Chấp nhận công nghệ TAM là gì? Thành phần, thang đo và cách kiểm định
Mô hình chấp nhận công nghệ TAM là gì
TAM, viết tắt của Technology Acceptance Model, là mô hình dùng để giải thích ý định và hành vi sử dụng một công nghệ. Nếu đề tài của bạn hỏi vì sao sinh viên dùng ví điện tử, vì sao nhân viên tiếp tục dùng phần mềm quản lý, hoặc điều gì khiến khách hàng chấp nhận ứng dụng ngân hàng, TAM thường là điểm bắt đầu phù hợp.
Mô hình gốc do Davis đề xuất năm 1989, dựa trên hai nhận thức chính: Perceived Usefulness, thường viết là PU, và Perceived Ease of Use, thường viết là PEOU. PU là mức độ một người tin rằng công nghệ giúp họ làm việc hiệu quả hơn. PEOU là mức độ một người tin rằng sử dụng công nghệ không đòi hỏi quá nhiều nỗ lực. Nghiên cứu nền tảng về hai khái niệm này là (Davis, 1989).
Logic của TAM đi theo chuỗi: PEOU và PU ảnh hưởng đến thái độ, thái độ ảnh hưởng đến Behavioral Intention, rồi ý định ảnh hưởng đến Actual Use. Nhiều luận văn hiện nay rút gọn mô hình bằng cách cho PU và PEOU tác động trực tiếp đến ý định sử dụng. Bạn có thể xem thêm mô hình TAM để đối chiếu sơ đồ và cách gọi các biến.
TAM không tự động chứng minh công nghệ đó tốt hay xấu. Mô hình chỉ cho bạn một khung để đo nhận thức của người dùng bằng bảng hỏi Likert, sau đó kiểm định quan hệ giữa các biến bằng dữ liệu định lượng.
Các thành phần trong mô hình
Bạn nên xác định rõ mỗi biến trước khi vẽ mô hình và viết giả thuyết. Cùng một chữ “chấp nhận” nhưng có thể được đo bằng ý định sử dụng, hành vi sử dụng thực tế, hoặc ý định tiếp tục sử dụng. Nếu trộn các khái niệm này trong bảng hỏi, phần diễn giải kết quả sẽ khó bảo vệ.
| Thành phần | Tên tiếng Anh | Ý nghĩa trong nghiên cứu | Vai trò thường gặp |
|---|---|---|---|
| Nhận thức hữu ích | Perceived Usefulness, PU | Người dùng tin công nghệ cải thiện hiệu quả, năng suất hoặc kết quả công việc | Biến độc lập, tác động đến thái độ và ý định |
| Nhận thức dễ sử dụng | Perceived Ease of Use, PEOU | Người dùng cảm thấy công nghệ dễ học, dễ thao tác và không tốn nhiều nỗ lực | Biến độc lập, có thể tác động đến PU |
| Thái độ sử dụng | Attitude Toward Using, ATT | Đánh giá tích cực hoặc tiêu cực của người dùng đối với việc sử dụng công nghệ | Biến trung gian hoặc biến phụ thuộc |
| Ý định hành vi | Behavioral Intention, BI | Mức độ sẵn sàng, dự định hoặc khả năng người dùng sẽ sử dụng | Biến phụ thuộc phổ biến |
| Sử dụng thực tế | Actual Use, AU | Tần suất, thời lượng hoặc mức độ sử dụng công nghệ trong thực tế | Biến kết quả, cần cách đo cụ thể |
PU và PEOU là hai biến cốt lõi. ATT và AU có thể được giữ lại nếu câu hỏi nghiên cứu của bạn cần giải thích đầy đủ hơn. Với luận văn sinh viên, BI thường dễ thu thập hơn AU vì bạn có thể hỏi ý định trong bảng hỏi. Tuy vậy, BI và AU không được xem là một biến chỉ vì chúng đều liên quan đến việc sử dụng.
Ví dụ, câu “Tôi dự định sử dụng ứng dụng trong thời gian tới” đo BI. Câu “Tôi sử dụng ứng dụng nhiều lần mỗi tuần” gần với AU hơn. Bạn cần giữ cách diễn đạt nhất quán với định nghĩa biến trong chương 2 và chương 3.
Mô hình gốc và các mở rộng phổ biến
Mô hình TAM gốc tập trung vào nhận thức hữu ích, nhận thức dễ sử dụng, thái độ, ý định và hành vi sử dụng. Trong thực tế, nhiều đề tài bỏ ATT để kiểm định trực tiếp PU và PEOU đến BI. Quyết định này cần dựa trên câu hỏi nghiên cứu và nguồn thang đo, không nên bỏ biến chỉ vì mô hình nhìn gọn hơn.
TAM cũng thường được mở rộng bằng các biến bên ngoài như trust, perceived risk, social influence, facilitating conditions, enjoyment hoặc system quality. Khi thêm biến, bạn phải trả lời được ba câu hỏi: biến này mô tả cơ chế nào, có nguồn thang đo nào, và vì sao phù hợp với bối cảnh nghiên cứu.
UTAUT là một hướng mở rộng lớn hơn về chấp nhận công nghệ. Mô hình này đưa vào performance expectancy, effort expectancy, social influence và facilitating conditions, cùng một số biến điều tiết. Nguồn gốc của UTAUT là (Venkatesh và cộng sự, 2003). Với hành vi tiêu dùng, UTAUT2 bổ sung các yếu tố như hedonic motivation, price value và habit, theo (Venkatesh và cộng sự, 2012).
Bạn có thể đặt TAM cạnh các mô hình khác, nhưng cần phân biệt mục tiêu của chúng. Mô hình chấp nhận công nghệ TAM phù hợp khi trọng tâm là nhận thức hữu ích, dễ sử dụng và ý định chấp nhận. Mô hình IS Success của DeLone và McLean phù hợp hơn khi bạn muốn đánh giá chất lượng hệ thống, chất lượng thông tin, mức độ hài lòng và lợi ích ròng.
Nếu đề tài nghiên cứu sự lan truyền của một đổi mới giữa các nhóm người dùng, mô hình khuếch tán đổi mới có thể phù hợp hơn TAM. Nếu nghiên cứu người dùng tiếp tục sử dụng một hệ thống sau trải nghiệm ban đầu, mô hình kỳ vọng xác nhận ECM thường sát với câu hỏi hơn. Đừng ghép tất cả biến của các mô hình vào một sơ đồ chỉ để làm mô hình nhiều yếu tố.
Một nguyên tắc thực tế là mỗi biến thêm vào phải tạo ra một giả thuyết có lý do, có thang đo và có khả năng thu thập dữ liệu. Mô hình dài hơn làm tăng số biến quan sát, cỡ mẫu cần thiết và số kết quả phải giải thích trong chương 4.
Thang đo thường dùng cho từng khái niệm
Nguồn thang đo gốc của TAM thường được truy về nghiên cứu của Davis. Bạn có thể dùng cấu trúc các biến trong nguồn này làm điểm xuất phát, nhưng phải điều chỉnh câu chữ theo công nghệ cụ thể. Một biến quan sát viết cho phần mềm văn phòng sẽ không nên giữ nguyên khi bạn nghiên cứu ví điện tử hoặc nền tảng học trực tuyến.
| Khái niệm | Mã gợi ý | Nội dung biến quan sát tham khảo | Nguồn nền tảng |
|---|---|---|---|
| Nhận thức hữu ích | PU1, PU2, PU3, PU4 | Công nghệ giúp tôi hoàn thành công việc hiệu quả hơn; cải thiện năng suất; tiết kiệm thời gian; hữu ích trong công việc của tôi | (Davis, 1989) |
| Nhận thức dễ sử dụng | PEOU1, PEOU2, PEOU3, PEOU4 | Tôi dễ học cách sử dụng; thao tác rõ ràng; dễ trở nên thành thạo; không cần nhiều nỗ lực tinh thần | (Davis, 1989) |
| Thái độ sử dụng | ATT1, ATT2, ATT3 | Tôi có đánh giá tích cực về việc sử dụng công nghệ; sử dụng công nghệ là một lựa chọn tốt | (Davis, 1989) |
| Ý định hành vi | BI1, BI2, BI3 | Tôi dự định tiếp tục sử dụng; tôi sẽ ưu tiên sử dụng; tôi có khả năng sử dụng trong thời gian tới | (Davis, 1989) |
Bảng trên là số liệu và câu chữ tham khảo cho việc thiết kế bảng hỏi, chưa phải một bản dịch đã được xác nhận cho đề tài của bạn. Khi điều chỉnh, hãy thay từ “công nghệ” bằng tên hệ thống cụ thể. Chẳng hạn, “nền tảng học trực tuyến này giúp tôi hoàn thành bài tập hiệu quả hơn” rõ hơn “công nghệ này hữu ích”.
Bạn nên dùng cùng một thang Likert cho phần lớn biến quan sát, chẳng hạn từ hoàn toàn không đồng ý đến hoàn toàn đồng ý. Nguồn gốc của thang đo Likert được trình bày trong (Likert, 1932). Các biến quan sát phủ định cần được mã hóa ngược trước khi chạy Cronbach's Alpha hoặc EFA. Nếu không làm bước này, một biến có thể tương quan âm và làm bạn loại sai thang đo.
Sau khi thu dữ liệu, kiểm tra Cronbach's Alpha, Corrected Item-Total Correlation và EFA nếu thiết kế nghiên cứu dùng SPSS. Với SmartPLS, bạn sẽ xem outer loading, Composite Reliability, AVE và HTMT. Các chỉ số này thuộc các bước đánh giá khác nhau, nên không nên gọi chung là “kiểm định TAM”.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu “các yếu tố ảnh hưởng đến ý định sử dụng ví điện tử của sinh viên”. Bạn có thể giữ TAM ở dạng rút gọn, gồm PEOU, PU và BI. Sơ đồ khái niệm sẽ có PEOU tác động đến PU, PEOU tác động đến BI, và PU tác động đến BI.
Bốn giả thuyết minh họa có thể viết như sau:
- H1: Nhận thức dễ sử dụng có tác động tích cực đến nhận thức hữu ích của sinh viên đối với ví điện tử.
- H2: Nhận thức dễ sử dụng có tác động tích cực đến ý định sử dụng ví điện tử của sinh viên.
- H3: Nhận thức hữu ích có tác động tích cực đến ý định sử dụng ví điện tử của sinh viên.
- H4: Nhận thức hữu ích đóng vai trò trung gian trong mối quan hệ giữa nhận thức dễ sử dụng và ý định sử dụng ví điện tử.
H4 cần một bước kiểm định trung gian riêng. Bạn không thể kết luận có trung gian chỉ vì H1, H2 và H3 đều có p-value nhỏ. Với phương pháp bootstrapping, hiệu ứng gián tiếp được xem là có ý nghĩa khi khoảng tin cậy không chứa zero, theo (Preacher và Hayes, 2008).
Nếu đề tài của bạn nghiên cứu thanh toán bằng mã QR, hãy thay bối cảnh trong biến quan sát và kiểm tra xem “sử dụng” nghĩa là dùng lần đầu, dùng thường xuyên hay tiếp tục dùng. Nếu đề tài nghiên cứu hệ thống nội bộ tại doanh nghiệp, PU có thể gắn với năng suất công việc, còn BI có thể gắn với ý định tiếp tục dùng sau đào tạo.
Cách viết vào luận văn có thể điều chỉnh như sau: “Dựa trên mô hình TAM của (Davis, 1989), nghiên cứu đề xuất rằng nhận thức dễ sử dụng và nhận thức hữu ích tác động đến [ý định sử dụng công nghệ X] của [đối tượng nghiên cứu]. Ngoài ra, nghiên cứu kiểm định vai trò trung gian của [biến trung gian] trong mối quan hệ giữa [biến độc lập] và [biến phụ thuộc].”
Trước khi phát bảng hỏi, lập một bảng ánh xạ gồm tên biến, định nghĩa, mã biến, câu hỏi gốc, câu hỏi sau điều chỉnh và nguồn. Bảng này giúp bạn giải thích với giảng viên vì sao một biến có bốn chỉ báo, đồng thời tránh đặt trùng mã như PU1 cho hai khái niệm khác nhau.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi bạn muốn kiểm định độ tin cậy, EFA và hồi quy tuyến tính trên các biến tổng hợp. Quy trình thường là chạy Cronbach's Alpha, kiểm tra cấu trúc thang đo bằng EFA, tính điểm trung bình hoặc nhân tố, sau đó chạy hồi quy cho các giả thuyết trực tiếp. Bạn đọc hệ số trong bảng Coefficients, p-value, R Square và các chẩn đoán giả định.
SmartPLS phù hợp khi TAM được xây dựng dưới dạng các biến tiềm ẩn và bạn muốn kiểm định đồng thời mô hình đo lường với mô hình cấu trúc. Quy trình gồm đánh giá outer model trước, sau đó đánh giá inner model. Bạn xem Outer Loadings, Composite Reliability, AVE, HTMT, VIF, Path Coefficients, R², f² và Q² theo thiết kế phân tích.
Với PLS-SEM, quy trình hai giai đoạn đo lường rồi cấu trúc được trình bày trong (Anderson và Gerbing, 1988). Bạn có thể bắt đầu bằng việc nhập file .csv, kiểm tra tên cột không có ký tự thừa, tạo construct PU, PEOU và BI, kéo các mũi tên theo giả thuyết, rồi chạy PLS Algorithm. Sau đó chạy Bootstrapping với số lượng mẫu lặp phù hợp. Mốc 5.000 bootstrap subsamples được nêu trong (Hair và cộng sự, 2022).
Khi đọc Path Coefficients, hãy ghi lại Original Sample, Sample Mean, Standard Deviation, T Statistics và P Values. Bảng dưới đây chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thật.
| Quan hệ | Original Sample | T Statistics | P Values | Diễn giải minh họa |
|---|---|---|---|---|
| PEOU → PU | 0.46 | 6.21 | 0.000 | Tác động dương, có ý nghĩa trong ví dụ |
| PEOU → BI | 0.18 | 2.14 | 0.033 | Tác động dương, có ý nghĩa ở mức 5% trong ví dụ |
| PU → BI | 0.51 | 6.87 | 0.000 | Tác động dương, có ý nghĩa trong ví dụ |
| PEOU → PU → BI | 0.23 | 3.91 | 0.000 | Hiệu ứng gián tiếp minh họa có ý nghĩa |
Đây là bảng số liệu minh họa để bạn nhận diện hình dạng output. Khi viết kết quả, thay toàn bộ con số bằng số trong file của bạn. Với kết quả SmartPLS, R² của BI có thể được diễn giải theo các mức 0.75, 0.50 và 0.25 trong bối cảnh PLS-SEM theo (Hair và cộng sự, 2011). VIF dưới 5 là một ngưỡng thường được báo cáo theo (Hair và cộng sự, 2019). Bạn không dùng CFI, TLI hoặc RMSEA để đánh giá một mô hình PLS-SEM, vì các chỉ số đó thuộc CB-SEM và được trình bày trong (Hu và Bentler, 1999).
Bảng ngưỡng dưới đây giúp bạn tách các bước đánh giá. Mỗi dòng đi kèm nguồn để bạn có thể kiểm tra lại khi viết chương 4.
| Chỉ số | Ngưỡng tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha | Từ 0.7; thang đo khám phá có thể xem xét từ 0.6 | (Nunnally, 1978); (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 | (Nunnally và Bernstein, 1994) |
| Outer loading | Từ 0.7 trong PLS-SEM | (Chin, 1998); (Hair và cộng sự, 2022) |
| Composite Reliability | Từ 0.7 | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc dưới 0.90 với khái niệm gần nhau | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
| Q² | Lớn hơn 0 | (Stone, 1974); (Hair và cộng sự, 2022) |
SPSS và SmartPLS không cho ra cùng một loại bảng. Bạn cũng có thể dùng AMOS nếu đề tài yêu cầu CB-SEM, hoặc JASP và R nếu bạn quen với quy trình mã lệnh. Lựa chọn phần mềm nên dựa vào mô hình, yêu cầu của giảng viên, dạng dữ liệu và khả năng giải thích output khi bảo vệ. Thuê dịch vụ chạy SPSS có thể giúp bạn có bảng kết quả nhanh, nhưng rủi ro xuất hiện khi bạn không biết vì sao biến bị loại hoặc vì sao giả thuyết bị bác bỏ.
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là dùng “chấp nhận công nghệ” như một biến duy nhất mà không định nghĩa nó được đo bằng BI hay AU. Bạn cần ghi rõ biến phụ thuộc trong mô hình và dùng câu hỏi phù hợp với biến đó.
Lỗi thứ hai là lấy nguyên thang đo tiếng Anh rồi dịch từng chữ. Một câu có thể đúng ngữ pháp nhưng không phù hợp với bối cảnh người trả lời. Hãy thử nghiệm cách hiểu của bảng hỏi bằng dữ liệu thử, sau đó sửa câu khó hiểu trước khi thu chính thức.
Lỗi thứ ba là thêm quá nhiều biến từ TAM, UTAUT, ECM và IS Success. Mỗi biến mới kéo theo thang đo, giả thuyết, cỡ mẫu và phần giải thích. Mô hình nhiều mũi tên không tự tạo ra một luận văn tốt hơn.
Lỗi thứ tư là loại biến chỉ vì nó làm Alpha tăng. Alpha cao không thay thế cho giá trị nội dung và giá trị phân biệt. Bạn cần xem nội dung biến, Corrected Item-Total Correlation, outer loading hoặc HTMT, rồi ghi lại lý do loại biến.
Lỗi thứ năm là viết “PU ảnh hưởng BI” khi chỉ nhìn p-value. Kết quả cần báo cáo hướng tác động, hệ số, sai số hoặc t-statistic, p-value, khoảng tin cậy nếu có, và kết luận đối với giả thuyết. Số liệu minh họa trong bài này không được đưa vào luận văn của bạn.
Cuối cùng, đừng sửa dữ liệu để mô hình đạt ngưỡng. Nếu kết quả không đẹp, kiểm tra mã hóa, biến đảo chiều, giá trị thiếu, dòng trả lời bất thường và logic của thang đo trước. Việc loại biến hoặc điều chỉnh mô hình phải có căn cứ và được ghi lại.
Câu hỏi thường gặp
Chấp nhận công nghệ TAM là gì và dùng cho đề tài nào?
TAM là mô hình giải thích việc người dùng chấp nhận công nghệ dựa chủ yếu trên nhận thức hữu ích và nhận thức dễ sử dụng. Mô hình phù hợp với đề tài về ứng dụng, nền tảng số, phần mềm, ví điện tử, ngân hàng số và hệ thống công nghệ thông tin.
Bạn nên chọn TAM khi câu hỏi nghiên cứu tập trung vào nhận thức của người dùng và ý định sử dụng. Nếu trọng tâm là chất lượng hệ thống hoặc sự hài lòng sau sử dụng, bạn cần cân nhắc mô hình khác hoặc giải thích rõ phần mở rộng.
TAM có bắt buộc phải có thái độ sử dụng không?
Không có một cấu trúc duy nhất bắt buộc cho mọi đề tài. TAM gốc có biến thái độ, nhưng nhiều nghiên cứu kiểm định trực tiếp PU và PEOU đến BI. Bạn cần nêu lý do lựa chọn cấu trúc và dùng nguồn thang đo phù hợp.
Nếu bỏ ATT, đừng viết trong chương phương pháp rằng bạn kiểm định đầy đủ mọi thành phần của TAM gốc. Hãy gọi đúng là mô hình TAM rút gọn hoặc mô hình nghiên cứu dựa trên TAM.
Nên chạy TAM bằng SPSS hay SmartPLS?
SPSS phù hợp nếu bạn chạy Cronbach's Alpha, EFA rồi hồi quy với điểm trung bình của các biến. SmartPLS phù hợp nếu bạn muốn giữ PU, PEOU và BI là các biến tiềm ẩn, đồng thời đánh giá outer model và inner model.
Hãy hỏi giảng viên về yêu cầu phần mềm trước khi thu dữ liệu. Việc đổi phần mềm sau khi đã thiết kế bảng hỏi có thể làm thay đổi cách trình bày kết quả, nhưng không cho phép bạn chọn công cụ chỉ vì nó tạo ra p-value nhỏ hơn.
Thang đo TAM bao nhiêu biến quan sát là đủ?
Số biến quan sát phụ thuộc vào nguồn thang đo, định nghĩa khái niệm và bối cảnh nghiên cứu. Bạn nên có đủ chỉ báo để bao quát nội dung của PU, PEOU và BI, thay vì đặt một con số cố định cho mọi đề tài.
Khi tính cỡ mẫu, mốc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn theo (Hair và cộng sự, 2010). Đây là căn cứ tham khảo, không thay thế cho việc xem số biến, số mũi tên trong mô hình và yêu cầu của đề tài.
Nếu PU hoặc PEOU không đạt thì phải làm sao?
Trước tiên kiểm tra mã hóa, biến đảo chiều, dữ liệu thiếu và câu hỏi có bị nhập sai không. Sau đó xem từng biến quan sát trong Reliability Statistics, Item-Total Statistics hoặc Outer Loadings, tùy phần mềm.
Bạn chỉ loại biến khi có lý do phương pháp và nội dung rõ ràng. Nếu thang đo vẫn không đạt, hãy báo cáo kết quả thực tế, xem lại cách điều chỉnh mô hình và trao đổi với giảng viên thay vì xóa dữ liệu hoặc chạy lại nhiều lần để tìm một kết quả đẹp.
Bạn hãy mở đề cương và file dữ liệu, chốt định nghĩa PU, PEOU, BI hoặc AU trước khi chỉnh bảng hỏi, sau đó lập bảng ánh xạ biến và chọn quy trình SPSS hay SmartPLS phù hợp trong M4 phân tích dữ liệu thật.