Đề xuất mô hình nghiên cứu ảnh hưởng của trí tuệ nhân tạo (AI) đến kết quả học tập của sinh viên

TS. Hoàng Thị Thu Hiền

Trường Đại học Thuỷ lợi

Email: hoangthithuhien@tlu.edu.vn

Tóm tắt

Trong bối cảnh chuyển đổi số giáo dục, nghiên cứu đề xuất một mô hình tổng quát nhằm đánh giá tác động của việc sử dụng trí tuệ nhân tạo (AI) đến kết quả học tập của sinh viên đại học. Mô hình được xây dựng dựa trên mô hình Chấp nhận công nghệ, lý thuyết Học tập tự điều chỉnh và lý thuyết Tải nhận thức, với biến độc lập là Mức độ sử dụng AI trong học tập; Biến trung gian gồm 2 biến: Nhận thức về tính hữu ích của AI, Kỹ năng học tập tự điều chỉnh; Biến phụ thuộc là Kết quả học tập của sinh viên. Nghiên cứu xem xét vai trò trung gian của nhận thức và kỹ năng, đồng thời phân tích sự khác biệt theo giới tính, ngành học và năm học. Mô hình có thể làm cơ sở cho các nghiên cứu thực nghiệm và định hướng ứng dụng AI hiệu quả, có đạo đức trong giáo dục đại học.

Từ khoá: Trí tuệ nhân tạo (AI), kết quả học tập, sinh viên đại học, học tập tự điều chỉnh

Summary

In the context of digital transformation in education, this study proposes a comprehensive model for evaluating the impact of Artificial Intelligence (AI) use on university students’ academic performance. The model is grounded in the Technology Acceptance Model, Self-Regulated Learning Theory, and Cognitive Load Theory. The independent variable is the extent of AI use in learning. The model includes two mediating variables: perceived usefulness of AI and self-regulated learning skills. The dependent variable is students’ academic performance. The study investigates the mediating roles of perception and learning skills, and also analyzes differences based on gender, academic discipline, and year of study. This model serves as a foundation for empirical research and provides a framework for promoting the ethical and effective application of AI in higher education.

Keywords: Artificial intelligence (AI), academic performance, university students, self-regulated learning

GIỚI THIỆU

Trong bối cảnh chuyển đổi số đang diễn ra mạnh mẽ trên toàn cầu, trí tuệ nhân tạo (AI) đã và đang trở thành một công cụ quan trọng hỗ trợ quá trình học tập và giảng dạy trong giáo dục đại học. Các công cụ AI như: ChatGPT, Grammarly, Notion AI hay các nền tảng AI-based tutoring systems đang ngày càng được sinh viên sử dụng rộng rãi để hỗ trợ nhiều hoạt động học tập như tra cứu thông tin, luyện viết, giải bài tập, lập kế hoạch học tập, thậm chí là mô phỏng các tình huống học thuật. AI không chỉ cung cấp nguồn tri thức phong phú, mà còn hỗ trợ người học cá nhân hóa quá trình học, tăng tốc độ tiếp thu, cũng như giúp giảm tải nhận thức khi xử lý lượng thông tin lớn.

Tại Việt Nam, làn sóng ứng dụng các công cụ AI trong học tập cũng diễn ra rất mạnh mẽ, đặc biệt trong giới sinh viên. Chỉ trong vòng chưa đầy hai năm sau khi ChatGPT ra mắt, số lượng người dùng sinh viên tăng đột biến, nhiều sinh viên đã tích hợp AI vào thói quen học hàng ngày. Tuy nhiên, song song với đó là những lo ngại ngày càng gia tăng về sự lệ thuộc vào công nghệ, nguy cơ giảm kỹ năng tư duy phản biện, hay vấn đề đạo đức học thuật khi AI được sử dụng để làm thay người học. Trong khi một số nghiên cứu quốc tế chỉ ra mối quan hệ tích cực giữa việc sử dụng công nghệ AI và kết quả học tập (Lee và Chen, 2023; Al-Khateeb, 2022), thì các bằng chứng định lượng rõ ràng trong bối cảnh giáo dục đại học Việt Nam vẫn còn khá hạn chế.

Khoảng trống nghiên cứu hiện nay nằm ở việc thiếu các nghiên cứu thực nghiệm đánh giá mức độ và cách thức sinh viên sử dụng AI trong học tập, cũng như mối liên hệ giữa việc sử dụng này với kết quả học tập thực tế hoặc cảm nhận hiệu quả học tập. Ngoài ra, hiện tượng sử dụng AI trong học tập vẫn đang ở giai đoạn đầu, và chưa có nhiều công trình tiếp cận từ góc nhìn dữ liệu khảo sát sinh viên, đặc biệt là các phân tích định lượng mang tính hệ thống.

Do đó, cần thiết có một nghiên cứu nhằm đo lường mức độ sử dụng AI trong học tập của sinh viên thông qua việc xây dựng mô hình nghiên cứu ảnh hưởng của trí tuệ nhân tạo (AI) đến kết quả học tập của sinh viên.

CƠ SỞ LÝ THUYẾT

Các lý thuyết nền tảng

Mô hình chấp nhận công nghệ (Technology Acceptance Model – TAM) do Davis (1989) đề xuất, đã lý giải sự chấp nhận và sử dụng công nghệ thông qua 2 yếu tố chính: (1) Tính hữu ích cảm nhận (perceived usefulness) – mức độ người dùng tin rằng, công nghệ giúp cải thiện hiệu quả công việc hoặc học tập; (2) Tính dễ sử dụng cảm nhận (perceived ease of use) – mức độ người dùng tin rằng việc sử dụng công nghệ là dễ dàng. Trong nghiên cứu này, TAM được dùng để lý giải việc sinh viên sử dụng AI như một công cụ học tập dựa trên nhận thức về tính hữu ích và tính dễ sử dụng của AI.

Lý thuyết học tập tự điều chỉnh (Self-Regulated Learning – SRL). Theo Zimmerman (2002), học tập tự điều chỉnh là quá trình người học chủ động lập kế hoạch, giám sát và đánh giá hành vi học tập của bản thân. Kỹ năng SRL được xem là yếu tố nền tảng giúp sinh viên sử dụng AI hiệu quả, bởi sinh viên có khả năng SRL cao sẽ biết sử dụng AI như một công cụ hỗ trợ, thay vì lệ thuộc hoàn toàn. Do đó, SRL được đưa vào mô hình như một biến trung gian ảnh hưởng đến mối quan hệ giữa sử dụng AI và kết quả học tập.

Lý thuyết tải nhận thức (Cognitive Load Theory – CLT): Theo Sweller (1988), tải nhận thức đề cập đến khối lượng thông tin mà người học cần xử lý trong một thời điểm. AI có thể làm giảm tải nhận thức bằng cách cung cấp các công cụ hỗ trợ học tập, như: gợi ý từ khóa, sửa lỗi logic, lập kế hoạch học tập…, từ đó cải thiện hiệu quả tiếp thu và ghi nhớ kiến thức. CLT giúp lý giải vì sao sinh viên cảm nhận việc học với AI là hiệu quả hơn so với học truyền thống đơn thuần.

Tổng quan nghiên cứu

Trí tuệ nhân tạo (AI) và ứng dụng trong giáo dục đại học

Trí tuệ nhân tạo (Artificial Intelligence – AI) được hiểu là khả năng của máy móc trong việc mô phỏng các hành vi trí tuệ của con người, như: học tập, suy luận, giải quyết vấn đề và ra quyết định (Russell và Norvig, 2016). Trong lĩnh vực giáo dục, AI đang được ứng dụng dưới nhiều hình thức, từ chatbot hỗ trợ học tập (như ChatGPT), công cụ kiểm tra ngữ pháp và cấu trúc văn bản (Grammarly), đến các hệ thống học tập cá nhân hóa (AI-based tutoring systems), hay nền tảng quản lý thời gian và công việc học tập như Notion AI.

Nghiên cứu của Holmes và cộng sự (2021) chỉ ra rằng, AI trong giáo dục có thể hỗ trợ người học cải thiện kết quả học tập, nâng cao sự tham gia và thúc đẩy học tập cá nhân hóa. Tuy nhiên, mức độ hiệu quả phụ thuộc vào cách thức sử dụng, nhận thức công nghệ, và kỹ năng tự học của sinh viên.

Kết quả học tập và các yếu tố ảnh hưởng

Kết quả học tập của sinh viên thường được đo bằng các chỉ số định lượng như điểm trung bình học tập (GPA), hoặc đánh giá định tính như sự tiến bộ cá nhân, mức độ hiểu bài, khả năng vận dụng kiến thức. Theo nghiên cứu của Zimmerman (2002), các yếu tố ảnh hưởng đến kết quả học tập gồm: Năng lực tự điều chỉnh học tập (self-regulated learning), Mức độ gắn kết (engagement), Khả năng tư duy phản biện, Sự hỗ trợ từ môi trường học tập.

Việc sử dụng công nghệ, đặc biệt là AI, đang ngày càng được xem là một yếu tố trung gian tác động đến các yếu tố kể trên. Chẳng hạn, AI có thể giúp sinh viên tiết kiệm thời gian, hỗ trợ luyện tập cá nhân hóa, từ đó cải thiện kết quả học tập (Al-Khateeb, 2022). Tuy nhiên, cũng có các quan điểm cho rằng việc lệ thuộc quá mức vào AI có thể làm giảm khả năng tư duy độc lập và sáng tạo (Lund và Wang, 2023).

Mối quan hệ giữa việc sử dụng AI và hiệu quả học tập

Các nghiên cứu gần đây đã bắt đầu khám phá mối quan hệ giữa việc sử dụng AI và kết quả học tập. Theo Lee và Chen (2023), sinh viên sử dụng ChatGPT để luyện viết học thuật có sự cải thiện rõ rệt về khả năng diễn đạt và lập luận. Tương tự, nghiên cứu của Huang và cộng sự (2022) cho thấy, học viên sử dụng hệ thống AI để luyện tập môn Toán có điểm kiểm tra cao hơn nhóm đối chứng. Tuy nhiên, các nghiên cứu này chủ yếu tập trung vào từng công cụ cụ thể và chưa đánh giá toàn diện mức độ sử dụng AI trong nhiều khía cạnh học tập khác nhau.

Ngoài ra, một số nghiên cứu nhấn mạnh vai trò của năng lực học tự điều chỉnh (SRL – Self-Regulated Learning) như một yếu tố trung gian, khi sinh viên biết sử dụng AI như công cụ hỗ trợ chứ không phải thay thế quá trình học (Panadero, 2017). Điều này gợi ý rằng, mối quan hệ giữa AI và kết quả học tập có thể không chỉ là tuyến tính, mà còn bị ảnh hưởng bởi thái độ, kỹ năng và mục tiêu học tập của người học.

MÔ HÌNH NGHIÊN CỨU ĐỀ XUẤT VÀ GIẢ THUYẾT NGHIÊN CỨU

Từ các khung lý thuyết và tổng quan nghiên cứu nói trên, mô hình nghiên cứu đề xuất như Hình gồm:

– Biến độc lập: Mức độ sử dụng AI trong học tập;

– Biến trung gian: Nhận thức về tính hữu ích của AI (TAM), Kỹ năng học tập tự điều chỉnh;

– Biến phụ thuộc: Kết quả học tập (GPA và cảm nhận hiệu quả học tập);

– Biến điều tiết: Giới tính, chuyên ngành, năm học.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Tác giả đề xuất

Các giả thuyết nghiên cứu được đưa ra như sau:

H1: Mức độ sử dụng AI có ảnh hưởng tích cực đến Kết quả học tập của sinh viên.

H2: Mức độ sử dụng AI có ảnh hưởng tích cực đến Nhận thức về tính hữu ích của AI.

H3: Nhận thức về tính hữu ích của AI có ảnh hưởng tích cực đến Kết quả học tập của sinh viên.

H4: Kỹ năng học tập tự điều chỉnh có ảnh hưởng tích cực đến Kết quả học tập của sinh viên.

H5: Kỹ năng học tập tự điều chỉnh đóng vai trò trung gian trong mối quan hệ giữa Mức độ sử dụng AI và Kết quả học tập của sinh viên.

H6: Có sự khác biệt có ý nghĩa thống kê trong Mức độ sử dụng AI theo giới tính, chuyên ngành và năm học.

KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

Mô hình nghiên cứu ảnh hưởng của AI đến kết quả học tập của sinh viên với biến độc lập là Mức độ sử dụng AI trong học tập; Biến trung gian gồm 2 biến: Nhận thức về tính hữu ích của AI, Kỹ năng học tập tự điều chỉnh; Biến phụ thuộc là Kết quả học tập của sinh viên. Nghiên cứu cũng phân tích sự khác biệt theo giới tính, ngành học và năm học. Các giả thuyết nghiên cứu sẽ được kiểm định bằng các phương pháp phân tích thống kê định lượng như: phân tích tương quan Pearson, hồi quy tuyến tính bội, phân tích trung gian (mediating analysis) và kiểm định ANOVA cho các nhóm khác nhau.

Nghiên cứu kỳ vọng sẽ cung cấp thêm bằng chứng thực nghiệm về vai trò của AI trong giáo dục đại học, đồng thời đưa ra các hàm ý thiết thực cho sinh viên, giảng viên và nhà trường trong việc ứng dụng AI một cách hiệu quả và có đạo đức. Đồng thời, làm rõ vai trò của các yếu tố trung gian trong mối quan hệ giữa AI và kết quả học tập./.

TÀI LIỆU THAM KHẢO

1. Al-Khateeb, B. (2022). The impact of artificial intelligence applications on students’ academic performance: An empirical study. International Journal of Emerging Technologies in Learning (iJET), 17(4), 145–155. https://doi.org/10.3991/ijet.v17i04.28723.

2. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008.

3. Holmes, W., Bialik, M., Fadel, C. (2021). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign.

4. Huang, K., Liu, Y., Wang, X. (2022). Artificial Intelligence tutoring systems and mathematics performance: Evidence from high school students. Journal of Educational Computing Research, 60(2), 217–235. https://doi.org/10.1177/07356331211036896.

5. Lee, C., Chen, H. (2023). Exploring ChatGPT as a learning tool in academic writing: Benefits and limitations. Journal of Educational Technology Development and Exchange, 16(1), Article 3. https://doi.org/10.18785/jetde.1601.03.

6. Lund, B. D., Wang, T. (2023). The dark side of AI in education: Ethical implications of AI-assisted cheating. Ethics and Information Technology, 25(1), 9–22. https://doi.org/10.1007/s10676-023-09667-3.

7. Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in Psychology, 8, 422. https://doi.org/10.3389/fpsyg.2017.00422.

8. Russell, S., Norvig, P. (2016). Artificial Intelligence: A Modern Approach (3rd ed.). Pearson Education.

9. Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4.

10. Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2.