IS Success trong mô hình DeLone và McLean là gì?
Mô hình IS Success DeLone và McLean là gì
IS Success DeLone và McLean là mô hình dùng để đánh giá sự thành công của một hệ thống thông tin, chẳng hạn website thương mại điện tử, ứng dụng ngân hàng, hệ thống học trực tuyến hoặc phần mềm quản trị. Khi bạn hỏi người dùng có hài lòng với hệ thống, có tiếp tục sử dụng hay nhận được lợi ích gì không, mô hình này giúp nối câu trả lời đó với chất lượng của hệ thống, chất lượng thông tin và chất lượng dịch vụ.
Trong luận văn, IS Success thường được dùng như một khung lý thuyết để xây dựng mô hình đo lường và mô hình cấu trúc. Mô hình có thể được điều chỉnh theo hệ thống, đối tượng trả lời và mục tiêu nghiên cứu. Bạn cần xác định rõ mình đang đánh giá website, ứng dụng, cổng thông tin hay phần mềm nào, người trả lời đã sử dụng hệ thống trong bối cảnh nào và lợi ích được hiểu theo nghĩa gì.
Mô hình không phải một bảng điểm cố định áp dụng giống nhau cho mọi đề tài. Với ứng dụng học trực tuyến, System Quality có thể liên quan đến tốc độ, độ ổn định và tính dễ sử dụng. Với cổng thông tin trường đại học, Information Quality có thể liên quan đến tính cập nhật, đầy đủ và chính xác của nội dung. Bạn có thể xem thêm nhóm bài về Mô hình nghiên cứu để đặt IS Success vào phần cơ sở lý thuyết và mô hình khái niệm.
Các thành phần trong mô hình
Mô hình cập nhật thường gồm sáu thành phần chính. Ba thành phần đầu phản ánh chất lượng của hệ thống và trải nghiệm dịch vụ. Hai thành phần tiếp theo mô tả phản ứng của người dùng. Thành phần cuối là lợi ích ròng mà cá nhân hoặc tổ chức nhận được.
| Thành phần | Nội dung cần đo | Ví dụ trong đề tài ứng dụng học trực tuyến |
|---|---|---|
| System Quality | Mức độ tốt của chức năng và vận hành hệ thống | Tốc độ phản hồi, độ ổn định, dễ sử dụng |
| Information Quality | Chất lượng thông tin hệ thống cung cấp | Thông tin chính xác, đầy đủ, cập nhật |
| Service Quality | Chất lượng hỗ trợ và dịch vụ đi kèm | Phản hồi của bộ phận hỗ trợ, khả năng xử lý lỗi |
| Use hoặc Intention to Use | Mức độ sử dụng hoặc ý định tiếp tục sử dụng | Tần suất truy cập, ý định dùng lại |
| User Satisfaction | Mức độ hài lòng sau khi sử dụng | Hài lòng với trải nghiệm tổng thể |
| Net Benefits | Lợi ích ròng đối với người dùng hoặc tổ chức | Tiết kiệm thời gian, học tập hiệu quả hơn |
Ba biến chất lượng thường được đặt ở phía trước mô hình. Chúng có thể ảnh hưởng đến Use, User Satisfaction hoặc cả hai. Use và User Satisfaction đôi khi được mô tả là có quan hệ qua lại, nhưng bạn không nên tự động đưa toàn bộ các mũi tên vào mô hình thực nghiệm. Số lượng giả thuyết phải phù hợp với câu hỏi nghiên cứu, thang đo và dữ liệu bạn có thể thu thập.
Net Benefits cần được định nghĩa theo bối cảnh. Trong nghiên cứu về ứng dụng thanh toán, lợi ích có thể là giao dịch thuận tiện và tiết kiệm thời gian. Trong hệ thống quản lý doanh nghiệp, lợi ích có thể liên quan đến năng suất hoặc chất lượng quyết định. Dùng cùng một câu chữ cho các bối cảnh khác nhau dễ làm thang đo bị chung chung.
Mô hình gốc và các mở rộng phổ biến
Phiên bản ban đầu của mô hình tập trung vào Information Quality, System Quality, Use, User Satisfaction, Individual Impact và Organizational Impact. Phiên bản cập nhật thường được trình bày với sáu thành phần, trong đó tác động cá nhân và tác động tổ chức được khái quát thành Net Benefits, còn Service Quality được đưa vào như một thành phần chất lượng.
Khi đọc tài liệu, bạn nên ghi rõ mình đang kế thừa cấu trúc nào. Nếu chương 2 trình bày sáu thành phần nhưng chương 3 lại đo Individual Impact và Organizational Impact như hai biến riêng, người đọc sẽ khó xác định mô hình thực nghiệm của bạn. Lỗi này thường xảy ra khi sinh viên lấy sơ đồ từ một tài liệu rồi lấy thang đo từ tài liệu khác mà không kiểm tra sự tương thích.
Mô hình có thể được mở rộng bằng Trust, Perceived Security, Perceived Ease of Use hoặc Perceived Usefulness. Biến thêm vào cần có lý do lý thuyết và nguồn thang đo rõ ràng. Với đề tài về chấp nhận công nghệ, bạn có thể so sánh IS Success với mô hình TAM, mô hình chấp nhận công nghệ TAM hoặc bài giải thích chấp nhận công nghệ TAM là gì.
Nếu hệ thống mới và người dùng chưa có nhiều trải nghiệm, Intention to Use có thể phù hợp hơn Use thực tế. Nếu người trả lời đã sử dụng hệ thống đủ lâu, bạn có thể đo Use bằng tần suất hoặc mức độ sử dụng tự báo cáo. Đừng đưa cả hai biến vào chỉ vì chúng xuất hiện trong một sơ đồ mẫu. Hãy giải thích biến nào trả lời trực tiếp câu hỏi nghiên cứu.
Các mô hình khác có thể bổ sung góc nhìn nhưng không nên trộn khái niệm tùy tiện. Mô hình ECM phù hợp khi bạn nghiên cứu ý định tiếp tục sử dụng dựa trên kỳ vọng và trải nghiệm trước đó. Mô hình khuếch tán đổi mới đặt trọng tâm vào quá trình chấp nhận một đổi mới.
Thang đo thường dùng cho từng khái niệm
Bạn có thể bắt đầu bằng các nhóm biến quan sát dưới đây. Đây là khung tham khảo để thiết kế bảng hỏi, chưa phải bản dịch đã được thẩm định cho mọi bối cảnh. Hãy kiểm tra tài liệu gốc, điều chỉnh câu chữ theo hệ thống đang nghiên cứu và chạy thử trước khi thu thập chính thức.
| Khái niệm | Mã biến tham khảo | Nội dung biến quan sát có thể điều chỉnh | Nguồn nền tảng |
|---|---|---|---|
| System Quality | SYS1, SYS2, SYS3 | Hệ thống dễ sử dụng, ổn định, phản hồi nhanh | Tài liệu gốc của mô hình IS Success |
| Information Quality | INF1, INF2, INF3 | Thông tin chính xác, đầy đủ, kịp thời | Tài liệu gốc của mô hình IS Success |
| Service Quality | SER1, SER2, SER3 | Hỗ trợ nhanh, nhân viên có năng lực, xử lý vấn đề phù hợp | Tài liệu gốc của mô hình IS Success |
| Use hoặc Intention to Use | USE1, USE2, USE3 | Tôi thường sử dụng hoặc dự định tiếp tục sử dụng hệ thống | Tài liệu gốc của mô hình IS Success |
| User Satisfaction | SAT1, SAT2, SAT3 | Tôi hài lòng với trải nghiệm và quyết định sử dụng hệ thống | Tài liệu gốc của mô hình IS Success |
| Net Benefits | BEN1, BEN2, BEN3 | Hệ thống giúp tiết kiệm thời gian, tăng hiệu quả hoặc đạt mục tiêu | Tài liệu gốc của mô hình IS Success |
Bạn nên dùng một thang Likert thống nhất trong toàn bộ bảng hỏi, chẳng hạn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Kỹ thuật đo thái độ bằng thang Likert được trình bày trong (Likert, 1932). Trước khi phát hành bảng hỏi, hãy đọc từng biến quan sát thành một câu hoàn chỉnh và kiểm tra xem người trả lời có thể hiểu biến đó theo nhiều nghĩa hay không.
Một biến như “hệ thống cung cấp thông tin tốt” quá rộng vì người trả lời có thể nghĩ đến tốc độ, độ chính xác hoặc thiết kế. Bạn nên tách các ý khác nhau thành các biến riêng, nhưng cũng tránh tạo nhiều biến quan sát trùng lặp. Mã SYS1, INF1 hoặc SAT1 cần được giữ thống nhất từ bảng hỏi đến file .sav hoặc .csv.
Áp dụng vào đề tài của bạn
Giả sử bạn nghiên cứu sự thành công của hệ thống học trực tuyến đối với sinh viên. Mô hình có thể gồm System Quality, Information Quality, Service Quality, User Satisfaction và Net Benefits. Nếu chỉ hỏi sinh viên đánh giá hệ thống sau trải nghiệm, mô hình rút gọn có thể phù hợp hơn mô hình đầy đủ.
Một mô hình minh họa gồm bốn giả thuyết như sau:
- H1: System Quality có ảnh hưởng tích cực đến User Satisfaction.
- H2: Information Quality có ảnh hưởng tích cực đến User Satisfaction.
- H3: Service Quality có ảnh hưởng tích cực đến User Satisfaction.
- H4: User Satisfaction có ảnh hưởng tích cực đến Net Benefits.
Đây là cấu trúc minh họa, không phải kết quả của một nghiên cứu cụ thể. Khi viết đề cương, bạn cần thay tên hệ thống, đối tượng và bối cảnh bằng thông tin thật của đề tài. Nếu muốn đưa Intention to Use vào, bạn có thể xây dựng thêm giả thuyết từ User Satisfaction đến Intention to Use, nhưng cần kiểm tra câu hỏi nghiên cứu và nguồn thang đo trước.
Quy trình hợp lý là xác định khái niệm, tìm thang đo, điều chỉnh câu chữ, thiết kế bảng hỏi, thu dữ liệu, sau đó kiểm định mô hình đo lường và mô hình cấu trúc. Với thang đo phản xạ, bạn thường kiểm tra độ tin cậy, giá trị hội tụ và giá trị phân biệt trước khi diễn giải các đường dẫn giữa biến tiềm ẩn.
Cách viết vào luận văn: “Dựa trên mô hình IS Success, nghiên cứu đề xuất [tên biến độc lập] ảnh hưởng đến [tên biến phụ thuộc] trong bối cảnh [hệ thống hoặc ngành]. Cụ thể, nghiên cứu kiểm định các giả thuyết H1 đến H4 về mối quan hệ giữa [các khái niệm].” Bạn thay phần trong ngoặc vuông bằng nội dung thật, sau đó đối chiếu lại với sơ đồ mô hình và bảng mã biến.
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi bạn muốn kiểm tra dữ liệu mô tả, Cronbach's Alpha, EFA và hồi quy trên các biến tổng hợp. Bạn có thể chạy Analyze > Scale > Reliability Analysis để kiểm tra độ tin cậy, sau đó chạy Analyze > Dimension Reduction > Factor cho EFA. Nếu dùng hồi quy, đường dẫn là Analyze > Regression > Linear.
SmartPLS phù hợp khi mô hình có nhiều biến tiềm ẩn và bạn muốn đánh giá đồng thời measurement model với structural model. Trong SmartPLS 4, nhập file .csv, tạo construct, kéo indicator vào construct, nối các mũi tên rồi chạy Calculate > PLS-SEM Algorithm. Sau đó chạy Calculate > Bootstrapping để kiểm tra ý nghĩa của path coefficient.
Khi đánh giá PLS-SEM, bạn có thể kiểm tra outer loading, Composite Reliability, AVE, HTMT, VIF, R², f² và Q². Outer loading từ 0.7 trở lên là ngưỡng thường được sử dụng trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên thường được dùng để đánh giá độ tin cậy tổng hợp và giá trị hội tụ (Fornell và Larcker, 1981). HTMT nên dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau (Henseler và cộng sự, 2015). VIF dưới 5 là tiêu chí thường được báo cáo (Hair và cộng sự, 2019).
Bảng dưới đây là số liệu minh họa. Các con số có hình dạng giống bảng thường đọc trong SmartPLS, nhưng không phải kết quả từ một nghiên cứu thật và bạn không được chép chúng vào chương 4.
| Construct | Indicator | Outer Loading | Cronbach's Alpha | Composite Reliability | AVE |
|---|---|---|---|---|---|
| System Quality | SYS1 | 0.812 | 0.861 | 0.907 | 0.766 |
| Information Quality | INF2 | 0.784 | 0.842 | 0.895 | 0.741 |
| Service Quality | SER3 | 0.801 | 0.879 | 0.914 | 0.780 |
| User Satisfaction | SAT2 | 0.856 | 0.901 | 0.927 | 0.761 |
| Net Benefits | BEN1 | 0.823 | 0.873 | 0.908 | 0.767 |
Khi kiểm định mô hình cấu trúc, bạn tập trung vào Path Coefficients, Standard Deviation, T Statistics và P Values trong bảng bootstrapping. R² cho biết mức độ giải thích của các biến dự báo đối với biến nội sinh. R² ở mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là đáng kể, trung bình và yếu trong PLS-SEM (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy mô hình có khả năng dự báo theo logic cross-validation (Stone, 1974).
SmartPLS và SPSS phục vụ các quy trình khác nhau. AMOS phù hợp hơn với CB-SEM, trong đó các chỉ số CFI, TLI, RMSEA và SRMR được sử dụng theo bối cảnh riêng. Bạn không nên đưa các chỉ số fit của CB-SEM vào bài kiểm định PLS-SEM. Nếu dùng SmartPLS 4, quy trình bootstrap có thể thiết lập 5.000 subsamples theo hướng dẫn của (Hair và cộng sự, 2022). Hãy lưu output thật từ file của mình thay vì lấy bảng minh họa trên mạng.
| Chỉ số cần đọc | Ý nghĩa | Ngưỡng tham khảo và nguồn |
|---|---|---|
| Outer loading | Mức liên hệ giữa indicator và construct | Từ 0.7, (Chin, 1998) |
| Composite Reliability | Độ tin cậy tổng hợp | Từ 0.7, (Fornell và Larcker, 1981) |
| AVE | Giá trị hội tụ | Từ 0.5, (Fornell và Larcker, 1981) |
| HTMT | Giá trị phân biệt | Dưới 0.85 hoặc 0.90, (Henseler và cộng sự, 2015) |
| VIF | Đa cộng tuyến | Dưới 5, (Hair và cộng sự, 2019) |
| R² | Mức giải thích của biến nội sinh | 0.75, 0.50, 0.25, (Hair và cộng sự, 2011) |
| Q² | Khả năng dự báo | Lớn hơn 0, (Stone, 1974) |
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là gọi mọi nghiên cứu về ứng dụng là IS Success nhưng không chỉ ra hệ thống nào được đánh giá. Tên ứng dụng, thời gian sử dụng, nhóm người dùng và mục tiêu sử dụng cần xuất hiện trong phần phương pháp. Nếu người trả lời chưa từng dùng hệ thống, câu trả lời về User Satisfaction hoặc Net Benefits sẽ thiếu cơ sở.
Lỗi thứ hai là dùng System Quality, Information Quality và Service Quality như ba cụm từ đồng nghĩa. Bạn cần viết định nghĩa thao tác cho từng khái niệm và gắn mỗi định nghĩa với các biến quan sát tương ứng. Một biến quan sát chỉ nên phản ánh một ý chính.
Lỗi thứ ba là dùng ngưỡng của thang đo để kết luận tự động rằng mọi giả thuyết đều đạt. Alpha, AVE hoặc outer loading chỉ cho biết một khía cạnh của measurement model. Kết luận H1 đến H4 phải dựa vào path coefficient, p-value hoặc khoảng tin cậy bootstrap của chính dữ liệu bạn.
Lỗi thứ tư là loại biến quan sát chỉ để làm chỉ số đẹp hơn. Nếu indicator có loading thấp, hãy kiểm tra nhập liệu, đảo chiều, dữ liệu thiếu và ý nghĩa lý thuyết trước khi loại. Ghi lại từng vòng điều chỉnh để có thể giải trình với giảng viên.
Lỗi cuối là trộn phiên bản mô hình và nguồn thang đo. Bạn nên lập bảng theo dõi gồm tên construct, mã biến, câu chữ, nguồn, phiên bản dịch và quyết định giữ hoặc loại. Cách này giúp chương 3, file dữ liệu và output thống nhất với nhau.
Bạn cũng có thể đối chiếu IS Success với mô hình tam, mô hình chấp nhận công nghệ tam, chấp nhận công nghệ tam là gì, khuếch tán đổi mới là gì và kỳ vọng xác nhận ecm là gì.
Câu hỏi thường gặp
IS Success DeLone và McLean có phải là TAM không?
Hai mô hình có thể cùng xuất hiện trong nghiên cứu công nghệ nhưng tập trung vào các câu hỏi khác nhau. IS Success đánh giá sự thành công của hệ thống thông qua chất lượng, sử dụng, sự hài lòng và lợi ích. TAM tập trung nhiều hơn vào Perceived Usefulness, Perceived Ease of Use và ý định sử dụng.
Bạn có thể kết hợp chúng nếu có lập luận rõ và kiểm soát số lượng biến. Nếu đề tài chỉ hỏi người dùng có chấp nhận công nghệ hay không, TAM có thể là khung trực tiếp hơn. Nếu đề tài đánh giá một hệ thống đã vận hành và lợi ích sau sử dụng, IS Success thường sát câu hỏi hơn.
Nên dùng SPSS hay SmartPLS để kiểm định IS Success?
SPSS phù hợp với Cronbach's Alpha, EFA và hồi quy khi bạn đã tạo các biến tổng hợp. SmartPLS thuận tiện khi mô hình có nhiều construct, nhiều indicator và cần đánh giá measurement model cùng structural model.
Bạn nên chọn công cụ theo mô hình, cỡ mẫu, yêu cầu của khoa và khả năng giải thích output khi bảo vệ. Đừng chọn SmartPLS chỉ vì phần mềm cho ra nhiều sơ đồ, cũng đừng chọn SPSS nếu quy trình phân tích của đề tài yêu cầu PLS-SEM.
Mỗi thành phần trong mô hình cần bao nhiêu biến quan sát?
Không có một con số duy nhất phù hợp cho mọi đề tài. Số biến phụ thuộc vào thang đo, định nghĩa khái niệm và bối cảnh nghiên cứu. Bạn cần ưu tiên nội dung đo lường đầy đủ thay vì thêm biến để mô hình trông lớn hơn.
Cỡ mẫu cũng cần được cân nhắc theo tổng số biến quan sát. Quy tắc 5 đến 10 quan sát cho một biến quan sát thường được trích dẫn trong nghiên cứu định lượng (Hair và cộng sự, 2010), nhưng bạn vẫn phải xem yêu cầu riêng của mô hình và trường.
Có được bỏ Service Quality khỏi mô hình không?
Có thể, nếu bối cảnh của bạn không có dịch vụ hỗ trợ riêng hoặc câu hỏi nghiên cứu không nhằm đánh giá thành phần này. Bạn cần giải thích lý do loại bỏ dựa trên đặc điểm hệ thống và phạm vi nghiên cứu, thay vì bỏ chỉ vì biến làm bảng hỏi dài.
Nếu Service Quality có ý nghĩa trong bối cảnh nhưng bạn không đo, giảng viên có thể hỏi vì sao mô hình kế thừa IS Success lại thiếu thành phần này. Hãy trình bày rõ bạn dùng mô hình đầy đủ hay mô hình điều chỉnh.
Tôi nên làm gì khi outer loading của một biến thấp?
Trước hết, kiểm tra biến đó có bị nhập sai mã, đảo chiều chưa xử lý hoặc có nhiều dữ liệu thiếu hay không. Sau đó đọc lại nội dung biến và xem việc loại bỏ có làm mất một khía cạnh quan trọng của construct không.
Bạn có thể cân nhắc loại indicator nếu có cơ sở thống kê và lý thuyết, rồi chạy lại mô hình. Ghi lại kết quả trước và sau khi điều chỉnh, không sửa bảng output bằng tay và không khẳng định thang đo đạt chỉ vì một biến đã bị loại.
Hãy mở lại file dữ liệu, đối chiếu mã SYS, INF, SER, SAT và BEN với bảng hỏi, sau đó chạy đúng quy trình cho mô hình của bạn. Nếu cần chạy phân tích trên file .sav hoặc .csv bằng SPSS hay SmartPLS, bạn có thể xem M4 phân tích dữ liệu của DoThesis.