Trần Hải Dũng, Thái Ngân Chi, Đinh Hoàng Bảo Ngọc, Bùi Bảo Nghi, Mai Đặng Phước Lộc, Đoàn Ngọc Thanh Tâm

Trường Đại học Kinh tế - Tài chính Thành phố Hồ Chí Minh

Tác giả liên hệ: Đoàn Ngọc Thanh Tâm, Email: tamdnt@uef.edu.vn

Tóm tắt

Trong bối cảnh AI đang dần trở thành “trợ lý” giúp cá nhân nổi bật trên nền tảng nghề nghiệp như LinkedIn. Thông qua kết quả khảo sát đối với 331 cá nhân tại địa bàn TP. Hồ Chí Minh, nghiên cứu này nhằm phân tích các yếu tố tác động đến sự chấp nhận sử dụng AI trong xây dựng thương hiệu cá nhân trên LinkedIn. Kết quả nghiên cứu cho thấy, có 4 yếu tố có tác động tích cực đến Thái độ đối với AI, đó là: Mức độ tiếp xúc với AI, Nhận thức về độ chính xác của AI, Trải nghiệm dòng chảy, Niềm tin vào AI. Từ đó, Thái độ đối với AI có tác động tích cực đến Sự chấp nhận AI. Nghiên cứu không chỉ góp phần mở rộng các mô hình lý thuyết về hành vi công nghệ, mà còn đưa ra gợi ý thiết thực giúp các nhà phát triển và giáo dục định hướng người trẻ sử dụng AI một cách hiệu quả và có trách nhiệm.

Từ khóa: AI, LinkedIn, thương hiệu cá nhân

Summary

In the context of AI gradually becoming a “personal assistant” that enhances individual visibility on professional platforms such as LinkedIn, this study aims to analyze the factors influencing the acceptance of AI in building personal branding on LinkedIn. Based on survey data collected from 331 individuals in Ho Chi Minh City, the study identifies four factors that positively affect Attitudes toward AI, including Exposure to AI, Perceived Accuracy of AI, Flow Experience, and Trust in AI. Subsequently, Attitudes toward AI exert a positive influence on AI Acceptance. The research not only contributes to the expansion of theoretical models on technology-related behavior but also provides practical implications to help developers and educators guide young people in using AI effectively and responsibly.

Keywords: AI, LinkedIn, personal branding

GIỚI THIỆU

Trong bối cảnh chuyển đổi số đang diễn ra mạnh mẽ tại Việt Nam, cá nhân và tổ chức đều đang chuyển dịch sang các nền tảng số để nâng cao hiệu quả giao tiếp, học tập và phát triển nghề nghiệp. LinkedIn - nền tảng mạng xã hội chuyên nghiệp đang trở thành công cụ chủ đạo giúp cá nhân xây dựng thương hiệu và định vị năng lực trên thị trường lao động. Đồng thời, trí tuệ nhân tạo (AI) nổi lên như một công cụ hỗ trợ hiệu quả trong việc tối ưu hóa hồ sơ cá nhân, tạo nội dung, đưa gợi ý kết nối trên hành trình nghề nghiệp.

Tuy nhiên, việc chấp nhận và ứng dụng AI không chỉ phụ thuộc vào sự sẵn có của công nghệ mà còn gắn liền với nhận thức, trải nghiệm và thái độ của người dùng. Nhận thấy khoảng trống trong nghiên cứu tại thị trường Việt Nam, đặc biệt là nhóm người dùng trẻ tại Thành phố Hồ Chí Minh, nghiên cứu này được thực hiện nhằm khám phá các yếu tố thúc đẩy hành vi chấp nhận sử dụng AI trong xây dựng thương hiệu cá nhân trên LinkedIn. Thông qua việc tích hợp và áp dụng các lý thuyết TAM, TAM2, UTAUT, kiểm định ảnh hưởng của mức độ tiếp xúc, trải nghiệm dòng chảy, nhận định độ chính xác và niềm tin vào AI, đến thái độ đối với AI, và từ đó tới sự chấp nhận AI.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Khái niệm AI, LinkedIn, Thương hiệu cá nhân

AI là thuật ngữ do John McCarthy và cộng sự đề xuất năm 1955, với định nghĩa máy tính có thể được lập trình để suy nghĩ và thực hiện nhiệm vụ như con người (McCarthy và cộng sự, 2006). LinkedIn là mạng xã hội nghề nghiệp với hơn 900 triệu người dùng (2024), tích hợp AI để tối ưu hóa kết nối và tìm việc. Thương hiệu cá nhân là quá trình xây dựng hình ảnh dựa trên kỹ năng, cá tính, được phát triển mạnh qua mạng xã hội và ảnh hưởng bởi nhận thức của người khác (Schawbel, 2009).

Mô hình chấp nhận công nghệ TAM, TAM2, UTAUT

Mô hình TAM (Davis và cộng sự, 1989) phát triển từ lý thuyết Hành động dự định của Ajzen (1991), giải thích hành vi chấp nhận công nghệ qua 2 yếu tố: nhận thức về lợi ích và mức độ dễ sử dụng. Mô hình TAM2 (Venkatesh và Davis, 2000) mở rộng với các yếu tố như: ảnh hưởng xã hội, áp lực chủ quan và sự phù hợp công việc. Sau đó, Venkatesh (2014) tổng hợp các mô hình trước để xây dựng mô hình UTAUT, gồm 4 yếu tố chính là: Kỳ vọng về hiệu quả hoạt động, Kỳ vọng về mức độ dễ dàng khi sử dụng, Ảnh hưởng xã hội, Điều kiện thuận lợi và các biến điều tiết, như: giới tính, công việc và thu nhập.

Giả thuyết nghiên cứu

Dựa trên các lý thuyết nền tảng như: TAM, TAM2, UTAUT và các nghiên cứu trước, nghiên cứu này đề xuất mô hình nghiên cứu các yếu tố tác động đến Sự chấp nhận sử dụng AI trong xây dựng thương hiệu cá nhân trên LinkedIn như Hình cùng các giả thuyết như sau:

H1: Mức độ tiếp xúc với AI (AE) có tác động tích cực đến Thái độ đối với AI (ATA).

H2: Nhận thức về độ chính xác của AI (AAP) có tác động tích cực đến Thái độ đối với AI (ATA).

H3: Trải nghiệm dòng chảy (FE) có tác động tích cực đến Thái độ đối với AI (ATA).

H4: Niềm tin vào AI (TA) có tác động tích cực đến Thái độ đối với AI (ATA).

H5: Thái độ đối với AI (ATA) có tác động tích cực đến Sự chấp nhận AI (AA).

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

Phương pháp nghiên cứu

Đối tượng khảo sát là người dùng LinkedIn tại TP. Hồ Chí Minh, đã và đang ứng dụng AI vào sáng tạo nội dung và quản lý thương hiệu cá nhân. Mẫu nghiên cứu được chia làm ba nhóm: Nhóm 1: Sinh viên đại học hoặc đã tốt nghiệp, có nhu cầu xây dựng thương hiệu cá nhân để tìm việc. Nhóm 2: Sinh viên cao đẳng hoặc trung cấp, hướng đến phát triển nghề nghiệp sau tốt nghiệp. Nhóm 3: Người có trình độ sau đại học (thạc sĩ, tiến sĩ, chuyên gia), xây dựng thương hiệu cá nhân để tăng uy tín chuyên môn.

Nghiên cứu áp dụng phương pháp chọn mẫu ngẫu nhiên, thu thập dữ liệu thông qua khảo sát trực tuyến bằng Google Form với người dùng LinkedIn có liên quan đến việc ứng dụng AI vào thương hiệu cá nhân. Cỡ mẫu được tính theo phương pháp phân tích nhân tố khám phá (EFA), dựa trên hướng dẫn của Hair và cộng sự (2010), yêu cầu 5–10 người cho mỗi biến quan sát. Với 30 biến, cỡ mẫu mục tiêu là 300 - 400 người, đảm bảo tính đại diện và độ tin cậy.

Dựa trên các lý thuyết nền tảng và mô hình nghiên cứu, nhóm tác giả sử dụng phương pháp phân tích định lượng với dữ liệu thu thập được từ bảng khảo sát trực tuyến trên 331 cá nhân tại địa bàn TP. Hồ Chí Minh từ tháng từ tháng 12/2024 đến tháng 02/2025. Dữ liệu thu thập được làm sạch và xử lý bằng phần mềm SPSS 20.0, bao gồm phân tích độ tin cậy, độ hiệu lực của thang đo, tương quan giữa các biến trong mô hình nghiên cứu, hồi quy tuyến tính nhằm đánh giá mức độ ảnh hưởng của các biến độc lập và phụ thuộc trong mô hình.

Cấu trúc thang đo bao gồm bộ câu hỏi được cải biên từ thang đo của Cristobal nhằm phù hợp với bối cảnh nghiên cứu tại Việt Nam. Thang đo 30 câu hỏi được chia làm 4 nhóm với 5 câu hỏi mỗi nhóm gồm 5 mức lựa chọn từ 1 - Hoàn toàn không đồng ý đến 5 - Hoàn toàn đồng ý (Bài viết sử dụng cách viết số thập phân theo chuẩn quốc tế).

KẾT QUẢ NGHIÊN CỨU

Kiểm định độ tin cậy Cronbach’s Alpha

Bảng 1 cho thấy, hệ số Cronbach’s Alpha của các thang đo đều ở mức đáng tin cậy.

Bảng 1: Kết quả kiểm định độ tin cậy

Nguồn: Phân tích từ dữ liệu nghiên cứu

Phân tích nhân tố khám phá (EFA)

Bảng 2: Kết quả ma trận xoay nhân tố

Nguồn: Phân tích từ dữ liệu nghiên cứu

Trước khi thực hiện phân tích EFA, kiểm định KMO và Bartlett đã được tiến hành để đánh giá mức độ phù hợp của dữ liệu. Kết quả cho thấy, hệ số KMO = 0.939 (> 0.5) cho thấy dữ liệu đạt mức phù hợp rất cao để phân tích nhân tố (Kaiser, 1974). Kiểm định Bartlett có Sig. = 0.000 (< 0.05), chứng tỏ dữ liệu có mối tương quan đủ mạnh để thực hiện phân tích nhân tố. Kết quả này cho thấy, dữ liệu hoàn toàn đủ điều kiện để tiến hành phân tích nhân tố EFA.

Sau khi thực hiện phân tích nhân tố khám phá với phép xoay Varimax, kết quả ma trận xoay nhân tố (Rotated Component Matrix) trong Bảng 2 cho thấy, các biến quan sát có hệ số tải nhân tố đều > 0.5, đạt điều kiện để giữ lại trong mô hình. Các biến đã được nhóm lại thành 4 nhân tố, tương ứng với giả thuyết nghiên cứu. Có thể kết luận rằng, dữ liệu đáp ứng các điều kiện cần thiết để thực hiện phân tích nhân tố và phù hợp với mô hình nghiên cứu đề xuất.

Phân tích tương quan Pearson

Kết quả phân tích tương quan ở Bảng 3 cho thấy, tất cả các biến độc lập bao gồm: Trải nghiệm dòng chảy (FE), Mức độ tiếp xúc với AI (AE), Độ chính xác của AI (AAP) và Niềm tin vào AI (TA) đều có tương quan thuận chiều và có ý nghĩa thống kê với biến trung gian Thái độ đối với AI (ATA) cũng như biến phụ thuộc là Sự chấp nhận AI (AA). Trong đó, ATA và AA có tương quan cao nhất (r = .605). Điều này cho thấy, ATA và AA có thể cùng bị ảnh hưởng bởi các yếu tố chung hoặc có tác động lẫn nhau.

Bảng 3: Hệ số Pearson giữa các biến

Nguồn: Phân tích từ dữ liệu nghiên cứu

Phân tích hồi quy tuyến tính đa biến

Mô hình giải thích được 43.5% sự biến động của ATA – Thái độ đối với AI thông qua sự thay đổi của AE – Mức độ tiếp xúc AI, AAP – Độ chính xác của AI, TA – Niềm tin vào AI, FE – Trải nghiệm dòng chảy. Với hệ số Durbin-Watson = 1.835 mô hình sẽ không xảy ra hiện tượng tự tương quan chuỗi bậc nhất. Hơn nữa, các hệ số beta dương của biến độc lập đều có ý nghĩa thống kê (Sig < 0.05) và có ảnh hưởng thuận chiều đến biến phụ thuộc.

Ngoài ra, Bảng 4 cho thấy, các biến độc lập trong mô hình hầu như không có mối tương quan cộng tuyến với nhau do hệ số VIF < 2. Điều này có nghĩa là, các biến độc lập không giải thích lẫn nhau, mà mỗi biến độc lập đều đóng góp một phần độc lập vào việc giải thích sự biến động của biến phụ thuộc.

Bảng 4: Kết quả phân tích hồi quy tuyến tính đa biến

Nguồn: Phân tích từ dữ liệu nghiên cứu

Phân tích hồi quy tuyến tính giữa biến trung gian và biến phụ thuộc

Kết quả phân tích hồi quy cho thấy, giá trị R2 hiệu chỉnh = 0.409 chỉ ra rằng, 40.9% sự biến thiên của Sự chấp nhận AI có thể được giải thích bởi biến Thái độ đối với AI. Đồng thời, hệ số hồi quy chưa chuẩn hóa của biến Thái độ đối với AI (ATA) là 0.784 với giá trị Sig. < 0.001, cho thấy ảnh hưởng của ATA lên AA có ý nghĩa thống kê. Điều này có nghĩa là, khi ATA tăng 1 đơn vị, AA tăng trung bình 0.784 đơn vị, giữ nguyên các yếu tố khác.

KẾT LUẬN VÀ KHUYẾN NGHỊ

Kết luận

Kết quả nghiên cứu cho thấy, có 4 yếu tố có tác động tích cực đến Thái độ đối với AI, đó là: Mức độ tiếp xúc với AI, Nhận thức về độ chính xác của AI, Trải nghiệm dòng chảy, Niềm tin vào AI. Từ đó, Thái độ đối với AI có tác động tích cực đến Sự chấp nhận AI.

Khuyến nghị

Để thúc đẩy sinh viên chấp nhận AI trong xây dựng thương hiệu cá nhân, cần tạo điều kiện cho trải nghiệm liền mạch: môi trường yên tĩnh, mục tiêu rõ ràng và thiết bị ổn định giúp dễ đạt trạng thái “dòng chảy”. Đồng thời, nên nhấn mạnh vai trò chủ động của người dùng trong kiểm soát đầu vào/ra của AI, từ đó củng cố niềm tin và tránh tâm lý lệ thuộc. Việc chia sẻ trải nghiệm tích cực sẽ lan tỏa thái độ tích cực trong cộng đồng sinh viên. Ngoài ra, nên lồng ghép AI vào các hoạt động học thuật thường ngày (viết CV, mô tả dự án, lập kế hoạch học tập...) và kết nối sinh viên với cộng đồng sử dụng AI một cách tích cực. Những tương tác thực tế, gần gũi sẽ giúp AI trở thành phần tự nhiên trong hành trình học tập – nghề nghiệp, góp phần hình thành thói quen sử dụng có trách nhiệm và hiệu quả.

TÀI LIỆU THAM KHẢO

1. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.

2. Choung, H., David, P., Ross, A. (2023). Trust in AI and its role in the acceptance of AI technologies. International Journal of Human–Computer Interaction, 39(9), 1727-1739.

3. Davis, F. D., Bagozzi, R. P., Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management science, 35(8), 982-1003.

4. Guerra-Tamez, C. R., Kraul Flores, K., Serna-Mendiburu, G. M., Chavelas Robles, D., Ibarra Cortés, J. (2024). Decoding Gen Z: AI's influence on brand trust and purchasing behavior. Frontiers in artificial intelligence, 7, 1323512.

5. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Englewood Cliffs: Prentice Hall.

6. Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39(1), 31-36.

7. McCarthy, J., Minsky, M. L., Rochester, N., Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine, 27(4), 12-12.

8. McKnight, D. H., Choudhury, V., Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information systems research, 13(3), 334-359.

9. Schawbel, D. (2009). Me 2.0: Build a powerful brand to achieve career success. Kaplan Books.

10. Venkatesh, V., Davis, F. D. (2000). A theoretical extension of the technology acceptance model. Management Science, 46, 186–204.