Các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng AI của sinh viên tại TP. Hồ Chí Minh

ThS. Lê Thị Lan Anh

Giảng viên, Trường Đại học Tài chính - Marketing; Email: [email protected]

ThS. Lê Thị Thanh Trúc

Giảng viên, Trường Đại học Tài chính - Marketing; Email: [email protected]

CN. Phạm Thị Nam Phương

Trường Đại học Kinh tế Thành phố Hồ Chí Minh; Email: [email protected]

Tóm tắt

Thông qua kết quả khảo sát đối với 241 sinh viên trên địa bàn TP. Hồ Chí Minh đã sử dụng AI, nghiên cứu nhằm kiểm định các yếu tố ảnh hưởng đến Ý định tiếp tục sử dụng AI của sinh viên tại TP. Hồ Chí Minh. Kết quả nghiên cứu cho thấy, Mức độ liên quan nghề nghiệp là yếu tố có tác động mạnh nhất, tiếp theo là Nhận thức hữu ích (β = 0,201). Nhận thức dễ sử dụng phát huy ảnh hưởng ở cấp độ tổng tác động (0,395). Kết quả gợi mở một trạng thái chấp nhận mang tính thực dụng và đặt ra yêu cầu chuyển trọng tâm từ phổ biến công cụ sang xây dựng năng lực AI gắn với chuẩn đầu ra nghề nghiệp. Kết quả cung cấp cơ sở thực nghiệm ban đầu về vai trò dẫn dắt của động lực nghề nghiệp và mở ra hướng kiểm định trên mẫu phân tầng rộng hơn.

Từ khóa: Trí tuệ nhân tạo, ý định tiếp tục sử dụng, mô hình chấp nhận công nghệ, mức độ liên quan nghề nghiệp, niềm tin

Abstract

Drawing on survey data collected from 241 students in Ho Chi Minh City who had used artificial intelligence (AI), the study examines the factors influencing students’ continuance intention to use AI. The findings indicate that job relevance is the strongest influencing factor, followed by perceived usefulness (β = 0.201). Perceived ease of use also exerts an effect at the level of total effects (0.395). These findings suggest a pragmatic pattern of technology acceptance and highlight the need to shift the focus from promoting AI tools to developing AI competencies aligned with professional learning outcomes. The study provides preliminary empirical evidence of the leading role of career-related motivation and lays the groundwork for further validation using a larger, stratified sample.

Keywords: Artificial intelligence, continuance intention to use, Technology Acceptance Model, job relevance, trust

ĐẶT VẤN ĐỀ

Các công cụ trí tuệ nhân tạo (AI) tạo sinh đang làm thay đổi cách sinh viên tiếp cận tri thức. Theo khảo sát của Digital Education Council (2024) trên 3.839 sinh viên tại 16 quốc gia, 86% sinh viên đã sử dụng AI trong học tập và 54% sử dụng ít nhất hằng tuần; song 58% tự đánh giá chưa đủ kiến thức về AI, và 2 mối lo lớn nhất là an toàn dữ liệu (61%) cùng độ tin cậy của nội dung do AI tạo ra (51%). Tại Việt Nam, Nghị quyết số 57-NQ/TW ngày 22/12/2024 của Bộ Chính trị xác định khoa học, công nghệ và chuyển đổi số là đột phá hàng đầu. Bằng chứng trong nước cho thấy mức phổ cập rất cao. Tạ Tường Vi (2025) ghi nhận 98,9% trong hơn 500 sinh viên tại Hà Nội đã dùng AI, 77% có kiểm tra lại thông tin AI cung cấp, nhưng chỉ 17% từng được nhà trường hướng dẫn. Nghiên cứu của Đặng Văn Em và cộng sự (2024) cho thấy, ChatGPT đã phổ biến trong 584 sinh viên Đại học Quốc gia TP. Hồ Chí Minh. Tuy nhiên, các nghiên cứu này chủ yếu dừng ở thống kê mô tả; còn ít nghiên cứu kiểm định mô hình cấu trúc với quy trình đánh giá thang đo đầy đủ.

Mô hình chấp nhận công nghệ (TAM) của Davis (1989) là khung giải thích phổ biến nhất đối với hành vi sử dụng công nghệ. Tuy nhiên, AI tạo sinh khác công nghệ thông tin truyền thống ở 2 điểm: đầu ra mang tính xác suất và có thể sai lệch, khiến niềm tin cần được xem xét như một khái niệm độc lập (Gefen và cộng sự, 2003); và năng lực sử dụng AI ngày càng được xem là yêu cầu nghề nghiệp, khiến mức độ liên quan nghề nghiệp trở thành động lực tiềm tàng (Venkatesh và Davis, 2000). Từ khoảng trống trên, nghiên cứu hướng đến 2 mục tiêu: Thứ nhất, kiểm định mức độ tác động của 4 yếu tố này đến Ý định tiếp tục sử dụng AI trong hỗ trợ học tập; Thứ hai, làm rõ cơ chế tác động của Nhận thức dễ sử dụng.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Ý định tiếp tục sử dụng trong giai đoạn sau chấp nhận

Bhattacherjee (2001) chỉ ra khác biệt về bản chất giữa chấp nhận ban đầu và tiếp tục sử dụng: kỳ vọng trước khi dùng mang tính suy đoán, còn đánh giá sau khi dùng được hiệu chỉnh bằng kinh nghiệm trực tiếp, và biến kết quả phù hợp trong giai đoạn này là ý định tiếp tục sử dụng (Behavioral Intention - BI). Vì toàn bộ đáp viên đều đã sử dụng ít nhất một công cụ AI, nghiên cứu xác định khái niệm kết quả là Ý định tiếp tục sử dụng; kết quả chỉ có giá trị cho giai đoạn sau chấp nhận.

Nhận thức dễ sử dụng và nhận thức hữu ích

Mô hình TAM (Davis, 1989) giải thích chấp nhận công nghệ qua 2 nhận thức cốt lõi: Nhận thức hữu ích (PU) là mức độ cá nhân tin rằng, hệ thống nâng cao hiệu quả công việc và Nhận thức dễ sử dụng (PEOU) là mức độ cá nhân tin rằng việc sử dụng không đòi hỏi nhiều nỗ lực. Quan hệ giữa PEOU và PU là giả thuyết ổn định nhất của TAM: thao tác dễ dàng giải phóng nguồn lực nhận thức cho việc khai thác nội dung, nhờ đó người học dễ nhận ra lợi ích thực chất của công cụ. Từ đó, nghiên cứu đề xuất các giả thuyết sau:

H1: Nhận thức dễ sử dụng có tác động tích cực đến Nhận thức hữu ích.

Trong mô hình gốc, PEOU còn tác động trực tiếp đến ý định sử dụng, song cường độ giảm dần khi người dùng đã quen thuộc với công nghệ (Venkatesh và cộng sự, 2003); nghiên cứu vẫn kiểm định quan hệ này nhằm bảo đảm tính đầy đủ của mô hình. PU cũng là yếu tố dự báo mạnh của ý định trong hầu hết ứng dụng của TAM. Từ đó, nghiên cứu đề xuất các giả thuyết sau:

H3: Nhận thức dễ sử dụng có tác động tích cực đến Ý định tiếp tục sử dụng.

H4: Nhận thức hữu ích có tác động tích cực đến Ý định tiếp tục sử dụng.

Niềm tin vào AI

Điểm đặc thù của AI tạo sinh là tính bất định của đầu ra: người dùng không thể xác minh đầy đủ độ chính xác tại thời điểm sử dụng. Niềm tin (TRUST) vì vậy là cấu trúc tâm lý quan trọng, được hiểu là mức độ sẵn sàng chấp nhận trạng thái dễ bị tổn thương trước hệ thống dựa trên kỳ vọng tích cực về năng lực, tính chính trực và thiện chí của hệ thống (McKnight và cộng sự, 2002). Gefen và cộng sự (2003) cho thấy tính dễ sử dụng là một tiền tố của niềm tin, bởi giao diện rõ ràng được diễn giải như tín hiệu về năng lực nhà cung cấp; đồng thời niềm tin là điều kiện cần để chấp nhận các hệ thống mà người dùng không thể giám sát đầy đủ. Từ đó, nghiên cứu đề xuất các giả thuyết sau:

H2: Nhận thức dễ sử dụng có tác động tích cực đến Niềm tin.

H5: Niềm tin có tác động tích cực đến Ý định tiếp tục sử dụng.

Mức độ liên quan nghề nghiệp

Venkatesh và Davis (2000) mở rộng Mô hình TAM thành TAM2 với khái niệm mức độ liên quan công việc, điều chỉnh trong bối cảnh đại học thành mức độ liên quan nghề nghiệp (CR). CR khác PU ở khung thời gian: PU phản ánh lợi ích tức thời cho việc học hiện tại, còn CR phản ánh giá trị dài hạn đối với ngành học và triển vọng việc làm. Khi năng lực sử dụng AI ngày càng được nhà tuyển dụng xem là yêu cầu cơ bản, việc sử dụng AI mang ý nghĩa tích lũy vốn nghề nghiệp chứ không chỉ tối ưu hóa việc học hiện tại. Từ đó, nghiên cứu đề xuất giả thuyết sau:

H6: Mức độ liên quan nghề nghiệp có tác động tích cực đến Ý định tiếp tục sử dụng.

Mô hình nghiên cứu

Từ cơ sở lý thuyết và giả thuyết nghiên cứu nói trên, nhóm tác giả đề xuất mô hình nghiên cứu như Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu định lượng, sử dụng dữ liệu cắt ngang thu thập tại một thời điểm. Đối tượng khảo sát là sinh viên các trường đại học tại TP. Hồ Chí Minh, thuộc nhiều nhóm ngành đào tạo khác nhau, đã từng sử dụng ít nhất một công cụ AI phục vụ học tập; tiêu chí sàng lọc này là chủ ý thiết kế, bảo đảm mọi đáp viên đều ở giai đoạn sau chấp nhận. Dữ liệu được thu thập bằng bảng hỏi trực tuyến theo phương pháp chọn mẫu thuận tiện qua các nhóm lớp và cộng đồng sinh viên trên mạng xã hội; phương thức này tạo khả năng tự chọn lọc của người trả lời, nên kết quả được xác lập trong phạm vi nhóm đáp viên tham gia và mang giá trị khám phá. Nghiên cứu thu về 249 phiếu; sau khi loại phiếu thiếu dữ liệu theo phương pháp loại bỏ theo danh sách, mẫu phân tích còn 241 quan sát, đáp ứng tỷ lệ 10 quan sát trên mỗi biến đo lường với 21 biến quan sát và vượt ngưỡng 200 quan sát khuyến nghị cho ước lượng Maximum Likelihood (Hair và cộng sự, 2019). 5 khái niệm nghiên cứu được đo lường bằng 21 biến quan sát, sử dụng thang Likert 5 mức từ 1 “Hoàn toàn không đồng ý” đến 5 “Hoàn toàn đồng ý”.

KẾT QUẢ NGHIÊN CỨU

Kiểm định độ tin cậy thang đo

Bảng 1 cho thấy, cả 5 thang đo đều đạt yêu cầu độ tin cậy (Alpha 0,765 - 0,882; tương quan biến - tổng 0,536 - 0,782), không biến nào bị loại. Ý định tiếp tục sử dụng có trung bình cao nhất (4,19), trong khi Niềm tin chỉ đạt 3,26; biến thấp nhất toàn khảo sát là mức tin tưởng vào an toàn dữ liệu cá nhân (2,83, dưới mức trung lập).

Bảng 1: Kết quả đánh giá thang đo

Nguồn: Phân tích từ dữ liệu nghiên cứu

Mô hình đo lường

Mô hình CFA 5 nhân tố với 21 biến quan sát đạt mức phù hợp chấp nhận được (Bảng 2). Toàn bộ hệ số tải chuẩn hóa đều có ý nghĩa ở mức p < 0,001, dao động 0,558 - 0,855.

Bảng 2: Kết quả phân tích CFA

Nguồn: Phân tích từ dữ liệu nghiên cứu

Kết quả nghiên cứu cho thấy, riêng PEOU có AVE bằng 0,452. Theo Fornell và Larcker (1981), giá trị hội tụ vẫn chấp nhận được khi độ tin cậy tổng hợp trên 0,60, điều kiện mà thang đo này đáp ứng (0,767). Mức AVE cho thấy phương sai chung của 4 biến PEOU chưa vượt phương sai sai số; rà soát nội dung chỉ ra nguyên nhân cụ thể và khắc phục được: PEOU2 diễn đạt theo cấu trúc phủ định, khác 3 biến còn lại. Kết quả liên quan đến PEOU vì vậy được đọc ở mức gợi ý và sẽ vững hơn khi thang đo được hiệu chỉnh.

Giá trị phân biệt được đánh giá đồng thời bằng 2 tiêu chí. Theo HTMT, cả 10 cặp khái niệm đều dưới ngưỡng 0,90, trong đó cặp CR - BI đạt 0,866. Theo Fornell - Larcker, căn bậc hai AVE của CR (0,801) và BI (0,777) thấp hơn tương quan giữa chúng (0,861). Kiểm định chi bình phương khác biệt xác nhận CR và BI là 2 khái niệm phân biệt (Δχ² = 67,37; Δdf = 4; p < 0,001), đồng thời cho thấy mức chồng lấn giữa chúng còn cao; hệ số CR → BI và hệ số xác định của BI vì vậy nên được đọc như giới hạn trên, và việc tinh chỉnh nội dung thang đo CR sẽ cho ước lượng chặt hơn.

Kiểm định giả thuyết

Mô hình cấu trúc đạt mức độ phù hợp tương đương mô hình đo lường: χ²(182) = 425,65; χ²/df = 2,34; CFI = 0,911; TLI = 0,898; RMSEA = 0,075; GFI = 0,856. Mô hình giải thích 81,3% phương sai của BI, 63,0% của PU và 51,0% của TRUST; mức R² rất cao của BI cần đọc cùng mức chồng lấn CR - BI nêu trên và không nên hiểu như bằng chứng về năng lực dự báo vượt trội. Kết quả kiểm định giả thuyết được trình bày tại Bảng 3 và Hình 2.

Bảng 3: Kết quả kiểm định giả thuyết

Ghi chú: *** p < 0,001; * p < 0,05; ns: không có ý nghĩa thống kê

Nguồn: Phân tích từ dữ liệu nghiên cứu

Hình 2: Kết quả kiểm định mô hình cấu trúc

Nguồn: Phân tích từ dữ liệu nghiên cứu

Kết quả cho thấy, 4 trong 6 giả thuyết được ủng hộ. Mức độ liên quan nghề nghiệp tác động mạnh nhất, gấp gần 2,7 lần Nhận thức hữu ích. Nhận thức dễ sử dụng tác động mạnh đến cả Nhận thức hữu ích và Niềm tin, nhưng không tác động trực tiếp có ý nghĩa đến Ý định tiếp tục sử dụng (p = 0,088); Niềm tin cũng không tác động (p = 0,309).

Kiểm định Bootstrap cho thấy, tổng tác động của PEOU đến BI đạt 0,395 (khoảng tin cậy 95%: 0,173 - 0,647), không chứa giá trị 0. Tuy nhiên, từng đường gián tiếp riêng lẻ - qua PU (0,155; -0,048 đến 0,362) và qua TRUST (-0,057; -0,221 đến 0,076) - đều chứa giá trị 0, nên dữ liệu chưa đủ cơ sở khẳng định cơ chế trung gian cụ thể nào đang vận hành. Kiểm định Harman cho thấy nhân tố thứ nhất giải thích 44,33% tổng phương sai, dưới ngưỡng 50%, nên thiên lệch do phương pháp chung không phải vấn đề nghiêm trọng.

Thảo luận

Kết quả nghiên cứu cho thấy, Mức độ liên quan nghề nghiệp giữ vị trí dẫn dắt trong việc giải thích Ý định tiếp tục sử dụng. Phát hiện này ủng hộ lập luận của Venkatesh và Davis (2000) và gợi ý rằng, trong bối cảnh AI tạo sinh, cơ chế nhận thức công cụ có thể vượt trội hơn nhận thức hữu ích tức thời: sinh viên đánh giá AI không đơn thuần như công cụ hỗ trợ bài tập hiện tại mà như một năng lực cần tích lũy để cạnh tranh trên thị trường lao động. Tuy vậy, do mức chồng lấn CR - BI, hệ số 0,548 nên được xem là ước lượng trên; đối chiếu thang đo cho thấy CR1 và CR3 dùng cấu trúc lợi ích tương tự các phát biểu PU, còn BI4 mở rộng sang “phát triển cá nhân”. Tái kiểm định với thang đo CR tinh chỉnh vì vậy là cần thiết.

Đáng chú ý hơn về mặt lý thuyết là việc Niềm tin không tác động đến Ý định tiếp tục sử dụng, khác với các nghiên cứu thương mại điện tử, nơi niềm tin được xác nhận là tiền tố quan trọng của ý định (Gefen và cộng sự, 2003). Sự khác biệt có thể xuất phát từ giai đoạn hành vi: ở giai đoạn sau chấp nhận, mức tin tưởng của sinh viên là đánh giá đã được hiệu chỉnh bằng kinh nghiệm trực tiếp chứ không phải kỳ vọng suy đoán, và họ sử dụng AI ở trạng thái giám sát, tự kiểm chứng một phần và chịu trách nhiệm cuối cùng về sản phẩm học tập. Dữ liệu mô tả củng cố cách lý giải này: BI đạt 4,19 trong khi TRUST chỉ đạt 3,26, tạo khoảng cách 0,93 điểm. Ghi nhận của Tạ Tường Vi (2025) cho rằng, 77% sinh viên có kiểm tra lại thông tin do AI cung cấp cho thấy hành vi giám sát diễn ra trên thực tế. Hiện tượng này có thể gọi là chấp nhận mang tính thực dụng, song đây là diễn giải hậu nghiệm phù hợp với dữ liệu chứ chưa phải cơ chế đã kiểm định trực tiếp.

Nhận thức dễ sử dụng không tác động trực tiếp, nhưng có tổng tác động có ý nghĩa. Đặt trong khung phân biệt của Bhattacherjee (2001), đây là kết quả được dự báo chứ không phải bất thường: ở giai đoạn sau chấp nhận, rào cản thao tác đã được vượt qua nên không còn là yếu tố phân biệt, nhất là với giao diện hội thoại bằng ngôn ngữ tự nhiên hiện nay.

KẾT LUẬN VÀ HÀM Ý

Kết quả nghiên cứu cho thấy, Mức độ liên quan nghề nghiệp là yếu tố có tác động mạnh nhất, tiếp theo là Nhận thức hữu ích (β = 0,201). Nhận thức dễ sử dụng phát huy ảnh hưởng ở cấp độ tổng tác động (0,395).

Về mặt quản trị, vì động lực nghề nghiệp giữ vai trò chi phối, đào tạo năng lực AI nên được tích hợp vào chuẩn đầu ra chương trình và gắn với tình huống nghề nghiệp của từng ngành, thay vì dừng ở các buổi tập huấn công cụ mang tính phổ cập; hướng đi này phù hợp với nguyện vọng của 88,5% sinh viên trong khảo sát của Tạ Tường Vi (2025). Khoảng cách giữa mức sử dụng cao và mức tin tưởng thấp cho thấy nhu cầu giáo dục tư duy phản biện đối với đầu ra của AI, trong khi chỉ 17% sinh viên từng được nhà trường hướng dẫn; mục tiêu không phải làm tăng niềm tin vô điều kiện mà giúp người học hình thành niềm tin có cơ sở. Cuối cùng, mức đánh giá rất thấp về an toàn dữ liệu đòi hỏi hướng dẫn rõ ràng về loại dữ liệu được đưa vào các nền tảng AI công cộng.

Tài liệu tham khảo:

1. Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quarterly, 25(3), 351-370. https://doi.org/10.2307/3250921

2. Bộ Chính trị (2024). Nghị quyết số 57-NQ/TW ngày 22/12/2024 về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.

3. 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

4. Đặng Văn Em, Nguyễn Đình Loan Phương, & Nguyễn Thị Hảo (2024). Thực trạng ứng dụng ChatGPT trong việc học tập, nghiên cứu của sinh viên Đại học Quốc gia Thành phố Hồ Chí Minh. Tạp chí Giáo dục, 24(1), 36-41.

5. Digital Education Council (2024). AI or Not AI: What Students Want - Global AI Student Survey 2024. https://www.digitaleducationcouncil.com

6. Fornell, C., & 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

7. Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in online shopping: An integrated model. MIS Quarterly, 27(1), 51-90. https://doi.org/10.2307/30036519

8. Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

9. 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

10. Hu, L., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55. https://doi.org/10.1080/10705519909540118

11. McKnight, D. H., Choudhury, V., & Kacmar, C. (2002). Developing and validating trust measures for e-commerce: An integrative typology. Information Systems Research, 13(3), 334-359. https://doi.org/10.1287/isre.13.3.334.81

12. Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

13. Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879-903. https://doi.org/10.1037/0021-9010.88.5.879

14. Tạ Tường Vi (2025). Sinh viên Việt Nam với việc sử dụng trí tuệ nhân tạo: thực trạng, nhận thức và định hướng. https://www.quanlynhanuoc.vn/2025/05/27/sinh-vien-viet-nam-voi-viec-su-dung-tri-tue-nhan-tao-thuc-trang-nhan-thuc-va-dinh-huong/

15. Venkatesh, V., & 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

16. Venkatesh, V., Morris, M. G., Davis, G. B., & 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