Tác động của hỗ trợ từ nhà trường và hành vi sử dụng AI đến kết quả học tập của sinh viên kinh tế

TS. Lê Bảo Toàn (Tác giả liên hệ)

Email : [email protected]

TS. Võ Thế Trường

Trường Kinh tế và Luật, Đại học Trà Vinh

Tóm tắt

Nghiên cứu phân tích tác động của sự hỗ trợ từ nhà trường và hành vi sử dụng trí tuệ nhân tạo (AI) đến kết quả học tập của sinh viên khối ngành Kinh tế trong bối cảnh Giáo dục 5.0. Dựa trên Lý thuyết chấp nhận và sử dụng công nghệ kết hợp Lý thuyết kiến tạo, nghiên cứu sử dụng mô hình PLS-SEM với dữ liệu khảo sát 400 sinh viên tại Trường Đại học Nam Cần Thơ. Kết quả cho thấy, Sự hỗ trợ từ nhà trường tác động tích cực đến Hành vi sử dụng AI và Kết quả học tập của sinh viên; đồng thời, Hành vi sử dụng AI giữ vai trò trung gian quan trọng trong mối quan hệ này. Nghiên cứu nhấn mạnh ý nghĩa của việc xây dựng môi trường học tập số và phát triển năng lực công nghệ nhằm nâng cao hiệu quả đào tạo đại học.

Từ khóa: Giáo dục 5.0, hành vi sử dụng AI, kết quả học tập, sự hỗ trợ từ nhà trường

Mã phân loại JEL: M10, M15, I23, O32

Abstract

This study investigates the impact of institutional support and artificial intelligence (AI) usage behavior on the academic performance of Economics students in the context of Education 5.0. Grounded in the Unified Theory of Acceptance and Use of Technology (UTAUT) and Constructivist Theory, the study employs PLS-SEM with survey data collected from 400 students at a university in Viet Nam. The findings reveal that institutional support positively affects both AI usage behavior and students’ academic performance. Moreover, AI usage behavior plays a significant mediating role in the relationship between institutional support and academic performance. The study highlights the importance of fostering a digital learning environment and enhancing technological competencies to improve the effectiveness of higher education.

Keywords: Education 5.0, AI usage behavior, academic performance, institutional support

JEL Classification: M10, M15, I23, O32.

GIỚI THIỆU

Trong bối cảnh Giáo dục 5.0, AI đang trở thành công cụ quan trọng hỗ trợ học tập và phát triển năng lực số của sinh viên. Tuy nhiên, việc sử dụng AI tại các trường đại học Việt Nam vẫn đối mặt với nhiều hạn chế như thiếu định hướng, hạ tầng hỗ trợ và chuẩn mực đạo đức học thuật. Điều này làm gia tăng nguy cơ lệ thuộc công nghệ và ảnh hưởng đến tư duy độc lập của người học.

Đối với sinh viên khối ngành Kinh tế, nhóm chịu tác động mạnh từ chuyển đổi số và tự động hóa nghề nghiệp, hành vi sử dụng AI có ý nghĩa quan trọng trong nâng cao hiệu quả học tập và năng lực thích ứng. Trong bối cảnh đó, sự hỗ trợ từ nhà trường được xem là yếu tố thúc đẩy việc sử dụng AI hiệu quả và bền vững. Xuất phát từ thực tiễn trên, nghiên cứu phân tích tác động của sự hỗ trợ từ nhà trường và hành vi sử dụng AI đến kết quả học tập của sinh viên khối ngành Kinh tế - Trường Đại học Nam Cần Thơ, đồng thời xem xét vai trò trung gian của hành vi sử dụng AI trong mối quan hệ này.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Một số khái niệm

Sự hỗ trợ từ nhà trường: Trên cơ sở kế thừa quan điểm của Jin và cộng sự (2024) về các điều kiện thuận lợi trong giáo dục, nghiên cứu chuẩn hóa khái niệm sự hỗ trợ từ nhà trường dưới dạng một cấu trúc đa tầng, vượt ra ngoài giới hạn của hạ tầng kỹ thuật hay các quy định hành chính thuần túy. Tác giả xác lập rằng nội hàm cốt lõi của khái niệm này hội tụ tại năng lực dẫn dắt của đội ngũ giảng viên, kết hợp với các lộ trình đào tạo chuyên sâu và việc thiết lập một môi trường học tập khuyến khích tư duy sáng tạo.

Hành vi sử dụng AI: Dựa trên nền tảng lý thuyết của Mollick và Mollick (2023), tác giả đề xuất cách tiếp cận mới về hành vi sử dụng AI, chuyển trọng tâm từ tần suất sử dụng sang chiều sâu tương tác học thuật. Khái niệm này được định nghĩa là một tiến trình tích hợp công nghệ bậc cao, bao hàm từ kỹ năng truy xuất, tóm tắt dữ liệu kinh tế đến khả năng cấu trúc hóa luận điểm khoa học và giải quyết các tình huống mô phỏng. Hành vi này được xem như một hoạt động có mục đích nhằm tối ưu hóa hàm lượng tri thức, thay vì chỉ là công cụ hỗ trợ tác vụ thông thường.

Kết quả học tập: Tiếp cận theo khung năng lực đầu ra của Lodge và cộng sự (2023), nghiên cứu xác lập kết quả học tập là một biến số tổng thể phản ánh sự phát triển năng lực cá nhân toàn diện. Trong kỷ nguyên số, kết quả này không chỉ giới hạn ở các chỉ số điểm số định lượng, mà còn bao quát sự thấu hiểu sâu sắc các quy luật kinh tế - xã hội và chất lượng chuyên môn của sản phẩm đào tạo. Đặc biệt, giá trị cốt lõi của kết quả học tập còn được minh chứng qua sự tiến bộ trong tư duy phân tích hệ thống khi người học tương tác với công nghệ AI.

Lý thuyết nền

Nghiên cứu này được thực hiện dưới lăng kính của 2 lý thuyết chủ đạo trong lĩnh vực giáo dục và công nghệ:

Lý thuyết chấp nhận và sử dụng công nghệ thống nhất (UTAUT): Theo Venkatesh và cộng sự (2003), hành vi sử dụng công nghệ của một cá nhân bị tác động mạnh mẽ bởi các “Điều kiện thuận lợi”. Trong bối cảnh giáo dục hiện đại, sự hỗ trợ từ nhà trường bao gồm hạ tầng kỹ thuật, chính sách và sự hướng dẫn của giảng viên đóng vai trò là tiền đề then chốt thúc đẩy người học hình thành hành vi sử dụng công nghệ mới (Wang và cộng sự, 2024).

Lý thuyết kiến tạo xã hội (Social Constructivist Theory): Vygotsky (1978) nhấn mạnh rằng quá trình học tập đạt kết quả cao nhất khi người học chủ động tương tác với các công cụ hỗ trợ trong môi trường xã hội. Việc sinh viên sử dụng AI không chỉ là tiếp nhận thông tin thụ động mà là quá trình tương tác tích cực để tự xây dựng kiến thức, từ đó tối ưu hóa kết quả học tập (Luckin và cộng sự, 2016).

Tổng quan nghiên cứu

Tiến trình nghiên cứu về kết quả học tập trong giáo dục đại học đã dịch chuyển từ các yếu tố nội tại cá nhân sang hệ sinh thái hỗ trợ kỹ thuật số. Sau giai đoạn tập trung vào khả năng tự học và tương tác truyền thống, từ năm 2022, vai trò của hệ sinh thái hỗ trợ và hiệu quả bản thân được nhấn mạnh hơn trong bối cảnh giáo dục trực tuyến tất yếu (Bùi Đức Nhân, 2023). Sự bùng nổ của AI đã tái cấu trúc các mô hình nghiên cứu, trong đó hỗ trợ tổ chức được xác định là tiền đề chuyển hóa ý định thành hành vi sử dụng công nghệ biến AI thành “công cụ bổ trợ tư duy” (Mollick và Mollick, 2023).

Tại Việt Nam, nhiều nghiên cứu đã cảnh báo về nguy cơ xói mòn liêm chính học thuật nếu thiếu sự định hướng từ nhà trường (Bùi Trọng Tài và Nguyễn Minh Tuấn, 2024; Dư Thanh Cơ và cộng sự, 2024). Nghiên cứu của Võ Thị Thiên Nga và Phạm Minh Tuyến (2024) khẳng định việc trang bị năng lực thông tin số là cơ sở then chốt để nâng cao kết quả học tập và chuẩn hóa nguồn nhân lực, đặc biệt khi các tính năng cá nhân hóa của AI giúp cải thiện rõ rệt hiệu quả học thuật.

Dù vậy, hiện vẫn tồn tại khoảng trống về cơ chế truyền dẫn giữa hỗ trợ tổ chức và hiệu quả học tập thông qua công nghệ. Nghiên cứu này lấp đầy khoảng trống đó bằng cách sử dụng mô hình PLS-SEM để kiểm chứng vai trò trung gian của hành vi sử dụng AI. Cách tiếp cận này giúp phân tích sâu sắc quá trình chuyển hóa nguồn lực định chế thành chất lượng đầu ra, cung cấp bằng chứng thực chứng về quy trình kiến tạo tri thức trong hệ sinh thái Giáo dục 5.0.

Giả thuyết nghiên cứu

Sự hỗ trợ từ nhà trường và Hành vi sử dụng AI

Dựa trên mô hình UTAUT, các nguồn lực hỗ trợ từ tổ chức là yếu tố quyết định để người dùng vượt qua rào cản về kỹ năng và tâm lý (Venkatesh và cộng sự, 2003). Khi nhà trường chủ động cung cấp hạ tầng công nghệ và ban hành khung pháp lý đạo đức rõ ràng, sinh viên sẽ cảm thấy an tâm hơn khi thử nghiệm các công cụ mới (Jin và cộng sự, 2024). Sự khuyến khích và năng lực hướng dẫn của giảng viên tạo ra một hệ sinh thái học thuật thuận lợi, chuyển hóa ý định thành hành động sử dụng AI cụ thể trong các học phần kinh tế (Chiu, 2021). Do đó, nghiên cứu đề xuất giả thuyết:

H1: Sự hỗ trợ từ nhà trường có tác động tích cực đến Hành vi sử dụng AI của sinh viên.

Hành vi sử dụng AI và Kết quả học tập

Dưới góc độ Lý thuyết kiến tạo, AI đóng vai trò là “công cụ bổ trợ tư duy” hỗ trợ các quá trình tư duy bậc cao (Luckin và cộng sự, 2016). Khi sinh viên ứng dụng AI để tóm tắt tài liệu phức tạp, xây dựng cấu trúc luận điểm hay phân tích dữ liệu kinh doanh, họ có khả năng xử lý thông tin hiệu quả hơn (Mollick và Mollick, 2023). Việc chủ động kết hợp AI với các nguồn tài liệu chính thống giúp cá nhân hóa lộ trình học tập, từ đó cải thiện đáng kể năng lực chuyên môn và điểm số (Lodge và cộng sự, 2023). Vì vậy, giả thuyết sau được đưa ra:

H2: Hành vi sử dụng AI có tác động tích cực đến Kết quả học tập của sinh viên.

Tác động trực tiếp của Sự hỗ trợ từ nhà trường đến Kết quả học tập

Môi trường giáo dục chính quy trực tiếp định hình chất lượng đầu ra thông qua sự dẫn dắt của đội ngũ giảng viên và các quy định học thuật chuẩn mực. Ngay cả khi không thông qua công cụ công nghệ, năng lực chuyên môn của giảng viên và các chính sách đào tạo đạo đức vẫn giúp sinh viên duy trì tính kỷ luật, nắm vững kiến thức chuyên sâu và nâng cao hiệu suất học thuật (Lodge và cộng sự, 2023). Tại Việt Nam, sự nhiệt tình và hỗ trợ tinh thần từ giảng viên được xác định là nhân tố then chốt thúc đẩy niềm tin vào hiệu quả bản thân và kết quả học tập của người học (Hoàng Thị Mai Anh, 2022). Một hệ thống hỗ trợ tốt từ nhà trường cung cấp các định hướng sáng tạo giúp sinh viên đạt được kết quả học tập tốt và hiểu rõ thực tiễn xã hội. Từ lập luận này, nghiên cứu đề xuất giả thuyết:

H3: Sự hỗ trợ từ nhà trường có tác động trực tiếp tích cực đến Kết quả học tập của sinh viên.

Vai trò trung gian của Hành vi sử dụng AI

Nghiên cứu Chiu (2021) cho rằng sự hỗ trợ từ nhà trường chỉ thực sự tạo ra giá trị học thuật khi sinh viên tham gia sử dụng AI trong học tập. Các chính sách, hạ tầng và định hướng từ nhà trường đóng vai trò thúc đẩy hành vi sử dụng AI, trong khi chính hành vi này là cơ chế giúp cải thiện kết quả học tập (Jin và cộng sự, 2024). Vì vậy, các điều kiện hỗ trợ từ nhà trường là nền tảng quan trọng thúc đẩy sinh viên tiếp cận và sử dụng AI hiệu quả hơn (Wang và cộng sự, 2024). Do đó, nghiên cứu đề xuất giả thuyết:

H4: Hành vi sử dụng AI đóng vai trò trung gian trong mối quan hệ tác động từ Sự hỗ trợ của nhà trường đến Kết quả học tập của sinh viên.

Mô hình nghiên cứu

Vận dụng lý thuyết UTAUT và Lý thuyết Kiến tạo, nghiên cứu thiết lập mô hình nhằm giải mã lộ trình hình thành kết quả học tập trong hệ sinh thái Giáo dục 5.0 thông qua 3 trụ cột: (1) Cơ chế kích hoạt hành vi: Kiểm chứng tác động của Sự hỗ trợ từ nhà trường đến Hành vi sử dụng AI (H1); (2) Tiến trình kiến tạo giá trị: Kỳ vọng các nguồn lực hỗ trợ và hành vi sử dụng công nghệ trực tiếp cải thiện Kết quả học tập (H2, H3); và (3) Cơ chế truyền dẫn trung gian: Xác định vai trò của Hành vi sử dụng AI trong việc chuyển hóa nguồn lực tổ chức thành hiệu suất học thuật thực chất (H4). Mô hình này cung cấp khung phân tích toàn diện về sự tương tác giữa yếu tố định chế và hành vi cá nhân trong việc tối ưu hóa năng lực số. Cấu trúc mối quan hệ giữa các biến được khái quát hóa qua mô hình nghiên cứu tại Hình 1.

Hình 1: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng kỹ thuật chọn mẫu phân tầng kết hợp thuận tiện có kiểm soát để thu thập dữ liệu từ 400 sinh viên tại Trường Đại học Nam Cần Thơ. Công cụ khảo sát trực tuyến qua Google Forms được thực hiện theo quy trình 2 giai đoạn nhằm đảm bảo tính đại diện và kiểm soát sai lệch cấu trúc ngành học. Hệ thống biến số được vận hành thông qua thang đo Likert 5 điểm. Dữ liệu được xử lý bằng phần mềm SmartPLS 3.0 thông qua mô hình PLS-SEM.

KẾT QUẢ NGHIÊN CỨU

Đánh giá mô hình đo lường

Bảng 1: Tổng hợp các chỉ số độ tin cậy và giá trị hội tụ của thang đo

Nguồn: Kết quả phân tích từ phần mềm SmartPLS 3.0

Kết quả phân tích tại Bảng 1 cho thấy, mô hình đo lường đạt chuẩn chất lượng học thuật rất cao. Cụ thể, về giá trị hội tụ, tất cả các hệ số tải nhân tố đều dao động từ 0,821 đến 0,902, vượt xa ngưỡng tiêu chuẩn 0,70. Chỉ số phương sai trích trung bình của cả ba cấu trúc đều đạt mức trên 0,729 (cao hơn mức tối thiểu 0,50), khẳng định các biến quan sát giải thích tốt bản chất của các khái niệm nghiên cứu. Về độ tin cậy, hệ số Cronbach’s Alpha (đều > 0,90) và độ tin cậy tổng hợp CR (đều > 0,93) minh chứng cho tính nhất quán nội tại hoàn hảo của thang đo.

Đánh giá giá trị phân biệt

Nghiên cứu sử dụng đồng thời tiêu chí Fornell-Larcker và tỷ số Heterotrait-Monotrait (HTMT) để xác định tính phân biệt giữa các cấu trúc đo lường (Bảng 2).

Bảng 2: Kết quả kiểm định giá trị phân biệt (Fornell-Larcker và HTMT)

Nguồn: Kết quả phân tích từ phần mềm SmartPLS 3.0

Kết quả nghiên cứu Bảng 2 khẳng định mô hình đo lường đạt giá trị phân biệt hoàn hảo theo cả 2 tiêu chuẩn: Tiêu chuẩn Fornell-Larcker: Căn bậc hai của AVE (các giá trị in đậm trên đường chéo) của mỗi cấu trúc đều lớn hơn các hệ số tương quan giữa cấu trúc đó với các cấu trúc khác trong mô hình; Tiêu chuẩn HTMT: Tất cả các chỉ số HTMT (phía trên đường chéo) đều dao động từ 0,775 đến 0,840, thấp hơn đáng kể so với ngưỡng tiêu chuẩn 0,8.

Đánh giá mô hình cấu trúc

Kiểm định hiện tượng Đa cộng tuyến

Trước khi tiến hành kiểm định các giả thuyết nghiên cứu, các chỉ số cộng tuyến nội bộ (Inner VIF) đã được đánh giá nhằm đảm bảo tính độc lập giữa các biến dự báo trong mô hình cấu trúc. Kết quả phân tích cho thấy tất cả các hệ số VIF đều dao động trong khoảng từ 1,000-2,022, thấp hơn đáng kể so với ngưỡng tiêu chuẩn 3,0 (Hair và cộng sự, 2019). Chỉ số này khẳng định rằng không tồn tại hiện tượng đa cộng tuyến giữa các cấu trúc Sự hỗ trợ từ nhà trường và Hành vi sử dụng AI khi dự báo cho Kết quả học tập.

Khả năng giải thích và Quy mô tác động (R² và f²)

Sau khi xác lập tính độc lập của các biến dự báo, nghiên cứu đánh giá sức mạnh dự báo của mô hình thông qua hệ số xác định (R²) và mức độ tác động (f²). Kết quả tại Bảng 3 minh chứng khả năng giải thích tốt của mô hình cấu trúc.

Bảng 3: Kết quả đánh giá hệ số R² và quy mô tác động f²

Nguồn: Kết quả phân tích từ phần mềm SmartPLS 3.0

Kết quả tại Bảng 3 cho thấy, mô hình có khả năng dự báo rất tốt: Về khả năng giải thích (R²): Sự hỗ trợ từ nhà trường và hành vi sử dụng AI giải thích được đến 67,6% sự biến thiên của Kết quả học tập. Riêng đối với biến trung gian, Sự hỗ trợ từ nhà trường giải thích được 50,5% Hành vi sử dụng AI. Đây là mức giải thích từ trung bình đến mạnh trong nghiên cứu hành vi. Về mức độ tác động (f²): Sự hỗ trợ từ nhà trường có tác động cực kỳ mạnh đến Hành vi sử dụng công nghệ (f² = 1,022). Trong khi đó, đối với Kết quả học tập đầu ra, Hành vi sử dụng AI đóng vai trò quan trọng hơn (f² = 0,374 là mức mạnh) so với tác động trực tiếp từ nhà trường (f² = 0,237 là mức trung bình).

Kiểm định mô hình cấu trúc

Kết quả kiểm định mô hình cấu trúc cho thấy, tất cả các mối quan hệ giả thuyết đều có ý nghĩa thống kê ở mức tin cậy 95% (p < 0,05) được trình bày chi tiết trong Bảng 4.

Bảng 4: Kết quả kiểm định các giả thuyết trực tiếp và gián tiếp

Nguồn: Kết quả phân tích từ phần mềm SmartPLS 3.0

Kết quả phân tích từ kỹ thuật Bootstrapping (5.000 mẫu lặp lại) cho thấy toàn bộ các giả thuyết từ H1 đến H4 đều được chấp nhận với mức ý nghĩa 1% (p < 0,01):

- Tác động trực tiếp (H1, H2, H3): Sự hỗ trợ từ nhà trường có tác động thúc đẩy mạnh mẽ nhất đến hành vi sử dụng AI (beta = 0,711). Đồng thời, cả nhà trường (beta = 0,393) và hành vi sử dụng công nghệ (beta = 0,495) đều đóng góp trực tiếp và tích cực vào việc cải thiện kết quả học tập của sinh viên.

- Vai trò trung gian (H4): Kết quả kiểm định tác động gián tiếp đạt giá trị ý nghĩa thống kê cao (beta = 0,352, p = 0,000). Điều này minh chứng cho vai trò trung gian một phần của Hành vi sử dụng AI. Cụ thể, sự hỗ trợ từ nhà trường không chỉ tác động trực tiếp mà còn thông qua việc “kích hoạt” hành vi sử dụng AI để gián tiếp nâng cao hiệu suất học thuật, tạo nên một lộ trình bồi đắp tri thức bền vững trong kỷ nguyên Giáo dục 5.0.

Mô hình cấu trúc hoàn chỉnh bao gồm các hệ số đường dẫn chuẩn hóa và giá trị P-value, được minh họa tại Hình 2.

Hình 2: Kết quả mô hình cấu trúc

Nguồn: Kết quả phân tích từ phần mềm SmartPLS 3.0

Thảo luận

Kết quả PLS-SEM đã xác thực cơ chế tác động từ sự hỗ trợ tổ chức đến kết quả học tập thông qua hành vi tương tác công nghệ. Toàn bộ giả thuyết được chấp nhận ở mức ý nghĩa 1%, nghiên cứu khẳng định sự tương thích hoàn hảo của khung lý thuyết trong bối cảnh thực tiễn.

Thứ nhất, vai trò “kích hoạt” của sự hỗ trợ từ tổ chức. Kết quả ủng hộ giả thuyết H1 (beta = 0,711; p < 0,001) khẳng định Sự hỗ trợ từ nhà trường là nhân tố tác động mạnh mẽ nhất đến Hành vi sử dụng AI.

Thứ hai, AI đóng vai trò là “công cụ bổ trợ tư duy” và quy mô tác động thực tế. Giả thuyết H2 được chấp nhận (beta = 0,495). Đáng chú ý, chỉ số f² = 0,374 (mức mạnh) của Hành vi sử dụng AI đối với Kết quả học tập vượt trội hơn so với tác động trực tiếp từ nhà trường (f² = 0,237). Kết quả này đồng nhất với các thực chứng về vai trò quyết định của khả năng tự học và tính chủ động của người học.

Thứ ba, cơ chế truyền dẫn và tính cộng sinh trong Giáo dục 5.0 được thể hiện rõ qua vai trò trung gian của hành vi sử dụng AI (H4: beta = 0,352; p < 0,001). Kết quả cho thấy Sự hỗ trợ từ nhà trường chỉ thực sự tạo ra giá trị học thuật khi được chuyển hóa thông qua quá trình sử dụng AI của sinh viên. Nhà trường đóng vai trò định hướng và tạo điều kiện, trong khi hành vi chủ động của người học mới là yếu tố quyết định hiệu quả học tập bền vững. Điều này phản ánh đúng tinh thần Giáo dục 5.0, nơi công nghệ là công cụ hỗ trợ và sự kết hợp giữa nguồn lực tổ chức với năng lực thích ứng của con người giữ vai trò trung tâm.

HÀM Ý QUẢN TRỊ

Trên cơ sở kết quả nghiên cứu, các hàm ý thực tiễn được đề xuất như sau:

Thứ nhất, xây dựng khung pháp lý và Liêm chính học thuật. Nhà trường cần sớm ban hành “Quy tắc ứng xử AI”. Thay vì các biện pháp ngăn chặn mang tính thụ động, việc xác lập các tiêu chuẩn đạo đức và trích dẫn AI rõ ràng sẽ tạo tâm lý an toàn, khuyến khích sinh viên khai thác AI như một cộng sự học thuật chính trực. Đây chính là yếu tố cốt lõi của “Sự hỗ trợ từ nhà trường” giúp giảm thiểu rủi ro lệ thuộc công nghệ.

Thứ hai, chuyển đổi vai trò của giảng viên từ “Người truyền đạt” sang “Người điều phối số”. Các trường đại học cần đầu tư vào các chương trình nâng cao “Năng lực sư phạm AI” cho giảng viên, giúp họ có khả năng thiết kế các bài tập tình huống yêu cầu sinh viên sử dụng AI để phân tích dữ liệu kinh doanh nhưng vẫn phải thể hiện được tư duy phản biện độc lập.

Thứ ba, đầu tư hạ tầng dữ liệu và công cụ AI chuyên biệt. Nhằm tối ưu hóa tác động của sử dụng AI, nhà trường nên xem xét việc cung cấp các tài khoản AI bản quyền hoặc các mô hình ngôn ngữ lớn (LLMs) được tinh chỉnh riêng cho khối ngành Kinh tế. Việc này không chỉ thu hẹp khoảng cách số giữa các nhóm sinh viên mà còn tạo ra môi trường thực nghiệm giúp sinh viên làm quen với các công nghệ tự động hóa mà họ sẽ đối mặt trực tiếp trên thị trường lao động 4.0 và 5.0.

Tài liệu tham khảo:

1. Bùi Đức Nhân. (2023). Xu hướng đổi mới đánh giá kết quả học tập của học sinh hướng đến hình thành năng lực. Tạp chí Khoa học - Trường Đại học Thủ đô Hà Nội, (69), 20-21.

2. Bùi Trọng Tài và Nguyễn Minh Tuấn. (2024). Nghiên cứu ảnh hưởng của trí tuệ nhân tạo trong giáo dục tới hoạt động học tập của sinh viên. Tạp chí Giáo dục, 24(10), 6-11.

3. Chiu, T. K. (2021). Applying the self-determination theory to investigate the roles of teacher support and student engagement in equation-based programming learning. Interactive Learning Environments, 1-15. https://doi.org/10.1080/15391523.2021.1891998

4. Dư Thanh Cơ, Nguyễn Cát Mai Trâm, Nguyễn Văn Anh Thư, Huỳnh Duy Thanh và Vũ Thị Thanh Thảo. (2024). Các yếu tố ảnh hưởng đến hành vi sử dụng công cụ AI trong học tập của sinh viên các trường đại học tại Thành phố Hồ Chí Minh. Tạp chí Nghiên cứu Tài chính - Marketing, 15(6). https://doi.org/10.52932/jfm.v15i6.544

5. Hair, J. F., Risher, J. J., Sarstedt, M. và Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.

6. Hoàng Thị Mai Anh. (2022). Các yếu tố ảnh hưởng đến kết quả học tập của sinh viên trong môi trường giáo dục đại học. Tạp chí Giáo dục, 22(14), 45-50.

7. Jin, Y., Yan, L., Echeverria, V., Gašević, D. và Martinez-Maldonado, R. (2024). Generative AI in higher education: A global perspective of institutional adoption policies and guidelines. Computers and Education: Artificial Intelligence, 6, 100348. https://doi.org/10.1016/j.caeai.2024.100348

8. Lodge, J., Howard, S., Bearman, M., Dawson, P. và cộng sự. (2023). Assessment reform for the age of artificial intelligence. Tertiary Education Quality and Standards Agency.

9. Luckin, R., Holmes, W., Griffiths, M. và Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson.

10. Mollick, E. R. và Mollick, L. (2023). Using AI to implement effective teaching strategies in classrooms: Five strategies, including prompts (Wharton School Working Paper). SSRN.

11. Venkatesh, V., Morris, M. G., Davis, G. B. và Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.

12. Võ Thị Thiên Nga và Phạm Minh Tuyến. (2024). Giải pháp nâng cao năng lực thông tin số cho sinh viên Trường Đại học Khánh Hòa. Tạp chí Khoa học Trường Đại học Khánh Hòa, 2024(1), 70-78.

13. Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

14. Wang, C., Li, Z. và Bonk, C. (2024). Understanding self-directed learning in AI-assisted writing: A mixed methods study of postsecondary learners. Open Learning: The Journal of Open, Distance and e-Learning. https://doi.org/10.1080/02680513.2024.2362327