Ảnh hưởng của việc sử dụng AI đến kết quả học tập của học sinh trung học: bằng chứng thực nghiệm từ một quốc gia đang phát triển

2.3. Sử dụng thực tế AI, khả năng hấp thụ tri thức và thành tích học tập

SDTT AI trong giáo dục hỗ trợ quá trình dạy và học, trong khi TTHT đo lường kết quả giáo dục của học sinh (Brink & cộng sự, 2021). SDTT AI có thể tác động tích cực đến TTHT thông qua học tập cá nhân hóa và phản hồi nhanh (Zawacki-Richter & cộng sự, 2019), nhưng hiệu quả có thể thay đổi theo bối cảnh. KNHTTT là khả năng nhận biết, tiếp thu và áp dụng kiến thức mới, đặc biệt quan trọng khi sử dụng công cụ AI (Fernández-Mesa & cộng sự, 2022). Theo Chiquet và cộng sự (2023), AI có thể nâng cao KNHTTT bằng cách cung cấp truy cập đa dạng thông tin. KNHTTT liên quan tích cực đến TTHT và có thể đóng vai trò trung gian giữa SDTT AI và TTHT (Grájeda & cộng sự, 2024). Ở Việt Nam, vai trò trung gian này đặc biệt quan trọng, khi AI có thể bù đắp cho nguồn lực giáo dục hạn chế.   

H7: SDTT AI ảnh hưởng tích cực đến KNHTTT.

H8: SDTT AI ảnh hưởng tích cực đến TTHT.

H9a: KNHTTT ảnh hưởng tích cực đến TTHT.

H9b: KNHTTT đóng vai trò trung gian trong mối quan hệ giữa SDTT AI và TTHT.

2.4. Sử dụng thực tế AI, tính sáng tạo cá nhân trong CNTT và thành tích học tập  

Tính STCN trong CNTT là sự sẵn sàng thử nghiệm và áp dụng công nghệ mới (Agarwal & Prasad, 1998), ảnh hưởng đến việc chấp nhận và sử dụng công nghệ. Người có tính STCN cao hơn thường tìm kiếm và áp dụng công nghệ mới như AI trong giáo dục (Al-Adwan & Al-Debei, 2024). Tính STCN ảnh hưởng tích cực đến ý định sử dụng công nghệ trong giáo dục và các lĩnh vực khác. Tính STCN cũng có thể ảnh hưởng trực tiếp đến TTHT, với học sinh có tính STCN cao hơn tích cực hơn trong việc sử dụng công nghệ học tập mới (Uzumcu & Acilmis, 2024). Ngoài ra, tính STCN có thể điều chỉnh mối quan hệ giữa SDTT AI và TTHT. Tuy nhiên, nghiên cứu về vai trò điều tiết này còn hạn chế, đặc biệt trong bối cảnh học sinh trung học ở các nước mới nổi.

H10a: Tính STCN trong CNTT ảnh hưởng tích cực đến SDTT AI.  

H10b: Tính STCN trong CNTT ảnh hưởng tích cực đến TTHT.

H10c: Tính STCN trong CNTT điều tiết mối quan hệ giữa SDTT AI và TTHT.

3. Phương pháp nghiên cứu  

3.1. Thiết kế nghiên cứu và mô hình nghiên cứu

Nghiên cứu này áp dụng phương pháp kết hợp tuần tự, bao gồm giai đoạn định tính với phỏng vấn bán cấu trúc 30 học sinh trung học Việt Nam và giai đoạn định lượng sử dụng khảo sát trên mẫu lớn hơn. Phân tích dữ liệu định tính được thực hiện bằng NVivo, trong khi phân tích định lượng sử dụng PLS-SEM để kiểm định giả thuyết. Cách tiếp cận này cho phép nghiên cứu toàn diện về ảnh hưởng của SDTT AI đối với TTHT trong bối cảnh nước đang phát triển, đồng thời tăng cường độ tin cậy và khả năng áp dụng của kết quả nghiên cứu. (Hình 1) 

3.2. Lấy mẫu và thu thập dữ liệu

Công cụ khảo sát được phát triển qua phân tích tài liệu và tham vấn chuyên gia. Các thang đo được điều chỉnh từ các nghiên cứu đã công nhận, bao gồm TTHT từ Whelan và cộng sự (2020), KNHTTT từ Cohen và Levinthal (1990); Jansen và cộng sự (2006), NTDSD, NTHI, TĐSD AI, YĐSD AI, SDTT AI từ Boroomand và Chan (2022) và tính STCN trong CNTT từ Agarwal và Prasad (1998). Nghiên cứu thử nghiệm cho kết quả Cronbach's alpha > 0.7 (Hair & cộng sự, 2021). Dữ liệu được thu thập từ học sinh THPT Việt Nam từ tháng 3 đến tháng 8/2024 bằng phương pháp lấy mẫu thuận tiện phân tầng. Từ 900 bảng câu hỏi, nhận 543 phản hồi (60,3%), giữ lại 370 phản hồi hợp lệ, vượt ngưỡng 200 quan sát cho SEM. Phương pháp này cho phép thu thập dữ liệu hiệu quả, phù hợp với xu hướng nghiên cứu công nghệ giáo dục ở các nước đang phát triển. (Bảng 2)

Bảng 1. Thông tin cơ bản của đối tượng khảo sát

                                                                                                   Nguồn: Tác giả tính toán

4. Phân tích dữ liệu và kết quả

4.1. Mô hình bên ngoài và xác nhận thang đo

Để xác định độ tin cậy, tải trọng của các câu hỏi được đánh giá, phản ánh cường độ và hướng liên kết với khái niệm cơ bản. Kết quả kiểm định cho thấy các thang đo đều có ngưỡng vượt 0,7 (Chin & Newsted, 1999), chứng minh độ tin cậy. Kết quả kiểm định cho thấy tất cả thang đo vượt yêu cầu tối thiểu 0,70 cho độ tin cậy tổng hợp. Theo Fornell và Larcker (1981), giá trị hội tụ được thiết lập khi tải trọng yếu tố dự đoán và Phương sai Trích Trung bình (AVE) vượt 0,5, cung cấp bằng chứng mạnh về độ tin cậy của các cấu trúc.  

Để đánh giá sự phân biệt giá trị, tác giả sử dụng tỷ lệ dị tính - đơn tính trạng (HTMT) từ ma trận đa điểm - đa phương pháp theo Henseler và cộng sự (2015). Theo Gold và cộng sự (2001), giá trị phân biệt đạt được khi HTMT dưới 0,9. Kết quả kiểm định hiển thị tất cả cấu hình với HTMT < 0,9, phân tích giá trị chứng minh. Kết quả tìm thấy bậc hai của AVE cho mỗi cấu trúc vượt qua mối liên hệ với các cấu trúc khác, khẳng định các khái niệm có giá trị phân biệt.  

4.3. Kết quả mô hình bên trong và kiểm định giả thuyết

Các giả thuyết được đánh giá bằng phân tích PLS mô hình bên trong và các phát hiện được trình bày trong Bảng 2.

Bảng 2. Tóm tắt kết quả mô hình bên trong

                                                                                                    Nguồn: Tác giả tính toán

5. Thảo luận và kết luận

Nghiên cứu về tác động của AI đối với TTHT của học sinh trung học Việt Nam cho thấy mối quan hệ tích cực giữa NTDSD và NTHI, phù hợp với mô hình TAM (Venkatesh & cộng sự, 2003). Tuy nhiên, khác với các phát hiện trước đây của (Scherer & cộng sự, 2019), NTDSD không ảnh hưởng đáng kể đến TĐSD, có thể do tính mới của AI trong giáo dục Việt Nam. NTHI ảnh hưởng mạnh đến TĐSD và YĐSD, nhấn mạnh tầm quan trọng của NTHI (Liesa-Orús & cộng sự, 2023). SDTT ảnh hưởng tích cực đến KNHTTT), nhưng không trực tiếp đến TTHT, trái ngược với một số nghiên cứu trước (Banda & Nzabahimana, 2023), có thể do giai đoạn sơ khai của AI trong giáo dục Việt Nam. KNHTTT đóng vai trò trung gian quan trọng giữa SDTT và TTHT, nhấn mạnh tầm quan trọng của việc phát triển năng lực nhận thức song song với tích hợp công nghệ. Tính STCN trong CNTT ảnh hưởng tích cực đến SDTT và TTHT, phù hợp với nghiên cứu trước (Al-Adwan & Al-Debei, 2024), nhưng không điều tiết mối quan hệ SDTT - TTHT, khác với một số phát hiện trước đây (Álvarez-Marín & cộng sự, 2023), có thể do tác động cân bằng của AI trong hệ thống giáo dục truyền thống của Việt Nam.   

5.1. Hàm ý về lý thuyết

Nghiên cứu này đưa ra 5 ý nghĩa lý thuyết quan trọng về AI trong giáo dục ở các nước đang phát triển. Đầu tiên, nó mở rộng TAM truyền thống bằng cách tích hợp các yếu tố liên quan đến việc áp dụng AI trong giáo dục. Thứ hai, nghiên cứu đưa KNHTTT làm yếu tố trung gian giữa SDTT và TTHT, nhấn mạnh tầm quan trọng của khả năng tiếp thu kiến thức từ AI của học sinh. Thứ ba, việc xem xét tính STCN trong CNTT như tác động trực tiếp đến SDTT và TTHT giúp làm rõ khác biệt cá nhân trong việc áp dụng AI. Thứ tư, nghiên cứu thúc đẩy phát triển lý thuyết về mối liên hệ giữa áp dụng AI và kết quả giáo dục. Cuối cùng, những phát hiện này cung cấp cơ sở lý thuyết để phát triển chiến lược can thiệp nhằm nâng cao hiệu quả của AI trong môi trường giáo dục.

5.2. Hàm ý về thực tiễn  

Nghiên cứu này đưa ra một số hàm ý thực tiễn cho việc triển khai và sử dụng AI trong giáo dục trung học ở các quốc gia đang phát triển như Việt Nam. Mối quan hệ giữa NTDSD và NTHI (H1) gợi ý nên tập trung vào việc tạo ra công cụ AI thân thiện với người dùng. Tác động của NTHI đối với TĐSD và YĐSD (H3, H4) nhấn mạnh tầm quan trọng của việc chứng minh lợi ích học thuật của AI. Mối liên kết giữa TĐSD, YĐSD, SDTT (H5, H6) cho thấy cần có các chương trình nâng cao nhận thức về AI. Ảnh hưởng của SDTT đối với KNHTTT (H7) và TTHT (H9a, H9b) gợi ý nên tập trung vào phát triển khả năng tiếp thu và áp dụng kiến thức từ AI của học sinh. Vai trò của tính STCN trong CNTT (H10a, H10b) cho thấy nên tận dụng học sinh có khuynh hướng công nghệ như người áp dụng sớm. Tuy nhiên, việc thiếu hiệu ứng điều tiết (H10c) ngụ ý AI có thể mang lại lợi ích cho mọi học sinh, thúc đẩy công bằng giáo dục (Liesa-Orús & cộng sự, 2023).

5.3. Hạn chế

Nghiên cứu này có một số hạn chế cần xem xét. Dữ liệu theo chiều ngang hạn chế khả năng thiết lập mối quan hệ nhân quả và quan sát tác động lâu dài của SDTT đối với TTHT. Việc tập trung vào học sinh trung học Việt Nam có thể hạn chế khả năng khái quát hóa sang các cấp độ giáo dục hoặc bối cảnh văn hóa khác. Mô hình nghiên cứu có thể chưa nắm bắt được tất cả yếu tố liên quan đến việc áp dụng AI và TTHT trong bối cảnh các quốc gia mới nổi. Nghiên cứu tương lai nên sử dụng thiết kế theo chiều dọc, thực hiện so sánh giữa các quốc gia và khám phá thêm các biến như thái độ của giáo viên, hỗ trợ của tổ chức và các yếu tố kinh tế - xã hội. 

Tài liệu tham khảo:

1. Agarwal, R., & Prasad, J. (1998). A Conceptual and Operational Definition of Personal Innovativeness in the Domain of Information Technology. Information Systems Research, 9(2), 204–215. https://doi.org/10.1287/isre.9.2.204

2. Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211.

3. Al-Adwan, A. S., & Al-Debei, M. M. (2024). The determinants of Gen Z’s metaverse adoption decisions in higher education: Integrating UTAUT2 with personal innovativeness in IT. Education and Information Technologies, 29(6), 7413–7445. https://doi.org/10.1007/s10639-023-12080-1

4. Álvarez-Marín, A., Velázquez-Iturbide, J. Á., & Castillo-Vergara, M. (2023). The acceptance of augmented reality in engineering education: The role of technology optimism and technology innovativeness. Interactive Learning Environments, 31(6), 3409–3421. https://doi.org/10.1080/10494820.2021.1928710

5. Banda, H. J., & Nzabahimana, J. (2023). The Impact of Physics Education Technology (PhET) Interactive Simulation-Based Learning on Motivation and Academic Achievement Among Malawian Physics Students. Journal of Science Education and Technology, 32(1), 127–141. https://doi.org/10.1007/s10956-022-10010-3

6. Boroomand, F., & Chan, Y. E. (2022). Digital absorptive capacity: Developing an instrument. Knowledge Management Research & Practice, 1–12.

7. Brink, H. W., Loomans, M. G. L. C., Mobach, M. P., & Kort, H. S. M. (2021). Classrooms’ indoor environmental conditions affecting the academic achievement of students and teachers in higher education: A systematic literature review. Indoor Air, 31(2), 405–425. https://doi.org/10.1111/ina.12745

8. Chin, W. W., & Newsted, P. R. (1999). Structural equation modeling analysis with small samples using partial least squares. Statistical Strategies for Small Sample Research, 1(1), 307–341.

9. Chiquet, S., Martarelli, C. S., Weibel, D., & Mast, F. W. (2023). Learning by teaching in immersive virtual reality–Absorption tendency increases learning outcomes. Learning and Instruction, 84, 101716.

10. Cohen, W. M., & Levinthal, D. A. (1990a). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 128–152.

11. Cohen, W. M., & Levinthal, D. A. (1990b). Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128. https://doi.org/10.2307/2393553

12. Davis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319. https://doi.org/10.2307/249008

13. Fernández-Mesa, A., Olmos-Penuela, J., García-Granero, A., & Oltra, V. (2022). The pivotal role of students’ absorptive capacity in management learning. The International Journal of Management Education, 20(3), 100687.

14. Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. JOURNAL OF MARKETING RESEARCH, 12.

15. Gold, A. H., Malhotra, A., & Segars, A. H. (2001). Knowledge management: An organizational capabilities perspective. Journal of Management Information Systems, 18(1), 185–214.

16. Grájeda, A., Burgos, J., Córdova, P., & Sanjinés, A. (2024). Assessing student-perceived impact of using artificial intelligence tools: Construction of a synthetic index of application in higher education. Cogent Education, 11(1), 2287917. https://doi.org/10.1080/2331186X.2023.2287917

17. Granić, A., & Marangunić, N. (2019). Technology acceptance model in educational context: A systematic literature review. British Journal of Educational Technology, 50(5), 2572–2593. https://doi.org/10.1111/bjet.12864

18. Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM). Sage publications.

19. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135.

20. Jansen, J. J. P., Van Den Bosch, F. A. J., & Volberda, H. W. (2006). Exploratory Innovation, Exploitative Innovation, and Performance: Effects of Organizational Antecedents and Environmental Moderators. Management Science, 52(11), 1661–1674. https://doi.org/10.1287/mnsc.1060.0576

21. Liesa-Orús, M., Latorre-Cosculluela, C., Sierra-Sánchez, V., & Vázquez-Toledo, S. (2023). Links between ease of use, perceived usefulness and attitudes towards technology in older people in university: A structural equation modelling approach. Education and Information Technologies, 28(3), 2419–2436. https://doi.org/10.1007/s10639-022-11292-1

22. Mishra, A. N., & Agarwal, R. (2010). Technological Frames, Organizational Capabilities, and IT Use: An Empirical Investigation of Electronic Procurement. Information Systems Research, 21(2), 249–270. https://doi.org/10.1287/isre.1080.0220

23. Olugboja, A., & Agbakwuru, E. M. (2024). Bridging Healthcare Disparities in Rural Areas of Developing Countries: Leveraging Artificial Intelligence for Equitable Access. 2024 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA), 1–6. https://ieeexplore.ieee.org/abstract/document/10467443/

24. Scherer, R., Siddiq, F., & Tondeur, J. (2019). The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers’ adoption of digital technology in education. Computers & Education, 128, 13–35.

25. Teo, T., Huang, F., & Hoi, C. K. W. (2018). Explicating the influences that explain intention to use technology among English teachers in China. Interactive Learning Environments, 26(4), 460–475. https://doi.org/10.1080/10494820.2017.1341940

26. Uzumcu, O., & Acilmis, H. (2024). Do Innovative Teachers use AI-powered Tools More Interactively? A Study in the Context of Diffusion of Innovation Theory. Technology, Knowledge and Learning, 29(2), 1109–1128. https://doi.org/10.1007/s10758-023-09687-1

27. Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 425–478.

28. Wang, Y., Liu, C., & Tu, Y.-F. (2021). Factors affecting the adoption of AI-based applications in higher education. Educational Technology & Society, 24(3), 116-129.

29. Whelan, E., Islam, A. N., & Brooks, S. (2020). Applying the SOBC paradigm to explain how social media overload affects academic performance. Computers & Education, 143, 103692.

30. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0

The impacts of artificial intelligence (AI) on high school students' academic performance: Empirical evidence from a developing country

Dinh Van Hoang¹

Do Truong Giang²

Le Tran Cong Duy²

Vu Dang Khoi²

Ha Ngoc Minh²

Ngo Minh Tuan²

Dao Trong Duc Minh²

¹Foreign Trade University

²Bright Future Education and Technology Joint Stock Company

Abstract:

This study explored the impacts of artificial intelligence (AI) on Vietnamese high school students' academic performance. The study used a mixed-method approach with PLS-SEM analysis of 370 responses. The study’s findings showed that perceived usefulness positively influences attitudes and intentions to use AI. The use of AI indirectly positively affects absorptive capacity, indirectly influencing academic performance. Personal innovativeness in IT positively influences AI usage and academic performance. The study provided insights for educators and policymakers on AI's role in education, particularly in Vietnamese high schools, highlighting AI's indirect influence on academic performance through enhanced absorptive capacity.

Keywords: AI usage, absorptive capacity, academic performance, personal innovativeness.

[Tạp chí Công Thương - Các kết quả nghiên cứu khoa học và ứng dụng công nghệ, Số 20 tháng 9 năm 2024]