Đề xuất mô hình nghiên cứu về năng lực số của cán bộ quản lý đại học trong bối cảnh chuyển đổi số

Trần Tân Anh Phương (Tác giả liên hệ)

Trường Đại học Kinh tế, Đại học Huế; Email: ttaphuong.dhkt25@hueuni.edu.vn

Trần Hà Uyên Thi

Trường Đại học Kinh tế, Đại học Huế; Email: thitran@hueuni.edu.vn

Mạch Trần Huy

Trường Đại học Công nghệ Miền Đông; Email: huymt@mit.vn

Tóm tắt

Dựa trên phân tích có hệ thống các dòng nghiên cứu về chuyển đổi số, lãnh đạo số, năng lực dữ liệu, đổi mới số, hợp tác số, hiệu quả quản lý và mức độ sẵn sàng ứng dụng trí tuệ nhân tạo, nghiên cứu đề xuất một mô hình nghiên cứu tích hợp về năng lực số của cán bộ quản lý đại học trong bối cảnh chuyển đổi số. Mô hình xác định năng lực số của cán bộ quản lý đại học là cấu trúc bậc hai được hình thành bởi 4 thành phần: lãnh đạo số, năng lực dữ liệu, đổi mới số và hợp tác số. Trên nền tảng Lý thuyết dựa trên nguồn lực và Lý thuyết năng lực động, nghiên cứu lập luận rằng, năng lực số tác động tích cực đến hiệu quả quản lý; đồng thời, mức độ sẵn sàng ứng dụng trí tuệ nhân tạo (AIR) được đề xuất là biến điều tiết làm tăng cường mối quan hệ này. Nghiên cứu đóng góp bằng cách định vị năng lực số như một năng lực quản trị số chuyên biệt của cán bộ quản lý đại học và cung cấp nền tảng lý thuyết cho các nghiên cứu thực nghiệm tiếp theo trong bối cảnh Việt Nam.

Từ khóa: Năng lực số, cán bộ quản lý đại học, hiệu quả quản lý, AIR, chuyển đổi số

Abstract

Based on a systematic analysis of research streams on digital transformation, digital leadership, data capabilities, digital innovation, digital collaboration, management effectiveness, and artificial intelligence readiness, this study proposes an integrated research model of university managers' digital competence in the context of digital transformation. The model conceptualizes the digital competence of university managers as a second-order construct comprising four dimensions: digital leadership, data capabilities, digital innovation, and digital collaboration. Grounded in the Resource-Based View and Dynamic Capabilities Theory, the study argues that digital competence positively affects management effectiveness; meanwhile, artificial intelligence readiness (AIR) is proposed as a moderating variable that strengthens this relationship. The study contributes by positioning digital competence as a specialized digital management capability among university managers and by providing a theoretical foundation for subsequent empirical research in the context of Viet Nam.

Keywords: Digital competence, university managers, management effectiveness, AIR, digital transformation

GIỚI THIỆU

Chuyển đổi số (CĐS) đã trở thành một xu hướng chiến lược trong các tổ chức, không chỉ thay đổi công nghệ được sử dụng, mà còn tái cấu trúc mô hình vận hành, phương thức tạo giá trị và quan hệ giữa tổ chức với các bên liên quan. Vial (2019) xem CĐS là quá trình, trong đó các công nghệ số tạo ra những gián đoạn, buộc tổ chức phải phản ứng chiến lược và tái cấu hình cách thức tạo ra giá trị. Verhoef và cộng sự (2021) tiếp tục nhấn mạnh rằng, CĐS là hiện tượng đa cấp, liên quan đồng thời đến chiến lược, tổ chức, công nghệ, khách hàng và nguồn lực con người. Vì vậy, hiệu quả của CĐS không thể được giải thích chỉ bằng mức độ đầu tư hạ tầng hay số lượng nền tảng được triển khai.

Trong giáo dục đại học, CĐS diễn ra trên nhiều phương diện: quản trị đào tạo, khảo thí, bảo đảm chất lượng, nghiên cứu khoa học, quản lý nhân sự, tài chính, dịch vụ người học và trách nhiệm giải trình. Ngày nay, các trường đại học ngày càng dựa vào hệ thống thông tin tích hợp, dữ liệu theo thời gian thực và các nền tảng cộng tác để điều phối hoạt động. Tuy nhiên, sự hiện diện của công nghệ không tự động tạo ra sự cải thiện trong quản trị. Giá trị của công nghệ phụ thuộc vào khả năng của đội ngũ quản lý trong việc nhận diện cơ hội, huy động nguồn lực, điều chỉnh quy trình và tạo ra sự chấp nhận trong tổ chức (Kane và cộng sự, 2019; McCarthy và cộng sự, 2023).

Cán bộ quản lý đại học là lực lượng trung gian chuyển hóa chiến lược số thành hành động quản trị, đồng thời phải ra quyết định, tổ chức dữ liệu, phối hợp liên đơn vị, giám sát chất lượng, giải trình và dẫn dắt thay đổi. Do đó, năng lực số của cán bộ quản lý không thể được hiểu đơn thuần là khả năng sử dụng phần mềm hoặc thiết bị, mà cần được xem như một năng lực quản trị số, phản ánh khả năng sử dụng công nghệ, dữ liệu và nền tảng số để đạt được mục tiêu quản lý. Cách tiếp cận này phù hợp với quan điểm rằng, năng lực số mang tính vai trò và bối cảnh; cùng một công nghệ nhưng yêu cầu năng lực khác nhau đối với công dân, giảng viên và nhà quản lý (Redecker, 2017; Vuorikari và cộng sự, 2022).

Phần lớn các khung năng lực số hiện có được thiết kế cho công dân, người học hoặc nhà giáo dục. DigComp 2.2 nhấn mạnh các miền thông tin và dữ liệu, giao tiếp và hợp tác, sáng tạo nội dung, an toàn và giải quyết vấn đề (Vuorikari và cộng sự, 2022); trong khi DigCompEdu tập trung vào thực hành chuyên môn của nhà giáo dục, sử dụng tài nguyên số, dạy học, đánh giá và trao quyền cho người học (Redecker, 2017). Các khung này có giá trị tham khảo quan trọng nhưng chưa phản ánh đầy đủ các yêu cầu đặc thù của công việc quản lý đại học như định hướng CĐS, ra quyết định dựa trên dữ liệu, đổi mới quy trình và điều phối liên đơn vị.

Song song với CĐS, sự phát triển nhanh của trí tuệ nhân tạo (AI), đặc biệt là AI tạo sinh đang mở rộng khả năng hỗ trợ quản lý thông qua phân tích, tổng hợp, dự báo và tự động hóa. Tuy nhiên, AI cũng làm gia tăng rủi ro về độ tin cậy, thiên lệch, bảo mật, đạo đức và trách nhiệm giải trình. Điều này cho thấy, với cùng một mức năng lực số, cán bộ quản lý có mức độ sẵn sàng ứng dụng AI khác nhau có thể đạt hiệu quả quản lý khác nhau. Các nghiên cứu gần đây đã phát triển khái niệm mức độ sẵn sàng ứng dụng trí tuệ nhân tạo (AIR) trong giáo dục, nhưng chủ yếu tập trung vào giáo viên và giảng viên (Pasupuleti và cộng sự, 2026; Wang và cộng sự, 2023).

Từ khoảng trống trên, nghiên cứu được thực hiện nhằm đề xuất một mô hình nghiên cứu về năng lực số của cán bộ quản lý đại học trong bối cảnh CĐS.

CHUYỂN ĐỔI SỐ VÀ YÊU CẦU NĂNG LỰC ĐỐI VỚI CÁN BỘ QUẢN LÝ ĐẠI HỌC

Quản trị đại học trong môi trường số khác với quản trị truyền thống: (i) Quyết định quản lý ngày càng phụ thuộc vào dữ liệu được tạo ra từ nhiều hệ thống và đơn vị; (ii) Các quy trình có xu hướng liên chức năng, đòi hỏi khả năng phối hợp vượt qua ranh giới phòng, khoa và cấp quản lý; và (iii) Nhịp độ thay đổi nhanh làm tăng yêu cầu thử nghiệm, điều chỉnh và tái cấu hình quy trình. Những đặc điểm này phù hợp với nhận định rằng, CĐS trong giáo dục không chỉ là số hóa công cụ, mà còn là thay đổi hệ thống quản trị, năng lực lãnh đạo và quy trình tạo giá trị trong cơ sở giáo dục đại học (McCarthy và cộng sự, 2023; Mabotha và Ngcamu, 2026; Ricartti-Villagrán và cộng sự, 2026). Do đó, cán bộ quản lý không chỉ cần hiểu công nghệ mà còn phải có khả năng chuyển hóa công nghệ thành hành vi quản trị.

Trong bối cảnh đó, năng lực của cán bộ quản lý trở thành một điều kiện quan trọng trong việc thực thi. Nghiên cứu về CĐS cho thấy, sự khác biệt về kết quả không chỉ đến từ công nghệ mà còn từ lãnh đạo, văn hóa, kỹ năng và cơ chế phối hợp (Kane và cộng sự, 2019). Tại các trường đại học, cán bộ quản lý giữ vai trò kết nối giữa chính sách, hạ tầng số và thực hành tổ chức. Họ phải nhận diện nhu cầu, tạo sự đồng thuận, giải quyết xung đột giữa chuẩn hóa và tính linh hoạt, đồng thời bảo đảm tuân thủ và trách nhiệm giải trình.

Yêu cầu năng lực cũng trở nên đa chiều hơn khi AI được tích hợp vào công tác quản lý. Sử dụng AI có trách nhiệm không chỉ đòi hỏi năng lực thao tác, mà còn cần khả năng đánh giá đầu ra, nhận diện giới hạn, kiểm soát rủi ro và xác định phạm vi ra quyết định của con người. Các nghiên cứu gần đây về AIR trong giáo dục cho thấy sự sẵn sàng ứng dụng AI bao gồm: nhận thức, năng lực, tầm nhìn, đạo đức, tự hiệu quả công nghệ và điều kiện hỗ trợ (Pasupuleti và cộng sự, 2026). Vì vậy, nghiên cứu về năng lực số của cán bộ quản lý đại học cần vượt ra ngoài phạm vi kỹ năng công nghệ chung để tiếp cận các năng lực quản trị đặc thù.

TỔNG QUAN NGHIÊN CỨU

Từ năng lực số chung đến năng lực quản trị số

Năng lực số ban đầu thường được mô tả là khả năng sử dụng công nghệ để truy cập, xử lý và truyền đạt thông tin. Theo thời gian, khái niệm này được mở rộng để bao gồm tư duy phản biện, sáng tạo, hợp tác, an toàn và giải quyết vấn đề. DigComp 2.2 là một trong những khung tổng quát có ảnh hưởng, xác định 5 miền năng lực gồm: thông tin và dữ liệu, giao tiếp và hợp tác, sáng tạo nội dung số, an toàn và giải quyết vấn đề (Vuorikari và cộng sự, 2022).

Trong giáo dục, DigCompEdu cho thấy năng lực số cần được bối cảnh hóa theo vai trò nghề nghiệp. Tuy nhiên, khung này chủ yếu phục vụ nhà giáo dục và tập trung vào việc dạy học, đánh giá và trao quyền cho người học (Redecker, 2017). Trong khi đó, đối với cán bộ quản lý đại học, yêu cầu công việc khác biệt: họ cần định hướng, tổ chức, điều phối, giám sát và cải tiến. Vì vậy, việc kế thừa các khung chung cần được kết hợp với các dòng nghiên cứu về lãnh đạo, dữ liệu, đổi mới và hợp tác số.

Trong nghiên cứu này, năng lực số của cán bộ quản lý đại học được định nghĩa là khả năng tích hợp công nghệ số, dữ liệu và nền tảng hợp tác vào các hoạt động định hướng, ra quyết định, đổi mới và điều phối nhằm nâng cao hiệu quả quản lý. Định nghĩa này nhấn mạnh 3 thuộc tính: tính gắn với vai trò quản lý, tính tích hợp nhiều loại năng lực và tính hướng tới kết quả.

Các dòng nghiên cứu cấu thành năng lực số

Lãnh đạo số phản ánh khả năng hình thành tầm nhìn số, dẫn dắt thay đổi, khuyến khích ứng dụng công nghệ và tạo điều kiện thực thi. Westerman và cộng sự (2014) phân biệt năng lực số với năng lực lãnh đạo số và cho rằng giá trị chuyển đổi chỉ xuất hiện khi 2 nhóm năng lực được kết hợp. Kane và cộng sự (2019) nhấn mạnh vai trò của lãnh đạo trong việc xây dựng đội nhóm linh hoạt, hệ sinh thái hợp tác và chuẩn mực đạo đức số. Trong giáo dục đại học, lãnh đạo số không chỉ là quyết định đầu tư công nghệ, mà còn là khả năng kết nối chiến lược số với mục tiêu học thuật và quản trị. McCarthy và cộng sự (2023) cho rằng, lãnh đạo CĐS trong giáo dục phải tạo ra thay đổi hệ thống. Jing và cộng sự (2025) cho thấy, lãnh đạo học thuật số gắn với nhận thức, thực hành và định hướng số của lãnh đạo đại học.

Năng lực dữ liệu là khả năng thu thập, đánh giá, phân tích, diễn giải và sử dụng dữ liệu trong ra quyết định. Nghiên cứu về năng lực phân tích dữ liệu lớn (Big Data) cho thấy, dữ liệu chỉ cải thiện hiệu quả khi tổ chức có năng lực liên kết dữ liệu với chiến lược và quy trình ra quyết định (Mikalef và Krogstie, 2020), nhấn mạnh vai trò của bối cảnh tổ chức trong việc chuyển hóa năng lực phân tích thành đổi mới quy trình. Trong trường đại học, dữ liệu được tạo ra từ tuyển sinh, đào tạo, khảo thí, bảo đảm chất lượng, khảo sát, nghiên cứu, nhân sự và tài chính. Cán bộ quản lý cần đánh giá độ tin cậy, lựa chọn dữ liệu phù hợp và diễn giải kết quả để phục vụ tham mưu và giám sát. Vì vậy, năng lực dữ liệu là một năng lực quản trị độc lập chứ không chỉ là một kỹ năng kỹ thuật.

Đổi mới số đề cập đến khả năng sử dụng công nghệ số để tạo ra hoặc cải tiến quy trình, dịch vụ và mô hình hoạt động. Nambisan và cộng sự (2019) cho rằng, công nghệ số làm thay đổi bản chất của đổi mới, tạo điều kiện cho thử nghiệm nhanh, tái kết hợp nguồn lực và đổi mới phân tán. Vial (2019) đặt đổi mới số trong quá trình phản ứng chiến lược trước các gián đoạn số. Đối với cán bộ quản lý đại học, đổi mới số thể hiện ở việc phát hiện điểm nghẽn, thử nghiệm công cụ, cải tiến quy trình và chuyển ý tưởng thành hành động.

Hợp tác số phản ánh khả năng phối hợp, chia sẻ thông tin, làm việc nhóm và đồng tạo lập sản phẩm công việc qua nền tảng số. Leonardi (2017) chỉ ra rằng, công nghệ xã hội làm tăng tính hiển thị của tri thức và mở rộng khả năng học hỏi trong tổ chức. Majchrzak và cộng sự (2013) cho thấy, các nền tảng cộng tác hỗ trợ tái sử dụng tri thức và cải tiến tổ chức. Hoạt động quản lý đại học có tính liên chức năng cao; một quyết định thường liên quan đến nhiều đơn vị và cấp quản lý. Do đó, hợp tác số không chỉ là giao tiếp trực tuyến, mà còn là khả năng tổ chức công việc liên kết, duy trì luồng thông tin và đồng tạo lập kết quả quản lý.

Hiệu quả quản lý của cán bộ quản lý đại học

Hiệu quả quản lý là mức độ nhà quản lý đạt được mục tiêu thông qua việc tổ chức, điều phối, ra quyết định, giải quyết vấn đề và cải tiến. Boyatzis (2008) xem năng lực quản lý là tập hợp các đặc điểm và hành vi giúp cá nhân thực hiện hiệu quả vai trò. Yukl (2012) nhấn mạnh các nhóm hành vi định hướng nhiệm vụ, quan hệ, thay đổi và môi trường.

Trong bối cảnh đại học số, hiệu quả quản lý còn bao gồm khả năng ra quyết định kịp thời, sử dụng minh chứng, phối hợp liên đơn vị, nâng cao hiệu suất và thực hiện trách nhiệm giải trình. Ricartti-Villagrán và cộng sự (2026) cho thấy, năng lực của nhà quản lý và phong cách lãnh đạo có liên hệ với CĐS và chất lượng trong giáo dục đại học. Mabotha và Ngcamu (2026) tổng hợp rằng, CĐS có thể cải thiện quy trình và hiệu quả, nhưng tác động phụ thuộc vào năng lực số, hạ tầng và mức độ chấp nhận của nhân sự.

Mức độ sẵn sàng ứng dụng trí tuệ nhân tạo (AIR)

Mức độ sẵn sàng ứng dụng trí tuệ nhân tạo (AIR) phản ánh sự chuẩn bị về nhận thức, thái độ, năng lực và điều kiện hỗ trợ để sử dụng AI. Khác với ý định sử dụng đơn thuần, AIR bao gồm niềm tin vào giá trị của AI, tự hiệu quả, khả năng học hỏi, nhận thức đạo đức và khả năng đánh giá kết quả do AI tạo ra.

Wang và cộng sự (2023) khái niệm hóa AIR trong giáo dục qua các chiều nhận thức, năng lực, tầm nhìn và đạo đức. Pasupuleti và cộng sự (2026) cho thấy, mức độ sẵn sàng AI (AI readiness) và mức độ liên quan AI (AI relevance) là những thành phần quan trọng trong mô hình chấp nhận AI ở giáo dục đại học. Wu và cộng sự (2025) cũng chỉ ra rằng, phản ứng và hành vi sử dụng AI tạo sinh chịu ảnh hưởng bởi nhận thức về lợi ích, rủi ro và bối cảnh sử dụng.

Đối với cán bộ quản lý đại học, AIR có thể quyết định mức độ họ khai thác AI để bổ sung cho năng lực số hiện có. Khi AIR cao, cán bộ quản lý có xu hướng sử dụng AI một cách chủ động nhưng có kiểm soát; khi AIR thấp, năng lực số có thể chưa được chuyển hóa đầy đủ thành hiệu quả trong môi trường quản trị ngày càng tích hợp AI.

Bảng 1: Tổng hợp các dòng nghiên cứu liên quan đến mô hình đề xuất

Nguồn: Tác giả tổng hợp

PHÁT TRIỂN MÔ HÌNH VÀ GIẢ THUYẾT NGHIÊN CỨU

Nền tảng lý thuyết

Lý thuyết dựa trên nguồn lực (RBV) cho rằng, các nguồn lực có giá trị, hiếm, khó bắt chước và khó thay thế là cơ sở tạo ra lợi thế bền vững (Barney, 1991). Trong bối cảnh quản trị đại học, năng lực số của cán bộ quản lý là một nguồn lực vô hình được hình thành từ tri thức, kinh nghiệm, khả năng phán đoán và hiểu biết về bối cảnh. Công nghệ có thể được mua sắm, nhưng khả năng chuyển hóa công nghệ thành kết quả quản lý khó sao chép hơn.

Lý thuyết năng lực động giải thích cách tổ chức và cá nhân tái cấu hình nguồn lực khi môi trường thay đổi. Teece (2007) nhấn mạnh 3 quá trình: cảm nhận, nắm bắt và tái cấu hình. Bốn thành phần của năng lực số trong mô hình đề xuất tương ứng với những quá trình, đó là: lãnh đạo số giúp định hướng và huy động, năng lực dữ liệu giúp cảm nhận, đổi mới số giúp nắm bắt và tái cấu hình, hợp tác số giúp tích hợp tri thức và nguồn lực.

Lý thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT) và mức độ sẵn sàng công nghệ (Technology Readiness) được sử dụng như nền tảng bổ trợ để lý giải AIR. UTAUT cho rằng kỳ vọng hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội và điều kiện hỗ trợ ảnh hưởng đến ý định và hành vi sử dụng công nghệ (Venkatesh và cộng sự, 2003). Technology Readiness phản ánh khuynh hướng sẵn sàng tiếp nhận công nghệ mới (Parasuraman, 2000). Khi kết hợp với nghiên cứu AIR, các lý thuyết này hỗ trợ lập luận rằng AIR có thể thay đổi cường độ tác động của năng lực số đối với hiệu quả quản lý.

Cấu trúc năng lực số của cán bộ quản lý đại học

Cơ sở đề xuất các cấu phần: Lãnh đạo số (DL), Năng lực dữ liệu (DA), Đổi mới số (DI) và Hợp tác số (DCOL) được hình thành từ việc đối sánh các khung năng lực số chung với các dòng nghiên cứu về CĐS trong tổ chức. Trong đó, DigComp/DigCompEdu cung cấp nền tảng về thông tin - dữ liệu và giao tiếp - hợp tác; trong khi đó, các nghiên cứu về lãnh đạo số, dữ liệu lớn, đổi mới số và nền tảng cộng tác cung cấp cơ sở để bối cảnh hóa năng lực số thành năng lực quản trị số của cán bộ quản lý đại học (Redecker, 2017; Vuorikari và cộng sự, 2022; Kane và cộng sự, 2019; Nambisan và cộng sự, 2019; Leonardi, 2017).

Nghiên cứu đề xuất Năng lực số là cấu trúc bậc hai được hình thành bởi 4 thành phần bậc một, đó là: Lãnh đạo số, Năng lực dữ liệu, Đổi mới số và Hợp tác số. Việc lựa chọn 4 thành phần này dựa trên tổng hợp các dòng nghiên cứu về năng lực số, lãnh đạo CĐS, năng lực phân tích dữ liệu, đổi mới số và hợp tác trên nền tảng số (Redecker, 2017; Kane và cộng sự, 2019; Nambisan và cộng sự, 2019; Leonardi, 2017). Cách mô hình hóa này phản ánh rằng, mỗi thành phần đóng góp một khía cạnh khác nhau nhưng bổ sung cho nhau. Một cán bộ quản lý có thể mạnh về sử dụng dữ liệu nhưng yếu về dẫn dắt thay đổi. Do đó, năng lực số tổng thể không thể được đại diện bởi một chiều đơn nhất.

Về mặt đo lường, 4 thành phần được xem là các cấu phần tạo thành năng lực số tổng thể. Việc gia tăng hoặc thiếu hụt một thành phần có thể làm thay đổi nội hàm năng lực số. Vì vậy mối quan hệ giữa 4 cấu phần và Năng lực số (DC) phù hợp với mô hình bậc hai với 4 giả thuyết sau:

H1a: Lãnh đạo số là thành phần cấu thành có ý nghĩa của Năng lực số của cán bộ quản lý đại học.

H1b: Năng lực dữ liệu là thành phần cấu thành có ý nghĩa của Năng lực số của cán bộ quản lý đại học.

H1c: Đổi mới số là thành phần cấu thành có ý nghĩa của Năng lực số của cán bộ quản lý đại học.

H1d: Hợp tác số là thành phần cấu thành có ý nghĩa của Năng lực số của cán bộ quản lý đại học.

Năng lực số và hiệu quả quản lý

Năng lực số giúp cán bộ quản lý cải thiện chất lượng và tốc độ xử lý thông tin, nâng cao khả năng phối hợp, giảm chi phí giao dịch và phát hiện cơ hội cải tiến. Lãnh đạo số hỗ trợ định hướng và huy động, năng lực dữ liệu giúp ra quyết định dựa trên minh chứng, đổi mới số giúp cải tiến quy trình, hợp tác số giúp giảm phân mảnh và tăng tốc độ phối hợp.

Từ góc nhìn dựa trên nguồn lực (RBV), năng lực số là nguồn lực có giá trị vì góp phần nâng cao kết quả công việc. Từ góc nhìn năng lực động, năng lực số giúp cán bộ quản lý thích ứng và tái cấu hình hoạt động trong môi trường biến động. Các nghiên cứu về CĐS cũng cho thấy năng lực lãnh đạo, phân tích dữ liệu và đổi mới có liên hệ tích cực với hiệu quả tổ chức và chất lượng quản trị (Ricartti-Villagrán và cộng sự, 2026). Do đó dẫn đến giả thuyết:

H2: Năng lực số tác động tích cực đến Hiệu quả quản lý của cán bộ quản lý đại học.

Vai trò điều tiết của mức độ sẵn sàng ứng dụng AI

AI có thể mở rộng khả năng của cán bộ quản lý trong phân tích dữ liệu, xây dựng kịch bản, tổng hợp thông tin, soạn thảo và tự động hóa các tác vụ. Tuy nhiên, lợi ích này chỉ xuất hiện khi người quản lý sẵn sàng học hỏi, tin tưởng có điều kiện, nhận diện rủi ro và kiểm soát đầu ra của AI. Các nghiên cứu về AI trong giáo dục cho thấy việc ứng dụng AI chịu ảnh hưởng đồng thời bởi nhận thức về lợi ích, năng lực sử dụng, điều kiện hỗ trợ, trách nhiệm đạo đức và khả năng kiểm soát kết quả do AI tạo ra (Wu và cộng sự, 2025; Pasupuleti và cộng sự, 2026).

Vì vậy, dựa trên nền tảng UTAUT, Technology readiness và các nghiên cứu gần đây về AI readiness trong giáo dục (Parasuraman, 2000; Venkatesh và cộng sự, 2003; Wang và cộng sự, 2023), AIR được kỳ vọng là biến điều tiết dương với giả thuyết sau:

H3: Mức độ sẵn sàng ứng dụng AI điều tiết theo hướng tăng cường mối quan hệ giữa Năng lực số và Hiệu quả quản lý.

Mô hình nghiên cứu

Từ cơ sở lý thuyết và các giả thuyết nghiên cứu, mô hình nghiên cứu được đề xuất như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

Định nghĩa các biến trong mô hình

Các biến trong mô hình được định nghĩa trong Bảng 2.

Bảng 2: Định nghĩa các biến nghiên cứu

Nguồn: Tác giả tổng hợp

Định hướng kiểm định thực nghiệm

Mô hình đề xuất có thể được kiểm định bằng thiết kế hỗn hợp tuần tự. Giai đoạn định tính sử dụng phỏng vấn chuyên gia để đánh giá nội hàm khái niệm, mức độ phù hợp của cấu trúc bậc hai và giá trị nội dung của các item. Kết quả được dùng để hiệu chỉnh thang đo trước khảo sát thử nghiệm.

Giai đoạn định lượng có thể sử dụng PLS-SEM vì mô hình bao gồm cấu trúc bậc hai formative, biến điều tiết và mục tiêu vừa giải thích vừa dự báo. Các cấu trúc bậc một được đánh giá theo mô hình reflective; DC được ước lượng bằng cách tiếp cận 2 giai đoạn. Phân tích cần kiểm tra độ tin cậy, giá trị hội tụ, giá trị phân biệt, đa cộng tuyến, trọng số của các cấu phần bậc hai, hệ số đường dẫn, R², Q² và hiệu ứng điều tiết.

KẾT LUẬN

Nghiên cứu phát triển một mô hình nghiên cứu khái niệm về năng lực số của cán bộ quản lý đại học trong bối cảnh CĐS. Trên cơ sở tổng hợp các dòng nghiên cứu về năng lực số, lãnh đạo số, dữ liệu, đổi mới, hợp tác và AIR, nghiên cứu đề xuất rằng, năng lực số là một năng lực quản trị số đa chiều được hình thành bởi 4 cấu phần: lãnh đạo số, năng lực dữ liệu, đổi mới số và hợp tác số.

Mô hình đề xuất tích hợp Lý thuyết RBV và Lý thuyết năng lực động để giải thích mối quan hệ giữa năng lực số và hiệu quả quản lý. Lý thuyết RBV cho phép xem năng lực số như nguồn lực vô hình có giá trị, Lý thuyết năng lực động giải thích cách nguồn lực này được chuyển hóa thành khả năng cảm nhận, nắm bắt và tái cấu hình. AIR được đưa vào như một điều kiện biên phản ánh bối cảnh AI đang thay đổi hoạt động quản lý đại học.

Nghiên cứu tiếp theo cần tiến hành phỏng vấn chuyên gia, phát triển và xác nhận thang đo, sau đó kiểm định mô hình trên mẫu cán bộ quản lý tại các trường đại học. Các nghiên cứu sau cũng có thể đối sánh theo loại hình trường, cấp quản lý, mức độ tự chủ hoặc mức độ trưởng thành số để làm rõ các điều kiện bối cảnh.

Tài liệu tham khảo:

1. Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management, 17(1), 99-120.

2. Boyatzis, R. E. (2008). Competencies in the 21st century. Journal of Management Development, 27(1), 5-12.

3. Jing, M., Guo, Z., Wu, X., Yang, Z., & Wang, X. (2025). Higher Education Digital Academic Leadership: Perceptions and Practices from Chinese University Leaders. Education Sciences, 15(5), 1-27.

4. Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2019). Accelerating Digital Innovation Inside and Out: Agile Teams, Ecosystems, and Ethics. MIT Sloan Management Review and Deloitte Insights, June (60471), 1-31.

5. Leonardi, P. M. (2017). The social media revolution: Sharing and learning in the age of leaky knowledge. Information and Organization, 27(1), 47-59.

6. Mabotha, P. A. P., & Ngcamu, B. S. (2026). Digital Transformation in the Higher Education Sector: A Systematic Literature Review. Administrative Sciences, 16(1), 1.

7. Majchrzak, A., Wagner, C., & Yates, D. (2013). The Impact of Shaping on Knowledge Reuse for Organizational Improvement with Wikis. MIS Quarterly, 37(2), 455-469.

8. McCarthy, A. M., Maor, D., McConney, A., & Cavanaugh, C. (2023). Digital transformation in education: Critical components for leaders of system change. Social Sciences and Humanities Open, 8(100479), 1-15.

9. Mikalef, P., & Krogstie, J. (2020). Examining the interplay between big data analytics and contextual factors in driving process innovation capabilities. European Journal of Information Systems, 29(3), 260-287.

10. Nambisan, S., Wright, M., & Feldman, M. (2019). The digital transformation of innovation and entrepreneurship: Progress, challenges and key themes. Research Policy, 48(8), 103773.

11. Parasuraman, A. (2000). Technology Readiness Index (Tri): A Multiple-Item Scale to Measure Readiness to Embrace New Technologies. Journal of Service Research, 2(4), 307-320.

12. Pasupuleti, R. S., Jangam, D. C., Appana, S. M., Nalluri, V., & Thiyyagura, D. (2026). Understanding artificial intelligence adoption in higher education: An SEM-based evaluation of readiness and relevance. Contemporary Educational Technology, 18(1), ep621.

13. Redecker, C. (2017). European Framework for the Digital Competence of Educators: DigCompEdu (Yves Punie (ed.)). 2017, European union.

14. Ricartti-Villagrán, A. E., González-Preza, M. A., Pérez-de la Cruz, J. A., Rosales-Ronquillo, H. I., Hernández-Cosain, E. I., Bujanda-Celis, I. S., Salas-Leal, A. C., Briceño-Rodríguez, I. I., & Cupich-Olivares, M. F. (2026). Impact of educational managers competencies and leadership styles on digital transformation and quality in higher education. Frontiers in Education, 11(February), 1-12.

15. Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Strategic Management, 28(August 2007), 1319-1350.

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.

17. Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Qi Dong, J., Fabian, N., & Haenlein, M. (2021). Digital transformation: A multidisciplinary reflection and research agenda. Journal of Business Research, 122(January 2021), 889-901.

18. Vial, G. (2019). Understanding digital transformation: A review and a research agenda. Journal of Strategic Information Systems, 28(2), 118-144.

19. Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2. The Digital Competence Framework for Citizens. In European Union (Ed.), Publications Office of the European Union (Issue KJ-NA-31006-EN-N (online), KJ-NA-31006-EN-C (print)). Publications Office of the European Union.

20. Wang, X., Li, L., Tan, S. C., Yang, L., & Lei, J. (2023). Preparing for AI-enhanced education: Conceptualizing and empirically examining teachers’ AI readiness. Computers in Human Behavior, 146(Article 107798).

21. Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading Digital. Harvard Business Review Press, 1-303.

22. Wu, F., Dang, Y., & Li, M. (2025). A Systematic Review of Responses, Attitudes, and Utilization Behaviors on Generative AI for Teaching and Learning in Higher Education. Behavioral Sciences, 15(4), 467.

23. Yukl, G. (2012). Effective leadership behavior: What we know and what questions need more attention. Academy of Management Perspectives, 26(4), 66-85.