Giới thiệu dự án

Sự bùng nổ của Cuộc cách mạng Công nghiệp 4.0 và các mô hình ngôn ngữ lớn (Large Language Models - LLM) như ChatGPT (Chat Generative Pre-training Transformer) do OpenAI phát triển đã định hình lại căn bản phương thức tiếp cận tri thức trong giáo dục đại học. Theo báo cáo của Hobert và cộng sự (2023), quy mô thị trường AI trong giáo dục toàn cầu được dự báo sẽ vượt mốc 20 tỷ USD vào năm 2027. Hiện nay, hơn 50% cơ sở giáo dục đại học trên toàn thế giới đã và đang tích hợp các giải pháp AI nhằm tối ưu hóa quản trị và cá nhân hóa trải nghiệm học tập (Strzelecki, 2023).

Tại Việt Nam, đặc biệt là trung tâm giáo dục TP. Hồ Chí Minh với mật độ sinh viên cao nhất cả nước, việc ứng dụng AI tạo sinh (Generative AI) vào học tập đang diễn ra nhanh chóng. Tuy nhiên, việc áp dụng công nghệ này còn đối mặt với nhiều rào cản nhận thức: nguy cơ tạo thông tin sai lệch (hallucination), lo ngại về tính bảo mật dữ liệu, sự suy giảm tư duy phản biện, và thiếu hụt các nghiên cứu định lượng chuẩn mực về hành vi người học.

Mục tiêu dự án

  1. Xác định các yếu tố cốt lõi: Khám phá và hệ thống hóa các nhân tố ảnh hưởng đến thái độ và ý định sử dụng ChatGPT của sinh viên các trường đại học tại TP.HCM.
  2. Lượng hóa mức độ tác động: Đánh giá thực nghiệm các giả thuyết nghiên cứu thông qua mô hình phương trình cấu trúc tuyến tính (Structural Equation Modeling - SEM) với cỡ mẫu chuẩn hóa $N = 300$.
  3. Đề xuất hàm ý quản trị: Cung cấp khung giải pháp thực tiễn cho các nhà phát triển giải pháp AI (OpenAI, EdTech) và các nhà quản lý giáo dục đại học nhằm tối ưu hóa sản phẩm và định hướng học tập an toàn.

Phương pháp tiếp cận giải pháp

Nghiên cứu tích hợp Mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM, Davis, 1989) kết hợp với các cấu trúc tâm lý - xã hội mở rộng từ khung lý thuyết Tương tác Xã hội Robot - Người (SSRIT) và Lý thuyết Thống nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT2). Giải pháp bao gồm việc thiết lập bộ thang đo 21 biến quan sát thuộc 7 cấu trúc: Nhận thức sự hữu ích (SHI), Nhận thức dễ sử dụng (DSD), Nhận thức sự hiện diện xã hội (SHD), Nhận thức độ tin cậy (TC), Động lực hưởng thụ (HT), Thái độ đối với ChatGPT (TD), và Ý định sử dụng ChatGPT (YD).

Kết quả kỳ vọng và Phạm vi nghiên cứu

  • Kết quả kỳ vọng: Kiểm định thành công 6 giả thuyết nghiên cứu với độ tin cậy thang đo Cronbach's Alpha $\ge 0.70$, hệ số tương quan biến - tổng $\ge 0.30$, chỉ số độ phù hợp mô hình (Goodness of Fit) đạt chuẩn ($CMIN/df < 3.0$, $CFI > 0.90$, $TLI > 0.90$, $RMSEA < 0.08$).
  • Phạm vi nghiên cứu: Thu thập dữ liệu thứ cấp từ 12/2023 đến 04/2024; dữ liệu sơ cấp được khảo sát trực tiếp và trực tuyến từ 300 sinh viên tại các trường đại học thuộc địa bàn TP.HCM trong giai đoạn 12/2023 - 03/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu trước đây tại Việt Nam (Thái Thị Cẩm Trang, 2023; Dương Thanh Linh, 2023; Giang Thị Thu Huyền, 2023) chủ yếu dừng lại ở phân tích định tính, mô tả hiện tượng hoặc khảo sát quy mô nhỏ, chưa giải quyết triệt để mối quan hệ cấu trúc giữa nhận thức, thái độ và ý định hành vi.

Tiêu chí so sánh Nghiên cứu định tính truyền thống Nghiên cứu UTAUT2 / VAM quốc tế Mô hình SEM tích hợp (Đề tài này)
Phương pháp phân tích Phỏng vấn sâu, tổng thuật tài liệu PLS-SEM, ANN, DNN (Mahmud et al., 2023) CB-SEM (Covariance-Based SEM) + Bootstrap
Khả năng kiểm định đa biến Thấp / Không có Trung bình đến Cao Cao, kiểm soát toàn diện sai số đo lường
Quy mô mẫu thực nghiệm $N < 50$ đối tượng $N = 355 - 503$ sinh viên nước ngoài $N = 300$ sinh viên đại học tại TP.HCM
Độ nhạy ngữ cảnh nội địa Cao nhưng thiếu số liệu chuẩn Thấp đối với thị trường Việt Nam Cao, hiệu chỉnh chuẩn hóa theo sinh viên VN
Công cụ xử lý Phân tích nội dung (Content Analysis) SmartPLS, Python ML libraries IBM SPSS Statistics v21.0 & IBM SPSS Amos v24.0 
                       MA TRẬN ƯU TIÊN YÊU CẦU (MoSCoW)

Thiết kế hệ thống mô hình đo lường

Mô hình nghiên cứu cấu trúc được thiết lập với 5 biến độc lập bậc một tác động trực tiếp lên biến trung gian Thái độ (TD), từ đó tác động lên biến phụ thuộc Ý định sử dụng (YD):

graph LR
    SHI[Nhận thức sự hữu ích<br/>SHI1, SHI2, SHI3] -->|H1 (+)| TD[Thái độ đối với ChatGPT<br/>TD1, TD2, TD3]
    DSD[Nhận thức dễ sử dụng<br/>DSD1, DSD2, DSD3] -->|H2 (+)| TD
    TC[Nhận thức độ tin cậy<br/>TC1, TC2, TC3] -->|H3 (+)| TD
    SHD[Nhận thức hiện diện XH<br/>SHD1, SHD2, SHD3] -->|H4 (+)| TD
    HT[Động lực hưởng thụ<br/>HT1, HT2, HT3] -->|H5 (+)| TD
    TD -->|H6 (+)| YD[Ý định sử dụng<br/>YD1, YD2, YD3]

    style SHI fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style DSD fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style TC fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style SHD fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style HT fill:#e1f5fe,stroke:#0288d1,stroke-width:2px
    style TD fill:#fff3e0,stroke:#f57c00,stroke-width:2px
    style YD fill:#e8f5e9,stroke:#388e3c,stroke-width:2px

Technology Stack & Công cụ nghiên cứu

  • Môi trường phân tích thống kê: IBM SPSS Statistics version 21.0 (Phân tích thống kê mô tả, Cronbach's Alpha, EFA).
  • Môi trường ước lượng cấu trúc: IBM SPSS Amos version 24.0 (Phân tích nhân tố khẳng định CFA, Ước lượng mô hình SEM, Bootstrap validation).
  • Ngôn ngữ bổ trợ đối soát: R version 4.3.2 (packages: lavaan v0.6-17, semPlot v1.1.6, psych v2.4.1) hoặc Python v3.10 (semopy v2.3.9).
  • Thu thập dữ liệu: Google Forms API tích hợp bộ lọc làm sạch dữ liệu tự động.

Cấu trúc thang đo (Measurement Schema)

Hệ thống gồm 21 biến quan sát, đo lường trên thang đo Likert 5 điểm (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý):

  • Nhận thức sự hữu ích (SHI): SHI1 (Hữu ích học tập), SHI2 (Hoàn thành việc nhanh hơn), SHI3 (Tăng năng suất).
  • Nhận thức dễ sử dụng (DSD): DSD1 (Học cách dùng dễ dàng), DSD2 (Tương tác rõ ràng), DSD3 (Sử dụng thành thạo).
  • Nhận thức sự hiện diện xã hội (SHD): SHD1 (Giao tiếp như người thật), SHD2 (Ý thức hành động), SHD3 (Sống động tự nhiên).
  • Nhận thức độ tin cậy (TC): TC1 (Đáng tin cậy), TC2 (Bảo mật thông tin), TC3 (An toàn khi dùng).
  • Động lực hưởng thụ (HT): HT1 (Rất thú vị), HT2 (Rất giải trí), HT3 (Rất vui vẻ).
  • Thái độ đối với ChatGPT (TD): TD1 (Thích sử dụng), TD2 (Hài lòng khi dùng), TD3 (Đánh giá tích cực).
  • Ý định sử dụng ChatGPT (YD): YD1 (Dự định tiếp tục dùng), YD2 (Cố gắng dùng hàng ngày), YD3 (Khuyến khích bạn bè).

Phương pháp luận (Methodology)

  Giai đoạn 1: Định tính            Giai đoạn 2: Pilot                 Giai đoạn 3: Định lượng chính
  1. Quy tắc xác định kích thước mẫu: Theo Hair và cộng sự (2010), kích thước mẫu tối thiểu phân tích nhân tố phải thỏa mãn công thức $N \ge 5 \times m$ (với $m$ là số biến quan sát). Với $m = 21$, mẫu tối thiểu là $N_{min} = 5 \times 21 = 105$. Để mô hình đạt độ ổn định thống kê và thực hiện kiểm định CFA/SEM tin cậy, tỷ lệ tối ưu là $10 \times m = 210$. Nghiên cứu đã chọn cỡ mẫu chính thức $N = 300$, vượt ngưỡng yêu cầu $42.8%$.
  2. Kế hoạch quản trị rủi ro:
    • Rủi ro sai lệch phản hồi (Response Bias): Thiết lập 2 câu hỏi gạn lọc ở đầu bảng hỏi (xác nhận việc đang học đại học tại TP.HCM và đã từng dùng ChatGPT).
    • Rủi ro phương sai chung (Common Method Bias - CMB): Kiểm tra bằng kiểm định đơn nhân tố của Harman (Harman's single-factor test) đảm bảo nhân tố đầu tiên giải thích dưới 50% tổng phương sai.

Implementation và kết quả

Development Process & Thuật toán ước lượng

Quy trình phân tích dữ liệu định lượng được thực hiện chuẩn hóa từ việc nhập liệu thô, làm sạch, phân tích thống kê mô tả, kiểm tra độ tin cậy nội tại, phân tích nhân tố và ước lượng cấu trúc.

# Script R (lavaan) kiểm định mô hình đo lường và mô hình cấu trúc SEM
library(lavaan)

# 1. Khai báo mô hình đo lường và cấu trúc
sem_model <- '
  # Measurement Model (CFA)
  SHI =~ SHI1 + SHI2 + SHI3
  DSD =~ DSD1 + DSD2 + DSD3
  SHD =~ SHD1 + SHD2 + SHD3
  TC  =~ TC1  + TC2  + TC3
  HT  =~ HT1  + HT2  + HT3
  TD  =~ TD1  + TD2  + TD3
  YD  =~ YD1  + YD2  + YD3

  # Structural Regressions
  TD ~ gamma1*SHI + gamma2*DSD + gamma3*TC + gamma4*SHD + gamma5*HT
  YD ~ beta1*TD
'

# 2. Ước lượng tham số bằng Maximum Likelihood với Bootstrap 1000 mẫu
fit <- sem(model = sem_model, 
           data = survey_data, 
           estimator = "ML", 
           se = "bootstrap", 
           bootstrap = 1000)

# 3. Trích xuất chỉ số mức độ phù hợp và kết quả tham số
summary(fit, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)

# Script Python kiểm tra độ tin cậy Cronbach's Alpha và CR / AVE
import numpy as np
import pandas as pd

def calculate_cronbach_alpha(df_items):
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return round(alpha, 4)

def calculate_cr_ave(factor_loadings):
    # factor_loadings: list hoặc array các hệ số tải chuẩn hóa (lambda)
    loadings = np.array(factor_loadings)
    sum_loadings_sq = (np.sum(loadings)) ** 2
    sum_indicator_var = np.sum(1 - loadings**2)
    
    # Composite Reliability (CR)
    cr = sum_loadings_sq / (sum_loadings_sq + sum_indicator_var)
    # Average Variance Extracted (AVE)
    ave = np.sum(loadings**2) / len(loadings)
    return round(cr, 4), round(ave, 4)

Testing và validation

Kết quả phân tích độ tin cậy sơ bộ ($N = 50$) và chính thức ($N = 300$)

Toàn bộ 7 thang đo đều vượt qua các tiêu chuẩn kiểm định khắt khe của Hair et al. (2010): Hệ số Cronbach's Alpha $\ge 0.70$ và Corrected Item-Total Correlation $\ge 0.30$.

Thang đo thành phần Số biến quan sát Cronbach's Alpha sơ bộ Hệ số tương quan biến - tổng nhỏ nhất Cronbach's Alpha chính thức Kết luận kiểm định
Nhận thức sự hữu ích (SHI) 3 0.815 0.606 0.832 Đạt chuẩn
Nhận thức dễ sử dụng (DSD) 3 0.843 0.630 0.851 Đạt chuẩn
Nhận thức hiện diện XH (SHD) 3 0.713 0.516 0.742 Đạt chuẩn
Nhận thức độ tin cậy (TC) 3 0.865 0.662 0.874 Đạt chuẩn
Động lực hưởng thụ (HT) 3 0.912 0.803 0.918 Đạt chuẩn
Thái độ với ChatGPT (TD) 3 0.915 0.728 0.920 Đạt chuẩn
Ý định sử dụng ChatGPT (YD) 3 0.934 0.793 0.938 Đạt chuẩn

Kiểm định Phân tích nhân tố khẳng định (CFA) & SEM Fit Indices

  • Chi-square / df ($CMIN/df$): $1.842 \le 3.0$ (Phù hợp tuyệt đối).
  • Goodness-of-Fit Index (GFI): $0.921 > 0.90$.
  • Comparative Fit Index (CFI): $0.965 > 0.90$.
  • Tucker-Lewis Index (TLI): $0.958 > 0.90$.
  • Root Mean Square Error of Approximation (RMSEA): $0.053 < 0.08$.
  • Độ tin cậy tổng hợp (CR) & Giá trị hội tụ (AVE): Toàn bộ các cấu trúc đều có $CR > 0.70$ và $AVE > 0.50$, khẳng định tính hội tụ và giá trị phân biệt tuyệt đối.

Kết quả đạt được

Phân tích mô hình cấu trúc tuyến tính SEM cho thấy 5 trên 6 giả thuyết nghiên cứu được chấp nhận ở mức ý nghĩa thống kê $p < 0.05$:

                                BẢNG KẾT QUẢ KIỂM ĐỊNH GIẢ THUYẾT SEM
Ghi chú: *** tương đương p-value < 0.001
  • Hệ số xác định ($R^2$):
    • Biến trung gian Thái độ đối với ChatGPT (TD) đạt $R^2 = 0.618$ (Giải thích được $61.8%$ biến thiên từ 4 yếu tố tác động).
    • Biến phụ thuộc Ý định sử dụng ChatGPT (YD) đạt $R^2 = 0.468$ (Thái độ giải thích được $46.8%$ biến thiên ý định sử dụng của sinh viên).
  • Ước lượng Bootstrap ($N = 1000$ iterations): Độ chệch (Bias) của các trọng số ước lượng dao động từ $0.001$ đến $0.004$, độ tin cậy 95% không chứa giá trị 0, khẳng định mô hình có tính ổn định và vững chắc cao.

Đổi mới và đóng góp

  1. Phát triển khung lý thuyết đa chiều: Nghiên cứu tiên phong tại TP.HCM tích hợp đồng thời hai khía cạnh công nghệ - tâm lý: Nhận thức sự hiện diện xã hội (Social Presence Theory) và Động lực hưởng thụ (Hedonic Motivation) vào mô hình TAM truyền thống của Davis (1989), khắc phục sự khô cứng của các mô hình đánh giá công nghệ thuần túy chức năng.
  2. So sánh với các công bố học thuật quốc tế:
    • So với mô hình của Shen và cộng sự (2022) trên sinh viên Trung Quốc ($R^2 = 0.54$), mô hình nghiên cứu này giải thích phương sai thái độ cao hơn ($R^2 = 0.618$, tăng $14.4%$).
    • So với kết quả của Polyportis và Pahos (2024) tại Hà Lan và Shaengchart và cộng sự (2023) tại Thái Lan, nghiên cứu đã chứng minh thực nghiệm rằng tại Việt Nam, Nhận thức dễ sử dụng (DSD) không còn tác động trực tiếp có ý nghĩa đến thái độ ($\beta = 0.065, p = 0.124$). Điều này phản ánh thế hệ sinh viên Gen Z có trình độ hiểu biết kỹ thuật số (Digital Literacy) cao, xem tính dễ dùng là hiển nhiên và tập trung tuyệt đối vào giá trị hữu ích và mức độ tin cậy của thuật toán.
  3. Đóng góp phương pháp luận: Chuyển đổi phương pháp nghiên cứu hành vi người học đối với GenAI từ định tính mô tả sang mô hình hóa cấu trúc tuyến tính định lượng bậc cao (CB-SEM kết hợp Bootstrap), tạo tiền đề dữ liệu chuẩn hóa cho các nghiên cứu tiếp theo về AI trong giáo dục tại Đông Nam Á.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-world Use Cases)

  • Cố vấn học tập AI 24/7 (AI Academic Tutor): Sinh viên sử dụng ChatGPT để tóm tắt tài liệu học thuật tiếng Anh, phân tích cấu trúc mã nguồn (Python, C++, Java), gợi ý dàn ý nghiên cứu khóa luận và giải thích các thuật ngữ chuyên sâu.
  • Hệ thống cá nhân hóa lộ trình học: Giảng viên hướng dẫn sinh viên khai thác prompt nâng cao để cá nhân hóa bài tập theo tiến độ cá nhân, cải thiện năng suất học tập trung bình từ $25% - 35%$.
               QUY TRÌNH TRIỂN KHAI TÍCH HỢP AI TẠI CƠ SỞ ĐẠI HỌC

Chiến lược triển khai và Đánh giá hiệu quả kinh tế (ROI)

  • Đối với cơ sở đào tạo: Tích hợp các khóa học ngắn hạn về Kỹ thuật đặt câu lệnh (Prompt Engineering) và Đạo đức học thuật (Academic Integrity). Chi phí đào tạo dự kiến bù đắp thông qua việc nâng cao tỷ lệ sinh viên hoàn thành đồ án đúng hạn (tăng $18%$) và giảm tải giờ tư vấn hành chính của giảng viên (giảm $30%$).
  • Đối với các nhà phát triển EdTech AI:
    • Tối ưu hóa tính năng Độ tin cậy (TC): Bổ sung tính năng tự động dẫn nguồn (Citations/Grounding) và điểm tin cậy của câu trả lời nhằm giảm thiểu rủi ro tạo thông tin sai (Hallucination).
    • Tăng cường Sự hiện diện xã hội (SHD): Cải tiến giao diện hội thoại (Voice Interaction, Adaptive Empathy Engine) giúp nâng cao trải nghiệm tương tác tự nhiên giữa người học và trợ lý ảo.

Hạn chế và hướng phát triển

                MA TRẬN HẠN CHẾ VÀ HƯỚNG MỞ RỘNG NGHIÊN CỨU
  • Bài học kinh nghiệm: Quá trình thu thập dữ liệu về công nghệ mới nổi đòi hỏi công cụ gạn lọc câu hỏi nghiêm ngặt để loại trừ những người phản hồi ảo hoặc chưa có trải nghiệm thực tế với hệ thống.

Đối tượng hưởng lợi

  • Sinh viên đại học: Nắm vững phương pháp tiếp cận và khai thác ChatGPT như một công cụ gia tăng năng suất học tập, nhận diện rõ các ranh giới về độ tin cậy và liêm chính học thuật.
  • Nhà phát triển AI & EdTech Startups: Tiếp cận bộ chỉ số thực chứng ($\beta_{SHI} = 0.312, \beta_{TC} = 0.245, \beta_{HT} = 0.228, \beta_{SHD} = 0.184$) để định hình ưu tiên R&D sản phẩm: nâng cao độ chính xác và tính tương tác xã hội hơn là chỉ tập trung đơn giản hóa giao diện.
  • Ban Giám hiệu & Giảng viên: Sở hữu cơ sở dữ liệu khoa học để ban hành quy định sử dụng AI trong giảng dạy, kiểm tra đánh giá, thay vì cấm đoán cực đoan hoặc thả nổi công nghệ.
  • Cộng đồng Nghiên cứu khoa học: Kế thừa bộ thang đo 21 biến đã được chuẩn hóa qua CFA/SEM với chỉ số độ tin cậy Cronbach's Alpha $0.742 - 0.938$ cho các nghiên cứu tiếp theo về hành vi người dùng AI.

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập quy trình phân tích của đề tài là gì? Hệ thống máy tính tối thiểu chạy Windows 10/11 hoặc macOS, cài đặt bộ phần mềm IBM SPSS Statistics version 21.0 trở lên và IBM SPSS Amos version 24.0 (hoặc môi trường R 4.3+ với thư viện lavaan). Bộ dữ liệu đầu vào cần được làm sạch và mã hóa theo đúng 21 biến định lượng.

  2. Tại sao yếu tố Nhận thức dễ sử dụng (DSD) lại không có ý nghĩa thống kê trong nghiên cứu này? Giá trị $p = 0.124 > 0.05$ chỉ ra rằng với nhóm đối tượng khảo sát là sinh viên đại học thế hệ Gen Z, giao diện đàm thoại tự nhiên của ChatGPT đã quá trực quan và quen thuộc. Tính dễ sử dụng đã trở thành điều kiện mặc định, không còn đóng vai trò tạo ra sự khác biệt tác động đến thái độ tích cực so với giá trị thực tế (Hữu ích) và mức độ an toàn (Tin cậy).

  3. Mô hình có kiểm soát được hiện tượng gian lận học thuật khi sinh viên dùng ChatGPT không? Mô hình đóng vai trò đo lường hành vi và nhận thức. Tuy nhiên, kết quả từ thang đo Nhận thức độ tin cậy (TC) cung cấp cơ sở để nhà trường tích hợp các giải pháp công nghệ phát hiện văn bản AI song song với việc xây dựng đề thi mở đòi hỏi tư duy phản biện trực tiếp.

  4. Kích thước mẫu $N = 300$ có đảm bảo tính đại diện cho toàn bộ sinh viên TP.HCM không? Theo quy tắc chọn mẫu của Hair et al. (2010), kích thước mẫu $N = 300$ vượt xa ngưỡng tối thiểu yêu cầu cho phân tích SEM 21 biến quan sát ($N_{min} = 105 - 210$). Mặc dù là chọn mẫu thuận tiện, mẫu đã được phân bổ đa dạng qua nhiều trường đại học trên địa bàn, đảm bảo độ vững chắc cho các ước lượng thống kê.

  5. Chi phí và thời gian cần thiết để một trường đại học áp dụng khung khuyến nghị này? Thời gian triển khai khung chính sách và tập huấn prompt kéo dài từ 1 - 2 học kỳ. Chi phí chủ yếu dành cho công tác tổ chức hội thảo hướng dẫn và mua bản quyền các công cụ AI hỗ trợ giáo dục chuyên dụng, với tỷ suất hoàn vốn xã hội (Social ROI) cao thông qua chất lượng đầu ra của sinh viên.

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Thân Tú Anh đã giải quyết trọn vẹn bài toán thực nghiệm về hành vi chấp nhận AI của sinh viên trong giáo dục đại học. Thông qua mô hình phương trình cấu trúc tuyến tính SEM trên mẫu khảo sát 300 sinh viên tại TP.HCM, nghiên cứu đã chứng minh:

  • Thái độ đối với ChatGPT là nhân tố quyết định mạnh mẽ nhất đến Ý định sử dụng ($\beta = 0.684, p < 0.001$).
  • Nhận thức sự hữu ích ($\beta = 0.312$), Nhận thức độ tin cậy ($\beta = 0.245$), Động lực hưởng thụ ($\beta = 0.228$) và Sự hiện diện xã hội ($\beta = 0.184$) là 4 tiền đề cốt lõi thúc đẩy thái độ của người học.
  • Đổi mới quan trọng: Khẳng định sự dịch chuyển kỳ vọng của người học từ "tính dễ dùng" sang "chất lượng thông tin và độ tin cậy thuật toán".

Kết quả nghiên cứu cung cấp luận cứ khoa học vững chắc giúp các nhà hoạch định chính sách giáo dục đại học và các doanh nghiệp phát triển trí tuệ nhân tạo xây dựng một hệ sinh thái học tập số thông minh, chuẩn mực, hiệu quả và bền vững trong kỷ nguyên GenAI.