Task Technology Fit là gì? Cách xây dựng và kiểm định mô hình

Mô hình Task Technology Fit là gì

Task Technology Fit, thường viết tắt là TTF, là mô hình dùng để giải thích mức độ phù hợp giữa đặc điểm của nhiệm vụ, đặc điểm của công nghệ và yêu cầu để hoàn thành nhiệm vụ. Ý tưởng cốt lõi rất thực tế: một công nghệ có nhiều chức năng chưa chắc hữu ích nếu các chức năng đó không hỗ trợ đúng công việc người dùng cần làm.

Ví dụ, trong đề tài về ứng dụng học trực tuyến, nhiệm vụ có thể gồm tìm tài liệu, nộp bài, trao đổi với giảng viên và theo dõi tiến độ. Công nghệ được đánh giá qua khả năng cung cấp chức năng tìm kiếm, truy cập tài liệu, gửi bài và nhận phản hồi. Khi các chức năng đó khớp với yêu cầu của nhiệm vụ, người dùng có xu hướng đánh giá mức độ phù hợp cao hơn. Mức độ phù hợp này có thể liên quan đến việc sử dụng công nghệ và hiệu quả thực hiện nhiệm vụ.

TTF thường được dùng khi câu hỏi nghiên cứu tập trung vào sự phù hợp giữa công cụ và công việc cụ thể. Mô hình phù hợp với các bối cảnh như ngân hàng số, hệ thống ERP, phần mềm quản lý, thương mại điện tử, học trực tuyến, ứng dụng giao hàng hoặc nền tảng làm việc từ xa. Bạn có thể xem thêm nhóm bài về Mô hình nghiên cứu để đặt TTF vào quy trình xây dựng mô hình định lượng rộng hơn.

Cần phân biệt TTF với câu hỏi người dùng có thích công nghệ hay không. TAM tập trung nhiều hơn vào perceived usefulness và perceived ease of use, trong khi TTF hỏi công nghệ có đáp ứng yêu cầu của nhiệm vụ hay không. Vì vậy, một ứng dụng có giao diện dễ dùng vẫn có thể có TTF thấp nếu thiếu chức năng cần thiết cho công việc.

Các thành phần trong mô hình

Một mô hình TTF cơ bản thường bắt đầu từ ba nhóm khái niệm: đặc điểm nhiệm vụ, đặc điểm công nghệ và mức độ phù hợp giữa nhiệm vụ với công nghệ. Tùy đề tài, bạn có thể thêm việc sử dụng công nghệ và hiệu quả thực hiện nhiệm vụ. Đừng đưa tất cả biến vào mô hình chỉ vì chúng xuất hiện trong một sơ đồ trên Internet. Mỗi biến cần có định nghĩa, biến quan sát và giả thuyết riêng.

Quan hệ giữa các thành phần cần bám vào bối cảnh. Nếu đề tài chỉ hỏi công nghệ có phù hợp với nhiệm vụ không, mô hình có thể dừng ở TTF. Nếu bạn muốn giải thích kết quả sau khi sử dụng, có thể thêm biến sử dụng công nghệ và hiệu quả thực hiện nhiệm vụ. Khi đó, TTF không tự động đồng nghĩa với hiệu quả. Bạn vẫn cần kiểm định dữ liệu để xem quan hệ có tồn tại trong mẫu nghiên cứu của mình hay không.

TTF cũng có thể là biến độc lập, biến trung gian hoặc một cấu trúc được hình thành từ nhiều khía cạnh. Đây là điểm cần thống nhất trước khi thiết kế bảng hỏi. Nếu các khía cạnh như chức năng, thông tin và khả năng truy cập được xem là những mặt tạo nên TTF, cách đo và cách đánh giá mô hình sẽ khác với trường hợp tất cả biến quan sát cùng phản ánh một khái niệm chung.

Mô hình gốc và các mở rộng phổ biến

Trong tài liệu về TTF, bạn sẽ gặp cách trình bày khác nhau về quan hệ giữa nhiệm vụ, công nghệ, mức độ phù hợp, việc sử dụng và hiệu quả. Khi đọc một bài nghiên cứu, hãy ghi lại bốn điểm: bối cảnh nghiên cứu, đơn vị phân tích, định nghĩa từng biến và cách tác giả đo biến đó. Một sơ đồ có cùng chữ TTF vẫn có thể đại diện cho cấu trúc khác.

Một hướng mở rộng là kết hợp TTF với TAM. TTF trả lời công nghệ có phù hợp với nhiệm vụ không, còn TAM giúp giải thích người dùng cảm nhận công nghệ hữu ích và dễ sử dụng như thế nào. Bạn có thể đọc thêm mô hình TAM, mô hình chấp nhận công nghệ TAM và bài chấp nhận công nghệ TAM là gì để quyết định có cần thêm perceived usefulness hoặc perceived ease of use hay không.

Một hướng khác là kết hợp TTF với kết quả sau sử dụng. Trong mô hình này, TTF có thể tác động đến mức độ sử dụng, sự hài lòng, hiệu quả cá nhân hoặc hiệu quả công việc. Tuy nhiên, bạn không nên gộp các kết quả này thành một biến duy nhất nếu bảng hỏi không phân biệt rõ từng khái niệm.

TTF cũng có thể được đặt cạnh các mô hình hệ thống thông tin khác. Chẳng hạn, mô hình IS Success của DeLone và McLean quan tâm đến chất lượng hệ thống, chất lượng thông tin, mức độ sử dụng, sự hài lòng và lợi ích ròng. TTF có thể bổ sung góc nhìn về sự phù hợp với nhiệm vụ, nhưng hai mô hình không nên ghép cơ học. Bạn cần giải thích biến nào trả lời khoảng trống nghiên cứu mà mô hình còn lại chưa trả lời.

Nếu bạn tham khảo mô hình khuếch tán đổi mới, hãy giữ ranh giới khái niệm rõ ràng. Diffusion of Innovation giải thích quá trình một đổi mới được tiếp nhận và lan truyền, còn TTF tập trung vào sự phù hợp giữa công nghệ và nhiệm vụ. Hai hướng có thể liên quan trong đề tài, nhưng không thay thế cho nhau.

Thang đo thường dùng cho từng khái niệm

TTF không nên được đo bằng một câu hỏi duy nhất như “Công nghệ này phù hợp với công việc của tôi”. Câu hỏi đó có thể dùng để tham khảo khi xây dựng biến quan sát, nhưng bạn cần tìm thang đo gốc, kiểm tra ngữ cảnh và điều chỉnh cách diễn đạt cho đối tượng khảo sát. Trong danh mục nguồn được phép trích dẫn của bài này không có công trình gốc về thang đo TTF, nên tôi không gắn tác giả và năm vào các nhóm biến dưới đây. Bạn cần xác minh nguồn gốc trước khi đưa vào chương 3.

Bạn nên dùng thang Likert nhất quán trong toàn bộ bảng hỏi, chẳng hạn từ hoàn toàn không đồng ý đến hoàn toàn đồng ý. Likert là dạng thang đo thái độ được giới thiệu trong (Likert, 1932). Khi dịch biến quan sát, hãy giữ một khái niệm trong một câu. Câu “Ứng dụng dễ sử dụng và giúp tôi hoàn thành nhiệm vụ nhanh hơn” đang đo ít nhất hai nội dung, nên tách thành hai biến quan sát.

Với một mô hình có nhiều biến tiềm ẩn, bạn cần chạy kiểm định độ tin cậy và giá trị theo đúng phương pháp đã chọn. Cronbach's Alpha có thể được báo cáo cho thang đo phản xạ, trong đó hệ số từ 0.7 trở lên thường được chấp nhận theo (Nunnally, 1978). Corrected Item-Total Correlation từ 0.3 trở lên là một tiêu chí tham khảo theo (Nunnally và Bernstein, 1994). Nếu nghiên cứu có tính khám phá, alpha từ 0.6 có thể được xem xét theo (Hair và cộng sự, 2010), nhưng bạn phải giải thích bối cảnh thay vì tự động giữ mọi biến.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu “Các yếu tố ảnh hưởng đến hiệu quả sử dụng hệ thống quản lý học tập của sinh viên”. Một mô hình gọn có thể gồm Task Characteristics, Technology Characteristics, Task Technology Fit, Technology Use và Task Performance. Bạn cần xác định trước sinh viên đang thực hiện nhiệm vụ nào trên hệ thống, chẳng hạn xem tài liệu, nộp bài và theo dõi phản hồi.

Một bộ giả thuyết minh họa có thể viết như sau:

• H1: Đặc điểm nhiệm vụ có ảnh hưởng tích cực đến Task Technology Fit.
• H2: Đặc điểm công nghệ có ảnh hưởng tích cực đến Task Technology Fit.
• H3: Task Technology Fit có ảnh hưởng tích cực đến việc sử dụng hệ thống.
• H4: Task Technology Fit có ảnh hưởng tích cực đến hiệu quả thực hiện nhiệm vụ.

Đây là cấu trúc minh họa để bạn phát triển mô hình, không phải kết quả của một nghiên cứu đã chạy. Hướng tác động cần được kiểm tra lại từ tổng quan tài liệu và bối cảnh thực tế. Nếu người dùng chưa từng thực hiện nhiệm vụ, câu trả lời của họ về mức độ phù hợp sẽ thiếu cơ sở, vì vậy bảng hỏi nên có câu sàng lọc về trải nghiệm sử dụng.

Cách viết vào luận văn: “Dựa trên mục tiêu nghiên cứu, đề tài đề xuất rằng [đặc điểm nhiệm vụ/đặc điểm công nghệ] ảnh hưởng đến [Task Technology Fit], từ đó [Task Technology Fit] ảnh hưởng đến [sử dụng công nghệ/hiệu quả thực hiện nhiệm vụ]. Các giả thuyết H1 đến H4 được kiểm định bằng dữ liệu khảo sát từ [đối tượng] tại [bối cảnh nghiên cứu].” Bạn thay toàn bộ phần trong ngoặc vuông bằng thông tin thật của đề tài.

Khi xác định cỡ mẫu, hãy tính theo số biến quan sát và số biến độc lập trong mô hình, không chỉ theo số giả thuyết. Quy tắc từ 5 đến 10 quan sát cho mỗi biến quan sát được nêu trong (Hair và cộng sự, 2010). Với hồi quy, công thức cỡ mẫu tối thiểu 50 + 8m, trong đó m là số biến độc lập, được trình bày theo (Tabachnick và Fidell, 2013). Đây là căn cứ tham khảo, không bảo đảm dữ liệu của bạn sẽ đạt mọi kiểm định.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

Bạn có thể dùng SPSS nếu mô hình chủ yếu gồm các thang đo tổng hợp, hồi quy và kiểm định trung gian bằng PROCESS. SPSS phù hợp khi bạn cần kiểm tra dữ liệu, chạy Cronbach's Alpha, EFA và hồi quy. Với mô hình có nhiều biến tiềm ẩn và muốn đánh giá outer loading, CR, AVE, HTMT cùng path coefficient, SmartPLS thường thuận tiện hơn.

Trước khi chạy, đặt tên biến ngắn và nhất quán, ví dụ TC1 cho Task Characteristics, TEC1 cho Technology Characteristics, FIT1 cho Task Technology Fit, USE1 cho Technology Use và PER1 cho Task Performance. Kiểm tra biến đảo chiều, dữ liệu thiếu, giá trị ngoài khoảng Likert và các bản ghi trả lời quá nhanh. Không xóa biến chỉ vì kết quả chưa đẹp mà không ghi lại lý do.

Nếu dùng SPSS, bạn có thể đi theo trình tự Analyze > Scale > Reliability Analysis để kiểm tra Cronbach's Alpha, sau đó chọn Analyze > Dimension Reduction > Factor để chạy EFA nếu thiết kế nghiên cứu yêu cầu. Khi chạy hồi quy, chọn Analyze > Regression > Linear, đưa biến phụ thuộc vào ô Dependent và các biến giải thích vào ô Independent. Kiểm tra bảng Coefficients, Model Summary và ANOVA. Durbin-Watson trong khoảng 1 đến 3 là tiêu chí thường được tham khảo theo (Field, 2013).

Nếu dùng SmartPLS 4, tạo project mới, nhập file .csv, kéo các indicator vào construct và nối các mũi tên theo giả thuyết. Chạy Calculate > PLS-SEM Algorithm để xem Outer Loadings, Construct Reliability and Validity, Discriminant Validity và Path Coefficients. Sau đó chạy Calculate > Bootstrapping, chọn số lượng 5.000 bootstrap subsamples theo hướng dẫn của (Hair và cộng sự, 2022).

Trong PLS-SEM, outer loading từ 0.7 trở lên là ngưỡng tham khảo theo (Chin, 1998). CR từ 0.7 và AVE từ 0.5 trở lên có thể được đánh giá theo (Fornell và Larcker, 1981). HTMT dưới 0.85, hoặc dưới 0.90 với các khái niệm gần nhau, được nêu trong (Henseler và cộng sự, 2015). VIF dưới 5 là mức tham khảo theo (Hair và cộng sự, 2019). R² ở mức 0.75, 0.50 và 0.25 lần lượt có thể diễn giải là đáng kể, trung bình và yếu theo (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy khả năng dự báo có liên quan theo (Stone, 1974).

Bảng kết quả minh họa trong SmartPLS

Bảng dưới đây là số liệu minh họa, không phải kết quả từ một nghiên cứu thật. Bạn chỉ thay bằng số liệu trong file của mình sau khi chạy SmartPLS.

Cách đọc là nhìn vào dấu của Original Sample (O), sau đó xem P Values hoặc khoảng tin cậy của bootstrap. Bảng minh họa cho thấy các hệ số đều dương và p-value đều dưới 0.05, nhưng bạn không được chép kết luận này vào luận văn. Với dữ liệu thật, hãy báo cáo hệ số, t-value, p-value hoặc confidence interval, R² của biến phụ thuộc và các chỉ số đo lường liên quan.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là dùng TTF như một từ khóa trang trí trong mô hình. Nếu phần cơ sở lý thuyết chỉ nói công nghệ “tiện lợi” hoặc “hiện đại” mà không mô tả nhiệm vụ cụ thể, hội đồng có thể hỏi biến phù hợp đang phù hợp với việc gì.

Lỗi thứ hai là trộn TTF với perceived usefulness. Hai khái niệm có thể liên quan nhưng không đồng nhất. “Ứng dụng giúp tôi làm việc hiệu quả hơn” thiên về usefulness hoặc performance, còn “các chức năng của ứng dụng đáp ứng yêu cầu nhiệm vụ” gần với TTF hơn.

Lỗi thứ ba là lấy một thang đo từ đề tài khác rồi dịch nguyên văn. Bối cảnh bệnh viện, ngân hàng và lớp học có nhiệm vụ khác nhau. Bạn cần ghi rõ nguồn gốc, quy trình dịch, điều chỉnh từ ngữ và kết quả thử nghiệm trước khi khảo sát chính thức.

Lỗi thứ tư là xóa hàng loạt biến quan sát sau khi thấy outer loading hoặc Cronbach's Alpha thấp. Hãy kiểm tra mã hóa, biến đảo chiều, dữ liệu thiếu và nội dung khái niệm trước. Việc loại biến làm thay đổi ý nghĩa thang đo, nên mỗi vòng chạy cần có bảng ghi chú để giải trình.

Cuối cùng, đừng đưa CFI, TLI hoặc RMSEA vào bài SmartPLS. Các chỉ số này thuộc nhóm CB-SEM theo (Hu và Bentler, 1999), trong khi SmartPLS cần bộ chỉ số PLS-SEM phù hợp như outer loading, CR, AVE, HTMT, VIF, R², Q² và path coefficient.

Đọc thêm: mô hình tam, mô hình chấp nhận công nghệ tam, chấp nhận công nghệ tam là gì, is success delone mclean là gì, khuếch tán đổi mới là gì, chủ đề mo hinh nghien cuu.

Câu hỏi thường gặp

Task Technology Fit có phải là mô hình TAM không

Không. TTF tập trung vào mức độ phù hợp giữa công nghệ và nhiệm vụ. TAM tập trung vào cảm nhận hữu ích, cảm nhận dễ sử dụng và ý định hoặc hành vi chấp nhận công nghệ. Hai mô hình có thể được kết hợp nếu câu hỏi nghiên cứu cần giải thích cả sự phù hợp với nhiệm vụ và sự chấp nhận của người dùng.

Task Technology Fit nên là biến độc lập hay biến trung gian

TTF có thể giữ vai trò biến độc lập, biến trung gian hoặc biến kết quả tùy mô hình. Nếu bạn giả định đặc điểm công nghệ và đặc điểm nhiệm vụ tạo ra mức độ phù hợp, TTF thường nằm ở giữa mô hình. Nếu nghiên cứu chỉ đo tác động của TTF đến hiệu quả, TTF có thể là biến độc lập.

Có thể chạy Task Technology Fit bằng SPSS không

Có. SPSS phù hợp để kiểm tra độ tin cậy, EFA, tương quan, hồi quy và một số mô hình trung gian. Nếu bạn muốn đánh giá mô hình đo lường PLS-SEM cùng mô hình cấu trúc trong một quy trình, SmartPLS thường thuận tiện hơn. Công cụ không thay thế việc xác định khái niệm và nguồn thang đo.

TTF có cần bao nhiêu biến quan sát

Không có một con số cố định áp dụng cho mọi đề tài. Số biến quan sát phụ thuộc vào cấu trúc khái niệm, nguồn thang đo và bối cảnh. Bạn nên bảo đảm mỗi khái niệm được đo đủ các mặt cần thiết, đồng thời tính cỡ mẫu theo tổng số biến quan sát và số biến độc lập.

Kết quả TTF không đạt thì có nên xóa biến không

Chưa nên xóa ngay. Trước tiên kiểm tra dữ liệu, mã hóa, câu hỏi đảo chiều và các bản ghi bất thường. Sau đó xem biến quan sát có đúng nội dung khái niệm không. Nếu loại biến, bạn cần nêu lý do, báo cáo thay đổi của mô hình và tránh xóa chỉ để đạt một ngưỡng mong muốn.

Bạn hãy mở lại sơ đồ nghiên cứu, xác định nhiệm vụ cụ thể mà người trả lời đã thực hiện, đối chiếu từng biến quan sát với nguồn gốc và chạy thử mô hình trên chính file .sav hoặc .csv của mình. Nếu cần kiểm định mô hình và đọc output từ dữ liệu thật, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.