Trịnh Thị Thu Hằng
Trường Đại học Kinh tế – Đại học Quốc gia Hà Nội
Hoàng Trọng Nghĩa
Trường Khoa học liên ngành và Nghệ thuật – Đại học Quốc gia Hà Nội
Nguyễn Thị Điệp
Trường Đại học Công nghệ Giao thông vận tải
(Quanlynhanuoc.vn) – Bài viết phân tích các yếu tố ảnh hưởng đến hành vi chấp nhận trí tuệ nhân tạo (AI) trong giáo dục đại học tại Việt Nam thông qua mô hình chấp nhận công nghệ (TAM) và chỉ số sẵn sàng công nghệ (TRI). Dữ liệu khảo sát 387 sinh viên và giảng viên được phân tích bằng mô hình PLS-SEM nhằm kiểm định tác động của các yếu tố tâm lý (lạc quan, đổi mới, bất an và không thoải mái) đến nhận thức (hữu ích, dễ sử dụng), thái độ và ý định hành vi. Kết quả cho thấy, đổi mới và lạc quan là các yếu tố thúc đẩy chính, trong khi bất an và không thoải mái là các rào cản đáng kể. Nghiên cứu đề xuất tăng cường nhận thức công nghệ, đào tạo kỹ năng số và hoàn thiện khung pháp lý – đạo đức nhằm hỗ trợ chuyển đổi số bền vững trong giáo dục đại học tại Việt Nam.
Từ khóa: Trí tuệ nhân tạo, giáo dục đại học, mô hình TAM, mô hình TRI, hành vi chấp nhận công nghệ, PLS-SEM, Việt Nam.
1. Đặt vấn đề
Trí tuệ nhân tạo trong giáo dục (Artificial Intelligence in Education – AIED) là lĩnh vực liên ngành kết hợp giữa khoa học máy tính và khoa học giáo dục, nhằm xây dựng các công cụ học tập thích ứng, cá nhân hóa và nâng cao hiệu quả dạy học. Theo Luckin và cộng sự (năm 2016), AIED hướng tới việc “điều tra quá trình học ở bất kỳ đâu – trong lớp học, tại nơi làm việc hoặc trong môi trường giáo dục suốt đời, nhằm hỗ trợ học tập chính quy và phi chính quy”. Cùng với quan điểm của Luckin, tác giả Becker (năm 2017) cho rằng, mục tiêu cốt lõi của AIED là chuyển hóa tri thức giáo dục, tâm lý và xã hội những hình thức học tập vốn mang tính trừu tượng thành các hình thức biểu đạt tính toán cụ thể, rõ ràng. Từ đó, AIED không chỉ hỗ trợ giáo viên trong những nhiệm vụ hành chính như chấm điểm, theo dõi tiến độ học tập mà còn có tiềm năng thay thế một phần vai trò giảng dạy truyền thống, hướng tới việc cá nhân hóa tối đa và cải thiện chất lượng học tập.
Nghiên cứu của Labadze và cộng sự (năm 2023) cho thấy việc ứng dụng chatbot vào giáo dục mang lại nhiều lợi ích thiết thực: học sinh được hỗ trợ giải bài tập, trải nghiệm học tập mang tính cá nhân hóa và phát triển kỹ năng, đặc biệt là kỹ năng ngôn ngữ; trong khi đó, giáo viên được giảm tải công việc nhờ chatbot hỗ trợ giải đáp các câu hỏi lặp lại, soạn nội dung giảng dạy và đề xuất cải tiến phương pháp. Bên cạnh chatbot, các hệ thống học tập thích ứng và hệ thống giảng dạy thông minh cũng đang được áp dụng rộng rãi.
Theo Bradáč và Kostolányová (năm 2016), những công nghệ này giúp thiết kế lộ trình học tập phù hợp với từng người học dựa trên khả năng và tốc độ tiếp thu. Gần đây, Joshi (năm 2024) cũng nhấn mạnh vai trò của AI trong việc tối ưu hóa phân tích dữ liệu giáo dục (learning analytics), giúp phát hiện sớm nguy cơ bỏ học và đề xuất giải pháp can thiệp kịp thời, như được chứng minh trong các nghiên cứu của Lang và cộng sự cũng như Menéndez và cộng sự (năm 2022).
Chuyển đổi số trong giáo dục đại học tại Việt Nam đã và đang bước vào giai đoạn có sự tăng trưởng chiến lược, tập trung vào ứng dụng công nghệ số và trí tuệ nhân tạo (AI). Theo Quyết định số 749/QĐ-TTg ngày 03/6/2020 của Thủ tướng Chính phủ về Chương trình Chuyển đổi số quốc gia, giáo dục là một trong ba lĩnh vực ưu tiên trọng điểm. Quyết định số 131/QĐ-TTg ngày 25/01/2022 của Thủ tướng Chính phủ đã cụ thể hóa mục tiêu này thông qua Đề án “Tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục giai đoạn 2022 – 2025, định hướng đến năm 2030”, đặt ra yêu cầu tất cả các cơ sở giáo dục đại học phải triển khai hệ thống quản trị số và tích hợp AI hỗ trợ dạy học, kiểm tra đánh giá và quản lý đào tạo.
Nghị quyết số 57-NQ/TW ngày 22/12/2024 của Bộ Chính trị tiếp tục khẳng định AI và dữ liệu giáo dục là đột phá quan trọng để phát triển giáo dục Việt Nam trong kỷ nguyên số, yêu cầu Bộ Giáo dục và Đào tạo xây dựng lộ trình tích hợp AI ở tất cả các cấp học trước năm 2030.
Bộ Giáo dục và Đào tạo đã ban hành nhiều chính sách nhằm nâng cao năng lực số cho nhà trường, giảng viên và người học. Thông tư số 02/2025/TT-BGDĐT ngày 24/01/2025 của Bộ Giáo dục và Đào tạo quy định khung năng lực số cho học sinh – sinh viên, trong đó “khả năng khai thác AI phục vụ học tập và nghiên cứu” là tiêu chí bắt buộc từ bậc trung học cơ sở. Công văn số 2250/BGDĐT-GDPT ngày 12/5/2025 của Bộ Giáo dục và Đào tạo phổ biến “Hướng dẫn sử dụng AI trong dạy học”, yêu cầu các trường bảo đảm đạo đức, quyền riêng tư và an toàn dữ liệu khi ứng dụng AI như chatbot, hệ thống học tập thích ứng và phân tích dữ liệu học tập.
Nghiên cứu này đặt mục tiêu xây dựng và kiểm định mô hình tích hợp giữa TAM và TRI nhằm lý giải toàn diện các yếu tố tác động đến hành vi chấp nhận AI trong giáo dục đại học tại Việt Nam. Cụ thể, nghiên cứu đánh giá tác động của các yếu tố thúc đẩy (lạc quan, đổi mới) và kìm hãm (không thoải mái, bất an) đối với nhận thức hữu ích, cảm nhận dễ sử dụng, thái độ và ý định áp dụng AI của người dùng. Mô hình được kiểm định trên cỡ mẫu lớn với phương pháp PLS-SEM (Partial Least Squares – Structural Equation Modeling) bảo đảm độ mạnh thống kê và phù hợp với khả năng dự báo trong điều kiện dữ liệu thực tế không hoàn toàn tuân theo phân phối chuẩn. Dựa trên cơ sở kết quả phân tích, nghiên cứu đề xuất các khuyến nghị chính sách và chương trình đào tạo nhằm thúc đẩy tinh thần đổi mới, củng cố lạc quan công nghệ, đồng thời giảm thiểu các rào cản tâm lý và tăng cường hỗ trợ kỹ thuật cho giảng viên và sinh viên.
2. Cơ sở lý thuyết
2.1. Chỉ số sẵn sàng công nghệ (TRI)
TRI là một khung lý thuyết nền tảng để đánh giá mức độ sẵn sàng tâm lý và thái độ của cá nhân khi tiếp cận với sự đổi mới kỹ thuật số, không phụ thuộc vào loại hình công nghệ cụ thể. TRI xuất phát từ nhận định: sự chấp nhận công nghệ không chỉ chịu ảnh hưởng bởi nhận thức lợi ích hay tính dễ sử dụng của bản thân sản phẩm mà còn phụ thuộc sâu sắc vào đặc điểm tâm lý, động cơ nội tại cũng như những rào cản tiềm ẩn của từng cá nhân trước công nghệ mới. Có bốn thành phần cốt lõi trong chỉ số TRI, phân thành các yếu tố bao gồm:
Yếu tố Lạc quan (Optimism – OP) phản ánh niềm tin rằng công nghệ mang lại hiệu quả, cải thiện chất lượng cuộc sống, tăng cường sự kiểm soát và trao quyền chủ động. Các nghiên cứu (Walczuch và cộng sự, 2007; Tsikriktsis, 2004) khẳng định OP liên quan thuận chiều với cảm nhận hữu ích (PU) và thái độ với công nghệ mới.
Yếu tố “Đổi mới” (Innovativeness – IN) thể hiện xu hướng chủ động, thích thú khám phá và thử nghiệm các giải pháp công nghệ mới, sẵn sàng chấp nhận rủi ro và thay đổi. IN thúc đẩy cảm nhận về tính dễ sử dụng (PEOU) và tăng cường ý định trải nghiệm, sử dụng công nghệ (Godoe & Johansen, 2012; Chen & Keng, 2019).
Yếu tố “Không thoải mái” (Discomfort – DI) thể hiện cảm giác choáng ngợp, bất lực, thiếu tự tin hoặc thiếu hỗ trợ khi tiếp xúc với các hệ thống công nghệ hiện đại. DI cao khiến người dùng ngại tiếp cận, giảm khả năng làm chủ công nghệ, từ đó làm suy giảm cảm nhận về tính dễ sử dụng và thái độ tiếp nhận (Parasuraman & Colby, 2015). Đặc biệt, trong môi trường giáo dục số, DI là rào cản lớn với giảng viên, người học chưa quen với AI.
Yếu tố “Bất an” (Insecurity – IS) thể hiện sự nghi ngại về độ tin cậy, an toàn, sự riêng tư dữ liệu, lo sợ rủi ro và các hệ quả tiêu cực liên quan đến công nghệ. IS có thể xuất phát từ thiếu hiểu biết, trải nghiệm tiêu cực hoặc thông tin truyền thông không minh bạch. IS cao làm giảm cả cảm nhận hữu ích lẫn cảm nhận dễ sử dụng, dẫn đến thái độ thận trọng hoặc né tránh công nghệ (Liljander và cộng sự, 2006; Rahi và cộng sự, 2022).
TRI đóng vai trò tiền đề tâm lý giúp lý giải sự khác biệt về mức độ sẵn sàng và hành vi chấp nhận công nghệ giữa các cá nhân ngay cả khi cùng tiếp cận một nền tảng như AI trong giáo dục. Nhóm “thúc đẩy” (OP, IN) tạo nền tảng tích cực cho PU, PEOU, từ đó tăng cường ý định sử dụng (Behavioral Intention – BI) và thực hành đổi mới. Ngược lại, nhóm “kìm hãm” (DI, IS) là nguồn gốc của các rào cản nhận thức và cảm xúc, làm suy giảm PU, PEOU và cản trở quá trình tích hợp công nghệ vào thực tiễn dạy – học. Nhiều nghiên cứu gần đây đã kiểm nghiệm thành công cơ chế này, chỉ ra rằng các “enablers” của TRI liên quan tích cực đến các yếu tố trung tâm của mô hình TAM, còn các “inhibitors” lại tác động tiêu cực, qua đó tạo nên sự đa dạng và phức tạp trong hành vi chấp nhận công nghệ mới (Qureshi và cộng sự, 2021; Rahi và cộng sự, 2022).
Nghiên cứu đề xuất một số giả thuyết nghiên cứu:
H1: (OP) có tác động tích cực đến (PU)
H2: (OP) có tác động tích cực đến (PEOU)
H3: (IN) có tác động tích cực đến (PU)
H4: (IN) có tác động tích cực đến (PEOU)
H5: (DI) có tác động tiêu cực đến (PU)
H6: (DI) có tác động tiêu cực đến (PEOU).
2.2. Mô hình chấp nhận công nghệ (TAM)
TAM là khung lý thuyết kinh điển để phân tích các yếu tố quyết định việc tiếp nhận và sử dụng công nghệ mới của người dùng trong nhiều lĩnh vực, đặc biệt là giáo dục và quản trị. TAM kế thừa từ lý thuyết hành động hợp lý (TRA), nhấn mạnh hai yếu tố nhận thức trung tâm: cảm nhận hữu ích (PU) phản ánh mức độ người dùng tin rằng công nghệ sẽ giúp cải thiện hiệu quả học tập hoặc công việc và cảm nhận dễ sử dụng (PEOU) phản ánh mức độ thuận tiện, không tốn nhiều nỗ lực khi tiếp cận và sử dụng công nghệ.
Theo tổng hợp của King & He (2006), PU là yếu tố dự báo mạnh nhất đối với BI, trong khi PEOU thường tác động gián tiếp thông qua PU và AT (Attitude – Thái độ). Trong giáo dục, nhiều nghiên cứu (Al-Emran và cộng sự, 2018; Hamzat và cộng sự, 2023) khẳng định PU và PEOU đều góp phần nâng cao ý định sử dụng AI ở sinh viên và giảng viên. Tuy nhiên, tác động của PEOU có thể giảm dần khi người dùng ngày càng quen thuộc hơn với công nghệ mới (Hoque và cộng sự, 2023).
Nghiên cứu đề xuất các giả thuyết nghiên cứu:
H7: (IS) có tác động tiêu cực đến (PU)
H8: (IS) có tác động tiêu cực đến (PEOU)
H9: (PU) có tác động tích cực đến (AT)
H10: (PEOU) có tác động tích cực đến (PU)
H11: (PEOU) có tác động tích cực đến (AT)
H12: (AT) có tác động tích cực đến (BI)
2.3. Tích hợp TAM và TRI – mô hình tổng hợp lý giải hành vi công nghệ
Các học giả đã tích hợp TRI vào TAM, khởi đầu từ nghiên cứu của Lin & Hsieh (năm 2007) trong lĩnh vực ngân hàng tự phục vụ. Sự kết hợp này hình thành nên mô hình tổng hợp sẵn sàng và chấp nhận công nghệ (Technology Readiness and Acceptance Model – TRAM) – một khung lý thuyết toàn diện hơn khi đồng thời phân tích các yếu tố nhận thức cụ thể và đặc điểm tâm lý tổng quát của người dùng.
Cơ chế vận hành của mô hình tích hợp này được minh chứng qua nhiều nghiên cứu thực nghiệm gần đây (Walczuch và cộng sự, 2007; Qureshi và cộng sự, 2021; Rahi và cộng sự, 2022). Cụ thể, các yếu tố tâm lý tích cực trong TRI như OP và IN đóng vai trò là “đòn bẩy tâm lý”, thúc đẩy người dùng hình thành nhận thức tích cực về công nghệ mới, đặc biệt là nâng cao PU và PEOU. Ngược lại, các yếu tố kìm hãm như DI và IS làm suy giảm nhận thức tích cực, gây lo ngại hoặc né tránh việc áp dụng công nghệ, đặc biệt rõ nét trong các lĩnh vực có độ phân hóa cao như giáo dục.
Điểm mạnh vượt trội của TRAM nằm ở khả năng giải thích hai chiều tác động: vừa làm rõ các động lực bên ngoài (lợi ích, sự tiện lợi do hệ thống mang lại – vốn là thế mạnh của TAM), vừa tiếp cận sâu sắc động lực của các khuynh hướng bên trong (sẵn sàng đổi mới, mức độ lo ngại rủi ro – đặc trưng của TRI).
Các nghiên cứu quốc tế đã chứng minh rằng, TRAM có thể giải thích từ 60% đến 75% phương sai trong ý định sử dụng công nghệ mới (Lin & Hsieh, 2007; Qureshi và cộng sự, 2021), vượt trội so với việc sử dụng đơn lẻ TAM hoặc TRI. Điều này đặc biệt có ý nghĩa thực tiễn trong lĩnh vực giáo dục, khi mà sự thành công của các chương trình ứng dụng AI không chỉ phụ thuộc vào bản thân công nghệ mà còn bị chi phối sâu sắc bởi đặc điểm tâm lý, mức độ sẵn sàng của từng cá nhân và nhóm người dùng.
3. Giả thuyết và mô hình nghiên cứu
Dựa trên mô hình nghiên cứu từ Anh và Ghi (năm 2025), cùng với mô hình nghiên cứu của Tuyên (năm 2025), tác giả đã điều chỉnh và đưa ra mô hình nghiên cứu, tại đó nêu rõ từng khái niệm, biến quan sát và mũi tên nhân quả cùng với các giả thuyết nghiên cứu.
Tại mô hình nghiên cứu trên, các giả thuyết nghiên cứu lần lượt được diễn giải như sau:
H1: (OP) có tác động tích cực đến (PU)
H2: (OP) có tác động tích cực đến (PEOU)
H3: (IN) có tác động tích cực đến (PU)
H4: (IN) có tác động tích cực đến (PEOU)
H5: (DI) có tác động tiêu cực đến (PU)
H6: (DI) có tác động tiêu cực đến (PEOU)
H7: (IS) có tác động tiêu cực đến (PU)
H8: (IS) có tác động tiêu cực đến (PEOU)
H9: (PU) có tác động tích cực đến (AT)
H10: (PEOU) có tác động tích cực đến (PU)
H11: (PEOU) có tác động tích cực đến (AT)
H12: (AT) có tác động tích cực đến (BI)
4. Dữ liệu và phương pháp
Nghiên cứu lựa chọn phương pháp PLS-SEM cho phân tích dữ liệu, dựa trên các đặc điểm phù hợp giữa phương pháp và bối cảnh nghiên cứu. Khác với các phương pháp CB-SEM (Covariance-Based SEM) vốn tập trung kiểm định lý thuyết và yêu cầu dữ liệu phân phối chuẩn, PLS-SEM dựa trên phân tích phương sai, được phát triển nhằm tối ưu hóa khả năng dự báo và phù hợp với các mô hình nghiên cứu có cấu trúc phức tạp hoặc xuất hiện các biến tiềm ẩn bậc cao đồng thời ít yêu cầu khắt khe về phân phối dữ liệu, do đó có thể xử lý tốt các tập dữ liệu không đạt chuẩn, phân phối lệch hoặc khi mẫu thực thu ở mức vừa và nhỏ.
Nghiên cứu thu thập 387 phiếu hợp lệ, vượt ngưỡng tối thiểu của tất cả các hướng dẫn trên đồng thời đảm bảo dư địa cho các phân tích kiểm định sâu như phân tích đa nhóm theo đặc trưng nhân khẩu học. Cấu trúc thang đo được xây dựng gồm 3 nhóm, mỗi nhóm có 4 khái niệm nghiên cứu với tổng cộng 40 biến quan sát, kế thừa từ thang đo gốc của các mô hình cùng với sự điều chỉnh qua quá trình tham khảo và thảo luận. Các mục khảo sát được thiết kế dưới dạng thang đo Likert 5 mức độ: (1) Hoàn toàn không đồng ý; (2) Không đồng ý; (3) Trung lập; (4) Đồng ý và (5) Hoàn toàn đồng ý. Dữ liệu được thu thập chủ yếu qua khảo sát trực tuyến bằng Google Forms, đối tượng là học sinh, sinh viên tại các trường đại học, cơ sở giáo dục và đào tạo.
Bảng 1. Các biến quan sát trong thang đo chỉ số TRI
| Thang đo | Ký hiệu | Diễn giải biến quan sát | Nguồn tham khảo |
| Sự lạc quan (OP) | OP1 | Tôi tin rằng AI làm cuộc sống tốt đẹp hơn. | (Parasuraman, 2000); (Tuyên, 2025) |
| OP2 | AI mang lại nhiều cơ hội phát triển cho cá nhân và xã hội. | ||
| OP3 | Tôi tin AI sẽ nâng cao chất lượng học tập và làm việc. | ||
| Sự đổi mới (IN) | IN1 | Tôi thích thử nghiệm các công nghệ mới như AI. | |
| IN2 | Tôi thường tiên phong khám phá ứng dụng AI mới. | ||
| IN3 | Tôi tự tin ứng dụng AI vào công việc, học tập. | ||
| Sự không thoải mái (DI) | DI1 | Tôi cảm thấy miễn cưỡng khi phải sử dụng AI. | |
| DI2 | Tôi cảm thấy bối rối khi sử dụng các ứng dụng AI. | ||
| DI3 | Tôi thấy căng thẳng khi buộc phải sử dụng AI trong công việc/học tập. | ||
| Sự bất an (IS) | IS1 | Tôi lo lắng AI sẽ thay thế nhiều công việc của con người. | |
| IS2 | Tôi không tin rằng AI luôn hoạt động chính xác, an toàn. | ||
| IS3 | Tôi sợ AI sẽ xâm phạm quyền riêng tư cá nhân của tôi. | ||
| IS4 | Tôi lo lắng về các tác hại và rủi ro tiềm ẩn của AI. |
Bảng 2. Các biến quan sát trong thang đo TAM
| Thang đo | Ký hiệu | Diễn giải biến quan sát | Nguồn tham khảo |
| Nhận thức/cảm nhận về tính hữu ích của AI | PU1 | AI giúp tôi học tập/làm việc hiệu quả hơn. | (Tuyên, 2025); (Archi & Benbba, 2023) |
| PU2 | AI giúp tôi đưa ra quyết định nhanh và chính xác hơn. | ||
| PU3 | AI làm giảm công sức cần thiết cho quá trình học/giảng dạy. | ||
| PU4 | AI mang lại lợi ích rõ rệt trong quá trình học/giảng dạy. | ||
| Nhận thức/cảm nhận về tính dễ sử dụng của AI | PEOU1 | Tôi thấy dễ học cách sử dụng các ứng dụng AI. | (Tuyên, 2025); (Archi & Benbba, 2023) |
| PEOU2 | Các công cụ AI có giao diện dễ sử dụng. | ||
| PEOU3 | Tôi ít gặp khó khăn khi làm quen với AI. | ||
| PEOU4 | Việc dùng AI không yêu cầu kỹ năng công nghệ cao. | ||
| Thái độ/cảm nhận đối với AI (AT) | AT1 | Tôi cảm thấy hào hứng khi sử dụng AI. | (Tuyên, 2025); (Archi & Benbba, 2023) |
| AT2 | Tôi nghĩ AI là một công nghệ tích cực. | ||
| AT3 | Tôi cảm thấy yên tâm khi sử dụng AI. | ||
| AT4 | Tôi tin rằng AI là một phần tất yếu của quá trình học tập. | ||
| Ý định sử dụng AI (BI) | BI1 | Tôi sẵn sàng sử dụng AI trong học tập, công việc hoặc đời sống. | (Tuyên, 2025); (Archi & Benbba, 2023) |
| BI2 | Tôi sẽ tiếp tục sử dụng AI trong tương lai. | ||
| BI3 | Tôi sẽ giới thiệu AI cho người thân, bạn bè sử dụng. |
Qua quá trình thu thập dữ liệu và khảo sát trực tuyến, sau đó làm sạch dữ liệu, cụ thể trong đó là loại trừ những mẫu trả lời thu về độ lệch chuẩn Standard Deviation quá thấp (khoảng từ 0 đến 0.5), tác giả thu về tổng số lượng là 387 mẫu trả lời đạt tiêu chuẩn để tiến hành phân tích, thảo luận.
Bảng 3. Thống kê mô tả kết quả thang đo mở rộng
| Biến quan sát | Giá trị trung bình (Mean) |
| A1 | 4.70 |
| A2 | 3.71 |
| A3 | 2.98 |
| A4 | 3.44 |
| E1 | 4.55 |
| E2 | 3.19 |
| E3 | 3.95 |
| TI1 | 3.02 |
| TI2 | 2.97 |
| TI3 | 1.76 |
| SI1 | 3.17 |
| SI2 | 3.04 |
Kết quả tổng thể cho thấy, mức độ phân tán cao, phương sai lớn và thiếu nhất quán giữa các biến. Do đó, nhằm đảm bảo tính ổn định và độ tin cậy trong phân tích nhân tố và mô hình cấu trúc sau đó, nghiên cứu đã loại trừ các biến này khỏi mô hình PLS-SEM chính thức. Tuy nhiên, chúng vẫn đóng vai trò tham khảo quan trọng trong việc phản ánh thực trạng tiếp cận AI trong giáo dục tại Việt Nam hiện nay và cung cấp cơ sở cho việc thảo luận hàm ý chính sách.
Bảng 4. Thống kê mô tả kết quả thang đo TAM
| Biến quan sát | Giá trị trung bình (Mean) |
| PU1 | 3.89 |
| PU2 | 3.49 |
| PU3 | 3.89 |
| PU4 | 3.84 |
| PEOU1 | 3.30 |
| PEOU2 | 3.08 |
| PEOU3 | 3.38 |
| PEOU4 | 3.03 |
| AT1 | 2.96 |
| AT2 | 3.20 |
| AT3 | 2.96 |
| AT4 | 3.63 |
| BI1 | 4.29 |
| BI2 | 4.02 |
| BI3 | 3.14 |
Kết quả thống kê mô tả cho thấy, mức độ đồng thuận của người tham gia khảo sát đối với các phát biểu trong bảng hỏi là khá đa dạng, phản ánh những góc nhìn khác nhau về công nghệ AI trong giáo dục. Nhìn chung, kết quả cho thấy một bức tranh tương đối tích cực về mức độ quan tâm và thái độ đối với AI trong giáo dục, đồng thời phản ánh những điểm cần cải thiện – đặc biệt liên quan đến trải nghiệm người dùng và khả năng tiếp cận công nghệ. Đây là những yếu tố then chốt cần được lưu ý để thúc đẩy quá trình chuyển đổi số hiệu quả và bền vững trong lĩnh vực giáo dục.
Bảng 5. Thống kê mô tả kết quả thang đo TRI
| Biến quan sát | Giá trị trung bình (Mean) |
| OP1 | 3.07 |
| OP2 | 3.33 |
| OP3 | 3.91 |
| IN1 | 3.16 |
| IN2 | 2.95 |
| IN3 | 3.28 |
| DI1 | 2.26 |
| DI2 | 2.67 |
| DI3 | 2.23 |
| IS1 | 3.02 |
| IS2 | 3.00 |
| IS3 | 2.83 |
| IS4 | 2.97 |
Kết quả thống kê mô tả cho thấy, phần lớn người tham gia có nhận thức tương đối tích cực về lợi ích, tiềm năng của AI. Tuy nhiên, vẫn còn tồn tại những rào cản liên quan đến khả năng sử dụng, sự chủ động cá nhân và niềm tin vào công nghệ. Đây là những yếu tố cần được xem xét khi xây dựng các chính sách chuyển đổi số và thiết kế chương trình đào tạo AI trong giáo dục.
Bảng 6. Độ tin cậy hội tụ
| Thang đo | Ký hiệu (Items) | Hệ số tải nhân tố (Factor Loadings) | Hệ số Cronbach’s alpha | Độ tin cậy tổng hợp (Composite reliability (rho_a)) | Độ tin cậy tổng hợp (Composite reliability (rho_c)) | Phương sai trung bình (Average variance extracted (AVE)) |
| Nhận thức/cảm nhận về tính hữu ích của AI | PU1 | 0.737 | 0.749 | 1.174 | 0.812 | 0.530 |
| PU2 | 0.700 | |||||
| PU3 | 0.771 | |||||
| PU4 | 0.809 | |||||
| Nhận thức/cảm nhận về tính dễ sử dụng của AI | PEOU1 | 0.697 | 0.733 | 1.172 | 0.810 | 0.523 |
| PEOU2 | 0.697 | |||||
| PEOU3 | 0.808 | |||||
| PEOU4 | 0.771 | |||||
| Thái độ/cảm nhận đối với AI | AT1 | 0.670 | 0.722 | 0.766 | 0.764 | 0.472 |
| AT2 | 0.706 | |||||
| AT3 | 0.779 | |||||
| AT4 | 0.796 | |||||
| Ý định sử dụng AI | BI1 | 0.894 | 0.899 | 1.055 | 0.919 | 0.793 |
| BI2 | 0.880 | |||||
| BI3 | 0.967 | |||||
| Sự lạc quan | OP1 | 0.895 | 0.897 | 0.949 | 0.937 | 0.832 |
| OP2 | 0.876 | |||||
| OP3 | 0.966 | |||||
| Sự đổi mới | IN1 | 0.895 | 0.898 | 0.964 | 0.937 | 0.832 |
| IN2 | 0.870 | |||||
| IN3 | 0.972 | |||||
| Sự không thoải mái | DI1 | 0.894 | 0.894 | 1.198 | 0.919 | 0.793 |
| DI2 | 0.869 | |||||
| DI3 | 0.966 | |||||
| Sự bất an | IS1 | 0.689 | 0.718 | -1.380 | 0.633 | 0.350 |
| IS2 | 0.685 | |||||
| IS3 | 0.786 | |||||
| IS4 | 0.785 |
Hầu hết các thang đo trong Bảng 6 đều có giá trị Cronbach’s Alpha lớn hơn 0.7, thể hiện sự đồng nhất tốt giữa các biến quan sát trong cùng một nhân tố. Về giá trị hội tụ, phần lớn các thang đo đều có AVE > 0.5, đạt yêu cầu về giá trị hội tụ (Joseph F. Hair và cộng sự, 2022).
Bảng 7. Kiểm định HTMT
| Biến đo lường | AT | BI | DI | IN | IS | OP | PEOU | PU |
| AT | ||||||||
| BI | 0.44 | |||||||
| DI | 0.074 | 0.069 | ||||||
| IN | 0.053 | 0.260 | 0.074 | |||||
| IS | 0.098 | 0.115 | 0.060 | 0.076 | ||||
| OP | 0.055 | 0.115 | 0.080 | 0.209 | 0.047 | |||
| PEOU | 0.104 | 0.037 | 0.059 | 0.041 | 0.120 | 0.079 | ||
| PU | 0.089 | 0.085 | 0.144 | 0.081 | 0.087 | 0.092 | 0.160 |
Giá trị phân biệt giữa các khái niệm tiềm ẩn trong mô hình được đánh giá bằng tỷ lệ Heterotrait-Monotrait (HTMT). Theo Henseler và cộng sự (2015), giá trị HTMT giữa hai khái niệm nên nhỏ hơn 0.90, hoặc hiệu quả hơn thế nữa là nhỏ hơn 0.85, để bảo đảm các khái niệm trong mô hình là khác biệt nhau một cách đáng tin cậy. Kết quả trong Bảng 7 cho thấy, tất cả các giá trị HTMT giữa các cặp khái niệm đều nhỏ hơn 0.90, thậm chí là 0.85, cụ thể dao động từ 0.037 đến 0.44. Điều này cho thấy, mô hình đo lường đạt được giá trị phân biệt giữa các yếu tố nghiên cứu.
Bảng 8. Giá trị phân biệt theo tiêu chí Fornell-Larcker
| Biến đo lường | AT | BI | DI | IN | IS | OP | PEOU | PU |
| AT | 0.687 | |||||||
| BI | -0.032 | 0.891 | ||||||
| DI | -0.042 | -0.062 | 0.891 | |||||
| IN | -0.043 | 0.249 | -0.069 | 0.912 | ||||
| IS | 0.158 | 0.089 | -0.044 | 0.052 | 0.592 | |||
| OP | 0.046 | -0.085 | -0.074 | 0.177 | -0.006 | 0.912 | ||
| PEOU | 0.004 | -0.011 | 0.063 | -0.024 | -0.028 | 0.034 | 0.723 | |
| PU | 0.030 | -0.059 | 0.096 | -0.087 | 0.005 | -0.081 | 0.155 | 0.728 |
Từ kết quả bảng 8 cho thấy, căn bậc hai AVE của các khái niệm đều lớn hơn các hệ số tương quan với các khái niệm khác. Một số hệ số tương quan âm (như giữa PU và BI), nhưng vì mô hình sử dụng PLS-SEM và các hệ số vẫn thấp hơn căn bậc hai AVE nên không vi phạm giá trị phân biệt. Dựa vào tiêu chí Fornell-Larcker, mô hình đạt yêu cầu về giá trị phân biệt giữa các cấu trúc tiềm ẩn. Kết hợp với kết quả từ HTMT, có thể khẳng định, mô hình đo lường đạt độ tin cậy và giá trị phân biệt tốt, bảo đảm độ phù hợp cho việc phân tích mô hình cấu trúc tiếp theo.
Bảng 9. Chỉ số VIF (Inner)
| Mối quan hệ | VIF | Mối quan hệ | VIF |
| OP => PU | 1.040 | IS => PU | 1.021 |
| OP => PEOU | 1.038 | IS => PEOU | 1.005 |
| IN => PU | 1.038 | PEOU => PU | 1.022 |
| IN => PEOU | 1.037 | PEOU => AT | 1.018 |
| DI => PU | 1.013 | PU => AT | 1.018 |
| DI => PEOU | 1.010 | AT => BI | 1.000 |
Vấn đề đa cộng tuyến của toàn bộ biến tiềm ẩn trong mô hình được kiểm tra thông qua chỉ số VIF (Inner) (Hair và cộng sự, 2019). Kết quả cho thấy, chỉ số VIF của các khái niệm đều nhỏ hơn 3,0 (Hair và cộng sự, 2021). Như vậy, giữa các biến tiềm ẩn không gặp vấn đề đa cộng tuyến.
Bảng 10. Kiểm định giả thuyết nghiên cứu
| Giả thuyết | Mối quan hệ | Mẫu gốc (Original sample (O)) | Trung bình mẫu (Sample mean (M)) | Độ lệch chuẩn (Standard deviation (STDEV)) | Thống kê T (T statistics) | Giá trị P (P values) | Kết luận |
| H1 | OP => PU | 0.550 | 0.552 | 0.062 | 8.871 | 0.000 | Chấp nhận |
| H2 | OP => PEOU | 0.403 | 0.406 | 0.071 | 5.676 | 0.000 | Chấp nhận |
| H3 | IN => PU | 0.688 | 0.690 | 0.062 | 11.097 | 0.000 | Chấp nhận |
| H4 | IN => PEOU | 0.125 | 0.127 | 0.063 | 1.984 | 0.048 | Chấp nhận |
| H5 | DI => PU | 0.126 | 0.128 | 0.061 | 2.066 | 0.039 | Chấp nhận |
| H6 | DI => PEOU | 0.360 | 0.363 | 0.060 | 5.974 | 0.000 | Chấp nhận |
| H7 | IS => PU | 0.417 | 0.419 | 0.086 | 4.838 | 0.000 | Chấp nhận |
| H8 | IS => PEOU | 0.126 | 0.128 | 0.084 | 1.499 | 0.134 | Bác bỏ |
| H9 | PU => AT | 0.356 | 0.359 | 0.085 | 4.211 | 0.000 | Chấp nhận |
| H10 | PEOU => PU | 0.126 | 0.128 | 0.093 | 1.355 | 0.175 | Bác bỏ |
| H11 | PEOU => AT | 0.230 | 0.233 | 0.087 | 2.639 | 0.008 | Chấp nhận |
| H12 | AT => BI | 0.223 | 0.225 | 0.091 | 2.451 | 0.014 | Chấp nhận |
Kết quả kiểm định các giả thuyết trong mô hình nghiên cứu cho thấy, phần lớn các mối quan hệ đều được xác nhận với mức ý nghĩa thống kê cao (p < 0.05). Qua đó, khẳng định vai trò trung tâm của các yếu tố tâm lý cá nhân trong việc hình thành nhận thức và ý định sử dụng AI trong giáo dục. Phát hiện này phù hợp với kết quả nghiên cứu của Godoe và Johansen (năm 2012), cho rằng tính đổi mới cao giúp tăng khả năng đánh giá tích cực về lợi ích công nghệ trong học tập và làm việc.
Trong bối cảnh chuyển đổi số chưa diễn ra đồng đều tại Việt Nam, phát hiện này hàm ý rằng đầu tư cho các chương trình phát triển tinh thần đổi mới sáng tạo, tạo môi trường khuyến khích giảng viên và người học thử nghiệm công nghệ mới là chiến lược trọng tâm để thúc đẩy ứng dụng AI trong giáo dục.
Tổng thể kết quả mô hình nhấn mạnh rằng, để thúc đẩy ứng dụng AI trong giáo dục Việt Nam, chương trình đào tạo nên tập trung vào phát triển tinh thần đổi mới sáng tạo và củng cố lạc quan về công nghệ, đồng thời triển khai các giải pháp hỗ trợ kỹ thuật, đào tạo kỹ năng số, truyền thông về an toàn – bảo mật nhằm giảm thiểu cảm giác không thoải mái và bất an. Việc triển khai tích hợp các giải pháp này sẽ giúp gia tăng nhận thức về lợi ích, cải thiện thái độ tích cực và hình thành ý định sử dụng AI một cách bền vững, phù hợp với định hướng chuyển đổi số trong giáo dục tại Việt Nam hiện nay.
5. Kết luận
Nghiên cứu đã khảo sát và phân tích mức độ chấp nhận AI và sự sẵn sàng đổi mới trong lĩnh vực giáo dục tại Việt Nam dựa trên mô hình TAM và các yếu tố đặc trưng từ TRI, như: lạc quan (OP), đổi mới (IN), không thoải mái (DI) và bất an (IS). Kết quả phân tích PLS-SEM cho thấy các biến quan sát trong mô hình, bao gồm: PU, PEOU, AT, BI, cùng các yếu tố tâm lý cá nhân, như: OP, IN và DI đều đạt được mức độ hội tụ và phân biệt tốt, thể hiện bằng hệ số Cronbach’s alpha, Composite reliability và AVE vượt ngưỡng cho phép. Điều này cho thấy, mô hình lý thuyết được xây dựng phù hợp với dữ liệu thu thập, phản ánh đúng các yếu tố ảnh hưởng đến hành vi chấp nhận và ứng dụng AI trong giáo dục. Bên cạnh đó, các giả thuyết về tác động tích cực của OP và IN đến PU và PEOU đều được xác nhận, nhấn mạnh vai trò thúc đẩy của tinh thần đổi mới và lạc quan công nghệ. Ngoài ra, sự không thoải mái (DI) cũng có ảnh hưởng đáng kể đến cả PU và PEOU, trong khi sự bất an (IS) chỉ ảnh hưởng đến PU và không tác động rõ ràng đến PEOU.
Về các giả thuyết trong mô hình TAM, kết quả cho thấy PU và PEOU đều ảnh hưởng tích cực đến AT và AT có ảnh hưởng thuận chiều đến BI. Tuy nhiên, mối quan hệ giữa PEOU và PU không được xác nhận. Giá trị trung bình của các biến quan sát cho thấy người tham gia có nhận thức tích cực về AI, đặc biệt là tính hữu ích và tiềm năng sử dụng trong công việc dạy và học, thể hiện qua ý định sử dụng AI khá cao (BI1 = 4.29). Tuy nhiên, DI và IS khi tiếp cận AI vẫn còn tồn tại ở mức độ nhất định, cho thấy những rào cản tâm lý cần được giải quyết.
Một số nhóm biến liên quan đến nhận thức nền tảng về AI (A), kinh nghiệm sử dụng AI (E), mức độ quan tâm đến công nghệ mới (TI) và ảnh hưởng xã hội (SI) được khảo sát sơ bộ nhưng không được đưa vào mô hình chính thức do độ tin cậy thấp và sự phân tán dữ liệu cao. Điều này phản ánh thực tế rằng, phần lớn người học hiện nay vẫn thiếu sự chủ động và hiểu biết sâu về AI, trong khi môi trường xã hội chưa tạo động lực đủ mạnh cho việc tiếp cận và áp dụng các công nghệ mới.
Từ các kết quả trên, nghiên cứu nhận thấy, việc phát triển các chính sách đào tạo và nâng cao nhận thức về AI là bước quan trọng đầu tiên trong quá trình đổi mới này. Các chương trình đào tạo, huấn luyện thường xuyên dành cho giảng viên và người học có thể giúp trang bị kiến thức, gia tăng trải nghiệm công nghệ đồng thời giảm bớt tâm lý lo lắng và thiếu tự tin khi tiếp cận công nghệ mới. Đây là tiền đề quan trọng để thúc đẩy chuyển đổi số hiệu quả và bền vững trong giáo dục tại Việt Nam.
Tài liệu tham khảo:
1. Anh, N. T. P., & Ghi, T. N. (2025). Ý định áp dụng ChatGPT và kết quả học tập của sinh viên tiếng Anh thương mại: phân tích từ mô hình TAM và lý thuyết học tập kiến tạo. Tạp Chí Khoa học và Công nghệ Trường Đại học Hùng Vương, 11(1), 62-73. https://doi.org/10.59775/1859-3968.254.
2. Akhmadieva, R. S., Kalmazova, N. A., Belova, T., Prokopyev, A., Molodozhnikova, N. M., & Spichak, V. Y. (2024). Research trends in the use of artificial intelligence in higher education. https://doi.org/10.3389/feduc.2024.1438715.
3. Al-Emran, M., Mezhuyev, V., & Kamaludin, A. (2018). Technology Acceptance Model in M-learning context: A systematic review. Computers & Education, 125, 389–412.
4. Archi, Y. E., & Benbba, B. (2023). The applications of technology acceptance models in tourism and hospitality research: A systematic literature review. Journal of Environmental Management and Tourism, 14(2), 379–391. https://doi.org/10.14505/jemt.v14.2(66).08
5. Chen, Y. H., & Keng, C. J. (2019). Utilizing the Push-Pull-Mooring-Habit framework to explore users’ intention to switch from offline to online real-person English learning platform. Internet Research, 29(1), 167–193.
6. Davis, F. D. (1985). A technology acceptance model for empirically testing new end-user information systems: Theory and results (Doctoral dissertation, Massachusetts Institute of Technology).
7. Davis, F. D. (1989). Technology acceptance model: TAM. In Al-Suqri, M. N., & Al-Aufi, A. S. (Eds.). Information seeking behavior and technology adoption (pp. 205–219).
8. Godoe, P., & Johansen, T. S. (2012). Understanding adoption of new technologies: Technology readiness and technology acceptance as an integrated concept. Journal of European Psychology Students, 3(1), 38–52.
9. Hair, J. F., Ringle, C. M., & Sarstedt, M. (2010). PLS-SEM: Indeed a silver bullet. Journal of Marketing Theory and Practice, 19(2), 139–152.
10. 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.
11. Hair, J. F., Astrachan, C. B., Moisescu, O. I., Radomir, L., Sarstedt, M., Vaithilingam, S., & Ringle, C. M. (2021). Executing and interpreting applications of PLS-SEM: Updates for family business researchers. Journal of Family Business Strategy, 12(3), 100392.
12. Hair, J. F., & Alamer, A. (2022). Partial least squares structural equation modeling (PLS-SEM) in second language and education research: Guidelines using an applied example. Research Methods in Applied Linguistics, 1(3), 100027.
13. Hamzat, L., Abiodun, D., & Joseph, A. (2023). Empowering entrepreneurial growth through data-driven financial literacy, market research, and personalized education tool. World Journal of Advanced Research and Reviews, 19, 1692 – 1711.
14. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43, 115 – 135.
15. Hoque, U. S., Akhter, N., Absar, N., Khandaker, M. U., & Al-Mamun, A. (2023). Assessing service quality using SERVQUAL model: An empirical study on some private universities in Bangladesh. Trends in Higher Education, 2 (1), 255-269.Joshi, M. A. (2024). Adaptive learning through artificial intelligence. International Journal on Integrated Education, 7(2), 41–43. https://doi.org/10.2139/ssrn.4514887.
16. Joseph F. Hair, J., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM). https://www.researchgate.net/publication/354331182.
17. King, W. R., & He, J. (2006). A meta-analysis of the technology acceptance model. Information & Management, 43(6), 740–755.
18. Labadze, L., Grigolia, M., & Machaidze, L. (2023). Role of AI chatbots in education: Systematic literature review. International Journal of Educational Technology in Higher Education, 20(1), 56.
19. Lang, C., Wise, A. F., Merceron, A., Gasevic, D., & Siemens, G. (2022). What is learning analytics. In The Handbook of Learning Analytics (pp. 8–18). https://doi.org/10.18608/hla22.001.
20. Liljander, V., Gillberg, F., Gummerus, J., & Van Riel, A. (2006). Technology readiness and the evaluation and adoption of self-service technologies. Journal of Retailing and Consumer Services, 13(3), 177–191.
21. Lin, J. S. C., & Hsieh, P. L. (2007). The influence of technology readiness on satisfaction and behavioral intentions toward self-service technologies. Computers in Human Behavior, 23(3), 1597–1615.
22. Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.
23. Menéndez, M. H. d., Morales-Menendez, R., Escobar, C. A., & Ramirez-Mendoza, R. A. (2022). Learning analytics: State of the art. International Journal on Interactive Design and Manufacturing (IJIDeM), 16(2). https://doi.org/10.1007/s12008-022-00930-0.
24. Parasuraman, A. (2000). Technology readiness index (TRI): A multiple-item scale to measure readiness to embrace new technologies. Journal of Service Research, 2(4), 307–320. https://doi.org/10.1177/109467050024001.
25. Parasuraman, A., & Colby, C. L. (2015). An updated and streamlined technology readiness index: TRI 2.0. Journal of Service Research, 18(1), 59–74.
26. Qureshi, I., Pan, S. L., & Zheng, Y. (2021). Digital social innovation: An overview and research framework. Information Systems Journal, 31(5), 540–575.
27. Qureshi, I., Raza, H., & Whitty, M. (2021). Technology readiness and technology acceptance in e-learning: Evidence from higher education. Computers & Education, 173, 104271.
28. Rahi, S. (2022). Assessing individual behavior towards adoption of telemedicine application during Covid – 19 pandemic: Evidence from emerging market. Library Hi Tech, 40(2), 394 – 420.
29. Tsikriktsis, N. (2004). A technology readiness-based taxonomy of customers: A replication and extension. Journal of Service Research, 7(1), 42–52.
30. Walczuch, R., Lemmink, J., & Streukens, S. (2007). The effect of service employees’ technology readiness on technology acceptance. Information & Management, 44(2), 206-215.
