AI Governance Capability in University Research: Scale Development and Validation of Its Relationships with Research Performance and Research Integrity in Vietnamese Universities
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự tích hợp nhanh chóng của trí tuệ nhân tạo (AI), đặc biệt là trí tuệ nhân tạo tạo sinh (GenAI), đang tái cấu trúc vòng đời nghiên cứu trong các trường đại học, đồng thời đặt ra những thách thức mới liên quan đến độ tin cậy, tính minh bạch, bảo vệ dữ liệu, sở hữu trí tuệ, khả năng tái lập, quyền tác giả và trách nhiệm giải trình học thuật. Các thảo luận hiện nay chủ yếu tập trung vào nguyên tắc, chính sách và trách nhiệm cá nhân của nhà nghiên cứu, trong khi năng lực thể chế cho phép trường đại học quản trị nghiên cứu có hỗ trợ AI một cách có trách nhiệm, hiệu quả và thích ứng vẫn chưa được xem xét đầy đủ.
Nghiên cứu khái niệm hóa Năng lực quản trị AI trong nghiên cứu đại học (AI Governance Capability in University Research – AIGC-UR) như một năng lực tổ chức bậc cao, đa chiều, phản ánh khả năng của trường đại học trong việc thiết kế, triển khai, giám sát và liên tục điều chỉnh các cơ chế thể chế quản trị AI trong toàn bộ vòng đời nghiên cứu. Dựa trên Quan điểm Năng lực Động (Dynamic Capabilities View), nghiên cứu về quản trị AI có trách nhiệm, liêm chính nghiên cứu và các khung năng lực AI cấp thể chế, nghiên cứu đề xuất sáu cấu phần: Năng lực Chính sách và Trách nhiệm giải trình; Năng lực Minh bạch và Công khai; Giám sát Con người và Trách nhiệm giải trình; Quản trị Dữ liệu, Quyền riêng tư và Sở hữu trí tuệ; Cơ chế Bảo đảm Liêm chính và Khả năng tái lập Nghiên cứu; và Hiểu biết AI và Hỗ trợ Thể chế.
Nghiên cứu đồng thời đề xuất Sử dụng AI có trách nhiệm trong nghiên cứu (Responsible AI Use in Research – RAIR) như cơ chế hành vi chuyển hóa năng lực quản trị thể chế thành kết quả nghiên cứu. Quy trình phát triển và kiểm định thang đo nhiều giai đoạn bao gồm xác định miền khái niệm, tạo mục hỏi theo hướng diễn dịch và quy nạp, thẩm định giá trị nội dung bởi chuyên gia, phỏng vấn nhận thức, nghiên cứu thí điểm, phân tích nhân tố khám phá, phân tích nhân tố khẳng định, kiểm định cấu trúc tổng hợp bậc cao và đánh giá mô hình cấu trúc.
Mô hình đề xuất dự báo rằng năng lực quản trị AI mạnh hơn sẽ thúc đẩy việc sử dụng AI có trách nhiệm và, thông qua cơ chế này, đồng thời đóng góp vào Hiệu quả nghiên cứu (Research Performance – RP) và Liêm chính nghiên cứu (Research Integrity – RI). Về lý thuyết, nghiên cứu mở rộng tiếp cận quản trị AI từ sự tồn tại của chính sách sang năng lực tổ chức, từ các nguyên tắc chuẩn tắc sang cấu trúc có thể đo lường, và từ quản trị thiên về tuân thủ sang quan điểm ràng buộc tạo điều kiện (enabling constraint), theo đó quản trị vừa bảo vệ liêm chính khoa học vừa tạo điều kiện cho nghiên cứu có hỗ trợ AI đạt hiệu quả và đổi mới.
Từ khóa: quản trị AI; trí tuệ nhân tạo tạo sinh; nghiên cứu đại học; AI có trách nhiệm; liêm chính nghiên cứu; hiệu quả nghiên cứu; phát triển thang đo; giáo dục đại học.
ABSTRACT
The rapid integration of artificial intelligence (AI), particularly generative AI (GenAI), is restructuring the university research lifecycle while simultaneously introducing novel challenges related to trustworthiness, transparency, data protection, intellectual property, reproducibility, authorship, and scholarly accountability. Current discussions predominantly focus on principles, policies, and individual researcher responsibility, whereas the institutional capacity that enables universities to govern AI-assisted research responsibly, effectively, and adaptively remains underexamined.
This study conceptualizes AI Governance Capability in University Research (AIGC-UR) as a higher-order, multidimensional organizational capability that reflects a university’s ability to design, implement, monitor, and continuously adapt institutional mechanisms for governing AI throughout the entire research lifecycle. Drawing upon the Dynamic Capabilities View, responsible AI governance literature, research integrity frameworks, and institutional AI capability frameworks, the study proposes six constituent dimensions: Policy and Accountability Capability; Transparency and Disclosure Capability; Human Oversight and Accountability; Data, Privacy, and Intellectual Property Governance; Research Integrity and Reproducibility Safeguards; and AI Literacy and Institutional Support.
The study further posits Responsible AI Use in Research (RAIR) as the behavioral mechanism through which institutional governance capability translates into research outcomes. A multi-stage scale development and validation procedure is employed, encompassing domain specification, deductive and inductive item generation, expert content validation, cognitive interviews, pilot testing, exploratory factor analysis, confirmatory factor analysis, higher-order composite construct validation, and structural model assessment.
The proposed model predicts that stronger AI governance capability fosters responsible AI use and, through this mechanism, contributes simultaneously to Research Performance (RP) and Research Integrity (RI) . Theoretically, the study extends AI governance approaches from policy existence to organizational capability, from normative principles to measurable structures, and from compliance-oriented governance to an enabling-constraint perspective, wherein governance simultaneously safeguards scientific integrity and enables AI-assisted research to achieve productivity and innovation.
Keywords: AI governance; generative artificial intelligence; university research; responsible AI; research integrity; research performance; scale development; higher education.
- GIỚI THIỆU
1.1. AI và sự tái cấu trúc nghiên cứu đại học
Trí tuệ nhân tạo ngày càng được tích hợp sâu vào toàn bộ vòng đời nghiên cứu. Nhà nghiên cứu có thể sử dụng các hệ thống hỗ trợ bởi AI để xác lập vấn đề, tìm kiếm và tổng hợp tài liệu, lập trình, xử lý dữ liệu, phân tích định lượng và định tính, trực quan hóa, viết học thuật và truyền thông khoa học. Vì vậy, AI đang chuyển từ một công cụ hỗ trợ năng suất bên ngoài thành một thành tố ngày càng quan trọng của hạ tầng và quy trình nghiên cứu đương đại.
Sự chuyển đổi này tạo ra một nghịch lý thể chế căn bản. AI có thể tăng cường năng lực nhận thức và phân tích của nhà nghiên cứu, rút ngắn thời gian thực hiện các nhiệm vụ phù hợp, hỗ trợ phân tích khám phá và mở ra những phương thức mới trong khám phá tri thức. Tuy nhiên, chính các công nghệ đó cũng có thể tạo tài liệu tham khảo giả, tuyên bố thiếu chính xác, diễn giải thiên lệch, mã không thể tái lập, xử lý không phù hợp dữ liệu mật, gây mơ hồ về ghi nhận đóng góp và dẫn đến chuyển giao quá mức hoạt động nhận thức cho hệ thống.
Do đó, câu hỏi trung tâm đối với các trường đại học không thể chỉ dừng ở việc nên cho phép hay cấm AI. Câu hỏi quản trị có ý nghĩa hơn là:
Trong những điều kiện thể chế nào, AI có thể được sử dụng một cách có mục đích, minh bạch, có thể kiểm chứng, an toàn và có trách nhiệm giải trình trong toàn bộ vòng đời nghiên cứu?
Về bản chất, đây là vấn đề của quản trị nghiên cứu.
1.2. Từ trách nhiệm cá nhân đến năng lực thể chế
Việc sử dụng AI có trách nhiệm trong nghiên cứu thường được đặt trong khuôn khổ hành vi của từng nhà nghiên cứu. Trách nhiệm cá nhân vẫn là điều không thể thay thế; tuy nhiên, hành vi có trách nhiệm khó có thể được duy trì bền vững nếu chỉ dựa vào sự tự quyết của cá nhân.
Nhà nghiên cứu hoạt động trong một hệ thống thể chế bao gồm chính sách, hạ tầng công nghệ được phê duyệt, quy trình đạo đức nghiên cứu, quy tắc quản trị dữ liệu, hệ thống đào tạo, cơ chế liêm chính nghiên cứu và cấu trúc trách nhiệm giải trình. Khi các thiết chế này phân mảnh hoặc không rõ ràng, nhà nghiên cứu sẽ đối mặt với sự bất định về những ứng dụng AI được phép, nghĩa vụ công khai, dữ liệu mật, sở hữu trí tuệ, yêu cầu kiểm chứng và giám sát của con người.
Sự phân biệt này cho phép tách bạch sự tồn tại của chính sách AI với năng lực quản trị AI.
Một trường đại học có thể sở hữu chính sách AI chi tiết nhưng vẫn thể hiện năng lực quản trị yếu nếu chính sách không được truyền thông đầy đủ, triển khai thiếu nhất quán, không được hỗ trợ bởi hạ tầng thích hợp, thiếu giám sát hoặc không có khả năng thích ứng với thay đổi công nghệ. Ngược lại, năng lực quản trị thể chế bao hàm khả năng nhận diện các cơ hội và rủi ro mới liên quan đến AI, chuyển hóa chúng thành phản ứng tổ chức, triển khai các phản ứng đó trong các quy trình nghiên cứu và liên tục điều chỉnh kiến trúc quản trị.
Theo đó, câu hỏi phân tích cần chuyển từ:
Trường đại học có chính sách AI hay không?
sang:
Trường đại học có sở hữu năng lực tổ chức cần thiết để quản trị nghiên cứu có hỗ trợ AI một cách có trách nhiệm và thích ứng hay không?
1.3. Khoảng trống nghiên cứu
Bốn khoảng trống có quan hệ chặt chẽ tạo cơ sở cho nghiên cứu này.
Thứ nhất là khoảng trống từ nguyên tắc đến năng lực. Các khung AI có trách nhiệm xác định những nguyên tắc như minh bạch, trách nhiệm giải trình, quyền riêng tư, giám sát con người, công bằng và an toàn. Các nguyên tắc này xác lập những gì quản trị có trách nhiệm cần đạt được, nhưng bản thân chúng chưa tạo thành một năng lực tổ chức có thể đo lường bằng thực nghiệm.
Thứ hai là khoảng trống từ quản trị AI nói chung đến quản trị AI trong nghiên cứu. Phần lớn nghiên cứu giáo dục đại học tập trung vào AI trong giảng dạy, đánh giá và liêm chính học thuật của người học. Tuy nhiên, nghiên cứu đại học đặt ra những thách thức quản trị đặc thù liên quan đến dữ liệu chưa công bố, bản thảo mật, sở hữu trí tuệ, giá trị phương pháp luận, khả năng tái lập, quyền tác giả, đạo đức nghiên cứu và trách nhiệm học thuật.
Thứ ba là khoảng trống từ tuân thủ đến tạo giá trị. Quản trị thường được khái niệm hóa chủ yếu như một cơ chế kiểm soát rủi ro. Cách tiếp cận này chưa đánh giá đầy đủ chức năng tạo điều kiện của quản trị. Chính sách rõ ràng, hạ tầng được phê duyệt, đào tạo, cơ chế bảo vệ dữ liệu và trách nhiệm giải trình có thể làm giảm bất định và thiết lập những lộ trình đáng tin cậy để nhà nghiên cứu khai thác AI hiệu quả.
Thứ tư là khoảng trống đo lường. Nếu thiếu một thang đo đã được kiểm định về năng lực quản trị AI trong nghiên cứu ở cấp thể chế, rất khó so sánh các trường đại học một cách chặt chẽ, kiểm tra các tiền tố và hệ quả, đánh giá hiệu quả của can thiệp quản trị hoặc xác lập vị trí của quản trị AI trong mạng lưới quan hệ lý thuyết của nghiên cứu tổ chức và giáo dục đại học.
Nghiên cứu này giải quyết các khoảng trống trên thông qua việc khái niệm hóa và đề xuất kiểm định Năng lực quản trị AI trong nghiên cứu đại học (AIGC-UR).
1.4. Mục tiêu và câu hỏi nghiên cứu
Nghiên cứu có ba mục tiêu liên kết:
- khái niệm hóa AIGC-UR như một năng lực tổ chức bậc cao, đa chiều;
- phát triển và kiểm định một công cụ đo lường AIGC-UR có cơ sở tâm trắc vững chắc; và
- kiểm tra cơ chế qua đó năng lực quản trị AI cấp thể chế có quan hệ với Hiệu quả nghiên cứu và Liêm chính nghiên cứu thông qua Sử dụng AI có trách nhiệm trong nghiên cứu.
Câu hỏi nghiên cứu tổng quát là:
Năng lực quản trị AI trong nghiên cứu của các trường đại học có thể được đo lường như thế nào, và thông qua cơ chế hành vi nào năng lực này có quan hệ với hiệu quả nghiên cứu và liêm chính nghiên cứu?
- KHUNG LÝ THUYẾT
2.1. Quan điểm Năng lực Động
Quan điểm Năng lực Động cung cấp nền tảng giải thích chủ đạo để khái niệm hóa quản trị AI như một năng lực thay vì một tập hợp chính sách tĩnh. Lý thuyết năng lực động nhấn mạnh khả năng của tổ chức trong việc tích hợp, xây dựng và tái cấu hình các năng lực nhằm đáp ứng môi trường biến đổi.
Khi áp dụng vào quản trị AI trong đại học, nhận diện (sensing) bao gồm phát hiện các cơ hội, rủi ro, thay đổi công nghệ và yêu cầu pháp lý mới liên quan đến AI; nắm bắt (seizing) bao gồm xây dựng chính sách, lựa chọn công nghệ, phân bổ nguồn lực, xác lập trách nhiệm quản trị và phát triển năng lực con người; còn chuyển đổi (transforming) bao gồm điều chỉnh quy trình nghiên cứu, kiến trúc quản trị và thực hành thể chế khi công nghệ và các rủi ro liên quan thay đổi.
Do đó, AIGC-UR không đồng nhất với việc sở hữu chính sách hay tuân thủ quy định. Nó phản ánh năng lực thể chế để quản trị nghiên cứu một cách có trách nhiệm trong điều kiện công nghệ liên tục thay đổi.
2.2. Quản trị AI có trách nhiệm
Nếu Quan điểm Năng lực Động giải thích vì sao tổ chức cần năng lực thích ứng, thì quản trị AI có trách nhiệm cung cấp nội dung chuẩn tắc và vận hành để xác định năng lực đó cần bao hàm những gì.
Theo đó, kiến trúc lý thuyết có thể được biểu diễn như sau:
Nguyên tắc chuẩn tắc → Cơ chế quản trị tổ chức → Hành vi nghiên cứu có trách nhiệm → Kết quả nghiên cứu.
AIGC-UR nằm ở tầng năng lực tổ chức trong chuỗi quan hệ này.
2.3. Sử dụng AI có trách nhiệm trong nghiên cứu
Các cơ chế quản trị thể chế không thể cải thiện kết quả nghiên cứu nếu chúng không tác động đến thực hành nghiên cứu. Vì vậy, Sử dụng AI có trách nhiệm trong nghiên cứu (RAIR) được xác định là cơ chế hành vi trung tâm của mô hình đề xuất.
RAIR được định nghĩa là:
mức độ mà nhà nghiên cứu sử dụng các hệ thống AI một cách có mục đích, minh bạch, có thể kiểm chứng, có trách nhiệm với dữ liệu, ghi nhận đóng góp phù hợp, dưới sự giám sát có ý nghĩa của con người và duy trì trách nhiệm nhận thức trong toàn bộ quá trình nghiên cứu.
Cấu trúc này khác biệt rõ ràng với mức độ chấp nhận AI và cường độ sử dụng AI. Một nhà nghiên cứu có thể sử dụng AI thường xuyên nhưng không kiểm chứng đầu ra hoặc không công khai việc sử dụng có ảnh hưởng đáng kể. Khi đó, mức độ sử dụng AI cao nhưng RAIR thấp. Ngược lại, một nhà nghiên cứu có thể chỉ sử dụng AI có chọn lọc nhưng luôn kiểm chứng bằng chứng, bảo vệ dữ liệu mật, duy trì phán đoán học thuật và thực hiện công khai phù hợp.
Do đó:
Cường độ sử dụng AI ≠ Sử dụng AI có trách nhiệm trong nghiên cứu.
- KHÁI NIỆM HÓA AIGC-UR
AIGC-UR bao gồm sáu cấu phần bậc một có tính bổ trợ lẫn nhau:
D1. Năng lực Chính sách và Trách nhiệm giải trình (PAC) — năng lực thể chế trong việc thiết lập, truyền thông, triển khai, thực thi và cập nhật các quy tắc quản trị nghiên cứu có hỗ trợ AI cùng các trách nhiệm liên quan.
D2. Năng lực Minh bạch và Công khai (TDC) — năng lực thể chế nhằm bảo đảm việc sử dụng AI có ảnh hưởng đáng kể có thể được truy vết và công khai một cách có ý nghĩa tại các giai đoạn liên quan của nghiên cứu.
D3. Giám sát Con người và Trách nhiệm giải trình (HOA) — năng lực thể chế nhằm duy trì phán đoán, khả năng can thiệp, kiểm chứng có ý nghĩa của con người và bảo đảm trách nhiệm học thuật cuối cùng không thể chuyển giao cho AI.
D4. Quản trị Dữ liệu, Quyền riêng tư và Sở hữu trí tuệ (DPIG) — năng lực thể chế trong phân loại và bảo vệ dữ liệu nghiên cứu, quản lý quyền truy cập công cụ AI và rủi ro từ bên thứ ba, bảo vệ thông tin mật và quyền sở hữu trí tuệ.
D5. Cơ chế Bảo đảm Liêm chính và Khả năng tái lập Nghiên cứu (RIRS) — các cơ chế thể chế nhằm duy trì độ chính xác, ghi nhận nguồn và đóng góp, khả năng kiểm toán, truy vết, giá trị phương pháp luận và khả năng tái lập trong nghiên cứu có hỗ trợ AI.
D6. Hiểu biết AI và Hỗ trợ Thể chế (AILS) — năng lực thể chế nhằm bảo đảm nhà nghiên cứu hiểu khả năng, giới hạn, rủi ro, phạm vi ứng dụng phù hợp của AI, yêu cầu kiểm chứng, trách nhiệm công khai và các nguồn hỗ trợ thể chế sẵn có.
Các cấu phần này có thể phân biệt về mặt lý thuyết nhưng cùng cấu thành năng lực quản trị AI trong nghiên cứu ở cấp thể chế.
- KIẾN TRÚC ĐO LƯỜNG
Mô hình đo lường đề xuất xác định sáu cấu phần là các cấu trúc phản xạ bậc một, trong khi AIGC-UR là cấu trúc tạo thành/tổng hợp bậc hai.
Cách đặc tả này phản ánh lập luận rằng các chiều cạnh quản trị không phải là những biểu hiện có thể thay thế lẫn nhau của một đặc tính đồng nhất tiềm ẩn; trái lại, chúng cùng cấu thành năng lực quản trị thể chế. Một trường đại học có thể có năng lực chính sách mạnh nhưng vẫn yếu về quản trị dữ liệu hoặc hiểu biết AI. Vì vậy, loại bỏ một cấu phần sẽ làm thay đổi miền khái niệm của AIGC-UR.
Trong nghiên cứu kiểm định thang đo ban đầu, cấu trúc thực nghiệm nên được thao tác hóa dưới dạng nhận thức của nhà nghiên cứu về năng lực thể chế. Theo đó, phân tích dựa trên khảo sát cần phân biệt rõ cấu trúc lý thuyết cấp thể chế AIGC-UR với cấu trúc được thao tác hóa ở cấp người trả lời, Năng lực quản trị AI thể chế trong nghiên cứu đại học theo nhận thức của nhà nghiên cứu (Perceived Institutional AI Governance Capability in University Research – PI-AIGC-UR).
Các nghiên cứu tiếp theo cần kiểm định cấu trúc này bằng kiểm toán thể chế, nhiều người trả lời trong mỗi trường đại học, các chỉ số thống kê về khả năng tổng hợp dữ liệu và thiết kế đa cấp.
- PHÁT TRIỂN GIẢ THUYẾT
H1. Năng lực quản trị AI trong nghiên cứu đại học có mối quan hệ tích cực với Sử dụng AI có trách nhiệm trong nghiên cứu.
H2. Năng lực quản trị AI trong nghiên cứu đại học có mối quan hệ tích cực với Hiệu quả nghiên cứu.
H3. Năng lực quản trị AI trong nghiên cứu đại học có mối quan hệ tích cực với Liêm chính nghiên cứu.
H4. Sử dụng AI có trách nhiệm trong nghiên cứu có mối quan hệ tích cực với Hiệu quả nghiên cứu.
H5. Sử dụng AI có trách nhiệm trong nghiên cứu có mối quan hệ tích cực với Liêm chính nghiên cứu.
H6. Sử dụng AI có trách nhiệm trong nghiên cứu đóng vai trò trung gian trong mối quan hệ giữa Năng lực quản trị AI trong nghiên cứu đại học và Hiệu quả nghiên cứu.
H7. Sử dụng AI có trách nhiệm trong nghiên cứu đóng vai trò trung gian trong mối quan hệ giữa Năng lực quản trị AI trong nghiên cứu đại học và Liêm chính nghiên cứu.
Kiến trúc cấu trúc của mô hình được khái quát như sau:
AIGC-UR → RAIR → Hiệu quả nghiên cứu
AIGC-UR → RAIR → Liêm chính nghiên cứu
Đồng thời, các đường tác động trực tiếp AIGC-UR → Hiệu quả nghiên cứu và AIGC-UR → Liêm chính nghiên cứu được giữ lại để đánh giá trung gian một phần so với trung gian toàn phần.
- PHÁT TRIỂN VÀ KIỂM ĐỊNH THANG ĐO
Quy trình phát triển thang đo được tổ chức thành ba giai đoạn chính.
Giai đoạn I — Phát triển cấu trúc
Giai đoạn thứ nhất bao gồm xác định miền khái niệm, tổng hợp có hệ thống tài liệu học thuật và chính sách, tạo mục hỏi theo hướng diễn dịch, phỏng vấn định tính các bên liên quan, tạo mục hỏi theo hướng quy nạp, thẩm định giá trị nội dung bởi chuyên gia và phỏng vấn nhận thức.
Ngân hàng ban đầu khoảng 48–60 mục hỏi được đề xuất nhằm bảo đảm độ bao phủ miền khái niệm trước khi tinh lọc thang đo.
Giai đoạn II — Tinh lọc thang đo và kiểm định mô hình đo lường
Nghiên cứu thí điểm cần kiểm tra phân phối mục hỏi, dữ liệu thiếu, hiệu ứng sàn và trần, tương quan mục–tổng đã hiệu chỉnh, mức độ dư thừa, độ tin cậy và cấu trúc chiều sơ bộ.
Phân tích nhân tố khám phá cần sử dụng phương pháp nhân tố chung thay vì dùng phân tích thành phần chính như một phương án thay thế cho phân tích nhân tố. Quyết định số nhân tố cần dựa đồng thời vào phân tích song song, biểu đồ scree, kỳ vọng lý thuyết và khả năng diễn giải.
Sau đó, một mẫu độc lập cần được sử dụng để kiểm định khẳng định. Đánh giá độ tin cậy không nên chỉ dựa vào Cronbach’s α mà cần bổ sung McDonald’s ω và độ tin cậy tổng hợp. Giá trị hội tụ được đánh giá bằng AVE, trong khi giá trị phân biệt cần bao gồm HTMT.
Giai đoạn III — Kiểm định mạng lưới quan hệ lý thuyết và mô hình cấu trúc
Sau khi kiểm định các cấu phần phản xạ bậc một, cấu trúc tạo thành/tổng hợp bậc cao cần được đánh giá bằng quy trình hai giai đoạn phù hợp với đặc tả đo lường.
Kiểm định mô hình cấu trúc cần đánh giá H1–H7, trong đó các tác động gián tiếp được kiểm tra bằng khoảng tin cậy bootstrap.
Do khảo sát đề xuất có thiết kế cắt ngang, các mối liên hệ thống kê và tác động gián tiếp không nên được diễn giải như bằng chứng xác quyết về quan hệ nhân quả.
- ĐÓNG GÓP LÝ THUYẾT KỲ VỌNG
Nghiên cứu dự kiến tạo ra bốn đóng góp lý thuyết chủ yếu.
Thứ nhất, nghiên cứu thúc đẩy sự chuyển dịch từ chính sách AI sang năng lực quản trị AI. Chính sách là một sản phẩm tổ chức; trong khi năng lực quản trị bao hàm triển khai, phối hợp, học hỏi, giám sát và thích ứng.
Thứ hai, nghiên cứu thúc đẩy sự chuyển dịch từ các nguyên tắc AI có trách nhiệm sang đo lường tổ chức thông qua việc chuyển các yêu cầu chuẩn tắc thành một cấu trúc đa chiều có thể kiểm định bằng thực nghiệm.
Thứ ba, nghiên cứu phát triển cơ chế giải thích hành vi đối với hiệu ứng quản trị bằng cách đặt RAIR giữa năng lực thể chế và kết quả nghiên cứu:
Năng lực quản trị → Hành vi có trách nhiệm → Kết quả nghiên cứu.
Thứ tư, nghiên cứu phát triển quan điểm ràng buộc tạo điều kiện trong quản trị AI. Quản trị hiệu quả không nhất thiết chỉ giới hạn việc sử dụng AI. Bằng cách giảm sự mơ hồ, xây dựng hạ tầng đáng tin cậy, phát triển hiểu biết AI và làm rõ các thực hành được chấp nhận, quản trị có thể đồng thời hạn chế hành vi thiếu trách nhiệm và tạo điều kiện cho những ứng dụng AI có giá trị trong nghiên cứu.
Do đó, luận đề lý thuyết trung tâm là:
Quản trị AI được thiết kế tốt có thể hoạt động như một ràng buộc tạo điều kiện, đồng thời bảo vệ liêm chính nghiên cứu và thúc đẩy hiệu quả nghiên cứu.
- HÀM Ý THỰC TIỄN
Sau khi được kiểm định thực nghiệm, AIGC-UR có thể cung cấp cho các trường đại học một công cụ chẩn đoán nhằm xác định khoảng trống năng lực quản trị ở các phương diện chính sách, minh bạch, giám sát, quản trị dữ liệu, liêm chính nghiên cứu và hỗ trợ thể chế.
Thang đo không nên được chuyển đổi một cách cơ học thành các cấp độ trưởng thành ngay ở giai đoạn đầu. Các điểm cắt thực nghiệm cần được xác lập thông qua kiểm định chuẩn hoặc kiểm định tham chiếu tiêu chí riêng biệt.
Ở cấp độ quản trị, quản trị AI trong nghiên cứu có thể được tổ chức thành một chu trình học hỏi tích hợp:
Chính sách → Con người → Quy trình → Công nghệ → Liêm chính → Kiểm toán → Học hỏi tổ chức.
Hiệu quả của hệ thống phụ thuộc vào mức độ tích hợp giữa các thành tố này thay vì sự hiện diện riêng lẻ của từng công cụ hoặc văn bản quản trị.
- HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TƯƠNG LAI
Thiết kế đề xuất có một số hạn chế. Đo lường tự báo cáo có thể tạo ra sai lệch phương pháp chung và thiên lệch do mong muốn xã hội. Đo lường ở cấp người trả lời phản ánh năng lực quản trị thể chế theo nhận thức thay vì năng lực khách quan. Dữ liệu cắt ngang hạn chế khả năng suy luận nhân quả, trong khi tốc độ phát triển nhanh của công nghệ có thể làm thay đổi ý nghĩa và mức độ nổi bật của từng chiều cạnh quản trị theo thời gian.
Do đó, nghiên cứu tương lai nên kết hợp khảo sát nhà nghiên cứu với kiểm toán chính sách thể chế, bằng chứng từ đơn vị quản lý nghiên cứu, hồ sơ sự cố, dữ liệu quản trị công nghệ và các chỉ báo nghiên cứu khách quan.
Kiểm định đa cấp là bước phát triển tiếp theo đặc biệt quan trọng. Việc thu thập dữ liệu từ nhiều người trả lời trong mỗi trường đại học cho phép đánh giá mức độ đồng thuận nội nhóm và tổng hợp năng lực quản trị lên cấp thể chế. Các nghiên cứu dọc và kiểm định đa quốc gia có thể tiếp tục đánh giá tính ổn định theo thời gian và tính bất biến đo lường giữa các hệ thống giáo dục đại học.
- KẾT LUẬN
Sự mở rộng của AI trong nghiên cứu đại học đang làm thay đổi không chỉ cách thức công việc khoa học được thực hiện mà còn cả cách trách nhiệm học thuật cần được quản trị. Vì vậy, câu hỏi trung tâm ở cấp thể chế không còn đơn giản là nhà nghiên cứu có sử dụng AI hay không, mà là liệu trường đại học có sở hữu năng lực cần thiết để bảo đảm nghiên cứu có hỗ trợ AI được thực hiện có mục đích, minh bạch, có thể kiểm chứng, an toàn, có khả năng tái lập và có trách nhiệm giải trình hay không.
Nghiên cứu khái niệm hóa Năng lực quản trị AI trong nghiên cứu đại học (AIGC-UR) như một năng lực bậc cao, đa chiều, được cấu thành bởi sáu chiều cạnh bổ trợ: Năng lực Chính sách và Trách nhiệm giải trình; Năng lực Minh bạch và Công khai; Giám sát Con người và Trách nhiệm giải trình; Quản trị Dữ liệu, Quyền riêng tư và Sở hữu trí tuệ; Cơ chế Bảo đảm Liêm chính và Khả năng tái lập Nghiên cứu; và Hiểu biết AI và Hỗ trợ Thể chế.
Đóng góp lý thuyết không dựa trên tuyên bố rằng minh bạch, trách nhiệm giải trình, quyền riêng tư, giám sát con người hay hiểu biết AI là những nguyên tắc hoàn toàn mới. Điểm mới nằm ở việc tích hợp chúng vào một kiến trúc giải thích và đo lường nhất quán:
Nguyên tắc AI có trách nhiệm → Năng lực quản trị tổ chức → Hành vi nghiên cứu có trách nhiệm → Kết quả nghiên cứu.
Trung tâm của kiến trúc này là Sử dụng AI có trách nhiệm trong nghiên cứu (RAIR), qua đó giải thích cách các thiết chế tổ chức có thể chuyển hóa thành những thay đổi có ý nghĩa trong hành vi nghiên cứu thường nhật.
Mô hình đề xuất vì vậy thách thức giả định đơn giản rằng quản trị tất yếu tạo ra sự đánh đổi giữa hiệu quả nghiên cứu và liêm chính. Ngược lại, quản trị hiệu quả có thể vận hành như một năng lực tổ chức tạo điều kiện: vừa giới hạn các thực hành không an toàn hoặc thiếu trách nhiệm nhận thức, vừa cung cấp sự rõ ràng, hạ tầng, năng lực và các lộ trình đáng tin cậy cần thiết cho nghiên cứu có hỗ trợ AI đạt hiệu quả.
Do đó, hiệu quả nghiên cứu và liêm chính nghiên cứu không nên được xem là hai kết quả vốn dĩ đối lập. Một hệ thống quản trị AI trưởng thành trong trường đại học phải đồng thời theo đuổi cả hai mục tiêu.
Đây là sự chuyển dịch căn bản từ chấp nhận và sử dụng AI sang năng lực AI thể chế có trách nhiệm.
TÀI LIỆU THAM KHẢO CHỦ CHỐT – APA 7
- Alduais, A., Qadhi, S., Chaaban, Y., & Khraisheh, M. (2025). Utilizing generative AI responsibly and ethically for research purposes in higher education: A policy analysis. Serials Review, 51(3–4), 120–170. https://doi.org/10.1080/00987913.2025.2581429
- Al-Zahrani, A. M. (2024). The impact of generative AI tools on researchers and research: Implications for academia in higher education. Innovations in Education and Teaching International, 61(5), 1029–1043. https://doi.org/10.1080/14703297.2023.2271445
- Chaaban, Y., Qadhi, S., Chen, J., & Du, X. (2024). Understanding researchers’ AI readiness in a higher education context: Q methodology research. Education Sciences, 14(7), 709. https://doi.org/10.3390/educsci14070709
- Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73. https://doi.org/10.2307/3150876
- Committee on Publication Ethics. (2023). Authorship and AI tools. COPE.
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE.
- 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
- International Committee of Medical Journal Editors. (2026). Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals. ICMJE.
- National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.100-1
- 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
- QS Quacquarelli Symonds. (2025). QS AI capability framework. QS.
- 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
- Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533.
