Vai trò của AI trong đổi mới quy trình nghiên cứu khoa học tại các trường đại học công lập khối ngành Kinh tế

Ngô Thế Sơn

Email: [email protected]

Nguyễn Văn Minh

Email: [email protected]

Trường Đại học Thương mại

Tóm tắt

Nghiên cứu đánh giá tầm quan trọng của trí tuệ nhân tạo (AI) trong việc thay đổi quy trình nghiên cứu khoa học truyền thống. Với dữ liệu từ 287 giảng viên tại các trường đại học có đào tạo ngành Kinh tế ở Hà Nội, kết quả phân tích cho thấy mức độ cảm nhận tích cực chung đối với AI là rất cao, đặc biệt trong tìm kiếm và tổng hợp tài liệu. Tuy nhiên, việc khai thác AI trong các hoạt động nghiên cứu khoa học chuyên sâu như xây dựng mô hình hay phân tích dữ liệu phức tạp vẫn còn ở mức khiêm tốn. Nghiên cứu chỉ ra rằng, sự lạc quan và tính đổi mới cá nhân là động lực chính, trong khi những lo ngại về liêm chính học thuật và tính chính xác của dữ liệu (ảo giác AI) vẫn là rào cản cần giải quyết.

Từ khóa: Trí tuệ nhân tạo, AI, đổi mới nghiên cứu, quy trình nghiên cứu khoa học, đại học công lập, ngành kinh tế

Summary

This study evaluates the significance of artificial intelligence (AI) in transforming traditional scientific research processes. Based on data collected from 287 lecturers at economics universities in Ha Noi, the findings reveal a very high overall level of positive perception toward AI, particularly in literature search and synthesis. However, the use of AI in advanced research, such as model development and complex data analysis, remains relatively modest. The study indicates that optimism and individual innovativeness are primary drivers of AI adoption, while concerns about academic integrity and data accuracy (AI hallucinations) remain significant barriers that need to be addressed.

Keywords: Artificial intelligence, AI, research innovation, scientific research process, public universities, economics discipline

GIỚI THIỆU

Thực tế tại Việt Nam cho thấy, phần lớn giảng viên hiện nay mới chỉ chủ yếu sử dụng AI cho 3 nhiệm vụ: tìm tài liệu, tóm tắt văn bản và chỉnh sửa câu từ (Ngô Thế Sơn và cộng sự, 2025). Tuy nhiên, việc ứng dụng AI cũng đặt ra thách thức về tính "ảo giác" (hallucination), dẫn đến nguy cơ thông tin sai lệch (Sun và cộng sự, 2024; Adel và Alani, 2025). Vấn đề liêm chính học thuật trở nên phức tạp khi AI có khả năng mô phỏng văn phong học thuật gần như con người, tạo nguy cơ đạo văn hoặc lệ thuộc công nghệ. Ở phương diện đối lập, mức độ tin tưởng đối với AI trong nghiên cứu thấp cũng phản ánh tâm lý dè dặt của nhiều giảng viên chưa sẵn sàng tiếp cận và làm chủ công cụ mới.

Mặc dù nhiều nghiên cứu quốc tế đã thảo luận về tác động của AI đối với từng yếu tố riêng lẻ của hoạt động nghiên cứu, chẳng hạn như hỗ trợ tổng quan tài liệu (Pigola và cộng sự, 2023), hỗ trợ phân tích dữ liệu (Opele và cộng sự, 2024) hoặc hỗ trợ viết học thuật (Harris, 2024) nhưng số lượng công trình nghiên cứu ở Việt Nam còn rất hạn chế. Nghiên cứu này hệ thống hóa vai trò của AI để làm rõ các yếu tố tâm lý và hành vi trong việc chấp nhận công nghệ này tại Việt Nam nói chung và trong đổi mới quy trình nghiên cứu khoa học tại các trường đại học công lập khối ngành kinh tế nói riêng.

KHUNG LÝ THUYẾT

Hoạt động nghiên cứu khoa học tại các cơ sở giáo dục đại học

Nghiên cứu khoa học (NCKH) là yếu tố quyết định năng lực cạnh tranh của quốc gia và tổ chức. Theo Creswell (2014), NCKH là quá trình có hệ thống nhằm khám phá bản chất hiện tượng thông qua các phương pháp phù hợp. Một công trình giá trị cần đảm bảo tính mới (Sekaran và Bougie, 2016), tính hệ thống (Erol, 2017; Flick, 2018). Liêm chính khoa học đòi hỏi sự trung thực và trách nhiệm (NAFOSTED, 2022), thể hiện trong trích dẫn và tránh thiên kiến trong nghiên cứu. Đặc biệt, việc lạm dụng AI gây suy giảm tính đổi mới (Dwivedi và cộng sự, 2023; Pigola và cộng sự, 2023) cũng như những lo ngại về đảm bảo tiêu chuẩn về đạo đức NCKH.

Các lý thuyết nền tảng về ứng dụng công nghệ

Mô hình Chấp nhận công nghệ (TAM) của Davis (1989) giải thích rằng, một hệ thống được chấp nhận dựa trên cảm nhận tính hữu ích và cảm nhận tính dễ sử dụng. Các nghiên cứu mở rộng bổ sung yếu tố ngoại sinh về nhận thức công việc, ảnh hưởng xã hội và các yếu tố điều tiết như kinh nghiệm, tính tự nguyện (TAM2 phát triển bởi Venkatesh và Davis, 2000), hay mở rộng các thang đo nội sinh đại diện một số đặc điểm tâm lý cá nhân (TAM3 phát triển bởi Venkatesh và Bala, 2008) làm tiền đề giải thích cho những cảm nhận về tính dễ sử dụng, tính hữu ích và ý định hành vi. Trong khi đó, Lý thuyết sẵn sàng công nghệ (TRI) của Parasuraman (2000) phân loại nhân cách công nghệ dựa trên sự lạc quan, đổi mới, khó chịu và bất an. Nghiên cứu này kết hợp TAM và TRI để làm rõ hành vi sử dụng AI của giảng viên.

Trí tuệ nhân tạo và vai trò trong nghiên cứu khoa học

Trí tuệ nhân tạo (Artificial Intelligence - AI) là lĩnh vực khoa học máy tính phát triển các mô hình và hệ thống có khả năng thực hiện các tác vụ đòi hỏi trí tuệ con người. AI hỗ trợ toàn diện NCKH thông qua tự động hóa tác vụ (Harris, 2024). Pigola và cộng sự (2023) ghi nhận AI có thể rút ngắn thời gian tổng quan tài liệu tới 60%. Opele và cộng sự (2024) chứng minh hiệu quả của AI trong phân tích thống kê mô tả và kiểm định giả thuyết. Tuy nhiên, AI hiện chỉ đóng vai trò hỗ trợ, không thay thế được tư duy lập luận của nhà nghiên cứu trong các phân tích chuyên sâu.

THIẾT KẾ MÔ HÌNH VÀ CÁC GIẢ THUYẾT

Theo TRI, sự lạc quan phản ánh mức độ tin tưởng của cá nhân rằng công nghệ sẽ giúp nâng cao hiệu quả công việc và cuộc sống (Parasuraman, 2000; Parasuraman và Colby, 2001). Trong bối cảnh NCKH, những giảng viên có mức độ lạc quan cao đối với AI thường có xu hướng nhìn nhận công nghệ này là thân thiện, dễ tiếp cận và ít gây trở ngại trong quá trình sử dụng (Dwivedi và cộng sự, 2023; Marikyan và Papagiannidis, 2024). Do đó, giả thuyết được đề xuất như sau:

H1: Sự lạc quan (OPT) có tác động tích cực đến Cảm nhận tính dễ sử dụng của AI trong NCKH.

Tính đổi mới phản ánh khuynh hướng tiên phong trong việc tiếp cận và thử nghiệm công nghệ mới (Parasuraman, 2000). Các giảng viên có mức độ đổi mới cao thường sẵn sàng học hỏi, thích nghi và khai thác các công cụ AI, từ đó làm giảm cảm nhận về độ phức tạp trong sử dụng (Venkatesh và Bala, 2008; Dwivedi và cộng sự, 2023). Trên cơ sở đó, giả thuyết được đề xuất:

H2: Tính đổi mới (INN) có tác động tích cực đến Cảm nhận tính dễ sử dụng của AI trong NCKH.

Sự khó chịu thể hiện cảm giác mất kiểm soát, quá tải hoặc bối rối khi tương tác với công nghệ. Về mặt lý thuyết, yếu tố này được kỳ vọng làm gia tăng nhận thức về sự phức tạp trong sử dụng AI, từ đó làm giảm cảm nhận về tính dễ sử dụng của một ứng dụng công nghệ (Venkatesh và cộng sự, 2012). Đồng thời, sự bất an cá nhân với AI về độ tin cậy, an toàn và các hệ quả tiềm ẩn khi sử dụng công nghệ cũng thường được nhắc tới khi đề cập về tính chính xác của thông tin, những rủi ro về đạo đức, liêm chính học thuật và uy tín khoa học (Crawford và Calo, 2016; Dwivedi và cộng sự, 2023). Những lo ngại này không nhất thiết khiến AI trở nên khó sử dụng, nhưng có thể làm giảng viên nghi ngờ về giá trị và lợi ích thực sự của AI trong nghiên cứu (Pigola và cộng sự, 2023; Harris, 2024). Do đó, nghiên cứu đề xuất 2 giả thiết tương ứng là:

H3: Sự khó chịu (DCF) có tác động tiêu cực đến Cảm nhận tính dễ sử dụng của AI trong NCKH.

H4: Sự bất an (INS) có tác động đến Cảm nhận tính hữu ích của AI trong NCKH.

Theo mô hình TAM, cảm nhận tính dễ sử dụng không chỉ ảnh hưởng trực tiếp đến thái độ mà còn là tiền đề quan trọng hình thành cảm nhận tính hữu ích. Khi AI được đánh giá là dễ sử dụng, giảng viên có xu hướng cho rằng công nghệ này giúp tiết kiệm thời gian và nâng cao hiệu quả nghiên cứu (Venkatesh và Davis, 2000; Marikyan và Papagiannidis, 2024). Bên cạnh đó, khi AI được cảm nhận là dễ sử dụng, giảng viên có xu hướng hình thành thái độ tích cực hơn đối với việc ứng dụng công nghệ này trong nghiên cứu khoa học (Dwivedi và cộng sự, 2023; Harris, 2024). Giả thuyết được nêu ra là:

H5: Cảm nhận tính dễ sử dụng (PEOU) có tác động tích cực đến Cảm nhận tính hữu ích về AI.

H6: Cảm nhận tính dễ sử dụng (PEOU) có tác động tích cực đến Thái độ đối với việc sử dụng AI

Theo TAM, cảm nhận tính hữu ích là yếu tố then chốt quyết định thái độ của người dùng đối với công nghệ. Trong bối cảnh NCKH, nếu AI được đánh giá là giúp nâng cao chất lượng và hiệu quả nghiên cứu, giảng viên sẽ có thái độ tích cực hơn và sẵn sàng với việc sử dụng công nghệ này (Pigola và cộng sự, 2023; Opele và cộng sự, 2024). Do đó, nghiên cứu đề xuất giả thuyết:

H7: Cảm nhận tính hữu ích (PU) có tác động tích cực đến Thái độ đối với việc sử dụng AI.

Thái độ tích cực đối với AI được xem là yếu tố dự báo trực tiếp và mạnh mẽ nhất đối với ý định sử dụng (Ajzen, 1991; Venkatesh và cộng sự, 2012). Tương tự với AI trong hoạt động NCKH, các nghiên cứu gần đây cho thấy thái độ tích cực của giảng viên đối với AI là yếu tố quyết định ý định sử dụng lâu dài, vượt qua các rào cản về kỹ thuật (Dwivedi và cộng sự, 2023). Vì vậy, giả thuyết được đề xuất là:

H8: Thái độ (ATT) có tác động tích cực đến Ý định sử dụng AI trong NCKH.

PHƯƠNG PHÁP NGHIÊN CỨU VÀ THU THẬP DỮ LIỆU

Nghiên cứu kết hợp phương pháp định tính và định lượng. Khảo sát trực tuyến sử dụng thang đo Likert 5 mức được thực hiện trong 2 tháng từ tháng 10/2025. Với 287 phiếu hợp lệ từ các trường đại học như Kinh tế Quốc dân, Thương mại, Ngoại thương, dữ liệu được phân tích bằng mô hình SEM qua phần mềm Smart PLS 4.1. Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU VÀ PHÂN TÍCH THỰC CHỨNG

Thống kê mô tả

Bảng 1: Thống kê mô tả nhân khẩu học mẫu khảo sát

Nguồn: Nhóm tác giả tổng hợp

Bảng 2: Tỷ lệ sử dụng AI theo các giai đoạn NCKH

Nguồn: Nhóm tác giả tổng hợp

Kết quả tổng hợp và phân tích dữ liệu cho thấy mức độ phân phối tương đối đồng đều về cơ cấu đội ngũ giảng viên trong khối ngành Kinh tế. Nhóm giảng viên nữ chiếm tỷ lệ cao hơn tương đối so với nam. Tỷ lệ giảng viên là thạc sĩ và tiến sĩg không có sự chênh lệch đáng kể, đảm bảo tính đại diện.

Mặc dù nhóm đối tượng giảng viên tham gia khảo sát đều sử dụng ứng dụng AI xuyên suốt quá trình thực hiện NCKH, tuy nhiên không phải bước nào của quá trình này cũng đều được áp dụng. Theo đó, AI được sử dụng chủ yếu ở giai đoạn “Tìm kiếm thông tin, dữ liệu” trong khi các giai đoạn mang tính phương pháp luận và phân tích chuyên sâu của quá trình nghiên cứu chỉ chiếm tỉ trọng khá nhỏ với mức thấp nhất ở cả hoạt động “Xây dựng mô hình và giả thuyết” và “Phân tích dữ liệu”.

Đánh giá độ tin cậy và giá trị hội tụ của thang đo và khả năng giải thích mô hình

Kết quả kiểm định mô hình đo lường (Bảng 3) cho thấy tất cả các thang đo đều thỏa mãn mức độ tin cậy chấp nhận. Hệ số Cronbach’s Alpha dao động từ 0.724 đến 0.872, thỏa mãn ngưỡng khuyến nghị trong các nghiên cứu SEM-PLS (Hair và cộng sự, 2017). Kết quả hệ số CR (rho_c) của các biến đều lớn hơn 0.8, phản ánh mức độ nhất quán nội tại cao của các thang đo. Giá trị phương sai trích trung bình (AVE) của hầu hết các thang đo đều lớn hơn 0.5, ngoại trừ yếu tố Sự bất an (INS) có giá trị AVE là 0.42. Tuy nhiên, do cả 2 hệ số Composite reliability của biến này vẫn lớn hơn 0.7 nên thang đo này vẫn được chấp nhận theo quan điểm của Fornell và Larcker (1981).

Bảng 3: Tiêu chuẩn độ tin cậy và chỉ số tải phương sai trích

Nguồn: Kết quả phân tích dữ liệu bởi Smart PLS 4.1

Bảng 4: Tổng quan các giá trị R2

Nguồn: Kết quả phân tích dữ liệu bởi Smart PLS 4.1

Kết quả phân tích mô hình cấu trúc ở Bảng 4 cho thấy các giá trị R² đều ở mức cao, phản ánh khả năng giải thích tốt của mô hình (Chin, 1998).

Kết quả kiểm định giả thuyết

Kết quả bootstrapping (Bảng 5) áp dụng mức ngưỡng mặc định 5,000 cho thấy hầu hết các giả thuyết nghiên cứu đều được ủng hộ ở mức ý nghĩa thống kê cao (Hair và cộng sự, 2017). Trong các yếu tố thuộc TRI, Sự lạc quan (OPT) và Tính đổi mới (INN) đều có tác động tích cực và mạnh mẽ đến Nhận thức tính dễ sử dụng (PEOU), trong khi Sự khó chịu (DCF) không có tác động có ý nghĩa thống kê, nên giả thuyết H3 bị bác bỏ. Thái độ (ATT) vẫn được khẳng định có tác động rất mạnh đến Ý định sử dụng (BI) với β = 0.779. Các hệ số β thể hiện mức độ ảnh hưởng tích cực từ PEOU và PU đến ATT khẳng định tính phù hợp của TAM trong việc giải thích cơ chế hình thành Thái độ và Ý định sử dụng AI của giảng viên. Kết quả kiểm định cuối cùng được mô tả như Hình.

Bảng 5: Kết quả đánh giá mô hình và kiểm định giả thuyết

Nguồn: Kết quả phân tích dữ liệu thực hiện bởi Smart PLS 4.1

Hình 1. Kết quả phân tích SEM mô hình nghiên cứu

Nguồn: Kết quả phân tích dữ liệu thực hiện bởi Smart PLS 4.1

THẢO LUẬN

Sự tập trung sử dụng AI ở khâu tìm kiếm tài liệu phù hợp với các nghiên cứu quốc tế (Pigola và cộng sự, 2023). Mức độ sử dụng AI cho xây dựng mô hình, thiết kế bảng hỏi và phân tích dữ liệu cho thấy, với tiềm năng hiện tại, các giai đoạn chuyên môn sâu của NCKH vẫn đòi hỏi kiến thức nền tảng và khả năng tư duy của người nghiên cứu cũng như các giảng viên chưa tin tưởng giao các công việc này lại cho các ứng dụng AI.

Kết quả kiểm định cho thấy, mô hình TAM vẫn giữ được có giá trị trong bối cảnh nghiên cứu về chủ đề AI, thể hiện qua các mối quan hệ có ý nghĩa thống kê giữa nhận thức tính dễ sử dụng, nhận thức tính hữu ích, thái độ và ý định sử dụng AI. Mối quan hệ tích cực giữa các thang đo cho thấy khi AI được cảm nhận là dễ sử dụng, giảng viên có xu hướng đánh giá cao hơn giá trị hữu ích của công nghệ này trong hoạt động nghiên cứu. Điều này củng cố lập luận của TAM rằng nhận thức về sự tiện lợi trong thao tác là tiền đề quan trọng để hình thành niềm tin vào lợi ích của công nghệ, đặc biệt trong môi trường nghiên cứu đòi hỏi độ chính xác và tính minh bạch cao. Mặt khác, tác động có ý nghĩa mạnh giữa sự lạc quan và tính đổi mới đến cảm nhận tính dễ sử dụng được khẳng định cho thấy, những giảng viên có thái độ tích cực với công nghệ và sẵn sàng thử nghiệm cái mới thường ít gặp rào cản về thao tác và nhanh chóng thích nghi với các công cụ AI trong NCKH. Sự khó chịu không có tác động đáng kể đến nhận thức tính dễ sử dụng cho thấy giao diện thân thiện và dễ tiếp cận của các công cụ AI hay cảm giác quá tải công nghệ không còn là rào cản quá lớn, cho thấy bản chất rào cản công nghệ trong học thuật đang dịch chuyển từ vấn đề thao tác sang vấn đề niềm tin và chuẩn mực nghiên cứu.

Từ góc độ học thuật, nghiên cứu này góp phần củng cố phù hợp của cả 2 lý thuyết nền về chấp nhận công nghệ là TAM và TRI, đồng thời cho thấy khả năng mở rộng các biến đo lường về cảm nhận đánh giá của cá nhân thông qua các thang đo tâm lý trong bối cảnh nghiên cứu các ứng dụng công nghệ mới là AI trong hoạt động NCKH của giảng viên đại học.

Tài liệu tham khảo:

1. Adel, A., Alani, N. (2025). Can generative AI reliably synthesise literature? exploring hallucination issues in ChatGPT. AI & Society 40, 6799-6812. https://doi.org/10.1007/s00146-025-02406-7

2. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T

3. Chin, W.W. (1998) The partial least squares approach to structural equation modeling. Modern Methods for Business Research, 295-336.

4. Crawford, K. & Calo, R. (2016). There is a blind spot in AI research. Nature, 538(7625), 311–313. https://doi.org/10.1038/538311a

5. Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (4th ed.). SAGE.

6. Davis, F.D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008

7. Dwivedi, Y.K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., … Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642

8. Erol, A. (2017). How to Conduct Scientific Research? Archives of Neuropsychiatry, 54 (2), 97-98.

9. Flick, U. (2018). The SAGE Handbook of Qualitative Data Collection. London: SAGE Publications Inc.

10. Fornell, C., & Larcker, D.F. (1981). Evaluating structural equation models. Journal of Marketing Research, 18(1), 39–50.

11. Hair, J.F., Hult, G.T.M., Ringle, C.M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM). Sage.

12. Harris, S. (2024). Artificial intelligence and academic writing: Opportunities, risks and governance. Higher Education Research & Development, 43(1), 1–15. https://doi.org/10.1080/07294360.2023.2265217

13. Joseph, N., Thomas, B. & Mathew, P. (2024). Perception and use of artificial intelligence tools in academic research: Evidence from higher education students. Education and Information Technologies, 29(3), 2567–2585. https://doi.org/10.1007/s10639-023-11904-7

14. Marikyan, D. & Papagiannidis, S. (2024). Technology acceptance of AI-based systems: A meta-analytic review. Technological Forecasting and Social Change, 190, 122385. https://doi.org/10.1016/j.techfore.2023.122385

15. NAFOSTED (2022). Quy định về liêm chính nghiên cứu áp dụng đối với các nhiệm vụ khoa học và công nghệ do Quỹ Phát triển Khoa học và Công nghệ Quốc gia tài trợ [PDF]. https://nafosted.gov.vn/wp-content/uploads/2022/02/NAFOSTED-Quy-dinh-ve-liem-chinh-nghien-cuu.pdf

16. Ngô Thế Sơn, Nguyễn Thị Quỳnh Mai & Nguyễn Minh Trang (2024). Nghiên cứu các yếu tố ảnh hưởng đến việc sử dụng trí tuệ nhân tạo trong hoạt động nghiên cứu khoa học của giảng viên trẻ tại một số trường đại học công lập khối ngành kinh tế trên địa bàn thành phố Hà Nội (Mã số: CS24.04). Báo cáo nghiên cứu khoa học cấp trường, lưu hành nội bộ. Trường Đại học Thương mại.

17. Opele, J.K., Adeyemi, O. & Salami, A. (2024). Artificial intelligence applications in quantitative data analysis: Implications for academic research. Journal of Business Research, 170, 114274. https://doi.org/10.1016/j.jbusres.2023.114274

18. 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. https://doi.org/10.1177/109467050024001

19. Parasuraman, A., & Colby, C.L. (2001). Techno-ready marketing: How and why your customers adopt technology. Free Press.

20. Pigola, A., Santoro, G., Quaglia, R. & Vrontis, D. (2023). Artificial intelligence and systematic literature reviews: Opportunities, challenges and future research agenda. Technological Forecasting and Social Change, 189, 122333. https://doi.org/10.1016/j.techfore.2023.122333

21. Sekaran, U., & Bougie, R. (2016). Research Methods for Business: A Skill-Building Approach (7th ed.). Wiley.

22. Sun, Y., Sheng, D., Zhou, Z. & Wu, Y. (2024). AI hallucination: towards a comprehensive classification of distorted information in artificial intelligence-generated content. Humanities and Social Science Communications 11, 1278. https://doi.org/10.1057/s41599-024-03811-x

23. Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926

24. Venkatesh, V. & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273–315. https://doi.org/10.1111/j.1540-5915.2008.00192.x

25. Venkatesh, V., Thong, J.Y.L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178.