TỔNG QUAN
Lý do hình thành đề tài
Trí tuệ nhân tạo (AI) được coi là một trong những công nghệ đột phá nhất của thời đại hiện nay, với tác động sâu rộng đến mọi khía cạnh trong cuộc sống, thậm chí có thể vượt qua sự phát triển của Internet (Manheim và Kaplan, 2019) AI được định nghĩa là sự kết hợp giữa khoa học máy tính và ngôn ngữ học, nhằm phát triển các cỗ máy có khả năng thực hiện các nhiệm vụ thường cần đến trí thông minh của con người (Sarker, 2022).
ChatGPT, một mô hình ngôn ngữ lớn dựa trên AI, đã ra mắt vào cuối tháng 11 năm 2022 Chỉ trong một tuần sau khi ra mắt, một triệu người tiêu dùng đã đăng ký sử dụng nền tảng này (Haque và cộng sự, 2022) Chỉ sau chưa đầy nửa năm, trang web chat.openai.com đã đạt hàng tỉ lượt truy cập, với gần 2 tỷ lượt truy cập trong ba tháng gần đây (02/2023 - 04/2023) Đặc biệt, vào tháng 3/2023, 87,89% lượt truy cập đến từ máy tính để bàn, trong khi mạng xã hội đóng góp 4,61% lưu lượng truy cập (Similarweb, 2023).
Kể từ khi ChatGPT ra mắt, các nhà giáo dục đã bày tỏ lo ngại về việc tích hợp công nghệ này vào môi trường học tập Nhiều nghiên cứu gần đây đã được thực hiện để khám phá vấn đề này (ví dụ: Kasneci và cộng sự, 2023; Atlas, 2023; Firaina và Sulisworo, 2023) ChatGPT có tiềm năng cách mạng hóa các hoạt động giáo dục, như tìm kiếm thông tin, trả lời câu hỏi cụ thể, và tham gia vào các cuộc trò chuyện và thảo luận.
Năm 2023, việc sử dụng ChatGPT trong giáo dục, nghiên cứu và chăm sóc sức khỏe vẫn còn nhiều quan điểm trái chiều, với nhiều lo ngại về khả năng chấp nhận và cách sử dụng tối ưu (Hosseini và cộng sự, 2023) Những lo ngại này bao gồm vấn đề thiên vị, quyền riêng tư, mất việc làm và đạo văn, xuất phát từ bản chất AI của ChatGPT (Halaweh, 2023) Tác giả đề xuất nghiên cứu từ góc độ nhận thức rủi ro của sinh viên đối với việc chấp nhận và sử dụng ChatGPT, dựa trên mô hình chấp nhận công nghệ (TAM) và lý thuyết nhận thức rủi ro (PRT) để phân tích các yếu tố tác động đến nhận thức rủi ro này Mặc dù đã có nhiều nghiên cứu về chatbot và trí tuệ nhân tạo, nhưng số lượng nghiên cứu tóm tắt hiệu quả của chatbot trong giáo dục vẫn còn hạn chế (Deng và Yu, 2023).
ChatGPT là một chatbot mới phát triển mạnh ở các nước phát triển, nhưng tại Việt Nam, sinh viên vẫn gặp khó khăn trong việc truy cập và đăng ký tài khoản Điều này dẫn đến việc họ chưa nhận thức đầy đủ về các rủi ro tiềm ẩn khi sử dụng công nghệ này Mặc dù ChatGPT đang thu hút sự quan tâm nghiên cứu trên toàn cầu, nhưng ở Việt Nam vẫn thiếu các nghiên cứu chuyên sâu về chủ đề này Nghiên cứu này nhằm nâng cao ý thức của sinh viên về việc khai thác và sử dụng ChatGPT một cách hiệu quả, từ đó cải thiện chất lượng học tập Tác giả đã chọn đề tài “Nhận thức rủi ro trong việc chấp nhận và sử dụng ChatGPT: một nghiên cứu đối với sinh viên”.
Mục tiêu nghiên cứu
Nghiên cứu này nhằm mục đích phân tích vai trò của nhận thức rủi ro trong việc chấp nhận và sử dụng chatGPT Bài viết chỉ ra các yếu tố ảnh hưởng đến sự chấp nhận và sử dụng công nghệ này, đồng thời đề xuất một số giải pháp liên quan đến các yếu tố rủi ro đã được xác định.
- Xem xét những nhân tố ảnh hưởng đến sự chấp nhận và sử dụng chatGPT.
- Đề xuất và kiểm định mô hình cấu trúc liên quan đến vai trò của nhận thức rui ro trong việc chấp nhận và sử dụng chatGPT.
- Kiến nghị giải pháp nhằm nâng cao việc chấp nhận và sử dụng chatGPT cũng như các công nghệ mới nói chung.
Câu hỏi nghiên cứu
- Những nhân tố nào ảnh hưởng đến sự chấp nhận và sử dụng chatGPT?
Mô hình cấu trúc đề xuất vai trò của nhận thức rủi ro trong việc chấp nhận và sử dụng chatGPT đã được kiểm định Nghiên cứu này nhấn mạnh tầm quan trọng của việc hiểu rõ rủi ro để người dùng có thể yên tâm hơn khi áp dụng công nghệ mới Kết quả cho thấy nhận thức về rủi ro ảnh hưởng trực tiếp đến quyết định sử dụng chatGPT, từ đó góp phần vào việc phát triển các chiến lược nhằm nâng cao sự chấp nhận của người dùng đối với công nghệ này.
- Những giải pháp nào được đề xuất nhằm nâng cao việc chấp nhận và sử dụng chatGPT cũng như các công nghệ mới nói chung?
Đối tượng và phạm vi nghiên cứu
Các yếu tố rủi ro trong nhận thức rủi ro của sinh viên đối với sự chấp nhận và sử dụng chatGPT.
Sinh viên của các trường đại học trên địa bàn Thành phố Hồ Chí Minh.
Nghiên cứu được tiến hành trong phạm vi Tp.Hồ Chí Minh.
Ý nghĩa nghiên cứu
Nghiên cứu này cung cấp tri thức quan trọng nhằm bổ sung vào các cơ sở lý thuyết liên quan đến chatGPT, mô hình chấp nhận công nghệ (TAM) và lý thuyết nhận thức rủi ro (PRT), từ đó giúp hiểu rõ hơn về việc chấp nhận và sử dụng chatGPT.
Nghiên cứu giúp nhà trường hiểu rõ mức độ quan tâm của sinh viên đối với công nghệ mới, từ đó điều chỉnh chương trình giảng dạy cho phù hợp với nhu cầu của sinh viên Điều này cũng giúp sinh viên đưa ra quyết định thông minh và sử dụng chatGPT hiệu quả, phát huy tối đa khả năng của mình.
CƠ SỞ LÝ THUYẾT
ChatGPT
ChatGPT (Chat Generative Pre-training Transformer) là mô hình ngôn ngữ lớn đàm thoại (LLM) do OpenAI phát triển, được ra mắt phiên bản beta miễn phí vào ngày 30 tháng 11 năm 2022 để thu thập phản hồi từ người dùng Với 175 tỷ tham số, ChatGPT sử dụng mô hình ngôn ngữ GPT-3 để diễn giải và phản hồi đầu vào ngôn ngữ tự nhiên Khác với các LLM trước đây, ChatGPT là một chatbot AI tối ưu hóa cho đối thoại, nổi bật trong việc tương tác giống như con người Mặc dù không thu thập thông tin từ web để cập nhật dữ liệu, ChatGPT rất giỏi trong việc bắt chước tương tác của con người và xuất sắc trong việc lọc thông tin không cần thiết để đáp ứng yêu cầu của người dùng.
Hoạt động của ChatGPT diễn ra qua nhiều bước: người dùng nhập câu hỏi vào hệ thống, mô hình xử lý câu hỏi bằng cách sử dụng kiến thức về ngôn ngữ và mối quan hệ để tạo ra phản hồi Câu trả lời sau đó được gửi lại cho người dùng, cho phép họ tiếp tục cuộc trò chuyện hoặc đặt câu hỏi mới Phương pháp này được đào tạo thông qua học tăng cường từ phản hồi của con người.
2.1.2 Ưu điểm và nhược điểm của chatGPT
ChatGPT sở hữu khả năng tạo ngôn ngữ tự nhiên vượt trội, cho phép nó đưa ra những phản hồi mạch lạc và tự nhiên hơn so với các mô hình xử lý ngôn ngữ trước đây.
Khả năng tùy chỉnh và mở rộng của ChatGPT cho phép nó tạo phản hồi nhanh chóng và xử lý đồng thời nhiều cuộc hội thoại, từ đó nâng cao hiệu quả và giảm thiểu sự can thiệp của con người (Else, 2023) Ngoài ra, ChatGPT có thể được tinh chỉnh để thực hiện các tác vụ cụ thể như dịch vụ khách hàng hoặc dịch ngôn ngữ thông qua việc điều chỉnh dữ liệu đào tạo và phát triển thuật toán phù hợp (Else, 2023).
ChatGPT giúp giáo viên tạo ra các đánh giá học tập linh hoạt, cung cấp phản hồi và báo cáo theo thời gian thực, góp phần nâng cao hiệu quả giảng dạy (Sok và Heng, 2023).
Năm 2023, nghiên cứu cho thấy giáo viên có thể sử dụng ChatGPT để tạo các mục đánh giá học tập, giúp tiết kiệm thời gian và công sức Nhờ vào khả năng của ChatGPT, giáo viên còn có thể phát triển các gợi ý câu hỏi mở phù hợp với mục tiêu học tập và tiêu chí thành công của bài giảng (Baidoo-Anu và Ansah, 2023).
ChatGPT có khả năng cung cấp hệ thống chấm điểm tự động, giúp đánh giá bài tập của học sinh một cách bán tự động Hệ thống này không chỉ xác định được điểm mạnh và điểm yếu của nhiệm vụ mà còn cho phép thực hiện đánh giá chính xác hơn về những khó khăn trong học tập Đồng thời, giáo viên cũng có thể nhận diện rõ ràng các lĩnh vực mà học sinh gặp khó khăn, từ đó hỗ trợ sự phát triển của cả học sinh lẫn giáo viên (Kasneci và cộng sự, 2023).
Một số nhà nghiên cứu đã bắt đầu sử dụng ChatGPT để viết bài nghiên cứu và cho rằng công cụ này thể hiện khả năng mạnh mẽ trong việc tổ chức và soạn thảo các thành phần của bài báo Điều này cho thấy ChatGPT có tiềm năng lớn trong việc hỗ trợ các nhà nghiên cứu phát triển ý tưởng cho các bài báo nghiên cứu.
Việc sử dụng ChatGPT có thể gây ra các vấn đề về liêm chính học thuật, vì khả năng tạo ra nội dung dựa trên yêu cầu của người dùng có thể dẫn đến đạo văn khi không trích dẫn nguồn một cách chính xác (Sok và Heng, 2023) Điều này có thể tạo ra những phản hồi hoặc bài báo cáo thiếu tính trung thực, ảnh hưởng tiêu cực đến thành công lâu dài của người học (Thurzo và cộng sự, 2023) Việc không trích dẫn đúng các nguồn do chatbot cung cấp có thể dẫn đến hành vi không trung thực trong học tập (Sok và Heng, 2023).
Đánh giá học tập không công bằng đang trở thành một vấn đề đáng lo ngại khi kết quả đầu ra từ ChatGPT và con người có thể khó phân biệt (Cotton và cộng sự, 2023; Else, 2023; Shiri, 2023) Mhlanga (2023) chỉ ra rằng khả năng tạo ra các báo cáo nhanh chóng của ChatGPT có thể khiến sinh viên sử dụng ứng dụng này đạt điểm cao hơn so với những người khác (Sok và Heng, 2023) Hệ quả là điều này có thể ảnh hưởng tiêu cực đến các cơ sở giáo dục và tâm lý của sinh viên.
Nhiều nghiên cứu đã chỉ ra rằng thông tin do ChatGPT cung cấp có thể không chính xác, chứa đựng những nguồn thông tin sai lệch hoặc chưa được cập nhật theo thời gian thực (Qadir, 2022; Baidoo-Anu và Ansah, 2023; Gordijn và Have, 2023).
Việc sản xuất các bài báo giả mạo và cung cấp thông tin sai lệch có thể gây hại cho cả sinh viên và giáo viên, đặc biệt khi họ dựa vào những thông tin này cho quá trình giảng dạy và học tập (Baidoo-Anu và Ansah, 2023; Sok và Heng, 2023).
Việc quá phụ thuộc vào AI, đặc biệt là ChatGPT, đang khiến sinh viên dễ dàng tạo ra công việc mà không cần vận dụng tư duy phân tích và kỹ năng ra quyết định (Sok và Heng, 2023) Sự tiện lợi này có thể gây hại cho sự phát triển các kỹ năng thiết yếu của học sinh, như tư duy phản biện, giải quyết vấn đề và khả năng nghiên cứu (Kasneci và cộng sự, 2023; Mhlanga, 2023; Shiri, 2023).
Cơ sở lý thuyết và mô hình nghiên cứu
2.2.1 Tổng quan cơ sở lý thuyết
2.2.1.1 Lý thuyết hành động hợp lý
Lý thuyết hành động hợp lý (TRA) được coi là nền tảng cho nhiều lý thuyết khác, nhờ vào việc cung cấp những khái niệm sâu sắc về hành vi (Fishbein và Ajzen, 1975; 1980) TRA không chỉ là cơ sở lý thuyết cho các mô hình như UTAUT, TAM2 và TAM (Alshammari và Rosli, 2020), mà còn dựa trên giả thiết rằng con người thường xem xét ý định hành động trước khi đưa ra quyết định (Ajzen và Fishbein, 1980) Đây là điểm khởi đầu quan trọng cho các mô hình chấp nhận công nghệ (Davis và cộng sự, 1989) Mô hình TRA được thể hiện chi tiết trong Hình 2.1.
Mô hình TRA (Theory of Reasoned Action) khẳng định rằng hành vi cụ thể của một cá nhân được xác định bởi ý định thực hiện hành vi đó (Davis và cộng sự, 1989) Tuy nhiên, TRA không áp dụng cho những hành vi yêu cầu kỹ năng đặc biệt, cơ hội hoặc nguồn lực độc nhất, cũng như sự hợp tác của người khác (Liska, 1984).
Theo Hình 2.1, Mô hình TRA bao gồm ba yếu tố chính: ý định hành vi, thái độ và chuẩn chủ quan Ý định hành vi được coi là tiền đề cho hành vi, thể hiện dự định thực hiện hành vi trong tương lai (Fishbein và Ajzen, 1975; Ajzen và Fishbein, 1980; Tarhini và cộng sự, 2015) Thái độ phản ánh sự đánh giá tích cực hoặc tiêu cực của cá nhân về hành vi, dựa trên kinh nghiệm trước đó và ảnh hưởng đến ý định hành vi (Fishbein và Ajzen, 1975) Cuối cùng, chuẩn chủ quan đề cập đến tác động của các mối quan hệ xung quanh đối với quyết định thực hiện hành vi của cá nhân.
Chuẩn chủ quan nhấn mạnh tầm quan trọng của các mối quan hệ xã hội trong việc hình thành suy nghĩ của cá nhân, điều này sẽ sớm được áp dụng trong thực tiễn (Tarhini và cộng sự, 2015).
Hình 2.1: Lý thuyết hành động hợp lý - TRA
2.2.1.2 Mô hình chấp nhận công nghệ
Mô hình chấp nhận công nghệ (Technology Acceptance Model – TAM) được phát triển bởi Davis và cộng sự vào năm 1989, dựa trên lý thuyết hành động hợp lý (TRA) của Fishbein và Ajzen TAM được điều chỉnh từ TRA để dự đoán và giải thích hành vi sử dụng công nghệ, nhằm xác định các yếu tố ảnh hưởng đến việc người dùng chấp nhận hoặc từ chối công nghệ Mô hình này tích hợp các khía cạnh công nghệ với các khái niệm hành vi trong tổ chức, tạo nền tảng cho việc nghiên cứu sự chấp nhận công nghệ.
Mô hình TAM (Technology Acceptance Model) bao gồm hai yếu tố niềm tin chính: nhận thức hữu dụng và nhận thức dễ sử dụng, ảnh hưởng đến ý định sử dụng công nghệ, đặc biệt trong lĩnh vực CNTT (Davis và cộng sự, 1989) Ý định sử dụng được coi là yếu tố quyết định trực tiếp việc sử dụng công nghệ Theo nghiên cứu của Davis và cộng sự, nhận thức về tính dễ dàng sử dụng và tính hữu ích sẽ tác động đến sự chấp nhận công nghệ của khách hàng Năm cấu trúc của TAM bao gồm: tính dễ sử dụng được cảm nhận, tính hữu ích được cảm nhận, thái độ đối với việc sử dụng, ý định hành vi và việc sử dụng thực tế Những yếu tố này đóng vai trò quyết định trong việc người dùng chấp nhận ứng dụng và công nghệ, với mối quan hệ giữa chúng được thể hiện chi tiết trong Hình 2.2.
Hình 2.2: Mô hình chấp nhận công nghệ - TAM
Theo nghiên cứu của Davis và cộng sự (1989), PEU (Perceived Ease of Use) đề cập đến mức độ mà cá nhân cảm thấy việc sử dụng công nghệ yêu cầu ít nỗ lực PU (Perceived Usefulness) là mức độ mà người dùng tin rằng công nghệ sẽ nâng cao hiệu suất công việc của họ ATT (Attitude toward using) phản ánh quan điểm tích cực hoặc tiêu cực của cá nhân về việc áp dụng hệ thống BI (Behavioral Intention to Use) là mức độ mà người dùng đã hình thành ý định tiếp tục hoặc không tiếp tục sử dụng công nghệ Cuối cùng, AU (Actual Use) đo lường tần suất và mức độ sử dụng thực tế của công nghệ đó (Alshammari và Rosli, 2020).
2.2.1.3 Lý thuyết nhận thức rủi ro
Lý thuyết nhận thức rủi ro (Perceived Risk Theory – PRT) được hiểu là sự kết hợp giữa sự không chắc chắn và mức độ nghiêm trọng của hậu quả (Bauer, 1960) Theo Mitchell (1999), rủi ro là "kỳ vọng mất đi được xác định một cách chủ quan" Rủi ro bao gồm hai khía cạnh chính: sự không chắc chắn và hậu quả (Cunningham, 1967) Bauer cũng chỉ ra rằng hành vi của người tiêu dùng liên quan đến việc chấp nhận rủi ro, được phân chia thành hai yếu tố: nhận thức rủi ro về sản phẩm/dịch vụ và nhận thức rủi ro trong môi trường giao dịch trực tuyến (Lee, 2001) Trong bối cảnh này, nhận thức rủi ro về sản phẩm/dịch vụ được định nghĩa là "sự không chắc chắn và cảm giác lo lắng của người tiêu dùng đối với những sản phẩm/dịch vụ trực tuyến, do không thể tiếp xúc trực tiếp, dẫn đến lo ngại rằng sản phẩm/dịch vụ nhận được sẽ không đáp ứng mong đợi" (Lee, 2001).
PR được coi là yếu tố quan trọng, ảnh hưởng đến tính hữu ích và cấu trúc của các yếu tố khác (Im và cộng sự, 2008) Nhận thức về rủi ro và sự không chắc chắn có thể tác động đến niềm tin của người dùng trong quyết định của họ Khi công nghệ không đạt được kết quả như mong đợi, người dùng có thể phải đối mặt với những tổn thất về tài chính, tâm lý, thể chất hoặc xã hội (Im và cộng sự, 2008).
2.2.2 Các nghiên cứu liên quan
Sau khi phân tích các cơ sở lý thuyết liên quan đến đề tài nghiên cứu, tác giả đã thu thập và chọn lọc năm bài nghiên cứu quốc tế về chatGPT trong nhiều ngữ cảnh khác nhau Nghiên cứu của Mohd Rahim và cộng sự (2022) tập trung vào mô hình chatbot AI trong giáo dục đại học, trong khi Sallam và cộng sự (2023) khảo sát thái độ của sinh viên y tế đối với chatGPT Chan và Hu (2023) nghiên cứu quan điểm của sinh viên về lợi ích và thách thức của AI trong giáo dục, còn Bonsu và Baffour-Koduah (2023) áp dụng TAM và PRT để phân tích rủi ro và sự chấp nhận chatGPT Cuối cùng, nghiên cứu của Kopplin (2023) khám phá việc chấp nhận chatbot trong lĩnh vực kinh doanh, tạo sự khác biệt với các lĩnh vực trước đó.
Các nghiên cứu liên quan đến chatGPT và các công nghệ khác đóng vai trò quan trọng trong việc giúp tác giả hiểu rõ hơn về sự chấp nhận công nghệ Điều này không chỉ giúp sinh viên dễ dàng hơn trong việc sử dụng chatGPT mà còn giúp nhận diện các rủi ro có thể phát sinh từ việc chấp nhận và sử dụng công nghệ này.
Bảng 2.1: Các nghiên cứu liên quan
STT Tên tác giả Chủ đề Lý thuyết áp dụng Lĩnh vực nghiên cứu
Mohd Rahim và cộng sự
Mô hình áp dụng Chatbots dựa trên
AI cho các tổ chức giáo dục đại học: Phương pháp tiếp cận mô hình hóa mạng nơ-ron PLS-SEM-kết hợp
Nghiên cứu của Sallam và cộng sự (2023) đã xác thực thang đo dựa trên mô hình chấp nhận công nghệ TAME-ChatGPT, nhằm đánh giá thái độ và cách sử dụng ChatGPT của sinh viên y tế tại Jordan Kết quả cho thấy sinh viên có những nhận thức tích cực về công nghệ này, ảnh hưởng đến cách họ áp dụng ChatGPT trong học tập và nghiên cứu Nghiên cứu cung cấp cái nhìn sâu sắc về sự chấp nhận công nghệ trong lĩnh vực y tế, đồng thời mở ra hướng đi mới cho việc tích hợp công nghệ vào giáo dục y khoa.
TAM Giáo dục và y tế
(2023) Tiếng nói của sinh viên về AI sáng tạo: Nhận thức, lợi ích và thách thức trong giáo dục đại học
TAM và PRT Giáo dục
Từ phía người tiêu dùng: Xác định nhận thức và ý định sử dụng ChatGPT của sinh viên trong giáo dục đại học ở Ghana
TAM và PRT Giáo dục
Dawa và cộng sự (2023) Kiến thức về công nghệ và trò chuyện GPT: Quan điểm về việc áp dụng công nghệ mới nổi trong viết học thuật
(2023) Chatbots tại nơi làm việc: Một nghiên cứu về sự chấp nhận công nghệ áp dụng cách sử dụng và sự hài lòng trong không gian làm việc chung
TAM và PRT Kinh doanh
7 Cocosila và cộng sự (2009) Điều tra sớm về việc chấp nhận công nghệ thông tin mới: Mô hình động lực - rủi ro được nhận thức.
TAM và PRT Nghiên cứu
Nguồn: Tác giả tổng hợp
Mô hình nghiên cứu đề xuất
Bài viết này dựa trên các cơ sở lý thuyết quan trọng, bao gồm mô hình chấp nhận công nghệ (TAM) của Davis và cộng sự (1989), thuyết nhận thức rủi ro (PRT) của Bauer (1960), cùng với các nghiên cứu liên quan từ Iqbal và cộng sự (2022), Sallam và cộng sự (2023), Shahsavar và Choudhury (2023), Bonsu và Baffour-Koduah (2023), cũng như Sok và Heng Những lý thuyết này cung cấp nền tảng vững chắc cho việc hiểu và phân tích hành vi chấp nhận công nghệ trong bối cảnh hiện đại.
Năm 2023, Choudhury và Shamszare cùng với Dwivedi và cộng sự đã lựa chọn các yếu tố phù hợp với mục tiêu nghiên cứu Họ đã đề xuất các giả thuyết nhằm kiểm định mô hình, trong đó các yếu tố được lựa chọn và mối quan hệ giữa chúng được thể hiện rõ ràng trong Hình 2.3.
Hình 2.3: Mô hình nghiên cứu đề xuất
Nhận thức rủi ro (Perceived Risk - PR) là cảm giác không chắc chắn về hậu quả tiêu cực khi sử dụng sản phẩm hoặc dịch vụ (Featherman và Pavlou, 2003), đồng thời là đánh giá chủ quan về tổn thất có thể xảy ra khi thực hiện một hành động (Biswas và cộng sự, 2021) Nhận thức rủi ro có ảnh hưởng lớn đến quyết định của người dùng (Ashfaq và cộng sự, 2020), và việc nhận thức các loại rủi ro khác nhau từ việc sử dụng công nghệ mới sẽ quyết định sự chấp nhận và việc tiếp tục sử dụng công nghệ đó của người dùng.
Nhận thức về rủi ro liên quan đến công nghệ và trí tuệ nhân tạo ngày càng gia tăng khi các công nghệ mới xuất hiện và trở nên ít quen thuộc hơn (Kleijnen và cộng sự, 2009; Hengstler và cộng sự).
Mọi người thường chấp nhận mức độ rủi ro thấp hơn đối với các công nghệ không quen thuộc, đặc biệt là những công nghệ gây ra cảm giác sợ hãi hoặc được xem là kém hiểu biết Khi một công nghệ mới bị coi là rủi ro cao và người dùng không có nhiều thông tin cũng như không tin tưởng vào nhà sản xuất, khả năng áp dụng công nghệ đó sẽ giảm Nghiên cứu này đề xuất bốn yếu tố rủi ro, bao gồm rủi ro bảo mật, rủi ro về quyền riêng tư, rủi ro tâm lý, rủi ro thông tin và rủi ro đạo đức, là những yếu tố quan trọng ảnh hưởng đến nhận thức rủi ro trong việc chấp nhận và sử dụng chatGPT của sinh viên.
Rủi ro thông tin (INR) liên quan đến khả năng một cá nhân hoạt động trong môi trường thông tin không chính xác (Lu và cộng sự, 2005) ChatGPT cho thấy khả năng viết văn bản chuyên ngành ấn tượng, cho phép các nhà khoa học tập trung vào nghiên cứu thay vì viết bản thảo (Van Dis và cộng sự, 2023) Tuy nhiên, AI đàm thoại chỉ là mô hình ngôn ngữ không có khả năng hiểu nội dung, dẫn đến việc các bản viết tay có thể gây hiểu lầm và dựa trên nguồn không đáng tin cậy (Van Dis và cộng sự, 2023) Khả năng tạo ra văn bản chất lượng cao của ChatGPT có thể đánh lừa người đọc và dẫn đến thông tin sai lệch StackOverflow (2022) đã cấm sử dụng văn bản do ChatGPT tạo ra do tỷ lệ câu trả lời đúng quá thấp, gây hại cho người dùng tìm kiếm thông tin chính xác.
ChatGPT không đáng tin cậy trong việc viết các bài báo nghiên cứu Nghiên cứu của Blanco-Gonzalez và cộng sự (2022) cho thấy ChatGPT không phải là công cụ hữu ích cho các tác giả viết bài đánh giá mà không có sự can thiệp mạnh mẽ từ con người Công cụ này thiếu kiến thức và chuyên môn cần thiết để truyền tải chính xác các khái niệm và thông tin khoa học phức tạp.
Chatbot, đặc biệt là ChatGPT, đang gây lo ngại khi tạo ra các tài liệu tham khảo có vẻ thuyết phục nhưng không chính xác Theo các nghiên cứu gần đây, các nhà phát triển của ChatGPT đã thừa nhận rằng việc chatbot đôi khi cung cấp câu trả lời nghe hợp lý nhưng thực chất lại sai lệch hoặc vô nghĩa là một thách thức khó khắc phục.
2.3.3 Rủi ro quyền riêng tư
Rủi ro quyền riêng tư (Privacy Risk - PRR) phản ánh sự thất vọng của người dùng khi quyền riêng tư bị xâm phạm, dẫn đến việc mất kiểm soát thông tin cá nhân như họ tên, địa chỉ, email và số điện thoại (Manzano và cộng sự, 2008; Lee, 2009) Dù ChatGPT đã áp dụng các biện pháp an toàn nhằm ngăn chặn việc rò rỉ dữ liệu cá nhân và thông tin nhạy cảm (Carlini, 2021; Brundage, 2023), nhưng vẫn tồn tại nguy cơ vô tình tiết lộ số điện thoại và địa chỉ email (Derner và Batistic, 2023) Ngoài ra, các cuộc tấn công suy luận thành viên có thể cho phép kẻ tấn công khôi phục dữ liệu đào tạo, từ đó làm lộ thông tin nhạy cảm (Derner và Batistic, 2023).
ChatGPT có khả năng tạo ra nội dung suy đoán hoặc gây hại liên quan đến đời sống riêng tư của các nhân vật công chúng, điều này có thể dẫn đến tổn hại danh tiếng và xâm phạm quyền riêng tư của họ (Derner và Batistic, 2023) Cụ thể, Daniel và Smith nhấn mạnh tầm quan trọng của việc kiểm soát thông tin và bảo vệ quyền riêng tư trong thời đại công nghệ số.
(2023) cũng đã đề cập đến rủi ro về quyền riêng tư trong nghiên cứu của họ.
Rủi ro tâm lý (Psychological Risk - PSR)được hiểu là niềm tin rằng việc dựa vào
AI có thể hỗ trợ ra quyết định nhưng đôi khi không phù hợp với danh tính cá nhân và có thể dẫn đến trạng thái tâm lý tiêu cực (Solberg và cộng sự, 2022) Một yếu tố quan trọng trong nghiên cứu này là sự thiên bias Việc loại bỏ hoàn toàn thiên bias khỏi các mô hình ngôn ngữ lớn là thách thức lớn do bản chất cố hữu của các chuẩn mực ngôn ngữ và văn hóa (Ferrara, 2023) Các mô hình này học từ lượng lớn dữ liệu văn bản trên internet, do đó chúng phải đối mặt với những thành kiến có sẵn trong ngôn ngữ và văn hóa của con người (Ferrara, 2023).
Ngôn ngữ của con người phản ánh xã hội, chứa đựng nhiều thành kiến và giả định sâu sắc, làm cho việc tách biệt các mẫu hữu ích khỏi những thành kiến này trở nên thách thức Các chuẩn mực và giá trị văn hóa khác nhau giữa các cộng đồng và khu vực, dẫn đến sự khác biệt trong nhận thức về cái được coi là chấp nhận hoặc phù hợp trong từng bối cảnh.
Rủi ro đạo đức (Ethical Risk - ETR) đề cập đến mối lo ngại rằng việc sử dụng các công cụ hỗ trợ quyết định dựa trên trí tuệ nhân tạo (AI) có thể vi phạm các nguyên tắc đạo đức hoặc không tương thích với niềm tin và giá trị cá nhân của mỗi người (Solberg và cộng sự, 2022).
Một người quản lý có thể coi việc sử dụng công cụ AI hỗ trợ ra quyết định cho lương thưởng là phi đạo đức, vì để thu thập hiệu suất làm việc của từng nhân viên, anh ta cần phải giám sát họ (Solberg và cộng sự, 2022).
Nghiên cứu của King (2023) về ChatGPT đã chỉ ra những thách thức đạo đức trong việc sử dụng chatbot trong đánh giá giáo dục, nhấn mạnh nguy cơ gian lận và sự cần thiết bảo đảm tính toàn vẹn của các đánh giá Việc học sinh sử dụng chatbot để gian lận trong kỳ thi có thể làm suy yếu tính công bằng và tạo ra lợi thế không công bằng cho những sinh viên này Hơn nữa, khả năng thiên vị trong chatbot cũng là một vấn đề đáng lo ngại, vì các hệ thống AI chỉ khách quan như dữ liệu mà chúng được đào tạo Nếu dữ liệu bị sai lệch, phản hồi từ chatbot cũng sẽ không chính xác, dẫn đến kết quả đánh giá không công bằng và có thể kéo dài tình trạng phân biệt đối xử trong giáo dục.
PHƯƠNG PHÁP NGHIÊN CỨU
Quy trình nghiên cứu
Nghiên cứu này được thực hiện theo hai bước là sơ bộ và chính thức Cả 2 quá trình đều áp dụng phương pháp nghiên cứu định lượng.
Hình 3.1: Quy trình nghiên cứu
Nguồn: Dựa trên đề xuất của Hair và cộng sự (2019), nghiên cứu bắt đầu bằng việc xây dựng thang đo thử dựa trên cơ sở lý thuyết và các nghiên cứu liên quan Các thang đo này được thảo luận với các chuyên gia trong lĩnh vực hệ thống thông tin để đảm bảo tính chính xác của nội dung Sau khi hiệu chỉnh từ nghiên cứu sơ bộ, thang đo được sử dụng cho nghiên cứu chính thức với thang đo Likert 5 mức từ (1) hoàn toàn không đồng ý đến (5) hoàn toàn đồng ý Dữ liệu được thu thập qua bảng khảo sát trực tuyến trên Google Form Cuối cùng, dữ liệu sau khảo sát được sàng lọc, mã hóa và phân tích, với quy trình nghiên cứu được trình bày trong Hình 3.1.
Phương pháp nghiên cứu
Nghiên cứu sơ bộ nhằm đánh giá và điều chỉnh thang đo cho phù hợp với đối tượng nghiên cứu, sử dụng phương pháp định lượng với NNN mẫu Mỗi biến khảo sát được biểu thị qua một phát biểu để đáp viên thể hiện ý kiến của mình Dữ liệu thu thập được kiểm định độ tin cậy bằng kỹ thuật Cronbach Alpha trong SPSS, với tiêu chuẩn loại bỏ các biến có hệ số tương quan biến tổng nhỏ hơn 0,4 Thang đo đạt yêu cầu khi có hệ số Cronbach’s Alpha lớn hơn 0,6 (Hair & cộng sự, 2019).
Nghiên cứu chính thức là bước nghiên cứu khẳng định, diễn ra sau khi đã thực hiện nghiên cứu sơ bộ để đánh giá tính phù hợp và điều chỉnh thang đo Trong nghiên cứu chính thức, số lượng mẫu được sử dụng là 203 mẫu, với quy trình xử lý dữ liệu được thực hiện một cách chặt chẽ.
Bước đầu tiên trong quy trình xử lý dữ liệu là làm sạch dữ liệu, trong đó tiến hành kiểm tra và loại bỏ các thông tin không hợp lệ Điều này bao gồm việc loại bỏ các bảng hỏi chưa hoàn tất hoặc các phản hồi chỉ chọn một câu trả lời cho tất cả các câu hỏi.
Dữ liệu đã mã hóa được xử lý bằng kỹ thuật Frequency của SPSS nhằm xác định các đặc điểm của mẫu nghiên cứu, bao gồm thông tin nhân khẩu học.
3.2.2.1 Phân tích độ tin cậy
Dữ liệu sẽ được phân tích bằng hệ số tin cậy Cronbach Alpha để đánh giá tính hợp lệ của thang đo và xác định mức độ tương quan giữa các mục hỏi Những biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0,4 sẽ bị loại bỏ do không đạt yêu cầu đo lường Thang đo được chấp nhận nếu có hệ số Cronbach Alpha lớn hơn 0,6 (Hair & cộng sự, 2019).
3.2.2.2 Phân tích nhân tố khám phá
Bước 4 trong quy trình nghiên cứu là đánh giá độ tin cậy của thang đo thông qua hệ số Cronbach alpha và loại bỏ các biến không đạt yêu cầu Phân tích nhân tố khám phá (EFA) là kỹ thuật quan trọng giúp tóm tắt và thu nhỏ dữ liệu, xác định các tập hợp biến cần thiết cho nghiên cứu và tìm hiểu mối quan hệ giữa chúng Trước khi thực hiện EFA, cần kiểm tra tính phù hợp của phương pháp này Theo Hair & cộng sự (2019), giá trị KMO (Kaiser-Meyer-Olkin) từ 0,5 đến 1 cho thấy phân tích nhân tố là thích hợp, trong khi giá trị nhỏ hơn 0,5 có thể chỉ ra rằng phương pháp này không phù hợp với dữ liệu Kết quả phân tích EFA cung cấp giá trị phân biệt, giúp xác định tính phân biệt của các khái niệm nghiên cứu, với các tiêu chuẩn quan trọng cần lưu ý.
- Các giá trị về Eigenvalues (lớn hơn 1) là tiêu chuẩn khẳng định số nhân tố được rút trích phù hợp.
Tổng phương sai trích (TVE) lớn hơn 50% cho thấy rằng tổng số nhân tố được rút trích với giá trị Eigenvalues lớn hơn 1 có khả năng giải thích một tỷ lệ đáng kể của độ biến thiên trong dữ liệu nghiên cứu.
- Trọng số nhân tố (Factor loading) được kiểm tra để đánh giá về giá trị hội tụ và giá trị phân biệt của thang đo lường.
3.2.2.3 Phân tích nhân tố khẳng định
Phân tích nhân tố khẳng định (CFA) được sử dụng khi nhà nghiên cứu đã có kiến thức về cấu trúc biến tiềm ẩn, dựa trên lý thuyết hoặc nghiên cứu thực nghiệm Nhà nghiên cứu đưa ra giả định về mối quan hệ giữa các biện pháp quan sát và các yếu tố tiềm ẩn, sau đó kiểm tra cấu trúc các giả thuyết này về mặt thống kê CFA tập trung vào mối liên hệ giữa các yếu tố và biến đo lường, đại diện cho mô hình đo lường trong SEM Các chỉ tiêu quan trọng trong CFA bao gồm CMIN/df, CFI, TLI và RMSEA CMIN/df đo mức độ phù hợp của mô hình, CFI cho thấy mô hình đã mô tả tốt dữ liệu mẫu, TLI gần 0,95 được xem là phù hợp cho mẫu lớn, và RMSEA được công nhận là tiêu chí thông tin quan trọng trong mô hình hóa cấu trúc hiệp tương quan Các thông số CFA được tham chiếu trong Bảng 3.1.
Bảng 3.1: Bảng các chỉ số CFA
Chỉ số Giá trị tham khảo Tham chiếu
CMIN/DF ≤ 2,00 Hair & cộng sự (2019)GFI ≥ 0,90 Hair & cộng sự (2019)TLI ≥ 0,90 Hair & cộng sự (2019)NFI ≥ 0,90 Hair & cộng sự (2019)CFI ≥ 0,90 Hair & cộng sự (2019)RMSEA ≤ 0,005 Hair & cộng sự (2019)
3.2.2.4 Mô hình cấu trúc tuyến tính
Mô hình phương trình cấu trúc (SEM) là một kỹ thuật đa biến tiên tiến, mở rộng từ mô hình tuyến tính tổng quát (GLM), kết hợp cả phân tích yếu tố khẳng định (CFA), phân tích đường dẫn và hồi quy đa biến (Samah, 2017) SEM cho phép kết hợp nhiều biến độc lập và phụ thuộc, đồng thời khám phá các cấu trúc tiềm ẩn mà các cụm biến quan sát có thể đại diện, vượt xa khả năng của các mô hình hồi quy thông thường (Savalei và Bentler).
Các phương pháp này cho phép kiểm tra toàn bộ tập hợp các mối quan hệ giữa các biến quan sát và biến tiềm ẩn, đồng thời cung cấp khả năng kiểm tra lý thuyết ngay cả khi không thể thực hiện thí nghiệm.
2006) Kết quả là, những phương pháp này đã trở nên phổ biến trong tất cả các ngành khoa học xã hội và hành vi (ví dụ, MacCallum và Austin, 2000).
SEM thường được coi là một kỹ thuật khẳng định, chủ yếu được sử dụng để xác định mô hình thay vì khám phá mô hình mới Theo Baumgartner và Homburg (1996) cũng như Steenkamp và Baumgartner, việc áp dụng SEM trong nghiên cứu tiếp thị cho thấy sự hiệu quả trong việc đánh giá các mối quan hệ giữa các biến.
(2000) Các thông số SEM được tham chiếu trong Bảng 3.1.
Thang đo nghiên cứu
Thang đo đầy đủ được tạo ra dựa trên các cơ sở lý thuyết và các nghiên cứu trước đầy và được thể hiện chi tiết trong Bảng 3.1.
Bảng 3.2: Các khái niệm và tham chiếu mô hình nghiên cứu đề xuất
STT Khái niệm Số biến dự kiến Diễn giải tham chiếu
1 Rủi ro thông tin (INR) 4 Sallam và cộng sự (2023);
2 Rủi ro quyền riêng tư (PRR) 3 Sallam và cộng sự (2023);
3 Rủi ro tâm lý (PSR) 4 Sallam và cộng sự (2023);
4 Rủi ro đạo đức (ETR) 3 Sallam và cộng sự, (2023);
5 Ý định sử dụng (USI) 5 Iqbal và cộng sự (2022);
6 Sử dụng thực tế (USC) 5 Mohd Rahim và cộng sự (2022);
Bảng 3.1 giới thiệu các nhân tố trong mô hình nghiên cứu, bao gồm các biến dự kiến và diễn giải tham chiếu gần đây Những thông tin này là cơ sở để đề xuất thang đo phục vụ cho việc thu thập khảo sát từ người sử dụng tại thành phố Hồ Chí Minh, như được thể hiện trong Bảng 3.2.
Bảng 3.3: Câu hỏi nghiên cứu
Khái niệm Biến đo lường Mã biến
Rủi ro thông tin (INR)
Thấy khó khăn khi chọn từ khóa khi tìm kiếm trên chatGPT INR1 Tìm kiến từ nhiều nguồn trước khi đưa ra quyết định INR2
Hoài nghi trước những thông tin gặp phải INR3
Rủi ro quyền riêng tư
ChatGPT có thể lưu thông tin cá nhân PRR1
Sử dụng chatGPT có thể bị xâm phạm quyền riêng tư PRR2
Sử dụng chatGPT có thể bị thu thập thông tin cá nhân PRR3
Nhiều người cảm thấy căng thẳng và lo lắng khi tương tác với chatGPT, điều này có thể tạo ra áp lực trong quá trình giao tiếp Hơn nữa, việc sử dụng chatGPT có thể can thiệp vào khả năng tư duy của người học trong các khóa học, ảnh hưởng đến hiệu quả học tập.
Rủi ro đạo đức (ETR)
Việc sử dụng ChatGPT có thể dẫn đến vi phạm luật đạo văn và chính sách của nhà trường, đồng thời làm giảm giá trị của giáo dục đại học.
Công nghệ AI, đặc biệt là ChatGPT, có khả năng cải thiện năng lực số và tiết kiệm thời gian cho người dùng Nó cung cấp những quan điểm độc đáo và có thể giải quyết các bài tập ngay tức khắc ChatGPT thực sự là một công cụ hỗ trợ tuyệt vời cho sinh viên trong quá trình học tập.
Sẵn sàng tái sử dụng chatGPT trong tương lai USC1
Sử dụng chatGPT giúp trải nghiệm quá trình học tập USC2 ChatGPT rất hữu ích trong việc xử lý các câu hỏi thường gặp USC3
Sử dụng chatGPT sẽ có thể hỗ trợ các câu hỏi khẩn cấp USC4
Sử dụng công nghệ AI - ChatGPT để học tập và nghiên cứu USC5
Bảng câu hỏi được thiết kế dựa trên thang đo nghiên cứu và tham khảo từ các nghiên cứu liên quan, sử dụng phiếu khảo sát trực tuyến qua Google Form Phiếu khảo sát này được gửi đến đối tượng nghiên cứu là sinh viên tại các trường đại học ở Tp Hồ Chí Minh.
Mỗi phiếu khảo sát có hai phần:
- Phần 1 là thông tin cá nhân thông tin cá nhân, về các yếu tố nhân khẩu học, bao gồm: giới tính, độ tuổi, trường học và ngành học.
Phần 2 của nghiên cứu tập trung vào việc đánh giá thông qua các câu hỏi được điều chỉnh từ thang đo gốc Nghiên cứu áp dụng thang đo Likert 5 điểm để đánh giá các yếu tố, với các mức độ đánh giá từ [1] hoàn toàn không đồng ý đến [5] hoàn toàn đồng ý.
Chương 3 đã tóm tắt quá trình nghiên cứu và thiết kế sơ đồ từng bước trong quy trình nghiên cứu, đồng thời trình bày chi tiết các thang đo sơ bộ và thang đo chính thức mà tác giả áp dụng Ngoài ra, chương này còn nêu rõ các khái niệm lý thuyết cùng những chỉ tiêu mà mô hình nghiên cứu cần đạt được để đảm bảo độ tin cậy và tính phù hợp với dữ liệu thị trường Chương tiếp theo sẽ trình bày kết quả của nghiên cứu.
KẾT QUẢ NGHIÊN CỨU
Thống kế mô tả mẫu
Sau khi tiến hành phân tích dữ liệu từ khảo sát, chúng tôi đã xác định được 203 mẫu hợp lệ, và thông tin nhân khẩu học được trình bày chi tiết trong Bảng 4.1.
Dữ liệu thu thập cho thấy sự chênh lệch rõ rệt giữa tỷ lệ nam và nữ sử dụng chatGPT, với 22,7% nam và 77,3% nữ, cho thấy nữ giới có sự quan tâm cao hơn về rủi ro khi sử dụng công nghệ này Độ tuổi sử dụng chatGPT chủ yếu nằm trong khoảng từ 21 đến dưới 23 tuổi, chiếm 50,7%, tiếp theo là nhóm từ 18 đến dưới 20 tuổi với 40,4% Hai nhóm tuổi còn lại, dưới 18 tuổi và trên 23 tuổi, chỉ chiếm tỷ lệ nhỏ, lần lượt là 2% và 6,9% Điều này cho thấy sinh viên đại học và sau đại học có xu hướng quan tâm và sử dụng chatGPT nhiều hơn.
Theo khảo sát, trong 203 mẫu thu thập được, sinh viên Trường đại học Ngân hàng (HUB) chiếm tỷ lệ cao nhất với 45,3%, tiếp theo là sinh viên Trường đại học Kinh Tế (UEH) với 12,3%, Trường đại học FPT với 3,4%, và các trường đại học khác chiếm 39% Dữ liệu cho thấy sinh viên từ hầu hết các trường đại học đều nhận biết và ngày càng quan tâm đến sự ra đời của chatGPT.
Theo số liệu khảo sát, sinh viên niên khóa 2022 - 2023 chiếm tỷ lệ cao nhất với 37,9%, tiếp theo là niên khóa 2020 - 2021 với 30,5% Các niên khóa 2019 - 2020 và 2021 - 2022 có tỷ lệ bằng nhau là 15,3%, trong khi niên khóa 2023 - 2024 chỉ chiếm 1% Sự quan tâm của sinh viên, đặc biệt là sinh viên Việt Nam, đối với công nghệ mới như chatGPT, đã gia tăng kể từ khi nó ra mắt vào cuối năm 2022.
Bảng 4 1: Bảng mô tả nhân khẩu học
Nhóm Giá trị Tần số Phần trăm (%)
Thời gian sử dụng chatGPT
Từ 1 tiếng đến dưới 3 tiếng 38 18,7
Từ 3 tiếng đến dưới 5 tiếng 7 3,4
Trên 5 tiếng 3 1,5 Đối với thời gian sử dụng chatGPT/ngày, sinh viên sử dụng chatGPT dưới 1 tiếng/ngày chiếm tỉ lệ cao nhất với 76,4%, tiếp đến là những sinh viên dành từ 1 tiếng/ngày đến 3 tiếng/ngày để sử dụng chatGPT chiếm 18,7%, từ 3 tiếng/ngày đến 5 tiếng/ngày là 3,4%, còn lại là những sinh viên sử dụng chatGPT trên 5 tiếng/ngày chiếm tỉ lệ nhỏ với 1,5% Kết quả trên cho thấy rằng mặc dù sinh viên biết đến và đã sử dụng chatGPT những họ chỉ sử dụng ở một mức độ hạn chế và không quá lạm dụng vào công nghệ AI mới này. Đối với mức thu nhập của sinh viên thực hiện khảo sát, những sinh viên có thu nhập dưới 2 triệu/tháng và từ 2 triệu/tháng đến dưới 5 triệu/tháng chiếm tỉ lệ cao nhất và bằng nhau với 36,5%, theo sau là những sinh viên có thu nhập từ 5 đến 7 triệu/tháng chiếm 13,8% Còn lại là mức thu thập trên 7 triệu/tháng và những sinh viên chưa có thu nhập chiếm lần lượt là 11,8% và 1,5% Nhìn chung, hầu hết sinh viên thực hiện khảo sát đã có thu nhập mặc dù mức thu nhập đó vẫn là một con số chưa cao, điều này cho thấy rằng ngoài việc sử dụng chatGPT trong học tập, sinh viên cũng có khả năng sẽ sử dụng chatGPT như một công cụ hỗ trợ cho công việc của họ.
Xử lý thanh đo và mô hình
Nghiên cứu này thực hiện khảo sát sơ bộ trên 100 mẫu trong tổng số 203 mẫu thu thập được để kiểm tra tính phù hợp của thang đo, bao gồm 6 phần với 23 biến khác nhau Phản hồi từ khảo sát được thu thập và phân tích, với kết quả độ tin cậy Cronbach’s Alpha cho các biến quan sát được trình bày trong Bảng 4.1.
Rủi ro thông tin (INR) được đánh giá qua ba biến quan sát: INR1, INR2, và INR3 Kết quả phân tích trong Bảng 4.2 cho thấy cả ba biến này đều có hệ số tương quan biến tổng lớn hơn 0,4 Hệ số Cronbach’s Alpha chung đạt 0,681, vượt mức 0,6, cho phép chấp nhận các biến này để tiếp tục nghiên cứu.
Rủi ro riêng tư (PRR) được đo bằng 3 biến quan sát (PRR1, PRR2, PRR3), với kết quả phân tích cho thấy cả 3 biến đều có hệ số tương quan biến tổng lớn hơn 0,4 Hệ số Cronbach’s Alpha chung đạt 0,628, vượt qua ngưỡng 0,6, do đó các biến này được chấp nhận để tiếp tục nghiên cứu.
Rủi ro tâm lý (PSR) được đo bằng 4 biến quan sát (PSR1, PSR2, PSR3, PSR4) Kết quả phân tích trong Bảng 4.1 cho thấy cả 4 biến này đều có hệ số tương quan biến tổng lớn hơn 0,4, và hệ số Cronbach’s Alpha chung đạt 0,902, vượt mức 0,6, do đó các biến này được chấp nhận để tiếp tục nghiên cứu.
Bảng 4.3: Kết quả phân tích Cronch’s Alpha (100 mẫu)
Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’ s Alpha nếu loại biến
Rủi ro thông tin (INR)
Rủi ro quyền riêng tư
Rủi ro đạo đức (ETR)
Rủi ro đạo đức (ETR) được đánh giá qua 3 biến quan sát (ETR1, ETR2, ETR3) Kết quả phân tích cho thấy ETR1 và ETR2 có hệ số tương quan biến tổng nhỏ hơn 0,4 và hệ số Cronbach’s Alpha chung là 0,245, không đạt yêu cầu tối thiểu 0,6 để tiếp tục nghiên cứu Do đó, tác giả đã loại bỏ biến ETR3, nâng hệ số Cronbach’s Alpha chung lên 0,846, cho phép giữ lại ETR1 và ETR2 Đối với ý định sử dụng (USI), 5 biến quan sát (USI1, USI2, USI3, USI4, USI5) đều có hệ số tương quan biến tổng lớn hơn 0,4 và hệ số Cronbach’s Alpha chung đạt 0,910, vượt mức 0,6 Tuy nhiên, biến USI3 có hệ số tương quan biến tổng thấp nhất và hệ số Cronbach’s Alpha cao nhất, vì vậy tác giả đã loại bỏ biến này để cải thiện giá trị của hệ số Cronbach’s Alpha chung.
Việc sử dụng chatGPT (UCS) được đánh giá qua 5 biến quan sát (USI1, USI2, USI3, USI4, USI5) Kết quả phân tích cho thấy cả 5 biến đều có hệ số tương quan biến tổng lớn hơn 0,4, trong khi hệ số Cronbach’s Alpha chung đạt 0,900, vượt mức tối thiểu 0,6, do đó các biến này được chấp nhận để tiếp tục nghiên cứu.
4.2.2.1 Phân tích độ tin cậy
Trong phần này, tác giả phân tích hệ số Cronbach’s Alpha để đánh giá độ tin cậy và mối tương quan giữa các biến quan sát trong thang đo Nghiên cứu sơ bộ chỉ ra rằng có hai biến không đạt yêu cầu là ETR3 và USI3, do đó, nghiên cứu này sẽ bao gồm tổng cộng 6 nhân tố và 21 biến quan sát Tác giả sẽ thực hiện phân tích hệ số Cronbach’s Alpha cho từng nhân tố, với tiêu chí rằng đối với các khái niệm mới hoặc chưa quen thuộc với người trả lời, hệ số Cronbach’s Alpha từ 0,6 trở lên được xem là đáng tin cậy và chấp nhận được.
Biến quan sát có hệ số tương quan tổng lớn hơn 0,4 và Cronbach’s Alpha nhỏ hơn hệ số Cronbach’s Alpha chung sẽ được giữ lại (Hair & cộng sự, 2019) Nghiên cứu chính sử dụng 203 mẫu hợp lệ để thực hiện thống kê mô tả, với kết quả phân tích độ tin cậy Cronbach’s Alpha của các biến quan sát được trình bày chi tiết.
Rủi ro thông tin (INR) được đo lường qua ba biến quan sát (INR1, INR2, INR3) Kết quả phân tích độ tin cậy cho thấy cả ba biến này đều có hệ số tương quan với tổng số lớn hơn 0,4, trong khi hệ số Cronbach’s Alpha chung đạt 0,607, vượt qua ngưỡng 0,6 Điều này chứng tỏ rằng thang đo có độ tin cậy cao và hoàn toàn phù hợp với nghiên cứu, đáp ứng các yêu cầu để tiến hành phân tích EFA.
Bảng 4.4: Hệ số tin cậy các thành phần rủi ro thông tin
Biến Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến
Rủi ro riêng tư (PRR) được đánh giá thông qua ba biến quan sát (PRR1, PRR2, PRR3) Phân tích độ tin cậy cho thấy cả ba biến này đều có hệ số tương quan với biến tổng lớn hơn 0,4, và hệ số Cronbach’s Alpha chung đạt 0,743, cao hơn mức tối thiểu 0,6 Điều này chứng tỏ thang đo có độ tin cậy tốt, phù hợp với nghiên cứu và đủ điều kiện để tiến hành phân tích EFA.
Bảng 4.5: Hệ số tin cậy các thành phần rủi ro riêng tư
Biến Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến
Rủi ro tâm lý (PSR) được đo lường thông qua bốn biến quan sát: PSR1, PSR2, PSR3 và PSR4 Phân tích độ tin cậy cho thấy cả bốn biến này đều có hệ số tương quan lớn hơn 0,4, trong khi hệ số Cronbach’s Alpha tổng thể đạt 0,877, vượt mức 0,6 Điều này chứng tỏ thang đo có độ tin cậy cao, phù hợp với nghiên cứu và đáp ứng các tiêu chí cần thiết để tiến hành phân tích EFA.
Bảng 4.6: Hệ số tin cậy các thành phần rủi ro tâm lý
Biến Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến
Rủi ro đạo đức (ETR) được đo lường qua hai biến quan sát là ETR1 và ETR2 Phân tích độ tin cậy cho thấy biến ETR3 có hệ số tương quan biến tổng đạt 0,865, vượt qua ngưỡng 0,4, và hệ số Cronbach’s Alpha chung là 0,856, lớn hơn 0,6 Điều này chứng tỏ thang đo có độ tin cậy cao, phù hợp với nghiên cứu và đáp ứng các tiêu chí cần thiết để tiến hành phân tích nhân tố khám phá (EFA).
Bảng 4.7: Hệ số tin cậy các thành phần rủi ro đạo đức
Biến Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến
ETR2 có giá trị 1.96 với hệ số 0,656 và 0,748 Ý định sử dụng (USI) được đo bằng 5 biến quan sát (USI1, USI2, USI3, USI4, USI5) Phân tích độ tin cậy cho thấy 4 biến (USI1, USI2, USI4, USI5) có hệ số tương quan biến tổng lớn hơn 0,4 và hệ số Cronbach’s Alpha chung đạt 0,885, vượt qua ngưỡng 0,6 Điều này chứng tỏ thang đo có độ tin cậy cao và hoàn toàn phù hợp cho nghiên cứu, đáp ứng các yêu cầu để tiến hành phân tích EFA.
Bảng 4.8: Hệ số tin cậy các thành phần ý định sử dụng
Biến Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến
Việc sử dụng chatGPT (UCS) được đánh giá qua 5 biến quan sát (UCS1, UCS2, UCS3, UCS4, UCS5) Phân tích độ tin cậy cho thấy cả 5 biến đều có hệ số tương quan biến tổng lớn hơn 0,4, với hệ số Cronbach’s Alpha chung đạt 0,873, vượt qua ngưỡng 0,6 Điều này chứng tỏ thang đo có độ tin cậy cao và hoàn toàn phù hợp với nghiên cứu, đáp ứng các tiêu chí để tiến hành phân tích EFA.
Bảng 4.9: Hệ số tin cậy các thành phần sử dụng chatGPT
Biến Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến
Kết quả phân tích độ tin cậy của 203 mẫu, có 21 biến quan sát của thang đo phù hợp và được đưa vào nghiên cứu chính thức.
4.2.2.2 Phân tích nhân tố khám phá EFA
Kết quả phân tích nhân tố khám phá của các biến quan sát trong mô hình nghiên cứu được thể hiện trong Bảng 4.9.
Hệ số KMO đạt 0,833 sau khi phân tích EFA, cho thấy dữ liệu phù hợp cho phân tích nhân tố Kiểm định Bartlett có mức ý nghĩa 0,000, chứng tỏ các biến quan sát có mối tương quan đáng kể Tổng phương sai trích đạt 71,289%, cho thấy thang đo giải thích được phần lớn sự biến thiên của dữ liệu Hệ số tải nhân tố cao biểu thị mối tương quan lớn giữa biến quan sát và nhân tố; theo Hair và cộng sự (2010), hệ số tải từ 0,5 trở lên được xem là đạt chất lượng.
Thảo luận kết quả phân tích dữ liệu
Sau khi thu thập, làm sạch và phân tích dữ liệu để đảm bảo độ tin cậy và chính xác, tác giả đã thực hiện các phân tích và kiểm định với sự hỗ trợ của phần mềm SPSS và AMOS Kết quả cuối cùng cho thấy mô hình đề xuất ban đầu đã được xác nhận.
Nghiên cứu sơ bộ đã loại bỏ biến USI3 và ETR3 do có tương quan nhỏ hơn 0,4 Phân tích nhân tố khám phá xác nhận các biến độc lập như rủi ro thông tin (INR), rủi ro riêng tư (PRR), rủi ro tâm lý (PSR), rủi ro đạo đức (ETR), ý định sử dụng (USI) và sử dụng chatGPT (USC) không bị xáo trộn Kết quả cho thấy sinh viên quan tâm nhất đến nguồn gốc thông tin mà chatGPT cung cấp, dẫn đến việc họ cần tìm kiếm nhiều nguồn trước khi quyết định chọn nguồn thông tin nào Họ cũng bày tỏ sự hoài nghi về độ chính xác của thông tin tìm được và gặp khó khăn trong việc lựa chọn từ khóa phù hợp khi tìm kiếm trên mạng.
Kết quả phân tích rủi ro quyền riêng tư cho thấy sinh viên lo ngại rằng việc sử dụng chatGPT có thể dẫn đến việc thu thập dữ liệu cá nhân khi đăng ký tài khoản, vì đây là thông tin nhạy cảm và quan trọng Ngoài ra, sinh viên cũng bày tỏ lo lắng về khả năng chatGPT vi phạm quyền riêng tư của họ Cuối cùng, họ còn đối mặt với rủi ro bị lưu trữ thông tin cá nhân khi sử dụng dịch vụ này.
Nhiều sinh viên lo ngại rằng chatGPT có thể ảnh hưởng tiêu cực đến khả năng tư duy trong quá trình học tập Khi sử dụng chatGPT để tra cứu thông tin, sinh viên có thể nhận được những câu trả lời đã được chọn lọc, dẫn đến việc họ không cần phải tư duy sâu sắc để giải quyết các câu hỏi trong khóa học Điều này tạo ra áp lực và lo lắng cho sinh viên, đặc biệt là khi họ phải đối mặt với quyết định sử dụng chatGPT trong việc học của mình.
Sinh viên đang lo ngại về rủi ro đạo đức khi sử dụng chatGPT, vì việc này có thể vi phạm luật đạo văn và chính sách của trường do sử dụng thông tin không rõ nguồn gốc Đạo văn là một vấn đề quan trọng trong giáo dục và học thuật, và việc sinh viên trích dẫn nguồn thông tin không rõ ràng có thể làm tăng nguy cơ mắc phải rủi ro đạo đức.
Sinh viên có ý định sử dụng chatGPT chủ yếu vì nó giúp tiết kiệm thời gian, chỉ cần cung cấp từ khóa hoặc câu hỏi, chatGPT sẽ nhanh chóng cung cấp câu trả lời trong vài giây Ngoài ra, chatGPT còn hỗ trợ sinh viên một cách tuyệt vời, giúp cải thiện kỹ năng số của họ Cuối cùng, chatGPT có khả năng hỗ trợ sinh viên giải quyết bài tập ngay lập tức.
Nhiều sinh viên hiện nay lựa chọn sử dụng chatGPT như một công cụ hỗ trợ học tập và nghiên cứu, vì họ nhận thấy nó rất hữu ích trong việc giải quyết các câu hỏi thường gặp Họ cũng thể hiện sự sẵn sàng tiếp tục sử dụng chatGPT trong tương lai, vì công nghệ này cải thiện trải nghiệm học tập của họ Hơn nữa, chatGPT giúp sinh viên nhanh chóng giải đáp các câu hỏi khẩn cấp nhờ vào khả năng cung cấp thông tin nhanh, đầy đủ và chi tiết.
Nghiên cứu xác nhận cả hai giả thuyết, với kết quả phân tích mô hình cấu trúc tuyến tính SEM cho thấy nhận thức rủi ro có hệ số γ là -0,470, trong khi ý định sử dụng đạt hệ số γ là 0,690 Điều này phù hợp với dự đoán ban đầu rằng nhận thức rủi ro ảnh hưởng nghịch biến đến ý định sử dụng chatGPT của sinh viên, trong khi ý định sử dụng lại có tác động đồng biến đến việc sử dụng chatGPT Đặc biệt, yếu tố rủi ro tâm lý có ảnh hưởng mạnh nhất đến nhận thức rủi ro (γ = 0,72), tiếp theo là rủi ro thông tin (γ = 0,69), rủi ro quyền riêng tư (γ = 0,58), và cuối cùng là rủi ro đạo đức.
Nghiên cứu cho thấy mức độ tác động của từng yếu tố rủi ro cụ thể đến nhận thức rủi ro, không chỉ coi nhận thức rủi ro như một biến tác động tổng quát Đây là một đóng góp mới về mặt lý thuyết trong việc chấp nhận và sử dụng công nghệ.
Tác giả đã so sánh kết quả nghiên cứu của mình với các nghiên cứu liên quan để nâng cao giá trị của kết quả thu được Cụ thể, hệ số γ của biến ý định sử dụng trong mô hình của tác giả là 0,690, cao hơn so với 0,637 của Mohd Rahim và cộng sự (2022), cho thấy ý định sử dụng chatGPT của sinh viên có ảnh hưởng mạnh mẽ hơn đến việc chấp nhận công nghệ AI Hơn nữa, hệ số xác định R² của mô hình tác giả là 0,480, cao hơn so với 0,403 của Mohd Rahim và cộng sự (2022) Khi so sánh với nghiên cứu của Cocosila và cộng sự (2009), hệ số γ của biến nhận thức rủi ro trong mô hình của tác giả là -0,470, mạnh hơn so với -0,145 trong nghiên cứu trước đó, cho thấy tác động lớn hơn của nhận thức rủi ro đến ý định sử dụng công nghệ mới.
Chương 4 đã khái quát nội dung kết quả nghiên cứu theo các phương pháp phân tích nhân tố khám phá EFA, phân tích độ tin cậy Cronbach’s Alpha, phân tích nhân tố khẳng định CFA và phân tích mô hình cấu trúc tuyến tính SEM Kết quả cuối cùng cho thấy nhận thức rủi ro không làm giảm đi ý định dẫn tới việc sử dụng chatGPT của sinh viên, vì vậy giả thuyết H1 đã bị bác bỏ.