DẠY HỌC KẾT HỢP ỨNG DỤNG AI VÀ MỨC ĐỘ SẴN SÀNG SỐ ĐẾN HÀNH VI HỌC TẬP XANH CỦA SINH VIÊN KHOA THƯƠNG MẠI - DU LỊCH

VŨ THỊ KIỀU ANH 

Khoa Thương Mại _ Du lịch Trường Đại học Công Nghiệp Thành Phố Hồ Chí Minh

Tóm tắt:

Nghiên cứu phân tích tác động của Dạy học kết hợp ứng dụng AI (AIIT), Mức độ sẵn sàng số (DR), Nhận thức bền vững (SA) và Môi trường học tập (LE) đến Thái độ học tập xanh (GLA) và Hành vi học tập xanh (GLB) trong bối cảnh dành cho sinh viên khoa Thương mại – Du lịch. Kết quả PLS-SEM cho thấy mô hình đạt độ tin cậy, giá trị hội tụ và phân biệt tốt, không có đa cộng tuyến đáng kể (trừ SA2 cần xem xét). Mô hình có mức độ giải thích khá (R² GLA = 0.564; GLB = 0.575). Kết quả cho thấy GLA là biến trung gian quan trọng và là yếu tố quyết định mạnh nhất đến GLB. Trong các yếu tố tác động đến GLA, SA có ảnh hưởng mạnh nhất, tiếp theo là LE và AIIT, trong khi DR có tác động âm. Hầu hết các giả thuyết đều được chấp nhận, ngoại trừ tương tác DR × LE-> GLA.

Từ khóa: Dạy học kết hợp ứng dụng AI, Mức độ sẵn sàng số, Nhận thức bền vững, Thái độ học tập xanh, Hành vi học tập xanh

Abstract

This study examines the effects of AI-integrated blended learning (AIIT), digital readiness (DR), sustainability awareness (SA), and learning environment (LE) on green learning attitude (GLA) and green learning behavior (GLB) among students in the Faculty of Commerce and Tourism. The PLS-SEM results indicate that the model achieved good reliability, convergent validity, and discriminant validity, with no significant multicollinearity issues (except SA2, which requires further consideration). The model demonstrated a moderate explanatory power (R² GLA = 0.564; GLB = 0.575). The findings reveal that GLA serves as an important mediating variable and is the strongest determinant of GLB. Among the factors affecting GLA, SA had the strongest influence, followed by LE and AIIT, while DR showed a negative effect. Most hypotheses were supported, except for the interaction effect of DR × LE → GLA.

Keywords: AI-integrated blended learning, digital readiness, sustainability awareness, green learning attitude, green learning behavior.

1. GIỚI THIỆU

Trong bối cảnh giáo dục đại học đang chuyển mạnh sang mô hình phát triển bền vững và chuyển đổi số, việc tích hợp các nguyên tắc giáo dục xanh vào quá trình đào tạo ngày càng trở nên quan trọng nhằm nâng cao nhận thức và hình thành thái độ học tập bền vững cho sinh viên (Versteijlen & Wals, 2023). Điều này đặc biệt có ý nghĩa đối với sinh viên khoa Thương mại – Du lịch, khi ngành học gắn liền với tiêu dùng tài nguyên, dịch vụ và tác động môi trường, đòi hỏi người học không chỉ có kiến thức chuyên môn mà còn cần phát triển tư duy học tập có trách nhiệm với môi trường và xã hội.

Bên cạnh đó, quá trình chuyển đổi số trong giáo dục đại học, đặc biệt là sự phát triển của trí tuệ nhân tạo (AI) và các nền tảng học tập số, đang tạo ra những thay đổi sâu sắc trong cách tổ chức dạy và học (Zawacki-Richter và cộng sự, 2019). Sự kết hợp giữa công nghệ số và định hướng phát triển bền vững không chỉ nâng cao hiệu quả học tập mà còn góp phần hình thành hành vi học tập xanh của sinh viên. Do đó, nghiên cứu về tác động của AIIT và DR đến GLB là cần thiết, nhằm làm rõ cơ chế tác động và cung cấp cơ sở khoa học cho việc cải thiện chất lượng đào tạo trong bối cảnh giáo dục hiện đại (Trevisan và cộng sự, 2024).

2. CƠ SỞ LÝ THUYẾT, GIẢ THUYẾT VÀ MÔ HÌNH NGHIÊN CỨU

2.1 Dạy học kết hợp ứng dụng AI (AI-integrated teaching – AIIT))

Tác động của AIIT đến GLA dựa trên nền tảng phát triển bền vững và chuyển đổi số trong giáo dục đại học. Việc tích hợp AI trong dạy học kết hợp không chỉ thay đổi phương pháp giảng dạy mà còn cải thiện cách sinh viên tương tác với nội dung học tập, từ đó hình thành nhận thức và thái độ học tập theo hướng bền vững. Cụ thể, AIIT giúp cá nhân hóa học tập, tối ưu hóa tài nguyên và khuyến khích sử dụng công nghệ hiệu quả, qua đó thúc đẩy thái độ học tập thân thiện với môi trường. Theo (Trevisan và cộng sự, 2024), chuyển đổi số trong giáo dục gắn liền với phát triển bền vững có thể tạo ra sự thay đổi tích cực trong nhận thức và thái độ học tập của người học.

Giả thuyết 1 (H1): AIIT có tác động tích cực đến GLA

2.2 Mức độ sẵn sàng số (Digital readiness - DR)

DR phản ánh năng lực, sự tự tin và khả năng thích ứng của người học khi sử dụng công nghệ và AI trong học tập, từ đó quyết định mức độ trải nghiệm và sự tiếp nhận các hoạt động học tập theo hướng bền vững. Sinh viên có mức độ sẵn sàng số cao thường dễ dàng khai thác hiệu quả các nền tảng học tập số, qua đó hình thành thái độ tích cực đối với học tập xanh; ngược lại, mức độ sẵn sàng số thấp có thể hạn chế khả năng tiếp cận và làm giảm thái độ tích cực này. Theo (Venkatesh và cộng sự, 2003), việc chấp nhận và sử dụng công nghệ chịu ảnh hưởng bởi năng lực và điều kiện hỗ trợ, từ đó tác động đến thái độ người học. Đồng thời, (Awdziej và cộng sự, 2023) cũng cho thấy năng lực số cao góp phần thúc đẩy hành vi học tập bền vững trong bối cảnh chuyển đổi số giáo dục.

Giả thuyết 2 (H2): DR có tác động tích cực đến GLA

2.3 Nhận thức bền vững (Sustainability awareness – SA)

Theo lý thuyết giáo dục bền vững và TPB, SA là yếu tố quan trọng hình thành GLA. Sinh viên có SA cao thường tích cực hơn với các hoạt động học tập thân thiện môi trường và sử dụng công nghệ tiết kiệm năng lượng. Theo (Omazic & Zunk, 2021), giáo dục vì phát triển bền vững trong giáo dục đại học đóng vai trò quan trọng trong việc định hình nhận thức, thái độ và hành vi của sinh viên theo hướng bền vững và có trách nhiệm hơn.

Giả thuyết H3: SA có tác động tích cực đến GLA.

2.4 Môi trường học tập (Learning environment – LE) là nhân tố điều tiết

LE trong bối cảnh giáo dục số và AIIT được xem là yếu tố bối cảnh quan trọng có khả năng điều tiết các mối quan hệ giữa nhận thức, năng lực công nghệ và thái độ học tập của sinh viên. LE phản ánh chất lượng hạ tầng công nghệ, mức độ tương tác học tập, sự hỗ trợ của giảng viên cũng như mức độ tích hợp công nghệ AI trong quá trình giảng dạy. Một môi trường học tập tích cực không chỉ tạo điều kiện thuận lợi cho việc tiếp cận tri thức mà còn thúc đẩy sự hình thành thái độ học tập theo hướng bền vững và thân thiện với môi trường.

Trong nghiên cứu này, LE được xem là biến điều tiết trong ba mối quan hệ quan trọng. Thứ nhất, LE điều tiết mối quan hệ giữa SA và GLA, trong đó môi trường học tập tích cực có thể khuếch đại tác động của nhận thức bền vững đến thái độ học tập xanh. Thứ hai, LE điều tiết mối quan hệ giữa DR và GLA, thể hiện rằng khi môi trường học tập hỗ trợ tốt về công nghệ và tương tác, tác động của năng lực số đến thái độ học tập xanh sẽ mạnh hơn. Thứ ba, LE điều tiết mối quan hệ giữa AIIT và GLA, cho thấy việc tích hợp AI hiệu quả trong môi trường học tập có thể làm gia tăng ảnh hưởng tích cực của phương pháp giảng dạy đến thái độ học tập xanh của sinh viên.

Theo các nghiên cứu gần đây, LE và AI đóng vai trò quan trọng trong việc định hình thái độ và hành vi học tập bền vững của người học, đặc biệt khi có sự kết hợp giữa công nghệ, sự tương tác và hỗ trợ học tập phù hợp (Fayid & Kiraz, 2026); (Jallali và cộng sự, 2026). Ngoài ra, nghiên cứu của (Chin & Chang, 2026) cũng nhấn mạnh rằng các yếu tố môi trường học tập có thể tăng cường hoặc làm suy yếu tác động của công nghệ AI đến kết quả học tập và thái độ của sinh viên trong giáo dục đại học.

Giả thuyết 4 (H4): LE điều tiết tích cực mối quan hệ giữa SA và GLA.

Giả thuyết 5 (H5): LE điều tiết mối quan hệ giữa DR và GLA.

Giả thuyết 6 (H6): LE điều tiết mối quan hệ giữa AIIT và GLA.

2.5 Thái độ học tập xanh (Green learning attitude – GLA)

GLA được kỳ vọng có tác động tích cực trực tiếp đến GLB. Theo lý thuyết hành vi có kế hoạch (TPB), thái độ là yếu tố quan trọng quyết định hành vi, trong đó thái độ tích cực sẽ thúc đẩy xu hướng thực hiện hành vi tương ứng. Khi sinh viên có thái độ tích cực với học tập xanh, họ sẽ sử dụng tài nguyên hiệu quả, ứng dụng công nghệ hợp lý và tham gia các hoạt động thân thiện môi trường; ngược lại, thái độ tiêu cực làm giảm hành vi học tập xanh. Các nghiên cứu cũng khẳng định thái độ tích cực có vai trò quan trọng trong việc thúc đẩy hành vi bền vững trong giáo dục đại học (Carrus và cộng sự, 2021), qua đó nhấn mạnh vai trò trung tâm của GLA trong việc hình thành GLB.

Giả thuyết 7 (H7): GLA có tác động tích cực đến GLB.

2.6 Mô hình tác giả đề xuất nghiên cứu

Dựa trên cơ sở lý thuyết và các giả thuyết nghiên cứu đã đề xuất, mô hình nghiên cứu xem xét mối quan hệ giữa AIIT, DR, SA tác động đến GLD dưới tác động của nhân tố điều tiết LE đến GLB cụ thể như sau:

Hình 1: Mô hình tác giả đề xuất nghiên cứu

3. PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu định tính: Nghiên cứu sử dụng tổng quan tài liệu và thảo luận với giảng viên, sinh viên để xây dựng mô hình, giả thuyết và điều chỉnh thang đo phù hợp với bối cảnh nghiên cứu. Bảng hỏi được khảo sát thử nghiệm nhằm kiểm tra độ tin cậy trước khi khảo sát chính thức.

Nghiên cứu định lượng: Khảo sát trực tuyến bằng thang đo Likert 5 điểm được thực hiện với sinh viên Khoa Thương mại – Du lịch trong giai đoạn 01/01/2026–31/03/2026 theo phương pháp chọn mẫu thuận tiện. Dữ liệu được phân tích bằng SmartPLS thông qua đánh giá mô hình đo lường (Cronbach’s Alpha, CR, AVE, HTMT ...) và mô hình cấu trúc bằng SMART PLS-SEM và Bootstrap.

4. DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU

4.1 Phân tích độ tin cậy và tính hội tụ của từng nhân tố

Kết quả kiểm định cho thấy các thang đo bảng 1 trong mô hình nhìn chung đạt yêu cầu về độ tin cậy và giá trị hội tụ theo tiêu chuẩn PLS-SEM. Cụ thể, hệ số Cronbach’s Alpha dao động từ 0,745 đến 0,921 (>0,7), trong khi các chỉ số rho_a và rho_c đều vượt ngưỡng 0,7, khẳng định tính nhất quán nội tại tốt của các thang đo.

Tuy nhiên, một số biến quan sát có hệ số tải nhân tố thấp hơn ngưỡng khuyến nghị 0,7, bao gồm AIIT5 = 0,662; AIIT6 = 0,458; DR4 = 0,644; SA5 = 0,690; LE3 = 0,518. Các biến này được xem xét loại khỏi mô hình nhằm cải thiện độ tin cậy và giá trị hội tụ của thang đo trong các phân tích tiếp theo.

Sau khi loại các biến không đạt yêu cầu, các biến quan sát còn lại đều có hệ số tải nằm trong khoảng chấp nhận được (0,713–0,950), phản ánh tốt các khái niệm nghiên cứu. Đồng thời, giá trị phương sai trích trung bình (AVE) của các nhân tố vẫn nằm trong khoảng 0,655–0,866 (>0,5), cho thấy các thang đo vẫn đảm bảo giá trị hội tụ tốt.

Bảng 1. Phân tích độ tin cậy và tính hội tụ của từng nhân tố

4.2 Tính đa cộng tuyến biến quan sát thang đo: Tác giả kiểm định VIF thông qua chỉ số Collinearity statistics (VIF) trongPLS–SEM Algorithm và thu thập được số liệu ở bảng 2

Bảng 2: Tổng hợp hệ số phóng đại VIF

Kết quả VIF cho thấy mô hình không gặp vấn đề đa cộng tuyến nghiêm trọng, với hầu hết các biến có VIF từ 1.000–3.043. Tuy nhiên, biến SA2 có VIF = 8.170, vượt ngưỡng khuyến nghị và cần xem xét điều chỉnh hoặc loại bỏ. Các biến tương tác đều có VIF = 1.000, cho thấy không có đa cộng tuyến trong hiệu ứng điều tiết.

4.3. Kiểm định giá trị khác biệt:

Bảng 3. Ma trận tỷ số Heterotrait–Monotrait Ratio (HTMT)

Kết quả HTMT cho thấy các thang đo đều đạt giá trị phân biệt, với hầu hết các cặp biến có HTMT dưới ngưỡng 0,85–0,90. Riêng cặp GLA–GLB có HTMT = 0,879, sát ngưỡng 0,90 và cần lưu ý. Các biến còn lại, bao gồm các biến điều tiết, đều đảm bảo tính phân biệt tốt giữa các cấu trúc nghiên cứu.

Bảng 4. Tương quan giữa cấu trúc các biến

Kết quả cho thấy các biến có hệ số tương quan từ -0.213 đến 0.758, đều dưới ngưỡng 0.85, cho thấy không có đa cộng tuyến giữa các cấu trúc. Đồng thời, căn bậc hai AVE của các biến đều lớn hơn hệ số tương quan, khẳng định giá trị phân biệt của thang đo.

4.4   Kiểm định sự phù hợp của mô hình

Bảng 5. Kiểm định bằng R² và R² hiệu chỉnh

Bảng 5 cho thấy mức độ phù hợp của mô hình với các biến phụ thuộc đều đạt giá trị R² ở mức khá. Cụ thể, GLA có R² = 0.564 (R² hiệu chỉnh = 0.554), cho thấy các biến độc lập giải thích được khoảng 56,4% phương sai của biến này. Đối với biến phụ thuộc chính GLB, giá trị R² = 0.575 (R² hiệu chỉnh = 0.574), phản ánh mức độ giải thích 57,5% phương sai của hành vi học tập xanh trong mô hình nghiên cứu.

4.5 Mô hình nghiên cứu chính thức:

Kết quả kiểm định các giả thuyết cho thấy mô hình nghiên cứu đạt mức ý nghĩa thống kê tốt, với hầu hết các mối quan hệ đều có P-value < 0.05, ngoại trừ giả thuyết H5 (DR × LE → GLA) không được chấp nhận do P = 0.637 và trình bày chi tiết trong Bảng 6

Bảng 6. Tổng hợp kết quả kiểm định các hệ số của mô hình

Hình 2: Mô hình nghiên cứu chính thức

GLA → GLB có tác động mạnh nhất trong toàn mô hình (β = 0.758, p < 0.001), khẳng định vai trò trung tâm và mang tính quyết định của thái độ học tập trong việc thúc đẩy hành vi học tập xanh của sinh viên.

Nhận thức bền vững (SA → GLA) là yếu tố có ảnh hưởng rất mạnh (β = 0.448, p < 0.001), khẳng định rằng khi sinh viên có mức độ nhận thức cao về các vấn đề môi trường, hoạt động xanh và giáo dục bền vững, nâng cao thái độ học tập xanh của sinh viên.

Môi trường học tập (LE → GLA) với mức ảnh hưởng đáng kể (β = 0.229, p < 0.001), cho thấy một môi trường học tập hỗ trợ tốt, có tương tác hiệu quả và tích hợp công nghệ AI sẽ góp phần quan trọng trong việc định hình thái độ học tập xanh của sinh viên.

Dạy học kết hợp ứng dụng AI (AIIT → GLA) cũng có tác động tích cực và tương đối mạnh (β = 0.218, p < 0.001), phản ánh vai trò của việc tích hợp AI trong giảng dạy, thiết kế bài học và đánh giá trong việc thúc đẩy nhận thức và thái độ học tập xanh.

Ngược lại, mức độ sẵn sàng số (DR → GLA) có tác động âm và yếu hơn (β = -0.113, p = 0.002), cho thấy sẵn sàng công nghệ không tự động tạo ra thái độ học tập xanh và có thể gây áp lực công nghệ nếu thiếu định hướng phù hợp.

Kết quả cho thấy LE × SA tác động dương đến GLA (β = 0.110, p = 0.028), trong khi LE × AIIT tác động âm (β = -0.190, p < 0.001), cho thấy môi trường học tập tăng cường ảnh hưởng của SA nhưng làm giảm tác động của AIIT đến GLA.

5. KẾT LUẬN VÀ HÀM Ý NGHIÊN CỨU VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO

5.1. Kết luận

Nghiên cứu làm rõ vai trò của AIIT và các yếu tố chuyển đổi số trong việc thúc đẩy hành vi học tập xanh (GLB) của sinh viên Khoa Thương mại – Du lịch. Kết quả cho thấy thái độ học tập xanh (GLA) giữ vai trò trung tâm trong hình thành GLB, trong khi nhận thức bền vững (SA) và môi trường học tập (LE) góp phần thúc đẩy thái độ học tập theo hướng bền vững. Ứng dụng AI trong giảng dạy có thể nâng cao GLB khi phù hợp với môi trường học tập và nhu cầu sinh viên. Nghiên cứu cũng bổ sung cơ sở lý thuyết và thực tiễn về giáo dục xanh trong bối cảnh chuyển đổi số và trí tuệ nhân tạo.

5.2. Hàm ý nghiên cứu

Các trường đại học cần tăng cường tích hợp AI vào giảng dạy nhằm nâng cao trải nghiệm và thúc đẩy thái độ học tập xanh của sinh viên. Đồng thời, cần lồng ghép nội dung giáo dục bền vững vào chương trình đào tạo để nâng cao nhận thức môi trường và khuyến khích hành vi học tập xanh.

Bên cạnh đó, nhà trường cần xây dựng môi trường học tập hiện đại, tăng cường tương tác, hỗ trợ công nghệ và phát triển các hoạt động học tập xanh. Việc nâng cao năng lực số cho sinh viên cũng cần đi kèm định hướng sử dụng công nghệ hiệu quả và bền vững nhằm hạn chế áp lực công nghệ và thúc đẩy hành vi học tập xanh.

5.3. Hướng nghiên cứu tiếp theo

Nghiên cứu tiếp theo nên mở rộng khảo sát tại nhiều trường hoặc khoa để tăng khả năng khái quát hóa kết quả. Đồng thời, bổ sung các biến như động lực học tập, kỹ năng số, áp lực công nghệ hoặc văn hóa học tập xanh nhằm nâng cao khả năng giải thích của mô hình, đồng thời áp dụng nghiên cứu theo chiều dọc để đánh giá sự thay đổi hành vi học tập xanh theo thời gian.

Tài liệu tham khảo

[1] Awdziej, M., Jaciow, M., Lipowski, M., Tkaczyk, J., & Wolny, R. (2023). Students digital maturity and its implications for sustainable behavior. Sustainability, 15(9), 7269.

[2] Carrus, G., Tiberio, L., Mastandrea, S., Chokrai, P., Fritsche, I., Klöckner, C. A., Masson, T., Vesely, S., & Panno, A. (2021). Psychological predictors of energy saving behavior: a meta-analytic approach. Frontiers in psychology, 12, 648221.

[3] Chin, Y.-C., & Chang, C.-C. (2026). Motivational Mechanisms in CDIO-Based Sustainability Education: Effects of Experiential and AI-Supported Learning on Interest and Satisfaction. Sustainability, 18(6), 2724.

[4] Fayid, F. M. B., & Kiraz, A. (2026). Human–Machine Cooperation in Environmental Education: Experimental Evidence from AI-Supported Learning in Higher Education. Systems, 14(5), 504.

[5] Jallali, B., Hafdhi, S., Aloufi, A. M. E., Masoudi, B. K., & Alshmrani, A. M. (2026). Toward Sustainable Learning: A Multidimensional Framework of AI Integration, Engagement, and Digital Resilience in Saudi Higher Education. Sustainability, 18(2), 944.

[6] Omazic, A., & Zunk, B. M. (2021). Semi-systematic literature review on sustainability and sustainable development in higher education institutions. Sustainability, 13(14), 7683.

[7] Trevisan, L. V., Eustachio, J. H. P. P., Dias, B. G., Filho, W. L., & Pedrozo, E. Á. (2024). Digital transformation towards sustainability in higher education: state-of-the-art and future research insights: LV Trevisan et al. Environment, Development and Sustainability, 26(2), 2789-2810.

[8] Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view1. MIS quarterly, 27(3), 425-478.

[9] Versteijlen, M., & Wals, A. E. (2023). Developing design principles for sustainability-oriented blended learning in higher education. Sustainability, 15(10), 8150.

[10] 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.