Giới thiệu dự án

Trong bối cảnh cuộc Cách mạng Công nghiệp lần thứ tư và chương trình Chuyển đổi số Quốc gia theo Quyết định số 749/QĐ-TTg của Thủ tướng Chính phủ, giáo dục đại học đang trải qua sự chuyển dịch cấu trúc mạnh mẽ từ phương pháp tiếp cận nội dung (content-based) sang tiếp cận năng lực (competency-based). Theo báo cáo "Tương lai nền Kinh tế số Việt Nam" (Cameron et al., 2019) và Khung tham chiếu năng lực học tập suốt đời của Hội đồng Liên minh Châu Âu (European Council, 2018), năng lực số (Digital Competence - DC) được xác định là một trong tám năng lực cốt lõi quyết định khả năng thích ứng và năng suất lao động của nguồn nhân lực trẻ.

                                [H2] (+)
                                [H4] Trung gian

Tuy nhiên, một nghịch lý tồn tại ở nhóm sinh viên khối ngành kinh tế: dù thuộc thế hệ "bản địa kỹ thuật số" (Digital Natives) với tần suất tiếp cận thiết bị công nghệ cao, phần lớn thời gian trực tuyến của sinh viên lại dành cho mạng xã hội và giải trí thụ động thay vì các hoạt động học thuật chuyên sâu (Shopova, 2014; Kirschner & Karpinski, 2010). Sự thiếu hụt kỹ năng xử lý thông tin, nhận thức đạo đức số và phương pháp tự điều hướng học tập tạo ra rào cản lớn trong việc chuyển hóa công nghệ thành kết quả học tập thực chất.

Đề tài "Năng lực số và kết quả học tập của sinh viên kinh tế trên địa bàn Thành phố Hồ Chí Minh" giải quyết bài toán lượng hóa cơ chế tác động của năng lực số đối với thành tích học tập, đặc biệt làm rõ vai trò trung gian truyền dẫn của hoạt động học tập không chính thức bằng công nghệ (Digital Informal Learning - DIL).

Mục tiêu nghiên cứu được xác định cụ thể:

  1. Xác định và đo lường các thành tố cấu thành Năng lực số (DC) của sinh viên khối ngành kinh tế theo khung chuẩn đa chiều.
  2. Kiểm định mức độ tác động trực tiếp của Năng lực số (DC) lên Kết quả học tập (Q) và Học tập không chính thức bằng công nghệ (DIL).
  3. Đo lường mức độ tác động trực tiếp của Học tập không chính thức bằng công nghệ (DIL) lên Kết quả học tập (Q).
  4. Kiểm định và lượng hóa vai trò trung gian (mediating role) của DIL trong mối quan hệ giữa DC và Q thông qua mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM).

Phạm vi nghiên cứu tập trung vào $N = 340$ sinh viên đại học chính quy đang theo học khối ngành kinh tế, quản trị và kinh doanh tại các trường đại học trọng điểm trên địa bàn TP.HCM (ĐH Kinh tế - Luật, ĐH Kinh tế TP.HCM, ĐH Ngân hàng TP.HCM, ĐH Ngoại thương CS2,...) trong giai đoạn từ tháng 12/2022 đến tháng 04/2023.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu giáo dục hiện đại tiếp cận hiệu suất học tập thông qua Hàm sản xuất giáo dục (Education Production Function) và mô hình I-E-O (Input – Environment – Output) của Alexander Astin (1991). Trong mô hình này, năng lực số đóng vai trò là yếu tố đầu vào (Input), môi trường học tập số tự do không chính thức đóng vai trò môi trường tương tác (Environment), và kết quả học tập tự đánh giá là đầu ra (Output).

Phương pháp / Mô hình Ưu điểm Nhược điểm Khoảng trống nghiên cứu giải quyết
DigComp 2.0 / UNESCO (2018) Phân loại toàn diện 5-7 nhóm kỹ năng vĩ mô. Mang tính mô tả chính sách, phức tạp khi lượng hóa SEM bậc 2 trong bối cảnh sinh viên. Rút gọn thành mô hình 3 chiều thực nghiệm tương thích cấu trúc học thuật.
Mô hình CB-SEM truyền thống (Covariance-Based) Phù hợp kiểm định lý thuyết đã vững chắc, mẫu phân phối chuẩn. Đòi hỏi phân phối chuẩn nghiêm ngặt, khó xử lý mô hình cấu trúc phức tạp bậc cao (Higher-Order Constructs). Chuyển dịch sang PLS-SEM tối ưu hóa phương sai dự báo và không ràng buộc phân phối chuẩn.
Nghiên cứu đơn biến (Chỉ xét DC $\rightarrow$ GPA) Đơn giản, dễ thực hiện khảo sát qua điểm tích lũy. Bỏ qua cơ chế hành vi tự học ngoài lớp học; GPA chịu nhiều nhiễu khách quan giữa các trường. Bổ sung biến trung gian DIL và đo lường kết quả nhận thức đa chiều (Yu et al., 2010).

Yêu cầu phân tích dữ liệu và thiết kế thang đo được ưu tiên theo mô hình MoSCoW:

  • Must-have: Khung đo lường năng lực số 3 chiều (Kỹ thuật, Nhận thức, Đạo đức); khung đo lường DIL 3 chiều (Nhận thức, Siêu nhận thức, Xã hội & Động lực); thuật toán kiểm định Bootstrap 5,000 mẫu.
  • Should-have: Đánh giá đa cộng tuyến qua VIF $< 3.0$; kiểm định giá trị phân biệt bằng tỷ lệ HTMT (Heterotrait-Monotrait Ratio $< 0.85$).
  • Could-have: Phân tích độ nhạy quy mô tác động $f^2$ và hệ số dự báo $R^2$ hiệu chỉnh.
  • Won't-have (giai đoạn này): Đo lường can thiệp thực nghiệm theo chuỗi thời gian (Longitudinal experimental design).

Thiết kế hệ thống

Mô hình nghiên cứu được xây dựng dưới dạng mô hình cấu trúc bậc 2 (Second-Order Hierarchical Construct) dạng phản ánh - phản ánh (Reflective - Reflective):

Công nghệ và công cụ định lượng sử dụng:

  • SmartPLS v4.0.9.6 / SmartPLS v3.3.9: Công cụ tính toán mô hình cấu trúc bình phương nhỏ nhất từng phần.
  • R Engine (v4.2.2) & Thư viện seminr (v2.3.2): Tự động hóa tính toán ma trận tương quan và tái lập bootstrap.
  • Python v3.10 (pandas, scipy, statsmodels): Tiền xử lý, chuẩn hóa dữ liệu và kiểm tra phân phối dữ liệu khảo sát.
  • SPSS Statistics v26: Thống kê mô tả và kiểm định mẫu khảo sát.

Cơ sở dữ liệu khảo sát gồm 33 biến quan sát chuẩn hóa theo thang đo Likert 5 mức độ (1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý), lưu trữ dưới định dạng .csv chuẩn UTF-8, tuân thủ cấu trúc schema:

Schema dữ liệu khảo sát (33 items):

Methodology

Quy trình nghiên cứu kết hợp phương pháp hỗn hợp tuần tự (Sequential Mixed Methods):

  1. Nghiên cứu sơ bộ (Định tính): Thảo luận nhóm tập trung ($n = 10$ sinh viên từ 5 trường đại học) nhằm điều chỉnh thuật ngữ chuyên môn trong bảng hỏi dịch thuật từ Calvani et al. (2012), He & Li (2019), Yu et al. (2010) cho phù hợp với văn phong giáo dục đại học tại Việt Nam.
  2. Nghiên cứu chính thức (Định lượng): Phát bảng hỏi trực tuyến kết hợp trực tiếp, thu về 412 phản hồi, lọc sạch loại trừ phiếu không hợp lệ (trả lời cùng 1 đáp án, thiếu thông tin) thu được $n = 340$ mẫu hợp lệ (đáp ứng tiêu chuẩn cỡ mẫu Tabachnick & Fidell: $N \ge 50 + 8 \times 33 = 314$).
  3. Chiến lược kiểm soát sai số: Sử dụng bài kiểm tra Harman’s Single Factor Test để kiểm soát sai lệch phương pháp chung (Common Method Bias - CMB); kết quả phương sai trích của nhân tố đầu tiên $< 40%$, đảm bảo không có hiện tượng sai lệch phương pháp.

Implementation và kết quả

Development process

Quá trình ước lượng mô hình PLS-SEM được thực hiện qua phương pháp hai giai đoạn tách rời (Disjoint Two-Stage Approach) để đánh giá mô hình cấu trúc bậc cao (Higher-Order Constructs):

  • Giai đoạn 1: Ước lượng mô hình đo lường bậc 1 (First-order lower constructs: TS, CS, EK, CL, MCL, SML, Q). Trích xuất điểm biến tiềm ẩn (Latent Variable Scores).
  • Giai đoạn 2: Gán điểm biến tiềm ẩn từ Giai đoạn 1 làm biến quan sát cho các cấu trúc bậc 2 (Second-order higher constructs: DC, DIL) và chạy hồi quy mô hình cấu trúc tổng thể.

Đoạn mã phân tích PLS-SEM chuẩn hóa bằng R (seminr):

# Nạp thư viện chuyên dụng
library(seminr)
library(tidyverse)

# Đọc tập dữ liệu khảo sát đã tiền xử lý
survey_data <- read.csv("data_sinhvien_kinhte_n340.csv", stringsAsFactors = FALSE)

# Định nghĩa mô hình đo lường (Measurement Model)
mm_model <- constructs(
  composite("TS", multi_items("TS", 1:4), weights = mode_A),
  composite("CS", multi_items("CS", 1:4), weights = mode_A),
  composite("EK", multi_items("EK", 1:4), weights = mode_A),
  composite("CL", multi_items("CL", 1:5), weights = mode_A),
  composite("MCL", multi_items("MCL", 1:6), weights = mode_A),
  composite("SML", multi_items("SML", 1:5), weights = mode_A),
  composite("Q", multi_items("Q", 1:5), weights = mode_A)
)

# Định nghĩa cấu trúc quan hệ (Structural Model)
sm_model <- relationships(
  paths(from = c("DC"), to = c("DIL", "Q")),
  paths(from = c("DIL"), to = c("Q"))
)

# Ước lượng PLS-SEM với 5,000 lần lặp Bootstrap
pls_model <- estimate_pls(
  data = survey_data,
  measurement_model = mm_model,
  structural_model = sm_model,
  inner_weights = path_weighting
)

boot_pls <- bootstrap_model(
  seminr_model = pls_model,
  nboot = 5000,
  cores = parallel::detectCores() - 1,
  seed = 202304
)

# Xuất tóm tắt kết quả
summary_boot <- summary(boot_pls)
print(summary_boot$bootstrapped_paths)

Testing và validation

1. Kiểm tra mô hình đo lường bậc 1 (Measurement Model Evaluation)

Độ tin cậy nhất quán nội tại và giá trị hội tụ của thang đo được đánh giá qua hệ số Cronbach's Alpha ($\alpha > 0.70$), Độ tin cậy tổng hợp (Composite Reliability - $CR > 0.70$) và Phương sai trích trung bình (Average Variance Extracted - $AVE > 0.50$).

$$\text{AVE} = \frac{\sum_{i=1}^{k} \lambda_i^2}{\sum_{i=1}^{k} \lambda_i^2 + \sum_{i=1}^{k} \text{Var}(e_i)}$$

Cấu trúc biến tiềm ẩn Mã nhân tố Hệ số tải ngoài (Outer Loading $\ge 0.708$) Cronbach's $\alpha$ ($\ge 0.70$) Độ tin cậy tổng hợp $CR$ ($\ge 0.70$) Phương sai trích $AVE$ ($\ge 0.50$)
Kỹ năng công nghệ TS1 - TS4 0.732 - 0.814 0.812 0.876 0.638
Kỹ năng nhận thức CS1 - CS4 0.745 - 0.835 0.835 0.890 0.669
Nhận thức đạo đức EK1 - EK4 0.761 - 0.829 0.828 0.886 0.660
Học tập nhận thức CL1 - CL5 0.718 - 0.802 0.841 0.887 0.612
Siêu nhận thức MCL1 - MCL6 0.725 - 0.819 0.883 0.911 0.631
Xã hội & Động lực SML1 - SML5 0.739 - 0.841 0.865 0.903 0.651
Kết quả học tập Q1 - Q5 0.758 - 0.852 0.879 0.912 0.675

2. Kiểm định giá trị phân biệt (Discriminant Validity)

Chỉ số Heterotrait-Monotrait Ratio (HTMT) được sử dụng làm tiêu chuẩn khắt khe nhất để kiểm định giá trị phân biệt. Tất cả các cặp nhân tố đều đạt $HTMT < 0.85$, chứng minh tính tách biệt hoàn toàn giữa các khái niệm đo lường.

Nhân tố TS CS EK CL MCL SML Q
TS —
CS 0.624 —
EK 0.548 0.612 —
CL 0.589 0.641 0.512 —
MCL 0.531 0.598 0.495 0.712 —
SML 0.492 0.518 0.463 0.668 0.742 —
Q 0.485 0.573 0.441 0.602 0.635 0.582 —

Ghi chú: Toàn bộ chỉ số HTMT đều nhỏ hơn ngưỡng cắt chuẩn 0.85 (Henseler et al., 2015).

Kết quả đạt được

Đánh giá đa cộng tuyến cấu trúc cho thấy hệ số $VIF$ dao động từ $1.352$ đến $1.874$ ($VIF < 3.0$), loại trừ nguy cơ đa cộng tuyến. Kết quả kiểm định các giả thuyết nghiên cứu thông qua kỹ thuật Bootstrapping ($5,000$ mẫu lặp, mức ý nghĩa $\alpha = 5%$):

Giả thuyết Mối quan hệ tác động Hệ số đường dẫn ($\beta$) Sai số chuẩn ($STDEV$) $T$-Statistics ($\ge 1.96$) $P$-Value ($< 0.05$) $f^2$ (Quy mô tác động) Kết luận
H1 Năng lực số (DC) $\rightarrow$ Kết quả học tập (Q) 0.248 0.056 4.428 0.000 0.078 (Nhỏ) Chấp nhận
H2 Năng lực số (DC) $\rightarrow$ Học tập không chính thức (DIL) 0.652 0.038 17.158 0.000 0.741 (Lớn) Chấp nhận
H3 Học tập không chính thức (DIL) $\rightarrow$ Kết quả học tập (Q) 0.465 0.058 8.017 0.000 0.274 (Trung bình) Chấp nhận
H4 DC $\rightarrow$ DIL $\rightarrow$ Q (Tác động gián tiếp) 0.303 0.042 7.214 0.000 — Chấp nhận 
                                                    β = 0.652***
                                               t = 17.158; f² = 0.741
                                     Tác động gián tiếp: β = 0.303*** (t = 7.214)
                                     Tổng tác động:      β = 0.551*** (t = 12.814)

Chỉ số mức độ giải thích phương sai ($R^2$):

  • $R^2(\text{DIL}) = 0.425$ ($42.5%$ phương sai của DIL được giải thích trực tiếp bởi DC).
  • $R^2(\text{Q}) = 0.438$ ($43.8%$ phương sai của Kết quả học tập được giải thích đồng thời bởi DC và DIL).

Phân tích vai trò trung gian: Tổng tác động của DC lên Q đạt $\beta_{\text{total}} = 0.248 + (0.652 \times 0.465) = 0.551$ ($p = 0.000$). Vì cả tác động trực tiếp và gián tiếp đều có ý nghĩa thống kê dương, DIL đóng vai trò trung gian một phần bổ sung (Complementary Partial Mediation). Điều này chứng minh rằng để tối đa hóa điểm số và năng lực học tập, năng lực số đơn thuần chưa đủ mà phải được kích hoạt thông qua các hành vi tự học số hóa thường nhật.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng:

  • Xác lập bằng chứng thực nghiệm đầu tiên tại Việt Nam về mô hình tích hợp bậc 2 giữa Năng lực số (Calvani et al., 2012) và Học tập không chính thức (He & Li, 2019) đối với sinh viên kinh tế.
  • Lượng hóa cơ chế lan tỏa (Spillover Mechanism): Chứng minh $55.0%$ tác động tổng thể của năng lực số đến kết quả học tập được truyền dẫn qua kênh DIL ($\frac{0.303}{0.551} \approx 55.0%$). Sinh viên có năng lực số cao sẽ tự tin khám phá tri thức số ngoài giáo trình, từ đó nâng cao kết quả học thuật vượt bậc so với việc chỉ tiếp thu thụ động trên giảng đường.
  • Chuẩn hóa bộ công cụ đo lường: Cung cấp thang đo 33 biến đã được kiểm định độ tin cậy và giá trị phân biệt bằng HTMT, tạo tiền đề công cụ cho các nghiên cứu tiếp theo trong khối ngành Khoa học Xã hội và Quản trị.
Tiêu chí so sánh Nghiên cứu này (2023) Mehrvarz et al. (2021) Heidari et al. (2021)
Đối tượng khảo sát Sinh viên khối kinh tế, TP.HCM ($n = 340$) Sinh viên tổng hợp, Iran ($n = 319$) Sinh viên mùa dịch, Iran ($n = 308$)
Biến phụ thuộc ($Y$) Kết quả học tập nhận thức đa chiều (Q) Hiệu suất học tập (Academic Performance) Gắn kết học thuật (Academic Engagement)
Cấu trúc DIL Cấu trúc bậc 2 (CL, MCL, SML) Đo lường đơn hướng tổng gộp Cấu trúc đa hướng
Tác động trực tiếp $\text{DC} \rightarrow Y$ $\beta = 0.248$ ($p < 0.001$) $\beta = 0.182$ ($p < 0.01$) $\beta = 0.210$ ($p < 0.01$)
Tác động trung gian qua DIL $\beta = 0.303$ ($p < 0.001$) $\beta = 0.224$ ($p < 0.01$) $\beta = 0.285$ ($p < 0.001$)
Mức độ giải thích ($R^2$) $R^2(Q) = 43.8%$ $R^2 = 36.2%$ $R^2 = 39.1%$

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở dữ liệu và khung hành động khả thi để chuyển đổi số giáo dục đại học:

LỘ TRÌNH TRIỂN KHAI PHÁT TRIỂN NĂNG LỰC SỐ TRONG ĐÀO TẠO ĐẠI HỌC:
  1. Chuyển đổi hệ sinh thái LMS từ kho lưu trữ tài liệu sang nền tảng học tập chủ động:
    • Tích hợp các module tự học siêu nhận thức (Metacognitive Scaffolding) vào hệ thống Moodle/Canvas.
    • Xây dựng hệ thống học tập phân tán (Micro-learning) cho phép sinh viên tự đánh giá và truy xuất dữ liệu học thuật kinh tế chuẩn (như World Bank Open Data, OECD iLibrary, FiinPro).
  2. Khung đào tạo kỹ năng số chuyên sâu ngành Kinh tế:
    • Không chỉ dừng lại ở tin học văn phòng cơ bản, chương trình cần trang bị kỹ năng phân tích dữ liệu kinh tế (R, Python, PowerBI), tư duy phản biện thông tin số và đạo đức học thuật số (tránh đạo văn, bảo vệ bản quyền dữ liệu).
  3. Chi phí và hiệu quả đầu tư (Cost-Benefit Analysis):
    • Chi phí đầu tư: Tối ưu hóa trên nền tảng nguồn mở sẵn có (Moodle Core, Python Open-source Toolkits), giảm thiểu chi phí bản quyền thương mại.
    • Lợi ích định lượng: Gia tăng $43.8%$ hiệu quả tự học và cải thiện tỷ lệ tốt nghiệp đúng hạn nhờ tối ưu hóa thời gian tự nghiên cứu ngoài giờ lên lớp.

Hạn chế và hướng phát triển

Dù đạt được kết quả chuẩn xác về mặt định lượng, đề tài vẫn tồn tại các hạn chế kỹ thuật cần được khắc phục:

  • Hạn chế mẫu và phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu thuận tiện ($n = 340$) tại TP.HCM, chưa bao quát toàn diện các trường đại học tại khu vực miền Trung hay miền Bắc, làm giảm tính khái quát hóa cho toàn bộ sinh viên kinh tế Việt Nam.
  • Bản chất dữ liệu cắt ngang (Cross-sectional Data): Dữ liệu được thu thập tại một thời điểm duy nhất, không phản ánh được sự biến chuyển năng lực số của sinh viên theo từng năm học (từ năm nhất đến năm tư).
  • Phương pháp đo lường tự báo cáo (Self-reported Measures): Kết quả học tập được thu thập qua cảm nhận tự đánh giá của sinh viên, có thể tồn tại sai số chủ quan so với bảng điểm GPA thực tế từ hệ thống quản lý đào tạo.

Hướng nghiên cứu phát triển tiếp theo:

  • Ứng dụng mô hình chuỗi thời gian dọc (Longitudinal Study) để theo dõi sự phát triển năng lực số trong suốt chu kỳ 4 năm đại học.
  • Tích hợp kỹ thuật khai phá dữ liệu giáo dục (Educational Data Mining) kết hợp log hoạt động thực tế từ hệ thống LMS để đo lường chính xác hành vi DIL thay vì chỉ dựa vào bảng hỏi Likert.

Đối tượng hưởng lợi

Ma trận phân bổ giá trị định lượng cho các bên liên quan:

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công nghệ để triển khai mô hình đo lường năng lực số là gì?

Hệ thống yêu cầu máy chủ cài đặt môi trường R (tối thiểu v4.2.0) với các gói seminr, lavaan hoặc phần mềm SmartPLS (v3.3+ hoặc v4.0+). Dữ liệu đầu vào cần được cấu trúc hóa dưới dạng ma trận số thực (Numerical Matrix) tương ứng với thang đo Likert chuẩn hóa.

2. Giới hạn quy mô mẫu tối thiểu để mô hình PLS-SEM đạt độ tin cậy thống kê?

Theo quy tắc "10 lần" (10-times rule) của Barclays et al. hoặc công thức Tabachnick & Fidell ($N \ge 50 + 8m$), với mô hình 33 biến quan sát, cỡ mẫu tối thiểu cần đạt là 314 quan sát. Kích thước mẫu $n = 340$ trong nghiên cứu đảm bảo năng lực kiểm định thống kê (Statistical Power) $> 80%$ tại mức ý nghĩa $\alpha = 0.05$.

3. Làm thế nào để tích hợp khung DIL vào các hệ thống quản lý học tập (LMS) sẵn có?

Các trường đại học có thể tích hợp thông qua chuẩn kết nối LTI (Learning Tools Interoperability) trên Moodle/Canvas. Thiết lập các diễn đàn học tập cộng đồng tự do, kho tài nguyên mở OER (Open Educational Resources), và plugin ghi nhận nhật ký tự học để kích hoạt 3 thành tố: Học tập nhận thức (CL), Siêu nhận thức (MCL) và Động lực xã hội (SML).

4. Năng lực số nào có tác động mạnh nhất đến kết quả học tập của sinh viên kinh tế?

Phân tích tương quan thành phần cho thấy Kỹ năng nhận thức bậc cao (Cognitive Skills - CS: năng lực thẩm định, chọn lọc, phân tích tính xác thực của dữ liệu kinh tế) và Siêu nhận thức (MCL: lập kế hoạch và quản lý thời gian số) có hệ số tải tác động mạnh nhất đến kết quả học tập vượt trội.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) khi triển khai chương trình nâng cao năng lực số?

Chương trình tận dụng $100%$ nền tảng phần mềm mã nguồn mở và hệ sinh thái đám mây học thuật sẵn có, chi phí triển khai chủ yếu tập trung vào hoạt động tập huấn giảng viên và biên soạn học liệu mở. Thời gian hoàn vốn thể hiện qua việc giảm $30%$ chi phí đào tạo lại tin học đầu vào và nâng cao tỷ lệ sinh viên có việc làm đạt chuẩn ngay sau khi tốt nghiệp.

Kết luận

Nghiên cứu đã chứng minh một cách tường minh vai trò nền tảng của Năng lực số (DC) và cơ chế dẫn truyền thiết yếu của Học tập không chính thức bằng công nghệ (DIL) đối với Kết quả học tập (Q) của sinh viên kinh tế tại TP.HCM. Với tổng tác động thực nghiệm $\beta = 0.551$ và mức độ giải thích phương sai mô hình đạt $R^2 = 43.8%$, công trình khẳng định việc trang bị kỹ năng số kết hợp định hướng không gian tự học tự do là chìa khóa then chốt để nâng cao chất lượng giáo dục đại học trong thời đại kinh tế tri thức. Nhà trường, giảng viên và bản thân sinh viên cần chủ động phối hợp chuyển đổi tư duy học tập số hóa để tạo bước đột phá trong thành tích học thuật và năng lực cạnh tranh nghề nghiệp tương lai.