Đỗ Thành Phát
Đào Nguyễn Thảo
Nguyễn Thị Minh Thư
Trần Thị Thanh Tâm
Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
Email: dothanhphat.tp@gmail.com
Tóm tắt
Nghiên cứu này nhằm xác định các yếu tố ảnh hưởng đến ý định sử dụng công nghệ trí tuệ nhân tạo trong học tập của sinh viên, bao gồm: Tính hữu ích, Tính thân thiện, Thái độ cá nhân, Ảnh hưởng xã hội và Tính tự hoàn thiện, dựa trên mô hình kết hợp TAM và TPB. Kết quả khảo sát 182 sinh viên thuộc các trường đại học khu vực TP. Hồ Chí Minh cho thấy Tính hữu ích, Ảnh hưởng xã hội và Tính tự hoàn thiện có tác động đáng kể đến ý định sử dụng công nghệ trí tuệ nhân tạo trong học tập của sinh viên. Từ đó, nghiên cứu đề xuất một số hàm ý thực tiễn và khuyến nghị nhằm thúc đẩy việc tích hợp AI trong môi trường giáo dục tại Việt Nam.
Từ khóa: Trí tuệ nhân tạo, AI, ý định sử dụng, AI trong giáo dục, TAM, TPB
Summary
This study aims to identify the factors influencing students’ intention to use artificial intelligence (AI) technology in learning, including: Perceived usefulness, perceived ease of use, personal attitude, social influence, and self-Enhancement, based on an integrated model of the Technology Acceptance Model (TAM) and the Theory of Planned Behavior (TPB). A survey of 182 university students in Ho Chi Minh City revealed that Perceived Usefulness, Social Influence, and Self-Enhancement significantly affect students’ intention to use AI in education. Based on these findings, the study proposes several practical implications and recommendations to promote the integration of AI in Vietnam’s educational environment.
Keywords: Artificial Intelligence, AI, intention to use, AI in education, TAM, TPB
GIỚI THIỆU
Trí tuệ nhân tạo (Artificial Intelligence - AI) được định nghĩa là công nghệ có khả năng diễn giải dữ liệu, học hỏi từ đó và sử dụng để đạt mục tiêu cụ thể thông qua khả năng thích ứng linh hoạt (Kaplan & Haenlein, 2019). Theo đó, AI được chia thành 3 loại: AI phân tích (dựa trên dữ liệu và thuật toán logic); AI lấy cảm hứng từ con người (kết hợp yếu tố nhận thức và cảm xúc) và AI nhân bản hóa (có khả năng tư duy, cảm xúc và tương tác xã hội như con người). Những công cụ này góp phần tạo ra môi trường học tập hiện đại, năng động, phù hợp với xu hướng chuyển đổi số. Đây cũng là mục tiêu mà Đề án “Tăng cường ứng dụng công nghệ thông tin và chuyển đổi số trong giáo dục và đào tạo giai đoạn 2022 - 2025, định hướng đến năm 2030” được Thủ tướng Chính phủ phê duyệt theo Quyết định 131/QĐ-TTg ngày 25/1/2022, hướng tới. Nghiên cứu này mong muốn tìm hiểu các nhân tố ảnh hưởng đến ý định sử dụng AI trong học tập của sinh viên, từ đó xây dựng hàm ý quản trị hiệu quả việc ứng dụng AI trong giáo dục.
CƠ SỞ LÝ THUYẾT, GIẢ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Cơ sở lý thuyết
Lý thuyết mô hình Chấp nhận công nghệ (TAM)
Mô hình Chấp nhận công nghệ (Technology Acceptance Model - TAM) được Davis (1986) phát triển, là một trong những khung lý thuyết phổ biến nhằm lý giải quá trình người dùng tiếp cận và chấp nhận công nghệ mới. TAM xác định 2 yếu tố then chốt là Nhận thức về tính hữu ích (Perceived Usefulness - PU) và Nhận thức về tính dễ sử dụng (Perceived Ease of Use - PEOU). Hai yếu tố này ảnh hưởng trực tiếp đến thái độ của người dùng đối với công nghệ (Attitude - ATU), từ đó dẫn đến ý định sử dụng (Behavioral Intention - BI). Mô hình này đã chứng minh được khả năng dự đoán hành vi sử dụng công nghệ trong nhiều lĩnh vực khác nhau.
Lý thuyết Hành vi hoạch định (TPB)
Lý thuyết Hành vi hoạch định (Theory of Planned Behavior - TPB) do Icek Ajzen (1991) đề xuất, là một trong những mô hình tâm lý được ứng dụng rộng rãi để phân tích và dự đoán hành vi của con người trong các bối cảnh khác nhau. TPB cho rằng hành vi thực tế không xảy ra ngẫu nhiên mà chịu ảnh hưởng từ ý định hành động, vốn được hình thành từ 3 yếu tố cơ bản: thái độ đối với hành vi, chuẩn mực chủ quan và nhận thức về kiểm soát hành vi.
Giả thuyết nghiên cứu
Ý định sử dụng công nghệ AI
Ý định sử dụng công nghệ AI (BI) được định nghĩa là tập hợp các động lực dẫn đến thúc đẩy thực hiện hành vi; chúng tác động tới mức độ cố gắng của cá nhân để thực hiện hành vi (Ajzen và cộng sự, 1991). Venkatesh và Zhang (2010) đã chứng minh ý định sử dụng ảnh hưởng đáng kể tới hành vi sử dụng công nghệ AI ở sinh viên.
Tính hữu ích
Tính hữu ích (PU) hay còn gọi là nhận thức về mặt hữu ích của công nghệ, được định nghĩa là mức độ cảm nhận của một cá nhân khi tin rằng sử dụng một hệ thống xác định sẽ mang lại cho họ sự hiệu quả (Davis, 1989). Nghiên cứu của Huang & cộng sự (2019), cho thấy PU có tác động tích cực đến BI. Qua đó, giả thuyết đầu tiên được hình thành:
H1: Tính hữu ích (PU)) tác động tích cực đến ý định sử dụng công nghệ AI (BI) vào học tập của sinh viên.
Tính thân thiện
Tính thân thiện (UF) hay còn gọi là cảm nhận về sự thân thiện đối với người dùng của công nghệ. Yếu tố này được phát triển từ yếu tố Tính dễ sử dụng (PEOU) là “mức độ cảm nhận của cá nhân tin rằng sử dụng một hệ thống cụ thể là đơn giản không tốn nhiều nỗ lực” trong TAM (David, 1989). Đặc biệt là đối với AI, công nghệ có khả năng ngày càng tương thích trở nên cá nhân hóa với đặc điểm, sở thích và nhu cầu của người dùng. Nỗ lực tạo ra thuật ngữ phù hợp hơn và chứng minh UF có ảnh hưởng tích cực đến BI, được xây dựng qua giả thuyết:
H2: Tính thân thiện (UF) tác động tích cực đến ý định sử dụng công nghệ AI (BI) vào học tập của sinh viên.
Thái độ cá nhân
Thái độ cá nhân (ATU) đề cập tới mức độ mà cá nhân cảm thấy thuận lợi hay không thuận lợi về hành vi (Ajzen và cộng sự, 1991). Nắm bắt ATU giúp thiết kế giải pháp AI phù hợp với nhu cầu người học, vì theo lý thuyết này, thái độ cá nhân chịu ảnh hưởng bởi niềm tin và giá trị cảm nhận từ công nghệ. Khi người học có thái độ tích cực với AI, họ có xu hướng chấp nhận và sử dụng nhiều hơn. Nghiên cứu này xác định và đo lường mức độ ảnh hưởng giữa ATU và BI trong giáo dục, từ đó xây dựng giả thuyết:
H3: Thái độ cá nhân (ATU) tác động tích cực đến ý định sử dụng công nghệ AI (BI) vào học tập của sinh viên.
Ảnh hưởng xã hội
Ảnh hưởng xã hội (SI) được hiểu tương tự như Chuẩn mực chủ quan (SN) trong lý thuyết TPB, phản ánh sự kỳ vọng của người xung quanh đối với hành vi của cá nhân. SN chịu tác động từ đánh giá của cá nhân về quan điểm của người khác đối với hành vi, như việc sinh viên sử dụng AI trong học tập. Nhiều nghiên cứu cho thấy SN là yếu tố ảnh hưởng tích cực và mạnh mẽ đến BI. Tuy nhiên, SI có phạm vi rộng hơn, bao gồm cả tác động xã hội và điều kiện tiếp cận công nghệ như cơ sở vật chất hay tài liệu. Do đó, ý định sử dụng AI của sinh viên có thể bị chi phối bởi cả yếu tố con người và môi trường, từ đó hình thành giả thuyết nghiên cứu về ảnh hưởng của SI:
H4: Ảnh hưởng xã hội (SI) tác động tích cực đến ý định sử dụng công nghệ AI (BI) vào học tập của sinh viên.
Tính tự hoàn thiện
Tính tự hoàn thiện (SC) hay còn gọi là tính đổi, khả năng cập nhật liên tục của công nghệ. Yếu tố này được quan tâm nhiều trong các nghiên cứu về chấp nhận công nghệ tại Việt Nam. SC được định nghĩa là sự đổi mới dựa trên nhu cầu nâng cao trải nghiệm người dùng nhằm giúp sản phẩm phủ sóng thương hiệu đến đông đảo người dùng (Rogers, 1962). Theo Rogers, SC là khởi nguồn cho quá trình người tiêu dùng nảy sinh ý định và đưa ra quyết định chấp nhận hay từ chối sản phẩm mới. Quá trình này đến từ nỗ lực đổi mới của những nhà phát triển và duy trì đến khi người dùng nảy sinh ý định và chấp nhận sản phẩm đó. Do đó, nhóm tác giả cho rằng kết hợp SC với TAM và TPB là giải pháp phù hợp khi nghiên cứu ý định sử dụng công nghệ đặc thù như AI, vì TAM chú trọng cảm nhận cá nhân, TPB tập trung yếu tố môi trường, còn SC nhấn mạnh tính đổi mới và tự hoàn thiện của công nghệ. Sự kết hợp này giúp làm rõ sự khác biệt trong ý định sử dụng AI so với các công nghệ khác ở sinh viên. Từ đó, giả thuyết H5 được đề xuất:
H5: Tính tự hoàn thiện (SC) tác động tích cực đến ý định sử dụng công nghệ AI (BI) vào học tập của sinh viên.
Phương pháp nghiên cứu
Xây dựng thang đo và thu thập dữ liệu
Thang đo được thiết kế dựa trên việc tham khảo các nghiên cứu trước, kết hợp phỏng vấn chuyên gia trong lĩnh vực công nghệ và giáo dục để hiệu chỉnh nội dung cho phù hợp với bối cảnh sinh viên Việt Nam. Một số biến quan sát mới do nhóm đề xuất cũng được các chuyên gia góp ý và hoàn thiện, giúp tạo điểm mới cho nghiên cứu nhưng vẫn đảm bảo tính khoa học. Thang đo cuối cùng bao gồm 5 biến độc lập, 1 biến phụ thuộc, tổng cộng 26 biến quan sát, được đo lường bằng thang Likert 5 điểm từ “Rất không đồng ý” đến “Rất đồng ý”.
Dữ liệu được thu thập từ sinh viên các trường đại học, cao đẳng tại TP. Hồ Chí Minh thông qua phương pháp chọn mẫu ngẫu nhiên thuận tiện. Thời gian thực hiện thực tế từ 27/3 đến 27/4/2024, sau đó tiến hành chọn lọc nhằm đảm bảo độ tin cậy.
Phân tích dữ liệu
Nghiên cứu sử dụng phần mềm SPSS phiên bản 20 và 26 làm công cụ xử lý và phân tích dữ liệu. Phần mềm này được sử dụng phổ biến trong các nghiên cứu khoa học xã hội và luận văn học thuật. Sau khi thu thập, các bảng câu hỏi hợp lệ được mã hóa, nhập liệu và xử lý làm sạch trước khi tiến hành các bước phân tích thống kê bằng SPSS, bao gồm mô tả thống kê, kiểm định độ tin cậy, phân tích nhân tố và hồi quy.
KẾT QUẢ NGHIÊN CỨU
Kết quả phân tích hồi quy sau khi loại biến, nhân tố FC_PU; FC_SI; FC_SC là các nhân tố trung bình của tập hợp biến quán sát trong một nhân tố, có hệ số phóng đại phương sai (VIF) lần lượt là 1,313; 1,297; 1,264
BI = 0,541 + 0,481*PU + 0,161*SI + 0,252*SC
Mô hình giải thích được 56,1% sự biến động ý định sử dụng công nghệ AI vào học tập của sinh viên. Trong đó nhân tố mới mà nhóm tác giả đưa ra giả thuyết ban đầu (tính tự hoàn thiện) được chấp nhận.
THẢO LUẬN VÀ HÀM Ý KIẾN NGHỊ
Trên cơ sở kết quả trên, nghiên cứu xây dựng các hàm ý đề xuất gắn liền với thực tiễn. Cụ thể ở 2 khía cạnh: giáo dục và phát triển phần mềm hay ứng dụng tích hợp công nghệ AI.
Ở khía cạnh giáo dục, tính dễ sử dụng và tính tự hoàn hiện - đổi mới của công nghệ tác động tới ý định sử dụng công nghệ AI vào học tập, cho thấy sự cần thiết trong việc nghiên cứu - phát triển những mô hình AI đặc thù liên quan đến giáo dục. Chẳng hạn như ELSA đã cho thấy những hiệu quả tích cực trong việc ứng dụng AI cho việc học ngôn ngữ ở Indonesia (Anggraini, 2022). Hay Duolingo cung cấp các bài kiểm tra theo từng trình độ của người dùng (Munday, 2015), cho thấy sự hiệu quả trong việc ứng dụng AI nâng cao vốn tự vựng của người dùng, tích hợp vào các ứng dụng học tập, quản lý việc học và tạo môi trường học tập tương tác chân thực cho người dùng, đề cao các giải pháp phần mềm có thể cá nhân hóa theo đặc điểm người dùng. Các giải pháp cụ thể có thể kể đến như ứng dụng AI vào quản lý việc học của sinh viên, phát triển các phần mềm hỗ trợ người dùng lên lịch và quản lý thời khóa biểu được liên kết với giảng viên. Bên cạnh đó, yếu tố ảnh hưởng xã hội hàm ý rằng cần có sự hỗ trợ từ phía nhà giảng viên, nhà trường,… Việc nâng cao cơ sở vật chất giáo dục là thiết yếu để sinh viên có điều kiện được tiếp cận và sử dụng các phần mềm công nghệ AI hiện đại, đồng thời không ngừng cập nhật tài liệu học hướng dẫn và điều chỉnh phương giảng dạy bắt kịp với tốc độ phát triển công nghệ trong khu vực và quốc tế. Việc này đòi hỏi một nguồn lực lớn và sự nỗ lực không chỉ đến từ phía nhà trường mà phụ thuộc vào các tổ chức, doanh nghiệp và các cấp quản lý. Tuy nhiên về lâu dài, nỗ lực này có thể góp phần nâng cao chất lượng đầu ra, đảm bảo được nguồn nhân lực có trình độ cao đang thiếu hụt trong xã hội.
Xét ở khía cạnh phát triển công nghệ, các nhà phát triển phần mềm cần tập trung vào việc khai thác yếu tố tính dễ sử dụng tác động tới ý định sử dụng công nghệ AI vào học tập của sinh viên, trong đó tập trung khai thác đặc điểm đặc trưng của công nghệ AI là tính tự hoàn hiện đổi mới. Lợi thế này có thể giúp các phần mềm, ứng dụng trở nên ngày càng tương thích với đặc điểm người dùng. Chẳng hạn như: Machine learning (ML) là một tính năng của AI gồm các thuật toán cho phép máy móc giải quyết các vấn đề mà không cần lập trình máy tính cụ thể. Trong khi phân tích siêu dữ liệu, máy móc có thể đồng hóa một lượng lớn thông tin tiếp nhận. Trong lĩnh vực giảng dạy và đào tạo y tế, tính năng này áp dùng để phân tầng rủi ro, chẩn đoán, quyết định điều trị và dự đoán khả năng sống sót của một bệnh nhân. Các mô hình AI không chỉ có thể phân tích lượng lớn dữ liệu được thu thập trong thời gian dài, đưa ra dự đoán cho các sự kiện trong tương lai dựa trên trọng số thống kê của các mối tương quan trong quá khứ mà còn có thể liên tục cải thiện với dữ liệu mới. Thông qua một quy trình được gọi là "Incremental Learning", các mạng nơ-ron có thể đào tạo được cải thiện theo thời gian, vượt qua các hệ thống tính điểm không thay đổi và phần mềm chuẩn hóa. Sinh viên nhờ vào ML giúp củng cố kiến thức và ứng dụng lý luận lâm sàng. Trong tương lai gần, chúng ta có thể cá nhân hóa đào tạo thông qua các công cụ ML. Một số hướng đề xuất cụ thể có thể tập trung vào phát triển công nghệ AI như nghiên cứu các thuật toán tối ưu, cốt lõi của công nghệ AI, ứng dụng công nghệ vào các phát triển các robot hỗ trợ trong giáo dục. Chẳng hạn như một trong những ứng dụng của AI là sử dụng mô hình ngôn ngữ lớn (large language models - LLMs) mạng lưới thần kinh đã được đào tạo với một lượng lớn dữ liệu để tìm hiểu và tái tạo cấu trúc của ngôn ngữ, để dự đoán cho một bộ mã thông báo nhất định thuật ngữ hoặc bộ mã thông báo phù hợp nhất tiếp theo được phản hồi bởi trải nghiệm của con người (Mir Fernández, 2024).
ĐIỂM HẠN CHẾ VÀ ĐỀ XUẤT HƯỚNG NGHIÊN CỨU
Nghiên cứu không tìm thấy mối quan hệ giữa ATU, UF và BI, trái với một số nghiên cứu trước. Sự khác biệt có thể do môi trường khảo sát, cỡ mẫu, văn hóa - xã hội hay mức độ hiểu biết công nghệ. Hiểu rõ các yếu tố ảnh hưởng đến ý định sử dụng AI trong học tập là cơ sở cho các biện pháp can thiệp hiệu quả. Các nghiên cứu tương lai nên mở rộng cỡ mẫu, thay đổi phương pháp thu thập và tập trung vào yếu tố tương tác giữa công nghệ và người dùng. Riêng ATU cần được xem xét kỹ hơn ở cả mặt tích cực và tiêu cực, vì tại Việt Nam, thái độ tiêu cực với AI có thể là rào cản lớn trong thời đại công nghệ 4.0.
*Công trình này thuộc dự án tài trợ số SV2025-151 do Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, Việt Nam tài trợ.
Tài liệu tham khảo:
1. Ajzen, I. (1991). The Theory of Planned Behavior. Organizational Behavior and Human Decision Processes, 179-211.
2. Anggraini, A. (2022). Improving students’ pronunciation skills using the Elsa speakapplication. Journey: Journal of English Language and Pedagogy, 5(1), 135-141.
3. Davis, F. D. (1986). A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and ResultsA Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results. Sloan School of Management, Massachusetts Institute of Technology.
4. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 319.
5. Haenlein, M., & Kaplan, A. (2019). A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence. California Management Review, 5-14.
6. Huang, F., Teo, T., & Zhou, M. (2019). Chinese students’ intentions to use the Internet based technology for learning. Association for Educational Communications and Technology.
7. Munday, P. (2015) The case for using DUOLINGO as part of the language classroomexperience. RIED: Revista Iberoamericana de Educación a Distancia, 19(1), 83-101.
8. Pablo-Martí, F., & Mir Fernández, C. (2024). Teaching economics with AI.
9. Rogers, E. (1962). Diffusion of Innovations. Free Press, New York.
10. Venkatesh, V., & Zhang, X. (2010). Unified theory of acceptance and use of technology.
| Ngày nhận bài: 29/5/2025; Ngày hoàn thiện biên tập: 06/6/2025; Ngày duyệt đăng: 09/6/2025 |
