Các nhân tố ảnh hưởng đến ý định tiếp tục sử dụng GenAI của nhân viên tại các ngân hàng thương mại cổ phần Việt Nam: Tiếp cận theo mô hình SOR

Huỳnh Long Uyển (Tác giả liên hệ)

Công ty Cổ phần Chứng khoán HD (HDS);

Email: [email protected]; ORCID: 0009-0009-6843-6146

TS. Trịnh Hoàng Nam

Trường Đại học Ngân hàng Thành phố Hồ Chí Minh; Email: [email protected]

Tóm tắt

Nghiên cứu phân tích các nhân tố ảnh hưởng đến ý định tiếp tục sử dụng trí tuệ nhân tạo tạo sinh (GenAI) của nhân viên tại các ngân hàng thương mại cổ phần Việt Nam. Dựa trên mô hình Kích thích - Chủ thể - Phản hồi (SOR), có tham chiếu mô hình xác nhận kỳ vọng và lý thuyết cấu trúc thích ứng, mô hình gồm 7 khái niệm: tính nhân hóa, tính thông minh được cảm nhận và tính tương tác là kích thích; hành vi thích ứng công nghệ, niềm tin vào trí tuệ nhân tạo và rủi ro cảm nhận là cơ chế trung gian; ý định tiếp tục sử dụng là phản hồi. Dữ liệu khảo sát 300 nhân viên được phân tích bằng PLS-SEM trên SmartPLS 4. Kết quả ủng hộ 12 giả thuyết trực tiếp và 9 giả thuyết gián tiếp. Tính thông minh được cảm nhận có tác động mạnh nhất đến các cơ chế trung gian; niềm tin là yếu tố tác động trực tiếp mạnh nhất đến ý định tiếp tục sử dụng. Ba cơ chế trung gian giải thích 44,4% phương sai của ý định tiếp tục sử dụng; mô hình có năng lực dự báo ngoài mẫu ở cấp tổng thể. Nghiên cứu đề xuất hàm ý giúp ngân hàng nâng cao chất lượng đầu ra, xây dựng niềm tin có kiểm chứng, hỗ trợ thích ứng và kiểm soát rủi ro hiệu suất khi triển khai GenAI.

Từ khóa: Trí tuệ nhân tạo tạo sinh, ý định tiếp tục sử dụng, mô hình SOR, niềm tin vào AI, rủi ro cảm nhận, ngân hàng thương mại cổ phần

Mã JEL: O33, M15, G21

Abstract

This study examines the factors influencing employees’ continuance intention to use generative artificial intelligence (GenAI) in Vietnamese joint-stock commercial banks. Drawing on the Stimulus–Organism–Response (S-O-R) framework, with reference to the Expectation-Confirmation Model and Adaptive Structuration Theory, the model comprises seven constructs: anthropomorphism, perceived intelligence, and interactivity as stimuli; technology adaptation behavior, trust in AI, and perceived risk as mediating mechanisms; and continuance intention as the response. Survey data from 300 employees were analyzed using PLS-SEM in SmartPLS 4. The results support 12 direct and nine indirect hypotheses. Perceived intelligence has the strongest effects on the mediating mechanisms, while trust in AI is the strongest direct predictor of continuance intention. The mediators explain 44.4% of the variance in continuance intention, and the model shows overall out-of-sample predictive capability. The study proposes implications to help banks improve output quality, establish verifiable trust, support employee adaptation, and control performance risks when implementing GenAI.

Keywords: Generative artificial intelligence, continuance intention, S-O-R framework, trust in AI, perceived risk, joint-stock commercial banks

JEL classification: O33, M15, G21

GIỚI THIỆU

Chuyển đổi số đang thay đổi cách thức vận hành của ngành ngân hàng Việt Nam, với Quyết định số 810/QĐ-NHNN tạo khuôn khổ thúc đẩy ứng dụng công nghệ trong toàn ngành (Ngân hàng Nhà nước Việt Nam, 2021). Trong xu hướng này, GenAI được quan tâm nhờ khả năng hỗ trợ soạn thảo, tổng hợp thông tin và xử lý yêu cầu theo ngữ cảnh; một số ngân hàng Việt Nam đã từng bước triển khai GenAI ở cấp độ tổ chức (Ajili Ben Youssef và cộng sự, 2025).

Tuy nhiên, sự hiện diện của công nghệ không tự động chuyển hóa thành hiệu quả sử dụng. Bhattacherjee (2001) chỉ ra rằng, cơ chế chi phối chấp nhận ban đầu khác với cơ chế duy trì sử dụng lâu dài. Nếu nhân viên chỉ dùng thử rồi quay lại quy trình thủ công, giá trị đầu tư khó được hiện thực hóa; vì vậy, ý định tiếp tục sử dụng GenAI của nhân viên là vấn đề có ý nghĩa chiến lược.

Về học thuật, các nghiên cứu chấp nhận công nghệ thường vận dụng TAM và UTAUT, tập trung vào tính hữu ích, tính dễ sử dụng và điều kiện hỗ trợ. Tuy nhiên, GenAI có tính tương tác, tạo nội dung theo ngữ cảnh và cho đầu ra bất định cao hơn hệ thống thông tin truyền thống, nên các đặc tính như tính nhân hóa, tính thông minh được cảm nhận (Moussawi và Koufaris, 2019) và tính tương tác (Liu, 2003) cần được xem xét cùng cơ chế tâm lý và thích ứng của người dùng. Trong môi trường ngân hàng nhạy cảm về dữ liệu và trách nhiệm nghề nghiệp, niềm tin và rủi ro cảm nhận đặc biệt quan trọng (Featherman và Pavlou, 2003; Glikson và Woolley, 2020). Bằng chứng về ý định tiếp tục sử dụng GenAI ở cấp độ nhân viên ngân hàng Việt Nam còn hạn chế; nghiên cứu gần đây chủ yếu tập trung vào chấp nhận ban đầu hoặc cấp độ tổ chức (Ajili Ben Youssef và cộng sự, 2025).

Xuất phát từ khoảng trống trên, nghiên cứu vận dụng mô hình SOR, có tham chiếu mô hình xác nhận kỳ vọng (ECM) và lý thuyết cấu trúc thích ứng (AST), để xem xét tác động của 3 đặc tính GenAI đến 3 cơ chế trung gian cá nhân, tác động của các cơ chế này đến ý định tiếp tục sử dụng và 9 tác động gián tiếp tương ứng. Qua đó, nghiên cứu kết nối đặc tính riêng của GenAI với hành vi hậu chấp nhận và làm rõ vai trò đồng thời của thích ứng, niềm tin và rủi ro trong bối cảnh ngân hàng.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Các khái niệm và lý thuyết nền

Ý định tiếp tục sử dụng (CON) là mức độ sẵn lòng duy trì sử dụng công nghệ sau giai đoạn trải nghiệm ban đầu (Bhattacherjee, 2001). Tính nhân hóa (ANT) là mức độ hệ thống được cảm nhận giao tiếp giống con người; tính thông minh được cảm nhận (INT) là mức độ hệ thống được đánh giá có khả năng hiểu và xử lý yêu cầu hợp lý (Moussawi và Koufaris, 2019); tính tương tác (ITA) là mức độ hệ thống cho phép trao đổi hai chiều linh hoạt, có kiểm soát (Liu, 2003). Hành vi thích ứng công nghệ (TAD) phản ánh mức độ cá nhân thử nghiệm, điều chỉnh và tích hợp công nghệ vào công việc (Schmitz và cộng sự, 2016). Niềm tin vào trí tuệ nhân tạo (TRU) là mức độ tin tưởng vào năng lực, tính chính trực và độ tin cậy của hệ thống (Gefen và cộng sự, 2003; Glikson và Woolley, 2020). Rủi ro cảm nhận (PRI) là mức độ lo ngại về hậu quả bất lợi, ở đây tập trung vào rủi ro hiệu suất (Featherman & Pavlou, 2003).

Mô hình SOR cho rằng, kích thích từ môi trường định hình các trạng thái và quá trình xử lý cá nhân, từ đó dẫn đến phản hồi hành vi (Mehrabian và Russell, 1974); Zhou và Ma (2026) cũng dùng các đặc tính nhân hóa, thông minh và tương tác để giải thích ý định tiếp tục sử dụng GenAI. Trong nghiên cứu này, niềm tin và rủi ro là các đánh giá nhận thức, còn TAD là quá trình thích ứng cá nhân. ECM giải thích bản chất hậu chấp nhận của ý định tiếp tục sử dụng dựa trên trải nghiệm tích lũy (Bhattacherjee, 2001). AST xem việc sử dụng công nghệ là quá trình người dùng chủ động điều chỉnh công nghệ theo nhu cầu công việc (DeSanctis và Poole, 1994), được Schmitz và cộng sự (2016) mở rộng xuống cấp độ cá nhân, làm cơ sở cho khái niệm TAD.

Giả thuyết nghiên cứu

Tính nhân hóa rút ngắn khoảng cách tâm lý giữa người dùng và công nghệ, hỗ trợ hình thành niềm tin (Glikson và Woolley, 2020), đồng thời tạo điều kiện để nhân viên thử nghiệm, điều chỉnh cách làm việc và giảm lo ngại về hậu quả bất lợi.

Tính thông minh được cảm nhận phản ánh đánh giá về năng lực hệ thống, là tiền tố quan trọng của niềm tin; khi đó, nhân viên chủ động khai thác công nghệ và ít lo ngại về kết quả sai lệch.

Tính tương tác giúp người dùng thử nghiệm, làm rõ yêu cầu, kiểm chứng kết quả và duy trì cảm giác kiểm soát (Gefen và cộng sự, 2003).

Khi đã thích ứng, nhân viên có xu hướng duy trì cách làm mới vì quay lại quy trình cũ phát sinh chi phí chuyển đổi (DeSanctis và Poole, 1994). Niềm tin làm giảm bất định và dự báo tích cực ý định sử dụng (Gefen và cộng sự, 2003; Glikson và Woolley, 2020), trong khi rủi ro cảm nhận làm suy giảm ý định sử dụng (Featherman và Pavlou, 2003). Do đó, các giả thuyết trực tiếp được đề xuất như sau:

H1: ANT tác động cùng chiều đến TAD.

H2: INT tác động cùng chiều đến TAD.

H3: ITA tác động cùng chiều đến TAD.

H4: ANT tác động cùng chiều đến TRU.

H5: INT tác động cùng chiều đến TRU.

H6: ITA tác động cùng chiều đến TRU.

H7: ANT tác động ngược chiều đến PRI.

H8: INT tác động ngược chiều đến PRI.

H9: ITA tác động ngược chiều đến PRI.

H10: TAD tác động cùng chiều đến CON.

H11: TRU tác động cùng chiều đến CON.

H12: PRI tác động ngược chiều đến CON.

Theo logic SOR, nghiên cứu đề xuất 9 giả thuyết gián tiếp:

H13a-H13c: ANT tác động gián tiếp đến CON thông qua TAD, TRU và PRI.

H14a-H14c: INT tác động gián tiếp đến CON thông qua TAD, TRU và PRI.

H15a-H15c: ITA tác động gián tiếp đến CON thông qua TAD, TRU và PRI.

Với các đường đi qua PRI, tích của 2 hệ số âm tạo thành tác động gián tiếp dương.

Mô hình nghiên cứu

Mô hình nghiên cứu được trình bày tại Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Nhóm tác giả đề xuất

Phương pháp nghiên cứu

Nghiên cứu gồm 2 giai đoạn: sơ bộ định tính để hiệu chỉnh thang đo và định lượng để kiểm định mô hình. Thang đo gốc tiếng Anh được chuyển ngữ và hiệu chỉnh qua phỏng vấn 6 chuyên gia tại NHTMCP (ngày 24/05/2026), có 9-18 năm kinh nghiệm trong tín dụng, vận hành công nghệ, quản trị nhân lực, chuyển đổi số, dữ liệu và an toàn thông tin. Bảng hỏi dùng thang Likert 5 mức, gồm 7 khái niệm với 28 biến quan sát (Bảng 1); thang đo TAD được diễn đạt dưới dạng hành vi đã thực hiện, PRI giới hạn ở rủi ro hiệu suất và các phát biểu hai ý được tách riêng.

Dữ liệu được thu thập trực tuyến từ 1/6-25/7/2026 bằng chọn mẫu phi xác suất thuận tiện kết hợp có chủ đích, với đối tượng là nhân viên chính thức tại các NHTMCP Việt Nam ở 3 miền đã sử dụng GenAI trong công việc trong 3 tháng gần nhất. Cỡ mẫu tối thiểu theo phương pháp căn bậc hai nghịch đảo (Kock và Hadaya, 2018) là 275 (mức ý nghĩa 5%, lực kiểm định 80%, hệ số đường dẫn nhỏ nhất 0,15). Từ 302 phản hồi, sau khi loại 2 phản hồi không hợp lệ, mẫu chính thức gồm 300 quan sát, không có giá trị thiếu hoặc trùng lặp. Dữ liệu được mô tả bằng SPSS 25 và phân tích bằng PLS-SEM trên SmartPLS 4, phù hợp với mục tiêu đồng thời giải thích và dự báo (Hair và cộng sự, 2022). Hệ số đường dẫn và tác động gián tiếp được kiểm định bằng Bootstrapping 5.000 mẫu lặp; khả năng dự báo ngoài mẫu được đánh giá bằng PLSpredict và CVPAT (Sharma và cộng sự, 2023).

Bảng 1: Thang đo các khái niệm trong mô hình nghiên cứu

Nguồn: Nhóm tác giả tổng hợp và hiệu chỉnh từ các nghiên cứu gốc và ý kiến chuyên gia

KẾT QUẢ NGHIÊN CỨU

Đánh giá mô hình đo lường

Kết quả cho thấy, hệ số tải ngoài của 28 biến quan sát dao động từ 0,817 (INT4) đến 0,886 (CON1), đều vượt ngưỡng 0,70; vì vậy, không có biến quan sát nào bị loại. Cronbach’s Alpha (0,861-0,897), rho_A (0,861-0,898) và độ tin cậy tổng hợp rho_C (0,905-0,928) đều vượt 0,70; AVE (0,705-0,764) vượt 0,50 (Hair và cộng sự, 2022), xác nhận độ tin cậy nhất quán nội bộ và giá trị hội tụ (Bảng 2). Giá trị phân biệt được xác nhận qua HTMT (0,232-0,616, dưới ngưỡng 0,85), giới hạn trên của khoảng tin cậy bootstrap 95% của HTMT (tối đa 0,696) và tiêu chí Fornell-Larcker.

Bảng 2: Độ tin cậy và giá trị hội tụ của thang đo

Nguồn: Kết quả xử lý dữ liệu bằng SmartPLS 4

Kiểm định mô hình cấu trúc và giả thuyết nghiên cứu

Hệ số VIF đa cộng tuyến toàn phần dao động từ 1,330 đến 1,858, thấp hơn ngưỡng 3,3; kết quả này không gợi ý sai lệch phương pháp chung ở mức nghiêm trọng theo phép chẩn đoán của Kock (2015). Các giá trị inner VIF từ 1,096 đến 1,262 cho thấy đa cộng tuyến giữa các biến dự báo không phải là vấn đề đáng kể. Chỉ số SRMR đạt 0,048, thấp hơn ngưỡng 0,08. Hệ số R² của TAD đạt 0,367; TRU đạt 0,381; PRI đạt 0,253 và CON đạt 0,444 (Bảng 3). Chênh lệch nhỏ giữa R² và R² hiệu chỉnh (0,006-0,008) cho thấy mức giải thích không thay đổi đáng kể sau khi hiệu chỉnh theo số lượng biến dự báo.

Bảng 3: Kết quả đánh giá hệ số xác định R² và R² hiệu chỉnh

Nguồn: Kết quả xử lý dữ liệu bằng SmartPLS 4

Kết quả Bootstrapping với 5.000 mẫu lặp cho thấy cả 12 giả thuyết về tác động trực tiếp (H1-H12) đều được ủng hộ; các khoảng tin cậy bootstrap 95% không chứa giá trị 0 (Bảng 4).

Bảng 4: Kết quả kiểm định các giả thuyết về tác động trực tiếp

Nguồn: Kết quả xử lý dữ liệu bằng SmartPLS 4

Trong 3 đặc tính GenAI, INT có tác động mạnh nhất đến TAD (β = 0,356), TRU (β = 0,347) và PRI (β = -0,279); quy mô tác động f² của INT đạt mức trung bình đối với TAD (0,173) và TRU (0,168). Ở tầng dẫn đến CON, TRU có tác động mạnh nhất (β = 0,363; f² = 0,189), tiếp theo là TAD (β = 0,267) và PRI (β = -0,236). Không có mối quan hệ nào đạt quy mô tác động lớn, cho thấy ý định tiếp tục sử dụng được hình thành từ sự kết hợp của nhiều cơ chế thay vì phụ thuộc vào một đường dẫn riêng lẻ (Hình 2).

Hình 2: Kết quả ước lượng mô hình bằng PLS-SEM

Nguồn: Kết quả xử lý dữ liệu bằng SmartPLS 4

Cả 9 tác động gián tiếp cụ thể đều mang dấu dương, có ý nghĩa thống kê ở mức 1% và có khoảng tin cậy 95% không chứa giá trị 0; do đó, các giả thuyết H13a-H15c đều được ủng hộ (Bảng 5). Đường tác động gián tiếp mạnh nhất là INT → TRU → CON (β = 0,126), tiếp theo là ITA → TRU → CON (β = 0,106). Xét tổng các tác động gián tiếp, INT có tác động gián tiếp lớn nhất đến CON (β = 0,287).

Bảng 5: Kết quả kiểm định các tác động gián tiếp cụ thể

Nguồn: Kết quả xử lý dữ liệu bằng SmartPLS 4

Về khả năng dự báo ngoài mẫu, Q²predict của 16 biến quan sát thuộc 4 khái niệm nội sinh đều lớn hơn 0 (0,131-0,294), đồng thời RMSE của PLS-SEM thấp hơn mô hình tuyến tính đối chứng ở cả 16 biến. CVPAT ở cấp mô hình cho thấy sai số dự báo trung bình của PLS-SEM thấp hơn có ý nghĩa thống kê (t = 5,683; p < 0,001). Tuy nhiên, ở cấp khái niệm, chênh lệch của TAD chưa đạt ý nghĩa thống kê (p = 0,189). Vì vậy, mô hình có bằng chứng về năng lực dự báo ngoài mẫu ở cấp tổng thể, nhưng ưu thế dự báo chưa đồng đều đối với mọi khái niệm nội sinh (Sharma và cộng sự, 2023).

Thảo luận

Kết quả ủng hộ cơ chế 3 tầng của mô hình SOR. INT có ảnh hưởng mạnh nhất trong 3 đặc tính, phù hợp với yêu cầu về độ chính xác của công việc ngân hàng và lập luận của Moussawi và Koufaris (2019), Glikson và Woolley (2020). ITA tác động đến TRU mạnh hơn đến TAD, cho thấy trao đổi thuận tiện giúp kiểm chứng hệ thống nhưng chưa nhất thiết thay đổi cách làm việc. ANT tác động đến TRU thấp nhất, hàm ý nhân viên chú trọng năng lực xử lý hơn biểu hiện giống con người. Ở tầng phản hồi, TRU tác động mạnh nhất đến CON, phù hợp với Gefen và cộng sự (2003); TAD tác động tích cực đến CON, củng cố lập luận của AST (DeSanctis và Poole, 1994; Schmitz và cộng sự, 2016); PRI làm giảm CON dù mức lo ngại trung bình không cao. Như vậy, xây dựng niềm tin và giảm rủi ro là hai nhiệm vụ liên quan nhưng không thay thế nhau.

Đóng góp lý thuyết

Nghiên cứu đóng góp theo 3 hướng.

Thứ nhất, mô hình mở rộng nghiên cứu hậu chấp nhận từ thuộc tính công nghệ chung sang các đặc tính riêng của GenAI.

Thứ hai, việc xem xét đồng thời TAD, TRU và PRI cho thấy ý định tiếp tục sử dụng còn phụ thuộc vào quá trình điều chỉnh cách làm việc và kiểm soát mặt bất lợi.

Thứ ba, INT ảnh hưởng đến CON mạnh nhất thông qua TRU, làm rõ cơ chế năng lực cảm nhận của GenAI chuyển hóa thành ý định sử dụng lâu dài.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Kết luận

Nghiên cứu kiểm định mô hình giải thích ý định tiếp tục sử dụng GenAI của nhân viên NHTMCP Việt Nam dựa trên SOR, có tham chiếu ECM và AST. Kết quả từ 300 quan sát ủng hộ 12 giả thuyết về tác động trực tiếp và 9 giả thuyết về tác động gián tiếp. INT là đặc tính có ảnh hưởng mạnh nhất đến TAD, TRU và việc giảm PRI; TRU là yếu tố tác động trực tiếp mạnh nhất đến CON và là kênh gián tiếp quan trọng nhất. Kết quả cho thấy, chất lượng công nghệ chỉ chuyển hóa thành ý định sử dụng lâu dài khi nhân viên hình thành niềm tin, thích ứng với công nghệ và nhận thấy rủi ro hiệu suất có thể kiểm soát.

Hàm ý quản trị

Từ kết quả nghiên cứu, 4 hàm ý quản trị được đề xuất.

Một là, ngân hàng nên ưu tiên chất lượng đầu ra của GenAI đối với các tác vụ nghiệp vụ có tần suất và giá trị cao, thông qua kiểm thử định kỳ theo nhóm nghiệp vụ và kho tri thức nội bộ đã được phê duyệt.

Hai là, cần xây dựng niềm tin có cơ sở kiểm chứng bằng cách hiển thị nguồn tham chiếu, công bố rõ phạm vi sử dụng và trách nhiệm của người dùng, đồng thời đào tạo nhân viên cách đặt yêu cầu và kiểm tra kết quả.

Ba là, cần hỗ trợ quá trình thích ứng thông qua thí điểm ở một số quy trình, thư viện tình huống mẫu và chỉ số đo thay đổi trong hiệu quả công việc thay vì chỉ đếm lượt đăng nhập.

Bốn là, cần kiểm soát rủi ro theo mức độ tác động: các tác vụ rủi ro thấp có thể cho phép sử dụng trực tiếp, còn các tác vụ rủi ro cao như quyết định tín dụng hoặc tư vấn khách hàng chỉ nên sử dụng GenAI như công cụ hỗ trợ và phải có kiểm soát của con người.

Hạn chế của nghiên cứu

Nghiên cứu có một số hạn chế.

Thứ nhất, dữ liệu cắt ngang và tự báo cáo từ cùng một người trả lời không cho phép khẳng định quan hệ nhân quả; phép kiểm tra full-collinearity VIF chỉ là chẩn đoán và không thể loại trừ hoàn toàn sai lệch phương pháp chung.

Thứ hai, phương pháp chọn mẫu phi xác suất cùng sự tập trung của mẫu ở nhóm 25-34 tuổi và người dùng ChatGPT làm hạn chế khả năng khái quát.

Thứ ba, mô hình mới xem xét rủi ro hiệu suất và còn 55,6% phương sai của CON chưa được giải thích.

Các nghiên cứu tiếp theo có thể sử dụng thiết kế dọc hoặc dữ liệu từ nhiều nguồn, chọn mẫu phân tầng, phân tích đa nhóm theo vị trí công tác và loại hệ thống GenAI, đồng thời bổ sung các loại rủi ro khác, hiểu biết về AI và hỗ trợ của tổ chức.

Tài liệu tham khảo:

1. Ajili Ben Youssef, W., Bouebdallah, N., & Long, H. (2025). Factors influencing generative artificial intelligence adoption in Vietnam’s banking sector: An empirical study. Financial Innovation, 11, Article 119.

2. Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quarterly, 25(3), 351-370.

3. DeSanctis, G., & Poole, M. S. (1994). Capturing the complexity in advanced technology use: Adaptive structuration theory. Organization Science, 5(2), 121-147.

4. Featherman, M. S., & Pavlou, P. A. (2003). Predicting e-services adoption: A perceived risk facets perspective. International Journal of Human-Computer Studies, 59(4), 451-474.

5. Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in online shopping: An integrated model. MIS Quarterly, 27(1), 51-90.

6. Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627-660.

7. Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.

8. Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10.

9. Kock, N., & Hadaya, P. (2018). Minimum sample size estimation in PLS-SEM: The inverse square root and gamma-exponential methods. Information Systems Journal, 28(1), 227-261.

10. Liu, Y. (2003). Developing a scale to measure the interactivity of websites. Journal of Advertising Research, 43(2), 207-216.

11. Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. MIT Press.

12. Moussawi, S., & Koufaris, M. (2019). Perceived intelligence and perceived anthropomorphism of personal intelligent agents: Scale development and validation. In Proceedings of the 52nd Hawaii International Conference on System Sciences (115-124).

13. Ngân hàng Nhà nước Việt Nam. (2021). Quyết định số 810/QĐ-NHNN ngày 11/5/2021 phê duyệt Kế hoạch chuyển đổi số ngành Ngân hàng đến năm 2025, định hướng đến năm 2030.

14. Schmitz, K. W., Teng, J. T. C., & Webb, K. J. (2016). Capturing the complexity of malleable IT use: Adaptive structuration theory for individuals. MIS Quarterly, 40(3), 663-686.

15. Sharma, P. N., Liengaard, B. D., Hair, J. F., Sarstedt, M., & Ringle, C. M. (2023). Predictive model assessment and selection in composite-based modeling using PLS-SEM: Extensions and guidelines for using CVPAT. European Journal of Marketing, 57(6), 1662-1677.

16. Zhou, T., & Ma, X. (2026). Examining generative AI user continuance intention based on the SOR model. Aslib Journal of Information Management, 78(4), 969-987.