Nghiên cứu này nhằm mục đích tìm hiểu các yếu tố tác động đến ý định sử dụng chatbot ChatGPT phục vụ cho quá trình học tập của sinh viên.. Kết quả cho thấy, nhận thức sự hữu ích, nhận th
GIỚI THIỆU TỔNG QUAN KHÓA LUẬN
Lý do chọn đề tài
Cách mạng công nghệ (CMCN) 4.0 đang "phủ sóng" ở mọi mặt đời sống xã hội, dẫn đầu bởi trí tuệ nhân tạo, tương tác thực tại ảo, thực tế ảo, mạng xã hội Tất cả đang biến thế giới thực sang thế giới số Giáo dục cũng không tránh khỏi sự đổi mới này Giáo dục qua nhiều thế kỷ với những thay đổi từ nguồn kiến thức tới không gian, mô hình học CMCN 4.0 tiếp tục phát triển thay đổi các quan niệm học tập truyền thống, mở ra viễn cảnh giáo dục linh hoạt, rộng mở hơn (Mahmud et al, 2023)
Trí tuệ nhân tạo (Artificial Intelligence - AI) đã trở thành một lĩnh vực nhận được nhiều sự quan tâm và ngày càng trở nên phổ biến Trí tuệ nhân tạo (AI) đang được tích hợp sâu rộng vào nhiều lĩnh vực, trong đó giáo dục là một mảng ứng dụng nổi bật (Nazaretsky et al,
2022) AI đang mang lại những tiềm năng to lớn cho lĩnh vực giáo dục thông việc phát triển những ứng dụng đa dạng Hơn nữa, AI có khả năng hoạt động như một gia sư thông minh, hỗ trợ quá trình học tập của học sinh bằng cách lời câu hỏi, cung cấp các ví dụ minh họa, giải thích khái niệm và hướng dẫn giải bài tập Điều này giúp sinh viên có thể tiếp cận kiến thức một cách nhanh chóng và hiệu quả, đồng thời tăng cường sự tự tin và động lực trong học tập (Nazaretsky et al, 2022)
Trong lĩnh vực giáo dục ngày nay, chatbot là một dạng AI dựa trên mô hình với ngôn ngữ tự nhiên, đã trở thành một công cụ tiềm năng và phổ biến để hỗ trợ và cải thiện quá trình học tập bằng cách cung cấp lượng kiến thức lớn Trong thời gian gần đây, ChatGPT (Chat Generative Pre-training Transformer) - một mô hình ngôn ngữ lớn được phát triển bởi OpenAI1 - đã thu hút sự quan tâm của cộng đồng nghiên cứu trong lĩnh vực giáo dục (Polyportis và Pahos, 2024) Thông qua việc thu thập và phân tích dữ liệu học tập của sinh viên, có thể nắm bắt và đáp ứng nhu cầu học tập cụ thể của từng cá nhân, chẳng hạn như cung cấp tài liệu, kiến thức, bài giảng và lời giải bài tập Không chỉ vậy, còn được lập trình với ngôn ngữ tự nhiên phong phú và giao diện trực quan, dễ sử dụng, giúp sinh viên dễ dàng tiếp cận và ứng dụng trong quá trình học tập (Strzelecki, 2023)
Hiện nay, hơn 50% số trường học và đại học trên toàn thế giới đã và đang sử dụng AI để hỗ trợ các hoạt động hành chính, giúp tối ưu hóa quy trình quản lý và nâng cao hiệu suất làm việc Không chỉ dừng lại ở đó, các nghiên cứu đã chỉ ra rằng việc áp dụng AI vào phương pháp giảng dạy mang lại hiệu quả vượt trội (Strzelecki, 2023) Xu hướng tích hợp
AI đang thúc đẩy sự phát triển mạnh mẽ của e-Learning, thông qua việc cải thiện mức độ tương tác của học viên bằng các khóa học tùy chỉnh, bài giảng trực tuyến và lớp học kết hợp trò chơi, giúp nâng cao kỹ năng và tạo hứng thú học tập Chính nhờ những cải tiến này mà thị trường giáo dục AI toàn cầu được dự đoán sẽ vượt mốc 20 tỷ USD vào năm 2027 (Hobert et al, 2023) Sự gia tăng đáng kể này không chỉ phản ánh tầm quan trọng của AI trong việc cách mạng hóa giáo dục mà còn khẳng định tiềm năng to lớn của công nghệ này trong việc tạo ra môi trường học tập hiệu quả, linh hoạt và cá nhân hóa hơn cho mọi người học sinh, sinh viên trên toàn thế giới (Strzelecki, 2023)
Các nghiên cứu đã chứng minh rằng chatbot có thể tạo điều kiện thuận lợi và hỗ trợ quá trình học tập trong giáo dục đại học Các kết quả nghiên cứu của Clarizia và cộng sự (2018) chỉ ra rằng chatbot có thể giúp sinh viên hiểu sâu hơn về hành vi của người học và cải thiện kết quả học tập Bên cạnh đó, chatbot còn giúp sinh viên học tập tích cực, tăng cường sự hiểu biết về mặt nhận thức (Hobert et al, 2023) và thúc đẩy hành vi thiết kế kỹ thuật (Chien và Yao, 2022), qua đó góp phần định hình trải nghiệm học tập của sinh viên (Okonkwo và Ade-Ibijola, 2021)
Với khả năng tùy chỉnh cao và tính năng tương tác mạnh mẽ, có thể cung cấp lời giải đáp, phản hồi bài tập và tạo điều kiện cho các cuộc thảo luận học thuật chuyên sâu cho sinh viên Tính linh hoạt này khiến trở thành lựa chọn khác biệt so với các công nghệ chatbot truyền thống được triển khai trong các trường đại học, những công nghệ chatbot này thường có chức năng hạn chế hơn (Gill et al, 2024; Pérez el al, 2020)
Trước đây, đã có nhiều nghiên cứu về chủ dề này, bao gồm cả nghiên cứu nước ngoài và trong nước như: nghiên cứu của Polyportis và Pahos (2024) tại Hà Lan, nghiên cứu của Shen và cộng sự (2022) tại Trung Quốc, nghiên cứu của Strzelecky (2023) tại Ba Lan, nghiên cứu của Mahmud và cộng sự (2023) tại Bangladest, nghiên cứu của Bhat và cộng sự (2023) tại Oman, nghiên cứu của Shaengchart và cộng sự (2023) tại Thái Lan Tại Việt Nam, hiện đã có nhiều nghiên cứu trong nước đã chỉ ra tiềm năng của ChatGPT trong hỗ trợ sinh viên học tập như: Thái Thị Cẩm Trang (2023), Dương Thanh Linh (2023), và Giang Thị Thu Huyền (2023) Tuy nhiên, những nghiên cứu này chỉ tập trung vào sử dụng phương pháp nghiên cứu định tính và vẫn còn hạn chế về việc sử dụng phương pháp định lượng để đo lường ảnh hưởng của các yếu tố đến ý định sử dụng ChatGPT của sinh viên Cùng với sự phát triển mạnh mẽ của trí tuệ nhân tạo và vai trò hỗ trợ học tập của AI, việc nghiên cứu các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT sẽ cung cấp những hiểu biết có giá trị, góp phần xây dựng một hệ sinh thái học tập nâng cao trong tương lai Tại
TP Hồ Chí Minh, nơi có nhiều sinh viên và trường Đại học đã tạo ra một nhu cầu lớn về các giải pháp hiện đại hỗ trợ học tập Chính vì vậy tác giả quyết định lựa chọn đề tài nghiên cứu: Ý định sử dụng ChatGPT phục vụ học tập của sinh viên các trường Đại học trên địa bàn TP Hồ Chí Minh.
Mục tiêu nghiên cứu
Nghiên cứu các yếu tố ảnh hưởng ý định sử dụng ChatGPT của sinh viên các trường Đại học trên địa bàn TP Hồ Chí Minh
Xác định các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT của sinh viên các trường Đại học trên địa bàn TP Hồ Chí Minh Đo lường mức độ ảnh hưởng của các yếu tố đến ý định sử dụng ChatGPT của sinh viên các trường địa học tại địa bàn TP Hồ Chí Minh Đề xuất một số hàm ý quản trị giúp các nhà phát triển AI cải thiện sản phẩm và dịch vụ.
Câu hỏi nghiên cứu
Các yếu tố nào có ảnh hưởng đến ý định sử dụng ChatGPT của sinh viên các trường Đại học trên địa bàn TP Hồ Chí Minh?
Mức độ ảnh hưởng của các yếu tố đến ý định sử dụng ChatGPT của sinh viên các trường địa học tại địa bàn TP Hồ Chí Minh?
Những hàm ý quản trị nào giúp các nhà phát triển AI cải thiện sản phẩm và dịch vụ?
Đối tượng nghiên cứu và phạm vi nghiên cứu
1.4.1 Đối tượng nghiên cứu Đối tượng nghiên cứu là những yếu tố có ảnh hưởng đến ý định sử dụng ChatGPT của sinh viên Đối tượng khảo sát là sinh viên đã sử dụng ứng dụng ChatGPT phục vụ học tập đang học tại các trường Đại học trên địa bàn TP Hồ Chí Minh
Phạm vi không gian: Giới hạn đề tài được xác định trong phạm vi các trường Đại học trên địa bàn TP.HCM
Thu thập thông tin thứ cấp: Từ 12/2023 đến 4/2024
Thu thập thông tin sơ cấp: Từ 12/2023 đến 3/2024
Phương pháp nghiên cứu
1.5.1 Phương pháp nghiên cứu định tính
Tác giả thực hiện việc tìm kiếm và thu thập các tài liệu liên quan đến chủ đề nghiên cứu, bao gồm sách, báo, tạp chí, tài liệu trực tuyến và các nguồn khác Dựa trên các thông tin thu thập được từ tài liệu, tác giả xây dựng mô hình lý thuyết nghiên cứu nhằm xác định các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT phục vụ học tập của sinh viên Mô hình này bao gồm các yếu tố được xác định dựa trên lý thuyết và các nghiên cứu trước đó Để đo lường các yếu tố ảnh hưởng đến ý định sử dụng, tác giả đã xây dựng một thang đo nghiên cứu Để đảm bảo tính hợp lệ và độ tin cậy của thang đo, tác giả đã thực hiện phỏng vấn chuyên sâu với chuyên gia Chuyên gia đã cung cấp phản hồi về nội dung và độ rõ ràng của các câu hỏi trong thang đo Dựa trên thang đo nghiên cứu đã điều chỉnh, tác giả đã xây dựng một bảng câu hỏi phù hợp với bối cảnh nghiên cứu và đối tượng nghiên cứu
Bảng câu hỏi này bao gồm các câu hỏi nhằm đo lường các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT của sinh viên
1.5.2 Phương pháp nghiên cứu định lượng
Nghiên cứu định lượng được sử dụng trong 2 giai đoạn là nghiên cứu sơ bộ và nghiên cứu chính thức
1.5.2.1 Nghiên cứu sơ bộ Ở giai đoạn nghiên cứu này, tác giả áp dụng phương pháp nghiên cứu định lượng thông qua việc tiến hành khảo sát 50 sinh viên đang theo học tại các trường Đại học tại TP Hồ Chí Minh và có sử dụng ChatGPT cho mục đích học tập Dữ liệu thu thập được sẽ được kiểm định độ tin cậy thông qua sử dụng phần mềm SPSS 21.0 Quá trình này nhằm đánh giá độ đáng tin cậy của thang đo nghiên cứu Sau khi điều chỉnh, thang đo này sẽ được sử dụng trong nghiên cứu định lượng chính thức
1.5.2.2 Nghiên cứu chính thức Ở giai đoạn nghiên cứu chính thức, tác giả sử dụng phương pháp nghiên cứu định lượng thông qua việc khảo sát 300 sinh viên đang theo học tại các trường Đại học tại TP Hồ Chí Minh và có sử dụng ChatGPT cho mục đích học tập Nghiên cứu này nhằm đánh giá và xác minh lại các giả thuyết nghiên cứu, kiểm tra độ tin cậy của thang đo và đo lường mức độ ảnh hưởng của các yếu tố đến ý định sử dụng trong học tập của sinh viên các trường Đại học tại TP Hồ Chí Minh Dữ liệu nghiên cứu được thu thập thông qua bảng câu hỏi khảo sát theo hình thức khảo sát trực tuyến và được xử lý qua phần mềm SPSS 21.0 và AMOS 24.0.
Ý nghĩa nghiên cứu
1.6.1 Ý nghĩa về mặt lý luận
Nghiên cứu này góp phần kiểm định các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT phục vụ học tập của sinh viên tại các trường Đại học trên địa bàn TP.HCM Đồng thời, nghiên cứu này cũng sẽ bổ sung thêm tài liệu hữu ích cho các nhà nghiên cứu quan tâm đến cùng lĩnh vực hoặc các vấn đề liên quan trong lĩnh vực nghiên cứu
1.6.2 Ý nghĩa về mặt thực tiễn
Từ kế thừa của các nghiên cứu trước đây và số liệu của những tạp chí, bài báo uy tín của các chuyên gia, tác giả đã thực hiện những nghiên cứu nhằm đánh giá tác động của các yếu tố: Nhận thức sự hữu ích, nhận thức dễ sử dụng, nhận thức sự hiện diện xã hội, nhận thức độ tin cậy, thái độ đối với ChatGPT đến ý định sử dụng ChatGPT phục vụ học tập của sinh viên các trường Đại học trên địa bàn TP.HCM Đây là tài liệu hữu ích giúp cho các doanh nghiệp, các nhà phát triển AI có những thay đổi đối với việc phát triển AI nhằm cải thiện chất lượng dịch vụ.
Kết cấu đề tài
Đề tài: “ Yếu tố ảnh hưởng tới ý định sử dụng chatGPT của sinh viên các trường Đại học trên địa bàn Thành phố Hồ Chí Minh” bao gồm 5 chương:
Chương 1: Tổng quan về đề tài nghiên cứu
Trình bày tổng quan về đề tài: Lý do chọn đề tài, mục tiêu nghiên cứu, đối tượng nghiên cứu, phạm vi nghiên cứu, câu hỏi nghiên cứu, phương pháp nghiên cứu, ý nghĩa nghiên cứu và kết cấu của đề tài
Chương 2: Cơ sở lý luận
Giới thiệu các lý thuyết nền, các khái niệm có liên quan, tổng quan các nghiên cứu trong và ngoài nước Qua đó, đề xuất mô hình nghiên cứu và giả thuyết nghiên cứu
Chương 3: Phương pháp nghiên cứu
Trình bày quy trình nghiên cứu, phương pháp nghiên cứu chi tiết, kết quả nghiên cứu sơ bộ, quy trình thiết kế nghiên cứu định lượng chính thức, phương pháp và công cụ thu thập dữ liệu và cuối cùng là phương pháp phân tích dữ liệu
Chương 4: Phân tích kết quả nghiên cứu
CƠ SỞ LÝ LUẬN
Các khái niệm liên quan đến đề tài
Theo Ajzen (1991) thì ý định sử dụng (Behavior Intention - BI) là hành vi của mỗi người được hình thành bởi các yếu tố động lực có tác động lên họ, những yếu tố này thể hiện mức độ nỗ lực hoặc sẵn sàng của mỗi người sẽ đưa ra để thực hiện hành động đó
Theo Venkatesh và cộng sự (2003) thì việc người tiêu dùng có ý định sử dụng sản phẩm hoặc dịch vụ đồng nghĩa với việc họ sẵn lòng thực hiện một hành động cụ thể Ý định của người tiêu dùng biểu thị sự có động cơ của họ để đưa ra quyết định và nó được xem như một bối cảnh quan trọng trong việc sử dụng hoặc từ chối một dịch vụ sản phẩm hay sản phẩm trong tương lai Do đó, ý định sẽ ảnh hưởng đến cách họ tiếp cận dịch vụ và sản phẩm của các tổ chức
Theo McCarthy và cộng sự, (1995) cho biết: Trí tuệ nhân tạo là lĩnh vực nghiên cứu và phát triển các hệ thống máy tính thông minh và các chương trình có khả năng thực hiện các tác vụ đặc biệt thông minh Nó tập trung vào việc tạo ra máy tính có khả năng hiểu và thực hiện các nhiệm vụ tương tự như con người, tuy nhiên, AI không bị ràng buộc bởi các phương pháp quan sát sinh học
2.1.3 Chat Generative Pre-training Transformer (ChatGPT)
Theo Susnjak (2022), ChatGPT là một chatbot đặc biệt, viết tắt của Chat Generative Pre- training Transformer và nổi lên như một trong những chatbot dựa trên AI có ảnh hưởng nhất ChatGPT sử dụng dữ liệu lớn về cuộc trò chuyện giữa con người để lập nên mô hình ngôn ngữ của OpenAI Nhờ đó, nó có khả năng thích ứng với các nhiệm vụ phức tạp và tạo ra các phản ứng giống người ChatGPT có khả năng hiểu và xử lý ngôn ngữ một cách tự nhiên, đưa ra các phản hồi tinh tế và chính xác bằng cách áp dụng kỹ thuật học chuyên sâu
Theo Vaswani và cộng sự (2017), ChatGPT là một ứng dụng chatbot, sử dụng trí tuệ nhân tạo để tạo ra các cuộc trò chuyện giống như một con người Công cụ này, với khả năng xử lý ngôn ngữ một cách tự nhiên, có thể giúp ích nhiều tác vụ khác nhau như soạn thư, viết bài luận và lập trình
Theo Rahman & Watanobe, (2023), ChatGPT là chatbot có thể cung cấp sự hỗ trợ cho học sinh trong việc giải quyết các vấn đề phức tạp, trả lời câu hỏi, viết bài luận và hiểu các chủ đề cụ thể, từ đó giúp họ tiến bộ nhanh hơn trong quá trình học tập Ngoài ra, ChatGPT cũng có thể hỗ trợ các câu hỏi liên quan đến lập trình, giúp sinh viên phát triển kỹ năng lập trình của mình
Lý thuyết nền
Hình 2.1 Mô hình chấp nhận công nghệ (TAM)
Trong mô hình chấp nhận công nghệ (TAM) đề xuất bởi Davis (1989), ông cho rằng ba yếu tố chính để giải thích hành vi của người sử dụng trong việc chấp nhận sử dụng một hệ thống công nghệ Các yếu tố này gồm cảm nhận về độ dễ sử dụng, cảm nhận về tính hữu ích, và thái độ sử dụng Ông lý giải rằng thái độ của người áp dụng đối với một hệ thống quyết định có nên sử dụng hay từ chối nó, và thái độ này được ảnh hưởng bởi: cảm nhận về độ dễ dàng sử dụng và cảm nhận về sự hữu ích
Mục tiêu chính của mô hình TAM là truyền tải sự hiểu biết về việc làm thế nào những yếu tố này tác động vào quyết định của người dùng về việc sử dụng sản phẩm hoặc dịch vụ công nghệ Nó là một khung lý thuyết được phát triển dựa vào thuyết hành động hợp lý (TRA), nhằm cung cấp một cách tiếp cận cụ thể hơn để hiểu và dự đoán hành vi sử dụng công nghệ Đồng thời, mô hình này nhấn mạnh rằng, trong quá trình đánh giá sự chấp nhận sử dụng, việc nhận biết tính hữu ích và độ dễ sử dụng của sản phẩm hoặc dịch vụ là hai yếu tố chính quan trọng nhất
ChatGPT, là một sản phẩm công nghệ tiên tiến, nên việc áp dụng mô hình chấp nhận công nghệ (TAM) do Davis đề xuất vào năm 1989 là một cách tiếp cận hợp lý để hiểu rõ thái độ của người sử dụng đối với nó Mô hình này giúp phân tích các yếu tố quyết định việc người dùng có chấp nhận và sử dụng ChatGPT hay không, dựa trên hai yếu tố chính: cảm nhận về độ dễ dàng sử dụng và cảm nhận về sự hữu ích.
Các nghiên cứu trước đó
2.3.1.1 Mô hình nghiên cứu cửa Shen và cộng sự (2022)
Shen và cộng sự (2022) đã thực hiện nghiên cứu: Khám phá các yếu tố ảnh hưởng đến việc áp dụng và sử dụng các ứng dụng thực tế ảo trong ngành giáo dục du lịch trong bối cảnh đại dịch COVID-19 Mục đích của nghiên cứu này là tìm ra những yếu tố ảnh hưởng đến sinh viên chấp nhận và sử dụng các ứng dụng thực tế ảo trong giáo dục du lịch ở cấp độ đại học
Nghiên cứu này dựa trên mô hình chấp nhận công nghệ (TAM) và tập trung vào quan điểm của sinh viên, đã đề xuất và thử nghiệm một mô hình nghiên cứu trong ngữ cảnh của các giáo viên môn du lịch tại các trường đại học Trung Quốc Với số mẫu bao gồm 604 sinh viên Trung Quốc và dữ liệu được thu thập vào tháng 2 năm 2021 Dữ liệu đã được phân tích bằng phương pháp PLS-SEM
Kết quả từ nghiên cứu cho thấy rằng sự hữu ích, động lực hưởng thụ và giá trị giá cả là những yếu tố quan trọng đối với việc sinh viên chấp nhận và sử dụng các ứng dụng này
Những kết quả này không chỉ đóng góp vào việc mở rộng lý thuyết TAM mà còn hỗ trợ việc triển khai các công nghệ kỹ thuật số một cách hiệu quả trong các môi trường đại học
Hình 2.2 Mô hình nghiên cứu của Shen và cộng sự
Nguồn: Shen và cộng sự (2022) 2.3.1.2 Nghiên cứu của Polyportis và Pahos (2024)
Theo Polyportis và Pahos (2024) với nghiên cứu: Tìm hiểu sự chấp nhận của sinh viên về chatbot ChatGPT trong giáo dục đại học: vai trò của nhân cách hóa, niềm tin, tính mới trong thiết kế và chính sách thể chế Nghiên cứu này nhằm mục đích phân tích những yếu tố cơ bản ảnh hưởng đến sự sử dụng của chatbot ChatGPT trong lĩnh vực giáo dục Phát triển từ khuôn khổ meta-UTAUT, nghiên cứu đã bổ sung các yếu tố ngoại sinh quan trọng như nhân cách hóa, niềm tin, tính mới trong thiết kế và chính sách thể chế
Với sự hỗ trợ từ Sở Truyền thông và Kiểm tra thực nghiệm, nghiên cứu này đã tiến hành mô hình hóa với 355 sinh viên thuộc các trường đại học Hà Lan Thu được kết quả rằng thái độ và ý định hành vi đều là các yếu tố quan trọng đối với việc sử dụng chatbot ChatGPT của sinh viên Chính sách thể chế được chỉ ra là có tầm quan trọng trong việc điều tiết tác động tiêu cực của ý định hành vi lên hành vi sử dụng Đặc biệt, thái độ, điều kiện thuận lợi, ảnh hưởng xã hội và kỳ vọng về hiệu suất được xác định là những yếu tố có tầm quan trọng đối với ý định hành vi Những yếu tố nhân văn, tính mới lạ trong thiết kế, sự tin cậy và kỳ vọng về hiệu suất nỗ lực và hiệu suất đã được chứng minh là những tiền đề tích cực đáng kể cho thái độ của sinh viên
Nghiên cứu này có ý nghĩa lớn đối với lý thuyết và thực tiễn, từ việc nghiên cứu hành vi sử dụng thay vì chỉ ý định hành vi, đến việc xem xét thái độ như một khía cạnh quan trọng, và nâng cao ý thức về tầm quan trọng của chính sách thể chế Các phát hiện này cung cấp hiểu biết sâu sắc về việc áp dụng công nghệ trong giáo dục và có thể hỗ trợ các quyết định về phát triển chatbot, quản lý sản phẩm và chính sách giáo dục đại học
Hình 2.3 Mô hình nghiên cứu của Polyportis và Pahos
Nguồn: Polyportis và Pahos (2024) 2.3.1.3 Nghiên cứu của Strzelecki (2023)
Theo nghiên cứu của Strzelecki (2023) đã triển khai nghiên cứu: Sự chấp nhận ChatGPT của sinh viên trong giáo dục đại học: Một lý thuyết thống nhất mở rộng về chấp nhận và sử dụng công nghệ Nghiên cứu này nhằm mục đích tìm hiểu các yếu tố thúc đẩy sự chấp nhận của sinh viên đối với ChatGPT trong giáo dục đại học Để đạt được mục tiêu này, nghiên cứu sử dụng mô hình lý thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT2), với phần mở rộng về đổi mới cá nhân, để xác minh ý định hành vi và hành vi sử dụng ChatGPT của sinh viên Dữ liệu được thu thập từ mẫu gồm 503 sinh viên đại học tại Ba Lan, và phương pháp PLS-SEM được áp dụng trong mô hình
Kết quả của nghiên cứu cho thấy rằng thói quen có tác động đáng kể nhất (0,339) đến ý định hành vi, tiếp theo là kỳ vọng về hiệu suất (0,260) và động lực hưởng thụ (0,187) Ý định hành vi lại có ảnh hưởng rõ rệt nhất (0,424) đến hành vi sử dụng, theo sau là thói quen (0,255) và Điều kiện thuận lợi (0,188) Mô hình đã giải thích được 72,8% ý định Hành vi và 54,7% sự khác biệt của hành vi sử dụng
Mặc dù nghiên cứu này có những hạn chế về quy mô mẫu và phạm vi lựa chọn, nhưng nó được kỳ vọng sẽ là điểm khởi đầu cho nhiều nghiên cứu hơn về công nghệ như ChatGPT trong giáo dục đại học, đặc biệt khi công nghệ này vừa mới được giới thiệu gần đây và có tiềm năng ngày càng phát triển mạnh mẽ trong tương lai
Hình 2.4 Mô hình nghiên cứu của Strzelecki
2.3.1.4 Nghiên cứu của Mahmud và cộng sự (2023)
Theo nghiên cứu của Mahmud và cộng sự (2023) nghiên cứu: Sự chấp nhận ChatGPT của sinh viên đại học cho mục đích học tập Mục tiêu chính của nghiên cứu là xác định tác động của các yếu tố trong mô hình áp dụng dựa trên giá trị mở rộng (VAM) và phân tích cụ thể những đóng góp riêng lẻ của từng yếu tố này đối với việc hình thành thái độ của sinh viên đại học về việc sử dụng ChatGPT cho mục đích học tập
Nghiên cứu này không chỉ tập trung vào việc phân tích tác động của các yếu tố như ảnh hưởng xã hội, năng lực bản thân và tính đổi mới cá nhân, mà còn mở rộng phạm vi để tăng cường giá trị mở rộng Qua việc kết hợp phương pháp kỹ thuật như tích hợp bình phương tối thiểu một phần (PLS), mạng nơ-ron nhân tạo (ANN), mạng nơ-ron sâu (DNN) và thuật toán phân loại, nghiên cứu này đảm bảo khả năng phân tích chính xác cả mối tương quan tuyến tính và phi tuyến
Dữ liệu cho nghiên cứu được thu thập thông qua một cuộc khảo sát trực tuyến dành cho sinh viên đại học và sử dụng phương pháp lấy mẫu có mục đích đã được thiết lập trước để chọn ra 369 câu trả lời hợp lệ Sau đó, quá trình đánh giá dữ liệu đã được chia thành ba giai đoạn liên tiếp bao gồm PLS, ANN, DNN và phân tích thuật toán phân loại
Kết quả của nghiên cứu cho thấy rằng ý định của sinh viên được ảnh hưởng bởi nhiều yếu tố như thái độ, sự hữu ích được nhận thức, sự thích thú được nhận thức, ảnh hưởng xã hội, năng lực bản thân và tính đổi mới của cá nhân Sự đổi mới cá nhân được xác định là yếu tố có đóng góp tối đa đến thái độ của sinh viên, tiếp theo là năng lực bản thân, sự thích thú, tính hữu ích, ảnh hưởng xã hội, tính kỹ thuật và chi phí
Các kết quả này không chỉ giúp cải thiện quá trình quản lý học tập và nâng cao kết quả học tập của sinh viên mà còn có thể đóng góp vào việc phát triển các dịch vụ giáo dục tốt hơn, đặt học sinh làm trung tâm Đồng thời, nghiên cứu này cũng mở ra triển vọng về việc xây dựng một hệ thống quản lý học tập hiệu quả hơn nhằm thúc đẩy hiệu suất học tập và sự phát triển nghề nghiệp của sinh viên
Hình 2.5 Mô hình nghiên cứu của Mahmud và cộng sự
Nguồn: Mahmud và cộng sự (2023) 2.3.1.5 Nghiên cứu của Bhat và cộng sự(2023)
Giả thuyết nghiên cứu mô hình nghiên cứu đề xuất
2.4.1.1 Nhận thức sự hữu ích
Nhận thức về tính hữu ích là khả năng của cá nhân đánh giá và hiểu rõ được giá trị mà việc sử dụng công nghệ hoặc quy trình cụ thể mang lại (Lin và et al, 2007) Lý thuyết TAM đặt trọng tâm vào hai khía cạnh quan trọng: nhận thức về tính hữu ích và độ dễ sử dụng, xác định mức độ ảnh hưởng của chúng đối với ý định sử dụng và thái độ của người dùng của người dùng công nghệ (Davis, 1989) Mức độ mà một người tin rằng việc sử dụng công nghệ sẽ nâng cao hiệu suất của mình được xác định là nhận thức được sự hữu ích (Davis và et al, 1989; Davis, 1993; De Luna và et al, 2019) Trong nghiên cứu của Mahmud và cộng sự (2023) và nghiên cứu của Bhat và cộng sự (2023), yếu tố nhận thức sự hữu ích đã tác động tích cực đến thái độ đối với Chat GPT cho mục đích học tập Do đó, nghiên cứu đề xuất giả thuyết sau:
Giả thuyết H1: Nhận thức sự hữu ích có ảnh hưởng tích cực đến thái độ của sinh viên khi sử dụng ChatGPT cho mục đích học tập
2.4.1.2 Nhận thức dễ sử dụng
Cả hai yếu tố nhận thức dễ sử dụng và nhận thức sự hữu ích được coi là cột mốc quan trọng trong quá trình chấp nhận công nghệ mới theo đề xuất của Belanche và cộng sự vào năm
2019 Điều này được Davis (1989) khẳng định trong mô hình TAM, cho rằng cảm nhận về tính dễ sử dụng có ảnh hưởng tích cực đến cảm nhận về tính hữu ích và ảnh hưởng gián tiếp đến ý định sử dụng thông qua việc cải thiện thái độ đối với công nghệ mới Không chỉ vậy, nhiều nghiên cứu cũng đã chứng minh rằng TAM là một công cụ tâm lý hiệu quả để đánh giá mức độ người dùng chấp nhận dùng công nghệ, và nó được áp dụng rộng rãi để giải thích và dự đoán việc sử dụng các công nghệ thông tin khác nhau (Abbasi và et al,
2022) Nghiên cứu của Peng và Lai (2012) cũng đã phát hiện ra rằng nhận thức dễ sử dụng và nhận thức về tính hữu ích đều là yếu tố dự báo quan trọng về việc sử dụng lâu dài Do đó, trong bối cảnh này, giả thuyết sau được đề xuất Do đó, trong bối cảnh này, giả thuyết sau được đề xuất:
Giả thuyết H2: Nhận thức dễ sử dụng có ảnh hưởng tích cực đến thái độ của sinh viên khi sử dụng ChatGPT cho mục đích học tập
2.4.1.3 Nhận thức độ tin cậy
Nhận thức độ tin cậy của người tiêu dùng đóng vai trò quan trọng trong quá trình chấp nhận và sử dụng các công nghệ mới, đặc biệt là trong các giao dịch tài chính (Howcroft et al., 2002) Mở rộng ứng dụng của mô hình TAM áp dụng vào hệ thống thông tin ngân hàng trực tuyến, nhận thấy nhận thức độ tin cậy của người dùng đã có tác động tích cực và đáng kể đến cảm nhận về tính hữu ích của hệ thống và ý định sử dụng Điều này chỉ ra rằng nhận thức độ tin cậy đóng vai trò quan trọng trong việc tạo điều kiện thuận lợi cho sự chấp nhận và sử dụng hiệu quả của công nghệ trong các lĩnh vực (Kim et al, 2022)
Theo các nghiên cứu, nhận thức độ tin cậy được xem là một yếu tố quyết định trong quá trình áp dụng công nghệ (Van Pinxteren và el al, 2019) Trong một nghiên cứu gần đây của Chi và cộng sự vào năm 2021, nhận thức độ tin cậy vào khả năng tương tác với robot AI được định nghĩa là “niềm tin vào việc tương tác của khách hàng với robot xã hội AI có thể mang lại kết quả dịch vụ tích cực” Theo khung SSRIT, nhận thức độ tin cậy của người tiêu dùng vào khả năng tương tác giữa con người và robot có thể trực tiếp ảnh hưởng đến mong muốn của họ khi tương tác với robot Nghiên cứu của Bhat và cộng sự (2023) cùng với nghiên cứu của Polyportis và Pahos (2024) đã chỉ ra rằng yếu tố nhận thức độ tin cậy có tác động tích cực đến thái độ đối với ChatGPT của sinh viên Do đó, trong bối cảnh này, giả thuyết sau được đề xuất:
Giả thuyết H3: Nhận thức độ tin cậy có ảnh hưởng tích cực đến thái độ của sinh viên khi sử dụng ChatGPT cho mục đích học tập
2.4.1.4 Nhận thức sự hiện diện xã hội
Nhận thức sự hiện diện xã hội là một yếu tố ảnh hưởng đến việc áp dụng công nghệ (Chang et al, 2022) Chang và cộng sự (2022) đưa ra giả thuyết rằng nhận thức sự hiện diện xã hội có thể là yếu tố dự báo quan trọng về việc áp dụng và sử dụng các ứng dụng công nghệ Hơn thế nữa, nhận thức sự hiện diện xã hội là động lực tâm lý của các hành vi phụ thuộc và là nền tảng của sự tương tác giữa con người và máy tính Nhận thức sự hiện diện xã hội của người dùng vào công nghệ có thể ảnh hưởng đến thái độ và ý định của họ đối với việc sử dụng nó (Kim và el al, 2023) Điều này là do nhận thức sự hiện diện xã hội đóng một vai trò quan trọng trong quá trình sử dụng công nghệ và sẽ khuyến khích các cá nhân sử dụng ChatGPT Nghiên cứu của Bhat và cộng sự (2023) cùng với nghiên cứu của Polyportis và Pahos (2024) cũng chỉ ra rằng yếu tố nhận thức sự hiện diện xã hội có tác động tích cực đến thái độ đối với ChatGPT của sinh viên Vì vậy, đề xuất giả thuyết nghiên cứu sau:
Giả thuyết H4: Nhận thức sự hiện diện xã hội có ảnh hưởng tích cực đến thái độ của sinh viên khi sử dụng ChatGPT cho mục đích học tập
2.4.1.5 Động lực hưởng thụ Động lực hưởng thụ, được định nghĩa là cảm giác thú vị khi tham gia vào các trải nghiệm tương tác với robot AI trong các môi trường cung cấp dịch vụ, là một yếu tố quan trọng trong việc xây dựng niềm tin vào công nghệ (Sehabuddin & Oktarina, 2022) Theo Baabdullah (2018), một nghiên cứu về công nghệ quan trọng, người ta thấy rằng khi người dùng được kích thích bởi mong muốn trải nghiệm, họ có xu hướng tin tưởng vào công nghệ hơn Điều này đặc biệt đúng vì mong muốn trải nghiệm là một trong những động lực chính cho việc sử dụng công nghệ (Baabdullah, 2018) Theo khuôn khổ SSRIT (Chi el al, 2021), sự tin tưởng của khách hàng vào tương tác giữa con người và robot phụ thuộc vào việc liệu việc sử dụng robot có đáp ứng được mong đợi về dịch vụ của họ hay không Do đó, sinh viên có động lực hưởng thụ mạnh mẽ có thể có niềm tin cao hơn vào ChatGPT, do nhu cầu của họ về trải nghiệm mới lạ, dẫn đến mức độ tin cậy cao hơn Nghiên cứu của Shen và cộng sự (2022), nghiên cứu của Bhat và cộng sự (2023), nghiên cứu của Polyportis và Pahos (2024) và nghiên cứu của Mahmud và cộng sự (2023) đã chỉ ra rằng yếu tố động lực hưởng thụ tác động tích cực đến thái độ đối với ChatGPT của sinh viên Dựa trên các tài liệu đã được xem xét, một giả thuyết có thể được đề xuất là:
Giả thuyết H5: Động lực hưởng thụ có ảnh hưởng tích cực đến thái độ của sinh viên trong việc sử dụng ChatGPT cho mục đích học tập
2.4.1.6 Thái độ đối với ChatGPT
Thái độ đại diện cho sự thiên hướng tích cực hoặc tiêu cực của một cá nhân đối với một đối tượng, một người, một tổ chức, hoặc một sự kiện, hoặc bất kỳ thành phần nào khác có thể được phân biệt trong môi trường cá nhân (Ajzen, 1989) Thái độ bao gồm các thành phần bao gồm hành vi, nhận thức và cảm xúc (De Luna et al, 2019) Cả trong mô hình hành vi có kế hoạch (Ajzen, 1991) và trong lý thuyết hành vi có kế hoạch (Ajzen, 1991), thái độ được coi là một cấu trúc quan trọng quyết định hành vi hoặc ý định sử dụng một công nghệ cụ thể của người dùng Do đó, thái độ đóng một vai trò quan trọng đối với mọi công nghệ đột phá như ChatGPT Các nghiên cứu của Bhat và cộng sự (2023), nghiên cứu của Polyportis và Pahos (2024) và nghiên cứu của Mahmud và cộng sự (2023) đã chỉ ra rằng yếu tố thái độ đối với ChatGPT tác động tích cực đến ý định sử dụng ChatGPT cho học tập của sinh viên Vì vậy, giả thuyết sau đây được đề xuất bởi nghiên cứu này:
Giả thuyết H6: Thái độ đối với ChatGPT của sinh viên ảnh hưởng tích cực đến ý định sử dụng ChatGPT cho mục đích học tập
2.4.2 Mô hình nghiên cứu đề xuất
Tác giả dựa trên lý thuyết của mô hình chấp nhận công nghệ (TAM) của Davis, (1989) và một số bài nghiên cứu nước ngoài để đưa ra mô hình nghiên cứu Với các yếu tố: nhận thức sự hữu ích, nhận thức dễ sử dụng, nhận thức độ tin cậy, sự hiện diện xã hội, động lực hưởng thụ tác động lên thái độ đối với ChatGPT và thái độ đối với ChatGPT tác động lên ý định sử dụng ChatGPT
Hình 2.6 Mô hình nghiên cứu đề xuất
Nguồn: Tác giả tự tổng hợp
Tóm tắt chương 2 Ở chương 2 đã trình bày các lý thuyết nền, khái niệm và các nghiên cứu trước đó ở trong nước và ngoài nước Căn cứ vào đó, tác giả đề xuất giả thuyết và mô hình nghiên cứu cho đề tài.
PHƯƠNG PHÁP NGHIÊN CỨU
Quy trình nghiên cứu
3.1.1 Xác định đề tài nghiên cứu
Tác giả đã tìm hiểu về ý định sử dụng ChatGPT trong việc hỗ trợ học tập của sinh viên, thông qua việc tham khảo các tài liệu từ các nghiên cứu khoa học, bài báo trên các trang web, và các nguồn thông tin khác Từ các tài liệu này, tác giả đã suy luận rằng ChatGPT có thể mang lại nhiều lợi ích cho sinh viên trong quá trình học tập Dựa trên những phát hiện này, tác giả đã xác định mục tiêu tổng quát và các mục tiêu cụ thể cho nghiên cứu của mình
3.1.2 Tìm kiếm các tài liệu có liên quan
Tác giả đã thực hiện tìm kiếm các nghiên cứu có liên quan từ cả trong và ngoài nước thông qua các nguồn thông tin uy tín như Google Scholar, Sciencedirect và ResearchGate Sau khi thu thập được các tài liệu, tác giả tiến hành phân tích các cơ sở lý thuyết liên quan đến đề tài của mình Từ đó, tác giả tổng hợp và chọn lọc những thông tin quan trọng và phù hợp nhất để làm cơ sở cho bài nghiên cứu
3.1.3 Đưa ra các giả thuyết và mô hình nghiên cứu
Khi hoàn tất việc tìm hiểu các nghiên cứu liên quan, tác giả tiến hành phân tích và chọn lọc các biến phù hợp nhất với ngữ cảnh nghiên cứu hiện tại Dựa trên lựa chọn này, tác giả đề xuất một mô hình nghiên cứu cùng với các giả thuyết liên quan, nhằm hướng tới việc giải đáp câu hỏi nghiên cứu và khám phá mối quan hệ giữa các biến trong nghiên cứu của mình
3.1.4 Thiết lập thang đo, tạo bảng câu hỏi
Tác giả thiết lập thang đo, tạo bảng câu hỏi và nhận sự góp ý từ chuyên gia Điều này giúp tác giả điều chỉnh và cải thiện chất lượng của thang đo trước khi tiến hành thu thập dữ liệu
3.1.5 Khảo sát định lượng sơ bộ
Sau khi nhận được góp ý từ chuyên gia, tác giả tiến hành điều chỉnh từ ngữ trong các thang đo để đảm bảo tính phù hợp với từng ngữ cảnh và mục đích cụ thể của nghiên cứu Quá trình này đánh dấu bước đầu tiên trong việc thực hiện nghiên cứu định lượng, trong đó tác giả sử dụng bảng câu hỏi khảo sát trực tuyến để thu thập dữ liệu từ người tham gia Sau đó, tác giả tiến hành việc lọc và chọn ra những phiếu khảo sát hợp lệ để sử dụng trong phân tích Cuối cùng, tác giả sử dụng độ tin cậy của Cronbach's Alpha để đánh giá mức độ tin cậy của các thang đo
3.1.6 Khảo sát định lượng chính thức
Tác giả đã hoàn thiện bảng câu hỏi và chia thành ba phần chính: câu hỏi lọc, câu hỏi về thông tin nhân khẩu học và câu hỏi về ChatGPT Bảng câu hỏi này chứa một loạt các thang đo như: Nhận thức về tính hữu ích, Nhận thức về tính dễ sử dụng, Nhận thức về tính tin cậy, Nhận thức về sự hiện diện xã hội, Thái độ đối với việc sử dụng ChatGPT và Ý định sử dụng ChatGPT Tác giả đã sử dụng thang đo Likert năm điểm (từ 1 = “Hoàn toàn không đồng ý” đến 5 = “Hoàn toàn đồng ý”) để đánh giá các phản hồi từ người tham gia
3.1.7 Xử lý và phân tích kết quả
Sau khi thu thập mẫu dữ liệu với số lượng là 300, tác giả tiến hành một loạt các phân tích để kiểm định độ tin cậy Các phương pháp này bao gồm: phân tích tin cậy tổng hợp, phân tích nhân tố khám phá (EFA), phân tích nhân tố khẳng định (CFA) và phân tích mô hình cấu trúc tuyến tính (SEM).
Phương pháp nghiên cứu
3.2.1.1 Mô tả nghiên cứu định tính
Tác giả thực hiện việc tìm kiếm và thu thập các tài liệu liên quan đến chủ đề nghiên cứu, bao gồm sách, báo, tạp chí, tài liệu trực tuyến và các nguồn khác Dựa trên các thông tin thu thập được từ tài liệu, tác giả xây dựng mô hình lý thuyết nghiên cứu nhằm xác định các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT phục vụ học tập của sinh viên Mô hình này bao gồm các yếu tố được xác định dựa trên lý thuyết và các nghiên cứu trước đó Để đo lường các yếu tố ảnh hưởng đến ý định sử dụng, tác giả đã xây dựng một thang đo nghiên cứu Để đảm bảo tính hợp lệ và độ tin cậy của thang đo, tác giả đã thực hiện phỏng vấn chuyên sâu với chuyên gia Chuyên gia đã cung cấp phản hồi về nội dung và độ rõ ràng của các câu hỏi trong thang đo Dựa trên thang đo nghiên cứu đã điều chỉnh, tác giả đã xây dựng một bảng câu hỏi phù hợp với bối cảnh nghiên cứu và đối tượng nghiên cứu Bảng câu hỏi này bao gồm các câu hỏi nhằm đo lường các yếu tố ảnh hưởng đến ý định sử dụng ChatGPT của sinh viên
3.2.1.2 Kết quả nghiên cứu định tính
Sau khi hoàn thiện giai đoạn nghiên cứu định tính, các thang đo được điều chỉnh sẽ được sử dụng trong nghiên cứu định lượng chính thức Dưới đây là bảng tổng hợp thang đo sau khi đã được hiệu chỉnh và hoàn thiện
Bảng 3.1 Tổng hợp thang đo bài nghiên cứu
SST Mã hóa Các biến quan sát Nguồn tham khảo
1 Nhận thức sự hữu ích
1 SHI1 Tôi thấy ChatGPT hữu ích trong cuộc sống học tập hàng ngày của mình
2 SHI2 Sử dụng ChatGPT sẽ giúp tôi hoàn thành mọi việc nhanh hơn
3 SHI3 Sử dụng ChatGPT có thể tăng năng suất học tập của tôi
2 Nhận thức dễ sử dụng
4 DSD1 Học cách sử dụng ChatGPT đối với tôi thật dễ dàng
5 DSD2 Sự tương tác của tôi với ChatGPT rõ ràng và dễ hiểu
6 DSD3 Tôi có thể dễ dàng sử dụng thành thạo
3 Nhận thức sự hiện diện xã hội
7 SHD1 Tôi thấy sử dụng ChatGPT như đang giao tiếp với một con người
8 SHD2 Tôi thấy ChatGPT có ý thức về hành động của mình
9 SHD3 Tôi thấy ChatGPT có cảm giác sống động như thật chứ không hề giả tạo
4 Nhận thức độ tin cậy
10 TC1 Tôi tin tưởng ChatGPT là đáng tin cậy Polyportis và Pahos
11 TC2 Tôi tin tưởng ChatGPT sẽ được bảo mật
12 TC3 Tôi tin tưởng ChatGPT là an toàn
13 HT1 Tôi thấy sử dụng Chat GPT rất thú vị Strzelecki (2023)
14 HT2 Tôi thấy sử dụng Chat GPT rất giải trí
15 HT3 Tôi thấy sử dụng Chat GPT rất vui vẻ
6 Thái độ đối với Chat GPT
16 TD1 Tôi thích sử dụng ChatGPT khi còn là sinh viên
17 TD2 Tôi cảm thấy hài lòng khi sử dụng ChatGPT
18 TD3 Nhìn chung, thái độ của tôi đối với việc sử dụng ChatGPT trong quá trình học tập của mình là tích cực
7 Ý định hành vi sử dụng Chat GPT
19 YD1 Tôi dự định sẽ tiếp tục sử dụng ChatGPT trong tương lai
20 YD2 Tôi sẽ luôn cố gắng sử dụng ChatGPT trong cuộc sống học tập hàng ngày của mình
21 YD3 Tôi đặc biệt khuyến khích các bạn cùng lớp của mình sử dụng ChatGPT
Nguồn: Tác giả tự tổng hợp 3.2.2 Nghiên cứu định lượng sơ bộ
3.2.2.1 Mô tả nghiên cứu định lượng sơ bộ
Tác giả đã sử dụng phương pháp nghiên cứu định lượng sơ bộ để đánh giá độ tin cậy của thang đo Để thực hiện nghiên cứu sơ bộ này, tác giả đã áp dụng phương pháp lấy mẫu phi xác suất thuận tiện với một nhóm gồm 50 sinh viên đã từng sử dụng ChatGPT để hỗ trợ việc học tập Công việc điều tra sơ bộ này đã được tiến hành trong tháng 02/2024 Để thu thập dữ liệu, tác giả đã sử dụng các trang mạng xã hội như Facebook, Zalo để gửi bảng điều tra khảo sát trực tuyến đến các đối tượng khảo sát
3.2.2.2 Kết quả nghiên cứu sơ bộ
Tác giả đã tiến hành đánh giá độ tin cậy sơ bộ thông qua phân tích Cronbach's Alpha để phục vụ cho công việc nghiên cứu định lượng sơ bộ Sau khi tổng hợp dữ liệu thu thập, công việc sàng lọc số phiếu hợp lệ đã được thực hiện bởi tác giả Tiếp theo, dữ liệu đã được mã hóa và nhập vào phần mềm SPSS 21.0 để thực hiện phân tích độ tin cậy của tất cả thang đo trong mô hình nghiên cứu Thang đó dưới đây sẽ đưa vào nghiên cứu định lượng chính thức:
Bảng 3.2 Tổng hợp kiểm định độ tin cậy Cronbach’s Alpha
Thang đo thành phần Số biến quan sát được ban đầu
Số biến quan sát được sau quá trình nghiên cứu định lượng sơ bộ
Hệ số tương quan biến – tổng
Nhận thức sự hữu ích 3 3 0,815 ≥ 0,606
Cảm nhận dễ sử dụng 3 3 0,843 ≥ 0,630
Nhận thức sự hiện diện xã hội 3 3 0,713 ≥ 0,516
Nhận thức độ tin cậy 3 3 0,865 ≥ 0,662 Động lực hưởng thụ 3 3 0, 912 ≥ 0,803
Thái độ đối với ChatGPT 3 3 0,915 ≥ 0,728 Ý định sử dụng ChatGPT 3 3 0,934 ≥ 0,793
Nguồn: Tác giả tổng tự tổng hợp từ kết quả dữ liệu phần mềm SPSS 21.0
Kết quả trong Bảng 3.3 cho thấy rằng các hệ số độ tin cậy theo Cronbach's Alpha dao động từ 0,713 đến 0,934, tất cả đều vượt qua ngưỡng chấp nhận là 0,7 Ngoài ra, các giá trị tương quan biến - tổng (Corrected Item Total Correlation) đều vượt qua ngưỡng chấp nhận là 0,3 Điều này cho thấy rằng tất cả 21 biến quan sát trong các thang đo như: Nhận thức sự hữu ích, Nhận thức sự hiện diện xã hội, Nhận thức dễ dàng sử dụng, Nhận thức độ tin cậy, Động lực hưởng thụ, Thái độ đối với ChatGPT và Ý định hành vi sử dụng ChatGPT, đều đáp ứng đủ yêu cầu về tính nhất quán bên trong, như được đề xuất bởi các tác giả Hair và cộng sự (2010) Tóm lại, các thang đo đã đạt yêu cầu để tiếp tục cho nghiên cứu định lượng chính thức.
Thiết kế nghiên cứu định lượng chính thức
3.3.1.1 Phương pháp chọn mẫu được sử dụng
Trong nghiên cứu này, tác giả đã sử dụng phương pháp chọn mẫu thuận tiện, trong đó tất cả mọi người được chọn làm mẫu mà không cần phân loại từng cá nhân cụ thể (Nguyễn Đình Thọ, 2011) Phương pháp này được xem như một phương pháp phi xác suất, giúp tiết kiệm thời gian và chi phí (Salkind, 2009) Tuy nhiên, mặc dù nhanh chóng và tiện lợi, phương pháp này có thể không đảm bảo độ chính xác cao Để giải quyết vấn đề này, tác giả sẵn lòng giải đáp bất kỳ thắc mắc nào từ phía đối tượng khảo sát, đảm bảo rằng họ hiểu rõ và trả lời câu hỏi một cách chính xác
3.3.1.2 Cách thức tính toán kích cỡ mẫu
Theo Hair và cộng sự (2010), để thực hiện phân tích nhân tố, kích thước mẫu tối thiểu cần phải lớn hơn 5 lần số lượng biến quan sát Cụ thể, số mẫu tối thiểu được tính bằng công thức N = 5*m (với m là số biến quan sát) Ngoài ra, để đảm bảo tính chất đáng tin cậy của nghiên cứu, số mẫu cần lớn hơn gấp 10 lần số biến quan sát Trong trường hợp này, với tổng cộng 21 biến quan sát, kích thước mẫu tối thiểu phải là N = 5*21 = 105 và để đạt được mức độ tin cậy mong muốn, số mẫu cần lớn hơn N = 10*21 = 210 Do đó, để đảm bảo tính tin cậy của nghiên cứu, nhóm tác giả quyết định sử dụng kích thước mẫu là 300 quan sát
3.3.2 Cấu trúc bảng câu hỏi
Bảng câu hỏi được thiết kế gồm 3 phần chính:
Phần 1: Câu hỏi gạn lọc: Gồm 2 câu hỏi, câu hỏi thứ nhất hỏi về đối tượng có từng sử dụng ChatGPT cho mục đích phục vụ học tập chưa, câu hỏi thứ hai sẽ hỏi về đối tượng có đang học tại các trường Địa học trên đại bàn TP.HCM không
Phần 2: Câu hỏi thông tin cá nhân: Bảng câu hỏi sẽ bao gồm các thông tin về nhân khẩu học của người được khảo sát, bao gồm: Giới tính, năm học, trường đại học
Phần 3: Câu hỏi khảo sát: Được xây dựng bởi các câu hỏi định lượng được trả lời dựa theo thang đo Likert 5 mức độ kiểm tra sự tán thành của người dùng với các câu trả lời có sẵn.
Phương pháp và công cụ thu thập dữ liệu nghiên cứu
Trong quá trình nghiên cứu đề tài, tác giả đã thực hiện thu thập và tổng hợp các nguồn thông tin đa dạng để sử dụng trong nghiên cứu Các nguồn dữ liệu này có thể được phân loại thành hai loại chính: nguồn thông tin sơ cấp và nguồn thông tin thứ cấp
3.4.1 Nguồn thông tin sơ cấp
3.4.1.1 Công cụ thu thập dữ liệu sơ cấp
Dữ liệu sơ cấp trong nghiên cứu này là những thông tin mà tác giả tự thu thập và xây dựng, có ảnh hưởng trực tiếp đến đối tượng nghiên cứu và được phân tích bằng các công cụ như AMOS 24.0 và SPSS 21.0 Để thu thập dữ liệu này, tác giả đã tiến hành các cuộc phỏng vấn chuyên sâu trực tiếp với chuyên gia
Ngoài ra, để thu thập dữ liệu từ một số đối tượng lớn hơn và đa dạng hơn, tác giả đã sử dụng hình thức khảo sát trực tuyến Phiếu điều tra đã được tạo bằng Google Form và sau đó được gửi đến cộng đồng người dùng trên các mạng xã hội như Facebook, Zalo Điều này giúp mở rộng phạm vi thu thập dữ liệu và tạo điều kiện thuận lợi cho qua trình tiếp cận đối tượng nghiên cứu
3.4.1.2 Phương pháp thu thập thông tin sơ cấp
Tác giả đã tiến hành thu thập thông tin sơ cấp thông qua các cuộc trao đổi với chuyên gia, trong đó tác giả được hướng dẫn và tư vấn trực tiếp từ người có kinh nghiệm trong nhiều lĩnh vực nghiên cứu Đồng thời, để có cái nhìn đa chiều và phong phú hơn về đề tài, tác giả cũng đã tiến hành khảo sát trực tuyến với sinh viên tại Thành phố Hồ Chí Minh để thăm dò ý kiến và quan điểm của họ Sau khi thu thập thông tin sơ cấp, tác giả đã tiến hành việc xem xét lý thuyết cơ bản, các khái niệm liên quan và các nghiên cứu trước đó trong và ngoài nước về đề tài của mình Dựa trên những hiểu biết này, tác giả đã phát triển một mô hình nghiên cứu đề xuất Mô hình này được trình bày và thảo luận với chuyên gia đã cung cấp phản hồi, nhận xét và góp ý để mô hình được điều chỉnh và phù hợp hơn với bối cảnh nghiên cứu cụ thể Điều này giúp tăng tính khả thi và chính xác của nghiên cứu
3.4.2.1 Công cụ sử dụng thu thập dữ liệu thứ cấp
Tác giả đã tích cực tìm kiếm và thu thập dữ liệu thứ cấp từ các nguồn tham khảo khác nhau nhằm hỗ trợ quá trình nghiên cứu của mình Các nguồn thông tin như Google, Google Scholar, ResearchGate, và ScienceDirect đã được sử dụng để tra cứu, thu thập thông tin, và tiếp cận các tài liệu nghiên cứu có liên quan đến đề tài Các tạp chí khoa học và các nguồn thông tin uy tín khác, bao gồm bài báo khoa học, báo cáo, và tài liệu từ các cuộc phỏng vấn khảo sát từ các tổ chức, đã được tác giả sử dụng để tìm hiểu sâu hơn về các khía cạnh cụ thể của đề tài
Bằng cách nghiên cứu những công trình nghiên cứu trước đó và những mô hình nghiên cứu có liên quan, tác giả đã thấy được tổng quan về lĩnh vực nghiên cứu của mình Qua đó, họ có thể lựa chọn mô hình nghiên cứu phù hợp nhất với mục tiêu và phạm vi của nghiên cứu hiện tại Việc này giúp đảm bảo tính chính xác và độ tin cậy của nghiên cứu, cũng như tạo điều kiện thuận lợi cho việc tiếp tục phát triển và mở rộng kiến thức trong lĩnh vực nghiên cứu
3.4.2.2 Phương pháp thu thập thông tin thứ cấp
Phương pháp thu thập thông tin thứ cấp là một công cụ quan trọng trong quá trình nghiên cứu, giúp tác giả tiếp cận và sử dụng dữ liệu từ các nguồn có sẵn để nâng cao tính hiệu quả và tính đáng tin cậy của nghiên cứu Thông tin thứ cấp được sử dụng như một cơ sở để xây dựng mô hình nghiên cứu và thiết lập các thang đo, nhằm khẳng định và mở rộng các quan điểm đã được đề xuất trong các nghiên cứu trước đó
Trong quá trình thu thập thông tin thứ cấp, tác giả đã sử dụng một loạt các nguồn thông tin như tạp chí, các bài báo khoa học, và các trang web chính thống chứa thông tin được công bố trực tuyến Điều này đảm bảo rằng dữ liệu đã thu thập có tính uy tín và độ tin cậy cao, từ đó giúp tác giả hiểu rõ hơn về tình trạng thực tế và bối cảnh nghiên cứu hiện tại
Ngoài ra, tác giả cũng đã xem xét và nghiên cứu những bài nghiên cứu liên quan từ cả trong nước và nước ngoài, nhằm bổ sung và củng cố thông tin, lý thuyết cho nghiên cứu của mình Điều này giúp tác giả có cái nhìn tổng quan và rõ ràng hơn về các vấn đề nghiên cứu và các phương pháp tiếp cận đã được sử dụng trước đó
3.4.3 Công cụ xử lý dữ liệu
Sau khi thu thập và tổng hợp dữ liệu, tác giả đã tiến hành nhập dữ liệu, mã hóa và làm sạch thông tin băng cách sử dụng các công cụ và phần mềm thống kê như SPSS 21.0 và AMOS 24.0 Các bước này giúp tạo ra dữ liệu sẵn sàng cho các phương pháp phân tích tiếp theo
Các phương pháp phân tích dữ liệu đã được áp dụng trong nghiên cứu này bao gồm phân tích thống kê mô tả để mô tả và tổng quan về dữ liệu, kiểm định Cronbach's Alpha để đánh giá độ tin cậy của các thang đo, phân tích nhân tố khám phá EFA, phân tích nhân tố khẳng định CFA và cuối cùng là mô hình cấu trúc tuyến tính SEM để kiểm tra mối quan hệ giữa các biến và xác định mô hình cấu trúc của mối quan hệ đó Các phương pháp này giúp tác giả hiểu sâu hơn về dữ liệu, từ đó đưa ra các kết luận và nhận định có tính hợp lý và khách quan.
Phương pháp phân tích dữ liệu
Qua việc thực hiện thống kê mô tả, tác giả thực hiện phân tích phần trăm của các thông tin cá nhân mà người tham gia khảo sát cung cấp Mục đích là nắm rõ đặc điểm của người tham gia khảo sát và xác định sự khác biệt trong cách họ đánh giá
3.5.2 Đánh giá sơ bộ thang đo Đánh giá hệ số tin cậy Cronbach's Alpha là một phương pháp thống kê quan trọng dùng để đánh giá sự tin cậy và tương quan giữa các biến quan sát trong một nghiên cứu Phương pháp này đo lường mức độ đồng nhất của các câu hỏi trong thang đo và tương quan của từng câu hỏi với điểm số tổng thể của thang đo Mục tiêu là phát hiện và loại bỏ các câu hỏi do không phù hợp hoặc gây nhiễu trong quá trình đánh giá (Nguyễn Đình Thọ, 2011)
Hệ số Cronbach's Alpha được sử dụng để đánh giá độ tin cậy nội tại của thang đo Các thang đo có hệ số Alpha trong khoảng từ 0.7 đến 0.8 thường được coi là có độ tin cậy chấp nhận được, trong khi các thang đo có hệ số từ 0.8 đến 1.0 được xem là rất tin cậy Tuy nhiên, đối với các nghiên cứu mới, thang đo với hệ số từ 0.6 trở lên cũng có thể sử dụng được (Hair et al, 2014)
Phương pháp này cũng giúp loại bỏ các biến quan sát không đáng tin cậy bằng cách kiểm tra hệ số tương quan biến tổng Những biến có tương quan biến tổng nhỏ hơn 0.3 thường được loại bỏ, trong khi các biến có hệ số tương quan cao hơn có thể giữ lại cho thang đo Điều này giúp tăng cường tính tin cậy và chính xác của thang đo trong quá trình nghiên cứu
3.5.3 Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá (EFA) là một công cụ được sử dụng để rút gọn một tập hợp lớn các biến quan sát thành các nhân tố có ý nghĩa hơn, tức là nhóm các biến có mối liên hệ chặt chẽ với nhau và độc lập với các biến khác Điều này giúp đánh giá giá trị hội tụ và phân biệt của các biến trong một nghiên cứu
Theo Kaiser (1974), chỉ số KMO (Kaiser-Meyer-Olkin) được sử dụng để đánh giá tính thích hợp của phân tích nhân tố KMO càng cao, nằm trong mức từ 0.5 đến 1, thể hiện rằng điều kiện cho việc thực hiện phân tích nhân tử là phù hợp
Theo Anderson và Gerbing (1988), nhân tố có Eigenvalue > 1, điều này chỉ ra rằng phân biệt giữa các nhóm được giải thích bởi mỗi nhân tố là đủ lớn, cho thấy rằng những nhân tố này có ý nghĩa cao trong việc tóm tắt thông tin
Theo Hair và cộng sự (2014), hệ số tải nhân tố, còn được gọi là trọng số yếu tố, là chỉ số biểu thị mức độ mối quan hệ tương quan giữa biến quan sát và yếu tố Giá trị của hệ số tải nhân tố càng cao, cho thấy mối quan hệ giữa biến quan sát và yếu tố càng lớn, và ngược lại Factor loading (hệ số tải yếu tổ hoặc trọng số yếu tố) được sử dụng để đánh giá tính thiết thực của phân tích nhân tố Giá trị Factor loading >= 0.3 được coi là đạt mức tối thiểu, Factor loading >= 0.4 được coi là quan trọng, và Factor loading >= 0.5 được coi là có ý nghĩa thực tiễn
Hệ số tải nhân tố, hay còn gọi là trọng số yếu tố, là một chỉ số đánh giá mức độ tương quan giữa các biến quan sát và yếu tố trong phân tích nhân tố Nếu giá trị của hệ số tải nhân tố càng cao, điều đó chỉ ra mối quan hệ giữa biến quan sát và yếu tố càng mạnh, và ngược lại Factor loading (hoặc hệ số tải yếu tổ) được sử dụng để đánh giá tính thiết thực của phân tích nhân tố Mức độ ý nghĩa của Factor loading được xem xét dựa trên giá trị của nó: Factor loading >= 0.3 được coi là đạt mức tối thiểu, Factor loading >= 0.4 được coi là quan trọng, và Factor loading >= 0.5 được coi là có ý nghĩa thực tiễn
Tổng phương sai được giải thích (Total Variance Explained) cần phải vượt qua mức 50%: Đây là tỷ lệ phần trăm của biến thiên trong các biến quan sát mà phân tích nhân tố có khả năng giải thích được Nếu tổng phương sai giải thích đạt 100%, điều này chỉ ra rằng phân tích nhân tố đã giải thích được bao nhiêu phần trăm của biến thiên
3.5.4 Kiểm định phân tích nhân tố khẳng định CFA
Phân tích nhân tố khẳng định (CFA) là một phương pháp dùng để đánh giá tính phù hợp của một mô hình phân tích nhân tố đã được giả định trước đó CFA có thể được áp dụng để kiểm tra các giả định về mối liên hệ giữa các yếu tố, tương quan giữa các biến quan sát, và độ chính xác của các dự đoán được tạo ra bởi mô hình
3.5.4.1 Đo lường mức độ phù hợp của mô hình Để đánh giá mức độ phù hợp của mô hình với dữ liệu trong thị trường, cần phải đạt được một loạt các tiêu chí quan trọng với các mức giá trị khác nhau Theo Hair và cộng sự (2010), có tổng cộng 4 chỉ số quan trọng cần được xem xét:
Chi-Square to Degrees of Freedom Ratio (CMIN/df) ≤ 2
Goodness of Fit Index (GFI) ≥ 0.9
Root Mean Square Error of Approximation (RMSEA) ≤ 0.08
Những chỉ số này thường được sử dụng để đánh giá mức độ thích hợp của mô hình với dữ liệu, và giúp các nhà nghiên cứu điều chỉnh và cải thiện mô hình của họ
3.5.4.2 Kiểm định giá trị hội tụ
Theo tác giả Hair và cộng sự (2010), các giá trị hội tụ được coi là tốt khi: Độ tin cậy tổng hợp (Composite Reliability - CR) ≥ 0.7
Phương sai trích trung bình (Average Variance Extracted - AVE) ≥ 0.5
Giá trị phân biệt là một khái niệm cực kỳ quan trọng trong nghiên cứu khoa học, đặc biệt là trong phân tích đa biến Nó phản ánh khả năng của các biến đo lường khác nhau để phân biệt một cách rõ ràng và hiệu quả
Theo Fornell & Larcker, (1981) thì khi giá trị căn bậc hai AVE của mỗi nhân tố vượt ngưỡng tối thiếu 0,5 và đều lớn hơn giá trị tuyệt đối của các hệ số tương quan khác thì được coi là đạt giá trị phân biệt
3.5.4.4 Mô hình cấu trúc tuyến tính SEM
PHÂN TÍCH DỮ LIỆU
Phân tích dữ liệu thứ cấp
Chat Generative Pre-training Transformer (ChatGPT) đã nhanh chóng trở thành một hiện tượng trong cộng đồng người dùng trí tuệ nhân tạo từ khi ra mắt vào tháng 11 năm 2022, thu hút sự chú ý của hơn 100 triệu người (Halaweh, 2023) Điều đặc biệt là, vai trò của nó không chỉ dừng lại ở việc cung cấp các cuộc trò chuyện thông thường, mà còn mở rộng ra thành một công cụ hữu ích trong việc hỗ trợ học sinh hiểu và áp dụng các khái niệm mới, hoàn thành bài tập, và cung cấp hướng dẫn giáo dục chất lượng
Bên cạnh đó, ChatGPT còn đóng vai trò quan trọng trong việc tạo ra các tình huống giải quyết vấn đề đa dạng và cung cấp hướng dẫn cá nhân hóa cho học sinh, từ đó tăng cường trải nghiệm học tập của họ Lợi ích mà ChatGPT mang lại cho sinh viên là vô cùng đa dạng và đáng kể Không chỉ giúp họ dễ dàng tiếp cận và học ngôn ngữ, ChatGPT còn hỗ trợ sinh viên phát triển kỹ năng viết như một công cụ nhận thức, giúp họ hiểu rõ hơn về các khái niệm và tạo ra một trải nghiệm học tập được cá nhân hóa, phù hợp với nhu cầu và phong cách học tập của từng cá nhân (Halaweh và cộng sự, 2023) Điều này chứng tỏ sức mạnh và tiềm năng lớn mà ChatGPT mang lại trong lĩnh vực giáo dục và học tập
Theo Shahriar và Hayawi (2023), dù Google và Meta cũng đã phát triển các mô hình ngôn ngữ của riêng họ, nhưng ChatGPT vẫn là mô hình phổ biến nhất trong số các ứng dụng AI Khởi đầu từ việc mở cửa cho mọi người tiếp cận, AI mở đã tạo ra một bước tiến quan trọng, mở ra cánh cửa cho người dùng có thể sử dụng và trải nghiệm nó
ChatGPT sử dụng nhiều mô hình ngôn ngữ khác nhau, được xây dựng trên các tập dữ liệu mở rộng để dự đoán từ tiếp theo trong câu Kết quả là những câu trả lời hoặc câu hỏi trở nên hấp dẫn, mạch lạc và tự nhiên, giống như cách con người trả lời Với một bộ dữ liệu lớn, ChatGPT chứa đến 300 tỷ từ, bao gồm 570 GB dữ liệu và hơn 175 tỷ tham Điều này thể hiện sức mạnh và tiềm năng của nó trong việc tạo ra trải nghiệm giao tiếp trực tuyến ngày càng phong phú và hiệu quả (Mahmud el al, 2023)
Ngoài ra, sinh viên đại học đạt được nhiều lợi ích từ việc tích hợp ChatGPT vào mục tiêu học tập của họ Đầu tiên, mô hình AI có thể đóng vai trò là một công cụ hướng dẫn để nâng cao trình độ viết của học sinh thông qua việc cung cấp phản hồi xây dựng về ngữ pháp chính xác, sử dụng từ vựng và cấu trúc câu Ví dụ, một sinh viên có thể sử dụng ChatGPT để soạn bản nháp ban đầu của một bài luận, sau đó tinh chỉnh và cải thiện bài viết của mình dựa trên các gợi ý từ mô hình ("Benefits of ChatGPT for Students to Exploit", 2023)
Theo như Mallow (2023) đã chỉ ra, việc cung cấp hỗ trợ và tư vấn có mục tiêu thông qua ChatGPT có thể giúp cải thiện kết quả học tập và giảm thiểu tỷ lệ học sinh bỏ học Điều này nhấn mạnh vai trò của AI trong việc thúc đẩy hỗ trợ cá nhân hóa phù hợp với nhu cầu của từng học sinh, từ đó góp phần vào thành công chung trong học tập
Cuối cùng, ChatGPT có thể hỗ trợ đáng kể trong nhiều khía cạnh khác nhau của quá trình nghiên cứu, bao gồm lựa chọn chủ đề, thu thập kiến thức nền tảng và dữ liệu Hơn nữa, nó có thể giúp tăng tốc độ tiến độ nghiên cứu cho các dự án học thuật, bài tập và mục tiêu cá nhân đa dạng (Dilmegani, 2023) Như vậy, vai trò của ChatGPT không chỉ là một công cụ học tập mà còn là một người bạn đồng hành thông minh và đa năng cho sinh viên đại học trong hành trình học tập và nghiên cứu của họ
Sự ra đời của ChatGPT không chỉ đánh dấu một bước tiến mới trong lĩnh vực giáo dục đại học, mà còn mở ra những thách thức mới mẻ đối với cộng đồng học thuật (Teubner el al,
2023) Trong khi một số học giả chào đón sự tiến bộ này, thì không ít người lại lên tiếng phản đối việc sử dụng ChatGPT, lo ngại rằng nó có thể tạo ra môi trường khuyến khích hành vi gian lận hoặc thiếu trung thực trong quá trình học tập Tuy nhiên, những người ủng hộ lại lập luận rằng việc hòa nhập với công nghệ và xây dựng các chính sách đáng tin cậy trong học tập sẽ trang bị cho sinh viên những kỹ năng và tư duy đạo đức cần thiết để tự tin hoạt động trong một môi trường AI Với khả năng tạo ra văn bản mạch lạc và đầy đủ thông tin, cùng với sự tiện lợi của việc truy cập ở nhiều quốc gia, các chatbot AI như ChatGPT đã trở thành một chủ đề tranh luận sôi nổi trong cộng đồng học giả về vai trò và tác động của chúng trong giáo dục Mặc dù một số học giả đang thúc đẩy việc sử dụng chúng một cách có hiệu quả và đáng tin cậy, thì những người khác, như Hsu (2023), lại ủng hộ việc cấm hoàn toàn Cuộc tranh luận đang dần leo thang, nhấn mạnh sự cần thiết phải điều chỉnh lại cấu trúc giảng dạy trong giáo dục đại học, nhằm áp dụng nhiều hơn các tư duy phản biện, quan điểm đạo đức, tính sáng tạo, giải quyết vấn đề và các giải pháp phù hợp với thực tế và tương lai, từ đó giúp sinh viên chuẩn bị tốt hơn cho môi trường làm việc chuyên nghiệp đang dần bị ảnh hưởng bởi sự phát triển của trí tuệ nhân tạo
Mặc dù ChatGPT đã nhanh chóng trở thành một công cụ tiên tiến trong việc xử lý ngôn ngữ tự nhiên, nghiên cứu về cách mà sinh viên đại học hiểu và tương tác với nó vẫn chưa được phổ biến rộng rãi như mong đợi Sự thiếu hụt này đáng kể, bởi hiểu biết sâu sắc về cách mà học sinh tương tác với các công nghệ hỗ trợ trí tuệ nhân tạo là vô cùng quan trọng để áp dụng chúng một cách hiệu quả trong môi trường giáo dục (Strzelecki, 2023) Do đó, chúng ta cần tiến hành một đánh giá chi tiết và toàn diện hơn về các yếu tố tạo nên thái độ của sinh viên đối với ChatGPT Điều này bao gồm cả nhận thức về tính hữu ích của công nghệ này cũng như những thách thức mà họ có thể gặp phải khi sử dụng nó Bằng việc thu thập thông tin chi tiết và sâu sắc, chúng ta có thể hiểu rõ hơn về cách mà sinh viên tiếp nhận và sử dụng công nghệ này trong quá trình học tập Kết quả của nghiên cứu này sẽ cung cấp cái nhìn rõ ràng và chi tiết hơn về cách tốt nhất để tích hợp ChatGPT vào hệ thống giáo dục Điều này sẽ tạo điều kiện thuận lợi hơn cho quá trình học tập của sinh viên và giúp họ đạt được thành công trong việc tiếp cận kiến thức và kỹ năng cần thiết cho tương lai.
Phân tích dữ liệu sơ cấp
4.2.1 Phân tích thống kê nhân khẩu học
Sau khi tổng hợp các dữ liệu thu thập được, tác giả đã tiến hành phân tích dữ liệu thống kê mô tả Với tổng số người khảo sát là 300 người, tác giả tổng hợp kết quả như bảng sau đây:
Bảng 4.1 Thống kê mô tả cho biến giới tính
Giới tính Số người Tỷ lệ(%)
Nguồn: Tác giả tổng hợp từ phân tích SPSS 21.0
Trong số 300 người tham gia khảo sát, tỉ lệ nam chiếm 38,3% và tỉ lệ nữ là 61,7% Dữ liệu này cho thấy có sự chênh lệch về giới tính trong mẫu khảo sát, với số lượng người nữ tham gia nhiều hơn so với nam
Bảng 4.2 Thống kê mô tả cho biến trường học
Trường học Số người Tỷ lệ(%) Đại học Công nghiệp TP.HCM 71 23,7 Đại học Ngân hàng TP.HCM 49 16,3 Đại học Công nghệ TP.HCM 47 15,7 Đại học Ngoại ngữ-Tin học TP.HCM 35 11,7 Đại học Công thương TP.HCM 31 10,3 Đại học Tôn Đức Thắng 37 12,3 Đại học Kinh tế-Luật TP.HCM 18 6,0 Đại học Giao thông Vân tải TP.HCM 12 4,0
Nguồn: Tác giả hợp từ phân tích SPSS 21.0
Từ bảng 4.3 ta thấy, sinh viên trường Đại học Công nghiệp TP.HCM được khảo sát nhiều nhất với 71 sinh viên chiếm 23,7%, sinh viên trường Đại học Ngân hàng được khảo sát nhiều thứ hai với 49 sinh viên chiếm 16,3 %, thứ ba là sinh trường Đại học Công nghệ với
37 sinh viên chiếm 15,7%, thứ tư là sinh viên của trường Đại học Tôn Đức Thắng với 35 sinh viên chiếm 11,7%, thứ năm là 31 sinh viên học tại trường Đại học Công thương TP.HCM chiếm 10,3%, sinh viên trường Đại học Ngoại ngữ-Tin học TP.HCM đứng thứ sáu với 37 phiếu khảo sát chiếm 12,3% Thứ 8 là sinh viên trường Đại học Kinh tế-Luật TP.HCM được khảo sát với 18 sinh viên chiếm 6% Cuối cùng là trường Đại học Giao thông Vân tải TP.HCM với 12 phiếu khảo sát chiếm phần trăm ít nhất là 4%
Bảng 4.3 Thống kê mô tả cho biến năm học
Năm học Số người Tỷ lệ(%)
Nguồn: Tác giả hợp từ phân tích SPSS 21.0
Người tham gia khảo sát đều là sinh viên, trong đó chiếm tỷ lệ cao nhất với 47.7% người tham gia khảo sát là sinh viên năm 4 Tiếp theo đó chiếm tỷ lệ lần lượt là 23.3%, 16.7% là các bạn sinh viên năm 3 và năm 2 Và thấp nhất là các bạn sinh viên năm 1 chiếm tỷ lệ thấp nhất trong số lượng người tham gia khảo sát với 10.7%
4.2.2 Kết quả phân tích độ tin cậy Cronbach’s Alpha của thang đo
Bảng 4.4 Kiểm định độ tin cậy thang đo
Tên biến Hệ số tương quan biến - tổng hiệu chỉnh
Hệ số Cronbach’s Alpha nếu loại biến
Nhận thức sự hữu ích với giá trị Cronbach’s Alpha: 0,820
Nhận thức dễ sử dụng với giá trị Cronbach’s Alpha: 0,848
Tên biến Hệ số tương quan biến - tổng hiệu chỉnh
Hệ số Cronbach’s Alpha nếu loại biến
Nhận thức sự hiện diện xã hội với giá trị Cronbach’s Alpha: 0,767
Nhận thức độ tin cậy với giá trị Cronbach’s Alpha: 0,830
DTC3 0,710 0,744 Động lực hưởng thụ với giá trị Cronbach’s Alpha: 0,753
Thái đội đối với ChatGPT có giá trị Cronbach’s Alpha: 0,922
TD3 0,882 0,855 Ý định sử dụng ChatGPT có giá trị Cronbach’s Alpha: 0,865
Nguồn: Tác giả tự tổng hợp phần mềm SPSS 21.0
Chúng ta thấy rằng giá trị tổng thể của chỉ số Cronbach's Alpha cho mỗi thang đo, bao gồm: nhận thức về sự hữu ích, nhận thức về sự dễ sử dụng, nhận thức về sự hiện diện xã hội, nhận thức về độ tin cậy, thái độ đối với ChatGPT và ý định sử dụng ChatGPT, đều vượt qua ngưỡng tối thiểu 0,7 Ngoài ra, hệ số tương quan biến tổng của biến quan sát từ mỗi thang đo đều vượt qua ngưỡng tối thiểu 0,3 Điều này cho thấy rằng các thang đo này đều đáng tin cậy để tiến hành các bước kiểm định tiếp theo
4.2.3 Kết quả phân tích nhân tố khám phá (EFA)
Bảng 4.5 Tổng kết kết quả nhân tố khám phá EFA
Yếu tố cần đánh giá Giá trị So sánh
Nguồn: Tác giả tự tổng hợp phần mềm SPSS 21.0
Chỉ số KMO đạt 0.852, vượt qua ngưỡng 0.5, cho thấy phân tích nhân tố phù hợp với dữ liệu thực tế Giá trị Sig của kiểm định Bartlett là 0.000 < 0.05, chỉ ra rằng các biến trong nhóm nhân tố có mối tương quan ý nghĩa trong tập dữ liệu tổng thể
Hệ số Eigenvalue đạt 1.013, vượt qua ngưỡng 1, biểu thị rằng mỗi nhân tố giải thích một phần lớn biến thiên Điều này cho thấy nhân tố rút ra có ý nghĩa và tóm tắt thông tin tốt nhất từ dữ liệu Kết quả từ bảng tổng phương sai trích cho thấy nhóm nhân tố có khả năng giải thích được 76.245% sự biến thiên trong tập dữ liệu
Bảng 4.6 Ma trận xoay nhân tố
Ma trận xoay các nhân tố
Nguồn: Tác giả tự tổng hợp từ phần mềm SPSS 21.0
Dựa vào Bảng 4.13, ta có thể kết luận rằng các biến quan sát được chia thành 7 nhóm Hệ số tải nhân tố của các biến quan sát đều lớn hơn 0.5 (từ 0.724 đến 0.877), qua đó cho thấy rằng tất cả các biến bao gồm: nhận thức về sự hữu ích, nhận thức về sự dễ sử dụng, nhận thức về sự hiện diện xã hội, nhận thức về độ tin cậy, thái độ đối với ChatGPT và ý định sử dụng ChatGPT đều có ý nghĩa trong thực tiễn và hoàn toàn có thể sử dụng trong các phần phân tích tiếp theo
4.2.4 Phân tích nhân tố khẳng định CFA
4.2.4.1 Đo lường mức độ phù hợp của mô hình
Từ kết quả kiểm định phân tích nhân tố khẳng định, tác giả đưa ra chỉ số đo lường độ phù hợp của mô hình như bảng dưới đây:
Bảng 4.7 Kết quả đo lường mức độ phù hợp trong CFA
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
Kết quả phân tích CFA cụ thể như sau: CMIN/df = 1,482 < 2, GFI = 0,928 > 0.9, CFI 0,974 > 0.8, RMSEA = 0,040 < 0.08, PCLOSE = 0,944 > 0,05 Dựa vào tất cả chỉ số đều đạt ở ngưỡng chấp nhận, vì thế mô hình đạt được độ phù hợp, các giá trị đều đạt yêu cầu từ mức chấp nhận được đến rất tốt
Theo đó, mô hình kết quả phân tích CFA được thể hiện như hình sau:
Hình 4.1: Mô hình kết quả CFA
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
4.2.4.2 Đo lường mức độ tin cậy thang đo
Bảng 4.8 Mức độ tin cậy của thang đo
Nhân tố Hệ số Cronbach’s
Hệ số tin cậy tổng hợp
Phương sai trung bình được trích (AVE)
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
Từ bảng kết quả ở trên cho ta thấy, Hệ số Cronbach’s Alpha của 7 nhân tố đều lớn hơn 0.7
Hệ số tin cậy tổng hợp (CR) của 7 nhân tố đều vượt qua ngưỡng 0,7, giao động từ 0,766 đến 0,925 Cùng với phương sai trích trung bình (AVE) đều lớn hơn 0,5 và giao động từ 0,509 đến 0,805 Từ đó, có thể kết luật rằng thang đo bao gồm: nhận thức về sự hữu ích, nhận thức về sự dễ sử dụng, nhận thức về sự hiện diện xã hội, nhận thức về độ tin cậy, thái độ đối với ChatGPT và ý định sử dụng ChatGPT đều đạt mức tin cậy tốt
Bảng 4.9 Giá trị hội tụ của thang đo
Mối quan hệ Hệ số hồi quy chuẩn hóa Độ tin cậy tổng hợp
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
Nhìn vào bảng kết quả ở trên, ta thấy hệ số hồi quy chuẩn hóa của thang đo đều lớn hơn 0,5 và độ tin cậy tổng hợp của các thang đo đều vượt qua ngưỡng giá trị 0,7 Cùng đó, các giá trị P-value đều < 0,05 Qua đó, có thể đưa ra kết luận thang đo bao gồm: nhận thức về sự hữu ích, nhận thức về sự dễ sử dụng, nhận thức về sự hiện diện xã hội, nhận thức về độ tin cậy, thái độ đối với ChatGPT và ý định sử dụng ChatGPT đều đạt giá trị hội tụ
Bảng 4.10 Kết quả đánh giá giá trị phân biệt trong CFA
TD YD DSD DTC SHI HT SHD
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
Từ kết quả kiểm định trên cho ta thấy phương sai trích (AVE), các nhân tố đều có giá trị căn bậc 2 của AVE lớn hơn ngưỡng 0,5 và đều lớn hớn so với giá trị tuyệt đối của hệ số tương quan của các nhân tố khác Qua đó, có thể kết luận thang đo bao gồm: nhận thức về sự hữu ích, nhận thức về sự dễ sử dụng, nhận thức về sự hiện diện xã hội, nhận thức về độ tin cậy, thái độ đối với ChatGPT và ý định sử dụng ChatGPT đều có giá trị phân biệt
4.2.5 Mô hình cấu trúc tuyến tính SEM
Hình 4.2: Mô hình kết quả SEM
Nguồn: Tác giả tổng hợp từ phần mềm AMOS 24.0
Sau khi thực hiện phân tích CFA, tác giả đã đưa toàn bộ các biến quan sát cùng đã được kiểm định ở trên vào phân tích mô hình cấu trúc tuyến tính và kiểm định các giả thuyết Kết quả được thể hiện trong bảng dưới đây:
Bảng 4.11 Kết quả đo lường mức độ phù hợp của mô hình SEM
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
Theo kết quả bảng trên, chúng ta thấy các chỉ số CMIN/df = 1,620 < 3, chỉ số CFI = 0,966
> 0,9, chỉ số GF1= 0,902 > 0,9, chỉ số RMSEA = 0,045< 0,08, và chỉ số PCLOSE = 0,770
> 0,05 Từ đó, ta thấy mô hình phù hợp với dữ liệu nghiên cứu
Bảng 4.12 Kết quả kiểm định của mô hình SEM
Mối quan hệ Hệ số hồi quy chưa chuẩn hóa
Hệ số hồi quy chuẩn hóa Độ tin cậy tổng hợp (CR)
H1 SHI → TD 0,135 0,121 2,240 0,041 Chấp nhận H2 DSD → TD 0,158 0,129 1,653 0,098 Không chấp nhận H3 SHD → TD 0,264 0,185 2,241 0,025 Chấp nhận H4 DTC → TD 0,253 0,208 2,730 0,006 Chấp nhận
Nguồn: Tác giả tự tổng hợp từ phần mềm AMOS 24.0
