PHÂN TÍCH DỮ LIỆU VÀ KẾT QUẢ
Kết quả định tính sơ bộ
Tất cả đáp viên đều sử dụng nền tảng Tik Tok thường xuyên, với một số ít sử dụng cho công việc Ngoài Tik Tok, các nền tảng phổ biến khác bao gồm Instagram, Facebook, Youtube và Google, đặc biệt là thông tin dưới dạng video Các chủ đề tìm kiếm thông tin phổ biến nhất trên Tik Tok bao gồm tin tức mới, giải trí, xu hướng và kiến thức Đáp viên tìm kiếm thông tin trên Tik Tok rất thường xuyên, và họ cho rằng yếu tố giải trí, tính mới, xu hướng, cùng với khả năng tiếp cận thông tin nhanh chóng qua video ngắn và thuật toán cá nhân hóa là những yếu tố chính ảnh hưởng đến hành vi này Tuy nhiên, về mặt học thuật, Tik Tok chưa đáp ứng đủ nhu cầu do thời lượng video ngắn, khiến việc tiếp thu thông tin chuyên sâu trở nên khó khăn.
Từ kết quả thảo luận, thang đo dành cho yếu tố hành vi tìm kiếm thông tin ( information seeking behaviour) vẫn được giữ nguyên như ban đầu như sau:
TT1 Tôi chủ yếu sử dụng Tik Tok của mình để tìm kiếm thông tin mà tôi quan tâm
TT2 Tôi nhận thông tin cập nhật về các chủ đề khác nhau mà tôi quan tâm một cách liên tục và thường xuyên trên Tik
TT3 Tôi sử dụng Tik Tok để tìm hiểu những điều đang diễn ra gần đây
TT4 Tôi sử dụng Tik Tok để tìm kiếm thông tin thú vị
Bảng 4.1: Thang đo Hành vi tìm kiếm thông tin
Tất cả đáp viên đều nhận thấy thông tin trên nền tảng Tik Tok thú vị, dễ hiểu và cập nhật xu hướng cao Bạn bè xung quanh họ chủ yếu sử dụng Tik Tok để làm việc, giải trí và học tập, nhằm tiếp cận những thông tin xu hướng phù hợp với nhu cầu cá nhân Kết quả thảo luận cho thấy thang đo cho yếu tố thông tin xu hướng (Trendiness) vẫn được giữ nguyên như ban đầu.
XH1 Bạn bè xung quanh tôi đều tìm kiếm thông tin trên
XH2 Sử dụng Tik Tok để tìm kiếm thông tin là xu hướng hiện nay
XH3 Mọi người xung quanh đều biết đến thông tin trên
XH4 Những thông tin xu hướng thì đều có trên Tik Tok (Kim & Ko, 2012)
Bảng 4.2: Thang đo Thông tin xu hướng
Tính mới (novelty) được định nghĩa bởi các đáp viên là những thông tin chưa từng được biết trước Các yếu tố như màu sắc cá nhân của tài khoản trên TikTok cũng góp phần tạo nên tính mới Thời gian đăng tải thông tin cũng là một yếu tố quan trọng, với những thông tin mới trên TikTok không chỉ truyền cảm hứng mà còn cung cấp động lực cho người dùng trong việc phát triển bản thân và học tập Hơn nữa, các thông tin mới trên nền tảng này mở ra cơ hội nghề nghiệp, giúp người dùng học hỏi và tổng hợp kiến thức, hỗ trợ trong việc tìm kiếm việc làm Do đó, quan điểm "Tôi có thể tìm hiểu các đặc điểm địa phương của những nơi khác nhau thông qua TikTok" sẽ bị loại bỏ vì không được đề cập trong thảo luận về tính mới.
(novelty) được điều chỉnh như sau:
Thang đo Thang đo điều chỉnh Nghiên cứu
TM1 Có rất nhiều thông tin mới trên
Có rất nhiều thông tin mới trên Tik Tok
TM2 Tik Tok đem lại cho tôi nhiều góc nhìn mới
Tik Tok đem lại cho tôi nhiều góc nhìn mới
(DONG & Xie, 2022) TM3 Tôi có thể tìm hiểu các đặc điểm địa phương của những nơi khác Loại bỏ nhau thông qua TikTok
TM4 Tik Tok cho tôi đề xuất nhiều người dùng thú vị và thông tin mới
Tik Tok cho tôi đề xuất nhiều người dùng thú vị và thông tin mới
Tôi có thể biết thêm nhiều kiến thức mới nhờ Tik Tok
Tôi có thể biết thêm nhiều kiến thức mới nhờ Tik Tok
Bảng 4.3: Thang đo Tính mới
Về sự điều chỉnh nội dung (customization).Trả lời cho câu hỏi: Làm sao để
TikTok có khả năng hiểu hành vi tìm kiếm nội dung của người dùng thông qua thuật toán phân tích cách họ xem và tương tác trên nền tảng Nhiều người cho rằng TikTok không hiển thị đúng nội dung mong muốn là do họ chưa lướt đủ lâu hoặc hành vi của họ chưa rõ ràng Thời gian để TikTok hiểu hành vi của người dùng thường không kéo dài, có thể chỉ từ 2-3 ngày hoặc thậm chí trong một buổi Bên cạnh đó, việc creators chưa tối ưu hóa nội dung, hashtag hoặc từ khóa cũng ảnh hưởng đến khả năng tiếp cận của người xem.
Ngoài việc tự tìm kiếm, thuật toán TikTok giúp người dùng dễ dàng tiếp cận thông tin đang quan tâm Một cách hiệu quả là đọc các bình luận chứa từ khóa liên quan, điều này có thể dẫn đến nội dung cần tìm kiếm Ngoài ra, xem các video tổng hợp cũng là một phương pháp hữu ích để nắm bắt thông tin nhanh chóng.
TikTok đang thể hiện hiệu quả trong việc tối ưu hóa thuật toán và thường xuyên cập nhật nội dung Nội dung trên nền tảng này thường thay đổi theo tuần, nhưng TikTok vẫn chưa có tiêu chí đánh giá quá nghiêm ngặt và có quá nhiều người sáng tạo nội dung.
Mã hóa Thang đo ban đầu Thang đo điều chỉnh Nghiên cứu
Tôi có thể tìm kiếm thông tin tùy chỉnh trên Tiktok
Tôi có thể điều chỉnh để tìm kiếm thông tin trên Tik Tok
Tiktok cung cấp các tính năng, dịch vụ điều chỉnh
Nhờ tính năng điều chỉnh nội dung của Tik Tok, tôi tiếp cận được thông tin phù hợp với sở thích
Bổ sung sau định tính
Tik Tok thường xuyên cung cấp và tự đề xuất thông tin mà tôi quan tâm
Nội dung trên Tik Tok thường xuyên được điều chỉnh phù hợp với sở thích của tôi
Tik tok hiểu được hành vi tìm kiếm và mối quan tâm của tôi
Bổ sung sau định tính
Bảng 4.4: Thang đo sự điều chỉnh nội dung
Chất lượng thông tin trên TikTok được đánh giá dựa vào nội dung đáng tin cậy và chất lượng cao Người dùng cho rằng kênh đăng tải nội dung có vai trò quan trọng, đồng thời họ cũng ưa chuộng nội dung sáng tạo, hình ảnh chỉnh chu và khả năng đáp ứng đúng nhu cầu của người xem.
Để cải thiện độ chính xác của bảng câu hỏi, cần điều chỉnh nội dung dựa trên các đề xuất từ người đáp viên Việc này giúp tránh những mập mờ và khó hiểu, đảm bảo rằng người trả lời có thể hiểu rõ và cung cấp phản hồi chính xác.
Mã hóa Thang đo ban đầu Thang đo điều chỉnh Nghiên cứu
Thông tin tôi tìm kiếm trên Tik
Tok có thể dễ dàng có được Wang (2002)
Thông tin tôi tìm kiếm trên Tik
Tok có thể nhanh chóng truy cập ngay khi tôi cần
Thông tin tôi tìm kiếm trên Tik
Tok có thể dễ dàng truy xuất ra kết quả
Thông tin tôi tìm kiếm trên Tik
Tok có thể dễ dàng truy cập ngay khi tôi cần
Thông tin trên Tik Tok được truy xuất rất dễ hiểu
Thông tin trên Tik Tok được thể hiện ngắn gọn
Thông tin trên Tik Tok được thể hiện cô đọng nội dung
Thông tin trên Tik Tok được trình bày nhất quán
Thông tin trên Tik Tok được trình bày chuyên
Thông tin trên Tik Tok được thể hiện hấp dẫn
Bảng 4.5: Thang đo Chất lượng thông tin
Đa dạng phương thức thể hiện không phải là yếu tố quyết định độ tin cậy của nội dung trên TikTok Người dùng thường đánh giá độ tin cậy qua các yếu tố như creator có tick xanh, số lượng người theo dõi, và nguồn thông tin từ các trang uy tín đã được kiểm chứng Hình thức video có thể thu hút nhưng không nhất thiết làm tăng độ tin cậy của nội dung Nội dung từ các bài báo hay bình luận trên các trang web thường được coi là đáng tin cậy hơn Độ tin tưởng cũng phụ thuộc vào tính chuyên nghiệp trong việc biên tập và hình ảnh của video.
Hình thức video ngắn trên TikTok mang lại trải nghiệm thú vị cho người dùng nhờ vào nội dung cô đọng và hình ảnh minh họa hấp dẫn, giúp người xem dễ dàng nắm bắt thông tin nhanh chóng Tuy nhiên, do thời lượng ngắn, các nội dung học thuật không thể được truyền tải đầy đủ, vì vậy người dùng thường tìm đến YouTube để xem các video dài hơn TikTok được xem như một nguồn tham khảo hữu ích, nơi người dùng có thể tìm kiếm các đánh giá và trải nghiệm thực tế về sản phẩm, chẳng hạn như đánh giá về trang phục hoặc tính năng sản phẩm.
Từ kết quả thảo luận nhóm và những minh chứng trong nghiên cứu đề xuất thêm giả thuyết như sau:
H7: Đa dạng phương thức thể hiện ảnh hưởng trực tiếp đến hành vi tìm kiếm thông tin của người dùng
Hai biến đo lường trong bảng câu hỏi về đa dạng phương thức đã được điều chỉnh dựa trên phản hồi của các đáp viên, nhằm giảm thiểu sự mập mờ và nâng cao sự rõ ràng cho người trả lời.
Dựa trên ý kiến của các đáp viên, nghiên cứu đã điều chỉnh thang đo bằng cách bổ sung một biến đo lường mới và loại bỏ một biến cũ, nhằm thể hiện rõ hơn tác động của đa dạng phương thức đến hành vi của người dùng.
Mã hóa Thang đo ban đầu Thang đo điều chỉnh Nghiên cứu
Khi tôi xem các video live trên Tik Tok, tôi như đang được trò chuyện trực tiếp Loại bỏ sau định tính
Các video trên Tik Tok đem lại cho tôi cảm giác thực tế
Tik Tok giúp tôi trải nghiệm những nơi tôi chưa đến
Hình thức video trên Tik Tok giúp tôi trải nghiệm những nơi chưa từng đến
Hình thức video trên tik tok là một nguồn tham khảo tốt
Bổ sung sau định tính
Tôi cảm thấy như tôi có thể trải nghiệm nhiều điều mà không cần thực sự ở đó
Hình thức video làm tôi cảm thấy có thể trải nghiệm nhiều điều dù không thực sự ở đó Điều chỉnh sau định tính
Bảng 4.6: Thang đo Đa dạng phương thức thể hiện
Xuất hiện biến mới: Người sáng tạo nội dung có sức ảnh hưởng (Influencer):
Sau quá trình thảo luận nhóm, có thể thấy rằng những người sáng tạo nội dung trên mạng xã hội, khác với những người ủng hộ truyền thống, thường là những cá nhân đã xây dựng được danh tiếng thông qua việc tạo ra nội dung lan truyền Định nghĩa về người có ảnh hưởng trên mạng xã hội là những người sáng tạo nội dung có chuyên môn trong lĩnh vực nhất định và thu hút một lượng lớn người theo dõi, từ đó tạo ra giá trị thương mại cho thương hiệu Nghiên cứu cho thấy niềm tin của người dùng Instagram đối với đánh giá sản phẩm của người nổi tiếng được hình thành bởi chuyên môn và sự phù hợp giữa quan điểm của họ với người dùng Hơn nữa, độ tin cậy, sức hấp dẫn và sự tương đồng của những người có ảnh hưởng với người theo dõi có tác động tích cực đến niềm tin của họ đối với các bài đăng thương hiệu Do đó, sự nhận thức của người theo dõi về những người có ảnh hưởng sẽ ảnh hưởng đến niềm tin của họ đối với nội dung được tài trợ.
Theo lý thuyết U&G, người dùng sẽ tiếp tục theo dõi những người ảnh hưởng khi họ cảm thấy thỏa mãn và tin cậy vào thông tin mà họ cung cấp (2019) Nghiên cứu của Chakraborty và Bhat (2018) cũng chỉ ra rằng độ tin cậy của nguồn đánh giá trực tuyến và chất lượng của các đánh giá này là những yếu tố quan trọng trong việc tạo dựng niềm tin của người tiêu dùng đối với thông tin nhận được.
Nghiên cứu định lượng sơ bộ
4.2.1 Kết quả định lượng sơ bộ lần thứ nhất
Thông qua các câu trả lời từ khảo sát định lượng sơ bộ trên 167 đáp viên thu về được
150 kết quả hợp, nghiên cứu tiến hành lọc dữ liệu và xử lý thông qua phần mềm SmartPLS 4.0.8.8, đưa ra được các kết quả như sau:
Để đánh giá độ tin cậy của các chỉ báo, cần kiểm tra mức độ tin cậy và tính nhất quán nội bộ Hệ số tải ngoài chuẩn hóa của từng chỉ báo phải đạt trên 0,708 (Hà & Thành, 2020; Hair et al., 2019) Độ tin cậy nhất quán nội bộ phản ánh sự đồng nhất trong đo lường của các chỉ báo (DeVellis, 2016; Hà & Thành, 2020; Price et al., 2015) Hệ số CR được sử dụng để đánh giá mô hình đo lường, với CR từ 0,60 đến 0,70 được coi là "có thể chấp nhận được trong nghiên cứu khám phá", trong khi CR từ 0,70 đến 0,95 thể hiện độ tin cậy "đạt yêu cầu đến tốt" (Hair Jr et al., 2017).
Cronbach's alpha Độ tin cậy tổng hợp CR Tổng phương sai trích
Bảng 4.8: Bảng tóm tắt kết quả mô hình PLS_SEM
Theo kết quả từ phần mềm SMARTPLS_SEM, giá trị Cronbach’s Alpha của nhân tố DC là 0,648, thấp hơn mức 0,708, cho thấy thang đo này không đạt độ tin cậy Trong khi đó, các nhân tố khác đều có giá trị lớn hơn 0,708, và độ tin cậy tổng hợp của các thang đo đều vượt mức 0,7 Hơn nữa, phương sai trích trung bình (AVE) của các thang đo đều lớn hơn 0,5, chứng tỏ giá trị hội tụ đạt yêu cầu Để kiểm định độ phù hợp của thang đo trong các biến quan sát, nghiên cứu sẽ tiếp tục thực hiện kiểm định CFA dựa trên phương pháp kiểm định giá trị hội tụ và giá trị phân biệt.
● Đánh giá giá trị hội tụ của thang đo
Giá trị hội tụ phản ánh mối liên hệ tích cực giữa các biến quan sát trong cùng một cấu trúc Để đánh giá giá trị hội tụ của thang đo, cần xem xét độ tin cậy của biến quan sát và phương sai trích trung bình (AVE) Độ tin cậy được tính bằng bình phương của trọng số chuẩn hóa (Outer loading) Thang đo đạt giá trị hội tụ khi tất cả trọng số chuẩn hóa đều lớn hơn 0,7 và AVE lớn hơn 0,5 (Hair et al., 2016).
Dựa trên kết quả bảng 4.8 ta thấy phương sai trích trung bình (AVE) đều lớn hơn 0,5 và dao động từ 0,510 đến 0,687 nên thang đo đạt giá trị hội tụ
AH CL DC DD TC TM TT XH
Bảng 4.9: Bảng kết quả hệ số tải chéo của mô hình PLS_SEM
Nguồn: Trích dẫn từ phần mềm SMARTPLS_SEM
Sau khi thực hiện chạy outer loading, biến DC1 "Tôi có thể điều chỉnh để tìm kiếm thông tin trên Tik Tok" đã bị loại do hệ số tải 0,312 < 0,7 Các biến còn lại có hệ số tải lớn hơn 0,7, dao động từ 0,711 đến 0,887, nên được chấp nhận Nghiên cứu đã tiến hành loại bỏ biến DC1 và thực hiện chạy lại lần hai.
4.2.2 Kết quả định lượng sơ bộ lần thứ hai
Dựa trên khảo sát định lượng sơ bộ với 167 đáp viên, nghiên cứu đã thu thập được 150 kết quả hợp lệ Dữ liệu sau đó được lọc và xử lý bằng phần mềm SmartPLS 4.0.8.8, từ đó đưa ra các kết quả nghiên cứu quan trọng.
Cronbach's alpha Độ tin cậy tổng hợp CR Tổng phương sai trích
Bảng 4.10: Bảng tóm tắt kết quả mô hình PLS_SEM
Theo kết quả nghiên cứu từ phần mềm SMARTPLS_SEM, hệ số Cronbach Alpha dao động từ 0,743 đến 0,918, cho thấy độ tin cậy của thang đo là cao, với tất cả các giá trị đều lớn hơn 0,7 Đồng thời, độ tin cậy tổng hợp CR cũng nằm trong khoảng từ 0,749 đến 0,920, xác nhận rằng mô hình và thang đo đề xuất đều có độ tin cậy nhất quán và hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.11: Bảng hệ số tải chéo của mô hình PLS_SEM
Để đánh giá giá trị hội tụ, hệ số AVE cần phải lớn hơn 0,5 Kết quả cho thấy tất cả các giá trị AVE đều nằm trong khoảng từ 0,602 đến 0,687 Hơn nữa, các trọng số chuẩn hóa đều lớn hơn 0,7, với khoảng giá trị từ 0,711 đến 0,887 Điều này chứng tỏ rằng tất cả các biến đều đạt yêu cầu về giá trị hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.12: Bảng chỉ số HTMT của mô hình PLS_SEM
Nguồn: Trích dẫn từ phần mềm SMARTPLS_SEM
Theo Hair et al (2016), giá trị phân biệt là khả năng phân biệt một cấu trúc với các cấu trúc khác dựa trên các tiêu chuẩn thực nghiệm Để đánh giá giá trị phân biệt của thang đo, cần chú ý đến chỉ số HTMT, được tính bằng tỉ số giữa hệ số tương quan của các đặc điểm và hệ số tương quan nội bộ của các đặc điểm đó Khi chỉ số HTMT nhỏ hơn 1, thang đo được coi là có giá trị phân biệt, và lý tưởng nhất là khi chỉ số này nhỏ hơn 0,9 (Hair et al., 2016).
Dựa trên kết quả từ bảng 4.12, có hai cặp chỉ số lớn hơn 0,9, cụ thể là 0,936 giữa TC - Độ tin cậy thông tin và AH - Người sáng tạo nội dung có sức ảnh hưởng, cùng với 0,942 giữa XH - Thông tin xu hướng và TM - Tính mới Tuy nhiên, các cặp này vẫn nằm trong giới hạn cho phép và đạt yêu cầu dưới 1 Các cặp còn lại đều có chỉ số HTMT dưới 0,9, do đó đều đạt giá trị phân biệt.
Nghiên cứu định lượng chính thức
Dựa trên khảo sát định lượng với 279 người tham gia, nghiên cứu đã thu thập được 253 kết quả hợp lệ Dữ liệu được lọc và xử lý bằng phần mềm SmartPLS 4.0.8.8, từ đó đưa ra các kết quả nghiên cứu đáng chú ý.
4.3.1 Kết quả thống kê mô tả
4.3.1.1 Thống kê mô tả mẫu nghiên cứu
Hình 4.2: Thống kê độ tuổi người tham gia khảo sát
Theo bảng khảo sát, nhóm tuổi từ 18-22 chiếm 76% với 192 người tham gia, cao hơn nhóm tuổi 23-25 với 20% (50 người) và nhóm 26-30 chỉ chiếm 4% Điều này cho thấy người dùng TikTok ở độ tuổi 18-22 là chủ yếu trong số những người tham gia khảo sát.
Hình 4.3: Thống kê giới tính người tham gia khảo sát
Theo bảng khảo sát, tỷ lệ người tham gia nữ đạt 181 người (72%), cao hơn tỷ lệ nam với 72 người (28%) Điều này cho thấy nữ giới chiếm ưu thế trong việc sử dụng TikTok trong số những người tham gia khảo sát.
Hình 4.4: Thống kê trình độ học vấn người tham gia khảo sát
Theo bảng khảo sát, 100% người tham gia có trình độ học vấn từ cao đẳng trở lên Điều này cho thấy rằng tất cả người dùng TikTok tham gia khảo sát đều sở hữu bằng cấp cao đẳng hoặc đại học.
Hình 4.5: Thống kê nghề nghiệp người tham gia phỏng vấn
Thông bảng khảo sát, tỷ lệ người tham gia thuộc là học sinh viên chiếm 64%
Trong một khảo sát với 198 người tham gia, có 104 người đi làm (chiếm 33%) và 9 người lao động tự do (chiếm 3%) Kết quả cho thấy, tỷ lệ người dùng TikTok chủ yếu là học sinh và sinh viên, chiếm đa số trong số những người tham gia khảo sát.
4.3.2.2 Thống kê mô tả các biến định lượng
Thang đo dùng cho nghiên cứu định lượng chính thức sẽ bao gồm 36 biến quan sát thuộc 8 nhân tố
Nhân tố “Trendiness - Thông tin xu hướng” có 4 biến quan sát đo lường Kí hiệu là “XH”
Nhân tố "Novelty - Tính mới" được đo lường qua 4 biến quan sát, ký hiệu là "TM" Bên cạnh đó, nhân tố "Modality - Đa dạng phương thức thể hiện" cũng có 4 biến quan sát để đánh giá.
Nhân tố “Information Reliability -Độ tin cậy của thông tin” có 4 biến quan sát đo lường Kí hiệu là “TC”
Nhân tố “Information Seeking Behaviour - Hành vi tìm kiếm thông tin- có 5 biến quan sát đo lường Kí hiệu là “TT”
Nhân tố “Influencer - Tiktoker- Người sáng tạo nội dung có sức ảnh hưởng”- có 5 biến quan sát đo lường Kí hiệu là “AH”
Nhân tố “Information quality- Chất lượng thông tin- có 7 biến quan sát đo lường
STT Tên biến Giá trị trung bình Giá trị nhỏ nhất Giá trị lớn nhất
Bảng 4.13: Thống kê mô tả các biến thu được
Giá trị trung bình ở các biến rơi vào khoảng từ 3,67 - 4,0 Giá trị nhỏ nhất là 1 và lớn nhất là 5
4.3.2 Kết quả đánh giá thang đo
Kết quả đánh giá thang đo trong nghiên cứu này được thực hiện thông qua các phương pháp kiểm tra mô hình đo lường, bao gồm kiểm định độ tin cậy, phân tích nhân tố khẳng định (CFA) và kiểm tra mô hình cấu trúc tuyến tính (SEM).
4.3.2.1 Kiểm tra mô hình đo lường ã Kết quả định lượng lần thứ nhất
Cronbach's Alpha Độ tin cậy tổng hợp Tổng phương sai trích
Bảng 4.14: Bảng thang đo, độ tin cậy, độ giá trị của mô hình lần 1
Kết quả nghiên cứu từ phần mềm Smart PLS cho thấy Cronbach’s Alpha đều lớn hơn 0,708, cho thấy độ tin cậy nhất quán nội bộ của các thang đo Hơn nữa, phương sai trích trung bình (AVE) cũng lớn hơn 0,5, chứng tỏ thang đo đạt giá trị hội tụ.
AH CL DC DD TC TM TT XH
Bảng 4.15: Bảng kết quả kiểm định hệ số tải của nhân tố lần 1
Nguồn: Trích xuất từ phần mềm Smart PLS
Dựa vào kết quả từ bảng 4.15, có thể thấy rằng hệ số tải của các biến thông tin xu hướng, tính mới, độ tin cậy của thông tin, người sáng tạo nội dung có sức ảnh hưởng, sự đa dạng hình thức và hành vi tìm kiếm thông tin đều lớn hơn 0,7 Tuy nhiên, biến CL 7 thuộc nhân tố chất lượng thông tin có hệ số tải nhỏ hơn 0,7, do đó cần loại bỏ biến này và tiến hành chạy lại lần thứ hai.
Cronbach's alpha Độ tin cậy tổng hợp Tổng phương sai trích (AVE)
Bảng 4.16: Bảng thang đo, độ tin cậy, độ giá trị của mô hình lần 2
Theo kết quả nghiên cứu từ phần mềm Smart PLS, Cronbach’s Alpha đều lớn hơn 0,708, cho thấy độ tin cậy nội bộ của các thang đo là cao Hơn nữa, giá trị phương sai trích trung bình (AVE) cũng lớn hơn 0,5, chứng tỏ các thang đo đạt giá trị hội tụ tốt.
AH CL DC DD TC TM TT XH
Bảng 4.17: Bảng kết quả kiểm định hệ số tải của nhân tố lần 2
Dựa vào bảng 4.17, các biến thông tin xu hướng, tính mới, độ tin cậy của thông tin, sức ảnh hưởng của người sáng tạo nội dung, sự đa dạng hình thức và hành vi tìm kiếm thông tin đều có hệ số tải lớn hơn 0,7, dao động từ 0,714 đến 0,901, cho thấy giá trị hội tụ rất tốt theo Hair et al (2016).
AH CL DC DD TC TM TT XH
Bảng 4.18: Bảng chỉ số HTMT cho mô hình đo lường điều chỉnh
Nguồn: Trích xuất từ phần mềm Smart PLS
Giá trị phân biệt được xác định khi chỉ số HTMT nhỏ hơn 1, với mức lý tưởng là dưới 0,9 (Hair, 2019) Do đó, tất cả các chỉ số trong bảng 4.18 đều nằm trong phạm vi cho phép, cho thấy giá trị phân biệt đạt yêu cầu tốt.
4.2.3.2 Kiểm tra mô hình cấu trúc
Phân tích mô hình cấu trúc tuyến tính (SEM) giúp xác định các yếu tố ảnh hưởng đến hành vi tìm kiếm thông tin trên Tiktok SEM là phương pháp phổ biến trong nghiên cứu nhờ vào khả năng linh hoạt trong thống kê và giải thích mối quan hệ giữa nhiều biến Theo Hair et al (2016), mô hình cấu trúc được sử dụng để đánh giá mối quan hệ giữa các biến tiềm ẩn Trong nghiên cứu này, kỹ thuật PLS-SEM được áp dụng, và quy trình phân tích sẽ được thực hiện theo hướng dẫn của Hà & Thành (2020).
Theo Hà & Thành (2020), mức độ đa cộng tuyến là yếu tố quan trọng để đảm bảo rằng các hệ số đường dẫn ước lượng từ hồi quy các biến nội sinh trên các biến ngoại sinh không bị lệch, và sai số chuẩn của hệ số hồi quy không làm giảm hệ số student hay tăng P-value Cụ thể, khi VIF ≥ 5, đa cộng tuyến giữa các biến tiềm ẩn sẽ xuất hiện; trong khoảng 3 ≤ VIF < 5, hiện tượng đa cộng tuyến có thể được xác định; và nếu VIF nhỏ hơn 3, thì không có dấu hiệu của đa cộng tuyến (Hair et al., 2019).
AH CL DC DD TC TM TT XH
Bảng 4.19: Bảng thể hiện các chỉ số VIF
Nguồn: Trích xuất từ phần mềm Smart PLS
Kết quả tổng hợp cho thấy các giá trị VIF dao động từ 1,574 đến 3,140, điều này chứng tỏ rằng không có hiện tượng đa cộng tuyến trong các mô hình cấu trúc thành phần.
● Đánh giá ý nghĩa thống kê