tiểu luận phân tích sự tác động của mạng tiktok ảnh hưởng đến ý thức học của sinh viên iuh

Điều ny đặt ra câu hỏi về tác động của mạng xã hội TikTok đến đời sống v hnh vi của các nhóm người sử dụng, đặc biệt l đối với sinh viên.. Để hiểu rõ hơn về sự ảnh hưởng m mạng xã h

Mục tiêu nghiên cứu

Mục tiêu chnh

Tìm hiểu về tác động của mạng xã hội TikTok đến ý thức học tập của sinh trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh.

Mục tiêu cụ thể

Khảo sát thực trạng sử dụng mạng xã hội TikTok hiện nay của sinh trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh

Tìm hiểu tác động tch cực v tiêu cực của mạng xã hội TikTok đến ý thức học tập của sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh Đề xuất giải pháp nhằm phát huy những tác động tốt cũng như hạn chế các tác động xấu của mạng xã hội Tiktok đến ý thức học tập của sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh.

Câu hỏi nghiên cứu

Thực trạng sử dụng mạng xã hội TikTok hiện nay của sinh trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh như thế no?

Mạng xã hội TikTok tác động tch cực v tiêu cực như thế no đến ý thức học tập của sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh? Để phát huy những tác động tốt cũng như hạn chế các tác động xấu của mạng xã hội Tiktok đến ý thức học tập của sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh cần phải thực hiện giải pháp gì?

Ý nghĩa khoa học và thực tiễn của đề tài

Ý nghĩa khoa học của đề ti

Đánh giá được mức độ tác động của TikTok lm ảnh hưởng đến ý thức học của sinh viên IUH Biết được sinh viên IUH đã sử dụng TikTok với mục đch gì v sử dụng để lm gì có liên quan đến việc học hay không trong thời gian qua.

Ý nghĩa thực tiễn của đề ti

Sau khi nghiên cứu bi tiểu luận thì sẽ thu được kết quả Từ kết quả đó sẽ giúp cho nhóm tác giả có thể biết cũng như l hiểu được sự tác động của mạng TikTok ảnh hưởng như thế no đến đối với ý thức học của sinh viên IUH Từ đó đề xuất ra những giải pháp nhằm khắc phục những tác động tiêu cực cũng như l giúp nâng cao những tác động tch cực m TikTok mang lại trong ý thức học của sinh viên IUH.

PHƯƠNG PHÁP NGHIÊN CỨU

Xây dựng mô hình nghiên cứu

Nhân tố Mã hóa Biến quan sát Phương pháp nghiên cứu Biến độc lập TT

Khảo sát bằng bảng câu hỏi với công cụ Google Form TikTok

TikTok cung cấp những kiến thức bổ ch cho việc học

Những clip truyền cảm hứng của TikTok tạo được động lực học tập

TT3 Mạng TikTok như l một công cụ học tập

Sử dụng TikTok có thể lm giảm hiệu quả học tập

Sử dụng thời gian nhiều vo việc truy cập TikTok hơn l vo việc học tập

Biến phụ thuộc YTH Ý thức học YTH Mạng TikTok tác động tch cực đến ý thức học

B ả ng 3.1.1 : Mô tả bi ế n 3.1.2 Mô hình nghiên cứu

Dựa trên đề ti nghiên cứu, nhóm tác giả đã xây dựng mô hình nghiên cứu đề xuất như sau:

YTH = 𝛼𝑖 + 𝛽1TT1 + 𝛽2TT2 + 𝛽3TT3 + 𝛽4TT4 + 𝛽5TT5 + 𝜀𝑖

Một số kiểm định mô hình

3.3.1 Kiểm định độ tin cậy Cronbach's Alpha

Cronbach’s Alpha l một phương pháp phân tch thống kê được dùng để đánh giá sự liên kết v mối liên hệ giữa các biến quan sát Mức độ liên quan giữa các biến v mức độ tương quan giữa điểm số của từng biến với tổng điểm của tất cả các biến được quan sát l hai kha cạnh quan trọng trong phương pháp ny Kh nh nghiên cứu sử i dụng phương pháp ny trong nghiên cứu của mình sẽ giúp họ có thể loại bỏ các biến không phù hợp v trong quá trình nghiên cứu thì giảm thiểu được các biến rác Tuy nhiên, hệ số Cronbach’s Alpha không cho biết biến quan sát cần bị loại đi hay giữ lại, hệ số ny chỉ cho biết mức độ liên kết giữa các biến Vì thế, các biến quan sát no không đóng góp nhiều cho mô tả khái niệm cần đo sẽ được xác định bằng việc tnh toán hệ số tương quan giữa biến tổng (Trọng & Ngọc, Phân tch dữ liệu nghiên cứu với SPSS tập -

- Hệ số α của Cronbach’s: l một phép kiểm định thống kê về mức độ chặt chẽ m các mục hỏi trong thang đo tương quan với nhau (Trọng & Ngọc, Phân tch dữ liệu nghiên cứu với SPSS tập 2, 2008).Để có thể chấp nhận được về độ tin cậy, thang đo có phải có hệ số Cronbach’ alpha từ 0,6 trở lên Thông thường, để có độ tin cậy tốt thì thang đo phải có hệ số Cronbach’s Alpha trong khoảng từ 0,7 đến 0,8 Trong khi đó, có rất nhiều nh nghiên cứu đồng ý rằng thang đo lường l tốt khi Cronbach’s Alpha từ 0,8 trở lên đến gần 1 (Thọ, 2012)

- Hệ số tương quan biến-tổng (item-total correlation) l một chỉ số đo lường độ tương quan giữa một biến v điểm trung bình của tất cả các biến trong cùng một thang đo Độ liên quan giữa biến số ny v các biến khác trong nhóm sẽ cng cao khi giá trị của hệ số ny cng cao Trong quá trình nghiên cứu, các biến có hệ số tương quan biến tổng dưới - 0.3 được xem l không cần thiết v sẽ bị loại bỏ khỏi thang đo (James, Nunnally, Bernstein, & Borah, 1994)

Dựa theo thông tin trên, nhóm tác giả chọn thang đo có độ tin cậy Alpha lớn hơn 0,6 v loại các biến quan sát có hệ số tương quan biến tổng nhỏ hơn 0,3.-

3.3.2 Phân tích nhân tố khám phá EFA

Phân tch nhân tố khám phá (EFA) l một phương pháp phân tch định lượng được sử dụng để giảm số lượng biến đo lường phụ thuộc có tương quan với nhau trong một tập dữ liệu Phương pháp ny tạo ra một tập biến t hơn (được gọi l các nhân tố) nhưng vẫn chứa đựng gần như ton bộ thông tin của các biến ban đầu v cũng có ý nghĩa cao hơn (Hair, Black, Babin, & Anderson, Multivariate Data Analysis, 2010) Khi phân tch nhân tố khám phá, có những tiêu chuẩn sau cần phải quan tâm:

- Hệ số tải nhân tố (Factor loading) biểu thị mối quan hệ tương quan giữa biến quan sát v nhân tố, nó được định nghĩa l trọng số nhân tố Mối quan hệ giữa biến quan sát v nhân tố cng lớn khi ột hệ số tải nhân tố cng cao v ngược lại Theo Hair v cộng sựm (1998), hệ số tải nhân tố l chỉ tiêu quan trọng đảm bảo mức ý nghĩa của EFA, với các ngưỡng sau (Hair, Black, Babin, & Anderson, Multivariate Data Analysis, 1998):

• Factor loading > 0.3 được coi l đạt mức tối thiểu

• Factor loading > 0.4 được coi l quan trọng

• Factor loading > 0.5 được coi l có ý nghĩa thực tiễn

- Hệ số KMO (Kaiser-Meyer-Olkin) được sử dụng để đánh giá tnh phù hợp của phân tch nhân tố Để đảm bảo phân tch nhân tố l thch hợp thì phải đáp ứng đủ điều kiện l giá trị của KMO đạt từ 0,5 trở lên (0,5 ≤ KMO ≤ 1) Nhân tố có khả năng không phù hợp với dữ liệu nghiên cứu nếu giá trị KMO nhỏ hơn 0,5

- Kiểm định Bartlett (Bartlett's test of sphericity) được sử dụng nhằm đánh giá mức độ tương quan giữa các biến quan sát trong nhân tố Các biến quan sát được kết luận rằng có mối tương quan với nhau trong nhân tố nếu giá trị thống kê của kiểm định Bartlett (sig Bartlett's Test) nhỏ hơn 0,05

- Trị số Eigenvalue l một chỉ tiêu thường được dùng để xác định số lượng nhân tố trong phân tch EFA Theo tiêu ch ny, những nhân tố được giữ lại trong mô hình phân tch nếu chúng có giá trị Eigenvalue ≥ 1

- Tổng phương sai trch (Total Variance Explained) thể hiện phần trăm sự biến động của tất cả các biến quan sát trong mô hình phân tch nhân tố Giá trị ny cho biết phân tch nhân tố giải thch được bao nhiêu % nếu xem biến thiên l 100% Mô hình EFA được coi l phù hợp nếu giá trị tổng phương sai trch đạt ở mức ≥ 50%

3.3.3 Phân tích tương quan (Peron)

Hệ số tương quan Pearson (k hiệu r) được sử dụng để đo lường mức độ tương quan tuyến tnh giữa hai biến Theo nguyên tắc, với mối quan hệ giữa hai biến thì hệ số ny sẽ cho thấy đường thẳng phù hợp nhất (Trọng & Ngọc, Phân tch dữ liệu nghiên cứu với SPSS tập 1 & tập 2, 2005)

Giá trị hệ số tương quan Pearson (r) nằm trong khoảng từ -1 đến +1 Để kết luận rằng mối tương quan có ý nghĩa thì cần phải thỏa mãn điều kiện giá trị Sig < 0,05.

• R0 cho thấy sự tương quan thuận giữa hai biến, nếu giá trị của biến ny tăng sẽ lm cho giá trị của biến kia cũng tăng v ngược lại,

3.3.4 Phân tích phương trình hồi quy tuyến tính

Ta có thể sử dụng phương pháp hồi quy tuyến tnh để mô hình hóa quan hệ nhân quả, sau khi kết luận rằng có mối quan hệ tuyến tnh giữa các biến độc lập v biến phụ thuộc (Trọng & Ngọc, Phân tch dữ liệu nghiên cứu với SPSS tập 1 & tập 2, 2005) Kiểm định giả thuyết trong phân tch hồi qui tuyến tnh:

- Giá trị R 2 (R Square) v R 2 hiệu chỉnh (Adjusted R Square) đo lường mức độ giải thch của các biến độc lập đối với biến R phụ thuộc trong mô hình hồi quy Các giá trị ny dao động từ 0 đến 1, khi giá trị ny tiến về 0 thì mức độ giải thch của mô hình cng yếu Ngược lại, khi giá trị ny cng tiến về 1 thì mô hình cng có ý nghĩa

- Kiểm định F: Để kiểm định độ phù hợp của mô hình hồi quy tuyến tnh, ta sử dụng giá trị sig của kiểm định F Giá trị ny được hiển thị trong bảng ANOVA Ta có thể kết luận rằng mô hình hồi quy tuyến tnh phù hợp với tập dữ liệu được sử dụng nếu giá trị sig nhỏ hơn 0,05

Phương pháp thu thập dữ liệu

Thu thập dữ diệu thứ cấp: Dữ liệu được thu thập thông qua các ti liệu ngiên cứu trước đó, các ti liệu liên quan trên sách, các tạp ch, tờ báo uy tn, mạng internet

Thu thập dữ liệu sơ cấp: Thu thập thông qua khảo sát bằng bảng câu hỏi Bảng câu hỏi khảo sát sẽ được thiết kế trên Google Docs sau đó sẽ được gửi cho những đối tượng khảo sát thông qua các phương tiện mạng xã hội như Facebook, Zalo, Gmail,

Thiết kế nghiên cứu định lượng: khảo sát bằng bảng câu hỏi hóm lựa chọnN sử dụng phương pháp nghiên cứu định lượng vì trong khoảng thời gian ngắn có thể thu thập được số lượng lớn thông tin Ngoi ra, còn có thể giúp khái quát dân số nghiên cứu

Phương pháp nghiên cứu: phi thực nghiệm (quan sát, thảo luận/ phỏng vấn nhóm) vì phương pháp ny giúp thu thập được số lượng lớn dữ liệu một cách nhanh chóng v chnh xác, tránh lm mất nhiều thời gian v ảnh hưởng đến đối tượng m nhóm khảo sát Nghiên cứu được thực hiện với hơn 200 sinh viên trường IUH nhóm sẽ gửi , các bảng câu hỏi khảo sát thông qua internet, các phương tiện mạng xã hội v khảo sát trực tiếp Dữ liệu sau khi thu thập sẽ được xử lý bằng phần mềm SPSS, dùng để đánh giá độ tin cậy của thang đo, phân tch nhân tố khám phá, phân tch mức độ tương quan v phân tch hồi quy tuyến tnh nhằm tìm hiểu sự tác động của mạng TikTok đến ý thức học tập của sinh viên IUH

Trong quá trình nghiên cứu, phương pháp chọn mẫu thuận tiện được nhóm sử dụng để thu thập dữ liệu nhằm tiết kiệm thời gian v chi ph do điều kiện thực hiện nghiên cứu ny l có hạn Tuy nhiên, phương pháp ny có độ tin cậy không cao khi khảo sát v có thể ảnh hưởng đến kết quả khảo sát

Theo Tabachnick v Fidell (1996) (Tabachnick & Fidell, 1996) cho rằng để phân tch được hồi quy đa biến, cỡ mẫu nghiên cứu tối thiểu cần đạt được tnh theo công thức:

N = 50+8*m Với m: số biến độc lập của mô hình

Từ công thức trên với số biến độc lập l 5, ta sẽ tnh được số mẫu tối thiểu cần phải khảo sát l 9 Tuy nhiên, kch thước mẫu cng lớn 0 thì độ tin cậy cng cao v kết quả chnh xác hơn, nên nhóm quyết định chọn khoảng 200 sinh viên trường IUH để sẽ tham gia khảo sát

Bảng câu hỏi gồm 2 phần:

1 Hiện tại bạn đang học năm:

PHẦN B: NỘI DUNG KHẢO SÁT

Xin mọi người vui lòng cho biết mức độ đồng ý của mọi người với các phát biểu sau đây bằng cách đánh dấu vo các ô tương ứng, với mức độ không đồng ý giảm dần v mức độ đồng ý tăng dần:

TT1: TikTok cung cấp những kiến thức bổ ch cho việc học

TT2: Những clip truyền cảm hứng của TikTok tạo được động lực học tập

TT3: Mạng TikTok như l một công cụ học tập

TT4: Sử dụng TikTok có thể lm giảm hiệu quả học tập

TT5: Sử dụng thời gian nhiều vo việc truy cập

TikTok hơn l vo việc học tập

YTH: Mạng TikTok tác động tch cực đến ý thức học

Nội dung nghiên cứu bao gồm 3 mục tiêu cụ thể:

Mục tiêu Phương pháp nghiên cứu

1 Khảo sát thực trạng sử dụng mạng xã hội TikTok hiện nay của sinh trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh

Khảo sát bằng bảng câu hỏi với hơn

200 sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh

2 Tìm hiểu tác động tch cực v tiêu cực của mạng xã hội TikTok đến ý thức học tập của sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh

Phân tch thống kê bằng phần mềm

3 Đề xuất giải pháp nhằm phát huy những tác động tốt cũng như hạn chế các tác động xấu của mạng xã hội Tiktok đến ý thức học tập của sinh viên trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh

Suy luận logic kết hợp nghiên cứu lý thuyết

CHƯƠNG 4 KẾT QUẢ C A VỦ ẤN ĐỀ NGHIÊN CỨU

4.1 Kiểm định độ tin c y Cronbach's Alpha ậ

Bảng 1: Thống kê độ tin cậy

Alpha Số biến quan sát

Bảng 1: Thống kê độ tin cậy (Nguồn: Kết quả của nhóm tác giả)

Giá trị Cronbach’s Alpha của thang đo l 0.776 lớn hơn 0.6 nên thang đo được chấp nhận

Bảng 2: Kết quả kiểm định hệ số tin cậy Cronbach’s Alpha

Bảng 2: Kết quả kiểm định hệ số tin cậy Cronbach’s Alpha

(Nguồn: Kết quả của nhóm tác giả)

Trung bình thang đo nếu loại biến

Phương sai thang đo nếu loại biến

Cronbach’s alpha nếu loại biến

Cột thứ ba Tương quan biến tổng, ở cột ny các giá trị đều lớn hơn 0.3 nên các biến quan sát đều đóng góp xây dựng độ tin cậy của thang đo

4.2 Phân tích nhân tố khám phá EFA

Bảng 3: KMO and Bartlett's Test

Giá trị Chi bình phương xấp xỉ 358.540 df 15

Bảng 3: KMO and Bartlett's Test (Nguồn: Kết quả của nhóm tác giả)

Hệ số KMO l 0.739 > 0.5, điều đó cho thấy dữ liệu hon ton thch hợp để dùng phân tch nhân tố

Giá trị của kiểm định Barlett l 358.540 với mức ý nghĩa Sig l 0.000 nhỏ hơn 0.05 nên các biến có sự tương quan với nhau trong tổng thể.

Như vậy các biến có tương quan với nhau v thỏa điều kiện phân tch nhân tố

Bảng 4: Tổng phương sai trích

(Nguồn: Kết quả của nhóm tác giả)

Từ bảng 4 ở trên có thể thấy 5 biến quan sát ban đầu được tạo thnh 2 nhóm

Giá trị tổng phương sai trch l 66.922% lớn hơn 50% nên đạt yêu cầu Từ đó có thể nói rằng 2 nhân tố ny giải thch 66.922% biến thiên của dữ liệu

Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 2 có Eigenvalues thấp nhất l 1.152 > 1

Giá trị Eigen ban đầu Tổng bình phương của hệ số tải nhân tố được trích

Tổng bình phương của hệ số xoay

Tổng % của phương sai Tích lũy % Tổng % của phương sai Tích lũy % Tổng % của phương sai

Ma trận nhân tố với phương pháp xoay Varimax

Bảng 5: Ma trận xoay nhân tố

Biến quan sát Hệ số nhân tố tải

Phương pháp trch: Phân tch thnh phần chnh

Phương pháp xoay: Xoay nhân tố với Kaiser Normalization a Xoay hội tụ trong 3 lần lặp

(Nguồn: Kết quả của nhóm tác giả)

Các hệ số nhân tố tải đều lớn hơn 0.5 v không có trường hợp biến no m cả hai nhân tố với hệ số tải gần nhau cùng lúc tải lên Nên các nhân tố đều đảm bảo được phân biệt khi phân tch EFA v giá trị hội tụ.

Bảng 6: Các mối tương quan

TT1 TT2 TT3 TT4 TT6 YTH

Hệ số tương quan Pearson 1 0.413 ** 0.533 ** 0.279 ** 0.250 ** 0.557 **

Hệ số tương quan Pearson 0.413 ** 1 0.296 ** 0.283 ** 0.216 ** 0.338 **

Hệ số tương quan Pearson 0.533 ** 0.296 ** 1 0.256 ** 0.367 ** 0.624 **

Hệ số tương quan Pearson 0.279 ** 0.283 ** 0.256 ** 1 0.600 ** 0.201 **

Hệ số tương quan Pearson 0.250 ** 0.216 ** 0.367 ** 0.600 ** 1 0.305 **

Hệ số tương quan Pearson 0.557 ** 0.338 ** 0.624 ** 0.201 ** 0.305 ** 1

** Mối tương quan có ý nghĩa ở mức 0,01

(Nguồn: Kết quả của nhóm tác giả)

Ký hiệu ** ở dòng cuối bảng cho biết các cặp biến trong bảng đều có sự tương quan tuyến tnh ở mức tin cậy lên đến 99% (Tương quan có ý nghĩa ở mức 0,01) Tất cả các biến đều có mối quan hệ tương quan với nhau

Có thể thấy các mối tương quan trong đường chéo chnh đều bằng 1 Điều ny l do một biến luôn có tương quan hon hảo với chnh nó

4.4 Phân tích hồi quy tuyến tính

4.4.1 Kiểm định sự phù hợp của mô hình

Bảng 7: Kết quả đánh giá sự phù hợp của mô hình

Sai số chuẩn dự báo

(Nguồn: Kết quả của nhóm tác giả)

Theo bảng 7 có thể thấy giá trị của R 2 hiệu chỉnh bằng 0.459 cho thấy các biến độc lập được đưa vo phân tch hồi quy có ảnh hưởng 45.9% (gần 50 %) sự biến thiên của biến phụ thuộc, còn lại 31.4% l do sai số ngẫu nhiên v các biến chưa được nghiên cứu nằm ngoi mô hình

Giá trị thống kê Durbin Watson l 1.896 tiến gần đến 2, nên có thể kết luận rằng - không xảy ra hiện tượng tương quan chuỗi bậc nhất giữa các sai số a Predictors: (Constant), TT5, TT2, TT3, TT1, TT4 b Dependent Variable: YTH

Bảng 8: Kết quả kiểm định ANOVA a

Mô hình Tổng các bình phương

Trung bình bình phương F Sig

(Nguồn: Kết quả của nhóm tác giả)

Bảng 8 cho đã cho thấy được kết quả của kiểm định F Qua đó có thể giúp đánh giá giả thuyết sự phù hợp của mô hình hồi quy Giá trị sig của kiểm định F bằng 0.000 nhỏ hơn 0.05 Từ đó kết luận được rằng mô hình hồi quy l phù hợp a Dependent Variable: YTH b Predictors: (Constant), TT6, TT2, TT3, TT1, TT4

4.4.3 Phân tích phương trình hồi quy

Bảng 9: Hệ số hồi quy

Hệ số hồi quy chưa chuẩn hóa

Hệ số hồi quy chuẩn hóa t Sig

Thống kê đa cộng tuyến

B Sai số chuẩn Beta Dung sai VIF(Hệ số phóng đại phương sai)

(Nguồn: Kết quả của nhóm tác giả

KẾT QUẢ CỦA VẤN ĐỀ NGHIÊN CỨU

Phân tích nhân tố khám phá EFA

Bảng 3: KMO and Bartlett's Test

Giá trị Chi bình phương xấp xỉ 358.540 df 15

Bảng 3: KMO and Bartlett's Test (Nguồn: Kết quả của nhóm tác giả)

Hệ số KMO l 0.739 > 0.5, điều đó cho thấy dữ liệu hon ton thch hợp để dùng phân tch nhân tố

Giá trị của kiểm định Barlett l 358.540 với mức ý nghĩa Sig l 0.000 nhỏ hơn 0.05 nên các biến có sự tương quan với nhau trong tổng thể.

Như vậy các biến có tương quan với nhau v thỏa điều kiện phân tch nhân tố

Bảng 4: Tổng phương sai trích

(Nguồn: Kết quả của nhóm tác giả)

Từ bảng 4 ở trên có thể thấy 5 biến quan sát ban đầu được tạo thnh 2 nhóm

Giá trị tổng phương sai trch l 66.922% lớn hơn 50% nên đạt yêu cầu Từ đó có thể nói rằng 2 nhân tố ny giải thch 66.922% biến thiên của dữ liệu

Giá trị hệ số Eigenvalues của các nhân tố đều cao (>1), nhân tố thứ 2 có Eigenvalues thấp nhất l 1.152 > 1

Giá trị Eigen ban đầu Tổng bình phương của hệ số tải nhân tố được trích

Tổng bình phương của hệ số xoay

Tổng % của phương sai Tích lũy % Tổng % của phương sai Tích lũy % Tổng % của phương sai

Ma trận nhân tố với phương pháp xoay Varimax

Bảng 5: Ma trận xoay nhân tố

Biến quan sát Hệ số nhân tố tải

Phương pháp trch: Phân tch thnh phần chnh

Phương pháp xoay: Xoay nhân tố với Kaiser Normalization a Xoay hội tụ trong 3 lần lặp

(Nguồn: Kết quả của nhóm tác giả)

Các hệ số nhân tố tải đều lớn hơn 0.5 v không có trường hợp biến no m cả hai nhân tố với hệ số tải gần nhau cùng lúc tải lên Nên các nhân tố đều đảm bảo được phân biệt khi phân tch EFA v giá trị hội tụ.

Phân tích tương quan

Bảng 6: Các mối tương quan

TT1 TT2 TT3 TT4 TT6 YTH

Hệ số tương quan Pearson 1 0.413 ** 0.533 ** 0.279 ** 0.250 ** 0.557 **

Hệ số tương quan Pearson 0.413 ** 1 0.296 ** 0.283 ** 0.216 ** 0.338 **

Hệ số tương quan Pearson 0.533 ** 0.296 ** 1 0.256 ** 0.367 ** 0.624 **

Hệ số tương quan Pearson 0.279 ** 0.283 ** 0.256 ** 1 0.600 ** 0.201 **

Hệ số tương quan Pearson 0.250 ** 0.216 ** 0.367 ** 0.600 ** 1 0.305 **

Hệ số tương quan Pearson 0.557 ** 0.338 ** 0.624 ** 0.201 ** 0.305 ** 1

** Mối tương quan có ý nghĩa ở mức 0,01

(Nguồn: Kết quả của nhóm tác giả)

Ký hiệu ** ở dòng cuối bảng cho biết các cặp biến trong bảng đều có sự tương quan tuyến tnh ở mức tin cậy lên đến 99% (Tương quan có ý nghĩa ở mức 0,01) Tất cả các biến đều có mối quan hệ tương quan với nhau

Có thể thấy các mối tương quan trong đường chéo chnh đều bằng 1 Điều ny l do một biến luôn có tương quan hon hảo với chnh nó.

Phân tích hồi quy tuyến tính Error! Bookmark not defined 1 Kiểm định sự phù hợp của mô hình Error! Bookmark not defined 2 Kiểm định ANOVA

4.4.1 Kiểm định sự phù hợp của mô hình

Bảng 7: Kết quả đánh giá sự phù hợp của mô hình

Sai số chuẩn dự báo

(Nguồn: Kết quả của nhóm tác giả)

Theo bảng 7 có thể thấy giá trị của R 2 hiệu chỉnh bằng 0.459 cho thấy các biến độc lập được đưa vo phân tch hồi quy có ảnh hưởng 45.9% (gần 50 %) sự biến thiên của biến phụ thuộc, còn lại 31.4% l do sai số ngẫu nhiên v các biến chưa được nghiên cứu nằm ngoi mô hình

Giá trị thống kê Durbin Watson l 1.896 tiến gần đến 2, nên có thể kết luận rằng - không xảy ra hiện tượng tương quan chuỗi bậc nhất giữa các sai số a Predictors: (Constant), TT5, TT2, TT3, TT1, TT4 b Dependent Variable: YTH

Bảng 8: Kết quả kiểm định ANOVA a

Mô hình Tổng các bình phương

Trung bình bình phương F Sig

(Nguồn: Kết quả của nhóm tác giả)

Bảng 8 cho đã cho thấy được kết quả của kiểm định F Qua đó có thể giúp đánh giá giả thuyết sự phù hợp của mô hình hồi quy Giá trị sig của kiểm định F bằng 0.000 nhỏ hơn 0.05 Từ đó kết luận được rằng mô hình hồi quy l phù hợp a Dependent Variable: YTH b Predictors: (Constant), TT6, TT2, TT3, TT1, TT4

4.4.3 Phân tích phương trình hồi quy

Bảng 9: Hệ số hồi quy

Hệ số hồi quy chưa chuẩn hóa

Hệ số hồi quy chuẩn hóa t Sig

Thống kê đa cộng tuyến

B Sai số chuẩn Beta Dung sai VIF(Hệ số phóng đại phương sai)

(Nguồn: Kết quả của nhóm tác giả

Trong bảng 9, Hệ số phóng đại phương sai (VIF) của các biến độc lập đều nhỏ hơn 2, do đó dữ liệu được sử dụng khôn vi phạm đa cộng tuyến

Dựa vo các hệ số hồi quy ở cột B sẽ xây dựng được phương trình hồi quy sau:

Y = 0.285 + 0.297*TT1 + 0.104*TT2 + 0.456*TT3 – 0.075*TT4 + 0.096*TT5 a Dependent Variable: YTH

4.4.4 Kiểm định mô hình hồi quy

Hình 1: Biểu đồ tần số Histogram

(Nguồn: Kết quả của nhóm tác giả)

Nhìn vo biểu đồ Histogram (Hình 1) có thể thấy được một đường cong phân phối chuẩn được đặt chồng lên biểu đồ tần số Do các phần dư có giá trị trung bình Mean 2.88E-16 gần bằng 0 v có độ lệch chuẩn Std.Dev = 0.987 tức gần bằng 1 cho nên có thể nói phân phối phần dư xấp xỉ chuẩn hóa

Hình 2: Đồ thị phân tán Scatterplot

(Nguồn: Kết quả của nhóm tác giả)

Kết quả từ đồ thị phân tán Scatterplot (Hình 2) cho thấy, phần dư chuẩn hóa tập trung xung quanh đường tung độ 0, do vậy giả định phương sai của sai số không đổi không bị vi phạm

Hình 3: Đồ thị phân tán P-P plot

(Nguồn: Kết quả của nhóm tác giả)

Ngoi ra, quan sát đồ thị P P plot (Hình 3), kết quả cho thấy các điểm quan sát không - phân tán quá xa đường thẳng kỳ vọng Do đó, có thể kết luận rằng giả thuyết phân phối chuẩn không bị vi phạm

ĐỀ XUẤT GIẢI PHÁP VÀ KIẾN NGHỊ

Đề xuất giải pháp

Sinh viên nên phân chia thời gian, cân bằng thời gian hợp lý giữa việc sử dụng mạng xã hội TikTok so với thời gian dnh cho việc học, không nên phân chia thời gian dùng TikTok để giải tr nhiều hơn thời gian dùng để học

Sinh viên cần định hướng ngay từ đầu l sử dụng TikTok như một công cụ học tập, cần tương tác nhiều hơn với những video mang động lực cũng như truyền cảm hứng học để TikTok có thể đề xuất nhiều hơn những video đó Cần xác định rõ l phải luôn tránh xa những video độc hại hoặc có thể ảnh hưởng xấu đến ý thức học tập Để tránh xa những video mang chiều hướng tiêu cực đó thì sinh viên nên báo cáo v chặn những ti khoản đăng video nhằm ngăn chặn TikTok đề xuất những nội dung như vậy

Những sinh viên có thể lập một kênh TikTok riêng của mình, ở kênh ny thì sinh viên có thể chia sẻ những b kp học tập, những kinh nghiệm m mình có được Ngoi ra,

Kiến nghị

Các kiến nghị đưa ra nhằm giúp cho sinh viên sử dụng TikTok hợp l Hạn chế các tác động xấu của TikTok lm ảnh hưởng đến ý thức học của sinh viên, cũng như giúp họ duy trì những mặt tch cực m mạng TikTok mang lại TikTok được tạo ra nhằm giúp cho mọi người giải tr, trò chuyện, kinh doanh v học tập Chúng ta cũng không thể no phủ nhận được những lợi ch to lớn m mạng TikTok đem lại Việc biết cách vận dụng mạng TikTok vo việc học sẽ giúp cho sinh viên Trường Đại học Công Nghiệp Thnh phố Hồ Ch Minh nói riêng v mọi người nói chung đạt được những kết quả tốt nhất, nâng cao ý thức học tập từ việc xem những video truyền cảm hứng trên nền tảng mạng xã hội ny

Thấy được điều đó, nhóm tác giả nghiên cứu đã đưa ra một số kiến nghị về việc sử dụng TikTok sao cho phù hợp đối với các bạn sinh viên

Nh trường nên có riêng cho mình một diễn đn, nơi m các bạn sinh viên v các diễn giả có thể cùng nhau chia sẻ các kinh nghiệm của họ trong việc sử dụng TikTok sao cho hiệu quả đối với việc học cũng như các mục đch sử dụng TikTok khác nhau Giúp cho sinh viên sử dụng TikTok có hiệu quả hơn trong thời gian hằng ngy của họ, tránh lãng ph thời gian v ảnh hưởng đến học tập

Nh trường cũng có thể tổ chức các khóa học đo tạo chuyên sau, cung cấp các kiến thức chuyên ngnh cho sinh viên để họ học hỏi, bổ sung các kiến thức mới m trên giảng đường họ chưa được tiếp xúc Đồng thời, thông qua đó sinh viên cũng có thể mở rộng thêm các mối quan hệ xung quanh, giảm bớt thời gian rảnh rỗi, tận dụng tối đa thời gian cho việc học tập v giảm bớt thời gian dnh cho việc sử dụng TikTok

Gia đình l nền tảng giáo dục quan trọng giúp sinh viên trong việc hình thnh v phát triển nhân cách Một trong những cách giúp cho sinh viên sử dụng TikTok một cách hợp l trong việc học đó chnh l có sự can thiệp tch cực từ gia đình của mình Gia đình nên giúp cho con em mình nhìn thấy được những lợi ch tch cực của TikTok đối với việc học tập của họ, đồng thời ngăn chặn kịp thời những hnh vi tiêu cực Cần có những các giải quyết đúng đắn v phù hợp với việc sử dụng TikTok quá mức m bỏ bê việc học tập hay những tác động xấu m TikTok mang lại

Sinh viên chnh l tương lai của Đất Nước, l thnh phần giúp cho đất nước phát triển Chnh vì vậy, mỗi cá nhân cần nhận thức được tác động của mạng TikTok ảnh hưởng như thế no đến việc học tập của bản thân

Nên biết cách chọn lọc nội dung trên TikTok để xem v học tập Không nên dnh quá nhiều thời gian cho TikTok, cần có thời gian sử dụng hợp l Bởi khi bỏ quá nhiều thời gian để lướt TikTok thì sẽ gây ra những hậu quả vô cùng nghiêm trọng như: giảm thời gian dnh cho việc học, ảnh hưởng sức khỏe v công việc

Chọn xem các kênh TikTok có tác dụng truyền cảm hứng hoặc định hướng trong học tập Việc biết cách chọn lọc nội dung sẽ giúp cho sinh viên có xu hướng học những kiến thức bổ ch, thch học hơn Từ đó nâng cao ý thức học tập của mình.

Hạn chế của đề ti

Mặc dù đã hon thnh kết quả nghiên cứu như kì vọng ban đầu thế nhưng bi nghiên cứu của nhóm tác giả cũng còn một vi hạn chế như sau:

Thứ nhất, nghiên cứu được thực hiện trong khoảng thời gian tương đối ngắn l hơn

3 tháng, thế nên cũng ảnh hưởng phần no đến kết quả phân tch v nghiên cứu

Thứ hai, kinh nghiệm lm bi nghiên cứu dạng bi nghiên cứu khoa học của nhóm tác giả còn hạn chế vì vậy bi nghiên cứu vẫn còn nhiều thiếu xót

Thứ ba, với số lượng mẫu nghiên cứu khoảng 200 l một kch thước mẫu chưa đủ lớn để có thể phản ánh hết được thực trạng cũng như tác động của TikTok mang lại Số lượng mẫu nghiên cứu đó chỉ l một phần rất nhỏ trong số lượng sinh viên trường Đại học Công Nghiệp đang sử dụng mạng xã hội TikTok thế nên kết quả nghiên cứu chưa thực sự trực quan v thực tế