Mô hình TAM là gì? Thành phần, thang đo và cách áp dụng

Mô hình TAM là gì

Bạn đang có một đề tài về ý định sử dụng ứng dụng ngân hàng, học trực tuyến, ví điện tử hoặc phần mềm quản lý, nhưng chưa biết nối các biến thành mô hình thế nào. Mô hình TAM, viết đầy đủ là Technology Acceptance Model, là một khung lý thuyết thường được dùng để giải thích vì sao người dùng chấp nhận hoặc từ chối một công nghệ.

Mô hình TAM gốc do Davis đề xuất năm 1989. Hai biến trung tâm là Perceived Usefulness, thường viết tắt là PU và dịch là nhận thức tính hữu ích, cùng Perceived Ease of Use, viết tắt là PEOU và dịch là nhận thức tính dễ sử dụng. Theo logic của mô hình, người dùng có xu hướng đánh giá công nghệ hữu ích và dễ sử dụng hơn thì hình thành thái độ tích cực hơn, từ đó tăng ý định sử dụng.

Nguồn gốc của mô hình gắn với nghiên cứu của (Davis, 1989). Khi áp dụng vào luận văn, bạn cần phân biệt rõ mô hình lý thuyết với mô hình nghiên cứu của riêng mình. TAM cung cấp cấu trúc và logic quan hệ giữa các khái niệm. Bạn vẫn phải chọn bối cảnh, biến mở rộng, đối tượng khảo sát và thang đo phù hợp.

Nếu cần xem thêm cách diễn giải riêng về khái niệm này, bạn có thể đọc bài chấp nhận công nghệ TAM là gì. Còn bài này tập trung vào việc biến TAM thành một mô hình có thể đo lường và kiểm định bằng dữ liệu bảng hỏi.

Các thành phần trong mô hình

TAM gốc thường được trình bày theo chuỗi từ nhận thức đến ý định hành vi. Một số sơ đồ còn đưa biến sử dụng thực tế vào cuối mô hình. Bạn không nên đưa tất cả biến vào bảng hỏi chỉ vì chúng xuất hiện trong tài liệu. Hãy xác định biến nào thật sự cần cho câu hỏi nghiên cứu của bạn.

PU trả lời câu hỏi: “Công nghệ này có ích gì cho tôi”. PEOU trả lời câu hỏi: “Tôi có thể sử dụng công nghệ này dễ đến mức nào”. Hai câu hỏi này gần nhau nhưng không trùng nhau. Một ứng dụng có thể hữu ích nhưng khó thao tác, hoặc dễ dùng nhưng không tạo ra lợi ích rõ ràng.

ATT thường được đưa vào mô hình khi bạn muốn giải thích quá trình tâm lý từ nhận thức sang ý định. Tuy nhiên, nhiều nghiên cứu hiện đại sử dụng phiên bản rút gọn và kiểm định trực tiếp PU, PEOU đến ý định sử dụng. Việc giữ hay bỏ ATT cần dựa vào mục tiêu nghiên cứu, nền tảng lý thuyết và giới hạn cỡ mẫu.

Khi vẽ sơ đồ, mũi tên phải thể hiện đúng giả thuyết. Ví dụ, PEOU có thể tác động đến PU vì một hệ thống dễ sử dụng thường được người dùng đánh giá là hữu ích hơn. PU và ATT có thể cùng tác động đến BI. Bạn cần ghi rõ biến nào là biến độc lập, biến trung gian và biến phụ thuộc trước khi thiết kế bảng hỏi.

Mô hình gốc và các mở rộng phổ biến

Mô hình TAM gốc có ưu điểm là gọn và dễ kiểm định. Tuy vậy, nó chưa giải thích đầy đủ các yếu tố bối cảnh như niềm tin, rủi ro, ảnh hưởng xã hội, điều kiện hỗ trợ hoặc sự phù hợp của công nghệ với công việc. Vì vậy, nhiều đề tài bổ sung biến bên ngoài rồi kiểm tra xem biến đó có tác động đến PU, PEOU, ATT hoặc BI hay không.

Một hướng mở rộng thường gặp là thêm biến niềm tin và rủi ro cảm nhận trong đề tài ngân hàng số, thương mại điện tử hoặc thanh toán trực tuyến. Bạn cần giải thích vì sao hai biến này liên quan đến bối cảnh nghiên cứu, thay vì thêm chúng để làm mô hình có nhiều giả thuyết hơn.

Một hướng khác là sử dụng UTAUT hoặc UTAUT2 khi đề tài nhấn mạnh ảnh hưởng xã hội, điều kiện thuận lợi, động lực hưởng thụ, giá trị chi phí hoặc thói quen. UTAUT được đề xuất bởi (Venkatesh và cộng sự, 2003), còn UTAUT2 mở rộng cho bối cảnh người tiêu dùng bởi (Venkatesh và cộng sự, 2012). TAM và UTAUT có thể cùng xuất hiện trong phần tổng quan, nhưng bạn cần chọn một logic chính để tránh mô hình bị chồng chéo.

Bạn cũng có thể so sánh TAM với TPB hoặc các mô hình khác khi xây dựng cơ sở lý thuyết. TPB của (Ajzen, 1991) tập trung vào thái độ, chuẩn chủ quan và nhận thức kiểm soát hành vi. Những biến này không tự động trở thành biến của TAM. Nếu muốn kết hợp, bạn phải trình bày cơ sở lý luận cho từng mối quan hệ và chỉ ra biến nào được kế thừa từ mô hình nào.

Một mô hình nghiên cứu tốt không cần có thật nhiều biến. Hội đồng thường hỏi ba điểm: tại sao chọn biến này, tại sao có mũi tên kia và thang đo lấy từ đâu. Mỗi biến thêm vào làm tăng số giả thuyết, số biến quan sát, yêu cầu cỡ mẫu và khối lượng giải thích trong chương 4.

Nếu bạn muốn đối chiếu TAM với các mô hình khác, có thể xem mô hình chấp nhận công nghệ TAM và các bài về khuếch tán đổi mới, kỳ vọng xác nhận ECM hoặc IS Success của DeLone và McLean. Mỗi mô hình trả lời một câu hỏi khác nhau, nên không nên trộn các biến chỉ vì tên đề tài đều liên quan đến công nghệ.

Thang đo thường dùng cho từng khái niệm

Thang đo TAM thường dùng nhiều biến quan sát cho mỗi khái niệm. Bạn có thể tham khảo cấu trúc thang đo từ nguồn gốc, sau đó điều chỉnh từ ngữ cho đúng bối cảnh Việt Nam. Các câu dưới đây chỉ là dạng diễn đạt tham khảo, chưa phải bản dịch đã được xác nhận cho mọi đề tài.

Bạn không nên bê nguyên câu tiếng Anh vào bảng hỏi tiếng Việt. Hãy thay “công nghệ này” bằng đối tượng cụ thể, chẳng hạn “ứng dụng ngân hàng số của ngân hàng X” hoặc “nền tảng học trực tuyến Y”. Cách thay thế phải giữ nguyên ý nghĩa của khái niệm và không làm câu hỏi chuyển từ đánh giá nhận thức sang đánh giá chất lượng dịch vụ.

Với bảng hỏi Likert, bạn cần thống nhất số điểm và hướng mã hóa. Thang Likert được dùng để đo thái độ trong nghiên cứu gốc của (Likert, 1932). Nếu chọn thang 5 điểm, bạn có thể quy ước từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Hãy đặt hướng dẫn ngay trước nhóm biến để người trả lời không hiểu nhầm.

Sau khi thu dữ liệu, quy trình thường gồm kiểm tra dữ liệu thiếu, mã hóa biến, chạy Cronbach's Alpha, EFA nếu dùng SPSS, rồi kiểm định mô hình đo lường và mô hình cấu trúc nếu dùng SmartPLS. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978). Với nghiên cứu khám phá, mức Alpha từ 0.6 có thể được cân nhắc theo (Hair và cộng sự, 2010), nhưng bạn phải giải thích bối cảnh thay vì tự động giữ mọi thang đo thấp.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn là “Các yếu tố ảnh hưởng đến ý định sử dụng ví điện tử của sinh viên tại Thành phố Hồ Chí Minh”. Bạn có thể dùng PU, PEOU, ATT và BI làm bốn cấu trúc chính. Đối tượng khảo sát là sinh viên đã biết hoặc từng tiếp xúc với ví điện tử. Nếu đưa “sử dụng thực tế” vào mô hình, bạn cần có câu hỏi đo tần suất hoặc hành vi sử dụng đủ rõ ràng.

Một mô hình minh họa có thể gồm các quan hệ sau:

• PEOU tác động tích cực đến PU.
• PEOU tác động tích cực đến ATT.
• PU tác động tích cực đến ATT.
• ATT tác động tích cực đến BI.

Từ đó, bốn giả thuyết có thể viết như sau:

H1: Nhận thức tính dễ sử dụng có tác động tích cực đến nhận thức tính hữu ích của ví điện tử.

H2: Nhận thức tính dễ sử dụng có tác động tích cực đến thái độ của sinh viên đối với việc sử dụng ví điện tử.

H3: Nhận thức tính hữu ích có tác động tích cực đến thái độ của sinh viên đối với việc sử dụng ví điện tử.

H4: Thái độ đối với việc sử dụng có tác động tích cực đến ý định sử dụng ví điện tử.

Đây là mô hình minh họa, không phải kết quả của một nghiên cứu thật. Khi làm đề tài của bạn, cần thay đối tượng, địa bàn, đơn vị phân tích và các biến bằng nội dung cụ thể. Nếu đề tài là học trực tuyến, “ví điện tử” phải được thay bằng nền tảng học tập và các biến quan sát phải phù hợp với hoạt động học.

Bạn cũng cần xác định quan hệ nào là trực tiếp và quan hệ nào là trung gian. Nếu muốn kiểm định ATT là biến trung gian giữa PU và BI, phần phương pháp phải nêu rõ cách kiểm định hiệu ứng gián tiếp. Với bootstrap, hiệu ứng gián tiếp được xem là có ý nghĩa khi khoảng tin cậy không chứa 0 theo (Preacher và Hayes, 2008). Trong SmartPLS, bạn có thể đọc indirect effects sau khi chạy bootstrapping.

Một đoạn có thể điều chỉnh để đưa vào luận văn là: “Dựa trên mô hình TAM của (Davis, 1989), nghiên cứu đề xuất rằng nhận thức tính dễ sử dụng và nhận thức tính hữu ích ảnh hưởng đến thái độ của [đối tượng khảo sát] đối với [công nghệ]. Thái độ được giả định có tác động tích cực đến ý định sử dụng [công nghệ]. Các giả thuyết H1 đến H4 được xây dựng để kiểm định những mối quan hệ này.”

Hãy vẽ mô hình bằng các hình chữ nhật hoặc hình elip nhất quán, đặt tên biến trùng với mã trong dữ liệu. Nếu trên sơ đồ ghi “Nhận thức tính hữu ích” nhưng trong file dùng PU, phần kết quả nên giới thiệu cả hai cách gọi ở lần xuất hiện đầu tiên. Việc này giúp hội đồng nối được sơ đồ, bảng câu hỏi và output.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn cần kiểm tra dữ liệu, thống kê mô tả, Cronbach's Alpha, EFA, tương quan và hồi quy tuyến tính. Bạn có thể bắt đầu với file .sav hoặc .csv, kiểm tra tên biến, giá trị thiếu và các biến đảo chiều trước khi chạy. Trong SPSS, Cronbach's Alpha nằm ở Analyze > Scale > Reliability Analysis.

Nếu dùng EFA, đường dẫn thường là Analyze > Dimension Reduction > Factor. Bạn cần kiểm tra bảng KMO and Bartlett's Test, Total Variance Explained và Rotated Component Matrix. KMO từ 0.5 trở lên và Bartlett có ý nghĩa thống kê được tham chiếu theo (Kaiser, 1974). Factor loading từ 0.5 trở lên và tổng phương sai trích từ 50% trở lên có thể tham khảo (Hair và cộng sự, 2010). EFA hiếm khi ra đẹp ở lần chạy đầu. Nếu một biến tải mạnh lên nhiều nhân tố hoặc không tải đạt, bạn cần xem nội dung lý thuyết, ghi lại lý do loại và chạy lại có kiểm soát.

Sau EFA, hồi quy có thể dùng để kiểm định các quan hệ trực tiếp. Trong SPSS, chọn Analyze > Regression > Linear, đưa biến phụ thuộc vào ô Dependent và các biến dự báo vào Independent(s). Đọc bảng Model Summary, ANOVA và Coefficients. Bạn cần báo cáo hệ số Beta, p-value hoặc Sig., R Square và kiểm tra đa cộng tuyến. Với hồi quy, cỡ mẫu có thể tham khảo quy tắc n từ 50 + 8m trở lên theo (Tabachnick và Fidell, 2013).

SmartPLS phù hợp khi mô hình có biến tiềm ẩn, nhiều biến quan sát và bạn muốn kiểm định đồng thời mô hình đo lường với mô hình cấu trúc. Trong SmartPLS 4, bạn tạo project, nhập file .csv, kéo các biến quan sát vào construct, nối mũi tên giữa các construct rồi chạy PLS-SEM Algorithm. Sau đó chạy Bootstrapping, có thể đặt số lượng bootstrap là 5.000 theo hướng dẫn của (Hair và cộng sự, 2022).

Ở mô hình đo lường, hãy đọc Outer Loadings, Reliability, Convergent Validity và Discriminant Validity. CR từ 0.7 và AVE từ 0.5 trở lên có thể tham chiếu (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được đề xuất bởi (Henseler và cộng sự, 2015). Ở mô hình cấu trúc, đọc Path Coefficients, R Square, f Square, Construct Crossvalidated Redundancy hoặc Q² và Inner VIF Values. VIF dưới 5 được báo cáo theo (Hair và cộng sự, 2019), còn R² có thể diễn giải theo các mức 0.75, 0.50 và 0.25 của (Hair và cộng sự, 2011).

SmartPLS không dùng CFI, TLI và RMSEA để đánh giá như CB-SEM. Các chỉ số này thuộc logic CB-SEM và ngưỡng được nêu trong (Hu và Bentler, 1999). Nếu bạn dùng SmartPLS nhưng chép bảng Model Fit của AMOS vào chương 4, hội đồng có thể hỏi ngay vì sao phương pháp và chỉ số không khớp.

Khi báo cáo, hãy tách hai bước: đánh giá mô hình đo lường trước, sau đó đánh giá mô hình cấu trúc. Bạn có thể trình bày một bảng cho outer loading, Alpha, rho_A, CR, AVE và HTMT, rồi một bảng khác cho hệ số đường dẫn, t-value, p-value, R² và Q². Không ghi “mô hình đạt” nếu chỉ một chỉ số đạt mà các chỉ số còn lại chưa được kiểm tra.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là dùng TAM như một danh sách biến cố định. TAM là nền tảng, còn mô hình nghiên cứu phải phù hợp với đối tượng và công nghệ cụ thể. Một đề tài về ý định dùng ứng dụng chăm sóc sức khỏe có thể cần xem xét niềm tin hoặc quyền riêng tư, trong khi đề tài về phần mềm nội bộ doanh nghiệp lại cần chú ý sự phù hợp với nhiệm vụ.

Lỗi thứ hai là đặt giả thuyết nhưng không có thang đo tương ứng. Nếu có H3 về thái độ, bảng hỏi phải có nhóm biến quan sát đo ATT. Nếu có biến trung gian, bạn phải lên kế hoạch kiểm định hiệu ứng gián tiếp ngay từ chương phương pháp.

Lỗi thứ ba là dịch PU và PEOU thành những câu hỏi quá chung. “Ứng dụng tốt” có thể trộn lẫn hữu ích, dễ sử dụng và chất lượng dịch vụ. Mỗi biến quan sát nên phản ánh một ý chính và có chủ thể, đối tượng rõ ràng.

Lỗi thứ tư là loại biến chỉ để làm Alpha tăng mà không đọc nội dung. SPSS có thể hiển thị cột Cronbach's Alpha if Item Deleted, nhưng con số này chỉ là gợi ý. Bạn cần xem corrected item-total correlation, ý nghĩa lý thuyết, cách mã hóa và khả năng người trả lời hiểu câu hỏi.

Lỗi thứ năm là khẳng định có tác động khi chỉ nhìn vào tương quan. Tương quan cho biết mức độ liên hệ giữa các biến, còn hồi quy hoặc path coefficient mới được dùng để kiểm định quan hệ trong mô hình theo thiết kế phân tích của bạn. Kết luận cuối cùng phải dựa vào hệ số, p-value hoặc khoảng tin cậy và chiều tác động.

Lỗi cuối là lấy mô hình của một bài nghiên cứu khác rồi đổi tên công nghệ. Bạn cần kiểm tra bối cảnh, đối tượng, cách dịch thang đo và thời điểm sử dụng. Một thang đo phù hợp với nhân viên doanh nghiệp chưa chắc phù hợp với sinh viên dùng ví điện tử.

Câu hỏi thường gặp

Mô hình TAM có bao nhiêu biến?

Mô hình TAM gốc thường xoay quanh PU, PEOU, thái độ, ý định sử dụng và có thể gồm sử dụng thực tế. Số biến trong mô hình nghiên cứu của bạn có thể ít hơn hoặc nhiều hơn tùy mục tiêu, nhưng mỗi biến thêm vào phải có cơ sở lý thuyết và thang đo phù hợp.

Mô hình TAM dùng SPSS hay SmartPLS?

Bạn có thể dùng SPSS nếu mục tiêu là làm sạch dữ liệu, Cronbach's Alpha, EFA, tương quan và hồi quy. SmartPLS phù hợp khi bạn muốn kiểm định các biến tiềm ẩn, mô hình đo lường, mô hình cấu trúc, hiệu ứng trung gian hoặc nhiều quan hệ cùng lúc.

Có bắt buộc đưa thái độ vào mô hình TAM không?

Không bắt buộc cho mọi đề tài. Bạn có thể dùng mô hình rút gọn với PU, PEOU và BI nếu có cơ sở để bỏ ATT. Tuy nhiên, cần giải thích lựa chọn này trong phần tổng quan và nêu rõ mô hình nghiên cứu của bạn khác mô hình gốc ở điểm nào.

Thang đo TAM lấy ở đâu?

Bạn nên bắt đầu từ nguồn gốc (Davis, 1989), sau đó kiểm tra các nghiên cứu trong đúng bối cảnh công nghệ và đối tượng của mình. Khi dịch hoặc điều chỉnh, cần ghi rõ đây là thang đo tham khảo đã được hiệu chỉnh cho [bối cảnh nghiên cứu], không trình bày như bản dịch nguyên gốc nếu bạn chưa có căn cứ xác nhận.

Nếu Cronbach's Alpha thấp thì phải làm sao?

Kiểm tra hướng mã hóa, dữ liệu thiếu, biến đảo chiều và corrected item-total correlation trước. Sau đó xem nội dung biến quan sát và cột Cronbach's Alpha if Item Deleted. Chỉ loại biến khi có lý do thống kê và lý thuyết, đồng thời ghi lại các vòng xử lý để giải trình trong luận văn.

Mô hình TAM có dùng được cho đề tài ý định tiếp tục sử dụng không?

Có thể dùng, nhưng bạn cần xem câu hỏi nghiên cứu đang nói về chấp nhận ban đầu hay tiếp tục sử dụng. Với ý định tiếp tục, bạn có thể cần một logic lý thuyết khác hoặc biến bổ sung phù hợp với trải nghiệm sau sử dụng. Đừng đổi tên biến BI thành “ý định tiếp tục” nếu toàn bộ thang đo vẫn chỉ đo ý định dùng lần đầu.

Mở file dữ liệu của bạn ngay bây giờ, lập danh sách construct, mã biến quan sát và nguồn thang đo trước khi vẽ sơ đồ TAM. Khi cần kiểm tra mô hình, thang đo và chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.