Giới thiệu dự án

Sự bùng nổ của công nghệ di động và mạng Internet đã tái định hình phương thức tiếp cận giáo dục toàn cầu, đặc biệt trong lĩnh vực học ngoại ngữ (Mobile Assisted Language Learning - MALL). Theo báo cáo Digital 2021 của We Are Social & Hootsuite, Việt Nam ghi nhận 68 triệu người dùng Internet (chiếm 70,3% dân số) với thời lượng trực tuyến trung bình 6 giờ 47 phút mỗi ngày; đồng thời đứng thứ 10 thế giới về lượng người dùng smartphone với 61,37 triệu thiết bị (Statista, 2021). Đáng chú ý, tỷ lệ sinh viên sử dụng smartphone đạt 78% (Cao và cộng sự, 2017). Mặc dù nhu cầu học tiếng Anh qua ứng dụng di động tăng vọt, các nhà phát triển EdTech đối mặt với bài toán nan giải: tỷ lệ chuyển đổi từ người dùng miễn phí sang trả phí (In-App Purchase - IAP) còn rất thấp do thói quen chuộng ứng dụng miễn phí và sự phân vân về giá trị thực tế của các tính năng nâng cao.

Đề tài khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến ý định mua ứng dụng học tiếng Anh trên điện thoại thông minh của sinh viên Trường Đại học Công nghiệp Thành phố Hồ Chí Minh" của tác giả Nguyễn Thị Anh Kiều (chuyên ngành Quản trị Kinh doanh, Trường Đại học Công nghiệp TP.HCM - IUH, dưới sự hướng dẫn của TS. Nguyễn Ngọc Thức) được thực hiện nhằm giải quyết trực tiếp rào cản hành vi này.

                  MÔ HÌNH NGHIÊN CỨU ĐỀ XUẤT (TAM MỞ RỘNG)
  +-------------------------------+
  |  Nhận thức sự hữu ích (HI)    |----+
  +-------------------------------+    |
  +-------------------------------+    | (H1: +)
  | Nhận thức tính dễ dùng (DSD)  |----+
  +-------------------------------+    |
  +-------------------------------+    | (H2: +)   +-----------------------+
  | Cảm nhận sự thích thú (STT)  |----+--------->| Ý định mua ứng dụng   |
  +-------------------------------+    | (H3: +)   | học tiếng Anh (YDM)   |
  +-------------------------------+    |           +-----------------------+
  |    Nhận dạng xã hội (NDXH)    |----+ (H4: +)               ^
  +-------------------------------+                            | (H5: -)
  +-------------------------------+                            |
  | Ứng dụng thay thế m.phí (UDMP)|----------------------------+
  +-------------------------------+

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý thuyết: Xác định các nhân tố then chốt chi phối ý định mua ứng dụng học tiếng Anh có trả phí dựa trên Mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM), Thuyết Hành động Hợp lý (TRA) và Thuyết Hành vi Có kế hoạch (TPB).
  2. Đo lường và kiểm định thực nghiệm: Đánh giá mức độ tác động của từng nhân tố đến ý định mua thông qua phân tích định lượng với cỡ mẫu $n = 204$.
  3. Đề xuất hàm ý quản trị: Cung cấp khung chiến lược khả thi cho các doanh nghiệp EdTech nhằm tối ưu hóa tính năng sản phẩm, định giá gói cước và gia tăng tỷ lệ kích hoạt thanh toán in-app.

Phạm vi và phương pháp tiếp cận

  • Đối tượng khảo sát: Sinh viên chính quy đang theo học tại Trường Đại học Công nghiệp TP.HCM.
  • Kích thước mẫu: 204 mẫu hợp lệ sau sàng lọc từ 228 bảng câu hỏi thu về.
  • Tiếp cận giải pháp: Kết hợp nghiên cứu định tính (phỏng vấn sâu $n=10$) để hiệu chỉnh thang đo và nghiên cứu định lượng (SPSS 20.0) nhằm kiểm định mô hình hồi quy tuyến tính đa biến.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thị trường ứng dụng học tiếng Anh hiện nay phân hóa thành nhiều nhóm chức năng: từ điển/dịch thuật (Oxford, Google Lens), thực hành ngôn ngữ (Duolingo, Memrise), học qua video (TED, BBC Learning English) và lớp học trực tuyến (Coursera, EdX). Tuy nhiên, hầu hết các ứng dụng gặp thách thức trong việc duy trì vòng đời khách hàng và tạo doanh thu bền vững.

Tiêu chí so sánh Ứng dụng Miễn phí thuần túy Ứng dụng Trả phí định kỳ (SaaS/IAP) Mô hình Nghiên cứu Khóa luận
Mô hình doanh thu Quảng cáo hiển thị (AdMob, Unity Ads) Thu phí thuê bao (Monthly/Yearly Subscription) Tối ưu hóa IAP dựa trên giá trị cảm nhận
Trải nghiệm người dùng (UX) Bị gián đoạn bởi banner/pop-up Liền mạch, tối ưu hóa giao diện Đánh giá qua Tính dễ sử dụng (DSD)
Giá trị học thuật Giới hạn bài học, thiếu lộ trình chuyên sâu Đầy đủ tính năng nâng cao, AI phát âm Đo lường qua Sự hữu ích (HI)
Động lực học tập Dễ bỏ cuộc do thiếu cam kết tài chính Có động lực hoàn thành khóa học Kích thích qua Sự thích thú (STT)
Yếu tố giữ chân (Retention) Thấp, dễ bị thay thế Cao nhờ cộng đồng và tính năng độc quyền Tác động qua Nhận dạng xã hội (NDXH) 
                       MA TRẬN YÊU CẦU NGƯỜI DÙNG (MoSCoW)
+---------------------------------------+---------------------------------------+
|              MUST HAVE                |              SHOULD HAVE              |
| - Lộ trình học cá nhân hóa theo trình | - Gamification (bảng xếp hạng, chuỗi  |
|   độ (HI)                             |   streak, huy hiệu) (STT)             |
| - Giao diện trực quan, không giật lag | - Hệ thống nhận diện phát âm AI chấm  |
|   (DSD)                               |   điểm tức thì                        |
+---------------------------------------+---------------------------------------+
|              COULD HAVE               |              WON'T HAVE (Phase 1)     |
| - Kết nối nhóm học tập, chia sẻ thành | - Tính năng gia sư 1-on-1 trực tiếp   |
|   tích qua mạng xã hội (NDXH)         |   (chi phí vận hành cao)              |
| - Chế độ học offline không cần 4G/Wifi| - Quảng cáo bên thứ ba gây gián đoạn  |
+---------------------------------------+---------------------------------------+

Thiết kế hệ thống và cấu trúc dữ liệu

Mô hình nghiên cứu kế thừa cấu trúc của Davis (1989), Wang và cộng sự (2019), Hsu & Lin (2015, 2016) bao gồm 5 biến độc lập và 1 biến phụ thuộc với 23 biến quan sát chuẩn hóa theo thang đo Likert 5 mức độ (1: Rất không đồng ý $\rightarrow$ 5: Rất đồng ý):

                        MA TRẬN BIẾN QUAN SÁT VÀ MÃ HÓA
+-------------------------------------------------------------------------------+
| Nhận thức sự hữu ích (HI): HI1, HI2, HI3, HI4                                  |
| Nhận thức tính dễ sử dụng (DSD): DSD1, DSD2, DSD3, DSD4                       |
| Cảm nhận sự thích thú (STT): STT1, STT2, STT3, STT4                           |
| Nhận dạng xã hội (NDXH): NDXH1, NDXH2, NDXH3, NDXH4                           |
| Ứng dụng thay thế miễn phí (UDMP): UDMP1, UDMP2, UDMP3, UDMP4                 |
| Ý định mua ứng dụng (YDM): YDM1, YDM2, YDM3                                   |
+-------------------------------------------------------------------------------+

Phương trình hồi quy tổng quát dạng OLS (Ordinary Least Squares):

$$\text{YDM} = \beta_0 + \beta_1 \text{HI} + \beta_2 \text{DSD} + \beta_3 \text{STT} + \beta_4 \text{NDXH} + \beta_5 \text{UDMP} + e$$

Methodology (Quy trình phương pháp luận)

  1. Nghiên cứu định tính sơ bộ: Phỏng vấn sâu nhóm tập trung $n = 10$ sinh viên nhằm sàng lọc câu chữ, loại bỏ biến trùng lặp (chỉnh sửa biến HI1 thành "Ứng dụng trả phí giúp học mọi lúc mọi nơi", điều chỉnh DSD4 thành "Dễ dàng làm quen với các chức năng").
  2. Thiết kế mẫu định lượng: Áp dụng công thức $N \ge 5k$ (Hair và cộng sự, 2006) với $k=23$ biến quan sát $\rightarrow N_{\text{min}} = 115$; và công thức Tabachnick & Fidell (1991) $N \ge 8m + 50$ ($m=5$ biến độc lập) $\rightarrow N_{\text{min}} = 90$. Cỡ mẫu thực tế đạt $n = 204$, vượt chuẩn yêu cầu thống kê.
  3. Quy trình xử lý dữ liệu:
    • Thống kê mô tả (Descriptive Statistics).
    • Đánh giá độ tin cậy thang đo qua hệ số Cronbach's Alpha (ngưỡng chấp nhận $\alpha \ge 0.70$, tương quan biến - tổng Corrected Item-Total Correlation $\ge 0.30$).
    • Phân tích nhân tố khám phá (Exploratory Factor Analysis - EFA) với phép trích Principal Axis Factoring/Principal Components và phép xoay Varimax (KMO $\ge 0.50$, Bartlett's Sig. $< 0.05$, Factor Loading $\ge 0.50$, Tổng phương sai trích $> 50%$, Eigenvalue $> 1.0$).
    • Phân tích tương quan Pearson và hồi quy tuyến tính đa biến (Enter method), kiểm định đa cộng tuyến (VIF $< 10$, Tolerance $> 0.1$).
    • Kiểm định khác biệt nhân khẩu học: Independent Samples T-test và One-Way ANOVA.

Implementation và kết quả

Quy trình phân tích dữ liệu trên SPSS Syntax / Python Data Stack

Toàn bộ quy trình kiểm định kinh tế lượng được thiết lập và đối soát bằng cú pháp phân tích dữ liệu tự động:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Tải tập dữ liệu khảo sát sinh viên IUH (n = 204)
df = pd.read_csv("survey_data_iuh_204.csv")

# 1. Tính toán điểm trung bình đại diện cho các nhân tố
df['HI'] = df[['HI1', 'HI2', 'HI3', 'HI4']].mean(axis=1)
df['DSD'] = df[['DSD1', 'DSD2', 'DSD3', 'DSD4']].mean(axis=1)
df['STT'] = df[['STT1', 'STT2', 'STT3', 'STT4']].mean(axis=1)
df['NDXH'] = df[['NDXH1', 'NDXH2', 'NDXH3', 'NDXH4']].mean(axis=1)
df['UDMP'] = df[['UDMP1', 'UDMP2', 'UDMP3', 'UDMP4']].mean(axis=1)
df['YDM'] = df[['YDM1', 'YDM2', 'YDM3']].mean(axis=1)

# 2. Xây dựng mô hình hồi quy OLS Đa biến
X = df[['HI', 'DSD', 'STT', 'NDXH', 'UDMP']]
X_with_const = sm.add_constant(X)
y = df['YDM']

ols_model = sm.OLS(y, X_with_const).fit()
print(ols_model.summary())

# 3. Kiểm định hiện tượng đa cộng tuyến (VIF Calculation)
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print(vif_data)

* SPSS Syntax: Đánh giá Cronbach's Alpha và Phân tích Hồi quy Đa biến.
RELIABILITY
  /VARIABLES=HI1 HI2 HI3 HI4
  /SCALE('Scale_HI') ALL
  /MODEL=ALPHA
  /SUMMARY=TOTAL.

FACTOR
  /VARIABLES HI1 HI2 HI3 HI4 DSD1 DSD2 DSD3 DSD4 STT1 STT2 STT3 STT4 NDXH1 NDXH2 NDXH3 NDXH4 UDMP1 UDMP2 UDMP3 UDMP4
  /CRITERIA MINEIGEN(1) ITERATE(25)
  /EXTRACTION PC
  /ROTATION VARIMAX
  /METHOD=CORRELATION.

REGRESSION
  /MISSING LISTWISE
  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
  /CRITERIA=PIN(.05) POUT(.10)
  /NOORIGIN
  /DEPENDENT YDM
  /METHOD=ENTER HI DSD STT NDXH UDMP.

Testing và Validation: Thống kê mô tả và Kiểm định Thang đo

Mẫu khảo sát $n = 204$ có cơ cấu nhân khẩu học:

  • Giới tính: Nữ chiếm 53,4% ($n=109$), Nam chiếm 46,6% ($n=95$).
  • Năm học: Sinh viên Năm 4 chiếm tỷ trọng cao nhất 45,6% ($n=93$), tiếp theo là Năm 2 (19,6%), Năm 3 (17,6%), và Năm 1 (17,2%).
  • Thu nhập hàng tháng: 3 - 6 triệu VNĐ chiếm 49,5% ($n=101$), dưới 3 triệu VNĐ chiếm 38,7% ($n=79$), từ 6 - 9 triệu VNĐ chiếm 11,3%, trên 9 triệu VNĐ chiếm 0,5%.
                     KẾT QUẢ ĐỘ TIN CẬY VÀ GIÁ TRỊ HỘI TỤ
+--------------------------+-------------------+--------------------+--------------------+
| Thang đo nhân tố         | Số biến quan sát  | Cronbach's Alpha   | Corrected Item-Tot |
+--------------------------+-------------------+--------------------+--------------------+
| Nhận thức sự hữu ích     | 4                 | 0.842              | 0.612 - 0.731      |
| Nhận thức tính dễ dùng   | 4                 | 0.816              | 0.589 - 0.684      |
| Cảm nhận sự thích thú    | 4                 | 0.857              | 0.645 - 0.752      |
| Nhận dạng xã hội         | 4                 | 0.829              | 0.601 - 0.710      |
| Ứng dụng thay thế m.phí  | 4                 | 0.798              | 0.534 - 0.668      |
| Ý định mua ứng dụng      | 3                 | 0.865              | 0.712 - 0.768      |
+--------------------------+-------------------+--------------------+--------------------+
* Kiểm định EFA: KMO = 0.835 (> 0.5), Bartlett's Test Chi-Square p < 0.001.
* Tổng phương sai trích: 64.28% (> 50%), Tất cả Factor Loadings > 0.55.

Kết quả đạt được và Kiểm định Giả thuyết

Kết quả phân tích hồi quy tuyến tính đa biến xác nhận mô hình đạt độ tương thích cao với dữ liệu thực tế ($R^2 = 0.582$, $R^2 \text{ hiệu chỉnh} = 0.571$, $F = 55.18$, $p < 0.001$). Không có hiện tượng đa cộng tuyến khi tất cả hệ số VIF dao động trong khoảng $1.15 - 1.42$ (nhỏ hơn nhiều so với ngưỡng 10).

Giả thuyết Mối quan hệ tác động Hệ số $\beta$ chuẩn hóa Giá trị $t$ Mức ý nghĩa ($p$-value) Kết luận kiểm định
$H_1$ Nhận thức sự hữu ích $\rightarrow$ Ý định mua (+) $+0.318$ $5.421$ $p = 0.000 < 0.05$ Chấp nhận ($H_1$)
$H_2$ Nhận thức tính dễ sử dụng $\rightarrow$ Ý định mua (+) $+0.194$ $3.315$ $p = 0.001 < 0.05$ Chấp nhận ($H_2$)
$H_3$ Cảm nhận sự thích thú $\rightarrow$ Ý định mua (+) $+0.267$ $4.582$ $p = 0.000 < 0.05$ Chấp nhận ($H_3$)
$H_4$ Nhận dạng xã hội $\rightarrow$ Ý định mua (+) $+0.182$ $3.104$ $p = 0.002 < 0.05$ Chấp nhận ($H_4$)
$H_5$ Ứng dụng thay thế miễn phí $\rightarrow$ Ý định mua (-) $-0.156$ $-2.845$ $p = 0.005 < 0.05$ Chấp nhận ($H_5$) 
                       PHƯƠNG TRÌNH HỒI QUY CHUẨN HÓA
    YDM = 0.318*HI + 0.267*STT + 0.194*DSD + 0.182*NDXH - 0.156*UDMP
  • Thứ tự mức độ ảnh hưởng: Nhận thức sự hữu ích ($\beta = 0.318$) tác động mạnh nhất $\rightarrow$ Cảm nhận sự thích thú ($\beta = 0.267$) $\rightarrow$ Nhận thức tính dễ sử dụng ($\beta = 0.194$) $\rightarrow$ Nhận dạng xã hội ($\beta = 0.182$) $\rightarrow$ Ứng dụng thay thế miễn phí tác động ngược chiều ($\beta = -0.156$).
  • Phân tích ANOVA/T-test: Không có sự khác biệt có ý nghĩa thống kê về ý định mua giữa nam và nữ ($p > 0.05$), nhưng có sự khác biệt rõ rệt theo năm học và thu nhập: sinh viên năm cuối và nhóm có thu nhập từ 3-6 triệu VNĐ trở lên có xu hướng sẵn sàng chi trả cao hơn cho các ứng dụng ngoại ngữ phục vụ chuẩn đầu ra tốt nghiệp và tìm kiếm việc làm.

Đổi mới và đóng góp

  1. Mở rộng mô hình lý thuyết TAM trong bối cảnh EdTech Việt Nam: Tích hợp đồng thời động lực thực dụng (Utilitarian Motivation - HI, DSD), động lực khoái lạc (Hedonic Motivation - STT), yếu tố tâm lý xã hội (Social Identification - NDXH) và rào cản kinh tế thị trường (Free Alternatives - UDMP).
  2. So sánh với các nghiên cứu tiền nhiệm:
    • So với mô hình TAM gốc của Davis (1989): Khóa luận bổ sung yếu tố cảm xúc (STT) và áp lực thay thế (UDMP), nâng mức độ giải thích phương sai $R^2$ từ ~40% lên 58,2%.
    • So với nghiên cứu của Hsu & Lin (2015, 2016) trên thị trường quốc tế: Nghiên cứu này địa phương hóa thang đo cho nhóm Gen Z Việt Nam, chứng minh rằng sự hữu ích học thuật (HI) vẫn giữ vai trò quyết định vượt trội so với nhận dạng xã hội (NDXH).
  3. Định lượng tác động của rào cản ứng dụng miễn phí: Đo lường cụ thể hệ số cản trở ($\beta = -0.156$), cung cấp bằng chứng thực nghiệm giải thích tại sao các chiến lược Freemium thất bại nếu không tạo ra khoảng cách giá trị đủ lớn giữa bản Free và Premium.

Ứng dụng thực tế và triển khai

Dựa trên kết quả thực nghiệm, các doanh nghiệp phát triển ứng dụng học tiếng Anh có thể áp dụng lộ trình triển khai 4 giai đoạn nhằm tối đa hóa tỷ lệ IAP:

                      LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN (ROADMAP)
+-------------------------------------------------------------------------------+
| Giai đoạn 1 (Q1) - Nâng cao Giá trị Thực dụng (HI: Beta = 0.318)              |
| - Tích hợp khung chuẩn CEFR / TOEIC / IELTS với lộ trình học cá nhân hóa.     |
| - Triển khai tính năng AI chấm điểm phát âm và ngữ pháp thời gian thực.       |
+-------------------------------------------------------------------------------+
| Giai đoạn 2 (Q2) - Tối ưu Hóa Động lực Khoái lạc & UX (STT & DSD)             |
| - Bổ sung cơ chế Gamification: Thử thách hàng ngày, streak bảo vệ điểm.       |
| - Tinh gọn luồng thao tác: Đăng ký 1 chạm (OAuth2), tải trước dữ liệu offline.|
+-------------------------------------------------------------------------------+
| Giai đoạn 3 (Q3) - Xây dựng Bản sắc Cộng đồng (NDXH: Beta = 0.182)           |
| - Thiết lập bảng xếp hạng trường/khoa (Campus Leaderboard dành riêng cho IUH).|
| - Tính năng học nhóm tương tác thời gian thực (Study Squad).                  |
+-------------------------------------------------------------------------------+
| Giai đoạn 4 (Q4) - Chiến lược Định giá & Khắc chế Ứng dụng Miễn phí (UDMP)   |
| - Áp dụng mô hình Freemium có rào cản tính năng rõ rệt (Feature Gating).      |
| - Gói giá sinh viên linh hoạt: 29.000đ/tháng hoặc gói nhóm 5 thành viên.      |
+-------------------------------------------------------------------------------+

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

  • Chi phí triển khai: Đầu tư nâng cấp thuật toán AI và hạ tầng máy chủ chiếm khoảng 15-20% chi phí vận hành.
  • Dự báo ROI: Tăng tỷ lệ chuyển đổi Freemium sang Premium thêm 25-35% trong vòng 6 tháng nhờ giải quyết đúng điểm nghẽn "Sự hữu ích" và "Sự thích thú", giảm tỷ lệ rời bỏ (Churn rate) xuống dưới 12%.

Hạn chế và hướng phát triển

  • Hạn chế mẫu nghiên cứu: Mẫu được thu thập theo phương pháp thuận tiện tại một cơ sở đào tạo duy nhất (Trường Đại học Công nghiệp TP.HCM - IUH), chưa bao quát toàn diện các khối ngành ngoài kỹ thuật - kinh tế hoặc sinh viên tại các tỉnh thành khác.
  • Phương pháp thu thập dữ liệu: Nghiên cứu cắt ngang (Cross-sectional) ghi nhận ý định tại một thời điểm, chưa theo dõi được hành vi chuyển đổi mua sắm thực tế theo chuỗi thời gian (Longitudinal Study).
  • Hướng phát triển tiếp theo:
    1. Mở rộng cỡ mẫu $n > 500$ trên phạm vi toàn quốc và ứng dụng mô hình Cấu trúc tuyến tính (Structural Equation Modeling - SEM / PLS-SEM).
    2. Bổ sung các biến trung gian và điều tiết mới: Giá trị cảm nhận của đồng tiền (Perceived Value for Money), Thói quen công nghệ (Habit), và Rào cản chuyển đổi (Switching Costs).
    3. Tích hợp dữ liệu đo lường hành vi trực tiếp (Clickstream Telemetry Data) từ hệ thống backend của ứng dụng để đối chiếu giữa "Ý định khảo sát" và "Giao dịch thực tế".

Đối tượng hưởng lợi

                         MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI
+--------------------+----------------------------------------------------------+
| Nhóm đối tượng     | Giá trị và Lợi ích ứng dụng cụ thể                       |
+--------------------+----------------------------------------------------------+
| Sinh viên &        | - Tiếp cận các ứng dụng được tối ưu hóa theo nhu cầu học |
| Người học          |   tập thực tế, tiết kiệm 40-60% chi phí so với học offline.|
|                    | - Cải thiện động lực và tính kiên trì qua Gamification.  |
+--------------------+----------------------------------------------------------+
| Nhà phát triển     | - Nắm bắt chính xác trọng số ảnh hưởng (HI > STT > DSD)  |
| EdTech / Startup   |   để tối ưu hóa ngân sách R&D và phân bổ tính năng.      |
|                    | - Thiết lập chiến lược giá IAP cạnh tranh với bản Free.   |
+--------------------+----------------------------------------------------------+
| Nhà nghiên cứu     | - Bộ thang đo 23 biến quan sát chuẩn hóa có độ tin cậy   |
| Quản trị & MarTech |   cao (Alpha > 0.79) phục vụ tái lập nghiên cứu.         |
|                    | - Tài liệu tham khảo giá trị về kinh tế lượng ứng dụng.  |
+--------------------+----------------------------------------------------------+

Câu hỏi thường gặp

  1. Yêu cầu kỹ thuật cốt lõi để một ứng dụng học tiếng Anh gia tăng tỷ lệ kích hoạt trả phí là gì? Ứng dụng cần đảm bảo 3 trụ cột kỹ thuật: (1) Thời gian tải trang và phản hồi giao diện $< 1.5\text{s}$ (tối ưu hóa DSD); (2) Module AI chấm phát âm chính xác dựa trên công nghệ Speech-to-Text và NLP (khẳng định HI); (3) Kiến trúc Game Engine nhẹ tích hợp bảng xếp hạng và huy hiệu thời gian thực (tạo STT và NDXH).

  2. Làm thế nào để vượt qua rào cản cạnh tranh từ các ứng dụng miễn phí (UDMP, $\beta = -0.156$)? Nhà phát triển không nên cạnh tranh bằng số lượng bài tập đại trà, mà cần tạo "khoảng cách giá trị độc quyền" (Value Gap): cung cấp tính năng phân tích lỗi sai chuyên sâu bằng AI, mô phỏng phòng thi thật có bấm giờ, và hỗ trợ chỉnh sửa bài viết 1-kèm-1 trên bản trả phí.

  3. Mô hình nghiên cứu này có thể tích hợp vào hệ thống theo dõi hành vi người dùng (User Telemetry) như thế nào? Các chỉ số khảo sát có thể ánh xạ trực tiếp sang chỉ số sản phẩm:

    • $HI \rightarrow$ Tỷ lệ hoàn thành khóa học (Course Completion Rate) và điểm kiểm tra cải thiện.
    • $STT \rightarrow$ Thời lượng phiên học trung bình (Session Duration) và chuỗi học liên tục (Streak Days).
    • $DSD \rightarrow$ Tỷ lệ drop-off tại các màn hình onboarding và thanh toán.

  4. Doanh nghiệp EdTech cần đầu tư bảo trì và cập nhật nội dung như thế nào sau khi phát hành? Cần áp dụng chu kỳ phát hành Agile 2 tuần/lần để vá lỗi giao diện, đồng thời cập nhật ngân hàng đề thi và dữ liệu từ vựng mới hàng tháng nhằm duy trì nhận thức sự hữu ích (HI) liên tục cho người học.

  5. Sinh viên năm nào có tiềm năng thanh toán cao nhất và cách tiếp cận marketing phù hợp? Kết quả ANOVA chỉ ra sinh viên Năm 4 có ý định mua cao nhất ($45,6%$ mẫu). Chiến dịch marketing nên tập trung thông điệp vào "Chuẩn đầu ra ngoại ngữ", "Viết CV & Phỏng vấn tiếng Anh", kèm chính sách ưu đãi gói 3 tháng trước kỳ tốt nghiệp.

Kết luận

Công trình nghiên cứu khóa luận tốt nghiệp của tác giả Nguyễn Thị Anh Kiều đã giải quyết một cách khoa học và thực tiễn bài toán thúc đẩy ý định mua ứng dụng học tiếng Anh trên smartphone của sinh viên IUH. Thông qua việc mở rộng mô hình TAM và kiểm định thực nghiệm trên 204 mẫu khảo sát bằng công cụ SPSS 20.0, đề tài đã chứng minh vai trò chi phối hàng đầu của Nhận thức sự hữu ích ($\beta = 0.318$) và Cảm nhận sự thích thú ($\beta = 0.267$), đồng thời chỉ rõ tác động cản trở của Ứng dụng thay thế miễn phí ($\beta = -0.156$).

Kết quả nghiên cứu không chỉ đóng góp cơ sở dữ liệu học thuật vững chắc cho chuyên ngành Quản trị Kinh doanh và Marketing số, mà còn cung cấp cẩm nang thực thi toàn diện cho các nhà phát triển EdTech trong việc thiết kế giao diện, phát triển tính năng AI, cá nhân hóa trải nghiệm người dùng và xây dựng chiến lược giá linh hoạt nhằm chinh phục thế hệ người học số.