ẢNH HƯỞNG CỦA TÍNH NĂNG CÁ NHÂN HÓA TRÊN TIKTOK ĐẾN SỰ GẮN KẾT CỦA NGƯỜI DÙNG TRẺ

Tóm tắt nghiên cứu

  • Câu hỏi nghiên cứu chính (Research Question): Tính năng cá nhân hóa nội dung trên TikTok (bao gồm thuật toán đề xuất tự động và công cụ tùy chỉnh thủ công) tác động như thế nào đến tâm lý, thái độ, hành vi và mức độ gắn kết (user engagement) của người dùng trẻ trong độ tuổi 18–24 tại khu vực Hà Nội?
  • Tổng quan phương pháp luận (Methodology Snapshot): Đề tài áp dụng phương pháp nghiên cứu hỗn hợp (mixed-methods) kết hợp lý thuyết Kích thích – Chủ thể – Phản hồi (Stimulus - Organism - Response - S-O-R), Tiếp thị trải nghiệm (Experiential Marketing) và mô hình KAP (Knowledge - Attitude - Practice). Dữ liệu sơ cấp được thu thập thông qua khảo sát định lượng với $N = 416$ mẫu hợp lệ kết hợp phỏng vấn sâu 7 đối tượng người dùng đại diện; phân tích độ tin cậy thang đo Cronbach’s Alpha và kiểm định mô hình trung gian thông qua SPSS PROCESS Macro (Model 4).
  • Phát hiện cốt lõi (Key Findings): Hơn 86,1% người dùng trẻ nhận thức rõ về thuật toán cá nhân hóa và 91,6% nhận thức được việc nền tảng thu thập dữ liệu hành vi. Hiệu quả của tính năng cá nhân hóa có tác động tích cực đáng kể đến mức độ hài lòng, thời lượng sử dụng và sự gắn kết với nền tảng thông qua trải nghiệm dòng chảy (flow experience). Tuy nhiên, những lo ngại về bảo mật dữ liệu, hiện tượng "bong bóng bộ lọc" (filter bubble) và cảm giác bị thao túng tâm lý đóng vai trò rào cản làm suy giảm mức độ gắn kết lâu dài.
  • Hàm ý nghiên cứu (Implications): Kết quả cung cấp cơ sở thực chứng giúp các nhà phát triển nền tảng, doanh nghiệp tiếp thị số (digital marketing) và nhà sáng tạo nội dung tối ưu hóa chiến lược tiếp cận Gen Z, đồng thời định hướng cho người trẻ cách kiểm soát và khai thác thuật toán an toàn.

Bối cảnh và tầm quan trọng

Hiện trạng tri thức và bối cảnh chuyển dịch số

Trong kỷ nguyên bùng nổ của truyền thông xã hội và định dạng video ngắn (short-form video), TikTok nổi lên như một hiện tượng toàn cầu với hơn 1,6 tỷ người dùng. Khác biệt lớn nhất tạo nên sự thành công vượt bậc của TikTok so với các nền tảng truyền thống (như Facebook, YouTube hay Instagram) nằm ở hệ thống phân phối nội dung dựa trên thuật toán trí tuệ nhân tạo (AI) và học máy (Machine Learning). Thay vì chỉ dựa vào đồ thị xã hội (social graph) như danh sách bạn bè hay tài khoản theo dõi, trang "Dành cho bạn" (For You Page - FYP) của TikTok liên tục phân tích thời gian dừng (watch time), hành vi tương tác (like, comment, share, repost) và thiết bị để phục vụ từng người dùng một luồng dữ liệu độc bản.

Khoảng trống nghiên cứu (Research Gap)

Mặc dù cá nhân hóa thuật toán đã được thảo luận nhiều trong các tài liệu quốc tế, phần lớn các công trình chỉ tiếp cận dưới góc độ kỹ thuật thuật toán đơn thuần hoặc phân tích tổng quan hành vi mạng xã hội mà chưa phân định rõ ràng giữa:

  1. Thuật toán tự động (AI-driven recommendation)công cụ tùy chỉnh thủ công của người dùng (manual curation tools) như bộ lọc từ khóa/hashtag, tính năng "Không quan tâm" (Not Interested), hoặc thiết lập lại bảng tin (Reset FYP).
  2. Tác động đa chiều của cá nhân hóa (cả mặt tích cực lẫn mặt trái) tới hành vi gắn kết bền vững của đối tượng Gen Z tại thị trường đang phát triển như Việt Nam.
  3. Sự thiếu vắng các nghiên cứu thực nghiệm đo lường các biến trung gian tâm lý (nhận thức, cảm xúc, trải nghiệm dòng chảy) tại các đô thị lớn như Hà Nội.

Tính cấp thiết và giá trị thực tiễn

Đối tượng người dùng 18–24 tuổi (chủ yếu là học sinh, sinh viên và người mới đi làm) là phân khúc năng động nhất nhưng cũng có độ trung thành nền tảng biến động mạnh nhất. Việc tìm hiểu cơ chế tác động của cá nhân hóa nội dung không chỉ giải quyết bài toán giữ chân người dùng cho nền tảng mạng xã hội, mà còn mở ra định hướng tối ưu hóa chi phí quảng cáo, xây dựng thông điệp tiếp thị đa chiều cho các doanh nghiệp thương mại điện tử (TikTok Shop) và bảo vệ sức khỏe số (digital well-being) cho giới trẻ.


Methodology và approach

           [ KÍCH THÍCH (STIMULUS) ]
       +-------------------------------+
       | - Hiệu quả cá nhân hóa (H1)   |
       | - Hạn chế cá nhân hóa (H2)    |
       +---------------+---------------+
                       |
                       v
            [ CHỦ THỂ (ORGANISM) ]
       +-------------------------------+
       | - Mức độ sử dụng TikTok       |
       | - Mức độ hài lòng             |
       | - Hiệu quả sử dụng            |
       +---------------+---------------+
                       |
                       v (H3, H4, H5)
           [ PHẢN HỒI (RESPONSE) ]
       +-------------------------------+
       |  MỨC ĐỘ GẮN KẾT NGƯỜI DÙNG     |
       |       (User Engagement)       |
       +-------------------------------+

Thiết kế nghiên cứu và Khung lý thuyết

Nghiên cứu kết hợp hai mô hình nền tảng:

  1. Mô hình S-O-R (Stimulus - Organism - Response): Kích thích ($S$) gồm Hiệu quả tính năng cá nhân hóaMặt trái/Hạn chế của tính năng; Chủ thể ($O$) là trạng thái nhận thức và tâm lý bên trong gồm Mức độ sử dụng, Hiệu quả cảm nhận, và Mức độ hài lòng; Phản hồi ($R$) là hành vi biểu hiện thông qua Mức độ gắn kết của người dùng (User Engagement).
  2. Lý thuyết Tiếp thị trải nghiệm (Experiential Marketing - Bernd Schmitt, 1999) & Thuyết Sử dụng và Hài lòng (U&G): Đo lường sự thỏa mãn các nhu cầu cốt lõi (tìm kiếm thông tin, giải trí, tương tác xã hội, thể hiện bản thân, bắt kịp xu hướng) xuyên suốt 5 chiều không gian trải nghiệm: SENSE (giác quan), FEEL (cảm xúc), THINK (nhận thức), ACT (hành động) và RELATE (gắn kết xã hội).

Phương pháp thu thập dữ liệu

  • Khảo sát định lượng (Quantitative Survey): Thực hiện bằng bảng hỏi trực tuyến cấu trúc chuẩn hóa qua Google Forms từ ngày 01/06/2024 đến 15/06/2024 tại Hà Nội. Tổng số phản hồi thu thập là 437; sau khi sàng lọc loại bỏ các trường hợp không thuộc nhóm đối tượng mục tiêu hoặc không sử dụng TikTok, thu được $N = 416$ mẫu hợp lệ (Sinh viên: 61,5%; Học sinh: 34,1%; Người đi làm: 4,3%).
  • Phỏng vấn định tính chuyên sâu (In-depth Interview): Phỏng vấn bán cấu trúc với 7 cá nhân tiêu biểu trong độ tuổi 18–24 nhằm bóc tách chiều sâu tâm lý, cảm nhận đối với sự biến đổi của luồng video FYP theo thời gian thực và những tình huống gặp phải "bong bóng thông tin".

Kỹ thuật phân tích dữ liệu và Độ tin cậy thang đo

  • Kiểm định thang đo: Đánh giá tính đơn hướng và độ tin cậy nhất quán nội tại bằng hệ số Cronbach’s Alpha và hệ số tương quan biến - tổng (Corrected Item-Total Correlation) cho toàn bộ các biến quan sát thuộc các nhân tố: Hiệu quả cá nhân hóa, Hạn chế cá nhân hóa, Mức độ hài lòng, Mức độ sử dụng, Hiệu quả sử dụng và Gắn kết người dùng. Tất cả thang đo đều đạt chuẩn tin cậy ($\alpha > 0.7$, tương quan biến - tổng $> 0.3$).
  • Phân tích mô hình: Sử dụng ma trận tương quan Pearson để khảo sát mối liên hệ tuyến tính sơ bộ, tiếp nối bằng mô hình hồi quy tuyến tính và phân tích hiệu ứng trung gian (mediation analysis) thông qua PROCESS Macro Model 4 của Andrew F. Hayes để kiểm định giả thuyết $H_1 \to H_5$.

Phát hiện chính

+-------------------------------------------------------------------------------+
|                      TÓM TẮT CÁC PHÁT HIỆN ĐỊNH LƯỢNG NỔI BẬT                 |
+-------------------------------------------------------------------------------+
| [1] 86.1% Nhận thức được thuật toán đề xuất (Sinh viên hiểu rõ nhất: 36.7%)   |
| [2] 91.6% Nhận thức TikTok sử dụng dữ liệu hành vi để tối ưu bảng tin          |
| [3] Tác động trung gian: Hiệu quả cá nhân hóa -> Sự hài lòng -> Gắn kết cao   |
| [4] Tác động tiêu cực: Hạn chế cá nhân hóa kích hoạt lo ngại quyền riêng tư   |
+-------------------------------------------------------------------------------+

1. Mức độ nhận thức cao về thuật toán và việc khai thác dữ liệu

Nghiên cứu chỉ ra rằng Gen Z không hề thụ động trước công nghệ. Có tới 86,1% người tham gia khảo sát nhận thức được sự hiện diện của thuật toán đề xuất (trong đó 34,4% hiểu rõ cơ chế vận hành qua lượt xem, lượt thích và chia sẻ). Nhóm sinh viên thể hiện mức độ am hiểu công nghệ vượt trội so với học sinh và người đi làm. Đồng thời, 91,6% người dùng biết rằng dữ liệu hành vi tương tác cá nhân của mình đang được ghi nhận để tái cấu trúc trang "Dành cho bạn".

2. Sự phụ thuộc vào trang "For You" và hiện tượng kích hoạt trải nghiệm dòng chảy (Flow)

Kết quả thống kê mô tả cho thấy đại đa số người dùng trẻ ưu tiên tiêu thụ nội dung tại trang Dành cho bạn hơn hẳn trang Đang Follow. Việc thuật toán nắm bắt chính xác sở thích tức thời tạo ra trạng thái tâm lý đắm chìm (immersion/flow), khiến người dùng kéo dài thời lượng phiên sử dụng ngoài dự định. Kết quả kiểm định giả thuyết $H_1$ xác nhận mối quan hệ thuận chiều có ý nghĩa thống kê ($p < 0.001$) giữa Hiệu quả cá nhân hóaMức độ hài lòng, Thời lượng sử dụng.

3. Vai trò trung gian then chốt của Mức độ hài lòng và Hiệu quả cảm nhận

Kiểm định mô hình $H_3$ và $H_4$ qua PROCESS Macro Model 4 chứng minh: Tính năng cá nhân hóa không chỉ tác động trực tiếp đến sự gắn kết người dùng mà phần lớn tác động được chuyển hóa gián tiếp thông qua Mức độ hài lòngHiệu quả sử dụng cảm nhận. Khi người dùng cảm thấy nội dung đề xuất giúp họ giải tỏa căng thẳng nhanh chóng hoặc học hỏi được kỹ năng mới hữu ích, chỉ số gắn kết hành vi (tần suất tương tác, tỷ lệ quay lại ứng dụng hàng ngày - DAU/MAU) tăng vọt.

4. Mặt trái của cá nhân hóa: "Bong bóng bộ lọc" và gánh nặng tâm lý

Bên cạnh mặt tích cực, kiểm định giả thuyết $H_2$ và $H_5$ làm sáng tỏ tác động ngược chiều của các yếu tố hạn chế:

  • Bong bóng thông tin (Filter Bubble): Người dùng bày tỏ sự nhàm chán khi nội dung bị lặp lại quá mức quanh một chủ đề vừa xem, gây thu hẹp thế giới quan và tăng định kiến thông tin.
  • Lo ngại quyền riêng tư (Privacy Concerns): Cảm giác "bị theo dõi" khi thấy quảng cáo hoặc video xuất hiện trùng khớp kỳ lạ với hành vi tìm kiếm ngoài ứng dụng làm giảm lòng tin đối với nền tảng, khiến người dùng có xu hướng chủ động hạn chế tương tác hoặc sử dụng các công cụ ngăn chặn thủ công.

Đóng góp khoa học

Đóng góp về mặt lý thuyết (Theoretical Contributions)

  1. Làm giàu mô hình S-O-R trong kỷ nguyên AI: Nghiên cứu đã hệ thống hóa và chuyển giao thành công khung lý thuyết tâm lý môi trường S-O-R vào bối cảnh thuật toán video ngắn, chứng minh rằng thuật toán cá nhân hóa vận hành như một tác nhân kích thích môi trường số ($S$) tác động vào nhận thức cảm xúc ($O$) để tạo ra phản hồi gắn kết ($R$).
  2. Tích hợp Tiếp thị trải nghiệm và Thuyết U&G: Kết hợp thành công 5 chiều kích trải nghiệm (Schmitt) với cấu trúc động cơ sử dụng mạng xã hội (tiêu thụ – tham gia – sản xuất), cung cấp một thang đo toàn diện để đánh giá trải nghiệm cá nhân hóa của thế hệ bản địa số (digital natives).

Đóng góp về mặt phương pháp luận (Methodological Innovations)

Nghiên cứu xây dựng bộ công cụ đo lường thực nghiệm chặt chẽ kết hợp giữa bảng hỏi định lượng ($N=416$) và phỏng vấn sâu chất lượng cao, sử dụng các chỉ số phân tích đa biến và kiểm định mô hình Macro Process giúp gia tăng độ chuẩn xác và giá trị diễn giải khoa học cho các nghiên cứu truyền thông tại Việt Nam.

Ý nghĩa thực tiễn và Ứng dụng quản trị (Practical Applications)

  • Đối với doanh nghiệp và Digital Marketers: Cung cấp hiểu biết sâu sắc về cách thức phân bổ thông điệp dựa trên sở thích hành vi thay vì nhân khẩu học thuần túy; hỗ trợ xây dựng nội dung ngắn đánh trúng điểm chạm cảm xúc (touchpoints) nhằm tối ưu hóa tỷ lệ chuyển đổi trên TikTok Shop.
  • Đối với nhà sáng tạo nội dung (Creators): Hiểu rõ thuật toán phân phối 2 giai đoạn (phân tích hành vi $\to$ đề xuất thử nghiệm) để tối ưu hóa 3 giây đầu video, giữ chân người xem và gia tăng chỉ số tương tác tự nhiên.
  • Đối với người dùng trẻ: Đề xuất cẩm nang sử dụng các công cụ chủ động (bộ lọc từ khóa, reset feed, tính năng Not Interested) nhằm bảo vệ bản thân trước sự phụ thuộc màn hình và tránh bị thao túng bởi bong bóng thuật toán.

Đối tượng quan tâm

+---------------------------+---------------------------------------------------+
| Nhóm đối tượng            | Lợi ích & Giá trị ứng dụng                        |
+---------------------------+---------------------------------------------------+
| Nhà nghiên cứu học thuật  | Khung tham chiếu về mô hình S-O-R, thang đo AI   |
| (Academic Researchers)    | personalization và dữ liệu thực nghiệm Gen Z.     |
+---------------------------+---------------------------------------------------+
| Doanh nghiệp, Brand &     | Tối ưu chiến dịch tiếp thị trải nghiệm, nhắm mục  |
| Marketers                 | tiêu chuẩn xác trên TikTok Shop, tăng ROI.        |
+---------------------------+---------------------------------------------------+
| Nhà sáng tạo nội dung     | Nắm vững cơ chế phân phối FYP để gia tăng tỷ lệ   |
| (Content Creators/KOLs)   | giữ chân người xem và xây dựng cộng đồng gắn kết. |
+---------------------------+---------------------------------------------------+
| Nhà hoạch định chính sách | Dữ liệu thực chứng để xây dựng quy chuẩn bảo vệ   |
| & Tổ chức giáo dục        | quyền riêng tư và sức khỏe tâm lý giới trẻ.       |
+---------------------------+---------------------------------------------------+
  • Nhà nghiên cứu truyền thông & tiếp thị: Tài liệu là nguồn tham khảo giá trị cho các công trình nghiên cứu chuyên sâu về tương tác người - máy (Human-AI Interaction), tâm lý học hành vi người tiêu dùng số và thuật toán mạng xã hội.
  • Giám đốc tiếp thị (CMO) và chuyên viên Digital Marketing: Giúp định hình chiến lược phân phối nội dung video ngắn được cá nhân hóa cao độ, tối ưu hóa ngân sách truyền thông và cải thiện mức độ gắn kết thương hiệu (Brand Engagement).
  • Các tổ chức xã hội và quản lý giáo dục: Cơ sở để thiết kế các chương trình nâng cao năng lực số (Digital Literacy), giáo dục người học cách tiếp nhận thông tin đa chiều và sử dụng mạng xã hội lành mạnh.

FAQ (Câu hỏi thường gặp)

1. Phát hiện quan trọng nhất của nghiên cứu này là gì?

Phát hiện cốt lõi là tính năng cá nhân hóa trên TikTok mang tính chất "con dao hai lưỡi". Dù thuật toán FYP tạo ra trải nghiệm dòng chảy mượt mà giúp gia tăng đáng kể mức độ gắn kết và hài lòng của Gen Z, nhưng nếu thiếu sự can thiệp của các công cụ kiểm soát thủ công, các tác động tiêu cực như "bong bóng bộ lọc" và sự xâm phạm quyền riêng tư sẽ kích hoạt cơ chế phòng vệ, làm giảm mức độ sử dụng lâu dài.

2. Phương pháp luận của nghiên cứu có điểm gì đặc biệt?

Nghiên cứu kết hợp liên ngành giữa mô hình tâm lý môi trường S-O-R, lý thuyết Tiếp thị trải nghiệm và mô hình KAP. Thay vì chỉ đo lường thuần túy mối quan hệ trực tiếp, nghiên cứu đã sử dụng kỹ thuật phân tích biến trung gian đa biến qua SPSS PROCESS Macro Model 4, mang lại tính chính xác cao trong việc kiểm chứng đường dẫn tác động tâm lý.

3. Kết quả khảo sát có thể khái quát hóa (generalize) cho toàn bộ giới trẻ Việt Nam không?

Mặc dù mẫu khảo sát ($N=416$) tập trung chủ yếu vào đối tượng 18–24 tuổi sinh sống, học tập tại Hà Nội (với tỷ lệ sinh viên chiếm 61,5%), kết quả phản ánh chân thực hành vi của phân khúc người dùng trẻ đô thị – nhóm dẫn dắt xu hướng sử dụng mạng xã hội tại Việt Nam. Tuy nhiên, việc mở rộng mẫu sang các tỉnh thành khác và các nhóm tuổi khác sẽ gia tăng tính đại diện phổ quát.

4. Hướng nghiên cứu tiếp theo (Next Steps) có thể phát triển là gì?

Các nghiên cứu tương lai có thể:

  • Mở rộng phạm vi mẫu ngẫu nhiên xác suất trên toàn quốc.
  • Phân tích so sánh đa nền tảng (so sánh thuật toán TikTok FYP với YouTube Shorts và Instagram Reels).
  • Ứng dụng phương pháp theo dõi dọc (longitudinal study) hoặc kỹ thuật đo lường sinh trắc học số (digital analytics tracking) để theo dõi thời gian thực sự thay đổi hành vi người dùng.

5. Doanh nghiệp và nhà sáng tạo có thể ứng dụng kết quả này như thế nào?

Doanh nghiệp cần chuyển dịch từ chiến lược "tiếp thị đại trà" sang "tiếp thị trải nghiệm cá nhân hóa": tập trung tối ưu hóa 3 giây đầu tiên của video ngắn để kích thích thuật toán phân loại, lồng ghép yếu tố giải trí gắn liền với ngữ cảnh tiêu dùng thực tế và tôn trọng tính minh bạch dữ liệu người dùng.


Kết luận

Nghiên cứu đã chứng minh một cách khoa học và toàn diện mối quan hệ biện chứng giữa tính năng cá nhân hóa trên TikTok và sự gắn kết của người dùng trẻ tại Hà Nội thông qua mô hình S-O-R. Bằng việc làm sáng tỏ cơ chế tác động hai chiều của thuật toán AI và công cụ tùy biến nội dung, công trình không chỉ đóng góp quan trọng vào kho tàng lý luận truyền thông số mà còn mang lại những khuyến nghị thực tiễn đắt giá cho doanh nghiệp, nhà sáng tạo và cộng đồng người dùng.

Để khai thác tối đa sức mạnh của cá nhân hóa trong kỷ nguyên trí tuệ nhân tạo, các bên liên quan cần duy trì thế cân bằng giữa việc tối ưu hóa thuật toán giữ chân người xem và việc xây dựng môi trường số minh bạch, an toàn, tôn trọng quyền tự chủ của người dùng.