Phụ thuộc AI và mức độ thực hiện tư duy phản biện của sinh viên Kế toán - Kiểm toán
ThS. Huỳnh Nguyễn Tuyết Quyên (Tác giả liên hệ)
Khoa Kế toán - Kiểm toán, Trường Đại học Mở Thành phố Hồ Chí Minh; Email: [email protected]
TS. Nguyễn Thị Ngọc Điệp
Khoa Kế toán - Kiểm toán, Trường Đại học Mở Thành phố Hồ Chí Minh
TS. Hồ Hữu Thụy
Khoa Kế toán - Kiểm toán, Trường Đại học Mở Thành phố Hồ Chí Minh
Tóm tắt
Trí tuệ nhân tạo (AI) được sử dụng ngày càng phổ biến trong học tập đại học, làm dấy lên những lo ngại về nguy cơ suy giảm tư duy phản biện của người học. Nghiên cứu này kiểm định mối quan hệ giữa mức độ phụ thuộc vào AI và mức độ thực hiện tư duy phản biện tự báo cáo của sinh viên ngành Kế toán - Kiểm toán tại TP. Hồ Chí Minh. Dữ liệu khảo sát được phân tích bằng mô hình đường dẫn bình phương tối thiểu từng phần (PLS-PM). Kết quả cho thấy, trái với giả thuyết nghiên cứu, mức độ phụ thuộc vào AI có mối quan hệ cùng chiều với tư duy phản biện. Tuy nhiên, kết quả này không hàm ý rằng sự phụ thuộc vào AI làm gia tăng năng lực tư duy phản biện, mà gợi ý rằng việc sử dụng AI để hỗ trợ thực hiện nhiệm vụ không nhất thiết làm mất đi tính chủ động trong tư duy độc lập của người học. Trên cơ sở đó, nghiên cứu khuyến nghị giảng viên tăng cường yêu cầu sinh viên kiểm chứng, đánh giá và giải thích các kết quả do AI tạo ra nhằm phát huy vai trò chủ động của người học trong quá trình tiếp nhận và sử dụng thông tin.
Từ khóa: Giảm tải nhận thức, giáo dục kế toán, phụ thuộc AI, tư duy phản biện
Abstract
Artificial intelligence (AI) is increasingly being used in higher education, raising concerns about the risk of a decline in students’ critical thinking. The study examines the relationship between the level of AI dependence and the self-reported level of critical thinking among Accounting and Auditing students in Ho Chi Minh City. Survey data were analyzed using the partial least squares path modeling (PLS-PM) approach. Contrary to the research hypothesis, the results show that AI dependence is positively associated with critical thinking. However, this finding does not imply that AI dependence enhances critical thinking ability. It suggests that using AI to assist with task performance does not necessarily diminish students’ initiative in independent thinking. On this basis, the study recommends that lecturers place greater emphasis on requiring students to verify, evaluate, and explain AI-generated results in order to promote students’ active role in receiving and using information.
Keywords: Cognitive offloading, accounting education, AI dependence, critical thinking
ĐẶT VẤN ĐỀ
AI tạo sinh (GenAI) ngày càng phổ biến trong học tập đại học (Thi và cộng sự, 2025), nhưng tần suất sử dụng không đồng nghĩa với mức độ phụ thuộc. Trong nghiên cứu này, phụ thuộc AI được hiểu là mức độ người học dựa vào chức năng và đầu ra của AI để xử lý thông tin, tiếp tục nhiệm vụ hoặc hỗ trợ ra quyết định. Sự phân biệt này đặc biệt quan trọng trong đào tạo Kế toán - Kiểm toán, nơi người học cần kiểm tra chứng cứ, giải thích nghiệp vụ và chịu trách nhiệm về phán đoán của mình (Wolcott và Sargent, 2021).
Các nghiên cứu trước cho kết quả chưa thống nhất. Tian và Zhang (2026) và Kulal (2025) ghi nhận mối quan hệ ngược chiều giữa phụ thuộc AI và tư duy phản biện, trong khi Wang và cộng sự (2026) không tìm thấy bằng chứng về tác động trực tiếp có ý nghĩa thống kê. Một số nghiên cứu khác cho thấy, tư duy phản biện có thể được duy trì hoặc thúc đẩy khi người học phải kiểm chứng và phản biện đầu ra AI (Wan và cộng sự, 2025; Waziana và cộng sự, 2025). Điều này đặt ra vấn đề cốt lõi không chỉ nằm ở việc có sử dụng AI hay không, mà còn ở phần nào của quá trình nhận thức được giao cho AI. UNESCO (2023) cũng nhấn mạnh yêu cầu duy trì vai trò chủ động của người học khi tích hợp AI tạo sinh vào giáo dục.
Trên cơ sở đó, nghiên cứu xem phụ thuộc AI (AD) là mức độ dựa vào AI về chức năng và nhận thức, còn tư duy phản biện (CT) là mức độ sinh viên tự đánh giá việc thực hiện các hành vi phản biện trong học tập Kế toán - Kiểm toán. Dựa trên khung giảm tải nhận thức thông qua nguồn lực bên ngoài, nghiên cứu kỳ vọng việc dựa vào AI nhiều hơn có thể làm giảm cơ hội tự phân tích và đánh giá của người học.
CƠ SỞ LÝ THUYẾT
Khái niệm
Phụ thuộc AI được hiểu là mức độ người học dựa vào chức năng và đầu ra của AI để xử lý thông tin, tiếp tục nhiệm vụ hoặc hỗ trợ ra quyết định, đến mức AI trở nên khó thay thế trong quá trình học tập. Khái niệm này khác với tần suất sử dụng: người học có thể dùng AI thường xuyên nhưng vẫn tự đảm nhiệm phần xử lý chính.
Tư duy phản biện được tiếp cận ở góc độ mức độ thực hiện, tức khuynh hướng chủ động đặt câu hỏi đối với lập luận, đánh giá bằng chứng, hình thành nhận định riêng và cân nhắc phương án thay thế. Cách tiếp cận này phản ánh mức độ sinh viên tham gia vào hoạt động phản biện, không trực tiếp đo năng lực tư duy phản biện thực tế hay sự thay đổi của năng lực đó theo thời gian. Trong giáo dục kế toán, tư duy phản biện gắn liền với khả năng giải quyết vấn đề và xét đoán nghề nghiệp (Wolcott và Sargent, 2021).
Nền tảng lý thuyết
Nghiên cứu vận dụng Khung cognitive offloading (giảm tải nhận thức thông qua nguồn lực bên ngoài) của Risko và Gilbert (2016). Khung này giải thích việc cá nhân sử dụng hành động hoặc công cụ bên ngoài để thay đổi yêu cầu xử lý thông tin của nhiệm vụ, qua đó giảm nhu cầu nhận thức nội tại, chẳng hạn ghi lời nhắc ra bên ngoài thay vì ghi nhớ hoặc dùng công cụ để lưu trữ và xử lý thông tin. Trong bài tổng quan này, các tác giả không đặt tên một lý thuyết độc lập mà đề xuất một khung siêu nhận thức (metacognitive framework) để giải thích khi nào cá nhân lựa chọn sử dụng nguồn lực bên ngoài và hệ quả của lựa chọn đó. Theo khung này, giảm tải nhận thức có thể đem lại cả lợi ích lẫn chi phí, nên không mặc định là bất lợi.
Với GenAI, việc giảm tải này có thể mở rộng từ tìm kiếm thông tin sang tổng hợp, giải thích và đề xuất phương án. Nếu AI thay thế chính các thao tác phân tích và đánh giá mà người học cần tự thực hiện, việc dựa vào AI có thể đi kèm với mức tư duy phản biện thấp hơn. Tuy nhiên, giảm tải nhận thức không tất yếu đồng nghĩa với thay thế, người học có thể giao cho AI khâu tiền xử lý nhưng vẫn tự kiểm chứng, so sánh và phán đoán. AI mang tính hỗ trợ khi đảm nhiệm các thao tác ngoại vi so với mục tiêu học tập, còn người học vẫn phải phân tích, giải thích, kiểm tra và chịu trách nhiệm về kết luận. AI mang tính thay thế khi chính các thao tác cần học, như đánh giá bằng chứng, nhận diện giả định, lựa chọn phương án hay lập luận, được giao cho AI và đầu ra được chấp nhận mà không qua xử lý đáng kể của người học. Đây là vận dụng do nghiên cứu suy ra cho bối cảnh AI tạo sinh, không phải mệnh đề nguyên gốc của Risko và Gilbert (2016). Vì nghiên cứu không đo trực tiếp việc giảm tải nhận thức, khung này được dùng như cơ chế giải thích chứ không phải biến trung gian.
Bằng chứng thực nghiệm về cơ chế này còn chưa thống nhất. Lee và cộng sự (2025) cho thấy, AI tạo sinh làm dịch chuyển hoạt động tư duy phản biện của người lao động tri thức sang kiểm chứng, tích hợp và giám sát đầu ra của AI. Wang và cộng sự (2026) không ghi nhận tác động trực tiếp có ý nghĩa của sự phụ thuộc AI đến khuynh hướng tư duy phản biện, mà chỉ ghi nhận quan hệ gián tiếp thông qua năng lực siêu nhận thức. Vì vậy, ranh giới giữa hỗ trợ và thay thế chính là vấn đề nghiên cứu cần kiểm định.
Trên cơ sở nền tảng lý thuyết, nghiên cứu đề xuất giả thuyết:
H1: Phụ thuộc AI có quan hệ ngược chiều với mức độ thực hiện tư duy phản biện của sinh viên.
PHƯƠNG PHÁP NGHIÊN CỨU
Mẫu khảo sát
Khảo sát chính thức được thực hiện với sinh viên Kế toán - Kiểm toán tại các trường đại học ở TP. Hồ Chí Minh theo hình thức trực tuyến, tự nguyện. Bảng câu hỏi được phát triển qua rà soát tài liệu, thẩm định chuyên gia, khảo sát thử sơ bộ (pre-pilot) và khảo sát thử (pilot) trước khi đưa vào khảo sát chính thức. Dữ liệu thu thập được gồm 309 phản hồi; sau khi loại 1 trường hợp không đồng ý tham gia và 13 trường hợp không đạt sàng lọc, mẫu phân tích còn 295. Mẫu chủ yếu là sinh viên năm 3 (64.1%); 97.6% học Kế toán và 97.6% đang sử dụng AI trong học kỳ hiện tại (Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế).
Thang đo
Thang đo phụ thuộc AI gồm 7 biến quan sát, được phát triển theo hướng phản ánh mức độ sinh viên dựa vào AI trong học tập, tham khảo Hou và cộng sự (2025) và Acosta-Enriquez và cộng sự (2025). Các biến đo mức độ dựa vào AI để hoàn thành nhiệm vụ, tiếp nhận gợi ý, thu thập, sắp xếp và xử lý thông tin, hỗ trợ lựa chọn phương án và cảm nhận AI khó thay thế; sử dụng thang Likert 5 mức.
Thang đo tư duy phản biện gồm 5 biến quan sát, thích nghi từ Pintrich và cộng sự (1991) và tham khảo Teng và cộng sự (2026), phản ánh việc đặt câu hỏi, đánh giá bằng chứng, phát triển nhận định riêng và cân nhắc các phương án thay thế; sử dụng thang Likert 7 mức. Thang đo này phản ánh mức độ thực hiện hành vi tư duy phản biện do sinh viên tự đánh giá, không phải năng lực được đo lường khách quan.
Xử lý dữ liệu
Mô hình gồm 2 khái niệm nghiên cứu được ước lượng bằng phương pháp PLS-PM (Mode A). Kiểm định bootstrap sử dụng 10,000 mẫu lặp, khoảng tin cậy phân vị 95% và kiểm định 2 phía. Mô hình đo lường được đánh giá qua hệ số tải ngoài (outer loading), hệ số Cronbach’s Alpha, độ tin cậy tổng hợp (composite reliability - CR), phương sai trích trung bình (average variance extracted - AVE) và tỷ số dị biệt - đơn biệt (heterotrait-monotrait ratio - HTMT); mô hình cấu trúc được đánh giá qua hệ số đường dẫn β, sai số chuẩn bootstrap (SE), khoảng tin cậy (CI), hệ số xác định R² và hệ số tác động f² (Hair và cộng sự, 2019; Henseler và cộng sự, 2015).
KẾT QUẢ NGHIÊN CỨU
Kết quả đánh giá mô hình đo lường được trình bày tại Bảng. Hệ số tải ngoài của thang đo phụ thuộc AI nằm trong khoảng 0.736-0.811; α = 0.887, CR = 0.912 và AVE = 0.596. Thang đo tư duy phản biện có hệ số tải ngoài 0.814-0.873; α = 0.899, CR = 0.926 và AVE = 0.713. HTMT AD-CT = 0.644, với bootstrap 95% CI [0.501; 0.759], dưới ngưỡng 0.85 (Henseler và cộng sự, 2015), cho thấy 2 khái niệm nghiên cứu đạt giá trị phân biệt.
Bảng: Kết quả mô hình đo lường và cấu trúc
|
Khái niệm/Đường dẫn |
Số biến quan sát |
Loading |
α |
CR |
AVE |
β |
95% CI |
|---|---|---|---|---|---|---|---|
|
AD |
7 |
0.736-0.811 |
0.887 |
0.912 |
0.596 |
|
|
|
CT |
5 |
0.814-0.873 |
0.899 |
0.926 |
0.713 |
|
|
|
AD → CT |
|
|
|
|
|
0.582 |
[0.458; 0.695] |
Ghi chú: HTMT AD-CT = 0.644; R²CT = 0.339; f²AD→CT = 0.513; p (bootstrap) < 0.001.
Nguồn: Kết quả nghiên cứu
Kết quả kiểm định H1 trái với kỳ vọng lý thuyết: phụ thuộc AI có quan hệ cùng chiều với mức độ thực hiện tư duy phản biện tự báo cáo (β = 0.582; bootstrap SE = 0.060; t = 9.653; p < 0.001; 95% CI [0.458; 0.695]). Do hệ số đường dẫn mang dấu dương thay vì âm, giả thuyết H1 không được chấp nhận. Phân tích độ nhạy (sensitivity analysis) cho thấy, hệ số vẫn mang dấu dương khi loại các phản hồi trả lời đồng loạt một mức ở thang đo phụ thuộc AI hoặc tư duy phản biện (n = 160; β = 0.443) và khi loại các phản hồi trùng lặp hoàn toàn (n = 276; β = 0.561), do đó kết quả không bị chi phối đáng kể bởi một số ít quan sát.
THẢO LUẬN
Phát hiện này không nên diễn giải rằng, phụ thuộc AI làm tăng tư duy phản biện. Một cách giải thích khả dĩ là việc dựa vào AI về mặt chức năng khác với việc để AI thay thế quá trình nhận thức. Trong nhiệm vụ kế toán, sinh viên có thể dùng AI để tạo phương án ban đầu hoặc tổng hợp thông tin nhưng vẫn phải tự kiểm tra chuẩn mực, chứng cứ và logic nghiệp vụ. Khi đó, việc dựa vào AI ở khâu hỗ trợ không có nghĩa là giao toàn bộ việc phán đoán cho AI.
Khác biệt đo lường cũng có thể giải thích kết quả trái chiều với Tian và Zhang (2026) hay Kulal (2025). Thang đo trong nghiên cứu này không có biến quan sát nào hàm ý sẵn rằng AI làm người học mất khả năng tư duy; do đó, phụ thuộc AI phản ánh mức độ dựa vào công cụ hơn là việc người học tự đánh giá hậu quả nhận thức. Ngoài ra, CT được đo bằng hình thức tự báo cáo nên những sinh viên dùng AI tích cực cũng có thể là nhóm thường xuyên phải kiểm tra và chỉnh sửa đầu ra AI, từ đó báo cáo nhiều hành vi phản biện hơn. Thi và cộng sự (2025) cũng ghi nhận ở sinh viên Việt Nam rằng tần suất sử dụng AI càng cao thì mức nhận diện các hạn chế của AI, bao gồm phụ thuộc quá mức và hạn chế tư duy phản biện, càng cao. Tuy nhiên, thiết kế cắt ngang không cho phép xác định chiều tác động. Lee và cộng sự (2025) cho thấy, mức độ tin tưởng vào GenAI cao hơn có thể đi kèm với ít nỗ lực nhận thức hơn, trong khi sự tự tin vào năng lực thực hiện nhiệm vụ lại đi kèm với nhiều hoạt động tư duy phản biện hơn; Jędrzejka (2026) từ góc nhìn giáo dục kế toán cũng cảnh báo cần phân biệt giữa việc công nghệ hỗ trợ người học và việc công nghệ thay thế những trải nghiệm hình thành năng lực xét đoán nghề nghiệp.
Về mặt học thuật, kết quả gợi ý rằng, khung giảm tải nhận thức không nên được vận dụng như một lập luận tất định rằng càng dựa vào AI thì tư duy phản biện càng thấp. Cần phân biệt việc giảm tải nhận thức ở khâu tìm kiếm và trình bày thông tin với việc giảm tải ở khâu đánh giá bằng chứng và đưa ra phán đoán cuối cùng. Về thực tiễn, đào tạo Kế toán - Kiểm toán nên tập trung vào chất lượng quy trình sử dụng AI hơn là chỉ kiểm soát tần suất. Một nguyên tắc phù hợp là “AI có thể đề xuất, sinh viên phải kiểm chứng và giải thích”. Đây là đề xuất sư phạm cần được kiểm chứng bằng nghiên cứu can thiệp, chứ không phải biện pháp mà khảo sát hiện tại đã chứng minh là hiệu quả.
KẾT LUẬN VÀ KIẾN NGHỊ
Kết luận
Nghiên cứu cho thấy, trong mẫu 295 sinh viên Kế toán - Kiểm toán, phụ thuộc AI có quan hệ cùng chiều với mức độ thực hiện tư duy phản biện tự báo cáo, trái với giả thuyết H1. Kết quả không phủ nhận rủi ro của việc giảm tải nhận thức sang AI, nhưng cho thấy, không nên đồng nhất mọi hình thức dựa vào AI với việc người học ngừng tư duy. Điểm cần quan tâm là phần nào của quá trình suy nghĩ được giao cho AI và người học còn phải tự kiểm chứng điều gì.
Kiến nghị
Từ kết quả nghiên cứu, một số kiến nghị được đề xuất cho hoạt động đào tạo Kế toán - Kiểm toán như sau:
Một là, giảng viên có thể thiết kế nhiệm vụ học tập yêu cầu sinh viên phản biện câu trả lời của AI, giải thích căn cứ bút toán, đối chiếu chuẩn mực và nêu lý do chọn phương án cuối cùng.
Hai là, thay vì chỉ kiểm soát tần suất sử dụng AI, cần chú trọng chất lượng quy trình sử dụng theo nguyên tắc “AI có thể đề xuất, sinh viên phải kiểm chứng và giải thích”.
Ba là, trong từng nhiệm vụ, cần phân định rõ khâu sinh viên được phép giao cho AI, như tìm kiếm và trình bày thông tin, với khâu sinh viên phải tự thực hiện, như đánh giá bằng chứng và đưa ra xét đoán cuối cùng.
Bốn là, khoa và nhà trường nên ban hành hướng dẫn sử dụng AI tạo sinh trong học tập, bảo đảm duy trì vai trò chủ động của người học (UNESCO, 2023).
Nghiên cứu còn hạn chế do dữ liệu cắt ngang, tự báo cáo, mẫu phi xác suất và sự tập trung ở một số trường; thang đo CT cũng chưa phải là bài kiểm tra năng lực (performance test). Nghiên cứu tiếp theo nên dùng thiết kế dọc hoặc thực nghiệm, đo CT bằng bài đánh giá dựa trên tình huống (Wolcott và Sargent, 2021) và phân biệt giảm tải nhận thức mang tính hỗ trợ với giảm tải mang tính thay thế.
(*) Đây là kết quả nghiên cứu “Tác động của việc phụ thuộc vào AI đến tư duy phản biện và năng lực chuyên môn của sinh viên kế toán khi ra trường” (Mã số: T2025.04.2) do ThS. Huỳnh Nguyễn Tuyết Quyên làm chủ nhiệm đề tài, Trường Đại học Mở Thành phố Hồ Chí Minh chủ trì.
Tài liệu tham khảo:
1. Acosta-Enriquez, B. G., Ballesteros, M. A. A., Valle, M. d. l. A. G., Angaspilco, J. E. M., Lalupú, J. d. R. A., Jaico, J. L. B., Reyes, N. C. G., García, R. E. A., & Castillo, W. E. J. (2025). The mediating role of academic stress, critical thinking and performance expectations in the influence of academic self-efficacy on AI dependence: Case study in college students. Computers and Education: Artificial Intelligence, 8, 100381. https://doi.org/10.1016/j.caeai.2025.100381
2. Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European business review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203
3. 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
4. Hou, C., Zhu, G., Sudarshan, V., Lim, F. S., & Ong, Y. S. (2025). Measuring undergraduate students' reliance on Generative AI during problem-solving: Scale development and validation. Computers & Education, 234, 105329. https://doi.org/10.1016/j.compedu.2025.105329
5. Jędrzejka, D. (2026). The AI paradox: How AI dependence may erode accounting expertise. Zeszyty Teoretyczne Rachunkowości, 50(1), 63-87. https://doi.org/10.5604/01.3001.0055.6632
6. Kulal, A. (2025). Cognitive risks of AI: Literacy, trust, and critical thinking. Journal of Computer Information Systems, 1-13. https://doi.org/10.1080/08874417.2025.2582050
7. Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI conference on human factors in computing systems, 1-22. https://doi.org/10.1145/3706598.3713778
8. Pintrich, P. R., Smith, D. A. F., Garcia, T., & McKeachie, W. J. (1991). A manual for the use of the Motivated Strategies for Learning Questionnaire (MSLQ). https://eric.ed.gov/?id=ED338122
9. Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in cognitive sciences, 20(9), 676-688. https://doi.org/10.1016/j.tics.2016.07.002
10. Teng, D., Zhou, X., Al‐Samarraie, H., & Fang, L. (2026). Enhancing Critical Thinking and Self‐Efficacy With GenAI: A Social Cognitive Perspective Using Structural Equation Modelling. Journal of Computer Assisted Learning, 42(1), e70176. https://doi.org/10.1002/jcal.70176
11. Tian, J., & Zhang, R. (2026). Outsourcing thinking to AI? Focused immersion, AI dependency, and the double-edged impact on critical thinking. Humanities and Social Sciences Communications, 13(1), 1015. https://doi.org/10.1057/s41599-026-07153-8
12. Thi, X. H. N., Thien, H. V. H., Vuong, K. N., & Nguyen, T. T. (2025). Enhancing writing skills through AI-powered tools: perceived benefits and challenges among Vietnamese EFL students. Discover Education, 4(1), 472. https://doi.org/10.1007/s44217-025-00905-9
13. UNESCO. (2023). Guidance for generative AI in education and research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
14. Wan, K., Woo, Y. Y., & Ho, G. (2025). Enhancing service-learning through generative AI: a mixed-methods study on educational game design in a finance course. Cogent Education, 12(1), 2592370. https://doi.org/10.1080/2331186X.2025.2592370
15. Wang, X., Zhang, R., Fan, X., & Huang, Y. (2026). The relationship between AI dependency and critical thinking disposition in nursing students: The mediating role of metacognitive ability and the moderating role of academic self-efficacy. Nurse education today, 167, 107289. https://doi.org/10.1016/j.nedt.2026.107289
16. Waziana, W., Andewi, W., Wibisono, D., Hastomo, T., & Muslihudin, M. (2025). Exploring ChatGPT’s impact on critical, creative, and reflective thinking skills: A mixed-methods study in an Indonesian EFL classroom. Applied Research on English Language, 14(4), 77-114. https://doi.org/10.22108/are.2025.145896.2564
17. Wolcott, S. K., & Sargent, M. J. (2021). Critical thinking in accounting education: Status and call to action. Journal of Accounting Education, 56, 100731. https://doi.org/10.1016/j.jaccedu.2021.100731
| Ngày nhận bài: 3/10/2026; Ngày hoàn thiện biên tập: 8/11/2026; Ngày duyệt đăng: 18/11/2026 |
Các tin khác
Tăng trưởng dựa vào hạ tầng: Lý luận, thực tiễn và hàm ý chính sách cho Việt Nam
Sự tham gia của cộng đồng và phát triển du lịch tái sinh tại Việt Nam: Kết quả phân tích trắc lượng thư mục
Ảnh hưởng của giá trị thương hiệu, niềm tin thương hiệu đến ý định sử dụng dịch vụ khám chữa bệnh tại Bệnh viện Đại học Phenikaa
Tác động của chất lượng dịch vụ đến lòng trung thành của khách hàng tại Công ty TNHH Xây dựng và Sản xuất kết cấu thép Hợp Phát: Vai trò trung gian của sự hài lòng
Tác động của hóa đơn điện tử đến công tác kế toán và quản lý thuế tại Việt Nam
Lựa chọn ngành đào tạo đại học trong mối quan hệ với kỳ vọng thị trường lao động và chuyển đổi số: Nghiên cứu tại tỉnh Nghệ An
Khung khái niệm đa chiều về phát triển thanh toán điện tử của ngân hàng thương mại
Mô hình các yếu tố ảnh hưởng đến ý định chấp nhận xe điện và sử dụng các dịch vụ số trong hệ sinh thái xe điện của người tiêu dùng tại Hà Nội
Năng lực kế toán quản trị số trong ngành khách sạn Việt Nam: Vai trò đối với quá trình ra quyết định quản trị