Khung đánh giá hành vi và tích hợp trí tuệ nhân tạo có thể giải thích trong mô hình cố vấn tài chính tự động

Lê Thị Hải Yến - Đại học Kinh tế Quốc dân

Email: yenlth.learn@gmail.com

Lê Thành Chung - Đại học Ngoại thương

Email: chunglt98@gmail.com

Vũ Hà Vi - Đại học Ngoại thương

Email: havivu.52@gmail.com

Bùi Đức Thắng - Đại học Bách khoa Hà Nội

Email: thang99vip4@gmail.com

Nguyễn Thị Mai Anh - Đại học Kinh tế Quốc dân

Email: maianhnt.mgc@gmail.com

Tóm tắt

Sự phát triển nhanh của công nghệ tài chính tại Việt Nam mang lại cả cơ hội và thách thức cho quản lý tài chính cá nhân. Nghiên cứu này đề xuất mô hình cố vấn tài chính tự động (Robo-Advisor) tích hợp Trí tuệ nhân tạo có thể giải thích (XAI) và khung đánh giá hành vi nhằm nâng cao cá nhân hóa và xây dựng niềm tin. Mô hình được thiết kế cho bối cảnh Việt Nam, nơi hành vi tài chính chịu ảnh hưởng mạnh từ yếu tố văn hóa và tâm lý. Nghiên cứu đóng góp khung phương pháp lượng hóa các thiên kiến hành vi thành biến đầu vào cho AI, cùng kiến trúc lai cho phép can thiệp có điều kiện qua Chatbot, Robo-advisor và XAI. Kết quả dự kiến cho thấy mô hình này giúp thu hẹp “khoảng cách ý định - hành động” và “khoảng cách niềm tin”, từ đó cải thiện kỷ luật tài chính và quyết định của người dùng trẻ.

Từ khóa: Robo-advisor, trí tuệ nhân tạo có thể giải thích (XAI), tài chính hành vi, quản lý tài chính cá nhân, Fintech

Summary

The rapid development of financial technology (Fintech) in Viet Nam presents both opportunities and challenges for personal financial management. This study proposes an automated financial advisory (Robo-advisor) model that integrates Explainable Artificial Intelligence (XAI) and a behavioral assessment framework to enhance personalization and build user trust. The model is tailored to the Vietnamese context, where financial behaviors are strongly influenced by cultural and psychological factors. The research contributes a methodological framework for quantifying behavioral biases as input variables for AI, along with a hybrid architecture enabling conditional interventions through Chatbots, Robo-advisors, and XAI modules. The expected results indicate that this model can help narrow the “intention–action gap” and the “trust gap,” thereby improving financial discipline and decision-making among young users.

Keywords: Robo-advisor, explainable AI (XAI), behavioral finance, personal financial management, Fintech

GIỚI THIỆU

Robo-advisor là dịch vụ tài chính tự động phổ biến toàn cầu, với chi phí thấp và khả năng tự động hóa cao. Tuy nhiên, hạn chế lớn nhất của chúng là tính “hộp đen”, khiến người dùng khó tin tưởng, đặc biệt ở Việt Nam (Fortune Business Insights, 2025; Nguyen và Do, 2022). Trong khi đó, XAI nổi lên như công cụ thiết yếu để nâng cao tính minh bạch, giải thích các khuyến nghị và cho phép người dùng phản hồi, từ đó xây dựng niềm tin và gắn kết lâu dài (Saranya, 2023).

Tại Việt Nam, nơi hành vi tài chính cá nhân chịu ảnh hưởng mạnh mẽ của các yếu tố xã hội và văn hóa, việc phát triển lai Robo-Advisor tích hợp XAI có thể mở ra một cách tiếp cận mới. Hệ thống này tích hợp tính năng cá nhân hóa hành vi và giải thích minh bạch, đồng thời áp dụng cơ chế gợi ý phù hợp với bối cảnh văn hóa.

Mặc dù trí tuệ nhân tạo (AI) được dùng rộng rãi trong tài chính (dự báo, phát hiện gian lận), nhưng tiềm năng hỗ trợ can thiệp hành vi cá nhân hóa còn hạn chế (Vukovic và cộng sự, 2025). Ở Việt Nam, các công cụ hiện tại chủ yếu mang tính kỹ thuật, chưa tích hợp yếu tố hành vi, tâm lý và văn hóa (Pham và Le, 2023). Robo-advisor quốc tế chủ yếu hoạt động theo danh mục chuẩn hóa có sẵn, ít quan tâm đến hành vi và cảm xúc của người dùng (Vukovic và cộng sự, 2025).

Nghiên cứu này đề xuất mô hình lai Robo-Advisor tích hợp XAI, hướng tới việc cung cấp lời khuyên tài chính đáng tin cậy và phù hợp với từng cá nhân. Hệ thống phân loại người dùng dựa trên các thiên kiến hành vi đặc trưng. Từ đó, cung cấp gợi ý ngữ cảnh phù hợp và giải thích minh bạch, giúp người dùng nâng cao hiểu biết, có trợ lý thông thái đồng hành, cải thiện quyết định và hình thành thói quen tài chính bền vững.

CƠ SỞ LÝ THUYẾT

AI và Robo-Advisor trong tài chính cá nhân

AI là nền tảng của nhiều công cụ tài chính, từ ứng dụng theo dõi chi tiêu đến chatbot, tập trung vào phân tích dữ liệu hành vi và lịch sử người dùng. Robo-advisor là ứng dụng chuyên biệt, tự động tối ưu hóa danh mục đầu tư, phân bổ tài sản và tái cân bằng mà không cần can thiệp thủ công (Back, 2023).

Thách thức lớn khi áp dụng AI là tính minh bạch. XAI góp phần giải quyết vấn đề này bằng cách tăng cường tính minh bạch, qua đó nâng cao niềm tin, công bằng và tuân thủ quy định (Saranya, 2023). Các phương pháp phổ biến như: SHAP và LIME giải thích quyết định tài chính, nhưng vẫn đối mặt với độ phức tạp của mô hình và khả năng hiểu của người dùng (Wilson, 2025).

Xu hướng mô hình lai

Robo-advisor truyền thống tối ưu hóa danh mục chuẩn nhưng thiếu linh hoạt trong các tình huống thực tế, trong khi chatbot tài chính như: Cleo, Plum cung cấp gợi ý chi tiêu, nhưng chưa cá nhân hóa sâu theo hành vi và văn hóa (Nguyen và Ha, 2024).

Sự phân tách này cho thấy nhu cầu phát triển mô hình lai, kết hợp khả năng tính toán của robo-advisor với tính tương tác, cá nhân hóa và minh bạch từ XAI (Wilson, 2025).

Giai đoạn 2025-2030 được dự báo sẽ chứng kiến sự chuyển dịch mạnh mẽ sang mô hình lai, cho phép các hệ thống tài chính chủ động dự đoán nhu cầu người dùng dựa trên dữ liệu hành vi, tâm lý và ngữ cảnh (Mordor Intelligence, 2025).

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu được triển khai qua 3 giai đoạn chính, bao gồm: nghiên cứu nền tảng và cấu trúc dữ liệu; thiết kế mô hình khái niệm và logic can thiệp; thảo luận và định hướng ứng dụng.

Phân tích hành vi người dùng và cơ sở dữ liệu nền tảng

Phân tích dữ liệu hành vi thứ cấp giúp xác định các thiên kiến tài chính cốt lõi của người dùng Việt Nam, làm cơ sở cho thiết kế các cơ chế can thiệp tùy theo hành vi. Các thiên kiến chính bao gồm:

- Thiên kiến hiện tại (Pham và Le, 2023): 47.8% người trẻ chi tiêu vượt thu nhập, cần can thiệp kịp thời thông qua gợi ý tài chính.

- Ác cảm mất mát: Chỉ 42% tham gia đầu tư dù có kế hoạch, đòi hỏi XAI minh bạch và khả năng phân tích danh mục từ Robo-advisor để trấn an tâm lý.

- Tác động kiến thức và văn hóa: Trải nghiệm tiêu dùng thời thơ ấu ảnh hưởng tích cực nhất đến ý định quản lý tài chính (β = 0.344); người đã kết hôn thiên về “tâm lý không rủi ro” (Nguyen và cộng sự, 2022; 2023).

- Thế hệ 8X-9X: 47% thường xuyên tiết kiệm, chi tiêu chọn lọc, ưu tiên chất lượng và đầu tư phát triển bản thân (Euromonitor International, 2024).

Mô hình khái niệm hệ thống lai

Mô hình này có kiến trúc đa lớp, hoạt động dựa trên cơ chế kích hoạt có điều kiện. Thẻ điểm hành vi đóng vai trò bộ điều khiển trung tâm.

- Thẻ điểm hành vi: Lượng hóa người dùng dựa trên các tiêu chí (Nhân khẩu học, Kiến thức và Năng lực, Hành vi tài chính, Tâm lý tài chính, Thói quen và Mục tiêu). Trong đó, tổng điểm (S) đóng vai trò là biến điều kiện, đảm bảo phân loại người dùng theo đúng phân khúc. Từ đó có thể ưu tiên các tính năng phù hợp cho từng nhóm người dùng.

- Kiến trúc vận hành: Hệ thống vận hành được xử lý qua 3 lớp tuần tự, được kiểm soát bởi S.

KẾT QUẢ VÀ THẢO LUẬN

Kết quả nghiên cứu

Phân nhóm người dùng

Nhóm người dùng được phân làm 4 nhóm đại diện chính theo S như Bảng 1.

Bảng 1: Phân nhóm người dùng

Nguồn: Nghiên cứu của nhóm tác giả

Các tính năng cốt lõi

Các tính năng (Bảng 2) được phân loại rõ ràng theo mục đích can thiệp (E: nhóm tính năng cốt lõi; N: nhóm tính năng gợi ý hành vi; S: nhóm tính năng hỗ trợ).

Bảng 2: Các tính năng cốt lõi

Nguồn: Nghiên cứu của nhóm tác giả

Nguyên lý hoạt động của hệ thống lai

- Luồng can thiệp hành vi (ưu tiên Nhóm đại diện 1): Khi thiên kiến hiện tại cao, hệ thống kích hoạt gợi ý tức thì qua chatbot, như N02 (Phản hồi thời gian thực) và N07 (Gợi ý dựa trên cảm xúc), làm gián đoạn hành vi chi tiêu bốc đồng.

- Luồng giải thích và niềm tin (ưu tiên Nhóm đại diện 2): Khi né tránh mất mát cao, khuyến nghị từ Robo-advisor đi qua XAI, sử dụng N03 (Tái khung tâm lý) để chuyển lời khuyên kỹ thuật thành hướng dẫn an toàn, tăng khả năng chấp nhận rủi ro.

- Luồng tối ưu hóa (ưu tiên Nhóm đại diện 3 và 4): Hệ thống tạm hủy XAI và các gợi ý đặc biệt, tập trung cung cấp chiến lược tự động, tối ưu hóa, bao gồm S03 (Cá nhân hóa theo sự kiện đời sống).

Mô hình nghiên cứu đề xuất được thể hiện cụ thể ở Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của nhóm tác giả

Triển khai tính năng cốt lõi

- Lớp gợi ý (ưu tiên áp dụng Nhóm đại diện 1): Gồm N02 (Phản hồi theo thời gian thực) và N07 (Gợi ý dựa theo cảm xúc) sử dụng điện toán cảm xúc để chặn chi tiêu bốc đồng do cảm xúc nhất thời.

- Lớp giải thích (ưu tiên áp dụng Nhóm đại diện 2): Tập trung vào N03 (Giảm thiểu thiên kiến tài chính). XAI sử dụng nguyên lý giải thích qua tin nhắn để nhấn mạnh sự an toàn, đối phó trực tiếp với né tránh mất mát.

- Lớp tối ưu hóa (Robo-advisor): Bao gồm E03 (Lời khuyên tài chính cá nhân hóa) để đảm bảo chất lượng dữ liệu đầu vào và S03 (Cá nhân hóa sự kiện đời sống) để tự động điều chỉnh kế hoạch tài chính khi người dùng trải qua các sự kiện lớn.

Bảng 3: Tóm tắt bảng ma trận ưu tiên kích hoạt tính năng

theo nhóm đại diện

Nguồn: Kết quả nghiên cứu

Thảo luận

Phân tích hiệu quả mô hình lai

Kết quả phân tích dự kiến chứng minh mô hình lai vượt trội hơn so với mô hình robo-advisor truyền thống nhờ giải quyết khoảng cách tâm lý mà thuật toán thuần túy không đạt được. Hiệu quả được đảm bảo bằng nguyên tắc ưu tiên can thiệp dựa trên Thẻ điểm hành vi, áp dụng cá nhân hóa ở mọi cấp độ.

- Khắc phục Ý định - Hành động: Mô hình lai dùng gợi ý thời gian thực (N02, N07) cho Nhóm 1, tạo “điểm dừng” hành vi; tỷ lệ tuân thủ tăng chứng minh khả năng thúc đẩy hành động bốc đồng.

- Khắc phục niềm tin và né tránh mất mát: XAI giải thích và tái khung thông điệp, giảm tính chất “hộp đen”, từ đó xoa dịu các áp lực tâm lý. Tính năng N03 được ưu tiên cho Nhóm 2, giúp nhóm này tăng khả năng chấp nhận rủi ro bằng cách chuyển lời khuyên kỹ thuật thành hướng dẫn đáng tin cậy.

- Cá nhân hóa và tối ưu hóa tài nguyên: Thẻ điểm hành vi cho phép kích hoạt XAI và tài nguyên đặc thù theo nhóm, vừa tối ưu hiệu suất kỹ thuật, vừa cải thiện trải nghiệm người dùng.

Khung đo lường hiệu quả hành vi cốt lõi

Các chỉ số được thiết kế để đo lường trực tiếp hiệu quả của các nguyên lý can thiệp do Thẻ điểm hành vi kích hoạt, giúp xác định rõ mức độ thành công của từng cơ chế tác động (Bảng 4).

Bảng 4: Chỉ số hiệu quả hành vi cốt lõi

Nguồn: Đề xuất bởi nhóm tác giả

KẾT LUẬN VÀ ĐÓNG GÓP CỦA NGHIÊN CỨU

Kết luận

Nghiên cứu này đề xuất Mô hình lai Robo-Advisor tích hợp XAI và phân đoạn hành vi, nhằm khắc phục các vấn đề tài chính phổ biến tại Việt Nam như: chi tiêu quá mức và thiếu kỷ luật tiết kiệm. Mô hình lai này kết hợp khả năng tính toán của robo-advisor, tính minh bạch của XAI và sự linh hoạt hành vi của chatbot, hướng tới nâng cao năng lực tài chính và hình thành thói quen bền vững cho người trẻ.

Đóng góp của nghiên cứu

Về phương pháp luận

- Chuẩn hóa thiên kiến hành vi: Nghiên cứu đã thiết lập thẻ điểm hành vi là một khung phương pháp luận tiên phong, chuyển đổi các khái niệm tâm lý phức tạp (như: thiên kiến hiện tại, ác cảm mất mát) thành biến kiểm soát, làm đầu vào trực tiếp cho hệ thống AI.

- Nguyên lý lai: Đề xuất kiến trúc AI đa lớp gồm: Gợi ý hành vi, Robo-advisor và XAI, được tổ chức theo hệ thống phân cấp can thiệp. Cấu trúc này tạo ra một cách tiếp cận mới giúp tích hợp hiệu quả các yếu tố tài chính hành vi vào mô hình Robo-advisor.

Về thực tiễn

- Mô hình cá nhân hóa thế hệ mới: Nghiên cứu cung cấp khung nguyên lý giúp cá nhân hóa trải nghiệm và thiết kế cơ chế can thiệp phù hợp với đặc điểm tâm lý của người dùng Việt Nam.

- Tăng cường niềm tin vào AI: XAI giúp trấn an rủi ro, giảm e ngại với các hệ thống tự động và thúc đẩy người dùng sử dụng các công cụ quản lý tài chính thông minh.

Về công nghệ

- Nền tảng cho thử nghiệm A/B: Các chỉ số hiệu quả hành vi đóng vai trò cơ sở cho các tổ chức tài chính đánh giá và so sánh hiệu quả giữa các phiên bản tính năng can thiệp dựa trên AI.

Hạn chế và hướng nghiên cứu tiếp theo

Nghiên cứu tập trung đề xuất mô hình khái niệm cho Robo-Advisor lai tích hợp XAI và phân khúc hành vi, đồng thời thừa nhận một số hạn chế cần được khắc phục trong các nghiên cứu tiếp theo.

Về phương pháp luận: Thẻ điểm hành vi được xây dựng từ dữ liệu thứ cấp nên chưa phản ánh đầy đủ đặc trưng tâm lý tài chính của người Việt; các trọng số cần được kiểm chứng thông qua thử nghiệm sơ cấp quy mô lớn để tăng độ chính xác và tính ứng dụng.

Về thực nghiệm: Mô hình chưa được kiểm chứng trong môi trường thực tế; cần thực hiện thử nghiệm A/B để đánh giá hiệu quả của XAI trong việc tăng chấp nhận rủi ro (Nhóm 2) và của Gợi ý hành vi trong việc nâng cao mức độ tuân thủ (Nhóm 1).

Về công nghệ: Cần phát triển giao diện trực quan, thân thiện nhằm truyền tải các giải thích phức tạp của XAI theo cách dễ hiểu hơn cho người dùng.

Tài liệu tham khảo:

1. Allcott, H. (2023). The Welfare Effects of Nudges: A Case Study of Energy Conservation, American Economic Review.

2. Back, C. (2023). When do robo-advisors make us better investors?, Journal of Behavioral Finance, 22(1), 1-15.

3. Bayakhmetova, A., Rudenko, L., Krylova, L., Suleimenova, B., Niyazbekova, S., Nurpeisova, A. (2025). Artificial Intelligence in Financial Behavior: Bibliometric Ideas and New Opportunities, JRFM, MDPI, 18(3), 1-17.

4. Beshears, J., et al. (2022). Save More Tomorrow: Experimental Evidence on Commitment Contracts, Journal of Economic Perspectives.

5. Fernandes, D., Lynch, J. G., & Netemeyer, R. G. (2022). Financial Literacy and Financial Decision Making: The Role of Microlearning, Journal of Consumer Research.

6. Euromonitor International (2024). Vietnam: Consumer Profile.

7. Fortune Business Insights (2025). Robo advisory market size, share, trends & growth report, 2030.

8. Hegde, S. R., Gangatkar, H., G, P.V., B, H. M., B, H. M (2025). Automated Expense Tracking with OCR: Enhancing Financial Management through Technology, IARJSET, 12(1).

9. Hershfield, H. E., & Roese, N. J. (2022). Life-Event Personalization in Financial Planning: Adapting to Major Life Changes, Journal of Financial Planning.

10. Karlan, D., et al. (2022). Real-Time Feedback and Social Comparison Reports in Financial Decision Making, CRC TR224 Discussion Paper.

11. Loewenstein, G., et al. (2022). Saving Challenges and Gamification: Enhancing Financial Behavior through Social Incentives, Journal of Economic Behavior & Organization.

12. Mertens, S., et al. (2022). The Effectiveness of Nudging: A Meta-Analysis of Choice Architecture Interventions, Proceedings of the National Academy of Sciences.

13. Mordor Intelligence (2025). Robo-advisory services market size, share, and industry analysis - growth trends & forecast (2025-2030).

14. Nguyen, D. T. Thao, & Ha, M. Tri. (2024). How socio-demographic factors affect the personal finance management application assessment during the Covid period in Vietnam?, Ho Chi Minh City Open University Journal of Science – Economics and Business Administration, 14(1), 3-19.

15. Nguyen, H. V., Ha, G. H., Nguyen, D. N., Doan, A. H., & Phan, H. T. (2022). Understanding financial literacy and associated factors among adult population in a low-middle income country, Heliyon, 8(6), e09638.

16. Nguyen, T., & Do, P. (2022). AI-powered personal finance tools in emerging markets: Adoption and usage trends, Asian Journal of Financial Innovation, 3(1), 1-9.

17. Nguyen, T. H. P., Pham, T. A., Dam, P. N., Cao, N. H., & Mai, T. M. (2023). Determinants of Personal Financial Management Behaviour: Empirical Evidence from Vietnam, International Journal of Business, Economics and Law, 30(1), Article 250.

18. O'Donoghue, T., & Rabin, M. (2022). Present Bias: Lessons Learned and to Be Learned, American Economic Review.

19. Pham, K. D., & Le, V. L. T. (2023). Nexus between Financial Education, Literacy, and Financial Behavior: Insights from Vietnamese Young Generations, Sustainability, 15(20), 14854.

20. Ramalingam, G. K. (2025). AI-Driven Financial Advice: Its Impact on Household Financial Decision-Making, SSRN.

21. Saranya, A. (2023). A systematic review of explainable artificial intelligence, ScienceDirect.

22. Thaler, R. H., & Sunstein, C. R. (2021). Nudge: Improving Decisions About Health, Wealth, and Happiness, Penguin Books.

23. Vuković, I., Popović, A., & Škrinjar, R. (2025). AI integration in financial services: A systematic review of trends and regulatory challenges, Humanities and Social Sciences Communications, 12(1), 250.

24. Wilson, C. A. (2025). Explainable AI in Finance: Addressing the Needs of Diverse Stakeholders, CFA Institute.