Professional Documents
Culture Documents
ĐỀ TÀI
LỜI CẢM ƠN
Bài nghiên cứu “Các nhân tố ảnh hưởng đến ý định và quyết định của người
dân TP.HCM về việc sử dụng các phương án chẩn đoán/điều trị thông qua áp dụng
AI trong lĩnh vực y học.” là sự tâm huyết và rất nhiều cố gắng, nỗ lực thực hiện của
từng thành viên nhóm chúng em cùng với sự giúp đỡ của các thầy cô, anh chị, bạn bè
và mọi người xung để nhóm hoàn thành một cách tốt nhất.
Lời cảm ơn trân trọng nhất nhóm xin giành đến thầy Đinh Tiên Minh vừa là
giáo viên bộ môn Nghiên cứu Marketing vừa là người hướng dẫn trực tiếp cho nhóm
em. Bên cạnh những nỗ lực, độc lập, tự nghiên cứu của nhóm thì sự định hướng,
hướng dẫn đúng đắn, khoa học, sự nhận xét chi tiết, công tâm, và đầy bổ ích của thầy
đã hỗ trợ nhóm rất nhiều trong quá trình thực hiện nghiên cứu.
Ngoài ra, nhóm cũng xin dành sự cảm ơn chân thành nhất đến những thầy cô
khác đã hỗ trợ nhóm, hướng dẫn nhóm đi theo con đường nghiên cứu đúng đắn. Cảm
ơn cô Lê Vũ Lan Oanh, thầy Hồ Xuân Hướng đã mặc dù thầy cô không phải là người
trực tiếp hướng dẫn nghiên cứu nhưng thầy cô luôn sẵn sàng chia sẻ, góp ý cho nhóm
về đề tài, về những khía cạnh của bài cần làm khi nhóm mới bắt đầu thực hiện nghiên
cứu, gợi ý định hướng phát triển của đề tài cho nghiên cứu này. Tiếp theo, nhóm đặc
biệt xin được gửi lời cám ơn sâu sắc nhất đến hai chuyên gia là anh Phạm Xuân Thế
và thầy Nguyễn Thế Hùng đã luôn hỗ trợ nhóm trong thời gian thực hiện nghiên cứu
định tính, rất nhiệt tình khi dành cho nhóm một khoảng thời gian quý báu của mình để
nhóm tiến hành phỏng vấn và trong quá trình phỏng vấn này thì hai thầy luôn sẵn sàng
đưa ra những nhận xét, góp ý, chia sẻ, đề xuất và bổ sung, điều đó là một sự hỗ trợ cực
kỳ to lớn và quan trọng để nhóm chúng em hoàn chỉnh mô hình và thang đo nghiên
cứu, có thể thực hiện được các bước sau như nghiên cứu định lượng; nhóm cũng xin
cảm ơn cho năm đối tượng là cô Đào Thị Diệu, chị Đào Thị Thanh Ngân, chị Tăng
Thị Hà Châu, anh Nguyễn Ngọc Duy, bạn Đoàn Trần Kim Ngọc dù mọi người bận
rộn công việc của mình nhưng vẫn vui lòng phỏng vấn, đưa ra những ý kiến, nhận xét
quý giá giúp nhóm. Tiếp theo, nhóm xin cảm ơn rất nhiều đến bạn bè trong lớp học
phần Nghiên cứu Marketing, bạn bè xung quanh, các anh chị, cô chú bác, ông bà trong
quá trình thu thập biểu mẫu khảo sát online lẫn offline đã vui vẻ, nhiệt tình trong việc
giúp nhóm điền điền bảng câu hỏi khảo sát để thu thập dữ liệu tiến hành nghiên cứu
định lượng, đây là một sự hỗ trợ rất to lớn để nhóm hoàn thành bài nghiên cứu của
mình.
Cuối cùng là lời tri ân đặc biệt chân thành đến với gia đình, người thân của
từng thành viên trong nhóm vì đã buôn bên cạnh, ủng hộ, động viên giúp đỡ, âm thầm
hỗ trợ, tạo điều kiện tốt nhất cho các thành viên nhóm trong quá trình thực hiện bài
nghiên cứu và kể cả sau này. Đây sẽ là chỗ dựa tinh thần vững chắc cho các thành
viên trên con đường hiện tại và tương lai.
Bài nghiên cứu “Các nhân tố ảnh hưởng đến ý định và quyết định của người
dân Thành phố Hồ Chí Minh về việc sử dụng các phương án chẩn đoán/điều trị
thông qua áp dụng AI trong lĩnh vực y học.” với mục đích là để xác định, kiểm
nghiệm những nhân tố nào sẽ ảnh hưởng đến việc ra quyết định của người dân tại
Thành phố Hồ Chí Minh. Dựa trên mô hình, thang đo mà nhóm đã xây dựng, thông
qua nhận xét, góp ý chỉnh sửa từ hai chuyên gia và nhóm phỏng vấn trong phần
nghiên cứu định tính mà nhóm đã hoàn thiện được mô hình cũng như thang đo để
chuẩn bị cho bước nghiên cứu định lượng. Ở bước này, từ kết quả tính toán cỡ mâu tối
thiểu, lựa chọn phương pháp và phương thức thu thập dữ liệu và phân tích chúng bằng
phần mềm SPSS nằm kiểm định từng yếu tố sẽ tác động đến ý định/ quyết định của
người dân như thế nào. Từ những kết quả thu được, nhóm sẽ đề xuất phương pháp và
hàm ý quản trị nhằm góp phần giúp các chuyên gia, nhà quản lý cững như các nhà
cung cấp dịch vụ y tế sẽ có phương hướng quản lý, phát triển và nâng cao tác động
tích cực đến nhận thức của người dân về việc áp dụng các phương pháp chẩn
đoán/điều trị thông qua áp dụng AI.
5
DANH MỤC TỪ VIẾT TẮT, THUẬT NGỮ
Bảng danh mục từ viết tắt
STT Ký hiệu Nguyên nghĩa
1 AI Trí tuệ nhân tạo
2 AI4VN Ngày hội Trí tuệ nhân tạo Việt Nam
3 TAM Lý thuyết mô hình chấp nhận công
nghệ
4 UTAUT Lý thuyết thống nhất về chấp nhận và
sử dụng công nghệ
5 Lý thuyết về hành động hợp lý TRA
6 Lý thuyết về Hành vi có kế hoạch TPB
7 Mô hình sử dụng PC MPCU
8 Mô hình Động lực MM
9 Lý thuyết Nhận thức Xã hội SCT
10 Lý thuyết Khuếch tán Đổi mới IDT
11 Lý thuyết hành vi dự định TPB
12 Lý thuyết hành động hợp lý TRA
Thuật ngữ
Nhận thức dễ sử
Mức độ mà một người tin rằng sử dụng một hệ thống
7 dụng (PEOU)
cụ thể sẽ không cần nỗ lực
7
Cho biết trong các biến quan sát của một nhân tố, biến
Cronbach’s Alpha nào đã đóng góp vào việc đo lường khái niệm nhân tố.
(Hà, 2020)
Hệ số tương quan Là chỉ số của từng biến quan sát chứ không phải là chỉ
biến tổng số của cả 1 thang đo, thể hiện mối quan hệ giữa biến
13
(Corrected Item- quan sát đó với tất cả các biến quan sát còn lại trong
Total Correlation) cùng 1 thang đo (cùng 1 nhóm). (Lộc, 2022)
Phân tích nhân tố Dùng để rút gọn một tập hợp k biến quan sát thành
14
khám phá EFA một tập F (với F < k) các nhân tố có ý nghĩa hơn
Là một chỉ số dùng để xem xét sự thích hợp của phân
tích nhân tố. Trị số của KMO phải đạt giá trị 0.5 trở
15 Kiểm định KMO
lên (0.5 ≤ KMO ≤ 1) là điều kiện đủ để phân tích nhân
tố là phù hợp. (Lộc, 2022)
Ma trận hợp phần Tình trạng số nhân tố được trích từ EFA ít hơn hoặc
16
xoay nhiều hơn so với lý thuyết ban đầu
Dùng để phân tích mối quan hệ giữa nhiều biến số độc
Hồi quy bội lập (tức là biến giải thích hay biến nguyên nhân) ảnh
17
hưởng đến một biến phụ thuộc (tức là biến phân tích
hay biến kết quả)
8
MỤC LỤC
LỜI CẢM ƠN.......................................................................................................1
CHƯƠNG 2: CƠ SỞ LÝ THUYẾT.................................................................18
2.2. Khái niệm ý định hành vi và chấp nhận sử dụng công nghệ thông tin
..................................................................................................................................18
2.2.2. Khái niệm Chấp nhận sử dụng công nghệ thông tin....................19
2.3.2. Thuyết thống nhất về chấp nhận và sử dụng công nghệ (UTAUT)
..............................................................................................................................21
2.4.3. Nghiên cứu của (Yiwei Zhu & Shiwei Sun, 2021).........................25
10
3.2.4. Sự hiệu chỉnh và hoàn thiện sau phỏng vấn..................................47
4.1.1.2. Độ tuổi........................................................................................73
4.1.2. Kiểm định độ tin cậy và phù hợp các thang đo.............................76
11
4.1.2.2. Thang đo Chuẩn chủ quan (CQ).............................................77
4.1.3. Phân tích nhân tố khám phá EFA các biến độc lập......................81
4.1.4. Phân tích nhân tố khám phá EFA các biến phụ thuộc.................85
4.1.5.2. Sự phù hợp của lý thuyết trong việc phân tích hồi quy...........87
12
5.1. Nhận xét...................................................................................................92
5.4. Hạn chế của đề tài và hướng nghiên cứu trong tương lai...................99
PHỤ LỤC..........................................................................................................105
PHỤ LỤC 2: DANH SÁCH ĐÁP VIÊN THAM GIA PHỎNG VẤN
NHÓM...................................................................................................................107
PHỤ LỤC 3: BẢNG CÂU HỎI ĐỊNH LƯỢNG CHÍNH THỨC DÙNG
KHẢO SÁT BẢNG CÂU HỎI............................................................................108
PHỤ LỤC 4B: KIỂM ĐỊNH ĐỘ TIN CẬY CRONBACH’S ALPHA. . .117
PHỤ LỤC 4C: KẾT QUẢ PHÂN TÍCH NHÂN TỐ KHÁM PHÁ EFA120
PHỤ LỤC 4D: KẾT QUẢ PHÂN TÍCH HỒI QUY TUYẾN TÍNH BỘI
................................................................................................................................122
13
DANH MỤC BẢNG
Bảng 2. 1: Thang đo mô hình nghiên cứu ban đầu.......................................................32
Bảng 3. 1: Các giai đoạn nghiên cứu............................................................................36
Bảng 3.2: Các đối tượng tham gia phỏng vấn định tính...............................................40
Bảng 3. 3: Nhận xét chung về tổng quan đề tài............................................................44
Bảng 3. 4: Chuyên gia nhận xét về mô hình và thang đo.............................................46
Bảng 3. 5: Thang đo nghiên cứu chính thức sau phỏng vấn định tính.........................50
Bảng 3. 6: Dân số TP. HCM theo từng nhóm tuổi.......................................................57
Bảng 3. 7: Bảng tính cỡ mẫu khảo sát cho từng nhóm tuổi..........................................58
Bảng 3. 8: Bảng tỷ lệ của mỗi phần tử trong mỗi tầng.................................................60
Bảng 3. 9: Bảng câu hỏi khảo sát.................................................................................63
Bảng 4. 1: Thống kê mô tả...........................................................................................71
Bảng 4. 2: Kết quả so sánh giá trị trung bình Kiến thức nhận thức giữa các nhóm
Trình độ học vấn...........................................................................................................75
Bảng 4. 3: Kết quả Cronbach’s Alpha của thang đo Nhận thức hữu ích (HI)..............76
Bảng 4. 4: Kết quả Cronbach’s Alpha của thang đo Chuẩn chủ quan (CQ)................77
Bảng 4. 5: Kết quả Cronbach’s Alpha của thang đo Độ tin cậy (TC)..........................78
Bảng 4. 6: Kết quả Cronbach’s Alpha của thang đo Kiến thức nhận thức (KN).........79
Bảng 4. 7: Kết quả Cronbach’s Alpha của thang đo Nhận thức rủi ro (RR)................79
Bảng 4. 8: Kết quả Cronbach’s Alpha của thang đo Xu hướng phản kháng (PK).......80
Bảng 4. 9: Kết quả Cronbach’s Alpha của thang đo Ý định sử dụng (YD).................81
Bảng 4. 10: Kết quả kiểm định KMO biến độc lập......................................................81
Bảng 4. 11: Ma trận hợp phần xoay biến độc lập.........................................................82
Bảng 4. 12: Hệ thống giả thuyết sau phân tích EFA của bài nghiên cứu.....................83
Bảng 4. 13: Kết quả Cronbach’s Alpha của thang đo nhân tố mới Nhận thức tiêu cực
(NE)..............................................................................................................................84
Bảng 4. 14: Kết quả kiểm định KMO biến phụ thuộc..................................................85
Bảng 4. 15: Ma trận hợp phần xoay biến phụ thuộc.....................................................86
Bảng 4. 16: Cấu trúc nhân tố thu được sau phân tích nhân tố khám phá EFA.............86
Bảng 4. 17: Tính xác đáng của mô hình.......................................................................86
Như chúng ta đã thấy, AI có sức ảnh hưởng cực kỳ to lớn đến từng lĩnh vực
trong đời sống của con người, trong đó phải kể đến việc áp dụng trí tuệ nhân tạo trong
lĩnh vực y học. Phát biểu tại “Tọa đàm nghiên cứu, phát triển và ứng dụng trí tuệ nhân
tạo trong y tế”, Thứ trưởng Bộ Khoa học và Công nghệ Bùi Thế Duy đánh giá rằng xu
thế phát triển trí tuệ nhân tạo (AI) trên toàn thế giới cùng với sự phát triển mạnh mẽ
của công nghệ số, công nghệ lưu trữ, dữ liệu lớn đã tạo ra nhiều điều "kỳ diệu" ở các
lĩnh vực trong cuộc sống. Với lĩnh vực y tế, khi toàn bộ tri thức của nhân loại, thầy
thuốc và y bác sỹ tích lũy nhiều năm, nay được tổng hợp lại thông qua dữ liệu lớn.
Các dữ liệu này được phân tích dựa trên các thuật toán, công nghệ máy tính, tạo ra
công cụ hỗ trợ các bác sỹ, nhân viên y tế, chăm sóc sức khỏe cho người bệnh tốt hơn.
(Việt Nam có lợi thế ứng dụng AI trong y tế, 2020).
Mục tiêu tổng quát của bài nghiên cứu này nhằm xác định các nhân tố ảnh
hưởng đến ý định và quyết định của người dân Thành phố Hồ Chí Minh về việc sử
dụng các phương án chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y học.
Thứ nhất, tìm hiểu và khám phá thái độ, cách nhìn nhận và hành vi ra quyết định
khám chữa bệnh của người dân tại Thành phố Hồ Chí Minh, khi có sự áp dụng công
nghệ trí tuệ nhân tạo vào trong chẩn đoán và điều trị bệnh. Việc đạt được mục tiêu
nghiên cứu này có thể giúp cho những nhà nghiên cứu, nhà quản trị và bác sĩ nắm bắt
được tâm lý của người dân khi có sự góp mặt của AI vào việc khám chữa bệnh.
Thứ hai, tìm hiểu xem ý định và quyết định của người dân sẽ bị các nhân tố nào
ảnh hưởng đến tại Thành phố Hồ Chí Minh khi xét về vấn đề sử dụng các phương án
chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y học, đồng thời đo lường tác
động của các nhân tố đến ý định sử dụng của người dân. Việc khám phá các nhân tố
- Thái độ của mọi người về các vấn đề xoay quanh việc ứng dụng AI vào y học
- Quyết định của người dùng về việc mong muốn sử dụng AI trong quản lý, chẩn
đoán y học sau khi cân nhắc về lợi ích và rủi ro.
- Tài liệu lý thuyết dựa trên các bài nghiên cứu khoa học về lý thuyết mô hình
chấp nhận công nghệ (TAM), lý thuyết thống nhất về chấp nhận và sử dụng công nghệ
(UTAUT).
- Tài liệu tham khảo nghiên cứu được thực hiện cả trong và ngoài nước về công
nghệ trí tuệ nhân tạo trong lĩnh vực y học.
Về phạm vi không gian: Nghiên cứu này chỉ khảo sát những người sống tại
Thành phố Hồ Chí Minh – thành phố đông dân nhất Việt Nam.
Về phạm vi thời gian: Thời gian nghiên cứu từ khi bắt đầu thực hiện đến khi
hoàn chỉnh kéo dài từ 03/2023 đến 05/2023.
Sau khi ghi nhận các nhận xét và góp ý đến từ các chuyên gia và thảo luận với
nhóm khảo sát, nhóm tác giả tiến hành hiệu chỉnh mô hình nghiên cứu, thang đo câu
hỏi và hình thành bảng câu hỏi. Bảng câu hỏi bao gồm các câu hỏi trong thang đo
(nhóm tác giả sử dụng thang đo likert 5 với quy ước từ 1 (Hoàn toàn không đồng ý)
đến 5 (Hoàn toàn đồng ý). Bên cạnh đó, các câu hỏi về đặc điểm nhân khẩu học của
đáp viên cũng được thêm vào. Bảng câu hỏi sau khi được hoàn thành sẽ gửi đến giảng
viên hướng dẫn, một vài đối tượng khảo sát để kiểm tra tính chính xác, tính logic, tính
chuyên nghiệp của nó.
- Đầu tiên, tiến hành đánh giá độ tin cậy các thang đo bằng hệ số tin cậy
Cronbach’s Alpha
Với những hạn chế về các mặt như là thời gian và địa điểm, nhóm chưa thể
phỏng vấn trực tiếp các chuyên gia, nhóm đối tượng khảo sát, vậy nên có thể xảy ra
trường hợp nhóm chưa truyền được hết những ý kiến, thắc mắc một cách rõ ràng đến
chuyên gia hay giải đáp cụ thể thắc mắc của các đối tượng khảo sát.
Một hạn chế khác mà bài nghiên cứu này cần khắc phục đó là bài nghiên cứu chỉ
tập trung vào xác định các nhân tố tác động, đánh giá mức độ tác động của các nhân tố
đến ý định và quyết định của người dân TP.HCM về việc sử dụng các phương án chẩn
đoán /điều trị thông qua áp dụng AI trong lĩnh vực y học. Vẫn còn rất nhiều yếu tố tác
động đến ý định và quyết định của mọi người mà nghiên cứu chưa đề cập đến.
2.2. Khái niệm ý định hành vi và chấp nhận sử dụng công nghệ thông tin
2.2.2. Khái niệm Chấp nhận sử dụng công nghệ thông tin
Các nghiên cứu của (Kim & Kankanhalli, 2009), (Susan K. Lippert and Miles
Davis, 2006) khi giới thiệu và đưa ra các công nghệ mới đều nhấn mạnh rằng việc
chấp nhận thay đổi cũng như việc sẽ dùng các công nghệ mới phụ thuộc vào sự chấp
nhận của người dùng, việc này bắt đầu từ trong chính mỗi cá nhân. Bài nghiên cứu chỉ
ra những cảm nhận về ứng dụng mới sẽ ảnh hưởng đến quyết định của người dùng
liệu họ có chấp nhận sự thay đổi và tin dùng các công nghệ mới này hay không. Ý
định sử dụng của họ sẽ thay đổi theo chiều hướng tích cực nếu việc sử dụng chúng
mạng lại lợi ích trong việc cải thiện hiệu suất công việc, họ có xu hướng chấp nhận
thay đổi và tin dùng công nghệ hơn. Tuy nhiên, nếu họ tin rằng công nghệ mới sẽ
khiến cho hiệu suất công việc của họ giảm hoặc tạo ra các vấn đề khác, thì đa phần sẽ
dẫn đến xu hướng không chấp nhận sự thay đổi và không sử dụng công nghệ mới.
(Achmad Nizar Hidayanto and Rika Kharlina Ekawati, 2010) đã kết luận rằng để đảm
bảo thành công của việc triển khai công nghệ mới trong tổ chức, cần phải tạo ra sự
chấp nhận và sự ủng hộ từ phía người dùng thông qua việc đưa ra những thông tin hữu
ích và đào tạo về công nghệ mới, giúp họ hiểu được giá trị cũng như biết đượccông
nghệ mới sẽ mang lại ích gì cho công việc của họ. Yếu tố quan trọng - Mức độ chấp
nhận sẽ là một yếu tố ảnh hưởng đến việc triển khai và sử dụng công nghệ hiện đại.
Việc triển khai và áp dụng công nghệ đó trong tổ chức có thể gặp nhiều khó khăn à
thất bại nếu người dùng họ không chấp nhận sự áp dụng nàyv. Việc đánh giá và tăng
cường mức độ chấp nhận của người dùng là rất quan trọng để được mức độ hiệu quả
triển khai công nghệ mới như thế nào. (Ritu Agarwal and Elena Karahanna, 2000);
(Susan K. Lippert and Miles Davis, 2006) cho thấy mức độ chấp nhận của người dùng
đóng vai trò cực kỳ quan trọng trong việc xác định sự thành công của dự án triển khai
công nghệ thông tin trong tổ chức
Mô hình nghiên cứu của Esmaeilzadeh thông qua thực hiện thu thập biểu mẫu
thông qua khảo sát trực tuyến đã thu thập được dữ liệu từ 307 cá nhân ở Hoa Kỳ, xác
định được nguồn động lực và áp lực cho bệnh nhân trong việc phát triển các thiết bị
dựa trên AI. Kết quả cho thấy các mối quan tâm về công nghệ, đạo đức (yếu tố tin
cậy) và quy định góp phần đáng kể vào những rủi ro nhận thấy khi sử dụng các ứng
dụng AI trong chăm sóc sức khỏe. Trong ba loại, mối quan tâm về công nghệ (nghĩa
là hiệu suất và tính năng giao tiếp) được coi là yếu tố dự báo quan trọng nhất về niềm
tin rủi ro.
Mô hình của Esmaeilzadeh gợi ý rằng trong quá trình ra quyết định, các cá nhân
sẽ trải qua giai đoạn đánh giá, bao gồm đánh giá giá trị của CDS dựa trên AI (lợi ích
so với rủi ro). Nếu các mối quan tâm về công nghệ, đạo đức, quy định quảng cáo
Với những phát hiện này, có thể rút ra kết luận rằng ý định mạnh mẽ hơn của
người tiêu dùng đối với các dịch vụ chăm sóc sức khỏe dựa trên Al rất có thể đạt được
bằng cách tập trung vào việc làm cho người tiêu dùng tiềm năng cảm thấy dịch vụ này
hữu ích đối với họ, tập trung vào việc tạo ra thái độ tích cực hơn và khiến họ cảm thấy
thích và khiến họ có thể tin tưởng vào dịch vụ. Tính hữu ích được cảm nhận với sự tập
trung cao nhất thì biến này chính là nhân tố tác động cao nhất đến ý định của người
tiêu dùng. Điều này có thể được thực hiện thêm bằng cách tập trung vào tiếp thị dịch
vụ để giúp người tiêu dùng tiềm năng có thêm kiến thức về Al trong chăm sóc sức
khỏe và làm cho các dịch vụ Al xuất hiện theo cách giống con người hơn. Người ta
cho rằng thái độ đối với Al, niềm tin vào AI và sự nhận thức về tính hữu ích của Al
ảnh hưởng trực tiếp đến ý định của người tiêu dùng đối với AI trong lĩnh vực chăm
sóc sức khỏe. Bên cạnh nhân tố nhận thức về tính hữu ích liên quan đến Al thì ý định
người tiêu dùng đối với Al trong lĩnh vực chăm sóc sức khỏe cũng bị 2 nhân tố kiến
thức nhận thức AI và thuyết nhân loại trong Al ảnh hưởng qua hai biến trung gian:
thái độ và sự tin tưởng vào AI.
Nhóm nhận thấy biến Nhận thức hữu ích (Perceived usefulness - PU), có ảnh
hưởng cao đến việc triển khai chăm sóc sức khỏe AI trong tương lai vậy nên nhóm
quyết định thêm các biến này vào trong mô hình nghiên cứu.
2.4.3. Nghiên cứu của (Yiwei Zhu & Shiwei Sun, 2021)
Bài viết nghiên cứu về việc áp dụng AI trong bối cảnh chăm sóc sức khỏe. Dựa
trên các lý thuyết liên quan đến việc áp dụng công nghệ, nghiên cứu giải thích cách
các yếu tố được đề xuất tác động đến niềm tin của bệnh nhân đối với công nghệ AI và
từ đó thu hút sự chú ý của họ.
Mô hình phương trình cấu trúc được sử dụng trong nghiên cứu của Yiwei Zhu
and Shiwei Sun để khám phá tiền đề về ý định áp dụng AI của bệnh nhân trong bối
cảnh chăm sóc sức khỏe dựa trên TAM, DFT và TPB. Trong bối cảnh chăm sóc sức
khỏe của Y. Zhu và S. Sun, kết quả thực nghiệm cho thấy lợi thế tương đối, rủi ro
Về ý nghĩa thực tế, kết quả nghiên cứu của này chỉ ra một số thực hành quản lý
bệnh viện bổ sung trong ngành chăm sóc sức khỏe. Ý định áp dụng AI của bệnh nhân
nên được kích hoạt thông qua lợi thế tương đối và sự tin tưởng đối với công nghệ AI.
Để giới thiệu công nghệ AI tốt hơn và nhanh hơn trong ngành chăm sóc sức khỏe,
bệnh viện cần phải xây dựng lòng tin.
Trong nghiên cứu của Tiantian Ye và cộng sự (2019), để khám phá giữa các yếu
tố có mối quan hệ gì bằng việc sử dụng phương pháp SEM sẽ ảnh hưởng đến sự chấp
nhận của công chúng và ý định sử dụng của các thiết bị AI nhãn khoa, như được áp
dụng cho các tình huống lâm sàng thực tế ở Trung Quốc. Các yếu tố tích cực như
chuẩn chủ quan giữ một vai trò phức tạp và quan trọng hơn dự đoán, bên cạnh Ý thức
về sức khỏe của mắt và PBC của mọi người, trong khi yếu tố ức chế, Xu hướng kháng
cự (RB), có tác động tiêu cực trực tiếp đến việc sử dụng các thiết bị AI. Chất ức chế
tích hợp mới của Xu hướng kháng cự phù hợp với phong cách suy nghĩ và phong tục
ngôn ngữ của người Trung Quốc và cho thấy cả sự hội tụ tốt và giá trị phân biệt. Kết
quả về hận thức rủi ro (PR) là nó không có sự ảnh hưởng quá nhiều đến Ý định sử
dụng của công chúng vì họ không ý thức được việc bảo vệ thông tin cá nhân và sức
khỏe. Hơn nữa, chúng tôi thấy rằng niềm tin có tác dụng điều tiết trên con đường từ
Nhận thức hữu ích (PU) đến Ý định sử dụng. Mô hình tích hợp này, kết hợp với bối
cảnh văn hóa và xã hội của Trung Quốc, đã thể hiện sự phù hợp và có thể được sử
dụng để khám phá các lĩnh vực chăm sóc sức khỏe AI khác như sàng lọc và theo dõi
bệnh mãn tính, đặc biệt là đối với bệnh tiểu đường, tăng huyết áp và quản lý ung thư.
Nghiên cứu này chứng minh rằng việc giới thiệu danh tiếng của công ty giữa đổi
mới dịch vụ và ý định mua chéo sẽ nâng cao hiệu quả. Khách hàng có nhiều khả năng
PAGE \* MERGEFORMAT 127
mua chéo các sản phẩm từ một công ty có uy tín, vì họ nhận thấy các sản phẩm từ các
công ty đó đáng tin cậy và có khả năng đáp ứng nhu cầu của họ dựa trên kinh nghiệm
trước đó.
Thẩm quyền của các dịch vụ sáng tạo là rất quan trọng đối với các công ty viễn
thông để được chấp nhận trên thị trường. Bằng cách liên tục cung cấp các dịch vụ
sáng tạo, các công ty viễn thông có thể tạo dựng được danh tiếng tích cực, thu hút
khách hàng và thúc đẩy mua chéo. Danh tiếng của công ty hoạt động như một yếu tố
điều tiết, tăng cường tác động của đổi mới dịch vụ đối với ý định mua chéo. Khách
hàng có xu hướng mua chéo các sản phẩm từ các công ty có uy tín hơn vì họ cho rằng
họ đáng tin cậy và có khả năng đáp ứng nhu cầu của họ. Tóm lại, nghiên cứu này gợi
ý rằng một công ty có uy tín thấy việc bán kèm một sản phẩm mới dễ dàng hơn so với
một công ty kém/không có uy tín.
H1:Nhận thức hữu ích tác động tích cực đến Ý định sử dụng thiết bị AI
Lý thuyết về hành vi có kế hoạch (TPB) đưa ra kết luận rằng ý định hành vi của
một cá nhân (tương tự như IU trong TAM) được xác định bởi ba nhân tố, thứ nhất là
thái độ, thứ hai là bởi kiểm soát hành vi được nhận thức (PBC: được định nghĩa là
mức độ kiểm soát của mọi người đối với việc tham gia vào hành vi) và cuối cùng là
H2: chuẩn chủ quan tác động tích cực đến Ý định sử dụng thiết bị AI
H3: Nhận thức kiểm soát hành vi tác động tích cực đến Ý định sử dụng thiết bị
AI
Ý thức về sức khỏe được định nghĩa là “mức độ mà các mối quan tâm về sức
khỏe được tích hợp vào các hoạt động hàng ngày của một người và những người có ý
thức về sức khỏe nhận thức được và quan tâm đến sức khỏe của họ, dẫn đến động lực
tốt hơn để cải thiện hoặc duy trì sức khỏe của họ” . Niềm tin và Mối quan tâm về sức
khỏe thông qua hiệu ứng hòa giải từ xa của nhận thức về mối đe dọa sức khỏe (PHT)
và (Jeongeun Kim & Hyeoun-Ae Park, 2012) có ảnh hưởng gây gián tiếp đến việc sử
dụng công nghệ thông tin y tế. Một nghiên cứu ở Trung Quốc đã kiểm tra sự chấp
thuận đối với công nghệ chăm sóc sức khỏe trên điện thoại di động để quản lý bệnh
mãn tính và cho thấy PHT có tác động tích cực đáng kể đến PU cùng với tác động tích
cực trực tiếp đến IU (Kaili Dou et al, 2017) của bệnh nhân
H4a:Ý thức về sức khỏe tác động tích cực đến Ý định sử dụng thiết bị AI
H4b:Ý thức về sức khỏe tác động tích cực đến Ý định sử dụng thiết bị AI
Rủi ro nhận thức (PR) đề cập đến sự kết hợp của sự không chắc chắn và mức độ
nghiêm trọng của kết quả liên quan đến hiệu suất, sự an toàn và tâm lý hoặc xã hội
không chắc chắn, có ảnh hưởng tiêu cực đến IU và do đó là rào cản đối với việc áp
dụng (Hsieh, 2015). Chống lại sự thay đổi (RTC) đề cập đến những nỗ lực của mọi
người để duy trì các hành vi hoặc thói quen trước đây có liên quan đến trải nghiệm
trong quá khứ của họ khi đối mặt với sự thay đổi (Anol Bhattacherjee et al, 2017).
RTC đã được xác nhận là một rào cản lớn đối với việc áp dụng sức khỏe điện tử và
H5: Nhận thức rủi ro tác động tiêu cực đến Ý định sử dụng thiết bị AI
H6: Xu hướng phản kháng tác động tiêu cực đến Ý định sử dụng thiết bị AI
Niềm tin được định nghĩa là niềm tin rằng ai đó hoặc điều gì đó là trung thực,
đáng tin cậy, tốt và hiệu quả hoặc mong muốn phụ thuộc vào ai đó hoặc điều gì đó để
được an toàn (Safa & Von Solms, 2016). Nhiều nghiên cứu khác nhau đã chỉ ra rằng
yếu tố này sẽ tác động hòa giải một cách trực tiếp hoặc một cách gián tiếp đến ý định
của người dùng hoặc việc chấp nhận công nghệ mới (Lynda Andrews et al, 2014).
Cuadrado đã xác định các tác động điều tiết của niềm tin, cho thấy mức độ tin cậy đã
củng cố tác động tiêu cực của tính xã hội đối với các chiến lược tưới tiêu ích kỷ
(Esther Cuadrado, Carmen Tabernero, Rocío García, Bárbara Luque, Jan Seibert,
2017)
H7: Sự tin tưởng của các bác sĩ kiểm duyệt tác động của tính hữu ích được nhận
thức đối với ý định sử dụng các thiết bị AI
Sau khi nhóm đã trình bày được tên đề tài sẽ thực hiện “Áp dụng AI trong y học
ảnh hưởng như thế nào đến quyết định khám chữa bệnh của người dân tại Thành phố
Hồ Chí Minh”, từ đó tìm kiếm các cơ sở lý thuyết Marketing nền tảng cho đề tài
nghiên cứu và các nghiên cứu có liên quan đến đề tài, nhóm đã đề xuất ra được mô
hình và thang đo sơ bộ dựa trên trên việc vận dụng các mô hình liên quan nhất đến đề
tài nhóm. Cụ thể, chương ba sẽ trình bày những nội dung liên quan đến việc thiết kế
nghiên cứu cho đề tài, bao gồm bao gồm (1) qui trình nghiên cứu, (2) thiết kế nghiên
cứu định tính bằng kỹ thuật thảo luận sâu và thảo luận nhóm, (3) trình bày kết quả
nghiên cứu định tính thu được, (4) thiết kế nghiên cứu đinh lượng, (5) tính toán số
mẫu, (6) kỹ thuật chọn mẫu, (7) phương pháp tiếp cận mẫu, (8) bảng câu hỏi định
lượng có nguồn gốc thang đo và loại thang đo.
Dựa trên đó, trong bài nghiên cứu này, nhóm thực hiện thông qua 2 giai đoạn
chính.
Bước 2: Xác định mục tiêu của bài nghiên cứu (mục tiêu tổng thể và mục tiêu cụ
thể)
Bước 3: Tham khảo các lý thuyết và mô hình từ các bài nghiên cứu trước có liên
quan đến đề tài nhóm.
Bước 4: Đề xuất, xây dựng mô hình, thang đó nháp sau khi đã chọn lọc được lý
thuyết Marketing phù hợp.
Bước 6: Giai đoạn nghiên cứu định lượng. Bao gồm các công việc như xác định
đối tượng, tính toán cỡ mẫu, phương pháp chọn và thu thập mẫu, thiết kế bảng câu hỏi
khảo sát trên thang đo chính thức.
Bước 7: Đưa ra kết quả nghiên cứu định lượng qua việc phân tích dữ liệu thu
thập được trên phần mềm SPSS.
Với đề tài này, hai công cụ để đi nghiên cứu định tính là áp dụng phỏng vấn sâu
và thảo luận nhóm nhằm khám phá, tiếp thu ý kiến, nhận xét để điều chỉnh mô hình
nghiên cứu cũng như phát triển thang đo sơ bộ hoàn chỉnh hơn.
- Thảo luận nhóm: Phương pháp lấy mẫu được lựa chọn là lấy mẫu thuận tiện
phi xác suất: thông qua người thân, bạn bè, nhóm đã chọn được một nhóm đối tượng
gồm 5 người ở các độ tuổi từ 19 - 43 tuổi và hiện đang sinh sống và làm việc tại
Thành phố Hồ Chí Minh. Thảo luận với nhóm đối tượng bằng một số câu hỏi mở
nhằm khai thác các thông tin, nhận xét và nắm bắt được các hiểu biết cơ bản ý kiến
của họ về các nhân tố ảnh hưởng đến quyết định khám chữa bệnh của họ về vấn đề áp
dụng AI trong y học như thế nào.
Bảng 3.2: Các đối tượng tham gia phỏng vấn định tính
- Phỏng vấn sâu: Hai chuyên gia am hiểu trong lĩnh vực nghiên cứu:
+ Anh Phạm Xuân Thế hiện đang là bác sĩ thực tập của Đại học Y dược Thành
phố Hồ Chí Minh, là sinh viên 5 tốt đồng thời cũng là Uỷ Viên Ban Chấp Hành Hội
Sinh viên Khoa Y, Ủy Viên Ban Chấp Hành Đoàn Khoa y - Đại học Y Dược TP. Hồ
Chí Minh; với những thành tựu trong việc “Đạt giải thưởng danh dự trong cuộc thi
The 2nd New Southbound Innovation and Entrepreneurship Competition” và “Nghiên
cứu và chế tạo thành công gậy đa năng dành cho người khiếm thị”.
+ Thạc sĩ Nguyễn Thế Hùng - Giảng viên khoa Kinh doanh quốc tế - Marketing
UEH với 15 năm kinh nghiệm giảng dạy cho các ngành Marketing, Kinh doanh
quốc tế,...
Thông qua việc phỏng vấn theo một list câu hỏi đã được xây dựng và chuẩn bị
trước, những câu hỏi mang tính chất để thảo luận, đào sâu các vấn đề liên quan đến đề
tài nghiên cứu để nhận được những lời nhận xét, góp ý cho nhóm về đề tài, cụ thể ở
các mục như hướng đi, mô hình, sự phù hợp và đúng đắn của các biến trong mô hình,
chỉnh sửa thang đo.
Đối với các câu hỏi mở về từng biến cụ thể trong mô hình:
Yếu tố nhận thức về niềm tin quan trọng của người khác về việc các đáp viên
có nên sử dụng các dịch vụ áp dụng AI trong y học để khám chữa bệnh, nhóm cũng
nhận được 4/5 sự đồng tình đối với mục “Những người quan trọng với tôi (người nhà,
người thân và bạn thân) nghĩ rằng tôi nên sử dụng các dịch vụ áp dụng AI trong y học
để chẩn đoán, khám, chữa bệnh”
→ Xét về tổng thể, hầu như tất cả các đáp viên đều không có gì không hiểu hoặc hiểu
chưa rõ về các biến, tuy nhiên cũng có một số góp ý nhỏ như biến Ý thức sức khỏe
còn khá gây tranh cãi, nó mang hơi hướng phụ thuộc nhiều vào suy nghĩ , nhận thức
cá nhân mỗi người về ý thức sức khỏe của chính họ. Khi được hỏi yếu tố nào tác động
nhiều nhất đến quyết định sử dụng AI trong khám chữa bệnh, 3/5 người cho rằng yếu
tố Nhận thức hữu ích tác động trực tiếp và nhiều nhất đến quyết định khám chữa bệnh
bằng AI do nó khiến bản thân có động lực và sự thỏa mãn hơn so với phương pháp
khám chữa bệnh truyền thống; 2/5 người lại cho rằng yếu tố Ý thức về sức khỏe tác
động nhiều nhất đến quyết định khám chữa bệnh vì nhận thấy rằng AI giúp họ quản lý
sức khỏe tốt hơn.
Cả hai chuyên gia đều nhận định và cho thấy sự thống nhất về mô hình của
nhóm khá cao và các biến như thế tương đối ổn định và phù hợp. Tuy nhiên, trong quá
trình phỏng vấn sâu hơn, cả hai chuyên gia đã đưa ra một số vấn đề về mô hình và
thang đo mà nhóm cần phải cải thiện. Tuy nhiên trước đó, nhóm đã chỉnh sửa mô hình
cũ lại cho phù hợp về các biến hơn và nhóm sẽ dùng mô hình này để trình bày cho
chuyên gia Nguyễn Thế Hùng nhận xét.
+ Mục tiêu tổng quát: Mục tiêu tổng quát của bài nghiên cứu này nhằm xác định
các nhân tố ảnh hưởng đến ý định và quyết định của người dân Thành phố Hồ Chí
Minh về việc sử dụng các phương án chẩn đoán/điều trị thông qua áp dụng AI trong
lĩnh vực y học.
Thứ nhất, tìm hiểu và khám phá thái độ, cách nhìn nhận và hành vi ra quyết định
khám chữa bệnh của người dân tại Thành phố Hồ Chí Minh khi có sự áp dụng công
nghệ trí tuệ nhân tạo vào trong chẩn đoán và điều trị bệnh. Việc đạt được mục tiêu
nghiên cứu này có thể giúp cho những nhà nghiên cứu, nhà quản trị và bác sĩ nắm bắt
được tâm lý của người dân khi có sự góp mặt của AI vào việc khám chữa bệnh.
Thứ hai, tìm hiểu các nhân tố ảnh hưởng đến ý định và quyết định của người
dân tại Thành phố Hồ Chí Minh về việc sử dụng các phương án chẩn đoán/điều trị
Hình 3. 4: Mô hình nghiên cứu chính thức sau phỏng vấn định tính
Nghiên cứu có 6 giả thuyết, cụ thể
+ H2: Các chuẩn mực chủ quan ảnh hưởng tích cực đến ý định sử dụng trực tiếp
các thiết bị AI của công chúng.
+ H3: Độ tin cậy của các cá nhân/tổ chức thực hiện chẩn đoán/điều trị bằng
phương pháp AI có ảnh hưởng tích cực đến ý định sử dụng các thiết bị AI trong khám
chữa bệnh của công chúng.
+ H4: Kiến thức nhận thức cao hơn về sử dụng công nghệ trong y học có ảnh
hưởng tích cực đến ý định sử dụng các thiết bị AI trong khám chữa bệnh của công
chúng.
+ H5: Nhận thức rủi ro ảnh hưởng tiêu cực đến ý định sử dụng thiết bị AI trong
khám chữa bệnh của công chúng.
+ H6: Xu hướng phản kháng ảnh hưởng tiêu cực đến ý định sử dụng các thiết bị
AI trong khám chữa bệnh của công chúng.
Như vậy thang đo sẽ được điều chỉnh như sau. Thang đo gồm có 22 biến quan
sát cho 5 biến độc lập và 3 biến quan sát cho 1 biến phụ thuộc.
Bảng 3. 5: Thang đo nghiên cứu chính thức sau phỏng vấn định tính
CHUẨN CQ1 People who Những người Những người quan (Ye T, Xue J,
CHỦ are important quan trọng với trọng với tôi (người He M, Gu J,
QUAN to me (family tôi (người nhà, nhà, người thân và Lin H, Xu B,
members, người thân và bạn thân) nghĩ rằng
ĐỘ TIN RE1 I consider my Tôi xem nhà Tôi xem bác sĩ/bệnh (M. Sridhar et
CẬY service cung cấp dịch vụ viện cung cấp dịch al, 2018)
(RE) provider to be của mình là tiến vụ khám chữa bệnh
progressive bộ và đổi mới. bằng AI là tiến bộ và
and đổi mới
innovation.
RE3 I consider my Tôi coi nhà cung Tôi coi bác sĩ/bệnh
service cấp dịch vụ của viện cung cấp dịch
provider to be tôi là một công vụ khám chữa bệnh
a pleasant ty dễ chịu. bằng AI sẽ tạo môi
company. trường khám chữa
bệnh dễ chịu.
KN1 Generally, I Nói chung, tôi Nói chung, tôi quen (Myllyoja,
am familiar quen thuộc với thuộc với khái niệm Holly-Laura
with the khái niệm AI. công nghệ et al, 2022)
concept of AI.
KN2 I feel confident Tôi cảm thấy tự Tôi cảm thấy tự tin
KIẾN
regarding my tin về kiến thức về hiểu biết của mình
THỨC
knowledge của mình về AI về các công nghệ sử
NHẬN
about AI in trong các dịch dụng trong lĩnh vực
THỨC
services. vụ. y tế
(KN)
KN3 I feel confident Tôi cảm thấy tự Tôi cảm thấy tự tin
describing AI tin khi mô tả AI khi mô tả các công
to a friend cho một người nghệ sử dụng trong
bạn. lĩnh vực y tế cho một
người bạn.
NHẬN RR1 As AI-based Các thiết bị dựa Các thiết bị dựa trên (Avishek
THỨC devices are not trên AI không AI không phù hợp
RR3 I think using Tôi nghĩ rằng Tôi nghĩ rằng việc sử
AI will put my việc sử dụng AI dụng AI trong y tế sẽ
patients’ sẽ gây rủi ro cho gây rủi ro cho quyền
privacy at risk quyền riêng tư riêng tư của bệnh
của bệnh nhân nhân của tôi
của tôi
XU PK1 I don’t want Tôi không muốn Tôi không muốn các (Ye T, Xue J,
HƯỚNG ophthalmic AI các thiết bị AI thiết bị AI trong y He M, Gu J,
PK3 I might regret Tôi có thể hối Tôi có thể hối tiếc
trying to use tiếc khi cố gắng khi cố gắng sử dụng
these sử dụng các thiết các thiết bị AI này vì
ophthalmic bị nhãn khoa này chúng có thể lãng phí
devices vì chúng có thể thời gian và công sức
because they lãng phí thời của tôi
could waste gian và công sức
my time and của tôi
effort
Để kiểm định mô hình cùng với thang đo và các giả thuyết nghiên cứu định
lượng sẽ được tiến hành thực hiện qua bước thiết kế thang đo chính thức của nghiên
cứu định tính thành bảng câu hỏi khảo sát. Sẽ có tối thiểu 385 mẫu được đưa ra giống
với số lượng cỡ mẫu tối thiểu tính được là 385 mẫu. Với kích thước mẫu khá lớn như
trên trải dài ở tất cả mọi độ tuổi, nghiên cứu này sẽ sử dụng phương pháp chọn mẫu
với đa dạng cách tiếp cận từ trực tiếp tại các địa điểm như trung tâm thương mại, bệnh
viên, đường phố ở Thành phố Hồ Chí Minh,... đến gián tiếp thông qua Google Forms.
Cuộc khảo sát được thực hiện trong khoảng thời gian từ 27/4/2023 đến 9/5/2023.
Phương pháp lấy mẫu ngẫu nhiên phân tầng sẽ là phương pháp chọn mẫu mà nhóm
lựa chọn để tiến hành nghiên cứu.
Có hai hình thức khảo sát được thực hiện. Hình thức thứ nhất là nhóm thu thập
biểu mẫu câu trả lời từ việc khảo sát trực tiếp đối tượng và hình thức thứ hai là thu
thập bảng câu hỏi gián tiếp online qua Google Froms. Bảng câu hỏi gồm 34 câu hỏi.
Trong đó có 4 câu hỏi sàng lọc, 5 câu hỏi về thông tin cá nhân của đối tượng tham gia
khảo sát, 25 câu hỏi về các yếu tố, cụ thể 4 câu hỏi về yếu tố Nhận thức hữu ích, 3 câu
hỏi về Chuẩn chủ quan, 4 câu hỏi về Độ tin cậy, 3 câu hỏi về Kiến thức nhận thức, 3
câu hỏi về Nhận thức rủi ro, 3 câu hỏi về Xu hướng phản kháng, 3 câu hỏi về Ý định
sử dụng. Với 25 câu hỏi đánh giá của người tham gia khảo sát về các nhân tố tác động
đến ý định và quyết định của người dân TP.HCM về việc sử dụng các phương án chẩn
đoán/điều trị thông qua áp dụng AI trong lĩnh vực y học. Mỗi câu hỏi được đo lường
dựa trên bảng thang đo Likert 5 mức độ “1: Hoàn toàn không đồng ý; 2: Không đồng
ý; 3: Trung lập; 4: Đồng ý; 5: Hoàn toàn đồng ý” được sử dụng để đo lường giá trị các
biến số.
Nhóm chia dân số TP. Hồ Chí Minh làm 4 nhóm tuổi bao gồm: Dưới 18 tuổi, từ
18 – 30 tuổi, từ 31 – 55 tuổi và trên 55 tuổi.
Dựa vào Tổng điều tra dân số và nhà ở năm 2019 của Tổng cục thống kê Việt
Nam, nhóm nghiên cứu lập bảng dưới đây thể hiện dân số thành phố Hồ Chí Minh
theo từng nhóm tuổi.
2 p ×(1− p)
N=z ×
e2
Trong đó,
+ Z là giá trị phân phối Z dựa trên độ tin cậy được lựa chọn. Trong bài nghiên
cứu này, nhóm lựa chọn độ tin cậy là 95% nên giá trị Z tương ứng là 1,96.
+ P là tỷ lệ ước lượng cỡ mẫu thành công. Tại đây, nhóm sử dụng p = 0,5 là tỷ
lệ đảm bảo an toàn cho mẫu n ước lượng.
Từ đây, nhóm xác định kích thước mẫu tối thiểu là 385 người, đại diện cho tổng
thể dân số TP. HCM có các đặc điểm mà nghiên cứu nhắm đến. Dưới đây là bảng tính
toán về số lượng khảo sát tối thiểu cho từng nhóm tuổi:
Bảng 3. 7: Bảng tính cỡ mẫu khảo sát cho từng nhóm tuổi
3.3.3. Kế hoạch lấy mẫu
Tổng thể (Population) là tập hợp các đối tượng mà nhóm nghiên cứu quan tâm
và phù hợp với việc khảo sát thông tin.
Đối tượng trong nghiên cứu này là Các nhân tố ảnh hưởng đến ý định và quyết
định của người dân TP.HCM về việc sử dụng các phương án chẩn đoán/điều trị thông
qua áp dụng AI trong lĩnh vực y học, thông qua phân tích về các nhân tố sẽ ảnh hưởng
đến việc sử dụng các phương án chẩn đoán/điều trị áp dụng AI. Đối tượng khảo sát
nhóm tiến hành là người dân đang sinh sống và làm việc tại TP. Hồ Chí Minh, không
giới hạn thu nhập, giới tính. Cỡ mẫu đủ để đại diện cho tổng thể cho nghiên cứu này
sau khi được nhóm tính toán là 385 đối tượng cho 4 nhóm tuổi.
Bài nghiên cứu này sử dụng phương pháp lấy mẫu ngẫu nhiên phân tầng để thu
thập dữ liệu. “Trong chọn mẫu theo phương pháp ngẫu nhiên phân tầng, quần thể
nghiên cứu được chia thành các nhóm riêng rẽ được gọi là tầng, mẫu nghiên cứu là
các cá thể được lựa chọn một cách ngẫu nhiên trong các tầng. Tổng số cá thể được
chọn nghiên cứu trong mỗi tầng phải tương ứng với tỷ lệ quần thể có trong các tầng”
(Nguyễn, 2020). Trong phương pháp lấy mẫu ngẫu nhiên phân tầng, với tổng thể là
người dân TP. Hồ Chí Minh là quá lớn cho mục đích khảo sát, do đó, sau khi tiến
hành tính cỡ mẫu đại diện cho tổng thể này với tổng số 385 mẫu, nhóm sẽ tiến hành
chia các phần tử trong tổng thể này thành các nhóm được gọi là tầng sao cho mỗi phần
tử trong tổng thể thuộc một và chỉ một tầng. Cơ sở để hình thành các tầng chính là độ
tuổi với 4 tầng như sau:
+ Tầng 2: Từ 18 - 30 tuổi
+ Tầng 3: Từ 31 - 55 tuổi
Nam Nữ Chung
Tầng 1 12.2% 11.2% 23.4%
Tầng 2 12.2% 12.7% 24.9%
Tầng 3 18.7% 19.5% 38.2%
Tầng 4 5.7% 7.8% 13.5%
Tổng số 48.8% 51.2% 100%
Nhóm chọn phương pháp lấy mẫu ngẫu nhiên phân tầng vì phương pháp này
không chỉ giúp đem lại hiệu quả thống kê của mẫu cao hơn mà còn giúp cung cấp dữ
Với một số mẫu tối thiểu đã tính ở mục 3.3.2, trong nghiên cứu này, nhóm sẽ
phải thu thập tối thiểu là 385 form khảo sát bằng cả hai phương thức nhằm đảm bảo
đạt được kích thước mẫu mong muốn:
+Thứ nhất: song song với thời gian khảo sát online nhóm cũng thực hiện khảo
sát trực tiếp tại các địa điểm như bệnh viện Nguyễn Tri phương, trung tâm thương mại
Vạn Hạnh Mall, chợ và các địa điểm khác,... Ở phương pháp này, người tham gia
khảo sát sẽ điền vào biểu mẫu mà nhóm đã chuẩn bị sẵn và chụp ảnh minh chứng đại
diện để đảm bảo tính trung thực, khách quan và khách quan của biểu mẫu câu trả lời.
Tổng hợp minh chứng được dẫn link tại đây.
+ Thứ hai: tiến hành khảo sát trực tuyến thông qua nền tảng Google Forms
(Bảng câu hỏi chính thức được thực hiện thiết kế trên nền tảng này luôn) (Xem chi tiết
bảng câu hỏi tại đường dẫn này.) Người tham gia khảo sát sẽ điền trực tuyến vào biểu
mẫu đó. Họ được chọn ngẫu nhiên thông qua các mối liên hệ trên Internet và các
nhóm trên những nền tảng mạng xã hội Facebook. Thời gian thu thập dữ liệu trực
tuyến được tiến hành từ ngày 27/4/2023 đến ngày 9/05/2023.
Bước 1: Dựa vào bảng câu hỏi gốc của các tác giả (Ye T, Xue J, He M, Gu J, Lin
H, Xu B, Cheng Y, 2019); (M. Sridhar, Ajay Mehta, 2018) (Myllyoja, Holly-Laura et
al, 2022) (Avishek Choudhury et al, 2022). Nhóm tiến hành thiết kế cho phù hợp với
đề tài.
- Phần 1: Giới thiệu tổng quan bảng câu hỏi khảo sát về đề tài nhóm “Các nhân
tố ảnh hưởng đến ý định và quyết định của người dân TP.HCM về việc sử dụng các
phương án chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y học.”
+ Câu hỏi sàng lọc: 4 câu hỏi với thang đo định danh với mục đích là dùng để xác
định đối tượng phù hợp với nghiên cứu.
+ Câu hỏi chính: gồm 25 câu hỏi đặc thù để thu thập dữ liệu cần thiết cho nghiên
cứu. Mỗi câu hỏi được đo lường dựa trên bảng thang đo Likert 5 mức độ “1: Hoàn
toàn không đồng ý; 2: Không đồng ý; 3: Trung lập; 4: Đồng ý; 5: Hoàn toàn đồng
ý” được sử dụng để đo lường giá trị các biến số.
+ Câu hỏi thông tin cá nhân: 5 câu hỏi mang tính chất thu thập thêm thông tin về
đặc điểm nhân khẩu học của người tham gia khảo sát như giới tính, độ tuổi, học
vấn, tình trạng hôn nhân, thu nhập.
- Phần 3: Phần kết thúc: Lời cảm ơn đến những người tham gia khảo sát và
phần quà nhỏ dành cho họ.
Bước 2: Bảng câu hỏi được thiết kế hoàn chỉnh và tiến hành phỏng vấn thử với
10 đối tượng khác nhau để họ đưa ra nhận xét sơ bộ về ính hợp lý, logic, chính xác
của các câu hỏi sát và giữa các phần với nhau xem xem liệu có gì cần chỉnh sửa hay
không để cuối cùng đưa ra được bảng câu hỏi khảo sát với các biến quan sát đúng, phù
Chúng tôi là nhóm sinh viên đến từ Trường Đại học Kinh tế Thành phố Hồ Chí
Minh. Hiện tại, chúng tôi đang thực hiện một nghiên cứu về chủ đề “Các nhân tố ảnh
hưởng đến ý định và quyết định của người dân TP.HCM về việc sử dụng các
phương án chẩn đoán /điều trị thông qua áp dụng AI trong lĩnh vực y học”. Mục
tiêu của bài nghiên cứu này nhằm tìm hiểu thái độ, cách nhìn nhận và hành vi ra quyết
định của người dân tại TP. HCM, khi có sự áp dụng trí tuệ nhân tạo vào trong việc
chẩn đoán và điều trị bệnh. Quy trình nghiên cứu diễn ra theo các bước: Đầu tiên,
chúng tôi xác định đề tài, tham khảo các bài nghiên cứu liên quan và từ đó đưa ra mô
hình và thang đo nghiên cứu tạm thời. Bước tiếp theo, chúng tôi tiến hành phỏng vấn
chuyên gia và nhóm khảo sát để ghi nhận các góp ý và hiệu chỉnh lại phần nghiên cứu
định tính. Sau khi chỉnh sửa mô hình và thang đo hoàn chỉnh, chúng tôi sẽ tiến hành
thu thập dữ liệu thông qua khảo sát.
Bảng khảo sát bao gồm 25 câu hỏi chính liên quan đến đề tài.Chúng tôi không
quy định tính đúng/sai cho từng câu hỏi khảo sát. Vì vậy, chúng tôi mong nhận được
câu trả lời khách quan nhất từ các bạn. Câu trả lời của bạn sẽ góp phần hoàn thiện bài
nghiên cứu của nhóm. Chúng tôi xin cam kết tất cả những thông tin được thu thập chỉ
để phục vụ cho mục đích nghiên cứu học thuật và được bảo mật tuyệt đối.
- Nam Danh
- Nữ nghĩa
- Tôi không muốn
tiết lộ
31 Trình độ học vấn
của bạn hiện tại:
- Trung học phổ
thông hoặc trở
Thứ bậc
xuống
- Đại học
- Thạc sĩ
- Tiến sĩ
32 Tình trạng hôn nhân
của bạn là? Danh
- Độc thân nghĩa
- Đã kết hôn
33 Trung bình thu nhập Chúng tôi sử dụng bảng Khoảng
hàng tháng của bạn phân loại thu thập theo tầng
là? lớp (Phân loại thu nhập
- Từ 0 – 1.5 triệu theo Class và ứng dụng
(Class F) trong Marketing, 2022) cho
- Từ 1.5 – 3 triệu câu hỏi này. Phân loại thu
(Class E) thập theo class được chia
- Từ 3 – 4.5 triệu làm 10 Class từ Class A
(Class D) đến Class F. Với mức thấp
- Từ 4.5 – 7.5 triệu nhất là Class F dao động từ
(Class C) 0 – 1.5 triệu và mức cao
- Từ 7.5 - 15 triệu nhất là Class A dao động từ
(Class B) 15 – trên 150 triệu.
Chương 3 nhóm đã trình bày về việc Thiết kế nghiên cứu, bao gồm qui trình
nghiên cứu, thiết kế nghiên cứu định tính, kết quả nghiên cứu định tính, thiết kế
nghiên cứu đinh lượng, tính toán số mẫu, kỹ thuật chọn mẫu, phương pháp tiếp cận
mẫu, bảng câu hỏi định lượng có nguồn gốc thang đo và loại thang đo cho đề bài Các
nhân tố ảnh hưởng đến ý định và quyết định của người dân TP.HCM về việc sử dụng
các phương án chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y học.
Mô hình và thang đo nghiên cứu sơ bộ sơ bộ của nhóm thông qua sự nhận xét,
góp ý và hướng dẫn của hai chuyên gia anh Phạm Xuân Thế và thầy Nguyễn Quốc
Hùng có một vài thay đổi về các biến so với mô hình ban đầu. Ghi nhận và tiếp thu
điều đó, nhóm đã chỉnh sửa và thay đổi mô hình cũng như thang đo nghiên cứu lại cho
phù hợp, và nhóm đã dùng bảng thang đo này làm ra bảng câu hỏi khảo sát chính thức
để thu thập dữ liệu. Tổng cộng có 25 biến quan sát dùng để xác định 5 nhân tố có tác
động đến 1 biến độc lập ý định của người dân Thành phố Hồ Chí Minh xem xét
trường hợp về việc sử dụng các phương án chẩn đoán/điều trị thông qua áp dụng AI
trong lĩnh vực y học. Cụ thể, đối với yếu tố Nhận thức hữu ích có 4 biến quan sát, yếu
tố Chuẩn chủ quan có 3 biến quan sát, yếu tố Độ tin cậy có 4 biến quan sát. Yếu tố
Kiến thức nhận thức có 3 biến quan sát, yếu tố Nhận thức rủi ro có 3 biến quan sát,
yếu tố Xu hướng phản kháng có 3 biến quan sát. Sau nghiên cứu định tính, nhóm
chuyển sang tiến hành việc nghiên cứu định lượng sơ bộ, chuẩn bị cho việc phân tích
dữ liệu như thứ nhất tính toán kích thước mẫu tối thiểu là 385 mẫu, thứ hai nhóm
phương pháp chọn mẫu mà nhóm sẽ sửu dụng là phương pháp lấy mẫu ngẫu nhiên
phân tầng chia thành 4 tầng theo đặc điểm nhóm tuổi: nhóm 1: dưới 18 tuổi, nhóm 2:
từ 19 - 30 tuổi, nhóm 3: từ 31 - 55 tuổi, nhóm 4: trên 55 tuổi; và sẽ thực hiện thu thập
mẫu qua 2 phương thức vừa trực tiếp vừa gián tiếp; cuối cùng là dựa trên mô hình và
thang đo nghiên cứu hoàn chỉnh để thiết kế ra bộ câu hỏi khảo sát.
4.1.1. Thống kê mô tả
Từ biểu đồ, ta có thể nhận thấy được rằng, trong 392 mẫu khảo sát thì có
48,72% đối tượng là nam và 51,28% đối tượng khảo sát là nữ. Kết quả cho thấy rằng,
số lượng nam và nữ xấp xỉ gần bằng nhau, điều này phản ánh gần đúng với thực tế về
tỷ lệ về giới tính trong dân số thành phố Hồ Chí Minh.
Xét về độ tuổi, biểu đồ cho thấy đối tượng khảo sát thuộc nhóm tuổi từ 31 – 55
tuổi chiếm tỷ trọng cao nhất với 37,76%. Đối tượng khảo sát thuộc nhóm tuổi trên 55
tuổi chiếm tỷ trọng ít nhất với 13,27%. Hai nhóm tuổi còn lại chiếm tỷ trọng xấp xỉ
nhau. Điều này phản ánh đúng với thực tế về tỷ lệ nhóm tuổi trong tổng thể dân số
thành phố Hồ Chí Minh.
Xét về trình độ học vấn, biểu đồ cho thấy đối tượng khảo sát thuộc nhóm Đại
học chiếm tỷ trọng cao nhất với 52,55%. Đối tượng khảo sát thuộc nhóm Tiến sĩ
chiếm tỷ trọng ít nhất với 1,28%. Đối tượng khảo sát thuộc nhóm Trung học phổ
thông hoặc trở xuống chiếm 38,78%. Đối tượng khảo sát thuộc nhóm Thạc sĩ chiếm
7,40%.
Khi thực hiện so sánh giá trị trung bình của nhân tố Kiến thức nhận thức giữa
các nhóm trình độ học vấn bằng SPSS thì ta thu được các bảng giá trị như sau:
Biểu đồ 4. 4: Thống kê mẫu khảo sát theo tình trạng hôn nhân
(Nguồn: tác giả tự tổng hợp)
Dựa theo biểu đồ, ta có thể thấy rằng, trong 392 khảo sát, nhóm đối tượng khảo
sát thuộc nhóm Độc thân chiếm tỷ trọng cao hơn với 59,18%. Nhóm đối tượng khảo
sát thuộc nhóm Đã kết hôn chiếm tỷ trọng thấp hơn với 40,82%.
Biểu đồ cho ta thấy được rằng nhóm đối tượng khảo sát có mức thu nhập từ 7.5 –
15 triệu đồng chiếm tỷ trọng cao nhất với 26,02%. Nhóm đối tượng khảo sát có mức
thu nhập từ 3 – 4.5 triệu đồng chiếm tỷ trọng thấp nhất với 7,91%. Các nhóm khác
chiếm tỷ trọng lần lượt là: Từ 0 – 1.5 triệu (17,35%); Từ 1.5 – 3 triệu (11,73%); Từ 15
triệu trở lên (20,15%).
Bảng 4. 3: Kết quả Cronbach’s Alpha của thang đo Nhận thức hữu ích (HI)
Tương Cronbach’s
Mã biến Tên biến quan Alpha nếu loại
biến tổng bỏ biến
Từ bảng ta có thể thấy, hệ số Cronbach’s Alpha nếu loại bỏ biến đều nhỏ hơn
mức tin cậy là 0,803. Các hệ số tương quan biến tổng (Corrected Item-Total
Correlation) đều có giá trị lớn hơn 0,3 và hệ số nhỏ nhất là HI3. Do đó, tất cả các biến
quan sát đều được giữ lại và đủ điều kiện để phân tích các nhân tố EFA tiếp theo.
Bảng 4. 4: Kết quả Cronbach’s Alpha của thang đo Chuẩn chủ quan (CQ)
Tương Cronbach’s
Mã biến Tên biến quan biến Alpha nếu loại
tổng bỏ biến
Những người quan trọng với tôi (người
nhà, người thân và bạn thân) nghĩ rằng
CQ1 tôi nên sử dụng các dịch vụ áp dụng AI 0,657 0,825
trong y học để chẩn đoán, khám, chữa
bệnh.
Đồng nghiệp hoặc đồng nghiệp của tôi
nghĩ rằng tôi nên sử dụng các dịch vụ
CQ2 0,759 0,727
áp dụng AI trong y học để chẩn đoán,
khám, chữa bệnh.
Lãnh đạo hoặc cấp trên của tôi nghĩ
rằng tôi nên sử dụng các dịch vụ áp
CQ3 0,709 0,780
dụng AI trong y học để chẩn đoán,
khám, chữa bệnh.
Bảng 4. 5: Kết quả Cronbach’s Alpha của thang đo Độ tin cậy (TC)
Mã biến Tên biến Tương Cronbach’s
quan biến Alpha nếu loại
tổng bỏ biến
TC1 Tôi xem bác sĩ/bệnh viện cung cấp dịch 0,476 0,637
vụ khám chữa bệnh bằng AI là tiến bộ
và đổi mới
TC2 Bác sĩ/bệnh viện cung cấp dịch vụ 0,496 0,623
khám chữa bệnh bằng AI hiểu rõ tình
trạng bệnh nhân và hướng đến bệnh
nhân.
TC3 Tôi coi bác sĩ/bệnh viện cung cấp dịch 0,489 0,629
vụ khám chữa bệnh bằng AI sẽ tạo môi
trường khám chữa bệnh dễ chịu.
TC4 Theo ý kiến của tôi, bác sĩ/bệnh viện 0,469 0,640
cung cấp dịch vụ khám chữa bệnh bằng
AI là đáng tôn trọng và đáng tin cậy
Cronbach’s Alpha = 0,696
Từ bảng ta có thể thấy, hệ số Cronbach’s Alpha nếu loại bỏ biến đều nhỏ hơn
mức tin cậy là 0,696. Các hệ số tương quan biến tổng (Corrected Item-Total
Correlation) đều có giá trị lớn hơn 0,3 và hệ số nhỏ nhất là TC4. Do đó, tất cả các biến
quan sát đều được giữ lại và đủ điều kiện để phân tích các nhân tố EFA tiếp theo.
Bảng 4. 6: Kết quả Cronbach’s Alpha của thang đo Kiến thức nhận thức (KN)
Mã biến Tên biến Tương Cronbach’s
quan biến Alpha nếu loại
tổng bỏ biến
KN1 Nói chung, tôi quen thuộc với khái 0,425 0,877
niệm công nghệ.
KN2 Tôi cảm thấy tự tin về hiểu biết của 0,773 0,511
mình về các công nghệ sử dụng trong
lĩnh vực y tế.
KN3 Tôi cảm thấy tự tin khi mô tả các công 0,680 0,624
nghệ sử dụng trong lĩnh vực y tế cho
một người bạn.
Cronbach’s Alpha = 0,777
Từ bảng ta có thể thấy, biến quan sát KN1 có hệ số Cronbach’s Alpha nếu loại
bỏ biến (Cronbach's Alpha if Item Deleted) là 0,877 lớn hơn hệ số Cronbach’s Alpha
của thang đo KN là 0,777. Tuy nhiên, hệ số tương quan biến tổng (Corrected Item-
Total Correlation) của biến là 0,425 > 0,3 và Cronbach’s Alpha của thang đo đã trên
0,6, thậm chỉ trên 0,7. Do đó, không cần thiết phải loại bỏ biến KN1 trong trường hợp
này. Các biến quan sát còn lại đều có giá trị hệ số tương quan biến tổng > 0,3. Do đó,
tất cả các biến quan sát đều được giữ lại và đủ điều kiện để phân tích các nhân tố EFA
tiếp theo.
Bảng 4. 7: Kết quả Cronbach’s Alpha của thang đo Nhận thức rủi ro (RR)
Tương Cronbach’s
Mã biến Tên biến quan biến Alpha nếu loại
tổng bỏ biến
RR1 Các thiết bị dựa trên AI không phù hợp 0,604 0,747
với thực hành y tế truyền thống, tạo nên
sự mơ hồ về tính an toàn và hiệu quả
của thiết bị AI trong thăm khám sức
Từ bảng ta có thể thấy, hệ số Cronbach’s Alpha nếu loại bỏ biến đều nhỏ hơn
mức tin cậy là 0,791. Các hệ số tương quan biến tổng (Corrected Item-Total
Correlation) đều có giá trị lớn hơn 0,3 và hệ số nhỏ nhất là RR3. Do đó, tất cả các biến
quan sát đều được giữ lại và đủ điều kiện để phân tích các nhân tố EFA tiếp theo.
Bảng 4. 8: Kết quả Cronbach’s Alpha của thang đo Xu hướng phản kháng (PK)
Cronbach’s
Tương quan
Mã biến Tên biến Alpha nếu loại
biến tổng
bỏ biến
Tôi không muốn các thiết bị AI trong
y học thay đổi cách tôi được khám,
PK1 0,701 0,681
chữa bệnh vì tôi thấy phiền và chúng
không quen thuộc với tôi.
Tôi không muốn sử dụng các thiết bị
AI trong y học vì theo kinh nghiệm
PK2 trước đây, các sản phẩm công nghệ 0,646 0,744
cao mới này luôn thất bại trong các
ứng dụng thực tế.
PK3 Tôi có thể hối tiếc khi cố gắng sử 0,621 0,769
dụng các thiết bị AI này vì chúng có
PAGE \* MERGEFORMAT 127
thể lãng phí thời gian và công sức
của tôi.
Cronbach’s Alpha = 0,805
Từ bảng ta có thể thấy, hệ số Cronbach’s Alpha nếu loại bỏ biến đều nhỏ hơn
mức tin cậy là 0,805. Các hệ số tương quan biến tổng (Corrected Item-Total
Correlation) đều có giá trị lớn hơn 0,3 và hệ số nhỏ nhất là PK3. Do đó, tất cả các biến
quan sát đều được giữ lại và đủ điều kiện để phân tích các nhân tố EFA tiếp theo.
Bảng 4. 9: Kết quả Cronbach’s Alpha của thang đo Ý định sử dụng (YD)
Tương Cronbach’s
Mã biến Tên biến quan biến Alpha nếu loại
tổng bỏ biến
Tôi dự định sử dụng các thiết bị AI
YD1 trong tương lai là lựa chọn đầu tiên của 0,726 0,822
mình nếu tôi cảm thấy không khỏe.
Tôi sẽ khuyến khích bạn bè/người thân
YD2 của mình sử dụng thiết bị AI trước nếu 0,821 0,730
họ cảm thấy không được khỏe.
Tôi sẽ khuyến khích những người khỏe
YD3 mạnh sử dụng các thiết bị AI để kiểm 0,682 0,861
tra sức khỏe định kỳ.
Cronbach’s Alpha = 0,864
Từ bảng ta có thể thấy, hệ số Cronbach’s Alpha nếu loại bỏ biến đều nhỏ hơn
mức tin cậy là 0,864. Các hệ số tương quan biến tổng (Corrected Item-Total
Correlation) đều có giá trị lớn hơn 0,3 và hệ số nhỏ nhất là YD3. Do đó, tất cả các
biến quan sát đều được giữ lại và đủ điều kiện để phân tích các nhân tố EFA tiếp theo.
Từ bảng ta có thể thấy rằng KMO = 0,858 > 0,5 và kiểm định Bartlett Sig =
0,000 cho thấy các nhân tố trong mô hình có độ kết dính nhau và phân tích nhân tố
khám phá EFA là phù hợp.
Năm nhân tố tác động đến Ý định sử dụng được mô tả như sau:
Sau khi thực hiện phân tích nhân tố khám phá EFA, nhóm nghiên cứu quyết định
thành lập nhân tố mới Nhận thức tiêu cực thay thế cho 2 biến Nhận thức rủi ro và Xu
hướng phản kháng đã đề xuất ban đầu.
Nhận thức tiêu cực được nhắc đến như những niềm tin mang tác động tiêu cực
(Robertson, DA, King-Kallimanis, BL, & Kenny, RA, 2016). Trong bài nghiên cứu
này, nhận thức tiêu cực bao gồm các nhận thức về rủi ro (hiệu suất, tài chính, thời
gian, tâm lý, xã hội, quyền riêng tư, rủi ro tổng thể,…) và các nhận thức về xu hướng
phản kháng (tránh hối tiếc, chống lại sự thay đổi, quán tính). Các nghiên cứu trước
đây đã cho thấy kết quả ràng nhận thức rủi ro và xu hướng phản kháng có tác động
tiêu cực đến ý định sử dụng của người dùng.
H5: Nhận thức tiêu cực cao hơn có ảnh hưởng tiêu cực đến ý định sử dụng thiết
bị AI trong khám chữa bệnh của công chúng.
Bảng 4. 12: Hệ thống giả thuyết sau phân tích EFA của bài nghiên cứu
Nhận thức H1: Nhận thức về tính hữu ích ảnh hưởng tích cực đến ý định sử
hữu ích (HI) dụng AI trong y học của người dân.
Chuẩn chủ H2: Các chuẩn mực chủ quan ảnh hưởng tích cực đến ý định sử dụng
quan (CQ) trực tiếp các thiết bị AI của công chúng.
Độ tin cậy H3: Độ tin cậy của các cá nhân/tổ chức thực hiện chẩn đoán/điều trị
(TC) bằng phương pháp AI có ảnh hưởng tích cực đến ý định sử dụng các
thiết bị AI trong khám chữa bệnh của công chúng.
Kiến thức H4: Kiến thức nhận thức cao hơn về sử dụng công nghệ trong y học
nhận thức có ảnh hưởng tích cực đến ý định sử dụng các thiết bị AI trong khám
(KN) chữa bệnh của công chúng.
Nhận thức H5: Nhận thức tiêu cực cao hơn có ảnh hưởng tiêu cực đến ý định sử
tiêu cực dụng các thiết bị AI trong khám chữa bệnh của công chúng.
(NE)
* Kiểm định lại độ tin cậy và phù hợp của nhân tố mới Nhận thức tiêu cực (NE)
Thang đo nhân tố mới Nhận thức tiêu cực (NE) có hệ số Cronbach’s Alpha là
0,866 cao hơn nhiều so với mức được yêu cầu là 0,6. Dưới đây là bảng kết quả kiểm
định độ tin cậy chi tiết của thang đo:
Bảng 4. 13: Kết quả Cronbach’s Alpha của thang đo nhân tố mới Nhận thức tiêu
cực (NE)
Tương Cronbach’s
Mã biến Tên biến quan biến Alpha nếu loại
tổng bỏ biến
Các thiết bị dựa trên AI không phù hợp
với thực hành y tế truyền thống, tạo nên
RR1 sự mơ hồ về tính an toàn và hiệu quả 0,706 0,836
của thiết bị AI trong thăm khám sức
khỏe.
Tôi nghĩ rằng việc sử dụng AI cho công
việc chẩn đoán lâm sàng của mình sẽ
RR2 0,691 0,839
khiến bệnh nhân của tôi gặp rủi ro
(giảm sự an toàn cho bệnh nhân).
RR3 Tôi nghĩ rằng việc sử dụng AI trong y 0,568 0,860
Từ bảng ta có thể thấy, hệ số Cronbach’s Alpha nếu loại bỏ biến đều nhỏ hơn
mức tin cậy là 0,866. Các hệ số tương quan biến tổng (Corrected Item-Total
Correlation) đều có giá trị lớn hơn 0,3 và hệ số nhỏ nhất là RR3.
4.1.4. Phân tích nhân tố khám phá EFA các biến phụ thuộc
Bảng 4. 14: Kết quả kiểm định KMO biến phụ thuộc
Từ bảng trên, ta có thể thấy rằng, hệ số KMO = 0,692 > 0,5 cho thấy nhân tố
phân tích thích hợp với mô hình dữ liệu nghiên cứu. Giá trị kiểm định Bartlett Sig =
0,000 cho thấy các biến quan sát của thang đo có sự kết dịnh và có mối quan hệ tương
quan tuyến tính có ý nghĩa thống kê.
Nhân tố
Tên thành phần Biến quan sát
1
Ý định sử dụng YD1 0,928
Tóm lại, sau khi phân tích kết quả nhân tố khám phá của cả 7 biến độc lập và
biến phụ thuộc thì ta thu được cấu trúc nhân tố như bảng dưới đây:
Bảng 4. 16: Cấu trúc nhân tố thu được sau phân tích nhân tố khám phá EFA
Biến đại
Nhân tố Biến quan sát Tên nhân tố
diện
PK1, PK2, PK3, RR1, RR2,
1 Nhận thức tiêu cực F_NE
RR3
2 HI1, HI2, HI3, HI4 Nhận thức hữu ích F_HI
3 CQ1, CQ2, CQ3 Chuẩn chủ quan F_CQ
4 KN1, KN2, KN3 Kiến thức nhận thức F_KN
5 TC1, TC2, TC3, TC4 Độ tin cậy F_TC
6 YD1, YD2, YD3 Ý định sử dụng F_YD
4.1.5.2. Sự phù hợp của lý thuyết trong việc phân tích hồi quy
Mô hình F Sig.
1. Regression 187,588 0,000b
Bảng 4. 18: Anova của mô hình
Từ bảng trên, ta thấy giá trị Sig kiểm định F = 0,000 < 0,05. Do đó, mô hình
hồi quy có ý nghĩa.
Hệ số hồi
Hệ số hồi quy chưa chuẩn
quy chuẩn Thống kê đa
Model hóa Sig.
hóa cộng tuyến
Beta Sai số chuẩn Beta
Hàng số 3,617 0,279 0,000
F_HI 0,114 0,042 0,096 0,007 1,642
F_CQ 0,146 0,030 0,160 0,000 1,401
F_TC 0,182 0,055 0,115 0,001 1,602
F_KN 0,024 0,028 0,026 0,382 1,172
F_NE -0,724 0,037 -0,644 0,000 1,464
- Các giá trị VIF < 2 cho thấy không có sự đa cộng tuyến xảy ra.
- Biến F_HI – Nhận thức hữu ích có Sig = 0,007 < 0,05 chứng tỏ có ý nghĩa
thống kê và hệ số hồi quy là 0,096 mang dấu (+) nên biến Nhận thức hữu
ích có tác động cùng chiều lên biến Ý định sử dụng.
Các biến độc lập bao gồm: F_HI – Nhận thức hữu ích; F_CQ – Chuẩn chủ quan;
F_TC – Độ tin cậy; F_NE – Nhận thức tiêu cực
Từ các kết quả nghiên cứu có thể thấy được rằng, các nhân tố Nhận thức hữu ích,
Chuẩn chủ quan, Độ tin cậy đều có sự tương quan tích cực đến Ý định sử dụng của
người dân. Nhân tố Nhận thức tiêu cực có sự tương quan tiêu cực đến Ý định sử dụng
của người dân. Kết quả này có sự trùng hợp với các nghiên cứu trước đây như nghiên
cứu của Pouyan Esmaeilzadeh (2020), Tiantian Ye và cộng sự (2019), M.Sridhar và
Ajay Mehta (2018). Mà theo đó, kết quả hồi quy chỉ ra rằng Nhận thức hữu ích và
Chuẩn chủ quan có tác động tích cực đến ý định sử dụng các thiết bị AI nhãn khoa của
công chúng một cách trực tiếp. Xu hướng phản kháng có tác động tiêu cực đến ý định
sử dụng các thiết bị AI nhãn khoa của công chúng (Ye T, Xue J, He M, Gu J, Lin H,
Xu B, Cheng Y, 2019). Một nghiên cứu khác cho thấy kết quả rằng Nhận thức rủi ro
có ảnh hưởng tiêu cực đến ý định sử dụng các công cụ dựa trên AI của cá nhân
(Esmaeilzadeh P. , 2020). Các nghiên cứu cũng cho thấy rằng độ tin cậy từ tổ chức
cung cấp dịch vụ có tác động tích cực đến ý định sử dụng/mua của người dùng. “Danh
tiếng của tổ chức có ảnh hưởng tích cực đến ý định mua chéo” (M. Sridhar, Ajay
Mehta, 2018).
Nhóm đã xây dựng cơ sở lý thuyết và nghiên cứu các nhân tố ảnh hưởng đến ý
định và quyết định của người dân TP.HCM về việc sử dụng các phương án chẩn đoán/
Điều trị thông qua áp dụng AI trong lĩnh vực y học. Mô hình xây dựng gồm 6 yếu tố
ảnh hưởng trực tiếp đến ý định và quyết định của người dân bao gồm: (1) Nhận thức
hữu ích (Perceived usefulness –PU), (2) Chuẩn mực chủ quan (Subjective norms –
SN), (3) Nhận thức kiểm soát hành vi (Perceived behavioral control – PBC), Ý thức
về sức khỏe (Health consciousness – HC), (5) Nhận thức rủi ro (Perceived risks –PR),
(6) Xu hướng kháng cự (Resistance bias –RB).
Qua phân tích dữ liệu SPSS, hồi quy thì còn 4 nhân tố ảnh hưởng đến ý định và
quyết định của người dân TP. HCM về việc sử dụng các phương án chẩn đoán/ điều
trị thông qua áp dụng AI trong lĩnh vực y học theo thứ tự như sau: Yếu tố Nhận thức
tiêu cực (𝛽=-0.644) có tác động mạnh nhất, Yếu tố Chuẩn chủ quan (𝛽=0.160) có tác
động mạnh thứ hai, Yếu tố Độ tin cậy (𝛽=0.115) có tác động mạnh thứ ba, Yếu tố
Nhận thức Hữu ích (𝛽=0.096) có tác động mạnh thứ tư trong đề tài nghiên cứu về các
nhân tố ảnh hưởng đến ý định và quyết định của người dân TP.HCM về việc sử dụng
phương án chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y học. Qua kết quả
nghiên cứu cũng cho thấy có sự khác nhau trong quyết định của người dân TP.HCM
về việc sử dụng phương án chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y
học giữa nhóm đáp viên khác nhau về giới tính, độ tuổi, trình độ học vấn, trình trạng
hôn nhân, thu nhập trung bình.
Thông qua các kết quả và mục tiêu đạt từ quá trình nghiên cứu, nghiên cứu này
là Đề xuất một số hàm ý quản trị nhằm góp phần nâng cao các tác động tích cực đến
quyết định định của người dân TP. HCM về việc sử dụng các phương án chẩn đoán/
điều trị thông qua áp dụng AI.
Về mặt lý luận, đề tài nghiên cứu về các nhân tố ảnh hưởng đến ý định và quyết
định của người dân TP. Hồ Chí Minh về việc sử dụng các phương án chẩn đoán/điều
trị thông qua áp dụng AI trong lĩnh vực y học có ý nghĩa to lớn. Đây là một đề tài
nghiên cứu mới và hứa hẹn đem lại nhiều kết quả quan trọng về cách mà con người
tương tác với công nghệ trong lĩnh vực y tế. Cụ thể, đề tài này có thể giúp tăng cường
sự hiểu biết về cách mà người dân TP. Hồ Chí Minh đánh giá và lựa chọn sử dụng các
phương án chẩn đoán/điều trị dựa trên AI. Kết quả nghiên cứu cũng có thể cung cấp
thông tin hữu ích cho các chuyên gia y tế, nhà quản lý y tế và các nhà cung cấp dịch
vụ y tế để tăng cường quản lý và phát triển các dịch vụ y tế thông qua sử dụng công
nghệ AI. Ngoài ra, đề tài này cũng có thể cung cấp thông tin quan trọng cho các nhà
nghiên cứu về lĩnh vực trí tuệ nhân tạo và y học để phát triển các công nghệ và ứng
dụng mới trong lĩnh vực này.
Về mặt thực tiễn, đề tài này có ý nghĩa rất lớn đối với việc cải thiện chất lượng
dịch vụ y tế và đáp ứng nhu cầu sức khỏe của người dân trong thời đại 4.0. Công nghệ
trí tuệ nhân tạo đang được áp dụng ngày càng rộng rãi trong lĩnh vực y tế để hỗ trợ
chẩn đoán, điều trị và dự báo bệnh tật. Việc nghiên cứu về các nhân tố ảnh hưởng đến
ý định và quyết định của người dân sử dụng các phương án chẩn đoán/điều trị thông
qua áp dụng AI trong lĩnh vực y học sẽ giúp xác định các yếu tố cần được cải thiện và
tăng cường độ tin cậy và sự chấp nhận của người dân đối với việc sử dụng công nghệ
AI trong y tế.
Từ kết quả kiểm định mô hình nghiên cứu, nhóm sẽ xem xét mức độ ảnh hưởng
của các biến “Nhận thức tiêu cực”, “Chuẩn chủ quan”, “Độ tin cậy”, “Nhận thức Hữu
ích”, “Kiến thức nhận thức”, đến biến “ Ý định sử dụng” để rút ra hàm ý quản trị
nhằm góp phần nâng cao các tác động tích cực đến quyết định định của người dân TP.
Hồ Chí Minh về việc sử dụng các phương án chẩn đoán/ điều trị thông qua áp dụng
AI.
Đây là nhóm nhân tố tác động mạnh mẽ nhất đến quyết đến ý định và quyết định
của người dân TP.HCM về việc sử dụng các phương án chẩn đoán /điều trị thông qua
áp dụng AI trong lĩnh vực y học với hệ số 𝛽= -0.644. Kết quả này cho thấy rằng nhóm
nhân tố được nghiên cứu trong đề tài có tác động mạnh mẽ và có mối quan hệ âm với
ý định và quyết định của người dân TP.HCM về việc sử dụng các phương án chẩn
đoán /điều trị thông qua áp dụng AI trong lĩnh vực y học. Giá trị âm của hệ số này cho
thấy rằng khi những nhân tố này tăng thì ý định và quyết định của người dân sử dụng
các phương án chẩn đoán /điều trị thông qua AI trong y học giảm.
Việc giảm nhận thức tiêu cực có nhiều ý nghĩa quan trọng. Đầu tiên, nó giúp
tăng khả năng chấp nhận và sử dụng các công nghệ y tế mới, đặc biệt là sử dụng AI
trong lĩnh vực y tế. Khi một người có nhận thức tiêu cực về công nghệ y tế, họ có thể
bị sợ hãi hoặc lo lắng về việc sử dụng các công nghệ mới và không chấp nhận chúng,
điều này có thể làm giảm hiệu quả của các phương pháp chẩn đoán và điều trị mới.
Thứ hai, việc giảm nhận thức tiêu cực có thể giúp tăng sự tin tưởng của người dân vào
các phương pháp chẩn đoán và điều trị dựa trên AI. Khi người dân tin tưởng vào các
phương pháp mới, họ có thể dễ dàng chấp nhận và sử dụng chúng, từ đó giúp tăng khả
năng chẩn đoán chính xác và cải thiện sức khỏe của người dân. Cuối cùng, việc giảm
nhận thức tiêu cực còn có thể giúp tạo ra một môi trường thuận lợi cho các nhà nghiên
cứu và các chuyên gia y tế để phát triển các công nghệ mới và đưa chúng vào sử dụng.
Khi một công nghệ y tế mới được chấp nhận và sử dụng rộng rãi, nó có thể giúp cải
thiện sức khỏe của người dân và làm giảm chi phí cho hệ thống y tế.
Một số giải pháp được nhóm nghiên cứu đề xuất như sau:
- Tăng cường giáo dục và thông tin: Cần phải giải thích rõ ràng về cách thức
hoạt động của công nghệ AI trong y học, tiềm năng và giới hạn của công nghệ này.
Ngoài ra, cần cung cấp thông tin về các ứng dụng thực tế của công nghệ AI trong y
học, những lợi ích mà nó mang lại và cách thức sử dụng công nghệ AI một cách đúng
đắn và an toàn. Tăng cường giáo dục và thông tin cho người dân sẽ giúp họ hiểu rõ
hơn về công nghệ AI và giảm sự lo ngại và nghi ngờ của họ.
- Thực hiện các chính sách và quy định đảm bảo tính minh bạch, đạo đức, an
toàn và hiệu quả: Cần thiết phải có các chính sách và quy định đảm bảo tính minh
bạch, đạo đức, an toàn và hiệu quả trong việc sử dụng công nghệ AI trong y học. Các
quy định này cần bao gồm quy định về việc thu thập và sử dụng dữ liệu, bảo mật
thông tin, trách nhiệm và đạo đức trong việc sử dụng công nghệ AI trong y học. Việc
đảm bảo tính minh bạch và đạo đức trong việc sử dụng công nghệ AI sẽ giúp tăng sự
tin tưởng của người dân và giảm tỷ lệ nhận thức tiêu cực về công nghệ này.
Kết quả của nghiên cứu chỉ ra rằng “Chuẩn chủ quan” là nhân tố rất quan trọng
trong ý định và quyết định của người dân TP.HCM về việc sử dụng các phương án
chẩn đoán /điều trị thông qua áp dụng AI trong lĩnh vực y học. Trong đó CQ2, CQ3,
CQ1 ảnh hưởng trực tiếp đến chuẩn chủ quan. Từ đó sẽ giúp các chuyên gia y tế và
nhà quản lý sức khỏe hiểu hơn về cách thức thông tin và giáo dục được cung cấp để
tăng cường nhận thức và giảm thiểu sự bất đồng ý kiến trong cộng đồng về việc áp
dụng trí tuệ nhân tạo trong y tế.
Để giải quyết vấn đề này, có thể đưa ra một số giải pháp sau:
Tăng cường giáo dục và nâng cao nhận thức của cộng đồng về công nghệ trí tuệ
nhân tạo trong y tế, bao gồm các lợi ích, rủi ro, cách thức áp dụng và giới hạn của nó.
Tạo ra các nền tảng truyền thông để giới thiệu, tương tác và trao đổi thông tin về
trí tuệ nhân tạo trong y tế giữa các bác sĩ, chuyên gia y tế và người dân.
Đảm bảo tính minh bạch và đáng tin cậy của các ứng dụng trí tuệ nhân tạo trong
y tế để tăng cường sự tin tưởng và chấp nhận của người dân.
Qua kết quả nghiên cứu của nhóm, mặc dù nhân tố Độ tin cậy không phải là
nhân tố tác động mạnh mẽ nhất đến ý định và quyết định của người dân TP.HCM về
việc sử dụng các phương án chẩn đoán /điều trị thông qua áp dụng AI trong lĩnh vực y
học tuy nhiên đây cũng là nhân tố tác động với hệ số 𝛽=0.115. Điều này có nghĩa là
độ tin cậy của phương án chẩn đoán/điều trị thông qua áp dụng AI trong lĩnh vực y
học cũng đóng vai trò trong quyết định của người dân. Vì vậy, việc nâng cao độ tin
cậy của các phương án chẩn đoán/điều trị thông qua AI sẽ là một giải pháp quan trọng
nhằm tăng độ uy tín và độ tin cậy của phương pháp này, từ đó tăng khả năng được sử
dụng trong thực tế.
Để nâng cao độ tin cậy và tăng sự tin tưởng của người dân TP.HCM vào các
phương án chẩn đoán/điều trị dựa trên AI trong lĩnh vực y học, nhóm nghiên cứu đề
xuất một số giải pháp sau:
- Cung cấp thông tin chính xác và minh bạch về các phương án chẩn đoán/điều
trị dựa trên AI: Các cơ quan y tế, các chuyên gia y tế và các nhà nghiên cứu có thể
cung cấp thông tin chính xác và minh bạch về các phương án chẩn đoán/điều trị dựa
trên AI cho người dân. Việc cung cấp thông tin này có thể giúp tăng độ tin cậy của
người dân vào các phương án này.
- Tăng cường đào tạo và giáo dục cho người dân: Các cơ quan y tế có thể tăng
cường hoạt động đào tạo và giáo dục cho người dân về các phương án chẩn đoán/điều
trị dựa trên AI. Việc nâng cao nhận thức của người dân về công nghệ y tế mới có thể
giúp tăng độ tin cậy của họ và giúp họ đưa ra quyết định đúng đắn hơn.
- Thực hiện kiểm tra và đánh giá chất lượng của các phương án chẩn đoán/điều
trị dựa trên AI: Các cơ quan y tế và các chuyên gia y tế có thể thực hiện kiểm tra và
đánh giá chất lượng của các phương án chẩn đoán/điều trị dựa trên AI. Việc thực hiện
- Xây dựng cơ chế phản hồi và giải đáp thắc mắc của người dân: Các cơ quan y
tế và các chuyên gia y tế có thể xây dựng cơ chế phản hồi và giải đáp thắc mắc của
người dân liên quan đến các phương án chẩn đoán/điều trị dựa trên AI. Việc đáp ứng
nhanh chóng và đầy đủ các thắc mắc của người dân có thể giúp tăng độ tin cậy và sự
tin tưởng của họ vào các phương án này.
Tăng cường sự tham gia của các chuyên gia y tế trong việc giới thiệu và đào tạo
về ứng dụng của trí tuệ nhân tạo trong y học: Việc có sự tham gia của các chuyên gia
y tế nhằm giúp cho người dân hiểu rõ hơn về các phương pháp chẩn đoán và điều trị
bằng trí tuệ nhân tạo và cũng như đánh giá độ tin cậy của các phương pháp này. Việc
đào tạo và giới thiệu sẽ giúp người dân có được những thông tin đầy đủ và chính xác,
giúp họ có thể đưa ra quyết định thông minh và hiệu quả hơn khi sử dụng các phương
pháp chẩn đoán và điều trị thông qua trí tuệ nhân tạo.
Tạo ra các sản phẩm phần mềm trí tuệ nhân tạo tiện ích và dễ sử dụng: Việc tạo
ra các sản phẩm phần mềm trí tuệ nhân tạo giúp cho người dân có thể sử dụng các
Với hệ số 𝛽=0.026, yếu tố kiến thức nhận thức ảnh hưởng yếu nhất đến ý định
và quyết định của người dân TP.HCM, điều này có thể chỉ ra rằng kiến thức của người
dân về công nghệ AI trong lĩnh vực y học vẫn còn hạn chế. Các nguyên nhân có thể
bao gồm thiếu thông tin, thiếu đào tạo hoặc những thông tin sai lệch, thiếu chính xác
về công nghệ AI trong y học.
- Tăng cường thông tin và đào tạo cho người dân về các phương pháp chẩn
đoán /điều trị thông qua AI, bao gồm cách thức hoạt động, ưu điểm và hạn chế của
công nghệ AI trong y học.
- Tạo ra các chương trình đào tạo cho các chuyên gia y tế về việc sử dụng công
nghệ AI trong y học để cải thiện tính chuyên môn của họ.
- Thúc đẩy các nghiên cứu và thử nghiệm về việc áp dụng công nghệ AI trong y
học để cung cấp thêm bằng chứng cho tính hiệu quả và an toàn của phương án chẩn
đoán /điều trị.
-Xây dựng các chính sách pháp lý liên quan đến việc sử dụng công nghệ AI
trong y học để đảm bảo tính pháp lý và đạo đức của các phương pháp này.
5.4. Hạn chế của đề tài và hướng nghiên cứu trong tương lai
Hạn chế đầu tiên của nghiên cứu là chỉ tập trung vào xác định các nhân tố tác
động, đánh giá mức độ tác động của các nhân tố đến ý định và quyết định của người
dân TP.HCM về việc sử dụng các phương án chẩn đoán /điều trị thông qua áp dụng AI
trong lĩnh vực y học. Vẫn còn rất nhiều yếu tố tác động đến ý định và quyết định của
khách hàng mà nghiên cứu chưa đề cập đến
PAGE \* MERGEFORMAT 127
Thứ hai, do thời gian tương đối gấp rút nên việc lấy mẫu khảo sát là n=392
tương đối thấp nên có thể khả năng đại diện cho tổng thể chưa cao. Bên cạnh đó, đề
tài nghiên cứu được nhóm thực hiện trên địa bàn Thành phố Hồ Chí Minh và trong
một khoảng thời gian ngắn. Vì vậy, cần phải có thời gian thực hiện dài hơn và phạm
vi mẫu nhiều hơn để nghiên cứu có độ chính xác hơn.
Thứ ba, việc khảo sát qua Google form nên không thể tránh khỏi việc chọn tuỳ ý
mà không quan tâm tới nội dung câu hỏi làm ảnh hưởng đến dữ liệu.
Thứ nhất, nghiên cứu cần phải tăng thêm số lượng biểu mẫu khảo sát để độ
chính xác tăng thêm và đồng thời phạm vi của nghiên cứu có thể mở rộng ra với với
đa dạng nhóm người khảo sát để thu thập được số mẫu lớn hơn với nhiều ý kiến từ
nhiều nghề nghiệp, lứa tuổi,… để tăng độ tin cậy và hướng nghiên cứu đến tính ứng
dụng thực tiễn cao hơn.
Thứ hai, trên thực tế còn nhiều nhân tố tác động đến đến ý định và quyết định
của người dân TP.HCM về việc sử dụng các phương án chẩn đoán /điều trị thông qua
áp dụng AI trong lĩnh vực y học vì vậy nghiên cứu tiếp theo cần đi sâu hơn và cần đưa
ra các yếu tố ít được kiểm định để có kết quả nghiên cứu toàn diện hơn, đổi mới và
cập nhật đúng thực trạng hơn so với những nghiên cứu trước đây
Thứ ba, nghiên cứu tiếp theo đi sâu vào phân tích các nhân tố tác động đến đến ý
định và quyết định của người dân TP.HCM về việc sử dụng các phương án chẩn
đoán /điều trị thông qua áp dụng AI trong lĩnh vực y học. Có thể bao gồm như nghiên
cứu phân tích định tính và định lượng về ảnh hưởng của các yếu tố kỹ thuật và công
nghệ liên quan đến AI trong y học, bao gồm cả tính chính xác, độ nhạy và độ đặc hiệu
của các phương pháp chẩn đoán/điều trị. Hay Nghiên cứu về yếu tố địa lý và hệ thống
y tế, bao gồm cả địa bàn và mức độ phát triển của hệ thống y tế địa phương, cũng như
vai trò của AI trong việc nâng cao chất lượng chăm sóc sức khỏe. Nghiên cứu về yếu
tố kinh tế, bao gồm cả chi phí và tính khả thi của các phương pháp chẩn đoán/điều trị
thông qua áp dụng AI trong lĩnh vực y học, đồng thời đánh giá các tác động kinh tế
của việc sử dụng AI trong y học đối với xã hội và các bên liên quan.
I. Tiếng Việt
1. (2020, 06 23). Retrieved from Trung tâm CNTT và Truyền thông tỉnh
Sơn La: https://ict.sonla.gov.vn/Tin-Tuc-Cong-Nghe/Tri-tue-Nhan-tao-se-
la-mui-nhon-cho-Cach-mang-cong-nghiep-4-0-cua-Viet-Nam-985.html
2. Đình Thọ, N. (2012). Phương pháp nghiên cứu khoa học trong kinh
doanh. NXB Lao Động Xã Hội.
3. Nguyễn, T. (2020). Các phương pháp chọn mẫu. Retrieved from Đại học
Duy Tân: https://kdieuduong.duytan.edu.vn/nghien-cuu-khoa-hoc/cac-
phuong-phap-chon-mau.aspx?lang=vn
4. Phân loại thu nhập theo Class và ứng dụng trong Marketing. (2022).
Retrieved from Brade Mar: https://brademar.com/phan-loai-thu-nhap-
theo-class/
5. Việt Nam có lợi thế ứng dụng AI trong y tế. (2020, 09 23). Retrieved
from Bộ Khoa học và Công nghệ:
https://www.most.gov.vn/vn/tin-tuc/18808/viet-nam-co-loi-the-ung-dung-
ai-trong-y-te.aspx
II. Tiếng Anh
Chúng tôi là nhóm sinh viên đến từ Trường Đại học Kinh tế Thành phố Hồ Chí
Minh. Hiện tại, chúng tôi đang thực hiện đề tài “Các nhân tố ảnh hưởng đến ý định và
quyết định của người dân TP.HCM về việc sử dụng các phương án chẩn đoán /điều
trị thông qua áp dụng AI trong lĩnh vực y học”. Đầu tiên, nhóm xin chân thành cảm
ơn anh chị đã dành thời gian tham gia buổi họp mặt hôm nay và trao đổi cùng nhóm
về chủ đề này.
Mục đích thảo luận: Nội dung các câu hỏi mà nhóm tôi đưa ra trong buổi phỏng
vấn này nhằm nhận diện, bổ sung, sửa đổi và rút ra kết luận cuối cùng về yếu tố được
đề cập trong mô hình đề xuất tác động đến ý định sử dụng phương thức khám chữa
bệnh bằng AI của người dân.
Ý kiến đóng góp của anh chị không có ý kiến nào là sai mà ngược lại nó giúp ích
cho nghiên cứu của chúng tôi cũng như đóng góp một phần nhỏ trong nghiên cứu về
hành vi đối với công nghệ AI trong y học dưới góc độ của người tiêu dùng.
Thời gian dự kiến cho buổi trao đổi của chúng ta là khoảng 40 phút. Trước tiên,
để làm quen với nhau, xin tự giới thiệu các thành viên trong nhóm thực hiện đề tài và
xin các anh chị tự giới thiệu tên và công việc của mình.
Danh sách câu hỏi cho việc đánh giá thang đo:
1. Anh chị đã từng nghe đến trí tuệ nhân tạo AI hoặc từng thấy việc sử dụng AI
trong đời sống của mình chưa?
3. Với bản thân mỗi người thì anh chị có cảm thấy các ứng dụng AI trong y học là
hữu ích, và liệu nó có cải thiện được chất lượng khám chữa bệnh hay không?
4. Bên cạnh các lợi ích mà AI mang lại trong y học còn có các rủi ro có thể xảy
ra, liệu nó có làm gián đoạn suy nghĩ và quyết định khám chữa bệnh bằng AI
của anh chị hay không?
5. Ý thức và mức độ quan tâm đến sức khỏe bản thân của anh chị? Anh chị có
thường xuyên đi khám tổng quát và đi khám ngay lập tức khi phát hiện các dấu
hiệu bất thường của cơ thể?
6. Anh chị có xu hướng kháng cự việc thay đổi cách khám chữa bệnh truyền
thống bằng khám chữa bệnh sử dụng AI?
7. Anh chị hãy chia sẻ quan điểm những điều gì sẽ tác động đến quyết định cho
phép khám chữa bệnh của một gia đình khi có thành viên cần thực hiện đại
phẫu bằng robot?
Chúng tôi là nhóm sinh viên đến từ Trường Đại học Kinh tế Thành phố Hồ Chí
Minh. Hiện tại, chúng tôi đang thực hiện một nghiên cứu về chủ đề “CÁC NHÂN TỐ
ẢNH HƯỞNG ĐẾN Ý ĐỊNH VÀ QUYẾT ĐỊNH CỦA NGƯỜI DÂN TP.HCM
VỀ VIỆC SỬ DỤNG CÁC PHƯƠNG ÁN CHẨN ĐOÁN/ĐIỀU TRỊ THÔNG
QUA ÁP DỤNG AI TRONG LĨNH VỰC Y HỌC.”
Mục tiêu của bài nghiên cứu này nhằm tìm hiểu thái độ, cách nhìn nhận và hành
vi ra quyết định của người dân tại TP. HCM, khi có sự áp dụng trí tuệ nhân tạo vào
trong việc chẩn đoán và điều trị bệnh. Quy trình nghiên cứu diễn ra theo các bước:
Đầu tiên, chúng tôi xác định đề tài, tham khảo các bài nghiên cứu liên quan và từ đó
đưa ra mô hình và thang đo nghiên cứu tạm thời. Bước tiếp theo, chúng tôi tiến hành
phỏng vấn chuyên gia và nhóm khảo sát để ghi nhận các góp ý và hiệu chỉnh lại phần
nghiên cứu định tính. Sau khi chỉnh sửa mô hình và thang đo hoàn chỉnh, chúng tôi sẽ
tiến hành thu thập dữ liệu thông qua khảo sát.
Bảng khảo sát bao gồm 25 câu hỏi chính liên quan đến đề tài. Chúng tôi không
quy định tính đúng/sai cho từng câu hỏi khảo sát. Vì vậy, chúng tôi mong nhận được
câu trả lời khách quan nhất từ các bạn. Câu trả lời của bạn sẽ góp phần hoàn thiện bài
nghiên cứu của nhóm. Chúng tôi xin cam kết tất cả những thông tin được thu thập chỉ
để phục vụ cho mục đích nghiên cứu học thuật và được bảo mật tuyệt đối.
4. Bạn có ý định sử dụng AI trong khám và chữa bệnh cho bản thân mình và
người thân không?
Thông qua các biến, hãy đánh giá mức độ đồng ý của bạn đối với các ý kiến bên
dưới theo các mức độ sau:
2. Không đồng ý
3. Trung lập
4. Đồng ý
Mức độ mà một cá nhân tin rằng các công cụ dựa trên AI có thể cải thiện việc
chẩn đoán và lập kế hoạch chăm sóc cho bệnh nhân.
Các thiết bị AI sẽ giúp tôi đối phó với các bệnh về sức khỏe và có thể phòng
ngừa được bệnh ở giai đoạn đầu.
☐1 ☐2 ☐3 ☐4 ☐5
Các thiết bị AI rất hữu ích trong việc cung cấp thông tin và hình ảnh chi tiết về tình
trạng cơ thể của tôi.
☐1 ☐2 ☐3 ☐4 ☐5
Các thiết bị AI sẽ giúp các tổ chức y tế tăng hiệu suất khám chữa bệnh.
PAGE \* MERGEFORMAT 127
☐1 ☐2 ☐3 ☐4 ☐5
Trong phương pháp chăm sóc sức khỏe truyền thống, các thiết bị AI sẽ là một bổ sung
tốt.
☐1 ☐2 ☐3 ☐4 ☐5
Nhận thức về niềm tin quan trọng (hoặc có liên quan) của người khác về việc tôi có
nên sử dụng các dịch vụ áp dụng AI trong y học để chẩn đoán, khám, chữa bệnh
Những người quan trọng với tôi nghĩ rằng tôi nên sử dụng các dịch vụ áp dụng AI
trong y học để chẩn đoán, khám, chữa bệnh.
☐1 ☐2 ☐3 ☐4 ☐5
Đồng nghiệp của tôi nghĩ rằng tôi nên sử dụng các dịch vụ áp dụng AI trong y học để
chẩn đoán, khám, chữa bệnh.
☐1 ☐2 ☐3 ☐4 ☐5
Lãnh đạo hoặc cấp trên của tôi nghĩ rằng tôi nên sử dụng các dịch vụ áp dụng AI trong
y học để chẩn đoán, khám, chữa bệnh.
☐1 ☐2 ☐3 ☐4 ☐5
ĐỘ TIN CẬY
Độ tin cậy được đề cập trong bài nghiên cứu này là danh tiếng của cá nhân (như bác
sĩ,...) và tổ chức (bệnh viện, trung tâm y tế,...) cung cấp các dịch vụ chẩn đoán/điều trị
bằng các công cụ AI.
Tôi xem bác sĩ/bệnh viện cung cấp dịch vụ khám chữa bệnh bằng AI là tiến bộ và đổi
mới.
Tôi nghĩ rằng bác sĩ/bệnh viện cung cấp dịch vụ khám chữa bệnh bằng AI sẽ hiểu rõ
tình trạng bệnh nhân và hướng đến bệnh nhân hơn.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi nghĩ rằng bác sĩ/bệnh viện cung cấp dịch vụ khám chữa bệnh bằng AI sẽ tạo môi
trường khám chữa bệnh dễ chịu hơn.
Theo ý kiến của tôi, bác sĩ/bệnh viện cung cấp dịch vụ khám chữa bệnh bằng AI là
đáng tôn trọng và đáng tin cậy hơn so với những nơi khác.
☐1 ☐2 ☐3 ☐4 ☐5
Kiến thức nhận thức về AI có ảnh hưởng đến thái độ đối với AI, niềm tin trong bối
cảnh AI.
Nhìn chung, tôi quen thuộc với các khái niệm công nghệ.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi cảm thấy tự tin về hiểu biết của mình đối với các công nghệ sử dụng trong lĩnh
vực y tế.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi cảm thấy tự tin khi mô tả các công nghệ sử dụng trong lĩnh vực y tế cho những
người xung quanh.
☐1 ☐2 ☐3 ☐4 ☐5
Sự kết hợp của sự không chắc chắn và mức độ nghiêm trọng của một kết quả liên
quan đến hiệu suất, sự an toàn, tâm lý hoặc xã hội không chắc chắn.
Tôi đánh giá rằng các thiết bị dựa trên AI không phù hợp với y tế truyền thống, tạo
nên sự mơ hồ về tính an toàn và hiệu quả.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi nghĩ rằng việc sử dụng AI cho công việc chẩn đoán lâm sàng sẽ khiến tôi gặp rủi
ro.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi nghĩ rằng việc sử dụng AI trong y tế sẽ gây rủi ro về quyền riêng tư của tôi.
☐1 ☐2 ☐3 ☐4 ☐5
Chống lại một công nghệ mới do những thành kiến như tránh hối tiếc, quán tính và
chống lại sự thay đổi.
Tôi không muốn các thiết bị AI trong y học thay đổi cách khám, chữa bệnh vì tôi thấy
phiền và không quen thuộc với tôi.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi không muốn sử dụng các thiết bị AI trong y học vì theo kinh nghiệm trước đây,
các sản phẩm công nghệ cao mới này luôn thất bại trong các ứng dụng thực tế.
☐1 ☐2 ☐3 ☐4 ☐5
Các thiết bị AI có thể lãng phí thời gian và công sức của tôi.
☐1 ☐2 ☐3 ☐4 ☐5
Ý ĐỊNH SỬ DỤNG
Động lực hoặc sự sẵn sàng của một cá nhân để nỗ lực quyết định sử dụng các thiết bị
AI trong chăm sóc sức khỏe.
Sử dụng các thiết bị AI trong tương lai là sẽ lựa chọn đầu tiên của tôi nếu tôi cảm thấy
không khỏe.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi sẽ khuyến khích bạn bè/người thân của mình sử dụng thiết bị AI nếu họ cảm thấy
không được khỏe.
☐1 ☐2 ☐3 ☐4 ☐5
Tôi sẽ khuyến khích những người khỏe mạnh sử dụng các thiết bị AI để kiểm tra sức
khỏe định kỳ.
☐1 ☐2 ☐3 ☐4 ☐5
☐ Trung học phổ thông hoặc trở xuống ☐ Đại học ☐ Thạc sĩ ☐ Tiến sĩ
Chúng tôi xin chân thành cảm ơn các bạn đã dành thời gian để hoàn thành khảo
sát. Chúc các bạn có một ngày tốt lành.
Statistics
TUOI GIOITINH HOCVAN HONNHAN THUNHAP
N Valid 392 392 392 392 392
Missing 0 0 0 0 0
TUOI
Cumulative
Frequency Percent Valid Percent Percent
Valid Dưới 18 tuổi 93 23,7 23,7 23,7
Từ 18 - 30 tuổi 99 25,3 25,3 49,0
Từ 31 - 55 tuổi 148 37,8 37,8 86,7
Trên 55 tuổi 52 13,3 13,3 100,0
Total 392 100,0 100,0
GIOITINH
Cumulative
Frequency Percent Valid Percent Percent
Valid Nữ 201 51,3 51,3 51,3
Nam 191 48,7 48,7 100,0
Total 392 100,0 100,0
HOCVAN
Cumulative
Frequency Percent Valid Percent Percent
Valid Trung học phổ thông hoặc trở 152 38,8 38,8 38,8
xuống
Đại học 206 52,6 52,6 91,3
Thạc sĩ 29 7,4 7,4 98,7
Tiến sĩ 5 1,3 1,3 100,0
Total 392 100,0 100,0
HONNHAN
Cumulative
Frequency Percent Valid Percent Percent
THUNHAP
Cumulative
Frequency Percent Valid Percent Percent
Valid Từ 0 - 1.5 triệu 68 17,3 17,3 17,3
Từ 1.5 - 3 triệu 46 11,7 11,7 29,1
Từ 3 - 4.5 triệu 31 7,9 7,9 37,0
Từ 4.5 - 7.5 triệu 66 16,8 16,8 53,8
Từ 7.5 - 15 triệu 102 26,0 26,0 79,8
Từ 15 triệu trở lên 79 20,2 20,2 100,0
Total 392 100,0 100,0
* KIỂM ĐỊNH SỰ KHÁC NHAU GIỮA KIẾN THỨC NHẬN THỨC VÀ TRÌNH ĐỘ
HỌC VẤN
ANOVA
F_KN
Sum of Squares df Mean Square F Sig.
Between Groups 11,325 3 3,775 5,774 ,001
Within Groups 253,650 388 ,654
Total 264,975 391
Descriptives
F_KN
N Mean Std. Std. Error 95% Confidence Interval for Minimum Maximum
Deviation Mean
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
HI1 12,09 4,122 ,638 ,743
HI2 12,03 3,746 ,668 ,727
HI3 11,85 4,259 ,565 ,777
HI4 12,04 4,136 ,598 ,762
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
CQ1 6,62 3,427 ,657 ,825
CQ2 6,73 3,022 ,759 ,727
CQ3 6,98 2,892 ,709 ,780
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
TC1 11,67 2,543 ,476 ,637
TC2 11,91 2,424 ,496 ,623
TC3 11,92 2,209 ,489 ,629
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
KN1 5,85 3,852 ,425 ,877
KN2 6,36 2,604 ,773 ,511
KN3 6,43 2,583 ,680 ,624
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
RR1 5,60 2,272 ,604 ,747
RR2 5,52 2,276 ,707 ,638
RR3 5,17 2,364 ,590 ,760
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
PK1 4,32 2,484 ,701 ,681
PK2 4,21 2,496 ,646 ,744
PK3 4,52 2,997 ,621 ,769
Item-Total Statistics
Scale Mean if Item Scale Variance if Corrected Item- Cronbach's Alpha
Deleted Item Deleted Total Correlation if Item Deleted
YD1 7,08 2,602 ,726 ,822
YD2 7,28 2,311 ,821 ,730
YD3 7,20 2,777 ,682 ,861
3. Phân tính nhân tố khám phá efa cho biến phụ thuộc
KMO and Bartlett's Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy. ,692
Bartlett's Test of Sphericity Approx. Chi-Square 595,974
df 3
Sig. ,000
Component Matrixa
Component
1
YD2 ,928
YD1 ,878
YD3 ,851
Extraction Method:
Principal Component
Analysis.
a. 1 components extracted.
Model Summaryb
Std. Error of the
Model R R Square Adjusted R Square Estimate Durbin-Watson
a
1 ,842 ,708 ,705 ,42092 1,588
a. Predictors: (Constant), F_NE, F_KN, F_CQ, F_TC, F_HI
b. Dependent Variable: F_YD
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 166,180 5 33,236 187,588 ,000b
Residual 68,390 386 ,177
Total 234,570 391
a. Dependent Variable: F_YD
b. Predictors: (Constant), F_NE, F_KN, F_CQ, F_TC, F_HI
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 3,617 ,279 12,953 ,000
F_HI ,114 ,042 ,096 2,718 ,007 ,609 1,642
F_CQ ,146 ,030 ,160 4,920 ,000 ,714 1,401
F_TC ,182 ,055 ,115 3,310 ,001 ,624 1,602
F_KN ,024 ,028 ,026 ,875 ,382 ,853 1,172
F_NE -,724 ,037 -,644 -19,359 ,000 ,683 1,464
a. Dependent Variable: F_YD
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
F_HI 392 2,00 5,00 4,0013 ,65108
F_CQ 392 1,00 5,00 3,3886 ,84929
F_TC 392 2,75 5,00 3,9598 ,48948
F_KN 392 1,00 5,00 3,1054 ,82322
F_YD 392 1,00 5,00 3,5935 ,77455
F_NE 392 1,00 4,33 2,4456 ,68838
Valid N (listwise) 392
Statistics
HI1 HI2 HI3 HI4 CQ1 CQ2 CQ3 TC1 TC2 TC3 TC4 RR1 RR2 RR3 PK1 PK2 PK3
N Valid 392 392 392 392 392 392 392 392 392 392 392 392 392 392 392 392 392
Missing 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Mean 3,92 3,97 4,15 3,96 3,54 3,44 3,18 4,17 3,93 3,92 3,83 2,55 2,63 2,97 2,21 2,31 2,01
Mode 4 4 4 4 4 4 3 4 4 4 4 2 2 3 2 2 2
Std. ,787 ,877 ,804 ,815 ,915 ,963 1,042 ,607 ,644 ,740 ,707 ,892 ,818 ,868 ,942 ,979 ,825
Deviation
Minimum 2 1 1 2 1 1 1 2 3 2 2 1 1 1 1 1 1
Maximum 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4