Các nhân tố tác động đến ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử: Nghiên cứu trường hợp tại Học viện Báo chí và Tuyên truyền
Factors influencing the intention to use generative AI in designing e-lectures: A quantitative study at the Academy of Journalism and Communication
| Lữ Đăng Nhạc | nhacld@gmail.com | Học viện Báo chí và Tuyên truyền |
Tóm tắt:
Abstract:
Từ khóa:
AI tạo sinh, bài giảng điện tử, ý định sử dụng, mô hình chấp nhận công nghệ, ảnh hưởng xã hội, đào tạo báo chí - truyền thông.
Keyword:
generative AI, e-lectures, usage intention, technology acceptance model, social influence, journalism and communication education.
Nội dung:
1. Đặt vấn đề
Chuyển đổi số và ứng dụng trí tuệ nhân tạo (AI) trong giáo dục, đào tạo là định hướng chiến lược nhất quán của Đảng và Nhà nước. Nghị quyết số 57-NQ/TW (2024) xác định phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia là đột phá quan trọng; Nghị quyết số 71-NQ/TW (2025) yêu cầu chuyển đổi số toàn diện, ứng dụng công nghệ số và AI trong giáo dục, đào tạo. Khung năng lực số cho người học với miền năng lực ứng dụng AI (Thông tư số 02/2025/TT-BGDĐT, 2025), Luật Bảo vệ dữ liệu cá nhân (2025) và Luật Trí tuệ nhân tạo (2025) đã tạo hành lang để ứng dụng AI vào thực tiễn một cách có trách nhiệm. AI tạo sinh đang thay đổi cách người dạy và người học chuẩn bị nội dung học tập (Kasneci et al., 2023). Trong thiết kế bài giảng điện tử, công nghệ này có thể hỗ trợ tóm tắt tài liệu, gợi ý cấu trúc, tạo trang trình chiếu và câu hỏi kiểm tra, song cũng tiềm ẩn rủi ro về thông tin sai lệch, thiên kiến, bản quyền và sự ỷ lại của người học (Kasneci et al., 2023; Miao & Holmes, 2023). Với cơ sở đào tạo, vấn đề này có ý nghĩa đặc thù: AI tạo sinh đang làm thay đổi phương thức sản xuất nội dung và đặt ra yêu cầu đổi mới đào tạo nghề (Pavlik, 2023). Xét từ góc độ truyền thông giáo dục, bài giảng điện tử là một sản phẩm truyền thông đa phương tiện, có hiệu quả phụ thuộc vào cách tổ chức thông điệp bằng lời, hình ảnh và tương tác (Mayer, 2021).
Tại Học viện Báo chí và Tuyên truyền, năng lực dùng AI để thiết kế nội dung số có trách nhiệm vừa là năng lực dạy học của giảng viên, năng lực của sinh viên trong thiết kế các học liệu học tập, vừa là năng lực nghề nghiệp của sinh viên - những người sẽ làm việc trong môi trường có tính chất đặc thù (Luật Trí tuệ nhân tạo, 2025). Các nghiên cứu định lượng về chấp nhận AI tạo sinh ở bậc đại học chủ yếu xem xét việc dùng ChatGPT cho học tập nói chung (Nguyễn Minh Sang et al., 2026). Còn ít nghiên cứu gắn ý định sử dụng với một nhiệm vụ sư phạm cụ thể như thiết kế bài giảng điện tử, nhất là trong đào tạo báo chí - truyền thông ở Việt Nam; lợi ích và rủi ro cũng thường được xem xét tách rời, trong khi người học có thể đồng thời đánh giá cao cả hai (Chan & Hu, 2023).
Bài viết khảo sát người học và người dạy tại Học viện Báo chí và Tuyên truyền nhằm trả lời hai câu hỏi: (1) Nhận thức sự hữu ích, nhận thức tính dễ sử dụng, điều kiện thuận lợi, ảnh hưởng xã hội và nhận thức rủi ro tác động như thế nào đến ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử? (2) Người học và người dạy đánh giá ở mức nào các điều kiện, lợi ích (cơ hội) và rủi ro (thách thức) của việc sử dụng này? Câu hỏi thứ nhất được trả lời bằng mô hình PLS-SEM, câu hỏi thứ hai bằng thống kê mô tả trên cùng bộ thang đo. Nghiên cứu đo ý định sử dụng, không đo hành vi sử dụng thực tế.
2. Phương pháp nghiên cứu
2.1. Thiết kế nghiên cứu và thang đo
Nghiên cứu sử dụng thiết kế khảo sát cắt ngang, kết hợp tổng quan tài liệu để xây dựng khung lý thuyết và thang đo. Nghiên cứu không có can thiệp hay nhóm đối chứng nên không phải là nghiên cứu thực nghiệm; các quan hệ được kiểm định là quan hệ dự báo theo lý thuyết. Bảng hỏi gồm ba câu hỏi nhân khẩu học (giới tính, độ tuổi, vai trò) và 31 chỉ báo đo sáu khái niệm theo thang Likert 5 mức (1 - Rất không đồng ý đến 5 - Rất đồng ý), không có câu đảo chiều. Các chỉ báo do tác giả phát triển dựa trên định nghĩa khái niệm của TAM, TPB, UTAUT và rủi ro cảm nhận (Ajzen, 1991; Davis, 1989; Featherman & Pavlou, 2003; Venkatesh et al., 2003), được cụ thể hóa theo các tác vụ thiết kế bài giảng điện tử và các rủi ro của AI tạo sinh.
2.2. Mẫu, thu thập và làm sạch dữ liệu
Tổng thể nghiên cứu là giảng viên và sinh viên của Học viện Báo chí và Tuyên truyền, đây là hai chủ thể trực tiếp thiết kế và sử dụng bài giảng điện tử. Do không có khung chọn mẫu đầy đủ, nghiên cứu chọn mẫu phi xác suất thuận tiện: phiếu khảo sát trực tuyến (Google Forms) được gửi tới người dạy và người học của Học viện; người tham gia trả lời tự nguyện, phiếu không thu thập thông tin định danh. Dữ liệu được thu thập trong tháng 9/2026, thu về 487 phiếu. Quy trình xử lý dữ liệu gồm: (i) mã hóa nhãn trả lời thành điểm 1-5; (ii) loại 51 phiếu chọn cùng một mức cho cả 31 chỉ báo (Hair et al., 2022); (iii) loại 2 phiếu chỉ chọn vai trò “Khác”. Bộ dữ liệu sạch còn 434 phiếu, không có giá trị thiếu. Để bám sát đối tượng nghiên cứu, 11 phiếu của chuyên viên (9) và cán bộ quản lý không kiêm giảng dạy (2) được loại khỏi mẫu phân tích. Mẫu cuối cùng gồm 423 người: 406 sinh viên (96,0%) và 17 giảng viên (4,0%, trong đó 3 người kiêm nhiệm quản lý).
2.3. Phương pháp phân tích dữ liệu
Câu hỏi nghiên cứu thứ hai được trả lời bằng thống kê mô tả (trung bình, độ lệch chuẩn, tỷ lệ đồng ý); so sánh giữa giảng viên và sinh viên dùng kiểm định Mann-Whitney với tính chất thăm dò. Câu hỏi thứ nhất được trả lời bằng PLS-SEM theo hướng dẫn của Hair et al. (2022): ước lượng theo lược đồ trọng số đường dẫn; ý nghĩa thống kê được đánh giá bằng bootstrap 5.000 mẫu lặp, khoảng tin cậy (KTC) phân vị 95%, kiểm định hai phía với t bằng hệ số chia cho sai số chuẩn bootstrap. Mô hình đo lường được đánh giá qua hệ số tải ngoài (≥ 0,708; chỉ báo 0,40-0,70 được giữ nếu CR và AVE đạt yêu cầu), Cronbach’s α, ρA, độ tin cậy tổng hợp CR (0,70-0,95), phương sai trích AVE (≥ 0,50), tiêu chí Fornell-Larcker và HTMT với ngưỡng 0,85 hoặc 0,90 kèm KTC bootstrap. Mô hình cấu trúc được đánh giá qua VIF (< 3,3), hệ số β, R², R² hiệu chỉnh và f² (0,02; 0,15; 0,35 tương ứng nhỏ, trung bình, lớn) và loại hình tác động trung gian; sai lệch do phương pháp chung được kiểm tra bằng VIF cộng tuyến toàn phần (Kock, 2015). Các giá trị Cronbach’s α được tính trên dữ liệu gốc; f² được tính từ R² của biến nội sinh khi có và không có biến dự báo, trên điểm khái niệm của mô hình đầy đủ. Phân tích được thực hiện bằng R phiên bản 4.6.1 với gói seminr phiên bản 2.5.0; hạt giống ngẫu nhiên của bootstrap được cố định (20261030) để bảo đảm khả năng tái lập.
3. Kết quả nghiên cứu và thảo luận
3.1. Kết quả nghiên cứu
3.1.1. Bài giảng điện tử và AI tạo sinh trong thiết kế bài giảng
Trong bài viết này, bài giảng điện tử là sản phẩm học liệu số đa phương tiện được thiết kế để truyền tải nội dung của một bài học hoặc chủ đề học tập, gồm cấu trúc, đề cương, trang trình chiếu, hình ảnh, video và câu hỏi kiểm tra; có thể dùng trực tiếp trên lớp hoặc tích hợp vào hệ thống quản lý học tập (LMS). Bài giảng điện tử khác với giáo án (kế hoạch dạy học), với học liệu số nói chung và với khóa học trực tuyến. Với sinh viên, việc thiết kế bài giảng điện tử gắn với bài thuyết trình, báo cáo seminar và sản phẩm học tập số. AI tạo sinh là các hệ thống có khả năng tạo ra nội dung mới từ câu lệnh của người dùng (Miao & Holmes, 2023). Trong thiết kế bài giảng có ba nhóm công cụ: mô hình ngôn ngữ lớn dạng hội thoại (như ChatGPT, Gemini) hỗ trợ phân tích, thiết kế nội dung; công cụ tạo trình chiếu tự động hỗ trợ phát triển sản phẩm; phần mềm đồ họa tích hợp AI hỗ trợ hoàn thiện hình thức. Bên cạnh các rủi ro đã được cảnh báo như thông tin sai lệch, thiên kiến, vi phạm bản quyền, liêm chính học thuật và sự ỷ lại của người học (Kasneci et al., 2023), cần lưu ý hai rủi ro thường bị bỏ qua: bảo mật dữ liệu khi tải học liệu, dữ liệu người học lên nền tảng AI của bên thứ ba và tính minh bạch khi công bố nội dung do AI tạo ra. Sinh viên cũng lo ngại về độ chính xác, quyền riêng tư và đạo đức khi dùng AI tạo sinh (Chan & Hu, 2023).
3.1.2. Quy trình thiết kế dạy học, nguyên tắc học tập đa phương tiện và khung TPACK
Mô hình ADDIE gồm năm khâu đó là: phân tích, thiết kế, phát triển, triển khai và đánh giá; đây là khung quy trình phổ biến trong thiết kế dạy học (Branch, 2009). Ở khâu phát triển, chất lượng bài giảng điện tử phụ thuộc vào các nguyên tắc học tập đa phương tiện như mạch lạc, tín hiệu, liền kề và phân đoạn; AI tạo sinh có thể sinh nhanh hình ảnh, bố cục bắt mắt nhưng cũng dễ tạo chi tiết trang trí thừa, trái với nguyên tắc mạch lạc, nên người thiết kế vẫn cần năng lực sư phạm để chọn lọc. Năng lực tích hợp công nghệ vào dạy học được mô tả bằng khung TPACK, sự giao thoa giữa tri thức công nghệ, sư phạm và nội dung (Mishra & Koehler, 2006).
3.1.3. Khung lý thuyết và giả thuyết nghiên cứu
Lý thuyết mô hình chấp nhận công nghệ xác định nhận thức sự hữu ích (NTHI) và nhận thức tính dễ sử dụng (NTSD) là hai niềm tin chính, trong đó NTSD còn tác động đến NTHI. Lý thuyết hành vi có kế hoạch bổ sung chuẩn mực chủ quan và nhận thức kiểm soát hành vi; lý thuyết UTAUT hợp nhất tám mô hình thành kỳ vọng hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội và điều kiện thuận lợi. Theo đó, NTHI và NTSD tương ứng với kỳ vọng hiệu quả và kỳ vọng nỗ lực; ảnh hưởng xã hội (AHXH) thể hiện mức độ người dùng cảm nhận lãnh đạo, đồng nghiệp, người học và xu thế chuyển đổi số kỳ vọng mình sử dụng AI, tương ứng với chuẩn mực chủ quan; điều kiện thuận lợi (DKTL) thể hiện mức độ sẵn sàng của tài khoản, hạ tầng, hỗ trợ kỹ thuật, chủ trương và tập huấn, tương ứng với nhận thức kiểm soát hành vi.
Mô hình bổ sung nhận thức rủi ro (NTRR) thể hiện mức độ lo ngại về hệ quả tiêu cực của AI tạo sinh đối với tính chính xác, liêm chính học thuật và năng lực người học theo hướng mở rộng TAM với rủi ro cảm nhận (Featherman & Pavlou, 2003). Tác động của sự hữu ích đến ý định sử dụng ChatGPT đã được ghi nhận ở sinh viên (Nguyễn Minh Sang et al., 2026). Theo UTAUT, điều kiện thuận lợi phản ánh mức độ sẵn có của hạ tầng và hỗ trợ cho việc sử dụng công nghệ. Rủi ro cảm nhận làm giảm ý định chấp nhận dịch vụ điện tử (Featherman & Pavlou, 2003), và lo lắng về công nghệ làm giảm ý định sử dụng ChatGPT của sinh viên (Nguyễn Minh Sang et al., 2026). Từ đó, các giả thuyết được đề xuất (Hình 1): H1: Nhận thức sự hữu ích (NTHI) tác động cùng chiều đến ý định sử dụng (YDSD); H2: Nhận thức tính dễ sử dụng (NTSD) tác động cùng chiều đến YDSD; H3: Điều kiện thuận lợi (DKTL) tác động cùng chiều đến YDSD; H4: Ảnh hưởng xã hội (AHXH) tác động cùng chiều đến YDSD; H5: Nhận thức rủi ro (NTRR) tác động ngược chiều đến YDSD; H6: Nhận thức tính dễ sử dụng (NTSD) tác động cùng chiều đến nhận thức sự hữu ích (NTHI).
Nguồn: Tác giả đề xuất trên cơ sở TAM, TPB, UTAUT và lý thuyết rủi ro cảm nhận.
3.1.4. Đặc điểm mẫu và đánh giá mô hình đo lường
Mẫu phân tích chủ yếu là sinh viên nữ, độ tuổi 18-22 (Bảng 2, Phụ lục), nên kết quả mô hình phản ánh chủ yếu quan điểm của người học. Mô hình đo lường đạt yêu cầu (Bảng 3 và Bảng 4, Phụ lục): hệ số tải ngoài của 31 chỉ báo từ 0,636 đến 0,874 (p < 0,001); ba chỉ báo dưới 0,708 (NTHI4, NTRR5, AHXH1) được giữ vì vẫn trên 0,60 và thang đo tương ứng đạt yêu cầu về CR, AVE (Hair et al., 2022); VIF của các chỉ báo đều dưới 2,6; Cronbach’s α từ 0,798 đến 0,877, CR từ 0,870 đến 0,903 và AVE từ 0,558 đến 0,643. Như vậy, các thang đo đạt độ tin cậy và giá trị hội tụ.
Các khái niệm cũng phân biệt rõ với nhau (Bảng 5, Phụ lục): căn bậc hai AVE (0,747-0,802) đều lớn hơn hệ số tương quan lớn nhất giữa các khái niệm (0,681), và mọi giá trị HTMT đều nhỏ hơn 0,85. Cặp có HTMT cao nhất là YDSD và AHXH (0,813; KTC 95%: [0,744; 0,877]); vì cận trên vượt 0,85, cần thận trọng khi diễn giải độ lớn tác động của AHXH đến YDSD.
3.1.5. Kiểm định giả thuyết và tác động trung gian
Mô hình cấu trúc không có đa cộng tuyến (VIF giữa các biến độc lập từ 1,000 đến 2,202), và sai lệch do phương pháp chung không phải là vấn đề nghiêm trọng (VIF cộng tuyến toàn phần từ 1,14 đến 2,56, nhỏ hơn 3,3) (Kock, 2015). Mô hình giải thích 40,4% biến thiên của NTHI (R² = 0,404; R² hiệu chỉnh = 0,403) và 55,5% biến thiên của YDSD (R² = 0,555; R² hiệu chỉnh = 0,550), là mức giải thích trung bình đối với YDSD (Hair et al., 2022). Kết quả kiểm định (Hình 2) ủng hộ H1, H4, H6 và không ủng hộ H2, H3, H5. NTSD tác động mạnh đến NTHI (β = 0,636; p < 0,001; f² = 0,679, mức lớn). Đối với ý định sử dụng, AHXH có tác động trực tiếp lớn nhất (β = 0,401; p < 0,001; f² = 0,164, mức trung bình), tiếp theo là NTHI (β = 0,308; p < 0,001; f² = 0,113, mức nhỏ). Tác động trực tiếp của NTSD (β = 0,101; p = 0,063), DKTL (β = 0,052; p = 0,295) và NTRR (β = 0,037; p = 0,352) không có ý nghĩa thống kê ở mức 5%; hệ số của NTRR còn mang dấu dương, trái với chiều giả thuyết.
Ghi chú: Giá trị trên đường dẫn là hệ số β chuẩn hóa; *** p < 0,001; ns - không có ý nghĩa thống kê
ở mức 5%; giá trị R² ghi trong khái niệm nội sinh.
Nguồn: Kết quả phân tích dữ liệu khảo sát của tác giả (2026).
NTSD tác động đến YDSD chủ yếu thông qua NTHI: tác động gián tiếp có ý nghĩa thống kê (β = 0,196; p < 0,001; KTC 95%: [0,131; 0,263]), trong khi tác động trực tiếp không có ý nghĩa, tức là trung gian chỉ qua tác động gián tiếp (Hair et al., 2022). Xét tổng tác động (Bảng 7, Phụ lục), AHXH vẫn lớn nhất (0,401), tiếp theo là NTHI (0,308) và NTSD (0,296); tuy nhiên KTC 95% của ba tổng tác động chồng lấn nhau, nên thứ bậc này chưa phải là khác biệt có ý nghĩa thống kê.
3.1.6. Mức độ đánh giá các cơ hội và thách thức
Về câu hỏi nghiên cứu thứ hai, NTRR có điểm trung bình cao nhất (3,88; 50,1% người trả lời có điểm từ 4 trở lên), DKTL thấp nhất (3,43); chênh lệch này có ý nghĩa thống kê. Về cơ hội, AI tạo sinh được đánh giá hữu ích nhất ở các tác vụ xử lý nội dung: tóm tắt, trích xuất thông tin (NTHI4: 3,90; 73,8% đồng ý), tối ưu thời gian thiết kế slide, học liệu (NTHI1: 3,81; 71,6%) và xây dựng cấu trúc bài giảng (NTHI2: 3,72; 66,4%); thấp hơn ở nâng cao thẩm mỹ (NTHI3: 3,23; 43,3%) và thiết kế rubric, câu hỏi trắc nghiệm (NTHI5: 3,49; 48,7%). Tính dễ sử dụng còn hạn chế: các chỉ báo NTSD chỉ được 41%-59% người trả lời đồng ý, thấp nhất ở tinh chỉnh nội dung do AI tạo ra (NTSD3: 45,9%) và tích hợp vào LMS (NTSD5: 41,1%). Về thách thức, ba rủi ro được đồng tình nhiều nhất là sinh viên ỷ lại, giảm tư duy phản biện (NTRR3: 4,12; 77,1%), thông tin sai lệch (NTRR1: 4,09; 77,1%) và bản quyền, đạo đức (NTRR6: 3,98; 72,1%). Trong điều kiện thuận lợi, việc nhà trường cung cấp tài khoản AI bản quyền được đánh giá thấp nhất (DKTL1: 3,23; 39,5% đồng ý). Ở thang đo ý định, hướng dẫn người khác dùng AI có trách nhiệm có điểm cao nhất (YDSD5: 3,79), còn tiếp tục dùng AI thiết kế slide thấp nhất (YDSD1: 3,22). Giảng viên đánh giá cao hơn sinh viên ở NTHI, NTSD, DKTL, AHXH và YDSD (p < 0,05), nhưng không khác biệt ở NTRR (p = 0,142); do nhóm giảng viên chỉ có 17 người, do đó kết quả này mang tính thăm dò bước đầu.
3.2. Thảo luận
Kết quả nghiên cứu cho thấy ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử chịu ảnh hưởng của cả nhận thức cá nhân và môi trường học thuật. Trong đó, ảnh hưởng xã hội và nhận thức sự hữu ích có tác động trực tiếp cùng chiều đến ý định sử dụng; nhận thức tính dễ sử dụng tác động chủ yếu thông qua nhận thức sự hữu ích. Bên cạnh đó, người tham gia khảo sát đánh giá cao những rủi ro liên quan đến việc sử dụng AI, trong khi điều kiện thuận lợi để triển khai còn hạn chế. Những kết quả này gợi ra yêu cầu cần kết hợp giữa phát triển năng lực sử dụng AI của giảng viên, sinh viên với việc hoàn thiện điều kiện hỗ trợ và cơ chế quản trị tại Học viện.
3.2.1. Phát huy ảnh hưởng xã hội và nâng cao năng lực sử dụng AI tạo sinh trong thiết kế bài giảng điện tử
Ảnh hưởng xã hội là nhân tố có tác động trực tiếp mạnh nhất đến ý định sử dụng AI tạo sinh (β = 0,401; p < 0,001). Kết quả này cho thấy ý định ứng dụng AI không chỉ được hình thành từ nhận thức và đánh giá cá nhân về công nghệ, mà còn chịu tác động của môi trường học thuật, kỳ vọng của lãnh đạo, đồng nghiệp và người học. Trong môi trường giáo dục đại học, việc sử dụng AI của giảng viên và sinh viên có thể được thúc đẩy thông qua định hướng của cơ sở đào tạo, sự chia sẻ kinh nghiệm giữa các đồng nghiệp và những chuẩn mực sử dụng được hình thành trong quá trình dạy và học. Vì vậy, Học viện cần phát huy vai trò định hướng của lãnh đạo, giảng viên và các đơn vị chuyên môn, đồng thời tạo môi trường khuyến khích chia sẻ kinh nghiệm ứng dụng AI một cách hiệu quả, minh bạch và có trách nhiệm.
Bên cạnh đó, nhận thức sự hữu ích có tác động trực tiếp cùng chiều đến ý định sử dụng (β = 0,308; p < 0,001), trong khi nhận thức tính dễ sử dụng tác động đến ý định chủ yếu thông qua nhận thức sự hữu ích (tác động gián tiếp β = 0,196; p < 0,001). Kết quả này cho thấy việc nâng cao năng lực sử dụng AI cần gắn với khả năng giải quyết những nhiệm vụ cụ thể trong thiết kế bài giảng, thay vì chỉ tập trung giới thiệu các công cụ hoặc chức năng công nghệ.
Đối với giảng viên, hoạt động tập huấn nên được tổ chức theo các công đoạn của quy trình ADDIE, từ phân tích nhu cầu, thiết kế nội dung, phát triển học liệu đến triển khai và đánh giá. Ở khâu phân tích và thiết kế, có thể hướng dẫn sử dụng mô hình ngôn ngữ lớn để tổng hợp tài liệu, xây dựng đề cương và cấu trúc bài giảng. Ở khâu phát triển, có thể khai thác các công cụ tạo trình chiếu, hình ảnh và đồ họa, đồng thời đối chiếu sản phẩm với các nguyên tắc học tập đa phương tiện. Đối với việc xây dựng câu hỏi kiểm tra và rubric đánh giá, cần kết hợp khả năng hỗ trợ của AI với thẩm định chuyên môn của giảng viên. Thư viện câu lệnh mẫu theo từng lĩnh vực, chuyên ngành cũng cần được xây dựng nhằm hỗ trợ người sử dụng nâng cao kỹ năng tương tác và tinh chỉnh nội dung do AI tạo ra.
Đối với sinh viên, cần gắn việc sử dụng AI với các nhiệm vụ học tập cụ thể như thiết kế bài thuyết trình, báo cáo seminar và sản phẩm học liệu số. Các học phần có thể yêu cầu sinh viên kiểm chứng, chỉnh sửa nội dung do AI tạo ra và trình bày rõ phần đóng góp của công nghệ trong sản phẩm học tập. Cách tiếp cận này vừa phát triển năng lực ứng dụng AI, vừa góp phần hạn chế tình trạng phụ thuộc vào công nghệ, suy giảm tư duy phản biện và nâng cao trách nhiệm của người học đối với sản phẩm của mình.
Cùng với đó, Học viện và các khoa, bộ môn cần hình thành cộng đồng thực hành về ứng dụng AI trong dạy và học, tạo điều kiện để giảng viên, sinh viên chia sẻ bài giảng, học liệu, câu lệnh mẫu và kinh nghiệm xử lý những tình huống phát sinh. Việc phát huy ảnh hưởng xã hội theo hướng tích cực sẽ góp phần hình thành môi trường học thuật khuyến khích đổi mới, trong đó AI được sử dụng như công cụ hỗ trợ năng lực chuyên môn và sư phạm, không thay thế vai trò của người dạy và trách nhiệm học tập của người học.
3.2.2. Hoàn thiện điều kiện hỗ trợ và quản trị rủi ro trong sử dụng AI tạo sinh trong hoạt động đào tạo
Kết quả khảo sát cho thấy điều kiện thuận lợi là nhân tố được đánh giá thấp nhất trong các yếu tố của mô hình; riêng việc nhà trường cung cấp tài khoản AI bản quyền có mức đồng ý thấp nhất trong nhóm chỉ báo này (39,5%). Đồng thời, nhận thức rủi ro có điểm trung bình cao nhất, với những lo ngại nổi bật về tình trạng sinh viên ỷ lại, giảm tư duy phản biện, thông tin sai lệch, bản quyền và đạo đức học thuật. Những kết quả này cho thấy bên cạnh việc thúc đẩy nhu cầu sử dụng, cần quan tâm đến điều kiện triển khai và khả năng kiểm soát những hệ quả phát sinh trong quá trình ứng dụng AI.
Mặc dù điều kiện thuận lợi và nhận thức rủi ro chưa có tác động trực tiếp có ý nghĩa thống kê đến ý định sử dụng, không thể từ đó kết luận rằng các rào cản về điều kiện đã được loại bỏ hoặc người sử dụng không quan tâm đến rủi ro. Nghiên cứu chỉ đo lường ý định sử dụng, trong khi điều kiện thuận lợi có thể thể hiện rõ hơn ở hành vi sử dụng thực tế. Bên cạnh đó, nhận thức rủi ro ở cấp độ giáo dục nói chung có thể cùng tồn tại với ý định sử dụng AI có trách nhiệm. Vì vậy, việc hoàn thiện điều kiện hỗ trợ và quản trị rủi ro vẫn là yêu cầu cần thiết đối với Học viện.
Trước hết, Học viện cần từng bước hoàn thiện hạ tầng và điều kiện hỗ trợ ứng dụng AI trong đào tạo. Cần xem xét khả năng cung cấp hoặc hướng dẫn tiếp cận các công cụ AI phù hợp, tăng cường hỗ trợ kỹ thuật, xây dựng tài liệu hướng dẫn và khả năng tích hợp sản phẩm AI với hệ thống quản lý học tập (LMS). Việc đầu tư cần gắn với nhu cầu sử dụng thực tế của giảng viên, sinh viên và yêu cầu chuyên môn của từng lĩnh vực đào tạo; đồng thời tránh tình trạng đầu tư công cụ nhưng thiếu hướng dẫn, hỗ trợ để khai thác hiệu quả.
Cùng với việc hoàn thiện điều kiện kỹ thuật, Học viện cần xây dựng hướng dẫn thống nhất về sử dụng AI tạo sinh trong hoạt động dạy học, học tập và thiết kế học liệu. Hướng dẫn cần làm rõ phạm vi sử dụng, trách nhiệm của giảng viên và sinh viên; yêu cầu kiểm chứng thông tin, công khai mức độ hỗ trợ của AI, tôn trọng quyền sở hữu trí tuệ và bảo vệ dữ liệu cá nhân. Đối với nội dung chuyên môn, số liệu, hình ảnh và tài liệu được sử dụng trong bài giảng, người thiết kế cần kiểm tra nguồn gốc, độ chính xác và tính phù hợp trước khi đưa vào sử dụng. Không đưa dữ liệu cá nhân hoặc thông tin nội bộ lên các nền tảng AI của bên thứ ba khi chưa bảo đảm các yêu cầu về bảo vệ dữ liệu và an toàn thông tin.
Đối với giảng viên, cần giữ vai trò chủ động trong kiểm soát chất lượng học liệu, không sử dụng trực tiếp sản phẩm do AI tạo ra khi chưa qua kiểm chứng và thẩm định chuyên môn. Đối với sinh viên, cần hình thành thói quen kiểm tra thông tin, trích dẫn nguồn, công khai việc sử dụng AI và chịu trách nhiệm về sản phẩm học tập. Những yêu cầu này cần được cụ thể hóa trong hướng dẫn học tập, đánh giá học phần và quy định về liêm chính học thuật của Học viện.
Ngoài ra, cần thiết lập cơ chế theo dõi và đánh giá việc sử dụng AI trong hoạt động đào tạo. Việc đánh giá không nên chỉ dựa vào mức độ sử dụng hoặc ý định sử dụng, mà cần xem xét chất lượng bài giảng điện tử, mức độ đáp ứng mục tiêu học tập, khả năng kiểm chứng nội dung và việc tuân thủ các yêu cầu về đạo đức, bản quyền, bảo vệ dữ liệu. Học viện có thể định kỳ lấy ý kiến giảng viên, sinh viên, rà soát các sản phẩm học liệu có sử dụng AI và cập nhật hướng dẫn trên cơ sở những vấn đề phát sinh trong thực tiễn.
Kết quả so sánh cho thấy giảng viên có mức đánh giá cao hơn sinh viên về nhận thức sự hữu ích, tính dễ sử dụng, điều kiện thuận lợi, ảnh hưởng xã hội và ý định sử dụng; tuy nhiên, do nhóm giảng viên chỉ có 17 người, những khác biệt này mới mang tính thăm dò. Vì vậy, việc thiết kế các hoạt động hỗ trợ riêng cho từng nhóm cần được tiếp tục xem xét trên cơ sở khảo sát bổ sung, tránh khái quát hóa từ kết quả hiện có. Qua đó, Học viện có thể từng bước hình thành môi trường ứng dụng AI có điều kiện, có định hướng và có trách nhiệm, bảo đảm công nghệ phục vụ nâng cao chất lượng đào tạo.
4. Kết luận
Nghiên cứu đã phân tích các nhân tố tác động đến ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử tại Học viện Báo chí và Tuyên truyền trên cơ sở tích hợp TAM, TPB và UTAUT. Kết quả cho thấy ảnh hưởng xã hội và nhận thức sự hữu ích có tác động trực tiếp, cùng chiều đến ý định sử dụng; trong khi nhận thức tính dễ sử dụng tác động chủ yếu thông qua nhận thức sự hữu ích. Mô hình giải thích 55,5% sự biến thiên của ý định sử dụng. Nghiên cứu chưa tìm thấy bằng chứng thống kê về tác động trực tiếp của điều kiện thuận lợi và nhận thức rủi ro đến ý định sử dụng. Tuy nhiên, nhận thức rủi ro vẫn được người tham gia đánh giá cao, trong khi điều kiện thuận lợi được đánh giá thấp nhất. Điều này cho thấy cần phân biệt giữa các yếu tố tác động đến ý định và những điều kiện cần thiết để triển khai AI trong thực tế đào tạo.
Từ kết quả nghiên cứu, bài viết đề xuất hai định hướng chính đối với Học viện. Thứ nhất, phát huy ảnh hưởng tích cực của môi trường học thuật, đồng thời nâng cao năng lực sử dụng AI tạo sinh của giảng viên và sinh viên thông qua bồi dưỡng theo quy trình thiết kế bài giảng, tăng cường thực hành, chia sẻ kinh nghiệm và xây dựng cộng đồng sử dụng AI có trách nhiệm. Thứ hai, hoàn thiện điều kiện hỗ trợ và cơ chế quản trị việc sử dụng AI trong hoạt động đào tạo, chú trọng hạ tầng, công cụ, hỗ trợ kỹ thuật, kiểm chứng thông tin, bảo vệ dữ liệu cá nhân, bản quyền và liêm chính học thuật. Hai định hướng này nhằm bảo đảm AI được khai thác như một công cụ hỗ trợ nâng cao chất lượng thiết kế bài giảng điện tử, đồng thời duy trì vai trò chuyên môn, sư phạm và trách nhiệm của người dạy, người học.
Nghiên cứu có một số hạn chế: thiết kế khảo sát cắt ngang chỉ đo lường ý định, chưa phản ánh hành vi sử dụng thực tế; mẫu thuận tiện tại một cơ sở đào tạo, trong đó sinh viên chiếm 96%, còn nhóm giảng viên chỉ có 17 người nên chưa đủ điều kiện để khái quát kết quả hoặc thực hiện phân tích đa nhóm có độ tin cậy. Bên cạnh đó, thang đo được phát triển và điều chỉnh theo bối cảnh thiết kế bài giảng điện tử, chưa phân biệt giữa các nhóm công cụ AI và kinh nghiệm sử dụng của người tham gia; dữ liệu tự báo cáo được thu thập từ một nguồn và chưa kết hợp với dữ liệu định tính. Các nghiên cứu tiếp theo cần mở rộng phạm vi khảo sát, tăng quy mô mẫu giảng viên, kết hợp phỏng vấn sâu, thảo luận nhóm và phân tích các sản phẩm bài giảng điện tử có sử dụng AI; đồng thời theo dõi hành vi sử dụng theo thời gian để đánh giá đầy đủ hơn các nhân tố tác động và điều kiện triển khai AI tạo sinh trong hoạt động đào tạo./.
Tài liệu tham khảo:
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
Branch, R. M. (2009). Instructional design: The ADDIE approach. Springer. https://doi.org/10.1007/978-0-387-09506-6
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20, Article 43. https://doi.org/10.1186/s41239-023-00411-8
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Featherman, M. S., & Pavlou, P. A. (2003). Predicting e-services adoption: A perceived risk facets perspective. International Journal of Human-Computer Studies, 59(4), 451-474. https://doi.org/10.1016/S1071-5819(03)00111-3
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., . . . Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10. https://doi.org/10.4018/ijec.2015100101
Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 ngày 26 tháng 6 năm 2025. Quốc hội nước Cộng hòa xã hội chủ nghĩa Việt Nam.
Luật Trí tuệ nhân tạo số 134/2025/QH15 ngày 10 tháng 12 năm 2025. Quốc hội nước Cộng hòa xã hội chủ nghĩa Việt Nam.
Mayer, R. E. (2021). Multimedia learning (3rd ed.). Cambridge University Press. https://doi.org/10.1017/9781316941355
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Nghị quyết số 57-NQ/TW ngày 22 tháng 12 năm 2024 của Bộ Chính trị về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.
Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo.
Nguyễn Minh Sang, Nguyễn Minh Tuấn & Thái Hoài Minh. (2026). Sự chấp nhận sử dụng ChatGPT trong học tập: Trường hợp sinh viên Khoa Hóa học, Trường Đại học Sư phạm Thành phố Hồ Chí Minh. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh - Khoa học Xã hội, 21(1), 78-92. https://doi.org/10.46223/HCMCOUJS.soci.vi.21.1.4387.2026
Pavlik, J. V. (2023). Collaborating with ChatGPT: Considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator, 78(1), 84-93. https://doi.org/10.1177/10776958221149577
Thông tư số 02/2025/TT-BGDĐT ngày 24 tháng 01 năm 2025 của Bộ Giáo dục và Đào tạo quy định Khung năng lực số cho người học.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
AI tạo sinh, bài giảng điện tử, ý định sử dụng, mô hình chấp nhận công nghệ, ảnh hưởng xã hội, đào tạo báo chí - truyền thông.
generative AI, e-lectures, usage intention, technology acceptance model, social influence, journalism and communication education.
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
Branch, R. M. (2009). Instructional design: The ADDIE approach. Springer. https://doi.org/10.1007/978-0-387-09506-6
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20, Article 43. https://doi.org/10.1186/s41239-023-00411-8
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Featherman, M. S., & Pavlou, P. A. (2003). Predicting e-services adoption: A perceived risk facets perspective. International Journal of Human-Computer Studies, 59(4), 451-474. https://doi.org/10.1016/S1071-5819(03)00111-3
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., . . . Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1-10. https://doi.org/10.4018/ijec.2015100101
Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 ngày 26 tháng 6 năm 2025. Quốc hội nước Cộng hòa xã hội chủ nghĩa Việt Nam.
Luật Trí tuệ nhân tạo số 134/2025/QH15 ngày 10 tháng 12 năm 2025. Quốc hội nước Cộng hòa xã hội chủ nghĩa Việt Nam.
Mayer, R. E. (2021). Multimedia learning (3rd ed.). Cambridge University Press. https://doi.org/10.1017/9781316941355
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Nghị quyết số 57-NQ/TW ngày 22 tháng 12 năm 2024 của Bộ Chính trị về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.
Nghị quyết số 71-NQ/TW ngày 22 tháng 8 năm 2025 của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo.
Nguyễn Minh Sang, Nguyễn Minh Tuấn & Thái Hoài Minh. (2026). Sự chấp nhận sử dụng ChatGPT trong học tập: Trường hợp sinh viên Khoa Hóa học, Trường Đại học Sư phạm Thành phố Hồ Chí Minh. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh - Khoa học Xã hội, 21(1), 78-92. https://doi.org/10.46223/HCMCOUJS.soci.vi.21.1.4387.2026
Pavlik, J. V. (2023). Collaborating with ChatGPT: Considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator, 78(1), 84-93. https://doi.org/10.1177/10776958221149577
Thông tư số 02/2025/TT-BGDĐT ngày 24 tháng 01 năm 2025 của Bộ Giáo dục và Đào tạo quy định Khung năng lực số cho người học.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
1. Đặt vấn đề
Chuyển đổi số và ứng dụng trí tuệ nhân tạo (AI) trong giáo dục, đào tạo là định hướng chiến lược nhất quán của Đảng và Nhà nước. Nghị quyết số 57-NQ/TW (2024) xác định phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia là đột phá quan trọng; Nghị quyết số 71-NQ/TW (2025) yêu cầu chuyển đổi số toàn diện, ứng dụng công nghệ số và AI trong giáo dục, đào tạo. Khung năng lực số cho người học với miền năng lực ứng dụng AI (Thông tư số 02/2025/TT-BGDĐT, 2025), Luật Bảo vệ dữ liệu cá nhân (2025) và Luật Trí tuệ nhân tạo (2025) đã tạo hành lang để ứng dụng AI vào thực tiễn một cách có trách nhiệm. AI tạo sinh đang thay đổi cách người dạy và người học chuẩn bị nội dung học tập (Kasneci et al., 2023). Trong thiết kế bài giảng điện tử, công nghệ này có thể hỗ trợ tóm tắt tài liệu, gợi ý cấu trúc, tạo trang trình chiếu và câu hỏi kiểm tra, song cũng tiềm ẩn rủi ro về thông tin sai lệch, thiên kiến, bản quyền và sự ỷ lại của người học (Kasneci et al., 2023; Miao & Holmes, 2023). Với cơ sở đào tạo, vấn đề này có ý nghĩa đặc thù: AI tạo sinh đang làm thay đổi phương thức sản xuất nội dung và đặt ra yêu cầu đổi mới đào tạo nghề (Pavlik, 2023). Xét từ góc độ truyền thông giáo dục, bài giảng điện tử là một sản phẩm truyền thông đa phương tiện, có hiệu quả phụ thuộc vào cách tổ chức thông điệp bằng lời, hình ảnh và tương tác (Mayer, 2021).
Tại Học viện Báo chí và Tuyên truyền, năng lực dùng AI để thiết kế nội dung số có trách nhiệm vừa là năng lực dạy học của giảng viên, năng lực của sinh viên trong thiết kế các học liệu học tập, vừa là năng lực nghề nghiệp của sinh viên - những người sẽ làm việc trong môi trường có tính chất đặc thù (Luật Trí tuệ nhân tạo, 2025). Các nghiên cứu định lượng về chấp nhận AI tạo sinh ở bậc đại học chủ yếu xem xét việc dùng ChatGPT cho học tập nói chung (Nguyễn Minh Sang et al., 2026). Còn ít nghiên cứu gắn ý định sử dụng với một nhiệm vụ sư phạm cụ thể như thiết kế bài giảng điện tử, nhất là trong đào tạo báo chí - truyền thông ở Việt Nam; lợi ích và rủi ro cũng thường được xem xét tách rời, trong khi người học có thể đồng thời đánh giá cao cả hai (Chan & Hu, 2023).
Bài viết khảo sát người học và người dạy tại Học viện Báo chí và Tuyên truyền nhằm trả lời hai câu hỏi: (1) Nhận thức sự hữu ích, nhận thức tính dễ sử dụng, điều kiện thuận lợi, ảnh hưởng xã hội và nhận thức rủi ro tác động như thế nào đến ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử? (2) Người học và người dạy đánh giá ở mức nào các điều kiện, lợi ích (cơ hội) và rủi ro (thách thức) của việc sử dụng này? Câu hỏi thứ nhất được trả lời bằng mô hình PLS-SEM, câu hỏi thứ hai bằng thống kê mô tả trên cùng bộ thang đo. Nghiên cứu đo ý định sử dụng, không đo hành vi sử dụng thực tế.
2. Phương pháp nghiên cứu
2.1. Thiết kế nghiên cứu và thang đo
Nghiên cứu sử dụng thiết kế khảo sát cắt ngang, kết hợp tổng quan tài liệu để xây dựng khung lý thuyết và thang đo. Nghiên cứu không có can thiệp hay nhóm đối chứng nên không phải là nghiên cứu thực nghiệm; các quan hệ được kiểm định là quan hệ dự báo theo lý thuyết. Bảng hỏi gồm ba câu hỏi nhân khẩu học (giới tính, độ tuổi, vai trò) và 31 chỉ báo đo sáu khái niệm theo thang Likert 5 mức (1 - Rất không đồng ý đến 5 - Rất đồng ý), không có câu đảo chiều. Các chỉ báo do tác giả phát triển dựa trên định nghĩa khái niệm của TAM, TPB, UTAUT và rủi ro cảm nhận (Ajzen, 1991; Davis, 1989; Featherman & Pavlou, 2003; Venkatesh et al., 2003), được cụ thể hóa theo các tác vụ thiết kế bài giảng điện tử và các rủi ro của AI tạo sinh.
2.2. Mẫu, thu thập và làm sạch dữ liệu
Tổng thể nghiên cứu là giảng viên và sinh viên của Học viện Báo chí và Tuyên truyền, đây là hai chủ thể trực tiếp thiết kế và sử dụng bài giảng điện tử. Do không có khung chọn mẫu đầy đủ, nghiên cứu chọn mẫu phi xác suất thuận tiện: phiếu khảo sát trực tuyến (Google Forms) được gửi tới người dạy và người học của Học viện; người tham gia trả lời tự nguyện, phiếu không thu thập thông tin định danh. Dữ liệu được thu thập trong tháng 9/2026, thu về 487 phiếu. Quy trình xử lý dữ liệu gồm: (i) mã hóa nhãn trả lời thành điểm 1-5; (ii) loại 51 phiếu chọn cùng một mức cho cả 31 chỉ báo (Hair et al., 2022); (iii) loại 2 phiếu chỉ chọn vai trò “Khác”. Bộ dữ liệu sạch còn 434 phiếu, không có giá trị thiếu. Để bám sát đối tượng nghiên cứu, 11 phiếu của chuyên viên (9) và cán bộ quản lý không kiêm giảng dạy (2) được loại khỏi mẫu phân tích. Mẫu cuối cùng gồm 423 người: 406 sinh viên (96,0%) và 17 giảng viên (4,0%, trong đó 3 người kiêm nhiệm quản lý).
2.3. Phương pháp phân tích dữ liệu
Câu hỏi nghiên cứu thứ hai được trả lời bằng thống kê mô tả (trung bình, độ lệch chuẩn, tỷ lệ đồng ý); so sánh giữa giảng viên và sinh viên dùng kiểm định Mann-Whitney với tính chất thăm dò. Câu hỏi thứ nhất được trả lời bằng PLS-SEM theo hướng dẫn của Hair et al. (2022): ước lượng theo lược đồ trọng số đường dẫn; ý nghĩa thống kê được đánh giá bằng bootstrap 5.000 mẫu lặp, khoảng tin cậy (KTC) phân vị 95%, kiểm định hai phía với t bằng hệ số chia cho sai số chuẩn bootstrap. Mô hình đo lường được đánh giá qua hệ số tải ngoài (≥ 0,708; chỉ báo 0,40-0,70 được giữ nếu CR và AVE đạt yêu cầu), Cronbach’s α, ρA, độ tin cậy tổng hợp CR (0,70-0,95), phương sai trích AVE (≥ 0,50), tiêu chí Fornell-Larcker và HTMT với ngưỡng 0,85 hoặc 0,90 kèm KTC bootstrap. Mô hình cấu trúc được đánh giá qua VIF (< 3,3), hệ số β, R², R² hiệu chỉnh và f² (0,02; 0,15; 0,35 tương ứng nhỏ, trung bình, lớn) và loại hình tác động trung gian; sai lệch do phương pháp chung được kiểm tra bằng VIF cộng tuyến toàn phần (Kock, 2015). Các giá trị Cronbach’s α được tính trên dữ liệu gốc; f² được tính từ R² của biến nội sinh khi có và không có biến dự báo, trên điểm khái niệm của mô hình đầy đủ. Phân tích được thực hiện bằng R phiên bản 4.6.1 với gói seminr phiên bản 2.5.0; hạt giống ngẫu nhiên của bootstrap được cố định (20261030) để bảo đảm khả năng tái lập.
3. Kết quả nghiên cứu và thảo luận
3.1. Kết quả nghiên cứu
3.1.1. Bài giảng điện tử và AI tạo sinh trong thiết kế bài giảng
Trong bài viết này, bài giảng điện tử là sản phẩm học liệu số đa phương tiện được thiết kế để truyền tải nội dung của một bài học hoặc chủ đề học tập, gồm cấu trúc, đề cương, trang trình chiếu, hình ảnh, video và câu hỏi kiểm tra; có thể dùng trực tiếp trên lớp hoặc tích hợp vào hệ thống quản lý học tập (LMS). Bài giảng điện tử khác với giáo án (kế hoạch dạy học), với học liệu số nói chung và với khóa học trực tuyến. Với sinh viên, việc thiết kế bài giảng điện tử gắn với bài thuyết trình, báo cáo seminar và sản phẩm học tập số. AI tạo sinh là các hệ thống có khả năng tạo ra nội dung mới từ câu lệnh của người dùng (Miao & Holmes, 2023). Trong thiết kế bài giảng có ba nhóm công cụ: mô hình ngôn ngữ lớn dạng hội thoại (như ChatGPT, Gemini) hỗ trợ phân tích, thiết kế nội dung; công cụ tạo trình chiếu tự động hỗ trợ phát triển sản phẩm; phần mềm đồ họa tích hợp AI hỗ trợ hoàn thiện hình thức. Bên cạnh các rủi ro đã được cảnh báo như thông tin sai lệch, thiên kiến, vi phạm bản quyền, liêm chính học thuật và sự ỷ lại của người học (Kasneci et al., 2023), cần lưu ý hai rủi ro thường bị bỏ qua: bảo mật dữ liệu khi tải học liệu, dữ liệu người học lên nền tảng AI của bên thứ ba và tính minh bạch khi công bố nội dung do AI tạo ra. Sinh viên cũng lo ngại về độ chính xác, quyền riêng tư và đạo đức khi dùng AI tạo sinh (Chan & Hu, 2023).
3.1.2. Quy trình thiết kế dạy học, nguyên tắc học tập đa phương tiện và khung TPACK
Mô hình ADDIE gồm năm khâu đó là: phân tích, thiết kế, phát triển, triển khai và đánh giá; đây là khung quy trình phổ biến trong thiết kế dạy học (Branch, 2009). Ở khâu phát triển, chất lượng bài giảng điện tử phụ thuộc vào các nguyên tắc học tập đa phương tiện như mạch lạc, tín hiệu, liền kề và phân đoạn; AI tạo sinh có thể sinh nhanh hình ảnh, bố cục bắt mắt nhưng cũng dễ tạo chi tiết trang trí thừa, trái với nguyên tắc mạch lạc, nên người thiết kế vẫn cần năng lực sư phạm để chọn lọc. Năng lực tích hợp công nghệ vào dạy học được mô tả bằng khung TPACK, sự giao thoa giữa tri thức công nghệ, sư phạm và nội dung (Mishra & Koehler, 2006).
3.1.3. Khung lý thuyết và giả thuyết nghiên cứu
Lý thuyết mô hình chấp nhận công nghệ xác định nhận thức sự hữu ích (NTHI) và nhận thức tính dễ sử dụng (NTSD) là hai niềm tin chính, trong đó NTSD còn tác động đến NTHI. Lý thuyết hành vi có kế hoạch bổ sung chuẩn mực chủ quan và nhận thức kiểm soát hành vi; lý thuyết UTAUT hợp nhất tám mô hình thành kỳ vọng hiệu quả, kỳ vọng nỗ lực, ảnh hưởng xã hội và điều kiện thuận lợi. Theo đó, NTHI và NTSD tương ứng với kỳ vọng hiệu quả và kỳ vọng nỗ lực; ảnh hưởng xã hội (AHXH) thể hiện mức độ người dùng cảm nhận lãnh đạo, đồng nghiệp, người học và xu thế chuyển đổi số kỳ vọng mình sử dụng AI, tương ứng với chuẩn mực chủ quan; điều kiện thuận lợi (DKTL) thể hiện mức độ sẵn sàng của tài khoản, hạ tầng, hỗ trợ kỹ thuật, chủ trương và tập huấn, tương ứng với nhận thức kiểm soát hành vi.
Mô hình bổ sung nhận thức rủi ro (NTRR) thể hiện mức độ lo ngại về hệ quả tiêu cực của AI tạo sinh đối với tính chính xác, liêm chính học thuật và năng lực người học theo hướng mở rộng TAM với rủi ro cảm nhận (Featherman & Pavlou, 2003). Tác động của sự hữu ích đến ý định sử dụng ChatGPT đã được ghi nhận ở sinh viên (Nguyễn Minh Sang et al., 2026). Theo UTAUT, điều kiện thuận lợi phản ánh mức độ sẵn có của hạ tầng và hỗ trợ cho việc sử dụng công nghệ. Rủi ro cảm nhận làm giảm ý định chấp nhận dịch vụ điện tử (Featherman & Pavlou, 2003), và lo lắng về công nghệ làm giảm ý định sử dụng ChatGPT của sinh viên (Nguyễn Minh Sang et al., 2026). Từ đó, các giả thuyết được đề xuất (Hình 1): H1: Nhận thức sự hữu ích (NTHI) tác động cùng chiều đến ý định sử dụng (YDSD); H2: Nhận thức tính dễ sử dụng (NTSD) tác động cùng chiều đến YDSD; H3: Điều kiện thuận lợi (DKTL) tác động cùng chiều đến YDSD; H4: Ảnh hưởng xã hội (AHXH) tác động cùng chiều đến YDSD; H5: Nhận thức rủi ro (NTRR) tác động ngược chiều đến YDSD; H6: Nhận thức tính dễ sử dụng (NTSD) tác động cùng chiều đến nhận thức sự hữu ích (NTHI).
Nguồn: Tác giả đề xuất trên cơ sở TAM, TPB, UTAUT và lý thuyết rủi ro cảm nhận.
3.1.4. Đặc điểm mẫu và đánh giá mô hình đo lường
Mẫu phân tích chủ yếu là sinh viên nữ, độ tuổi 18-22 (Bảng 2, Phụ lục), nên kết quả mô hình phản ánh chủ yếu quan điểm của người học. Mô hình đo lường đạt yêu cầu (Bảng 3 và Bảng 4, Phụ lục): hệ số tải ngoài của 31 chỉ báo từ 0,636 đến 0,874 (p < 0,001); ba chỉ báo dưới 0,708 (NTHI4, NTRR5, AHXH1) được giữ vì vẫn trên 0,60 và thang đo tương ứng đạt yêu cầu về CR, AVE (Hair et al., 2022); VIF của các chỉ báo đều dưới 2,6; Cronbach’s α từ 0,798 đến 0,877, CR từ 0,870 đến 0,903 và AVE từ 0,558 đến 0,643. Như vậy, các thang đo đạt độ tin cậy và giá trị hội tụ.
Các khái niệm cũng phân biệt rõ với nhau (Bảng 5, Phụ lục): căn bậc hai AVE (0,747-0,802) đều lớn hơn hệ số tương quan lớn nhất giữa các khái niệm (0,681), và mọi giá trị HTMT đều nhỏ hơn 0,85. Cặp có HTMT cao nhất là YDSD và AHXH (0,813; KTC 95%: [0,744; 0,877]); vì cận trên vượt 0,85, cần thận trọng khi diễn giải độ lớn tác động của AHXH đến YDSD.
3.1.5. Kiểm định giả thuyết và tác động trung gian
Mô hình cấu trúc không có đa cộng tuyến (VIF giữa các biến độc lập từ 1,000 đến 2,202), và sai lệch do phương pháp chung không phải là vấn đề nghiêm trọng (VIF cộng tuyến toàn phần từ 1,14 đến 2,56, nhỏ hơn 3,3) (Kock, 2015). Mô hình giải thích 40,4% biến thiên của NTHI (R² = 0,404; R² hiệu chỉnh = 0,403) và 55,5% biến thiên của YDSD (R² = 0,555; R² hiệu chỉnh = 0,550), là mức giải thích trung bình đối với YDSD (Hair et al., 2022). Kết quả kiểm định (Hình 2) ủng hộ H1, H4, H6 và không ủng hộ H2, H3, H5. NTSD tác động mạnh đến NTHI (β = 0,636; p < 0,001; f² = 0,679, mức lớn). Đối với ý định sử dụng, AHXH có tác động trực tiếp lớn nhất (β = 0,401; p < 0,001; f² = 0,164, mức trung bình), tiếp theo là NTHI (β = 0,308; p < 0,001; f² = 0,113, mức nhỏ). Tác động trực tiếp của NTSD (β = 0,101; p = 0,063), DKTL (β = 0,052; p = 0,295) và NTRR (β = 0,037; p = 0,352) không có ý nghĩa thống kê ở mức 5%; hệ số của NTRR còn mang dấu dương, trái với chiều giả thuyết.
Ghi chú: Giá trị trên đường dẫn là hệ số β chuẩn hóa; *** p < 0,001; ns - không có ý nghĩa thống kê
ở mức 5%; giá trị R² ghi trong khái niệm nội sinh.
Nguồn: Kết quả phân tích dữ liệu khảo sát của tác giả (2026).
NTSD tác động đến YDSD chủ yếu thông qua NTHI: tác động gián tiếp có ý nghĩa thống kê (β = 0,196; p < 0,001; KTC 95%: [0,131; 0,263]), trong khi tác động trực tiếp không có ý nghĩa, tức là trung gian chỉ qua tác động gián tiếp (Hair et al., 2022). Xét tổng tác động (Bảng 7, Phụ lục), AHXH vẫn lớn nhất (0,401), tiếp theo là NTHI (0,308) và NTSD (0,296); tuy nhiên KTC 95% của ba tổng tác động chồng lấn nhau, nên thứ bậc này chưa phải là khác biệt có ý nghĩa thống kê.
3.1.6. Mức độ đánh giá các cơ hội và thách thức
Về câu hỏi nghiên cứu thứ hai, NTRR có điểm trung bình cao nhất (3,88; 50,1% người trả lời có điểm từ 4 trở lên), DKTL thấp nhất (3,43); chênh lệch này có ý nghĩa thống kê. Về cơ hội, AI tạo sinh được đánh giá hữu ích nhất ở các tác vụ xử lý nội dung: tóm tắt, trích xuất thông tin (NTHI4: 3,90; 73,8% đồng ý), tối ưu thời gian thiết kế slide, học liệu (NTHI1: 3,81; 71,6%) và xây dựng cấu trúc bài giảng (NTHI2: 3,72; 66,4%); thấp hơn ở nâng cao thẩm mỹ (NTHI3: 3,23; 43,3%) và thiết kế rubric, câu hỏi trắc nghiệm (NTHI5: 3,49; 48,7%). Tính dễ sử dụng còn hạn chế: các chỉ báo NTSD chỉ được 41%-59% người trả lời đồng ý, thấp nhất ở tinh chỉnh nội dung do AI tạo ra (NTSD3: 45,9%) và tích hợp vào LMS (NTSD5: 41,1%). Về thách thức, ba rủi ro được đồng tình nhiều nhất là sinh viên ỷ lại, giảm tư duy phản biện (NTRR3: 4,12; 77,1%), thông tin sai lệch (NTRR1: 4,09; 77,1%) và bản quyền, đạo đức (NTRR6: 3,98; 72,1%). Trong điều kiện thuận lợi, việc nhà trường cung cấp tài khoản AI bản quyền được đánh giá thấp nhất (DKTL1: 3,23; 39,5% đồng ý). Ở thang đo ý định, hướng dẫn người khác dùng AI có trách nhiệm có điểm cao nhất (YDSD5: 3,79), còn tiếp tục dùng AI thiết kế slide thấp nhất (YDSD1: 3,22). Giảng viên đánh giá cao hơn sinh viên ở NTHI, NTSD, DKTL, AHXH và YDSD (p < 0,05), nhưng không khác biệt ở NTRR (p = 0,142); do nhóm giảng viên chỉ có 17 người, do đó kết quả này mang tính thăm dò bước đầu.
3.2. Thảo luận
Kết quả nghiên cứu cho thấy ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử chịu ảnh hưởng của cả nhận thức cá nhân và môi trường học thuật. Trong đó, ảnh hưởng xã hội và nhận thức sự hữu ích có tác động trực tiếp cùng chiều đến ý định sử dụng; nhận thức tính dễ sử dụng tác động chủ yếu thông qua nhận thức sự hữu ích. Bên cạnh đó, người tham gia khảo sát đánh giá cao những rủi ro liên quan đến việc sử dụng AI, trong khi điều kiện thuận lợi để triển khai còn hạn chế. Những kết quả này gợi ra yêu cầu cần kết hợp giữa phát triển năng lực sử dụng AI của giảng viên, sinh viên với việc hoàn thiện điều kiện hỗ trợ và cơ chế quản trị tại Học viện.
3.2.1. Phát huy ảnh hưởng xã hội và nâng cao năng lực sử dụng AI tạo sinh trong thiết kế bài giảng điện tử
Ảnh hưởng xã hội là nhân tố có tác động trực tiếp mạnh nhất đến ý định sử dụng AI tạo sinh (β = 0,401; p < 0,001). Kết quả này cho thấy ý định ứng dụng AI không chỉ được hình thành từ nhận thức và đánh giá cá nhân về công nghệ, mà còn chịu tác động của môi trường học thuật, kỳ vọng của lãnh đạo, đồng nghiệp và người học. Trong môi trường giáo dục đại học, việc sử dụng AI của giảng viên và sinh viên có thể được thúc đẩy thông qua định hướng của cơ sở đào tạo, sự chia sẻ kinh nghiệm giữa các đồng nghiệp và những chuẩn mực sử dụng được hình thành trong quá trình dạy và học. Vì vậy, Học viện cần phát huy vai trò định hướng của lãnh đạo, giảng viên và các đơn vị chuyên môn, đồng thời tạo môi trường khuyến khích chia sẻ kinh nghiệm ứng dụng AI một cách hiệu quả, minh bạch và có trách nhiệm.
Bên cạnh đó, nhận thức sự hữu ích có tác động trực tiếp cùng chiều đến ý định sử dụng (β = 0,308; p < 0,001), trong khi nhận thức tính dễ sử dụng tác động đến ý định chủ yếu thông qua nhận thức sự hữu ích (tác động gián tiếp β = 0,196; p < 0,001). Kết quả này cho thấy việc nâng cao năng lực sử dụng AI cần gắn với khả năng giải quyết những nhiệm vụ cụ thể trong thiết kế bài giảng, thay vì chỉ tập trung giới thiệu các công cụ hoặc chức năng công nghệ.
Đối với giảng viên, hoạt động tập huấn nên được tổ chức theo các công đoạn của quy trình ADDIE, từ phân tích nhu cầu, thiết kế nội dung, phát triển học liệu đến triển khai và đánh giá. Ở khâu phân tích và thiết kế, có thể hướng dẫn sử dụng mô hình ngôn ngữ lớn để tổng hợp tài liệu, xây dựng đề cương và cấu trúc bài giảng. Ở khâu phát triển, có thể khai thác các công cụ tạo trình chiếu, hình ảnh và đồ họa, đồng thời đối chiếu sản phẩm với các nguyên tắc học tập đa phương tiện. Đối với việc xây dựng câu hỏi kiểm tra và rubric đánh giá, cần kết hợp khả năng hỗ trợ của AI với thẩm định chuyên môn của giảng viên. Thư viện câu lệnh mẫu theo từng lĩnh vực, chuyên ngành cũng cần được xây dựng nhằm hỗ trợ người sử dụng nâng cao kỹ năng tương tác và tinh chỉnh nội dung do AI tạo ra.
Đối với sinh viên, cần gắn việc sử dụng AI với các nhiệm vụ học tập cụ thể như thiết kế bài thuyết trình, báo cáo seminar và sản phẩm học liệu số. Các học phần có thể yêu cầu sinh viên kiểm chứng, chỉnh sửa nội dung do AI tạo ra và trình bày rõ phần đóng góp của công nghệ trong sản phẩm học tập. Cách tiếp cận này vừa phát triển năng lực ứng dụng AI, vừa góp phần hạn chế tình trạng phụ thuộc vào công nghệ, suy giảm tư duy phản biện và nâng cao trách nhiệm của người học đối với sản phẩm của mình.
Cùng với đó, Học viện và các khoa, bộ môn cần hình thành cộng đồng thực hành về ứng dụng AI trong dạy và học, tạo điều kiện để giảng viên, sinh viên chia sẻ bài giảng, học liệu, câu lệnh mẫu và kinh nghiệm xử lý những tình huống phát sinh. Việc phát huy ảnh hưởng xã hội theo hướng tích cực sẽ góp phần hình thành môi trường học thuật khuyến khích đổi mới, trong đó AI được sử dụng như công cụ hỗ trợ năng lực chuyên môn và sư phạm, không thay thế vai trò của người dạy và trách nhiệm học tập của người học.
3.2.2. Hoàn thiện điều kiện hỗ trợ và quản trị rủi ro trong sử dụng AI tạo sinh trong hoạt động đào tạo
Kết quả khảo sát cho thấy điều kiện thuận lợi là nhân tố được đánh giá thấp nhất trong các yếu tố của mô hình; riêng việc nhà trường cung cấp tài khoản AI bản quyền có mức đồng ý thấp nhất trong nhóm chỉ báo này (39,5%). Đồng thời, nhận thức rủi ro có điểm trung bình cao nhất, với những lo ngại nổi bật về tình trạng sinh viên ỷ lại, giảm tư duy phản biện, thông tin sai lệch, bản quyền và đạo đức học thuật. Những kết quả này cho thấy bên cạnh việc thúc đẩy nhu cầu sử dụng, cần quan tâm đến điều kiện triển khai và khả năng kiểm soát những hệ quả phát sinh trong quá trình ứng dụng AI.
Mặc dù điều kiện thuận lợi và nhận thức rủi ro chưa có tác động trực tiếp có ý nghĩa thống kê đến ý định sử dụng, không thể từ đó kết luận rằng các rào cản về điều kiện đã được loại bỏ hoặc người sử dụng không quan tâm đến rủi ro. Nghiên cứu chỉ đo lường ý định sử dụng, trong khi điều kiện thuận lợi có thể thể hiện rõ hơn ở hành vi sử dụng thực tế. Bên cạnh đó, nhận thức rủi ro ở cấp độ giáo dục nói chung có thể cùng tồn tại với ý định sử dụng AI có trách nhiệm. Vì vậy, việc hoàn thiện điều kiện hỗ trợ và quản trị rủi ro vẫn là yêu cầu cần thiết đối với Học viện.
Trước hết, Học viện cần từng bước hoàn thiện hạ tầng và điều kiện hỗ trợ ứng dụng AI trong đào tạo. Cần xem xét khả năng cung cấp hoặc hướng dẫn tiếp cận các công cụ AI phù hợp, tăng cường hỗ trợ kỹ thuật, xây dựng tài liệu hướng dẫn và khả năng tích hợp sản phẩm AI với hệ thống quản lý học tập (LMS). Việc đầu tư cần gắn với nhu cầu sử dụng thực tế của giảng viên, sinh viên và yêu cầu chuyên môn của từng lĩnh vực đào tạo; đồng thời tránh tình trạng đầu tư công cụ nhưng thiếu hướng dẫn, hỗ trợ để khai thác hiệu quả.
Cùng với việc hoàn thiện điều kiện kỹ thuật, Học viện cần xây dựng hướng dẫn thống nhất về sử dụng AI tạo sinh trong hoạt động dạy học, học tập và thiết kế học liệu. Hướng dẫn cần làm rõ phạm vi sử dụng, trách nhiệm của giảng viên và sinh viên; yêu cầu kiểm chứng thông tin, công khai mức độ hỗ trợ của AI, tôn trọng quyền sở hữu trí tuệ và bảo vệ dữ liệu cá nhân. Đối với nội dung chuyên môn, số liệu, hình ảnh và tài liệu được sử dụng trong bài giảng, người thiết kế cần kiểm tra nguồn gốc, độ chính xác và tính phù hợp trước khi đưa vào sử dụng. Không đưa dữ liệu cá nhân hoặc thông tin nội bộ lên các nền tảng AI của bên thứ ba khi chưa bảo đảm các yêu cầu về bảo vệ dữ liệu và an toàn thông tin.
Đối với giảng viên, cần giữ vai trò chủ động trong kiểm soát chất lượng học liệu, không sử dụng trực tiếp sản phẩm do AI tạo ra khi chưa qua kiểm chứng và thẩm định chuyên môn. Đối với sinh viên, cần hình thành thói quen kiểm tra thông tin, trích dẫn nguồn, công khai việc sử dụng AI và chịu trách nhiệm về sản phẩm học tập. Những yêu cầu này cần được cụ thể hóa trong hướng dẫn học tập, đánh giá học phần và quy định về liêm chính học thuật của Học viện.
Ngoài ra, cần thiết lập cơ chế theo dõi và đánh giá việc sử dụng AI trong hoạt động đào tạo. Việc đánh giá không nên chỉ dựa vào mức độ sử dụng hoặc ý định sử dụng, mà cần xem xét chất lượng bài giảng điện tử, mức độ đáp ứng mục tiêu học tập, khả năng kiểm chứng nội dung và việc tuân thủ các yêu cầu về đạo đức, bản quyền, bảo vệ dữ liệu. Học viện có thể định kỳ lấy ý kiến giảng viên, sinh viên, rà soát các sản phẩm học liệu có sử dụng AI và cập nhật hướng dẫn trên cơ sở những vấn đề phát sinh trong thực tiễn.
Kết quả so sánh cho thấy giảng viên có mức đánh giá cao hơn sinh viên về nhận thức sự hữu ích, tính dễ sử dụng, điều kiện thuận lợi, ảnh hưởng xã hội và ý định sử dụng; tuy nhiên, do nhóm giảng viên chỉ có 17 người, những khác biệt này mới mang tính thăm dò. Vì vậy, việc thiết kế các hoạt động hỗ trợ riêng cho từng nhóm cần được tiếp tục xem xét trên cơ sở khảo sát bổ sung, tránh khái quát hóa từ kết quả hiện có. Qua đó, Học viện có thể từng bước hình thành môi trường ứng dụng AI có điều kiện, có định hướng và có trách nhiệm, bảo đảm công nghệ phục vụ nâng cao chất lượng đào tạo.
4. Kết luận
Nghiên cứu đã phân tích các nhân tố tác động đến ý định sử dụng AI tạo sinh trong thiết kế bài giảng điện tử tại Học viện Báo chí và Tuyên truyền trên cơ sở tích hợp TAM, TPB và UTAUT. Kết quả cho thấy ảnh hưởng xã hội và nhận thức sự hữu ích có tác động trực tiếp, cùng chiều đến ý định sử dụng; trong khi nhận thức tính dễ sử dụng tác động chủ yếu thông qua nhận thức sự hữu ích. Mô hình giải thích 55,5% sự biến thiên của ý định sử dụng. Nghiên cứu chưa tìm thấy bằng chứng thống kê về tác động trực tiếp của điều kiện thuận lợi và nhận thức rủi ro đến ý định sử dụng. Tuy nhiên, nhận thức rủi ro vẫn được người tham gia đánh giá cao, trong khi điều kiện thuận lợi được đánh giá thấp nhất. Điều này cho thấy cần phân biệt giữa các yếu tố tác động đến ý định và những điều kiện cần thiết để triển khai AI trong thực tế đào tạo.
Từ kết quả nghiên cứu, bài viết đề xuất hai định hướng chính đối với Học viện. Thứ nhất, phát huy ảnh hưởng tích cực của môi trường học thuật, đồng thời nâng cao năng lực sử dụng AI tạo sinh của giảng viên và sinh viên thông qua bồi dưỡng theo quy trình thiết kế bài giảng, tăng cường thực hành, chia sẻ kinh nghiệm và xây dựng cộng đồng sử dụng AI có trách nhiệm. Thứ hai, hoàn thiện điều kiện hỗ trợ và cơ chế quản trị việc sử dụng AI trong hoạt động đào tạo, chú trọng hạ tầng, công cụ, hỗ trợ kỹ thuật, kiểm chứng thông tin, bảo vệ dữ liệu cá nhân, bản quyền và liêm chính học thuật. Hai định hướng này nhằm bảo đảm AI được khai thác như một công cụ hỗ trợ nâng cao chất lượng thiết kế bài giảng điện tử, đồng thời duy trì vai trò chuyên môn, sư phạm và trách nhiệm của người dạy, người học.
Nghiên cứu có một số hạn chế: thiết kế khảo sát cắt ngang chỉ đo lường ý định, chưa phản ánh hành vi sử dụng thực tế; mẫu thuận tiện tại một cơ sở đào tạo, trong đó sinh viên chiếm 96%, còn nhóm giảng viên chỉ có 17 người nên chưa đủ điều kiện để khái quát kết quả hoặc thực hiện phân tích đa nhóm có độ tin cậy. Bên cạnh đó, thang đo được phát triển và điều chỉnh theo bối cảnh thiết kế bài giảng điện tử, chưa phân biệt giữa các nhóm công cụ AI và kinh nghiệm sử dụng của người tham gia; dữ liệu tự báo cáo được thu thập từ một nguồn và chưa kết hợp với dữ liệu định tính. Các nghiên cứu tiếp theo cần mở rộng phạm vi khảo sát, tăng quy mô mẫu giảng viên, kết hợp phỏng vấn sâu, thảo luận nhóm và phân tích các sản phẩm bài giảng điện tử có sử dụng AI; đồng thời theo dõi hành vi sử dụng theo thời gian để đánh giá đầy đủ hơn các nhân tố tác động và điều kiện triển khai AI tạo sinh trong hoạt động đào tạo./.
Trích dẫn bài báo
Bài liên quan
- Đổi mới công tác bồi dưỡng ở Học viện Báo chí và Tuyên truyền trong bối cảnh mới
- Về hoạt động tự quản cộng đồng dân cư, thôn, tổ dân phố ở Việt Nam trong bối cảnh mới
- Xây dựng thương hiệu nông sản xanh Việt Nam trong kỷ nguyên vươn mình theo Nghị quyết Đại hội XIV của Đảng
- Tác động của chuyển đổi số đến sự chuyển dịch cơ cấu lao động ở Việt Nam hiện nay
- Tác động của thời đại số đến an ninh tư tưởng - văn hóa Việt Nam hiện nay
llcttt1994dientu@gmail.com
02438348033


