Khuếch tán đổi mới là gì? Mô hình, biến đo và cách kiểm định

Mô hình khuếch tán đổi mới là gì

Bạn có thể có một sản phẩm tốt nhưng người dùng vẫn không chấp nhận ngay. Một nhóm đăng ký từ ngày đầu, nhóm khác chờ bạn bè dùng thử, còn một nhóm chỉ thay đổi khi sản phẩm cũ không còn phù hợp. Mô hình khuếch tán đổi mới, thường được biết đến với tên tiếng Anh là Diffusion of Innovations, dùng để giải thích quá trình một đổi mới được truyền đạt và được chấp nhận trong một hệ thống xã hội theo thời gian.

Trong luận văn định lượng, “đổi mới” có thể là ứng dụng ngân hàng số, ví điện tử, nền tảng học trực tuyến, thiết bị thông minh, phương thức thanh toán hoặc một quy trình làm việc mới. Bạn cần xác định rõ đối tượng trước khi lập bảng hỏi. Cùng một ứng dụng, sinh viên có thể đánh giá khác với nhân viên ngân hàng hoặc chủ cửa hàng.

Mô hình này thường gắn với công trình của Everett Rogers. Tuy nhiên, trong danh mục nguồn được phép sử dụng của DoThesis không có tài liệu gốc của Rogers, vì vậy bài viết không gán năm xuất bản hay trích dẫn giả. Khi viết luận văn, bạn nên kiểm tra đúng ấn bản mà giảng viên yêu cầu trước khi đưa nguồn vào danh mục tài liệu tham khảo.

Khuếch tán đổi mới khác với việc đo một cá nhân có thích sản phẩm hay không. Trọng tâm của nó là cách đặc điểm của đổi mới, kênh truyền thông, thời gian và hệ thống xã hội cùng ảnh hưởng đến tốc độ chấp nhận. Vì vậy, mô hình phù hợp với đề tài có hành vi chấp nhận, ý định sử dụng, ý định tiếp tục sử dụng hoặc tốc độ áp dụng làm biến phụ thuộc.

Nếu bạn đang xây dựng phần nền tảng cho đề tài, có thể xem thêm chuyên mục Mô hình nghiên cứu. Những mô hình như TAM hoặc mô hình chấp nhận công nghệ TAM thường được dùng cùng để giải thích niềm tin và ý định sử dụng công nghệ.

Các thành phần trong mô hình

Bốn thành phần dưới đây là khung để bạn chuyển lý thuyết thành mô hình nghiên cứu. Không nên đưa tất cả thành phần vào bảng hỏi một cách máy móc. Bạn cần chọn thành phần phù hợp với câu hỏi nghiên cứu, bối cảnh và dữ liệu có thể thu thập.

Năm đặc tính của đổi mới thường xuất hiện trong các bảng hỏi là lợi thế tương đối, tính tương thích, độ phức tạp, khả năng dùng thử và khả năng quan sát kết quả. Lợi thế tương đối trả lời câu hỏi đổi mới có tốt hơn cách hiện tại không. Tính tương thích xem đổi mới có phù hợp với thói quen, nhu cầu và giá trị của người dùng không.

Độ phức tạp phản ánh mức khó hiểu hoặc khó sử dụng. Khả năng dùng thử cho biết người dùng có thể trải nghiệm trước khi cam kết hay không. Khả năng quan sát kết quả đề cập việc lợi ích của đổi mới có dễ nhìn thấy qua người khác hoặc qua kết quả sử dụng hay không.

Mô hình gốc và các mở rộng phổ biến

Mô hình gốc tập trung vào quá trình đổi mới lan truyền trong một hệ thống, trong đó người dùng không nhất thiết chấp nhận cùng lúc. Từ góc nhìn hành vi, bạn có thể phân nhóm người dùng theo thời điểm chấp nhận, chẳng hạn nhóm tiên phong, nhóm chấp nhận sớm, số đông chấp nhận sớm, số đông chấp nhận muộn và nhóm chấp nhận sau cùng. Đây là cách mô tả tiến trình, không phải mặc định rằng một nhóm có đặc điểm tốt hơn nhóm khác.

Khi đưa vào luận văn, nhiều nghiên cứu thu hẹp mô hình thành quan hệ giữa các đặc tính của đổi mới và ý định chấp nhận. Cách này dễ chạy hồi quy hoặc PLS-SEM hơn, nhưng bạn phải ghi rõ đã sử dụng phiên bản điều chỉnh. Việc bỏ biến thời gian hoặc kênh truyền thông có thể làm mô hình gọn hơn, song cũng làm mất một phần ý nghĩa của quá trình khuếch tán.

Một hướng mở rộng là kết hợp với TAM, UTAUT hoặc UTAUT2. TAM thường giúp đo perceived usefulness và perceived ease of use. UTAUT bổ sung các yếu tố như performance expectancy, effort expectancy, social influence và facilitating conditions. Nếu đề tài của bạn tập trung vào trải nghiệm sau khi dùng, mô hình IS Success của DeLone và McLean có thể phù hợp hơn ở phần chất lượng hệ thống, chất lượng thông tin và sự hài lòng.

Bạn cũng có thể so sánh logic của mô hình này với mô hình kỳ vọng xác nhận ECM. ECM phù hợp với câu hỏi vì sao người dùng tiếp tục sử dụng sau trải nghiệm, còn khuếch tán đổi mới phù hợp hơn với câu hỏi vì sao một đổi mới được chấp nhận và lan rộng.

Trong mọi trường hợp, đừng ghép nhiều mô hình chỉ để tăng số lượng giả thuyết. Mỗi biến thêm vào cần có lý do lý thuyết, cách đo và vai trò rõ ràng trong câu hỏi nghiên cứu.

Thang đo thường dùng cho từng khái niệm

Bạn nên tìm thang đo gốc theo đúng bối cảnh, ngôn ngữ và đối tượng nghiên cứu. Bảng dưới đây là bản đồ khái niệm để bắt đầu thiết kế bảng hỏi, không phải bộ biến đã được dịch và kiểm định sẵn. Các mã như RA1 hoặc C1 chỉ là mã minh họa.

Nếu bạn nghiên cứu công nghệ, có thể dùng thang Likert 5 hoặc 7 mức, từ hoàn toàn không đồng ý đến hoàn toàn đồng ý. Likert là dạng thang đo được sử dụng rộng rãi cho thái độ và nhận thức, có nền tảng từ (Likert, 1932). Mỗi khái niệm nên có nhiều biến quan sát, câu chữ ngắn và chỉ diễn đạt một ý.

Không nên dịch nguyên văn một bộ thang đo rồi đưa ngay vào khảo sát. Hãy thay tên sản phẩm, đối tượng và thời gian sử dụng cho đúng bối cảnh. Sau đó kiểm tra lại ngữ nghĩa, loại biến phủ định nếu người trả lời dễ nhầm, và chạy thử trên một nhóm nhỏ trước khi thu dữ liệu chính thức.

Áp dụng vào đề tài của bạn

Giả sử đề tài là “Các yếu tố ảnh hưởng đến ý định sử dụng ví điện tử của sinh viên”. Bạn có thể xây dựng mô hình gồm bốn biến độc lập là lợi thế tương đối, tính tương thích, khả năng dùng thử và ảnh hưởng xã hội. Ý định sử dụng là biến phụ thuộc. Nếu muốn nghiên cứu người đã dùng ví, bạn có thể thay ý định sử dụng bằng ý định tiếp tục sử dụng, nhưng khi đó cần giải thích sự khác nhau giữa chấp nhận ban đầu và duy trì hành vi.

Mô hình khái niệm có thể trình bày như sau:

Lợi thế tương đối → Ý định sử dụng

Tính tương thích → Ý định sử dụng

Khả năng dùng thử → Ý định sử dụng

Ảnh hưởng xã hội → Ý định sử dụng

Các giả thuyết cần viết thành câu đầy đủ:

• H1: Lợi thế tương đối có ảnh hưởng tích cực đến ý định sử dụng ví điện tử của sinh viên.
• H2: Tính tương thích có ảnh hưởng tích cực đến ý định sử dụng ví điện tử của sinh viên.
• H3: Khả năng dùng thử có ảnh hưởng tích cực đến ý định sử dụng ví điện tử của sinh viên.
• H4: Ảnh hưởng xã hội có ảnh hưởng tích cực đến ý định sử dụng ví điện tử của sinh viên.

Dấu “tích cực” chỉ là hướng giả thuyết. Bạn chưa được kết luận giả thuyết đúng trước khi chạy dữ liệu. Nếu hệ số đường dẫn âm hoặc p-value không đạt mức bạn chọn, hãy báo cáo đúng kết quả thay vì sửa câu chữ để khớp kỳ vọng.

Cách viết vào luận văn: “Dựa trên đặc điểm của [đối tượng đổi mới] và bối cảnh [địa bàn hoặc nhóm mẫu], nghiên cứu đề xuất [số lượng] giả thuyết về ảnh hưởng của [biến độc lập] đến [biến phụ thuộc]. Cụ thể, H1: [biến độc lập] có ảnh hưởng [tích cực/tiêu cực] đến [biến phụ thuộc].” Bạn thay các phần trong ngoặc vuông bằng nội dung thật của đề tài.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

Nếu mô hình chỉ gồm các biến tổng hợp sau khi tính điểm trung bình, SPSS có thể phù hợp. Bạn có thể kiểm tra độ tin cậy bằng Analyze > Scale > Reliability Analysis, sau đó chạy tương quan và hồi quy tại Analyze > Regression > Linear. Khi mô hình có nhiều biến tiềm ẩn, biến quan sát và muốn đánh giá outer loading, CR, AVE, HTMT cùng path coefficient, SmartPLS phù hợp hơn.

Với SPSS, bạn kiểm tra Reliability Statistics, Item-Total Statistics, sau đó tạo biến đại diện bằng trung bình các item đạt yêu cầu. Khi chạy hồi quy, đọc bảng Model Summary, ANOVA và Coefficients. Cỡ mẫu hồi quy có thể tham khảo quy tắc n từ 50 + 8m trở lên, trong đó m là số biến độc lập (Tabachnick và Fidell, 2013). Durbin-Watson trong khoảng từ 1 đến 3 là một mốc kiểm tra thường được báo cáo (Field, 2013).

Với SmartPLS 4, chuẩn bị file .csv, mỗi dòng là một người trả lời và mỗi cột là một biến quan sát. Tạo measurement model trước, gán item vào đúng construct, rồi chạy PLS Algorithm để xem Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Sau đó chạy Bootstrapping để đọc Path Coefficients, T Statistics và P Values. Quy trình đánh giá measurement model trước structural model phù hợp với cách tiếp cận hai bước (Anderson và Gerbing, 1988).

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được mô phỏng theo nhóm output thường gặp trong SmartPLS 4.

Khi đọc output, outer loading từ 0.7 trở lên thường được xem là đạt trong PLS-SEM (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên là các mốc thường 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). Trong structural model, kiểm tra VIF dưới 5 (Hair và cộng sự, 2019), R² và ý nghĩa của path coefficient. Nếu dùng bootstrapping, có thể đặt 5.000 subsamples theo hướng dẫn (Hair và cộng sự, 2022).

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi đề tài về công nghệ là khuếch tán đổi mới. Nếu bạn chỉ hỏi perceived usefulness, perceived ease of use và ý định sử dụng một ứng dụng, mô hình TAM có thể là nền tảng trực tiếp hơn. Nếu trọng tâm là chất lượng dịch vụ và sự hài lòng sau sử dụng, mô hình khác có thể giải thích tốt hơn.

Lỗi thứ hai là dùng “nhóm tiên phong” như một biến quan sát nhưng không định nghĩa cách phân loại. Nếu muốn phân tích theo thời điểm chấp nhận, bạn phải hỏi người trả lời bắt đầu sử dụng khi nào, biết đến từ đâu và đã trải qua giai đoạn nào. Nếu chỉ nghiên cứu ý định, không nên tự gán người trả lời vào nhóm người dùng mà không có quy tắc.

Lỗi thứ ba là trộn biến ở các cấp độ khác nhau. “Ảnh hưởng xã hội” có thể là nhận thức của cá nhân, còn “hệ thống xã hội” là bối cảnh rộng hơn. Hai khái niệm này có thể liên quan nhưng không nên dùng thay thế nhau trong bảng hỏi.

Lỗi thứ tư là loại item chỉ vì nó làm Alpha tăng, trong khi item đó có ý nghĩa lý thuyết. Hãy xem Corrected Item-Total Correlation, nội dung câu hỏi và loading cùng lúc. Corrected Item-Total Correlation từ 0.3 trở lên thường được tham khảo (Nunnally và Bernstein, 1994). Cronbach's Alpha từ 0.7 trở lên là mốc phổ biến (Nunnally, 1978), còn thang đo khám phá có thể được xem xét từ 0.6 theo (Hair và cộng sự, 2010).

Lỗi cuối là viết kết luận nhân quả quá mạnh. Dữ liệu khảo sát cắt ngang cho thấy mối liên hệ theo mô hình giả thuyết, không tự động chứng minh đổi mới đã lan truyền trong toàn xã hội. Hãy ghi rõ phạm vi mẫu, thời điểm khảo sát và giới hạn của thiết kế nghiên cứu.

Câu hỏi thường gặp

Khuếch tán đổi mới có phải là mô hình chấp nhận công nghệ không

Hai hướng tiếp cận có phần giao nhau nhưng không đồng nhất. Khuếch tán đổi mới quan tâm đến cách một đổi mới lan truyền qua thời gian, mạng lưới và hệ thống xã hội. Mô hình chấp nhận công nghệ thường tập trung vào nhận thức của cá nhân, chẳng hạn tính hữu ích, tính dễ sử dụng và ý định sử dụng.

Bạn có thể tích hợp hai hướng nếu câu hỏi nghiên cứu cần cả đặc tính đổi mới lẫn niềm tin về công nghệ. Khi đó, hãy giải thích vai trò của từng biến và tránh đưa hai biến có nội dung gần như giống nhau vào cùng mô hình.

Nên dùng SPSS hay SmartPLS cho mô hình này

SPSS phù hợp khi bạn đã tổng hợp item thành các biến quan sát cấp cao và muốn chạy hồi quy tuyến tính. SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều item, quan hệ trung gian hoặc cần đánh giá measurement model bằng outer loading, CR, AVE và HTMT.

Phần mềm không thay thế việc chọn mô hình. Bạn cần chốt khái niệm, giả thuyết, thang đo và cách lấy mẫu trước khi mở file dữ liệu.

Có cần đo cả năm giai đoạn chấp nhận không

Không bắt buộc. Nếu mục tiêu là kiểm định các yếu tố ảnh hưởng đến ý định sử dụng, bạn có thể tập trung vào đặc tính đổi mới và biến kết quả. Nếu mục tiêu là phân loại người dùng theo thời điểm hoặc mô tả quá trình lan truyền, bạn cần thêm câu hỏi về thời gian biết đến, dùng thử và chấp nhận.

Đừng thêm biến chỉ vì lý thuyết có đề cập. Mỗi biến làm bảng hỏi dài hơn và đòi hỏi cỡ mẫu, kiểm định cùng phần giải thích riêng.

Thang đo khuếch tán đổi mới bao nhiêu là đạt

Không có một con số duy nhất cho toàn bộ mô hình. Bạn thường xem độ tin cậy của từng construct, corrected item-total correlation trong SPSS, hoặc outer loading, CR, AVE và HTMT trong SmartPLS. Các mốc cần đi kèm nguồn và phải được áp dụng phù hợp với thiết kế nghiên cứu.

Với PLS-SEM, có thể tham khảo outer loading từ 0.7 (Chin, 1998), CR từ 0.7 và AVE từ 0.5 (Fornell và Larcker, 1981). Đây là mốc đánh giá, không phải lý do tự động loại biến mà chưa xem nội dung và mô hình.

Nếu kết quả không ủng hộ giả thuyết thì phải làm sao

Giữ nguyên kết quả và báo cáo hệ số, p-value hoặc khoảng tin cậy theo output. Sau đó giải thích khả năng do bối cảnh mẫu, mức độ quen thuộc với sản phẩm, cách đo, cỡ mẫu hoặc đặc điểm của đổi mới.

Không đổi dấu giả thuyết sau khi xem kết quả và không xóa giả thuyết chỉ vì p-value không đạt. Nếu cần điều chỉnh mô hình cho nghiên cứu sau, hãy tách rõ đó là đề xuất mới, không trình bày như kết quả đã dự đoán từ đầu.

Bạn hãy mở file dữ liệu, lập bảng ánh xạ từng biến quan sát vào construct, chốt bốn giả thuyết và chọn SPSS hoặc SmartPLS trước khi chạy vòng đầu; nếu cần phân tích trên chính file .sav hoặc .csv của mình, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.