UTAUT là gì? Mô hình và cách áp dụng trong luận văn định lượng

Mô hình UTAUT là gì

UTAUT là viết tắt của Unified Theory of Acceptance and Use of Technology, thường được gọi là mô hình hợp nhất về chấp nhận và sử dụng công nghệ. Mô hình được đề xuất bởi Venkatesh và cộng sự (2003) để giải thích ý định sử dụng và hành vi sử dụng một hệ thống, ứng dụng hoặc công nghệ mới.

Nếu đề tài của bạn nghiên cứu mobile banking, ví điện tử, học trực tuyến, bệnh án điện tử, thương mại điện tử hoặc một nền tảng số, UTAUT có thể giúp trả lời câu hỏi: yếu tố nào khiến người dùng muốn sử dụng công nghệ và yếu tố nào khiến họ thực sự sử dụng công nghệ đó.

UTAUT thường được triển khai dưới dạng mô hình định lượng. Bạn xây dựng các biến tiềm ẩn, đo chúng bằng nhiều biến quan sát trên bảng hỏi Likert, sau đó kiểm định mối quan hệ giữa các biến bằng hồi quy, SEM hoặc PLS-SEM. Mô hình phù hợp với các đề tài có biến phụ thuộc là ý định sử dụng, hành vi sử dụng hoặc mức độ chấp nhận công nghệ.

UTAUT không nên được hiểu là một bảng câu hỏi có sẵn, chỉ cần sao chép nguyên trạng. Đây là khung lý thuyết. Khi đưa vào luận văn, bạn vẫn phải chọn biến phù hợp với bối cảnh, tìm nguồn thang đo, dịch và điều chỉnh cách diễn đạt, sau đó kiểm định dữ liệu thu được. Nếu bạn đang tìm thêm các mô hình trong cùng nhóm, có thể xem chủ đề Mô hình nghiên cứu hoặc đối chiếu với mô hình chấp nhận công nghệ TAM.

Các thành phần trong mô hình

UTAUT gốc gồm bốn biến giải thích chính, một biến trung gian quan trọng và một biến kết quả về hành vi sử dụng. Bốn biến điều tiết trong mô hình gốc là giới tính, tuổi, kinh nghiệm và mức độ tự nguyện sử dụng. Bạn cần phân biệt biến điều tiết với biến độc lập. Giới tính hoặc tuổi thường không được đưa vào như một nguyên nhân trực tiếp, mà được dùng để kiểm tra liệu quan hệ giữa các biến có thay đổi giữa các nhóm hay không.

Performance Expectancy thường trả lời câu hỏi công nghệ có hữu ích đối với công việc hoặc mục tiêu cá nhân hay không. Ví dụ, với ứng dụng học trực tuyến, biến này có thể phản ánh niềm tin rằng ứng dụng giúp sinh viên học hiệu quả hơn.

Effort Expectancy tập trung vào sự dễ sử dụng. Một ứng dụng có giao diện dễ hiểu, thao tác ít bước và dễ học thường được đánh giá cao ở khía cạnh này. Social Influence liên quan đến ảnh hưởng của bạn bè, đồng nghiệp, gia đình, giảng viên hoặc tổ chức. Facilitating Conditions đề cập đến thiết bị, đường truyền, kiến thức, tài khoản, hướng dẫn và hỗ trợ kỹ thuật cần thiết.

Behavioral Intention và Use Behavior cần được tách riêng khi thiết kế mô hình. Một người có thể có ý định sử dụng nhưng chưa thực sự sử dụng thường xuyên. Nếu bảng hỏi chỉ đo ý định, bạn không nên kết luận rằng mô hình đã giải thích hành vi sử dụng thực tế.

Mô hình gốc và các mở rộng phổ biến

Mô hình UTAUT gốc hợp nhất nhiều hướng tiếp cận trước đó về hành vi và chấp nhận công nghệ. Cấu trúc cốt lõi gồm Performance Expectancy, Effort Expectancy, Social Influence, Facilitating Conditions, Behavioral Intention và Use Behavior. Các biến điều tiết giúp mô hình giải thích sự khác biệt giữa các nhóm người dùng.

Một mở rộng được sử dụng rộng rãi là UTAUT2 của Venkatesh và cộng sự (2012). UTAUT2 bổ sung các yếu tố phù hợp hơn với bối cảnh người tiêu dùng, gồm Hedonic Motivation, Price Value và Habit. Hedonic Motivation phản ánh niềm vui hoặc sự thích thú khi sử dụng. Price Value phản ánh sự cân nhắc giữa lợi ích nhận được và chi phí phải trả. Habit thể hiện mức độ hành vi sử dụng đã trở thành thói quen.

Bạn nên chọn UTAUT hay UTAUT2 dựa trên bối cảnh nghiên cứu, không dựa vào việc mô hình nào có nhiều biến hơn. UTAUT phù hợp khi nghiên cứu công nghệ trong tổ chức, trường học hoặc môi trường có yêu cầu sử dụng. UTAUT2 thường phù hợp hơn với dịch vụ tiêu dùng, ứng dụng di động và nền tảng mà người dùng tự quyết định có trả tiền hoặc tiếp tục sử dụng hay không.

Một số luận văn bổ sung Trust, Perceived Risk, Privacy Concern, System Quality hoặc Information Quality. Việc thêm biến có thể hợp lý nếu có lập luận lý thuyết và nguồn thang đo phù hợp. Bạn cần tránh việc thêm nhiều biến chỉ vì thấy chúng xuất hiện trong một bài nghiên cứu khác. Mỗi biến mới làm tăng số giả thuyết, số biến quan sát và yêu cầu về cỡ mẫu.

UTAUT cũng có thể được so sánh với mô hình TAM, mô hình chấp nhận công nghệ TAM là gì, mô hình IS Success của Delone và McLean, hoặc mô hình khuếch tán đổi mới. TAM thường gọn hơn, trong khi UTAUT bao quát nhiều nhóm yếu tố và có cấu trúc điều tiết rõ hơn.

Thang đo thường dùng cho từng khái niệm

Thang đo UTAUT thường gồm nhiều biến quan sát cho mỗi khái niệm. Các biến quan sát nên được viết thành phát biểu để người trả lời đánh giá trên thang Likert, chẳng hạn từ 1 là hoàn toàn không đồng ý đến 5 là hoàn toàn đồng ý. Thang Likert được sử dụng để đo thái độ và mức độ đồng ý của người trả lời theo nền tảng của Likert (1932).

Bảng dưới đây là bản đồ nguồn tham khảo và hướng đo lường. Đây là số liệu minh họa về cấu trúc thang đo, không phải bộ câu hỏi đã được xác nhận cho đề tài của bạn.

Khi điều chỉnh thang đo cho bối cảnh Việt Nam, bạn cần thay tên công nghệ, đối tượng sử dụng và tình huống sử dụng. Ví dụ, phát biểu về hệ thống trong tổ chức cần được viết khác với phát biểu về ứng dụng ngân hàng cá nhân. Tránh dịch từng chữ nếu câu dịch khiến người trả lời hiểu mơ hồ hoặc có hai ý trong cùng một phát biểu.

Bạn cũng cần kiểm tra biến quan sát có bị trùng nghĩa hay không. PE1 và PE2 có thể cùng nói về hiệu suất, nhưng mỗi biến nên đóng góp một khía cạnh có thể phân biệt. Sau khi nhập dữ liệu vào SPSS hoặc SmartPLS, bạn mới đánh giá Cronbach's Alpha, Composite Reliability, outer loading, AVE và HTMT theo phương pháp bạn chọn.

Áp dụng vào đề tài của bạn

Giả sử bạn nghiên cứu ý định sử dụng ví điện tử của sinh viên. Mô hình minh họa có thể gồm Performance Expectancy, Effort Expectancy, Social Influence và Facilitating Conditions. Behavioral Intention là biến phụ thuộc chính. Nếu muốn nghiên cứu hành vi sử dụng thực tế, bạn có thể đặt Use Behavior ở sau Behavioral Intention, nhưng cần thu thập dữ liệu phản ánh hành vi chứ không chỉ hỏi ý định.

Mô hình khái niệm cần được chuyển thành giả thuyết có hướng rõ ràng:

• H1: Performance Expectancy có tác động cùng chiều đến Behavioral Intention sử dụng ví điện tử.
• H2: Effort Expectancy có tác động cùng chiều đến Behavioral Intention sử dụng ví điện tử.
• H3: Social Influence có tác động cùng chiều đến Behavioral Intention sử dụng ví điện tử.
• H4: Facilitating Conditions có tác động cùng chiều đến Behavioral Intention hoặc Use Behavior, tùy cấu trúc mô hình và lập luận của bạn.

Bạn không nên viết giả thuyết chỉ bằng tên viết tắt. Trong chương cơ sở lý thuyết, hãy giải thích vì sao Performance Expectancy có thể ảnh hưởng đến ý định, sau đó mới đưa ra H1. Phần lập luận phải khớp với câu hỏi trong bảng hỏi và với đường dẫn bạn chạy trong phần mềm.

Cỡ mẫu cũng cần được tính từ số biến quan sát, số đường dẫn và phương pháp phân tích. Với mô hình khám phá, quy tắc 5 đến 10 quan sát cho mỗi biến quan sát thường được trích dẫn từ Hair và cộng sự (2010), nhưng đây chỉ là căn cứ tham khảo, không thay thế cho việc xem xét mô hình và chất lượng dữ liệu.

Nếu đề tài có 20 biến quan sát, file dữ liệu cần có các cột như PE1, PE2, EE1, EE2, SI1, BI1 và các cột nhân khẩu học. Bạn phải thống nhất mã biến giữa bảng hỏi, file .sav hoặc .csv, phần mềm phân tích và bảng kết quả trong luận văn. Việc đặt tên lúc là PE1, lúc là PE_1 sẽ khiến bạn dễ chọn nhầm biến hoặc khó truy vết khi loại một biến.

Cách viết vào luận văn

Bạn có thể điều chỉnh đoạn sau: “Dựa trên UTAUT của Venkatesh và cộng sự (2003), nghiên cứu đề xuất rằng [tên biến độc lập] có tác động [cùng chiều hoặc ngược chiều] đến [tên biến phụ thuộc] trong bối cảnh [đối tượng và địa điểm nghiên cứu]. Trên cơ sở đó, giả thuyết H[ số ] được đề xuất: [tên biến độc lập] có tác động [chiều tác động] đến [tên biến phụ thuộc].”

Đoạn này chỉ là khung viết. Bạn cần thay các phần trong ngoặc vuông bằng lập luận thực tế, nguồn thang đo và bối cảnh nghiên cứu của mình. Không nên đưa nguyên văn một giả thuyết vào luận văn nếu biến trong bảng hỏi không đo đúng khái niệm đó.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn dùng thống kê mô tả, Cronbach's Alpha, EFA, tương quan và hồi quy tuyến tính. Bạn có thể kiểm tra độ tin cậy thang đo tại Analyze > Scale > Reliability Analysis, sau đó đưa các biến quan sát của từng khái niệm vào cùng một lần chạy. Nếu dùng EFA, đường dẫn thường là Analyze > Dimension Reduction > Factor.

SPSS không tự biến một mô hình UTAUT thành mô hình SEM đầy đủ. Khi kiểm định nhiều biến tiềm ẩn và các đường dẫn cùng lúc, SmartPLS phù hợp hơn với PLS-SEM. Trong SmartPLS, bạn nhập file .csv, tạo các construct PE, EE, SI, FC, BI và UB, kéo mũi tên theo giả thuyết, rồi kiểm tra measurement model trước structural model theo cách tiếp cận hai bước của Anderson và Gerbing (1988).

Kiểm tra mô hình đo lường

Với SmartPLS, hãy kiểm tra Outer Loadings, Composite Reliability, rho_A, AVE và Discriminant Validity. Outer loading từ 0.7 trở lên là ngưỡng tham khảo thường dùng 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 về mặt nội dung (Henseler và cộng sự, 2015).

Nếu một outer loading thấp, bạn không nên xóa biến ngay. Hãy xem nội dung biến, CR và AVE sau khi xóa, đồng thời kiểm tra thang đo gốc. Loại biến chỉ vì muốn bảng kết quả đẹp có thể làm thay đổi ý nghĩa của khái niệm.

Kiểm tra mô hình cấu trúc

Sau khi measurement model đạt mức có thể chấp nhận, bạn chạy Bootstrapping để kiểm tra Path Coefficients, T Statistics và P Values. Hair và cộng sự (2022) khuyến nghị quy trình PLS-SEM hiện hành với 5.000 bootstrap subsamples. Bạn cần báo cáo hệ số đường dẫn, mức ý nghĩa và khoảng tin cậy, thay vì chỉ ghi giả thuyết được chấp nhận hay bị bác bỏ.

Kiểm tra thêm VIF để phát hiện cộng tuyến giữa các biến độc lập. VIF dưới 5 là ngưỡng tham khảo trong báo cáo PLS-SEM (Hair và cộng sự, 2019). R² cho biết mức độ giải thích của các biến dự báo đối với biến phụ thuộc; các mức 0.75, 0.50 và 0.25 lần lượt thường được diễn giải là đáng kể, trung bình và yếu trong một số hướng dẫn PLS-SEM (Hair và cộng sự, 2011). Q² lớn hơn 0 cho thấy mô hình có giá trị dự báo theo logic cross-validation (Stone, 1974).

Bạn không nên đưa CFI, TLI hoặc RMSEA vào bài chỉ vì đã thấy các chỉ số đó trong AMOS. Các chỉ số này thuộc nhóm đánh giá fit của CB-SEM, không phải bộ tiêu chí cốt lõi để báo cáo mô hình PLS-SEM. Nếu dùng AMOS, bạn phải nêu rõ lý do chọn CB-SEM và trình bày theo hướng dẫn phù hợp.

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là gọi mọi nghiên cứu chấp nhận công nghệ là UTAUT nhưng không có bốn biến cốt lõi hoặc không giải thích việc lược bỏ biến. Bạn có thể điều chỉnh mô hình, nhưng cần nói rõ phiên bản sử dụng, bối cảnh và lý do điều chỉnh.

Lỗi thứ hai là trộn UTAUT với TAM, UTAUT2 và các biến tự thêm vào mà không có logic. Việc có 10 biến độc lập không làm mô hình mạnh hơn. Hãy bắt đầu từ câu hỏi nghiên cứu, sau đó chọn biến cần thiết để trả lời câu hỏi đó.

Lỗi thứ ba là dùng Behavioral Intention để kết luận về Use Behavior. Ý định và hành vi có liên quan nhưng không đồng nhất. Nếu không có dữ liệu về tần suất, thời lượng hoặc mức độ sử dụng, bạn nên giới hạn kết luận ở ý định sử dụng.

Lỗi thứ tư là dùng thang đo dịch máy, biến quan sát dài, hai ý hoặc không gắn với công nghệ đang nghiên cứu. Bạn cần đọc từng phát biểu trong bối cảnh người trả lời thật, kiểm tra dữ liệu thiếu, câu trả lời một mẫu và các mã đảo chiều trước khi chạy phân tích.

Cuối cùng, nhiều bạn báo cáo p-value nhưng bỏ qua hướng và độ lớn của path coefficient. Một quan hệ có ý nghĩa thống kê vẫn cần được diễn giải về chiều tác động và mức đóng góp. Kết luận phải quay lại đúng giả thuyết, biến đo lường và phạm vi mẫu đã nêu ở chương phương pháp.

Câu hỏi thường gặp

UTAUT là gì và dùng để làm gì?

UTAUT là mô hình giải thích việc người dùng chấp nhận và sử dụng công nghệ. Mô hình thường được dùng để nghiên cứu ý định sử dụng và hành vi sử dụng trong các bối cảnh như ngân hàng số, giáo dục trực tuyến, ứng dụng di động và hệ thống trong tổ chức.

UTAUT có bao nhiêu biến?

UTAUT gốc có bốn biến giải thích chính là Performance Expectancy, Effort Expectancy, Social Influence và Facilitating Conditions, cùng Behavioral Intention và Use Behavior. Mô hình còn có các biến điều tiết như giới tính, tuổi, kinh nghiệm và mức độ tự nguyện. UTAUT2 bổ sung thêm Hedonic Motivation, Price Value và Habit.

Nên dùng UTAUT hay TAM cho luận văn?

TAM thường gọn hơn và phù hợp khi bạn muốn tập trung vào Perceived Usefulness và Perceived Ease of Use. UTAUT phù hợp khi cần xem xét thêm ảnh hưởng xã hội, điều kiện hỗ trợ hoặc khác biệt giữa nhóm người dùng. Bạn nên chọn mô hình dựa trên câu hỏi nghiên cứu và bối cảnh, không chỉ dựa vào số lượng biến.

Có thể chạy UTAUT bằng SPSS không?

Bạn có thể dùng SPSS để kiểm tra độ tin cậy, EFA, tương quan và hồi quy cho một phiên bản đơn giản của UTAUT. Nếu mô hình có nhiều biến tiềm ẩn và đường dẫn, SmartPLS thường thuận tiện hơn để kiểm tra đồng thời measurement model và structural model. AMOS là lựa chọn khác nếu thiết kế của bạn theo CB-SEM.

Có cần dùng đủ tất cả biến của UTAUT không?

Bạn không bắt buộc phải dùng toàn bộ biến nếu có lập luận rõ ràng cho bối cảnh nghiên cứu. Tuy nhiên, khi bỏ biến hoặc thêm biến, bạn cần giải thích trong cơ sở lý thuyết, cập nhật mô hình khái niệm, điều chỉnh giả thuyết và bảo đảm thang đo phù hợp.

Thang đo UTAUT bao nhiêu biến quan sát là đủ?

Không có một con số cố định cho mọi đề tài. Số biến quan sát phụ thuộc vào thang đo gốc, nội dung khái niệm, bối cảnh và kết quả kiểm định. Bạn nên giữ đủ biến để đại diện cho khái niệm, sau đó kiểm tra độ tin cậy và giá trị thang đo thay vì đặt mục tiêu xóa thật nhiều biến.

Mở file dữ liệu của bạn và kiểm tra trước ba việc: tên các biến quan sát có thống nhất với mô hình UTAUT không, mỗi giả thuyết đã có đường dẫn tương ứng chưa, và bạn đang đo ý định hay hành vi thực tế. Nếu cần chạy phân tích trên chính file .sav hoặc .csv, bạn có thể dùng M4 phân tích dữ liệu để xử lý bước này.