ỨNG DỤNG AI TRONG MÔI TRƯỜNG HỌC TẬP SỐ NHẰM PHÁT TRIỂN KỸ NĂNG PHÂN TÍCH DỮ LIỆU CHO SINH VIÊN NGÀNH KINH TẾ

NGUYỄN CÔNG DU

Khoa Kinh tế _ Phân hiệu Quảng Ngãi, Trường Đại học Công Nghiệp Thành Phố Hồ Chí Minh

PHẠM KHÁNH DƯƠNG

Viện Tài Chính - Kế Toán, Trường Đại học Công nghiệp Thành Phố Hồ Chí Minh

Tóm tắt:

Bài viết phân tích các yếu tố ảnh hưởng đến kỹ năng phân tích dữ liệu (DAS) của sinh viên ngành kinh tế trong bối cảnh môi trường học tập số. Dữ liệu được thu thập thông qua khảo sát trực tuyến đối với 323 sinh viên và được phân tích bằng mô hình PLS-SEM với sự hỗ trợ của phần mềm SmartPLS. Mô hình tập trung đánh giá vai trò của mức độ sử dụng trí tuệ nhân tạo (AUL) trong học tập, năng lực số của sinh viên (DC), chất lượng môi trường học tập số (DLE) và ảnh hưởng xã hội (SI). Phân tích cho thấy việc sử dụng AI trong học tập có tác động mạnh nhất đến DAS của sinh viên. Bên cạnh đó, DLE và SI cũng góp phần nâng cao năng lực số, từ đó hỗ trợ phát triển DAS. Những phát hiện này giúp làm rõ vai trò của AI và môi trường học tập số trong giáo dục đại học, đồng thời đưa ra một số hàm ý cho các cơ sở giáo dục trong việc DC và DAS.

Từ khóa: Trí tuệ nhân tạo, môi trường học tập số, năng lực số, kỹ năng phân tích dữ liệu, sinh viên ngành kinh tế.

Abstract: This study examines the factors influencing data analysis skills (DAS) of economics students in the context of digital learning environments. Data were collected through an online survey of 323 students and analyzed using the PLS-SEM model with the support of SmartPLS software. The model focuses on evaluating the role of artificial intelligence usage in learning (AUL), students’ digital competence (DC), the quality of the digital learning environment (DLE), and social influence (SI). The results indicate that the use of AI in learning has the strongest impact on students’ DAS. In addition, DLE and SI contribute to improving students’ digital competence, which in turn supports the development of DAS. These findings clarify the role of AI and digital learning environments in higher education and provide several implications for educational institutions in enhancing students’ DC and DAS.

Keywords: Artificial intelligence, digital learning environment, digital competence, data analysis skills, economics students.

1. Đặt vấn đề

Trong bối cảnh chuyển đổi số diễn ra mạnh mẽ, trí tuệ nhân tạo (AI) đang trở thành công nghệ quan trọng thúc đẩy đổi mới trong nhiều lĩnh vực, đặc biệt là giáo dục đại học. Việc kết hợp AI với môi trường học tập số giúp cải thiện phương pháp giảng dạy, cá nhân hóa quá trình học tập và hỗ trợ người học phát triển các kỹ năng cần thiết trong nền kinh tế dữ liệu. Nhiều nghiên cứu cho thấy AI có thể phân tích dữ liệu học tập, dự đoán kết quả học tập và cung cấp phản hồi thông minh nhằm nâng cao hiệu quả đào tạo (Fu và cộng sự, 2025).

Đối với sinh viên ngành kinh tế, DAS ngày càng trở nên quan trọng khi các quyết định trong kinh doanh và quản trị ngày càng dựa nhiều vào dữ liệu và các bằng chứng định lượng. Trong bối cảnh chuyển đổi số, sinh viên không chỉ cần nắm vững kiến thức chuyên môn mà còn phải có khả năng thu thập, xử lý và phân tích dữ liệu để hỗ trợ việc đánh giá thông tin và đưa ra quyết định hợp lý (Hào, 2023). Việc ứng dụng các công nghệ trí tuệ nhân tạo trong môi trường học tập số, như các hệ thống phân tích dữ liệu học tập, trợ lý học tập tự động hay các nền tảng học tập thông minh, có thể giúp sinh viên tiếp cận dữ liệu một cách hiệu quả hơn, đồng thời hỗ trợ quá trình học tập theo hướng chủ động và cá nhân hóa (Bond và cộng sự, 2024). Thông qua việc sử dụng các công cụ này, sinh viên có nhiều cơ hội rèn luyện tư duy phân tích, nâng cao khả năng giải quyết vấn đề và từng bước phát triển DAS cần thiết cho học tập và công việc trong tương lai.

Tuy nhiên, việc ứng dụng AI trong giáo dục cũng đặt ra nhiều vấn đề cần nghiên cứu như hiệu quả sử dụng, vấn đề đạo đức dữ liệu và cách tích hợp AI vào chương trình đào tạo. Các nghiên cứu dựa trên dữ liệu Scopus cho thấy số lượng công trình về AI trong giáo dục đang tăng nhanh, cho thấy sự quan tâm lớn của giới học thuật đối với lĩnh vực này.

Vì vậy, nghiên cứu “Ứng dụng AI trong môi trường học tập số nhằm phát triển kỹ năng phân tích dữ liệu cho sinh viên ngành kinh tế” có ý nghĩa quan trọng trong việc làm rõ vai trò của AI trong hỗ trợ học tập và nâng cao chất lượng đào tạo trong bối cảnh chuyển đổi số.

2. Cơ sở lý thuyết, giả thuyết và mô hình nghiên cứu

2.1. Mức độ sử dụng AI trong học tập (AI Usage in Learning – AUL)

AUL giúp sinh viên kinh tế nâng cao khả năng xử lý, phân tích dữ liệu và ra quyết định dựa trên dữ liệu (Tapullima-Mori và cộng sự, 2024). Đồng thời, AUL góp phần phát triển năng lực số (DC) và kỹ năng phân tích dữ liệu (DAS) thông qua việc sử dụng các công cụ hiện đại. Bên cạnh đó, AI hỗ trợ học tập cá nhân hóa, tăng tư duy phân tích và khả năng khai thác dữ liệu (Bond et al., 2024), và khi tích hợp trong môi trường học tập số sẽ tiếp tục nâng cao DC và DAS. Do đó, việc AIU trong học tập được kỳ vọng sẽ góp phần nâng cao năng lực số của sinh viên và hỗ trợ phát triển kỹ năng phân tích dữ liệu.

Giả thuyết H1: AUL trong học tập có tác động tích cực đến DAS.

Giả thuyết H2: AUL trong học tập có tác động tích cực đến DC.

2.2. Ảnh hưởng xã hội (Social Influence – SI)

Theo các nghiên cứu về chấp nhận và sử dụng công nghệ (Venkatesh và cộng sự, 2012), SI được xem là một yếu tố quan trọng tác động đến hành vi sử dụng công nghệ của người học. Khi sinh viên nhận được sự khuyến khích từ môi trường học tập và cộng đồng học thuật, họ có xu hướng tích cực hơn trong việc sử dụng công nghệ số, từ đó nâng cao DC và khả năng khai thác các công cụ học tập hiện đại (Bond và cộng sự, 2024). Vì vậy, SI được kỳ vọng sẽ có tác động tích cực đến DC.

Giả thuyết H3: SI có tác động tích cực đến DC.

2.3. Chất lượng môi trường học tập số (Digital Learning Environment – DLE)

Môi trường học tập số bao gồm các nền tảng học tập trực tuyến, hệ thống quản lý học tập, cơ sở hạ tầng công nghệ thông tin, mạng internet và các công cụ hỗ trợ học tập số (Al-Fraihat và cộng sự, 2020). DLE có chất lượng tốt sẽ tạo điều kiện thuận lợi cho sinh viên tiếp cận công nghệ, sử dụng các công cụ học tập hiện đại và phát triển các DAS trong học tập (Vo & Ho, 2024). Khi sinh viên được học tập trong môi trường số có hệ thống công nghệ ổn định, tài nguyên học tập phong phú và công cụ hỗ trợ hiệu quả, họ sẽ có nhiều cơ hội hơn để phát triển DC và DAS (An và cộng sự, 2025). Do đó, DLE được xem là yếu tố quan trọng góp phần nâng cao DC và DAS của sinh viên.

Giả thuyết H4: DLE có tác động tích cực đến DC.

Giả thuyết H5: DLE có tác động tích cực đến DAS.

2.4. Năng lực số của sinh viên (Digital Competence – DC)

Năng lực số (DC) là khả năng sử dụng công nghệ và công cụ số hiệu quả trong học tập, bao gồm tìm kiếm, xử lý và đánh giá thông tin. DC giúp sinh viên khai thác dữ liệu, sử dụng công cụ phân tích và hỗ trợ ra quyết định, đồng thời có mối liên hệ chặt chẽ với kỹ năng phân tích dữ liệu (DAS) (Hào, 2023). Vì vậy, phát triển DC được xem là yếu tố quan trọng giúp nâng cao DAS và thích ứng với nền kinh tế số (An và cộng sự, 2025).

Giả thuyết H6: DC có tác động tích cực đến DAS.

2.5. Mô hình nghiên cứu đề xuất

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 các yếu tố bao gồm AUL, SI và DLE đối với DC của sinh viên, từ đó tác động đến DAS. Đồng thời, mô hình cũng xem xét tác động trực tiếp của mức độ sử dụng AI trong học tập và chất lượng môi trường học tập số đến kỹ năng phân tích dữ liệu của sinh viên.

3. Phương pháp nghiên cứu

3.1 Nghiên cứu định tính : Nghiên cứu định tính được thực hiện bằng cách tổng hợp các tài liệu liên quan đến AUL, SI, DLE, DC và DAS, đồng thời tham khảo ý kiến sinh viên ngành kinh tế để điều chỉnh thang đo và bảng hỏi phù hợp với bối cảnh nghiên cứu.

3.2 Nghiên cứu thực nghiệm : Nghiên cứu thực nghiệm được thực hiện trong quá trình giảng dạy, khi sinh viên sử dụng AI và nền tảng học tập số để tìm kiếm, xử lý và phân tích dữ liệu. Qua đó, đánh giá tác động của AI và môi trường học tập số đến DC và DAS.

3.3 Nghiên cứu định lượng: Khảo sát được thực hiện trực tuyến với sinh viên ngành kinh tế Trường Đại học Công nghiệp TP.HCM, sử dụng thang đo Likert 5 mức độ và tập trung vào các học phần có tích hợp AI. Dữ liệu được phân tích bằng PLS-SEM trên SmartPLS. Thời gian khảo sát từ 01/10/2025 đến 30/01/2026, thu về 350 phiếu, trong đó 323 phiếu hợp lệ (92,3%) được sử dụng.

4. Dữ liệu và kết quả nghiên cứu

4.1 Kiểm định độ tin cậy của thang đo

Kết quả Bảng 1 cho thấy các thang đo trong mô hình đạt độ tin cậy và giá trị hội tụ theo PLS-SEM. Cronbach’s Alpha (0.728–0.915), rho_a và Composite Reliability đều > 0.7, đảm bảo độ tin cậy tốt. Hệ số tải nhân tố phần lớn > 0.7, một số biến thấp hơn (AUL1, AUL2, SI2, DAS1) nhưng vẫn chấp nhận do CR và AVE đạt yêu cầu. AVE (0.632–0.759) > 0.5, chứng tỏ các thang đo đạt giá trị hội tụ.

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

(Nguồn: Tác giả xử lý từ phần mềm SMART)

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

(Nguồn: Tác giả xử lý từ phần mềm SMART)

Kết quả VIF (Bảng 2) dao động từ 1.933 đến 2.516, đều < 3.3 theo Kock (2017), cho thấy mô hình không xảy ra đa cộng tuyến và đủ điều kiện cho các phân tích tiếp theo.

4.3. Kiểm định giá trị khác biệt:

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

(Nguồn: Tác giả xử lý từ phần mềm SMART)

Kết quả kiểm định HTMT cho thấy các giá trị giữa các cặp biến dao động từ 0.594 đến 0.836, đều nhỏ hơn ngưỡng 0.90 (Hair Jr và cộng sự, 2021), cho thấy các nhân tố trong mô hình đạt giá trị phân biệt.

Bảng 4. Tương quan giữa cấu trúc các biến

(Nguồn: Tác giả xử lý từ phần mềm SMART)

Phân tích giá trị phân biệt theo tiêu chí Fornell–Larcker ở Bảng 4 cho thấy căn bậc hai của AVE của mỗi biến (trên đường chéo) đều lớn hơn hệ số tương quan với các biến khác, chứng tỏ các nhân tố trong mô hình đạt giá trị phân biệt.

4.4 Kiểm định f-square

Bảng 5: Kết quả kiểm định Bảng 5: Kích thước ảnh hưởng (f²) giữa các biến

(Nguồn: Tác giả xử lý từ phần mềm SMART)

Kết quả f² (Bảng 5) cho thấy DAS có tác động mạnh đến AUL (f² = 0.699). Các mối quan hệ còn lại như DC → DAS (0.031), DLE → DAS (0.036), DLE → DC (0.055) và SI → DC (0.130) đều có mức tác động nhỏ theo Cohen (1988). Riêng DC → AUL (f² = 0.000) không có tác động đáng kể trong mô hình.

4.5   Kiểm định sự phù hợp của mô hình

Bảng 6. Kiểm định bằng R² và R² hiệu chỉnh

Kết quả R² và R² hiệu chỉnh (Bảng 6) cho thấy mô hình có khả năng giải thích tốt các biến phụ thuộc. Cụ thể, DAS có R² = 0.697 (R² hiệu chỉnh = 0.694), giải thích 69.7% biến thiên; DC có R² = 0.542 (R² hiệu chỉnh = 0.539), giải thích 54.2% biến thiên. Điều này cho thấy mô hình có mức độ phù hợp khá tốt.

4.6 Kiểm định tác động gián tiếp

Bảng 7: Kiểm định tác động gián tiếp thông qua biến trung gian DC đối với DAS

                                           (Nguồn: Tác giả xử lý từ phần mềm SMART)

Kết quả kiểm định cho thấy DC đóng vai trò trung gian có ý nghĩa thống kê. Cụ thể, DLE → DC → DAS (T = 2.351; p = 0.019) và SI → DC → DAS (T = 3.653; p = 0.000) đều có ý nghĩa, cho thấy DLE và SI ảnh hưởng gián tiếp đến DAS thông qua DC.

4.7 Mô hình nghiên cứu chính thức

Giả thuyết H2, đánh giá tác động của “AUL -> DC”, không được chấp nhận do P value = 0.929. Các giả thuyết còn lại (H1, H3, H4, H6) được chấp nhận và trình bày chi tiết trong Bảng 6

Bảng 8. Tổng hợp kết quả kiểm định các hệ số của mô hình

                                             (Nguồn: Tác giả xử lý từ phần mềm SMART)

Kết quả kiểm định các hệ số đường dẫn trong mô hình cho thấy tất cả các mối quan hệ đều có ý nghĩa thống kê, do các giá trị p-value đều nhỏ hơn 0.05 và giá trị T đều lớn hơn 1.96. Điều này chứng tỏ các giả thuyết nghiên cứu đều được chấp nhận.

Trong đó, mối quan hệ giữa AUL và DAS có tác động mạnh nhất, với hệ số tác động β = 0.824, giá trị T = 16.518 và p = 0.000. Điều này cho thấy việc sử dụng AI trong học tập có ảnh hưởng rất lớn đến việc nâng cao kỹ năng phân tích dữ liệu của sinh viên.

Tiếp theo, SI đến DC cũng có tác động mạnh, với hệ số β = 0.565, T = 10.928 và p = 0.000. Kết quả này cho thấy sự khuyến khích từ bạn bè, giảng viên và môi trường học tập có vai trò quan trọng trong việc phát triển năng lực số của sinh viên.

Bên cạnh đó, DLE có tác động tích cực đến DC với hệ số β = 0.228, T = 3.554 và p = 0.000, cho thấy môi trường học tập số và cơ sở hạ tầng công nghệ có thể góp phần nâng cao năng lực số của sinh viên.

Ngoài ra, DLE cũng có tác động tích cực đến DAS với hệ số β = 0.131, T = 2.608 và p = 0.009, tuy nhiên mức độ tác động này ở mức tương đối thấp so với các mối quan hệ khác trong mô hình.

Kết quả cho thấy DC có tác động có ý nghĩa thống kê đến DAS (β = -0.138; T = 3.792; p = 0.000) nhưng theo chiều âm. Điều này có thể do sinh viên có DC cao phụ thuộc nhiều vào công cụ hỗ trợ như AI, làm giảm mức độ tự rèn luyện kỹ năng phân tích dữ liệu. Ngoài ra, DC chủ yếu phản ánh kỹ năng sử dụng công nghệ, trong khi DAS đòi hỏi tư duy phân tích sâu, nên hai khái niệm không hoàn toàn đồng nhất.

Mô hình nghiên cứu chính thức như sau:

Hình 2 : Mô hình nghiên cứu chính thức

5. Kết luận và hàm ý nghiên cứu

5.1 Kết luận : Nghiên cứu phân tích các yếu tố ảnh hưởng đến DAS của sinh viên gồm: AUL, DC, DLE và SI. Kết quả phân tích PLS-SEM cho thấy mô hình đạt độ tin cậy và giá trị phù hợp. Trong đó, AUL trong học tập có tác động mạnh nhất đến kỹ năng phân tích dữ liệu, tiếp theo là năng lực số và chất lượng môi trường học tập số. Ngoài ra, SI tác động tích cực đến DC, từ đó gián tiếp ảnh hưởng đến DAS.

5.2 Hàm ý nghiên cứu và hàm ý quản trị

5.2.1 Hàm ý học thuật : Kết quả nghiên cứu góp phần bổ sung cơ sở lý thuyết về tác động của công nghệ số và AI trong môi trường giáo dục đại học, đặc biệt trong bối cảnh chuyển đổi số trong giáo dục. Nghiên cứu đã làm rõ vai trò của các yếu tố như AUL, DC, DLE và SI đối với việc phát triển DAS của sinh viên. Ngoài ra, nghiên cứu cũng mở rộng hướng tiếp cận khi xem xét DC như một biến trung gian trong mô hình nghiên cứu. Điều này giúp làm rõ cơ chế tác động của các yếu tố môi trường học tập đến DAS, đồng thời cung cấp thêm bằng chứng thực nghiệm cho các nghiên cứu trong lĩnh vực giáo dục số và ứng dụng AI trong học tập.

5.2.2 Hàm ý quản trị : Từ kết quả nghiên cứu, một số hàm ý quản trị được đề xuất nhằm nâng cao DAS của sinh viên ngành kinh tế trong môi trường học tập số.

Trước hết, các cơ sở giáo dục cần tiếp tục đầu tư và cập nhật cơ sở hạ tầng công nghệ nhằm đáp ứng yêu cầu của các công cụ trí tuệ nhân tạo và phần mềm phân tích dữ liệu trong giảng dạy. Bên cạnh đó, do công nghệ và các ứng dụng AI thay đổi nhanh, nhà trường cần thường xuyên cập nhật nội dung giảng dạy và tổ chức các hoạt động đào tạo, bồi dưỡng để giúp sinh viên kịp thời tiếp cận các công cụ và phương pháp phân tích dữ liệu mới.

Ngoài ra, giảng viên cần hướng dẫn sinh viên sử dụng AI một cách hiệu quả trong quá trình học tập, kết hợp giữa việc khai thác công cụ công nghệ và rèn luyện tư duy phân tích dữ liệu. Điều này góp phần giúp sinh viên thích ứng tốt hơn với sự thay đổi nhanh của công nghệ và nâng cao kỹ năng phân tích dữ liệu trong bối cảnh chuyển đổi số.

5.3 Hạn chế của mô hình nghiên cứu

Thứ nhất, kết quả nghiên cứu cho thấy DC có tác động có ý nghĩa thống kê nhưng theo chiều âm đến DAS. Điều này có thể xuất phát từ sự khác biệt giữa khái niệm DC và DAS hoặc do thang đo trong nghiên cứu chưa phản ánh đầy đủ mối quan hệ giữa hai biến.

Thứ hai, mặc dù nghiên cứu có lồng ghép hoạt động thực nghiệm trong một số học phần, dữ liệu vẫn chủ yếu được thu thập thông qua khảo sát trực tuyến và dựa trên đánh giá chủ quan của sinh viên, nên có thể tồn tại sai lệch trong nhận thức hoặc câu trả lời của người tham gia khảo sát.

Thứ ba, phạm vi nghiên cứu chỉ tập trung vào sinh viên ngành kinh tế tại một số học phần cụ thể, do đó kết quả nghiên cứu có thể chưa phản ánh đầy đủ đặc điểm của sinh viên ở các ngành học hoặc cơ sở đào tạo khác.

5.4 Hướng nghiên cứu tiếp theo

Trong các nghiên cứu tiếp theo, phạm vi khảo sát có thể được mở rộng sang nhiều ngành học và cơ sở giáo dục khác nhau nhằm tăng tính khái quát của kết quả nghiên cứu. Đồng thời, các nghiên cứu tương lai có thể bổ sung thêm các yếu tố khác như động lực học tập, kỹ năng tư duy phân tích hoặc mức độ sẵn sàng sử dụng công nghệ để làm rõ hơn các yếu tố ảnh hưởng đến kỹ năng phân tích dữ liệu của sinh viên. Bên cạnh đó, việc kết hợp các phương pháp nghiên cứu khác như phỏng vấn sâu hoặc nghiên cứu thực nghiệm cũng có thể giúp đánh giá đầy đủ hơn vai trò của AI và môi trường học tập số trong việc phát triển kỹ năng phân tích dữ liệu.

TÀI LIỆU THAM KHẢO

[1] Al-Fraihat, D., Joy, M., Masa'deh, R. e., & Sinclair, J. (2020). Evaluating E-learning systems success: An empirical study. Computers in Human Behavior, 102, 67-86. https://doi.org/10.1016/j.chb.2019.08.004

[2]    An, B. T. y., Hà, V. D. n., Trịnh, T. P. T. o., Nguyễn, T. L. N., Phạm, T. H. n. H. n., & Nguyễn, T. V. t. N. (2025). Phát triển năng lực số cho sinh viên sư phạm tại Việt Nam: Mô hình tiếp cận và giải pháp. Tạp chí Giáo dục, 1-6. https://tcgd.tapchigiaoduc.edu.vn/index.php/tapchi/article/view/3493

[3]    Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21(1), 4. https://doi.org/10.1186/s41239-023-00436-z

[4]   Fu, Y., Weng, Z., & Wang, J. (2025). Examining AI use in educational contexts: A scoping meta-review and bibliometric analysis. International journal of artificial intelligence in education, 35(3), 1388-1444. https://doi.org/10.1007/s40593-024-00442-w

[5]    Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook.

[6]    Hào, T. N. (2023). Phát triển văn hóa số cho sinh viên trong xu thế chuyển đổi số tại Việt Nam. Tạp chí Khoa học Trường Đại học Quốc tế Hồng Bàng, 123-130. https://doi.org/10.59294/HIUJS.25.2023.511

[7]    Kock, N. (2017). Common method bias: A full collinearity assessmentmethod for PLS-SEM. In Partial Least Squares Path Modeling: Basic Concepts, Methodological Issues and Applications (pp. 245-257). https://doi.org/10.1007/978-3-319-64069-3_11

[8] Tapullima-Mori, C., Mamani-Benito, O., Turpo-Chaparro, J. E., Olivas-Ugarte, L. O., & Carranza-Esteban, R. F. (2024). Artificial intelligence in university education: Bibliometric review in Scopus and Web of Science. Revista Electrónica Educare, 28, 275-295. http://dx.doi.org/10.15359/ree.28-s.18489 

[9]  Venkatesh, V., Thong, J. Y., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the Unified Theory of Acceptance and Use of Technology1. MIS quarterly, 36(1), 157-178. https://doi.org/10.2307/41410412

[10]  Vo, H., & Ho, H. (2024). Online learning environment and student engagement: the mediating role of expectancy and task value beliefs. The Australian educational researcher, 51(5), 2183-2207. https://doi.org/10.1007/s13384-024-00689-1