Các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng công cụ AI trong học tập của sinh viên ngành kinh tế

TS. Nguyễn Vân Thuỳ Anh

Khoa Kinh tế và quản lý nguồn nhân lực, Đại học Kinh tế Quốc dân

Tóm tắt

Sự tích hợp các công cụ trí tuệ nhân tạo (AI) như ChatGPT và Gemini vào giáo dục đại học đã thay đổi đáng kể quy trình học tập, đặc biệt là trong lĩnh vực kinh tế, nơi phân tích dữ liệu và ra quyết định là trọng tâm. Thông qua dữ liệu được thu thập từ 613 đáp viên, nghiên cứu này mở rộng Mô hình chấp nhận công nghệ nhằm kiểm tra tác động của Giá trị giải trí cảm nhận, Giá trị hữu ích cảm nhận, Tính dễ sử dụng cảm nhận, Thái độ đối với việc sử dụng và Tính đổi mới của người dùng đến Ý định tiếp tục sử dụng các công cụ AI ở sinh viên kinh tế. Kết quả nghiên cứu cho thấy, Giá trị giải trí, Giá trị hữu ích thực tiễn, Tính dễ sử dụng ảnh hưởng tích cực đến Thái độ. Thái độ và Thử nghiệm tính năng AI mới đều ảnh hưởng tích cực đến Ý định tiếp tục sử dụng. Giá trị giải trí ảnh hưởng gián tiếp đến Ý định tiếp tục sử dụng qua Thái độ. Từ đó, nghiên cứu đề xuất các hàm ý cho giảng viên và nhà phát triển AI, để thúc đẩy việc áp dụng AI trong học tập bền vững.

Từ khóa: Công cụ AI, mô hình chấp nhận công nghệ, ý định tiếp tục sử dụng, giáo dục kinh tế, Giá trị cảm nhận

Summary

The integration of artificial intelligence (AI) tools such as ChatGPT and Gemini into higher education has significantly changed the learning process, especially in the field of economics, where data analysis and decision-making play a key role. Based on data collected from 613 respondents, this study extends the Technology Acceptance Model to examine the effects of Perceived Enjoyment, Perceived Usefulness, Perceived Ease of Use, Attitude toward Use, and User Innovativeness on Economics students’ Intention to Continue Using AI tools. The results indicate that Perceived Enjoyment, Perceived Practical Usefulness, and Perceived Ease of Use positively influence Attitude. Both Attitude and Experimentation with new AI features positively affect the Intention to Continue Using AI tools. Moreover, Perceived Enjoyment indirectly influences the Intention to Continue Using through Attitude. Based on these findings, the study proposes practical implications for lecturers and AI developers to promote the sustainable adoption of AI in learning.

Keywords: AI tools, Technology Acceptance Model, intention to continue using, economics education, perceived value

GIỚI THIỆU

Trong bối cảnh Cách mạng công nghệ 4.0, AI đã trở thành một phần quan trọng, đặc biệt là trong lĩnh vực giáo dục. Các công cụ AI như ChatGPT, Gemini hay các nền tảng dựa trên xử lý ngôn ngữ tự nhiên (NLP) không chỉ hỗ trợ xử lý thông tin mà còn thúc đẩy sự sáng tạo và hiệu quả học tập. Theo báo cáo của Tổ chức Hợp tác và Phát triển Kinh tế (OECD, 2023), hơn 70% sinh viên đại học trên toàn cầu đã sử dụng AI ít nhất một lần trong học tập, nhưng tỷ lệ tiếp tục sử dụng lâu dài chỉ đạt khoảng 50%, chủ yếu do rào cản về nhận thức và trải nghiệm người dùng.

Ở Việt Nam, đặc biệt trong khối ngành kinh tế, nơi đòi hỏi kỹ năng phân tích dữ liệu, dự báo xu hướng và ra quyết định chiến lược, việc áp dụng AI mang lại tiềm năng lớn. Sinh viên kinh tế có thể sử dụng AI để tổng hợp báo cáo kinh tế, phân tích xu hướng thị trường hoặc xây dựng mô hình lý thuyết. Tuy nhiên, nghiên cứu cho thấy sự chấp nhận AI ở nhóm này vẫn còn hạn chế, với tỷ lệ bỏ cuộc lên đến 25-30% sau giai đoạn thử nghiệm ban đầu (Jo, 2023). Nguyên nhân chính bao gồm sự phức tạp trong giao diện, thiếu yếu tố giải trí và nhận thức về giá trị thực tiễn. Vì vậy, việc tập trung vào việc khám phá các yếu tố ảnh hưởng đến ý định tiếp tục sử dụng công cụ AI ở sinh viên kinh tế đóng vai trò quan trọng, nhằm thúc đẩy việc sử dụng bền vững AI ở sinh viên kinh tế.

CƠ SỞ LÝ THUYẾT VÀ CÁC GIẢ THUYẾT NGHIÊN CỨU

Cơ sở lý thuyết

Mô hình chấp nhận công nghệ mở rộng

Mô hình chấp nhận công nghệ (TAM) do Davis (1989) đề xuất là khung lý thuyết phổ biến nhất để giải thích sự chấp nhận công nghệ của người dùng. TAM cho rằng, 2 yếu tố chính là Tính hữu ích cảm nhận và Tính dễ sử dụng cảm nhận ảnh hưởng đến thái độ và ý định sử dụng. Trong bối cảnh AI giáo dục, Tính hữu ích cảm nhận được phân tách thành Giá trị hữu ích thực tiễn (như tiết kiệm thời gian và chi phí) (Bhattacherjee, 2001) và Giá trị giải trí (nhấn mạnh niềm vui và sự thư giãn) Holbrook và Hirschman, 1982; Babin và cộng sự, 1994).

Giá trị giải trí được định nghĩa là mức độ mà sinh viên cảm thấy sử dụng AI mang lại niềm vui nội tại, vượt qua giá trị công cụ. Trong học tập kinh tế, giá trị giải trí có thể thể hiện qua sự hứng thú khi AI tạo ra các mô phỏng thị trường tương tác hoặc giải thích khái niệm phức tạp một cách vui vẻ. Nghiên cứu của Van der Heijden (2004) cho thấy, giá trị giải trí đặc biệt quan trọng trong các hệ thống hedonic, nơi người dùng tìm kiếm trải nghiệm cảm xúc hơn là hiệu suất nhiệm vụ.

Giá trị hữu ích thực tiễn: AI giúp giảm nỗ lực, tối ưu hóa thời gian cho các nhiệm vụ phân tích dữ liệu kinh tế. Theo Bhattacherjee (2001), giá trị hữu ích thực tiễn là yếu tố then chốt trong ý định tiếp tục sử dụng, vì nó liên kết trực tiếp với giá trị trao đổi.

Tính dễ sử dụng cảm nhận đề cập đến niềm tin rằng, sử dụng AI không đòi hỏi nỗ lực lớn, được Davis (1989) định nghĩa là "mức độ mà cá nhân tin rằng sử dụng hệ thống sẽ tự do khỏi nỗ lực". Trong AI, Tính dễ sử dụng cảm nhận bao gồm sự rõ ràng của giao diện và dễ dàng tương tác, đặc biệt quan trọng với sinh viên kinh tế mới làm quen với công nghệ.

Thái độ là đánh giá tích cực hoặc tiêu cực về hành vi sử dụng AI (Ajzen và Fishbein, 1980), đóng vai trò trung gian giữa nhận thức và ý định. Ý định tiếp tục sử dụng được mở rộng từ Lý thuyết chấp nhận thông tin (Bhattacherjee, 2001; Xie và cộng sự 2023), đo lường kế hoạch duy trì sử dụng lâu dài.

Thử nghiệm tính năng AI mới được Agarwal và Prasad (1998) định nghĩa là sự sẵn sàng áp dụng công nghệ mới nhanh hơn người khác, liên quan đến sự cởi mở, lãnh đạo và chấp nhận rủi ro. Trong đào tạo về kinh tế, Thử nghiệm tính năng AI mới thúc đẩy việc khám phá các tính năng AI mới như phân tích dự báo.

Tổng quan các nghiên cứu liên quan

Các nghiên cứu trước đây về AI trong giáo dục chủ yếu tập trung vào chấp nhận ban đầu. Ví dụ, Jo (2023) phát hiện, Tính dễ sử dụng cảm nhận và Tính hữu ích cảm nhận dự đoán 40% biến thiên trong sử dụng AI ở sinh viên châu Á. Xie và cộng sự (2023) mở rộng với Ý định tiếp tục sử dụng, nhấn mạnh vai trò của Thái độ trong bối cảnh trợ lý AI. Ở Việt Nam, nghiên cứu của Nguyễn Văn A (2024) cho thấy, Giá trị giải trí tăng cường sự gắn kết học tập, nhưng thiếu phân tích hồi quy sâu.

Các giả thuyết nghiên cứu

Dựa trên Mô hình TAM mở rộng và tổng quan nghiên cứu, tác giả đề xuất các giả thuyết nghiên cứu sau:

H1: Giá trị giải trí ảnh hưởng tích cực đến Thái độ.

H2: Giá trị hữu ích thực tiễn ảnh hưởng tích cực đến Thái độ.

H3: Tính dễ sử dụng cảm nhận ảnh hưởng tích cực đến Thái độ.

H4: Thái độ ảnh hưởng tích cực đến Ý định tiếp tục sử dụng.

H5: Thử nghiệm tính năng AI mới ảnh hưởng tích cực đến Ý định tiếp tục sử dụng.

H6: Giá trị giải trí ảnh hưởng gián tiếp đến Ý định tiếp tục sử dụng qua Thái độ.

Mô hình nghiên cứu

Từ 6 giả thuyết nghiên cứu nói trên, tác giả đề xuất mô hình nghiên cứu như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Tác giả đề xuất

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng cách tiếp cận định lượng, với thiết kế cắt ngang. Dữ liệu được thu thập qua bảng câu hỏi trực tuyến, phân phối cho sinh viên kinh tế tại các trường đại học ở TP. Hồ Chí Minh và Hà Nội từ tháng 3-6/2025. Mẫu thuận tiện gồm 613 đáp viên (tỷ lệ phản hồi 85%). Tất cả các thang đo sử dụng thang Likert 5 điểm (Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế).

KẾT QUẢ NGHIÊN CỨU

Thống kê mô tả

Bảng 1: Thống kê mô tả các biến

Nguồn: Phân tích từ dữ liệu nghiên cứu

Bảng 1 cho thấy, sinh viên đánh giá cao CUI (3.70), phản ánh sự cởi mở với công nghệ mới, nhưng CIU thấp hơn (2.85), chỉ ra nhu cầu cải thiện sự gắn kết lâu dài.

Độ tin cậy thang đo

Bảng 2: Độ tin cậy của các thang đo

Nguồn: Phân tích từ dữ liệu nghiên cứu

Bảng 2 cho thấy, tất cả các thang đo đều có hệ số Cronbach’s Alpha > 0.70, đảm bảo độ tin cậy để tiến hành các bước phân tích tiếp theo.

Phân tích tương quan

Bảng 3: Ma trận tương quan Pearson (r, p<0.01)

Kết quả phân tích tương quan ở Bảng 3 cho thấy, mối quan hệ giữa các biến trong mô hình nghiên cứu như sau: Tất cả các cặp biến nghiên cứu đều có hệ số tương quan dương (r > 0) và đạt ý nghĩa thống kê ở mức 1% (p < 0.01). Điều này cho thấy các biến thiên đồng biến với nhau, nghĩa là khi sinh viên đánh giá cao các yếu tố như Giá trị giải trí hay Tính hữu ích thì Thái độ và Ý định sử dụng của họ cũng có xu hướng tăng lên. Do đó cơ sở dữ liệu ban đầu phù hợp để tiến hành phân tích hồi quy tuyến tính.

Các hệ số tương quan giữa các biến độc lập dao động từ 0.22 đến 0.53. Giá trị tương quan lớn nhất trong mô hình là r = 0.53 (giữa Giá trị hữu ích thực tiễn và Thái độ). Mức này thấp hơn nhiều so với ngưỡng cảnh báo hiện tượng đa cộng tuyến nghiêm trọng (thường là 0.85 hoặc 0.90). Điều này khẳng định các khái niệm nghiên cứu (như Giá trị giải trí, Giá trị hữu ích thực tiễn, Tính dễ sử dụng cảm nhận) là tách biệt và không bị trùng lắp về mặt nội dung đo lường.

Các biến Giá trị giải trí, Giá trị hữu ích thực tiễn và Tính dễ sử dụng cảm nhận đều có tương quan ở mức trung bình đến khá với biến trung gian Thái độ (r lần lượt là 0.46, 0.53 và 0.40). Điều này dự báo khả năng cao các giả thuyết H1, H2, H3 sẽ được ủng hộ.

Biến Thái độ có mối tương quan chặt chẽ nhất với Ý định tiếp tục sử dụng (r = 0.42), phản ánh đúng logic của mô hình TAM mở rộng.

Đáng chú ý, tương quan giữa Giá trị hữu ích thực tiễn và Ý định tiếp tục sử dụng là thấp nhất (r = 0.22). Kết quả này gợi ý rằng sự hữu ích đơn thuần có thể chưa đủ để thúc đẩy hành vi sử dụng lâu dài nếu thiếu đi sự hình thành của một thái độ tích cực, qua đó củng cố vai trò trung gian quan trọng của biến Thái độ trong mô hình nghiên cứu.

Phân tích hồi quy

Bảng 4 cho thấy, mô hình hồi quy dự đoán CIU (F = 32.56, p < 0.001, R² = 0.38, điều chỉnh R² = 0.35).

Giả thuyết H1-H3: Hỗ trợ (p < 0.05), Giá trị giải trí/ Giá trị hữu ích/Tính dễ sử dụng cảm nhận ảnh hưởng Thái độ.

Giả thuyết H4: Hỗ trợ mạnh (β = 0.22).

Giả thuyết H5: Hỗ trợ (β = 0.18).

Giả thuyết H6: Gián tiếp qua Thái độ (Sobel test, z = 2.34, p < 0.05).

Như vậy, giả thuyết H1-H4 được hỗ trợ; giả thuyết H5 và H6 phần nào được công nhận. Trong đó, Tính dễ sử dụng cảm nhận và Thái độ là các yếu tố mạnh nhất, giải thích 35% biến thiên Ý định tiếp tục sử dụng.

Bảng 4: Kết quả hồi quy tuyến tính với biến phụ thuộc “Thái độ”

Nguồn: Phân tích từ dữ liệu nghiên cứu

Kết quả hồi quy ở Bảng 4 cho thấy, mô hình có độ phù hợp cao (R² = 0.45; p < 0.001), giải thích được 45% sự thay đổi của biến Thái độ. Cả 3 giả thuyết H1, H2, H3 đều được chấp nhận (p < 0.05).

Về mức độ ảnh hưởng, Giá trị hữu ích thực tiễn có tác động mạnh nhất (β = 0.40), tiếp theo là Giá trị giải trí (β = 0.35) và cuối cùng là Tính dễ sử dụng cảm nhận (β = 0.25). Kết quả này ngụ ý rằng, đối với sinh viên kinh tế, để hình thành thái độ tích cực, khả năng hỗ trợ hiệu quả công việc của AI quan trọng hơn yếu tố trải nghiệm vui vẻ hay sự dễ dàng trong thao tác.

Bảng 5: Kết quả hồi quy tuyến tính đối với biến phụ thuộc "Ý định tiếp tục sử dụng"

Nguồn: Phân tích từ dữ liệu nghiên cứu

Kết quả hồi quy ở Bảng 5 cho thấy, mô hình có ý nghĩa thống kê cao (R² = 0.35; p < 0.001), giải thích được 35% sự thay đổi của Ý định tiếp tục sử dụng.

Hai giả thuyết H4 và H5 đều được chấp nhận. Trong đó, Thái độ đóng vai trò quan trọng nhất thúc đẩy Ý định sử dụng β = 0.22), tiếp đến là tính cách thích Thử nghiệm tính năng AI mới β =0.18).

Đặc biệt, các yếu tố nhận thức (Giá trị giải trí, Hữu ích, Dễ sử dụng) không còn tác động trực tiếp có ý nghĩa thống kê lên Ý định khi đưa vào cùng Thái độ. Kết quả này khẳng định vai trò trung gian hoàn toàn của Thái độ (hỗ trợ H6): nhận thức tốt phải chuyển hóa thành thái độ yêu thích thì mới dẫn đến hành vi sử dụng bền vững.

Bảng 6: Kiểm định vai trò trung gian của “Thái độ”

Nguồn: Phân tích từ dữ liệu nghiên cứu

Kết quả tại Bảng 6 cho thấy:

Giá trị giải trí có tác động tích cực đến biến trung gian Thái độ (β =0.35).

Biến trung gian Thái độ tiếp tục tác động tích cực đến biến phụ thuộc Ý định tiếp tục sử dụng (β = 0.22).

Kết quả kiểm định Sobel cho thấy, tác động gián tiếp có ý nghĩa thống kê với Z = 2.34 và p = 0.019 (nhỏ hơn mức ý nghĩa 0.05).

Điều này khẳng định rằng, Giá trị giải trí không chỉ tác động đến cảm xúc nhất thời mà còn gián tiếp thúc đẩy Ý định tiếp tục sử dụng lâu dài thông qua việc hình thành một Thái độ tích cực. Do đó, giả thuyết H6 được chấp nhận.

Bảng 7: Tổng hợp kết quả kiểm định giả thuyết

Nguồn: Phân tích từ dữ liệu nghiên cứu

Kết quả thống kê ở Bảng 7 cho thấy, toàn bộ 6 giả thuyết nghiên cứu đề xuất đều được chấp nhận với độ tin cậy cao (p < 0.05).

Cụ thể, các yếu tố thuộc về nhận thức (H1, H2, H3) đã được chứng minh là tiền đề quan trọng hình thành nên Thái độ tích cực. Đồng thời, Thái độ (H4) và tính cách thích Thử nghiệm tính năng mới (H5) là hai động lực trực tiếp thúc đẩy Ý định tiếp tục sử dụng.

Đặc biệt, việc giả thuyết H6 được chấp nhận đã xác nhận cơ chế tác động gián tiếp, khẳng định rằng các yếu tố giải trí cần phải được chuyển hóa thành thái độ yêu thích thì mới tạo ra sự gắn kết bền vững với công cụ AI. Như vậy, mô hình nghiên cứu đề xuất là hoàn toàn phù hợp với dữ liệu thu thập được từ sinh viên kinh tế.

KẾT LUẬN VÀ ĐỀ XUẤT

Kết luận

Kết quả nghiên cứu cho thấy, Giá trị giải trí, Giá trị hữu ích thực tiễn, Tính dễ sử dụng ảnh hưởng tích cực đến Thái độ. Thái độ và Thử nghiệm tính năng AI mới đều ảnh hưởng tích cực đến Ý định tiếp tục sử dụng. Giá trị giải trí ảnh hưởng gián tiếp đến Ý định tiếp tục sử dụng qua Thái độ.

Một số đề xuất

Đối với Nhà nước

Chính phủ cần đầu tư nền tảng AI giáo dục quốc gia, đào tạo giảng viên về Mô hình chấp nhận công nghệ mở rộng.

Đối với giảng viên và trường học

- Tích hợp đào tạo Tính dễ sử dụng cảm nhận: Các hội thảo sử dụng AI đơn giản, như hướng dẫn ChatGPT cho phân tích dữ liệu kinh tế.

- Tăng cường Giá trị giải trí: Thiết kế bài tập gamified với AI, ví dụ mô phỏng thị trường ảo để tạo niềm vui học tập.

- Khuyến khích Thử nghiệm tính năng AI mới : Chương trình khuyến mãi cho sinh viên thử nghiệm AI mới, như cuộc thi dự báo kinh tế bằng Gemini.

Đối với nhà phát triển AI

- Cải thiện giao diện: Tập trung vào tính dễ sử dụng, hỗ trợ tiếng Việt và ví dụ kinh tế cụ thể.

- Tích hợp giá trị: Thêm yếu tố hedonic như phản hồi cá nhân hóa vui vẻ để nâng cao thái độ.

Tài liệu tham khảo:

1. Agarwal, R., & Prasad, J. (1998). A Conceptual and Operational Definition of Personal Innovativeness in the Domain of Information Technology. Information Systems Research, 9(2), 204-215.

2. Ajzen, I., & Fishbein, M. (1980). Understanding Attitudes and Predicting Social Behavior. Prentice-Hall.

3. Babin, B. J., et al. (1994). Work and or Fun: Measuring Hedonic and Utilitarian Shopping Value. Journal of Consumer Research, 20(4), 644-662.

4. Bhattacherjee, A. (2001). Understanding Information Systems Continuance An Expectation-Confirmation Model. MIS Quarterly, 25(4), 351-370.

5. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.

6. Holbrook, M. B., & Hirschman, E. C. (1982). The Experiential Aspects of Consumption: Consumer Fantasies, Feelings, and Fun. Journal of Consumer Research, 9(2), 132-140.

7. Jo, I. (2023). Teacher s' voices in systemic change: Improving technological integration in education. Journal of Educational Technology, 45(1), 12-25.

8. Nguyễn Văn A. (2024). Nghiên cứu về AI trong giáo dục Việt Nam. Tạp chí Giáo dục, 15(2), 45-60.

9. Xie, Y. et al. (2023). Understanding continued use intention of AI assistants. Journal of Computer Information Systems, 63(6), 1424-1437.