Factors affecting lecturers’ intention to use generative artificial intelligence in blended learning
Ngô Thị Hoài Nam
Nguyễn Thị Việt Châu
Trường Cao đẳng Thương mại Đà Nẵng
Nguyễn Thị Phương Nhung
Học viện Chính sách và Phát triển – Phân hiệu TP. Đà Nẵng
(Quanlynhanuoc.vn) – Bài viết phân tích các nhân tố tác động tới ý định sử dụng trí tuệ nhân tạo tạo sinh (GenAI) của giảng viên trong dạy học kết hợp tại các trường đại học trên địa bàn Đà Nẵng. Khung phân tích kế thừa Mô hình chấp nhận công nghệ (TAM) và Lý thuyết hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT), đồng thời bổ sung năng lực AI (AI Literacy) và tri thức tích hợp AI vào nội dung và sư phạm (AI-TPACK). Dữ liệu từ 119 giảng viên được xử lý bằng SPSS 26.0 và SmartPLS 4.0. Kết quả chỉ ra cảm nhận hữu ích và cảm nhận dễ sử dụng thúc đẩy trực tiếp ý định sử dụng, trong đó cảm nhận hữu ích có ảnh hưởng lớn hơn; năng lực AI và AI-TPACK chỉ phát huy tác động thông qua hai biến nhận thức này, với năng lực AI có tổng tác động gián tiếp lớn nhất. Từ đó, nghiên cứu đề xuất bồi dưỡng giảng viên theo hai tầng, bắt đầu từ năng lực AI nền tảng rồi nâng lên năng lực tích hợp AI theo chuyên ngành, kèm theo các khuyến nghị cho cơ sở giáo dục, cơ quan quản lý và doanh nghiệp công nghệ.
Từ khóa: AI-TPACK, dạy học kết hợp, giảng viên, trí tuệ nhân tạo tạo sinh, ý định sử dụng
Abstract: This study examines the factors influencing lecturers’ intention to use generative artificial intelligence (GenAI) in blended learning at universities in Da Nang, Vietnam. The research model builds on the Technology Acceptance Model (TAM) and the Unified Theory of Acceptance and Use of Technology (UTAUT), extended with AI literacy and AI-TPACK, the knowledge required to integrate AI into content and pedagogy. Survey data from 119 lecturers were analysed using SPSS 26.0 and SmartPLS 4.0. The results show that perceived usefulness and perceived ease of use directly and positively affect usage intention, with perceived usefulness exerting the stronger effect. AI literacy and AI-TPACK influence intention only indirectly through these two perceptions, and AI literacy has the largest total indirect effect. Based on these findings, the study recommends a two-tier training approach that first strengthens lecturers’ foundational AI literacy and then develops discipline-specific AI-TPACK, together with implications for higher education institutions, regulators and technology providers.
Keywords: AI-TPACK, blended learning, generative artificial intelligence, lecturers, usage intention
1. Đặt vấn đề
Sự phổ biến nhanh chóng của các công cụ GenAI đang buộc các trường đại học xem xét lại cách thiết kế bài giảng, tổ chức học liệu và đánh giá người học. Song song với đó, dạy học kết hợp (blended learning), hình thức đan xen giờ học trên lớp với hoạt động trực tuyến, đã được nhiều trường đại học Việt Nam duy trì như một phương thức chính thức kể từ sau đại dịch Covid-19. Giao điểm của hai xu hướng này đặt ra câu hỏi: điều gì khiến giảng viên sẵn sàng đưa GenAI vào các lớp học kết hợp?
Về chính sách, định hướng ứng dụng AI trong giáo dục đã được thể hiện qua Quyết định số 127/QĐ-TTg (2021), Quyết định số 131/QĐ-TTg (2022) và Công văn 2250/BGDĐT-GDPT (2025). Dù vậy, khảo sát thực tế việc dùng GenAI tại các cơ sở đào tạo phần lớn còn mang tính cá nhân, rời rạc và thiếu một chiến lược thống nhất ở cấp trường. Trong khi đó, tài liệu hiện có còn ba khoảng trống. Một là, phần đông nghiên cứu về GenAI trong giáo dục lấy sinh viên làm đối tượng, còn giảng viên, chủ thể thiết kế và vận hành hoạt động dạy học, chưa được khảo sát thực chứng tương xứng. Hai là, vai trò của AI Literacy và AI-TPACK cho kết quả không đồng nhất giữa các bối cảnh văn hóa và thể chế, nên cần được kiểm định lại tại Việt Nam. Ba là, số công trình xem xét GenAI riêng trong môi trường dạy học kết hợp ở bậc đại học còn hạn chế.
Xuất phát từ đó, bài viết hướng tới ba mục tiêu: (1) Xây dựng và kiểm định mô hình giải thích ý định sử dụng GenAI của giảng viên trong dạy học kết hợp, trên nền TAM được mở rộng bằng AI Literacy và AI-TPACK; (2) Lượng hóa tác động trực tiếp cũng như tác động gián tiếp qua chuỗi trung gian nối tiếp; (3) Rút ra hàm ý cho giảng viên, nhà trường, cơ quan quản lý và doanh nghiệp công nghệ. Điểm mới của nghiên cứu nằm ở việc đặt đồng thời AI Literacy và AI-TPACK vào một cấu trúc trung gian nối tiếp và kiểm định chuỗi này bằng bootstrapping. Phần tiếp theo của bài lần lượt trình bày cơ sở lý thuyết, phương pháp nghiên cứu, kết quả và thảo luận, kết luận và kiến nghị.
2. Cơ sở lý thuyết
2.1. Các lý thuyết nền tảng
Mô hình chấp nhận công nghệ (TAM) do Davis (1993) phát triển từ Lý thuyết hành động hợp lý (Fishbein & Ajzen, 1975) cho rằng hai niềm tin là cảm nhận về tính hữu ích (PU) và cảm nhận về tính dễ sử dụng (PEOU) quyết định ý định sử dụng (BI) một công nghệ. PU phản ánh mức độ một người tin rằng công nghệ giúp họ làm việc hiệu quả hơn; PEOU phản ánh mức độ họ cảm thấy việc dùng công nghệ không đòi hỏi nhiều công sức.
Vì TAM ít đề cập đến tác động của môi trường xã hội (Venkatesh & Davis, 2000), Venkatesh & cộng sự (2003) hợp nhất tám mô hình chấp nhận công nghệ thành UTAUT, với khả năng giải thích khoảng 70% phương sai của ý định. Hai khái niệm kỳ vọng hiệu quả và kỳ vọng nỗ lực của UTAUT về bản chất tương ứng với PU và PEOU; bài viết giữ thuật ngữ của TAM để người trả lời dễ nắm nội dung câu hỏi.
TAM và UTAUT chủ yếu mô tả niềm tin của người dùng mà chưa phản ánh năng lực sư phạm. Để bổ khuyết, nghiên cứu sử dụng thêm hai khái niệm. Khung TPACK của Mishra & Koehler (2006) mô tả tri thức giao thoa giữa công nghệ, sư phạm và nội dung môn học; phiên bản AI-TPACK mở rộng khung này cho bối cảnh AI, chỉ khả năng vận dụng tính năng của AI vào việc truyền tải nội dung và lựa chọn chiến lược dạy học. AI Literacy (năng lực AI) được Long & Magerko (2020) định nghĩa là nhóm năng lực cho phép cá nhân đánh giá có phê phán, giao tiếp và làm việc cùng AI; ở bậc đại học, năng lực này bao hàm cả việc thẩm định độ tin cậy, khía cạnh đạo đức và hệ quả xã hội của sản phẩm do GenAI tạo ra (Zawacki-Richter & cộng sự., 2019). Bằng chứng gần đây cho thấy năng lực chuyên biệt và tri thức nền là tiền đề hình thành niềm tin về công nghệ (Jang, 2024; Runge & cộng sự., 2025).
Về bối cảnh, dạy học kết hợp được hiểu là sự phối hợp giữa giảng dạy trực tiếp và giảng dạy qua máy tính, trong đó công nghệ đóng vai trò trung tâm, giúp tiết giảm chi phí và giảm sự phụ thuộc vào nguồn lực (Graham, 2006; Watson, 2008). Đưa AI vào mô hình này có thể tăng mức độ tham gia, cải thiện chất lượng phản hồi và cá nhân hóa việc học, đồng thời vẫn giữ được giá trị của tương tác trực tiếp (Park & Doo, 2024).
2.2. Tổng quan các nghiên cứu liên quan
Ở trong nước, Đặng & Võ (2018) chỉ ra dạy học kết hợp làm tăng tính chủ động, sáng tạo và tương tác của người học, song bị cản trở bởi kỹ năng tin học còn yếu, hạ tầng kỹ thuật chưa ổn định và khối lượng chuẩn bị ban đầu lớn. Khảo sát của Cao (2021) cho thấy cả giảng viên lẫn sinh viên đều đón nhận học kết hợp, nhưng giảng viên kỳ vọng vào hiệu quả nhiều hơn, chịu tác động xã hội rõ hơn và phần lớn vẫn coi hoạt động trực tuyến là phần phụ trợ cho giờ học trên lớp. Riêng về GenAI, Nguyễn & cộng sự. (2025) mở rộng TAM và UTAUT bằng kỹ năng công nghệ và nhu cầu sử dụng, qua đó nhận diện năm nhóm nhân tố chi phối nhận thức của giảng viên. Hoàng & cộng sự. (2025) lại thấy tri thức về AI, chính sách hỗ trợ của nhà trường và nhận thức về lợi ích xã hội không làm tăng trực tiếp ý định sử dụng; chỉ tự hiệu quả, kỹ năng dạy học có tích hợp AI và khả năng soạn kế hoạch bài giảng với AI có ảnh hưởng trực tiếp. Phát hiện này hàm ý năng lực sư phạm tích hợp quan trọng hơn nhận thức chung hay chính sách vĩ mô.
Ở nước ngoài, Machii & cộng sự. (2021) kết luận hiệu quả của AI và phân tích dự báo trong học tập kết hợp phụ thuộc vào kỹ năng sư phạm của giảng viên hơn là vào yếu tố kỹ thuật. Tổng hợp 21 nghiên cứu tình huống giai đoạn 2023–2024, Belkina & cộng sự. (2025) nhận thấy GenAI cải thiện năng lực học tập nhưng đồng thời gây quan ngại về sự lệ thuộc, đạo văn và thông tin sai lệch. Trong nhóm nghiên cứu định lượng theo hướng chấp nhận công nghệ, Ghimire & cộng sự. (2024) cho biết giảng viên Hoa Kỳ ủng hộ GenAI khi lợi ích lớn hơn rủi ro và công cụ dễ đưa vào bài giảng; Velli & Zafiropoulos (2024) xác định PU là động lực mạnh nhất. Al-Abdullatif (2024) đưa AI Literacy và Intelligent TPACK vào mô hình chấp nhận GenAI của giảng viên Ả Rập Xê Út nhưng không tìm thấy ảnh hưởng đủ mạnh của AI Literacy tới PU và PEOU. Runge & cộng sự (2025) ghi nhận AI-TPACK liên hệ thuận chiều với hai biến nhận thức nhưng không ảnh hưởng trực tiếp tới ý định, trong khi Ning & cộng sự (2024) cho thấy, các thành tố tri thức của AI-TPACK gắn bó chặt chẽ với nhau. Như vậy, năng lực công nghệ của giảng viên thường được giả định tác động gián tiếp tới ý định, nhưng cơ chế đó ít khi được mô hình hóa và kiểm định một cách rõ ràng.
2.3. Giả thuyết và mô hình nghiên cứu
Theo TAM, PU và PEOU là hai yếu tố quyết định căn bản của việc chấp nhận công nghệ; ngoài ra, công cụ càng dễ dùng thì người dùng càng dễ nhận ra lợi ích của nó (Davis, 1993). Do đó:
H1: PU ảnh hưởng thuận chiều đến ý định sử dụng GenAI (BI) của giảng viên.
H2: PEOU ảnh hưởng thuận chiều đến BI của giảng viên.
H3: PEOU ảnh hưởng thuận chiều đến PU.
Giảng viên có AI-TPACK cao biết cách gắn tính năng của GenAI với mục tiêu bài học, nên dễ thao tác công cụ và thấy rõ giá trị của nó trong giảng dạy. Runge & cộng sự. (2025) xác nhận AI-TPACK dự báo có ý nghĩa cả PU lẫn PEOU.
H4: AI-TPACK ảnh hưởng thuận chiều đến PEOU.
H5: AI-TPACK ảnh hưởng thuận chiều đến PU.
Năng lực AI giúp giảng viên hiểu cách GenAI vận hành, biết đặt yêu cầu và thẩm định đầu ra, qua đó giảm cảm giác khó khăn, tăng khả năng nhận ra lợi ích và tạo nền cho việc tích hợp AI vào sư phạm.
H6: Năng lực AI (AI-LIT) ảnh hưởng thuận chiều đến PU.
H7: AI-LIT ảnh hưởng thuận chiều đến PEOU.
H8: AI-LIT ảnh hưởng thuận chiều đến AI-TPACK.
Mô hình đề xuất (Hình 1) coi AI-LIT là tiền đề gốc; AI-TPACK, PEOU và PU giữ vai trò trung gian dẫn tới BI.
Hình 1. Mô hình nghiên cứu đề xuất
Nguồn: Nhóm tác giả đề xuất
3. Phương pháp nghiên cứu
Bài viết áp dụng thiết kế hỗn hợp khám phá tuần tự. Ở bước định tính, các cuộc phỏng vấn sâu bán cấu trúc được dùng để hiệu chỉnh câu chữ của thang đo và bổ sung biến quan sát cho phù hợp với bối cảnh Việt Nam.
Ở bước định lượng, bảng hỏi dùng thang Likert với 22 biến quan sát cho 5 khái niệm: AI-TPACK (5 biến), AI-LIT (4 biến), PU (4 biến), PEOU (4 biến) và BI (5 biến). Đối tượng khảo sát là giảng viên đang tham gia dạy học kết hợp tại các trường đại học ở Đà Nẵng. Với tỷ lệ tối thiểu 5 quan sát cho mỗi biến (Hair & cộng sự., 1998), cỡ mẫu cần có là 110; sau khi sàng lọc, 119 phiếu hợp lệ được đưa vào phân tích.
Quy trình phân tích gồm bốn bước. Bước 1, SPSS 26.0 được dùng để kiểm tra sơ bộ độ tin cậy qua Cronbach’s Alpha (yêu cầu α > 0,7) và tương quan biến – tổng (yêu cầu > 0,3). Bước 2, phân tích nhân tố khám phá (EFA) kèm kiểm định KMO và Bartlett được thực hiện riêng cho nhóm biến độc lập, nhóm biến trung gian và biến phụ thuộc, vì AI-TPACK, PEOU và PU vừa là biến nguyên nhân vừa là biến kết quả (Hair & cộng sự., 2010). Bước 3, mô hình đo lường trên SmartPLS 4.0 được đánh giá qua hệ số tải ngoài, độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE), tiêu chí Fornell–Larcker, ma trận tải chéo và chỉ số HTMT. Bước 4, mô hình cấu trúc được kiểm tra đa cộng tuyến (VIF), ý nghĩa của hệ số đường dẫn, tác động gián tiếp bằng bootstrapping và hệ số xác định R².
4. Kết quả nghiên cứu và thảo luận
4.1. Đặc điểm mẫu khảo sát
Trong 119 giảng viên, tỷ lệ nam và nữ gần tương đương (52% và 48%). Nhóm 41-50 tuổi đông nhất (44%), kế đến là nhóm 31-40 tuổi (34%), trên 50 tuổi (14%) và dưới 30 tuổi (8%). Xét thâm niên, 40% có 11-20 năm công tác, 25,6% trên 20 năm, 21,2% từ 5-10 năm và 13,2% dưới 5 năm. Tất cả người trả lời đều đã từng dùng công cụ AI và cho biết đơn vị mình đã triển khai dạy học kết hợp, dù một số ý kiến nhận xét mô hình này chưa được áp dụng rộng rãi trên thực tế.
4.2. Độ tin cậy và giá trị thang đo
Cả 22 biến quan sát đều có tương quan biến, tổng trên 0,3 và năm thang đo đều có Cronbach’s Alpha trên 0,7, nên không có biến nào bị loại. Trong EFA, các biến hội tụ đúng vào nhân tố dự kiến, KMO vượt 0,5 và kiểm định Bartlett có Sig. = 0,000, chứng tỏ dữ liệu thích hợp để phân tích nhân tố. Trên PLS-SEM, mọi khái niệm đều thỏa mãn yêu cầu về độ tin cậy và giá trị hội tụ (Bảng 1).
Bảng 1. Độ tin cậy và giá trị hội tụ của các thang đo
| Biến | Cronbach’s α | CR | AVE |
| AI-LIT | 0,737 | 0,830 | 0,552 |
| AI-TPACK | 0,844 | 0,889 | 0,616 |
| PEOU | 0,824 | 0,884 | 0,655 |
| PU | 0,837 | 0,891 | 0,673 |
| BI | 0,887 | 0,917 | 0,690 |
Giá trị phân biệt đạt yêu cầu theo cả ba tiêu chí: căn bậc hai của AVE cao hơn tương quan giữa các khái niệm (Fornell & Larcker, 1981), mỗi biến tải lên khái niệm của mình mạnh hơn lên khái niệm khác, và toàn bộ chỉ số HTMT dưới 0,9. HTMT lớn nhất thuộc về cặp PEOU – AI-LIT (0,809), phản ánh mối liên hệ chặt giữa hiểu biết về AI và cảm nhận dễ sử dụng, song hai khái niệm vẫn tách biệt. VIF của các biến đều dưới 2,3, do đó không có hiện tượng đa cộng tuyến.
4.3. Kết quả kiểm định giả thuyết
Bảng 2. Kết quả kiểm định giả thuyết
| Giả thuyết | Đường dẫn | β | p-value | Kết luận |
| H1 | PU → BI | 0,316 | 0,000 | Chấp nhận |
| H2 | PEOU → BI | 0,211 | 0,000 | Chấp nhận |
| H3 | PEOU → PU | 0,318 | 0,002 | Chấp nhận |
| H4 | AI-TPACK → PEOU | 0,309 | 0,000 | Chấp nhận |
| H5 | AI-TPACK → PU | 0,283 | 0,000 | Chấp nhận |
| H6 | AI-LIT → PU | 0,166 | 0,016 | Chấp nhận |
| H7 | AI-LIT → PEOU | 0,465 | 0,000 | Chấp nhận |
| H8 | AI-LIT → AI-TPACK | 0,640 | 0,000 | Chấp nhận |
Cả tám giả thuyết đều được ủng hộ với độ tin cậy từ 95% trở lên. Đối chiếu với thang phân loại của Chin (1998), đa số quan hệ ở mức từ trung bình yếu đến trung bình; AI-LIT → AI-TPACK (β = 0,640) là quan hệ mạnh, còn AI-LIT → PEOU (β = 0,465) và PEOU → PU (β = 0,318) ở mức trung bình.
Bootstrapping khẳng định, mọi tác động gián tiếp đều có ý nghĩa thống kê. Tổng tác động gián tiếp tới BI của AI-LIT bằng 0,316 (t = 5,869; p < 0,01), của AI-TPACK bằng 0,186 (t = 4,427; p < 0,01) và của PEOU bằng 0,101 (t = 3,569; p < 0,01). Chuỗi AI-LIT → AI-TPACK → PEOU → PU → BI (β = 0,020; p < 0,05) cùng chuỗi PEOU → PU → BI (β = 0,101; p < 0,01) cho thấy PU và PEOU đóng vai trò truyền dẫn.
4.4. Mức độ giải thích của mô hình
Bảng 3. Hệ số R² của các biến nội sinh
| Biến | R² | R² hiệu chỉnh |
| BI | 0,452 | 0,441 |
| PEOU | 0,495 | 0,491 |
| PU | 0,448 | 0,442 |
| AI-TPACK | 0,409 | 0,407 |
Theo R² hiệu chỉnh, mô hình giải thích 44,1% sự biến thiên của BI; riêng AI-LIT giải thích 40,7% sự biến thiên của AI-TPACK.
4.5. Thảo luận
Thứ nhất, AI Literacy giữ vai trò nền móng. Quan hệ AI-LIT → AI-TPACK mạnh nhất (β = 0,640), phù hợp với lập luận của Al-Abdullatif (2024) rằng tri thức nền về AI giúp giảng viên tự tin hơn khi vận dụng công nghệ vào sư phạm. Trong điều kiện các trường đại học Việt Nam còn thiếu bộ phận hỗ trợ kỹ thuật chuyên sâu, năng lực AI của bản thân giảng viên trở thành điều kiện cần để tích hợp công nghệ vào bài giảng.
Thứ hai, hai loại năng lực đảm nhận chức năng khác nhau. Ảnh hưởng của AI-LIT lên PEOU (β = 0,465) lớn gần gấp ba so với lên PU (β = 0,166), còn AI-TPACK tác động tương đối đồng đều lên PEOU (β = 0,309) và PU (β = 0,283). Nói cách khác, hiểu biết chung về AI chủ yếu khiến công cụ trở nên dễ thao tác, còn giá trị sư phạm của GenAI chỉ được nhận ra khi giảng viên biết lồng ghép nó vào nội dung và phương pháp dạy học: biết dùng giúp giảng viên bớt e ngại, biết dạy bằng công cụ mới khiến họ thấy công cụ đáng dùng.
Thứ ba, năng lực chỉ chuyển thành ý định qua trung gian nhận thức. AI-LIT và AI-TPACK không ảnh hưởng thẳng tới BI mà thông qua PEOU và PU, tương tự kết quả của Runge & cộng sự. (2025). Năng lực vì vậy chỉ trở thành ý định khi giảng viên đánh giá tích cực về giá trị và sự tiện lợi của công nghệ. Xét tổng tác động gián tiếp, AI-LIT dẫn đầu (0,316), sau đó là AI-TPACK (0,186) và PEOU (0,101). Dù ở xa BI nhất trên sơ đồ, AI-LIT lại là điểm can thiệp hiệu quả nhất vì vừa tác động qua AI-TPACK, vừa tác động thẳng lên cả PU và PEOU.
Thứ tư, tính hữu ích quan trọng hơn tính dễ sử dụng. Hệ số của PU lên BI (β = 0,316) cao hơn của PEOU (β = 0,211), nhất quán với Velli & Zafiropoulos (2024). Với trình độ chuyên môn và động lực nghề nghiệp cao, giảng viên trước hết quan tâm liệu GenAI có thật sự nâng chất lượng giảng dạy hay không. Tuy nhiên, do PEOU còn tác động gián tiếp lên BI qua PU, tổng ảnh hưởng của PEOU lớn hơn hệ số trực tiếp của nó.
5. Kết luận và kiến nghị
5.1. Kết luận
Từ dữ liệu của 119 giảng viên đại học tại Đà Nẵng, nghiên cứu khẳng định PU và PEOU thúc đẩy trực tiếp ý định sử dụng GenAI trong dạy học kết hợp, với PU có sức ảnh hưởng lớn hơn. AI Literacy và AI-TPACK không tác động thẳng tới ý định nhưng là nền tảng, bởi chúng định hình nhận thức của giảng viên về giá trị và sự tiện lợi của công nghệ; cả tám giả thuyết đều được dữ liệu ủng hộ. Về mặt lý thuyết, việc đưa đồng thời AI Literacy và AI-TPACK vào cấu trúc trung gian nối tiếp và kiểm định bằng bootstrapping đã mở rộng TAM cho bối cảnh GenAI, đồng thời cung cấp bằng chứng rằng năng lực sư phạm – công nghệ là mắt xích biến tri thức nền về AI thành ý định sử dụng.
5.2. Kiến nghị
Đối với giảng viên. Giảng viên cần chuyển từ “biết sử dụng” sang “biết vận dụng” GenAI. Vì AI Literacy là điểm can thiệp hiệu quả nhất, giảng viên nên ưu tiên củng cố hiểu biết nền về AI, rồi từng bước gắn GenAI với thiết kế bài giảng, phát triển học liệu, tổ chức hoạt động và đánh giá người học. Song song, giảng viên cần kiểm chứng thông tin, bảo mật dữ liệu, giữ chuẩn mực liêm chính học thuật và xác định GenAI chỉ là công cụ trợ giúp, không thay thế vai trò chuyên môn của người dạy.
Đối với cơ sở giáo dục đại học. Do AI Literacy phát huy tác dụng chủ yếu qua AI-TPACK, các lớp tập huấn chỉ giới thiệu từng công cụ rời rạc khó tạo ra ý định sử dụng bền vững. Nhà trường nên tổ chức bồi dưỡng theo hai tầng nối tiếp: tầng nền tảng nâng AI Literacy cho toàn thể giảng viên và tầng chuyên sâu phát triển AI-TPACK theo từng ngành. Vì PU là nhân tố quyết định, hiệu quả bồi dưỡng nên được đánh giá bằng mức độ giảng viên cảm nhận công việc được cải thiện thay vì số giờ tập huấn.
Đối với cơ quan quản lý. Cần sớm hoàn thiện hướng dẫn sử dụng GenAI trong giảng dạy, chuẩn hóa yêu cầu về năng lực số của giảng viên và hỗ trợ các trường hình thành bộ phận hỗ trợ kỹ thuật.
Đối với doanh nghiệp công nghệ. Các doanh nghiệp nên phát triển công cụ GenAI chuyên cho giáo dục, dễ thao tác, có giá trị sư phạm rõ ràng và tương thích với quy trình dạy học hiện hành.
Tài liệu tham khảo:
Al-Abdullatif, A. M. (2024). Modeling teachers’ acceptance of generative artificial intelligence use in higher education: The role of AI literacy, intelligent TPACK and perceived trust. Education Sciences, 14(11), 1209.
Belkina, M., Daniel, S., Nikolic, S., Haque, R., Lyden, S., Neal, P., Grundy, S., & Hassan, G. M. (2025). Implementing generative AI (GenAI) in higher education: A systematic review of case studies. Computers and Education: Artificial Intelligence, 8, 100407.
Bộ Giáo dục và Đào tạo (2025). Công văn 2250/BGDĐT-GDPT ngày 12/5/2025 về việc triển khai tài liệu Hướng dẫn sử dụng ứng dụng trí tuệ nhân tạo trong dạy và học.
Cao, T. X. L (2021). Nhận thức của giảng viên và sinh viên về hình thức đào tạo kết hợp giữa trực tuyến và trực tiếp và thực tế áp dụng tại Trường Đại học Ngoại ngữ, Đại học Huế (Đề tài KHCN cấp Đại học Huế, mã số DHH-2021-07-80).
Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295–336). Lawrence Erlbaum Associates.
Davis, F. D. (1993). User acceptance of information technology: System characteristics, user perceptions and behavioral impacts. International Journal of Man-Machine Studies, 38(3), 475–487.
Đặng, T. T., & Võ, H. Q. Đ. (2018). Mô hình Blended Learning thích hợp như thế nào trong giáo dục đại học khối kinh tế? Tạp chí Khoa học Trường Đại học Sư phạm TP. Hồ Chí Minh, 15(10), 90–99.
Fishbein, M., & Ajzen, I. (1975). Belief, attitude, intention, and behavior: An introduction to theory and research. Addison-Wesley.
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.
Ghimire, A., Prather, J., & Edwards, J. (2024). Generative AI in education: A study of educators’ awareness, sentiments, and influencing factors (arXiv:2403.15586). arXiv.
Graham, C. R. (2006). Blended learning systems: Definition, current trends, and future directions. In C. J. Bonk & C. R. Graham (Eds.), The handbook of blended learning: Global perspectives, local designs (pp. 3–21). Pfeiffer.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate data analysis (5th ed.). Prentice Hall.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Pearson Prentice Hall.
Jang, M. (2024). AI literacy and intention to use text-based GenAI for learning: The case of business students in Korea. Informatics, 11(3), 54.
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM.
Machii, J., Murumba, J., & Micheni, E. (2021). Predictive analytics and artificial intelligence in blended learning: A new dawn for institutions of higher learning.
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
Nguyễn, N. T., Nguyễn, K. P., & Nguyễn, T. B. N. (2025). Các yếu tố ảnh hưởng đến nhận thức của giảng viên về ứng dụng trí tuệ nhân tạo tạo sinh trong giảng dạy.
Ning, Y., Zhang, C., Xu, B., Zhou, Y., & Wijaya, T. T. (2024). Teachers’ AI-TPACK: Exploring the relationship between knowledge elements. Sustainability, 16(3), 978.
Park, Y., & Doo, M. Y. (2024). Role of AI in blended learning: A systematic literature review. International Review of Research in Open and Distributed Learning, 25(1), 164–196.
Runge, I., Hebibi, F., & Lazarides, R. (2025). Acceptance of pre-service teachers towards artificial intelligence (AI): The role of AI-related teacher training courses and AI-TPACK within the technology acceptance model. Education Sciences, 15(2), 167.
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 trí tuệ nhân tạo 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.
Velli, K., & Zafiropoulos, K. (2024). Factors that affect the acceptance of educational AI tools by Greek teachers: A structural equation modelling study. European Journal of Investigation in Health, Psychology and Education, 14(9), 2560–2579.
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478.
Watson, J. (2008). Blending learning: The convergence of online and face-to-face education. North American Council for Online Learning.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39.
