TS. Mã Bích Tiên

Khoa Thương mại, Trường Đại học Văn Lang

Email: tien.mb@vlu.edu.vn

Tóm tắt

Nghiên cứu khám phá các yếu tố ảnh hưởng đến hành vi chấp nhận ChatGPT trong lĩnh vực du lịch, dựa trên khung lý thuyết AIDUA. Dữ liệu được thu thập từ 475 khách hàng tại TP. Hồ Chí Minh thông qua khảo sát trực tuyến và được phân tích bằng mô hình phương trình cấu trúc (SEM). Kết quả cho thấy, Ảnh hưởng xã hội, Động lực giải trí và Sự phụ thuộc công nghệ có ảnh hưởng tích cực đến Niềm tin, từ đó nâng cao Hiệu quả kỳ vọng và Mức độ hài lòng. Sự hài lòng tiếp tục là yếu tố thúc đẩy Hành vi chấp nhận ChatGPT trong trải nghiệm du lịch. Những phát hiện này không chỉ củng cố vai trò trung tâm của niềm tin trong việc chấp nhận công nghệ AI, mà còn đưa ra hàm ý thực tiễn quan trọng cho việc triển khai ChatGPT nhằm nâng cao chất lượng dịch vụ và trải nghiệm du khách.

Từ khóa: AI, AIDUA, ChatGPT, nhận thức và hành vi, du lịch

Summary

The study explores the factors influencing the acceptance behavior of ChatGPT in the tourism sector, based on the Artificially Intelligent Device Use Acceptance (AIDUA) theoretical framework. Data were collected from 475 customers in Ho Chi Minh City through an online survey and analyzed using Structural Equation Modeling (SEM). The findings indicate that social influence, hedonic motivation, and technological dependency positively affect users’ trust, thereby enhancing performance expectancy and user satisfaction. Satisfaction plays a key role in encouraging people to use ChatGPT in their travel experiences. These findings not only reinforce the central role of trust in the adoption of AI technologies but also provide practical implications for the implementation of ChatGPT to improve service quality and enhance the tourist experience.

Keywords: AI, AIDUA, ChatGPT, perception and behavior, tourism

GIỚI THIỆU

Sự phát triển mạnh mẽ của công nghệ xử lý ngôn ngữ tự nhiên đã tạo nền tảng cho sự ra đời của các mô hình tiên tiến như ChatGPT, được xây dựng trên nền tảng GPT-4.0. Các mô hình này có khả năng hiểu và phản hồi bằng ngôn ngữ tự nhiên một cách linh hoạt, chính xác và mang tính cá nhân hóa cao. ChatGPT có thể thực hiện nhiều nhiệm vụ khác nhau như: tóm tắt văn bản, dịch thuật, trả lời câu hỏi, tạo nội dung và hình ảnh, mở ra tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực.

Một số học giả nhận định rằng sự xuất hiện của ChatGPT đánh dấu bước chuyển mình sang “kỷ nguyên trí tuệ nhân tạo - AI”, nơi AI có thể xử lý các tình huống phức tạp với mức độ tương tác và nhận thức gần như con người. Không giống như các hệ thống AI truyền thống, ChatGPT sở hữu khả năng hiểu ngữ cảnh sâu, học hỏi từ dữ liệu phong phú và thích nghi hiệu quả với các tương tác thực tế. Nhờ vậy, công nghệ này được ứng dụng ngày càng rộng rãi trong các lĩnh vực như: y tế, giáo dục, dịch vụ khách hàng, du lịch và khách sạn.

Mặc dù sự quan tâm từ giới học thuật và doanh nghiệp đối với ChatGPT ngày càng gia tăng, nhưng vẫn còn thiếu các nghiên cứu thực nghiệm chuyên sâu về việc ứng dụng công nghệ này trong các hoạt động liên quan đến du lịch (Gursoy và cộng sự, 2023). Trong thực tế, ChatGPT đã nhanh chóng được tích hợp trong lĩnh vực du lịch - khách sạn nhằm nâng cao chất lượng dịch vụ và trải nghiệm khách hàng. Với khả năng hoạt động liên tục 24/7, ChatGPT có thể hỗ trợ trả lời các câu hỏi, đề xuất hành trình, cá nhân hóa ưu đãi và xử lý các yêu cầu đặt dịch vụ cơ bản. Những tính năng này giúp doanh nghiệp không chỉ tối ưu hóa chi phí vận hành, mà còn nâng cao mức độ hài lòng và lòng trung thành của khách hàng trong bối cảnh cạnh tranh khốc liệt hiện nay.

Để lý giải hành vi chấp nhận sử dụng ChatGPT, cần áp dụng các mô hình lý thuyết phù hợp với đặc điểm của công nghệ AI. Trong bối cảnh đó, Gursoy và cộng sự (2019) đã đề xuất mô hình AIDUA, mô tả quá trình chấp nhận thiết bị AI theo 3 giai đoạn. Mô hình AIDUA cũng đã được ứng dụng rộng rãi trong các nghiên cứu gần đây liên quan đến lĩnh vực du lịch, như nghiên cứu của Wong và cộng sự (2023). Tuy nhiên, mô hình này vẫn chưa xem xét đến yếu tố niềm tin - một yếu tố then chốt trong việc chấp nhận công nghệ (Della Corte và cộng sự, 2023). Ngoài ra, các học giả khác như Pham và cộng sự (2024), cũng chỉ ra rằng, sự hài lòng của khách hàng có ảnh hưởng đáng kể đến ý định tiếp tục sử dụng dịch vụ AI. Vì vậy, việc tích hợp 2 yếu tố niềm tin và ý định hành vi tiếp tục sử dụng vào mô hình AIDUA là cần thiết để phản ánh đầy đủ hơn tiến trình chấp nhận công nghệ.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Mô hình chấp nhận sử dụng thiết bị AI

Trong nhiều thập kỷ qua, mô hình chấp nhận công nghệ (TAM) của (Davis và cộng sự, 1989) và mô hình hợp nhất về chấp nhận và sử dụng công nghệ (UTAUT) của Venkatesh và cộng sự (2003) đã được sử dụng như những nền tảng lý thuyết chính trong việc nghiên cứu hành vi chấp nhận công nghệ của người tiêu dùng trong nhiều lĩnh vực, bao gồm cả du lịch (Mogaji và cộng sự, 2024). Theo TAM, 2 yếu tố chính chi phối ý định sử dụng công nghệ của người dùng là nhận thức về tính hữu ích và mức độ dễ sử dụng (Davis và cộng sự, 1989). Mặc dù có tính ứng dụng cao, mô hình này đã vấp phải nhiều chỉ trích trong bối cảnh ngành du lịch, do không xem xét đầy đủ các yếu tố bối cảnh như: môi trường dịch vụ, tương tác giữa người với người và ảnh hưởng xã hội - những yếu tố có ảnh hưởng rõ rệt đến hành vi của khách hàng trong lĩnh vực này (Mogaji và cộng sự, 2024).

Nhằm khắc phục một phần những hạn chế của TAM, Venkatesh và cộng sự (2003) đã phát triển mô hình UTAUT bằng cách bổ sung các yếu tố như: ảnh hưởng xã hội và điều kiện hỗ trợ, bên cạnh kỳ vọng về hiệu suất và nỗ lực. Tuy nhiên, cả TAM và UTAUT đều được thiết kế để áp dụng cho các công nghệ không có AI và do đó, không phản ánh đầy đủ các đặc điểm đặc thù của các công nghệ AI hiện đại (Bhuiyan và cộng sự, 2024). Cụ thể, các thiết bị AI hiện nay được thiết kế với khả năng tương tác xã hội và nhận thức cảm xúc - những yếu tố vượt ngoài phạm vi phân tích của TAM và UTAUT. Do vậy, các mô hình truyền thống này khó có thể giải thích trọn vẹn hành vi của người tiêu dùng khi tương tác với công nghệ AI trong môi trường du lịch (Chi và cộng sự, 2020)

Trước những hạn chế trên, Gursoy và cộng sự (2019) đã đề xuất mô hình chấp nhận sử dụng thiết bị AI (AIDUA - Artificially Intelligent Device Use Acceptance), với cấu trúc gồm 3 giai đoạn. Trong giai đoạn đầu, các yếu tố như: ảnh hưởng xã hội, động lực giải trí và tính nhân hóa ảnh hưởng đến nhận thức của người tiêu dùng về lợi ích và chi phí khi sử dụng thiết bị AI, được thể hiện thông qua kỳ vọng về hiệu suất và nỗ lực. Trong giai đoạn thứ hai, những nhận thức này sẽ ảnh hưởng đến cảm xúc tích cực hoặc tiêu cực của người dùng đối với thiết bị AI. Cuối cùng, ở giai đoạn thứ ba, cảm xúc của người tiêu dùng sẽ quyết định hành vi chấp nhận hoặc từ chối sử dụng công nghệ AI.

Kể từ khi được giới thiệu, mô hình AIDUA đã được ứng dụng trong một số nghiên cứu trong ngành du lịch, điển hình như các nghiên cứu của Bhuiyan và cộng sự (2024), Wong và cộng sự (2023). Tuy nhiên, mô hình này vẫn còn một số hạn chế cần được khắc phục. Cụ thể, vai trò của niềm tin - một yếu tố then chốt trong việc chấp nhận công nghệ - vẫn chưa được tích hợp vào mô hình, mặc dù nhiều nghiên cứu đã khẳng định tầm quan trọng của nó, đặc biệt trong bối cảnh sử dụng robot dịch vụ du lịch (Della Corte và cộng sự, 2023). Bên cạnh đó, các nghiên cứu gần đây cũng chỉ ra rằng, sự hài lòng của khách hàng đóng vai trò quan trọng trong việc hình thành ý định tiếp tục sử dụng công nghệ AI (Phạm và cộng sự, 2024). Tuy nhiên, yếu tố này vẫn chưa được đưa vào mô hình AIDUA. Do đó, việc mở rộng mô hình AIDUA bằng cách tích hợp thêm các yếu tố như: Niềm tin, Sự hài lòng và Ý định hành vi tiếp tục sử dụng là cần thiết để phản ánh đầy đủ hơn cơ chế chấp nhận công nghệ AI trong ngành du lịch hiện đại.

Mô hình nghiên cứu đề xuất

Trên cơ sở lý thuyết và các nghiên cứu đi trước, tác giả xây dựng mô hình nghiên cứu các yếu tố ảnh hưởng đến hành vi chấp nhận ChatGPT trong lĩnh vực du lịch như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Tác giả đề xuất

Từ mô hình nghiên cứu đề xuất, các giả thuyết được đưa ra như sau:

H1: Ảnh hưởng xã hội tác động tích cực đến Niềm tin vào ChatGPT.

H2: Động lực giải trí tác động tích cực đến Niềm tin vào ChatGPT.

H3: Tính nhân hóa tác động tích cực đến Niềm tin vào ChatGPT.

H4: Sự phụ thuộc công nghệ tác động tích cực đến Niềm tin vào ChatGPT.

H5: Cảm nhận rủi ro tác động tiêu cực đến Niềm tin vào ChatGPT.

H6: Niềm tin tác động tích cực đến Hiệu quả kỳ vọng khi dùng ChatGPT.

H7: Niềm tin tác động tích cực đến Sự hài lòng của khách hàng.

H8: Niềm tin tác động tiêu cực đến Nỗ lực kỳ vọng sử dụng ChatGPT.

H9: Sự hài lòng tác động tích cực đến Hành vi chấp nhận.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng với thiết kế khảo sát nhằm kiểm định mô hình mở rộng AIDUA trong bối cảnh ứng dụng ChatGPT vào các hoạt động liên quan đến du lịch. Dữ liệu được thu thập từ 475 khách hàng tại TP. Hồ Chí Minh thông qua bảng câu hỏi trực tuyến được thiết kế dựa trên các thang đo đã được kiểm định từ các nghiên cứu trước và điều chỉnh cho phù hợp với bối cảnh nghiên cứu tại Việt Nam. Tất cả các mục hỏi đều được đánh giá trên thang đo Likert 5 điểm, từ 1 (Hoàn toàn không đồng ý) đến 5 (Hoàn toàn đồng ý).

Phương pháp chọn mẫu có chủ đích được áp dụng với 2 tiêu chí sàng lọc chính: (i) Người tham gia phải đã từng đi du lịch trong nước hoặc quốc tế trong vòng 12 tháng qua; (ii) Người tham gia có kinh nghiệm sử dụng ChatGPT. Trước khi tiến hành khảo sát chính thức, bảng câu hỏi được gửi đến 14 chuyên gia trong lĩnh vực học thuật và marketing để đánh giá cấu trúc, ngôn ngữ và độ rõ ràng của các thang đo (Struminskaya và cộng sự, 2015). Quá trình đánh giá chuyên gia này giúp điều chỉnh những nội dung chưa phù hợp và giảm thiểu nguy cơ sai lệch phản hồi (Ball, 2019).

Phân tích dữ liệu và kiểm định giả thuyết được thực hiện bằng phần mềm SPSS và AMOS phiên bản 29. Các giá trị ngoại lai và tính phân phối chuẩn được đánh giá thông qua kiểm tra đơn biến với điểm Z. Các ngoại lai đa biến được xác định bằng khoảng cách Mahalanobis (D²) (Nghiên cúu sử dụng cách viết số thập phân theo chuẩn quốc tế).

KẾT QUẢ NGHIÊN CỨU

Về đặc điểm mẫu, phần lớn người tham gia khảo sát là nữ (54.3%). Nhóm tuổi chiếm tỷ lệ cao nhất là từ 18-25 tuổi, chiếm 57.9% tổng số người tham gia; tiếp theo là nhóm từ 26-35 tuổi với 20.9%; còn lại 21.2% là những người từ 36 tuổi trở lên. Phân bố độ tuổi này tương đối phù hợp với cơ cấu dân số Việt Nam, trong đó khoảng 60% dân số nằm trong độ tuổi từ 15-54. Ngoài ra, 68% người tham gia khảo sát có trình độ đại học. Về thu nhập hộ gia đình hàng tháng, 49.7% có thu nhập dưới 20 triệu đồng; 17.8% trong khoảng 20-30 triệu đồng và 10.7% thuộc nhóm thu nhập từ 30-40 triệu đồng.

Trước khi tiến hành kiểm định giả thuyết, độ lệch (skewness) và độ nhọn (kurtosis) được đánh giá, cho thấy không có vấn đề nghiêm trọng về phân phối dữ liệu. Sau khi làm sạch dữ liệu ban đầu, có 449/475 bảng trả lời được xác định là phù hợp để phân tích. Các giá trị skewness và kurtosis nằm trong phạm vi cho phép, xác nhận rằng dữ liệu đạt yêu cầu để phân tích mô hình phương trình cấu trúc (SEM).

Bên cạnh đó, độ tin cậy về tính nhất quán nội tại của các biến quan sát và các cấu trúc được đánh giá. Bảng 1 cho thấy, hệ số Cronbach’s Alpha của tất cả các cấu trúc đều vượt ngưỡng được chấp nhận chung là 0.70, dao động từ 0.79-0.95 (Hair và cộng sự, 2014). Phương sai trích trung bình (AVE) của tất cả các cấu trúc đều > 0.50 và độ tin cậy tổng hợp (CR) đều vượt mức yêu cầu tối thiểu 0.70, trong đó giá trị CR thấp nhất là 0.79, xác nhận độ giá trị hội tụ của thang đo. Ngoài ra, căn bậc hai của các giá trị AVE của từng cấu trúc đều cao hơn so với hệ số tương quan với các cấu trúc khác, cho thấy giá trị phân biệt đạt yêu cầu (Hair và cộng sự, 2014).

Kết quả từ mô hình đo lường chỉ ra rằng, các chỉ số phù hợp mô hình tăng cường (IFI, TLI và CFI) đều > 0.90. Chỉ số sai số xấp xỉ trung bình bình phương gốc (RMSEA) và sai số bình phương trung bình chuẩn hóa (SRMR) đều < 0.07 đối với cỡ mẫu lớn hơn 250 (Hair và cộng sự, 2014). Các chỉ số này thể hiện sự phù hợp mô hình. Cụ thể, mức độ phù hợp mô hình đo lường đạt: χ² (723) = 2061.521; P < 0.001; RMSEA = 0.055; SRMR = 0.081; IFI = 0.936; TLI = 0.927; CFI = 0.935.

Bảng 1: Kết quả phân tích độ tin cậy và giá trị phân biệt

Ghi chú: Các giá trị in đậm trên đường chéo là căn bậc hai của AVE tương ứng với từng biến ẩn.

Nguồn: Kết quả xử lý dữ liệu

Bảng 2: Kết quả kiểm định mô hình cấu trúc

Ghi chú: *** p < 0.001; ** p < 0.05.

Nguồn: Kết quả xử lý dữ liệu

Chỉ số mô hình: χ²(681) = 1702.160; RMSEA = 0.058; SRMR = 0.0774; IFI = 0.932; TLI = 0.926; CFI = 0.932.

Kết quả kiểm định mô hình cấu trúc bằng phương pháp SEM cho thấy, phần lớn các giả thuyết nghiên cứu được hỗ trợ thống kê. Cụ thể: Ảnh hưởng xã hội - H1 (β = 0.15, t = 3.460, p < 0.001), Động lực giải trí - H2 (β = 0.11, t = 2.639, p < 0.001) và Sự phụ thuộc công nghệ - H4 (β = 0.80, t = 14.411, p < 0.001) đều có tác động tích cực và có ý nghĩa đến Niềm tin của người tiêu dùng đối với ChatGPT. Tuy nhiên, Tính nhân hóa - H3 (β = -0.05, t = -1.332) và Rủi ro cảm nhận - H5 (β = 0.03, t = 0.086) không có ảnh hưởng đáng kể đến Niềm tin.

Ngoài ra, Niềm tin có ảnh hưởng tích cực và đáng kể đến cả Hiệu quả kỳ vọng - H6 (β = 0.73, t = 14.820, p < 0.001), Sự hài lòng - H7 (β = 0.80, t = 17.274, p < 0.001) và Nỗ lực kỳ vọng - H8 (β = 0.12, t = 2.303, p < 0.05). Cuối cùng, Sự hài lòng có tác động mạnh đến Ý định hành vi chấp nhận sử dụng ChatGPT - H9 (β = 0.71, t = 14.161, p < 0.001), cho thấy vai trò trung gian quan trọng của Sự hài lòng trong mô hình nghiên cứu.

Nhìn chung, các kết quả này củng cố giá trị của mô hình mở rộng AIDUA, đồng thời khẳng định vai trò trung tâm của Niềm tin và Sự hài lòng trong việc thúc đẩy Hành vi chấp nhận công nghệ ChatGPT trong lĩnh vực du lịch.

KẾT LUẬN

Dựa trên khung lý thuyết AIDUA, nghiên cứu này đã xây dựng và kiểm định một mô hình khái niệm nhằm khám phá các yếu tố ảnh hưởng đến hành vi chấp nhận sử dụng ChatGPT trong bối cảnh dịch vụ du lịch. Kết quả chỉ ra rằng, Hành vi chấp nhận ChatGPT của khách hàng diễn ra theo một tiến trình đa giai đoạn, trong đó, Niềm tin đóng vai trò trung tâm. Cụ thể, Niềm tin vào ChatGPT được hình thành từ 3 yếu tố chính: Ảnh hưởng xã hội, Động lực giải trí và Sự phụ thuộc công nghệ. Niềm tin này sau đó ảnh hưởng đáng kể đến Hiệu quả kỳ vọng, Nỗ lực kỳ vọng cũng như Mức độ hài lòng của người dùng. Cuối cùng, Sự hài lòng được xác định là yếu tố trực tiếp thúc đẩy Hành vi chấp nhận công nghệ AI này.

Về mặt lý thuyết, nghiên cứu đóng góp bằng cách mở rộng mô hình AIDUA thông qua việc tích hợp các yếu tố quan trọng như: niềm tin và sự hài lòng, giúp giải thích đầy đủ hơn tiến trình ra quyết định của người tiêu dùng trong việc chấp nhận ChatGPT. Về mặt thực tiễn, các phát hiện từ nghiên cứu mang lại giá trị thiết thực cho các nhà quản lý điểm đến, nhà phát triển công nghệ AI và nhà hoạch định chính sách trong việc triển khai và tối ưu hóa các ứng dụng AI như ChatGPT nhằm nâng cao chất lượng dịch vụ, cải thiện trải nghiệm du lịch và thúc đẩy hành vi sử dụng bền vững từ phía khách hàng.

Tài liệu tham khảo:

1. Ball, H. L. (2019). Conducting online surveys, Journal of Human Lactation, 35(3), 413-417.

2. Bhuiyan, K. H., Ahmed, S., and Jahan, I. (2024). Consumer attitude toward using artificial intelligence (AI) devices in hospitality services, Journal of Hospitality and Tourism Insights, 7(2). DOI:10.1108/JHTI-08-2023-0551

3. Chi, O. H., Denton, G., and Gursoy, D. (2020). Artificially intelligent device use in service delivery: a systematic review, synthesis, and research agenda, Journal of Hospitality Marketing & Management, 29(7), 757-786. https://doi.org/10.1080/19368623.2020.1721394

4. Davis, F. D., Bagozzi, R. P., and Warshaw, P. R. (1989). Technology acceptance model, J Manag Sci, 35(8), 982-1003.

5. Della Corte, V., Sepe, F., Gursoy, D., and Prisco, A. (2023). Role of trust in customer attitude and behaviour formation towards social service robots, International Journal of Hospitality Management, 114, 103587. https://doi.org/https://doi.org/10.1016/j.ijhm.2023.103587

6. Gursoy, D., Chi, O. H., Lu, L., and Nunkoo, R. (2019). Consumers acceptance of artificially intelligent (AI) device use in service delivery, International Journal of Information Management, 49, 157-169. https://doi.org/https://doi.org/10.1016/j.ijinfomgt.2019.03.008

7. Gursoy, D., Li, Y., and Song, H. (2023). ChatGPT and the hospitality and tourism industry: an overview of current trends and future research directions, Journal of Hospitality Marketing & Management, 32(5), 579-592.

8. Hair, J. F., Black, W. C., Babin, B. J., and Anderson, R. E. (2014). Multivariate data analysis (Seventh edition, Pearson new international edition. ed.), Pearson Education Limited. https://search.ebscohost.com/login.aspx?direct=true&AuthType=shib&db=cat06414a&AN=vic.b3931613&site=eds-live&custid=s1145751

9. Mogaji, E., Viglia, G., Srivastava, P., and Dwivedi, Y. K. (2024). Is it the end of the technology acceptance model in the era of generative artificial intelligence?. International Journal of Contemporary Hospitality Management, 36(10), 3324-3339.

10. Pham, H. C., Duong, C. D., and Nguyen, G. K. H. (2024). What drives tourists’ continuance intention to use ChatGPT for travel services? A stimulus-organism-response perspective, Journal of Retailing and Consumer Services, 78, 103758.

11. Struminskaya, B., Weyandt, K., and Bosnjak, M. (2015). The effects of questionnaire completion using mobile devices on data quality. Evidence from a probability-based general population panel, Methods, data, analyses, 9(2), 32.

12. Venkatesh, V., Morris, M. G., Davis, G. B., and Davis, F. D. (2003). User acceptance of information technology: Toward a unified view, MIS quarterly, 425-478.

13. Wong, I. A., Lian, Q. L., and Sun, D. (2023). Autonomous travel decision-making: An early glimpse into ChatGPT and generative AI, Journal of Hospitality and Tourism Management, 56, 253-263.