Trí tuệ nhân tạo và tác động dội ngược đến hành vi học tập: Bằng chứng thực nghiệm từ sinh viên đại học ở Đà Nẵng

Nguyễn Văn Quốc Anh

Email: quocanh15203@gmail.com

Đặng Thị Phương

Email: dangthiphuongkrn@gmail.com

Trần Thị Ngọc Trâm

Email: tngoctram190205@gmail.com

TS. Nguyễn Huy Tuân

Email: nguyenhuytuan@duytan.edu.vn

Đại học Duy Tân

Tóm tắt

Nghiên cứu đánh giá tác động dội ngược của trí tuệ nhân tạo (AI) đối với hành vi học tập của sinh viên đại học tại TP. Đà Nẵng. Kết hợp phương pháp định tính và định lượng, nghiên cứu đã kiểm định 10 giả thuyết bằng mô hình PLS-SEM. Kết quả cho thấy 7 khía cạnh tiêu cực của AI tác động đến Hành vi học tập gồm: Sự phụ thuộc công nghệ, Suy giảm sáng tạo, Áp lực học tập, Thông tin thiếu chính xác, Học tập thụ động, Gian lận học thuật và Giảm trách nhiệm cá nhân; trong đó Gian lận học thuật ảnh hưởng mạnh nhất. Động lực học tập nội tại chỉ điều tiết mối quan hệ giữa Gian lận học thuật và Hành vi học tập. Nghiên cứu gợi ý các giải pháp nhằm giảm thiểu rủi ro và phát huy vai trò tích cực của AI trong giáo dục..

Từ khóa: Hành vi học tập, động lực nội tại, tác động dội ngược, trí tuệ nhân tạo

Summary

This study evaluates the reverse impacts of artificial intelligence (AI) on university students’ learning behavior in Da Nang City. The research combines qualitative and quantitative methods, testing 10 hypotheses using the PLS-SEM model. Findings reveal seven negative aspects of AI affecting learning behavior: technology dependence, reduced creativity, academic pressure, inaccurate information, passive learning, academic dishonesty, and diminished personal responsibility, with academic dishonesty exerting the most enormous influence. Intrinsic learning motivation was found to moderate only the relationship between academic dishonesty and learning behavior. The study proposes solutions to minimize risks and enhance AI’s positive role in education.

Keywords: Learning behavior, intrinsic motivation, reverse impact, artificial intelligence

ĐẶT VẤN ĐỀ

Cuộc Cách mạng công nghiệp lần thứ tư tạo ra những biến đổi sâu rộng trên toàn cầu, trong đó, Việt Nam - một quốc gia đang phát triển năng động - cũng không nằm ngoài xu thế này. Các công nghệ cốt lõi như Internet vạn vật (IoT), trí tuệ nhân tạo (AI), thực tế ảo (VR) và phân tích dữ liệu lớn (SMAC) đã thay đổi căn bản cách con người tiếp cận và tiếp nhận tri thức, đưa thế giới thực vào không gian số. Bối cảnh đó đã mở ra cơ hội đổi mới, đồng thời cũng đặt ra nhiều thách thức đối với giáo dục đại học. Vai trò giảng viên dịch chuyển từ người truyền đạt sang người định hướng, hỗ trợ, dẫn dắt. Những thay đổi này không chỉ mang lại triển vọng tích cực cho giáo dục hiện đại mà còn góp phần hình thành thế hệ sinh viên chủ động, sáng tạo và sẵn sàng thích ứng trong bối cảnh số hóa.

Tại Việt Nam, TP. Đà Nẵng được đánh giá là một trong những trung tâm giáo dục đại học quan trọng. Để duy trì và phát huy vai trò này, trong bối cảnh hiện nay, việc ứng dụng các công nghệ mới, đặc biệt là AI trong giáo dục là nhu cầu cấp thiết. Tuy nhiên, thực tế cũng cho thấy, sự thiếu hiểu biết hoặc lạm dụng AI có thể dẫn đến những tác động dội ngược đối với hành vi học tập của sinh viên, từ tình trạng phụ thuộc quá mức vào công nghệ cho đến suy giảm kỹ năng tư duy phản biện và sáng tạo. Do đó, việc nghiên cứu các khía cạnh tác động dội ngược của AI và xây dựng các giải pháp ngăn ngừa là cần thiết.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Trong bối cảnh chuyển đổi số toàn cầu, AI nhanh chóng trở thành công cụ hỗ trợ đắc lực cho quá trình dạy và học. AI được định nghĩa là hệ thống có khả năng học hỏi, suy luận và đưa ra quyết định dựa trên dữ liệu (Russell, 2022). Việc ứng dụng AI trong giáo dục đại học mang lại nhiều lợi ích như cá nhân hóa học tập, hỗ trợ truy cập tri thức tức thời và nâng cao hiệu quả đánh giá. Tuy nhiên, các nghiên cứu gần đây cũng chỉ ra rằng AI có thể tạo ra những “tác động dội ngược” (rebound effects), tức là những hệ quả trái ngược so với kỳ vọng ban đầu, gây ảnh hưởng tiêu cực đến hành vi học tập của sinh viên (Dawson, 2024).

Trong môi trường giáo dục đại học, sự phát triển nhanh chóng của AI vừa mở ra cơ hội đổi mới, vừa tiềm ẩn những tác động dội ngược đến hành vi học tập của sinh viên trên 3 khía cạnh chính:

Về tâm lý - xã hội, việc phụ thuộc quá mức vào các công cụ hỗ trợ từ AI có thể làm suy giảm khả năng tư duy độc lập và phản biện, khiến sinh viên trở nên thụ động hơn trong quá trình học tập. Một nghiên cứu chỉ ra rằng sự dựa dẫm vào công cụ do AI dẫn dắt có thể làm giảm động lực phân tích độc lập, giảm nỗ lực nhận thức và làm suy yếu kỹ năng tư duy phản biện (Thuy Nhu Thi Nguyen và cộng sự, 2024).

Ở khía cạnh học thuật, việc sử dụng AI quá mức có thể khiến sinh viên chấp nhận những kết quả “thiếu kiểm chứng”, từ đó làm giảm chất lượng tri thức và dẫn đến phương pháp học tập thụ động. Shah và Asad (2024) nhấn mạnh rằng việc tích hợp AI trong giáo dục cần gắn liền với “critical thinking approach” nhằm giúp người học hình thành năng lực phản biện và kiểm định dữ liệu do AI cung cấp.

Xét về đạo đức và trách nhiệm, sự dễ dàng trong việc sử dụng AI để tạo ra nội dung làm gia tăng nguy cơ sao chép và gian lận học thuật. Một nghiên cứu tại Việt Nam cho thấy tỷ lệ gian lận học thuật được phát hiện bằng phương pháp gián tiếp (list experiment) cao gấp gần 3 lần so với kết quả thu được qua khảo sát trực tiếp (Ngo Cong-Lem và cộng sự, 2024).

Như vậy, cả 3 khía cạnh cho thấy AI vừa là công cụ hỗ trợ hữu ích, vừa đặt ra thách thức lớn, đòi hỏi các cơ sở giáo dục đại học và giảng viên phải có định hướng, giám sát và giải pháp phù hợp để hạn chế tác động tiêu cực, đồng thời phát huy lợi ích mà công nghệ mang lại cho học tập.

Hành vi học tập được hiểu là tập hợp các hành động, thái độ và chiến lược mà người học áp dụng để tiếp thu, xử lý và vận dụng tri thức (Schunk & DiBenedetto, 2022). Trong bối cảnh có sự hỗ trợ của AI, hành vi học tập không chỉ thay đổi theo chiều hướng tích cực mà còn đối mặt với các nguy cơ như giảm động lực tự học, suy yếu tư duy phản biện và gia tăng gian lận học thuật.

Dựa trên cơ sở lý thuyết hiện có, nghiên cứu này tập trung phân tích 3 khía cạnh tác động dội ngược của AI có thể ảnh hưởng đến hành vi học tập, đồng thời xem xét vai trò điều tiết của động lực học tập nội tại. Từ đó, 10 giả thuyết nghiên cứu được hình thành như sau:

H1: Sự phụ thuộc vào AI có tác động tiêu cực đến hành vi học tập của sinh viên.

H2: Việc sử dụng AI quá mức làm giảm khả năng tư duy sáng tạo, từ đó ảnh hưởng tiêu cực đến hành vi học tập.

H3: AI làm gia tăng cảm giác tự ti và áp lực học tập, từ đó tác động tiêu cực đến hành vi học tập.

H4: Việc sử dụng AI với thông tin thiếu chính xác có tác động tiêu cực đến hành vi học tập.

H5: Việc sử dụng AI dẫn đến sự thay đổi phương pháp học tập theo hướng thụ động, từ đó ảnh hưởng tiêu cực đến hành vi học tập.

H6: Việc sử dụng AI dẫn tới hành vi sao chép và gian lận học thuật, có tác động tiêu cực đến hành vi học tập.

H7: Việc sử dụng AI làm giảm trách nhiệm cá nhân trong học tập, từ đó ảnh hưởng tiêu cực đến hành vi học tập.

H8: Động lực nội tại điều tiết làm giảm mối quan hệ tác động ngược chiều của giảm khả năng tư duy sáng tạo đến hành vi học tập của sinh viên.

H9: Động lực nội tại điều tiết làm giảm mối quan hệ tác động ngược chiều của độ chính xác và tin cậy của thông tin đến hành vi học tập của sinh viên.

H10: Động lực nội tại điều tiết làm giảm mối quan hệ tác động ngược chiều của hành vi sao chép hoặc gian lận học thuật đến hành vi học tập của sinh viên.

Các giả thuyết được xây dựng sẽ là nền tảng cho việc phát triển mô hình phân tích và kiểm định trong bối cảnh sinh viên tại TP. Đà Nẵng.

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu được thực hiện theo phương pháp kết hợp định tính và định lượng. Trong giai đoạn đầu, nghiên cứu định tính được triển khai nhằm khám phá và nhận diện các khía cạnh tác động dội ngược của AI đến hành vi học tập của sinh viên. Dữ liệu được thu thập thông qua phỏng vấn sâu và quan sát thực tế, với mẫu nhỏ được chọn lọc có chủ đích. Kết quả nghiên cứu định tính được sử dụng để hiệu chỉnh thang đo và hỗ trợ xây dựng giả thuyết nghiên cứu.

Tiếp theo, nghiên cứu định lượng được tiến hành thông qua khảo sát bằng bảng hỏi, trong đó các biến quan sát được đo lường bằng thang đo Likert. Dữ liệu thu thập được xử lý bằng các kỹ thuật thống kê hiện đại, bao gồm: kiểm định độ tin cậy thang đo (Cronbach’s Alpha, Composite Reliability), kiểm định giá trị hội tụ và phân biệt (Average Variance Extracted - AVE, tiêu chuẩn Fornell-Larcker) và phân tích mô hình cấu trúc bằng phương pháp bình phương nhỏ nhất từng phần (PLS-SEM).

Kích thước mẫu nghiên cứu được xác định dựa trên nhiều cơ sở: (i) Theo gợi ý của Hair và cộng sự (2019), mẫu cần tối thiểu gấp 10 lần số biến quan sát trong mô hình PLS-SEM; (ii) Xét đến đặc thù phân tích nhân tố, kích thước mẫu tối thiểu nên đạt từ 300 quan sát trở lên để đảm bảo độ tin cậy.

Trên cơ sở đó, nghiên cứu lựa chọn cỡ mẫu lớn hơn so với yêu cầu tối thiểu nhằm tăng tính khái quát. Tổng số phiếu khảo sát hợp lệ thu được là 906, đến từ sinh viên các trường đại học trên địa bàn TP. Đà Nẵng, được chọn theo phương pháp thuận tiện kết hợp có chủ đích. Nghiên cứu sử dụng cách viết số thập phân theo chuẩn quốc tế.

KẾT QUẢ NGHIÊN CỨU

Phân tích độ tin cậy, tính hội tụ và tính phân biệt của thang đo

Bảng 1: Hệ số Cronbach’s alpha, độ tin cậy và phương sai trích bình quân (AVE)

Nguồn: Kết quả xử lý dữ liệu từ nhóm tác giả

Kết quả Bảng 1 cho thấy hầu hết các thang đo đạt độ tin cậy và tính hội tụ phù hợp. Cụ thể, đa số thang đo có Cronbach’s Alpha > 0.7, đảm bảo độ tin cậy nội tại, ngoại trừ thang đo Động lực học tập nội tại (IM) với hệ số 0.681, tuy thấp hơn nhưng vẫn nằm trong mức chấp nhận được. Độ tin cậy tổng hợp (CR) của tất cả các thang đo đều vượt ngưỡng 0.7, khẳng định tính nhất quán. Về hội tụ, AVE dao động từ 0.462 đến 0.715; một số thang đo như IM, DT và LB có AVE dưới ngưỡng 0.5, song theo Fornell & Larcker (1981), vẫn có thể chấp nhận khi CR > 0.6. Do đó, các thang đo đủ điều kiện sử dụng cho phân tích tiếp theo.

Bảng 2: Kết quả phân tích tính phân biệt

Nguồn: Kết quả xử lý dữ liệu từ nhóm tác giả

Bảng 2 cho thấy các giá trị AVE căn bậc hai (in đậm, đường chéo) đều lớn hơn hệ số tương quan giữa biến với các biến khác. Điều này khẳng định tính phân biệt của các khái niệm trong mô hình đo lường.

Kết quả kiểm định mô hình nghiên cứu

Bảng 3: Kết quả kiểm định giả thuyết nghiên cứu

Nguồn: Kết quả xử lý dữ liệu từ nhóm tác giả

Hình: Kết quả kiểm định mô hình cấu trúc

Nguồn: Kết quả xử lý dữ liệu từ nhóm tác giả

Kết quả mô hình (Hình và Bảng 3) cho thấy cả 7 giả thuyết trực tiếp (H1-H7) đều được chấp nhận. Như vậy, các khía cạnh tiêu cực của AI gồm: Sự phụ thuộc vào công nghệ, giảm khả năng sáng tạo, áp lực học tập, thông tin thiếu chính xác, học tập thụ động, gian lận học thuật và giảm trách nhiệm cá nhân, đều có tác động tiêu cực đến hành vi học tập. Trong đó, hành vi sao chép và gian lận học thuật có ảnh hưởng mạnh nhất.

Về vai trò điều tiết, chỉ H10 được chấp nhận, cho thấy động lực học tập nội tại có tác dụng làm giảm ảnh hưởng tiêu cực của gian lận học thuật đối với hành vi học tập. Với các mối quan hệ khác (H8, H9), vai trò điều tiết của động lực nội tại không có ý nghĩa thống kê.

Mô hình nghiên cứu giải thích được 63,4% sự biến thiên hành vi học tập, cho thấy mức độ phù hợp khá cao và khẳng định cả thách thức lẫn cơ hội trong quản lý tác động của AI đến quá trình học tập của sinh viên.

HÀM Ý NGHIÊN CỨU VÀ KẾT LUẬN

Kết quả nghiên cứu mang lại nhiều hàm ý quan trọng cả về lý thuyết và thực tiễn trong bối cảnh giáo dục đại học tại Đà Nẵng trước sự phát triển mạnh mẽ của AI.

Về lý thuyết

Nghiên cứu đã chứng minh các tác động dội ngược của AI đến hành vi học tập của sinh viên thông qua 7 giả thuyết trực tiếp (H1-H7) đều được chấp nhận. Điều này khẳng định rằng, bên cạnh những lợi ích, AI cũng tiềm ẩn nhiều rủi ro nếu sinh viên lạm dụng hoặc sử dụng thiếu định hướng. Các yếu tố tiêu cực được xác nhận gồm: sự phụ thuộc vào công nghệ, giảm tư duy sáng tạo, áp lực học tập, thông tin thiếu chính xác, học tập thụ động, gian lận học thuật và giảm trách nhiệm cá nhân.

Đặc biệt, tác động tiêu cực mạnh nhất đến từ hành vi sao chép và gian lận học thuật (H6), tiếp đến là học tập thụ động (H5) và sử dụng thông tin thiếu chính xác (H4). Kết quả này nhấn mạnh nguy cơ AI có thể làm xói mòn tính trung thực học thuật cũng như khả năng học tập chủ động của sinh viên.

Vai trò điều tiết của động lực nội tại (IM) cũng được kiểm chứng, nhưng chỉ có ý nghĩa trong mối quan hệ giữa gian lận học thuật và hành vi học tập (H10). Nghĩa là, sinh viên có động lực nội tại cao ít bị AI chi phối theo hướng gian lận. Tuy nhiên, với các khía cạnh khác như suy giảm sáng tạo hay độ chính xác thông tin, IM chưa phát huy hiệu quả điều tiết. Phát hiện này mở ra hướng nghiên cứu tiếp theo về ảnh hưởng đa chiều của các yếu tố cá nhân trong việc kiểm soát tác động của công nghệ đến quá trình học tập.

Về thực tiễn

Từ kết quả nghiên cứu, có thể đưa ra nhiều gợi ý cho các nhà quản lý giáo dục, giảng viên và sinh viên, cụ thể:

Giảm sự phụ thuộc vào công nghệ: AI cần được xem là công cụ hỗ trợ, không thay thế tư duy. Các trường nên thiết kế hoạt động học tập kết hợp, buộc sinh viên vừa sử dụng AI vừa phải phân tích, phản biện độc lập.

Khuyến khích sáng tạo và tư duy phản biện: Do AI có thể làm suy giảm sáng tạo, cần đẩy mạnh các bài tập tình huống, dự án nhóm hoặc nghiên cứu thực tiễn để khuyến khích sinh viên phát triển năng lực phản biện và sáng tạo.

Giảm áp lực và tạo môi trường học tập lành mạnh: Kết quả nghiên cứu cho thấy AI có thể gây áp lực và cảm giác tự ti. Vì vậy, cơ sở đào tạo nên tăng cường tư vấn tâm lý, tổ chức hội thảo định hướng giúp sinh viên hiểu rõ giới hạn và cách sử dụng AI phù hợp.

Đảm bảo độ chính xác của thông tin: Tác động từ thông tin sai lệch cho thấy cần có cơ chế kiểm chứng dữ liệu do AI cung cấp. Giảng viên nên hướng dẫn sinh viên kỹ năng đối chiếu, xác minh nguồn nhằm nâng cao năng lực chọn lọc tri thức.

Ngăn ngừa gian lận học thuật: Với phát hiện từ H6 và H10, cần xây dựng quy định chặt chẽ về đạo đức học thuật, triển khai phần mềm phát hiện đạo văn, đồng thời khuyến khích động lực nội tại thông qua hình thức đánh giá quá trình và học tập cá nhân hóa.

Nâng cao trách nhiệm cá nhân: Kết quả H7 cho thấy AI có thể khiến sinh viên giảm trách nhiệm. Do đó, các trường nên yêu cầu sinh viên giải trình cách thức sử dụng AI trong bài tập hoặc nghiên cứu, từ đó ràng buộc trách nhiệm cá nhân.

Về chính sách

Nghiên cứu khuyến nghị các cơ quan quản lý sớm ban hành hướng dẫn và khung pháp lý về việc sử dụng AI trong học tập. Điều này vừa giúp phát huy sáng tạo, vừa kiểm soát những hệ quả tiêu cực. Bên cạnh đó, cần đẩy mạnh đào tạo kỹ năng số, kỹ năng mềm và nuôi dưỡng động lực nội tại để AI được khai thác theo hướng bền vững, an toàn và tích cực.

Tóm lại, nghiên cứu không chỉ chỉ ra các khía cạnh tiêu cực của AI đối với hành vi học tập mà còn đề xuất những giải pháp thực tiễn nhằm hạn chế rủi ro và phát huy hiệu quả hỗ trợ học tập. Đây là cơ sở quan trọng để các trường đại học tại Đà Nẵng nói riêng và tại Việt Nam nói chung đổi mới phương pháp giảng dạy và nâng cao chất lượng đào tạo trong kỷ nguyên số.

Tài liệu tham khảo:

1. Dawson, J. Y., & Agbozo, E (2024). AI in talent management in the digital era-an overview. Journal of Science and Technology Policy Management.

2. Fornell, C., & Larcker, D. F (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39-50.

3. Hair, J. F., Sarstedt, M., & Ringle, C. M (2019). Rethinking some of the rethinking of partial least squares. European journal of marketing, 53(4), 566-584.

4. Ngo Cong-Lem and Tin Nghi Tran and Tat Thang Nguyen (2024). Academic Integrity In The Age Of Generative AI: Perceptions And Responses Of Vietnamese EFL Teachers. Teaching English with Technology, 24(1), 28-47.

5. Russell, S (2022). Artificial Intelligence and the Problem of Control. Perspectives on digital humanism, 19, 1-322.

6. Schunk, D. H., & DiBenedetto, M. K (2022). Self-efficacy and engaged learners. In Handbook of research on student engagement (pp. 155-170). Cham: Springer International Publishing.

7. Shah, S. S., & Asad, M. M (2024). Impact of critical thinking approach on learners’ dependence on innovative transformation through artificial intelligence. In The Evolution of Artificial Intelligence in Higher Education: Challenges, Risks, and Ethical Considerations (pp. 161-182). Emerald Publishing Limited.

8. Thuy Nhu Thi Nguyen, Nam Van Lai, Quyet Thi Nguyen (2024). Artificial Intelligence (AI) in Education: A Case Study on ChatGPT’s Influence on Student Learning Behaviors. Educational Process: International Journal (EDUPIJ), 1(2), 105-121.