Institutional Artificial Intelligence Readiness in Higher Education: Development and Validation of the IAIR-HE Scale in Vietnamese Universities
NGUYỄN VĂN HÙNG
TÓM TẮT
Sự phát triển nhanh chóng của trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là AI tạo sinh, đang chuyển trọng tâm của chuyển đổi số trong giáo dục đại học từ việc số hóa các hoạt động riêng lẻ sang yêu cầu xây dựng năng lực thể chế nhằm tích hợp, quản trị và khai thác AI một cách có trách nhiệm. Tuy nhiên, mức độ sử dụng AI cao không đồng nghĩa với mức độ sẵn sàng thể chế cao. Một trường đại học có thể triển khai nhiều công cụ AI nhưng vẫn thiếu chiến lược, cơ chế quản trị, hạ tầng dữ liệu, năng lực con người, khả năng quản trị thay đổi và các bảo đảm về AI có trách nhiệm. Vì vậy, cần phân biệt rõ AI adoption, AI maturity và institutional AI readiness.
Nghiên cứu này đề xuất khái niệm Institutional Artificial Intelligence Readiness (IAIR) như một năng lực thể chế đa chiều, bậc cao, phản ánh khả năng của một trường đại học trong việc chuẩn bị các điều kiện chiến lược, quản trị, công nghệ, con người, tổ chức và trách nhiệm cần thiết để tích hợp AI phù hợp với sứ mạng giáo dục, đồng thời quản trị các rủi ro phát sinh. Trên cơ sở đó, nghiên cứu phát triển và kiểm định Institutional AI Readiness for Higher Education Scale (IAIR-HE) gồm sáu chiều kích dự kiến: Strategic AI Leadership; AI Governance & Policy; Data & Digital Infrastructure Readiness; Human–AI Capability; Organizational Change & Learning Readiness; và Responsible AI Governance.
Khung lý thuyết tích hợp Organizational Readiness for Change, Technology–Organization–Environment, Dynamic Capabilities và các nguyên tắc Responsible AI Governance, nhưng phân định rõ chức năng giải thích của từng nền tảng nhằm tránh chồng xếp lý thuyết. Nghiên cứu sử dụng thiết kế mixed methods tuần tự khám phá, bao gồm tổng quan có hệ thống, nghiên cứu định tính, xây dựng ngân hàng biến quan sát, đánh giá giá trị nội dung, phỏng vấn nhận thức, nghiên cứu thử nghiệm, EFA, CFA và kiểm định mô hình cấu trúc.
Khác với cách đồng nhất readiness với kết quả triển khai, nghiên cứu tách AI Integration Effectiveness và Institutional AI Value khỏi cấu trúc IAIR và xem chúng là các biến kết quả theo chuỗi:
IAIR → AI Integration Effectiveness → Institutional AI Value.
Cách tiếp cận này giúp hạn chế vòng lặp khái niệm, tăng khả năng kiểm định criterion/nomological validity và làm rõ cơ chế chuyển hóa năng lực sẵn sàng thành giá trị thể chế. Nghiên cứu kỳ vọng đóng góp một công cụ đo lường có cơ sở lý thuyết và bằng chứng tâm trắc cho nghiên cứu, quản trị và hoạch định chính sách AI trong giáo dục đại học.
Từ khóa: Mức độ sẵn sàng thể chế đối với trí tuệ nhân tạo; IAIR-HE; trí tuệ nhân tạo; giáo dục đại học; phát triển thang đo; quản trị AI; AI có trách nhiệm; năng lực thể chế.
ABSTRACT
The rapid advancement of Artificial Intelligence (AI), particularly generative AI, is shifting the focus of digital transformation in higher education from the digitization of discrete activities toward the development of institutional capabilities to integrate, govern, and leverage AI responsibly. However, a high level of AI use does not necessarily indicate a high level of institutional readiness. A university may deploy a wide range of AI tools while still lacking coherent strategic direction, governance mechanisms, robust data infrastructure, human capabilities, organizational change capacity, and safeguards for responsible AI. It is therefore essential to distinguish among AI adoption, AI maturity, and institutional AI readiness.
This study conceptualizes Institutional Artificial Intelligence Readiness (IAIR) as a higher-order, multidimensional institutional capability reflecting a university’s capacity to establish the strategic, governance, technological, human, organizational, and responsibility-related conditions necessary to integrate AI in alignment with its educational mission while effectively managing associated risks. Building on this conceptualization, the study develops and validates the Institutional AI Readiness for Higher Education Scale (IAIR-HE), comprising six proposed dimensions: Strategic AI Leadership; AI Governance & Policy; Data & Digital Infrastructure Readiness; Human–AI Capability; Organizational Change & Learning Readiness; and Responsible AI Governance.
The theoretical framework integrates Organizational Readiness for Change, the Technology–Organization–Environment (TOE) framework, Dynamic Capabilities Theory, and principles of Responsible AI Governance. The explanatory role of each theoretical foundation is explicitly delineated to minimize conceptual redundancy and theoretical overlap. Methodologically, the study employs an exploratory sequential mixed-methods design, encompassing a systematic literature review, qualitative inquiry, item-pool generation, content-validity assessment, cognitive interviewing, pilot testing, exploratory factor analysis (EFA), confirmatory factor analysis (CFA), and structural model testing.
Departing from approaches that conflate institutional readiness with implementation outcomes, this study separates AI Integration Effectiveness and Institutional AI Value from the IAIR construct and conceptualizes them as sequential outcomes within the following nomological pathway:
IAIR → AI Integration Effectiveness → Institutional AI Value.
This conceptual separation reduces the risk of construct circularity, strengthens the assessment of criterion-related and nomological validity, and clarifies the mechanism through which institutional AI readiness is translated into effective AI integration and, ultimately, institutional value. The study is expected to contribute a theoretically grounded and psychometrically validated measurement instrument that can support empirical research, institutional governance, strategic decision-making, and AI policy development in higher education.
Keywords: Institutional AI Readiness; IAIR-HE; artificial intelligence; higher education; scale development; AI governance; responsible AI; institutional capability.
1. BỐI CẢNH VÀ VẤN ĐỀ NGHIÊN CỨU
AI đang làm thay đổi đồng thời hoạt động giảng dạy, học tập, nghiên cứu, quản trị, hỗ trợ người học và quá trình ra quyết định trong giáo dục đại học. Sự phổ biến của AI tạo sinh làm cho câu hỏi chiến lược không còn đơn thuần là “trường đại học có sử dụng AI hay không?”, mà chuyển thành:
“Trường đại học có đủ năng lực thể chế để tích hợp, quản trị và tạo giá trị từ AI một cách có trách nhiệm hay không?”
Sự phân biệt này có ý nghĩa quan trọng. Việc một số giảng viên hoặc đơn vị sử dụng AI không nhất thiết phản ánh sự sẵn sàng của toàn bộ tổ chức. AI có thể được triển khai nhanh hơn tốc độ phát triển chính sách, hạ tầng dữ liệu, năng lực nhân sự, cơ chế trách nhiệm giải trình và năng lực quản trị thay đổi.
Do đó:
AI use ≠ AI adoption ≠ AI maturity ≠ Institutional AI readiness.
Trong nghiên cứu này, readiness được hiểu chủ yếu là năng lực tiền nghiệm (ex ante capability): những điều kiện và năng lực thể chế cần tồn tại ở mức đủ để tổ chức có thể tích hợp AI một cách hiệu quả và có trách nhiệm.
Điểm phân biệt này đặc biệt quan trọng đối với giáo dục đại học, nơi việc áp dụng AI liên quan trực tiếp đến chất lượng giáo dục, liêm chính học thuật, quyền riêng tư, dữ liệu người học, công bằng, quyền tự chủ nghề nghiệp của giảng viên và trách nhiệm giải trình của nhà trường.
2. KHOẢNG TRỐNG NGHIÊN CỨU
Nghiên cứu xác định sáu khoảng trống liên kết với nhau.
2.1. Khoảng trống khái niệm
Các khái niệm AI readiness, AI adoption, AI capability, digital readiness và AI maturity thường được sử dụng gần nhau nhưng chưa luôn được phân định nhất quán.
IAIR cần được xác lập với ranh giới khái niệm đủ rõ để tránh tình trạng một thang đo readiness thực chất lại đo mức sử dụng hoặc kết quả AI.
2.2. Khoảng trống cấp độ phân tích
Nhiều nghiên cứu tập trung vào mức độ chấp nhận AI của cá nhân. Tuy nhiên, institutional readiness là thuộc tính của tổ chức, không thể được suy luận trực tiếp từ thái độ của một cá nhân.
Do đó, cần thiết kế đo lường phù hợp với institutional level of analysis.
2.3. Khoảng trống lý thuyết
Không một lý thuyết đơn lẻ nào giải thích đầy đủ đồng thời:
- cam kết và khả năng thay đổi;
- điều kiện công nghệ–tổ chức–môi trường;
- khả năng tái cấu hình nguồn lực;
- và yêu cầu quản trị AI có trách nhiệm.
Vấn đề không phải là tích hợp càng nhiều lý thuyết càng tốt, mà là xác định vai trò giải thích không trùng lặp của từng nền tảng.
2.4. Khoảng trống đo lường
Các framework, checklist và maturity model có giá trị thực hành, nhưng không phải mọi framework đều là psychometrically validated measurement scale.
Do đó, khoảng trống trọng tâm là phát triển một công cụ IAIR-HE có thể kiểm định:
content validity → factorial validity → reliability → convergent validity → discriminant validity → criterion validity → nomological validity → measurement invariance.
2.5. Khoảng trống Responsible AI
Một tổ chức không thể được xem là “sẵn sàng với AI” chỉ vì có công nghệ và dữ liệu nếu thiếu cơ chế quản trị công bằng, minh bạch, quyền riêng tư, trách nhiệm giải trình, giám sát của con người và an toàn.
Do đó, Responsible AI Governance cần được xem xét như một năng lực cấu thành readiness, chứ không chỉ là phần bổ sung đạo đức sau triển khai.
2.6. Khoảng trống bối cảnh
Các trường đại học Việt Nam hoạt động trong điều kiện khác nhau về nguồn lực, quyền tự chủ, năng lực số, quy mô, lĩnh vực đào tạo và cơ chế quản trị. Vì vậy, việc kiểm định IAIR-HE tại Việt Nam vừa có giá trị bối cảnh, vừa tạo điều kiện đánh giá khả năng vận hành của construct trong một hệ thống giáo dục đại học đang chuyển đổi nhanh.
3. CÂU HỎI NGHIÊN CỨU
Nghiên cứu tập trung vào năm câu hỏi:
RQ1. Institutional Artificial Intelligence Readiness trong giáo dục đại học nên được khái niệm hóa và phân biệt với AI adoption, AI maturity và digital readiness như thế nào?
RQ2. Những chiều kích nào cấu thành IAIR-HE và những biến quan sát nào đo lường các chiều kích đó một cách đáng tin cậy và hợp lệ?
RQ3. Cấu trúc đo lường bậc cao của IAIR-HE có đạt reliability, convergent validity và discriminant validity hay không?
RQ4. IAIR-HE có duy trì measurement invariance giữa các nhóm trường và nhóm người cung cấp thông tin quan trọng hay không?
RQ5. IAIR ảnh hưởng như thế nào đến AI Integration Effectiveness và, thông qua đó, đến Institutional AI Value?
4. MỤC TIÊU NGHIÊN CỨU
Mục tiêu tổng quát là phát triển và kiểm định thang đo IAIR-HE nhằm đo lường năng lực sẵn sàng thể chế đối với AI trong giáo dục đại học và kiểm định cơ chế chuyển hóa readiness thành giá trị thể chế.
Cụ thể, nghiên cứu nhằm: (1) xác lập miền khái niệm và ranh giới của IAIR; (2) nhận diện và kiểm định các chiều kích cấu thành; (3) xây dựng ngân hàng biến quan sát và tinh lọc thang đo; (4) đánh giá độ tin cậy và các dạng giá trị đo lường; (5) kiểm định measurement invariance; (6) giải quyết phù hợp vấn đề cấp độ phân tích; và (7) kiểm định quan hệ IAIR → AI Integration Effectiveness → Institutional AI Value.
5. KHÁI NIỆM HÓA IAIR
5.1. Định nghĩa đề xuất
Institutional Artificial Intelligence Readiness (IAIR) được định nghĩa là:
Năng lực thể chế đa chiều và có tính động của một cơ sở giáo dục đại học trong việc huy động, phối hợp và tái cấu hình các điều kiện chiến lược, quản trị, dữ liệu–công nghệ, con người, tổ chức và trách nhiệm cần thiết để tích hợp AI một cách hiệu quả, có trách nhiệm và phù hợp với sứ mạng của tổ chức.
Định nghĩa này chứa sáu đặc điểm quan trọng:
Thứ nhất, institutional-level.
Đối tượng là tổ chức, không phải mức độ sẵn sàng cá nhân.
Thứ hai, multidimensional.
Readiness không thể được đại diện bởi một nguồn lực riêng lẻ.
Thứ ba, capability-based.
IAIR phản ánh khả năng phối hợp và huy động nguồn lực, không chỉ sự hiện diện của tài nguyên.
Thứ tư, predominantly ex ante.
Readiness về nguyên tắc đi trước integration effectiveness và value realization.
Thứ năm, dynamic.
Readiness cần được duy trì và tái cấu hình khi công nghệ, quy định và nhu cầu thay đổi.
Thứ sáu, purpose- and responsibility-aligned.
AI readiness phải gắn với sứ mạng đại học và các nguyên tắc AI có trách nhiệm.
6. RANH GIỚI KHÁI NIỆM
| Khái niệm | Câu hỏi trung tâm | Quan hệ với IAIR |
| Digital Readiness | Tổ chức đã sẵn sàng cho chuyển đổi số nói chung chưa? | Rộng hơn AI |
| AI Adoption | AI đã được chấp nhận/sử dụng ở mức nào? | Hành vi/quá trình sau readiness |
| AI Maturity | Tổ chức đã tiến triển đến giai đoạn nào trong hành trình AI? | Trạng thái phát triển tích lũy |
| AI Capability | Tổ chức có khả năng khai thác AI như thế nào? | Có giao thoa nhưng không đồng nhất |
| IAIR | Tổ chức có đủ năng lực tiền đề để tích hợp và quản trị AI không? | Construct trung tâm |
| AI Integration Effectiveness | AI được tích hợp vào hoạt động hiệu quả đến đâu? | Proximal outcome |
| Institutional AI Value | AI tạo ra giá trị thể chế ở mức nào? | Distal outcome |
Phân định này ngăn criterion contamination và circular measurement.
7. CƠ SỞ LÝ THUYẾT TÍCH HỢP
Thay vì “xếp chồng lý thuyết”, nghiên cứu áp dụng nguyên tắc theoretical division of labor.
| Nền tảng | Vai trò trong IAIR |
| Organizational Readiness for Change | Giải thích change commitment và collective change efficacy |
| Technology–Organization–Environment (TOE) | Giải thích các điều kiện cấu trúc và bối cảnh của việc triển khai công nghệ |
| Dynamic Capabilities | Giải thích khả năng sensing–seizing–transforming và tái cấu hình năng lực |
| Responsible AI Governance | Xác lập các bảo đảm chuẩn tắc và quản trị đặc thù đối với AI |
Như vậy, các nền tảng không được sử dụng như bốn lời giải cạnh tranh cho cùng một hiện tượng. Chúng giải thích các tầng khác nhau của institutional readiness.
8. CẤU TRÚC IAIR-HE SAU PHẢN BIỆN
8.1. Strategic AI Leadership
Phản ánh khả năng lãnh đạo cấp cao trong việc hình thành tầm nhìn AI, xác lập ưu tiên, phân bổ nguồn lực, điều phối sáng kiến và liên kết AI với chiến lược, sứ mạng và giá trị của trường đại học.
8.2. AI Governance & Policy
Phản ánh sự hiện diện và hiệu lực của cấu trúc quản trị chính thức: quyền ra quyết định, vai trò và trách nhiệm, quy trình phê duyệt, procurement, quản lý vòng đời AI, giám sát và chính sách sử dụng AI.
8.3. Data & Digital Infrastructure Readiness
Phản ánh khả năng cung cấp dữ liệu, kiến trúc số, khả năng tương tác, bảo mật, nền tảng tính toán và các điều kiện kỹ thuật cần thiết để AI có thể được triển khai ổn định.
8.4. Human–AI Capability
Phản ánh năng lực của con người và tổ chức trong việc hiểu, lựa chọn, sử dụng, đánh giá và cộng tác với AI, bao gồm AI literacy, chuyên môn, năng lực phán đoán và phát triển nghề nghiệp.
8.5. Organizational Change & Learning Readiness
Phản ánh khả năng thích ứng, học hỏi, thử nghiệm, chia sẻ tri thức, quản trị thay đổi và tái cấu hình quy trình khi AI làm thay đổi công việc và mô hình hoạt động.
8.6. Responsible AI Governance
Phản ánh năng lực thể chế bảo đảm AI được sử dụng phù hợp với các nguyên tắc:
fairness – transparency – privacy – accountability – safety – human oversight – academic integrity – accessibility.
Ranh giới đặc biệt cần kiểm định
AI Governance & Policy trả lời:
Ai quyết định, quyết định bằng quy trình nào và trách nhiệm thuộc về ai?
Trong khi Responsible AI Governance trả lời:
Những chuẩn mực và safeguards nào phải được bảo đảm trong các quyết định đó?
Đây là hai construct có quan hệ gần nhưng không mặc nhiên đồng nhất. Discriminant validity giữa chúng phải được kiểm định thực nghiệm. Nếu dữ liệu không hỗ trợ sự phân biệt, mô hình cạnh tranh hợp nhất hai chiều kích phải được kiểm định thay vì bảo vệ cấu trúc sáu chiều bằng giả định.
9. MÔ HÌNH NGHIÊN CỨU SAU PHẢN BIỆN
Kiến trúc nhân quả trung tâm được tinh giản thành:
Institutional AI Readiness
↓
AI Integration Effectiveness
↓
Institutional AI Value
Trong đó IAIR là higher-order institutional capability được cấu thành/phản ánh thông qua sáu chiều kích theo đặc tả đo lường sẽ được xác nhận ở giai đoạn phát triển thang đo.
AI Integration Effectiveness không đo “có sử dụng AI hay không”, mà phản ánh mức AI được tích hợp phù hợp, nhất quán và hữu hiệu vào các hoạt động thể chế.
Institutional AI Value phản ánh các giá trị tổ chức có thể quan sát ở những lĩnh vực như chất lượng hoạt động, hỗ trợ ra quyết định, hiệu quả, đổi mới, trải nghiệm của các bên liên quan và khả năng thực hiện sứ mạng.
Điểm quan trọng nhất là:
Readiness không được định nghĩa bằng chính những kết quả mà readiness được kỳ vọng tạo ra.
10. GIẢ THUYẾT NGHIÊN CỨU
H1
Institutional AI Readiness có ảnh hưởng tích cực đến AI Integration Effectiveness.
H2
AI Integration Effectiveness có ảnh hưởng tích cực đến Institutional AI Value.
H3
Institutional AI Readiness có ảnh hưởng tích cực đến Institutional AI Value.
H4
AI Integration Effectiveness đóng vai trò trung gian trong mối quan hệ giữa Institutional AI Readiness và Institutional AI Value.
Việc chỉ giữ bốn giả thuyết cấu trúc trung tâm giúp mô hình có tính parsimonious, tránh tình trạng mở rộng quá mức moderator, mediator và outcome.
Các quan hệ giữa sáu chiều kích và IAIR được xử lý chủ yếu trong measurement model, không cần biến thành hàng loạt giả thuyết nhân quả hình thức.
11. QUY TRÌNH PHÁT TRIỂN THANG ĐO IAIR-HE
Nghiên cứu áp dụng quy trình chín giai đoạn.
Giai đoạn 1 – Domain specification. Tổng quan có hệ thống/scoping review để xác định miền khái niệm, các framework/thang đo gần nhất và construct boundaries.
Giai đoạn 2 – Qualitative exploration. Phỏng vấn những người am hiểu hoạt động quản trị AI tại trường đại học nhằm kiểm tra domain coverage và phát hiện các thuộc tính đặc thù của giáo dục đại học.
Giai đoạn 3 – Item generation. Xây dựng item pool dựa trên deductive generation từ lý thuyết và inductive generation từ dữ liệu định tính.
Giai đoạn 4 – Expert assessment. Khoảng 15–25 chuyên gia, có thể thực hiện 2–3 vòng Delphi khi cần đạt đồng thuận; đánh giá relevance, clarity và representativeness.
Giai đoạn 5 – Content validity. Sử dụng các chỉ số phù hợp như I-CVI/S-CVI để hỗ trợ quyết định giữ, sửa hoặc loại item.
Giai đoạn 6 – Cognitive interviews và pilot. Phỏng vấn nhận thức kiểm tra cách người trả lời diễn giải item; pilot khoảng 150–250 người để phát hiện item mơ hồ, ceiling/floor effects và các vấn đề ban đầu.
Giai đoạn 7 – EFA và item purification. Khám phá cấu trúc nhân tố, xem xét loading, cross-loading, communalities và content coverage. Không loại item chỉ nhằm tối đa hóa chỉ số thống kê nếu làm mất miền nội dung quan trọng.
Giai đoạn 8 – Independent CFA. Kiểm định cấu trúc trên mẫu độc lập, bao gồm first-order và higher-order alternatives.
Giai đoạn 9 – Validation. Đánh giá reliability, convergent/discriminant validity, criterion/nomological validity, invariance và quan hệ cấu trúc với các biến kết quả.
Không ấn định trước một cách cơ học rằng thang đo cuối cùng phải có chính xác 30, 36 hay 45 item. Độ bao phủ nội dung và bằng chứng tâm trắc quyết định cấu trúc cuối cùng.
12. THIẾT KẾ NGHIÊN CỨU
12.1. Thiết kế tổng thể
Nghiên cứu sử dụng sequential exploratory mixed-methods design:
Literature synthesis → Qualitative exploration → Scale construction → Pilot/EFA → CFA/validation → Structural model.
Thiết kế này phù hợp với mục tiêu vừa phát triển construct, vừa kiểm định thang đo và kiểm tra mạng lưới quan hệ lý thuyết.
12.2. Đơn vị phân tích – hiệu chỉnh quan trọng sau phản biện
Đây là thay đổi phương pháp luận quan trọng nhất.
IAIR được định nghĩa là:
institution-level capability.
Do đó:
600 cá nhân không đồng nghĩa với 600 trường đại học.
Nghiên cứu áp dụng multi-informant design, ưu tiên các knowledgeable informants như lãnh đạo, quản lý, cán bộ phụ trách chuyển đổi số/CNTT/dữ liệu, quản trị đào tạo, nghiên cứu, đảm bảo chất lượng và giảng viên có hiểu biết trực tiếp về hoạt động AI của tổ chức.
Dữ liệu có cấu trúc:
Level 1 – respondents
↓ nested within
Level 2 – universities.
Trước khi tổng hợp đánh giá cá nhân thành điểm thể chế, nghiên cứu cần kiểm tra within-group agreement và các chỉ số ICC(1)/ICC(2) thích hợp.
Khi clustering có ý nghĩa, nghiên cứu sử dụng cluster-robust estimation hoặc multilevel modeling/SEM, tùy thuộc số lượng cụm và cấu trúc dữ liệu thực tế.
Điều này giúp tránh atomistic fallacy – suy luận năng lực của tổ chức trực tiếp từ nhận thức cá nhân mà không chứng minh tính hợp lệ của phép tổng hợp.
13. CHIẾN LƯỢC CHỌN MẪU
Mẫu cần bảo đảm sự đa dạng theo các đặc điểm tổ chức quan trọng, chẳng hạn:
- công lập/tư thục;
- quy mô;
- định hướng/lĩnh vực đào tạo;
- mức độ trưởng thành số;
- khu vực khi có ý nghĩa phân tích.
Cỡ mẫu cho EFA, CFA và SEM không được quyết định chỉ bằng các quy tắc đơn giản như “10 người/item”. Nghiên cứu cần sử dụng a priori power analysis kết hợp với độ phức tạp mô hình, số tham số, số nhóm và yêu cầu multilevel.
Quan trọng hơn tổng số cá nhân là số trường đại học và số knowledgeable informants trong mỗi trường phải đủ để hỗ trợ các suy luận cấp tổ chức.
14. KIỂM ĐỊNH MÔ HÌNH ĐO LƯỜNG
14.1. Reliability
Đánh giá bằng nhiều bằng chứng bổ sung:
- Cronbach’s α;
- McDonald’s ω;
- Composite Reliability.
Không sử dụng α như bằng chứng duy nhất.
14.2. Convergent validity
Đánh giá thông qua:
- standardized factor loadings;
- Average Variance Extracted;
- Composite Reliability.
14.3. Discriminant validity
Sử dụng:
- HTMT;
- factor correlations;
- competing measurement models;
- cross-loading evidence khi thích hợp.
Đặc biệt, phải kiểm tra nghiêm ngặt:
AI Governance & Policy ↔ Responsible AI Governance.
14.4. Higher-order structure
So sánh các mô hình:
Model A: correlated first-order factors;
Model B: higher-order IAIR;
Model C: alternative five-factor model nếu governance dimensions hợp nhất;
Model D: theoretically plausible competing structures.
Không mặc nhiên kết luận mô hình sáu chiều bậc cao là đúng chỉ vì đó là mô hình được đề xuất ban đầu.
15. REFLECTIVE–FORMATIVE SPECIFICATION
Một điểm cần được xác lập bằng lý thuyết trước khi SEM là measurement direction.
Ở cấp chiều kích, các item có thể được đặc tả reflective khi chúng là biểu hiện của cùng một latent dimension.
Tuy nhiên, ở cấp IAIR bậc cao, cần xem xét nghiêm túc liệu sáu chiều kích:
phản ánh một IAIR chung
hay
cùng cấu thành IAIR.
Nếu thiếu một chiều như Responsible AI Governance mà tổ chức vẫn đạt điểm IAIR cao chỉ vì các chiều khác cao, điều đó có thể mâu thuẫn với định nghĩa lý thuyết về readiness toàn diện. Vì vậy, higher-order formative/composite specification cần được xem xét và so sánh với reflective higher-order specification thay vì lựa chọn theo thói quen thống kê.
Quyết định cuối cùng phải dựa trên construct ontology trước, model fit sau.
16. MEASUREMENT INVARIANCE
IAIR-HE chỉ có giá trị benchmarking khi thang đo có ý nghĩa tương đương giữa các nhóm.
Nghiên cứu dự kiến kiểm định theo trình tự:
Configural invariance → Metric invariance → Scalar invariance → Strict invariance, khi dữ liệu và estimator cho phép.
Các nhóm quan trọng gồm:
public/private universities; disciplinary orientation; institutional size; digital maturity; respondent categories.
Chỉ khi đạt mức invariance phù hợp mới tiến hành so sánh latent means giữa các nhóm.
Đây là điều kiện quan trọng để IAIR-HE trở thành một công cụ so sánh thể chế thay vì chỉ là thang đo cho toàn mẫu.
17. COMMON METHOD BIAS VÀ ROBUSTNESS
Không xử lý common method bias chỉ bằng một kiểm định hậu nghiệm.
Procedural remedies
Từ giai đoạn thiết kế:
- bảo đảm ẩn danh;
- giảm evaluation apprehension;
- tránh câu hỏi dẫn dắt;
- tách predictor/outcome về mặt tâm lý hoặc nguồn dữ liệu khi khả thi;
- sử dụng multi-informant data;
- chuẩn hóa wording;
- tránh item redundancy.
Statistical assessment
Tùy dữ liệu và mô hình, có thể sử dụng các phương pháp thích hợp để đánh giá method variance.
Robustness
Nghiên cứu cần báo cáo:
- missing-data treatment;
- non-normality;
- outliers;
- clustering;
- alternative estimators;
- competing models;
- direct versus mediated models;
- sensitivity analyses.
18. CRITERION, NOMOLOGICAL VÀ INCREMENTAL VALIDITY
Đây là phần được tăng cường nhằm đưa đề cương từ khoảng 89/100 lên mức mục tiêu 95/100.
Một thang đo mới không chỉ cần chứng minh rằng nó “đo được”, mà còn phải trả lời:
IAIR-HE bổ sung giá trị giải thích gì so với những construct đã tồn tại?
Do đó cần kiểm định ba lớp bằng chứng.
Criterion validity
IAIR phải có quan hệ theo hướng lý thuyết với các tiêu chí bên ngoài phù hợp.
Nomological validity
IAIR phải vận hành hợp lý trong mạng lưới:
IAIR → AI Integration Effectiveness → Institutional AI Value.
Incremental validity
Khi có thể, kiểm định liệu IAIR có giải thích thêm phương sai của integration effectiveness/value sau khi kiểm soát các construct gần như:
digital readiness, general organizational readiness hoặc mức độ AI adoption hiện tại.
Đây là bằng chứng đặc biệt quan trọng để chứng minh rằng IAIR-HE không chỉ đổi tên một construct đã tồn tại.
19. ĐÓNG GÓP LÝ THUYẾT
Nghiên cứu dự kiến có bốn đóng góp.
19.1. Construct contribution
Khái niệm hóa IAIR như một institutional capability khác biệt với adoption, maturity và outcomes.
19.2. Measurement contribution
Phát triển IAIR-HE thông qua một quy trình scale-development có kiểm định psychometric thay vì chỉ tạo checklist tự đánh giá.
19.3. Governance contribution
Tích hợp Responsible AI Governance vào readiness nhưng đồng thời tách value realization khỏi readiness.
Điểm này được diễn đạt chính xác hơn sau phản biện:
Responsible governance is part of readiness; realized value is evidence of what readiness may enable, not evidence used to define readiness itself.
19.4. Explanatory contribution
Chuyển câu hỏi từ:
“Những yếu tố nào có trong một tổ chức sẵn sàng AI?”
sang:
“Năng lực sẵn sàng thể chế được chuyển hóa thành hiệu quả tích hợp và giá trị AI thông qua cơ chế nào?”
20. ĐÓNG GÓP PHƯƠNG PHÁP
IAIR-HE hướng đến năm cải tiến so với cách tiếp cận checklist đơn giản:
construct specification → psychometric validation → multilevel/multi-informant measurement → measurement invariance → external validation.
Đặc biệt, việc đồng bộ construct level – respondent selection – aggregation – statistical model giải quyết một vấn đề thường bị bỏ qua trong nghiên cứu organizational readiness.
21. ĐÓNG GÓP QUẢN TRỊ VÀ CHÍNH SÁCH
Nếu được kiểm định thành công, IAIR-HE có thể hỗ trợ các trường đại học:
chẩn đoán khoảng trống năng lực → xác định ưu tiên đầu tư → xây dựng roadmap AI → theo dõi readiness theo thời gian → đánh giá tác động của cải thiện năng lực.
Công cụ cũng có tiềm năng hỗ trợ cơ quan quản lý trong đánh giá mức độ chuẩn bị của hệ thống giáo dục đại học đối với AI.
Tuy nhiên, nghiên cứu không tự động chuyển điểm IAIR-HE thành maturity level 1–5.
Một maturity model yêu cầu nghiên cứu riêng để xác lập stage definitions, thresholds và developmental trajectories. Vì vậy:
IAIR-HE Scale ≠ IAIR Maturity Model.
Phân biệt này làm tăng tính nghiêm ngặt về phương pháp.
22. MA TRẬN PHÒNG THỦ NOVELTY
| Câu hỏi phản biện | Câu trả lời của nghiên cứu |
| AI readiness đã được nghiên cứu, vậy mới ở đâu? | Không tuyên bố phát minh khái niệm AI readiness; đóng góp nằm ở institutional-level conceptualization và psychometric operationalization cho HE |
| Có phải digital readiness đổi tên? | Không; AI-specific governance, Human–AI Capability và Responsible AI tạo domain specificity |
| Có phải maturity model mới? | Không; readiness được tách khỏi maturity |
| Có phải adoption scale? | Không; adoption/integration là hậu quả, không phải thành phần readiness |
| Có phải checklist? | Không; IAIR-HE trải qua content, factorial, convergent, discriminant, criterion và nomological validation |
| Responsible AI có trùng governance? | Đây là giả định cần kiểm định; competing models sẽ xác định discriminant validity |
| Vì sao gọi là institutional construct khi cá nhân trả lời? | Multi-informant design + ICC/agreement + aggregation/multilevel justification |
| Thang đo mới tạo thêm giá trị gì? | Incremental validity được kiểm định so với các construct gần nhất |
Đây chính là defensibility architecture cần thiết cho một bài scale-development hướng đến phản biện quốc tế.
23. HẠN CHẾ DỰ KIẾN
Ngay cả khi được kiểm định thành công, nghiên cứu vẫn có các giới hạn.
Thứ nhất, dữ liệu cắt ngang hạn chế khả năng khẳng định quan hệ nhân quả mạnh giữa readiness và value.
Thứ hai, dữ liệu perceptual có thể chịu ảnh hưởng của respondent bias dù đã áp dụng multi-informant design.
Thứ ba, IAIR là năng lực động, trong khi nghiên cứu ban đầu chủ yếu cung cấp ảnh chụp tại một thời điểm.
Thứ tư, validation tại Việt Nam không tự động chứng minh cross-national validity.
Do đó, các nghiên cứu tiếp theo nên sử dụng longitudinal validation, objective indicators, cross-national validation và predictive validation.
24. CẤU TRÚC MÔ HÌNH CUỐI CÙNG ĐỀ XUẤT
INSTITUTIONAL AI READINESS (IAIR) │ ┌────────────────────┼────────────────────┐ │ │ │ ▼ ▼ ▼Strategic AI AI Governance Data & DigitalLeadership & Policy Infrastructure Readiness │ │ │ ▼ ▼ ▼Human–AI Organizational Responsible AICapability Change & Learning Governance Readiness │ ▼ AI INTEGRATION EFFECTIVENESS │ ▼ INSTITUTIONAL AI VALUE
Nguyên tắc kiến trúc:
Capabilities → Integration → Value
chứ không phải:
Capabilities + Integration + Value = Readiness.
Đây là sự điều chỉnh quan trọng nhất bảo đảm conceptual non-circularity.
25. TIÊU CHUẨN QUYẾT ĐỊNH CHẤP NHẬN IAIR-HE
IAIR-HE chỉ nên được công bố như một validated scale khi đồng thời có bằng chứng thỏa đáng về:
- Content representation – item bao phủ đúng domain;
- Factorial validity – cấu trúc nhân tố được xác nhận;
- Reliability – độ nhất quán đủ mạnh;
- Convergent validity;
- Discriminant validity;
- Higher-order construct validity;
- Criterion/nomological validity;
- Incremental validity;
- Measurement invariance ở các nhóm trọng yếu;
- Institution-level justification đối với aggregation/multilevel inference.
Như vậy, nghiên cứu không rơi vào logic:
“đề xuất sáu chiều → CFA phù hợp → tuyên bố thang đo đã được xác nhận.”
Thay vào đó:
Theory → Domain → Items → Content evidence → Structure → Reliability → Validity → Competing models → Invariance → External validation → Replication.
26. KẾT LUẬN
Nghiên cứu đề xuất Institutional Artificial Intelligence Readiness (IAIR) như một năng lực thể chế bậc cao, đa chiều và có tính động, phản ánh khả năng của trường đại học trong việc chuẩn bị, huy động và phối hợp các điều kiện cần thiết để tích hợp AI hiệu quả và có trách nhiệm.
Phiên bản sau phản biện xác lập sáu chiều kích:
Strategic AI Leadership → AI Governance & Policy → Data & Digital Infrastructure Readiness → Human–AI Capability → Organizational Change & Learning Readiness → Responsible AI Governance.
Điểm phát triển lý thuyết quan trọng nhất là việc tách AI Integration Effectiveness và Institutional AI Value khỏi readiness. Nhờ đó, nghiên cứu chuyển từ một cấu trúc dễ rơi vào circularity sang một mô hình có khả năng kiểm định:
Institutional capability → Effective AI integration → Institutional value.
Đồng thời, phiên bản hoàn thiện không mặc nhiên khẳng định sáu chiều kích, cấu trúc bậc cao hay sự khác biệt giữa hai thành phần governance. Những giả định này được đặt dưới sự kiểm định của EFA, CFA, competing models và discriminant validity. Đây là nguyên tắc quan trọng: dữ liệu được sử dụng để kiểm định lý thuyết, không phải để hợp thức hóa mô hình đã quyết định trước.
Ở cấp phương pháp, việc xác lập IAIR là institutional-level construct kéo theo yêu cầu nhất quán về multi-informant sampling, within-group agreement, ICC, aggregation justification và multilevel/cluster-aware analysis. Việc bổ sung measurement invariance và đặc biệt incremental validity tiếp tục nâng IAIR-HE từ một công cụ mô tả thành một thang đo có khả năng chứng minh giá trị khoa học gia tăng.
Vì vậy, đóng góp cốt lõi của nghiên cứu không nằm ở tuyên bố rằng đây là “framework AI readiness đầu tiên”, mà ở nỗ lực xây dựng một higher-education-specific, theoretically bounded, psychometrically validated and institutionally meaningful measurement instrument.
TÀI LIỆU THAM KHẢO
- Armenakis, A. A., Harris, S. G., & Mossholder, K. W. (1993). Creating readiness for organizational change. Human Relations, 46(6), 681–703. https://doi.org/10.1177/001872679304600601
- Bliese, P. D. (2000). Within-group agreement, non-independence, and reliability: Implications for data aggregation and analysis. In K. J. Klein & S. W. J. Kozlowski (Eds.), Multilevel theory, research, and methods in organizations: Foundations, extensions, and new directions (pp. 349–381). Jossey-Bass.
- 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, Article 149. https://doi.org/10.3389/fpubh.2018.00149
- Bollen, K. A., & Lennox, R. (1991). Conventional wisdom on measurement: A structural equation perspective. Psychological Bulletin, 110(2), 305–314. https://doi.org/10.1037/0033-2909.110.2.305
- Brown, T. A. (2015). Confirmatory factor analysis for applied research (2nd ed.). Guilford Press.
- Chan, D. (1998). Functional relations among constructs in the same content domain at different levels of analysis: A typology of composition models. Journal of Applied Psychology, 83(2), 234–246. https://doi.org/10.1037/0021-9010.83.2.234
- Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 14(3), 464–504. https://doi.org/10.1080/10705510701301834
- Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling: A Multidisciplinary Journal, 9(2), 233–255. https://doi.org/10.1207/S15328007SEM0902_5
- Clark, L. A., & Watson, D. (1995). Constructing validity: Basic issues in objective scale development. Psychological Assessment, 7(3), 309–319. https://doi.org/10.1037/1040-3590.7.3.309
- Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and mixed methods approaches (6th ed.). SAGE Publications.
- Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd ed.). SAGE Publications.
- DeVellis, R. F., & Thorpe, C. T. (2021). Scale development: Theory and applications (5th ed.). SAGE Publications.
- Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277. https://doi.org/10.1509/jmkr.38.2.269.18845
- Edwards, J. R., & Bagozzi, R. P. (2000). On the nature and direction of relationships between constructs and measures. Psychological Methods, 5(2), 155–174. https://doi.org/10.1037/1082-989X.5.2.155
- European Commission, High-Level Expert Group on Artificial Intelligence. (2019). Ethics guidelines for trustworthy AI. Publications Office of the European Union.
- Fabrigar, L. R., & Wegener, D. T. (2012). Exploratory factor analysis. Oxford University Press.
- Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272
- 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
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage.
- Helfat, C. E., Finkelstein, S., Mitchell, W., Peteraf, M. A., Singh, H., Teece, D. J., & Winter, S. G. (2007). Dynamic capabilities: Understanding strategic change in organizations. Blackwell.
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
- Hinkin, T. R. (1995). A review of scale development practices in the study of organizations. Journal of Management, 21(5), 967–988. https://doi.org/10.1177/014920639502100509
- 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
- Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
- International Organization for Standardization. (2023). Information technology—Artificial intelligence—Management system (ISO/IEC 42001:2023).
- James, L. R., Demaree, R. G., & Wolf, G. (1984). Estimating within-group interrater reliability with and without response bias. Journal of Applied Psychology, 69(1), 85–98. https://doi.org/10.1037/0021-9010.69.1.85
- Jarvis, C. B., MacKenzie, S. B., & Podsakoff, P. M. (2003). A critical review of construct indicators and measurement model misspecification in marketing and consumer research. Journal of Consumer Research, 30(2), 199–218. https://doi.org/10.1086/376806
- Klein, K. J., & Kozlowski, S. W. J. (Eds.). (2000). Multilevel theory, research, and methods in organizations: Foundations, extensions, and new directions. Jossey-Bass.
- Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.
- Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel Psychology, 28(4), 563–575. https://doi.org/10.1111/j.1744-6570.1975.tb01393.x
- Lynn, M. R. (1986). Determination and quantification of content validity. Nursing Research, 35(6), 382–385.
- MacKenzie, S. B., Podsakoff, P. M., & Podsakoff, N. P. (2011). Construct measurement and validation procedures in MIS and behavioral research: Integrating new and existing techniques. MIS Quarterly, 35(2), 293–334. https://doi.org/10.2307/23044045
- McDonald, R. P. (1999). Test theory: A unified treatment. Lawrence Erlbaum Associates.
- Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO.
- 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
- National Institute of Standards and Technology. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). U.S. Department of Commerce.
- Netemeyer, R. G., Bearden, W. O., & Sharma, S. (2003). Scaling procedures: Issues and applications. SAGE Publications.
- 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.
- (2019). Recommendation of the Council on artificial intelligence (OECD/LEGAL/0449). OECD.
- Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research and recommendations on how to control it. Annual Review of Psychology, 63, 539–569. https://doi.org/10.1146/annurev-psych-120710-100452
- 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
- Polit, D. F., Beck, C. T., & Owen, S. V. (2007). Is the CVI an acceptable indicator of content validity? Appraisal and recommendations. Research in Nursing & Health, 30(4), 459–467. https://doi.org/10.1002/nur.20199
- Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71–90. https://doi.org/10.1016/j.dr.2016.06.004
- Schumacker, R. E., & Lomax, R. G. (2016). A beginner’s guide to structural equation modeling (4th ed.). Routledge.
- 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. (2018). Business models and dynamic capabilities. Long Range Planning, 51(1), 40–49. https://doi.org/10.1016/j.lrp.2017.06.007
- Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7%3C509::AID-SMJ882%3E3.0.CO;2-Z
- Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books.
- (2021). Recommendation on the ethics of artificial intelligence. UNESCO.
- (2023). Guidance for generative AI in education and research. UNESCO.
- Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4–70. https://doi.org/10.1177/109442810031002
- Weiner, B. J. (2009). A theory of organizational readiness for change. Implementation Science, 4, Article 67. https://doi.org/10.1186/1748-5908-4-67
- Weiner, B. J., Amick, H., & Lee, S.-Y. D. (2008). Conceptualization and measurement of organizational readiness for change: A review of the literature in health services research and other fields. Medical Care Research and Review, 65(4), 379–436. https://doi.org/10.1177/1077558708317802
- Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34(6), 806–838. https://doi.org/10.1177/0011000006288127
- Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education—Where are the educators? International Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0
