Từ chất lượng hệ thống đến lợi ích học tập: Vai trò của thái độ người học và sử dụng thực tế hệ thống quản lý học tập LMS trong mô hình tam mở rộng

1. Giới thiệu

Trong bối cảnh chuyển đổi số mạnh mẽ trong giáo dục đại học, các hệ thống quản lý học tập (Learning Management System – LMS) đã trở thành nền tảng quan trọng hỗ trợ hoạt động giảng dạy, học tập và quản lý đào tạo (Nguyen et al., 2024). Đặc biệt, sau giai đoạn triển khai rộng rãi học trực tuyến do tác động của đại dịch COVID-19, LMS không chỉ được xem là công cụ hỗ trợ tạm thời mà đã trở thành một phần không thể thiếu trong mô hình giáo dục đại học hiện đại (Crawford, 2021; Martín-SanJosé et al., 2015; Valverde-Berrocoso et al., 2020). Tuy nhiên, trên thực tế, mức độ sử dụng và hiệu quả khai thác LMS của sinh viên vẫn chưa đồng đều, nhiều hệ thống chưa phát huy hết tiềm năng trong việc nâng cao trải nghiệm học tập và kết quả học tập của người học (Karkar et al., 2020).

Các nghiên cứu trước đây về LMS chủ yếu tập trung vào ý định sử dụng hoặc mức độ chấp nhận công nghệ của người học, thường dựa trên Mô hình chấp nhận công nghệ TAM (Al-Fraihat et al., 2020; Karkar et al., 2020). Mặc dù TAM đã chứng minh được giá trị trong việc giải thích hành vi chấp nhận công nghệ, mô hình này vẫn còn hạn chế khi chưa xem xét đầy đủ các yếu tố liên quan đến chất lượng hệ thống e-learning cũng như lợi ích thực tế mà người học đạt được từ việc sử dụng LMS (Nguyen et al., 2024; Al-Fraihat et al., 2020). Bên cạnh đó, nhiều nghiên cứu chỉ dừng lại ở bối cảnh các quốc gia phát triển hoặc trong giai đoạn học trực tuyến bắt buộc, trong khi bối cảnh tại các nước đang phát triển như Việt Nam vẫn còn chưa được khai thác đầy đủ (Nguyen, 2023; Maheshwari, 2021). Xuất phát từ những khoảng trống nghiên cứu trên, nghiên cứu này nhằm đề xuất và kiểm định mô hình đánh giá vai trò của các yếu tố tác động đến thái độ và hành vi sử dụng LMS của người học thông tích hợp TAM và EESS. Cụ thể, nghiên cứu tập trung xem xét vai trò của chất lượng hệ thống (SQ), chất lượng thông tin (IQ) và sự hữu ích cảm nhận (PU) đối với thái độ người học (LQ) và mức độ sử dụng hệ thống (AU) và lợi ích học tập đạt được (BE) từ LMS.

2. Cơ sở lý thuyết và mô hình nghiên cứu

2.1. Cơ sở lý thuyết và Lý thuyết nền

Hệ thống quản lý học tập (LMS) là nền tảng công nghệ được thiết kế nhằm hỗ trợ tổ chức, quản lý và triển khai các hoạt động dạy và học thông qua môi trường số (Jiang, 2025). LMS cho phép giảng viên phân phối nội dung học tập, theo dõi tiến độ học tập và đánh giá kết quả học tập của sinh viên, đồng thời tạo điều kiện cho người học tương tác với giảng viên, bạn học và tài nguyên học tập (Nguyen  et al., 2024; Nguyen, 2021). Trong giáo dục đại học, LMS được xem là một thành phần cốt lõi của hệ sinh thái e-learning, góp phần nâng cao tính linh hoạt, khả năng tiếp cận và hiệu quả của quá trình học tập (Abbad, 2021; Nguyen  et al., 2024).

Mô hình chấp nhận công nghệ (TAM) nhằm giải thích hành vi chấp nhận và sử dụng công nghệ của người dùng. Theo TAM, hai yếu tố cốt lõi ảnh hưởng đến hành vi sử dụng công nghệ là sự hữu ích cảm nhận (Perceived Usefulness - PU) và sự dễ sử dụng cảm nhận (Perceived Ease of Use - PEOU) (Davis và Vankatesh, 1996). Trong đó, PU phản ánh mức độ mà người dùng tin rằng việc sử dụng một hệ thống sẽ nâng cao hiệu quả công việc hoặc học tập của họ. Nhiều nghiên cứu trước đây đã chứng minh vai trò trung tâm của PU trong việc thúc đẩy ý định và hành vi sử dụng các hệ thống e-learning và LMS trong giáo dục đại học (Nguyễn  et al., 2024; Maheshwari, 2021; Padalia  et al., 2023). Tuy nhiên, TAM chủ yếu tập trung vào khía cạnh nhận thức của người dùng và chưa giải thích đầy đủ vai trò của các yếu tố chất lượng hệ thống cũng như lợi ích thực tế đạt được từ việc sử dụng công nghệ (Alsabawy  et al., 2016; Pham  et al., 2019).

Mô hình đánh giá thành công hệ thống e-learning (EESS) nhấn mạnh vai trò của các yếu tố chất lượng trong việc tạo ra giá trị cho người dùng. Theo EESS, SQ, IQ và đặc điểm người học là những yếu tố quan trọng ảnh hưởng đến mức độ sử dụng hệ thống và lợi ích đạt được (Al-Fraihat et al., 2020). Trong bối cảnh LMS, SQ phản ánh mức độ ổn định, dễ sử dụng và tính năng của nền tảng; IQ liên quan đến độ chính xác, đầy đủ và tính cập nhật của nội dung học tập; trong khi chất lượng người học thể hiện năng lực công nghệ, kỹ năng tự học và mức độ sẵn sàng của sinh viên (Ashrafi et al., 2022; Alsabawy et al., 2016). Mô hình EESS giúp bổ sung cho TAM bằng cách làm rõ cơ chế mà các yếu tố chất lượng hệ thống chuyển hóa thành lợi ích thực tế cho người học (Al-Fraihat et al., 2020).

2.2. Mô hình nghiên cứu và giả thuyết nghiên cứu

Các nghiên cứu trước đây về LMS đã ứng dụng rộng rãi TAM để phân tích ý định sử dụng và hành vi sử dụng của sinh viên (Kanwal & Rehman, 2017; Davis & Venkatesh, 1996; Jaber, 2016). Một số nghiên cứu khác tiếp cận theo hướng đánh giá thành công hệ thống e-learning, tập trung vào vai trò của chất lượng hệ thống và chất lượng thông tin (Al-Fraihat et al., 2020; Jafari et al., 2015; Alsabawy et al., 2016). Tuy nhiên, phần lớn các nghiên cứu này được thực hiện riêng lẻ theo từng mô hình lý thuyết, ít nghiên cứu tích hợp TAM với EESS. Bên cạnh đó, nhiều nghiên cứu chỉ tập trung vào ý định sử dụng thay vì hành vi sử dụng thực tế và lợi ích cảm nhận, đặc biệt tại các quốc gia đang phát triển như Việt Nam (Al-Fraihat et al., 2020; Nguyen, 2023; Jiang, 2025; Ashrafi et al., 2022; Nguyen et al., 2024). Do đó, việc xây dựng một mô hình nghiên cứu tích hợp nhằm giải thích hành vi sử dụng LMS và lợi ích đạt được từ hệ thống là cần thiết.

Dựa trên nền tảng lý thuyết của TAM và EESS, nghiên cứu này đề xuất một mô hình tích hợp nhằm phân tích các yếu tố ảnh hưởng đến việc sử dụng LMS và lợi ích cảm nhận của sinh viên đại học. Theo đó, SQ, IQ được giả định có tác động tích cực đến PU và qua đó tác động Thái độ người học (Learner Attitude – LA). LA tiếp tục ảnh hưởng đến mức độ sử dụng hệ thống AU và lợi ích học tập BE. Trên cơ sở đó, các giả thuyết nghiên cứu được đề xuất để kiểm định mối quan hệ giữa các biến trong mô hình (Hình 1).

Hình 1: Mô hình nghiên cứu đề xuất

(Nguồn: Nhóm tác giả đề xuất)

2.2.1. Vai trò của Chất lượng hệ thống (SQ) đến Sự hữu ích cảm nhận (PU) và Thái độ người học (LA)

SQ phản ánh hiệu suất vận hành và các đặc tính đặc trưng của một hệ thống thông tin từ góc nhìn của người sử dụng (ALmseidein, 2022; Alsabawy  et al., 2016). Khi một hệ thống LMS có tính năng tốt và ổn định, người học sẽ nhận thấy nó đáng tin cậy, giúp nâng cao hiệu suất học tập (Tran, 2016). SQ tốt (giao diện thân thiện, dễ điều hướng) giúp người học cảm thấy dễ sử dụng hơn từ đó tăng cường nhận thức về sự hữu ích cảm nhận về của hệ thống (PU) (Davis và Venkatesh, 1996). PU là một khái niệm cốt lõi trong TAM, phản ánh mức độ mà một cá nhân tin rằng việc sử dụng một hệ thống cụ thể sẽ nâng cao hiệu suất công việc của họ (Tran, 2016; Alia, 2017; Nguyen, 2023). PU được xác định là một trong những tiền đề then chốt quyết định mức độ thành công và lợi ích mà sinh viên nhận được.

SQ cũng trực tiếp tác động đến LA đối với việc sử dụng hệ thống (Ashrafi  et al., 2022). Một hệ thống ổn định sẽ khiến người học có thái độ tích cực hơn trong việc sử dụng hệ thống đó. Từ đó, các giả thuyết sau được đề xuất:

H1a: Chất lượng hệ thống (SQ) có ảnh hưởng tích cực đến Nhận thức về tính hữu ích (PU) của hệ thống

H1b: Chất lượng hệ thống (SQ) có ảnh hưởng tích cực đến Thái độ người học (LA)

2.2.2. Vai trò của Chất lượng thông tin (IQ) đến Sự hữu ích cảm nhận (PU) và Thái độ người học (LA)

IQ là mức độ mà nội dung thông tin do hệ thống cung cấp đáp ứng được nhu cầu và mục tiêu của người sử dụng (Jafari et al., 2015; Alsabawy et al., 2016), bao gồm các tiêu chí như độ chính xác, tính đầy đủ, tính kịp thời (cập nhật), sự rõ ràng, súc tích và tính liên quan đến nhiệm vụ của người dùng (Al-Fraihat et al., 2020; ALmseidein, 2022). Với chất lượng nội dung thông tin hữu ích, đầy đủ và thuận lợi trong truy cập, người học sẽ có nhận thức tích cực về PU (Davis & Venkatesh, 1996). IQ được xác định là một tiền đề quan trọng tác động trực tiếp và tích cực đến PU trong nhiều mô hình nghiên cứu, cụ thể trong EESS (Al-Fraihat et al., 2020). IQ hữu ích, đầy đủ sẽ khiến người học có thái độ tích cực và hài lòng đối với việc sử dụng hệ thống (Ashrafi et al., 2022). Do đó, các giả thuyết sau được đề nghị:

H2a: Chất lượng thông tin (IQ) có ảnh hưởng tích cực đến Sự hữu ích cảm nhận (PU).

H2b: Chất lượng thông tin (IQ) có ảnh hưởng tích cực đến Thái độ người học (LA).

2.2.3. Vai trò của Thái độ người học (LA) đến việc Sử dụng thực tế (AU)

LA là một thành phần quan trọng trong việc đánh giá sự thành công của hệ thống e-learning, phản ánh thái độ tâm lý của cá nhân người học khi tương tác với nền tảng giáo dục trực tuyến (Al-Fraihat  et al., 2020). Theo TAM của Davis & Venkatesh (1996), người học càng nhận thức tốt về tính hữu ích khi sử dụng hệ thống (PU) sẽ càng có thái độ tích cực, giảm lo lắng hay e ngại khi sử dụng hệ thống. Khi người học thái độ có thái độ tích cực, hiểu rằng họ có khả năng hoàn thành nhiệm vụ nhanh chóng và hiệu quả hơn, điều này củng cố niềm tin của họ rằng hệ thống thực sự mang lại lợi ích thực tế, từ đó thúc đẩy việc sử dụng hệ thống và tiếp tục sử dụng một cách thường xuyên (Davis & Venkatesh, 1996; Al-Fraihat  et al., 2020). Những người học có thái độ tích cực, kỹ năng và kinh nghiệm sử dụng máy tính tốt có khả năng chấp nhận và sử dụng hệ thống thực tế cao hơn so với những người thiếu kỹ năng (Le  et al., 2018; Kanwal & Rehman, 2017). Từ đó nhóm nghiên cứu đề xuất giả thuyết sau:

H3: Sự hữu ích cảm nhận (PU) tác động tích cực đến Thái độ người học (LA).

H4: Thái độ tích cực của người học (LA) giúp gia tăng Sử dụng thực tế (AU).

2.2.4. Vai trò của Sử dụng hệ thống thực tế (AU) đến Lợi ích học tập (BE)

AU là hành vi thực tế của người dùng trong việc tương tác và khai thác một hệ thống công nghệ thông tin khi đã chấp nhận nó (Al-Fraihat  et al., 2020; Davis & Venkatesh, 1996). Nghiên cứu của Al-Fraihat  et al. (2020) cho thấy AU có ảnh hưởng trực tiếp và tích cực đến BE trong môi trường e-learning, mối quan hệ này được xác định là một mắt xích then chốt trong mô hình EESS, nơi việc sử dụng dẫn đến các tác động tích cực về mặt cá nhân và tổ chức. Lợi ích học tập (BE), theo nghiên cứu của Al-Fraihat  et al. (2020), là lợi ích đóng góp vào sự thành công của cá nhân người học và tổ chức, bao gồm các giá trị tích cực mà sinh viên nhận được trong quá trình sử dụng hệ thống, như gia tăng kiến thức, giảm thiểu thời gian tìm kiếm tài liệu và cắt giảm các chi phí (đi lại, in ấn), trao đổi và thảo luận giữa sinh viên với giảng viên thuận tiện hơn. Nghiên cứu Al-Fraihat  et al. (2020) khẳng định rằng việc thường xuyên sử dụng hệ thống thực tế (AU) sẽ mang lại lợi ích học tập (BE). Khi người học tin rằng hệ thống giúp nâng cao hiệu suất và kết quả học tập và có sử dụng hệ thống trên thực tế, họ sẽ đạt được các lợi ích cụ thể như: gia tăng kiến thức, đạt được các mục tiêu học tập, tiết kiệm thời gian tìm kiếm tài liệu và cắt giảm các chi phí liên quan (như chi phí in ấn tài liệu) (Al-Fraihat  et al., 2020). Việc sử dụng các công cụ tương tác trên hệ thống (như diễn đàn, bài kiểm tra trực tuyến) giúp việc trao đổi giữa sinh viên và giảng viên trở nên dễ dàng hơn, từ đó trực tiếp nâng cao hiệu suất và năng suất học tập (Padalia  et al., 2023). Do đó, giả thuyết sau được đề xuất:

H5: Sử dụng hệ thống thực tế (AU) có ảnh hưởng tích cực đến Lợi ích học tập (BE).

3. Phương pháp nghiên cứu

Nghiên cứu này sử dụng phương pháp định lượng với dữ liệu thu thập qua khảo sát sinh viên tại một số trường đại học tại TP.HCM như Văn Lang, Hoa Sen, Văn Hiến, Sài Gòn, Bách Khoa. Tất cả các trường này đều đã triển khai hệ thống LMS với các mức độ khác nhau, có thể giúp cho kết quả có độ khái quát. Phương pháp định lượng là phù hợp để có thể đưa ra các kết luận có ý nghĩa thống kê, giúp khái quát hóa các kết quả của việc kiểm định mô hình lý thuyết.

Thang đo các biến trong mô hình nghiên cứu được tham khảo từ các nghiên cứu trước. Các thang đo được chọn để tham khảo đã được sử dụng trong nghiên cứu định lượng, được kiểm chứng thống kê và đạt độ tin cậy với chỉ số Cronbach alpha lớn hơn 0,7 (Nunnally & Bernstein, 1994). Biến SQ gồm 6 biến đo, là các phát biểu về độ tin cậy, độ bảo mật, độ ổn định, mức độ dễ sử dụng và mức độ đa dạng của tính năng (Al-Fraihat  et al., 2020; Bui  et al., 2024). Biến IQ gồm 6 biến đo, là các phát biểu về tính đầy đủ, tính sẵn có, tính hệ thống, tính hữu ích, mức độ dễ dàng truy cập và mức độ cập nhật của của nội dung thông tin (Nguyen  et al., 2024; Ashrafi  et al., 2022; Al-Fraihat  et al. 20200. Biến LA gồm 5 biến đo, là các phát biểu về niềm tin về sự hữu ích, mức độ thích thú, mức độ e ngại, kinh nghiệm và mức độ thành thạo của người học đối với hệ thống LMS (Al-Fraihat  et al., 2020; Ashrafi  et al. , 2022). Biến PU gồm 4 biến đo, là các phát biểu về cảm nhận của người học về lợi ích nói chung và cụ thể như nhanh chóng, thuận tiện, năng suất học tập (Al-Fraihat  et al., 2020); Ashrafi  et al., 2022). Biến AU gồm 4 biến đo, là các phát biểu về sự phụ thuộc của người học, độ thường xuyên sử dụng, thói quen dử dụng và thời gian sử dụng LMS (Al-Fraihat  et al., 2020). Cuối cùng, biến BE gồm 5 biến đo, là các phát biểu về lợi ích của người học khi sử dụng LMS như hiểu bài, cải thiện việc học tập, giao tiếp với giảng viên, tiết kiệm thời gian, đạt mục tiêu học tập (Al-Fraihat  et al., 2020); Hassanzadeh  et al., 2012).

Bảng câu hỏi sử dụng thang đo Likert 5. Các câu hỏi được chuyển ngữ sang tiếng Việt và kiểm chứng với chuyên gia về chất lượng dịch thuật. Bảng câu hỏi cũng bao gồm các câu hỏi về đặc điểm người trả lời và một số câu hỏi mở về các góp ý của sinh viên để tăng cường mức độ và hiệu quả sử dụng LMS. Bảng câu hỏi được kiểm chứng với chuyên gia là các giảng viên có nhiều kinh nghiệm giảng dạy và sử dụng LMS. Các câu hỏi được điều chỉnh, chủ yếu để dễ đọc và dễ hiểu hơn. Kết quả, không có biến đo nào bị loại đo không phù hợp bối cảnh.

Mẫu được thu thập theo phương pháp thuận tiện. 5 trường đại học chính (Văn Lang, Hoa sen, Văn Hiến, Sài gòn, Bách khoa TP.HCM) được chọn do có thể hỗ trợ nhóm nghiên cứu thu thập dữ liệu. Đây là các trường đại học công lập và tư thục, đào tạo đa ngành, và đều đã triển khai các hệ thống LMS. Sau đó bảng câu hỏi (Google form) được gửi đến cho sinh viên (đại học và sau đại học) các trường thông qua các đầu mối hỗ trợ tại mỗi trường. Tổng cộng có 315 phiếu trả lời đã được thu thập. Nguyên tắc “G*power” được sử dụng để xác định cỡ mẫu (Hair et al. (2017). Cỡ mẫu tối thiểu được xác định bằng phân tích power sử dụng phần mềm G*Power 3.1 cho mô hình hồi quy đa biến, với cỡ ảnh hưởng (effect size) f² = 0,15 (mức trung bình theo Cohen, 1988), mức ý nghĩa α = 0,05, power = 0,80, và 5 biến độc lập, kết quả cho thấy cỡ mẫu tối thiểu cần thiết là 92 quan sát. Như vậy, số phiếu trả lời thu được đáp ứng yêu cầu về cỡ mẫu.

4. Kết quả nghiên cứu và thảo luận

Tổng số lượng thu thập được thực tế là 315 mẫu, sau khi sàng lọc các mẫu khảo sát thì chỉ có 300 khảo sát thỏa điều kiện theo đối tượng nghiên cứu.

Bảng 1: Các đặc điểm mẫu nghiên cứu

(Nguồn: Nhóm tác giả thống kê)

Mẫu nghiên cứu cho thấy, các sinh viên, học viên tham gia nghiên cứu đều có kinh nghiệm sử dụng hệ thống LMS thực tế và bao gồm nhiều bậc học từ năm thứ nhất đến năm thứ tư và bậc sau đại học. Số sinh viên đại học tham gia khảo sát chiếm đa số so với sinh viên cao học, tuy nhiên sự chênh lệch này ảnh hưởng đến các thông tin liên quan đến trải nghiệm của người học đối với hệ thống LMS. Số lượng sinh viên nữ tham gia nghiên cứu chiếm đa số so với sinh viên nam, tuy nhiên, không có nghiên cứu nào trước đây chỉ ra sự khác biệt giới tính ảnh hưởng đến các trải nghiệm học tập liên quan đến LMS, do vậy sự chênh lệch này không làm sai lệch kết quả.

Phân tích PLS-SEM cần được thực hiện qua hai giai đoạn: đánh giá mô hình đo lường và tiếp theo là đánh giá mô hình cấu trúc. Kết quả phân tích mô hình đo lường được trình bày trong Bảng 2. Kết quả này cho thấy mô hình đo lường đạt yêu cầu về độ tin cậy và giá trị. Hệ số tải nhân tố của các biến quan sát (loading) đều lớn hơn 0,7 và có ý nghĩa thống kê. Hệ số Cronbach’s Alpha và Composite Reliability (CR) của các thang đo đều lớn hơn 0,7, trong khi giá trị Average Variance Extracted (AVE) đều vượt ngưỡng 0,5, cho thấy các thang đo có độ tin cậy và giá trị hội tụ tốt. Giá trị phân biệt được đảm bảo thông qua tiêu chí HTMT khi tất cả các cặp biến đều có HTMT nhỏ hơn 0,90, khẳng định thang đo có tính phân biệt (Hair et al., 2017). Tuy nhiên có một vài chỉ số lớn hơn 0,9 cho thấy một số biến đo của các biến IQ, SQ, và LA chưa đạt được độ phân biệt tốt về ý nghĩa. Sau khi cân nhắc giữa giá trị thông tin và chỉ số thống kê của mô hình, nhóm tác giả quyết định giữ lại các biến đo này và chấp nhận có một vài chỉ số hơi cao hơn ngưỡng yêu cầu.

Bảng 2: Đánh giá Mô hình đo lường

Heterotrait–Monotrait Ratio (HTMT)

(Nguồn: Nhóm tác giả tính toán)

Kết quả phân tích mô hình cấu trúc bằng PLS-SEM được trình bày trong Bảng 3, cho thấy các mối quan hệ trong mô hình đều có ý nghĩa thống kê. SQ và IQ đều có tác động tích cực đến PU với β lần lượt là 0,417 và 0,328. Như vậy, SQ tác động đến PU mạnh hơn IQ, trong khi IQ tác động đến LA (β = 0,333) mạnh hơn SQ (β = 0,202). PU tác động tích cực đến LA (β = 0,385). Tiếp theo, LA ảnh hưởng tích cực đến AU (β = 0,558) và cuối cùng AU có tác động mạnh đến BE (β = 0,704).

Bảng 3: Đánh giá Mô hình cấu trúc (Nhóm tác giả tính toán)

(Nguồn: Nhóm tác giả tính toán)

Chỉ số F2 cho thấy kích thước hiệu ứng (effect size) của từng biến riêng lẻ đối với mô hình, là mức thay đổi của R2 nếu loại bỏ biến. Kết quả cho thấy, vai trò của các biến PU, LA và AU có vai trò rất quan trọng đối với LA, AU, BE (theo thứ tự lần lượt), do đây là những biến duy nhất đóng góp cho biến phụ thuộc vào nó, trong khi SQ và IQ có vai trò ít hơn với PU và LA. Chỉ số R2 trong bảng cũng cho thấy mức độ giải thích của biến độc lập đến biến phụ thuộc trong từng mô hình. Các mức giải thích này ở mức từ trung bình đến cao. Chỉ số Predictive relevance (Q2) đánh giá khả năng dự báo ngoài mẫu của mô hình đối với biến phụ thuộc. Tất cả các chỉ số đều >0 cho thấy mô hình có Predictive relevance ở mức trung bình – cao. (Hair et al., 2017).

Kết quả mô hình phù hợp với lý thuyết TAM và EESS bởi Davis và Venkatesh (1996) và Al-Fraihat et al. (2020) trong việc khẳng định vai trò của SQ và IQ đến PU và LA, từ đó tác động đến sử dụng thực tế AU và Lợi ích người học BE, trong đó PU là biến giải thích quan trọng nhất đối với Lợi ích học tập. Theo Al-Fraihat et al. (2020), PU có ảnh hưởng trực tiếp và mạnh đến lợi ích e-learning, đồng thời đóng vai trò trung gian giữa ảnh hưởng của các yếu tố về hệ thống (SQ, IQ) đến LA và AU. Các kết quả của nghiên cứu này tương đồng với Nguyen et al. (2024), về khía cạnh vai trò biến trung gian cốt lõi của PU và vai trò của nội dung và giảng viên và công nghệ đến PU, và tương tự kết quả của Pham et al. (2019) khi xác nhận chất lượng hệ thống e-learning là yếu tố tác động mạnh hơn các biến còn lại trong bối cảnh Việt Nam.

5. Kết luận và hàm ý quản trị

Kết quả nghiên cứu cho thấy, các yếu tố về hệ thống gồm chất lượng hệ thống SQ và chất lượng thông tin IQ có tác động tích cực đến sự hữu ích cảm nhận PU và thái độ người học LA, từ đó, tác động đến mức độ sử dụng AU và lợi ích học tập BE. Kết quả cho thấy, việc sử dụng LMS thường xuyên và hiệu quả có ý nghĩa quan trọng trong việc nâng cao trải nghiệm học tập và giá trị cho người học. Những kết quả này không chỉ củng cố giá trị của TAM trong bối cảnh LMS mà còn mở rộng mô hình thông qua việc làm rõ mối liên hệ giữa các yếu tố chất lượng, hành vi sử dụng thực tế và lợi ích đạt được, qua đó cho thấy việc phối hợp mô hình TAM và EESS phản ánh tốt hơn các yếu tố trong bối cảnh sử dụng LMS.

Các kết quả nghiên cứu giúp đưa ra một số hàm ý quản trị thúc đẩy việc dạy và học với hệ thống LMS: Thứ nhất, các trường đại học cần thúc đẩy tăng cường chất lượng nội dung thông tin thông qua một số chính sách như: ban hành chuẩn tối thiểu về nội dung học tập số trên LMS (cấu trúc tài liệu, trọng tâm kiến thức); yêu cầu nội dung LMS gắn trực tiếp với hoạt động học tập và đánh giá; đưa việc đánh giá chất lượng nội dung trên LMS như một phần trong đánh giá chất lượng giảng dạy. Bên cạnh đó, để thuận lợi trong việc xây dựng nội dung và đưa nội dung lên LMS, các nhà phát triển phần mềm ứng dụng LMS hoặc bộ phận phát triển hệ thống nội bộ của trường cần xây dựng hướng dẫn thiết kế bài giảng; Thứ hai, để tăng cường chất lượng hệ thống, nhà trường cần có đội ngũ kỹ thuật giúp đảm bảo LMS vận hành ổn định, truy cập nhanh, hạn chế lỗi kỹ thuật, cải thiện giao diện người dùng theo hướng đơn giản, trực quan; thiết lập cơ chế hỗ trợ kỹ thuật nhanh như đầu mối rõ ràng, thời gian phản hồi ngắn. Bộ phận này cũng cần thường xuyên thu thập phản hồi sinh viên định kỳ để nâng cấp hệ thống.

Nghiên cứu này còn một số hạn chế: Thứ nhất, nghiên cứu chỉ tập trung vào vai trò của yếu tố về chất lượng hệ thống và thông tin mà chưa xem xét đến vai trò của giảng viên trong việc tác động đến nhận thức và thái độ cũng như hành vi sử dụng của sinh viên. Nghiên cứu cũng chưa xem xét các yếu tố như đặc điểm học tập của cá nhân, hay sự hỗ trợ của tổ chức trong việc xây dựng văn hóa, hành vi sử dụng; Thứ hai, nghiên cứu sử dụng dữ liệu khảo sát, chưa phản ánh được quá trình thay đổi nhận thức và thái độ của người học đối với việc sử dụng LMS. Các nghiên cứu tiếp theo có thể xem xét thêm các yếu tố trên, đặc biệt là nhóm yếu tố đặc điểm học tập của người học và yếu tố vai trò giảng viên để có một kết quả bao quát hơn. Thiết kế nghiên cứu có thể mở rộng thành thiết kế hỗn hợp để tìm hiểu sâu thêm các vấn đề và quá trình thay đổi nhận thức, thái độ của người học, nhờ đó có thể đưa ra các giải pháp cụ thể hơn cho từng tổ chức, đơn vị.