ỨNG DỤNG NỀN TẢNG CHUYỂN ĐỔI SỐ THÔNG MINH TÍCH HỢP LMS – CHATBOT AI – RPA NHẰM NÂNG CAO HIỆU QUẢ QUẢN LÝ HỌC VỤ VÀ HỖ TRỢ SINH VIÊN TRONG ĐÀO TẠO TẠI KHOA THƯƠNG MẠI _ DU LỊCH

TÔ KIỀU TRINH

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

NGUYỄN THỊ THÚY VIỆT 

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

Tóm tắt:

Nghiên cứu đánh giá tác động của việc ứng dụng nền tảng chuyển đổi số thông minh tích hợp LMS – Chatbot AI – RPA đến hiệu quả quản lý học vụ và hỗ trợ sinh viên tại Khoa Thương mại – Du lịch, thông qua vai trò trung gian của mức độ tích hợp quy trình số (DPI) và vai trò điều tiết của năng lực số nhân viên giáo vụ (SDC). Dữ liệu khảo sát sinh viên được phân tích bằng mô hình cấu trúc. Kết quả cho thấy các nền tảng công nghệ có tác động tích cực đến DPI; DPI đóng vai trò trung gian quan trọng trong việc nâng cao hiệu quả quản lý và hỗ trợ sinh viên, trong khi SDC làm gia tăng mức độ tác động này, khẳng định vai trò then chốt của năng lực số trong chuyển đổi số giáo dục đại học.

Từ khóa: Chuyển đổi số giáo dục, LMS, Chatbot AI, RPA

Abstract

This study examines the impact of implementing a smart digital transformation platform integrating LMS, AI Chatbots, and Robotic Process Automation (RPA) on academic management efficiency and student support at the Faculty of Commerce and Tourism, through the mediating role of Digital Process Integration (DPI) and the moderating role of administrative staff’s digital competence (SDC). Student survey data were analyzed using structural equation modeling. The results indicate that these technological platforms have a positive effect on DPI; DPI serves as a key mediator in enhancing academic management efficiency and student support, while SDC strengthens these effects, highlighting the critical role of digital competence in higher education digital transformation.

Keywords: Digital Transformation in Education; Learning Management System (LMS); AI Chatbot; Robotic Process Automation (RPA).

1. Đặt vấn đề

Trong bối cảnh giáo dục đại học chịu tác động mạnh mẽ của Cách mạng công nghiệp 4.0, chuyển đổi số trở thành xu hướng tất yếu nhằm nâng cao hiệu quả quản lý và hỗ trợ người học (Loan, 2023). Các cơ sở đào tạo hướng tới xây dựng hệ sinh thái học tập thông minh và cá nhân hóa dựa trên công nghệ số. Tại Khoa Thương mại – Du lịch, nhu cầu đổi mới quản lý học vụ ngày càng cấp thiết trong bối cảnh đào tạo gắn với tự động hóa. Việc tích hợp LMS, Chatbot AI và Robotic Process Automation (RPA) được xem là giải pháp tiềm năng nhằm tối ưu hóa hoạt động học vụ và nâng cao chất lượng dịch vụ đào tạo. Các nghiên cứu cho thấy LMS cải thiện hiệu quả quản lý (Al-Fraihat và cộng sự, 2020), Chatbot AI tăng cường hỗ trợ và tương tác sinh viên, trong khi RPA giúp tự động hóa tác vụ hành chính. Tuy nhiên, các nghiên cứu tích hợp đồng thời ba công nghệ này trong quản lý học vụ vẫn còn hạn chế, đặc biệt tại Việt Nam. Khoảng trống này tạo cơ hội phát triển mô hình chuyển đổi số thông minh nhằm nâng cao hiệu quả quản lý và trải nghiệm học tập của sinh viên.

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

2.1. Khả năng tích hợp và vận hành LMS (LMS)

LMS là nền tảng số hóa hỗ trợ quản lý, triển khai và theo dõi hoạt động giảng dạy – học tập, bao gồm quản lý khóa học, hồ sơ sinh viên, đánh giá kết quả và giao tiếp học thuật (Hew và cộng sự, 2023). Trong chuyển đổi số, LMS không chỉ phục vụ học tập mà còn đóng vai trò tích hợp quy trình số (DPI), hỗ trợ tự động hóa và đồng bộ dữ liệu học vụ, từ đăng ký môn đến theo dõi tiến độ học tập. Các nghiên cứu cho thấy LMS tích hợp hiệu quả giúp giảm tải hành chính và nâng cao hiệu quả quản lý học vụ, hỗ trợ sinh viên.

H1: LMS có tác động gián tiếp đến AAS thông qua DPI.

2.2. Chatbot AI trong hỗ trợ học vụ (ChatBox)

Chatbot AI là công nghệ tương tác tự động, hỗ trợ tư vấn, giải đáp và cung cấp thông tin học vụ nhanh chóng (Khosravi và cộng sự, 2024). Trong giáo dục đại học, chatbot đóng vai trò cố vấn học tập ảo, hỗ trợ đăng ký môn, tra cứu thông tin và tăng cường tương tác sinh viên. Tuy nhiên, hiệu quả của chatbot phụ thuộc vào mức độ tích hợp quy trình và kiểm soát chất lượng thông tin (Hernande và cộng sự, 2025).

H2: ChatBox có tác động gián tiếp đến AAS thông qua DPI.

2.3. Mức độ tự động hóa bằng RPA trong quản lý học vụ (RPA)

RPA cho phép tự động hóa các tác vụ hành chính lặp lại, chuẩn hóa quy trình và giảm sai sót trong quản lý học vụ (Bhardwaj & Kumar, 2025). Nhiều nghiên cứu cho thấy RPA giúp tiết kiệm thời gian, nâng cao hiệu quả vận hành và thúc đẩy tích hợp quy trình số, dù vẫn tồn tại hạn chế về chi phí và yêu cầu hạ tầng.

H3: RPA có tác động gián tiếp đến AAS thông qua DPI.

2.4. Năng lực số của nhân viên giáo vụ (SDC) – biến điều tiết

Theo khung DigComp và các lý thuyết TOE, Dynamic Capability và Human Capital, năng lực số của nhân viên giáo vụ là yếu tố then chốt quyết định hiệu quả triển khai và tích hợp LMS, Chatbot AI và RPA (Basilotta-Gómez-Pablos et al., 2022). Khi SDC cao, tác động của các công nghệ số đến DPI và AAS được khuếch đại; ngược lại, SDC thấp làm hạn chế hiệu quả chuyển đổi số.

H4: SDC làm tăng cường tác động gián tiếp của LMS lên AAS thông qua DPI.
H5: SDC làm tăng cường tác động gián tiếp của ChatBox lên AAS thông qua DPI.

H6: SDC làm tăng cường tác động gián tiếp của RPA lên AAS thông qua DPI.

2.5. Tích hợp quy trình số và hiệu quả quản lý học vụ, hỗ trợ sinh viên (AAS)

Việc tích hợp LMS – Chatbot AI – RPA giúp tối ưu hóa đồng thời quy trình học tập và hành chính, nâng cao hiệu quả quản lý học vụ, cải thiện trải nghiệm và mức độ hài lòng của sinh viên (Hsain & Housni, 2024). DPI đóng vai trò trung tâm trong việc chuyển hóa công nghệ thành giá trị quản lý và dịch vụ học vụ.

Hình 1: Mô hình tác giả đề xuất nghiên cứu

3. Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp hỗn hợp, kết hợp định tính (thu thập ý kiến sinh viên để hoàn thiện thang đo và bảng câu hỏi) và định lượng (khảo sát 319 sinh viên bằng thang đo Likert 5 mức). Dữ liệu được phân tích bằng mô hình PLS-SEM trên phần mềm SmartPLS 4.1.0.0 nhằm kiểm định các mối quan hệ trong mô hình nghiên cứu.

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 đạt độ tin cậy và giá trị hội tụ, với Cronbach’s Alpha dao động từ 0,719 đến 0,866 và hệ số tải nhân tố chủ yếu trên 0,7 (Hair Jr et al., 2023). Giá trị AVE nằm trong khoảng 0,638–0,789, khẳng định tính hội tụ của mô hình; một số biến có tải thấp được khuyến nghị xem xét điều chỉnh trong các nghiên cứu tiếp theo (Bảng 1).

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

Kết quả kiểm định bảng 1 cho thấy các nhân tố trong mô hình đều đạt độ tin cậy nội tại cao, với hệ số rho_A dao động từ 0,720 đến 0,868 và rho_C từ 0,841 đến 0,918, vượt ngưỡng khuyến nghị 0,7. Nhân tố LMS (rho_A = 0,865; rho_C = 0,901) nhìn chung phù hợp với cấu trúc lý thuyết, dù biến LMS6 có hệ số tải thấp (0,419). Các nhân tố ChatBox, RPA, DPI, SDC và AAS đều đạt độ nhất quán nội tại tốt, bảo đảm tính ổn định và độ tin cậy của thang đo. Các biến tương tác SDC × LMS, SDC × ChatBox và SDC × RPA đã được chuẩn hóa, đáp ứng yêu cầu kiểm định tác động điều tiết trong mô hình PLS-SEM.

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 kiểm định VIF cho thấy hầu hết các biến trong mô hình có giá trị VIF < 5, phản ánh mức độ đa cộng tuyến thấp và mô hình đạt yêu cầu. Các biến thuộc AAS, LMS, DPI, SDC1–SDC2 và đa số biến ChatBox có VIF trong khoảng 1.0–3.0, cho thấy tương quan tuyến tính không đáng kể. Các biến tương tác (SDC × LMS, SDC × RPA, SDC × ChatBox) cũng có VIF thấp (≈1.0–1.3), chứng tỏ việc tạo biến điều tiết không gây đa cộng tuyến. Tuy nhiên, SDC3 (VIF = 5.209), RPA4 (6.818) và RPA2 (8.218) có VIF cao, cho thấy đa cộng tuyến mạnh nên được loại khỏi mô hình. Theo ngưỡng nghiêm ngặt hơn của Kock (2017), ChatBox1 (VIF = 4.651) cũng bị loại. Sau khi điều chỉnh, các mối quan hệ trung gian và điều tiết đều có VIF < 3, xác nhận mô hình cấu trúc không gặp vấn đề đa cộng tuyến.

4.3. Kiểm định giá trị khác biệt:

Bảng 3. Tương quan giữa cấu trúc các biến

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

Theo tiêu chuẩn của (Fornell & Larcker, 1981), AVE phải lớn hơn các tương quan liên quan. Kết quả cho thấy tất cả các cấu trúc như AAS (0.816), ChatBox (0.799), DPI (0.860), LMS (0.834), RPA (0.816) và SDC (0.888) đều có AVE vượt trội so với các giá trị tương quan, chứng tỏ mô hình đạt giá trị phân biệt. Các hệ số tương quan đều ở mức vừa phải và thấp hơn ngưỡng 0.85, không gây trùng lặp khái niệm hay đa cộng tuyến. Do đó, có thể khẳng định mô hình đo lường đáp ứng yêu cầu và đủ điều kiện để tiếp tục phân tích mô hình cấu trúc SEM/PLS-SEM.

4.4   Kiểm định sự phù hợp của mô hình

Bảng 4. Kiểm định bằng R² và R² hiệu chỉnh

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

Kết quả cho thấy mô hình có khả năng giải thích tốt, với R² của AAS đạt 0.579 và DPI đạt 0.611, phản ánh mức độ giải thích khá mạnh. R² điều chỉnh chỉ giảm nhẹ so với R² ban đầu, cho thấy mô hình phù hợp và không có hiện tượng thừa biến.

4.5 Kiểm định tác động gián tiếp

Bảng 4: Kiểm định tác động gián tiếp thông qua biến trung gian DPI đối với AAS

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

Kết quả kiểm định tác động gián tiếp (Bảng 4) cho thấy tất cả các mối quan hệ thông qua DPI đều có ý nghĩa thống kê. LMS, RPA, ChatBox và SDC đều tác động gián tiếp tích cực đến AAS, trong đó SDC có mức ảnh hưởng mạnh nhất, khẳng định vai trò trung gian then chốt của DPI. Đồng thời, SDC thể hiện vai trò điều tiết với tác động tương tác âm trong các mối quan hệ LMS → DPI → AAS và RPA → DPI → AAS, cho thấy khi năng lực số tăng cao, hiệu ứng gián tiếp của LMS và RPA bị suy giảm. Kết quả này hàm ý DPI là cơ chế truyền dẫn trung tâm, trong khi SDC vừa là động lực quan trọng vừa có thể gây hiệu ứng bão hòa nếu không được điều phối phù hợp trong hệ thống chuyển đổi số học vụ.

4.6 Mô hình nghiên cứu chính thức:

Giả thuyết H5 (SDC × ChatBox → DPI) không được chấp nhận do không có ý nghĩa thống kê (p = 0.897), trong khi các giả thuyết còn lại (H1, H2, H3, H4, H6 và H7) đều được chấp nhận (Bảng 5).

Bảng 5. Tổng hợp kết quả kiểm định các hệ số của mô hình

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

Hình 2: Mô hình nghiên cứu chính thức

Dựa trên kết quả mô hình nghiên cứu, mối quan hệ DPI → AAS (H7) thể hiện mức tác động mạnh nhất trong toàn bộ mô hình với hệ số ước lượng O = 0.761, T = 29.699 và p = 0.000. Kết quả này cho thấy mức độ tích hợp và vận hành quy trình số (Digital Process Integration – DPI) có ảnh hưởng rất mạnh và có ý nghĩa thống kê cao đến hiệu quả quản lý học vụ và hỗ trợ sinh viên (AAS). Khi các quy trình số được tích hợp đồng bộ, hệ thống vận hành ổn định, dữ liệu liên thông và thủ tục học vụ được tự động hóa, hiệu quả tương tác giữa sinh viên và bộ phận giáo vụ được cải thiện rõ rệt, đặc biệt trong môi trường kết hợp LMS, Chatbot AI và RPA. Trong mô hình nghiên cứu, đường dẫn H7 đóng vai trò trung tâm, khẳng định DPI là cơ chế chuyển hóa các nguồn lực công nghệ thành kết quả cuối cùng là hiệu quả hỗ trợ sinh viên. Quy trình số hóa ổn định giúp sinh viên nhận phản hồi nhanh hơn, giảm sai sót, tiết kiệm thời gian và nâng cao trải nghiệm học tập, qua đó khẳng định đầu tư vào tích hợp quy trình số là giải pháp cốt lõi nhằm nâng cao chất lượng quản lý học vụ tại Khoa Thương mại – Du lịch.

Bên cạnh đó, mối quan hệ LMS → DPI (H1) phản ánh rõ vai trò của chất lượng hệ thống quản lý học tập trong việc nâng cao trải nghiệm nền tảng số của sinh viên. Với O = 0.245, T = 4.859 và p = 0.000, LMS có tác động tích cực và có ý nghĩa thống kê cao đến DPI. Một hệ thống LMS ổn định, dễ sử dụng và được tích hợp tốt các chức năng học tập không chỉ cải thiện trải nghiệm người học mà còn thúc đẩy mức độ tương tác và hiệu quả học tập trực tuyến. Trong bối cảnh hoạt động giáo vụ tại Khoa Thương mại – Du lịch, kết quả này nhấn mạnh tầm quan trọng của việc đầu tư nâng cấp và tối ưu hóa LMS nhằm hỗ trợ quản lý môn học hiệu quả, tạo điều kiện thuận lợi cho giảng viên triển khai giảng dạy và hình thành môi trường học tập trực tuyến nhất quán cho sinh viên.

Kết quả mô hình cũng cho thấy mối quan hệ RPA → DPI (H3) có tác động tích cực và có ý nghĩa thống kê, với O = 0.166, T = 2.505 và p = 0.012. Mặc dù mức ảnh hưởng ở ngưỡng trung bình, kết quả này khẳng định vai trò thiết thực của tự động hóa quy trình trong việc cải thiện trải nghiệm nền tảng số. Các ứng dụng RPA như tự động điểm danh, xử lý thủ tục học vụ, gửi thông báo nhắc việc và cập nhật trạng thái hồ sơ góp phần giảm thao tác thủ công, hạn chế sai sót và giúp quy trình vận hành trôi chảy, chính xác hơn. Trong thực tiễn tại Khoa Thương mại – Du lịch, RPA giúp giảm áp lực công việc cho nhân viên giáo vụ, nâng cao tính nhất quán trong cung cấp dịch vụ và tăng tốc độ phản hồi cho sinh viên.

Đối với mối quan hệ ChatBot → DPI (H2), kết quả cho thấy ChatBot có tác động tích cực nhưng ở mức thấp nhất trong các biến ảnh hưởng trực tiếp đến DPI, với O = 0.100, T = 2.022 và p = 0.043. Điều này phản ánh rằng mặc dù ChatBot có khả năng phản hồi nhanh và hỗ trợ giải đáp các thắc mắc cơ bản, mức độ đóng góp vào trải nghiệm nền tảng số vẫn còn hạn chế do khả năng xử lý ngữ cảnh phức tạp, phạm vi dữ liệu và mức độ cá nhân hóa chưa cao. Trong hoạt động giáo vụ tại Khoa Thương mại – Du lịch, ChatBot vẫn đóng vai trò hỗ trợ hữu ích trong việc giảm tải các câu hỏi lặp lại. Tuy nhiên, kết quả nghiên cứu gợi ý rằng hệ thống ChatBot cần được phát triển theo hướng AI thông minh hơn để tạo ra giá trị trải nghiệm số rõ rệt hơn trong tương lai.

Xét vai trò điều tiết của năng lực số và mức sẵn sàng chuyển đổi số (SDC), kết quả cho thấy tác động điều tiết của SDC không đồng đều giữa các yếu tố công nghệ. Đối với mối quan hệ SDC × RPA → DPI (H6), tác động âm có ý nghĩa thống kê (O = –0.101; T = 2.700; p = 0.007), cho thấy người dùng có năng lực số cao thường đặt kỳ vọng lớn hơn vào mức độ tự động hóa của RPA. Khi RPA chưa được triển khai toàn diện hoặc còn ở mức bán tự động, nhóm người dùng này dễ nhận thấy hạn chế và đánh giá DPI thấp hơn. Tương tự, mối quan hệ SDC × LMS → DPI (H4) cũng cho thấy tác động âm có ý nghĩa (O = –0.090; T = 2.305; p = 0.021), phản ánh việc LMS hiện tại chưa đáp ứng đầy đủ kỳ vọng cao của nhóm người dùng có năng lực số tốt.

Ngược lại, mối quan hệ SDC × ChatBot → DPI (H5) không cho thấy tác động điều tiết có ý nghĩa (p = 0.897), cho thấy kỳ vọng của người dùng đối với ChatBot tương đối đồng nhất, bất kể mức độ năng lực số. Khi ChatBot chưa đủ thông minh, mọi nhóm người dùng đều đánh giá thấp đóng góp của công nghệ này vào DPI.

Cuối cùng, mối quan hệ trực tiếp SDC → DPI cho thấy tác động mạnh và có ý nghĩa thống kê cao (O = 0.424; T = 6.703; p = 0.000), khẳng định sự sẵn sàng chuyển đổi số của sinh viên và nhân viên giáo vụ ảnh hưởng trực tiếp đến mức độ vận hành và tích hợp quy trình số. SDC đóng vai trò nền tảng thúc đẩy DPI, là điều kiện thiết yếu để mô hình chuyển đổi số thông minh vận hành hiệu quả và nâng cao chất lượng quản lý học vụ cũng như hỗ trợ sinh viên tại Khoa Thương mại – Du lịch.

5. Kết luận và hàm ý nghiên cứu

5.1 Kết luận

Nghiên cứu khẳng định vai trò của hệ sinh thái chuyển đổi số tích hợp LMS – Chatbot AI – RPA trong việc nâng cao hiệu quả quản lý học vụ và hỗ trợ sinh viên (AAS). Kết quả cho thấy các công nghệ số chỉ phát huy hiệu quả khi được tích hợp đồng bộ thông qua DPI, thay vì triển khai rời rạc. DPI giữ vai trò trung tâm chuyển hóa tác động công nghệ thành kết quả quản lý, trong khi SDC là yếu tố nền tảng giúp khuếch đại hiệu quả chuyển đổi số. Chuyển đổi số giáo dục vì vậy không chỉ là đầu tư công nghệ mà còn là tích hợp quy trình và phát triển năng lực số nguồn nhân lực.

5.2 Hàm ý nghiên cứu và quản trị

Hàm ý học thuật: Nghiên cứu bổ sung bằng chứng thực nghiệm cho lĩnh vực chuyển đổi số giáo dục đại học khi xác nhận DPI là biến trung gian then chốt, mở rộng các mô hình nghiên cứu trước đây vốn tập trung vào tác động trực tiếp của công nghệ.

Hàm ý quản trị: Các khoa, trường cần ưu tiên tích hợp quy trình số và liên thông dữ liệu học vụ, đồng thời nâng cao năng lực số của đội ngũ giáo vụ nhằm khai thác hiệu quả LMS, Chatbot AI và RPA.

5.3 Hạn chế nghiên cứu

Nghiên cứu chưa xem xét đầy đủ các yếu tố tổ chức khác như văn hóa số hay vai trò lãnh đạo; phạm vi khảo sát giới hạn trong một khoa đào tạo; và dữ liệu chủ yếu phản ánh góc nhìn của sinh viên, chưa kết hợp quan điểm của nhân viên giáo vụ và nhà quản lý.

5.4 Hướng nghiên cứu tiếp theo

Các nghiên cứu tương lai nên mở rộng mô hình với các yếu tố tổ chức và hành vi, sử dụng dữ liệu theo thời gian, đa dạng hóa đối tượng khảo sát và mở rộng phạm vi sang nhiều khoa, trường nhằm kiểm định tính khái quát của mô hình trong giáo dục đại học.

Tài liệu tham khảo

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

[2] Basilotta-Gómez-Pablos, V., Matarranz, M., Casado-Aranda, L.-A., & Otto, A. (2022). Teachers’ digital competencies in higher education: a systematic literature review. International Journal of Educational Technology in Higher Education, 19(1), 8. https://doi.org/10.1186/s41239-021-00312-8

[3] Bhardwaj, V., & Kumar, M. (2025). Transforming higher education with robotic process automation: enhancing efficiency, innovation, and student-centered learning [Review]. Discover Sustainability, 6(1), Article 356. https://doi.org/10.1007/s43621-025-01198-6

[4] Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39-50. https://doi.org/10.1177/002224378101800104

[5] Hair Jr, J., Hair Jr, J. F., Sarstedt, M., Ringle, C. M., & Gudergan, S. P. (2023). Advanced issues in partial least squares structural equation modeling. saGe publications.

[6] Hernandez, H. E., Manalese, R. P., Dianelo, R. F. B., Yambao, J. A., Gamboa, A. B., Feliciano, L. D., David, M. H. M., Pampo, F. R., & Miranda, J. P. P. (2025). Dependency on Meta AI Chatbot in Messenger Among STEM and Non-STEM Students in Higher Education. arXiv preprint arXiv:2507.21059. https://doi.org/10.25147/ijcsr.2017.001.1.242

[7] Hew, K. F., Huang, W., Du, J., & Jia, C. (2023). Using chatbots to support student goal setting and social presence in fully online activities: learner engagement and perceptions [Article]. Journal of Computing in Higher Education, 35(1), 40-68. https://doi.org/10.1007/s12528-022-09338-x

[8] Hsain, A., & Housni, H. E. (2024). Large language model-powered chatbots for internationalizing student support in higher education. arXiv preprint arXiv:2403.14702. https://doi.org/10.48550/arXiv.2403.14702

[9] Khosravi, H., Shafie, M. R., Hajiabadi, M., Raihan, A. S., & Ahmed, I. (2024). Chatbots and ChatGPT: A bibliometric analysis and systematic review of publications in Web of Science and Scopus databases. International Journal of Data Mining, Modelling and Management, 16(2), 113-147. https://doi.org/10.1504/IJDMMM.2024.138824

[10] Loan, P. T. T. (2023). Digital transformation in global higher education: A review of literature and implications for Vietnamese universities. Tạp chí Khoa học Đại học Đồng Tháp, 12(7), 3-11. https://doi.org/10.52714/dthu.12.7.2023.1134