Nhu cầu và rào cản ứng dụng trí tuệ nhân tạo trong quản trị truyền thông đại học (Nghiên cứu định tính tại Đại học Huế)

1. Đặt vấn đề

Sự phát triển của AI tạo sinh (Generative AI) đang tạo ra những thay đổi căn bản trong cách các tổ chức vận hành truyền thông. Trong lĩnh vực giáo dục đại học, truyền thông không còn giới hạn ở quảng bá tuyển sinh một chiều mà đã trở thành chức năng quản trị chiến lược với đòi hỏi tương tác đa chiều và đối xứng với công chúng (Grunig và cộng sự, 2002). Điều này đặt ra áp lực lớn đối với đội ngũ cán bộ truyền thông, đặc biệt là nhóm giảng viên kiêm nhiệm tại các đại học công lập, khi họ phải đảm nhận đồng thời nhiều tác vụ phức tạp từ quản trị mạng xã hội, quan hệ báo chí đến xử lý khủng hoảng truyền thông.

Tổng quan tài liệu cho thấy hai khoảng trống học thuật đáng chú ý. Về phạm vi quốc tế, nhiều nghiên cứu đã khẳng định vai trò của AI trong PR, nhưng mức độ tiếp nhận công nghệ này có sự phân hoá mạnh theo bối cảnh văn hoá và năng lực số của từng quốc gia (Anani-Bossman và cộng sự, 2024; Pátík và cộng sự, 2024). Về phạm vi Việt Nam, các nghiên cứu thực chứng hiện nay chủ yếu tiếp cận từ góc độ người học, trong khi thiếu các đánh giá từ lăng kính của đội ngũ cán bộ quản lý và chuyên viên truyền thông - những người trực tiếp vận hành hệ thống và chịu áp lực giải trình, quản trị rủi ro danh tiếng tại các trường đại học công lập.

Để lý giải hành vi tiếp nhận AI của nhóm khách thể này, nghiên cứu tích hợp bốn khung lý thuyết bổ trợ cho nhau. Lý thuyết Sử dụng và Thỏa mãn (Uses and Gratifications Theory - UGT, Rubin, 2009) giải thích động cơ cá nhân khi cán bộ chủ động lựa chọn AI để đáp ứng các nhu cầu tâm lý cụ thể. Thuyết Phù hợp Công việc - Công nghệ (Task-Technology Fit - TTF, Goodhue & Thompson, 1995) đánh giá mức độ tương thích giữa tính năng AI và đặc thù tác vụ truyền thông. Mô hình Chấp nhận Công nghệ (Technology Acceptance Model - TAM, Davis, 1989) phân tích nhận thức về sự hữu ích và dễ sử dụng dẫn đến ý định sử dụng. Lý thuyết Xuất sắc (Excellence Theory, Grunig và cộng sự, 2002) xác lập chuẩn mực cho truyền thông chiến lược hiện đại làm nền tảng đánh giá mức độ phù hợp của AI. Sự kết hợp bốn lý thuyết tạo ra khung phân tích phù hợp với tính phức tạp của hiện tượng nghiên cứu trong bối cảnh giáo dục đại học công lập Việt Nam.

Bài viết hướng đến ba mục tiêu: (1) đánh giá thực trạng nhu cầu và động cơ ứng dụng AI của đội ngũ truyền thông tại Đại học Huế; (2) xác định những rào cản thực tiễn trong bối cảnh hạ tầng và đặc thù văn hoá tổ chức; (3) đề xuất các hàm ý quản trị thiết thực cho quá trình chuyển đổi số truyền thông tại hệ thống giáo dục đại học công lập.

2. Phương pháp nghiên cứu

Nghiên cứu theo cách tiếp cận định tính, sử dụng phỏng vấn sâu bán cấu trúc làm phương pháp thu thập dữ liệu chính. Phương pháp này được lựa chọn vì hiện tượng nghiên cứu mang tính bối cảnh cao, đòi hỏi khám phá ý nghĩa, lý do và cơ chế tác động thay vì đo lường tần suất hay kiểm định quan hệ thống kê (Creswell & Creswell, 2018). Đại học Huế được chọn làm trường hợp nghiên cứu vì là đại học vùng công lập đa ngành, đang trong tiến trình chuyển đổi số, với hệ thống truyền thông phân tán qua nhiều trường thành viên, bối cảnh phản ánh đặc trưng phổ biến của đại học công lập Việt Nam và cho phép khảo sát đa dạng vị trí chuyên môn trong cùng một hệ thống.

Nghiên cứu áp dụng kỹ thuật chọn mẫu có chủ đích, lựa chọn những khách thể đang trực tiếp thực hiện hoặc phụ trách công tác truyền thông tại Đại học Huế. Tổng cộng 12 cuộc phỏng vấn được thực hiện, gồm 10 lãnh đạo phòng ban và chuyên viên/giảng viên kiêm nhiệm thuộc 8 trường thành viên, cùng 2 chuyên gia truyền thông trong lĩnh vực AI và PR giáo dục. Cỡ mẫu 12 được xác định theo tiêu chí bão hòa dữ liệu: Guest, Bunce và Johnson (2006) chứng minh bão hòa mã đạt được ngay sau 12 cuộc phỏng vấn đầu tiên với nhóm khách thể tương đối đồng nhất; Hennink, Kaiser và Marconi (2017) bổ sung rằng bão hòa ý nghĩa có thể đạt được sau 9 cuộc phỏng vấn với các nhóm có đặc điểm chung rõ ràng. Với khách thể là cán bộ quản lý trong cùng một hệ thống đại học vùng, cỡ mẫu này bảo đảm tính chặt chẽ phương pháp luận.

Bộ câu hỏi phỏng vấn được xây dựng dựa trên khung lý thuyết UGT - TTF - TAM - Excellence Theory, bao gồm ba nhóm chủ đề: (1) thực trạng và động cơ sử dụng AI trong công việc hàng ngày; (2) mức độ phù hợp của AI với từng loại tác vụ truyền thông cụ thể; (3) rào cản hạ tầng và lo ngại liên quan đến đạo đức số. Các cuộc phỏng vấn được ghi âm với sự đồng ý của khách thể và chuyển biên nguyên văn ngay sau mỗi buổi làm việc.

Phân tích dữ liệu tiến hành theo quy trình ba bước song song với thu thập: rút gọn dữ liệu, trình bày dữ liệu và rút ra kết luận (Creswell & Creswell, 2018). Bộ mã được xây dựng phân cấp từ mã mở đến mã trục dựa trên khung lý thuyết định hướng. Phần mềm Taguette - công cụ phân tích dữ liệu định tính nguồn mở (CAQDAS) - được sử dụng để lưu trữ tập trung dữ liệu, hỗ trợ mã hoá và truy xuất các đoạn hội thoại theo chủ đề. Kết quả mã hoá được đối chiếu chéo giữa các biên bản phỏng vấn để xác định và củng cố các chủ đề nổi bật, từ đó hình thành ba nhóm phát hiện chính được trình bày tại mục 3.1.

3. Kết quả và thảo luận

3.1. Kết quả

3.1.1. Đặc điểm khách thể nghiên cứu

Mười hai khách thể tham gia nghiên cứu (ký hiệu PVS1-PVS12) có sự đa dạng về vị trí công tác và mức độ tiếp xúc với AI. Nhóm lãnh đạo phụ trách (PVS1, PVS3, PVS5, PVS7, PVS9) là các trưởng/phó phòng truyền thông hoặc lãnh đạo cấp khoa tại các trường thành viên, chịu trách nhiệm định hướng chiến lược và kiểm duyệt nội dung. Nhóm chuyên viên/giảng viên kiêm nhiệm (PVS2, PVS4, PVS6, PVS8, PVS10) trực tiếp sản xuất nội dung và vận hành các kênh truyền thông số hàng ngày. Hai chuyên gia (PVS11, PVS12) có chuyên môn về công nghệ thông tin và ứng dụng AI trong môi trường giáo dục, cung cấp góc nhìn kỹ thuật bổ sung cho dữ liệu phỏng vấn. Tất cả khách thể đều có kinh nghiệm làm việc tại Đại học Huế từ 3 năm trở lên và đã từng tiếp xúc với ít nhất một công cụ AI trong công việc.

3.1.2. Động cơ và nhu cầu cá nhân trong ứng dụng AI

Phân tích cho thấy cán bộ truyền thông Đại học Huế tìm đến các công cụ như ChatGPT hay Canva AI không phải do áp đặt hành chính mà xuất phát từ hai nhóm nhu cầu nội tại, phù hợp với luận điểm của Lý thuyết UGT về người dùng chủ động.

Thứ nhất, nhu cầu giảm áp lực sản xuất nội dung. Khối lượng nội dung cần sản xuất trong truyền thông đại học hiện đại, từ thông báo, kịch bản video, bài đăng mạng xã hội đến biên bản tổng hợp, tạo ra áp lực lớn đối với đội ngũ, đặc biệt là giảng viên kiêm nhiệm. Kết quả phân tích chỉ ra rằng khả năng soạn thảo nội dung sơ bộ nhanh chóng của AI được xem là lợi ích cốt lõi nhất.

"Nếu ứng dụng đúng, AI giúp giảm ba áp lực rõ ràng. Thứ nhất là áp lực soạn thảo nội dung: thông báo, mô tả ngành, kịch bản video ngắn, tổng hợp biên bản... Với tôi, giá trị lớn nhất không phải thay con người, mà là lấy lại thời gian để cán bộ tập trung vào việc kiểm chứng và tư vấn chiều sâu" (PVS3).

Thứ hai, nhu cầu sáng tạo nhằm tiếp cận thế hệ Gen Z. Đối tượng mục tiêu của truyền thông tuyển sinh là thế hệ Gen Z với thói quen tiêu thụ thông tin nhanh và cá nhân hoá. Sự chênh lệch thế hệ này tạo áp lực buộc người làm truyền thông phải liên tục đổi mới ngôn ngữ và hình thức nội dung.

"Thí sinh hiện nay chủ yếu là Gen Z, các bạn có tư duy và ngôn ngữ rất khác. AI giúp tôi tập hợp các xu hướng thiết kế, ngôn ngữ và phong cách hiện đại để các sản phẩm truyền thông của trường không bị lạc hậu, giúp thông tin đến với các bạn một cách gần gũi nhất" (PVS1).

3.1.3. Sự phù hợp của AI đối với các tác vụ truyền thông đại học

Kết quả phân tích theo khung TTF cho thấy mức độ phù hợp của AI phân hoá rõ nét giữa các nhóm tác vụ.

Đối với các tác vụ kỹ thuật như soạn thông cáo báo chí, viết nội dung mạng xã hội, thiết kế ấn phẩm đồ hoạ cơ bản và tư vấn tuyển sinh tự động, AI thể hiện mức phù hợp cao, giúp tăng đáng kể tốc độ xử lý công việc.

"AI hiện nay đã có thể hỗ trợ khá tốt trong việc sản xuất nội dung sơ thảo, cung cấp gợi ý cấu trúc bài viết, thiết kế hình ảnh truyền thông. Đặc biệt đối với các nội dung mang tính thông tin, thông báo, tuyên truyền thuần túy, AI có thể đáp ứng khá tốt yêu cầu về tốc độ và hình thức" (PVS4).

Ngược lại, đối với các tác vụ đòi hỏi trí tuệ cảm xúc, nhạy cảm văn hoá địa phương và xử lý khủng hoảng, AI bộc lộ giới hạn rõ ràng. Bản chất của tư vấn tuyển sinh và quản trị khủng hoảng là thiết lập niềm tin và thấu hiểu lo âu cụ thể của từng phụ huynh, học sinh - điều mà thuật toán xác suất chưa đáp ứng được.

"Chatbot có lợi thế lớn về tốc độ và khả năng trực 24/7, giúp giảm tải đáng kể các câu hỏi phổ thông. Tuy nhiên, AI hiện nay chỉ mới dừng lại ở các hướng trả lời chung. Đối với thí sinh, họ thường cần sự giải đáp chi tiết, thấu cảm cho từng trường hợp cụ thể, và ở điểm này, vai trò con người vẫn là cốt lõi" (PVS1).

Phát hiện này cho thấy AI phù hợp làm công cụ hỗ trợ tiền kỳ, chứ chưa thể thay thế năng lực phán đoán, tinh tế ngôn ngữ và trách nhiệm xã hội của người làm truyền thông giáo dục.

3.1.4. Rào cản bối cảnh và rủi ro đạo đức số

Dù có động cơ rõ ràng và nhận thấy giá trị hữu ích của AI, quá trình ứng dụng tại Đại học Huế đang gặp phải hai rào cản cốt lõi.

Thứ nhất, lo ngại về thông tin sai lệch do AI tạo ra. AI tạo sinh hoạt động dựa trên xác suất dự đoán, dẫn đến hiện tượng tạo ra thông tin không chính xác nhưng trông có vẻ hợp lý. Trong môi trường truyền thông giáo dục, một sai sót về số liệu tuyển sinh hay chính sách của trường có thể gây hậu quả nghiêm trọng cho danh tiếng nhà trường.

"Áp lực rất lớn vì AI có xu hướng tạo ra thông tin không chính xác nếu không có dữ liệu gốc. Chỉ một sai sót nhỏ về con số hay chính sách tuyển sinh cũng có thể gây hậu quả nghiêm trọng cho danh tiếng nhà trường, nên việc kiểm chứng lại từng chi tiết là bắt buộc và rất căng thẳng" (PVS1).

"Về mặt kỹ thuật, AI không hiểu sự thật theo cách con người hiểu. Nó tạo ra câu trả lời dựa trên mô hình xác suất... kết quả có thể hợp lý về mặt ngôn ngữ nhưng sai về mặt dữ kiện. Nếu AI đưa sai thông tin về mã ngành, chỉ tiêu, học phí hoặc quy chế tuyển sinh, hậu quả không chỉ là lỗi nội dung mà còn ảnh hưởng đến niềm tin của học sinh và phụ huynh" (PVS11).

Thứ hai, phân mảnh hạ tầng dữ liệu. AI cần được cung cấp kho dữ liệu gốc chính xác để hoạt động hiệu quả. Tuy nhiên, tại Đại học Huế, dữ liệu phân tán giữa nhiều đơn vị với các hệ thống quản lý riêng biệt, tạo ra rào cản vật chất mang tính cơ cấu.

"Khó khăn nằm ở chỗ dữ liệu của trường thường phân tán ở nhiều đơn vị. Phòng đào tạo có dữ liệu riêng, phòng tuyển sinh có dữ liệu riêng, khoa có dữ liệu riêng, website và fanpage lại có dữ liệu riêng. Nếu không có kiến trúc dữ liệu thống nhất, AI khó tạo ra giá trị lớn" (PVS11).

Sự phân mảnh này, kết hợp với việc thiếu tài khoản AI trả phí, buộc cán bộ sử dụng các nền tảng AI miễn phí, làm tăng nguy cơ sai lệch thông tin và rò rỉ dữ liệu nội bộ.

3.2. Thảo luận

3.2.1. Đối chiếu với các nghiên cứu liên quan

Đối chiếu với các nghiên cứu quốc tế, phát hiện của nghiên cứu này cho thấy một số điểm tương đồng và khác biệt đáng chú ý.

Về động cơ ứng dụng AI, kết quả nhất quán với hướng tiếp cận chủ động của UGT trong các bối cảnh quốc tế. Panda và cộng sự (2019) chứng minh rằng nhu cầu giảm tải tác vụ lặp lại và nâng cao năng lực lắng nghe xã hội là động lực chính thúc đẩy các chuyên gia PR ứng dụng AI. Phát hiện tại Đại học Huế tái khẳng định luận điểm này trong bối cảnh đại học công lập Việt Nam, đồng thời bổ sung chiều cạnh cụ thể về áp lực tiếp cận thế hệ Gen Z, một thách thức đặc thù của truyền thông tuyển sinh hiện đại.

Về mức độ phù hợp công nghệ, kết quả phân tích theo khung TTF tương đồng với Anani-Bossman và cộng sự (2024) tại Ghana và Pátík và cộng sự (2024) tại Đông Âu: AI thể hiện giá trị rõ ràng ở các tác vụ kỹ thuật nhưng gặp giới hạn ở các tác vụ đòi hỏi phán đoán xã hội và văn hoá. Điểm khác biệt là tại Việt Nam, giới hạn này bị khuếch đại bởi yêu cầu độ chính xác cao trong thông tin chính sách của trường đại học công lập, một yêu cầu có tính ràng buộc pháp lý và uy tín thương hiệu.

Về rào cản bối cảnh, phát hiện bổ sung một luận điểm quan trọng vào hệ thống lý luận về TAM. Mô hình TAM kinh điển (Davis, 1989) cho rằng nhận thức về tính hữu ích và dễ sử dụng là đủ để dẫn đến ý định sử dụng công nghệ. Tuy nhiên, kết quả nghiên cứu chỉ ra rằng trong giáo dục đại học công lập, yêu cầu về liêm chính học thuật và rủi ro trách nhiệm pháp lý tạo ra lực cản mạnh hơn so với lợi ích tiện dụng. Đây là đóng góp mới của nghiên cứu này so với các nghiên cứu TAM truyền thống trong bối cảnh Việt Nam.

3.2.2. Hàm ý quản trị

Từ các phát hiện trên, nghiên cứu đề xuất hai hàm ý quản trị có tính thực tiễn cho các cơ sở giáo dục đại học công lập.

Hàm ý thứ nhất: Xây dựng khung năng lực AI dành cho cán bộ truyền thông. Từ khoảng trống năng lực phản ánh qua phỏng vấn (năng lực viết câu lệnh AI của PVS11, yêu cầu tư duy phản biện của PVS4, PVS10), nghiên cứu khuyến nghị xây dựng khung năng lực AI bốn mức độ: Mức 1: Nhận thức cơ bản (hiểu tính năng và giới hạn AI, tạo bản thảo đơn giản); Mức 2: Ứng dụng có hỗ trợ (sử dụng AI trong quy trình có kiểm duyệt, viết câu lệnh cơ bản); Mức 3 Tích hợp tự chủ (thiết kế quy trình kết hợp AI, xử lý thông tin sai lệch, tuân thủ đạo đức số); Mức 4: Dẫn dắt chiến lược (đánh giá và lựa chọn công cụ, xây dựng chính sách, đào tạo nội bộ). Đối với nhóm giảng viên kiêm nhiệm, khung này nên được tham chiếu bổ sung từ Khung Năng lực AI dành cho giáo dục của UNESCO để phù hợp với đặc thù vai trò kép.

Hàm ý thứ hai: Áp dụng quy trình duyệt nội dung bốn bước (Nguyên tắc 4C) đối với sản phẩm truyền thông có sự hỗ trợ của AI: Bước 1: Create (Tạo sinh): sử dụng AI soạn bản thảo với câu lệnh chuẩn hoá và dữ liệu nguồn chính thức; Bước 2: Check (Kiểm chứng): đối chiếu toàn bộ số liệu, tên ngành, chính sách với cơ sở dữ liệu gốc; Bước 3: Curate (Biên tập): người có chuyên môn truyền thông chỉnh sửa ngôn ngữ và giọng điệu phù hợp bối cảnh; Bước 4: Confirm (Phê duyệt): cấp có thẩm quyền phê duyệt và ghi rõ công cụ AI đã sử dụng. Quy trình này phù hợp với tinh thần Bộ quy tắc sử dụng AI có trách nhiệm trong truyền thông số của Viện Nghiên cứu Chính sách và Phát triển Truyền thông (IPS, 2025), và cần được điều chỉnh phù hợp với đặc thù từng cơ sở trong quá trình triển khai thực tiễn.

4. Kết luận

Nghiên cứu đã phân tích 12 cuộc phỏng vấn sâu tại Đại học Huế để làm rõ nhu cầu, động cơ và rào cản ứng dụng AI trong quản trị truyền thông đại học công lập. Phát hiện chính gồm ba nhóm: (1) cán bộ truyền thông chủ động tìm đến AI xuất phát từ nhu cầu giảm tải sản xuất nội dung và kết nối với thế hệ Gen Z; (2) AI thể hiện mức phù hợp cao với tác vụ kỹ thuật nhưng còn hạn chế ở các tác vụ đòi hỏi thấu cảm và phán đoán chiến lược; (3) ba rào cản chính gồm nguy cơ thông tin sai lệch, hạ tầng dữ liệu phân mảnh và khoảng cách năng lực số.

Về đóng góp lý luận, bài viết dịch chuyển lăng kính nghiên cứu từ đối tượng người học sang đội ngũ quản trị và thực thi truyền thông, một nhóm khách thể chưa được khai thác đầy đủ trong tài liệu học thuật về AI trong giáo dục đại học Việt Nam. Sự tích hợp UGT - TTF - TAM - Excellence Theory bổ sung luận điểm rằng trong môi trường giáo dục công lập, yêu cầu liêm chính học thuật tác động đến ý định sử dụng AI mạnh hơn so với lợi ích thuần tiện dụng.

Về đóng góp thực tiễn, bài viết đề xuất khung năng lực AI bốn mức độ và quy trình kiểm duyệt nội dung bốn bước (Nguyên tắc 4C) như những hàm ý quản trị có thể vận dụng tại các cơ sở giáo dục đại học, hướng đến chuyển dịch từ ứng dụng AI tự phát sang quản trị có hệ thống.

Về hạn chế, nghiên cứu giới hạn trong bối cảnh một đại học công lập vùng với cỡ mẫu 12 khách thể, kết quả có thể chưa phản ánh đầy đủ bối cảnh các đại học tư thục hoặc các cơ sở tại các trung tâm kinh tế lớn có hạ tầng công nghệ và nguồn lực tài chính dồi dào hơn (Bhattacherjee, 2012). Các phát hiện hiện dừng ở mức khám phá chiều sâu, chưa lượng hoá mức độ tác động của từng biến số. Hướng nghiên cứu tiếp theo nên mở rộng bằng phương pháp định lượng, áp dụng Mô hình phương trình cấu trúc (PLS-SEM) để kiểm định chính xác mức độ tác động nhân - quả giữa các nhân tố (UGT, TTF) và ý định sử dụng AI (TAM), từ đó xây dựng mô hình lý thuyết có khả năng khái quát hoá cho toàn bộ hệ thống giáo dục đại học Việt Nam./.