Các nhân tố chính ảnh hưởng tới sự sẵn sàng chuyển đổi số của học viên lớp CĐS trường ĐH CNTT&TT

Luận văn các nhân tố ảnh hưởng tới sự sẵn sàng chuyển đổi số của học viên Trường ĐH CNTT&TT

• Tác giả: Lại Thị Huế
• Người hướng dẫn: TS. Nguyễn Thế Vịnh
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Các nhân tố chính ảnh hưởng tới sự sẵn sàng chuyển đổi số của học viên lớp CĐS trường ĐH CNTT&TT
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan sự sẵn sàng chuyển đổi số của học viên ĐH CNTT TT

Tổng quan nghiên cứu về mức độ sẵn sàng chuyển đổi số của người học tại Trường Đại học Công nghệ Thông tin và Truyền thông Thái Nguyên. Bối cảnh giáo dục đại học hiện nay đặt ra yêu cầu cấp thiết về ứng dụng công nghệ thông tin. Học viên các lớp chuyên đề cần trang bị tư duy đổi mới, kỹ năng thực hành và nhận thức công nghệ vững vàng. Mức độ sẵn sàng phản ánh khả năng tiếp nhận, xử lý và vận hành hiệu quả các công cụ kỹ thuật số trong học tập. Đánh giá đúng năng lực này giúp cơ sở giáo dục thiết kế lộ trình đào tạo chuẩn xác. Nhiều yếu tố tâm lý, hạ tầng kỹ thuật và môi trường tương tác tác động trực tiếp đến thái độ của người học. Việc khảo sát thực tế cung cấp bức tranh khách quan về khả năng thích ứng công nghệ. Nghiên cứu khoa học xác định rõ các điểm nghẽn để tối ưu hóa hiệu quả giảng dạy. Đây là nền tảng cốt lõi nhằm nâng cao chất lượng nguồn nhân lực số.

1.1. Khái niệm về sự sẵn sàng chuyển đổi số trong giáo dục

Sự sẵn sàng chuyển đổi số trong giáo dục phản ánh mức độ chuẩn bị về tâm thế, nhận thức và kỹ năng của người học. Khái niệm này bao gồm sự tự tin khi tiếp cận nền tảng trực tuyến, thái độ tích cực trước các công cụ học tập mới và khả năng tự chủ học tập. Học viên có mức độ sẵn sàng cao thường nhanh chóng làm chủ công nghệ, giải quyết bài tập phức tạp và tối ưu hóa thời gian nghiên cứu. Yếu tố này quyết định trực tiếp đến sự thành bại của các chương trình đào tạo hiện đại tại đại học.

1.2. Bối cảnh thực tiễn tại trường Đại học CNTT TT

Trường Đại học Công nghệ Thông tin và Truyền thông Thái Nguyên triển khai các lớp chuyển đổi số nhằm nâng cao năng lực cho học viên. Người học đến từ nhiều chuyên ngành và độ tuổi khác nhau. Sự phân hóa về kỹ năng công nghệ ban đầu tạo ra thách thức lớn trong công tác giảng dạy. Hạ tầng mạng, phần mềm hỗ trợ và giáo trình điện tử được đầu tư đồng bộ. Tuy nhiên, mức độ tương tác và khả năng tiếp thu công nghệ của từng học viên vẫn có khoảng cách rõ rệt.

II. Phân tích các nhân tố ảnh hưởng tới sự sẵn sàng chuyển đổi số

Phân tích dữ liệu thực nghiệm cho thấy nhiều nhân tố tác động đồng thời đến mức độ sẵn sàng của học viên. Quá trình kiểm định thang đo thông qua phương pháp phân tích nhân tố khám phá EFA và hồi quy đa biến. Kết quả kiểm định Kaiser-Meyer-Olkin đạt giá trị 0,68, đáp ứng tiêu chuẩn nghiên cứu khoa học. Kiểm định Bartlett đạt mức ý nghĩa thống kê cao với giá trị p nhỏ hơn 0,001. Mô hình phân tích song song và biểu đồ Scree plot xác định bốn thành phần nhân tố chính cấu thành sự sẵn sàng. Tuy nhiên, một số biến quan sát có hệ số tải thấp dưới ngưỡng 0,55 hoặc xuất hiện tải chéo phức tạp cần bị loại bỏ. Biến V4 và V9 không đáp ứng tiêu chuẩn độ phức tạp nhỏ hơn 1,5. Việc loại bỏ các biến không phù hợp giúp mô hình đạt độ tin cậy và giá trị hội tụ cao nhất. Dữ liệu khẳng định năng lực tự học, sự hỗ trợ từ giảng viên và môi trường học tập số là những yếu tố then chốt.

2.1. Đánh giá chỉ số KMO và kiểm định Bartlett

Kiểm định KMO đạt giá trị 0,68 vượt ngưỡng tối thiểu 0,5 theo chuẩn nghiên cứu định lượng. Thống kê kiểm định Bartlett đạt giá trị Chi-square 376,4162 với 66 bậc tự do và mức ý nghĩa p dưới 0,000. Kết quả này chứng minh ma trận tương quan giữa các biến quan sát đủ điều kiện để thực hiện phân tích nhân tố khám phá EFA. Mối tương quan chặt chẽ giữa các câu hỏi khảo sát giúp xác định cấu trúc các nhân tố ngầm định một cách khách quan.

2.2. Xử lý biến rác và hệ số tải chéo trong mô hình

Hệ số tải nhân tố phản ánh mức độ đóng góp của từng biến quan sát vào thang đo chung. Theo tiêu chuẩn mẫu khảo sát, các biến có hệ số tải dưới 0,55 bị loại bỏ để đảm bảo ý nghĩa thống kê. Biến V9 bị loại do không đạt ngưỡng trọng số quy định. Biến V4 có hệ số tải chéo trên cả hai nhân tố và chỉ số phức tạp vượt mức 1,5. Việc thanh lọc các biến không đạt chuẩn giúp tinh gọn mô hình và tăng tính nhất quán của dữ liệu.

III. Phương pháp nâng cao sự sẵn sàng chuyển đổi số cho học viên

Ứng dụng ngôn ngữ R và gói thư viện Psych cung cấp quy trình phân tích thống kê chuyên sâu và chuẩn xác. Quy trình nghiên cứu kết hợp chặt chẽ giữa phân tích nhân tố khám phá EFA và mô hình hồi quy tuyến tính đa biến. Các giải pháp nâng cao mức độ sẵn sàng chuyển đổi số cần tập trung vào việc hoàn thiện hệ thống quản lý học tập trực tuyến. Nhà trường cần thiết kế các khóa tập huấn kỹ năng số ngắn hạn, tập trung vào thực hành tương tác. Giảng viên cần tăng cường giao bài tập theo nhóm trên các nền tảng điện toán đám mây. Đồng thời, việc xây dựng cơ chế hỗ trợ kỹ thuật liên tục giúp học viên giảm bớt rào cản tâm lý khi tiếp xúc công nghệ mới. Tối ưu hóa giao diện phần mềm học tập tạo trải nghiệm người dùng mượt mà và thân thiện. Việc kết hợp đồng bộ giữa giải pháp kỹ thuật và sư phạm là chìa khóa then chốt thúc đẩy năng lực số.

3.1. Ứng dụng ngôn ngữ R và thư viện Psych phân tích

Ngôn ngữ lập trình R cung cấp môi trường tính toán thống kê linh hoạt và tin cậy cao. Thư viện chuyên dụng Psych hỗ trợ đắc lực cho việc thực hiện phân tích nhân tố khám phá, phân tích song song và hồi quy đa biến. Bộ công cụ này cho phép vẽ biểu đồ Scree plot trực quan, tính toán hệ số tải nhân tố chính xác và xác định độ phức tạp của từng biến. Việc sử dụng mã nguồn mở giúp kiểm soát toàn bộ quy trình xử lý dữ liệu học thuật.

3.2. Giải pháp hoàn thiện môi trường đào tạo số hóa

Nâng cấp hạ tầng công nghệ thông tin và cải thiện chất lượng băng thông là điều kiện tiên quyết. Cơ sở đào tạo cần tích hợp các công cụ học tập thông minh, hệ thống kiểm tra đánh giá tự động và kho tài liệu số phong phú. Đội ngũ trợ giảng kỹ thuật cần túc trực hỗ trợ học viên khắc phục sự cố nhanh chóng. Mô hình học tập kết hợp giữa trực tiếp và trực tuyến giúp tăng cường khả năng thích ứng linh hoạt của người học.

IV. Kết luận về sự sẵn sàng chuyển đổi số của học viên đại học

Nghiên cứu về các nhân tố ảnh hưởng tới sự sẵn sàng chuyển đổi số mang lại giá trị thực tiễn to lớn cho công tác đào tạo. Kết quả phân tích thống kê khẳng định tầm quan trọng của việc chuẩn bị kỹ năng, tâm lý và môi trường công nghệ. Bốn nhóm nhân tố được xác lập qua mô hình EFA và hồi quy đa biến là kim chỉ nam cho các quyết sách giáo dục. Việc ứng dụng dữ liệu thực nghiệm giúp nhà trường xây dựng chương trình giảng dạy phù hợp với từng nhóm đối tượng học viên. Sự chủ động thích ứng của người học kết hợp với hạ tầng hiện đại tạo nền tảng vững chắc cho quá trình chuyển đổi số toàn diện. Các trường đại học kỹ thuật cần nhân rộng mô hình đánh giá định lượng này trong các khóa đào tạo tiếp theo. Kết quả luận văn đóng góp cơ sở lý luận và thực tiễn sâu sắc cho khoa học máy tính và quản lý giáo dục hiện đại.

4.1. Giá trị ứng dụng thực tiễn trong quản lý đào tạo

Kết quả nghiên cứu cung cấp căn cứ khoa học giúp ban giám hiệu và khoa chuyên môn điều chỉnh khung chương trình đào tạo. Dữ liệu phân tích chỉ ra chính xác các điểm nghẽn kỹ thuật mà học viên gặp phải trong quá trình học trực tuyến. Nhà trường có thể phân bổ nguồn lực hợp lý vào việc nâng cấp máy chủ, mua sắm bản quyền phần mềm và đào tạo kỹ năng số chuyên sâu cho người học. Điều này giúp nâng cao tỷ lệ hoàn thành khóa học đạt kết quả cao.

4.2. Định hướng nghiên cứu mở rộng trong tương lai

Các nghiên cứu tiếp theo có thể mở rộng quy mô mẫu khảo sát ra nhiều trường đại học khác trên toàn quốc để so sánh đối chiếu. Việc áp dụng mô hình phương trình cấu trúc tuyến tính SEM hoặc phân tích nhân tố khẳng định CFA sẽ kiểm chứng sâu hơn mối quan hệ giữa các biến. Ngoài ra, việc bổ sung các biến nhân khẩu học như kinh nghiệm làm việc và ngành học trước đây sẽ làm phong phú thêm kết quả nghiên cứu.

Nội dung chính

Tổng quan nghiên cứu

Chuyển đổi số quốc gia đang trở thành động lực then chốt nhằm nâng cao hiệu quả quản lý công và hiện đại hóa hệ thống giáo dục Việt Nam. Ngày 03 tháng 6 năm 2020, Thủ tướng Chính phủ đã ban hành Quyết định số 749/QĐ-TTg phê duyệt Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030, đồng thời lựa chọn ngày 10 tháng 10 hằng năm là Ngày Chuyển đổi số quốc gia. Thực tế triển khai tại các tỉnh miền núi phía Bắc cho thấy, bên cạnh việc trang bị hạ tầng phần cứng, yếu tố quyết định sự thành bại nằm ở sự sẵn sàng tiếp nhận công nghệ của đội ngũ nhân lực trực tiếp vận hành hệ thống.

Vấn đề nghiên cứu trọng tâm được đặt ra là nhận diện các rào cản tâm lý, năng lực số hóa và các điều kiện tác động đến mức độ sẵn sàng chuyển đổi số của đội ngũ cán bộ, công chức và viên chức tại địa phương. Nhằm giải quyết yêu cầu đó, nghiên cứu xác định mục tiêu lượng hóa cấu trúc các nhân tố ảnh hưởng và mức độ tác động của từng yếu tố đến khả năng thích ứng công nghệ số. Phạm vi nghiên cứu được thực hiện trên 97 học viên tham gia khóa đào tạo nâng cao năng lực số do Sở Thông tin và Truyền thông tỉnh Thái Nguyên phối hợp với Trường Đại học Công nghệ Thông tin và Truyền thông tổ chức từ ngày 16 tháng 6 năm 2022 đến ngày 15 tháng 7 năm 2022.

Ý nghĩa học thuật và thực tiễn của đề tài thể hiện qua việc lượng hóa chỉ số đo lường với kiểm định Kaiser-Meyer-Olkin đạt mức 0,68 và giá trị kiểm định Bartlett đạt 376,4162. Kết quả này cung cấp luận cứ khoa học thực nghiệm vững chắc, giúp các cơ quan quản lý và các cơ sở giáo dục đại học xây dựng lộ trình bồi dưỡng năng lực số phù hợp với từng đối tượng nhân sự.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết mô hình nhân tố chung (Common Factor Model) kết hợp với khung phân tích công nghệ - tổ chức - môi trường (TOE). Mô hình nhân tố chung giả định rằng các biến quan sát thể hiện ra bên ngoài là hàm tuyến tính của một số ít các nhân tố tiềm ẩn chung và các sai số duy nhất. Trong không gian toán học Euclide n chiều, các vector dữ liệu chuẩn hóa có độ dài đơn vị được chiếu trực giao lên siêu phẳng k chiều do các vector nhân tố tạo thành, nhằm tối thiểu hóa sai số bình phương trung bình giữa ma trận tương quan thực tế và ma trận tương quan rút gọn.

Khung phân tích tích hợp ba khái niệm cốt lõi: Năng lực số cá nhân, Điều kiện hỗ trợ từ tổ chức và Môi trường chính sách số. Năng lực số phản ánh kiến thức và kỹ năng thao tác công nghệ của học viên. Điều kiện hỗ trợ đại diện cho mức độ sẵn sàng về cơ sở hạ tầng mạng internet và các công cụ cộng tác trực tuyến. Môi trường chính sách thể hiện qua các quy chế, văn bản điều hành thúc đẩy thực thi số hóa trong khu vực hành chính công và giáo dục. Mô hình nghiên cứu vận dụng ma trận xoay trực giao Varimax và xoay xiên Promax để phân tách các chiều dữ liệu phức tạp thành cấu trúc đơn giản, làm rõ mối tương quan giữa các biến tiềm ẩn.

Phương pháp nghiên cứu

Nghiên cứu tiếp cận theo phương pháp định lượng với quy mô mẫu khảo sát gồm 97 học viên. Kỹ thuật lấy mẫu phi xác suất có mục đích (purposive sampling) được lựa chọn do đặc thù đối tượng khảo sát là những cán bộ, viên chức trực tiếp tham gia khóa bồi dưỡng chuyên sâu về kỹ thuật số. Dữ liệu được thu thập qua bảng câu hỏi trực tuyến trên nền tảng Google Form gửi qua kênh liên lạc Zalo, bao gồm 16 câu hỏi tiêu chuẩn; trong đó có 4 câu hỏi định danh nhân khẩu học và 12 câu hỏi khảo sát mức độ đồng ý theo thang đo Likert 5 điểm, dao động từ mức 1 là hoàn toàn không đồng ý đến mức 5 là hoàn toàn đồng ý.

Lý do lựa chọn phương pháp phân tích nhân tố khám phá (EFA) kết hợp hồi quy tuyến tính đa biến (Multivariate Linear Regression) là nhằm rút gọn 12 biến quan sát thành các cụm nhân tố đại diện có ý nghĩa mà không làm mất đi lượng thông tin ban đầu. Toàn bộ quy trình xử lý dữ liệu được lập trình trên ngôn ngữ thống kê R thông qua bộ thư viện Psych do William Revelle phát triển. Quy trình này tối ưu hóa việc phân tích thành phần chính (PCA), kiểm định độ cầu Bartlett và phân tích song song (Parallel Analysis) để xác định điểm gãy eigenvalue trước khi ước lượng mô hình hồi quy bình phương nhỏ nhất thông thường (OLS).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thống kê mô tả mẫu nghiên cứu 97 đối tượng ghi nhận tỷ lệ học viên nữ chiếm 54,64% tương ứng 53 người, trong khi học viên nam chiếm 45,36% tương ứng 44 người. Về độ tuổi, lực lượng nòng cốt thuộc nhóm từ 26 đến 35 tuổi chiếm tỷ lệ áp đảo 55,67% với 54 học viên, tiếp theo là nhóm từ 36 đến 45 tuổi chiếm 32,99% với 32 học viên; trong khi nhóm từ 18 đến 25 tuổi chỉ chiếm 4,12% và nhóm trên 45 tuổi chiếm 7,22%. Về cơ cấu nghề nghiệp, 53,61% học viên công tác trong ngành giáo dục và 46,39% thuộc khối hành chính công. Đáng chú ý, trình độ học vấn của mẫu rất cao khi có tới 57,73% đạt học vị thạc sĩ và 39,18% tốt nghiệp đại học, chỉ có 3,09% là nghiên cứu sinh hoặc tiến sĩ.

Kiểm định tính thích hợp của dữ liệu cho thấy hệ số KMO đạt 0,68, cao hơn ngưỡng tiêu chuẩn 0,50 theo khuyến nghị học thuật của Hair. Kiểm định độ cầu Bartlett đạt giá trị thống kê Chi-Square là 376,4162 với 66 bậc tự do tại mức ý nghĩa thống kê p < 0,001, khẳng định tồn tại mối tương quan tuyến tính có ý nghĩa giữa các biến quan sát.

Kết quả phân tích song song (Parallel Analysis) trích xuất được 4 nhân tố tối ưu giải thích phần lớn biến thiên dữ liệu. Quá trình sàng lọc hệ số tải nhân tố với ngưỡng cắt 0,55 đã loại bỏ hai biến quan sát không đạt yêu cầu: biến V9 bị loại do hệ số tải thấp hơn 0,55 và biến V4 bị loại do hiện tượng tải chéo đồng thời lên cả Nhân tố 3 và Nhân tố 4 với độ phức tạp vượt ngưỡng an toàn 1,50.

Thảo luận kết quả

Cơ cấu đối tượng khảo sát có trình độ thạc sĩ chiếm 57,73% và độ tuổi dưới 35 chiếm hơn một nửa phản ánh một thế hệ nhân sự trẻ, có nền tảng tri thức vững chắc và khả năng tiếp thu công nghệ nhanh chóng. Điều này giải thích nguyên nhân các biến đo lường về nhận thức chuyển đổi số đều đạt điểm trung bình đánh giá cao trên thang đo Likert.

Kết quả trích xuất 4 nhân tố hoàn toàn tương thích với các nghiên cứu tiền nhiệm trong nước về khung phân tích TOE tại doanh nghiệp số, cũng như các nghiên cứu quốc tế về chuyển đổi số giáo dục đại học đạt chỉ số nhất quán Aiken's V là 0,91. Việc loại bỏ biến V4 và V9 giúp mô hình đạt độ giá trị hội tụ và giá trị phân biệt rõ rệt.

Dữ liệu thực nghiệm của nghiên cứu được mô tả trực quan thông qua đồ thị Scree Plot trong phân tích song song, nơi đường biểu diễn giá trị riêng thực tế giao cắt với đường phân phối ngẫu nhiên mô phỏng tại điểm 4 nhân tố. Đồng thời, cấu trúc dữ liệu sau phép xoay được tóm tắt qua bảng ma trận trọng số nhân tố, giúp phân định rõ ràng ranh giới ảnh hưởng của từng nhóm biến độc lập lên mức độ sẵn sàng chuyển đổi số tổng thể.

Đề xuất và khuyến nghị

Thứ nhất, nâng cao chất lượng chương trình đào tạo kỹ năng số chuyên sâu. Sở Thông tin và Truyền thông tỉnh Thái Nguyên cần chủ trì phối hợp với các cơ sở đào tạo đại học để tái cấu trúc giáo trình bồi dưỡng, nâng tỷ lệ thực hành ứng dụng thực tế lên mức 60% thời lượng khóa học, hoàn thành triển khai trong quý 1 năm 2024.

Thứ hai, hiện đại hóa hạ tầng công nghệ và môi trường làm việc số. Ban Giám hiệu Trường Đại học Công nghệ Thông tin và Truyền thông cùng các đơn vị hành chính cần đầu tư nâng cấp đường truyền internet tốc độ cao, triển khai hệ thống quản trị học tập số hóa đồng bộ, đặt mục tiêu số hóa 100% tài liệu hướng dẫn và quy trình xử lý công vụ trước quý 2 năm 2024.

Thứ ba, xây dựng cơ chế khen thưởng và tiêu chí đánh giá năng lực số định kỳ. Thủ trưởng các cơ quan ban ngành địa phương cần ban hành bộ chỉ số đánh giá hiệu quả công việc (KPI) gắn liền với mức độ ứng dụng công nghệ, phấn đấu đạt tỷ lệ 90% cán bộ, viên chức sử dụng thành thạo các nền tảng số dùng chung trong vòng 12 tháng tới.

Thứ tư, duy trì hoạt động khảo sát và đánh giá mức độ sẵn sàng số theo chu kỳ bán niên. Trung tâm nghiên cứu của nhà trường phối hợp cùng các tổ chức quản lý thực hiện khảo sát định kỳ trên quy mô mở rộng ít nhất 500 mẫu, bảo đảm duy trì chỉ số kiểm định KMO trên 0,70 và hệ số tin cậy nội bộ Cronbach's Alpha vượt mốc 0,80 nhằm liên tục cải tiến chính sách.

Đối tượng nên tham khảo luận văn

Nhóm nhà quản trị giáo dục và lãnh đạo trường đại học có thể vận dụng luận văn để thiết kế các chương trình đào tạo phù hợp với năng lực thực tế của đội ngũ giảng viên và nhân viên, với minh chứng cụ thể từ 53,61% đối tượng khảo sát thuộc ngành giáo dục.

Nhóm cán bộ tham mưu chính sách tại các Sở Thông tin và Truyền thông tìm thấy trong nghiên cứu khung phương pháp lượng hóa khoa học, giúp đánh giá chính xác tác động của các chương trình mục tiêu quốc gia theo Quyết định số 749/QĐ-TTg trên địa bàn các tỉnh trung du và miền núi.

Nhóm học viên cao học và nghiên cứu sinh ngành Khoa học máy tính, Hệ thống thông tin quản lý có thể sử dụng công trình này như tài liệu tham khảo chuẩn mực về quy trình ứng dụng ngôn ngữ lập trình R và gói thư viện Psych để giải quyết các bài toán phân tích nhân tố khám phá EFA và hồi quy đa biến.

Nhóm chuyên gia tư vấn chuyển đổi số và các nhà nghiên cứu khoa học xã hội liên ngành có thể khai thác các thước đo đánh giá để nhân rộng mô hình phân tích cho 46,39% nhóm đối tượng thuộc lĩnh vực quản lý nhà nước và hành chính công.

Câu hỏi thường gặp

Nguyên nhân nghiên cứu lựa chọn ngôn ngữ R và gói thư viện Psych thay vì phần mềm SPSS thương mại là gì?

Ngôn ngữ lập trình R kết hợp gói Psych cung cấp giải pháp phân tích dữ liệu mã nguồn mở linh hoạt, cho phép thực hiện phân tích song song chuyên sâu, xuất đồ thị Scree Plot độ phân giải cao và tính toán chính xác chỉ số KMO đạt 0,68 mà không bị giới hạn bởi chi phí bản quyền thương mại.

Tiêu chuẩn khoa học nào được sử dụng để loại bỏ hai biến quan sát V4 và V9 khỏi thang đo?

Dựa trên tiêu chuẩn học thuật của Hair với quy mô mẫu xấp xỉ 100 đối tượng, biến V9 bị loại bỏ do hệ số tải nhân tố dưới 0,55, còn biến V4 bị loại do hiện tượng tải chéo đồng thời lên hai nhân tố với độ phức tạp vượt mức 1,50.

Cỡ mẫu 97 học viên có đủ độ tin cậy để thực hiện phân tích nhân tố khám phá hay không?

Quy mô 97 quan sát hoàn toàn đáp ứng điều kiện phân tích thống kê khi tỷ lệ biến quan sát trên biến khảo sát đạt mức 8:1 đối với 12 câu hỏi, đồng thời kiểm định Bartlett đạt giá trị Chi-Square 376,4162 với mức ý nghĩa p < 0,001.

Biến phụ thuộc Y phản ánh sự sẵn sàng chuyển đổi số được lượng hóa như thế nào trong mô hình hồi quy?

Biến phụ thuộc Y được tính toán dựa trên tổng điểm phản hồi của học viên trên 12 câu hỏi thuộc thang đo Likert 5 điểm, đại diện cho năng lực tổng hòa và mức độ đón nhận chuyển đổi công nghệ của người học.

Kết quả nghiên cứu thực nghiệm tại Thái Nguyên có thể khái quát hóa cho các địa phương khác không?

Các phát hiện phản ánh đặc trưng của các địa phương đang trong giai đoạn đầu chuyển đổi số với cơ cấu 55,67% nhân sự trẻ, hoàn toàn có thể làm khung tham chiếu có giá trị cho các tỉnh trung du và miền núi phía Bắc có điều kiện tương đồng.

Kết luận

• Luận văn hệ thống hóa cơ sở lý thuyết về phân tích nhân tố khám phá và hồi quy đa biến ứng dụng trên ngôn ngữ R và gói công cụ Psych.
• Đề tài lượng hóa thành công dữ liệu từ 97 học viên với chỉ số KMO đạt 0,68 và kiểm định Bartlett đạt độ tin cậy thống kê tuyệt đối p < 0,001.
• Mô hình xác định cấu trúc 4 nhân tố giải thích sự sẵn sàng chuyển đổi số sau khi loại bỏ hai biến đo lường không phù hợp là V4 và V9.
• Nghiên cứu chứng minh nguồn nhân lực độ tuổi 26 đến 35 chiếm 55,67% và trình độ thạc sĩ chiếm 57,73% là lực lượng tiên phong thúc đẩy số hóa.
• Luận văn đề xuất 4 nhóm giải pháp thực thi mang tính khả thi cao gắn liền với chỉ số định lượng cụ thể cho giai đoạn 2024 - 2025.

Đóng góp khoa học lớn nhất của luận văn là xây dựng quy trình phân tích định lượng chuẩn hóa trên phần mềm nguồn mở, giải quyết triệt để bài toán đánh giá mức độ sẵn sàng chuyển đổi số tại khu vực hành chính công và giáo dục địa phương. Kế hoạch nghiên cứu tiếp theo sẽ mở rộng tập dữ liệu khảo sát lên trên 500 mẫu và tích hợp mô hình phương trình cấu trúc (SEM) trong giai đoạn 2025 - 2026. Các nhà quản lý, cán bộ nghiên cứu và chuyên gia công nghệ thông tin hãy áp dụng ngay bộ tiêu chí đo lường này để nâng cao hiệu quả triển khai chuyển đổi số tại đơn vị.

Trích đoạn nội dung tài liệu

Chương 1, Chương 2 sẽ thảo luận về những điều cơ bản về phân tích nhân tố khám phá, phương trình hồi quy đa biến, ngôn ngữ R và bộ thư viện Psych của R. Những phương pháp và công cụ này cung cấp những cách tiếp cận khác nhau để nghiên cứu dữ liệu phức tạp và đa biến. Ngoài ra, những công cụ này còn cho phép trực quan hóa kết quả phân tích của mình thông qua các biểu đồ chất lượng cao. Phương pháp phân tích nhân tố khám phá (Exploratory Factor Analysis) 2.1 Giới thiệu về phương pháp phân tích nhân tố Phân tích nhân tố là một phương pháp thống kê được sử dụng để mô tả sự thay đổi giữa các biến được quan sát, tương quan theo số lượng biến không được quan sát có khả năng thấp hơn được gọi là các nhân tố.

Ví dụ, có thể sự thay đổi của sáu biến quan sát chủ yếu phản ánh sự thay đổi của hai biến không quan sát được (cơ bản). Phân tích nhân tố tìm kiếm các biến thể chung như vậy để đáp ứng với các biến tiềm ẩn không quan sát được. Các biến quan sát được mô hình hóa như là sự kết hợp tuyến tính của các yếu tố tiềm ẩn cộng với các thuật ngữ "sai số", do đó phân tích nhân tố có thể được coi là một trường hợp đặc biệt của mô hình sai số trong biến số. Một lý do phổ biến đằng sau các phương pháp phân tích nhân tố là thông tin thu được về sự phụ thuộc lẫn nhau giữa các biến quan sát có thể được sử dụng sau này để giảm tập hợp các biến trong tập dữ liệu.

Phân tích nhân tố thường được sử dụng trong tâm lý học, tâm lý học nhân cách, sinh học, tiếp thị, quản lý sản phẩm, nghiên cứu hoạt động, tài chính và học máy. Nó có thể giúp xử lý các tập dữ liệu có số lượng lớn biến quan sát được cho là phản ánh số lượng biến cơ bản/tiềm ẩn nhỏ hơn. Đây là một trong những kỹ thuật phụ thuộc 12 lẫn nhau được sử dụng phổ biến nhất và được sử dụng khi tập hợp các biến liên quan cho thấy sự phụ thuộc lẫn nhau có hệ thống và mục tiêu là tìm ra các yếu tố tiềm ẩn tạo ra điểm chung.2 Mô hình toán học của phương pháp phân tích nhân tố Mô hình cố gắng giải thích một tập hợp các quan sát p trong mỗi n quan sát với một tập hợp k nhân tố chung (𝑓𝑓𝑖𝑖,𝑗𝑗 ) trong đó có ít nhân tố trên mỗi đơn vị hơn số quan sát trên mỗi đơn vị (k<p). Mỗi quan sát có k nhân tố chung của riêng chúng và những nhân tố này liên quan đến các quan sát thông qua ma trận tải nhân tố (𝐿𝐿 = ℝ𝑝𝑝∗𝑘𝑘 ), cho một quan sát duy nhất, theo công thức: 𝑥𝑥𝑖𝑖,𝑚𝑚 − 𝜇𝜇𝑖𝑖 = 𝑙𝑙𝑖𝑖,1 𝑓𝑓1,𝑚𝑚 + ⋯ + 𝑙𝑙𝑖𝑖,𝑘𝑘 𝑓𝑓𝑘𝑘,𝑚𝑚 + 𝜀𝜀𝑖𝑖,𝑚𝑚 (2.1) Trong đó • 𝑥𝑥𝑖𝑖,𝑚𝑚 là giá trị của quan sát thứ i của phần tử thứ m • 𝜇𝜇𝑖𝑖 là giá trị trung bình của quan sát thứ i • 𝑙𝑙𝑖𝑖,𝑗𝑗 là tải của quan sát thứ i của nhân tố j • 𝑓𝑓𝑗𝑗,𝑚𝑚 là giá trị của nhân tố thứ j của phần tử m • 𝜀𝜀𝑖𝑖,𝑚𝑚 sai số ngẫu nhiên không quan sát được với trung bình bằng 0 và phương sai hữu hạn.

Phương trình trên được viết dưới dạng ma trận như sau: 𝑋𝑋 − 𝑀𝑀 = 𝐿𝐿𝐿𝐿 + 𝜀𝜀 (2.2) Trong đó ma trận quan sát 𝑋𝑋 ∈ ℝ𝑝𝑝∗𝑛𝑛 , ma trận tải 𝐿𝐿 ∈ ℝ𝑝𝑝∗𝑘𝑘 , ma trận nhân tố 𝐹𝐹 ∈ ℝ𝑘𝑘∗𝑛𝑛 , ma trận sai số 𝜀𝜀 ∈ ℝ𝑝𝑝∗𝑛𝑛 , và ma trận trung bình 𝑀𝑀 ∈ ℝ𝑝𝑝∗𝑛𝑛 , (i,m) là 𝑀𝑀𝑖𝑖,𝑚𝑚 = 𝜇𝜇𝑖𝑖 Ngoài ra nhân tố F có một số các giả định sau 13 • F và 𝜀𝜀 là độc lập với nhau • E(F) = 0 trong đó E là kỳ vọng • Cov(F) = I , trong đó Cov là ma trận hiệp phương sai, để đảm bảo rằng các nhân tố không tương quan với nhau và, I là ma trận đơn vị Giả sử rằng 𝐶𝐶𝐶𝐶𝐶𝐶(𝑋𝑋 − 𝑀𝑀) = ∑.3) Và do đó từ giả định về F ở trên Σ = 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿(𝐹𝐹)𝐿𝐿𝑇𝑇 + 𝐶𝐶𝐶𝐶𝐶𝐶( 𝜀𝜀) (2.4) Hoặc, đặt Ψ ∶= 𝐶𝐶𝐶𝐶𝐶𝐶(𝜀𝜀), ta có Σ = 𝐿𝐿𝐿𝐿𝑇𝑇 + Ψ (2.5) Chú ý rằng với bất kỳ ma trận trực giao Q, nếu ta đặt 𝐿𝐿′ = 𝐿𝐿𝐿𝐿 và 𝐹𝐹 ′ = 𝑄𝑄𝑇𝑇 𝐹𝐹 các tiêu chí về hệ số và hệ số tải vẫn được giữ nguyên. Về mặt hình học, các tham số và biến của phân tích nhân tố có thể được giải thích theo hình học. Dữ liệu 𝑧𝑧𝑎𝑎𝑎𝑎 , nhân tố 𝐹𝐹𝑝𝑝𝑝𝑝 và sai số 𝜀𝜀𝑎𝑎𝑎𝑎 có thể được xem như là các vector trong không gian Euclide n chiều (không gian mẫu), được biểu diễn dưới dạng 𝒛𝒛𝑎𝑎 , 𝑭𝑭𝑝𝑝 , 𝜺𝜺𝑎𝑎 như được thể hiện trong Hình 1. 14 Hình 1 Minh họa dữ liệu trong không gian 3 chiều Vì dữ liệu được chuẩn hóa nên các vectơ dữ liệu có độ dài đơn vị (‖𝒛𝒛𝑎𝑎 ‖ = 1).

Các vector nhân tố định nghĩa một không gian con tuyến tính k chiều (tức là siêu phẳng), trên đó các vector dữ liệu được chiếu trực giao. Điều này được xuất phát từ mô hình.6) 𝑝𝑝 Và sự độc lập của các nhân tố và sai số: 𝐹𝐹𝑝𝑝 𝜀𝜀𝑎𝑎 = 0. Trong ví dụ trên, siêu phẳng chỉ là một mặt phẳng 2 chiều được xác định bởi hai vectơ nhân tố. Hình chiếu của các vectơ dữ liệu lên siêu phẳng được cho bởi 𝒛𝒛�𝑎𝑎 = � 𝜄𝜄𝑎𝑎𝑎𝑎 𝑭𝑭𝑝𝑝 (2.7) 𝑝𝑝 và các sai số là các vectơ từ điểm được chiếu đó đến điểm dữ liệu và vuông góc với siêu phẳng.

Mục tiêu của phân tích nhân tố là tìm ra một siêu phẳng “phù hợp nhất” với dữ liệu theo một nghĩa nào đó, do đó, việc chọn các vectơ nhân tố xác định siêu phẳng này như thế nào không quan trọng, miễn là chúng độc lập và nằm trong siêu phẳng. Chúng ta có thể tự do chỉ định chúng là trực giao và bình thường (𝑭𝑭𝑝𝑝 𝑭𝑭𝑞𝑞 = 𝛿𝛿𝑝𝑝𝑝𝑝 ) mà không mất tính tổng quát. Sau 15 khi tìm thấy một tập hợp các thừa số phù hợp, chúng cũng có thể được xoay tùy ý trong siêu phẳng, sao cho bất kỳ phép quay nào của các vectơ thừa số sẽ xác định cùng một siêu phẳng và cũng là một nghiệm. Kết quả là, trong ví dụ trên, trong đó siêu phẳng phù hợp là hai chiều, nếu chúng ta không biết trước rằng hai loại nhân tố là không tương quan với nhau, thì chúng ta không thể hiểu hai yếu tố là hai loại trí thông minh khác nhau.

Ngay cả khi chúng không tương quan với nhau, chúng ta cũng không thể biết yếu tố nào tương ứng với yếu tố ngôn ngữ và yếu tố nào tương ứng với yếu tố toán học, hoặc liệu các yếu tố có phải là sự kết hợp tuyến tính của cả hai hay không mà không có đối số bên ngoài. Các vector dữ liệu 𝒛𝒛𝑎𝑎𝑎𝑎 có độ dài đơn vị. Các mục của ma trận tương quan cho dữ liệu được đưa ra bởi 𝑟𝑟𝑎𝑎𝑎𝑎 = 𝒛𝒛𝑎𝑎 𝒛𝒛𝑏𝑏. Ma trận tương quan có thể được giải thích về mặt hình học là cosin của góc giữa hai vectơ dữ liệu 𝒛𝒛𝑎𝑎 và 𝒛𝒛𝑏𝑏.

Các phần tử đường chéo sẽ là 1 và các phần tử đường chéo ngoài sẽ có giá trị tuyệt đối nhỏ hơn hoặc bằng đơn vị. "Ma trận tương quan giảm" được định nghĩa là: 𝑟𝑟̂𝑎𝑎𝑎𝑎 = 𝒛𝒛�𝑎𝑎 𝒛𝒛�𝑏𝑏 (2.8) Mục tiêu của phân tích nhân tố là chọn siêu phẳng phù hợp sao cho ma trận tương quan rút gọn tái tạo ma trận tương quan càng gần càng tốt, ngoại trừ các phần tử đường chéo của ma trận tương quan được biết là có giá trị đơn vị. Nói cách khác, mục tiêu là tái tạo chính xác nhất có thể các mối tương quan chéo trong dữ liệu. Cụ thể, đối với siêu phẳng phù hợp, lỗi bình phương trung bình trong các thành phần ngoài đường chéo 𝜀𝜀 2 = � (𝑟𝑟𝑎𝑎𝑎𝑎 − 𝑟𝑟̂𝑎𝑎𝑎𝑎 )2 (2.9) 𝑎𝑎 # 𝑏𝑏 được cực tiểu hóa, và điều này được thực hiện bằng cách cực tiểu hóa nó đối với một tập hợp các vectơ nhân tố trực giao.

Có thể thấy rằng 16 𝑟𝑟𝑎𝑎𝑎𝑎 − 𝑟𝑟̂𝑎𝑎𝑎𝑎 = 𝜀𝜀𝑎𝑎 𝜀𝜀𝑏𝑏 (2.10) Thuật ngữ bên phải chỉ là hiệp phương sai của các lỗi. Trong mô hình, hiệp phương sai của lỗi được coi là một ma trận đường chéo và do đó, vấn đề tối thiểu hóa ở trên thực tế sẽ mang lại “sự phù hợp nhất” cho mô hình: Nó sẽ mang lại một ước tính mẫu về hiệp phương sai của lỗi có các thành phần nằm ngoài đường chéo của nó cực tiểu theo nghĩa bình phương trung bình. Có thể thấy rằng vì 𝑧𝑧̂𝑎𝑎 là các phép chiếu trực giao của các vectơ dữ liệu nên độ dài của chúng sẽ nhỏ hơn hoặc bằng độ dài của vectơ dữ liệu được chiếu, tức là bằng một. Bình phương của các độ dài này chỉ là các phần tử đường chéo của ma trận tương quan giảm.

Các phần tử đường chéo này của ma trận tương quan giảm được gọi là “cộng đồng”: ℎ𝑎𝑎 2 = ‖𝑧𝑧̂𝑎𝑎 ‖2 = � 𝑙𝑙𝑎𝑎𝑎𝑎 2 (2.11) Các giá trị lớn của các cộng đồng sẽ chỉ ra rằng siêu phẳng phù hợp đang tái tạo khá chính xác ma trận tương quan. Các giá trị trung bình của các yếu tố cũng phải bị ràng buộc bằng không, từ đó giá trị trung bình của các lỗi cũng sẽ bằng không.2 Phương pháp phân tích nhân tố khám phá Trong thống kê đa biến, phân tích nhân tố khám phá (EFA) là một phương pháp thống kê được sử dụng để khám phá cấu trúc cơ bản của một tập hợp các biến tương đối lớn. EFA là một kỹ thuật trong phân tích nhân tố với mục tiêu bao trùm là xác định mối quan hệ cơ bản giữa các biến đo lường. Nó thường được các nhà nghiên cứu sử dụng khi phát triển một thang đo (thang đo là một tập hợp các câu hỏi được sử dụng để đo lường một chủ đề nghiên cứu cụ thể) và dùng để xác định một tập hợp các cấu trúc tiềm ẩn bên dưới một loạt các biến số được đo lường [8].

Nó nên được sử dụng khi nhà nghiên cứu không có 17 giả thuyết tiên nghiệm về các yếu tố hoặc mô hình của các biến đo lường. Các biến được đo lường là bất kỳ một trong số các thuộc tính của những người có thể được quan sát và đo lường. Ví dụ về các biến đo được có thể là chiều cao, cân nặng và nhịp tim của con người. Thông thường, các nhà nghiên cứu sẽ có một số lượng lớn các biến được đo lường, được cho là có liên quan đến một số lượng nhỏ các yếu tố “không được quan sát”.

Các nhà nghiên cứu phải xem xét cẩn thận số lượng biến đo lường để đưa vào phân tích.