Kỳ vọng nỗ lực là gì? Cách xây dựng và kiểm định thang đo
Kỳ vọng nỗ lực là gì và được đo bằng gì
Kỳ vọng nỗ lực, tiếng Anh là Effort Expectancy, mô tả mức độ người trả lời cảm thấy một sản phẩm, hệ thống hoặc hành vi có thể được sử dụng dễ dàng. Khi người dùng nghĩ rằng học cách dùng ứng dụng ngân hàng số không mất nhiều công sức, họ có kỳ vọng nỗ lực cao. Trong mô hình UTAUT, đây là một biến tiềm ẩn thường được dùng để giải thích ý định sử dụng công nghệ (Venkatesh và cộng sự, 2003).
Bạn cần phân biệt khái niệm này với kỳ vọng hiệu quả. Kỳ vọng hiệu quả trả lời câu hỏi sử dụng công nghệ có giúp người dùng làm việc tốt hơn hay đạt kết quả mong muốn hay không. Kỳ vọng nỗ lực lại tập trung vào mức độ dễ học, dễ hiểu và dễ thao tác. Hai biến có thể cùng xuất hiện trong một mô hình, nhưng không nên dùng lẫn các biến quan sát của chúng.
Kỳ vọng nỗ lực không được đo bằng một câu hỏi duy nhất nếu bạn đang xây dựng thang đo đa biến. Bạn thường dùng một nhóm biến quan sát, chẳng hạn EE1 đến EE4, rồi yêu cầu người trả lời đánh giá trên thang Likert 5 hoặc 7 mức. Mỗi biến quan sát là một cách diễn đạt khác nhau của cùng khái niệm, chẳng hạn dễ học, dễ sử dụng và dễ trở nên thành thạo.
Nếu đề tài của bạn có nhiều biến trong UTAUT hoặc UTAUT2, hãy xem thêm chủ đề Mô hình nghiên cứu trước khi viết bảng hỏi. Việc xác định đúng vai trò của kỳ vọng nỗ lực sẽ giúp bạn tránh đưa một biến mô tả sự hữu ích vào nhầm nhóm này.
Nguồn thang đo gốc
Nguồn phù hợp nhất cho kỳ vọng nỗ lực trong bối cảnh chấp nhận công nghệ là UTAUT của Venkatesh và cộng sự. Trong nghiên cứu gốc, khái niệm này kế thừa các ý tưởng về perceived ease of use, complexity và ease of use từ các hướng tiếp cận trước đó, nhưng khi viết luận văn bạn nên ghi rõ thang đo được kế thừa từ mô hình nào và đã điều chỉnh cho bối cảnh nào.
Bảng dưới đây là bản đồ nguồn để bạn bắt đầu. Số lượng biến quan sát có thể thay đổi khi bạn đọc bài gốc, điều chỉnh ngữ cảnh hoặc loại biến sau khảo sát thử. Không nên ghi rằng bảng dưới đây là bản dịch đã được xác nhận cho mọi ngành.
| Nguồn | Năm | Số biến quan sát tham khảo | Bối cảnh gốc hoặc bối cảnh sử dụng |
|---|---|---|---|
| Venkatesh và cộng sự | 2003 | 4 biến cho Effort Expectancy | Chấp nhận và sử dụng công nghệ trong UTAUT |
| Venkatesh và cộng sự | 2012 | Nhóm biến tương ứng trong UTAUT2 | Chấp nhận và sử dụng công nghệ của người tiêu dùng |
| Davis | 1989 | Khái niệm gần với perceived ease of use | Chấp nhận công nghệ trong TAM |
Venkatesh và cộng sự (2003) là nguồn nên được đặt ở trung tâm nếu mô hình của bạn dùng UTAUT. Venkatesh và cộng sự (2012) phù hợp hơn khi đề tài nghiên cứu hành vi người tiêu dùng trong các dịch vụ công nghệ. Davis (1989) có thể dùng để giải thích nền tảng khái niệm gần với cảm nhận dễ sử dụng, nhưng bạn không nên trộn các item của TAM và UTAUT mà không nêu lý do.
Một lỗi thường gặp là lấy bảng câu hỏi từ một luận văn trên mạng, đổi tên sản phẩm rồi ghi đó là thang đo gốc. Cách an toàn hơn là truy về bài nghiên cứu nguồn, xác định từng biến quan sát, sau đó viết lại cho bối cảnh Việt Nam. Nếu cần thêm một thang đo khác trong mô hình, bạn có thể đối chiếu cách xây dựng thang đo thái độ, nhưng không dùng thái độ như một biến thay thế cho kỳ vọng nỗ lực.
Bộ biến quan sát tham khảo
Các câu dưới đây là số liệu và wording minh họa để bắt đầu thiết kế bảng hỏi, không phải bản dịch đã được kiểm định. Bạn cần đối chiếu với nguồn gốc, mục tiêu nghiên cứu và đối tượng khảo sát trước khi đưa vào form. Dùng cùng một thang Likert cho cả nhóm sẽ giúp người trả lời không phải đổi cách suy nghĩ giữa các câu.
| Mã | Wording tiếng Việt tham khảo | Nội dung cần giữ | Gợi ý thang đo |
|---|---|---|---|
| EE1 | Tôi dễ học cách sử dụng [sản phẩm hoặc hệ thống]. | Dễ học | Likert 1 đến 5 |
| EE2 | Tôi dễ dàng thực hiện các thao tác cần thiết trên [sản phẩm hoặc hệ thống]. | Dễ thao tác | Likert 1 đến 5 |
| EE3 | Việc sử dụng [sản phẩm hoặc hệ thống] khá rõ ràng và dễ hiểu đối với tôi. | Dễ hiểu | Likert 1 đến 5 |
| EE4 | Tôi có thể trở nên thành thạo trong việc sử dụng [sản phẩm hoặc hệ thống]. | Dễ thành thạo | Likert 1 đến 5 |
Trong bảng hỏi chính thức, thay [sản phẩm hoặc hệ thống] bằng một đối tượng cụ thể, chẳng hạn ứng dụng học trực tuyến hoặc ví điện tử. Tránh để người trả lời tự đoán đối tượng đang được nói đến. Nếu đề tài nghiên cứu việc sử dụng dịch vụ số, phần hướng dẫn đầu bảng nên mô tả ngắn dịch vụ và điều kiện để người trả lời có trải nghiệm đủ liên quan.
Bạn cũng cần kiểm tra các từ như “dễ dàng”, “rõ ràng” và “thành thạo”. Chúng gần nhau nhưng không hoàn toàn giống nhau. Nếu tất cả biến chỉ lặp lại một câu với vài từ đồng nghĩa, thang đo có thể thiếu độ bao quát. Ngược lại, nếu thêm một câu hỏi về tốc độ, chi phí hoặc lợi ích, bạn có thể đã đưa nội dung của biến khác vào nhóm EE.
Kỳ vọng nỗ lực thường được đo theo hướng tích cực, vì vậy bộ item trên không có biến đảo chiều. Nếu bạn thêm một item phủ định, chẳng hạn “Tôi thấy khó sử dụng…”, phải đánh dấu rõ để reverse code trước khi chạy Cronbach's Alpha hoặc EFA. Đừng đảo chiều chỉ vì câu hỏi có chữ “khó”, hãy kiểm tra cả mã hóa số trong file .sav hoặc .csv.
Điều chỉnh thang đo cho bối cảnh Việt Nam
Bắt đầu bằng việc xác định người trả lời thật sự đã tiếp xúc với đối tượng nghiên cứu. Một sinh viên chưa từng dùng nền tảng học trực tuyến khó đánh giá mức độ dễ thao tác. Bạn có thể đặt câu hỏi sàng lọc trước nhóm EE, rồi chỉ giữ các phiếu đáp ứng điều kiện nghiên cứu.
Khi dịch hoặc điều chỉnh, giữ nguyên ý nghĩa của biến thay vì bám từng từ tiếng Anh. “Easy to become skillful” có thể cần diễn đạt thành “có thể trở nên thành thạo” trong tiếng Việt tự nhiên. Tránh dùng thuật ngữ kỹ thuật mà nhóm khảo sát không hiểu, nhưng cũng không rút gọn đến mức câu hỏi chỉ còn “Dễ sử dụng”.
Hãy kiểm tra ba điểm sau trước khi thu thập chính thức:
- Đối tượng của câu hỏi: mọi item đều phải chỉ về cùng một sản phẩm, hệ thống hoặc hành vi.
- Khoảng thời gian trải nghiệm: nếu khả năng sử dụng thay đổi theo phiên bản, hãy nêu thời điểm hoặc phiên bản phù hợp.
- Mức độ dễ hiểu: một câu chỉ nên chứa một ý chính, không ghép “dễ học và tiết kiệm thời gian” trong cùng item.
Bạn có thể chạy khảo sát thử với một nhóm nhỏ phù hợp với đối tượng chính để phát hiện từ khó hiểu, câu bị trùng ý hoặc lựa chọn trả lời bị thiếu. Khảo sát thử không biến một bản dịch thành thang đo đã được xác nhận. Nó chỉ giúp bạn phát hiện lỗi thiết kế trước khi tốn công làm sạch hàng trăm dòng dữ liệu.
Khi kỳ vọng nỗ lực nằm cạnh các biến UTAUT khác, hãy kiểm tra ranh giới khái niệm. Kỳ vọng hiệu quả là từ khóa dễ bị dùng nhầm trong lúc viết giả thuyết, còn ảnh hưởng xã hội lại đo tác động từ người quan trọng hoặc cộng đồng. Nếu đề tài dùng UTAUT2, động lực hưởng thụ cũng là một biến riêng, không gộp vào EE chỉ vì người dùng thấy ứng dụng dễ sử dụng.
Kiểm định độ tin cậy và giá trị của thang đo
Sau khi có dữ liệu, quy trình thường đi từ kiểm tra dữ liệu, độ tin cậy, giá trị hội tụ và giá trị phân biệt. Với SPSS, bạn có thể chạy Cronbach's Alpha và EFA. Với SmartPLS, bạn đánh giá measurement model bằng outer loading, Composite Reliability, AVE và HTMT trước khi đi sang structural model. Cách đánh giá phải phù hợp với phần mềm và mô hình bạn đã chọn.
| Chỉ số hoặc tiêu chí | Mức tham khảo | Cách dùng trong quyết định | Nguồn |
|---|---|---|---|
| Cronbach's Alpha | Từ 0.7 trở lên | Đánh giá độ nhất quán nội tại của thang đo | (Nunnally, 1978) |
| Cronbach's Alpha trong nghiên cứu khám phá | Từ 0.6 trở lên có thể chấp nhận | Cân nhắc cùng bối cảnh và các chỉ số khác | (Hair và cộng sự, 2010) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | Xem xét item có tương quan thấp với tổng thang đo | (Nunnally và Bernstein, 1994) |
| Factor loading trong EFA | Từ 0.5 trở lên | Đánh giá biến quan sát tải đủ mạnh lên nhân tố | (Hair và cộng sự, 2010) |
| KMO | Từ 0.5 trở lên | Kiểm tra mức phù hợp của dữ liệu cho EFA | (Kaiser, 1974) |
| Total Variance Explained | Từ 50% trở lên | Xem phần phương sai được các nhân tố giải thích | (Hair và cộng sự, 2010) |
| Outer loading trong PLS-SEM | Từ 0.7 trở lên | Đánh giá biến quan sát trong measurement model | (Chin, 1998) |
| Composite Reliability | Từ 0.7 trở lên | Đánh giá độ tin cậy tổng hợp | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | Đánh giá giá trị hội tụ | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85, hoặc 0.90 với khái niệm gần nhau | Đánh giá giá trị phân biệt | (Henseler và cộng sự, 2015) |
Nếu chạy SPSS, vào Analyze > Scale > Reliability Analysis, đưa EE1 đến EE4 vào ô Items, rồi mở Statistics và chọn Scale if item deleted. Bảng Reliability Statistics cho bạn Cronbach's Alpha và số item. Bảng Item-Total Statistics cho Corrected Item-Total Correlation và Alpha if Item Deleted. Đừng xóa một item chỉ vì Alpha tăng nhẹ; hãy xem item đó có sai khái niệm, sai mã hóa hoặc wording khó hiểu hay không.
Để chạy EFA, vào Analyze > Dimension Reduction > Factor. Trong Descriptives, chọn KMO and Bartlett's test. Trong Extraction, ghi rõ cách chọn số nhân tố và xem bảng Total Variance Explained. Trong Rotation, chọn phương pháp phù hợp với giả định các nhân tố có liên hệ, sau đó đọc Rotated Component Matrix. EFA hiếm khi ra đẹp ngay ở lần đầu. Nếu phải loại biến, ghi lại lý do và chạy lại theo một quy trình có thể giải trình.
Nếu dùng SmartPLS 4, kiểm tra Outer Loadings, Construct Reliability and Validity và Discriminant Validity. Bảng kết quả có thể có các cột như rho_A, Composite Reliability, AVE và HTMT. Khi kiểm định mô hình cấu trúc, bạn mới đọc Path Coefficients, R-Square, f-Square và kết quả bootstrapping. CFI, TLI và RMSEA thuộc nhóm chỉ số của CB-SEM, vì vậy không đưa chúng vào báo cáo SmartPLS.
Số liệu minh họa từ SmartPLS
Bảng sau chỉ là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được sắp theo nhóm bảng bạn thường gặp trong SmartPLS 4 để bạn biết cần tìm ở đâu khi mở output.
| Construct | Indicator | Outer Loading | Cronbach's Alpha | rho_A | Composite Reliability | AVE |
|---|---|---|---|---|---|---|
| Effort Expectancy | EE1 | 0.812 | 0.861 | 0.864 | 0.905 | 0.704 |
| Effort Expectancy | EE2 | 0.846 | 0.861 | 0.864 | 0.905 | 0.704 |
| Effort Expectancy | EE3 | 0.871 | 0.861 | 0.864 | 0.905 | 0.704 |
| Effort Expectancy | EE4 | 0.823 | 0.861 | 0.864 | 0.905 | 0.704 |
Trong output thật, Alpha, rho_A, Composite Reliability và AVE thường được trình bày theo construct, không lặp lại theo từng indicator như bảng minh họa này. Nếu EE3 có outer loading thấp, bạn không nên xóa ngay. Hãy xem lại wording, nội dung khái niệm và sự khác biệt giữa các biến trước khi quyết định. Mỗi lần loại biến cần được lưu thành một phiên bản file riêng để bạn giải thích được quá trình xử lý.
Cách trình bày thang đo trong chương 3
Trong chương 3, bạn nên trình bày nguồn khái niệm, cách mã hóa, thang đo sử dụng và cách điều chỉnh. Một đoạn mô tả tốt cho người đọc biết item được kế thừa từ đâu, đối tượng khảo sát là ai và thang Likert có bao nhiêu mức. Kết quả Cronbach's Alpha, EFA hoặc SmartPLS nên để ở chương 4, trừ khi quy định của khoa yêu cầu cách trình bày khác.
Cách viết vào luận văn: “Thang đo Kỳ vọng nỗ lực được kế thừa và điều chỉnh từ Venkatesh và cộng sự (2003), gồm [số lượng] biến quan sát, ký hiệu từ [EE1] đến [EEx]. Người trả lời đánh giá các phát biểu trên thang Likert [5/7] mức, trong đó [1] là [hoàn toàn không đồng ý] và [5/7] là [hoàn toàn đồng ý]. Các biến quan sát được điều chỉnh ngôn ngữ để phù hợp với bối cảnh [đối tượng nghiên cứu].”
Bạn có thể lập bảng trong chương 3 với các cột mã biến, phát biểu, nguồn và thang đo. Đừng ghi “thang đo đạt độ tin cậy” trước khi có kết quả dữ liệu. Ở chương phương pháp, hãy dùng các từ như “thang đo dự kiến” hoặc “thang đo tham khảo”. Sau khi chạy dữ liệu, chương 4 mới nêu item nào được giữ lại và chỉ số nào đạt tiêu chí.
Nếu mô hình còn có chuẩn chủ quan, bạn có thể xem cách phân biệt khái niệm tại chuẩn chủ quan là gì. Điều kiện thuận lợi cũng thường xuất hiện trong UTAUT, nhưng nội dung của nó liên quan đến nguồn lực và hạ tầng hỗ trợ, không phải mức độ dễ học hay dễ thao tác của hệ thống.
Lỗi thường gặp
Gộp kỳ vọng nỗ lực với kỳ vọng hiệu quả: “Dễ sử dụng” và “giúp tôi làm việc hiệu quả hơn” trả lời hai câu hỏi khác nhau. Hãy kiểm tra lại mô hình khái niệm trước khi sửa item.
Dịch item thành câu quá chung: “Tôi thấy công nghệ này tốt” không cho biết người trả lời đang đánh giá mức độ dễ học hay lợi ích. Câu hỏi cần có đối tượng và nội dung đo cụ thể.
Dùng một bảng hỏi cũ mà không kiểm tra bối cảnh: Ứng dụng ngân hàng, nền tảng học trực tuyến và hệ thống hành chính có yêu cầu trải nghiệm khác nhau. Một item phù hợp với nhóm này có thể khó hiểu với nhóm khác.
Xóa item để làm đẹp chỉ số: Cronbach's Alpha tăng không tự động chứng minh thang đo tốt hơn. Bạn cần xem tính phù hợp lý thuyết, tương quan item-tổng, loading và sự thay đổi của giá trị phân biệt.
Đảo chiều sai mã: Nếu câu phủ định đã được nhập thành 1 đến 5 theo nội dung hiển thị, bạn phải reverse code trước khi tính điểm. Hãy kiểm tra bảng tần số và nhãn giá trị trước khi chạy.
Trộn SPSS và SmartPLS thiếu nguyên tắc: Có thể dùng SPSS để làm sạch dữ liệu và SmartPLS để kiểm định mô hình, nhưng cần mô tả rõ từng bước. Không lấy ngưỡng của CB-SEM để kết luận cho PLS-SEM.
Câu hỏi thường gặp
Kỳ vọng nỗ lực và kỳ vọng hiệu quả khác nhau thế nào?
Kỳ vọng nỗ lực nói về mức độ dễ học, dễ hiểu và dễ sử dụng. Kỳ vọng hiệu quả nói về việc công nghệ có giúp người dùng cải thiện kết quả hay hoàn thành công việc tốt hơn không. Hai biến có thể liên quan, nhưng biến quan sát và giả thuyết cần được viết riêng.
Có bắt buộc phải dùng đúng bốn biến quan sát không?
Không có một con số duy nhất áp dụng cho mọi đề tài. Bốn biến là cấu trúc tham khảo thường gặp khi kế thừa UTAUT, nhưng bạn cần xem nguồn gốc, bối cảnh, đối tượng khảo sát và kết quả kiểm định. Không nên thêm hoặc bớt item chỉ để đạt một Alpha mong muốn.
Cronbach's Alpha của kỳ vọng nỗ lực dưới 0.7 thì làm sao?
Trước tiên kiểm tra mã hóa, dữ liệu thiếu, item đảo chiều và Corrected Item-Total Correlation. Nếu thang đo đang ở giai đoạn khám phá, Alpha từ 0.6 có thể được cân nhắc cùng các bằng chứng khác (Hair và cộng sự, 2010). Việc loại biến phải có lý do về dữ liệu và nội dung, không chỉ dựa vào cột Alpha if Item Deleted.
Có thể dùng thang đo kỳ vọng nỗ lực cho đề tài ngoài công nghệ không?
Bạn có thể dùng logic khái niệm này nếu đối tượng nghiên cứu có một hệ thống, sản phẩm hoặc hành vi mà người trả lời cần học và thao tác. Tuy nhiên, phải điều chỉnh wording và giải thích vì sao mô hình UTAUT phù hợp. Nếu đối tượng không có trải nghiệm sử dụng cụ thể, người trả lời sẽ khó đánh giá các item về mức độ dễ dùng.
Nên chạy SPSS hay SmartPLS cho thang đo này?
Nếu mô hình của bạn dùng EFA và hồi quy, SPSS có thể đáp ứng các bước cần thiết. Nếu bạn xây dựng mô hình PLS-SEM với biến tiềm ẩn, SmartPLS cung cấp nhóm output như Outer Loadings, Composite Reliability, AVE và HTMT. Lựa chọn nên dựa trên mô hình nghiên cứu, yêu cầu của người hướng dẫn và khả năng giải thích output khi bảo vệ.
Mở file bảng hỏi hoặc file dữ liệu của bạn ngay bây giờ, đối chiếu từng item EE1 đến EE4 với bối cảnh nghiên cứu, rồi ghi lại nguồn và thay đổi wording trong một bảng riêng. Nếu cần xây dựng trọn mô hình, giả thuyết và bảng hỏi, bạn có thể dùng M3 mô hình, thang đo và bảng hỏi của DoThesis.