Ảnh hưởng của ChatGPT đến động lực học tập và khả năng tự học của sinh viên trường Đại học Thành Đông

Nguyễn Thị Thanh Hằng

Email: [email protected]

Giảng viên Khoa Kinh tế - QTKD, Trường Đại học Thành Đông

Tóm tắt

Nghiên cứu này nhằm đánh giá tác động của ChatGPT đến động lực học tập và khả năng tự học của sinh viên Trường Đại học Thành Đông trong bối cảnh trí tuệ nhân tạo ngày càng phổ biến trong giáo dục đại học. Dữ liệu được thu thập từ 350 sinh viên thuộc nhiều ngành học và phân tích bằng mô hình PLS-SEM. Kết quả cho thấy, việc Sử dụng ChatGPT có ảnh hưởng tích cực và mạnh đến Động lực học tập; đồng thời có tác động trực tiếp nhưng mức độ trung bình đến Khả năng tự học. Động lực học tập được xác định là yếu tố ảnh hưởng mạnh nhất đến Khả năng tự học và đóng vai trò trung gian quan trọng trong mô hình. Điều này cho thấy, ChatGPT chỉ phát huy hiệu quả tối đa khi sinh viên có động lực nội tại đủ mạnh.

Từ khóa: ChatGPT, động lực học tập, khả năng tự học, trí tuệ nhân tạo trong giáo dục

Abstract

This study aims to evaluate the impact of ChatGPT on students' learning motivation and self-directed learning ability at Thanh Dong University, in the context of the growing prevalence of artificial intelligence in higher education. Data were collected from 350 students across various academic disciplines and analyzed using PLS-SEM. The results indicate that the use of ChatGPT has a strong positive impact on learning motivation and a direct, but moderate, effect on self-directed learning ability. Learning motivation was identified as the factor with the strongest influence on self-directed learning ability and plays an important mediating role in the model. These findings suggest that ChatGPT can achieve maximum effectiveness only when students possess sufficiently strong intrinsic motivation.

Keywords: ChatGPT, learning motivation, self-directed learning ability, artificial intelligence in education

ĐẶT VẤN ĐỀ

Sự phát triển mạnh mẽ của trí tuệ nhân tạo tạo sinh (Generative AI) trong những năm gần đây, đặc biệt với sự ra đời của ChatGPT, đã tạo nên bước ngoặt trong giáo dục đại học. ChatGPT không chỉ cung cấp khả năng trả lời câu hỏi theo ngôn ngữ tự nhiên mà còn hỗ trợ sinh viên giải thích khái niệm, tóm tắt tài liệu, xây dựng dàn ý, gợi ý lập luận và thậm chí mô phỏng tình huống học tập. Theo Zhou và Li (2023), việc sử dụng ChatGPT giúp sinh viên giảm bớt rào cản khi tiếp cận tri thức, từ đó gia tăng động lực học tập thông qua việc thỏa mãn các nhu cầu tâm lý cốt lõi trong Lý thuyết tự quyết định (Self-Determination Theory - SDT). Các nghiên cứu quốc tế gần đây cũng chỉ ra rằng ChatGPT có thể tạo ra môi trường học tập cá nhân hóa, tăng cường cảm nhận năng lực và khả năng tự chủ của sinh viên (Lahby, 2024; Wang và Fan, 2025).

Mặc dù đã có nhiều nghiên cứu về ChatGPT trong giáo dục, đa phần các nghiên cứu tại Việt Nam mới dừng lại ở mức mô tả thực trạng hoặc khảo sát nhận thức. Chưa có nghiên cứu nào kiểm định một mô hình đầy đủ về mối quan hệ giữa việc sử dụng ChatGPT, động lực học tập và khả năng tự học trong bối cảnh Trường Đại học Thành Đông. Bởi vậy, nghiên cứu này không chỉ mang ý nghĩa lý luận mà còn có giá trị thực tiễn quan trọng, giúp giảng viên và Nhà trường xây dựng chiến lược hỗ trợ sinh viên học tập hiệu quả trong thời đại AI.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Lý thuyết tự quyết định (Self Determination Theory - SDT)

Lý thuyết SDT của Ryan và Deci (1985) là nền tảng quan trọng để giải thích động lực học tập khi sinh viên tiếp cận công nghệ. SDT cho rằng động lực nội tại của người học được hình thành thông qua việc thỏa mãn 3 nhu cầu tâm lý cơ bản: tự chủ, cảm nhận năng lực và gắn kết. ChatGPT có thể tác động đến 2 nhu cầu đầu tiên. Thứ nhất, khả năng cung cấp phản hồi tức thì và giải thích chi tiết giúp tăng cảm nhận năng lực, từ đó khuyến khích sinh viên tiếp tục học (Zhou và Li, 2023). Thứ hai, giúp sinh viên chủ động lựa chọn thông tin, tốc độ và chiến lược học tập, từ đó tăng cảm nhận tự chủ. Khi 2 nhu cầu này được thỏa mãn, sinh viên có xu hướng phát triển động lực học tập bền vững.

Lý thuyết học tập tự điều chỉnh (Self Regulated Learning - SRL)

Theo Zimmerman (2002), học tập tự điều chỉnh bao gồm 3 giai đoạn: (1) Lập kế hoạch, (2) Giám sát thực thi và (3) Tự phản hồi, điều chỉnh. ChatGPT có thể hỗ trợ sinh viên trong từng giai đoạn bằng cách gợi ý mục tiêu học tập, giải thích các bước giải quyết vấn đề, kiểm tra mức độ hiểu bài và đề xuất điều chỉnh phương pháp học (Zimmerman, 2002). Các nghiên cứu gần đây cho thấy, ChatGPT thúc đẩy việc hình thành chiến lược học tập hiệu quả, đặc biệt là với sinh viên có kỹ năng tự học ở mức trung bình (Wang và Fan, 2025). Tuy nhiên, nếu sinh viên phụ thuộc quá mức vào ChatGPT thay vì tự xử lý thông tin, SRL có thể suy giảm do thiếu hoạt động nhận thức sâu.

Mối quan hệ giữa sử dụng ChatGPT, động lực học tập và khả năng tự học

Dựa trên SDT và SRL, có thể dự đoán rằng, việc sử dụng ChatGPT ảnh hưởng đến khả năng tự học thông qua kênh trung gian là động lực học tập. Cụ thể, ChatGPT giúp sinh viên cảm thấy tự tin hơn và dễ tiếp cận tri thức hơn, từ đó hình thành động lực nội tại mạnh mẽ hơn. Động lực này tiếp tục thúc đẩy việc lập kế hoạch học tập, theo dõi tiến độ và tự đánh giá, đây là các thành phần cốt lõi của tự học. Cách tiếp cận này phù hợp với các phát hiện của Noels và cộng sự (2000) về vai trò của động lực trong học tập ngôn ngữ và các nghiên cứu gần đây về học tập hỗ trợ bởi AI cho thấy động lực học tập là biến trung gian quan trọng trong mô hình tác động của AI (Li và cộng sự, 2025).

Từ các lập luận trên, việc kiểm định mô hình “Sử dụng ChatGPT → Động lực học tập → Khả năng tự học” là có cơ sở lý thuyết vững chắc và phù hợp với bối cảnh giáo dục đại học trong thời đại AI.

Mô hình nghiên cứu

Dựa trên cơ sở lý thuyết về động lực học tập, học tập tự điều chỉnh và các nghiên cứu thực nghiệm liên quan đến việc sử dụng ChatGPT trong giáo dục đại học, mô hình nghiên cứu được đề xuất nhằm kiểm định mối quan hệ giữa 3 biến chính: Sử dụng ChatGPT (CGPT), Động lực học tập (MOT) và Khả năng tự học (SL) của sinh viên Đại học Thành Đông như Hình.

Hình 1: Mô hình nghiên cứu

Nguồn: Đề xuất của tác giả

Giả thuyết nghiên cứu

Trên nền tảng mô hình lý thuyết và các kết quả nghiên cứu trước, các giả thuyết nghiên cứu được đề xuất như sau:

H1: Sử dụng ChatGPT có ảnh hưởng tích cực đến động lực học tập của sinh viên. Giả thuyết này dựa trên nhận định rằng, ChatGPT giúp thỏa mãn nhu cầu tự chủ và cảm nhận năng lực, từ đó tăng động lực nội tại (Deci và Ryan, 2000; Zhou và Li, 2023).

H2: Sử dụng ChatGPT có ảnh hưởng tích cực đến khả năng tự học của sinh viên. ChatGPT cung cấp gợi ý học tập, phản hồi tức thì, giúp sinh viên lập kế hoạch và hỗ trợ tự kiểm tra, từ đó cải thiện năng lực tự học (Wang và cộng sự, 2025).

H3: Động lực học tập có ảnh hưởng tích cực đến khả năng tự học.

Theo các nghiên cứu về SRL, động lực là yếu tố tiên quyết giúp sinh viên duy trì nỗ lực, lựa chọn chiến lược học phù hợp và tự giám sát quá trình học (Zimmerman, 2002; Pintrich, 2004).

H4: Động lực học tập đóng vai trò trung gian trong mối quan hệ giữa sử dụng ChatGPT và khả năng tự học.

Giả thuyết này cho rằng tác động của ChatGPT đối với khả năng tự học phụ thuộc một phần vào việc công cụ này có làm tăng động lực học tập của sinh viên hay không (Shi và cộng sự, 2025).

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu này sử dụng phương pháp định lượng nhằm kiểm định các giả thuyết về mối quan hệ giữa việc sử dụng ChatGPT, động lực học tập và khả năng tự học của sinh viên Đại học Thành Đông. Dữ liệu được thu thập thông qua bảng hỏi khảo sát thiết kế dựa trên các thang đo quốc tế đã được kiểm chứng. Các thang đo sử dụng thang Likert 5 mức, mẫu khảo sát được thu thập theo phương pháp thuận tiện có kiểm soát, với tổng số 350 sinh viên hợp lệ thuộc nhiều ngành khác nhau.

Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Đánh giá mô hình đo lường

Độ tin cậy và tính nhất quán nội tại (Cronbach’s Alpha, CR)

Bảng 1: Kết quả về độ tin cậy cấu trúc và tính nhất quán nội tại

Nguồn: Tổng hợp dữ liệu từ phần mềm Smart SPL 3.0

Kết quả phân tích độ tin cậy và giá trị hội tụ cho 3 biến CGPT, MOT và SL ở Bảng 1 cho thấy thang đo đạt mức tin cậy và độ phù hợp rất tốt theo khuyến nghị của Hair và cộng sự (2019). Trước hết, Cronbach’s Alpha đều trên 0.82 (CGPT = 0.856; MOT = 0.824; SL = 0.872), thể hiện mức độ nhất quán nội tại cao giữa các biến quan sát. Điều này đồng thời cho thấy các biến yếu đã được loại bỏ, giúp thang đo trở nên tinh gọn và ổn định hơn.

Bên cạnh đó, rho_A của cả 3 biến đều vượt ngưỡng 0,84, chứng minh thang đo có độ tin cậy cấu trúc tốt và không chịu ảnh hưởng lớn từ sai số đo lường. CR cũng đạt mức cao (0.874-0.903), phản ánh các biến quan sát đo lường tốt cùng một khái niệm và không bị trùng lặp nội dung.

Về giá trị hội tụ, tất cả thang đo đều có AVE trên 0.5 (CGPT = 0.515; MOT = 0.543; SL = 0.575), khẳng định các thang đo giải thích được trên 50% phương sai của các biến quan sát và đạt yêu cầu về mức độ đại diện.

Tổng thể, các chỉ số độ tin cậy và hội tụ đều đạt chuẩn, cho thấy mô hình đo lường có chất lượng tốt, hoàn toàn phù hợp để tiếp tục nghiên cứu các bước tiếp theo như đánh giá giá trị phân biệt, kiểm định mô hình cấu trúc và xác nhận các giả thuyết đề xuất.

Giá trị hội tụ (Hệ số tải ngoài, AVE)
Kết quả phân tích Outer Loadings cho thấy đa số biến quan sát trong các thang đo CGPT, MOT và SL đều đạt tải ngoài cao (> 0.75), phản ánh tốt khái niệm tiềm ẩn. Tuy nhiên, 3 biến CGPT8 (0.437), MOT6 (0.438) và SL6 (0.504) đều thấp hơn ngưỡng chấp nhận 0.7, cho thấy chúng không đóng góp tốt vào giá trị hội tụ của thang đo.

CGPT8 mang tính đo tần suất sử dụng thực tế, không phản ánh đầy đủ nhận thức học tập; MOT6 có nội dung mơ hồ và trùng lặp với các biến động lực khác; còn SL6 có tính giao thoa giữa CGPT và SL nên không đảm bảo tính thuần khái niệm. Vì vậy, việc loại bỏ 3 biến này là cần thiết để cải thiện chất lượng mô hình đo lường.

Sau khi loại biến yếu, các tải ngoài còn lại đều cao và ổn định, giúp tăng giá trị hội tụ và độ tin cậy của thang đo, đồng thời đảm bảo mô hình đo lường đáp ứng tiêu chuẩn SEM để tiếp tục phân tích mô hình cấu trúc và kiểm định giả thuyết.

Giá trị phân biệt (HTMT)

Bảng 2: Kết quả đánh giá giá trị phân biệt (HTMT)

Nguồn: Tổng hợp dữ liệu từ phần mềm Smart SPL 3.0

Kết quả đánh giá giá trị phân biệt theo tiêu chí Fornell-Larcker cho thấy, mô hình đạt yêu cầu. Cụ thể, căn bậc hai AVE của từng biến (CGPT = 0.74; MOT = 0.78; SL = 0.85, hiển thị dưới dạng 0.580; 0.722 là giá trị liên quan) đều lớn hơn các hệ số tương quan giữa các cấu trúc. Điều này chứng minh rằng mỗi biến trong mô hình: Sử dụng ChatGPT, Động lực học tập và Khả năng tự học đều đo lường một khái niệm riêng biệt và không bị trùng lẫn.

Hệ số tương quan CGPT-MOT (0.580) và MOT-SL (0.722) đều thấp hơn căn AVE tương ứng, cho thấy giá trị phân biệt được đảm bảo. Tương tự, tương quan CGPT-SL (0.551) nhỏ hơn đáng kể so với căn AVE của SL, điều này khẳng định các cấu trúc không bị giao thoa mạnh.

Tổng thể, kết quả Fornell-Larcker cho thấy mô hình đo lường đạt giá trị phân biệt tốt, cho phép tiếp tục phân tích mô hình cấu trúc và kiểm định giả thuyết một cách tin cậy.

Kiểm định đa cộng tuyến (VIF ngoài)

Kết quả phân tích đa cộng tuyến (VIF) cho các biến quan sát cho thấy tất cả giá trị VIF đều nằm trong khoảng 1.12-2.32, thấp hơn nhiều so với ngưỡng cảnh báo 5 và thậm chí dưới cả ngưỡng nghiêm ngặt 3.3 theo khuyến nghị của Hair và cộng sự (2022). Điều này chứng tỏ không có hiện tượng đa cộng tuyến đáng kể giữa các biến quan sát trong từng thang đo. Các giá trị VIF của thang đo CGPT dao động từ 1.156 đến 2.122; của MOT từ 1.122 đến 1.884; và của SL từ 1.177 đến 2.323 đều nằm trong mức an toàn. Điều này cho thấy, các biến quan sát không trùng lặp nội dung quá mức và không gây ảnh hưởng tiêu cực đến độ ổn định của mô hình đo lường. Tổng thể, kết quả VIF khẳng định mô hình đạt tính độc lập giữa các biến quan sát, đảm bảo điều kiện cần thiết để tiếp tục phân tích mô hình cấu trúc mà không lo sai lệch do đa cộng tuyến.

Đánh giá mô hình cấu trúc

Đa cộng tuyến giữa các khái niệm (VIF trong)

Kết quả phân tích đa cộng tuyến ở mức Inner VIF cho thấy tất cả các giá trị đều nằm trong khoảng 1.000-1.344, thấp hơn nhiều so với ngưỡng 5 và thậm chí dưới mức 3.3 theo khuyến nghị của Hair và cộng sự (2019). Điều này chứng tỏ các biến tiềm ẩn: CGPT và MOT không xảy ra hiện tượng đa cộng tuyến khi dự báo biến SL. Giá trị VIF của CGPT = 1.000 trong phương trình MOT cho thấy không có sự chồng lấn thông tin; tương tự, VIF = 1.344 của CGPT và MOT trong phương trình SL cho thấy mức độ độc lập tốt giữa các biến. Như vậy, mô hình cấu trúc đạt tính ổn định cao, đảm bảo điều kiện phù hợp để kiểm định các giả thuyết tiếp theo.

Hệ số xác định và mức độ liên quan dự đoán (R², Q²)

Kết quả R Square cho thấy mức độ giải thích của mô hình đối với 2 biến phụ thuộc là MOT và SL đạt mức trung bình - khá theo chuẩn của Hair và cộng sự (2022). Cụ thể, R² của MOT = 0.256 nghĩa là biến Sử dụng ChatGPT giải thích được 25.6% sự biến thiên của động lực học tập. Mức này được xem là phù hợp trong các nghiên cứu hành vi, nơi động lực chịu tác động bởi nhiều yếu tố khác (như môi trường học, phong cách giảng dạy, đặc điểm cá nhân).

Đối với Khả năng tự học, R² = 0.421, cho thấy 2 biến CGPT và MOT giải thích 42.1% sự thay đổi của năng lực tự học. Đây là mức R² khá mạnh, hàm ý rằng mô hình dự báo tốt và các biến giải thích đóng vai trò quan trọng trong việc hình thành khả năng tự học của sinh viên.

Nhìn chung, các giá trị R² cho thấy mô hình có sức mạnh giải thích tốt, phù hợp với bối cảnh nghiên cứu về hành vi học tập và đủ nền tảng để thực hiện các kiểm định giả thuyết tiếp theo.

Hệ số hiệu ứng cục bộ (f²)

Kết quả phân tích f Square cho thấy mức độ ảnh hưởng của các biến độc lập lên biến phụ thuộc trong mô hình ở mức đáng kể. Cụ thể, CGPT → MOT có f² = 0.344, được xem là tác động mạnh theo tiêu chuẩn của Cohen (1988), cho thấy việc sử dụng ChatGPT đóng vai trò quan trọng trong nâng cao động lực học tập. Tiếp theo, MOT → SL có f² = 0.335, cũng thuộc mức tác động mạnh, phản ánh động lực học tập là yếu tố quyết định đối với khả năng tự học.

Ngược lại, CGPT → SL chỉ có f² = 0.061, tương ứng với tác động nhỏ, hàm ý rằng ChatGPT không ảnh hưởng trực tiếp mạnh đến tự học, mà chủ yếu tác động gián tiếp thông qua động lực học tập. Nhìn chung, kết quả f² củng cố mô hình lý thuyết: ChatGPT ảnh hưởng mạnh đến động lực, và động lực mới là yếu tố thúc đẩy tự học. Điều này phù hợp với vai trò trung gian của MOT trong nghiên cứu.

Hệ số đường dẫn và kiểm định giả thuyết (β, t-value, P-value)

Bảng 3: Kết quả phân tích hệ số đường dẫn

Nguồn: Tổng hợp dữ liệu từ phần mềm Smart SPL 3.0

Kết quả phân tích hệ số đường dẫn cho thấy cả 3 mối quan hệ trong mô hình đều có ý nghĩa thống kê cao (p = 0.000), chứng tỏ các giả thuyết nghiên cứu đều được chấp nhận. Đầu tiên, CGPT → MOT có hệ số β = 0.506, T = 13.247, cho thấy tác động mạnh và rõ rệt. Điều này khẳng định việc sử dụng ChatGPT góp phần đáng kể vào nâng cao động lực học tập của sinh viên, phù hợp với các nghiên cứu quốc tế về ảnh hưởng của AI lên động lực nội tại.

Đối với khả năng tự học, mối quan hệ CGPT → SL có hệ số β = 0.218, T = 4.334. Mặc dù tác động này có ý nghĩa thống kê, mức độ ảnh hưởng chỉ ở mức trung bình - thấp, phù hợp với kết quả f² cho thấy tác động trực tiếp của ChatGPT lên khả năng tự học tương đối nhỏ. Điều này gợi ý rằng, ChatGPT hỗ trợ sinh viên ở mức độ công cụ hơn là tác nhân chính thúc đẩy tự học.

Cuối cùng, MOT → SL có hệ số β = 0.511, T = 11.676, thể hiện tác động mạnh và có ý nghĩa cao. Đây là minh chứng rõ ràng rằng động lực học tập là yếu tố quan trọng nhất trong việc thúc đẩy khả năng tự học và đóng vai trò trung gian đáng kể trong mô hình.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết quả nghiên cứu cho thấy, Sử dụng ChatGPT có tác động mạnh và có ý nghĩa thống kê đến Động lực học tập (β = 0.506). Điều này phản ánh rằng ChatGPT không chỉ đóng vai trò là công cụ hỗ trợ kỹ thuật mà còn góp phần nâng cao cảm nhận năng lực, sự hứng thú và khả năng duy trì mục tiêu học tập của sinh viên. Bên cạnh đó, Sử dụng ChatGPT cũng có tác động trực tiếp nhưng mức độ trung bình đến Khả năng tự học (β = 0.218), cho thấy sinh viên sử dụng công cụ này để hỗ trợ quá trình tìm hiểu, giải thích nội dung và củng cố kiến thức.

Động lực học tập là yếu tố ảnh hưởng mạnh nhất đến Khả năng tự học (β = 0.511) và đóng vai trò trung gian quan trọng trong mô hình. Điều này chứng minh rằng, ChatGPT chỉ phát huy tác dụng tối đa đối với tự học khi sinh viên có động lực nội tại đủ mạnh. Kết quả này phù hợp với Lý thuyết tự quyết và Lý thuyết học tập tự điều chỉnh; đồng thời bổ sung bằng chứng thực nghiệm trong bối cảnh Việt Nam.

Từ kết quả này, một số hàm ý quản trị được đưa ra như sau:

Tích hợp ChatGPT vào hoạt động dạy - học một cách có hệ thống và có định hướng

ChatGPT có tác động mạnh đến động lực học tập của sinh viên (β = 0.506), vì vậy nhà trường cần xem AI như một phần quan trọng trong chiến lược đổi mới phương pháp giảng dạy. Nên xây dựng các mô-đun ứng dụng ChatGPT trong từng môn học, hướng dẫn sinh viên sử dụng AI để phân tích bài học, đặt câu hỏi, mô phỏng tình huống...

Phát triển chương trình đào tạo kỹ năng sử dụng AI nhằm tăng hiệu quả tự học

Tác động của ChatGPT lên khả năng tự học còn ở mức trung bình (β = 0.218), cho thấy sinh viên vẫn chưa biết khai thác hết tiềm năng của công cụ. Do đó, Nhà trường cần tổ chức các khóa học hoặc workshop về kỹ năng số, bao gồm: kỹ năng đặt câu hỏi thông minh, cách kiểm chứng thông tin do AI sinh ra, cách sử dụng ChatGPT để lập kế hoạch học tập, phân tích nội dung, và tổng hợp tài liệu. Đồng thời, cần đào tạo tư duy phản biện và kỹ năng xử lý thông tin để sinh viên không phụ thuộc hoàn toàn vào AI...

Tăng cường xây dựng hệ thống hỗ trợ học tập dựa trên AI trong nội bộ nhà trường

Trường Đại học Thành Đông có thể xây dựng “Trợ lý học tập AI nội bộ” dựa trên ChatGPT, tích hợp với tài liệu giảng dạy, giáo trình, câu hỏi ôn tập, bài tập mẫu và hệ thống quản lý học tập. Hệ thống này có thể hỗ trợ sinh viên 24/7, đặc biệt trong các môn học nền tảng hoặc các môn đòi hỏi diễn giải sâu. Ngoài ra, các khoa có thể xây dựng thư viện câu hỏi, câu trả lời AI để giảm tải công việc cho giảng viên và tăng hiệu quả tương tác học tập...

Thiết kế môi trường học tập nuôi dưỡng động lực - yếu tố tác động mạnh nhất lên tự học

Vì Động lực học tập ảnh hưởng mạnh đến Khả năng tự học (β = 0.511), Nhà trường và giảng viên cần chú trọng tạo môi trường học tập khuyến khích sự chủ động, sáng tạo và cảm giác năng lực. Điều này có thể được thực hiện thông qua: gia tăng phản hồi cá nhân hóa, trao quyền lựa chọn về chủ đề và hình thức làm bài, áp dụng phương pháp học theo dự án), chia nhóm thảo luận, và tăng cường hoạt động trải nghiệm thực tế...

Ban hành Bộ quy tắc đạo đức và chính sách sử dụng AI rõ ràng, minh bạch và khả thi

Để tránh lạm dụng AI và đảm bảo tính liêm chính học thuật, cần xây dựng quy chế về sử dụng ChatGPT trong bài tập, báo cáo, luận văn và kiểm tra. Đồng thời, nên khuyến khích “minh bạch AI”, yêu cầu sinh viên báo cáo cách họ đã sử dụng ChatGPT trong quá trình làm bài...

Tài liệu tham khảo:

1. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

2. Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227-268. https://doi.org/10.1207/S15327965PLI1104_01

3. Deng, X., & Yu, Z. (2024). A meta-analysis of the effects of ChatGPT on cognitive and non-cognitive outcomes in education. Journal of Computer Assisted Learning. https://doi.org/10.1111/jcal.12964

4. 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

5. Hair, J. F., Tomas, G., Hult, M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). https://www.researchgate.net/publication/354331182

6. Lahby, M. (2024). Empowering Digital Education with ChatGPT: From Theoretical to Practical Applications. In Empowering Digital Education with ChatGPT: From Theoretical to Practical Applications. CRC Press. https://doi.org/10.1201/9781032716350

7. Li, J., King, R. B., Chai, C. S., Zhai, X., & Lee, V. W. Y. (2025). The AI Motivation Scale (AIMS): a self-determination theory perspective. Journal of Research on Technology in Education. https://doi.org/10.1080/15391523.2025.2478424

8. Noels, K. A., Pelletier, L. G., Cl, R., & Vallerand, R. J. (2000). Why Are You Learning a Second Language? Motivational Orientations and Self-Determination Theory.

9. Pintrich, P. R. (2004). A Conceptual Framework for Assessing Motivation and Self-Regulated Learning in College Students. In Educational Psychology Review, 16(4).

10. Ryan, R. M., & Deci, E. L. (1985). Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-Being Self-Determination Theory. Ryan.

11. Shi, Y., Wang, T., & Fan, W. (2025). The mediating role of learning motivation in the relationship between generative AI use and self-study ability among university students. Journal of Educational Technology & Society.

12. Venkatesh, V., & Davis, F. D. (2000). 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

13. Wang, J., & Fan, W. (2025a). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis. In Humanities and Social Sciences Communications, 12(1). Springer Nature. https://doi.org/10.1057/s41599-025-04787-y

14. Zafar, S., Shaheen, F., & Rehan, J. (2024). Use of ChatGPT and Generative AI in Higher Education: Opportunities, Obstacles and Impact on Student Performance. IRASD Journal of Educational Research, 5(1), 01-12. https://doi.org/10.52131/jer.2024.v5i1.2463

15. Zhou, L., & Li, J. (2023). The Impact of ChatGPT on Learning Motivation: A Study Based on Self-Determination Theory. Education Science and Management, 1(1), 19-29. https://doi.org/10.56578/esm010103

16. Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. In Theory into Practice, 41(2), 64-70. Ohio State University Press. https://doi.org/10.1207/s15430421tip41022