Trí tuệ nhân tạo và phát triển nguồn nhân lực số: Khung lý thuyết về chấp nhận công nghệ, học tập và sức khỏe số

ThS. Trương Đình Hải Thụy

Trường Đại học Tài chính - Marketing; Email: [email protected]

ThS. Trương Đình Hồng Thụy

Trường Đại học FPT; Email: [email protected]

ThS. Nguyễn Thị Trần Lộc

Trường Đại học Tài chính - Marketing; Email: [email protected]

ThS. Nguyễn Thị Minh Trâm

Trường Đại học Tài chính - Marketing; Email: [email protected]

Tóm tắt

Nghiên cứu này xây dựng khung mô hình lý thuyết nhằm xem xét mối quan hệ giữa chấp nhận và sử dụng trí tuệ nhân tạo (AI), gắn kết học tập và sức khỏe số của sinh viên đại học. Trên cơ sở tổng hợp các nghiên cứu liên quan, nghiên cứu vận dụng Mô hình chấp nhận công nghệ cùng các nghiên cứu về năng lực AI, gắn kết học tập và năng lực tự điều chỉnh học tập để xây dựng mô hình nghiên cứu. Theo đó, Chấp nhận AI và Năng lực AI được xem xét trong mối quan hệ với Việc sử dụng và tiếp tục sử dụng AI trong học tập; Việc sử dụng và tiếp tục sử dụng AI được đặt trong mối quan hệ với Gắn kết học tập và Sức khỏe số. Đồng thời, Năng lực tự điều chỉnh học tập được xem xét với vai trò điều tiết mối quan hệ giữa Gắn kết học tập và Sức khỏe số. Khung mô hình góp phần hệ thống hóa mối liên hệ giữa chấp nhận và sử dụng AI, gắn kết học tập và sức khỏe số, đồng thời tạo cơ sở cho việc kiểm định thực nghiệm trong các nghiên cứu tiếp theo.

Từ khóa: AI, chấp nhận công nghệ, gắn kết học tập, sức khỏe số, năng lực tự điều chỉnh

Abstract

This study develops a theoretical model to examine the relationships among the acceptance and use of artificial intelligence (AI), learning engagement, and digital well-being among university students. Based on a synthesis of relevant studies, the research draws on the Technology Acceptance Model and studies on AI literacy, learning engagement, and self-regulated learning to develop the research model. Specifically, AI Acceptance and AI Literacy are examined in relation to the Use and Continued Use of AI for learning. The Use and Continued Use of AI are then examined in relation to Learning Engagement and Digital Well-being. In addition, Self-Regulated Learning is examined as a moderating variable in the relationship between Learning Engagement and Digital Well-being. The proposed theoretical model helps systematise the relationships among AI acceptance and use, learning engagement, and digital well-being, while providing a basis for empirical testing in future studies.

Keyword: Artificial intelligence, technology acceptance, learning engagement, digital health, self-regulating capacity

GIỚI THIỆU

AI, đặc biệt là AI tạo sinh (GenAI), đang làm thay đổi phương thức học tập, tiếp cận tri thức và phát triển kỹ năng của sinh viên đại học (Dinh và cộng sự, 2025). AI có khả năng hỗ trợ cá nhân hóa nội dung, cung cấp phản hồi và thúc đẩy sự tham gia của người học (Bognár và Khine, 2025; Chen và cộng sự, 2025). Tuy nhiên, bên cạnh những lợi ích này, việc sử dụng AI cũng đặt ra những vấn đề liên quan đến sự phụ thuộc công nghệ, tính chủ động trong học tập và sức khỏe số của sinh viên (Zhai và cộng sự, 2024; Cambra-Fierro và cộng sự, 2025). Vì vậy, đánh giá vai trò của AI trong giáo dục đại học cần xem xét đồng thời hành vi sử dụng công nghệ, trải nghiệm học tập và trạng thái sức khỏe số của người học.

Các nghiên cứu trước đã vận dụng Mô hình chấp nhận công nghệ (TAM) để giải thích sự chấp nhận AI trong giáo dục (Almogren và cộng sự, 2024; Xue và cộng sự, 2025). Tuy nhiên, mối liên hệ giữa chấp nhận AI, năng lực AI, hành vi sử dụng và tiếp tục sử dụng AI với gắn kết học tập và sức khỏe số vẫn chưa được tích hợp đầy đủ trong một khung phân tích thống nhất. Đồng thời, năng lực tự điều chỉnh học tập có thể là yếu tố quan trọng giúp sinh viên kiểm soát việc sử dụng công nghệ và duy trì tính chủ động trong học tập.

Xuất phát từ khoảng trống này, nghiên cứu đề xuất khung mô hình lý thuyết tích hợp nhằm phân tích mối quan hệ giữa Chấp nhận AI, Năng lực AI, Việc sử dụng và tiếp tục sử dụng AI, Gắn kết học tập và Sức khỏe số của sinh viên, đồng thời xem xét vai trò điều tiết của Năng lực tự điều chỉnh học tập. Nghiên cứu góp phần hệ thống hóa cơ sở lý luận và định hướng kiểm định thực nghiệm trong bối cảnh giáo dục đại học.

CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU

Khái niệm và lý thuyết nền tảng

Sức khỏe số (Digital Well-being) được hiểu là trạng thái cân bằng và lành mạnh của người học trong quá trình tương tác với công nghệ số, thể hiện qua khả năng khai thác lợi ích của công nghệ đồng thời duy trì sức khỏe tâm lý và trải nghiệm học tập tích cực. Trong môi trường giáo dục có AI, sức khỏe số còn liên quan đến khả năng duy trì sự cân bằng, an toàn và kiểm soát khi sử dụng công nghệ. AI có thể hỗ trợ giảm áp lực học tập và cải thiện trải nghiệm, nhưng cũng có thể làm gia tăng căng thẳng, lo âu và sự phụ thuộc nếu sử dụng không phù hợp (Cambra-Fierro và cộng sự, 2025).

Trong nghiên cứu này, sức khỏe số được xem xét trong quá trình sinh viên sử dụng AI cho học tập, với trọng tâm là sức khỏe tâm lý, cân bằng trong sử dụng công nghệ, sự an toàn và trạng thái tích cực của người học.

Mô hình chấp nhận công nghệ (TAM) là nền tảng phổ biến để giải thích sự chấp nhận và sử dụng công nghệ. Trong giáo dục, nhận thức về tính hữu ích và tính dễ sử dụng có vai trò quan trọng trong chấp nhận AI (Almogren và cộng sự, 2024; Xue và cộng sự, 2025). Li (2023) cho thấy, ngoài nhận thức về công nghệ, động lực và mục tiêu học tập cũng liên quan đến quá trình chuyển từ chấp nhận sang sử dụng AI. Do đó, TAM cung cấp cơ sở xem xét mối quan hệ giữa chấp nhận AI và việc sử dụng, tiếp tục sử dụng AI trong học tập.

Năng lực AI (AI literacy) phản ánh khả năng của người học trong việc hiểu, đánh giá và sử dụng AI phù hợp với mục đích học tập. Năng lực này giúp sinh viên nhận diện khả năng và giới hạn của AI, đánh giá thông tin do AI cung cấp và lựa chọn cách thức sử dụng phù hợp. Các nghiên cứu cho thấy, năng lực AI có liên quan đến nhận thức, thái độ và ý định sử dụng AI của người học (Kai và cộng sự, 2026). Vì vậy, năng lực AI được xem xét cùng với chấp nhận AI trong việc giải thích việc sử dụng và tiếp tục sử dụng AI trong học tập.

Năng lực tự điều chỉnh học tập (Self-Regulated Learning) phản ánh khả năng người học chủ động lập kế hoạch, theo dõi và điều chỉnh quá trình học tập. Khi sử dụng AI, năng lực này giúp sinh viên duy trì tính chủ động, kiểm soát cách thức sử dụng công nghệ và hạn chế sự phụ thuộc quá mức vào AI. Zhai và cộng sự (2024) đã chỉ ra những rủi ro của việc phụ thuộc quá mức vào AI đối với quá trình nhận thức và quá trình học tập. Do đó, năng lực tự điều chỉnh học tập được xem xét trong nghiên cứu này như một đặc điểm của người học có khả năng điều tiết mối quan hệ giữa gắn kết học tập và sức khỏe số.

Tổng quan nghiên cứu

Các nghiên cứu cho thấy Mô hình TAM có khả năng giải thích sự chấp nhận AI của sinh viên thông qua tính hữu ích và tính dễ sử dụng (Almogren và cộng sự, 2024; Xue và cộng sự, 2025). Bên cạnh đó, năng lực AI có liên quan đến nhận thức và ý định sử dụng công nghệ của người học (Kai và cộng sự, 2026). AI có thể hỗ trợ cá nhân hóa học tập, cung cấp phản hồi và thúc đẩy sự tham gia, tính chủ động của sinh viên (Bognár và Khine, 2025; Chen và cộng sự, 2025). Tuy nhiên, phụ thuộc quá mức vào AI có thể ảnh hưởng đến năng lực nhận thức và tính chủ động trong học tập (Zhai và cộng sự, 2024).

Gắn kết học tập phản ánh mức độ tham gia, tập trung và chủ động của sinh viên, đồng thời có thể liên quan đến sức khỏe số. Việc sử dụng công nghệ phù hợp có thể cải thiện trải nghiệm học tập, trong khi quá tải và phụ thuộc công nghệ có nguy cơ gây ra những tác động bất lợi (Cambra-Fierro và cộng sự, 2025; Yang và Rui, 2025). Bên cạnh đó, năng lực tự điều chỉnh học tập, thể hiện qua khả năng lập kế hoạch, theo dõi và điều chỉnh quá trình học, có thể giúp sinh viên duy trì tính chủ động và kiểm soát việc sử dụng AI (Zhai và cộng sự, 2024).

Mặc dù các nghiên cứu đã đề cập đến sự chấp nhận AI, gắn kết học tập và sức khỏe số, các mối quan hệ này phần lớn vẫn được xem xét riêng biệt. Trong bối cảnh giáo dục đại học Việt Nam, còn thiếu nghiên cứu tích hợp sự chấp nhận công nghệ, năng lực AI, hành vi sử dụng AI, gắn kết học tập và sức khỏe số, đồng thời kiểm định vai trò điều tiết của năng lực tự điều chỉnh học tập. Vì vậy, nghiên cứu này xây dựng mô hình lý thuyết nhằm làm rõ các mối quan hệ trên, qua đó bổ sung bằng chứng về việc sử dụng AI hiệu quả và có trách nhiệm trong học tập.

ĐỀ XUẤT MÔ HÌNH VÀ GIẢ THUYẾT NGHIÊN CỨU

Đề xuất mô hình nghiên cứu

Trên cơ sở lý thuyết và tổng quan các nghiên cứu trước, nghiên cứu đề xuất mô hình xem xét mối quan hệ giữa Chấp nhận AI, Năng lực AI, Việc sử dụng và tiếp tục sử dụng AI trong học tập, Gắn kết học tập và Sức khỏe số của sinh viên (thể hiện tại Hình). Trong đó, Chấp nhận AI và Năng lực AI được xem xét là các yếu tố liên quan đến Việc sử dụng và tiếp tục sử dụng AI; Việc sử dụng và tiếp tục sử dụng AI được đặt trong mối quan hệ với Gắn kết học tập và Sức khỏe số. Đồng thời, Năng lực tự điều chỉnh học tập được đưa vào mô hình với vai trò điều tiết mối quan hệ giữa Gắn kết học tập và Sức khỏe số.

Hình: Mô hình nghiên cứu

Nguồn: Đề xuất của nhóm tác giả

Phát triển giả thuyết nghiên cứu

Chấp nhận AI và Việc sử dụng và tiếp tục sử dụng sử dụng AI

Theo Mô hình TAM, nhận thức về tính hữu ích và tính dễ sử dụng là những yếu tố quan trọng trong quá trình chấp nhận công nghệ. Các nghiên cứu về AI trong giáo dục cho thấy đánh giá tích cực về giá trị và tính hữu ích của AI có liên quan đến ý định và hành vi sử dụng công nghệ của sinh viên (Ali và cộng sự, 2024; Shahzad và cộng sự, 2024; Mariñas và cộng sự, 2025). Do đó mức độ chấp nhận AI được kỳ vọng có mối quan hệ tích cực với việc sử dụng và tiếp tục sử dụng AI trong học tập. Từ đó, giả thuyết được phát triển như sau:

H₁: Chấp nhận AI có ảnh hưởng tích cực đến Việc sử dụng và tiếp tục sử dụng AI trong học tập của sinh viên.

Năng lực AI và Việc sử dụng và tiếp tục sử dụng sử dụng AI

Năng lực AI cung cấp cho sinh viên kiến thức và kỹ năng cần thiết để hiểu, đánh giá chất lượng đầu ra và sử dụng AI phù hợp với mục tiêu học tập. Sinh viên có năng lực AI cao có khả năng khai thác công nghệ phù hợp hơn và duy trì việc sử dụng AI trong học tập (Ke và cộng sự, 2025). Các nghiên cứu cũng cho thấy, năng lực AI có liên quan đến nhận thức về tính hữu ích và khả năng chuyển từ tiếp cận công nghệ sang sử dụng AI chủ động (Wang và cộng sự, 2025). Từ đó, giả thuyết được phát triển như sau:

H₂: Năng lực AI có ảnh hưởng tích cực đến Việc sử dụng và tiếp tục sử dụng AI trong học tập của sinh viên.

Việc sử dụng và tiếp tục sử dụng AI và Gắn kết học tập

AI có thể hỗ trợ cá nhân hóa học tập, cung cấp phản hồi và giảm tải áp lực, qua đó tạo điều kiện cho sinh viên duy trì sự tham gia, tập trung và chủ động trong học tập (Heung và Chiu, 2025; Xia và cộng sự, 2025). Tuy nhiên, việc sử dụng AI không mặc nhiên tạo ra gắn kết học tập tích cực; sự phụ thuộc quá mức vào AI có thể làm giảm tính chủ động và sự tham gia thực chất của người học (Isaeva và cộng sự, 2026). Vì vậy, việc sử dụng và tiếp tục sử dụng AI phù hợp được kỳ vọng có ảnh hưởng tích cực đến gắn kết học tập. Từ đó, giả thuyết được phát triển như sau:

H₃: Việc sử dụng và tiếp tục sử dụng AI trong học tập có ảnh hưởng tích cực đến Gắn kết học tập của sinh viên.

Gắn kết học tập và Sức khoẻ số của sinh viên

Gắn kết học tập phản ánh mức độ đầu tư về hành vi, nhận thức và cảm xúc của sinh viên trong quá trình học tập. Trong môi trường học tập có công nghệ hỗ trợ, mức độ tham gia và chủ động của người học có thể liên quan đến cách họ trải nghiệm và quản lý việc sử dụng công nghệ. Các nghiên cứu cho thấy, trải nghiệm học tập tích cực có liên quan đến trạng thái tâm lý và sức khỏe số của người học, trong khi quá tải và phụ thuộc công nghệ có thể làm gia tăng các tác động tiêu cực (Elliott và cộng sự, 2026; Mohd Bahar và cộng sự, 2024). Do đó, gắn kết học tập được kỳ vọng có mối quan hệ tích cực với sức khỏe số. Giả thuyết sau được đề xuất:

H₄: Gắn kết học tập có ảnh hưởng tích cực đến Sức khoẻ số của sinh viên.

Vai trò điều tiết của Năng lực tự điều chỉnh học tập

Mặc dù gắn kết học tập có quan hệ tích cực đến sức khỏe số, nhưng tác động này không đồng nhất ở mọi cá nhân mà phụ thuộc vào chất lượng quản lý và điều chỉnh chiến lược học tập của sinh viên (Reeve và cộng sự, 2025). Năng lực tự điều chỉnh học tập giúp sinh viên định hướng gắn kết vào mục tiêu, kiểm soát cường độ sử dụng AI và tránh tình trạng phụ thuộc. Khi có năng lực tự điều chỉnh cao, sinh viên biết cách tối ưu hóa lợi ích của việc gắn kết học tập để duy trì trạng thái sức khỏe số vững vàng hơn. Từ đó, giả thuyết được phát triển như sau:

H₅: Năng lực tự điều chỉnh học tập điều tiết tích cực mối quan hệ giữa Gắn kết học tập và Sức khỏe số của sinh viên, theo đó tác động tích cực này sẽ mạnh hơn ở nhóm sinh viên có năng lực tự điều chỉnh cao.

KẾT LUẬN VÀ HÀM Ý

Nghiên cứu đề xuất khung mô hình lý thuyết tích hợp nhằm phân tích mối quan hệ giữa việc chấp nhận và sử dụng trí tuệ nhân tạo (AI), gắn kết học tập và sức khỏe số của sinh viên đại học. Mô hình kết hợp các yếu tố Chấp nhận AI, Năng lực AI, Việc sử dụng và tiếp tục sử dụng AI, đồng thời xem xét Gắn kết học tập như một yếu tố trung gian và Năng lực tự điều chỉnh học tập như một biến điều tiết trong mối quan hệ giữa Gắn kết học tập và Sức khỏe số.

Nghiên cứu có 2 đóng góp chính. Thứ nhất, khung mô hình mở rộng cách tiếp cận về AI trong giáo dục từ sự chấp nhận và sử dụng công nghệ sang trải nghiệm học tập và sức khỏe số của sinh viên. Thứ hai, việc xem xét vai trò điều tiết của năng lực tự điều chỉnh học tập góp phần làm rõ sự khác biệt giữa các cá nhân trong mối quan hệ giữa gắn kết học tập và sức khỏe số. Qua đó, nghiên cứu cung cấp cơ sở lý thuyết để xem xét việc ứng dụng AI trong giáo dục đại học theo hướng hiệu quả và phù hợp với đặc điểm của người học.

Do nghiên cứu mới dừng ở việc đề xuất mô hình lý thuyết, các mối quan hệ cần được kiểm định bằng dữ liệu thực nghiệm. Nghiên cứu tiếp theo nên tập trung hoàn thiện thang đo, khảo sát sinh viên tại các cơ sở giáo dục đại học ở Việt Nam và sử dụng các phương pháp mô hình phương trình cấu trúc như PLS-SEM hoặc CB-SEM để kiểm định các giả thuyết và đánh giá mức độ phù hợp của mô hình.

Tài liệu tham khảo:

1. Ali, I., Warraich, N., & Butt, K. (2024). Acceptance and use of artificial intelligence and AI-based applications in education: A meta-analysis and future direction. Information Development, 41, 859-874. https://doi.org/10.1177/02666669241257206

2. Almogren, A. S., Al-Rahmi, W. M., & Dahri, N. A. (2024). Exploring factors influencing the acceptance of ChatGPT in higher education: A smart education perspective. Heliyon, 10(11), e31887. https://doi.org/10.1016/j.heliyon.2024.e31887

3. Bognár, L., & Khine, M. S. (2025). The shifting landscape of student engagement: A pre-post semester analysis in AI-enhanced classrooms. Computers and Education: Artificial Intelligence, 8, 100395. https://doi.org/10.1016/j.caeai.2025.100395

4. Cambra-Fierro, J. J., Blasco, M. F., López-Pérez, M.-E. E., & Trifu, A. (2025). ChatGPT adoption and its influence on faculty well-being: An empirical research in higher education. Education and Information Technologies, 30(2), 1517-1538. https://doi.org/10.1007/s10639-024-12871-0

5. Chen, X., Xie, H., Qin, S. J., Wang, F. L., & Hou, Y. (2025). Artificial Intelligence-Supported Student Engagement Research: Text Mining and Systematic Analysis. European Journal of Education, 60(1), e70008. https://doi.org/10.1111/ejed.70008

6. Dinh, C.-T., Trinh, V. K. V., Duong, L. T., Vo, H. B. T., & Nguyen, T. P. D. (2025). Acceptance of AI tools and its impact on communication strategies and vocabulary adaptation: Evidence from Vietnamese English majors. Acta Psychologica, 261, 105911. https://doi.org/10.1016/j.actpsy.2025.105911

7. Elliott, S., Richter, M., Alozie, C., & Raidis, D. (2026). Student Perceptions of Personalised GenAI Agents on Student Learning, Success, Engagement, and Wellbeing: A Pilot Study of Cogniti AI. Technology, Knowledge and Learning. https://doi.org/10.1007/s10758-025-09942-7

8. Heung, Y. M. E., & Chiu, T. K. F. (2025). How ChatGPT impacts student engagement from a systematic review and meta-analysis study. Computers and Education: Artificial Intelligence, 8, 100361. https://doi.org/10.1016/j.caeai.2025.100361

9. Isaeva, R., Caner, H. N., Caner, M., Giray, L., & Karadag, E. (2026). Students’ engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study. Computers and Education: Artificial Intelligence, 10, 100606. https://doi.org/10.1016/j.caeai.2026.100606

10. Kai, C., Ping, W., & Xiaomin, J. (2026). AI anxiety and adoption intention in higher education based on an extended TAM-UTAUT and PLS-SEM analysis. Scientific Reports, 16(1), 3672. https://doi.org/10.1038/s41598-026-35823-9

11. Ke, Q., Gong, Y., & Ke, C. (2025). Bridging AI literacy and UTAUT constructs: Structural equation modeling of AI adoption among Chinese university students. Humanities and Social Sciences Communications, 12(1), 1452.

12. Li, K. (2023). Determinants of College Students’ Actual Use of AI-Based Systems: An Extension of the Technology Acceptance Model. Sustainability, 15(6), 5221. https://doi.org/10.3390/su15065221

13. Mariñas, K. A., Saflor, C. S., Alvarado, P., Uminga, J. M., & Verde, N. A. (2025). Assessing the importance of variables from a revised technology acceptance model for the use of ChatGPT by university students. Computers and Education: Artificial Intelligence, 9, 100435. https://doi.org/10.1016/j.caeai.2025.100435

14. Mohd Bahar, F. H., Roslan, N. S., Ping, N. P. T. (2024). Digital Well-Being among Learners in Higher Education: A Scoping Review Protocol. Education in Medicine Journal, 16(4), 181-186. https://doi.org/10.21315/eimj2024.16.4.14

15. Reeve, J., Basarkod, G., Jang, H.-R., Gargurevich, R., Jang, H., & Cheon, S. H. (2025). Specialized Purpose of Each Type of Student Engagement: A Meta-Analysis. Educational Psychology Review, 37(1), 13. https://doi.org/10.1007/s10648-025-09989-z

16. Shahzad, M. F., Xu, S., & Javed, I. (2024). ChatGPT awareness, acceptance, and adoption in higher education: The role of trust as a cornerstone. International Journal of Educational Technology in Higher Education, 21(1), 46. https://doi.org/10.1186/s41239-024-00478-x

17. Wang, S., Sun, Z., Wang, H., Yang, D., & Zhang, H. (2025). Enhancing student acceptance of artificial intelligence-driven hybrid learning in business education: Interaction between self-efficacy, playfulness, emotional engagement, and university support. The International Journal of Management Education, 23(2), 101184. https://doi.org/10.1016/j.ijme.2025.101184

18. Xia, Q., Li, W., Yang, Y., Weng, X., & Chiu, T. K. F. (2025). A systematic review and meta-analysis of the effectiveness of Generative Artificial Intelligence (GenAI) on students’ motivation and engagement. Computers and Education: Artificial Intelligence, 9, 100455. https://doi.org/10.1016/j.caeai.2025.100455

19. Xue, L., Mahat, J., Ghazali, N., & Shi, X. (2025). Technology acceptance model (TAM) in artificial intelligence in higher education (aihed). A systematic literature review, 23(1).

20. Yang, H., & Rui, Y. (2025). Transforming EFL students’ engagement: How AI-enhanced environments bridge emotional health challenges like depression and anxiety. Acta Psychologica, 257, 105104. https://doi.org/10.1016/j.actpsy.2025.105104

21. Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. Smart Learning Environments, 11(1), 28.