Báo cáo nghiên cứu về sự kháng cự trong việc sử dụng chatbot theo mô hình hai yếu tố

Bài viết phân tích sự kháng cự trong việc sử dụng chatbot qua mô hình hai yếu tố, cung cấp cái nhìn sâu sắc về hành vi người dùng.

• Trường học: Đại Học Kinh Tế Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Thông Tin - Trí Tuệ Nhân Tạo
• Đề tài: Nghiên Cứu Về Sự Kháng Cự Trong Việc Sử Dụng Chatbot: Mô Hình Hai Yếu Tố
• Loại tài liệu: báo cáo
• Năm xuất bản: 2024
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• ABSTRACT
• TABLE OF CONTENTS
• LIST OF TABLES
• LIST OF FIGURES
• LIST OF ACRONYMS
• INTRODUCTION
• 1.1. Subjects and Scope of Research
• 1.1.1. Research Scope
• 1. CHƯƠNG 1: LITERATURE REVIEW AND CONTEXT
• 1.1. Dual-factor theory of IS usage
• 1.2. DeLone and McLean’s IS success model
• 1.3. The SQB theory
• 1.4. Context
• 2. CHƯƠNG 2: HYPOTHESIS
• 2.1. Information Quality and Satisfaction
• 2.2. System Quality and Satisfaction
• 2.3. Service Quality and Satisfaction
• 2.4. Social Presence and Satisfaction
• 2.5. Technological Anxiety and Resistance to Use
• 2.6. Immature Technology and Resistance to Use
• 2.7. Privacy Concern and Resistance to Use
• 2.8. Satisfaction and Continuance Intention to Use
• 2.9. Resistance to use and Continuance intention to Use
• 3. CHƯƠNG 3: MODEL AND RESEARCH METHODOLOGY
• 3.1. Summary of Hypothesis
• 3.2. Definition of Variables
• 3.3. Resistance to Use
• 3.4. Continuance intention to Use
• 4. CHƯƠNG 4: DATA ANALYSIS RESULTS
• 4.1. Assessment of Measurement Model
• 4.2. Assessment of Structural Model
• 4.3. The Influences of Control Variables
• 5. CHƯƠNG 5: DISCUSSION
• 6. CONCLUSION AND IMPLICATION
• 6.1. Personalize user experience
• 6.2. Build popular topics
• 6.3. Analyze user data
• 6.4. Integrating virtual reality technology and virtual augmented reality
• 6.5. Ensure security of user information
• 6.6. Evaluate the new contribution of the research
• 6.7. Limitation and Directions for Future Researchs
• 6.8. Recommendations on mechanisms and policies
• REFERENCE

Tóm tắt

I. Chatbot Tổng quan ứng dụng và thách thức chấp nhận công nghệ

Trong kỷ nguyên mà trí tuệ nhân tạo (AI) và giao tiếp số đang dẫn đầu cuộc cách mạng công nghệ, chatbot đã nổi lên như một công cụ quan trọng để nâng cao dịch vụ khách hàng và hiệu quả hoạt động. Tuy nhiên, không phải tất cả khách hàng đều sẵn sàng hoặc cảm thấy thoải mái khi tương tác với chúng. Nghiên cứu này nhằm mục đích khám phá các yếu tố ảnh hưởng đến sự hài lòng và kháng cự chatbot ở những người trong độ tuổi từ 16 đến 34. Sử dụng phương pháp nghiên cứu định lượng, cuộc khảo sát đã thu thập phản hồi từ 384 người tham gia là người dùng hiện tại hoặc trước đây của chatbot trên các thành phố lớn ở Việt Nam. Kết quả cho thấy ý định tiếp tục sử dụng chatbot chịu ảnh hưởng tích cực bởi sự hài lòng, bao gồm các yếu tố như chất lượng thông tin, chất lượng dịch vụ, chất lượng hệ thống và sự hiện diện xã hội.

1.1. Tầm quan trọng của Chatbot trong kỷ nguyên số hiện nay

Chatbot đóng vai trò thiết yếu và được áp dụng rộng rãi trong dịch vụ khách hàng. Chính phủ Việt Nam đặt mục tiêu trở thành trung tâm đổi mới, phát triển các giải pháp và ứng dụng AI trong ASEAN. Thị trường AI đàm thoại Việt Nam được ước tính trị giá 152 triệu đô la Mỹ. Tuy nhiên, không phải tất cả khách hàng đều sẵn lòng hoặc cảm thấy thoải mái khi tương tác với chatbot, tạo ra một thách thức trong việc chấp nhận công nghệ chatbot. Cần có các nghiên cứu sâu hơn về các yếu tố ảnh hưởng đến việc sử dụng chatbot.

1.2. Thực trạng kháng cự sử dụng chatbot và những hệ lụy

Mặc dù được sử dụng rộng rãi, mức độ hài lòng của khách hàng với chatbot vẫn còn khá thấp. Một cuộc khảo sát gần đây cho thấy 74% người tiêu dùng mong đợi gặp chatbot trên một trang web, nhưng chỉ 13% số người được hỏi thích sử dụng chatbot hơn tương tác trực tiếp với con người (Yin, s, 2019). Điều này có thể là do một số vấn đề phát sinh từ việc sử dụng chatbot, chẳng hạn như sự không chắc chắn về hiệu suất của chatbot (Nguyễn, T, 2019), cảm giác khó chịu (Luo, X.; Qu, z, 2019) hoặc lo ngại về quyền riêng tư (Zamora, J, 2017).

II. Phân tích mô hình hai yếu tố ảnh hưởng kháng cự chatbot

Nghiên cứu này sử dụng mô hình hai yếu tố để phân tích các yếu tố ảnh hưởng đến việc sử dụng chatbot. Mô hình này cho rằng có hai nhóm yếu tố chính: yếu tố thúc đẩy (satisfiers) và yếu tố kìm hãm (dissatisfiers). Các yếu tố thúc đẩy bao gồm tính hữu ích của chatbot, tính dễ sử dụng của chatbot, và sự hiện diện xã hội. Các yếu tố kìm hãm bao gồm lo lắng về công nghệ, quan ngại về quyền riêng tư, và công nghệ chưa hoàn thiện. Nghiên cứu khám phá xem các yếu tố này ảnh hưởng như thế nào đến ý định tiếp tục sử dụng chatbot của người dùng.

2.1. Yếu tố thúc đẩy sự chấp nhận chatbot Sự hài lòng của người dùng

Nghiên cứu chỉ ra rằng sự hài lòng có ảnh hưởng tích cực đến ý định tiếp tục sử dụng chatbot. Sự hài lòng này bao gồm các yếu tố như chất lượng thông tin, chất lượng dịch vụ, chất lượng hệ thống và sự hiện diện xã hội. Chất lượng thông tin là yếu tố quan trọng nhất, vì người dùng muốn chatbot cung cấp thông tin chính xác và hữu ích. Chất lượng dịch vụ cũng quan trọng, vì người dùng muốn chatbot phản hồi nhanh chóng và hiệu quả.

2.2. Yếu tố kìm hãm sự chấp nhận chatbot Nỗi lo và quan ngại

Ngược lại, kháng cự chatbot có ảnh hưởng tiêu cực đến ý định tiếp tục sử dụng. Kháng cự chatbot bao gồm các yếu tố như lo lắng về công nghệ, quan ngại về quyền riêng tư và công nghệ chưa hoàn thiện. Lo lắng về công nghệ là một yếu tố quan trọng, vì người dùng có thể cảm thấy không thoải mái khi sử dụng chatbot, đặc biệt là nếu họ không quen thuộc với công nghệ. Quan ngại về quyền riêng tư cũng là một vấn đề lớn, vì người dùng có thể lo lắng về việc chatbot thu thập và sử dụng thông tin cá nhân của họ.

III. Phương pháp nghiên cứu định lượng về kháng cự trong sử dụng chatbot

Nghiên cứu sử dụng phương pháp nghiên cứu định lượng để thu thập và phân tích dữ liệu. Một cuộc khảo sát đã được thực hiện với 384 người tham gia là người dùng hiện tại hoặc trước đây của chatbot tại các thành phố lớn ở Việt Nam. Thang đo Likert 5 điểm đã được sử dụng để đo lường các biến số trong mô hình. Dữ liệu được phân tích bằng phương pháp thống kê để xác định mối quan hệ giữa các yếu tố và ý định tiếp tục sử dụng chatbot.

3.1. Thiết kế khảo sát và thu thập dữ liệu người dùng chatbot

Cuộc khảo sát bao gồm năm phần: tổng quan về các ứng dụng chatbot và sàng lọc người tham gia, đánh giá nhu cầu, các câu hỏi liên quan đến các biến mô hình, nhân khẩu học và phần kết luận. Nó bao gồm tổng cộng 43 câu hỏi liên quan đến mô hình nghiên cứu. Nghiên cứu này sử dụng thang đo Likert 5 điểm cho tất cả các biến được đo lường, trong đó "1" biểu thị không hoàn toàn đồng ý và "5" biểu thị hoàn toàn đồng ý.

3.2. Đối tượng và phạm vi nghiên cứu về hành vi sử dụng chatbot

Nghiên cứu này sử dụng các thang đo từ các bài báo nghiên cứu có liên quan. Phương pháp định lượng đã được sử dụng, với sự tham gia của 384 người trả lời trong độ tuổi từ 16 đến 34, bao gồm học sinh, sinh viên đại học và nhân viên văn phòng trên khắp Việt Nam, từ các tỉnh và thành phố lớn như Thành phố Hồ Chí Minh và Hà Nội đến các khu vực lân cận khác. Dữ liệu cho nghiên cứu hiện tại được thu thập trong khoảng thời gian từ ngày 1 tháng 4 đến ngày 20 tháng 6 năm 2023.

IV. Kết quả Ảnh hưởng của các yếu tố đến ý định dùng chatbot

Kết quả nghiên cứu cho thấy rằng sự hài lòng có ảnh hưởng tích cực và đáng kể đến ý định tiếp tục sử dụng chatbot. Các yếu tố như chất lượng thông tin, chất lượng dịch vụ, chất lượng hệ thống và sự hiện diện xã hội đều góp phần vào sự hài lòng của người dùng. Ngược lại, kháng cự chatbot, bao gồm lo lắng về công nghệ, quan ngại về quyền riêng tư, và công nghệ chưa hoàn thiện, có ảnh hưởng tiêu cực đến ý định tiếp tục sử dụng.

4.1. Tác động của sự hài lòng đến ý định tiếp tục sử dụng chatbot

Nghiên cứu chỉ ra rằng sự hài lòng là yếu tố dự báo mạnh mẽ cho ý định tiếp tục sử dụng chatbot. Khi người dùng cảm thấy hài lòng với chatbot, họ có nhiều khả năng tiếp tục sử dụng nó trong tương lai. Điều này nhấn mạnh tầm quan trọng của việc cải thiện trải nghiệm người dùng và đảm bảo rằng chatbot đáp ứng được nhu cầu của người dùng.

4.2. Vai trò của kháng cự chatbot trong việc giảm ý định sử dụng

Kháng cự chatbot có tác động tiêu cực đến ý định tiếp tục sử dụng. Khi người dùng cảm thấy lo lắng về công nghệ, quan ngại về quyền riêng tư, hoặc cho rằng công nghệ chatbot chưa hoàn thiện, họ ít có khả năng tiếp tục sử dụng chatbot trong tương lai. Điều này cho thấy rằng cần phải giải quyết những lo ngại này để tăng cường sự chấp nhận chatbot.

V. Giải pháp nâng cao trải nghiệm và giảm kháng cự với chatbot

Để tăng cường sự chấp nhận và sử dụng chatbot, nghiên cứu đề xuất một số giải pháp. Đầu tiên, cần cá nhân hóa trải nghiệm người dùng để đáp ứng nhu cầu cụ thể của từng cá nhân. Thứ hai, cần xây dựng các chủ đề phổ biến và hữu ích để thu hút người dùng. Thứ ba, cần phân tích dữ liệu người dùng để hiểu rõ hơn về hành vi và sở thích của họ. Cuối cùng, cần đảm bảo an ninh thông tin người dùng để giảm bớt lo ngại về quyền riêng tư.

5.1. Cá nhân hóa trải nghiệm người dùng và xây dựng chủ đề hấp dẫn

Cá nhân hóa trải nghiệm người dùng bằng cách điều chỉnh phản hồi của chatbot dựa trên sở thích và nhu cầu cá nhân. Xây dựng các chủ đề phổ biến và hữu ích để thu hút người dùng và cung cấp giá trị gia tăng. Điều này có thể bao gồm cung cấp thông tin về các sản phẩm và dịch vụ mới, cung cấp hỗ trợ khách hàng hoặc cung cấp nội dung giải trí.

5.2. Phân tích dữ liệu người dùng và đảm bảo an ninh thông tin

Phân tích dữ liệu người dùng để hiểu rõ hơn về hành vi và sở thích của họ. Điều này có thể giúp cải thiện hiệu suất của chatbot và cung cấp trải nghiệm người dùng tốt hơn. Đảm bảo an ninh thông tin người dùng bằng cách sử dụng các biện pháp bảo mật mạnh mẽ và tuân thủ các quy định về quyền riêng tư. Điều này sẽ giúp giảm bớt lo ngại về quyền riêng tư và tăng cường sự tin tưởng của người dùng.

VI. Tương lai nghiên cứu về yếu tố ảnh hưởng sự chấp nhận chatbot

Nghiên cứu này có một số hạn chế. Đầu tiên, mẫu nghiên cứu chỉ giới hạn ở những người trong độ tuổi từ 16 đến 34. Thứ hai, nghiên cứu chỉ tập trung vào một số yếu tố ảnh hưởng đến việc sử dụng chatbot. Trong tương lai, cần có thêm các nghiên cứu để khám phá các yếu tố khác và mở rộng phạm vi nghiên cứu.

6.1. Hạn chế và hướng nghiên cứu tiếp theo về sự chấp nhận chatbot

Nghiên cứu tập trung vào mô hình hai yếu tố nhưng bỏ qua các yếu tố văn hóa và xã hội có thể ảnh hưởng đến việc sử dụng chatbot. Nghiên cứu trong tương lai có thể khám phá các yếu tố này để có được một bức tranh đầy đủ hơn về các yếu tố ảnh hưởng đến sự chấp nhận chatbot. Thêm vào đó, có thể mở rộng nghiên cứu trên nhiều nhóm tuổi khác nhau để so sánh kết quả.

6.2. Đề xuất cơ chế và chính sách thúc đẩy sử dụng chatbot hiệu quả

Cần có các chính sách và cơ chế để thúc đẩy việc sử dụng chatbot một cách hiệu quả và an toàn. Điều này có thể bao gồm việc cung cấp đào tạo cho người dùng về cách sử dụng chatbot, thiết lập các tiêu chuẩn cho chất lượng chatbot, và bảo vệ quyền riêng tư của người dùng. Các nhà phát triển chatbot cần tuân thủ các quy định và tiêu chuẩn này để đảm bảo rằng chatbot của họ được sử dụng một cách có trách nhiệm.

Nội dung chính

Nghiên cứu về sự kháng cự trong việc sử dụng Chatbot: Góc nhìn từ Mô hình Nhân tố kép (Dual-Factor Model)

---

Tóm tắt nghiên cứu (200-250 từ)

Trong bối cảnh trí tuệ nhân tạo (AI) và giao tiếp số định hình cuộc cách mạng công nghệ, chatbot đã trở thành công cụ cốt lõi giúp doanh nghiệp tối ưu hóa dịch vụ khách hàng và nâng cao hiệu suất vận hành. Đề tài "Explaining Resistance to System Usage in the Chatbot: A View of the Dual-Factor Model" (thuộc nhóm chuyên ngành Công nghệ thông tin - Trí tuệ nhân tạo, tham gia xét giải thưởng Nhà nghiên cứu trẻ UEH 2024 - Đại học Kinh tế TP. Hồ Chí Minh) tập trung giải quyết câu hỏi nghiên cứu: Những yếu tố nào thúc đẩy sự hài lòng và nguyên nhân nào kích hoạt sự kháng cự của người dùng trẻ (16–34 tuổi) đối với ý định tiếp tục sử dụng chatbot?

Sử dụng phương pháp nghiên cứu định lượng kết hợp phân tích mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) trên phần mềm SmartPLS 4, nghiên cứu khảo sát mẫu dữ liệu gồm 384 người dùng thực tế tại các đô thị lớn ở Việt Nam. Kết quả chỉ ra rằng ý định tiếp tục sử dụng (Continuance Intention) chịu tác động đồng thời bởi hai lực lượng đối lập: được thúc đẩy mạnh mẽ bởi Sự hài lòng (Satisfaction) (thông qua chất lượng thông tin, chất lượng hệ thống, chất lượng dịch vụ và sự hiện diện xã hội) và bị kìm hãm đáng kể bởi Sự kháng cự sử dụng (Resistance to Use) (bắt nguồn từ lo âu công nghệ, công nghệ chưa hoàn thiện và lo ngại về quyền riêng tư). Nghiên cứu cung cấp hệ thống giải pháp toàn diện từ cá nhân hóa trải nghiệm, tích hợp AR/VR đến các mã lệnh kỹ thuật bảo mật dữ liệu chuyên sâu cho doanh nghiệp và nhà phát triển.

---

Bối cảnh và tầm quan trọng (300-350 từ)

Thực trạng kiến thức và khoảng trống nghiên cứu

Chatbot tương tác bằng AI đang chứng kiến tốc độ tăng trưởng bùng nổ toàn cầu. Tại Việt Nam, theo định hướng của Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng Trí tuệ nhân tạo đến năm 2030 (Quyết định 127/QĐ-TTg) và Kế hoạch tổng thể phát triển thương mại điện tử quốc gia, thị trường AI hội thoại được dự báo tăng trưởng với tốc độ CAGR 21.81% (đạt 604 triệu USD vào năm 2029).

Tuy nhiên, thực tế triển khai cho thấy một nghịch lý lớn: dù 74% người tiêu dùng kỳ vọng bắt gặp chatbot trên website, chỉ có khoảng 13% thực sự ưa thích tương tác với chatbot hơn nhân viên con người. Hầu hết các nghiên cứu trước đây chỉ tập trung vào các khía cạnh kỹ thuật, tính dễ sử dụng hoặc các yếu tố thúc đẩy chấp nhận công nghệ (TAM, UTAUT) mà bỏ qua cơ chế tâm lý dẫn đến hành vi kháng cự (User Resistance).

Tính cấp thiết và tác động thực tiễn

Khoảng trống nghiên cứu lớn nằm ở việc thiếu một mô hình tích hợp giải thích đồng thời cả động lực kích hoạt (enablers) và rào cản ức chế (inhibitors) trong giai đoạn sau khi đã chấp nhận công nghệ (post-adoption). Nghiên cứu này có tính thời sự cao khi thị trường bước vào giai đoạn tái định hình kỳ vọng đối với AI tạo sinh. Việc làm rõ nguyên nhân người dùng ngập ngừng hoặc từ bỏ chatbot không chỉ giúp giải tỏa rào cản tâm lý cho thế hệ người dùng trẻ (Gen Z & Millennials) mà còn giúp các doanh nghiệp tiết kiệm hàng triệu USD đầu tư vào các giải pháp công nghệ nhưng bị người dùng quay lưng, qua đó tối đa hóa tỷ suất hoàn vốn (ROI) chuyển đổi số.

---

Methodology và approach (350-400 từ)

                       [ Mô hình nghiên cứu tích hợp ]
  
  [ DeLone & McLean IS Model ]                     [ Status Quo Bias (SQB) ]
  - Chất lượng thông tin (IQ)                      - Lo âu công nghệ (TA)
  - Chất lượng hệ thống (SY)                       - Công nghệ chưa hoàn thiện (IT)
  - Chất lượng dịch vụ (SQ)                        - Lo ngại riêng tư (PC)
                                [ SỬ DỤNG (CI) ]

Thiết kế nghiên cứu và khung lý thuyết tích hợp

Nghiên cứu áp dụng khung lý thuyết nhân tố kép (Dual-Factor Theory) của Herzberg, kết hợp hai mô hình nền tảng:

1. Mô hình thành công hệ thống thông tin cập nhật của DeLone & McLean (2003): Đóng vai trò giải thích các yếu tố thúc đẩy (Enablers) tạo nên Sự hài lòng.
2. Lý thuyết thiên kiến duy trì hiện trạng - Status Quo Bias (SQB) của Samuelson & Zeckhauser: Đóng vai trò giải thích các rào cản (Inhibitors) gây ra Sự kháng cự chuyển đổi và duy trì thói quen cũ.

Thu thập dữ liệu và chọn mẫu

• Phương pháp lấy mẫu: Khảo sát trực tuyến qua Google Forms từ ngày 01/04/2023 đến 20/06/2023.
• Đối tượng khảo sát: Người dùng trong độ tuổi 16–34 tại các thành phố lớn của Việt Nam (TP.HCM, Hà Nội...).
• Cỡ mẫu: Thu thập 429 phiếu phản hồi; sau bước sàng lọc loại bỏ các đối tượng chưa từng dùng chatbot, mẫu hợp lệ còn lại là N = 384.
• Thang đo: Bảng hỏi gồm 43 biến quan sát, đo lường trên thang đo Likert 5 điểm (1: Hoàn toàn không đồng ý đến 5: Hoàn toàn đồng ý), kế thừa từ các công trình quốc tế uy tín (Setia et al., Gao et al., Meuter et al., Hai Min Dai et al.).

Kỹ thuật phân tích, độ tin cậy và giá trị thang đo

Dữ liệu được xử lý bằng phương pháp PLS-SEM trên phần mềm SmartPLS 4:

• Độ tin cậy nhất quán nội tại: Tất cả các cấu trúc đều đạt hệ số Cronbach’s Alpha (CA) và Độ tin cậy tổng hợp (CR) > 0.70.
• Giá trị hội tụ: Hệ số tải ngoài (Outer Loadings) > 0.70 và Phương sai trích trung bình (AVE) đều vượt ngưỡng 0.50.
• Giá trị phân biệt: Được xác nhận thông qua tiêu chí Fornell-Larcker (căn bậc hai của AVE lớn hơn tương quan giữa các biến) và chỉ số HTMT (Heterotrait-Monotrait Ratio < 0.85–0.90).
• Hiện tượng đa cộng tuyến: Hệ số VIF của tất cả các biến đều nằm trong khoảng an toàn (< 3.0), loại trừ nguy cơ đa cộng tuyến.

---

Phát hiện chính (400-450 từ)

Kiểm định mô hình cấu trúc bằng kỹ thuật Bootstrapping (5.000 mẫu lặp) trên SmartPLS 4 đã xác nhận tất cả các giả thuyết nghiên cứu chính đều có ý nghĩa thống kê ($p < 0.05$).

           HỆ SỐ TÁC ĐỘNG VÀ MỨC Ý NGHĨA THỐNG KÊ (SMARTPLS 4)

1. Sự hài lòng là động lực trực tiếp mạnh nhất thúc đẩy ý định tiếp tục dùng

Mối quan hệ giữa Sự hài lòng và Ý định tiếp tục sử dụng đạt hệ số đường dẫn $\beta = 0.437$ ($t = 7.749, p = 0.000$). Người dùng có trải nghiệm tích cực, cảm thấy được thấu hiểu và phản hồi nhanh chóng sẽ phát triển lòng trung thành và sẵn sàng giới thiệu chatbot cho cộng đồng.

2. Chất lượng hệ thống và Chất lượng thông tin chi phối sự thỏa mãn

• Chất lượng hệ thống (System Quality) là nhân tố đóng góp lớn nhất vào Sự hài lòng ($\beta = 0.368, t = 5.262, p = 0.000$). Tốc độ phản hồi, giao diện trực quan và tính ổn định không gặp lỗi kỹ thuật là điều kiện tiên quyết.
• Chất lượng thông tin (Information Quality) xếp thứ hai ($\beta = 0.251, t = 3.599, p = 0.000$), chứng minh rằng thông tin chính xác, cập nhật và hữu ích quyết định trực tiếp giá trị nhận thức của người dùng.
• Chất lượng dịch vụ (Service Quality) ($\beta = 0.155, p = 0.000$) và Sự hiện diện xã hội (Social Presence) đóng vai trò bổ trợ quan trọng trong việc tạo cảm xúc tương tác tự nhiên như người với người.

3. Công nghệ chưa hoàn thiện và Lo âu công nghệ là nguồn cơn chính gây kháng cự

• Công nghệ chưa hoàn thiện (Immature Technology) là rào cản lớn nhất tạo nên Sự kháng cự ($\beta = 0.366, t = 7.505, p = 0.000$). Việc chatbot nhận diện sai ngữ cảnh, câu trả lời mơ hồ hoặc lạc đề khiến người dùng bực bội và có xu hướng quay về phương thức truyền thống.
• Lo âu công nghệ (Technological Anxiety) ($\beta = 0.283, t = 5.509, p = 0.000$) phản ánh tâm lý sợ sai, không hiểu thuật ngữ kỹ thuật và cảm giác bất an khi giao tiếp với AI.
• Lo ngại quyền riêng tư (Privacy Concern) củng cố thêm tâm lý đề phòng, đặc biệt khi người dùng được yêu cầu cung cấp dữ liệu cá nhân nhạy cảm.

4. Phát hiện về biến kiểm soát (Control Variables)

Kiểm định tác động của 6 biến kiểm soát nhân khẩu học (Giới tính, Độ tuổi, Trình độ học vấn, Nơi ở, Nghề nghiệp, Thu nhập) cho thấy không có sự khác biệt có ý nghĩa thống kê đối với Ý định tiếp tục sử dụng ($p > 0.05$). Điều này chứng minh cơ chế tâm lý Thúc đẩy – Kháng cự diễn ra đồng nhất trên toàn bộ nhóm người dùng trẻ từ 16 đến 34 tuổi.

---

Đóng góp khoa học (250-300 từ)

Đóng góp về mặt lý thuyết (Theoretical Contributions)

• Tiên phong ứng dụng thành công Lý thuyết nhân tố kép (Dual-Factor Theory) vào hệ sinh thái Chatbot AI tại thị trường mới nổi như Việt Nam, bắc nhịp cầu giữa mô hình thành công IS (DeLone & McLean) và lý thuyết thiên kiến hiện trạng (SQB).
• Khẳng định tính độc lập của hai cấu trúc tâm lý: "Sự hài lòng" và "Sự kháng cự" không phải là hai đầu của một trục đơn tuyến mà là hai trạng thái cùng tồn tại song song, đòi hỏi các chiến lược can thiệp riêng biệt.

Giá trị thực tiễn và giải pháp kỹ thuật (Practical Implementations)

Nghiên cứu nổi bật nhờ việc cung cấp các giải pháp công nghệ thực thi cụ thể kèm kiến trúc mã lệnh:

• Cá nhân hóa và gợi ý chủ đề: Đề xuất thuật toán phân tích dữ liệu người dùng qua Python (sử dụng kỹ thuật giảm chiều dữ liệu PCA, t-SNE và phân cụm).
• Trực quan hóa hội thoại đa phương thức: Hướng dẫn tích hợp công nghệ thực tế ảo và thực tế tăng cường (AR/VR) thông qua nền tảng Google Dialogflow.
• Khung bảo mật dữ liệu cấp doanh nghiệp: Cung cấp đoạn mã Python và SQL thiết lập cơ chế mã hóa dữ liệu đầu cuối, xác thực phân quyền dựa trên vai trò (RBAC), xác thực OTP và tích hợp mô-đun bảo mật phần cứng (HSM) nhằm triệt tiêu lo ngại về quyền riêng tư.

---

Đối tượng quan tâm (200-250 từ)

Đối tượng	Lợi ích và giá trị khai thác từ nghiên cứu
Nhà nghiên cứu học thuật (Academic Researchers)	Kế thừa khung lý thuyết tích hợp Dual-Factor & SQB để mở rộng cho các nghiên cứu về AI tạo sinh (Generative AI), AI Agents hoặc trợ lý ảo đa phương thức trong tương lai.
Nhà phát triển phần mềm & Kỹ sư AI (Developers / AI Engineers)	Nắm bắt các nguyên nhân gốc rễ gây ức chế trải nghiệm; ứng dụng trực tiếp các đoạn mã Python/SQL được đề xuất để tối ưu hóa pipeline xử lý ngôn ngữ tự nhiên (NLP) và tăng cường bảo mật.
Doanh nghiệp & Giám đốc trải nghiệm khách hàng (CXOs / Product Managers)	Hiểu rõ kỳ vọng của tệp khách hàng trẻ tuổi (16–34); định hình chiến lược truyền thông minh bạch, giảm thiểu chi phí chuyển đổi và thiết kế kịch bản bot tiệm cận tương tác người.
Cơ quan hoạch định chính sách (Policy Makers)	Cung cấp luận cứ thực tiễn để hoàn thiện khung pháp lý về an toàn thông tin cá nhân trong ứng dụng AI thương mại, hiện thực hóa các mục tiêu của Chiến lược AI quốc gia 2030.

---

FAQ - Câu hỏi thường gặp (250-300 từ)

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

Sự kháng cự của người dùng xuất phát mạnh nhất từ sự non nớt của công nghệ (Immature Technology - $\beta = 0.366$), trong khi sự hài lòng lại phụ thuộc lớn nhất vào chất lượng hệ thống ($\beta = 0.368$). Để người dùng tiếp tục gắn bó, doanh nghiệp không chỉ cần nâng cao tiện ích mà bắt buộc phải triệt tiêu các điểm gây ức chế kỹ thuật.

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

Nghiên cứu không dừng lại ở mức mô hình hóa kinh tế lượng bằng SmartPLS 4, mà đi xa hơn bằng cách cung cấp các Artifacts kỹ thuật thực nghiệm (mã nguồn Python/SQL cho xử lý dữ liệu, gợi ý hội thoại và bảo mật thông tin), tạo tính ứng dụng trực tiếp cho giới công nghệ.

3. Kết quả khảo sát có thể khái quát hóa (Generalize) cho toàn bộ người dùng không?

Mẫu khảo sát tập trung vào nhóm nhân khẩu học từ 16–34 tuổi tại các đô thị lớn ở Việt Nam. Kết quả đại diện xuất sắc cho phân khúc người tiêu dùng số tích cực nhất (Digital Natives), nhưng cần thận trọng khi áp dụng cho người lớn tuổi hoặc khu vực nông thôn.

4. Hướng đi tiếp theo (Next Steps) cho các nghiên cứu tương lai là gì?

Cần mở rộng khảo sát trên các mô hình ngôn ngữ lớn thế hệ mới (LLM-based Chatbots như GPT-4, Gemini), đánh giá ảnh hưởng theo chuỗi thời gian (Longitudinal study) và bổ sung các biến tâm lý học hành vi như sự đồng cảm AI hay nhân cách hóa chuyên sâu.

5. Doanh nghiệp cần làm gì ngay để giảm tỷ lệ kháng cự chatbot?

Cần minh bạch hóa chính sách dữ liệu cá nhân, thiết lập nút chuyển tiếp nhanh sang nhân viên thật (Human Fallback) khi bot không hiểu ý, và tối ưu hóa tốc độ tải trang cùng giao diện điều hướng trực quan.

---

Kết luận (150 từ)

Đề tài "Explaining Resistance to System Usage in the Chatbot: A View of the Dual-Factor Model" mang lại góc nhìn toàn diện và cân bằng về hành vi người dùng đối với các nền tảng trí tuệ nhân tạo hội thoại. Bằng việc chứng minh cơ chế song hành giữa động lực thỏa mãn và rào cản kháng cự, nghiên cứu khẳng định rằng việc phát triển chatbot thành công không chỉ dựa vào việc bổ sung tính năng mới mà còn phụ thuộc vào năng lực loại bỏ lo âu kỹ thuật và bảo vệ quyền riêng tư người dùng. Đây là tài liệu tham khảo giá trị cho cả giới học thuật kinh tế số lẫn các kỹ sư công nghệ trong hành trình tối ưu hóa trải nghiệm người dùng AI tại Việt Nam.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC KINH TÉ THÀNH PHÓ HÒ CHÍ MINH BÁO CÁO TỎNG KÉT ĐÈ TÀI NGHIÊN cứu KHOA HỌC THAM GIA XÉT GIẢI THƯỞNG ‘’NHÀ NGHIÊN CỨU TRẺ UEH” NĂM 2024 EXPLAINING RESISTANCE TO SYSTEM USAGE IN THE CHATBOT: A VIEW OF THE DUAL-FACTOR MODEL Thuộc nhóm chuyên ngành: Công nghệ thông tin - Trí tuệ nhân tạo TP. Hồ Chí Minh, tháng 02 năm 2024 1 ABSTRACT In the era where artificial intelligence (AI) and digital communication are leading the technological revolution, chatbot have emerged as a key tool in enhancing customer service and operational efficiency. The study conducted by researchers aimed to explore the factors influencing satisfaction and resistance towards chatbot use among individuals aged 16 to 34. Utilizing a quantitative research method, the survey collected responses from 384 participants who are current or past users of chatbot across major cities in Vietnam.

The results of the study indicate that the continuance intention to use chatbot is positively influenced by satisfaction, which includes factors such as information quality, service quality, system quality, and social presence. Conversely, it is negatively affected by resistance to use, including technological anxiety, privacy concerns, and immature technology. Consequently, researchers proposes solutions to enhance user experience, contributing to the development of businesses to increase the number of users who accept and utilize chatbot. Keywords: AI, Chatbot, Intention to use, Digital, Information Technology.

2 TABLE OF CONTENTS ABSTRACT 1 TABLE OF CONTENTS 2 LIST OF TABLES 5 LIST OF FIGURES 6 LIST OF ACRONYMS 7 INTRODUCTION 8 1. Subjects and Scope of Research 11 5. Research Scope 11 RESEARCH CONTENT 13 CHAPTER 1. LITERATURE REVIEW AND CONTEXT 13 1.

Dual-factor theory of IS usage 14 1. DeLone and McLean’s IS success model 15 1. The SQB theory 16 1. Context 18 CHAPTER 2: HYPOTHESIS 20 2.

Information Quality and Satisfaction 20 2. System Quality and Satisfaction 21 2. Service Quality and Satisfaction 21 2. Social Presence and Satisfaction 22 2.

Technological Anxiety and Resistance to Use 22 2. Immature Technology and Resistance to Use 23 2. Privacy Concern and Resistance to Use 24 2. Satisfaction and Continuance Intention to Use 25 2.

Resistance to use and Continuance intention to Use 25 CHAPTER 3: MODEL AND RESEARCH METHODOLOGY 27 3. Summary of Hypothesis 27 3. Definition of Variables 28 3. Resistance to Use 36 3.

Continuance intention to Use 36 CHAPTER 4. Data Analysis Results 39 4. Assessment of Measurement Model 40 4. Assessment of Structural Model 45 4.

The Influences of Control Variables 48 CHAPTER 5. DISCUSSION 50 CONCLUSION AND IMPLICATION 52 1. Personalize user experience 55 2. Build popular topics 56 2.

Analyze user data 60 2. Integrating virtual reality technology and virtual augmented reality 63 2. Ensure security of user information 65 3. Evaluate the new contribution of the research 69 4.

Limitation and Directions for Future Researchs 71 4 5. Recommendations on mechanisms and policies 72 REFERENCE 74 5 LIST OF TABLES Table 1: Definition of Variables. 30 Table 2: Measurement itemsof Information Quality. 31 Table 3: Measurement itemsof System quality.

31 Table 4: Measurement itemsof Service Quality. 32 Table 5: Measurement itemsof Social Presence. 33 Table 6: Measurement itemsof Technological Anxiety. 34 Table 7: Measurement itemsof Immature Technology.

34 Table 8: Measurement itemsof Privacy Concern. 35 Table 9: Measurement itemsof Satisfaction.36 Table 10: Measurement items of Resistance to Use. 36 Table 11: Measurement items of Continuance intention to Use. 37 Table 12: Characteristics of Respondents.

40 Table 13: Assessment of constructs. 42 Table 14: Fornell-Larcker Criterion. 43 Table 15: Table of results according to HTMT.44 Table 16: Table of VIF evaluation results. 45 Table 17: Table of bootstrapping evaluation results.

47 Table 18: Results of assessing the influence of control variables. 49 Table 19: Python commands help provide, suggest and create topics before conversing with the chatbot. 58 Table 20: Python commands help provide, suggest and create topics before conversing with the chatbot. 59 Table 21: Data processing process in Python.

62 Table 22: Analyze processed data. 62 Table 23: Illustrate how to use Dialogflow to integrate AR and VR into chatbots. 64 Table 24: Python script for developers to encode information.