Institutional Readiness for AI-Integrated Immersive XR Learning in Higher Education: Developing and Testing a Governance and Educational Value Model
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự hội tụ giữa trí tuệ nhân tạo (Artificial Intelligence – AI) và công nghệ thực tế mở rộng (Extended Reality – XR) đang làm thay đổi logic thiết kế môi trường học tập nhập vai trong giáo dục đại học. AI có thể bổ sung cho XR các chức năng như phản hồi thích ứng, tác nhân hội thoại, tạo sinh nội dung, phân tích hành vi và cá nhân hóa theo ngữ cảnh; tuy nhiên, bằng chứng gần đây cho thấy việc triển khai AI–XR vẫn tập trung nhiều vào các thử nghiệm cục bộ, kết quả ngắn hạn và các ứng dụng chuyên biệt, trong khi các điều kiện thể chế cần thiết để mở rộng bền vững chưa được đo lường đầy đủ (Burke et al., 2025; Liu et al., 2026; Stracke et al., 2025). Nghiên cứu này khái niệm hóa Institutional AI–XR Readiness (IAXR-R) như một năng lực thể chế đa chiều, bậc cao, phản ánh khả năng của cơ sở giáo dục đại học trong việc huy động, phối hợp và tái cấu hình các nguồn lực chiến lược, quản trị, công nghệ, dữ liệu, con người và tổ chức nhằm triển khai AI–XR một cách khả thi, bao trùm và có trách nhiệm. Trên cơ sở đó, nghiên cứu phát triển Institutional AI–XR Readiness for Higher Education Scale (IAXR-HE) với sáu chiều kích dự kiến: Strategic AI–XR Leadership; AI–XR Governance & Policy Readiness; Data, Digital & XR Infrastructure Readiness; Human–AI–XR Capability; Organizational Change & Learning Readiness; và Responsible, Accessible & Inclusive AI–XR Governance. Khung lý thuyết phân định chức năng giải thích của Technology–Organization–Environment, Organizational Readiness for Change, Dynamic Capabilities và Responsible AI–XR Governance. Mô hình tách readiness khỏi kết quả triển khai và đề xuất chuỗi nomological: IAXR-R → AI–XR Implementation Effectiveness → Perceived Educational Value → Learning Effectiveness → Institutional Educational Value, với Cost Feasibility và Accessibility & Inclusion là các điều kiện biên của triển khai. Thiết kế hỗn hợp tuần tự khám phá kết hợp tổng quan có hệ thống, nghiên cứu định tính, phát triển thang đo, đánh giá giá trị nội dung, phỏng vấn nhận thức, nghiên cứu thử nghiệm, EFA, CFA và SEM. Nghiên cứu kỳ vọng đóng góp một công cụ đo lường có cơ sở lý thuyết và bằng chứng tâm trắc, đồng thời làm rõ cơ chế chuyển hóa năng lực sẵn sàng thành giá trị giáo dục ở cấp thể chế.
Từ khóa: năng lực sẵn sàng thể chế; AI–XR; môi trường học tập nhập vai; giáo dục đại học; phát triển thang đo; quản trị AI; hiệu quả học tập; giá trị giáo dục.
ABSTRACT
The convergence of Artificial Intelligence (AI) and Extended Reality (XR) is reshaping the design logic of immersive learning environments in higher education. AI can augment XR with capabilities such as adaptive feedback, conversational agents, generative content creation, behavioral analytics, and context-aware personalization. However, recent evidence suggests that AI–XR implementation remains largely concentrated on localized experiments, short-term outcomes, and domain-specific applications, while the institutional conditions required for sustainable scaling have yet to be adequately measured (Burke et al., 2025; Liu et al., 2026; Stracke et al., 2025). This study conceptualizes Institutional AI–XR Readiness (IAXR-R) as a multidimensional higher-order institutional capability reflecting the capacity of higher education institutions to mobilize, coordinate, and reconfigure strategic, governance, technological, data, human, and organizational resources to enable feasible, inclusive, and responsible AI–XR implementation. Building on this conceptualization, the study develops the Institutional AI–XR Readiness for Higher Education Scale (IAXR-HE), comprising six proposed dimensions: Strategic AI–XR Leadership; AI–XR Governance & Policy Readiness; Data, Digital & XR Infrastructure Readiness; Human–AI–XR Capability; Organizational Change & Learning Readiness; and Responsible, Accessible & Inclusive AI–XR Governance. The theoretical framework delineates the explanatory roles of the Technology–Organization–Environment (TOE) framework, Organizational Readiness for Change (ORC), Dynamic Capabilities Theory, and Responsible AI–XR Governance. The model distinguishes institutional readiness from implementation outcomes and proposes the following nomological chain: IAXR-R → AI–XR Implementation Effectiveness → Perceived Educational Value → Learning Effectiveness → Institutional Educational Value, with Cost Feasibility and Accessibility & Inclusion specified as boundary conditions of implementation. An exploratory sequential mixed-methods design integrates a systematic literature review, qualitative inquiry, scale development, content validity assessment, cognitive interviewing, pilot testing, exploratory factor analysis (EFA), confirmatory factor analysis (CFA), and structural equation modeling (SEM). The study is expected to contribute a theoretically grounded and psychometrically validated measurement instrument while elucidating the mechanisms through which institutional readiness is translated into educational value at the institutional level.
Keywords: institutional readiness; AI–XR; immersive learning environments; higher education; scale development; AI governance; learning effectiveness; educational value.
- GIỚI THIỆU
1.1. Bối cảnh nghiên cứu
Chuyển đổi số giáo dục đại học đang bước sang giai đoạn mới, trong đó vấn đề trung tâm không còn đơn thuần là số hóa học liệu hoặc đưa các nền tảng trực tuyến vào giảng dạy mà là khả năng kiến tạo những hệ sinh thái học tập thông minh, nhập vai, thích ứng và dựa trên dữ liệu. Trong xu hướng đó, sự hội tụ AI–XR có ý nghĩa đặc biệt.
XR là khái niệm bao trùm VR, AR và MR. Công nghệ này cho phép người học tương tác với đối tượng, bối cảnh và tình huống mô phỏng mà môi trường lớp học truyền thống khó hoặc không thể tái tạo. Tổng quan của Burke et al. (2025), dựa trên 295 nghiên cứu về XR trong giáo dục đại học giai đoạn 2020–2024, cho thấy XR được sử dụng chủ yếu cho mô phỏng, trực quan hóa, giải quyết vấn đề và trò chơi học tập, đồng thời các rào cản về thời gian, chi phí, khả dụng và kỹ thuật vẫn hiện diện. Radianti et al. (2020) cũng cho thấy tiềm năng rõ rệt của VR nhập vai nhưng nhấn mạnh sự thiếu nhất quán về thiết kế sư phạm và đánh giá kết quả học tập.
AI làm thay đổi sâu hơn logic của XR. Một môi trường XR thông thường có thể cung cấp nội dung mô phỏng đã được lập trình trước; ngược lại, môi trường AI-integrated XR có khả năng thích ứng với hành vi của người học, tạo phản hồi theo thời gian thực, hỗ trợ tác nhân hội thoại, tạo nội dung và tình huống, nhận diện mẫu tương tác và cá nhân hóa trải nghiệm. Tổng quan phạm vi của Liu et al. (2026) trên 54 nghiên cứu giai đoạn 2019–2025 cho thấy AI trong XR thường đảm nhiệm vai trò phản hồi thích ứng theo thời gian thực, conversational agent và công nghệ tạo nội dung; tuy nhiên, learner profiles, dữ liệu cảm biến đa phương thức, chuyển giao kiến thức và tư duy phản biện vẫn chưa được khai thác hoặc đánh giá đầy đủ.
Do đó, câu hỏi chiến lược đối với đại học không còn chỉ là:
“Có nên sử dụng XR và AI trong giảng dạy hay không?”
mà cần chuyển thành:
“Trường đại học cần có những năng lực thể chế nào để triển khai AI–XR một cách hiệu quả, khả thi, bao trùm, có trách nhiệm và tạo ra giá trị giáo dục?”
Đây chính là khoảng trống mà nghiên cứu hướng tới.
1.2. Vấn đề nghiên cứu
Phần lớn nghiên cứu về công nghệ nhập vai tập trung ở cấp độ người học, giảng viên hoặc ứng dụng cụ thể. Các biến thường được nghiên cứu bao gồm perceived usefulness, ease of use, engagement, presence, satisfaction, intention to use và learning outcomes.
Cách tiếp cận này quan trọng nhưng chưa đủ để giải thích một câu hỏi quản trị ở cấp tổ chức: tại sao một số trường đại học có thể chuyển AI–XR từ pilot sang triển khai có hệ thống, trong khi những trường khác dừng lại ở các dự án thử nghiệm phân tán?
Nghiên cứu cho thấy XR có khả năng hỗ trợ phát triển kiến thức và kỹ năng, nhưng hiệu quả không đồng nhất giữa các bối cảnh. Stracke et al. (2025) kết luận rằng nghiên cứu IVR trong giáo dục đại học vẫn thiếu các khung nghiên cứu chuẩn hóa và nhiều nghiên cứu chưa cung cấp bằng chứng thực nghiệm đủ mạnh về khía cạnh sư phạm. Các tổng quan so sánh gần đây cũng cho thấy tính nhập vai tự thân không bảo đảm hiệu quả học tập; tính tương tác, thiết kế nhiệm vụ và sự phù hợp sư phạm mới là những cơ chế cần được kiểm định. Vì vậy, nghiên cứu này tránh giả định công nghệ luận rằng XR hoặc AI mặc nhiên tạo ra learning gains.
Đồng thời, chi phí thiết bị, phần mềm chuyên dụng và khả năng tiếp cận tiếp tục là rào cản đáng kể đối với việc mở rộng VR/XR trong giáo dục đại học. Khi AI được tích hợp, các vấn đề về dữ liệu, minh bạch, quyền riêng tư, công bằng, trách nhiệm giải trình và giám sát của con người càng trở nên quan trọng.
Vì vậy, technology adoption không đồng nghĩa với institutional readiness, và institutional readiness không đồng nghĩa với implementation effectiveness hoặc educational value.
Đây là phân biệt khái niệm quan trọng nhất của nghiên cứu. Nó chuyển câu hỏi từ “công nghệ đã được sử dụng đến đâu?” sang “thể chế có năng lực gì để biến việc sử dụng công nghệ thành triển khai hiệu quả và giá trị giáo dục?”.
1.3. Đóng góp và định vị nghiên cứu
Nghiên cứu được định vị ở giao điểm của educational technology governance, organizational readiness, dynamic capabilities và responsible AI. Bốn đóng góp được kỳ vọng. Thứ nhất, nghiên cứu mở rộng đơn vị phân tích từ hành vi chấp nhận công nghệ của cá nhân sang năng lực cấp thể chế. Thứ hai, nghiên cứu phát triển IAXR-R như một construct có ranh giới khái niệm rõ với adoption, maturity và implementation effectiveness. Thứ ba, nghiên cứu phát triển và kiểm định IAXR-HE theo quy trình phát triển thang đo nhiều giai đoạn. Thứ tư, nghiên cứu kiểm định cơ chế tạo giá trị theo chuỗi readiness → implementation → perceived educational value → learning effectiveness → institutional value, thay vì đưa các nguồn lực, hành vi sử dụng và kết quả vào cùng một cấu trúc.
- CƠ SỞ LÝ THUYẾT VÀ KHOẢNG TRỐNG NGHIÊN CỨU
Nghiên cứu xác định năm khoảng trống chính.
Thứ nhất, khoảng trống cấp độ phân tích
Nghiên cứu XR giáo dục chủ yếu tập trung vào individual-level adoption và learning-level outcomes, trong khi năng lực ở cấp institutional level chưa được khái niệm hóa đầy đủ. Đáng chú ý, Hakami et al. (2026) đã phát triển một khung university XR readiness theo góc nhìn hệ thống xã hội–kỹ thuật và chỉ ra ba tầng readiness: foundational, operational và strategic. Công trình này tạo tiền đề quan trọng nhưng chưa phát triển một thang đo tâm trắc chuyên biệt cho sự hội tụ AI–XR và chưa kiểm định chuỗi tạo giá trị giáo dục sau readiness.
Thứ hai, khoảng trống tích hợp AI–XR
AI và XR thường được nghiên cứu như hai dòng công nghệ riêng hoặc được kết hợp trong các ứng dụng chuyên biệt. Liu et al. (2026) cho thấy nghiên cứu AI–XR tăng nhanh nhưng vẫn thiên về procedural training và STEM, sử dụng chủ yếu các chiến lược thích ứng đơn lẻ và đánh giá kết quả ngắn hạn. Khoảng trống vì vậy không chỉ là “thiếu ứng dụng” mà là thiếu một mô hình cấp thể chế giải thích điều kiện để các ứng dụng phân tán trở thành năng lực triển khai có hệ thống.
Thứ ba, khoảng trống quản trị
Còn thiếu mô hình giải thích cách strategy – governance – infrastructure – human capability – organizational change – accessibility – responsible AI phối hợp để hình thành khả năng triển khai AI–XR của trường đại học.
Thứ tư, khoảng trống đo lường
Chưa có một thang đo được kiểm định đầy đủ để đánh giá Institutional AI–XR Readiness for Higher Education như một higher-order construct.
Thứ năm, khoảng trống về cơ chế tạo giá trị
Readiness, adoption, implementation và learning outcomes đôi khi bị đặt trong cùng một cấu trúc, dẫn đến nguy cơ vòng lặp khái niệm.
Nghiên cứu này giải quyết vấn đề đó bằng cách tách:
Readiness → Implementation → Value Creation → Outcomes.
- MỤC TIÊU, CÂU HỎI VÀ ĐỊNH HƯỚNG KIỂM ĐỊNH
Mục tiêu tổng quát là phát triển và kiểm định một mô hình tích hợp giải thích năng lực sẵn sàng thể chế đối với việc triển khai môi trường học tập nhập vai XR tích hợp AI trong giáo dục đại học và cơ chế chuyển hóa năng lực này thành giá trị giáo dục.
Các mục tiêu cụ thể gồm:
- Khái niệm hóa Institutional AI–XR Readiness và phân biệt với AI/XR adoption, maturity và implementation effectiveness.
- Xác định các chiều kích cấu thành năng lực sẵn sàng AI–XR ở cấp trường đại học.
- Phát triển và kiểm định thang đo IAXR-HE.
- Kiểm định tác động của Institutional AI–XR Readiness đến AI–XR Implementation Effectiveness.
- Phân tích vai trò trung gian của Perceived Educational Value.
- Kiểm định ảnh hưởng của quá trình triển khai AI–XR đến Learning Effectiveness.
- Phân tích vai trò của cost feasibility và accessibility & inclusion trong quá trình triển khai.
- Kiểm định cơ chế chuyển hóa Learning Effectiveness thành Institutional Educational Value.
- Đề xuất mô hình quản trị và công cụ chẩn đoán mức độ sẵn sàng AI–XR cho các cơ sở giáo dục đại học.
3.1. Câu hỏi nghiên cứu
RQ1. Institutional AI–XR Readiness trong giáo dục đại học được khái niệm hóa như thế nào?
RQ2. Những chiều kích nào cấu thành Institutional AI–XR Readiness?
RQ3. IAXR-HE có đạt độ tin cậy, convergent validity, discriminant validity và criterion/nomological validity hay không?
RQ4. Institutional AI–XR Readiness ảnh hưởng như thế nào đến AI–XR Implementation Effectiveness?
RQ5. Perceived Educational Value đóng vai trò gì trong cơ chế chuyển đổi từ triển khai AI–XR sang Learning Effectiveness?
RQ6. Cost Feasibility và Accessibility & Inclusion ảnh hưởng như thế nào đến khả năng triển khai và tạo giá trị?
RQ7. Learning Effectiveness chuyển hóa thành Institutional Educational Value thông qua cơ chế nào?
RQ8. Những khác biệt về loại hình trường, lĩnh vực đào tạo, mức độ trưởng thành số hoặc kinh nghiệm triển khai AI–XR có làm thay đổi các quan hệ trong mô hình hay không?
- KHUNG LÝ THUYẾT TÍCH HỢP
Nghiên cứu không ghép nhiều lý thuyết theo kiểu cộng dồn mà phân định chức năng giải thích của từng nền tảng.
4.1. Khung Technology–Organization–Environment (TOE)
TOE, được khởi nguồn từ Tornatzky và Fleischer (1990), giải thích việc chấp nhận và triển khai đổi mới công nghệ ở cấp tổ chức thông qua ba bối cảnh: công nghệ, tổ chức và môi trường. Trong nghiên cứu này, TOE không được dùng để trực tiếp giải thích learning outcomes; chức năng của nó là định vị các điều kiện nền về hạ tầng, nguồn lực, tổ chức và sức ép/hỗ trợ từ môi trường bên ngoài đối với AI–XR.
TOE trả lời:
“Những điều kiện nào làm cho tổ chức thuận lợi hoặc bất lợi đối với AI–XR?”
4.2. Organizational Readiness for Change (ORC)
Organizational Readiness for Change giải thích mức độ tổ chức và các thành viên cùng chia sẻ cam kết đối với thay đổi và niềm tin vào năng lực tập thể để thực hiện thay đổi. Theo Weiner (2009), readiness ở cấp tổ chức bao gồm change commitment và change efficacy. Vì vậy, ORC cung cấp cơ sở trực tiếp cho các thành tố về cam kết lãnh đạo, năng lực thay đổi, nguồn lực và học tập tổ chức trong IAXR-R.
Lý thuyết này đặc biệt hữu ích đối với leadership commitment, change efficacy, resource commitment, faculty readiness và organizational learning.
Nó trả lời:
“Tổ chức có sẵn sàng và có khả năng thực hiện sự thay đổi do AI–XR tạo ra hay không?”
4.3. Dynamic Capabilities Theory
Dynamic Capabilities giải thích khả năng tổ chức nhận diện cơ hội/thách thức, huy động nguồn lực để nắm bắt cơ hội và tái cấu hình tài sản cũng như quy trình khi môi trường thay đổi. Logic sensing – seizing – transforming của Teece (2007) giúp chuyển readiness khỏi cách hiểu tĩnh như một “danh mục điều kiện sẵn có” sang một năng lực thích ứng có thể được tái cấu hình khi AI và XR tiếp tục phát triển.
AI–XR readiness do đó không phải một trạng thái tĩnh mà là khả năng liên tục:
Sensing AI–XR opportunities → Seizing educational opportunities → Transforming institutional capabilities.
Dynamic Capabilities trả lời:
“Làm thế nào trường đại học biến nguồn lực sẵn có thành năng lực triển khai và tái cấu hình liên tục?”
4.4. Logic tạo giá trị giáo dục (Educational Value Creation)
Nghiên cứu tiếp cận giá trị công nghệ theo logic:
Resources → Capabilities → Implementation → Educational Value → Outcomes.
Do đó, thiết bị XR không phải giá trị; AI capability cũng không phải giá trị cuối cùng. Giá trị chỉ xuất hiện khi các nguồn lực được phối hợp để tạo ra trải nghiệm học tập có ý nghĩa.
4.5. Responsible AI và Responsible XR Governance
AI–XR tạo ra một hệ dữ liệu đặc biệt nhạy cảm: giọng nói, chuyển động, ánh mắt, vị trí, hành vi, phản ứng và có thể cả dữ liệu sinh trắc học.
Vì vậy, responsible governance không phải một biến ngoại vi mà phải được tích hợp vào readiness architecture. Các nguyên tắc AI có trách nhiệm trong giáo dục nhấn mạnh human agency, privacy, transparency, equity, safety và human oversight; UNESCO cũng đặt trọng tâm vào cách tiếp cận lấy con người làm trung tâm đối với GenAI trong giáo dục và nghiên cứu.
- KHÁI NIỆM HÓA INSTITUTIONAL AI–XR READINESS
Nghiên cứu đề xuất định nghĩa:
Institutional AI–XR Readiness là năng lực thể chế đa chiều, bậc cao phản ánh khả năng của một cơ sở giáo dục đại học trong việc huy động, phối hợp và tái cấu hình các nguồn lực chiến lược, quản trị, công nghệ, dữ liệu, con người và tổ chức nhằm triển khai môi trường học tập nhập vai XR tích hợp AI một cách khả thi, bao trùm, có trách nhiệm và phù hợp với mục tiêu giáo dục.
Điểm quan trọng là IAXR-R không được đo bằng số lượng kính VR, số phần mềm AI, số lớp sử dụng XR hoặc kết quả học tập.
Các chỉ số đó thuộc về resources, adoption hoặc outcomes.
Readiness phải đo capability before and during implementation.
- CẤU TRÚC ĐỀ XUẤT CỦA THANG ĐO IAXR-HE
Đề xuất IAXR-HE là higher-order multidimensional construct gồm sáu chiều kích.
6.1. Strategic AI–XR Leadership
Phản ánh khả năng lãnh đạo trong việc:
- xây dựng tầm nhìn AI–XR;
- liên kết AI–XR với chiến lược đại học;
- xác lập ưu tiên đầu tư;
- huy động nguồn lực;
- xây dựng hệ sinh thái đổi mới;
- bảo đảm sự cam kết của lãnh đạo.
6.2. AI–XR Governance & Policy Readiness
Bao gồm:
- chính sách sử dụng;
- phân quyền và trách nhiệm;
- procurement;
- tiêu chuẩn kỹ thuật;
- quản trị nhà cung cấp;
- intellectual property;
- quality assurance;
- quản trị vòng đời hệ thống.
6.3. Data, Digital & XR Infrastructure Readiness
Đánh giá:
- mạng và điện toán;
- XR hardware;
- cloud/edge infrastructure;
- AI platforms;
- interoperability;
- cybersecurity;
- data architecture;
- learning analytics;
- khả năng tích hợp LMS–AI–XR.
6.4. Human–AI–XR Capability
Bao gồm năng lực của giảng viên, chuyên gia công nghệ và nhân sự hỗ trợ trong:
- XR pedagogy;
- AI literacy;
- prompt/agent interaction;
- immersive instructional design;
- learning analytics;
- content development;
- human–AI collaboration;
- đánh giá hiệu quả AI–XR.
6.5. Organizational Change & Learning Readiness
Bao gồm:
- change commitment;
- change efficacy;
- experimentation;
- professional development;
- cross-functional collaboration;
- knowledge sharing;
- scaling capability;
- institutional learning.
6.6. Responsible, Accessible & Inclusive AI–XR Governance
Chiều kích này tích hợp:
- privacy;
- security;
- transparency;
- fairness;
- human oversight;
- accessibility;
- disability inclusion;
- digital equity;
- physical/cognitive safety;
- ethical use of immersive data.
Cấu trúc sáu chiều này cần được xem là đề xuất ban đầu, không phải cấu trúc được áp đặt trước. Qualitative study, expert review, EFA và CFA sẽ quyết định cấu trúc cuối cùng.
- VAI TRÒ CỦA COST FEASIBILITY VÀ ACCESSIBILITY & INCLUSION
Hai cấu trúc này cần được định vị rõ trong mô hình để tránh chồng lấn giữa năng lực sẵn sàng, điều kiện triển khai và kết quả học tập.
Cost không nên là một thành phần của learning effectiveness.
Nghiên cứu đề xuất Cost Feasibility là điều kiện khả thi của triển khai, gồm:
- acquisition cost;
- licensing;
- content development;
- maintenance;
- upgrade;
- training;
- technical support;
- total cost of ownership.
Chi phí và phần mềm chuyên biệt đã được nhận diện là những trở ngại đối với việc mở rộng VR trong giáo dục đại học.
Accessibility cũng không nên chỉ được hiểu là “dễ sử dụng”. Nó cần bao gồm:
technical access + economic access + disability accessibility + spatial access + digital inclusion.
Accessibility & Inclusion có thể được kiểm định như enabling condition hoặc moderator giữa readiness và implementation effectiveness.
- MÔ HÌNH NGHIÊN CỨU VÀ PHÁT TRIỂN GIẢ THUYẾT
Mô hình cốt lõi:
Institutional AI–XR Readiness (IAXR-R)
↓
AI–XR Implementation Effectiveness (AIXR-IE)
↓
Perceived Educational Value (PEV)
↓
Learning Effectiveness (LE)
↓
Institutional Educational Value (IEV)
Hai điều kiện triển khai:
Cost Feasibility (CF)
Accessibility & Inclusion (AI)
được đặt tại quan hệ:
IAXR-R → AIXR-IE
Mô hình tổng thể:
IAXR-R → AIXR-IE → PEV → LE → IEV
với:
CF + Accessibility & Inclusion → Implementation Conditions
Đây là cấu trúc có ưu thế hơn mô hình đặt readiness, value, cost, accessibility và learning effectiveness ngang hàng.
8.1. Giả thuyết nghiên cứu
H1: Institutional AI–XR Readiness có ảnh hưởng tích cực đến AI–XR Implementation Effectiveness.
H2: AI–XR Implementation Effectiveness có ảnh hưởng tích cực đến Perceived Educational Value.
H3: Perceived Educational Value có ảnh hưởng tích cực đến Learning Effectiveness.
H4: Learning Effectiveness có ảnh hưởng tích cực đến Institutional Educational Value.
H5: AI–XR Implementation Effectiveness đóng vai trò trung gian trong quan hệ giữa Institutional AI–XR Readiness và Perceived Educational Value.
H6: Perceived Educational Value đóng vai trò trung gian trong quan hệ giữa AI–XR Implementation Effectiveness và Learning Effectiveness.
H7: Institutional AI–XR Readiness có ảnh hưởng gián tiếp đến Learning Effectiveness thông qua AI–XR Implementation Effectiveness và Perceived Educational Value.
H8: Learning Effectiveness đóng vai trò trung gian giữa Perceived Educational Value và Institutional Educational Value.
H9: Cost Feasibility làm tăng khả năng chuyển hóa Institutional AI–XR Readiness thành AI–XR Implementation Effectiveness.
H10: Accessibility & Inclusion làm tăng khả năng chuyển hóa Institutional AI–XR Readiness thành AI–XR Implementation Effectiveness.
Serial mediation
Giả thuyết quan trọng nhất:
H11: Institutional AI–XR Readiness tác động gián tiếp đến Institutional Educational Value thông qua chuỗi:
IAXR-R → AIXR-IE → PEV → LE → IEV.
H11 có thể trở thành giả thuyết lý thuyết trung tâm của toàn bộ nghiên cứu.
8.2. Phân biệt các cấu trúc trong nomological network
Để tránh construct contamination, nghiên cứu phân biệt:
| Khái niệm | Câu hỏi trung tâm |
| AI–XR Adoption | Trường đã sử dụng AI–XR hay chưa? |
| AI–XR Maturity | Việc sử dụng đã phát triển đến mức nào? |
| Institutional AI–XR Readiness | Trường có năng lực để triển khai hiệu quả hay không? |
| Implementation Effectiveness | AI–XR được triển khai tốt đến mức nào? |
| Perceived Educational Value | Các bên liên quan nhận thấy AI–XR tạo giá trị giáo dục đến đâu? |
| Learning Effectiveness | Việc học thực sự được cải thiện đến mức nào? |
| Institutional Educational Value | Giá trị học tập được chuyển thành giá trị chiến lược của trường đến đâu? |
Sự phân biệt này là một trong những đóng góp khái niệm quan trọng của nghiên cứu.
- PHƯƠNG PHÁP NGHIÊN CỨU
9.1. Thiết kế nghiên cứu
Nghiên cứu áp dụng Exploratory Sequential Mixed-Methods Design, phù hợp với mục tiêu vừa khám phá construct domain vừa phát triển và kiểm định thang đo mới. Quy trình phát triển thang đo tham chiếu các nguyên tắc của Hinkin (1998) và Boateng et al. (2018), trong đó việc tạo item, đánh giá nội dung, tiền kiểm, tinh lọc item, xác lập cấu trúc nhân tố và kiểm định độ tin cậy/giá trị được thực hiện theo các giai đoạn tách biệt.
QUAL → Instrument Development → QUAN → Model Validation.
Giai đoạn 1 – Systematic Literature Review và construct domain specification
Tổng quan Scopus, Web of Science, ERIC và IEEE Xplore với các nhóm từ khóa:
(“extended reality” OR XR OR “virtual reality” OR VR OR “augmented reality” OR AR OR “mixed reality”) AND (“artificial intelligence” OR AI OR “generative AI”) AND (“higher education” OR universit) AND (readiness OR governance OR adoption OR capability OR implementation).*
Mục tiêu:
- xác định construct domain;
- xây dựng conceptual boundaries;
- nhận diện thang đo hiện có;
- xây dựng preliminary item pool.
Giai đoạn 2 – Qualitative Exploration
Phỏng vấn khoảng 25–35 người, có thể bao gồm:
- lãnh đạo đại học;
- quản lý CNTT/chuyển đổi số;
- giảng viên;
- instructional designers;
- chuyên gia AI/XR;
- cán bộ đảm bảo chất lượng;
- sinh viên có kinh nghiệm AI–XR.
Phân tích thematic analysis được sử dụng để xác định các biểu hiện cụ thể của readiness, kiểm tra sự đầy đủ của sáu chiều kích dự kiến và phát hiện các yếu tố mới phát sinh từ bối cảnh. Các chiều kích lý thuyết ban đầu đóng vai trò sensitizing concepts nhưng không được áp đặt như một coding frame bất biến.
Giai đoạn 3 – Item Generation
Dự kiến tạo 60–80 biến quan sát ban đầu.
Nguyên tắc:
- mỗi item chỉ đo một ý;
- tránh câu hỏi kép;
- tránh thuật ngữ kỹ thuật không cần thiết;
- đo capability thay vì outcome;
- tránh item đồng thời chứa antecedent và consequence.
Giai đoạn 4 – Content Validity
Mời 8–12 chuyên gia đánh giá:
- relevance;
- clarity;
- representativeness;
- conceptual consistency.
Sử dụng I-CVI, S-CVI/Ave và modified kappa để đánh giá mức độ phù hợp và hiệu chỉnh sự đồng thuận do ngẫu nhiên. Các item có nội dung trùng lặp, đo kết quả thay vì capability hoặc khó quy chiếu về cấp thể chế sẽ được loại hoặc viết lại.
Giai đoạn 5 – Cognitive Interviews
Khoảng 10–15 người thuộc các nhóm đáp viên dự kiến.
Mục tiêu kiểm tra:
- comprehension;
- retrieval;
- judgment;
- response mapping.
Giai đoạn 6 – Pilot Study và EFA
Khoảng 150–250 quan sát.
Thực hiện:
- item analysis;
- corrected item-total correlation;
- reliability;
- EFA bằng phương pháp trích phù hợp với latent-variable modeling và phép quay xiên khi các nhân tố có tương quan.
Giai đoạn 7 – Main Survey, CFA và SEM
Khuyến nghị 600–1.000 đáp viên, tùy độ phức tạp cuối cùng của thang đo và mô hình.
Có thể chia độc lập:
Sample A: EFA.
Sample B: CFA + SEM.
Đối tượng:
- lãnh đạo/quản lý;
- giảng viên;
- nhân sự chuyên môn liên quan đến chuyển đổi số, AI, XR và giáo dục số.
Vì IAXR-R được định nghĩa ở institutional level, thiết kế ưu tiên multiple informants per institution. Việc tổng hợp dữ liệu lên cấp trường chỉ được thực hiện khi có bằng chứng về đồng thuận nội bộ và độ tin cậy giữa người trả lời; nếu điều kiện aggregation không đạt, phân tích sẽ duy trì cấp cá nhân và giới hạn diễn giải tương ứng. Đây là điều kiện bắt buộc để tránh level-of-analysis fallacy.
9.2. Đối tượng, đơn vị phân tích và chiến lược lấy mẫu
Đơn vị lý thuyết của IAXR-R là cơ sở giáo dục đại học, trong khi đơn vị thu thập dữ liệu là các key informants có kiến thức trực tiếp về chiến lược số, giảng dạy, AI, XR hoặc hạ tầng công nghệ. Nhóm đáp viên ưu tiên gồm lãnh đạo/quản lý, cán bộ chuyển đổi số hoặc CNTT, giảng viên có kinh nghiệm công nghệ giáo dục, instructional designers và nhân sự bảo đảm chất lượng. Sinh viên có thể tham gia ở giai đoạn định tính và trong việc đo các outcome ở cấp người học, nhưng không được sử dụng như nguồn duy nhất để suy luận institutional readiness.
Chiến lược lấy mẫu cần bảo đảm sự đa dạng theo loại hình trường, lĩnh vực đào tạo, mức trưởng thành số và kinh nghiệm AI–XR. Với main survey, cỡ mẫu cuối cùng được quyết định dựa trên độ phức tạp của mô hình, số tham số, độ mạnh thống kê và yêu cầu phân nhóm EFA/CFA độc lập thay vì chỉ áp dụng các quy tắc tỷ lệ quan sát trên item.
- CHIẾN LƯỢC KIỂM ĐỊNH THANG ĐO VÀ MÔ HÌNH
Quy trình dự kiến:
Item purification → EFA → CFA → Higher-order CFA → Structural Model.
Đánh giá:
- factor loadings;
- Cronbach’s alpha;
- McDonald’s omega;
- Composite Reliability;
- AVE;
- convergent validity;
- discriminant validity;
- HTMT;
- model fit;
- criterion-related validity;
- nomological validity;
- measurement invariance trước các so sánh nhóm quan trọng.
Nếu IAXR-R được mô hình hóa là cấu trúc bậc hai, nghiên cứu cần so sánh:
correlated first-order model
với
higher-order model
và, nếu lý thuyết cho phép,
bifactor model.
Không nên mặc nhiên kết luận cấu trúc bậc hai chỉ vì sáu chiều kích có tương quan. Giá trị hội tụ và phân biệt được đánh giá kết hợp bằng factor loadings, Composite Reliability, AVE, tiêu chuẩn Fornell–Larcker và HTMT; quyết định giữ hoặc loại item không dựa duy nhất vào một ngưỡng thống kê mà phải xét đồng thời nội dung lý thuyết và cấu trúc nhân tố (Fornell & Larcker, 1981).
10.1. Kiểm định mô hình cấu trúc
SEM được sử dụng để kiểm định:
IAXR-R → AIXR-IE → PEV → LE → IEV.
Bootstrap được sử dụng để kiểm định indirect effects.
Đối với moderator:
IAXR-R × Cost Feasibility → Implementation Effectiveness
và
IAXR-R × Accessibility & Inclusion → Implementation Effectiveness.
Có thể thực hiện multi-group analysis theo:
- công lập/tư thục;
- nhóm ngành;
- mức độ trưởng thành số;
- trường đã/chưa triển khai XR;
- mức độ kinh nghiệm AI.
10.2. Kiểm soát common method bias, endogeneity và sai lệch cấp độ phân tích
Do dữ liệu khảo sát có nguy cơ common method variance, nghiên cứu sử dụng đồng thời các biện pháp procedural và statistical remedies, phù hợp với khuyến nghị của Podsakoff et al. (2003). Bên cạnh đó, vì IAXR-R được khái niệm hóa ở cấp thể chế, nghiên cứu phải kiểm soát sai lệch do sử dụng dữ liệu nhận thức cá nhân để suy luận trực tiếp về thuộc tính tổ chức.
Về thủ tục:
- bảo đảm ẩn danh;
- tách các nhóm biến trong bảng hỏi;
- giảm evaluation apprehension;
- sử dụng wording trung tính;
- nếu khả thi, tách thời điểm đo predictor và outcome.
Quan trọng hơn, Learning Effectiveness không nên chỉ được đo bằng self-report, và dữ liệu về readiness không nên dựa duy nhất vào một key informant tại mỗi trường.
Có thể triangulate Learning Effectiveness với:
- learning achievement;
- performance assessment;
- competency assessment;
- course completion;
- behavioral/learning analytics;
- pre-test/post-test trong nghiên cứu phụ.
Đối với IAXR-R, nên thu thập dữ liệu từ nhiều nhóm như lãnh đạo, quản lý công nghệ/chuyển đổi số, giảng viên và nhân sự hỗ trợ; sau đó đánh giá mức độ đồng thuận và tính hợp lệ của việc tổng hợp dữ liệu trước khi hình thành chỉ số cấp trường. Cách tiếp cận này giúp mô hình vượt ra khỏi một nghiên cứu perception-based thuần túy và tăng tính nhất quán giữa đơn vị phân tích, đơn vị đo lường và các tuyên bố lý thuyết.
- THẢO LUẬN VÀ ĐÓNG GÓP KỲ VỌNG
Do đây là nghiên cứu phát triển mô hình và thang đo trước giai đoạn thu thập dữ liệu chính thức, phần này không trình bày kết quả thực nghiệm giả định. Thay vào đó, nó xác định những đóng góp lý thuyết, phương pháp và quản trị mà mô hình có khả năng tạo ra nếu được dữ liệu hỗ trợ. Cách trình bày này bảo đảm phân biệt giữa proposed relationships và empirically established findings.
11.1. Đóng góp lý thuyết
Nghiên cứu kỳ vọng tạo ra bốn đóng góp chính.
11.1. Chuyển đơn vị phân tích từ cá nhân sang thể chế
Thay vì tiếp tục hỏi người học có “intention to use VR” hay không, nghiên cứu đặt vấn đề ở cấp chiến lược:
What makes a university institutionally ready for AI-integrated XR learning?
11.2. Phát triển construct mới
Nghiên cứu phát triển Institutional AI–XR Readiness như một higher-order institutional capability.
Điểm mới không nằm ở việc cộng “AI readiness + XR readiness”, mà ở việc lý giải năng lực tổ chức cần thiết khi AI và XR hội tụ thành một môi trường học tập thông minh, nhập vai và dựa trên dữ liệu.
11.3. Phân tách readiness và outcomes
Một đóng góp phương pháp luận quan trọng là:
Readiness ≠ Adoption ≠ Implementation ≠ Educational Value ≠ Learning Effectiveness.
Điều này giảm conceptual circularity và tăng discriminant/nomological validity.
11.4. Xây dựng cơ chế chuyển hóa năng lực thành giá trị
Đóng góp lý thuyết mạnh nhất nằm ở chuỗi:
Institutional Capability → Implementation Effectiveness → Perceived Educational Value → Learning Effectiveness → Institutional Educational Value.
Như vậy, nghiên cứu không chỉ trả lời “trường cần có gì?” mà còn trả lời “những năng lực đó tạo ra giá trị bằng cách nào?”
11.2. Đóng góp phương pháp
Sản phẩm phương pháp quan trọng là:
Institutional AI–XR Readiness for Higher Education Scale – IAXR-HE
Thang đo có thể được phát triển thành:
IAXR-HE Full Scale: khoảng 30–36 items.
và sau kiểm định:
IAXR-HE Short Form: khoảng 18–24 items.
Một Institutional AI–XR Readiness Index cũng có thể được phát triển phục vụ benchmarking, nhưng chỉ nên xây dựng sau khi cấu trúc đo lường và nguyên tắc scoring được kiểm định.
11.3. Đóng góp quản trị
IAXR-HE có thể giúp lãnh đạo đại học xác định trường đang thiếu gì trước khi đầu tư quy mô lớn.
Ví dụ, trường có thể có:
High Infrastructure Readiness + Low Human Capability
hoặc:
High Leadership Commitment + Low Responsible Governance
hoặc:
High Technical Capability + Low Accessibility
Các cấu hình này đòi hỏi chiến lược khác nhau.
Từ đó, nghiên cứu có thể phát triển AI–XR Readiness Dashboard gồm sáu trục, hỗ trợ:
Diagnose → Prioritize → Invest → Implement → Evaluate → Scale.
- HÀM Ý QUẢN TRỊ VÀ CHÍNH SÁCH
Ở cấp hệ thống, mô hình có thể hỗ trợ:
- xây dựng tiêu chuẩn triển khai AI–XR;
- định hướng đầu tư hạ tầng dùng chung;
- phát triển năng lực giảng viên;
- xây dựng tiêu chuẩn dữ liệu và interoperability;
- thiết kế chính sách procurement;
- bảo vệ dữ liệu người học;
- bảo đảm accessibility;
- phát triển Responsible AI–XR Governance;
- đánh giá hiệu quả đầu tư công nghệ giáo dục.
Đặc biệt, chính sách không nên khuyến khích các trường mua thiết bị trước rồi mới tìm cách sử dụng.
Logic thích hợp hơn là:
Educational Need → Institutional Readiness → Pedagogical Design → Technology Selection → Responsible Implementation → Evaluation → Scaling.
- SẢN PHẨM KHOA HỌC KỲ VỌNG
Nghiên cứu dự kiến tạo ra năm sản phẩm khoa học:
Thứ nhất, định nghĩa và conceptual boundaries của Institutional AI–XR Readiness.
Thứ hai, thang đo IAXR-HE được kiểm định về độ tin cậy và giá trị.
Thứ ba, mô hình cấu trúc:
IAXR-R → AIXR-IE → PEV → LE → IEV.
Thứ tư, khung Institutional AI–XR Governance Framework.
Thứ năm, bộ công cụ chẩn đoán phục vụ quản trị và hoạch định chiến lược AI–XR trong giáo dục đại học.
- GIỚI HẠN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO
Bốn rủi ro lý thuyết và phương pháp cần được kiểm soát ngay từ đầu.
Một là, construct proliferation. Không nên tạo quá nhiều khái niệm mới nếu đã có construct tương đương trong literature.
Hai là, conceptual overlap. Strategic Leadership, Organizational Readiness và Governance phải được định nghĩa đủ khác biệt để đạt discriminant validity.
Ba là, technological determinism. Nghiên cứu không được mặc định rằng AI–XR luôn làm tăng learning effectiveness. Hiệu quả cần được xem là một kết quả thực nghiệm phụ thuộc vào thiết kế sư phạm, nhiệm vụ học tập, đặc điểm người học, lĩnh vực đào tạo và chất lượng triển khai.
Do đó, mô hình phải cho phép kết quả thực nghiệm bác bỏ giả thuyết.
Bốn là, level-of-analysis fallacy. Một construct được định nghĩa ở cấp thể chế không thể được xác nhận chỉ bằng việc khảo sát một cá nhân và mặc nhiên xem câu trả lời đó là thuộc tính của toàn trường. Nghiên cứu cần xác định rõ đơn vị phân tích, sử dụng multiple informants khi khả thi, kiểm tra điều kiện aggregation và tiến hành kiểm định bất biến đo lường trước các so sánh nhóm quan trọng.
- KẾT LUẬN
Sự hội tụ của AI và XR đang mở ra khả năng xây dựng các môi trường học tập nhập vai có tính thích ứng, tương tác, cá nhân hóa và dựa trên dữ liệu. Các nghiên cứu gần đây cho thấy XR có tiềm năng hỗ trợ engagement, learning và competency development, trong khi AI có thể bổ sung adaptive feedback, conversational interaction và content generation. Tuy nhiên, literature đồng thời chỉ ra các vấn đề về chi phí, interoperability, teacher readiness, accessibility, privacy, algorithmic bias và thiếu bằng chứng dài hạn.
Do đó, thách thức quan trọng của giáo dục đại học không còn nằm ở câu hỏi liệu AI và XR có thể được sử dụng hay không, mà ở năng lực của thể chế trong việc biến các công nghệ này thành giá trị giáo dục có thể chứng minh được.
Nghiên cứu đề xuất Institutional AI–XR Readiness như một higher-order multidimensional capability và phát triển IAXR-HE để đo lường năng lực này. Quan trọng hơn, nghiên cứu không xem readiness như đích đến. Readiness chỉ có ý nghĩa khi được chuyển hóa thành implementation effectiveness, educational value và learning effectiveness.
Vì vậy, logic khoa học trung tâm của đề tài được cô đọng thành:
READINESS → IMPLEMENTATION → VALUE CREATION → LEARNING → INSTITUTIONAL VALUE
hay cụ thể:
Institutional AI–XR Readiness → AI–XR Implementation Effectiveness → Perceived Educational Value → Learning Effectiveness → Institutional Educational Value
Mô hình này cho phép chuyển trọng tâm nghiên cứu từ technology adoption sang institutional capability and educational value creation, đồng thời tạo nền tảng cho một công cụ đo lường, một mô hình quản trị và một chương trình nghiên cứu dài hạn về AI–XR trong giáo dục đại học.
Nếu được kiểm định nghiêm ngặt, đóng góp lớn nhất của nghiên cứu sẽ không phải là chứng minh rằng XR tích hợp AI là một công nghệ giáo dục hấp dẫn, mà là xác định những năng lực thể chế nào cần thiết, chúng tương tác ra sao và thông qua cơ chế nào chúng chuyển hóa đầu tư AI–XR thành giá trị học tập và giá trị thể chế bền vững.
TÀI LIỆU THAM KHẢO
- Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. https://doi.org/10.3389/fpubh.2018.00149
- Burke, D., Crompton, H., & Nickel, C. (2025). The use of extended reality (XR) in higher education: A systematic review. TechTrends, 69, 998–1011. https://doi.org/10.1007/s11528-025-01092-y
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
- Hakami, M. H., Kurian, J. C., & Beydoun, G. (2026). A framework for university readiness in extended reality (XR): A socio-technical perspective. International Journal of Educational Technology in Higher Education, 23, 25. https://doi.org/10.1186/s41239-026-00599-5
- Hinkin, T. R. (1998). A brief tutorial on the development of measures for use in survey questionnaires. Organizational Research Methods, 1(1), 104–121. https://doi.org/10.1177/109442819800100106
- Liu, Z., Cheon, S., Stanbury, A., Jiao, X., Xing, W., & Kang, H. (2026). Towards contextual-based AI: A scoping review of artificial intelligence in X reality for personalized learning. Computers and Education: Artificial Intelligence, 10, 100523. https://doi.org/10.1016/j.caeai.2025.100523
- Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 1). AITECHBOOK.
- Nguyễn, V. H. (Chủ biên). (2026). Công nghệ giáo dục thông minh trong kỷ nguyên AI: Educational technology in the age of artificial intelligence(Tập 2). AITECHBOOK.
- Podsakoff, P. M., MacKenzie, S. B., Lee, J.-Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
- Radianti, J., Majchrzak, T. A., Fromm, J., & Wohlgenannt, I. (2020). A systematic review of immersive virtual reality applications for higher education: Design elements, lessons learned, and research agenda. Computers & Education, 147, 103778. https://doi.org/10.1016/j.compedu.2019.103778
- Stracke, C. M., Bothe, P., Adler, S., Heller, E. S., Deuchler, J., Pomino, J., et al. (2025). Immersive virtual reality in higher education: A systematic review of the scientific literature. Virtual Reality, 29, 64. https://doi.org/10.1007/s10055-025-01136-x
- Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
- Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.
- Weiner, B. J. (2009). A theory of organizational readiness for change. Implementation Science, 4, 67. https://doi.org/10.1186/1748-5908-4-67
