Các yếu tố ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo trong học tập của sinh viên khối ngành kinh tế tại Trường Đại học Văn Lang(*)

Nguyễn Dương Gia Hảo

Email: hao.2273403010042@vanlanguni.vn

Phan Thị Thùy Na, Nguyễn Ngọc Diễm Quỳnh, Võ Ngọc Bảo Vy, Hồ Ngọc Thảo

ThS. Nguyễn Thị Phước

Khoa Kế toán – Kiểm toán, Trường Đại học Văn Lang

Email: phuoc.nt@vlu.edu.vn

Tóm tắt

Nghiên cứu nhằm mục đích xác định các nhân tố tác động đến ý định sử dụng Trí tuệ nhân tạo (AI) trong học tập của sinh viên khối ngành Kinh tế. Sử dụng phương pháp nghiên cứu định lượng, dữ liệu được thu thập từ khảo sát 310 sinh viên tại Trường Đại học Văn Lang (VLU) và phân tích bằng mô hình cấu trúc bình phương tối thiểu riêng phần (PLS-SEM) thông qua phần mềm SPSS 27 và SMARTPLS 3.2.9. Kết quả cho thấy, Ý định sử dụng AI chịu tác động trực tiếp từ 6 yếu tố: Ảnh hưởng xã hội, Kỳ vọng nỗ lực, Kỳ vọng hiệu quả, Các điều kiện thuận lợi, Kỳ vọng về quyền riêng tư cảm nhận và Thái độ đối với AI. Đặc biệt, bài viết cũng đưa ra vai trò của Thái độ đối với AI, được xây dựng trên nền Kiến thức về AI và Ảnh hưởng xã hội. Từ đó, nghiên cứu đề xuất một số giải pháp thực tiễn nhằm tăng cường khả năng ứng dụng hiệu quả AI trong quá trình nâng cao chất lượng học tập cho sinh viên.

Từ khóa: Trí tuệ nhân tạo, sinh viên ngành kinh tế, kỳ vọng hiệu quả, thái độ đối với AI, ảnh hưởng xã hội

Summary

This study aims to identify the factors influencing the intention to use Artificial Intelligence (AI) in learning among students in economics-related majors. Employing a quantitative research method, data were collected from a survey of 310 students at Van Lang University (VLU) and analyzed using the partial least squares structural equation modeling (PLS-SEM) approach with SPSS 27 and SMARTPLS 3.2.9. The results reveal that students’ intention to use AI is directly influenced by six factors: social influence, effort expectancy, performance expectancy, facilitating conditions, perceived privacy expectation, and attitude toward AI. Notably, the study highlights the role of attitude toward AI, which is shaped by AI knowledge and social influence. Based on these findings, several practical solutions are proposed to enhance the effective application of AI in improving students’ learning quality.

Keywords: Artificial intelligence, economics students, performance expectancy, attitude toward AI, social influence

ĐẶT VẤN ĐỀ

Cuộc Cách mạng Công nghiệp 4.0 đang diễn ra mạnh mẽ trên phạm vi toàn cầu, kèm theo sự xuất hiện của nhiều công nghệ có tính ứng dụng cao. Trong đó, Trí tuệ nhân tạo (AI) đã trở thành một công nghệ quan trọng, đóng vai trò thay đổi sâu sắc nhiều lĩnh vực công nghiệp và xã hội. Trong bối cảnh cạnh tranh ngày càng gay gắt tại các trường đại học, các cơ sở đào tạo đang tăng cường phát triển hạ tầng công nghệ thông tin và ứng dụng AI như một công cụ tiềm năng, nhằm chất lượng hóa hành trình học tập. AI có thể giúp tăng cường học tập theo nhu cầu cá nhân, tự động hóa quản lý và tạo ra phương thức học tập sáng tạo. Tuy nhiên, AI cũng đặt ra thách thức về đạo đức, thành kiến thuật toán và nguy cơ dịch chuyển việc làm (Chen, Li và Tang, 2022). Do đó, việc tìm hiểu cách người học tiếp cận và phản ứng với AI trong giáo dục trở nên cần thiết.

Trong khối ngành Kinh tế, sinh viên đóng vai trò cầu nối giữa công nghệ và phân tích kinh tế. Ngoài kiến thức chuyên môn, họ có cơ hội tiếp cận các công cụ AI để hỗ trợ việc học tập và phát triển các kỹ năng. Tuy nhiên, khảo sát của Mendoza Moheno và cộng sự (2024) cho thấy, chỉ 36% sinh viên Kinh tế từng tham gia khóa học liên quan đến công nghệ, và 18,9% được giảng viên hướng dẫn ứng dụng AI. Việc sử dụng AI chủ yếu còn ở mức cơ bản, chưa được khai thác triệt để.

Những nghiên cứu nước ngoài về xu hướng sử dụng AI trong giáo dục chủ yếu tập trung vào giảng viên và sinh viên (Cai và cộng sự, 2023). Nhiều công trình sử dụng mô hình chấp nhận công nghệ (TAM) hoặc mô hình hợp nhất UTAUT để giải thích hành vi. Menon và Shilpa (2023) chỉ ra, kỳ vọng hiệu suất, nỗ lực, ảnh hưởng xã hội, điều kiện thuận lợi và quyền riêng tư đều ảnh hưởng đến ý định sử dụng ChatGPT. Nghiên cứu của Lin và Yu (2023) cho thấy tính dễ sử dụng, tính hữu ích và phản hồi tích cực từ giảng viên tác động đến thái độ và ý định sử dụng hệ thống học tập số.

Tại Việt Nam, nghiên cứu đã được triển khai ở nhiều nhóm ngành. Lê Đăng Hiền (2020) nhấn mạnh sự kết hợp hài hòa giữa phương pháp học truyền thống và công nghệ. Phạm Thị Thanh Trúc và cộng sự (2024) xác định 4 yếu tố ảnh hưởng đến việc sử dụng ChatGPT, gồm: kỳ vọng hiệu quả, ảnh hưởng xã hội, độ chính xác và thái độ. Tuy vậy, vẫn thiếu nghiên cứu chuyên biệt về sinh viên khối ngành Kinh tế ở Việt Nam. Các công trình hiện tại phần lớn tập trung vào các nhóm ngành khác hoặc một công cụ AI cụ thể, dẫn đến khoảng trống trong việc hiểu rõ hành vi và nhu cầu ứng dụng AI của sinh viên kinh tế. Do đó, cần có nghiên cứu bổ sung dữ liệu thực tế để hỗ trợ đề xuất phương hướng và giải pháp giáo dục phù hợp.

Trong nghiên cứu này, sinh viên khối ngành Kinh tế tại Trường Đại học Văn Lang (VLU) được chọn làm đối tượng khảo sát. Với định hướng đào tạo sáng tạo, nhân văn và môi trường học đường lành mạnh, Trường Văn Lang luôn chú trọng hoạt động nghiên cứu khám phá các yếu tố ảnh hưởng đến ý định sử dụng AI trong học tập của sinh viên. Kết quả nghiên cứu kỳ vọng sẽ góp phần bổ sung cơ sở lý luận và thực tiễn, đồng thời hỗ trợ nhà trường ứng dụng AI hiệu quả hơn vào chương trình đào tạo.

CƠ SỞ LÝ LUẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Lý thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT)

Mô hình UTAUT được Venkatesh và cộng sự (2003) phát triển, nhằm cung cấp một khung lý thuyết đầy đủ để dự đoán và giải thích ý định hành vi cũng như hành vi thực tế trong việc chấp nhận sử dụng công nghệ. Mô hình dựa trên sự tổng hợp và kế thừa các lý thuyết nền tảng, như: Mô hình TAM, Lý thuyết Hành động Hợp lý (TRA), và Lý thuyết Hành vi Dự định (TPB). UTAUT đã được chứng minh là có khả năng mô tả được gần 70% mức biến thiên trong ý định ứng dụng công nghệ, thể hiện ưu thế đáng kể so với các mô hình cũ (Venkatesh và cộng sự, 2003). Trong phạm vi nghiên cứu này sẽ chỉ tập trung phân tích các yếu tố tác động đến ý định hành vi sử dụng công nghệ trong học tập của sinh viên.

Kỳ vọng hiệu quả (HQ) được định nghĩa là mức độ mà một cá nhân tin rằng việc sử dụng hệ thống sẽ giúp họ đạt được hiệu quả công việc cao hơn (Venkatesh và cộng sự, 2003). Đây là nhân tố dự đoán cao nhất đối với ý định sử dụng công nghệ.

Kỳ vọng nỗ lực (NL) được định nghĩa là mức độ dễ dàng sử dụng hệ thống (Venkatesh và cộng sự, 2003). Hiệu ứng của yếu tố này có xu hướng giảm dần sau khi người dùng đã quen với công nghệ (Chauhan và Jaiswal, 2016).

Ảnh hưởng xã hội (AH) được định nghĩa là mức độ mà một cá nhân cảm nhận rằng những người quan trọng đối với họ tin rằng họ nên sử dụng hệ thống mới (Venkatesh và cộng sự, 2003). Yếu tố này có tác động đáng kể trong môi trường bắt buộc, khi cá nhân có thể sử dụng công nghệ vì yêu cầu tuân thủ thay vì sở thích cá nhân (Venkatesh và Davis, 2000).

Điều kiện thuận lợi (DK) là mức độ mà cá nhân tin rằng có cơ sở kỹ thuật và hỗ trợ tổ chức giúp họ sử dụng hệ thống (Venkatesh và cộng sự, 2003). Với sinh viên, cảm nhận về điều kiện hỗ trợ đầy đủ có thể ảnh hưởng đến cả ý định sử dụng.

Dựa trên cơ sở lý thuyết, các giả thuyết được đề xuất như sau:

H1: Ảnh hưởng xã hội tác động đến Ý định hành vi sử dụng AI.

H2: Kỳ vọng nỗ lực tác động tích cực đến Ý định sử dụng AI.

H3: Kỳ vọng hiệu quả tác động tích cực đến Ý định sử dụng AI.

H4: Các điều kiện thuận lợi tác động tích cực đến Ý định sử dụng AI.

Lý thuyết TAM và phiên bản mở rộng TAM2

Để lý giải thêm về hành vi chấp nhận công nghệ của sinh viên, nhóm nghiên cứu đã sử dụng Mô hình TAM của Davis (1989) làm khung lý thuyết chính. Tác giả TAM đề xuất, ý định sử dụng công nghệ được định hình bởi 2 yếu tố chính là Tính hữu ích cảm nhận (PU) và Sự dễ sử dụng cảm nhận (PEOU).

Trong mô hình nghiên cứu đề xuất, nhóm nghiên cứu đã tìm hiểu và bổ sung thêm yếu tố Kỳ vọng về quyền riêng tư cảm nhận (RT) như một biến ảnh hưởng trực tiếp đến YD. Trong bối cảnh công nghệ hiện đại, đặc biệt là với sự gia tăng của các ứng dụng thu thập và xử lý dữ liệu cá nhân, mối lo ngại về quyền riêng tư của người dùng đã trở thành một thử thách lớn đối với ý định chấp nhận công nghệ. Việc tích hợp yếu tố quyền riêng tư vào mô hình TAM có cơ sở từ các nghiên cứu về năng lực quyền riêng tư cảm nhận (Shahriar và cộng sự, 2023) và các tổng quan tài liệu về tương tác phức tạp giữa công nghệ AI và mối lo ngại về quyền riêng tư (Elliott và Soifer, 2022).

Nhóm nghiên cứu đã sử dụng thêm mô hình TAM2 để giải thích cơ chế tác động của biến AH đến Thái độ đối với AI (TD). Cụ thể, khái niệm Ảnh hưởng xã hội được tiếp cận thông qua 2 thành phần chính của TAM2 là Chuẩn chủ quan và Hình ảnh xã hội. Hai yếu tố này có thể thúc đẩy cá nhân chấp nhận công nghệ thông qua quá trình tiếp nhận và đồng thuận với các niềm tin hoặc kỳ vọng xã hội (Warshaw, 1980). Từ đó đề xuất các giả thuyết:

H5: Kỳ vọng về quyền riêng tư cảm nhận được tác động đến Ý định sử dụng AI.

H6: Ảnh hưởng của xã hội tác động tích cực đến Thái độ đối với AI.

H7: Thái độ đối với AI tác động tích cực đến Ý định sử dụng AI.

Lý thuyết bổ trợ

Nghiên cứu này đã kết hợp 2 lý thuyết nền tảng, nhằm làm sáng tỏ cơ chế ảnh hưởng của Kiến thức hiểu biết về AI đến Thái độ đối với công nghệ. Theo Lý thuyết Nghiên cứu Bền vững (Sustainability research) của Bamberg và Moser (2007), kiến thức và nhận thức của cá nhân đóng vai trò quan trọng trong việc hình thành thái độ của họ. Đồng thời, Lý thuyết tự hiệu quả (Self-efficacy Theory) của Bandura (1977) nhấn mạnh rằng, niềm tin của cá nhân vào khả năng của mình để thực hiện thành công một hành vi cụ thể (tự hiệu quả) là một yếu tố quyết định thái độ và hành vi. Việc tích hợp này giúp phân tích sâu nhận thức và năng lực cá nhân góp phần hình thành quan điểm quyết định có sử dụng công nghệ hay không. Từ đó đề xuất giả thuyết:

H8: Kiến thức về AI tác động tích cực đến Thái độ sử dụng AI.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

Phương pháp nghiên cứu

Nghiên cứu này sử dụng cả 2 phương pháp nghiên cứu định tính và định lượng nhằm đảm bảo sự đầy đủ trong quá trình phân tích.

Đối với nghiên cứu định tính, nhóm tham khảo tài liệu từ các nghiên cứu trong nước dựa vào các biến quan sát để xem xét, đo lường các khái niệm trong mô hình nghiên cứu, đồng thời tiến hành phỏng vấn cá nhân các giảng viên có kinh nghiệm sử dụng AI và thường xuyên ứng dụng phần mềm AI trong quá trình giảng dạy. Nội dung này giúp nhóm tham khảo tính hợp lý của biến quan sát để xây dựng thang đo.

Nghiên cứu định lượng được thực hiện thông qua việc thu thập dữ liệu bằng bảng hỏi trên nền tảng Google Form. Khảo sát tiến hành trong thời gian từ ngày 25/06/2025 đến 15/07/2025. Đối tượng khảo sát chính trong nghiên cứu là 370 sinh viên Khối ngành Kinh tế tại VLU. Các câu hỏi định lượng được thiết kế dựa trên thang đo Likert 5 mức độ với các mức độ ảnh hưởng của nhân tố từ mức 1 – Hoàn toàn không đồng ý đến mức 5 – Rất đồng ý. Nhóm nghiên cứu đã xác định cỡ mẫu tối thiểu là 185 dựa trên công thức của Hair và cộng sự (2014) cho phân tích nhân tố khám phá (EFA). Để đảm bảo mẫu đủ lớn cho phân tích SEM, nhóm đã tiến hành khảo sát với 370 sinh viên để thu thập dữ liệu. Các công cụ SPSS 27 và SMART-PLS 3 được sử dụng đồng thời trong nghiên cứu này để tổng hợp và phân tích thông tin. Dữ liệu sau khi được xử lý qua Excel sẽ được phân tích mô tả bằng SPSS 27. Sau đó, PLS-SEM được áp dụng để kiểm định các mô hình cấu trúc và đo lường thông qua phần mềm SmartPLS 3.2.9.

KẾT QUẢ NGHIÊN CỨU

Phân tích thông tin sinh viên tham gia khảo sát

Nghiên cứu thực hiện khảo sát 370 sinh viên khối ngành Kinh tế tại VLU. Số phiếu phát ra là 370, số hợp lệ thu về là 310 phiếu. Kết quả cho thấy, sinh viên ngành Kế toán – Kiểm toán chiếm 52,3%, tiếp theo là Thương mại (25,2%), Tài chính – Ngân hàng (13,5%) và Quản trị Kinh doanh (9,0%).

Sinh viên có nhiều kỳ vọng khác nhau khi sử dụng AI trong học tập. Trong đó, nhu cầu AI tổng hợp thông tin chính xác chiếm 23,8%, hỗ trợ giải thích khái niệm, làm bài tập và ôn thi chiếm 22,9%, mong muốn cải thiện hiệu suất, tiết kiệm thời gian chiếm 21,4%, trong khi hỗ trợ sáng tạo là 17,5% và hỗ trợ thuyết trình, viết email hay nội dung mạng xã hội là 14,4%.

Về kết quả học tập, phần lớn sinh viên đạt loại khá (63,2%) và giỏi (23,5%); trong khi tỷ lệ sinh viên đạt loại xuất sắc và trung bình lần lượt là 4,5% và 8,7%. Các vai trò của AI được sinh viên đánh giá cao, mang lại nhiều lợi ích trong học tập. Nổi bật nhất là cung cấp tài liệu và thông tin nhanh chóng (19,9%) và giúp cá nhân hóa phương pháp học tập (17%). Ngoài ra, hỗ trợ phát triển kỹ năng công nghệ (15%), tăng cường khả năng giải quyết vẫn đề (16,4%), khuyến khích sự sáng tạo trong học tập (11,5%), tạo điều kiện hợp tác hiệu quả trong nhóm (11,1%) và mở rộng cơ hội việc làm (9,2%).

Đánh giá mô hình đo lường

Việc đánh giá mô hình đo lường nhằm kiểm tra độ tin cậy và giá trị của các thang đo thông qua các tiêu chí về tính nhất quán nội bộ, giá trị hội tụ và giá trị phân biệt. Kết quả phân tích tại Bảng 1 cho thấy, các hệ số tải ngoài dao động từ 0,748 đến 0,894; Cronbach’s Alpha (CA) và độ tin cậy tổng hợp (CR) đều vượt ngưỡng 0,7. Việc kiểm tra giá trị hội tụ cho thấy, các thang đo đáp ứng yêu cầu, khi tất cả các giá trị phương sai trích trung bình (AVE) đều vượt 0,5, phù hợp với khuyến nghị của Hair và cộng sự (2019). Như vậy, các cấu trúc đo lường trong mô hình đảm bảo yêu cầu về độ tin cậy, giá trị hội tụ và giá trị phân biệt.

Bảng 1: Tổng hợp hệ số tải ngoài và độ tin cậy của thang đo

Nguồn: Tác giả phân tích trên phần mềm SmartPLS 3.2.9

Để đánh giá giá trị phân biệt, nghiên cứu áp dụng chỉ số HTMT (Heterotrait-Monotrait Ratio) theo phương pháp của Henseler và các cộng sự (2015), nhằm phân tích sự khác biệt giữa các khái niệm tiềm ẩn. Kết quả Bảng 2 cho thấy, các giá trị HTMT của các khái niệm trong mô hình đều < 0,85, chứng minh các thang đo đạt yêu cầu về khả năng phân biệt.

Bảng 2: Kết quả hệ số tương quan HTMT

Nguồn: Tác giả phân tích trên phần mềm SmartPLS 3.2.9

Thảo luận kết quả

Đa cộng tuyến trong mô hình

Các hệ số phóng đại phương sai (VIF) được sử dụng để kiểm tra đa cộng tuyến giữa các biến tiềm ẩn. Kết quả cho thấy, tất cả các giá trị VIF đều < 5 theo khuyến nghị của Hair và cộng sự (2022), cho thấy không xảy ra hiện tượng cộng tuyến, đảm bảo độ tin cậy trong ước lượng mô hình cấu trúc. Từ phân tích dữ liệu bằng phương pháp Bootstrapping cho ra kết quả có 8 giả thuyết được chấp nhận, cụ thể như sau:

Giả thuyết H1: Ảnh hưởng xã hội tác động đến Ý định sử dụng AI (β = 0,251, P-value = 0,000 < 0,05) và Giả thuyết H6: Ảnh hưởng của xã hội tác động tích cực đến Thái độ đối với AI (β = 0,266, P-value = 0,000). Nghiên cứu cho thấy, bạn bè, người quen, thầy cô và những người có sức ảnh hưởng đóng vai trò quan trọng trong việc động viên sinh viên tìm hiểu hơn với AI. Qua những chia sẻ tích cực, lời khuyên được gợi ý trên mạng xã hội hoặc môi trường học tập, sinh viên có xu hướng hình thành cái nhìn thiện cảm hơn đối với công nghệ này, đồng thời khiến sinh viên chủ động khám phá các công cụ AI trong học tập.

Giả thuyết H4: Các điều kiện thuận lợi tác động tích cực đến Ý định sử dụng AI (β = 0,273, P-value = 0,000). Nghiên cứu cho thấy, khi sinh viên có đủ thiết bị, phần mềm, tài liệu học tập và kết nối internet ổn định, họ sẽ dễ dàng hơn khi tiếp cận các công cụ AI. Nguồn lực đầy đủ giúp việc học trở nên dễ dàng, khuyến khích sinh viên chủ động tìm hiểu và phát triển sáng tạo.

Giả thuyết H3: Kỳ vọng hiệu quả tác động tích cực đến Ý định sử dụng AI (β = 0,195, P-value = 0,000). Kết quả nghiên cứu khẳng định rằng, mức độ kỳ vọng vào hiệu quả sử dụng công nghệ là nhân tố thúc đẩy hành vi sử dụng. Khi sinh viên thấy được hiệu quả mà AI mang lại trong học tập, giúp tiết kiệm thời gian và nâng cao chất lượng học, họ sẽ có xu hướng sử dụng công nghệ này nhiều hơn.

Giả thuyết H2: Kỳ vọng nỗ lực tác động tích cực đến Ý định sử dụng AI (β = 0,171, P-value = 0,000 < 0,05). Khả năng tiếp cận công nghệ và sự đơn giản trong trải nghiệm người dùng là yếu tố thúc đẩy hành vi chấp nhận AI. Khi sinh viên cảm thấy AI dễ sử dụng, không phức tạp và có thể thao tác một cách tự nhiên trong quá trình học tập, họ sẽ chấp nhận và sử dụng nó nhiều hơn.

Giả thuyết H5: Kỳ vọng về quyền riêng tư cảm nhận được tác động tương đối đến Ý định sử dụng AI (β = 0,179, P-value = 0,000). Khi người sử dụng tin rằng thông tin cá nhân của họ được bảo mật khi sử dụng các công nghệ, họ sẽ an tâm và sẵn sàng sử dụng AI hơn. Tuy nhiên, yếu tố này cũng cần được quan tâm đúng mức bởi quyền riêng tư vẫn là một trong những rào cản phổ biến khi triển khai công nghệ mới.

Giả thuyết H7: Kiến thức về AI tác động tích cực đến Thái độ sử dụng AI (β = 0,311, P-value = 0,000) – đây là hệ số ảnh hưởng cao nhất trong mô hình này và Giả thuyết H8: Thái độ đối với AI tác động đến Ý định sử dụng AI (β = 0,153, P-value = 0,000). Điều này có nghĩa là, sinh viên càng hiểu rõ về công nghệ AI, họ càng có thái độ hưởng ứng và sẵn sàng ứng dụng trong học tập. Việc chia sẻ các ví dụ thành công từ những người học khác cũng góp phần lan tỏa ảnh hưởng tích cực trong cộng đồng sinh viên.

Bảng 3: Kết quả kiểm định giả thuyết nghiên cứu

Nguồn: Tác giả phân tích trên phần mềm SmartPLS 3.2.9

Hệ số xác định R² phản ánh tỷ lệ biến thiên của biến phụ thuộc được giải thích bởi các biến độc lập. Theo Hair và cộng sự (2019), R² ở các ngưỡng lần lượt từ 0,75; 0,5 và 0,25 thể hiện khả năng dự báo cao, trung bình và thấp. Kết quả cho thấy, R² hiệu chỉnh của biến Ý định sử dụng AI (YD) đạt 0,685, tương ứng với mức trung bình đến cao; trong khi R² của biến Thái độ đối với AI (TD) là 0,217 đang ở mức thấp. Điều này cho thấy các biến độc lập giải thích tốt cho YD và ít hơn đối với TD, phản ánh mức độ phù hợp khác nhau của mô hình đối với từng biến phụ thuộc.

Khả năng dự đoán của mô hình (Predictive relevance, Stone-Geisser Q²)

Khi giá trị Q² của một biến tiềm ẩn nội sinh > 0, điều này chỉ ra các khái niệm ngoại sinh có tác động dự báo mạnh mẽ đối với các khái niệm nội sinh (Hair và cộng sự, 2019). Trong nghiên cứu, biến YD đạt giá trị Q² = 0,530 và biến TD có giá trị Q² = 0,133. Vì cả 2 giá trị này đều > 0, mô hình cấu trúc được xác nhận có năng lực dự báo thực tiễn đối với hành vi sử dụng trí tuệ nhân tạo để nâng cao trải nghiệm học tập của sinh viên.

KẾT LUẬN

Kết quả nghiên cứu cho thấy 6 yếu tố tác động đến hành vi sử dụng AI trong học tập của sinh viên khối ngành Kinh tế, trong đó, các yếu tố liên quan trực tiếp đến hành vi sử dụng AI như: AH, NL, HQ, DK, RT, TD đều có ảnh hưởng trực tiếp đến ý định sử dụng AI trong học tập của sinh viên khối ngành kinh tế tại VLU. Yếu tố TD đóng vai trò trung gian trong mối quan hệ giữa AH, KT và YD. Mối quan hệ gián tiếp này hỗ trợ về mặt thống kê, cho thấy vai trò trung gian quan trọng của TD trong việc định hình Ý định sử dụng AI của sinh viên.

Kết quả nghiên cứu chỉ ra rằng, Ảnh hưởng xã hội, Kỳ vọng nỗ lực, Kỳ vọng hiệu quả và Các điều kiện thuận lợi là những yếu tố quan trọng tác động đến Ý định hành vi sử dụng AI trong học tập. Muốn tăng cường tinh thần học tập của sinh viên, cần thiết kế một môi trường học tập tích cực với sự chung tay hỗ trợ từ thầy cô, bạn bè và người thân. Các công cụ AI cần được thiết kế thân thiện, dễ sử dụng và mang lại lợi ích rõ ràng để sinh viên cảm thấy việc đầu tư nỗ lực là xứng đáng. Đồng thời, nhà trường cần đóng vai trò chủ động trong việc cung cấp tài nguyên và cơ sở vật chất, tạo điều kiện thuận lợi nhất để sinh viên có thể tiếp cận và khai thác công nghệ AI một cách hiệu quả.

Nghiên cứu cũng khẳng định rằng, Kỳ vọng về quyền riêng tư, dù có mức độ ảnh hưởng thấp hơn, vẫn là một yếu tố không thể bỏ qua. Sinh viên có xu hướng tin tưởng và sẵn sàng sử dụng AI hơn khi họ nhận thức được rằng thông tin cá nhân của mình được bảo mật một cách chặt chẽ và minh bạch. Để khuyến khích sinh viên ứng dụng AI một cách chủ động và tích cực, các nhà phát triển và tổ chức giáo dục cần xây dựng chính sách bảo vệ dữ liệu minh bạch và đáng tin cậy.

Thái độ đối với AI cũng được xác định là một yếu tố trung gian, được định hình bởi Kiến thức về AI và Ảnh hưởng xã hội. Khi sinh viên có nền tảng kiến thức vững chắc về AI và hiểu rõ những lợi ích mà nó mang lại, họ sẽ có xu hướng phát triển thái độ tích cực hơn. Bên cạnh đó, Ảnh hưởng xã hội từ giảng viên, bạn bè và những người xung quanh cũng đóng vai trò then chốt. Việc chứng kiến những lợi ích và thành công của người khác khi sử dụng AI sẽ củng cố niềm tin và thúc đẩy thái độ chủ động, tích cực của sinh viên đối với công nghệ này.

(*) Chúng tôi xin cảm ơn Trường Đại học Văn Lang đã hỗ trợ cho nghiên cứu này. Nghiên cứu được tài trợ bởi Trường Đại học Văn Lang với mã số đề tài 2502-DT-KKE-SV-003.

Tài liệu tham khảo:

1. Bamberg, S. and Moser, G. (2007). Twenty years after Hines, Hungerford, and Tomera: A new meta‐analysis of psycho‐social determinants of pro‐environmental behaviour. Journal of Environmental Psychology, 27(1), 14-25. https://doi.org/10.1016/j.jenvp.2006.12.002.

2. Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review, 84(2), 191-215. https://doi.org/10.1037/0033-295X.84.2.191.

3. Cai, Q., Lin, Y. and Yu, Z. (2023). Factors influencing learner attitudes towards ChatGPT-assisted language learning in higher education. International Journal of Human–Computer Interaction, 1-15. https://doi.org/10.1080/10447318.2023.2261725.

4. Chauhan, S. and Jaiswal, M. (2016). Determinants of acceptance of ERP software training in business schools: Empirical investigation using UTAUT model. The International Journal of Management Education, 14(3), 248-262. https://doi.org/10.1016/j.ijme.2016.05.005.

5. Chen, N., Li, Z. and Tang, B. (2022). Can digital skills protect against job displacement risk caused by artificial intelligence? Empirical evidence from 701 detailed occupations. PLoS One, 17(11), Article e0277280. https://doi.org/10.1371/journal.pone.0277280.

6. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 318-339. https://doi.org/10.2307/249008.

7. Elliott, D. and Soifer, E. (2022). AI technologies, privacy, and security. Frontiers in Artificial Intelligence, 5, Article 826737. https://doi.org/10.3389/frai.2022.826737.

8. Hair, J. F., Black, W. C., Babin, B. J. and Anderson, R. E. (2014). Multivariate Data Analysis (7th ed.). Pearson Education Limited.

9. Hair, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., & Thiele, K. O. (2022). Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R: A Workbook. Springer. https://doi.org/10.1007/978-3-030-80519-7.

10. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS_SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203.

11. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8.

12. Lê Đăng Hiền (2020). Phân tích các yếu tố ảnh hưởng đến ý định sử dụng công nghệ trí tuệ nhân tạo trong học tập: Nghiên cứu điển hình của sinh viên Hà Nội. Tạp chí Cộng sản. Truy cập từ https://www.tapchicongsan.org.vn/.

13. Lin, Y., & Yu, Z. (2023). Extending technology acceptance model to higher-education students’ use of digital academic reading tools on computers. International Journal of Educational Technology in Higher Education, 20(1), 1-24. https://doi.org/10.1186/s41239-023-00403-8.

14. Mendoza Moheno, J., Méndez-Coca, D., & Rodríguez, J. (2024). ChatGPT enters the classrooms: Student perceptions of the incorporation of artificial intelligence tools in the teaching of Economics and Business. Educational Media International. https://doi.org/10.1080/09523987.2024.2436737.

15. Menon, D., & Shilpa, K. (2023). “Chatting with ChatGPT”: Analyzing the factors influencing users’ intention to use the OpenAI’s ChatGPT using the UTAUT model. Heliyon, 9(11), Article e20962. https://doi.org/10.1016/j.heliyon.2023.e20962.

16. Phạm Thị Thanh Trúc và cộng sự (2024). Các yếu tố ảnh hưởng đến việc ứng dụng ChatGPT trong học tập của sinh viên khối ngành Kinh tế – Luật. Truy cập từ https://kinhtevadubao.vn/cac-yeu-to-anh-huong-den-viec-ung-dung-chat-gpt-trong-hoc-tap-cua-sinh-vien-khoi-nganh-kinh-te-luat-30013.html.

17. Shahriar, S., Allana, S., Hazratifard, S. M. and Dara, R. (2023). A survey of privacy risks and mitigation strategies in the Artificial Intelligence life cycle. IEEE Access, 11, 61829-61854. https://doi.org/10.1109/ACCESS.2023.3287195.

18. Venkatesh, V. and Davis, F. D. (2000). A theoretical extension of the Technology Acceptance Model: Four longitudinal field studies. Management Science, 46(2), 186-204. https://doi.org/10.1287/mnsc.46.2.186.11926.

19. 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.

20. Warshaw, P. R. (1980). A new model for predicting behavioral intentions: An alternative to Fishbein. Journal of Marketing Research, 17(2), 153-172. https://doi.org/10.1177/002224378001700201.