Ứng dụng trí tuệ nhân tạo BIBLO AI 5.0 khám phá năng lực hấp thụ kiến thức, sự minh bạch và nhận thức rủi ro đến sự chấp nhận sử dụng AI của nghề kỹ sư

Tóm tắt.

Nghiên cứu này nhằm khám phá cách năng lực hấp thụ kiến thức, mức độ minh bạch của hệ thống AI, và nhận thức rủi ro định hình sự chấp nhận sử dụng AI trong nghề kỹ sư. Dựa trên dữ liệu Bibliometric giai đoạn 2015-2026 và các phân tích thematic, co‑word và mạng lưới tri thức, nghiên cứu cho thấy, kỹ sư sẵn sàng chấp nhận AI hơn khi hệ thống cung cấp thông tin rõ ràng, dễ diễn giải và phù hợp với yêu cầu nhiệm vụ. Đồng thời, năng lực hấp thụ tri thức đóng vai trò chất xúc tác giúp chuyển hóa thông tin AI thành giá trị thực hành, trong khi rủi ro cảm nhận vẫn là rào cản đáng kể. Kết quả góp phần định vị lại các yếu tố trọng yếu chi phối hành vi công nghệ của kỹ sư, đồng thời mở ra hướng phát triển các mô hình AI có trách nhiệm, minh bạch và phù hợp hơn với bối cảnh kỹ thuật.

Từ khóa: Bibliometrics, chấp nhận AI, năng lực hấp thụ kiến thức, minh bạch hệ thống AI, nhận thức rủi ro.

1. Đặt vấn đề

Trong thập kỷ vừa qua, các hệ thống AI đã chuyển dịch nhanh chóng từ vai trò công cụ để trở thành tác tử bán ‑ tự chủ (AI tự động phân tích dữ liệu thị trường và đề xuất chiến lược kinh doanh, nhưng con người quyết định có triển khai hay không) trong các quy trình chuyên môn, chứng minh có khả năng cải thiện năng lực ra quyết định, độ tạo ra sản phẩm và chất lượng trong kỹ thuật phức tạp. Ví dụ, sự kết hợp giữa PACS và AI trong việc đào tạo chẩn đoán hình ảnh đã cải thiện đáng kể khả năng này, bằng cách tăng cường khả năng ra quyết định phán đoán, tạo ra khả năng nhớ và sở hữu của người học (Li & Zhao, 2026). Tương tự, trong môi trường nghề nghiệp, chấp nhận AI bị chi phối bởi cảm nhận rủi ro, niềm tin, tự hiệu quả và đặc tính chức năng của hệ thống; mức chấp nhận thường giảm khi AI vận hành tự trị mà thiếu kiểm soát của con người, đặc biệt ở các lĩnh vực “nhạy cảm về con người” như nhân sự (Gieselmann et al., 2025). Các bằng chứng này hàm ý để AI được chấp nhận bền vững trong nghề kỹ sư, cần làm sáng tỏ đồng thời các yếu tố nhận thức rủi ro, minh bạch hệ thống và khả năng người dùng hấp thụ tri thức liên quan đến AI.

Dữ liệu hiện thời cho thấy 2 hướng then chốt. Thứ nhất, năng lực hấp thụ tri thức (absorptive capacity) khuếch đại tác động của các cơ chế học hỏi/tương tác liên quan đến AI lên kết quả đổi mới và hiệu quả (Lin & Wu, 2025), đồng thời các cấu phần chất lượng/ minh bạch thông tin của hệ thống là dự báo mạnh cho ý định chấp nhận (Yao & Chiang, 2025). Thứ hai, niềm tin và rủi ro cảm nhận vừa định hình thái độ vừa chi phối ý định sử dụng trong bối cảnh giáo dục, y tế và dịch vụ công; rủi ro riêng tư và an toàn làm suy giảm niềm tin, trong khi sự rõ ràng về vai trò con người-AI lại củng cố chấp nhận (Zhang, Hu, Wu, Kamran, & Wang, 2025; Di Stefano et al., 2025). Tuy vậy, trong phạm vi các công trình hiện có, mô hình tích hợp năng lực hấp thụ - minh bạch - rủi ro dành riêng cho kỹ sư còn thiếu, mặc dù đây là nhóm nghề có chuẩn chính xác cao, đạo đức nghề nghiệp nghiêm ngặt và chịu hậu quả trực tiếp của quyết định kỹ thuật.

Sự xuất hiện của các nền tảng AI thế hệ mới (ví dụ BIBLO AI 5.0) đặt ra yêu cầu đánh giá có hệ thống cách kỹ sư tiếp nhận - tin tưởng - sử dụng AI trong quy trình nghề nghiệp. Bài báo này đặt mục tiêu: (1) kiểm định vai trò của năng lực hấp thụ tri thức trong việc hình thành ý định chấp nhận AI của kỹ sư; (2) phân tích tác động của minh bạch hệ thống (chất lượng thông tin, khả năng giải thích, ranh giới tác tử-con người) đến niềm tin và thái độ; và (3) lượng hóa ảnh hưởng của nhận thức rủi ro (riêng tư, an toàn, sai lệch quyết định) lên ý định sử dụng. Cách tiếp cận này kế thừa các thang đo và cơ chế đã được kiểm định trong bối cảnh y tế-giáo dục-kinh doanh (Ateeq et al., 2026; Yao & Chiang, 2025; Zhang et al., 2025) để xây dựng một khung lý thuyết dành riêng cho nghề kỹ sư, qua đó đóng góp vào diễn ngôn học thuật về chấp nhận AI trong các hệ thống kỹ thuật quan trọng.

Mục tiêu của bài báo là ứng dụng phương pháp Bibliometrics để phân tích cấu trúc tri thức và định lượng mức độ ảnh hưởng của năng lực hấp thụ tri thức, minh bạch hệ thống, và nhận thức rủi ro đối với sự chấp nhận AI của kỹ sư, qua đó xây dựng mô hình lý thuyết phản ánh chính xác hành vi công nghệ trong bối cảnh kỹ thuật.

2. Phương pháp nghiên cứu 

Phương pháp nghiên cứu được xây dựng theo định hướng Bibliometric (Aria & Cuccurullo, 2017) nhằm đạt mục tiêu định lượng tác động đồng thời của năng lực hấp thụ tri thức, mức độ minh bạch hệ thống, và nhận thức rủi ro đến sự chấp nhận AI của kỹ sư. Từ tập dữ liệu Scopus, nghiên cứu tiến hành trích xuất có hệ thống các cấu phần tri thức bằng phân tích co‑word, thematic mapping và network centrality nhằm nhận diện những trục nội dung cốt lõi liên quan đến hành vi công nghệ. Trên cơ sở đó, các nghiên cứu về các yếu tố được kế thừa dựa trên cấu trúc đo lường đã được kiểm định trong các nghiên cứu trước (Yao & Chiang, 2025; Zhang, Hu, Wu, Kamran, & Wang, 2025). Biến năng lực hấp thụ tri thức được mô hình hóa như cơ chế khuếch đại hiệu quả học hỏi, cho phép kỹ sư chuyển hóa tín hiệu kỹ thuật từ hệ thống AI thành hành động nghề nghiệp có giá trị, phù hợp với luận điểm về vai trò điều tiết của absorptive capacity trong bối cảnh đổi mới (Lin & Wu, 2025). Dữ liệu sau đó được tích hợp vào mô hình nghiên cứu để đánh giá quan hệ giữa nhận thức - thái độ - hành vi, đảm bảo độ tin cậy phân tích và tính phù hợp khi xử lý các mối quan hệ trong nghiên cứu hành vi chấp nhận AI ở các nghiên cứu tiếp theo.

Bộ dữ liệu Bibliometric giai đoạn 2015-2026 phản ánh một hệ sinh thái tri thức phát triển mạnh với 430 tài liệu được xuất bản trên 266 nguồn, cho thấy mức độ phân tán học thuật rộng rãi.  Mặc dù tốc độ tăng trưởng hằng năm đạt -4,18%, lĩnh vực vẫn duy trì sức sản xuất ổn định nhờ mức trích dẫn trung bình 19,92 cho mỗi bài, phản ánh mức độ lan tỏa đáng kể trong cộng đồng khoa học. Mật độ khái niệm cũng cao với 1.176 Keywords Plus và 1.403 từ khóa tác giả, chứng tỏ phổ chủ đề đa dạng và được khám phá liên tục.  Đội ngũ 1.349 tác giả cùng mức 6,19 đồng tác giả/bài cho thấy cấu trúc cộng tác mạnh, trong đó 22,79% là hợp tác quốc tế một chỉ báo của tính toàn cầu và sức hấp dẫn của chủ đề nghiên cứu. Về loại hình tài liệu, nghiên cứu chủ yếu dựa trên bài báo kết hợp với conference papers và book chapters, tạo nên nền tảng học thuật cân bằng và bền vững (Bảng 1).  

3. Kết quả

Phân tích biểu đồ ấn phẩm cho thấy quỹ đạo tăng trưởng rõ rệt. Giai đoạn 2015-2025 ghi nhận 425 bài, trung bình 38,6 và trung vị 34 bài/năm, phản ánh nền tảng sản xuất tri thức ngày càng ổn định. Đỉnh cao xuất bản đạt 109 bài vào 2025, đồng thời đây cũng là mức tăng tuyệt đối lớn nhất +51 bài so với 2024 một bước nhảy đột biến về cường độ công bố. Ở chiều ngược lại, 2018 là năm suy giảm mạnh nhất (-18 bài so với 2017), cho thấy giai đoạn điều chỉnh ngắn hạn trước khi tăng tốc. Theo lăng kính bibliometric, tốc độ tăng trưởng kép CAGR 2015-2025 = 29,8%/năm, và 3 năm gần nhất (2023-2025) đóng góp 220 bài, chiếm 51,8% toàn kỳ bằng chứng của pha gia tốc muộn trong chu kỳ tri thức. Đến thời điểm thống kê 2026 mới ghi nhận 5 bài, vì vậy chưa phản ánh đầy đủ xu hướng cả năm (Hình 1).

Top các quốc gia có số lượng xuất bản cao nhất

Bảng 2. Top các quốc gia có số lượng xuất bản cao nhất

Bảng 2 cho thấy mức độ đóng góp quốc gia trong hệ sinh thái tri thức có sự phân hóa rõ rệt. Mỹ dẫn đầu với 183 công bố, phản ánh vai trò trung tâm của các cơ sở nghiên cứu lớn trên thế giới. Ấn Độ (168) và Trung Quốc (122) theo sát, thể hiện sự trỗi dậy mạnh mẽ của các nền khoa học mới nổi.  Trong khu vực châu Á - Thái Bình Dương, Malaysia (94) là điểm sáng vượt trội, trong khi Anh (73) và Tây Ban Nha (52) duy trì vị thế ổn định trong khối châu Âu. Các quốc gia tầm trung như Hàn Quốc (40), Jordan (34), Indonesia (31) và Australia (30) đóng góp quan trọng cho sự đa dạng của mạng lưới nghiên cứu toàn cầu.  Dẫn liệu cũng cho thấy phạm vi lan tỏa rất rộng, với hơn 60 quốc gia tham gia và nhiều nước mới nổi (như Ghana, Ecuador, Mongolia) bắt đầu xuất hiện trong bản đồ khoa học, cho thấy tính toàn cầu hóa ngày càng sâu của chủ đề nghiên cứu.

Mô tả theo tạp chí

Hình 2 cho thấy cơ cấu nguồn công bố tương đối đa dạng, trong đó ASEE Annual Conference and Exposition dẫn đầu với 15 bài, thể hiện vai trò nổi trội của các diễn đàn học thuật về kỹ thuật và giáo dục kỹ thuật. Theo sát là Cogent Business and Management với 13 bài, phản ánh sự quan tâm mạnh mẽ của khối khoa học quản trị đối với chủ đề nghiên cứu. Nhóm tạp chí có mức đóng góp trung bình bao gồm International Journal of Business Excellence, International Journal of Hospitality Management, và International Journal of Organizational Analysis, mỗi nguồn đạt 6 bài. Các nguồn như Civil Engineering và International Journal of Business Innovation and Research đóng góp 5 bài, trong khi International Journal of Bank Marketing và Journal of Business Research ghi nhận 4 bài. Cơ cấu phân tán này cho thấy chủ đề có tính liên ngành cao, lan tỏa từ quản trị, kỹ thuật đến marketing và đổi mới sáng tạo.

Trực quan hóa dữ liệu từ khóa

Hình 3 thể hiện tần suất xuất hiện từ khóa cho thấy cấu trúc chủ đề được định hình xoay quanh nhóm khái niệm liên quan đến nhận thức rủi ro và hỗ trợ tổ chức. “Perceived risks” (97) và “perceived risk” (76) là hai từ khóa xuất hiện nhiều nhất, phản ánh vai trò trung tâm của yếu tố rủi ro trong việc hình thành hành vi và thái độ của người dùng. “Organisational support” (88) và “attitude” (74) tiếp tục củng cố mối liên hệ giữa bối cảnh tổ chức và phản ứng hành vi. Sự hiện diện nổi bật của các từ khóa liên quan đến công nghệ như “AI acceptance” (58) và “artificial intelligence” (43) cho thấy xu hướng dịch chuyển mạnh sang nghiên cứu ứng dụng AI trong quản trị và giáo dục kỹ thuật. Nhóm chủ đề nghề nghiệp kỹ thuật được thể hiện qua “engineering profession” (41) và “professional aspects” (36), trong khi “perceived trust” (34) và “knowledge absorptive capacity” (26) cho thấy vai trò của niềm tin và năng lực hấp thụ tri thức trong quá trình đổi mới.

Hình đám mây thể hiện sự phân bố tần suất của các chủ đề cốt lõi liên quan đến việc ứng dụng trí tuệ nhân tạo BIBLO AI 5.0 trong bối cảnh nghề kỹ sư. Các thuật ngữ nổi bật như “organisational support”, “perceived risks”, “ai acceptance” và “attitude” cho thấy quyết định chấp nhận AI của kỹ sư chịu ảnh hưởng mạnh từ môi trường tổ chức, thái độ cá nhân và mức độ rủi ro cảm nhận. Đồng thời, sự xuất hiện rõ nét của “knowledge absorptive capacity” phản ánh vai trò của năng lực hấp thụ tri thức trong việc chuyển hóa thông tin do AI cung cấp thành giá trị thực tiễn. Các từ khóa như “perceived trust”, “professional aspects” và “engineering profession” nhấn mạnh yêu cầu cao về minh bạch, độ tin cậy và sự phù hợp với nhiệm vụ kỹ thuật. Nhìn chung, hình đám mây cho thấy rủi ro cảm nhận vẫn là rào cản chủ đạo, nhưng minh bạch hệ thống và năng lực tiếp thu tri thức có thể hỗ trợ đáng kể việc triển khai BIBLO AI 5.0 trong các lĩnh vực kỹ thuật (Hình 4).

Bảng 3. Mạng đồng từ khóa

Bảng 3 phân tích mạng lưới đồng xuất hiện từ khóa cho thấy cấu trúc tri thức của lĩnh vực được tổ chức theo các cụm chủ đề có vai trò trung tâm khác nhau. Cụm mạnh nhất xoay quanh perceived risk và perceived risks, với chỉ số betweenness lần lượt 198.479 và 147.154, phản ánh vai trò điều phối cao trong toàn bộ mạng lưới. Từ khóa attitude cũng thể hiện mức độ kết nối nổi bật với betweenness 273.843, cho thấy tầm quan trọng của yếu tố thái độ trong hành vi người dùng. Bên cạnh đó, cụm về engineering profession được dẫn dắt bởi từ khóa students (123.074) và engineering education (88.440), thể hiện sự giao thoa giữa kỹ thuật và giáo dục trong các công trình nghiên cứu. Các chủ đề liên quan đến AI acceptance cũng nổi bật, đặc biệt là artificial intelligence (104.360) và AI acceptance (75.328), cho thấy xu hướng gia tăng mối quan tâm đến trí tuệ nhân tạo trong các bối cảnh hành vi.

Bản đồ chủ đề

Kết quả phân tích Thematic Map cho thấy, cấu trúc tri thức được tổ chức thành 6 cụm chủ đề, phản ánh sự đa dạng và chiều sâu của lĩnh vực nghiên cứu. Cụm 1 - Organisational Support nổi bật với từ khóa trung tâm organisational support có betweenness rất cao (1,779.468), cùng các khái niệm liên quan như job satisfaction, supervisor support và work engagement, cho thấy trọng tâm của các nghiên cứu về hành vi tổ chức. Cụm 2 - AI Acceptance thể hiện sự phát triển mạnh với các từ khóa then chốt như AI acceptance (1,071.565) và artificial intelligence (1,798.712), phản ánh vai trò ngày càng lớn của AI trong hành vi người dùng và ra quyết định. Cụm 3 - Technological Experience tập trung vào technological experience và consumer behavior, cho thấy mối liên hệ giữa trải nghiệm công nghệ và hành vi tiêu dùng. Cụm 4 - Perceived Risks là cụm mạnh nhất, với perceived risks ghi nhận betweenness lên tới 3,038.249, cho thấy chủ đề này có vai trò điều phối toàn mạng. Bên cạnh đó, cụm 5 - Engineering Profession và cụm 6 - Knowledge Absorptive Capacity thể hiện sự xuất hiện của các chủ đề bổ trợ, mở rộng bối cảnh nghiên cứu sang giáo dục kỹ thuật và quản trị tri thức (Hình 5).

4. Thảo luận

Hướng tới mục tiêu làm rõ cơ chế mà năng lực hấp thụ tri thức, minh bạch hệ thống và nhận thức rủi ro tác động đến sự chấp nhận AI của kỹ sư, kết quả của nghiên cứu gợi ý đường dẫn nhận thức-thái độ-hành vi được khuếch đại khi người dùng có năng lực hấp thụ cao, phù hợp với bằng chứng cho thấy absorptive capacity làm mạnh liên kết tri thức đổi mới trong bối cảnh AI (Lin & Wu, 2025). Về minh bạch/chất lượng hệ thống, phát hiện ủng hộ luận điểm chất lượng thông tin và tính hữu dụng/dễ dùng là dự báo chủ đạo của ý định, qua đó củng cố mô hình đo lường trong dự báo (Yao & Chiang, 2025). Ở chiều ngược, rủi ro cảm nhận (riêng tư, an toàn) làm xói mòn niềm tin, tương thích với bằng chứng trên mẫu nghiên cứu tiền nhiệm vụ rủi ro giảm trust và ý định dùng AI, nhất là trong bối cảnh nông thôn (Zhang, Hu, Wu, Kamran, & Wang, 2025). So sánh với các nghiên cứu “nhạy cảm nhân sự/do con người quyết định”, mức chấp nhận sụt giảm khi AI tự trị và thiếu kiểm soát của con người (Gieselmann, Erdsiek, Rost, & Sassenberg, 2025), trong khi xây năng lực và giảm technostress đòi hỏi thiết kế can thiệp tăng acceptance và self‑efficacy (Di Stefano et al., 2025) và củng cố hỗ trợ tổ chức (Xiong & Zhang, 2025). Như vậy, để nâng chấp nhận AI trong nghề kỹ sư, cần phối hợp chiến lược nâng năng lực hấp thụ, thiết kế minh bạch-giải thích được, và quản trị rủi ro theo ngữ cảnh nhiệm vụ.

5. Dự báo về xu hướng nghiên cứu

Trong giai đoạn tới, các nghiên cứu về trí tuệ nhân tạo trong bối cảnh nghề kỹ sư được dự báo sẽ chuyển dịch mạnh từ các mô hình chấp nhận truyền thống sang các hướng tiếp cận đa tầng, nhấn mạnh tính phức hợp của quan hệ con người - AI. Xu hướng nổi bật là mở rộng các khung phân tích theo hướng hệ sinh thái tri thức, trong đó năng lực hấp thụ, minh bạch thuật toán và khả năng giải thích trở thành những biến trung gian quan trọng trong dự báo hành vi. Đồng thời, nghiên cứu tương lai có khả năng tập trung vào các thuật toán AI thế hệ mới (GenAI, agentic AI) nhằm đánh giá tác động sâu hơn đến chuẩn mực nghề nghiệp, trách nhiệm kỹ thuật và chuyển đổi kỹ năng của kỹ sư. Các phương pháp phân tích tiên tiến như structural bibliometrics, co‑evolution mapping và machine‑assisted conceptual mining sẽ được sử dụng rộng rãi để phát hiện chủ đề mới nổi và đo lường sự dịch chuyển của tri thức trong mạng lưới nghiên cứu AI. Bên cạnh đó, những chủ đề như an toàn AI, tự chủ hệ thống, đạo đức kỹ thuật và khả năng phối hợp con người - AI được dự đoán sẽ trở thành trục nghiên cứu trọng tâm, phản ánh yêu cầu đảm bảo minh bạch, tin cậy và tính bền vững trong ứng dụng AI của lĩnh vực kỹ thuật.

6. Kết luận

Nghiên cứu này đóng góp vào bối cảnh thực tế về trí tuệ nhân tạo trong lĩnh vực kỹ thuật thông qua việc làm rõ vai trò tương tác của năng lực hấp thụ tri thức, mức độ minh bạch hệ thống và nhận thức rủi ro trong việc hình thành hành vi chấp nhận AI của kỹ sư. Bằng cách tiếp cận theo hướng Bibliometric, bài báo không chỉ củng cố cấu trúc tri thức của lĩnh vực mà còn xác định các cụm chủ đề trọng tâm và những động lực chi phối tiến trình chuyển đổi sang môi trường làm việc tích hợp AI. Kết quả nghiên cứu gợi mở định hướng phát triển các mô hình AI có trách nhiệm, tăng cường khả năng giải thích và hỗ trợ người kỹ sư trong bối cảnh kỹ thuật ngày càng phức tạp.

Tuy nhiên, nghiên cứu mang định hướng Bibliometric phụ thuộc vào chất lượng lập chỉ mục và tính đầy đủ của dữ liệu, có thể dẫn đến thiên lệch bao phủ nguồn và ngôn ngữ. Việc quy đổi các khái niệm như năng lực hấp thụ tri thức, minh bạch hệ thống và nhận thức rủi ro sang chỉ báo định lượng có nguy cơ rút gọn quá mức ngữ cảnh nghề nghiệp của kỹ sư. Phân tích mạng và bản đồ chủ đề phản ánh quan hệ đồng xuất hiện, chưa khẳng định mối quan hệ nhân-quả. Bên cạnh đó, sai khác ngành, khu vực và giai đoạn thời gian có thể tạo dị biệt cấu trúc tri thức mà mô hình tổng quát chưa làm rõ. Cuối cùng, thiếu kiểm định đa phương pháp làm hạn chế sức mạnh suy luận ngoại suy.

Tài liệu tham khảo:

Aria, M., & Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007

Ateeq, A., Siddiqui, S. A., Verma, A., Alnimer, R., Ateeq, R. A., & Almuraqab, N. A. S. (2026). AI in higher education HR: Assessing adoption and acceptance trends in administrative practices. Studies in Systems, Decision and Control, 642, 965-987. https://doi.org/10.1007/978-3-032-07220-7_84

Di Stefano, G., Salerno, S., Matranga, D., Lodico, M., Monzani, D., Seidita, V., Cannella, R. C., Maniscalco, L., & Miceli, S. (2025). Artificial intelligence perceptions and technostress in staff radiologists: The mediating role of artificial intelligence acceptance and the moderating role of self‑efficacy. Behavioral Sciences, 15(9), 1276. https://doi.org/10.3390/bs15091276

Gieselmann, M., Erdsiek, D., Rost, V., & Sassenberg, K. (2025). Do managers accept artificial intelligence? Insights into the role of business area and AI functionality. Journal of Economic Psychology, 108, 102804. https://doi.org/10.1016/j.joep.2025.102804

Li, J., & Zhao, H. (2026). Workflow‑embedded AI as a cognitive scaffold: A randomized trial on knowledge retention and diagnostic competency in undergraduate radiology education. European Journal of Radiology Open, 16, 100724. https://doi.org/10.1016/j.ejro.2026.100724

Lin, X., & Wu, D. (2025). AI technology adoption, knowledge sharing, and manufacturing firms’ innovation performance: The moderating effect of absorptive capacity. IEEE Transactions on Engineering Management, 72, 2137-2149. https://doi.org/10.1109/TEM.2025.3573176

Xiong, P., & Zhang, Y. (2025). Artificial intelligence as an assistive technology in language education: Investigating TPACK, self‑efficacy, and organisational support. Disability and Rehabilitation: Assistive Technology. https://doi.org/10.1080/17483107.2025.2561927

Yao, K.-C., & Chiang, S. (2025). Mathematical modeling and structural equation analysis of acceptance behavior intention to AI medical diagnosis systems. Mathematics, 13(15), 2390. https://doi.org/10.3390/math13152390

Zhang, C., Hu, M., Wu, W., Kamran, F., & Wang, X. (2025). Unpacking perceived risks and AI trust influences pre‑service teachers’ AI acceptance: A structural equation modeling‑based multi‑group analysis. Education and Information Technologies, 30(2), 2645-2672. https://doi.org/10.1007/s10639-024-12905-7

Exploring engineers’ adoption of artificial intelligence: Insights into knowledge absorptive capacity, transparency, and risk awareness using BIBLO AI 5.0

Truong Thi My Luan¹

Than Van Hai²

¹Ho Chi Minh City University of Industry

Abstract:

This study examines how knowledge absorptive capacity, AI system transparency, and perceived risk influence the adoption of artificial intelligence in engineering contexts. Drawing on bibliometric data from 2015 to 2026 and employing thematic, co-word, and knowledge network analyses, the findings reveal that engineers are more inclined to adopt AI systems that provide clear, interpretable, and task-relevant information. Knowledge absorptive capacity emerges as a critical enabler in converting AI-generated insights into practical value, whereas perceived risk continues to represent a substantial impediment to adoption. These results refine the understanding of the determinants of engineers’ technology acceptance and highlight pathways for developing AI systems that are more transparent, responsible, and aligned with the specific demands of the engineering domain.

Keywords: Bibliometrics, AI acceptance, knowledge absorptive capacity, AI system transparency, risk perception.

[Tạp chí Công Thương - Các kết quả nghiên cứu khoa học và ứng dụng công nghệ, Số 2 năm 2026]