Artificial intelligence and data analytics competencies and employability of accounting students in Dong Nai City
ThS. Nguyễn Thị Thu Hoài
Trường Đại học Công nghệ Đồng Nai
Email: nguyenthithuhoai@dntu.edu.vn
(Quanlynhanuoc.vn) – Bài viết phân tích tác động của năng lực AI và năng lực phân tích dữ liệu đến khả năng có việc làm của sinh viên kế toán, với vai trò trung gian của sự sẵn sàng nghề nghiệp. Dữ liệu gồm 276 quan sát để phân tích mô hình phương trình cấu trúc bình phương tối thiểu từng phần. Kết quả cho thấy, hai năng lực đều thúc đẩy sự sẵn sàng nghề nghiệp và khả năng có việc làm; sự sẵn sàng nghề nghiệp tạo tác động mạnh nhất và trung gian bổ sung. Bài viết đề xuất chuẩn hóa đầu ra số, tăng cường học tập dựa trên dữ liệu, liên kết nhà trường – doanh nghiệp và theo dõi việc làm tại thành phố Đồng Nai.
Từ khóa: Năng lực AI, phân tích dữ liệu, sự sẵn sàng nghề nghiệp, khả năng có việc làm, sinh viên kế toán, thành phố Đồng Nai.
Abstract: This study examines how artificial intelligence competency and data analytics competency influence accounting students’ employability, while testing the mediating role of career readiness. The manuscript uses a dataset of 276 observations for partial least squares structural equation modeling. The results indicate that both competencies strengthen career readiness and employability. Career readiness exerts the strongest direct effect and provides complementary mediation between each digital competency and employability. The study recommends standardizing digital learning outcomes, strengthening data-driven learning, stronger university-industry partnerships, and employment monitoring in Dong Nai City.
Keywords: Artificial intelligence competency; data analytics competency; career readiness; employability; accounting students; Dong Nai City.
1. Đặt vấn đề
Sự phát triển của AI, dữ liệu lớn và công nghệ số đang làm thay đổi yêu cầu nghề nghiệp trong lĩnh vực kế toán. Các công việc có tính lặp lại ngày càng được tự động hóa, trong khi nhu cầu về phân tích dữ liệu, đánh giá thông tin và hỗ trợ ra quyết định gia tăng. Vì vậy, chương trình đào tạo kế toán cần tích hợp năng lực công nghệ và phân tích dữ liệu nhằm nâng cao khả năng thích ứng của sinh viên với thị trường lao động (Ballou & cộng sự, 2018; Richardson & Watson, 2021; Sledgianowski & cộng sự, 2017).
Tại Việt Nam, phát triển năng lực số và nguồn nhân lực AI là định hướng quan trọng trong đổi mới giáo dục. Các chính sách quốc gia nhấn mạnh yêu cầu ứng dụng AI, chuyển đổi số và hình thành năng lực số cho người học (Bộ Giáo dục và Đào tạo, 2025; Thủ tướng Chính phủ, 2021, 2022, 2024). Điều này đặt ra yêu cầu đối với các cơ sở giáo dục đại học trong việc điều chỉnh chương trình, phương pháp giảng dạy và hoạt động thực hành nghề nghiệp.
Năng lực AI bao gồm: khả năng hiểu, sử dụng và đánh giá công nghệ AI một cách có trách nhiệm (Laupichler & cộng sự, 2023; Ng & cộng sự, 2021; Wang & cộng sự, 2023). Đối với sinh viên kế toán, năng lực này cần được kết hợp với khả năng thu thập, xử lý, phân tích và diễn giải dữ liệu. Theo lý thuyết vốn nhân lực, kiến thức và kỹ năng được tích lũy thông qua giáo dục có thể nâng cao năng suất và cơ hội nghề nghiệp của cá nhân (Becker, 1964). Tuy nhiên, các năng lực công nghệ chỉ tạo ra lợi thế việc làm khi được chuyển hóa thành sự sẵn sàng nghề nghiệp, thể hiện qua khả năng thích ứng, sự tự tin và mức độ đáp ứng yêu cầu công việc (Caballero & cộng sự, 2011; Rothwell & cộng sự., 2008).
Các nghiên cứu trước chủ yếu xem xét riêng biệt năng lực AI, phân tích dữ liệu hoặc khả năng có việc làm; cơ chế chuyển hóa những năng lực này thành kết quả nghề nghiệp vẫn chưa được làm rõ, đặc biệt đối với sinh viên ngành Kế toán tại thành phố Đồng Nai. Do đó, bài viết đánh giá tác động của năng lực AI và năng lực phân tích dữ liệu đến khả năng có việc làm; đồng thời, kiểm định vai trò trung gian của sự sẵn sàng nghề nghiệp. Kết quả nghiên cứu cung cấp cơ sở cho các trường đại học điều chỉnh chương trình đào tạo, tăng cường thực hành công nghệ và nâng cao chất lượng nguồn nhân lực kế toán trong bối cảnh chuyển đổi số.
2. Cơ sở lý thuyết và mô hình nghiên cứu
2.1. Năng lực AI
Năng lực AI là tổng hợp kiến thức, kỹ năng và trách nhiệm giúp cá nhân hiểu cách hệ thống hoạt động, sử dụng công cụ, đánh giá đầu ra và kiểm soát rủi ro. Ng & cộng sự (2021) nhấn mạnh các thành phần hiểu biết, áp dụng, đánh giá, sáng tạo và đạo đức; Wang & cộng sự (2023) cụ thể hóa năng lực hiểu, vận hành và đánh giá; Laupichler & cộng sự (2023) phát triển thang đo cho người không chuyên. Cách tiếp cận này phù hợp với sinh viên kế toán, những người không cần trở thành kỹ sư nhưng phải lựa chọn và giám sát công cụ có trách nhiệm.
Theo lý thuyết vốn nhân lực, tri thức và kỹ năng có giá trị khi làm tăng năng suất và khả năng thực hiện nhiệm vụ (Becker, 1964). Năng lực AI giúp sinh viên giải quyết bài tập phức hợp, tự học công cụ mới và thích ứng với quy trình số; đồng thời, tạo tín hiệu về tiềm năng thực hiện công việc. Vì vậy, nghiên cứu đề xuất:
H1: Năng lực AI tác động tích cực đến sự sẵn sàng nghề nghiệp.
H4: Năng lực AI tác động tích cực đến khả năng có việc làm.
2.2. Năng lực phân tích dữ liệu
Năng lực phân tích dữ liệu là khả năng xác định nhu cầu thông tin, thu thập, làm sạch, tổ chức, phân tích, trực quan hóa và diễn giải dữ liệu phục vụ quyết định. Trong kế toán, năng lực này hỗ trợ kiểm tra giao dịch, phát hiện bất thường và phân tích chi phí, doanh thu, dòng tiền. Sledgianowski & cộng sự (2017) đề xuất tích hợp dữ liệu lớn, công nghệ và hệ thống thông tin vào chương trình kế toán; Ballou & cộng sự (2018) nhấn mạnh ra quyết định dựa trên dữ liệu; Richardson & Watson (2021) coi phân tích dữ liệu là năng lực xuyên suốt thay vì nội dung tự chọn.
Làm việc thường xuyên với dữ liệu thực tiễn giúp sinh viên phát triển khả năng tự quản lý, hợp tác và giải quyết vấn đề; đồng thời, tạo sản phẩm để chứng minh năng lực với nhà tuyển dụng. Do đó, nghiên cứu đề xuất:
H2: Năng lực phân tích dữ liệu tác động tích cực đến sự sẵn sàng nghề nghiệp.
H5: Năng lực phân tích dữ liệu tác động tích cực đến khả năng có việc làm.
2.3. Sự sẵn sàng nghề nghiệp và khả năng có việc làm
Sự sẵn sàng nghề nghiệp phản ánh mức độ chuẩn bị để bước vào môi trường làm việc, gồm: năng lực chuyên môn, thích ứng, giao tiếp, hợp tác và tự quản lý. Caballero & cộng sự (2011) nhấn mạnh cả đặc điểm cá nhân và năng lực tổ chức công việc. Trong nghiên cứu này, khái niệm được thể hiện qua khả năng vận dụng kiến thức kế toán, xử lý tình huống, thích ứng với công nghệ, làm việc chuyên nghiệp và chuẩn bị cho tuyển dụng.
Sự sẵn sàng nghề nghiệp được kỳ vọng là cơ chế gần nhất dẫn đến khả năng có việc làm. Hai năng lực số có thể tác động trực tiếp đến niềm tin vào việc làm, nhưng một phần ảnh hưởng được chuyển hóa qua khả năng vận dụng trong tình huống nghề nghiệp. Vì vậy, nghiên cứu đề xuất:
H3: Sự sẵn sàng nghề nghiệp tác động tích cực đến khả năng có việc.
H6 và H7: Sự sẵn sàng nghề nghiệp lần lượt trung gian mối quan hệ giữa năng lực AI và năng lực phân tích dữ liệu với khả năng có việc làm.
Hình 1. Mô hình nghiên cứu đề xuất
Nguồn: Nhóm tác giả đề xuất.
3. Phương pháp nghiên cứu
3.1. Thiết kế nghiên cứu và dữ liệu
Bài viết sử dụng thiết kế định lượng nhằm kiểm định mô hình gồm bốn cấu trúc phản ánh: năng lực AI, năng lực phân tích dữ liệu, sự sẵn sàng nghề nghiệp và khả năng có việc làm. Đơn vị phân tích dự kiến là sinh viên ngành Kế toán tại các cơ sở giáo dục đại học ở thành phố Đồng Nai. Bảng hỏi sử dụng thang Likert năm mức, từ 1 là “hoàn toàn không đồng ý” đến 5 là “hoàn toàn đồng ý”. Các phát biểu được điều chỉnh từ thang đo quốc tế để phù hợp với bối cảnh học tập và nghiệp vụ kế toán. Bản thảo sử dụng bộ dữ liệu gồm 276 quan sát với phân phối Likert và cấu trúc tương quan phù hợp với quy trình phân tích.
3.2. Thang đo và phương pháp phân tích
Mỗi cấu trúc được đo bằng năm biến quan sát. Năng lực AI bao quát: hiểu biết, sử dụng công cụ, thiết kế yêu cầu, đánh giá độ chính xác và trách nhiệm. Năng lực phân tích dữ liệu, gồm: thu thập, làm sạch, xử lý, trực quan hóa và diễn giải. Sự sẵn sàng nghề nghiệp phản ánh khả năng vận dụng kiến thức, xử lý tình huống, thích ứng, hợp tác và chuẩn bị cho tuyển dụng. Khả năng có việc làm thể hiện mức độ đáp ứng yêu cầu, cạnh tranh, thích ứng với vị trí và triển vọng nghề nghiệp.
Mô hình được ước lượng bằng PLS-SEM theo định hướng giải thích và dự báo (Hair & cộng sự, 2019). Mô hình đo lường được đánh giá qua hệ số tải ngoài, Cronbach, độ tin cậy tổng hợp, phương sai trích trung bình và tỷ số tương quan dị biệt – đơn nhất (Henseler & cộng sự, 2015). Mô hình cấu trúc được xem xét qua đa cộng tuyến, hệ số đường dẫn, hệ số xác định và quy mô tác động. Ý nghĩa thống kê được kiểm định bằng 5.000 mẫu bootstrap hai phía ở mức 5%.
Bảng 1. Cấu trúc thang đo nghiên cứu
| Cấu trúc | Nội dung đo lường | Số biến | Nguồn điều chỉnh |
| Năng lực AI | Hiểu giới hạn; sử dụng công cụ; thiết kế yêu cầu; đánh giá đầu ra; đạo đức và bảo mật | 5 | Ng & cộng sự (2021); Wang & cộng sự (2023); Laupichler & cộng sự (2023) |
| Năng lực phân tích dữ liệu | Thu thập, làm sạch; xử lý; trực quan hóa; diễn giải; sử dụng phần mềm phân tích | 5 | Sledgianowski & cộng sự (2017); Ballou & cộng sự (2018); Richardson & Watson (2021) |
| Sự sẵn sàng nghề nghiệp | Vận dụng kiến thức; xử lý tình huống; thích ứng; hợp tác; chuẩn bị tuyển dụng | 5 | Caballero & cộng sự (2011); Jackson (2016) |
| Khả năng có việc làm cảm nhận | Đáp ứng yêu cầu; khả năng tìm việc; cạnh tranh; thích ứng vị trí; phát triển nghề nghiệp | 5 | Rothwell & cộng sự (2008); Youssef & cộng sự (2026) |
4. Kết quả nghiên cứu
4.1. Đặc điểm dữ liệu và thống kê mô tả
Bộ dữ liệu gồm 276 quan sát và không có giá trị thiếu trong 20 biến đo lường. Nữ chiếm 58,0%, nam chiếm 42,0%. Sinh viên năm thứ ba và năm thứ tư chiếm 71,7%, phù hợp với định hướng tập trung vào nhóm đã tiếp cận học phần chuyên ngành. Có 45,7% quan sát được gán trạng thái đã thực tập hoặc làm việc liên quan. Về thời gian sử dụng AI, nhóm dưới một năm chiếm 59,8%, trong khi nhóm từ hai năm trở lên chiếm 21,0%.
Điểm trung bình của bốn cấu trúc dao động từ 3,353 – 3,532. Sự sẵn sàng nghề nghiệp cao nhất (3,532), tiếp đến là khả năng có việc làm (3,506), năng lực AI (3,473) và năng lực phân tích dữ liệu (3,353). Độ lệch chuẩn xấp xỉ một cho thấy, mức phân tán phù hợp.
Bảng 2. Đặc điểm của dữ liệu
Đặc điểm | Nhóm | Số lượng | Tỷ lệ (%) |
| Giới tính | Nam | 116 | 42,0 |
| Nữ | 160 | 58,0 | |
| Năm học | Năm thứ nhất – hai | 78 | 28,3 |
| Năm thứ ba – tư | 198 | 71,7 | |
| Điểm trung bình | Dưới 3,00 | 123 | 44,6 |
| Từ 3,00 trở lên | 153 | 55,4 | |
| Đã thực tập/làm việc | Chưa | 150 | 54,3 |
| Có | 126 | 45,7 | |
| Thời gian sử dụng AI | Dưới 1 năm | 165 | 59,8 |
| Từ 1 năm trở lên | 111 | 40,2 |
4.2. Đánh giá mô hình đo lường
Các hệ số tải ngoài dao động từ 0,780 – 0,863 đều vượt ngưỡng 0,70. Hệ số Cronbach của bốn thang đo nằm trong khoảng 0,872 – 0,890; độ tin cậy tổng hợp từ 0,907 – 0,919. Phương sai trích trung bình đạt từ 0,662 – 0,695, lớn hơn ngưỡng 0,50. Như vậy, dữ liệu đáp ứng yêu cầu về độ tin cậy của chỉ báo, tính nhất quán nội tại và giá trị hội tụ. Không có biến quan sát nào phải loại bỏ, giúp duy trì đầy đủ nội dung khái niệm của từng thang đo.
Tỷ số tương quan dị biệt – đơn nhất của sáu cặp cấu trúc dao động từ 0,493 – 0,761, đều dưới ngưỡng 0,85. Giá trị cao nhất thuộc cặp sự sẵn sàng nghề nghiệp và khả năng có việc làm (0,761) cho thấy, hai khái niệm liên hệ chặt chẽ nhưng vẫn phân biệt: một bên phản ánh trạng thái chuẩn bị và khả năng thực hiện vai trò, bên còn lại phản ánh đánh giá về cơ hội trên thị trường lao động.
Bảng 3. Thống kê mô tả, độ tin cậy và giá trị hội tụ
| Biến | Trung bình | Độ lệch chuẩn | Hệ số tải | Hệ số Cronbach | Độ tin cậy tổng hợp | Phương sai trích |
| Năng lực AI | 3,473 | 0,951 | 0,809 – 0,841 | 0,883 | 0,914 | 0,681 |
| Năng lực phân tích dữ liệu | 3,353 | 1,001 | 0,792 – 0,863 | 0,890 | 0,919 | 0,695 |
| Sự sẵn sàng nghề nghiệp | 3,532 | 0,950 | 0,798 – 0,833 | 0,872 | 0,907 | 0,662 |
| Khả năng có việc làm | 3,506 | 0,965 | 0,780 – 0,852 | 0,880 | 0,913 | 0,676 |
Bảng 4. Giá trị phân biệt theo tỷ số tương quan dị biệt – đơn nhất
| Cấu trúc | (1) | (2) | (3) | (4) |
| (1) Năng lực AI | ||||
| (2) Năng lực phân tích dữ liệu | 0.493 | |||
| (3) Sự sẵn sàng nghề nghiệp | 0.559 | 0.519 | ||
| (4) Khả năng có việc làm | 0.587 | 0.555 | 0.761 |
4.3. Đánh giá mô hình cấu trúc
Hệ số phóng đại phương sai nằm trong khoảng 1,238 – 1,462, thấp hơn ngưỡng 3, nên đa cộng tuyến không ảnh hưởng đáng kể. Mô hình giải thích 31,6% biến thiên của sự sẵn sàng nghề nghiệp và 51,9% của khả năng có việc làm cảm nhận. Phần biến thiên còn lại có thể liên quan đến thực tập, kết quả học tập, giao tiếp, ngoại ngữ, mạng lưới nghề nghiệp và điều kiện thị trường lao động.
Năng lực AI tác động tích cực đến sự sẵn sàng nghề nghiệp với hệ số 0,358; năng lực phân tích dữ liệu cũng có tác động tích cực với hệ số 0,304. Cả hai tác động đều có ý nghĩa thống kê, nên H1 và H2 được chấp nhận. Đối với khả năng có việc làm cảm nhận, sự sẵn sàng nghề nghiệp có tác động mạnh nhất với hệ số 0,485. Năng lực AI và năng lực phân tích dữ liệu vẫn có tác động trực tiếp lần lượt là 0,200 và 0,183. Vì vậy, H3, H4 và H5 đều được chấp nhận.
Về quy mô tác động, sự sẵn sàng nghề nghiệp có ảnh hưởng lớn đến khả năng có việc làm (0,335). Năng lực AI và năng lực phân tích dữ liệu lần lượt có tác động 0,152 – 0,109 đến sự sẵn sàng nghề nghiệp; hai tác động trực tiếp đến khả năng có việc làm đều nhỏ (0,058 và 0,051). Như vậy, lợi ích chính của năng lực số nằm ở việc giúp sinh viên sẵn sàng hơn cho nhiệm vụ thực tế.
Bảng 5. Kết quả kiểm định các tác động trực tiếp
| Giả thuyết | Quan hệ | Hệ số β | Sai số chuẩn | Giá trị t | Giá trị p | Kết luận |
| H1 | Năng lực AI → sự sẵn sàng nghề nghiệp | 0,358 | 0,054 | 6,633 | < 0,001 | Chấp nhận |
| H2 | Năng lực phân tích dữ liệu → sự sẵn sàng nghề nghiệp | 0,304 | 0,060 | 5,092 | < 0,001 | Chấp nhận |
| H3 | Sự sẵn sàng nghề nghiệp → khả năng có việc làm | 0,485 | 0,045 | 10,765 | < 0,001 | Chấp nhận |
| H4 | Năng lực AI → khả năng có việc làm | 0,200 | 0,051 | 3,891 | < 0,001 | Chấp nhận |
| H5 | Năng lực phân tích dữ liệu → khả năng có việc làm | 0,183 | 0,047 | 3,930 | < 0,001 | Chấp nhận |
4.4. Vai trò trung gian của sự sẵn sàng nghề nghiệp
Tác động gián tiếp từ năng lực AI đến khả năng có việc làm thông qua sự sẵn sàng nghề nghiệp đạt 0,174, với khoảng tin cậy 95% từ 0,117 – 0,239. Tác động gián tiếp từ năng lực phân tích dữ liệu đạt 0,148, với khoảng tin cậy từ 0,087 – 0,212. Cả hai khoảng tin cậy đều không chứa giá trị không, vì vậy, giả thuyết 6 và giả thuyết 7 được chấp nhận. Do các tác động trực tiếp vẫn có ý nghĩa và cùng chiều với tác động gián tiếp, sự sẵn sàng nghề nghiệp tạo ra trung gian bổ sung một phần.
Tổng tác động của năng lực AI và năng lực phân tích dữ liệu đến khả năng có việc làm lần lượt là 0,374 và 0,330. Chênh lệch nhỏ cho thấy hai năng lực cần được phát triển song song: AI hỗ trợ thích ứng và tự học, còn phân tích dữ liệu tạo nền tảng kiểm chứng và diễn giải. Vì vậy, chương trình nên tích hợp cả hai trong chuỗi nhiệm vụ nghề nghiệp thay vì lựa chọn một trong hai.
Bảng 6. Kết quả kiểm định tác động trung gian
Giả thuyết | Quan hệ gián tiếp | Hệ số β | Khoảng tin cậy 95% | Giá trị p | Loại trung gian |
| H6 | Năng lực AI → Sự sẵn sàng nghề nghiệp → Khả năng có việc làm | 0,174 | [0,117; 0,239] | < 0,001 | Trung gian bổ sung một phần |
| H7 | Năng lực phân tích dữ liệu → Sự sẵn sàng nghề nghiệp → Khả năng có việc làm | 0,148 | [0,087; 0,212] | < 0,001 | Trung gian bổ sung một phần |
5. Thảo luận
Kết quả cho thấy, năng lực số là một bộ phận của năng lực nghề nghiệp kế toán. Tác động tích cực của năng lực AI phù hợp với Ng & cộng sự (2021), Wang & cộng sự (2023), Laupichler & cộng sự (2023). Khi hiểu giới hạn công nghệ, biết thiết kế yêu cầu, đánh giá đầu ra và tuân thủ đạo đức, sinh viên tự tin hơn trước nhiệm vụ mới. Vì vậy, thang đo cần coi trọng khả năng đánh giá và trách nhiệm, tránh đồng nhất tần suất sử dụng với năng lực thực chất.
Tác động của năng lực phân tích dữ liệu phù hợp với Sledgianowski & cộng sự (2017), Ballou & cộng sự (2018), Richardson & Watson (2021). Phân tích dữ liệu buộc sinh viên liên kết câu hỏi quản trị với dữ liệu, phương pháp, kết quả và khuyến nghị, qua đó tạo bằng chứng về năng lực rõ hơn bài kiểm tra lý thuyết. Kết quả cũng tương đồng với Youssef & cộng sự (2026), dù khác biệt về quốc gia và nhóm đánh giá cần được kiểm tra bằng dữ liệu thực địa.
Sự sẵn sàng nghề nghiệp là biến dự báo mạnh nhất, phù hợp với Caballero & cộng sự (2011), Rothwell & cộng sự (2008), Jackson (2016). Kỹ năng chỉ trở thành lợi thế việc làm khi người học biết vận dụng, giao tiếp được giá trị của mình và hình thành bản sắc nghề. Dự án tích hợp, thực tập có hướng dẫn và phản hồi của doanh nghiệp giúp sinh viên hiểu chuẩn thực hiện và phát triển hồ sơ năng lực tốt hơn so với việc chỉ có chứng chỉ phần mềm.
Vai trò trung gian cho thấy, hai con đường cùng tồn tại: năng lực số vừa tạo tín hiệu cạnh tranh trực tiếp, vừa nâng cao khả năng thích ứng, xử lý tình huống và chuẩn bị tuyển dụng. Do đó, công cụ không nên được dạy như một học phần tách biệt. Khi được tích hợp vào bài tập kế toán, dự án doanh nghiệp, thuyết trình và phản biện, kỹ năng số mới được chuyển hóa thành năng lực nghề nghiệp.
6. Hàm ý quản lý
6.1. Đối với quản lý nhà nước về giáo dục đại học
Cơ quan quản lý cần hướng dẫn chuyển khung năng lực số cho người học thành chuẩn đầu ra theo ngành. Với kế toán, chuẩn đầu ra nên mô tả hành vi có thể đánh giá: xác định nhu cầu dữ liệu; làm sạch và kiểm tra dữ liệu; lựa chọn công cụ; giải thích kết quả; đánh giá đầu ra AI; bảo vệ dữ liệu và chịu trách nhiệm về quyết định. Các yêu cầu cần phân tầng từ nhận biết, thực hành có hướng dẫn đến giải quyết vấn đề độc lập để cơ sở đào tạo xây dựng ma trận học phần và minh chứng đánh giá.
Tiêu chí rà soát chương trình và kiểm định chất lượng cần tăng trọng số cho năng lực dữ liệu, đạo đức số và kết quả việc làm. Chương trình nên chứng minh ba nhóm bằng chứng: chuẩn đầu ra và học phần liên quan; sản phẩm học tập thể hiện khả năng thực hiện nhiệm vụ; dữ liệu theo dõi người tốt nghiệp và phản hồi của nhà tuyển dụng. Quản lý cần tập trung vào khả năng chuyển đổi giữa các công cụ, chất lượng lập luận, kiểm chứng và trách nhiệm nghề nghiệp thay vì áp đặt danh sách phần mềm cố định.
6.2. Đối với thành phố Đồng Nai và cơ chế phối hợp địa phương
Đồng Nai cần xây dựng cơ chế dự báo nhu cầu kỹ năng đối với nghề kế toán – tài chính từ dữ liệu tuyển dụng và phản hồi của doanh nghiệp. Các sở, ngành có thể phối hợp với cơ sở đào tạo, trung tâm dịch vụ việc làm, hiệp hội và doanh nghiệp trong khu công nghiệp để xác định công cụ, nhiệm vụ dữ liệu và năng lực đang được sử dụng. Báo cáo cập nhật hằng năm sẽ hỗ trợ nhà trường điều chỉnh chương trình, sinh viên lựa chọn lộ trình học và doanh nghiệp giảm chi phí đào tạo lại.
Địa phương có thể hình thành phòng thực hành kế toán số dùng chung hoặc mạng lưới học tập dựa trên dự án. Doanh nghiệp cung cấp bài toán và dữ liệu đã ẩn danh; giảng viên hướng dẫn; sinh viên xây dựng sản phẩm; chuyên gia nghề nghiệp phản biện. Nhà nước kiến tạo tiêu chuẩn hợp tác, hỗ trợ hạ tầng và giám sát bảo mật. Các tình huống sản xuất, logistics, thương mại và dịch vụ tại Đồng Nai là nguồn bài toán phù hợp về chi phí, tồn kho, doanh thu, dòng tiền và kiểm soát.
6.3. Đối với cơ sở đào tạo và doanh nghiệp
Cơ sở đào tạo cần thiết kế lộ trình năng lực theo chiều dọc. Giai đoạn đầu tập trung vào quản trị dữ liệu, bảng tính, thống kê và đạo đức; giai đoạn giữa tích hợp phân tích vào kế toán tài chính, quản trị, kiểm toán và thuế; giai đoạn cuối triển khai dự án với dữ liệu không hoàn hảo, yêu cầu kiểm tra đầu ra của AI và trình bày khuyến nghị. Mỗi giai đoạn phải có tiêu chí đánh giá, phản hồi và cơ hội sửa sản phẩm; hồ sơ năng lực số cần lưu bằng chứng về dữ liệu, quy trình, phân tích và trách nhiệm.
Doanh nghiệp nên tham gia xác định chuẩn năng lực, đánh giá sản phẩm và tổ chức thực tập có nhiệm vụ, người hướng dẫn, tiêu chí kết quả và phản hồi hai chiều. Dữ liệu nhạy cảm có thể được thay bằng dữ liệu giả lập theo cấu trúc nghiệp vụ hoặc tình huống đã loại bỏ nhận diện. Sự tham gia này giúp nội dung đào tạo phản ánh quy trình thực và cho phép nhà tuyển dụng quan sát năng lực qua sản phẩm thay vì chỉ dựa vào điểm số.
Các giải pháp phải gắn với công bằng và trách nhiệm. Nhà trường cần hỗ trợ thiết bị, tài khoản, học liệu mở và bồi dưỡng cho nhóm sinh viên có điều kiện tiếp cận hạn chế. Quy định sử dụng AI phải phân biệt hỗ trợ hợp lệ, yêu cầu khai báo, hành vi gian lận và trách nhiệm kiểm chứng. Đây là điều kiện để năng lực công nghệ phát triển cùng liêm chính học thuật và đạo đức nghề nghiệp.
7. Kết luận
Bài viết kiểm định mô hình liên kết năng lực AI, năng lực phân tích dữ liệu, sự sẵn sàng nghề nghiệp và khả năng có việc làm của sinh viên kế toán. Trên bộ dữ liệu 276 quan sát, hai năng lực số đều tác động tích cực đến sự sẵn sàng nghề nghiệp và khả năng có việc làm; sự sẵn sàng nghề nghiệp có ảnh hưởng trực tiếp lớn nhất và đóng vai trò trung gian bổ sung. Kết quả nhấn mạnh yêu cầu chuyển kỹ năng công cụ thành khả năng thực hiện nhiệm vụ, giải thích kết quả, giao tiếp và hành động có trách nhiệm.
Về quản lý, cần đồng bộ bốn nhóm giải pháp: cụ thể hóa chuẩn đầu ra số cho ngành kế toán; tổ chức học tập dựa trên dữ liệu và dự án; tăng cường hợp tác nhà trường – doanh nghiệp; theo dõi năng lực cùng kết quả việc làm. Đồng Nai có điều kiện thí điểm nhờ môi trường doanh nghiệp đa dạng, trong khi cơ quan quản lý giữ vai trò kiến tạo tiêu chuẩn, hạ tầng hợp tác, cơ chế dữ liệu và cơ hội tiếp cận công bằng.
Bài viết sử dụng thiết kế cắt ngang, phương pháp chọn mẫu thuận tiện và thang đo tự đánh giá, nên khả năng khái quát hóa kết quả và xác lập quan hệ nhân quả còn hạn chế. Bên cạnh đó, mô hình chưa xem xét một số yếu tố như năng lực chuyên môn kế toán, kỹ năng mềm và kinh nghiệm thực tập. Các nghiên cứu tiếp theo nên mở rộng phạm vi khảo sát, sử dụng dữ liệu theo thời gian và bổ sung các biến này để nâng cao giá trị giải thích của mô hình.
Tài liệu tham khảo:
Ballou, B., Heitger, D. L., & Stoel, D. (2018). Data-driven decision-making and its impact on accounting undergraduate curriculum. Journal of Accounting Education, 44, 14-24. https://doi.org/10.1016/j.jaccedu.2018.05.003
Becker, G. S. (1964). Human capital: A theoretical and empirical analysis, with special reference to education. University of Chicago Press.
Bộ Giáo dục và Đào tạo (2025). Thông tư số 02/2025/TT-BGDĐT ngày 24/01/2025 quy định Khung năng lực số cho người học.
Caballero, C. L., Walker, A., & Fuller-Tyszkiewicz, M. (2011). The Work Readiness Scale (WRS): Developing a measure to assess work readiness in college graduates. Journal of Teaching and Learning for Graduate Employability, 2(1), 41–54. https://doi.org/10.21153/jtlge2011vol2no1art552
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of partial least squares structural equation modeling. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203
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(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
Jackson, D. (2016). Re-conceptualising graduate employability: The importance of pre-professional identity. Higher Education Research & Development, 35(5), 925-939. https://doi.org/10.1080/07294360.2016.1139551
Laupichler, M. C., Aster, A., Haverkamp, N., & Raupach, T. (2023). Development of the “Scale for the assessment of non-experts’ AI literacy”-An exploratory factor analysis. Computers in Human Behavior Reports, 12, 100338. https://doi.org/10.1016/j.chbr.2023.100338
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
Richardson, V. J., & Watson, M. W. (2021). Act or be acted upon: Revolutionizing accounting curricula with data analytics. Accounting Horizons, 35(2), 129-144. https://doi.org/10.2308/HORIZONS-19-020
Rothwell, A., Herbert, I., & Rothwell, F. (2008). Self-perceived employability: Construction and initial validation of a scale for university students. Journal of Vocational Behavior, 73(1), 1-12. https://doi.org/10.1016/j.jvb.2007.12.001
Sledgianowski, D., Gomaa, M., & Tan, C. (2017). Toward integration of Big Data, technology and information systems competencies into the accounting curriculum. Journal of Accounting Education, 38, 81-93. https://doi.org/10.1016/j.jaccedu.2016.12.008
Thủ tướng Chính phủ. (2021). Quyết định số 127/QĐ-TTg ngày 26/01/2021 ban hành Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030.
Thủ tướng Chính phủ. (2022). Quyết định số 131/QĐ-TTg ngày 25/01/2022 phê duyệt Đề án tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022-2025, định hướng đến năm 2030.
Thủ tướng Chính phủ. (2024). Quyết định số 1705/QĐ-TTg ngày 31/12/2024 phê duyệt Chiến lược phát triển giáo dục đến năm 2030, tầm nhìn đến năm 2045.
Wang, B., Rau, P.-L. P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence: Validity and reliability of artificial intelligence literacy scale. Behaviour & Information Technology, 42(9), 1324-1337. https://doi.org/10.1080/0144929X.2022.2072768
Youssef, M. A., Elmassri, M., Elrazaz, T., & Alqahtani, S. (2026). Data analytics skills and employability among accounting graduates: Perceptions of accounting professionals in the United Arab Emirates. Accounting Education, 1-23. https://doi.org/10.1080/09639284.2026.2667222
