HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN QUYẾT ĐỊNH SỬ DỤNG CÁC CÔNG CỤ TRÍ TUỆ NHÂN TẠO AI TRONG HỌC TẬP & NGHIÊN CỨU CỦA SINH VIÊN... HỒ CHÍ MINH KHÓA LUẬN
TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU
Tính cấp thiết của đề tài
Các công cụ trí tuệ nhân tạo (AI) đang từng bước len lỏi vào mọi ngóc ngách của cuộc sống thường nhật Trí tuệ nhân tạo được ra đời vào những năm 1950, khi các nhà khóa học lần đầu tiên khám phá ra các phương pháp tự động hóa đơn giản John McCarthy – người được công nhận là cha đẻ của trí tuệ nhân tạo đã nhận định rằng “AI là những cỗ máy, thực hiện các chức năng đòi hỏi trí thông minh của con người” (McCarthy và cộng sự, 1995) Định nghĩa “thông minh” là khả năng thực hiện được các nhiệm vụ mà con người làm tốt, bao gồm tiếp thu và xử lý thông tin mới để cải thiện hiệu suất, suy luận và đưa ra kết luận dựa trên thông tin sẵn có, xác định và giải quyết các vấn đề hay khả năng tạo ra những ý tưởng mới lạ… Nghiên cứu của McCarthy đã đặt nền tảng cho sự phát triển của AI trong nhiều thập kỷ qua, mở ra một lĩnh vực nghiên cứu sôi động với nhiều ứng dụng trong thực tế Nếu như trước đây, AI chỉ được sử dụng vào các nghiên cứu vĩ mô, ứng dụng kỹ thuật công nghệ cao; thì giờ đây, AI đã trở nên gần gũi và thực tế hơn với người dùng thông thường nhờ có các công cụ hỗ trợ tích hợp AI
Trong lĩnh vực giáo dục, ngày càng nhiều các công cụ AI hỗ trợ học tập và nghiên cứu như hệ thống học tập thông minh, lớp học ảo, giáo viên ảo… và phổ biến hơn cả là các công cụ chatbot (ChatGPT, BingAI, Codex, Gemini…) Chatbot được định nghĩa là “một phần mềm được lập trình và thiết kế để mô phỏng cuộc trò chuyện với người dùng thông qua trí tuệ nhân tạo” (Sophia and Jacob, 2021) Có thể hiểu đơn giản, chatbot là một cuộc trò chuyện ảo giữa người dùng và AI, nhằm mục đích trả lời các câu hỏi, cung cấp thông tin và thực hiện các nhiệm vụ được chỉ định khác hỗ trợ hoạt động học tập và nghiên cứu Các công cụ này sẽ quét các từ khóa đầu vào, sau đó tìm kiếm bằng các dữ liệu liên quan hoặc các mẫu tương tự từ cơ sở dữ liệu văn bản Cuối cùng, phản hồi lại cho người dùng nội dung truy vấn dưới dạng văn bản hoặc âm thanh
Nhờ các chatbot như trên, học sinh – sinh viên giờ đây có thể được hỗ trợ ngay tức thì mà không cần phải đợi đến giờ lên lớp Các công cụ này đồng thời cho phép học sinh – sinh viên tiếp cận kho tài liệu học tập và bài giảng trực tuyến được tối ưu hóa bởi AI Điều này mở ra cánh cửa cho một môi trường học tập linh hoạt, giúp người học chủ động hơn trong việc quản lý thời gian học, đem đến trải nghiệm học tập hiệu quả Song, việc các công cụ AI trở nên phổ biến trong giáo dục cũng đặt ra những thách thức và lo ngại về việc sử dụng các công cụ này một cách hiệu quả Một trong những thách thức lớn nhất là khả năng phụ thuộc quá nhiều vào công nghệ
Sử dụng các công cụ AI là một hình thức đổi mới có tác động mạnh mẽ trong lĩnh vực giáo dục Tuy nhiên, các nghiên cứu về quyết định sử dụng cũng như thực nghiệm về các nhân tố làm cơ sở cho ý định hành vi của học sinh – sinh viên để sử dụng các công cụ AI trong học tập & nghiên cứu còn hạn chế Có rất ít tài liệu về nhận thức của sinh viên về quyết định lựa chọn sử dụng hoặc không sử dụng công cụ
AI trong học tập & nghiên cứu Nghiên cứu hiện tại nhằm mục đích lấp đầy khoảng trống này và đưa ra nhận thức của đại đa số sinh viên
Hơn nữa, ở khía cạnh thực tiễn trong quá trình học tập tại Thành phố Hồ Chí Minh, tác giả nhận thấy sinh viên tại đây có nhu cầu cao trong việc sử dụng các công cụ AI để nâng cao hiệu quả học tập và nghiên cứu Nhu cầu này được thúc đẩy bởi sự cạnh tranh cao trong môi trường giáo dục, bởi Thành phố Hồ Chí Minh được xem như trung tâm kinh tế, văn hóa và giáo dục lớn nhất Việt Nam, tập trung nhiều trường đại học và cao đẳng với cơ sở vật chất hiện đại, có điều kiện tiếp cận công nghệ AI tiên tiến Nhiều trường đại học tại Thành phố Hồ Chí Minh đã và đang có chương trình đào tạo về AI, cũng như thường xuyên tổ chức các hội thảo, khóa học và hoạt động nghiên cứu về AI cho sinh viên Đây là nguồn dữ liệu phong phú cho nghiên cứu về quyết định sử dụng công cụ AI trong học tập & nghiên cứu của sinh viên
Những lý do trên chính là cơ sở để tác giả đề xuất đề tài “ Các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh ” nhằm tìm hiểu vai trò của công cụ AI và mức độ tác động của các công cụ này đối với sự chấp nhận sử dụng của sinh viên Do hạn chế về nguồn lực nên tác giả chỉ thực hiện nghiên cứu với những đối tượng sinh viên trên địa bàn các quận nội thành Thành phố Hồ Chí Minh.
Mục tiêu nghiên cứu
Nghiên cứu này nhằm xác định các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập và nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh Quá trình nghiên cứu sẽ phân loại các nhân tố liên quan đến nhận thức, kiểm soát hành vi và thái độ đối với hành vi Dựa trên kết quả nghiên cứu, đề tài sẽ đề xuất các biện pháp thúc đẩy việc sử dụng hiệu quả các công cụ AI trong giáo dục, hỗ trợ các cơ quan giáo dục và nhà trường xây dựng chiến lược và chính sách phù hợp để khuyến khích và hỗ trợ sinh viên sử dụng AI hiệu quả.
Từ mục tiêu tổng quát, đề tài xác định các mục tiêu cụ thể như sau:
- Xác định các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ AI trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh
- Xác định mức độ tác động của các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ AI trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh
- Dựa trên cơ sở kết quả nghiên cứu đề xuất các hàm ý quản trị nhằm các nâng cao nhận thức của sinh viên và xây dựng các chương trình đào tạo phù hợp.
Câu hỏi nghiên cứu
Để đạt được mục tiêu nghiên cứu trên, tác giả cần giải quyết các câu hỏi sau: Câu hỏi số 1: Các nhân tố nào ảnh hưởng đến quyết định sử dụng các công cụ
AI trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh?
Câu hỏi số 2: Mức độ tác động của của các nhân tố đến quyết định sử dụng các công cụ AI trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh như thế nào?
Câu hỏi số 3: Những hàm ý quản trị nào nhằm các nâng cao nhận thức của sinh viên về các công cụ AI và xây dựng các chương trình đào tạo phù hợp trong thời gian tới?
Đối tượng và phạm vi nghiên cứu
1.4.1 Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài là các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ AI trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh
Phạm vi về nội dung: Nghiên cứu về quyết định sử dụng các công cụ AI trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh
Phạm vi về thời gian nghiên cứu được xác định từ tháng 04 năm 2024 đến tháng 05 cùng năm Dữ liệu sơ cấp được thu thập trong thời gian này thông qua khảo sát để đảm bảo tính cập nhật và chính xác của thông tin.
Phạm vi về không gian: Đề tài được nghiên cứu tại Thành phố Hồ Chí Minh.
Phương pháp nghiên cứu
Tác giả sử dụng phương pháp nghiên cứu hỗn hợp, bao gồm cả phương pháp nghiên cứu định tính và phương pháp nghiên cứu định lượng
Phương pháp nghiên cứu định tính: Thông qua lượt khảo các nghiên cứu trong và ngoài nước liên quan đến quyết định sử dụng các công cụ AI của sinh viên Sau đó tiến đến tham vấn giảng viên hướng dẫn nhằm xây dựng thang đo và đưa ra những cơ sở lý luận về các nhân tố tác động đến quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh
Phương pháp nghiên cứu định lượng: Thông qua lấy mẫu ngẫu nhiên các sinh viên ở Thành phố Hồ Chí Minh Bộ câu hỏi khảo sát được thiết kế dựa trên Lý thuyết hành vi hoạch định (TPB) để đo lường các biến liên quan đến quyết định sử dụng các công cụ AI của sinh viên bao gồm (1) Hiệu quả mong đợi, (2) Nỗ lực mong đợi, (3) Điều kiện thuận lợi và (4) Nhận thức về giá Những mẫu khảo sát thu thập được sau khi đã sàng lọc sẽ tiến hành phân tích thông qua phần mềm SPSS 20.0 và AMOS 20.0 để xử lý và kiểm định các chỉ số, thang đo, độ tin cậy Cronbach’s Alpha, phân tích CFA và kiểm định SEM Qua đó, đánh giá và đề xuất các hàm ý quản trị nhằm các nâng cao nhận thức của sinh viên về các công cụ AI cũng như xây dựng các chương trình đào tạo phù hợp.
Đóng góp của đề tài
1.6.1 Đóng góp về mặt học thuật Đề tài nghiên cứu “ Các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập & nghiên cứu của sinh viên tại Thành phố
Hồ Chí Minh ” góp phần hệ thống hóa và củng cố hệ thống cơ sở lý luận của các nhân tố ảnh hưởng đến quyết định sử dụng công cụ AI của sinh viên tại thành phố Hồ Chí Minh Nghiên cứu đồng thời là cơ sở tài liệu tham khảo cho các công trình nghiên cứu tiếp theo về các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí AI tương tự trong tương lai
1.6.2 Đóng góp về mặt thực tiễn
Kết quả nghiên cứu của đề tài “ Các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh ” đồng thời giúp nâng cao sự hiểu biết về tâm lý hành vi của sinh viên quyết định sử dụng các công cụ AI, từ đó giúp các nhà giáo dục, nhà phát triển công nghệ AI và các nhà hoạch định chính sách phát triển các chiến lược hiệu quả để thúc đẩy việc sử dụng AI trong học tập và nghiên cứu.
Kết cấu của khóa luận
Đề tài nghiên cứu gồm có 5 chương, cụ thể:
Chương 1: Tổng quan về đề tài nghiên cứu
CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU
Cơ sở lý thuyết
2.1.1 Khái niệm trí tuệ nhân tạo
Trí tuệ nhân tạo (tên tiếng Anh: Artificial Intelligence – viết tắt là AI) là một nhánh của khoa học máy tính, mô phỏng trí thông minh của con người thông qua hệ thống máy tính, bao gồm việc học (khả năng tiếp thu thông tin và quy tắc sử dụng thông tin đó), suy luận (sử dụng quy tắc để đạt đến kết luận xấp xỉ hoặc chính xác), và tự sửa chữa Theo McCarthy và cộng sự (1995), khái niệm AI liên quan đến việc tạo ra những cỗ máy có khả năng thực hiện các nhiệm vụ đòi hỏi trí thông minh của con người AI sẽ dựa trên các thuật toán, chương trình kỹ thuật như học máy, học sâu, các quy tắc và dữ liệu lớn để phát triển các hệ thống mô phỏng trí thông minh của con người (T Zhang, 2023), giúp chúng thực hiện các tác vụ mà không cần phải được lập trình cụ thể để làm như vậy
Trí tuệ nhân tạo (AI) là một lĩnh vực liên ngành, tổng hợp kiến thức và công nghệ từ nhiều lĩnh vực như khoa học máy tính, phân tích thống kê, lý thuyết thông tin và mô hình toán học Có thể phân thành ba loại AI dựa trên khả năng và phạm vi ứng dụng của chúng, bao gồm AI hẹp (ANI), AI tổng quát (AGI) và siêu AI (ASI) AI hẹp được thiết kế để thực hiện một nhiệm vụ cụ thể mà không cần sự can thiệp của con người, thay thế con người thực hiện các nhiệm vụ chuyên dụng, đơn lẻ và ở phạm vi nhỏ AI tổng quát là khái niệm nơi mà máy móc có khả năng thực hiện bất kỳ nhiệm vụ nào mà con người có thể làm, hiện vẫn đang trong giai đoạn nghiên cứu và phát triển Trong khi đó, siêu AI là một tầm nhìn xa hơn, nơi AI có khả năng vượt trội hơn hẳn so với trí tuệ của con người.
Thế kỷ 21 đã mở ra kỷ nguyên mới cho AI, nhờ vào sự phát triển song hành của sức mạnh tính toán, lượng dữ liệu khổng lồ và sự tiến bộ trong lý thuyết AI không chỉ giúp con người giảm bớt gánh nặng công việc mà còn có khả năng xử lý và phân tích dữ liệu lớn một cách nhanh chóng và chính xác; giúp con người ra quyết định tốt hơn mà không bị ảnh hưởng bởi các yếu tố thiên kiến hay cảm xúc
2.1.2 Khái niệm công cụ trí tuệ nhân tạo trong học tập và nghiên cứu
Các công cụ AI đã trở thành một phần không thể thiếu của nhiều lĩnh vực, đặt biệt là giáo dục, góp phần giải quyết nhiều vấn đề khó khăn trong nghiên cứu và hoạt động Trong giáo dục, AI có thể được ứng dụng theo hai hướng chính: (1) tạo ra các công cụ AI hỗ trợ dạy và học hoặc (2) tận dụng AI để thu thập thông tin sâu sắc, đánh giá quá trình học và cải thiện quy trình giáo dục (Holmes và cộng sự, 2019) Các công cụ AI thông thường sẽ là các phần mềm hoặc hệ thống máy tính được thiết kế để thực hiện các nhiệm vụ thông minh một cách tự động, phục vụ cho mục đích cụ thể của người sử dụng Các công cụ này sử dụng các thuật toán AI như học máy, thị giác máy tính và xử lý ngôn ngữ tự nhiên để phân tích dữ liệu, đưa ra dự đoán và đưa ra quyết định Ở khía cạnh học tập và nghiên cứu, các công cụ AI bao gồm hệ thống giảng dạy thông minh, chatbots, robot, bảng điều khiển phân tích học tập, hệ thống học tập thích ứng và đánh giá tự động… tất cả đều nhằm mục đích hỗ trợ và nâng cao trải nghiệm học tập (X Chen và cộng sự, 2020)
Một trong những công cụ AI được sử dụng rộng rãi nhất trong học tập và nghiên cứu có thể kể đến chatbots Theo định nghĩa của Deshpande và cộng sự (2017) chatbots là một chương trình máy tính thực hiện các cuộc hội thoại bằng cách sử dụng đối thoại hoặc văn bản Các chatbots này dựa vào kết hợp từ khóa hoặc xử lý ngôn ngữ tự nhiên (NLP) để có câu trả lời phù hợp nhất từ kho lưu trữ hoặc cơ sở dữ liệu Hiệu quả của một chatbots phụ thuộc vào quy mô và độ chính xác của cơ sở dữ liệu của nó, nghĩa là cơ sở dữ liệu càng lớn thì khả năng hoạt động càng được cải thiện (Aleedy và cộng sự, 2022) Những chatbots tiên phong như Eliza, Parry và Alice đã xuất hiện từ vài thập kỷ trước, và với sự tiến bộ của công nghệ, ngày càng có nhiều các chatbots hiện đại được ra đời như ChatGPT, Microsoft Copilot (trước đây là BingAI), Gemini (trước đây là Brad), Poe… Những chatbots này tạo ra các cuộc đối thoại không giới hạn với người dùng, ở tất cả các lĩnh vực và mục tiêu cụ thể Tuy chưa được công nhận sử dụng chính thức, các chatbots này hiện vẫn đang được áp dụng trong bối cảnh giáo dục cho các mục đích như tiếp thu ngôn ngữ, cung cấp phản hồi, phát triển nhận thức và giải quyết các thắc mắc của rất nhiều học sinh – sinh viên
Ngoài ra, một số công cụ AI khác được sử dụng chủ yếu trả lời câu hỏi của người dùng trong một lĩnh vực cụ thể hoặc cho một mục tiêu cụ thể trong học tập và nghiên cứu có thể kể đến như AskCodi và Socratic đóng vai trò như những người hướng dẫn ảo, giúp giải quyết các bài toán lập trình và các vấn đề học thuật khác, Duolingo hỗ trợ học nhiều ngôn ngữ khác nhau, Resume Revival và Grammarly giúp kiểm tra ngữ pháp trong các bài luận, Caktus.ai và Quizgecko AI giúp giải quyết các bài toán và tạo quiz, Upword AI và TextToHandwriting hỗ trợ học tập và chuyển đổi văn bản thành chữ viết tay, Tome AI và Otter.ai giúp tạo bài thuyết trình và ghi âm bài giảng, còn Pdf.ai và Scholarcy AI hỗ trợ tương tác với tài liệu và tóm tắt bài báo nghiên cứu…
2.1.3 Khái niệm quyết định sử dụng
Khái niệm quyết định sử dụng trong nghiên cứu tâm lý học và khoa học xã hội mô tả quá trình mà qua đó con người tương tác với và sử dụng các đối tượng và tài nguyên xung quanh để đáp ứng nhu cầu của họ Theo Fishbein & Ajzen (1975), quyết định sử dụng là quá trình tư duy và hành động mà người sử dụng tiếp cận, đánh giá và lựa chọn các tài nguyên và đối tượng để thực hiện mục tiêu hoặc nhu cầu của mình Điều này đồng nghĩa với việc quyết định sử dụng không chỉ phụ thuộc vào việc nhận biết và tập trung vào thông tin mà còn vào khả năng lưu trữ và xử lý thông tin
Trong học tập và nghiên cứu, quyết định sử dụng đề cập đến quá trình mà học sinh – sinh viên đưa ra và thực hiện các lựa chọn về việc sử dụng các công cụ, nguồn tài nguyên, phương pháp học tập, hoặc kỹ thuật nghiên cứu cụ thể để đáp ứng các mục tiêu học tập hoặc nghiên cứu của mình Trong ngữ cảnh này, quyết định sử dụng không chỉ đơn thuần là việc lựa chọn giữa các công cụ và nguồn tài nguyên có sẵn, mà còn bao gồm việc đánh giá và chọn lựa những phương tiện và phương pháp phù hợp nhất Đối với học sinh – sinh viên, quyết định sử dụng có thể liên quan đến việc chọn lựa sử dụng các công cụ trí tuệ nhân tạo như chatbot để giải đáp thắc mắc, hệ thống quản lý học tập (LMS) để quản lý và tiếp cận tài liệu học tập, hoặc các phần mềm và công nghệ hỗ trợ nghiên cứu để thu thập, phân tích và trình bày dữ liệu
Theo nghiên cứu của Astin (1984), sinh viên được định nghĩa là những cá nhân theo học chương trình đào tạo bậc đại học và tham gia vào các hoạt động học tập và ngoại khóa nhằm phát triển kiến thức và kỹ năng chuyên môn Các cơ sở đào tạo này bao gồm bao gồm đại học hoặc trường đại học, học viện, cao đẳng hoặc các cơ sở giáo dục sau trung học khác; thuộc quyền quản lý của Nhà nước hoặc một tổ chức chính trị – xã hội Sinh viên là những người tham gia vào quá trình giáo dục đại học, thực hành tiếp thu kiến thức, phát triển các kỹ năng tư duy phản biện và khả năng tự học (Pascarella and Terenzini, 1991) Sinh viên sẽ được học tập trong môi trường giáo dục chuyên nghiệp, được trang bị kiến thức, kỹ năng và kinh nghiệm thực tế thông qua chương trình đào tạo được xây dựng khoa học, nhằm đáp ứng nhu cầu của xã hội và phù hợp với năng lực, sở thích của từng sinh viên Đồng thời có cơ hội tham gia các hoạt động nghiên cứu khoa học, hoạt động xã hội, thể thao, văn nghệ để phát triển toàn diện
Trong bối cảnh hiện đại, khái niệm sinh viên được mở rộng bao gồm không chỉ những người học đại học mà còn cả những người theo đuổi học tập suốt đời, tham gia học trực tuyến và tự học trên nhiều nền tảng Nghiên cứu này tập trung vào nhóm sinh viên đang theo học tại các cơ sở giáo dục đại học tại Thành phố Hồ Chí Minh đại diện cho đối tượng chính của nghiên cứu.
2.1.5 Khái niệm hoạt động học tập và nghiên cứu của sinh viên
Hoạt động học tập của sinh viên bao gồm việc tham gia các bài giảng, thảo luận nhóm, làm bài tập, và thi cử Sinh viên thường phải đọc tài liệu, viết bài luận, và tham gia vào các dự án nhóm nhằm nắm vững kiến thức chuyên môn và phát triển kỹ năng tư duy phản biện, giải quyết vấn đề và giao tiếp Hoạt động nghiên cứu của sinh viên thường liên quan đến việc tham gia vào các dự án nghiên cứu dưới sự hướng dẫn của giảng viên hoặc tự thực hiện các nghiên cứu độc lập Hoạt động này bao gồm việc thu thập, phân tích dữ liệu, và viết báo cáo nghiên cứu nhằm phát triển khả năng nghiên cứu độc lập và đóng góp vào kho tàng tri thức của lĩnh vực học thuật
Trong bối cảnh công nghệ hóa hiện đại học, cùng với sự phát triển ngày càng nhiều của các công cụ AI, hoạt động học tập và nghiên cứu của sinh viên đã được mở rộng và thay đổi đáng kể Sinh viên hiện tại không chỉ học tập và nghiên cứu trong môi trường lớp học truyền thống mà còn sử dụng các công cụ AI để hỗ trợ quá trình học tập và nghiên cứu của mình Các công cụ này giúp cá nhân hóa việc học, cải thiện khả năng phân tích và xử lý dữ liệu, và tạo ra các cơ hội học tập và nghiên cứu đa dạng và linh hoạt hơn Sinh viên thường sử dụng các công cụ AI miễn phí, hoặc phiên bản trải nghiệm dùng thử miễn phí (free trial) của các công cụ AI trả phí hơn, do không vướng phải rào cản tài chính Sinh viên cũng có xu hướng thử nghiệm và khám phá các tính năng của các công cụ AI miễn phí trước khi quyết định có nên đầu tư vào các công cụ trả phí hay không Theo nghiên cứu của Zhu và cộng sự (2024), sinh viên có xu hướng đánh giá cao những công cụ AI miễn phí nếu chúng đáp ứng nhu cầu học tập cơ bản và cung cấp giá trị hữu ích mà không yêu cầu chi phí ban đầu Các công cụ AI trả phí thường được đánh giá cao về tính năng nâng cao và hỗ trợ cá nhân hóa, tuy nhiên chi phí có thể là rào cản cho một số sinh viên Sinh viên có xu hướng chấp nhận các công cụ trả phí nếu họ thấy rõ ràng lợi ích và giá trị mà chúng mang lại vượt trội so với các công cụ miễn phí, và nếu có sự hỗ trợ tài chính từ nhà trường hoặc các nguồn học bổng (Venkatesh và cộng sự, 2012).
Các mô hình lý thuyết có liên quan
2.2.1 Mô hình chấp nhận và sử dụng công nghệ (UTAUT)
Trong một thập kỉ qua, công nghệ kỹ thuật số đã được nâng lên một cấp độ hoàn toàn mới, gây ra nhiều thách thức cho các nhà nghiên cứu trong lĩnh vực công nghệ thông tin trong việc tìm kiếm mô hình nghiên cứu phù hợp Việc tích hợp các mô hình khác nhau vào một quan điểm thống nhất có thể được sử dụng để hiểu rõ hơn về sự chấp nhận và sử dụng công nghệ thông tin của người dùng (Venkatesh and Davis, 2000)
Các tác giả đã nghiên cứu hợp nhất các mô hình hiện có và phát triển mô hình chấp nhận và sử dụng công nghệ (tên tiếng Anh: Unified Theory of Acceptance and Use of Technology – viết tắt là UTAUT) Mô hình UTAUT giải thích quyết định sử dụng công nghệ của người dùng, được Venkatesh và Davis xây dựng dựa trên việc đánh giá và hợp nhất các cấu trúc của tám mô hình khác nhau bao gồm lý thuyết hành động hợp lý (TRA), lý thuyết hành vi hoạch định (TPB), mô hình động cơ (MM), mô hình chấp nhận công nghệ (TAM), mô hình kết hợp TAM và TPB (C-TAM-TPB), mô hình sử dụng máy tính cá nhân (MPCU) và mô hình phổ biến sự đổi mới (IDT) được sử dụng trước đó để giải thích quyết định sử dụng công nghệ (Venkatesh and Davis, 2000) UTAUT xác định rằng có bốn nhân tố chính (hiệu quả mong đợi, nỗ lực mong lợi, ảnh hưởng xã hội, điều kiện thuận lợi), cũng như bốn biến kiểm soát (tuổi, giới tính, kinh nghiệm, và tự nguyện sử dụng) được thể hiện trong Hình 2.1
Hình 2.1 Mô hình chấp nhận và sử dụng công nghệ (UTAUT)
Trong bối cảnh công nghệ phát triển, Venkatesh và cộng sự đã mở rộng mô hình UTAUT thành UTAUT2 UTAUT2 kế thừa mô hình cũ nhưng điều chỉnh một số mối quan hệ và bổ sung ba mối quan hệ mới: "Động lực hưởng thụ", "Giá trị chi phí" và "Thói quen" Đồng thời, UTAUT2 đã loại bỏ yếu tố "Ý định sử dụng trong tương lai".
“tự nguyện sử dụng” trong mô hình ban đầu và thêm mối liên kết giữa “điều kiện thuận lợi” và “ý định sử dụng”
Hình 2.2 Mô hình chấp nhận và sử dụng công nghệ 2 (UTAUT2)
(Nguồn: Venkatesh và cộng sự, 2012)
2.2.2 Lý thuyết hành vi hoạch định (TPB)
Lý thuyết hành vi hoạch định (tên tiếng Anh: Theory of Planned Behavior – viết tắt là TPB) được Ajzen nghiên cứu và đề xuất vào năm 1991 Theo Ajzen (1991), hành vi người dùng được thúc đẩy bởi ba yếu tố chính Thái độ đối với hành vi (tên tiếng Anh: Attitude Toward the Behavior – viết tắt là ATB) là mức độ người dùng có cảm xúc tích cực hoặc tiêu cực đối với việc thực hiện hành vi Thái độ này được hình thành dựa trên niềm tin về kết quả của hành vi và đánh giá của người dùng về những kết quả đó Chuẩn mực chủ quan (tên tiếng Anh: Subjective Norms) là áp lực xã hội mà người dùng cảm nhận được từ những người xung quanh về việc có nên hay không nên thực hiện hành vi Chuẩn mực chủ quan phản ánh niềm tin của người dùng về cách mà những người quan trọng với họ nhìn nhận hành vi đó và động lực của cá nhân để tuân theo những người này Đồng thời, Ajzen (1991) đã thêm yếu tố Nhận thức kiểm soát hành vi (tên tiếng Anh: Perceived Behavioral Control – viết tắt là PBC) để phù hợp với những tình huống mà cá nhân không hoàn toàn kiểm soát được việc thực hiện hành vi Ba yếu tố này kết hợp với nhau để hình thành Ý định hành vi (tên tiếng Anh: Behavioral Intention – BI), sau đó sẽ dự đoán việc thực hiện hành vi (tên tiếng Anh: Behavior) thực tế (Ajzen, 1991)
Hình 2.3 Lý thuyết hành vi hoạch định (TPB)
(Nguồn: Ajzen, 1991) 2.2.3 Mô hình cấu trúc tuyến tính (SEM)
Mô hình cấu trúc tuyến tính (tên tiếng Anh: Structural Equation Modeling – SEM) là một phương pháp thống kê dùng để phân tích mối quan hệ giữa các biến tiềm ẩn (biến không quan sát được) và các biến quan sát (biến biểu hiện) So với phương pháp hồi quy và phân tích nhân tố, SEM là một công cụ hiện đại hơn, được ứng dụng rộng rãi trong các lĩnh vực xã hội như xã hội học, tâm lý học và kinh tế học
(Bielby and Hauser, 2003) Mô hình này cho phép các nhà nghiên cứu kiểm tra tính nhất quán của một cấu trúc lý thuyết dựa trên dữ liệu thực nghiệm, thường mang tính khẳng định hơn là khám phá Điều này có nghĩa là SEM không chỉ giúp xác nhận các giả thuyết lý thuyết mà còn đánh giá mức độ phù hợp của các mô hình đo lường đối với dữ liệu thực tế
Trong phân tích nhân tố khẳng định (tên tiếng Anh: Confirmatory Factor Analysis – CFA) và SEM, các nhà nghiên cứu sử dụng các tiêu chuẩn từ các nghiên cứu trước để đánh giá mức độ phù hợp của mô hình Các tiêu chuẩn này bao gồm việc đo lường mức độ phù hợp tổng quát của mô hình với thông tin thực tế, cũng như các tiêu chuẩn đánh giá mức độ phù hợp theo các giá trị nội dung cụ thể.
Tổng quan các nghiên cứu liên quan
2.3.1 Các nghiên cứu nước ngoài
Nghiên cứu của Strzelecki (2023) về việc “Có nên sử dụng ChatGPT trong giáo dục đại học hay không? Một nghiên cứu về sự chấp nhận và sử dụng công nghệ của sinh viên” (tên tiếng Anh: To use or not to use ChatGPT in higher education? A study of students' acceptance and use of technology) đã sử dụng mô hình UTAUT2 để cho thấy các nhân tố Thói quen, Hiệu quả mong đợi, Động lực hưởng thụ, Nỗ lực mong đợi và Ảnh hưởng xã hội đều có ảnh hưởng tích cực đến ý định sử dụng công cụ AI, cụ thể trong nghiên cứu là ChatGPT Trong đó, ba nhân tố tác động mạnh mẽ nhất là Thói quen, Hiệu quả mong đợi và Động lực hưởng thụ Những kết quả này cung cấp góc nhìn đáng tin cậy về các nhân tố tác động đến quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên
Nghiên cứu của Kang et al (2023) sử dụng mô hình UTAUT để đánh giá ý định sử dụng chatbot của sinh viên điều dưỡng tại Hàn Quốc Họ phát hiện rằng Nhận thức về giá, Hiệu quả mong đợi và Nỗ lực mong đợi thúc đẩy ý định sử dụng, trong khi Sự hài lòng lại có tác động tiêu cực Kết quả cho thấy tiềm năng của chatbot trong giáo dục điều dưỡng, tuy nhiên cần thêm nghiên cứu để chứng minh hiệu quả của chúng.
Nghiên cứu của Dahri và cộng sự (2024) đã khám phá "Việc chấp nhận hỗ trợ học tập do AI cung cấp và tác động của nó đến kết quả học tập của sinh viên đại học ở Malaysia và Pakistan" Các tác giả đã xây dựng mô hình lý thuyết dựa trên UTAUT và thêm các yếu tố khác để xác định động lực sử dụng công cụ AI Nghiên cứu chỉ ra rằng Hiệu quả mong đợi, Nỗ lực mong đợi và Điều kiện thuận lợi là những yếu tố tích cực dự đoán quyết định sử dụng công cụ AI trong học tập và nghiên cứu của sinh viên ở cả hai quốc gia.
Nghiên cứu “Khám phá các yếu tố ảnh hưởng đến việc sử dụng các công cụ học tập hỗ trợ AI của học sinh trung học” (tên tiếng Anh: Exploring the Factors Influencing the Use of AI-powered Learning Tools by High School Students) của Al- Azawei và cộng sự (2023) đã sử dụng mô hình UTAUT2 với ba yếu tố ảnh hưởng: Hiệu quả mong đợi, Nỗ lực mong đợi và Điều kiện thuận lợi Kết quả nghiên cứu tiếp tục xác nhận tính hiệu quả của mô hình UTAUT2 với cả ba biến đều ảnh hưởng tích cực đến hành vi của sinh viên đại học trong việc sử dụng các sản phẩm AI
Một nghiên cứu khác về “Mức độ chấp nhận ứng dụng công nghệ chatbot (AI) trong số sinh viên giáo dục đại học ở Ai Cập” (tên tiếng Anh: Investigating the acceptance of applying chat-bot (AI) technology among higher education students in Egypt) của Ragheb và cộng sự, (2022) sử dụng mô hình UTAUT nhưng đồng thời cho kết quả tương tự với ba biến Hiệu quả mong đợi, Nỗ lực mong đợi và Điều kiện thuận lợi đều có tác động tích cực đến quyết định sử dụng các công cụ AI trong học tập của sinh viên ở đây
2.3.2 Các nghiên cứu trong nước
Một nghiên cứu được thực hiện tại Việt Nam vào năm 2024 của hai tác giả Kim Anh và Hương (2024) nhằm mục đích tìm hiểu nhận thức của sinh viên chuyên ngành tiếng Anh đối với việc ứng dụng ChatGPT – một công cụ AI dạng chatbot phổ biến trong học tập và nghiên cứu Thông qua phương pháp nghiên cứu ứng dụng mô hình TAM, tác giả phát hiện ra rằng: mặc dù sinh viên cảm thấy việc sử dụng công cụ AI là dễ dàng nhưng lại có quan điểm trung lập về tính hữu ích của nó (Vo and Nguyen, 2024)
Cũng dựa trên mô hình TAM và mẫu gồm 1.389 sinh viên đại học ở Việt Nam, nghiên cứu Doanh Duong (2023) đã chỉ ra rằng “nỗ lực mong đợi” không chỉ ảnh hưởng trực tiếp đến việc sử dụng công cụ AI thực tế của sinh viên, mà còn gián tiếp tăng mức độ sử dụng, thông qua “hiệu quả mong đợi” và “ý định sử dụng” (Duong, 2023)
Nghiên cứu tương tự của tác giả Greeni Maheshwari (2023) về “Các yếu tố ảnh hưởng đến ý định chấp nhận và sử dụng ChatGPT của sinh viên trong giáo dục đại học” được thực hiện ở Việt Nam Thông qua sử dụng mô hình SEM đã cho kết quả: xu hướng sử dụng các công cụ AI của sinh viên bị ảnh hưởng bởi nhận thức của họ về “tính thân thiện” với người dùng Tuy nhiên, “hiệu quả mong đợi” không có tác động trực tiếp đến việc quyết định sử dụng các công cụ AI của sinh viên; thay vào đó, ảnh hưởng tích cực và gián tiếp thông qua “tính đổi mới cá nhân” và ảnh hưởng tiêu cực và gián tiếp thông qua “tính tương tác” (Maheshwari, 2023)
Bảng 2.1 Tóm tắt các nghiên cứu liên quan
Các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ (AI)
Medical artificial intelligence readiness scale for medical students
- Thái độ với hành vi (–)
- Nhận thức kiểm soát hành vi (–)
Lý thuyết hành vi hoạch định (TPB)
Sinh viên của 2 trường Y ở Thổ Nhĩ Kỳ
Learning Tools by High School
(Al- Azawei và cộng sự, 2023)
Học sinh trung học từ nhiều quốc gia
Sinh viên đại học ở Trung Quốc
To use or not to use ChatGPT in higher education? A study of students' acceptance and use of technology
- Tính đổi mới cá nhân (+)
Sinh viên một trường đại học công lập ở Ba Lan
- Thái độ với hành vi (+)
- Nhận thức kiểm soát hành vi (+)
Lý thuyết hành vi hoạch định (TPB)
Sinh viên sư phạm Đài Loan
AI-based academic support acceptance and its impact on students’ performance in
Sinh viên hai trường đại học ở Pakistan và Malaysia
Investigating the acceptance of applying chat- bot (AI) technology among higher education students in
Sinh viên Học viện Khoa học Công nghệ và Vận tải hàng hải Ả Rập
Educational Use of AI Chatbots in the Context of
Mô hình TAM mở rộng
Các yếu tố ảnh hưởng đến ý định sử dụng chatbot AI của sinh viên đại học
Sinh viên đại học ở Việt Nam
Factors influencing students' intention to adopt and use
ChatGPT in higher education: A study in the
- Tính đổi mới cá nhân (+)
Sinh viên đại học và sau đại học ở Việt Nam
Chinese higher education: adoption, perception, and influence among graduate students – an integrated analysis utilizing
- Tính đổi mới cá nhân (+)
Mô hình UTAUT và ECM
Sinh viên đại học ở Trung Quốc
Antecedents of adoption and usage of
(Masa’deh và cộng sự, 2023)
Economics students' behavioural intention and usage of
ChatGPT in higher education: a hybrid structural equation modelling – artificial neural network approach
Sinh viên kinh tế ở Ghana
Use of ChatGPT in Higher
(Alshamm ari and Alshamma ri, 2024)
Awareness of using chatbots and factors influencing usage intention among nursing students in
Sinh viên học điều dưỡng ở Hàn Quốc
(Abdaljale el và cộng sự, 2023)
- Thái độ đối với hành vi (+)
Sinh viên đại học ở Ả Rập
Exploring factors influencing students' intention to use intelligent personal assistants for learning
- Nhận thức kiểm soát hành vi (+)
Sinh viên đại học ở Hàn Quốc
Applying a modified technology acceptance model to explain higher education students’ usage of ChatGPT: A serial multiple mediation model with knowledge sharing as a moderator
Sinh viên đại học ở Việt Nam
Sinh viên đại học ở Việt Nam
- Tính đổi mới cá nhân (+)
Sinh viên đại học ở hai quốc gia châu Á
Bảng 2.2 Tổng hợp các nhân tố tác động trong các nghiên cứu trước
Tác động của nhân tố trong các nghiên cứu
Nhận thức kiểm soát hành vi – + + Điều kiện thuận lợi + + + + Động lực hưởng thụ + + + Nhận thức về giá + + Hiệu quả mong đợi + + + + + + + + + – + + + + + + + + + Nhận thức niềm tin + + +
Thái độ đối với hành vi – + +
Tính đổi mới cá nhân + + + + Ý định sử dụng + + +
*Ghi chú: (+) là có tác động tích cực, (–) là có tác động tiêu cực
Qua lược khảo các nghiên cứu liên quan được thực hiện ở cả trong và ngoài nước về quyết định sử dụng công cụ AI của sinh viên, có thể thấy các mô hình lý thuyết được sử dụng phổ biến là TAM, UTAUT, UTAUT2, SEM và TPB Tuy nhiên, các nghiên cứu này tập trung vào khảo sát các nhân tố trong mô hình gốc bao gồm hiệu đo thói quen; và có rất ít nghiên cứu khảo sát về các biến như “nhận thức kiểm soát hành vi” và “thái độ đối với hành vi” Điều đáng chú ý là những biến này thường được xem là mới lạ và ít được nghiên cứu, mặc dù có đóng vai trò quan trọng trong quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên Một số nghiên cứu cho rằng các biến này ảnh hưởng tích cực, trong khi nghiên cứu khác cho thấy có ảnh hưởng tiêu cực Lỗ hổng này là do sự mâu thuẫn và thiếu hụt trong các nghiên cứu trước đây về hai biến này Lý thuyết sẽ được hoàn thiện và bằng chứng thực tiễn sẽ được cung cấp thông qua việc tiếp tục nghiên cứu và kiểm định lại hai biến này
Trong phạm vi nghiên cứu “ Các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh ”, tác giả sẽ nghiên cứu thêm về các yếu tố tác động đến hai biến “nhận thức kiểm soát hành vi” và “thái độ đối với hành vi”, dẫn đến quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên
THIẾT KẾ NGHIÊN CỨU
Phương pháp nghiên cứu
Tác giả sử dụng phương pháp nghiên cứu hỗn hợp, bao gồm cả phương pháp nghiên cứu định tính và phương pháp nghiên cứu định lượng
Phương pháp nghiên cứu định tính: Thông qua lượt khảo các nghiên cứu trong và ngoài nước liên quan đến quyết định sử dụng các công cụ AI của sinh viên Sau đó tiến đến tham vấn giảng viên hướng dẫn nhằm xây dựng thang đo và đưa ra những cơ sở lý luận về các nhân tố tác động đến quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh
Phương pháp nghiên cứu định lượng: Thông qua lấy mẫu ngẫu nhiên các sinh viên ở Thành phố Hồ Chí Minh Bộ câu hỏi khảo sát được thiết kế dựa trên các mô hình lý thuyết hành vi hoạch định TPB để đo lường các biến liên quan đến quyết định sử dụng các công cụ AI của sinh viên tại Thành phố Hồ Chí Minh, bao gồm (1) Hiệu quả mong đợi, (2) Nỗ lực mong đợi, (3) Điều kiện thuận lợi và (4) Nhận thức về giá Những mẫu khảo sát thu thập được sau khi đã sàng lọc sẽ tiến hành phân tích thông tin qua phần mềm SPSS nhằm kiểm định các chỉ số, thang đo, độ tin cậy Cronbach’s Alpha, phân tích nhân tố khẳng định CFA, và phân tích mô hình SEM.
Quy trình nghiên cứu
Hình 3.1 Sơ đồ quy trình nghiên cứu
Bước 1: Xác định mục tiêu nghiên cứu
Dựa trên các cơ sở lý thuyết và lượt khảo các nghiên cứu liên quan, tác giả đã xây dựng mô hình nghiên cứu và thang đo nháp để đo lường các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên tại
Thành phố Hồ Chí Minh Đồng thời đưa ra các giả thuyết về mối quan hệ giữa các nhân tố với quyết định sử dụng; mỗi nhân tố được đo lường bằng nhiều biến quan sát
Tác giả tiến hành điều chỉnh và hoàn thiện thang đo để đảm bảo tính hợp lý và khả thi của mô hình nghiên cứu và phù hợp với ngữ cảnh nghiên cứu Từ đó đưa ra thang đo chính thức và tiến hành lập bảng khảo sát gồm bảy biến chính: Hiệu quả mong đợi (PE), Nỗ lực mong đợi (EE), Điều kiện thuận lợi (FC), Nhận thức về giá (PV), Nhận thức kiểm soát hành vi (PBC) và Thái độ đối với hành vi (ATB) Một bảng câu hỏi được thiết kế để thực hiện khảo sát chính thức đối với các cá nhân đang là sinh viên trên địa bàn Thành phố Hồ Chí Minh Mẫu khảo sát dự kiến là 150 mẫu, và sẽ được phân tích bằng phần mềm SPSS 20.0 để thu được kết quả thống kê
Sau khi hoàn tất việc thu thập dữ liệu từ bảng câu hỏi khảo sát, tác giả sẽ tiến hành sàng lọc để loại bỏ những biến không phù hợp, phân tích dữ liệu và kiểm tra độ tin cậy bằng chỉ số Cronbach’s Alpha nhằm loại bỏ các quan sát không đáng tin cậy khỏi dữ liệu Sau đó, tác giả thực hiện phân tích nhân tố khẳng định CFA đối với các biến được giữ lại trong mô hình để xác định các nhân tố đại diện cho các nhóm biến quan sát Cuối cùng, tác giả sẽ tiến hành hoàn thiện thang đo và bước cuối cùng là phân tích mô hình SEM để kiểm định mô hình và kiểm định các giả thuyết
Dựa trên kết quả kiểm định, tác giả sẽ đối chiếu và so sánh với kết quả từ các nghiên cứu trước Làm cơ sở cho các nhận định và các hàm ý quản trị đề xuất để cải thiện những nhân tố nhân tố ảnh hưởng đến quyết định sử dụng các công cụ AI trong học tập và nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh được đề cập trong nghiên cứu.
Xây dựng thang đo
Dựa trên cơ sở lý thuyết và lược khảo các nghiên cứu liên quan ở Chương 2, tác giả đã phát triển thang đo gồm 32 biến quan sát dùng để đo lường các nhân tố tác động đến quyết định sử dụng các công cụ AI của sinh viên tại Thành phố Hồ Chí Minh Nghiên cứu sử dụng thang đo Likert yêu cầu sinh viên tham gia khảo sát đánh giá mức độ đồng ý hoặc không đồng ý đối với các biến quan sát bằng 5 mức độ đánh giá khác nhau, bao gồm 1 – Rất không đồng ý; 2 – Không đồng ý; 3 – Bình thường;
Bảng 3.1 Thang đo đề xuất
Nhân tố tác động Mã hóa Các biến quan sát Nguồn
Tôi cảm thấy sử dụng các công cụ
AI rất hữu ích cho học tập và nghiên cứu (El-Masri and
Tôi cảm thấy rằng sử dụng các công cụ AI sẽ giúp tôi đạt được kết quả học tập tốt hơn
Tôi cảm thấy sử dụng các công cụ
AI sẽ giúp tiết kiệm thời gian trong học tập và nghiên cứu
Tôi cảm thấy các công cụ AI cung cấp giải pháp học tập và nghiên cứu hiệu quả hơn sử dụng các phương pháp truyền thống
Tôi cảm thấy các công cụ AI sẽ giúp tôi cải thiện/nâng cao hiệu quả học tập và nghiên cứu
Tôi cảm thấy việc học cách sử dụng các công cụ AI không tốn quá nhiều thời gian và công sức
Tôi cảm thấy việc sử dụng các công cụ AI tương tự như các công cụ công nghệ khác
EE3 Tôi cảm thấy các công cụ AI có giao diện đơn giản và dễ sử dụng
Tôi cảm thấy dễ dàng khi sử dụng các công cụ AI trong học tập và nghiên cứu
Tôi thành thạo trong việc truy vấn và điều hướng các công cụ AI trả lời chính xác các câu hỏi phục vụ cho việc học tập và nghiên cứu Điều kiện thuận lợi này cho phép tôi tiếp cận nhanh chóng và dễ dàng đến kho tàng thông tin rộng lớn, giúp nâng cao hiệu quả học tập và nghiên cứu của mình.
Tôi có quyền truy cập vào các nguồn lực cần thiết (máy tính, điện thoại, internet) để sử dụng các công cụ AI
Tôi có đủ thời gian để sử dụng các công cụ AI cho học tập và nghiên cứu
FC3 Tôi có đủ kiến thức cần thiết để sử dụng các công cụ AI hiệu quả
Tôi nhận được sự hỗ trợ khi gặp khó khăn trong việc sử dụng các công cụ AI
Nhận thức về giá (PV)
Tôi cảm thấy chi phí cho các công cụ AI là hợp lý so với giá trị mà công cụ mang lại
Tôi cảm thấy các công cụ AI miễn phí mang lại hiệu quả cho việc học tập và nghiên cứu của tôi
Tôi sẵn sàng trả phí để sử dụng các công cụ AI nếu các công cụ này hiệu quả
Nhận thức kiểm soát hành vi
PBC1 Tôi cảm thấy mình có thể sử dụng các công cụ AI một cách hiệu quả
Tôi có khả năng giải quyết các vấn đề khi gặp khó khăn với các công cụ AI
Tôi có đủ kỹ năng cần thiết để khai thác các tính năng của công cụ AI
Tôi có thể đảm bảo các vấn đề đạo đức (liêm chính học thuật, gian lận và đạo văn) khi sử dụng các công cụ AI trong học tập và nghiên cứu
Thái độ đối với hành vi
Tôi có cái nhìn tích cực đối với việc sử dụng các công cụ AI trong học tập và nghiên cứu
ATB2 Tôi cảm thấy hứng thú với việc sử dụng các công cụ AI
Tôi cảm thấy hài lòng khi sử dụng các công cụ AI trong học tập và nghiên cứu
Tôi cảm thấy việc sử dụng các công cụ AI quan trọng cho việc học tập và nghiên cứu của tôi
Tôi sẽ sử dụng các công cụ AI trong học tập và nghiên cứu thường xuyên
Tôi sẽ sử dụng tối đa các tính năng của các công cụ AI để cải thiện hiệu suất học tập và nghiên cứu của mình
Tôi sẽ khuyến nghị bạn bè sử dụng các công cụ AI trong học tập và nghiên cứu
Dựa vào thang đo đề xuất, tác giả sẽ thiết kế bảng câu hỏi gồm hai phần trên Google Form Phần thứ nhất bao gồm các câu hỏi nhằm mục đích gạn lọc người tham gia trả lời, xem người tham gia khảo sát có phải là sinh viên đang theo học ở các cơ sở giáo dục tại Thành phố Hồ Chí Minh hay không Trong phần này, tác giả sử dụng dạng câu hỏi một lựa chọn và người tham gia trả lời buộc phải chọn một trong các câu trả lời có sẵn Phần thứ hai bao gồm các câu hỏi thu thập dữ liệu phục vụ cho mục đích nghiên cứu: mức độ đồng ý của các sinh viên đối với các nhân tố tác động đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập & nghiên cứu Trong phần này, tác giả sử dụng thang đo Likert 5 mức độ và người tham gia trả lời khảo sát sẽ phải chọn một trong 5 lựa chọn Bảng câu hỏi được thể hiện ở Phụ lục 1.
KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
Thống kê mô tả mẫu nghiên cứu
Trong khoảng thời gian hai tuần, tác giả đã tiến hành thu thập mẫu khảo sát thông qua chọn mẫu thuận tiện Kích thước mẫu tối thiểu dự kiến là 150 mẫu Song, tác giả đã sàng lọc được 178 mẫu hợp lệ trong tổng 204 mẫu thu được, loại bỏ 26 mẫu không hợp lệ (không phải sinh viên, không sinh sống và học tập tại Thành phố
Hồ Chí Minh và chưa từng sử dụng AI) bằng phần mềm Excel Kích thước mẫu nghiên cứu cuối cùng là 178 mẫu của các sinh viên từ các trường đại học trên địa bàn Thành phố Hồ Chí Minh được thống kê trong Bảng 4.1
Bảng 4.1 Thống kê mô tả các biến nhân khẩu học của sinh viên tham gia khảo sát Đặc điểm nhân khẩu học Mẫu N = 178
(Nguồn: Kết quả xử lý số liệu của tác giả)
Nhìn chung, sinh viên được khảo sát phân bổ đồng đều về giới tính, với tỷ lệ nam và nữ khá cân đối: 84 sinh viên nam tham gia khảo sát, chiến 47.2% tổng số mẫu và số lượng nữ tham gia khảo sát nhiều hơn một chút: 93 sinh viên, chiếm tỷ lệ 52.2% tổng số mẫu Ngoài ra, có 1 sinh viên thuộc giới tính khác, chiếm tỷ lệ 0.6% tổng số mẫu Sự phân bổ đồng đều về giới tính phản ánh một cách toàn diện quan điểm của sinh viên về quyết định sử dụng các công cụ AI
Mẫu khảo sát cũng đồng thời tập trung hoàn toàn vào đối tượng sinh viên hiện đang sinh sống và học tập tại Thành phố Hồ Chí Minh và tất cả sinh viên này đều đã từng sử dụng các công cụ AI Điều này cho thấy sự phổ biến rộng rãi của các công cụ AI hiện tại cũng như sự chấp nhận sử dụng các công cụ này ban đầu khá cao.
Phân tích độ tin cậy của thang đo
Để thang đo được xem là đáng tin cậy, hệ số Cronbach’s Alpha phải lớn hơn hoặc bằng 0,6; hệ số tương quan biến tổng của các biến quan sát phải lớn hơn hoặc bằng 0,3 và hệ số Cronbach’s Alpha nếu loại biến phải nhỏ hơn hệ số Cronbach’s Alpha (Thọ, 2011) Nghiên cứu “ Các nhân tố ảnh hưởng đến quyết định sử dụng các công cụ trí tuệ nhân tạo (AI) trong học tập & nghiên cứu của sinh viên tại Thành phố Hồ Chí Minh ” gồm 28 biến quan sát sử dụng thang đo Likert 5 mức độ sau khi kiểm định Cronbach’s Alpha, tất cả 28 biến quan sát sẽ được đưa vào phân tích và đảm bảo độ tin cậy, không có biến nào bị loại khỏi mô hình Kết quả kiểm định được thể hiện trong Bảng 4.2
Bảng 4.2 Kết quả kiểm định độ tin cậy thang đo
Biến quan sát Trung bình thang đo nếu loại biến
Phương sai thang đo nếu loại biến
Cronbach’s Alpha nếu loại biến Hiệu quả mong đợi (PE); Cronbach’s Alpha=.880
Nỗ lực mong đợi (EE); Cronbach’s Alpha=.875
EE5 12.39 18.069 716 846 Điều kiện thuận lợi (FC); Cronbach’s Alpha=.848
Nhận thức về giá (PV); Cronbach’s Alpha=.811
Nhận thức kiểm soát hành vi (PBC); Cronbach’s Alpha=.860
Thái độ đối với hành vi (ATB); Cronbach’s Alpha=.866
Quyết định sử dụng (QĐSD); Cronbach’s Alpha=.744
(Nguồn: Kết quả xử lý số liệu của tác giả)
Tác giả sử dụng kiểm định KMO and Bartlett's Test để xem xét các giả thuyết: H0: các biến có sự tương quan tổng thể; và H1: các biến không có sự tương quan tổng thể Nếu kiểm định Bartlett's có ý nghĩa thống kê với Sig < 0,05 và các biến quan sát có sự tương quan tổng thể thì mới có thể tiếp tục sử dụng phương pháp phân tích nhân tố khẳng định CFA Kết quả kiểm định được thể hiện trong Bảng 4.3
Bảng 4.3 Kết quả kiểm định KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy .895
Bartlett's Test of Sphericity Approx Chi-Square 2648.200 df 378
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả kiểm định KMO and Bartlett's Test với hệ số KMO = 0.895 nằm trong khoảng từ 0.5 đến 1 và kiểm định Barlett có thống kê Sig = 0.000 < 0.05 cho thấy rằng các biến quan sát có tương quan với nhau trong tổng thể và hoàn toàn phù hợp cho việc phân tích nhân tố khẳng định CFA.
Phân tích nhân tố khẳng định CFA
Phân tích nhân tố khẳng định CFA sẽ là bước tiếp theo để kiểm định các giá trị hội tụ (Convergent Validity) và giá trị phân biệt (Discriminant Validity), độ tin cậy tổng hợp (Composite Reliability) và phương sai trích (Average Variance Extracted – AVE) của thang đo Phân tích nhân tố khẳng định CFA được tác giả thực hiện trên phần mềm AMOS 20.0, bao gồm 7 nhân tố: (1) Hiệu quả mong đợi, (2) Nỗ lực mong đợi, (3) Điều kiện thuận lợi, (4) Nhận thức về giá, (5) Nhận thức kiểm soát hành vi, (6) Thái độ đối với hành vi và (7) Quyết định sử dụng, được thể hiện trong Hình 4.1 bên dưới
Hình 4.1 Kết quả phân tích nhân tố khẳng định CFA
(Nguồn: Kết quả xử lý số liệu của tác giả) 4.3.1 Tính đơn hướng
Kết quả phân tích CFA cho thấy giá trị Chi-square = 362.662, df = 319 và tỷ lệ Chi-square/df = 1.137 < 2 Các chỉ số khác lần lược là CFI = 0.982, GFI = 0.880 và TLI = 0.979 Các chỉ số GFI lớn hơn 0.8 vẫn có thể được chấp nhận trong nghiên cứu thực nghiệm (Forza and Filippini, 1998) Chỉ số Root Mean Square Error of
Approximation (RMSEA) = 0.028 < 0.06 Tất cả các chỉ số đều có ý nghĩa thống kê và mô hình đạt được giá trị hội tụ Có thể kết luận rằng mô hình phù hợp với dữ liệu nghiên cứu, là điều kiện để cho tập biến quan sát đạt được tính đơn hướng
4.3.2 Kiểm định độ tin cậy của thang đo
Bảng 4.4 dưới đây thể hiện kết quả kiểm định độ tin cậy tổng hợp (CR) và phương sai trích (AVE) của các thang đo
Bảng 4.4 Kết quả kiểm định độ tin cậy tổng hợp và phương sai trích của thang đo
Thang đo Độ tin cậy tổng hợp
Hiệu quả mong đợi (PE) 0.885 0.606
Nỗ lực mong đợi (EE) 0.879 0.594 Điều kiện thuận lợi (FC) 0.867 0.621
Nhận thức về giá (PV) 0.860 0.606
Nhận thức kiểm soát hành vi (PBC) 0.855 0.597
Thái độ đối với hành vi (ATB) 0.810 0.588
Quyết định sử dụng (QĐSD) 0.750 0.502
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả kiểm định cho thấy tất cả các thang đo đều có độ tin cậy tổng hợp (CR) lớn hơn 0.6 và phương sai trích (AVE) lớn hơn 0.5 Có thể kết luận rằng các thang đo đều đảm bảo độ tin cậy và có giá trị để phân tích
Nếu một khái niệm tiềm ẩn là đơn hướng, giá trị hội tụ của khái niệm đạt được khi hệ số hồi quy chuẩn hóa (Standardized Regression Weights) của tất cả các biến quan sát đều lớn và có ý nghĩa thống kê Ngược lại, nếu khái niệm tiềm ẩn là đa hướng, thì mỗi thành phần của nó cần có giá trị hội tụ riêng biệt, tức là hệ số hồi quy chuẩn hóa của mỗi biến quan sát đều cần đạt yêu cầu (Hair và cộng sự, 2010) Thang đo đạt được giá trị hội tụ khi các hệ số tải nhân tố của các thang đo đều cao hơn 0.5 và có nghĩa thống kê p < 0,05 (Anderson and Gerbing, 1988) Bảng 4.5 dưới đây thể hiện kết quả kiểm định hệ số tải nhân tố của các thang đo
Bảng 4.5 Kết quả kiểm định hệ số tải nhân tố của các thang đo
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả kiểm định cho thấy các thang đo đều đạt được giá trị hội tụ, thể hiện qua hệ số tải nhân tố của tất cả các thang đo đều lớn hơn 0,5 Điều này chứng tỏ các thang đo có độ tin cậy và chính xác cao trong việc đo lường các biến nghiên cứu.
4.3.4 Giá trị phân biệt Để đảm bảo rằng mỗi nhân tố đều mang thông tin riêng biệt và không có tương quan hoàn toàn với nhân tố khác, các hệ số tương quan giữa các nhân tố thường không vượt quá giá trị tuyệt đối 1 Bảng 4.6 dưới đây thể hiện kết quả kiểm định hệ số tương quan giữa các thang đo
Bảng 4.6 Kết quả kiểm định hệ số tương quan giữa các thang đo
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả kiểm định cho thấy tất cả các hệ số tương quan giữa các nhân tố đều nhỏ hơn 1 Có thể kết luận mỗi nhân tố đang đóng vai trò duy nhất trong việc giải thích sự biến thiên của các biến quan sát.
Phân tích mô hình SEM
Cuối cùng, tác giả tiến hành sử dụng phần mềm AMOS 20.0 để phân tích mô hình SEM nhằm kiểm tra độ phù hợp của mô hình nghiên cứu và các giả thuyết liên quan Mô hình SEM được triển khai để đánh giá ảnh hưởng của các nhân tố đến quyết định sử dụng các công cụ AI của sinh viên tại Thành phố Hồ Chí Minh, với các tiêu chuẩn kiểm định tương tự như trong phân tích CFA Kết quả phân tích mô hình SEM được thể hiện trong Hình 4.2
Hình 4.2 Kết quả phân tích mô hình SEM
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả kiểm định cho mô hình SEM có chỉ số Chi-square/df = 1.727 < 2 và các chỉ số GFI, TLI và CFI lần lượt là 0.820, 0.887, 0.901 đều đáp ứng yêu cầu Có thể kết luận rằng mô hình phù hợp với dữ liệu nghiên cứu
Bảng 4.7 Kết quả kiểm định bằng mô hình SEM
Tương quan Estimate S.E C.R P Giả thuyết
ATB < PE 0.159 0.085 1.878 0.060 Loại H3a ATB < PV 0.532 0.102 5.228 *** Chấp nhận H6a PBC < PV 0.473 0.086 5.499 *** Chấp nhận H6b PBC < EE 0.199 0.076 2.631 0.009 Chấp nhận H4a PBC < FC 0.133 0.067 1.972 0.049 Chấp nhận H5a QĐSD < PBC 0.214 0.086 2.498 0.012 Chấp nhận H2 QĐSD < ATB 0.256 0.072 3.581 *** Chấp nhận H1
(Nguồn: Kết quả xử lý số liệu của tác giả)
Trong bảng trên, các tương quan có P = *** có giá trị p nhỏ hơn 0.001 Kết quả kiểm định cho thấy hầu hết các giá trị p đều có ý nghĩa với p < 0.05 Do đó, có thể bác bỏ giả thuyết null cho rằng không có mối tương quan giữa hai biến và chấp nhận rằng các nhân tố Nỗ lực mong đợi, Điều kiện luận lợi và Nhận thức về giá có ảnh hưởng tích cực và đáng kể đến quyết định sử dụng các công cụ AI của sinh viên tại Thành phố Hồ Chí Minh Mặt khác, Hiệu quả mong đợi (PE) không có bất kỳ tác động nào đến quyết định sử dụng công cụ AI với giá trị p = 0.060 > 0.05 Do đó, loại bỏ giả thuyết H3a
Bảng 4.8 Kết quả phân tích tổng hợp
Mối quan hệ Estimate P Ảnh hưởng trực tiếp
QĐSD < ATB 0.256 *** Ảnh hưởng gián tiếp
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả phân tích tổng hợp cho thấy Nhận thức kiểm soát hành vi và Thái độ đối với hành vi có vai trò trung gian trong mối quan hệ giữa các nhân tố với Quyết định sử dụng (các giá trị P < 0.05)
Nhận thức kiểm soát hành vi trong mối quan hệ giữa Nỗ lực mong đợi và Quyết định sử dụng là 0,042, điều này có nghĩa là khi Nỗ lực mong đợi tăng 1 đơn vị thì Quyết định sử dụng sẽ tăng thêm 0,042 đơn vị Tương tự với Điều kiện thuận lợi và Quyết định sử dụng là 0,028, Nhận thức về giá và Quyết định sử dụng là 0,101.
Tương tự, Thái độ đối với hành vi trong mối quan hệ giữa Nhận thức về giá với Quyết định sử dụng có hệ số là 0.136, nghĩa là, khi nhân tố này tốt hơn (tăng thêm
1 đơn vị) sẽ thúc đẩy tích cực giữa Nhận thức về giá với Quyết định sử dụng lên thêm 0.136 đơn vị
Phân tích hệ số tải nhân tố, hay còn gọi là trọng số hồi quy, giúp đánh giá mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc trong mô hình hồi quy Với mỗi đơn vị biến độc lập được chuẩn hóa thay đổi, trọng số hồi quy cho biết sự thay đổi tương ứng của biến phụ thuộc Qua đó, có thể so sánh sức ảnh hưởng tương đối của từng biến độc lập.
Bảng 4.9 Kết quả phân tích hệ số tải nhân tố
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả phân tích cho thấy hệ số tải nhân tố về tác động của nhận thức kiểm soát hành vi và thái độ đối với hành vi đến quyết định sử dụng các công cụ AI của sinh viên tại Thành phố Hồ Chí Minh Theo đó, thứ tự tác động đến quyết định sử dụng các công cụ AI của sinh viên được sắp xếp từ tác động mạnh đến yếu dần là: Nhận thức về giá (PV), Nỗ lực mong đợi (EE) và Điều kiện thuận lợi (FC) Để đảm bảo kết quả ước lượng mô hình là đáng tin cậy, tác giả tiếp tục kiểm định Bootstrap 500 lần Kết quả kiểm định được thể hiện trong Bảng 4.9
Bảng 4.10 Kết quả kiểm định Bootstrap 500 lần
Biến số SE SE-SE Mean Bias SE-Bias CR
(Nguồn: Kết quả xử lý số liệu của tác giả)
Kết quả kiểm định Bootstrap cho thấy tất cả các trị tuyệt đối của CR đều nhỏ hơn 2, chứng tỏ rằng độ lệch của các ước lượng là rất nhỏ và không có ý nghĩa thống kê ở mức 5% Có thể kết luận rằng kết quả ước lượng của mô hình là đáng tin cậy.