Chia sẻ chuyên mục Đề Tài Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo hay nhất năm 2025 cho các bạn học viên ngành đang làm luận văn thạc sĩ tham khảo nhé. Với những bạn chuẩn bị làm bài luận văn tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm luận văn thì với đề tài: Các nhân tố ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo của học viên, sinh viên trường đại học Ngân hàng TP. HCM dưới đây chắc chắn sẽ giúp cho các bạn học viên có cái nhìn tổng quan hơn về đề tài sắp đến.
4.1. Tổng quan về trường đại học ngân hàng TP. HCM
Quá trình thành lập và phát triển trường Đại học Ngân hàng TP. HCM: Trường Đại học Ngân hàng TP. HCM được thành lập ngày 16/12/1976 tiền thân là Trường Cao cấp Nghiệp vụ Ngân hàng – Cơ sở II TP. HCM theo Quyết định số 1229/NH-TCCB của Tổng Giám đốc Ngân hàng Nhà nước Việt Nam với nhiệm vụ đào tạo cán bộ cho ngành ngân hàng. Ngày 20/8/2003 thành lập trường Đại học Ngân hàng TP. HCM theo quyết định số 174/2003/QĐ-TTg của Thủ tướng Chính phủ. Với sứ mệnh cung cấp cho xã hội và ngành ngân hàng nguồn nhân lực chất lượng cao, các nghiên cứu có tầm ảnh hưởng, cùng với dịch vụ tư vấn và hoạt động phục vụ cộng đồng. Trường Đại học Ngân hàng TP. HCM kiến tạo hệ sinh thái giáo dục, mang đến cơ hội học tập suốt đời; phát triển con người toàn diện, sáng tạo, với tinh thần phụng sự. Trường Đại học Ngân hàng TP. HCM định hướng trở thành đại học đa ngành và liên ngành nằm trong nhóm các đại học có uy tín ở khu vực Đông Nam Á. Trường Đại học Ngân hàng TP. HCM tiên phong ứng dụng công nghệ số trong đào tạo và nghiên cứu khoa học.
4.2. Thống kê mô tả mẫu nghiên cứu
Dữ liệu nhân khẩu học có được bao gồm giới tính, tuổi và trình độ chuyên môn được thể hiện như sau:
Bảng 4.1: Thống kê mô tả mẫu nghiên cứu
| Phân loại | Tần số | Tần suất | |
| Giới tính | Nam | 131 | 43.7% |
| Nữ | 169 | 56.3% | |
| Độ tuổi | Từ 18 đến 25 tuổi | 141 | 47% |
| Từ 26 đến 35 tuổi | 136 | 45.3% | |
| Trên 35 tuổi | 23 | 7.7% | |
| Trình độ học vấn | Đại học | 143 | 47.7% |
| Sau đại học | 157 | 52.3% | |
| Khu vực công tác | TP. HCM | 168 | 56.0% |
| TP. Thủ Đức | 88 | 29.3% | |
| TP. Biên Hòa | 29 | 9.7% | |
| TP. Bình Dương | 6 | 2.0% | |
Trong 300 mẫu nghiên cứu, có 131 người là giới tính nam và 169 người là giới tính nữ, chiếm tỉ lệ lần lượt là 43.7% và 56.3%. Tỷ trọng nam và nữ thực hiện khảo sát tương đối đồng đều về số lượng. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Có 143 sinh viên đang học chương trình đại học chiếm 47.7% và học viên cao học là 157 người chiếm 52.3%. Ta thấy rằng, sinh viên đại học đang vượt trội hơn về số lượng thực hiện khảo sát này, tuy nhiên sự chênh lệch là không quá lớn.
Đối với khu vực công tác, có 168 người đang làm việc tại TP. HCM, chiếm tỷ lệ 56%, 88 người làm việc tại TP. Thủ Đức, chiếm tỷ lệ 29.3%, số người làm việc tại TP. Biên Hòa là 29 người, chiếm 9.7%; có 6 người công tác tại Tỉnh Bình Dương, chiếm tỷ lệ 2% và số lượng còn lại là 9 người đang công tác ở những tỉnh, thành phố khác. Theo kết quả khảo sát ta thấy rằng tỷ lệ lao động thực hiện khảo sát này phân bố chủ yếu ở TP. HCM và TP. Thủ Đức.
Về độ tuổi, người khảo sát được phân bố thành ba nhóm, nhóm 18 – 25 tuổi, đa phần là sinh viên, nhóm 26 – 35 tuổi và trên 35 tuổi hầu hết là người đang đi làm. 47% (141 người) thuộc nhóm 18 – 25 tuổi, 136 người tương đương 45.3% thuộc nhóm 26 – 35 tuổi và 7.7% % (23 người) thuộc nhóm trên 36 tuổi.
4.3. Thống kê mô tả mẫu khảo sát
Để có dữ liệu phục vụ cho phân tích, đã tiến hành khảo sát lấy mẫu với tổng số 320 người tham gia. Cách thức khảo sát kết hợp phỏng vấn và phát phiếu khảo sát giấy nhằm tạo nên tính đa dạng và phủ của dữ liệu. Hình thức phỏng vấn tại chổ giúp làm rõ các câu hỏi, tạo sự tương tác và thu thập thông tin sâu hơn. Trong khi đó, việc phát phiếu khảo sát giấy giúp tăng tính khách quan và bảo mật thông tin cá nhân của người tham gia. Sau khi thu thập hoàn tất, toàn bộ dữ liệu đã được nhập vào phần mềm thống kê (SPSS 20.0) để tiến hành kiểm định sau khi sàng lọc có 300 mẫu khảo sát đạt yêu cầu. 300 người tham gia khảo sát này là học viên, sinh viên trường Đại học Ngân hàng TP. HCM được chọn ngẫu nhiên để đảm bảo tính đại diện cho tổng thể của mẫu.
Bộ câu hỏi bao gồm 29 câu, tập trung vào các khía cạnh như ảnh hưởng xã hội, nhận thức sự dễ dàng sử dụng, kỳ vọng kết quả thực hiện, sự thuận tiện và nhận thức sự hữu ích tác động đến ý định sử dụng AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM. Mỗi câu hỏi được thiết kế theo thang đo Likert 5 điểm, với các mức độ từ (1) là hoàn toàn không đồng ý tới (5) là hoàn toàn đồng ý, giúp người tham gia đánh giá một cách trực quan và khách quan về các vấn đề được đặt ra. Việc sử dụng thang đo này sẽ tạo điều kiện thuận lợi cho việc phân tích số liệu thống kê và đưa ra kết luận khoa học.
Bảng 4.2: Thống kê mô tả mẫu khảo sát
Các biến quan sát được thể hiện ở bảng 4 cho thấy mức độ đồng ý của người khảo sát là khá cao, toàn bộ các biến đều đạt giá trị trung bình trên 4. Số lượng câu trả lời từ 4 trở lên là 8,195, chiếm hơn 94% trên tổng số các phản hồi.
Số câu trả lời cho kết quả 2 và 1 là 185, đạt khoảng 2%. Xét các biến quan sát chưa nhận được sự đồng ý từ người khảo sát cho thấy có khả năng thúc đẩy ý định sử dụng AI cao hơn khi cải thiện được những biến này.
4.4. Kết quả kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Trong nghiên cứu khoa học, đặc biệt là lĩnh vực khoa học xã hội, việc đảm bảo độ tin tưởng của thang đo giữ nhiệm vụ then chốt. Thang đo tin cậy sẽ cung cấp kết quả đo lường chính xác, nhất quán, từ đó góp phần nâng cao giá trị và tính thuyết phục cho nghiên cứu. Hệ số Cronbach’s Alpha và tương quan biến tổng là hai công cụ thống kê phổ biến được sử dụng để đánh giá độ tin cậy của thang đo.
Hệ số Cronbach’s Alpha là thước đo mức độ nhất quán nội tại của các biến trong thang đo. Nó biểu thị cho mức độ mà các câu hỏi đo cùng một khái niệm hay thuộc tính. Giá trị Cronbach’s Alpha càng cao, độ tin cậy của thang đo càng cao. Thang đo có độ tin cậy cao khi hệ số Cronbach’s Alpha đạt từ 0.6 trở lên.
Tuy nhiên, chỉ dựa vào hệ số Cronbach’s Alpha là chưa đủ để đánh giá toàn diện độ tin cậy của thang đo. Cần kết hợp thêm hệ số tương quan biến tổng (Corrected Item – Total Correlation) để xác định mức độ đóng góp của từng câu hỏi cho thang đo. Hệ số tương quan biến tổng cho biết mức độ tương quan giữa mỗi câu hỏi với tổng điểm của tất cả các câu hỏi còn lại trong thang đo. Giá trị hệ số tương quan biến tổng càng cao, câu hỏi đó càng đóng góp nhiều cho thang đo.
Như vậy, để đảm bảo độ tin tưởng của thang đo, cần tuân thủ các tiêu chí đó là hệ số Cronbach’s Alpha từ 0.6 trở lên và mỗi câu hỏi trong thang đo có hệ số tương quan biến tổng không nhỏ hơn 0.3.
Bảng 4.3: Kết quả kiểm định độ tin cậy Cronbach’s Alpha của thang đo
| Biến quan sát | Trung bình thang đo nếu loại biến | Phương sai thang đo nếu loại biến | Tương quan biến tổng | Cronbach’s Alpha nếu loại biến |
| Thang đo ảnh hưởng xã hội với Cronbach’s Alpha = 0.771 | ||||
| Xa_hoi1 | 21.5733 | 9.262 | 0.576 | 0.722 |
| Xa_hoi2 | 21.78 | 8.781 | 0.549 | 0.728 |
| Xa_hoi3 | 21.4933 | 10.391 | 0.441 | 0.755 |
| Xa_hoi4 | 21.62 | 8.992 | 0.589 | 0.717 |
| Xa_hoi5 | 21.6667 | 9.093 | 0.501 | 0.742 |
| Xa_hoi6 | 21.65 | 9.834 | 0.446 | 0.753 |
| Thang đo nhận thức sự dễ dàng sử dụng với Cronbach’s Alpha = 0.807 | ||||
| De_dang1 | 18.4367 | 5.103 | .592 | .770 |
| De_dang2 | 18.5400 | 5.099 | .527 | .791 |
| De_dang3 | 18.4167 | 5.107 | .727 | .737 |
| De_dang4 | 18.4700 | 5.066 | .569 | .777 |
| De_dang5 | 18.5367 | 4.878 | .583 | .774 |
| Thang đo kỳ vọng kết quả thực hiện với Cronbach’s Alpha = 0.758 | ||||
| Ket_qua1 | 18.9133 | 3.002 | .469 | .735 |
| Ket_qua2 | 18.8033 | 2.881 | .540 | .710 |
| Ket_qua3 | 18.9133 | 2.788 | .681 | .663 |
| Ket_qua4 | 18.9100 | 2.691 | .548 | .708 |
| Ket_qua5 | 18.8600 | 3.164 | .411 | .753 |
| Thang đo sự thuận tiện với Cronbach’s Alpha = 0.788 | ||||
| Thuan_tien1 | 18.0767 | 3.516 | .697 | .701 |
| Thuan_tien2 | 18.0233 | 4.525 | .491 | .772 |
| Thuan_tien3 | 18.0967 | 4.516 | .516 | .764 |
| Thuan_tien4 | 18.1033 | 4.655 | .498 | .770 |
| Thuan_tien5 | 18.0867 | 3.885 | .642 | .722 |
| Thang đo nhận thức sự hữu ích với Cronbach’s Alpha = 0.743 | ||||
| Huu_ich1 | 18.5533 | 2.596 | .491 | .703 |
| Huu_ich2 | 18.5567 | 2.696 | .420 | .727 |
| Huu_ich3 | 18.5900 | 2.470 | .523 | .691 |
| Huu_ich4 | 18.5567 | 2.288 | .575 | .670 |
| Huu_ich5 | 18.5833 | 2.364 | .522 | .692 |
| Thang đo ý định sử dụng với Cronbach’s Alpha = 0.763 | ||||
| Y_dinh1 | 9.2100 | 1.096 | .566 | .716 |
| Y_dinh2 | 9.1367 | 1.142 | .546 | .736 |
| Y_dinh3 | 9.0600 | 1.006 | .677 | .587 |
Theo kết quả bảng 4 tất cả các thang đo Ảnh hưởng xã hội (Xahoi); Nhận thức sự dễ dàng sử dụng (Dedang); Kỳ vọng kết quả thực hiện (Ketqua); Sự thuận tiện (Thuantien); Nhận thức sự hữu ích (Huuich); Ý định sử dụng (Y dinh) lần lượt có hệ số Cronbach’s Alpha là 0.771; 0.807; 0.758; 0.788; 0.743; 0.763, các hệ số đều lớn hơn 0.6 và tương quan biến tổng của biến quan sát không nhỏ hơn 0.3, như vậy thang đo đáp ứng độ tin cậy để tiến tục các phân tích tiếp theo.
4.5. Kết quả phân tích nhân tố khám phá (EFA) Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Sau khi khẳng định độ tin cậy của thang đo thông qua kiểm định hệ số Cronbach’s Alpha, nghiên cứu tiếp tục thực hiện phân tích nhân tố khám phá (EFA) để đánh giá thang đo thông qua hai giá trị quan trọng là giá trị hội tụ và giá trị phân biệt nhằm rút gọn tập hợp các biến quan sát thành một tập các nhân tố có ý nghĩa hơn. Hệ số KMO, Sig. và Eigenvalue được xem xét lần lượt như sau:
Bảng 4.4: Kết quả sau khi phân tích EFA các biến độc lập
Xem xét bảng 5 cho các biến độc lập, hệ số KMO = 0.871, thỏa mãn điều kiện 0.5 < KMO < 1 cho thấy sự phù hợp khi sử dụng EFA. Kết quả Bartlett có mức ý nghĩa thống kê Sig. thỏa mãn điều kiện < 0.05. Sử dụng tiêu chuẩn Eigenvalue trích ra được 5 nhân tố đại diện cho 26 biến quan sát với Eigenvalue = 1.320, dừng ở nhân tố thứ 5. Giá trị phương sai tích lũy là 0.53415, cho biết 5 nhân tố trích ra giải thích được 53.415% sự biến thiên của 26 biến quan sát.
Xem xét bảng 6 cho biến phụ thuộc Ý định sử dụng (Y dinh) thì hệ số KMO =0.664, thỏa mãn điều kiện 0.5 < KMO < 1 cho thấy sự phù hợp khi sử dụng phương pháp EFA. Kết quả kiểm định Bartlett có mức ý nghĩa thống kê Sig. < 0.05 cho thấy biến quan sát có tương quan tuyến tính với nhân tố đại diện. Sử dụng tiêu chuẩn Eigenvalue là 2.039, thỏa mãn điều kiện > 1. Phương sai tích lũy là 0.67980 cho thấy nhân tố trích giải thích được 67,980% biến động của các biến quan sát trong thang đo.
4.6. Phân tích tương quan
Hệ số tương quan Pearson được sử dụng để xem xét mối quan hệ giữa các biến trong của MHNC.
Bảng 4.6: Kết quả phân tích tương quan Pearson
Ma trận tương quan tại bảng 4.6 cho thấy mối tương quan giữa các cặp biến trong MHNC. Kết quả cho thấy 5 biến độc lập trong mô hình đều có tương quan với biến phụ thuộc. Như vậy, các biến độc lập Ảnh hưởng xã hội (Xahoi); Nhận thức sự dễ dàng sử dụng (Dedang); Kỳ vọng kết quả thực hiện (Ketqua); Sự thuận tiện (Thuantien); Nhận thức sự hữu ích (Huuich) có mức tương quan dương tại mức ý nghĩa 1% với biến phụ thuộc Ý định sử dụng (Y dinh).
4.7. Phân tích hồi quy Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Phân tích hồi quy đa biến được tiến hành sau khi hoàn thành các bước kiểm định về độ tin cậy và đánh giá giá trị của thang đo, phân tích hồi quy đa biến nhằm xác định sự tác động của các biến độc lập vào biến phụ thuộc và kiểm định các giả thuyết nghiên cứu.
Bảng 4.7: Kết quả phân tích hồi quy
Trong bảng 8 cho thấy biến độc lập Nhận thức sự hữu ích (Huuich) có tác động mạnh nhất lên biến phụ thuộc Ý định sử dụng (Y dinh) với mức ý nghĩa < 0.05 và hệ số hồi quy = 0.378, tiếp theo đó là sự tác động của Nhận thức sự dễ dàng sử dụng (DD), Ảnh hưởng xã hội (Xahoi), Sự thuận tiện (Thuantien) và Kỳ vọng kết quả thực hiện (Ketqua) với mức ý nghĩa < 0.05 và hệ số hồi quy lần lượt là 0.306; 0.167; 0.146 và 0.119. Kết quả hồi quy thấy nhận thức về sự dễ dàng sử dụng có ảnh hưởng mạnh mẽ nhất đến ý định sử dụng trí tuệ nhân tạo của sinh viên. Điều này phù hợp với kết quả của nghiên cứu trước đây từ Davis (1989), khi ông chỉ ra rằng nhận thức về sự dễ dàng sử dụng có tác động trực tiếp và tích cực đến thái độ và ý định sử dụng công nghệ. Hơn nữa, nghiên cứu của Pillai, Sivathanu và Dwivedi (2020) về việc sử dụng công nghệ AI trong bán lẻ cũng nhấn mạnh rằng yếu tố này là yếu tố cốt lõi trong Ý định sử dụng AI.
Mô hình hồi quy các nhân tố tác động đến ý định sử dụng AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM được thể hiện như sau: YD = 0.378 * Huuich + 0.306 * Dedang + 0.167 * Xahoi + 0.146 * Thuantien + 0.119 * Ketqua
Bảng 4.8: Tóm tắt mô hình
Theo kết quả của bảng 9, hệ số R2 là 0.581. Như vậy, 58.1% thay đổi của biến phụ thuộc Ý định sử dụng (Y dinh) được giải thích bởi 5 biến độc lập của mô hình. Hay nói cách khác, 58.1% ý định sử dụng AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM có thể được giải thích bởi các nhân tố Ảnh hưởng xã hội (Xahoi); Nhận thức sự dễ dàng sử dụng (Dedang); Kỳ vọng kết quả thực hiện (Ketqua); Sự thuận tiện (Thuantien); Nhận thức sự hữu ích (Huuich).
Bảng 4.9: Kết quả phân tích phương sai ANOVA
Dựa vào bảng 10, với kết quả có ý nghĩa thống kê < 0.05 và F = 81.539, kết luận ở độ tin cậy 95% mô hình hồi quy tuyến tính phù hợp với tổng thể. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
4.8. Kiểm định độ phù hợp của mô hình
- Hiện tượng đa cộng tuyến (VIF)
Kiểm định đa cộng tuyến được thực hiện để xác định các biến độc lập không có tương quan hoàn toàn với nhau. Trong nghiên cứu lĩnh vực kinh tế, VIF > 10 thì biến độc lập không có giá trị giải thích biến thiên của biến phụ thuộc trong mô hình hồi quy. Với quy mô của nghiên cứu này, vì số lượng mẫu nhỏ (300 mẫu) nên VIF không nên >5. Theo bảng 8, VIF < 2 cho nên không xảy ra hiện tượng đa cộng tuyến.
- Hiện tượng tự tương quan (Durbin – Watson)
Để kiểm định hiện tượng tự tương quan ta sử dụng hệ số Durbin – Watson. Nếu khoảng biến thiên của hệ số này từ 1 < hệ số Durbin – Watson < 3 thì mô hình được cho là không có hiện tượng tự tương quan. Và ngoài khoảng biến thiên từ 1 đến 3 thì mô hình được cho là có xảy ra tự tương quan. Kết quả ở bảng 9 cho thấy hệ số Durin – Watson là 1.206 cho nên không xảy ra hiện tượng tự tương quan.
- Hiện tượng phương sai thay đổi
Bảng 4.10: Kết quả phân tích tương quan Spearman **. Hệ số tương quan ở mức ý nghĩa 1%.
Kết quả kiểm định Spearman từ bảng 11 cho thấy các biến độc lập trong MHNC đều có mức ý nghĩa Sig. < 0.05, như vậy các biến độc lập không có tương quan với phần dư nên không xảy ra hiện tượng phương sai thay đổi trong MHNC.
4.9. Kết luận giả thuyết thống kê Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Kết quả nghiên cứu chỉ ra 5 nhân tố tác động đến ý định sử dụng AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM là Ảnh hưởng xã hội (Xahoi); Nhận thức sự dễ dàng sử dụng (Dedang); Kỳ vọng kết quả thực hiện (Ketqua); Sự thuận tiện (Thuantien); Nhận thức sự hữu ích (Huuich).
Nhận thức sự hữu ích (Huuich) có hệ số Beta = 0.378 > 0. với mức ý nghĩa Sig. = < 0.05. Như vậy nhân tố Nhận thức sự hữu ích (Huuich) có tác động lớn nhất đến biến phụ thuộc Ý định sử dụng (Y dinh).
Kết quả phân tích cho thấy các nhân tố Nhận thức sự hữu ích, Nhận thức sự dễ dàng sử dụng, Ảnh hưởng xã hội, Sự thuận tiện và Kỳ vọng kết quả thực hiện đều có ảnh hưởng tích cực đến ý định sử dụng AI của học viên, sinh viên Trường Đại học Ngân hàng TP.HCM. Trong đó, yếu tố Nhận thức sự hữu ích đóng vai trò quan trọng nhất, tiếp theo là Nhận thức sự dễ dàng sử dụng. Điều này cho thấy, các học viên, sinh viên đánh giá cao tính ứng dụng thực tiễn và sự tiện lợi của AI.
Kết quả luận văn cho thấy ảnh hưởng xã hội và kỳ vọng kết quả là những yếu tố mấu chốt có tác động lớn đến ý định sử dụng trí tuệ nhân tạo trong học tập, điều này tương tự với kết luận của Menon và Shilpa (2023). Nghiên cứu của họ về việc sử dụng ChatGPT trong giáo dục cho thấy rằng các yếu tố này đều đóng vai trò then chốt trong việc thúc đẩy hành vi sử dụng. Tương tự, luận văn cũng phát hiện rằng yếu tố sự thuận tiện là một trong những yếu tố có ảnh hưởng mạnh mẽ đến quyết định sử dụng AI.
Nghiên cứu của Pham Minh và Bùi Ngọc Tuấn Anh (2020) đã chỉ ra rằng nhận thức về sự hữu ích là yếu tố quan trọng nhất ảnh hưởng đến ý định sử dụng công nghệ, điều này hoàn toàn phù hợp với kết quả nghiên cứu này. Thêm vào đó, nghiên cứu này cũng phát hiện rằng nhận thức sự dễ dàng sử dụng là yếu tố thứ hai tác động mạnh mẽ đến quyết định sử dụng công nghệ, qua đó khẳng định vai trò của các yếu tố này trong việc thúc đẩy ý định sử dụng AI của sinh viên trong môi trường giáo dục.
Kết quả nghiên cứu này đã giúp làm rõ hơn các yếu tố tâm lý xã hội ảnh hưởng đến việc chấp nhận công nghệ mới trong môi trường giáo dục. Tuy nhiên, nghiên cứu vẫn còn một số hạn chế như kích thước mẫu còn hạn chế và chỉ tập trung vào một trường đại học. Do đó, các nghiên cứu tiếp theo cần mở rộng quy mô mẫu, khảo sát nhiều trường đại học khác nhau và xem xét thêm các yếu tố khác như đặc điểm cá nhân, kinh nghiệm sử dụng công nghệ để có cái nhìn toàn diện hơn.
Bảng 4.11: Kết luận giả thuyết thống kê
Chương này của nghiên cứu nêu tổng quan về lịch sử hình thành và phát triển của trường Đại học Ngân hàng TP. HCM, cùng với sứ mệnh và tầm nhìn của nhà trường.
Chương này đã tiến hành xử lý và phân tích dữ liệu thu thập được bằng phần mềm SPSS, kết quả xác định được 5 nhân tố có ảnh hưởng đến ý định sử dụng AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM.
Kiểm tra độ tin cậy của thang đo bằng hệ số Cronbach’s Alpha và thực hiện phân tích EFA để kiểm định giá trị thang đo. Phân tích hồi quy cho thấy cả 5 nhân tố Ảnh hưởng xã hội (Xahoi); Nhận thức sự dễ dàng sử dụng (Dedang); Kỳ vọng kết quả thực hiện (Ketqua); Sự thuận tiện (Thuantien); Nhận thức sự hữu ích (Huuich) đều có tác động đến Ý định sử dụng (Y dinh). Trong đó, 5 nhân tố giải thích được 58.1% sự biến thiên của biến phụ thuộc. Ảnh hưởng mạnh nhất đến Ý định sử dụng (Y dinh) là biến độc lập Nhận thức sự hữu ích (Huuich) với Beta = 0.378 và mức ý nghĩa Sig. = 0.000 và chấp nhận các giả thuyết nghiên cứu.
CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ
5.1. Kết luận nghiên cứu Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Công trình này đã tổng hợp các lý thuyết nền về ý định và hành vi sử dụng công nghệ, từ đó xác định các yếu tố lý thuyết ảnh hưởng đến ý định sử dụng AI. Tiếp theo, so sánh các yếu tố này với các công bố ở trong nước và quốc tế để xác định những khoảng trống nghiên cứu. Từ đó, tác giả đề xuất MHNC và giả thuyết.
Công trình này nghiên cứu theo hai bước: định tính và định lượng. Định tính bao gồm tổng hợp khái niệm và thang đo đo lường cho các yếu tố trong MHNC, thảo luận nhóm và chuyên gia để hoàn thiện mẫu khảo sát. Giai đoạn định lượng đã khảo sát 300 học viên, sinh viên trường Đại học Ngân hàng TP. HCM. Sau khi có dữ liệu, các phân tích dữ liệu được thực hiện, kiểm định độ tin cậy, phân tích nhân tố khám phá và mô hình hồi quy để đạt được các mục tiêu nghiên cứu đề ra.
Năm nhân tố Ảnh hưởng xã hội (Xahoi); Nhận thức sự dễ dàng sử dụng (Dedang); Kỳ vọng kết quả thực hiện (Ketqua); Sự thuận tiện (Thuantien); Nhận thức sự hữu ích (Huuich) có tác động đến Ý định sử dụng (Y dinh) AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM.
Kế quả phân tích hồi quy, 5 nhân tố Nhận thức sự hữu ích (Huuich); Nhận thức sự dễ dàng sử dụng (Dedang); Ảnh hưởng xã hội (Xahoi); Sự thuận tiện (Thuantien); Kỳ vọng kết quả thực hiện (Ketqua) có tác động cùng chiều lên Ý định sử dụng (Y dinh) AI của học viên, sinh viên trường Đại học Ngân hàng TP. HCM, được chứng minh thông qua hệ số Beta lần lượt là 0.378; 0.306; 0.167; 0.146 và 0.119.
Kết quả này cung cấp những đề xuất giúp nhà trường đưa ra những định hướng giúp thúc đẩy học viên, sinh viên nhà trường sử dụng AI để tận dụng những tiện ích và giảm thiểu nguy cơ của AI. Đây là nền tảng đặt ra các hàm ý quản trị dưới đây.
- So sánh kết quả hồi quy của MHNC với các nghiên cứu trước đó ta thấy rằng:
Nhận thức sự hữu ích (Huuich) là một nhân tố quan trọng và thường có mức tác động lớn trong các nghiên cứu về chấp nhận công nghệ. Theo TAM, nhân tố này thường có tác động lớn đến ý định sử dụng. Với hệ số beta 0.378, nhận thức về sự hữu ích có ảnh hưởng lớn nhất trong MHNC. Kết quả nghiên cứu cho thấy nhận thức về sự hữu ích (Huuich) là yếu tố có ảnh hưởng mạnh nhất đến ý định sử dụng AI của sinh viên. Kết quả này tương đồng với các nghiên cứu của Davis (1989) và Zhang (2020), khi cả hai nghiên cứu đều khẳng định rằng nhận thức về sự hữu ích đóng vai trò quan trọng trong quyết định sử dụng công nghệ mới. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Nhận thức sự dễ dàng sử dụng (Dedang) là một yếu tố quan trọng trong mô hình chấp nhận công nghệ TAM và thường có hệ số hồi quy cao, vì người dùng thường cảm thấy thoải mái hơn với công nghệ mà họ cho là dễ sử dụng. Với hệ số beta 0.306, nhận thức sự dễ dàng sử dụng của MHNC khá cao. Các tác giải trước đây cũng cho rằng nhận thức về sự dễ dàng sử dụng (Dedang) là yếu tố quan trọng, ảnh hưởng đến ý định sử dụng AI. Các nghiên cứu của Venkatesh và cộng sự (2003) và Menon & Shilpa (2023) đều nhấn mạnh rằng yếu tố này đóng vai trò quyết định trong quá trình chấp nhận công nghệ.
Ảnh hưởng xã hội (Xahoi) trong nhiều nghiên cứu, ảnh hưởng xã hội thường được chỉ ra là một yếu tố quan trọng nhưng không phải là yếu tố chính. Ví dụ, trong mô hình của Venkatesh và Davis (2000) về mô hình TAM, ảnh hưởng xã hội có thể có mức độ ảnh hưởng trung bình. Với hệ số beta là 0.167, ảnh hưởng xã hội có vẻ thấp hơn so với một số nghiên cứu trước đây, nhưng khi xét riêng trong MHNC có thể cho thấy rằng yếu tố này có tác động trung bình đến ý định sử dụng AI của học viên, sinh viên. Kết quả này tương đồng với các công bố trước đó của Menon và Shilpa (2023); Pillai và cộng sự (2020), khi các nghiên cứu này cũng nhấn mạnh vai trò của ảnh hưởng xã hội trong việc thúc đẩy ý định sử dụng AI trong học tập và công việc.
Kỳ vọng kết quả thực hiện (Ketqua) thường được xem là yếu tố then chốt trong việc chấp nhận công nghệ, nhưng không phải luôn là yếu tố chính. Nhiều nghiên cứu đã chỉ ra rằng mức độ ảnh hưởng của yếu tố này có thể dao động. Với hệ số beta 0.146, yếu tố này có mức ảnh hưởng trung bình và thấp hơn so với một số nghiên cứu trước đây, điều này có thể phản ánh rằng kỳ vọng kết quả thực hiện không phải là yếu tố chính trong ý định sử dụng AI của học viên, sinh viên trong MHNC. Kết quả này tương đồng với nghiên cứu của Pillai và cộng sự (2020), khi họ cho thấy rằng yếu tố kỳ vọng kết quả có ảnh hưởng trung bình đến ý định sử dụng AI, không phải là yếu tố chính trong tất cả các trường hợp. Tương tự, nghiên cứu của Venkatesh và cộng sự (2003) cũng cho thấy yếu tố này có ảnh hưởng không đồng nhất giữa các bối cảnh khác nhau.
Sự thuận tiện (Thuantien) đôi khi có thể không phải là yếu tố chính trong mô hình chấp nhận công nghệ, nhưng nó vẫn đóng vai trò quan trọng trong việc ảnh hưởng đến sự chấp nhận. Với hệ số beta 0.119, sự thuận tiện là yếu tố ít ảnh hưởng hơn trong MHNC, điều này có thể cho thấy rằng Sự thuận tiện không phải là yếu tố quan trọng đối với ý định sử dụng AI của học viên, sinh viên trong nghiên cứu này. Điều này phù hợp với kết quả từ nghiên cứu của Menon và Shilpa (2023), khi họ cũng chỉ ra rằng sự thuận tiện không phải lúc nào cũng là yếu tố quyết định trong việc chấp nhận các công nghệ mới, mà chỉ đóng vai trò hỗ trợ trong một số trường hợp.
Sự phù hợp: Kết quả của MHNC cho thấy sự phù hợp với một số nghiên cứu trước đây về nhận thức sự dễ dàng sử dụng và nhận thức sự hữu ích, điều này khẳng định tầm quan trọng của các yếu tố này trong việc ảnh hưởng đến ý định sử dụng AI. Nghiên cứu của Davis (1989) và Zhang (2020) cũng chỉ ra rằng nhận thức sự dễ dàng sử dụng và nhận thức sự hữu ích là hai yếu tố chính ảnh hưởng đến ý định sử dụng công nghệ, điều này khẳng định tính phù hợp của nghiên cứu với các mô hình lý thuyết trước đó. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Khác biệt: Kết quả thấp cho kỳ vọng kết quả thực hiện và sự thuận tiện có thể phản ánh sự khác biệt trong bối cảnh nghiên cứu của MHNC hoặc đặc thù của nhóm đối tượng khảo sát. Điều này khác biệt so với công bố của Venkatesh và cộng sự (2003) và Pillai và cộng sự (2020), khi họ cho thấy kỳ vọng kết quả và sự thuận tiện có ảnh hưởng mạnh hơn trong các bối cảnh khác, như bán lẻ hoặc môi trường công việc. Sự khác biệt này có thể đến từ đặc thù của nhóm đối tượng khảo sát là học viên, sinh viên trong môi trường giáo dục (các yếu tố khác có thể quan trọng hơn).
5.2. Hàm ý quản trị
5.2.1. Nhận thức sự hữu ích
Theo kết quả phân tích hồi quy đa biến, nhân tố Nhận thức sự hữu ích (Huuich) cho thấy có tác động lớn nhất đến ý định sử dụng AI của học viên, sinh viên tại Trường Đại học Ngân hàng TP. HCM, với hệ số Beta đạt 0.378. Giá trị trung bình của nhân tố này là 4.642, cho thấy học viên, sinh viên đánh giá rất cao giá trị của AI đối với học tập và nghiên cứu. Mặc dù chỉ số này đã ở mức cao, nhưng việc duy trì và thậm chí nâng cao nhận thức tích cực về AI là điều cần thiết để phát huy tối đa hiệu quả của công nghệ trong môi trường học thuật.
Kết quả này khẳng định rằng khi học viên, sinh viên càng nhận thức rõ hơn về những lợi ích mà AI mang lại cho quá trình học tập và làm việc, họ có xu hướng muốn sử dụng công cụ này. Điều này hoàn toàn phù hợp với lý thuyết về hành vi chấp nhận công nghệ, trong đó nhận thức về lợi ích là một trong những yếu tố quyết định quan trọng nhất đối với việc chấp nhận một công nghệ mới. Giới thiệu cách AI giúp phát triển ý tưởng nghiên cứu, tìm kiếm tài liệu, trích dẫn… Giúp người học nhận thấy tính hữu ích không chỉ ở môn học ngắn hạn mà cả nghiên cứu lâu dài (Davis, 1989).
- Từ kết đây, một số hàm ý quản trị có thể rút ra một số hàm ý quản trị như sau:
Tăng cường truyền thông về sự hữu ích của trí tuệ nhân tạo: Nhà trường cần đẩy mạnh các hoạt động truyền thông để giúp học viên, sinh viên hiểu rõ hơn về những lợi thế mà AI mang lại cho việc học tập, nghiên cứu và làm việc. Việc này có thể được thảo luận các buổi hội thảo, workshop, các bài viết trên tạp chí, website của trường, hoặc thậm chí là các video hướng dẫn ngắn gọn và dễ hiểu. Các đề tài khoa học sinh viên, luận văn thạc sĩ, khóa luận… khuyến khích ứng dụng AI ở khâu tổng hợp, phân tích dữ liệu thô, gợi ý hướng giải quyết vấn đề. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Tổ chức các buổi trải nghiệm thực tế: Để giúp học viên, sinh viên có cái nhìn trực quan và sâu sắc hơn về khả năng của trí tuệ nhân tạo, nhà trường có thể tổ chức các hoạt động trải nghiệm thực tế, như các cuộc thi lập trình, các dự án nghiên cứu sử dụng trí tuệ nhân tạo, hoặc các buổi tham quan các doanh nghiệp đang ứng dụng trí tuệ nhân tạo vào hoạt động sản xuất kinh doanh.
Xây dựng các chương trình đào tạo về AI: Song song với việc truyền thông về lợi ích, nhà trường cũng cần đầu tư vào việc phát triển các nội dung đào tạo về kỹ năng sử dụng AI cho học viên, sinh viên. Các chương trình này có thể được tích hợp vào các môn học chuyên ngành hoặc được tổ chức dưới hình thức các khóa học ngắn hạn.
Cung cấp các công cụ và nền tảng trí tuệ nhân tạo phù hợp: Nhà trường cần trang bị cho học viên, sinh viên các công cụ và nền tảng trí tuệ nhân tạo phù hợp với nhu cầu học tập và nghiên cứu của họ. Điều này có thể bao gồm việc cấp phép sử dụng các phần mềm trí tuệ nhân tạo thương mại, xây dựng các nền tảng trí tuệ nhân tạo mở, hoặc hợp tác với các doanh nghiệp để cung cấp các giải pháp trí tuệ nhân tạo tùy chỉnh.
Bằng cách thực hiện các biện pháp trên, nhà trường không chỉ giúp tăng cường ý định sử dụng trí tuệ nhân tạo của học viên, sinh viên mà còn góp phần nâng cao chất lượng đào tạo, tạo ra một thế hệ sinh viên có kỹ năng số và thích hợp với cuộc cách mạng công nghiệp 4.0.
5.2.2. Nhận thức sự dễ dàng sử dụng
Tiếp nối phân tích các yếu tố tác động đến ý định sử dụng AI, kết quả nghiên cứu cho thấy nhân tố Nhận thức sự dễ dàng sử dụng (Dedang) cũng có vai trò đáng kể, với hệ số hồi quy Beta đạt 0.306. Giá trị trung bình của yếu tố này là 4.620, cho thấy sinh viên, học viên đánh giá rất cao mức độ thân thiện và dễ sử dụng của công nghệ AI. Mặc dù chỉ số Beta và Mean đã ở mức cao, việc duy trì và không ngừng cải thiện tính dễ dàng sử dụng là cần thiết để hỗ trợ người mới và tránh tình trạng bỡ ngỡ khi tiếp cận công nghệ.
Điều này cho thấy, bên cạnh việc nhận thức được lợi ích, việc đánh giá mức độ dễ dàng trong việc sử dụng trí tuệ nhân tạo cũng là một yếu tố quyết định mạnh mẽ đến quyết định có sử dụng công cụ này hay không.
Hàm ý quản trị từ kết quả này rất rõ ràng: để khuyến khích học viên, sinh viên sử dụng trí tuệ nhân tạo một cách hiệu quả, nhà trường cần tập trung vào việc đơn giản hóa quá trình tiếp cận và sử dụng công cụ này.
- Cụ thể: Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Giao diện thân thiện, dễ sử dụng: Các ứng dụng AI được cung cấp cho học viên, sinh viên cần có giao diện trực quan, dễ hiểu, với các hướng dẫn sử dụng chi tiết và rõ ràng. Việc tối ưu hóa giao diện sẽ giúp giảm thiểu thời gian làm quen và tăng khả năng tự học của người dùng.
Hỗ trợ kỹ thuật kịp thời: Nhà trường cần thiết lập một hệ thống hỗ trợ kỹ thuật chuyên nghiệp, sẵn sàng giải đáp mọi thắc mắc của học viên, sinh viên trong quá trình sử dụng AI. Điều này có thể thực hiện thông qua các kênh hỗ trợ trực tuyến, các buổi tư vấn trực tiếp hoặc các diễn đàn trao đổi. Đặc biệt, người mới sẽ cảm thấy an tâm khi luôn có “đầu mối” giải quyết (My, 2022).
Tổ chức các khóa đào tạo ngắn hạn: Bên cạnh các chương trình đào tạo chính thức, nhà trường có thể xây dựng khóa đào tạo ngắn hạn, tập trung vào các kỹ năng sử dụng cụ thể của từng công cụ AI. Các khóa học này cần có tính linh hoạt, thích hợp với trình độ và nhu cầu của từng đối tượng học viên.
Tích hợp trí tuệ nhân tạo vào học tập hàng ngày: Việc tích hợp trí tuệ nhân tạo vào việc học giúp học viên, sinh viên làm quen với AI một cách tự nhiên và hiệu quả. Ví dụ, có thể sử dụng trí AI để hỗ trợ việc tìm kiếm tài liệu, soạn thảo bài báo, tạo bài thuyết trình hoặc thậm chí là đánh giá bài tập. Khi các công cụ AI nâng cấp, nên cập nhật kịp thời (ChatGPT Plugin, Gemini Beta…), qua email hay nhóm sinh viên, để người học thấy công nghệ này thân thiện và dễ nắm bắt.
Tóm lại, tận dụng triệt để tiềm năng của trí tuệ nhân tạo vào nghiên cứu và học tập, nhà trường cần tạo ra một môi trường thuận lợi, trong đó trí tuệ nhân tạo trở thành một công cụ hữu ích, dễ sử dụng và được tích hợp sâu rộng vào các hoạt động hàng ngày. Khi đó, học viên, sinh viên sẽ tự tin và chủ động hơn trong việc ứng dụng trí tuệ nhân tạo vào công việc và cuộc sống.
5.2.3. Ảnh hưởng xã hội
Theo kết quả phân tích, nhân tố Ảnh hưởng xã hội (Xahoi) có hệ số Beta là 0.167, cho thấy thái độ và hành vi của những người xung quanh góp phần định hình quyết định sử dụng AI của cá nhân. Giá trị trung bình của nhân tố này đạt 4.236, phản ánh mức độ tích cực trong nhận thức của người học đối với sự ủng hộ, khuyến khích từ bạn bè, giảng viên và cộng đồng. Tuy nhiên, để tối ưu hóa tính lan tỏa của công nghệ AI, cần đẩy mạnh các chiến lược tác động xã hội, qua đó gia tăng sức ảnh hưởng và thúc đẩy quá trình ứng dụng hiệu quả trong môi trường học tập.
Để khai thác tối đa ảnh hưởng của yếu tố xã hội, nhà trường cần xây dựng một môi trường học tập khuyến khích sử dụng AI:
Một câu lạc bộ công nghệ dưới sự bảo trợ của nhà trường, nơi người học có thể trao đổi, hướng dẫn lẫn nhau. Những sinh viên giỏi về AI đóng vai trò đại sứ lan truyền nhận thức tích cực (Menon & Shilpa, 2023).
Tạo ra những người dùng đầu tiên: Nhà trường nên tập trung vào việc đào tạo một nhóm những người dùng đầu tiên thành thạo và nhiệt tình với trí tuệ nhân tạo. Nhóm này sẽ đóng vai trò như những người truyền cảm hứng và hướng dẫn cho những người khác. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Tổ chức các sự kiện chia sẻ kinh nghiệm: Việc tổ chức các buổi chia sẻ kinh nghiệm, các cuộc thi, các hội thảo về trí tuệ nhân tạo sẽ giúp tạo ra một không khí sôi động và khuyến khích học viên, sinh viên tham gia.
Tạo ra một cộng đồng trực tuyến: Xây dựng một diễn đàn, một nhóm trên mạng xã hội nơi học viên, sinh viên có thể thảo luận, chia sẻ dữ liệu và tương tác lẫn nhau khi sử dụng AI.
Khuyến khích sự hợp tác: Tổ chức các dự án nhóm, các cuộc thi lập trình đôi để học viên, sinh viên có cơ hội làm việc cùng nhau và học hỏi lẫn nhau.
Tích hợp AI vào những hoạt động bên ngoài việc học: Việc tổ chức các hội, nhóm, các hoạt động ngoại khóa liên quan đến trí tuệ nhân tạo sẽ giúp học viên, sinh quen với công cụ này một cách tự nhiên và thoải mái hơn.
Bằng cách tạo ra một môi trường xã hội tích cực, nơi việc sử dụng AI được khuyến khích và đánh giá cao, nhà trường sẽ giúp tăng cường ý định sử dụng AI của học viên, sinh viên.
5.2.4. Kỳ vọng kết quả thực hiện
Kết quả phân tích cho thấy nhân tố Kỳ vọng kết quả thực hiện (Ketqua) có hệ số Beta là 0.146, chỉ ra rằng học viên, sinh viên có xu hướng sử dụng AI khi kỳ vọng sẽ cải thiện hiệu quả học tập và công việc. Giá trị trung bình của nhân tố này đạt mức cao nhất, khoảng 4.72, phản ánh niềm tin mạnh mẽ của người học rằng AI mang lại kết quả tích cực. Tuy nhiên, để duy trì và củng cố kỳ vọng này, cần đảm bảo cung cấp đầy đủ các minh chứng cụ thể và xác thực về hiệu quả của AI, nhằm tránh sự suy giảm niềm tin trong quá trình ứng dụng.
- Để tăng cường kỳ vọng kết quả thực hiện của học viên, sinh viên, nhà trường có thể:
Nghiên cứu điển hình: Thực hiện các nghiên cứu nhỏ, khảo sát để chứng minh việc sử dụng AI giúp cải thiện điểm số, chất lượng bài làm, rút ngắn thời gian hoàn thành nhiệm vụ. Nhóm có dùng AI làm bài thuyết trình đạt điểm trung bình X, cao hơn Y% so với nhóm không dùng AI (Pillai, Sivathanu & Dwivedi, 2020).
Chia sẻ kinh nghiệm: Tổ chức các buổi chia sẻ kinh nghiệm của những sinh viên đã sử dụng AI thành công. Mời doanh nghiệp (tài chính công nghệ, ngân hàng…) đánh giá cao kỹ năng AI khi tuyển dụng. Từ đó, sinh viên/học viên sẽ thấy kết quả thực tiễn không chỉ ở học tập mà còn khi ra trường. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Khen thưởng: Tổ chức các cuộc thi, các chương trình khen thưởng để khuyến khích sinh viên sử dụng AI. Khi AI thực sự cải thiện hiệu suất, giảng viên nên xác nhận và ghi nhận đóng góp đó (khi chấm điểm, phản hồi…).
Cơ hội nâng cao kỹ năng: Kết nối với các doanh nghiệp để tạo ra các cơ hội thực tập, làm việc part-time liên quan đến AI cho sinh viên.
Bằng cách làm rõ những lợi ích cụ thể mà AI mang lại và xây dựng một môi trường công bằng, nhà trường sẽ giúp học viên, sinh viên có những kỳ vọng thực tế và tích cực hơn về việc sử dụng AI.
5.2.5. Sự thuận tiện
Nhân tố Sự thuận tiện (Thuantien) đóng vai trò then chốt trong việc phản ánh mức độ dễ dàng tiếp cận và sử dụng công nghệ AI. Khi một công cụ được đánh giá là thuận tiện, người dùng sẽ cảm thấy tự tin và thoải mái hơn trong quá trình sử dụng. Kết quả nghiên cứu cho thấy, với giá trị trung bình đạt 4.519, học viên, sinh viên đánh giá mức độ thuận tiện của AI ở mức khá cao. Tuy nhiên, các ý kiến phản hồi chỉ ra rằng vẫn còn tồn tại một số rào cản, như hạn chế về hạ tầng công nghệ thông tin và các chính sách truy cập chưa được triển khai một cách trơn tru. Vì vậy, để tăng cường tính thuận tiện trong việc sử dụng AI, nhà trường cần tập trung vào việc cải thiện hạ tầng kỹ thuật, tối ưu hóa chính sách quản lý truy cập cũng như nâng cấp giao diện người dùng, nhằm tạo điều kiện tối ưu cho người học.
Mở rộng quyền truy cập: Đảm bảo rằng tất cả học viên, sinh viên đều có thể dễ dàng truy cập vào các công cụ AI, không bị giới hạn bởi thiết bị hay mạng internet.
Tích hợp vào hệ thống học tập: Tích hợp các công cụ AI vào các nền tảng học tập trực tuyến của trường để sinh viên có thể truy cập dễ dàng và truy cập chỉ với 1 lần đăng nhập. Giảm thiểu thao tác đăng nhập và rắc rối.
Đơn giản hóa giao diện: Thiết kế giao diện các công cụ AI một cách trực quan, dễ hiểu, tránh sử dụng quá nhiều thuật ngữ chuyên ngành.
Cung cấp hướng dẫn chi tiết: Cung cấp các hướng dẫn sử dụng chi tiết, rõ ràng bằng nhiều hình thức khác nhau như video, tài liệu hướng dẫn. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Xây dựng đội ngũ hỗ trợ: Thành lập một đội ngũ hỗ trợ kỹ thuật chuyên nghiệp, sẵn sàng phản hồi các câu hỏi.
Các kênh hỗ trợ đa dạng: Cung cấp nhiều kênh hỗ trợ khác nhau như: email, hotline, diễn đàn trực tuyến.
Kết nối với các thiết thông minh cầm tay: Phát triển các AI trên điện thoại di động để sinh viên truy cập bất kỳ khi nào và ở đâu.
Hệ thống ổn định: Đảm bảo các hệ thống AI hoạt động ổn định, tránh tình trạng gián đoạn trong quá trình sử dụng.
Bảo mật dữ liệu: Đảm bảo tính bảo mật dữ liệu cá nhân và dữ liệu của sinh viên khi sử dụng AI.
Bằng cách tăng cường sự thuận tiện, nhà trường cần khuyến khích sinh viên sử dụng AI và giúp họ khai thác tối đa tiềm năng của công nghệ này.
Tóm lại khi nhận thức về sự hữu ích được xác định là yếu tố có tác động mạnh nhất đến ý định sử dụng AI , nhà trường cần tập trung vào việc nâng cao nhận thức về lợi ích của AI thông qua các chiến dịch truyền thông nội bộ và các khóa học về trí tuệ nhân tạo (Davis, 1989). Yếu tố sự thuận tiện là một yếu tố quan trọng (Venkatesh và cộng sự, 2003). Do đó, nhà trường có thể cải thiện trải nghiệm sử dụng AI của sinh viên bằng cách triển khai các hệ thống AI dễ dàng sử dụng và có thể truy cập bất cứ lúc nào. Việc liên kết các hàm ý quản trị sau khi có kết quả giúp đảm bảo rằng các đề xuất được đưa ra sẽ phù hợp với thực tiễn và có khả năng triển khai hiệu quả trong môi trường giáo dục.
5.3. Hạn chế của nghiên cứu và hướng nghiên cứu tiếp theo Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
Công trình nghiên cứu đã đạt được mục tiêu đề ra và thu về kết quả tích cực, song vẫn có nhiều hạn chế, đặc biệt là về vấn đề liên quan đến dữ liệu. Công tác thu thập dữ liệu gặp nhiều bất cập do sử dụng phương pháp khảo sát bằng mẫu khảo sát, dẫn đến tính xác thực của dữ liệu phụ thuộc vào sự trung thực và hiểu biết của người tham gia khảo sát.
Ngoài ra, nghiên cứu này chỉ tập trung vào 5 nhân tố tác động đến ý định sử dụng AI của học viên, sinh viên, bao gồm: Nhận thức sự hữu ích (Huuich); Nhận thức sự dễ dàng sử dụng (Dedang); Ảnh hưởng xã hội (Xahoi); Sự thuận tiện (Thuantien); Kỳ vọng kết quả thực hiện (Ketqua). Do đó, hoàn toàn có khả năng tồn tại những nhân tố khác có tác động đến ý định sử dụng AI của học viên, sinh viên mà nghiên cứu này chưa xem xét tới.
Mặc dù tồn tại một vài vấn đề, kết quả này đã hoàn thành mục tiêu đề ra và thu được kết quả có ý nghĩa về mặt thống kê, có sự phù hợp với các nghiên cứu quốc tế. Để củng cố và mở rộng nghiên cứu, đề xuất một số hướng sau:
Thu thập dữ liệu với quy mô mẫu lớn hơn để bao quát đối tượng nghiên cứu rộng hơn, nâng cao tính khách quan cho kết quả.
Xem xét đến sự ảnh hưởng của nhiều yếu tố khác nhau đến “ý định sử dụng AI của nhiều đối tượng hơn. Luận văn: KQNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo.
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY:
===>>> Luận văn: Nhân tố ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo
Pingback: Luận văn: PPNC ảnh hưởng đến ý định sử dụng trí tuệ nhân tạo