The impact of AI personalization on learners’ trust in AI: the roles of cognitive engagement and AI learning support
ThS. Ngô Hoàng Đông
Trường Đại học Văn Hiến
Email: dongnh@vhu.edu.vn
(Quanlynhanuoc.vn) – Nghiên cứu đóng góp vào dòng nghiên cứu về trí tuệ nhân tạo (AI) trong giáo dục bằng cách làm rõ vai trò của cá nhân hóa bằng AI trong quá trình hình thành niềm tin vào AI của người học. Kết quả thực nghiệm cho thấy, cá nhân hóa bằng AI không chỉ trực tiếp thúc đẩy niềm tin vào AI mà còn nâng cao sự gắn kết nhận thức và hỗ trợ học tập bằng AI. Đồng thời, sự gắn kết nhận thức có tác động tích cực đến niềm tin vào AI, trong khi hỗ trợ học tập bằng AI không tạo ra tác động trực tiếp có ý nghĩa thống kê đến niềm tin vào AI. Phát hiện này góp phần phân biệt vai trò của sự hỗ trợ học tập và niềm tin trong trải nghiệm tương tác giữa người học và AI, đồng thời cho thấy, sự gắn kết nhận thức có thể là một cơ chế quan trọng cần được xem xét trong nghiên cứu về quá trình hình thành niềm tin đối với AI trong giáo dục.
Từ khóa: Cá nhân hóa bằng AI; gắn kết nhận thức; hỗ trợ học tập bằng AI; niềm tin vào AI.
Abstract: This study contributes to the research stream on AI in education by clarifying the role of AI personalization in the formation of trust in AI among learners. Empirical results show that AI personalization not only directly promotes trust in AI but also enhances cognitive engagement and AI learning support. Furthermore, cognitive engagement positively impacts trust in AI, while AI learning support does not have a statistically significant direct impact on trust in AI. This finding helps differentiate the roles of learning support and trust in the interactive experience between learners and AI, and suggests that cognitive engagement may be an important mechanism to consider in research on the formation of trust in AI in education.
Keywords: AI personalization; cognitive engagement; AI learning support; trust in AI.
1. Đặt vấn đề
Sự phát triển của Generative AI (GenAI) đang tạo ra những thay đổi đáng kể trong hoạt động học tập, đặc biệt thông qua khả năng cá nhân hóa nội dung, phản hồi và hỗ trợ theo nhu cầu của người học. Tuy nhiên, hiệu quả hỗ trợ của AI không đồng nghĩa với việc người học hình thành niềm tin đối với hệ thống. Do đó, việc xác định các cơ chế giải thích sự hình thành niềm tin vào AI trong quá trình tương tác với AI có ý nghĩa cả về lý luận và thực tiễn.
Bài viết tập trung kiểm định vai trò của cá nhân hóa bằng AI (AIP) đối với gắn kết nhận thức (COG), hỗ trợ học tập bằng AI (AIL) và niềm tin vào AI (AIT). Đồng thời, cũng đề xuất và kiểm định mô hình với năm giả thuyết bằng dữ liệu 565 quan sát và phương pháp PLS-SEM, trên cơ sở đó góp phần làm rõ vai trò của cá nhân hóa và gắn kết nhận thức trong quá trình hình thành niềm tin của người học đối với AI, đồng thời cung cấp bằng chứng về sự khác biệt giữa hỗ trợ học tập bằng AI và niềm tin vào AI.
2. Ba nền tảng lý thuyết
Bài viết đã tích hợp ba nền tảng lý thuyết bổ trợ, gồm: thuyết Tự quyết (SDT), mô hình Kích thích – Chủ thể – Phản ứng (S-O-R) và lý thuyết niềm tin vào tự động hóa/niềm tin giữa con người – AI. Sự tích hợp này cho phép xem xét AIP từ ba phương diện: nhu cầu và động lực tâm lý của người học, trạng thái bên trong hình thành qua tương tác công nghệ và quá trình hình thành AIT.
(1) Thuyết Tự quyết (SDT): được Ryan & Deci (2000) phát triển nhằm giải thích các cơ chế thúc đẩy động lực, sự tự điều chỉnh và sự phát triển tích cực của cá nhân. Theo SDT, con người có ba nhu cầu tâm lý cơ bản, bao gồm tính tự chủ (autonomy), năng lực (competence) và sự gắn kết (relatedness). Việc đáp ứng các nhu cầu này được xem là có ý nghĩa quan trọng đối với động lực tự chủ, sự phát triển tâm lý và hoạt động hiệu quả của cá nhân (Ryan & Deci, 2000).
Trong giáo dục, SDT nhấn mạnh vai trò của môi trường học tập trong việc đáp ứng các nhu cầu tự chủ, năng lực và gắn kết của người học. Môi trường hỗ trợ quyền chủ động, củng cố năng lực và tạo kết nối có ý nghĩa có thể thúc đẩy động lực tự chủ và sự tham gia học tập, ngược lại, việc hạn chế các nhu cầu này có thể làm suy giảm động lực và chức năng tâm lý (Ryan & Deci, 2000).
(2) Mô hình Kích thích – Chủ thể – Phản ứng (S-O-R): Mô hình này được vận dụng để giải thích mối quan hệ giữa các đặc tính của môi trường công nghệ, trạng thái nội tại và phản ứng của người học. Trong đó, yếu tố kích thích (S) phản ánh những tác động từ môi trường, chủ thể (O) thể hiện trạng thái nội tại của cá nhân và phản ứng (R) biểu thị phản ứng của cá nhân đối với môi trường. Trên cơ sở đó, nghiên cứu sử dụng S-O-R để phân tích mối quan hệ giữa các đặc tính của AI, đặc biệt là AIP, với AIL, COG và AIT (Lee & See, 2004, Zhang & cộng sự, 2025).
Zhang & cộng sự (2025) vận dụng S-O-R để phân tích tác động của các đặc tính của GenAI đến mức độ gắn kết học tập trong bối cảnh học tiếng Anh như một ngoại ngữ. Kết quả khảo sát 697 sinh viên tại bốn trường đại học ở Trung Quốc cho thấy, khả năng đáp ứng và mức độ phản hồi của hệ thống, cùng với AIP, có mối quan hệ tích cực với AIT, niềm tin vào năng lực học tập với sự hỗ trợ của AI và mức độ gắn kết học tập (Zhang & cộng sự, 2025).
(3) Lý thuyết niềm tin vào tự động hóa và niềm tin giữa con người và AI: Lee & See (2004) nhấn mạnh, niềm tin quyết định mức độ con người sẵn sàng dựa vào hệ thống tự động, đặc biệt khi hệ thống phức tạp hoặc phát sinh những tình huống khó dự đoán, khiến người dùng khó hiểu đầy đủ cơ chế vận hành. Vì vậy, niềm tin không chỉ phản ánh thái độ tích cực đối với công nghệ mà còn thể hiện mức độ tin cậy phù hợp, tức mức độ dựa vào hệ thống tương xứng với năng lực thực tế của hệ thống. Do đó, AIT giữ vai trò quan trọng trong quyết định sử dụng hệ thống tự động, đặc biệt trong bối cảnh người học không thể quan sát hoặc hiểu đầy đủ các quá trình vận hành bên trong của AI (Lee & See, 2004).
Trong bối cảnh giáo dục ứng dụng GenAI, vấn đề niềm tin giữa con người và AI trở nên phức tạp hơn do các hệ thống hiện đại có khả năng giao tiếp bằng ngôn ngữ tự nhiên và mô phỏng một số đặc điểm của tương tác xã hội. Pitts & cộng sự (2026) cho rằng, việc AI chatbot ngày càng được tích hợp vào giáo dục đặt ra câu hỏi về cách người học hình thành niềm tin. Theo đó, niềm tin có thể mang tính niềm tin giữa các chủ thể xã hội (human-like trust), tương tự niềm tin dành cho một đối tượng có khả năng tương tác xã hội, hoặc mang tính niềm tin vào hệ thống (system-based trust), tương tự niềm tin dành cho một hệ thống công nghệ.
Pitts & cộng sự (2026) cho rằng, mức độ tin cậy phù hợp trong tương tác giữa người học và AI chatbot cần được xem xét thận trọng, do các mô hình trust giữa con người có thể giả định tính chủ ý và chủ thể không phù hợp với AI, trong khi các mô hình công nghệ truyền thống chưa phản ánh đầy đủ đặc tính tương tác xã hội của AI.
Trong nghiên cứu này, AIT được xem là trạng thái nhận thức hình thành thông qua tương tác với hệ thống AI. Cách tiếp cận này kết hợp lý thuyết niềm tin vào hệ thống tự động hóa, nhấn mạnh vai trò của niềm tin trong quyết định dựa vào hệ thống, với lý thuyết niềm tin giữa con người và AI, qua đó mở rộng phân tích sang các hệ thống AI có khả năng giao tiếp, phản hồi và AIP.
(4) Tích hợp các nền tảng lý thuyết trong mô hình nghiên cứu: các nền tảng lý thuyết được tích hợp nhằm giải thích mối quan hệ giữa AIP, AIL, COG và AIT theo cách tiếp cận đa tầng.
S-O-R cung cấp khung lý thuyết tổng thể, phân biệt đặc tính của môi trường công nghệ với các trạng thái bên trong của người học. Trong đó, AIP được xem là đặc tính của môi trường AI, trong khi AIL, COG và AIT phản ánh các trạng thái nhận thức và tâm lý liên quan.
SDT bổ sung cơ chế giải thích tâm lý, làm rõ cách môi trường học tập đáp ứng đặc điểm và nhu cầu cá nhân có thể thúc đẩy động lực và sự tham gia của người học. Theo Ryan & Deci (2000), tính tự chủ, cảm nhận về năng lực và sự gắn kết xã hội là ba nhu cầu tâm lý cơ bản, giữ vai trò quan trọng đối với động lực và hoạt động tâm lý của con người (Ryan & Deci, 2000).
Lý thuyết niềm tin vào tự động hóa và niềm tin giữa con người và AI cung cấp cơ sở chuyên biệt để giải thích AIT. Trong môi trường giáo dục ứng dụng AI, người học không chỉ đánh giá các đặc tính chức năng của hệ thống mà còn hình thành nhận định về mức độ đáng tin cậy và khả năng dựa vào hệ thống. Lee & See (2004) nhấn mạnh vai trò của niềm tin đối với sự phụ thuộc vào hệ thống tự động hóa, trong khi Pitts & cộng sự (2026) cho thấy, niềm tin trong tương tác giữa con người và AI có những đặc điểm riêng cần được xem xét trong bối cảnh AI chatbot giáo dục ((Pitts & cộng sự, 2026).
Zhang & cộng sự (2025) cung cấp bằng chứng thực nghiệm hỗ trợ cơ sở lý luận của mô hình nghiên cứu khi xem xét AIP và khả năng đáp ứng như những đặc tính của GenAI, đồng thời, kiểm định vai trò của AIT và niềm tin vào năng lực học tập với sự hỗ trợ của AI trong mối quan hệ với sự gắn kết học tập. Nghiên cứu sử dụng dữ liệu khảo sát từ 697 sinh viên đại học và được xây dựng trên nền tảng S-O-R (Zhang & cộng sự, 2025).
Bài viết xem AIP là đặc tính của môi trường AI, trong khi AIL, COG và AIT phản ánh các trạng thái nhận thức và tâm lý của người học. Việc tích hợp SDT, S-O-R và lý thuyết niềm tin vào tự động hóa cũng như niềm tin giữa con người và AI cung cấp nền tảng lý thuyết bổ trợ nhằm giải thích mối quan hệ giữa đặc tính công nghệ, trải nghiệm nhận thức và AIT trong môi trường giáo dục ứng dụng AI.
3. Phát triển các giả thuyết
(1) AIP và COG.
Theo SDT, môi trường đáp ứng nhu cầu tự chủ và năng lực có thể thúc đẩy động lực và sự tham gia học tập (Ryan & Deci, 2000). Trong giáo dục ứng dụng AI, việc cá nhân hóa nội dung và phản hồi phù hợp với nhu cầu, năng lực và mục tiêu của người học có thể gia tăng mức độ đầu tư vào quá trình xử lý thông tin, suy luận và phản tư, qua đó thúc đẩy COG (Ryan & Deci, 2000).
Xu & cộng sự (2025), trong nghiên cứu trên 1.079 sinh viên Trung Quốc, ghi nhận mối quan hệ tích cực giữa phản hồi được AIP và mức độ tham gia học tập. Heung & Chiu (2025), thông qua tổng quan tài liệu và phân tích gộp 17 nghiên cứu với 1.735 người học cũng cho thấy, ChatGPT có khả năng thúc đẩy COG, trong đó hướng dẫn học tập được cá nhân hóa là một cơ chế quan trọng (Xu & cộng sự, 2025).
Các nghiên cứu trước đây cho thấy, GenAI và phản hồi được cá nhân hóa có khả năng thúc đẩy sự gắn kết học tập. Kế thừa các kết quả này, nghiên cứu hiện tại xem xét vai trò của AIP như một yếu tố tiền đề của COG, qua đó làm rõ vai trò của quá trình đầu tư nhận thức trong việc hình thành AIT.
H1: AIP có tác động tích cực đến sự gắn kết nhận thức của người học.
(2) COG và AIT.
Theo lý thuyết niềm tin vào tự động hóa, AIT hình thành thông qua nhận thức và đánh giá của người dùng về hiệu quả, năng lực và độ tin cậy của hệ thống (Lee & See, 2004). COG tạo điều kiện để người học quan sát, kiểm chứng và đánh giá phản hồi của AI, từ đó nhận định rõ hơn về độ tin cậy (reliability) và tính hữu ích (usefulness) của hệ thống, góp phần hình thành AIT (Lee & See, 2004).
Zhang & cộng sự (2025) xác định AIT là trạng thái tâm lý quan trọng trong tương tác giữa người học và GenAI. Tuy nhiên, bằng chứng về mối quan hệ nhân quả từ COG đến AIT vẫn còn hạn chế. Vì vậy, nghiên cứu này xem COG là tiền tố nhận thức của AIT, nhấn mạnh vai trò của quá trình quan sát, đánh giá và xử lý thông tin trong việc hình thành AIT. Trên cơ sở đó, bài viết đề xuất giả thuyết:
H2: Tương tác nhận thức có tác động tích cực đến AIT của người học.
(3) AIP và AIT.
Theo S-O-R, AIP được xem là yếu tố kích thích, trong khi AIT là trạng thái tâm lý hình thành thông qua quá trình đánh giá của người dùng (Mehrabian & Russell, 1974). Lý thuyết niềm tin vào tự động hóa cũng cho rằng, các đặc tính của hệ thống ảnh hưởng đến niềm tin thông qua quá trình đánh giá nhận thức của người dùng (Lee & See, 2004). Zhang & cộng sự (2025), trong nghiên cứu trên 697 sinh viên sử dụng GenAI cho thấy, AIP có tác động tích cực đến AIT. Xu & cộng sự (2025) cũng ghi nhận rằng phản hồi được cá nhân hóa tạo ra trải nghiệm hỗ trợ thích ứng với nhu cầu của người dùng. Kế thừa các kết quả này, nghiên cứu hiện tại mở rộng phân tích bằng cách kiểm định vai trò trung gian của COG và AIL trong mối quan hệ giữa AIP và AIT ((Xu & cộng sự, 2025).
H3: AIP có tác động tích cực đến niềm tin của người học vào AI.
(4) AIP và AIL.
Theo SDT, môi trường học tập đáp ứng nhu cầu cá nhân có thể củng cố cảm nhận về năng lực và tính tự chủ của người học (Ryan & Deci, 2000). Trong giáo dục ứng dụng AI, AIP cho phép điều chỉnh nội dung, phản hồi và hoạt động hỗ trợ phù hợp với đặc điểm của từng người học, qua đó nâng cao mức độ phù hợp của AIL và cải thiện trải nghiệm học tập (Ryan & Deci, 2000).
Theo S-O-R, AIP được xem là yếu tố kích thích từ công nghệ, trong khi AIL phản ánh nhận thức của người học về mức độ hỗ trợ trong quá trình học tập. Việc cá nhân hóa nội dung và phản hồi có thể nâng cao mức độ phù hợp của hoạt động hỗ trợ với mục tiêu học tập của từng cá nhân. Các nghiên cứu gần đây (Looi & Jia, 2025, Elliott & cộng sự, 2026, Wang, 2026) cho thấy, GenAI có tiềm năng cung cấp các hình thức hỗ trợ học tập linh hoạt, được cá nhân hóa và phù hợp với nhu cầu của người học (Wang, 2026).
Nghiên cứu xem AIL là cơ chế trung gian giữa AI personalization và AIT, qua đó kiểm định liệu AIP có nâng cao cảm nhận hỗ trợ học tập và góp phần hình thành niềm tin hay không. Trên cơ sở đó, bài viết đề xuất giả thuyết:
H4: AIP có tác động tích cực đến hoạt động AIL mà người học nhận được.
(5) AIL và AIT.
Theo lý thuyết niềm tin vào tự động hóa, niềm tin của người dùng được hình thành và điều chỉnh dựa trên hiệu suất, độ tin cậy và khả năng đáp ứng mục tiêu của hệ thống (Lee & See, 2004). Trong giáo dục ứng dụng AI, AIL có tính phù hợp, hữu ích và bảo đảm chất lượng có thể tạo ra trải nghiệm giúp người học đánh giá năng lực và độ tin cậy của hệ thống, qua đó góp phần củng cố AIT (Lee & See, 2004).
Pitts & Motamedi (2025) cho rằng, niềm tin của người học vào AI gắn liền với sự sẵn sàng dựa vào hướng dẫn và thông tin do AI cung cấp trong điều kiện bất định, trong đó độ tin cậy (reliability) và tính chính trực (integrity) là những yếu tố quan trọng. Wang (2026) cũng cho thấy AIT có mối liên hệ đáng kể với nhận thức về mức độ hỗ trợ học tập (perceived learning support) trong trải nghiệm giáo dục với GenAI (Pitts & cộng sự, 2026).
Phần lớn các nghiên cứu xem AIT là tiền tố của nhận thức về hỗ trợ học tập, ý định sử dụng hoặc chấp nhận AI, trong khi bằng chứng về chiều tác động ngược lại còn hạn chế. Dựa trên cơ chế hiệu chỉnh niềm tin (trust calibration), nghiên cứu này đề xuất rằng trải nghiệm AIL phù hợp và hữu ích có thể giúp người học đánh giá năng lực (competence) và độ tin cậy (reliability) của hệ thống, qua đó củng cố AIT. Vì vậy, H5 được xem là giả thuyết mở rộng lý thuyết và cần được kiểm định thực nghiệm.
H5: AIL có tác động tích cực đến AIT của người học.
4. Mô hình nghiên cứu
Dựa vào các lập luận trên, mô hình nghiên cứu được đề xuất như sau:
Hình 1 Mô hình nghiên cứu
(Nguồn: Tác giả tổng hợp)
Bài viết sử dụng phương pháp định lượng với thiết kế cắt ngang, trên 565 người có kinh nghiệm sử dụng AI trong học tập. Dữ liệu được thu thập thông qua bảng hỏi trực tuyến có cấu trúc, bao gồm các thông tin nhân khẩu học và bốn cấu trúc nghiên cứu: AIP, COG, AIT và AIL. Mỗi cấu trúc được đo lường bằng sáu biến quan sát, với tổng cộng 24 biến quan sát, sử dụng thang đo Likert 7 điểm, từ 1 (Hoàn toàn không đồng ý) đến 7 (Hoàn toàn đồng ý). Các thang đo được kế thừa và điều chỉnh từ những nghiên cứu trước đây. Sau quá trình sàng lọc, bộ dữ liệu cuối cùng gồm 565 quan sát hợp lệ, không có giá trị thiếu.
Dữ liệu được xử lý và phân tích bằng SPSS. Quy trình phân tích bao gồm kiểm tra và sàng lọc dữ liệu, thống kê mô tả, đánh giá độ tin cậy của thang đo bằng Cronbach’s Alpha, EFA và kiểm định các mối quan hệ giữa các biến trong mô hình nghiên cứu. Kết quả phân tích được sử dụng làm cơ sở đánh giá chất lượng thang đo và kiểm định các giả thuyết nghiên cứu.
5. Kết quả nghiên cứu
Nghiên cứu sử dụng 565 quan sát hợp lệ, không có giá trị thiếu. Mẫu nghiên cứu có sự đa dạng về đặc điểm nhân khẩu học và nghề nghiệp.
Độ tuổi của người tham gia dao động từ 20 đến 65, với giá trị trung bình là 42,68, trung vị là 42, độ lệch chuẩn là 13,361 và hệ số bất đối xứng là −0,047. Kết quả cho thấy phân phối độ tuổi tương đối cân đối. Các biến giới tính, trình độ học vấn, quy mô doanh nghiệp và mức độ kinh nghiệm có giá trị trung bình lần lượt là 1,989, 2,515, 2,494 và 2,485, với các hệ số bất đối xứng gần bằng 0.
Biến số năm công tác dao động từ 1 đến 179, với giá trị trung bình là 83,062, trung vị là 79, độ lệch chuẩn là 54,486 và hệ số bất đối xứng là 0,162, cho thấy phân phối lệch phải nhẹ. Tuy nhiên, cần kiểm tra lại đơn vị đo lường và cách mã hóa biến này để bảo đảm tính nhất quán và chính xác của dữ liệu.
Các cấu trúc AIP, COG, AIT và AIL được đo lường bằng thang Likert 7 điểm. Giá trị trung bình của các biến dao động từ 3,834 đến 4,065, độ lệch chuẩn từ 1,133 đến 1,301 và hệ số bất đối xứng từ −0,196 đến 0,175. Nhìn chung, các giá trị này cho thấy dữ liệu có phân phối tương đối cân đối, không có dấu hiệu bất đối xứng nghiêm trọng dựa trên hệ số được báo cáo.
Tổng thể, dữ liệu không có giá trị thiếu và các biến được báo cáo không biểu hiện mức độ bất đối xứng đáng kể. Đây là cơ sở thuận lợi để tiếp tục phân tích bằng PLS-SEM. Tuy nhiên, việc lựa chọn và triển khai PLS-SEM cần được xem xét cùng với mục tiêu nghiên cứu và đặc điểm mô hình, đồng thời, cần đánh giá mô hình đo lường và mô hình cấu trúc trước khi kết luận về các giả thuyết nghiên cứu.
Hình 2. Kết quả ước lượng mô hình PLS-SEM
(Nguồn: Kết quả xử lý dữ liệu của tác giả)
Giá trị Cronbach’ Alpha
Kết quả đánh giá mô hình đo lường cho thấy cả bốn thang đo AIP, COG, AIT và AIL đều đáp ứng các tiêu chí về độ tin cậy và giá trị hội tụ. Cụ thể, Cronbach’s Alpha dao động từ 0,873 đến 0,898, đều vượt ngưỡng khuyến nghị 0,70 cho thấy, các thang đo có độ nhất quán nội tại tốt. Hệ số rho_A nằm trong khoảng 0,875–0,900, trong khi CR dao động từ 0,904 đến 0,922. Tất cả các giá trị này đều vượt ngưỡng 0,70, xác nhận độ tin cậy của các thang đo.
Bên cạnh đó, AVE dao động từ 0,611 đến 0,663, đều lớn hơn ngưỡng 0,50 cho thấy các thang đo đáp ứng yêu cầu về giá trị hội tụ. Kết quả này hàm ý, mỗi cấu trúc tiềm ẩn giải thích được phần lớn phương sai của các biến quan sát tương ứng. Như vậy, xét trên các tiêu chí về độ tin cậy và giá trị hội tụ, không có thang đo nào cần bị loại bỏ ở bước đánh giá này. Tuy nhiên, cần tiếp tục kiểm tra giá trị phân biệt trước khi kết luận mô hình đo lường đạt yêu cầu đầy đủ.
Bảng 1. Kết quả kiểm định độ tin cậy và giá trị hội tụ của thang đo
| Thang đo | Cronbach’s Alpha | rho_A | Composite Reliability | AVE |
| AI Learning Support (AIL) – Hỗ trợ học tập bằng AI | 0,874 | 0,875 | 0,905 | 0,613 |
| AI Personalization (AIP) – Cá nhân hóa AI | 0,898 | 0,900 | 0,922 | 0,663 |
| Niềm tin vào AI (AIT) – Niềm tin vào AI | 0,880 | 0,886 | 0,909 | 0,624 |
| Cognitive Engagement (COG) – Sự gắn kết nhận thức | 0,873 | 0,877 | 0,904 | 0,611 |
Tất cả bốn construct AIL, AIP, AIT và COG đều đáp ứng yêu cầu về độ tin cậy nội tại và giá trị hội tụ, do đó có thể được giữ lại để tiếp tục đánh giá mô hình cấu trúc PLS-SEM.
Kết quả kiểm định KMO cho thấy, KMO = 0,914, lớn hơn 0,5, dữ liệu có mức độ phù hợp rất tốt để thực hiện phân tích nhân tố khám phá (EFA). Đồng thời, kiểm định Bartlett’s Test of Sphericity có giá trị χ² = 4.796,581, df = 153, Sig. = 0,000 < 0,05, chứng tỏ các biến quan sát có tương quan với nhau trong tổng thể. Như vậy, dữ liệu đáp ứng điều kiện để tiến hành phân tích EFA.
Bảng 2. KMO và Bartlett test trong phân tích EFA
| KMO and Bartlett’s Test | ||
| Kaiser-Meyer-Olkin Measure of Sampling Adequacy. | ,914 | |
| Bartlett’s Test of Sphericity | Approx. Chi-Square | 4796,581 |
| df | 153 | |
| Sig. | ,000 | |
Kết quả phân tích EFA cho thấy, KMO = 0,914, thể hiện dữ liệu có mức độ phù hợp rất tốt để phân tích nhân tố. Kiểm định Bartlett đạt χ² = 4.796,581 với Sig. = 0,000 < 0,05 cho thấy, các biến quan sát có tương quan tuyến tính với nhau và đáp ứng điều kiện thực hiện EFA. Kết quả trích được 4 nhân tố, với tổng phương sai trích đạt 55,580% cho thấy, các nhân tố này giải thích 55,580% sự biến thiên của tập biến quan sát. Như vậy, dữ liệu đủ điều kiện để tiếp tục các bước phân tích tiếp theo.
Bảng 3. KMO và Bartlett trong phân tích EFA
| Nhóm thang đo | KMO | Bartlett χ² | Sig. | Tổng phương sai trích (%) |
| Các thang đo nghiên cứu | 0,914 | 4.796,581 | 0,000 | 55,580 |
Bảng 4. Kết quả kiểm định ANOVA của mô hình hồi quy
| ANOVAa | ||||||
| Model | Sum of Squares | df | Mean Square | F | Sig. | |
| 1 | Regression | 24,396 | 3 | 8,132 | 9,842 | ,000b |
| Residual | 463,517 | 561 | ,826 | |||
| Total | 487,913 | 564 | ||||
| a. Dependent Variable: AIT | ||||||
| b. Predictors: (Constant), AIL, COG, AIP | ||||||
Kết quả phân tích ANOVA cho thấy, mô hình hồi quy có ý nghĩa thống kê (F(3,561) = 9,842, p < 0,001) cho thấy, các biến AIP, COG và AIL khi được đưa vào mô hình có khả năng giải thích có ý nghĩa thống kê đối với biến phụ thuộc AIT. Do đó, mô hình hồi quy được xem là phù hợp để tiếp tục đánh giá mức độ và chiều tác động của từng biến độc lập thông qua các hệ số hồi quy.
Bảng 5 Kết quả phân tích hệ số hồi quy và kiểm tra đa cộng tuyến
| Coefficientsa | ||||||||
| Model | Unstandardized Coefficients | Standardized Coefficients | t | Sig. | Collinearity Statistics | |||
| B | Std. Error | Beta | Tolerance | VIF | ||||
| 1 | (Constant) | 2,796 | ,240 | 11,633 | ,000 | |||
| AIP | ,126 | ,041 | ,137 | 3,074 | ,002 | ,846 | 1,182 | |
| COG | ,114 | ,044 | ,111 | 2,582 | ,010 | ,913 | 1,095 | |
| AIL | ,064 | ,044 | ,063 | 1,473 | ,141 | ,922 | 1,084 | |
| a. Dependent Variable: AIT | ||||||||
Hình 3. Biểu đồ Histogram
(Nguồn: Kết quả xử lý dữ liệu của tác giả)
Biểu đồ Histogram cho thấy, phần dư chuẩn hóa phân phối tương đối chuẩn, tập trung quanh giá trị 0, với Mean ≈ 0 và Std. Dev. = 0,997. Do đó, giả định về phân phối chuẩn của phần dư được đáp ứng.
Hình 4. Biểu đồ Normal P-P Plot
(Nguồn: Kết quả xử lý dữ liệu của tác giả)
Kết quả EFA bằng phương pháp Principal Axis Factoring cho thấy bốn nhân tố được giữ lại với Eigenvalue lớn hơn 1, lần lượt đạt 5,962, 3,496, 3,248 và 2,408. Tổng phương sai trích đạt 55,580%, trong đó bốn nhân tố giải thích lần lượt 23,036%, 12,658%, 11,661% và 8,226% phương sai của 24 biến quan sát.
Kết quả phân tích hệ số tải nhân tố cho thấy, các biến quan sát có hệ số tải trên nhân tố tương ứng dao động từ 0,754 đến 0,829. Cụ thể, hệ số tải của các biến thuộc AIL nằm trong khoảng 0,766–0,796, AIP từ 0,787–0,829, AIT từ 0,776–0,815, và COG từ 0,754–0,812. Tất cả hệ số tải đều vượt ngưỡng 0,70 cho thấy, các biến quan sát có mức độ liên hệ tương đối cao với nhân tố tương ứng.
Bên cạnh đó, các biến quan sát được phân nhóm phù hợp với cấu trúc lý thuyết gồm AIL, AIP, AIT và COG. Không có biến quan sát nào có hệ số tải trên nhân tố tương ứng thấp hơn ngưỡng 0,70 cần xem xét loại bỏ. Nhìn chung, kết quả EFA cung cấp bằng chứng ban đầu ủng hộ cấu trúc bốn nhân tố của thang đo.
Kết quả phân tích tải nhân tố của các biến quan sát cho thấy:
Bảng 6. Kết quả phân tích tải nhân tố của các biến quan sát
| Biến quan sát | AIL | AIP | AIT | COG | |
| AIL_1 | 0,767 | ||||
| AIL_2 | 0,793 | ||||
| AIL_3 | 0,766 | ||||
| AIL_4 | 0,781 | ||||
| AIL_5 | 0,793 | ||||
| AIL_6 | 0,796 | ||||
| AIP_1 | 0,829 | ||||
| AIP_2 | 0,793 | ||||
| AIP_3 | 0,823 | ||||
| AIP_4 | 0,829 | ||||
| AIP_5 | 0,787 | ||||
| AIP_6 | 0,823 | ||||
| AIT_1 | 0,776 | ||||
| AIT_2 | 0,796 | ||||
| AIT_3 | 0,815 | ||||
| AIT_4 | 0,779 | ||||
| AIT_5 | 0,787 | ||||
| AIT_6 | 0,786 | ||||
| COG_1 | 0,795 | ||||
| COG_2 | 0,754 | ||||
| COG_3 | 0,765 | ||||
| COG_4 | 0,780 | ||||
| COG_5 | 0,812 | ||||
| COG_6 | 0,782 |
Kết quả phân tích hệ số đường dẫn trong mô hình cấu trúc cho thấy AIP có tác động tích cực đến AIL, AIT và COG, với các hệ số đường dẫn lần lượt là 0,280, 0,138 và 0,297. Trong đó, mối quan hệ AIP → COG có hệ số lớn nhất cho thấy, đây là tác động mạnh nhất trong số các mối quan hệ được xem xét.
Bên cạnh đó, COG có tác động tích cực đến AIT với hệ số đường dẫn là 0,115. AIL cũng có tác động cùng chiều đến AIT, với hệ số đường dẫn là 0,064. Tuy nhiên, hệ số của mối quan hệ AIL → AIT tương đối nhỏ. Do đó, cần xem xét đồng thời các kết quả kiểm định ý nghĩa thống kê để xác định liệu tác động này có đủ bằng chứng thống kê hay không.
Lưu ý: theo kết quả Bootstrapping đã báo cáo trước đó, mối quan hệ AIL → AIT không có ý nghĩa thống kê ((beta = 0,064), (T = 1,539), (p = 0,124)). Vì vậy, chưa có đủ bằng chứng để kết luận AIL tác động đến AIT trong mô hình nghiên cứu.
Bảng 7. Ma trận hệ số đường dẫn giữa các biến trong mô hình
| Biến phụ thuộc / Biến độc lập | AIL | AIP | AIT | COG |
| AIL | 0,280 | |||
| AIP | ||||
| AIT | 0,064 | 0,138 | 0,115 | |
| COG | 0,297 |
Diễn giải: Giá trị dương của các hệ số đường dẫn cho thấy các mối quan hệ trong mô hình đều có tác động cùng chiều. Trong đó, AIP → COG (β = 0,297) là mối quan hệ có hệ số lớn nhất, tiếp theo là AIP → AIL (β = 0,280), AIP → AIT (β = 0,138), COG → AIT (β = 0,115) và AIL → AIT (β = 0,064). Tuy nhiên, việc kết luận một giả thuyết được hỗ trợ hay không cần căn cứ vào T-statistics và P-values, không chỉ dựa trên giá trị hệ số đường dẫn.
Bảng 8. Kết quả kiểm định các mối quan hệ trong mô hình cấu trúc
| Giả thuyết | Quan hệ | Hệ số đường dẫn (β) | T-statistics | P-value | Kết luận |
| H1 | AI Personalization (AIP) → Cognitive Engagement (COG) | 0,297 | 8,234 | < 0,001 | Được chấp nhận |
| H2 | Cognitive Engagement (COG) → Niềm tin vào AI (AIT) | 0,115 | 2,602 | 0,010 | Được chấp nhận |
| H3 | AI Personalization (AIP) → Niềm tin vào AI (AIT) | 0,138 | 3,031 | 0,003 | Được chấp nhận |
| H4 | AI Personalization (AIP) → AI Learning Support (AIL) | 0,280 | 7,373 | < 0,001 | Được chấp nhận |
| H5 | AI Learning Support (AIL) → Niềm tin vào AI (AIT) | 0,064 | 1,539 | 0,124 | Không được chấp nhận |
| Nguồn | Kết quả phân tích Bootstrapping bằng SmartPLS của tác giả. |
Kết quả kiểm định Bootstrapping trên SmartPLS cho thấy, có 4 trong 5 mối quan hệ đạt ý nghĩa thống kê ở mức 5%. Cụ thể, AIP có tác động tích cực đến COG ((beta = 0,297), (T = 8,234), (p < 0,001)), AIT ((beta = 0,138), (T = 3,031), (p = 0,003)) và AIL ((beta = 0,280), (T = 7,373), (p < 0,001)). Do đó, H1, H3 và H4 được ủng hộ. Đồng thời, COG có tác động tích cực đến AIT ((beta = 0,115), (T = 2,602), (p = 0,010)), qua đó ủng hộ H2.
Ngược lại, mối quan hệ AIL → AIT không đạt ý nghĩa thống kê ((beta = 0,064), (T = 1,539), (p = 0,124)). Vì (p > 0,05), H5 không được ủng hộ. Kết quả này cho thấy, chưa có đủ bằng chứng thống kê để khẳng định AIL có tác động trực tiếp đến AIT trong mô hình nghiên cứu.
Nhìn chung, kết quả kiểm định ủng hộ 4 trong 5 giả thuyết nghiên cứu. AIP có tác động trực tiếp đến cả COG, AIL và AIT, trong khi COG có tác động tích cực đến AIT. Ngược lại, tác động trực tiếp của AIL đến AIT chưa được xác nhận về mặt thống kê. Điều này gợi ý rằng trải nghiệm hỗ trợ học tập từ AI chưa đủ để giải thích sự hình thành AIT trong mô hình hiện tại, tuy nhiên, cần thêm bằng chứng để xác định các cơ chế có thể giải thích kết quả này.
6. Thảo luận giả thuyết
H1. AIP có tác động tích cực đến COG ((beta = 0,297), (p < 0,001)), do đó, H1 được ủng hộ. Kết quả phù hợp với SDT, cho thấy AIP có thể đáp ứng tốt hơn nhu cầu và mục tiêu học tập của người học, qua đó thúc đẩy mức độ đầu tư nhận thức vào quá trình học tập.
H2. COG có tác động tích cực đến AIT ((beta = 0,115), (p = 0,010)), do đó H2 được ủng hộ. Sự tham gia tích cực về mặt nhận thức tạo điều kiện để người học quan sát, đánh giá năng lực và độ tin cậy của hệ thống AI, mặc dù hệ số tác động tương đối nhỏ.
H3. AIP có tác động tích cực đến AIT ((beta = 0,138), (p = 0,003)), do đó H3 được ủng hộ. Kết quả phù hợp với S-O-R và lý thuyết niềm tin vào tự động hóa cho thấy, AIP có thể nâng cao mức độ phù hợp mà người học cảm nhận được, qua đó góp phần hình thành AIT.
H4. AIP có tác động tích cực đến AIL ((beta = 0,280), (p < 0,001)), do đó, H4 được ủng hộ. Kết quả cho thấy AIP góp phần nâng cao cảm nhận của người học về mức độ hỗ trợ học tập, phù hợp với SDT và S-O-R.
H5. AIL không có tác động đạt ý nghĩa thống kê đến AIT ((beta = 0,064), (p = 0,124)), do đó, H5 không được ủng hộ. Kết quả cho thấy chưa có đủ bằng chứng thống kê để khẳng định AIL tác động trực tiếp đến AIT. Một khả năng cần được nghiên cứu thêm là người học không chỉ dựa vào mức độ hỗ trợ mà còn xem xét độ chính xác, tính nhất quán, tính minh bạch và độ tin cậy của hệ thống khi hình thành AIT. Tuy nhiên, các cơ chế này chưa được kiểm định trực tiếp trong mô hình hiện tại.
7. Kết luận
Bài viết làm rõ mối quan hệ giữa AIP, COG, AIL và AIT trong bối cảnh ứng dụng AI vào giáo dục. Trên cơ sở 565 quan sát hợp lệ, kết quả đánh giá mô hình đo lường cho thấy các thang đo đáp ứng yêu cầu về độ tin cậy và giá trị hội tụ. Kết quả EFA cho thấy, cấu trúc bốn nhân tố phù hợp với mô hình nghiên cứu, tạo cơ sở cho việc kiểm định các mối quan hệ trong mô hình cấu trúc.
Kết quả kiểm định cho thấy, AIP giữ vai trò trung tâm trong mô hình, với tác động tích cực và có ý nghĩa thống kê đến COG, AIL và AIT. Đáng chú ý, tác động của AIP đến COG ((beta = 0,297)) và AIL ((beta = 0,280)) tương đối rõ nét, cho thấy AIP có vai trò quan trọng trong việc thúc đẩy sự đầu tư nhận thức và nâng cao cảm nhận về hỗ trợ học tập của người học. Đồng thời, COG có tác động tích cực đến AIT ((beta = 0,115), (p = 0,010)), cho thấy quá trình chủ động quan sát, xử lý và đánh giá thông tin trong tương tác với AI có liên quan đến sự hình thành AIT.
Ngược lại, mối quan hệ giữa AIL và AIT không đạt ý nghĩa thống kê ((beta = 0,064), (p = 0,124)). Kết quả này cho thấy chưa có đủ bằng chứng để khẳng định AIL có tác động trực tiếp đến AIT. Người học có thể còn dựa vào các tiêu chí khác, chẳng hạn như độ chính xác, tính nhất quán, tính minh bạch và khả năng kiểm chứng của hệ thống khi đánh giá mức độ đáng tin cậy của AI. Tuy nhiên, những cơ chế này cần được kiểm định trong các nghiên cứu tiếp theo. Phát hiện cũng nhấn mạnh sự cần thiết phải phân biệt giữa cảm nhận về mức độ hỗ trợ học tập và AIT như hai khái niệm riêng biệt.
Nhìn chung, nghiên cứu xác định AIP là yếu tố quan trọng có liên quan đến COG, AIL và AIT. Đồng thời, COG có mối quan hệ tích cực với AIT, trong khi tác động trực tiếp của AIL đến AIT chưa được xác nhận về mặt thống kê. Tuy nhiên, do nghiên cứu sử dụng thiết kế cắt ngang và dữ liệu tự báo cáo, kết quả cần được diễn giải thận trọng, đặc biệt khi suy luận về quan hệ nhân quả. Các nghiên cứu tiếp theo có thể sử dụng thiết kế nghiên cứu theo thời gian hoặc thực nghiệm để làm rõ hơn cơ chế hình thành AIT trong môi trường giáo dục ứng dụng AI.
Về hàm ý thực tiễn, các hệ thống AI trong giáo dục cần tăng cường khả năng cá nhân hóa nội dung, mức độ khó và phản hồi theo nhu cầu, năng lực và mục tiêu học tập của người học nhằm thúc đẩy COG và nâng cao cảm nhận về AIL. Bên cạnh đó, cần thiết kế các hoạt động khuyến khích người học suy luận thông qua câu hỏi gợi mở, cung cấp lời giải thích theo từng bước, phản hồi đối với lập luận và hỗ trợ tự đánh giá. Những cơ chế này có thể tạo điều kiện để người học chủ động xem xét và đánh giá thông tin do AI cung cấp.
Đặc biệt, việc củng cố AIT cần dựa trên chất lượng hoạt động thực tế của hệ thống, thay vì chỉ dựa vào cảm nhận về mức độ hỗ trợ. Kết quả kiểm định H5 cho thấy, AIL chưa có tác động trực tiếp đạt ý nghĩa thống kê đến AIT. Vì vậy, cần ưu tiên nâng cao độ chính xác, tính nhất quán, tính minh bạch và khả năng kiểm chứng thông tin do AI cung cấp, đồng thời, hướng dẫn người học đánh giá có phê phán các kết quả do AI tạo ra. Cách tiếp cận này góp phần thúc đẩy việc hình thành AIT dựa trên đánh giá có cơ sở, thay vì sự chấp nhận công nghệ một cách thụ động.
Tài liệu tham khảo:
Laak, K. J., & Aru, J. (2025). AI and personalized learning: Bridging the gap with modern educational goals. Educational Technology and Society, 28, 133–150. https://doi.org/10.30191/ETS.202510_28(4).RP08
Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. In Human Factors (Vol. 46, pp. 50–80). Human Factors and Ergonomics Society. https://doi.org/10.1518/hfes.46.1.50_30392
Ning, M., Lv, J., Zhou, W., Su, S., & Chen, B. Bin. (2026). When Stress Meets Support: How AI Learning Support Shapes the Link Between Stress Mindset and School Burnout. Behavioral Sciences, 16. https://doi.org/10.3390/bs16020220
Pitts, G., Rani, N., Mildort, W., & Cook, E. M. (2026). Students’ Reliance on AI in Higher Education: Identifying Contributing Factors. Communications in Computer and Information Science, 2773 CCIS, 86–97. https://doi.org/10.1007/978-3-032-12773-0_9
Rotgans, J. I., & Schmidt, H. G. (2011). Cognitive engagement in the problem-based learning classroom. Advances in Health Sciences Education, 16, 465–479. https://doi.org/10.1007/s10459-011-9272-9
Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55, 68–78. https://doi.org/10.1037/0003-066X.55.1.68
Üstün, A. G., Yavuz, M., Kayalı, B., Uçar, H., Erdoğdu, E., & Bozkurt, A. (2026). Trust in AI: scale development and validation for online distance learners. BMC Psychology, 14. https://doi.org/10.1186/s40359-026-04679-z
Wang, A. (2026). From tool to learning partner: how generative AI shapes perceived learning support among design students. Scientific Reports. https://doi.org/10.1038/s41598-026-66324-4
Xu, Q., Liu, Y., & Li, X. (2025). Unlocking student potential: How AI-driven personalized feedback shapes goal achievement, self-efficacy, and learning engagement through a self-determination lens. Learning and Motivation, 91. https://doi.org/10.1016/j.lmot.2025.102138
Zhang, Q., Pan, X., & Fan, J. (2025). Uncovering the Mediating Effects of Niềm tin vào AI and Self-Efficacy on Engagement in Human-GenAI Communication for EFL Learning. European Journal of Education, 60. https://doi.org/10.1111/ejed.70336
