Báo Cáo Nghiên Cứu Khoa Học: Các Nhân Tố Tác Động Đến Sự Chấp Nhận Và Sử Dụng Trí Tuệ Nhân Tạo (AI) Trong Học Tập Của Học Sinh, Sinh Viên


Tóm tắt nghiên cứu (Research Summary)

Đề tài nghiên cứu khoa học "Các nhân tố tác động đến sự chấp nhận và sử dụng công nghệ trí tuệ nhân tạo trong học tập của học sinh, sinh viên" do nhóm sinh viên Trường Đại học Thương Mại thực hiện (dưới sự hướng dẫn của ThS. Nguyễn Đức Xuân Lâm) tập trung giải quyết câu hỏi nghiên cứu cốt lõi: Những nhân tố công nghệ, tâm lý cá nhân, xã hội và tổ chức nào đóng vai trò quyết định đến ý định và hành vi ứng dụng AI trong học tập của người học tại Việt Nam, đặc biệt trên địa bàn Hà Nội?

Nghiên cứu sử dụng phương pháp kết hợp (Mixed Methods Approach), kết hợp phân tích định tính (phỏng vấn chuyên sâu, thảo luận nhóm) với khảo sát định lượng diện rộng ($N = 111$ mẫu hợp lệ). Khung lý thuyết được tích hợp từ Mô hình Chấp nhận Công nghệ (TAM), Mô hình Hợp nhất về Chấp nhận và Sử dụng Công nghệ (UTAUT/UTAUT2) cùng Lý thuyết Khuếch tán Đổi mới (DOI).

Kết quả nghiên cứu chính chỉ ra rằng:

  1. Kỳ vọng về hiệu quả (Performance Expectancy) và Tính dễ sử dụng (Effort Expectancy) là hai động lực thúc đẩy mạnh mẽ nhất.
  2. Ảnh hưởng xã hội (Social Influence) từ giảng viên, gia đình và sự hỗ trợ của chính sách nhà trường có tác động lan tỏa rõ rệt.
  3. Rào cản rủi ro về độ tin cậy thông tin (ảo giác AI - Hallucination), nguy cơ bảo mật dữ liệu và tâm lý phụ thuộc nhận thức (Cognitive Offloading) là những biến số kìm hãm hành vi sử dụng bền vững.

Nghiên cứu mở ra những hàm ý thực tiễn quan trọng, cung cấp cơ sở dữ liệu xác thực cho các nhà quản lý giáo dục, giảng viên và các đơn vị phát triển giải pháp EdTech trong việc chuẩn hóa môi trường học tập tích hợp AI an toàn, hiệu quả.


Bối cảnh và tầm quan trọng (Context & Significance)

Thực trạng phát triển và tri thức hiện hữu

Trí tuệ nhân tạo (AI) đang định hình lại cấu trúc của nền giáo dục hiện đại. Kể từ sự bùng nổ của các mô hình ngôn ngữ lớn (LLMs) và các hệ thống dạy kèm thông minh (Intelligent Tutoring Systems - ITS), việc học tập không còn bị giới hạn bởi thời gian hay không gian lớp học truyền thống. Theo các báo cáo chuyển đổi số, việc tích hợp AI vào hệ thống quản lý học tập (LMS), nền tảng học tập thích ứng (Adaptive Learning) và trợ lý ảo (như ChatGPT, Gemini, Turnitin) đang tăng trưởng theo cấp số nhân, tạo tiền đề cho giáo dục cá nhân hóa trên quy mô lớn.

Khoảng trống nghiên cứu tại các thị trường mới nổi

Mặc dù lý thuyết chấp nhận công nghệ đã được khám phá sâu rộng tại các quốc gia phát triển (Hoa Kỳ, Vương quốc Anh, Hàn Quốc, Nhật Bản), bối cảnh tại các quốc gia đang phát triển như Việt Nam vẫn tồn tại nhiều khoảng trống học thuật:

  • Đặc thù hạ tầng & kinh tế số: Sự chênh lệch về điều kiện tiếp cận thiết bị, đường truyền mạng và chi phí công nghệ giữa các nhóm người học.
  • Tâm lý & văn hóa học tập: Tác động của văn hóa giáo dục Á Đông – nơi vai trò của người thầy mang tính trung tâm – đến mức độ sẵn sàng đón nhận một hệ thống máy móc hỗ trợ tự học độc lập.
  • Thiếu hụt dữ liệu thực nghiệm: Các công bố tại Việt Nam chủ yếu mang tính lý luận định tính hoặc khảo sát quy mô hẹp, chưa làm rõ mối quan hệ tương tác đa chiều giữa tâm lý người học, rào cản đạo đức/học thuật và các biến số điều kiện hỗ trợ từ thể chế.

Tính cấp thiết và tác động dự kiến

Được thực hiện trong giai đoạn bản lề 2023–2025, đề tài đón đầu quá trình thực thi Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng Trí tuệ nhân tạo đến năm 2030 của Chính phủ Việt Nam. Kết quả đề tài không chỉ giải mã cơ chế hành vi tiếp nhận công nghệ của thế hệ học sinh, sinh viên đô thị (Gen Z) mà còn đóng vai trò tham chiếu quan trọng giúp hoạch định chính sách số hóa học đường, ngăn ngừa các hệ lụy tiêu cực về gian lận thi cử và suy giảm năng lực tư duy độc lập.


Phương pháp luận và cách tiếp cận (Methodology & Approach)

Thiết kế nghiên cứu (Research Design)

Nghiên cứu áp dụng quy trình 7 bước chuẩn mực theo phương pháp hỗn hợp tuần tự (Sequential Mixed Methods - Creswell, 2010):

  1. Xác định vấn đề nghiên cứu và tổng quan y văn quốc tế/trong nước.
  2. Thiết kế khung lý thuyết sơ bộ tích hợp từ TAM (Davis, 1989), UTAUT (Venkatesh et al., 2003, 2012) và DOI (Rogers, 1962).
  3. Nghiên cứu định tính sơ bộ: Phỏng vấn sâu học sinh, sinh viên và tổ chức thảo luận nhóm tập trung (Focus Group Discussion) với giảng viên Khoa Kinh tế & Kinh doanh Quốc tế – ĐH Thương Mại.
  4. Điều chỉnh thang đo và thiết kế bảng hỏi chuẩn hóa.
  5. Nghiên cứu định lượng diện rộng: Thu thập dữ liệu thực địa.
  6. Xử lý dữ liệu định lượng bằng công cụ phân tích thống kê chuyên dụng.
  7. Phỏng vấn định tính bổ trợ nhằm giải thích sâu các hiện tượng thống kê thu được, từ đó tổng hợp báo cáo và kiến nghị.

Phương pháp thu thập dữ liệu & Mẫu khảo sát

  • Đối tượng khảo sát: Học sinh THPT, sinh viên các trường Cao đẳng, Đại học trên địa bàn Hà Nội với đa dạng hình thức đào tạo (trực tiếp và trực tuyến).
  • Quy mô mẫu: Phát ra 130 phiếu khảo sát cấu trúc, thu về $111$ phiếu hợp lệ ($85.38%$), đảm bảo tỷ lệ kích thước mẫu trên số lượng biến quan sát ($N/q \approx 111/19 \approx 5.84:1$), thỏa mãn điều kiện phân tích nhân tố khám phá theo tiêu chuẩn của Hair et al. (2014).
  • Cấu trúc thang đo: Hệ thống 19 biến quan sát sử dụng thang đo Likert 5 mức độ (từ 1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý), chia làm 3 nhóm cấu trúc chính:
    1. Kỳ vọng thực trạng: Hiệu quả và Nỗ lực (8 biến quan sát): Đo lường hiệu suất học tập, sự tự tin trong thảo luận, khả năng sáng tạo, tư duy phản biện và xu hướng chia sẻ/khuyến nghị.
    2. Ảnh hưởng xã hội: Quan điểm và Chính sách (5 biến quan sát): Đánh giá vai trò của giảng viên, gia đình, nhà trường và các chính sách đào tạo AI miễn phí.
    3. Điều kiện hỗ trợ và Nhận thức rủi ro (6 biến quan sát): Đo lường tần suất sử dụng, khó khăn về hạ tầng công nghệ, nỗi lo sợ sai lệch kiến thức (Accuracy bias), rủi ro rò rỉ dữ liệu cá nhân (Data Privacy) và mức độ phụ thuộc học thuật (Dependency).

Kỹ thuật xử lý và phân tích dữ liệu

Toàn bộ dữ liệu định lượng được làm sạch và xử lý thông qua phần mềm IBM SPSS Statistics 26:

  • Thống kê mô tả: Phân tích tần số, phần trăm, giá trị trung bình (Mean) và độ lệch chuẩn (Standard Deviation).
  • Kiểm định độ tin cậy thang đo: Tính toán hệ số Cronbach's Alpha và tương quan biến - tổng (Corrected Item-Total Correlation) để loại bỏ các biến rác không đạt chuẩn ($\alpha \ge 0.7$, tương quan biến - tổng $\ge 0.3$).
  • Phân tích nhân tố khám phá (EFA): Kiểm định KMO, kiểm định Bartlett's Test of Sphericity, trích xuất nhân tố theo phương pháp Principal Axis Factoring kết hợp phép quay Promax/Varimax nhằm xác nhận tính hội tụ và phân biệt của thang đo.

Các phát hiện chính của nghiên cứu (Key Findings)

Dựa trên kết quả phân tích thống kê và đối thoại định tính, đề tài làm rõ các kết quả nghiên cứu mang tính đại diện cao về hành vi của người học tại Hà Nội:

1. Kỳ vọng hiệu quả và Nỗ lực là động lực chi phối hàng đầu

Sinh viên coi AI là một đòn bẩy vượt trội giúp tối ưu hóa thời gian nghiên cứu tài liệu và hoàn thành bài tập. Các biến số liên quan đến "AI giúp tiết kiệm thời gian" và "AI giúp mở rộng kiến thức mới" đạt điểm số trung bình cao nhất trong nhóm thang đo. Người học đánh giá cao giao diện tương tác ngôn ngữ tự nhiên thân thiện của các hệ thống như ChatGPT hay Gemini, cho phép họ nhận phản hồi tức thời mà không cần qua các lớp đào tạo kỹ thuật phức tạp.

2. Sự chấp thuận của giảng viên đóng vai trò "chất xúc tác" hành vi

Khác với việc sử dụng mạng xã hội hay game giải trí, hành vi sử dụng AI trong môi trường học thuật chịu ảnh hưởng sâu sắc từ quy định của giảng viên và nhà trường. Khi giảng viên công khai cho phép, hướng dẫn cách trích dẫn minh bạch và tích hợp AI vào tiêu chí đánh giá bài tập, mức độ chấp nhận chủ động của sinh viên tăng vọt. Ngược lại, việc thiếu hướng dẫn rõ ràng dẫn đến tâm lý e ngại, lén lút sử dụng hoặc chỉ dùng đối phó.

3. Nghịch lý giữa nhận thức rủi ro và thói quen sử dụng

Một phát hiện bất ngờ và thú vị của nghiên cứu là "Khoảng cách giữa nhận thức và hành vi" (Cognitive-Behavioral Gap):

  • Hơn $70%$ người học được khảo sát thừa nhận họ lo ngại AI cung cấp thông tin sai lệch (Hallucinations) hoặc bịa đặt trích dẫn.
  • Gần $60%$ bày tỏ sự bất an về tính bảo mật dữ liệu và nguy cơ bào mòn khả năng tư duy độc lập.
  • Tuy nhiên, tần suất sử dụng thực tế vẫn không hề suy giảm. Đa số sinh viên chấp nhận đánh đổi rủi ro về độ chính xác lấy sự tiện lợi và tốc độ hoàn thành công việc ngắn hạn, thường bỏ qua bước đối chiếu (fact-checking) nguồn gốc dữ liệu.

4. Rào cản hạ tầng và sự phân hóa phương thức học tập

Dữ liệu chỉ ra sự phân hóa giữa nhóm học sinh THPT và sinh viên Đại học, cũng như giữa sinh viên học trực tiếp và trực tuyến. Nhóm học trực tuyến tận dụng AI với tần suất và chiều sâu kỹ năng cao hơn đáng kể. Đồng thời, các rào cản về thiết bị phần cứng (cấu hình máy tính) và tốc độ mạng vẫn là yếu tố gây cản trở cục bộ đối với một bộ phận người học trong việc tiếp cận các nền tảng AI nâng cao (như các phần mềm AI phân tích dữ liệu, xử lý hình ảnh/video).

   NHÂN TỐ THÚC ĐẨY                              RÀO CẢN KÌM HÃM

Đóng góp khoa học và giá trị học thuật (Scientific Contributions)

Đóng góp về mặt lý thuyết (Theoretical Contributions)

  • Kiểm chứng và củng cố giá trị thực nghiệm của các mô hình hành vi công nghệ cổ điển (TAM, UTAUT) trong kỷ nguyên Trí tuệ nhân tạo tạo sinh (Generative AI).
  • Làm sáng tỏ mô hình tương tác ba chiều: Công nghệ (Đặc tính AI) – Tâm lý cá nhân (Niềm tin, lo âu) – Môi trường thể chế (Chính sách, văn hóa học đường) tại một quốc gia Đông Nam Á đang trong giai đoạn tăng tốc chuyển đổi số.

Đổi mới về mặt phương pháp luận (Methodological Innovations)

  • Xây dựng và chuẩn hóa thành công bộ thang đo 19 biến quan sát thích ứng với điều kiện ngôn ngữ và tâm lý người học Việt Nam.
  • Kết hợp nhuần nhuyễn giữa kỹ thuật định lượng kiểm định mô hình và phỏng vấn định tính giải thích sâu, tạo tiền đề phương pháp cho các nghiên cứu tiếp nối về công nghệ giáo dục.

Giá trị thực tiễn và ứng dụng chính sách (Practical & Policy Implications)

  • Đối với cơ sở giáo dục: Cung cấp luận cứ khoa học để chuyển đổi phương pháp đánh giá sinh viên — chuyển trọng tâm từ kiểm tra kiến thức ghi nhớ sang đánh giá kỹ năng phản biện, tổng hợp và giải quyết vấn đề phức tạp.
  • Đối với cơ quan hoạch định: Cảnh báo tính cấp thiết của việc ban hành hướng dẫn quốc gia về đạo đức AI trong giáo dục (AI Ethics Framework in Education), phổ cập kỹ năng hiểu biết AI (AI Literacy) cho cả giáo viên và học sinh nhằm giảm thiểu bất bình đẳng số.

Đối tượng thụ hưởng và Giá trị ứng dụng (Target Audience)

Báo cáo nghiên cứu đem lại giá trị tham chiếu thiết thực cho nhiều nhóm đối tượng trong hệ sinh thái giáo dục:

  • 1. Giảng viên và Cán bộ nghiên cứu học thuật:
    • Lợi ích: Hiểu rõ tâm lý và hành vi tiếp cận AI của sinh viên để thiết kế giáo án phù hợp; nắm bắt các công cụ đo lường để mở rộng hướng nghiên cứu liên ngành (EdTech, Educational Psychology).
  • 2. Các nhà phát triển công nghệ giáo dục (EdTech Developers):
    • Lợi ích: Nắm bắt chính xác các kỳ vọng cốt lõi của người học (tính minh bạch, tốc độ phản hồi, giao diện trực quan) và các điểm nghẽn tâm lý (lo ngại rò rỉ dữ liệu, thiếu tin cậy) để tối ưu hóa tính năng sản phẩm phần mềm học tập thông minh.
  • 3. Ban Giám hiệu và Nhà quản lý giáo dục:
    • Lợi ích: Có căn cứ khoa học để đầu tư hạ tầng CNTT trọng điểm, xây dựng quy chế sử dụng AI minh bạch và tổ chức các chương trình bồi dưỡng kỹ năng công nghệ cho đội ngũ sư phạm.
  • 4. Học sinh, Sinh viên:
    • Lợi ích: Nhận diện rõ các rủi ro của việc lạm dụng AI, từ đó chủ động xây dựng phương pháp tự học khoa học, biến AI thành trợ lý đồng hành thay vì công cụ thay thế nhận thức.

Câu hỏi thường gặp (FAQ)

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

Trả lời: Phát hiện trọng tâm là sinh viên đánh giá rất cao hiệu quả tiết kiệm thời gian và khả năng cá nhân hóa của AI, tuy nhiên tồn tại một "nghịch lý nhận thức": dù nhận thức rõ rủi ro về thông tin sai lệch (AI Hallucination) và nguy cơ suy giảm tư duy phản biện, người học vẫn duy trì thói quen sử dụng thường xuyên nhưng thiếu kỹ năng kiểm chứng thông tin.

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

Trả lời: Đề tài áp dụng phương pháp nghiên cứu kết hợp (Creswell, 2010), xây dựng quy trình 7 bước chặt chẽ kết hợp giữa cơ sở lý thuyết chuẩn quốc tế (UTAUT, TAM) với khảo sát định lượng ($N=111$) và thảo luận nhóm định tính, giúp giải thích sâu sắc các động cơ tâm lý tiềm ẩn đằng sau các con số thống kê.

3. Kết quả nghiên cứu có thể khái quát hóa (Generalize) cho toàn bộ học sinh, sinh viên Việt Nam không?

Trả lời: Kết quả có tính đại diện cao cho đối tượng học sinh, sinh viên tại các khu vực đô thị phát triển (đặc biệt là Hà Nội) – nơi có điều kiện tiếp cận Internet và thiết bị tốt. Tuy nhiên, để khái quát hóa cho toàn quốc, cần mở rộng phạm vi khảo sát tới các địa bàn nông thôn, vùng sâu vùng xa nhằm đánh giá đầy đủ tác động của khoảng cách số.

4. Hướng đi tiếp theo (Next Steps) của nghiên cứu này là gì?

Trả lời: Nghiên cứu đề xuất mở rộng cỡ mẫu lên quy mô liên tỉnh ($N > 500$), ứng dụng mô hình cấu trúc tuyến tính SEM/PLS-SEM để kiểm định các biến điều tiết (Moderators) như giới tính, ngành học (Khối Tự nhiên vs. Xã hội) và phân tích sâu hơn về tác động dài hạn của AI tới kết quả học tập thực tế (GPA).

5. Nghiên cứu mang lại những giải pháp thực tiễn nào cho nhà trường?

Trả lời: Nghiên cứu kiến nghị 3 giải pháp cấp thiết: (1) Ban hành quy chế rõ ràng về việc sử dụng và trích dẫn AI trong thi cử; (2) Tổ chức các khóa đào tạo "AI Literacy" trang bị kỹ năng viết câu lệnh (Prompt Engineering) và tư duy phản biện; (3) Đầu tư hạ tầng và tích hợp các công cụ AI bản quyền phục vụ học tập an toàn.


Kết luận (Conclusion)

Công trình nghiên cứu khoa học của nhóm tác giả Trường Đại học Thương Mại đã phác họa bức tranh toàn cảnh, chân thực và có căn cứ xác thực về thực trạng chấp nhận, sử dụng Trí tuệ nhân tạo (AI) trong học tập của học sinh, sinh viên tại Hà Nội. Bằng việc kết hợp hài hòa giữa các lý thuyết hành vi công nghệ chuẩn mực và phân tích định lượng thực địa, nghiên cứu đã chỉ rõ các động lực thúc đẩy cũng như những rào cản nhận thức, công nghệ đang hiện hữu.

Bước sang kỷ nguyên giáo dục thông minh, việc tích hợp AI không còn là lựa chọn mà đã trở thành xu thế tất yếu. Để tối đa hóa lợi ích và triệt tiêu các tác động tiêu cực, toàn bộ hệ sinh thái giáo dục bao gồm nhà quản lý, giảng viên và chính người học cần nhanh chóng chuyển dịch tư duy: chuyển từ cấm đoán, thụ động sang chủ động làm chủ công nghệ, xây dựng văn hóa học thuật liêm chính và nâng cao năng lực số vì một nền giáo dục phát triển bền vững.