Nguyễn Thị Thanh Nguyệt^1*, Mai Vũ Uyên Nhi¹, Nguyễn Hoài Bảo Nhi¹, Ninh Ngọc Vân Nhi¹, Nguyễn Trường Sơn¹, Bùi Ngọc Tuấn Anh¹

¹Trường Đại học Mở TP. Hồ Chí Minh

^*Tác giả liên hệ, Email: thithanhnguyet32@gmail.com

Tóm tắt

Trong bối cảnh công nghệ trí tuệ nhân tạo (AI) ngày càng được ứng dụng rộng rãi, nghiên cứu này được thực hiện nhằm giải thích ý định chấp nhận và sử dụng công cụ hỗ trợ học tập dựa trên AI, đồng thời đánh giá tác động của nó đến kết quả học tập của sinh viên tại TP. Hồ Chí Minh. Kết quả khảo sát từ 326 sinh viên cho thấy, các yếu tố: Động lực hưởng thụ; Kỳ vọng hiệu quả; Ảnh hưởng xã hôi; Độ chính xác của thông tin, đều có ảnh hưởng đến Kết quả học tập của sinh viên. Trong đó, nổi bật lên vai trò trung gian của biến Sử dụng công cụ AI giữa mối quan hệ Ý định hành vi và Độ chính xác thông tin đến Cải thiện kết quả thành tích học tập.

Từ khóa: sự chấp nhận công nghệ, hỗ trợ học tập dựa trên AI, kết quả học tập, trí tuệ nhân tạo, UTAUT, ý định sử dụng

Summary

In the context of artificial intelligence (AI) technology being increasingly widely applied, this study was conducted to explain the intention to accept and use AI-based learning support tools and evaluate its impact on students' learning outcomes in Ho Chi Minh City. The survey results from 326 students show that the factors, including Enjoyment motivation; Performance expectations; Social Influence; and Information accuracy, all impact students' Learning outcomes. In particular, the mediating role of Using AI tools in the relationship between Behavioral intention and Information accuracy to Improving learning outcomes stands out.

Keywords: technology acceptance, AI-based learning support, learning outcomes, artificial intelligence, UTAUT, intention to use

GIỚI THIỆU

Hành trình học tập của sinh viên là một quá trình khám phá tri thức, phát triển kỹ năng và hoàn thiện bản thân. Tuy nhiên, con đường này không phải lúc nào cũng bằng phẳng. Sinh viên thường gặp phải những thách thức lớn, như: các môn học phức tạp, căng thẳng, lo âu và khó khăn trong việc tiếp cận các nguồn hỗ trợ học thuật cần thiết (Johnson và cộng sự, 2022). Trong bối cảnh đó, hỗ trợ học thuật đã trở thành một yếu tố quan trọng tại các trường đại học, vừa giúp sinh viên đạt được mục tiêu học tập cá nhân, vừa đóng góp vào các mục tiêu lớn hơn, như: tăng tỷ lệ gắn bó và thành công của sinh viên (Pillai và cộng sự, 2023). Các nghiên cứu chỉ ra rằng, mặc dù 90% sinh viên gặp khó khăn trong học tập, song chỉ 15% trong số đó thừa nhận đã tìm kiếm sự hỗ trợ học tập từ các nguồn khác (Johnson và cộng sự, 2022). Sự khác biệt về giới tính cũng được ghi nhận, khi nữ sinh thường tích cực tìm kiếm hỗ trợ hơn so với nam sinh, những người thường miễn cưỡng khi nhờ đến sự giúp đỡ (Al-Fraihat và cộng sự, 2017). Trong khi đó, các hình thức hỗ trợ học thuật truyền thống vẫn tồn tại những hạn chế, bao gồm: thời gian tư vấn ngắn, quá tải công việc của giảng viên và các lỗi trong quản lý thông tin (Huang và cộng sự, 2022). Điều này đặt ra yêu cầu về các giải pháp mới nhằm cải thiện chất lượng hỗ trợ học tập.

AI đang nổi lên như một công cụ đột phá trong việc hỗ trợ học thuật tại các cơ sở giáo dục đại học. AI mang lại nhiều lợi ích, bao gồm: cá nhân hóa lộ trình học tập, hỗ trợ tức thời, phân tích dữ liệu thông minh và khả năng hoạt động 24/7 thông qua chatbot hoặc cố vấn ảo (Bilquise và cộng sự, 2023). Các nền tảng như Chat GPT không chỉ hỗ trợ sinh viên soạn thảo văn bản, nghiên cứu học thuật và tạo trích dẫn, mà còn giúp họ giải quyết bài tập và quản lý thời gian hiệu quả (Crawford và cộng sự, 2023). Ngoài ra, các công cụ, như: Grammarly, scite.ai và Quill Bolt cũng hỗ trợ kỹ năng viết, kiểm tra lỗi ngôn ngữ và nâng cao chất lượng nội dung học thuật (Ellerton, 2023). AI còn đóng vai trò quan trọng trong việc giải quyết các vấn đề của giáo dục đại học hiện đại, đặc biệt là sự thiếu hụt đội ngũ giảng viên và tỷ lệ giảng viên trên sinh viên không cân đối. Các hệ thống dạy kèm thông minh và công cụ AI cung cấp phản hồi tức thời, lộ trình học tập cá nhân hóa và môi trường học tập tương tác, giúp sinh viên phát triển tư duy phản biện, kỹ năng giải quyết vấn đề và động lực học tập (Foroughi và cộng sự, 2023).

Tại Việt Nam, đặc biệt là TP. Hồ Chí Minh, việc nghiên cứu mức độ chấp nhận và tác động của AI đối với kết quả học tập của sinh viên là một vấn đề cấp thiết. AI không chỉ mở ra cơ hội tiếp cận tri thức nhanh chóng, mà còn tạo ra những trải nghiệm học tập cá nhân hóa, thúc đẩy khả năng tự học và quản lý thời gian. Tuy nhiên, mức độ sinh viên sẵn sàng áp dụng AI và hiệu quả của nó đối với kết quả học tập vẫn cần được làm rõ. Nghiên cứu này không chỉ giúp khai thác tối đa tiềm năng của AI, mà còn góp phần đổi mới giáo dục đại học, đáp ứng nhu cầu học tập của thế hệ sinh viên trong kỷ nguyên số.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Ý định hành vi và Lý thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT)

Ý định hành vi là khái niệm thể hiện mức độ sẵn sàng và mong muốn của cá nhân trong việc thực hiện một hành động cụ thể. Trong bối cảnh nghiên cứu này, ý định hành vi đề cập đến động lực của sinh viên trong việc áp dụng và tích hợp các công cụ hỗ trợ học tập dựa trên AI vào quá trình học tập của mình. Thay vì sử dụng Mô hình chấp nhận công nghệ (TAM), nghiên cứu này áp dụng Lý thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT) được Venkatesh và cộng sự (2003) giới thiệu, nhằm cung cấp một khung lý thuyết toàn diện hơn trong việc hiểu và giải thích ý định chấp nhận công nghệ. UTAUT mở rộng các yếu tố của TAM bằng cách bổ sung thêm các biến như: Kỳ vọng hiệu quả, Kỳ vọng nỗ lực, Ảnh hưởng xã hội và Điều kiện thuận lợi. Theo UTAUT, những yếu tố này cùng nhau ảnh hưởng đến ý định hành vi và việc sử dụng thực tế của công nghệ.

Nhiều nghiên cứu đã chứng minh rằng, ý định hành vi tích cực là một yếu tố dự báo mạnh mẽ cho việc sử dụng công nghệ trong thực tế (Venkatesh và cộng sự, 2012). Cụ thể, khi sinh viên cảm thấy các công cụ AI không chỉ hữu ích và dễ sử dụng, mà còn mang lại trải nghiệm thú vị, có giá trị hợp lý và trở thành thói quen trong học tập, họ có xu hướng tích cực hơn trong việc chấp nhận và sử dụng chúng. Chatterjee và Bhattacharjee (2020) đã áp dụng UTAUT để nghiên cứu ý định hành vi của sinh viên đối với việc sử dụng các tác nhân AI như chatbot trong học tập.

Sử dụng công cụ AI

Việc sử dụng công cụ AI đề cập đến cách sinh viên sử dụng các công cụ được tích hợp AI cho hoạt động học tập của mình. Khái niệm này xem xét việc áp dụng và tích hợp các công nghệ AI vào hoạt động học tập của sinh viên. Các công cụ AI đã chứng tỏ tiềm năng của chúng trong việc nâng cao kết quả học tập. Li và Xu (2020) đã thực hiện một nghiên cứu liên quan đến nền tảng học ngôn ngữ do AI điều khiển và nhận thấy rằng, những sinh viên tích cực tham gia với các công cụ AI, trình độ ngôn ngữ được cải thiện so với những người không sử dụng. Ngoài ra, nghiên cứu của Strzelecki (2023) đã khám phá việc sử dụng chatbot hỗ trợ AI để hỗ trợ sinh viên, nêu bật cách những công cụ này tác động tích cực đến sự tham gia và kinh nghiệm học tập.

Kỳ vọng về hiệu quả

Kỳ vọng hiệu quả thể hiện niềm tin rằng, việc sử dụng công nghệ, như các công cụ AI, giúp cải thiện hiệu suất học tập hoặc làm việc, cung cấp thông tin chính xác và tiết kiệm thời gian (Venkatesh và cộng sự, 2003). Trong giáo dục, giáo viên và sinh viên đều nhận thấy công nghệ nâng cao chất lượng giảng dạy, học tập và đạt được mục tiêu hiệu quả hơn (Venkatesh và cộng sự, 2012). Theo mô hình UTAUT và UTAUT2, kỳ vọng hiệu quả là yếu tố quan trọng nhất ảnh hưởng đến ý định sử dụng công nghệ (Venkatesh và cộng sự, 2016). Nghiên cứu cũng cho thấy, khi sinh viên hiểu rõ lợi ích từ công cụ AI, như tăng cường hiệu suất học tập, họ sẽ tích cực chấp nhận và sử dụng các công cụ này (Foroughi và cộng sự, 2023).

Ảnh hưởng xã hội

Ảnh hưởng xã hội đo lường mức độ mà ý kiến của những người quan trọng (bạn bè, giảng viên, hoặc đồng nghiệp) tác động đến việc chấp nhận và sử dụng công nghệ của một cá nhân (Venkatesh và cộng sự, 2003). Trong môi trường giáo dục, ảnh hưởng xã hội có thể xuất phát từ áp lực tích cực, chẳng hạn như sự khuyến khích từ bạn học hoặc sự đề xuất sử dụng công cụ AI từ các giảng viên.

Theo Venkatesh và cộng sự (2012) nghiên cứu này sử dụng mô hình UTAUT2 từ quan điểm của các nhà giáo dục trong giáo dục đại học khi sử dụng AI. Venkatesh và cộng sự (2016) nhấn mạnh rằng, ảnh hưởng xã hội là yếu tố quan trọng trong giai đoạn đầu khi công nghệ mới được giới thiệu. Farooq và cộng sự (2017) cũng cho thấy rằng, khi sinh viên nhận thấy việc sử dụng công cụ AI là một phần của xu hướng chung trong cộng đồng học thuật, họ sẽ có xu hướng tham gia tích cực hơn.

Động lực hưởng thụ

Động lực hưởng thụ là mức độ mà cá nhân sử dụng công nghệ vì sự thích thú, tò mò và yêu thích sự mới mẻ (Venkatesh và Xu, 2012). Trong giáo dục, yếu tố này đóng vai trò quan trọng trong việc áp dụng công nghệ. Dajani và Abu Hegleh (2019) cho rằng, động lực hưởng thụ thúc đẩy việc sử dụng hoạt hình ở sinh viên đại học. Đối với công cụ AI như ChatGPT, động lực này thể hiện qua sự hứng thú khi sinh viên khám phá các tính năng sáng tạo, như phản hồi thông minh hay hỗ trợ giải quyết bài tập phức tạp.

Độ chính xác của thông tin

Độ chính xác của thông tin đề cập đến mức độ thông tin nhất quán, chính xác và được đảm bảo không có lỗi (Houhamdi và Athamena, 2019). Khi các cá nhân nhận thức rằng, thông tin được cung cấp bởi công nghệ là chính xác và đáng tin cậy, họ có nhiều khả năng tin tưởng vào công nghệ hơn (Namahoot và Laohavichien, 2015). Thông tin chính xác, nhất quán và cập nhật luôn dẫn đến việc thực hiện ra quyết định nhanh hơn ( Sadrzadehrafiei và cộng sự, 2013). Trong bối cảnh giáo dục, khi thông tin chính xác cao, người học có nhiều khả năng sử dụng hệ thống mới hơn cho mục đích học tập của mình (Aparicio và cộng sự, 2017). Việc AI có độ chính xác thông tin cao sẽ giúp học sinh, sinh viên dễ dàng tin tưởng trong việc học tập như tìm kiếm thông tin nhanh chóng và chính xác.

Cải thiện thành tích học tập

Khái niệm này đánh giá cách các công cụ AI cải thiện thành tích và hiệu quả học tập của học sinh, bao gồm: điểm số, khả năng ghi nhớ kiến thức và phát triển kỹ năng (Bilquise và cộng sự, 2023). Nhiều nghiên cứu đã chỉ ra mối liên hệ giữa AI và hiệu suất học tập, đặc biệt trong việc hỗ trợ học sinh hiểu các môn phức tạp qua hệ thống dạy kèm thông minh (Huang và cộng sự, 2022). Bilquise và cộng sự (2023) cũng nhấn mạnh tiềm năng của AI trong việc xác định và khắc phục lỗ hổng kiến thức. Việc sử dụng AI, sự hài lòng của sinh viên và kết quả học tập được cải thiện có mối liên hệ chặt chẽ, minh họa tác động tích cực của AI trong giáo dục đại học.

Đổi mới cá nhân

Sinh viên xem các công cụ AI là nền tảng để thử nghiệm các phương pháp học tập mới có nhiều khả năng áp dụng chúng hơn. Nghiên cứu của Strzelecki (2023) chỉ ra rằng, những học sinh được truyền cảm hứng để thử phương pháp học tập đổi mới các chiến lược sử dụng công cụ AI có xu hướng sử dụng các công cụ này một cách hiệu quả hơn. Alkawsi và cộng sự (2021) đã nghiên cứu vai trò của các công cụ công nghệ trong việc thúc đẩy đổi mới cá nhân trong giáo dục đại học. Những sinh viên mà các công cụ AI được tích hợp một cách sáng tạo vào quá trình học tập của họ đã giúp nâng cao hiệu quả học tập.

Mô hình nghiên cứu và xây dựng giả thuyết

Mối quan hệ giữa kỳ vọng hiệu quả với ý định hành vi

Venkatesh và cộng sự (2003) khẳng định rằng, kỳ vọng về hiệu quả là yếu tố quan trọng ảnh hưởng trực tiếp đến ý định sử dụng công nghệ. Trong nghiên cứu liên quan đến e-learning, sinh viên có xu hướng chấp nhận và sử dụng công cụ như ChatGPT nếu họ tin rằng nó giúp cải thiện kết quả học tập (Bilquise và cộng sự, 2023). Theo UTAUT2, kỳ vọng về hiệu quả là yếu tố dự báo mạnh mẽ đối với ý định hành vi, được khẳng định qua nhiều nghiên cứu trước đây (Strzelecki, 2024). Vì vậy, nhóm tác giả đưa ra giả thuyết như sau:

H1: Kỳ vọng hiệu quả có ảnh hưởng tích cực đối với Ý định hành vi.

Mối quan hệ giữa động lực hưởng thụ với ý định hành vi

Trong học tập, AI không chỉ hữu íc, mà còn mang lại trải nghiệm sáng tạo. Các nghiên cứu đã khẳng định vai trò quan trọng của động lực hưởng thụ trong việc thúc đẩy hành vi (Strzelecki, 2024). Do đó, nhóm tác giả đề xuất giả thuyết như sau:

H2: Động lực hưởng thụ có ảnh hưởng tích cực đối với Ý định hành vi.

Mối quan hệ giữa ảnh hưởng xã hội với ý định hành vi

Nghiên cứu tại các trường đại học TP. Hồ Chí Minh cho thấy, khi sinh viên thấy bạn bè và giảng viên ủng hộ ChatGPT, ý định sử dụng của họ tăng đáng kể (Kohnke, 2023). Áp lực xã hội tích cực đã được chứng minh là yếu tố quan trọng trong việc định hình hành vi (Dahri và cộng sự, 2024). Vì vậy, nhóm tác giả đề xuất giả thuyết như sau:

H3: Ảnh hưởng xã hội có ảnh hưởng tích cực đối với Ý định hành vi.

Mối quan hệ giữa độ chính xác thông tin với sử dụng công cụ AI

Độ chính xác thông tin đề cập đến nhận thức của sinh viên về độ tin cậy và tính đúng đắn của thông tin được cung cấp bởi các công cụ AI. Tin tưởng vào tính chính xác của thông tin ảnh hưởng đến sự sẵn sàng của học sinh trong việc sử dụng những công cụ này. Nghiên cứu của Foroughi và cộng sự (2023) khám phá nhận thức của sinh viên về việc sử dụng trợ lý viết dựa trên AI được sinh viên đánh giá cao các công cụ đưa ra gợi ý và chỉnh sửa chính xác nhằm cải thiện kỹ năng viết của họ. Theo đó, nhóm tác giả đề xuất giả thuyết như sau:

H4: Độ chính xác thông tin có ảnh hưởng tích cực đến Sử dụng công cụ AI

Mối quan hệ giữa ý định hành vi và sử dụng công cụ AI

Mô hình chấp nhận công nghệ (TAM) của Davis (1989) nhấn mạnh vai trò của ý định hành vi trong việc dự đoán sử dụng công nghệ thực tế. Nghiên cứu của Chatterjee và Bhattacharjee (2020) về ý định sử dụng chatbot AI cho thấy mối quan hệ tích cực giữa ý định hành vi và sử dụng thực tế. Al-Emran và cộng sự (2020) khẳng định rằng, khi ý định sử dụng công cụ giáo dục tăng, mức độ sử dụng thực tế cũng tăng. Do đó, nhóm tác giả đề xuất giả thuyết như sau:

H5: Ý định hành vi có ảnh hưởng tích cực đến Sử dụng công cụ AI.

Mối quan hệ giữa ý định hành vi và cải thiện kết quả học tập của sinh viên

Nghiên cứu của Chatterjee và Bhattacharjee (2020) nhận thấy rằng, ý định hành vi tích cực dẫn đến việc tăng cường sử dụng các công cụ AI như chatbot, hỗ trợ sinh viên trong việc tiếp cận thông tin và giải quyết vấn đề. Khi sinh viên cảm thấy việc sử dụng các công cụ này hiệu quả và mang lại giá trị cho công việc học, mức độ hài lòng của họ cũng tăng lên. Vì vậy, nhóm tác giả đưa ra giả thuyết như sau:

H6: Ý định hành vi có ảnh hưởng tích cực đến Cải thiện kết quả học tập của sinh viên.

Mối quan hệ giữa sử dụng AI và cải thiện kết quả học tập của sinh viên

Nghiên cứu của Strzelecki (2023) về việc sử dụng chatbot AI hỗ trợ sinh viên đã chỉ ra rằng, các công cụ AI có vai trò quan trọng trong quá trình học tập của sinh viên. Những công cụ này không chỉ giúp cải thiện khả năng tương tác, mà còn đóng góp tích cực vào việc cải thiện chất lượng kết quả học tập của sinh viên. Việc tích hợp các công cụ AI vào giáo dục đã được chứng minh là giúp tối ưu hóa các phương pháp học tập. Do vậy, nhóm tác giả đề xuất giả thuyết như sau:

H7: Việc sử dụng công cụ AI tác động tích cực đến Cải thiện kết quả học tập của sinh viên.

Vai trò điều tiết của đổi mới cá nhân trong mối quan hệ ý định hành vi đến sử dụng công cụ AI

Mặc dù lý thuyết hành vi có kế hoạch (TPB) cho rằng, ý định hành vi là yếu tố quan trọng nhất dự đoán hành động (Ajzen, 1991), nhưng nghiên cứu thực tế đã chỉ ra rằng, mối quan hệ này không phải lúc nào cũng mạnh, đặc biệt khi có sự tham gia của các yếu tố cá nhân và môi trường (Venkatesh và cộng sự, 2003). Trong trường hợp này, đổi mới cá nhân đóng vai trò điều tiết vì sinh viên có xu hướng đổi mới cao thường dễ dàng chuyển đổi từ ý định sử dụng sang hành động thực tế nhờ sự tò mò và động lực khám phá các công nghệ AI mới (Yi, Fiedler và Park, 2006). Ngược lại, sinh viên có mức đổi mới thấp có thể bị cản trở bởi sự sợ hãi rủi ro, thiếu kiến thức về AI, hoặc thậm chí cảm thấy không cần thiết phải sử dụng công nghệ này (Agarwal và Karahanna, 2000). Với luận điểm trên, nhóm tác giả đưa ra giả thuyết như sau:

H8: Đổi mới cá nhân điều tiết mối quan hệ giữa Ý định hành vi và Sử dụng công cụ AI.

Trên cơ sở các giả thuyết nghiên cứu, nhóm tác giả đề xuất mô hình nghiên cứu sự chấp nhận hỗ trợ học tập dựa trên AI và tác động đến kết quả học tập của sinh viên TP. Hồ Chí Minh như Hình.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả nghiên cứu đề xuất

Phương pháp nghiên cứu

Nghiên cứu sử dụng thang đo Likert 5 mức độ, từ mức độ 1 đến mức độ 5 tương ứng với “Hoàn toàn không đồng ý” đến “Hoàn toàn đồng ý”. Phương pháp lấy mẫu thuận tiện được sử dụng để thu thập dữ liệu, chủ yếu tập trung vào phương pháp định lượng. Dữ liệu định lượng được lấy từ khảo sát trực tuyến thông qua một bảng câu hỏi chính thức trên công cụ Google Forms. Việc phân phối khảo sát được thực hiện thông qua các hội nhóm trên nền tảng mạng xã hội, như: Facebook, Zalo, Instagram, tạo điều kiện thuận lợi cho việc tiếp cận đối tượng nghiên cứu. Thời gian thu thập dữ liệu diễn ra từ tháng 7-8/2023, với tổng cộng 355 phiếu trả lời được thu thập. Quá trình sàng lọc sau đó được thực hiện để loại bỏ những phiếu không đủ hợp lệ, kết quả là bộ dữ liệu cuối cùng bao gồm 326/355 phiếu khảo sát chất lượng.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Kết quả nghiên cứu

Thống kê mẫu nghiên cứu

Thông tin mẫu cho thấy, sinh viên nam chiếm 43,9%, còn sinh viên nữ chiếm đa số với 56,1%. Về trình độ học vấn, phần lớn người tham gia là sinh viên đại học, chiếm 69,6%; tiếp theo là sinh viên cao đẳng với 27%; học viện chiếm 2,8%; các hình thức đào tạo khác chiếm 0,6%. Xét về lĩnh vực học tập, nhóm sinh viên thuộc các ngành kinh tế dẫn đầu với tỷ lệ 36,8%; tiếp theo là các ngành kỹ thuật và công nghệ chiếm 27,3%. Các ngành khoa học tự nhiên và khoa học xã hội nhân văn đều đạt 10,4%, phản ánh sự đa dạng trong ngành học của người tham gia. Về mức độ hứng thú với việc ứng dụng AI trong học tập, sinh viên năm 2 chiếm tỷ lệ cao nhất với 35%; kế đến là sinh viên năm 3 với 27,9%; sinh viên năm 4 đạt 18,7%; sinh viên năm nhất chiếm 16% và thấp nhất là sinh viên năm 5 với 2,1%.

Đánh giá mô hình đo lường

Kết quả phân tích (Bảng 1) cho thấy, tất cả các biến quan sát trong mô hình đều đáp ứng tiêu chí đánh giá độ hội tụ. Cụ thể, các biến đều có hệ số tải ngoài (Outer Loading) > 0,7, đảm bảo đạt yêu cầu. Đồng thời, các giá trị độ tin cậy tổng hợp (CR) của các khái niệm đều > 0,7, cho thấy độ tin cậy cao và hệ số phương sai trích trung bình (AVE) đều vượt mức 0,5, khẳng định mức độ hội tụ tốt (Hair và cộng sự, 2019). Với các kết quả này, không có biến quan sát nào cần loại bỏ hoặc xem xét lại. Điều này cho thấy. mô hình nghiên cứu đạt mức độ hội tụ và độ tin cậy cao, tạo cơ sở vững chắc cho các bước phân tích tiếp theo.

Bảng 1: Kết quả đánh giá mô hình đo lường

Biến tiềm ẩn	Biến quan sát	Hệ số tải ngoài	Cronbach’s Alpha	AVE	CR
Sử dụng công cụ AI (ATU)	ATU1	0,786	0,848	0,622	0,892
	ATU2	0,769
	ATU3	0,785
	ATU4	0,817
	ATU5	0,786
Ý định hành vi (BI)	BI1	0,879	0,857	0,777	0,913
	BI2	0,873
	BI3	0,893
Động lực hưởng thụ (HM)	HM1	0,754	0,815	0,642	0,877
	HM2	0,816
	HM3	0,825
	HM4	0,808
Độ chính xác của thông tin (IA)	IA1	0,792	0,864	0,647	0,902
	IA2	0,830
	IA3	0,748
	IA4	0,805
	IA5	0,844
Cải thiện kết quả học tập của sinh viên (ISAP)	ISAP1	0,851	0,893	0,700	0,921
	ISAP2	0,841
	ISAP3	0,808
	ISAP4	0,847
	ISAP5	0,836
Kỳ vọng về hiệu quả (PE)	PE1	0,741	0,877	0,619	0,907
	PE2	0,815
	PE3	0,782
	PE4	0,807
	PE5	0,776
	PE6	0,796
Đổi mới cá nhân (PI)	PI3	0,722	0,779	0,601	0,857
	PI4	0,822
	PI5	0,806
	PI6	0,747
Ảnh hưởng xã hội (SI)	SI1	0,846	0,791	0,701	0,875
	SI2	0,881
	SI3	0,783

Nguồn: Kết quả từ phần mềm SmartPLS 4

Dựa trên kết quả phân tích số liệu trong Bảng 2, tính phân biệt giữa các yếu tố được đánh giá dựa theo tiêu chí của Fornell và Larcker (1981) và được khẳng định thêm thông qua các chỉ số HTMT. Cụ thể, căn bậc hai AVE của từng biến tiềm ẩn (thể hiện trên đường chéo chính) đều > hệ số tương quan giữa yếu tố đó và các yếu tố khác, cho thấy sự khác biệt rõ rệt giữa các yếu tố. Đồng thời, theo Hair và cộng sự (2021), giá trị HTMT nên < 0,9 và mức lý tưởng là không vượt quá 0,85 (Ringle và cộng sự, 2015). Trong nghiên cứu này, tất cả các chỉ số HTMT đều < 0,85, thể hiện rõ tính phân biệt giữa các khái niệm nghiên cứu. Những kết quả này khẳng định rằng, tính hợp lệ phân biệt của các thang đo đã được đảm bảo, tạo cơ sở vững chắc để thực hiện các phân tích sâu hơn trong nghiên cứu.

Bảng 2: Giá trị phân biệt Fornell-Larcker

	ATU	BI	HM	IA	ISAP	PE	PI	SI
ATU
BI	0,573
HM	0,443	0,489
IA	0,584	0,557	0,696
ISAP	0,655	0,520	0,470	0,526
PE	0,644	0,489	0,611	0,713	0,483
PI	0,704	0,694	0,527	0,765	0,602	0,725
SI	0,492	0,485	0,650	0,762	0,282	0,527	0,572
PI x BI	0,373	0,288	0,318	0,433	0,314	0,452	0,639	0,328

Nguồn: Kết quả từ phần mềm SmartPLS 4

Đánh giá mô hình cấu trúc

Số liệu Bảng 3 cho thấy, hệ số R² và R² hiệu chỉnh cho các yếu tố ATU và BI lần lượt là 0,397/0,389 và 0,266/0,259, trong khi đối với ISAP là 0,369/0,365. Các hệ số R² hiệu chỉnh này cho thấy, các biến độc lập lần lượt giải thích được 38,9% sự biến thiên của ATU; 25,9% của BI và 36,5% của ISAP. Mặc dù các giá trị này đều < 0,5, chúng vẫn cho thấy mức độ giải thích nhất định, nhưng được đánh giá là ở mức yếu theo tiêu chuẩn thông thường.

Bảng 3: Kết quả kiểm định giả thuyết

Giả thuyết		Hệ số đường dẫn	Độ lệch chuẩn (STDEV)	Giá trị p	Kết luận
H1	PE -> BI	0,244	0,069	0,000	Chấp nhận
H2	HM -> BI	0,174	0,071	0,014	Chấp nhận
H3	SI -> BI	0,216	0,061	0,000	Chấp nhận
H4	IA -> ATU	0,19	0,076	0,012	Chấp nhận
H5	BI -> ATU	0,211	0,071	0,003	Chấp nhận
H6	BI -> ISAP	0,231	0,071	0,001	Chấp nhận
H7	ATU -> ISAP	0,459	0,074	0,000	Chấp nhận
H8	PI -> ATU	0,322	0,077	0,000	Chấp nhận
H9	PI x BI -> ATU	-0,025	0,060	0,681	Bác bỏ

Nguồn: Kết quả từ phần mềm SmartPLS 4

Kết quả kiểm định các giả thuyết trong nghiên cứu bằng mô hình cấu trúc tuyến tính SEM với phương pháp bootstrapping (n = 5.000) đã chỉ ra rằng, mối quan hệ giữa H1, H2, H3, H4, H5, H6, H7, H8 đều có giá trị p < 0,05, nên được chấp nhận. Riêng mối quan hệ của biến điều tiết PI đến mối quan hệ BI và ATU: H9 có giá trị p = 0,681 (> 0,05), nên bị bác bỏ. Kết quả này cho thấy, phần lớn các mối quan hệ trong mô hình được hỗ trợ, ngoại trừ mối quan hệ tương tác giữa PI và BI đến ATU không có ý nghĩa thống kê.

Hình 2: Kết quả phân tích

Thảo luận kết quả nghiên cứu

Kết quả nghiên cứu cho thấy, Động lực hưởng thụ có ảnh hưởng tích cực đến Ý định hành vi dùng AI của sinh viên (H2; β = 0,174; p-value = 0,014 < 0,05). Kết quả này trùng khớp với kết quả nghiên cứu của Venkatesh và Xu (2012) cùng với kỳ vọng về hiệu quả và ảnh hưởng xã hội. Tuy nhiên, nghiên cứu chỉ ra rằng, Động lực hưởng thụ có tác động không mạnh mẽ lên Ý định hành vi sử dụng AI, làm rõ sự mờ nhạt khi so sánh với 2 yếu tố còn lại. Điều này có thể được lý giải trong bối cảnh nghiên cứu, sự nhận thức về động lực hưởng thụ và ý định hành vi sử dụng AI của sinh viên trong học tập chưa thực sự gắn kết. Nguyên nhân có thể đến từ việc các hoạt động truyền thông giáo dục hoặc định hướng chưa nhấn mạnh rõ ràng mối quan hệ giữa động lực cá nhân và lợi ích của việc sử dụng AI trong học tập. Ngoài ra, sự phức tạp của các ứng dụng AI và khả năng tiếp cận hoặc hiểu biết thấp về công nghệ này có thể làm giảm hiệu quả của thông điệp khuyến khích sinh viên sử dụng AI. Đặc biệt, nếu sinh viên không nhận ra sự cần thiết của việc ứng dụng AI trong việc nâng cao hiệu quả học tập, thì động lực hưởng thụ cũng sẽ không có tác động đáng kể đến ý định hành vi sử dụng AI.

Đối với yếu tố độ chính xác của thông tin và ý định hành vi, nghiên cứu chứng minh rằng, Độ chính xác của thông tin càng cao, Ý định hành vi sử dụng AI càng lớn thường có quyết định Sử dụng công cụ AI trong học tập nhiều hơn. Kết quả này cũng phản ánh sự đồng thuận với nghiên cứu của Artur Strzelecki (2023). Tiếp đó, Ý định hành vi và Sử dụng công cụ AI được xác nhận có ảnh hưởng tích cực đến việc Cải thiện thành tích học tập của sinh viên. Kết quả này cũng đồng nhất với nghiên cứu trước đó của Artur Strzelecki (2023). Điều này thể hiện lợi ích của công cụ AI đem lại cho sinh viên khi sử dụng trong học tập đạt hiệu quả quả tốt hơn. Đây được đánh giá là các yếu tố tác động mạnh mẽ, vì khi sử dụng công cụ AI hỗ trợ trong học tập, sinh viên sẽ nhận được nhiều lợi ích, từ đó giúp sinh viên đạt được hiệu quả cao trong học tập dẫn đến chấp nhận và tin dùng AI.

Đổi mới cá nhân với vai trò điều tiết không có tác động đáng kể đến mối quan hệ giữa Ý định hành vi và Sử dụng công cụ AI. Cụ thể, giá trị giữa Ý định hành vi và Sử dụng công cụ AI khi có sự điều tiết của đổi mới cá nhân là 0,025 (p = 0,681), không đạt mức ý nghĩa thống kê. Điều này chứng tỏ rằng, mức độ đổi mới cá nhân của sinh viên không làm thay đổi mối quan hệ giữa ý định hành vi và việc sử dụng công cụ AI. Như vậy, việc không tìm thấy tác động điều tiết của đổi mới cá nhân từ nghiên cứu này góp phần khẳng định tính cá nhân hóa về đổi mới không phải yếu tố quyết định lớn khi sinh viên đã có ý định sử dụng AI. Các yếu tố khác, như: lợi ích thực tiễn, sự tiện lợi và hiệu quả trong học tập đóng vai trò quan trọng hơn trong việc thúc đẩy hành vi sử dụng công cụ AI của sinh viên trong học tập.

Những phát hiện trên mang ý nghĩa quan trọng cho các nhà quản lý giáo dục và doanh nghiệp công nghệ trong việc thúc đẩy chấp nhận công cụ AI hỗ trợ học tập. Các chiến lược cần tập trung vào động lực học tập, độ chính xác thông tin, sự đổi mới cá nhân và hiệu quả AI mang lại. Hiểu rõ mối quan hệ giữa các yếu tố này giúp xây dựng chính sách, chương trình đào tạo và chiến lược quảng bá phù hợp, góp phần tạo môi trường học tập thông minh, hiệu quả tại TP. Hồ Chí Minh và định hướng phát triển AI trong tương lai.

KẾT LUẬN

Nghiên cứu trên được thực hiện với mục đích nghiên cứu về việc chấp nhận hỗ trợ học tập dựa trên AI và tác động của nó đến với kết quả học tập của sinh viên tại TP. Hồ Chí Minh. Kết quả nghiên cứu được thu thập từ 326 đối tượng khảo sát đã chứng minh rằng, có 8 giả thuyết hợp lệ, từ H1 đến H8. Riêng biến điều tiết H9 bị bác bỏ vì có giá trị p > 0,05.

Kết quả nghiên cứu chỉ ra rằng, công cụ AI có tác động lớn đến việc cải thiện kết quả học tập của sinh viên. Tuy nhiên, sinh viên cần được đào tạo cách sử dụng AI một cách tối ưu để đạt hiệu quả cao. Cung cấp tài liệu hướng dẫn và chương trình đào tạo sẽ giúp sinh viên nâng cao khả năng học tập. Các chiến lược cần tập trung vào hỗ trợ cá nhân hóa, phân tích dữ liệu và phản hồi kịp thời. Thêm nghiên cứu về nhu cầu và sự sẵn sàng áp dụng AI trong học tập là cần thiết để phát triển hiệu quả công cụ này.

Mặc dù nghiên cứu đã mang lại nhiều kết quả tích cực, nhưng vẫn còn một số hạn chế cần được xem xét. Thứ nhất, nghiên cứu chỉ mới thu thập dữ liệu từ sinh viên của một số trường đại học ở TP. Hồ Chí Minh, do đó, tính đại diện mẫu chưa cao, làm giảm khả năng tổng quát hóa kết quả. Thứ hai, thời gian nghiên cứu khá ngắn khiến việc đánh giá tác động lâu dài của AI đối với kết quả học tập chưa toàn diện. Nghiên cứu trong tương lai nên mở rộng phạm vi khảo sát đến các trường đại học khác và tiến hành theo dõi trong thời gian dài để đánh giá rõ ràng và toàn diện hơn về tác động của AI đối với việc cải thiện kết quả học tập của sinh viên./.

TÀI LIỆU THAM KHẢO

1. Agarwal, R., and Karahanna, E. (2000), Time flies when you're having fun: Cognitive absorption and beliefs about information technology usage, MIS quarterly, 665-694.

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

3. Al-Emran M, Arpaci I and Salloum SA (2020), An empirical examination of continuous intention to use m-learning: An integrated model, Education and Information Technologies, 25(4), 2899-918.

4. Al-Fraihat, D., Joy, M., and Sinclair, J. (2017), Identifying success factors for e-learning in higher education, In International Conference on E-Learning, 247-255.

5. Alkawsi, G., Ali, N., and Baashar, Y. (2021), The moderating role of personal innovativeness and users experience in accepting the smart meter technology, Applied Sciences, 11(8), 3297.

6. Aparicio, M., Bacao, F., and Oliveira, T. (2017), Grit in the path to e-learning success. Computers in Human Behavior, 66, 388-399, https://doi.org/10.1016/j.chb.2016.10.009.

7. Artur Strzelecki (2023), To use or not to use ChatGPT in higher education? A study of students’ acceptance and use of technology, Interactive Learning Environnements, 32(9), 5142-5155.

8. Bilquise, G., Ibrahim, S., and Salhieh, S. M. (2023), Investigating student acceptance of an academic advising chatbot in higher education institutions, Education and Information Technologies, https://doi.org/10.1007/s10639-023-12076-x.

9. Crawford, J., Cowling, M., and Allen, K. A. (2023), Leadership is needed for ethical ChatGPT: Character, assessment, and learning using artificial intelligence (AI), Journal of University Teaching & Learning Practice, 20(3).

10. Chatterjee, S., & Bhattacharjee, K. K. (2020). Adoption of artificial intelligence in higher education: a quantitative analysis using structural equation modelling. Education and Information Technologies, 25(5), 3443-3463, https://doi.org/10.1007/s10639-020-10159-7.

11. Davis, F. D. (1989), Perceived usefulness, perceived ease of use, and user acceptance of information technology, MIS Quarterly, 13, 319-340.

12. Ellerton, W. (2023), The Human and Machine: OpenAI, ChatGPT, Quillbot, Grammarly, Google, Google Docs, & humans, Visible Language, 57(1), 38-52.

13. Farooq, M. S., Salam, M., Jaafar, N., Fayolle, A., Ayupp, K., Radovic-Markovic, M., and Sajid, A. (2017), Acceptance and use of lecture capture system (LCS) in executive business studies, Interactive Technology and Smart Education, 14(4), 329-348, https://doi.org/10.1108/ITSE-06-2016-0015.

14. Fornell, C., and Larcker, D. F. (1981), Evaluating structural equation models with unobservable variables and measurement error, Journal of Marketing Research, 18(1), 39-50, https://doi.org/10.1177/002224378101800104.

15. Foroughi, B., Nhan, P. V., Iranmanesh, M., Ghobakhloo, M., Nilashi, M., and Yadegaridehkordi, E. (2023), Determinants of intention to use autonomous vehicles: Findings from PLS-SEM and ANFIS, Journal of Retailing and Consumer Services, 70, 103158, https://doi.org/10.1016/j.jretconser.2022.103158.

16. Foroughi, B., Senali, M. G., Iranmanesh, M., Khanfar, A., Ghobakhloo, M., Annamalai, N., and Naghmeh-Abbaspour, B. (2023), Determinants of intention to use ChatGPT for educational purposes: Findings from PLS-SEM and fsQCA, International Journal of Human–Computer Interaction, 40(17), 4501-4520, https://doi.org/10.1080/10447318.2023.2226495.

17. Hair, J. F., Risher, J. J., Sarstedt, M., and Ringle, C. M. (2019), When to use and how to report the results of PLS-SEM, European business review, 31(1), 2-24.

18. Houhamdi, Z., and Athamena, B. (2019), Impacts of information quality on decision-making. Global Business and Economics Review, 21(1), 26-42, https://doi.org/10.1504/GBER.2019.096854.

19. Huang, H., Chen, Y., and Rau, P. L. P. (2022), Exploring acceptance of intelligent tutoring system with pedagogical agent among high school students, Universal Access in the Information Society, 21(2), 381-392, https://doi.org/10.1007/s10209-021-00835-x.

20. Johnson, C., Gitay, R., Abdel-Salam, A. S. G., BenSaid, A., Ismail, R., Al-Tameemi, R. A. N., and Al Hazaa, K. (2022), Student support in higher education: Campus service utilization, impact, and challenges, Heliyon, 8(12).

21. Kohnke, L., Moorhouse, B. L., and Zou, D. (2023), ChatGPT for language teaching and learning, Relc Journal, 54(2), 537-550.

22. Li, M., and Xu, H. (2020), AI-driven language apps and their impact on traditional language learning methods, Journal of Computer Assisted Learning, 36(4), 561-574.

23. Namahoot, K. S., and Laohavichien, T. (2015), An analysis of behavioral intention to use Thai internet banking with quality management and trust, The Journal of Internet Banking and Commerce, 20(3), 119, https://doi.org/10.4172/1204-5357.1000119.

24. Pillai, R., Sivathanu, B., Metri, B., and Kaushik, N. (2023), Students’ adoption of AI-based teacher-bots (T-bots) for learning in higher education, Information Technology & People, 37(1), 328-355, https://doi.org/10.1108/ITP-02-2021-0152.

25. Ringle, C., Da Silva, D., and Bido, D. (2015), Structural equation modeling with the SmartPLS, Brazilian Journal Of Marketing, 13(2).

26. Sadrzadehrafiei, S., Chofreh, A. G., Hosseini, N. K., and Sulaiman, R. (2013), The benefits of enterprise resource planning (ERP) system implementation in dry food packaging industry. Procedia Technology, 11, 220-226, https://doi.org/10.1016/j.protcy.2013.12.184.

27. Strzelecki, A. (2023), To use or not to use ChatGPT in higher education? A study of students’ acceptance and use of technology, Interactive Learning Environments, https://doi.org/10.1080/10494820.2023.2209881.

28. Strzelecki, A. (2024), To use or not to use ChatGPT in higher education? A study of students’ acceptance and use of technology, Interactive Learning Environments, 32(9), 5142-5155, https://doi.org/10.1080/10494820.2024.2162327.

29. Venkatesh, V., Morris, M. G., Davis, G. B., and Davis, F. D. (2003), User acceptance of information technology: Toward a unified view, MIS Quarterly, 27(3), 425-478, https://doi.org/10.2307/30036540.

30. Venkatesh, V., Thong, J. Y. L., and Xu, X. (2012), Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology, MIS Quarterly, 36(1), 157-178, https://doi.org/10.2307/41410412.

31. Yi, M. Y., Fiedler, K. D., and Park, J. S. (2006), Understanding the role of individual innovativeness in the acceptance of IT‐based innovations: Comparative analyses of models and measures, Decision Sciences, 37(3), 393-426.

Ngày nhận bài: 19/01/025; Ngày phản biện: 05/02/2025; Ngày duyệt đăng: 13/02/2025