CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN SỰ PHỤ THUỘC VÀO CHATGPT CỦA SINH VIÊN TẠI VIỆT NAM

Lưu Thị Như Quỳnh

Phạm Ngọc Thùy Hương

Nguyễn Vương Linh Chi

Tạ Thị Ngọc Diệp

Đại học Kinh tế Quốc dân

Tóm tắt

Nghiên cứu phân tích các yếu tố ảnh hưởng đến sự phụ thuộc vào ChatGPT của sinh viên tại Việt Nam dựa trên mô hình I-PACE. Kết quả cho thấy niềm tin vào năng lực bản thân tác động tích cực đến điều chỉnh cảm xúc và sự đắm chìm nhận thức; trong đó, sự đắm chìm nhận thức là yếu tố ảnh hưởng mạnh nhất đến sự phụ thuộc vào ChatGPT. Bên cạnh đó, điều chỉnh cảm xúc cũng có tác động trực tiếp đến mức độ phụ thuộc. Nghiên cứu góp phần làm rõ cơ chế hình thành hành vi phụ thuộc vào AI tạo sinh trong bối cảnh giáo dục đại học, qua đó đề xuất các hàm ý quản lý nhằm thúc đẩy việc sử dụng ChatGPT một cách hiệu quả và bền vững hơn.

Từ khóa: AI tạo sinh, ChatGPT, giáo dục Việt Nam, mô hình I-PACE, sự phụ thuộc, sinh viên đại học.

Summary

This study examines the factors influencing ChatGPT dependency among university students in Vietnam based on the I-PACE model. The results indicate that self-efficacy positively affects both emotion regulation and cognitive absorption, with cognitive absorption exerting the strongest impact on ChatGPT dependency. In addition, emotion regulation also has a direct positive effect on ChatGPT dependency. The study contributes to clarifying the mechanism underlying the formation of dependence on generative AI in higher education, thereby proposing managerial implications to promote a more effective and sustainable use of ChatGPT.

Keywords: Generative AI, ChatGPT, Vietnamese education, I-PACE model, dependency, university students.

ĐẶT VẤN ĐỀ

Sự phát triển nhanh chóng của AI tạo sinh trong giáo dục đang làm thay đổi cách sinh viên học tập và tiếp cận tri thức. Báo cáo “Generative AI in Education and Research” của UNESCO (2023) nhấn mạnh rằng AI tạo sinh đang đặt ra những thách thức nghiêm trọng liên quan đến tính liêm chính học thuật và nguy cơ thay thế nỗ lực tư duy cá nhân. Tại Việt Nam, trong bối cảnh chuyển đổi số giáo dục được thúc đẩy mạnh mẽ (Bộ Giáo dục và Đào tạo, 2022) và tốc độ tăng trưởng người dùng công nghệ số thuộc nhóm cao nhất khu vực (Google, Temasek & Bain, 2023), số sinh viên tiếp xúc với các công cụ AI như ChatGPT ngày càng tăng. Tuy nhiên, bằng chứng thực nghiệm về cơ chế hình thành sự phụ thuộc vào ChatGPT trong môi trường học thuật Việt Nam vẫn còn hạn chế, đặt ra yêu cầu cấp thiết phải nghiên cứu vấn đề này một cách hệ thống.

Trong bối cảnh công nghệ số, “sự phụ thuộc” được hiểu là mức độ và cường độ sử dụng một công nghệ hoặc dịch vụ. Các lý thuyết về hành vi phụ thuộc nhấn mạnh vai trò của các yếu tố nhận thức và cảm xúc, như nhận thức về tính hữu ích, sự đắm chìm và củng cố cảm xúc tích cực (Brand và cộng sự, 2016, 2019), cùng với cơ chế hình thành thói quen sử dụng lặp lại (Renshaw & Carley, 2024).

Mặc dù nhiều nghiên cứu đã xem xét các yếu tố ảnh hưởng đến sự phụ thuộc công nghệ, phần lớn chỉ tập trung vào mối quan hệ trực tiếp giữa đặc điểm cá nhân và mức độ phụ thuộc. Một số nghiên cứu vận dụng mô hình TAM hoặc thang đo DAI (Morales-García và cộng sự, 2024) để đo lường phụ thuộc, nhưng chưa làm rõ cơ chế trung gian giữa các yếu tố nhận thức và cảm xúc. Bên cạnh đó, các nghiên cứu thực nghiệm về phụ thuộc vào ChatGPT chủ yếu được thực hiện tại châu Âu, Trung Quốc hoặc Nam Mỹ, trong khi bằng chứng tại Đông Nam Á, đặc biệt là Việt Nam, còn hạn chế.

Vì vậy, nghiên cứu này vận dụng mô hình I-PACE nhằm phân tích các yếu tố cá nhân, nhận thức và cảm xúc ảnh hưởng đến sự phụ thuộc vào ChatGPT của sinh viên Việt Nam, qua đó cung cấp bằng chứng thực nghiệm phục vụ định hướng sử dụng AI hiệu quả và bền vững trong giáo dục đại học.

CƠ SỞ LÝ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

Cơ sở lý thuyết

Sự phụ thuộc vào ChatGPT

Lý thuyết về hành vi nghiện cho rằng nghiện là sự kết hợp giữa sự phụ thuộc và tính cưỡng bức, trong đó sự phụ thuộc được định nghĩa là quá trình cá nhân nỗ lực đạt được trạng thái nội tại dễ chịu thông qua việc thỏa mãn các nhu cầu cơ bản hoặc nhu cầu phái sinh (Goodman, 1990). Trong bối cảnh trí tuệ nhân tạo phát triển mạnh mẽ, Chat GPT là một trong những công cụ phổ biến và được ứng dụng rộng rãi nhất trong lĩnh vực giáo dục hiện nay, mang lại hữu ích trong nhiều nhiệm vụ học thuật như tóm tắt tài liệu, tạo bản thảo tự động và hỗ trợ chuyển đổi ngôn ngữ (Salvagno và cộng sự, 2023), có khả năng cung cấp câu trả lời chi tiết, tổng hợp thông tin và tiết kiệm thời gian cho người học (Farrokhnia và cộng sự, 2023). Sự phụ thuộc vào ChatGPT trong nghiên cứu này được định nghĩa là trạng thái cá nhân dựa dẫm quá mức về mặt tâm lý và hành vi vào ChatGPT nhằm thực hiện các nhiệm vụ học thuật.

Mô hình I-PACE: Tương tác giữa Cá nhân - Cảm xúc - Nhận thức - Thực thi hành vi (Interaction of Person - Affect - Cognition - Execution)

Brand và cộng sự (2016, 2019) đề xuất mô hình I-PACE nhằm lý giải cơ chế hình thành và phát triển của các hành vi nghiện trong môi trường số. Mô hình cho rằng hành vi phụ thuộc hình thành từ sự tương tác giữa đặc điểm cá nhân và các phản ứng cảm xúc - nhận thức trong quá trình sử dụng; khi hành vi được củng cố lặp lại theo thời gian, khả năng tự kiểm soát suy giảm và hành vi có thể chuyển từ tự nguyện sang mang tính cưỡng chế.

Giả thuyết và mô hình nghiên cứu

Cá nhân (Person)

Niềm tin vào năng lực của bản thân đề cập đến niềm tin của cá nhân vào khả năng thực hiện thành công các nhiệm vụ khi sử dụng một hệ thống cụ thể (Trusz & Babel, 2016).  Khi sinh viên tin tưởng vào khả năng sử dụng ChatGPT của mình, họ thường trải nghiệm mức độ thất vọng và lo âu thấp hơn, đồng thời duy trì trạng thái cảm xúc ổn định hơn trong quá trình thực hiện các nhiệm vụ học tập có sự hỗ trợ của ChatGPT (Y. Wang và cộng sự, 2022). Niềm tin cao vào năng lực bản thân cũng có thể thúc đẩy sự đắm chìm nhận thức, bởi khi sinh viên cảm thấy mình có khả năng sử dụng ChatGPT hiệu quả, họ dễ bị cuốn vào quá trình tương tác với công cụ này hơn (Liang và cộng sự, 2023).

Cảm xúc (Affect)

Điều chỉnh cảm xúc đề cập đến việc cá nhân sử dụng các tác nhân bên ngoài để kiểm soát trạng thái cảm xúc, nhằm đối phó với cảm giác căng thẳng, lo âu hoặc quá tải nhận thức (Larsen, 2000). Khi sinh viên thường xuyên sử dụng ChatGPT để giảm căng thẳng hoặc hỗ trợ giải quyết khó khăn trong học tập, họ có thể dần bị cuốn sâu vào quá trình tương tác với công cụ này và dành nhiều thời gian sử dụng hơn (Yiran Du và cộng sự, 2025).

Nhận thức (Cognition)

Sự đắm chìm nhận thức đề cập đến trạng thái tham gia tinh thần sâu sắc và hoàn toàn nhập tâm vào một hoạt động, khi cá nhân trở nên say mê đến mức mất cảm nhận về thời gian và môi trường xung quanh (Agarwal & Karahanna, 2000). Ở sinh viên, mức độ đắm chìm cao khi sử dụng các công cụ AI như ChatGPT có thể khiến họ dành nhiều thời gian tương tác và dần hình thành thói quen phụ thuộc vào AI trong ra quyết định, xây dựng nội dung và lập kế hoạch học tập (Saadé & Bahli, 2005; Yiran Du và cộng sự, 2025). Về lâu dài, sự khó tách rời khỏi AI có thể làm suy giảm tính tự chủ và khả năng giải quyết vấn đề độc lập, qua đó góp phần củng cố hành vi sử dụng ChatGPT mang tính cưỡng chế (Lin, 2009; Yiran Du và cộng sự, 2025).

Dựa trên những phân tích trên, nhóm tác giả đề xuất các giả thuyết sau:

H1a. Niềm tin vào năng lực bản thân tác động tích cực đến Điều chỉnh cảm xúc.

H1b. Niềm tin vào năng lực bản thân tác động tích cực đến Sự đắm chìm nhận thức.

H2a. Điều chỉnh cảm xúc tác động tích cực đến Sự đắm chìm nhận thức.

H2b. Điều chỉnh cảm xúc tác động tích cực đến Sự phụ thuộc vào Chat GPT.

H3. Sự đắm chìm nhận thức tác động tích cực đến Sự phụ thuộc vào ChatGPT.  

Hình 1: Mô hình nghiên cứu

Nguồn: Nhóm tác giả đề xuất (2026)

PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu sử dụng phương pháp hỗn hợp, kết hợp nghiên cứu định tính và định lượng nhằm phân tích các yếu tố ảnh hưởng đến sự phụ thuộc vào ChatGPT của sinh viên tại Việt Nam.

Đối với nghiên cứu định tính, phỏng vấn sâu được thực hiện với sinh viên đại học và tiến hành cho đến khi đạt trạng thái bão hòa lý thuyết. Kết quả được sử dụng để điều chỉnh thang đo trước khi triển khai khảo sát. Đối với nghiên cứu định lượng, dữ liệu được thu thập thông qua khảo sát trực tuyến bằng Google Forms với phương pháp lấy mẫu thuận tiện. Nghiên cứu sơ bộ được thực hiện với 30 sinh viên để kiểm tra thang đo, sau đó khảo sát chính thức thu được 418 phản hồi hợp lệ.

Dữ liệu được phân tích bằng SmartPLS 3.0. Thống kê mô tả được sử dụng để khái quát đặc điểm mẫu, sau đó mô hình PLS-SEM được áp dụng nhằm đánh giá mô hình đo lường và kiểm định các giả thuyết nghiên cứu. Các biến được đo lường bằng thang Likert 5 mức độ, từ 1 - “Rất không đồng ý” đến 5 - “Rất đồng ý”.

KẾT QUẢ NGHIÊN CỨU

Đánh giá mô hình đo lường

Bảng 1. Kết quả đánh giá mô hình đo lường

Nguồn: Phân tích của nhóm tác giả (2026)

Kết quả phân tích cho thấy hệ số tải ngoài của tất cả các biến quan sát đều lớn hơn 0,7 (Hair và cộng sự, 2021). Do đó, các thang đo trong mô hình đạt yêu cầu về độ tin cậy chỉ báo và không cần loại bỏ biến quan sát nào khỏi mô hình nghiên cứu.Kết quả kiểm định độ tin cậy cho thấy tất cả các yếu tố trong mô hình đều có hệ số Cronbach’s Alpha và độ tin cậy tổng hợp lớn hơn 0,7, đáp ứng ngưỡng đề xuất của Hair và cộng sự (2021). Điều này chứng tỏ các thang đo có mức độ nhất quán nội tại tốt và đảm bảo độ tin cậy trong việc đo lường các khái niệm nghiên cứu.

Kết quả kiểm định giá trị hội tụ cho thấy tất cả các yếu tố trong mô hình đều có hệ số phương sai trích trung bình lớn hơn 0,5, đáp ứng ngưỡng đề xuất của Hair và cộng sự (2022). Điều này chứng tỏ các biến quan sát giải thích được hơn 50% phương sai của biến tiềm ẩn tương ứng, qua đó đảm bảo giá trị hội tụ của các thang đo trong mô hình nghiên cứu.

Bảng 2. Tỷ số HTMT

Nguồn: Phân tích của nhóm tác giả (2026)

Kết quả phân tích giá trị phân biệt cho thấy tất cả các cặp thang đo đều có giá trị HTMT nhỏ hơn ngưỡng 0,85, đáp ứng tiêu chuẩn của (Henseler, Ringle và Sarstedt, 2015). Qua đó khẳng định các khái niệm nghiên cứu đạt yêu cầu về giá trị phân biệt và có sự khác biệt rõ ràng với nhau trong mô hình.

Như vậy, mô hình nghiên cứu đảm bảo chất lượng biến quan sát, độ tin cậy, giá trị hội tụ và phân biệt sau khi thực hiện đánh giá mô hình đo lường.

Đánh giá mô hình cấu trúc

Bảng 3. Kết quả đánh giá mô hình cấu trúc

Nguồn: Phân tích của nhóm tác giả (2026)

Kết quả đánh giá mô hình cấu trúc (Bảng 3) cho thấy tất cả các giá trị VIF của các biến tiềm ẩn nội sinh đều nhỏ hơn 3, theo Hair và cộng sự (2021). Như vậy, mô hình không tồn tại hiện tượng đa cộng tuyến nghiêm trọng giữa các biến độc lập nên các ước lượng là đáng tin cậy và không bị sai lệch

Kết quả cho thấy Sự đắm chìm nhận thức có R² = 0,467, đạt mức giải thích trung bình khá, trong đó Điều chỉnh cảm xúc có tác động lớn (f² = 0,456) và Niềm tin vào năng lực bản thân có tác động nhỏ (f² = 0,077). Điều (Henseler, Ringle và Sarstedt, 2015) chỉnh cảm xúc có R² = 0,200, chịu ảnh hưởng chủ yếu từ Sự đắm chìm nhận thức (f² = 0,211), trong khi tác động còn lại ở mức nhỏ (f² = 0,058). Đối với Sự phụ thuộc vào ChatGPT, R² = 0,418 cho thấy mức giải thích tương đối tốt; trong đó Niềm tin vào năng lực bản thân có kích thước hiệu ứng trung bình (f² = 0,249). Nhìn chung, mô hình đạt khả năng giải thích phù hợp và xác định được mức độ ảnh hưởng khác nhau giữa các biến.

Bảng 4. Kết quả kiểm định giả thuyết nghiên cứu

Nguồn: Phân tích của nhóm tác giả (2026)

Kết quả phân tích mô hình cấu trúc cho thấy cả hai giả thuyết H1a và H1b đều được chấp nhận ở mức ý nghĩa thống kê 1% (p-value = 0,000). Cụ thể, Niềm tin vào năng lực bản thân (SE) có tác động tích cực đến Điều chỉnh cảm xúc (MR) với hệ số β = 0,447 (SE = 0,053), cho thấy khi sinh viên có mức độ tự tin cao hơn vào khả năng sử dụng ChatGPT, họ có xu hướng kiểm soát và điều chỉnh cảm xúc tốt hơn trong quá trình học tập. Kết quả này phù hợp với lập luận của Trusz & Babel và Y. Wang, nhấn mạnh vai trò của niềm tin vào năng lực cá nhân trong việc giảm lo âu và duy trì trạng thái cảm xúc tích cực khi tương tác với hệ thống công nghệ.

Bên cạnh đó, Niềm tin vào năng lực bản thân (SE) cũng tác động tích cực đến Sự đắm chìm nhận thức (CA) với hệ số β = 0,226 (SE = 0,043), củng cố giả thuyết H1b. Điều này cho thấy sinh viên càng tin tưởng vào khả năng sử dụng ChatGPT hiệu quả thì càng dễ tham gia sâu vào quá trình tương tác và xử lý thông tin. Kết quả này tương đồng với nghiên cứu của Liang và cộng sự, khi cho rằng cảm nhận về năng lực cá nhân là yếu tố quan trọng thúc đẩy sự tham gia nhận thức trong môi trường công nghệ.

Kết quả phân tích cho thấy giả thuyết H2a và H2b đều được chấp nhận ở mức ý nghĩa thống kê 1% (p-value = 0,000). Cụ thể, Điều chỉnh cảm xúc (MR) có tác động tích cực và mạnh đến Sự đắm chìm nhận thức (CA) với hệ số β = 0,551 (SE = 0,051). Kết quả này cho thấy khi sinh viên sử dụng ChatGPT như một công cụ hỗ trợ kiểm soát căng thẳng và cảm xúc tiêu cực, họ có xu hướng tham gia sâu hơn vào quá trình tương tác và xử lý thông tin.

Bên cạnh đó, Điều chỉnh cảm xúc (MR) cũng tác động tích cực đến Sự phụ thuộc vào ChatGPT (EX) với hệ số β = 0,242 (SE = 0,065), qua đó ủng hộ giả thuyết H2b. Điều này hàm ý rằng việc thường xuyên sử dụng ChatGPT như một phương tiện giảm căng thẳng và nâng cao hiệu quả học tập có thể làm gia tăng xu hướng phụ thuộc vào công cụ này theo thời gian. Tổng thể, kết quả thực nghiệm củng cố quan điểm rằng điều chỉnh cảm xúc thông qua công nghệ không chỉ thúc đẩy sự đắm chìm nhận thức mà còn có thể làm gia tăng mức độ phụ thuộc vào ChatGPT của sinh viên.

Kết quả phân tích cho thấy giả thuyết H3 được chấp nhận ở mức ý nghĩa thống kê 1% (p-value = 0,000). Cụ thể, Sự đắm chìm nhận thức (CA) tác động tích cực đến Sự phụ thuộc vào ChatGPT (EX) với hệ số β = 0,462 (SE = 0,058), cho thấy khi sinh viên càng bị cuốn sâu vào quá trình tương tác với ChatGPT thì mức độ phụ thuộc vào công cụ này càng gia tăng. Phát hiện này phù hợp với quan điểm của Agarwal và Karahanna về trạng thái đắm chìm nhận thức như một sự tham gia tinh thần sâu sắc, khiến cá nhân mất cảm nhận về thời gian và môi trường xung quanh. Đồng thời, kết quả cũng tương đồng với các nghiên cứu của Saadé, Bahli và Lin, khi cho rằng mức độ tham gia cao vào công nghệ có thể dẫn đến thói quen sử dụng mang tính cưỡng chế. Như vậy, bằng chứng thực nghiệm đã xác nhận vai trò của sự đắm chìm nhận thức như một tiền đề quan trọng thúc đẩy sự phụ thuộc vào ChatGPT trong bối cảnh sinh viên đại học.

KẾT LUẬN VÀ KHUYẾN NGHỊ

Kết quả nghiên cứu cho thấy sự phụ thuộc vào ChatGPT của sinh viên được hình thành thông qua sự tương tác giữa các yếu tố cá nhân, nhận thức và cảm xúc theo mô hình I-PACE. Cụ thể, niềm tin vào năng lực bản thân có tác động tích cực đến cả điều chỉnh cảm xúc và sự đắm chìm nhận thức khi sinh viên sử dụng ChatGPT. Điều này cho thấy những sinh viên có mức độ tự tin cao thường có xu hướng kiểm soát cảm xúc tốt hơn và tham gia sâu hơn vào quá trình tương tác với công cụ AI. Bên cạnh đó, điều chỉnh cảm xúc cũng thúc đẩy sự đắm chìm nhận thức, phản ánh vai trò của yếu tố cảm xúc trong việc gia tăng mức độ tham gia của người dùng. Đáng chú ý, sự đắm chìm nhận thức là yếu tố có ảnh hưởng mạnh nhất đến sự phụ thuộc vào ChatGPT. Khi sinh viên ngày càng tham gia sâu vào quá trình tương tác với công cụ này, mức độ phụ thuộc cũng có xu hướng gia tăng. Ngoài ra, điều chỉnh cảm xúc còn tác động trực tiếp đến sự phụ thuộc, cho thấy ChatGPT có thể được sử dụng như một phương tiện hỗ trợ giảm áp lực học tập.

Dựa trên các kết quả nghiên cứu, nhóm tác giả đề xuất một số khuyến nghị nhằm định hướng việc sử dụng ChatGPT trong học tập một cách hiệu quả và hạn chế nguy cơ phụ thuộc quá mức.

Thứ nhất, nhận thức của sinh viên về việc sử dụng ChatGPT như một công cụ hỗ trợ học tập thay vì thay thế hoàn toàn quá trình tư duy cá nhân. Sinh viên cần được khuyến khích sử dụng ChatGPT để tìm kiếm gợi ý, giải thích khái niệm hoặc hỗ trợ xây dựng ý tưởng ban đầu, đồng thời vẫn duy trì các hoạt động học tập cốt lõi như đọc tài liệu, phân tích thông tin và phát triển lập luận cá nhân. Việc rèn luyện tư duy phản biện và năng lực nghiên cứu độc lập sẽ giúp sinh viên khai thác hiệu quả lợi ích của công nghệ mà không rơi vào trạng thái phụ thuộc.

Thứ hai, các cơ sở giáo dục đại học cần xây dựng các hướng dẫn và quy định rõ ràng về việc sử dụng công cụ AI tạo sinh trong học tập và nghiên cứu. Bên cạnh việc kiểm soát các hành vi vi phạm liêm chính học thuật, các trường đại học nên tích hợp nội dung đào tạo về kỹ năng sử dụng AI, đạo đức công nghệ và năng lực số trong chương trình giảng dạy. Điều này sẽ giúp sinh viên hiểu rõ vai trò và giới hạn của công cụ AI, từ đó sử dụng chúng một cách có trách nhiệm và hiệu quả.

Thứ ba, giảng viên cần thiết kế các phương pháp giảng dạy và đánh giá học tập khuyến khích tư duy độc lập và sáng tạo của sinh viên. Các hình thức đánh giá chú trọng vào quá trình lập luận, phản biện và phân tích cá nhân sẽ góp phần hạn chế tình trạng phụ thuộc quá mức vào các công cụ AI. Đồng thời, việc khuyến khích sinh viên tham gia thảo luận, làm việc nhóm và giải quyết vấn đề thực tiễn cũng có thể giúp tăng cường sự tham gia nhận thức một cách tích cực mà không phụ thuộc hoàn toàn vào công nghệ.

Thứ tư, cần thúc đẩy các chương trình giáo dục về quản lý cảm xúc và kỹ năng học tập trong môi trường số cho sinh viên. Kết quả nghiên cứu cho thấy điều chỉnh cảm xúc có vai trò quan trọng trong quá trình hình thành hành vi sử dụng ChatGPT, do đó việc trang bị cho sinh viên các kỹ năng quản lý áp lực học tập và điều tiết cảm xúc sẽ giúp giảm xu hướng sử dụng công nghệ như một công cụ thay thế cho nỗ lực cá nhân.

TÀI LIỆU THAM KHẢO

Agarwal, R., & Karahanna, E. (2000). Time Flies When You’re Having Fun: Cognitive Absorption and Beliefs About Information Technology Usage1. MIS Quarterly, 24(4), 665–694. https://doi.org/10.2307/3250951

Aviel Goodman, M. D. (1990). Addiction: definition and implications. British Journal of Addiction, 85(11), 1403–1408.

Brand, M., Wegmann, E., Stark, R., Müller, A., Wölfling, K., Robbins, T. W., & Potenza, M. N. (2019). The Interaction of Person-Affect-Cognition-Execution (I-PACE) model for addictive behaviors: Update, generalization to addictive behaviors beyond internet-use disorders, and specification of the process character of addictive behaviors. Neuroscience & Biobehavioral Reviews, 104, 1–10. https://doi.org/10.1016/j.neubiorev.2019.06.032

Brand, M., Young, K. S., Laier, C., Wölfling, K., & Potenza, M. N. (2016). Integrating psychological and neurobiological considerations regarding the development and maintenance of specific Internet-use disorders: An Interaction of Person-Affect-Cognition-Execution (I-PACE) model. Neuroscience & Biobehavioral Reviews, 71, 252–266. https://doi.org/10.1016/j.neubiorev.2016.08.033

Du, Y., Tang, M., Jia, K., Wang, C., & Zou, B. (2026). Are Teachers Addicted to AI? Analysing Factors Influencing Dependence on Generative AI Through the I‐PACE Model. Journal of Computer Assisted Learning, 42(1). https://doi.org/10.1002/jcal.70174

Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2024). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 61(3), 460–474. https://doi.org/10.1080/14703297.2023.2195846

Hair Jr, J. F. (2021). Next-generation prediction metrics for composite-based PLS-SEM. Industrial Management & Data Systems, 121(1), 5-11. https://doi.org/10.1108/IMDS-08-2020-0505

Larsen, R. J. (2000). Toward a Science of Mood Regulation. Psychological Inquiry, 11(3), 129–141. https://doi.org/10.1207/S15327965PLI1103_01

Liang, J., Wang, L., Luo, J., Yan, Y., & Fan, C. (2023). The relationship between student interaction with generative artificial intelligence and learning achievement: serial mediating roles of self-efficacy and cognitive engagement. Frontiers in Psychology, 14. https://doi.org/10.3389/fpsyg.2023.1285392

Lin, H.-F. (2009). Examination of cognitive absorption influencing the intention to use a virtual community. Behaviour & Information Technology, 28(5), 421–431. https://doi.org/10.1080/01449290701662169

Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., & Morales-García, M. (2024). Development and validation of a scale for dependence on artificial intelligence in university students. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1323898

Renshaw, S. L., & Carley, K. M. (2024). Linking online activity to offline behavior: A meta-review of three decades of online-to-offline scholarship with future implications for AI. Emerging Trends in Drugs, Addictions, and Health, 4, 100154. https://doi.org/10.1016/j.etdah.2024.100154

Saadé, R., & Bahli, B. (2005). The impact of cognitive absorption on perceived usefulness and perceived ease of use in on-line learning: an extension of the technology acceptance model. Information & Management, 42(2), 317–327. https://doi.org/10.1016/j.im.2003.12.013

Salvagno, M., Taccone, F. S., & Gerli, A. G. (2023). Can artificial intelligence help for scientific writing? Critical Care, 27(1), 75. https://doi.org/10.1186/s13054-023-04380-2

Trusz. S., & Bąbel. P. (2016). Interpersonal and Intrapersonal Expectancies (1st ed.). Routledge. https://doi.org/10.4324/9781315652535

Wang, Y., Cao, Y., Gong, S., Wang, Z., Li, N., & Ai, L. (2022). Interaction and learning engagement in online learning: The mediating roles of online learning self-efficacy and academic emotions. Learning and Individual Differences, 94, 102128. https://doi.org/10.1016/j.lindif.2022.102128