Giới thiệu dự án

Bối cảnh và vấn đề nghiên cứu

Sự bùng nổ của hạ tầng Internet với hơn 5,56 tỷ người dùng toàn cầu (chiếm 67,9% dân số thế giới theo Statista, 2025) đã thúc đẩy chuyển đổi số mạnh mẽ trong giáo dục đại học. Tại Việt Nam, tỷ lệ sinh viên tham gia học trực tuyến ghi nhận sự tăng trưởng vượt bậc: từ 16% (năm 2015) lên 42% (năm 2019), chạm mốc 61% (năm 2020) và vượt ngưỡng 75% trong giai đoạn hậu đại dịch COVID-19 (Đại học Kinh tế Quốc dân, 2023).

Tuy nhiên, khi giai đoạn bắt buộc kết thúc, các hệ thống quản lý học tập trực tuyến (E-Learning / LMS) phải đối mặt với bài toán sụt giảm mức độ tương tác và tỷ lệ rời bỏ nền tảng. Nhiều cơ sở giáo dục đầu tư lớn vào hạ tầng công nghệ nhưng chưa tối ưu hóa được trải nghiệm người học, dẫn đến việc sinh viên không duy trì ý định tiếp tục sử dụng hệ thống lâu dài.

Tuyên bố vấn đề

Vấn đề cốt lõi đặt ra là sự thiếu hụt mô hình định lượng tích hợp đa chiều để đánh giá chính xác cơ chế tác động tâm lý - hành vi của sinh viên đối với hệ thống học trực tuyến. Đa số các nghiên cứu trước đây chỉ tiếp cận đơn lẻ qua mô hình chấp nhận công nghệ truyền thống mà bỏ qua vai trò trung gian then chốt của Sự hài lòng (Student Satisfaction - SDS) cùng sự tương thích giữa công nghệ và nhiệm vụ học tập thực tế.

Mục tiêu nghiên cứu

  1. Xác định các yếu tố nhận thức: Lượng hóa tác động của 05 biến độc lập gồm: Nhận thức hữu ích (PCU), Nhận thức dễ sử dụng (PEU), Nhận thức sự thú vị (PCE), Nhận thức về nguồn lực (PCR), và Sự phù hợp giữa nhiệm vụ và công nghệ (TTF).
  2. Kiểm định vai trò trung gian: Chứng minh vai trò truyền dẫn toàn phần/bán phần của Sự hài lòng (SDS) đến Ý định tiếp tục học trực tuyến (CIE).
  3. Đề xuất giải pháp công nghệ & quản trị: Cung cấp khung khuyến nghị thực thi cho các đơn vị phát triển LMS và cơ sở đào tạo đại học nhằm tối ưu hóa tỷ lệ giữ chân sinh viên (retention rate).
                 +-----------------------------------+
                 | Nhận thức hữu ích (PCU)           |--+
                 +-----------------------------------+  |
                 | Nhận thức dễ sử dụng (PEU)        |--+
                 +-----------------------------------+  |   H1-H5   +---------------------+   H6    +---------------------------+
                 | Nhận thức sự thú vị (PCE)         |--+---------->| Sự hài lòng của     |-------->| Ý định tiếp tục học       |
                 +-----------------------------------+  |           | sinh viên (SDS)     |         | trực tuyến (CIE)          |
                 | Nhận thức về nguồn lực (PCR)      |--+           +---------------------+         +---------------------------+
                 +-----------------------------------+  |
                 | Phù hợp nhiệm vụ & công nghệ (TTF)|--+
                 +-----------------------------------+

Phương pháp tiếp cận giải pháp

Nghiên cứu áp dụng phương pháp định lượng thực nghiệm thông qua tích hợp 03 nền tảng lý thuyết kinh điển:

  • Mô hình Chấp nhận Công nghệ (TAM - Davis, 1989): Đo lường niềm tin công nghệ qua PCU và PEU.
  • Lý thuyết Xác nhận Kỳ vọng (ECT - Oliver, 1980; Bhattacherjee, 2001): Khảo sát cơ chế hình thành sự hài lòng sau trải nghiệm thực tế.
  • Mô hình Sự phù hợp giữa Nhiệm vụ và Công nghệ (TTF - Goodhue & Thompson, 1995): Đánh giá mức độ đáp ứng của tính năng LMS đối với yêu cầu học thuật.

Kết quả mong đợi và phạm vi

  • Chỉ số đo lường kỳ vọng: Xây dựng mô hình cấu trúc tuyến tính đạt độ tương thích cao ($CMIN/df < 2.0$, $CFI > 0.95$, $RMSEA < 0.05$).
  • Phạm vi khảo sát: Sinh viên các trường đại học tại TP. Hồ Chí Minh (HUB, UIT, UEH, UEL, PPU,...), thu thập $N = 340$ quan sát hợp lệ từ $382$ phiếu điều tra thực tế.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Mô hình / Giải pháp Ưu điểm Nhược điểm Khả năng ứng dụng cho E-Learning
TAM thuần túy (Davis, 1989) Đơn giản, giải thích tốt ý định ban đầu qua PCU và PEU. Bỏ qua sự biến thiên tâm lý sau khi sử dụng và yếu tố động lực nội tại. Thấp trong việc dự báo hành vi học tập bền vững.
ECT/ECM thuần túy (Bhattacherjee, 2001) Tập trung chính xác vào hành vi duy trì (continuance) sau sử dụng. Chưa lượng hóa được đặc tính kỹ thuật công nghệ và sự hỗ trợ tài nguyên. Trung bình; cần kết hợp thêm các yếu tố môi trường.
TTF (Goodhue & Thompson, 1995) Đánh giá sâu mức độ tương thích chức năng hệ thống với tác vụ học thuật. Không trực tiếp dự báo được thái độ và sự thích thú của người dùng. Cần thiết để đánh giá tính thực tiễn của nền tảng LMS.
Mô hình tích hợp đề xuất Bao quát toàn diện từ nhận thức công nghệ, động lực, tài nguyên đến sự phù hợp tác vụ. Cấu trúc phức tạp, đòi hỏi quy trình xử lý dữ liệu đa biến nghiêm ngặt. Tối ưu nhất; giải thích được 73,87% phương sai trích.

Phân loại yêu cầu hệ thống học trực tuyến theo mô hình MoSCoW

  +---------------------------------------------------------------------------------+
  | MUST HAVE (Bắt buộc)                                                            |
  | - Quản lý tài liệu học tập đa định dạng (PEU1, PCR4)                            |
  | - Hệ thống lớp học ảo ổn định, bảo mật cao (PCR1, TTF4)                         |
  +---------------------------------------------------------------------------------+
  | SHOULD HAVE (Nên có)                                                            |
  | - Tích hợp công cụ làm việc nhóm thời gian thực (PCU4, TTF3)                     |
  | - Tự động đồng bộ lịch trình và thông báo bài tập (PCU2, PEU3)                  |
  +---------------------------------------------------------------------------------+
  | COULD HAVE (Có thể có)                                                          |
  | - Gamification kích thích sự thú vị và tò mò (PCE1, PCE3)                        |
  | - Trợ lý ảo AI hỗ trợ học tập cá nhân hóa 24/7 (TTF2, PCR3)                     |
  +---------------------------------------------------------------------------------+
  | WON'T HAVE (Chưa ưu tiên)                                                       |
  | - Không gian học thực tế ảo VR/AR đắt đỏ đòi hỏi phần cứng chuyên dụng          |
  +---------------------------------------------------------------------------------+

Thiết kế hệ thống xử lý và phân tích dữ liệu

Kiến trúc đường ống dữ liệu (Data Pipeline) từ thu thập mẫu thực địa đến phân tích mô hình phương trình cấu trúc (Structural Equation Modeling - SEM):

+------------------+      +--------------------+      +----------------------+      +--------------------+
|  Google Forms    | ---> |  Data Preprocessing| ---> |  SPSS Engine (v26.0) | ---> |  AMOS SEM (v26.0)  |
|  Survey Engine   |      |  Clean & Filter N  |      |  Alpha / EFA Matrix  |      |  CFA & Path Model  |
|  (382 Responses) |      |  (340 Valid Mẫu)   |      |  KMO = 0.860         |      |  CMIN/DF = 1.281   |
+------------------+      +--------------------+      +----------------------+      +--------------------+

Tech Stack và phiên bản sử dụng

  • Data Collection & Ingestion: Google Forms API, Google Sheets Data Engine.
  • Statistical Computation Core: IBM SPSS Statistics v26.0 (Cronbach's Alpha, EFA, Descriptive Statistics).
  • Structural Equation Modeling (SEM): IBM SPSS AMOS v26.0 (CFA, Path Analysis, Bootstrapping).
  • Data Engineering / Python Scripting: Python v3.10.12, Pandas v2.1.4, NumPy v1.26.2, Pingouin v0.5.4, Semopy v2.3.9.
  • Database Schema for Survey Tracking: PostgreSQL v15.4.

Database Design cho hệ thống đo lường trải nghiệm E-Learning

-- Thiết kế lược đồ cơ sở dữ liệu phân tích ý định học E-Learning
CREATE TABLE respondents (
    respondent_id SERIAL PRIMARY KEY,
    gender VARCHAR(10) CHECK (gender IN ('Nam', 'Nữ', 'Khác')),
    age_group VARCHAR(20) NOT NULL,
    education_level VARCHAR(30) NOT NULL,
    monthly_income VARCHAR(30) NOT NULL,
    pc_usage_frequency VARCHAR(30) NOT NULL,
    university_code VARCHAR(10) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE survey_responses (
    response_id SERIAL PRIMARY KEY,
    respondent_id INT REFERENCES respondents(respondent_id) ON DELETE CASCADE,
    construct_code VARCHAR(10) NOT NULL, -- PCU, PEU, PCE, PCR, TTF, SDS, CIE
    item_code VARCHAR(10) NOT NULL,      -- PCU1, PCU2,...
    likert_score INT CHECK (likert_score BETWEEN 1 AND 5),
    submitted_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE INDEX idx_construct_item ON survey_responses (construct_code, item_code);

Phương pháp luận (Methodology)

Nghiên cứu kết hợp phương pháp nghiên cứu hàn lâm và mô hình phân tích định lượng chuẩn theo chuẩn Hair et al. (2019):

  1. Giai đoạn nghiên cứu sơ bộ ($N = 100$): Rà soát thang đo nháp qua phỏng vấn chuyên gia, kiểm định độ tin cậy sơ bộ với tiêu chuẩn tương quan biến - tổng ($Corrected\ Item-Total\ Correlation > 0.4$) và Cronbach's Alpha $> 0.6$.
  2. Giai đoạn nghiên cứu chính thức ($N = 340$):
    • Lọc dữ liệu lỗi, loại bỏ 42 mẫu không hợp lệ (straight-lining hoặc thiếu dữ liệu).
    • Kiểm định độ tin cậy thang đo (Cronbach's Alpha).
    • Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) với phép trích Principal Axis Factoring và phép xoay Promax/Varimax.
    • Phân tích nhân tố khẳng định (Confirmatory Factor Analysis - CFA).
    • Kiểm định mô hình cấu trúc tuyến tính (SEM).

Implementation và kết quả

Quy trình triển khai xử lý dữ liệu

Quy trình tự động hóa kiểm định độ tin cậy thang đo Cronbach's Alpha và ma trận tương quan được xây dựng bằng Python:

import pandas as pd
import numpy as np
import pingouin as pg

def evaluate_scale_reliability(df: pd.DataFrame, construct_items: list, construct_name: str) -> dict:
    """
    Tính toán Cronbach's Alpha và Corrected Item-Total Correlation cho một nhân tố.
    """
    construct_df = df[construct_items].dropna()
    alpha_val, ci_val = pg.cronbach_alpha(data=construct_df)
    
    # Tính tương quan biến - tổng (Corrected Item-Total Correlation)
    item_total_corr = {}
    total_score = construct_df.sum(axis=1)
    
    for item in construct_items:
        rest_score = total_score - construct_df[item]
        corr = construct_df[item].corr(rest_score)
        item_total_corr[item] = round(corr, 3)
        
    return {
        "Construct": construct_name,
        "Cronbach_Alpha": round(alpha_val, 3),
        "Item_Total_Correlation": item_total_corr,
        "Status": "Accepted" if alpha_val >= 0.7 and all(c >= 0.4 for c in item_total_corr.values()) else "Rejected"
    }

# Triển khai kiểm định dữ liệu mẫu chính thức N=340 cho nhân tố PCU
sample_items = ['PCU1', 'PCU2', 'PCU3', 'PCU4']
# Ví dụ nạp ma trận phản hồi thực tế từ khảo sát
# df_survey = pd.read_csv('survey_n340.csv')
# result = evaluate_scale_reliability(df_survey, sample_items, "Nhận thức hữu ích")

Kết quả kiểm định độ tin cậy và phân tích nhân tố

1. Kiểm định độ tin cậy thang đo (Cronbach's Alpha) chính thức ($N = 340$)

Nhân tố Mã quan sát Số biến Cronbach's Alpha Tương quan biến tổng min - max Đánh giá
Nhận thức hữu ích (PCU) PCU1 - PCU4 4 0.925 0.812 - 0.837 Rất tốt
Nhận thức dễ sử dụng (PEU) PEU1 - PEU5 5 0.938 0.807 - 0.857 Rất tốt
Nhận thức sự thú vị (PCE) PCE1 - PCE4 4 0.918 0.806 - 0.817 Rất tốt
Nhận thức về nguồn lực (PCR) PCR1 - PCR4 4 0.942 0.836 - 0.886 Rất tốt
Sự phù hợp nhiệm vụ & công nghệ (TTF) TTF1 - TTF5 5 0.925 0.790 - 0.817 Rất tốt
Sự hài lòng của sinh viên (SDS) SDS1 - SDS3 3 0.869 0.707 - 0.775 Tốt
Ý định tiếp tục học trực tuyến (CIE) CIE1 - CIE4 4 0.878 0.706 - 0.781 Tốt

2. Kết quả phân tích nhân tố khám phá (EFA)

  • Hệ số KMO (Kaiser-Meyer-Olkin): $0.860$ (đạt điều kiện $> 0.5$, ma trận dữ liệu hoàn toàn phù hợp).
  • Kiểm định Bartlett's Test of Sphericity: Chi-Square $= 8421.32$, Sig. $= 0.000$ (bác bỏ giả thuyết $H_0$ về ma trận đơn vị).
  • Tổng phương sai trích (Total Variance Explained - TVE): 73.874% ($> 50%$).
  • Hệ số tải nhân tố (Factor Loadings): Dao động từ 0.630 đến 0.922, không có biến nào bị tải chéo (cross-loading), phân tách rõ ràng thành 7 nhóm nhân tố.

3. Kết quả phân tích nhân tố khẳng định (CFA)

========================================================================================
CHỈ SỐ ĐỘ PHÙ HỢP CỦA MÔ HÌNH CFA (MODEL FIT SUMMARY)
----------------------------------------------------------------------------------------
Chỉ số kiểm định     Giá trị đạt được     Ngưỡng tham chiếu (Hair et al., 2019)  Kết luận
----------------------------------------------------------------------------------------
CMIN / DF            1.281                <= 2.00                                Tuyệt vời
GFI                  0.916                >= 0.90                                Đạt chuẩn
TLI                  0.985                >= 0.90                                Tuyệt vời
NFI                  0.942                >= 0.90                                Đạt chuẩn
CFI                  0.987                >= 0.90                                Tuyệt vời
RMSEA                0.029                <= 0.08                                Xuất sắc
========================================================================================

Kết quả kiểm định mô hình cấu trúc tuyến tính (SEM)

Tất cả 06 giả thuyết nghiên cứu ($H1 \rightarrow H6$) đều được chấp nhận với mức ý nghĩa thống kê $p < 0.001$:

  • H1 ($PCU \rightarrow SDS$): $\beta = 0.248, p < 0.001$ - Nhận thức hữu ích tác động tích cực đến sự hài lòng.
  • H2 ($PEU \rightarrow SDS$): $\beta = 0.215, p < 0.001$ - Nhận thức dễ sử dụng thúc đẩy mức độ hài lòng.
  • H3 ($PCE \rightarrow SDS$): $\beta = 0.189, p < 0.001$ - Tính thú vị giảm bớt áp lực, tăng trải nghiệm tích cực.
  • H4 ($PCR \rightarrow SDS$): $\beta = 0.162, p < 0.001$ - Sẵn sàng tài nguyên hỗ trợ nâng cao sự hài lòng.
  • H5 ($TTF \rightarrow SDS$): $\beta = 0.284, p < 0.001$ - Sự phù hợp nhiệm vụ - công nghệ là yếu tố tác động mạnh nhất đến sự hài lòng.
  • H6 ($SDS \rightarrow CIE$): $\beta = 0.692, p < 0.001$ - Sự hài lòng đóng vai trò quyết định then chốt thúc đẩy ý định tiếp tục học tập.

Đổi mới và đóng góp

Điểm mới về mô hình và công nghệ

  1. Mô hình tích hợp đa chiều: Thay vì chỉ đánh giá khả năng sử dụng (usability) đơn thuần, đề tài đã kết hợp thành công bộ 3 lý thuyết TAM - ECT - TTF, tạo ra khung đánh giá hoàn chỉnh từ nhận thức, tài nguyên đến sự tương thích nhiệm vụ học tập chuyên sâu.
  2. Lượng hóa vai trò của TTF: Chứng minh thực nghiệm rằng sự phù hợp giữa tính năng E-Learning và nhiệm vụ học thuật ($TTF$) có hệ số hồi quy chuẩn hóa cao nhất ($\beta = 0.284$), vượt qua cả nhận thức hữu ích ($PCU$).
  3. Độ tin cậy dữ liệu vượt trội: Tổng phương sai trích đạt 73.874%, cao hơn mức trung bình ($55% - 65%$) của các nghiên cứu đơn lẻ cùng chuyên ngành, với chỉ số sai số xấp xỉ tuyệt hảo $RMSEA = 0.029$.
+-----------------------------------------------------------------------------------------+
| SO SÁNH HIỆU QUẢ GIẢI THÍCH MÔ HÌNH VỚI CÁC CÔNG TRÌNH TRƯỚC ĐÓ                         |
+-----------------------------------------------------------------------------------------+
| Nghiên cứu                      | Mô hình áp dụng    | Tổng phương sai trích (TVE) | RMSEA |
| --------------------------------| -------------------| ---------------------------| ----- |
| Al-Rahmi et al. (2021)          | TAM + Mobile Learn | 64.20%                      | 0.054 |
| Yang (2023)                     | TAM + ISSM + ECT   | 68.50%                      | 0.048 |
| **Khóa luận Vũ Quỳnh Trang (2025)**| **TAM + ECT + TTF**| **73.874%**                 | **0.029**|
+-----------------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong EdTech và LMS trường đại học

  • Tối ưu hóa giao diện LMS (HUB, UIT, UEH): Tích hợp luồng nộp bài, phân nhóm thảo luận và tra cứu tài liệu học tập chỉ trong tối đa 3 thao tác nhấp chuột (tối ưu hóa $PEU$ và $TTF$).
  • Hệ thống cảnh báo sớm sinh viên có nguy cơ rời bỏ: Sử dụng bộ chỉ báo $SDS$ và $CIE$ để phát hiện sinh viên suy giảm tương tác trên nền tảng trực tuyến, kích hoạt hỗ trợ học thuật tự động.
  • Phân bổ tài nguyên học liệu số ($PCR$): Xây dựng kho tài nguyên đám mây mở, hỗ trợ truy cập không giới hạn băng thông cho sinh viên ngoại thành và vùng xa.

Lộ trình triển khai 4 giai đoạn

+-----------------------------------------------------------------------------------+
| LỘ TRÌNH 4 GIAI ĐOẠN ỨNG DỤNG MÔ HÌNH TỐI ƯU HÓA E-LEARNING                       |
+-----------------------------------------------------------------------------------+
|  [Q1]: Đánh giá thực trạng UX & Thang đo tại HUB, UEH, UIT                         |
|  [Q2]: Tối ưu hóa tính năng Task-Technology Fit (TTF)                             |
|  [Q3]: Cá nhân hóa trải nghiệm học tập (Gamification & AI Support)                |
|  [Q4]: Mở rộng quy mô & Đo lường tỷ lệ duy trì (CIE Retention Rate)               |
+-----------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Tăng tỷ lệ hoàn thành khóa học: Dự kiến tăng từ $15% - 25%$ nhờ cơ chế cải thiện sự hài lòng và giảm tải nhận thức.
  • Tiết kiệm chi phí vận hành: Cắt giảm đến $30%$ chi phí hỗ trợ kỹ thuật do hệ thống được chuẩn hóa theo tiêu chí dễ sử dụng ($PEU$).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Thiết kế nghiên cứu cắt ngang (Cross-sectional): Dữ liệu thu thập tại một thời điểm nhất định, chưa theo dõi biến thiên hành vi theo chu kỳ năm học (Longitudinal analysis).
  2. Phạm vi địa lý: Mẫu nghiên cứu tập trung chủ yếu tại TP. Hồ Chí Minh ($N = 340$), cần mở rộng đối sánh liên vùng (Hà Nội, Đà Nẵng, Cần Thơ).

Hướng nghiên cứu tiếp theo

  • Tích hợp Clickstream Analytics: Kết hợp dữ liệu khảo sát tự khai báo (self-reported survey) với dữ liệu nhật ký hệ thống (LMS log files / telemetry data) thông qua Machine Learning để dự báo hành vi bỏ học theo thời gian thực.
  • Ứng dụng AI cá nhân hóa: Nghiên cứu vai trò của GenAI / Chatbot hướng dẫn học tập như một nhân tố điều tiết (moderating variable) trong mối quan hệ giữa $TTF$ và $SDS$.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI VÀ GIÁ TRỊ ĐEM LẠI                                            |
+-----------------------------------------------------------------------------------+
| 🎓 Sinh viên Đại học                                                              |
| 💻 Kỹ sư phần mềm & Nhà phát triển LMS                                            |
| 🏛️ Ban Giám hiệu & Cơ sở Giáo dục                                                 |
| 🔬 Giới Nghiên cứu Hệ thống Thông tin (MIS)                                       |
+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai bộ công cụ đánh giá này là gì?

Hệ thống cần máy chủ chạy Python 3.10+ (thư viện pandas, pingouin, semopy) hoặc máy trạm cài đặt IBM SPSS Statistics v26.0 kết hợp IBM SPSS AMOS v26.0 với tối thiểu 8GB RAM để xử lý các mô hình cấu trúc phức tạp.

2. Yếu tố nào đóng vai trò quan trọng nhất trong việc giữ chân sinh viên học trực tuyến?

Theo kết quả phân tích SEM, Sự phù hợp giữa nhiệm vụ và công nghệ ($TTF, \beta = 0.284$) là biến độc lập có tác động mạnh nhất đến Sự hài lòng ($SDS$), và sự hài lòng tác động trực tiếp mang tính quyết định đến Ý định tiếp tục học ($CIE, \beta = 0.692$).

3. Làm thế nào để tích hợp quy trình khảo sát này vào LMS hiện có (Moodle, Canvas)?

Có thể thiết lập webhook hoặc LTI (Learning Tools Interoperability) plugin để gửi khảo sát ngắn gọn tự động sau khi sinh viên hoàn thành bài kiểm tra hoặc kết thúc mỗi học phần.

4. Dữ liệu khảo sát có đảm bảo tính khách quan và tin cậy không?

Nghiên cứu áp dụng quy trình kiểm định 2 giai đoạn: Loại bỏ 42 mẫu không hợp lệ, kiểm tra tương quan biến tổng ($> 0.4$), hệ số Cronbach's Alpha đều đạt từ 0.869 đến 0.942, và chỉ số CFA $RMSEA = 0.029$ khẳng định tính vững chắc của dữ liệu.

5. Khung nghiên cứu này có áp dụng được cho đào tạo nội bộ doanh nghiệp (E-Training) không?

Hoàn toàn có thể áp dụng. Các nhân tố $PCU, PEU, PCE, PCR, TTF$ là các khái niệm chuẩn hóa trong quản lý hệ thống thông tin, giúp doanh nghiệp đánh giá chính xác mức độ chấp nhận hệ thống đào tạo nội bộ của nhân viên.

Kết luận

Đề tài tốt nghiệp của tác giả Vũ Quỳnh Trang (Khoa Hệ thống Thông tin Quản lý, Trường Đại học Ngân hàng TP. Hồ Chí Minh) dưới sự hướng dẫn của TS. Nguyễn Huỳnh Anh Vũ đã giải quyết thành công bài toán lượng hóa hành vi học tập trực tuyến của sinh viên trong giai đoạn chuyển đổi số bền vững:

  • Đóng góp học thuật: Xác thực thành công mô hình tích hợp TAM - ECT - TTF với các chỉ số đo lường vượt trội ($TVE = 73.874%, CMIN/df = 1.281, CFI = 0.987$).
  • Đóng góp thực tiễn: Cung cấp cơ sở định lượng vững chắc giúp các trường đại học và các đơn vị công nghệ giáo dục chuyển dịch trọng tâm từ "cung cấp công cụ" sang "tối ưu hóa sự phù hợp giữa công nghệ và tác vụ học thuật".

Các nhà quản lý đào tạo và kỹ sư phát triển EdTech có thể tham khảo trực tiếp cấu trúc thang đo và kết quả mô hình này để nâng cấp kiến trúc trải nghiệm người dùng, hướng tới xây dựng hệ sinh thái giáo dục trực tuyến chất lượng và bền vững.