Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số, mạng xã hội đã trở thành một phần không thể thiếu trong đời sống tâm lý và hành vi tiêu dùng toàn cầu. Theo báo cáo Digital 2022, Việt Nam ghi nhận 76,95 triệu người sử dụng mạng xã hội (chiếm 78,1% dân số), trong đó nền tảng Instagram đạt hơn 11,65 triệu người dùng tích cực, với nhóm người dùng trẻ từ 18 đến 34 tuổi chiếm tỷ trọng áp đảo gần 63%. Mặc dù các phương tiện truyền thông đại chúng thường nhấn mạnh các tác động tiêu cực của mạng xã hội như cảm giác cô đơn, so sánh xã hội hay hội chứng sợ bỏ lỡ (FOMO), nhưng cơ chế tâm lý chuyển hóa từ việc giải tỏa cảm xúc tiêu cực thành các hành vi vị tha và sẵn sàng đóng góp trực tuyến vẫn chưa được làm rõ trong bối cảnh thực nghiệm tại Việt Nam.

Vấn đề nghiên cứu (Problem Statement)

Các doanh nghiệp xã hội, tổ chức phi lợi nhuận (NGO) và thương hiệu đang đối mặt với những thách thức cốt lõi:

  • Tỷ lệ chuyển đổi thấp trong các chiến dịch gây quỹ trực tuyến: Thiếu mô hình lý thuyết định lượng giải thích động cơ tâm lý thúc đẩy người dùng tương tác và đóng góp tài chính/thời gian trên mạng xã hội dựa trên hình ảnh (Visual SNS).
  • Nhận thức sai lệch về tác động của thời gian sử dụng Instagram: Chưa khai thác được mặt tích cực của cơ chế "Catharsis" (giải tỏa cảm xúc) và lý thuyết "Mở rộng và Xây dựng" (Broaden-and-Build) trong hành vi người dùng.
  • Thiếu hụt khung phân tích hành vi chuẩn hóa: Các chiến dịch truyền thông đa phần dựa trên cảm tính, thiếu mô hình cấu trúc tuyến tính (SEM) được kiểm định thực nghiệm với cỡ mẫu đủ lớn.

Mục tiêu dự án

  1. Hệ thống hóa khung lý thuyết: Tích hợp Lý thuyết Sử dụng và Hài lòng (U&G), Thuyết Hành vi Dự định (TPB) và Lý thuyết Mở rộng & Xây dựng nhằm giải thích hành vi đóng góp trực tuyến.
  2. Xây dựng và kiểm định thang đo: Chuẩn hóa bộ thang đo 15 biến quan sát thuộc 4 nhân tố: Thoát khỏi cảm giác tiêu cực (ENF), Lòng biết ơn (GRAT), Lòng vị tha (ALT) và Sự sẵn sàng đóng góp (WTD).
  3. Đo lường mức độ tác động: Phân tích định lượng cấu trúc nhân tố và đường dẫn tác động thông qua phần mềm SPSS 20.0 và AMOS 20.0 trên mẫu khảo sát $N = 504$.
  4. Đề xuất hàm ý quản trị: Cung cấp chiến lược nội dung và tiếp thị số cho doanh nghiệp và các tổ chức thiện nguyện trên nền tảng Instagram.

Kết quả kỳ vọng và Phạm vi nghiên cứu

  • Chỉ số đo lường: Mô hình đạt độ tương thích chuẩn (Model Fit): $CMIN/df < 3.0$, $CFI > 0.90$, $TLI > 0.90$, $RMSEA < 0.08$; độ tin cậy $Cronbach's\ \alpha > 0.70$; hệ số $CR > 0.70$ và $AVE > 0.50$.
  • Phạm vi khảo sát: Người dùng đang hoạt động trên nền tảng Instagram tại Việt Nam, tập trung tại khu vực TP. Hồ Chí Minh trong giai đoạn từ tháng 08/2022 đến tháng 11/2022.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi đóng góp trực tuyến hiện nay dựa trên nhiều khung tiếp cận khác nhau. Bảng so sánh dưới đây phân tích các mô hình lý thuyết nền tảng:

Khung lý thuyết Ưu điểm cốt lõi Nhược điểm / Hạn chế Mức độ phù hợp với Instagram
TAM (Davis, 1989) Giải thích tốt yếu tố nhận thức hữu ích (PU) và tính dễ sử dụng (PEOU). Thiếu khía cạnh cảm xúc nội tại, chỉ tập trung vào khía cạnh kỹ thuật/công nghệ. Trung bình
TRA / TPB (Ajzen, 1991) Đo lường chuẩn xác áp lực xã hội (chuẩn chủ quan) và kiểm soát hành vi nhận thức. Giả định hành vi duy lý, bỏ qua các phản ứng giải tỏa cảm xúc tự phát. Khá
U&G (Katz et al., 1973) Làm rõ động cơ tìm kiếm sự giải trí và giải tỏa căng thẳng khi dùng truyền thông. Chưa liên kết trực tiếp động cơ giải tỏa với hành vi vị tha cụ thể. Cao
Mô hình nghiên cứu đề xuất (Tích hợp SEM) Kết nối chuỗi tâm lý liên hoàn: Giải tỏa tiêu cực $\rightarrow$ Lòng biết ơn $\rightarrow$ Vị tha $\rightarrow$ Đóng góp. Yêu cầu cỡ mẫu lớn và xử lý kiểm định đa biến phức tạp. Rất cao (Tối ưu)

Ưu tiên yêu cầu nghiên cứu theo mô hình MoSCoW

  • Must-have: Kiểm định độ tin cậy thang đo (Cronbach's Alpha), phân tích nhân tố EFA/CFA, phân tích mô hình SEM, kiểm định Bootstrap $N=1000$.
  • Should-have: Phân tích phương sai trích (AVE), độ tin cậy tổng hợp (CR), kiểm định giá trị phân biệt theo tiêu chuẩn Fornell-Larcker.
  • Could-have: Phân tích sự khác biệt nhân khẩu học (độ tuổi, giới tính, thời lượng sử dụng IG/ngày) tác động đến ý định đóng góp.
  • Won't-have: Phát triển ứng dụng can thiệp API trực tiếp vào cơ sở dữ liệu nội bộ của Meta/Instagram.

Thiết kế hệ thống đo lường & Technology Stack

Technology Stack & Statistical Environment

  • Data Collection Engine: Google Forms API v1 / Web Interface phục vụ thu thập dữ liệu bảng hỏi đa kênh.
  • Data Wrangling & Cleaning: Microsoft Excel 365 (Build 2208) / Python 3.10 (Pandas 1.5.0, NumPy 1.23.2).
  • Descriptive & Exploratory Analysis: IBM SPSS Statistics version 20.0 (Thuật toán Principal Axis Factoring, phép quay Promax).
  • Confirmatory & Path Modeling: IBM SPSS Amos version 20.0 (Thuật toán Maximum Likelihood Estimation - MLE, Bollen-Stine Bootstrap).

Thiết kế bảng hỏi và Cấu trúc cơ sở dữ liệu biến quan sát

Database Schema: SurveyResponses (N=504)

Methodology & Quy trình nghiên cứu

Nghiên cứu áp dụng quy trình kết hợp hai giai đoạn (Mixed-method Sequential Design):

  1. Nghiên cứu sơ bộ ($N = 50$): Kiểm tra bảng hỏi thông qua khảo sát thí điểm trực tuyến, đánh giá hệ số tương quan biến - tổng ($Corrected\ Item\text{-}Total\ Correlation > 0.30$) và Cronbach's Alpha sơ bộ ($> 0.70$).
  2. Nghiên cứu chính thức ($N = 504$): Khảo sát diện rộng thông qua phương pháp chọn mẫu thuận tiện phi xác suất. Dữ liệu làm sạch qua 5 tầng kiểm định: Thống kê mô tả $\rightarrow$ Cronbach's Alpha $\rightarrow$ EFA $\rightarrow$ CFA $\rightarrow$ SEM & Bootstrap.

Ma trận Quản trị Rủi ro Nghiên cứu (Risk Assessment)

  • Sai lệch do phương pháp chung (Common Method Bias - CMB): Kiểm soát bằng kỹ thuật bảo mật danh tính người trả lời và kiểm định Harman's Single Factor Test (phương sai giải thích của nhân tố đầu tiên $< 50%$).
  • Mất cân đối mẫu (Sampling Bias): Sàng lọc bằng câu hỏi gạn lọc đầu trang (bắt buộc đang sử dụng Instagram). Loại bỏ 16 mẫu không hợp lệ từ 520 phiếu thu về.

Implementation và kết quả

Quá trình phân tích dữ liệu & Thuật toán

Quy trình ước lượng tham số mô hình cấu trúc SEM dựa trên thuật toán Maximum Likelihood Estimation (MLE) giải bài toán tối thiểu hóa hàm mục tiêu hàm khớp $F_{ML}$:

$$F_{ML} = \ln |\Sigma(\theta)| + \text{tr}(S \Sigma^{-1}(\theta)) - \ln |S| - p$$

Trong đó:

  • $S$: Ma trận hiệp phương sai mẫu (Sample Covariance Matrix).
  • $\Sigma(\theta)$: Ma trận hiệp phương sai được ước lượng theo mô hình lý thuyết.
  • $p$: Số lượng biến quan sát đưa vào phân tích.

Code triển khai kiểm định mô hình bằng Python (semopy framework)

import pandas as pd
from semopy import Model, calc_stats

# 1. Nạp dữ liệu khảo sát đã làm sạch (N=504)
data = pd.read_csv("instagram_prosocial_study_n504.csv")

# 2. Định nghĩa cấu trúc mô hình đo lường và mô hình cấu trúc
model_desc = """
  # Measurement Model
  ENF  =~ ENF1 + ENF2 + ENF3
  GRAT =~ GRAT1 + GRAT2 + GRAT3 + GRAT4 + GRAT5
  ALT  =~ ALT1 + ALT2 + ALT3
  WTD  =~ WTD1 + WTD2 + WTD3 + WTD4

  # Structural Paths
  GRAT ~ ENF
  ALT  ~ GRAT
  WTD  ~ ALT + GRAT
"""

# 3. Khởi tạo và ước lượng tham số (Maximum Likelihood)
model = Model(model_desc)
model.fit(data)

# 4. Xuất các trọng số đường dẫn và chỉ số Model Fit
estimates = model.inspect()
stats = calc_stats(model)
print("=== THÔNG SỐ KHỚP MÔ HÌNH (MODEL FIT) ===")
print(f"Chi-square/df: {stats.chi2/stats.dof:.3f}")
print(f"CFI: {stats.cfi:.3f} | TLI: {stats.tli:.3f} | RMSEA: {stats.rmsea:.3f}")

Testing và Validation Thang đo

1. Kiểm định độ tin cậy Cronbach's Alpha và Phân tích EFA

Toàn bộ thang đo nghiên cứu đều đạt độ nhất quán nội tại cao:

  • Thoát khỏi cảm giác tiêu cực (ENF): Cronbach's Alpha = 0.795 (Sơ bộ) và đạt chuẩn tin cậy cao ở nghiên cứu chính thức.
  • Lòng biết ơn (GRAT): Cronbach's Alpha > 0.820, các biến quan sát có tương quan biến - tổng từ 0.58 đến 0.76.
  • Lòng vị tha (ALT): Cronbach's Alpha = 0.816, hệ số tải nhân tố đều > 0.65.
  • Sẵn sàng đóng góp (WTD): Cronbach's Alpha = 0.899, giải thích phương sai vượt trội.

Kết quả EFA trích xuất 4 nhân tố rõ ràng với $KMO > 0.80$, kiểm định Bartlett có ý nghĩa thống kê ($p < 0.001$), tổng phương sai trích ($Cumulative\ Variance\ Explained$) đạt $> 60%$.

2. Phân tích nhân tố khẳng định (CFA) và Giá trị phân biệt

Mô hình đo lường CFA chứng minh độ tương thích xuất sắc với tập dữ liệu thực nghiệm:

  • Độ tin cậy tổng hợp (CR): Dao động từ 0.798 đến 0.902 (Vượt ngưỡng 0.70).
  • Tổng phương sai trích (AVE): Toàn bộ nhân tố đạt từ 0.521 đến 0.698 (Vượt ngưỡng 0.50), khẳng định giá trị hội tụ vững chắc.
  • Tính phân biệt (Fornell-Larcker Criterion): Căn bậc hai AVE của từng biến tiềm ẩn đều lớn hơn hệ số tương quan giữa biến đó với các biến tiềm ẩn khác trong mô hình.
Bảng ma trận Fornell & Larcker (Độ giá trị phân biệt):
Construct     AVE       ENF       GRAT       ALT       WTD
---------------------------------------------------------
ENF          0.564    [0.751]
GRAT         0.582     0.342    [0.763]
ALT          0.612     0.289     0.451    [0.782]
WTD          0.691     0.215     0.412     0.534    [0.831]
Ghi chú: Giá trị trong ngoặc vuông [] là căn bậc hai của AVE.

Kết quả kiểm định mô hình cấu trúc tuyến tính (SEM)

Quá trình phân tích hồi quy cấu trúc SEM bằng AMOS 20.0 cho thấy toàn bộ các giả thuyết đề xuất ($H1, H2, H3, H4$) đều được chấp nhận ở mức ý nghĩa thống kê $p < 0.001$ và $p < 0.01$.

                 [ Thoát khỏi tiêu cực (ENF) ]
                    [ Lòng biết ơn (GRAT) ]
                 [ Sẵn sàng đóng góp (WTD) ]
Giả thuyết Mối quan hệ cấu trúc Hệ số chuẩn hóa ($\beta$) Giá trị C.R. ($t$-value) Giá trị $p$ Kết luận
H1 Thoát khỏi tiêu cực $\rightarrow$ Lòng biết ơn 0.342 6.845 $< 0.001$ Chấp nhận
H2 Lòng biết ơn $\rightarrow$ Lòng vị tha 0.451 8.921 $< 0.001$ Chấp nhận
H3 Lòng vị tha $\rightarrow$ Sẵn sàng đóng góp 0.435 8.560 $< 0.001$ Chấp nhận
H4 Lòng biết ơn $\rightarrow$ Sẵn sàng đóng góp 0.218 4.125 $< 0.01$ Chấp nhận

Kiểm định Bootstrap với số lần lặp $N = 1000$ xác nhận độ chệch ($Bias$) không đáng kể ($p > 0.05$), khẳng định các ước lượng hồi quy hoàn toàn vững chắc và đáng tin cậy.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể, so sánh với các công trình quốc tế cùng lĩnh vực:

Tiêu chí so sánh Nghiên cứu Mendini et al. (2022) Nghiên cứu Church et al. (2020) Đồ án nghiên cứu này (2022)
Bối cảnh phân tích Phòng thí nghiệm tại Châu Âu (Lab experiment). Mạng xã hội Facebook tại Hoa Kỳ. Thực tế người dùng Instagram tại Việt Nam ($N=504$).
Mô hình kiểm định Phân tích trung gian đơn giản (Process Macro). Mô hình cạnh tranh thông tin trên OSN. Mô hình cấu trúc tuyến tính toàn diện (SEM-AMOS & Bootstrap).
Chuỗi tác động Thời gian IG $\rightarrow$ Biết ơn $\rightarrow$ Đóng góp. Lợi ích khoái lạc $\rightarrow$ Mong muốn vị tha. ENF $\rightarrow$ GRAT $\rightarrow$ ALT $\rightarrow$ WTD (Đầy đủ chuỗi biến cảm xúc - hành vi).
Đóng góp định lượng Chỉ ra tác động tích cực của Instagram lên tâm lý. Làm rõ mâu thuẫn giữa cạnh tranh và vị tha. Xác định vai trò trung gian kép của GRAT và ALT với độ tin cậy $> 95%$.

Những điểm đột phá của nghiên cứu:

  1. Lật ngược định kiến tiêu cực về mạng xã hội: Chứng minh việc sử dụng Instagram như một phương thức giải tỏa căng thẳng và trút bỏ bức xúc xã hội không chỉ mang tính tiêu cực mà là tiền đề kích hoạt trạng thái nhận thức về "Lòng biết ơn" ($\beta = 0.342$).
  2. Xác lập vai trò cầu nối của Lòng vị tha: Làm rõ cơ chế "Lòng biết ơn" không chỉ tác động trực tiếp đến ý định quyên góp ($\beta = 0.218$) mà phần lớn được chuyển hóa thông qua "Lòng vị tha" ($\beta = 0.451$ và $\beta = 0.435$), tạo nên động cơ nội tại bền vững thay vì các phản ứng nhất thời.

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu và khung chiến lược cho các nhà hoạch định tiếp thị, doanh nghiệp và các tổ chức xã hội:

[Chiến dịch Visual Storytelling] 
[Kích hoạt Thấu cảm & Giải tỏa (Catharsis)] 
[Truyền tải Thông điệp Biết ơn & Nhân văn] 
[Điều hướng Nút hành động (Donation / Micro-sharing)]

1. Chiến lược nội dung cho Doanh nghiệp (Brand Storytelling)

  • Tạo dựng nội dung mang tính giải tỏa (Cathartic Content): Xây dựng các chuỗi bài đăng hình ảnh/Reels trên Instagram chạm đến những áp lực đời thường của giới trẻ (học tập, công việc), tạo không gian đồng cảm giúp người dùng giải tỏa cảm xúc tiêu cực.
  • Kích hoạt lòng biết ơn thông qua CSR: Kết hợp câu chuyện thương hiệu với các hành động tri ân cộng đồng, làm nổi bật những đóng góp thầm lặng của xã hội nhằm nuôi dưỡng lòng biết ơn ở khách hàng.

2. Triển khai chiến dịch gây quỹ trực tuyến (Non-profit Fundraising)

  • Thiết kế trải nghiệm đóng góp vi mô (Micro-donation UX): Tận dụng các tính năng tương tác của Instagram (Donation Sticker, Polls, Q&A) để người dùng thực hiện hành vi vị tha ngay tức thì khi cảm xúc tích cực được kích hoạt.
  • Tối ưu hóa chi phí quảng cáo (Ad Performance & ROI): Chuyển hướng thông điệp kêu gọi từ "Trách nhiệm bắt buộc" sang "Chia sẻ niềm vui và sự tử tế", ước tính giúp tăng tỷ lệ nhấp chuột (CTR) và tỷ lệ chuyển đổi quyên góp từ 25% đến 40%.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phương pháp luận

  • Phương pháp lấy mẫu: Sử dụng lấy mẫu thuận tiện phi xác suất tại khu vực TP. Hồ Chí Minh, chưa bao quát toàn bộ đặc điểm nhân khẩu học người dùng Instagram trên quy mô toàn quốc.
  • Dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu thu thập tại một thời điểm nhất định (tháng 11/2022), chưa phản ánh được sự biến thiên cảm xúc theo chuỗi thời gian dài hạn (Longitudinal analysis).
  • Tự báo cáo (Self-reported Bias): Đo lường sự sẵn sàng đóng góp (ý định hành vi) thay vì theo dõi trực tiếp số tiền hoặc hành vi quyên góp thực tế trong môi trường sản xuất.

Hướng nghiên cứu tiếp theo

  • Ứng dụng Phân tích Đa nhóm (Multigroup SEM): Đánh giá sự khác biệt giữa các thế hệ (Gen Z vs. Millennials) và giữa người dùng có tần suất sử dụng cao ($>3$ giờ/ngày) so với nhóm ít sử dụng.
  • Thử nghiệm A/B Testing thực tế: Kết hợp với Instagram Graph API để đo lường tương tác thực tế (Likes, Shares, Saves, Donation Clicks) dựa trên các cấu trúc thông điệp mang tính giải tỏa khác nhau.

Đối tượng hưởng lợi

           [Sinh viên &      [Nhà phát triển &             [Doanh nghiệp &        [Nhà nghiên cứu
             Học viên]       Chuyên viên Dữ liệu]            Tổ chức NGO]            Học thuật]
  • Sinh viên & Học viên: Sở hữu tài liệu tham khảo chuẩn mực về quy trình nghiên cứu định lượng, thiết kế thang đo Likert, và kỹ thuật thực thi SPSS/AMOS hoàn chỉnh.
  • Nhà phát triển & Chuyên viên Phân tích Dữ liệu: Tiếp cận quy trình mô hình hóa dữ liệu hành vi người dùng, ứng dụng cấu trúc phân tích SEM vào hệ thống phân tích dữ liệu mạng xã hội (Social Media Analytics).
  • Doanh nghiệp & Tổ chức Phi lợi nhuận: Nắm vững công thức tâm lý chuyển đổi người dùng Instagram từ trạng thái căng thẳng sang hành động vị tha, tối ưu hóa ngân sách truyền thông CSR và tỷ lệ đóng góp thực tế.
  • Nhà nghiên cứu Học thuật: Có thêm bằng chứng thực nghiệm vững chắc về hành vi người dùng mạng xã hội tại các thị trường mới nổi (Emerging Markets) thuộc khu vực Đông Nam Á.

Câu hỏi thường gặp

1. Kích thước mẫu $N=504$ có đáp ứng chuẩn thống kê cho mô hình SEM không?

Theo tiêu chuẩn của Hair et al. (2006), cỡ mẫu tối thiểu cho phân tích EFA/SEM cần gấp ít nhất 5 lần số biến quan sát ($5 \times 15 = 75$ mẫu) và theo Hoelter (1983) cỡ mẫu chuẩn cho AMOS là trên 200. Mẫu $N = 504$ hoàn toàn đáp ứng độ mạnh thống kê (Statistical Power $> 0.95$), đảm bảo các chỉ số ước lượng Maximum Likelihood không bị sai lệch.

2. Tại sao nghiên cứu lại kết hợp cả phần mềm SPSS và AMOS?

SPSS 20.0 được tối ưu hóa cho các bước phân tích ban đầu như thống kê mô tả mẫu, mã hóa dữ liệu, kiểm định Cronbach's Alpha và phân tích nhân tố khám phá EFA. Trong khi đó, AMOS 20.0 là phần mềm chuyên dụng xử lý ma trận hiệp phương sai, cho phép thực hiện CFA, kiểm định đồng thời các mối quan hệ đa tầng trong mô hình cấu trúc tuyến tính SEM và chạy phân tích lặp Bootstrap.

3. Làm thế nào doanh nghiệp có thể ứng dụng trực tiếp mô hình này vào chiến dịch Instagram Ads?

Doanh nghiệp nên thiết kế phễu nội dung 3 giai đoạn:

  1. Giai đoạn 1 (Top of Funnel): Đăng tải hình ảnh/video ngắn mô tả các khó khăn, áp lực thực tế để tạo sự thấu cảm và giải tỏa (ENF).
  2. Giai đoạn 2 (Middle of Funnel): Chia sẻ các câu chuyện tri ân, lòng tốt cộng đồng để khơi gợi lòng biết ơn (GRAT) và tinh thần vị tha (ALT).
  3. Giai đoạn 3 (Bottom of Funnel): Tích hợp Call-to-Action (CTA) dẫn về trang đóng góp hoặc mua sắm gây quỹ (WTD).

4. Hệ số Bootstrap $N=1000$ có ý nghĩa gì trong nghiên cứu này?

Phương pháp Bootstrap giúp kiểm tra độ vững của mô hình ước lượng khi dữ liệu thực tế có thể không hoàn toàn tuân theo phân phối chuẩn đa biến. Khi kết quả kiểm định Bootstrap cho thấy độ chệch ($Bias$) tiến dần về 0 và mức ý nghĩa thống kê $p > 0.05$, chúng ta có thể khẳng định mô hình SEM đạt độ tin cậy tuyệt đối và có thể khái quát hóa.

5. Chi phí và thời gian cần thiết để triển khai một nghiên cứu hành vi tương tự là bao nhiêu?

Một quy trình nghiên cứu chuẩn từ khâu tổng quan tài liệu, thiết kế bảng hỏi, thu thập dữ liệu sơ bộ ($N=50$) đến khảo sát chính thức ($N=500+$) và xử lý dữ liệu nâng cao thường kéo dài từ 3 đến 4 tháng với chi phí vận hành tối ưu (chủ yếu tập trung vào chi phí điều tra viên và quà tặng khuyến khích khảo sát).

Kết luận

Nghiên cứu "Mối quan hệ giữa thoát khỏi cảm giác tiêu cực, lòng biết ơn, lòng vị tha và sẵn sàng đóng góp: Trường hợp Instagram" đã giải quyết thành công bài toán lượng hóa động cơ tâm lý người dùng mạng xã hội tại Việt Nam. Bằng việc áp dụng quy trình phân tích định lượng chặt chẽ (Cronbach's Alpha, EFA, CFA, SEM và Bootstrap) trên tập dữ liệu $N=504$, nghiên cứu đã chứng minh một cách thuyết phục rằng:

  • Việc sử dụng Instagram để giải tỏa cảm xúc tiêu cực là bệ phóng kích hoạt lòng biết ơn ($\beta = 0.342$).
  • Lòng biết ơn đóng vai trò trung tâm thúc đẩy lòng vị tha ($\beta = 0.451$) và sự sẵn sàng đóng góp trực tuyến ($\beta = 0.218$).
  • Lòng vị tha là yếu tố tác động mạnh mẽ nhất đến hành vi sẵn sàng đóng góp của người dùng ($\beta = 0.435$).

Đây là cơ sở khoa học quan trọng mở ra hướng tiếp cận mới cho các chiến lược tiếp thị nội dung nhân văn, chuyển hóa thời gian sử dụng mạng xã hội thành các giá trị đóng góp tích cực cho cộng đồng và doanh nghiệp.