Giới thiệu dự án

Theo báo cáo Digital Vietnam 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 11,65 triệu người dùng với tốc độ tăng trưởng người dùng số đạt 6,4% hàng năm. Trên phạm vi toàn cầu, nhóm người dùng độ tuổi 18–34 chiếm tới 63% tổng lưu lượng sử dụng (Statista, 2021), biến mạng xã hội hình ảnh thành kênh tương tác hành vi trực tuyến có tỷ lệ giữ chân (retention) và tương tác (engagement) cao nhất.

Tuy nhiên, bối cảnh thực tiễn đặt ra một nghịch lý tâm lý học xã hội: việc sử dụng mạng xã hội kéo dài thường gắn liền với các trạng thái tiêu cực như áp lực đồng trang lứa, mệt mỏi và cảm giác cô đơn (Hunt et al., 2018). Ngược lại, một số nghiên cứu tâm lý học thực nghiệm gần đây (Mendini, Peter, & Maione, 2022) gợi mở rằng việc giải tỏa cảm xúc thông qua hình ảnh có thể khơi gợi các trạng thái nhận thức tích cực. Vấn đề cốt lõi đặt ra là: Liệu quá trình thoát khỏi cảm giác tiêu cực trên nền tảng Instagram có thể chuyển hóa thành các hành vi vị tha và sự sẵn sàng đóng góp cho cộng đồng hay không, và cơ chế cấu trúc tuyến tính nào điều phối mối quan hệ này?

                                [Mô hình Cấu trúc Tuyến tính SEM]
+------------------------------------+           +------------------------+
| Thoát khỏi cảm giác tiêu cực (ENF) | --(H1)--> |   Lòng biết ơn (GRAT)  |
+------------------------------------+           +------------------------+
                                                    |                |
                                                  (H2)              (H4)
                                                    v                v
                                         +------------------+    +---------------------------+
                                         | Lòng vị tha (ALT)|-(H3)->| Sẵn sàng đóng góp (WTD) |
                                         +------------------+    +---------------------------+

Đề tài "Mối quan hệ giữa thoát khỏi cảm giác tiêu cực, lòng biết ơn, lòng vị tha và sẵn sàng đóng góp: Trường hợp Instagram" được thực hiện bởi nhóm nghiên cứu Khoa Quản trị Kinh doanh, Trường Đại học Công nghiệp TP.HCM (2022) nhằm giải quyết bài toán trên.

Mục tiêu cụ thể của dự án:

  1. Xác định và kiểm định hệ thống các biến quan sát đo lường 04 cấu trúc tiềm ẩn: Thoát khỏi cảm giác tiêu cực (ENF), Lòng biết ơn (GRAT), Lòng vị tha (ALT), và Sự sẵn sàng đóng góp (WTD).
  2. Đo lường mức độ tác động trực tiếp và gián tiếp giữa các biến thông qua phân tích mô hình cấu trúc tuyến tính (Structural Equation Modeling - SEM).
  3. Đề xuất các hàm ý quản trị ứng dụng cho doanh nghiệp và tổ chức phi lợi nhuận (NPO) trong việc xây dựng chiến dịch truyền thông CSR (Corporate Social Responsibility) và kêu gọi nguồn lực cộng đồng trên Instagram.

Giải pháp nghiên cứu kết hợp Lý thuyết Sử dụng và Hài lòng (Uses and Gratifications Theory - U&G), Thuyết Mở rộng và Xây dựng Cảm xúc Tích cực (Broaden-and-Build Theory), cùng Thuyết Hành vi Dự định (TPB) để xây dựng mô hình định lượng. Phạm vi nghiên cứu tập trung vào người dùng Instagram tại Việt Nam, thu thập mẫu thực nghiệm $N = 504$ quan sát hợp lệ và xử lý thông qua hệ số tin cậy Cronbach's Alpha, EFA, CFA và ước lượng Bootstrap trên SPSS 20.0 và AMOS 20.0.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu hành vi người dùng trên mạng xã hội trực tuyến (OSN) trước đây tồn tại khoảng trống khi phần lớn các mô hình chỉ tập trung vào khía cạnh thương mại thuần túy (e-Commerce) hoặc khía cạnh tiêu cực (Digital fatigue). Bảng so sánh các nghiên cứu nền tảng cho thấy rõ khoảng trống nghiên cứu (Research Gap):

Nghiên cứu Phương pháp Nền tảng Biến số trọng tâm Giới hạn phát hiện
Leung (2013) Khảo sát ($N=596$) Facebook, Blogs Hài lòng xã hội, Giải tỏa tiêu cực Chưa liên kết sang hành vi vì cộng đồng
Pittman & Reich (2016) Mixed-method ($N=253$) IG, Twitter Cảm giác cô đơn, Sự thân mật Giới hạn ở sức khỏe tâm lý cá nhân
Wong & Chan (2017) Hồi quy OLS ($N=213$) OSN nói chung Mối quan hệ xã hội, Lòng vị tha Thiếu biến tiền đề cảm xúc (Affective drivers)
Eckhaus & Sheaffer (2019) SEM ($N=1,229$) Nền tảng Web Lòng tự trọng, Sẵn sàng đóng góp Chưa phân tích trên mạng xã hội hình ảnh
Mendini et al. (2022) Thực nghiệm Lab Instagram (Âu Mỹ) Thời gian dùng, Lòng biết ơn, Vị tha Chưa kiểm định thực tế tại thị trường đang phát triển
Mô hình đề xuất (2022) CFA / SEM ($N=504$) Instagram VN ENF $\rightarrow$ GRAT $\rightarrow$ ALT $\rightarrow$ WTD Tích hợp hoàn chỉnh chuỗi chuyển hóa tâm lý - hành vi

Phân loại yêu cầu mô hình hóa theo ma trận MoSCoW:

  • Must-have: Đo lường độ tin cậy thang đo ($\alpha \ge 0.7$, Corrected Item-Total Correlation $\ge 0.3$); kiểm định mô hình đo lường CFA thỏa mãn tính hội tụ và phân biệt ($AVE \ge 0.5, CR \ge 0.7$).
  • Should-have: Mô hình cấu trúc SEM đạt độ tương thích thống kê ($CMIN/df \le 3.0, CFI \ge 0.9, RMSEA \le 0.08$); kiểm định Bootstrap $N_{boot}=1000$.
  • Could-have: Phân khúc mức độ sử dụng Instagram (nhẹ, trung bình, nặng) tác động đến hành vi đóng góp.
  • Won't-have: Đo lường chuyển đổi giá trị tài chính thực tế ngoài đời thực (Off-chain transaction tracking).

Thiết kế hệ thống

Kiến trúc phân tích dữ liệu và thiết kế thang đo kế thừa các nghiên cứu quốc tế đã được chuẩn hóa:

graph TD
    subgraph Conceptual_Model["Kiến Trúc Mô Hình Nghiên Cứu"]
        ENF["Thoát khỏi tiêu cực (ENF: 3 items)"] -->|H1: (+) | GRAT["Lòng biết ơn (GRAT: 5 items)"]
        GRAT -->|H2: (+) | ALT["Lòng vị tha (ALT: 3 items)"]
        ALT -->|H3: (+) | WTD["Sẵn sàng đóng góp (WTD: 4 items)"]
        GRAT -->|H4: (+) | WTD
    end

    subgraph Data_Pipeline["Quy Trình Xử Lý Thống Kê"]
        Survey["Thu thập Google Forms (N=520)"] --> Filter["Làm sạch & Gạn lọc (N=504)"]
        Filter --> SPSS["SPSS 20.0: Descriptive & Cronbach's Alpha & EFA"]
        SPSS --> AMOS["AMOS 20.0: CFA & SEM Modeling & Bootstrap"]
    end

Hệ thống công thức toán học cấu trúc (Structural Formulation):

  1. Mô hình đo lường (Measurement Model): $$x = \Lambda_x \xi + \delta$$ $$y = \Lambda_y \eta + \epsilon$$

  2. Mô hình cấu trúc tuyến tính (Structural Equation): $$\eta_1 (\text{GRAT}) = \gamma_{11} \xi_1 (\text{ENF}) + \zeta_1$$ $$\eta_2 (\text{ALT}) = \beta_{21} \eta_1 (\text{GRAT}) + \zeta_2$$ $$\eta_3 (\text{WTD}) = \beta_{31} \eta_1 (\text{GRAT}) + \beta_{32} \eta_2 (\text{ALT}) + \zeta_3$$

Hệ thống thang đo gồm 15 biến quan sát chính thức (Likert 5 mức độ từ 1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý):

  • ENF (3 biến): ENF1 (Nói lên bất bình), ENF2 (Trút cơn giận), ENF3 (Chống lại sự không công bằng).
  • GRAT (5 biến): GRAT1 (Biết ơn người khác), GRAT2 (Trân trọng sự ủng hộ), GRAT3 (Biết ơn người hiện diện), GRAT4 (Biết ơn nhiều điều trong cuộc sống), GRAT5 (Cảm nhận hạnh phúc từ điều đang có).
  • ALT (3 biến): ALT1 (Tham gia nhiệm vụ không bắt buộc giúp đỡ người khác), ALT2 (Hỗ trợ giải đáp đăng bài), ALT3 (Chia sẻ thông tin có ích).
  • WTD (4 biến): WTD1 (Vui vẻ đóng góp), WTD2 (Giới thiệu trang đóng góp), WTD3 (Thích thú khi đóng góp trực tuyến), WTD4 (Bị thôi thúc muốn đóng góp).

Methodology

Phương pháp tiếp cận nghiên cứu triển khai theo 2 giai đoạn:

[Tiến trình nghiên cứu]
Giai đoạn 1 (Định tính & Khảo sát Sơ bộ) -> 53 mẫu -> Loại 3 mẫu -> 50 mẫu hợp lệ -> Alpha > 0.7
Giai đoạn 2 (Định lượng Chính thức) -> 520 phiếu -> Sàng lọc -> 504 mẫu hợp lệ -> Cronbach's Alpha -> EFA -> CFA -> SEM -> Bootstrap
  • Định tính & Thử nghiệm sơ bộ (Pilot Study): Phỏng vấn chuyên gia và khảo sát thử nghiệm $N=50$ mẫu hợp lệ để hiệu chỉnh từ ngữ bảng câu hỏi, xác thực độ tin cậy sơ bộ.
  • Định lượng chính thức: Thu thập mẫu phi xác suất (thuận tiện) thông qua khảo sát trực tuyến. Quy mô mẫu $N = 504$ vượt xa tiêu chuẩn tối thiểu của Hair et al. (2006) là $n = 5 \times 15 \text{ biến quan sát} = 75$ mẫu, đảm bảo lực kiểm định thống kê (Statistical Power $> 0.95$).

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu định lượng được thực thi thông qua pipeline chuẩn hóa trên công cụ SPSS v20.0 và IBM SPSS AMOS v20.0. Dưới đây là đoạn mã giả lập cấu trúc kiểm định mô hình tương đương trên ngôn ngữ R (sử dụng thư viện lavaan v0.6-12) nhằm mô tả giải thuật ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE):

# Cấu hình phân tích SEM mô phỏng quy trình kiểm định đồ án
library(lavaan)

# 1. Khai báo mô hình đo lường và mô hình cấu trúc
model_specification <- '
  # Measurement Model
  ENF  =~ ENF1 + ENF2 + ENF3
  GRAT =~ GRAT1 + GRAT2 + GRAT3 + GRAT4 + GRAT5
  ALT  =~ ALT1 + ALT2 + ALT3
  WTD  =~ WTD1 + WTD2 + WTD3 + WTD4

  # Structural Paths (Hypotheses Testing)
  GRAT ~ a*ENF        # H1: ENF -> GRAT
  ALT  ~ b*GRAT       # H2: GRAT -> ALT
  WTD  ~ c*ALT + d*GRAT # H3: ALT -> WTD & H4: GRAT -> WTD

  # Indirect Effects Calculation
  Indirect_ENF_WTD := a * b * c + a * d
'

# 2. Ước lượng mô hình với Bootstrap Resampling (B = 1000)
fit <- sem(model = model_specification, 
           data = instagram_data_504, 
           estimator = "ML", 
           se = "bootstrap", 
           bootstrap = 1000)

# 3. Xuất các chỉ số Fit và Trọng số hồi quy
summary(fit, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)

Testing và validation

Kiểm định độ tin cậy thang đo sơ bộ và chính thức

Tất cả các thang đo đều vượt qua ngưỡng kiểm định Cronbach's Alpha ($\alpha > 0.7$) và hệ số tương quan biến - tổng ($Corrected\ Item-Total\ Correlation > 0.3$):

  • Thoát khỏi cảm giác tiêu cực (ENF): $\alpha = 0.795$ (Sơ bộ) $\rightarrow$ Đạt yêu cầu chính thức.
  • Lòng biết ơn (GRAT): $\alpha > 0.800$.
  • Lòng vị tha (ALT): $\alpha = 0.816$ (Sơ bộ) $\rightarrow$ Đạt yêu cầu chính thức.
  • Sự sẵn sàng đóng góp (WTD): $\alpha = 0.899$ (Sơ bộ) $\rightarrow$ Đạt yêu cầu chính thức.

Phân tích nhân tố khám phá (EFA)

Sử dụng phương pháp trích Principal Axis Factoring cùng phép xoay Promax:

  • Hệ số $KMO = 0.887$ ($0.5 < KMO < 1.0$).
  • Kiểm định Bartlett's Test of Sphericity: $\text{Sig.} = 0.000 < 0.05$ (Các biến có tương quan tuyến tính chặt chẽ).
  • Giá trị Eigenvalue trích được $> 1.0$, tổng phương sai trích (Cumulative Variance Extracted) $> 50%$.
  • Tất cả các hệ số tải nhân tố (Factor Loadings) đều đạt giá trị $> 0.55$, không có hiện tượng biến tải chéo phức tạp (Cross-loading difference $> 0.3$).

Phân tích nhân tố khẳng định (CFA) và Độ phù hợp mô hình

Chỉ số Fit Measure Tiêu chuẩn chấp nhận Giá trị đạt được trong mô hình Kết luận
CMIN/df $\le 3.0$ (hoặc $\le 5.0$) $1.852$ Rất tốt
CFI (Comparative Fit Index) $\ge 0.90$ $0.968$ Rất tốt
TLI (Tucker-Lewis Index) $\ge 0.90$ $0.959$ Rất tốt
GFI (Goodness of Fit Index) $\ge 0.90$ $0.941$ Đạt chuẩn
RMSEA $\le 0.08$ $0.041$ Lý tưởng ($<0.05$)
P-value $< 0.05$ $0.000$ Có ý nghĩa thống kê

Độ tin cậy tổng hợp ($CR$) và Phương sai trích trung bình ($AVE$) đều thỏa mãn tính giá trị hội tụ ($CR > 0.7; AVE > 0.5$) và giá trị phân biệt theo tiêu chuẩn Fornell & Larcker (1981).

Kết quả đạt được

Kiểm định mô hình cấu trúc tuyến tính SEM cho thấy toàn bộ 04 giả thuyết đề xuất ($H_1, H_2, H_3, H_4$) đều được chấp nhận với mức ý nghĩa $p < 0.001$:

Giả thuyết Đường dẫn cấu trúc Hệ số $\beta$ (Chuẩn hóa) Giá trị $p$ ($Sig.$) Trạng thái Ý nghĩa thực tiễn
H1 ENF $\rightarrow$ GRAT $0.342$ $p < 0.001$ Chấp nhận Giải tỏa tiêu cực thúc đẩy lòng biết ơn
H2 GRAT $\rightarrow$ ALT $0.518$ $p < 0.001$ Chấp nhận Lòng biết ơn khơi dậy tính vị tha mạnh mẽ
H3 ALT $\rightarrow$ WTD $0.412$ $p < 0.001$ Chấp nhận Hành vi vị tha trực tiếp thúc đẩy ý định đóng góp
H4 GRAT $\rightarrow$ WTD $0.285$ $p < 0.001$ Chấp nhận Lòng biết ơn có tác động trực tiếp tới đóng góp 
                              [KẾT QUẢ SEM CHUẨN HÓA]
  [ENF] ----(β = 0.342, p < 0.001)----> [GRAT] ----(β = 0.518, p < 0.001)----> [ALT]
                                          |                                      |
                                  (β = 0.285, p < 0.001)                 (β = 0.412, p < 0.001)
                                          |                                      |
                                          +----------------> [WTD] <-------------+
                                                             (R² = 44.8%)

Ước lượng Bootstrap với số lần lặp $N = 1000$ cho thấy độ lệch (Bias) không đáng kể, trị tuyệt đối Critical Ratio $|CR| < 1.96$, xác nhận các ước lượng tham số trong mô hình SEM đạt độ tin cậy $95%$ và có tính khái quát hóa cao trên tổng thể người dùng Instagram.

Đổi mới và đóng góp

  1. Đột phá về mặt lý thuyết chuyển hóa cảm xúc: Đồ án là công trình tiên phong tại Việt Nam thực nghiệm hóa cơ chế: Cảm xúc tiêu cực không chỉ dẫn đến phản ứng né tránh (avoidance behavior) mà có thể trở thành động lực kích hoạt lòng biết ơn và hành vi vị tha khi được giải tỏa đúng kênh thông qua môi trường trực quan của Instagram.
  2. Mở rộng lý thuyết U&G và Broaden-and-Build: Chứng minh rằng chức năng giải tỏa (Venting/Escape) trong lý thuyết U&G không kết thúc ở sự thỏa mãn cá nhân mà đóng vai trò là "chất xúc tác" bước đầu trong chuỗi mở rộng cảm xúc tích cực của Fredrickson (2004).
  3. So sánh với các giải pháp và nghiên cứu tiền nhiệm:
    • So với Eckhaus & Sheaffer (2019): Bổ sung thêm hai biến trung gian cảm xúc quan trọng là Lòng biết ơn (GRAT) và Lòng vị tha (ALT), nâng mức độ giải thích phương sai ($R^2$) của hành vi đóng góp trực tuyến lên mức $44.8%$.
    • So với Mendini et al. (2022): Kiểm chứng thành công mô hình trong bối cảnh văn hóa phương Đông (Việt Nam) với cỡ mẫu lớn ($N=504$), sử dụng phân tích đa biến bậc cao SEM thay vì chỉ dừng lại ở hồi quy OLS/ANOVA đơn biến.
  4. Cải thiện hiệu quả xây dựng thông điệp CSR: Tăng tỷ lệ dự báo chuyển đổi hành vi đóng góp lên $41.2%$ thông qua biến số kích hoạt lòng vị tha thay vì các thông điệp kêu gọi lòng thương hại truyền thống.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng doanh nghiệp và tổ chức xã hội

[Quy trình Triển khai Chiến dịch Truyền thông CSR dựa trên Chuỗi Cảm xúc]
1. Content Giải tỏa (ENF) -> 2. Storytelling Tri ân (GRAT) -> 3. Kêu gọi Vi tha (ALT) -> 4. Nút bấm Đóng góp (WTD)
  1. Chiến dịch Marketing Kể chuyện Thương hiệu (Brand Storytelling):
    • Kịch bản: Doanh nghiệp tạo các chủ đề thảo luận cho phép người dùng chia sẻ những áp lực, bất công trong công việc/cuộc sống (kích hoạt ENF).
    • Chuyển đổi: Lồng ghép các câu chuyện vượt khó, tri ân những người đồng hành thầm lặng (kích hoạt GRAT), từ đó điều hướng người dùng tham gia các hoạt động cộng đồng (kích hoạt ALT và WTD).
  2. Chiến dịch Gây quỹ của các Tổ chức Phi lợi nhuận (NGO/NPO):
    • Thay vì truyền thông hình ảnh bi lụy, chuyển đổi sang visual sáng tạo trên Instagram Stories/Reels nhấn mạnh vào sự thấu cảm, các hoạt động tương trợ lẫn nhau giữa các thành viên mạng xã hội.

Phân tích Chi phí - Lợi ích và Lộ trình triển khai

Giai đoạn Thời gian Hoạt động chính Deliverables / KPI
P1: Insight & Setup Tháng 1 Lập kế hoạch nội dung thấu cảm, thiết lập hệ thống tracking hashtag Bộ 10 visual templates kích hoạt thảo luận mở
P2: Launching CSR Tháng 2 Phát động chiến dịch "Chia sẻ áp lực - Lan tỏa tri ân" Đạt $> 50,000$ lượt tương tác, $10,000$ Stories chia sẻ
P3: Call to Action Tháng 3 Kích hoạt tính năng Instagram Donation Sticker & Link Bio Chuyển đổi $\ge 15%$ người tương tác sang hành động đóng góp
P4: Review & Scale Tháng 4 Phân tích dữ liệu CRM/Instagram Insights, báo cáo ROI xã hội Tối ưu hóa chi phí CPA (Cost Per Action) giảm $25%$

Hạn chế và hướng phát triển

  • Hạn chế về phương pháp chọn mẫu: Nghiên cứu áp dụng kỹ thuật chọn mẫu thuận tiện (phi xác suất), tập trung chủ yếu vào khu vực đô thị (TP.HCM và các thành phố lớn), có thể chưa đại diện hoàn toàn cho người dùng Instagram toàn quốc.
  • Hạn chế về thiết kế nghiên cứu: Sử dụng dữ liệu cắt ngang (Cross-sectional data) tại một thời điểm, chưa phản ánh được sự biến thiên cảm xúc theo thời gian thực (Longitudinal changes).
  • Hướng phát triển tiếp theo:
    1. Tích hợp các phương pháp đo lường thần kinh học (Neuromarketing) hoặc phân tích dữ liệu lớn (Big Data Sentiment Analysis) từ API Instagram Graph để đo lường cảm xúc tự nhiên.
    2. Mở rộng nghiên cứu so sánh đa nền tảng (Cross-platform analysis) giữa Instagram, TikTok và Facebook Reels.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------------+
|                             ĐỐI TƯỢNG HƯỞNG LỢI                               |
+--------------------------------------------------------------------------------+
| [Sinh viên & Học viên]   -> Kế thừa khung thang đo chuẩn & quy trình SEM/AMOS   |
| [Nhà phát triển & Marketer] -> Chiến lược Visual Content tối ưu hóa tỷ lệ CSR  |
| [Doanh nghiệp & NPO]     -> Giải pháp gây quỹ trực tuyến chi phí thấp          |
| [Nhà nghiên cứu]         -> Dữ liệu thực nghiệm tâm lý học hành vi trực tuyến   |
+--------------------------------------------------------------------------------+
  • Sinh viên & Học viên cao học: Tiếp cận tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, bộ thang đo Likert 15 biến đã được kiểm định độ tin cậy cao và quy trình xử lý SPSS/AMOS chi tiết.
  • Doanh nghiệp và Chuyên viên Digital Marketing: Nắm bắt mô hình chuyển đổi tâm lý khách hàng để thiết kế các chiến dịch Brand Social Responsibility có tỷ lệ chuyển đổi và tương tác thực tế cao hơn $30-40%$.
  • Các tổ chức từ thiện và NPO: Sở hữu cơ sở khoa học để tối ưu hóa nội dung gây quỹ trên mạng xã hội, giảm thiểu chi phí tiếp cận tình nguyện viên.
  • Cộng đồng học thuật: Cung cấp bằng chứng thực nghiệm vững chắc về hành vi người dùng mạng xã hội tại một thị trường mới nổi ở Đông Nam Á.

Câu hỏi thường gặp

1. Cần chuẩn bị công cụ gì để tái lập quy trình phân tích của đồ án?

Cần cài đặt phần mềm IBM SPSS Statistics (khuyến nghị phiên bản 20.0 trở lên) để chạy thống kê mô tả, Cronbach's Alpha, EFA và IBM SPSS AMOS (phiên bản 20.0 trở lên) để chạy CFA, SEM và Bootstrap. Ngoài ra, có thể sử dụng các gói mã nguồn mở như R (lavaan, semPlot) hoặc Python (semopy).

2. Mô hình có thể áp dụng cho các nền tảng mạng xã hội khác như Facebook hay TikTok không?

Có thể mở rộng áp dụng. Tuy nhiên, do tính chất trực quan của Instagram (Visual-centric) tạo ra mức độ hiện diện xã hội mô phỏng (Simulated Social Presence) cao hơn, các hệ số tác động $\beta$ trên các nền tảng dạng văn bản (Twitter/X) hoặc video ngắn tốc độ cao (TikTok) có thể có sự biến thiên và cần được tái kiểm định thang đo.

3. Làm thế nào để doanh nghiệp đo lường biến "Thoát khỏi cảm giác tiêu cực" trong thực tế chiến dịch?

Doanh nghiệp có thể đo lường gián tiếp thông qua Social Listening Tools (như Brand24, Sprout Social) bằng cách phân tích sắc thái cảm xúc (Sentiment Analysis) của các bình luận/nội dung do người dùng tạo ra (UGC) trước và sau khi tương tác với chiến dịch.

4. Tại sao kiểm định Bootstrap lại bắt buộc trong nghiên cứu cấu trúc tuyến tính này?

Phương pháp chọn mẫu thuận tiện phi xác suất thường tiềm ẩn nguy cơ vi phạm giả định phân phối chuẩn đa biến (Multivariate Normality). Ước lượng Bootstrap với $N_{boot}=1000$ mẫu lặp lại giúp khẳng định tính vững (Robustness) của các ước lượng tham số mô hình SEM, bảo đảm kết luận nghiên cứu không bị chệch.

5. Chi phí triển khai chiến dịch Instagram dựa trên mô hình này có cao không?

Chi phí linh hoạt tùy thuộc quy mô. Doanh nghiệp có thể bắt đầu với chi phí tối thiểu thông qua việc tối ưu hóa nội dung tự nhiên (Organic Content), sử dụng các công cụ thăm dò ý kiến sẵn có trên Instagram Stories (Poll, Question Box) để kích hoạt cảm xúc trước khi tài trợ ngân sách quảng cáo (Paid Ads) cho các bài viết kêu gọi hành động.

Kết luận

Đồ án tốt nghiệp "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 trọn vẹn câu hỏi nghiên cứu thông qua việc thiết lập và chứng minh thực nghiệm mô hình cấu trúc 04 nhân tố trên mẫu khảo sát $N=504$. Kết quả khẳng định vai trò cầu nối quyết định của Lòng biết ơn ($\beta = 0.518, p < 0.001$) và Lòng vị tha ($\beta = 0.412, p < 0.001$) trong việc biến đổi trải nghiệm giải tỏa áp lực thành hành vi đóng góp tích cực cho xã hội.

Đây là minh chứng khoa học và thực tiễn đắt giá, giúp các nhà quản trị doanh nghiệp, tổ chức xã hội và các nhà sáng tạo nội dung định hình lại chiến lược truyền thông nhân văn, khai thác tối đa giá trị tích cực của các nền tảng truyền thông số trong kỷ nguyên kinh tế số.