)
| Khái niệm nghiên cứu | ALP | ASP | IDS | SAL |
| Hiệu suất học tập (ALP) | 0,868 | 0,616 | 0,825 | 0,857 |
| Áp lực học thuật (ASP) | 0,546 | 0,824 | 0,515 | 0,620 |
| Sự hỗ trợ định chế số từ nhà trường (IDS) | 0,756 | 0,455 | 0,855 | 0,763 |
| Hành vi đòn bẩy AI mang tính chiến lược (SAL) | 0,794 | 0,553 | 0,703 | 0,884 |
Tiêu chuẩn Fornell-Larcker: căn bậc hai AVE của từng cấu trúc tiềm ẩn (nằm trên đường chéo in đậm, lần lượt là 0,868; 0,824; 0,855; 0,884) đều có giá trị lớn hơn tất cả các hệ số tương quan giữa cấu trúc đó với các cấu trúc còn lại trong cùng một cột và hàng tương ứng.
Tiêu chuẩn giá trị HTMT: Các tỷ số HTMT giữa các cặp biến tiềm ẩn (nằm ở phía trên đường chéo) dao động trong khoảng từ 0,515 – 0,857. Hầu hết các chỉ số này đều nằm an toàn dưới ngưỡng khắt khe là 0,85, riêng cặp quan hệ giữa biến SAL và ALP có tỷ số HTMT đạt mức 0,857, ngưỡng chấp nhận trong các nghiên cứu hành vi thực trường theo khuyến nghị của Henseler và cộng sự (2015).
Kết quả này bảo đảm các khái niệm trong mô hình có tính phân biệt rõ ràng và không vi phạm hiện tượng trùng lặp đo lường.
Vì vậy, đánh giá mô hình cấu trúc, cần xác định các nội dung sau:
(3) Kiểm định hiện tượng đa cộng tuyến. Trước khi kiểm định giả thuyết, các chỉ số cộng tuyến nội bộ (Inner VIF) được đánh giá để đảm bảo tính độc lập giữa các biến dự báo. Kết quả ghi nhận hệ số VIF của mối quan hệ IDS đến ASP đạt 1,000; các hệ số VIF tác động đến SAL (gồm IDS và ASP) cùng đạt 1,260; và hệ số VIF của tác động từ SAL đến ALP đạt 1,000. Tất cả các giá trị này đều thấp hơn đáng kể so với ngưỡng tiêu chuẩn khắt khe là 3,0 (Hair & cộng sự, 2019). Kết quả thực chứng này khẳng định mô hình hoàn toàn không vi phạm hiện tượng đa cộng tuyến, đảm bảo độ tin cậy trước khi ước lượng mô hình cấu trúc.
Khả năng giải thích và quy mô tác động (R2 và f2).
Sau khi xác lập tính độc lập của các biến dự báo, sức mạnh giải thích và năng lực dự báo của mô hình cấu trúc tinh gọn được đánh giá dựa trên hệ số xác định (R2, R2 hiệu chỉnh) đối với các biến phụ thuộc và quy mô tác động (f2) giữa các cặp quan hệ. Kết quả ước lượng thực chứng được tổng hợp chi tiết tại Bảng 3.
Bảng 3. Kết quả đánh giá hệ số R2 và quy mô tác động f2
| Biến phụ thuộc | R2 | R2 hiệu chỉnh | Tác nhân dự báo | f2 | Mức độ tác động |
| ASP | 0,207 | 0,204 | IDS | 0,260 | Trung bình |
| SAL | 0,563 | 0,561 | IDS ASP | 0,589 0,157 | Mạnh Trung bình |
| ALP | 0,630 | 0,629 | SAL | 1,705 | Cực kỳ mạnh |
Về khả năng giải thích (R2): mô hình cho thấy mức độ giải thích biến thiên mạnh. Cụ thể, hành vi SAL giải thích được 63,0% sự biến thiên của ALP (R2 = 0,630; R2 hiệu chỉnh = 0,629). Sự tác động đồng thời của IDS và ASP giải thích được 56,3% sự biến động của SAL (R2 = 0,563). Riêng IDS tự thân giải thích được 20,7% sự biến thiên của ASP (R2 = 0,207).
Về quy mô tác động (f2): tác động trực tiếp từ SAL đến ALP đạt mức cực kỳ mạnh (f2 = 1,705). Đối với biến trung gian SAL, tác động của IDS đạt quy mô mạnh (f2 = 0,589), vượt trội so với lực đẩy từ ASP vốn chỉ đạt mức trung bình (f2 = 0,157). Cuối cùng, tác động trực tiếp từ IDS đến ASP ghi nhận quy mô tác động đạt chuẩn trung bình (f2 = 0,260).
(4) Kiểm định mô hình cấu trúc và giả thuyết. Bài viếtvận dụng kỹ thuật Bootstrapping với 5.000 mẫu lặp lại để xác định ý nghĩa thống kê của các hệ số đường dẫn chuẩn hóa. Kết quả tại Bảng 4 cho thấy toàn bộ 6 giả thuyết đều đạt mức ý nghĩa thống kê cao (p = 0,000 < 0,01).
Bảng 4. Kết quả kiểm định các giả thuyết trong mô hình
| Giả thuyết | Quan hệ tác động | (β) | STDEV | T-Stat. | P-Value | Kết luận |
| H1 | IDS ® SAL | 0,569 | 0,052 | 11,032 | 0,000 | Ủng hộ |
| H2 | IDS ® ASP | 0,455 | 0,059 | 7,693 | 0,000 | Ủng hộ |
| H3 | ASP ® SAL | 0,294 | 0,047 | 6,199 | 0,000 | Ủng hộ |
| H4 | SAL ® ALP | 0,794 | 0,033 | 23,874 | 0,000 | Ủng hộ |
| H5 | IDS ® SAL ® ALP | 0,452 | 0,052 | 8,660 | 0,000 | Ủng hộ |
| H6 | ASP ® SAL ® ALP | 0,234 | 0,039 | 6,053 | 0,000 | Ủng hộ |
Phân tích các tác động trực tiếp:
Mối quan hệ IDS ® SAL (H1): định chế số từ nhà trường có lực đẩy mạnh mẽ nhất đến hành vi đòn bẩy AI chiến lược của sinh viên (b = 0,569; t = 11,032).
Mối quan hệ IDS ® ASP (H2): sự hỗ trợ định chế tác động thuận chiều đến áp lực học thuật (b = 0,455; t = 7,693), chứng minh hệ thống chính sách và hạ tầng số từ tổ chức góp phần thiết lập tính kỷ luật và chuẩn mực hành vi.
Mối quan hệ ASP ® SAL (H3): áp lực học thuật tác động tích cực đến hành vi đòn bẩy AI (b = 0,294; t = 6,199), phản ánh xu hướng sinh viên chủ động huy động AI tạo sinh làm nguồn lực công cụ để ứng phó với thách thức môi trường.
Mối quan hệ SAL ® ALP (H4): hành vi đòn bẩy AI chiến lược thể hiện sức mạnh tác động vượt trội và mang tính quyết định nhất đối với Hiệu suất học tập đầu ra (b = 0,794; t = 23,874).
Phân tích các tác động trung gian (gián tiếp): kết quả thực chứng khẳng định vai trò truyền dẫn quyết định của biến hành vi SAL qua hai tuyến độc lập:
Tuyến IDS ® SAL ® ALP (H5): Tác động gián tiếp có ý nghĩa thống kê cao (b = 0,452; t = 8,660), chứng minh nguồn lực định chế số được chuyển hóa hiệu quả thành hiệu suất đầu ra thông qua việc kích hoạt hành vi đòn bẩy AI chiến lược.
Tuyến ASP ® SAL ® ALP (H6): Hệ số tác động gián tiếp đạt 0,234 (t = 6,053). Khẳng định áp lực học thuật không tự động sinh ra hiệu suất, mà bắt buộc phải thông qua cơ chế thích nghi hành vi tương tác công nghệ (SAL) để bồi đắp tri thức trong kỷ nguyên Giáo dục 5.0.
Mô hình cấu trúc hoàn chỉnh bao gồm các hệ số đường dẫn chuẩn hóa, chỉ số t-value và mức ý nghĩa thống kê được minh họa chi tiết tại Hình 1.
Hình 1. Kết quả mô hình cấu trúc
(Nguồn: Kết quả phân tích từ phần mềm SmartPLS 3.0)
5. Một số ý kiến thảo luận
Kết quả ước lượng PLS-SEM ủng hộ toàn bộ các giả thuyết ở mức ý nghĩa thống kê cao (p < 0,01), chứng minh sự tương thích cao của khung lý thuyết tích hợp (UTAUT, COR và SCT) trong bối cảnh giáo dục đại học tại Việt Nam.
Thứ nhất, cơ chế kích hoạt hành vi từ định chế số và áp lực môi trường. Kết quả thực chứng ủng hộ các giả thuyết H1, H2, và H3, thiết lập góc nhìn toàn diện về các tiền đề thúc đẩy SAL:
Tác động của IDS đến SAL (H1): tương thích với mô hình UTAUT (Venkatesh & cộng sự, 2003; Chiu, 2021). Trong không gian Giáo dục 5.0, nguồn lực định chế cần được vật chất hóa bằng các điều kiện thuận lợi (hạ tầng dữ liệu, AI bản quyền, hành lang pháp lý đạo đức) (Jin & cộng sự, 2024), củng cố luận điểm của Bùi Đức Nhân (2023) về chất lượng dịch vụ hỗ trợ học tập số hóa.
Tác động của ASP đến SAL (H3): dưới lăng kính lý thuyết COR, áp lực học thuật không gây kiệt sức (Wang & Bon, 2024) mà vận hành như một “tác nhân kích hoạt chiến lược”. Sinh viên khối ngành Kinh doanh và Quản lý chủ động sử dụng AI tạo sinh làm nguồn lực công cụ để bảo tồn tài nguyên cá nhân (thời gian, năng lượng) trước nguy cơ mất mát nguồn lực. Phát hiện này tương đồng với Mollick & Mollick (2023) khi áp lực được điều tiết bởi công cụ thông minh sẽ chuyển hóa thành động lực đổi mới.
Mối quan hệ giữa IDS và ASP (H2): hệ thống định chế số nghiêm túc của nhà trường không triệt tiêu áp lực, mà đóng vai trò thiết lập các chuẩn mực học thuật để định hình tính kỷ luật bản thân cho sinh viên.
Thứ hai, vai trò quyết định của đòn bẩy AI trong kiến tạo hiệu suất.Kết quả thực chứng ủng hộ giả thuyết H4 với hệ số tác động lớn vượt trội và mang tính quyết định nhất trong mô hình (f2 = 1,705). Phát hiện này minh chứng mạnh mẽ cho lý thuyết SCT (Vygotsky, 1978; Luckin & cộng sự, 2016), xác lập vị thế của AI như một công cụ bổ trợ cho các quá trình nhận thức bậc cao.Trong bối cảnh hiện đại, tính chủ động của người học được thể hiện qua năng lực thiết lập quy trình cộng sinh tri thức với thuật toán để cá nhân hóa lộ trình tự học, tóm tắt lý thuyết, xây dựng luận điểm và xử lý dữ liệu kinh doanh đa chiều (Mollick & Mollick, 2023). Sự cam kết làm chủ công cụ số đã giải phóng tiềm năng tư duy độc lập của sinh viên. Kết quả này đồng nhất với nhận định của Nguyễn Đức Vượng & Phan Trọng Tiến (2025), khẳng định năng lực số và tư duy thích ứng linh hoạt là vốn nhân lực kỹ thuật số cốt lõi định hình trực tiếp kết quả học thuật thực chất của thế hệ Gen Z.
Thứ ba, cơ chế truyền dẫn gián tiếp và vòng xoáy bồi đắp nguồn lực. Kết quả ủng hộ giả thuyết H5 và H6, xác lập hệ thống hiệu ứng trung gian chuỗi thông qua biến SAL và làm rõ lộ trình chuyển hóa nguồn lực đa tầng:
Cơ chế truyền dẫn hành vi (H5, H6): các nguồn lực định chế vĩ mô (IDS) hay áp lực thách thức vi mô (ASP) không tự động sinh ra kết quả đầu ra vượt trội, mà bắt buộc phải truyền dẫn qua hành vi tương tác chiến lược thực tế của người học với công nghệ (Chiu, 2021). Định chế số giúp xóa bỏ rào cản tâm lý, trong khi áp lực học tập kích hoạt nỗ lực hành vi để tạo sự bứt phá trong hiệu suất (Jin và cộng sự, 2024).
Vòng xoáy bồi đắp nguồn lực (Lý thuyết COR): việc chủ động ứng dụng công nghệ làm đòn bẩy chiến lược giúp sinh viên tích lũy kỹ năng số và gia tăng vốn tri thức chuyên sâu. Cơ chế truyền dẫn này giải quyết triệt để các quan ngại về đạo đức học đường được đặt ra bởi Dư Thanh Cơ & cộng sự (2024).
Đồng thời, kết quả này hiện thực hóa triết lý Giáo dục 5.0: công nghệ là phương tiện đòn bẩy, và sự cộng sinh giữa nguồn lực tổ chức với hành vi chủ động, có trách nhiệm của người học mới là nhân tố quyết định chất lượng đầu ra.
6. Hàm ý chính sách
Từ kết quả thực chứng của mô hình PLS-SEM, bài viết đề xuất hệ thống hàm ý chính sách đồng bộ nhằm tối ưu hóa hành vi tương tác công nghệ và nâng cao hiệu suất học tập cho sinh viên khối ngành Kinh doanh và Quản lý:
Một là, định hình liêm chính học thuật như một năng lực số cốt lõi.
Do hành vi SAL chịu tác động mạnh mẽ nhất từ sự hỗ trợ định chế (IDS, b = 0,569), các trường đại học cần dịch chuyển tư duy quản trị từ kiểm soát thụ động sang định hướng đạo đức số. Nhà trường cần ban hành Quy tắc ứng xử AI (AI Code of Conduct), đồng thời tích hợp các chuyên đề đào tạo về đạo đức công nghệ và quy chuẩn trích dẫn thuật toán vào chương trình chính khóa. Việc trang bị “màng lọc nội tại” này giúp người học phân định rõ ranh giới giữa ứng dụng AI hỗ trợ tư duy và việc lệ thuộc máy móc, chuyển hóa AI thành cộng sự học thuật chính trực.
Hai là, hóa giải áp lực môi trường bằng sự dẫn dắt công nghệ từ giảng viên.
Kết quả thực chứng cho thấy áp lực học thuật (ASP) có thể kích hoạt vòng xoáy bồi đắp nguồn lực tích cực khi kết hợp với hành vi SAL. Do đó, giảng viên cần chuyển đổi vai trò sang “người điều phối số”, chủ động thiết kế các nhiệm vụ học tập có tính thách thức cao mô phỏng áp lực thực tế của thị trường lao động, đồng thời ban hành khung hướng dẫn quy trình huy động AI để xử lý dữ liệu. Việc bắt buộc người học thể hiện tư duy độc lập qua phản biện trực tiếp sẽ giúp sinh viên hình thành kỹ năng “đồng kiến tạo tri thức” cùng thuật toán theo đúng tinh thần thuyết SCT.
Ba là, vốn hóa kỹ năng số qua cải cách đánh giá và đầu tư thực nghiệm chuyên biệt.
Với hệ số tác động vượt trội của hành vi SAL đến hiệu suất đầu ra (ALP, b = 0,794), nhà trường cần thay đổi các hình thức kiểm tra ghi nhớ truyền thống sang đánh giá năng lực điều khiển công cụ, kỹ năng thẩm định dữ liệu đầu ra từ LLMs và khả năng ra quyết định quản trị. Đồng thời, tổ chức cần cung ứng các tài khoản AI bản quyền nâng cao hoặc phát triển mô hình AI nội bộ tinh chỉnh riêng cho dữ liệu ngành Kinh tế, Kế toán, Tài chính để sinh viên sẵn sàng thích ứng với thị trường lao động số.
7. Kết luận
Bài viết đã thực chứng mô hình cấu trúc tuyến tính trên mẫu 346 sinh viên khối ngành Kinh doanh và Quản lý nhằm giải mã lộ trình tác động đa tầng của định chế vĩ mô và áp lực môi trường đến hiệu suất đầu ra. Kết quả khẳng định, sự hỗ trợ định chế số từ nhà trường và áp lực học thuật là hai tác nhân kích hoạt cốt lõi, thúc đẩy mạnh mẽ hành vi đòn bẩy AI mang tính chiến lược. Đáng chú ý, hành vi SAL sở hữu lực tác động trực tiếp lớn nhất và vận hành như cơ chế trung gian truyền dẫn quyết định để chuyển hóa nguồn lực tổ chức và thách thức môi trường thành hiệu suất học tập thực chất. Phát hiện này minh chứng cho triết lý Giáo dục 5.0: AI tạo sinh không thay thế tư duy, mà chỉ tối ưu hóa giá trị kiến tạo tri thức khi đặt trong hệ sinh thái định chế hỗ trợ, cấu trúc áp lực chuẩn hóa và được dẫn dắt bởi năng lực thích ứng chủ động của người học.
Mặc dù đạt kết quả quan trọng, song dữ liệu mới tập trung vào khối ngành Kinh doanh và quản lý tại một cơ sở đào tạo, làm giới hạn khả năng tổng quát hóa cho các khối ngành đặc thù khác. Bên cạnh đó, mô hình hiện tại mới xem xét các quan hệ tuyến tính và hiệu ứng trung gian của biến SAL mà chưa khai thác các điều kiện biên. Vì vậy, hướng nghiên cứu tiếp theo là mở rộng khảo sát đa trung tâm, tích hợp các biến điều tiết, như: năng lực số tự thân của sinh viên hoặc sự sẵn sàng công nghệ của giảng viên, trong đó cần đi sâu phân tích trạng thái cân bằng động giữa động lực bứt phá hiệu suất học tập và rủi ro xâm phạm liêm chính học thuật khi AI trở thành một phần cấu trúc của giáo dục đại học, góp phần thực sự vào kết quả học tập của sinh viên Gen Z.
Tài liệu tham khảo:
Bùi Đức Nhân (2023). Xu hướng đổi mới đánh giá kết quả học tập của học sinh hướng đến hình thành năng lực. Tạp chí Khoa học – Trường Đại học Thủ đô Hà Nội, (69), 20-21.
Bùi Trọng Tài và Nguyễn Minh Tuấn (2024). Nghiên cứu ảnh hưởng của trí tuệ nhân tạo trong giáo dục tới hoạt động học tập của sinh viên. Tạp chí Giáo dục, 24(10), 6-11.
Chiu, T. K. (2021). Applying the self-determination theory to investigate the roles of teacher support and student engagement in equation-based programming learning. Interactive Learning Environments, 1-15. https://doi.org/10.1080/15391523.2021.1891998
Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with generative AI. Computers and Education: Artificial Intelligence, 6, Article 100197. https://doi.org/10.1016/j.caeai.2023.100197
Cong-Lem, N., Tran, T. N., & Nguyen, T. T. (2024). Academic integrity in the age of generative AI: Perceptions and responses of Vietnamese EFL teachers. Teaching English with Technology, 24(1), 28–47. https://doi.org/10.56297/FSYB3031/MXNB7567
Dư Thanh Cơ, Nguyễn Cát Mai Trâm, Nguyễn Văn Anh Thư, Huỳnh Duy Thanh và Vũ Thị Thanh Thảo (2024). Các yếu tố ảnh hưởng đến hành vi sử dụng công cụ AI trong học tập của sinh viên các trường đại học tại Thành phố Hồ Chí Minh. Tạp chí Nghiên cứu Tài chính – Marketing, 15(6). https://doi.org/10.52932/jfm.v15i6.544
Dư Thị Chung, Nguyễn Cao Minh Thành, Nguyễn Vy Anh Thư, Huỳnh Diễm Trinh, & Vũ Thị Tuyết Trinh (2024). Các yếu tố ảnh hưởng đến hành vi sử dụng công cụ AI trong học tập của sinh viên các trường đại học tại Thành phố Hồ Chí Minh. Tạp chí Nghiên cứu Tài chính – Marketing, 15(6). https://doi.org/10.52932/jfm.v15i6.544
Đặng Thanh Thủy (2023). Phân tích sự tác động của chuyển đổi số đến chất lượng học tập của sinh viên ngành quản trị nhân lực tại Trường Đại học Kinh tế – Tài chính Thành phố Hồ Chí Minh (UEF). Tạp chí Phát triển & Hội nhập, 73(83), 78–86. https://vjol.info.vn/index.php/kttc/article/view/91243
Hair, J. F., Risher, J. J., Sarstedt, M. và Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2–24.
Henseler, J., Ringle, C. M. và Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.
Hobfoll, S. E. (1989). Conservation of resources: A new attempt at conceptualizing stress. American Psychologist, 44(3), 513–524. https://doi.org/10.1037/0003-066X.44.3.513
Hobfoll, S. E., Halbesleben, J., Neveu, J. P., & Westman, M. (2018). Conservation of resources in the organizational context: The reality of resources and their consequences. Annual Review of Organizational Psychology and Organizational Behavior, 5, 103–128. https://doi.org/10.1146/annurev-orgpsych-032117-104640
Jin, Y., Yan, L., Echeverria, V., Gašević, D. và Martinez-Maldonado, R. (2024). Generative AI in higher education: A global perspective of institutional adoption policies and guidelines. Computers and Education: Artificial Intelligence, 6, 100348. https://doi.org/10.1016/j.caeai.2024.100348
Luckin, R., Holmes, W., Griffiths, M. và Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
Mollick, E. R. và Mollick, L. (2023). Using AI to implement effective teaching strategies in classrooms: Five strategies, including prompts (Wharton School Working Paper). SSRN.
Nguyễn Đức Vượng và Phan Trọng Tiến. (2025). Năng lực số và kỹ năng học tập suốt đời trong kỷ nguyên số: Nghiên cứu tiếp cận từ thực tiễn giáo dục tại Trường Đại học Quảng Bình. Tạp chí Khoa học Đại học Mở Hà Nội, 2025(830).
Nguyễn Nhật Tân. (2025). Ảnh hưởng của các đặc điểm trí tuệ nhân tạo (AI) đối với nhận thức hiệu quả học tập của sinh viên đại học. Tạp chí Khoa học Trường Đại học Mở Hà Nội. https://doi.org/10.59266/houjs.2025.804
Nguyễn Sỹ Thiệu và Nguyễn Hải Yến (2025). Ảnh hưởng của trí tuệ nhân tạo đến kết quả học tập: Nghiên cứu tại Học viện Chính sách và Phát triển. Journal of Policy and Development Research, 1(1), 116–128. https://jpd.edu.vn/index.php/jpd/article/view/12
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for academic integrity and student learning. Journal of Applied Learning and Teaching, 6(1), 31–40. https://doi.org/10.37074/jalt.2023.6.1.17
Taj, S., Tabassum, R., & Bibi, S. (2024). Impact of stress on the academic performance of university students. Research Journal for Societal Issues, 6(2), 314–325. https://doi.org/10.56976/rjsi.v6i2.232
Venkatesh, V., Morris, M. G., Davis, G. B. và Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Wang, C., Li, Z., & Bonk, C. (2024). Understanding self-directed learning in AI-Assisted writing: A mixed methods study of postsecondary learners. Computers and Education: Artificial Intelligence, 6, Article 100247. https://doi.org/10.1016/j.caeai.2024.100247
Yan, Y., & Liu, H. (2025). Ethical framework for AI education based on large language models. Education and Information Technologies, 30, 10891–10909. https://doi.org/10.1007/s10639-024-13241-6
Yang, G. (2024). Knowledge element relationship and value co-creation in the innovation ecosystem. Sustainability, 16(10), Article 4273. https://doi.org/10.3390/su16104273
